标签信息的确定方法、装置、电子设备以及存储介质

技术领域

本申请涉及人工智能领域，尤其涉及一种标签信息的确定方法、装置、电子设备以及存储介质。

背景技术

目前，在为用户挖掘相应的感兴趣标签时，需要对用户的感兴趣信息对应的待处理文本进行处理，提取该待处理文本的关键词，以便基于提取的关键词确定用户的感兴趣标签。虽然这种方式一定程度上能够确定出用户的感兴趣标签，但是确定出的感兴趣标签在一定程度上存在信息不够丰富的问题，即现有的确定用户感兴趣标签的方式信息丰富性仍有待提升。

发明内容

本申请实施例提供了一种标签信息的确定方法、装置、电子设备以及存储介质，扩展了用户的标签信息，提高了用户标签信息的丰富性、全面性。

一方面，本申请实施例提供一种标签信息的确定方法，该方法包括：

获取对象的感兴趣信息对应的待处理文本，并提取上述待处理文本的文本内关键词；

提取上述待处理文本的文本特征；

获取各候选关键词的关键词特征，其中，上述候选关键词是关键词词库中的关键词；

基于上述待处理文本的文本特征和各上述关键词特征之间的语义匹配度，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词；

基于文本关键词确定上述对象的标签信息，其中，上述文本关键词包括上述文本内关键词和上述文本外关键词。

一方面，本申请实施例提供了一种标签信息的确定装置，该装置包括：

关键词处理模块，用于获取对象的感兴趣信息对应的待处理文本，并提取上述待处理文本的文本内关键词；

文本特征处理模块，用于提取上述待处理文本的文本特征；

上述关键词处理模块，用于获取各候选关键词的关键词特征，并基于上述待处理文本的文本特征和各上述关键词特征之间的语义匹配度，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词，其中，上述候选关键词是关键词词库中的关键词；

标签信息确定模块，用于基于文本关键词确定上述对象的标签信息，其中，上述文本关键词包括上述文本内关键词和上述文本外关键词。

在一种可选的实施例中，上述关键词处理模块，还用于：

提取各上述候选关键词的关键词特征，并将各上述候选关键词的关键词特征存储到关键词词库中；

在获取各候选词的关键词特征时，从上述关键词词库中获取预先存储的各上述候选关键词的关键词特征。

在一种可选的实施例中，上述待处理文本的文本特征包括上述待处理文本所包含的各词的第一词特征，上述关键词特征包括上述候选关键词所包含的各词的第二词特征；上述关键词处理模块，用于：

对于任一上述关键词特征，采用以下方式确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度：

分别确定各上述第一词特征和各上述第二词特征中两两特征之间的相似度，其中，上述两两特征包括一个第一词特征和一个第二词特征；

基于各上述两两特征之间的相似度，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

在一种可选的实施例中，上述关键词处理模块，用于：

对于任一第一词特征，基于上述第一词特征对应的各第一相似度确定各上述第二词特征对应的权重，并基于各上述第二词特征对应的权重对各上述第二词特征进行加权求和，得到更新后的第一词特征；

对于任一第二词特征，基于上述第二词特征对应的各第二相似度确定各上述第一词特征对应的权重，并基于各上述第一词特征对应的权重对各上述第一词特征进行加权求和，得到更新后的第二词特征；

基于更新后的各第一词特征和更新后的各第二词特征，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

在一种可选的实施例中，上述关键词处理模块，用于：

对于任一上述第一词特征，基于上述第一词特征和更新后的第一词特征之间的关联性，得到上述第一词特征对应的局部词特征，基于上述第一词特征、更新后的第一词特征和上述第一词特征对应的局部词特征，得到上述第一词特征对应的全局词特征；

对于任一上述第二词特征，基于上述第二词特征和更新后的第二词特征之间的关联性，得到上述第二词特征对应的局部词特征，基于上述第二词特征、更新后的第二词特征和上述第二词特征对应的局部词特征，得到上述第二词特征对应的全局词特征；

基于各第一词特征对应的全局词特征以及各第二词特征对应的全局词特征，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

在一种可选的实施例中，上述关键词处理模块，用于：

确定上述第一词特征和更新后的第一词特征之间的第一差异特征；

确定上述第一词特征和更新后的第一词特征之间的第一相似特征；

其中，上述第一词特征对应的局部词特征包括第一差异特征和第一相似特征；

确定上述第二词特征和更新后的第二词特征之间的第二差异特征；

确定上述第二词特征和更新后的第二词特征之间的第二相似特征；

其中，上述第二词特征对应的局部词特征包括第二差异特征和第二相似特征。

在一种可选的实施例中，上述文本特征处理模块，用于：

基于上述待处理文本，通过特征提取模型提取得到上述待处理文本的文本特征；

上述基于上述待处理文本的文本特征和各上述关键词特征之间的语义匹配度，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词，包括：

基于上述待处理文本的文本特征和各上述关键词特征，通过语义匹配模型，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词。

