一种信息推荐方法以及相关设备与流程

本申请涉及人工智能领域，尤其涉及一种信息推荐方法以及相关设备。
背景技术：
：随着人工智能的不断发展，教育的人工智能(educatedartificialintelligence，educatedai)包括具有应用限定、用户教育、自学习推理能力、判断能力等特点的智能系统，能够帮助人们更高效、更好地完成具体的任务或任务集。在现代社会的家庭中，越来越多的父母不能时刻陪伴孩子，在不能够陪伴的孩子的时候，父母可以使用智能机器人对孩子进行陪伴。然而现在的儿童机器人大多都是被动响应，不能满足未来父母对智能机器人陪伴孩子的更高陪伴要求，而对弈主动进行信息推荐的儿童机器人，其信息推荐的准确度较低。技术实现要素：本申请实施例提供了一种信息推荐方法以及相关设备，用于提高信息的推荐准确率。为解决上述技术问题，本申请实施例提供以下技术方案：第一方面，本申请提供了一种信息推荐方法，包括：获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息和/或情绪信息，所述历史交互对象为游戏或绘本；以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象。可选的，在第一方面的一种可选设计中，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选的，在第一方面的一种可选设计中，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，所述以所述目标对象历史交互对象对应的交互信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象，包括：对所述多个历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选的，在第一方面的一种可选设计中，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，在第一方面的一种可选设计中，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。第二方面，本申请提供了一种信息推荐方法，包括：基于目标对象存在信息推荐需求，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息和/或情绪信息，所述历史交互对象为游戏或绘本；以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象。可选的，在第二方面的一种可选设计中，所述基于目标对象存在信息推荐需求，包括：接收所述目标对象的语音信息，识别出所述语音信息表示所述目标对象存在所述信息推荐需求。可选的，在第二方面的一种可选设计中，所述基于目标对象存在信息推荐需求，包括：基于至少一种如下条件：当前时刻在预设时间段内、检测到所述目标对象位于预设区域、检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间、或检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间。可选的，在第二方面的一种可选设计中，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选的，在第二方面的一种可选设计中，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，所述以所述目标对象历史交互对象对应的交互信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象，包括：对所述多个历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选的，在第二方面的一种可选设计中，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，在第二方面的一种可选设计中，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。可选的，在第二方面的一种可选设计中，所述输出所述目标推荐对象，包括：显示推荐语句，所述推荐语句包括所述目标推荐对象，或输出推荐语音，所述推荐语音包括所述目标推荐对象。第三方面，本申请提供了一种执行设备，包括：获取模块，用于获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息和/或情绪信息，所述历史交互对象为游戏或绘本；确定模块，用于以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出模块，用于输出所述目标推荐对象。可选的，在第三方面的一种可选设计中，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选的，在第三方面的一种可选设计中，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，所述确定模块，具体用于：对所述多个历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选的，在第三方面的一种可选设计中，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，在第三方面的一种可选设计中，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。第四方面，本申请提供了一种执行设备，包括：获取模块，用于基于目标对象存在信息推荐需求，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息和/或情绪信息，所述历史交互对象为游戏或绘本；确定模块，用于以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象。可选的，在第四方面的一种可选设计中，所述获取模块，具体用于：接收所述目标对象的语音信息，识别出所述语音信息表示所述目标对象存在所述信息推荐需求。可选的，在第四方面的一种可选设计中，所述获取模块，具体用于：基于至少一种如下条件：当前时刻在预设时间段内、检测到所述目标对象位于预设区域、检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间、或检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间。可选的，在第四方面的一种可选设计中，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选的，在第四方面的一种可选设计中，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，所述确定模块，具体用于：对所述历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选的，在第四方面的一种可选设计中，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，在第四方面的一种可选设计中，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。可选的，在第四方面的一种可选设计中，所述输出所述目标推荐对象，包括：显示推荐语句，所述推荐语句包括所述目标推荐对象，或输出推荐语音，所述推荐语音包括所述目标推荐对象。第五方面，本申请提供了一种信息推荐方法，包括：基于目标对象存在信息推荐需求，获取所述目标对象对应的特征信息；根据所述目标对象对应的特征信息，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象。可选的，在一种可选设计中，所述基于目标对象存在信息推荐需求，包括：接收所述目标对象的语音信息，识别出所述语音信息表示所述目标对象存在所述信息推荐需求。可选的，在第五方面的一种可选设计中，所述基于目标对象存在信息推荐需求，包括：基于至少一种如下条件：当前时刻在预设时间段内、检测到所述目标对象位于预设区域、检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间、或检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间。可选的，在第五方面的一种可选设计中，所述方法还包括：基于多个第一对象存在信息推荐需求，根据第一预设条件从所述多个第一对象中确定所述目标对象，所述目标对象为所述多个第一对象中的一个，其中，所述第一预设条件至少包括如下条件中的一个：在所述多个第一对象中年龄最小的第一对象，或与所述多个第一对象的距离最小的第一对象。可选的，在第五方面的一种可选设计中，所述获取所述目标对象对应的特征信息，包括：基于所述目标对象的目标特征与第二对象的目标特征的差异度在预设范围内，获取所述第二对象对应的特征信息。可选的，在第五方面的一种可选设计中，所述根据所述目标对象对应的特征信息，采用信息推荐模型确定目标推荐对象，包括：获取多个第一推荐对象的特征信息；根据所述目标对象对应的特征信息，以及所述多个第一推荐对象的特征信息，采用信息推荐模型从所述多个第一推荐对象的特征信息中确定所述目标推荐对象。可选的，在第五方面的一种可选设计中，所述根据所述目标对象对应的特征信息，以及所述多个第一推荐对象的特征信息，采用信息推荐模型从所述多个第一推荐对象的特征信息中确定所述目标推荐对象，包括：根据所述目标对象对应的特征信息，采用信息推荐模型确定所述多个第一推荐对象中每个第一推荐对象的权重；根据所述多个第一推荐对象中每个第一推荐对象的权重输出所述目标推荐对象。可选的，在第五方面的一种可选设计中，所述目标推荐对象为所述多个第一推荐对象中权重最大的第一推荐对象。可选的，在第五方面的一种可选设计中，所述特征信息包括：所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息，其中，所述目标推荐对象为所述至少一次历史交互对象中的一个历史交互对象，所述交互信息至少包括如下信息中的一种：所述目标对象与所述历史交互对象进行交互的情绪信息、所述目标对象与所述历史交互对象进行交互的交互时长。