一种基于神经网络进行作品排名预测的方法、装置及设备

技术领域

本申请涉及人工智能领域，尤其涉及一种基于神经网络进行作品排名预测的方法、装置及设备。

背景技术

随着互联网技术的发展，越来越多的社交软件受到用户的青睐，例如：K歌类软件(如全民K歌、唱吧等)，以及短视频类软件(如抖音等)。用户可以通过社交软件发布自己演唱的歌曲、拍摄的短视频等作品，也可以通过社交软件观看其他用户发布的作品。

通常用户会关注社交软件上统计的各类排行榜中作品，因此，用户也希望自己发布的作品能够进入各类排行榜中，以期待更多用户可以关注到自己的作品。目前，尚没有方案对用户自己发布的作品是否能进入各类排行榜进行预测，这已成为用户使用社交软件的痛点。

发明内容

本申请提供的一种基于神经网络进行作品排名预测的方法，可以对用户发布的作品在各类排行榜中的排名进行预测，以帮助用户更好的维护自己的作品，增加用户粘性。

为了实现上述目的，本申请实施例提供了以下技术方案：

第一方面、提供一种基于神经网络进行作品排名预测的方法，包括：

服务器接收电子设备发送的对第一作品进行第一排行榜排名预测的第一排名预测请求，所述第一排名预测请求包括第一用户的标识和所述第一作品的标识，所述第一作品为所述第一用户录制的歌曲或视频；所述服务器根据所述第一用户的标识和所述第一排名预测请求获取所述第一用户的第一信息，根据所述第一作品的标识获取所述第一作品的标签信息，以及获取表征所述第一作品的演唱水平和/或表演水平的信息；其中，所述第一信息包括与所述第一排行榜排名预测相关的信息，所述与所述第一排行榜排名预测相关的信息包括用户的好友数、粉丝数、以及历史上与所述第一作品的类型相同的作品的第二信息中的一种或多种；其中，所述第二信息包括对应的作品收到的点赞数、收到的礼物数或收到礼物的总价值、对应的作品的收看次数、留言数中的一项或多项；所述第一作品的标签信息包括所述第一作品的原唱歌手、所述第一作品所属专辑、所述第一作品的主题、所述第一作品的语言、所述第一作品的年代、所述第一作品的类型中一项或多项；所述服务器根据所述第一排名预测请求，将所述第一用户的第一信息、所述第一作品的标签信息和表征所述第一作品的演唱水平和/或表演水平的信息输入所述第一排行榜对应的神经网络预测模型进行计算，得到所述第一作品在所述第一排行榜中的第一排名预测结果；其中，所述神经网络预测模型为所述服务器根据多组训练数据进行训练得到的，所述多组训练数据包括多个用户的第一信息、与所述多个用户相关的多个作品的标签信息、表征所述多个作品的演唱水平和/或表演水平的信息以及所述多个作品在所述第一排行榜的历史实际排名；所述第一排名预测结果为所述第一作品在发布后一段时间内在所述第一排行榜上的预测排名。

其中，所述第一作品为所述第一用户录制的歌曲或视频，可以包括所述第一用户录制并编辑后的歌曲或视频。示例性的，用户可以通过社交类软件录制第一作品。社交类软件例如可以是K歌类软件(比如，全民K歌APP、唱吧APP)、短视频类软件(比如，抖音APP、快手APP)、网络直播类软件(比如，映客APP)等。

第一用户的第一信息，可以是第一用户的用户画像中的信息，例如表征用户社交属性的信息，包括但不限于：好友数、拥有的粉丝数、作品的点赞数、作品的点踩数、作品的留言数、作品的观看次数等中的一项或多项。

表征所述第一作品的演唱水平和/或表演水平的信息，可以是第一用户演唱第一作品的声音信息、第一作品对应的文本信息、图像信息或视频信息等。例如，第一作品为演唱歌曲的音频或视频时，可以获取第一用户的音准、音色、节奏以及唱功(气息控制、感情处理、乐感、技巧处理等)等中的一项或多项。再例如，第一作品为音频或视频时，可以对音频或视频进行语音识别，得到其中的台词信息等。又例如，第一作品为视频时，可以对视频进行图像识别，识别其中的人物，获取各个人物的表情、动作等图像或视频片段。还可以是对上述各个特征(声音信息、文本信息、图像信息或视频信息等)的打分，例如可以是对第一用户演唱第一作品的音准等的打分，或者基于台词、人物的表情、动作等中的一项或多项(是否幽默有趣等)的打分。

