信息推送方法及装置和信息接收方法及装置与流程

1.以下描述涉及信息处理技术领域，具体地涉及一种信息推送方法及装置和信息接收方法及装置。


背景技术：

2.随着互联网技术的飞速发展，信息量快速增长，用户在大量的信息中获取到感兴趣的信息的难度也越来越大，因此，希望能够根据用户的个体特征来推送个性化的信息服务，以便于用户快速、准确地获取到期望的信息。
3.在现有的信息推荐方法中，需要预先生成多个预置信息，然后根据用户的个体特征，从这些预置信息中挑选出用户可能感兴趣的信息推送到用户端。一般来说，每个预置信息可以由多个物料形成，也就是说，在这样的推荐方法中，每个预置信息所包含的多个物料是预先确定的，无法根据用户的个体特征对物料进行灵活组合或搭配，或者说，无法针对用户定制化地生成推荐信息。


技术实现要素：

4.本公开的示例性实施例可至少解决上述问题，也可不解决上述问题。
5.根据本公开的第一方面，提供了一种信息推送方法，所述信息推送方法包括：根据用户的用户特征，从主物料库筛选出多个主物料；基于来自辅助物料库的多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息；基于所述多个候选推荐信息，确定推荐信息；向所述用户的用户端推送确定的推荐信息；其中，所述主物料为包含产品信息的物料；其中，每个候选推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料。
6.可选地，根据用户的用户特征，从主物料库筛选出多个主物料的步骤包括：根据所述用户特征，基于预先设定的一个或多个召回规则和/或预先训练好的第一机器学习模型，从所述主物料库中的物料中选取得到多个候选主物料，其中，所述召回规则指定用户特征与主物料库中的物料之间的第一关联性，所述第一机器学习模型用于输出用户特征与主物料库中的物料之间的第一关联性；基于所述多个候选主物料，确定所述多个主物料。
7.可选地，基于所述多个候选主物料，确定所述多个主物料的步骤包括：将所述多个候选主物料作为所述多个主物料；和/或，按照所述多个候选主物料与所述用户特征的第二关联性大小，对所述多个候选主物料进行排序，将排序后的所述多个候选主物料中关联性大的前预设数量的候选主物料作为所述多个主物料。
8.可选地，按照所述多个候选主物料与所述用户特征的第二关联性大小，对所述多个候选主物料进行排序的步骤包括：将所述用户特征和所述多个候选主物料输入到预先训练好的第二机器学习模型，基于所述第二机器学习模型的输出，对所述多个候选主物料进行排序，其中，所述第二机器学习模型用于输出用户特征与候选主物料之间的第二关联性大小或用于根据与所述用户特征的第二关联性大小输出所述多个候选主物料的排名。
9.可选地，基于来自辅助物料库的多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息的步骤包括：根据至少一个预置的信息生成模板，基于多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息。
10.可选地，基于所述多个候选推荐信息，确定推荐信息的步骤包括：按照所述多个候选推荐信息与所述用户特征的第三关联性大小，对所述多个候选推荐信息进行排序，将排序后的所述多个候选推荐信息中关联性大的前预设数量的信息确定为所述推荐信息。
11.可选地，按照所述多个候选推荐信息与所述用户特征的第三关联性大小，对所述多个候选推荐信息进行排序的步骤包括：将所述用户特征和所述多个候选推荐信息输入到预先训练好的第三机器学习模型中，基于所述第三机器学习模型的输出，对所述多个候选推荐信息进行排序，其中，所述第三机器学习模型用于输出用户特征与候选推荐信息之间的第三关联性或用于根据与所述用户特征的第三关联性大小输出所述多个候选推荐信息的排序。
12.可选地，每个候选推荐信息为基于在同一推荐框中渲染的至少一个主物料和至少一个辅助物料生成的推荐图像。
13.可选地，每个候选推荐信息还包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料的展示样式，其中，所述展示样式指定：主物料和/或辅助物料的展示尺寸、主物料和/或辅助物料的边框颜色及边框尺寸以及主物料和/或辅助物料的静态展示位置；或者，主物料和/或辅助物料的初始展示尺寸、主物料和/或辅助物料的初始展示位置以及主物料和/或辅助物料的动态展示效果。
14.可选地，按照所述多个候选推荐信息与所述用户特征的第三关联性大小，对所述多个候选推荐信息进行排序，将排序后的所述多个候选推荐信息中关联性大的前预设数量的信息确定为所述推荐信息的步骤包括：获取需要向用户端推送推荐信息的多个资源位之间的关系信息；针对所述多个资源位中的任意一个资源位，基于所述关系信息，按照所述多个候选推荐信息与所述用户特征的第三关联性大小，对所述多个候选推荐信息进行排序，将排序后的所述多个候选推荐信息中的前所述预设数量的信息确定为与该资源位对应的推荐信息。
15.可选地，基于所述多个候选推荐信息，确定推荐信息的步骤还包括：获取现有推荐信息；基于所述现有推荐信息和所述多个候选推荐信息，确定所述推荐信息。
16.可选地，所述信息推送方法还包括：接收用户在用户端上对所推送的推荐信息的用户操作，并将所推送的推荐信息和所述用户操作的对应关系作为所述用户特征。
17.根据本公开的第二方面，提供了一种信息接收方法，所述信息接收方法包括：响应于用户的操作，向服务端发送信息推送请求，以使所述服务端根据所述信息推送请求推送推荐信息；基于所述服务端推送的推荐信息，展示所述推荐信息，其中，所述推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料以及主物料和辅助物料的展示样式，所述主物料为包含产品信息的物料。
18.可选地，所述展示样式指定：主物料和/或辅助物料的展示尺寸、主物料和/或辅助物料的边框颜色及边框尺寸以及主物料和/或辅助物料的静态展示位置；或者，主物料和/或辅助物料的初始展示尺寸、主物料和/或辅助物料的初始展示位置以及主物料和/或辅助物料的动态展示效果。
19.根据本公开的第三方面，提供了一种信息推送装置，所述信息推送装置包括：筛选单元，被配置为根据用户的用户特征，从主物料库筛选出多个主物料；生成单元，被配置为基于来自辅助物料库的多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息；确定单元，被配置为基于所述多个候选推荐信息，确定推荐信息；推送单元，被配置为向所述用户的用户端推送确定的推荐信息；其中，所述主物料为包含产品信息的物料；其中，每个候选推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料。
