模型训练方法、模型使用方法、装置、存储介质及设备

技术领域

本公开实施例涉及计算机技术领域，尤其涉及模型训练方法、模型使用方法、装置、存储介质及设备。

背景技术

随着信息技术的快速发展以及移动互联网的普及，视频推荐平台受到越来越多用户的青睐。然而，随着视频库中的视频数量快速增长，从海量的视频中快速准确地挑选出当前需要推荐给用户的视频的难度越来越大。

用户在观看视频时，通常会产生一些行为，如点击、点赞、评论、收藏以及转发等，这些行为可以体现用户对视频的感兴趣程度，在得到用户授权的情况下，可以获取用户的上述行为相关数据，为视频推荐提供参考信息。例如，对于视频库中的视频，可以利用用户行为预测模型来预估用户对该视频产生相应行为的概率，进而决定是否向用户推荐该视频。

发明内容

本公开实施例提供了模型训练方法、模型使用方法、装置、存储介质及设备，可以解决用于视频推荐的用户行为预测模型的预测准确度不足的问题。

第一方面，本公开实施例提供了一种模型训练方法，包括：

确定目标视频样本和用户样本，其中，所述用户样本包括所述目标视频样本对应的已推荐用户；

获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本；

根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集；

采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型。

第二方面，本公开实施例提供了一种模型使用方法，包括：

获取待推荐视频的特征数据；

将所述待推荐视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

第三方面，本公开实施例提供了一种模型使用方法，包括：

获取待推荐视频的特征数据；

获取当前用户针对所述待推荐视频之前出现的已推荐视频的历史行为数据，并根据所述历史行为数据确定对应的目标历史视频；

将所述待推荐视频的特征数据和所述目标历史视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

第四方面，本公开实施例提供了一种模型训练装置，包括：

第一样本确定模块，用于确定目标视频样本和用户样本，其中，所述用户样本包括所述目标视频样本对应的已推荐用户；

第二样本确定模块，用于获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本；

训练样本集确定模块，用于根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集；

模型训练模块，用于采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型。

第五方面，本公开实施例提供了一种模型使用装置，包括：

特征数据获取模块，用于获取待推荐视频的特征数据；

数据输入模块，用于将所述待推荐视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

行为预测模块，用于根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

第六方面，本公开实施例提供了一种模型使用装置，包括：

特征数据获取模块，用于获取待推荐视频的特征数据；

历史视频确定模块，用于获取当前用户针对所述待推荐视频之前出现的已推荐视频的历史行为数据，并根据所述历史行为数据确定对应的目标历史视频；

数据输入模块，用于将所述待推荐视频的特征数据和所述目标历史视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

行为预测模块，用于根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

第七方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例提供的模型训练方法和/ 或模型使用方法。

第八方面，本公开实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本公开实施例提供的模型训练方法和/或模型使用方法。

本公开实施例中提供的模型训练方案，确定目标视频样本和用户样本，其中，用户样本包括目标视频样本对应的已推荐用户，获取用户样本针对目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据历史行为数据样本确定对应的目标历史视频样本，根据目标历史视频样本的特征数据、目标视频样本的特征数据、以及用户样本针对目标视频样本的行为数据确定训练样本集，采用训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型。通过采用上述技术方案，在进行用户行为预测模型的训练时，根据用户样本的历史行为数据来选择历史视频样本，并将历史视频样本的特征数据与目标视频样本的特征数据一起作为训练样本输入到神经网络模型中进行训练，可以为目标视频样本增加用户行为相关的内容属性特征，增强用户行为预测模型对目标视频样本的内容理解能力，可提高用于视频推荐的用户行为预测模型的预测准确度。

附图说明

图1为本公开实施例提供的一种模型训练方法的流程示意图；

图2为本公开实施例提供的又一种模型训练方法的流程示意图；

图3为本公开实施例提供的一种预设神经网络模型的结构示意图；

图4为本公开实施例提供的一种模型使用方法的流程示意图；

图5为本公开实施例提供的另一种模型使用方法的流程示意图；

图6为本公开实施例提供的一种模型训练装置的结构框图；

图7为本公开实施例提供的一种模型使用装置的结构框图；

图8为本公开实施例提供的另一种模型使用装置的结构框图；

图9为本公开实施例提供的一种计算机设备的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。

图1为本公开实施例提供的一种模型训练方法的流程示意图，该方法适用于对针对待推荐视频的用户行为预测模型进行训练的场景，可以由模型训练装置执行，其中该装置可由软件和/或硬件实现，一般可集成在计算机设备中。如图1所示，该方法包括：