需要说明的是，本申请中所述的第一排行榜可以是指某一个特定的排行榜，例如年度/季度/月度金曲排行榜中的一个；本申请中所述的第一排行榜也可以是对多个排行榜的统称，比如多个歌唱类排行榜(如年度/季度/月度金曲排行榜中的多个)，这种情况下，本申请的一些实施例可以获得对用户的某一作品在多个排行榜中的预测排名并显示给用户。

在一种可能的实现的方式中，所述第一作品在所述第一排行榜中的预测结果包括：所述第一作品位于所述第一排行榜中一个或多个名次区间的概率。

以第一作品在第一排行榜中的预测结果为第一作品位于第一排行榜中多个名次区间的概率举例说明。例如：第一作品在第一排行榜中的预测结果可以为第一作品位于第一排行榜(例如人气榜)中前3名的概率，位于第一排行榜中3至10名的概率，位于第一排行榜中11至50名的概率，位于第一排行榜中50至100名的概率，以及位于100名之后的概率。

当然，第一作品在第一排行榜中的预测结果还可以是根据第一作品在第一排行榜中各个名次区间的概率进行进一步的分析的结论。例如：第一作品在第一排行榜中的预测结果可以是根据第一作品在各个名次区间的概率，确定出概率最大的一个或多个名次区间。又例如：第一作品在第一排行榜中的预测结果还可以是根据第一作品在第一排行榜中各个名次区间的概率，确定出最高名次的概率。又例如：第一作品在第一排行榜中的预测结果还可以是根据第一作品在第一排行榜中各个名次区间的概率，确定出某个指定名次区间的概率。比如：前10名的概率。

在一种可能的实现的方式中，在所述得到所述第一作品在所述第一排行榜中的预测结果之后，所述方法还包括：所述服务器记录所述第一作品在发布后一段时间内，在所述第一排行榜上的实际排名，对所述第一排行榜对应的神经网络预测模型进行修正。

在一种可能的实现的方式中，所述第一排行榜为人气榜、单曲榜、收看榜和家族榜中的任一项。

其中，人气榜可以是按照所有用户(或部分用户)最近N天发布的作品进行排名的。例如，在最近的一个小时内人气值的增长量进行排名。其中，人气值可以与作品收到的礼物、点赞数(鲜花数)、作品的收听数等有关系。人气榜也可以按照某个范围(例如某个城市)是所有用户最近N天发布的作品进行排名，本申请对人气榜的排名规则不做具体限制。单曲榜，可以是按照所有用户(或部分用户)演唱同一首歌曲进行排名的。排名规则参考了各个用户演唱该首歌曲的演唱质量、收到的点赞数、收到礼物、收听数等。需要说明的是，本申请实施例对单曲榜的排名规则也不做具体限制。家族人气榜，可以是按照各个家族中所有用户的作品的人气值进行排名。其中，家族可以为用户创建的群组。收听榜，可以是按照作品获得的收听量进行排名。

可以注意到，由于本申请中的社交类软件侧重于用户之间的交互，故服务器200维护的各类排行榜与用户的社交属性相关。

由此可见，本申请提供的方法，可以对用户录制的作品在某个排行榜上的排名进行预测，可以增强社交类软件的趣味性以及用户间的竞争性，提升了社交类软件的用户粘度。

在一种可能的实现的方式中，在得到所述第一作品在所述第一排行榜中的预测结果之后，所述方法还包括：所述服务器根据所述第一作品在所述第一排行榜中的预测结果，以及预设推荐策略，向所述电子设备发送推荐的服务，所述推荐的服务包括购买曝光率、分享、发布、观看教唱视频、练歌房服务、修音服务、重录服务中的一项或多项。

