一种视频数据处理方法、装置、计算机设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种视频数据处理方法、装置、计算机设备及存储介质。

背景技术

随着计算机以及互联网技术的飞速发展，各类视频平台应运而生，特别是短视频平台已成为移动互联网应用中用户停留时间最长的应用类型。由于短视频的制作基本取决于视频博主，而推荐技术则由短视频平台提供，因此推荐技术对于短视频平台至关重要。通常，短视频平台的推荐系统针对留下了大量点击记录的短视频，能够根据短视频的标识特征、属性特征等视频特征数据正常地推断短视频的适用人群，从而准确地将短视频推荐给目标用户。然而，短视频平台上每天新发布的短视频越来越多，如何实现这些新加入的短视频的推荐，成为视频推荐中的重要问题。

由于新加入的短视频缺少与用户的交互记录，导致标识特征缺失，这类短视频可以理解为冷启动视频，在进行冷启动视频的推荐时，现有的第一种方案通常是在训练推荐模型时用0掩码或随机掩码替换部分样本短视频的标识特征，以模拟实际遇到的新加入的短视频；第二种方案是学习从短视频的属性特征到标识特征的映射，也即是根据短视频的属性特征以及映射关系推导短视频的标识特征；然而，第一种方案会使得模型需要适应两种不同分布的输入，一种是短视频的标识特征的一般分布，另一种是0掩码或随机掩码的分布，难以得到准确的推荐效果；第二种方案中实际的标识特征本身也是通过学习得到的，存在一定的误差；从短视频的属性特征到标识特征的映射的学习，也会产生一定的误差，由于会发生误差叠加，削弱了映射的准确性，也难以得到准确的推荐效果。可见，如何提高冷启动视频的推荐效果已成为亟待解决的问题。

发明内容

本申请实施例提供一种视频数据处理方法、装置、计算机设备及存储介质，可以有效提高冷启动视频的推荐准确度，从而提升视频推荐效果。

第一方面，本申请实施例提供了一种视频数据处理方法，所述方法包括：

获取第一视频的视频特征数据以及至少一个对象的对象特征数据。

调用视频匹配模型以及参考特征数据对所述第一视频的视频特征数据以及所述至少一个对象的对象特征数据进行处理，得到所述第一视频与所述至少一个对象中每个对象之间的匹配结果；其中，所述视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，所述参考特征数据是基于多个第二视频的视频特征数据确定的。

根据所述匹配结果从所述至少一个对象中确定目标对象，并向所述目标对象对应的终端设备发送所述第一视频。

可选的，上述训练样本是通过如下方式获取的：

获取视频点击记录。

基于所述视频点击记录从视频集合中获取存在点击记录的至少一个第二视频。

基于所述视频点击记录从所述对象集合中获取每个第二视频对应的对象子集。

基于所述对象集合以及所述每个第二视频对应的对象子集确定训练样本。

第二方面，本申请实施例提供了一种视频数据处理装置，所述装置包括：

获取模块，用于获取第一视频的视频特征数据以及至少一个对象的对象特征数据。

处理模块，用于调用视频匹配模型以及参考特征数据对所述第一视频的视频特征数据以及所述至少一个对象的对象特征数据进行处理，得到所述第一视频与所述至少一个对象中每个对象之间的匹配结果；其中，所述视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，所述参考特征数据是基于多个第二视频的视频特征数据确定的。

所述处理模块，还用于根据所述匹配结果从所述至少一个对象中确定目标对象。

发送模块，用于向所述目标对象对应的终端设备发送所述第一视频。

第三方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器、网络接口和存储装置，所述处理器、所述网络接口和所述存储装置相互连接，其中，所述网络接口受所述处理器的控制用于收发数据，所述存储装置用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，用于执行第一方面所述的视频数据处理方法。

第四方面，本申请实施例提供了一种计算机存储介质，该计算机存储介质中存储有程序指令，该程序指令被执行时，用于实现第一方面所述的视频数据处理方法。

第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被计算机处理器执行时，用于实现第一方面所述的视频数据处理方法。

本申请实施例可以获取第一视频的视频特征数据以及至少一个对象的对象特征数据；调用视频匹配模型以及参考特征数据对第一视频的视频特征数据以及该至少一个对象的对象特征数据进行处理，得到第一视频与每个对象之间的匹配结果；其中，视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，参考特征数据是基于多个第二视频的视频特征数据确定的；根据匹配结果即可从至少一个对象中确定目标对象，并向目标对象对应的终端设备发送该第一视频，本申请通过利用点击数据较为丰富的一般视频(例如上述第二视频)的视频特征数据生成一般化的参考特征数据，并将参考特征数据用于点击数据缺乏的冷启动视频(例如上述第一视频)的处理，由于参考特征数据的分布与第二视频的视频特征数据的分布是一致的，视频匹配模型不会因为维护两种不同分布的输入而削弱准确率，从而保证视频匹配的准确度；并且，本申请通过第二神经网络指导第一神经网络的学习，引入了知识蒸馏学习框架，可以将第二神经网络的知识融入到第一神经网络当中，为冷启动视频的推荐引入额外信息，可以看出，本申请基于一般视频的视频特征数据以及知识蒸馏学习框架可以有效提高冷启动视频的推荐准确度，从而提升视频推荐效果。

附图说明

为了更清楚地说明本申请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视频数据处理系统的架构示意图；

图2是本申请实施例提供的一种视频数据处理方法的流程示意图；

图3是本申请实施例提供的另一种视频数据处理方法的流程示意图；

图4a是本申请实施例提供的一种模型训练框架的结构示意图；

图4b是本申请实施例提供的一种模型应用的原理示意图；

图5是本申请实施例提供的一种视频数据处理装置的结构示意图；

图6是本申请实施例提供的一种计算机设备的结构示意图。

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作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。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

人工智能(Artificial Intelligence，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。

