基于人工智能的推荐信息推荐方法、装置及电子设备.pdf

《基于人工智能的推荐信息推荐方法、装置及电子设备.pdf》由会员分享，可在线阅读，更多相关《基于人工智能的推荐信息推荐方法、装置及电子设备.pdf（37页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010905089.1 (22)申请日 2020.09.01 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518000 广东省深圳市南山区高新区 科技中一路腾讯大厦35层 (72)发明人 严超 (74)专利代理机构 北京派特恩知识产权代理有 限公司 11270 代理人 赵翠萍张颖玲 (51)Int.Cl. G06F 16/9535(2019.01) G06N 20/00(2019.01) G06Q 30/02(2012.01) (54)发明名称 基于人工智能的推荐信。

2、息推荐方法、 装置及 电子设备 (57)摘要 本申请提供了一种基于人工智能的推荐信 息推荐方法、 装置、 电子设备及计算机可读存储 介质； 涉及大数据技术领域的精准推荐； 方法包 括： 获取待接收推荐信息的对象的对象特征， 并 获取符合对象特征的推荐信息； 其中， 推荐信息 包括多个推荐模式； 针对应用推荐模式的推荐信 息， 确定历史推荐记录中的历史对象特征与历史 推荐结果之间的关联关系； 根据对象特征、 以及 推荐模式对应的关联关系进行预测处理， 得到推 荐模式的预测推荐结果的置信区间界限； 根据置 信区间界限对多个推荐模式进行筛选处理， 并根 据应用有筛选出的推荐模式的推荐信息， 执行针 。

3、对对象的推荐操作。 通过本申请， 能够提升推荐 的针对性和精准性。 权利要求书4页 说明书24页 附图8页 CN 111767466 A 2020.10.13 CN 111767466 A 1.一种基于人工智能的推荐信息推荐方法， 其特征在于， 包括： 获取待接收推荐信息的对象的对象特征， 并获取符合所述对象特征的推荐信息； 其中， 所述推荐信息包括多个推荐模式； 针对应用所述推荐模式的所述推荐信息， 确定历史推荐记录中的历史对象特征与历史 推荐结果之间的关联关系； 根据所述对象特征、 以及所述推荐模式对应的关联关系进行预测处理， 得到所述推荐 模式的预测推荐结果的置信区间界限； 根据所述置信。

4、区间界限对多个所述推荐模式进行筛选处理， 并 根据应用有筛选出的推荐模式的所述推荐信息， 执行针对所述对象的推荐操作。 2.根据权利要求1所述的推荐信息推荐方法， 其特征在于， 所述根据所述置信区间界限 对多个所述推荐模式进行筛选处理， 包括： 在多个所述推荐模式的置信区间界限的降序排序中， 将排序在前的第一设定数量的推 荐模式， 确定为候选推荐模式； 其中， 所述第一设定数量为大于1的整数； 根据所述推荐信息的内容特征、 展示位置特征、 所述对象特征、 以及所述候选推荐模式 的素材特征进行预测处理， 并 对得到的预测触发率和预测转化率进行融合处理， 得到第一评分； 根据所述第一评分， 对所述。

5、候选推荐模式进行筛选处理， 得到一个推荐模式以作为筛 选出的推荐模式。 3.根据权利要求2所述的推荐信息推荐方法， 其特征在于， 所述根据所述第一评分， 对 所述候选推荐模式进行筛选处理， 得到一个推荐模式以作为筛选出的推荐模式， 包括： 将所述候选推荐模式中曝光量小于或等于曝光量阈值的推荐模式， 添加至第一集合， 并 将所述候选推荐模式中曝光量大于所述曝光量阈值的推荐模式， 添加至第二集合； 根据选择概率对所述第一集合和所述第二集合进行选择处理； 其中， 所述第一集合的 选择概率与所述第二集合的选择概率的加和为1； 当选择的所述第一集合为非空集合、 或者所述第二集合为空集合时， 对所述第一集。

6、合 内的推荐模式的第一评分进行归一化处理， 得到归一化概率， 并 根据所述归一化概率， 对所述第一集合内的推荐模式进行选择处理， 得到一个推荐模 式以作为筛选出的推荐模式； 当选择的所述第二集合为非空集合、 或者所述第一集合为空集合时， 将所述第二集合 内的、 第一评分最高的推荐模式， 作为筛选出的推荐模式。 4.根据权利要求2所述的推荐信息推荐方法， 其特征在于， 所述根据应用有筛选出的推 荐模式的所述推荐信息， 执行针对所述对象的推荐操作， 包括： 在多个所述推荐信息的、 筛选出的推荐模式的第一评分的降序排序中， 将排序在前的 第二设定数量的推荐信息， 确定为目标推荐信息； 其中， 所述第。