例如：当用户演唱完第一作品后，预测的排名较靠前时，可以向第一用户推荐购买曝光率服务、分享服务、发布服务等，以便更多用户关注到第一作品，进行收听和第一用户进行互动等。其中，购买曝光率，可以增加第一作品在K歌类应用上出现的次数，例如向其他用户推荐第一作品等，从而使得更多的用户关注到第一作品。分享，可以通过即时通讯类应用的转发第一作品的链接，使得更多用户可以关注到第一作品。发布，是指用户在演唱完第一作品后，可以发布到网络上，供其他用户进行收听等。又例如：当用户演唱完第一作品后，预测的排名较靠后时，可以向第一用户推荐观看教唱视频服务、练歌房服务、修音服务、重录服务等，以提示用户提升演唱水平或对第一作品进行修音等。

由此可见，对用户发布作品在发布后的N天内在某个排行榜的排名进行预测，有助于用户了解自己发布作品的前景，提升了社交类软件的趣味性。并且，可以帮助用户根据排名预测的结果有针对性的采取相应的措施，提升用户的互动。

在一种可能的实现的方式中，所述预设推荐策略为基于规则的推荐策略，基于关联的推荐策略，基于协同过滤的推荐策略，以及随机推荐策略中的任一项。

例如，基于规则的推荐策略可以为，向第一用户推荐预测结果中概率最大的名次区间对应的服务列表中的一项或多项服务。

又例如，基于关联的推荐策略可以为，从第一作品的预测结果中概率最大的名次区间对应的服务列表中，确定大多数用户都会使用的一项或多项服务。

其中，基于协同过滤的推荐策略，包括基于内容、用户、社交进行协同过滤的推荐策略。

又例如，基于用户进行协同过滤的推荐策略可以为，从第一作品的预测结果中概率最大的名次区间对应的服务列表中，确定与第一用户的用户画像相似的用户最多使用的一项或多项服务，并推荐给第一用户。其中，与第一用户的用户画像相似的用户可以是与第一用户年龄相近、性别相同、演唱风格相同等的用户。

又例如，基于内容的推荐策略可以为，从第一作品的预测结果中概率最大的名次区间对应的服务列表中，确定第一用户历史上最常使用的一项或多项服务，并推荐给第一用户。

又例如，基于社交的推荐策略可以为，从第一作品的预测结果中概率最大的名次区间对应的服务列表中，确定演唱过第一作品的用户最多使用的一项或多项服务，并推荐给第一用户。

在一种可能的实现的方式中，所述向所述电子设备发送推荐的服务之后，所述方法还包括：所述服务器记录用户选择的第一服务，所述第一服务为所述推荐的服务中的一项或多项，或者为所述推荐的服务外的其他服务；所述服务器根据所述第一服务对所述预设推荐策略进行修正。

在一种可能的实现的方式中，所述神经网络预测模型为卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN、多层感知器MLP和梯度提升树GBDT中的一种或多种的组合。

在一种可能的实现的方式中，所述神经网络预测模型包括一个或多个卷积层、一个或多个池化层、以及一个或多个全连接层；或者，所述神经网络预测模型包括一个或多个全连接层。

第二方面、提供另一种基于神经网络进行作品排名预测的方法，包括：

电子设备检测到第一操作，所述第一操作指示对第一作品进行第一排行榜排名预测，所述第一作品为所述第一用户录制的歌曲或视频；响应于所述第一操作，所述电子设备获取所述第一用户的第一信息，所述第一作品的标签信息，以及表征所述第一作品的演唱水平和/或表演水平的信息；其中，所述第一信息包括与所述第一排行榜排名预测相关的信息，所述与所述第一排行榜排名预测相关的信息包括用户的好友数、粉丝数、以及历史上与所述第一作品的类型相同的作品的第二信息中的一种或多种；其中，所述第二信息包括对应的作品收到的点赞数、收到的礼物数或收到礼物的总价值、对应的作品的收看次数、留言数中的一项或多项；所述第一作品的标签信息包括所述第一作品的原唱歌手、所述第一作品所属专辑、所述第一作品的主题、所述第一作品的语言、所述第一作品的年代、所述第一作品的类型中一项或多项；所述电子设备，将所述第一用户的第一信息、所述第一作品的标签信息和表征所述第一作品的演唱水平和/或表演水平的信息输入所述第一排行榜对应的神经网络预测模型进行计算，得到所述第一作品在所述第一排行榜中的第一排名预测结果；其中，所述神经网络预测模型为根据多组训练数据进行训练得到的，所述多组训练数据包括多个用户的第一信息、与所述多个用户相关的多个作品的标签信息、表征所述多个作品的演唱水平和/或表演水平的信息以及所述多个作品在所述第一排行榜的历史实际排名；所述第一排名预测结果为所述第一作品在发布后一段时间内在所述第一排行榜上的预测排名；所述电子设备显示所述第一排名预测结果。

