候选商品排序方法、展示方法、装置以及电子设备与流程

1.本技术涉及计算机技术领域，具体涉及候选商品排序方法、候选商品展示方法、装置、电子设备以及计算机存储介质。


背景技术：

2.随着科技的快速发展，生活物质水平不断提高，与此同时，线上购物的方式越来越受欢迎。当用户采用线上购物方式进行购物时，在用户端应用的页面上会向用户推荐多个商品。一般而言，在向用户推荐多个商品时，是按照商品与用户之间的相关度对多个商品进行排序。
3.具体地，在用户端应用的页面上向用户推荐商品时，可以按照商品与用户之间的相关度确定多个商品的排序，在确定多个商品的排序之后，可以按照排序将多个商品中的全部商品采用商品楼层的方式进行展示，或者，也可以按照排序将多个商品中的部分商品采用商品楼层的方式进行展示。商品楼层的方式可以是将多个商品一层一层地进行展示，当然，一般而言，可以将排序靠前的商品排在较上的商品楼层，以向用户优先展示。因此，在向用户推荐商品时，如何确定多个商品的排序成为当前亟需解决的技术问题。


技术实现要素：

4.本技术实施例提供一种候选商品排序方法，用以在向用户推荐商品时，确定与用户匹配的多个商品的排序。本技术实施例还提供候选商品展示方法、候选商品排序装置、候选商品展示装置、电子设备以及计算机存储介质。
5.本技术实施例提供一种候选商品排序方法，包括：针对目标用户召回多个候选商品；获得目标用户针对商品的历史有效操作数据，所述历史有效操作数据包括所述目标用户针对商品进行有效操作时的历史时间信息与历史空间信息；根据所述历史有效操作数据以及所述目标用户针对所述多个候选商品中的任意一个目标候选商品的注意力权重，获得所述目标用户针对所述目标候选商品的行为数据；根据所述目标用户针对所述目标候选商品的行为数据和所述目标候选商品的特征信息，获得所述多个候选商品的排序信息。
6.可选的，所述获得目标用户针对商品的历史有效操作数据，包括：获得预设时间之内的、预设次数的目标用户针对商品的历史有效操作数据。
7.可选的，还包括：根据所述历史有效操作数据和所述目标候选商品的特征信息，获得所述目标候选商品的注意力权重。
8.可选的，所述根据所述历史有效操作数据和所述目标候选商品的特征信息，获得所述目标候选商品的注意力权重，包括：获得用于对预设次数的历史有效操作数据中的每次历史有效操作数据进行向量表示的每个历史有效操作数据向量；获得用于对所述目标候选商品的特征信息进行向量表示的目标候选商品的特征信息向量；分别根据所述每个历史有效操作数据向量与所述目标候选商品的特征信息向量，获得所述目标候选商品针对每次历史有效操作数据的注意力权重。
9.可选的，所述历史有效操作数据还包括：所述目标用户进行有效操作针对的被操作商品的特征信息；所述获得用于对预设次数的历史有效操作数据中的每次历史有效操作数据进行向量表示的每个历史有效操作数据向量，包括：针对所述每次历史有效操作数据，获得用于对每次历史有效操作数据中的被操作商品的特征信息进行向量表示的被操作商品的特征信息向量；获得用于对每次历史有效操作数据中的历史时间信息进行向量表示的历史时间信息向量；获得用于对每次历史有效操作数据中的历史空间信息进行向量表示的历史空间信息向量；基于所述被操作商品的特征信息向量、所述历史时间信息向量与所述历史空间信息向量，获得用于对预设次数的历史有效操作数据中的每次历史有效操作数据进行向量表示的每个历史有效操作数据向量。
10.可选的，所述分别根据所述每个历史有效操作数据向量与所述目标候选商品的特征信息向量，获得所述目标候选商品针对每次历史有效操作数据的注意力权重，包括：分别对所述每个历史有效操作数据向量与所述目标候选商品的特征信息向量进行注意力运算，获得所述目标候选商品针对每次历史有效操作数据的注意力权重。
11.可选的，采用下述公式对所述每个历史有效操作数据向量与所述目标候选商品的特征信息向量进行注意力运算：其中，q为历史有效操作数据向量，k、v为目标候选商品的特征信息向量，dk为k向量的维度。
12.可选的，所述根据所述历史有效操作数据以及所述目标用户针对所述多个候选商品中的任意一个目标候选商品的注意力权重，获得所述目标用户针对所述目标候选商品的行为数据，包括：将所述每个历史有效操作数据向量与所述目标候选商品针对每次历史有效操作数据的注意力权重进行对应加权求和运算，获得用于对所述目标用户针对所述目标候选商品的行为数据进行向量表示的行为数据向量。可选的，所述根据所述目标用户针对所述目标候选商品的行为数据和所述目标候选商品的特征信息，获得所述多个候选商品的排序信息，包括：根据所述目标用户针对所述目标候选商品的行为数据和所述目标候选商品的特征信息，获得所述目标用户针对所述目标候选商品的注意力数据；根据所述目标用户针对所述多个候选商品中的每个候选商品的注意力数据，获得所述多个候选商品的排序信息。
13.可选的，所述根据所述目标用户针对所述目标候选商品的行为数据和所述目标候选商品的特征信息，获得所述目标用户针对所述目标候选商品的注意力数据，包括：将所述行为数据向量和所述目标候选商品的特征信息向量作为注意力数据获得模型的输入数据，获得所述目标用户针对所述目标候选商品的注意力数据，所述注意力数据获得模型是用于根据用户针对候选商品的行为数据向量和候选商品的特征信息向量获得用户针对候选商品的注意力数据的模型。
14.可选的，所述将所述行为数据向量和所述目标候选商品的特征信息向量作为注意力数据获得模型的输入数据，获得所述目标用户针对所述目标候选商品的注意力数据，包括：将所述行为数据向量与所述目标候选商品的特征信息向量进行拼接，获得拼接后的向量；将所述拼接后的向量作为注意力数据获得模型的输入数据，获得所述目标用户针对所
述目标候选商品的注意力数据。
15.可选的，所述注意力数据获得模型采用如下方式获得：获得用户针对商品的历史操作样本数据、用户针对候选商品的注意力权重样本、候选商品的特征信息样本以及用户针对候选商品的注意力样本数据；其中，所述历史操作样本数据、所述用户针对候选商品的注意力权重样本、所述候选商品的特征信息样本以及所述用户针对候选商品的注意力样本数据相互对应；基于所述历史操作样本数据、所述用户针对候选商品的注意力权重样本、所述候选商品的特征信息样本以及所述用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练，获得所述注意力数据获得模型。
