(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號CN110458649B(21)申請?zhí)?01910625770.8(22)申請日2019.07.11(65)同一申請的已公布的文獻號申請公布號CN110458649A(43)申請公布日2019.11.15(73)專利權(quán)人北京三快在線科技有限公司地址100083北京市海淀區(qū)北四環(huán)西路9號(72)發(fā)明人周俊文(74)專利代理機構(gòu)北京潤澤恒知識產(chǎn)權(quán)代理有限公司11319專利代理師任亞娟(56)對比文件(54)發(fā)明名稱信息推薦方法、裝置、電子設(shè)備及可讀存儲(57)摘要本公開的實施例提供了一種信息推薦方法、裝置、電子設(shè)備及可讀存儲介質(zhì)，所述方法包括：獲取推薦請求對應(yīng)的候選信息組合；將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率；所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到；將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率；根據(jù)所述融合概率，在所述候選信息組合中確定目標組合。本公開的實施例可以向用戶推薦合適的菜品組合，可以減少用戶點餐過程中決策時間較長的問題，2獲取推薦請求對應(yīng)的候選信息組合；所述候選信息組合包括多個商家的菜品組合；將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率，所述行為類別為根據(jù)歷史行為數(shù)據(jù)進行劃分得到；所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到；所述至少一個子模型包括：商家子模型、菜品子模型、以及標簽子模型中的至少一種；所述商家子模型，用于輸出用戶對商家的下單概率；所述商家子模型為根據(jù)用戶針對商家信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)訓練得到；所述菜品子模型，用于輸出用戶對菜品的下單概率；所述菜品子模型為根據(jù)用戶針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)訓練得到；所述標簽子模型，用于輸出用戶對菜品的下單概率；所述標簽子模型為根據(jù)用戶針對商家信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、用戶針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、所述商家信息中提取的商家標簽、以及所述菜品信息中提取的菜品標簽訓練得到；所述菜品標簽包括口味和食材中的至少一種，所述商家標簽包括菜系和商家地址中的至少一種；將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率；根據(jù)所述融合概率，在所述候選信息組合中確定目標組合。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述候選信息組合為候選菜品組合，所述獲取推薦請求對應(yīng)的候選信息組合，包括：確定所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)；確定與所述用戶當前位置的距離小于預設(shè)距離的候選商家，以及所述候選商家提供的菜品信息；根據(jù)所述候選商家提供的菜品信息、所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、以及所述候選商家的菜品組合訂單信息，確定所述推薦請求對應(yīng)的候選菜品組合。