1.本说明书实施例涉及计算机技术领域，特别涉及一种项目推荐方法。本说明书一个或者多个实施例同时涉及一种项目推荐装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序。
背景技术：2.随着计算机技术的飞速发展，人们日常生活中的琐事可以在线操作解决，如用户可以在线完成水、电以及燃气的缴费，还可以在线购买保险、理财产品等。随着用户的需求越来越高，各大平台会提供多个项目卡片供用户选择，以提高用户的操作效率。
3.目前，各大平台通常会统计各项目受用户关注的情况，根据该情况对各个项目进行排序，根据排序结果对用户进行项目推荐。但上述项目推荐方案中，由于不同的项目之间存在差异性，并且不同的用户对不用项目的关注度不同，统一根据项目排序结果进行项目推荐会导致推荐不准确，降低用户的体验度，因此，亟需一种准确的项目推荐方案。
技术实现要素：4.有鉴于此，本说明书实施例提供了一种项目推荐方法。本说明书一个或者多个实施例同时涉及一种项目推荐装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
5.根据本说明书实施例的第一方面，提供了一种项目推荐方法，包括：
6.获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；
7.根据用户信息，确定目标用户的类别；
8.根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互信息；
9.利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；
10.根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。
11.根据本说明书实施例的第二方面，提供了一种项目推荐装置，包括：
12.获取模块，被配置为获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；
13.第一确定模块，被配置为根据用户信息，确定目标用户的类别；
14.第二确定模块，被配置为根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互信息；
15.计算模块，被配置为利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；
16.推荐模块，被配置为根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。
17.根据本说明书实施例的第三方面，提供了一种计算设备，包括：
18.存储器和处理器；
19.所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述项目推荐方法的步骤。
20.根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述项目推荐方法的步骤。
21.根据本说明书实施例的第五方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述项目推荐方法的步骤。
22.本说明书一个实施例提供的项目推荐方法，获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；根据用户信息，确定目标用户的类别；根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互信息；利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。通过考虑目标用户的类别，根据类别对应的权重对用户的行为概率进行加权，使得获得的推荐参数能准确表示目标用户与待推荐项目之间的关系，提高了项目推荐的准确性。
附图说明
23.图1是本说明书一个实施例提供的一种项目推荐系统下的项目推荐方法的处理流程图；
24.图2a是本说明书一个实施例提供的一种项目展示界面的示意图；
25.图2b是本说明书一个实施例提供的另一种项目展示界面的示意图；
26.图3是本说明书一个实施例提供的应用于理财场景中的一种项目推荐系统的架构图；
27.图4是本说明书一个实施例提供的一种项目推荐方法的流程图；
28.图5是本说明书一个实施例提供的一种分类网络的训练过程示意图；
29.图6是本说明书一个实施例提供的一种训练数据集的构成示意图；
30.图7是本说明书一个实施例提供的一种目标样本指标选择过程示意图；
31.图8是本说明书一个实施例提供的一种权重确定过程示意图；
32.图9是本说明书一个实施例提供的一种离线概率矫正示意图；
33.图10是本说明书一个实施例提供的一种项目推荐方法的处理过程流程图；
34.图11是本说明书一个实施例提供的一种项目推荐方法中确定权重的过程示意图；
35.图12是本说明书一个实施例提供的一种项目推荐方法的处理过程流程图；
36.图13是本说明书一个实施例提供的一种项目推荐装置的结构示意图；
37.图14是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
38.在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
39.在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
40.应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
41.首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
42.多目标融合：对场景关注的点击率(ctr,click-through-rate)，转化率(conversion rate)、复访等多个目标进行平衡和帕累托优化。在本说明书实施例中，多目标融合也即多行为融合，行为包括点击、转化、转百、复访等等。
43.元学习：一种指导机器学习模型如何自动训练、如何自动调参的综合性方法体系。
44.maml(model-agnostic meta-learning)：一种与模型无关的深度模型参数初始化方法。
45.帕累托改进：状态b相比状态a实现了帕累托改进，是指在状态b下所有目标都不差于状态a，并且至少有一个目标实现了正向改进。
46.在本说明书中，提供了一种项目推荐方法，本说明书同时涉及一种项目推荐装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
47.随着计算机技术的飞速发展，人们日常生活中的琐事可以在线操作解决，如用户可以在线完成水、电以及燃气的缴费，还可以在线购买保险、理财产品等。随着用户的需求越来越高，各大平台会提供多个项目卡片供用户选择，以提高用户的操作效率。
48.在许多项目推荐场景中，由于用户关于各项目产生的多个行为之间通常是矛盾的，可替代的，如用户点击任一项目与购买该项目这两个行为，用户购买之前肯定要点击该项目，进入购买页面。要是为了重点提高用户的购买行为，可以向用户推荐大量的购买页面，但一直向用户推荐购买页面，极大地影响了用户的体验度，可能会导致用户不愿点击项目的情况。因此，项目推荐场景中，需要在多个用户行为之间实现平衡，在尽可能少的减损其他行为的情况下，达到多个行为之间的平衡状态。
49.为了解决多个行为之间的优化问题，本说明书实施例提供了一种项目推荐方法，获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；根据用户信息，确定目标用户的类别；根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互