16.可选的，所述基于所述历史操作样本数据、所述用户针对候选商品的注意力权重样本、所述候选商品的特征信息样本以及所述用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练，包括：根据所述历史操作样本数据与所述用户针对候选商品的注意力权重样本，获得用户针对候选商品的行为样本数据；基于所述用户针对候选商品的行为样本数据、所述候选商品的特征信息样本与所述用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练。
17.可选的，所述基于所述用户针对候选商品的行为样本数据、所述候选商品的特征信息样本与所述用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练，包括：获得用于对所述用户针对候选商品的行为样本数据进行向量表示的行为样本数据向量；获得用于对所述候选商品的特征信息样本进行向量表示的候选商品的特征信息样本向量；基于所述行为样本数据向量、所述候选商品的特征信息样本向量与所述用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练。
18.可选的，所述历史操作样本数据包括历史有效操作样本数据与历史无效操作样本数据；其中，在对所述深度卷积神经网络进行训练时，将所述历史有效操作样本数据作为训练数据的正样本，将所述历史无效操作样本数据作为训练数据的负样本。
19.可选的，还包括：获得用户端发出的用于请求获取页面信息的第一请求消息；针对所述第一请求消息，向所述用户端发送所述多个候选商品的排序信息。
20.本技术实施例还提供一种候选商品展示方法，包括：获得服务端发送的多个候选商品的排序信息；所述多个候选商品的排序信息是根据目标用户针对目标候选商品的行为数据和目标候选商品的特征信息获得的；所述目标用户针对目标候选商品的行为数据是根据目标用户针对商品的历史有效操作数据和目标用户针对所述多个候选商品中的任意一个目标候选商品的注意力权重获得的，所述历史有效操作数据包括所述目标用户针对商品进行有效操作时的历史时间信息与历史空间信息；基于所述多个候选商品的排序信息，展示用于向目标用户推荐的推荐候选商品。
21.可选的，所述目标候选商品为所述多个候选商品中的任意一个商品；所述目标候选商品的注意力权重是根据所述历史有效操作数据和所述目标候选商品的特征信息获得的。
22.可选的，还包括：向服务端发出用于请求获取页面信息的第一请求消息；所述获得服务端发送的多个候选商品的排序信息，包括：获得所述服务端针对所述第一请求消息发送的多个候选商品的排序信息。
23.可选的，所述基于所述多个候选商品的排序信息，展示用于向目标用户推荐的推
荐候选商品，包括：基于所述多个候选商品的排序信息，确定用于向目标用户推荐的推荐候选商品；将确定的用于向目标用户推荐的推荐候选商品在用户端的页面上进行展示。
24.可选的，还包括：获得所述目标用户通过用户端的页面发出的用于请求展示待推荐商品的第二请求消息；所述展示用于向目标用户推荐的推荐候选商品，包括：基于所述第二请求消息，在所述页面上展示向目标用户推荐的推荐候选商品。
25.对应地，本技术实施例提供一种候选商品排序装置，包括：召回单元，针对目标用户召回多个候选商品；历史有效操作数据获得单元，用于获得目标用户针对商品的历史有效操作数据，所述历史有效操作数据包括所述目标用户针对商品进行有效操作时的历史时间信息与历史空间信息；行为数据获得单元，用于根据所述历史有效操作数据以及所述目标用户针对所述多个候选商品中的任意一个目标候选商品的注意力权重，获得所述目标用户针对所述目标候选商品的行为数据；排序信息获得单元，用于根据所述目标用户针对所述目标候选商品的行为数据和所述目标候选商品的特征信息，获得所述多个候选商品的排序信息。
26.对应地，本技术实施例还提供一种候选商品展示装置，包括：排序信息获得单元，用于获得服务端发送的多个候选商品的排序信息；所述多个候选商品的排序信息是根据目标用户针对目标候选商品的行为数据和目标候选商品的特征信息获得的；所述目标用户针对目标候选商品的行为数据是根据目标用户针对商品的历史有效操作数据和目标用户针对所述多个候选商品中的任意一个目标候选商品的注意力权重获得的，所述历史有效操作数据包括所述目标用户针对商品进行有效操作时的历史时间信息与历史空间信息；展示单元，用于基于所述多个候选商品的排序信息，展示用于向目标用户推荐的推荐候选商品。
27.对应地，本技术实施例提供一种电子设备，包括：处理器；存储器，用于存储计算机程序，该计算机程序被处理器运行，执行上述实施例的候选商品排序方法与候选商品展示方法。
28.对应地，本技术实施例提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述实施例的候选商品排序方法与候选商品展示方法。
29.与现有技术相比，本技术实施例具有以下优点：本技术实施例提供一种候选商品排序方法，该方法在获得多个候选商品的排序信息之前，预先针对目标用户召回多个候选商品，并获得了目标用户针对商品的历史有效操作数据，其中，该历史有效操作数据包括目标用户针对商品进行有效操作时的历史时间信息与历史空间信息；之后，基于历史有效操作数据与目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重，获得了目标用户针对目标候选商品的行为数据，由于历史有效操作数据包括目标用户针对商品进行有效操作时的历史时间信息与历史空间信息，进而后续获得的目标用户针对目标候选商品的行为数据也融合了历史时间信息与历史空间信息。从而，基于目标候选商品的特征信息与融合了历史时间信息与历史空间信息的目标用户针对目标候选商品的行为数据，获得的多个候选商品的排序信息，能够体现出在与历史时间信息与历史空间信息匹配的时间信息与空间信息条件下的目标用户的偏好，进而获得的多个候选商品的排序信息与目标用户更加匹配。
附图说明
30.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
31.图1为本技术提供的候选商品排序方法的应用场景示意图。
32.图1a为本技术提供的缩放点击注意力的原理示意图。
33.图2为本技术第一实施例提供的候选商品排序方法的流程图。
34.图3为本技术第二实施例提供的候选商品展示方法的流程图。
35.图4为本技术第三实施例提供的候选商品排序装置的示意图。
