确定推广方的方法、装置、设备、存储介质和程序产品与流程

本公开的各实现方式涉及计算机领域，更具体地，涉及确定推广方的方法、装置、设备和计算机存储介质。

背景技术：

随着信息技术的发展，人们在日常生活中能够接触到各种各样的引导内容，例如，文字或视频广告或带货视频直播等。这些引导内容能够引导人们去获取相应的对象，这样的对象例如可以包括有形的商品、数字内容或者是特定的服务等。

一些提供方(例如，店铺或服务提供商等)通过与推广方合作来促进对象更好地被用户了解，或引导更多用户获取这些对象。然而，对于提供方而言，需要耗费大量的时间成本和人力成本，才能够从海量的推广方中筛选出符合自己需要的推广方。因此，如何有效地为提供方提供符合需要的推广方已经成为关注的焦点。

技术实现要素：

在本公开的第一方面，提供了一种用于确定推广方的方法。该方法包括：从推广方集合中召回针对目标提供方的多个候选推广方，目标提供方能够提供用户可获取的至少一项对象，多个候选推广方能够发布用于引导用户获取相应对象的引导内容；基于目标提供方的第一特征和多个候选推广方的第二特征，确定多个候选推广方的优先级水平；以及基于优先级水平，从多个候选推广方中确定针对目标提供方的目标推广方。

在本公开的第二方面中，提供了一种用于实确定推广方的装置。该装置包括：召回模块，被配置为从推广方集合中召回针对目标提供方的多个候选推广方，目标提供方能够提供用户可获取的至少一项对象，多个候选推广方能够发布用于引导用户获取相应对象的引导内容；排序模块，被配置为基于目标提供方的第一特征和多个候选推广方的第二特征，确定多个候选推广方的优先级水平；以及确定模块，被配置为基于优先级水平，从多个候选推广方中确定针对目标提供方的目标推广方。

在本公开的第三方面，提供了一种电子设备，包括：存储器和处理器；其中存储器用于存储一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现根据本公开的第一方面的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行实现根据本公开的第一方面的方法。

在本公开的第五方面，提供了一种计算机程序产品，其包括一条或多条计算机指令，其中一条或多条计算机指令被处理器执行实现根据本公开的第一方面的方法。

根据本公开的各种实施例，能够高效地从召回的多个候选推广方中筛选出符合目标提供方需要的推广方。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了根据本公开的一些实施例的确定推广方的示例过程的流程图；

图3示出了根据本公开的一些实施例的召回候选推广方的示例过程的流程图；

图4示出了根据本公开的一些实施例的确定推广方的装置的示意性结构框图；以及

图5示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如上文所讨论的，越来越多的提供方期望通过与推广方合作来引导用户获取提供方所提供的对象。例如，一些商家可以与一些带货主播合作，并通过主播的直播内容来引导用户购买商家所销售的商品。

然而，随着直播行业的飞速发展，为了进行商品的推广，商家通常需要耗费大量的时间去从海量的主播中筛选出合适的主播。这将耗费商家较多的时间成本和人力成本。

由此可见，目前的方案难以为提供方有效地确定符合其需要的推广方。

为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个问题，本公开的示例实施例提出了确定推广方的方案。总体而言，根据在此描述的实施例，可以从推广方集合中召回针对目标提供方(例如，实体店铺、虚拟店铺、服务提供方等能够提供用户可获取的物理对象或者虚拟对象的实体)的多个候选推广方(例如，主播、视频创作者、文字内容创造者等)，其中目标提供方能够提供用户(例如，主播的粉丝、视频的观看者、文章的读者等)可获取的至少一项对象(例如，有形的商品、数字内容或者特定的服务)，多个候选推广方能够发布用于引导用户获取相应对象的引导内容(例如，在线直播内容、视频文件、在线文章等)。

随后，可以基于目标提供方的第一特征和多个候选推广方的第二特征来确定多个候选推广方的优先级水平，并基于优先级水平来从多个候选推广方中确定针对目标提供方的目标推广方。根据本公开的事实，可以更为高效地确定更符合目标提供方需求的推广方。

