对象推荐方法、介质、装置和计算设备与流程

1.本公开的实施方式涉及计算机技术领域，更具体地，本公开的实施方式涉及一种对象推荐方法、介质、装置和计算设备。


背景技术：

2.本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.随着互联网发展，出现海量视频、音频内容，用户已经习惯通过搜索技术查找感兴趣的内容。常见的搜索形式是用户输入搜索词后返回对象列表，用户点击对象列表进入推送对象的详情页浏览对象内容，并通过滑动操作或其他切换操作浏览下一对象的内容。
4.现有搜索技术中，下一对象通常与基于搜索词得到的对象列表中的下一个对象相对应，但这样得到的下一对象通常无法反应用户通过点击推送对象表达的兴趣倾向，导致用户体验不足。


技术实现要素：

5.本公开提供一种对象推荐方法、介质、装置和计算设备，以解决现有技术中在基于对象列表中选择的推送对象选择下一对象时，下一对象无法反应用户通过点击推送对象表达的兴趣倾向，导致用户体验不足的问题。
6.在本公开实施方式的第一方面中，提供了一种对象推荐方法，包括：
7.响应于接收到的第一搜索请求，获取用于推送的第一对象，第一对象至少有一个；
8.响应于对第一对象的交互操作，生成第二搜索请求，第二搜索请求根据第一搜索请求、交互操作对应的第一对象的标签生成；
9.基于第二搜索请求，获取待推送的第二对象，第二对象至少有一个；
10.基于第二搜索请求、第二对象和第二搜索请求对应的用户特征和对象评分模型，确定第二对象中用于推送的目标对象。
11.在本公开实施方式的第二方面中，提供了一种对象评分模型训练方法，包括：
12.基于服务器中的客户端日志和服务端日志，得到待提取数据集，待提取数据集的类别包括第二搜索请求特征、用户特征、对象特征和用户交互操作记录，第二搜索请求根据第一搜索请求和交互操作的第一对象的标签生成，第一对象根据第一搜索请求推送得到；
13.根据待提取数据集的类别，提取对应的数据特征；
14.将数据特征进行处理后，得到训练数据；
15.将训练数据输入到对象评分模型中，并基于损失函数，对对象评分模型进行训练。
16.在本公开实施方式的第三方面中，提供了一种计算机可读存储介质，包括：
17.计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如本公开第一方面和/或本公开第二方面中的方法。
18.在本公开实施方式的第四方面中，提供了一种对象推荐装置，包括：
19.第一获取模块，用于响应于接收到的第一搜索请求，获取用于推送的第一对象，第一对象至少有一个；
20.生成模块，用于响应于对第一对象的交互操作，生成第二搜索请求，第二搜索请求根据第一搜索请求、交互操作对应的第一对象的标签生成；
21.第二获取模块，用于基于第二搜索请求，获取待推送的第二对象，第二对象至少有一个；
22.确定模块，用于基于第二搜索请求特征、第二对象特征和第二搜索请求对应的用户特征和对象评分模型，确定第二对象中用于推送的目标对象。
23.在本公开实施方式的第五方面中，提供了一种对象评分模型训练装置，包括：
24.获取模块，用于基于服务器中的客户端日志和服务端日志，得到待提取数据集和标注数据集，待提取数据集的类别包括第二搜索请求特征、用户特征和第二对象特征，标注数据集包括用户交互操作的标注数据，第二搜索请求根据第一搜索请求和交互操作对应的第一对象的标签生成，第一对象根据第一搜索请求推送得到，第二对象根据第二搜索请求获取得到；
25.提取模块，用于根据待提取数据集的类别，提取对应的数据特征；
26.处理模块，用于对数据特征进行预处理后，输入到对象评分模型中，得到预测评分；
27.训练模块，用于基于预测评分和标注数据计算损失函数，并基于损失函数，对对象评分模型进行训练。
28.在本公开实施方式的第六方面中，提供了一种计算设备，包括：至少一个处理器；
29.以及与至少一个处理器通信连接的存储器；
30.其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使计算设备执行如本公开第一方面和/或本公开第二方面中的方法。
31.根据本公开实施方式的对象推荐方法、介质、装置和计算设备，通过响应于接收到的第一搜索请求，获取用于推送的第一对象；响应于对第一对象的交互操作，生成第二搜索请求；基于第二搜索请求，获取待推送的第二对象；基于第二搜索请求、第二对象和第二搜索请求对应的用户特征和对象评分模型，确定第二对象中用于推送的目标对象。由此，能够根据第一搜索请求和进行了交互操作的第一对象，重新确定推送的目标对象，使得目标对象能够同时反映交互操作表达的兴趣倾向和第一搜索请求表达的检索倾向，进而能够更好的满足用户的需求，提高用户体验。
附图说明
32.通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
33.图1示意性地示出了根据本公开实施方式的应用场景图；
34.图2示意性地示出了根据本公开另一实施例的对象推荐方法的流程图；
35.图3示意性地示出了根据本公开又一实施例的对象推荐方法的流程图；
36.图4a示意性地示出了图3实施例中对象评分模型的结构示意图；
37.图4b示意性地示出了图3实施例中通过对象评分模型计算第二对象评分的流程图；
38.图5示意性地示出了根据本公开再一实施例的对象推荐方法的流程图；
39.图6示意性地示出了图5实施例中标签数据库的建立流程图；
40.图7示意性地示出了根据本公开又一实施例的对象评分模型训练方法的流程图；
41.图8a示意性地示出了根据本公开又一实施例的对象评分模型的结构示意图；
42.图8b示意性地示出了根据本公开又一实施例的对象评分模型训练方法的流程图；
43.图9示意性地示出了根据本公开再一实施例的存储介质的结构示意图；
44.图10示意性地示出了根据本公开再一实施例的对象推荐装置的结构示意图；
45.图11示意性地示出了根据本公开再一实施例的对象评分模型训练装置的结构示意图；
46.图12示意性地示出了根据本公开再一实施例的计算设备的结构示意图。
47.在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