36.图5为本技术第四实施例提供的候选商品展示装置的示意图。
37.图6为本技术第五实施例提供的电子设备示意图。
具体实施方式
38.在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此，本技术不受下面公开的具体实施的限制。
39.本技术提供一种候选商品排序方法，本技术提供的候选商品排序方法的一些实施例可以应用在向目标用户推荐一些候选商品的场景中。例如，用户采用线上方式进行购物时，在用于购物的用户端应用的首页页面上会向用户展示一些商品，而这些在页面上展示的商品都是基于预先获得的多个候选商品的排序信息来展示的。采用本实施例的候选商品排序方法即可预先获得多个候选商品的排序信息。当然，在对多个候选商品进行排序时，是按照候选商品与用户之间的相关度或者匹配度来进行排序的。
40.由于不同的用户可能存在不同的购物习惯，对于不同的用户，在用户端应用的首页页面上展示的候选商品可能不同。或者，对于不同的用户，即使在用户端应用的首页页面上展示的候选商品相同，但是展示的候选商品的顺序不同。这主要是不同的用户购物习惯不同，因而候选商品与不同的用户之间的相关度或者匹配度也是不同的。
41.在针对某个目标用户，获得多个候选商品的排序信息时，候选商品涉及的时间信息与空间信息尤为重要。时间信息例如可以是指一天中的某个时段信息，具体可以是上午、中午、下午或者晚上等。还可以是指是工作日或者休息日等。空间信息例如可以是指当前待推荐的候选商品所在位置与目标用户所在位置之间的距离，或者还可以是指待推荐的候选商品是否可以在线下的某个商场或者卖场进行购买，以及该商场或者卖场所在位置与用户所在位置之间的距离等。
42.本技术实施例的候选商品排序方法主要用于获得在某个时间信息与空间信息条件下的多个候选商品的排序信息。之所以认为上述提及的时间信息与空间信息相对于获得多个候选商品的排序信息尤为重要，主要是可以通过时间信息、空间信息，能够在该时间信息与空间信息对应的条件下体现出候选商品与目标用户之间的相关度或者匹配度。例如，某个用户只对于附近距离比较近的菜品感兴趣；或者，某个用户喜欢在下午茶时间喝奶茶，某个用户喜欢在周末外出到店就餐等。这些均可以认为是用户针对商品涉及的时间信息或
者空间信息的一些偏好信息，上述获得的时间信息、空间信息是基于用户的历史行为数据获得的。总之，通过本实施例的候选商品排序方法可以获得目标用户在特定的时间信息与空间信息条件下的针对候选商品的偏好程度。
43.在现有的获得多个候选商品的排序信息的方式中，是直接将上述提及的时间信息、空间信息进行简单编码后，输入神经网络模型中，以获得候选商品的排序信息。然而这种排序方式不能很好地体现某个用户在特定的时间信息与空间信息条件下的针对候选商品的偏好程度。
44.在本实施例中，采用目标（target attention）注意力机制的方式，在目标用户的历史行为数据中融合时间信息与空间信息，可以更准确地体现目标用户在特定的时间信息与空间信息条件下的针对候选商品的偏好程度。
45.具体地，在本实施例中，可以结合图1来阐述候选商品排序方法，图1为本技术提供的候选商品排序方法的应用场景示意图。
46.首先，获得目标用户发出的用于请求展示待推荐商品的请求消息，为了区分后续的其它请求消息，将目标用户发出的用于请求展示待推荐商品的请求消息作为第二请求消息。实际上，第二请求消息可以是目标用户通过用户端的页面发出的。用户端的页面具体可以是指用于线上购物的用户端应用的页面。在获得针对某次大促活动中的多个候选商品的排序信息的场景下，第二请求消息可以是指目标用户的发出的进入会场页的请求消息。
47.用户端在获得第二请求消息之后，可以将第二请求消息发送给服务端，以供服务端基于第二请求消息来召回多个候选商品。
48.以获得针对某次大促活动中的多个候选商品的排序信息为例，服务端在获得第二请求消息之后，会回溯目标用户针对商品的行为日志，行为日志即为历史行为数据的一种记录方式，例如目标用户曾经下单过的商品历史记录、支付过的商品历史记录、收藏过的商品历史记录、浏览过的商品历史记录等。
49.需要说明的是，在回溯的目标用户针对商品的行为日志中，包含了用户针对商品进行一些操作时的历史时间信息与历史空间信息。例如，当用户点击了某个商品时，其针对商品的行为日志中包含了被点击的商品的特性信息、点击该商品的历史时间信息与历史空间信息。
50.与此同时，服务端会召回多个候选商品，在召回多个候选商品时，可以采用多种方式。例如，可以是召回目标用户附近的商品，也可以是召回针对目标用户个性化的商品，当然，还可以采用其他方式召回多个候选商品。
51.在获得目标用户针对商品的行为日志以及召回多个候选商品之后，服务端基于目标用户针对商品的行为日志，获得目标用户针对商品的历史有效操作数据，在本实施例中，有效操作可以是指如点击、收藏、加购、下单、支付操作等，当然还可能是其它的操作，在本实施例中，将目标用户针对商品进行删除的操作作为无效操作。当然，上述有效操作与无效操作的情形仅仅是在本实施例中适用的情形。
52.具体地，在服务端设置有如图1所示的多个系统，每个系统对应执行不同的数据处理过程。服务端包括如图1所示的商品投放系统、分布式的面向列的开源数据库（hbase）以及模型在线打分系统。
53.各个系统执行如下数据处理过程：
商品投放系统在获得目标用户针对商品的行为日志之后，从中筛选目标用户针对商品的历史有效操作数据，作为历史有效操作数据的一种示例，可以是目标用户针对商品进行点击的历史点击数据。
54.商品投放系统在获得历史有效操作数据以及获得召回的多个候选商品之后，根据历史有效操作数据以及目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重，获得目标用户针对目标候选商品的行为数据。
55.具体地，目标用户针对目标候选商品的行为数据可以是指目标用户针对目标候选商品的、包含时间信息与空间信息的行为序列。包含的时间信息与空间信息为与历史时间信息与历史空间信息相匹配的时间信息与空间信息。例如，目标用户习惯在周六晚上购物，则周六晚上即为时间信息；又例如，目标用户习惯购买距离一公里的商品，则距离一公里即为空间信息。在本实施例中，空间信息可以是指采用两者以上方式进行地理位置编码的编码信息，如：可以分别为5位和6位的geohash编码字符串格式的编码信息。
