一种推荐方法、装置、存储介质及电子设备与流程

1.本发明实施例涉及深度学习技术领域，尤其涉及一种推荐方法、装置、存储介质及电子设备。


背景技术：

2.在信息推荐场景下，为了更好地提高信息推荐平台收益、信息投放方收益以及用户体验，存在向用户进行精准推荐的需求。
3.但是在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：目前的推荐方案中，推荐精准度、灵活度差，无法根据用户差异性进行个性化推荐。


技术实现要素：

4.本发明实施例提供一种推荐方法、装置、存储介质及电子设备，以实现高精度推荐。
5.第一方面，本发明实施例提供了一种推荐方法，包括：
6.获取用户行为数据和推荐对象数据，基于所述用户行为数据和推荐对象数据提取特征信息；
7.将所述特征信息输入至多目标推荐模型，得到推荐对象的多目标推荐概率；
8.基于所述特征信息确定多目标权重，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率；
9.基于各推荐对象的目标推荐概率进行推荐。
10.可选的，所述基于所述特征信息确定多目标权重，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率，包括：
11.将所述特征信息和所述多目标推荐概率输入至融合模型，得到所述融合模型输出的目标推荐概率。
12.可选的，所述融合模型包括权重确定模块和融合模块，其中；
13.所述权重确定模块用于基于所述特征信息生成多目标权重；
14.所述融合模块用于基于所述多目标权重对所述多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率。
15.可选的，所述融合模型的训练方法包括：
16.获取样本数据，提取所述样本数据的特征信息；
17.基于待训练的融合模型对所述特征信息进行处理，并基于多目标推荐模型输出的多目标推荐概率得到预测概率；
18.基于所述预测概率、所述样本数据对应的多个目标标签以及预设的损失融合超参数生成损失函数，基于所述损失函数对所述待训练的融合模型进行训练。
19.可选的，所述基于所述特征信息确定多目标权重，包括：
20.将所述特征信息输入至权重识别模型中，得到所述权重识别模型输出的多目标权
重。
21.可选的，所述基于各推荐对象的目标推荐概率进行推荐，包括：
22.将所述目标推荐概率满足预设值的推荐对象确定为进行推荐的推荐对象，并将筛选的推荐对象基于所述目标推荐概率进行排序，确定推荐顺序，并基于所述推荐顺序进行推荐；或者，
23.基于所述目标推荐概率对多个推荐对象进行排序，将预设排序范围的推荐对象基于排序顺序进行推荐。
24.可选的，所述多目标推荐模型包括：多个目标网络、多个门控网络、多个专家网络以及多个融合模块，其中，
25.每个专家网络用于从一个维度对输入的特征信息进行特征提取，每个门控网络用于输出一种目标任务在多个不同维度下的权重，每个融合模块用于根据一个目标任务在多个不同维度下的权重，对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合，每个目标网络用于预测在一种目标任务下的推荐概率。
26.可选的，所述多目标推荐概率包括点击率和转化率。
27.第二方面，本发明实施例还提供了一种推荐装置，包括：
28.特征信息提取模块，用于获取用户行为数据和推荐对象数据，基于所述用户行为数据和推荐对象数据提取特征信息；
29.多目标推荐概率确定模块，用于将所述特征信息输入至多目标推荐模型，得到推荐对象的多目标推荐概率；
30.目标推荐概率确定模块，用于基于所述特征信息确定多目标权重，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率；
31.推荐模块，用于基于各推荐对象的目标推荐概率进行推荐。
32.第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例提供的推荐方法。
33.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例提供的推荐方法。
34.本实施例的技术方案，通过从获取的用户行为数据和推荐对象数据中提取特征信息，基于该特征信息确定多目标推荐概率以及多目标推荐概率，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，得到推荐对象的目标推荐概率。其中，多目标推荐概率从多维度、多目标的角度上进行全面的推荐概率预测，提高了概率预测的全面性和针对性，同时，基于用户行为数据和推荐对象数据得出的特征信息中，识别当前场景和用户意图，针对性地确定各目标任务的权重，基于多目标权重对多目标推荐概率进一步进行融合处理，得到符合用户特异性需求的目标推荐概率，基于该目标推荐概率对推荐对象进行推荐，提高了推荐对象的推荐精确度。