20.可选地，所述筛选单元还被配置为：根据所述用户特征，基于预先设定的一个或多个召回规则和/或预先训练好的第一机器学习模型，从所述主物料库中的物料中选取得到多个候选主物料，其中，所述召回规则指定用户特征与主物料库中的物料之间的第一关联性，所述第一机器学习模型用于输出用户特征与主物料库中的物料之间的第一关联性；基于所述多个候选主物料，确定所述多个主物料。
21.可选地，所述筛选单元还被配置为：将所述多个候选主物料作为所述多个主物料；和/或，按照所述多个候选主物料与所述用户特征的第二关联性大小，对所述多个候选主物料进行排序，将排序后的所述多个候选主物料中关联性大的前预设数量的候选主物料作为所述多个主物料。
22.可选地，所述筛选单元还被配置为：将所述用户特征和所述多个候选主物料输入到预先训练好的第二机器学习模型，基于所述第二机器学习模型的输出，对所述多个候选主物料进行排序，其中，所述第二机器学习模型用于输出用户特征与候选主物料之间的第二关联性大小或用于根据与所述用户特征的第二关联性大小输出所述多个候选主物料的排名。
23.可选地，所述生成单元还被配置为：根据至少一个预置的信息生成模板，基于多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息。
24.可选地，所述确定单元还被配置为：按照所述多个候选推荐信息与所述用户特征的第三关联性大小，对所述多个候选推荐信息进行排序，将排序后的所述多个候选推荐信息中关联性大的前预设数量的信息确定为所述推荐信息。
25.可选地，所述确定单元还被配置为：将所述用户特征和所述多个候选推荐信息输入到预先训练好的第三机器学习模型中，基于所述第三机器学习模型的输出，对所述多个候选推荐信息进行排序，其中，所述第三机器学习模型用于输出用户特征与候选推荐信息之间的第三关联性或用于根据与所述用户特征的第三关联性大小输出所述多个候选推荐信息的排序。
26.可选地，每个候选推荐信息为基于在同一推荐框中渲染的至少一个主物料和至少一个辅助物料生成的推荐图像。
27.可选地，每个候选推荐信息还包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料的展示样式，其中，所述展示样式指定：主物料和/或辅助物料的展示尺寸、主物料和/或辅助物料的边框颜色及边框尺寸以及主物料和/或辅助物料的静态展示位置；或者，主物料和/或辅助物料的初始展示尺寸、主物料和/或辅助物料的初始展示位置以及主物料和/或辅助物料的动态展示效果。
28.可选地，所述确定单元还被配置为：获取需要向用户端推送推荐信息的多个资源位之间的关系信息；针对所述多个资源位中的任意一个资源位，基于所述关系信息，按照所
述多个候选推荐信息与所述用户特征的第三关联性大小，对所述多个候选推荐信息进行排序，将排序后的所述多个候选推荐信息中的前所述预设数量的信息确定为与该资源位对应的推荐信息。
29.可选地，所述确定单元还被配置为：获取现有推荐信息；基于所述现有推荐信息和所述多个候选推荐信息，确定所述推荐信息。
30.可选地，所述信息推送装置还包括接收单元，所述接收单元被配置为：接收用户在用户端上对所推送的推荐信息的用户操作，并将所推送的推荐信息和所述用户操作的对应关系作为所述用户特征。
31.根据本公开的第四方面，提供了一种信息接收装置，所述信息接收装置包括：请求单元，被配置为响应于用户的操作，向服务端发送信息推送请求，以使所述服务端根据所述信息推送请求推送推荐信息；展示单元，被配置为基于所述服务端推送的推荐信息，展示所述推荐信息，其中，所述推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料以及主物料和辅助物料的展示样式，所述主物料为包含产品信息的物料。
32.可选地，所述展示样式指定：主物料和/或辅助物料的展示尺寸、主物料和/或辅助物料的边框颜色及边框尺寸以及主物料和/或辅助物料的静态展示位置；或者，主物料和/或辅助物料的初始展示尺寸、主物料和/或辅助物料的初始展示位置以及主物料和/或辅助物料的动态展示效果。
33.根据本公开的第五方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器，其中，所述处理器可执行指令在被所述处理器运行时，促使所述处理器执行根据本公开所述的信息推送方法或者根据本公开所述的信息接收方法。
34.根据本公开的第六方面，提供了一种存储指令的计算机可读存储介质，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开所述的信息推送方法或者根据本公开所述的信息接收方法。
35.根据本公开的第七方面，提供了一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开所述的信息推送方法或者根据本公开所述的信息接收方法。
36.根据本公开的信息推送方法及装置和信息接收方法及装置，可以解决无法根据用户的个体特征对物料进行组合而生成推荐信息的问题，可以根据用户特征筛选用于生成推荐信息的主物料，从而可以选出更贴近用户需求的主物料，以与辅助物料一起生成候选推荐信息，以向用户推送个性化的推荐信息，更精准地为用户推荐其期望的内容。
附图说明
37.图1是示出根据本公开的示例性实施例的信息推送方法的流程图。
38.图2是示出根据本公开的示例性实施例的包括主物料和辅助物料的推荐信息的一示例的示意图。
39.图3是示出实现根据本公开的示例性实施例的信息推送方法的一示例的示意图。
40.图4是示出实现根据本公开的示例性实施例的信息推送方法的一示例的示意图。
41.图5是示出根据本公开的示例性实施例的信息接收方法的流程图。
42.图6是示出根据本公开的示例性实施例的信息推送装置的示意性框图。
43.图7是示出根据本公开的示例性实施例的信息接收装置的示意性框图。
具体实施方式
44.提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本公开的实施例的全面理解。包括各种特定细节以帮助理解，但这些细节仅被视为是示例性的。因此，本领域的普通技术人员将认识到在不脱离本公开的范围和精神的情况下，可对描述于此的实施例进行各种改变和修改。此外，为了清楚和简洁，省略对公知的功能和结构的描述。