信息；利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。通过考虑目标用户的类别，根据类别对应的权重对用户的行为概率进行加权，使得获得的推荐参数能准确表示目标用户与待推荐项目之间的关系，提高了项目推荐的准确性。
50.参见图1，图1示出了本说明书一个实施例提供的一种项目推荐系统下的项目推荐方法的处理流程图，该项目推荐系统包括客户端和服务端；
51.客户端，向服务端发送目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；
52.服务端，获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；根据用户信息，确定目标用户的类别；根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互信息；利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。
53.本说明书一种可选的实现方式中，服务端获得各待推荐项目的推荐参数之后，可以根据推荐参数，生成项目推荐指令，将项目推荐指令发送至客户端，以使客户端根据项目推荐指令进行项目推荐。
54.本说明书另一种可选的实现方式中，服务端获得各待推荐项目的推荐参数之后，可以直接根据推荐参数对客户端中的多个待推荐项目进行调整。
55.参见图2a和图2b，图2a示出了本说明书一个实施例提供的一种项目展示界面的示意图，图2b示出了本说明书一个实施例提供的另一种项目展示界面的示意图。
56.图2a中包括待推荐项目a、待推荐项目b和待推荐项目c，其中，待推荐项目a在待推荐项目b之前，待推荐项目c在待推荐项目b之后。利用本说明书提供的项目推荐方法，获取目标用户的用户信息、待推荐项目a-c的项目信息以及目标用户与待推荐项目a-c之间的交互信息，根据用户信息，确定目标用户的类别；根据用户信息、待推荐项目a的项目信息和目标用户与待推荐项目a之间的交互信息，确定目标用户针对待推荐项目a的多个行为的行为概率，利用类别对应的权重，对行为概率进行加权，获得待推荐项目a的推荐参数a为76。采用与待推荐项目a相同的方式，可以确定目标用户关于待推荐项目b的推荐参数b为68，目标用户关于待推荐项目c的推荐参数c为88。
57.根据推荐参数a、推荐参数b以及推荐参数c可以对目标用户进行项目推荐，参见图2b，图2b中包括项目a、项目b和项目c，其中，项目c在项目a之前，项目b在项目a之后。
58.实际应用中，不仅可以对待推荐项目在项目展示界面中的展示顺序进行调整，也可以调整待推荐项目在项目展示界面中的展示窗口大小，当然，还可以对高推荐参数对应的待推荐项目进行标记，如带星号、加底色处理等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
59.本说明书一个或多个实施例提供的方案，可以应用于各种项目推荐场景，如购物场景中的商品推荐、直播交友场景中的朋友推荐、理财场景中的理财产品推荐等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
60.参见图3，图3示出了本说明书一个实施例提供的应用于理财场景中的一种项目推
荐系统的架构图，该系统可以包括服务端100以及多个客户端200。多个客户端200之间通过服务端100可以建立通信连接，在理财场景中，服务端100即用来在多个客户端200之间提供项目推荐服务，多个客户端200可以分别作为发送端或接收端，通过服务端100实现通信。
61.客户端200可与服务端100进行交互以接收其它客户端200发送的数据，或将数据发送至其它客户端200等。在理财场景中，可以是用户通过客户端200向服务端100发布数据，服务端100根据该数据进行项目推荐，并将推荐结果推送至其他客户端中。
62.如在直播交友场景中，客户端200可以采集主播用户的用户信息、多个互动游戏的信息以及主播用户与各互动游戏之间的交互信息，并将这些信息发送至服务端100，服务端100根据上述信息进行互动游戏推荐等，服务端100还可以将推荐结果推送至其他客户端200中。又如在购物场景中，客户端200可以采集顾客的用户信息、多个商品的信息以及顾客与各商品之间的交互信息，并将这些信息发送至服务端100，服务端100根据上述信息进行商品推荐等，服务端100还可以将推荐结果推送至其他客户端200中。
63.其中，客户端200与服务端100之间通过网络建立连接。网络为客户端与服务端之间提供了通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
64.其中，客户端200可以为浏览器、应用程序(app，application)、或网页应用如h5(hypertext markup language5，超文本标记语言第5版)应用、或轻应用(也被称为小程序，一种轻量级应用程序)或云应用等，客户端200可以基于服务端提供的相应服务的sdk(software development kit，软件开发工具包)，如基于rtc sdk开发获得等。客户端200可以部署在电子设备中，需要依赖设备运行或者设备中的某些app而运行等。电子设备例如可以具有显示屏并支持信息浏览等，如可以是个人移动终端如手机、平板电脑、个人计算机等。在电子设备中通常还可以配置各种其它类应用，例如人机对话类应用、模型训练类应用、文本处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
65.服务端100可以包括提供各种服务的服务器，例如为多个客户端提供通信服务的服务器，又如为客户端上使用的模型提供支持的用于后台训练的服务器，又如对客户端发送的数据进行处理的服务器等。
66.需要说明的是，服务端100可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务、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、内容分发网络(cdn，content delivery network)、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，或者是带人工智能技术的智能云计算服务器或智能云主机。
67.值得说明的是，本说明书实施例中提供的项目推荐方法一般由服务端执行，但是，在本说明书的其它实施例中，客户端也可以与服务端具有相似的功能，从而执行本说明书实施例所提供的项目推荐方法。在其他实施例中，本说明书实施例所提供的项目推荐方法还可以是由客户端与服务端共同执行。
68.参见图4，图4示出了本说明书一个实施例提供的一种项目推荐方法的流程图，具体包括以下步骤：
69.步骤402：获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息。
70.本说明书一个或多个实施例中，可以获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息，利用上述信息对用户进行准确的项目推荐。
71.具体地，目标用户是需要进行项目推荐的用户，待推荐项目是指需要被推荐的项目，在购物场景中，目标用户可以是顾客，待推荐项目可以是日用品、生鲜类商品、服饰类商品等；在理财场景中，目标用户可以是理财购买者，待推荐项目可以是基金、保险、股票等等。目标用户的用户信息是指目标用户自身的特征信息，如目标用户的姓名、工作、教育情况等等，进一步地，如在理财场景中，用户信息还可以包括目标用户的风险特征、理财认知、登录活跃度、持仓特征、理财经历类特征等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。待推荐项目的项目信息是指待推荐项目自身的特征信息，如商品属性、理财产品发售方等等。目标用户与各待推荐项目之间的交互信息可以是交互次数、交互量等，如购买次数、购买金额等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
