CN111738807B - 用于推荐目标对象的方法、计算设备和计算机存储介质 - Google Patents

Abstract

本公开涉及一种用于推荐目标对象的方法、计算设备和计算机存储介质。该方法包括：提取关于目标对象的图像的图像特征；基于评论信息生成与评论信息相关联的标签特征；统计预定时间间隔内关于目标对象的预定操作，以便生成操作特征；融合图像特征、标签特征和操作特征，以生成描述特征；基于描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于相似度确定用以向用户显示待推荐目标对象的显示顺序；基于显示顺序，显示待推荐目标对象的图像。本公开能够实现快速地使得所推荐的目标对象准确匹配用户关于当前目标对象的偏好。

Description

用于推荐目标对象的方法、计算设备和计算机存储介质

技术领域

本公开总体上涉及机器学习，并且具体地，涉及用于推荐目标对象的方法、计算设备和计算机存储介质。

背景技术

传统的推荐目标对象的方案例如是：基于针对用户历史点击率等操作特征来进行商品或者内容的推荐，或者基于用户历史购买商品的名称来搜索近似商品以进行推荐。然而，在上述传统的推荐目标对象的方案中，所推荐的商品与用户实际偏好的商品存在较大差距，并且确定推荐商品的速度较慢，难以快速并准确匹配用户关于当前商品的偏好，以便快速并准确推荐备选商品。

综上，传统的推荐目标对象方案难以快速地使得所推荐的目标对象准确匹配用户关于当前商品的偏好。

发明内容

本公开提供一种用于推荐目标对象方法、计算设备和计算机存储介质，能够实现快速地使得所推荐的目标对象准确匹配用户关于当前目标对象的偏好。

根据本公开的第一方面，提供了一种用于推荐目标对象的方法。该方法包括：提取关于目标对象的图像的图像特征；获取关于目标对象的评论信息，以便基于评论信息生成与评论信息相关联的标签特征；统计预定时间间隔内关于目标对象的预定操作，以便生成操作特征；融合图像特征、标签特征和操作特征，以生成关于目标对象的描述特征，描述特征的维度小于图像特征、标签特征和操作特征的维度之和； 基于描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于相似度确定用以向用户显示待推荐目标对象的显示顺序；以及基于显示顺序，显示待推荐目标对象的图像。

根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得设备执行本公开的第一方面的方法。

根据本公开的第三方面，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上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。

在一些实施例中，用于融合图像特征、标签特征和操作特征以生成关于目标对象的描述特征包括：拼拼接图像特征、标签特征和操作特征，以生成用于输入第一神经网络模型的输入特征；以及基于输入特征，经由第一神经网络模型，确定关于目标对象的描述特征，第一神经网络模型是经由多个样本训练的。

在一些实施例中，所述第一神经网络模型是基于自编码网络而构建的。

在一些实施例中，基于评论信息生成与评论信息相关联的标签特征包括：将与目标对象相关联的评论信息转化为特征向量；基于特征向量，确定关于评论信息的属性概率，属性与目标对象的类型相关联；基于所确定的属性概率，确定关于评论信息的属性；基于评论信息，确定关于属性的情感倾向概率，以用于确定关于属性的情感倾向；基于所确定的关于属性的情感倾向和评论信息，确定待选评论信息；以及提取待选评论信息中与属性的情感倾向相关联的关键词信息，以便基于属性和关键词信息生成与目标对象相关联的标签特征。

在一些实施例中，所述属性包括气味、味道、价格、颜色、尺寸、功能、品质、内饰、耗电情况、材料、价格中的至少一个，目标对象为商品。

在一些实施例中，基于所确定的关于属性的情感倾向和评论信息确定待选评论信息包括：响应于确定属性的情感倾向符合预定条件，确定评论信息的长度是否大于或者等于预定长度阈值；以及响应于确定评论信息的长度大于或者等于预定长度阈值，确定评论信息为待选评论信息。

