信息推荐方法、装置、计算设备以及计算机可读存储介质与流程

1.本公开涉及计算机技术领域，具体地，涉及一种信息推荐方法和装置、计算设备以及计算机可读存储介质。


背景技术：

2.随着互联网的普及和网络技术的发展，越来越多的业务都基于互联网而进行。在这些业务的进行过程中，业务端通常会给用户进行信息推荐。然而，在信息推荐较为频繁的情形下，例如，由于用户连续请求信息推荐的时间间隔较短，往往会出现短时间内推荐和展示多条相同信息的情形。
3.一方面，当用户对该信息确实不感兴趣时，相同信息的过多重复展示可能对用户造成较大的干扰，从而降低用户体验，同时对业务端而言也是一种资源浪费。另一方面，当用户对该信息感兴趣并且已经发生点击/转化时，后续的重复展示也会对用户形成干扰，而且，如果能够将后续的推荐/展示机会让给其他有可能发生点击/转化的信息，那么对业务端而言可能带来更大的总体收益。
4.在相关技术中，为了减少用户对相同信息的重复展示的反感程度，业务端一般会采取新鲜度策略来控制对相同信息的重复推荐。采用新鲜度策略的方法虽然能够极大地减少相同信息被重复推荐/展示的情形，但却依然存在一些不足，例如，其可能影响业务端的收益，可能对信息提供方产生负面影响，无法增强对用户感知方面的影响，等等。


技术实现要素：

5.有鉴于此，本公开提供了一种信息推荐方法和装置，期望克服上面提到的部分或全部缺陷以及其它可能的缺陷。
6.根据本公开的一个方面，提供了一种信息推荐方法。该方法包括以下步骤：响应于从终端设备接收的信息推荐请求，生成候选信息队列，所述候选信息队列包括处于第一排序位置的第一候选信息；当该第一候选信息与当前时刻之前的预定时段内向该终端设备推荐的推荐信息涉及相同的被推荐对象时，确定该第一候选信息的预估吸引度，该预估吸引度是该终端设备的用户基于该第一候选信息进行期望动作的概率；以及，当该预估吸引度大于或等于预定的吸引度阈值时，推荐该第一候选信息。
7.根据一些示例性实施例，响应于从终端设备接收的信息推荐请求，生成候选信息队列，所述候选信息队列包括处于第一排序位置的第一候选信息，包括：将各候选信息基于期望千次曝光收入进行排序，以生成该候选信息队列，其中，该第一候选信息具有最大的期望千次曝光收入。
8.根据一些示例性实施例，响应于从终端设备接收的信息推荐请求，生成候选信息队列，所述候选信息队列包括处于第一排序位置的第一候选信息，包括：将候选信息基于流量价值进行排序，以生成候选信息队列，其中处于所述第一排序位置的第一候选信息具有最大的流量价值。
9.根据一些示例性实施例，当所述第一候选信息与当前时刻之前的预定时段内向所述终端设备推荐的推荐信息涉及相同的被推荐对象时，确定所述第一候选信息的预估吸引度，所述预估吸引度是所述终端设备的用户基于所述第一候选信息进行期望动作的概率，包括：确定所述第一候选信息的预估点击率，并将所述预估点击率作为所述预估吸引度。
10.根据一些示例性实施例，当所述第一候选信息与当前时刻之前的预定时段内向所述终端设备推荐的推荐信息涉及相同的被推荐对象时，确定所述第一候选信息的预估吸引度，所述预估吸引度是所述终端设备的用户基于所述第一候选信息进行期望动作的概率，包括：确定所述第一候选信息的预估转化率，并将所述预估转化率作为所述预估吸引度。
11.根据一些示例性实施例，信息推荐方法还包括：当该预估吸引度小于该预定的吸引度阈值时，确定该候选信息队列中各候选信息的信息新鲜度，该信息新鲜度是各候选信息与该当前时刻之前该终端设备展示的至少一条已展示信息的整体相似度；基于该候选信息队列中各候选信息的信息新鲜度和对应的期望千次曝光收入，对各候选信息进行重新排序，以得到该候选信息队列的第一重排候选信息；以及推荐该第一重排候选信息。
12.根据一些示例性实施例，当该预估吸引度小于该预定的吸引度阈值时，确定该候选信息队列中各候选信息的信息新鲜度，该信息新鲜度是各候选信息与该当前时刻之前该终端设备展示的至少一条已展示信息的整体相似度，包括：获取从当前时刻起所述终端设备的前n次展示的已展示信息，其中，n为大于0的整数；基于该已展示信息，构造n
×
n的相似度矩阵s，其中，相似度矩阵s的各矩阵元素，其中α
ij
表示第i条已展示信息与第j条已展示信息的相似度，0＜α
ij
≤1，并且i和j均为整数，0＜i≤n，0＜j≤n，并且s
ij
=s
ji
；遍历该候选信息队列中的各候选信息，分别构造与一条候选信息对应的增广相似度矩阵，其中，s是该相似度矩阵，v是该一条候选信息相对于该已展示信息的相似度向量，v=[v1, v2, ... ,vn]，其中v1, v2, ... ,vn是该一条候选信息分别与n条该已展示信息的相似度，并且v1, v2, ... ,vn中的每一个大于0且小于或等于1，t表示矩阵的转置；以及，对该候选信息队列中各候选信息的增广相似度矩阵分别进行行列式计算，将该行列式计算所得到的各值分别作为各候选信息的信息新鲜度。
[0013]
根据一些示例性实施例，两条信息之间的相似度被计算为等于，其中，m为大于或等于0的整数，表示该两条信息之间的直接不重复距离。
[0014]
根据一些示例性实施例，该相似度矩阵中，当i≠j时，0＜α
ij
＜1。
[0015]
根据一些示例性实施例，基于所述候选信息队列中各候选信息的信息新鲜度和对应的期望千次曝光收入，对各候选信息进行重新排序，包括：分别将该候选信息队列中各候选信息的信息新鲜度与对应的期望千次曝光收入或者流量价值相乘，以获得对应的推荐指标；以及，将所述候选信息队列的各候选信息中具有最大推荐指标的候选信息作为所述第一重排候选信息。
[0016]
根据本公开的另一个方面，提供了一种信息推荐装置。该装置包括：候选信息队列
生成模块，其配置成：响应于从终端设备接收的信息推荐请求，生成候选信息队列，其中，该候选信息队列包括处于第一排序位置的第一候选信息；预估吸引度确定模块，其配置成：当该第一候选信息与当前时刻之前的预定时段内向该终端设备推荐的推荐信息涉及相同的被推荐对象时，确定该第一候选信息的预估吸引度，该预估吸引度是该终端设备的用户基于该第一候选信息进行期望动作的概率；以及推荐模块，其配置成：当该预估吸引度大于或等于预定的吸引度阈值时，推荐该第一候选信息。