在一种可能的实现的方式中，所述方法还包括：所述电子设备接收服务器发送的所述第一排行榜对应的神经网络预测模型，所述第一排行榜对应的神经网络预测模型为所述服务器为根据多组训练数据进行训练得到的。

在一种可能的实现的方式中，所述表征所述第一作品的演唱水平和/或表演水平的信息为以下信息中的一项或多项：基于所述第一作品的基础频率对所述第一作品的打分，或为所述第一作品中至少部分音频或视频，或为所述第一作品所对应的文本信息。

在一种可能的实现的方式中，所述第一作品在所述第一排行榜中的预测结果包括：所述第一作品位于所述第一排行榜中一个或多个名次区间的概率。

在一种可能的实现的方式中，在所述得到所述第一作品在所述第一排行榜中的预测结果之后，所述方法还包括：所述电子设备记录所述第一作品在发布后一段时间内，在所述第一排行榜上的实际排名，对所述第一排行榜对应的预测模型进行修正。

在一种可能的实现的方式中，所述第一排行榜为人气榜、单曲榜、收看榜和家族榜中的任一项。

在一种可能的实现的方式中，在得到所述第一作品在所述第一排行榜中的预测结果之后，所述方法还包括：所述电子设备根据所述第一作品在所述第一排行榜中的预测结果，以及预设推荐策略，显示推荐的服务，所述推荐的服务包括购买曝光率、分享、发布、观看教唱视频、练歌房服务、修音服务、重录服务中的一项或多项。

在一种可能的实现的方式中，所述预设推荐策略为基于规则的推荐策略，基于关联的推荐策略，基于协同过滤的推荐策略，基于聚类、领域模型的推荐策略，以及随机推荐策略中的任一项。

在一种可能的实现的方式中，在所述电子设备显示推荐的服务之后，所述方法还包括：所述电子设备记录用户选择的第一服务，所述第一服务为所述推荐的服务中的一项或多项，或者为所述推荐的服务外的其他服务；所述电子设备根据所述第一服务对所述预设推荐策略进行修正。

在一种可能的实现的方式中，所述神经网络预测模型为卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN、多层感知器MLP和梯度提升树GBDT中的一种或多种的组合。

在一种可能的实现的方式中，所述神经网络预测模型包括一个或多个卷积层、一个或多个池化层、以及一个或多个全连接层；或者，所述神经网络预测模型包括一个或多个全连接层。

第三方面、提供又一种基于神经网络进行作品排名预测的方法，包括：接收第一用户的第一信息、第一作品的标签信息、表征所述第一作品的演唱水平和/或表演水平的信息以及第一排行榜的标识；其中，所述第一作品为所述第一用户录制的歌曲或视频；所述第一信息包括与所述第一排行榜排名预测相关的信息，所述与所述第一排行榜排名预测相关的信息包括用户的好友数、粉丝数、以及历史上与所述第一作品的类型相同的作品的第二信息中的一种或多种；其中，所述第二信息包括对应的作品收到的点赞数、收到的礼物数或收到礼物的总价值、对应的作品的收看次数、留言数中的一项或多项；所述第一作品的标签信息包括所述第一作品的原唱歌手、所述第一作品所属专辑、所述第一作品的主题、所述第一作品的语言、所述第一作品的年代、所述第一作品的类型中一项或多项；将所述第一用户的第一信息、所述第一作品的标签信息和表征所述第一作品的演唱水平和/或表演水平的信息输入所述第一排行榜对应的神经网络预测模型进行计算，得到所述第一作品在所述第一排行榜中的第一排名预测结果；其中，所述神经网络预测模型为根据多组训练数据进行训练得到的，所述多组训练数据包括多个用户的第一信息、与所述多个用户相关的多个作品的标签信息、表征所述多个作品的演唱水平和/或表演水平的信息以及所述多个作品在所述第一排行榜的历史实际排名；所述第一排名预测结果为所述第一作品在发布后一段时间内在所述第一排行榜上的预测排名；输出所述第一排名预测结果。

