一种训练方法、推荐方法及装置

技术领域

本发明涉及智能推荐技术领域，尤其涉及一种训练方法、推荐方法及装置。

背景技术

在视频推荐场景中，可能存在大量体育视频产品用户，通常对影视、综艺类视频产品不感兴趣，视频播放平台希望通过视频推荐方式为类似用户推荐感兴趣的视频影视、综艺类视频产品，以使类似用户可持续性留在视频播放平台，提高视频播放平台的用户保有量。

相关技术中，可以通过协同过滤学习模式为用户进行影视、综艺类视频产品推荐，但是这种推荐方式的模型的表达能力弱，无法精准为用户推荐影视、综艺类视频产品，造成影视、综艺类视频产品推荐困难的问题。

发明内容

根据本公开的一方面，提供了一种训练方法，包括：

基于用户基本信息和用户针对多媒体产品的异构行为信息获取图结构样本数据，所述图结构样本数据包括多个节点样本的节点数据、多个行为样本数据和节点数据的关系信息，所述多个节点样本包括用户样本和多媒体产品样本，所述节点数据的关系信息包括所述用户样本和所述多媒体产品样本之间的异构行为关系；

基于所述图结构样本数据训练行为预测模型，所述行为预测模型包括图神经网络和行为偏好预测层，所述图神经网络用于基于与同一节点样本关联的相邻节点样本的节点数据和行为样本数据，获得所述节点样本的节点更新数据，所述行为偏好预测层用于基于多个所述行为样本数据、多个所述用户样本的节点更新数据和多个所述多媒体产品样本的节点更新数据，确定多个所述用户样本针对不同多媒体产品样本的多重行为偏好预测信息。

根据本公开的另一方面，提供了一种推荐方法，包括：

将目标用户数据、目标行为数据和多个多媒体产品数据输入本公开示例性实施例训练的所述行为预测模型；

利用所述行为预测模型从多个所述用户样本针对不同多媒体产品样本的多重行为偏好预测信息获取所述目标用户针对不同多媒体产品样本的多重行为偏好预测信息；

若所述目标用户针对目标多媒体产品的目标行为偏好信息满足推荐条件，推荐所述目标多媒体产品。

根据本公开的另一方面，提供了一种训练装置，包括：

获取模块，用于基于用户基本信息和用户针对多媒体产品的异构行为信息获取图结构样本数据，所述图结构样本数据包括多个节点样本的节点数据、多个行为样本数据和节点数据的关系信息，所述多个节点样本包括用户样本和多媒体产品样本，所述边样本数据包括多个，所述节点数据的关系信息包括所述用户样本和所述多媒体产品样本之间的异构行为关系；

训练模块，用于基于所述图结构样本数据训练行为预测模型，所述行为预测模型包括图神经网络和行为偏好预测层，所述图神经网络用于基于与同一节点样本关联的相邻节点样本的节点数据和行为样本数据，获得所述节点样本的节点更新数据，所述行为偏好预测层用于基于多个所述行为样本数据、多个所述用户样本的节点更新数据和多个所述多媒体产品样本的节点更新数据，确定多个所述用户样本针对不同多媒体产品样本的多重行为偏好预测信息。

根据本公开的另一方面，提供了一种推荐装置，包括：

推理模块，用于将目标用户数据、目标行为数据和多个多媒体产品数据输入本公开示例性实施例训练的所述行为预测模型，利用所述行为预测模型从多个所述用户样本针对不同多媒体产品样本的多重行为偏好预测信息获取所述目标用户针对不同多媒体产品样本的多重行为偏好预测信息；

推荐模块，用于若所述目标用户针对目标多媒体产品的目标行为偏好信息满足推荐条件，推荐所述目标多媒体产品。

根据本公开的另一方面，提供了一种电子设备，包括：

处理器；以及，

存储程序的存储器；

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据本公开示例性实施例所述的方法。

根据本公开的另一方面，提供了一种非瞬时计算机可读存储介质，其特征在于，所述非瞬时计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行根据本公开示例性实施例所述的方法。

本公开示例性实施例中提供的一个或多个技术方案中，可以基于用户基本信息和用户针对多媒体产品的异构行为信息获取图结构样本数据，使得该图结构样本数据包括的多个节点样本的节点数据、多个行为样本数据和节点数据的关系信息，可见，本公开示例性实施例可以将用户针对多媒体产品的高阶异构行为引入到图结构样本数据中，形成以用户样本、多媒体产品样本为节点，以用户样本与多媒体产品样本之间的异构行为为边的异构图。

当基于多关系图结构数据训练行为预测模型时，图神经网络用于可以基于与每个目标节点样本相邻的邻居节点样本的节点数据确定对应目标节点样本的节点更新数据，而行为偏好预测层用于基于多个行为样本数据和多个节点样本的节点更新数据，确定用户样本针对多媒体产品样本的多重行为偏好预测信息，可见，行为预测模型不仅可以将异构行为信息融合到用户和多媒体产品中，还可以通过信息传递过程考虑用户、多媒体产品和用户行为之间的高阶联系，以充分分析用户对目标类型多媒体产品的稀疏行为信息，从而有效提取用户对于目标类型多媒体产品的多重行为偏好预测信息，从而达到对高阶异构行为深度建模的目的。