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述觸發(fā)操作至少包括如下任意一項：點4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述子模型通過如下步驟訓練得到：對收集的用戶的歷史行為數(shù)據(jù)進行分類，以得到不同類別的歷史行為數(shù)據(jù)集合；其中，每一個歷史行為數(shù)據(jù)集合對應(yīng)一種類別；對所述歷史行為數(shù)據(jù)集合中的歷史行為數(shù)據(jù)按照時間先后進行排序；按照滑動窗口的方式對排序后的歷史行為數(shù)據(jù)集合進行劃分，將位于滑動窗口內(nèi)的歷史行為數(shù)據(jù)作為訓練集，將位于滑動窗口外的歷史行為數(shù)據(jù)作為預測集；根據(jù)每一個類別對應(yīng)的歷史行為數(shù)據(jù)集合中的訓練集和預測集，訓練不同類別的子模5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述方法還包將所述每一個類別對應(yīng)的歷史行為數(shù)據(jù)集合中的預測集，作為融合模型的訓練數(shù)據(jù)，訓練得到融合模型。3候選獲取模塊，用于獲取推薦請求對應(yīng)的候選信息組合；所述候選信息組合包括多個商家的菜品組合；第一預測模塊，用于將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率，所述行為類別為根據(jù)歷史行為數(shù)據(jù)進行劃分得到；所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到；所述至少一個子模型包括：商家子模型、菜品子模型、以及標簽子模型中的至少一種；所述商家子模型，用于輸出用戶對商家的下單概率；所述商家子模型為根據(jù)用戶針對商家信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)訓練得到；所述菜品子模型，用于輸出用戶對菜品的下單概率；所述菜品子模型為根據(jù)用戶針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)訓練得到；所述標簽子模型，用于輸出用戶對菜品的下單概率；所述標簽子模型為根據(jù)用戶針對商家信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、用戶針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、所述商家信息中提取的商家標簽、以及所述菜品信息中提取的菜品標簽訓練得到；所述菜品標簽包括口味和食材中的至少一種，所述商家標簽包括菜系和商家地址中的至少一種；第二預測模塊，用于將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率；目標確定模塊，用于根據(jù)所述融合概率，在所述候選信息組合中確定目標組合。7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述候選信息組合為候選菜品組合，所述信息獲取子模塊，用于獲取所述推薦請求對應(yīng)的用戶信息，所述用戶信息包括：用戶標第一確定子模塊，用于確定所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)第二確定子模塊，用于確定與所述用戶當前位置的距離小于預設(shè)距離的候選商家，以及所述候選商家提供的菜品信息；第三確定子模塊，用于根據(jù)所述候選商家提供的菜品信息、所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、以及所述候選商家的菜品組合訂單信息，確定所述推薦請求對應(yīng)的候選菜品組合。處理器、存儲器以及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1-5中一個或多個所述的信息推薦方法。9.一種可讀存儲介質(zhì)，其特征在于，當所述存儲介質(zhì)中的指令由電子設(shè)備的處理器執(zhí)行時，使得電子設(shè)備能夠執(zhí)行如方法權(quán)利要求1-5中一個或多個所述的信息推薦方法。4技術(shù)領(lǐng)域[0001]本公開的實施例涉及網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其涉及一種信息推薦方法、裝置、電子設(shè)備及可讀存儲介質(zhì)。背景技術(shù)[0002]隨著信息化的迅速發(fā)展，互聯(lián)網(wǎng)提供給用戶的信息呈爆炸式增長，用戶的需求也日益增加，如何使用戶在海量的信息中及時準確的獲取所需要的信息，成為急需解決的問[0003]目前，信息推薦系統(tǒng)可以對用戶的信息需求、興趣愛好、使用習慣和訪問歷史等進行收集并分析，根據(jù)分析結(jié)果對互聯(lián)網(wǎng)上的信息進行篩選和排序，從而向用戶推薦符合用戶個性化需求的信息。