基于神经网络的信息处理方法、神经网络及其训练方法与流程

1.本公开涉及人工智能领域，具体涉及机器学习技术和深度学习技术，特别涉及一种基于神经网络的信息处理方法、神经网络的训练方法、神经网络、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.近年来，人才争夺战愈演愈烈。各组织和公司不断审查和调整其招聘策略，以适应急剧变化的劳动力市场，这就迫切需要对劳动力市场进行预测。作为劳动力市场分析的基本组成部分，劳动力市场预测旨在模拟劳动力市场随时间变化的格局，包括人才需求和供给变化。事实上，及时准确地预测劳动力市场趋势不仅有助于政府和企业调整政策和招聘策略，也有助于求职者主动规划职业道路。
4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

5.本公开提供了一种基于神经网络的信息处理方法、神经网络的训练方法、神经网络、电子设备、计算机可读存储介质和计算机程序产品。
6.根据本公开的一方面，提供了一种基于神经网络的信息处理方法，神经网络包括第一特征提取子网络、第二特征提取子网络、第三特征提取子网络、以及预测子网络。该方法包括：利用第一特征提取子网络确定目标公司的公司特征和目标职位的职位特征；利用第二特征提取子网络对与目标时间序列所包括的至少一个时间戳对应的至少一个需求值进行处理，以得到需求时序特征，其中，至少一个需求值中的每一个需求值指示目标公司在对应的时间戳对目标职位的人才需求程度；利用第三特征提取子网络对与至少一个时间戳对应的至少一个供应值进行处理，以得到供应时序特征，其中，至少一个供应值中的每一个供应值指示目标公司在对应的时间戳对目标职位的人才供应程度；以及利用预测子网络对公司特征、职位特征、需求时序特征、以及供应时序特征进行处理，以得到目标公司对目标职位的需求预测结果和供应预测结果。
7.根据本公开的另一方面，提供了一种神经网络的训练方法，神经网络包括第一特征提取子网络、第二特征提取子网络、第三特征提取子网络、以及预测子网络。训练方法包括：确定神经网络的模型超参数；获取与样本时间序列所包括的至少一个时间戳对应的至
少一个需求值和至少一个供应值，其中，至少一个需求值中的每一个需求值指示样本公司在对应的时间戳对样本职位的人才需求程度，至少一个供应值中的每一个供应值指示样本公司在对应的时间戳对样本职位的人才供应程度；获取样本公司对样本职位两者的需求真实结果和供应真实结果；利用第一特征提取子网络确定样本公司的公司特征和样本职位的职位特征；利用第二特征提取子网络对至少一个需求值进行处理，以得到需求时序特征；利用第三特征提取子网络对至少一个供应值进行处理，以得到供应时序特征；利用预测子网络对公司特征、职位特征、需求时序特征、以及供应时序特征进行处理，以得到样本公司对样本职位的需求预测结果和供应预测结果；以及基于需求真实结果、供应真实结果、需求预测结果、供应预测结果，得到训练后的神经网络。
8.根据本公开的另一方面，提供了一种神经网络，包括：第一特征提取子网络，被配置为确定目标公司的公司特征和目标职位的职位特征；第二特征提取子网络，被配置为对与目标时间序列所包括的至少一个时间戳对应的至少一个需求值进行处理，以得到需求时序特征，其中，至少一个需求值中的每一个需求值指示目标公司在对应的时间戳对目标职位的人才需求程度；第三特征提取子网络，被配置为对与至少一个时间戳对应的至少一个供应值进行处理，以得到供应时序特征，其中，至少一个供应值中的每一个供应值指示目标公司在对应的时间戳对目标职位的人才供应程度；以及预测子网络，被配置为对公司特征、职位特征、需求时序特征、以及供应时序特征进行处理，以得到与目标公司对目标职位的需求预测结果和供应预测结果。
9.根据本公开的另一方面，提供了一种电子设备，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，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
10.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。
11.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
12.根据本公开的一个或多个实施例，通过融合与目标公司相关的特征、与目标职位相关的特征、以及与目标公司和目标职位两者均相关的人才供应数据和人才需求数据等多方面的信息，能够更完整地建模劳动力市场的动态情况，而通过对供应和需求的时间序列信息进行处理，能够进一步提升这两种数据的预测性能，从而提升神经网络输出的预测结果的准确度。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
15.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
16.图2示出了根据本公开示例性实施例的信息处理方法的流程图；
17.图3示出了根据本公开示例性实施例的利用第一特征提取子网络确定目标公司的公司特征和目标职位的职位特征的流程图；
18.图4示出了根据本公开示例性实施例的利用嵌入子网络对多个公司嵌入特征和多个职位嵌入特征进行处理的流程图；