[0017]
根据一些示例性实施例，该信息推荐装置还包括：信息新鲜度确定模块，其配置成：当该预估吸引度小于吸引阈值时，确定该候选信息队列中各候选信息的信息新鲜度，该信息新鲜度是各候选信息与该当前时刻之前该终端设备展示的至少一条已展示信息的整体相似度；以及重新排序模块，其配置成：基于该候选信息队列中各候选信息的信息新鲜度和对应的期望千次曝光收入，对各候选信息进行重新排序，以得到该候选信息队列的第一重排候选信息；其中，该推荐模块还被配置成：推荐该第一重排候选信息。
[0018]
根据一些示例性实施例，该信息新鲜度确定模块包括：已展示信息获取子模块，其配置成：获取从当前时刻起对该终端设备的前n次展示的已展示信息，其中，n为大于0的整数；相似度矩阵生成子模块，其配置成：基于该已展示信息，构造n
×
n的相似度矩阵s，该相似度矩阵s的各矩阵元素，其中α
ij
表示第i条已展示信息与第j条已展示信息的相似度，0＜α
ij
≤1，并且i和j均为整数，0＜i≤n，0＜j≤n，并且s
ij
=s
ji
；增广相似度矩阵生成子模块，其配置成：遍历该候选信息队列中的各候选信息，分别构造与一条候选信息对应的增广相似度矩阵，其中，s是该相似度矩阵，v是该一条候选信息相对于该已展示信息的相似度向量，v=[v1, v2, ... ,vn]，其中v1, v2, ... ,vn是该一条候选信息分别与n条该已展示信息的相似度，并且v1, v2, ... ,vn中的每一个大于0且小于或等于1，t表示矩阵的转置；以及信息新鲜度生成子模块，其配置成：对该候选信息队列中各候选信息的增广相似度矩阵分别进行行列式计算，将该行列式计算所得到的各值分别作为各候选信息的信息新鲜度。
[0019]
根据一些示例性实施例，两条信息之间的相似度被计算为等于，其中，m为大于或等于0的整数，表示该两条信息之间的直接不重复距离。
[0020]
根据一些示例性实施例，在该相似度矩阵和该增广相似度矩阵中，当i≠j时，0＜α
ij
＜1。
[0021]
根据一些示例性实施例，该重新排序模块包括：推荐指标生成子模块，其配置成：分别将该候选信息队列中各候选信息的信息新鲜度与其对应的期望千次曝光收入或者流量价值相乘，以获得对应的推荐指标；以及第一重排候选信息确定子模块，其配置成：将该候选信息队列的各候选信息中具有最大推荐指标的候选信息作为该第一重排候选信息。
[0022]
根据本公开的再一个方面，提供了一种计算设备。该计算设备包括处理器和存储器，该存储器被配置成存储计算机可执行指令，该计算机可执行指令被配置成当在该处理
器上执行时使该处理器执行如上文的信息推荐方法。
[0023]
根据本公开的又一个方面，提供了一种计算机可读存储介质。该计算机可读存储介质被配置成存储计算机可执行指令，该计算机可执行指令被配置成当在处理器上执行时使该处理器执行如上文的信息推荐方法。
[0024]
根据本公开的还一个方面，提供了一种计算机程序产品，包括计算机可执行指令，该计算机可执行指令被配置成当在处理器上执行时使该处理器执行如上文的信息推荐方法。
[0025]
根据本公开的方案带来的有益效果整体而言至少包括以下方面：首先，对信息推荐平台而言，相比现有的基于频次控制的新鲜度策略，本方案通过设置关于信息的预估吸引度指标，动态地确定相同的信息是否应该继续被展示，这样仅干预价值较低的重复信息而让有价值的信息得以重复推荐，从而对平台收入的影响更小，实现了在整体降低了推荐的重复率的同时，提高了流量的点击率和流量价值；其次，对用户来说，通过本方案的策略减少了相同信息的重复推荐，从而减少了用户设备处的无效展示，提升了用户体验，从长期来看有利于用户的活跃度以及留存。
[0026]
最后，对信息提供方而言，本方案的策略优化了重复推荐所致无效展示带来的高成本，因此可以优化信息提供方的投放成本，优化投放效率。
附图说明
[0027]
下面将结合附图对本公开的具体实施例进行详细的描述，以便能够对本公开的更多细节、特征和优点具有更加充分的认识和理解，在附图中：图1示意性示出了根据本公开一些示例性实施例的业务系统的一般应用场景；图2以框图的形式示意性地示出了根据本公开一些示例性实施例在图1所示的业务系统中进行信息推荐的基本原理；图3以流程图的形式示意性地示出了根据本公开的一些示例性实施例的一种信息推荐方法；图4以流程图的形式示意性地示出了根据本公开的另一些示例性实施例的一种信息推荐方法；图5以流程图的形式对图4所示的信息推荐方法进行了更加详细的描述；图6以流程图的形式对图4所示的信息推荐方法进行了更加详细的描述；图7示意性地示出了根据本公开的一些示例性实施例的一种信息推荐装置的结构；图8示意性地示出了根据本公开的另一些示例性实施例的一种信息推荐装置的结构；图9对图8所示的模块进行了更加详细的描述；图10对图8所示的模块进行了更加详细的描述；以及图11示意性地示出了根据本公开的一些示例性实施例的一种计算设备的结构，该计算设备包括本公开描述的信息推荐装置，从而可以实施本公开描述的信息推荐方法。
[0028]
应注意的是，附图中显示的内容都仅仅是示意性的，因此其不必按照比例进行绘制。此外，在全部附图中，相同或相似的特征由相同的附图标记指示。
具体实施方式
[0029]
下面的描述提供了本公开的各种示例性实施例的特定细节，以便本领域的技术人员能够充分理解和实施本公开的各种示例性实施例。
[0030]
首先，对本公开的示例性实施例中涉及的部分用语进行说明，以便于本领域技术人员理解：相同信息：涉及相同的被推荐对象的信息。一般而言，在信息推荐库中可能存在大量的信息，其虽然具有不同的信息标识（即，信息id），但从内容来看，其涉及的被推荐对象是相同的。在本公开中，这样的信息被认为是相同信息。在实际操作中，用户也更倾向于认为涉及相同的被推荐对象的信息是相同信息，而不会认为具有相同信息id的信息是相同信息。因此，应理解的是，在本公开中，涉及相同的被推荐对象的信息是相同信息，但它们不一定具有相同的信息id。
[0031]