[0004]現(xiàn)有的信息推薦系統(tǒng)通常是對商品信息進行推薦，可以預估用戶對單一商品的下單概率，確定向該用戶推薦的商品信息。然而，對于正在興起的外賣點餐行業(yè)，由于用戶的一個訂單中可能包括多個不同菜品，而不同商家和眾多菜品之間可以形成數(shù)量龐大的組合信息，現(xiàn)有的推薦系統(tǒng)難以預估用戶對多個菜品同時下單的概率，導致菜品推薦的準確率較低。發(fā)明內(nèi)容[0005]本公開的實施例提供一種信息推薦方法、裝置、電子設(shè)備及可讀存儲介質(zhì)，用以提高信息推薦的準確性。[0006]根據(jù)本公開的實施例的第一方面，提供了一種信息推薦方法，所述方法包括：[0007]獲取推薦請求對應(yīng)的候選信息組合；[0008]將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率；所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到；[0009]將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率；[0010]根據(jù)所述融合概率，在所述候選信息組合中確定目標組合。[0012]候選獲取模塊，用于獲取推薦請求對應(yīng)的候選信息組合；[0013]第一預測模塊，用于將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率；所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到；[0014]第二預測模塊，用于將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率；[0015]目標確定模塊，用于根據(jù)所述融合概率，在所述候選信息組合中確定目標組合。5[0017]處理器、存儲器以及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)前述信息推薦方法。[0018]根據(jù)本公開的實施例的第四方面，提供了一種可讀存儲介質(zhì)，當所述存儲介質(zhì)中的指令由電子設(shè)備的處理器執(zhí)行時，使得電子設(shè)備能夠執(zhí)行前述信息推薦方法。[0019]本公開的實施例提供了一種信息推薦方法、裝置、電子設(shè)備及可讀存儲介質(zhì)，所述方法包括：[0020]通過獲取推薦請求對應(yīng)的候選信息組合，以及將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率；并且將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率，進而可以根據(jù)所述融合概率，在所述候選信息組合中確定目標組合。由于所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到，因此，每一個子模型可以從某個特定角度反應(yīng)候選信息組合的推薦概率，再通過融合模型對每一個子模型輸出的推薦概率進行融合得到融合概率，可以綜合反應(yīng)多個角度的推薦概率，如商家角度、菜品角度等，由此，使得推薦系統(tǒng)可以實現(xiàn)從菜品推薦到菜品組合推薦的拓展，通過向用戶推薦更加合適的菜品組合，可以減少用戶點餐過程中決策時間較長的問題，不僅為用戶點餐提供便利，而且可以提高信息推薦的準確性。附圖說明[0021]為了更清楚地說明本公開的實施例的技術(shù)方案，下面將對本公開的實施例的描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本公開的實施例的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0022]圖1示出了本公開的一個實施例中的信息推薦方法的步驟流程圖；[0023]圖2示出了在本公開的一個實施例中的信息推薦裝置的結(jié)構(gòu)圖；[0024]圖3示出了本公開的一個實施例提供的電子設(shè)備的結(jié)構(gòu)圖。具體實施方式[0025]下面將結(jié)合本公開的實施例中的附圖，對本公開的實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本公開的實施例一部分實施例，而不是全部的實施例。