第四方面、提供又一种基于神经网络进行作品排名预测的方法，包括：接收第一指令，所述第一指令指示对第一作品进行第一排行榜排名预测，所述第一作品为所述第一用户录制的歌曲或视频；响应于所述第一指令，获取所述第一用户的第一信息，所述第一作品的标签信息，以及表征所述第一作品的演唱水平和/或表演水平的信息；其中，所述第一信息包括与所述第一排行榜排名预测相关的信息，所述与所述第一排行榜排名预测相关的信息包括用户的好友数、粉丝数、以及历史上与所述第一作品的类型相同的作品的第二信息中的一种或多种；其中，所述第二信息包括对应的作品收到的点赞数、收到的礼物数或收到礼物的总价值、对应的作品的收看次数、留言数中的一项或多项；所述第一作品的标签信息包括所述第一作品的原唱歌手、所述第一作品所属专辑、所述第一作品的主题、所述第一作品的语言、所述第一作品的年代、所述第一作品的类型中一项或多项；获得所述第一作品在所述第一排行榜中的第一排名预测结果，所述第一排名预测结果为根据所述第一用户的第一信息、所述第一作品的标签信息和表征所述第一作品的演唱水平和/或表演水平的信息以及所述第一排行榜对应的神经网络预测模型进行计算得到；其中，所述神经网络预测模型为根据多组训练数据进行训练得到的，所述多组训练数据包括多个用户的第一信息、与所述多个用户相关的多个作品的标签信息、表征所述多个作品的演唱水平和/或表演水平的信息以及所述多个作品在所述第一排行榜的历史实际排名；所述第一排名预测结果为所述第一作品在发布后一段时间内在所述第一排行榜上的预测排名；输出所述第一排名预测结果。

在上述第三方面或第四方面的一种可实现的方式中，所述接收所述第一指令由电子设备或服务器执行，所述获取所述第一用户的第一信息为所述电子设备或所述服务器执行，所述第一排名预测结果是所述服务器计算得到并发送给所述电子设备的或为所述电子设备计算获得，所述输出所述第一排名预测结果为所述电子设备或所述服务器执行。

当由所述电子设备输出所述第一排名预测结果的情况下，所述电子设备可以显示所述第一排名预测结果相关的界面。

在上述第三方面或第四方面的一种可能的实现的方式中，所述表征所述第一作品的演唱水平和/或表演水平的信息为以下信息中的一项或多项：基于所述第一作品的基础频率对所述第一作品进行的打分，或为所述第一作品中至少部分音频或视频，或为所述第一作品所对应的文本信息。

在上述第三方面或第四方面的一种可能的实现的方式中，所述第一作品在所述第一排行榜中的预测结果包括：所述第一作品位于所述第一排行榜中一个或多个名次区间的概率。

在上述第三方面或第四方面的一种可能的实现的方式中，所述第一排行榜为人气榜、单曲榜、收看榜和家族榜中的任一项。

在上述第三方面或第四方面的一种可能的实现的方式中，所述方法还包括：根据所述第一作品在所述第一排行榜中的预测结果，以及预设推荐策略，获得推荐的服务，所述推荐的服务包括购买曝光率、分享、发布、观看教唱视频、练歌房服务、修音服务、重录服务中的一项或多项；输出所述推荐的服务。

其中，具体可以是所述电子设备根据所述第一作品在所述第一排行榜中的预测结果，以及预设推荐策略，获得推荐的服务，推荐给用户。也可以是所述服务器根据所述第一作品在所述第一排行榜中的预测结果，以及预设推荐策略，获得推荐的服务，发送给电子设备的。可选的，电子设备可以显示推荐的服务。

在上述第三方面或第四方面的一种可能的实现的方式中，所述方法还包括以下一项或多项：所述预设推荐策略为基于规则的推荐策略，基于关联的推荐策略，基于协同过滤的推荐策略，基于聚类、领域模型的推荐策略，以及随机推荐策略中的任一项；所述神经网络预测模型为卷积神经网络CNN、循环神经网络RNN、深度神经网络DNN、多层感知器MLP和梯度提升树GBDT中的一种或多种的组合；所述神经网络预测模型包括一个或多个卷积层、一个或多个池化层、以及一个或多个全连接层；或者，所述神经网络预测模型包括一个或多个全连接层。