7、二设定数量为大于0的整数； 根据应用有筛选出的推荐模式的所述目标推荐信息， 执行针对所述对象的推荐操作。 5.根据权利要求2所述的推荐信息推荐方法， 其特征在于， 还包括： 通过人工智能模型， 对样本推荐信息在历史推荐记录中的内容特征、 展示位置特征、 历 史对象特征以及应用的推荐模式的素材特征进行预测处理， 得到预测结果； 权利要求书 1/4 页 2 CN 111767466 A 2 根据所述预测结果与历史推荐结果之间的差异， 更新所述人工智能模型的权重参数； 其中， 所述预测结果为预测触发率及预测转化率中的任意一种； 更新后的所述人工智 能模型用于对所述推荐信息的内容特征、 展示位置特征、。

8、 所述对象特征、 以及所述候选推荐 模式的素材特征进行预测处理。 6.根据权利要求1所述的推荐信息推荐方法， 其特征在于， 所述确定历史推荐记录中的 历史对象特征与历史推荐结果之间的关联关系， 包括： 初始化所述推荐模式对应的第一关联参数和第二关联参数； 将所述历史推荐记录中的历史对象特征与所述历史对象特征的转置进行乘积处理， 并 将乘积结果与所述第一关联参数进行求和处理， 以根据求和结果更新所述第一关联参 数； 将所述历史推荐记录中的历史对象特征与历史推荐结果进行乘积处理， 并 将乘积结果与所述第二关联参数进行求和处理， 以根据求和结果更新所述第二关联参 数； 将更新后的所述第一关联参数的逆。

9、矩阵、 与更新后的所述第二关联参数进行乘积处 理， 得到第三关联参数； 其中， 更新后的所述第一关联参数、 以及所述第三关联参数用于表示所述关联关系。 7.根据权利要求6所述的推荐信息推荐方法， 其特征在于， 所述根据所述对象特征、 以 及所述推荐模式对应的关联关系进行预测处理， 得到所述推荐模式的预测推荐结果的置信 区间界限， 包括： 将所述对象特征的转置、 与所述第三关联参数进行乘积处理， 得到所述推荐模式的预 测推荐结果； 将所述对象特征、 所述对象特征的转置、 与更新后的所述第一关联参数的逆矩阵进行 乘积处理， 并 将乘积结果的平方根与设定系数进行乘积处理， 得到所述预测推荐结果的置信。

10、区间宽 度； 将所述预测推荐结果与所述置信区间宽度进行求和处理， 得到置信区间界限。 8.根据权利要求6所述的推荐信息推荐方法， 其特征在于， 所述将所述历史推荐记录中 的历史对象特征与所述历史对象特征的转置进行乘积处理之前， 还包括： 对多个所述历史对象特征进行聚类处理， 得到多个中心向量； 根据多个所述中心向量， 对所述历史推荐记录中的历史对象特征进行更新处理。 9.根据权利要求8所述的推荐信息推荐方法， 其特征在于， 所述根据多个所述中心向 量， 对所述历史推荐记录中的历史对象特征进行更新处理， 包括： 执行以下任意一种处理： 确定所述历史推荐记录中的历史对象特征、 与每个所述中心向量之。

11、间的相似度， 并 根据得到的多个相似度， 构建更新后的所述历史对象特征； 确定所述历史推荐记录中的历史对象特征在每个所述中心向量上的投影分量， 并 以所述投影分量作为权重， 对多个所述中心向量进行加权处理， 得到更新后的所述历 史对象特征。 10.根据权利要求1所述的推荐信息推荐方法， 其特征在于， 权利要求书 2/4 页 3 CN 111767466 A 3 所述确定历史推荐记录中的历史对象特征与历史推荐结果之间的关联关系， 包括： 将所述历史推荐记录中的历史对象特征与展示位置特征进行拼接处理， 得到第一拼接 特征， 并 确定所述第一拼接特征与历史推荐结果之间的关联关系； 所述根据所述对象特。

12、征、 以及所述推荐模式对应的关联关系进行预测处理， 得到所述 推荐模式的预测推荐结果的置信区间界限， 包括： 将所述对象特征与所述推荐信息的展示位置特征进行拼接处理， 得到第二拼接特征， 并 根据所述第二拼接特征、 以及所述推荐模式对应的关联关系进行预测处理， 得到所述 推荐模式的预测推荐结果的置信区间界限。 11.根据权利要求1至10任一项所述的推荐信息推荐方法， 其特征在于， 所述获取符合所述对象特征的推荐信息之前， 还包括： 针对数据库中的每个推荐信息， 根据所述推荐信息的历史推荐记录确定所述推荐信息 的触发率及转化率； 将所述推荐信息的触发率及转化率进行融合处理， 得到所述推荐信息的第。