点击率（即ctr）：在一个统计周期内，一条信息被点击的次数与被展示的次数之比。ctr是一个百分比，其可以用于衡量一条信息受关注的程度。一条信息的ctr可以被计算为：ctr=（点击次数/展示次数）
×
100%。例如，在一个统计周期内，如果一条信息被展示了10次，并且被点击5次，那么该信息的ctr为50%。
[0032]
转化率（即cr）：在一个统计周期内，基于一条信息完成转化行为的次数与该信息被点击的次数之比。cr同样是一个百分比，其可以用于衡量一条信息能够带来收益的能力。转化行为是信息提供方基于一条信息对用户的一种期望行动。根据实际情况，转化行为可以有不同的形式。例如，转化行为可以是完成对某一商品的购买，或者可以是浏览特定页面并完成注册，等等。一条信息的cr可以被计算为：cr=（完成转化行为的次数/点击次数）
×
100%。例如，在一个统计周期内，如果有10名用户点击了一条信息，其中5名用户完成了转化行为（即，完成了信息提供方基于该信息对用户的期望行动），那么该条信息的cr为50%。
[0033]
预估点击率（即pctr）：信息推荐系统中点击率预估模型对候选信息集合中的每一条信息计算的用户点击概率。因此，pctr可以用于预测一条信息被用户点击的概率。作为非限制性示例，点击率预估模型可以基于信息的特征（例如历史点击率、文字、格式、图片等）、用户的特征（例如性别、年龄、兴趣、浏览历史等）等，计算一条信息被用户点击的概率。
[0034]
预估转化率（即pcvr）：信息推荐系统中转化率预估模型对候选信息集合中的每一条信息，计算用户如果发生点击后还有转化的概率。，因此，pcvr可以用于预测点击了一条信息的用户随后完成转化行为的概率。作为非限制性示例，转化率预估模型可以基于信息的特征（例如历史转化率、文字、格式、图片等）、用户的特征（例如性别、年龄、兴趣等）等，计算用户点击一条信息后继而完成转化行为的概率。
[0035]
流量价值（即gmv）：在信息推荐系统中，定义为一个统计周期内，每次转化对应的信息提供方出价的总和。一条信息的流量价值可以被计算为：gmv=转化次数
×
信息出价。由此可见，一条信息的流量价值反映了在考虑到流量和信息出价的情况下，该条信息为信息推荐系统带来的收益。因此，信息的流量价值与信息推荐系统的收益相关。
[0036]
期望千次曝光收入（即ecpm）：对候选信息集合中的每一条信息，根据信息提供方的信息出价以及对应的pctr和pcvr进行计算的结果。也就是说，一条信息的期望千次曝光收入可以被计算为：ecpm=pctr
×
pcvr
×
信息出价。由此可见，一条信息的期望千次曝光收入反映了该条信息能够为信息推荐系统带来的预期收入。因此，期望千次曝光收入与信息
推荐系统的预期收益直接关联。
[0037]
行列式点过程（即dpp）：一种将复杂概率模型计算转换成简单矩阵行列式计算的过程。
[0038]
信息新鲜度：一条信息相对于包括至少一条已展示信息的集合的整体相似度。信息新鲜度反映了该信息与用户最近展示的信息一同构成的展示集合的效果，其值越高，意味着展示集合的效果越好。
[0039]
目前在相关技术中，为了控制给用户进行相同信息的重复推荐，业务端一般会采用新鲜度策略。具体而言，业务端可以根据用户的信息展示历史记录，严格限制预定时间段内向用户重复推荐相同信息的次数。例如，相同信息可以被限定为在10分钟或者1小时内只能被推荐/展示一次，由此使不相同的信息能够有机会获得推荐和展示。采用新鲜度策略的方法虽然能够极大地减少相同信息被重复推荐/展示的情形，从而能够提升用户体验，但却依然存在前面提到的问题。
[0040]
参见图1，其示意性示出了根据本公开一些示例性实施例的业务系统的一般应用场景。如图1所示，业务系统100可以包括业务端110以及一个或多个终端设备130，其中业务端110能够与一个或多个终端设备130通过网络120进行通信。由此，业务端110能够针对一个或多个终端设备130的用户开展业务，包括但不限于可进行信息推荐。
[0041]
业务端110存储和运行能够执行本公开所描述的各种方法的计算机指令，其可以是单个服务器或服务器集群或云服务器。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。业务端110和终端设备130可以通过有线或无线通信方式实现通信，本公开对此不做限制。
[0042]
终端设备130可以是任何类型的合适的移动设备，包括但不限于：移动计算机（例如但不限于，microsoft
®ꢀ
surface
®
设备、个人数字助理（pda）、膝上型计算机、笔记本计算机、诸如apple ipadtm的平板计算机、上网本等）、智能手机（例如但不限于，microsoft windows
®
手机、apple iphone、实现了google
®ꢀ
androidtm操作系统的手机、palm
®
手机，blackberry
®
手机等）、可穿戴式计算设备（例如但不限于，智能手表和手环、头戴式设备，包括智能眼镜，如google
®ꢀ
glasstm，等）或其他类型的移动设备。此外，在一些示例性实施例中，终端设备130也可以是任何类型的合适的固定设备，包括但不限于，台式计算机、游戏机、智能电视、智能音箱、投影仪、机顶盒、户外广告显示屏、车载广告显示屏等等。
[0043]
网络120例如可以包括但不限于，局域网（lan）、广域网（wan）、个域网（pan）、和/或诸如因特网之类的通信网络的任意组合。业务端110以及一个或多个终端设备130中的每一个可以包括能够通过网络120进行通信的至少一个通信接口（未示出）。这样的通信接口可以是下列各项中的一个或多个：任何类型的网络接口（例如，网络接口卡（nic））、有线或无线（诸如ieee 802.11无线lan（wlan））无线接口、全球微波接入互操作（wi-max）接口、以太网接口、通用串行总线（usb）接口、蜂窝网络接口、bluetoothtm接口、近场通信（nfc）接口等。
[0044]
在图1所示的业务系统100中，用户可以通过终端设备130进行某种应用操作，例如但不限于，可以进行资讯信息浏览、小说阅读、视频播放或者进行游戏等等。在这些场景中，