56.由于商品投放系统获得了召回的多个候选商品，同时商品投放系统也可以获得多个候选商品中的任意一个目标候选商品的特征信息。
57.之后，商品投放系统即可将目标用户针对目标候选商品的行为数据、目标候选商品的特征信息提供给分布式的面向列的开源数据库，该开源数据库一方面可以基于行为数据、目标候选商品的特征信息获取训练模型的样本数据，进行将训练模型的样本数据提供给深度卷积神经网络进行模型训练，一方面还可以将实时同步的特征提供给模型在线打分系统，以供模型在线打分系统根据同步的特征进行打分。
58.实时同步的特征包括：目标用户针对目标候选商品的行为数据和目标候选商品的特征信息。
59.模型在线打分系统中包含注意力数据获得模型，该注意力数据获得模型为经过训练的模型，并可以基于目标用户针对目标候选商品的行为数据和目标候选商品的特征信息，获得目标用户针对目标候选商品的注意力数据，作为注意力数据的一种示例，可以是指目标用户针对目标候选商品的偏好分数。
60.由于在获得目标用户针对目标候选商品的行为数据时，利用了目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重，因此，需要预先获得目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重。
61.上述采用目标（target attention）注意力机制的方式，主要是用于获得目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重。例如，假设预先召回的候选商品为三个，历史有效操作数据为二十次目标用户针对商品的历史有效操作数据，那么需要获得二十次历史有效操作数据中的每次历史有效操作数据针对目标候选商品的注意力权重。然后，目标用户针对该目标候选商品的行为数据，即为：每次历史有效操作数据与对应的权重进行加权求和获得的数据。
62.最终，即可将目标用户针对该目标候选商品的行为数据和目标候选商品的特征信息输入注意力数据获得模型，获得目标用户针对目标候选商品的注意力数据。即：目标用户针对目标候选商品的偏好分数。
63.在该场景下，由于目标用户针对目标候选商品的行为数据中融合了历史时间信息与历史空间信息，进而获得的目标用户针对目标候选商品的注意力数据，能够体现出在与
历史时间信息与历史空间信息匹配的时间信息与空间信息条件下的目标用户的偏好，进而后续基于该注意力数据获得的多个候选商品的排序信息与目标用户更加匹配。
64.上述介绍的图1即为针对本技术的候选商品排序方法的一种应用场景的图示，本技术的实施例中不对候选商品排序方法的应用场景做具体的限定，上述候选商品排序方法的应用场景，仅仅是本技术提供的候选商品排序方法的应用场景的一个实施例，提供该应用场景实施例的目的是便于理解本技术提供的候选商品排序方法，而并非用于限定本技术提供的候选商品排序方法。本技术实施例对候选商品排序方法的其它应用场景，不再一一赘述。
65.第一实施例本技术第一实施例提供一种候选商品排序方法，以下结合图2进行说明。
66.请参照图2，其为本技术第一实施例提供的候选商品排序方法的流程图。
67.本技术实施例的候选商品排序方法，包括如下步骤：步骤s201：针对目标用户召回多个候选商品。
68.本实施例的候选商品排序方法可以应用在获得某次大促活动中的多个候选商品的排序信息的场景中。
69.当目标用户通过用户端页面发出进入会场首页的请求消息之后，用户端会向服务端发出用于请求获取页面信息的请求消息，服务端在获得用户端发出的用于请求获取页面信息的请求消息之后，召回针对目标用户召回多个候选商品。
70.在召回多个候选商品时，可以采用多种方式。例如，可以是召回目标用户附近的商品，也可以是召回针对目标用户个性化的商品，当然，还可以采用其他方式召回多个候选商品。
71.步骤s202：获得目标用户针对商品的历史有效操作数据，历史有效操作数据包括目标用户针对商品进行有效操作时的历史时间信息与历史空间信息。
72.与此同时，服务端获得目标用户针对商品的历史有效操作数据。具体地，作为获得目标用户针对商品的历史有效操作数据的一种方式，可以是指：获得预设时间之内的、预设次数的目标用户针对商品的历史有效操作数据。
73.例如，可以是回溯目标用户在预设天数内的针对商品的行为日志，基于该行为日志获得预设次数的目标用户针对商品的历史有效操作数据。
74.在本实施例中，有效操作可以是指如点击、收藏、加购、下单、支付操作等，当然还可能是其它的操作，在本实施例中，将目标用户针对商品进行删除的操作作为无效操作。当然，上述有效操作与无效操作的情形仅仅是在本实施例中适用的情形。
75.作为历史有效操作数据的一种示例，可以是目标用户针对商品进行点击的历史点击数据，当将目标用户针对商品进行点击的历史点击数据作为历史有效操作数据时，历史有效操作数据包括的目标用户针对商品进行有效操作时的历史时间信息与历史空间信息，对应为目标用户针对商品进行点击时的历史时间信息与历史空间信息。
76.步骤s203：根据历史有效操作数据以及目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重，获得目标用户针对目标候选商品的行为数据。
77.目标候选商品的注意力权重是根据历史有效操作数据和目标候选商品的特征信息获得的。
78.在获得上述行为数据之前，需要预先获得目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重。
79.由于历史有效操作数据中为预设次数的多次历史有效操作数据，作为获得目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重的一种方式，可以是指：获得目标候选商品针对每次历史有效操作数据的注意力权重。
80.具体地，在获得目标候选商品针对每次历史有效操作数据的注意力权重时，需要执行如下步骤：首先，获得用于对预设次数的历史有效操作数据中的每次历史有效操作数据进行向量表示的每个历史有效操作数据向量。
81.之后，获得用于对目标候选商品的特征信息进行向量表示的目标候选商品的特征信息向量。
82.最终，分别根据每个历史有效操作数据向量与目标候选商品的特征信息向量，获得目标候选商品针对每次历史有效操作数据的注意力权重。