13、二评分； 根据所述第二评分对多个所述推荐信息进行筛选处理； 所述获取符合所述对象特征的推荐信息， 包括： 获取筛选出的推荐信息的定向推荐特征； 当所述定向推荐特征与所述对象特征匹配成功时， 将所述定向推荐特征对应的推荐信 息， 确定为符合所述对象特征的推荐信息。 12.根据权利要求1至10任一项所述的推荐信息推荐方法， 其特征在于， 所述针对应用 所述推荐模式的所述推荐信息， 确定历史推荐记录中的历史对象特征与历史推荐结果之间 的关联关系之前， 还包括： 根据所述对象特征和所述推荐信息的内容特征进行预测处理， 并 对得到的预测触发率和预测转化率进行融合处理， 得到第三评分； 根据所述第三评分，。

14、 对多个所述推荐信息进行筛选处理。 13.一种基于人工智能的推荐信息推荐装置， 其特征在于， 包括： 获取模块， 用于获取待接收推荐信息的对象的对象特征， 并获取符合所述对象特征的 推荐信息； 其中， 所述推荐信息包括多个推荐模式； 关系确定模块， 用于针对应用所述推荐模式的所述推荐信息， 确定历史推荐记录中的 历史对象特征与历史推荐结果之间的关联关系； 预测模块， 用于根据所述对象特征、 以及所述推荐模式对应的关联关系进行预测处理， 得到所述推荐模式的预测推荐结果的置信区间界限； 筛选模块， 用于根据所述置信区间界限对多个所述推荐模式进行筛选处理， 并 根据应用有筛选出的推荐模式的所述推荐信。

15、息， 执行针对所述对象的推荐操作。 14.一种电子设备， 其特征在于， 包括： 存储器， 用于存储可执行指令； 处理器， 用于执行所述存储器中存储的可执行指令时， 实现权利要求1至12任一项所述 的基于人工智能的推荐信息推荐方法。 权利要求书 3/4 页 4 CN 111767466 A 4 15.一种计算机可读存储介质， 其特征在于， 存储有可执行指令， 用于被处理器执行时， 实现权利要求1至12任一项所述的基于人工智能的推荐信息推荐方法。 权利要求书 4/4 页 5 CN 111767466 A 5 基于人工智能的推荐信息推荐方法、 装置及电子设备 技术领域 0001 本申请涉及人工智能和。

16、大数据技术， 尤其涉及一种基于人工智能的推荐信息推荐 方法、 装置、 电子设备及计算机可读存储介质。 背景技术 0002 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。 0003 智能推荐是人工智能的一个重要分支， 也涉及到云技术的大数据处理， 主要研究 针对一个特定的对象， 如何将合适的。

17、推荐信息推荐至该对象。 对于包括多个推荐模式的推 荐信息， 如包括多个创意的广告来说， 在相关技术提供的方案中， 通常是应用随机策略， 即 一个推荐信息的所有推荐模式按照均等概率进行推荐。 但是， 该方案容易导致推荐效果不 佳， 推荐资源的利用率低。 发明内容 0004 本申请实施例提供一种基于人工智能的推荐信息推荐方法、 装置、 电子设备及计 算机可读存储介质， 能够优化推荐效果， 提升推荐资源的利用率。 0005 本申请实施例的技术方案是这样实现的： 本申请实施例提供一种基于人工智能的推荐信息推荐方法， 包括： 获取待接收推荐信息的对象的对象特征， 并获取符合所述对象特征的推荐信息； 其中。

18、， 所述推荐信息包括多个推荐模式； 针对应用所述推荐模式的所述推荐信息， 确定历史推荐记录中的历史对象特征与历史 推荐结果之间的关联关系； 根据所述对象特征、 以及所述推荐模式对应的关联关系进行预测处理， 得到所述推荐 模式的预测推荐结果的置信区间界限； 根据所述置信区间界限对多个所述推荐模式进行筛选处理， 并 根据应用有筛选出的推荐模式的所述推荐信息， 执行针对所述对象的推荐操作。 0006 在上述方案中， 所述根据所述置信区间界限对多个所述推荐模式进行筛选处理， 包括： 将多个所述推荐模式中置信区间界限最大的一个推荐模式， 作为筛选出的推荐模式。 0007 在上述方案中， 还包括： 执行以。

