对象推送方法、装置、设备及计算机存储介质与流程

1.本技术属于人工智能技术领域，尤其涉及一种对象推送方法、装置、设备及计算机存储介质。


背景技术：

2.随着电子购物的普及，用户往往可以通过电子商务平台来进行购物选择，但是电子商务平台上存在大量的商品对象信息，用户从海量的商品对象信息中去筛选得到自己所需要的商品对象无疑需要浪费大量的时间。
3.因此，针对用户的对象推送方法也因此而生，常用的商品对象推送方法往往是根据用户的购买记录来进行推荐，但是这种方式无法挖掘用户的潜在购物潜力，只能局限于用户曾经所购买过的商品对象的推荐，且不能推荐新的商品对象给用户，因此也就无法给用户推荐与用户信息更加相符合的商品对象。


技术实现要素：

4.本技术实施例提供一种对象推送方法、装置、设备及计算机存储介质，提高对象推送的准确性。
5.根据本技术的第一个方面，本技术实施例提供一种对象推送方法，该方法包括：
6.获取m个对象的目标对象特征向量、第一用户对对象的第一喜好特征向量和第一用户的社交网络信息，其中，m为正整数；
7.根据各目标对象特征向量和第一喜好特征向量，分别确定各对象与第一用户的喜好相关的第一特征相关度；
8.根据各目标对象特征向量和社交网络信息，分别确定各对象与第一用户的第二特征相关度；
9.根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象，目标相关度包括第一特征相关度和/或第二特征相关度，其中，x＜m，x为正整数；
10.向第一用户推送目标对象。
11.可选地，根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象；包括：
12.步骤a：分别计算各对象对应的第一特征相关度和第二特征相关度之间的商，确定各对象的特征相似度；
13.步骤b：从m个特征相似度中选取n个准目标特征相似度，其中，n＜m，n为正整数；
14.步骤c：确定n个准目标特征相似度中的最大值为目标特征相似度；
15.步骤d：若目标特征相似度的数量小于x，则从剩余特征相似度中再次选取n个准目标特征相似度，返回执行步骤c，直至得到x个目标特征相似度；剩余特征相似度为从m个特征相似度中去除已被选取为准目标特征相似度后，剩下的特征相似度；
16.确定各目标特征相似度所对应的对象为目标对象。
17.可选地，根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象；包括：
18.步骤a：从m个第一特征相关度中选取n个准第一特征相关度，其中，n＜m，n为正整数；
19.步骤b：确定n个准第一特征相关度中的最大值为第一目标特征相关度；
20.步骤c：若第一目标特征相关度的数量小于x，则从剩余第一特征相关度中再选取n个准第一特征相关度，返回执行步骤b，直至得到x个第一目标特征相关度；剩余第一特征相关度为从m个第一特征相关度中除去已被选取为准第一特征相关度之后，剩下的第一特征相关度；
21.确定各第一目标特征相关度所对应的对象为目标对象。
22.可选地，根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象，目标相关度包括第一特征相关度和/或第二特征相关度；包括：
23.步骤a：从m个第二特征相关度中选取n个准第二特征相关度，其中，n＜m，n为正整数；
24.步骤b：确定n个准第二特征相关度中的最大值为第二目标特征相关度；
25.步骤c：若第二目标特征相关度的数量小于x，则从剩余第二特征相关度中再选取n个准第二特征相关度，返回执行步骤b，直至得到x个第二目标特征相关度；剩余第二特征相关度为从m个第二特征相关度中除去已被选取为准第二特征相关度之后，剩下的第二特征相关度；
26.确定各第二目标特征相关度所对应的对象为目标对象。
27.可选地，根据各目标对象特征向量和社交网络信息，分别确定各对象与第一用户的第二特征相关度，包括：
28.根据社交网络信息确定与第一用户存在社交关系的第二用户；
29.获取第二用户对对象的第二喜好特征向量；
30.根据各目标对象特征向量和第二喜好特征向量，分别确定各对象与第二用户的喜好相关的第三特征相关度；
31.确定第三特征相关度为第二特征相关度。
32.可选地，方法还包括：
33.根据社交网络信息确定与第一用户存在社交关系的第二用户；
34.获取第二用户对对象的第二喜好特征向量；
35.根据各目标对象特征向量和第二喜好特征向量，分别确定各对象与第二用户的喜好相关的第三特征相关度；
36.根据贪心算法和第三特征相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象；
37.将x个目标对象推荐给第一用户。
38.可选地，在获取m个对象的目标对象特征向量之前，方法还包括：
39.获取对象的多个对象特征向量；
40.根据各对象特征向量，确定各对象特征向量对于对象的特征权重；
41.确定各特征权重中的最大值所对应的对象特征向量为目标对象特征向量。
42.根据本技术的第二个方面，本技术实施例提供了一种对象推送装置，装置包括：
43.第一获取模块，用于获取m个对象的目标对象特征向量、第一用户对对象的第一喜好特征向量和第一用户的社交网络信息，其中，m为正整数；
