自媒体用户选择方法及相关设备

1.本技术的实施例涉及自媒体数据处理技术，尤其涉及一种自媒体用户选择方法及相关设备。


背景技术：

2.在相关的自媒体用户的筛选中，往往存在巨大的挑战，难以综合多方标准优选出影响力较大并有一定信息传播能力的目标用户，商家与自媒体用户的合作中，由于目标用户的选取难以准确，往往造成一定成本的浪费。
3.基于此，需要一种能够实现综合多方面评价，准确挑选影响力较大的用户的方案。


技术实现要素：

4.有鉴于此，本技术的目的在于提出一种自媒体用户选择方法及相关设备。
5.基于上述目的，本技术提供了自媒体用户选择方法，包括：
6.在自媒体平台中周期性获取多个预选用户的初始数据，通过对所述初始数据进行预处理，得到每个所述预选用户的关系特征、影响力特征、粉丝特征、情感特征和传播度特征；
7.利用所述关系特征，对全部所述预选用户执行聚类算法进行聚类，得到划分为不同类别的所述预选用户，在每个所述类别的所述预选用户中，按照预设比例确定多个候选用户；
8.对全部所述候选用户中的每一个，采取极端梯度提升算法对该候选用户的所述影响力特征进行加权，得到影响力得分；利用所述粉丝特征计算粉丝重要度得分；利用自回归语言模型、循环卷积神经网络和注意力机制构建情感分析模型，对所述情感特征进行概率分析，得到情感得分；
9.基于全部所述候选用户，利用所述传播度特征、所述影响力得分、所述粉丝重要度得分和所述情感得分进行区间模糊处理，得到目标权重，将每个所述候选用户的所述目标权重输入预置的多准则决策框架，得到该候选用户的综合值，并根据所述综合值确定目标用户。
10.进一步地，所述在自媒体平台中周期性获取多个预选用户的初始数据，通过对所述初始数据进行预处理，得到每个所述预选用户的关系特征、影响力特征、粉丝特征、情感特征和传播度特征，包括：
11.在所述获取周期内，获取每个所述预选用户的初始数据；
12.提取该预选用户初始数据中的所述关系特征，所述关系特征包括与该预选用户互相关注的其他预选用户之间的关系数据；
13.提取该预选用户初始数据中的全部所述影响力特征的标签，所述影响力特征的标签包括：明星标签、平台认证标签、电商合作标签、创作类型标签和优质作品标签中的至少一种；
14.提取该预选用户初始数据中的粉丝特征，所述粉丝特征包括：该预选用户的每个粉丝的转发次数、评论次数和点赞次数；
15.提取该预选用户初始数据中的情感特征，所述情感特征包括：该预选用户收到的评论语句中的句子矩阵；
16.提取该预选用户初始数据中的传播度特征，所述传播度特征包括：该预选用户全部作品的点赞数量、浏览数量、评论数量、被分享数量和粉丝数量。
17.进一步地，所述利用所述关系特征，对全部所述预选用户执行聚类算法进行聚类，得到划分为不同类别的所述预选用户，包括：
18.利用全部所述预选用户的所述关系特征，对词向量模型进行训练，得到每个所述预选用户之间的距离；
19.利用所述距离，对全部所述预选用户执行粗聚类算法进行粗聚类，得到质心个数并确定相应数目的质心；
20.利用所述质心，对全部所述预选用户采取k类均值算法进行聚类，得到多个包含不同所述预选用户的团簇，根据所述团簇调整所述质心；
21.循环执行k类均值算法进行聚类，至所述质心保持稳定；
22.将所述质心稳定的所述团簇作为所述类别，并将每个稳定的所述团簇中的所述预选用户划分为一类。
23.进一步地，所述采取极端梯度提升算法该候选用户的所述影响力特征进行加权，得到影响力得分，包括：
24.对于每个所述候选用户，确定在该候选用户的所述影响力特征中所具备的所述标签；
25.基于该候选用户具备的所述标签，采取极端梯度提升算法对该候选用户是否能够合法持有其余缺失的所述标签进行预测，得到预测结果；
26.基于预测结果，利用该候选用户具备的所述标签和能够合法持有的其他所述标签计算该用户的影响力得分。
27.进一步地，所述利用所述粉丝特征计算粉丝重要度得分，包括：
28.对于每个所述候选用户，利用该候选用户的每个所述粉丝的所述粉丝特征和该候选用户在获取周期内发布作品数量，计算该候选用户与该粉丝之间的信息量；
29.确定该粉丝与其关注的全部所述预选用户之间的信息量总量；