不仅如此，图神经网络用于基于与每个节点样本相邻的邻居节点样本的节点数据确定对应节点样本的节点更新数据，并未融合自身的节点数据，以减少模型参数量，使得行为预测模型轻量化，提高行为预测模型的行为偏好预测速度。同时，借助图神经网络的层间连接操作捕捉到节点样本的自连接，可以保证节点样本不会因为仅融合邻居节点样本的节点数据，所导致的节点数据丢失问题，因此，本公开示例性实施例的行为偏好预测层可以基于多个行为样本信息和多个节点样本的节点更新信息，可以准确的确定用户样本针对多媒体产品样本的多重行为偏好预测信息，为多媒体产品推荐做好充分的准备工作。

本公开示例性实施例的方法在多媒体产品推荐场景下，可以将目标用户数据、目标行为数据和多个多媒体产品数据输入训练完成的行为预测模型，从而获得目标用户针对多种多媒体产品的多重行为偏好信息，然后基于协同过滤模式判断目标用户针对目标多媒体产品的目标行为偏好信息是否满足推荐条件，如果满足推荐条件，说明目标用户向目标多媒体产品施加目标行为的可能性比较高，可以推荐目标多媒体产品。

可见，本公开示例性实施例的方法中，如果目标用户因为个人日常偏好问题，导致目标用户对某类多媒体产品的行为信息较为稀疏，可以将目标用户数据、目标行为数据和多个多媒体产品数据输入训练的行为预测模型中，以利用行为预测模型从多个用户样本针对不同多媒体产品样本的多重行为偏好预测信息，也就是用户样本、多媒体产品样本和行为样本之间的高阶联系，分析目标用户对多媒体产品的稀疏行为信息，从而获取目标用户针对多种多媒体产品的多重行为偏好信息，然后以此为依据，精准向目标用户推荐行为信息较为稀疏的目标多媒体产品，从而增加推荐的目标多媒体数据对目标用户的吸引力，提高多媒体播放平台的用户留存率。

附图说明

在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：

图1示出了本公开示例性实施例的一种训练方法的流程示意图；

图2示出了本公开示例性实施例的一种推荐方法的流程示意图；

图3示出了根据本公开示例性实施例的训练装置的示意性框图；

图4示出了根据本公开示例性实施例的推荐装置的示意性框图；

图5示出了根据本公开示例性实施例的芯片的示意性框图；

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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”。

在介绍本公开实施例之前首先对本公开实施例中涉及到的相关名词作如下释义：

协同过滤算法(collaborative filtering，CF)是基于用户行为设计的推荐算法，其通过群体行为来找到某种相似性(用户之间的相似性或者物品之间的相似性)，通过相似性来为用户做决策和推荐。从字面上理解，协同过滤包括协同和过滤两个操作。协同就是汇集所有用户的反馈、评价等(与网站不断进行互动。而过滤则是通过协同得到信息的过程，其可以从海量物品进行过滤，筛选出用户感兴趣的物品。

图神经网络(Graph Neural Networks,GNNs)是一种基于图结构的深度学习方法，将深度学习的预测能力应用于丰富的数据结构，这些数据结构将对象及其关系描述为图中由线连接的点。在GNN中，数据点被称为节点，它们通过线(称为边)与以数学方式表示的元素相连，因此，机器学习算法可以在节点、边或整个图的级别上做出有用的预测。

图卷积网络(Graph Convolutional Networks GCN)是一种能够直接作用于图并且利用其结构信息的卷积神经网络。GCN的主要思想是对于每个节点，需要考虑其所有邻居以及其自身所包含的特征信息。

邻接矩阵(Adjacency Matrix)是表示图中顶点之间相邻关系的矩阵，是n阶方阵(n为顶点数量)，它的逻辑结构分为两部分顶点集合和边集合，可以用一个一维数组存放图中所有顶点数据；用一个二维数组存放顶点间关系(边或弧)的数据，这个二维数组称为邻接矩阵。

度矩阵(Degree)是对角阵，对角上的元素为图中各个顶点的度。顶点的度表示和该顶点相关联的边的数量。无向图中顶点vi的度d(vi)＝N(i)，N(i)表示边的数量，有向图中顶点vi的度分为顶点vi的出度和入度，即从顶点vi出去的有向边的数量和进入顶点vi的有向边的数量。

异构行为是指用户与商品间具有多重交互关系的用户行为，其具有行为异构特性，每种行为各自包含不同的语义。例如，不同行为一般反映出不同的用户偏好程度，点击通常只意味着用户对商品具有初步且较为模糊的兴趣，而购买则代表着用户较强的偏好。

异构图又称异质图，是指在一个图上节点与边的种类都不止一类。二者类别数之和大于2即可被称为异质图。

在视频推荐场景中，可能存在大量体育视频产品用户，通常对影视、综艺类视频产品不感兴趣，视频播放平台希望通过视频推荐方式为类似用户推荐感兴趣的视频影视、综艺类视频产品，以使类似用户可持续性留在视频播放平台，提高视频播放平台的用户保有量。

目前，视频推荐系统通常采用传统的协同过滤学习模式关注于一种类型的用户行为，同时基于神经网络模型对这种类型的用户行为进行建模，从而利用神经网络模型预测目标用户对于该类型用户行为的偏好信息。这种方法在用户对于影视、综艺类视频产品行为稀疏的场景中，难以有效学习到这类用户对影视、综艺类视频的偏好信息，导致向这类用户推荐影视、综艺类视频困难。