19.图5示出了根据本公开示例性实施例的对公司特征、职位特征、需求时序特征、以及供应时序特征进行处理的流程图；
20.图6示出了根据本公开示例性实施例的神经网络的训练方法的流程图；
21.图7示出了根据本公开示例性实施例的确定神经网络的模型超参数的流程图；
22.图8示出了根据本公开示例性实施例的神经网络的结构框图；
23.图9示出了根据本公开示例性实施例的第一特征提取子网络的结构框图；
24.图10示出了根据本公开示例性实施例的预测子网络的结构框图；以及
25.图11示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
26.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
27.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
28.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
29.相关技术中，传统方法依赖于经典的统计模型和领域专家知识，主要侧重于基于调查数据的粗粒度劳动力市场分析(例如行业特定需求趋势和地理职业劳动力市场集中度)，但没有考虑到更复杂的潜在数据依赖性，而新兴的数据驱动方法通过机器学习技术能够实现对人才需求或供应进行建模，但得到的结果准确度较低。
30.为解决上述问题，本公开通过融合与目标公司相关的特征、与目标职位相关的特征、以及与目标公司和目标职位两者均相关的人才供应数据和人才需求数据等多方面的信息，能够更完整地建模劳动力市场的动态情况，而通过对供应和需求的时间序列信息进行处理，能够进一步提升这两种数据的预测性能，从而提升神经网络输出的预测结果的准确度。
31.下面将结合附图详细描述本公开的实施例。
32.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、
104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
33.在本公开的实施例中，服务器120可以运行使得能够执行基于神经网络的信息处理方法和/或神经网络的训练方法的一个或多个服务或软件应用。
34.在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)网络下提供给客户端设备101、102、103、104、105和/或106的用户。
35.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
36.用户可以使用客户端设备101、102、103、104、105和/或106来输入与目标时间序列对应的目标公司对目标职位的需求值和供应值。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口，例如，客户端设备可以接收用户输入的信息。客户端设备还可以经由该接口向用户输出信息，例如，客户端可以向用户输出服务器上运行的信息处理方法生成的需求预测结果和供应预测结果。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
37.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
38.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
39.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或
者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
40.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
41.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
42.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
43.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
44.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
45.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
46.随着人才成为企业间的重要竞争力，劳动力趋势分析越来越受到重视。本公开将细粒度的人才需求和供应预测任务描述为一个联合预测问题，并在深入数据驱动分析的基础上提出了一种基于神经网络的信息处理方法、一种神经网络的训练方法、以及一种神经网络。
47.根据本公开的一方面，提供了一种基于神经网络的信息处理方法。神经网络包括第一特征提取子网络、第二特征提取子网络、第三特征提取子网络、以及预测子网络。如图2所示，该方法包括：步骤s201、利用第一特征提取子网络确定目标公司的公司特征和目标职位的职位特征；步骤s202、利用第二特征提取子网络对与目标时间序列所包括的至少一个时间戳对应的至少一个需求值进行处理，以得到需求时序特征，其中，至少一个需求值中的每一个需求值指示目标公司在对应的时间戳对目标职位的人才需求程度；步骤s203、利用第三特征提取子网络对与至少一个时间戳对应的至少一个供应值进行处理，以得到供应时