可选的，在第五方面的一种可选设计中，所述根据所述目标对象对应的特征信息，采用信息推荐模型确定目标推荐对象，包括：根据所述与所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；根据所述时序化特征向量，采用信息推荐模型确定目标推荐对象。可选的，在第五方面的一种可选设计中，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，在第五方面的一种可选设计中，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。可选的，在第五方面的一种可选设计中，所述特征信息至少包括如下信息的一种：所述目标对象的性别、或所述目标对象的年龄。可选的，在一种可选设计中，所述输出所述目标推荐对象，包括：显示推荐语句，所述推荐语句包括所述目标推荐对象，或输出推荐语音，所述推荐语音包括所述目标推荐对象。第六方面，本申请提供了一种执行设备，包括：获取模块，用于基于目标对象存在信息推荐需求，获取所述目标对象对应的特征信息；确定模块，用于根据所述目标对象对应的特征信息，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出模块，用于输出所述目标推荐对象。可选的，在第六方面的一种可选设计中，所述获取模块，具体用于接收所述目标对象的语音信息，识别出所述语音信息表示所述目标对象存在所述信息推荐需求。可选的，在第六方面的一种可选设计中，所述基于目标对象存在信息推荐需求，包括：基于至少一种如下条件：当前时刻在预设时间段内、检测到所述目标对象位于预设区域、检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间、或检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间。可选的，在第六方面的一种可选设计中，所述确定模块，具体用于基于多个第一对象存在信息推荐需求，根据第一预设条件从所述多个第一对象中确定所述目标对象，所述目标对象为所述多个第一对象中的一个，其中，所述第一预设条件至少包括如下条件中的一个：在所述多个第一对象中年龄最小的第一对象，或与所述多个第一对象的距离最小的第一对象。可选的，在第六方面的一种可选设计中，所述获取模块，具体用于基于所述目标对象的目标特征与第二对象的目标特征的差异度在预设范围内，获取所述第二对象对应的特征信息。可选的，在第六方面的一种可选设计中，所述确定模块具体用于获取多个第一推荐对象的特征信息；根据所述目标对象对应的特征信息，以及所述多个第一推荐对象的特征信息，采用信息推荐模型从所述多个第一推荐对象的特征信息中确定所述目标推荐对象。可选的，在第六方面的一种可选设计中，所述确定模块具体用于根据所述目标对象对应的特征信息，采用信息推荐模型确定所述多个第一推荐对象中每个第一推荐对象的权重；根据所述多个第一推荐对象中每个第一推荐对象的权重输出所述目标推荐对象。可选的，在第六方面的一种可选设计中，所述目标推荐对象为所述多个第一推荐对象中权重最大的第一推荐对象。可选的，在第六方面的一种可选设计中，所述特征信息包括：所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息，其中，所述目标推荐对象为所述至少一次历史交互对象中的一个历史交互对象，所述交互信息至少包括如下信息中的一种：所述目标对象与所述历史交互对象进行交互的情绪信息、所述目标对象与所述历史交互对象进行交互的交互时长。可选的，在第六方面的一种可选设计中，所述确定模块具体用于根据所述与所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；根据所述时序化特征向量，采用信息推荐模型确定目标推荐对象。可选的，在第六方面的一种可选设计中，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，在第六方面的一种可选设计中，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。可选的，在第六方面的一种可选设计中，所述特征信息至少包括如下信息的一种：所述目标对象的性别、或所述目标对象的年龄。第七方面，本申请提供了一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行如上述第一方面或第二方面任一所述的方法。第八方面，本申请提供了一种执行设备，包括处理器和存储器，所述处理器与所述存储器耦合，所述存储器，用于存储程序；所述处理器，用于执行所述存储器中的程序，使得所述执行设备执行上述第一方面或第二方面任一所述的方法。可选地，所述执行设备为机器人。本申请实施例中，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息和/或情绪信息，所述历史交互对象为游戏或绘本；以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象，通过上述方式，以目标对象历史交互对象对应的交互信息作为信息推荐模型的输入，基于历史交互对象对应的交互信息向目标对象进行信息推荐，提高了信息的推荐准确率。附图说明图1为人工智能主体框架的一种结构示意图；图2为本发明的陪伴机器人及使用环境的系统架构；图3为本发明实施例的实现的产品形态；图4a为处理及运算模块一种可行的实施方式；图4b为本发明实施例提供的一种信息推荐方法的流程图示意；图4c为本发明实施例提供的一种信息推荐方法的流程图示意；图5为本申请实施例提供的一种架构示意图；图6a至图6d为本申请实施例提供的一种终端设备的交互示意图；图6e和图6f为本申请实施例提供的一种显示界面的意图；图6g为本申请实施例提供的一种交互场景的示意图；图7a和图7b为本申请实施例提供的一种信息推荐方法的场景示意图；图8为本申请实施例提供的一种lstm模型的示意；图9为本申请实施例提供的一种输入因子分解机模型的示意；图10a为一种信息推荐的场景示意图；图10b为一种信息推荐的场景示意图；图11为本申请实施例提供的另一种信息推荐方法的实施例的示意图；图12为本申请实施例提供的执行设备的一种结构示意图；图13为本申请实施例提供的执行设备的一种结构示意图；图14为本申请实施例提供的芯片的一种结构示意图。具体实施方式本申请实施例提供了一种信息推荐方法及相关设备，用于提高信息的推荐准确率。下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。首先对人工智能系统总体工作流程进行描述，请参见图1，图1示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“it价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“it价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。(1)基础设施基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(cpu、npu、gpu、asic、fpga等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。(2)数据基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。(3)数据处理数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。(4)通用能力对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。(5)智能产品及行业应用智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能制造、智能交通、智能家居、智能医疗、智能安防、自动驾驶、平安城市等。本发明的陪伴机器人及使用环境的系统架构如图2所示。图2的使用环境下适用于任何场景(比如小区、街道、行政区，省、国家，跨国甚至全球)，包括以下单元：家庭或者儿童看护机构201，包括至少一名儿童203及儿童互动机器人202，室内的至少一个无线接入网络204；儿童的家长(父母或直系亲属，其他监护人等)216以及其随身携带的智能终端205；室外无线接入网络207给智能终端205提供远程的无线网络接入服务；给儿童看护业务提供专业数据服务的儿童看护服务机构206，包括儿童成长云服务器207、儿童成长模型库208和儿童看护知识库209；还包括社会公共服务机构210，给儿童看护服务提供政府公共数据支持，包括但不限于天气预报、医疗服务机构名单、疫情信息、紧急通知等，包括社会公共服务云服务器211、社会公共服务云数据库212；还包括至少一个第三方网络云服务机构213，给儿童看护业务提供细分的专业化的网络云数据服务，比如即时通信、儿童看护业务社交应用、网上音视频服务、网络购物、付款和物流跟踪、社区和医疗机构评价和投票等，包括第三方网络服务的运服务器214、第三方网络服务云数据库215。该使用环境的系统架构还包括网络运营商提供网络服务的互联网220。本发明实施例的实现的产品形态可以如图3的300所示，包括：触摸显示屏301，用于输出图形图像信息，并接收用户的触摸控制信号；扬声器模块407用于提供声音输出信号；麦克风阵列及传感器组302用于检测被目标对象的声音、表情、行为等特征；开始/暂停/紧急按钮303提供被目标对象简单的操作指令并响应紧急情况下用户的中断指令；处理及运算模块304根据麦克风阵列及传感器组302输入的用户状态信号、按钮303的用户操作指令、来自网络的被看护儿童的监护人请求信息、来自网络的儿童看护服务机构的服务指令、第三方网络云服务数据等，计算并输出儿童看护机器人的控制指令，并由儿童看护机器人输出声音、图像、图像、肢体动作以及移动等。儿童看护机器人还可以包括履带/轮式移动机械装置305、机械手臂306。本发明一种可行的产品形态为机器人，其核心部件“处理及运算模块”304的一种可行的实施方式如图4a所示，包括主板410和其他周边的功能部件。传感器模组401、按钮402分别与主板410的i/o模块连接，麦克风阵列403与主板410的音视频编解码模块连接，主板410的触摸显示控制器接收触摸显示屏404的触控输入并提供显示驱动信号，电机伺服控制器则根据程序指令驱动电机及编码器407驱动履带/轮式移动机械装置305和机械手臂306形成机器人的移动和肢体语言，声音则由音频编解码模块输出经功率放大器推动扬声器408得到。