发明人发现，在视频播放过程中同一用户对目标视频产品存在着多行为特征，例如：浏览停留、跳转来源、点击、播放时长、收藏、评论、完播、下载等，可以将这种场景的行为定义为异构行为，这些异构行为为用户偏好学习提供有价值信息。但是，相关视频推荐系统仅利用用户和视频产品的一种类型的用户行为进行视频推荐，并未对用户异构行为进行深度分析，从而大大降低了神经网络模型的表达能力，使得视频推荐系统难以精准向用户推荐用户行为稀疏的影视、综艺类视频产品。

针对上述问题，本公开示例性实施例提供一种训练方法和推荐方法，可以充分分析用户异构行为信息，获得用户针对目标多媒体产品的多重行为偏好信息，以利用用户针对目标多媒体产品的多重行为偏好信息精准向用户推荐多媒体产品的目的。

在多媒体播放平台，按照所涉及的内容领域可以将多媒体产品分为多种类型。用户通常对某一类或者多类多媒体产品的用户行为比较多，使得这类多媒体产品的用户行为比较稠密，而对另一类或者积累多媒体产品行为比较少，使得这类多媒体产品的用户行为比较稀疏。

本公开示例性实施例可以使用训练方法挖掘多媒体播放平台中各种用户异构行为信息，通过对视频产品的异构行为显式建模，深入分析用户异构行为信息中用户、多媒体产品和行为之间的高阶联系，从而确定用户样本针对多媒体产品样本的多重行为偏好预测信息。在此基础上，利用利用训练完成的行为预测模型获取目标用户对行为稀疏类多媒体产品的多重偏好信息，从而精准推荐此类多媒体产品，提高多媒体播放平台的用户留存率。

本公开示例性实施例的方法所涉及到的多媒体产品，可以为视频类产品、音频类产品，还可以是图文类产品等。以视频播放平台为例，其所涉及的视频内容可以将视频产品的类型划分为影视、综艺、体育、科教等类型。在视频播放平台的用户中，有些用户比较喜欢体育类视频产品，经常对体育类视频产品产生用户行为，对于影视、综艺、科教等类型的视频产品不感兴趣。可见，对于这类用户来说，体育类视频产品的行为信息属于稠密信息，而影视、综艺类视频产品的行为信息属于稀疏信息。

本公开示例性实施例的方法可以通过训练行为预测模型深入分析用户异构行为信息中用户、视频产品和行为之间的高阶联系，从而确定用户样本针对视频产品的多重行为偏好预测信息，可见，利用本公开示例性实施例的方法可以为目标用户精准推荐影视、综艺类视频产品，提高视频播放平台的用户留存率。

本公开示例性实施例的训练方法和推荐方法可以应用于电子设备或应用于电子设备的芯片。该电子设备可以为各种计算机设备，例如：服务器、手机、平板电脑、可穿戴设备、车载设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、掌上电脑(Personal Digital Assistant，PDA)以及基于增强现实(augmented reality，AR)和/或虚拟现实(virtual reality，VR)技术的可穿戴设备等电子设备。

示例性的，当电子设备为可穿戴设备时，该可穿戴设备还可以是应用穿戴技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，如智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。

图1示出了本公开示例性实施例的一种训练方法的流程示意图。如图1所示，本公开示例性实施例的训练方法可以包括：

步骤101：基于用户基本信息和用户针对多媒体产品的异构行为信息获取图结构样本数据，该图结构样本数据包括多个节点样本的节点数据、多个行为样本数据和节点数据的关系信息，节点数据的关系信息包括用户样本和多媒体产品样本的异构行为关系。基于此，本公开示例性实施例可以将用户针对多媒体产品的高阶异构行为引入到图结构样本数据中，形成以用户、多媒体产品为节点，以用户行为为边的统一异构图。

在实际应用中，可以收集多媒体播放平台中大量用户基本信息和每个用户针对多媒体产品的异构行为，接着基于大量用户基本信息构建用户样本集合U，基于各个用户针对多媒体产品的异构行为构建多媒体产品样本集合V和行为样本集合R。

上述用户样本集合U包括多个用户样本u的属性信息，用户样本集合U的容量可以通过|U|表示，此时，用户样本的节点数据可以包括该用户样本的属性信息。这些用户基本信息可以是用户属性信息，例如：用户年龄、性别、学历等用户身份信息，用户所持有的终端类型、定位信息等用户终端信息等。

上述多媒体产品样本集合V包括多个多媒体产品样本v的属性信息，多媒体产品样本集合V的容量可以通过|V|表示。此时，多媒体产品样本的节点数据为多媒体产品样本的属性信息。本公开示例性实施例的多媒体产品可以是视频产品、音频产品或图文产品等，但不仅限于此。以视频类产品为例，多媒体产品样本集合V包括多个视频类产品的身份信息，可以按照视频类产品的内容所涉及的领域，将这些身份信息划分为影视、综艺、科教片、纪录片、动漫、体育等。

