媒体内容预加载方法、模型构建方法及相关设备与流程

1.本公开涉及计算机技术领域，具体地，涉及一种媒体内容预加载方法、模型构建方法及相关设备。


背景技术：

2.随着移动网络的普及与流媒体技术的发展，移动端媒体应用产品(例如抖音、tiktok、快手等)变为人们生活中娱乐消遣的一个主要工具，其中媒体内容可为音频、视频及其组合等。
3.在用户观看媒体内容的过程中，用户可能随时会从当前播放的媒体内容切换到下一个媒体内容，因此，移动端需要对下一个要播放的媒体内容进行预加载，保证下一个媒体内容可以快速播放。但目前没有较好的针对媒体内容的预加载方法，导致用户体验较差。


技术实现要素：

4.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.第一方面，本公开提供一种媒体内容预加载方法，该媒体内容预加载方法包括：
6.获取所述用户的历史观看信息、所述电子设备的播放状态信息以及待推荐的媒体内容的属性信息；
7.将所述用户的历史观看信息、所述播放状态信息以及所述属性信息输入推荐模型中，获取所述推荐模型输出的推荐结果信息，所述推荐模型基于所述用户的历史观看信息确定待优化的用户体验指标，并根据所述播放状态信息以及所述属性信息输出用于优化所述用户体验指标的推荐结果信息；
8.根据所述推荐结果信息从所述待推荐的媒体内容中确定目标媒体内容进行预加载。
9.第二方面，本公开提供一种模型构建方法，该模型构建方法包括：
10.获取用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本；
11.根据所述播放状态信息样本确定所述用户的用户体验指标；
12.将所述用户体验指标作为所述历史观看信息样本、所述播放状态信息样本以及所述属性信息样本的标签信息，训练推荐模型，使得所述推荐模型基于所述历史观看信息样本确定待优化的用户体验指标，并根据所述播放状态信息样本以及所述属性信息样本输出用于优化所述用户体验指标的推荐结果信息，所述推荐结果信息用于从所述待推荐的媒体内容中确定进行预加载的目标媒体内容。
13.第三方面，本公开提供一种媒体内容预加载装置，该媒体内容预加载装置包括：信息获取模块、推荐结果信息获取模块以及预加载模块。
14.其中：信息获取模块，用于获取所述用户的历史观看信息、所述电子设备的播放状态信息以及待推荐的媒体内容的属性信息；
15.推荐结果信息获取模块，用于将所述用户的历史观看信息、所述播放状态信息以及所述属性信息输入推荐模型中，获取所述推荐模型输出的推荐结果信息，所述推荐模型基于所述用户的历史观看信息确定待优化的用户体验指标，并根据所述播放状态信息以及所述属性信息输出用于优化所述用户体验指标的推荐结果信息；
16.预加载模块，用于根据所述推荐结果信息从所述待推荐的媒体内容中确定目标媒体内容进行预加载。
17.第四方面，本公开提供一种模型构建装置，该模型构建装置，包括：样本获取模块、用户体验指标确定模块以及训练模块。
18.其中：样本获取模块，用于获取用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本；
19.用户体验指标确定模块，用于根据所述播放状态信息样本确定所述用户的用户体验指标；
20.训练模块，用于将所述用户体验指标作为所述历史观看信息样本、所述播放状态信息样本以及所述属性信息样本的标签信息，训练推荐模型，使得所述推荐模型基于所述历史观看信息样本确定待优化的用户体验指标，并根据所述播放状态信息样本以及所述属性信息样本输出用于优化所述用户体验指标的推荐结果信息，所述推荐结果信息用于从所述待推荐的媒体内容中确定进行预加载的目标媒体内容。
21.第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现第一方面所述方法的步骤。
22.第六方面，本公开提供一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现第二方面所述方法的步骤。
23.第七方面，本公开提供一种电子设备，该电子设备包括：
24.存储装置，其上存储有计算机程序；
25.处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。
26.第八方面，本公开提供一种电子设备，该电子设备包括：
27.存储装置，其上存储有计算机程序；
28.处理装置，用于执行所述存储装置中的所述计算机程序，以实现第二方面所述方法的步骤。
29.通过上述技术方案，在电子设备播放媒体内容的过程中，可以获取用户的历史观看信息、电子设备的播放状态信息以及待推荐的媒体内容的属性信息，并将用户的历史观看信息、播放状态信息以及属性信息输入推荐模型中，获取推荐模型输出的推荐结果信息，其中，推荐模型基于用户的历史观看信息确定待优化的用户体验指标，并根据播放状态信息以及属性信息输出用于优化用户体验指标的推荐结果信息，由于用户的历史观看信息可以反映用户的观看体验质量，因此通过推荐模型可以准确确定待优化的用户体验指标，而播放状态信息以及属性信息又对用户的体验质量有一定影响，在确定用户体验指标后，推荐模型可以针对待优化指标，根据播放状态信息以及属性信息输出可以有效提高待优化指
标的推荐结果信息，再根据推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载，从而有效提高用户体验质量。