以下将参照附图来具体描述本公开的实施例。

图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。在该示例环境100中，计算设备130从推广方集合145中召回针对目标提供方110的多个候选推广方150-1、150-2至150-m(单独或统一称为候选推广方150)。如上文所讨论的，目标提供方110能够提供用户180可获取的至少一项对象170(例如，有形的商品、数字内容或者特定的服务)。这样的目标提供方110可以包括能够提供对象170的任何个体或组织。例如，目标提供方110的示例可以包括但不限于：销售商品的实体店铺或者虚拟店铺、提供新闻订阅服务的新闻服务提供方、提供餐饮服务的饭店和提供音乐服务的音乐服务提供方等。

推广方集合145可以包括能够发布引导内容的多个推广方。如上文所讨论的，推广方是能够提供用于引导用户180获取对应的对象的引导内容190的任何个体或者组织。例如，推广方的示例可以包括但不限于：直播带货的主播、撰写餐厅评价的作者、提供音乐分享的电台节目主持人、发布视频作品的创作者等。以直播带货平台为例，推广方集合145可以包括能够承接带货服务的全部主播。关于从推广方集合145中召回得到多个候选推广方150的过程将在下文详细描述，在此暂不详叙。

如图1所示，在召回得到多个候选推广方150后，计算设备130可以基于目标提供方110的第一特征120和多个候选推广方150的第二特征140来确定多个候选推广方的优先级水平。第一特征120例如可以用于表征目标提供方110或者第一提供方所提供的至少一项对象170。第二特征140例如可以用于表征候选推广方150或者候选推广方150所发布的引导内容190。关于基于第一特征120和第二特征140来确定优先级水平的过程将在下文详细介绍，在此暂不详叙。

计算设备130可以进一步所确定的优先级水平来从所召回的多个候选推广方150中确定针对目标提供方110的目标推广方，例如推广方150-1和150-2。例如，计算设备130可以从多个候选推广方150中选择优先级水平大于阈值水平的候选推广方，以作为目标推广方。或者，计算设备130也可以根据优先级水平的排序，选择优先级水平较高的预定数目的目标推广方。

应当理解，图1中所示的候选推广方和目标推广方的数目仅是示意性地，不旨在构成对本公开的限制。

以下将结合图2来详细描述计算设备130确定目标推广方的过程。图2示出了根据本公开的一些实施例的确定推广方的示例过程200的流程图。该过程200例如可以在图1的计算设备130处实施。仅是出于方便描述的目的，以下将结合商家与主播的场景来描述过程200，应当理解，过程200同样可以被应用于其他适当的提供方或推广方。

如图2所示，在框202，计算设备130从推广方集合145中召回针对目标提供方110的多个候选推广方150，目标提供方110能够提供用户180可获取的至少一项对象170，多个候选推广方150能够发布用于引导用户获取相应对象的引导内容190。在本公开中，“召回”表示从推广方集合145中筛选得到多个候选推广方150的过程。

以直播带货为例，计算设备130可以响应于目标商家的请求而从主播集合中召回得到多个候选主播。例如，计算设备130可以响应于目标商家登录到主播获取页面来启动候选主播的召回。或者，计算设备130也可以响应于目标商家上架了新的货物而判断目标商家存在与主播合作的需求，而自动地启动候选主播的召回。

在一些实施例中，计算设备130可以利用预定的一种或多种召回策略来从推广方集合145中召回多个候选推广方150。在一些实施例中，为了丰富结果，计算设备130可以利用多种召回策略的组合来召回多个候选推广方150。以下将结合图3来描述召回目标推广方的详细过程。图3示出了根据本公开的一些实施例的召回推广方的示例过程300的流程图。

如图3所示，在框302，计算设备130可以从推广方集合145中确定与多种召回策略相对应的多组候选推广方。

在一些实施例中，计算设备130可以利用场感知因子分解机ffm召回策略来进行召回。具体地，计算设备130可以利用经训练的ffm模型来确定目标提供方110的第一域向量和推广方集合145中的推广方的第二域向量，并基于第一域向量和第二域向量的距离，来确定一组候选推广方。

在一些实施例中，ffm模型例如可以基于提供方和推广方的合作信息而被训练，以使得合作过的提供方和推广方在向量空间中具有较近的距离。相反，没有合作过提供方和推广方在向量空间中具有较远的距离。基于这样的方式，计算设备130可以寻找在向量空间中与目标提供方110的第一域向量距离较近的推广方，以作为候选推广方。

