广告召回方法、装置、电子设备、程序产品及介质

摘要

本申请实施例公开了广告召回方法、装置、电子设备、程序产品及介质，可应用于数据处理技术领域。其中方法包括：获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征；根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重；基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征；根据目标对象的对象嵌入特征分别与每个广告数据的加权嵌入特征之间的特征差异，选取针对目标对象的召回广告数据。采用本申请实施例，有助于提升广告召回的准确性。本申请实施例还可应用于云技术、区块链、人工智能、智慧交通、辅助驾驶、智能家电等各种场景。

说明书

技术领域

本申请涉及数据处理技术领域，尤其涉及广告召回方法、装置、电子设备、程序产品及介质。

背景技术

目前，广告的召回在各种软件、网站或系统中得到了广泛地应用。在不同的业务场景中，需要召回的广告通常会有所不同，例如，在一些特殊的时间节点(如电商大促等)往往需要召回跟日常业务需求差异比较大的广告，然而，发明人在实践过程中发现，目前针对不同业务场景均采用相同的广告召回方式进行广告召回，会导致在一些业务场景中进行广告召回的准确性较低。

发明内容

本申请实施例提供了一种广告召回方法、装置、电子设备、程序产品及介质，有助于提升广告召回的准确性。

一方面，本申请实施例公开了一种广告召回方法，该方法包括：

获取至少一个广告数据，并获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征；

获取每个广告数据的推荐评估信息，并根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重；任一广告数据的推荐评估信息包括用于评估向对象推荐任一广告数据的概率的信息；

基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征；

获取基于目标对象的对象关联信息生成的对象嵌入特征，并根据对象嵌入特征分别与每个广告数据的加权嵌入特征之间的特征差异，在至少一个广告数据中选取针对目标对象的召回广告数据。

一方面，本申请实施例公开了一种数据处理装置，该装置包括：

获取单元，用于获取至少一个广告数据，并获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征；

获取单元，还用于获取每个广告数据的推荐评估信息，并根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重；任一广告数据的推荐评估信息包括用于评估向对象推荐任一广告数据的概率的信息；

处理单元，用于基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征；

处理单元，还用于获取基于目标对象的对象关联信息生成的对象嵌入特征，并根据对象嵌入特征分别与每个广告数据的加权嵌入特征之间的特征差异，在至少一个广告数据中选取针对目标对象的召回广告数据。

一方面，本申请实施例提供了一种电子设备，电子设备包括处理器、存储器，其中，存储器用于存储计算机程序，计算机程序包括程序指令，处理器被配置用于执行如下步骤：

获取至少一个广告数据，并获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征；

获取每个广告数据的推荐评估信息，并根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重；任一广告数据的推荐评估信息包括用于评估向对象推荐任一广告数据的概率的信息；

基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征；

获取基于目标对象的对象关联信息生成的对象嵌入特征，并根据对象嵌入特征分别与每个广告数据的加权嵌入特征之间的特征差异，在至少一个广告数据中选取针对目标对象的召回广告数据。

一方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序指令，计算机程序指令被处理器执行时，用于执行如下步骤：

获取至少一个广告数据，并获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征；

获取每个广告数据的推荐评估信息，并根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重；任一广告数据的推荐评估信息包括用于评估向对象推荐任一广告数据的概率的信息；

基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征；

获取基于目标对象的对象关联信息生成的对象嵌入特征，并根据对象嵌入特征分别与每个广告数据的加权嵌入特征之间的特征差异，在至少一个广告数据中选取针对目标对象的召回广告数据。

一方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令被处理器执行时可实现上述一方面提供的方法。

采用本申请实施例，能够基于每个广告数据的推荐评估信息来确定每个广告数据的推荐权重，进而基于每个广告数据的推荐权重对广告数据的广告嵌入特征进行加权，得到加权嵌入特征，从而根据每个广告数据的加权嵌入特征与目标对象的对象嵌入特征确定出针对目标对象的召回广告数据。由此可以对具有不同推荐评估信息的广告数据确定不同的推荐权重，从而根据通过推荐权重进行加权后的广告嵌入特征确定召回广告数据，相当于将不同业务场景所需要根据推荐评估信息对广告被召回的可能性进行调整转换为基于推荐权重进行处理，以便于根据不同业务场景灵活地调整具有不同推荐评估信息的广告数据被召回的可能性，有助于提升广告召回的准确性以及灵活性。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。

图1是本申请实施例提供的一种广告召回系统的结构示意图；

图2是本申请实施例提供的一种广告召回场景的示意图；

图3是本申请实施例提供的一种广告召回方法的流程示意图；

图4是本申请实施例提供的一种加权嵌入特征的效果示意图；

图5是本申请实施例提供的一种广告召回方法的流程示意图；

图6是本申请实施例提供的一种特征生成网络的结构示意图；

图7是本申请实施例提供的一种广告召回方法的流程示意图；

图8是本申请实施例提供的一种广告召回装置的结构示意图；

图9是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

本申请实施例提出一种广告召回方案，能够基于每个广告数据的推荐评估信息来确定每个广告数据的推荐权重，进而基于每个广告数据的推荐权重对广告数据的广告嵌入特征进行加权，得到加权嵌入特征，从而根据每个广告数据的加权嵌入特征与目标对象的对象嵌入特征确定出针对目标对象的召回广告数据。由此可以对具有不同推荐评估信息的广告数据确定不同的推荐权重，从而根据通过推荐权重进行加权后的广告嵌入特征确定召回广告数据，相当于将不同业务场景所需要根据推荐评估信息对广告被召回的可能性进行调整转换为基于推荐权重进行处理，以便于根据不同业务场景灵活地调整具有不同推荐评估信息的广告数据被召回的可能性，有助于提升广告召回的准确性以及灵活性。

在一种可能的实施方式中，本申请实施例可以应用于一个广告召回系统中。请参见图1，图1是本申请实施例提供的一种广告召回系统的结构示意图，该广告召回系统中可以包括客户端以及服务器。其中，该服务器可以执行上述广告召回方案，也就是基于每个广告数据的推荐评估信息来确定每个广告数据的推荐权重，进而基于每个广告数据的推荐权重对广告数据的广告嵌入特征进行加权，得到加权嵌入特征，从而根据每个广告数据的加权嵌入特征与目标对象的对象嵌入特征确定出针对目标对象的召回广告数据，进而可以向目标对象对应的客户端推送所确定召回广告数据，如将召回广告数据的广告图片、广告标题等等发送至客户端进行显示。该客户端中可以关联有对应的对象，该客户端可以为对象对应的对象设备中的应用程序。客户端在接收到服务器所推送的广告数据后可以输出被推送的广告数据，如对被推送的广告进行显示。

在一个实施例中，上述广告数据可以为多种类型的广告，如广告数据可以是在客户端中可以进行推荐、访问或者下单的产品的广告，如服饰类产品、保险产品等等；该广告数据也可以是在客户端中进行推荐、访问的产品广告，如软件应用的广告、品牌的广告等等，此处不做限制。可以理解的是，若对象对客户端所显示的广告感兴趣，则可以通过客户端对显示的广告执行一定的关联行为，该关联行为可以为点击对应广告以查看广告的详情；该关联行为还可以为点击对应广告并对该广告进行购买；或者，该关联行为还可以为对广告进行点赞、收藏、搜索相似广告等等，此处不做限制。