序特征，其中，至少一个供应值中的每一个供应值指示目标公司在对应的时间戳对目标职位的人才供应程度；以及步骤s204、利用预测子网络对公司特征、职位特征、需求时序特征、以及供应时序特征进行处理，以得到目标公司对目标职位的需求预测结果和供应预测结果。
48.由此，通过融合与目标公司相关的特征、与目标职位相关的特征、以及与目标公司和目标职位两者均相关的人才供应数据和人才需求数据等多方面的信息，能够更完整地建模劳动力市场的动态情况，而通过对供应和需求的时间序列信息进行处理，能够进一步提升这两种数据的预测性能，从而提升神经网络输出的预测结果的准确度。
49.给定包括至少一个时间戳的目标时间序列(ts,te)，对于目标公司和目标职位的公司-职位对(c,p)的人才需求序列(即，与目标时间序列所包括的至少一个时间戳对应的至少一个需求值)和人才供应序列(即，与至少一个时间戳对应的至少一个供应值)，信息处理方法的目标是预测目标公司对目标职位的需求预测结果和供应预测结果。可以理解的是，ts为目标时间序列中的第一个时间戳，te为目标时间序列中的最后一个时间戳。
50.根据一些实施例，需求预测结果可以表征目标公司在目标时间序列的后一时间戳对目标职位的人才需求程度，供应预测结果可以表征目标公司在后一时间戳对目标职位的人才供应程度。可以理解的是，需求预测结果和供应预测结果还可以表征其他与目标公司对目标职位的人才需求和人才供应相关的信息，在此不作限定。
51.人才供需联合预测问题的目标可以是同时预测下一个时间戳对于目标公司对目标职位(c,p)的需求值和供给值：
[0052][0053]
其中，为动态公司-职位异构图，具体将在下文进行介绍。
[0054]
在对目标公司对目标职位的供需关系建模之前，可以先基于先验知识得到目标公司的公司特征和目标职位的职位特征。
[0055]
在一些实施例中，可以对关于目标公司和目标职位的各种数据、相关信息、特征进行嵌入，以得到与目标公司和目标职位分别对应的嵌入特征。也可以使用与目标公司和目标职位相关的样本训练神经网络，以使得神经网络能够学习到与目标公司和目标职位对应的嵌入特征。
[0056]
根据一些实施例，第一特征提取子网络可以包括嵌入子网络、公司时序特征提取子网络、以及职位时序特征提取子网络。如图3所示，步骤s201、利用第一特征提取子网络确定目标公司的公司特征和目标职位的职位特征包括：步骤s301、利用嵌入子网络确定目标公司的与至少一个时间戳中的每一个时间戳对应的公司嵌入特征以及目标职位的与每一个时间戳对应的职位嵌入特征；步骤s302、利用公司时序特征提取子网络将目标公司的与至少一个时间戳对应的至少一个公司嵌入特征进行融合，以得到与目标时间序列对应的目标公司的公司特征；以及步骤s303、利用职位时序特征提取子网络将目标职位的与至少一个时间戳对应的至少一个职位嵌入特征进行融合，以得到与目标时间序列对应的针对目标职位的职位特征。
[0057]
由此，通过先确定目标公司和目标职位在每一个时间戳对应的嵌入特征，再基于这些时间戳特征得到和目标时间序列对应的公司特征和职位特征，使得得到的特征能够包括与每一个时间戳对应的信息，从而提升后续对需求和供应的预测准确度。
[0058]
在一些实施例中，目标公司和目标职位在不同的时间戳可以具有不同的嵌入特征，本领域技术人员可以使用各种方式确定目标公司和目标职位在各个时间戳的嵌入特征，例如，可以时间序列模型对目标公司和目标职位进行建模，也可以将时间戳直接输入用于对目标公司和目标职位进行嵌入的神经网络，在此不作限定。
[0059]
在一些实施例中，可以确定目标公司和目标职位在较长的历史时期(完全包含目标时间序列中的所有时间戳)内的若干时间戳的公司/职位嵌入特征序列h，进而使用一个0-1向量作为掩码，并使用h和的乘积作为与目标时间序列(ts,te)对应的至少一个公司/职位嵌入特征。在一些实施例中，在此基础上，针对公司嵌入特征和职位嵌入特征，还可以分别再乘一个可学习的基于注意力机制的向量a，其中包括与目标时间序列中的每一个时间戳对应的注意力值，以提升后续得到的公司(序列)特征和职位(序列)特征的预测性能。可以理解的是，本领域技术人员可以使用各种方式确定基于注意力机制的向量a，并且针对公司嵌入特征的向量ac和针对职位嵌入特征的向量a
p
可以相同，也可以不同，在此不作限定。
[0060]
上述过程可以表示为：
[0061][0062]
其中可以是公司特征或职位特征或职位特征是一个0-1向量且在ts和te之间的值为1，a是可学习的基于注意力机制的向量，h为包括各历史时间戳的公司/职位嵌入特征的序列。
[0063]
在对关于公司和职位的先验信息进行建模时，可以使用图(graph)来表征关于公司和职位的关系，并且可以使用图神经网络来学习公司和职位的嵌入。根据一些实施例，
[0064]