在另一些实施例中，计算设备130可以利用协同召回策略进行召回。具体地，计算设备130可以基于目标提供方110的历史合作信息来确定目标提供方合作过的历史推广方。随后，计算设备130可以获取与历史推广方的差异小于预定阈值的一组候选推广方。

以直播带货作为示例，计算设备130可以确定目标商家曾经合作过的历史主播，并召回与历史主播相似的主播，以作为候选主播。例如，目标商家曾经与进行美妆领域带货的第一主播合作，则计算设备130例如可以召回同样进行美妆领域带货，且粉丝规模接近的第二主播。

应当理解，可以利用适当的方式来确定推广方之间的差异。以主播作为示例，可以基于主播的属性信息，例如带货类别、直播时长等来确定差异。或者，还可以基于主播的粉丝的属性信息来确定主播之间的差异，例如粉丝数量或粉丝属性分布等等。

基于这样的方式，可以召回与目标提供方110曾经合作的历史推广方类似的其他推广方。

在一些实施例中，计算设备130可以利用建联召回策略进行召回。具体地，计算设备130可以基于目标提供方110的历史联系信息，确定目标提供方110先前联系的推广方，以作为一组候选推广方。

以直播带货作为示例，计算设备130可以获取目标商家在平台中曾经联系过的主播，并将这样的主播召回以作为候选主播。应当理解，这样的主播可能是曾经合作过的主播，也可能是仅仅联系而没有合作的主播。

在一些实施例中，计算设备130可以利用相似扩展lookalike召回策略进行召回。具体地，计算设备130可以基于与目标提供方相关联的一组种子用户来确定一组扩展用户，其中一组种子用户在预定时间段内获取了目标提供方提供的对象。随后，计算设备130可以获取与一组扩展用户相关联的推广方，以作为一组候选推广方。

以直播带货作为示例，计算设备130可以将曾经购买了目标商家的货物的用户作为正样本，也即种子用户，并将点击但未购买的用户作为负样本，从而构建针对该商家的种子人群学习模型。相应地，计算设备130可以利用该人群学习模型来从直播带货平台的用户中确定一组扩展用户。这样的扩展用户例如同样具有购买该目标商家的货物的潜力。

进一步地，计算设备130可以基于这样的扩展用户所关注的主播、曾经观看直播的主播、曾经经由带货直播而购买过商品的主播来获取一组候选主播。

在一些实施例中，计算设备130可以利用热门召回策略来进行召回。具体地，计算设备130可以确定热度超过阈值的一组候选推广方，其中热度指示推广方受用户关注的程度。

以直播带货作为示例，计算设备130例如可以召回平台中当前最为热门的预定数量的主播，以作为候选主播。应当理解，这样的热度例如可以基于粉丝的数目、观看直播的用户的数目、带货成功的用户的数目、用户对主播的支持情况(例如，点赞数、转发数、评论数)等来被确定。

在一些实施例中，计算设备130可以利用相似对象召回策略来进行召回。具体地，计算设备130可以确定与至少一项对象170的差异小于预定阈值的一组相似对象；以及获取与一组相似对象相关联的推广方，以作为一组候选推广方。

以直播带货作为示例，计算设备130可以确定目标商家当前出售的一组商品，并基于商品之间的相似性来确定一组类似的商品。例如，目标商家当前可能出售的是a品牌的美妆商品，计算设备130可以确定与该美妆商品价格接近的b品牌的美妆商品。随后，计算设备130可以召回带货了该组类似的商品的主播，以作为候选主播。例如，计算设备130可以召回在过去预定时间段内带货了b品牌的美妆商品的数量超过阈值的主播，以作为候选主播。

应当理解，可以采用其上示例召回策略中的一项或多项来召回得到多组候选推广方。

框304，计算设备130可以从多组候选推广方中选择多个候选推广方150。

在一些实施例中，由于最终提供给目标提供方110的目标推广方的数量通常是有限的，为了降低计算负担，计算设备130例如可以从多组候选推广方中选择多个候选推广方150。