44.第一确定模块，用于根据各目标对象特征向量和第一喜好特征向量，分别确定各对象与第一用户的喜好相关的第一特征相关度；
45.第二确定模块，用于根据各目标对象特征向量和社交网络信息，分别确定各对象与第一用户的第二特征相关度；
46.第一选取模块，用于根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象，目标相关度包括第一特征相关度和/或第二特征相关度，其中，x＜m，x为正整数；
47.第一推送模块，用于向第一用户推送目标对象。
48.根据本技术的第三个方面，提供一种对象推送设备，该设备包括：处理器以及存储有计算机程序指令的存储器；
49.处理器执行计算机程序指令时实现第一个方面中任意一项的对象推送方法。
50.根据本技术的第四个方面，本技术实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一个方面中任意一项的对象推送方法。
51.根据本技术的第五个方面，本技术实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行第一个方面中任意一项的对象推送方法。
52.本技术实施例的对象推送方法、装置、设备及计算机存储介质，通过获取m个对象的目标对象特征向量、第一用户对所述对象的第一喜好特征向量和第一用户的社交网络信息；再确定第一用户喜好有关的第一特征向量，以及确定与第一用户的社交网络信息有关的第二特征向量；并通过贪心算法根据不同的推送目标约束条件来选取目标对象，并将目标对象推荐给第一用户。基于此，本技术推送的目标对象不仅仅只是考虑了第一特征相关度，更结合了贪心算法以及和社交网络有关的第二特征相关度，增加了从m个对象中选取符合要求的x个目标对象的选择条件，使得最终的目标对象经过了多层筛选才能推送给第一用户，提高了目标对象的推送准确性。
附图说明
53.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，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。
54.图1是根据一示例性实施例示出的一种对象推送方法的一流程图；
55.图2是根据一示例性实施例示出的一种对象推送方法的另一流程图；
56.图3是根据一示例性实施例示出的一种对象推送方法的又一流程图；
57.图4是根据一示例性实施例示出的一种对象推送方法的又一流程图；
58.图5是根据一示例性实施例示出的一种对象推送方法的又一流程图；
59.图6是根据一示例性实施例示出的一种对象推送方法的又一流程图；
60.图7是根据一示例性实施例示出的一种对象推送方法的又一流程图；
61.图8是根据一示例性实施例示出的一种对象推送装置的结构框图；
62.图9是根据一示例性实施例示出的一种对象推送设备的结构框图。
具体实施方式
63.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
64.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非他性地包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
65.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
66.如背景技术部分所述，常用的商品对象推送方法往往是根据用户的购买记录来进行推荐，但是这种方式无法挖掘用户的潜在购物潜力，只能局限于用户曾经所购买过的商品对象的推荐，且不能推荐新的商品对象给用户，因此也就无法给用户推荐与用户信息更加相符合的商品对象。
67.为了解决现有技术问题，本技术推送的目标对象不仅仅只是考虑了第一特征相关度，更结合了贪心算法以及和社交网络有关的第二特征相关度，增加了从m个对象中选取符合要求的x个目标对象的选择条件，使得最终的目标对象经过了多层筛选才能推送给第一用户，提高了目标对象的推送准确性。
68.基于此，本技术通过获取m个对象的目标对象特征向量、第一用户对所述对象的第一喜好特征向量和第一用户的社交网络信息；再确定第一用户喜好有关的第一特征向量，以及确定与第一用户的社交网络信息有关的第二特征向量；并通过贪心算法根据不同的推送目标约束条件来选取目标对象，并将目标对象推荐给第一用户。基于此，本技术推送的目标对象不仅仅只是考虑了第一特征相关度，更结合了贪心算法以及和社交网络有关的第二特征相关度，增加了从m个对象中选取符合要求的x个目标对象的选择条件，使得最终的目标对象经过了多层筛选才能推送给第一用户，提高了目标对象的推送准确性。
69.基于此，本技术提供了一种对象推送方法、装置、设备及计算机存储介质。下面首先对本技术实施例所提供的对象推送方法进行介绍。
70.图1示出了本技术一个实施例提供的对象推送方法的一流程示意图。
71.如图1所示，其可以包括以下步骤：
72.s101，获取m个对象的目标对象特征向量、第一用户对对象的第一喜好特征向量和
第一用户的社交网络信息，其中，m为正整数；
73.s102，根据各目标对象特征向量和第一喜好特征向量，分别确定各对象与第一用户的喜好相关的第一特征相关度；
