发布信息处理方法、装置、设备及存储介质

技术领域

本申请涉及信息处理技术领域，尤其涉及一种发布信息处理方法、装置、设备及存储介质。

背景技术

在新媒体平台里，能够让用户自己发声、分享、传播的平台就叫“自媒体”，而通过信息流方式来展示这些媒体信息，并且用户和这些信息进行互动的分发形式得到了极大的发展。优质的内容发布方，以及其背后优质的内容成为这些平台相互追逐的对象，因为优质的内容会吸引大量的用户，带来巨大的流量。对于优质的内容发布方，内容平台会给出各种激励，在激励诱惑下，就产生了大量的搬运发布方，这些搬运发布方通过对其他发布方发布的原创内容进行篡改、删减、拼凑，看似与原作有所区别，但最有价值的核心内容仍然和原作相同。

现有技术中，为了对不同的内容发布方进行内容发布特征分析，通常是通过运营人员依据内容发布方在行业的知名度，在其他平台上的表现和运营人员的个人经验，人工确定内容发布方的特征信息，但是这种方法无法面对海量的账号，且准确性以及处理效率很低。

发明内容

本申请所要解决的技术问题在于，提供一种发布信息处理方法、装置及电子设备，能够提高对内容发布方的内容发布特征进行分析的效率和准确性。

为了解决上述技术问题，一方面，本申请提供了一种发布信息处理方法，所述方法包括：

获取目标对象的多项历史发布信息，确定每项历史发布信息对应的领域；

基于所述每项历史发布信息对应的领域，确定与所述目标对象对应的领域分布信息；

对所述每项历史发布信息进行特征提取，得到所述每项历史发布信息对应的内容特征信息；

根据所述每项历史发布信息对应的内容特征信息对所述多项历史发布信息进行聚合处理，得到所述多项历史发布信息的内容聚合信息；

基于所述领域分布信息以及所述内容聚合信息，确定所述目标对象的垂直度；所述垂直度用于表征所述多项历史发布信息包含相同发布特征的程度。

另一方面，本申请提供了一种对象的领域分析装置，所述装置包括：

领域确定模块，用于获取目标对象的多项历史发布信息，确定每项历史发布信息对应的领域；

领域分布信息确定模块，用于基于所述每项历史发布信息对应的领域，确定与所述目标对象对应的领域分布信息；

内容特征信息生成模块，用于对所述每项历史发布信息进行特征提取，得到所述每项历史发布信息对应的内容特征信息；

内容特征信息聚合模块，用于根据所述每项历史发布信息对应的内容特征信息对所述多项历史发布信息进行聚合处理，得到所述多项历史发布信息的内容聚合信息；

垂直度确定模块，用于基于所述领域分布信息以及所述内容聚合信息，确定所述目标对象的垂直度；所述垂直度用于表征所述多项历史发布信息包含相同发布特征的程度。

另一方面，本申请提供了一种发布信息处理设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的发布信息处理方法。

另一方面，本申请提供了一种计算机存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行如上述的发布信息处理方法。

实施本申请实施例，具有如下有益效果：

本申请基于目标对象的多项历史发布信息，确定目标对象的领域分布信息；领域分布信息能够基于每项历史发布信息对应的领域来确定，从而领域分布信息能够表征目标对象的显式特征；通过各历史发布信息对应的内容特征信息，得到各项历史发布信息的内容聚合信息；内容特征信息是抽取出的历史发布信息中的隐含信息，从而用于表征目标对象的隐式特征；通过显式特征和隐式特征对目标对象进行特征描述，能够提高对目标对象特征描述的准确性；从而基于显式特征和隐式特征确定目标对象的垂直度，而不是通过人工方法来确定目标对象的领域特征，能够提高对目标对象垂直度确定的准确性，以及效率。

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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例提供的实施环境示意图；

图2是本申请实施例提供的一种发布信息处理方法流程图；

图3是本申请实施例提供的一种视频类发布信息的内容特征信息生成方法流程图；

图4是本申请实施例提供的一种文本类发布信息的内容特征信息生成方法流程图；

图5是本申请实施例提供的一种内容聚合信息确定方法流程图；

图6是本申请实施例提供的另一种内容聚合信息确定方法流程图；

图7是本申请实施例提供的又一种内容聚合信息确定方法流程图；

图8是本申请实施例提供的一种包含音频信息的发布信息处理方法流程图；

图9是本申请实施例提供的另一种包含音频信息的发布信息处理方法流程图；

图10是本申请实施例提供的一种目标垂直度融合模型生成方法流程图；

图11是本申请实施例提供的一种权重更新方法流程图；

图12是本申请实施例提供的一种对象管控方法流程图；

图13是本申请实施例提供的一种信息内容发布系统示意图；

图14是本申请实施例提供的一种发布信息处理装置示意图；

图15是本申请实施例提供的电子设备结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

如本申请所公开的发布信息处理方法或装置，其中多个服务器可组成为一区块链，而服务器为区块链上的节点，发布信息处理过程中的数据可保存于区块链上。

首先对本说明书实施例中涉及的相关名词做以下解释：

文章：推荐给用户阅读的文章，可能会包含视频或图片，文章通常是自媒体开一个公众号后主动编辑发布的。

视频：推荐给用户阅读的视频，包括竖版的小视频和横版的短视频，以Feeds流的形式提供。

PGC(Professional Generated Content)：互联网术语，指专业生产内容(视频网站)、专家生产内容(微博)。用来泛指内容个性化、视角多元化、传播民主化、社会关系虚拟化。也称为PPC，(Professionally-produced Content)。

MCN(Multi-Channel Network)：是一种多频道网络的产品形态，将PGC内容联合起来，在资本的有力支持下，保障内容的持续输出，从而最终实现商业的稳定变现。

UGC(User Generated Content)：指用户原创内容，是伴随着以提倡个性化为主要特点的Web2.0概念而兴起的。它并不是某一种具体的业务，而是一种用户使用互联网的新方式，即由原来的以下载为主变成下载和上传并重。