第五方面、一种装置，所述装置包括一个或多个处理器，所述一个或多个处理器与存储器耦合，用于读取并执行所述存储器中存储的指令，使得所述装置实现上述第三方面或第四方面中任一种可实现的方式中所述的方法。

在第五方面的一种可实现的方式中，所述存储器集成在所述一个或多个处理器中，或独立于所述一个或多个处理器之外。

在第五方面的一种可实现的方式中，所述装置为芯片或片上系统。

在第五方面的一种可实现的方式中，所述装置为电子设备或电子设备的组成部分。

第六方面、提供一种服务器，包括：处理器和存储器，所述存储器与所述处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器从所述存储器中读取所述计算机指令，以使得所述服务器执行上述任一种可能的实现方式中所述的方法。

第七方面、提供一种电子设备，包括：处理器、存储器和触摸屏，所述存储器、所述触摸屏与所述处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器从所述存储器中读取所述计算机指令，以使得所述电子设备执行上述任一种可能的实现方式中所述的方法。

第八方面、提供一种计算机存储介质，包括计算机指令，当计算机指令在终端上运行时，使得终端执行如上述任一种可能的实现方式中所述的方法。

第九方面、提供一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如上述任一种可能的实现方式中所述的方法。

第十方面、提供一种电子设备上的图形用户界面，所述电子设备具有显示屏、摄像头、存储器、以及一个或多个处理器，所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序，所述图形用户界面包括所述电子设备执行如上述任一种可能的实现方式中所述的方法时显示的图形用户界面。

附图说明

图1为本申请实施例提供的一种通信系统的结构示意图；

图2为本申请实施例提供的一种电子设备的结构示意图；

图3A为本申请实施例提供的一种服务器的结构示意图；

图3B为本申请实施例提供的又一种服务器的结构示意图；

图4为本申请实施例提供的一些电子设备的用户界面示意图；

图5为本申请实施例提供的一种基于神经网络对作品进行排名预测的方法的流程示意图；

图6为本申请实施例提供的一种预测模型的结构示意图；

图7为本申请实施例提供的又一种预测模型的结构示意图；

图8为本申请实施例提供的又一些电子设备的用户界面示意图；

图9为本申请实施例提供的一种芯片系统的结构示意图。

具体实施方式

在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

除非另有说明，“多个”的含义是两个或两个以上。在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

如图1所示，为本申请实施例提供的一种通信系统的架构图，该通信系统包括一个或多个电子设备100，以及一个或多个服务器200。

电子设备100上可以安装社交类软件，例如K歌类软件、短视频类软件、网络直播类软件等。用户可以通过电子设备100录制歌曲、拍摄视频等作品，并上传到服务器200处，以供其他用户从该服务器下载和观看。另外，电子设备100也可以从服务器200处获取各类排行榜，从各类排行榜中选择观看自己感兴趣的其他用户的作品。

本申请中的社交类软件，维护有大量音乐、视频等文件，与传统的音乐类软件和传统的视频播放软件不同。社交类软件中的音乐和视频通常为普通用户自己录制的歌曲或视频，并且可以与其他用户进行互动，例如点赞、留言等。而传统的音乐类软件通常为专业的歌手录制的歌曲、MV等音乐作品，传统的视频播放软件中通常为专业制作公司制作的电视、电影、短片等作品。这些作品通常为原创作品，且专业的歌手与专业制作公司通常不通过该音乐类软件或视频播放软件与普通用户进行互动。可以注意到，传统的音乐类软件和传统的视频播放软件主要提供音频或视频文件，供用户观看，而社交类软件则是可以由普通用户自己录制歌曲、视频等文件，供其他用户收听或观看，同时可以与其他用户进行互动。

服务器200为上述社交类软件对应的服务器，服务器200上维护有各个用户上传的歌曲、视频等作品，以及各个作品的相关信息。作品的相关信息包括但不限于：歌曲的名称、歌曲的录制者、歌曲的原唱歌手、歌曲原唱的专辑、歌曲的标签(例如歌曲的风格、主题、年代、语种、心情等)、视频的名称、视频的拍摄者、视频的标签等。