74.s103，根据各目标对象特征向量和社交网络信息，分别确定各对象与第一用户的第二特征相关度；
75.s104，根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象，目标相关度包括第一特征相关度和/或第二特征相关度，其中，x＜m，x为正整数；
76.s105，向第一用户推送目标对象。
77.基于上述实施例，本技术通过获取m个对象的目标对象特征向量、第一用户对所述对象的第一喜好特征向量和第一用户的社交网络信息；再确定第一用户喜好有关的第一特征向量，以及确定与第一用户的社交网络信息有关的第二特征向量；并通过贪心算法根据不同的推送目标约束条件来选取目标对象，并将目标对象推荐给第一用户。基于此，本技术推送的目标对象不仅仅只是考虑了第一特征相关度，更结合了贪心算法以及和社交网络有关的第二特征相关度，增加了从m个对象中选取符合要求的x个目标对象的选择条件，使得最终的目标对象经过了多层筛选才能推送给第一用户，提高了目标对象的推送准确性。
78.在s101中，对象可以为商品、食品等物品，下面以商品为例进行举例说明：
79.商品包括多个用于表述商品特征的特征向量，其中，商品的特征可以包括：价格、颜色、款式以及形状大小等方面，而其中最能体现商品特点的即为商品的目标对象特征向量。
80.第一用户如果对商品有购买、收藏、点赞以及好评等行为方式，则说第一用户喜欢该商品，则可以通过总结第一用户所有喜欢的商品来得出用户的第一喜好特征向量。
81.在如今，互联网上很多信息是可以授权通用的，例如：登录淘宝可以授权支付宝信息进行登录，因此，在淘宝上的社交网络信息不仅仅只限于第一用户在淘宝本身的社交网络信息，还可以包括第一用户在登陆淘宝所绑定的其他社交网络账户的社交网络信息。
82.在s102中，将目标对象特征向量和第一喜好特征向量输入到推荐算法模型中，推荐算法模型将通过预测目标特征向量和第一喜好特征向量之间的第一特征相关度。
83.作为一示例，可以通过推荐算法模型可以采用余弦公式计算目标特征向量和第一喜好特征向量之间的相关度。
84.在s103中，根据社交网络信息可以找到与第一用户在社交网络上存在社交关系的第二用户，既然存在社交关系，那么可以将第二用户视为和第一用户存在有相同的兴趣爱好，那么第二用户喜欢的对象，第一用户也可能同样喜欢，因此可以将第二用户的第二喜好特征直接赋予第一用户，成为第一喜好特征向量，再通过上述s102的方法即可以确定第二喜好特征和目标对象特征向量之间的第二特征相关度。
85.在s104中，推送目标约束条件可以包括：特征相关度、社交关系相关度以及特征相似密度；
86.作为示例，贪心算法是指在对问题求解时，总是做出在当前看来是最好的选择，并且贪心算法简单，高效，省去了为了找最优解可能需要穷举操作。
87.因此，通过将第一特征相关度和/或第二特征相关度相结合，利用贪心算法从中选
取用于推荐给第一用户的最优解，提高了使得对象推荐不仅仅只限于第一特征相关度，还考虑了第二特征相关度，因此，在提高了对象推送效率的同时还提高了推送的准确性。
88.在s105中，根据贪心算法选择的x个目标对象，将x个目标对象推送给用户，用户供用户参考。
89.为了提高目标对象推荐的效率，本技术还提供了对象推送方法的另一种实现方式。
90.图2示出了本技术一个实施例提供的对象推送方法的另一流程示意图，如图2所示，s104可以包括以下步骤：
91.s201，分别计算各所述对象对应的所述第一特征相关度和所述第二特征相关度之间的商，确定各所述对象的特征相似度；
92.s202，从m个所述特征相似度中选取n个准目标特征相似度，其中，所述n＜m，n为正整数；
93.s203，确定n个所述准目标特征相似度中的最大值为目标特征相似度；
94.s204，若所述目标特征相似度的数量小于x，则从剩余特征相似度中再次选取n个准目标特征相似度，返回执行步骤s203，直至得到x个目标特征相似度；所述剩余特征相似度为从所述m个所述特征相似度中去除已被选取为所述准目标特征相似度后，剩下的所述特征相似度；
95.s205，确定各所述目标特征相似度所对应的对象为目标对象。
96.基于上述实施例，通过将m个特征相似度分割成体量更小的n个准目标相似度，从局部的n个准目标相似度中选取最优解，直至得到x个最优解，避免了从m个特征相似度中取选取存在m个特征相似度的数量太大造成计算选取困难耗时的缺点，缩小了选取样本，但是却依旧是选取的最优解，因此在提高了目标特征相似度选取效率的前提下，还进一步确保了目标特征相似度选取的准确度。
97.在s201中，在本实施例中，利用贪心算法，以推送目标约束条件为特征相似密度为例进行说明。
98.将第一特征相关度除以第二特征相关度求出的商(特征相似度)，即可以反映当第二特征相关度一定时，各对象的第一特征相关度之间的大小关系，也就是说，通过比较第一特征相似度和第二特征相似度，更加准确地体现了用户和对象之间特征的相似程度。
99.在s202中，因为对象的数量是庞大的，因此统计庞大的数据则会加大统计难度和统计效率；
100.假设m为10万个，我们需要推荐x＝5个目标对象，因此我们可以随机从10万个对象中选取n＝100个对象的准目标特征相似度，即选取100个准目标特征相似度。
