基于无代码的智能组件推荐方法及装置

技术领域

本发明属于软件开发技术领域，具体涉及一种基于无代码的智能组件推荐方法及装置。

背景技术

目前，在政府领域，例如政务服务数字化转型过程中，政府部门需要搭建大量线上服务系统，以满足公众和企业的办事需求。然而，传统的软件开发方法往往耗时较长，且质量参差不齐，无法对政府部门工作人员推荐合适的智能组件。

现有技术中，推荐算法主要依赖于用户历史行为数据，例如用户浏览记录、搜索记录等，但这些数据不足以准确反映用户的兴趣点和需求特征，从而导致推荐效果不理想。现有技术中采用基于内容的推荐方法，通过分析组件本身的属性来推荐相似组件。然而，这种方法会忽略用户的实际需求，导致推荐的组件与用户的兴趣点和需求特征不匹配。现有技术在处理用户之间的相似性关系时，存在计算复杂度高、准确性低的问题，从而影响推荐效果。

发明内容

为此，本发明提供一种基于无代码的智能组件推荐方法及装置，通过分析用户在无代码平台上的访问轨迹数据，为用户推荐与其兴趣点和需求特征相似的其他用户的相关业务和历史案例数据，从而提高搭建质量和效率。

为了实现上述目的，本发明提供如下技术方案：基于无代码的智能组件推荐方法，包括：

获取目标用户在无代码平台上的访问轨迹数据，所述访问轨迹数据包括目标用户访问的页面、功能组件和操作行为；

对所述访问轨迹数据进行预处理得到目标用户的兴趣点和需求特征，所述需求特征包括用户访问频率达到预设值的功能组件和目标用户在页面上的操作行为；

根据预处理后的所述访问轨迹数据构建用户兴趣点和需求特征向量，利用兴趣点和需求特征向量，计算目标用户和指定用户之间的相似性关系，找到和目标用户具有相似兴趣点和需求特征的相似用户；

获取相似用户在无代码平台上的历史使用业务和历史案例数据；根据筛选出的相似用户的历史使用业务和历史案例数据，对目标用户进行智能组件推荐。

作为基于无代码的智能组件推荐方法的优选方案，对所述访问轨迹数据进行预处理的方式包括数据清洗、数据整合、特征提取、数据降维、去噪和数据压缩中的至少一种。

作为基于无代码的智能组件推荐方法的优选方案，将所述访问轨迹数据中的目标用户访问的页面、功能组件和操作行为转化为向量形式：

对于目标用户访问的页面，将每个页面表示为页面访问向量，页面访问向量的每个元素表示页面的指定特征；

对于目标用户访问的功能组件，将每个功能组件表示为功能组件访问向量，功能组件访问向量的每个元素表示功能组件的指定特征；

对于目标用户访问的操作行为，将每个操作行为表示为操作行为向量，操作行为向量的每个元素表示操作行为的指定特征；

将页面访问向量、功能组件访问向量、操作行为向量组合成一个表示所述访问轨迹数据的轨迹向量。

作为基于无代码的智能组件推荐方法的优选方案，构建用户兴趣点和需求特征向量的过程中，采用评分函数为兴趣点和需求特征分配权重，构建的用户兴趣点和需求特征向量形式为：

Z＝w

式中，w1、w2、w3分别表示功能组件访问、操作行为、页面访问特征的权重；M

采用余弦相似度计算目标用户和指定用户之间的相似性关系，相似性度量表示为：

Similarity(A，B)＝(向量A·向量B)/(||向量A||*||向量B||)

式中，向量A表示用户A的兴趣点和需求特征向量，向量B表示用户B的兴趣点和需求特征向量，“·”表示向量的点积，||向量A||和||向量B||分别表示向量A和向量B的模长。

