对象推荐方法、模型训练方法、装置、设备及介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种对象推荐方法、模型训练方法、装置、设备及介质。


背景技术：

2.随着互联网技术的发展，互联网商家为用户提供海量的商品和服务，极大地满足了用户需求。如何在海量的商品、服务中为用户准确推荐感兴趣的对象是目前面临的挑战之一。
3.通常的，统计对象的访问频率、成交频率等，基于对象的访问频率、成交频率，从海量的对象中挑选出用户可能感兴趣的对象，比如，将访问频率最高的对象推荐给用户，将成交频率最高的对象推荐给用户。还可以根据用户的历史记录数据，比如用户访问过商品或者服务，从海量的对象中挑选出用户可能感兴趣的对象，比如，在海量的对象中，确定与用户访问过的商品相似度较高的商品并推荐给用户。
4.然而，上述对象推荐方法的推荐准确性较低。


技术实现要素：

5.本技术提供一种对象推荐方法、模型训练方法、装置、设备及介质。用以解决对象推荐的准确性较低的问题。
6.第一方面，本技术实施例提供一种对象推荐方法，包括：在对象推荐模型中，根据用户的属性信息和候选对象的属性信息，确定与候选对象对应的特征向量，其中，用户的属性信息中包括用户所属的目标地区，候选对象的属性信息包括候选对象在多个地区下分别对应的统计数据；在对象推荐模型中，基于特征向量，通过多任务网络中的评分网络和与评分网络连接的网络分支，对候选对象进行打分，得到候选对象的目标评分，其中，多任务网络中，网络分支为多个，不同的网络分支对应不同的地区；根据候选对象的目标评分，向用户推荐候选对象中的目标对象。
7.第二方面，本技术实施例提供一种模型训练方法，包括：确定训练数据集，训练数据集中包括多个训练样本和训练样本的标签，训练样本包括用户的属性信息和对象的属性信息，用户的属性信息中包括用户所属的目标地区，对象的属性信息包括对象在多个地区下分别对应的统计数据，训练样本的标签用于标记用户对训练样本中的对象是否感兴趣；根据训练数据集，对对象推荐模型进行有监督训练，其中，对象推荐模型包括用于对对象进行打分的多任务网络，多任务网络包括评分网络和与评分网络连接的网络分支，网络分支为多个，不同的网络分支对应不同的地区。
8.第三方面，本技术实施例提供一种对象推荐装置，包括：特征确定单元，用于在对象推荐模型中，根据用户的属性信息和候选对象的属性信息，确定与候选对象对应的特征向量，其中，用户的属性信息中包括用户所属的目标地区，候选对象的属性信息包括候选对象在多个地区下分别对应的统计数据；对象评分单元，用于在对象推荐模型中，基于特征向
量，通过多任务网络中的评分网络和与评分网络连接的网络分支，对候选对象进行打分，得到候选对象的目标评分，其中，多任务网络中，网络分支为多个，不同的网络分支对应不同的地区；对象推荐单元，用于根据候选对象的目标评分，向用户推荐候选对象中的目标对象。
9.第四方面，本技术实施例提供一种模型训练装置，包括：数据确定单元，用于确定训练数据集，训练数据集中包括多个训练样本和训练样本的标签，训练样本包括用户的属性信息和对象的属性信息，用户的属性信息中包括用户所属的目标地区，对象的属性信息包括对象在多个地区下分别对应的统计数据，训练样本的标签用于标记用户对训练样本中的对象是否感兴趣；训练单元，用于根据训练数据集，对对象推荐模型进行有监督训练，其中，对象推荐模型包括用于对对象进行打分的多任务网络，多任务网络包括评分网络和与评分网络连接的网络分支，网络分支为多个，不同的网络分支对应不同的地区。
10.第五方面，本技术实施例提供一种云服务器，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使云服务器能够执行本技术实施例第一方面提供的对象推荐方法，和/或，以使云服务器能够执行本技术实施例第二方面提供的模型训练方法。
11.第六方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本技术实施例第一方面提供的对象推荐方法，和/或，计算机程序被处理器执行时实现本技术实施例第二方面提供的模型训练方法。
12.本技术实施例中，对象推荐模型包括多任务网络，多任务网络包括评分网络和与评分网络连接的网络分支，多任务网络中的网络分支为多个，不同的网络分支对应不同的地区。利用对象推荐模型进行对象推荐的过程包括：在对象推荐模型中，根据用户的属性信息和候选对象的属性信息，确定与候选对象对应的特征向量，其中，用户的属性信息包括用户所属的目标地区，候选对象的属性信息包括候选对象在多个地区下分别对应的统计数据；接着，基于与候选对象对应的特征向量，在对象推荐模型包含的多任务网络中，通过评分网络和与评分网络连接的网络分支，对候选对象进行打分，得到候选对象的目标评分；最后，根据候选对象的目标评分，向用户推荐候选对象中的目标对象。
13.可见，在特征设计的过程中，关注了用户所属的地区以及对象在多个地区分布对应的统计数据；在对象推荐模型的模型结构中，利用多任务模型为不同地区提供不同的网络分支。所以，本技术实施例从特征设计和模型结构出发，充分考虑到不同地区的用户之间存在差异的情况，采用对象推荐模型有效地提高了对象推荐的准确性，提高了用户体验。
附图说明
14.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做一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
15.图1为根据本技术实施例提供的应用场景示例图；
16.图2为本技术实施例提供的对象推荐模型的结构示意图一；
17.图3为本技术实施例提供的对象推荐方法的流程示意图一；