在一些实施例中，基于描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于相似度确定用以向用户显示待推荐目标对象的显示顺序包括：获取用户操作所针对的当前目标对象的描述特征；针对当前目标对象的描述特征进行局部敏感哈希计算，以生成第一哈希值；获取分组哈希值与第一哈希值相同的待选目标对象的描述特征，分组哈希值是经由针对目标对象的描述特征进行局部敏感哈希计算而生成的；以及分别计算当前目标对象的描述特征与待选目标对象的描述特征的相似度，以便基于相似度计算结果确定向用户显示目标对象的顺序。

在一些实施例中，用于推荐目标对象的方法还包括：针对所有目标对象中的每一个目标对象的描述特征进行局部敏感哈希计算，以生成每一个目标对象的分组哈希值；以及将具有相同分组哈希值的多个目标对象与相同的哈希桶相关联。

在一些实施例中，关于目标对象的预定操作包括以下的至少一项：针对目标对象的点击操作、添加购物车操作、下单操作、设置为关注。提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。

附图说明

图1示出了根据本公开的实施例的用于实施用于推荐目标对象的方法的系统的示意图。

图2示出了根据本公开的实施例的用于推荐目标对象的方法的流程图。

图3示出根据本公开实施例的用于生成关于目标对象的描述特征的第一神经网络模型的示意图。

图4示出了根据本公开的实施例的用于生成标签特征的方法的流程图。

图5示出了根据本公开的实施例的用于确定待推荐目标对象的显示顺序的方法的流程图。

图6示意性示出了适于用来实现本公开实施例的电子设备的框图。

在各个附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例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。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。

如前文所描述，传统的推荐目标对象的方案中，所推荐的商品与用户实际偏好的商品存在较大差距，难以快速并准确匹配用户关于当前商品的偏好。经研究发现，用户历史点击率等操作特征或者用户历史购买商品的名称不能准确反映用户的偏好商品的特性，也不能准确反映待检索商品的实际特性，因此使得基于检索获得的推荐商品与用户实际偏好的商品存在较大差距。另外，用户历史点击特征的维度较高，检索和匹配需要较长的计算时间，因此，无法快速地获得的推荐商品。

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，本公开的示例实施例提出了一种用于推荐目标对象的方案。该方案包括：提取关于目标对象的图像的图像特征；获取关于目标对象的评论信息，以便基于评论信息生成与评论信息相关联的标签特征；统计预定时间间隔内关于目标对象的预定操作，以便生成操作特征；融合图像特征、标签特征和操作特征，以生成关于目标对象的描述特征，描述特征的维度小于图像特征、标签特征和操作特征的维度之和； 基于描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于相似度确定用以向用户显示待推荐目标对象的显示顺序；以及基于显示顺序，显示待推荐目标对象的图像。

在上述方案中，通过将所生成的关于目标对象的图像特征、所述标签特征和所述操作特征进行融合，以生成关于所述目标对象的描述特征，使得描述特征能够准确反映目标对象的实际特性；另外通过基于所述描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于所述相似度确定用以向所述用户显示待推荐目标对象的显示顺序，本公开能够使得经由基于描述特征的相似度计算而更为准确地使得候选目标对象匹配当前目标对象；另外，通过使得所述描述特征的维度小于所述图像特征、所述标签特征和所述操作特征的维度之和，便于提高关于描述特征的检索和计算速度，进而快速地确定待推荐的目标对象，并且降低计算和存储资源的消耗或占用。因此，本公开能够快速地使得所推荐的目标对象准确匹配用户关于当前目标对象的偏好。

图1示出了根据本公开的实施例的用于实施用于推荐目标对象的方法的系统100的示意图。如图1所示，系统100包括：用户终端110、计算设备130、服务器160和网络150。用户终端110、计算设备130、服务器160可以通过网络150进行数据交互。计算设备130例如包括：图像特征确定单元132、标签特征生成单元134、操作特征生成单元136、描述特征生成单元138、相似度计算与排序单元140和显示单元142。