一方面，本申请实施例提供了一种信息推荐方法，该方法包括：

获取待推荐信息、以及上述待推荐信息的文本；

获取各候选推荐对象的标签信息，其中，上述候选推荐对象的标签信息是采用上述标签信息的确定方法中任一种可选的实施例中的方式确定的；

基于上述文本和上述标签信息之间的匹配度，从上述各候选推荐对象中确定出目标推荐对象；

将上述待推荐信息推荐给上述目标推荐对象。

一方面，本申请实施例提供了一种信息推荐装置，该装置包括：

待推荐信息处理模块，用于获取待推荐信息、以及上述待推荐信息的文本；

标签信息获取模块，用于获取各候选推荐对象的标签信息，其中，上述标签信息是采用本申请任一可选实施例中提供的标签信息的确定方法中的方式确定的；

目标推荐对象确定模块，用于基于上述文本和上述标签信息之间的匹配度，从上述各候选推荐对象中确定出目标推荐对象；

信息推荐模块，用于将上述待推荐信息推荐给上述目标推荐对象。

在一种可选的实施例中，上述目标推荐对象确定模块，还用于以下至少一项：

对于任一上述候选推荐对象，获取上述文本的文本特征以及上述候选推荐对象的标签信息的对象标签特征，基于上述文本的文本特征和上述标签信息的对象标签特征，确定上述文本和上述标签信息之间的匹配度；

提取上述文本的文本关键词，基于上述文本的文本关键词和上述标签信息，确定上述文本和上述标签信息之间的匹配度，其中，上述文本关键词包括文本内关键词和文本外关键词，上述文本关键词是本申请任一可选实施例中提供的标签信息的确定方法中的方式确定的。

一方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，该处理器和存储器相互连接；该存储器用于存储计算机程序；该处理器被配置用于在调用上述计算机程序时，执行上述标签信息的确定方法的任一种可能的实现方式提供的方法和/或信息推荐方法的任一种可能的实现方式提供的方法。

一方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行以实现上标签信息的确定方法的任一种可能的实现方式提供的方法和/或信息推荐方法的任一种可能的实施方式所提供的方法。

一方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述标签信息的确定方法的任一种可能的实现方式提供的方法和/或信息推荐方法的任一种可能的实施方式所提供的方法。

本申请实施例的有益效果在于：

在本申请实施例中，在对任一对象的感兴趣信息对应的待处理文本进行处理时，除了获取该待处理文本的文本内关键词，还可以将该待处理文本的文本特征与各候选关键词的关键词特征进行语义匹配，通过语义匹配度，得到该待处理文本对应的文本外关键词，并基于文本内关键词和文本外关键词共同确定对象的标签信息。采用这种方式，除了考虑对象的感兴趣信息的待处理文本本身的文本内关键的信息，还考虑了该待处理文本对应的文本外关键词，使得待处理文本对应的关键词信息更加完整全面。也就是说，在确定用户的标签信息时，除了根据文本内关键词确定用户的标签信息，还可以根据文本内关键词和文本外关键词确定用户的标签信息，扩展了用户的标签信息，提高了用户标签信息的丰富性、全面性。

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。

图1是本申请实施例提供的一种可选的标签信息的确定系统的结构示意图；

图2是本申请实施例提供的一种可选的标签信息的确定方法的流程示意图；

图3a是本申请实施例提供的一种可选的确定文本外关键词的原理示意图；

图3b是本申请实施例提供的一种可选的通过Bert模型处理待处理文本/候选关键词的原理示意图；

图3c是本申请实施例提供的一种可选的建立关键词词库的示意图；

图4是本申请实施例提供的一种可选的语义匹配原理的示意图；

图5是本申请实施例提供的一种可选的信息推荐方法的流程示意图；

图6是本申请实施例提供的一种可选的标签信息的确定装置的结构示意图；

图7是本申请实施例提供的一种可选的信息推荐装置的结构示意图；

图8是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，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。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请实施例提供的标签信息的确定方法可适用于人工智能领域中的自然语言处理、机器学习等领域，还可适用于云技术的多种领域，如云技术(Cloud technology)中的云计算、云服务，还可适用于大数据领域中的相关数据计算处理领域。

人工智能(Artificial Intelligence，简称AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

自然语言处理(Nature Language processing，简称NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。

自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。

机器学习(Machine Learning，简称ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。本申请实施例所提供的标签信息的确定方法可基于云技术中的云计算(cloud computing)实现。

云计算是指通过网络以按需、易扩展的方式获得所需资源，是网格计算(GridComputing)、分布式计算(Distributed Computing)、并行计算(Parallel Computing)、效用计算(Utility Computing)、网络存储(Network Storage Technologies)、虚拟化(Virtualization)、负载均衡(Load Balance)等传统计算机和网络技术发展融合的产物。

人工智能云服务，一般也被称作是AIaaS(AIas a Service，AI即服务)。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的人工智能服务进行拆分，并在云端提供独立或者打包的服务，如处理资源转换请求等。

大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注。基于大数据需要特殊的技术，以有效地实施本实施例所提供的标签信息的确定方法，其中适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、以及上述云计算等。

作为一个示例，图1中示出了本申请实施例所适用的一种标签信息的确定系统的结构示意图，可以理解的是，本申请实施例所提供的标签信息的确定方法可以适用于但不限于应用于如图1所示的应用场景中。

本示例中，如图1所示，该示例中的文本处理系统可以包括但不限于应用程序的服务器101、网络102、安装了该应用程序的客户端程序的用户终端103，用户终端103可以通过网络102与服务器101通信，服务器101可以确定用户 (如对象)的标签信息。服务器101包括的数据库1011和处理引擎1012。上述用户终端103中包括人机交互屏幕1031(应用程序的用户界面)，处理器1032 及存储器1033。人机交互屏幕1031用于用户(如对象)通过该人机交互屏幕浏览感兴趣信息。处理器1032用于处理该用户的相关操作。存储器1033用于存储该感兴趣信息。

如图1所示，本申请中的标签信息的确定方法的具体实现过程可以包括步骤S1-S4：

步骤S1，对于任一对象(即用户)，可以通过用户终端的人机交互屏幕1031 中与用户感兴趣信息进行交互，例如浏览、点击、复制、收藏感兴趣信息等，其中，存储器1033用于存储该感兴趣信息。