18.图4为本技术实施例提供的对象推荐方法的流程示意图二；
19.图5为本技术实施例提供的对象推荐模型的结构示意图二；
20.图6为本技术实施例提供的对象推荐模型的结构示意图三；
21.图7为本技术实施例提供的对象推荐模型的结构示意图四；
22.图8为本技术实施例提供的对象推荐方法的流程示意图三；
23.图9为本技术实施例提供的模型训练方法的流程示意图；
24.图10为本技术实施例提供的对象推荐装置的结构框图；
25.图11为本技术实施例提供的模型训练装置的结构框图；
26.图12为本技术实施例提供的云服务器的硬件结构示意图。
27.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
28.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
30.在人口基数、政策、文化、经济水平、物流等因素的影响下，不同地区的人们的消费水平、商品偏好存在差异，不同地区的用户流量分布不均(比如某个地区每天的访问用户数为1万，另外一个地区每天的访问用户数为4万)，不同地区所关注的业务目标以及业务目标所达到的指标值也不同。这些差异的存在，给对象推荐算法带来较大的挑战。
31.以对象为商品为例，针对商品推荐，可采用以下方案：
32.一种方案是：为建模一套覆盖全局(即所有地区)用户的推荐模型，未对不同地区的差异进行有效建模。在该方案中，独立访客(unique visitor，uv)较多的地区(即用户量较大的地区)主导了商品的统计量特征，而商品的统计量特征又是推荐模型的重要依赖特征，这使得uv较多的地区主导了推荐结果，uv较少的地区的用户需求难以得到满足和表达。长此以往，商品推荐会陷入严重的马太效应，商品推荐的准确性较低。
33.另一种方案是：针对不同地区，进行单独的模型训练和模型部署。具体的，为不同的地区单独设计一个推荐模型，利用商品在地区中的统计量特征，训练模型，最后部署模型。然而，在实际训练中，部分地区的地区所对应的推荐模型面临着训练样本不足、特征稀疏的问题，而且该方式中模型的离线训练和在线生效都较为繁琐。
34.又一种方案是：不同的地区采用同一个推荐模型，但针对不同的地区，对该推荐模型单独的模型优化(即模型训练)，即对推荐模型进行分地区优化。然而，在该方案中，uv较多的地区模型优化充分，uv较少的地区模型优化不足。
35.为了解决上述问题，本技术实施例提出了一种对象推荐方法、模型训练方法、装置、设备及介质。其中，在对象推荐方法中，对象推荐模型包括多任务网络，多任务网络包括评分网络和与评分网络连接的网络分支，多任务网络中的网络分支为多个，不同的网络分支对应不同的地区。在对象推荐模型中：根据用户的属性信息和候选对象的属性信息，确定与候选对象对应的特征向量，其中，用户的属性信息包括用户所属的目标地区，候选对象的属性信息包括候选对象在多个地区下分别对应的统计数据；基于特征向量，通过多任务网络中的评分网络和与评分网络连接的网络分支，对候选对象进行打分，得到候选对象的目标评分。最后，根据候选对象的目标评分，向用户推荐候选对象中的目标对象。
36.从而，在一套推荐算法(即一套对象推荐模型)覆盖全局用户的基础上，通过在对象推荐模型中设计包含评分网络和与多个地区对应的网络支路的多任务网络，使得评分网络不受样本不足、特征稀疏的影响，网络分支又能够基于特征向量有针对性地学习不同地区的用户特征和对象特征，有效地提高了对象推荐模型进行对象推荐的准确性。
37.示例性的，以对象为商品为例，图1为根据本技术实施例提供的应用场景示例图。如图1所示，在该应用场景中，位于多个地区(例如图中的a地区、b地区)的用户，在用户终端浏览商品页面时，对象推荐装置(图1以对象推荐装置为服务器为例)利用部署的对象推荐模型，对商品进行打分，再基于商品的得分，向用户终端推荐推荐商品。
38.参考图2，图2为本技术实施例提供的对象推荐模型的结构示意图一。如图2所示，在对象推荐模型的结构中，对象推荐模型包括输入层和连接输入层的多任务网络，多任务网络包括评分网络和多个网络分支，评分网络连接网络分支，不同的网络分支对应不同的地区，比如图2中对应地区a的网络分支和对应地区b的网络分支。其中，输入层用于输入用户的属性信息和对象的属性信息，输出与对象对应的特征向量，多任务网络用于基于与对象对应的特征向量，对对象进行打分，得到对象的评分。
39.可选的，对象推荐模型中，输入层可为特征嵌入层，以对模型输入数据进行特征嵌入。
40.基于图2所示的对象推荐模型，在图1中，利用对象推荐模型进行商品打分的过程中，可在对象推荐模型中，基于用户的属性信息和商品的属性信息，通过多任务网络中的评分网络和与评分网络连接的网络分支，对商品进行打分，得到商品的评分。
41.其中，对象推荐装置可以从用户终端获取用户的属性信息，也可以从用户终端获取用户id，再基于用户id获得用户的属性信息，用户的属性信息中包括用户所属的地区；商品的属性信息可以预先存储在对象推荐装置中，也可以从其他的设备获取得到。
42.下面，结合上述图1示出的应用场景，通过具体实施例对本技术的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
43.需要说明的是，本技术的实施例的执行主体可为电子设备，电子设备可以为终端或者服务器。其中，终端可以是个人数字处理(personal digital assistant，简称pda)设备、具有无线通信功能的手持设备(例如智能手机、平板电脑)、计算设备(例如个人电脑(personal computer，简称pc))、车载设备、可穿戴设备(例如智能手表、智能手环)、智能家居设备(例如智能显示设备)等。其中，服务器可以为单个服务器，也可以为服务器集群，可以为分布式服务器，也可以为集中式服务器，还可以为云服务器。