30.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
31.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
32.图1是本公开一个实施例提供的媒体内容预加载方法、模型构建方法的应用环境示意图。
33.图2是本公开一个实施例提供的模型构建方法的流程示意图。
34.图3是本公开另一个实施例提供的模型构建方法的流程示意图。
35.图4是本公开一个实施例提供的媒体内容加载方法的流程示意图。
36.图5是本公开另一个实施例提供的媒体内容加载方法的流程示意图。
37.图6是本公开一个实施例提供的推荐模型的网络结构示意图。
38.图7是本公开一个实施例提供的媒体内容预加载方法在实际应用中的实施流程示意图。
39.图8是本公开一个实施例提供的媒体内容预加载装置的结构示意图。
40.图9是本公开一个实施例提供的模型构建装置的结构示意图。
41.图10是本公开一个实施例提供的电子设备的结构示意图。
具体实施方式
42.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
43.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
44.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
45.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
46.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
47.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
48.随着移动网络的普及与流媒体技术的发展，移动端媒体应用产品变为人们生活中娱乐消遣的一个主要工具，其中媒体内容可为音频、视频及其组合等。在多媒体应用中，一个典型的场景为feed媒体流，所谓feed媒体流也就是用户在观看当前媒体内容时，可以通过下滑切换到下一个媒体内容，或者通过上滑切换到上一个媒体内容，其中媒体内容可能会自动播放、展示，另一种典型的场景为手机窗口展示多个媒体内容，用户可以通过上下滑浏览不同媒体内容，并点击观看不同媒体内容，在这些场景中，服务端会提前下发一个推荐媒体内容列表(如包含6个或更多媒体内容)给客户端。
49.在观看媒体内容的过程中，用户随时可能切换到下一个媒体内容，如果不对推荐媒体内容列表中当前观看媒体内容之后的媒体内容进行预加载，会导致用户在观看下一个媒体内容时，存在比较长的首帧时间，同时在网络带宽不充足的情况下，引起额外的卡顿，其中，首帧时间指从切换到固定到媒体内容后，点击播放媒体内容或者自动播放媒体内容的开始时刻到播放媒体内容第一帧画面的时间差。
50.为了减少首帧时间和卡顿，目前比较常用的方法是进行固定大小/时长的预加载方法，在下载完用户正在观看的媒体内容后，对推荐列表中的后续媒体内容按照先后顺序预加载固定的字节数或者固定的时长，其中，针对后续媒体内容也可以并行下载；除此以外，还有很多产品不采用预加载策略。
51.一些示例中，现有方法以优化卡顿、首帧时间、流畅度等指标为目标。在实际优化时，以若干指标的线性组合为优化目标。然而，不同指标的优化之间可能存在冲突，例如，优先预加载媒体内容可以减少首帧时间，但会增加卡顿。
52.可见，因此上述方法中，简单线性组合各种指标不能保证优化目标和用户的体验质量保证一致，造成根据简单线性组合各种指标得到的媒体内容推荐结果，并不能保证较好的用户体验质量。
53.另一些示例中，基于机器学习的预加载方法存在泛化性能的问题，即算法模型的效果与训练数据集的分布强相关，难以用于其他分布的数据集上。强化学习是一种常用的机器学习算法，可以通过在网络带宽数据集和用户观看行为数据集上训练得到预加载策略。用户观看过程中的“快滑”行为(用户快速跳过一部分不感兴趣的媒体内容，去寻找自己感兴趣的媒体内容)和“慢滑”行为(用户观看完每一个推荐的媒体内容)是两种分布差异较大的行为。
54.一方面，基于快滑数据集训练的模型会倾向于预加载多个后续的媒体内容，对每个媒体内容都预加载较短的时长，对正在观看的媒体内容保持较短的缓冲区。这种快滑模型应用于慢滑数据集时会造成较多的卡顿。
55.另一方面，基于慢滑数据集训练的模型会倾向于对正在观看的媒体内容保持较长的缓冲区，预加载更少的后续媒体内容的数量，对每个媒体内容预加载较长的时长。这种慢滑模型应用于快滑数据集时会造成较大的首帧时间。
56.再一方面，如果将两种数据集混合起来训练模型且混合之后的数据集中一种数据集的数据数量占绝对优势，那么算法模型会倾向于适应这种数据集，会造成跟前述一样的效果。如果两种数据集的数据数量相当，训练的模型特征会介于上述两种模型之间，即维持的缓冲区大小介于快滑和慢滑模型之间，预加载媒体内容数量和预加载大小也介于快滑和慢滑模型之间。这样的模型在快滑数据集上不如快滑模型，在慢滑数据集上不如慢滑模型。
57.可见，通过固定模型的来进行媒体内容的预加载方式，实施起来并不灵活，且用户体验感较差。
58.针对上述问题，本公开提供了一种媒体内容预加载方法、模型构建方法及相关设备，能够有效提高用户在观看媒体内容时的体验质量。