在一个实施例中，上述广告召回方案还可以应用于对其他资源进行召回的场景中，如可以应用于对视频数据(如短视频应用中的短视频数据等)、音频数据、图文资讯数据(如社交媒体平台中的博文帖子、新闻资讯等)等等资源数据的召回场景中，即上述广告召回方案中的广告数据可以替换为其他资源数据，从而采用上述方式实现对视频数据、音频数据、图文资讯数据等资源数据进行资源召回。

在一些场景中，本申请可以应用于广告召回场景中，请参见图2，图2是本申请实施例提供的一种广告召回场景的示意图。在广告召回场景中，可以获取客户端所对应的应用程序中的部分或全部广告，如图2中的201所示，如可以获取广告a、广告b、广告c等等；进而可以确定广告的广告嵌入特征，并根据广告的推荐评估信息确定推荐权重，如获取广告a对应的广告嵌入特征a和推荐权重a，广告b对应的广告嵌入特征b和推荐权重b，以此类推，得到各个广告对应的广告嵌入特征和推荐权重，然后基于广告嵌入特征与对应的推荐权重进行加权处理(如图2中的202所示)，从而可以得到对应的加权嵌入特征(如图2中的203所示)。

例如基于广告a对应的广告嵌入特征a和推荐权重a进行加权处理得到加权嵌入特征a，基于广告b对应的广告嵌入特征b和推荐权重b进行加权处理得到加权嵌入特征b，以此类推，可以得到各个广告对应的加权嵌入特征，由此可以利用推荐权重对各个广告的广告嵌入特征进行加权，从而通过推荐权重来影响广告嵌入特征与对象嵌入特征之间的特征差异，以调整广告被召回的可能性。

在召回场景中，可以获取进行广告召回以进行广告推荐的对象(如图2中的204所示)，如对象1、对象2、对象3等等；进而可以获取每个对象的对象嵌入特征(如图2中的205所示)，如获取对象1对应的对象嵌入特征1，对象2对应的对象嵌入特征2等等。进而针对每个对象嵌入特征来说，可以计算对象嵌入特征与每个加权嵌入特征之间的特征差异，从而从多个广告数据中确定出对应的召回广告数据(如图2中的206所示)，例如针对对象1来说，可以计算对象嵌入特征1与每个加权嵌入特征之间的特征差异，从而将特征差异较小的广告数据作为召回广告数据；针对对象2来说，可以计算对象嵌入特征2与每个加权嵌入特征之间的特征差异，从而将特征差异较小的广告数据作为召回广告数据，以此类推，可以计算得到每个需要进行广告召回的对象对应的召回广告数据。由于在确定召回广告时，所采用的是加权嵌入特征确定与对象嵌入特征的特征差异，实际就是通过推荐评估信息影响广告嵌入特征与对象嵌入特征之间的特征差异，从而影响广告被召回的可能性，让被召回的广告更符合业务场景的需求，有助于提升广告召回的准确性。

在一种可能的实施方式中，本申请实施例可以应用于人工智能技术领域，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。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

需要进行说明的是，本申请在收集用户的相关数据(如对象的对象关联信息等)之前以及在收集用户的相关数据的过程中，都可以显示提示界面、弹窗或输出语音提示信息，该提示界面、弹窗或语音提示信息用于提示用户当前正在搜集其相关数据，使得本申请仅仅在获取到用户对该提示界面或者弹窗发出的确认操作后，才开始执行获取用户相关数据的相关步骤，否则(即未获取到用户对该提示界面或者弹窗发出的确认操作时)，结束获取用户相关数据的相关步骤，即不获取用户的相关数据。换句话说，本申请所采集的所有用户数据都是在用户同意并授权的情况下进行采集的，且相关用户数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本申请的技术方案可运用在电子设备中，如上述的服务器。该电子设备可以是终端，也可以是服务器，或者也可以是用于进行广告召回的其他设备，本申请不做限定。可选的。服务器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。终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器、智能音箱、智能家电等。

可以理解，上述场景仅是作为示例，并不构成对于本申请实施例提供的技术方案的应用场景的限定，本申请的技术方案还可应用于其他场景。例如，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

基于上述的描述，本申请实施例提出一种广告召回方法。请参见图3，图3是本申请实施例提供的一种广告召回方法的流程示意图。该方法可以由上述的电子设备执行。该广告召回方法可以包括以下步骤。

S301、获取至少一个广告数据，并获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征。

其中，该至少一个广告数据可以为客户端所对应的广告库中的全部或部分广告。也就是说，该至少一个广告数据可以为根据一定筛选条件从广告库中筛选出的部分广告，该筛选条件可以为：广告所属的行业类别为预设行业类别，广告的发布时间在目标时间范围内，广告的热度(如可以通过点赞量、转发量、评论量、访问量进行体现)大于或等于阈值，等等，此处不做限制。

广告数据的广告嵌入特征可以指基于广告数据的广告关联信息所确定的特征。该广告关联信息可以是广告数据本身所关联的信息，例如，该广告关联信息可以为广告数据的简介、标题、图像等等信息，此处不做限制。可选的，该广告数据的广告嵌入特征可以表示为特征向量或特征矩阵，此处不做限制。

在一个实施例中，可以通过调用训练好的特征生成网络基于广告数据的广告关联信息生成广告数据的广告嵌入特征。那么，具体的，获取每个广告数据的广告嵌入特征可以包括以下步骤：获取每个广告数据的广告关联信息，并调用训练好的特征生成网络基于每个广告数据的广告关联信息，分别生成每个广告数据的广告嵌入特征。其中，该训练好的特征生成网络可以是基于样本数据对进行训练得到的，该样本数据对中可以包括样本对象的对象关联信息和样本广告的广告关联信息。由此可以基于训练好的特征生成网络获取到准确地表征广告数据的特征，提升后续广告召回的准确性。

S302、获取每个广告数据的推荐评估信息，并根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重。

其中，任一广告数据的推荐评估信息包括用于评估向对象推荐任一广告数据的概率的信息。该推荐评估信息可以用于确定广告数据的推荐权重，进而基于所确定的推荐权重去评估向对象推荐任一广告数据的概率(也称可能性)。可以理解的是，在一些场景中，若广告数据的推荐评估信息的数值越大，则该广告数据被推荐的概率越高，或者，在一些场景中，若广告数据的推荐评估信息的数值越大，则该广告数据被推荐的概率越低，这具体取决于实际的业务需求，由此可以根据实际的业务需求确定广告数据的推荐评估信息，进而评估向对象推荐任一广告数据的概率。

在一种可能的实施方式中，可以根据实际的业务场景获取所需指标类别的推荐评估信息，每个广告数据的推荐评估信息包含以下至少一种：广告数据的广告价值信息、广告数据的广告影响度、或者广告数据的广告类别信息。