44.上述只是示例性的一个应用场景。本技术实施例可以应用于互联网中任何对象推荐场景中，比如商家推荐场景、物流服务推荐场景等。
45.参考图3，图3为本技术实施例提供的对象推荐方法的流程示意图一。如图3所示，本技术实施例提供的对象推荐方法，具体包括以下步骤：
46.s301，在对象推荐模型中，根据用户的属性信息和候选对象的属性信息，确定与候选对象对应的特征向量，其中，用户的属性信息中包括用户所属的目标地区，候选对象的属性信息包括候选对象在多个地区下分别对应的统计数据。
47.其中，对象推荐模型为预先训练好的用于对对象进行评分的深度学习网络。对象推荐模型的结构可以参照图2，具体的，对象推荐模型多任务网络，多任务网络包括评分网络和多个网络分支，多个网络分支可为浅层网络，比如多层感知机(multi layer perceptron)，不同的网络分支对应不同的地区。在对象推荐模型中，评分网络用于对对象进行打分，多个网络分支用于基于评分网络的打分进行分地区优化，以提高对象的评分的准确性。
48.多任务网络又可称为多任务学习(multi-task learning)网络，可利用多个相关的学习任务的共通性，来完成多个相关的学习任务。在本技术实施例中，多任务网络要完成的多个学习任务包括为不同地区的用户有针对性地提供对象评分，其中，评分网络用于学习对象在多个地区的相通的特征，多个网络分支用于学习对象在各个地区的独特性。
49.其中，地区可以是城市、国家、洲等。用户所属的目标地区，可以从用户终端直接获取得到；或者，可以从用户终端获取用户的id，在基于用户的id从用户数据库中查询得到；或者，可以获取用户终端的设备标识，基于设备标识确定用户所属的目标地区，比如设备标识为ip地址，基于用户终端的ip地址来确定用户所属的目标地区。
50.可选的，除了用户所属的目标地区之外，用户的属性信息中还可包括用户在历史时间段内与对象的互动数据，其中，互动数据可包括如下至少一种：用户浏览的对象、用户下单的对象、用户收藏的对象、用户评论的对象、用户回购的对象。此外，用户的属性信息还可以包括用户的基本信息，比如用户所属的年龄区间、用户的性别等。历史时间段例如为过去一周、过去十天、或者过去一个月等等。
51.其中，候选对象可为海量的对象集中的全部或者部分对象；或者，为提高对象推荐的准确性和效率，候选对象可为用户在历史时间段内交互的对象，比如，用户在历史时间段内浏览的对象、下单的对象等；或者，为提高对象推荐的准确性和效率，候选对象可为目标地区内的多个用户在历史时间段内交互的对象。
52.候选对象在多个地区下分别对应的统计数据，可包括候选对象在特征维度下的分地区的统计数据，特征维度可包括如下至少一种：曝光维度、点击维度、成交维度、收藏维度、加入购物清单维度、利润维度。作为示例的，候选对象在曝光维度下的分地区的统计数据包括：候选对象曝光给a地区的用户的次数，候选对象曝光给b地区的用户的次数等；候选对象在点击维度下的分地区的统计数据包括：候选对象被a地区的用户点击的次数、候选对象被b地区的用户点击的次数；在此不对剩余的维度一一举例。
53.可选的，候选对象的属性信息还包括候选对象的标识信息，以区分不同的候选对象。
54.可选的，候选对象的属性信息还包括候选对象在所有地区的总统计数据，比如，候
选对象在所有地区的曝光次数之和、候选对象在所有地区的点击次数之和等等。从而，通过提供候选对象在所有地区的统计数据和分地区的统计数据，提高对象推荐的准确性。
55.本实施例中，可响应于来自用户终端的对象推荐请求(比如，用户浏览商品推荐页面时，用户终端向对象推荐设备发送对象推荐请求)，确定用户的属性信息。响应于对象推荐请求，从预先采集的对象数据库中，获取候选对象的属性信息。之后，可将用户的属性信息和候选对象的属性信息输入至对象推荐模型中。在对象推荐模型中，对用户的属性信息和候选对象的属性信息进行编码处理，得到与候选对象对应的特征向量。如果候选对象为多个，则针对每个候选对象，可将用户的属性信息和候选对象的属性信息输入至对象推荐模型中，在对象推荐模型中对用户的属性信息和该候选对象的属性信息进行编码处理，得到与该候选对象对应的特征向量。如此，得到与各个候选对象对应的特征向量。
56.可选的，在对象推荐模型包括特征嵌入层时，可将用户的属性信息和候选对象的属性信息输入至特征嵌入层，通过在特征嵌入层对用户的属性信息和候选对象的属性信息进行特征嵌入处理，得到与候选对象的特征向量。从而，通过特征嵌入对用户的属性信息和候选对象的属性信息降维为固定维度的特征向量，提高后续多任务网络的特征学习效果。
57.s302，在对象推荐模型中，基于与候选对象对应的特征向量，通过多任务网络中的评分网络和与评分网络连接的网络分支，对候选对象进行打分，得到候选对象的目标评分。
58.其中，与评分对象连接的网络分支中，包括与目标地区对应的网络分支。
59.本实施例中，将与候选对象的特征向量输入至多任务网络中，通过评分网络和与评分网络连接的网络分支，对该特征向量进行特征处理，得到候选对象的目标评分。
60.在通过评分网络和与评分网络连接的网络分支，对该特征向量进行特征处理的过程中，可过评分网络和与目标地区对应的网络分支，对该特征向量进行特征处理，之后，将经与目标地区对应的网络分支得到的评分确定为候选对象的目标评分；或者，可通过评分网络和多个网络分支，对该特征向量进行特征处理，之后，对经多个网络分支得到的评分进行加权处理，比如加权求和，得到候选对象的目标评分，在加权处理中，可为与目标地区对应的网络分支对应相对较高的权重，以使目标评分主要受网络分支学习效果的影响。
61.s303，根据候选对象的目标评分，向用户推荐候选对象中的目标对象。