硬件系统还包括主板410上的处理器及存储器，存储器除了记录机器人的算法和执行程序及其配置文件外，也包括机器人执行看护工作时所需的音视频和图像文件等，还包括程序运行时的一些临时文件。主板410的通信模块提供机器人与外部网络的通信功能，优选近程通信如蓝牙、wifi模块。主板410还包括电源管理模块，通过连接的电源系统405实现设备的电池充放电和节能管理。处理器是其中最为核心的器件，具有运算和处理能力，并且管理和质量其他的器件配合工作。机器人传感器模组401，检测并采集目标对象的陪伴对象的传感信息、与所述陪伴对象进行互动时所述目标对象的情绪信息。所述传感信息至少包括视图信息和语音信息中的一种，所述情绪信息至少包括视图信息和语音信息中的一种。可以由摄像头捕捉，同时可以由其他传感器完成或者配合。处理器根据所述情绪信息提取情绪特征量，根据所述情绪特征量确定所述目标对象在与所述陪伴对象互动时的情绪模式，并根据所述情绪模式确定所述目标对象对所述陪伴对象的兴趣度；根据所述兴趣度，从所述传感信息中提取所述伴对象的行为数据，并对所述行为数据进行筛选获得模拟对象数据；根据所述模拟对象数据生成行动指令。行为执行模块,用于接收所述处理器的行动指令与所述目标对象进行互动。行为执行模块可以包括履带/轮式移动机械装置305、机械手臂306、触摸显示屏301、麦克风等等，能与外界活动的组件。进一步，作为另一种实现方式，机器人的处理器只是具有简单处理功能，模拟对象数据的处理由业务服务器完成，机器人上还设置有通信模块，通过天线和业务服务器，智能终端等通信。通信模块向业务服务器发送所述目标对象的陪伴对象的传感信息、与所述陪伴对象进行互动时所述目标对象的所述情绪信息，并接收所述业务服务器发送的模拟对象数据，处理器再获得所述模拟对象数据，根据所述模拟对象数据生成行动指令。机器人上还有存储器，保存模拟对象数据库以记录所述模拟对象数据。参阅图4b，图4b为本发明实施例提供的一种信息推荐方法的流程图示意，以下举例说明，其中目标对象以儿童为例。411、获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个，其中所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息和/或情绪信息，所述历史交互对象为游戏或绘本。本申请实施例中，机器人可以获取目标对象的特征信息以及多个第一推荐对象的特征信息。本申请实施例中，机器人可以包括存储器，例如可以是存储有知识图谱的知识图谱模块，知识图谱模块可以部署在机器人侧，也可以部署在云侧的服务器中，或者在云侧和机器人侧都部署有知识图谱模块(例如可以是在云侧部署有知识图谱模块，在机器人侧部署知识图谱模块的备份)。知识图谱模块可以存储有至少一个实体以及每一个实体对应的特征信息，其中实体可以是人物对象的标识(例如是姓名、基于面部图像提取的表示该用户唯一身份的信息，或者是其他任意可以唯一标识人物对象的信息)，特征信息可以但不限于是每个人物对象对应的年龄、性别等个人信息，或者是每个人物对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息，关于特征信息在信息推荐流程中的作用将在后续实施例中说明，这里不再赘述。接下来描述机器人或者服务器获取到人物对象的特征信息的几种方式。在一种实施例中，知识图谱模块中存储的实体及一部分特征信息(例如年龄、性别等个人信息)可以是用户在终端设备上输入，之后上传到服务器中的知识图谱模块，参照图5，图5为本申请实施例提供的一种架构示意图，如图5中示出的那样，终端设备501与云侧的服务器502通讯连接，云侧的服务器502与机器人503通讯连接。本申请实施例中的终端设备可以是手机、移动电脑、平板电脑、穿戴设备等，这里并不限定。示例性的，以终端设备为手机为例，参照图6a至图6d，图6a至图6d为本申请实施例提供的一种终端设备的交互示意图，如图6a中示出的那样，终端设备的显示界面包括多个控件应用(application，app)，其中用户可以点击陪伴机器人app，进而显示如图6d示出的显示界面，其中图6b中示出的显示界面包括“儿童信息管理”控件，用户可以点击上述“儿童信息管理”控件来管理儿童的个人信息，进而显示如图6c中示出的显示界面，其中图6c显示的界面中包括“添加”控件，进而显示图6d中示出的显示界面，用户可以在图6d示出的显示界面中输入儿童的个人信息，例如但不限于姓名、性别、年龄等。需要说明的是，上述终端设备的显示界面以及控件种类仅为一种示意，并不构成对本申请的限定，在实际应用中，还可以获取其他种类的特征信息。本申请实施例中，用户在终端设备上输入儿童的特征信息(个人信息)之后，终端设备可以将上述用户输入的儿童的特征信息上传至服务器，进而服务器可以在知识图谱模块中存储上述用户输入的特征信息以及特征信息与人物对象的关联关系，服务器还可以将特征信息发送至机器人，使得机器人可以存储上述用户输入的特征信息以及特征信息与人物对象的关联关系。本申请实施例中，终端设备也可以直接与机器人通过无线连接方式进行连接，例如通过p2p网络直连、无线保真(wireless-fidelity，wifi)连接、蓝牙连接等，来建立两者间的数据链路通道，以使终设备可以通过该数据链路通道将需要传输的数据传输至机器人。本申请实施例中，用户在终端设备上输入儿童的特征信息(个人信息)之后，终端设备可以将上述用户输入的儿童的特征信息传输至机器人，使得机器人可以存储上述用户输入的特征信息以及特征信息与人物对象的关联关系，或者机器人也可以将上述用户输入的儿童的特征信息上传至服务器，进而服务器可以在知识图谱模块中存储上述用户输入的特征信息以及特征信息与人物对象的关联关系。此外，为了后续机器人可以识别出儿童的身份，用户还可以通过终端设备上传儿童的面部图像，如图6d中示出的那样，用户可以通过点击“添加面部图像”控件，进而终端设备可以显示如图6e或者图6f中示出的显示界面，其中，用户可以通过拍摄儿童的面部来添加儿童的面部照片，或者直接上传儿童的面部图像来添加儿童的面部照片，本申请实施例中，终端设备可以将上述用户添加的儿童的面部图像上传至服务器，进而由服务器对面部图像进行数据处理(例如基于处理面部图像得到该儿童的面部特征)，或者将面部图像发送至机器人，由机器人对面部图像进行数据处理。需要说明的是，上述上传儿童的面部图像的目的是为了能让机器人可以获取到儿童的面部特征，进而使得机器人可以具有当其摄像头采集到儿童的面部时，可以基于儿童的面部特征识别出儿童身份的能力，用户还可以上传其他用户信息，只要机器人可以基于用户上传的用户信息使得机器人可以具有识别出儿童身份的能力，本申请并不限定。本申请实施例中，机器人还可以通过与人物对象的交互来获取人物对象的特征信息，例如，机器人可以通过和儿童进行语音交互来获取儿童的一部分特征信息(例如姓名、年龄和性别等)，具体的，机器人可以在识别出前方有人物对象时，可以主动发起语音询问人物对象的特征信息，解析人物对象的语音回复，获取语音回复中的特征信息，并通过摄像头获取询问对象的面部图像，在基于面部图像确定人物对象的身份后，存储特征信息以及该特征信息与对应的人物对象的关联关系。关于机器人503可以通过和儿童601进行语音交互来获取儿童601的一部分特征信息的实例，可以参照图6g，图6g为本申请实施例提供的一种儿童601与机器人503交互场景的示意图，如图6g中示出的那样，机器人503位于室内，当其检测到有儿童601在附近时，可以采集该儿童601的面部图像或者其他可以唯一表示该儿童601身份的信息，之后可以向儿童601主动发起询问以获取儿童601的特征信息，例如，图6a中示出的，机器人503可以通过问询儿童601：“你叫什么名字？”，相应的，儿童601会回答对应的答案，例如“张三”，此时，机器人503可以基于儿童601的回复语音，基于语义分析，提取出儿童601的姓名为张三，进而，将张三作为表示该儿童601姓名的特征信息(将姓名为张三与唯一表示该儿童601身份的信息绑定)。例如，图6a中示出的，机器人503可以通过问询儿童601：“你今年几岁了？”，相应的，儿童601会回答对应的答案，例如“四岁”，此时，机器人503可以基于儿童601的回复语音，基于语义分析，提取出儿童601的年龄为四，进而，将四岁作为与该表示该儿童601的年龄的特征信息(将年龄为四岁与唯一表示该儿童601身份的信息绑定)。此外，儿童601的特征信息可以一部分基于用户在手机终端上的输入，一部分基于通过和儿童601的语音交互来获取，例如，用户可以在手机终端上输入儿童601的一部分特征信息(例如姓名为张三)，并上传了儿童601的面部图像，机器人503当其检测到有儿童601在附近时，可以向儿童601主动发起询问，机器人503可以通过问询儿童601：“你今年几岁了？”，相应的，儿童601会回答对应的答案，例如“四岁”，此时，机器人503可以基于儿童601的回复语音，基于语义分析，提取出儿童601的年龄为四，进而，将四岁作为与该表示该儿童601的年龄的特征信息(将年龄为四岁与唯一表示该张三身份的信息(基于面部图像获取的)绑定)。需要说明的是，上述获取目标对象的一部分特征信息的方式仅为一种示例，并不构成对本申请的限定。在一种实施例中，儿童可以和机器人进行交互，进而，机器人可以基于和儿童的交互来获取一部分特征信息，这些特征信息可以在一定程度上反映出儿童对于交互内容的喜好程度等，接下来详细描述机器人如何基于和儿童的交互获取所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息：本申请实施例中，儿童可以和机器人进行交互，例如在机器人上玩游戏，或者是读绘本等，通常，机器人上可以安装有多个应用程序，儿童可以打开想使用的应用程序来和机器人进行交互，在交互过程中，机器人可以获取到相应的交互内容(例如，游戏的名称，绘本的名称等)，以及儿童进行交互内容对应的交互时的情绪信息、交互时长等。其中，交互时的情绪信息可以表示儿童在进行交互内容的交互时的情绪状态，关于情绪信息的获取方式：示例性，机器人可以通过任何一种具备采集用于表示儿童情绪状态的信号能力的设备或者装置来采集儿童在进行交互内容的交互时可以获取到儿童情绪的信息，上述信息可以但不限定包括语音、面部表情、手势、站姿等，这些信息是情绪状态的数字化表达，也可以说成是情绪信号。上述采集用于表示儿童情绪状态的信号能力的设备或者装置可以是例如，声音传感器、用于语音识别的麦克风、表情识别的摄像头、图像传感器、位置及动作识别的陀螺仪等。还应注意，上述提及的传感器仅是示例性说明，不应限定本发明实施例的实际保护范围。在本发明实施例中，机器人可以从不同传感器获取的信息中提取出能够表达或者标识情绪特征的信息，比如，声音、面部图像、眼睛虹膜信息、肌电信息等，机器人可以对这些不同传感器获取的信息进行识别处理，从中确定儿童的情绪信息。