上述行为样本集合R包括多种行为样本r的身份信息，此时，行为样本数据可以为行为样本的属性信息，其在图结构样本数据中充当边样本数据的作用。以视频类产品为例，考虑到视频播放平台中的用户可以针对同一视频类产品施加异构行为(即多重行为)，因此，可以从视频播放平台收集的针对多媒体产品的异构行为信息获取到各种行为样本的身份信息，其可以包括浏览停留、跳转来源、点击、播放时长、收藏、评论、完播、下载、转发等多种行为。

在提取到用户样本集合U、多媒体产品样本集合V和行为样本集合R后，还可以基于用户针对多媒体产品的异构行为信息，获取到用户样本集合U包括的用户样本u的属性信息、多媒体产品样本v的属性信息和行为样本r的属性信息之间的关系，进而确定用户样本u、多媒体产品样本v和行为样本r之间的样本关系，将这些关系定义为用户-物品异构交互集合，其可以通过{Y

y(k)uv为矩阵Y

步骤102：基于图结构样本数据训练行为预测模型，行为预测模型包括图神经网络和行为偏好预测层，图神经网络用于基于与同一节点样本关联的相邻节点样本的节点数据和行为样本数据，获得所述节点样本的节点更新数据，行为偏好预测层用于基于多个行为样本数据和多个节点样本的节点更新数据，确定多个用户样本针对不同多媒体产品样本的多重行为偏好预测信息。

当当前节点样本为用户样本，邻居节点可以为多媒体产品样本。此时，图神经网络用于基于与同一用户样本关联的多媒体产品样本的节点数据和行为样本数据，确定对应用户样本的节点更新数据。此处与用户样本关联的多媒体产品样本可以是通过边连接的多媒体产品，其可以包括一个或多个多媒体产品，与该用户样本关联的行为样本可以是作为边与该用户样本关联的行为样本，其可以包括多个行为样本。

当前节点样本为多媒体产品样本时，邻居节点样本为用户样本。此时，图神经网络用于基于与同一多媒体产品样本关联的用户样本的节点数据和行为样本数据，确定对应多媒体产品样本的节点更新数据。此处与多媒体产品样本关联的用户样本，可以是与该多媒体产品样本发生行为的用户样本，与多媒体产品样本关联的行为样本数据可以是施加在该多媒体产品样本上的行为。

考虑到每个用户样本与多个多媒体产品样本之间存在异构行为关系，也就是多重行为，是的用户样本与多媒体产品样本之间存在以多重行为为桥梁的存在高阶联系，因此，行为预测模型不仅可以将异构行为信息融合到用户和多媒体产品中，还可以通过信息传递过程考虑用户、多媒体产品和用户行为之间的高阶联系，以充分分析用户对目标类型多媒体产品的稀疏行为信息，从而有效提取用户对于目标类型多媒体产品的多重行为偏好预测信息，从而达到对高阶异构行为深度建模的目的。

上述图神经网络用于在信息传递过程中，基于与每个节点样本相邻的邻居节点样本的节点数据确定对应节点样本的节点更新数据，并未融合自身的节点数据，以减少模型参数量，使得行为预测模型轻量化，提高行为预测模型的行为偏好预测速度。同时，借助神经网络的层间连接操作捕捉到节点样本的自连接，可以保证节点样本不会因为仅融合邻居节点样本的节点数据，所导致的节点数据丢失问题，因此，本公开示例性实施例的行为偏好预测层可以基于多个行为样本信息和多个节点样本的节点更新信息，可以准确的确定用户样本针对多媒体产品样本的多重行为偏好预测信息，为多媒体产品推荐做好充分的准备工作，保证精准推荐与目标用户匹配的多媒体产品，提高多媒体产品播放平台的用户留存率。

在一种可选方式中，本公开示例性实施例的图神经网络用于基于与每个节点样本相邻的邻居节点样本的节点数据和行为样本数据，确定对应节点样本的节点复合数据，对多个节点样本的节点复合数据进行图卷积操作，获得多个节点样本的节点更新数据。

在实际应用中，针对当前节点样本来说，可以基于节点数据的关系信息从多个节点样本的节点数据中获取到与当前节点样本相邻的邻居节点样本。此处的邻居节点样本可以是指在图结构中与当前节点样本直接连接的节点样本。同理，可以基于节点数据的关系信息从多个行为样本数据获取到与当前节点样本相关的行为样本数据，此处的行为样本数据可以是指当前节点样本与相邻节点样本之间作为关系桥梁的行为样本数据。

本公开示例性实施例的图卷积神经网络的数据处理流程可以分为复合阶段和图卷积阶段，在复合阶段，可以通过对邻居节点样本的节点数据和行为样本数据进行点积操作，达到对邻居节点样本的节点数据和行为样本数据复合的目的。在图卷积阶段，由于图卷积神经网络可以融合每个节点样本的节点复合数据和邻居节点样本的节点复合数据，因此，在复合阶段，每个节点样本的节点数据仅融合了邻居节点的节点数据和行为样本数据，但是可以在图卷积阶段融合每个节点样本的节点复合数据和邻居节点样本的节点复合数据的方式，捕捉到每个节点样本的节点数据，从而保证最终获取的节点样本的节点更新数据完整可靠。

示例性的，本公开示例性实施例的图神经网络对多个节点样本的节点复合数据进行图卷积操作时，可基于归一化邻接矩阵对每个节点样本的节点复合数据进行聚合，获得对应节点样本的节点聚合数据，通过神经网络对多个节点样本的节点聚合数据进行融合，获的多个节点样本的节点更新数据。