PUGC(Professional User Generated Content)：是以UGC形式，产出的相对接近PGC的专业音频内容。

Feeds：消息来源，又译为源料、馈送、资讯提供、供稿、摘要、源、新闻订阅、网源(英文：web feed、news feed、syndicated feed)是一种资料格式，网站透过它将最新资讯传播给用户，通常以时间轴方式排列，Timeline是Feed最原始最直觉也最基本的展示形式。用户能够订阅网站的先决条件是，网站提供了消息来源。将feed汇流于一处称为聚合(aggregation)，而用于聚合的软体称为聚合器(aggregator)。对最终用户而言，聚合器是专门用来订阅网站的软件，一般亦称为RSS阅读器、feed阅读器、新闻阅读器等。

机器学习：(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

请参阅图1，其示出了本申请实施例提供的实施环境示意图，该实施环境可包括：发布内容上传端110、内容发布平台120以及发布内容展示端130，发布内容上传端110、内容发布平台120以及发布内容展示端130可通过网络进行数据通信。

具体地，各对象可通过发布内容上传端110进行发布内容的制作，并上传至相应的内容发布平台120，内容发布平台120可对发布内容上传端110发布的内容信息进行审核、分类、投放等操作，具体在进行信息投放时，可向发布内容展示端130进行发布信息的投放。其中发布内容上传端110和发布内容展示端130可以为同一终端，也可为不同终端。

发布内容上传端110或发布内容展示端130可以基于浏览器/服务器模式(Browser/Server，B/S)或客户端/服务器模式(Client/Server，C/S)与内容发布平台120进行通信。发布内容上传端110或发布内容展示端130可以包括：智能手机、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、车载终端、服务器等类型的实体设备，也可以包括运行于实体设备中的软体，例如应用程序等。本申请实施例中的发布内容上传端110或发布内容展示端130上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。

内容发布平台120与发布内容上传端110或发布内容展示端130可以通过有线或者无线建立通信连接，内容发布平台120可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群，其中服务器可以是云端服务器。

为了解决现有技术中在确定内容对象的特征信息是存在的准确性以及处理效率较低的问题，本申请实施例提供了一种发布信息处理方法，请参阅图2，该方法可包括：

S210.获取目标对象的多项历史发布信息，确定每项历史发布信息对应的领域。

本申请实施例中的对象可以为信息对象或者内容对象，具体可包括进行内容发布的账号，即包括在不同内容发布平台上注册的账号主体。历史发布信息可以是指目标对象已经发布的内容信息，本申请实施例中，为了便于对目标对象进行分析，减少对历史发布信息的分析数量，可选取目标对象在一段时间段内的历史发布信息进行分析，具体可以是：获取当前时刻相邻的预设时间段内所述目标对象的历史发布信息集合；从所述历史发布信息集合中随机选取出预设数量的历史发布信息。由于距离当前时刻越近的内容信息越能够体现目标对象的当前发布特征信息，从而选取距离当前时刻较近的内容信息也能够提高对目标对象的发布特征分析的准确性。

对于内容发布平台，可设置相应的发布内容领域分类体系，例如领域可包括电视剧、综艺、娱乐、社会、时事、资讯、网红达人、体育、科技、游戏、动漫等一级领域分类信息。发布内容上传端在上传以后，在内容主链路的处理过程当中通常通过机器和人工会对内容进行类别标识的标注，在具体实施过程中，可采用一级领域分类信息进行标注。从而通过历史发布信息的领域标注信息，即可确定每项历史发布信息所属的发布领域。对象发布的内容信息所属的发布领域能够用于表征对象的显式特征。

S220.基于所述每项历史发布信息对应的领域，确定与所述目标对象对应的领域分布信息。

领域分布信息可用于表征目标对象的历史发布信息所对应的领域的集中程度；若目标对象的历史发布信息所对应的领域数量较少，说明目标对象对应的领域集中程度较高；若目标对象的历史发布信息对应的领域数量较多，说明目标对象对应的领域集中程度较低。

具体对于领域分布信息的确定方法可包括：根据所述每项历史发布信息对应的类别标识，确定各类别标识对应的历史发布信息的数量；基于所述各类别标识对应的历史发布信息的数量，确定与所述目标对象对应的领域分布信息。其中，所述每项历史发布信息对应的领域由所述每项历史发布信息对应的类别标识确定，一项类别标识对应一个发布领域分类，从而根据历史发布信息对应的类别标识即可确定该历史发布信息所属的领域。

另外，对于领域分布信息具体可通过信息熵的形式进行表征，具体可包括：基于所述各类别标识对应的历史发布信息的数量，计算与所述目标对象对应的类别信息熵；基于所述类别信息熵，确定与所述目标对象对应的领域分布信息。其中，根据各发布领域分类下历史发布信息的数量与选取的历史发布信息总数量，得到与各发布领域分类对应的发布信息比值，基于与各发布领域分类对应的发布信息比值，计算与目标对象对应的类别信息熵；具体类别信息熵的计算结果如式(1)所示：

其中，i表示第i个发布领域分类，n表示多项历史发布信息中领域分类总数，Pi表示上述与各发布领域对应的发布信息比值。

类别信息熵倾向于将对象的发布领域比较集中的对象确定为创作专注度高，从而垂直度高。类别信息熵为基于对象的显式特征确定的，即类别信息熵可以通过发布内容所属领域分类确定。

若类别信息熵较大，说明类别集中程度较低；若类别信息熵较小，说明类别集中程度较高；从而目标对象对应的类别集中信息可以确定为1-类别信息熵。

S230.对所述每项历史发布信息进行特征提取，得到所述每项历史发布信息对应的内容特征信息。

内容特征信息能够用于表征对象所发布的内容信息中的隐含特征信息，在具体实施过程中可采用深度学习算法进行内容特征信息的生成，并且对于不同形式的内容信息，可采用不同的内容特征信息生成方法。

