一种兴趣点召回方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能领域，尤其涉及智能交通领域，具体涉及一种兴趣点召回方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

POI是point of interest(兴趣点)的缩写，兴趣点在地图中可以作为银行、景点、公司、医院、政府机构、餐馆、商场等的标识。

目前，在日常生活中，越来越多的用户通过使用电子地图查询POI来获取地点的相关信息，例如查找某一区域内的川菜馆。

发明内容

本公开提供了一种兴趣点召回方法、装置、电子设备、存储介质和计算机程序产品。

根据本公开的一方面，提供了一种兴趣点召回方法，包括：

对用户的至少两种维度的用户特征进行特征交叉处理，得到用户的用户向量表示；

从预先确定的候选兴趣点的POI向量表示中，确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示；其中，候选兴趣点的POI向量表示通过对候选兴趣点的至少两种维度的POI特征进行交叉处理得到；

根据目标兴趣点的POI向量表示，召回目标兴趣点。

根据本公开的另一方面，提供了一种兴趣点召回装置，包括：

第一计算模块，用于对用户的至少两种维度的用户特征进行特征交叉处理，得到用户的用户向量表示；

匹配模块，用于从预先确定的候选兴趣点的POI向量表示中，确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示；其中，候选兴趣点的POI向量表示通过对候选兴趣点的至少两种维度的POI特征进行交叉处理得到；

召回模块，用于根据目标兴趣点的POI向量表示，召回目标兴趣点。。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开任意实施例的兴趣点召回方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开任意实施例的兴趣点召回方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开任意实施例的兴趣点召回方法。

根据本公开的技术，可快速精准的召回与用户特征匹配的兴趣点。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的一种兴趣点召回方法的示意图；

图2是根据本公开实施例的另一种兴趣点召回方法的示意图；

图3a是根据本公开实施例的用户与兴趣点模型的训练过程的示意图；

图3b是根据本公开实施例的用户与兴趣点模型的示意图；

图4是根据本公开实施例的又一种兴趣点召回方法的示意图；

图5是根据本公开实施例的兴趣点召回方法的逻辑示意图；

图6是根据本公开实施例的一种兴趣点召回装置的示意图；

图7是用来实现本公开实施例的兴趣点召回的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

发明人通过调研发现，用户在地图应用查找满足其泛需求的兴趣点POI时，例如检索美食、景点或是发起周边探索时，用户关心的空间范围是随用户的行为类型而变动的，例如用户查找景点时，可接受在周围十几甚至数十公里内的兴趣点POI，而查找美食时往往只关注周围1-2km之内的结果；用户手动将图区缩放到不同层级时，其关注的空间范围也不同。除此之外，用户需求是多种多样的，且与用户当前所处的场景、用户的画像、兴趣、实时需求等都息息相关。例如，针对用户场景，异地行中的用户会比本地用户更加的关系周边的酒店；针对用户画像，年轻人比中老年人更偏好酒吧，女性用户比男性用户更偏好奶茶和甜品店；针对用户实时需求，刚检索过景点的用户大概率希望看到更多出游推荐；针对用户长期兴趣，对日料有偏好的用户愿意看到更多的日料美食。

基于此提出一种兴趣点召回方法，当用户在地图上查找满足其泛需求的兴趣点POI时，例如输入泛检索词或者发起周边探索等，召回一个与用户的行为、场景、画像、兴趣相匹配的兴趣点列表，以帮助用户快速发现周边感兴趣的兴趣点POI。具体的兴趣点召回方法参见如下具体实施例。

图1为本公开实施例的一种兴趣点召回方法的流程示意图，本实施例可适用于用户在地图应用中进行泛需求检索时准确召回满足用户需求的兴趣点的情况。该方法可由一种兴趣点召回装置来执行，该装置采用软件和/或硬件的方式实现，并集成在电子设备上。

具体的，参见图1，兴趣点召回方法如下：

S101、对用户的至少两种维度的用户特征进行特征交叉处理，得到用户的用户向量表示。

本公开实施中，用户是指在地图应用触发泛需求检索的用户，用户特征包括用户所处的场景(时间，节假日，本异地等)、所处的空间网格、画像特征(年龄，性别，人生阶段等)、长期兴趣特征和短期兴趣特征中的至少一个。