步骤101、确定目标视频样本和用户样本，其中，所述用户样本包括所述目标视频样本对应的已推荐用户。

本公开实施例中，对视频的具体类型不做限定。示例性的，可以是长视频，也可以是短视频；可以是拍客自主拍摄的视频，也可以是视频平台制作的视频。对于短视频推荐平台来说，视频还可以是在线推广视频(例如广告视频)。

示例性的，目标视频样本和用户样本可以来源于测试场景，也可以来源于真实使用场景。对于测试场景，可以将被试者作为用户样本，向被试者推荐一定数量的视频，并在得到被试者授权的情况下记录被试者在观看视频过程中所产生的行为，经过一段时间后，选择当前推荐给所有被试者的视频作为目标视频样本，这里的推荐可以理解为向被试者展示并播放视频。对于真实使用场景，在得到用户授权的情况下，可以获取视频推荐平台的后台数据，假设选取一个已经推荐给用户的第一视频作为目标视频样本，从已被推荐观看第一视频的用户中选取一定数量的用户作为用户样本，这里的推荐可以理解为向用户所使用的客户端设备推送视频，使得视频能够在客户端设备上进行播放。

步骤102、获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本。

示例性的，本公开实施例中所涉及的行为可包括用户按照自己的意愿针对视频施加的行为，例如以各种操作形式体现的表示喜欢的选择视频的行为，具体如点击、点赞、评论、收藏以及转发等等，当然，也可包括以各种操作形式体现的表示不喜欢的忽视视频的行为，如关闭、切换(例如通过滑动操作切换至播放下一个视频)、踩(表示不喜欢的一种操作)或举报等等。

示例性的，视频一般是按照先后顺序依次推荐给用户的，用户针对视频可以有各种行为，对于目标视频样本来说，在其被推荐之前，已经推荐给用户样本的视频可称为历史视频样本(也即目标视频样本之前出现的已推荐视频)，历史视频样本的数量可以根据实际情况设定，对于不同用户样本来说，历史视频样本的数量可以相同，也可以不同。同一用户样本针对不同历史视频样本的行为可能不同，不同用户样本针对同一历史视频样本的行为也可能不同，记录有用户针对视频的行为的数据可以称为行为数据，用户样本针对历史视频样本的行为数据即为历史行为数据样本。本公开实施例中，可预先确定所关注的行为的类型，以选择视频为例，可以将所对应的历史行为数据样本中存在选择视频行为的历史视频样本确定为目标历史视频样本；以忽视视频为例，可以将所对应的历史行为数据样本中存在忽视视频行为的历史视频样本确定为目标历史视频样本。

步骤103、根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集。

示例性的，视频样本的特征数据(包括目标历史视频样本的特征数据和目标视频样本的特征数据)可以包括如文本样本数据、图像样本数据和声音样本数据中的一种或多种数据类型，具体的获取方式不做限定。文本样本数据例如可以包括视频样本的标题、视频样本的分类类别或者视频样本的语音识别文本等；图像样本数据例如可包括视频样本的封面图或视频抽帧图等；声音样本数据可包括视频样本中的音频数据等。对于目标历史视频样本和目标视频样本来说，特征数据中包含的数据类型可以相同，也可以不同，具体不做限定。一般的，由于目标视频样本作为预测主体，而目标历史视频样本的特征数据用于为目标视频样本增加用户行为相关的内容属性特征，因此，目标视频样本的特征数据中包含的数据类型数量大于或等于目标历史视频样本的特征数据中包含的数据类型数量。例如，目标视频样本的特征数据中包含文本样本数据和图像样本数据，目标历史视频样本的特征数据中包含图像样本数据。

示例性的，对于一个用户样本来说，该用户样本对应的目标历史视频样本的特征数据和目标视频样本的特征数据可以作为训练样本数据，该用户样本针对目标视频样本的行为数据可以作为训练样本数据对应的样本标签，得到该用户样本对应的完整的训练样本，汇总多个用户样本对应的训练样本，得到训练样本集。