作为基于无代码的智能组件推荐方法的优选方案，对目标用户进行智能组件推荐过程，使用深度学习和自然语言处理的长短期记忆网络提取用户兴趣点和需求特征：

令W为LSTM模型学到的权重，计算用户i对功能组件j的兴趣度score(i,j)：

score(i,j)＝exp(W

式中，W

使用基于内容的推荐方法进行推荐组件筛选：

计算目标用户u和指定用户v之间的相似度sim(u,v)，对于与目标用户最相似的k`个用户，计算k`个用户使用过的功能组件的Jaccard相似系数J(u,v)：

J(u,v)＝|Au∩Av|/|Au∪Av|

式中，Au是目标用户u使用过的功能组件；Av是指定用户v使用过的功能组件；∩和∪分别表示交集和并集。

本发明还提供一种基于无代码的智能组件推荐装置，包括：

访问轨迹获取模块，用于获取目标用户在无代码平台上的访问轨迹数据，所述访问轨迹数据包括目标用户访问的页面、功能组件和操作行为；

访问轨迹预处理模块，用于对所述访问轨迹数据进行预处理得到目标用户的兴趣点和需求特征，所述需求特征包括用户访问频率达到预设值的功能组件和目标用户在页面上的操作行为；

特征向量构建模块，用于根据预处理后的所述访问轨迹数据构建用户兴趣点和需求特征向量；

相似用户查找模块，用于利用兴趣点和需求特征向量，计算目标用户和指定用户之间的相似性关系，找到和目标用户具有相似兴趣点和需求特征的相似用户；

智能组件推荐模块，用于获取相似用户在无代码平台上的历史使用业务和历史案例数据；根据筛选出的相似用户的历史使用业务和历史案例数据，对目标用户进行智能组件推荐。

作为基于无代码的智能组件推荐装置优选方案，所述访问轨迹预处理模块中，对所述访问轨迹数据进行预处理的方式包括数据清洗、数据整合、特征提取、数据降维、去噪和数据压缩中的至少一种。

作为基于无代码的智能组件推荐装置优选方案，所述特征向量构建模块中：

对于目标用户访问的页面，将每个页面表示为页面访问向量，页面访问向量的每个元素表示页面的指定特征；

对于目标用户访问的功能组件，将每个功能组件表示为功能组件访问向量，功能组件访问向量的每个元素表示功能组件的指定特征；

对于目标用户访问的操作行为，将每个操作行为表示为操作行为向量，操作行为向量的每个元素表示操作行为的指定特征；

将页面访问向量、功能组件访问向量、操作行为向量组合成一个表示所述访问轨迹数据的轨迹向量。

作为基于无代码的智能组件推荐装置优选方案，所述特征向量构建模块中，采用评分函数为兴趣点和需求特征分配权重，构建的用户兴趣点和需求特征向量形式为：

Z＝w

式中，w1、w2、w3分别表示功能组件访问、操作行为、页面访问特征的权重；M

所述相似用户查找模块中，采用余弦相似度计算目标用户和指定用户之间的相似性关系，相似性度量表示为：

Similarity(A，B)＝(向量A·向量B)/(||向量A||*||向量B||)

式中，向量A表示用户A的兴趣点和需求特征向量，向量B表示用户B的兴趣点和需求特征向量，“·”表示向量的点积，||向量A||和||向量B||分别表示向量A和向量B的模长。

