一种待推送对象的推送方法、装置、设备及存储介质

摘要

本申请涉及一种待推送对象的推送方法、装置、设备及存储介质，其中，该方法包括：从目标帐号对应的待推送对象中获取第一对象集合，其中，第一对象集合中包括相互具有互斥关系的多个对象；根据目标帐号的目标帐号特征对多个对象进行筛选，得到第二对象集合，其中，第二对象集合中包括多个对象中与目标帐号特征匹配的一个目标对象，或者，第二对象集合为空集；将待推送对象中的第一对象集合替换为第二对象集合，得到目标推送对象；将目标推送对象推送至目标帐号。本申请解决了相关技术中无法针对互斥型的产品进行有效推送的技术问题。

权利要求

1.一种待推送对象的推送方法，其特征在于，包括：

从目标帐号对应的待推送对象中获取第一对象集合，其中，所述第一对象集合中包括相互具有互斥关系的多个对象；

根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合，其中，所述第二对象集合中包括所述多个对象中与所述目标帐号特征匹配的一个目标对象，或者，所述第二对象集合为空集；

将所述待推送对象中的所述第一对象集合替换为所述第二对象集合，得到目标推送对象；

将所述目标推送对象推送至所述目标帐号。

2.根据权利要求1所述的方法，其特征在于，根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合包括：根据所述目标帐号特征，计算所述多个对象中每个对象对应的操作概率，其中，所述操作概率用于指示所述目标帐号对每个对象执行互斥操作的概率；

从所述多个对象中，筛选所述操作概率满足目标概率阈值的所述目标对象，其中，所述操作概率满足所述目标概率阈值表示,所述目标帐号对所述目标对象执行所述互斥操作的概率,比对所述多个对象中除所述目标对象外的对象执行所述互斥操作的概率高；

在筛选出所述目标对象的情况下，确定所述第二对象集合包括所述目标对象；

在未筛选出所述目标对象的情况下，确定所述第二对象集合为空集。

3.根据权利要求2所述的方法，其特征在于，根据所述目标帐号特征计算所述多个对象中每个对象对应的操作概率包括：将所述目标帐号特征分别输入所述多个对象中每个对象对应的第一模型和具有互斥关系的多个对象对应的第二模型，其中，所述第一模型用于根据输入的帐号特征输出在向帐号展示所述每个对象的场景下帐号对所述每个对象执行所述互斥操作的概率，所述第二模型用于根据输入的帐号特征分别输出在向帐号同时展示所述多个对象的场景下帐号对所述多个对象执行所述互斥操作的多个概率；

获取每个所述第一模型输出的第一概率得到多个第一概率，并获取所述第二模型输出的多个第二概率；

根据所述多个第一概率和所述多个第二概率确定所述操作概率。

4.根据权利要求3所述的方法，其特征在于，根据所述多个第一概率和所述多个第二概率确定所述操作概率包括：对于所述多个第一概率和所述多个第二概率中的每个概率，确定所述每个概率在目标概率集合中的排序位置，其中，所述目标概率集合中记录了历史帐号在所述每个概率对应的场景下对所述每个概率所对应的对象执行所述互斥操作的历史概率；

根据所述排序位置确定所述操作概率。

5.根据权利要求4所述的方法，其特征在于，

确定所述每个概率在目标概率集合中的排序位置包括：将所述每个概率输入到用于存储所述目标概率集合的数据库中；通过所述数据库对所述目标概率集合中存储的历史概率和所述每个概率进行排序；将排序后的所述目标概率集合划分为目标数量的子概率集合，其中，每一所述子概率集合对应一集合序号；确定所述每个概率所落入的子概率集合为目标子概率集合，得到所述排序位置；

根据所述排序位置确定所述操作概率包括：将所述目标子概率集合对应的目标集合序号，确定为所述每个概率对应的操作概率。

6.根据权利要求5所述的方法，其特征在于，将排序后的所述目标概率集合划分为目标数量的子概率集合包括：将排序后的所述目标概率集合中包括的概率平均划分到所述目标数量的子概率集合中；

将所述目标数量的子概率集合映射到预设的数值区间中，其中，所述数值区间中包括所述目标数量的数值，所述目标数量的数值与所述目标数量的子概率集合一一对应；

将每一子概率集合对应的数值确定为每一子概率集合对应的集合序号。

7.根据权利要求4所述的方法，其特征在于，在确定所述每个概率在目标概率集合中的排序位置之前，所述方法还包括：获取所述每个概率对应的初始概率集合；

从所述初始概率集合中删除存储时长超过时长阈值的概率，得到所述目标概率集合。

8.根据权利要求3所述的方法，其特征在于，在将所述目标帐号特征输入所述多个对象中每个对象对应的第一模型和所述多个对象对应的第二模型之前，所述方法还包括：使用所述每个对象对应的第一特征样本对第一初始模型进行训练，得到所述每个对象对应的第一模型，其中，所述第一特征样本是在所述每个对象对应的操作场景下，对所述每个对象执行所述互斥操作的帐号的特征样本；

使用所述多个对象共同对应的第二特征样本对第二初始模型进行训练得到所述第二模型，其中，所述第二特征样本是在所述多个对象共同对应的操作场景下，对所述多个对象中的一个对象执行所述互斥操作的帐号的特征样本。

9.根据权利要求3所述的方法，其特征在于，从所述多个对象中，筛选所述操作概率满足所述目标概率阈值的所述目标对象，包括以下之一：将所述第一概率对应的操作概率高于第一阈值且所述第二概率对应的操作概率高于第二阈值的对象确定为所述目标对象；

将所述第一概率对应的操作概率高于第三阈值，其他对象的第一概率对应的操作概率低于第四阈值且所述第二概率对应的操作概率高于第五阈值的对象确定为所述目标对象。

10.根据权利要求2所述的方法，其特征在于，在从所述多个对象中，筛选所述操作概率满足目标概率阈值的所述目标对象之前，所述方法还包括：穷举出在对所述多个对象进行筛选的情况下允许出现的全部候选概率阈值组合；

以所述全部候选概率阈值组合中每种候选概率阈值组合作为对所述多个对象进行筛选的筛选条件的情况下，计算所述每种候选概率阈值组合对应的评价参数，其中，所述评价参数用于指示在所述每种候选概率阈值组合的筛选条件下所产生的对象价值；

将所述全部候选概率阈值组合中所述对象价值最高的候选概率阈值组合确定为所述目标概率阈值。

11.根据权利要求10所述的方法，其特征在于，计算所述每种候选概率阈值组合对应的评价参数包括：将所述每种候选概率阈值组合作为筛选条件，为帐号样本筛选所述多个对象，得到筛选结果；