72.实际应用中，获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息的方式有多种，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
73.本说明书一种可选的实现方式中，可以直接获取的目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息。进一步地，可以定期获取上述信息，如每隔一个月获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息。
74.本说明书另一种可选的实现方式中，为了保证用户数据的隐私性，可以向用户发送获取信息的弹窗，在用户授权之后，再获取多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息。
75.步骤404：根据用户信息，确定目标用户的类别。
76.本说明书一个或多个实施例中，在获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息之后，进一步地，可以根据用户信息，确定目标用户的类别。
77.具体地，目标用户的类别是指目标用户的属性类别，如有的用户可能是活跃型的，喜欢各个项目都点进去看看；有的用户可能是转化型的，喜欢看到好的产品就买一些，或者看到好的权益就领一下。活跃型的用户可以理解为偏点击用户，转化型的用户可以理解为偏转化用户。
78.实际应用中，根据用户信息，确定目标用户的类别的方式有多种，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
79.本说明书一种可选的实现方式中，可以利用预先设置的分类表对目标用户进行分类。具体地，在预先设置的分类表中查找与目标用户的用户信息相同的信息，将该相同的信息对应的类别作为目标用户的类别；若预先设置的分类表中不存在与目标用户的用户信息相同的信息，则可以计算分类表中的信息与目标用户的用户信息之间的相似度，将相似度
最高的信息对应的类别作为目标用户的类别。
80.本说明书另一种可选的实现方式中，可以利用预先训练的分类网络，确定目标用户的类别，也即，上述根据用户信息，确定目标用户的类别的步骤，可以包括以下步骤：
81.将用户信息输入预先训练的分类网络中，获得目标用户的分类概率；
82.根据分类概率以及预设分类阈值，确定目标用户的类别。
83.具体地，预先训练的分类网络可以是预先训练的元网络(meta网络)，当然也可以是其他可以实现分类的网络，如卷积神经网络(cnn，convolutional neural network)，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。目标用户的分类概率在0-1之间，表示目标用户的类别倾向。
84.需要说明的是，训练meta网络的方式可以有多种，例如采用强化学习的方式，以改进程度作为奖赏，对meta网络进行在线强化训练。进一步地，为了提高meta网络的分类能力，可以通过maml对meta网络进行初始化。具体参见图5，图5示出了本说明书一个实施例提供的一种分类网络的训练过程示意图，步骤1，随机初始化模型的参数。步骤2，是一个循环，可以理解为一轮迭代过程。步骤3，随机对若干个任务(task)进行采样，形成一个batch(一批数据)。步骤4－步骤7，是第一次梯度更新的过程。可以理解为copy了一个原模型，计算出新的参数，用在第二轮梯度的计算过程中。在步骤4－步骤7中，利用batch中的每一个task，分别对模型的参数进行更新。步骤5，即对利用batch中的某一个task中的支撑集(support set)。步骤6，即第一次梯度的更新。步骤4－步骤7结束后，maml完成了第一次梯度更新。接下来根据第一次梯度更新得到的参数，通过(梯度渐变)gradient by gradient，计算第二次梯度更新。第二次梯度更新时计算出的梯度，直接通过梯度下降法作用于原模型上，也就是模型真正用于更新其参数的梯度。换句话说，第一次梯度更新是为了第二次梯度更新，而第二次梯度更新才是为了更新模型参数。步骤8即对应第二次梯度更新的过程。
85.参见图6，图6示出了本说明书一个实施例提供的一种训练数据集的构成示意图。数据集中包括共享负样本池，该共享负样本池中包括所有的负样本(也可以理解为所有曝光样本)，数据集中还包括点击正样本、大理财转化正样本、保险转化正样本、消金转化正样本、余额转化正样本。根据数据集可以生成由3个随机抽样的小任务包组成的大任务包，其中，第一个小任务包对应点击任务，包括951条正样本和73条负样本，将该小任务包随机拆分成512条支撑集和512条查询集(query set)。第二个小任务包对应大理财任务，包括1007条正样本和17条负样本，将该小任务包随机拆分成512条支撑集和512条查询集(query set)。第三个小任务包对应消金任务，包括1011条正样本和13条负样本，将该小任务包随机拆分成512条支撑集和512条查询集(query set)。具体地，每天的数据都有1000个大任务包，大小任务包的抽样规则都与其本身的正样本的数量有关。在maml训练过程和微调(fine-tune)过程中均使用同一版用户信息。
86.进一步地，在确定目标用户的分类概率之后，可以获取预设分类阈值，将目标用户的分类概率与预设分类阈值进行比较，即可获得目标用户的多个类别。
87.示例性地，获取预设分类阈值为0.15，利用预先训练的点击购买分类网络确定目标用户a的分类概率a为0.1，比较预设分类阈值0.15与分类概率a，确定目标用户a为偏点击用户；利用预先训练的点击购买分类网络确定目标用户b的分类概率b为0.4，比较预设分类阈值0.4与分类概率b，确定目标用户b为偏购买用户。
88.应用本说明书实施例的方案，将用户信息输入预先训练的分类网络中，获得目标用户的分类概率，根据分类概率以及预设分类阈值，确定目标用户的类别，由于maml网络自身是一种元学习架构，maml的初始化可以教会meta网络如何在后续任务中快速学习。所以经过maml初始化的meta网络拥有更强的分类能力，因此可以提高类别的准确性，进一步提高了后续项目推荐的准确性。
89.实际应用中，预先训练的分类网络可以包括第一分类网络以及第二分类网络，分类阈值包括第一分类阈值和第二分类阈值，上述根据用户信息，确定目标用户的类别的步骤，可以包括以下步骤：
90.将用户信息输入预先训练的第一分类网络中，获得目标用户的第一分类概率；
91.根据第一分类概率和第一分类阈值，确定目标用户的第一类别；
92.在第一类别为指定类别的情况下，将用户信息输入预先训练的第二分类网络中，获得目标用户的第二分类概率；
93.根据第二分类概率以及第二分类阈值，确定目标用户的第二类别。
94.具体地，第二分类网络是对第一分类网络确定的用户类别进一步分类的网络，指定类别为预先设置的类别，如第一分类网络为点击分享分类网络，第二分类网络为分享购买分类网络。利用点击分享分类网络可以确定目标用户是偏点击用户还是偏分享用户，进一步地，由于用户在分享之后还可以购买，因此，在目标用户为指定类别“偏分享用户”的情况下，可以利用分享购买分类网络确定目标用户是偏分享用户还是偏购买用户。当然，第一分类网络也可以为点击收藏分类网络，第二分类网络为收藏分享分类网络等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
95.应用本说明书实施例的方案，将用户信息输入预先训练的第一分类网络中，获得目标用户的第一分类概率，根据第一分类概率和第一分类阈值，确定目标用户的第一类别，在第一类别为指定类别的情况下，将用户信息输入预先训练的第二分类网络中，获得目标用户的第二分类概率，根据第二分类概率以及第二分类阈值，确定目标用户的第二类别，细化了用户的类别，使得确定的用户类别更加准确。