62.本实施例中，在得到候选对象的目标评分后，可按照目标评分从高到低的方式，向用户推荐候选对象中的目标对象。具体的，一种方式中，可确定目标对象为目标评分大于评分阈值的候选对象，向用户推荐目标对象；又一种方式中，可按照目标评分从高到低的顺序，对候选对象进行排序，在排序后的候选对象中挑选预设数量个目标对象。在确定目标对象后，可按照目标评分从高到低的方式，将目标对象的相关信息(比如图片、价格等)发送至用户的终端，由用户的终端在显示屏幕上显示目标对象的相关信息，实现对象推荐。
63.本技术实施例中，关注用户所属的目标地区，对候选对象进行分地区的数据统计，在对象推荐模型中，设计包含评分网络和多个网络分支的多任务网络，通过多任务网络中的评分网络和多个网络分支，学习候选对象在多个地区的特征表现的共性和区别。如此，对象推荐模型既能够应用于所有地区，又能够各个地区的用户有针对性地提供对象的评分，即有针对性地推荐对象，而且，网络分支训练所需的样本较少，解决了uv较少的地区训练样本较少导致模型效果不佳的问题。因此，有效地提高了各个地区的对象推荐准确性。
64.参照图4，图4为本技术实施例提供的对象推荐方法的流程示意图二。如图4所示，
本技术实施例提供的对象推荐方法，具体包括如下步骤：
65.s401，在对象推荐模型中，根据用户的属性信息和候选对象的属性信息，确定与候选对象对应的特征向量，其中，用户的属性信息中包括用户所属的目标地区，候选对象的属性信息包括候选对象在多个地区下分别对应的统计数据。
66.其中，s401的实现原理和技术效果可参照前述实施例，不再赘述。
67.s402，将与候选对象对应的特征向量输入至多任务网络中的评分网络，在评分网络中基于特征向量对候选对象进行评分，得到评分网络输出的评分。
68.其中，评分网络又可以称为专家网络，评分网络可以包括多个网络层，进一步的，评分网络中的网络层可为全连接网络层。评分网络的输入数据为与候选对象对应的特征向量，评分网络的输出数据为该特征向量对应的评分。
69.本实施例中，将与候选对象对应的特征向量输入至评分网络中，在评分网络中，特征向量经过多个网络层的特征处理，例如，进行卷积处理。最终，得到评分网络输出的评分，该评分可以视为候选对象的初始评分。
70.s403、将评分网络输出的评分输入至网络分支，在网络分支中对评分网络输出的评分进行优化处理，得到目标评分。
71.其中，评分网络可连接一个或多个网络分支，为一个或多个网络分支提供评分。在多任务网络中，不同的网络分支对应不同的地区，与一个地区对应的网络分支是基于对象受该地区的用户的偏好情况与对象推荐模型对对象的评分之间的差异训练得到的。
72.本实施例中，将评分网络输出的评分输入至与该评分网络连接的网络分支，通过网络分支中的多个网络层，对评分网络输出的评分进行优化处理，由于网络分支是具备地区差异的，经过网络分支优化处理后的评分为候选对象在网络分支对应的地区的评分。比如，经与地区a对应的网络分支优化处理后的评分，是候选对象在地区a的评分，经与地区b对应的网络分支优化处理后的评分，是候选对象在地区b的评分。最终，基于经网络分支优化处理后的评分，得到候选对象的目标评分。
73.在一种可能的模型结构中，参考图5，图5为本技术实施例提供的对象推荐模型的结构示意图二，评分网络为多个，不同的网络分支共享所有评分网络，换句话说，每个网络分支均与所有评分网络连接。在对象推荐过程中，评分网络相当于评委，多个评委进行评分的准确性明显是高于一个评分进行评分的准确性的，因此，在对象推荐模型中设置与所有网络分支连接的多个评分网络，相当于为各个地区都提供多个评委，而且不同的网络分支共享所有评分网络，说明评分网络可以基于所有地区的样本得到充分的训练，不存在样本不足、特征稀疏的问题，所以本模型结构可有效提高对象推荐模型的推荐准确性。
74.基于图5所示的对象推荐模型，在一种可能的实现方式，如图4所示，s402包括：s4021，将与候选对象对应的特征向量分别输入至多任务网络中的各个评分网络，在各个评分网络中分别基于特征向量对候选对象进行评分，得到各个评分网络输出的评分。s403包括：s4031针对各个网络分支，将所有评分网络输出的评分输入至网络分支，在网络分支中对所有评分网络的评分进行融合，得到网络分支输出的评分；s4032、根据网络分支输出的评分，得到目标评分。从而，利用多个评分网络学习候选对象在全局的特征表现，通过与地区对应的网络分支学习候选对象在各个地区的特征表现，提高对象推荐准确性。
75.其中，在网络分支中对所有评分网络的评分进行融合，例如，按照网络分支中的网
络参数，在网络分支中对所有评分网络进行加权、调整。
76.可选的，基于对象推荐模型的任一模型结果，例如基于图5所示的对象推荐模型，如图5所示，网络分支包括加权网络和优化网络，加权网络用于对来自多个评分网络的评分进行融合，优化网络用于对经加权网络融合后的评分做进一步优化，以通过加权和进一步优化的方式，提高对象推荐模型的评分准确性。
77.在又一种可能的模型结构中，参考图6，图6为本技术实施例提供的对象推荐模型的结构示意图三，多任务网络还包括掩码网络，掩码网络用于对多个网络分支的输出数据进行筛选，以在多个网络分支的输出数据中，筛选得到与目标地区对应的网络分支的输出数据，即屏蔽其他网络分支的输出数据。其中，掩码网络的网络参数由用户所属的目标地区决定。
78.基于图6所示的对象推荐模型，在一种可能的实现方式中，s4032包括：根据目标地区，初始化掩码网络；在多任务网络中，将所有网络分支输出的评分输入至初始化后的掩码网络，通过初始化后的掩码网络中筛选出与目标地区对应的目标网络分支输出的评分；根据目标网络分支输出的评分，确定目标评分。
79.其中，为简洁描述，将与目标地区对应的网络分支称为目标网络分支。