根据所述筛选结果计算所述多个对象中每个对象的召回率；

根据所述召回率估计所述多个对象的转化率；

根据所述多个对象的转化率计算所述帐号样本所产生的资源增长值作为所述评价参数。

12.根据权利要求1所述的方法，其特征在于，从目标帐号对应的待推送对象中获取第一对象集合包括：按照互斥关系对所述待推送对象进行分类，得到多个对象集合，其中，所述互斥关系表示只允许对所述多个对象中的一个对象执行互斥操作；

将所述多个对象集合中所包括的对象数量大于1的对象集合确定为所述第一对象集合。

13.一种待推送对象的推送装置，其特征在于，包括：

获取模块，用于从目标帐号对应的待推送对象中获取第一对象集合，其中，所述第一对象集合中包括相互具有互斥关系的多个对象；

筛选模块，用于根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合，其中，所述第二对象集合中包括所述多个对象中与所述目标帐号特征匹配的一个目标对象，或者，所述第二对象集合为空集；

替换模块，用于将所述待推送对象中的所述第一对象集合替换为所述第二对象集合，得到目标推送对象；

推送模块，用于将所述目标推送对象推送至所述目标帐号。

14.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至12任一项中所述的方法。

15.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求1至12任一项中所述的方法。

说明书

一种待推送对象的推送方法、装置、设备及存储介质

技术领域

[0001] 本申请涉及计算机领域，尤其涉及一种待推送对象的推送方法、装置、设备及存储介质。

背景技术

[0002] 随着信息技术及互联网的普及，智能推荐在各个领域取得了越来越普遍的应用，相关的技术也一直在快速发展和成熟。传统的推荐技术侧重于基于用户行为数据，从海量物品中找出用户可能感兴趣的物品。最近几年，随着大数据相关技术的发展，在垂直领域，人们也希望能充分应用智能推荐技术，给用户展现更适合的产品，实现精准营销。

[0003] 但传统的推荐技术在垂直领域应用存在着一些不足，目前比较成熟的推荐技术主要包括以下几种：基于内容的推荐，基于人口统计学的推荐，基于协同过滤的推荐，基于关联规则的推荐，其它推荐算法等等。这些算法对特定的问题，比如互斥型物品推荐并不适用。这些传统推荐方法主要解决相似物品的推荐问题，对互斥型物品的区分推荐不合适。

[0004] 针对上述的问题，目前尚未提出有效的解决方案。

发明内容

[0005] 本申请提供了一种待推送对象的推送方法、装置、设备及存储介质，以至少解决相关技术中无法针对互斥型的产品进行有效推送的技术问题。

[0006] 根据本申请实施例的一个方面，提供了一种待推送对象的推送方法，包括：

[0007] 从目标帐号对应的待推送对象中获取第一对象集合，其中，所述第一对象集合中包括相互具有互斥关系的多个对象；

[0008] 根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合，其中，所述第二对象集合中包括所述多个对象中与所述目标帐号特征匹配的一个目标对象，或者，所述第二对象集合为空集；

[0009] 将所述待推送对象中的所述第一对象集合替换为所述第二对象集合，得到目标推送对象；

[0010] 将所述目标推送对象推送至所述目标帐号。

[0011] 根据本申请实施例的另一方面，还提供了一种待推送对象的推送装置，包括：

[0012] 获取模块，用于从目标帐号对应的待推送对象中获取第一对象集合，其中，所述第一对象集合中包括相互具有互斥关系的多个对象；

[0013] 筛选模块，用于根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合，其中，所述第二对象集合中包括所述多个对象中与所述目标帐号特征匹配的一个目标对象，或者，所述第二对象集合为空集；

[0014] 替换模块，用于将所述待推送对象中的所述第一对象集合替换为所述第二对象集合，得到目标推送对象；

[0015] 推送模块，用于将所述目标推送对象推送至所述目标帐号。

[0016] 根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。

[0017] 根据本申请实施例的另一方面，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。

[0018] 根据本申请实施例的另一方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述待推送对象的推送方法中任一实施例的步骤。

[0019] 在本申请实施例中，采用从目标帐号对应的待推送对象中获取第一对象集合，其中，第一对象集合中包括相互具有互斥关系的多个对象；根据目标帐号的目标帐号特征对多个对象进行筛选，得到第二对象集合，其中，第二对象集合中包括多个对象中与目标帐号特征匹配的一个目标对象，或者，第二对象集合为空集；将待推送对象中的第一对象集合替换为第二对象集合，得到目标推送对象；将目标推送对象推送至目标帐号的方式，对于目标帐号对应的待推送对象，从中获取包括相互具有互斥关系的多个对象的第一对象集合，依据目标帐号的目标帐号特征对多个对象进行筛选，筛选出一个目标对象或者对于多个对象均不选取，得到第二对象集合，使用第二对象集合替换待推送对象中的第一对象集合，使得待推送对象中相互具有互斥关系的对象仅为目标帐号推送其中的一个或者都不为目标帐号推送，不仅能保证将某类对象推荐给合适的用户，还能辨别和区分其中具有互斥关系的对象各自适用的不同的用户群，从而提高曝光利用率，优化展示列表的商业价值，从而实现了针对互斥型的产品进行有效推送。

附图说明

[0020] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

[0021] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0022] 图1是根据本申请实施例的待推送对象的推送方法的硬件环境的示意图；

[0023] 图2是根据本申请实施例的一种可选的待推送对象的推送方法的流程图；

[0024] 图3是根据本申请实施例的一种自适应分桶机制的示意图；

[0025] 图4是根据本申请可选实施例的一种产品推荐系统的系统架构的示意图；

[0026] 图5是根据本申请实施例的一种可选的待推送对象的推送装置的示意图；

[0027] 图6是根据本申请实施例的一种电子设备的结构框图。

具体实施方式

[0028] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0029] 需要说明的是，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数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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步骤或单元。

[0030] 根据本申请实施例的一方面，提供了一种待推送对象的推送的方法实施例。

[0031] 可选地，在本实施例中，上述待推送对象的推送方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示，服务器103通过网络与终端101进行连接，可用于为终端或终端上安装的客户端提供服务(如游戏服务、应用服务等)，可在服务器上或独立于服务器设置数据库，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端101并不限定于PC、手机、平板电脑等。本申请实施例的待推送对象的推送方法可以由服务器103来执行，也可以由终端101来执行，还可以是由服务器103和终端101共同执行。其中，终端101执行本申请实施例的待推送对象的推送方法也可以是由安装在其上的客户端来执行。

[0032] 图2是根据本申请实施例的一种可选的待推送对象的推送方法的流程图，如图2所示，该方法可以包括以下步骤：

[0033] 步骤S202，从目标帐号对应的待推送对象中获取第一对象集合，其中，所述第一对象集合中包括相互具有互斥关系的多个对象；

[0034] 步骤S204，根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合，其中，所述第二对象集合中包括所述多个对象中与所述目标帐号特征匹配的一个目标对象，或者，所述第二对象集合为空集；