步骤S2，对于任一对象，服务器101中的处理引擎1012获取对象的感兴趣信息对应的待处理文本，并提取上述待处理文本的文本内关键词，以及提取上述待处理文本的文本特征；其中，服务器101中的数据库1011可以用于存储对象的感兴趣信息、待处理文本、文本内关键词、文本特征。

步骤S3，服务器101中的处理引擎1012获取各候选关键词的关键词特征，其中，上述候选关键词是关键词词库中的关键词，并基于上述文本特征和各上述关键词特征之间的语义匹配度，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词，其中，服务器101中的数据库1011还可以用于存储文本外关键词。

其中，各候选关键词的关键词特征可以预先保存在本地的数据库1011中，在使用时，处理引擎1012可以直接从本地的数据库1011中获取该关键词特征。

步骤S4，服务器101中的处理引擎1012基于上述文本关键词确定上述对象的标签信息，其中，上述文本关键词包括上述文本内关键词和上述文本外关键词。

可理解，上述仅为一种示例，本实施例在此不作限定。

其中，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(Content Delivery Network，内容分发网络)、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或服务器集群。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、Wi-Fi及其他实现无线通信的网络。用户终端可以是智能手机(如Android 手机、iOS手机等)、平板电脑、笔记本电脑、数字广播接收器、MID(MobileInternet Devices，移动互联网设备)、PDA(个人数字助理)、台式计算机、车载终端(例如车载导航终端)、智能音箱、智能手表等，用户终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，但并不局限于此。具体也可基于实际应用场景需求确定，在此不作限定。

参见图2，图2是本申请实施例提供的一种标签信息的确定方法的流程示意图，该方法可以由任一电子设备执行，如可以是服务器，也可以是用户终端和服务器交互完成，可选的，可以由服务器执行，如图2所示，本申请实施例提供的标签信息的确定方法包括如下步骤：

步骤S201，获取对象的感兴趣信息对应的待处理文本，并提取上述待处理文本的文本内关键词。

步骤S202，提取上述待处理文本的文本特征。

步骤S203，获取各候选关键词的关键词特征，其中，上述候选关键词是关键词词库中的关键词。

步骤S204，基于上述待处理文本的文本特征和各上述关键词特征之间的语义匹配度，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词。

步骤S205，基于文本关键词确定上述对象的标签信息，其中，上述文本关键词包括上述文本内关键词和上述文本外关键词。

可选的，上述感兴趣信息可以理解为用户浏览过历史信息。例如，该感兴趣信息可以为广告信息、APP描述信息、资讯文章信息、游戏推广信息等等。该感兴趣信息的形式可以包含视频、语音、图片、文字等中的至少一种，在此不作任何限定。

对该感兴趣信息进行处理，可以得到该感兴趣信息对应的待处理文本，例如，对广告信息、APP描述信息、资讯文章信息、游戏推广信息进行处理，得到对应的广告标题、APP描述文字信息、资讯文章的文本信息等数据，将这些数据作为待处理文本。然后通过关键词抽取技术，从待处理文本中抽取同待处理文本具有主题相关性且具有商业性的词或短语，得到该待处理文本对应的文本内关键词。该文本内关键词是基于该待处理文本的原始文本信息得到的原始关键词。

具体来说，可以通过对用户点击的广告、用户阅读过的文章、用户购买过的商品的商品标题以及用户安装或下载过的APP的描述等多个场景的文本进行多行业命名实体识别，从而获得实体标签，该实体标签即可作为对象的文本内关键词。

然后，通过特征提取，得到该待处理文本的文本特征。并获取各候选关键词的关键词特征，其中，这些候选关键词是关键词词库中的关键词，各候选关键词可以为预先建立的关键词词库中的关键词，该关键词词库可以包括多个行业的专业词汇，如游戏行业、金融行业、广告行业、影视行业等等，在此不作限定。

将该文本特征和各候选关键词特征之间进行语义匹配，得到语义匹配度，基于该语义匹配度，从这些候选关键词中确定出与该待处理文本语义匹配度较高的至少一个文本外关键词。该文本外关键词是除了待处理文本的原始文本信息的原始关键词之外的与该原始关键词相关的其他关键词。

然后，基于本文内关键词和文本外关键词共同确定对象的标签信息(该标签信息还可以称为关键词标签)。例如，可以直接将文本内关键词和文本外关键词确定为该对象的标签信息，还可以对本文内关键词和文本外关键词分别进行特征提取，将提取到的本文内关键词和文本外关键词的特征信息作为该对象的标签信息，在此不作限定。

在一示例中，在游戏行业，对于对象1，假设对象1感兴趣的信息对应的文本内关键词得到的对象1标签为“真人”、“街机”、“捕鱼”，通过上述方式可以确定出文本内关键词对应的文本外关键词，该文本外关键词对应的标签为“街机捕鱼”和“捕鱼达人”，那么，可以将“真人”、“街机”、“捕鱼”、“街机捕鱼”和“捕鱼达人”均确定为该用户的标签信息，此时用户的标签信息得到了扩展，提高了用户的标签信息的丰富性。

作为一个示例，当用户和某个感兴趣信息(如广告资讯等)发生交互(如浏览了该广告资讯)时，可以从该感兴趣信息中提取待处理文本，然后从该待处理文本中提取文本内关键词，并将该广告资讯对应的文本外关键词作为该广告资讯文本内关键词抽取结果的扩展，并将该文本外关键词作为用户的标签信息，对用户的标签信息进行补充，达到了对广告业务下用户的标签信息的挖掘进行补充的目的，利用该用户标签信息定向应用到广告业务的定向投放上，或是应用到广告系统粗排、精排模型中，或是辅助广告行业受众人群挖掘，等等。