步骤104、采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型。

预设神经网络模型可理解为待训练的神经网络模型，具体可以理解为根据实际需求设计的初始模型。预设神经网络模型中的网络结构和参数等不做具体限定，可以根据实际需求设置。

示例性的，通过网络参数反向传播等训练手段不断优化预设神经网络模型对应的损失函数的取值，进而不断优化预设神经网络模型，直到满足一定的训练截止条件，得到训练好的针对待推荐视频的用户行为预测模型。具体的训练截止条件可根据实际需求进行设置，本公开实施例不做限定。这里的待推荐视频可以理解为用于输入至用户行为预测模型中的视频，可以根据用户行为预测模型的输出结果来预测用户针对待推荐视频的行为。以用户行为为选择视频为例，可以根据用户行为预测模型的输出结果来预测用户是否会选择待推荐视频，或预测用户选择待推荐视频的概率等。

本公开实施例中提供的模型训练方法，在进行用户行为预测模型的训练时，根据用户样本的历史行为数据来选择历史视频样本，并将历史视频样本的特征数据与目标视频样本的特征数据一起作为训练样本输入到神经网络模型中进行训练，可以为目标视频样本增加用户行为相关的内容属性特征，增强用户行为预测模型对目标视频样本的内容理解能力，可提高用于视频推荐的用户行为预测模型的预测准确度。

在一些实施例中，所述行为包括选择推荐视频。所述获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本，包括：获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史选择情况数据样本；根据所述历史选择情况数据样本确定所述用户样本在所述目标视频样本出现之前最近选择过的第一预设数量的历史视频样本，得到目标历史视频样本。这样设置的好处在于，用户的兴趣一般会随着时间的推移而发生变化，距离目标视频样本越近，说明用户样本的喜好与观看目标视频样本时的喜好越接近，因此，选取最近选择过的历史视频样本作为目标历史视频样本。其中，第一预设数量可以根据实际需求进行设定。

在一些实施例中，所述根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集，包括：针对每个目标历史视频样本，获取当前目标历史视频样本中的第二预设数量的历史视频帧数据；获取所述目标视频样本中的第三预设数量的目标视频帧数据；根据所述历史视频帧数据和所述目标视频帧数据确定训练样本数据，根据所述用户样本是否选择所述目标视频样本确定所述训练样本数据对应的样本标签，得到训练样本集。这样设置的好处在于，视频帧数据相比于文本和语音等能够更好地体现视频内容特征，在保证训练效果的同时控制训练样本的数据量大小，有利于提高训练效率。

其中，第二预设数量和第三预设数量可以相同，也可以不同，具体不做限定。获取视频样本中的视频帧数据可理解为针对视频样本进行抽帧处理，将抽取到的视频帧作为获取到的视频帧数据。抽帧规则可以根据实际需求设置，如等间隔抽帧或不等间隔抽帧等。另外，进行抽帧处理之后，还可以对抽取到的视频帧进行预处理，如进行长宽预处理等，使得处理后的图像尺寸适配于预设神经网络模型，并将处理后的视频帧作为获取到的视频帧数据。此外，当第二预设数量或第三预设数量大于1时，在根据历史视频帧数据和目标视频帧数据确定训练样本数据时，训练样本数据中还可以包含视频帧之间的时序特征，使得训练样本数据能够更加准确地表达视频中的内容。

在一些实施例中，所述第二预设数量小于所述第三预设数量。这样设置的好处在于，如前文所述，目标视频样本作为预测主体，目标历史视频样本的特征数据用于为目标视频样本增加用户行为相关的内容属性特征，因此，针对目标历史视频样本抽取较少数量的视频帧，可进一步控制训练样本的数据量大小，提高训练效率。进一步的，所述历史视频帧数据包括历史视频封面帧数据。当第二预设数量为1时，历史视频帧数据可以为历史视频封面帧数据。

在一些实施例中，所述采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型，包括：将所述历史视频帧数据输入至预设神经网络模型中的第一图像特征提取网络中，得到相应的历史视频图像特征；将所述目标视频帧数据输入至所述预设神经网络模型中的第二图像特征提取网络中，得到相应的目标视频图像特征；按照时序排列的历史视频图像特征和按照时序排列的目标视频图像特征经由所述预设神经网络模型中的特征融合网络，输出对应的融合特征，其中，所述特征融合网络历史视频图像特征自身的内部相关性、目标视频图像特征自身的内部相关性、以及历史视频图像特征和目标视频图像特征之间的相关性进行特征融合，例如所述特征融合网络基于自注意力机制构建；所述融合特征经由所述预设神经网络模型中的预设网络输出所述用户样本选择所述目标视频样本的预测值；根据所述预测值和对应的样本标签计算损失函数，并基于所述损失函数对所述预设神经网络模型进行调整，得到针对待推荐视频的用户行为预测模型。这样设置的好处在于，利用基于自注意力机制构建的特征融合网络，可以使得模型能够学习目标视频样本和用户行为各自的特征，还能够同时学习到目标视频样本和用户行为之间的特征，间接完成同模态不同输入源的信息交互，其中，同模态指的是历史视频图像特征和目标视频图像特征均是视频中的图像特征这一模态，不同输入源指的是历史视频图像特征和目标视频图像特征来自于不同的视频，而目标历史视频样本中隐含了用户行为的特征信息，使得训练得到的用户行为预测模型能够更好地理解目标视频样本内容，进而进一步提高预测准确率。