[0035] 步骤S206，将所述待推送对象中的所述第一对象集合替换为所述第二对象集合，得到目标推送对象；

[0036] 步骤S208，将所述目标推送对象推送至所述目标帐号。

[0037] 可选地，在本实施例中，上述待推送对象的推送方法可以但不限于应用于各个类型的应用中为用户智能推荐产品的场景中。上述各个类型的应用可以但不限于包括：金融应用、保险应用、医药应用、教育应用、游戏应用等等。

[0038] 通过上述步骤S202至步骤S208，对于目标帐号对应的待推送对象，从中获取包括相互具有互斥关系的多个对象的第一对象集合，依据目标帐号的目标帐号特征对多个对象进行筛选，筛选出一个目标对象或者对于多个对象均不选取，得到第二对象集合，使用第二对象集合替换待推送对象中的第一对象集合，使得待推送对象中相互具有互斥关系的对象仅为目标帐号推送其中的一个或者都不为目标帐号推送，不仅能保证将某类对象推荐给合适的用户，还能辨别和区分其中具有互斥关系的对象各自适用的不同的用户群，从而提高曝光利用率，优化展示列表的商业价值，从而实现了针对互斥型的产品进行有效推送。

[0039] 可选地，在本实施例中，待推送对象的推送方法可以但不限于由用于进行对象推送的服务器来执行。服务器对待推送对象进行筛选，并将筛选后的结果推送给客户端，用户可以在客户端上浏览服务器推送来的内容，并进行购买、下单等操作。

[0040] 需要说明的是，相互具有互斥关系的对象可以但不限于称为互斥型对象，互斥型对象的数量可以但不限于为两个或者两个以上，以下以相互具有互斥关系的对象的数量为两个进行举例说明，对于相互具有互斥关系的对象的数量为两个以上的情况，与此类似，不再赘述。

[0041] 在步骤S202提供的技术方案中，目标帐号对应的待推送对象可以但不限于是根据目标帐号的帐号特征、历史数据等信息为目标帐号筛选出的符合目标帐号的偏好的对象。

[0042] 可选地，在本实施例中，待推送对象可以但不限于包括：广告、保险、音视频、文章、新闻、公众号、小程序等等。

[0043] 可选地，在本实施例中，相互具有互斥关系是指只允许对多个对象中的一个对象执行互斥操作，该互斥操作可以但不限于包括：购买操作、播放操作、下单操作、浏览操作等等。

[0044] 例如，任何一个用户只需要购买多个对象中的一个对象，用户同时购买多个对象中的两个或者两个以上的对象不会为其提供额外价值，反而可能会造成浪费和后续的纠纷。比如，在保险推荐领域的一个示例是医疗险(医疗险是一种保险物品类别)的推荐：一种保险产品是面向高端用户，保费和保额更高的医疗险；另外一种是面向低购买能力用户的，保费和保额比较低的同样性质的医疗险产品。这两种保险产品用户不应重复购买，因为这两种保险产品都是报销型，不能重复理赔，即这两种产品存在互斥关系。

[0045] 可选地，在本实施例中，目标帐号对应的待推送对象可以但不限于是按照个性化、同类别等筛选规则为目标帐号预先筛选出的可以推送给目标帐号的对象。个性化的筛选规则可以是指对每个帐号根据帐号的画像特征和历史行为等信息为帐号筛选不同的对象进行展示。同类别的筛选规则可以是指为帐号筛选的对象列表中有两个相似的待推送对象，并且二者具有基本上一样的功用，解决相同的用户需求。

[0046] 在上述步骤S202中，可以但不限于采用以下方式获取第一对象集合：

[0047] S11，按照互斥关系对所述待推送对象进行分类，得到多个对象集合，其中，所述互斥关系表示只允许对所述多个对象中的一个对象执行互斥操作；

[0048] S12，将所述多个对象集合中所包括的对象数量大于1的对象集合确定为所述第一对象集合。

[0049] 可选地，在本实施例中，按照互斥关系对待推送对象进行分类可以是从待推送对象中找出具有互斥关系的对象，将具有同一个互斥关系的对象划分到同一个对象集合中，比如：待推送对象包括对象1，对象2，……，对象8，其中，对象1，对象2和对象3具有互斥关系，对象4和对象6具有互斥关系，对象5和对象8具有互斥关系，对象7与其他对象均无互斥关系，那么上述待推送对象可以划分为四个对象集合，即对象集合11(对象1，对象2和对象3)，对象集合12(对象4和对象6)，对象集合13(对象5和对象8)，对象集合14(对象7)。

[0050] 可选地，在本实施例中，多个对象集合中所包括的对象数量大于1的对象集合可以但不限于为几个对象集合，将这几个对象集合依次确定为第一对象集合执行后续的对象筛选操作。比如：将上述对象集合11(对象1，对象2和对象3)，对象集合12(对象4和对象6)，对象集合13(对象5和对象8)依次作为第一对象集合进行互斥关系对象的筛选，得到的第二对象集合可以分别为对象集合21(对象2)，对象集合22(对象4)，对象集合23(对象8)，对象集合24(空集)。

[0051] 在步骤S204提供的技术方案中，对第一对象集合中的多个对象进行筛选得到的第二对象集合中包括多个对象中与目标帐号特征匹配的一个目标对象，或者，第二对象集合为空集。也就是说，可以从多个对象中筛选出一个与目标帐号特征匹配的对象作为目标对象进行推送，也可以在多个对象中一个都不选。例如：假设第一对象集合中包括的两种互斥型对象是物品A和物品B，那么在物品侧，个性化推荐最终为用户展示的物品列表有三种可能：用户的物品列表只包含A，或者，用户的物品列表只包含B，或者，用户的物品列表既不包含A也不包含B。

[0052] 在上述步骤S204中，可以但不限于采用以下方式对多个对象进行筛选，得到第二对象集合：

[0053] S21，根据所述目标帐号特征，计算所述多个对象中每个对象对应的操作概率，其中，所述操作概率用于指示所述目标帐号对每个对象执行互斥操作的概率；

[0054] S22，从所述多个对象中，筛选所述操作概率满足目标概率阈值的所述目标对象，其中，所述操作概率满足所述目标概率阈值表示，所述目标帐号对所述目标对象执行所述互斥操作的概率，比对所述多个对象中除所述目标对象外的对象执行所述互斥操作的概率高；