用户可以通过终端设备130经由网络120向业务端110发送关于信息推荐的请求。业务端110收到来自终端设备130的请求后，将准备好需要推荐的信息，并将该信息经由网络120发送给终端设备130。然后，终端设备130可以将接收到的信息对用户进行展示。在另一些示例中，上述场景中关于信息推荐的请求也可以由终端设备130中的第三方应用程序自动发送，例如，可以每隔预定的时间间隔自动发送关于信息推荐的请求。
[0045]
参见图2，其以框图的形式示意性地示出了根据本公开的一些示例性实施例在图1所示的业务系统中进行信息推荐的基本原理。
[0046]
如图2所示并且结合参考图1，终端设备130可以经由网络120向业务端110发送关于信息推荐的请求。然后，终端设备130可以等待业务端110的反馈，并在接收到来自业务端110发送的候选信息时，将该候选信息展示给终端设备130的用户。
[0047]
业务端110接收来自终端设备130的信息推荐请求，并且在接收到该信息推荐请求后，响应于该信息推荐请求，针对在终端设备处的展示，生成候选信息队列。候选信息队列可以包括多条候选信息，并且这些候选信息可按照预定指标进行排序。一般而言，与候选信息对应的收益指标可以作为该预定指标。如前面已经阐述的，一条信息的ecpm和gmv都分别与信息推荐系统的预期收益和收益相关联。因此，在一些示例性实施例中，可以将ecpm作为该预定指标，或者可以将gmv作为该预定指标，以便能够根据该预定指标从高到低地对候选信息进行排序。然而，应理解的是，基于任何合适的其他指标对候选信息队列中的候选信息进行排序也是可能的，本公开对此不作限制。
[0048]
针对生成的候选信息队列，业务端110将判断处于第一排序位置的第一候选信息是否存在重复推荐。作为非限制性示例，当第一候选信息对相同终端设备130的前一次展示的时刻与当前时刻之间的时间间隔小于预定时段时，可以确定该第一候选信息存在重复推荐。例如，该预定时段可以是10分钟，或者可以是1小时。如果确定第一候选信息不存在重复推荐，那么业务端110会经由网络120将该第一候选信息发送给终端设备130。如果确定第一候选信息存在重复推荐，那么业务端110将进一步判断是否需要对这样的排序进行干预。在一些示例性实施例中，业务端110可以确定第一候选信息对用户的预估吸引度，并以此为依据来判断是否需要对这样的排序进行干预。预估吸引度是指预估的用户对信息感兴趣并可能进行点击或转化的概率。作为非限制性示例，可以将第一候选信息的pctr作为其预估吸引度。例如，当第一候选信息pctr高于或等于50%时，则说明其还具有较大概率吸引用户点击，因此业务端110不会对这样的排序进行干预，而是会经由网络120将该第一候选信息发送给终端设备130；当第一候选信息pctr小于50%时，则说明其已经不具有足够的吸引度，因此业务端110将对候选信息队列中的各条候选信息重新进行排序。此外，应理解的是，将任何合适的其他指标作为第一候选信息的预估吸引度也是可能的，本公开对此不作限制。作为非限制性示例，也可以将第一候选信息的pcvr作为其预估吸引度。
[0049]
当需要对候选信息队列中的各条候选信息重新进行排序时，业务端110将根据各条候选信息的信息新鲜度进行概率建模，即，对每一条候选信息均计算其信息新鲜度。然后，在对各条候选信息的ecpm和信息新鲜度的综合考虑下，例如将两者相乘，对候选信息队列中的各条候选信息重新进行排序。在另一些示例性实施例中，也可以对各条候选信息的gmv和信息新鲜度进行综合考虑，例如将两者相乘，以便对候选信息队列中的各条候选信息重新进行排序。然后，业务端110可以经由网络120将重新排序后处于第一排序位置的候选
信息发送给终端设备130，以便由终端设备130将其展示给用户。
[0050]
在基于上述原理的信息推荐过程中，一方面，对于存在重复推荐的信息进行干预的条件是多重的，不仅需要确定候选信息存在重复推荐，而且还基于该候选信息的预估吸引度（例如pctr或者pcvr）来动态地确定是否应该继续进行展示，另一方面，在干预过程中兼顾了信息新鲜度和预期收益，由此可以兼顾用户体验和业务系统收益。
[0051]
现在参见图3，其以流程图的形式示意性地示出了根据本公开的一些示例性实施例的信息推荐方法300。作为非限制性示例，信息推荐方法300可以被应用于图1、图2所示的业务系统100的业务端110以提供信息推荐服务。如图3所示，信息推荐方法300可以包括步骤310、320和330：步骤310，响应于从终端设备接收的信息推荐请求，生成候选信息队列，其中，所述候选信息队列包括处于第一排序位置的第一候选信息；步骤320，当所述第一候选信息与当前时刻之前的预定时段内向所述终端设备推荐的推荐信息涉及相同的被推荐对象时，确定所述第一候选信息的预估吸引度，所述预估吸引度是所述终端设备的用户基于所述第一候选信息进行期望动作的概率；以及步骤330，当所述预估吸引度大于或等于预定的吸引度阈值时，推荐所述第一候选信息。
[0052]
在步骤310中，生成的候选信息队列可以包括多条候选信息，并且这些候选信息可以按照预定指标进行排序。如前面已经提到的，可以选择与候选信息对应的收益指标作为该预定指标。对于一条信息而言，其ecpm和gmv都与该条信息能够为信息推荐系统带来的收益相关联。ecpm越高，则信息推荐系统的预期收益越高，gmv越高，则信息推荐系统的收益越高。因此，对于候选信息队列而言，作为非限制性示例，可以将ecpm作为该预定指标，或者也可以将gmv作为该预定指标，以便从高到低地对候选信息进行排序。例如，在以ecpm作为预定指标的非限制性示例中，当对各候选信息进行排序时，可以分别计算各候选信息的ecpm值，例如，每条候选信息的ecpm值可以计算为：ecpm=pctr
×
pcvr
×