在本发明实施例中，情绪信息可以包括多个表示情绪状态的信息，其中情绪状态可以包括喜、怒两种，或者可以包括喜、怒、哀、乐四种，或者可以包括喜、怒、哀、乐、爱、恶、惧七种。上述情绪状态还可以相互组合，得到各种各样的复合情感状态，如忧郁、紧张、焦虑等。本申请实施例中，可以基于现有技术(例如基于用于确定情绪状态的模型等)，确定儿童在进行交互内容的交互时的情绪状态。可选地，在一种实施例中，机器人可以每隔预设时间记录一次儿童的情绪状态，并确定儿童在进行交互内容的交互时出现次数最多的情绪状态为儿童在进行交互内容的交互时的情绪状态，需要说明的是，上述确定情绪状态的方法仅为一种示例，并不构成对本申请的限定。示例性的，以情绪状态包括喜、怒、哀、乐、爱、恶、惧七种为例，儿童在玩a游戏时，机器人每隔10秒记录一次儿童的情绪状态：喜、喜、喜、喜、哀、哀、哀、爱、爱、爱、爱、惧、惧、惧、惧、喜、喜、喜、喜、喜、喜、喜、喜、喜、喜、喜、喜、喜、喜，此时，儿童在玩a游戏时，各种情绪状态的次数分别为：喜：18次；哀：3次；爱：4次；惧：4次。由于情绪状态为喜的次数最多，因此机器人可以确定儿童在玩a游戏时的情绪状态为喜。本申请实施例中，机器人除了记录儿童在进行历史交互对象对应的情绪信息之外，还可以记录儿童在进行历史交互对象时的时长，本申请实施例中，时长可以是儿童在进行交互内容的交互时的时间长度，也可以是相对时长，其中相对时长指的是，相对于交互内容对应的平均交互时长，这里的平均交互时长可以是预设的，以交互内容为游戏为例，平均交互时长可以是根据每款游戏的游戏类型预设的，单人游戏和交互类游戏的玩家玩的平均时长是不一样的，根据每款游戏的平均时长作为衡量标准，儿童在玩游戏的时候，将玩游戏的时间与每款游戏的平均交互时长作比较，来具体分类为是时长长，时长中还是时长短。本申请实施例中，机器人在获取到儿童每次进行交互内容对应的交互时间长度后，可以基于交互时间长度和平均交互时长，确定儿童每次进行交互内容的时长。示例性的，a游戏对应的平均交互时长为1小时，b游戏的平均交互时长为30分钟，如果儿童玩a游戏的时长为30分钟，玩b游戏的时长为30分钟，则可以确定儿童在玩a游戏的时长为短，玩b游戏的时长为中。需要说明的是，上述时长的类型仅为一种示意，并不构成对本申请的限定。本申请实施例中，机器人可以记录一次或多次目标对象(儿童)的至少一次历史交互对象(游戏或者绘本等)，以及一次或多次历史交互对象中每次所述历史交互对象对应的交互信息(例如上述情绪信息和时长)，以记录的次数为最近三次为例，若儿童之前五次的历史交互对象以及交互信息分别为：1、a游戏，喜，时长长2、b游戏，爱，时长中3、a游戏，喜，时长长4、c游戏，惧，时长短5、d游戏，喜，时长中则机器人可以保存最近三次的历史交互对象以及每次历史交互对象对应的交互信息：倒数第一次：a游戏，喜，时长长倒数第二次：c游戏，惧，时长短倒数第三次：d游戏，喜，时长中。需要说明的是，上述历史交互对象以及对应的交互信息仅为一种示意，并不构成对本申请的限定。本申请实施例中，机器人在获取到每次历史交互的交互数据(例如时间长度，传感器信息)后，可以在本地对交互信息进行处理，也可以上传到服务器，由服务器进行信息处理，并将处理结果(交互信息)发送至机器人，本申请并不限定。本申请实施例中，上述目标对象(儿童)的特征信息(例如包括年龄，性别，每次历史交互对象以及对应的交互信息)可以是对数据进行编码得到的特征向量，例如编码方式可以是one-hot类别型编码，该编码方式可以通过二进制向量来唯一表示目标对象(儿童)的特征信息，示例性的举出一个编码规则：以交互内容为游戏为例，参照表1至表3：年龄预设置4个区域(0-4岁为一个区域，4-8岁为一个区域，8-12岁为一个区域，大于12岁为一个区域)，其中0-4岁对应的编码为1000，4-8岁对应的编码为0100，8-12岁对应的编码为00100，大于12岁对应的编码为0001；性别分为男或者女，其中男对应的编码为01，女对应的编码为10；游戏预设置为7个游戏，其中游戏1对应的编码为1000000，游戏2对应的编码为0100000，游戏3对应的编码为0010000，游戏4对应的编码为0001000，游戏5对应的编码为0000100，游戏6对应的编码为0000010，游戏7对应的编码为0000001。表1女男女10表20-4岁4-8岁8-12岁大于12岁5岁0100表3游戏1游戏2游戏3游戏4游戏4游戏5游戏6游戏7冰冻舞者01000000此时，若目标对象为5岁，女，针对于交互内容为游戏2，目标对象的特征信息以及交互内容(游戏2)经过one-hot编码得到的特征向量为：[0,1,0,0],[1,0],[0,1,0,0,0,0,0]。本申请实施例中，上述编码得到的特征向量可以采用稀疏存储方式加载内存，其中，采用稀疏存储的原因是特征维数高，ont-hot编码后的向量会占用很大的内存空间，而其中0元素占了绝大多数。本实施例中，可以根据向量矩阵中非0元素的分布及个数，采用稀疏存储(即只存储非0元素)，来减小内存占用。本申请实施例中，在获取到目标对象对应的特征信息之后，可以将特征信息以及与目标对象的关联关系存储在机器人和/或服务器的存储模块中，例如知识图谱模块中。412、以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。本申请实施例中，机器人可以以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。本申请实施例中，为了能主动给目标对象推荐符合目标对象需求的信息，机器人可以基于获取到的目标对象的特征信息，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象，其中，信息推荐模型为基于人物对象的特征信息以及第一推荐对象的特征信息训练得到的模型，其具有可以基于人物对象的特征信息以及第一推荐对象的特征信息来推测目标对象的推荐信息内容的能力。本申请实施例中，机器人还可以获取多个第一推荐对象的特征信息，并根据所述目标对象对应的特征信息，以及多个第一推荐对象的特征信息，采用信息推荐模型确定所述目标推荐对象。其中，多个第一推荐对象可以包括游戏、绘本等交互内容，第一推荐对象的特征信息可以为第一推荐对象的属性信息，以第一推荐对象为游戏为例，第一推荐对象的特征信息可以为游戏类型(例如冒险、动作、角色扮演等)、玩家数量(例如单人、双人等)。需要说明的是，第一推荐对象以及第一推荐对象的特征信息可以为预存在机器人中的信息，该信息可以为对第一推荐对象以及第一推荐对象的特征信息进行编码得到的第二特征向量，关于如何对第一推荐对象以及第一推荐对象的特征信息进行编码得到第二特征向量，可以参照上述实施例中的描述，这里不再赘述。本申请实施例中，以所述目标对象对应的特征信息以第一特征向量存储在机器人中为例，此时机器人可以获取到第一特征向量以及所述多个第一推荐对象的特征信息的第二特征向量，并根据所述第一特征向量以及所述第二特征向量，采用信息推荐模型确定所述多个第一推荐对象中每个第一推荐对象的权重，并根据所述多个第一推荐对象中每个第一推荐对象的权重输出所述目标推荐对象，其中所述目标推荐对象为所述多个第一推荐对象中的一个。本申请实施例中，第一特征向量可以包括通过对所述目标对象的性别、或所述目标对象的年龄等个人信息进行编码得到的特征向量、与目标对象的至少一次历史交互对象以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息对应的时序化特征向量。特别的，针对于目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息，机器人可以根据与所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息进行编码得到的特征向量，采用循环神经网络模型生成时序化特征向量。其中，循环神经网络模型可以是长短期记忆网络(longshort-termmemory，lstm)或门控循环单元gru，接下来以循环神经网络模型为长短期记忆网络lstm为例进行说明。本申请实施例中，基于与所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息进行编码得到的特征向量，可以通过lstm，生成时序化特征向量，本申请实施例中，当目标对象为儿童时，由于儿童发育还没有成熟，注意力集中时间很短，例如三岁左右的儿童集中注意力只能保持三到五分钟。儿童总是对新鲜的东西更加好奇，对那些已经熟悉的东西就不感兴趣。儿童对某个交互内容玩得次数增长时，兴趣度也会随之降低。所以可以根据儿童的历史交互对象的交互信息，通过lstm时序化建模捕捉内部兴趣度降低的隐性规律。关于lstm：lstm算法全称为longshort-termmemory，是一种特定形式的rnn(recurrentneuralnetwork，循环神经网络)，而rnn是一系列能够处理序列数据的神经网络的总称。rnn还有许多变形，例如双向rnn(bidirectionalrnn)等。然而，rnn在处理长期依赖(时间序列上距离较远的节点)时会遇到巨大的困难，因为计算距离较远的节点之间的联系时会涉及雅可比矩阵的多次相乘，这会带来梯度消失(经常发生)或者梯度膨胀(较少发生)的问题，为了解决该问题，最广泛的就是门限rnn(gatedrnn)，而lstm就是门限rnn中最著名的一种。有漏单元通过设计连接间的权重系数，从而允许rnn累积距离较远节点间的长期联系；而门限rnn则泛化了这样的思想，允许在不同时刻改变该系数，且允许网络忘记当前已经累积的信息。lstm就是这样的门限rnn。lstm通过增加输入门限，遗忘门限和输出门限，使得自循环的权重是变化的，这样，在模型参数固定的情况下，不同时刻的积分尺度可以动态改变，从而避免了梯度消失或者梯度膨胀的问题。以目标对象的特征信息包括三次历史交互对象为例，参照图8，图8为本申请实施例提供的一种lstm模型的示意，本申请实施例中，lstm神经网络可以设置一个隐藏层s(t)，其中s(t)展开循环序列长度为3。如图8中示出的那样，v表示输入层到隐藏层映射的神经元权重矩阵。u表示上一个时刻隐藏层输出到这个时刻隐藏层自映射的神经元权重矩阵。w表示隐藏层到输出层映射的神经元权重矩阵。x(t)表示最后一次历史交互对象的特征信息。x(t-1)表示倒数第二次历史交互对象的特征信息。x(t-2)表示倒数第三次历史交互对象的特征信息。第一步：输入倒数第三次历史交互对象的特征信息x(t-2)与隐藏层s(t-3)进行神经元全连接输出生成向量s(t-2)。其中，neta(t-2)表示隐藏层s(t-2)第a个神经元加权输出。