服务确定方法、装置、电子设备及计算机可读介质

技术领域

本申请涉及数据技术领域，更具体地，涉及一种服务确定方法、装置、电子设备及计算机可读介质。

背景技术

目前，随着电子信息技术的发展，可以基于一些输入参数来确定对应的推荐服务。然而，目前获取到的推荐服务较难满足用户的偏好需求。

发明内容

本申请提出了一种服务确定方法、装置、电子设备及计算机可读介质。

第一方面，本申请实施例提供了一种服务确定方法，应用于电子设备，所述方法包括：获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种；获取多个目标服务；获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度；基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，得到目标服务链。

第二方面，本申请实施例还提供了一种服务确定装置，应用于电子设备，所述装置包括：第一获取单元、第二获取单元、第三获取单元以及确定单元。其中，第一获取单元，用于获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种；第二获取单元，用于获取多个目标服务；第三获取单元，用于获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度；确定单元，用于基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，得到目标服务链。

第三方面，本申请实施例还提供了一种电子设备，包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行上述方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有处理器可执行的程序代码，所述程序代码被所述处理器执行时使所述处理器执行第一方面所述的方法。

本申请提供的服务确定方法、装置、电子设备及计算机可读介质，该方法首先获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种；再获取多个目标服务；然后获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度；最后基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，得到目标服务链。可以理解的是，若通过人工对目标服务链进行编排，效率较低，且需要消耗较多人力。而本申请中，可以通过电子设备基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，不需要人工对样本数据进行编排，减少了对人力的需求，也提高了获取目标服务链的效率。并且，由于获取目标服务链时考虑到了特征信息，因此获取到的目标服务链能更好满足用户的偏好需求，提高了用户的体验。

本申请实施例的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例而了解。本申请实施例的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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。

图1示出了本申请实施例提供的服务确定方法的应用场景图；

图2示出了本申请实施例提供的服务确定方法的方法流程图；

图3示出了本申请另一实施例提供的服务确定方法的方法流程图；

图4示出了本申请实施例提供的服务确定方法的示意图；

图5示出了本申请又一实施例提供的服务确定方法的方法流程图；

图6示出了本申请实施例提供的服务确定装置的单元框图；

图7示出了本申请实施例提供的电子设备的示意图；

图8示出了本申请实施例提供的计算机可读存储介质的结构框图；

图9示出了本申请实施例提供的计算机程序产品的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

目前，随着电子信息技术的发展，可以基于一些输入参数来确定对应的推荐服务。然而，目前获取到的推荐服务较难满足用户的偏好需求。如何获取到满足用户偏好需求的推荐服务，是一个亟待解决的问题。

得益于近年来智能手机交互软件的发展，图形用户交互界面(GUI)得到了很好的发展。终端设备的信息能够以多种多样的形式呈现给用户，例如服务可以以服务卡片的形式进行呈现。其中服务卡片作为一种信息的呈现形式，能够以更加简洁、高效、美观、丰富的样式进行呈现。同时，为了满足用户一系列相关联服务需求的快捷展示和交互，服务卡片可以组成链式服务集合，满足用户的日常生活需要。

虽然，可以通过一些输入参数来确定对应的推荐服务，从而将获得的推荐服务呈现给用户，例如可以将单一语料作为输入参数，进而基于单一语料确定对应的推荐服务。

然而，发明人在研究中发现，通过单一语料作为输入参数确定的推荐服务，较难满足用户的偏好需求。

因此，为了克服上述缺陷，本申请实施例提供了一种服务确定方法、装置、电子设备及计算机可读介质，用以解决或部分解决上述问题。

请参阅图1，图1示出了本申请实施例提供的服务确定方法的应用场景图，即服务确定场景100，该服务确定场景100中可以包括有电子设备110以及服务器120，其中电子设备110与服务器120相连接。

电子设备110可以通过接入互联网，从而和同样接入了互联网的服务器120建立连接。其中，电子设备110可以通过无线的方式接入互联网，例如通过无线通信技术Wi-Fi、蓝牙Bl uetooth等接入互联网；电子设备110还可以通过有线的方式接入互联网，例如通过Rj45网线或光纤接入互联网。

用户可以控制电子设备110从而使电子设备执行服务确定方法，具体的介绍可以参阅后续实施例。例如，用户可以直接对电子设备110进行操作，从而控制电子设备执行服务确定方法；用户还可以操作与电子设备110建立了通信连接的服务器120，从而通过服务器120控制电子设备执行服务确定方法。其中，服务器120可以为一种云端的服务器，也可以为本地服务器。

请参阅图2，图2示出了本申请实施例提供的一种服务确定方法，该方法可以应用于电子设备，该方法的执行主体可以为电子设备中的处理器。具体的，该方法包括步骤S110至步骤S140。