80.本实现方式中，掩码网络的网络参数中包括与各个网络分支对应的网络参数。在初始化掩码网络的过程中，可在掩码网络的网络参数中，将与目标网络分支对应的网络参数初始化为1，将与剩余的网络分支对应的网络参数初始化为0，之后，将掩码网络中的网络参数与对应的网络分支输出的评分进行加权，筛选出目标网络分支输出的评分。之后，可确定候选对象的目标评分为目标网络分支输出的评分。因此，在本实现方式中，在用户属于目标地区且不同地区的用户对对象的兴趣不同的情况下，通过上述网络结构，得到候选对象在目标地区下的评分，提高了评分的准确性，进而提高对象推荐的准确性。
81.s404、根据候选对象的目标评分，向用户推荐候选对象中的目标对象。
82.其中，s404的实现原理和技术效果可参照前述实施例，不再赘述。
83.本技术实施例中，关注用户所属的目标地区，对候选对象进行分地区的数据统计，在对象推荐模型中，设计包含评分网络和多个网络分支的多任务网络，通过多任务网络中的评分网络对候选对象进行评分，通过多个网络分支对评分网络输出的评分进行分地区优化。如此，实现一套推荐算法适用于所有地区，并为各个地区的用户有针对性地提供对象的评分，即实现对象推荐模型对地区差异的兼容，而且评分网络在全局的样本下可以得到充分训练，作为浅层网络的网络分支训练所需的样本较少，解决了uv较少的地区训练样本较少导致模型效果不佳的问题。因此，有效地提高了各个地区的对象推荐准确性。
84.在又一种可能的模型结构中，参考图7，图7为本技术实施例提供的对象推荐模型的结构示意图四，多任务网络为多个，其中，不同的多任务网络对应不同的业务目标，比如，对应分别与访问、成交、利润相关的业务目标。各个多任务网络均包括评分网络和多个网络分支，在每个多任务网络中，不同的网络分支对应不同的地区。通过多任务网络，可以得到对象在多任务网络所对应的业务目标下的目标评分。
85.其中，不同的多任务网络的结构可相同。
86.基于图7所示的对象推荐模型，参考图8，图8为本技术实施例提供的对象推荐方法的流程示意图三。本技术实施例提供的对象推荐方法，具体包括以下步骤：
87.s801、在对象推荐模型中，根据用户的属性信息和候选对象的属性信息，确定与候选对象对应的特征向量，其中，用户的属性信息中包括用户所属的目标地区，候选对象的属性信息包括候选对象在多个地区下分别对应的统计数据。
88.其中，s801的实现原理和技术效果可参照前述实施例，不再赘述。
89.s802、在对象推荐模型中，将特征向量输入各个多任务网络中，基于特征向量，通过多任务网络中的评分网络和多任务网络中与评分网络连接的网络分支对候选对象进行打分，得到候选对象在多任务网络对应的业务目标下的目标评分。
90.本实施例中，将与候选对象对应的特征向量分别输入到对象推荐模型的各个多任务网络中，在各个多任务网络中，通过评分网络和多个网络分支，对特征向量进行处理，实现对候选对象的打分，得到各个多任务网络分别输出的评分，即候选对象在各个多任务网络对应的业务目标下的目标评分。其中，通过多任务网络中的评分网络和多个网络分支，对候选对象进行打分的过程，可参照前述实施例，在此不再赘述。
91.s803、根据候选对象在各个多任务网络对应的业务目标下的目标评分，确定候选对象最终的目标评分。
92.本实施例中，可确定候选对象的目标评分包括候选对象在各个多任务网络对应的业务目标下的目标评分，或者，可对候选对象在各个多任务网络对应的业务目标下的目标评分进行融合，比如通过一些预设的运算公式进行运算，得到候选对象最终的目标评分。
93.可选的，业务目标包括点击率(click-through-rate，ctr)和转化率(conversion rate)，候选对象在多个地区下的统计数据包括候选对象在多个地区下的点击用户数(比如候选对象在地区a的点击用户数、在地区b的点击用户数)和候选对象在多个地区下的成交用户数，并且，如图7所示，多任务网络包括与点击率对应的第一多任务网络和与转化率对应的第二多任务网络。此时，可基于候选对象在多个地区下的点击用户数和成交用户数，利用第一多任务网络和第二多任务网络，在点击率、转化率下分别对候选对象进行打分。
94.其中，点击率和转化率是两个基础的业务目标，基于点击率和转化率可以转换得到其他的业务目标，因此，在对象推荐模型中设计与点击率对应的第一多任务网络和与转化率对应的第二多任务网络，除了可以得到候选对象分别在点击率、转化率下的目标评分，还可以基于候选对象分别在点击率、转化率下的目标评分，进一步运算得到候选对象在其他业务目标下的目标评分。进而，使得对象推荐模型可以适用于不同的业务场景，适用于不同的地区，提高对象推荐模型的适用范围和基于对象推荐模型进行对象推荐的准确性。
95.基于本可选方案，在一种可能的实现方式中，s802包括：将特征向量输入至第一多任务网络，通过第一多任务网络中的评分网络和第一多任务网络中与评分网络连接的网络分支，对候选对象进行打分，得到候选对象在点击率下的目标评分；将特征向量输入至第二多任务网络，通过第二多任务网络中的评分网络和第二多任务网络中与评分网络连接的网络分支，对候选对象进行打分，得到候选对象在转化率下的目标评分。此时，s803包括：基于候选对象在点击率下的目标评分和候选对象在转化率下的目标评分，得到候选对象的最终的目标评分。
96.一示例中，可如图7所示，将候选对象在点击率下的目标评分与候选对象在转化率下的目标评分相乘，得到候选对象最终的目标评分。
97.s804、根据候选对象的目标评分，向用户推荐候选对象中的目标对象。
98.其中，s804的实现原理和技术效果可参照前述实施例，不再赘述。