其中，用户所处的场景可以根据用户触发泛需求检索时的时间和位置信息确定；用户的画像特征通过以用户id为关键词查询画像词典获取。用户所处的空间网格也可以根据用户所处的位置来确定。

用户的长期兴趣特征可通过地图的检索日志统计用户两个月内的所有点击行为，将点击过的兴趣点的特征向量做加和平均，作为用户的长期兴趣特征。用户的短期兴趣特征，可通过统计用户三天内交互过的最近若干个兴趣点(比如最近5个)，将这些兴趣点的向量特征串联，作为用户的短期兴趣特征。本申请实施中，长期兴趣特征的作用是建模用户稳定的偏好，比如一个经常去公园的用户，模型在推荐周边景点时，会提升公园的得分。实时兴趣特征的作用是建模用户当下的偏好，比如用户刚点击了一个海底捞，模型会后续推荐其他类似的火锅店。

在此需要说明的是，获取的用户特征是经过用户授权的。

本公开实施例中，发明人发现，在召回兴趣点时，不同维度的用户特征之间是相互影响的，例如用户的场景和兴趣是相互影响的，如果仅根据一个维度的用户特征召回兴趣点，其召回的兴趣点的准确性较低。而为了保证召回的兴趣点充分满足用户需求，在得到用户特征之后，将用户的至少两个维度的用户特征进行特征交叉处理，例如将不同用户特征的特征向量作乘法处理，进而得到用户的用户向量表示。由此基于用户向量表示召回兴趣点时，因为用户向量表示考虑了不同用户特征之间的关系，可以保证后续准确召回与用户所处场景、长短期兴趣和画像相匹配的兴趣点。

S102、从预先确定的候选兴趣点的POI向量表示中，确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示。

其中，候选兴趣点可以是地图应用中全量的兴趣点，候选兴趣点的POI向量表示通过对候选兴趣点的至少两种维度的POI特征进行交叉处理得到，而POI特征包括兴趣点特征包括兴趣点属性标签、兴趣点ID、兴趣点所属空间网格和兴趣点热度等。在确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示时，可选的，可通过计算用户向量表示与候选兴趣点的POI向量表示之间的相似度确定，例如求余弦相似度，也可以通过其他方式确定，在此不做具体限定。需要说明的是，确定候选兴趣点的POI向量表示是在用户检索之前进行的，其目的是为了保证兴趣点召回的效率。

S103、根据目标兴趣点的POI向量表示，召回目标兴趣点。

在通过S102步骤确定目标兴趣点的POI向量表示后，可根据POI向量表示与兴趣点之间的关联关系召回对应的目标兴趣点。

本公开实施例中，用户向量表示是基于多个用户特征交叉处理后得到的，其考虑了不同用户特征之间的关系，进而基于用户向量表示召回兴趣点时，可以准确召回与用户所处场景、长短期兴趣和画像相匹配的兴趣点；而且通过用户向量表示和候选兴趣点的POI向量表示之间的匹配计算，可提升召回目标兴趣点的效率。

图2是根据本公开实施例的另一种兴趣点召回方法的流程示意图，本实施例是在上述实施例的基础上进行优化，利用训练好的用户与兴趣点模型确定用户向量表示和候选兴趣点的POI向量表示，其中，用户与兴趣点模型示例性的为一种双塔模型，包括具有显示的特征交叉能力的用户子模型和具有显示的特征交叉能力的POI子模型，而用户子模型和POI子模型是通过各自模型中的特征交叉子网络实现特征交叉能力的，且用户子模型是以用户特征为输入，POI子模型是以POI特征为输入。

参见图2，兴趣点召回方法具体如下：

S201、将用户的至少两种维度用户特征输入用户与兴趣点模型的用户子模型中。

其中，用户是指当前在地图中触发泛需求检索的用户。在用户触发泛需求检索后，获取用户的用户特征，进而将用户的至少两种维度用户特征进行拼接处理，并将拼接后的用户特征输入到用户与兴趣点模型的用户子模型中。