48.下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
49.本领域技术人员知道，本公开的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
50.根据本公开的实施方式，提出了一种对象推荐方法、介质、装置和计算设备。
51.在本文中，需要理解的是，所涉及的术语仅用于方便理解，并未表示对含义的限制。此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
52.本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据，本公开实施方式/实施例可以互相组合。
53.下面是本公开中涉及的术语说明：
54.搜索请求：在搜索系统中通常指用户输入的文字，也可以为用户输入的文字和服务器自动添加的标签文字的结合。
55.推送对象：在本方案中，主要是基于搜索请求由服务器反馈的至少音频、视频、评论或用户等内容。
56.下面参考本公开的若干代表性实施方式，详细阐释本公开的原理和精神。
57.发明概述
58.本发明人发现，现在技术中，用户需要搜索特定对象时，通常是在搜索系统的搜索栏中输入搜索词后，由服务器基于搜索词返回对象列表，用户点击对象列表中的任意一个推送对象，进入推送对象的详情页浏览对象内容，当用户想要浏览其他内容时，可以通过滑动操作或其他切换操作浏览下一对象的内容。但服务器呈现给用户的下一对象通常是基于
搜索词得到的对象列表中用户交互操作的推送对象之后一个对象，即下一对象也是服务器基于搜索词返回的对象列表中的一个，由此，下一对象通常无法反应用户通过点击推送对象表达的兴趣倾向，导致用户体验不足。
59.在本方案中，通过基于交互操作的第一对象的标签和搜索栏中输入的第一搜索请求，生成第二搜索请求，然后基于第二搜索请求重新确定用于推送的目标对象，作为用户浏览的下一对象，从而使得下一对象能够有效反映用户通过交互操作表达的兴趣倾向，提高用户体验。
60.在介绍了本公开的基本原理之后，下面具体介绍本公开的各种非限制性实施方式。
61.应用场景总览
62.首先参考图1所示，在内容推荐中，用户通过客户端100向服务器110发送第一搜索请求101，服务器110基于第一搜索请求101反馈至少一个第一对象102到客户端100，用户通过客户端100对第一对象102进行交互操作后，进入第一对象102的详情页时，服务器110会基于进行交互操作的第一对象102的标签和第一搜索请求101，生成第二搜索请求103，服务器110基于第二搜索请求103返回目标对象104，作为用户浏览的下一对象，完成对象推荐过程。
63.需说明的是，图1所示场景中客户端、服务器、第一对象、第一搜索请求、第二搜索请求和目标对象仅以一个为例进行示例说明，但本公开不以此为限制，也就是说，客户端、服务器、第一对象、第一搜索请求、第二搜索请求和目标对象的个数可以是任意的。
64.示例性方法
65.下面结合图1的应用场景，参考图2至图5来描述根据本公开示例性实施方式的用于对象推荐方法。需要注意的是，上述应用场景仅是为了便于理解本公开的精神和原理而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。
66.图2为本公开一个实施例提供的对象推荐方法的流程图。如图2所示，本实施例提供的对象推荐方法包括以下步骤：
67.步骤s201、响应于接收到的第一搜索请求，获取用于推送的第一对象。
68.其中，第一对象至少有一个。
69.具体的，第一搜索请求所对应的搜索对象，可以是不同的种类，如视频、音频、评论、用户。
70.对应不同的种类，基于第一搜索请求所返回的第一对象也可以有不同的具体种类。如对应视频，第一对象可以是单个视频、视频合集、视频上传者等，对应音频，第一对象可以是音频、视频(如音频对应的mv)、歌单、歌手、专辑等；对应评论，第一对象可以是单个评论，也可以是评论话题、评论标签、评论文章、评论作者等；对应用户，第一对象可以是单个用户、也可以是用户群组、讨论组等。
71.第一搜索请求的内容可以是关键词/字(如“流行歌曲”)，也可以是描述性字段(如“在运动会上见到的搞笑场景”)。
72.服务器根据客户端发送的第一搜索请求，会检索出对应的至少一个第一对象，并以列表的形式，返回到客户端。
73.步骤s202、响应于对第一对象的交互操作，生成第二搜索请求。
74.其中，第二搜索请求根据第一搜索请求、交互操作对应的第一对象的标签生成。
75.具体的，服务器内存储的每个对象都包含有对应的标签(如音频会有对应歌手、标题等作为标签，视频会有人工添加或者自动生成的标签，评论内容以其文本的关键字作为标签，用户以其id或者用户名等文本作为标签)，在服务器内部，标签作为对象的一种属性保存，以反映第一对象的内容、特征等信息。
76.因此，当服务器返回第一对象时，会同步确定各个第一对象的标签。当用户对任意一个第一对象进行交互操作(如点击操作)时，服务器会同步确定该第一对象的标签。
77.服务器通过将第一对象的标签中的文字与第一搜索请求中的文字结合，可以得到第二搜索请求，如第一搜索请求为“经典老歌”，第一对象(假设为一首90年代的歌曲)的标签为“90年代”、“男歌手”、“过年”，则第二搜索请求可以为“经典老歌/90年代/男歌手/过年”。
78.进一步地，第二搜索请求为在客户端向服务器发送交互操作时或客户端在交互操作之后再次进行滑动操作(或其他预设的切换当前显示对象的操作)时自动生成并向服务器发送，第二搜索请求对应的目标对象在客户端接收到滑动操作(或其他预设的切换当前显示对象的操作)时，由服务器返回到客户端并显示。
79.步骤s203、基于第二搜索请求，获取待推送的第二对象。
80.其中，第二对象至少有一个。
81.具体的，第二对象为服务器基于第二搜索请求重新从库存的对象中检索的多个对象。
82.第二对象本身只是服务器侧确定的待推送对象，而不会直接推送到客户端，还需要通过筛选之后，才能得到最后推送到客户端的目标对象。
83.步骤s204、基于第二搜索请求特征、第二对象特征和第二搜索请求对应的用户特征和对象评分模型，确定第二对象中用于推送的目标对象。