59.下面对本公开提供的一种媒体内容预加载方法、模型构建方法所涉及的应用环境进行说明，请参考图1，本公开的提供的媒体内容预加载方法、模型构建方法可以应用于如图1所示的媒体内容推荐系统，该媒体内容推荐系统可以包括用户的电子设备110和服务器120，该电子设备110可以配置有处理器、媒体内容播放装置、通讯装置等，该电子设备110可以通过通讯装置建立与服务器120之间的通讯链路。该服务器120可以实现数据接收、数据处理、数据发送、数据存储等功能，具体的，该服务器120可以接收电子设备110的产生的数据，并对电子设备110产生的数据进行处理后再发送到电子设备110中。可选的，该媒体内容预加载方法、模型构建方法可以单独应用于媒体内容推荐系统中的电子设备110、也可以单独应用于媒体内容推荐系统中的服务器120、还可以同时应用于媒体内容推荐系统中的服务器120和电子设备110。
60.请参考图2，其示出了本公开一个实施例提供的模型构建方法，该模型构建方法可以应用于如图1所示的服务器，通过该模型构建方法构建的模型可以用于对媒体内容进行推荐，该模型构建方法可以包括以下步骤：
61.101、获取用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本。
62.在一些实施方式中，服务器(以下可称服务端)与用户使用的电子设备(以下可称客户端)建立通信连接，并实时接收并记录用户在客户端上观看的媒体内容时产生的观看信息、客户端的播放状态信息，然后可以将一段时间内记录的观看信息作为历史观看信息样本，将记录的播放状态信息作为播放状态信息样本。其中，服务器的数据库中可以预先存储有多个待推荐的媒体内容的属性信息样本，在需要时，可以直接从数据库中调用。
63.其中，历史观看信息可以包括用户观看的历史媒体内容的播放状态信息和/或用户观看历史媒体内容的历史行为信息。
64.可选的，历史行为信息包括用户的观看时长、观看的媒体内容的时长、在观看的媒体内容出现卡顿时的退出操作、在等待媒体内容的首帧时间中的退出操作中的至少一种。
65.可选的，待推荐媒体内容的属性信息包括待媒体内容的时长、待媒体内容的码率中的至少一种。
66.可选的，播放状态信息包括：当前播放的媒体内容对应缓冲区中的剩余媒体内容的时长、未播放的媒体内容对应缓冲区中的剩余媒体内容的时长、当前播放的媒体内容在播放过程中发生的卡顿次数和时长、当前播放的媒体内容的首帧时间、当前播放的媒体内容的下载信息和未播放的媒体内容的下载信息中的至少一种。其中，媒体内容的下载信息表征媒体内容是否下载完成。
67.102、根据播放状态信息样本确定用户的用户体验指标。
68.其中，用户体验指标可以用于表征在该播放状态信息样本对应的播放状态下用户的用户体验质量，或者说用户的满意度。示例性的，例如，用户体验指标可以是一个数值，数值可以与用户的体验质量呈正相关。又例如，该用户体验指标还可以是用户做出的可以反
映用户体验的一系列行为动作的数据，如用户退出播放的媒体内容的退出率，当退出率较高或者升高时，可以表明用户体验较差。如用户观看媒体内容的观看时长，当光看时长较短或者变短时，可以表明用户体验较差。因此，用户体验体验指标可以包括退出率、观看时长等指标。
69.在一些实施方式中，服务器可以预先根据大量的历史观看信息样本拟合出一个用户体验质量函数，由于历史观看信息包括用户观看的历史媒体内容的播放状态信息和用户观看历史媒体内容的历史行为信息，因此，拟合得到的用户体验质量函数可以反映媒体内容的播放状态信息与用户观看行为信息之间的关系，而用户观看行为又能直接反映用户体验指标，故用户体验质量函数可以反映媒体内容的播放状态信息与用户体验指标之间的关系。在用户体验质量函数建立完成以后，服务器可以将播放状态信息样本代入到用户体验质量函数中，计算得到用户体验指标。举例来说，例如用户体验指标可以是卡顿次数增加、或卡顿时长增加、或首帧时间增加、或媒体内容的码率变化等播放状态下的退出率或/时长。
70.103、将用户体验指标作为历史观看信息样本、播放状态信息样本以及属性信息样本的标签信息训练推荐模型，使得推荐模型基于历史观看信息样本确定待优化的用户体验指标，并根据播放状态信息样本以及属性信息样本输出用于优化用户体验指标的推荐结果信息，推荐结果信息用于从待推荐的媒体内容中确定进行预加载的目标媒体内容。
71.示例性的，服务器可以将用户体验指标不满足预设条件的用户体验指标确定为待优化的用户体验指标，例如，如果卡顿次数增加时的退出率大于退出率阈值，则可以将卡顿次数增加时的退出率确定为待优化的用户体验指标，可见，根据待优化的用户体验指标可以确定造成待优化的用户体验指标不达标打原因是卡顿次数增加。其中，造成待优化的用户体验指标不达标的原因可以是一种或多种。
72.训练后的推荐模型可以根据待优化的用户体验指标以及播放状态信息样本以及属性信息样本输出能够优化用户体验指标的推荐结果信息，得到预加载的目标媒体内容，例如待优化的用户体验指标不达标的原因是因为首帧时间较长，那么根据训练后的推荐模型输出的推荐结果信息确定的预加载的目标媒体内容可以在播放中克服首帧时间较长的问题，从而有效地提升用户的用户体验质量。