上述归一化邻接矩阵可以由节点数据的关系信息确定，例如：可以通过该节点数据的关系信息，获取到邻接矩阵A和度矩阵D，然后通过度矩阵和邻接矩阵获取到归一化邻接矩阵

其中，I为单位矩阵。

此时，可以基于归一化邻接矩阵和节点样本的节点复合数据，对该节点样本的节点数据和相邻节点样本的节点数据进行聚合，获得节点样本的节点聚合数据。在这个融合过程中，可以通过归一化邻接矩阵

本公开示例性实施例的神经网络可以包括多层全连接层，通过多层全连接层的高感受野对多个节点样本的节点聚合数据进行融合，这不仅不可以进一步的为每个节点样本捕捉到在复合阶段未被复合的节点样本的节点数据，还可以保证所获得的每个节点样本的节点更新数据的信息量更为丰富。

本公开示例性实施例的图神经网络可以为多层图神经网络，每层图神经网络输入的多个节点样本的节点数据为上一层图神经网络输出的多个节点样本的节点更新数据。例如：当前层图神经网络输入的用户样本的节点数据为上一层图神经网络输入的用户样本的节点更新数据，当前层神经网络输入的多媒体产品样本的节点数据可以为上一层图神经网络输出的多媒体产品的节点更新数据。

为了图神经网络可以输出嵌入空间维度相同的用户样本的节点更新数据、多媒体产品样本的节点更新数据和行为样本更新数据，本公开示例性实施例的通过图神经网络还用于将所述行为样本数据投影到所述用户样本的节点更新数据和所述多媒体产品样本的节点更新数据的嵌入空间中，获得行为样本更新数据。当图神经网络为多层图神经网络，每层所述图神经网络输入的行为样本数据为上一层图神经网络输出的行为样本更新数据。

示例性的，将行为样本数据的嵌入空间投影到用户样本和多媒体产品样本的节点更新数据嵌入空间维度，从而保证图神经网络可以输出嵌入空间维度相同的用户样本的节点更新数据、多媒体产品样本的节点更新数据和行为样本更新数据。

示例性的，本公开示例性实施例可以在每层图神经网络引入层特定参数，层特定参数可以将输入的行为样本数据的嵌入空间进行转换，将其投影到用户样本的节点更新数据、多媒体产品样本的节点更新数据的嵌入空间中。

下面以第l层图神经网络，描述第l层图神经网络输出的节点更新数据的确定过程。

第l层图神经网络输出的用户样本的节点更新数据

第l层图神经网络输出的多媒体产品样本的节点更新数据

在式二和式三中，W

在式二中，复合操作函数φ可以将第l-1层图神经网络输出的行为样本更新数据

第l层图神经网络输出的多媒体产品样本的节点更新数据

表示第l层图神经网络的层特定参数，其可以为恒定参数，也可以是需要通过训练行为预测模型更新的待更新参数。

在一种可选方式中，本公开示例性实施例的图神经网络为多层图神经网络时，行为偏好预测层可以用于基于多层图神经网络输出的同一节点样本的节点更新数据确定对应节点样本的节点目标数据，基于多个节点样本的节点目标数据和多个行为样本数据，确多个用户样本针对不同多媒体产品样本的多重行为偏好预测信息。

在实际应用中，本公开示例性实施例基于多层图神经网络输出的同一节点样本的节点更新数据确定对应节点样本的节点目标数据时，每个节点目标数据可以由多层图神经网络输出的对应节点样本的节点更新数据的加权求和结果确定。可见，本公开示例性实施例可以融合不同层的图神经网络输出的同一节点样本的节点更新数据，保证该节点样本的节点目标数据的信息量比较丰富和完整，从而提高后续行为偏好预测信息的预测准确性。

在多层图神经网络输出的对应节点样本的节点更新数据进行加权求和时，每层图神经网络输出的对应样本结构的节点更新数据权重可以相同。下面以图神经网络的层数为L层为例，通过式五描述用户样本的节点目标数据e

当l＝0时，

当本公开示例性实施例的用户样本的节点目标数据e

i表示向量的元素位置，d表示向量的维度，

在一种可选方式中，本公开示例性实施例在训练行为预测模型时，行为预测模型的学习方式为无负采样学习方式。本公开示例性实施例基于所述图结构样本数据训练行为预测模型，包括：

图神经网络基于与同一节点样本关联的相邻节点样本的节点数据和行为样本数据，获得所述节点样本的节点更新数据，行为偏好预测层基于多个所述行为样本数据、多个所述用户样本的节点更新数据和多个所述多媒体产品样本的节点更新数据，确定对应所述用户样本针对多媒体产品样本的多重行为偏好预测信息，从节点数据的关系信息提取多个所述用户样本针对不同多媒体产品样本的多重行为样本偏好标签，基于多个用户样本针对不同多媒体产品样本的多重行为样本偏好标签和多重行为偏好预测信息，确定行为预测模型的损失，基于行为预测模型的损失更新行为预测模型。