基于本公開的實施例中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本公開的實施例保護的范圍。[0026]實施例一[0027]參照圖1,其示出了本公開的一個實施例中的信息推薦方法的步驟流程圖，包括：[0029]步驟102、將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率；所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到；[0030]步驟103、將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述6候選信息組合對應(yīng)的融合概率；[0032]本公開的信息推薦方法可應(yīng)用于終端中，所述終端具體包括但不限于：智能手機、平板電腦、電子書閱讀器、MP3(動態(tài)影像專家壓縮標準音頻層面3,MovingPictureExpertsGroupAudioLayerIII)播放器、MP4(動態(tài)影像專家壓縮標準音頻層面4,[0033]需要說明的是，本公開中的信息包括用戶通過終端可以獲取的任意信息，可以是施例主要針對外賣點餐場景中的菜品信息進行說明，其它應(yīng)用場景中的信息處理過程相互參照即可。[0034]通常，候選菜品組合可以有多個，本公開實施例可以構(gòu)建候選菜品組合集合，該集合中包含各候選菜品組合。以外賣點餐場景為例，所述候選信息組合指滿足用戶推薦請求所在位置配送條件、以及符合用戶一次下單需求的所有菜品組合構(gòu)成的集合。例如：{魚香均為商家A提供的菜品組合，套餐3為商家B提供的菜品組合。[0035]其中，候選信息組合可以是商家提供的套餐中的菜品組合，如商家A的套餐1、商家A的套餐2、以及商家B的套餐3,也可以是根據(jù)用戶的歷史下單行為，對商家提供的菜品進行[0036]針對外賣點餐場景，用戶的一個訂單中可能包括多個不同菜品，而不同商家和眾多菜品之間可以形成數(shù)量龐大的組合信息，為了提高推薦菜品組合的準確率，本公開根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到不同行為類別對應(yīng)的子模型，以及根據(jù)各子模型訓練得到融合模型。在信息推薦的過程中，可以加載各子模型和融合模型，各子模型根據(jù)用戶的推薦請求對候選信息組合進行預測，輸出符合不同行為特征的推薦概率(即用戶在不同行為特征下，對候選信息組合的下單概率),再將各推薦概率輸入到融合模型中進行二次預測，得到融合概率，所述融合概率可以表示用戶對該候選信息組合的綜合下單概率，進而可以根據(jù)融合概率，在該候選信息組合中確定目標組合，并且向用戶推薦目標組合。[0037]由于融合概率綜合了至少一個子模型輸出的不同行為特征的推薦概率，其中，一個推薦概率可以從某個特定角度反應(yīng)用戶對候選信息組合的下單概率，因此，所述融合概率可以綜合反應(yīng)多個角度的下單概率，如商家角度、菜品角度等，從而實現(xiàn)從菜品推薦到菜品組合推薦的拓展，通過向用戶推薦更加合適的菜品組合，可以減少用戶在點餐過程中決策時間較長的問題，為用戶點餐提供便利。[0038]在本公開的一種可選實施例中，所述至少一個子模型，具體可以包括：商家子模[0039]所述商家子模型，用于輸出用戶對商家的下單概率；所述商家子模型為根據(jù)用戶針對商家信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)訓練得到；[0040]所述菜品子模型，用于輸出用戶對菜品的下單概率；所述菜品子模型為根據(jù)用戶針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)訓練得到；[0041]所述標簽子模型，用于輸出用戶對標簽的下單概率；所述標簽子模型為根據(jù)用戶7針對商家信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、用戶針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、所述商家信息中提取的商家標簽、以及所述菜品信息中提取的菜品標簽訓練得[0042]在本公開的一種可選實施例中，所述觸發(fā)操作至少可以包括如下任意一項：點擊、[0043]其中，商家子模型可以從商家角度反應(yīng)用戶對候選信息組合的下單概率。