101.在s203中，通过对100个准目标特征相似度中各个准目标相似度的大小进行排序，从中选取最大值为目标特征相似度。
102.在s204中，统计当前目标特征相似度的数量，如果目标特征相似度的数量没有达到所需要推荐对象的数量x个，需要继续从提取了n个准目标特征相似度后的m-n＝99900个特征相似度中再选取100个准目标特征相似度，再执行s203中的排序选取最大的目标特征相似度的步骤；需要注意的是，继续提取n个准目标特征只会从剩余目标特征相似度中选取，例如，下一次选取是从99900个特征相似度中再选取100个准目标特征相似度。
103.在s205中，如果目标特征相似度的数量达到了x个，则将这x个目标特征相似度对应的对象确定为目标对象。
104.为了提高目标对象推荐的效率，本技术还提供了对象推送方法的另一种实现方式。
105.图3示出了本技术一个实施例提供的对象推送方法的又一流程示意图，如图3所示，s104还可以包括以下步骤：
106.s301，从m个第一特征相关度中选取n个准第一特征相关度，其中，n＜m，n为正整数；
107.s302，确定n个准第一特征相关度中的最大值为第一目标特征相关度；
108.s303，若第一目标特征相关度的数量小于x，则从剩余第一特征相关度中再选取n个准第一特征相关度，返回执行s302，直至得到x个第一目标特征相关度；剩余第一特征相关度为从m个第一特征相关度中除去已被选取为准第一特征相关度之后，剩下的第一特征相关度；
109.s304，确定各第一目标特征相关度所对应的对象为目标对象。
110.基于上述实施例，通过将m个第一特征相关度分割成体量更小的n个准第一特征相关度，从局部的n个准第一特征相关度中选取最优解，直至得到x个最优解，避免了从m个第一特征相关度中取选取存在m个第一特征相关度的数量太大造成计算选取困难耗时的缺点，缩小了选取样本，但是却依旧是选取的最优解，因此在提高了目标第一特征相关度选取效率的前提下，还进一步确保了目标第一特征相关度选取的准确度。
111.在s301中，在本实施例中，利用贪心算法，以推送目标约束条件为特征相关度为例进行说明。
112.与s202相同的原理，从m个第一特征相关度中随机选取n个准第一特征相关度，将n个准第一特征相关度中的最大值确定为第一目标特征相关度。
113.在s303中，统计当前第一目标特征相关度的数量，如果第一目标特征相关度的数量没有达到所需要推送对象的数量x个，需要继续从提取了n个准第一特征相关度后的m-n个特征相似度中再选取n个准第一特征相关度，再执行s303中的排序选取最大的第一目标特征相关度的步骤。
114.在s304中，如果第一目标特征相关度的数量为x个，则将x个第一目标特征相关度所对应的对象推送给第一用户。
115.为了提高目标对象推荐的效率，本技术还提供了对象推送方法的另一种实现方式。
116.图4示出了本技术一个实施例提供的对象推送方法的又一流程示意图，如图4所示，s104还可以包括以下步骤：
117.s401，从m个第二特征相关度中选取n个准第二特征相关度，其中，n＜m，n为正整数；
118.s402，确定n个准第二特征相关度中的最大值为第二目标特征相关度；
119.s403，若第二目标特征相关度的数量小于x，则从剩余第二特征相关度中再选取n个准第二特征相关度，返回执行s402，直至得到x个第二目标特征相关度；剩余第二特征相关度为从m个第二特征相关度中除去已被选取为准第二特征相关度之后，剩下的第二特征
相关度；
120.s404，确定各第二目标特征相关度所对应的对象为目标对象。
121.基于上述实施例，通过将m个第二特征相关度分割成体重更小的n个准第二特征相关度，从局部的n个准第二特征相关度中选取最优解，直至得到x个最优解，避免了从m个第二特征相关度中取选取存在m个第二特征相关度的数量太大造成计算选取困难耗时的缺点，缩小了选取样本，但是却依旧是选取的最优解，因此在提高了目标第二特征相关度选取效率的前提下，还进一步确保了目标第二特征相关度选取的准确度。
122.在s401中，在本实施例中，利用贪心算法，以推送目标约束条件为社交关系相关度为例进行说明。
123.与s202相同的原理，从m个第二特征相关度中随机选取n个准第二特征相关度，将n个准第二特征相关度中的最大值确定为第一目标特征相关度。
124.在s403中，统计当前第一目标特征相关度的数量，如果第一目标特征相关度的数量没有达到所需要推送对象的数量x个，需要继续从提取了n个准第二特征相关度后的m-n个特征相似度中再选取n个准第二特征相关度，再执行s303中的排序选取最大的第一目标特征相关度的步骤。
125.在s404中，如果第一目标特征相关度的数量为x个，则将x个第一目标特征相关度所对应的对象推送给第一用户。
126.为了提高确定第二特征相关度的准确性，本技术还提供了对象推送方法的又一种实现方式。
127.图5示出了本技术一个实施例提供的对象推送方法的又一流程示意图，如图5所示，s103可以包括以下步骤：
128.s501，根据社交网络信息确定与第一用户存在社交关系的第二用户；
129.s502，获取第二用户对对象的第二喜好特征向量；
130.s503，根据各目标对象特征向量和第二喜好特征向量，分别确定各对象与第二用户的喜好相关的第三特征相关度；