在实际应用中，该用户样本对多媒体产品施加某个行为样本，可以认为该个用户样本对于多媒体产品样本的行为样本标签为1，否则为0。基于此，可以从节点数据的关系信息中提取每个用户样本针对多媒体产品样本的行为样本偏好标签。考虑到本公开示例性实施例的行为预测模型的学习方式为多任务学习方式，因此，该行为预测模型的损失由多种行为样本的损失确定。例如：可以通过式十确定第k种行为样本的损失

在式十中，

每个行为样本的损失的确定方法可以包括：基于节点数据的关系信息提取用户样本针对所述多媒体产品样本的多重行为样本偏好标签，基于每个用户样本针对同一多媒体产品样本的行为偏好预测信息和行为样本偏好标签，确定每个用户样本针对对应多媒体产品样本的行为样本子损失，基于各个用户样本针对不同多媒体产品样本的同一行为样本的行为子损失，确定对应行为样本的损失。

示例性的，在基于每个用户样本针对同一多媒体产品样本的行为偏好预测信息和行为样本偏好标签，确定每个用户样本针对对应多媒体产品样本的行为样本子损失时，基于每个用户样本针对同一多媒体产品样本的行为偏好预测信息和行为样本偏好标签，确定对应所述用户样本针对同一多媒体产品样本的行为偏差，基于每个用户样本针对同一多媒体产品样本的行为偏差和行为样本重要度参数，确定每个用户样本针对对应多媒体产品样本的行为样本的损失。

本公开示例性实施例的方法可以从节点数据的关系信息获取到用户样本和多媒体产品样本之间已知的多重行为关系，进而确定每个用户样本对于多媒体产品样本的多重行为样本偏好标签。行为样本重要度参数可以是用户样本针对对应多媒体产品样本的行为重要度，例如：评论行为的重要度大于点赞行为的重要度，而点赞行为的重要度大于转发行为的重要度。同时，同一用户样本针对不同多媒体产品样本的同一行为样本重要度参数可以相同也可以不同，不同样本针对同一多媒体产品样本的同一行为样本重要度参数可以相同，也可以不同。

举例来说，本公开示例性实施例的行为预测模型的损失L(θ)可以采用式九确定：

在式九中，λ

在确定行为预测模型的损失后，可以判断行为预测模型的损失是否小于损失阈值，若小于损失阈值，可以认为训练完成，否则，可以通过Adam优化器来优化行为预测模型在多任务学习方式下的模型参数。此处的模型参数可以是图卷积网络的模型参数。

图2示出了本公开示例性实施例的一种推荐方法的流程示意图。如图2所示，本公开示例性实施例提供的推荐方法可以包括：

步骤201：将目标用户数据、目标行为数据和多个多媒体产品数据输入本公开示例性实施例的行为预测模型。

在实际应用中，上述行为预测模型所输入的各种信息可以是从多媒体产品播放平台收集，目标用户数据和多媒体产品数据可以通过多媒体产品播放平台收集，目标标用户数据可以是需要推荐多媒体产品的用户息，其可以包括该目标用户的性别、年龄等。多媒体产品数据可以是同一大类的多种多媒体产品数据，例如：对于视频产品来说，可以收集各种各样的视频产品，包括但不仅限于目标用户日常浏览次数大于或等于预设阈值的视频产品和日常浏览次数小于预设阈值的视频产品。

上述目标行为数据可以是预设的某种行为信息，可以来自于多媒体播放平台，例如：该目标行为的类别可以体现目标用户对多媒体产品关注程度比较高，其具体可以通过行为样本重要度参数确定，例如可以选择样本重要度参数确定的样本重要度大于某个阈值的一种或多种行为数据作为目标行为数据。

步骤202：利用行为预测模型从多个用户样本针对不同多媒体产品样本的多重行为偏好预测信息获取目标用户针对不同多媒体产品样本的多重行为偏好预测信息。

当行为预测模型训练结束后，其可以确定在最佳模型参数下的多个用户样本针对不同多媒体产品样本的多重行为偏好预测信息，也就是用户样本、多媒体产品样本和用户行为样本之间的高阶联系。而考虑到行为预测模型所输入的各种信息可以是从多媒体产品播放平台收集，目标用户数据、多媒体产品数据和目标行为数据也来自于多媒体产品播放平台，因此，利用行为预测模型从多个用户样本针对不同多媒体产品样本的多重行为偏好预测信息，可以查找到目标用户针对不同多媒体产品样本的多重行为偏好预测信息。

步骤203：若目标用户针对多媒体产品的目标行为偏好信息满足推荐条件，推荐目标多媒体产品。

在实际应用中，本公开示例性实施例的目标行为数据可以包括一种目标行为数据，也可以包括多种目标行为数据，当包括多种目标行为数据时，目标用户针对目标多媒体产品的目标行为偏好指标包括：目标用户针对多媒体产品的多种行为预测概率的加权结果。此时，可以将多种目标行为预测概率引入推荐多媒体产品中，保证推荐精度。

在一种实施例中，上述目标用户针对多媒体产品的目标行为偏好指标包括目标用户针对多媒体产品的目标行为预测概率，此时，本公开示例性实施例的推荐条件可以包括以下两种中的至少一种：

第一种：目标用户针对多媒体产品的目标行为预测概率大于或等于预设概率。也就是说，只要该目标用户针对某个多媒体产品的目标行为预测概率大于或等于预设概率，均认为该目标用户针对该多媒体产品的兴趣比较高，可以基于该多媒体产品的目标数据确定该多媒体产品类别，并基于该多媒体产品类别推荐多媒体产品。