在一些实施例中，为了保证召回结果的丰富性，计算设备130可以利用蛇形合并的方式来从多组候选推广方中选择不超过预定数目的多个候选推广方150。

示例性地，当例如利用4种召回策略获得4组候选推广方时，计算设备130可以依从4组候选推广方选择一个候选推广方以作为经召回的多个推广方150。

在一些实施例中，考虑到不同召回策略的结果可能存在重复，计算设备130例如还可以使得每组候选推广方中至多有阈值数目的候选推广方被包括在经选择的多个候选推广方中。

在一些实施例中，考虑到某些推广方可能具有较弱的与其他提供方合作的意愿，计算设备130还可以过滤自播推广方。具体地，计算设备130可以从多组候选推广方中排除自播推广方，以获得多个候选推广方，其中自播推广方在预定时间段内引导用户获取的对象是由自播推广方或自播推广方的关联方所提供的。

以直播带货作为示例，这样的自播推广方例如可以是指自播主播，该自播主播在过去一个月中直播带货的货物均是由该自播主播所销售的，或者是由该自播主播的关联方(例如，所属公司)所销售的。这样的自播主播通常具有较弱的合作意愿，通过过滤这样的自播主播可以避免将具有较低合作意愿的主播提供给目标商家。

以上介绍了从推广方集合145中召回得到多个候选推广方150的过程，继续参考图2，在框204，计算设备130基于目标提供方110的第一特征120和多个候选推广方150的第二特征140来确定多个候选推广方的优先级水平。

在一些实施例中，第一特征可以表征与目标提供方110相关联的第一组关联用户的用户属性，第二特征可以表征与候选推广方相关联的第二组关联用户的用户属性。

以直播带货作为示例，第一特征例如可以表征包括购买了目标商家所销售的货物的购买用户的相关属性。相应地，第二特征例如可以表征关注了候选主播的一组粉丝的相关属性。

在一些实施例中，第一特征可以表征与目标提供方相关联的第一统计信息，第二特征可以表征与候选推广方相关联的第二统计信息，其中第一统计信息和第二统计信息中的至少一项响应于用户操作而被实时地更新或周期性地更新。

以直播带货作为示例，与目标商家相关联的第一统计信息例如可以包括一些被实时更新的数据，例如目标商家的销售额、用户好评数目、用户差评数目、商品的浏览次数、商品的添加购物车次数等等。计算设备130例如可以利用预先的埋点，以使得用户的特定操作能够触发第一统计信息的实时更新。另一方面，第一统计信息例如还可以是被周期性地更新。例如，第一统计信息可以指示该目标商家在过去30天的销售额、过去30天用户评价的总数目等。这样的统计信息例如可以是由平台每天定期地更新。

相应地，第二统计信息例如也可以包括一些被实时更新的数据，例如候选主播的带货总量、粉丝的数目等等。计算设备130例如可以利用预先的埋点，以使得用户的特定操作能够触发第二统计信息的实时更新。

另一方面，第二统计信息例如还可以是被周期性地更新。例如，第二统计信息可以指示该候选主播在过去30天的带货量、过去30天粉丝新增数目等。这样的统计信息例如可以是由平台每天定期地更新。

在一些实施例中，第一特征可以表征与目标提供方合作过的历史推广方的第一属性，第二特征可以表征与候选推广方合作过的历史提供方的第二属性。这样的第一属性和第二属性旨在描述目标提供方曾经合作过的推广方的特性，以及候选推广方曾经合作过的提供方的特性。

以上讨论了第一特征120和第二特征140可能表征的具体信息。在一些实施例中，为了确定优先级水平，计算设备130可以基于第一特征120的第一特征表示和第二特征140的第二特征表示来生成输入特征。

在一些实施例中，计算设备130例如可以将第一特征表示和第二特征表示进行级联，以获得输入特征。这样的特征表示例如可以包括与关联用户的用户属性对应的特征部分、与统计信息对应的特征部分、和/或与历史合作方的属性所对应的特征部分。基于这样的方式，可以更为全面的表征目标提供方110和多个候选推广方150。

进一步地，计算设备130可以利用优先级模型来处理输入特征，以确定优先级水平，其中优先级模型基于一组训练提供方与一组训练推广方的历史合作信息而被训练。

在一些实施例中，计算设备130可以获取经训练的优先级模型。这样的优先级模型可以通过适当的机器学习模型(例如，深度神经网络)来实现。应当理解，可以由与计算设备130相同或不同的训练设备来训练该优先级模型。

在训练过程，训练设备可以获取一组训练提供方和一组训练推广方，并构建多个提供方-推广方样本对。针对每个样本对，训练设备可以基于上文所讨论的方式来确定被输入值模型的输入特征，并且以该提供方-推广方是否曾经合作过作为模型训练的真值(例如，1可以表示合作过，0表示未合作过)来训练该优先级模型。

