内容推荐方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种内容推荐方法及装置。

背景技术

信息流产品以瀑布流的方式分发内容产品，常见的信息流产品如购物类应用，其对应分发的内容产品为商品、新闻类应用，其对应分发的内容产品为新闻信息。

一些场景下，用户在订阅信息流产品后，针对该信息流产品中的一些信息会发起信息请求，针对用户的信息请求，从该信息流产品发布的各个内容中挑选满足该信息请求的内容，通常情况下，采用时间线定值法对选取的满足该信息请求的内容进行排序，再按照该排序由高到底的顺序依次为用户推荐该信息流产品的内容。其中，时间线定值法指的是将用户当次请求信息流产品的时间戳与信息流产品发布的内容的时间戳之间的差值对应的区间内的时间分，与机器学习模型预估的该条内容的与预估分直接相加后，得到单条内容的排序得分，再按照各条内容的排序得分进行排序选取得分较高的内容推荐给用户。但是采用该种方式，由于机器学习模型的预估分是非稳态且实时变化的，将机器学习模型的预估分值与时间分直接相加的分值并不符合稳态分布，进而导致各内容的排序效果不稳定和可靠性较低，为用户推荐的内容也不能满足用户的需求，导致用户的体验感较低。

发明内容

本申请实施例的目的是提供一种内容推荐方法及装置，以解决内容排序效果不稳定和可靠性低的问题。

为了解决上述技术问题，本申请实施例是这样实现的：

第一方面，本申请实施例提供了一种内容推荐方法，包括：响应于针对目标信息流对象发起的内容请求，从所述目标信息流对象发布的多个内容中选取与所述内容请求对应的候选内容；确定与所述候选内容对应的时间分；将所述候选内容输入到机器学习模型中进行处理，得到待推荐的用户对所述候选内容进行目标行为的原始预估分；对所述原始预估分进行转换运算，得到所述用户对所述候选内容进行目标行为的映射分，所述转换运算用于将所述原始预估分转换为稳态分布的映射分；对所述映射分和所述时间分进行加权融合，得到所述候选内容的目标分；根据所述候选内容的目标分向所述用户进行内容推荐。

第二方面，本申请实施例提供了一种内容推荐装置，内容推荐装置包括：选取模块，用于响应于针对目标信息流对象发起的内容请求，从所述目标信息流对象发布的多个内容中选取与所述内容请求对应的候选内容；确定模块，用于确定与所述候选内容对应的时间分；处理模块，用于将所述候选内容输入到机器学习模型中进行处理，得到待推荐的用户对所述候选内容进行目标行为的原始预估分；运算模块，用于对所述原始预估分进行转换运算，得到所述用户对所述候选内容进行目标行为的映射分，所述转换运算用于将所述原始预估分转换为稳态分布的映射分；融合模块，用于对所述映射分和所述时间分进行加权融合，得到所述候选内容的目标分；推荐模块，用于根据所述候选内容的目标分向所述用户进行内容推荐。

第三方面，本申请实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线；其中，处理器、通信接口以及存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现如第一方面的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现如第一方面的方法步骤。

第五方面，本申请实施例提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现如第一方面的方法步骤。

由以上本申请实施例提供的技术方案可见，通过响应于针对目标信息流对象发起的内容请求，从所述目标信息流对象发布的多个内容中选取与所述内容请求对应的候选内容；确定与所述候选内容对应的时间分；将所述候选内容输入到机器学习模型中进行处理，得到待推荐的用户对所述候选内容进行目标行为的原始预估分；对所述原始预估分进行转换运算，得到用户对所述候选内容进行目标行为的映射分，所述转换运算用于将所述原始预估分转换为稳态分布的映射分；对所述映射分和所述时间分进行加权融合，得到所述候选内容的目标分；根据所述候选内容的目标分向所述用户进行内容推荐，能够将机器学习模型的预估分值转换为稳态分布的映射分，再与时间分相加，得到的分值能够较为符合稳态分布，进而提高各候选内容的排序效果的稳定性和可靠性，为用户推荐的内容能满足用户的需求，提高了用户的体验感。

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发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的内容推荐方法的流程示意图；