45.在此需要说明的是，在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括a和b之中的至少一个”即包括如下三种并列的情况：(1)包括a；(2)包括b；(3)包括a和b。又例如“执行步骤一和步骤二之中的至少一个”，即表示如下三种并列的情况：(1)执行步骤一；(2)执行步骤二；(3)执行步骤一和步骤二。
46.如前所述，为了便于用户从大量的信息中获取到感兴趣的信息，可以根据用户的个体特征来推送个性化的信息服务。
47.以商品的个性化广告推荐场景为例，可以根据用户的兴趣、特点和购买行为，向用户推荐用户感兴趣的商品的广告，以便于用户快速定位到所需要的商品。然而，在个性化广告推荐场景中，个性化的广告生成和个性化的广告推荐通常是解耦的两个任务，这使得在广告生成的过程中无法考虑到广告推荐中所需考虑到的各个因素。
48.具体来说，在个性化的广告生成过程中，仅是生成简单的广告图片，而最终推荐给用户的广告的展现形式会比简单的图片更加复杂，文字、图片、链接等各个物料的组合搭配样式以及广告本身的样式风格都会对推荐产生影响，这使得在前期广告生成过程中生成的广告图片可能无法满足推荐的要求，从而无法精准地为用户推荐其期望的内容。
49.此外，在现有的推荐方法中，即使将广告图片与预设的广告样式等信息一起输入到推荐模型中，也无法对广告样式等信息进行刻画，这导致在推荐时对广告的特征描述与用户最终看到的广告不同，无法有效利用到广告样式对用户行为转化率的影响。
50.此外，在现有的推荐方案中，仅在生成广告的过程中引入历史收集的用户特征，而没有对于推荐给用户的广告的反馈信息，使得无法对推荐方案进行动态的优化。
51.需要说明的是，尽管这里以推荐信息为广告图片为例进行了说明，但是应理解的是其仅是示例，本文中所称的“推荐信息”在用户端可以展示为图像、文字或它们的任意组合，并且本公开不限于广告的应用场景，其也可以是需要推送的诸如新闻、资讯等的其他信息。
52.下面参考附图描述根据本公开的示例性实施例的信息推送方法、信息接收方法、信息推送装置、信息接收装置、电子设备、计算机可读存储介质以及包括至少一个计算装置和至少一个存储指令的存储装置的系统。
53.在本公开的第一方面，提供一种信息推送方法，图1是示出根据本公开的示例性实施例的信息推送方法的流程图。根据本公开的示例性实施例的信息推送方法可以是服务端执行的，例如，服务端可以响应于用户端的信息推送请求而执行该信息推送方法。
54.如图1所示，信息推送方法可以包括以下步骤：
55.在步骤s10，可以根据用户的用户特征，从主物料库筛选出多个主物料。
56.这里，用户特征可以表征用户的属性、行为或期待等，其可以基于现有的用户画像计算工具得到。
57.本文提到的诸如主物料以及下面将描述的辅助物料的物料可以指的是用于形成信息的素材，其可以是图片、文字或它们的任意组合。
58.主物料可以指的是包含产品信息的物料，例如，主物料可以是产品的图像。具体来说，产品可以是指用户所感兴趣的主体，其可以是包括有形的物品、无形的服务、组织、观念或它们的组合。
59.主物料库可以指的是预先存储有多个主物料的一个或多个数据库，也可以指的是能够提供主物料的一个或多个数据源。
60.作为示例，步骤s10可以包括：根据用户特征，基于预先设定的一个或多个召回规则和/或预先训练好的第一机器学习模型，从主物料库中的物料中选取得到多个候选主物料；基于多个候选主物料，确定多个主物料。
61.这里，召回规则用于指定用户特征与主物料库中的物料之间的第一关联性，第一机器学习模型用于输出用户特征与主物料库中的物料之间的第一关联性。
62.在该步骤中，可以使用单个召回规则、多个召回规则、单个机器学习模型、多个机器学习模型或者召回规则与机器学习模型的组合来从主物料库的物料中选取多个候选主物料。
63.在一示例中，预先设定的一个或多个召回规则和/或预先训练好的第一机器学习模型可以与用户特征相关。
64.例如，可以将“用户曾经点击过的产品”这一用户特征作为一个召回规则，以召回一些与所点击的产品相关的主物料。
65.在另一示例中，预先设定的一个或多个召回规则和/或预先训练好的第一机器学习模型可以与用户特征和预设推荐内容二者相关。这里，预设推荐内容可以是与用户无关而与产品相关的推荐内容，例如，预设推荐内容可以是在预设时间段内推送的产品、热门推荐的产品等。
66.例如，可以根据“用户曾经点击过的产品”这一用户特征和“当季新款产品”这一预设推荐内容，分别生成召回规则，以分别召回一些与所点击的产品相关的主物料和一些在最近的预设时间段内推出的产品。
67.在该步骤中，在一示例中，可以将多个候选主物料直接作为多个主物料，替代上述示例或者在上述示例上附加地，还可以按照多个候选主物料与用户特征的第一关联性大小，对多个候选主物料进行排序，将排序后的多个候选主物料中关联性大的前预设数量的候选主物料作为多个主物料。这里，预定数量可以根据实际需要任意设置，预定数量可以是预定的数值，也可以根据候选主物料的数量来确定，具体地，可以将候选主物料中的前预定比例的候选主物料作为选出的主物料。
68.具体来说，可以将用户特征以及经由召回规则和/或第一机器学习模型选出的多个候选主物料输入到预先训练好的第二机器学习模型，基于第二机器学习模型的输出，对多个候选主物料进行排序。这里，第二机器学习模型可以输出用户特征与候选主物料之间的第二关联性大小，从而可以按照第二机器学习模型输出的第二关联性从大到小，对候选
主物料进行排序，将排在前预定数量个候选主物料作为主物料；或者，第二机器学习模型可以根据候选主物料与用户特征的第二关联性大小，输出多个候选主物料的排序结果，在该情况下，第二机器学习模型不输出候选主物料与用户特征的第二关联性的值，而是直接输出每个候选主物料的排名。
69.这里，第二机器学习模型例如可以是诸如lr(逻辑回归)模型的任意可以输出用户特征与候选主物料的关联性大小或输出候选主物料的排名的模型。
70.在步骤s20，可以基于来自辅助物料库的多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息。
71.这里，辅助物料可以为除上面描述的主物料之外的物料，例如其可以是形成推荐信息的代言明星、图片装饰元素、图片背景、文字等。每个候选推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料。图2示出了某食品的推荐信息的一个示例，在图2所示的图片形式的推荐信息中，以实线圈圈出的部分可以为主物料，以虚线圈圈出的部分可以为辅助物料。
72.推荐框可以是用户所使用的用户端的显示界面上的区域，一个候选推荐信息在对应的推荐框所在区域中显示，一个候选推荐信息所包含的主物料和辅助物料将一起在该推荐框中渲染显示。