131.s504，确定第三特征相关度为第二特征相关度。
132.基于上述实施例，通过利用社交网络信息确定与第一用户存存在社交关系的第二用户，再确定第二用户与各对象之间的第三特征相关度，基于朋友之间存在相同的兴趣爱好的原理，可以使得第三特征相关度也能表示为第二特征相关度，充分考虑了第二用户对其的影响，提高了第二特征相关度的准确性。
133.在s501中，通过获取第一用户在社交网络平台上的联系人信息，即可以知道与第一用户存在社交联系的第二用户；更具体地，由于第一用户在社交网络上可能存在社交关系的多个备选用户，因此，为了进一步提高第二用户筛选的准确性，可以通过比较第一用户和备选用户之间的特征相似度，例如年龄、住址、学历等多方面信息，从中选取一个共同点最多的第二用户。
134.在s502中，直接可以利用第二用户对对象的收藏、购买、浏览、点赞等能表示关注的行为来确定第二用户的第二喜好特征向量。
135.在s503中，同样地，如上述s102一样，将目标对象特征向量和第二喜好特征向量输入到推荐算法模型中，推荐算法模型将通过预测目标特征向量和第二喜好特征向量之间的
第三特征相关度。
136.在s504中，由于第一用户和第二用户存在社交关系，并且兴趣爱好相同，因此可以认为第二用户喜欢的对象也能够被第一用户喜欢，即与第用户的第三特征相关度可以看成和第一用户有关的第二特征相关度。
137.在另一实施例中，也可以直接将第二用户的第二喜好特征向量赋予第一用户，即第二用户喜欢的特征也可以看成第一用户喜欢的特征，使得第一用户不仅仅可以根据自己本身的第一喜好特征向量和目标对象特征向量来确定第一特征相关度，还可以根据第二用户的第二喜好特征向量和目标对象特征向量来确定第二特征相关度。
138.为了提高通过社交关系推送对象的准确性，本技术还提供了对象推送方法的又一种实现方式。
139.图6示出了本技术一个实施例提供的对象推送方法的又一流程示意图，如图6所示，该方法还可以包括：
140.s601，根据社交网络信息确定与第一用户存在社交关系的第二用户；
141.s602，获取第二用户对对象的第二喜好特征向量；
142.s603，根据各目标对象特征向量和第二喜好特征向量，分别确定各对象与第二用户的喜好相关的第三特征相关度；
143.s604，根据贪心算法和第三特征相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象；
144.s605，将x个目标对象推荐给第一用户。
145.基于上述实施例，由于第一用户和第二用户存在社交关系，可以得知第一用户和第二用户之间存在共同的兴趣爱好，因此，还可以将第二用户喜欢的对象推送给第一用户，从而进一步提高了给第一用户推送对象的准确性。
146.在本实施例中，假设目标为通过第一用户的社交关系给第一用户推送对象，并利用贪心算法对此进行说明。
147.具体地，s601-s603如同上述s501-s503的方法一样，在此不再赘述。
148.在s604中，利用贪心算法从m各第三特征相关度中，选取目标对象，其中，具体的实施方式可以参照上述s301-s304的实施过程，在此不再赘述。
149.在s605中，x个目标对象是根据贪心算法推送给第二用户的，但是由于第一用户和第二用户之间存在社交关系，兴趣爱好相同，因此，可以推送给第二用户的x个目标对象也可以推送给第一用户。
150.为了提高对象的目标特征向量确定的准确性，本技术还提供了对象推送方法的又一种实现方式。
151.图7示出了本技术一个实施例提供的对象推送方法的又一流程示意图，如图7所示，该方法还可以包括：
152.s701，获取对象的多个对象特征向量；
153.s702，根据各对象特征向量，确定各对象特征向量对于对象的特征权重；
154.s703，确定各特征权重中的最大值所对应的对象特征向量为目标对象特征向量。
155.基于上述实施例，通过计算对象的各对象特征向量与对象之间的权重关系，从而获取权重最大的对象特征向量为目标对象特征向量，强调目标对象特征向量相对于其他对
象特征向量对于对象的重要程度，从而可以明确目标对象特征向量为最能代表对象的对象特征向量。
156.在s701中，根据对象的价格、颜色、形状、品牌等多个信息数据可以给对象设置不同的对象特征向量。
157.在s702中，根据对象的对象特征向量的重要点、新颖点等特点，对对象的各个对象特征向量来确定各对象特征向量与对象之间的特征权重。
158.作为一示例，假设对象与同类其他对象的优势在于体积小，因此体积在该对象的所有对象特征向量中占有较高的权重，同理，该对象的缺点为价格比同类其他对象贵，因此价格的权重则低。
159.在s703中，从各特征权重中选取最大的最大特征权重，最大特征权重代表着最能体现对象特点的对象特征向量，因此，最大特征权重所对应的对象特征向量即为目标对象特征向量。
160.需要说明的是，上述本技术实施例描述的应用场景是为了更加清楚地说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
161.基于相同的发明构思，本技术还提供了一种对象推送装置800。具体结合图8进行详细说明。