经过该训练过程，经训练的优先级模型能够接收输入特征，并输入0-1的概率，以表征目标提供方110与候选推广方150之间进行合作的概率，这样的概率例如可以被确定作为候选推广方的优先级水平。

继续参考图2，在框206，计算设备130可以基于优先级水平，从多个候选推广方中确定针对目标提供方的目标推广方。

在一些实施例中，计算设备130可以从多个候选推广方150中选择优先级水平大于阈值水平的候选推广方，以作为目标推广方。或者，计算设备130也可以根据优先级水平的排序，选择优先级水平较高的预定数目的目标推广方。

在一些实施例中，在排序以获得最终的目标推广方之前，计算设备130还可以调整至少一个候选推广方的优先级水平，并基于经调整的优先级水平来确定目标推广方。

在一些实施例中，考虑到目标提供方110可以更加期望与新的推广方进行合作，计算设备130可以降低曾经与目标提供方合作的至少一个候选推广方的优先级水平。

在一些实施例中，计算设备130可以基于至少一个候选推广方的第一引导信息来确定优先级水平被降低的程度，第一引导信息指示在预定时间段内经由至少一个候选推广方发布的引导内容而被获取的对象的量。进一步地，计算设备130可以基于程度来降低优先级水平。

以直播带货作为示例，第一引导信息例如可以指示该曾经合作过的主播为该目标商家的带货量。相应地，该主播的带货量越大，则表示该目标商家可能与该主播之间的联系已经足够近，计算设备130可以不再额外地提供该主播。

在一些实施例中，计算设备130例如还可以计算该主播的带货量占该目标商家通过主播而出售的货物量的占比，并基于该占比来去确定优先级水平应当被下降的程度。例如，占比越大的主播的优先级水平例如可以被更大程度地降低，相反，占比较小的主播的优先级水平例如可以被更小程度地降低。

在一些实施例中，计算设备130还可以确定多个候选推广方的第一评价信息与历史推广方的第二评价信息之间的差异，历史推广方包括先前与目标提供方合作过的推广方。进一步地，计算设备130可以基于差异来调整优先级水平，以使得差异大于阈值的候选推广方的优先级水平被降低。

以直播带货作为示例，第一评价信息例如可以包括候选主播在平台的等级，第二评价信息例如可以包括目标商家曾经合作过的历史主播的等级。通常而言，商家愿意合作的主播的等级是较为稳定的，例如，规模较大的店家一般不愿意与等级较低的主播合作，而规模较小的店家一般也难以支付等级较高主播可能产生的合作费用。基于这样的方式，可以使得所提供的结果更加符合商家的预期。

在一些实施例中，计算设备130还可以基于多个候选推广方的第二引导信息，确定至少一个候选推广方，其中第二引导信息指示在预定时间段内经由多个候选推广方发布的引导内容而被获取的对象的量，并且与至少一个候选推广方相关联的量低于阈值量。进一步地，计算设备130可以降低至少一个候选推广方的优先级水平。

以直播带货作为示例，第二引导信息例如可以表征主播在预定时间段内引导用户购买商品的金额或者数量(例如，也称为带货量)。计算设备130例如可以降低带货量低于阈值的主播的优先级水平。

进一步地，计算设备130可以基于经调整的优先级水平来筛选得到目标推广方。

在一些实施例中，计算设备130还可以向目标提供方呈现与目标推广方相关联的信息。示例性地，计算设备130可以向目标推广方发送与目标推广方相关联的信息，这样的信息例如可以包括关于目标推广方的描述。

以直播带货作为示例，计算设备130例如可以向目标商家提供所确定的目标主播的信息，例如，主播的等级、粉丝数目、带货类别、最近带货量、联系方式等。这样的信息能够帮助目标商家更加便捷地了解该目标主播的特征，进而促进双方开展合作。

在一些实施例中，其中目标推广方包括第一推广方和第二推广方，其中第一推广方的优先级水平高于第二推广方。相应地，与第一推广方相关联的第一信息可以具有比与第二推广方相关联的第二信息更高的呈现优先级。