一般，服务器200中还维护有多个排行榜。这些排行榜包括不限于人气榜、单曲榜、家族人气榜、收听榜等。其中，人气榜是按照所有用户最近N天发布的作品进行排名的。例如，在最近的一个小时内人气值的增长量进行排名。其中，人气值可以与作品收到的礼物、点赞数(鲜花数)、作品的收听数等有关系。人气榜也可以按照某个范围(例如某个城市)是所有用户最近N天发布的作品进行排名，本申请对人气榜的排名规则不做具体限制。单曲榜，是按照所有用户演唱同一首歌曲进行排名的。排名规则参考了各个用户演唱该首歌曲的演唱质量、收到的点赞数、收到礼物、收听数等。需要说明的是，本申请实施例对单曲榜的排名规则也不做具体限制。家族人气榜，是按照各个家族中所有用户的作品的人气值进行排名。其中，家族为用户创建的群组。收听榜，是按照作品获得的收听量进行排名。

可以注意到，由于本申请中的社交类软件侧重于用户之间的交互，故服务器200维护的各类排行榜与用户的社交属性相关。

故，本申请中，在对用户的作品在各个排行榜上的排名进行预测时，还需要考虑该用户的社交属性。在本申请的一些示例中，服务器200还维护有各个用户的用户画像，可以包括用户的社交属性，例如：好友数、拥有的粉丝数、作品的点赞数、作品的点踩数、作品的留言数、作品的观看次数等。这样，对用户录制的作品在某个排行榜上的排名进行预测，可以增强K歌类软件的趣味性以及用户间的竞争性，提升了K歌类软件的用户粘度。

在本申请的一些实施例中，服务器200可以根据用户上传的作品的声音信息、上传作品的标签信息、以及该用户的用户画像等信息，对用户上传的作品在未来一段时间内(发布后的N天内，例如N＝7)在上述任一排行榜中的排名进行预测。

在一个具体实现方式中，服务器200上维护有对用户的作品在各个排行榜中的排名进行预测的预测模型。例如，人气榜对应的预测模型，单曲榜对应的预测模型、家族人气榜对应的预测模型等。该预测模型可以是基于神经网络的模型，可以为卷积神经网络(Convolutional Neural Networks，CNN)、循环神经网络(Recurrent Neural Network，RNN)、深度神经网络(Deep Neural Networks，DNN)、多层感知器(Multi-LayerPerceptron，MLP)和梯度提升树(Gradient Boosting Decison Tree，GBDT)中的一种或多种的组合。具体的，该预测模型可以由服务器200根据多组训练数据进行训练得到。多组训练数据包括多个用户的用户画像，这些用户演唱的多个歌曲的标签信息，这些用户演唱这些歌曲时的声音信息，以及这些歌曲在各个排行榜上历史上实际排名。其中，服务器200对预测模型的训练过程，以及根据预测模型对用户上传作品的预测过程将在下文详细阐述。

在该实施例的一些示例中，服务器200可以用于训练各个排行榜的预测模型，以及根据最新的训练数据对各个排行榜的预测模型进行修正。还可以使用训练好的或修正后的预测模型对用户上传的作品进行预测。在另一些示例中，服务器200可以将训练好的或修正后的预测模型发送给电子设备100，由电子设备100自行对用户录制的作品进行预测。本申请实施例对此不做限定。

由此可见，对用户发布作品在发布后的N天内在某个排行榜的排名进行预测，有助于用户了解自己发布作品的前景，提升了社交类软件的趣味性。并且，可以帮助用户根据排名预测的结果有针对性的采取相应的措施，提升用户的互动。

在本申请的又一些实施例中，服务器200还维护有根据用户的作品在各个排行榜中的排名预测，按照预设策略向用户推荐社交类软件中的相应服务。向用户推荐的服务包括不限于购买曝光率、分享、发布、观看教唱视频、练歌房服务、修音服务、重录服务中的一项或多项。