第二种：按照目标用户针对所述多媒体产品的目标行为预测概率从大到小的顺序，对所述多媒体产品进行排序，该目标多媒体产品包括前f个多媒体产品。

本公开示例性实施例中提供的一个或多个技术方案中，可以基于用户基本信息和用户针对多媒体产品的异构行为信息获取图结构样本数据，使得该图结构样本数据包括的多个节点样本的节点数据、多个行为样本数据和节点数据的关系信息，可见，本公开示例性实施例可以将用户针对多媒体产品的高阶异构行为引入到图结构样本数据中，形成以用户样本、多媒体产品样本为节点，以用户样本与多媒体产品样本之间的异构行为为边的异构图。

当基于多关系图结构数据训练行为预测模型时，图神经网络用于可以基于与每个目标节点样本相邻的邻居节点样本的节点数据确定对应目标节点样本的节点更新数据，而行为偏好预测层用于基于多个行为样本数据和多个节点样本的节点更新数据，确定用户样本针对多媒体产品样本的多重行为偏好预测信息，可见，行为预测模型不仅可以将异构行为信息融合到用户和多媒体产品中，还可以通过信息传递过程考虑用户、多媒体产品和用户行为之间的高阶联系，以充分分析用户对目标类型多媒体产品的稀疏行为信息，从而有效提取用户对于目标类型多媒体产品的多重行为偏好预测信息，从而达到对高阶异构行为深度建模的目的。

不仅如此，图神经网络用于基于与每个节点样本相邻的邻居节点样本的节点数据确定对应节点样本的节点更新数据，并未融合自身的节点数据，以减少模型参数量，使得行为预测模型轻量化，提高行为预测模型的行为偏好预测速度。同时，借助图神经网络的层间连接操作捕捉到节点样本的自连接，可以保证节点样本不会因为仅融合邻居节点样本的节点数据，所导致的节点数据丢失问题，因此，本公开示例性实施例的行为偏好预测层可以基于多个行为样本信息和多个节点样本的节点更新信息，可以准确的确定用户样本针对多媒体产品样本的多重行为偏好预测信息，为多媒体产品推荐做好充分的准备工作。

本公开示例性实施例的方法在多媒体产品推荐场景下，可以基于目标用户信息针对多种多媒体产品的异构行为信息确定目标用户的初始节点数据、多媒体产品的初始节点数据和行为初始节点数据，然后将目标用户的初始节点数据、多媒体产品的初始节点数据和行为初始节点数据输入训练完成的行为预测模型，从而获得目标用户针对多种多媒体产品的多重行为偏好信息，然后基于协同过滤模式判断目标用户针对目标多媒体产品的目标行为偏好信息是否满足推荐条件，如果满足推荐条件，说明目标用户向目标多媒体产品施加目标行为的可能性比较高，可以推荐目标多媒体产品。

可见，本公开示例性实施例的方法中，如果目标用户因为个人日常偏好问题，导致目标用户对某类多媒体产品的行为信息较为稀疏，可以将目标用户数据、目标行为数据和多个多媒体产品数据输入训练的行为预测模型中，以利用行为预测模型从多个用户样本针对不同多媒体产品样本的多重行为偏好预测信息，也就是用户样本、多媒体产品样本和行为样本之间的高阶联系，分析目标用户对多媒体产品的稀疏行为信息，从而获取目标用户针对多种多媒体产品的多重行为偏好信息，然后以此为依据，精准向目标用户推荐行为信息较为稀疏的目标多媒体产品，从而增加推荐的目标多媒体数据对目标用户的吸引力，提高多媒体播放平台的用户留存率。

上述主要从电子设备的角度对本公开实施例提供的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

本公开实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本公开实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在采用对应各个功能划分各个功能模块的情况下，本公开示例性实施例提供一种训练装置，该训练装置可以为电子设备或应用于电子设备的芯片。图3示出了根据本公开示例性实施例的训练装置的功能模块示意性框图。如图3所示，该训练装置300包括：

获取模块301，用于基于用户基本信息和用户针对多媒体产品的异构行为信息获取图结构样本数据，所述图结构样本数据包括多个节点样本的节点数据、多个行为样本数据和节点数据的关系信息，所述多个节点样本包括用户样本和多媒体产品样本，所述边样本数据包括多个，所述节点数据的关系信息包括所述用户样本和所述多媒体产品样本之间的异构行为关系；

训练模块302，用于基于所述图结构样本数据训练行为预测模型，所述行为预测模型包括图神经网络和行为偏好预测层，所述图神经网络用于基于与同一节点样本关联的相邻节点样本的节点数据和行为样本数据，获得所述节点样本的节点更新数据，所述行为偏好预测层用于基于多个所述行为样本数据、多个所述用户样本的节点更新数据和多个所述多媒体产品样本的节点更新数据，确定多个所述用户样本针对不同多媒体产品样本的多重行为偏好预测信息。

在一种可选方式中，所述图神经网络用于基于与同一节点样本关联的相邻节点样本的节点数据和行为样本数据，获得对应所述节点样本的节点复合数据，对多个所述节点样本的节点复合数据进行图卷积操作，获得多个所述节点样本的节点更新数据。