其中，该广告价值信息是指约定好的推送广告所需的价值，例如，在进行广告投放之前，需要广告主与广告商约定好进行广告投放的价格，所约定好的价格就是一种广告价值信息。

该广告影响度用于描述广告在发布后所造成的影响，该广告影响度可以通过各类衡量指标进行表征，例如，该广告影响度可以为广告的点赞量、转发量、收藏量、评论量、转化率、下单数量或点击率等等，也可以为点赞量、转发量、收藏量、评论量、转化率、下单数量或点击率中多种衡量指标的结合(如将其中多种衡量指标按照一定权重相加)，此处不做限制。

该广告类别信息用于描述广告所属的类别，通常来说，每个广告可以由人工或机器打上对应的类别标签，则可以基于广告的类别标签确定对应的广告类别信息，例如，该广告类别信息可以用于指示广告所属的行业(如实业类行业、互联网行业、能源行业等)、广告对应的风格(如活泼风格、严肃风格、中性风格等)、广告对应的主题(如历史主题、实事主题、动物主题、生活主题等等)、广告对应的产品类别(如服饰广告、家具广告、电子产品广告等)等等，此处不做限制。

广告数据的推荐权重可以用于调整广告数据被召回的可能性，若所确定广告数据的推荐权重越大，则可以增加广告数据被召回的可能性，若所确定广告数据的推荐权重越小，则可以减小广告数据被召回的可能性。可以理解的是，由于后续在进行广告召回时引入了每个广告数据的推荐权重，相对于推荐权重小的广告数据来说，推荐权重大的广告数据相当于是进行了提权；相对于推荐权重大的广告数据来说，推荐权重小的广告数据相当于是进行了降权，由此可以通过该推荐权重实现对广告数据的提权或降权，进而调整广告数据被召回的可能性。

在一种可能的实施方式中，根据每个广告数据的推荐评估信息确定针对每个广告数据的推荐权重，可以具体包括以下步骤：

①获取针对每个广告数据的推荐评估信息的权重转换函数，并获取每个广告数据的推荐评估信息的关联评估参数。其中，该权重转换函数是指用于根据推荐评估信息确定推荐权重的函数。广告数据的推荐评估信息的关联评估参数是指推荐评估信息中所具体指示的数值。当推荐评估信息为广告价值信息时，该推荐评估信息的关联评估参数可以为具体价值的数值，例如，获取到某个广告数据的广告价值信息，该广告数据对应的具体价值的数值为500，则对于该广告数据的广告价值信息这一种推荐评估信息来说，推荐评估信息的关联评估参数为500。当推荐评估信息为广告影响度时，该推荐评估信息的关联评估参数可以为影响度的具体数值，如点赞量的数值、转发量的数值、转化率的数值等等，此处不做限制。例如，获取到某个广告数据的广告影响度，该广告数据对应的点赞量为300，则对于该广告数据的广告影响度这一种推荐评估信息来说，推荐评估信息的关联评估参数为300。当推荐评估信息为广告类别信息时，该推荐评估信息的关联评估参数可以为广告类别对应的预设权重数值，例如可以将一个广告类别对应的预设权重数值确定为0。

②基于权重转换函数分别对每个广告数据对应的关联评估参数进行参数运算处理，得到针对每个广告数据的推荐权重。可以理解的是，基于权重转换函数对每个广告数据对应的关联评估参数进行参数运算处理，相当于将关联评估参数作为权重转换函数中的数值进行计算。

在一个实施例中，该权重转换函数可以为单调增函数，即广告数据对应的关联评估参数越大，则对应的推荐权重越大，广告数据对应的关联评估参数越小，则对应的推荐权重越小，由此可以基于单调增函数所确定的推荐权重提升关联评估参数大的广告数据被召回的可能性，降低关联评估参数小的广告数据被召回的可能性。

在一个实施例中，该权重转换函数可以为单调减函数，即广告数据对应的关联评估参数越大，则对应的推荐权重越小，广告数据对应的关联评估参数越小，则对应的推荐权重越大，由此可以基于单调减函数所确定的推荐权重提升关联评估参数小的广告数据被召回的可能性，降低关联评估参数大的广告数据被召回的可能性。

在一种可能的实施方式中，根据每个广告数据的推荐评估信息确定针对每个广告数据的推荐权重，可以具体包括以下步骤：①根据每个广告数据的推荐评估信息确定针对每个广告数据的初始推荐权重。其中，该初始推荐权重是指没有进行标准化处理的权重，初始推荐权重的获取方式具体包括：获取针对每个广告数据的推荐评估信息的权重转换函数，并获取每个广告数据的推荐评估信息的关联评估参数；基于权重转换函数对每个广告数据对应的关联评估参数进行参数运算处理，得到针对每个广告数据的初始推荐权重。也就是说，基于权重转换函数与关联评估参数直接运算得到的数值为初始推荐权重，进而需要对初始推荐权重进行标准化处理得到推荐权重，由此可以统一数据的尺度，便于基于推荐权重进行相关计算。权重转换函数与关联评估参数的相关描述可以参照上述描述，此处不做赘述。

②对针对每个广告数据的初始推荐权重进行标准化处理，得到针对每个广告数据的推荐权重。可以理解的是，针对每个广告数据的初始推荐权重进行标准化处理(简称标准化)的目的是为了使得推荐权重能够统一度量以应用于各个场景，并且便于进行计算。在一个实施例中，针对每个广告数据的初始推荐权重进行标准化处理，可以将推荐权重转换至0-1之间，从而统一计算标准，方便后续对广告嵌入特征的转换。例如，对初始推荐权重进行标准化处理可以获取多个广告数据的初始推荐权重中的最大值与最小值(或者广告数据的初始推荐权重可能的最大值或最小值)，并计算最大值与最小值之间的差值得到目标权重差值，从而在对初始推荐权重标准化处理为推荐权重时，可以为将初始推荐权重减去最小值后除以目标权重差值，则可以得到推荐权重。

在一些场景中，在进行广告召回时需要优先召回价值高的广告，也就是需要对广告价值信息所指示的关联评估参数大的广告进行提权，由此可以选取单调增函数实现该目的。例如，可以选取以下函数(如公式1所示)作为权重转换函数以确定推荐权重。

f(x)＝log(1+x

其中，x可以表示广告数据对应的关联评估参数，即在基于权重转换函数对每个广告数据对应的关联评估参数进行参数运算处理，将关联评估参数作为权重转换函数中的x进行计算。t可以为预设的超参，由此可以通过调整t的数值改变权重转换函数的平滑程度，从而通过控制t的数值，使得在对价值高的广告数据进行提权的时候避免推荐权重被提权得过多。

例如，若t取1，则权重转换函数为f(x)＝log(1+x)，若广告数据a对应的广告价值信息的关联指标信息为500，则可以得到初始推荐权重为：log(1+500)≈2.7，若广告数据b对应的广告价值信息的关联指标信息为999，则可以得到初始推荐权重为：log(1+999)＝3，以此类推，可以得到每个广告数据对应的初始推荐权重。进而可以将每个广告数据的初始推荐权重进行标准化处理，如将初始推荐权重转换至0-1区间，得到对应的推荐权重。例如，多个广告数据对应的初始推荐权重中，最大的初始推荐权重为8，最小的初始推荐权重为1，则对2.7这一初始推荐权重进行标准化处理后得到的推荐权重为(2.7-1)/(8-1)＝0.24，对3这一初始推荐权重进行标准化处理后得到的推荐权重为(3-1)/(8-1)＝0.28，以此类推，可以得到每个广告数据对应的推荐权重，此处不做赘述。