ba(t-2)表示隐藏层s(t-2)第a个神经元偏置值。sa(t-2)表示通过激活函数对第a个神经元输出值进行非线性映射。第二步：输入倒数第二次历史交互对象的特征信息x(t-1)与隐藏层s(t-2)进行神经元全连接输出生成向量s(t-1)。其中，公式中netc(t-1)表示隐藏层s(t-1)第c个神经元加权输出。bc(t-1)表示隐藏层s(t-1)第c个神经元偏置值。sc(t-1)表示通过激活函数对第c个神经元输出值进行非线性映射。第三步：输入倒数第一次历史交互对象的特征信息x(t)与隐藏层s(t-1)进行神经元全连接输出生成向量s(t)。其中，netj(t)表示隐藏层s(t)第j个神经元加权输出。bj(t)表示隐藏层s(t)第j个神经元偏置值。sj(t)表示通过激活函数对第j个神经元输出值进行非线性映射。第四步：隐藏层s(t)进行神经元全连接映射输出层向量y(t)。y(t)为lstm生成的时序化特征向量。其中netk(t)表示输出层y(t)第k个神经元加权输出。bk(t)表示隐藏层到输出层第k个神经元偏置值。yk(t)表示通过激活函数对第k个神经元输出值进行非线性映射得到的时序化特征向量。本申请实施例中，机器人获取所述目标对象对应的特征信息(例如编码目标对象的个人信息得到的特征向量，以及对至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息采用循环神经网络模型生成时序化特征向量)之后，可以根据所述目标对象对应的特征信息，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。本申请实施例中，所述信息推荐模型可以为：因子分解机模型(factorizationmachines，fm)、场感知分解机模型(field-awarefactorizationmachine，ffm)或深度因子分解机dfm(deepfactorizationmachine)模型。以信息推荐模型为因子分解机模型fm为例，机器人在获取到目标对象的特征信息的特征向量，多个第一推荐对象的特征向量，所述与所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息对应的时序化特征向量之后，可以将上述目标对象的特征信息的特征向量，多个第一推荐对象的特征向量，所述与所述目标对象的至少一次历史交互对象，以及所述至少一次历史交互对象中每次所述历史交互对象对应的交互信息对应的时序化特征向量，输入因子分解机fm模型。如图9示出的那样，图9为本申请实施例提供的一种输入因子分解机fm模型的示意，如图9所示，以之前得到的目标对象的个人信息的特征向量、第一推荐对象的特征向量向量及lstm时序化向量y(t)，拼接构建生成一个新的特征向量x＝[个人信息特征，第一推荐对象特征，lstm时序化特征]，输入到fm因子分解机模型来预测各个第一推荐对象的权重值(或者表述为目标对象对推荐对象的打分值)，具体实现上，可以通过sigmoid激活函数非线性输出打分值，打分值为0-1之间的浮点型小数。具体的，fm因子分解机模型可以为如下：其中，wo为全局偏量，xi为特征向量x的第i维取值，v为辅助向量。在本实施例中，以第一推荐对象为游戏为例，对每一款游戏都重复上述步骤得到每一款游戏的打分值(权重值)。413、输出所述目标推荐对象。本申请实施例中，机器人可以根据所述多个第一推荐对象中每个第一推荐对象的权重确定推荐顺序，并根据推荐顺序输出所述目标推荐对象，其中，推荐顺序是依据第一推荐对象的权重来确定的。具体的，在一种实施例中，机器人在获取到多个第一推荐对象中每个第一推荐对象的权重之后，可以按照权重大小对多个第一推荐对象进行排序，并将多个第一推荐对象中权重最大的第一推荐对象作为目标推荐对象进行输出。本申请实施例中，机器人输出目标推荐对象的方式可以是：在机器人的显示屏幕上显示推荐语句，推荐语句包括目标推荐对象，或者通过语音的方式播放推荐语句，其中推荐语句包括目标推荐对象。需要说明的是，机器人输出目标推荐对象之后，若目标对象并不想与机器人进行目标推荐对象的交互(机器如在显示屏幕上选择对应的控件，或目标对象通过语音来表述，机器人通过解析语音信息的语义得到)，机器人可以根据权重大小输出目标推荐对象之后相邻的第一推荐对象，以此类推，直到目标对象选择进行目标推荐对象对应的交互行为。在一种场景中，目标对象若不想与机器人进行交互，则机器人可以直接结束推荐流程。示例性的，多个第一推荐对象包括游戏1、游戏2、游戏3、游戏4、游戏5、游戏6、游戏7、游戏8、游戏9和游戏10，其中游戏1对应的打分值为0.3、游戏2对应的打分值为0.42、游戏3对应的打分值为0.98、游戏4对应的打分值为0.84、游戏5对应的打分值为0.12、游戏6对应的打分值为0.01、游戏7对应的打分值为0.74、游戏8对应的打分值为0.56、游戏9对应的打分值为0.36、游戏10对应的打分值为0.24。根据打分值对多个第一推荐对象进行排列得到：游戏3、游戏4、游戏7、游戏8、游戏2、游戏9、游戏1、游戏10、游戏5、游戏6。则机器人可以输出目标推荐信息：游戏3。接下来结合场景描述，参照图10a，图10a为一种信息推荐的场景示意图，以第一推荐对象包括游戏1和游戏2为例，如图10a示出的那样，机器人确定当前要输出的目标推荐对象为“游戏2”(游戏2的打分值高于游戏1)，此时，可以在机器人的显示界面上显示“想玩游戏2吗？”并提供控件“想”，控件“不想”，和控件“停止推荐”。如果目标对象想玩游戏2，则可以点击控件“想”，机器人可以确定目标对象想玩游戏2，则可以如图10a示出的那样，打开游戏2。机器人确定当前要输出的目标推荐对象为“游戏1”(游戏1的打分值高于游戏2)，此时，可以在机器人的显示界面上显示“想玩游戏1吗？”并提供控件“想”，控件“不想”，和控件“停止推荐”。如果目标对象不想玩游戏1，则可以点击控件“不想”，机器人可以确定目标对象不想玩游戏1，则可以如图10a示出的那样，显示另一条推荐语句：“想玩游戏2吗？”，如果目标对象想玩游戏2，则可以点击控件“想”，机器人可以确定目标对象想玩游戏2，则可以如图10a示出的那样，打开游戏2。如果目标对象此时不想与机器人进行交互，则可以点击“停止推荐”控件，进而，机器人可以停止信息推荐，不再输出推荐信息。参照图10b，图10b为一种信息推荐的场景示意图，如图10b示出的那样，以第一推荐对象包括游戏1和游戏2为例，如图10a示出的那样，机器人确定当前要输出的目标推荐对象为“游戏1”(游戏1的打分值高于游戏2)，此时，机器人可以输出推荐语音：“想玩游戏1吗？”。如果目标对象不想玩游戏1，则可以说：“不想”，机器人可以基于目标对象的语音的语义识别确定目标对象不想玩游戏1。如图10b示出的那样，机器人可以输出另一条推荐语音：“想玩游戏2吗？”，如果目标对象想玩游戏2，则可以说：“想”，机器人可以基于目标对象的语音的语义识别确定目标对象想玩游戏2。本申请实施例中，在目标对象进行目标推荐对象对应的交互时，机器人可以基于和目标对象的交互来获取目标对象的交互内容，以及交互内容对应的交互信息，并将上述交互内容以及交互信息作为历史交互对象，以及历史交互对象对应的交互信息作为与该目标对象对应的特征信息，存储在存储器中。本申请实施例中，儿童可以和机器人进行交互，例如在机器人上玩游戏，或者是读绘本等，通常，机器人上可以安装有多个应用程序，儿童可以打开想使用的应用程序来和机器人进行交互，在交互过程中，机器人可以获取到相应的交互内容(例如，游戏的名称，绘本的名称等)，以及儿童进行交互内容对应的交互时的情绪信息、交互时长等。关于机器人如何获取历史交互对象，以及历史交互对象对应的交互信息可以参照上述实施例中的描述，这里不再赘述。本申请实施例中，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象，通过上述方式，以目标对象历史交互对象对应的交互信息作为信息推荐模型的输入，基于历史交互对象对应的交互信息向目标对象进行信息推荐，提高了信息的推荐精确率。参阅图4c，图4c为本发明实施例提供的一种信息推荐方法的流程图示意，以下举例说明，其中目标对象以儿童为例。414、基于目标对象存在信息推荐需求，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个，其中所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息和/或情绪信息，所述历史交互对象为游戏或绘本。本申请实施例中，机器人可以基于目标对象存在信息推荐需求，获取目标对象的特征信息以及多个第一推荐对象的特征信息。接下来描述机器人如何识别出目标对象，以及如何确定出目标对象存在信息推荐需求。一、基于对目标对象的语音信息的解析确定目标对象存在信息推荐需求。可选地，在一种实施例中，机器人可以接收所述目标对象的语音信息，识别出所述语音信息表示所述目标对象存在所述信息推荐需求。具体的，机器人可以获取到目标对象的语音信息，语音信息可以是目标对象说出的话，机器人在获取到目标对象的语音信息后，可以对语音信息进行解析分析，识别语音信息中的语义，并基于识别出的语义，判断出目标对象是否有信息推荐需求，例如，当儿童对着机器人说：“我想玩游戏”，机器人在获取到儿童的语音信息“我想玩游戏”之后，可以解析出该语音信息表示儿童存在着信息推荐需求(需要推荐一款游戏)。又例如，当儿童对着机器人说：“我想读绘本”，机器人在获取到儿童的语音信息“我想读绘本”之后，可以解析出该语音信息表示儿童存在着信息推荐需求(需要推荐一款绘本)。需要注意的是，当儿童的语音信息中包括了具体的交互内容时，机器人可以确定其没有信息推荐需求，例如，当儿童对着机器人说：“我想玩a游戏”，机器人在获取到儿童的语音信息“我想玩a游戏”之后，可以解析出该语音信息包括具体的交互内容“a游戏”，可以确定其没有信息推荐需求。需要说明的是，上述语义识别的过程可以为机器人对语音信息进行语义识别得到，也可以为机器人将语音信息发送给网络侧服务器，网络侧服务器在网络侧对接收的语音信息进行语义识别得到，并反馈至机器人侧。其中，对语音信息进行语义识别处理的方法，例如，可以为对语音信息进行分词处理，得到预处理检索词，然后对得到的预处理检索词进行词性标注和实体名称标识处理，并将标注和标识处理后的预处理检索词与预先存储的语义词库进行匹配，确定目标对象的意图。需要说明的是，上述关于语音信息的语义识别方法仅为一种示意，并不构成对本申请的限定。