嵌入子网络为基于公司-职位图的图神经网络。公司-职位图可以表征包括目标公司的多个公司之间的关系以及包括目标职位的多个职位之间的关系，和/或公司-职位图可以表征多个公司和多个职位之间的关系。在一些实施例中，公司-职位图(下简称为图)可以为异构图，其中包括公司节点和职位节点。图中可以包括公司-公司边(例如，对应跳槽关系)和职位-职位边(例如，对应职位转换关系)，从而使得图神经网络能够基于与目标公司相关的其他公司的嵌入特征更新目标公司的嵌入特征，并基于与目标职位相关的其他职位的嵌入特征更新目标职位的嵌入特征。图中也可以包括公司-职位边(例如，对应供需关系)，从而使得图神经网络能够基于与目标公司相关的其他职位的嵌入特征更新目标公司的嵌入特征，并基于与目标职位相关的其他公司的嵌入特征更新目标职位的嵌入特征。可以理解的是，图中也可以包括上述多种关系，从而能够实现更复杂的建模。
[0065]
在一些实施例中，步骤s301、利用嵌入子网络确定目标公司的与至少一个时间戳中的每一个时间戳对应的公司嵌入特征(hc)以及目标职位的与每一个时间戳对应的职位嵌入特征(h
p
)包括：针对至少一个时间戳中的每一个时间戳，利用嵌入子网络基于公司-职位图对与多个公司对应的关于上一个时间戳的多个公司嵌入特征和与多个职位对应的关于上一个时间戳的多个职位嵌入特征进行处理，以得到多个公司各自的关于该时间戳的公
司嵌入特征和多个职位各自的关于该时间戳的职位嵌入特征。
[0066]
由此，通过使用图神经网络，能够实现对公司-职位进行更复杂的建模，并基于公司-职位间的关系得到准确的公司嵌入特征和职位嵌入特征。
[0067]
根据一些实施例，可以进一步基于时序特性对公司嵌入特征和职位嵌入特征进行建模：
[0068]
hc,h
p
＝φ(g；h
′c；h
′
p
),
[0069]
其中h
′c和h
′
p
是输入嵌入子网络(图神经网络)的公司嵌入特征序列和职位嵌入特征序列，g是公司-职位图，hc和h
p
是输出的公司嵌入特征序列和职位嵌入特征序列，φ(
·
)表示图神经网络。
[0070]
图神经网络φ(
·
)一共可以包含三个步骤：
[0071]
第一，为了解决异构性，可以根据边的类型将公司-职位图拆分为其所包括的三个子图，即表征多个公司之间的关系的第一子图g(vc,e
c,c
)，表征多个职位之间的关系的第二子图g(v
p
,e
p,p
)和表征多个公司和多个职位之间的关系的第三子图g(v,e
c,p
)。
[0072]
第二，针对三种子图中的供需类型边(e
c,p
)，公司跳槽类型边(e
c,c
)和职位转换类型边(e
p,p
)，可以使用三个图神经网络来聚合邻居信息。在一个实施例中，可以使用三个图卷积操作cpconv(
·
)，ccconv(
·
)和ppconv(
·
)基于聚合邻居信息来生成点表征。三个卷积操作可以被统一地定义为：
[0073][0074]
其中可以标记hu为点u的嵌入，σ为relu激活函数，w为可学习参数，|nv|为点v的邻居。可以理解的是，也可以使用除图卷积网络以外的其他图神经网络。
[0075]
第三，考虑到cpconv(
·
)和ccconv(
·
)处理了代表公司的嵌入特征hc以得到两个分量，cpconv(
·
)和ppconv(
·
)处理了代表职位的嵌入特征h
p
以得到两个分量，可以使用各种方式对这些分量进行融合，以得到用于输出的嵌入特征。在一个实施例中，对公司和职位嵌入运用了平均更新操作，获得φ(
·
)的输出嵌入特征。
[0076]
为了连续学习公司和职位嵌入的时序模式，且生成公司和职位在每一个时间戳上的表征，可以使用上一个时间戳的已学习的嵌入作为循环单元(即图神经网络/嵌入子网络)的输入并输出当前时间戳t的新嵌入。基于单个单元函数φ(
·
)，在时间戳t循环操作被定义为
[0077][0078]
通过这种方法，可以依次得从时间ts到te的公司职位嵌入序列，即和
[0079]
在一些实施例中，嵌入子网络包括基于第一子图的第一图神经网络、基于第二子图的第二图神经网络、以及基于第三子图的第三图神经网络，如图4所示，步骤s301、针对至少一个时间戳中的每一个时间戳，利用嵌入子网络对与多个公司对应的上一个时间戳的多
个公司嵌入特征和与多个职位对应的多个职位嵌入特征进行处理包括：步骤s401、针对至少一个时间戳中的每一个时间戳，利用第一图神经网络对第一子图中与目标公司相邻的至少一个第一相关公司对应的关于上一个时间戳的至少一个第一相关公司嵌入特征进行处理，以得到与目标公司对应的关于该时间戳的公司嵌入特征第一分量；步骤s402、利用第二图神经网络对第二子图中与目标职位相邻的至少一个第一相关职位对应的关于上一个时间戳的至少一个第一相关职位嵌入特征进行处理，以得到与目标职位对应的关于该时间戳的职位嵌入特征第一分量；步骤s403、利用第三图神经网络对第三子图中与目标公司相邻的至少一个第二相关职位对应的关于上一个时间戳的至少一个第二相关职位嵌入特征进行处理，以得到与目标公司对应的关于该时间戳的公司嵌入特征第二分量；步骤s404、利用第三图神经网络对第三子图中与目标职位相邻的至少一个第二相关公司对应的关于上一个时间戳的至少一个第二相关公司嵌入特征进行处理，以得到与目标职位对应的关于该时间戳的职位嵌入特征第二分量；步骤s405、基于公司嵌入特征第一分量和公司嵌入特征第二分量，得到与目标公司对应的关于该时间戳的公司嵌入特征；以及步骤s406、基于职位嵌入特征第一分量和职位嵌入特征第二分量，得到与目标职位对应的关于该时间戳的职位嵌入特征。