请参阅图3，其示出了一种视频类发布信息的内容特征信息生成方法，该方法可包括：

S310.当所述历史发布信息为视频信息时，对所述视频信息进行视频帧划分，得到与所述视频信息对应的视频帧序列。

S320.从所述视频帧序列中抽取出多个关键视频帧，生成与各关键视频帧分别对应的图像特征向量。

S330.对所述各关键视频帧分别对应的图像特征向量进行特征融合，得到与所述视频信息对应的内容特征信息。

视频类的发布信息可包括多帧视频帧，可对视频类发布信息进行视频帧的划分，得到视频帧序列。对于关键视频帧的确定，可采用相邻视频帧相似度计算的方法进行确定，具体包括：计算视频帧序列中相邻视频帧的相似度，当后一视频帧与前一视频帧的相似度小于预设相似度时，将后一视频帧确定为关键视频帧。通过确定关键视频帧，对关键视频帧进行处理，既能够减少所要处理的视频帧的数量，又能够保留视频类发布信息中的特征信息，避免特征信息的损失，从而提高视频类特征的内容特征信息生成的效率。

但是还有很多内容垂直特性，是显式的分类特征无法体现，此时可通过隐式特征来实现；具体地，比如同一个场景，同一个视频人物或者同一种画面风格等的，此时需要使用内容信息的隐式特征，隐式特征可包括图像信息特征、文本信息特征、音频信息特征等。基于内容的“隐式”特征：使用视频内容Embedding，这个内容Embedding一般有2层，第1层含义：representation learning，低维的稠密特征，第2层含义：metric learning，相似性度量的向量，两个向量的“距离”代表两个物体的“相似性”。内容Embedding的生成过程包括：输入视频帧序列，通过TSN(Temporal Segment Networks，时间段网络)网络抽取关键帧，然后通过Xception提取图像特征，最后基于多模态视频分类模型NeXtVLad的中间层得到的图像特征向量，然后对图像特征向量求和取平均得到视频的向量Embedding。

请参阅图4，其示出了一种文本类发布信息的内容特征信息生成方法，该方法可包括：

S410.当所述历史发布信息为文本信息时，对所述文本信息进行文本样式去除处理。

S420.对已去除文本样式的文本信息进行语义特征提取，得到与所述文本信息对应的内容特征信息。

对于文本类的发布信息，关注的是具体的文字内容，从而需要对发布信息进行去格式化处理，得到其中的正文文字信息。本申请实施例中可采用BERT(BidirectionalEncoder Representations from Transformers，基于转换器的双向编码表征)模型生成文本信息对应的内容特征信息，例如对于图文类的发布信息，去除掉正文当中的格式化样式文本比如各种HTML标签，把正文的文本信息经过BERT模型提取出文本的语义特征，即将文本字符串转化成向量，提取BERT模型倒数第二层的向量作为文本信息对应的内容特征向量。从而通过对文本类的发布信息进行去格式化处理，基于去除格式的文本信息生成相应的内容特征信息，从而进一步提高文本类发布信息的内容特征信息生成的效率和准确性。

S240.根据所述每项历史发布信息对应的内容特征信息对所述多项历史发布信息进行聚合处理，得到所述多项历史发布信息的内容聚合信息；其中聚合处理具体可以为对每项历史发布信息对应的内容特征信息进行相似度计算。

本实施例中的内容聚合信息可用于表征目标对象所发布的各项历史发布信息之间的聚合程度；聚合程度越高，说明各项历史发布信息的相似度越高；反之，聚合程度越低，说明各项历史发布信息的相似度越低。

请参阅图5，其示出了一种内容聚合信息确定方法，该方法可包括：

S510.对所述各项历史发布信息对应的内容特征信息进行两两组合，得到多个内容特征信息组。

S520.计算各内容特征信息组中两个内容特征信息的相似度。

S530.基于与所述各内容特征信息组对应的所述相似度，得到所述各项历史发布信息的内容聚合信息。

对于上述确定的内容特征信息具体可以为内容特征向量，即用于表征发布信息内容特征的向量，计算任意两项历史发布信息的内容特征向量的相似度，这里对于向量相似度的计算可采用余弦公式计算两个向量之间的距离，基于两个向量之间的距离作为这两个向量的相似度。两个向量的距离越大，相似度越小；两个向量的距离越小，相似度越大；从而向量的距离与向量的相似度呈负相关，可将两个向量距离的倒数确定为两个向量相似度，也可将1-两个向量距离确定为两个向量相的似度；相应地可将各内容特征信息组对应的相似度求和结果确定为内容聚合信息，即内容聚合信息为：

或

s2＝∑(1-两个向量的距离) (3)

请参阅图6，其示出了另一种内容聚合信息确定方法，该方法可包括：

S610.对所述每项历史发布信息对应的内容特征信息进行平均化处理，得到各项内容特征信息的中心内容特征信息。

S620.计算所述每项历史发布信息对应的内容特征信息与所述中心内容特征信息的相似度。

S630.基于所述每项历史发布信息对应的内容特征信息与所述中心内容特征信息的相似度，得到所述各项历史发布信息的内容聚合信息。

本实施例中，还可基于各项历史发布信息对应的内容特征向量确定中心内容特征信息，可通过对各项历史发布信息对应的内容特征向量进行求和再取平均，从而得到中心内容特征向量；计算每项历史发布信息对应的内容特征信息与中内容特征信息的相似度，这里的相似度计算可参阅本实施例上述的向量相似度计算方法，相应地内容聚合信息也可为各相似度计算结果之和。

请参阅图7，其示出了又一种内容聚合信息确定方法，该方法可包括：

S710.对所述各项历史发布信息对应的内容特征信息进行聚类，得到多个聚类中心向量。

S720.对所述多个聚类中心向量进行两两组合，得到至少一个聚类向量组。

S730.计算所述聚类向量组中两个聚类中心向量的相似度。

S740.基于与所述聚类向量组对应的相似度，得到所述各项历史发布信息的内容聚合信息。

本实施例中还可采用KNN(K-NearestNeighbor，邻近算法)对各项历史发布信息对应的内容特征向量进行聚类，得到k个聚类中心向量；然后采用上述的相似度计算方法计算任意两个聚类中心向量的相似度，相应地内容聚合信息也可为各相似度计算结果之和。