73.可见，在本实施例中，通过获取用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本。根据播放状态信息样本确定用户的用户体验指标，并将用户体验指标作为历史观看信息样本、播放状态信息样本以及属性信息样本的标签信息，训练推荐模型，使得推荐模型能够基于历史观看信息样本确定待优化的用户体验指标，并根据播放状态信息样本以及属性信息样本输出能够优化用户体验指标的推荐结果信息，推荐结果信息用于从待推荐的媒体内容中确定进行预加载的目标媒体内容，从而使训练得到的推荐模型能够根据影响用户体验的根源出发，结合播放状态信息样本以及待推荐媒体内容的属性信息样本，确定出可以克服影响用户体验的根源问题的目标媒体内容，以便对目标媒体内容进行预加载后能够有效提升用户的体验质量。
74.请参考图3，其示出了本公开另一个实施例提供的模型构建方法，该模型构建方法可以应用于如图1所示的服务器，该模型构建方法可以包括以下步骤：
75.201、基于预设的网络带宽数据以及用户的真实观看行为信息初始化模拟环境。
76.202、在模拟环境中模拟用户通过电子设备观看媒体内容的过程，并采集得到该过程中产生的用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本。
77.203、根据播放状态信息样本确定用户的用户体验指标。
78.204、将用户体验指标作为历史观看信息样本、播放状态信息样本以及属性信息样本的标签信息，训练推荐模型，使得推荐模型基于历史观看信息样本确定待优化的用户体验指标，并根据播放状态信息样本以及属性信息样本输出用于优化用户体验指标的推荐结果信息，推荐结果信息用于从待推荐的媒体内容中确定进行预加载的目标媒体内容。
79.在一些实施方式中，推荐模型包括上层模型和多个下层模型，上层模型用于学习基于历史观看信息样本确定待优化的用户体验指标，一个下层模型用于学习播放状态信息样本以及属性信息样本对一个用户体验指标的影响关系。
80.示例性的，训练好的上层模型可以根据输入的历史观看信息输出用于确定待优化的用户体验指标，根据确定待优化的用户体验指标可以从多个下层模型中确定用于针对性解决待优化的用户体验指标不达标的原因的目标下层模型，例如，待优化的用户体验指标不达标的原因是卡顿次数增加，那么目标下层模型可以是专门用于处理卡顿次数增加的模型，在目标下层模型确定以后，训练好目标下层模型可以根据输入的播放状态信息以及待推荐的媒体内容属性信息输出推荐结果信息，根据推荐结果信息确定的目标媒体内容可以有效减少卡顿次数。
81.在一些实施方式中，推荐模型的网络参数包括上层模型针对每一下层模型设置的激活次数，激活次数用于表征推荐模型每次采用下层模型进行媒体内容推荐的重复次数，方法还包括：
82.205、在每次训练后，重新获取新的播放状态信息样本，并根据新的播放状态信息样本确定新的用户体验指标。
83.206、根据用户体验指标以及新的用户体验指标的变化情况，更新推荐模型的网络参数。
84.下面将步骤201至步骤205作为一个整体进行说明，示例性的，在实际应该用中，服务器可以通过执行以下步骤实现推荐模型的训练：
85.第一步、初始化上层模型参数和多个下层模型参数。
86.第二步、选择一条网络带宽数据和一条用户观看行为数据初始化模拟环境。
87.第三步、上层模型根据输入，选择要激活的下层模型和激活的步数s。
88.第四步、下层模型根据输入，选择要下载的媒体内容，重复s次后，如果用户未结束观看，执行第三步，如果用户结束观看，则执行第五步。
89.第五步、根据模拟过程中的输入、输出、用户体验指标的变化，使用强化学习算法更新模型的网络参数。并返回执行第四步。
90.在本实施例中，通过基于预设的网络带宽数据以及用户的真实观看行为信息初始化模拟环境。并在模拟环境中模拟用户通过电子设备观看媒体内容的过程，并采集得到该过程中产生的用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本。从而可以在模拟环境中采集样本数据，避免了采集真实数据作为样本数据而带来的繁琐过程，提高了模型训练效率。
91.请参考图4，其示出了本公开一个实施例提供的媒体内容加载方法，该媒体内容加载方法可以应用于如图1所示的服务器或电子设备，该媒体内容加载方法可以包括以下步骤：
92.301、获取用户的历史观看信息、电子设备的播放状态信息以及待推荐的媒体内容的属性信息。
93.示例性的，该媒体内容加载方法可以在电子播放媒体内容，并能够自动播放下一媒体内容的场景下执行，例如在用户观看抖音短视频的场景下执行，又例如在用户通过音乐播放软件连续播放多首歌曲的场景下执行。
94.在一些示例中，在用户通过电子设备观看媒体内容的过程中，与电子设备通信的服务器，可以实时接收用户在电子设备上观看的媒体内容时产生的观看信息、客户端的播放状态信息，并将用户在指定时间段内产生的观看信息作为历史观看信息。其中，待推荐的媒体内容以及待推荐的媒体内容的属性信息可以预先存储在服务器的数据库中，在使用时从数据库中调用，也可以时服务器向媒体内容应用平台发送请求信息，以指示媒体内容应用平台反馈待推荐的媒体内容以及待推荐的媒体内容的属性信息。
95.其中，历史观看信息包括用户观看的历史媒体内容的播放状态信息和/或用户观看历史媒体内容的历史行为信息。
96.其中，历史行为信息包括用户的观看时长、观看的媒体内容的时长、在观看的媒体内容出现卡顿时的退出操作、在等待媒体内容的首帧时间中的退出操作中的至少一种。
97.其中，待推荐媒体内容的属性信息包括媒体内容的时长、媒体内容的码率中的至少一种。