83.更具体地，分别根据每个历史有效操作数据向量与目标候选商品的特征信息向量，获得目标候选商品针对每次历史有效操作数据的注意力权重，可以是指：分别对每个历史有效操作数据向量与目标候选商品的特征信息向量进行注意力运算，获得目标候选商品针对每次历史有效操作数据的注意力权重。
84.进一步地，采用下述公式对每个历史有效操作数据向量与目标候选商品的特征信息向量进行注意力运算：其中，q为历史有效操作数据向量，k、v为目标候选商品的特征信息向量，dk为k向量的维度。
85.上述注意力运算实际上是基于目标（target attention）注意力机制进行运算的，即：上述的公式即为基于目标（target attention）注意力机制的公式。其中，目标（target attention）注意力机制，用于学习目标用户行为序列和目标候选商品之间的相关关系，并构建其表达向量。考虑向量的物理意义，这里使用内积来计算上述公式中的attention，这样两个商品越相似，内积越大，attention增益越大。这里采用scaled dot-product attention（缩放点积注意力）通过内积的方式计算注意力权重。其中，图1a为缩放点击注意力的原理示意图。
86.在图1a中可以看出，缩放点击注意力通过内积的方式计算注意力权重的原理如下：先将q（线性向量）与k（线性向量）进行scaled dot-product（图中的缩放点积）运算，然后进行softmax运算，将softmax运算后的运算结果与线性向量v进行matmul运算，最后经concat运算计算出注意力权重。
87.为了更清楚地理解如何基于上述公式计算目标候选商品针对每次历史有效操作数据的注意力权重，进行更具体的举例说明。
88.假设，预先召回的候选商品为三个，历史有效操作数据为二十次目标用户针对商品的历史有效操作数据，那么需要获得二十次历史有效操作数据中的每次历史有效操作数据针对目标候选商品的注意力权重。
89.假设目标用户为用户a，召回的候选商品为候选商品1、候选商品2以及候选商品3；针对用户a，需要分别获得二十次历史有效操作数据中的每次历史有效操作数据针对候选商品1的注意力权重，分别获得二十次历史有效操作数据中的每次历史有效操作数据针对候选商品2的注意力权重，以及分别获得二十次历史有效操作数据中的每次历史有效操作数据针对候选商品3的注意力权重。
90.在分别获得二十次历史有效操作数据中的每次历史有效操作数据针对候选商品1的注意力权重时，可以分别获得第一次历史有效操作数据针对候选商品1的注意力权重，第二次历史有效操作数据针对候选商品1的注意力权重，第三次历史有效操作数据针对候选商品1的注意力权重，以此类推，直至获得第二十次历史有效操作数据针对候选商品1的注意力权重。
91.以获得的第一次历史有效操作数据针对候选商品1的注意力权重为例，首先，获得用于对第一次历史有效操作数据进行向量表示的第一个历史有效操作数据向量q1。与此同时，获得用于对候选商品1的特征信息进行向量表示的候选商品1的特征信息向量k1、v1，其中，k1、v1均用于对候选商品1的特征信息进行向量表示，但是二者表达形式不同，k1与q1向量维度是相同的，v1向量维度可以与k1与q1不同。dk为k向量的维度，将q1、k1与v1带入上述公式，即可通过上述公式计算获得。
92.按照上述类似的方式，将q1替换为q2，即可计算获得。以此类推，即可计算获得，这样就分别获得了二十次历史有效操作数据中的每次历史有效操作数据针对候选商品1的注意力权重。
93.上述用于对第一次历史有效操作数据进行向量表示的第一个历史有效操作数据向量q1通过如下方式获得：由于历史有效操作数据还包括目标用户进行有效操作针对的被操作商品的特征信息；例如，可以是指在第一次历史有效操作数据中，用户a点击了商品m，商品m即为被操作商品。
94.因此，上述获得用于对第一次历史有效操作数据进行向量表示的第一个历史有效操作数据向量q1可以是指：首先，针对第一次历史有效操作数据，获得用于对第一次历史有效操作数据中的商品m的特征信息进行向量表示的商品m的特征信息向量；与此同时，获得用于对第一次历史有效操作数据中的历史时间信息进行向量表示的第一个历史时间信息向量、以及获得用于对第一次历史有效操作数据中的历史空间信息进行向量表示的第一个历史空间信息向量；之后，基于商品m的特征信息向量、第一个历史时间信息向量与第一个历史空间信息向量，获得用于对第一次历史有效操作数据进行向量表示的第一个历史有效操作数据向量q1。例如，可以是将商品m的特征信息向量、第一个历史时间信息向量与第一个历史空间信息向量进行相加，获得用于对第一次历史有效操作数据进行向量表示的第一个历史有效操作数据向量q1。
95.按照获得用于对第一次历史有效操作数据进行向量表示的第一个历史有效操作数据向量q1相同的方式，可以获得用于对第二次历史有效操作数据进行向量表示的第二个历史有效操作数据向量q2，以此类推，可以获得用于对第二十次历史有效操作数据进行向
量表示的第二十个历史有效操作数据向量q
20
。
96.假设上述二十个历史有效操作数据向量的向量维度均为32，则二十个历史有效操作数据向量为长度为20，节点向量维度为32的向量序列。
97.在获得上述对每次历史有效操作数据进行向量表示的每个历史有效操作数据向量、以及目标候选商品针对每次历史有效操作数据的注意力权重之后，作为根据历史有效操作数据以及目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重，获得目标用户针对目标候选商品的行为数据，可以是指：将每个历史有效操作数据向量与目标候选商品针对每次历史有效操作数据的注意力权重进行对应加权求和运算，获得用于对目标用户针对目标候选商品的行为数据进行向量表示的行为数据向量。
98.例如，针对候选商品1而言，用户a针对候选商品1的行为数据可以是指用于对用户a针对候选商品1的行为数据进行向量表示的行为数据向量q1，其中，；类似地，用户a针对候选商品2的行为数据可以是指用于对用户a针对候选商品2的行为数据进行向量表示的行为数据向量q2，其中，；用户a针对候选商品3的行为数据可以是指用于对用户a针对候选商品3的行为数据进行向量表示的行为数据向量q3，其中，。
99.步骤s204：根据目标用户针对目标候选商品的行为数据和目标候选商品的特征信息，获得多个候选商品的排序信息。
100.具体地，步骤s204又可以分为步骤s204-1与步骤s204-2。
101.具体地，步骤s204-1：根据目标用户针对目标候选商品的行为数据和目标候选商品的特征信息，获得目标用户针对目标候选商品的注意力数据。