对于本实施例中所列举的内容聚合信息的确定方法，在具体实施过程中，可任意选取其中一种方法，也可以从中选择两种或者两种以上方法进行组合，对于采用两种或者两种以上方法进行内容聚合信息确定时，可对这两种或者两种以上方法的内容聚合信息结果进行取平均操作，本实施例不做具体限定。

具体地，多项历史发布信息中的至少两项历史发布信息包括音频信息；这里至少两项历史发布信息除了包含音频信息，还可以包含图像信息、文本信息；这里可基于至少两项历史发布信息的音频信息来进行内容特征信息的分析；具体请参阅图8，其示出了一种包含音频信息的发布信息处理方法，该方法可包括：

S810.对所述至少两项历史发布信息的音频信息进行声学特征提取，得到与所述至少两项历史发布信息对应的声学特征信息。

S820.基于所述声学特征信息，得到与所述至少两项历史发布信息对应的内容特征信息。

S830.对所述至少两项历史发布信息对应的内容特征信息进行聚合处理，得到所述至少两项历史发布信息的内容聚合信息。

所述内容聚合信息用于表征所述至少两项历史发布信息包含相同声学特征信息的程度。

其中，声学特征信息是语音声学特性的物理量，也是声音诸要素声学表现的统称。如表示音色的能量集中区、共振峰频率、共振峰强度和带宽，以及表示语音韵律特性的时长、基频、平均语声功率等，具体通过两项声学特征信息可以判断这两项声学特征所对应的声音信号是否是同一个人发出的，或者是否是同一种乐器，或者是否为相同或者相似的音乐等。

从而基于历史发布信息对应的声学特征信息进行聚合处理，能够确定这至少两项历史发布信息中包含相同声学特征信息的程度，内容聚合程度越高，说明这至少两项历史发布信息中包含的声学特征信息相似较高；反之，说明这至少两项历史发布信息中包含的声学特征信息相似度较低。

请参阅图9，其示出了另一种包含音频信息的发布信息处理方法，该方法可包括：

S910.对所述至少两项历史发布信息的音频信息进行语音识别，得到与所述至少两项历史发布信息对应的语音识别信息。

S920.基于所述语音识别信息，得到与所述至少两项历史发布信息对应的内容特征信息。

S930.对所述至少两项历史发布信息对应的内容特征信息进行聚合处理，得到所述至少两项历史发布信息的内容聚合信息。

所述内容聚合信息用于表征所述至少两项历史发布信息包含相同语音识别信息的程度。

其中，当音频信息具体为人物对话、内容解说等语言类信息时，语音识别信息可以包括音频信息中的文字内容信息；从而基于历史发布信息对应的语音识别信息进行处理，能够确定这至少两项历史发布信息中包含相同语音识别信息的程度，内容聚合程度越高，说明这至少两项历史发布信息中包含的语音识别信息相似较高；反之，说明这至少两项历史发布信息中包含的语音识别信息相似度较低。

具体地，基于上述的声学特征信息可生成相应的声学特征向量，基于上述的语音识别信息可生成相应的语音特征向量，在基于历史发布信息对应的声学特征向量进行内容聚合时，或者在基于历史发布信息对应的语音特征向量进行内容聚合时，可采用本实施例图5-图7中的任一方法实现，在此不作限定。

由于历史发布信息中可能包含图像信息、音频信息、文本信息等类型，从而对于目标对象的内容特征信息可能有多个维度，分别是与图像信息对应的内容特征信息，与音频信息对应的内容特征信息，以及与文本信息对应的内容特征信息；从而在进行内容聚合时，可以将对应相同类型的内容特征信息进行聚合处理，即多项历史发布信息对应的内容聚合信息也是有多个维度的，分别是与图像信息对应的内容聚合信息，与音频信息对应的内容聚合信息，以及与文本信息对应的内容聚合信息。

具体地，由于同一对象所发布的内容信息的类型不是单一的，可包括图文类型、小视频类型和短视频类型等，可分赛道进行垂直度的计算；具体地，可采用上述的内容信息特征模型，分别计算出与图文类型的内容信息对应的内容聚合信息，与小视频类型的内容信息对应的内容聚合信息，与短视频类型对应的内容聚合信息等，在最终确定垂直度时可对各类型对应的内容聚合信息进行加权求和。具体权重的计算可基于每个类型对应的内容信息进行确定，例如图文类型、小视频类型和短视频类型对应的内容信息数量分别为a1，a2以及a3，相应确定的权重分别为a1/(a1+a2+a3)，a2/(a1+a2+a3)，a3/(a1+a2+a3)，数量越多的类型所对应的权重越大，从而使得其在最终计算得到的垂直度中的影响也越大。

S250.基于所述领域分布信息以及所述内容聚合信息，确定所述目标对象的垂直度；所述垂直度用于表征所述多项历史发布信息包含相同发布特征的程度。

相同发布特征即为各项历史发布信息的共识特征，可以包括属于相同的类别(领域)、相同的场景、相同的主题、相同的风格、同一个声音的解说，或者类似的背景音乐等，当目标对象的各项历史发布信息中包括任一项共识特征时，可确定目标对象为垂直的；垂直度即可用来衡量多项发布信息包含相同共识特征的程度。例如，对应图8和图9，相同的发布特征可以为相同的声学特征信息，或者相同的语音识别信息。