信息出价。然后，基于各候选信息的ecpm值的计算结果，按照从大到小的顺序进行排序，使得位于第一排序位置的第一候选信息具有最大的ecpm值。然而，应理解的是，基于任何合适的其他指标对候选信息队列中的候选信息进行排序也是可能的，本公开对此不作限制在步骤320中，作为非限制性示例，可以基于对相同的终端设备130的相同信息展示之间的时间间隔来确定第一候选信息是否存在重复推荐。如前面已经阐述的，在本公开中，相同信息是指涉及相同的被推荐对象的信息。因此，虽然一些信息具有不同的信息标识（即，信息id），但从内容来看，其涉及的被推荐对象是相同的。在本公开中，这样的信息也被认为是相同信息。因此，当第一候选信息与当前时刻之前向相同的终端设备130推荐的推荐信息涉及相同的被推荐对象时，两者是相同信息，并且如果当前时刻与先前的推荐信息被推荐的时刻之间的时间间隔在预定时段内时，则可以确定该第一候选信息存在重复推荐。作为非限制性示例，预定时段可以是10分钟，或者可以是1小时。此外，预估吸引度是指预估的用户对信息感兴趣并可能进行期望动作的概率。在本公开中，作为非限制性示例，用户进行期望动作的概率可以指用户基于该信息，继而进行点击或者继而进行转化行为的概率。因此，可以将第一候选信息的pctr作为其预估吸引度。例如，当第一候选信息pctr高于或等于50%时，则说明其还具有较大概率吸引用户点击；而当第一候选信息pctr小于50%时，则说
明其已经不具有足够的吸引度。此外，应理解的是，将基于任何合适的其他指标作为第一候选信息的预估吸引度也是可能的，本公开对此不作限制。例如，也可以将第一候选信息的pcvr作为其预估吸引度。
[0053]
在步骤330中，当第一候选信息的预估吸引度大于或等于预定的吸引度阈值时，信息推荐方法300将推荐该第一候选信息。如上所述，在将pctr或者pcvr作为预估吸引度时，预定的吸引度阈值可以是50%。
[0054]
根据本公开的信息推荐方法300，在候选信息存在重复推荐的情况下，进一步根据其预估吸引度来动态地决定该重复推荐是否应该继续进行，由此，能够动态地允许相同信息的适度的重复推荐，在整体上减少相同信息的重复率从而提高用户体验的同时，能够增加优质信息的展示从而增加信息推荐平台的收益。
[0055]
参见图4，其以流程图的形式示意性地示出了根据本公开的另一些示例性实施例的信息推荐方法400。如图4所示，信息推荐方法400可以包括步骤410、420、430、440、450、460和470：步骤410和410分别与图3所示的信息推荐方法300中的步骤310、320相同，在此不再赘述；步骤430，确定所述第一候选信息的预估吸引度是否小于预定的吸引度阈值；如果所述第一候选信息的预估吸引度不小于预定的吸引度阈值，则信息推荐方法400将执行步骤470，推荐所述候选信息队列的第一候选信息；如果所述第一候选信息的预估吸引度小于预定的吸引度阈值，则信息推荐方法400将执行步骤440、450和460：步骤440，确定所述候选信息队列中各候选信息的信息新鲜度，所述信息新鲜度是各候选信息与所述当前时刻之前所述终端设备展示的至少一条已展示信息的整体相似度；步骤450，基于所述候选信息队列中各候选信息的信息新鲜度和对应的期望千次曝光收入，对各候选信息进行重新排序，以得到所述候选信息队列的第一重排候选信息；步骤460，推荐所述候选信息队列的第一重排候选信息。
[0056]
如上文中已经阐述的，信息新鲜度表示了一条信息相对于包括至少一条已展示信息的集合的整体相似度。因此，信息新鲜度反映了该信息与向用户最近展示的信息一同构成的展示集合的效果。在本公开中，作为非限制性示例，信息新鲜度可以基于行列式点过程（即dpp）来获得。具体而言，基于最近展示的若干条信息，为候选信息队列中各候选信息计算相对于上述若干条信息的相似度，然后基于所得到的相似度构建相似度矩阵，并且利用dpp过程计算该相似度矩阵的行列式的值，由此得到各候选信息的信息新鲜度。应理解的是，信息新鲜度的值越大，意味着对应的候选信息与最近展示的若干条信息一起构成的展示集合的新鲜度效果更好。因此，在考虑各候选信息的信息新鲜度的情况下对其进行排序，能够从候选信息中筛选出优质信息。
[0057]
参见图5，其以流程图的形式对图4所示的信息推荐方法400的步骤440中对信息新鲜度的确定进行了更加详细的描述。如图5所示，图4所示的信息推荐方法400中的步骤440可以包括步骤4401、4402、4403和4404：步骤4401，获取从当前时刻起对相应终端设备的前n次展示的已展示信息，其中，n为大于0的整数；步骤4402，基于该已展示信息，构造n
×
n的相似度矩阵；
步骤4403，遍历候选信息队列中的各候选信息，分别构造与一条候选信息对应的增广相似度矩阵；以及步骤4404，对该候选信息队列中各候选信息的增广相似度矩阵分别进行行列式计算，将该行列式计算所得到的各值分别作为各候选信息的信息新鲜度。
[0058]
在根据本公开的信息推荐方法中，n在实际中根据需要可以是大于0的任何整数，只要其取值不会影响计算速度从而降低用户体验便可。在n
×
n的相似度矩阵s中，各矩阵元素s
ij
的值如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式1其中，α
ij
表示第i条已展示信息与第j条已展示信息的相似度，0＜α
ij
≤1，并且i和j均为整数，0＜i≤n，0＜j≤n。作为非限制性示例，第i条已展示信息与第j条已展示信息的相似度α
ij
可以被计算为，其中，m
ij
为大于或等于0的整数，表示第i条已展示信息与第j条已展示信息之间的直接不重复距离（也被称为曼哈顿距离）。
[0059]
作为非限制性示例，直接不重复距离m
ij
的计算方法可如下：首先，令其初始值为0；然后，确定第i条已展示信息与第j条已展示信息之间的差异的项数，该项数的值可作为直接不重复距离m
ij
的值。例如，如果第i条已展示信息与第j条已展示信息来自不同的信息提供方，那么直接不重复距离m
ij
的值可以加1；此外，如果第i条已展示信息与第j条已展示信息涉及不同的行业，那么直接不重复距离m
ij
的值可以再加1。由此可见，如果第i条已展示信息与第j条已展示信息之间差异越多，则它们之间的直接不重复距离m
ij
就越大，所以它们之间的相似度α
ij
就越接近0；反之，它们之间的相似度α
ij
就越接近1。应理解的是，上文中关于第i条已展示信息与第j条已展示信息的直接不重复距离m
ij
是针对相似度矩阵s进行的描述，而容易认识到的是，直接不重复距离可以用于任何两条信息之间的相似度计算。
