推荐模型的处理方法、装置、计算机设备及存储介质

摘要

本申请实施例公开了一种推荐模型的处理方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括：基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，将第一匹配度与第一热门度进行融合，得到第一预测概率，基于第一预测概率，对推荐模型进行训练。本申请实施例提供的方法，由于第一对象信息包含与第一热门度关联的信息，导致基于推荐模型获取到的第一匹配度受到了第一热门度的影响。而第一预测概率是基于第一匹配度与第一热门度融合得到的，那么基于该第一预测概率对推荐模型进行训练，以使预测概率的损失值减小，从而提升预测概率的准确性，削弱了热门度对推荐模型输出的匹配度的影响，从而保证了推荐模型的准确性。

权利要求

1.一种推荐模型的处理方法，其特征在于，所述方法包括：

基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，所述第一对象信息包含与第一热门度关联的信息，所述第一热门度用于表示第一对象的受关注程度；

将所述第一匹配度与所述第一热门度进行融合，得到第一预测概率，所述第一预测概率指示登录第一用户标识的终端对所述第一对象执行交互操作的可能性，所述第一用户标识与所述第一用户信息对应；

基于所述第一预测概率，对所述推荐模型进行训练，以使所述推荐模型针对目标用户信息和目标对象信息获取到的匹配度，与所述目标对象信息的热门度融合得到的预测概率的损失值减小。

2.根据权利要求1所述的方法，其特征在于，所述第一对象为登录所述第一用户标识的终端执行过交互操作的对象，所述方法还包括：基于所述推荐模型，获取所述第一用户信息与第二对象信息之间的第二匹配度，第二对象为登录所述第一用户标识的终端未执行过交互操作的对象，所述第二对象信息包含与第二热门度关联的信息，所述第二热门度用于表示第二对象的受关注程度；

将所述第二匹配度与所述第二热门度进行融合，得到第二预测概率，所述第二预测概率指示登录所述第一用户标识的终端对所述第二对象执行交互操作的可能性；

所述基于所述第一预测概率，对所述推荐模型进行训练，包括：

基于所述第一预测概率与所述第二预测概率之间的差异，对所述推荐模型进行训练，以使所述差异增大。

3.根据权利要求1所述的方法，其特征在于，所述将所述第一匹配度与所述第一热门度进行融合，得到第一预测概率之前，所述方法还包括：响应于所述第一匹配度不大于目标阈值，基于第一转换关系，将所述匹配度转换至目标区间内，得到所述转换后的第一匹配度；或者，响应于所述第一匹配度大于所述目标阈值，基于第二转换关系，将所述第一匹配度转换至所述目标区间内，得到所述转换后的第一匹配度。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述第一用户信息与所述第一对象信息之间的关联度，所述关联度指示登录所述第一用户标识的终端对所述第一对象是否执行过交互操作；

所述基于所述第一预测概率，对所述推荐模型进行训练，包括：

基于所述第一预测概率与所述关联度之间的差异，对所述推荐模型进行训练。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定多个数据集合，每个数据集合包括至少一条样本数据，所述样本数据包括用户信息和对象信息以及所述对象信息对应的热门度，且同一数据集合中的用户信息和对象信息是从同一时间段的交互记录中获取的；

每次从不同的数据集合中，选取目标数量的所述样本数据，执行基于所选取的样本数据对所述推荐模型进行训练的步骤。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多条交互记录，每条交互记录包括用户信息及对象信息，所述每条交互记录指示登录用户标识的终端对所述交互记录包含的对象信息所对应的对象执行过交互操作，所述用户标识与所述交互记录包含的用户信息对应；

确定每条对象信息在所述多条交互记录中的数目，以及所述多条交互记录包含的对象信息的总数目；

将所述每条对象信息对应的数目与所述总数目的比值，确定为所述每条对象信息对应的热门度。

7.根据权利要求1所述的方法，其特征在于，所述将所述第一匹配度与所述第一热门度进行融合，得到第一预测概率，包括：基于调整参数对所述第一热门度进行平滑处理，得到平滑后的热门度；

将平滑后的热门度与所述第一匹配度的乘积，确定为所述第一预测概率；或者，将所述平滑后的热门度与所述第一匹配度之和，确定为所述第一预测概率。

8.根据权利要求1‑7任一项所述的方法，其特征在于，所述基于所述第一预测概率，对所述推荐模型进行训练之后，所述方法还包括：基于所述推荐模型，获取目标用户信息与待推荐的多个对象信息之间的匹配度；

基于所述多个对象信息对应的匹配度，将所述多个对象信息中的目标对象信息所对应的目标对象推荐给目标用户标识，所述目标对象信息对应的匹配度大于所述多个对象信息中其他对象信息对应的匹配度，所述目标用户标识与所述目标用户信息对应。

9.根据权利要求1‑7任一项所述的方法，其特征在于，所述基于所述第一预测概率，对所述推荐模型进行训练之后，所述方法还包括：基于所述推荐模型，获取目标用户信息与待推荐的多个对象信息之间的匹配度；

将每个对象信息对应的匹配度与所述每个对象信息对应的目标热门度进行融合，得到所述每个对象信息对应的推荐概率，所述每个对象信息对应的推荐概率指示登录目标用户标识的终端对所述对象信息所对应的对象执行交互操作的可能性，所述目标用户标识与所述目标用户信息对应；

基于所述多个对象信息对应的推荐概率，将所述多个对象信息中的目标对象信息所对应的目标对象推荐给所述目标用户标识，所述目标对象信息对应的推荐概率大于所述多个对象信息中其他对象信息对应的推荐概率。

10.一种推荐模型的处理装置，其特征在于，所述装置包括：

获取模块，用于基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，所述第一对象信息包含与第一热门度关联的信息，所述第一热门度用于表示第一对象的受关注程度；

融合模块，用于将所述第一匹配度与所述第一热门度进行融合，得到第一预测概率，所述第一预测概率指示登录第一用户标识的终端对所述第一对象执行交互操作的可能性，所述第一用户标识与所述第一用户信息对应；

训练模块，用于基于所述第一预测概率，对所述推荐模型进行训练，以使所述推荐模型针对目标用户信息和目标对象信息获取到的匹配度，与所述目标对象信息的热门度融合得到的预测概率的损失值减小。

11.根据权利要求10所述的装置，其特征在于，所述第一对象为登录所述第一用户标识的终端执行过交互操作的对象；

所述获取模块，还用于基于所述推荐模型，获取所述第一用户信息与第二对象信息之间的第二匹配度，第二对象为登录所述第一用户标识的终端未执行过交互操作的对象，所述第二对象信息包含与第二热门度关联的信息，所述第二热门度用于表示第二对象的受关注程度；

所述融合模块，还用于将所述第二匹配度与所述第二热门度进行融合，得到第二预测概率，所述第二预测概率指示登录所述第一用户标识的终端对所述第二对象执行交互操作的可能性；

所述训练模块，用于基于所述第一预测概率与所述第二预测概率之间的差异，对所述推荐模型进行训练，以使所述差异增大。

12.根据权利要求10所述的装置，其特征在于，所述装置还包括：

转换模块，用于响应于所述第一匹配度不大于目标阈值，基于第一转换关系，将所述匹配度转换至目标区间内，得到所述转换后的第一匹配度；或者，所述转换模块，还用于响应于所述第一匹配度大于所述目标阈值，基于第二转换关系，将所述第一匹配度转换至所述目标区间内，得到所述转换后的第一匹配度。

13.根据权利要求10所述的装置，其特征在于，所述获取模块，还用于获取所述第一用户信息与所述第一对象信息之间的关联度，所述关联度指示登录所述第一用户标识的终端对所述第一对象是否执行过交互操作；

所述训练模块，用于基于所述第一预测概率与所述关联度之间的差异，对所述推荐模型进行训练。

14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行以实现如权利要求1至9任一权利要求所述的推荐模型的处理方法中所执行的操作。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行以实现如权利要求1至9任一权利要求所述的推荐模型的处理方法中所执行的操作。