在一些场景中，在进行广告召回时需要减少影响度(如下单量、点赞量、收藏量等等)高的视频被召回的可能性，由此避免影响度高的广告被过渡曝光，而影响度低的广告得不到进一步曝光而导致影响度更低。也就是需要对广告影响度所指示的关联评估参数大的视频进行降权，由此可以选取单调减函数实现该目的。例如，可以选取以下函数(如公式2所示)作为权重转换函数以确定推荐权重。

f(x)＝(ax+1)

其中，a为常数，a<0；x可以表示广告数据对应的关联评估参数，即在基于权重转换函数对每个广告数据对应的关联评估参数进行参数运算处理，将关联评估参数作为权重转换函数中的x进行计算。t可以为预设的超参，t需使得f(x)在x大于零时为单调减函数，由此可以通过调整t的数值改变权重转换函数的平滑程度，从而通过控制t的数值，使得在对影响度高的推荐进行降权的时候避免推荐权重被降权得过多。

例如，若t取1，a为-1，则权重转换函数为f(x)＝-x+1，若广告数据c对应的广告影响度的关联指标信息(即点赞量的数值)为80，则可以得到推荐权重为：-80+1＝-79，若广告数据d对应的广告价值信息的关联指标信息为120，则可以得到推荐权重为：-120+1＝-119，若广告数据d对应的广告价值信息的关联指标信息为0，则可以得到推荐权重为：1，以此类推，可以得到每个广告数据对应的推荐权重。进而可以将每个广告数据的初始推荐权重进行标准化处理，如将初始推荐权重转换至0-1区间，得到对应的推荐权重。例如，多个广告数据对应的初始推荐权重中，最大的初始推荐权重为1，最小的初始推荐权重为-300，则对-79这一初始推荐权重进行标准化处理后得到的推荐权重为(-79+300)/(1-(-300))＝0.73，对-119这一初始推荐权重进行标准化处理后得到的推荐权重为(-119+300)/(1-(-300))＝0.60，以此类推可以得到每个广告数据对应的推荐权重，此处不做赘述。

在一些场景中，在进行广告召回时，只需要对目标广告类别下的广告被召回的可能性进行减小，且影响度越高的视频减小得越多，也就是需要使得除目标广告类别外的其他广告类别下的广告数据对应的推荐权重均为最大的推荐权重，对目标广告类别下的广告数据可以根据广告影响度对关联评估参数大的视频进行降权，由此可以实现融合上述各种推荐评估信息的一种或多种确定推荐权重，能够根据实际需求灵活地配推荐权重的确定方式，有助于提升用户体验以及广告召回的准确性。

例如，为了实现根据广告影响度对关联评估参数大的视频进行降权，可以选取单调减函数对目标广告类别下的广告数据的关联评估参数进行运算，如选取上述的公式2进行计算，并对除目标广告类别外的其他广告类别下的广告数据对应的关联评估参数确定为0，以使得除目标广告类别外的其他广告类别下的广告数据所确定的推荐权重均为最大的推荐权重，相当于没有对其他广告类别下的广告数据进行降权，由此实现了对广告数据的推荐权重的定制。

在一种可能的实施方式中，本申请实施例可以融合多种推荐评估信息以确定推荐权重，由此可以提升确定推荐权重的过程的灵活性。在一个实施例中，可以针对不同推荐评估信息采用对应的权重转换函数得到对应的初始推荐权重，进而基于每种推荐评估信息对应的初始推荐权重进行融合得到广告数据对应的推荐权重，如可以将每种推荐评估信息对应的初始推荐权重进行相加、计算平均值或者加权平均等方式进行融合得到广告数据对应的推荐权重。其中，基于每种推荐评估信息对应的初始推荐权重进行融合得到广告数据对应的推荐权重，还包括对融合后的每种推荐评估信息对应的初始推荐权重进行标准化处理，得到广告数据对应的推荐权重。

例如，在一些场景中，在进行广告召回时，需要优先召回价值高的广告，并且降低当前下单量较多广告被召回的可能性，以避免对下单量高的广告的过度曝光，也就相当于是需要对广告价值信息所指示的关联评估参数大的广告进行提权，并对广告影响度所指示的关联评估参数大的视频进行降权，由此可以将单调增函数作为广告价值信息对应的权重转换函数以确定广告价值信息对应的初始推荐权重，将单调减函数作为广告影响度对应的权重转换函数以确定广告影响度对应的初始推荐权重，进而可以将广告数据的广告价值信息对应的初始推荐权重与广告影响度对应的初始推荐权重融合得到广告数据的推荐权重，例如，对于广告数据a来说，基于上述公式1可以计算得到广告价值信息对应的初始推荐权重为x1，基于上述公式2可以计算得到广告影响度对应的初始推荐权重为x2，则可以将x1+x2以实现对各种推荐评估信息对应的初始推荐权重的融合，进而对融合后的初始推荐权重进行标准化处理，得到广告数据a的推荐权重，以此类推，可以得到每个广告数据对应的推荐权重。

S303、基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征。

其中，该加权嵌入特征是指通过推荐权重对广告嵌入特征进行加权处理后的广告嵌入特征。

在一种可能的实施方式中，对广告嵌入特征进行加权处理可以为将广告嵌入特征与对应的推荐权重相乘。可选的，为了便于计算需要对加权处理后的广告嵌入特征进行标准化处理，从而得到每个广告数据的加权嵌入特征，如可以将广告嵌入特征除以广告嵌入特征对应的模，并通过拼接对应数值的方式使得加权嵌入特征的模为1。

例如，请参见图4，图4是本申请实施例提供的一种加权嵌入特征的效果示意图。如图4所示，广告数据的广告嵌入特征可以为b(如图4中的401所示)，根据广告嵌入特征得到的加权嵌入特征可以如图4中的402所示。在将广告嵌入特征转换为加权嵌入特征时，可以乘以

S304、获取基于目标对象的对象关联信息生成的对象嵌入特征，并根据对象嵌入特征分别与每个广告数据的加权嵌入特征之间的特征差异，在至少一个广告数据中选取针对目标对象的召回广告数据。

其中，目标对象的对象嵌入特征可以指基于目标对象的对象关联信息所确定的特征。该对象关联信息可以是推荐对象所关联的信息，例如，该对象关联信息可以为对象本身所具有的相关信息，如对象的年龄、所属行业、风格爱好等等信息，该对象关联信息还可以为对象的上下文相关信息，如对象最近一段时间所点赞、转发或搜索的广告信息、与广告的互动(如点赞、转发、下单等)频率等等信息，此处不做限制。可选的，该推荐对象的初始对象嵌入特征可以表示为特征向量或特征矩阵，此处不做限制。可以理解的是，目标对象可以为客户端所对应的应用程序中的任一对象，可以为已经注册的对象，也可以为以游客身份进行操作的对象，此处不做限制。