84.具体的，当服务器接收到第二搜索请求并搜索得到第二对象时，服务器会根据第二搜索请求和第二对象，自动提取第二搜索请求的特征信息和第二对象的特征信息，并获取第二搜索请求对应用户的用户特征，然后将第二搜索请求的特征信息、第二对象的特征信息和用户特征输入到预先训练的对象评分模型中，对象评分模型会基于输入的内容输入一个对应第二对象的评分，根据评分的高低排序，可以筛选出推送给用户的一个或多个目标对象。
85.进一步的，对象评分模型的训练方法可以与图7和/或图8实施例所示的对象评分模型训练方法相同，也可以不同，在此不作限定。
86.进一步地，特征信息为反映第二对象、第二搜索请求被调用的概率、用户使用或访问频率等特征的信息，用户特征为反映用户搜索和交互操作倾向的信息。
87.特征信息为服务器预先提取/计算的参数，只要确定第二搜索请求、第二对象和对应用户，就能得到对应的特征信息和用户特征。
88.对应每个库存的第二对象，只要确定第二对象，就能得到其对应的特征信息；对应每个第二搜索请求，服务器都会记录其被调用的次数、调用后返回的推送结果，因此，只要服务器接收到第二搜索请求，服务器也都能确定其对应的特征信息；对应每个用户特征，服
务器也会实时保存对应的操作记录，当接收到第二搜索请求时，服务器也能够直接确定对应第二搜索请求对应的用户特征。
89.进一步地，当确定目标对象后，服务器会将目标对象返回到客户端，以供用户使用。
90.根据本公开实施方式的对象推荐方法，通过响应于接收到的第一搜索请求，获取用于推送的第一对象；响应于对第一对象的交互操作，生成第二搜索请求；基于第二搜索请求，获取待推送的第二对象；基于第二搜索请求特征、第二对象特征和第二搜索请求对应的用户特征和对象评分模型，确定第二对象中用于推送的目标对象。由此，能够根据第一搜索请求和进行了交互操作的第一对象，重新确定推送的目标对象，使得目标对象能够同时反映交互操作表达的兴趣倾向和第一搜索请求表达的检索倾向，进而能够更好的满足用户的需求，提高用户体验。
91.图3为本公开一个实施例提供的对象推荐方法的流程图。如图3所示，本实施例提供的对象推荐方法包括以下步骤：
92.步骤s301、响应于接收到的第一搜索请求，获取用于推送的第一对象。
93.其中，第一对象至少有一个。
94.具体的，本步骤与图2所示实施例中的步骤s201内容相同，此处不再赘述。
95.步骤s302、将第一搜索请求中的文本信息与第一对象的标签结合，得到扩展语句。
96.具体的，第一搜索请求和第二搜索请求都呈语句形式，因此，需要结合第一搜索请求和第一对象的标签重新确定第二搜索请求的语句，
97.由于第一搜索请求与第一对象的标签结合后，检索词增加，检索范围会变小，若果直接进行检索，容易出现检索不到需要的内容的情况。为扩大搜索范围，需要基于第一搜索请求与第一对象的标签结合得到的扩展语句进行处理，得到多个扩展语句，以通过多个扩展语句共同进行检索，有效保证检索到同时满足第一搜索请求的目的和用户与第一对象进行交互操作所体现的兴趣倾向。
98.步骤s303、基于近义词和相关词数据库，对扩展语句进行改写，得到包含近义词和/或相关词的改写语句，根据改写语句生成第二搜索请求。
99.具体的，对扩展语句的处理主要是通过基于现有的近义词/相关词模型，基于扩展语句中的关键词，得到多个包含近义词/相关词的改写语句，然后将多个改写语句共同作为第二搜索请求，由此，服务器能够通过第二搜索请求包含的多个改写语句分别进行搜索，并将所有改写语句得到的搜索结果共同作为第二对象。
100.步骤s304、基于第二搜索请求，获取待推送的第二对象。
101.其中，第二对象至少有一个。
102.具体的，本步骤与图2所示实施例中的步骤s203内容相同，此处不再赘述。
103.步骤s305、将第二搜索请求的特征、至少一个第二对象的特征和第二搜索请求对应的用户的特征输入到对象评分模型中，得到至少一个第二对象的评分。
104.具体的，对应第二搜索请求中的每个改写语句，会分别得到一个对应的特征信息，所有特征信息的结合，为第二搜索请求的特征信息。
105.进一步的，其中第二搜索请求的特征包括第二搜索请求的识别码、第二搜索请求所针对的对象类型、基于第二搜索请求得到的每一个第二对象的交互操作记录；至少一个
第二对象的特征包括第二对象的识别码、第二对象的标签、第二对象在至少两种周期中的交互操作记录；第二搜索请求对应的用户的特征包括用户的交互操作行为偏好特征、用户在至少两种周期中的交互操作记录、用户的历史搜索请求。
106.具体的，服务器对应每个第二搜索请求(或第二搜索请求中的每个改写语句)都会保存其对应的识别码，当第二搜索请求为已经存在时，直接调用该识别码；第二搜索请求所针对的对象类型能够反映第二搜索请求所需要检索的意图，如针对音频、视频，或针对歌手、专辑、歌曲；基于第二搜索请求得到的每一个第二对象的交互操作记录能够反映历史统计中该第二搜索请求得到的第二对象中，用户对应每个第二对象的交互操作次数，进而确定哪些第二对象更有可能被用户感兴趣。
107.第二对象在至少两种周期中的交互操作记录用于表示第二对象在长时间(如从保存到服务器中以后)的交互操作统计信息，和实时(如最近1个月内)的交互操作统计信息，通过这两种交互操作记录，能够反映第二对象在长期时间和实时的受关注程度。
108.用户的交互操作行为偏好特征用于表示用户进行了交互操作(如点击过或评论过)的对象的序列，由此，能够反映用户的长时间的兴趣特征；用户在至少两种周期中的交互操作记录，用于表示用户在长时间(如1年或注册账号以来)的交互操作统计信息，和实时(如最近1个月内)的交互操作统计信息，由此，能够反映用户的活跃度情况。
109.一些实施例中，输入到对象评分模型中的特征还包括环境特征，此时，得到第二对象评分的方法为：
110.将第二搜索请求的特征、至少一个第二对象的特征、第二搜索请求对应的环境特征和第二搜索请求对应的用户的特征输入到对象评分模型中，得到至少一个第二对象的评分。
111.其中，环境特征包括用户在设定日期和设定时段对交互操作的对象的偏好特征。
112.具体的，环境特征用于表示每个对象在不同环境/场景中的消费倾向差异。其中，用户在设定日期对交互操作的对象的偏好特征，用于反映用户在工作日/节假日(或不同节假日)对同一对象进行交互操作的统计差异；用户在设定时段对交互操作的对象的偏好特征，用于反映用户在工作/休闲时段或早/晚时段对同一对象进行交互操作的统计差异。