其中，机器学习(Machine Learning，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。

蒸馏学习：蒸馏学习框架包括教师网络和学生网络，教师网络通过引导学生网络进行学习，从而将教师网络中的知识传递给学生网络。

频繁项集：一组数据中，频繁地同时出现的元素组合，称为频繁项。数据中包含的所有频繁项组成频繁项集。

嵌入：用于表示某个视频/某个用户的连续向量，该视频具体可以是短视频。

标识(Identity，ID)特征：短视频/用户的主要特征之一，即唯一地表示某个短视频/用户的标识的连续向量。对于缺乏点击数据的这类短视频(可以记为冷启动视频)，例如新加入的短视频，推荐模型无法从点击数据中学到冷启动视频的标识特征，这就是冷启动视频的推荐问题。其中，视频的ID可以是数字、字母等组成的字符串，ID本身是固定的，例如某视频的ID为数字100，则标识特征是基于视频的ID从视频标识特征矩阵中获取的，例如可以将ID表示为向量，具体可以是one-hot(独热编码表示)向量，根据one-hot向量从视频标识特征矩阵中获取视频的标识特征，对于冷启动视频，由于其点击数据缺乏，推荐模型无法根据冷启动视频匮乏的点击数据确定可用的视频标识特征矩阵；当然，随着视频的点击数据不断丰富、完善，推荐模型可以不断地根据点击数据更新视频标识特征矩阵，从而根据视频的ID可以从更新的视频标识特征矩阵中获取准确的标识特征。

属性特征：短视频/用户除标识特征外的其他特征的统称，即表示短视频/用户的属性的连续向量。由于短视频/用户会有多个属性(例如短视频的标题、种类，用户的性别、年龄等)，所以短视频/用户的属性特征通常是一个向量的集合。

请参见图1，是本申请实施例提供的一种视频数据处理系统的架构示意图，该视频数据处理系统包括计算机设备101以及终端设备102，其中：

终端设备102可以向计算机设备101发送对象创作的视频，对象具体可以是用户，视频具体可以是短视频；终端设备102还可以接收计算机设备101发送的视频，并通过显示界面向用户展示接收的视频。

计算机设备101可以将终端设备102发送的视频添加到视频库中，以保存用户创作的视频；还可以从视频库中获取与用户匹配的视频，并向终端设备102发送与用户匹配的视频，使得用户可以看到喜爱的视频。

其中，计算机设备101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。终端设备102可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载智能终端等，但并不局限于此。终端设备102以及计算机设备101可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本申请实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。

在一些可行的实施方式中，计算机设备101从视频库中获取冷启动视频(记为第一视频)，并获取第一视频的视频特征数据以及至少一个对象的对象特征数据，视频特征数据可以包括视频的标识特征以及视频的各个属性特征组成的属性特征集；类似的，对象特征数据可以包括对象的标识特征以及对象的各个属性特征组成的属性特征集；由于第一视频缺乏标识特征，计算机设备101可以基于多个第二视频的视频特征数据生成参考特征数据，其中，第二视频是指视频库中存在较为丰富的点击数据的视频，也可以称为一般视频，计算机设备101调用视频匹配模型以及参考特征数据对第一视频的视频特征数据以及各个对象的对象特征数据进行处理，得到第一视频与每个对象之间的匹配结果，匹配结果可以是预测的点击概率；其中，视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，也即是通过蒸馏学习的框架进行模型训练；然后，计算机设备101根据匹配结果即可从至少一个对象中确定目标对象，并向目标对象对应的终端设备102发送该第一视频。

可以看出，本申请实施例利用点击数据较为丰富的视频的视频特征数据生成一般化的标识特征(即上述的参考特征数据)，并利用一般化的标识特征作为冷启动视频的标识特征，由于一般化的标识特征的分布与点击数据较为丰富的视频的标识特征的分布是一致的，视频匹配模型不会因为维护两种不同分布的输入而削弱准确率，从而提高视频匹配的准确度；并且，本申请实施例通过第二神经网络指导第一神经网络的学习，引入了知识蒸馏学习框架，可以将第二神经网络的知识融入到第一神经网络当中，为冷启动视频的推荐引入额外信息，进一步提高了冷启动视频的推荐准确率。因此，本申请基于一般视频的视频特征数据以及知识蒸馏学习框架可以有效提高冷启动视频的推荐准确度，从而提升视频推荐效果。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

请参见图2，是本申请实施例基于图1所示的视频数据处理系统提供的一种视频数据处理方法的流程示意图，该视频数据处理方法可以应用于图1中的计算机设备101，具体可以包括如下步骤：

201、获取第一视频的视频特征数据以及至少一个对象的对象特征数据。

其中，第一视频可以为冷启动视频，其缺乏点击数据，也即是缺乏与用户的交互记录，例如新加入的视频，具体可以是用户创作完成后提交的短视频。对象具体可以是用户，该至少一个对象可以是指某个短视频平台的所有用户。

其中，视频特征数据包括标识特征以及属性特征集，属性特征集是指视频的多个属性特征组成的集合，视频的属性例如可以包括标题、类别、描述信息、视频中的图像信息等。对象特征数据包括标识特征以及属性特征集，属性特征集是指对象的多个属性特征组成的集合，对象的属性例如可以包括年龄、性别、兴趣标签、地理位置等。

在一些可行的实施方式中，对于第一视频v

202、调用视频匹配模型以及参考特征数据对所述第一视频的视频特征数据以及所述至少一个对象的对象特征数据进行处理，得到所述第一视频与所述至少一个对象中每个对象之间的匹配结果；其中，所述视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，所述参考特征数据是基于多个第二视频的视频特征数据确定的。

其中，第二视频可以理解为视频集合或者视频库中存在点击数据的视频，或者也可以理解为点击数据较为丰富的视频，这类视频可以称为一般视频；匹配结果具体可以是预测点击概率，即各个对象点击第一视频的可能性大小。