作为基于无代码的智能组件推荐装置优选方案，所述智能组件推荐模块中，使用深度学习和自然语言处理的长短期记忆网络提取用户兴趣点和需求特征：

令W为LSTM模型学到的权重，计算用户i对功能组件j的兴趣度score(i,j)：

score(i,j)＝exp(W

式中，W

所述智能组件推荐模块中，使用基于内容的推荐方法进行推荐组件筛选：

计算目标用户u和指定用户v之间的相似度sim(u,v)，对于与目标用户最相似的k`个用户，计算k`个用户使用过的功能组件的Jaccard相似系数J(u,v)：

J(u,v)＝|Au∩Av|/|Au∪Av|

式中，Au是目标用户u使用过的功能组件；Av是指定用户v使用过的功能组件；∩和∪分别表示交集和并集。

本发明的有益效果如下，获取目标用户在无代码平台上的访问轨迹数据，所述访问轨迹数据包括目标用户访问的页面、功能组件和操作行为；对所述访问轨迹数据进行预处理得到目标用户的兴趣点和需求特征，所述需求特征包括用户访问频率达到预设值的功能组件和目标用户在页面上的操作行为；根据预处理后的所述访问轨迹数据构建用户兴趣点和需求特征向量，利用兴趣点和需求特征向量，计算目标用户和指定用户之间的相似性关系，找到和目标用户具有相似兴趣点和需求特征的相似用户；获取相似用户在无代码平台上的历史使用业务和历史案例数据；根据筛选出的相似用户的历史使用业务和历史案例数据，对目标用户进行智能组件推荐。本发明能够提高无代码软件搭建的质量和效率：通过对用户在无代码平台上的访问轨迹数据进行分析，提取用户的兴趣点和需求特征，然后根据这些特征为用户推荐智能组件，用户可以根据推荐结果选择合适的智能组件进行无代码软件搭建，从而提高搭建质量和效率；能够根据用户的兴趣点和需求特征，计算用户与其他用户之间的相似性关系，然后根据这种相似性关系，筛选出与目标用户具有相似兴趣点和需求特征的其他用户，并获取这些用户在无代码平台上使用过的相关业务和历史案例数据，从而为目标用户提供个性化的智能组件推荐；用户可以根据推荐结果，选择合适的智能组件进行无代码软件搭建，这种方式可以避免用户在大量的智能组件中进行选择，节省用户的时间，提高用户的体验。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引申获得其他的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

图1为本发明实施例提供的基于无代码的智能组件推荐方法流程示意图；

图2为本发明实施例提供的基于无代码的智能组件推荐方法技术路线示意图；

图3为本发明实施例提供的基于无代码的智能组件推荐系统架构示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例1

参见图1和图2，本发明实施例1提供一种基于无代码的智能组件推荐方法，包括以下步骤：

S1、获取目标用户在无代码平台上的访问轨迹数据，所述访问轨迹数据包括目标用户访问的页面、功能组件和操作行为；

S2、对所述访问轨迹数据进行预处理得到目标用户的兴趣点和需求特征，所述需求特征包括用户访问频率达到预设值的功能组件和目标用户在页面上的操作行为；

S3、根据预处理后的所述访问轨迹数据构建用户兴趣点和需求特征向量，利用兴趣点和需求特征向量，计算目标用户和指定用户之间的相似性关系，找到和目标用户具有相似兴趣点和需求特征的相似用户；

S4、获取相似用户在无代码平台上的历史使用业务和历史案例数据；根据筛选出的相似用户的历史使用业务和历史案例数据，对目标用户进行智能组件推荐。

本实施例中，在步骤S1，收集用户在无代码平台上的访问轨迹数据，用户访问轨迹数据收集通过无代码平台的API接口，获取用户在平台上的访问轨迹数据，包括用户访问的页面、功能组件、操作行为等，这些数据为后续推荐算法提供基础。

本实施例中，在步骤S2，对收集的访问轨迹数据进行预处理，提取目标用户的兴趣点和需求特征。兴趣点和需求特征包括目用户访问频率较高的功能组件、用户在页面上的操作行为等。预处理过程有助于更好地理解用户需求，从而提高推荐的准确性。

具体的，对收集的访问轨迹数据进行预处理步骤包括：

数据清洗：检查和修复访问轨迹数据中的错误、缺失值和异常值。

数据整合：将来自不同数据源的数据集成在一起，形成一个统一的数据集。

特征提取：从原始数据中提取有意义的特征，以便后续处理和分析。在本发明中，特征包括用户访问频率较高的功能组件、用户在页面上的操作行为等。

数据降维：将高维数据降至低维，以便后续计算和处理。降维方法可以采用主成分分析(PCA)、奇异值分解(SVD)等算法。

去噪：对数据进行去噪处理，以消除无关信息和噪声。去噪方法可以采用线性判别分析(LDA)等算法。

数据压缩：对数据进行压缩，以减少存储空间和计算复杂度。数据压缩方法可以采用稀疏编码、特征选择等技术。

本实施例中，在步骤S3，基于预处理后的数据，构建用户兴趣点和需求特征向量，以便后续进行相似性计算。利用用户兴趣点和需求特征向量，计算用户与其他用户之间的相似性关系。找到与目标用户具有相似兴趣点和需求特征的其他用户。