113.进一步地，如图4a所示，其为对象评分模型的结构示意图。对象评分模型400包括交叉层410、第一全连接层420、全拼接层430、第二全连接层440和输出层450，交叉层410和第一全连接层420的输出端分别与全拼接层430的输入端连接，全拼接层430的输出端依次通过第二全连接层440与输出层450连接，交叉层410和第一全连接层420的输入端用于输入数据，输出层450用于输出最终结果，第一全连接层420至少有两个，第二全连接层440至少有两个。
114.具体的，交叉层410用于接收输入的离散数据并进行交叉处理，第一全连接层420接收输入的连续数据，全拼接层430用于将交叉层410和第一全连接层420输出的数据进行拼接处理；第二全连接层440连接全拼接层430和输出层450；输出层450用于输出基于输入的离散数据和连续数据得到的输出结果。
115.如图4b所示，其为通过对象评分模型计算第二对象评分的流程图。结合图4a和图4b，得到第二对象评分的过程，包括如下步骤：
116.步骤s3051、将第二搜索请求的特征、至少一个第二对象的特征和第二搜索请求对
应的用户的特征中的离散数据进行第一预处理，对连续数据进行第二预处理。
117.其中，第一预处理包括编码处理和抽样叠加处理，第二预处理包括拼接处理。
118.具体的，离散数据如第二搜索请求的识别码、第二对象的识别码、时间、以及用户的交互操作行为偏好特征等，这些数据首先对其进行编码处理，再将编码处理后的离散数据进行抽样叠加处理，即通过现有的pooling算法进行处理。
119.连续数据如用户在至少两种周期中的交互操作记录、第二对象在至少两种周期中的交互操作记录等，这些数据可以直接进行拼接处理。
120.步骤s3052、将通过第一预处理后的离散数据输入到交叉层中进行交叉处理。
121.具体的，交叉处理可以是笛卡尔交叉处理，也可以为其他交叉处理方式(如内积、外积等)。通过对离散数据进行交叉处理，以便整合离散数据，并与连续数据进行拼接处理。
122.步骤s3053、将通过第二预处理后的连续数据输入到第一全连接层中。
123.具体的，拼接处理后的连续数据会输入到第一全连接层中，进行进一步处理。第一全连接层可以有多个，连续数据会依次通过每一个第一全连接层，进行多次处理。
124.步骤s3054、将交叉层的输出结果和第一全连接层的输出结果输入到全拼接层进行拼接处理。
125.具体的，交叉处理后的离散数据和第一全连接层输出的处理后的连续数据，会在全拼接层进行全拼接处理，然后在输入到第二全连接层。
126.步骤s3055、全拼接层拼接处理后的结果通过第二全连接层和输出层，并通过输出层得到输出结果。
127.具体的，全拼接处理后的数据会依次通过多个第二全连接层进行处理，最后通过输出层的输出函数，得到输出结果。
128.步骤s3056、将输出结果作为至少一个第二对象的评分。
129.具体的，输出层的末端可以为二分类的softmax函数，softmax函用于将输出层的计算结果映射到0到1的区间中，作为输出结果。由于每个第二对象都可以用一个0到1之间的数值评价其在第二搜索请求、对应用户的条件下符合用户兴趣倾向的概率，因此，可以将输出层的输出结果作为第二对象的评分。
130.步骤s306、基于至少一个第二对象的评分，确定用于推送的目标对象。
131.具体的，当目标对象只需要一个时，可以直接将对象评分模型输出的评分最高的一个第二对象，作为目标对象。当目标对象需要多个时，根据对象评分模型输出的评分的排序，确定用于推送的目标对象。
132.根据本公开实施方式的对象推荐方法，通过响应于接收到的第一搜索请求，获取用于推送的第一对象；将第一搜索请求中的文本信息与第一对象的标签结合，得到扩展语句，再对扩展语句进行改写，得到多个改写语句，共同作为第二搜索请求，以获取待推送的第二对象；基于第二搜索请求的特征、第二对象的特征和第二搜索请求对应的用户特征输入到对象评分模型，基于输出的评分确定用于推送的目标对象。由此，能够确保获得多个第二对象，并能根据用户特征、第二搜索请求的特征，确定最能反映交互操作表达的兴趣倾向和第一搜索请求表达的检索倾向的目标对象，进而能够更好的满足用户的需求，提高用户体验。
133.图5为本公开一个实施例提供的对象推荐方法的流程图。如图5所示，本实施例提
供的对象推荐方法包括以下步骤：
134.步骤s401、响应于接收到的第一搜索请求，获取用于推送的第一对象。
135.其中，第一对象至少有一个。
136.本步骤与图2所示实施例中的步骤s201内容相同，此处不再赘述。
137.步骤s402、通过查询预先建立的标签数据库确定第一对象的标签。
138.具体的，获取第一对象的同时，服务器会同步返回第一对象的标签，第一对象的标签通过查询预先建立的标签数据库确定。
139.一些实施例中，如图6所示，其为标签数据库的建立流程图。标签数据库通过以下方式确定：
140.步骤s4021、分别获取库存对象按照包含的不同模态保存的待提取数据。
141.其中，模态包括图片、视频、音频、文字。
142.具体的，由于库存的对象通常包含多种模态的数据，因此，需要首先确定待提取数据的模态。如视频数据还包括文字说明和标签内容，音频数据还包括图片封面内容等。
143.步骤s4022、通过卷积神经网络提取对应模态的待提取数据，得到不同模态的待提取特征。
144.具体的，卷积神经网络为现有的用于提取不同类型模态的数据的模型。
145.具体的，得到不同模态的待提取数据包括以下至少一项：
146.情况一(未示出)、基于二维卷积神经网络提取库存视频抽样得到的视频帧中的场景和人脸特征向量，作为库存视频的d1维度的特征向量。
147.具体的，对每一个库存对象，按照设定规则(如每1秒抽取一帧)抽样视频帧，再使用二维卷积神经网络分别提取每一帧的场景和人脸的语义信息，最终使用卷积神经网络的全连接层的倒数第二层的输出作为特征表达，得到nxd1维的特征向量，n表示n帧，d1表示每一帧特征维度为d1维。最后将所有帧的nxd1维的特征向量进行叠加，得到d1维的特征向量，作为该视频的特征，进而得到d1维度的场景特征和d1维度的人脸特征向量。