[0055] S23，在筛选出所述目标对象的情况下，确定所述第二对象集合包括所述目标对象；

[0056] S24，在未筛选出所述目标对象的情况下，确定所述第二对象集合为空集。

[0057] 可选地，在本实施例中，操作概率用于指示所述目标帐号对每个对象执行互斥操作的概率，该操作概率可以是根据目标帐号特征预测的。

[0058] 可选地，在本实施例中，上述互斥操作可以但不限于指用户在互斥型对象中仅需要对其中的一个对象所执行的操作，比如：对于音视频和广告等对象来说，互斥操作可以但不限于为播放操作，对于物品和产品等对象来说，互斥操作可以但不限于为购买操作或者下单操作等。

[0059] 可选地，在本实施例中，如果从多个对象中筛选出了操作概率满足目标概率阈值的目标对象，则第二对象集合中包括该目标对象，如果从多个对象中未筛选出操作概率满足目标概率阈值的目标对象，则第二对象集合为空集。

[0060] 可选地，在本实施例中，可以但不限于为多个对象中每个对象确定其对应的目标概率阈值，如果某个对象的操作概率满足了其对应的目标概率阈值，则将其确定为目标对象，如果全部对象的操作概率均不满足其对应的目标概率阈值，则第二对象集合为空集。比如：对于购物场景下的两个互斥的对象物品A和物品B来说，如果操作概率满足了条件A，则为用户推荐物品A，也就是说，第二对象集合包括物品A。如果操作概率满足了条件B，则为用户推荐物品B，也就是说，第二对象集合包括物品B。如果操作概率既不满足条件A也不满足条件B，则既不推荐物品A也不推荐物品B，也就是说，第二对象集合为空集。

[0061] 在上述步骤S21中，可以但不限于通过以下方式计算操作概率：

[0062] S31，将所述目标帐号特征分别输入所述多个对象中每个对象对应的第一模型和具有互斥关系的多个对象对应的第二模型，其中，所述第一模型用于根据输入的帐号特征输出在向帐号展示所述每个对象的场景下帐号对所述每个对象执行所述互斥操作的概率，所述第二模型用于根据输入的帐号特征分别输出在向帐号同时展示所述多个对象的场景下帐号对所述多个对象执行所述互斥操作的多个概率；

[0063] S32，获取每个所述第一模型输出的第一概率得到多个第一概率，并获取所述第二模型输出的多个第二概率；

[0064] S33，根据所述多个第一概率和所述多个第二概率确定所述操作概率。

[0065] 可选地，在本实施例中，第一模型用于根据输入的帐号特征输出在向帐号展示每个对象的场景下帐号对每个对象执行互斥操作的概率。以两个互斥型对象A和B为例，第一模型可以包括两个子模型，模型A和模型B，分别对应了两个互斥型对象，将目标帐号特征输入到模型A中，模型A输出对A执行互斥操作的概率，将目标帐号特征输入到模型B中，模型B输出对B执行互斥操作的概率。

[0066] 可选地，在本实施例中，在购物场景下，第一模型可以称为单一物品购买意愿模型，每个第一模型的输出代表用户购买相应物品的概率，输出的值越高，用户越有可能购买相应物品。

[0067] 需要说明的是，本实施例中以购物场景为例进行的描述只是本实施例中的一个举例，不对本实施例的应用场景造成限定，其他场景下的应用与其类似，在此不再赘述。

[0068] 可选地，在本实施例中，第二模型用于根据输入的帐号特征分别输出在向帐号同时展示多个对象的场景下帐号对多个对象执行互斥操作的多个概率。以两个互斥型对象A和B为例，第二模型可以为模型AB，将目标帐号特征输入到模型AB中，模型AB能够分别输出对A执行互斥操作的概率和对B执行互斥操作的概率。

[0069] 可选地，在本实施例中，在购物场景下，第二模型可以称为互斥物品购买意愿模型，第二模型输出的多个概率值代表用户在同时展示多种物品的情况下，购买其中之一的相对概率，越高的概率值表示用户在多选一的情况下更可能购买该物品。

[0070] 可选地，在本实施例中，第二模型输出的多个概率值是一组相对的概率值，其相加的和为1，每个概率值表示了同时展示多种物品的情况下有百分之几的概率购买某个物品。

[0071] 可选地，在本实施例中，根据多个第一概率和多个第二概率确定操作概率的过程可以是计算出一个概率值作为操作概率，也可以是计算出多个概率值表示操作概率。操作概率满足目标概率阈值表示目标帐号对目标对象执行互斥操作的概率比对多个对象中除目标对象外的对象执行互斥操作的概率高。因此，操作概率是能够表示出目标帐号对各个对象执行互斥操作的概率，以及能够比较出目标帐号对各个对象执行互斥操作的概率高低的概率值即可。

[0072] 比如：以两个互斥型对象A和B为例，操作概率可以包括：对A执行互斥操作的概率，对B执行互斥操作的概率，以及对A和对B执行互斥操作的概率。上述对A执行互斥操作的概率表示只为目标帐号展示A时目标帐号对A执行互斥操作的概率，上述对B执行互斥操作的概率表示只为目标帐号展示B时目标帐号对B执行互斥操作的概率，上述对A和对B执行互斥操作的概率表示同时为目标帐号展示A和B时目标帐号分别对A和对B执行互斥操作的两个概率。

[0073] 作为一种可选的实施例，在上述步骤S31之前，还包括：

[0074] S41，使用所述每个对象对应的第一特征样本对第一初始模型进行训练得到所述每个对象对应的第一模型，其中，所述第一特征样本是在所述每个对象对应的操作场景下，对所述每个对象执行所述互斥操作的帐号的特征样本；

[0075] S42，使用所述多个对象共同对应的第二特征样本对第二初始模型进行训练得到所述第二模型，其中，所述第二特征样本是在所述多个对象共同对应的操作场景下，对所述多个对象中的一个对象执行所述互斥操作的帐号的特征样本。

[0076] 可选地，在本实施例中，每个模型可以但不限于采用以下训练过程进行训练：训练中使用的特征样本均带有标注，为每个模型预先配置了损失函数，将特征样本输入到初始模型中得到初始模型的输出，将初始模型的输出和特征样本带有的标注代入到损失函数中进行计算，根据计算结果对初始模型的模型参数进行调整，再将特征样本输入到参数调整后的模型中得到模型的输出，以此循环，直至将模型的输出和特征样本带有的标注代入到损失函数中进行计算得到的结果满足预先设定的结束条件时将当前得到的模型作为目标模型。

[0077] 可选地，在本实施例中，对于不同模型，样本数据可以来源于不同的操作场景，但是相应的场景需和对应的要训练的模型相匹配。对于单对象对应的模型(即上述第一模型)，其对应的第一特征样本可以是任意展示列表包含该对象的历史曝光数据，比如该对象的详情页访问用户数据等等。而对于对象二选一模型或者多选一模型(即上述第二模型)，第二特征样本可以选取各个对象平等曝光的场景数据。二选一或者多选一模型的样本可以从非推荐场景选取，比如可以取当天同时展示(不一定是同一场景)过这两种对象的用户获取第二特征样本。