[0060]
此外，如上文中所述，在相似度矩阵s中，s
ij
=s
ji
，因此，相似度矩阵s的矩阵形式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式2在步骤4403中，当候选信息队列中存在m条候选信息时，针对候选信息队列中的一条候选信息v
x
，分别计算其与前n条已展示信息的相似度v
x1
, v
x2
, ... ,v
xn
，其中x为整数且1≤x≤m。作为非限制性示例，可以基于两条信息之间的直接不重复距离来计算两者的相似度。然后，基于计算所得的相似度v
x1
, v
x2
, ... ,v
xn
，可以构造该候选信息v
x
相对于n条已展示信息的相似度向量v
x = [v
x1
, v
x2
, ... ,v
xn
]。因此，对候选信息队列中的该候选信息v
x
，可以构造与其对应的(n 1)
×
(n 1)的增广相似度矩阵，其矩阵形式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式3其中x为整数且1≤x≤m。重复上述过程，以便遍历候选信息队列中的全部m条候选信息，分别构造与m条候选信息一一对应的m个增广相似度矩阵。
[0061]
在步骤4404中，可以基于与m条候选信息一一对应的m个增广相似度矩阵，分别计算各自行列式的值d
x
。该行列式的值d
x
可以作为候选信息v
x
的信息新鲜度。
[0062]
在一些情形中，n条已展示信息中的已展示信息可能会与候选信息队列中的候选信息完全相同，例如当未采取新鲜度策略来控制对相同信息的重复展示时。在这样的情形中，相似度矩阵s以及增广相似度矩阵中将存在数值完全相同的至少两列，因此会导致行列式的值d
x
为0，并最终导致无法获得关于该候选信息的准确的信息新鲜度。为避免该问题，一种方法是可以在构建相似度矩阵s以及增广相似度矩阵的过程中，除矩阵元素s
11
，s
22
，
……
，s
nn
，s
(n 1)(n 1)
之外，其余矩阵元素的值均小于1。作为一个非限制性示例，在构建相似度矩阵s时，可以将上述式1修改为：，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式4其中，β是一个比1小但非常接近1的实数。作为示例，β可以为0.9995。根据式4，当计算所得的相似度α
ij
值大于β时，将矩阵元素s
ij
的值设为β的值。
[0063]
参见图6，其以流程图的形式对图4所示的信息推荐方法400的步骤450进行了更加详细的描述。如图6所示，图4所示的信息推荐方法400中的步骤450可以包括步骤4501和4502：步骤4501，分别将所述候选信息队列中各候选信息的信息新鲜度与对应的期望千次曝光收入相乘，以获得对应的推荐指标；以及步骤4502，将所述候选信息队列的各候选信息中具有最大推荐指标的候选信息作为所述第一重排候选信息。
[0064]
图6所示的方法中，基于对信息新鲜度和反映了期望收益的期望千次曝光收入或流量价值的综合考虑，生成用于对候选信息进行排序以及因此进行推荐的推荐指标，由此能够兼顾信息新鲜度和平台收益，从而将新鲜度策略对平台收益的影响降到最低。然而，应理解的是，也可以选用反映平台收益的其他指标与信息新鲜度一起生成相应的推荐指标。
[0065]
根据本公开的信息推荐方法至少具有以下有益的技术效果：第一，通过设置关于信息的预估吸引度指标，动态地确定相同的信息是否应该继续被展示，从而能够允许有竞争力的相同信息在短时间内具有多次展示，并且能够对不具有竞争力的信息进行替换，以将展示机会让给其他信息；第二，在候选信息的调整过程中兼顾了消耗损失和信息新鲜度指标，从而能将新鲜度策略对业务端收入的不利影响降到最低。总而言之，根据本公开的信
息推荐方法及装置，通过动态地允许对信息进行适度的重复展示，能够在用户体验和业务端收益之间建立各方均满意的平衡。
[0066]
参见图7，其示意性地示出了根据本公开的一些示例性实施例的一种信息推荐装置700的结构。信息推荐装置700可应用业务端110处，并且可以应用于本公开描述的各种场景。如图7所示，信息推荐装置700可以包括：候选信息队列生成模块710、预估吸引度确定模块720和推荐模块730。
[0067]
候选信息队列生成模块710被配置成：响应于从终端设备接收的信息推荐请求，生成候选信息队列，其中，所述候选信息队列包括处于第一排序位置的第一候选信息。预估吸引度确定模块720被配置成：当所述第一候选信息与当前时刻之前的预定时段内向所述终端设备推荐的推荐信息涉及相同的被推荐对象时，确定所述第一候选信息的预估吸引度，所述预估吸引度是所述终端设备的用户基于所述第一候选信息进行期望动作的概率。推荐模块730被配置成：当所述预估吸引度大于或等于预定的吸引度阈值时，推荐所述候选信息队列的第一候选信息。
[0068]
参见图8，其示意性地示出了根据本公开的另一些示例性实施例的一种信息推荐装置800的结构。类似地，信息推荐装置800可应用业务端110处，并且可以应用于本公开描述的各种场景。如图8所示，信息推荐装置800可以包括：候选信息队列生成模块810、预估吸引度确定模块820、预估吸引度判断模块830、信息新鲜度确定模块840、重新排序模块850和推荐模块860。
[0069]
候选信息队列生成模块810和预估吸引度确定模块820分别与图7所示的信息推荐装置700中的候选信息队列生成模块710和预估吸引度确定模块720相同，在此不再赘述。预估吸引度判断模块830被配置成：判断预估吸引度确定模块820确定的预估吸引度是否小于预定的吸引度阈值。信息新鲜度确定模块840被配置成：确定所述候选信息队列中各候选信息的信息新鲜度，所述信息新鲜度是各候选信息与所述当前时刻之前所述终端设备展示的至少一条已展示信息的整体相似度。重新排序模块850被配置成：基于所述候选信息队列中各候选信息的信息新鲜度和对应的期望千次曝光收入，对各候选信息进行重新排序，以得到所述候选信息队列的重排的第一候选信息。推荐模块860被配置成：当预估吸引度不小于预定的吸引度阈值时，推荐所述候选信息队列的第一候选信息，并且当预估吸引度小于预定的吸引度阈值时，推荐所述候选信息队列的第一重排候选信息。