148.进一步地，二维卷积神经网络可以选用残差网络vgg进行场景和人脸特征向量的提取，也可以选用其他任意二维卷积神经网络。
149.情况二(未示出)、基于三维卷积神经网络提取库存视频的视频特征，作为库存视频的d2维度的特征向量。
150.具体的，将库存的视频输入到三维卷积神经网络中，提取视频语义信息，并使用三维卷积神经网络的全连接层的倒数第二层的输出结果作为整个视频的特征向量，该特征向量的特征维度记为d2维。
151.进一步地，三维卷积神经网络可以选用3dcnn网络，也可以选用其他任意三维卷积神经网络。
152.情况三(未示出)、基于语言处理卷积神经网络提取库存视频的文本特征，作为库存视频的d3维度的特征向量。
153.具体的，将视频或图片输入到语言处理卷积网络中，提取文本特征，并将语言处理卷积网络的输出结果作为文本的特征向量，记对应特征维度为d3维。
154.进一步地，语言处理卷积神经网络可以选用bert网络，也可以选用其他任意用于视频/图片中语言提取的卷积神经网络。
155.情况四(未示出)、基于音频处理卷积神经网络提取库存视频/音频的音频特征，作为库存视频的d4维度的特征向量。
156.具体的，将视频或音频输入到音频处理卷积神经网络中，提取音频特征，记对应特征维度为d4维。
157.进一步地，音频处理卷积神经网络可以选用vggish网络，但实际应用中不限于该卷积神经网络。
158.步骤s4023、将待提取特征拼接，得到库存对象对应的特征向量。
159.按照如下规则，拼接得到d维的库存视频的特征向量：d＝2d1+d2+d3。
160.通过将各维度特征直接进行拼接，能够得到反映对象整体特征的特征向量。
161.步骤s4024、基于预先训练的对象分类器，确定特征向量的对应分类。
162.具体的，对象分类器用于基于特征向量，确定库存对象所符合的分类，由于同一个库存对象可以属于多个分类(如一个视频可以同时符合“风景”分类、“高清”分类、“海滩”分类等)，每一个库存对象符合的分类都可以作为库存对象的一个标签。
163.进一步地，预先训练的对象分类器通过如下方法得到：
164.步骤一(未示出)、基于业务场景确定对象包含的标签种类。
165.具体的，标签种类通常由管理人员结合业务场景的需要进行设计和划分。如音乐类的标签，就包含歌手类、年代类、曲风类；而视频类的标签，则包含生活类、科普类等种类。
166.步骤二(未示出)、将添加了标签种类的对象和对应的特征向量作为训练集和验证集。
167.具体的，通过预先对部分用于训练的对象添加对应的标签，然后将该对象及计算出的该对象的特征向量中的一部分作为训练集，另一部分作为验证集，以训练对象分类器。
168.步骤三(未示出)、将训练集和验证集输入到对象分类器中，通过深度学习训练得到预先训练的对象分类器。
169.具体的，训练对象分类器的方法与常规神经网络的训练方法相同，通过深度学习后，即可得到能够识别对象种类的对象分类器。
170.一些实施例中，对象分类器可能有多个，每个对象分类器识别一个模态的对象种类(如专门识别用户的对象分类器和专门识别音频的对象分类器)，然后将多个对象分类器的识别结果结合，共同作为识别库存对象种类的对象分类器。
171.进一步地，确定特征向量对应分类之后，还包括：
172.基于设定的审核规则，确定库存对象与对应分类的关联度满足设定条件。
173.具体的，通过对象分类器计算出的对象种类可能与库存对象的关联度不足，如足球类视频与“旅游”分类关联性较低，此时可以通过设定的审核规则(如人工审核，或现有关联性算法)，确定库存对象与对应分类的关联度满足设定条件。
174.步骤s4025、将库存对象包含的所有分类，作为库存对象的标签，并保存至标签数据库中。
175.具体的，由于库存对象通常属于多个分类，此时，每一个所属分类，都可以作为库存对象的一个标签，将所有标签结合，就可以得到库存对象的标签。然后将标签保存至标签数据库中，以便随时查询调用。
176.步骤s403、响应于对第一对象的交互操作，生成第二搜索请求。
177.其中，第二搜索请求根据第一搜索请求、交互操作对应的第一对象的标签生成。
178.步骤s404、基于第二搜索请求，获取待推送的第二对象。
179.其中，第二对象至少有一个。
180.具体的，步骤s403至步骤s404与图2所示实施例中的步骤s202至步骤s203内容相同，此处不再赘述。
181.步骤s405、基于语义相关性算法，过滤掉至少一个第二对象中与交互操作对应的第一对象和第一搜索请求的相关性低于设定值的第二对象。
182.具体的，语义相关性算法能够通过识别第二对象的标签或特征信息，分别计算与交互操作对应的第一对象和第一搜索请求的文本的相关性，若相关性太低，即使该内容非常热门，也可能存在不满足用户兴趣倾向的问题。
183.步骤s406、基于第二搜索请求特征、第二对象特征和第二搜索请求对应的用户特征和对象评分模型，确定第二对象中用于推送的目标对象
184.具体的，步骤s406与图2所示实施例中的步骤s204内容相同，此处不再赘述。
185.根据本公开实施方式的对象推荐方法，通过响应于接收到的第一搜索请求，获取用于推送的第一对象；通过查询预先训练的标签数据库，得到第一对象的标签结合，将第一对象的标签与第一搜索请求结合，就得到第二搜索请求，以获取待推送的第二对象；基于第二搜索请求的特征、第二对象的特征和第二搜索请求对应的用户特征输入到对象评分模型，基于输出的评分确定用于推送的目标对象。由此，能够根据库存对象的标签，确定用于推送的第一对象和目标对象，从而保证推送的内容能够更好的满足用户的需求，提高用户体验。
186.图7为本公开一个实施例提供的对象评分模型训练方法的流程图。如图7所示，本实施例提供的对象评分模型训练方法包括以下步骤：
187.步骤s501、基于服务器中的客户端日志和服务端日志，得到待提取数据集和标注数据集。
188.其中，待提取数据集的类别包括第二搜索请求特征、用户特征、第二对象特征，标注数据集包括用户交互操作的标注数据，第二搜索请求根据第一搜索请求和交互操作对应的第一对象的标签生成，第一对象根据第一搜索请求推送得到，第二对象根据第二搜索请求获取得到。