其中，将所述访问轨迹数据中的目标用户访问的页面、功能组件和操作行为转化为向量形式：

对于目标用户访问的页面，将每个页面表示为页面访问向量，页面访问向量的每个元素表示页面的指定特征；例如，如果一个页面包含n个功能组件，将这个页面表示为一个n维向量，其中第i个元素表示该页面的第i个功能组件。用一个二维矩阵来表示所有页面，其中矩阵的行表示页面，列表示页面中的功能组件。

对于目标用户访问的功能组件，将每个功能组件表示为功能组件访问向量，功能组件访问向量的每个元素表示功能组件的指定特征；例如，如果一个功能组件包含m个操作行为，将这个功能组件表示为一个m维向量，其中第i个元素表示该功能组件的第i个操作行为。用一个三维矩阵来表示所有功能组件，其中矩阵的行表示功能组件，列表示功能组件中的操作行为。

对于目标用户访问的操作行为，将每个操作行为表示为操作行为向量，操作行为向量的每个元素表示操作行为的指定特征；例如，如果一个操作行为包含p个属性，将这个操作行为表示为一个p维向量，其中第i个元素表示该操作行为的第i个属性。用一个四维矩阵来表示所有操作行为，其中矩阵的行表示操作行为，列表示操作行为的属性。

将页面访问向量、功能组件访问向量、操作行为向量组合成一个表示所述访问轨迹数据的轨迹向量。例如，如果一个用户访问了n个页面，每个页面包含m个功能组件，每个功能组件包含p个操作行为，那么将这个用户的访问轨迹表示为一个(nmp)维向量。

本实施例中，在步骤S3，构建用户兴趣点和需求特征向量的过程中，采用评分函数为兴趣点和需求特征分配权重，构建的用户兴趣点和需求特征向量形式为：

Z＝w

式中，w1、w2、w3分别表示功能组件访问、操作行为、页面访问特征的权重；M

其中，在计算目标用户与其他用户之间的相似性关系时，采用余弦相似度计算目标用户和指定用户之间的相似性关系，相似性度量表示为：

Similarity(A，B)＝(向量A·向量B)/(||向量A||*||向量B||)

式中，向量A表示用户A的兴趣点和需求特征向量，向量B表示用户B的兴趣点和需求特征向量，“·”表示向量的点积，||向量A||和||向量B||分别表示向量A和向量B的模长。根据用户的相似性关系，筛选出与目标用户具有相似兴趣点和需求特征的其他用户，并获取这些用户在无代码平台上使用过的相关业务和历史案例数据。然后，针对目标用户，根据筛选出的相关业务和历史案例数据，为用户推荐智能组件，用户可以根据推荐结果，选择合适的智能组件进行无代码软件搭建，从而提高搭建质量和效率。

本实施例中，假设有m个用户和n个功能组件。可以构造两个矩阵：一个表示用户对功能组件的访问频率(访问矩阵A)，A＝[a11,a12,...,a1n,a21,a22,...,a2n,...,am1,am2,...,amn]

其中，在步骤S3，对目标用户进行智能组件推荐过程，使用深度学习和自然语言处理的长短期记忆网络提取用户兴趣点和需求特征：

令W为LSTM模型学到的权重，计算用户i对功能组件j的兴趣度score(i,j)：

score(i,j)＝exp(W

式中，W

使用基于内容的推荐方法进行推荐组件筛选：

计算目标用户u和指定用户v之间的相似度sim(u,v)，对于与目标用户最相似的k`个用户，计算k`个用户使用过的功能组件的Jaccard相似系数J(u,v)：

J(u,v)＝|Au∩Av|/|Au∪Av|

式中，Au是目标用户u使用过的功能组件；Av是指定用户v使用过的功能组件；∩和∪分别表示交集和并集。

其中，根据Jaccard相似系数，选择与目标用户具有相似兴趣点和需求特征的其他用户，并获取这些用户在无代码平台上使用过的相关业务和历史案例数据。通过这些步骤，实现公式化表示，以更好地为目标用户提供与其需求相似的智能组件推荐。