说明书

推荐模型的处理方法、装置、计算机设备及存储介质

技术领域

[0001] 本申请实施例涉及计算机技术领域，特别涉及一种推荐模型的处理方法、装置、计算机设备及存储介质。

背景技术

[0002] 随着计算机技术的发展，推荐模型的应用越来越广泛，基于推荐模型能够将用户感兴趣的对象推荐给用户。但相关技术中的推荐模型的精准度低，如何提升推荐模型的精准度是亟需解决的问题。

发明内容

[0003] 本申请实施例提供了一种推荐模型的处理方法、装置、计算机设备及存储介质，能够提升推荐模型的准确率。所述技术方案如下：

[0004] 一方面，提供了一种推荐模型的处理方法，所述方法包括：

[0005] 基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，所述第一对象信息包含与第一热门度关联的信息，所述第一热门度用于表示第一对象的受关注程度；

[0006] 将所述第一匹配度与所述第一热门度进行融合，得到第一预测概率，所述第一预测概率指示登录第一用户标识的终端对所述第一对象执行交互操作的可能性，所述第一用户标识与所述第一用户信息对应；

[0007] 基于所述第一预测概率，对所述推荐模型进行训练，以使所述推荐模型针对目标用户信息和目标对象信息获取到的匹配度，与所述目标对象信息的热门度融合得到的预测概率的损失值减小。

[0008] 另一方面，提供了一种推荐模型的处理装置，所述装置包括：

[0009] 获取模块，用于基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，所述第一对象信息包含与第一热门度关联的信息，所述第一热门度用于表示第一对象的受关注程度；

[0010] 融合模块，用于将所述第一匹配度与所述第一热门度进行融合，得到第一预测概率，所述第一预测概率指示登录第一用户标识的终端对所述第一对象执行交互操作的可能性，所述第一用户标识与所述第一用户信息对应；

[0011] 训练模块，用于基于所述第一预测概率，对所述推荐模型进行训练，以使所述推荐模型针对目标用户信息和目标对象信息获取到的匹配度，与所述目标对象信息的热门度融合得到的预测概率的损失值减小。

[0012] 在一种可能实现方式中，确定模块，用于确定多个数据集合，每个数据集合包括至少一条样本数据，所述样本数据包括用户信息和对象信息以及所述对象信息对应的热门度，且同一数据集合中的用户信息和对象信息是从同一时间段的交互记录中获取的；

[0013] 执行模块，用于每次从不同的数据集合中，选取目标数量的所述样本数据，执行基于所选取的样本数据对所述推荐模型进行训练的步骤。

[0014] 在另一种可能实现方式中，所述装置还包括：

[0015] 所述获取模块，还用于获取多条交互记录，每条交互记录包括用户信息及对象信息，所述每条交互记录指示登录用户标识的终端对所述交互记录包含的对象信息所对应的对象执行过交互操作，所述用户标识与所述交互记录包含的用户信息对应；

[0016] 确定模块，用于确定每条对象信息在所述多条交互记录中的数目，以及所述多条交互记录包含的对象信息的总数目；

[0017] 所述确定模块，还用于将所述每条对象信息对应的数目与所述总数目的比值，确定为所述每条对象信息对应的热门度。

[0018] 在另一种可能实现方式中，所述融合模块，用于基于调整参数对所述第一热门度进行平滑处理，得到平滑后的热门度；将平滑后的热门度与所述第一匹配度的乘积，确定为所述第一预测概率；或者，将所述平滑后的热门度与所述第一匹配度之和，确定为所述第一预测概率。

[0019] 在另一种可能实现方式中，所述装置还包括：

[0020] 所述获取模块，还用于基于所述推荐模型，获取目标用户信息与待推荐的多个对象信息之间的匹配度；

[0021] 推荐模块，用于基于所述多个对象信息对应的匹配度，将所述多个对象信息中的目标对象信息所对应的目标对象推荐给目标用户标识，所述目标对象信息对应的匹配度大于所述多个对象信息中其他对象信息对应的匹配度，所述目标用户标识与所述目标用户信息对应。

[0022] 在另一种可能实现方式中，所述装置还包括：

[0023] 所述获取模块，还用于基于所述推荐模型，获取目标用户信息与待推荐的多个对象信息之间的匹配度；

[0024] 所述融合模块，还用于将每个对象信息对应的匹配度与所述每个对象信息对应的目标热门度进行融合，得到所述每个对象信息对应的推荐概率，所述每个对象信息对应的推荐概率指示登录目标用户标识的终端对所述对象信息所对应的对象执行交互操作的可能性，所述目标用户标识与所述目标用户信息对应；

[0025] 推荐模块，用于基于所述多个对象信息对应的推荐概率，将所述多个对象信息中的目标对象信息所对应的目标对象推荐给所述目标用户标识，所述目标对象信息对应的推荐概率大于所述多个对象信息中其他对象信息对应的推荐概率。

[0026] 另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行以实现如上述方面所述的推荐模型的处理方法中所执行的操作。

[0027] 另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行以实现如上述方面所述的推荐模型的处理方法中所执行的操作。

[0028] 再一方面，提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机程序代码，所述计算机程序代码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程序代码，处理器执行所述计算机程序代码，使得所述计算机设备实现如上述方面所述的推荐模型的处理方法中所执行的操作。

[0029] 本申请实施例提供的技术方案带来的有益效果至少包括：

[0030] 本申请实施例提供的方法、装置、计算机设备及存储介质，由于第一对象信息包含与第一热门度关联的信息，导致基于推荐模型获取到的第一匹配度不仅体现了第一用户与第一对象本身的匹配度，还受到了第一热门度的影响。而第一预测概率是基于第一匹配度与第一热门度融合得到的，那么基于该第一预测概率对推荐模型进行训练，以使预测概率的损失值减小，从而提升预测概率的准确性。在预测概率越来越准确的情况下，削弱了热门度对推荐模型输出的匹配度的影响，使得推荐模型输出的更为准确地体现用户与对象本身的匹配度，从而保证了推荐模型的准确性，使得后续基于训练后的推荐模型在获取用户信息与对象信息之间的匹配度时，能够削弱对象信息中与热门度关联的信息的影响，保证推荐模型输出的匹配度的准确性。

附图说明

[0031] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0032] 图1是本申请实施例提供的一种实施环境的结构示意图；

[0033] 图2是本申请实施例提供的一种推荐模型的处理方法的流程图；

[0034] 图3是本申请实施例提供的一种推荐模型的处理方法的流程图；

[0035] 图4是本申请实施例提供的另一种推荐模型的处理方法的流程图；

[0036] 图5是本申请实施例提供的再一种推荐模型的处理方法的流程图；

[0037] 图6是本申请实施例提供的再一种推荐模型的处理方法的流程图；

[0038] 图7是本申请实施例提供的一种推荐模型的处理装置的结构示意图；

[0039] 图8是本申请实施例提供的一种推荐模型的处理装置的结构示意图；

[0040] 图9是本申请实施例提供的一种终端的结构示意图；

[0041] 图10是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

[0042] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

[0043] 本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说，在不脱离本申请的范围的情况下，可以将第一对象信息称为第二对象信息，且类似地，可将第二对象信息称为第一对象信息。

[0044] 本申请所使用的术语“至少一条”、“多条”、“每条”、“任一”，至少一条包括一条、两条或两条以上，多条包括两条或两条以上，而每条是指对应的多条中的每一条，任一是指多条中的任意一条。举例来说，多条交互记录包括3条交互记录，而每条是指这3条交互记录中的每一条交互记录，任一是指这3条交互记录中的任意一条交互记录，能够是第一条交互记录，或者，是第二条交互记录，或者，是第三条交互记录。