图2和图3为本申请实施例提供的时间衰减函数的变化曲线图；

图4为本申请实施例提供的内容推荐装置的功能模块示意图；

图5为本申请实施例提供的电子设备的结构示意图。

具体实施方式

本申请实施例的目的是提供一种内容推荐方法及装置，提高了内容排序效果的稳定性和可靠性。

为了使本技术领域的人员更好地理解本发明中的技术方案，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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

如前，用户在订阅信息流产品后，针对该信息流产品中的一些信息会发起信息请求，针对用户的信息请求，从该信息流产品发布的各个内容中挑选满足该信息请求的内容，通常情况下，采用时间线定值法对选取的满足该信息请求的内容进行排序，再按照该排序由高到底的顺序依次为用户推荐该信息流产品的内容。其中，时间线定值法指的是将用户当次请求信息流产品的时间戳与信息流产品发布的内容的时间戳之间的差值对应的区间内的时间分，不同的差值处于同一个区间时，则对应相同的时间分。由于在时间差转换为时间分时为非连续值刻画，同一时间段内不同的时间差对应的时间分数相同，存在时间刻画粒度不足问题，导致排序结果并不稳定和可靠度低。

得到时间分后，与机器学习模型预估的该条内容的与预估分直接相加后，得到单条内容的排序得分，再按照各条内容的排序得分进行排序选取得分较高的内容推荐给用户。但是采用该种方式，由于机器学习模型的预估分是非稳态且实时变化的，将机器学习模型的预估分值与时间分直接相加的分值并不符合稳态分布，进而导致各内容的排序效果不稳定和可靠性较低，为用户推荐的内容也不能满足用户的需求，导致用户的体验感较低。

为了解决以上技术问题，本申请实施例提供了一种内容推荐方法及装置，下面结合附图对本申请实施例提供的一种内容推荐方法及装置进行详细说明。

如图1所示，本申请实施例提供一种内容推荐方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该内容推荐方法具体可以包括以下步骤S101-S111：

在步骤S101中，响应于针对目标信息流对象发起的内容请求，从目标信息流对象发布的多个内容中选取与内容请求对应的候选内容。

具体来讲，目标信息流对象指的是内容请求所针对的信息流产品，其包括但不限于购物类应用，新闻类应用以及订阅账号等。可以由用户针对某信息流产品发起访问其内容的内容请求，在发起内容请求时，该内容请求对应有一个请求时间戳。其中，发起内容请求可以是在信息流产品提供的输入页面中输入关键字而发起查找与该关键字对应的内容的请求，也可以是在信息流产品提供的导航栏中点击选择用户感兴趣的选项而发起请求等。值得注意的是，内容请求也可以是由系统主动发起的，以向用户进行内容推荐。

响应该内容请求，通过召回系统从物料库中获取多条与该内容请求相对应的候选内容，其中，物料库中存储有信息流产品发布的多个内容。例如，用户发起的内容请求为与苹果相关的内容，则候选内容则是与苹果相关的内容。

在步骤S103中，确定与候选内容对应的时间分。

具体来讲，时间分指的是信息流产品发布候选内容的发布时间与发起该内容请求的请求时间之间的时间差对应的得分值。该时间分可以是按照时间差所处的区间来为其进行赋值，即将时间差划分为多个区间，每个区间对应一个得分值，将位于同一个区间内的不同的时间差赋予同一个分值。也可以是采用衰减函数的方式为每一个时间差赋予不同的时间分。

为了避免时间刻画粒度不足而导致排序结果并不稳定和可靠度低的问题，在一种可能的实现方式中，确定与候选内容对应的时间分包括：

获取候选内容的发布时间与内容请求对应的请求时间，并对发布时间与请求时间作差，得到内容时间差；通过衰减函数对内容时间差进行运算，得到与内容时间差对应的时间分，其中，将内容时间差作为衰减函数的自变量，时间分作为衰减函数的因变量，不同的内容时间差对应不同的时间分。

具体来讲，对于衰减函数而言，其将内容时间差作为衰减函数的自变量，时间分作为衰减函数的因变量，时间分和内容时间差之间存在对应关系，不同的内容时间差对应不同的时间分。如此，每一个不同的内容时间差都对应不同的时间分，时间刻画粒度更加细化，具有连续值刻画的能力，从而提高排序结果的稳定性和可靠度。