73.辅助物料库可以指的是预先存储有多个辅助物料的一个或多个数据库，也可以指的是能够提供辅助物料的一个或多个数据源。
74.根据本公开的示例性实施例，在一情况下，可以分别通过预定的收集规则获取与收集规则中指定的物料类型对应的物料而分别收集主物料和辅助物料，以单独地形成主物料库和辅助物料库。这里，收集规则用于指定所收集的物料类型，其可以根据实际需要而设定。
75.在另一情况下，可以根据预定的划分规则对包括所有物料的原始物料库进行划分得到主物料库和辅助物料库。这里，划分规则可以指定分入到主物料库和辅助物料库的物料类型，其可以根据实际需要而设定。原始物料库可以是现有的用于生成诸如广告的推荐信息的物料库(或者也可称为素材库)，这里需要说明的是，在本公开提出之前，在生成诸如广告图片的推荐信息时，一般是从包括所有物料的原始物料库中选择物料来执行生成操作的，不会对物料的类型进行划分或区分，这导致生成过程效率较低，并且不会考虑到与推荐信息关联密切的物料(例如本文中所述的主物料)与用户特征之间的关联性，导致生成的推荐信息可能不是用户最感兴趣的信息。
76.以推荐信息为电影海报为例，在现有的推荐信息生成方法中，可能需要从包括海报背景图片、电影宣传图片、装饰素材图片、电影链接、电影介绍文案等的原始物料库中挑选合适的物料生成电影海报，而根据本公开的示例性实施例，可以先根据物料的类型将原始物料库划分为主物料库和辅助物料库，例如可以将诸如电影宣传图片、电影链接、电影介绍文案的与产品(在该示例中，为电影)相关物料作为主物料，将诸如海报背景图片、装饰素材图片的与产品无关的图片作为辅助物料，以对主物料和辅助物料进行分别处理。
77.此外，辅助物料库可以为一个或多个，不同的辅助物料库中的辅助物料的类型可以不同。以推荐信息为食品广告图片为例，主物料可以是广告图片所要展示的主要食物，比如汉堡、薯条、套餐等，辅助物料库可以包括背景物料库、装饰物料库、明星物料库等，可以
利用这些辅助物料库中的一个或多个物料库中的辅助物料与主物料合成最终广告图片。
78.作为示例，可以根据至少一个预置的信息生成模板，基于多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息。
79.这里，信息生成模板可以根据实际需要而预先设置。每个信息生成模板可以对主物料、辅助物料以及主物料和辅助物料的展示样式进行限制，在限制的范围内执行推荐信息的生成。
80.这里，物料(即，主物料或辅助物料)的展示样式是可以预先设定的，是可枚举的。每个信息生成模板可以对应有一个或多个展示样式，不同信息生成模板所对应的展示样式可以不同，也可以至少部分相同。
81.信息生成模板可以为静态模板或动态模板。静态模板所对应的静态展示样式可以指定主物料和/或辅助物料的展示尺寸、主物料和/或辅助物料的边框颜色及边框尺寸、主物料和/或辅助物料的静态展示位置。动态模板所对应的动态展示样式可以指定主物料和/或辅助物料的初始展示尺寸、主物料和/或辅助物料的初始展示位置、主物料和/或辅助物料的动态展示效果，动态展示效果例如包括如下至少一项：物料的动态效果、物料的三维显示效果、物料的滑动显示效果等。其中，物料的动态效果可以包括类似gif等的动画，动态效果可以在物料加载后直接渲染，也可以在满足设定的触发条件后执行动态渲染；物料的动态效果还可以包括有与用户交互的能力，比如用户摇晃终端或倾斜终端，物料动态效果中的至少一个物料对象会根据终端的姿态或动作进行移动或变化。
82.作为示例，信息生成模板可以包括基于主物料和辅助物料生成推荐信息的推荐算法、展示推荐信息的配置规则以及在用户端对推荐信息进行渲染的渲染逻辑，其中，推荐算法可以指定模板中需要的主物料和辅助物料(例如，主物料和辅助物料的数量、主物料和辅助物料的信息内容等)，以从来自辅助物料库的多个辅助物料和筛选出的多个主物料中挑选出相应的物料；配置规则可以是指定基于主物料、辅助物料、主物料和辅助物料的样式生成图像的规则；渲染逻辑可以指定在展示推荐信息时如何渲染主物料和辅助物料。
83.在筛选出主物料后，结合一个或多个辅助物料库中的辅助物料，可以基于预置的信息生成模板来生成候选推荐信息。
84.具体来说，在一示例中，可以基于多个辅助物料和多个主物料，针对每个信息生成模板，分别生成与每个信息生成模板对应的多个候选推荐信息；在另一示例中，可以基于用户特征，从信息生成模板中选取至少一个候选模板，然后基于多个辅助物料和多个主物料，针对每个候选模板，分别生成与每个候选模板对应的多个候选推荐信息，例如，可以将用户特征、所有预置的信息生成模板输入到预训练好的机器学习模型中，机器学习模型可以根据用户特征与信息生成模板的关联性大小从信息生成模板中选出与用户特征关联性大的信息生成模板作为候选模板，以用于生成候选推荐信息。
85.这里，生成的候选推荐信息可以为推荐图像的形式，也可以为用于生成推荐图像的信息集合的形式。
86.具体来说，在一示例中，每个候选推荐信息可以是基于在同一推荐框中渲染的至少一个主物料和至少一个辅助物料生成的推荐图像。在该示例中，向用户发送的推荐信息可以是已基于信息生成模板生成好的推荐图像。这里，可以按照信息生成模板的推荐算法确定与该模板对应的主物料和辅助物料，并基于配置规则和渲染逻辑，在服务端(即，信息
推送方)基于所确定的主物料和辅助物料，生成推荐图像，将该推荐图像发送给用户端。
87.在另一示例中，每个候选推荐信息可以包括用于生成推荐图像的信息集合，信息集合包括主物料、辅助物料以及主物料和辅助物料的展示样式，如上面所述，展示样式可以包括静态展示样式和动态展示样式。在该示例中，向用户发送的推荐信息可以包括用于生成推荐图像的信息集合，用户端接收到这样的信息集合后可以按照展示样式基于信息集合生成推荐图像。这里，候选推荐信息可以以诸如json文件的配置文件的形式发送给用户的用户端。
88.此外，根据本公开的示例性实施例，可以根据预置的信息生成模板中对辅助物料的要求来配置辅助物料库，例如可以针对所有预置的信息生成模板所涉及到的辅助物料的类型而为每个类型的辅助物料配置一个辅助物料库。
89.在步骤s30，可以基于多个候选推荐信息，确定推荐信息。
90.在一情况下，步骤s30可以包括：按照多个候选推荐信息与用户特征的第三关联性大小，对多个候选推荐信息进行排序，将排序后的多个候选推荐信息中关联性大的前预设数量的信息确定为推荐信息。