附图说明
35.图1为本发明实施例一提供的一种推荐方法的流程示意图；
36.图2是本发明实施例提供的一种多目标推荐模型的结构示意图；
37.图3是本发明实施例提供的目标推荐概率的确定流程图；
38.图4是本发明实施例提供的一种推荐概率的处理过程示意图；
39.图5为本发明实施例二提供的一种推荐装置的结构示意图；
40.图6为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
41.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
42.实施例一
43.图1为本发明实施例一提供的一种推荐方法的流程示意图，本实施例可适用于向用户进行物品推荐的情况，该方法可以由本发明实施例提供的推荐装置来执行，该推荐装置可以由软件和/或硬件来实现，该推荐装置可以配置在诸如手机、平板电脑等的终端、以及诸如计算机或者服务器等的电子计算设备上。
44.该方法具体包括如下步骤：
45.s110、获取用户行为数据和推荐对象数据，基于所述用户行为数据和推荐对象数据提取特征信息。
46.s120、将所述特征信息输入至多目标推荐模型，得到推荐对象的多目标推荐概率。
47.s130、基于所述特征信息确定多目标权重，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率。
48.s140、基于各推荐对象的目标推荐概率进行推荐。
49.本实施例中，接收推荐请求，响应该推荐请求，执行本实施例的推荐方法，向用户进行物体推荐。其中，推荐请求可以是检测到推荐应用开启或者登陆时生成，还可以是检测到在推荐应用中的刷新操作时生成，还可以是检测到推荐控件或者推荐案件被点击时生成，还可以是接收到语音方式输入的推荐指令时生成。对推荐请求的生成方式，不进行限定，可接收任意形式生成的推荐请求。
50.响应于推荐请求，获取用户行为数据和推荐对象数据，其中，该用户行为数据可以是登陆用户的行为数据或者当前操作用户的行为数据。可选的，基于用户标识确定用户的行为数据。可选的，获取当前操作用户的生物特征，通过生物特征识别当前操作用户，需要说明的是，上述用户标识和生物特征可以是由用户授权获取的。通过上述生物特征中的一项或多项，在预先设置的识别库中进行匹配，确定对应的用户。相应的，不同的用户分别对应不同的行为数据。在历史操作过程中，将行为数据与用户标识进行关联存储，可根据识别到用户的用户标识提取对应的行为数据。
51.可选的，用户行为数据包括但不限于第一预设时间范围内用户浏览数据、用户点击数据、用户交易数据、用户评价数据、用户转发数据、用户收藏数据、用户分享数据等。其中，第一预设时间范围可以是当前时刻之前的一周、15天或者一个月等，对此不作限定。
52.推荐对象可以是进行推荐的任意类型的物体，对此不做限定。推荐对象数据包括但不限于物体类型、物体属性、物体在第二预设时间范围内的浏览数据、点击数据、交易数
据、评价数据、转发数据、收藏数据、分享数据等，其中，第二预设时间范围可以是当前时刻之前的一周、15天或者一个月等，对此不作限定。需要说明的是，上述用户行为数据和推荐对象数据可以是由用户授权获取的。
53.对上述用户行为数据和推荐对象数据进行特征提取，示例性的，可以是基于预设的特征提取模型进行特征提取。其中，特征提取模型可以是机器学习模型，例如神经网络模型、深度神经网络模型等。可选的，将上述用户行为数据和推荐对象数据分别输入至特征提取模型，得到特征提取模型输出的用户特征信息和推荐对象特征信息。可选的，将上述用户行为数据和推荐对象数据同步输入至特征提取模型，得到特征提取模型输出综合特征信息。
54.在一些实施例中，将上述得到的特征信息作为多目标推荐模型的输入信息，其中，该特征信息为特征向量。
55.在一些实施例中，多目标推荐模型的输入信息包括：用户兴趣向量、推荐对象向量和稠密特征向量，其中，用户兴趣向量为基于用户行为数据和推荐对象数据进行特征提取得到的特征向量，推荐对象向量为基于推荐对象数据进行特征提取得到的特征向量，稠密特征向量包括用户画像、推荐对象画像和用户与推荐对象的交互行为特征。
56.将上述任一实施例确定的输入信息输入至多目标推荐模型，得到该多目标推荐模型输出的多目标推荐概率。多目标推荐模型可根据多个推荐的目标任务分别进行针对性的处理，得地各目标任务的推荐概率，相对于单一目标的推荐模型，提高了推荐的全面性和针对性。本实施例中，多目标推荐模型可以是但不限于mmoe(multi
‑
gate mixture
‑
of
‑
experts)模型、esmm(entire space multi