对于衰减函数而言，其包括但不限于反比衰减函数、指数衰减函数等。其中，对于反比衰减函数，反比衰减函数采用下式表示：

Time＝a/(1+b*x)

其中，Time为时间分，a为控制时间线权重力度，b为控制时间衰减速度，x为内容时间差。

其中，a和b的取值可以根据实际情况确定，例如，a的取值可以为5、b的取值可以为0.1、0.2和0.3。如图2所示的，示出了a的取值为5，b的为0.1、0.2和0.3时，反比时间衰减函数的Time时间分与内容时间差的变化曲线图，由曲线图可知利用反比衰减函数确定时间分，每一个不同的内容时间差都对应不同的时间分，时间刻画粒度更加细化，具有连续值刻画的能力，从而提高排序结果的稳定性和可靠度。

对于指数衰减函数，指数衰减函数采用下式表示：

Time＝a*e^(-b*x)

其中，Time为时间分，a为控制时间线权重力度，b为控制时间衰减速度，x为内容时间差。

其中，a和b的取值可以根据实际情况确定，例如，a的取值可以为5、b的取值可以为0.1、0.2和0.3。如图3所示的，示出了a的取值为5，b的为0.1、0.2和0.3时，指数衰减函数的Time时间分与内容时间差的变化曲线图，由曲线图可知利用指数衰减函数确定时间分，每一个不同的内容时间差都对应不同的时间分，时间刻画粒度更加细化，具有连续值刻画的能力，从而提高排序结果的稳定性和可靠度。

由此可见，通过上述衰减函数中的a、b参数对时间线权重力度和时间衰减速度进行控制，具有可快速配置调节能力，例如，对订阅账号数多的用户，内容生产速度快，物料规模大，可以降低时间权重、衰减速度提升模型效果；对于订阅账号数少的用户，内容生产速度小，物料规模少，可以提升时间权重、衰减速度保证新颖性。以上衰减函数保证内容的产生时间越新，时间差越小，时间区分性越强，内容越旧，时间差越大，时间区分性就越弱，从而保证新产生的内容能优先为用户推荐。

在步骤S105中，将候选内容输入到机器学习模型中进行处理，得到待推荐的用户对候选内容进行目标行为的原始预估分。

具体来讲，将候选内容输入到机器学习模型中进行处理，得到用户对候选内容进行目标行为的原始预估分可以采用相关技术中的机器学习模型，机器学习模型包括但不限于深度神经网络(Deep Neural Network，DNN)、因子分解机(Factor Machine，FM)模型和逻辑回归模型(Logistic Regression,LR)等。用户可以将候选内容输入到机器学习模型中进行处理，得到用户对候选内容产生目标行为的原始预估分。其中，目标行为包括但不限于转发、评论、点赞、点视频、视频播放完整度、视频播放时长、点图片、浏览内容时间、查看图片时间等。

在步骤S107中，对原始预估分进行转换运算，得到用户对候选内容进行目标行为的映射分。

其中，转换运算用于将原始预估分转换为稳态分布的映射分。

具体来讲，通过机器学习模型的预估分是非稳态且实时变化的，本申请实施例中将非稳态的原始预估分转换为稳态的映射分，避免不同时间段、不同用户群体的预估分的分布随时间变化。例如，对于某候选内容而言，对其进行三种目标行为，分别用X，Y和Z表示，对于该候选内容进行三种目标行为的原始预估分分别用modelX、modelY、modelZ表示，分别对modelX、modelY、modelZ进行转换运算。

在一种可能的实现方式中，对原始预估分进行转换运算包括：

基于sort函数对原始预估分进行排序；按照排序的顺序对原始预估分进行分段，得到多个区间段，每个区间段包括至少一个原始预估分；对每个区间段中的原始预估分进行哈希转换运算，得到映射分，其中，每个区间段对应一个映射分。

具体来讲，分别对上述的原始预估分按照sort函数进行升序(或降序)排序，然后按照由高到低的顺序依次对各原始预估分进行分段，得到多个区间段，每个区间段中包含至少一个原始预估分，对每个区间段进行哈希转换运算，即将每个区间段的原始预估分都经哈希运算映射为一个映射分。