30.利用关于该粉丝的所述信息量和所述信息量总量，确定该粉丝对于该候选用户的重视度；
31.将全部所述候选用户与每个所述粉丝之间的重视度组成转移矩阵，并为所述转移矩阵赋予重要性向量，并基于预设的阻尼系数，构建关于所述重要性向量的迭代函数；
32.响应于所述重要性向量在迭代中收敛至稳定，将该重要性向量确定为粉丝重要度得分。
33.进一步地，所述利用自回归语言模型、循环卷积神经网络和注意力机制构建情感分析模型，对所述情感特征进行概率分析，得到情感得分，包括：
34.将所述情感特征输入所述子回归语言模型进行训练，得到文本动态特征；
35.将所述文本动态特征输入所述循环卷积神经网络进行训练，得到深层的文本语义
特征，其中，所述文本语义特征包括多个词向量；
36.对所述文本语义特征中的每个所述词向量采取所述注意力机制进行处理，得到每个所述词向量的语义权重；
37.对全部的所述语义权重和所述文本语义特征进行融合，得到所述情感得分。
38.进一步地，所述基于全部所述候选用户，利用所述传播度特征、所述影响力得分、所述粉丝重要度得分和所述情感得分进行区间模糊处理，得到目标权重，包括：
39.在全部所述候选用户中，将所述传播度特征、所述影响力得分、所述粉丝重要度得分和所述情感得分均取最大值，并作为理想方案；
40.将所述传播度特征、所述影响力得分、所述粉丝重要度得分和所述情感得分均取最小值，并作为临界方案；
41.对于每个所述候选用户，将该候选用户所述传播度特征、所述影响力得分、所述粉丝重要度得分和所述情感得分的取值作为当前方案；
42.对于每个所述候选用户，利用所述理想方案、所述临界方案和所述当前方案构建投影模型；
43.基于最大熵原理，融合所述理想方案、所述临界方案和全部所述候选用户的所述当前方案，计算目标权重。
44.基于同一发明构思，本技术还提供了一种自媒体用户选择装置，包括：
45.预处理模块，被配置为：在自媒体平台中周期性获取多个预选用户的初始数据，通过对所述初始数据进行预处理，得到每个所述预选用户的关系特征、影响力特征、粉丝特征、情感特征和传播度特征；
46.筛选模块，被配置为：利用所述关系特征，对全部所述预选用户执行聚类算法进行聚类，得到划分为不同类别的所述预选用户，在每个所述类别的所述预选用户中，按照预设比例确定多个候选用户；
47.多准则评价模块，被配置为：对全部所述候选用户中的每一个，采取极端梯度提升算法对该候选用户的所述影响力特征进行加权，得到影响力得分；利用所述粉丝特征计算粉丝重要度得分；利用自回归语言模型、循环卷积神经网络和注意力机制构建情感分析模型，对所述情感特征进行概率分析，得到情感得分；
48.排序模块，被配置为：基于全部所述候选用户，利用所述传播度特征、所述影响力得分、所述粉丝重要度得分和所述情感得分进行区间模糊处理，得到目标权重，将每个所述候选用户的所述目标权重输入预置的多准则决策框架，得到该候选用户的综合值，并根据所述综合值确定目标用户。
49.基于同一发明构思，本技术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上任意一项所述的自媒体用户选择方法。
50.基于同一发明构思，本技术还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述自媒体用户选择方法。
51.从上面所述可以看出，本技术提供的自媒体用户选择方法及相关装置，基于对用户数据的整理，综合考虑了代表用户之间关系的关系特征、代表用户影响力的影响力特征、
代表用户粉丝对其重视程度的粉丝特征，并综合了用户作品的传播度特征，来对用户进行多准则评价，使得对用户的评价结果准确，从而实现精准挑选影响力较大的自媒体目标用户。
附图说明
52.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关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的实施例，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。