96.本说明书一种可选的实现方式中，第一分类网络可以为点转网络，点转网络也可以理解为点击转化分类网络，第二分类网络可以为转百网络，转百网络也可以理解为转化转百分类网络。转百可以理解为转化次数超过100，也可以理解为转化量超过100，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。第一分类阈值可以为点转分类阈值，第二分类阈值可以为转百分类阈值。上述根据用户信息，确定目标用户的类别的步骤，可以包括以下步骤：
97.将用户信息输入预先训练的点转网络中，获得目标用户的点转概率；
98.根据点转概率以及点转分类阈值，确定目标用户的第三类别；
99.在第三类别属于偏转类别的情况下，将用户信息输入预先训练的转百网络中，获得目标用户的转百概率；
100.根据转百概率以及转百分类阈值，确定目标用户的第四类别。
101.具体地，第三类别包括偏点类别以及偏转类别，第四类别包括偏点类别以及偏转百类别。
102.示例性地，将目标用户a的用户信息a输入预先训练的点转网络中，获得目标用户a
的点转概率为0.3，根据点转概率0.3以及点转分类阈值0.2，确定目标用户的第三类别为偏转类别，将用户信息a输入预先训练的转百网络中，获得目标用户a的转百概率为0.25，根据转百概率0.25以及转百分类阈值0.1，确定目标用户的第四类别为偏转百类别。
103.应用本说明书实施例的方案，可以准确确定目标用户是偏点击用户(偏点用户)、偏转化用户(偏转用户)还是偏转百用户，提高了目标用户类别的准确性。
104.步骤406：根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互信息。
105.本说明书一个或多个实施例中，在获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息，根据用户信息，确定目标用户的类别之后，进一步地，可以根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率。
106.具体地，目标用户针对第一待推荐项目的多个行为是指目标用户对第一待推荐项目产生的行为，包括但不限于点击、购买、转发、分享、收藏、复购等等，多个行为的行为概率是指目标用户产生多个行为的概率，如点击率(ctr,click-through-rate)，转化率(conversion rate)，转百率等等，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
107.实际应用中，根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率的方式有多种，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
108.本说明书一种可选的实现方式中，可以获取多个行为各自的预设行为概率，根据用户信息、第一待推荐项目的项目信息和第一交互信息对预设行为概率进行微调，确定目标用户针对第一待推荐项目的多个行为的行为概率。
109.本说明书另一种可选的实现方式中，可以利用预先训练的行为概率预测模型，确定目标用户针对第一待推荐项目的多个行为的行为概率，也即，上述根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率的步骤，可以包括以下步骤：
110.将用户信息、第一待推荐项目的项目信息和第一交互信息输入预先训练的行为概率预测模型，确定目标用户针对第一待推荐项目的多个行为的行为概率。
111.具体地，预先训练的行为概率预测模型是可以进行概率预测的模型，包括但不限于循环神经网络(rnn，recurrent neural network)、长短期记忆神经网络(lstm，long short-term memory)等等，该行为概率预测模型可以是一个，也可以是多个，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。例如，可以单独训练不同的行为概率预测模型，如点击率预测模型(ctr模型)、转化率预测模型(cvr模型)、转百率预测模型等等。当然，也可以联合训练一个行为概率预测模型，该联合训练的行为概率预测模型可以同时预测多个行为的行为概率。
112.需要说明的是，转百率是指一个用户在该项目转化之前还不是财百用户，转化后成为财百用户。例如用户a的理财持仓是50元，然后在理财中购买了一只基金，投资80元，则该用户持仓变为130元，超过了100，即为财百用户。
113.示例性地，将用户信息、第一待推荐项目的项目信息和第一交互信息输入预先训练的ctr模型，确定目标用户针对第一待推荐项目的点击概率，将用户信息、第一待推荐项目的项目信息和第一交互信息输入预先训练的cvr模型，确定目标用户针对第一待推荐项目的转化概率，将用户信息、第一待推荐项目的项目信息和第一交互信息输入预先训练的转百率预测模型，确定目标用户针对第一待推荐项目的转百概率。
114.应用本说明书实施例的方案，将用户信息、第一待推荐项目的项目信息和第一交互信息输入预先训练的行为概率预测模型，确定目标用户针对第一待推荐项目的多个行为的行为概率，提高了获得多个行为的行为概率的效率以及准确性。
115.步骤408：利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数。
116.本说明书一个或多个实施例中，在获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息，根据用户信息，确定目标用户的类别，根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率之后，进一步地，可以利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数。
117.具体地，推荐参数是指目标用户关于待推荐项目的得分，该得分用于指导项目推荐。各类别对应的权重可以是预先设置的，也可以利用遗传算法计算获得，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
118.示例性地，可以利用二叉树递归搜索的方式确定推荐参数，若目标用户为非财百偏转百用户，则目标用户的推荐参数＝点击概率+(偏转用户的转化权重)*转化概率+(偏转用户的转化权重*偏转百用户的转百权重)*转百概率。若目标用户为非财百偏点用户，则目标用户的推荐参数＝点击概率+(偏点用户的转化权重)*转化概率+(偏点用户的转化权重*偏转用户的转百权重)*转百概率。若目标用户为非财百偏转用户，则目标用户的推荐参数＝点击概率+(偏转用户的转化权重)*转化概率+(偏转用户的转化权重*偏转用户的转百权重)*转百概率。若目标用户为财百用户，则目标用户的推荐参数＝点击概率+(偏点用户的转化权重)*转化概率，也可以为点击概率+(偏转用户的转化权重)*转化概率。
119.应用本说明书实施例的方案，利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数，通过考虑目标用户的类别，使得获得的推荐参数能准确表示目标用户与待推荐项目之间的关系，提高了项目推荐的准确性。
120.步骤410：根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。
121.本说明书一个或多个实施例中，在获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息，根据用户信息，确定目标用户的类别，根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数之后，进一步地，可以根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。