具体来说，先从广告标题中获取到待处理文本，然后按照上述方式获取待处理文本的文本外关键词，将文本内关键词和文本外关键词进行合并，基于合并后的文本关键词确定用户的标签信息，将用户的标签信息和用户建立关联关系。当投放广告资讯时，可以根据用户的标签信息来召回用户，如用户与某个地区关联，当某个广告资讯定向到该地区时，可以将该地区中与该广告资讯相关的用户召回。

可理解，上述仅为一种示例，本实施例在此不作任何限定。

通过本实施例，在对任一对象的感兴趣信息对应的待处理文本进行处理时，除了获取该待处理文本的文本内关键词，还可以将该待处理文本的文本特征与各候选关键词的关键词特征进行语义匹配，通过语义匹配度，得到该待处理文本对应的文本外关键词，并基于文本内关键词和文本外关键词共同确定对象的标签信息。采用这种方式，除了考虑对象的感兴趣信息的待处理文本本身的文本内关键的信息，还考虑了该待处理文本对应的文本外关键词，使得待处理文本对应的关键词信息更加完整全面。也就是说，在确定用户的标签信息时，除了根据文本内关键词确定用户的标签信息，还可以根据文本内关键词和文本外关键词确定用户的标签信息，扩展了用户的标签信息，提高了用户标签信息的丰富性、全面性。

相关技术中，在对输入文本进行关键词抽取时，仅仅考虑了输入文本本身包含的关键词，存在信息量少的问题。

为了解决这个问题，可以按照以下方式确定出待处理文本的文本外关键词，来对待处理文本进行信息扩充，在一种可选的实施例中，上述提取上述待处理文本的文本特征，包括：

基于上述待处理文本，通过特征提取模型提取得到上述待处理文本的文本特征；

上述基于上述待处理文本的文本特征和各上述关键词特征之间的语义匹配度，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词，包括：

基于上述待处理文本的文本特征和各上述关键词特征，通过语义匹配模型，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词。

可选的，可以通过特征提取模型对待处理文本进行特征提取，得到待处理文本的文本特征。其中，该过特征提取模型可以为基于转换器Transformer的双向编码器表示(Bidirectional Encoder Representations from Transformers，简称Bert 模型)。

可以通过语义匹配模型对待处理文本的文本特征和各关键词特征进行语义匹配，从各候选关键词中确定出待处理文本对应的文本外关键词。其中，语义匹配模型可以为自然语言理解模型(Enhanced LSTM for Natural Language Inference，简称ESIM)。

参见图3a，图3a是本申请实施例提供的一种可选的确定文本外关键词的原理示意图，如图3a所示，对待处理文本进行分词，得到该待处理文本对应的各个分词(即图3a中左边部分所示的各个圆圈)，将该待处理文本对应的各个分词输入至表示层，即输入至图中所示的Bert模型中，通过Bert模型对该待处理文本进行预测(即对该待处理文本进行特征提取)，得到该待处理文本对应的文本特征。

对于各候选关键词中的任意一个候选关键词，在获取该候选关键词对应的关键词特征时，可以有两种方式，具体如下：

方式1：如图3a所示，直接从关键词词库中获取预先存储好的该候选关键词的关键词特征。

方式2：如图3a虚线部分所示，对该候选关键词进行分词，得到该候选关键词对应的各个分词(即图3a中右边部分所示的各个圆圈)，将该候选关键词对应的各个分词输入至表示层，即输入至图中所示的Bert模型中，通过Bert模型对该候选关键词进行预测(即对该候选关键词进行特征提取)，得到该候选关键词对应的关键词特征。

按照上述方式1或者方式2可以得到全部的候选关键词的关键词特征，将文本特征与全部的候选关键词的关键词特征通过图中所示的ESIM模型进行语义匹配，即将文本特征和全部的候选关键词中的任意一个关键词特征进行语义匹配，得到文本特征和全部的关键词特征之间的语义匹配度，基于语义匹配度，得到上述文本特征与全部的候选关键词的关键词特征的得分，基于得分，从全部的候选关键词的关键词特征中选择出部分或全部的至少一个关键词特征，将选择出部分或全部的至少一个关键词特征对应的候选关键词作为文本特征的文本外关键词。

其中，在计算语义匹配度时，可以通过余弦相似度的方式，对文本特征和任意一个关键词特征进行语义匹配度计算，得到文本特征和全部的关键词特征之间的语义匹配度。其中，余弦相似度，又称为余弦相似性，是通过计算两个关键词特征的夹角余弦值来评估他们的语义匹配度。

或者，还可以通过最近邻检索(Nearest Neighbor Search，简称NN)、或者 k最近邻检索(K-Nearest Neighbor，简称K-NN)、或者近似最近邻检索 (Approximate NearestNeighbor，简称ANN)的方式，将文本特征与全部的关键词特征进行语义匹配度运算，从全部的关键词特征中选择出部分或全部的至少一个关键词特征，将选择出部分或全部的至少一个关键词特征对应的候选关键词作为文本外关键词。

需要说明的是，本申请图3a所示的示例中获取到文本外关键词，可以对待处理文本的关键词信息进行信息扩充，相比于仅考虑待处理文本本身的信息来抽取关键词的方式，丰富了待处理文本包含的关键词的信息量，提高了待处理文本的关键词的全面性。