91.在一示例中，可以将用户特征和多个候选推荐信息输入到预先训练好的第三机器学习模型中，基于第三机器学习模型的输出，对多个候选推荐信息进行排序。这里，第三机器学习模型可以输出用户特征与候选推荐信息之间的第三关联性，从而可以按照第三机器学习模型输出的第三关联性从大到小，对候选推荐信息进行排序，将排在前预定数量个候选推荐信息作为推荐信息；或者，第三机器学习模型可以根据候选推荐信息与用户特征的第三关联性的大小，输出多个候选推荐信息的排序结果，在该情况下，第三机器学习模型不输出候选推荐信息与用户特征的第三关联性的值，而是直接输出每个候选推荐信息的排名。根据输出的关联性大小，可以对候选推荐信息进行排序，从而将排在前预设数量的候选推荐信息作为待推送给用户的推荐信息。这里，预设数量可以根据实际需要而设定。作为示例，第三机器学习模型例如可以包括诸如hcml模型(hype cycle的自动化机器学习模型)的任意可以输出用户特征与候选推荐信息的关联性大小或输出候选推荐信息的排名的模型。这里，与上面提到的第二机器学习模型相比，第三机器学习模型可以具有更复杂的模型结构，其可以学习到的用户特征更多，对特征区分更敏感，如此，一方面，基于第二机器学习模型的相对简化的模型结构，可以提高信息推送方法整体的计算速度；另一方面，基于第三机器学习模型的相对复杂的模型结构，可以确保推荐的信息更具有针对性、更贴近用户需求，从而通过这两种模型的搭配，可以在提高计算速度和推送效率的同时确保推荐信息的准确性。
92.在另一示例中，还可以通过以下方式对多个候选推荐信息进行排序：
93.获取需要向用户端推送推荐信息的多个资源位之间的关系信息；
94.针对所述多个资源位中的任意一个资源位，基于所述关系信息，按照多个候选推荐信息与所述用户特征的关联性大小，对所述多个候选推荐信息进行排序，将排序后的所述多个候选推荐信息中的前所述预设数量的信息确定为与该资源位对应的推荐信息。
95.具体来说，由于在用户端的显示界面中可能有多个资源位，因此需要向用户端推送的推荐信息可以对应于多个资源位，这些推荐信息根据资源位的设置而存在预定的关联关系，例如，资源位之间的关系信息可以包括资源位之间的位置关系、资源位之间的信息内
容的预定搭配要求等，具体来说，在同一显示界面的不同位置显示的推荐信息的信息内容不重复，如此，可避免在同一显示界面中向用户重复推荐同一信息。
96.作为示例，资源位之间的关系信息可以是预先存储的，可以针对多个资源位中的每个资源位，在考虑该资源位与其他资源位之间的关系信息的情况下，按照多个候选推荐信息与用户特征的关联性大小，对多个候选推荐信息进行排序，以确定与该资源位对应的推荐信息。
97.在该示例中，可以将资源位之间的关系信息、用户特征和多个候选推荐信息输入到上面提到的第三机器学习模型中，基于第三机器学习模型的输出，对多个候选推荐信息进行排序，以确定与每个资源位对应的推荐信息。
98.此外，根据本公开的示例性实施例，在步骤s30中，在生成的候选推荐信息为用于生成推荐图像的信息集合的形式的情况下，候选推荐信息中包括主物料和辅助物料之外，还包括物料的展示样式，并且与同一组主物料和辅助物料对应的展示样式可能有多个，这些展示样式会让最终的候选推荐信息呈指数形式增长。对此，为了便于基于多个候选推荐信息确定最终的推荐信息，根据本公开的示例性实施例，一方面，根据用户特征对每个候选推荐信息的主物料进行评估；另一方面，对每个候选推荐信息的辅助物料和展示样式进行评估，基于两方面的评估结果而从多个候选推荐信息中确定推荐信息。例如，第三机器学习模型可以包括对主物料进行评估的第一模型和对辅助物料和展示样式进行评估的第二模型，可以将第一模型和第二模型的评估结果进行融合以确定每个候选推荐信息的总体得分/排序位置。
99.图3示出了根据本公开的示例性实施例的信息推送方法的一示例的示意图。
100.如图3所示，在收到用户端的信息推送请求后，第一召回模块获取用户特征和主物料库中的物料，第一召回模块可以根据用户的用户特征，从主物料库筛选出多个候选主物料，这里，第一召回模块可以包括上面描述的召回规则和/或第一机器学习模型。
101.然后，可以将候选主物料输入到第一粗排模块，第一粗排模块可以按照多个候选主物料与用户特征的关联性大小，对多个候选主物料进行排序，将排序后的多个候选主物料中的前预设数量的候选主物料作为主物料。这里，第一粗排模块可以包括上面描述的第二机器学习模型。
102.然后，可以将基于来自辅助物料库的多个辅助物料和筛选出的多个主物料输入到个性化物料生成系统，这里，个性化物料生成系统可以根据模板库中的预置信息生成模板，基于主物料和辅助物料生成候选推荐信息。作为示例，个性化物料生成系统可以包括预先训练好的机器学习模型。
103.可选地，还可以将用户特征与辅助物料、主物料一起输入到个性化物料生成系统，从而个性化物料生成系统可以根据用户特征从预置信息生成模板选出至少一个候选模板，并根据候选模板基于主物料和辅助物料生成候选推荐信息。
104.从个性化物料生成系统生成的候选推荐信息可以输入到精排模块中，精排模块可以基于多个候选推荐信息确定最终的推荐信息，以将确定的推荐信息发送至用户端。这里，精排模块可以包括上面描述的第三机器学习模型。
105.在另一情况下，步骤s30还可以包括：获取现有推荐信息；基于现有推荐信息和多个候选推荐信息，确定推荐信息。
106.这里，现有推荐信息可以是基于任何推荐方法生成的推荐信息，例如，其可以是在本公开提出之前向用户推送信息的现有推荐系统生成的推荐信息，在步骤s30中，可以获取这样的现有推荐信息，将这些现有推荐信息与根据本公开的示例性实施例所得到的多个候选推荐信息一起排序，确定最终的推荐信息。
107.作为示例，可以将现有推荐信息、用户特征和多个候选推荐信息输入到上面提到的第三机器学习模型中，基于第三机器学习模型，对现有推荐信息和多个候选推荐信息进行排序，以确定与最终的推荐信息。在该示例中，还可以将资源位之间的关系信息也输入到第三机器学习模型中，以基于第三机器学习模型对现有推荐信息和多个候选推荐信息进行排序，从确定与每个资源位对应的推荐信息。
108.在该情况下，基于现有推荐信息和多个候选推荐信息，确定推荐信息的步骤还可以包括：根据产品的产品标识，确定现有推荐信息与多个候选推荐信息之间重复的信息；从现有推荐信息和多个候选推荐信息中的一者中去除所述重复的信息，并将去除掉重复的信息之后的所述一者与现有推荐信息和多个候选推荐信息中的另一者一起排序，以确定推荐信息。
109.这里，产品标识可以预先为每个种类的产品设定，其可以包括在物料(例如，主物料)信息中，相应地，现有推荐信息和候选推荐信息可以包括产品标识。
110.图3示出了根据本公开的示例性实施例的信息推送方法的另一示例的示意图。
111.如图4所示，一方面，如上面参照图3所述，可以根据本公开的示例性实施例，利用第一召回模块、第一粗排模块和个性化物料生成系统生成候选推荐信息，该过程参见图3的描述，在此不再赘述。