99.本技术实施例中，关注用户所属的目标地区，对候选对象进行分地区的数据统计，在对象推荐模型中，设计多个多任务网络，每个多任务网络包含评分网络和多个网络分支，通过多任务网络中在多个业务目标下对候选对象进行评分，兼顾了地区差异性和业务目标的多样性，使得对象推荐方法可适用多种推荐场景，并提高了各个地区的对象推荐准确性。
100.基于前述任一实施例，可选的，对象推荐模型的模型架构可采用基于多门专家混合的多任务学习任务关系模型(modeling task relationships in multi-task learning with multi-gate mixture-of-experts，mmoe)，多任务网络可采用全空间多任务模型(entire space multi-task model，esmm)。换句话说，可在esmm的框架内，用区域定制的mmoe结构分别拟合多个业务目标下的评分任务。进一步的，在业务目标包括ctr(点击率)和cvr(转化率)的情况下，在esmm的框架内，用区域定制的mmoe结构分别拟合ctr和cvr下的评分任务。从而，结合mmoe可兼容相关且存在差异的多个多任务网络的优点以及esmm在解决数据稀疏和样本选择偏差的问题上表现较佳的优点，提升推荐相关性和准确度，并且扩大用户受用群体的区域。
101.参考图9，图9为本技术实施例提供的模型训练方法的流程示意图。本技术实施例提供的模型训练方法，具体包括以下步骤：
102.s901，确定训练数据集，训练数据集中包括多个训练样本和训练样本的标签，训练样本包括用户的属性信息和对象的属性信息，用户的属性信息中包括用户所属的目标地区，对象的属性信息包括对象在多个地区下分别对应的统计数据，训练样本的标签用于标记用户对训练样本中的对象是否感兴趣。
103.其中，用户的属性信息、对象的属性信息、对象在多个地区下分别对应的统计数据可参照前述实施例中用户的属性信息、候选对象的属性信息、候选对象在多个地区下分别对应的统计数据的描述，在此不再赘述。用户对训练样本中的对象是否感兴趣，在不同的推荐场景下可以体现为不同的用户行为，比如，在提高对象的点击率的推荐场景中，用户对对象是否感兴趣体现为用户是否点击对象(即是否访问对象)，在提高对象的成交率的推荐场景中，用户对对象是否感兴趣体现为用户是否购买对象。
104.本实施例中，可从数据库中获取预先采集的训练数据集。
105.s902，根据训练数据集，对对象推荐模型进行有监督训练，其中，推荐模型包括用于对对象进行打分的多任务网络，多任务网络包括评分网络和与评分网络连接的网络分支，网络分支为多个，不同的网络分支对应不同的地区。
106.其中，对象推荐模型可应用于前述任一实施例提供的对象推荐方法中，其模型结构可参照前述任一实施例的描述，不再赘述。
107.本实施例中，以训练数据集中的训练样本为输入数据，通过对象推荐模型对训练样本中的对象进行打分，得到训练样本中对象的目标评分。其中，对象的目标评分反映了用户对对象感兴趣的概率。因此，基于对象的目标评分和训练样本的标签，可调整对象推荐模型的模型参数，实现对象推荐模型的有监督训练。其中，对象推荐模型可经过多次有监督训练，以提高对象推荐模型的评分准确性，即提高对象推荐模型用于对象推荐的准确性。
108.在一种可能的实现方式中，s902包括：在对象推荐模型中，根据训练样本中用户的属性信息和对象的属性信息，确定与训练样本中的对象对应的特征向量；在对象推荐模型
中，基于与训练样本中的对象对应的特征向量，通过多任务网络中的评分网络和与评分网络连接的网络分支，对训练样本中的对象进行打分，得到训练样本中对象的目标评分；根据训练样本的标签和训练样本中对象的目标评分，确定对象推荐模型的损失值；根据对象推荐模型的损失值，对对象推荐模型的模型参数进行调整。
109.其中，利用对象推荐模型给对象进行打分，可参照前述实施例中利用对象推荐模型给候选对象打分的过程，在此不再赘述。
110.本实现方式中，基于训练样本中用户的属性信息和对象的属性信息，通过对象推荐模型对训练样本中的对象打分，得到训练样本中对象的目标评分后，可基于训练样本的标签与训练样本中对象的目标评分之间的差异，确定对象推荐模型的损失值。接着，再基于损失值，利用优化算法对对象推荐模型的模型参数进行调整。
111.其中，优化算法例如为梯度下降法，在此对优化算法不做限制。
112.在又一种可能的实现方式中，在对象推荐模型包括多个多任务网络的情况下，s902包括：在对象推荐模型中，根据训练样本中用户的属性信息和对象的属性信息，确定与训练样本中的对象对应的特征向量；在对象推荐模型中，基于与训练样本中的对象对应的特征向量，通过各个多任务网络中的评分网络和与评分网络连接的网络分支，对训练样本中的对象进行打分，得到训练样本中对象在各个多任务网络对应的业务目标下的目标评分；根据训练样本的标签和训练样本中对象在各个多任务网络对应的业务目标下的目标评分，确定对象推荐模型的多个损失值；根据多个损失值，对对象推荐模型的模型参数进行调整。
113.其中，利用对象推荐模型中的多个多任务网络给对象进行打分，可参照前述实施例中利用对象推荐模型中的多个多任务网络给候选对象打分的过程，在此不再赘述。训练样本的标签包括训练样本中的对象在与多个多任务网络分别对应的业务目标下的实际指标值。
114.本实现方式中，针对各个多任务网络，可基于训练样本中的对象在多任务网络对应的业务目标下的实际指标值与训练样本中的对象在该业务目标下的目标评分之间的差异，对该多任务网络的网络参数进行调整，以提高对多任务网络进行参数调整的准确性。
115.进一步的，在业务目标包括点击率和转化率的情况下，训练样本的标签可包括训练样本中对象的实际点击率和实际转化率，对象在点击率下的目标评分相当于对象的预测点击率，对象在转化率下的目标评分相当于对象的预测转化率。因此，可以基于对象在点击率下的目标评分与对象的实际点击率之间的差异，对点击率对应的第一多任务网络的网络参数进行调整，可基于对象在转化率下的目标评分与对象的实际转化率之间的差异，对转化率对第二多任务网络的网络参数进行调整。