具体实现中，由于第一视频缺乏标识特征，计算机设备可以基于多个第二视频的视频特征数据生成参考特征数据，然后调用视频匹配模型以及参考特征数据对第一视频的视频特征数据以及各个对象的对象特征数据进行处理，得到第一视频与每个对象之间的匹配结果，由于一般化的标识特征的分布与点击数据较为丰富的视频的标识特征的分布是一致的，视频匹配模型不会因为维护两种不同分布的输入而削弱准确率，从而提高视频匹配的准确度。

其中，视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，也即是通过蒸馏学习的框架进行模型训练，可以将第二神经网络的知识融入到第一神经网络当中，为冷启动视频的推荐引入额外信息，进一步提高了冷启动视频的推荐准确率。

在一些可行的实施方式中，视频匹配模型具体可以是周期性训练得到的，例如可以每天训练一次，并可以将每天在设定时间之后加入的视频作为冷启动视频，并利用在设定时间之前视频库中已有的一般视频(如上述的第二视频)作为训练样本进行训练。

在一些可行的实施方式中，计算机设备具体可以基于多个第二视频的视频特征数据包括的标识特征，生成参考特征数据，该参考特征数据可以理解为一般化的标识特征；然后，计算机设备直接将参考特征数据作为第一视频的视频特征数据中的标识特征，从而既可以为冷启动视频补充标识特征，完善冷启动视频的视频特征数据，又可以保证冷启动视频补充的标识特征的分布与一般视频的标识特征的分布是一致的，使得视频匹配模型只需要维护相同分布的输入而提高准确率，从而提高视频匹配的准确度。

在一些可行的实施方式中，计算机设备可以获取视频集合中存在点击记录的多个第二视频，从每个第二视频的视频特征数据中获取每个第二视频的标识特征，然后对多个第二视频的标识特征进行全局平均池化处理，即可得到参考特征数据，从而通过全局平均池化处理即可得到与一般视频的标识特征的分布相一致的参考特征数据(即一般化的标识特征)。

在一些可行的实施方式中，计算机设备调用视频匹配模型以及参考特征数据获取第一视频与至少一个对象中每个对象之间的匹配结果的具体实现方式可以包括：

首先，计算机设备可以基于每个对象的标识特征、属性特征集获取每个对象的第一融合特征，例如将每个对象的标识特征与属性特征集包括的各个属性特征进行拼接，拼接结果即为第一融合特征；类似的，计算机设备基于第一视频的标识特征、属性特征集获取第一视频的第二融合特征，例如将第一视频的标识特征与属性特征集包括的各个属性特征进行拼接，拼接结果即为第二融合特征。

然后，计算机设备可以调用视频匹配模型对每个对象的第一融合特征进行映射处理，得到每个对象的第三融合特征，以及对第一视频的第二融合特征进行映射处理，得到第一视频的第四融合特征，从而可以将视频特征数据与对象特征数据映射到一个一致的特征空间上。

再然后，计算机设备可以调用视频匹配模型对第三融合特征以及第四融合特征进行匹配处理，得到第一视频与该至少一个对象中每个对象之间的匹配结果，其中，第三融合特征以及第四融合特征具体为特征向量，则可以通过求余弦相似度的方式计算第三融合特征以及第四融合特征之间的相似度，然后将该相似度作为第一视频与对象之间的预测点击概率。

其中，第一神经网络可以采用双塔模型，将拼接后得到的第一融合特征、第二融合特征分别通过一个塔形神经网络，经过高度非线性的映射转化为第三融合特征和第四融合特征。

203、根据所述匹配结果从所述至少一个对象中确定目标对象，并向所述目标对象对应的终端设备发送所述第一视频。

具体实现中，计算机设备可以根据第一视频与每个对象之间的匹配结果，从至少一个对象中确定目标数量的对象，并将该目标数量的对象作为目标对象，然后向各个目标对象对应的终端设备发送第一视频。例如，目标数量为3，匹配结果为预测点击概率，则计算机设备可以根据第一视频与每个对象之间的预测点击概率，选择预测点击概率排在前3位的对象作为目标对象。

在一些可行的实施方式中，除了可以针对每个第一视频匹配合适的目标对象之外，也可以针对每个对象，匹配合适的目标视频。例如，针对每个对象(如目标用户)，分别获取该目标用户与视频集合中每个视频之间的匹配结果，针对视频集合中的各个第一视频(即冷启动视频)，则将参考特征数据作为第一视频的标识特征，然后输入视频匹配模型进行处理；针对视频集合中的各个第二视频(即一般视频)，则将各个第二视频自身的标识特征输入视频匹配模型进行处理；将视频集合包括的各个第一视频、第二视频对应的匹配结果进行排序，根据排序结果从视频集合中确定与该目标用户匹配的目标视频，目标视频可以是第一视频，或者第二视频，或者第一视频、第二视频的组合。

需要说明的是，对于除短视频之外的其他视频，如长视频，本申请实施例提供的视频数据处理方法同样适用，也即是本申请实施例还可以用于其他视频的推荐场景，并可以有效提升视频推荐效果。

本申请实施例中，计算机设备可以获取第一视频的视频特征数据以及至少一个对象的对象特征数据；由于第一视频缺乏标识特征，计算机设备可以基于多个第二视频的视频特征数据生成参考特征数据，其中，第二视频是指视频库中存在较为丰富的点击数据的视频，也可以称为一般视频，计算机设备调用视频匹配模型以及参考特征数据对第一视频的视频特征数据以及各个对象的对象特征数据进行处理，得到第一视频与每个对象之间的匹配结果，匹配结果可以是预测的点击概率；其中，视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，也即是通过蒸馏学习的框架进行模型训练；然后，计算机设备根据匹配结果即可从至少一个对象中确定目标对象，并向目标对象对应的终端设备发送该第一视频，从而利用点击数据较为丰富的视频的视频特征数据生成一般化的标识特征，由于一般化的标识特征的分布与点击数据较为丰富的视频的标识特征的分布是一致的，视频匹配模型不会因为维护两种不同分布的输入而削弱准确率，从而提高视频匹配的准确度；并且，本申请实施例通过第二神经网络指导第一神经网络的学习，引入了知识蒸馏学习框架，可以将第二神经网络的知识融入到第一神经网络当中，为冷启动视频的推荐引入额外信息。因此，本申请基于一般视频的视频特征数据以及知识蒸馏学习框架可以有效提高冷启动视频的推荐准确度，从而提升视频推荐效果。