19、下任意一种处理： 获取与推荐信息的多个待填充部分分别对应的一个素材， 并 将每个所述素材填充至对应的所述待填充部分中， 得到所述推荐信息的一个推荐模 式； 获取与推荐信息的多个待填充部分分别对应的多个素材， 并 说明书 1/24 页 6 CN 111767466 A 6 在每个所述待填充部分对应的多个素材中进行随机选择， 将选择的素材填充至对应的 所述待填充部分中， 得到所述推荐信息的一个推荐模式。 0008 在上述方案中， 所述历史推荐结果的类型包括： 第一推荐结果， 用于表示应用所述推荐模式的所述推荐信息已曝光、 且未触发； 第二推荐结果， 用于表示应用所述推荐模式的所述推荐信息已触发、 。

20、且未转化； 第三推荐结果， 用于表示应用所述推荐模式的所述推荐信息已转化。 0009 本申请实施例提供一种基于人工智能的推荐信息推荐装置， 包括： 获取模块， 用于获取待接收推荐信息的对象的对象特征， 并获取符合所述对象特征的 推荐信息； 其中， 所述推荐信息包括多个推荐模式； 关系确定模块， 用于针对应用所述推荐模式的所述推荐信息， 确定历史推荐记录中的 历史对象特征与历史推荐结果之间的关联关系； 预测模块， 用于根据所述对象特征、 以及所述推荐模式对应的关联关系进行预测处理， 得到所述推荐模式的预测推荐结果的置信区间界限； 筛选模块， 用于根据所述置信区间界限对多个所述推荐模式进行筛选处理。

21、， 并 根据应用有筛选出的推荐模式的所述推荐信息， 执行针对所述对象的推荐操作。 0010 本申请实施例提供一种电子设备， 包括： 存储器， 用于存储可执行指令； 处理器， 用于执行所述存储器中存储的可执行指令时， 实现本申请实施例提供的基于 人工智能的推荐信息推荐方法。 0011 本申请实施例提供一种计算机可读存储介质， 存储有可执行指令， 用于引起处理 器执行时， 实现本申请实施例提供的基于人工智能的推荐信息推荐方法。 0012 本申请实施例具有以下有益效果： 根据历史对象特征与历史推荐结果之间的关联关系、 以及待接收推荐信息的对象的对 象特征进行预测处理， 得到推荐模式的预测推荐结果的置。

22、信区间界限， 进而根据置信区间 界限对多个推荐模式进行筛选处理， 如此， 通过引入对象特征， 加强了推荐的针对性和精准 性， 使得最终筛选出的推荐模式能够更加符合对象的需求， 提升了推荐资源的利用率。 附图说明 0013 图1是本申请实施例提供的基于人工智能的推荐信息推荐系统的一个可选的架构 示意图； 图2是本申请实施例提供的终端设备的一个可选的架构示意图； 图3A是本申请实施例提供的基于人工智能的推荐信息推荐方法的一个可选的流程示 意图； 图3B是本申请实施例提供的基于人工智能的推荐信息推荐方法的一个可选的流程示 意图； 图3C是本申请实施例提供的基于人工智能的推荐信息推荐方法的一个可选的流。

23、程示 意图； 图3D是本申请实施例提供的基于人工智能的推荐信息推荐方法的一个可选的流程示 意图； 说明书 2/24 页 7 CN 111767466 A 7 图4是本申请实施例提供的上传素材的一个可选的界面示意图； 图5是本申请实施例提供的上传素材的一个可选的界面示意图； 图6是本申请实施例提供的推荐效果数据的一个可选的示意图； 图7是本申请实施例提供的广告推荐系统的一个可选的架构示意图； 图8是本申请实施例提供的聚类处理的一个可选的流程示意图； 图9是本申请实施例提供的广告推荐系统的一个可选的架构示意图； 图10是本申请实施例提供的创意筛选的一个可选的示意图； 图11是本申请实施例提供的粗排。

24、和精排的一个可选的示意图。 具体实施方式 0014 为了使本申请的目的、 技术方案和优点更加清楚， 下面将结合附图对本申请作进 一步地详细描述， 所描述的实施例不应视为对本申请的限制， 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它实施例， 都属于本申请保护的范围。 0015 在以下的描述中， 涉及到 “一些实施例” ， 其描述了所有可能实施例的子集， 但是可 以理解, “一些实施例” 可以是所有可能实施例的相同子集或不同子集， 并且可以在不冲突 的情况下相互结合。 0016 在以下的描述中， 所涉及的术语 “第一第二第三” 仅仅是是区别类似的对象， 不 代表针对对象的特定排序。

25、， 可以理解地，“第一第二第三” 在允许的情况下可以互换特定 的顺序或先后次序， 以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的 顺序实施。 在以下的描述中， 所涉及的术语 “多个” 是指至少两个。 0017 除非另有定义， 本文所使用的所有的技术和科学术语与属于本申请的技术领域的 技术人员通常理解的含义相同。 本文中所使用的术语只是为了描述本申请实施例的目的， 不是旨在限制本申请。 0018 对本申请实施例进行进一步详细说明之前， 对本申请实施例中涉及的名词和术语 进行说明， 本申请实施例中涉及的名词和术语适用于如下的解释。 0019 1） 推荐信息： 用于推荐特定的内容， 如。