‑
task model，全量空间多任务模型)，对此不作限定。
57.可选的，多目标推荐模型包括：多个目标网络、多个门控网络、多个专家网络以及多个融合模块，其中，每个专家网络用于从一个维度对输入的特征信息进行特征提取，每个门控网络用于输出一种目标任务在多个不同维度下的权重，每个融合模块用于根据一个目标任务在多个不同维度下的权重，对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合，每个目标网络用于预测在一种目标任务下的推荐概率。
58.示例性的，参见图2，图2是本发明实施例提供的一种多目标推荐模型的结构示意图。图2中包括四个专家网络、两个门控网络、两个融合模块和两个目标网络，两个目标网络分别对应点击任务和转化任务。其中，输入信息同步输入至各个专家网络和各个门控网络，其中，各个专家网络分别对上述输入信息进行不同维度的特征提取，分别输出提取的特征向量，门控网络a用于生成点击任务对应的目标网络的融合权重，门控网络b用于生成转化任务对应的目标网络的融合权重。第一融合网络基于门控网络a生成的融合权重对各专家网络的特征向量进行融合处理，并将融合后的特征向量输入至点击任务对应的目标网络，第二融合网络基于门控网络b生成的融合权重对各专家网络的特征向量进行融合处理，并将融合后的特征向量输入至转化任务对应的目标网络，两个目标网络分别输入推荐概率，形成多目标推荐概率，该多目标推荐概率以概率向量的形式输出。
59.图2中，多目标推荐概率包括点击率和转化率。需要说明的是，图2仅为一种示例，在其他实施例中，该多目标推荐模型中的专家网络数量、目标网络和门控网络的数量可根据需求进行设置，对此不作限定。相应的，可根据推荐需求增加对应的目标任务，多目标推
荐概率对应包括该多目标推荐概率的推荐概率。
60.通过多目标推荐模型得到多个目标任务的推荐概率，针对多个目标任务之间的冲突，以及不同用户意图不同，上述多目标推荐模型输出的多目标推荐概率无法满足不同用户的差异性推荐需求。
61.本实施例中，基于所述用户行为数据和推荐对象数据提取的特征信息确定多目标权重，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率。其中，多目标权重包括多个目标任务分别对应的权重，基于各目标任务的权重以及各目标任务的推荐概率，进行加权处理，得到目标推荐概率。可选的，多目标权重可以是通过权重向量的形式输出，相应的，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，可以是将多目标权重与多目标推荐概率进行向量乘积，得到目标推荐概率。
62.本实施例中，可以是基于输入的特征信息，识别当前场景和用户意图，输出符合当前场景和用户意图的多目标权重，即该多目标权重为用户个性化的权重，不同用户的多目标权重不同。通过上述符合当前场景和用户意图的多目标权重对多目标推荐概率进行融合，得到符合该用户特性的目标推荐概率，基于该目标推荐概率对多个推荐对象进行推荐，实现了针对用户需求的差异性推荐。
63.在一些可选的实施例中，基于所述特征信息确定多目标权重，包括：将所述特征信息输入至权重识别模型中，得到所述权重识别模型输出的多目标权重。其中，权重识别模型可以是预先设置的网络模型，示例性的，可以包括多个全连接层，用于对输入的特征信息进行处理，识别当前场景和用户意图，并输出各目标任务的权重。
64.其中，基于目标推荐概率对多个推荐对象进行推荐，可以是基于目标推荐概率筛选进行推荐的推荐对象，示例性的，可以是将推荐概率满足预设值的推荐对象确定为进行推荐的推荐对象，并将筛选的推荐对象基于目标推荐概率进行排序，确定推荐顺序。示例性的，还可以是基于目标推荐概率对多个推荐对象进行排序，例如按目标推荐概率从大到小的排序方式进行排序，将预设排序范围的推荐对象基于排序顺序进行推荐。其中，预设排序范围可以是排序前n位，该n可以是预设设置的，或者根据用户终端的显示需求确定的，例如可以是用户终端的首屏展示数量。
65.需要说明的是，将所述特征信息输入至多目标推荐模型，得到推荐对象的多目标推荐概率，以及基于所述特征信息确定多目标权重的两个步骤，可以是同步执行或任意顺序执行，对此不作限定。
66.本实施例的技术方案，通过从获取的用户行为数据和推荐对象数据中提取特征信息，基于该特征信息确定多目标推荐概率以及多目标融合权重，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，得到推荐对象的目标推荐概率。其中，多目标推荐概率从多维度、多目标的角度上进行全面的推荐概率预测，提高了概率预测的全面性和针对性，同时，基于用户行为数据和推荐对象数据得出的特征信息中，识别当前场景和用户意图，针对性地确定各目标任务的权重，基于多目标权重对多目标推荐概率进一步进行融合处理，得到符合用户特异性需求的目标推荐概率，基于该目标推荐概率对推荐对象进行推荐，提高了推荐对象的推荐精确度，实现了个性化的推荐。