示例性的，第一图像特征提取网络和第二图像特征提取网络可以相同，也可以不同，例如可以是残差网络(ResNet)模型或视觉几何组模型(Visual Geometry GroupNetwork，VGG)等。特征融合网络例如可以是BERT模型，其基础编码器采用变换(Transformer)结构，Transformer结构主要采用自注意力 (self attention)机制对输入数据进行编码，并行化处理，提升每个数据的全局表征能力。Self attention能够学习到输入序列中每个特征的权重大小，并通过加权求和实现上层的特征表达。具体的，特征融合网络可以借助BERT中的 Transformer结构实现对历史视频图像特征和目标视频图像特征的融合，而非进行简单的拼接，使得融合后的得到的融合提取特征能够更好地表达目标视频样本，实现更加准确的内容理解。

在一些实施例中，所述待推荐视频包括短视频平台中的待推荐广告视频，所述用户行为预测模型包括点击通过率(Click-Through-Rate，CTR)预测模型。这样设置的好处在于，对于短视频平台中的待推荐广告视频，可以生产高质量的广告视频内容特征，提升点击率预估效果，进而使得广告视频的推荐更加精准，贴合用户真实需求。

图2为本公开实施例提供的又一种模型训练方法的流程示意图，本公开实施例以上述实施例中各个可选方案为基础进行优化，以训练针对短视频平台中的待推荐广告视频的CTR预测模型为例进行说明，具体的，该方法包括如下步骤：

步骤201、确定目标视频样本和用户样本。

其中，用户样本包括目标视频样本对应的已推荐用户。在短视频平台中，短视频一般是逐个推荐给用户的，在某两个短视频之间可能会向用户推荐广告视频，当用户对该广告视频感兴趣时，可以通过点击广告视频等方式进入广告视频对应的商品详情页或者直播间，从而进一步了解广告内容或对商品进行线上下单等操作，本公开实施例中的点击通过率预测模型可以用于预测用户针对某个待推荐的广告视频的点击概率或者是否会点击该广告视频。

在实际训练过程中，往往需要大量的训练数据，本公开实施例中为了便于说明，以目标视频样本为2个，用户样本为3个为例进行简单介绍。假设目标视频样本包括广告视频a和广告视频b，用户样本为用户A、用户B和用户C，分别向每个样本用户推荐广告视频a和广告视频b，则可以构建出6条训练样本，分别根据用户A和广告视频a、用户A和广告视频b、用户B和广告视频a、用户B和广告视频b、用户C和广告视频a、以及用户C和广告视频b进行构建。

步骤202、获取用户样本针对目标视频样本之前出现的已推荐视频的历史点击情况数据样本。

下面以用户A和广告视频a为例进行说明，其他训练样本的构建过程类似。用户A在观看广告视频a之前也观看了很多广告视频，用户A和其他两个用户在观看广告视频a之前可能观看了不同的广告视频，具体不做限定。将用户A 在观看广告视频a之前观看的视频称为历史视频样本，在得到用户A授权的情况下，可以记录用户针对每个历史视频样本是否输入了点击操作，从而得到相应的历史点击情况数据样本，并在本步骤中进行获取。

步骤203、根据历史点击情况数据样本确定用户样本在目标视频样本出现之前最近点击过的第一预设数量的历史视频样本，得到目标历史视频样本。

示例性的，仍以用户A和广告视频a为例，第一预设数量可以是10个，也就是说，可以根据历史点击情况数据样本确定用户A在广告视频a出现之前，最近点击过的10个历史视频样本，将这10个历史视频样本作为目标历史视频样本。