本申请实施例中的领域分布信息可用于表征历史发布信息所标注领域的分散程度，发布领域对应的类别信息熵越高，说明历史发布信息所标注的领域越分散；反之，标注领域越集中。垂直度能够反映对象专注于一个领域的程度，垂直度越高，说明创作领域越集中，反之，创作领域分散，为了使得类别信息熵与领域垂直的含义指向一致，在确定垂直度时，可对类别信息熵进行转换，例如转换结果可为s1＝1-类别信息熵，在确定了目标对象的领域分布信息以及内容聚合信息，可通过目标垂直度融合模型来得到与目标对象对应的垂直度。请参阅图10，其示出了一种目标垂直度融合模型生成方法，该方法可包括：

S1010.获取多个标注对象的标注垂直度等级。

S1020.通过预设垂直度融合模型，基于所述多个标注对象的领域分布信息，以及内容聚合信息进行垂直度预测，得到所述多个标注对象的预测垂直度；所述预设垂直度融合模型包括与所述领域分布信息对应的第一权重，以及与所述内容聚合信息对应的第二权重。

S1030.基于所述多个标注对象的标注垂直度等级，以及所述多个标注对象的预测垂直度，对所述第一权重以及所述第二权重进行更新，得到目标垂直度融合模型。

预设垂直度融合模型可以为：

s＝α*s1+(1-α)*s2 (4)

对于式(4)中相关参数的说明可参阅本实施例上述内容，α*s1对应领域分布信息模型，(1-α)*s2对应内容信息特征模型，α对应第一权重，(1-α)对应第二权重。

通过多个标注对象的标注垂直度等级以及预测垂直度来对预设垂直度融合模型中的第一权重和第二权重分别进行更新，以使得预设垂直度模型向标注垂直度的方向进行更新。

进一步地，请参阅图11，其示出了一种权重更新方法，该方法可包括：

S1110.基于所述多个标注对象的标注垂直度等级，确定每个垂直度等级的标注对象的数量。

S1120.对所述多个标注对象的预测垂直度进行排序，得到垂直度排序结果。

S1130.基于每个垂直度等级的标注对象的数量，从所述垂直度排序结果中确定出与每个垂直度等级对应的预测对象。

S1140.基于与每个垂直度等级对应的标注对象，以及与每个垂直度等级对应的预测对象，确定所述预设垂直度融合模型的准召率。

S1150.基于所述准召率对所述第一权重和所述第二权重进行更新，得到所述目标垂直度融合模型。

准召率可以包括准确率和召回率，可用于衡量模型的预测性能；具体对于模型的准确率和召回率的计算方法可参阅现有技术中的方法，本实施例中不再赘述。当预设垂直度融合模型的准召率满足预设条件时，即可将其确定为目标垂直度融合模型，在具体实施时，目标垂直度融合模型中的α可取0.2。

进一步地，可采用目标垂直度融合模型对多个标注对象进行垂直度预测，得到多个标注对象的目标垂直度；基于每个垂直度等级的标注对象的目标垂直度，确定垂直度等级划分阈值。

具体可通过人工标注一个验证集合，事先通过人工参照垂直度定义标准来标注一批对象的作为验证集合，最后融合模型使用该验证集合时，可确定出相应的等级划分阈值，分别给出(不垂直/垂直/一般账号)中的准确率和召回率情况，作为模型计算账号垂直度能力的度量基准。

垂直度定义标注：

(1)一个对象3个月内，比如随机选择10个视频(图文内容用类似方法)，90％以上视频均符合以下任一“垂直”的定义，则算对象垂直。

(2)标注领域为：电视剧、综艺、娱乐、社会、时事、资讯、网红达人、体育、科技、游戏、动漫等通常使用的信息流平台分类体系的一级分类体系。

(a)声音垂直：定义：解说类，对象所有的内容都来自于同一个人的解说。

(b)场景垂直：定义：视频都是相同的场景拍摄，例如都在山上、都在宿舍等。

(c)表现形式垂直：定义：视频内容可以千奇百怪，但是，都是使用相同的表现手法来表现，例如使用相同的动漫人物，或者使用某种固定格式，例如都使用地图等。

(d)某种重要属性垂直：定义：在某个方面非常垂直，例如风格、调性等。

(e)某类主题垂直：定义：所发布的视频可以归结为基于某个主题，这个主题的定义很广，可以是某些事，某些物等等。

在一些实施方式中，可以通过人工垂直度标注将多个目标对象分为3类，垂直度从高到低为：垂直、一般、不垂直；其中，垂直度为垂直可以理解为：基于上述垂直度定义标注能够明确确定对象垂直；垂直度为一般可以理解为：基于上述垂直度定义标注不能够明确确定对象是否垂直，其可能是垂直，也可能是不垂直；垂直度为不垂直可以理解为：基于上述垂直度定义标注能够明确确定对象不垂直。

例如，基于上述垂直度定义标注构建一个测试对象集合，可包括N个对象，对象具体可以为账号，其中，垂直对象a个，一般对象b个，不垂直对象c个，a+b+c＝N。其中，一般对象指的是一些难以判断的对象。这里主要目的是为了能够自动验证模型刻画的结果，流量上对模型输出的结果，也可以通过人工一个一个标记检查。

在预设垂直度融合模型更新过程中，采用预设垂直度融合模型对测试对象集合中的N个对象进行垂直度预测，得到这N个对象的预测垂直度垂直度；按照预测垂直度由大到小的顺序对N个对象进行排序，将排序靠前的a个对象确定为预测垂直对象，将排序在中间的b个对象确定为预测一般对象，将排序在后的c个对象确定为预测不垂直对象。分别将标注的a个垂直对象与a个预测垂直对象进行匹配，将标注的b个一般对象与b个预测一般对象进行匹配，将标注的c个不垂直对象与c个预测不垂直对象进行匹配，得到当前预设垂直度融合模型的准召率。当准召率没有满足预设条件时，调整第一权重和第二权重，并重复执行上述垂直度预测，以及准召率计算的步骤，直至垂直度融合模型满足预设条件。