[0045] 人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

[0046] 人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

[0047] 机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。

[0048] 本申请实施例提供的方案，基于人工智能的机器学习技术，能够训练推荐模型，利用训练后的推荐模型实现推荐模型的处理方法。

[0049] 本申请实施例提供的推荐模型的处理方法，能够用于计算机设备中。在一种可能实现方式中，该计算机设备为终端或服务器。可选地，该服务器是独立的物理服务器，或者，是多个物理服务器构成的服务器集群或者分布式系统，或者，是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。可选地，该终端是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。

[0050] 在一些实施例中，本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备能够组成区块链系统。

[0051] 图1是本申请实施例提供的一种实施环境的示意图。参见图1，该实施环境包括终端101和服务器102。终端101和服务器102之间通过无线或者有线网络连接。

[0052] 在一种可能实现方式中，终端101上安装由服务器102提供服务的目标应用，终端101能够通过该目标应用实现例如数据传输、消息交互等功能。可选地，目标应用为终端101操作系统中的目标应用，或者为第三方提供的目标应用。例如，目标应用为对象推荐应用，该对象推荐应用具有对象推荐的功能，当然，该对象推荐应用还能够具有其他功能，例如，点评功能、购物功能、导航功能、游戏功能等。

[0053] 终端101用于基于用户标识登录目标应用，通过目标应用向服务器102发送对象获取请求，服务器102用于基于终端101发送的对象获取请求，基于推荐模型该用户标识对应的用户信息及带推荐的多个对象信息，从中选取用户感兴趣的多个目标对象信息，将多个目标对象信息返回给终端101，由终端101展示该多个目标对象信息。

[0054] 本申请实施例提供的方法，可用于多种场景。

[0055] 例如，视频推荐场景下：

[0056] 终端基于用户标识登录短视频应用，服务器为该短视频应用提供服务，服务器采用本申请实施例提供的推荐模型的处理方法，获取训练后的推荐模型，将推荐模型配置在服务器中。终端基于短视频应用向服务器发送视频获取请求，该视频获取请求携带用户标识，服务器接收该视频获取请求，确定该用户标识对应的用户信息，基于推荐模型，获取该用户信息及待推荐的多个视频信息之间的匹配度，从多个视频信息中选取匹配度最大的目标数量的目标视频信息，向终端发送该目标视频信息对应的目标视频，终端基于该短视频应用接收服务器发送的目标视频，播放该目标视频。

[0057] 再例如，物品推荐场景下：

[0058] 终端基于用户标识登录购物应用，服务器为该购物应用提供服务，服务器采用本申请实施例提供的推荐模型的处理方法，获取训练后的推荐模型，将推荐模型配置在服务器中，终端基于购物应用向服务器发送物品展示请求，该物品展示请求携带用户标识，服务器接收该物品展示请求，确定该用户标识对应的用户信息，基于推荐模型，获取该用户信息及待推荐的多个物品信息之间的匹配度，从多个物品信息中选取匹配度最大的目标数量的目标物品信息，向终端发送该目标物品信息对应的链接，终端基于该购物应用接收服务器发送的链接，基于接收到的连接展示多个目标物品。

[0059] 图2是本申请实施例提供的一种推荐模型的处理方法的流程图，由计算机设备执行，如图2所示，该方法包括：

[0060] 201、计算机设备基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，第一对象信息包含与第一热门度关联的信息，第一热门度用于表示第一对象的受关注程度。

[0061] 其中，第一用户信息用于表征第一用户，例如，第一用户信息包括用户性别、年龄、工作、喜好等。第一对象信息用于表征第一对象，第一对象能够为视频、新闻、音乐、电商商品等。例如，第一对象为视频，该第一对象信息包括视频简介、视频类型、视频的点击率等。推荐模型用于获取用户信息与对象信息之间的匹配度，该匹配度能够表示用户信息所表征的用户对对象信息所表征的对象的感兴趣程度，第一匹配度用于表示第一用户对第一对象的感兴趣程度。

[0062] 第一对象信息包含与第一热门度关联的信息，例如，第一对象为视频，第一对象信息包括被推荐次数，该被推荐次数表示第一对象被推荐给用户的次数，即被推荐次数即是与第一热门度关联的信息。由于第一对象信息包含与第一热门度关联的信息，基于推荐模型获取到的第一匹配度也受到了第一热门度的影响。

[0063] 202、计算机设备将第一匹配度与第一热门度进行融合，得到第一预测概率，第一预测概率指示登录第一用户标识的终端对第一对象执行交互操作的可能性，第一用户标识与第一用户信息对应。

[0064] 其中，第一用户标识与第一用户信息用于表征同一个用户。交互操作是登录第一用户标识的终端对第一对象执行的查看操作、播放操作等。在本申请实施例中，第一对象信息对应的第一热门度不仅会影响第一匹配度，还会影响登录第一用户标识的终端对第一对象执行交互操作的可能性。该第一对象的第一热门度越高，能够体现出由于第一对象的自身原因而受到广大用户的关注程度高，则登录第一用户标识的终端对第一对象执行交互操作的可能性越大，该第一对象的第一热门度越低，也能够体现出由于第一对象的自身原因而受到广大用户的关注程度低，则登录第一用户标识的终端对第一对象执行交互操作的可能性越小，即第一热门度与第一预测概率是正相关关系。例如，用户查看热点新闻的可能性高，查看非热点新闻的可能性低。因此，将第一匹配度与第一热门度进行融合，预测出登录第一用户标识的终端对第一对象执行交互操作的可能性。

[0065] 203、计算机设备基于第一预测概率，对推荐模型进行训练，以使推荐模型针对目标用户信息和目标对象信息获取到的匹配度，与目标对象信息的热门度融合得到的预测概率的损失值减小。

[0066] 本申请实施例提供的方法，由于第一对象信息包含与第一热门度关联的信息，导致基于推荐模型获取到的第一匹配度不仅体现了第一用户与第一对象本身的匹配度，还受到了第一热门度的影响。而第一预测概率是基于第一匹配度与第一热门度融合得到的，那么基于该第一预测概率对推荐模型进行训练，以使预测概率的损失值减小，从而提升预测概率的准确性。在预测概率越来越准确的情况下，削弱了热门度对推荐模型输出的匹配度的影响，使得推荐模型输出的更为准确地体现用户与对象本身的匹配度，从而保证了推荐模型的准确性，使得后续基于训练后的推荐模型在获取用户信息与对象信息之间的匹配度时，能够削弱对象信息中与热门度关联的信息的影响，保证推荐模型输出的匹配度的准确性。

[0067] 在图2所示实施例的基础上，计算机设备还能够基于第一用户信息、第一对象信息、第二对象信息以及每个对象信息对应的热门度来对推荐模型进行训练，该第一对象为登录第一用户标识的终端执行过交互操作的对象，第二对象为登录第一用户标识的终端执行过交互操作的对象，训练过程详见下述实施例。

[0068] 图3是本申请实施例提供的一种推荐模型的处理方法的流程图，由计算机设备执行，如图3所示，该方法包括：

[0069] 301、计算机设备获取第一用户信息、第一对象信息、第一对象信息对应的第一热门度、第二对象信息及第二对象信息对应的第一热门度。

[0070] 其中，第二对象信息用于表征第二对象，第二对象信息对应的第二热门度用于表示第二对象的受关注程度。在本申请实施例中，第二对象与第一对象不同。第一用户信息与第一用户标识对应，第一对象为登录第一用户标识的终端执行过交互操作的对象，第二对象为登录第一用户标识的终端未执行过交互操作的对象，即第一对象信息相当于第一用户信息对应的正样本对象信息，第二对象信息相当于第一用户信息对应的负样本对象信息。