116.基于前述任一参数调整方案，可选的，由于多任务网络中不同的网络分支对应不同的地区，在对对象推荐模型的模型参数进行调整的过程中，可根据损失值，对多任务网络中的评分网络和与目标地区对应的目标网络分支进行调整。
117.本可选方式中，在基于位于目标地区的用户的属性信息和对象的属性信息，利用对象推荐模型对对象进行评分，得到对象的目标评分后，对象的目标评分反映的是对象在目标地区的目标评分，即反映的是目标地区的用户对对象的感兴趣程度。考虑到不同地区的用户的差异性，可基于训练样本中对象的目标评分与训练样本对应的标签之间的差异，
确定损失值，基于损失值，对多任务网络中的评分网络和与目标地区对应的目标网络分支进行调整，使得目标网络分支学习到与目标地区的用户对对象的偏好相关的特征。
118.以对象c在不同区域(区域a和区域b)的预估优化过程为例说明如下：
119.基于对象c的属性信息(比如包括对象c在所有区域的总统计数据以及对象c在区域a的统计数据)和区域a中用户的属性信息，可通过区域a的对象推荐子网络(例如，在业务目标包括点击率和转化率的情况下，区域a的对象推荐子网络包括与点击率对应的多任务网络、与转化率对应的多任务网络以及特征嵌入层)分别得到对象c在区域a的(点击率和转化率这两个业务目标下的)目标评分；对象c在区域a的实际指标(实际的点击率和实际的成交率)和上述目标评分的差异，可对应计算损失值；基于该损失值，在与点击率对应的多任务网络和与转化率对应的多任务网络中(又可分别称为点击率预估网络和转化率预估网络)，对评分网络和区域a对应的网络分支进行参数调整。
120.同理，对象c在区域b的目标评分也可由对象c的属性信息(比如包括对象c在所有区域的总统计数据和对象c在区域b的统计数据)以及区域b中用户的属性信息，输入区域b的对象推荐子网络，得到对象c在区域b的对象推荐子网络得到的目标评分和对象c在区域b的实际指标的差异，可对应计算对象c在区域b的损失值；基于该损失值，在多任务网络中，对评分网络和区域b对应的网络分支进行参数调整。
121.其中，由于评分网络是多个网络分支共享的，网络分支是区域独有的，因此参数更新时，所有网络分支共享的评分网络可以被更新，且区域独享的网络分支，仅能由区域自身的损失更新。也就是说区域a的损失不能更新区域b的网络分支，只能更新区域a的网络分支；区域b的损失不能更新区域a的网络分支，只能更新区域b的网络分支。
122.基于前述任一参数调整方案，可选的，在对象推荐模型包括特征嵌入层的情况下，还可基于损失值对特征嵌入层的网络参数进行调整，以提高对输入对象推荐模型中的数据进行嵌入表示的准确性，进而提高对象推荐准确性。
123.本技术实施例提供的对象推荐装置，用于执行上述对象推荐方法的任一方法实施例中的技术方案，其实现原理和技术效果类似，在此不再赘述。
124.参考图10，图10为本技术一实施例提供的对象推荐装置100的结构框图。如图10所示，本技术实施例提供的对象推荐装置100包括：特征确定单元101、对象评分单元102和对象推荐单元103，其中：
125.特征确定单元101，用于在对象推荐模型中，根据用户的属性信息和候选对象的属性信息，确定与候选对象对应的特征向量，其中，用户的属性信息中包括用户所属的目标地区，候选对象的属性信息包括候选对象在多个地区下分别对应的统计数据；
126.对象评分单元102，用于在对象推荐模型中，基于特征向量，通过多任务网络中的评分网络和与评分网络连接的网络分支，对候选对象进行打分，得到候选对象的目标评分，其中，多任务网络中，网络分支为多个，不同的网络分支对应不同的地区；
127.对象推荐单元103，用于根据候选对象的目标评分，向用户推荐候选对象中的目标对象。
128.在本技术的一个实施例中，对象评分单元102具体用于：将特征向量输入至评分网络，在评分网络中基于特征向量对候选对象进行评分，得到评分网络输出的评分；将评分网络输出的评分输入至网络分支，在网络分支中对评分网络输出的评分进行优化处理，得到
目标评分。
129.在本技术的一个实施例中，评分网络为多个，不同的网络分支共享所有评分网络，在将评分网络输出的评分输入至网络分支，对象评分单元102具体用于：针对各个网络分支，将所有评分网络输出的评分输入至网络分支，在网络分支中对所有评分网络的评分进行融合，得到网络分支输出的评分；根据网络分支输出的评分，得到目标评分。
130.在本技术的一个实施例中，多任务网络还包括掩码网络，对象评分单元102具体用于：根据目标地区，初始化掩码网络；在多任务网络中，将所有网络分支输出的评分输入至初始化后的掩码网络，通过初始化后的掩码网络中筛选出与目标地区对应的目标网络分支输出的评分；根据目标网络分支输出的评分，确定目标评分。
131.在本技术的一个实施例中，多任务网络为多个，不同的多任务网络对应不同的业务目标，对象评分单元102具体用于：在对象推荐模型中，将特征向量输入各个多任务网络中，基于特征向量，通过多任务网络中的评分网络和多任务网络中与评分网络连接的网络分支对候选对象进行打分，得到候选对象在多任务网络对应的业务目标下的目标评分；根据候选对象在各个多任务网络对应的业务目标下的目标评分，确定候选对象最终的目标评分。
132.在本技术的一个实施例中，业务目标包括点击率和转化率，统计数据包括点击用户数和成交用户数，多任务网络包括与点击率对应的第一多任务网络和与转化率对应的第二多任务网络，对象评分单元102具体用于：将特征向量输入至第一多任务网络，通过第一多任务网络中的评分网络和第一多任务网络中与评分网络连接的网络分支，对候选对象进行打分，得到候选对象在点击率下的目标评分；将特征向量输入至第二多任务网络，通过第二多任务网络中的评分网络和第二多任务网络中与评分网络连接的网络分支，对候选对象进行打分，得到候选对象在转化率下的目标评分。