189.具体的，第二搜索请求特征、用户特征、对象特征、交互操作记录都为存储在服务器的客户端日志和服务端日志中的数据，其中，第二搜索请求特征和对象特征为反映第二搜索请求/对象被调用的概率、用户使用或访问频率等特征的信息，用户特征为反映用户搜索和交互操作倾向的信息，交互操作的标注数据为用户对于对象进行的交互操作的记录和统计信息(如用户对一个推送对象进行了超过设定时长的观看/试听、进行了点赞、评论、转发、分享等表达正向偏好的交互操作时，交互操作的标注数据可以是标签值为1，否则为0)。
190.其中，第二搜索请求为在第一搜索请求和用户在第一搜索请求得到的第一对象中选择一个进行交互操作的基础上，生成的新的搜索请求。
191.将全部第二搜索请求特征、用户特征、对象特征、交互操作记录对应的数据的集合，即为待提取数据集。
192.第二对象特征对应的第二对象，可以是第一对象(或多个第一对象中的至少一
个)，也可以不是(此时第二对象为客户端日志和服务端日志中记录的基于第二搜索请求得到的从服务器库存的对象中召回的至少一个对象)。
193.步骤s502、根据待提取数据集的类别，提取对应的数据特征。
194.具体的，由于待提取数据集中包含由不同种类的特征数据和交互操作记录，因而需要通过不同的提取方式，以提取对应数据的数据特征，以保证提取的数据特征能够准确有效地反映对应的特征。
195.步骤s503、对数据特征进行预处理后，输入到对象评分模型中，得到预测评分。
196.具体的，由于待提取数据集中的数据包含不同的种类，且分别对应第二搜索请求、库存对象、用户和交互操作，即使提取之后，也无法直接用于训练，因此，需要将这些提取的数据特征以对应每一个对象为基础，进行预处理后，再输入到对象评分模型中。其中，待提取数据集中对应第二搜索请求特征、库存对象特征和用户的特征为输入到对象评分模型中得到预测评分的数据特征，标注数据集对应的交互操作为与对象评分模型的输出的预测评分进行对比，以评价对象评分模型训练结果的数据特征。
197.步骤s504、基于预测评分和标注数据计算损失函数，并基于损失函数，对对象评分模型进行训练。
198.具体的，通过将预测评分与标注数据集得到的实际交互操作数据(或标注数据)进行对比，将对比结果作为损失函数，并以损失函数的迭代训练，训练对象评分模型，由此能够保证对象评分模型的输出结果的准确性。
199.根据本公开实施方式的对象评分模型训练方法，通过基于服务器中的客户端日志和服务端日志，得到待提取数据集和标注数据集，然后根据待提取数据集的类别，提取对应的数据特征，并对数据特征进行预处理，再输入到对象评分模型中得到预测评分，并基于损失函数，对对象评分模型进行训练。由此，使得对象评分模型能够基于客户端日志、服务端日志中的第二搜索请求特征数据、对象特征数据、用户特征数据，评估用户对应输入到对象评分模型中的对象的感兴趣程度，并能基于交互操作记录数据，优化评估的准确性，从而便于在向用户推荐内容时，有效保证对象评分模型输出结果的准确性，从而保证推送的内容能够更好的满足用户的需求，提高用户体验。
200.图8a为本公开一个实施例提供的对象评分模型的结构示意图。如图8a所示，对象评分模型800包括交叉层810、全连接层820和输出层830，交叉层810和全连接层820的输出端分别与输出层830的输入端连接，交叉层810和全连接层820的输入端用于输入数据，输出层830用于输出最终结果，全连接层820至少有两个。
201.具体的，输出层830中包括全拼接层，以对交叉层810和全连接层820输出的数据进行全拼接处理。
202.图8b为本公开一个实施例提供的对象评分模型训练方法的流程图。结合图8a和图8b所示，本实施例提供的对象评分模型训练方法包括以下步骤：
203.步骤s601、基于服务器中的客户端日志和服务端日志，得到待提取数据集和标注数据集。
204.具体的，本步骤与图7所示实施例中的步骤s501内容相同，此处不再赘述。
205.一些实施例中，在基于服务器中的客户端日志和服务端日志，得到待提取数据集的过程中，待提取数据集的类别包括第二搜索请求特征、用户特征、对象特征、环境特征和
用户交互操作记录，即待提取数据集的类别还包含环境特征。
206.具体的，环境特征用于表示每个对象在不同环境/场景中的消费倾向差异。
207.步骤s602、根据待提取数据集的类别，提取类别数据的粒度特征。
208.具体的，粒度特征用于表示每个类别的数据的具体特征种类，如第二搜索请求特征对应的粒度特征包括第二搜索请求的识别码、第二搜索请求所针对的对象类型、基于第二搜索请求得到的每一个第二对象的交互操作记录，其他类别数据的粒度特征参考图3所示实施例中的步骤s305。
209.通过提取每个类别数据的粒度特征，并提取/计算每个粒度特征的具体数据，进而能够得到待提取数据集中的数据特征。
210.步骤s603、为待提取数据集中的数据和粒度特征，添加对应的标志位识别码。
211.具体的，对应每个计算/提取得到的粒度特征和对应的数据，服务器均为添加对应的标志位识别码，并保存到服务器中，以便进行对象评分模型训练和实际应用中能够快速调用。
212.步骤s604、对数据特征中的离散数据进行第一预处理。
213.其中，第一预处理包括编码处理和抽样叠加处理。
214.具体的，用户特征、第二搜索请求特征和对象特征中均既包含有离散数据，也包含有连续数据，环境特征则为离散数据。通过对其中的离散数据和连续数据进行分别处理，能够将各种数据抽样、拼接为基于对象的训练数据。
215.步骤s605、对数据特征中的连续数据进行第二预处理。
216.其中，第二预处理包括拼接处理。
217.具体的，连续数据会直接输入到全连接层，进行拼接处理。步骤s606、将通过第一预处理后的离散数据输入到交叉层中进行交叉处理。
218.具体的，编码处理和抽样叠加处理后的离散数据可以发送到交叉层进行交叉处理，交叉处理可以为笛卡尔交叉处理，也可以为内积、外积等交叉处理方式。
219.步骤s607、将通过第二预处理后的连续数据输入到全连接层中。
220.具体的，连续数据会通过至少两个全连接层中，依次进行处理。
221.步骤s608、将交叉层的输出结果和全连接层的输出结果输入到输出层，并通过输出层得到输出结果。
222.具体的，交叉处理后的离散数据和拼接处理后的连续数据，可以输入到输出层进行全拼接处理及其他进一步处理，以得到输出结果。
223.步骤s609、将输出结果作为第二对象的预测评分。