在一种可能的实施例中，兴趣点的获取采用LDA(Latent Dirichlet Allocation)模型，将LDA模型应用于用户行为数据。由于LDA模型在数学上相当复杂，直接给出公式化表示会使问题变得复杂。以下是一个简化的表示方法：

首先将用户行为数据表示为向量，例如，将用户访问的每个页面、功能组件和操作行为表示为一个向量。假设有m个用户和n个功能组件，构造两个矩阵：一个表示用户行为，一个表示功能模块。记作C和D：

C＝[c1,c2,...,cm]

D＝[d1,d2,...,dn]

接下来，找到这些向量的潜在主题分布。LDA模型假设文档(在这里是用户)是由多个潜在主题生成的，而每个主题又是由一组词汇(在这里是功能模块)共同构成的。因此，找到文档-主题分布和主题-词汇分布。设文档-主题分布为α，主题-词汇分布为β，有：

α＝[α1,α2,...,αm]

β＝[β1,β2,...,βn]

通过最大似然估计(Maximum Likelihood Estimation,MLE)，找到使文档-主题分布和主题-词汇分布最符合观察数据的参数。具体而言，最大化以下似然函数：

P(A,B|α,β)＝P(A|α)P(B|β)

通过优化上述似然函数，找到文档-主题分布α和主题-词汇分布β。一旦得到了这些分布，就将每个用户分配给他们最优的主题，从而得到用户的兴趣点。

综上所述，本发明实施例获取目标用户在无代码平台上的访问轨迹数据，所述访问轨迹数据包括目标用户访问的页面、功能组件和操作行为；对所述访问轨迹数据进行预处理得到目标用户的兴趣点和需求特征，所述需求特征包括用户访问频率达到预设值的功能组件和目标用户在页面上的操作行为；根据预处理后的所述访问轨迹数据构建用户兴趣点和需求特征向量，利用兴趣点和需求特征向量，计算目标用户和指定用户之间的相似性关系，找到和目标用户具有相似兴趣点和需求特征的相似用户；获取相似用户在无代码平台上的历史使用业务和历史案例数据；根据筛选出的相似用户的历史使用业务和历史案例数据，对目标用户进行智能组件推荐。本发明能够提高无代码软件搭建的质量和效率：通过对用户在无代码平台上的访问轨迹数据进行分析，提取用户的兴趣点和需求特征，然后根据这些特征为用户推荐智能组件，用户可以根据推荐结果选择合适的智能组件进行无代码软件搭建，从而提高搭建质量和效率；能够根据用户的兴趣点和需求特征，计算用户与其他用户之间的相似性关系，然后根据这种相似性关系，筛选出与目标用户具有相似兴趣点和需求特征的其他用户，并获取这些用户在无代码平台上使用过的相关业务和历史案例数据，从而为目标用户提供个性化的智能组件推荐；用户可以根据推荐结果，选择合适的智能组件进行无代码软件搭建，这种方式可以避免用户在大量的智能组件中进行选择，节省用户的时间，提高用户的体验。

本发明实施例的一个应用场景如下：

在政府领域的应用示例中，例如，政府部门可以使用本发明快速搭建出满足自身业务需求的软件系统，如数据分析系统、公共服务系统等。这种方式不仅可以提高政府部门的工作效率，还可以节省大量的软件开发成本。同时，由于本发明的技术方案能够提供个性化的智能组件推荐，因此，政府部门在使用无代码平台搭建软件系统时，可以根据自身的业务需求，选择最合适的智能组件，从而提高软件系统的质量和效率。采用本发明前，政府部门需要投入大量的时间和资源进行软件开发，而且由于缺乏专业的软件开发技能，无法开发出满足自身业务需求的软件系统。采用本发明后，政府部门可以通过无代码平台，快速搭建出满足自身业务需求的软件系统，大大提高了工作效率，同时也节省了大量的软件开发成本。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