[0078] 在一个可选的实施方式中，以物品交易场景为例，离线模型训练可以首先基于历史的曝光数据(比如：用户的购买数据)对用户进行客群类别划分，以物品A和物品B为互斥型对象为例，根据用户对两种互斥物品的购买情况，可把用户划分为4个类别：只购买了物品A的用户的客群类别A；只购买了物品B的用户的客群类别B；同时购买了物品A和物品B的用户的客群类别C；两种物品都未购买的用户的客群类别N。其中，对于严格的互斥型物品，如果采用本方案对业务策略做了限制，客群类别C可能不存在。基于以上人群类别划分，可以构建3种不同类型的模型，如表1所示，模型A和模型B是单一物品购买意愿模型(即上述第一模型)，模型的输出代表用户购买相应物品的概率，模型的输出越高，用户越有可能购买相应物品；模型AB是互斥物品之间的倾向性模型(即上述第二模型)，模型的输出代表用户在同时展示两种物品的情况下，购买其中之一的相对概率，设定模型AB对应购买物品A的相对概率，则打分越高，用户在二选一的情况下更可能购买物品A。

[0079] 可选地，在本实施例中，对于二选一的模型，可以输出两个物品对应的概率。也可以只输出一个物品对应的概率，那么另一个物品对应的概率可以通过1-模型的输出计算出来。对于多选一的模型则将多个概率均作为模型的输出，并可以提供输出的概率与相应物品之间的对应关系。

[0080] 表1

[0081]

[0082] 上述模型可以基于用户购买数据构建，如果把购买替换为用户对各个物品的点击，也可以得到一套效果类似的模型，比如：用于对模型进行训练的特征样本可以包括用户购买数据，还可以包括用户点击数据，或者也可以应用更复杂的目标构建策略，比如同时结合点击和购买构建特征，则用于对模型进行训练的特征样本可以同时包括用户购买数据和用户点击数据，或者针对不同的场景和参数(比如保费大小，价格高低)，对不同的样本应用不同的权重，比如：在保单推荐的场景中，不同的特征样本根据对应的保费大小具有与保费大小成正比的权重，从而可进一步提高筛选的效果。

[0083] 在上述步骤S33中，可以但不限于通过以下方式确定操作概率：

[0084] S51，对于所述多个第一概率和所述多个第二概率中的每个概率，确定所述每个概率在目标概率集合中的排序位置，其中，所述目标概率集合中记录了历史帐号在所述每个概率对应的场景下对所述每个概率所对应的对象执行所述互斥操作的历史概率；

[0085] S52，根据所述排序位置确定所述操作概率。

[0086] 可选地，在本实施例中，利用当前的每个概率在历史概率中的统计排序情况来重新确定每个概率对应的操作概率，能够根据每个用户的各个原始模型输出的概率以及历史帐号整体概率的统计值，计算每个用户的动态概率排名，并根据排名计算用户的操作概率。从而将模型输出的绝对数值转换为与线上用户比较的相对数值，避免数值的绝对性造成的偏差对推荐结果的影响。

[0087] 可选地，在本实施例中，可以但不限于采用以下方式确定每个概率在目标概率集合中的排序位置：

[0088] S61，将所述每个概率输入到用于存储所述目标概率集合的数据库中；

[0089] S62，通过所述数据库对所述目标概率集合中存储的历史概率和所述每个概率进行排序；

[0090] S63，将排序后的所述目标概率集合划分为目标数量的子概率集合，其中，每一所述子概率集合对应一集合序号；

[0091] S64，确定所述每个概率所落入的子概率集合为目标子概率集合，得到所述排序位置。

[0092] 可选地，在本实施例中，可以但不限于采用以下方式根据排序位置确定操作概率：

[0093] S65，将所述目标子概率集合对应的目标集合序号，确定为所述每个概率对应的操作概率。

[0094] 可选地，在本实施例中，上述用于存储所述目标概率集合的数据库可以但不限于是具有自动排序特性的数据库，比如：Redis数据库，利用Redis数据库的自动排序特性对数据库中原本存储的历史概率和新输入的每个概率进行自动排序。

[0095] 可选地，在本实施例中，划分子概率集合的方式可以为均匀划分，也可以根据目标概率集合中存储的概率的分布情况进行划分等。

[0096] 可选地，在本实施例中，每个子概率集合在全部子概率集合中所排列的位置即表示了子概率集合中包括的概率在总体概率中的相对位置。可以通过一个集合序号来表示该位置，集合序号可以是预设的数值，比如：从1到100，从0.01到1，也可以是根据子概率集合中存储的概率确定的，比如：可以是子概率集合中存储的最大概率，最小概率或者概率平均值等等。

[0097] 可选地，在本实施例中，可以但不限于采用以下方式将排序后的目标概率集合划分为目标数量的子概率集合：

[0098] S71，将排序后的所述目标概率集合中包括的概率平均划分到所述目标数量的子概率集合中；

[0099] S72，将所述目标数量的子概率集合映射到预设的数值区间中，其中，所述数值区间中包括所述目标数量的数值，所述目标数量的数值与所述目标数量的子概率集合一一对应；

[0100] S73，将每一子概率集合对应的数值确定为每一子概率集合对应的集合序号。

[0101] 可选地，在本实施例中，子概率集合的划分过程可以但不限于是一个数值范围之间的映射，比如：将数值范围为0至1的概率值映射到1至100的数值区间。将排序后的目标概率集合中包括的概率平均划分到100个子概率集合中，排在第几位的子概率集合即映射到预设的数值区间1至100中的第几个数值，比如：排在第49位的子概率集合即映射到预设的数值区间1至100中的数值49。从而得到每个子概率集合对应的集合序号。

[0102] 可选地，在本实施例中，上述划分集合使用集合序号作为操作概率的过程可以但不限于称为自适应分桶过程。对象筛选过程中使用的操作概率可以不直接基于各个模型的原始输出构建，而是引入了一个自适应分桶机制，基于自适应分桶机制输出的排序分位数构建操作概率，引入自适应分桶机制的优点可以体现在以下三个方面：

[0103] 第一，因为原始模型都是二分类模型，输出的是二分类模型的相对概率，其大小和模型样本的正负样本的比例直接相关，而二分类模型为了保证模型效果，正负样本的比例，以及不同样本的权重都会进行特定选取和优化，而模型打分会受正负样本比例、样本权重的直接影响，其绝对值并不稳定，引入自适应分桶机制，提取打分之间相对大小关系，可以有效去除打分绝对大小的影响。

[0104] 第二，二选一模型需要有很高的分辨能力才能分辨性质近似的互斥物品的偏好性，所以模型打分绝对值很容易受到样本特征不稳定的影响，直接应用原始打分，这种不稳定会直接传导到线上，造成线上推荐结果的不稳定，引入自适应分桶机制，能够使得线上推荐结果稳定性更强。