122.应用本说明书实施例的方案，获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；根据用户信息，确定目标用户的类别；
根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互信息；利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。通过考虑目标用户的类别，根据类别对应的权重对用户的行为概率进行加权，使得获得的推荐参数能准确表示目标用户与待推荐项目之间的关系，提高了项目推荐的准确性。
123.实际应用中，根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐的方式有多种，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
124.本说明书一种可选的实现方式中，可以比较各待推荐项目的推荐参数，根据比较结果对目标用户进行项目推荐，也即，上述根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐的步骤，可以包括以下步骤：
125.比较各待推荐项目的推荐参数，根据比较结果对目标用户进行项目推荐。
126.示例性地，获得目标用户关于待推荐项目a的推荐参数a为76、关于待推荐项目b的推荐参数b为68、关于待推荐项目c的推荐参数c为88。则可以比较这三个待推荐项目的推荐参数，将推荐参数最大的待推荐项目c优先推荐给目标用户，将推荐参数最小的待推荐项目b最后推荐给目标用户。
127.应用本说明书实施例的方案，比较各待推荐项目的推荐参数，根据比较结果对目标用户进行项目推荐，提高了项目推荐结果的准确性，进一步提高了用户体验。
128.本说明书另一种可选的实现方式中，在获得目标用户关于各待推荐项目的推荐参数之后，可以对各待推荐项目的推荐参数进行排序，根据待推荐参数的顺序关系进行项目推荐。
129.本说明书实施例中，利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数的步骤之前还可以包括以下步骤：
130.获取多个样本用户以及样本分类阈值，其中，多个样本用户携带各自的样本用户信息以及样本行为概率，样本分类阈值是从预先设置的阈值范围中选择的；
131.根据多个样本用户的样本用户信息和样本分类阈值，确定多个样本用户各自的样本类别；
132.分别为不同的样本类别设置对应的初始权重，其中，初始权重是从预先设置的权重范围中选择的；
133.利用初始权重和样本行为概率，确定样本类别对应的权重。
134.具体地，样本分类阈值是为了确定多个样本用户的类别，一般情况下，该样本分类阈值的取值范围在0.1-0.15之间，偏点用户的转化权重的取值范围在10-30之间，偏转用户的转化权重在30-100之间，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
135.需要说明的是，根据多个样本用户的样本用户信息和样本分类阈值，确定多个样本用户各自的样本类别的方式与上述根据用户信息，确定目标用户的类别的方式相同，本说明书实施例便不再进行赘述。
136.示例性地，以点击与转化双目标融合为例，为三元组(样本分类阈值、偏点用户的
转化初始权重、偏转用户的转化初始权重)随机赋值，如(0.200，12，25)、(0.104，12，45)、(0.133，3，99)、(0.149，18，60)等等，之后就可以利用该三元组确定多个行为特征的权重。
137.应用本说明书实施例的方案，获取多个样本用户以及样本分类阈值，根据多个样本用户的样本用户信息和样本分类阈值，确定多个样本用户各自的样本类别，分别为不同的样本类别设置对应的初始权重，利用初始权重和样本行为概率，确定样本类别对应的权重，提高了样本类别对应的权重的准确性。
138.本说明书一种可选的实现方式中，上述利用初始权重和样本行为概率，确定样本类别对应的权重的步骤，可以包括以下步骤：
139.根据初始权重和样本行为概率，确定多个样本用户的样本推荐参数；
140.根据样本推荐参数和多个样本用户的真实行为标签，确定样本指标集；
141.对样本指标集进行筛选，获得样本类别对应的权重。
142.具体地，多个样本用户的真实行为标签也可以理解为该用户的真实行为0/1标签，例如，用户a点击广告并成功注册，则该用户的真实转化标签为1，若用户a点击广告但并未完成激活，则该用户的真实转化标签为0。样本指标集是指包括多个样本指标的集合，样本指标是根据行为概率和多个样本用户的真实行为标签进行gauc计算获得的。
143.示例性地，以(0.200，12，25)为例，(0.200，12，25)表示meta网络以0.2为切割点，若样本用户的行为概率大于0.2，则该样本用户为偏转化样本用户，若样本用户的行为概率小于0.2，则该样本用户为偏点击样本用户。对于偏点击样本用户，其样本推荐参数＝点击概率+12*转化概率；对于偏转化样本用户，其样本推荐参数＝点击概率+25*转化概率。参见表1，表1是一种样本推荐参数的计算结果表。
144.表1样本推荐参数的计算结果表
145.[0146][0147]
需要说明的是，auc(area under curve)指标的思想是评估行为概率与真实行为标签之间的一致性，也即评估用户对行为概率高的项目实际是否确实点击或转化了，auc是在全部用户上计算的，而gauc(group area under curve)指标是在每个单独的用户计算auc之后，排除完全没有1标签的用户，取均值获得的。
[0148]
应用本说明书实施例的方案，根据初始权重和样本行为概率，确定多个样本用户的样本推荐参数，根据样本推荐参数和多个样本用户的真实行为标签，确定样本指标集，对样本指标集进行筛选，获得样本类别对应的权重，提高了样本类别对应的权重的准确性。
[0149]
本说明书一种可选的实现方式中，上述对样本指标集进行筛选，获得样本类别对应的权重的步骤，可以包括以下步骤：
[0150]
从样本指标集中选择符合预设筛选条件的指标点，构成指标处理集；
[0151]
调整指标处理集中各指标点对应的初始权重以及样本分类阈值，获得多个调整权重以及更新后的样本分类阈值；
[0152]
合并初始权重和调整权重，获得更新后的初始权重，并返回执行根据多个样本用户的样本用户信息和样本分类阈值，确定多个样本用户各自的样本类别的步骤，对初始权重进行迭代计算；
[0153]
在达到预设停止条件的情况下，停止迭代计算，获得最终的样本指标集；
[0154]
从最终的样本指标集中选择目标样本指标，并将目标样本指标对应的权重作为样本类别对应的权重。
[0155]
具体地，在获得样本指标集之后，可以从样本指标集中筛选第1-5层帕累托目标解，其中，帕累托层的概念是：首先选出帕累托前沿，是当前的帕累托目标解，将这些点去掉；在剩余的点中，继续选出帕累托前沿，再去掉；反复该过程5次，作为下一轮的指标处理集。对指标处理集中的指标点对应的初始权重以及样本分类阈值进行小范围扰动，获得多个调整权重以及更新后的样本分类阈值。
[0156]
示例性地，对(0.200，12，25)进行小范围扰动，可以得到(0.200，12，27)、(0.186，11，25)。在获得调整权重之后，可以合并初始权重和调整权重，获得更新后的初始权重，并返回执行根据多个样本用户的样本用户信息和样本分类阈值，确定多个样本用户各自的样本类别的步骤，对初始权重进行迭代计算，在达到预设停止条件的情况下，停止迭代计算，获得最终的样本指标集。参见图7，图7示出了本说明书一个实施例提供的一种目标样本指标选择过程示意图。从最终的样本指标集中选择帕累托改进域中的结果，即可获得目标样本指标，并将目标样本指标对应的权重作为样本类别对应的权重，其中，最终的样本指标的横坐标在0.81-0.85之间。纵坐标在0.82-0.88之间。