162.图8示出了本发明实施例提供的对象推送装置800的硬件结构示意图。
163.如图8所示，该对象推送装置800包括：
164.第一获取模块810，用于获取m个对象的目标对象特征向量、第一用户对对象的第一喜好特征向量和第一用户的社交网络信息，其中，m为正整数；
165.第一确定模块820，用于根据各所述目标对象特征向量和所述第一喜好特征向量，分别确定各所述对象与所述第一用户的喜好相关的第一特征相关度；
166.第二确定模块830，用于根据各所述目标对象特征向量和所述社交网络信息，分别确定各所述对象与所述第一用户的第二特征相关度；
167.第一选取模块840，用于根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象，所述目标相关度包括第一特征相关度和/或第二特征相关度，其中，x＜m，x为正整数；
168.第一推送模块850，用于向第一用户推送所述目标对象。
169.在本实施例提供的对象推送装置800中，第一获取模块810获取m个对象的目标对象特征向量、第一用户对所述对象的第一喜好特征向量和第一用户的社交网络信息；第一确定模块820确定第一用户喜好有关的第一特征向量，以及第二确定模块830确定与第一用户的社交网络信息有关的第二特征向量；第一选取模块840并通过贪心算法根据不同的推送目标约束条件来选取目标对象，第一推送模块850将目标对象推荐给第一用户。基于此，本技术推送的目标对象不仅仅只是考虑了第一特征相关度，更结合了贪心算法以及和社交网络有关的第二特征相关度，增加了从m个对象中选取符合要求的x个目标对象的选择条件，使得最终的目标对象经过了多层筛选才能推送给第一用户，提高了目标对象的推送准确性。
170.可选地，第一选取模块840可以包括：
171.计算单元，用于分别计算各所述对象对应的所述第一特征相关度和所述第二特征相关度之间的商，确定各所述对象的特征相似度；
172.第一选取单元，用于从m个所述特征相似度中选取n个准目标特征相似度，其中，所述n＜m，n为正整数；
173.第一确定单元，用于确定n个所述准目标特征相似度中的最大值为目标特征相似度；
174.第二选取单元，用于若所述目标特征相似度的数量小于x，则从剩余特征相似度中再次选取n个准目标特征相似度，返回执行步骤s203，直至得到x个目标特征相似度；所述剩余特征相似度为从所述m个所述特征相似度中去除已被选取为所述准目标特征相似度后，剩下的所述特征相似度；
175.第二确定单元，用于确定各所述目标特征相似度所对应的对象为目标对象。
176.可选地，第一选取模块840还可以包括：
177.第三选取单元，用于从m个第一特征相关度中选取n个准第一特征相关度，其中，n＜m，n为正整数；
178.第三确定单元，用于确定n个准第一特征相关度中的最大值为第一目标特征相关度；
179.第四选取单元，用于若第一目标特征相关度的数量小于x，则从剩余第一特征相关度中再选取n个准第一特征相关度，返回执行步骤b，直至得到x个第一目标特征相关度；剩余第一特征相关度为从m个第一特征相关度中除去已被选取为准第一特征相关度之后，剩下的第一特征相关度；
180.第四确定单元，用于确定各第一目标特征相关度所对应的对象为目标对象。
181.可选地，第一选取模块840还可以包括：
182.第五选取单元，用于从m个所述第二特征相关度中选取n个准第二特征相关度，其中，所述n＜m，n为正整数；
183.第五确定单元，用于确定n个所述准第二特征相关度中的最大值为第二目标特征相关度；
184.第六选取单元，用于若所述第二目标特征相关度的数量小于x，则从剩余第二特征相关度中再选取n个准第二特征相关度，返回执行步骤b，直至得到x个第二目标特征相关度；所述剩余第二特征相关度为从m个所述第二特征相关度中除去已被选取为所述准第二特征相关度之后，剩下的所述第二特征相关度；
185.第六确定单元，用于确定各所述第二目标特征相关度所对应的对象为目标对象。
186.可选地，第二确定模块830可以包括：
187.第六确定单元，用于根据社交网络信息确定与第一用户存在社交关系的第二用户；
188.第一获取单元，用于获取第二用户对对象的第二喜好特征向量；
189.第七确定单元，用于根据各目标对象特征向量和第二喜好特征向量，分别确定各对象与第二用户的喜好相关的第三特征相关度；
190.第八确定单元，用于确定第三特征相关度为第二特征相关度。
191.可选地，对象推送装置800还可以包括：
192.第三确定模块，用于根据社交网络信息确定与第一用户存在社交关系的第二用户；
193.第二获取模块，用于获取第二用户对对象的第二喜好特征向量；
194.第四确定模块，用于根据各目标对象特征向量和第二喜好特征向量，分别确定各对象与第二用户的喜好相关的第三特征相关度；
195.第二选取模块，用于根据贪心算法和第三特征相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象；
196.第二推送模块，用于将x个目标对象推荐给第一用户。
197.可选地，对象推送装置800还可以包括：
198.第三获取模块，用于获取对象的多个对象特征向量；
199.第五确定模块，用于根据各对象特征向量，确定各对象特征向量对于对象的特征权重；