计算单元130用于基于用户操作所针对的当前目标对象来显示所述待推荐目标对象的图像。具体而言，计算单元130用于提取关于目标对象的图像的图像特征；基于所述评论信息生成与所述评论信息相关联的标签特征；生成操作特征；融合所述图像特征、所述标签特征和所述操作特征，以生成关于所述目标对象的描述特征；以及基于所述描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于所述相似度确定用以向所述用户显示待推荐目标对象的显示顺序并且显示所述待推荐目标对象的图像。计算单元130可以是服务器等计算设备，其具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，在每个计算设备上也可以运行着一个或多个虚拟机。

关于图像特征确定单元132，其用于提取关于目标对象的图像的图像特征。

关于标签特征生成单元134，其用于获取关于所述目标对象的评论信息，以便基于所述评论信息生成与所述评论信息相关联的标签特征。

关于操作特征生成单元136，其用于统计预定时间间隔内关于所述目标对象的预定操作，以便生成操作特征。

关于描述特征生成单元138，其用于融合所述图像特征、所述标签特征和所述操作特征，以生成关于所述目标对象的描述特征，并使得所述描述特征的维度小于所述图像特征、所述标签特征和所述操作特征的维度之和。

关于相似度计算与排序单元140，其用于基于所述描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于所述相似度确定用以向所述用户显示待推荐目标对象的显示顺序。

关于显示单元142，其用于基于所述显示顺序，显示所述待推荐目标对象的图像。

以下将结合图2描述根据本公开的实施例的用于推荐目标对象的方法200。图2示出了根据本公开的实施例的用于推荐目标对象的方法200的流程图。应当理解，方法200例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤202处，计算设备130提取关于目标对象的图像的图像特征。所述目标对象例如为商品和内容信息。

在一些实施例中，计算设备130基于第三神经网络模型提取所有目标对象中每一个目标图像的图像特征。第三神经网络模型可以是CNN神经网络结构。通过采用CNN神经网络结构，本公开能够有效的将大数据量的目标对象的图像降维成小数据量，利于目标对象的图像特征的存储与后续处理。在一些实施例中，第三神经网络模型也可以其他卷积神经网络 。

在步骤204处，计算设备130获取关于目标对象的评论信息，以便基于评论信息生成与评论信息相关联的标签特征。

在一些实施例中，计算设备130可以基于与所述目标对象相关联的评论信息，识别关于所述评论信息的属性以及关于该属性的情感倾向；基于所确定的关于所述属性的情感倾向和所述评论信息，确定待选评论信息；然后基于待选评论信息的属性以及与该属性相关的关键词信息生成标签特征。所述属性例如包括气味、味道、价格、颜色、尺寸、功能、品质、内饰、耗电情况、材料、价格中的至少一个。下文将结合图4具体说明用于生成标签特征的方法400，在此，不再赘述。

在步骤206处，计算设备130统计预定时间间隔内关于目标对象的预定操作，以便生成操作特征。所述关于所述目标对象的预定操作包括以下的至少一项：针对所述目标对象的点击操作、添加购物车操作、下单操作、设置为关注等等。

在一些实施例中，计算设备130例如基于所述目标对象，将预定时间间隔中的针对目标对象的操作信息进行聚类，以生成操作特征。操作特征例如包括各操作类型和各操作类型下的操作次数。

在步骤208处，计算设备130融合图像特征、标签特征和操作特征，以生成关于目标对象的描述特征，描述特征的维度小于图像特征、标签特征和操作特征的维度之和。

在一些实施例中：计算设备130融合所述图像特征、所述标签特征和所述操作特征以生成关于所述目标对象的描述特征包括：拼接图像特征、标签特征和操作特征，以生成用于输入第一神经网络模型的输入特征；以及基于输入特征，经由第一神经网络模型，确定关于目标对象的描述特征，第一神经网络模型是经由多个样本训练的。