[0157]
需要说明的是，预设停止条件可以达到预设迭代次数，具体根据实际情况进行选择，本说明书实施例对此不作任何限定。
[0158]
应用本说明书实施例的方案，从样本指标集中选择符合预设筛选条件的指标点，构成指标处理集，调整指标处理集中各指标点对应的初始权重以及样本分类阈值，获得多个调整权重以及更新后的样本分类阈值，合并初始权重和调整权重，获得更新后的初始权重，并返回执行根据多个样本用户的样本用户信息和样本分类阈值，确定多个样本用户各自的样本类别的步骤，对初始权重进行迭代计算，在达到预设停止条件的情况下，停止迭代计算，获得最终的样本指标集，从最终的样本指标集中选择目标样本指标，并将目标样本指标对应的权重作为样本类别对应的权重，提高了样本类别对应的权重的准确性。
[0159]
本说明书一种可选的实现方式中，上述从最终的样本指标集中选择目标样本指标，并将目标样本指标对应的权重作为样本类别对应的权重的步骤，包括：
[0160]
根据样本行为概率，确定样本指标的基准参数；
[0161]
计算最终的样本指标集中的各指标与基准参数之间的距离，获得计算结果；
[0162]
根据计算结果，从最终的样本指标集中选择目标样本指标，并将目标样本指标对应的权重作为样本类别对应的权重。
[0163]
示例性地，参见图8，图8示出了本说明书一个实施例提供的一种权重确定过程示意图，cvr打分点的纵坐标表示转化概率与真实转化的0/1标签进行gauc计算所得结果，也即转化-gauc；cvr打分点的横坐标表示点击概率与真实点击的0/1标签进行gauc计算所得结果，也即点击-gauc。cvr打分点在左上角表示转化概率与真实转化标签拟合较好，而与真实点击标签拟合较差。图8中右下角的ctr打分点同理。图8中有多个标有数字的点，以16为例：该点坐标表示将转化概率和点击概率以点击概率+16*转化概率的形式加以融合，获得样本推荐参数，并将该参数与真实转化标签和真实点击标签进行比对，计算所得的gauc数值。其余数字点同理。通过网格方式搜索图中的样本指标点，可以得到图8。当样本指标点对应的权重极小时，样本指标点会接近ctr打分点；权重极大时，会接近cvr打分点。由于该曲线一般都是上凸的，因此通常将cvr打分点和ctr打分点进行连线，确定样本指标的基准参数，也可以理解为基准线，取距离基准线最远的点为目标样本指标，并将目标样本指标对应
的权重作为样本类别对应的权重。
[0164]
实际应用中，可以将图8中双目标融合推广至三目标融合，区别在于每个点需要同时和点击、转化、转百三个行为进行比对、计算gauc，计算形式为：点击概率+x*转化概率+y*转百概率，其中，x、y即为用户类别对应的权重。
[0165]
应用本说明书实施例的方案，根据样本行为概率，确定样本指标的基准参数，计算最终的样本指标集中的各指标与基准参数之间的距离，获得计算结果，根据计算结果，从最终的样本指标集中选择目标样本指标，并将目标样本指标对应的权重作为样本类别对应的权重，提高了样本类别对应的权重的准确性。
[0166]
值得说明的是，由于各行为呈现漏斗结构，如点击
→
转化
→
转百的正样本数量越来越少，稀疏性导致模型无法充分学习，从而出现预测偏差。偏差会体现在模型预测的行为概率和真实情况不一致，无法实现准确的推荐效果。另外因为模型一旦更新就使之前确定的类别的权重失效，导致确定的权重无法保持长期有效甚至短期有效。因此，本说明书实施例中，可以使用概率矫正解决上述问题，参见图9，图9示出了本说明书一个实施例提供的一种离线概率矫正示意图，通过在模型的预测的行为概率和真实标签之间建立逻辑回归，得到各不同项目的纠偏系数，从而将推荐参数修正。
[0167]
具体地，该逻辑回归是可以通过以下方式建立：真实标签＝logistic(a*模型预测概率+bi*项目类别)，其中，logistic公式为：
[0168][0169]
其中，a、bi为对逻辑回归训练得到的参数，p概率值，z为测量值。
[0170]
参见图10，图10示出了本说明书一个实施例提供的一种项目推荐方法的处理过程流程图，通过模型的在线学习，确定用户的点击概率，通过离线概率矫正，确定用户的转化概率与转百概率。之后，利用点击概率、转化概率以及转百概率进行行为概率动态融合和行为概率静态融合，计算获得用户针对多个待推荐项目的推荐参数，利用推荐参数进行项目排序。
[0171]
具体地，行为概率静态融合过程是利用静态融合权重搜索方法获得各类别对应的权重值，如偏转化用户的转化权重为20，偏转百用户的转百权重为400。行为概率动态融合具体是通过maml进行参数初始化，优化meta网络的用户分类能力，之后通过meta网络将用户分为偏点击、偏转化、偏转百这三类，分别利用不同的打分权重，实现千人n模，并且，利用遗传算法查找网络切割点、偏点、偏转、偏转百的权重，使用二叉树递归搜索简化搜索流程，具体内容可参见图4，本实施例便不再赘述。参见图11，图11示出了本说明书一个实施例提供的一种项目推荐方法中确定权重的过程示意图。根据点转网络切割点，可以确定偏点用户的转化权重和偏转用户的转化权重，利用转百网络切割点，可以确定偏转用户的转百权重和偏转百用户的转百权重。
[0172]
示例性地，通过行为概率静态融合获得的推荐参数＝点击概率+20*转化概率+400*转百概率。通过行为概率动态融合获得的推荐参数分为三种：
[0173]
偏点击用户的推荐参数＝点击概率+5*转化概率+20*转百概率；
[0174]
偏转化用户的推荐参数＝点击概率+40*转化概率+100*转百概率；
[0175]
偏转百用户的推荐参数＝点击概率+20*转化概率+400*转百概率。
[0176]
应用本说明书实施例的方案，对不同类别的用户利用不同的权重，使得最终的推荐参数更加符合用户特征，进一步提高了项目推荐的准确性。
[0177]
参见图12，图12示出了本说明书一个实施例提供的一种项目推荐方法的处理过程流程图，将用户信息输入meta网络，确定用户的类别，动态训练权重。然后对不同类别的用户利用不同的权重，对点击概率、转化概率以及转百概率进行融合，也即动态融合，这样的话最终的推荐结果就会有所侧重。其中，meta网络用于区分用户是偏点击还是偏转化，或者是偏转化还是偏转百，该meta网络是由用户历史数据进行初始化训练获得的。而点击概率、转化概率以及转百概率的来源可以是独立的点击率预测模型(ctr模型)、转化率预测模型(cvr模型)以及转百率预测模型(转百模型)。当然，也可以来自一个行为概率预测模型，该行为概率预测模型可以同时预测多个行为的行为概率。
[0178]
应用本说明书实施例的方案，对不同类别的用户利用不同的权重，使得最终的推荐参数更加符合用户特征，进一步提高了项目推荐的准确性，并且，maml、meta网络、二叉树递归搜索、概率纠偏等方案效果稳定，且能根据线上数据进行自适应调整，一旦出现效果波动，能容易地定位原因，如基础模型更新过时、融合参数搜索失败、maml预训练效果不及预期等等，对模型debug有很大帮助，因此能实现长期在线应用。
[0179]
与上述方法实施例相对应，本说明书还提供了项目推荐装置实施例，图13示出了本说明书一个实施例提供的一种项目推荐装置的结构示意图。如图13所示，该装置包括：
[0180]
获取模块1302，被配置为获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；
[0181]
第一确定模块1304，被配置为根据用户信息，确定目标用户的类别；
[0182]
第二确定模块1306，被配置为根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互信息；
[0183]
计算模块1308，被配置为利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；
[0184]
推荐模块1310，被配置为根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。