98.其中，播放状态信息包括：当前播放的媒体内容对应缓冲区中的剩余媒体内容的时长、未播放的媒体内容对应缓冲区中的剩余媒体内容的时长、当前播放的媒体内容在播放过程中发生的卡顿次数和时长、当前播放的媒体内容的首帧时间、当前播放的媒体内容的下载信息和未播放的媒体内容的下载信息中的至少一种。其中，媒体内容的下载信息表征媒体内容是否下载完成。
99.302、将用户的历史观看信息、播放状态信息以及属性信息输入推荐模型中，获取推荐模型输出的推荐结果信息，其中，推荐模型基于用户的历史观看信息确定待优化的用户体验指标，并根据播放状态信息以及属性信息输出用于优化用户体验指标的推荐结果信息。
100.其中，待优化的用户体验指标是基于历史媒体内容的播放状态信息和/或历史行为信息确定的，示例性的，播放状态信息表征卡顿次数过多，或者卡顿时长过长，则确定退出率为待优化的用户体验指标，历史行为信息表征观看时长过低，待优化的用户体验指标就可以是时长。
101.示例性的，若待优化的用户体验指标为时长，则可以根据播放状态信息以及属性信息输出能够优化时长的推荐结果信息，比如，待优化的用户体验指标为时长时，表明用户观看媒体内容的时长较短，那么推荐结果信息则可以用于让用户提高观看媒体内容的时长。可选的，推荐结果信息可以是待推荐的媒体内容的目标属性信息，通过该目标属性信息对应的待推荐的媒体内容在电子设备当前播放状态下进行预加载并播放时，可以对用户的观看时长进行优化。
102.303、根据推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载。
103.在一些实施方式中，服务器中可以预先存储有待推荐媒体内容列表，待推荐媒体内容列表包括多个待推荐媒体内容以及每个待推荐媒体内容的属性信息。承上述示例，若推荐结果信息可以是待推荐的媒体内容的目标属性信息，服务器则可以将待推荐媒体内容列表中与目标属性信息匹配的媒体内容确定为目标媒体内容，并将目标媒体内容发送到客户端，以指示客户端对该目标媒体内容进行预加载。
104.在本实施例中，通过在用户通过电子设备观看媒体内容的过程中，获取所述用户的历史观看信息、所述电子设备的播放状态信息以及待推荐的媒体内容的属性信息，并将所述用户的历史观看信息、所述播放状态信息以及所述属性信息输入推荐模型中，获取所述推荐模型输出的推荐结果信息，其中，推荐模型能够基于所述用户的历史观看信息确定待优化的用户体验指标，并根据所述播放状态信息以及所述属性信息输出能够优化所述用户体验指标的推荐结果信息，由于用户的历史观看信息可以反映用户的观看体验质量，因此通过推荐模型可以准确确定待优化的用户体验指标，而所述播放状态信息以及所述属性信息又对用户的体验质量有一定影响，在确定用户体验指标后，推荐模型可以针对待优化指标，根据播放状态信息以及所述属性信息输出可以有效提高待优化指标的推荐结果信息，再根据所述推荐结果信息从所述待推荐的媒体内容中确定目标媒体内容进行预加载，从而有效提高用户体验质量。
105.请参考图5，其示出了本公开另一个实施例提供的媒体内容预加载方法，该媒体内容加载方法可以应用于如图1所示的服务器或电子设备，该媒体内容加载方法可以包括以下步骤：
106.401、获取用户的历史观看信息、电子设备的播放状态信息以及待推荐的媒体内容的属性信息。
107.其中，步骤401的具体实施方式可以参考步骤301，故不在此赘述。
108.在一些实施方式中，推荐模型包括上层模型和多个下层模型，其中，多个下层模型与多个用户体验指标一一对应，每一下层模型预先学习到了媒体内容样本的播放状态信息以及属性信息对下层模型对应的用户体验指标的影响关系。
109.示例性的，推荐模型的网络结构可以如图6所示，其中，推荐模型的网络结构由两层网络组成，具体可以包括：一个上层模型神经网络和k个下层模型神经网络。
110.其中，上层模型用于根据用户历史观看信息，选择最合适的下层模型。
111.下层网络中的不同网络是不同的预加载策略，每个预加载策略根据当前的状态(正在播放的和未播放的媒体内容的缓冲区大小、时长、码率、是否完全下载，当前媒体内容已经发生的卡顿数和时间，当前媒体内容的首帧时间)选择要下载的媒体内容。下载的大小可以设定为固定值，也可以作为网络的输出。
112.示例性的，例如多个下层模型中可以包括：与用户体验指标为退出率的用户体验指标对应的下层模型、与用户体验指标为观看时长的用户体验指标对应的下层模型、与用户体验指标为观看时长的用户体验指标对应的下层模型、与用户体验指标为切换时长较短的用户体验指标对应的下层模型(如快滑模型)、与用户体验指标为切换时长较长的用户体验指标对应的下层模型(如慢滑模型)，其中切换时长是指用户从一个视频切换到下一个视频之间的时长。
113.402、将历史观看信息输入上层模型，并根据上层模型的输出结果从多个下层模型中，确定目标下层模型。
114.承接上述示例，历史观看信息输入上层模型后，上层模型可以输出待优化的用户体验指标，根据待优化的用户体验指标可以从多个下层模型中确定与待优化用户体验指标对应的目标下层模型。
115.403、将播放状态信息以及属性信息输入目标下层模型，得到目标下层模型输出的推荐结果信息。
116.在一些实施方式中，服务器可以将播放状态信息以及待推荐媒体内容的属性信息输入目标下层模型，目标下层模型可以针对待优化的用户体验指标，结合播放状态信息以及待推荐媒体内容的属性信息，输出推荐结果信息。该推荐结果信息可以包括目标媒体内容的码率、大小、名称、分辨率、时长等等。