[0071] 在一种可能实现方式中，数据集合包括用户信息、对象信息及对象信息对应的热门度，计算机设备从数据集合中获取上述的用户信息、对象信息及对应信息对应的流行度，也即是，该步骤301包括：确定多个数据集合，每个数据集合包括至少一条样本数据，每条样本数据包括用户信息、两条对象信息以及该两条对象信息对应的热门度，该两条对象信息为该用户信息的正样本对象信息和负样本对象信息，且同一数据集合中的用户信息和对象信息是从同一时间段的交互记录中获取到的，从多个数据集合中选取任一条样本数据，得到该样本数据包括的第一用户信息、第一对象信息、第一对象信息对应的热门度、第二对象信息及第二对象信息对应的热门度。

[0072] 其中，交互记录用于记录用户对对象执行交互操作的情况。可选地，每条交互记录包括用户信息和对象信息，每条交互记录指示登录用户标识的终端对交互记录包含的对象信息所对应的对象执行过交互操作，该用户标识与交互记录包含的用户信息对应，也即是该交互记录包括的用户信息和对象信息用于表征具有交互关系的用户和对象。在本申请实施例中，多个数据集合对应的交互记录属于同一个数据源。

[0073] 可选地，交互记录对应有生成时间，该生成时间表示交互操作的发生时间。基于多条交互记录对应的生成时间，能够确定多个时间段，基于同一时间段的交互记录包括的用户信息和对象信息，能够确定具有交互关系的用户信息和对象信息，也能够确定不具有交互关系的用户信息和对象信息，则确定至少一条样本数据，将确定的至少一条样本数据构成一个数据集合，从而得到多个时间段对应的数据集合。

[0074] 可选地，每个数据集合中的对象信息对应的热门度，是基于属于该数据集合对应的时间段的多条交互记录得到的，也即是，确定热门度的方式包括：获取多条交互记录，确定每条对象信息在多条交互记录中的数目，以及多条交互记录包含的对象信息的总数目，将每条对象信息对应的数目与总数目的比值，确定为每条对象信息对应的热门度。

[0075] 其中，该多条交互记录为属于同一时间段的交互记录。在本申请实施例中，不同的交互记录包含的对象信息可能相同，也可能不同，对于任一时间段，通过对属于该时间段的交互记录包含的对象信息进行统计，即可得到每条对象信息在多条交互记录中对应的数目，也即是每条对象信息在多条交互记录中的出现次数。基于每条对象信息对应的数目，即可确定多条对象信息对应的总数目，该总数目也即是多条交互记录的数目。在本申请实施例中，不同的数据集合中的对象信息所对应的热门度是基于数据集合对应的交互记录得到的，则同一对象信息在不同数据集合中对应的热门度可能不同。

[0076] 302、计算机设备基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，第一对象信息包含与第一热门度关联的信息，第一热门度用于表示第一对象的受关注程度。

[0077] 在一种可能实现方式中，该步骤302包括：基于推荐模型分别对第一用户信息及第二对象信息进行特征提取，得到第一用户特征及第一对象特征，基于推荐模型，获取第一用户特征与第一对象特征之间的匹配度。

[0078] 由于第一对象信息包含与第一热门度关联的信息，则基于推荐模型获取到的第一对象特征受到的第一热门度的影响，导致基于第一用户特征与第一对象特征获取到的第一匹配度受到第一热门度的影响。因此，后续通过训练推荐模型以使基于训练后推荐模型对对象信息进行特征提取时，能够削弱热门度对提取到的对象特征的影响，从而保证对象特征的准确性，从而保证第一匹配度的准确性。

[0079] 303、计算机设备将第一匹配度与第一对象信息对应的第一热门度进行融合，得到第一预测概率，第一预测概率指示登录第一用户标识的终端对第一对象执行交互操作的可能性，第一用户标识与第一用户信息对应。

[0080] 通过将第一对象信息对应的第一热门度与第一匹配度进行融合，以预测出在第一热门度的影响下，登录第一用户标识的终端对第一对象执行交互操作的可能性。

[0081] 在一种可能实现方式中，将第一匹配度与第一热门度进行融合的过程，包括：基于调整参数对第一对象信息对应的第一热门度进行平滑处理，得到平滑后的热门度，将平滑后的热门度与第一匹配度的乘积，确定为第一预测概率；或者，将平滑后的热门度与第一匹配度之和，确定为第一预测概率。

[0082] 其中，调整参数用于调整热门度对交互操作发生的可能性的影响强度。该调整参数为任意的数值，可选地，该调整参数是由管理人员设置的。

[0083] 在将第一匹配度与第一热门度进行融合的过程中，通过引入调整参数来对第一热门度进行平滑处理，以调整热门度对交互操作发生的可能性的影响强度，以保证预测到的第一预测概率尽可能准确，符合热门度对交互操作的影响的真实情况，以保证后续训练推荐模型的准确性。

[0084] 可选地，获取平滑后的热门度的过程包括：将调整参数确定为第一对象信息对应的热门度的幂，将该热门度的幂值确定为该平滑后的热门度；或者，将调整参数与第一对象信息对应的热门度的乘积，确定为平滑后的热门度。

[0085] 可选地，将平滑后的热门度与第一匹配度的乘积，确定为第一预测概率的过程，满足以下关系：

[0086] PΔ(y＝1|v，w，x)＝τ(fΔ(v，w))×(x)l

[0087] 其中，PΔ(y＝1|v，w，x)用于表示第一预测概率，v用于表示第一用户信息；w用于表示第一对象信息，x用于表示第一对象信息w对应的第一热门度，τ(·)用于表示转换关系函数，fΔ(v，w)用于表示基于推荐模型得到的第一匹配度；Δ用于表示推荐模型中的参数；l用于表示调整参数。

[0088] 可选地，将平滑后的热门度与第一匹配度之和，确定为第一预测概率的过程，满足以下关系：

[0089] PΔ(y＝1|v，w，x)＝τ(fΔ(v，w))+h(x)

[0090] 其中，PΔ(y＝1|v，w，x)用于表示第一预测概率，v用于表示第一用户信息；w用于表示第一对象信息，x用于表示第一对象信息w对应的第一热门度，τ(·)用于表示转换关系函数，fΔ(v，w)用于表示基于推荐模型得到的第一匹配度；Δ用于表示推荐模型中的参数；h(x)表示平滑后的热门度。

[0091] 在一种可能实现方式中，在获取到第一匹配度之后，先对第一匹配度进行转换，再将转换后的第一匹配度与第一热门度进行融合得到第一预测概率，也即是，该方法还包括：响应于第一匹配度不大于目标阈值，基于第一转换关系，将匹配度转换至目标区间内，得到转换后的第一匹配度；或者，响应于第一匹配度大于目标阈值，基于第二转换关系，将第一匹配度转换至目标区间内，得到转换后的第一匹配度。

[0092] 其中，目标阈值为任意的数值，例如，目标阈值为0。目标区间为匹配度需要满足的条件所对应的区间，例如，目标区间为(0，+∞)，或者，目标区间为(0，1)。基于推荐模型获取到的匹配度可能为任意的数值，按照匹配度的取值情况，采用不同的转换关系，将匹配度转换至目标区间内，以保证转换后的匹配度满足条件，以保证后续融合得到的预测概率的准确性。

[0093] 可选地，对第一匹配度进行转换的过程，满足以下关系：

[0094]

[0095] 其中，v用于表示第一用户信息；w用于表示第一对象信息，τ(·)用于表示转换关系函数，Δ用于表示推荐模型中的参数；fΔ(v，w)用于表示基于推荐模型得到的第一匹配度；τ(fΔ(v，w))用于表示转换后的第一匹配度；e为自然常数，目标阈值为0，即基于第一匹配度是否大于目标阈值，以不同的转换关系来获取转换后的第一匹配度。

[0096] 304、计算机设备基于推荐模型，获取第一用户信息与第二对象信息之间的第二匹配度，第二对象为登录第一用户标识的终端未执行过交互操作的对象。

[0097] 其中，第二对象信息包含与第二热门度关联的信息。

[0098] 该步骤与上述302同理，在此不再赘述。

[0099] 305、计算机设备将第二匹配度与第二对象信息对应的第二热门度进行融合，得到第二预测概率，第二预测概率指示登录第一用户标识的终端对第二对象执行交互操作的可能性。