在实际业务中，可以使用全词库匹配技术(即上述将文本特征与关键词词库中的候选关键词进行语义匹配的技术)弥补文本内关键词抽取关键词数量不足的问题。更进一步，对于各行业上的人群标签挖掘，可以使用适合各行业的词表，结合该技术在文本中进行指定行业的关键词挖掘(还可以称为标签信息挖掘)。

本申请实施例中，使用了如图3a中的Bert-ESIM的语义匹配模型来进行关键词抽取，相比于中使用循环神经网络模型(Recurrent Neural Network，简称 RNN)进行关键词抽取，经过实验验证，在测试数据上的效果如表1所示，由表1可以看出，采用本示例中的Bert-ESIM模型进行关键词抽取，会显著提升关键词抽取的准确率(Precision)、召回率(Recall)和F-Measure(即F值)。

其中，准确率(Precision)，又称“精度”、“正确率”、“查准率”。召回率(Recall)，又称“查全率”。F-Measure是准确率(P)和召回率(R)的加权平均。

表1

而且，使用关键词缓存技术后，预测效率也有明显提升，如表2所示，在 258万在线词库上，预测一条待处理文本的关键词的耗时的使用缓存技术前后对比如下：

表2

进一步地，可以将文本内关键词和文本外关键词确定对象的标签信息。当想要推荐待推荐信息时，可以根据待推荐信息的文本和各候选推荐对象的标签信息之间的匹配度，从各候选推荐对象中确定该待推荐信息要推荐的目标推荐对象，并将该待推荐信息推荐给目标推荐对象。

举例来说，上述待推荐信息可以为广告主想要推荐的广告信息，从该广告信息中提取出待处理文本，例如，从广告信息中提取出广告标题作为待处理文本，等等。然后，提取该待处理文本的文本内关键词(如“休闲”和“捕鱼达人”)，获取各候选推荐对象的标签信息，如对象1的标签为如“真人”、“街机”、“捕鱼”、“街机捕鱼”和“捕鱼达人”，由于该待处理文本的文本内关键词与对象1的标签具有相匹配的关键词(即“捕鱼达人”)，那么可以将该待推荐信息推荐给该对象1。

在上述过程中，由前文描述可知，在未对对象1的标签信息进行扩展前，对象1的标签信息为“真人”、“街机”、“捕鱼”，扩展后对象1的标签信息为“真人”、“街机”、“捕鱼”、“街机捕鱼”和“捕鱼达人”。在推荐待推荐信息时，如果未扩展该对象1的标签，由于对象1的标签信息不包括“休闲”和“捕鱼达人”，那么可能无法将该待推荐信息推荐给对象1，而扩展对象1的标签信息后，对象 1的标签信息中包括了“捕鱼达人”，那么可以确保将该待推荐信息推荐给该对象1，扩大了待推荐信息的推广范围。

在一示例中，还可以根据待推荐信息的文本对应的关键词信息对对象的标签信息进行更新，例如，可以将待推荐信息中的“休闲”添加到对象1的标签信息中。

可理解，上述仅为一种示例，本实施例在此不作任何限定。

以下结合一示例说明如何通过Bert模型得到待处理文本对应的文本特征，以及通过Bert模型得到候选关键词的关键词特征，参见图3b，图3b是本申请实施例提供的一种可选的通过Bert模型处理待处理文本/候选关键词的原理示意图。

如图3b所示，以待处理文本为例，将待处理文本输入Bert模型中，其中， [CLS]、Tok 1、Tok 2……Tok N该待处理文本的输入表示。Bert模型能够在一个 token序列中明确地表示该待处理文本。[CLS]是Bert模型的一个特殊符号，通常插入在文本之前，图中所示的E

对于通过Bert模型得到候选关键词对应的关键词特征的实现方式，可参考上述过程，在此不再赘述。

在一种可选的实施例中，上述方法还包括：

提取各上述候选关键词的关键词特征，并将各上述候选关键词的关键词特征存储到关键词词库中；

上述获取各候选词的关键词特征，包括：

从上述关键词词库中获取预先存储的各上述候选关键词的关键词特征。

可选的，可以预先构建关键词词库，并在该关键词词库中预先存储好各候选关键的关键词特征，以便在使用该关键词特征时，能够直接从关键词词库中直接获取到该关键词特征，避免了对各候选关键词进行关键词抽取的过程，能够大大减少运算量，提高运算效率。

可选的，还需要预先建立好关键词词库，图3c是本申请实施例提供的一种可选的建立关键词词库的示意图。在实际业务中，可以根据业务类型确定出业务类型对应的训练数据，例如，可以通过广告业务、APP描述、电商标题、资讯文章等场景中进行训练数据的构建，使用这些业务中的文本内出现候选关键词对Bert模型以及ESIM模型进行训练。对于训练来说，可以使用有监督的训练方式，正负例可以通过人工标注得到。当训练好Bert模型后，可以通过Bert 模型对各候选关键词分别进行关键词特征提取，并将提取到的关键词特征预先存储至关键词词库中，在使用时，可以直接获取到关键词特征，减少运算量。具体地，该关键词词库可以为258万量级的在线词库和2000万量级的商业词库等词库，在此不作限定。

通过本实施例，可以通过将关键词特征预先存储至关键词词库的方式，避免了对各候选关键词进行关键词抽取的过程，能够大大减少运算量，提高运算效率。

以下详述对文本特征和关键词特征进行语义匹配的过程。参见图4，图4是本申请实施例提供的一种可选的语义匹配原理的示意图。可以采用如图4所示的基于前向的LSTM与后向的LSTM结合成Bilstm(Bi-directional Long Short-Term Memory，双向LSTM)的神经网络BiLSTM，或者树形长短期记忆网络(Tree-Long Short-Term Memory，简称Tree-LSTM)进行语义匹配，其中，当图4中的Premise表示文本特征时，Hypothesis表示关键词特征，当图4中的 Premise表示关键词特征时，Hypothesis表示文本特征。