26、商品、 音乐或游戏等。 在本申请实施例中， 推 荐信息可以是广告， 但并不限于广告的形式。 0020 2） 对象： 用于接收推荐信息， 对象可以是某个实际用户， 也可以是某个虚拟账号， 例如在电商平台中注册的用户账号。 0021 3） 推荐模式： 指推荐信息展现时应用的展现形式， 对于一个推荐信息来说， 其可能 包括多个推荐模式。 例如， 推荐信息的推荐模式可以包括文字模式、 图文模式及视频模式 等， 对于文字模式来说， 还可根据所添加的文字的不同， 扩展出多种文字模式， 以此类推。 在 多创意 （Multi Creative， MC） 广告中， 一个广告包括多个创意， 其中， 创意是指为了达。

27、到广 告目的， 对广告主题、 内容和表现形式所进行的创造性表达和构想， 创意即对应上文的推荐 模式。 0022 4） 推荐结果： 将应用某个推荐模式的推荐信息推荐至对象后， 接收到的反馈结果， 在本申请实施例中， 推荐结果可包括曝光且未触发、 触发且未转化、 以及已转化三种类型。 其中， 曝光是指推荐信息已进行展示； 触发是指接收到对象执行的触发操作， 例如接收到对 象点击某个商品的广告的操作， 跳转至该商品的详情页面； 转化是指在接收到触发操作的 说明书 3/24 页 8 CN 111767466 A 8 基础上， 接收到与推荐信息对应的、 设定的转化操作， 例如， 在该商品的详情页面中， 。

28、接收到 对象将该商品加入购物车并进行支付的操作。 0023 5） 置信区间 （Confidence Interval） ： 包括预测推荐结果的一个数值区间， 真值 （实际值） 落入该数值区间的概率大于设定的概率阈值。 置信区间界限是指置信区间的上限 或下限。 0024 6） 人工智能模型： 基于人工智能原理构建的模型， 本申请实施例对人工智能模型 的类型不做限定， 例如可以是神经网络模型。 0025 7） 数据库 （Database） ： 以一定方式储存在一起、 能与多个用户共享、 具有尽可能小 的冗余度、 与应用程序彼此独立的数据集合， 用户可以对数据库中的数据执行新增、 查询、 更新及删除。

29、等操作。 0026 对于推荐信息的多个推荐模式的筛选， 相关技术提供了随机策略的方案， 即一个 推荐信息的多个推荐模式按照均等概率进行推荐， 但是， 在应用随机策略时， 会导致在劣质 的推荐模式上浪费较多曝光机会， 推荐资源的利用率低， 推荐信息的推荐效果也不佳。 0027 本申请实施例提供一种基于人工智能的推荐信息推荐方法、 装置、 电子设备和计 算机可读存储介质， 能够优化推荐效果， 提升推荐资源的利用率。 下面说明本申请实施例提 供的电子设备的示例性应用， 本申请实施例提供的电子设备可以实施为笔记本电脑， 平板 电脑， 台式计算机， 机顶盒， 移动设备 （例如， 移动电话， 便携式音乐播。

30、放器， 个人数字助理， 专用消息设备， 便携式游戏设备） 等各种类型的终端设备， 也可以实施为服务器。 0028 电子设备通过运行本申请实施例提供的推荐方案， 能够筛选出效果最好的推荐模 式并执行推荐操作， 加强推荐资源的利用率， 即提高电子设备自身的推荐性能， 适用于多种 推荐场景。 例如， 电子设备可以是电商平台的服务器， 电商平台中某个商品的广告包括多个 创意， 通过将应用有筛选出的创意的广告， 推荐至电商平台的用户账号， 提升该用户账号根 据该广告购买该商品的概率， 即提升触发率和转化率； 又例如， 电子设备可以是终端设备， 其上运行有办公软件或游戏软件， 推荐信息是办公软件或游戏软件。

31、的教程， 包括多个推荐 模式 （例如文字模式、 图文模式及视频模式等） ， 电子设备通过将应用有筛选出的推荐模式 的教程， 显示于办公软件或游戏软件的界面中， 提升用户根据教程进行学习的概率， 便于用 户快速上手， 即提升触发率和转化率。 0029 参见图1， 图1是本申请实施例提供的基于人工智能的推荐信息推荐系统100的一 个可选的架构示意图， 终端设备400通过网络300连接服务器200， 服务器200连接数据库 500， 其中， 网络300可以是广域网或者局域网， 又或者是二者的组合。 0030 在一些实施例中， 以电子设备是终端设备为例， 本申请实施例提供的基于人工智 能的推荐信息推荐。