117.404、根据推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载。
118.在一些实施方式中，上层模型的输出结果包括对应目标下层模型的激活次数，其中，该目标激活次数是训练过程中确定的用于将待优化的用户体验指标提升到预期指标值的次数，该媒体内容的预加载方法还包括：
119.405、在根据推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载后，针对目标下层模型，重复执行以下操作，直到执行次数达到激活次数。
120.406、重新获取电子设备的播放状态信息以及待推荐的媒体内容的属性信息。
121.407、将新的播放状态信息和新的属性信息输入至目标下层模型，得到新的推荐结果信息。
122.408、根据新的推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载。
123.可选的，在每次重新执行步骤406至步骤408之前，还包括检测用户的用户行为是否满足预设条件，例如执行步骤406至步骤408的过程中，没有检测侧到用户退出客户端，则可以确定用户行为满足预设条件，进而可以重新执行下一次步骤406至步骤408的过程。
124.在本实施方式中，通过在根据推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载后，针对目标下层模型，重复执行步骤406至步骤408，直到执行次数达到激活次数，由于目标激活次数是训练过程中确定的能够将待优化的用户体验指标提升到预期指标值的次数，因此可以保证多次重复执行后得到用户体验指标能够有效提升到预期指标值，当用户体验指标能够有效提升到预期指标值时，表明用户具有较高的体验质量。
125.在一些实施方式中，该媒体内容预加载方法还包括：
126.在执行次数达到激活次数的时，再次获取用户的历史观看信息，并根据新的历史观看信息返回执行将历史观看信息输入至上层模型中的步骤，即返回到步骤402，并重新执行步骤402至步骤408。
127.示例性的，当激活次数为s次时，若已经重复s次执行步骤402至步骤408后，即通过当前确定的目标下层模型确定了s个目标媒体内容进行预加载时，可以通过上层模型重新确定待优化的用户体验指标，进而重新选择新的目标下层模型，以保证待优化的用户体验指标能够实时更新，持续地确保用户具有较高的用户体验质量。
128.在一些实施方式中，目标下层模型为多个，步骤403的具体实施方式可以包括：将
播放状态信息以及属性信息输入每一目标下层模型，得到每一目标下层模型输出的推荐结果信息。
129.相应的，步骤404的具体实施方式可以包括：从待推荐的媒体内容中，确定每一推荐结果信息均推荐的目标媒体内容进行加载。
130.示例性的，若目标下层模型包括时长对应的下层模型(以下可称第一下层模型)和退出率对应的下层模型(以下可称第二下层模型)，那么服务器可以将播放状态信息以及待推荐的媒体内容的属性信息分别输入到第一下层模型和第二下层模型中，得到第一下层模型输出的第一推荐结果信息和第二下层模型输出的第二推荐结果信息，并根据第一推荐结果信息确定第一目标媒体内容，根据第二推荐结果信息确定第二目标媒体内容，最后对第一目标媒体内容和第二目标媒体内容进行预加载。可选的，还可以获取预设的第一下层模型和第二下层模型的优先级，并根据优先级确定是先加载第一目标媒体内容还是第二目标媒体内容。
131.下面结合步骤401至步骤408从整体上对该媒体内容预加载方法进行说明，示例性的，如图7所示，在实际应用中，该媒体内容预加载方法的执行流程可以如下：
132.第1步，用户打开客户端。
133.第2步，加载预先训练好的推荐模型。
134.第3步，获取上层模型输入。
135.示例性的，上层模型输入可以包括历史观看媒体内容属性(媒体内容时长，用户观看时长，媒体内容码率)；当前播放的媒体内容对应缓冲区中的剩余媒体内容的时长；未播放的媒体内容对应缓冲区中的剩余媒体内容的时长。
136.第4步，获取上层模型激活下层模型并选择激活的步数(目标激活次数)。
137.第5步，获取下层模型输入。
138.示例性的，下层模型输入可以包括推荐媒体内容列表中媒体内容的属性(媒体内容时长，媒体内容码率)；当前播放的媒体内容对应缓冲区中的剩余媒体内容的时长；未播放的媒体内容对应缓冲区中的剩余媒体内容的时长；正在播放和未播放的媒体内容是否完全下载；当前媒体内容播放过程中发生的卡顿次数和时长；当前媒体内容的首帧时间等。
139.第6步，下层模型选择要下载的媒体内容。
140.第7步，下载媒体内容。
141.第8步，判断用户是否退出客户端。
142.第9步，若用户退出客户端，则关闭客户端。
143.第10步，若用户没有退出客户端，则判断当前激活步数是否达到设定值，即是否达到目标激活次数。
144.第11步，若当前激活步数达到设定值，则返回第3步，重新执行获取上层模型输入。
145.第12步，若当前激活步数没有达到设定值，则返回第5步，重新获取下层模型输入。
146.可选的，推荐模型也可以配置在客户端，客户端推荐模型推理(在线决策)从用户打开客户端后开始运行。客户端加载模型参数，获取上层模型需要的输入，上层模型根据输入选择要激活的下层模型并且选择要激活的步数。然后客户端获取下层模型需要的输入，被激活的下层模型根据输入选择要下载的媒体内容，交给客户端下载数据模块进行下载，下载的大小可以设定为固定值，也可以作为下层模型的输出。当客户端下载模块中断时(由