其中，图4所示的输入编码(Input Encoding)用于将从Bert模型得到的文本特征和关键词特征转换为适配于BiLSTM模型的文本特征和关键词特征，基于转换后文本特征和关键词特征进行相关的处理，具体过程如下：

在一种可选的实施例中，上述待处理文本的文本特征包括上述待处理文本所包含的各词的第一词特征，上述关键词特征包括上述候选关键词所包含的各词的第二词特征；

对于任一上述关键词特征，采用以下方式确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度：

分别确定各上述第一词特征和各上述第二词特征中两两特征之间的相似度，其中，上述两两特征包括一个第一词特征和一个第二词特征；

基于各上述两两特征之间的相似度，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

可选的，本示例中，采用一个具体的示例对上述过程进行说明，例如，对于待处理文本T＝[t

X＝x

K＝k

其中，X为文本特征，n为待处理文本中所包含的词的个数，x

进一步地，对于文本特征和关键词特征，进一步使用ESIM模型进行语义匹配。基于文本特征的各第一词特征、关键词特征中个第二词特征进行两两计算，分别确定各第一词特征和各第二词特征中两两特征之间的相似度，其中，两两特征包括一个第一词特征和一个第二词特征；基于各两两特征之间的相似度，确定文本特征X和关键词特征K之间的语义匹配度。其中，两两特征之间的相似度为

其中，图4所示的局部推理信息增强(Local Inference Modeling)用于确定文本特征和关键词特征对应的全局文本特征和全局关键词特征，即下述全局文本特征

在一种可选的实施例中，对于任一上述关键词特征，上述基于各上述两两特征之间的相似度，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度，包括：

对于任一第一词特征，基于上述第一词特征对应的各第一相似度确定各上述第二词特征对应的权重，并基于各上述第二词特征对应的权重对各上述第二词特征进行加权求和，得到更新后的第一词特征；

对于任一第二词特征，基于上述第二词特征对应的各第二相似度确定各上述第一词特征对应的权重，并基于各上述第一词特征对应的权重对各上述第一词特征进行加权求和，得到更新后的第二词特征；

基于更新后的各第一词特征和更新后的各第二词特征，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

可选的，按照上述方式得到了两两特征之间的相似度，进一步地，可以基于两两特征之间的相似度，对待处理文本的文本特征X和关键词特征K进行加权，得到文本特征X和关键词特征K对应的更新后的待处理文本的文本特征

其中，

通过更新后的文本特征

在一种可选的实施例中，上述基于更新后的各第一词特征和更新后的各第二词特征，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度，包括：

对于任一上述第一词特征，基于上述第一词特征和更新后的第一词特征之间的关联性，得到上述第一词特征对应的局部词特征，基于上述第一词特征、更新后的第一词特征和上述第一词特征对应的局部词特征，得到上述第一词特征对应的全局词特征；

对于任一上述第二词特征，基于上述第二词特征和更新后的第二词特征之间的关联性，得到上述第二词特征对应的局部词特征，基于上述第二词特征、更新后的第二词特征和上述第二词特征对应的局部词特征，得到上述第二词特征对应的全局词特征；

基于各第一词特征对应的全局词特征以及各第二词特征对应的全局词特征，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

在一种可选的实施例中，对于任一上述第一词特征，上述基于上述第一词特征和更新后的第一词特征之间的关联性，得到上述第一词特征对应的局部词特征，包括：

确定上述第一词特征和更新后的第一词特征之间的第一差异特征；

确定上述第一词特征和更新后的第一词特征之间的第一相似特征；

其中，上述第一词特征对应的局部词特征包括第一差异特征和第一相似特征；

对于任一上述第二词特征，基于上述第二词特征、更新后的第二词特征和上述第二词特征对应的局部词特征，包括：

确定上述第二词特征和更新后的第二词特征之间的第二差异特征；

确定上述第二词特征和更新后的第二词特征之间的第二相似特征；

其中，上述第二词特征对应的局部词特征包括第二差异特征和第二相似特征。

可选的，按照上述方式得到了更新后的待处理文本的文本特征和关键词特征，进一步的，为了进一步增强局部信息，分别对更新后的待处理文本的文本特征和更新后的关键词特征进行如下操作：

其中，-表示按位减，⊙表示按位乘，

基于全局文本特征

其中，图4所示的推理合成(Inference Composition)用于确定待处理文本的文本特征和关键词特征对应的最终的文本特征表示和关键词特征表示，即下述最终的文本特征表示y

进一步地，还可以对全局文本特征

进一步地，如图4所示的预测过程，基于文本特征表示y

y＝W[y

label＝argmax

其中，y

在一示例中，在语义匹配模式下，文本特征和关键词特征可以分别建模表示，在对待处理文本进行关键词预测时，可以先把关键词词库中的每个候选关键词通过模型得到其关键词特征，再同每个待处理文本进行语义匹配，可以提高整体预测效率。具体来说，对于每个候选关键词，将每个候选关键词的Bert 模型得到的关键词特征预先保存在本地的关键词词库中，然后在实际预测时，直接通过加载关键词特征的方式进行使用。在实际应用时，对于258万量级的在线词库和2000万量级的商业词库等词库上，使用语义匹配的方式，通过这种关键词缓存技术将候选关键词进行预先缓存，加速预测效率。并且在实际进行匹配时，通过余弦相似度或ANN近邻检索的方式，可以进一步提升向量匹配效率。以余弦相似度为例，在预测阶段，通过Bert模型输出的文本特征X和本地缓存读入的关键词特征K直接使用平均池化方式得到对应的文本特征y