102.在获得行为数据向量之后，作为根据目标用户针对目标候选商品的行为数据和目标候选商品的特征信息，获得目标用户针对目标候选商品的注意力数据的一种方式：将行为数据向量和目标候选商品的特征信息向量作为注意力数据获得模型的输入数据，获得目标用户针对目标候选商品的注意力数据，注意力数据获得模型是用于根据用户针对候选商品的行为数据向量和候选商品的特征信息向量获得用户针对候选商品的注意力数据的模型。
103.例如，在获得用户a针对候选商品1的行为数据向量q1之后，将q1与候选商品1的特征信息向量一同输入注意力数据获得模型，进而获得用户a对候选商品1的注意力数据。如果在用户a的历史有效操作数据中确定用户a习惯于周六在距离家一公里之内的店进行购物，那么获得的用户a对候选商品1的注意力数据，是指在周六的时间条件下、并且在距离家一公里之内的空间条件下，用户a对候选商品1的注意力数据，该注意力数据可以是指偏好程度，具体体现为偏好分数。
104.更具体地，将行为数据向量和目标候选商品的特征信息向量作为注意力数据获得模型的输入数据，获得目标用户针对目标候选商品的注意力数据，可以是指：将行为数据向量与目标候选商品的特征信息向量进行拼接，获得拼接后的向量；将拼接后的向量作为注意力数据获得模型的输入数据，获得目标用户针对目标候选商品的注意力数据。
105.当然，采用同样方式，可以获得用户a对候选商品2的注意力数据，同样的，用户a对
候选商品2的注意力数据是指在周六的时间条件下、并且在距离家一公里之内的空间条件下，用户a对候选商品2的注意力数据。
106.在本实施例中，注意力数据获得模型采用如下方式获得：首先，获得用户针对商品的历史操作样本数据、用户针对候选商品的注意力权重样本、候选商品的特征信息样本以及用户针对候选商品的注意力样本数据；其中，历史操作样本数据、用户针对候选商品的注意力权重样本、候选商品的特征信息样本以及用户针对候选商品的注意力样本数据相互对应。
107.之后，基于历史操作样本数据、用户针对候选商品的注意力权重样本、候选商品的特征信息样本以及用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练，获得注意力数据获得模型。
108.具体地，上述基于历史操作样本数据、用户针对候选商品的注意力权重样本、候选商品的特征信息样本以及用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练，可以是指：首先，根据历史操作样本数据与用户针对候选商品的注意力权重样本，获得用户针对候选商品的行为样本数据；之后，基于用户针对候选商品的行为样本数据、候选商品的特征信息样本与用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练。
109.进一步地，基于用户针对候选商品的行为样本数据、候选商品的特征信息样本与用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练，是指：首先，获得用于对用户针对候选商品的行为样本数据进行向量表示的行为样本数据向量；之后，获得用于对候选商品的特征信息样本进行向量表示的候选商品的特征信息样本向量；最终，基于行为样本数据向量、候选商品的特征信息样本向量与用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练。
110.在本实施例中，历史操作样本数据包括历史有效操作样本数据与历史无效操作样本数据；其中，在对深度卷积神经网络进行训练时，将历史有效操作样本数据作为训练数据的正样本，将历史无效操作样本数据作为训练数据的负样本。
111.例如，若将有效操作认为是点击操作时，如果向用户曝光过某个商品，并且用户点击了该商品，则用户针对该商品的点击操作可以为历史有效操作。如果向用户曝光过某个商品，用户并未点击该商品，则用户针对该商品的未点击操作可以为历史无效操作。
112.步骤s204-2：根据目标用户针对多个候选商品中的每个候选商品的注意力数据，获得多个候选商品的排序信息。
113.在获得目标用户针对多个候选商品中的每个候选商品的注意力数据之后，即可获得多个候选商品的排序信息。例如，当分别获得用户a针对候选商品1、候选商品2以及候选商品3的注意力数据之后，即可对候选商品1、候选商品2以及候选商品3进行排序，进而获得候选商品1、候选商品2以及候选商品3的排序信息。假设用户a针对候选商品1的注意力数据数值最大，则将候选商品1排在第一位。
114.服务端在获得多个候选商品的排序信息，向用户端发送多个候选商品的排序信息，当然，在向用户端发送多个候选商品的排序信息之前，可以预先获得用户端发出的用于请求获取页面信息的第一请求消息；针对第一请求消息，向用户端发送多个候选商品的排序信息。
115.在本实施例中，该方法在获得多个候选商品的排序信息之前，预先针对目标用户召回多个候选商品，并获得了目标用户针对商品的历史有效操作数据，其中，该历史有效操作数据包括目标用户针对商品进行有效操作时的历史时间信息与历史空间信息；之后，基于历史有效操作数据与目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重，获得了目标用户针对目标候选商品的行为数据，由于历史有效操作数据包括目标用户针对商品进行有效操作时的历史时间信息与历史空间信息，进而后续获得的目标用户针对目标候选商品的行为数据也融合了历史时间信息与历史空间信息。从而，基于目标候选商品的特征信息与融合了历史时间信息与历史空间信息的目标用户针对目标候选商品的行为数据，获得的多个候选商品的排序信息，能够体现出在与历史时间信息与历史空间信息匹配的时间信息与空间信息条件下的目标用户的偏好，进而获得的多个候选商品的排序信息与目标用户更加匹配。
116.第二实施例与第一实施例对应地，本技术第二实施例提供一种候选商品展示方法。该实施例的执行主体为用户端，第二实施例中与第一实施例相同的部分不再介绍，具体请参见第一实施例的相关部分。
117.请参照图3，其为本技术第二实施例提供的候选商品展示方法的流程图。
118.本技术实施例的候选商品展示方法，包括如下步骤：步骤s301：获得服务端发送的多个候选商品的排序信息。
119.在本实施例中，多个候选商品的排序信息是根据目标用户针对目标候选商品的行为数据和目标候选商品的特征信息获得的，目标候选商品为多个候选商品中的任意一个商品。