S202、通过用户子模型中的用户特征交叉子网络，对至少两种维度用户特征进行交叉处理，得到用户的用户向量表示。

可选的，用户子模型中的用户特征交叉子网络，对至少两种维度用户特征进行交叉处理，例如对至少两种维度的用户特征进行向量乘法运算，得到用户的用户向量表示。需要说明的是，利用训练好的用户与兴趣点模型确定用户向量表示，可提升计算用户向量表示的效率。

S203、从预先确定的候选兴趣点的POI向量表示中，确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示。

其中，候选兴趣点的POI向量表示通过对候选兴趣点的至少两种维度的POI特征进行交叉处理得到；兴趣点特征包括兴趣点属性标签、兴趣点ID、兴趣点所属空间网格和兴趣点热度。在一种可选的实施方式中，预先确定候选兴趣点的POI向量表示，包括：将候选兴趣点的至少两种维度POI特征输入用户与兴趣点模型的POI子模型中；通过POI子模型中的POI特征交叉子网络，对至少两种维度POI特征进行交叉处理，得到候选兴趣点的POI向量表示。需要说明的是，利用训练好的用户与兴趣点模型确定候选兴趣点的POI向量表示，可提升计算POI向量表示的效率。

S204、根据目标兴趣点的POI向量表示，召回目标兴趣点。

本公开实施例中，利用训练好的用户与兴趣点模型确定用户向量表示和候选兴趣点的POI向量表示，可提升计算用户向量表示和POI向量表示的效率，进而保证了召回目标POI的效率。

图3a是根据本公开实施例的用户与兴趣点模型的训练过程的流程示意图，参见图3a，训练过程具体如下：

S301、根据用户的点击兴趣点的历史数据，确定初始训练样本。

其中，用户的点击兴趣点的历史数据可选的从地图检索日志中获取，初始训练样本包括初始正训练样本和初始负训练样本。可选的，初始正训练样本是指地图检索日志中用户发起泛需求检索时点击过的兴趣点；初始负训练样本是指根据地图检索日志，从用户发起泛需求检索时未点击过的兴趣点中抽取的预设数量的兴趣点。初始正样本和初始负样本的数量比例示例性的为1：4。

S302、根据用户的用户特征、兴趣点特征、初始训练样本，构建带有用户特征和兴趣点特征的目标训练样本。

本公开实施例中，用户的用户特征包括时空场景类特征、画像特征、长短期兴趣特征。时空场景特征(例如时间、节假日，所处空间网格等)根据用户召回兴趣点的日志里记录的时间、定位信息计算得出。用户的画像特征通过以用户ID为关键值查询画像词典获取。用户的长期兴趣特征，可通过地图的检索日志统计历史用户两个月内的所有点击行为，将点击过的兴趣点的特征向量做加和平均，作为用户的长期兴趣特征。用户的短期兴趣特征是统计用户三天内交互过的最近若干个兴趣点(比如最近5个)，将这些兴趣点的向量特征串联，作为用户的短期兴趣特征。需要说明的是，获取用户的用户特征是在用户授权情况下进行的。

而兴趣点特征是指作为初始训练样本的兴趣点的特征，主要包括兴趣点属性标签、兴趣点ID、兴趣点所属空间网格和兴趣点热度等。

本公开实施例中，目标训练样本包括目标正训练样本和目标负训练样本，而目标正训练样本是初始正训练样本以及初始正训练样本对应的兴趣点特征和用户特征拼接后构成的；目标负训练样本是由初始负训练样本以及初始负训练样本对应的兴趣点特征和用户特征拼接后构成的。

S303、利用目标训练样本，训练用户与兴趣点模型。

在得到目标训练样本后，直接将目标样本训练输入到用户与兴趣点模型中，由于用户与兴趣点模型包括用户子模型和POI子模型两个网络，因此在实际训练时，目标训练样本中的用户特征输入到用户子模型对应的网络中，得到用户向量表示；目标训练样本中的兴趣点特征输入到POI子模型对应的网络中，得到POI向量表示，进而计算两个向量表示之间的相似度和损失，以便根据损失调整用户与兴趣点模型的权重参数，直到用户与兴趣点模型收敛为止。