在一些实施例中，生成输入特征的方式例如包括：计算设备130首先将图像特征、所述标签特征和所述操作特征进行归一化处理，然后再将经归一化处理之后的图像特征、所述标签特征和所述操作特征进行拼接，以便生成输入特征。通过对数据进行归一化，使得最优解的寻优过程明显会变得平缓，就更容易正确地收敛到最优解。

在一些实施例中，所述第一神经网络模型例如是是基于自编码器而构建的。自编码网络为非监督学习算法，自编码网络例如是一个3层或大于3层的神经网络，其可以给出比原始输入数据更好的特征描述。例如，图3示出根据本公开实施例的用于生成关于目标对象的描述特征的第一神经网络模型的示意图。如图3所示，第一神经网络模型用于将输入特征（表达式x）编码为目标对象的描述特征（表达式y），然后再将描述特征（表达式y）解码至表达式（表达式x'），以便通过反向传播算法来训练网络使输出等于输入。下文将结合公式（1）至（3）和图3说明第一神经网络模型的处理。

y = f(x) = s(wx+b) （1）

x' = g(y) = s(w'y+b') （2）

L(x,x') = L(x,g(f(x))) （3）

在上述公式（1）至（3）中，其中L代表损失函数。w'代表第一权重和w代表第二权重。x代表输入特征（例如图3中输入层310的输入特征）。y代表描述特征（例如，图3的中间层320的经由编码处理的特征）。x'代表解码后特征（例如，图3中输出层330的特征）。f()代表编码处理函数。g()代表解码处理函数。损失函数L可以是二次误差（squared error loss）或交叉熵误差(cross entropy loss)。

由图3可知，中间层320的维度小于输入层310的输入特征x的维度。也就是说从输入特征x经由编码处理降维转化为描述特征y。由于输入特征x是经由图像特征、所述标签特征和所述操作特征拼接而成的，因此其具有较高纬度，因此，通过第一神经网络模型300的转换可以以更小的维度的描述特征y去描述原始更高维度输入特征x而不损失原始输入特征x的丰富信息，由此，利于提高关于描述特征的检索和计算速度，进而快速地确定待推荐的目标对象，以及降低计算和存储资源的消耗或占用。

在步骤210处，计算设备130基于描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于相似度确定用以向用户显示待推荐目标对象的显示顺序。

在步骤212处，计算设备130基于显示顺序，显示待推荐目标对象的图像。

在上述方案中，通过将所生成的关于目标对象的图像特征、所述标签特征和所述操作特征进行融合，能够生成准确反映目标对象的实际特性并且维度更小的描述特征，以及基于所述描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于所述相似度确定用以向所述用户显示待推荐目标对象的显示顺序，本公开能够快速地使得所推荐的目标对象准确匹配用户关于当前目标对象的偏好。

以下将结合图4描述根据本公开的实施例的用于生成标签特征的方法400。图4示出了根据本公开的实施例的用于生成标签特征的方法400的流程图。应当理解，方法400例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法400还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤402处，计算设备130将与目标对象相关联的评论信息转化为特征向量。评论信息例如为非结构化的评论文本，因此其需要转化为特征向量。

在步骤404处，计算设备130基于特征向量，确定关于评论信息的属性概率，属性与目标对象的类型相关联。

例如，计算设备130经由多样本训练的属性识别模型（该属性识别模型例如是第二神经网络模型预测所构建），基于由评论信息转化后的特征向量，预测关于所述评论信息的属性概率。例如，关于某款口红的评论信息是“这款口红的颜色很时尚、能很好地提亮脸色，并且气味清新”。关于该款口红的评论信息经第二神经网络模型预测的排序前两位属性概率的属性为“颜色”和“气味”。再例如，关于某品牌苹果的评论信息是“他家苹果的味道甜美、很好吃，小孩子比较喜欢，价格实惠”。关于该品牌苹果的评论信息经第二神经网络模型预测的排序前两位属性概率例如为“味道”和“价格”。用于训练第二神经网络模型的多样本例如是经由人工或者自动标注属性的多个评论信息。