112.另一方面，在收到用户端的信息推送请求后，第二召回模块获取用户特征和原始推荐信息库中的推荐信息，第二召回模块可以根据用户的用户特征，从原始推荐信息库筛选出多个候选推荐信息，这里，第二召回模块可以包括一个或多个召回规则和/或预先训练好的机器学习模型。然后，可以将候选推荐信息输入到第二粗排模块，第二粗排模块可以按照多个候选推荐信息与用户特征的关联性大小，对多个候选推荐信息进行排序，将排序后的多个候选推荐信息中的前预设数量的候选推荐信息作为现有推荐信息。
113.如此，可以将来自第一粗排模块的候选推荐信息、来自第二粗排模块的现有推荐信息输入到上面提到的精排模块中，利用精排模块对现有推荐信息和多个候选推荐信息进行排序，以确定与最终的推荐信息。
114.在步骤s40，可以向用户的用户端推送确定的推荐信息。
115.在该步骤中，可以将在步骤s30中确定的推荐信息推送给用户端。
116.根据本公开的示例性实施例的信息推送方法，可以将用于形成推荐信息的物料库划分为主物料库和辅助物料库，并根据用户特征从主物料库中筛选出主物料，然后与辅助物料相结合形成候选推荐信息，以确定最终的推荐信息，这与现有的推荐信息生成方法中，先基于物料预生成推荐信息、然后再根据用户特征选择推荐信息的方式相比，可以根据用户特征对物料进行灵活组合和搭配，并且通过对主物料和辅助物料进行划分，可以将与产品相关的主物料与用户特征更紧密地关联起来，实现更精准、更符合用户需求的信息推送。
117.此外，根据本公开的信息推送方法还可以包括：接收用户在用户端上对所推送的推荐信息的用户操作，并将所推送的推荐信息和用户操作的对应关系作为用户特征。
118.具体来说，在将推荐信息推送至用户端后，可以收集用户对该推荐信息的用户操作，例如点击次数、浏览时间、浏览时长等，如此，可以将该推荐信息和对应的用户操作作为用户特征存储，以用于对信息推送方法进行优化，例如，可以利用所推送的推荐信息和用户操作的对应关系对上面提到的召回规则、第一机器学习模型、第二机器学习模型和第三机器学习模型进行迭代优化学习。
119.在本公开的第二方面，提供一种信息接收方法，该信息接收方法例如可以是用户端执行的，如图5所示，该信息接收方法包括：s100、响应于用户的操作，向服务端发送信息推送请求，以使服务端根据信息推送请求推送推荐信息；s200、基于服务端推送的推荐信息，展示推荐信息。
120.这里，推荐信息可以包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料以及主物料和辅助物料的展示样式，主物料为包含产品信息的物料。服务端根据信息推送请求推送推荐信息的方法可以是上面描述的根据本公开的示例性实施例的信息推送方法，在此不再赘述。
121.如上面所述，展示样式可以指定主物料和/或辅助物料的展示尺寸、主物料和/或辅助物料的边框颜色及边框尺寸以及主物料和/或辅助物料的静态展示位置；或者，主物料和/或辅助物料的初始展示尺寸、主物料和/或辅助物料的初始展示位置以及主物料和/或辅助物料的动态展示效果，其中，动态展示效果包括如下至少一项：物料的动态效果、物料的三维显示效果、物料的滑动显示效果，其已在上面的根据本公开的示例性实施例的信息推送方法中进行详细描述，在此不再赘述。
122.在本公开的第三方面，提供一种信息推送装置，如图6所示，该信息推送装置包括筛选单元100、生成单元200、确定单元300和推送单元400。
123.筛选单元100可以被配置为根据用户的用户特征，从主物料库筛选出多个主物料。这里，主物料为包含产品信息的物料。
124.生成单元200可以被配置为基于来自辅助物料库的多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息。这里，每个候选推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料。
125.确定单元300可以被配置为基于多个候选推荐信息，确定推荐信息。
126.推送单元400可以被配置为向用户的用户端推送确定的推荐信息。
127.作为示例，筛选单元100还可以被配置为：根据用户特征，基于预先设定的一个或多个召回规则和/或预先训练好的第一机器学习模型，从主物料库中的物料中选取得到多个候选主物料；基于多个候选主物料，确定多个主物料。这里，召回规则指定用户特征与主物料库中的物料之间的第一关联性，第一机器学习模型用于输出用户特征与主物料库中的物料之间的第一关联性。
128.作为示例，筛选单元100还可以被配置为：将多个候选主物料作为多个主物料；和/或，按照多个候选主物料与用户特征的第二关联性大小，对多个候选主物料进行排序，将排序后的多个候选主物料中关联性大的前预设数量的候选主物料作为多个主物料。
129.作为示例，筛选单元100还可以被配置为：将用户特征和多个候选主物料输入到预先训练好的第二机器学习模型，基于第二机器学习模型的输出，对多个候选主物料进行排序，其中，第二机器学习模型用于输出用户特征与候选主物料之间的第二关联性大小或用
于根据与用户特征的第二关联性大小输出多个候选主物料的排名。
130.作为示例，生成单元200还可以被配置为：根据至少一个预置的信息生成模板，基于多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息。
131.作为示例，确定单元300还可以被配置为：按照多个候选推荐信息与用户特征的第三关联性大小，对多个候选推荐信息进行排序，将排序后的多个候选推荐信息中关联性大的前预设数量的信息确定为推荐信息。
132.作为示例，确定单元300还可以被配置为：将用户特征和多个候选推荐信息输入到预先训练好的第三机器学习模型中，基于第三机器学习模型的输出，对多个候选推荐信息进行排序，其中，第三机器学习模型用于输出用户特征与候选推荐信息之间的第三关联性或用于根据与用户特征的第三关联性大小输出多个候选推荐信息的排序。
133.在一示例中，每个候选推荐信息可以为基于在同一推荐框中渲染的至少一个主物料和至少一个辅助物料生成的推荐图像。
134.在另一示例中，每个候选推荐信息还可以包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料的展示样式。
135.这里，展示样式可以指定：主物料和/或辅助物料的展示尺寸、主物料和/或辅助物料的边框颜色及边框尺寸以及主物料和/或辅助物料的静态展示位置；或者，主物料和/或辅助物料的初始展示尺寸、主物料和/或辅助物料的初始展示位置以及主物料和/或辅助物料的动态展示效果，其中，动态展示效果包括如下至少一项：物料的动态效果、物料的三维显示效果、物料的滑动显示效果。