示例性的，参见图3b，其示出了用户与兴趣点模型的示意图，可分为输入层、表示层和匹配层。在训练阶段，在输入层对目标训练样本中的用户特征进行处理和拼接，同时对目标训练样本中的兴趣点(POI)特征进行处理和拼接；在表示层对拼接用户特征进行特征交叉处理，得到用户向量表示，同时在表示层对拼接处理后的兴趣点特征进行特征交叉处理后得到POI向量表示；在匹配层计算用户向量表示和POI向量表示的相似度以及损失，进而根据损失调整模型的权重参数，直到模型收敛为止。

进一步的，由于探索周边是一个有着强空间约束的需求，所以需要空间网格特征和兴趣点之间有着明确的相关性，比如故宫博物院与故宫所在的空间网格之间是有着强相关性的。为了建模这种相关性，根据地图的检索日志，对空间网格和兴趣点的特征向量进行了预训。

而在一种可选的实施方式中，构造空间网格与兴趣点ID的样本(例如基于地图检索日志构造)，并生成空间网格特征向量和兴趣点ID特征向量。可选的，根据地图的检索日志记录的用户所有的检索交互行为，按session(会话)做了分割，每个session内历史用户的行为是连续有关联的。将每个session里用户交互过的兴趣点作为用户的行为序列，再向该序列中添加每个兴趣点对应的空间网格ID，构成新的序列。例如提取出一个用户的检索交互过的兴趣点为POI A，POI B，POI C，向这个序列里增加每个兴趣点的所在网格，构成新序列：POIA,GRID A,POI B,GRID B,POI C,GRID C。进而利用词向量工具(例如word2vec)和上述增加了空间网格信息的行为序列，生成每个兴趣点和网格的词向量。词向量工具能根据大量的用户行为序列，生成有明确语义的向量表达。这种语义主要体现在在序列里相邻频率高的词，其相似度也会很高。比如故宫所在的网格，与周边的故宫博物院，天安门广场的相似度会比较高。

进一步的，在得到空间网格特征向量和兴趣点ID特征向量之后，利用目标训练样本，结合空间网格特征向量和兴趣点ID特征向量，训练用户与兴趣点模型，也即在训练用户与兴趣点模型时，如果用到空间网格特征和兴趣点ID特征，可直接调用预训练的空间网格特征向量和兴趣点ID特征向量，以提升用户与兴趣点双塔模型的训练效率。

本公开实施例中，通过利用带有用户特征和兴趣点特征样本训练用户与兴趣点模型，可以保证后续直接利用训练好的模型计算用户的用户向量表示以及候选兴趣点的POI向量表示，以此保证兴趣点召回的效率。

图4是根据本公开实施例的又一种兴趣点召回方法的流程示意图，本实施例是在上述实施例的基础上进行优化，参见图4，兴趣点召回方法具体如下：

S401、对用户的至少两种维度的用户特征进行特征交叉处理，得到用户的用户向量表示。

其中，用户特征包括用户所处的场景、所处的空间网格、画像特征、长期兴趣特征和短期兴趣特征中的至少一个。

S402、基于近似最近邻查找方式，从预先确定的候选兴趣点的POI向量表示中，确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示。

其中，候选兴趣点的POI向量表示是通过对候选兴趣点的至少两种维度的POI特征进行交叉处理得到，而预先确定候选兴趣点的过程可参见上述实施例，在此不再是赘述。而基于近似最近邻查找方式召回目标POI时，可选的，将预先确定的候选兴趣点的POI向量表示作为近似最近邻查找工具的输入值，以构建近似最近邻词典，这一过程可以在用户发起泛需求检索之间完成的；在用户检索召回兴趣点时，将用户的用户向量表示输入到近似最近邻查找工具中，以便近似最近邻查找工具根据近似最近邻词典确定与之匹配的目标兴趣点的POI向量表示。需要说明的是，近似最近邻查找的核心思想是：搜索可能是近邻的数据项而不再只局限于返回最可能的项目，在牺牲可接受范围内的精度的情况下提高检索效率。

S403、根据目标兴趣点的POI向量表示，召回目标兴趣点。

本公开实施例中，基于近似最近邻查找方式，确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示，可以提升查找的效率，进而保证召回兴趣点的速度。