请参见图3，是本申请实施例基于图1所示的视频数据处理系统提供的另一种视频数据处理方法的流程示意图，该视频数据处理方法可以应用于图1中的计算机设备101，具体可以包括如下步骤：

301、获取训练样本，所述训练样本包括第二视频、所述第二视频对应的对象子集中的第一对象以及对象集合中除所述对象子集之外的第二对象。

具体的，计算机设备可以将视频集合中的第二视频(即一般视频)用于神经网络的训练；其中，对象集合包括的可以是指某个视频平台的所有对象，例如短视频平台的所有用户，针对任意一个第二视频，第二视频对应的对象子集是指对象集合中点击过第二视频的各个对象组成的集合，点击过第二视频的各个对象可以记为第一对象；对象集合中除该对象子集之外的对象，也即是暂未点击过第二视频的对象，可以记为第二对象。

需要说明的是，由于不能确定第二对象在未来是否会点击第二视频，所以不能将暂未点击过第二视频的对象全部视作负样本，因此，本申请采用的是相对温和的方式，假设对于第二视频，第一对象相比于第二对象具有更高的点击概率，根据这种对比的思想，构造的训练样本包括视频、对象1、对象2这三个要素，例如，训练样本

其中，v

其中，

在一些可行的实施方式中，训练样本的具体构建过程可以包括：

计算机设备获取视频点击记录，基于视频点击记录从视频集合中获取存在点击记录(或者说点击数据)的至少一个第二视频，这里也可以是获取点击记录较为丰富的至少一个第二视频；基于视频点击记录从对象集合中获取每个第二视频对应的对象子集；基于对象集合以及每个第二视频对应的对象子集确定训练样本。

其中，视频点击记录可以表示为

在一些可行的实施方式中，为了模拟在训练过程中遇到的实际应用中的冷启动视频，可以将训练样本中的部分第二视频的标识特征进行处理，例如替换为参考特征数据。具体可以包括：从训练样本包括的至少一个第二视频中确定预设数量的第二视频；将预设数量的第二视频的视频特征数据中的标识特征替换为参考特征数据，以达到模型应用时提高对冷启动视频的匹配准确度的目的。

其中，预设数量可以根据第一视频与第二视频的数量比例确定。例如预设数量可以为训练样本包括的所有第二视频的1％～2％。

302、基于所述训练样本以及第二神经网络对第一神经网络进行训练，得到视频匹配模型；其中，所述第二神经网络是基于所述第一神经网络以及业务知识数据构建的，所述业务知识数据是基于视频点击记录生成的。

具体实现中，计算机设备可以基于视频点击记录生成业务知识数据，业务知识数据可以反映出视频的属性和用户的属性之间的相关性，再基于第一神经网络以及业务知识数据构建第二神经网络，其中，第一神经网络作为学生网络，第二神经网络作为教师网络，教师网络即为嵌入业务知识数据后的学生网络，第一神经网络与第二神经网络共享网络参数；计算机设备基于训练样本以及第二神经网络，通过蒸馏学习的框架进行模型训练，得到视频匹配模型，通过第二神经网络指导第一神经网络的学习，引入了知识蒸馏学习框架，可以将第二神经网络的业务知识融入到第一神经网络当中，为冷启动视频的推荐引入额外信息，可以提高冷启动视频的推荐准确率。

在一些可行的实施方式中，计算机设备基于训练样本以及第二神经网络对第一神经网络进行训练，得到视频匹配模型的具体实现方式可以包括：

首先，计算机设备调用第一神经网络获取训练样本中的第一对象与第二视频之间的第一预测匹配结果、第二对象与第二视频之间的第二预测匹配结果；

然后，计算机设备基于第二神经网络包括的业务知识数据获取第一对象与第二视频之间的第三预测匹配结果、第二对象与第二视频之间的第四预测匹配结果；至此，计算机设备分别利用学生网络、教师网络得到各自的预测匹配结果。

接着，计算机设备基于第一预测匹配结果、第二预测匹配结果、第三预测匹配结果、第四预测匹配结果以及目标损失函数，对第一神经网络的网络参数进行调整，当训练过程达到收敛条件时，将网络参数调整后的第一神经网络作为视频匹配模型。

在一些可行的实施方式中，在训练过程中，计算机设备可以先确定总损失，再利用总损失调整第一神经网络的网络参数。其中，总损失的确定过程可以包括：

假设目标损失函数包括第一损失函数以及第二损失函数，计算机设备可以基于第一神经网络的预测结果(即第一预测匹配结果、第二预测匹配结果)以及第一损失函数，确定第一神经网络的第一损失值；再基于第一神经网络的预测结果(即第一预测匹配结果、第二预测匹配结果)、第二神经网络的预测结果(即第三预测匹配结果、第四预测匹配结果)以及第二损失函数，确定第一神经网络的第二损失值；然后基于第一损失值、第二损失值以及平衡参数确定第一神经网络的总损失值，基于总损失值即可对第一神经网络的网络参数进行调整。

其中，第一损失值可以表示为：

第二损失值可以表示为：

总损失值可以表示为：

其中，

在一些可行的实施方式中，假设第一预测匹配结果表示为

其中，f

在一些可行的实施方式中，计算机设备获取第一对象与第二视频之间的第一预测匹配结果、第二对象与第二视频之间的第二预测匹配结果的具体实现方式，可以参考上述实施例步骤202中关于“获取第一视频与至少一个对象中每个对象之间的匹配结果”的相关描述，此处不再赘述。