示例性地，计算设备130例如可以通过列表来呈现多个目标推广方的信息，并使得具有更高优先级水平的目标推广方的信息可以被呈现在列表的更上端。应当理解，还可以通过其他适当的方式来使得第一信息被更加突出的呈现。

应当理解，上文所提及的涉及主播、商家、用户或粉丝的任何属性或特征均应当是在获取相应的主体许可的情况下所获取的。

基于上文所讨论的过程，本公开的实施例能够从初步召回的多个候选推广方中利用特征工程来进行优先级水平的确定，并从而更为准确地确定适合目标提供方的目标推广方，进而提高了双方开展进一步合作的可能性。

本公开的实施例还提供了用于实现上述方法或过程的相应装置。图4示出了根据本公开的一些实施例的确定推广方的装置400的示意性结构框图。

如图4所示，装置400可以包括召回模块410，被配置为从推广方集合中召回针对目标提供方的多个候选推广方，目标提供方能够提供用户可获取的至少一项对象，多个候选推广方能够发布用于引导用户获取相应对象的引导内容。装置400还包括排序模块420，被配置为基于目标提供方的第一特征和多个候选推广方的第二特征，确定多个候选推广方的优先级水平。装置400还包括确定模块430，被配置为基于优先级水平，从多个候选推广方中确定针对目标提供方的目标推广方。

在一些实施例中，召回模块410还被配置为：从推广方集合中确定与多种召回策略相对应的多组候选推广方；以及从多组候选推广方中选择多个候选推广方。

在一些实施例中，多个召回策略包括场感知因子分解机ffm召回策略，并且召回模块410还被配置为：ffm模块，被配置为利用ffm模型确定目标提供方的第一域向量和推广方集合中的推广方的第二域向量；以及基于第一域向量和第二域向量的距离，来确定一组候选推广方。

在一些实施例中，多个召回策略包括协同召回策略，并且召回模块410还被配置为：基于目标提供方的历史合作信息，确定目标提供方合作过的历史推广方；以及获取与历史推广方的差异小于预定阈值的一组候选推广方。

在一些实施例中，多个召回策略包括建联召回策略，并且召回模块410还被配置为：基于目标提供方的历史联系信息，确定目标提供方先前联系的推广方，以作为一组候选推广方。

在一些实施例中，多个召回策略包括相似扩展lookalike召回策略，并且召回模块410还被配置为：基于与目标提供方相关联的一组种子用户，确定一组扩展用户，一组种子用户在预定时间段内获取了目标提供方提供的对象；以及获取与一组扩展用户相关联的推广方，以作为一组候选推广方。

在一些实施例中，多个召回策略包括热门召回策略，并且召回模块410还被配置为：确定热度超过阈值的一组候选推广方，热度指示推广方受用户关注的程度。

在一些实施例中，多个召回策略包括相似对象召回策略，并且召回模块410还被配置为：确定与至少一项对象的差异小于预定阈值的一组相似对象；以及获取与一组相似对象相关联的推广方，以作为一组候选推广方。

在一些实施例中，每组候选推广方中至多有阈值数目的候选推广方被包括在经选择的多个候选推广方中。

在一些实施例中，召回模块410还被配置为：从多组候选推广方中排除自播推广方，以获得多个候选推广方，自播推广方在预定时间段内引导用户获取的对象是由自播推广方或自播推广方的关联方所提供的。

在一些实施例中，第一特征表征与目标提供方相关联的第一组关联用户的用户属性，第二特征表征与候选推广方相关联的第二组关联用户的用户属性。

在一些实施例中，第一特征表征与目标提供方相关联的第一统计信息，第二特征表征与候选推广方相关联的第二统计信息，第一统计信息和第二统计信息中的至少一项响应于用户操作而被实时地更新或周期性地更新。

在一些实施例中，第一特征表征与目标提供方合作过的历史推广方的第一属性，第二特征表征与候选推广方合作过的历史提供方的第二属性。

在一些实施例中，排序模块420还被配置为：基于第一特征的第一特征表示和第二特征的第二特征表示，生成输入特征；以及利用优先级模型来处理输入特征，以确定优先级水平，优先级模型基于一组训练提供方与一组训练推广方的历史合作信息而被训练。