[0105] 第三，垂直领域推荐需要考虑到商业目标的多变性。某些时候，基于整体商业价值考虑，需要提高某个物品的曝光率，比如把某个物品的预期曝光比从20％提升到30％，要实现这种效果，在系统层面，需要调节在线策略的阈值，而如果直接适用原始打分的话，阈值也是对应原始打分，与商业目标层的指标不直接对应，以原始打分类型的数值做阈值，会导致商业目标指标的不稳定。

[0106] 基于以上三点，本实施例中，在离线模型输出概率和在线策略(操作概率与目标概率阈值之间的比对)之间引入了自适应分桶机制，它的功能是根据每个用户的各个原始模型概率以及历史帐号整体概率的统计值，计算每个用户的动态概率排名，并根据排名计算用户的排序分位数作为其对应的操作概率与目标概率阈值之间进行比对。自适应分桶机制根据排名将历史用户和当前用户划分(比如：可以均匀划分)到一定数量的(比如100个)桶，每个用户输出各个模型的分桶序号作为操作概率。

[0107] 图3是根据本申请实施例的一种自适应分桶机制的示意图，如图3所示，对象推送系统在线服务首先请求获取多个第一模型和一个第二模型输出的多个第一概率和多个第二概率，然后分别将各个概率值写入Redis数据库(记忆阶段)，然后利用Redis数据库的自动排序特性，获取当前概率在用户池中的排序序号，并根据用户池用户数和排序序号计算分桶分数(分桶阶段)，最后输出分桶的序号(rank)值作为最终的操作概率。

[0108] 可选地，在本实施例中，在确定所述每个概率在目标概率集合中的排序位置之前，可以但不限于采用以下方式对数据库中存储的数据进行过滤：

[0109] S81，获取所述每个概率对应的初始概率集合；

[0110] S82，从所述初始概率集合中删除存储时长超过时长阈值的概率，得到所述目标概率集合。

[0111] 可选地，在本实施例中，选择Redis数据库实现自动分桶的另外一个原因是可以利用Redis数据库的过期机制对数据实现上述过期淘汰的过程，保持自适应分桶的用户池的动态更新。

[0112] 作为一种可选的实施例，从所述多个对象中，筛选所述操作概率满足所述目标概率阈值的所述目标对象，包括以下之一：

[0113] S91，将所述第一概率对应的操作概率高于第一阈值且所述第二概率对应的操作概率高于第二阈值的对象确定为所述目标对象；

[0114] S92，将所述第一概率对应的操作概率高于第三阈值，其他对象的第一概率对应的操作概率低于第四阈值且所述第二概率对应的操作概率高于第五阈值的对象确定为所述目标对象。

[0115] 可选地，在本实施例中，操作概率是否满足目标概率阈值可以但不限于称为线上策略，其用于确定是否推送对象以及推送哪个对象。线上策略优化的目标是单用户价值，而不是简单的购买转化率，因为不同物品的单一订单的用户价值是不同的：比如面向低端用户的物品B的价值要比面向高端用户的物品A的小得多，同样曝光数量，物品B需要更多的用户成交，才能在收益上和物品A打平或者超过A。

[0116] 一种线上策略可以是筛选出第一概率对应的操作概率高于第一阈值(表示用户购买该对象的意愿较强烈)且第二概率对应的操作概率高于第二阈值(表示用户购买该对象的意愿比购买其他对象的意愿强烈)的对象，该线上策略可以表示在单一推荐该对象的场景中用户对该对象的购买意愿较强烈，并且在推荐多个互斥型对象的场景中用户对该对象的购买意愿也比较强烈。如表2所示，给出了一种上述线上策略的可选的表达方式。

[0117] 表2

[0118]

[0119]

[0120] 表2给出的条件是较简单的一种应用多个模型分桶打分的线上策略，其中每个不同产品形态对应的条件是有明确的物理意义的，比如PA对应的条件可以解读为：只有购买物品A的意愿高于指定阈值threshold1，同时在物品A和物品B中更愿意购买A，即相对购买意愿大于threshold2的用户才推送物品A；而PB对应的条件也是类似。

[0121] 可选地，在本实施例中，在从所述多个对象中，筛选所述操作概率满足目标概率阈值的所述目标对象之前，可以但不限于采用以下方式确定目标概率阈值：

[0122] S101，穷举出在对所述多个对象进行筛选的情况下允许出现的全部候选概率阈值组合；

[0123] S102，以所述全部候选概率阈值组合中每种候选概率阈值组合作为对所述多个对象进行筛选的筛选条件的情况下，计算所述每种候选概率阈值组合对应的评价参数，其中，所述评价参数用于指示在所述每种候选概率阈值组合的筛选条件下所产生的对象价值；

[0124] S103，将所述全部候选概率阈值组合中所述对象价值最高的候选概率阈值组合确定为所述目标概率阈值。

[0125] 可选地，在本实施例中，评价参数用于指示在每种候选概率阈值组合的筛选条件下所产生的对象价值，比如：评价参数可以用于表示在某个筛选条件下的综合价值(可以但不限于用评价参数来表示)。评价参数可以但不限于包括资源增长值，该资源增长值可以但不限于用于表示对象的操作过程带来的收益与对象成本之间的差值，比如：在交易场景下，资源增长值可以但不限于使用平均利润，总利润，净利润，毛利润等等指标来表示。

[0126] 可选地，在本实施例中，可以但不限于采用以下方式计算每种候选概率阈值组合对应的评价参数包括：

[0127] S111，将所述每种候选概率阈值组合作为筛选条件，为帐号样本筛选所述多个对象，得到筛选结果；

[0128] S112，根据所述筛选结果计算所述多个对象中每个对象的召回率；

[0129] S113，根据所述召回率估计所述多个对象的转化率；

[0130] S114，根据所述多个对象的转化率计算所述帐号样本所产生的资源增长值作为所述评价参数。

[0131] 比如：上述在线策略中的4个待定参数：threshold1，threshold2,threshold3,和threshold4的确定可以综合考虑线上效果和具体的目标，一种简单直接的确定阈值的方法是通过穷举不同的阈值组合，计算各个产品的召回率，并在此基础上，结合历史转化率，计算综合目标(比如平均利润)，选择最优的阈值组合。因为阈值对应的是分桶打分的分值，所以三种模型组合的解空间不超过100万种，这个数量级的解空间进行穷举搜索是完全可行的，这也是线上引入自适应分桶模块带来的好处之一。

[0132] 在线策略不局限于表2的简单形式，每个产品形态的过滤规则可以综合多个打分及多个条件的组合，另一种线上策略可以是筛选出第一概率对应的操作概率高于第三阈值，其他对象的第一概率对应的操作概率低于第四阈值且第二概率对应的操作概率高于第五阈值的对象。比如对上述产品形态PA，以下的条件也是一种合理的命中规则：