需要说明的是，在一种场景中，由于儿童并非是想与机器人进行交互，而是想进行其他的交互，此时机器人即使解析出儿童的语音信息，也可以确定儿童没有信息推荐需求，具体的，针对于上述场景，机器人在解析目标对象(儿童)的语音信息的语义之外，还可以基于目标对象的状态特征，确定目标对象是否有想与机器人进行交互的需求，例如，当检测到所述目标对象的面部朝向满足第一预设条件时，可以确定目标对象有想与机器人进行交互的需求，第一预设条件可以是面部朝向与机器人的显示屏幕平面的夹角在一定的范围之内。或者，当检测到所述目标对象正在与机器人进行交互时，可以确定目标对象有想与机器人进行交互的需求，例如，儿童此时正在操作机器人时(例如触摸了显示屏或者是触摸了某些开关时)，可以确定目标对象有想与机器人进行交互的需求。本申请实施例中，当机器人确定目标对象的状态特征满足一定条件时(目标对象有想与机器人进行交互的需求)，可以基于目标对象的语音信息表示目标对象存在所述信息推荐需求，则可以确定该目标对象存在信息推荐需求。需要说明的是，在一种场景中，上述语音信息的来源也可以不是目标对象(即上述语音信息不是由目标对象表述的)，而是由其他对象表述的，例如，儿童的父母，当儿童的父母通过语音说出想为目标对象(儿童)推荐信息时，机器人也可以确定目标对象存在信息推荐需求。具体的，若机器人获取并解析语音信息(例如是目标对象的父母说出的)，解析的结果为，该语音信息中表达出希望对目标对象推荐信息，例如语音信息为：“给张三推荐一款游戏”，或者是“张三想玩游戏”，此时机器人可以识别出语音信息存在信息推荐需求，且推荐对象为目标对象(张三)，即机器人可以由此确定目标对象存在信息推荐需求。需要说明的是，如果是由非目标对象说出的语音信息中表达了目标对象存在信息推荐需求，机器人可以不去判断目标对象是否有与机器人之间进行交互的需求，直接得出目标对象存在信息推荐需求的结论。需要说明的是，机器人可以根据语音识别技术，确定出该语音信息的来源不是目标对象，或者是基于语音信息中包括了目标对象的姓名来判断，这里并不限定。需要说明的是，对语音信息的语义识别可以通过现有技术中的任意一种实现方式实现，这里并不限定。需要说明的是，上述语音信息的具体内容仅为一种示意，并不构成对本申请的限定。需要说明的是，关于对机器人检测到目标对象的面部朝向满足第一预设条件的方式可以通过现有技术中的任意一种实现方式实现，这里并不限定。需要说明的是，机器人可以将获取到的数据(例如语音数据，状态特征)上传到服务器侧，由服务器侧进行数据处理，并将处理结果(目标对象是否存在信息推荐需求)传输至机器人，这里并不限定。二、基于当前时间以及目标对象的状态特征的解析确定目标对象存在信息推荐需求。本申请实施例中，机器人可以基于至少一种如下条件确定目标对象存在信息推荐需求：1、当前时刻在预设时间段内；2、检测到所述目标对象位于预设区域；3、检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间；4、检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间。本申请实施例中，预设时间段可以是预先设定的，如上午10点到上午11点，需要说明的是，预设时间段可以是用户通过手机终端设置的，或者是直接在机器人上设置的，也可以是机器人基于儿童与机器人的历史交互时间推测得到的，例如，如果儿童过去十次与机器人的交互有六次都发生在上午10点到上午11点之间，则每天的该时间段儿童对于和机器人的交互需求较大。本申请实施例中，机器人可以检测到所述目标对象位于预设区域，预设区域可以是位于机器人显示屏幕前方的区域，参照图7a和图7b，其中，图7a和图7b为本申请实施例提供的一种信息推荐方法的场景示意图，如图7a示出的那样，机器人位于室内的一处，此时儿童目标对象并未位于预设区域701内，如图7b示出的那样，机器人位于室内的一处，此时儿童目标对象并位于预设区域702内。本申请实施例中，机器人可以检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间，其中，第一预设条件可以是目标对象的面部朝向与机器人显示屏幕的夹角在一定的范围内，夹角的范围可以根据目标对象是否在看屏幕为依据设置，例如，可以将夹角的范围设置为80-100度，本申请实施例中，第一目标时间可以根据实际情况选择，例如5秒等。本申请实施例中，机器人可以检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间，其中目标交互方式可以是：目标对象未操作机器人的显示屏幕，或者进入了交互内容选择界面之后，未操作机器人的显示屏幕。例如，当儿童在机器人的显示屏幕上进入了交互内容选择界面(游戏选择界面)之后，超过第二目标时间一直没有操作机器人的显示屏幕，此时，该儿童很有可能是因为不知道该选择哪一款游戏，即有可能存在着信息的需求，本申请实施例中，第二目标时间可以根据实际情况选择，例如5秒等。本申请实施例中，上述条件可以进行组合或者独立实现，接下来分别进行说明：在一种实施例中，机器人可以基于当前时刻在预设时间段内，检测到所述目标对象位于预设区域，来确定目标对象存在信息推荐需求。例如，预设时间段为上午10点到上午12点，此时，如果当前时刻为11点，且机器人检测到目标对象位于机器人显示屏幕前方的预设区域内，则可以确定目标对象存在信息推荐需求。在一种实施例中，机器人可以基于当前时刻在预设时间段内，检测到所述目标对象位于预设区域、目标对象的面部朝向满足第一预设条件的时长大于第一目标时间且目标对象按照目标交互方式进行交互的时长大于第二目标时间，来确定目标对象存在信息推荐需求。例如，预设时间段为上午10点到上午12点，此时，如果当前时刻为11点，第一预设条件为和机器人显示屏的夹角在80到100度的范围内，第一目标时间为10s，机器人检测到目标对象位于机器人显示屏幕前方的预设区域内，且目标对象的面部朝向满足和机器人显示屏的夹角在80到100度的范围内的时长大于10s，则可以确定目标对象存在信息推荐需求。本申请实施例中，可以预先设置一个固定的时间段作为信息推荐的时间，在该时间段内，若机器人检测到显示屏幕前方的区域内存在目标对象(或者满足其他条件的目标对象)，则可以确定目标对象存在信息推荐需求。例如，11:00到12:00为预设的时间段，如果在11:00到12:00内(例如11:30)机器人检测到显示屏幕前方的区域内存在目标对象(或者满足其他条件的目标对象)，则可以确定目标对象存在信息推荐需求。需要说明的是，该预设时间段可以是动态变化的。在一种实施例中，机器人可以基于检测到所述目标对象位于预设区域、目标对象的面部朝向满足第一预设条件的时长大于第一目标时间且目标对象按照目标交互方式进行交互的时长大于第二目标时间，来确定目标对象存在信息推荐需求。在一种实施例中，机器人可以基于检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间且所述目标对象按照目标交互方式进行交互的时长大于第二目标时间，来确定目标对象存在信息推荐需求。在一种实施例中，机器人可以基于检测到所述目标对象位于预设区域且所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间，来确定目标对象存在信息推荐需求。在一种实施例中，机器人可以基于检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间、且检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间，来确定目标对象存在信息推荐需求。需要说明的是，上述确定目标对象存在信息推荐需求的方式，仅为一种示例，这里并不限定。以上描述了机器人如何确定目标对象存在信息推荐需求的方式，本申请实施例中，机器人可以基于目标对象存在信息推荐需求，获取所述目标对象对应的特征信息，接下来描述机器人如何获取目标对象对应的特征信息。由上述实施例中的描述可知，机器人的存储器(例如知识图谱模块)中可以存储有目标对象对应的特征信息以及特征信息与目标对象的关联关系，机器人在确定目标对象存在信息推荐需求之后，可以从存储模块中通过特征信息与目标对象的关联关系，获取该目标对象对应的特征信息。其中，该特征信息与目标对象的关联关系可以表示为唯一标识人物对象的信息与特征信息的关联关系。可选地，在一种实施例中，机器人的存储器中可以存储有唯一标识人物对象的信息以及对应的特征信息(唯一标识人物对象的信息可以是例如姓名、基于面部图像提取的表示该用户唯一身份的信息，或者是其他任意可以唯一标识人物对象的信息)，以机器人的存储器中存储的唯一标识人物对象的信息为姓名为例，机器人在确定目标对象存在信息推荐需求之后，可以语音向儿童问询姓名，并在基于儿童的回答获取到儿童的姓名后，从存储器中获取到该姓名对应的特征信息。又例如，机器人在确定目标对象存在信息推荐需求之后，机器人可以基于面部识别，识别出目标对象的身份，并从存储器中获取到目标对象的身份对应的特征信息。需要说明的是，上述关于机器人如何基于目标对象于特征信息的关联关系来获取目标对象对应的特征信息的方式仅为一种示意，并不构成对本申请的限定。本申请实施例中，若机器人检测到一个人物对象存在信息推荐需求，则可以直接确定检测的人物对象为要进行信息推荐的目标对象。接下来描述，当机器人检测到多个人物对象(以下称为第一对象)时，如何从多个人物对象中确定要进行信息推荐的目标对象。本申请实施例中，机器人的存储器可以存储有一个或多个人物对象的特征信息以及每个人物对象与对应的特征信息的关联关系。在一种场景中，机器人可以检测到多个第一对象，目标对象为所述多个第一对象中的一个。需要说明的是，上述机器人可以判断出上述检测到的多个第一对象都存在信息推荐需求，针对于检测到的其他没有信息推荐需求的人物对象，机器人可以不进行信息推荐。接下来针对于机器人是否存储有多个第一对象的特征信息，分别进行说明。情况1：机器人存储有多个第一对象的特征信息。为了能够从识别出的至少一个第一对象中确定目标对象，机器人可以根据第一预设条件从所述多个第一对象中确定所述目标对象，其中，所述第一预设条件可以至少包括如下条件中的一个：1、在所述多个第一对象中年龄最小的第一对象；2、与所述多个第一对象的距离最小的第一对象。本申请实施例中，针对于儿童陪伴型机器人而言，在检测到至少一个第一对象时，可以判断至少一个第一对象中哪个第一对象是最需要进行信息推荐的，在一种实施例中，可以基于年龄来判断至少一个第一对象中哪个第一对象是需要进行信息推荐的。例如，若机器人检测到的第一对象包括儿童和成年人时，可以基于年龄从儿童和成年人中确定要进行信息推荐的人物对象为儿童，又例如，若机器人检测到的第一对象仅仅包括多个儿童时，可以基于年龄从多个儿童中确定要进行信息推荐的人物对象为年龄较小的儿童，又例如，若机器人检测到的第一对象仅包括一个儿童时，可以直接确定检测到的儿童为要进行信息推荐的人物对象，又例如，若机器人检测到的第一对象仅包括一个成年人时，可以确定没有要进行信息推荐的人物对象。