53.图1为本技术实施例的自媒体用户选择方法的流程图；
54.图2为本技术实施例的自媒体用户选择装置模块示意图；
55.图3为本技术实施例的情感分析模型示意图；
56.图4为本技术实施例的投影模型示意图；
57.图5为本技术实施例的电子设备结构示意图。
具体实施方式
58.为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
59.需要说明的是，除非另外定义，本技术的实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术的实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
60.如背景技术部分所述，相关的自媒体用户选择方法方法还难以满足商家及相关人员对目标用户进行选择的需要。
61.申请人在实现本技术的过程中发现，相关的自媒体用户选择方法方法存在的主要问题在于：在自媒体平台中的各个用户，其所具备的特征多种多样，不同粉丝对于同一用户的粘性和重视程度不同，并且，申请人还发现，自媒体用户的影响力，传播能力可以从多维度进行评价。
62.可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
63.以下，通过具体的实施例，来详细说明本技术的技术方法。
64.参考图1，本技术一个实施例的自媒体用户选择方法，包括以下步骤：
65.步骤s101、在自媒体平台中周期性获取多个预选用户的初始数据，通过对所述初始数据进行预处理，得到每个所述预选用户的关系特征、影响力特征、粉丝特征、情感特征和传播度特征。
66.在本技术的实施例中，在确定的自媒体平台中，根据预设的周期，周期性地获取多个预选用户在该自媒体平台中的数据作为初始数据，并进行预处理。
67.具体地，对于每个预选用户，所获取的初始数据可以包括：
means算法，以重新进行聚类，在多次的聚类过程中，每个聚类的质心和聚类中所包括的预选用户将被不断调整。
87.进一步地，当聚类质心不再发生变化，保持稳定，即代表了聚类也即团簇中的预选用户不在发生变化，保持稳定，可以将此时的聚类结果作为本步骤中最终的聚类结果。
88.在本实施例中，根据上述确定的聚类结果，在每个团簇中按照预定的比例和预定的策略确定候选用户，例如，将影响力特征最高的前20％的预选用户作为候选用户，或者将其他特征最高的前30％或其他比例的预选用户确定为候选用户。
89.步骤s103、对全部所述候选用户中的每一个，采取极端梯度提升算法对该候选用户的所述影响力特征进行加权，得到影响力得分；利用所述粉丝特征计算粉丝重要度得分；利用自回归语言模型、循环卷积神经网络和注意力机制构建情感分析模型，对所述情感特征进行概率分析，得到情感得分。
90.在本技术的实施例中，采取了包括影响力得分、粉丝重要度得分和情感得分在内的多准则评价的方式，对目标用户进行选择，对于每个得分准则的计算，在执行上没有先后顺序，在本实施例中的描述顺序仅仅作为示例。
91.在本实施例中，对于每个候选用户，在影响力特征：明星标签、平台认证标签、电商合作标签、创作类型标签和优质作品标签中，确定该候选用户所具备的标签。
92.由于在实际情况中，往往存在某个候选用户只具备其中的一部分标签，但具备持有其他缺失标签的资格，由于自媒体平台认证迟缓，或者其他原因，导致该候选用户没有持有部分标签，因此首先需要对候选用户判定是否有资格持有其他缺失的标签。
93.具体地，将候选用户所具备的标签输入至xgboost(极端梯度提升算法)的回归树模型中进行训练。
94.其中，在本实施例中的xgboost有强大泛化能力，并且具备足够准确的树群。
95.进一步地，xgboost回归树模型通过对候选用户所持有的标签预测该候选用户是否具备持有其他缺失标签的资格。
96.若该候选用户具备持有某个或某几个缺失的标签的资格，则将该标签与其所持有的标签共同进行加权融合，并将融合结果作为影响力得分。
97.若该候选用户不具备持有其他我缺失的标签的资格，则只将其所持有的标进行加权融合，并将融合结果作为影响力得分。