例如，用戶經(jīng)常在商家A下單，很少在商家B下單，則將該用戶的用戶信息和上述候選信息組合輸入商家子模型，則輸出的商家A的菜品組合的推薦概率可能會高于商家B的菜品組合的推薦概推薦概率。[0044]菜品子模型可以從菜品角度反應(yīng)用戶對候選信息組合的下單概率。例如，用戶經(jīng)常下單商家A的套餐1,則將該用戶的用戶信息和上述候選信息組合輸入菜品子模型，輸出商家A的套餐1的推薦概率可能高于其它菜品組合的推薦概率。[0045]同理，標簽子模型可以從標簽角度反應(yīng)用戶對候選信息組合的下單概率。所述標[0046]在本公開的一種應(yīng)用示例中，以外賣點餐場景為例，假設(shè)檢測到用戶在望京打開組合推薦頁面，則確定接收到用戶的推薦請求，可以根據(jù)該推薦請求構(gòu)建候選信息組合集的用戶信息和所述候選菜品組合集合中的各候選菜品組合分別輸入商家子模型和菜品子模型，假設(shè)冷面套餐在商家子模型和菜品子模型預測的推薦概率分別為0.3和0.5,漢堡套餐在商家子模型和菜品子模型預測的推薦概率分別為0.7和0.8,小碗菜套餐在商家子模型和菜品子模型預測的推薦概率分別為0.5和0.3。接下來，將上述三個套餐在兩個子模型中的推薦概率作為特征分別輸入到融合模型，以輸出融合概率。例如，將冷面套餐的0.3和0.5作為特征輸入融合模型，輸出得到0.6的融合概率，將漢堡套餐的0.7和0.8作為特征輸入融合模型，輸出得到0.9的融合概率，以及將小碗菜套餐的0.5和0.3作為特征輸入融合模型，套餐的排序結(jié)果?？梢愿鶕?jù)融合概率確定向用戶推薦的目標組合，如將漢堡套餐作為目標組合推薦給用戶。[0047]由此，最終向用戶推薦的目標組合是綜合了用戶針對商家的歷史行為特征，以及用戶針對菜品的歷史行為特征的結(jié)果，使得推薦的目標組合更加符合用戶多方面的需求，可以提高推薦的準確性。[0048]在本公開的一種可選實施例中，所述候選信息組合可以為候選菜品組合，所述獲取推薦請求對應(yīng)的候選信息組合，具體可以包括：[0050]步驟S12、確定所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)；[0051]步驟S13、確定與所述用戶當前位置的距離小于預設(shè)距離的候選商家，以及所述候8選商家提供的菜品信息；[0052]步驟S14、根據(jù)所述候選商家提供的菜品信息、所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、以及所述候選商家的菜品組合訂單信息，確定所述推薦請求對應(yīng)的候選菜品組合。[0053]候選菜品組合指接收到用戶的推薦請求的情況下，根據(jù)用戶當前位置、以及用戶標識等用戶信息，獲取的滿足用戶當前位置配送條件、符合用戶的歷史行為習慣、用戶可以一次下單的菜品組合。[0054]具體地，首先獲取所述推薦請求對應(yīng)的用戶信息，所述用戶信息可以包括：用戶標識、用戶當前位置。根據(jù)用戶當前位置，可以確定與所述用戶當前位置的距離小于預設(shè)距離的候選商家，以及所述候選商家提供的菜品信息，候選商家提供的菜品信息可以滿足用戶當前位置的配送條件，因此，可以在候選商家提供的菜品信息中確定符合用戶的歷史行為習慣、用戶可以一次下單的菜品組合，進而得到候選菜品組合。[0055]在本公開的實施例中，菜品組合是作為一個整體推薦給用戶的，與推薦單個商品的區(qū)別在于，不同候選商家提供的不同菜品在任意組合之后數(shù)量非常龐大，而且很多組合是不能滿足用戶一次下單的需求，例如，組合中如果只包含“饅頭+米飯”,則用戶下單該組合之后，還需要另外下單其它菜品，因此，菜品組合“饅頭+米飯”[0056]本公開的實施例中可以通過多個來源獲取推薦請求對應(yīng)的候選菜品組合，以使候選菜品組合可以滿足用戶一次下單的需求。具體地，可以根據(jù)所述候選商家提供的菜品信息、所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、以及所述候選商家的菜品組合訂單信息，確定所述推薦請求對應(yīng)的候選菜品組合。[0057]其中，多個來源指獲取候選菜品組合的來源，具體地，可以包括用戶的歷史行為數(shù)據(jù)中的已完成訂單信息、候選商家的菜品組合訂單信息、候選商家提供的菜品信息。當然，還可以包括其他用戶已經(jīng)完成的訂單信息、通過智能算法搭配的套餐信息等?？梢岳斫?，本公開的實施例對獲取候選菜品組合的來源不加以限制。