对于每个标注对象，通过上述的目标垂直度融合模型，均会输出相应的垂直度，可根据垂直度由大到小的顺序进行排序，然后根据相应目标对象被标注的垂直度等级，确定每个垂直度等级的划分阈值。具体地，排序在第a个和第a+1个为垂直对象和一般对象的分界点，排序在第a+b个和第a+b+1个为一般对象和不垂直对象的分界点，可确定大于第一预设值thres1为领域垂直，小于第二预设值thres2为领域不垂直，其中第一预设值thres1大于第二预设值thres2；第一预设值thres1可以为排序在第a个和第a+1个的垂直度的平均值，第二预设值thres2可以为排序在第a+b个和第a+b+1个的垂直度平均值。

请参阅图12，其示出了一种对象管控方法，该方法可包括：

S1210.基于所述目标对象的垂直度，以及所述垂直度等级划分阈值，确定所述目标对象的垂直度等级。

S1220.基于所述目标对象的垂直度等级，对所述目标对象的发布信息进行管控。

在确定了垂直度等级划分阈值时，可采用目标垂直度融合模型对任一对象进行垂直度的确定，得到对象的垂直度等级；从而可实现对对象有更细粒度的分级机制，进一步可以对垂直度高的对象加大补贴和激励，引导作者更加专注提供优质内容，对于垂直度较小的对象，降低补贴和激励；同时在内容审核链路上，由于审核资源的有限，对于垂直度低的对象在审核调度时候放在审核调度的末尾，优化审核调度，提升审核效率，从而能够有效控制垂直度较小的搬运对象，减小对内容发布平台的发展影响，促进对象生态的健康发展。

本申请中融合了对象的显式特征和隐式特征对对象的垂直度进行描述，显式特征是基于对象的历史发布信息所标注的分类领域进行确定的，计算简单，方便解释；隐式特征是基于对象的历史发布信息内容的Embedding向量的，它可以从领域分类之外的维度衡量垂直度，有的对象发布的内容信息常常不被分类到同一个类别，但是这些内容信息有某种共同性，内容Embedding向量这里本质上是衡量内容的相似性，有的对象法发布的内容可能领域垂直但内容不十分相似，比如一个动漫对象发布不同的动漫作品可能相似度比较低，但是领域是一致的，均是动漫领域，总体来说是领域垂直的对象，所以通过领域信息熵以及内容聚合度信息这两个角度的垂直度刻画是可以互补的，相应地可对应领域信息熵模型，以及内容特征信息模型，通过这两个模型融合后的融合模型对于对象的垂直度的确定可获得更大的性能提升。

本申请基于目标对象的多项历史发布信息，确定目标对象的领域分布信息；领域分布信息能够基于每项历史发布信息对应的领域来确定，从而领域分布信息能够表征目标对象的显式特征；通过各历史发布信息对应的内容特征信息，得到各项历史发布信息的内容聚合信息；内容特征信息是抽取出的历史发布信息中的隐含信息，从而用于表征目标对象的隐式特征；通过显式特征和隐式特征对目标对象进行特征描述，能够提高对目标对象特征描述的准确性；从而基于显式特征和隐式特征确定目标对象的垂直度，而不是通过人工方法来确定目标对象的领域特征，能够提高对目标对象垂直度确定的准确性，以及效率。

请参阅图13，其示出了一种信息内容发布系统，该系统的各个服务模块的功能如下：

1.内容生产端和内容消费端

(1)PGC或者UGC，MCN或者PUGC的内容生产者，通过移动端或者后端接口API系统，提供本地或者web发布系统提供的图文内容或者上传视频内容包括短视频和小视频，这些都是分发内容的主要内容来源；

(2)通过和上下行内容接口服务器的通讯，先获取上传服务器接口地址，然后在发布内容；

(3)作为消费者，和上下行内容接口服务器通讯，获取访问内容的索引信息，然后和上下行内容接口服务器和内容出口服务通讯直接消费内容，消费的前提通过Feeds推荐分发获得内容的索引即内容访问的入口地址；

(4)Feeds及用户点击行为和环境上报模块，收集用户当前网络环境及用户对Feeds中间信息的点击操作行为和Feeds内容的曝光数据，上报给统计上报接口服务器；

(5)如果是视频内容上报视频播放过长的播放时长，缓存时间及内容的各种互动行为比如评论，转发，分享，收藏，点赞，举报等；

2.上下行内容接口服务器和内容出口服务

(1)和内容生产端直接通讯，从前端提交的内容，通常是内容的标题，发布者，摘要，封面图，发布时间，将内容存储数据库；

(2)内容出库服务和推荐分发系统通讯，获取推荐分发的结果，下发到消费端展示在用户的Feeds列表当中；

(3)内容出口服务通常是一组地域上就近部署在用户附近的接入服务；

(4)同时给统计接口服务器上报每个账号的发文流水信息，包括发文时间，内容类型，同时也把自媒体提供内容标记信息比如分类，标签，选择的封面图，标题作为扩展信息保存在内容数据库当中；

3.内容数据库与内容存储服务

(1)内容的核心数据库，所有生产者发布内容的元信息都保存在这个业务数据库当中，重点是内容本身的元信，比如大小，封面图链接，标题，发布时间，账号作者，来源渠道，入库时间，还包括人工审核过程中对内容的分类(包括一，二，三级别分类和标签信息，比如一篇讲解××手机的文章，一级分类是科技，二级分类是智能手机，三级分类是国内手机，标签信息是××)；

(2)人工审核过程当中会读取内容数据库当中的信息，同时人工审核的结果和状态也会回传进入内容数据库当中保存；

(3)整个业务流程当中内容处理主要包括机器处理和人工审核处理，依据不同的内容标记内容库分为不同的内容池，推荐分发服务器和排重服务器，内容特征建模服务都需要从内容数据库当中获取内容。比如图文排重服务器会依据业务需求加载过去一段时间(如一周)已经入库启用的内容，对于重复重新入库的内容将加上过滤标记不再提供给内容推荐服务输出到用户；