在步骤406处，计算设备130基于所确定的属性概率，确定关于评论信息的属性。例如，计算设备130基于属性概率大小来确定关于所述评论信息的属性。例如，计算设备130将属性概率最大的属性确定为关于所述评论信息的属性。诸如，关于前文提及的口红的评论信息的属性被确定为“颜色”；关于前文提及的苹果的评论信息的属性被确定为“口味”。

在步骤408处，计算设备130基于评论信息，确定关于属性的情感倾向概率，以用于确定关于属性的情感倾向。

例如，计算设备130经由多样本训练的情感倾向识别模型（该情感倾向识别模型例如是基于回归或分类模型而构建），提取评论信息的特征，预测关于所述属性的情感倾向概率。例如，计算设备130构建多个评论信息的特征向量表示，然后基于情感词典中词语的情感倾向标签信息训练该回归或分类模型，得到经训练的回归或分类模型后，再针对新的评论信息进行预测，获得新的评论信息的情感倾向标签信息。上述情感倾向识别模型的分析对象例如是所给定的评论信息中关于属性的情感倾向（例如“正向”、“负向”）的概率。例如，关于前文提及的口红的评论信息的属性为“颜色”，经由情感倾向识别模型所识别的关于“颜色”这一属性的情感倾向概率较高的为“正向”。计算设备130基于所预测的情感倾向概率较高的 “正向”，确定关于属性“颜色”的情感倾向为“正向”。

关于所述属性的情感倾向的方法，例如还包括：基于所构建的情感词典（sentiment lexicon）确定关于属性的情感倾向。基于所构建的情感词典，可以给词语赋予情感信息。该情感信息例如可以表示为{正向，负向，中性}。情感信息的标识方法也可以采用Valence-Arousal-Dominance（VAD）模型或者Evaluation-Potency-Activity（EPA）模型来确定。构建情感词典可以经由人工标注或者自动化标注。

在步骤410处，计算设备130基于所确定的关于属性的情感倾向和评论信息，确定待选评论信息。

在一些实施例中，确定待选评论信息的方法例如包括：如果计算设备130确定所述属性的情感倾向符合预定条件，则计算设备130确定所述评论信息的长度是否大于或者等于预定长度阈值；以及如果计算设备130确定所述评论信息的长度大于或者等于预定长度阈值，确定所述评论信息为所述待选评论信息。例如，计算设备130首先选取属性的情感倾向为“正向”。

在步骤412处，计算设备130提取待选评论信息中与属性的情感倾向相关联的关键词信息，以便基于属性和关键词信息生成与目标对象相关联的标签特征。

以下将结合图5描述根据本公开的实施例的用于确定待推荐目标对象的显示顺序的方法500。图5示出了根据本公开的实施例的用于确定待推荐目标对象的显示顺序的方法500的流程图。应当理解，方法500例如可以在图6所描述的电子设备600处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在502处，计算设备130获取用户操作所针对的当前目标对象的描述特。

在504处，计算设备130针对当前目标对象的描述特征进行局部敏感哈希计算，以生成第一哈希值。通过采用局部敏感哈希计算，使得目标对象的描述特征被显著地降维至更低维的二进制哈希值。采用局部敏感哈希算法的优势还在于：无需训练，即可完成相似目标对象的描述特征的归并，其无需面临传统的聚类等算法的随着数据集扩大，需要重新拟合的不足之处。在一些实施例中，计算设备130可以采用p稳定（p-Stable）分布的LSH算法针对目标对象的描述特征进行哈希计算，以生成第一哈希值。上述p稳定分布可描述为：对于一个实数集R上的分布D，如果存在P>=0，对任何n个实数v1,…,vn和n个满足D分布的变量X1,…,Xn，随机变量ΣiviXi （向量点乘，一个数）和(Σi|vi|^p)^1/pX（P [阶] 范数，一个数）有相同的分布，其中X是服从D分布的一个随机变量，则称D为一个p稳定分布。对任何p∈(0,2]存在稳定分布：p=1是柯西分布，概率密度函数为c(x)=1/[π(1+x2)]；p=2时是高斯分布，概率密度函数为g(x)=1/(2π)1/2*e-x^2/2。