[0058]在本公開的一種可選實施例中，所述子模型可以通過如下步驟訓練得到：[0059]步驟S21、對收集的用戶的歷史行為數(shù)據(jù)進行分類，以得到不同類別的歷史行為數(shù)[0060]步驟S22、對所述歷史行為數(shù)據(jù)集合中的歷史行為數(shù)據(jù)按照時間先后進行排序；[0061]步驟S23、按照滑動窗口的方式對排序后的歷史行為數(shù)據(jù)集合進行劃分，將位于滑動窗口內(nèi)的歷史行為數(shù)據(jù)作為訓練集，將位于滑動窗口外的歷史行為數(shù)據(jù)作為預測集；[0062]步驟S24、根據(jù)每一個類別對應(yīng)的歷史行為數(shù)據(jù)集合中的訓練集和預測集，訓練不同類別的子模型。[0063]首先，獲取用戶的歷史行為數(shù)據(jù)(HistoryData),所述歷史行為數(shù)據(jù)可以包括：用戶對商家/菜品/標簽的點擊、收藏、評論、下單等觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)等。本公開的實施例還可以對歷史行為數(shù)據(jù)進行標記，以標記用戶的下單狀態(tài)，如0表示用戶未下單，1表示用戶已下單。[0064]對標記后的歷史行為數(shù)據(jù)進行分類，以得到不同類別的歷史行為數(shù)據(jù)集合，如用戶針對商家的歷史行為數(shù)據(jù)集合、用戶針對菜品的歷史行為數(shù)據(jù)集合、用戶針對標簽的歷9史行為數(shù)據(jù)集合等。其中，每一個歷史行為數(shù)據(jù)集合對應(yīng)一種類別，也即，類別的數(shù)量與子模型的數(shù)量相對應(yīng)。[0065]然后，對所述歷史行為數(shù)據(jù)集合中的歷史行為數(shù)據(jù)按照時間先后進行排序，按照滑動窗口的方式對排序后的歷史行為數(shù)據(jù)集合進行劃分，將位于滑動窗口內(nèi)的歷史行為數(shù)據(jù)作為訓練集，將位于滑動窗口外的歷史行為數(shù)據(jù)作為預測集，可以理解，本公開實施例對滑動窗口的窗口大小不加以限制。具體地，對所述訓練集中的數(shù)據(jù)提取特征，可以得到用于訓練子模型的訓練數(shù)據(jù)(TrainData)。預測集(TestData)用于對訓練的子模型進行驗證，以調(diào)整優(yōu)化子模型的參數(shù)。[0066]參照表1,示出了本公開的一種用戶的歷史行為數(shù)據(jù)的具體示意。用戶-菜品時間歷史行為數(shù)據(jù)數(shù)據(jù)1數(shù)據(jù)24月1日0數(shù)據(jù)34月2日1數(shù)據(jù)54月3日0數(shù)據(jù)2數(shù)據(jù)34月4日1[0069]如表1所示，將歷史行為數(shù)據(jù)劃分為“用戶-商家”和“用戶-菜歷史行為數(shù)據(jù)集合，其中，“用戶-商家”指用戶針對商家的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)，“用戶-菜品”指用戶針對菜品的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)。具體地，排序后的兩個歷史訓練兩個不同行為類別的子模型。對這兩個歷史行為數(shù)據(jù)集合，按照滑動窗口的方式進行劃分，將位于滑動窗口內(nèi)的歷史行為數(shù)據(jù)作為訓練集，將位于滑動窗口外的歷史行為數(shù)據(jù)作為預測集。參照表2,示出了本公開的一種劃分后的訓練集和預測集的具體示意。用戶-菜品時間訓練集數(shù)據(jù)1數(shù)據(jù)24月1日數(shù)據(jù)3數(shù)據(jù)44月2日數(shù)據(jù)54月3日預測集數(shù)據(jù)2數(shù)據(jù)34月4日1[0072]如表2所示，滑動窗口的窗口大小為3天，將滑動窗口內(nèi)(4月1日至4月3日)的歷史行為數(shù)據(jù)作為訓練集，將滑動窗口外(4月4日)的歷史行為數(shù)據(jù)作為預測集。在具體應(yīng)用中，預測集的時間點應(yīng)該在訓練集的時間點之后，表2中預測集的時間點是訓練集的時間點的[0073]接下來，根據(jù)每一個類別對應(yīng)的歷史行為數(shù)據(jù)集合中的訓練集和預測集，訓練不同類別的子模型。具體地，根據(jù)用戶針對商家的歷史行為對應(yīng)訓練集的數(shù)據(jù)特征和下單標識，訓練商家子模型；根據(jù)用戶針對菜品的歷史行為對應(yīng)訓練集的數(shù)據(jù)特征和下單標識，訓練菜品子模型。