在一些实施例中，确定模块430还被配置为：调整多个候选推广方中的至少一个候选推广方的优先级水平；以及基于经调整的优先级水平，确定目标推广方。

在一些实施例中，确定模块430还被配置为：降低曾经与目标提供方合作的至少一个候选推广方的优先级水平。

在一些实施例中，确定模块430还被配置为：基于至少一个候选推广方的第一引导信息，确定优先级水平被降低的程度，第一引导信息指示在预定时间段内经由至少一个候选推广方发布的引导内容而被获取的对象的量；以及基于程度来降低优先级水平。

在一些实施例中，确定模块430还被配置为：确定多个候选推广方的第一评价信息与历史推广方的第二评价信息之间的差异，历史推广方包括先前与目标提供方合作过的推广方；以及基于差异来调整优先级水平，以使得差异大于阈值的候选推广方的优先级水平被降低。

在一些实施例中，确定模块430还被配置为：基于多个候选推广方的第二引导信息，确定至少一个候选推广方，其中第二引导信息指示在预定时间段内经由多个候选推广方发布的引导内容而被获取的对象的量，并且与至少一个候选推广方相关联的量低于阈值量；以及降低至少一个候选推广方的优先级水平。

在一些实施例中，装置400还包括提供模块，被配置为向目标提供方呈现与目标推广方相关联的信息。

在一些实施例中，目标推广方包括第一推广方和第二推广方，第一推广方的优先级水平高于第二推广方，并且与第一推广方相关联的第一信息具有比与第二推广方相关联的第二信息更高的呈现优先级。

装置400中所包括的单元可以利用各种方式来实现，包括软件、硬件、固件或其任意组合。在一些实施例中，一个或多个单元可以使用软件和/或固件来实现，例如存储在存储介质上的机器可执行指令。除了机器可执行指令之外或者作为替代，装置400中的部分或者全部单元可以至少部分地由一个或多个硬件逻辑组件来实现。作为示例而非限制，可以使用的示范类型的硬件逻辑组件包括现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准品(assp)、片上系统(soc)、复杂可编程逻辑器件(cpld)，等等。

图5示出了其中可以实施本公开的一个或多个实施例的计算设备/服务器500的框图。应当理解，图5所示出的计算设备/服务器500仅仅是示例性的，而不应当构成对本文所描述的实施例的功能和范围的任何限制。

如图5所示，计算设备/服务器500是通用计算设备的形式。计算设备/服务器500的组件可以包括但不限于一个或多个处理器或处理单元510、存储器520、存储设备530、一个或多个通信单元540、一个或多个输入设备550以及一个或多个输出设备560。处理单元510可以是实际或虚拟处理器并且能够根据存储器520中存储的程序来执行各种处理。在多处理器系统中，多个处理单元并行执行计算机可执行指令，以提高计算设备/服务器500的并行处理能力。

计算设备/服务器500通常包括多个计算机存储介质。这样的介质可以是计算设备/服务器500可访问的任何可以获得的介质，包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器520可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(ram))、非易失性存储器(例如，只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、闪存)或它们的某种组合。存储设备530可以是可拆卸或不可拆卸的介质，并且可以包括机器可读介质，诸如闪存驱动、磁盘或者任何其他介质，其可以能够用于存储信息和/或数据(例如用于训练的训练数据)并且可以在计算设备/服务器500内被访问。

计算设备/服务器500可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图5中示出，可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中，每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器520可以包括计算机程序产品525，其具有一个或多个程序模块，这些程序模块被配置为执行本公开的各种实施例的各种方法或动作。

通信单元540实现通过通信介质与其他计算设备进行通信。附加地，计算设备/服务器500的组件的功能可以以单个计算集群或多个计算机器来实现，这些计算机器能够通过通信连接进行通信。因此，计算设备/服务器500可以使用与一个或多个其他服务器、网络个人计算机(pc)或者另一个网络节点的逻辑连接来在联网环境中进行操作。

输入设备550可以是一个或多个输入设备，例如鼠标、键盘、追踪球等。输出设备560可以是一个或多个输出设备，例如显示器、扬声器、打印机等。计算设备/服务器500还可以根据需要通过通信单元540与一个或多个外部设备(未示出)进行通信，外部设备诸如存储设备、显示设备等，与一个或多个使得用户与计算设备/服务器500交互的设备进行通信，或者与使得计算设备/服务器500与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(i/o)接口(未示出)来执行。

根据本公开的示例性实现方式，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现上文描述的方法。

这里参照根据本公开实现的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实现。