通过利用基于p稳定分布的LSH算法将目标对象的描述特征映射为哈希值。该哈希函数是局部敏感的，因此如果当前目标对象的描述特征的特征向量v1和候选目标对象的特征向量v2距离很近，它们通过哈希函数映射后的哈希值将相同，并被哈希映射到同一个哈希桶中的概率会很大。

以下结合公式（4）说明上述局部敏感哈希计算的算法。

hash_vector = A * v （4）

在上述公式（4）中，hash_vector代表经由局部敏感哈希计算的哈希向量（或称为“哈希值”）。A代表哈希函数映射矩阵。v代表经由神经网络模型所提取的特征而生成的图像的特征向量。v例如是用户操作所针对的当前目标对象的描述特征的特征向量，或者是数据库中存储的目标对象的描述特征的特征向量。经由公式（4）所示的哈希函数映射矩阵A，针对特征向量v中的元素进行判断，如果元素大于0，则哈希向量hash_vector的对应特征取1，否则对应特征取0。

例如以下结合公式（5）说明哈希函数映射矩阵A的示例。

A=Shape：（N，D） （5）

在上述公式（5）中，N代表哈希函数映射函数的映射维度，即哈希向量（或称为“哈希值”）hash_vector的维度。D代表图像的特征向量v的维度。Shape ：（）例如代表基于p稳定分布的局部敏感哈希函数。根据p稳定分布，两个目标对象的描述特征的特征向量v1和v2的哈希映射距离A*v1-A*v2与||v1-v2||^pX 的分布是一样的。因此利用p稳定分布的局部敏感哈希计算可以有效地近似的目标对象的描述特征。

在506处，计算设备130获取分组哈希值与第一哈希值相同的待选目标对象的描述特征，分组哈希值是经由针对目标对象的描述特征进行局部敏感哈希计算而生成的。

在508处，计算设备130分别计算当前目标对象的描述特征与待选目标对象的描述特征的相似度，以便基于相似度计算结果确定向用户显示目标对象的顺序。

在一些实施例中，方法500还包括：针对所有目标对象中的每一个目标对象的描述特征进行局部敏感哈希计算，以生成所述每一个目标对象的分组哈希值；将具有相同分组哈希值的多个目标对象与相同的哈希桶相关联。

在上述方案中，通过基于局部敏感哈希计算的目标对象的描述特征方法，将目标对象的描述特征哈希映射成紧致的第一哈希值，能够大幅降低计算和存储所消耗的资源。因此，本公开能够有效降低相似度计算和匹配所需的计算和存储资源，提高快速地使得所推荐目标对象准确匹配当前目标对象。

图6示意性示出了适于用来实现本公开实施例的电子设备（或者计算设备）600的框图。设备600可以是用于实现执行图2、图4至图5所示的方法200、400至500的设备。如图6所示，设备600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的计算机程序指令或者从存储单元608加载到随机访问存储器（RAM）603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608，处理单元601执行上文所描述的各个方法和处理，例如执行方法200、400至500例如，在一些实施例中，方法200、400至500可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU601执行时，可以执行上文描述的方法200、400至500的一个或多个操作。备选地，在其他实施例中，CPU 601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法200、400至500的一个或多个动作。

需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、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）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解，流程图和/或步骤图的每个方步骤以及流程图和/或步骤图中各方步骤的组合，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语音交互装置中的处理器、通用计算机、专用计算机或其它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它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/或步骤图中的一个或多个方步骤中规定的功能/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/或步骤图中的一个或多个方步骤中规定的功能/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、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它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、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。

附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、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，流程图或步骤图中的每个方步骤可以代表一个模块、程序段或指令的一部分，该模块、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，方步骤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，两个连续的方步骤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，步骤图和/或流程图中的每个方步骤、以及步骤图和/或流程图中的方步骤的组合，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施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例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施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

以上仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。

Claims (11)