120.在本实施例中，目标用户针对目标候选商品的行为数据是根据目标用户针对商品的历史有效操作数据和目标用户针对多个候选商品中的任意一个目标候选商品的注意力权重获得的，目标候选商品的注意力权重是根据历史有效操作数据和目标候选商品的特征信息获得的，历史有效操作数据包括目标用户针对商品进行有效操作时的历史时间信息与历史空间信息。
121.步骤s302：基于多个候选商品的排序信息，展示用于向目标用户推荐的推荐候选商品。
122.在本实施例中，为了获得多个候选商品的排序信息，用户端还向服务端发出用于请求获取页面信息的第一请求消息。
123.作为获得服务端发送的多个候选商品的排序信息的一种实施例，可以是指：获得服务端针对第一请求消息发送的多个候选商品的排序信息。
124.在本实施例中，作为基于多个候选商品的排序信息，展示用于向目标用户推荐的推荐候选商品，可以是指：首先，基于多个候选商品的排序信息，确定用于向目标用户推荐的推荐候选商品；之后，将确定的用于向目标用户推荐的推荐候选商品在用户端的页面上进行展示。
125.在获得多个候选商品的排序信息之后，如果候选商品的数量较大，可能存在不需要将多个候选商品全部在用户端的页面上进行展示的情形，针对该情形，可以优先选择部分候选商品展示。例如，用户端获得了一百个候选商品的排序信息，在用户端的页面上仅能
展示十个候选商品，因此，可以将排在前十个的候选商品作为用于向目标用户推荐的推荐候选商品。
126.当然，在本实施例中，也可以将全部候选商品作为向目标用户推荐的推荐候选商品。
127.在本实施例中用户端还获得目标用户通过用户端的页面发出的用于请求展示待推荐商品的第二请求消息；基于第二请求消息，在页面上展示向目标用户推荐的推荐候选商品。在获得针对某次大促活动中的多个候选商品的排序信息的场景下，第二请求消息可以是指目标用户的发出的进入会场页的请求消息。
128.在本实施例中，由于向目标用户展示的候选商品的排序信息是基于目标用户针对目标候选商品的注意力数据获得的，而目标用户针对目标候选商品的注意力数据是基于目标候选商品的特征信息与融合了历史时间信息与历史空间信息的目标用户针对目标候选商品的行为数据获得的，进而目标用户针对目标候选商品的注意力数据能够体现出在与历史时间信息与历史空间信息匹配的时间信息与空间信息条件下的目标用户的偏好，进而基于该注意力数据获得的多个候选商品的排序信息与目标用户更加匹配。
129.第三实施例与本技术第一实施例提供的候选商品排序方法相对应的，本技术第三实施例还提供一种候选商品排序装置。由于装置实施例基本相似于第一实施例，所以描述得比较简单，相关之处参见第一实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
130.请参照图4，其为本技术第三实施例提供的一种候选商品排序装置的示意图。
131.该候选商品排序装置，包括：召回单元401，针对目标用户召回多个候选商品；历史有效操作数据获得单元402，用于获得目标用户针对商品的历史有效操作数据，所述历史有效操作数据包括所述目标用户针对商品进行有效操作时的历史时间信息与历史空间信息；行为数据获得单元403，用于根据所述历史有效操作数据以及所述目标用户针对所述多个候选商品中的任意一个目标候选商品的注意力权重，获得所述目标用户针对所述目标候选商品的行为数据；排序信息获得单元404，用于根据所述目标用户针对所述目标候选商品的行为数据和所述目标候选商品的特征信息，获得所述多个候选商品的排序信息。
132.可选的，所述历史有效操作数据获得单元，具体用于：获得预设时间之内的、预设次数的目标用户针对商品的历史有效操作数据。
133.可选的，还包括：注意力权重获得单元，具体用于：根据所述历史有效操作数据和所述目标候选商品的特征信息，获得所述目标候选商品的注意力权重。
134.可选的，所述注意力权重获得单元，具体用于：获得用于对预设次数的历史有效操作数据中的每次历史有效操作数据进行向量表示的每个历史有效操作数据向量；获得用于对所述目标候选商品的特征信息进行向量表示的目标候选商品的特征信息向量；分别根据所述每个历史有效操作数据向量与所述目标候选商品的特征信息向量，获得所述目标候选商品针对每次历史有效操作数据的注意力权重。
135.可选的，所述历史有效操作数据还包括：所述目标用户进行有效操作针对的被操作商品的特征信息；所述注意力权重获得单元，具体用于：针对所述每次历史有效操作数据，获得用于对每次历史有效操作数据中的被操作商品的特征信息进行向量表示的被操作商品的特征信息向量；获得用于对每次历史有效操作数据中的历史时间信息进行向量表示
的历史时间信息向量；获得用于对每次历史有效操作数据中的历史空间信息进行向量表示的历史空间信息向量；基于所述被操作商品的特征信息向量、所述历史时间信息向量与所述历史空间信息向量，获得用于对预设次数的历史有效操作数据中的每次历史有效操作数据进行向量表示的每个历史有效操作数据向量。
136.可选的，所述注意力权重获得单元，具体用于：分别对所述每个历史有效操作数据向量与所述目标候选商品的特征信息向量进行注意力运算，获得所述目标候选商品针对每次历史有效操作数据的注意力权重。
137.可选的，所述注意力权重获得单元，具体用于：采用下述公式对所述每个历史有效操作数据向量与所述目标候选商品的特征信息向量进行注意力运算：其中，q为历史有效操作数据向量，k、v为目标候选商品的特征信息向量，dk为k向量的维度。
138.可选的，所述行为数据获得单元，具体用于：将所述每个历史有效操作数据向量与所述目标候选商品针对每次历史有效操作数据的注意力权重进行对应加权求和运算，获得用于对所述目标用户针对所述目标候选商品的行为数据进行向量表示的行为数据向量。
139.可选的，所述排序信息获得单元，具体用于：根据所述目标用户针对所述目标候选商品的行为数据和所述目标候选商品的特征信息，获得所述目标用户针对所述目标候选商品的注意力数据；根据所述目标用户针对所述多个候选商品中的每个候选商品的注意力数据，获得所述多个候选商品的排序信息。
140.可选的，所述排序信息获得单元，具体用于：将所述行为数据向量和所述目标候选商品的特征信息向量作为注意力数据获得模型的输入数据，获得所述目标用户针对所述目标候选商品的注意力数据，所述注意力数据获得模型是用于根据用户针对候选商品的行为数据向量和候选商品的特征信息向量获得用户针对候选商品的注意力数据的模型。