200.第六确定模块，用于确定各特征权重中的最大值所对应的对象特征向量为目标对象特征向量。
201.本技术实施例提供的对象推送装置800能够实现图1至图7的方法实施例实现的各个过程，并能够达到相同的技术效果，为避免重复，这里不再赘述。
202.图9示出了本发明实施例提供的对象推送设备的硬件结构示意图。
203.对象推送设备可以包括处理器901以及存储有计算机程序指令的存储器902。
204.具体地，上述处理器901可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
205.存储器902可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器902可包括硬盘驱动器(harddiskdrive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器902可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器902可在综合网关容灾设备的内部或外部。在特定实施例中，存储器902是非易失性固态存储器。
206.在特定实施例中，存储器902可包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器902包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器901)时，其可操作来执行参考根据本技术的一方面的方法所描述的操作。
207.处理器901通过读取并执行存储器902中存储的计算机程序指令，以实现上述实施例中的任意一种对象推送方法。
208.在一个示例中，对象推送设备还可包括通信接口903和总线904。其中，如图所示，处理器901、存储器902、通信接口903通过总线904连接并完成相互间的通信。
209.通信接口903，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
210.总线904包括硬件、软件或两者。举例来说而非限制，总线44可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无线带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围控件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线904可包括一个或多个总线904。尽管本技术实施例描述和示出了特定的总线904，但本技术考虑任何合适的总线904或互连。
211.该对象推送设备可以基于当前对象推送方法，从而实现结合图1-图8描述的对象推送方法和装置。
212.另外，本技术实施例还提供了一种计算机程序产品，包括计算机程序指令，计算机程序产品被处理器901执行时可实现前述方法实施例的步骤及相应内容。
213.需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
214.以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
215.还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
216.上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
217.以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。

技术特征：
1.一种对象推送方法，其特征在于，包括：获取m个对象的目标对象特征向量、第一用户对所述对象的第一喜好特征向量和第一用户的社交网络信息，其中，m为正整数；根据各所述目标对象特征向量和所述第一喜好特征向量，分别确定各所述对象与所述第一用户的喜好相关的第一特征相关度；根据各所述目标对象特征向量和所述社交网络信息，分别确定各所述对象与所述第一用户的第二特征相关度；根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象，所述目标相关度包括所述第一特征相关度和/或所述第二特征相关度，其中，x＜m，x为正整数；向第一用户推送所述目标对象。2.如权利要求1所述的对象推送方法，其特征在于，所述根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象；包括：步骤a：分别计算各所述对象对应的所述第一特征相关度和所述第二特征相关度之间的商，确定各所述对象的特征相似度；步骤b：从m个所述特征相似度中选取n个准目标特征相似度，其中，所述n＜m，n为正整数；步骤c：确定n个所述准目标特征相似度中的最大值为目标特征相似度；步骤d：若所述目标特征相似度的数量小于x，则从剩余特征相似度中再次选取n个准目标特征相似度，返回执行步骤c，直至得到x个目标特征相似度；所述剩余特征相似度为从所述m个所述特征相似度中去除已被选取为所述准目标特征相似度后，剩下的所述特征相似度；确定各所述目标特征相似度所对应的对象为目标对象。3.