用户切换视频、用户关闭客户端、下载结束等原因引起)，若用户关闭客户端，则决策停止运行；若下层模型的激活步数达到设定值，需要重新获取上层的输入并由上层模型重新决策；若激活步数没有达到设定值，则下层模型继续决策。
147.以下是本技术提供的媒体内容预加载方法在在抖音用户观看数据集和带宽数据集上进行了实验，采用3000条用户观看记录，每个用户观看记录包括用户打开客户端到关闭客户端的所有观看媒体内容的观看时长、媒体内容时长、媒体内容码率和每个媒体内容的下载网络速度。
148.其中，对比的预加载方法可以包括如下两种：
149.1)固定预加载，先下载用户正在观看的媒体内容，完全下载之后，对列表中的其他媒体内容都下载800kb。
150.2)基于强化学习的预加载。
151.具体的实验结果如表1所示：
152.表1
[0153][0154]
可见，与固定的预加载方案相比，本方案的卡顿比例减少了37％，平均卡顿次数减少38％，首帧减少了70％，用户体验质量提升了4.7％。与强化学习预加载相比，本方案的卡顿比例减少了19％，平均卡顿次数减少34％，首帧减少了55％，用户体验质量提升了4.4％。
[0155]
在本实施例中，通过将历史观看信息输入上层模型，并根据上层模型的输出结果从多个下层模型中，确定目标下层模型，并将播放状态信息以及属性信息输入目标下层模型，得到目标下层模型输出的推荐结果信息，从而将推荐模型进行分层训练，可以根据实际的播放状态和用户观看信息来选择合适的下层模型，提高了模型的使用灵活性，避免了如仅使用快滑模型、仅使用慢滑模型、或二者混合训练导致模型输出的目标推荐内容让用户体验较差的情况，从而有效提升了用户的体验质量。
[0156]
下面参考图8，其示出了本公开一个实施例提供的媒体内容预加载装置，该媒体内容预加载装置500包括：
[0157]
信息获取模块510，用于获取用户的历史观看信息、电子设备的播放状态信息以及待推荐的媒体内容的属性信息。
[0158]
推荐结果信息获取模块520，用于将用户的历史观看信息、播放状态信息以及属性信息输入推荐模型中，获取推荐模型输出的推荐结果信息，推荐模型基于用户的历史观看信息确定待优化的用户体验指标，并根据播放状态信息以及属性信息输出用于优化用户体验指标的推荐结果信息。
[0159]
预加载模块530，用于根据推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载。
[0160]
在一些实施方式中，推荐模型包括上层模型和多个下层模型，其中，多个下层模型
与多个用户体验指标一一对应，每一下层模型预先学习到了媒体内容样本的播放状态信息以及属性信息对下层模型对应的用户体验指标的影响关系。
[0161]
推荐结果信息获取模块520，包括：
[0162]
上层模型激活子模块，用于将历史观看信息输入上层模型，并根据上层模型的输出结果从多个下层模型中，确定目标下层模型。
[0163]
下层模型激活子模块，用于将播放状态信息以及属性信息输入目标下层模型，得到目标下层模型输出的推荐结果信息。
[0164]
在一些实施方式中，上层模型的输出结果包括对应目标下层模型的激活次数，该媒体内容预加载装置500还包括：
[0165]
重复执行模块，用于在根据推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载后，针对目标下层模型，重复执行以下操作，直到执行次数达到激活次数：
[0166]
重新获取电子设备的播放状态信息以及待推荐的媒体内容的属性信息。
[0167]
将新的播放状态信息和新的属性信息输入至目标下层模型，得到新的推荐结果信息。
[0168]
根据新的推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载。
[0169]
在一些实施方式中，该媒体内容预加载装置500还包括：
[0170]
下层模型更新模型，用于在执行次数达到激活次数的时，再次获取用户的历史观看信息，并根据新的历史观看信息返回执行将历史观看信息输入至上层模型中的步骤。
[0171]
在一些实施方式中，目标下层模型为多个，推荐结果信息获取模块520，还用于：将播放状态信息以及属性信息输入每一目标下层模型，得到每一目标下层模型输出的推荐结果信息。
[0172]
相应的，预加载模块530，还用于从待推荐的媒体内容中，确定每一推荐结果信息均推荐的目标媒体内容进行加载。
[0173]
在一些实施方式中，历史观看信息包括用户观看的历史媒体内容的播放状态信息和/或用户观看历史媒体内容的历史行为信息，待优化的用户体验指标是基于历史媒体内容的播放状态信息和/或历史行为信息确定的。
[0174]
在一些实施方式中，历史行为信息包括用户的观看时长、观看的媒体内容的时长、在观看的媒体内容出现卡顿时的退出操作、在等待媒体内容的首帧时间中的退出操作中的至少一种。
[0175]
在一些实施方式中，待推荐媒体内容的属性信息包括媒体内容的时长、媒体内容的码率中的至少一种。
[0176]
在一些实施方式中，播放状态信息包括：当前播放的媒体内容对应缓冲区中的剩余媒体内容的时长、未播放的媒体内容对应缓冲区中的剩余媒体内容的时长、当前播放的媒体内容在播放过程中发生的卡顿次数和时长、当前播放的媒体内容的首帧时间、当前播放的媒体内容的下载信息和未播放的媒体内容的下载信息中的至少一种。