在技术实现上，可选地，机器人可基于面部识别或者人物对象的体态识别来确定多个第一对象的年龄。在一种实施例中，机器人可以基于与所述多个第一对象的距离来判断多个第一对象中哪个第一对象(目标对象)是需要进行信息推荐的，例如，若机器人检测到的三个第一对象与机器人之间的距离分别为l1、l2和l3，其中，l1大于l2，l2大于l3，此时，机器人可以选择距离机器人最近的(和机器人距离为l3)第一对象作为目标对象。在一种实施例中，当机器人检测到的多个第一对象的年龄相同时，可以基于与所述多个第一对象的距离来判断多个第一对象中哪个第一对象(目标对象)是需要进行信息推荐的。在一种实施例中，当机器人检测到与所述多个第一对象的距离相同时，可以基于多个第一对象的年龄来判断至少一个第一对象中哪个第一对象(目标对象)是需要进行信息推荐的。在一种实施例中，当机器人检测到与所述多个第一对象的距离相同，且与所述多个第一对象的距离相同时，可以随机选择一个第一对象为目标对象，或者基于其他判断条件来选择。示例性的，若机器人检测到儿童a(3岁)、儿童b(3岁)和儿童c(4岁)存在信息推荐需求，而机器人存储有儿童a、儿童b和儿童c的特征信息，则机器人可以首先基于年龄和与机器人的距离从儿童a、儿童b和儿童c中选择要进行信息推荐的目标对象。情况2：机器人存储有多个第一对象中的一部分第一对象的特征信息。在一种实施例中，机器人检测到多个第一对象，然而存储有只有一部分第一对象的特征信息，则机器人可以从上述一部分第一对象中选择所述目标对象，关于机器人如何从上述一部分第一对象中选择所述目标对象可以参照上述实施例中的描述，这里不再赘述。示例性的，若机器人检测到儿童a、儿童b和儿童c存在信息推荐需求，而机器人仅存储有儿童b和儿童c的特征信息，则机器人可以基于第一预设条件(基于年龄或者与机器人的距离)从儿童b和儿童c中选择目标对象。示例性的，若机器人检测到儿童a、儿童b和儿童c存在信息推荐需求，而机器人仅存储有儿童b和儿童c的特征信息，则机器人可以基于第一预设条件(基于年龄或者与机器人的距离)从儿童b和儿童c中选择要进行信息推荐的目标对象。示例性的，若机器人检测到儿童a、儿童b和儿童c存在信息推荐需求，而机器人仅存储有儿童b的特征信息，则机器人可以确定儿童b为要进行信息推荐的目标对象。情况3：机器人未存储多个第一对象的特征信息。在一种实施例中，机器人检测到多个第一对象，基于所述多个第一对象存在信息推荐需求，可以从多个第一对象中随机选择一个第一对象作为目标对象。本申请实施例中，机器人在确定了要进行信息推荐的目标对象之后，可以获取所述目标对象对应的特征信息。本申请实施例中，关于机器人如何获取到目标对象的特征信息以及多个第一推荐对象的特征信息，可以参照步骤411对应的实施例的描述，这里不再赘述。415、以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。步骤415的具体描述可以参照步骤412的描述，这里不再赘述。416、输出所述目标推荐对象。步骤416的具体描述可以参照步骤413的描述，这里不再赘述。本申请实施例中，基于目标对象存在信息推荐需求，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象，通过上述方式，能够让机器人基于目标对象存在信息推荐需求，主动确定目标推荐对象，并向目标对象主动进行信息推荐。参照图11，图11为本申请实施例提供的另一种信息推荐方法的实施例的示意图，如图11中示出的，本申请实施例提供的一种信息推荐方法，包括：1101、服务器基于目标对象存在信息推荐需求，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；1102、服务器以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；1103、服务器向机器人终端发送所述目标推荐对象。可选的，服务器还可以接收所述目标对象的语音信息，识别出所述语音信息表示所述目标对象存在所述信息推荐需求。可选的，服务器可以基于至少一种如下条件：当前时刻在预设时间段内、检测到所述目标对象位于预设区域、检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间、或检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间。可选的，服务器还可以基于多个第一对象存在信息推荐需求，根据第一预设条件从所述多个第一对象中确定所述目标对象，所述目标对象为所述多个第一对象中的一个，其中，所述第一预设条件至少包括如下条件中的一个：在所述多个第一对象中年龄最小的第一对象，或与所述多个第一对象的距离最小的第一对象。可选的，服务器还可以基于所述目标对象的目标特征与第二对象的目标特征的差异度在预设范围内，获取所述第二对象对应的特征信息。可选的，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息。可选的，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选的，所述交互信息包括所述目标对象与所述历史交互对象进行交互的情绪信息。可选地，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，服务器还可以对所述多个历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选地，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，服务器还可以根据所述目标对象对应的特征信息，采用信息推荐模型确定所述多个第一推荐对象中每个第一推荐对象的权重；根据所述多个第一推荐对象中每个第一推荐对象的权重输出所述目标推荐对象。可选的，目标推荐对象为所述多个第一推荐对象中权重最大的第一推荐对象。可选的，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。可选的，所述特征信息还至少包括如下信息的一种：所述目标对象的性别、或所述目标对象的年龄。本申请实施例中，服务器获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象，通过上述方式，以目标对象历史交互对象对应的交互信息作为信息推荐模型的输入，基于历史交互对象对应的交互信息向目标对象进行信息推荐，提高了信息的推荐精确率。在图1至图11所对应的实施例的基础上，为了更好的实施本申请实施例的上述方案，下面还提供用于实施上述方案的相关设备。具体参阅图12，图12为本申请实施例提供的执行设备的一种结构示意图，执行设备1200包括：获取模块1201，用于获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；确定模块1202，用于以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出模块1203，用于输出所述目标推荐对象。可选的，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息。可选的，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选的，所述交互信息包括所述目标对象与所述历史交互对象进行交互的情绪信息。可选的，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，所述确定模块1202，具体用于：对所述多个历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选的，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。本申请还提供了一种执行设备，包括：获取模块1201，用于基于目标对象存在信息推荐需求，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；确定模块1202，用于以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出模块1203，用于输出所述目标推荐对象。可选的，所述获取模块1201，具体用于：接收所述目标对象的语音信息，识别出所述语音信息表示所述目标对象存在所述信息推荐需求。可选的，所述获取模块1201，具体用于：基于至少一种如下条件：当前时刻在预设时间段内、检测到所述目标对象位于预设区域、检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间、或检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间。可选的，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息。可选的，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选的，所述交互信息包括所述目标对象与所述历史交互对象进行交互的情绪信息。可选的，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，所述确定模块1202，具体用于：对所述历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选的，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选的，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。可选的，所述输出模块1203，具体用于：显示推荐语句，所述推荐语句包括所述目标推荐对象，或输出推荐语音，所述推荐语音包括所述目标推荐对象。需要说明的是，执行设备1200中各模块/单元之间的信息交互、执行过程等内容，与本申请中图4b和图4c对应的各个方法实施例基于同一构思，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。本申请实施例中，获取模块获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；确定模块以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出模块输出所述目标推荐对象。