[0070]
参见图9，其示意性地示出了图8中的新鲜度确定模块840的结构。如图9所示，新鲜度确定模块840可以包括：已展示信息获取子模块8401、相似度矩阵生成子模块8402、增广相似度矩阵生成子模块8403和信息新鲜度生成子模块8404。
[0071]
已展示信息获取子模块8401被配置成：获取从当前时刻起对相应终端设备的前n次展示的已展示信息，其中，n为大于0的整数。相似度矩阵生成子模块8402被配置成：基于该已展示信息，构造n
×
n的相似度矩阵s，该相似度矩阵s的各矩阵元素，其中α
ij
表示第i条已展示信息与第j条已展示信息的相似度，0＜α
ij
≤1，并且i和j均为整数，0＜i≤n，0＜j≤n，并且s
ij
=s
ji
。增广相似度矩阵生成子模块8403被配置成：遍历该候选
信息队列中的各候选信息，分别构造与一条候选信息对应的增广相似度矩阵，其中，s是该相似度矩阵，v是该一条候选信息相对于该已展示信息的相似度向量，v=[v1, v2, ... ,vn]，其中v1, v2, ... ,vn是该一条候选信息分别与n条已展示信息的相似度，并且v1, v2, ... ,vn中的每一个大于0且小于或等于1，t表示矩阵的转置。信息新鲜度生成子模块8404被配置成：对该候选信息队列中各候选信息的增广相似度矩阵分别进行行列式计算，将该行列式计算所得到的各值分别作为各候选信息的信息新鲜度。
[0072]
参见图10，其示意性地示出了图8中的重新排序模块850的结构。如图10所示，重新排序模块850可以包括：推荐指标生成子模块8501和第一重排候选信息确定子模块8502。推荐指标生成子模块8501被配置成：分别将该候选信息队列中各候选信息的信息新鲜度分别与对应的期望千次曝光收入相乘，以获得对应的推荐指标。第一重排候选信息确定子模块8502被配置成：将该候选信息队列的各候选信息中具有最大推荐指标的候选信息作为该第一重排候选信息。
[0073]
应理解的是，上面关于图7至图10描述的各个模块和子模块均可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块和子模块可以被实现为计算机可执行代码/指令，该计算机可执行代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块和子模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，这些模块中的一个或多个可以一起在片上系统（soc）中实现。soc可以包括集成电路芯片（其包括处理器（例如，中央处理单元（cpu）、微控制器、微处理器、数字信号处理器（dsp）等）、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件），并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。还应理解的是，上述各个模块和子模块分别涉及在上文中关于图3描述的信息推荐方法300、以及关于图4、图5、图6描述的信息推荐方法400中各相关步骤的操作，因而在此不再赘述。
[0074]
图11示出了根据本公开一些实施例的示例性计算设备1100的示意性框图。该示例性计算设备1100可以代表图1所示的业务端110，并且该示例性计算设备1100可以用于本公开描述的各种场景。
[0075]
计算设备1100可以包括能够诸如通过系统总线1114或其他适当的方式连接彼此通信的至少一个处理器1102、存储器1104、（多个）通信接口1106、显示设备1108、其他输入/输出（i/o）设备1110以及一个或多个大容量存储装置1112。
[0076]
处理器1102可以是单个处理单元或多个处理单元，所有处理单元可以包括单个或多个计算单元或者多个核心。处理器1102可以被实施成一个或多个微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外，处理器1102可以被配置成获取并且执行存储在存储器1104、大容量存储装置1112或者其他计算机可读介质中的计算机可读指令，诸如操作系统1116的程序代码、应用程序1118的程序代码、其他程序1120的程序代码等。
[0077]
存储器1104和大容量存储设备1112是用于存储指令的计算机存储介质的示例，该指令由处理器1102执行来实施前面所描述的各种功能。举例来说，存储器1104一般可以包括易失性存储器和非易失性存储器二者（例如ram、rom等等）。此外，大容量存储设备1112一
般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘（例如cd、dvd）、存储阵列、网络附属存储、存储区域网等等。存储器1104和大容量存储设备1112在本公开中都可以被统称为存储器或计算机存储介质，并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机可执行代码的非瞬时性介质，计算机可执行代码可以由处理器1102作为被配置成实施在本公开的示例中所描述的操作和功能的特定机器来执行。
[0078]
多个程序模块可以存储在大容量存储设备1112上。这些程序模块包括操作系统1116、一个或多个应用程序1118、其他程序1120和程序数据1122，并且它们可以被处理器1102执行。这样的应用程序或程序模块的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑（例如，计算机可执行代码或指令）：候选信息队列生成模块710、810、预估吸引度确定模块720、820和推荐模块730、860；预估吸引度判断模块830、信息新鲜度确定模块840和重新排序模块850；已展示信息获取子模块8401、相似度矩阵生成子模块8402、增广相似度矩阵生成子模块8403和信息新鲜度生成子模块8404；以及，推荐指标生成子模块8501和第一重排候选信息确定子模块8502。