[0080]
由此，通过上述方式，能够充分学习并利用公司之间、职位之间、以及公司与职位之间的信息，并且考虑了公司嵌入特征和职位嵌入特征在时间尺度上的变化，从而得到了更有效的向量表示，提升了神经网络输出的预测结果的准确性。
[0081]
在一些实施例中，与多个公司对应的关于初始时间戳的多个公司嵌入特征和与多个职位对应的关于初始时间戳的多个职位嵌入特征是通过随机初始化得到的，初始时间戳为目标时间序列的前一时间戳。也就是说，和是通过随机初始化而得到的。由此，能够解决目标时间序列的第一个时间戳没有对应在先相邻时间戳的问题。可以理解的是，本领域技术人员也可以采用其他方式确定与初始时间戳对应的公司嵌入特征和职位嵌入特征，在此不作限定。
[0082]
在得到目标公司的公司特征和目标职位的职位特征后，可以对需求序列和供应序列进行建模，以得到与目标公司对目标职位的历史供应和历史需求直接相关的信息。
[0083]
根据一些实施例，第二特征提取子网络包括需求时间戳特征提取子网络和需求时序特征提取子网络。步骤s202、利用第二特征提取子网络对与目标时间序列所包括的至少一个时间戳对应的至少一个需求值进行处理包括：针对至少一个时间戳中的每一个时间戳，利用需求时间戳特征提取子网络基于与该时间戳对应的需求值、目标公司的公司特征、以及目标职位的职位特征，确定与该时间戳对应的需求时间戳特征；以及利用需求时序特征提取子网络对与至少一个时间戳对应的至少一个需求时间戳特征进行处理，以得到需求时序特征。
[0084]
由此，通过在每一个时间戳基于公司特征、职位特征、以及目标公司对目标职位的需求值确定与该时间戳对应的关于需求的嵌入特征(即，需求时间戳特征)，进而基于每一个时间戳的需求时间戳特征对时间序列进行建模，以得到需求时序特征，提升了表征历史需求值的相关信息的特征向量的预测能力。
[0085]
根据一些实施例，第三特征提取子网络包括供应时间戳特征提取子网络和供应时
序特征提取子网络，步骤s203、利用第三特征提取子网络对与至少一个时间戳对应的至少一个供应值进行处理包括：针对至少一个时间戳中的每一个时间戳，利用供应时间戳特征提取子网络基于与该时间戳对应的供应值、目标公司的公司特征、以及目标职位的职位特征，确定与该时间戳对应的供应时间戳特征；以及利用供应时序特征提取子网络对与至少一个时间戳对应的至少一个供应时间戳特征进行处理，以得到供应时序特征。
[0086]
由此，通过在每一个时间戳基于公司特征、职位特征、以及目标公司对目标职位的供应值确定与该时间戳对应的关于供应的嵌入特征(即，供应时间戳特征)，进而基于每一个时间戳的供应时间戳特征对时间序列进行建模，以得到供应时序特征，提升了表征历史供应值的相关信息的特征向量的预测能力。
[0087]
在一些实施例中，例如可以采用拼接、加权求和、嵌入等多种方式或其任意组合等各种方式将公司特征、职位特征、以及对应的需求值/供应值进行融合，以得到对应的需求/供应时间戳特征，在此不作限定。
[0088]
在一些实施例中，例如可以采用基于自注意力机制(transformer)的方式将至少一个需求/供应时间戳特征进行融合，以得到对应的需求/供应时序特征，从而实现对与需求/供应相关的时间序列进行建模。上述过程可以表示为：
[0089][0090]
其中，e可以表示需求ed或供应es的时间戳特征，而e
t
可以表示需求时序特征或供应时序特征
[0091]
可以理解的是，本领域技术人员还可以采用其他方式进行时间序列建模，以基于至少一个需求/供应时间戳特征得到对应的需求/供应时序特征，在此不作限定。
[0092]
根据一些实施例，预测子网络包括综合特征计算子网络、需求预测子网络、以及供应预测子网络。如图5所示，步骤s204、利用预测子网络对公司特征、职位特征、需求时序特征、以及供应时序特征进行处理包括：步骤s501、利用综合特征计算子网络将公司特征、职位特征、需求时序特征、以及供应时序特征进行融合处理，以得到供需综合特征；步骤s502、利用需求预测子网络对将需求时序特征和供需综合特征进一步融合后的特征进行处理，以得到需求预测结果；以及步骤s503、利用供应预测子网络对将供应时序特征和供需综合特征进一步融合后的特征进行处理，以得到供应预测结果。
[0093]
由此，通过将关于目标公司嵌入、目标职位嵌入、历史需求值序列、历史供应值序列四方面的相关信息进行融合，以得到供需综合特征，进而将该综合特征分别与需求时序特征和供应时序特征进行进一步融合以得到最终的需求预测结果和供应预测结果，使得能够对公司-职位动态关系、对与需求相关的时间序列、对与供应相关的时间序列进行三者分别进行建模而得到的信息进行充分利用，以得到准确的预测结果。
[0094]
根据一些实施例，步骤s501、利用综合特征计算子网络将公司特征、职位特征、需求时序特征、以及供应时序特征进行融合处理，以得到供需综合特征包括：将公司特征和职位特征进行融合，以得到先验知识特征；以及将先验知识特征、需求时序特征、以及供应时序特征进行融合，以得到供需综合特征。由此，能够将基于先验知识得到的特征向量和基于后验知识得到的特征向量进行区分，以提升得到的综合特征向量的预测性能。
[0095]
在一些实施例中，可以使用以下方式用以下方式融合需求时序特征ed,供应时序