步骤S110：获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种。

在电子设备提供的服务领域，可以将获取到的用户画像特征或用户所处的场景特征作为输入，输入至训练后得到的第一模型中，从而可以得到第一模型输出的目标服务链，该目标服务链中可以包括有多个服务。对于一些实施方式，该第一模型可以为垂域模型，从而可以获取到该垂域模型输出的目标服务链。其中，垂域模型是指专门适配于特定领域的模型，一般在该领域使用垂域模型能获得比通用模型更好的效果。例如，特定领域可以为金融领域、医疗领域或电子设备提供的服务领域等。示例性的，垂域模型输出的服务链可以用于为用户提供泛在服务，该泛在服务可以用于为用户提供各方面的服务，例如睡眠、上下班通勤、餐饮推荐、外卖、快递、航空、火车、打车、公交、地铁、天气、影音、酒店、新闻咨询等。该泛在服务是在用户还未主动通过电子设备发起需要使用某一种服务之前，就主动推送相关服务给用户，例如可以是以服务卡片的形式将服务推送给用户，从而用户可以根据需要通过和对应的服务卡片进行交互即可实现与该服务卡片相应的服务，例如可以是通过点击该服务卡片。

另一种示例性的，垂域模型输出的服务链还可以为用户的电子设备提供快捷服务，该快捷服务可以包括例如支付场景、便捷生活、实用工具、交通导航、旅游出行、生活娱乐、网上购物等。快捷服务是在用户主动通过电子设备发起需要使用某一种服务的情况下，为了简化用户后续使用该服务的操作流程，而被用户使用的一种快捷方式。例如，快捷服务可以为图标，用户通过点击服务相对应的图标从而可以快速使用该服务。

在一些实施方式中，电子设备可以具有智能感知能力，例如电子设备中可以运行有智能感知系统，从而可以通过该智能感知系统来感知获取与用户相关的特征信息。

其中，特征信息可以所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种。画像特征可以用于表征用户的偏好，例如可以通过电子设备或云端学习用户使用应用程序的记录，从而构建用户个人标签，该用户个人标签即可以表征用户的偏好。

示例性的，画像特征可以包括用户对应用程序的使用习惯。例如，可以通过电子设备或云端可以记录和学习用户对应用程序的使用习惯，如应用类型、应用使用时长、使用时长最长的N个应用程序以及不同时间段使用应用程序的习惯等，具体例如早晨、中午以及夜晚等不同时间段的惯用应用；又例如工作日以及非工作日惯用的应用程序。使用习惯还可以包括用户使用应用程序较为活跃以及不活跃的时间段，还可以进一步的细分为用户分别在工作日以及非工作日使用应用程序的较为活跃以及不活跃的时间段等。

进一步的，画像特征还可以包括用户的生活习惯。示例性的，还可以通过电子设备或云端分析和学习用户的生活习惯，例如睡眠习惯、通勤习惯、打车习惯、音乐习惯、外卖习惯、充电习惯、电子设备电量使用习惯、网络使用习惯、充电常用地画像、对电量、网络的依赖等。

需要说明的是，上述示出的画像特征，仅为本申请实施例对于画像特征的介绍，实际应用中可以根据需要灵活设定所需要的画像特征。

用户所处场景的场景特征可以用于表征用户情景、应用程序使用场景或当前外部环境。示例性的，首先可以获取用户当前使用的应用程序，进而确定应用程序使用场景。例如，应用程序使用场景可以包括正在进行会议、正在进行音视频通话、正在导航、正在工作、正在学习、处于节假日、正在游戏等场景。还可以通过电子设备获取用户的地理位置信息，再将近场识别和地理位置信息结合，可以获得用户所处的当前外部环境。例如，靠近地铁、火车站、公交站、飞机场、商场、名胜古迹、室内、室外、电梯内电梯外等信息。另外，还可以通过电子设备获取用户情景。例如，静止、休憩、走路、跑步、骑行、交通工具出行、驾驶等。

可选的，还可以获取用户所处的经纬度信息，从而基于用户所处的经纬度等信息，搜索临近的餐饮店铺、酒店、景点等兴趣点信息(Point Of I nformat ion，POI)。

可选的，也可以基于用户所处的位置特征来感知用户的日常生活状态。示例性的，可以通过电子设备或云端对用户所处的位置特征进行分析处理，从而获取到睡眠信息步数信息、航班行程状态信息、火车行程状态信息、网约车状态信息、外卖状态信息、快递状态信息、天气预警信息、商场餐饮推荐信息等。

步骤S120：获取多个目标服务。

在一些实施方式中，目标服务可以为多个，例如可以预先获取服务库，该服务库中可以包括有多个第一服务，从而可以将服务库中的每个第一服务，作为目标服务。

其中，服务库可以包括多个第一服务，例如第一服务可以为前述步骤中示出的泛在服务中的每种服务或快捷服务，具体的此处不再赘述。也就是说，目标服务也可以包括前述示出的各种泛在服务或快捷服务。