(4)排重服务是机器处理过程，处理的结果保存在内容数据库当中；

(5)内容存储服务存储实际的内容源文件信息比如视频的源文件，图片原始文件等等，为构建内容的Embedding提供原始的信息；

4.调度中心

(1)负责内容流转的整个调度过程，通过上下行内容接口服务器接收入库的内容，然后从内容数据库中获取内容的元信息；

(2)调度排重服务器，对重复入库的内容进行标记和过滤；

(3)对于机器无法处理的内容，比如政治敏感，安全问题需要人工审核的，调用人工审核系统进行人工审核的处理；

5.人工审核服务系统

(1)需要读取内容数据库中视频内容本身的原始信息，通常是一个业务复杂的基于web数据库开发的系统，主要是确保推送的内容符合当地法律和政策允许的访问，比如是否敏感信息的特性进行一轮初步过滤；

(2)审核的内容来自自媒体账号主动发布和网络爬虫从公共网络上获取的补充；

(3)审核的结果最后通过调度中心服务，写入内容数据库当中；

(4)辅助机器处理过程，在机器处理的基础上对内容进行分类和标签和修正，最终结果保存在内容数据库当中；

6.排重服务

(1)和内容调度服务器通讯主要包括标题去重，封面图的图片去重，内容正文去重及视频指纹和音频指纹去重，通常是将图文内容标题和正文向量化，采用simmhash及BERT正文向量，图片向量去重，对于视频内容抽取视频指纹和音频指纹构建向量，然后计算向量之间的距离比如欧式距离来确定是否重复；

7.统计上报接口服务器

(1)接收内容消费端用户当前网络环境及用户对Feeds中间信息的点击操作行为和Feeds文章的曝光数据的上报；

(2)将上报的统计数据结果写入统计数据库；

(3)接受内容生产入口上报的账号发文原始流水；

8.垂直度特征融合模型

(1)按照上面描述的具体融合方法，将信息熵垂直度模型和基于账号发布内容Embedding的垂直度刻画模型的结果进行融合，作为最终的自媒体账号垂直度刻画的模型；

9.账号垂直度识别服务

(1)工程化实现上述的垂直度特征融合模型；

(2)与调度中心服务通讯，完成发文账号的垂直度识别；

10.账号内容向量服务

(1)对账号发布的图文内容和视频内容构建基于的内容向量Embedding，作为账号垂直度度量的输入维度，具体向量构成的方法和模型参考上面的描述；

(2)和账号垂直度融合模型通讯，提供隐式维度度量账号垂直度的结果；

11.统计数据库

(1)接收内容消费端的统计数据上报，为后续的统计分析和挖掘提供数据支撑；

(2)接收内容生产端的发文流水上报。

本申请实施例提供的对象领域分析方法及系统，能够用于刻画对象发布的内容是否属于同一类别或者属于相同的主题的程度，作为对象的基础特征，用于对象认证时候筛选必要条件，同时作为对象等级，对象搬运识别等对象质量建模的基础输入特征，改善整体账号生态；同时针对不同内容形态，引入垂直度，可以用于分赛道订级，同一个对象可能会发布图文，小视频，短视频内容，如果单独用一个等级可能不够描述，所以对一个账号分赛道来评估等级：图文赛道，小视频赛道和短视频赛道，综合等级是综合各个赛道的结果。其核心思想是：通过对象发布内容的显示和隐式特征分别建模，然后将2类特征进行模型融合，通过融合模型来刻画对象的垂直度，其中显示特征主要基于对象近期发布的内容垂类信息构成的信息熵，隐式特征主要使用账号发布内容，基于内容本身构建的Embedding向量，然后通过向量聚类来刻画账号的垂直度，最后辅助以人工标记的账号垂直度验证数据集合来确定合适的模型阈值作为最终的参数。通过本申请，能够直接应用内容生产端自媒体号主领域(游戏/动漫/影视综等领域)认证的必要条件，必须垂直度满足一定条件；同时由于垂直度可以反映一个对象对应的专注程度，推荐分发的时候对于垂直度低的对象降权分发或者限制分发乃至取消分发，让流量集中在真正投入的内容创作者上，垂直度可以基于的内容场景能够有更细粒度的分级和刻画机制；对于垂直度低的对象在审核调度时候放在审核调度的末尾，优化审核调度，改善账号生态；最后作为辅助的特征能够更好刻画对象的等级质量特征，发挥基础特征的作用。

账号垂直度的典型应用场景比如:(1)直接应用：内容生产端自媒体号主领域(游戏/动漫领域)认证的必要条件，必须垂直度大于一定的阀值，以反映作者的专注程度。

(2)间接应用：作为其他账号模型的输入特征，比如账号等级模型等。

(3)分领域垂直度，比如用于分赛道定级，自媒体账号，同一个账号可能会发布图文，小视频，短视频内容，如果单独用一个等级可能不够描述，所以对一个账号分赛道来评估等级：图文赛道，小视频赛道和短视频赛道，每个赛道依赖的垂直度可以单独来用不同领域结果刻画。

(4)垂直度可以反映一个作者对应内容创作的专注程度，可以配合产品运营策略来使用，比如推荐分发降权和内容处理链路上审核调度降权等等。

本实施例还提供了一种发布信息处理装置，请参阅图14，该装置可包括：

领域确定模块1410，用于获取目标对象的多项历史发布信息，确定每项历史发布信息对应的领域；

领域分布信息确定模块1420，用于基于所述每项历史发布信息对应的领域，确定与所述目标对象对应的领域分布信息；

内容特征信息生成模块1430，用于对所述每项历史发布信息进行特征提取，得到所述每项历史发布信息对应的内容特征信息；

内容特征信息聚合模块1440，用于根据所述每项历史发布信息对应的内容特征信息对所述多项历史发布信息进行聚合处理，得到所述多项历史发布信息的内容聚合信息；

垂直度确定模块1450，用于基于所述领域分布信息以及所述内容聚合信息，确定所述目标对象的垂直度；所述垂直度用于表征所述多项历史发布信息包含相同发布特征的程度。

进一步地，所述领域分布信息确定模块1420包括：

数量确定模块，用于根据所述每项历史发布信息对应的类别标识，确定各类别标识对应的历史发布信息的数量；其中，所述每项历史发布信息对应的领域由所述每项历史发布信息对应的类别标识确定；