步骤204、针对每个目标历史视频样本，获取当前目标历史视频样本中的第二预设数量的历史视频帧数据。

示例性的，考虑到模型大小和训练效率，可以将第二预设数量设置为1，则历史视频帧数据为历史视频封面帧数据。继续上述举例，本步骤针对10个目标历史视频样本中的每个目标历史视频样本，获取视频封面帧用于构建训练样本，分别记为[封面帧1，封面帧2，…，封面帧10]。

步骤205、获取目标视频样本中的第三预设数量的目标视频帧数据。

示例性的，继续上述举例，本步骤中获取广告视频a中的第三预设数量的目标视频帧数据。假设第三预设数量为10，对广告视频a进行抽帧处理，抽帧数量为10，抽帧规则不做限定，例如可以是等间隔抽取，得到的视频帧可记为[图片帧1，图片帧2，…，图片帧10]。

步骤206、根据历史视频帧数据和目标视频帧数据确定训练样本数据，根据用户样本是否点击目标视频样本确定训练样本数据对应的样本标签，得到训练样本集。

示例性的，继续上述举例，本步骤中根据10个封面帧和10个图片帧构建训练样本数据。可选的，可以对这10个图片进行预处理，假设CTR预测模型接收的图片长度为H，宽度为W，彩色图片的RGB(红绿蓝)通道(channel) 数量为3，则训练样本数据可以被处理为20个H*W*3的像素矩阵，并且将每个像素点进行归一化处理。用户A在观看广告视频a的过程中，可能会点击广告视频a，也可能不会点击广告视频a，可根据用户A是否点击来确定对应的训练样本数据的样本标签(lable)，例如，0表示用户未点击，1表示用户点击。相应的，在CTR预测模型使用过程中，若输出0，则表示预测出用户不会点击，若输出1，则表示预测出用户会点击。

针对上述六种组合，可以分别得出6条训练样本，进而得到训练样本集。需要说明的是，上述仅作为举例说明，实际应用时训练样本集中训练样本的数量不做限定，可以远大于6。

步骤207、采用训练样本集对预设神经网络模型进行训练，得到针对待推荐广告视频的点击通过率预测模型。

为了便于理解本发明，下面对预设神经网络模型的具体结构进行示意性说明。图3为本公开实施例提供的一种预设神经网络模型的结构示意图，如图3 所示，预设神经网络模型中包括图像特征提取网络(Resnet)和特征融合网络 (Video Bert)，也就是说，在图3所示实例中，第一图像特征提取网络和第二图像特征提取网络相同，特征融合网络可以是针对视频图像进行融合的Bert模型。图像特征提取网络可以对每张图片进行卷积处理，识别不同感受野所包含的特征。特征融合网络可以对图像特征提取网络输出的图像特征的时序特征进行建模，并利用池化抽取等操作，输出融合后的特征。此外，预设神经网络模型中还可包括其他网络结构(预设网络)，如深度(Dense)层，具体可以是全连接层。在对预设神经网络模型进行训练时，将训练样本中的历史视频帧数据和目标视频帧数据输入至图像特征提取网络中，得到相应的视频图像特征，按照时序排列的历史视频图像特征和按照时序排列的目标视频图像特征经由特征融合网络，输出对应的融合特征，融合特征经由深度层输出用户样本选择目标视频样本的预测值，根据预测值和对应的样本标签计算点击通过率损失函数(CTR Loss)，并基于CTR Loss对预设神经网络模型进行调整，得到针对待推荐广告视频的CTR预测模型。也就是说，在训练过程中会不断调整网络参数，通过优化CTR loss，使得模型学习到当前广告视频与用户历史点击视频的相关性，进而使得模型可以更准确地预测点击率。

本发明实施例通过采用上述技术方案，模型可以同时完成历史视频帧数据和目标视频帧数据的各自特征建模与交互特征编码，产出高质量的广告视频内容特征，也即模型可以学习到哪些广告视频用户喜欢看，广告视频中的哪些特征吸引了用户，进而提高模型预测点击率的准确性，提升点击率预估效果。

图4为本公开实施例提供的一种模型使用方法的流程示意图，该方法适用于对用户针对待推荐视频的行为进行预测的场景，可以由模型使用装置执行，其中该装置可由软件和/或硬件实现，一般可集成在计算机设备中。如图4所示，该方法包括：