136.作为示例，确定单元300还可以被配置为：获取需要向用户端推送推荐信息的多个资源位之间的关系信息；针对多个资源位中的任意一个资源位，基于关系信息，按照多个候选推荐信息与用户特征的第三关联性大小，对多个候选推荐信息进行排序，将排序后的多个候选推荐信息中的前预设数量的信息确定为与该资源位对应的推荐信息。
137.作为示例，确定单元300还可以被配置为：获取现有推荐信息；基于现有推荐信息和多个候选推荐信息，确定推荐信息。
138.作为示例，信息推送装置还可以包括接收单元，接收单元可以被配置为：接收用户在用户端上对所推送的推荐信息的用户操作，并将所推送的推荐信息和用户操作的对应关系作为用户特征。
139.筛选单元100、生成单元200、确定单元300和推送单元400可以根据如上述图1至图4所示的方法实施例中的信息推送方法执行所述方法中的相应步骤，筛选单元100、生成单元200、确定单元300和推送单元400的具体实现方式可参见上面描述的方法实施例，在此不再赘述。
140.在本公开的第四方面，提供一种信息接收装置，如图7所示，该信息接收装置包括请求单元10和展示单元20。
141.请求单元10可以被配置为响应于用户的操作，向服务端发送信息推送请求，以使服务端根据信息推送请求推送推荐信息。
142.展示单元20可以被配置为基于服务端推送的推荐信息，展示推荐信息。这里，推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料以及主物料和辅助物料的展示样式，主物料为包含产品信息的物料。
143.请求单元10和展示单元20可以根据如上述图5所示的方法实施例中的信息推送方法执行所述方法中的相应步骤，请求单元10和展示单元20的具体实现方式可参见上面描述的方法实施例，在此不再赘述。
144.作为示例，展示样式可以指定：主物料和/或辅助物料的展示尺寸、主物料和/或辅助物料的边框颜色及边框尺寸以及主物料和/或辅助物料的静态展示位置；或者，主物料和/或辅助物料的初始展示尺寸、主物料和/或辅助物料的初始展示位置以及主物料和/或辅助物料的动态展示效果，其中，动态展示效果包括如下至少一项：物料的动态效果、物料的三维显示效果、物料的滑动显示效果。
145.在本公开的第五方面，提供一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器，其中，所述处理器可执行指令在被所述处理器运行时，促使所述处理器执行根据本公开所述的信息推送方法或者根据本公开所述的信息接收方法。
146.在本公开的第六方面，提供一种存储指令的计算机可读存储介质，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开所述的信息推送方法或者根据本公开所述的信息接收方法。
147.在本公开的第七方面，提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开所述的信息推送方法或者根据本公开所述的信息接收方法。
148.图6和图7所示出的信息推送装置和信息接收装置中的各个单元可被配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如，各个单元可对应于专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结合的模块。此外，各个单元所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。
149.此外，参照图1至图4所描述的信息推送方法和/或参照图5所描述的信息接收方法可通过记录在计算机可读存储介质上的程序(或指令)来实现。例如，根据本公开的示例性实施例，可提供存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开的信息推送方法和/或信息接收方法。
150.上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，应注意，计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理，这些附加步骤和进一步处理的内容已经在参照图1至图5进行相关方法的描述过程中提及，因此这里为了避免重复将不再进行赘述。
151.应注意，根据本公开示例性实施例的信息推送装置和信息接收装置中的各个单元可完全依赖计算机程序的运行来实现相应的功能，即，各个单元在计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的功能。
152.另一方面，图6和图7所示的各个单元也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。
153.例如，本公开的示例性实施例还可以实现为计算装置，该计算装置包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当计算机可执行指令集合被处理器执行时，执行根据本公开的示例性实施例的信息推送方法和/或信息接收方法。
154.具体说来，计算装置可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点装置上。此外，计算装置可以是pc计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。
155.这里，计算装置并非必须是单个的计算装置，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。
156.在计算装置中，处理器可包括中央处理器(cpu)、图形处理器(gpu)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
157.根据本公开示例性实施例的信息推送方法和/或信息接收方法中所描述的某些操作可通过软件方式来实现，某些操作可通过硬件方式来实现，此外，还可通过软硬件结合的方式来实现这些操作。
158.处理器可运行存储在存储部件之一中的指令或代码，其中，存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，网络接口装置可采用任何已知的传输协议。
159.存储部件可与处理器集成为一体，例如，将ram或闪存布置在集成电路微处理器等之内。此外，存储部件可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合，或者可例如通过i/o端口、网络连接等互相通信，使得处理器能够读取存储在存储部件中的文件。