[0074]可以理解，上述采用兩種歷史行為類別訓練子模型僅作為本公開的一種應(yīng)用示例，本公開的實施例對采用歷史行為類別的數(shù)量和種類不加以限制。[0075]例如，根據(jù)n個類別對應(yīng)的歷史行為數(shù)據(jù)集合，可以訓練得到如下n個子模型：(TrainData)。其中，Train表示第i個子模型[0076]最后，使用訓練得到的子模型對預測集進行預測，得到用戶對預測集對應(yīng)的菜品測推薦概率，驗證子模型是否達到最優(yōu)，以調(diào)整子模型的參數(shù)，對子模型進行優(yōu)化，得到優(yōu)化后的子模型。[0077]在本公開的一種可選實施例中，所述方法還可以包括：將所述每一個類別對應(yīng)的歷史行為數(shù)據(jù)集合中的預測集，作為融合模型的訓練數(shù)據(jù)，訓練得到融合模型。[0078]在本公開的實施例中，每一個子模型可以從單一的角度體現(xiàn)候選信息組合的推薦概率，而融合模型可以對每個子模型的輸出結(jié)果進行融合，從綜合角度體現(xiàn)候選信息組合的推薦概率。因此，本公開實施例可以將子模型預測集拼接起來得到融合模型的訓練數(shù)據(jù)，因為融合模型的輸入特征是各個子模型的輸出，具體地，可以將score;作為特征向量訓練融合模型(Model),也即Model=Train(score?,score?,……,score,……,score)。[0079]綜上，通過獲取推薦請求對應(yīng)的候選信息組合，以及將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率；并且將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率，進而可以根據(jù)所述融合概率，在所述候選信息組合中確定目標組合。由于所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到，因此，每一個子模型可以從某個特定角度反應(yīng)候選信息組合的推薦概率，再通過融合模型對每一個子模型輸出的推薦概率進行融合得到融合概率，可以綜合反應(yīng)多個角度的推薦概率，如商家角度、菜品角度等，由此，使得推薦系統(tǒng)可以實現(xiàn)從菜品推薦到菜品組合推薦的拓展，通過向用戶推薦更加合適的菜品組合，可以減少用戶點餐過程中決策時間較長的問題，不僅為用戶點餐提供便利，而且可以提高信息推薦的準確性。[0081]參照圖2,其示出了在本公開的一個實施例中的信息推薦裝置的結(jié)構(gòu)圖，具體如[0082]候選獲取模塊201,用于獲取推薦請求對應(yīng)的候選信息組合；[0083]第一預測模塊202,用于將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率；所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到；[0084]第二預測模塊203,用于將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率；[0085]目標確定模塊204,用于根據(jù)所述融合概率，在所述候選信息組合中確定目標組[0087]信息獲取子模塊，用于獲取所述推薦請求對應(yīng)的用戶信息，所述用戶信息包括：用11[0088]第一確定子模塊，用于確定所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)；[0089]第二確定子模塊，用于確定與所述用戶當前位置的距離小于預設(shè)距離的候選商家，以及所述候選商家提供的菜品信息；[0090]第三確定子模塊，用于根據(jù)所述候選商家提供的菜品信息、所述用戶標識針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、以及所述候選商家的菜品組合訂單信息，確定所述推薦請求對應(yīng)的候選菜品組合。