步骤401、获取待推荐视频的特征数据。

本公开实施例中，待推荐视频可以理解为想要推荐给用户的视频，具体可以由当前的应用场景来确定，例如，可以是在视频库基础上，经过召回以及粗排等操作确定出来的视频。本步骤中，待推荐视频的特征数据的确定方式可以与用于模型训练的目标视频样本的特征数据的确定方式相同，例如，可获取待推荐视频中的第三预设数量的视频帧数据，具体可参考上文相关内容，此处不再赘述。

步骤402、将待推荐视频的特征数据输入至针对待推荐视频的用户行为预测模型中。

其中，所述针对待推荐视频的用户行为预测模型采用如本公开实施例提供的方法得到。

步骤403、根据针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

示例性的，用户行为预测模型的输出结果可以是用户针对待推荐视频可能产生的用户行为，或产生某个用户行为的概率。这里的当前用户可以是任意一个用户，本发明实施例不做限定。

例如，以待推荐视频为待推荐广告视频为例，可以根据输出结果预测用户是否会点击待推荐广告视频或者点击待推荐广告视频的概率。

本公开实施例提供的模型使用方法，将需要进行用户行为预测的待推荐视频的特征数据输入至本公开实施例提供的针对待推荐视频的用户行为预测模型中，无需输入用户观看过的视频的相关数据，使得模型可以快速输出结果，并根据模型的输出结果预测当前用户针对待推荐视频的用户行为，由于该模型具有对待推荐视频的内容进行理解能力，可以准确地预测出当前用户针对待推荐视频的用户行为，进而可以更合理地确定是否向当前用户推荐该待推荐视频。

图5为本公开实施例提供的另一种模型使用方法的流程示意图，该方法适用于对用户针对待推荐视频的行为进行预测的场景，可以由模型使用装置执行，其中该装置可由软件和/或硬件实现，一般可集成在计算机设备中。如图5所示，该方法包括：

步骤501、获取待推荐视频的特征数据。

本公开实施例中，待推荐视频可以理解为想要推荐给用户的视频，具体可以由当前的应用场景来确定，例如，可以是在视频库基础上，经过召回以及粗排等操作确定出来的视频。本步骤中，待推荐视频的特征数据的确定方式可以与用于模型训练的目标视频样本的特征数据的确定方式相同，例如，可获取待推荐视频中的第三预设数量的视频帧数据，具体可参考上文相关内容，此处不再赘述。

步骤502、获取当前用户针对所述待推荐视频之前出现的已推荐视频的历史行为数据，并根据所述历史行为数据确定对应的目标历史视频。

示例性的，目标历史视频的确定方式可以与用于模型训练的目标历史视频样本的确定方式相同，具体可参考上文相关内容，此处不再赘述。需要说明的是，在获取当前用户的行为数据之前，需要获取用户的授权。

步骤503、将待推荐视频的特征数据和目标历史视频的特征数据输入至针对待推荐视频的用户行为预测模型中。

其中，所述针对待推荐视频的用户行为预测模型采用如本公开实施例提供的方法得到。

示例性的，目标历史视频的特征数据的确定方式可以与用于模型训练的目标历史视频样本的特征数据的确定方式相同，例如，针对每个目标历史视频，获取当前目标历史视频中的第二预设数量的历史视频帧数据，具体可参考上文相关内容，此处不再赘述。

步骤504、根据针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

示例性的，用户行为预测模型的输出结果可以是用户针对待推荐视频可能产生的用户行为，或产生某个用户行为的概率。这里的当前用户可以是任意一个用户，本发明实施例不做限定。

例如，以待推荐视频为待推荐广告视频为例，可以根据输出结果预测用户是否会点击待推荐广告视频或者点击待推荐广告视频的概率。

本公开实施例提供的模型使用方法，将需要进行用户行为预测的待推荐视频的特征数据以及当前用户对应的目标历史视频的特征数据输入至本公开实施例提供的针对待推荐视频的用户行为预测模型中，并根据模型的输出结果预测当前用户针对待推荐视频的用户行为，由于该模型具有对待推荐视频的内容进行理解能力，可以准确地预测出当前用户针对待推荐视频的用户行为，进而可以更合理地确定是否向当前用户推荐该待推荐视频。

图6为本公开实施例提供的一种模型训练装置的结构框图，该装置可由软件和/或硬件实现，一般可集成在计算机设备中，可通过执行模型训练方法来进行模型训练。如图6所示，该装置包括：