160.此外，计算装置还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。
161.根据本公开示例性实施例的信息推送方法和/或信息接收方法可被描述为各种互联或耦合的功能块或功能示图。然而，这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。
162.因此，参照图1至图4所描述的信息推送方法和/或参照图5所描述的信息接收方法可通过包括至少一个计算装置和至少一个存储指令的存储装置的系统来实现。
163.根据本公开的示例性实施例，至少一个计算装置是根据本公开示例性实施例的用于执行信息推送方法和/或信息接收方法的计算装置，存储装置中存储有计算机可执行指令集合，当计算机可执行指令集合被至少一个计算装置执行时，执行参照图1至图4所描述的信息推送方法和/或参照图5所描述的信息接收方法。
164.以上描述了本公开的各示例性实施例，应理解，上述描述仅是示例性的，并非穷尽性的，本公开不限于所披露的各示例性实施例。在不偏离本公开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。因此，本公开的保护范围应该以权利要求的范围为准。

技术特征：
1.一种信息推送方法，其特征在于，包括：根据用户的用户特征，从主物料库筛选出多个主物料；基于来自辅助物料库的多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息；基于所述多个候选推荐信息，确定推荐信息；向所述用户的用户端推送确定的推荐信息；其中，所述主物料为包含产品信息的物料；其中，每个候选推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料。2.根据权利要求1所述的信息推送方法，其特征在于，根据用户的用户特征，从主物料库筛选出多个主物料的步骤包括：根据所述用户特征，基于预先设定的一个或多个召回规则和/或预先训练好的第一机器学习模型，从所述主物料库中的物料中选取得到多个候选主物料，其中，所述召回规则指定用户特征与主物料库中的物料之间的第一关联性，所述第一机器学习模型用于输出用户特征与主物料库中的物料之间的第一关联性；基于所述多个候选主物料，确定所述多个主物料。3.根据权利要求2所述的信息推送方法，其特征在于，基于所述多个候选主物料，确定所述多个主物料的步骤包括：将所述多个候选主物料作为所述多个主物料；和/或，按照所述多个候选主物料与所述用户特征的第二关联性大小，对所述多个候选主物料进行排序，将排序后的所述多个候选主物料中关联性大的前预设数量的候选主物料作为所述多个主物料。4.根据权利要求3所述的信息推送方法，其特征在于，按照所述多个候选主物料与所述用户特征的第二关联性大小，对所述多个候选主物料进行排序的步骤包括：将所述用户特征和所述多个候选主物料输入到预先训练好的第二机器学习模型，基于所述第二机器学习模型的输出，对所述多个候选主物料进行排序，其中，所述第二机器学习模型用于输出用户特征与候选主物料之间的第二关联性大小或用于根据与所述用户特征的第二关联性大小输出所述多个候选主物料的排名。5.一种信息接收方法，其特征在于，包括：响应于用户的操作，向服务端发送信息推送请求，以使所述服务端根据所述信息推送请求推送推荐信息；基于所述服务端推送的推荐信息，展示所述推荐信息，其中，所述推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料以及主物料和辅助物料的展示样式，所述主物料为包含产品信息的物料。6.一种信息推送装置，其特征在于，包括：筛选单元，被配置为根据用户的用户特征，从主物料库筛选出多个主物料；生成单元，被配置为基于来自辅助物料库的多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息；
确定单元，被配置为基于所述多个候选推荐信息，确定推荐信息；推送单元，被配置为向所述用户的用户端推送确定的推荐信息；其中，所述主物料为包含产品信息的物料；其中，每个候选推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料。7.一种信息接收装置，其特征在于，包括：请求单元，被配置为响应于用户的操作，向服务端发送信息推送请求，以使所述服务端根据所述信息推送请求推送推荐信息；展示单元，被配置为基于所述服务端推送的推荐信息，展示所述推荐信息，其中，所述推荐信息包括需要在同一推荐框中渲染的至少一个主物料和至少一个辅助物料以及主物料和辅助物料的展示样式，所述主物料为包含产品信息的物料。8.一种电子设备，其特征在于，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器，其中，所述处理器可执行指令在被所述处理器运行时，促使所述处理器执行根据权利要求1至4中的任一项所述的信息推送方法或者根据权利要求5所述的信息接收方法。9.一种存储指令的计算机可读存储介质，其特征在于，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据权利要求1至4中的任一项所述的信息推送方法或者根据权利要求5所述的信息接收方法。10.一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其特征在于，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行根据权利要求1至4中的任一项所述的信息推送方法或者根据权利要求5所述的信息接收方法。

技术总结
本公开提供一种信息推送方法及装置和信息接收方法及装置，所述信息推送方法包括：根据用户的用户特征，从主物料库筛选出多个主物料；基于来自辅助物料库的多个辅助物料和筛选出的多个主物料，生成多个候选推荐信息；基于所述多个候选推荐信息，确定推荐信息；向所述用户的用户端推送确定的推荐信息。根据本公开的信息推送方法及装置和信息接收方法及装置解决了无法根据用户的个体特征对物料进行组合而生成推荐信息的问题，可以根据用户特征筛选用于生成推荐信息的主物料，以与辅助物料一起生成候选推荐信息，从而更精准地为用户推荐其期望的内容。其期望的内容。其期望的内容。


技术研发人员：王靖淞 涂威威
受保护的技术使用者：第四范式（北京）技术有限公司
技术研发日：2021.12.31
技术公布日：2023/7/13