[0100] 该步骤与上述步骤303同理。

[0101] 在一种可能实现方式中，在获取到第二匹配度之后，先对第二匹配度进行转换，再将转换后的第二匹配度与第二热门度进行融合得到第二预测概率，也即是，该方法还包括：响应于第二匹配度不大于目标阈值，基于第一转换关系，将匹配度转换至目标区间内，得到转换后的第二匹配度；或者，响应于第二匹配度大于目标阈值，基于第二转换关系，将第二匹配度转换至目标区间内，得到转换后的第二匹配度。

[0102] 其中，对第二匹配度进行转换的过程，与上述步骤303中对第一匹配度进行转换的过程同理，在此不再赘述。

[0103] 306、计算机设备基于第一预测概率与第二预测概率之间的差异，对推荐模型进行训练，以使差异增大。

[0104] 由于第一预测概率指示登录第一用户标识的终端对第一对象执行交互操作的可能性，第二预测概率指示该终端对第二对象执行交互操作的可能性，且第一对象是终端已执行操作的对象，第二对象是终端未执行过操作的对象，第一预测概率与第二预测概率之间的差异能够反映出预测概率的准确性，该差异越大表示预测概率越准确。基于第一预测概率与第二预测概率之间的差异来训练模型，以使该差异增大，也即是使得第一预测概率尽可能的大，第二预测概率尽可能的小，使得预测概率的损失值减小，从而提升预测概率的准确性，也能够提升匹配度的准确性，从而保证推荐模型获取到的匹配度时，能够削弱热门度对匹配度的影响，提升了推荐模型输出的匹配度的准确性。

[0105] 在一种可能实现方式中，基于第一预测概率与第二预测概率之间的差异，对推荐模型进行训练的过程满足以下关系：

[0106]

[0107] 其中，max(·)用于表示取最大值；Δ用于表示推荐模型中的参数；log(·)用于表示对数函数，σ(·)用于表示激活函数，即为Sigmoid(逻辑回归)函数；v用于表示第一用户信息；w1用于表示第一对象信息，x1用于表示第一对象信息w1对应的第一热门度，w2用于表示第二对象信息，x2用于表示第二对象信息w1对应的第二热门度；PΔ(y＝1|v，w1，x1)用于表示第一预测概率，y＝1用于表示获取的概率为获取登录用户标识的终端对对象执行交互操作的可能性；PΔ(y＝1|v，w2，x2)用于第二预测概率。

[0108] 需要说明的是，本申请实施例是以先获取用户信息、用户信息对应的正样本对象信息和负样本对象信息、以及正样本对象信息和负样本对象信息对应热门度来训练推荐模型的，而在另一实施例中，无需执行步骤301、304‑306，能够采用其他方式，基于第一预测概率，对推荐模型进行训练。

[0109] 需要说明的是，将上述第一用户信息、第一对象信息、第一对象信息对应的第一热门度、第二对象信息及第二对象信息对应的第一热门度确定为一条样本数据，上述实施例仅是基于一条样本数据来训练推荐模型的，而在另一实施例中，能够基于多条样本数据对推荐模型进行训练。其中，在多条样本数据中，不同的样本数据包含的用户信息不同，且每条样本数据包括用户信息的正样本对象信息和负样本对象信息，按照上述步骤302‑305，获取每条样本数据对应的两个预测概率，即正样本对象信息对应的预测概率和负样本对象信息对应的预测概率，之后，确定每条样本数据对应的两个预测概率之间的差异，基于多条样本数据对象的差异来训练推荐模型。

[0110] 需要说明的是，本申请实施例仅是以训练模型的一次迭代过程来说明的，而在另一实施例中，能够按照上述步骤301‑306，对推荐模型进行多次迭代训练。

[0111] 在一种可能实现方式中，该方法还包括：确定多个数据集合，每个数据集合包括至少一条样本数据，样本数据包括用户信息和对象信息以及对象信息对应的热门度，且同一数据集合中的用户信息和对象信息是从同一时间段的交互记录中获取的，每次从不同的数据集合中，选取目标数量的样本数据，执行基于所选取的样本数据对推荐模型进行训练的步骤。

[0112] 在本申请实施例中，将上述第一用户信息、第一对象信息、第一对象信息对应的第一热门度、第二对象信息及第二对象信息对应的第一热门度确定为一条样本数据。即每个数据集合包含的每条样本数据包括用户信息、正样本对象信息、负样本对象信息以及该正样本对象信息和该负样本对象信息对应的热门度。目标数量为任意的数量，例如，目标数量为10或15等。

[0113] 可选地，按照多个数据集合对应的时间段的先后顺序，从第一个数据集合中选取目标数量的样本数据，对推荐模型进行训练，之后，从第二个数据集合中选取目标数据的样本数据，对推荐模型再次进行训练，以此类推，从每条数据集合中选取样本数据对推荐模型进行训练。

[0114] 可选地，对于从任一数据集合中选取的目标数量的样本数据，按照上述步骤302‑306，每次以一条样本数据对推荐模型进行一次迭代，即基于目标数量的样本数据，对推荐模型进行迭代训练。或者，对于从任一数据集合中选取的目标数量的样本数据，按照上述步骤302‑305，获取每条样本数据对应的两个预测概率，即正样本对象信息对应的预测概率和负样本对象信息对应的预测概率，之后，确定每条样本数据对应的两个预测概率之间的差异，基于多条样本数据对象的差异来训练推荐模型。

[0115] 本申请实施例是从因果的角度出发，由于对象信息包含与热门度关联的信息，热门度对对象信息产生了影响，而热门度对用户对对象执行交互操作产生的影响是有益的，因此，基于本申请实施例提供的方法，削弱了热门度带来的坏影响，保证了训练后的推荐模型的准确性。

[0116] 本申请实施例提供的方法，由于第一对象信息包含与第一热门度关联的信息，导致基于推荐模型获取到的第一匹配度不仅体现了第一用户与第一对象本身的匹配度，还受到了第一热门度的影响。而第一预测概率是基于第一匹配度与第一热门度融合得到的，那么基于该第一预测概率对推荐模型进行训练，以使预测概率的损失值减小，从而提升预测概率的准确性。在预测概率越来越准确的情况下，削弱了热门度对推荐模型输出的匹配度的影响，使得推荐模型输出的更为准确地体现用户与对象本身的匹配度，从而保证了推荐模型的准确性，使得后续基于训练后的推荐模型在获取用户信息与对象信息之间的匹配度时，能够削弱对象信息中与热门度关联的信息的影响，保证推荐模型输出的匹配度的准确性。

[0117] 并且，基于本申请提供的方法能够与多种推荐模型结合，按照本申请实施例提供过的方法对任一种推荐模型进行训练时，无需增加模型中的参数，即可得到能够削弱热门度对匹配度的影响的推荐模型。

[0118] 在图2所示实施例的基础上，计算机设备还能够基于第一用户信息、第一对象信息、第一对象信息对应的热门度以及第一用户信息与第一对象信息之间的关联度来对推荐模型进行训练，训练过程详见下述实施例。

[0119] 图4是本申请实施例提供的一种推荐模型的处理方法的流程图，由计算机设备执行，如图4所示，该方法包括：

[0120] 401、计算机设备获取第一用户信息、第一对象信息、第一对象信息对应的第一热门度及第一用户信息与第一对象信息之间的关联度。

[0121] 其中，关联度指示登录第一用户标识的终端对第一对象是否执行过交互操作，可选地，关联度为第一数值或第二数值，关联度为第一数值时，表示登录第一用户标识的终端对第一对象执行过交互操作，关联度为第二数值时，表示登录第一用户标识的终端对第一对象未执行过交互操作。可选地，第一用户信息与第一对象信息之间的关联度管理人员设置的。