在一个实施例中，可以通过调用训练好的特征生成网络基于目标对象的对象关联信息生成目标对象的对象嵌入特征。那么，具体的，获取目标对象的对象嵌入特征可以包括以下步骤：获取目标对象的对象关联信息，并调用训练好的特征生成网络基于目标对象的对象关联信息生成目标对象的对象嵌入特征。其中，该训练好的特征生成网络可以是基于样本数据对进行训练得到的，该样本数据对中可以包括样本对象的对象关联信息和样本广告的广告关联信息。由此可以基于训练好的特征生成网络获取目标对象的对象嵌入特征，能够获取到准确地表征目标对象的对象嵌入特征，提升后续广告召回的准确度。

在一种可能的实施方式中，获取目标对象的对象嵌入特征还可以为：调用训练好的特征生成网络基于目标对象的对象关联信息，生成目标对象的初始对象嵌入特征，对目标对象的初始对象嵌入特征进行标准化处理，得到目标对象的对象嵌入特征。可以理解的是，对目标对象的初始对象嵌入特征进行标准化处理是为了能够与上述进行标准化处理的加权嵌入特征进行运算以确定需要召回的广告。对初始对象嵌入特征进行标准化处理可以将广告嵌入特征除以广告嵌入特征对应的模，并拼接1个维度的0，以与加权嵌入特征的维度保持一致。可以理解的是，基于训练好的特征生成网络得到的初始对象嵌入特征与基于训练好的特征生成网络得到的广告嵌入特征的维度相同，进行标准化处理后的加权嵌入特征与对象嵌入特征的维度也相同，由此才能进行后续的广告召回过程。

例如，如图4所示，目标对象的初始对象嵌入特征可以为a(如图4中的403所示)，对初始对象嵌入特征进行标准化处理后得到的对象嵌入特征可以如图4中的404所示。在对初始对象嵌入特征进行标准化处理时，可以除以||a||，即除以初始对象嵌入特征对应的模；还可以拼接1个维度的0，维度加1，由此可以对应得到与加权嵌入特征维度相同的对象嵌入特征。

在一种可能的实施方式中，该召回广告数据是指为目标对象进行推荐的广告。根据对象嵌入特征与每个广告数据的加权嵌入特征，在至少一个广告数据中选取针对目标对象的召回广告数据，也就是相当于将与对象嵌入特征之间的特征差异满足特征条件的加权嵌入特征对应的广告数据来作为针对目标对象的召回广告数据。在一个实施例中，加权嵌入特征与对象嵌入特征之间的特征差异，可以通过加权嵌入特征与对象嵌入特征之间的距离(如欧氏距离或余弦距离等)或内积等进行表征，此处不做限制。可以理解的是，加权嵌入特征与对象嵌入特征之间的距离越大，则特征差异越大，加权嵌入特征与对象嵌入特征之间的距离越小，则特征差异越小；加权嵌入特征与对象嵌入特征之间的内积越大，则特征差异越小，加权嵌入特征与对象嵌入特征之间的内积越小，则特征差异越大。在一个实施例中，特征差异满足特征条件可以为特征差异的排序位置或特征差异的数值大小满足一定条件。

例如，当特征差异是指距离时，该特征条件可以是按照距离从小到大进行排序时排序位置大于阈值，或者该特征条件可以为距离的数值小于或等于阈值；又如，当特征差异是指内积时，该特征条件可以是按照内积从大到小进行排序时排序位置大于阈值，或者该特征条件可以为内积的数值大于或等于阈值；或者该特征条件还可以是特征差异的排序位置以及特征差异的数值大小均满足条件，此处不做限制。

可以理解的是，通常可以基于广告对应的特征与对象对应的特征之间的特征差异来确定召回的广告数据，而本申请在最终确定召回广告数据时所采用的广告数据对应的特征是通过推荐权重进行加权处理得到的加权嵌入特征，由此可以使得所召回的广告受到推荐权重的影响，也就是受到广告数据的推荐评估信息的影响。在相同的对象和广告数据的情况下，若推荐权重越大，则广告数据的加权嵌入特征与对象嵌入特征之间特征差异越小(距离越小、内积越大)；若推荐权重越小，则广告数据的加权嵌入特征与对象嵌入特征之间特征差异越大(距离越大、内积越小)。

采用本申请实施例，能够基于每个广告数据的推荐评估信息来确定每个广告数据的推荐权重，进而基于每个广告数据的推荐权重对广告数据的广告嵌入特征进行加权，得到加权嵌入特征，从而根据每个广告数据的加权嵌入特征与目标对象的对象嵌入特征确定出针对目标对象的召回广告数据。由此可以对具有不同推荐评估信息的广告数据确定不同的推荐权重，从而根据通过推荐权重进行加权后的广告嵌入特征确定召回广告数据，相当于将不同业务场景所需要根据推荐评估信息对广告被召回的可能性进行调整转换为基于推荐权重进行处理，以便于根据不同业务场景灵活地调整具有不同推荐评估信息的广告数据被召回的可能性，有助于提升广告召回的准确性以及灵活性。

请参见图5，图5是本申请实施例提供的一种广告召回方法的流程示意图。该方法可以由上述的电子设备执行。该广告召回方法可以包括以下步骤。

S501、获取至少一个广告数据，并获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征。

其中，步骤S501可以参照上述步骤S301的相关描述，此处不做赘述。

在一种可能的实施方式中，如上述，每个广告数据的广告嵌入特征可以基于训练好的特征生成网络进行获取，则在获取每个广告数据的广告嵌入特征之前，可以先对特征生成网络进行训练，进而可以使得训练好的特征生成网络能够基于对象的对象关联信息生成对应的对象嵌入特征，还可以基于广告的广告关联信息生成对应的广告嵌入特征。具体的，对特征生成网络的训练过程可以包括以下步骤：

①获取样本数据对。其中，样本数据对包含样本对象的对象关联信息和样本广告的广告关联信息，样本数据对具有样本标签，样本标签用于指示样本对象对样本广告具有目标行为或不具有目标行为。该目标行为可以为上述的关联行为中的任一种或多种，如可以是点击对应广告以查看广告的详情，点击对应广告并对该广告进行购买，还可以为对广告进行点赞、收藏、搜索相似广告等等，此处不做赘述。在一个实施例中，若样本对象对样本广告具有目标行为，则可以称该样本数据对为正样本数据对，若样本对象对样本广告不具有目标行为，则可以称该样本数据对为负样本数据对。

在一个实施例中，可以根据广告召回的应用场景选择针对性的样本数据对。例如，若应用场景是基于点击率(CTR)进行广告召回，则可以将对象与该对象有点击记录的广告作为正样本数据对，将对象与曝光于该对象但没有点击记录的广告作为负样本数据对。又如，若应用场景是基于商品交易总额(GMV)进行广告召回，则可以将对象与该对象有下单记录的广告作为正样本数据对，将对象与曝光于该对象但没有下单记录的广告或者有浅层转化记录的广告作为负样本数据对。根据应用场景选择具有针对性的样本数据对，由此可以提升一些指标上的数据，如在auc(一种模型评价指标)或者recall(一种模型评价指标)等指标上有所提升，进而在实际场景中基于该特征生成网络所生成的特征进行广告召回时能够提升广告准确性。