133.参考图11，图11为本技术实施例提供的模型训练装置110的结构框图。如图11所示，本技术实施例提供的对象推荐装置110包括：确定单元111和训练单元112，其中：
134.数据确定单元111，用于确定训练数据集，训练数据集中包括多个训练样本和训练样本的标签，训练样本包括用户的属性信息和对象的属性信息，用户的属性信息中包括用户所属的目标地区，对象的属性信息包括对象在多个地区下分别对应的统计数据，训练样本的标签用于标记用户对训练样本中的对象是否感兴趣；
135.训练单元112，用于根据训练数据集，对对象推荐模型进行有监督训练，其中，对象推荐模型包括用于对对象进行打分的多任务网络，多任务网络包括评分网络和与评分网络连接的网络分支，网络分支为多个，不同的网络分支对应不同的地区。
136.在本技术的一个实施例中，训练单元112具体用于：在对象推荐模型中，根据训练样本中用户的属性信息和对象的属性信息，确定与训练样本中的对象对应的特征向量；在对象推荐模型中，基于特征向量，通过多任务网络中的评分网络和与评分网络连接的网络分支，对训练样本中的对象进行打分，得到训练样本中对象的目标评分；根据训练样本的标签和目标评分，确定对象推荐模型的损失值；根据损失值，对对象推荐模型的模型参数进行调整。
137.在本技术的一个实施例中，训练单元112具体用于：根据损失值，对多任务网络中的评分网络和多任务网络中与目标地区对应的目标网络分支进行参数调整。
138.本技术实施例提供的模型训练装置，用于执行上述模型训练方法的任一方法实施例中的技术方案，其实现原理和技术效果类似，在此不再赘述。
139.其中，本技术实施例提供的技术方案，可在云服务器上实现。
140.图12为本技术示例性实施例提供的一种云服务器的结构示意图。该云服务器用于运行对象推荐方法，用于基于用户的属性信息和候选对象的属性信息，通过对象推荐模型，对候选对象进行评分，得到候选对象的目标评分，基于候选对象的目标评分，向用户推荐候选对象中的目标对象；和/或，该云服务器用于运行模型训练方法，用于训练对象推荐模型。如图12所示，该云服务器包括：存储器123和处理器124。
141.存储器123，用于存储计算机程序，并可被配置为存储其它各种数据以支持在云服务器上的操作。该存储器123可以是对象存储(object storage service，oss)。
142.存储器123可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
143.处理器124，与存储器123耦合，用于执行存储器123中的计算机程序，以用于执行前述任一实施例提供的对象推荐方法和/或模型训练方法
144.进一步，如图12所示，该云服务器还包括：防火墙121、负载均衡器122、通信组件125、电源组件126等其它组件。图12中仅示意性给出部分组件，并不意味着云服务器只包括图12所示组件。
145.相应地，本技术实施例还提供一种存储有计算机程序的计算机可读存储介质，当计算机程序/指令被处理器执行时，致使处理器实现上述方法实施例中的步骤。
146.相应地，本技术实施例还提供一种计算机程序产品，包括计算机程序/指令，当计算机程序/指令被处理器执行时，致使处理器实现上述方法实施例中的步骤。
147.上述图12中的通信组件125被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件125所在设备可以接入基于通信标准的无线网络，如wifi，2g、3g、4g/lte、5g等移动通信网络，或它们的组合。在一个示例性实施例中，通信组件125经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件125还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
148.上述图12中的电源组件126，为电源组件126所在设备的各种组件提供电力。电源组件126可以包括电源管理系统，一个或多个电源，及其他与为电源组件126所在设备生成、管理和分配电力相关联的组件。
149.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
150.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
151.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
152.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
153.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。
154.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。
155.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暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
156.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
157.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。