32、方法可以由终端设备实现。 例如， 终端设备400在获取到应用推荐模式的 推荐信息的历史推荐记录后， 确定历史推荐记录中的历史对象特征与历史推荐结果之间的 关联关系， 并根据推荐模式对应的关联关系、 以及待接收推荐信息的对象的对象特征进行 预测处理， 得到推荐模式的预测推荐结果的置信区间界限。 如此， 终端设备400可根据得到 的置信区间界限， 对多个推荐模式进行筛选处理， 并将应用有筛选出的推荐模式的推荐信 息， 呈现于图形界面410中。 其中， 历史推荐记录可以预先存储在终端设备400本地， 也可以 是终端设备400向外界 （如数据库500） 获取得到的， 包括多个推荐模式的推荐信息同理。 。

33、0031 在一些实施例中， 以电子设备是服务器为例， 本申请实施例提供的基于人工智能 说明书 4/24 页 9 CN 111767466 A 9 的推荐信息推荐方法， 也可以由服务器实现。 例如， 服务器200从数据库500中获取包括多个 推荐模式的推荐信息、 以及各个推荐模式对应的历史推荐记录， 根据历史推荐记录确定各 个推荐模式对应的关联关系。 然后， 服务器200根据推荐模式对应的关联关系、 以及从终端 设备400获取到的对象特征进行预测处理， 得到推荐模式的预测推荐结果的置信区间界限。 如此， 服务器200可根据得到的置信区间界限对多个推荐模式进行筛选处理， 并将应用有筛 选出的推荐模。

34、式的推荐信息， 发送至终端设备400。 值得说明的是， 本申请实施例对推荐信 息以及历史推荐记录的存储位置不做限定， 例如可以是数据库500、 服务器200的分布式文 件系统或者区块链等位置。 0032 终端设备400用于在图形界面410中， 显示推荐过程中的各种结果和最终结果。 在 图1中， 示例性地示出了应用有筛选出的推荐模式的推荐信息， 其包括图片1及文案1。 0033 在一些实施例中， 服务器200可以是独立的物理服务器， 也可以是多个物理服务器 构成的服务器集群或者分布式系统， 还可以是提供云服务、 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。

35、服务、 安全服务、 CDN、 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， 其中， 云服务可以是推荐服务， 供终端设备400进行调用， 以 根据终端设备400发送的对象特征， 将应用有筛选出的推荐模式的推荐信息， 发送至终端设 备400。 终端设备400可以是智能手机、 平板电脑、 笔记本电脑、 台式计算机、 智能音箱及智能 手表等， 但并不局限于此。 终端设备以及服务器可以通过有线或无线通信方式进行直接或 间接地连接， 本申请实施例中不做限制。 0034 以本申请实施例提供的电子设备是终端设备为例说明， 可以理解的， 对于电子设 备是服务器的情况， 图2中示出的结构中的部分 （例如。

36、用户接口、 呈现模块和输入处理模块） 可以缺省。 参见图2， 图2是本申请实施例提供的终端设备400的结构示意图， 图2所示的终端 设备400包括： 至少一个处理器410、 存储器450、 至少一个网络接口420和用户接口430。 终端 400中的各个组件通过总线系统440耦合在一起。 可理解， 总线系统440用于实现这些组件之 间的连接通信。 总线系统440除包括数据总线之外， 还包括电源总线、 控制总线和状态信号 总线。 但是为了清楚说明起见， 在图2中将各种总线都标为总线系统440。 0035 处理器410可以是一种集成电路芯片， 具有信号的处理能力， 例如通用处理器、 数 字信号处理器。

37、 （DSP， Digital Signal Processor） ， 或者其他可编程逻辑器件、 分立门或者 晶体管逻辑器件、 分立硬件组件等， 其中， 通用处理器可以是微处理器或者任何常规的处理 器等。 0036 用户接口430包括使得能够呈现媒体内容的一个或多个输出装置431， 包括一个或 多个扬声器和/或一个或多个视觉显示屏。 用户接口430还包括一个或多个输入装置432， 包 括有助于用户输入的用户接口部件， 比如键盘、 鼠标、 麦克风、 触屏显示屏、 摄像头、 其他输 入按钮和控件。 0037 存储器450可以是可移除的， 不可移除的或其组合。 示例性的硬件设备包括固态存 储器， 硬盘。