②调用特征生成网络基于样本对象的对象关联信息生成样本对象的样本对象嵌入特征，并调用特征生成网络基于样本广告的广告关联信息生成样本广告嵌入特征。其中，该特征生成网络可以为双塔式的模型结构，即在特征生成网络中生成对象嵌入特征与广告嵌入特征的的网络为不同的网络。例如，请参见图6，图6是本申请实施例提供的一种特征生成网络的结构示意图。如图6中的601所示为用于生成对象嵌入特征的网络，如图6中的602所示为用于生成广告嵌入特征的网络。

具体的，在用于生成对象嵌入特征的网络中可以包括信息输入层，以输入对象的对象关联信息(如图6中的603所示)，进而可以通过定制的网络进行编码表示，如可以采用SE Block(一种神经网络)进行编码表示，然后可以通过一系列定制的网络进行进一步的表示学习，如可以通过多层全连接层(FC)进行表示学习，从而得到对应的对象嵌入特征(如图6中的604所示)。

在用于生成广告嵌入特征的网络中可以包括信息输入层，以输入广告数据的广告关联信息(如图6中的605所示)，进而可以通过定制的网络进行编码表示，如可以采用SEBlock(一种神经网络)进行编码表示，然后可以通过一系列定制的网络进行进一步的表示学习，如可以通过多层全连接层(FC)进行表示学习，从而得到对应的广告嵌入特征(如图6中的606所示)。

③基于样本对象嵌入特征、样本广告嵌入特征和样本标签修正特征生成网络的网络参数，得到训练好的特征生成网络。其中，训练好的特征生成网络用于生成对象和广告数据的特征。可以理解的是，调用特征生成网络生成广告的广告嵌入特征时，主要用到训练好的特征生成网络中用于生成广告嵌入特征的网络；调用特征生成网络生成对象的对象嵌入特征时，主要用到训练好的特征生成网络中用于生成对象嵌入特征的网络。

在一个实施例中，基于样本对象嵌入特征、样本广告嵌入特征和样本标签修正特征生成网络的网络参数，得到训练好的特征生成网络，具体可以包括以下步骤：获取样本对象嵌入特征和样本广告嵌入特征之间的特征差异；基于样本对象嵌入特征和样本广告嵌入特征之间的特征差异和样本标签，获取特征生成网络针对样本对象嵌入特征和样本广告嵌入特征的特征生成偏差；基于特征生成偏差修正特征生成网络的网络参数，得到训练好的特征生成网络。

其中，该特征差异可以是指样本对象嵌入特征和样本广告嵌入特征之间的差异，该特征差异可以通过距离(如欧氏距离或余弦距离等)或内积等进行表征，此处不做限制。该特征生成偏差可以调用损失函数进行计算，该特征生成偏差也可以称为损失值。可以理解的是，基于特征生成偏差修正特征生成网络的网络参数的过程中，需要使得特征生成偏差逐渐变小，直至特征生成偏差收敛。在对特征生成网络进行训练的过程中，若样本标签指示样本对象对样本广告具有目标行为(即样本数据对为正样本数据对)，则需要使得样本对象嵌入特征与样本广告嵌入特征之间的特征差异逐渐减小，即距离逐渐减小或者内积逐渐增大；若样本标签指示样本对象对样本广告不具有目标行为(即样本数据对为负样本数据对)，则需要使得样本对象嵌入特征与样本广告嵌入特征之间的特征差异逐渐增大，即距离逐渐增大或者内积逐渐减小。从而可以使得特征生成网络能够准确生成对象和广告的特征，有利于提升广告召回的准确性。

例如，如图6所示，基于特征生成网络得到样本对象的样本对象嵌入特征和样本广告的样本广告嵌入特征后，可以确定样本广告嵌入特征与样本对象嵌入特征的特征差异(如图6中的607所示)，进而可以基于该特征差异以及样本标签得到特征生成偏差(如图中的608所示)，从而可以基于该特征生成偏差修正特征生成网络的网络参数，得到训练好的特征生成网络。

可以理解的是，在对特征生成网络的训练过程中不涉及到对广告的推荐权重的引入，而是在确定需要召回的广告时引入推荐权重对基于训练好的特征生成网络所得到的广告嵌入特征进行加权处理，由此可以使得基于训练好的特征生成网络所得到的广告和对象的嵌入特征可以应用在不同召回场景，而不需要为了适应于召回场景重新对特征生成网络进行训练，即不管对于什么场景，均可以通过调整召回场景所需要的推荐评估信息、权重转换函数等信息得到对应的推荐权重，从而可以灵活地对广告数据进行提权或降权，以调整广告数据被召回的可能性，从而确定好粗更适应对应召回场景的广告数据，提升广告召回过程中的准确性。

S502、获取每个广告数据的推荐评估信息，并根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重。

S503、基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征。

S504、获取基于目标对象的对象关联信息生成的对象嵌入特征。

步骤S502-S504的相关描述可以参照步骤S302-S304，此处不做赘述。

S505、获取每个广告数据的加权嵌入特征分别与对象嵌入特征之间的特征差异。

其中，如上述，此处的特征差异可以通过加权嵌入特征与对象嵌入特征之间的内积或者距离等进行表征，此处不做赘述。

S506、对至少一个广告数据按照对应特征差异的从小到大的顺序进行排序，得到排序后的广告数据。

其中，对至少一个广告数据按照对应特征差异的从小到大的顺序进行排序后，排序靠前的广告数据对应的特征差异较小，即加权嵌入特征与对象嵌入特征之间的距离较小、内积较大；排序靠后的广告数据对应的特征差异较大，即加权嵌入特征与对象嵌入特征之间的距离较大、内积较小。

S507将排序后的广告数据中排序在前R个的广告数据，确定为针对目标对象的召回广告数据。

其中，R为正整数。该召回广告数据是指排序靠前的R个广告数据，也就是相当于加权嵌入特征与对象嵌入特征之间距离较小、内积较大的广告数据，相当于上述的特征差异的排序位置满足条件，由此可以确定出目标对象所对应的召回广告数据，由于在基于对象的特征和广告的特征确定召回广告数据时引入了推荐权重，则可以使得所确定的召回广告数据更符合业务场景，即可以提升所确定的召回广告数据的准确性。

在一个实施例中，上述基于加权嵌入特征与对象嵌入特征之间的内积确定召回广告数据的方式，可以称为最大内积检索(MIPS检索)，也就是首先计算出对象嵌入特征与每个加权嵌入特征的内积，然后按照内积排序，直接找到排在前面的广告数据。实际场景在进行在线MIPS运算时，由于广告数据一般即使进行分库后，也都达到百万级别，将内积的运算转化成矩阵乘法也难以承受，因此需要进行计算加速，如可以采用LSH算法(一种计算加速算法)进行加速，也就是将空间中距离比较近(即距离较小、内积较大)的特征划分到相同桶，离得远的特征大概率分到不同桶，在确定召回广告数据的时候，只需要精确地比较和查询特征处在同一个桶里的广告数据，可以大大提高确定召回广告数据的效率。