[0122] 该步骤与上述步骤301同理，在此不再赘述。

[0123] 402、计算机设备基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，第一对象信息包含与第一热门度关联的信息，第一热门度用于表示第一对象的受关注程度。

[0124] 该步骤与上述步骤302同理，在此不再赘述。

[0125] 403、计算机设备将第一匹配度与第一对象信息对应的第一热门度进行融合，得到第一预测概率，第一预测概率指示登录第一用户标识的终端对第一对象执行交互操作的可能性，第一用户标识与第一用户信息对应。

[0126] 该步骤与上述步骤303同理，在此不再赘述。

[0127] 404、计算机设备基于第一预测概率与关联度之间的差异，对推荐模型进行调整。

[0128] 由于第一预测概率指示登录第一用户标识的终端对第一对象执行交互操作的可能性，关联度指示登录第一用户标识的终端对第一对象是否执行过交互操作，即关联度相当于真实概率，该第一预测概率与关联度之间的差异，能够体现出预测概率的准确性，从而能够反映出第一匹配度的准确性。基于该差异对推荐模型进行训练，以使预测概率的损失值减小，使得预测概率的准确性高，以提升基于推荐模型获取到的匹配度的准确性，以削弱热门度对匹配度的影响，从而保证推荐模型的准确性。

[0129] 在一种可能实现方式中，在获取到第一预测概率后，将第一预测概率转换第一区间内，得到转换后的预测概率，基于转换后的预测概率与关联度之间的差异，对推荐模型进行调整。

[0130] 其中，第一区间为预测概率需要满足的条件所对应的空间，例如，第一区间为(0，1)。在获取到第一预测概率后，将匹配度转换至第一区间内，以保证转换后的预测概率满足条件，以保证后续基于转换后的预测概率与关联度之间的差异对推荐模型进行训练时，保证训练的推荐模型的准确性。

[0131] 可选地，将第一预测概率转换第一区间内，得到转换后的预测概率的过程，满足以下关系：

[0132]

[0133] 其中，φ(·)用于表示转换关系函数，PΔ(y＝1|v，w1，x1)用于表示第一预测概率，y＝1用于表示获取的概率为获取登录用户标识的终端对对象执行交互操作的可能性；v用于表示第一用户信息；w1用于表示第一对象信息，x1用于表示第一对象信息w1对应的第一热门度。

[0134] 需要说明的是，本申请实施例是基于获取到的第一用户信息、第一对象信息、第一对象信息对应的第一热门度及第一用户信息与第一对象信息之间的关联度来获取推荐模型的，而在另一实施例中，无需执行步骤401和404，能够采取其他方式，基于第一预测概率，对推荐模型进行训练。

[0135] 需要说明的是，将上述第一用户信息、第一对象信息、第一对象信息对应的第一热门度及第一用户信息与第一对象信息之间的关联度，确定为一条样本数据，上述实施例仅是基于一条样本数据来训练推荐模型的，而在另一实施例中，能够基于多条样本数据对推荐模型进行训练。其中，在多条样本数据中，不同的样本数据包含的用户信息或对象信息不同，按照上述步骤402‑403，获取每条样本数据对应的预测概率，之后，确定每条样本数据对应的预测概率与对应的关联度之间的差异，基于多条样本数据对象的差异来训练推荐模型。

[0136] 需要说明的是，本申请实施例仅是以训练模型的一次迭代过程来说明的，而在另一实施例中，能够按照上述步骤401‑404，对推荐模型进行多次迭代训练。

[0137] 在一种可能实现方式中，该方法还包括：确定多个数据集合，每个数据集合包括至少一条样本数据，样本数据包括用户信息和对象信息以及对象信息对应的热门度，且同一数据集合中的用户信息和对象信息是从同一时间段的交互记录中获取的，每次从不同的数据集合中，选取目标数量的样本数据，执行基于所选取的样本数据对推荐模型进行训练的步骤。

[0138] 在本申请实施例中，上述第一用户信息、第一对象信息、第一对象信息对应的第一热门度及第一用户信息与第一对象信息之间的关联度，确定为一条样本数据。基于选取的样本数据对推荐模型进行训练的过程，与上述图3所示的实施例中基于选取的样本数据对推荐模型进行训练的过程同理，在此不再赘述。

[0139] 本申请实施例提供的方法，由于第一对象信息包含与第一热门度关联的信息，导致基于推荐模型获取到的第一匹配度不仅体现了第一用户与第一对象本身的匹配度，还受到了第一热门度的影响。而第一预测概率是基于第一匹配度与第一热门度融合得到的，那么基于该第一预测概率对推荐模型进行训练，以使预测概率的损失值减小，从而提升预测概率的准确性。在预测概率越来越准确的情况下，削弱了热门度对推荐模型输出的匹配度的影响，使得推荐模型输出的更为准确地体现用户与对象本身的匹配度，从而保证了推荐模型的准确性，使得后续基于训练后的推荐模型在获取用户信息与对象信息之间的匹配度时，能够削弱对象信息中与热门度关联的信息的影响，保证推荐模型输出的匹配度的准确性。

[0140] 并且，由于第一预测概率指示登录第一用户标识的终端对第一对象执行交互操作的可能性，关联度指示登录第一用户标识的终端对第一对象是否执行过交互操作，第一预测概率与关联度之间的差异，能够体现出预测概率的准确性，从而能够反映出第一匹配度的准确性。基于该差异对推荐模型进行训练，以使预测概率的损失值减小，使得预测概率的准确性高，以提升基于推荐模型获取到的匹配度的准确性，以削弱热门度对匹配度的影响，从而保证推荐模型的准确性。

[0141] 在图2至图4所示实施例的基础上，在训练推荐模型之后，计算机设备还能够基于训练后的推荐模型实现对象的推荐，推荐过程详见下述实施例。

[0142] 图5是本申请实施例提供的一种推荐模型的处理方法的流程图，由计算机设备执行，如图5所示，该方法包括：

[0143] 501、计算机设备基于推荐模型，获取目标用户信息与待推荐的多个对象信息之间的匹配度。

[0144] 其中，待推荐的多个对象信息分别用于表征不同的对象。按照上述步骤302，基于推荐模型，分别获取目标用户信息与每个对象信息之间的匹配度。

[0145] 502、计算机设备基于多个对象信息对应的匹配度，将多个对象信息中的目标对象信息所对应的目标对象推荐给目标用户标识，目标对象信息对应的匹配度大于多个对象信息中其他对象信息对应的匹配度，目标用户标识与目标用户信息对应。

[0146] 在确定多个对象信息对应的匹配度的情况下，从多个对象信息中选取匹配度最大的目标对象信息，目标对象信息为多个对象信息中目标用户标识最感兴趣的对象信息，因此，将目标对象信息对应的目标对象推荐给目标用户标识。

[0147] 在一种可能实现方式中，该步骤502包括：从多个对象信息中选取目标数量的目标对象信息，将选取的目标对象信息对应的对象推荐给目标用户标识。其中，目标数量为任意的数量，例如，目标数量为10或15。

[0148] 在一种可能实现方式中，在获取到多个对象信息对应的匹配度后，对每个对象信息对象的匹配度进行转换，基于每个对象信息对应的转换后的匹配度，将多个对象信息中的目标对象信息所对应的目标对象推荐给目标用户标识，目标对象信息对应的转换后匹配度大于多个对象信息中其他对象信息对应的转换后匹配度。

[0149] 对于不同的用户信息和对象信息，推荐模型输出的匹配度所属的区间可能不同，例如，推荐模型输出的匹配度可能属于正数区间，即该匹配度为正数；推荐模型输出的匹配度可能属于负数区间，即该匹配度属于负数。因此，通过将匹配度转换至同一目标区间下，以保证多个对象信息对应的转换后的匹配度具有属于同一个区间，以便后续对多个对象信息对应的转换后的匹配度进行对比，以保证后续基于转换后的匹配度进行推荐时的推荐效果。