从而，后续可以确定出每个目标服务与特征信息之间的逻辑关联程度，进而再对目标服务进行序列编排，得到目标服务链。

然而，若直接将整个服务库中的每个第一服务作为目标服务，可能导致确定目标服务链效率较低，且需要消耗的资源较多。因此，对于一些实施方式，还可以基于该服务库选取部分第一服务，作为目标服务，具体的介绍可以参阅后续实施例。

步骤S130：获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度。

在一些实施方式中，可以获取目标服务与特征信息之间的逻辑关联程度，从而得到每个目标服务的目标关联程度。其中，目标服务的目标关联程度即为该目标程度与特征信息之间的逻辑关联程度。

其中，逻辑关联程度可以用于表征特征信息和目标服务之间在逻辑上的关联程度，例如可以若是由于存在该特征信息，则推断可能存在该特征信息对应的某一目标服务，此时可以确定该特征信息和目标服务之间的逻辑关联程度较高；而若是存在该特征信息，推断不存在该特征信息对应的某一目标服务，则此时可以确定该特征信息和目标服务之间的逻辑关联程度较低。示例性的，若目标服务包括外卖服务，特征信息包括外卖应用程序正在运行，用户位于家中，则此时即可确认该目标服务与特征信息之间逻辑关联程度的逻辑关联程度较高。

可以理解的是，不同的目标服务与特征信息之间的逻辑关联程度并不相同，因此获取到的目标服务的目标关联程度存在不同，进而后续可以基于目标关联程度来对目标服务进行序列编排。示例性的，若特征信息包括画像特征以及场景特征，其中画像特征包括用户在中午处于非家中的情况下点外卖，场景特征包括当前为中午，用户处于非家中。则此时可以理解的是外卖服务与特征信息之间的逻辑关联程度较高，因此外卖服务的目标关联程度较高；而休息服务与特征信息之间的逻辑关联程度较低，因此外卖服务的目标关联程度较低。

示例性的，可以通过预先获取的第三模型来得到每个所述目标服务的目标关联程度。例如可以将前述步骤中获取到的每个目标服务以及特征信息作为输入，输入至该第三模型中，从而得到第三模型输出的每个所述目标服务的目标关联程度。

其中，第三模型可以为大语言模型，例如生成式预训练模型(Generat ive Pre-trained Transformer，GPT)。该生成式预训练模型可以预先通过样本数据进行训练，从而可以得到第三模型。该样本数据可以为Prompt文本，例如该Prompt可以包含任务描述(例如基于特征信息和目标服务，推理每个目标服务与所述特征信息之间的逻辑关联程度)、特征信息、目标服务、逻辑关联程度。从而，训练得到的第三模型可以用于得到每个所述目标服务的目标关联程度。

步骤S140：基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，得到目标服务链。

通过前述获取到的目标关联程度，可以对目标服务进行序列编排，得到目标服务链。其中，目标服务链可以用于为用户提供泛在服务或快捷服务等。服务链中可以包括多个目标服务。

可选的，目标服务链中的目标服务还可以对应具有特征参数。其中，特征参数可以用于对相应的目标服务进行进一步的描述或限定，示例性的，特征参数可以通过数值进行表征。例如，外卖应用程序对应的特征参数的数值可以包括1和2，其中1用于表征外卖已下单，正在配送中，2用于表征外卖接单中；又例如，用户位于家中对应的特征参数的数值可以包括1和2，其中1用于表征用户静止不动，2用于表征用户正在走动。

需要说明的是，目标服务链中的目标服务对应的特征参数可以并非是每个目标服务都需要对应有的，也就是说，可以仅是一部分目标服务对应有特征参数，而另一部分目标服务并不需要对应有特征参数，具体的可以根据实际需要灵活设定，本申请实施例并不做具体要求。

其中，第一模型可以为微调大语言模型，例如生成式预训练模型。该生成式预训练模型可以预先通过样本数据进行训练，从而可以得到第一模型。该样本数据可以为Prompt文本，例如该Prompt可以包含任务描述(例如基于特征信息和目标服务，编排目标服务链)、特征信息、目标服务、目标服务链。从而，训练得到的第一模型可以用于得到目标服务链。

其中，可以是将与特征信息之间的逻辑关联程度较高的目标服务排序在目标服务链较前的位置；而将特征信息之间的逻辑关联程度较低的目标服务排序在目标服务链较后的位置，从而使得得到的目标服务链可以满足用户的偏好需求。