如权利要求1所述的对象推送方法，其特征在于，所述根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象；包括：步骤a：从m个所述第一特征相关度中选取n个准第一特征相关度，其中，所述n＜m，n为正整数；步骤b：确定n个所述准第一特征相关度中的最大值为第一目标特征相关度；步骤c：若所述第一目标特征相关度的数量小于x，则从剩余第一特征相关度中再选取n个准第一特征相关度，返回执行步骤b，直至得到x个第一目标特征相关度；所述剩余第一特征相关度为从m个所述第一特征相关度中除去已被选取为所述准第一特征相关度之后，剩下的所述第一特征相关度；确定各所述第一目标特征相关度所对应的对象为目标对象。4.如权利要求1所述的对象推送方法，其特征在于，所述根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象，所述目标相关度包括第一特征相关度和/或第二特征相关度；包括：步骤a：从m个所述第二特征相关度中选取n个准第二特征相关度，其中，所述n＜m，n为正整数；步骤b：确定n个所述准第二特征相关度中的最大值为第二目标特征相关度；
步骤c：若所述第二目标特征相关度的数量小于x，则从剩余第二特征相关度中再选取n个准第二特征相关度，返回执行步骤b，直至得到x个第二目标特征相关度；所述剩余第二特征相关度为从m个所述第二特征相关度中除去已被选取为所述准第二特征相关度之后，剩下的所述第二特征相关度；确定各所述第二目标特征相关度所对应的对象为目标对象。5.如权利要求1所述的对象推送方法，其特征在于，所述根据各所述目标对象特征向量和所述社交网络信息，分别确定各所述对象与所述第一用户的第二特征相关度，包括：根据所述社交网络信息确定与所述第一用户存在社交关系的第二用户；获取所述第二用户对所述对象的第二喜好特征向量；根据各所述目标对象特征向量和所述第二喜好特征向量，分别确定各所述对象与所述第二用户的喜好相关的第三特征相关度；确定所述第三特征相关度为所述第二特征相关度。6.如权利要求1所述的对象推送方法，其特征在于，所述方法还包括：根据所述社交网络信息确定与所述第一用户存在社交关系的第二用户；获取所述第二用户对所述对象的第二喜好特征向量；根据各所述目标对象特征向量和所述第二喜好特征向量，分别确定各所述对象与所述第二用户的喜好相关的第三特征相关度；根据贪心算法和所述第三特征相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象；将所述x个目标对象推荐给所述第一用户。7.如权利要求1所述的对象推送方法，其特征在于，在所述获取m个对象的目标对象特征向量之前，所述方法还包括：获取所述对象的多个对象特征向量；根据各所述对象特征向量，确定各所述对象特征向量对于所述对象的特征权重；确定各所述特征权重中的最大值所对应的对象特征向量为目标对象特征向量。8.一种对象推送装置，其特征在于，所述装置包括：第一获取模块，用于获取m个对象的目标对象特征向量、第一用户对对象的第一喜好特征向量和第一用户的社交网络信息，其中，m为正整数；第一确定模块，用于根据各所述目标对象特征向量和所述第一喜好特征向量，分别确定各所述对象与所述第一用户的喜好相关的第一特征相关度；第二确定模块，用于根据各所述目标对象特征向量和所述社交网络信息，分别确定各所述对象与所述第一用户的第二特征相关度；第一选取模块，用于根据贪心算法和目标相关度，从m个对象中选取满足对象推送目标约束条件的x个目标对象，所述目标相关度包括第一特征相关度和/或第二特征相关度，其中，x＜m，x为正整数；第一推送模块，用于向第一用户推送所述目标对象。9.一种对象推送设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1-7中任意一项所述的对象推
送方法。10.一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上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7中任意一项所述的对象推送方法。11.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-7中任意一项所述的对象推送方法。

技术总结
本申请公开了一种对象推送方法、装置、设备及计算机存储介质，涉及人工智能技术领域，包括：获取M个对象的目标对象特征向量、第一用户对对象的第一喜好特征向量和第一用户的社交网络信息；根据各目标对象特征向量和第一喜好特征向量，分别确定各对象与第一用户的喜好相关的第一特征相关度；根据各目标对象特征向量和社交网络信息，分别确定各对象与第一用户的第二特征相关度；根据贪心算法和目标相关度，从M个对象中选取满足对象推送目标约束条件的X个目标对象；向第一用户推送目标对象。本申请将第一特征相关度结合了贪心算法以及第二特征相关度，使得最终的目标对象经过了多层筛选才能推送给第一用户，提高了目标对象的推送准确性。送准确性。送准确性。


技术研发人员：吴嘉伟 骆国生 黄仁康
受保护的技术使用者：建信金融科技有限责任公司
技术研发日：2023.05.05
技术公布日：2023/9/14