在一些可行的实施方式中，计算机设备基于第二神经网络包括的业务知识数据获取第一对象与第二视频之间的第三预测匹配结果、第二对象与第二视频之间的第四预测匹配结果的具体实现方式可以包括：

计算机设备利用第二神经网络以及业务知识数据分别计算第一对象、第二对象与第二视频之间的预测结果，在计算预测结果时由于第二神经网络与第一神经网络共享网络参数，可以直接在第一神经网络的预测结果(即第一预测匹配结果、第二预测匹配结果)的基础之上进行匹配结果的预测。

具体实现中，计算机设备基于第二神经网络包括的业务知识数据对第一预测匹配结果进行校准处理，得到第一对象与第二视频之间的第三预测匹配结果；基于第二神经网络包括的业务知识数据对第二预测匹配结果进行校准处理，得到第二对象与第二视频之间的第四预测匹配结果。

在一些可行的实施方式中，计算机设备基于第二神经网络包括的业务知识数据对第一预测匹配结果进行校准处理，得到第一对象与第二视频之间的第三预测匹配结果的具体实现方式可以包括：

计算机设备基于第一对象的属性特征集以及第二视频的属性特征集，获取第一对象与第二视频对应的各个属性数据元组；基于第二神经网络包括的业务知识数据以及各个属性数据元组，确定第一校准参数；基于第一校准参数以及第一预测匹配结果确定第一对象与所述第二视频之间的第三预测匹配结果。

在一些可行的实施方式中，业务知识数据具体可以包括第一业务规则集和第二业务规则集，上述第一校准参数的具体获取过程可以包括：

针对第一对象与第二视频对应的各个属性数据元组中的任一属性数据元组，若任一属性数据元组与第一业务规则集匹配，则计算机设备确定该任一属性数据元组对应的校准分量为第一分量；

若任一属性数据元组与第二业务规则集匹配，则计算机设备确定该任一属性数据元组对应的校准分量为第二分量；

若任一属性数据元组与第一业务规则集以及第二业务规则集均不匹配，则计算机设备确定该任一属性数据元组对应的校准分量为第三分量；

基于各个属性数据元组对应的校准分量，确定第一校准参数；

其中，第一校准参数即为上述公式中的

其中，假设业务知识数据包括第一业务规则集R

则，上述第一分量可以为1，第二分量可以为-1，第三分量可以为0，从而可以奖励符合正向规则的预测，同时惩罚符合负向规则的预测。

可以理解的是，对于第二对象与第二视频之间的第四预测匹配结果的确定方式可以如下：

计算机设备基于第二对象的属性特征集以及第二视频的属性特征集，获取第二对象与第二视频对应的各个属性数据元组；基于第二神经网络包括的业务知识数据以及各个属性数据元组，确定第二校准参数；基于第二校准参数以及第二预测匹配结果确定第二对象与第二视频之间的第四预测匹配结果。

同理，第二校准参数的确定过程具体可以包括：

针对第二对象与第二视频对应的各个属性数据元组中的任一属性数据元组，若任一属性数据元组与第一业务规则集匹配，则计算机设备确定该任一属性数据元组对应的校准分量为第一分量；

若任一属性数据元组与第二业务规则集匹配，则计算机设备确定该任一属性数据元组对应的校准分量为第二分量；

若任一属性数据元组与第一业务规则集以及第二业务规则集均不匹配，则计算机设备确定该任一属性数据元组对应的校准分量为第三分量；

基于各个属性数据元组对应的校准分量，确定第二校准参数。

303、获取第一视频的视频特征数据以及至少一个对象的对象特征数据。

304、调用所述视频匹配模型以及参考特征数据对所述第一视频的视频特征数据以及所述至少一个对象的对象特征数据进行处理，得到所述第一视频与所述至少一个对象中每个对象之间的匹配结果；其中，所述参考特征数据是基于多个第二视频的视频特征数据确定的。

305、根据所述匹配结果从所述至少一个对象中确定目标对象，并向所述目标对象对应的终端设备发送所述第一视频。

其中，步骤303～305的具体实现可以参见上述实施例中步骤201～203的相关描述，此处不再赘述。

在一些可行的实施方式中，视频点击记录包括至少一个点击数据元组，每个点击数据元组包括一个对象和一个视频，业务知识数据的构建过程可以如下：

假设点击数据元组包括的对象记为第三对象，包括的视频记为第三视频，则针对每个点击数据元组包括的第三对象和第三视频，从第三对象的对象特征数据中获取第三对象的属性特征集，以及从第三视频的视频特征数据中获取第三视频的属性特征集；根据第三对象的属性特征集以及第三视频的属性特征集，确定至少一个属性数据元组；获取每个属性数据元组对应的频次，并根据每个属性数据元组对应的频次从至少一个属性数据元组中确定业务知识数据，例如可以将频次排在前面K个的属性数据元组以及频次排在最后K个的属性数据元组作为业务知识数据。通常，短视频和用户的相关性可以部分地从两者的属性特征中挖掘出来，例如年龄属性为“15-25岁”的性别属性为“男”的用户大多会点击类别属性为“篮球”或“游戏”的短视频。通过统计属性二元组

其中，频次排在前面K个的属性数据元组可以称为上述的频繁项集。

其中，视频点击记录可以是去重后的点击记录，例如对象1对视频1进行3次点击，对应的点击数据元组可以包括3个，即{视频1，对象1}、{视频1，对象1}、{视频1，对象1}，为了减少数据量，提高视频推荐效率，可以对点击数据元组进行去重处理，即可以只将1个{视频1，对象1}点击数据元组添加到视频点击记录中。