98.在本实施例中，自媒体平台具有一定的社交属性，可以根据候选用户间的关注和被关注关系构建复杂网络模型，为了反应粉丝对短视频创作者的重视程度，引入了pagerank(网页排名)思想，通过不断迭代得到粉丝影重要度得分。
99.具体地，如步骤s101所述，每个粉丝的转发次数、评论次数和点赞次数，并将其作为该候选用户的粉丝特征，因此，对于每个候选用户，确定候选用户的粉丝特征中各项数值。
100.进一步地，对于每个候选用户，利用粉丝特征，采取如下公式确定该候选用户与每个分子之间的信息量：
[0101][0102]
其中，i表示候选用户，j表示粉丝，rt(i,j)表示在获取周期内粉丝j对候选用户i
的作品的转发次数、评论次数和点赞次数的综合，s(i)表示在获取周期内候选用户i所发布的作品的数量。
[0103]
进一步地，利用如下公式确定上述的粉丝j对于候选用户i的重视度：
[0104][0105]
其中，p表示粉丝i所关注的其他某个用户，u则为该粉丝i所关注的其他用户的全部集合；也即，该公式的分子表征了该候选用户与该分子之间的传递的信息量，而分母表征了该粉丝与全部用户之间的信息量总量。
[0106]
进一步地，利用上述算法，计算候选用户i的每个粉丝对于该候选用户的重视度，并进一步计算每个候选用户与其每个粉丝之间的重视度。
[0107]
进一步地，将计算出的每个重视度作为一个元素，组成转移矩阵m，并设计重要性向量，利用如下所示的迭代函数对重要性向量进行迭代：
[0108][0109]
其中，v表示前一次迭代中的重要性向量，并在初次迭代时，对重要性向量进行初始化作为公式中的v，v’表示本次迭代所计算出的重要性向量，e为单位向量，n为网络中节点的数量，d为预先设置的阻尼系数。
[0110]
进一步地，经过多次迭代，重要性向量的变化由于阻尼系数的存在将逐渐收敛，当重要性向量趋于稳定，并不再变化时，将此时的重要性向量确定为粉丝重要度得分。
[0111]
在本实施例中，为了确定情感得分，可以利用xlnet 302(自回归语言模型)、bi-sru 303(循环神经网络)、注意力机制和softmax函数(也即分类器)构建情感分析模型。
[0112]
具体地，如图3所示，对于每个候选用户，将其全部作品所收到的评论语句，也即情感特征作为句子矩阵，在图3中表示为x1，x2……
xn，由输出层301输入至xlnet 302进行训练，以充分挖掘长文本间的信息，并保存文本的文本动态特征t。
[0113]
进一步地，将得到的文本动态特征输入至bi-sru 303，使用bi-sru 303对文本动态特征进行训练，在缩短训练时间的基础上进一步提取深层的文本语义特征，其中，每个文本语义特征均可以是一个词向量。
[0114]
进一步地，将深层的文本语义特征送入注意力机制模型304中并使用softmax函数进行处理，以过滤无关信息，解决信息过载的问题。
[0115]
进一步地，通过注意力机制可以得到上述词向量的权重信息h，具体地，可以是一个矩阵，并称为语义权重矩阵，将语义权重矩阵中的每语义权重h作为对应所述词向量a的权重。
[0116]
进一步地，将上述得到的语义权重输入至输出层305，以将该语义权重与深层的文本语义特征，也即词向量对应相乘并进行求和运算得到每条文本数据在情感类别中的条件概率，并将其作为该候选用户的情感得分。其中，情感的类别可以包括：例如，喜爱和讨厌两类。
[0117]
步骤s104、基于全部所述候选用户，利用所述传播度特征、所述影响力得分、所述粉丝重要度得分和所述情感得分进行区间模糊处理，得到目标权重，将每个所述候选用户的所述目标权重输入预置的多准则决策框架，得到该候选用户的综合值，并根据所述综合值确定目标用户。
[0118]
在本技术的实施例中，基于上述方法，获取全部候选用户的传播度特征，计算全部候选用户的影响力得分、粉丝重要度得分和情感得分，并将传播度特征、影响力得分、粉丝重要度得分和情感得分同时作为多准则评价的多项指标。
[0119]
进一步地，构建如图4所示的模糊区间的投影模型。
[0120]
具体地，在上述计算出的全部候选用户中，选择传播度特征的最大值、影响力得分的最大值、粉丝重要度得分的最大值和情感得分均的最大值作为理想方案，并在本实施例中表示为x