可选的，还可以进一步的获取目标服务对应于所述特征信息的执行优先级，从而结合逻辑关联程度以及执行优先级一并确定目标服务链，详细的介绍可以参阅后续实施例。

本申请提供的服务确定方法，该方法首先获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种；再获取多个目标服务；然后获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度；最后基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，得到目标服务链。可以理解的是，若通过人工对目标服务链进行编排，效率较低，且需要消耗较多人力。而本申请中，可以通过电子设备基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，不需要人工对样本数据进行编排，减少了对人力的需求，也提高了获取目标服务链的效率。并且，由于获取目标服务链时考虑到了特征信息，因此获取到的目标服务链能更好满足用户的偏好需求，提高了用户的体验。

请参阅图3，图3示出了本申请实施例提供的一种服务确定方法，该方法可以应用于电子设备，该方法的执行主体可以为电子设备中的处理器。具体的，该方法包括步骤S210至步骤S250。

步骤S210：获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种。

其中，步骤S210在前述实施例中已经详细介绍，此处不再赘述。

步骤S220：基于预先获取的第二模型获取服务库中每个第一服务与所述特征信息之间的逻辑关联程度，得到每个所述第一服务的第一关联程度。

通过前述实施例中的介绍可知，可以预先获取服务库，该服务库中可以包括有多个第一服务，从而可以直接将服务库中的每个第一服务作为目标服务，用于后续得到目标服务链。

然而，若直接将整个服务库中的每个第一服务作为目标服务，可能导致确定目标服务链效率较低，且需要消耗的资源较多。后续通过第一模型生成目标服务链的过程中，例如若第一模型为生成式预训练模型，具体的可以为生成式预训大型语言模型(LargeLanguage Mode l，LLM)，然而该预训大型语言模型的输入数据的长度具有一定限制，且在输入的数据的长度过长时，容易发生“遗忘”现象。因此，若目标服务的数量过多，可能会导致后续基于第一模型得到的目标服务链准确度和效率都受到影响。

从而，对于一些实施方式，可以从服务库中选取部分第一服务，作为目标服务。示例性的，可以基于预先获取的第二模型获取服务库中每个第一服务与所述特征信息之间的逻辑关联程度，得到每个所述第一服务的第一关联程度，从而后续再基于第一关联程度来确定目标服务，例如后续可以将与特征信息之间逻辑关联程度较高的第一服务，作为目标服务。其中，第一关联程度可以用于表征第一服务与特征信息之间的逻辑的相互关联程度。

示例性的，第一关联程度可以为相关性分数，例如该相关性分数可以为1至5的自然数，相关性分数越高，则表征第一服务与特征信息之间的逻辑关联程度越紧密；相关性分数越低，则表征第一服务与特征信息之间的逻辑关联程度越疏远。

其中，步骤S220还可以包括步骤S221。

步骤S221：将所述特征信息和服务库中的每个第一服务输入至所述第二模型，获取所述第二模型基于所述特征信息的第一语义信息以及每个第一服务的第二语义信息输出的每个第一服务对应的逻辑关联程度，得到每个所述第一服务的第一关联程度。

在一些实施方式中，第二模型可以是通过样本数据对预训练模型进行训练得到的语言模型，该语言模型的规模可以较小。从而可以通过第一服务和特征信息之间的语义相关性，实现对第一服务的筛选召回。其中，样本数据中可以定义有输入和输出之间的语义。

示例性的，该语言模型中对文本的匹配可以包括基于表示的文本匹配方法或基于交互的文本匹配方法等。而通过样本数据对预训练模型进行训练，可以包括Word Embedding、双向预训练模型，例如BERT，ELMo及其变种、单向生成式模型及其变种以及T5对比学习等常见语义预训练模型和方式，本实施例中不做具体限定。可以通过调整预训练模型的表示层后的解码Decod ing层，将匹配关系植入预训练模型的损失函数中，其中匹配关系即用于表征输入和输出之间的语义关系，最后获得的模型即为第二模型，可用于筛选召回。

其中，基于表示的文本匹配，样本数据的形式可以为(特征信息:匹配的第一服务)。基于交互的文本匹配，样本数据的形式可以为(特征信息+匹配的第一服务:1/0)。其中，样本数据中的冒号之前为输入，冒号之后为输出。通过构建足够多的样本数据训练得到第二模型，即可完成对目标服务的筛选召回。输出为0可以表征逻辑关联程度较低，而输出为1可以表征逻辑关联程度较高。对于一些实施方式，输出为0还可以表征此时该第一服务进行丢弃，输出为1还可以表征此时对该第一服务进行保留。

从而，可以将所述特征信息和服务库中的每个第一服务输入至所述第二模型，通过该第二模型可以获取到所述特征信息的第一语义信息以及每个第一服务的第二语义信息，进而再基于第一语义信息以及第二语义信息确定每个第一服务对应的逻辑关联程度，得到每个所述第一服务的第一关联程度。