特征es,公司特征和职位特征以得到供需综合特征ζ：
[0096][0097]
其中mlp(
·
)表示多层感知器，||表示拼接操作。可以理解的是，还可以使用其他方式对上述四个特征进行融合，在此不作限定。
[0098]
在一些实施例中，更进一步的，为了达到信息分享，可以使用两个基于注意力机制模块将ζ分别与ed和ee融合作为新特征和该操作定义为：
[0099][0100]
其中e表示ed或es，表示或w表示可学习参数。
[0101]
在一些实施例中，将和通过两个独立的多层感知器，并使用logsoftmax处理该输出为ηd和ηs。具体来说，该输出向量的维度与趋势类型的数量相等，且第i个元素是预测第i个趋势类型的概率。此外可以使用argmax转换ηd和ηs为趋势类型yd和ys为
[0102][0103]
此处y是yd或ys，η是ηd或ηs，ηi是η第i个元素，ny是趋势类型的数量。在一个示例性实施例中，趋势类型可以包括如下五项：大幅上升、大幅下降、小幅上升、小幅下降、以及基本不变。
[0104]
在一些实施例中，可以使用其他方式对和进行处理，以得到与目标公司对目标职位的人才需求和人才供应相关的其他预测结果。
[0105]
根据本公开的另一方面，提供了一种神经网络的训练方法。神经网络包括第一特征提取子网络、第二特征提取子网络、第三特征提取子网络、以及预测子网络。如图6所示，训练方法包括：步骤s601、确定神经网络的模型超参数；步骤s602、获取与样本时间序列所包括的至少一个时间戳对应的至少一个需求值和至少一个供应值，其中，至少一个需求值中的每一个需求值指示样本公司在对应的时间戳对样本职位的人才需求程度，至少一个供应值中的每一个供应值指示样本公司在对应的时间戳对样本职位的人才供应程度；步骤s603、获取样本公司对样本职位两者的需求真实结果和供应真实结果；步骤s604、利用第一特征提取子网络确定样本公司的公司特征和样本职位的职位特征；步骤s605、利用第二特征提取子网络对至少一个需求值进行处理，以得到需求时序特征；步骤s606、利用第三特征提取子网络对至少一个供应值进行处理，以得到供应时序特征；步骤s607、利用预测子网络对公司特征、职位特征、需求时序特征、以及供应时序特征进行处理，以得到样本公司对样本职位的需求预测结果和供应预测结果；以及步骤s608、基于需求真实结果、供应真实结果、需求预测结果、供应预测结果，得到训练后的神经网络。图6中的步骤s603-步骤s607的操作与图2中的步骤s201-步骤s204及其子步骤的操作类似，在此不做赘述。
[0106]
根据前面初步数据分析，不同公司的需求和供应遵循长尾分布。端到端模型自然会为这些拥有大量训练数据的公司带来良好的绩效，但无法准确预测这些长尾公司的“小样本”情况。因此，可以引入了基于损失驱动采样的元学习器来训练整体预测框架，并对长尾任务进行了特殊优化。首先，可以利用泊松分布的负对数似然损失对端到端预测模型进行了优化
[0107][0108][0109]
其中y表示yd或ys，η表示ηd和ηs。为了简化运算，该式最后一项可以根据斯特林公式估计为
[0110][0111]
模型总体的优化目标是结合需求和供给的预测损失并通过反向传播进行优化。此外，可以通过一个元学习问题以缓解长尾分布的问题。其目标是从不同的公司中提取全局共享的元知识，以便在预测数据有限的公司的需求和供应时能够快速适应和更准确的预测。特别是，可以将每个公司的人才需求-供应预测制定为单独的任务，并构建如下任务集。
[0112]
定义任务集为：标记为对于公司ci∈c的供需预测任务，该任务集被定义为针对每个公司的供需预测任务集合其中|c|是公司数量。
[0113]
与现有的等概率抽样任务的元学习方法不同，可以在元学习过程中设计损失驱动抽样策略，以加强该模型对长尾任务的研究。直观地说，根据方程，训练损失越大的任务表明预测误差越大，需要通过额外的努力来学习。下面将详细介绍基于损失驱动抽样的元训练。
[0114]
首先，随机初始化模型参数θ并为每个任务设置相等概率在第j个轮次(epoch)中，可以运行若干步骤(steps)的模型参数适应过程。在每个适应步骤中，根据采样概率，可以采样出一个任务作为支持集，评估它的损失并取得参数更新
[0115][0116]
其中θ
′
是更新后的参数，是任务的学习器f
θ
的第j个轮次的损失的梯度。相对应的，可以用同样的方式采样一个任务作为目标集并
[0117]
其中在前面提到的元学习步骤中被评估。
[0118]
在下一个轮次之前，可以更新采样概率为：
[0119][0120]
其中是第j 1个epoch的采样概率，是第j个epoch的验证集损失。
[0121]
根据一些实施例，如图7所示，步骤s601、确定神经网络的模型超参数包括：步骤s701、确定神经网络的初始超参数；步骤s702、确定与多个公司中的每一个公司对应的采样概率；步骤s703、基于多个公司各自的采样概率，从多个公司各自的样本中确定目标样本集；步骤s704、利用目标样本集对初始超参数进行训练，以得到更新后的超参数和与多个公司各自对应的损失值；以及步骤s705、响应于确定不满足预设收敛条件，基于多个目标公司中的每一个目标公司的损失值，调整多个公司各自的采样概率以更新目标样本集并进一步训练更新后的超参数。由此，通过上述方式，能够使得基于学习到的超参数训练的模型对于不同公司的不同职位(尤其是长尾分布中的公司和职位)均能给出准确的预测结果。