第一样本确定模块601，用于确定目标视频样本和用户样本，其中，所述用户样本包括所述目标视频样本对应的已推荐用户；

第二样本确定模块602，用于获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本；

训练样本集确定模块603，用于根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集；

模型训练模块604，用于采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型。

本公开实施例中提供的模型训练装置，在进行用户行为预测模型的训练时，根据用户样本的历史行为数据来选择历史视频样本，并将历史视频样本的特征数据与目标视频样本的特征数据一起作为训练样本输入到神经网络模型中进行训练，可以为目标视频样本增加用户行为相关的内容属性特征，增强用户行为预测模型对目标视频样本的内容理解能力，可提高用于视频推荐的用户行为预测模型的预测准确度。

可选的，所述行为包括选择推荐视频；所述获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本，包括：

获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史选择情况数据样本；

根据所述历史选择情况数据样本确定所述用户样本在所述目标视频样本出现之前最近选择过的第一预设数量的历史视频样本，得到目标历史视频样本。

可选的，所述根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集，包括：

针对每个目标历史视频样本，获取当前目标历史视频样本中的第二预设数量的历史视频帧数据；

获取所述目标视频样本中的第三预设数量的目标视频帧数据；

根据所述历史视频帧数据和所述目标视频帧数据确定训练样本数据，根据所述用户样本是否选择所述目标视频样本确定所述训练样本数据对应的样本标签，得到训练样本集。

可选的，所述第二预设数量小于所述第三预设数量，所述历史视频帧数据包括历史视频封面帧数据。

可选的，所述采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型，包括：

将所述历史视频帧数据输入至预设神经网络模型中的第一图像特征提取网络中，得到相应的历史视频图像特征；

将所述目标视频帧数据输入至所述预设神经网络模型中的第二图像特征提取网络中，得到相应的目标视频图像特征；

按照时序排列的历史视频图像特征和按照时序排列的目标视频图像特征经由所述预设神经网络模型中的特征融合网络，输出对应的融合特征，其中，所述特征融合网络基于自注意力机制构建；

所述融合特征经由所述预设神经网络模型中的预设网络输出所述用户样本选择所述目标视频样本的预测值；

根据所述预测值和对应的样本标签计算损失函数，并基于所述损失函数对所述预设神经网络模型进行调整，得到针对待推荐视频的用户行为预测模型。

可选的，所述待推荐视频包括短视频平台中的待推荐广告视频，所述用户行为预测模型包括点击通过率预测模型。

图7为本公开实施例提供的一种模型使用装置的结构框图，该装置可由软件和/或硬件实现，一般可集成在计算机设备中，可通过执行模型训练方法来进行模型训练。如图7所示，该装置包括：

特征数据获取模块701，用于获取待推荐视频的特征数据；

数据输入模块702，用于将所述待推荐视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

行为预测模块703，用于根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

本公开实施例提供的模型使用装置，将需要进行用户行为预测的待推荐视频的特征数据输入至本公开实施例提供的针对待推荐视频的用户行为预测模型中，无需输入用户观看过的视频的相关数据，使得模型可以快速输出结果，并根据模型的输出结果预测当前用户针对待推荐视频的用户行为，由于该模型具有对待推荐视频的内容进行理解能力，可以准确地预测出当前用户针对待推荐视频的用户行为，进而可以更合理地确定是否向当前用户推荐该待推荐视频。

图8为本公开实施例提供的另一种模型使用装置的结构框图，该装置可由软件和/或硬件实现，一般可集成在计算机设备中，可通过执行模型训练方法来进行模型训练。如图8所示，该装置包括：

特征数据获取模块801，用于获取待推荐视频的特征数据；

历史视频确定模块802，用于获取当前用户针对所述待推荐视频之前出现的已推荐视频的历史行为数据，并根据所述历史行为数据确定对应的目标历史视频；

数据输入模块803，用于将所述待推荐视频的特征数据和所述目标历史视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

行为预测模块804，用于根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

本公开实施例提供的模型使用装置，将需要进行用户行为预测的待推荐视频的特征数据以及当前用户对应的目标历史视频的特征数据输入至本公开实施例提供的针对待推荐视频的用户行为预测模型中，并根据模型的输出结果预测当前用户针对待推荐视频的用户行为，由于该模型具有对待推荐视频的内容进行理解能力，可以准确地预测出当前用户针对待推荐视频的用户行为，进而可以更合理地确定是否向当前用户推荐该待推荐视频。