参见图5，图5是本申请实施例提供的一种可选的信息推荐方法的流程示意图，该方法可以由任一电子设备执行，如可以是服务器或者用户终端，也可以是用户终端和服务器交互完成，可选的，可以由用户终端执行，如图5所示，本申请实施例提供的信息推荐方法包括如下步骤：

步骤S501，获取待推荐信息、以及上述待推荐信息的文本。

步骤S502，获取各候选推荐对象的标签信息。

步骤S503，基于上述文本和上述标签信息之间的匹配度，从上述各候选推荐对象中确定出目标推荐对象。

步骤S504，将上述待推荐信息推荐给上述目标推荐对象。

可选的，待推荐信息可以理解为想要推广的信息，可以根据实际应用场景确定该待推荐信息。例如，该待推荐信息可以为广告信息、APP描述信息、资讯文章信息、游戏推广信息等等。该感兴趣信息的形式可以包含视频、语音、图片、文字等中的至少一种，在此不作任何限定。

各候选推荐对象(如上述对象)的标签信息的可以参考前文描述得到，在此不再赘述。

可以根据待推荐信息的文本和各候选推荐信息的之间的匹配度，从各候选推荐对象中确定出目标推荐对象，然后将待推荐信息推荐给目标推荐对象。

在一种可选的实施例中，还包括以下至少一项：

对于任一上述候选推荐对象，获取上述文本的文本特征以及上述候选推荐对象的标签信息的对象标签特征，基于上述文本的文本特征和上述标签信息的对象标签特征，确定上述文本和上述标签信息之间的匹配度；

提取上述文本的文本关键词，基于上述文本的文本关键词和上述标签信息，确定上述文本和上述标签信息之间的匹配度，其中，上述文本关键词包括文本内关键词和文本外关键词，上述文本关键词是通过标签信息的确定方法中任一种可能的实施例的方式确定的。

可选的，在一示例中，可以通过特征提取的方式，提取待推荐信息的文本的文本特征和候选推荐对象的标签信息的对象标签特征，然后基于文本的文本特征和对象标签特征之间的匹配度，将与文本的文本特征的匹配度超过一定阈值(如90％)对应的候选推荐对象作为目标推荐对象，然后将该待推荐信息推荐给该目标推荐对象。

在一示例中，还可以获取文本的文本关键词，确定将该文本的文本关键词和标签信息之间的匹配度，将与文本的文本关键词的匹配度超过一定阈值(如 90％)对应的候选推荐对象作为目标推荐对象，然后将该待推荐信息推荐给该目标推荐对象。

对于推荐该待推荐信息的过程，还可以参考前文描述。

参见图6，图6是本申请实施例提供的一种标签信息的确定装置的结构示意图。本申请实施例提供的标签信息的确定装置1包括：

关键词处理模块11，用于获取对象的感兴趣信息对应的待处理文本，并提取上述待处理文本的文本内关键词；

文本特征处理模块12，用于提取上述待处理文本的文本特征；

上述关键词处理模块11，用于获取各候选关键词的关键词特征，并基于上述待处理文本的文本特征和各上述关键词特征之间的语义匹配度，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词，其中，上述候选关键词是关键词词库中的关键词；

标签信息确定模块13，用于基于文本关键词确定上述对象的标签信息，其中，上述文本关键词包括上述文本内关键词和上述文本外关键词。

在一种可选的实施例中，上述关键词处理模块，还用于：

提取各上述候选关键词的关键词特征，并将各上述候选关键词的关键词特征存储到关键词词库中；

在获取各候选词的关键词特征时，从上述关键词词库中获取预先存储的各上述候选关键词的关键词特征。

在一种可选的实施例中，上述待处理文本的文本特征包括上述待处理文本所包含的各词的第一词特征，上述关键词特征包括上述候选关键词所包含的各词的第二词特征；上述关键词处理模块，用于：

对于任一上述关键词特征，采用以下方式确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度：

分别确定各上述第一词特征和各上述第二词特征中两两特征之间的相似度，其中，上述两两特征包括一个第一词特征和一个第二词特征；

基于各上述两两特征之间的相似度，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

在一种可选的实施例中，上述关键词处理模块，用于：

对于任一第一词特征，基于上述第一词特征对应的各第一相似度确定各上述第二词特征对应的权重，并基于各上述第二词特征对应的权重对各上述第二词特征进行加权求和，得到更新后的第一词特征；

对于任一第二词特征，基于上述第二词特征对应的各第二相似度确定各上述第一词特征对应的权重，并基于各上述第一词特征对应的权重对各上述第一词特征进行加权求和，得到更新后的第二词特征；

基于更新后的各第一词特征和更新后的各第二词特征，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

在一种可选的实施例中，上述关键词处理模块，用于：

对于任一上述第一词特征，基于上述第一词特征和更新后的第一词特征之间的关联性，得到上述第一词特征对应的局部词特征，基于上述第一词特征、更新后的第一词特征和上述第一词特征对应的局部词特征，得到上述第一词特征对应的全局词特征；

对于任一上述第二词特征，基于上述第二词特征和更新后的第二词特征之间的关联性，得到上述第二词特征对应的局部词特征，基于上述第二词特征、更新后的第二词特征和上述第二词特征对应的局部词特征，得到上述第二词特征对应的全局词特征；