1.一种用于推荐目标对象的方法，包括：

提取关于目标对象的图像的图像特征；

获取关于所述目标对象的评论信息，以便基于所述评论信息生成与所述评论信息相关联的标签特征；

统计预定时间间隔内关于所述目标对象的预定操作，以便生成操作特征；

融合所述图像特征、所述标签特征和所述操作特征，以生成关于所述目标对象的描述特征，所述描述特征的维度小于所述图像特征、所述标签特征和所述操作特征的维度之和；

基于所述描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于所述相似度确定用以向所述用户显示待推荐目标对象的显示顺序；

基于所述显示顺序，显示所述待推荐目标对象的图像；

其中基于所述评论信息生成与所述评论信息相关联的标签特征包括：

将与所述目标对象相关联的评论信息转化为特征向量；

基于所述特征向量，确定关于所述评论信息的属性概率，所述属性与所述目标对象的类型相关联；

基于所确定的属性概率，确定关于所述评论信息的属性；以及

基于所述评论信息，确定关于所述属性的情感倾向概率，以用于确定关于所述属性的情感倾向。

2.根据权利要求1所述的方法，其中融合所述图像特征、所述标签特征和所述操作特征以生成关于所述目标对象的描述特征包括：

拼接所述图像特征、所述标签特征和所述操作特征，以生成用于输入第一神经网络模型的输入特征；以及

基于所述输入特征，经由所述第一神经网络模型，确定关于所述目标对象的所述描述特征，所述第一神经网络模型是经由多个样本训练的。

3.根据权利要求2所述的方法，其中所述第一神经网络模型是基于自编码网络而构建的。

4.根据权利要求1所述的方法，其中基于所述评论信息生成与所述评论信息相关联的标签特征还包括：

基于所确定的关于所述属性的情感倾向和所述评论信息，确定待选评论信息；以及

提取所述待选评论信息中与所述属性的情感倾向相关联的关键词信息，以便基于所述属性和所述关键词信息生成与所述目标对象相关联的所述标签特征。

5.根据权利要求4所述的方法，其中所述属性包括味道、价格、颜色、尺寸、功能、品质、内饰、耗电情况、材料、价格中的至少一个，所述目标对象为商品。

6.根据权利要求4所述的方法，其中基于所确定的关于所述属性的情感倾向和所述评论信息确定待选评论信息包括：

响应于确定所述属性的情感倾向符合预定条件，确定所述评论信息的长度是否大于或者等于预定长度阈值；以及

响应于确定所述评论信息的长度大于或者等于预定长度阈值，确定所述评论信息为所述待选评论信息。

7.根据权利要求1所述的方法，其中基于所述描述特征，确定与用户操作所针对的当前目标对象与待选目标对象的相似度，以用于基于所述相似度确定用以向所述用户显示待推荐目标对象的显示顺序包括：

获取所述用户操作所针对的当前目标对象的描述特征；

针对所述当前目标对象的描述特征进行局部敏感哈希计算，以生成第一哈希值；

获取分组哈希值与所述第一哈希值相同的待选目标对象的描述特征，所述分组哈希值是经由针对目标对象的描述特征进行局部敏感哈希计算而生成的；以及

分别计算所述当前目标对象的描述特征与所述待选目标对象的描述特征的相似度，以便基于相似度计算结果确定向所述用户显示目标对象的顺序。

8.根据权利要求7所述的方法，还包括：

针对所有目标对象中的每一个目标对象的描述特征进行局部敏感哈希计算，以生成所述每一个目标对象的分组哈希值；以及

将具有相同分组哈希值的多个目标对象与相同的哈希桶相关联。

9.根据权利要求1所述的方法，其中关于所述目标对象的预定操作包括以下的至少一项：针对所述目标对象的点击操作、添加购物车操作、下单操作、设置为关注。

10.一种计算设备，包括：

至少一个处理单元；

至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据权利要求1至9任一项所述的方法的步骤。

11.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现根据权利要求1至9中任一项所述的方法。

Images