38、驱动器， 光盘驱动器等。 存储器450可选地包括在物理位置上远离处理器 410的 一个或多个存储设备。 0038 存储器450包括易失性存储器或非易失性存储器， 也可包括易失性和非易失性存 储器两者。 非易失性存储器可以是只读存储器 （ROM， Read Only Memory） ， 易失性存储器可 以是随机存取存储器 （RAM， Random Access Memory） 。 本申请实施例描述的存储器450旨在 说明书 5/24 页 10 CN 111767466 A 10 包括任意适合类型的存储器。 0039 在一些实施例中， 存储器450能够存储数据以支持各种操作， 这些数据的示例包括 。

39、程序、 模块和数据结构或者其子集或超集， 下面示例性说明。 0040 操作系统451， 包括用于处理各种基本系统服务和执行硬件相关任务的系统程序， 例如框架层、 核心库层、 驱动层等， 用于实现各种基础业务以及处理基于硬件的任务； 网络通信模块452， 用于经由一个或多个 （有线或无线） 网络接口420到达其他计算设 备， 示例性的网络接口420包括： 蓝牙、 无线相容性认证 （WiFi） 、 和通用串行总线 （USB， Universal Serial Bus） 等； 呈现模块453， 用于经由一个或多个与用户接口430相关联的输出装置431 （例如， 显示 屏、 扬声器等） 使得能够呈现信。

40、息 （例如， 用于操作外围设备和显示内容和信息的用户接 口） ； 输入处理模块454， 用于对一个或多个来自一个或多个输入装置432之一的一个或多个 用户输入或互动进行检测以及翻译所检测的输入或互动。 0041 在一些实施例中， 本申请实施例提供的装置可以采用软件方式实现， 图2示出了存 储在存储器450中的基于人工智能的推荐信息推荐装置455， 其可以是程序和插件等形式的 软件， 包括以下软件模块： 获取模块4551、 关系确定模块4552、 预测模块4553及筛选模块 4554， 这些模块是逻辑上的， 因此根据所实现的功能可以进行任意的组合或进一步拆分。 将 在下文中说明各个模块的功能。 。

41、0042 在另一些实施例中， 本申请实施例提供的装置可以采用硬件方式实现， 作为示例， 本申请实施例提供的基于人工智能的推荐信息推荐装置可以是采用硬件译码处理器形式 的处理器， 其被编程以执行本申请实施例提供的基于人工智能的推荐信息推荐方法， 例如， 硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路 （ASIC， Application Specific Integrated Circuit） 、 DSP、 可编程逻辑器件 （PLD， Programmable Logic Device） 、 复杂可编程逻辑器件 （CPLD， Complex Programmable Logic D。

42、evice） 、 现场可编程 门阵列 （FPGA， Field-Programmable Gate Array） 或其他电子元件。 0043 将结合本申请实施例提供的电子设备的示例性应用和实施， 说明本申请实施例提 供的基于人工智能的推荐信息推荐方法。 0044 参见图3A， 图3A是本申请实施例提供的基于人工智能的推荐信息推荐方法的一个 可选的流程示意图， 将结合图3A示出的步骤进行说明。 0045 在步骤101中， 获取待接收推荐信息的对象的对象特征， 并获取符合对象特征的推 荐信息； 其中， 推荐信息包括多个推荐模式。 0046 这里， 对象特征用于描述待接收推荐信息的对象的情况， 以对。

43、象为用户账号的情 况举例， 则对象特征包括但不限于持有用户账号的用户的年龄、 性别、 居住城市、 婚恋状况、 消费水平、 教育程度及工作状态。 在获取到对象特征之后， 获取符合对象特征的推荐信息， 例如在数据库的多个推荐信息中， 查找出符合对象特征的推荐信息， 其中， 推荐信息包括多 个推荐模式。 0047 在一些实施例中， 在步骤101之前， 还包括： 执行以下任意一种处理： 获取与推荐信 息的多个待填充部分分别对应的一个素材， 并将每个素材填充至对应的待填充部分中， 得 到推荐信息的一个推荐模式； 获取与推荐信息的多个待填充部分分别对应的多个素材， 并 说明书 6/24 页 11 CN 1。

44、11767466 A 11 在每个待填充部分对应的多个素材中进行随机选择， 将选择的素材填充至对应的待填充部 分中， 得到推荐信息的一个推荐模式。 0048 本申请实施例提供了两种方式， 以得到推荐信息。 第一种方式是， 获取与推荐信息 的多个待填充部分分别对应的一个素材， 并将每个素材填充至对应的待填充部分中， 得到 推荐信息的一个推荐模式。 以推荐信息为广告的情况举例， 广告的待填充部分包括图片部 分和文案部分， 针对图片部分， 获取到广告主上传的图片素材1； 针对文案部分， 获取到广告 主上传的文案素材1。 然后， 将图片素材1填充至图片部分， 将文案素材1填充至文案部分， 得 到广告的。