在该实施方式中，规模较小的语言模型作为第二模型在部署方面有一定优势，可以实现小规模部署。

可选的，在另一些实施方式中，在执行步骤S220时，还可以包括步骤S222至步骤S224。

步骤S222：对服务库中每个第一服务进行划分，得到至少一个服务集合，每个所述服务集合中包括至少一个所述第一服务。

步骤S223：将至少一个所述服务集合分别与所述特征信息进行组合，得到至少一个输入信息。

步骤S224：将所述输入信息输入至所述第二模型，获得每个所述服务集合中与所述特征信息之间的逻辑关联程度，得到每个所述第一服务的第一关联程度。

对于另一些实施方式，还可以通过模型学习输入和输出之间的逻辑关联关系，例如该模型可以为生成式预训练模型，例如规模较大的语言模型。生成式预训练模型的样本数据的形式可以为Prompt文本。

不同的第二模型可能具有不同的对输入的长度限制，对于输入的长度限制较小的第二模型，每一次能够输入的长度较小，此时若直接将服务库中的所有第一服务都作为输入进行输入，可能会超过该预训练模型的输入能够允许的长度。因此，在一些实施方式中，可以首先对服务库中每个第一服务进行划分，得到至少一个服务集合，每个所述服务集合中包括至少一个所述第一服务。示例性的，若服务库中包括有M个第一服务，此时可以将所有的M个第一服务都划分在一起，即得到一个服务集合，该服务集合中包括有M个第一服务；也可以将每N个第一服务划分在一起，其中N小于M，从而可以得到(M-1)/N+1个服务集合；还可以将每一个服务分别划分为一个服务集合，从而可以得到M个服务集合，也即是每一个服务集合中仅包括一个第一服务。

进一步的，可以将至少一个所述服务集合分别与所述特征信息进行组合，得到至少一个输入信息。从而将输入信息输入至第二模型，即可获得每个所述服务集合中与所述特征信息之间的逻辑关联程度，得到每个所述第一服务的第一关联程度。

可以通过样本数据来对预训练模型进行训练，从而得到该第二模型。其中，不同的预训练模型可能具有不同的对输入的长度限制，对于输入的长度限制较小的预训练模型，每一次能够输入的长度较小，此时若直接将服务库中的所有第一服务都作为输入进行输入，可能会超过该预训练模型的输入能够允许的长度。因此，在一些实施方式中，可以首先对服务库中每个第一服务进行划分，得到至少一个服务集合，每个所述服务集合中包括至少一个所述第一服务。

示例性的，对于输入的长度较长的预训练模型，若该长度能够容纳服务库中的所有第一服务，则此时可以得到一个服务集合，该服务集合中即包括所有第一服务。例如服务库中包括有M个第一服务，则该服务集合中可以包括M个第一服务。然后设计用于训练该预训练模型的Prompt文本，具体可以包括任务描述(例如基于特征信息，从服务集合中得到第一关联程度)、特征信息、服务集合、第一关联程度。访问一次即可完对服务库中所有第一服务的覆盖。

另一种示例性的，对于输入的长度较短的预训练模型，若该长度仅能够容纳第一个第一服务，则此时可以将服务库中的第一服务划分为多个，得到多个服务集合，每个服务集合中仅包括一个第一服务。例如服务库中包括有M个第一服务，则此时可以获取到M个服务集合，每个服务集合中仅包括一个第一服务。然后设计用于训练该预训练模型的Prompt文本，具体可以包括任务描述(例如基于特征信息，获取一个第一服务的第一关联程度)、特征信息、服务集合、第一关联程度。需要访问M次从而完成对M个服务集合的覆盖。

再一种示例性的，对于输入的长度中等的预训练模型，若该长度仅能够容纳一些第一服务，而无法容纳服务库中的所有第一服务，则此时可以将服务库中的第一服务划分为多个，得到多个服务集合，每个服务集合中仅包括一些第一服务。例如服务库中包括有M个第一服务，则此时可以获取到一些服务集合，每个服务集合中可以包括N个第一服务，从而可以得到(M-1)/N+1个服务集合。需要说明的是，若M能够被N整除，则此时每个服务合集中包括的第一服务的数量均为N个；若M不能够被N整除，则此时可以有(M-1)/N个服务集合中包括N个第一服务，剩下一个服务集合中包括的第一服务的数量小于N个。然后设计用于训练该预训练模型的Prompt文本，具体可以包括任务描述(例如基于特征信息，获取一个第一服务的第一关联程度)、特征信息、服务集合、第一关联程度。需要访问(M-1)/N+1次从而完成对服务集合的覆盖。

在该实施方式中，规模较大的语言模型作为第二模型在推理能力和获取到的第一关联程度的准确度上具有一定优势。

步骤S230：将大于关联程度阈值的所述第一关联程度对应的所述第一服务，作为所述目标服务。

在获取到每个第一服务对应的第一关联程度之后，可以通过关联程度阈值来对第一服务进行过滤回归。具体的，可以确定第一关联程度中大于关联程度阈值的部分，然后将大于关联程度阈值的所述第一关联程度对应的所述第一服务，作为所述目标服务。