[0177]
下面参考图9，其示出了本公开一个实施例提供的一种模型构建装置，该模型构建装置600包括：
[0178]
样本获取模块610，用于获取用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本。
[0179]
用户体验指标确定模块620，用于根据播放状态信息样本确定用户的用户体验指标。
[0180]
训练模块630，用于将用户体验指标作为历史观看信息样本、播放状态信息样本以及属性信息样本的标签信息，训练推荐模型，使得推荐模型基于历史观看信息样本确定待优化的用户体验指标，并根据播放状态信息样本以及属性信息样本输出用于优化用户体验指标的推荐结果信息，推荐结果信息用于从待推荐的媒体内容中确定进行预加载的目标媒体内容。
[0181]
在一些实施方式中，样本获取模块610，包括：
[0182]
模拟环境初始化子模块，用于基于预设的网络带宽数据以及用户的真实观看行为信息初始化模拟环境。
[0183]
样本获取子模块，用于在模拟环境中模拟用户通过电子设备观看媒体内容的过程，并采集得到该过程中产生的用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本。
[0184]
在一些实施方式中，推荐模型包括上层模型和多个下层模型，上层模型用于学习基于历史观看信息样本确定待优化的用户体验指标，一个下层模型用于学习播放状态信息样本以及属性信息样本对一个用户体验指标的影响关系。
[0185]
在一些实施方式中，推荐模型的网络参数包括上层模型针对每一下层模型设置的激活次数，激活次数用于表征推荐模型每次采用下层模型进行媒体内容推荐的重复次数，该模型构建装置600还包括：
[0186]
用户体验指标更新模块，用于在每次训练后，重新获取新的播放状态信息样本，并根据新的播放状态信息样本确定新的用户体验指标。
[0187]
网络参数更新模块，用于根据用户体验指标以及新的用户体验指标的变化情况，更新推荐模型的网络参数。
[0188]
下面参考图10，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0189]
如图10所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0190]
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以
替代地实施或具备更多或更少的装置。
[0191]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
[0192]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0193]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0194]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0195]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取用户的历史观看信息、电子设备的播放状态信息以及待推荐的媒体内容的属性信息；将用户的历史观看信息、播放状态信息以及属性信息输入推荐模型中，获取推荐模型输出的推荐结果信息，推荐模型基于用户的历史观看信息确定待优化的用户体验指标，并根据播放状态信息以及属性信息输出用于优化用户体验指标的推荐结果信息；根据推荐结果信息从待推荐的媒体内容中确定目标媒体内容进行预加载。
[0196]
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取用户的历史观看信息样本、电子设备的播放状态信息样本以及待推荐的媒体内容的属性信息样本；根据播放状态信息样本确定用户的用户体验指标；将用户体验指标作为历史观看信息样本、播放状态信息样本以及属性信息样
本的标签信息，训练推荐模型，使得推荐模型基于历史观看信息样本确定待优化的用户体验指标，并根据播放状态信息样本以及属性信息样本输出用于优化用户体验指标的推荐结果信息，推荐结果信息用于从待推荐的媒体内容中确定进行预加载的目标媒体内容。
[0197]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0198]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0199]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0200]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0201]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0202]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利
的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0203]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。