[0122]
在一些实施例中，本领域技术人员可以根据需求设置相应的收敛条件，例如，可以根据与各公司的样本(或从各公司的样本中进行采样得到的样本集)对应的损失值判断是否收敛，在此不作限定。
[0123]
可以理解的是，本领域技术人员可以使用各种方式基于学到的超参数对神经网络进行训练，以得到训练后的具备需求/供应预测能力的神经网络。例如，本领域技术人员可以基于基于需求真实结果、供应真实结果、需求预测结果、供应预测结果构造损失函数，并基于所构造的损失函数和所学到的超参数调整神经网络的参数，以得到训练好的神经网络。
[0124]
根据本公开的另一方面，提供了一种神经网络800。如图8所示，神经网络包括：第一特征提取子网络810，被配置为确定目标公司的公司特征和目标职位的职位特征；第二特征提取子网络820，被配置为对与目标时间序列所包括的至少一个时间戳对应的至少一个需求值802进行处理，以得到需求时序特征，其中，至少一个需求值中的每一个需求值指示目标公司在对应的时间戳对目标职位的人才需求程度；第三特征提取子网络830，被配置为对与至少一个时间戳对应的至少一个供应值804进行处理，以得到供应时序特征，其中，至少一个供应值中的每一个供应值指示目标公司在对应的时间戳对目标职位的人才供应程度；以及预测子网络840，被配置为对公司特征、职位特征、需求时序特征、以及供应时序特征进行处理，以得到目标公司对目标职位的需求预测结果806和供应预测结果808。神经网络800的操作和图2中的步骤s201-步骤s204的操作类似，在此不做赘述。
[0125]
根据一些实施例，如图9所示，第一特征提取子网络900可以包括：嵌入子网络910，被配置为确定目标公司的与至少一个时间戳中的每一个时间戳对应的公司嵌入特征以及目标职位的与每一个时间戳对应的职位嵌入特征；公司时序特征提取子网络920，被配置为将目标公司的与至少一个时间戳对应的至少一个公司嵌入特征进行融合，以得到与目标时间序列对应的目标公司的公司特征922；以及职位时序特征提取子网络930，被配置为将目标职位的与至少一个时间戳对应的至少一个职位嵌入特征进行融合，以得到与目标时间序列对应的针对目标职位的职位特征932。
[0126]
根据一些实施例，嵌入子网络为基于公司-职位图的图神经网络。公司-职位图表征可以包括目标公司的多个公司之间的关系以及包括目标职位的多个职位之间的关系，和/或公司-职位图表征多个公司和多个职位之间的关系。嵌入子网络可以被进一步配置为针对至少一个时间戳中的每一个时间戳，基于公司-职位图对与多个公司对应的关于上一个时间戳的多个公司嵌入特征和与多个职位对应的关于上一个时间戳的多个职位嵌入特征进行处理，以得到多个公司各自的关于该时间戳的公司嵌入特征和多个职位各自的关于该时间戳的职位嵌入特征。
[0127]
根据一些实施例，公司-职位图包括可以表征多个公司之间的关系的第一子图、表征多个职位之间的关系的第二子图、以及表征多个公司和多个职位之间的关系的第三子图。嵌入子网络910可以包括：第一图神经网络912，被配置为针对至少一个时间戳中的每一个时间戳，对第一子图中与目标公司相邻的至少一个第一相关公司对应的关于上一个时间戳的至少一个第一相关公司嵌入特征进行处理，以得到与目标公司对应的关于该时间戳的公司嵌入特征第一分量；第二图神经网络914，被配置为针对至少一个时间戳中的每一个时间戳，对第二子图中与目标职位相邻的至少一个第一相关职位对应的关于上一个时间戳的至少一个第一相关职位嵌入特征进行处理，以得到与目标职位对应的关于该时间戳的职位嵌入特征第一分量；以及第三图神经网络916，被配置为针对至少一个时间戳中的每一个时间戳，对第三子图中与目标公司相邻的至少一个第二相关职位对应的关于上一个时间戳的至少一个第二相关职位嵌入特征进行处理，以得到与目标公司对应的关于该时间戳的公司嵌入特征第二分量；以及对第三子图中与目标职位相邻的至少一个第二相关公司对应的关于上一个时间戳的至少一个第二相关公司嵌入特征进行处理，以得到与目标职位对应的关于该时间戳的职位嵌入特征第二分量。嵌入子网络可以被进一步配置为：基于公司嵌入特征第一分量和公司嵌入特征第二分量，得到与目标公司对应的关于该时间戳的公司嵌入特征；以及基于职位嵌入特征第一分量和职位嵌入特征第二分量，得到与目标职位对应的关于该时间戳的职位嵌入特征。
[0128]
根据一些实施例，与多个公司对应的关于初始时间戳的多个公司嵌入特征和与多个职位对应的关于初始时间戳的多个职位嵌入特征是通过随机初始化得到的，初始时间戳为目标时间序列的前一时间戳。
[0129]
根据一些实施例，第二特征提取子网络可以包括：需求时间戳特征提取子网络，被配置为针对至少一个时间戳中的每一个时间戳，基于与该时间戳对应的需求值、目标公司的公司特征、以及目标职位的职位特征，确定与该时间戳对应的需求时间戳特征；以及需求时序特征提取子网络，被配置为对与至少一个时间戳对应的至少一个需求时间戳特征进行处理，以得到需求时序特征。
[0130]