45、一个创意。 广告主可以通过上传素材， 继续制作广告的下一个创意。 0049 第二种方式是， 获取与推荐信息的多个待填充部分分别对应的多个素材， 并在每 个待填充部分对应的多个素材中进行随机选择， 将选择的素材填充至对应的待填充部分 中， 得到推荐信息的一个推荐模式。 例如， 针对某广告的图片部分， 获取到广告主上传的图 片素材1和图片素材2； 针对该广告的文案部分， 获取到广告主上传的文案素材1和文案素材 2。 然后， 将随机选择出的图片素材1填充至图片部分， 将随机选择出的文案素材1填充至文 案部分。 值得说明的是， 这里可以穷尽不同待填充部分对应的素材的组合方式， 直至得到所 有可能出现的。

46、推荐模式， 例如得到 （图片素材1， 文案素材1） 、（图片素材1， 文案素材2） 、（图 片素材2， 文案素材1） 以及 （图片素材2， 文案素材2） 这4个推荐模式， 如此， 可以增加得到的 推荐模式的数量。 通过上述两种方式， 提升了生成推荐信息的灵活性。 0050 在步骤102中， 针对应用推荐模式的推荐信息， 确定历史推荐记录中的历史对象特 征与历史推荐结果之间的关联关系。 0051 这里， 历史推荐记录包括推荐信息应用的推荐模式、 执行的推荐操作针对的历史 对象的历史对象特征以及历史推荐结果。 例如， 推荐信息包括推荐模式1和推荐模式2， 在数 据库中总共获取到推荐信息的20条历史。

47、推荐记录， 其中， 前10条历史推荐记录中应用的均 是推荐模式1， 后10条历史推荐记录中应用的均是推荐模式2。 则确定前10条历史推荐记录 中的历史对象特征与历史推荐结果之间的关联关系， 作为推荐模式1对应的关联关系； 确定 后10条历史推荐记录中的历史对象特征与历史推荐结果之间的关联关系， 作为推荐模式2 对应的关联关系。 本申请实施例对关联关系的确定方式不做限定， 例如可通过人工智能模 型来确定历史对象特征与历史推荐结果之间的关联关系。 0052 在一些实施例中， 历史推荐结果的类型包括： 第一推荐结果， 用于表示应用推荐模 式的推荐信息已曝光、 且未触发； 第二推荐结果， 用于表示应用。

48、推荐模式的推荐信息已触 发、 且未转化； 第三推荐结果， 用于表示应用推荐模式的推荐信息已转化。 0053 在本申请实施例中， 可以预先设定推荐信息对应的触发操作及转化操作， 例如， 对 于某个商品的广告来说， 设定对应的触发操作是对该广告的点击操作， 对应的转化操作是 对该商品的付费操作。 如此， 可以将推荐结果 （如历史推荐结果） 分为第一推荐结果、 第二推 荐结果和第三推荐结果三类， 其中， 第一推荐结果用于表示应用推荐模式的推荐信息已经 进行了显示， 但未接收到对应的触发操作； 第二推荐结果用于表示已接收到与应用推荐模 式的推荐信息对应的触发操作， 但未接收到对应的转化操作； 第三推荐。

49、结果用于表示已接 收到与应用推荐模式的推荐信息对应的转化操作。 当然， 这并不构成对本申请实施例的限 定， 例如可以将推荐结果划分为第一推荐结果和第二推荐结果两类。 此外， 为了便于确定关 联关系， 可以对推荐结果进行数值化， 例如将第一推荐结果数值化为0， 将第二推荐结果数 说明书 7/24 页 12 CN 111767466 A 12 值化为1， 将第三推荐结果数值化为2， 其中， 在转化操作可能涉及到多个转化量 （例如用户 购买了n个商品， 那么转化量就是n） 的情况下， 可以将第三推荐结果数值化为1+转化量。 通 过上述的分类方式， 能够提升确定关联关系、 以及基于关联关系进行预测处理。

50、的准确性。 0054 在步骤103中， 根据对象特征、 以及推荐模式对应的关联关系进行预测处理， 得到 推荐模式的预测推荐结果的置信区间界限。 0055 在通过步骤102确定出推荐信息的每个推荐模式对应的关联关系后， 针对每个推 荐模式， 根据待接收推荐信息的对象的对象特征、 以及推荐模式对应的关联关系进行预测 处理， 得到该推荐模式的预测推荐结果的置信区间界限。 其中， 置信区间界限可以是预测推 荐结果的置信区间的上限或下限。 0056 在一些实施例中， 可以通过这样的方式来实现上述的确定历史推荐记录中的历史 对象特征与历史推荐结果之间的关联关系： 将历史推荐记录中的历史对象特征与展示位置 。