224.具体的，训练样本为对应单个推送对象的全部第二搜索请求、其中的每个第二搜索请求对应的用户和这些用户是否对该推送对象进行交互操作的记录。通过将这些训练样本在预处理后，依次输入到交叉层、全连接层和输出层，能够得到对应每个训练样本的预测评分p。
225.步骤s610、基于预测评分和标注数据，计算损失函数l。
226.具体的，计算公式为：l＝-ylog(p)+(1-y)log(1-p)，其中，y为训练样本对应的用户交互数据集中的交互数据。
227.对应每个训练样本，都能计算输入到深度神经网络输出层的数据样本对应y值，并
能计算对应的预测评分p，通过将y和p代入到公式中，能够计算出对应的损失函数l的值。
228.步骤s611、基于损失函数l的迭代训练，对对象评分模型进行优化，得到预先训练的对象评分模型。
229.具体的，通过对损失函数l进行迭代训练(如以小于设定值为目标进行迭代训练)，对对象评分模型中的各项参数进行优化，能够保证对象评分模型能够准确计算出基于输入的第二搜索请求下用户对于推送对象的感兴趣程度(或进行交互操作的概率)。
230.根据本公开实施方式的对象评分模型训练方法，通过基于服务器中的客户端日志和服务端日志，得到待提取数据集和标注数据及，然后根据待提取数据集的类别，提取类别数据的粒度特征，并为待提取数据集中的数据和粒度特征，添加对应的标志位识别码，再分别对其中的离散数据和离散数据进行预处理后，输入到对象评分模型中，得到预测评分，并基于损失函数，对对象评分模型进行训练。由此，使得对象评分模型能够基于第二搜索请求特征数据、对象特征数据、用户特征数据，准确评估用户对应输入到对象评分模型中的对象进行交互操作的概率，从而便于在向用户推荐内容时，有效保证对象评分模型输出结果的准确性，从而保证推送的内容能够更好的满足用户的需求，提高用户体验。
231.示例性介质
232.在介绍了本公开示例性实施方式的方法之后，接下来，参考图7对本公开示例性实施方式的存储介质进行说明。
233.参考图9所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品90，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此。
234.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
235.可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质。
236.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备。
237.示例性装置
238.在介绍了本公开示例性实施方式的介质之后，接下来，参考图8对本公开示例性实施方式的对象推荐装置进行说明，用于实现上述任一方法实施例中的对象推荐方法，其实现原理和技术效果类似，在此不再赘述。
239.本公开提供的对象推荐装置1000，包括：
240.第一获取模块1010，用于响应于接收到的第一搜索请求，获取用于推送的第一对象，第一对象至少有一个；
241.生成模块1020，用于响应于对第一对象的交互操作，生成第二搜索请求，第二搜索请求根据第一搜索请求、交互操作对应的第一对象的标签生成；
242.第二获取模块1030，用于基于第二搜索请求，获取待推送的第二对象，第二对象至少有一个；
243.确定模块1040，用于基于第二搜索请求特征、第二对象特征和第二搜索请求对应的用户特征和对象评分模型，确定第二对象中用于推送的目标对象。
244.可选地，确定模块1040具体用于：将第一搜索请求中的文本信息与第一对象的标签结合，得到扩展语句；基于近义词和相关词数据库，对扩展语句进行改写，得到包含近义词和/或相关词的改写语句，根据改写语句生成第二搜索请求。
245.可选地，确定模块1040具体用于：将第二搜索请求的特征、至少一个第二对象的特征和第二搜索请求对应的用户的特征输入到对象评分模型中，得到至少一个第二对象的评分；基于至少一个第二对象的评分，确定用于推送的目标对象。
246.可选地，确定模块1040具体用于，当对象评分模型包括交叉层、第一全连接层、全拼接层、第二全连接层和输出层，交叉层和第一全连接层的输出端分别与全拼接层的输入端连接，全拼接层的输出端依次通过第二全连接层与输出层连接，交叉层和第一全连接层的输入端用于输入数据，输出层用于输出最终结果，第一全连接层至少有两个，第二全连接层至少有两个；将第二搜索请求特征、至少一个第二对象特征和第二搜索请求对应的用户特征输入到对象评分模型中，得到至少一个第二对象的评分，包括：将第二搜索请求特征、至少一个第二对象特征和第二搜索请求对应的用户特征中的离散数据进行第一预处理，对连续数据进行第二预处理，第一预处理包括编码处理和抽样叠加处理，第二预处理包括拼接处理；将通过第一预处理后的离散数据输入到交叉层中进行交叉处理；将通过第二预处理后的连续数据输入到第一全连接层中；将交叉层的输出结果和第一全连接层的输出结果输入到全拼接层进行拼接处理；全拼接层拼接处理后的结果通过第二全连接层和输出层，并通过输出层得到输出结果；将输出结果作为至少一个第二对象的评分。
247.可选地，确定模块1040还用于：将第二搜索请求的特征、至少一个第二对象的特征、第二搜索请求对应的环境特征和第二搜索请求对应的用户的特征输入到对象评分模型中，得到至少一个第二对象的评分；基于至少一个第二对象的评分，确定用于推送的目标对象。
248.可选地，确定模块1040具体用于：环境特征包括用户在设定日期和设定时段对交互操作的对象的偏好特征。
249.可选地，确定模块1040具体用于：第二搜索请求的特征包括第二搜索请求的识别码、第二搜索请求所针对的对象类型、基于第二搜索请求得到的每一个第二对象的交互操作记录；至少一个第二对象的特征包括第二对象的识别码、第二对象的标签、第二对象在至少两种周期中的交互操作记录；第二搜索请求对应的用户的特征包括用户的交互操作行为偏好特征、用户在至少两种周期中的交互操作记录、用户的历史搜索请求。
250.可选地，生成模块1020具体用于，第一对象的标签通过查询预先建立的标签数据
库确定。