67.在上述实施例的基础上，基于所述特征信息确定多目标权重，基于所述多目标权
重对所述推荐对象的多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率，包括：将所述特征信息和所述多目标推荐概率输入至融合模型，得到所述融合模型输出的目标推荐概率。
68.通过融合模型对特征信息和多目标推荐概率进行融合处理，直接输出目标推荐概率，该融合模型可以是端到端的机器学习模型，对特征信息和多目标推荐概率进行高效率、高精度的融合处理。
69.在一些实施例中，融合模型包括权重确定模块和融合模块，其中；所述权重确定模块用于基于所述特征信息生成多目标权重；所述融合模块用于基于所述多目标权重对所述多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率。
70.在一些实施例中，权重确定模块可以是门控网络，可以是由三层全联接网络组成。示例性的，网络参数设置为256
×
128
×
n_task，其中n_task为目标任务数量，激活函数为relu函数，通过softmax函数得到融合权重向量。需要说明的是，该权重确定模块的具体结构不作限定，可根据需要进行设置。
71.示例性的，参见图3，图3是本发明实施例提供的目标推荐概率的确定流程图。图3是输入信息为基于用户行为数据和推荐对象数据确定的特征信息，该特征信息分别输入至融合模型和多目标推荐模型中，该融合模型中的权重确定模块基于该特征信息输出多目标权重，并输入至融合模块，该多目标推荐模型输出的多目标推荐概率输入至融合模型中的融合模块，该融合模块将多目标权重和多目标推荐概率进行融合处理，得到推荐对象的目标推荐概率。
72.在上述实施例的基础上，融合模型和多目标推荐模型可以是分别独立训练的。其中，对于多目标推荐模型的训练过程，获取样本数据，基于该样本数据迭代训练特征信息，基于待训练的多目标推荐模型对训练特征信息进行处理，得到多目标推荐概率，获取样本数据中各目标任务的标签，基于多目标推荐概率和各目标任务的标签生成损失函数，基于该损失函数对多目标推荐模型进行参数调节。迭代执行上述训练过程，直到满足训练条件。其中，损失函数可以是：
[0073][0074]
其中，l
mmoe
为损失函数，n为目标任务数量，y
i
为目标任务i的输出，为目标任务i的真实标签，α
i
为目标任务i的损失融合权重超参数，函数计算交叉熵损失。其中，α
i
可以是预先设置的。
[0075]
对于融合模型，融合模型的训练方法包括：获取样本数据，提取所述样本数据的特征信息；基于待训练的融合模型对所述特征信息进行处理，并基于多目标推荐模型输出的多目标推荐概率得到预测概率；基于所述预测概率、所述样本数据对应的多个目标标签以及预设的损失融合超参数生成损失函数，基于所述损失函数对所述待训练的融合模型进行训练。迭代执行上述训练过程，直到满足训练条件。
[0076]
本实施例中，融合模型和多目标推荐模型的训练过程交替执行，所需的样本数据相同，即将该样本数据对应的训练特征信息分别输入至待训练的融合模型和待训练的多目
标推荐模型中。待训练的多目标推荐模型输出多目标推荐概率，并基于该多目标推荐概率和所述样本数据对应的多个目标标签得到该多目标推荐模型的损失函数。同时融合模型接收多目标推荐模型输出的多目标推荐概率，输出预测概率，该预测概率y
final
＝y
·
w，其中，y为多目标推荐概率，w为融合模型中权重确定模块生成的多目标权重。基于该预测概率、所述样本数据对应的多个目标标签以及预设的损失融合超参数生成融合模型的损失函数，其中，该多目标推荐模型的损失函数对多目标推荐模型进行训练，融合模型的损失函数对融合模型进行训练，多目标推荐模型与融合模型的训练过程不存在相互影响。
[0077]
相应的，基于所述预测概率、所述样本数据对应的多个目标标签以及预设的损失融合超参数生成损失函数可以是通过如下公式得到：
[0078][0079]
其中，n为目标任务数量，y
final
为融合模型输出的预测概率，为目标任务i的真实标签，α
i
为目标任务i的损失融合权重超参数。
[0080]
上述融合模型和多目标推荐模型的训练条件相同，例如可以是相同的迭代次数，或者预测概率的预设精度。需要注意的是，融合模型和多目标推荐模型共享输入信息，但在反向传播过程中，融合模型只更新自身部分的参数，不影响特征信息的提取。这样做的目的是避免融合模型和多目标推荐模型因为学习目标不同对模型参数造成影响。融合模型和多目标推荐模型采用交替训练的方式更新参数，由于融合模型部分网络参数简单，本发明中可以是设置多目标推荐模型迭代训练10步，融合模型迭代训练1步。