[0079]
虽然在图11中被图示成存储在计算设备1100的存储器1104中，但是模块1116、1118、1120和1122或者其部分可以使用可由计算设备1100访问的任何形式的计算机可读介质来实施。如本公开所使用的，“计算机可读介质”至少包括两种类型的计算机可读介质，也就是计算机可读存储介质和通信介质。
[0080]
计算机可读存储介质包括通过存储信息的任何方法或技术所实施的非暂态的、易失性和非易失性、可移除和不可移除介质，信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机可读存储介质包括而不限于ram、rom、eeprom、闪存或其他存储器技术，cd-rom、数字通用盘（dvd）、或其他光学存储装置，磁盒、磁带、磁盘存储装置或其他磁性存储设备，或者可以被用来存储信息以供计算设备访问的任何其他非传送介质。
[0081]
与此相对，通信介质可以在诸如载波或其他传送机制之类的已调数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本公开所定义的计算机可读存储介质不包括通信介质。
[0082]
计算设备1100还可以包括一个或更多通信接口1106，以用于诸如通过网络、直接连接等等与其他设备交换数据。通信接口1106可以促进在多种网络和协议类型内的通信，其中包括有线网络（例如lan、电缆等等）和无线网络（例如wlan、蜂窝、卫星等等）、因特网等等。通信接口1106还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置（未示出）的通信。
[0083]
在一些示例中，计算设备1100可以包括诸如监视器之类的显示设备1108，以用于显示信息和图像。其他i/o设备1110可以是接收来自用户的各种输入并且向用户提供各种输出的设备，包括但不限于触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
[0084]
本公开中使用的术语仅用于描述本公开中的实施例，并不意图限制本公开。如本公开中使用的，单数形式“一个”、“一”和“该”旨在也包括复数形式，除非上下文清楚地另有指示。还要理解的是，术语“包括”和“包含”当在本公开中使用时，是指所述及的特征的存在，但不排除一个或多个其他特征的存在或者添加一个或多个其他特征。如本公开中使用
的，术语“和/或”包括相关联的列出项目中的一个或多个的任意和全部组合。将理解的是，尽管术语“第一”、“第二”、“第三”等在本公开中可以用来描述各种特征，但是这些特征不应当由这些术语限制。这些术语仅用来将一个特征与另一个特征相区分。
[0085]
除非另有定义，本公开中使用的所有术语（包括技术术语和科学术语）具有与本公开所属领域的普通技术人员所通常理解的相同含义。还要理解的是，诸如那些在通常使用的字典中定义的之类的术语应当被解释为具有与其在相关领域和/或本说明书上下文中的含义相一致的含义，并且将不在理想化或过于正式的意义上进行解释，除非本公开中明确地如此定义。
[0086]
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点被包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0087]
本公开在软件、硬件、元件或程序模块的一般上下文中描述了各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本公开所使用的术语“模块”，“功能”和“组件”一般表示软件、固件、硬件或其组合。本公开描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。
[0088]
应理解的是，本公开中描述的方法中的各个步骤的顺序仅仅是示例性的，并非是限制性的。因此，本公开中描述的方法的各个步骤并不必须按照所描述的顺序执行，而是根据实际需要，可以按照不同的顺序执行，或者还可以包括任意合适的附加步骤。
[0089]
应理解的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读存储介质”可以是任何可包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读存储介质的更具体的示例可以例如包括以下各项：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（random access memory）、只读存储器（read only memory），可擦除可编辑只读存储器（erasable programmable read only memory）或闪速存储器、光纤装置、以及便携式光盘只读存储器（compact disc read only memory）。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0090]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件
或固件来实现。例如，如果用硬件来实现，则可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路、具有合适的组合逻辑门电路的专用集成电路、可编程门阵列（programmable gate array）、现场可编程门阵列（field programmable gate array）等。
[0091]
本技术领域的普通技术人员可以理解上述实施例方法的全部或部分步骤可以通过程序指令相关的硬件完成，所述程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括执行方法实施例的步骤之一或其组合。
[0092]
尽管已经结合一些实施例详细地描述了本公开，但是其不旨在被限制于在本公开中所阐述的特定形式。相反，本公开的范围仅由所附权利要求来限定。