在一种可选方式中，所述图神经网络用于基于归一化邻接矩阵对每个所述节点样本的节点复合数据进行聚合，获得对应所述节点样本的节点聚合数据，通过神经网络对多个所述节点样本的节点聚合数据进行融合，获的多个所述节点样本的节点更新数据，所述归一化邻接矩阵由所述节点数据的关系信息确定。

在一种可选方式中，所述图神经网络用于基于与同一用户样本关联的所述多媒体产品样本的节点数据和行为样本数据，获得对应所述用户样本的节点更新数据，基于与同一多媒体产品样本关联的所述用户样本的节点数据和所述行为样本数据，确定对应所述多媒体产品样本的节点更新数据。

在一种可选方式中，所述图神经网络为多层图神经网络，所述行为偏好预测层用于基于多层所述图神经网络输出的同一所述节点样本的节点更新数据确定对应所述节点样本的节点目标数据，基于多个所述节点样本的节点目标数据和多个所述行为样本数据，确定多个所述用户样本针对不同多媒体产品样本的多重行为偏好预测信息。

在一种可选方式中，每个所述节点目标数据由多层所述图神经网络输出的对应所述节点样本的节点更新数据的加权求和结果确定。

在一种可选方式中，所述行为预测模型的学习方式为无负采样学习方式，所述行为预测模型的损失由多种行为样本的损失确定，所述训练模块301用于：

所述图神经网络基于与同一节点样本关联的相邻节点样本的节点数据和行为样本数据，获得所述节点样本的节点更新数据，所述行为偏好预测层基于多个所述行为样本数据、多个所述用户样本的节点更新数据和多个所述多媒体产品样本的节点更新数据，确定对应所述用户样本针对多媒体产品样本的多重行为偏好预测信息，从所述节点数据的关系信息提取多个所述用户样本针对不同所述多媒体产品样本的多重行为样本偏好标签，基于多个所述用户样本针对不同所述多媒体产品样本的多重行为样本偏好标签和多重行为偏好预测信息，确定所述行为预测模型的损失；

基于所述图神经网络的损失更新所述行为预测模型。

在采用对应各个功能划分各个功能模块的情况下，本公开示例性实施例提供一种推荐装置，该推荐装置可以为服务器或应用于服务器的芯片。图4示出了根据本公开示例性实施例的推荐装置的功能模块示意性框图。如图4所示，该推荐装置400包括：

推理模块401，用于将目标用户数据、目标行为数据和多个多媒体产品数据输入本公开示例性实施例训练的所述行为预测模型，利用所述行为预测模型从多个所述用户样本针对不同多媒体产品样本的多重行为偏好预测信息获取所述目标用户针对不同多媒体产品样本的多重行为偏好预测信息；

推荐模块402，用于若所述目标用户针对目标多媒体产品的目标行为偏好信息满足推荐条件，推荐所述目标多媒体产品。

在一种可选方式中，所述目标用户针对所述多媒体产品的目标行为偏好信息包括所述目标用户针对所述多媒体产品的目标行为概率，所述推荐条件包括：

所述目标用户针对所述多媒体产品的目标行为预测概率大于或等于预设概率；和/或，

按照所述目标用户针对所述多媒体产品的目标行为预测概率从大到小的顺序，对所述多媒体产品进行排序，所述目标多媒体产品包括前f个多媒体产品，f表示大于等于1且小于多媒体产品总数量的整数。

在一种可选方式中，所述目标行为数据包括多种目标行为数据，所述目标用户针对目标多媒体产品的目标行为偏好指标包括：所述目标用户针对多媒体产品的多种目标行为预测概率的加权结果。

图5示出了根据本公开示例性实施例的芯片的示意性框图。如图5所示，该芯片500包括一个或两个以上(包括两个)处理器501和通信接口502。通信接口502可以支持服务器执行上述方法中的数据收发步骤，处理器501可以支持服务器执行上述方法中的数据处理步骤。

可选的，如图5所示，该芯片500还包括存储器503，存储器503可以包括只读存储器和随机存取存储器，并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，NVRAM)。

在一些实施方式中，如图5所示，处理器501通过调用存储器存储的操作指令(该操作指令可存储在操作系统中)，执行相应的操作。处理器501控制终端设备中任一个的处理操作，处理器还可以称为中央处理单元(central processing unit，CPU)。存储器503可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器503的一部分还可以包括NVRAM。例如应用中存储器、通信接口以及存储器通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图5中将各种总线都标为总线系统504。

上述本公开实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing，DSP)、ASIC、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本公开示例性实施例还提供一种电子设备，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。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。

本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

如图6所示，电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

如图6所示，计算单元601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601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601执行上文所描述的各个方法和处理。例如，在一些实施例中，本公开示例性实施例的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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。在一些实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开示例性实施例的方法。

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。

如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

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)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。

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程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本公开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、终端、用户设备或者其它可编程装置。所述计算机程序或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，所述计算机程序或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或无线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。所述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集成一个或多个可用介质的服务器、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；也可以是光介质，例如，数字视频光盘(digital video disc，DVD)；还可以是半导体介质，例如，固态硬盘(solid state drive，SSD)。

尽管结合具体特征及其实施例对本公开进行了描述，显而易见的，在不脱离本公开的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本公开的示例性说明，且视为已覆盖本公开范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包括这些改动和变型在内。