。
[0121]
进一步地，在上述计算出的全部候选用户中，选择传播度特征的最小值、影响力得分的小值、粉丝重要度得分的最小值和情感得分均的最小值作为临界方案，并在本实施例中表示为x-。
[0122]
进一步地，将每个候选用户的传播度特征取值、影响力得分取值、粉丝重要度得分取值和情感得分取值作为当前方案，并在本实施例中表示为xi。
[0123]
进一步地，根据图4所示，将理想方案、临界方案和当前方案构成向量x-xi、向量x

xi和向量x-x

，其中，向量x xi在x-x

上的投影表示为向量x-xi在x-x

上的投影
[0124]
进一步地，利用如下所示的第一投影公式计算
[0125][0126]
利用如下所示的第二投影公式计算
[0127][0128]
其中，在第一投影公式和第二投影公式中，c均表示协方差，e均表示期望。
[0129]
进一步地，为使当前方案在理想方案上的投影最大，在临界方案上的投影最小，在本实施例中引入最大熵原理，构建了如下的目标函数：
[0130][0131]
其中，为的第一权重集合，为的第二权重集合，n为全部候选用户，m为多准则评价中的全部指标。
[0132]
进一步地，当上述目标函数的结果达到最大时，确定此时的第一权重集合和第二权重集合，并共同作为目标权重的两个权重分量。
[0133]
进一步地，对于每个候选用户，将得到的上述指标进行加成求和，并通上述目标权重一起输入至vikor(多准则决策框架)中进行计算，得到该候选用户的综合值，并在全部候选用户中，根据综合值进行排序并优选所需个数的候选用户作为目标用户。
[0134]
可见，本技术的实施例的自媒体用户选择方法，基于对用户数据的整理，综合考虑了代表用户之间关系的关系特征、代表用户影响力的影响力特征、代表用户粉丝对其重视程度的粉丝特征，并综合了用户作品的传播度特征，来对用户进行多准则评价，使得对用户的评价结果准确，从而实现精准挑选影响力较大的自媒体目标用户。
[0135]
需要说明的是，本技术的实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术的实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0136]
需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0137]
基于同一发明构思，与上述任意实施例方法相对应的，本技术的实施例还提供了一种自媒体用户选择装置。
[0138]
参考图2，所述自媒体用户选择装置，包括：预处理模块201、筛选模块202、多准则评价模块203和排序模块204。
[0139]
其中，预处理模块201，被配置为：在自媒体平台中周期性获取多个预选用户的初始数据，通过对所述初始数据进行预处理，得到每个所述预选用户的关系特征、影响力特征、粉丝特征、情感特征和传播度特征；
[0140]
筛选模块202，被配置为：利用所述关系特征，对全部所述预选用户执行聚类算法进行聚类，得到划分为不同类别的所述预选用户，在每个所述类别的所述预选用户中，按照预设比例确定多个候选用户；
[0141]
多准则评价模块203，被配置为：对全部所述候选用户中的每一个，采取极端梯度提升算法对该候选用户的所述影响力特征进行加权，得到影响力得分；利用所述粉丝特征计算粉丝重要度得分；利用自回归语言模型、循环卷积神经网络和注意力机制构建情感分析模型，对所述情感特征进行概率分析，得到情感得分；
[0142]
排序模块204，被配置为：基于全部所述候选用户，利用所述传播度特征、所述影响力得分、所述粉丝重要度得分和所述情感得分进行区间模糊处理，得到目标权重，将每个所述候选用户的所述目标权重输入预置的多准则决策框架，得到该候选用户的综合值，并根据所述综合值确定目标用户。
[0143]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术的实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0144]
上述实施例的装置用于实现前述任一实施例中相应的自媒体用户选择方法，并且
具有相应的方法实施例的有益效果，在此不再赘述。
[0145]
基于同一发明构思，与上述任意实施例方法相对应的，本技术的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上任意一实施例所述的自媒体用户选择方法。
[0146]
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0147]
处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案。
[0148]
存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本技术实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0149]
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0150]
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0151]
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0152]
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本技术实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0153]
上述实施例的装置用于实现前述任一实施例中相应的自媒体用户选择方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0154]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的自媒体用户选择方法。
[0155]
本实施例的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。
[0156]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的自媒体用户选择方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0157]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术的实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0158]
另外，为简化说明和讨论，并且为了不会使本技术的实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术的实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术的实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术的实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0159]
尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0160]
本技术的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术的实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。