[0150] 可选地，对于任一对象信息，获取该对象信息对应的转换后的匹配度的过程，满足以下关系：

[0151]

[0152] 其中，v用于表示用户信息；w用于表示对象信息，y用于表示登录用户信息v所表征的用户标识的终端对对象信息w表征的对象执行交互操作，P(y|do(v，w))用于表示登录用户信息v所表征的用户标识的终端对对象信息w表征的对象执行交互操作的可能性，τ(·)用于表示转换关系函数，fΔ(v，w)用于表示基于推荐模型得到的第一匹配度；τ(fΔ(v，w))用于表示对象信息w对应的转换后的匹配度；x用于表示对象信息w对应的热门度，l用于表示l调整参数，E(x)用于表示热门度的期望，是一个常数。

[0153] 基于上述关系式可知，按照本申请实施例提供的方法来训练推荐模型后，基于训练后的推荐模型来获取登录用户标识的终端对对象执行交互操作的可能性时，得到的概率仅与推荐模型输出的匹配度有关，即削弱对象信息对应的热门度的影响。后续在对对象信息对应的对象进行推荐时，基于对象信息对应的转换后的匹配度即可实现对对象的推荐。

[0154] 本申请实施例提供的方法，由于训练后的推荐模型能够削弱热门度对匹配度的影响，即使对象信息中可能包括与热门度关联的信息，基于训练后的推荐模型获取用户信息与对象信息对应的匹配度时，能够削弱热门度对匹配度的影响，保证了得到的匹配度的准确性，从而保证了对对象进行推荐的推荐效果。

[0155] 在图2至图4所示实施例的基础上，在训练推荐模型之后，计算机设备还能够基于训练后的推荐模型实现对象的推荐，推荐过程详见下述实施例。

[0156] 图6是本申请实施例提供的一种推荐模型的处理方法的流程图，由计算机设备执行，如图6所示，该方法包括：

[0157] 601、计算机设备基于推荐模型，获取目标用户信息与待推荐的多个对象信息之间的匹配度。

[0158] 其中，待推荐的多个对象信息分别用于表征不同的对象。按照上述步骤302，基于推荐模型，分别获取目标用户信息与每个对象信息之间的匹配度。

[0159] 602、计算机设备将每个对象信息对应的匹配度与每个对象信息对应的目标热门度进行融合，得到每个对象信息对应的推荐概率，每个对象信息对应的推荐概率指示登录目标用户标识的终端对对象信息对应的对象执行交互操作的可能性。

[0160] 其中，目标热门度为期望的热门度，是通过预测未来不同的对象可能受到的关注程度得到的。可选地，每个对象信息对应的目标热门度是由管理人员设置的。在获取到的每个对象信息对应的匹配度不被热门度影响的情况下，通过引入目标热门度，以获取在不同的对象在目标热门度的影响下，登录目标用户标识的终端对不同的对象执行交互操作的可能性，以便后续能够基于每个目标对象信息对应的目标热门度来进行对象推荐。

[0161] 在一种可能实现方式中，获取到多个对象信息对应的匹配度后，对每个对象信息对象的匹配度进行转换，得到每个对象信息对应的转换后的匹配度，将每个对象信息对应的转换后的匹配度与对应的目标热门度进行融合，得到每个对象信息对应的推荐概率。

[0162] 在一种可能实现方式中，对于任一对象信息，基于该对象信息对应的匹配度和目标热门度，获取该对象信息对应的推荐概率的过程，满足以下关系，

[0163]

[0164] 其中，v用于表示用户信息；w用于表示对象信息，y用于表示登录用户信息v所表征的用户标识的终端对对象信息w表征的对象执行交互操作，do(·)用于表示一种算子， 用于表示对象信息w对应的目标热门度， 用于表示对象信息w对应的推荐概率，τ(·)用于表示转换关系函数，fΔ(v，w)用于表示用户信v息与对象信息w之间的匹配度；τ(fΔ(v，w))用于表示对象信息w对应的转换后的匹配度；l用于表示调整参数。

[0165] 603、计算机设备基于多个对象信息对应的推荐概率，将多个对象信息中的目标对象信息所对应的目标对象推荐给目标用户标识，目标对象信息对应的推荐概率大于多个对象信息中其他对象信息对应的推荐概率，目标用户标识与目标用户信息对应。

[0166] 在获取到多个对象信息对应的推荐概率后，从多个对象信息中选取推荐概率最大的目标对象信息，将选取的目标对象信息对应的目标对象推荐给目标用户标识，以保证推荐效果。

[0167] 本申请实施例提供的方法，由于训练后的推荐模型能够削弱热门度对匹配度的影响，基于训练后的推荐模型获取用户信息与对象信息对应的匹配度时，以削弱了热门度对得到的匹配度的影响，即保证了得到的匹配度的准确性。在此基础上，重新引入期望的目标热门度来获取对象信息对应的推荐概率，实现了一种新的推荐调控方式。

[0168] 图7是本申请实施例提供的一种推荐模型的处理装置的结构示意图，如图7所示，该装置包括：

[0169] 获取模块701，用于基于推荐模型，获取第一用户信息与第一对象信息之间的第一匹配度，第一对象信息包含与第一热门度关联的信息，第一热门度用于表示第一对象的受关注程度；

[0170] 融合模块702，用于将第一匹配度与第一热门度进行融合，得到第一预测概率，第一预测概率指示登录第一用户标识的终端对第一对象执行交互操作的可能性，第一用户标识与第一用户信息对应；

[0171] 训练模块703，用于基于第一预测概率，对推荐模型进行训练，以使推荐模型针对目标用户信息和目标对象信息获取到的匹配度，与目标对象信息的热门度融合得到的预测概率的损失值减小。

[0172] 在一种可能实现方式中，第一对象为登录第一用户标识的终端执行过交互操作的对象，获取模块701，还用于基于推荐模型，获取第一用户信息与第二对象信息之间的第二匹配度，第二对象为登录第一用户标识的终端未执行过交互操作的对象，第二对象信息包含与第二热门度关联的信息，第二热门度用于表示第二对象的受关注程度；

[0173] 融合模块702，还用于将第二匹配度与第二热门度进行融合，得到第二预测概率，第二预测概率指示登录第一用户标识的终端对第二对象执行交互操作的可能性；

[0174] 训练模块703，用于基于第一预测概率与第二预测概率之间的差异，对推荐模型进行训练，以使差异增大。

[0175] 在另一种可能实现方式中，如图8所示，装置还包括：

[0176] 转换模块704，用于响应于第一匹配度不大于目标阈值，基于第一转换关系，将匹配度转换至目标区间内，得到转换后的第一匹配度；或者，

[0177] 转换模块704，还用于响应于第一匹配度大于目标阈值，基于第二转换关系，将第一匹配度转换至目标区间内，得到转换后的第一匹配度。

[0178] 在另一种可能实现方式中，获取模块701，还用于获取第一用户信息与第一对象信息之间的关联度，关联度指示登录第一用户标识的终端对第一对象是否执行过交互操作；

[0179] 训练模块703，用于基于第一预测概率与关联度之间的差异，对推荐模型进行训练。

[0180] 在另一种可能实现方式中，如图8所示，装置还包括：

[0181] 确定模块705，用于确定多个数据集合，每个数据集合包括至少一条样本数据，样本数据包括用户信息和对象信息以及对象信息对应的热门度，且同一数据集合中的用户信息和对象信息是从同一时间段的交互记录中获取的；

[0182] 执行模块706，用于每次从不同的数据集合中，选取目标数量的样本数据，执行基于所选取的样本数据对推荐模型进行训练的步骤。

[0183] 在另一种可能实现方式中，如图8所示，装置还包括：

[0184] 获取模块701，还用于获取多条交互记录，每条交互记录包括用户信息及对象信息，每条交互记录指示登录用户标识的终端对交互记录包含的对象信息所对应的对象执行过交互操作，用户标识与交互记录包含的用户信息对应；