在一种可能的实施方式中，还可以将召回广告数据推送给目标对象的对象设备，使对象设备输出召回广告数据。由此可以实现对所确定的召回广告数据进行推荐。该对象设备是指目标对象所对应的设备。对象设备输出召回广告数据时，可以输出召回广告数据的图片、简介、标题等等信息，此处不做限制。

在一种可能的实施方式中，在实际的广告召回场景中，为了减少线上的计算量，提升广告召回效率，可以离线对每个广告数据的广告嵌入特征进行计算并存储。但是由于对象的对象嵌入特征需要考虑到对象的一些上下文信息，则需要在线上确定对象的对象嵌入特征。可选的，为了提升线上确定对象的对象嵌入特征的效率，可以提前获取针对每种对象关联信息的关联信息特征，从而在线上确定对象的对象嵌入特征时，可以直接基于该对象的对象关联信息所对应的关联信息特征确定对应的对象嵌入特征。这是由于在训练特征生成网络时，可以基于特征生成网络生成样本对象的对象关联信息的关联信息特征，从而基于样本对象的对象关联信息的关联信息特征生成对应的对象嵌入特征，由此可以基于更多样本的训练，可以使得特征生成网络能够得到每种对象关联信息所对应的关联信息特征。由此可以通过提前建立针对每种对象关联信息的关联信息特征，减少在线上进行关联信息特征的获取的过程，提升对象嵌入特征的获取的效率，从而提升整个广告召回过程的效率。

在一种可能的实施方式中，本申请实施例还可以对客户端所具有的各个广告进行分库处理，即从不同广告库的广告中分别确定对应的召回广告数据，从而将每个广告库所对应的召回广告数据均作为最终进行召回的广告，以保障每个广告库中都能有部分广告被召回。也就是可以将每个广告库中的广告数据均作为上述的至少一个广告数据，以从每个广告库的至少一个广告数据中确定对应的召回广告数据，并将每个广告库对应的召回广告数据推送给对象设备。可选的，每个广告库所确定的召回广告数据的数量可以根据实际场景进行灵活设置，此处不做限制。

在一个实施例中，可以根据广告的影响度进行分库，该影响度可以为点赞量、转发量、下单量等等，此处不做限制。如可以将影响度大于或等于阈值的广告分类至一个广告库，影响度小于阈值的广告分类至另一个广告库。由此可以避免一些由于刚发布或没有得到一定曝光所造成的影响度较小的广告在新一轮的召回过程中也得不到召回，形成恶性循环。

在一个实施例中，还可以根据广告的发布时间进行分库。如可以将发布时间大于或等于时间阈值的广告分类至一个广告库，将发布时间小于时间阈值的广告分类至另一个广告库。由此可以提升新发布的广告被召回的可能性，这是由于新发布的广告由于缺乏与对象互动的记录，对新发布的广告只能通过泛化特征进行推荐，通常打分效果较差，得到推荐的可能性较低，并且由于广告刚发布，缺乏曝光消费等记录，很难通过推荐评估信息确定对应的权重因子，导致新发布的广告与存量广告竞争时没有优势，继而在召回阶段获胜进入下一阶段的机会被严重压缩，影响最终的曝光消费，形成恶性循环。由此可以通过对广告的分库，对不同的广告库采用不用的方式确定召回广告数据，提升新发布的广告被召回的可能性。

在一种可能的实施方式中，在确定召回广告数据后，还可以基于所确定的各个召回广告数据进行粗排、精排等操作，从而可以少选更为精确的广告数据推荐给目标对象，提升广告推荐的准确性。

在一些场景中，此处结合图示对整个广告召回过程进行阐述。例如，请参见图7，图7是本申请实施例提供的一种广告召回方法的流程示意图。如图7所示，首先可以通过训练好的特征生成网络(如图7中的701所示)获取到需要进行广告召回的对象的对象嵌入特征(如图7中的702所示)。具体可以调用训练好的特征生成网络基于对象的对象关联信息生成对象嵌入特征；并且获取基于训练好的特征网络所生成的至少一个广告数据的广告嵌入特征(如图7中的703所示)，具体可以调用训练好的特征生成网络基于每个广告数据的广告关联信息生成对应的广告嵌入特征；还可以获取每个广告数据的推荐权重(如图7中的704所示)，该推荐权重可以基于对应的推荐评估信息进行确定。从而基于推荐权重与广告嵌入特征进行加权处理，得到广告数据的加权嵌入特征(如图7中的705所示)，从而可以基于对象的对象嵌入特征与加权嵌入特征确定出召回广告数据(如图7中的706所示)，具体可以基于对象的对象嵌入特征与加权嵌入特征确定处对象嵌入特征与每个加权嵌入特征的特征差异，从而基于特征差异确定出召回广告数据，由于推荐权重的引入，能够使得所召回的广告数据能够更符合应用场景，有助于提升广告召回的准确定和灵活性。

采用本申请实施例，能够基于每个广告数据的推荐评估信息来确定每个广告数据的推荐权重，进而基于每个广告数据的推荐权重对广告数据的广告嵌入特征进行加权，得到加权嵌入特征，从而根据每个广告数据的加权嵌入特征与目标对象的对象嵌入特征确定出针对目标对象的召回广告数据。由此可以对具有不同推荐评估信息的广告数据确定不同的推荐权重，从而根据通过推荐权重进行加权后的广告嵌入特征确定召回广告数据，相当于将不同业务场景所需要根据推荐评估信息对广告被召回的可能性进行调整转换为基于推荐权重进行处理，以便于根据不同业务场景灵活地调整具有不同推荐评估信息的广告数据被召回的可能性，有助于提升广告召回的准确性以及灵活性。

请参见图8，图8是本申请实施例提供的一种广告召回装置的结构示意图。可选的，该广告召回装置可以设置于上述电子设备中。如图8所示，本实施例中所描述的广告召回装置可以包括：

获取单元801，用于获取至少一个广告数据，并获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征；

获取单元801，还用于获取每个广告数据的推荐评估信息，并根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重；任一广告数据的推荐评估信息包括用于评估向对象推荐任一广告数据的概率的信息；

处理单元802，用于基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征；

处理单元802，还用于获取基于目标对象的对象关联信息生成的对象嵌入特征，并根据对象嵌入特征分别与每个广告数据的加权嵌入特征之间的特征差异，在至少一个广告数据中选取针对目标对象的召回广告数据。

在一种实现方式中，处理单元802，具体用于：

获取针对每个广告数据的推荐评估信息的权重转换函数，并获取每个广告数据的推荐评估信息的关联评估参数；

基于权重转换函数分别对每个广告数据对应的关联评估参数进行参数运算处理，得到针对每个广告数据的推荐权重。

在一种实现方式中，处理单元802，还用于：

获取样本数据对；样本数据对包含样本对象的对象关联信息和样本广告的广告关联信息，样本数据对具有样本标签，样本标签用于指示样本对象对样本广告具有目标行为或不具有目标行为；