下面参考图9，其示出了适于用来实现本公开实施例的计算机设备900的结构示意图。本公开实施例中的计算机设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP (便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图9所示，计算机设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有计算机设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出 (I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许计算机设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的计算机设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902 被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、 RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述计算机设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该计算机设备执行时，使得该计算机设备能够执行本公开实施例提供的任一模型训练方法或模型使用方法的步骤。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一样本确定模块还可以被描述为“确定目标视频样本和用户样本的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统 (SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

根据本公开的一个或多个实施例，提供了一种模型训练方法，包括：

确定目标视频样本和用户样本，其中，所述用户样本包括所述目标视频样本对应的已推荐用户；

获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本；

根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集；

采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型。

进一步的，所述行为包括选择推荐视频；

所述获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本，包括：

获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史选择情况数据样本；

根据所述历史选择情况数据样本确定所述用户样本在所述目标视频样本出现之前最近选择过的第一预设数量的历史视频样本，得到目标历史视频样本。

进一步的，所述根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集，包括：

针对每个目标历史视频样本，获取当前目标历史视频样本中的第二预设数量的历史视频帧数据；

获取所述目标视频样本中的第三预设数量的目标视频帧数据；

根据所述历史视频帧数据和所述目标视频帧数据确定训练样本数据，根据所述用户样本是否选择所述目标视频样本确定所述训练样本数据对应的样本标签，得到训练样本集。

进一步的，所述第二预设数量小于所述第三预设数量，所述历史视频帧数据包括历史视频封面帧数据。

进一步的，所述采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型，包括：

将所述历史视频帧数据输入至预设神经网络模型中的第一图像特征提取网络中，得到相应的历史视频图像特征；

将所述目标视频帧数据输入至所述预设神经网络模型中的第二图像特征提取网络中，得到相应的目标视频图像特征；

按照时序排列的历史视频图像特征和按照时序排列的目标视频图像特征经由所述预设神经网络模型中的特征融合网络，输出对应的融合特征，其中，所述特征融合网络基于自注意力机制构建；

所述融合特征经由所述预设神经网络模型中的预设网络输出所述用户样本选择所述目标视频样本的预测值；

根据所述预测值和对应的样本标签计算损失函数，并基于所述损失函数对所述预设神经网络模型进行调整，得到针对待推荐视频的用户行为预测模型。

进一步的，所述待推荐视频包括短视频平台中的待推荐广告视频，所述用户行为预测模型包括点击通过率预测模型。

根据本公开的一个或多个实施例，提供了一种模型使用方法，包括：

获取待推荐视频的特征数据；

将所述待推荐视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

根据本公开的一个或多个实施例，提供了一种模型使用方法，包括：

获取待推荐视频的特征数据；

获取当前用户针对所述待推荐视频之前出现的已推荐视频的历史行为数据，并根据所述历史行为数据确定对应的目标历史视频；

将所述待推荐视频的特征数据和所述目标历史视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

根据本公开的一个或多个实施例，提供了一种模型训练装置，包括：

第一样本确定模块，用于确定目标视频样本和用户样本，其中，所述用户样本包括所述目标视频样本对应的已推荐用户；

第二样本确定模块，用于获取所述用户样本针对所述目标视频样本之前出现的已推荐视频的历史行为数据样本，并根据所述历史行为数据样本确定对应的目标历史视频样本；

训练样本集确定模块，用于根据所述目标历史视频样本的特征数据、所述目标视频样本的特征数据、以及所述用户样本针对所述目标视频样本的行为数据确定训练样本集；

模型训练模块，用于采用所述训练样本集对预设神经网络模型进行训练，得到针对待推荐视频的用户行为预测模型。

根据本公开的一个或多个实施例，提供了一种模型使用装置，包括：

特征数据获取模块，用于获取待推荐视频的特征数据；

数据输入模块，用于将所述待推荐视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

行为预测模块，用于根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

根据本公开的一个或多个实施例，提供了一种模型使用装置，包括：

特征数据获取模块，用于获取待推荐视频的特征数据；

历史视频确定模块，用于获取当前用户针对所述待推荐视频之前出现的已推荐视频的历史行为数据，并根据所述历史行为数据确定对应的目标历史视频；

数据输入模块，用于将所述待推荐视频的特征数据和所述目标历史视频的特征数据输入至针对待推荐视频的用户行为预测模型中，其中，所述针对待推荐视频的用户行为预测模型采用本发明实施例提供的模型训练方法得到；

行为预测模块，用于根据所述针对待推荐视频的用户行为预测模型的输出结果预测当前用户针对所述待推荐视频的用户行为。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。