[0081]
在上述实施例的基础上还提供了一个优选实例，示例性的，参见图4，图4是本发明实施例提供的一种推荐概率的处理过程示意图。该优选实例中，构建包含用户行为序列(即用户行为数据)、候选商品(即推荐对象)和稠密特征的数据集，定义模型学习的目标任务，目标任务可以是包括点击任务ctr和转化任务cvr。上述数据集中的数据流通过id向量化及兴趣提取模块(例如还可以是特征提取模型)进行处理，例如对推荐对象数据(例如诸如品类、品牌等的属性信息)进行one
‑
hot编码，然后通过端到端的训练进行低维嵌入，得到推荐对象向量x
i
。兴趣提取网络根据流入的推荐对象数据和用户行为序列，利用注意力机制对用户兴趣向量x
u
进行建模。将稠密特征x
dense
(包含用户画像、商品画像和用户与商品交互行为特征)与推荐对象向量x
i
、用户兴趣向量x
u
进行拼接，得到输入信息x。
[0082]
将输入向量x经过多目标推荐模型mmoe得到每个任务的输出，记为多目标输出向量，即多目标推荐概率的输出向量y。
[0083]
将输入向量x输入至融合模型中的门控网络gatex，该门控网络gatex从用户行为、候选商品和一些上下文特征中识别当前场景和用户意图，并输出一组融合权重向量ω，即多目标权项。
[0084]
将多目标推荐概率y与多目标权项ω进行点积，计算出最终输出y
final
，作为目标对象的推荐依据。
[0085]
实施例二
[0086]
图5为本发明实施例二提供的一种推荐装置的结构示意图，该装置包括：
[0087]
特征信息提取模块210，用于获取用户行为数据和推荐对象数据，基于所述用户行
为数据和推荐对象数据提取特征信息；
[0088]
多目标推荐概率确定模块220，用于将所述特征信息输入至多目标推荐模型，得到推荐对象的多目标推荐概率；
[0089]
目标推荐概率确定模块230，用于基于所述特征信息确定多目标权重，基于所述多目标权重对所述推荐对象的多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率；
[0090]
推荐模块240，用于基于各推荐对象的目标推荐概率进行推荐。
[0091]
在上述实施例的基础上，可选的，多目标推荐概率确定模块用于：
[0092]
将所述特征信息和所述多目标推荐概率输入至融合模型，得到所述融合模型输出的目标推荐概率。
[0093]
可选的，融合模型包括权重确定模块和融合模块，其中；
[0094]
所述权重确定模块用于基于所述特征信息生成多目标权重；
[0095]
所述融合模块用于基于所述多目标权重对所述多目标推荐概率进行融合处理，得到所述推荐对象的目标推荐概率。
[0096]
可选的，该装置还包括：融合模型训练模块用于：
[0097]
获取样本数据，提取所述样本数据的特征信息；
[0098]
基于待训练的融合模型对所述特征信息进行处理，并基于多目标推荐模型输出的多目标推荐概率得到预测概率；
[0099]
基于所述预测概率、所述样本数据对应的多个目标标签以及预设的损失融合超参数生成损失函数，基于所述损失函数对所述待训练的融合模型进行训练。
[0100]
在上述实施例的基础上，可选的，目标推荐概率确定模块用于：
[0101]
将所述特征信息输入至权重识别模型中，得到所述权重识别模型输出的多目标权重。
[0102]
在上述实施例的基础上，可选的，所述多目标推荐模型包括：
[0103]
多个目标网络、多个门控网络、多个专家网络以及多个融合模块，其中，
[0104]
每个专家网络用于从一个维度对输入的特征信息进行特征提取，每个门控网络用于输出一种目标任务在多个不同维度下的权重，每个融合模块用于根据一个目标任务在多个不同维度下的权重，对所述多个专家网络输出的在所述多个不同维度下提取的特征进行融合。
[0105]
在上述实施例的基础上，可选的，推荐模块240用于：
[0106]
将所述目标推荐概率满足预设值的推荐对象确定为进行推荐的推荐对象，并将筛选的推荐对象基于所述目标推荐概率进行排序，确定推荐顺序，并基于所述推荐顺序进行推荐；或者，
[0107]
基于所述目标推荐概率对多个推荐对象进行排序，将预设排序范围的推荐对象基于排序顺序进行推荐。
[0108]
本发明实施例所提供的推荐装置可执行本发明任意实施例所提供的推荐方法，具备执行推荐方法相应的功能模块和有益效果。
[0109]
实施例三
[0110]
图6为本发明实施例三提供的一种电子设备的结构示意图。图6示出了适于用来实
现本发明实施方式的电子设备12的框图。图6显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担图像分类功能的电子设备。
[0111]