调用特征生成网络基于样本对象的对象关联信息生成样本对象的样本对象嵌入特征，并调用特征生成网络基于样本广告的广告关联信息生成样本广告嵌入特征；

基于样本对象嵌入特征、样本广告嵌入特征和样本标签修正特征生成网络的网络参数，得到训练好的特征生成网络；训练好的特征生成网络用于生成对象和广告数据的特征。

在一种实现方式中，处理单元802，具体用于：

获取样本对象嵌入特征和样本广告嵌入特征之间的特征差异；

基于样本对象嵌入特征和样本广告嵌入特征之间的特征差异和样本标签，获取特征生成网络针对样本对象嵌入特征和样本广告嵌入特征的特征生成偏差；

基于特征生成偏差修正特征生成网络的网络参数，得到训练好的特征生成网络。

在一种实现方式中，处理单元802，具体用于：

获取每个广告数据的广告关联信息，并调用训练好的特征生成网络基于每个广告数据的广告关联信息，分别生成每个广告数据的广告嵌入特征；

获取基于目标对象的对象关联信息生成的对象嵌入特征，包括：

获取目标对象的对象关联信息，并调用训练好的特征生成网络基于目标对象的对象关联信息生成目标对象的对象嵌入特征。

在一种实现方式中，处理单元802，具体用于：

根据每个广告数据的推荐评估信息确定针对每个广告数据的初始推荐权重；

对针对每个广告数据的初始推荐权重进行标准化处理，得到针对每个广告数据的推荐权重。

在一种实现方式中，处理单元802，具体用于：

获取每个广告数据的加权嵌入特征分别与对象嵌入特征之间的特征差异；

对至少一个广告数据按照对应特征差异的从小到大的顺序进行排序，得到排序后的广告数据；

将排序后的广告数据中排序在前R个的广告数据，确定为针对目标对象的召回广告数据；R为正整数；

处理单元802，还用于：

将召回广告数据推送给目标对象的对象设备，使对象设备输出召回广告数据。

在一种实现方式中，每个广告数据的推荐评估信息包含以下至少一种：广告数据的广告价值信息、广告数据的广告影响度、或者广告数据的广告类别信息。

请参见图9，图9是本申请实施例提供的一种电子设备的结构示意图。本实施例中所描述的电子设备，包括：处理器901、存储器902。可选的，该电子设备还可包括网络接口或供电模块等结构。上述处理器901、存储器902之间可以交互数据。

上述处理器901可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

上述网络接口可以包括输入设备和/或输出设备，例如该输入设备是可以是控制面板、麦克风、接收器等，输出设备可以是显示屏、发送器等，此处不一一列举。

上述存储器902可以包括只读存储器和随机存取存储器，并向处理器901提供程序指令和数据。存储器902的一部分还可以包括非易失性随机存取存储器。其中，处理器901调用程序指令时用于执行：

获取至少一个广告数据，并获取基于每个广告数据的广告关联信息分别生成的每个广告数据的广告嵌入特征；

获取每个广告数据的推荐评估信息，并根据每个广告数据的推荐评估信息分别确定针对每个广告数据的推荐权重；任一广告数据的推荐评估信息包括用于评估向对象推荐任一广告数据的概率的信息；

基于每个广告数据的推荐权重分别对每个广告数据的广告嵌入特征进行加权处理，得到每个广告数据的加权嵌入特征；

获取基于目标对象的对象关联信息生成的对象嵌入特征，并根据对象嵌入特征分别与每个广告数据的加权嵌入特征之间的特征差异，在至少一个广告数据中选取针对目标对象的召回广告数据。

在一种实现方式中，处理器901，具体用于：

获取针对每个广告数据的推荐评估信息的权重转换函数，并获取每个广告数据的推荐评估信息的关联评估参数；

基于权重转换函数分别对每个广告数据对应的关联评估参数进行参数运算处理，得到针对每个广告数据的推荐权重。

在一种实现方式中，处理器901，还用于：

获取样本数据对；样本数据对包含样本对象的对象关联信息和样本广告的广告关联信息，样本数据对具有样本标签，样本标签用于指示样本对象对样本广告具有目标行为或不具有目标行为；

调用特征生成网络基于样本对象的对象关联信息生成样本对象的样本对象嵌入特征，并调用特征生成网络基于样本广告的广告关联信息生成样本广告嵌入特征；

基于样本对象嵌入特征、样本广告嵌入特征和样本标签修正特征生成网络的网络参数，得到训练好的特征生成网络；训练好的特征生成网络用于生成对象和广告数据的特征。

在一种实现方式中，处理器901，具体用于：

获取样本对象嵌入特征和样本广告嵌入特征之间的特征差异；

基于样本对象嵌入特征和样本广告嵌入特征之间的特征差异和样本标签，获取特征生成网络针对样本对象嵌入特征和样本广告嵌入特征的特征生成偏差；

基于特征生成偏差修正特征生成网络的网络参数，得到训练好的特征生成网络。

在一种实现方式中，处理器901，具体用于：

获取每个广告数据的广告关联信息，并调用训练好的特征生成网络基于每个广告数据的广告关联信息，分别生成每个广告数据的广告嵌入特征；

获取基于目标对象的对象关联信息生成的对象嵌入特征，包括：

获取目标对象的对象关联信息，并调用训练好的特征生成网络基于目标对象的对象关联信息生成目标对象的对象嵌入特征。

在一种实现方式中，处理器901，具体用于：

根据每个广告数据的推荐评估信息确定针对每个广告数据的初始推荐权重；

对针对每个广告数据的初始推荐权重进行标准化处理，得到针对每个广告数据的推荐权重。

在一种实现方式中，处理器901，具体用于：

获取每个广告数据的加权嵌入特征分别与对象嵌入特征之间的特征差异；

对至少一个广告数据按照对应特征差异的从小到大的顺序进行排序，得到排序后的广告数据；

将排序后的广告数据中排序在前R个的广告数据，确定为针对目标对象的召回广告数据；R为正整数；

处理器901，还用于：

将召回广告数据推送给目标对象的对象设备，使对象设备输出召回广告数据。

在一种实现方式中，每个广告数据的推荐评估信息包含以下至少一种：广告数据的广告价值信息、广告数据的广告影响度、或者广告数据的广告类别信息。

可选的，该程序指令被处理器执行时还可实现上述实施例中方法的其他步骤，这里不再赘述。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行上述方法，比如执行上述电子设备执行的方法，此处不赘述。

可选的，本申请涉及的存储介质如计算机可读存储介质可以是非易失性的，也可以是易失性的。

可选的，该计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

需要说明的是，对于前述的各个方法实施例，为了简单描述，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，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。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是本申请所必须的。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。

本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令被处理器执行时可实现上述方法中的部分或全部步骤。例如，该计算机指令存储在计算机可读存储介质中。计算机设备(即上述的电子设备)的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法的实施例中所执行的步骤。例如，该计算机设备可以为终端，或者可以为服务器。

以上对本申请实施例所提供的一种广告召回方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。