从而，本申请实施例中得到的目标服务，是对服务库中的每一个第一服务进行筛选回归得到的。并且，进行筛选回归是基于每个第一服务与特征信息之间的逻辑关联程度进行的，因此得到的目标服务是与特征信息具有一定逻辑关系的第一服务，从而可以降低后续通过第一模型得到目标服务链的计算压力，提高了得到目标服务链的效率，又由于降低了目标服务的数据量，使得目标信息输入至第一模型的数据量减小，从而还可以一定程度提高得到目标服务链的准确度。

步骤S240：获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度。

步骤S250：基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，得到目标服务链。

其中，步骤S240和步骤S250在前述实施例中已经详细介绍，此处不再赘述。

在一些实施方式中，请参阅图4，图4示出了本申请实施例中提供的服务确定方法的示意图。图4中具体包括特征组合410、目标服务420、第一模型430以及目标服务链440。其中，特征信息410中包括画像特征411以及场景特征412。特征信息410分别与目标服务420以及第一模型430连接，第一模型430还分别与目标服务420以及目标服务链440连接。从而，可以基于特征信息410对服务库中的第一服务进行筛选回归，得到目标服务420，再通过第一模型430结合目标服务420以及特征信息410得到目标服务链440。其中，得到目标服务420以及得到目标服务链440的相关方法的详细介绍，可以参阅其他实施例，此处不再赘述。需要说明的是，图4中示出的特征信息410同时包括画像特征411以及场景特征412仅为一种示例，也可以仅包括画像特征411或仅包括场景特征412。

本申请提供的服务确定方法，该方法首先获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种；再基于预先获取的第二模型获取服务库中每个第一服务与所述特征信息之间的逻辑关联程度，得到每个所述第一服务的第一关联程度；将大于关联程度阈值的所述第一关联程度对应的所述第一服务，作为所述目标服务；然后获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度；最后基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，得到目标服务链。从而，本申请实施例中得到的目标服务，是对服务库中的每一个第一服务进行筛选回归得到的。并且，进行筛选回归是基于每个第一服务与特征信息之间的逻辑关联程度进行的，因此得到的目标服务是与特征信息具有一定逻辑关系的第一服务，从而可以降低后续通过第一模型得到目标服务链的计算压力，提高了得到目标服务链的效率，又由于降低了目标服务的数据量，使得目标信息输入至第一模型的数据量减小，从而还可以一定程度提高得到目标服务链的准确度。

请参阅图5，图5示出了本申请实施例提供的一种服务确定方法，该方法可以应用于电子设备，该方法的执行主体可以为电子设备中的处理器。具体的，该方法包括步骤S310至步骤S350。

步骤S310：获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种。

步骤S320：获取多个目标服务。

步骤S330：获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度。

其中，步骤S310至步骤S330在前述实施例中已经详细介绍，此次就不再赘述。

步骤S340：将所述目标关联程度输入至所述第一模型，获取每个所述目标服务的第一评分，所述第一评分与所述目标服务与所述特征信息之间的逻辑关联程度正相关。

步骤S350：基于每个所述第一评分对所述目标服务进行序列编排，得到目标服务链。

在一些实施方式中，得到目标服务和每个所述目标服务的目标关联程度之后，可以将目标关联程度输入至第一模型，从而可以通过第一模型获取到每个目标服务的第一评分，其中，该第一评分与所述目标服务与所述特征信息之间的逻辑关联程度正相关。也就是说，目标关联程度越高，则第一评分也就越高；目标关联程度越低，则第一评分也就越低。示例性的，若目标服务包括外卖服务，特征信息包括外卖应用程序正在运行，用户位于家中，则此时即可确认该目标服务与特征信息之间逻辑关联程度的逻辑关联程度较高，进而该目标服务的第一评分也就较高。

进一步的，在获取到第一评分后，可以基于第一评分对目标服务进行序列编排，得到目标服务链。对于一些实施方式，可是将较高第一评分的目标服务排列在目标服务链中靠前的位置，而将较低第一评分的目标服务排列在目标服务链中靠后的位置。示例性的，若第一个目标服务的第一评分为3，第二个目标服务的第一评分为4，第三个目标服务的第一评分为5，此时可以将第三个目标服务排在最前，将第二个目标服务排在中间，而将第一个目标服务排在末尾，得到目标服务链。该目标服务链可以看作线性结构。