通过上述方式，以目标对象历史交互对象对应的交互信息作为信息推荐模型的输入，基于历史交互对象对应的交互信息向目标对象进行信息推荐，提高了信息的推荐准确率。接下来介绍本申请实施例提供的一种执行设备，请参阅图13，图13为本申请实施例提供的执行设备的一种结构示意图，执行设备1300具体可以表现为机器人终端、虚拟现实vr设备、手机、平板、笔记本电脑、智能穿戴设备等，此处不做限定。其中，执行设备1300上可以部署有图12对应实施例中所描述的执行设备1200，用于实现图12对应实施例中执行设备1200的功能。具体的，执行设备1300包括：接收器1301、发射器1302、处理器1303和存储器1304(其中执行设备1300中的处理器1303的数量可以一个或多个，图13中以一个处理器为例)，其中，处理器1303可以包括应用处理器13031和通信处理器13032。在本申请的一些实施例中，接收器1301、发射器1302、处理器1303和存储器1304可通过总线或其它方式连接。存储器1304可以包括只读存储器和随机存取存储器，并向处理器1303提供指令和数据。存储器1304的一部分还可以包括非易失性随机存取存储器(non-volatilerandomaccessmemory，nvram)。存储器1304存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。处理器1303控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。上述本申请实施例揭示的方法可以应用于处理器1303中，或者由处理器1303实现。处理器1303可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1303中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1303可以是通用处理器、数字信号处理器(digitalsignalprocessing，dsp)、微处理器或微控制器，还可进一步包括专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1303可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1304，处理器1303读取存储器1304中的信息，结合其硬件完成上述方法的步骤。接收器1301可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1302可用于通过第一接口输出数字或字符信息；发射器1302还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1302还可以包括显示屏等显示设备。本申请实施例中，在一种情况下，处理器1303，用于执行图4b和图4c对应实施例中的执行设备执行的信息推荐方法。具体的，应用处理器13031，用于获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象。可选地，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息。可选地，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选地，所述交互信息包括所述目标对象与所述历史交互对象进行交互的情绪信息。可选地，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，应用处理器13031，用于对所述多个历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选地，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选地，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。应用处理器13031，还用于基于目标对象存在信息推荐需求，获取目标对象的特征信息以及多个第一推荐对象的特征信息，其中所述目标对象的特征信息包括所述目标对象历史交互对象对应的交互信息，所述历史交互对象为所述多个第一推荐对象中的一个；以所述目标对象的特征信息以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象；输出所述目标推荐对象。可选地，应用处理器13031，用于接收所述目标对象的语音信息，识别出所述语音信息表示所述目标对象存在所述信息推荐需求。可选地，应用处理器13031，用于基于至少一种如下条件：当前时刻在预设时间段内、检测到所述目标对象位于预设区域、检测到所述目标对象的面部朝向满足第一预设条件的时长大于第一目标时间、或检测到所述目标对象按照目标交互方式进行交互的时长大于第二目标时间。可选地，所述交互信息包括所述目标对象与所述历史交互对象进行交互的时长信息。可选地，所述历史交互对象对应于预设交互时长，所述时长信息为所述目标对象与所述历史交互对象进行交互的时间长度与所述预设交互时长的比值。可选地，所述交互信息包括所述目标对象与所述历史交互对象进行交互的情绪信息。可选地，所述目标对象的特征信息包括所述目标对象多个历史交互对象中每个历史交互对象对应的交互信息，应用处理器13031，用于对所述多个历史交互对象对应的交互信息，采用循环神经网络模型生成时序化特征向量；以所述时序化特征向量以及多个第一推荐对象的特征信息作为输入，采用信息推荐模型从多个第一推荐对象中确定目标推荐对象。可选地，所述循环神经网络模型为：长短期记忆网络lstm或门控循环单元gru。可选地，所述信息推荐模型为：因子分解机模型fm、场感知分解机模型ffm或深度因子分解机模型dfm。需要说明的是，应用处理器13031执行上述各个步骤的具体方式，与本申请中图4b和图4c对应的各个方法实施例基于同一构思，其带来的技术效果与本申请中图4b和图4c对应的各个方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图4b和图4c所示实施例描述的方法中执行设备所执行的步骤。本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述图4b和图4c所示实施例描述的方法中执行设备所执行的步骤。本申请实施例提供的执行设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述图4b和图4c所示实施例描述的信息推荐方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-onlymemory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(randomaccessmemory，ram)等。具体的，请参阅图14，图14为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器npu1400，npu1400作为协处理器挂载到主cpu(hostcpu)上，由hostcpu分配任务。npu的核心部分为运算电路1403，通过控制器1404控制运算电路1403提取存储器中的矩阵数据并进行乘法运算。在一些实现中，运算电路1403内部包括多个处理单元(processengine,pe)。在一些实现中，运算电路1403是二维脉动阵列。运算电路1403还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1403是通用的矩阵处理器。举例来说，假设有输入矩阵a，权重矩阵b，输出矩阵c。运算电路从权重存储器1402中取矩阵b相应的数据，并缓存在运算电路中每一个pe上。运算电路从输入存储器1401中取矩阵a数据与矩阵b进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1408中。统一存储器1406用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(directmemoryaccesscontroller，dmac)1405，dmac被搬运到权重存储器1402中。输入数据也通过dmac被搬运到统一存储器1406中。biu为businterfaceunit即，总线接口单元1410，用于axi总线与dmac和取指存储器(instructionfetchbuffer，ifb)1409的交互。总线接口单元1410(businterfaceunit，简称biu)，用于取指存储器1409从外部存储器获取指令，还用于存储单元访问控制器1405从外部存储器获取输入矩阵a或者权重矩阵b的原数据。dmac主要用于将外部存储器ddr中的输入数据搬运到统一存储器1406或将权重数据搬运到权重存储器1402中或将输入数据数据搬运到输入存储器1401中。向量计算单元1407包括多个运算处理单元，在需要的情况下，对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如batchnormalization(批归一化)，像素级求和，对特征平面进行上采样等。在一些实现中，向量计算单元1407能将经处理的输出的向量存储到统一存储器1406。例如，向量计算单元1407可以将线性函数和/或非线性函数应用到运算电路1403的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1407生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1403的激活输入，例如用于在神经网络中的后续层中的使用。控制器1404连接的取指存储器(instructionfetchbuffer)1409，用于存储控制器1404使用的指令；统一存储器1406，输入存储器1401，权重存储器1402以及取指存储器1409均为on-chip存储器。外部存储器私有于该npu硬件架构。其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，asic，或一个或多个用于控制上述第一方面方法的程序执行的集成电路。另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solidstatedisk，ssd))等。当前第1页12