图5是根据本公开实施例的兴趣点召回方法的逻辑示意图，本实施例是在上述实施例的基础上进行优化，参见图5，兴趣点召回方法的逻辑包括三个阶段，分别是样本和特征处理阶段、离线训练阶段和在线服务阶段。

样本和特征处理阶段，主要是根据地图用户泛需求类行为的日志(比如用户检索美食、景点等词，或是发起探索周边请求)构造正负训练样本；并拼接正负训练样本和特征(用户特征和兴趣点POI特征)；根据地图全量检索日志构造空间网格与兴趣点ID的预训练样本并预训练空间网格和兴趣点ID的特征向量。具体的过程可参见上述实施例，在此不再赘述

离线训练阶段，主要是训练用户与兴趣点模型(示例性的为一种双塔模型)，以及构造在线近似最近邻(approximate nearest neighbor,ANN)召回所需的近似最近邻词典(即ANN词典)。训练用户与兴趣点模型的过程参见上述实施例，在此不再赘述。而构建ANN词典的过程，可选的，先利用训练好的用户与兴趣点模型计算候选兴趣点的POI向量表示，将候选兴趣点的POI向量表示作为近似最近邻查找工具的输入值，以构建近似最近邻词典。

在线服务阶段，基于训练好的用户与兴趣点模型，根据用户的用户特征计算用户向量表示，从ANN词典中召回与用户向量表示最接近的N个兴趣点，作为最终的召回结果。

本公开实施例中，通过三个阶段的处理，实现了为用户召回满足其需求的兴趣点。

图6是根据本公开实施例的兴趣点召回装置的结构示意图，本实施例可适用于用户在地图应用中进行泛需求检索时准确召回满足用户需求的兴趣点的情况。如图6所示，该装置具体包括：

第一计算模块601，用于对用户的至少两种维度的用户特征进行特征交叉处理，得到用户的用户向量表示；

匹配模块602，用于从预先确定的候选兴趣点的POI向量表示中，确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示；其中，候选兴趣点的POI向量表示通过对候选兴趣点的至少两种维度的POI特征进行交叉处理得到；

召回模块603，用于根据目标兴趣点的POI向量表示，召回目标兴趣点。

在上述实施例的基础上，可选的，第一计算模块包括：

输入单元，用于将用户的至少两种维度用户特征输入用户与兴趣点模型的用户子模型中；其中，用户特征包括用户所处的场景、所处的空间网格、画像特征、长期兴趣特征和短期兴趣特征中至少一个；

计算单元，用于通过用户子模型中的用户特征交叉子网络，对至少两种维度用户特征进行交叉处理，得到用户的用户向量表示。

在上述实施例的基础上，可选的，还包括第二计算模块，第二计算模块用于：

将候选兴趣点的至少两种维度POI特征输入用户与兴趣点模型的POI子模型中；其中，兴趣点特征包括兴趣点属性标签、兴趣点ID、兴趣点所属空间网格和兴趣点热度；

通过POI子模型中的POI特征交叉子网络，对至少两种维度POI特征进行交叉处理，得到候选兴趣点的POI向量表示。

在上述实施例的基础上，可选的，还包括模型训练模块，模型训练模块包括：

第一样本构建单元，用于根据用户的点击兴趣点的历史数据，确定初始训练样本；

第二样本构建单元，用于根据用户的用户特征、兴趣点特征、初始训练样本，构建带有用户特征和兴趣点特征的目标训练样本；

训练单元，用于利用目标训练样本，训练用户与兴趣点模型。

在上述实施例的基础上，可选的，还包括：

预训练模块，用于构造空间网格与兴趣点ID的样本，并生成空间网格特征向量和兴趣点ID特征向量；

训练单元还用于：

利用目标训练样本，结合空间网格特征向量和兴趣点ID特征向量，训练用户与兴趣点模型。

在上述实施例的基础上，可选的，匹配模块具体用于:

基于近似最近邻查找方式，从预先确定的候选兴趣点的POI向量表示中，确定与用户的用户向量表示相匹配的目标兴趣点的POI向量表示。

本公开实施例提供的兴趣点召回装置可执行本公开任意实施例提供的兴趣点召回方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如兴趣点召回方法。例如，在一些实施例中，兴趣点召回方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的兴趣点召回方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行兴趣点召回方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。