[0133] MA_rank>threshold5，MB_rankthreshold7。

[0134] 实际应用的PA的在线策略可以是形如上述规则的组合，多个规则的组合一般会提高系统的召回和整体效果，对于其它产品形态在线策略的制定也是类似。当规则比较复杂的时候，不适合应用穷举策略确定规则中的阈值参数，这时候可以通过机器学习算法来学习到最佳的阈值组合。比如PA对应的条件可以解读为：物品A的性能更加适合于用户的特征，且用户对于物品A的购买意愿更强烈，则使用该目标对机器学习算法进行训练得到机器学习模型来为用户筛选是否推荐物品A。

[0135] 在步骤S206提供的技术方案中，在待推送对象中将第一对象集合替换为第二对象集合，从而使得在待推送对象中具有互斥关系的对象在目标推送对象中只包括一个或者一个都不包括。

[0136] 比如：待推送对象包括对象1，对象2，……，对象8，其中的第一对象集合包括对象集合11(对象1，对象2和对象3)，对象集合12(对象4和对象6)，对象集合13(对象5和对象8)，对象集合14(对象7)，经过筛选后第二对象集合包括对象集合21(对象2)，对象集合22(对象4)，对象集合23(对象8)，对象集合24(空集)。则进行替换后，目标推送对象包括对象2，对象
8和对象4。

[0137] 在步骤S208提供的技术方案中，将目标推送对象推送至目标帐号的方式可以但不限于包括：使用即时通信应用将目标推送对象发送至目标帐号的即时通信会话中，将目标推送对象发送至目标帐号的社交互动平台上，目标推送对象发送至目标帐号的私信中等等。

[0138] 本申请还提供了一种可选实施例，该可选实施例提供了一种产品推荐系统，图4是根据本申请可选实施例的一种产品推荐系统的系统架构的示意图，如图4所示，本系统基于线上用户的点击和购买行为数据，离线训练多个不同性质的模型，对于每个在线用户，每个模型会基于用户特征各输出一个原始的模型分，每个模型分都经过一个在线自适应分桶模块进行变换，得到相应的排序分位数，然后在线策略模块基于各个排序分位数组合确定是否满足特定条件，决定最终的物品展示策略。

[0139] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

[0140] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台电子设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

[0141] 根据本申请实施例的另一个方面，还提供了一种用于实施上述待推送对象的推送方法的待推送对象的推送装置。图5是根据本申请实施例的一种可选的待推送对象的推送装置的示意图，如图5所示，该装置可以包括：

[0142] 获取模块52，用于从目标帐号对应的待推送对象中获取第一对象集合，其中，所述第一对象集合中包括相互具有互斥关系的多个对象；

[0143] 筛选模块54，用于根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合，其中，所述第二对象集合中包括所述多个对象中与所述目标帐号特征匹配的一个目标对象，或者，所述第二对象集合为空集；

[0144] 替换模块56，用于将所述待推送对象中的所述第一对象集合替换为所述第二对象集合，得到目标推送对象；

[0145] 推送模块58，用于将所述目标推送对象推送至所述目标帐号。

[0146] 需要说明的是，该实施例中的获取模块52可以用于执行本申请实施例中的步骤S202，该实施例中的筛选模块54可以用于执行本申请实施例中的步骤S204，该实施例中的替换模块56可以用于执行本申请实施例中的步骤S206，该实施例中的推送模块58可以用于执行本申请实施例中的步骤S208。

[0147] 此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。

[0148] 通过上述模块，对于目标帐号对应的待推送对象，从中获取包括相互具有互斥关系的多个对象的第一对象集合，依据目标帐号的目标帐号特征对多个对象进行筛选，筛选出一个目标对象或者对于多个对象均不选取，得到第二对象集合，使用第二对象集合替换待推送对象中的第一对象集合，使得待推送对象中相互具有互斥关系的对象仅为目标帐号推送其中的一个或者都不为目标帐号推送，不仅能保证将某类对象推荐给合适的用户，还能辨别和区分其中具有互斥关系的对象各自适用的不同的用户群，从而提高曝光利用率，优化展示列表的商业价值，从而实现了针对互斥型的产品进行有效推送。

[0149] 可选地，所述筛选模块包括：

[0150] 计算单元，用于根据所述目标帐号特征，计算所述多个对象中每个对象对应的操作概率，其中，所述操作概率用于指示所述目标帐号对每个对象执行互斥操作的概率；

[0151] 筛选单元，用于从所述多个对象中，筛选所述操作概率满足目标概率阈值的所述目标对象，其中，所述操作概率满足所述目标概率阈值表示,所述目标帐号对所述目标对象执行所述互斥操作的概率,比对所述多个对象中除所述目标对象外的对象执行所述互斥操作的概率高；

[0152] 第一确定单元，用于在筛选出所述目标对象的情况下，确定所述第二对象集合包括所述目标对象；

[0153] 第二确定单元，用于在未筛选出所述目标对象的情况下，确定所述第二对象集合为空集。

[0154] 可选地，所述计算单元用于：

[0155] 将所述目标帐号特征分别输入所述多个对象中每个对象对应的第一模型和具有互斥关系的多个对象对应的第二模型，其中，所述第一模型用于根据输入的帐号特征输出在向帐号展示所述每个对象的场景下帐号对所述每个对象执行所述互斥操作的概率，所述第二模型用于根据输入的帐号特征分别输出在向帐号同时展示所述多个对象的场景下帐号对所述多个对象执行所述互斥操作的多个概率；

[0156] 获取每个所述第一模型输出的第一概率得到多个第一概率，并获取所述第二模型输出的多个第二概率；

[0157] 根据所述多个第一概率和所述多个第二概率确定所述操作概率。

[0158] 可选地，所述计算单元用于：

[0159] 对于所述多个第一概率和所述多个第二概率中的每个概率，确定所述每个概率在目标概率集合中的排序位置，其中，所述目标概率集合中记录了历史帐号在所述每个概率对应的场景下对所述每个概率所对应的对象执行所述互斥操作的历史概率；

[0160] 根据所述排序位置确定所述操作概率。

[0161] 可选地，所述计算单元用于：将所述每个概率输入到用于存储所述目标概率集合的数据库中；通过所述数据库对所述目标概率集合中存储的历史概率和所述每个概率进行排序；将排序后的所述目标概率集合划分为目标数量的子概率集合，其中，每一所述子概率集合对应一集合序号；确定所述每个概率所落入的子概率集合为目标子概率集合，得到所述排序位置；将所述目标子概率集合对应的目标集合序号，确定为所述每个概率对应的操作概率。