在一些可行的实施方式中，为了提高业务知识数据的准确度，视频点击记录还可以包括每个点击数据元组的点击次数，也即是视频点击记录对于重复的点击数据元组只有一条记录，但可以记录其实际的数量，记录形式为{视频i，对象y，点击次数x}，例如对于上述的对象1、视频1，视频点击记录包括的点击数据元组的记录形式可以为{视频1，对象1，3}，从而在获取每个属性数据元组对应的频次时，可以乘以实际的点击次数。假设视频点击记录包括的是{视频1，对象1，3}、{视频2，对象2，1}，视频1与对象1之间存在属性数据元组{a1，a2}，视频1与对象1之间也存在属性数据元组{a1，a2}，则属性数据元组{a1，a2}对应的频次为1*3+1*1＝4次。

本申请实施例中，计算机设备基于视频点击记录生成业务知识数据，业务知识数据可以反映出视频的属性和用户的属性之间的相关性，基于第一神经网络以及业务知识数据构建第二神经网络，其中，第一神经网络作为学生网络，第二神经网络作为教师网络，教师网络即为嵌入业务知识数据后的学生网络，第一神经网络与第二神经网络共享网络参数，通过蒸馏学习的框架进行模型训练，可以将第二神经网络的知识融入到第一神经网络当中，为冷启动视频的推荐引入额外信息；同时，计算机设备利用点击数据较为丰富的视频的视频特征数据生成一般化的标识特征，由于一般化的标识特征的分布与点击数据较为丰富的视频的标识特征的分布是一致的，视频匹配模型不会因为维护两种不同分布的输入而削弱准确率，提高了视频匹配的准确度，从而提升视频推荐效果。

在一些可行的实施方式中，如图4a所示，是本申请实施例提供的一种模型训练框架的结构示意图。

其中，该模型训练框架包括第一神经网络401、第二神经网络402，第一神经网络401作为学生网络，第二神经网络402是在第一神经网络401的基础上嵌入业务知识(即上述的业务知识数据)构建的，第二神经网络402作为教师网络。

基于该模型训练框架的具体训练流程可以包括：

(1)第一神经网络401对训练样本(视频，用户1，用户2)中视频的视频特征数据、用户1的对象特征数据、用户2的对象特征数据进行处理，得到学生网络的预测结果，学生网络的预测结果包括用户1与视频之间的第一预测结果、用户2与视频之间的第二预测结果；

(2)第二神经网络402利用业务知识，在第一神经网络401的预测结果基础之上，得到教师网络的预测结果，教师网络的预测结果包括用户1与视频之间的第三预测结果、用户2与视频之间的第四预测结果；

(3)利用学生网络的预测结果计算第一损失，利用教师网络的预测结果计算第二损失，再利用第一损失、第二损失计算学生网络的总损失，然后利用总损失即可对学生网络的网络参数进行调整，当满足收敛条件时，网络参数调整后的学生网络即可作为上述的视频匹配模型403，该视频匹配模型403可以用于预测冷启动视频与用户之间的点击概率，从而实现冷启动视频的准确推荐。

在一些可行的实施方式中，如图4b所示，是本申请实施例提供的一种模型应用的原理示意图。

以冷启动短视频的推荐为例，视频匹配模型403可以对输入的冷启动短视频的属性进行嵌入处理，得到冷启动短视频的视频特征数据中的属性特征集，以及对输入的各个对象(如用户)的标识、属性进行嵌入处理，得到对象的对象特征数据，由于冷启动短视频缺乏标识特征，可以将全局平均池化得到的参考特征数据作为冷启动短视频的视频特征数据中的标识特征，例如可以对多个一般视频的标识特征进行全局平均池化处理，得到参考特征数据；然后视频匹配模型403对冷启动短视频的视频特征数据以及各个对象的对象特征数据进行匹配处理，例如计算相似度，得到冷启动短视频与各个对象之间的匹配结果，例如预测点击概率，基于匹配结果可以确定与冷启动短视频匹配的目标对象，进而向目标对象推荐该冷启动短视频，从而既可以为冷启动短视频补充标识特征，完善冷启动短视频的视频特征数据，又可以保证冷启动短视频补充的标识特征的分布与一般视频的标识特征的分布是一致的，使得视频匹配模型只需要维护相同分布的输入而提高准确率，从而提高视频匹配的准确度。

可以理解的是，在本申请的具体实施方式中，涉及到对象的属性等数据，当本申请以上实施例运用到具体产品或技术中时，需要获得对象的许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

请参见图5，是本申请实施例的一种视频数据处理装置的结构示意图，本申请实施例的所述视频数据处理装置包括：

获取模块501，用于获取第一视频的视频特征数据以及至少一个对象的对象特征数据。

处理模块502，用于调用视频匹配模型以及参考特征数据对所述第一视频的视频特征数据以及所述至少一个对象的对象特征数据进行处理，得到所述第一视频与所述至少一个对象中每个对象之间的匹配结果；其中，所述视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，所述参考特征数据是基于多个第二视频的视频特征数据确定的。