在一些实施方式中，得到的目标服务的第一评分中，可能存在第一评分相同的情况，此时可以将评分相同的第一评分对应的目标服务在该对应区间进行随机排序，其中，对应区间是指相同的第一评分在目标服务链中所处的区间。示例性的，若第一个目标服务的第一评分为3，第二个目标服务的第一评分为4，第三个目标服务的第一评分为5，第四个目标服务的第一评分为4，第五个目标服务的第一评分为4。此时可以将得到的目标服务链排序为：第三个目标服务、第二个目标服务、第四个目标服务、第五个目标服务以及第一个目标服务；也可以得到目标服务链的排序为：第三个目标服务、第二个目标服务、第五个目标服务、第四个目标服务以及第一个目标服务；还可以得到目标服务链的排序为：第三个目标服务、第五个目标服务、第二个目标服务、第四个目标服务以及第一个目标服务。也就是说，第一评分相同的第二个目标服务、第四个目标服务以及第五个目标服务可以在第三个目标服务以及第一个目标服务之间随机排序。

可选的，目标服务链中的目标服务还可以对应具有特征参数。其中，特征参数可以用于对相应的目标服务进行进一步的描述或限定。例如，目标服务链包括：第三个目标服务、第二个目标服务以及第一个目标服务。在一些实施方式中，目标服务链中的每个目标服务都可以对应有特征参数，例如第三个目标服务对应有第三个特征参数、第二个目标服务对应有第二个特征参数以及第一个目标服务对应有第一个特征参数。在另一些实施方式中，目标服务链中还可以仅有部分目标服务对应有特征参数，例如第三个目标服务对应有第三个特征参数。从而，目标服务链中包括的是至少部分带有特征参数的目标服务。

需要说明的是，上述示出的第一评分的具体数值，仅为对本申请实施例进行说明，实际应用中可以根据需要灵活设定，此处并不进行具体限定。

在一些实施方式中，一些目标服务可能具有较高的执行优先级，然后这些具有较高执行优先级的目标服务与特征信息之间的逻辑关联程度可能较低，也就是说这些目标服务的第一评分可能较低，此时若仅仅基于第一评分来对多个目标服务进行排序，得到目标服务链，可能会将执行优先级较高的目标服务排在靠后的位置。因此，在执行步骤S350之前，还可以包括步骤S351。

步骤S351：获取每个所述目标服务的第二评分，所述第二评分用于表征所述目标服务对应于所述特征信息的执行优先级。

还可以获取每个目标服务的第二评分，其中第二评分可以用于表征目标服务对应于特征信息的执行优先级。

和第一评分类似的，也可以通过预先训练的第一模型来获取到目标服务的第二评分，此处不再赘述。

在执行步骤S351之后，步骤S350可以包括步骤S352。

步骤S352：基于每个所述第一评分以及所述第二评分对所述目标服务进行序列编排，得到目标服务链。

也就是说，在获取到第一评分以及第二评分之后，可以结合第一评分以及所述第二评分一并对目标服务进行序列编排，得到目标服务链。

示例性的，若特征信息包括用户当前处于家中，用户在预定酒店，则此时可以确定酒店预定服务与特征信息之间的逻辑关联程度较高，也即是酒店预定服务的第一评分较高。然而，由于用户此时处于家中，因此还可以将出行服务确定为优先级高于酒店预定服务，也就是出行服务的第二评分较高，此时则可以结合第一评分以及所述第二评分一并对目标服务进行序列编排，得到目标服务链。

在一些实施方式中，步骤S352可以包括步骤S3521至步骤S3523。

步骤S3521：获取所述第一评分对应的第一权重以及所述第二评分对应的第二权重。

步骤S3522：基于所述第一评分、第一权重、第二评分以及第二权重，确定每个所述目标服务对应的第三评分。

步骤S3523：基于每个所述第三评分对所述目标服务进行序列编排，得到目标服务链。

在基于第一评分以及第二评分确定目标服务链时，可以首先获取第一评分对应的第一权重，以及获取第二评分对应的第二权重，然后基于所述第一评分、第一权重、第二评分以及第二权重，确定每个所述目标服务对应的第三评分。示例性的，可以是将第一评分与第一权重的相乘得到第一数值，第二评分与第二权重的相乘得到第二数值，将第一数值与第二数值的和作为每个所述目标服务对应的第三评分。进而再基于每个所述第三评分对所述目标服务进行序列编排，得到目标服务链。

其中，第一权重以及第二权重可以根据需要灵活设定，本申请实施例并不做具体限定。可以理解的是，若第一权重设置的较大，则在确定目标服务链时，会更多考虑目标服务与特征信息之间的逻辑关联程度；而若第二权重设置的较大，则在确定目标服务链时，会更多考虑目标服务对应于特征信息的执行优先级。

基于第三评分对目标服务进行序列编排，得到目标服务链和前述基于第一评分对目标服务进行序列编排，得到目标服务链类似的，此处不再赘述。

可选的，基于第三评分确定的目标服务链中的目标服务，也可以有至少部分目标服务对应具有特征参数。

本申请提供的服务确定方法，该方法首先获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种；再获取多个目标服务；然后获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度；最后将所述目标关联程度输入至所述第一模型，获取每个所述目标服务的第一评分，所述第一评分与所述目标服务与所述特征信息之间的逻辑关联程度正相关；基于每个所述第一评分对所述目标服务进行序列编排，得到目标服务链。本申请提供的一种实施例中基于第一评分对所述目标服务进行序列编排，在少了对人力的需求、提高了获取目标服务链的效率的同时，获取到的目标服务链还是基于与特征信息之间的逻辑关联程度进行排序的，从而更加容易满足用户的偏好需求。