[0162] 可选地，所述计算单元用于：

[0163] 将排序后的所述目标概率集合中包括的概率平均划分到所述目标数量的子概率集合中；

[0164] 将所述目标数量的子概率集合映射到预设的数值区间中，其中，所述数值区间中包括所述目标数量的数值，所述目标数量的数值与所述目标数量的子概率集合一一对应；

[0165] 将每一子概率集合对应的数值确定为每一子概率集合对应的集合序号。

[0166] 可选地，所述装置还包括：

[0167] 获取模块，用于在确定所述每个概率在目标概率集合中的排序位置之前，获取所述每个概率对应的初始概率集合；

[0168] 删除模块，用于从所述初始概率集合中删除存储时长超过时长阈值的概率，得到所述目标概率集合。

[0169] 可选地，所述装置还包括：

[0170] 第一训练模块，用于在将所述目标帐号特征输入所述多个对象中每个对象对应的第一模型和所述多个对象对应的第二模型之前，使用所述每个对象对应的第一特征样本对第一初始模型进行训练，得到所述每个对象对应的第一模型，其中，所述第一特征样本是在所述每个对象对应的操作场景下，对所述每个对象执行所述互斥操作的帐号的特征样本；

[0171] 第二训练模块，用于在将所述目标帐号特征输入所述多个对象中每个对象对应的第一模型和所述多个对象对应的第二模型之前，使用所述多个对象共同对应的第二特征样本对第二初始模型进行训练得到所述第二模型，其中，所述第二特征样本是在所述多个对象共同对应的操作场景下，对所述多个对象中的一个对象执行所述互斥操作的帐号的特征样本。

[0172] 可选地，所述筛选单元用于以下之一：

[0173] 将所述第一概率对应的操作概率高于第一阈值且所述第二概率对应的操作概率高于第二阈值的对象确定为所述目标对象；

[0174] 将所述第一概率对应的操作概率高于第三阈值，其他对象的第一概率对应的操作概率低于第四阈值且所述第二概率对应的操作概率高于第五阈值的对象确定为所述目标对象。

[0175] 可选地，所述装置还包括：

[0176] 穷举模块，用于在从所述多个对象中，筛选所述操作概率满足目标概率阈值的所述目标对象之前，穷举出在对所述多个对象进行筛选的情况下允许出现的全部候选概率阈值组合；

[0177] 计算模块，用于以所述全部候选概率阈值组合中每种候选概率阈值组合作为对所述多个对象进行筛选的筛选条件的情况下，计算所述每种候选概率阈值组合对应的评价参数，其中，所述评价参数用于指示在所述每种候选概率阈值组合的筛选条件下所产生的对象价值；

[0178] 确定模块，用于将所述全部候选概率阈值组合中所述对象价值最高的候选概率阈值组合确定为所述目标概率阈值。

[0179] 可选地，所述计算模块用于：

[0180] 将所述每种候选概率阈值组合作为筛选条件，为帐号样本筛选所述多个对象，得到筛选结果；

[0181] 根据所述筛选结果计算所述多个对象中每个对象的召回率；

[0182] 根据所述召回率估计所述多个对象的转化率；

[0183] 根据所述多个对象的转化率计算所述帐号样本所产生的资源增长值作为所述评价参数。

[0184] 可选地，所述获取模块包括：

[0185] 分类单元，用于按照互斥关系对所述待推送对象进行分类，得到多个对象集合，其中，所述互斥关系表示只允许对所述多个对象中的一个对象执行互斥操作；

[0186] 第三确定单元，用于将所述多个对象集合中所包括的对象数量大于1的对象集合确定为所述第一对象集合。

[0187] 此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。

[0188] 根据本申请实施例的另一个方面，还提供了一种用于实施上述待推送对象的推送方法的电子设备。

[0189] 图6是根据本申请实施例的一种电子设备的结构框图，如图6所示，该电子设备可以包括：一个或多个(图中仅示出一个)处理器601、存储器603、以及传输装置605，如图6所示，该电子设备还可以包括输入输出设备607。

[0190] 其中，存储器603可用于存储软件程序以及模块，如本申请实施例中的待推送对象的推送方法和装置对应的程序指令/模块，处理器601通过运行存储在存储器603内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的待推送对象的推送方法。存储器603可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器603可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0191] 上述的传输装置605用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置605包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置605为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

[0192] 其中，具体地，存储器603用于存储应用程序。

[0193] 处理器601可以通过传输装置605调用存储器603存储的应用程序，以执行下述步骤：

[0194] 从目标帐号对应的待推送对象中获取第一对象集合，其中，所述第一对象集合中包括相互具有互斥关系的多个对象；

[0195] 根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合，其中，所述第二对象集合中包括所述多个对象中与所述目标帐号特征匹配的一个目标对象，或者，所述第二对象集合为空集；

[0196] 将所述待推送对象中的所述第一对象集合替换为所述第二对象集合，得到目标推送对象；

[0197] 将所述目标推送对象推送至所述目标帐号。

[0198] 采用本申请实施例，提供了一种待推送对象的推送的方案。对于目标帐号对应的待推送对象，从中获取包括相互具有互斥关系的多个对象的第一对象集合，依据目标帐号的目标帐号特征对多个对象进行筛选，筛选出一个目标对象或者对于多个对象均不选取，得到第二对象集合，使用第二对象集合替换待推送对象中的第一对象集合，使得待推送对象中相互具有互斥关系的对象仅为目标帐号推送其中的一个或者都不为目标帐号推送，不仅能保证将某类对象推荐给合适的用户，还能辨别和区分其中具有互斥关系的对象各自适用的不同的用户群，从而提高曝光利用率，优化展示列表的商业价值，从而实现了针对互斥型的产品进行有效推送。

[0199] 可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

[0200] 本领域普通技术人员可以理解，图6所示的结构仅为示意，电子设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等电子设备。图6其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图6所示不同的配置。

[0201] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令电子设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

[0202] 本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行待推送对象的推送方法的程序代码。

[0203] 可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。

[0204] 可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

[0205] 从目标帐号对应的待推送对象中获取第一对象集合，其中，所述第一对象集合中包括相互具有互斥关系的多个对象；

[0206] 根据所述目标帐号的目标帐号特征对所述多个对象进行筛选，得到第二对象集合，其中，所述第二对象集合中包括所述多个对象中与所述目标帐号特征匹配的一个目标对象，或者，所述第二对象集合为空集；

[0207] 将所述待推送对象中的所述第一对象集合替换为所述第二对象集合，得到目标推送对象；

[0208] 将所述目标推送对象推送至所述目标帐号。

[0209] 可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

[0210] 可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0211] 上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

[0212] 上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

[0213] 在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0214] 在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

[0215] 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单元来实现本实施例方案的目的。

[0216] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0217] 以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。