所述处理模块502，还用于根据所述匹配结果从所述至少一个对象中确定目标对象。

发送模块503，用于向所述目标对象对应的终端设备发送所述第一视频。

可选的，所述视频特征数据包括标识特征以及属性特征集，所述处理模块502，具体用于：

将参考特征数据作为所述第一视频的视频特征数据中的标识特征，所述参考特征数据是基于所述多个第二视频的视频特征数据包括的标识特征确定的。

调用所述视频匹配模型对所述第一视频的视频特征数据以及所述至少一个对象的对象特征数据进行处理，得到所述第一视频与所述至少一个对象中每个对象之间的匹配结果。

可选的，所述获取模块501，还用于获取视频集合中存在点击记录的多个第二视频；从每个第二视频的视频特征数据中获取所述每个第二视频的标识特征；

所述处理模块502，还用于对所述多个第二视频的标识特征进行全局平均池化处理，得到所述参考特征数据。

可选的，所述获取模块501，还用于获取训练样本，所述训练样本包括所述第二视频、所述第二视频对应的对象子集中的第一对象以及对象集合中除所述对象子集之外的第二对象。

所述处理模块502，还用于基于所述训练样本以及第二神经网络对第一神经网络进行训练，得到视频匹配模型。

其中，所述第二神经网络是基于所述第一神经网络以及业务知识数据构建的，所述业务知识数据是基于视频点击记录生成的。

可选的，所述获取模块501，具体用于：

获取视频点击记录。

基于所述视频点击记录从视频集合中获取存在点击记录的至少一个第二视频。

基于所述视频点击记录从所述对象集合中获取每个第二视频对应的对象子集。

基于所述对象集合以及所述每个第二视频对应的对象子集确定训练样本。

可选的，所述获取模块501，还用于从所述训练样本包括的至少一个第二视频中确定预设数量的第二视频。

所述处理模块502，还用于将所述预设数量的第二视频的视频特征数据中的标识特征替换为所述参考特征数据。

可选的，所述视频点击记录包括至少一个点击数据元组，每个点击数据元组包括对象和视频，所述获取模块501，还用于针对所述每个点击数据元组包括的第三对象和第三视频，从所述第三对象的对象特征数据中获取所述第三对象的属性特征集，以及从所述第三视频的视频特征数据中获取所述第三视频的属性特征集。

所述处理模块502，还用于根据所述第三对象的属性特征集以及所述第三视频的属性特征集，确定至少一个属性数据元组。

所述处理模块502，还用于获取每个属性数据元组对应的频次，并根据所述每个属性数据元组对应的频次从所述至少一个属性数据元组中确定业务知识数据。

可选的，所述处理模块502，具体用于：

调用第一神经网络获取所述第一对象与所述第二视频之间的第一预测匹配结果、所述第二对象与所述第二视频之间的第二预测匹配结果。

基于第二神经网络包括的业务知识数据获取所述第一对象与所述第二视频之间的第三预测匹配结果、所述第二对象与所述第二视频之间的第四预测匹配结果。

基于所述第一预测匹配结果、所述第二预测匹配结果、所述第三预测匹配结果、所述第四预测匹配结果以及目标损失函数，对所述第一神经网络的网络参数进行调整，并将网络参数调整后的第一神经网络作为视频匹配模型。

可选的，所述处理模块502，具体用于：

基于第二神经网络包括的业务知识数据对所述第一预测匹配结果进行校准处理，得到所述第一对象与所述第二视频之间的第三预测匹配结果。

基于所述第二神经网络包括的所述业务知识数据对所述第二预测匹配结果进行校准处理，得到所述第二对象与所述第二视频之间的第四预测匹配结果。

可选的，所述处理模块502，具体用于：

基于所述第一对象的属性特征集以及所述第二视频的属性特征集，获取第一对象与所述第二视频对应的各个属性数据元组。

基于第二神经网络包括的业务知识数据以及所述各个属性数据元组，确定第一校准参数。

基于所述第一校准参数以及所述第一预测匹配结果确定所述第一对象与所述第二视频之间的第三预测匹配结果。

可选的，所述业务知识数据包括第一业务规则集和第二业务规则集，所述处理模块502，具体用于：

针对所述第一对象与所述第二视频对应的各个属性数据元组中的任一属性数据元组，若所述任一属性数据元组与所述第一业务规则集匹配，则确定所述任一属性数据元组对应的校准分量为第一分量。

若所述任一属性数据元组与所述第二业务规则集匹配，则确定所述任一属性数据元组对应的校准分量为第二分量。

若所述任一属性数据元组与所述第一业务规则集以及所述第二业务规则集均不匹配，则确定所述任一属性数据元组对应的校准分量为第三分量。

基于所述各个属性数据元组对应的校准分量，确定第一校准参数。

可选的，所述目标损失函数包括第一损失函数以及第二损失函数，所述处理模块502，具体用于：

基于所述第一预测匹配结果、所述第二预测匹配结果以及所述第一损失函数，确定所述第一神经网络的第一损失值。

基于所述第一预测匹配结果、所述第二预测匹配结果、所述第三预测匹配结果、所述第四预测匹配结果以及所述第二损失函数，确定所述第一神经网络的第二损失值。

基于所述第一损失值、所述第二损失值以及平衡参数确定所述第一神经网络的总损失值，并基于所述总损失值对所述第一神经网络的网络参数进行调整。

需要说明的是，本申请实施例的视频数据处理装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

请参见图6，是本申请实施例的一种计算机设备的结构示意图，本申请实施例的所述计算机设备包括供电模块等结构，并包括处理器601、存储装置602以及网络接口603。所述处理器601、存储装置602以及网络接口603之间可以交互数据。

所述存储装置602可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储装置602也可以包括非易失性存储器(non-volatilememory)，例如快闪存储器(flash memory)，固态硬盘(solid-state drive，SSD)等；所述存储装置602还可以包括上述种类的存储器的组合。

所述处理器601可以是中央处理器601(central processing unit，CPU)。在一个实施例中，所述处理器601还可以是图形处理器601(Graphics Processing Unit，GPU)。所述处理器601也可以是由CPU和GPU的组合。在一个实施例中，所述存储装置602用于存储程序指令。所述处理器601可以调用所述程序指令，执行如下操作：

获取第一视频的视频特征数据以及至少一个对象的对象特征数据。

调用视频匹配模型以及参考特征数据对所述第一视频的视频特征数据以及所述至少一个对象的对象特征数据进行处理，得到所述第一视频与所述至少一个对象中每个对象之间的匹配结果；其中，所述视频匹配模型是基于训练样本以及第二神经网络对第一神经网络进行训练得到的，所述参考特征数据是基于多个第二视频的视频特征数据确定的。