其中，对原始预估分进行分段包括但不限于以下任意一种方式：

按照排序的顺序对原始预估分进行等频分段，等频分段指示分段得到的多个区间段中的原始预估分的个数相同。

按照排序的顺序对原始预估分进行正态分段，正态分段指示分段得到的多个区间段中排序靠前和排序靠后的区间段中原始预估分的个数，少于排序在中间位置的区间段中原始预估分的个数。

按照排序的顺序对原始预估分进行长尾分段，正态分段指示分段得到的多个区间段中排序靠前的区间段中原始预估分的个数，多于排序靠后的区间段中原始预估分的个数。

例如，将上述得到的原始预估分modelX、modelY、modelZ进行转换运算后，得到对应的映射分modelX_hash、modelY_hash、modelZ_hash。

在步骤S109中，对映射分和时间分进行加权融合，得到候选内容的目标分。

其中，在得到候选内容的映射分和时间分后进行加权融合，，得到该候选内容的总的得分，即目标分。对于每个候选内容而言，各自对应有目标分。

对映射分和时间分进行加权融合时可以采用线性融合的方式、乘法融合的方式以及指数融合的方式等。

在一种可能的实现方式中，对映射分和时间分进行线性融合，线性融合采用下式表示：

score＝(t*Time+q*modelX_hash+p*modelY_hash+r*modelZ_hash)

其中，score为候选内容的目标分，t为内容时间差，Time为时间分，q、p、r为权重参数，modelX_hash、modelY_hash和modelZ_hash为与目标行为对应的映射分。

其中，对于权重参数q、p、r，可以对其进行初始化，再进行最优化搜索两个阶段，初始化过程中，限定内容时间差t的值，为权重参数q、p、r赋予初始化的值；最优化搜索的阶段中，设置对照组和实验组，以对照组和实验组的目标分最优为目标，对权重参数q、p、r进行多伦加减步长c，直至对照组和实验组的目标分达到最优，得到的权重参数q、p、r即为最优的权重参数q、p、r。

对映射分和时间分进行乘法融合，乘法融合采用下式表示：

score＝(t*Time*q*modelX_hash*p*modelY_hash*r*modelZ_hash)

其中，score为候选内容的目标分，t为内容时间差，Time为时间分，q、p、r为权重参数，modelX_hash、modelY_hash和modelZ_hash为与目标行为对应的映射分。

当然，对于映射分和时间分进行加权融合的方式多种多样，本申请并不局限于上述的方式。

在步骤S111中，根据候选内容的目标分向用户进行内容推荐。

具体来讲，一方面，可以按照各个候选内容的目标分为用户进行内容推荐，具体可以是将目标分最高的候选内容推荐给用户，或者是按照目标分由高到底的顺序依次为用户推荐候选内容。另一方面，在各个候选内容的目标分都达不到预期时，可以选择不向用户推荐这些候选内容，可以再次重新选取候选内容，从而找到目标分满足预期的候选内容推荐给用户。

本申请实施例公开的技术方案，能够将机器学习模型的预估分值转换为稳态分布的映射分，再与时间分相加，得到的分值能够较为符合稳态分布，进而提高各候选内容的排序效果的稳定性和可靠性，为用户推荐的内容能满足用户的需求，提高了用户的体验感。

对应上述实施例提供的内容推荐方法，基于相同的技术构思，本申请实施例还提供了内容推荐装置，图4为本申请实施例提供的内容推荐装置的模块组成示意图，该内容推荐装置用于执行上述实施例描述的内容推荐方法，如图4所示，该内容推荐装置400包括：选取模块401，用于响应于针对目标信息流对象发起的内容请求，从目标信息流对象发布的多个内容中选取与内容请求对应的候选内容；确定模块402，用于确定与候选内容对应的时间分；处理模块403，用于将候选内容输入到机器学习模型中进行处理，得到待推荐的用户对候选内容进行目标行为的原始预估分；运算模块404，用于对原始预估分进行转换运算，得到用户对候选内容进行目标行为的映射分，转换运算用于将原始预估分转换为稳态分布的映射分；融合模块405，用于对映射分和时间分进行加权融合，得到候选内容的目标分；推荐模块406，用于根据候选内容的目标分向用户进行内容推荐。