请参阅图6，其示出了本申请实施例提供的一种服务确定装置600的结构框图，应用于电子设备，所述装置包括：第一获取单元610、第二获取单元620、第三获取单元630以及确定单元640。

第一获取单元610，用于获取用户的特征信息，所述特征信息包括画像特征以及用户所处场景的场景特征中至少一种。

第二获取单元620，用于获取多个目标服务。

可选的，第二获取单元620还可以用于基于预先获取的第二模型获取服务库中每个第一服务与所述特征信息之间的逻辑关联程度，得到每个所述第一服务的第一关联程度；将大于关联程度阈值的所述第一关联程度对应的所述第一服务，作为所述目标服务。

可选的，第二获取单元620还可以用于将所述特征信息和服务库中的每个第一服务输入至所述第二模型，获取所述第二模型基于所述特征信息的第一语义信息以及每个第一服务的第二语义信息输出的每个第一服务对应的逻辑关联程度，得到每个所述第一服务的第一关联程度。

可选的，第二获取单元620还可以用于对服务库中每个第一服务进行划分，得到至少一个服务集合，每个所述服务集合中包括至少一个所述第一服务；将至少一个所述服务集合分别与所述特征信息进行组合，得到至少一个输入信息；将所述输入信息输入至所述第二模型，获得每个所述服务集合中与所述特征信息之间的逻辑关联程度，得到每个所述第一服务的第一关联程度。

第三获取单元630，用于获取每个目标服务与所述特征信息之间的逻辑关联程度，得到每个所述目标服务的目标关联程度。

确定单元640，用于基于预先获取的第一模型，根据所述目标关联程度对所述目标服务进行序列编排，得到目标服务链。

可选的，确定单元610还可以用于将所述目标关联程度输入至所述第一模型，获取每个所述目标服务的第一评分，所述第一评分与所述目标服务与所述特征信息之间的逻辑关联程度正相关；基于每个所述第一评分对所述目标服务进行序列编排，得到目标服务链。

可选的，确定单元610还可以用于获取每个所述目标服务的第二评分，所述第二评分用于表征所述目标服务对应于所述特征信息的执行优先级；所述基于每个所述第一评分对所述目标服务进行序列编排，得到目标服务链，包括：基于每个所述第一评分以及所述第二评分对所述目标服务进行序列编排，得到目标服务链。

可选的，确定单元610还可以用于获取所述第一评分对应的第一权重以及所述第二评分对应的第二权重；基于所述第一评分、第一权重、第二评分以及第二权重，确定每个所述目标服务对应的第三评分；基于每个所述第三评分对所述目标服务进行序列编排，得到目标服务链。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，模块相互之间的耦合可以是电性，机械或其它形式的耦合。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

请参阅图7，其示出了本申请实施例提供的一种电子设备的结构框图。该电子设备110可以是智能手机、平板电脑、电子书等能够运行应用程序的电子设备。本申请中的电子设备110可以包括一个或多个如下部件：处理器111、存储器112以及一个或多个应用程序，其中该处理器111与存储器112相连接。其中一个或多个应用程序可以被存储在存储器112中并被配置为由一个或多个处理器111执行，一个或多个程序配置用于执行如前述方法实施例所描述的方法。

处理器111可以包括一个或者多个处理核。处理器111利用各种接口和线路连接整个电子设备110内的各个部分，通过运行或执行存储在存储器112内的指令、程序、代码集或指令集，以及调用存储在存储器112内的数据，执行电子设备110的各种功能和处理数据。可选地，处理器111可以采用数字信号处理(Digita l Signa l Process ing，DSP)、现场可编程门阵列(Fie ld－Programmab le Gate Array，FPGA)、可编程逻辑阵列(Programmab leLogic Array，PLA)中的至少一种硬件形式来实现。处理器111可集成中央处理器(Centra lProcess ing Un it，CPU)、图像处理器(Graph ics Process ing Un it，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器111中，单独通过一块通信芯片进行实现。

存储器112可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-On ly Memory)。存储器112可用于存储指令、程序、代码、代码集或指令集。存储器112可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备110在使用中所创建的数据等。

请参考图8，其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质800中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。

计算机可读存储介质800可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质800包括非易失性计算机可读介质(non-trans itory computer-readab le storage med ium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。

请参考图9，其示出了本申请实施例提供的一种计算机程序产品的结构框图。该计算机程序产品900中包括计算机程序/指令910，该计算机程序/指令910被处理器执行时实现上述方法的步骤。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。