141.可选的，所述排序信息获得单元，具体用于：将所述行为数据向量与所述目标候选商品的特征信息向量进行拼接，获得拼接后的向量；将所述拼接后的向量作为注意力数据获得模型的输入数据，获得所述目标用户针对所述目标候选商品的注意力数据。
142.可选的，还包括：训练单元，具体用于：采用如下方式获得所述注意力数据获得模型：获得用户针对商品的历史操作样本数据、用户针对候选商品的注意力权重样本、候选商品的特征信息样本以及用户针对候选商品的注意力样本数据；其中，所述历史操作样本数据、所述用户针对候选商品的注意力权重样本、所述候选商品的特征信息样本以及所述用户针对候选商品的注意力样本数据相互对应；基于所述历史操作样本数据、所述用户针对候选商品的注意力权重样本、所述候选商品的特征信息样本以及所述用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练，获得所述注意力数据获得模型。
143.可选的，所述训练单元，具体用于：根据所述历史操作样本数据与所述用户针对候选商品的注意力权重样本，获得用户针对候选商品的行为样本数据；基于所述用户针对候选商品的行为样本数据、所述候选商品的特征信息样本与所述用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练。
144.可选的，所述训练单元，具体用于：获得用于对所述用户针对候选商品的行为样本
数据进行向量表示的行为样本数据向量；获得用于对所述候选商品的特征信息样本进行向量表示的候选商品的特征信息样本向量；基于所述行为样本数据向量、所述候选商品的特征信息样本向量与所述用户针对候选商品的注意力样本数据对深度卷积神经网络进行训练。
145.可选的，所述历史操作样本数据包括历史有效操作样本数据与历史无效操作样本数据；其中，在对所述深度卷积神经网络进行训练时，将所述历史有效操作样本数据作为训练数据的正样本，将所述历史无效操作样本数据作为训练数据的负样本。
146.可选的，还包括：排序信息发送单元，具体用于：获得用户端发出的用于请求获取页面信息的第一请求消息；针对所述第一请求消息，向所述用户端发送所述多个候选商品的排序信息。
147.第四实施例与本技术第二实施例提供的候选商品展示方法相对应的，本技术第四实施例还提供一种候选商品展示装置。由于装置实施例基本相似于第二实施例，所以描述得比较简单，相关之处参见第二实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
148.请参照图5，其为本技术第四实施例提供的一种候选商品展示装置的示意图。
149.该候选商品展示装置，包括：排序信息获得单元501，用于获得服务端发送的多个候选商品的排序信息；所述多个候选商品的排序信息是根据目标用户针对目标候选商品的行为数据和目标候选商品的特征信息获得的；所述目标用户针对目标候选商品的行为数据是根据目标用户针对商品的历史有效操作数据和目标用户针对所述多个候选商品中的任意一个目标候选商品的注意力权重获得的，所述历史有效操作数据包括所述目标用户针对商品进行有效操作时的历史时间信息与历史空间信息；展示单元502，用于基于所述多个候选商品的排序信息，展示用于向目标用户推荐的推荐候选商品。
150.可选的，所述目标候选商品为所述多个候选商品中的任意一个商品；所述目标候选商品的注意力权重是根据所述历史有效操作数据和所述目标候选商品的特征信息获得的。
151.可选的，还包括：第一请求消息发出单元，具体用于：向服务端发出用于请求获取页面信息的第一请求消息；所述排序信息获得单元，具体用于：获得所述服务端针对所述第一请求消息发送的多个候选商品的排序信息。
152.可选的，所述展示单元，具体用于：基于所述多个候选商品的排序信息，确定用于向目标用户推荐的推荐候选商品；将确定的用于向目标用户推荐的推荐候选商品在用户端的页面上进行展示。
153.可选的，还包括：第二请求消息获得单元，具体用于：获得所述目标用户通过用户端的页面发出的用于请求展示待推荐商品的第二请求消息；所述展示单元，具体用于：基于所述第二请求消息，在所述页面上展示向目标用户推荐的推荐候选商品。
154.第五实施例与本技术第一实施例至第二实施例的方法相对应的，本技术第五实施例还提供一种电子设备。
155.如图6所示，图6为本技术第五实施例中提供的一种电子设备的示意图。该电子设备，包括：处理器601；存储器602，用于存储计算机程序，该计算机程序被处理器运行，执行
第一实施例至第二实施例的方法。
156.第六实施例与本技术第一实施例至第二实施例的方法相对应的，本技术第六实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行第一实施例至第二实施例的方法。
157.本技术虽然以较佳实施例公开如上，但其并不是用来限定本技术，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本技术的保护范围应当以本技术权利要求所界定的范围为准。
158.在一个典型的配置中，计算设备包括一个或多个处理器 (cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (ram) 和/或非易失性内存等形式，如只读存储器 (rom) 或闪存(flash ram)。内存是计算机可读介质的示例。
159.1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (pram)、静态随机存取存储器 (sram)、动态随机存取存储器 (dram)、其他类型的随机存取存储器 (ram)、只读存储器 (rom)、电可擦除可编程只读存储器 (eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器 (cd-rom)、数字多功能光盘 (dvd) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读存储媒体(non-transitory computer readable storage media)，如调制的数据信号和载波。
160.2、本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。