251.可选地，生成模块1020具体用于，通过以下方式确定标签数据库：分别获取库存对象按照包含的不同模态保存的待提取数据，模态包括图片、视频、音频、文字；通过卷积神经网络提取对应模态的待提取数据，得到不同模态的待提取特征；将待提取特征拼接，得到库存对象对应的特征向量；基于预先训练的对象分类器，确定特征向量的对应分类；将库存对象包含的所有分类，作为库存对象的标签，并保存至标签数据库中。
252.可选地，生成模块1020具体用于，通过如下方法得到预先训练的对象分类器：基于业务场景确定对象包含的标签种类；将添加了标签种类的视频和对应的特征向量作为训练集和验证集；将训练集和验证集输入到对象分类器中，通过深度学习训练得到预先训练的对象分类器。
253.可选地，第二获取模块1030还用于，在基于第二搜索请求，获取待推送的第二对象之后，基于语义相关性算法，过滤掉至少一个第二对象中与交互操作对应的第一对象和第一搜索请求的相关性低于设定值的第二对象。
254.参考图11对本公开示例性实施方式的对象评分模型训练装置进行说明，用于实现上述任一方法实施例中的对象评分模型训练方法，其实现原理和技术效果与前述方法的实施例类似，在此不再赘述。
255.本公开提供的对象评分模型训练装置1100，包括：
256.获取模块1110，用于基于服务器中的客户端日志和服务端日志，得到待提取数据集和标注数据集，待提取数据集的类别包括第二搜索请求特征、用户特征和第二对象特征，标注数据集包括用户交互操作的标注数据，第二搜索请求根据第一搜索请求和交互操作对应的第一对象的标签生成，第一对象根据第一搜索请求推送得到，第二对象根据第二搜索请求获取得到；
257.提取模块1120，用于根据待提取数据集的类别，提取对应的数据特征；
258.处理模块1130，用于将所述数据特征进行预处理后，输入到对象评分模型中，得到预测评分；
259.训练模块1140，用于基于预测评分和标注数据计算损失函数，并基于损失函数，对对象评分模型进行训练。
260.可选地，获取模块1110具体用于，通过如下方式得到第二搜索请求：将第一搜索请求中的文本信息与交互操作对应的第一对象的标签结合，得到扩展语句；基于近义词和相关词数据库，对扩展语句进行改写，得到包含近义词和/或相关词的改写语句，根据改写语句生成第二搜索请求。
261.可选地，提取模块1120具体用于，根据待提取数据集的类别，提取类别数据的粒度特征；为待提取数据集中的数据和粒度特征，添加对应的标志位识别码。
262.可选地，处理模块1130具体用于，当对象评分模型包括交叉层、全连接层和输出层，交叉层和全连接层的输出端分别与输出层的输入端连接，交叉层和全连接层的输入端用于输入数据，输出层用于输出最终结果，全连接层至少有两个时；对数据特征中的离散数据进行第一预处理，第一预处理包括编码处理和抽样叠加处理；对数据特征中的连续数据进行第二预处理，第二预处理包括拼接处理；将通过第一预处理后的离散数据输入到交叉层中进行交叉处理；将通过第二预处理后的连续数据输入到全连接层中，并通过输出层得
到输出结果；将输出结果作为第二对象的预测评分。
263.可选地，训练模块1140具体用于，基于所述预测评分和所述标注数据，计算损失函数l：l＝-ylog(p)+(1-y)log(1-p)，其中p为预测评分，y为标注数据，用于表示训练样本中的用户和第二对象是否存在交互操作；基于所述损失函数l的迭代训练，对对象评分模型进行优化，得到预先训练的对象评分模型。
264.可选地，获取模块1110具体用于，待提取数据集的类别还包括环境特征。
265.示例性计算设备
266.在介绍了本公开示例性实施方式的方法、介质和装置之后，接下来，参考图12对本公开示例性实施方式的计算设备进行说明。
267.图12显示的计算设备120仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
268.如图12所示，计算设备120以通用计算设备的形式表现。计算设备120的组件可以包括但不限于：上述至少一个处理单元1201、上述至少一个存储单元1202，连接不同系统组件(包括处理单元1201和存储单元1202)的总线1203。
269.总线1203包括数据总线、控制总线和地址总线。
270.存储单元1202可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)12021和/或高速缓存存储器12022，可以进一步包括非易失性存储器形式的可读介质，例如只读存储器(rom)12023。
271.存储单元1202还可以包括具有一组(至少一个)程序模块12024的程序/实用工具12025，这样的程序模块12024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
272.计算设备120也可以与一个或多个外部设备1204(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口1205进行。并且，计算设备120还可以通过网络适配器1206与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图4所示，网络适配器1206通过总线1203与计算设备120的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备120使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
273.应当注意，尽管在上文详细描述中提及了对象推荐装置和对象评分模型训练装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
274.此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
275.虽然已经参考若干具体实施方式描述了本公开的精神和原理，但是应该理解，本公开并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能
组合以进行受益，这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。