[0185]
可选地，第一确定模块1304，进一步被配置为将用户信息输入预先训练的分类网络中，获得目标用户的分类概率；根据分类概率以及预设分类阈值，确定目标用户的类别。
[0186]
可选地，分类网络包括第一分类网络以及第二分类网络，分类阈值包括第一分类阈值和第二分类阈值；第一确定模块1304，进一步被配置为将用户信息输入预先训练的第一分类网络中，获得目标用户的第一分类概率；根据第一分类概率和第一分类阈值，确定目标用户的第一类别；在第一类别为指定类别的情况下，将用户信息输入预先训练的第二分类网络中，获得目标用户的第二分类概率；根据第二分类概率以及第二分类阈值，确定目标用户的第二类别。
[0187]
可选地，分类网络包括点转网络以及转百网络，分类阈值包括点转分类阈值和转百分类阈值；第一确定模块1304，进一步被配置为将用户信息输入预先训练的点转网络中，获得目标用户的点转概率；根据点转概率以及点转分类阈值，确定目标用户的第三类别；在第三类别属于偏转类别的情况下，将用户信息输入预先训练的转百网络中，获得目标用户
的转百概率；根据转百概率以及转百分类阈值，确定目标用户的第四类别。
[0188]
可选地，推荐模块1310，进一步被配置为比较各待推荐项目的推荐参数，根据比较结果对目标用户进行项目推荐。
[0189]
可选地，第二确定模块1306，进一步被配置为将用户信息、第一待推荐项目的项目信息和第一交互信息输入预先训练的行为概率预测模型，确定目标用户针对第一待推荐项目的多个行为的行为概。
[0190]
可选地，该方法还包括第三确定模块，被配置为获取多个样本用户以及样本分类阈值，其中，多个样本用户携带各自的样本用户信息以及样本行为概率，样本分类阈值是从预先设置的阈值范围中选择的；根据多个样本用户的样本用户信息和样本分类阈值，确定多个样本用户各自的样本类别；分别为不同的样本类别设置对应的初始权重，其中，初始权重是从预先设置的权重范围中选择的；利用初始权重和样本行为概率，确定样本类别对应的权重。
[0191]
可选地，第三确定模块，进一步被配置为根据初始权重和样本行为概率，确定多个样本用户的样本推荐参数；根据样本推荐参数和多个样本用户的真实行为标签，确定样本指标集；对样本指标集进行筛选，获得样本类别对应的权重。
[0192]
可选地，第三确定模块，进一步被配置为从样本指标集中选择符合预设筛选条件的指标点，构成指标处理集；调整指标处理集中各指标点对应的初始权重以及样本分类阈值，获得多个调整权重以及更新后的样本分类阈值；合并初始权重和调整权重，获得更新后的初始权重，并返回执行根据多个样本用户的样本用户信息和样本分类阈值，确定多个样本用户各自的样本类别的步骤，对初始权重进行迭代计算；在达到预设停止条件的情况下，停止迭代计算，获得最终的样本指标集；从最终的样本指标集中选择目标样本指标，并将目标样本指标对应的权重作为样本类别对应的权重。
[0193]
可选地，第三确定模块，进一步被配置为根据样本行为概率，确定样本指标的基准参数；计算最终的样本指标集中的各指标与基准参数之间的距离，获得计算结果；根据计算结果，从最终的样本指标集中选择目标样本指标，并将目标样本指标对应的权重作为样本类别对应的权重。
[0194]
应用本说明书实施例的方案，获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；根据用户信息，确定目标用户的类别；根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率，其中，第一待推荐项目为任一待推荐项目，第一交互信息为目标用户与第一待推荐项目之间的交互信息；利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。通过考虑目标用户的类别，根据类别对应的权重对用户的行为概率进行加权，使得获得的推荐参数能准确表示目标用户与待推荐项目之间的关系，提高了项目推荐的准确性。
[0195]
上述为本实施例的一种项目推荐装置的示意性方案。需要说明的是，该项目推荐装置的技术方案与上述的项目推荐方法的技术方案属于同一构思，项目推荐装置的技术方案未详细描述的细节内容，均可以参见上述项目推荐方法的技术方案的描述。
[0196]
图14示出了本说明书一个实施例提供的一种计算设备的结构框图。该计算设备
1400的部件包括但不限于存储器1410和处理器1420。处理器1420与存储器1410通过总线1430相连接，数据库1450用于保存数据。
[0197]
计算设备1400还包括接入设备1440，接入设备1440使得计算设备1400能够经由一个或多个网络1460通信。这些网络的示例包括公用交换电话网(pstn，public switched telephone network)、局域网(lan，local area network)、广域网(wan，wide area network)、个域网(pan，personal area network)或诸如因特网的通信网络的组合。接入设备1440可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic，network interface card))中的一个或多个，诸如ieee802.11无线局域网(wlan，wireless local area networks)无线接口、全球微波互联接入(wi-max，world interoperability for microwave access)接口、以太网接口、通用串行总线(usb，universal serial bus)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc，near field communication)接口，等等。
[0198]
在本说明书的一个实施例中，计算设备1400的上述部件以及图14中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图14所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
[0199]
计算设备1400可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备1400还可以是移动式或静止式的服务器。
[0200]
其中，处理器1420用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述项目推荐方法的步骤。
[0201]
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的项目推荐方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述项目推荐方法的技术方案的描述。
[0202]
本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述项目推荐方法的步骤。
[0203]
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的项目推荐方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述项目推荐方法的技术方案的描述。
[0204]
本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述项目推荐方法的步骤。
[0205]
上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的项目推荐方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述项目推荐方法的技术方案的描述。