基于各第一词特征对应的全局词特征以及各第二词特征对应的全局词特征，确定上述待处理文本的文本特征和上述关键词特征之间的语义匹配度。

在一种可选的实施例中，上述关键词处理模块，用于：

确定上述第一词特征和更新后的第一词特征之间的第一差异特征；

确定上述第一词特征和更新后的第一词特征之间的第一相似特征；

其中，上述第一词特征对应的局部词特征包括第一差异特征和第一相似特征；

确定上述第二词特征和更新后的第二词特征之间的第二差异特征；

确定上述第二词特征和更新后的第二词特征之间的第二相似特征；

其中，上述第二词特征对应的局部词特征包括第二差异特征和第二相似特征。

在一种可选的实施例中，上述文本特征处理模块，用于：

基于上述待处理文本，通过特征提取模型提取得到上述待处理文本的文本特征；

上述基于上述待处理文本的文本特征和各上述关键词特征之间的语义匹配度，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词，包括：

基于上述待处理文本的文本特征和各上述关键词特征，通过语义匹配模型，从各上述候选关键词中确定出上述待处理文本对应的文本外关键词。

在本申请实施例中，在对任一对象的感兴趣信息对应的待处理文本进行处理时，除了获取该待处理文本的文本内关键词，还可以将该待处理文本的文本特征与各候选关键词的关键词特征进行语义匹配，通过语义匹配度，得到该待处理文本对应的文本外关键词，并基于文本内关键词和文本外关键词共同确定对象的标签信息。采用这种方式，除了考虑对象的感兴趣信息的待处理文本本身的文本内关键的信息，还考虑了该待处理文本对应的文本外关键词，使得待处理文本对应的关键词信息更加完整全面。也就是说，在确定用户的标签信息时，除了根据文本内关键词确定用户的标签信息，还可以根据文本内关键词和文本外关键词确定用户的标签信息，扩展了用户的标签信息，提高了用户标签信息的丰富性、全面性。

参见图7，图7是本申请实施例提供的一种信息推荐装置的结构示意图。本申请实施例提供的信息推荐装置2包括：

待推荐信息处理模块21，用于获取待推荐信息、以及上述待推荐信息的文本；

标签信息获取模块22，用于获取各候选推荐对象的标签信息，其中，上述标签信息是采用本申请任一可选实施例中提供的标签信息的确定方法中的方式确定的；

目标推荐对象确定模块23，用于基于上述文本和上述标签信息之间的匹配度，从上述各候选推荐对象中确定出目标推荐对象；

信息推荐模块23，用于将上述待推荐信息推荐给上述目标推荐对象。

在一种可选的实施例中，上述目标推荐对象确定模块，还用于以下至少一项：

对于任一上述候选推荐对象，获取上述文本的文本特征以及上述候选推荐对象的标签信息的对象标签特征，基于上述文本的文本特征和上述标签信息的对象标签特征，确定上述文本和上述标签信息之间的匹配度；

提取上述文本的文本关键词，基于上述文本的文本关键词和上述标签信息，确定上述文本和上述标签信息之间的匹配度，其中，上述文本关键词包括文本内关键词和文本外关键词，上述文本关键词是本申请任一可选实施例中提供的标签信息的确定方法中的方式确定的。

具体实现中，上述标签信息的确定装置1可通过其内置的各个功能模块执行如上述图2中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

上述信息推荐装置2可通过其内置的各个功能模块执行如上述图5中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

上文主要介绍说明了执行主体为硬件，来实施本申请中的标签信息的确定方法和/或信息推荐方法，但是本申请的标签信息的确定方法和/或信息推荐方法的执行主体并不仅限于硬件，本申请中的标签信息的确定方法和/或信息推荐方法的执行主体还可以为软件，上述标签信息的确定装置和/或信息推荐装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如，该标签信息的确定装置和/或信息推荐装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。

在一些实施例中，本发明实施例提供的标签信息的确定装置和/或信息推荐装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的标签信息的确定装置和/或信息推荐装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的标签信息的确定方法和/或信息推荐方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC， Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD， Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

在另一些实施例中，本发明实施例提供的标签信息的确定装置和/或信息推荐装置可以采用软件方式实现，图6示出的标签信息的确定装置1，其可以是程序和插件等形式的软件，并包括一系列的模块，包括关键词处理模块11、文本特征处理模块12、标签信息确定模块13用于实现本发明实施例提供的标签信息的确定方法。和/或，图7示出的信息推荐装置2，其可以是程序和插件等形式的软件，并包括一系列的模块，包括待推荐信息处理模块21、标签信息获取模块22、目标推荐对象确定模块23和信息推荐模块24用于实现本发明实施例提供的信息推荐方法。

参见图8，图8是本申请实施例提供的一种电子设备的结构示意图。如图8 所示，本实施例中的电子设备1000可以包括：处理器1001，网络接口1004和存储器1005，此外，上述电子设备1000还可以包括：用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1004可以是高速RAM 存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。

在图8所示的电子设备1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的计算机程序。

应当理解，在一些可行的实施方式中，上述处理器1001可以是中央处理单元(central processing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integratedcircuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。

具体实现中，上述电子设备1000可通过其内置的各个功能模块执行如上述图2、图5中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，被处理器执行以实现图2、图5中各个步骤所提供的方法，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

上述计算机可读存储介质可以是前述任一实施例提供的任务处理装置的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(secure digital,SD)卡，闪存卡(flash card) 等。上述计算机可读存储介质还可以包括磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(randomaccess memory，RAM)等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述图2、图5中任一种可能的实施方式所提供的方法。

本申请的权利要求书和说明书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。