第一确定模块，用于基于所述各类别标识对应的历史发布信息的数量，确定与所述目标对象对应的领域分布信息。

进一步地，所述第一确定模块包括：

类别信息熵计算模块，用于基于所述各类别标识对应的历史发布信息的数量，计算与所述目标对象对应的类别信息熵；

第二确定模块，用于基于所述类别信息熵，确定与所述目标对象对应的领域分布信息。

进一步地，所述多项历史发布信息中的至少两项历史发布信息包括音频信息；

所述内容特征信息生成模块1430包括：

声学特征提取模块，用于对所述至少两项历史发布信息的音频信息进行声学特征提取，得到与所述至少两项历史发布信息对应的声学特征信息；

第一生成模块，用于基于所述声学特征信息，得到与所述至少两项历史发布信息对应的内容特征信息；

所述内容特征信息聚合模块1440包括：

第一聚合模块，用于对所述至少两项历史发布信息对应的内容特征信息进行聚合处理，得到所述至少两项历史发布信息的内容聚合信息；

所述内容聚合信息用于表征所述至少两项历史发布信息包含相同声学特征信息的程度。

进一步地，所述多项历史发布信息中的至少两项历史发布信息包括音频信息；

所述内容特征信息生成模块1430包括：

语音识别模块，用于对所述至少两项历史发布信息的音频信息进行语音识别，得到与所述至少两项历史发布信息对应的语音识别信息；

第二生成模块，用于基于所述语音识别信息，得到与所述至少两项历史发布信息对应的内容特征信息；

所述内容特征信息聚合模块1440包括：

第二聚合模块，用于对所述至少两项历史发布信息对应的内容特征信息进行聚合处理，得到所述至少两项历史发布信息的内容聚合信息；

所述内容聚合信息用于表征所述至少两项历史发布信息包含相同语音识别信息的程度。

进一步地，内容特征信息聚合模块1440包括：

平均化处理模块，用于对所述每项历史发布信息对应的内容特征信息进行平均化处理，得到各项内容特征信息的中心内容特征信息；

相似度计算模块，用于计算所述每项历史发布信息对应的内容特征信息与所述中心内容特征信息的相似度；

第三生成模块，用于基于所述每项历史发布信息对应的内容特征信息与所述中心内容特征信息的相似度，得到所述多项历史发布信息的内容聚合信息。

进一步地，所述装置还包括：

第一获取模块，用于获取多个标注对象的标注垂直度等级；

第一预测模块，用于通过预设垂直度融合模型，基于所述多个标注对象的领域分布信息，以及内容聚合信息进行垂直度预测，得到所述多个标注对象的预测垂直度；所述预设垂直度融合模型包括与所述领域分布信息对应的第一权重，以及与所述内容聚合信息对应的第二权重；

权重更新模块，用于基于所述多个标注对象的标注垂直度等级，以及所述多个标注对象的预测垂直度，对所述第一权重以及所述第二权重进行更新，得到目标垂直度融合模型。

进一步地，所述权重更新模块包括：

第三确定模块，用于基于所述多个标注对象的标注垂直度等级，确定每个垂直度等级的标注对象的数量；

排序模块，用于对所述多个标注对象的预测垂直度进行排序，得到垂直度排序结果；

第四确定模块，用于基于每个垂直度等级的标注对象的数量，从所述垂直度排序结果中确定出与每个垂直度等级对应的预测对象；

准召率确定模块，用于基于与每个垂直度等级对应的标注对象，以及与每个垂直度等级对应的预测对象，确定所述预设垂直度融合模型的准召率；

目标垂直度融合模型确定模块，用于基于所述准召率对所述第一权重和所述第二权重进行更新，得到所述目标垂直度融合模型。

进一步地，所述装置还包括：

第二预测模块，用于基于所述目标垂直度融合模型对所述多个标注对象进行垂直度预测，得到多个标注对象的目标垂直度；

第五确定模块，用于基于每个垂直度等级的标注对象的目标垂直度，确定垂直度等级划分阈值。

进一步地，所述装置还包括：

第六确定模块，用于基于所述目标对象的垂直度，以及所述垂直度等级划分阈值，确定所述目标对象的垂直度等级；

管控模块，用于基于所述目标对象的垂直度等级，对所述目标对象的发布信息进行管控。

进一步地，所述领域确定模块1410包括：

第二获取模块，用于获取当前时刻相邻的预设时间段内所述目标对象的历史发布信息集合；

选取模块，用于从所述历史发布信息集合中随机选取出预设数量的历史发布信息。

上述实施例中提供的装置可执行本申请任意实施例所提供方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的方法。

本实施例还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行如本实施例上述任一方法。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一方法。

本实施例还提供了一种设备，其结构图请参见图15，该设备1500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中央处理器(central processingunits，CPU)1522(例如，一个或一个以上处理器)和存储器1532，一个或一个以上存储应用程序1542或数据1544的存储媒体1530(例如一个或一个以上海量存储设备)。其中，存储器1532和存储媒体1530可以是短暂存储或持久存储。存储在存储媒体1530的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设备中的一系列指令操作。更进一步地，中央处理器1522可以设置为与存储媒体1530通信，在设备1500上执行存储媒体1530中的一系列指令操作。设备1500还可以包括一个或一个以上电源1526，一个或一个以上有线或无线网络接口1550，一个或一个以上输入输出接口1558，和/或，一个或一个以上操作系统1541，例如Windows Server

本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤和顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或中断产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本实施例中所示出的结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比示出的更多或更少的部件，或者组合某些部件，或者具有不同的部件的布置。应当理解到，本实施例中所揭露的方法、装置等，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元模块的间接耦合或通信连接。

基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域技术人员还可以进一步意识到，结合本说明书所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，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，但这种实现不应认为超出本申请的范围。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。