实施例2

参见图3，本发明实施例2提供一种基于无代码的智能组件推荐装置，包括：

访问轨迹获取模块1，用于获取目标用户在无代码平台上的访问轨迹数据，所述访问轨迹数据包括目标用户访问的页面、功能组件和操作行为；

访问轨迹预处理模块2，用于对所述访问轨迹数据进行预处理得到目标用户的兴趣点和需求特征，所述需求特征包括用户访问频率达到预设值的功能组件和目标用户在页面上的操作行为；

特征向量构建模块3，用于根据预处理后的所述访问轨迹数据构建用户兴趣点和需求特征向量；

相似用户查找模块4，用于利用兴趣点和需求特征向量，计算目标用户和指定用户之间的相似性关系，找到和目标用户具有相似兴趣点和需求特征的相似用户；

智能组件推荐模块5，用于获取相似用户在无代码平台上的历史使用业务和历史案例数据；根据筛选出的相似用户的历史使用业务和历史案例数据，对目标用户进行智能组件推荐。

本实施例中，所述访问轨迹预处理模块2中，对所述访问轨迹数据进行预处理的方式包括数据清洗、数据整合、特征提取、数据降维、去噪和数据压缩中的至少一种。

本实施例中，所述特征向量构建模块3中：

对于目标用户访问的页面，将每个页面表示为页面访问向量，页面访问向量的每个元素表示页面的指定特征；

对于目标用户访问的功能组件，将每个功能组件表示为功能组件访问向量，功能组件访问向量的每个元素表示功能组件的指定特征；

对于目标用户访问的操作行为，将每个操作行为表示为操作行为向量，操作行为向量的每个元素表示操作行为的指定特征；

将页面访问向量、功能组件访问向量、操作行为向量组合成一个表示所述访问轨迹数据的轨迹向量。

本实施例中，所述特征向量构建模块3中，采用评分函数为兴趣点和需求特征分配权重，构建的用户兴趣点和需求特征向量形式为：

Z＝w

式中，w1、w2、w3分别表示功能组件访问、操作行为、页面访问特征的权重；M

所述相似用户查找模块4中，采用余弦相似度计算目标用户和指定用户之间的相似性关系，相似性度量表示为：

Similarity(A，B)＝(向量A·向量B)/(||向量A||*||向量B||)

式中，向量A表示用户A的兴趣点和需求特征向量，向量B表示用户B的兴趣点和需求特征向量，“·”表示向量的点积，||向量A||和||向量B||分别表示向量A和向量B的模长。

本实施例中，所述智能组件推荐模块5中，使用深度学习和自然语言处理的长短期记忆网络提取用户兴趣点和需求特征：

令W为LSTM模型学到的权重，计算用户i对功能组件j的兴趣度score(i,j)：

score(i,j)＝exp(W

式中，W

所述智能组件推荐模块5中，使用基于内容的推荐方法进行推荐组件筛选：

计算目标用户u和指定用户v之间的相似度sim(u,v)，对于与目标用户最相似的k`个用户，计算k`个用户使用过的功能组件的Jaccard相似系数J(u,v)：

J(u,v)＝|Au∩Av|/|Au∪Av|

式中，Au是目标用户u使用过的功能组件；Av是指定用户v使用过的功能组件；∩和∪分别表示交集和并集。

需要说明的是，上述装置各模块之间的信息交互、执行过程等内容，由于与本申请实施例1中的方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。

实施例3

本发明实施例3提供一种非暂态计算机可读存储介质，所述计算机可读存储介质中存储有基于无代码的智能组件推荐方法的程序代码，所述程序代码包括用于执行实施例1或其任意可能实现方式的基于无代码的智能组件推荐方法的指令。

计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(SolidState Disk、SSD))等。

实施例4

本发明实施例4提供一种电子设备，包括：存储器和处理器；

所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行实施例1或其任意可能实现方式的基于无代码的智能组件推荐方法。

具体的，处理器可以通过硬件来实现也可以通过软件来实现，当通过硬件实现时，该处理器可以是逻辑电路、集成电路等；当通过软件来实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器可以集成在处理器中，可以位于所述处理器之外，独立存在。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。