如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器16，存储装置28，连接不同系统组件(包括存储装置28和处理器16)的总线18。
[0112]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industry standard architecture，isa)总线，微通道体系结构(micro channel architecture，mca)总线，增强型isa总线、视频电子标准协会(video electronics standards association，vesa)局域总线以及外围组件互连(peripheral component interconnect，pci)总线。
[0113]
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0114]
存储装置28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(random access memory，ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(compact disc
‑
read only memory，cd
‑
rom)、数字视盘(digital video disc
‑
read only memory，dvd
‑
rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0115]
具有一组(至少一个)程序模块26的程序36，可以存储在例如存储装置28中，这样的程序模块26包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网关环境的实现。程序模块26通常执行本发明所描述的实施例中的功能和/或方法。
[0116]
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、摄像头、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网关适配器20与一个或者多个网关(例如局域网(local area network，lan)，广域网wide area network，wan)和/或公共网关，例如因特网)通信。如图所示，网关适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(redundant arrays of independent disks，raid)系统、磁带驱动器以及数据备份存储系统等。
[0117]
处理器16通过运行存储在存储装置28中的程序，从而执行各种功能应用以及数据
处理，例如实现本发明上述实施例所提供的推荐方法。
[0118]
实施例四
[0119]
本发明实施例四提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的推荐方法。
[0120]
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的推荐方法。
[0121]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
[0122]
计算机可读的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源代码。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。计算机可读的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。
[0123]
计算机可读介质上包含的源代码可以用任何适当的介质传输，包括——但不限于否线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0124]
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发明操作的计算机源代码，所述程序设计语言包括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。源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关——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)。
[0125]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。