根据一些实施例，第三特征提取子网络可以包括：供应时间戳特征提取子网络，被配置为针对至少一个时间戳中的每一个时间戳，基于与该时间戳对应的供应值、目标公司的公司特征、以及目标职位的职位特征，确定与该时间戳对应的供应时间戳特征；以及供应时序特征提取子网络，被配置为对与至少一个时间戳对应的至少一个供应时间戳特征进行处理，以得到供应时序特征。
[0131]
根据一些实施例，如图10所示，预测子网络1000可以包括：综合特征计算子网络1010，被配置为将公司特征1004、职位特征1006、需求时序特征1002、以及供应时序特征
1008进行融合处理，以得到供需综合特征；需求预测子网络1020，被配置为对将需求时序特征和供需综合特征进一步融合后的特征进行处理，以得到需求预测结果1022；以及供应预测子网络1030，被配置为对将供应时序特征和供需综合特征进一步融合后的特征进行处理，以得到供应预测结果1032。
[0132]
根据一些实施例，综合特征计算子网络可以被进一步配置为：将公司特征和职位特征进行融合，以得到先验知识特征；以及将先验知识特征、需求时序特征、以及供应时序特征进行融合，以得到供需综合特征。
[0133]
根据一些实施例，需求预测结果可以表征目标公司在目标时间序列的后一时间戳对目标职位的人才需求程度，供应预测结果可以表征目标公司在后一时间戳对目标职位的人才供应程度。
[0134]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0135]
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0136]
参考图11，现将描述可以作为本公开的服务器或客户端的电子设备1100的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0137]
如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(rom)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(ram)1103中的计算机程序，来执行各种适当的动作和处理。在ram 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输出(i/o)接口1105也连接至总线1104。
[0138]
设备1100中的多个部件连接至i/o接口1105，包括：输入单元1106、输出单元1107、存储单元1108以及通信单元1109。输入单元1106可以是能向设备1100输入信息的任何类型的设备，输入单元1106可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1107可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1108可以包括但不限于磁盘、光盘。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
[0139]
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习网络算法的计算单元、数字信号处理器(dsp)、
以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如基于神经网络的信息处理方法和/或神经网络的训练方法。例如，在一些实施例中，基于神经网络的信息处理方法和/或神经网络的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由rom 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到ram 1103并由计算单元1101执行时，可以执行上文描述的基于神经网络的信息处理方法和/或神经网络的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于神经网络的信息处理方法和/或神经网络的训练方法。
[0140]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0141]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0142]
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。
[0143]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0144]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界
面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0145]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0146]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0147]
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。