根据所述匹配结果从所述至少一个对象中确定目标对象。

调用网络接口603向所述目标对象对应的终端设备发送所述第一视频。

可选的，所述视频特征数据包括标识特征以及属性特征集，所述处理器601，具体用于：

将参考特征数据作为所述第一视频的视频特征数据中的标识特征，所述参考特征数据是基于所述多个第二视频的视频特征数据包括的标识特征确定的。

调用所述视频匹配模型对所述第一视频的视频特征数据以及所述至少一个对象的对象特征数据进行处理，得到所述第一视频与所述至少一个对象中每个对象之间的匹配结果。

可选的，所述处理器601，还用于：

获取视频集合中存在点击记录的多个第二视频。

从每个第二视频的视频特征数据中获取所述每个第二视频的标识特征。

对所述多个第二视频的标识特征进行全局平均池化处理，得到所述参考特征数据。

可选的，所述处理器601，还用于：

获取训练样本，所述训练样本包括所述第二视频、所述第二视频对应的对象子集中的第一对象以及对象集合中除所述对象子集之外的第二对象。

基于所述训练样本以及第二神经网络对第一神经网络进行训练，得到视频匹配模型。

其中，所述第二神经网络是基于所述第一神经网络以及业务知识数据构建的，所述业务知识数据是基于视频点击记录生成的。

可选的，所述处理器601，具体用于：

获取视频点击记录。

基于所述视频点击记录从视频集合中获取存在点击记录的至少一个第二视频。

基于所述视频点击记录从所述对象集合中获取每个第二视频对应的对象子集。

基于所述对象集合以及所述每个第二视频对应的对象子集确定训练样本。

可选的，所述处理器601，还用于：

从所述训练样本包括的至少一个第二视频中确定预设数量的第二视频。

将所述预设数量的第二视频的视频特征数据中的标识特征替换为所述参考特征数据。

可选的，所述视频点击记录包括至少一个点击数据元组，每个点击数据元组包括对象和视频，所述处理器601，还用于：

针对所述每个点击数据元组包括的第三对象和第三视频，从所述第三对象的对象特征数据中获取所述第三对象的属性特征集，以及从所述第三视频的视频特征数据中获取所述第三视频的属性特征集。

根据所述第三对象的属性特征集以及所述第三视频的属性特征集，确定至少一个属性数据元组。

获取每个属性数据元组对应的频次，并根据所述每个属性数据元组对应的频次从所述至少一个属性数据元组中确定业务知识数据。

可选的，所述处理器601，具体用于：

调用第一神经网络获取所述第一对象与所述第二视频之间的第一预测匹配结果、所述第二对象与所述第二视频之间的第二预测匹配结果。

基于第二神经网络包括的业务知识数据获取所述第一对象与所述第二视频之间的第三预测匹配结果、所述第二对象与所述第二视频之间的第四预测匹配结果。

基于所述第一预测匹配结果、所述第二预测匹配结果、所述第三预测匹配结果、所述第四预测匹配结果以及目标损失函数，对所述第一神经网络的网络参数进行调整，并将网络参数调整后的第一神经网络作为视频匹配模型。

可选的，所述处理器601，具体用于：

基于第二神经网络包括的业务知识数据对所述第一预测匹配结果进行校准处理，得到所述第一对象与所述第二视频之间的第三预测匹配结果。

基于所述第二神经网络包括的所述业务知识数据对所述第二预测匹配结果进行校准处理，得到所述第二对象与所述第二视频之间的第四预测匹配结果。

可选的，所述处理器601，具体用于：

基于所述第一对象的属性特征集以及所述第二视频的属性特征集，获取第一对象与所述第二视频对应的各个属性数据元组。

基于第二神经网络包括的业务知识数据以及所述各个属性数据元组，确定第一校准参数。

基于所述第一校准参数以及所述第一预测匹配结果确定所述第一对象与所述第二视频之间的第三预测匹配结果。

可选的，所述业务知识数据包括第一业务规则集和第二业务规则集，所述处理器601，具体用于：

针对所述第一对象与所述第二视频对应的各个属性数据元组中的任一属性数据元组，若所述任一属性数据元组与所述第一业务规则集匹配，则确定所述任一属性数据元组对应的校准分量为第一分量。

若所述任一属性数据元组与所述第二业务规则集匹配，则确定所述任一属性数据元组对应的校准分量为第二分量。

若所述任一属性数据元组与所述第一业务规则集以及所述第二业务规则集均不匹配，则确定所述任一属性数据元组对应的校准分量为第三分量。

基于所述各个属性数据元组对应的校准分量，确定第一校准参数。

可选的，所述目标损失函数包括第一损失函数以及第二损失函数，所述处理器601，具体用于：

基于所述第一预测匹配结果、所述第二预测匹配结果以及所述第一损失函数，确定所述第一神经网络的第一损失值。

基于所述第一预测匹配结果、所述第二预测匹配结果、所述第三预测匹配结果、所述第四预测匹配结果以及所述第二损失函数，确定所述第一神经网络的第二损失值。

基于所述第一损失值、所述第二损失值以及平衡参数确定所述第一神经网络的总损失值，并基于所述总损失值对所述第一神经网络的网络参数进行调整。

具体实现中，本申请实施例中所描述的处理器601、存储装置602以及网络接口603可执行本申请实施例图2、3提供的一种视频数据处理方法的相关实施例中所描述的实现方式，也可执行本申请实施例图5提供的一种视频数据处理装置的相关实施例中所描述的实现方式，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以为计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本申请各个实施例上述方法的全部或部分步骤。其中，而前述的存储介质可包括：U盘、移动硬盘、磁碟、光盘、只读存储器(英文：Read-Only Memory，缩写：ROM)或者随机存取存储器(英文：Random Access Memory，缩写：RAM)等各种可以存储程序代码的介质。

以上所述，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，应当理解：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。