通过本申请实施例公开的技术方案，能够将机器学习模型的预估分值转换为稳态分布的映射分，再与时间分相加，得到的分值能够较为符合稳态分布，进而提高各候选内容的排序效果的稳定性和可靠性，为用户推荐的内容能满足用户的需求，提高了用户的体验感。

在一种可能的实现方式中，确定模块402，还用于获取候选内容的发布时间与内容请求对应的请求时间，并对发布时间与请求时间作差，得到内容时间差；通过衰减函数对内容时间差进行运算，得到与内容时间差对应的时间分，其中，将内容时间差作为衰减函数的自变量，时间分作为衰减函数的因变量，不同的内容时间差对应不同的时间分。

在一种可能的实现方式中，衰减函数包括：反比衰减函数；

其中，反比衰减函数采用下式表示：

Time＝a/(1+b*x)

其中，Time为时间分，a为控制时间线权重力度，b为控制时间衰减速度，x为内容时间差。

在一种可能的实现方式中，衰减函数包括：指数衰减函数；

指数衰减函数采用下式表示：

Time＝a*e^(-b*x)

其中，Time为时间分，a为控制时间线权重力度，b为控制时间衰减速度，x为内容时间差。

在一种可能的实现方式中，运算模块404，还用于基于sort函数对原始预估分进行排序；按照排序的顺序对原始预估分进行分段，得到多个区间段，每个区间段包括至少一个原始预估分；对每个区间段中的原始预估分进行哈希转换运算，得到映射分，其中，每个区间段对应一个映射分。

在一种可能的实现方式中，运算模块404，还用于按照排序的顺序对原始预估分进行等频分段，等频分段指示分段得到的多个区间段中的原始预估分的个数相同；或者，按照排序的顺序对原始预估分进行正态分段，正态分段指示分段得到的多个区间段中排序靠前和排序靠后的区间段中原始预估分的个数，少于排序在中间位置的区间段中原始预估分的个数；或者，按照排序的顺序对原始预估分进行长尾分段，正态分段指示分段得到的多个区间段中排序靠前的区间段中原始预估分的个数，多于排序靠后的区间段中原始预估分的个数。

在一种可能的实现方式中，融合模块405，还用于对映射分和时间分进行线性融合，线性融合采用下式表示：

score＝(t*Time+q*modelX_hash+p*modelY_hash+r*modelZ_hash)

其中，score为候选内容的目标分，t为内容时间差，Time为时间分，q、p、r为权重参数，modelX_hash、modelY_hash和modelZ_hash为与目标行为对应的映射分。

本申请实施例提供的内容推荐装置能够实现上述内容推荐方法对应的实施例中的各个过程，为避免重复，这里不再赘述。

需要说明的是，本申请实施例提供的内容推荐装置与本申请实施例提供的内容推荐方法基于同一发明构思，且具有相同的技术效果，因此该实施例的具体实施可以参见前述内容推荐方法的实施，重复之处不再赘述。

对应上述实施例提供的内容推荐方法，基于相同的技术构思，本申请实施例还提供了一种电子设备，该电子设备用于执行上述的内容推荐方法，图5为实现本发明各个实施例的一种电子设备的结构示意图，如图5所示。电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对电子设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在电子设备上执行存储器502中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。

在本实施例中，电子设备包括有处理器、通信接口、存储器和通信总线；其中，处理器、通信接口以及存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现上述方法实施例中描述的步骤。

需要说明的是，本申请实施例提供的电子设备与本申请实施例提供的内容推荐方法基于同一发明构思，且具有相同的技术效果，因此该实施例的具体实施可以参见前述内容推荐方法的实施，重复之处不再赘述。

本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现如上述方法实施例中描述的步骤。

需要说明的是，本申请实施例提供的计算机可读存储介质与本申请实施例提供的内容推荐方法基于同一发明构思，且具有相同的技术效果，因此该实施例的具体实施可以参见前述内容推荐方法的实施，重复之处不再赘述。

具体实施例中，本申请实施例提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述方法实施例中描述的步骤。

需要说明的是，本申请实施例提供的芯片与本申请实施例提供的内容推荐方法基于同一发明构思，且具有相同的技术效果，因此该实施例的具体实施可以参见前述内容推荐方法的实施，重复之处不再赘述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，电子设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、装置或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。