[0185] 确定模块705，用于确定每条对象信息在多条交互记录中的数目，以及多条交互记录包含的对象信息的总数目；

[0186] 确定模块705，还用于将每条对象信息对应的数目与总数目的比值，确定为每条对象信息对应的热门度。

[0187] 在另一种可能实现方式中，融合模块702，用于基于调整参数对第一热门度进行平滑处理，得到平滑后的热门度；将平滑后的热门度与第一匹配度的乘积，确定为第一预测概率；或者，将平滑后的热门度与第一匹配度之和，确定为第一预测概率。

[0188] 在另一种可能实现方式中，如图8所示，装置还包括：

[0189] 获取模块701，还用于基于推荐模型，获取目标用户信息与待推荐的多个对象信息之间的匹配度；

[0190] 推荐模块707，用于基于多个对象信息对应的匹配度，将多个对象信息中的目标对象信息所对应的目标对象推荐给目标用户标识，目标对象信息对应的匹配度大于多个对象信息中其他对象信息对应的匹配度，目标用户标识与目标用户信息对应。

[0191] 在另一种可能实现方式中，如图8所示，装置还包括：

[0192] 获取模块701，还用于基于推荐模型，获取目标用户信息与待推荐的多个对象信息之间的匹配度；

[0193] 融合模块702，还用于将每个对象信息对应的匹配度与每个对象信息对应的目标热门度进行融合，得到每个对象信息对应的推荐概率，每个对象信息对应的推荐概率指示登录目标用户标识的终端对对象信息所对应的对象执行交互操作的可能性，目标用户标识与目标用户信息对应；

[0194] 推荐模块707，用于基于多个对象信息对应的推荐概率，将多个对象信息中的目标对象信息所对应的目标对象推荐给目标用户标识，目标对象信息对应的推荐概率大于多个对象信息中其他对象信息对应的推荐概率。

[0195] 需要说明的是：上述实施例提供的推荐模型的处理装置，仅以上述各功能模块的划分进行举例说明，实际应用中，能够根据需要而将上述功能分配由不同的功能模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的推荐模型的处理装置与推荐模型的处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

[0196] 本申请实施例还提供了一种计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行以实现上述实施例的推荐模型的处理方法中所执行的操作。

[0197] 可选地，计算机设备提供为终端。图9示出了本申请一个示例性实施例提供的终端900的结构框图。该终端900可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面
4)播放器、笔记本电脑或台式电脑。终端900还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

[0198] 终端900包括有：处理器901和存储器902。

[0199] 处理器901可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器901可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field‑Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器901也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器901可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器901还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

[0200] 存储器902可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器902还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器902中的非暂态的计算机可读存储介质用于存储至少一个计算机程序，该至少一个计算机程序用于被处理器901所执行以实现本申请中方法实施例提供的推荐模型的处理方法。

[0201] 在一些实施例中，终端900还可选包括有：外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口903相连。具体地，外围设备包括：射频电路
904、显示屏905、摄像头组件906、音频电路907、定位组件908和电源909中的至少一种。

[0202] 外围设备接口903可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器901和存储器902。在一些实施例中，处理器901、存储器902和外围设备接口903被集成在同一芯片或电路板上；在一些其他实施例中，处理器901、存储器902和外围设备接口903中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

[0203] 射频电路904用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路904通过电磁信号与通信网络以及其他通信设备进行通信。射频电路904将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路904包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路904可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路904还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

[0204] 显示屏905用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏905是触摸显示屏时，显示屏905还具有采集在显示屏905的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器901进行处理。此时，显示屏905还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏905可以为一个，设置在终端900的前面板；在另一些实施例中，显示屏905可以为至少两个，分别设置在终端900的不同表面或呈折叠设计；在另一些实施例中，显示屏905可以是柔性显示屏，设置在终端900的弯曲表面上或折叠面上。甚至，显示屏905还可以设置成非矩形的不规则图形，也即异形屏。显示屏905可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light‑Emitting Diode,有机发光二极管)等材质制备。

[0205] 摄像头组件906用于采集图像或视频。可选地，摄像头组件906包括前置摄像头和后置摄像头。前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件906还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

[0206] 音频电路907可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器901进行处理，或者输入至射频电路904以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端900的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器901或射频电路
904的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路907还可以包括耳机插孔。

[0207] 定位组件908用于定位终端900的当前地理位置，以实现导航或LBS(Location Based  Service，基于位置的服务)。定位组件908可以是基于美国的GPS(Global Positioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

[0208] 电源909用于为终端900中的各个组件进行供电。电源909可以是交流电、直流电、一次性电池或可充电电池。当电源909包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

[0209] 在一些实施例中，终端900还包括有一个或多个传感器910。该一个或多个传感器910包括但不限于：加速度传感器911、陀螺仪传感器912、压力传感器913、指纹传感器914、光学传感器915以及接近传感器916。

[0210] 加速度传感器911可以检测以终端900建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器911可以用于检测重力加速度在三个坐标轴上的分量。处理器901可以根据加速度传感器911采集的重力加速度信号，控制显示屏905以横向视图或纵向视图进行用户界面的显示。加速度传感器911还可以用于游戏或者用户的运动数据的采集。

[0211] 陀螺仪传感器912可以检测终端900的机体方向及转动角度，陀螺仪传感器912可以与加速度传感器911协同采集用户对终端900的3D动作。处理器901根据陀螺仪传感器912采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

[0212] 压力传感器913可以设置在终端900的侧边框和/或显示屏905的下层。当压力传感器913设置在终端900的侧边框时，可以检测用户对终端900的握持信号，由处理器901根据压力传感器913采集的握持信号进行左右手识别或快捷操作。当压力传感器913设置在显示屏905的下层时，由处理器901根据用户对显示屏905的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

[0213] 指纹传感器914用于采集用户的指纹，由处理器901根据指纹传感器914采集到的指纹识别用户的身份，或者，由指纹传感器914根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器901授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器914可以被设置在终端900的正面、背面或侧面。当终端900上设置有物理按键或厂商Logo时，指纹传感器914可以与物理按键或厂商Logo集成在一起。

[0214] 光学传感器915用于采集环境光强度。在一个实施例中，处理器901可以根据光学传感器915采集的环境光强度，控制显示屏905的显示亮度。具体地，当环境光强度较高时，调高显示屏905的显示亮度；当环境光强度较低时，调低显示屏905的显示亮度。在另一个实施例中，处理器901还可以根据光学传感器915采集的环境光强度，动态调整摄像头组件906的拍摄参数。

[0215] 接近传感器916，也称距离传感器，设置在终端900的前面板。接近传感器916用于采集用户与终端900的正面之间的距离。在一个实施例中，当接近传感器916检测到用户与终端900的正面之间的距离逐渐变小时，由处理器901控制显示屏905从亮屏状态切换为息屏状态；当接近传感器916检测到用户与终端900的正面之间的距离逐渐变大时，由处理器901控制显示屏905从息屏状态切换为亮屏状态。

[0216] 本领域技术人员可以理解，图9中示出的结构并不构成对终端900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

[0217] 可选地，计算机设备提供为服务器。图10是本申请实施例提供的一种服务器的结构示意图，该服务器1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central Processing Units，CPU)1001和一个或一个以上的存储器1002，其中，存储器1002中存储有至少一条计算机程序，至少一条计算机程序由处理器1001加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

[0218] 本申请实施例还提供了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至少一条计算机程序，该至少一条计算机程序由处理器加载并执行以实现上述实施例的推荐模型的处理方法中所执行的操作。

[0219] 本申请实施例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程序代码，该计算机程序代码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程序代码，处理器执行该计算机程序代码，使得该计算机设备实现如上述实施例的推荐模型的处理方法中所执行的操作。

[0220] 本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

[0221] 以上所述仅为本申请实施例的可选实施例，并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。