[0091]可選地，所述至少一個子模型包括：商家子模型、菜品子模型、以及標簽子模型中的至少一種；[0092]所述商家子模型，用于輸出用戶對商家的下單概率；所述商家子模型為根據(jù)用戶針對商家信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)訓練得到；[0093]所述菜品子模型，用于輸出用戶對菜品的下單概率；所述菜品子模型為根據(jù)用戶針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)訓練得到；[0094]所述標簽子模型，用于輸出用戶對菜品的下單概率；所述標簽子模型為根據(jù)用戶針對商家信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、用戶針對菜品信息的觸發(fā)操作產(chǎn)生的歷史行為數(shù)據(jù)、所述商家信息中提取的商家標簽、以及所述菜品信息中提取的菜品標簽訓練得[0096]可選地，所述裝置還包括：第一訓練模塊，用于訓練得到至少一個子模型；所述第[0097]分類子模塊，用于對收集的用戶的歷史行為數(shù)據(jù)進行分類，以得到不同類別的歷史行為數(shù)據(jù)集合；其中，每一個歷史行為數(shù)據(jù)集合對應(yīng)一種類別；[0098]排序子模塊，用于對所述歷史行為數(shù)據(jù)集合中的歷史行為數(shù)據(jù)按照時間先后進行[0099]劃分子模塊，用于按照滑動窗口的方式對排序后的歷史行為數(shù)據(jù)集合進行劃分，將位于滑動窗口內(nèi)的歷史行為數(shù)據(jù)作為訓練集，將位于滑動窗口外的歷史行為數(shù)據(jù)作為預[0100]訓練子模塊，用于根據(jù)每一個類別對應(yīng)的歷史行為數(shù)據(jù)集合中的訓練集和預測[0102]第二訓練模塊，用于將所述每一個類別對應(yīng)的歷史行為數(shù)據(jù)集合中的預測集，作為融合模型的訓練數(shù)據(jù)，訓練得到融合模型。[0103]綜上所述，本公開的實施例提供了一種信息推薦裝置，所述裝置包括：候選獲取模塊201,用于獲取推薦請求對應(yīng)的候選信息組合；第一預測模塊202,用于將所述推薦請求對應(yīng)的用戶信息和所述候選信息組合輸入至少一個子模型，以通過所述至少一個子模型輸出所述候選信息組合對應(yīng)不同行為類別的推薦概率；所述至少一個子模型為根據(jù)用戶不同類別的歷史行為數(shù)據(jù)訓練得到；第二預測模塊203,用于將所述至少一個子模型輸出的各推薦概率，輸入融合模型，以輸出所述候選信息組合對應(yīng)的融合概率；目標確定模塊204,用于根據(jù)所述融合概率，在所述候選信息組合中確定目標組合。本公開的實施例可以減少用戶點餐過程中決策時間較長的問題，不僅為用戶點餐提供便利，而且可以提高信息推薦的準確[0104]本公開的實施例還提供了一種電子設(shè)備，參見圖3,包括：處理器301、存儲器302以及存儲在所述存儲器上并可在所述處理器上運行的計算機程序3021,所述處理器執(zhí)行所述程序時實現(xiàn)前述實施例的信息推薦方法。[0105]本公開的實施例還提供了一種可讀存儲介質(zhì)，當所述存儲介質(zhì)中的指令由電子設(shè)備的處理器執(zhí)行時，使得電子設(shè)備能夠執(zhí)行前述實施例的信息推薦方法。[0106]對于裝置實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。[0107]在此提供的算法和顯示不與任何特定計算機、虛擬系統(tǒng)或者其它設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與基于在此的示教一起使用。根據(jù)上面的描述，構(gòu)造這類系統(tǒng)所要求的結(jié)構(gòu)是顯而易見的。此外，本公開的實施例也不針對任何特定編程語言。應(yīng)當明白，可以利用各種編程語言實現(xiàn)在此描述的本公開的實施例的內(nèi)容，并且上面對特定語言所做的描述是為了披露本公開的實施例的最佳實施方式。[0108]在此處所提供的說明書中，說明了大量具體細節(jié)。然而，能夠理解，本公開的實施例的實施例可以在沒有這些具體細節(jié)的情況下實踐。在一些實例中，并未詳細示出公知的[0109]類似地，應(yīng)當理解，為了精簡本公開并幫助理解各個發(fā)明方面中的一個或多個，在上面對本公開的實施例的示例性實施例的描述中，本公開的實施例的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應(yīng)將該公開的方法解釋成反映如下意圖：即所要求保護的本公開的實施例要求比在每個權(quán)利要求中所明確記載的特征更多的特征。更確切地說，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵循具體實施方式的權(quán)利要求書