[0206]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可
以的或者可能是有利的。
[0207]
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0208]
需要说明的是，对于前述的各方法实施例，为了简便描述，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，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。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都是本说明书实施例所必须的。
[0209]
在上述实施例中，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，可以参见其它实施例的相关描述。
[0210]
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
技术特征：1.一种项目推荐方法，包括：获取目标用户的用户信息、多个待推荐项目的项目信息以及所述目标用户与各待推荐项目之间的交互信息；根据所述用户信息，确定所述目标用户的类别；根据所述用户信息、第一待推荐项目的项目信息和第一交互信息，确定所述目标用户针对所述第一待推荐项目的多个行为的行为概率，其中，所述第一待推荐项目为任一待推荐项目，所述第一交互信息为所述目标用户与所述第一待推荐项目之间的交互信息；利用所述类别对应的权重，对所述行为概率进行加权，获得所述第一待推荐项目的推荐参数；根据所述目标用户关于所述各待推荐项目的推荐参数，对所述目标用户进行项目推荐。2.根据权利要求1所述的方法，所述根据所述用户信息，确定所述目标用户的类别的步骤，包括：将所述用户信息输入预先训练的分类网络中，获得所述目标用户的分类概率；根据所述分类概率以及预设分类阈值，确定所述目标用户的类别。3.根据权利要求2所述的方法，所述分类网络包括第一分类网络以及第二分类网络，所述分类阈值包括第一分类阈值和第二分类阈值；所述根据所述用户信息，确定所述目标用户的类别的步骤，包括：将所述用户信息输入预先训练的第一分类网络中，获得所述目标用户的第一分类概率；根据所述第一分类概率和所述第一分类阈值，确定所述目标用户的第一类别；在所述第一类别为指定类别的情况下，将所述用户信息输入预先训练的第二分类网络中，获得所述目标用户的第二分类概率；根据所述第二分类概率以及所述第二分类阈值，确定所述目标用户的第二类别。4.根据权利要求2所述的方法，所述分类网络包括点转网络以及转百网络，所述分类阈值包括点转分类阈值和转百分类阈值；所述根据所述用户信息，确定所述目标用户的类别的步骤，包括：将所述用户信息输入预先训练的点转网络中，获得所述目标用户的点转概率；根据所述点转概率以及所述点转分类阈值，确定所述目标用户的第三类别；在所述第三类别属于偏转类别的情况下，将所述用户信息输入预先训练的转百网络中，获得所述目标用户的转百概率；根据所述转百概率以及所述转百分类阈值，确定所述目标用户的第四类别。5.根据权利要求1所述的方法，所述根据所述目标用户关于所述各待推荐项目的推荐参数，对所述目标用户进行项目推荐的步骤，包括：比较所述各待推荐项目的推荐参数，根据比较结果对所述目标用户进行项目推荐。6.根据权利要求1所述的方法，所述根据所述用户信息、第一待推荐项目的项目信息和第一交互信息，确定所述目标用户针对所述第一待推荐项目的多个行为的行为概率的步骤，包括：将所述用户信息、所述第一待推荐项目的项目信息和所述第一交互信息输入预先训练
的行为概率预测模型，确定所述目标用户针对所述第一待推荐项目的多个行为的行为概率。7.根据权利要求1所述的方法，所述利用所述类别对应的权重，对所述行为概率进行加权，获得所述第一待推荐项目的推荐参数的步骤之前，还包括：获取多个样本用户以及样本分类阈值，其中，所述多个样本用户携带各自的样本用户信息以及样本行为概率，所述样本分类阈值是从预先设置的阈值范围中选择的；根据所述多个样本用户的样本用户信息和所述样本分类阈值，确定所述多个样本用户各自的样本类别；分别为不同的样本类别设置对应的初始权重，其中，所述初始权重是从预先设置的权重范围中选择的；利用所述初始权重和所述样本行为概率，确定所述样本类别对应的权重。8.根据权利要求7所述的方法，所述利用所述初始权重和所述样本行为概率，确定所述样本类别对应的权重的步骤，包括：根据所述初始权重和所述样本行为概率，确定所述多个样本用户的样本推荐参数；根据所述样本推荐参数和所述多个样本用户的真实行为标签，确定样本指标集；对所述样本指标集进行筛选，获得所述样本类别对应的权重。9.根据权利要求8所述的方法，所述对所述样本指标集进行筛选，获得所述样本类别对应的权重的步骤，包括：从所述样本指标集中选择符合预设筛选条件的指标点，构成指标处理集；调整所述指标处理集中各指标点对应的初始权重以及样本分类阈值，获得多个调整权重以及更新后的样本分类阈值；合并所述初始权重和所述调整权重，获得更新后的初始权重，并返回执行所述根据所述多个样本用户的样本用户信息和所述样本分类阈值，确定所述多个样本用户各自的样本类别的步骤，对所述初始权重进行迭代计算；在达到预设停止条件的情况下，停止迭代计算，获得最终的样本指标集；从所述最终的样本指标集中选择目标样本指标，并将所述目标样本指标对应的权重作为所述样本类别对应的权重。10.根据权利要求9所述的方法，所述从所述最终的样本指标集中选择目标样本指标，并将所述目标样本指标对应的权重作为所述样本类别对应的权重的步骤，包括：根据所述样本行为概率，确定样本指标的基准参数；计算所述最终的样本指标集中的各指标与所述基准参数之间的距离，获得计算结果；根据所述计算结果，从所述最终的样本指标集中选择目标样本指标，并将所述目标样本指标对应的权重作为所述样本类别对应的权重。11.一种项目推荐装置，包括：获取模块，被配置为获取目标用户的用户信息、多个待推荐项目的项目信息以及所述目标用户与各待推荐项目之间的交互信息；第一确定模块，被配置为根据所述用户信息，确定所述目标用户的类别；第二确定模块，被配置为根据所述用户信息、第一待推荐项目的项目信息和第一交互信息，确定所述目标用户针对所述第一待推荐项目的多个行为的行为概率，其中，所述第一
待推荐项目为任一待推荐项目，所述第一交互信息为所述目标用户与所述第一待推荐项目之间的交互信息；计算模块，被配置为利用所述类别对应的权重，对所述行为概率进行加权，获得所述第一待推荐项目的推荐参数；推荐模块，被配置为根据所述目标用户关于所述各待推荐项目的推荐参数，对所述目标用户进行项目推荐。12.一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至10任意一项所述项目推荐方法的步骤。13.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至10任意一项所述项目推荐方法的步骤。
技术总结本说明书实施例提供项目推荐方法以及装置，其中所述项目推荐方法包括：获取目标用户的用户信息、多个待推荐项目的项目信息以及目标用户与各待推荐项目之间的交互信息；根据用户信息，确定目标用户的类别；根据用户信息、第一待推荐项目的项目信息和第一交互信息，确定目标用户针对第一待推荐项目的多个行为的行为概率；利用类别对应的权重，对行为概率进行加权，获得第一待推荐项目的推荐参数；根据目标用户关于各待推荐项目的推荐参数，对目标用户进行项目推荐。通过考虑目标用户的类别，根据类别对应的权重对用户的行为概率进行加权，使得获得的推荐参数能准确表示目标用户与待推荐项目之间的关系，提高了项目推荐的准确性。性。性。
技术研发人员：陆钧昱 刘一岑 马思超 郑光煜
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2022.07.20
技术公布日：2022/11/1