在一个具体的实现方式中，服务器200上可以维护有推荐模型。该推荐模型可以基于规则的推荐策略，基于关联的推荐策略，基于协同过滤的推荐策略，基于聚类、领域模型的推荐策略，以及随机推荐策略中的任一项或任几项的组合。具体的，该推荐模型可以由服务器200根据多组训练数据进行训练得到。其中，多组训练数据包括用户作品的在某个排行榜的预测排名，该作品在该排行榜上的实际排名，以及用户选择的服务等。其中，服务器200对推荐模型的训练过程，以及根据推荐模型向用户推荐服务的过程将在下文详细阐述。由此可见，可以根据用户作品的排名预测结果，为用户推荐相应的服务，帮助用户提升作品的排名的名次，或提升优秀名次的概率，帮助用户提升自己作品的影响力，提升用户粘性。

示例性的，上述电子设备100可以为手机、平板电脑、个人计算机(personalcomputer，PC)、个人数字助理(personal digital assistant，PDA)、智能手表、上网本、可穿戴电子设备、增强现实技术(augmented reality，AR)设备、虚拟现实(virtual reality，VR)设备、车载设备、智能汽车、智能音响、机器人等，本申请对该电子设备100的具体形式不做特殊限制。

图2示出了电子设备100的结构示意图。

电子设备100可以包括处理器110，外部存储器接口120，内部存储器121，通用串行总线(universal serial bus，USB)接口130，充电管理模块140，电源管理模块141，电池142，天线1，天线2，移动通信模块150，无线通信模块160，音频模块170，扬声器170A，受话器170B，麦克风170C，耳机接口170D，传感器模块180，按键190，马达191，指示器192，摄像头193，显示屏194，以及用户标识模块(subscriber identification module，SIM)卡接口195等。其中传感器模块180可以包括压力传感器180A，陀螺仪传感器180B，气压传感器180C，磁传感器180D，加速度传感器180E，距离传感器180F，接近光传感器180G，指纹传感器180H，温度传感器180J，触摸传感器180K，环境光传感器180L，骨传导传感器180M等。

可以理解的是，本发明实施例示意的结构并不构成对电子设备100的具体限定。在本申请另一些实施例中，电子设备100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

处理器110可以包括一个或多个处理单元，例如：处理器110可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。

控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。

处理器110中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器110的等待时间，因而提高了系统的效率。

在一些实施例中，处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit，I2C)接口，集成电路内置音频(inter-integrated circuitsound，I2S)接口，脉冲编码调制(pulse code modulation，PCM)接口，通用异步收发传输器(universal asynchronous receiver/transmitter，UART)接口，移动产业处理器接口(mobile industry processor interface，MIPI)，通用输入输出(general-purposeinput/output，GPIO)接口，用户标识模块(subscriber identity module，SIM)接口，和/或通用串行总线(universal serial bus，USB)接口等。

在本申请的一些实施例中，根据推荐模型向用户推荐服务的过程，以及根据预测模型对用户上传作品的预测过程中涉及的部分或全部数据处理也可在电子设备100中的处理器110中实现。

可以理解的是，本发明实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对电子设备100的结构限定。在本申请另一些实施例中，电子设备100也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。

充电管理模块140用于从充电器接收充电输入。其中，充电器可以是无线充电器，也可以是有线充电器。在一些有线充电的实施例中，充电管理模块140可以通过USB接口130接收有线充电器的充电输入。在一些无线充电的实施例中，充电管理模块140可以通过电子设备100的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时，还可以通过电源管理模块141为电子设备供电。

电源管理模块141用于连接电池142，充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入，为处理器110，内部存储器121，显示屏194，摄像头193，和无线通信模块160等供电。电源管理模块141还可以用于监测电池容量，电池循环次数，电池健康状态(漏电，阻抗)等参数。在其他一些实施例中，电源管理模块141也可以设置于处理器110中。在另一些实施例中，电源管理模块141和充电管理模块140也可以设置于同一个器件中。

电子设备100的无线通信功能可以通过天线1，天线2，移动通信模块150，无线通信模块160，调制解调处理器以及基带处理器等实现。

天线1和天线2用于发射和接收电磁波信号。电子设备100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用，以提高天线的利用率。例如：可以将天线1复用为无线局域网的分集天线。在另外一些实施例中，天线可以和调谐开关结合使用。

移动通信模块150可以提供应用在电子设备100上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器，开关，功率放大器，低噪声放大器(low noise amplifier，LNA)等。移动通信模块150可以由天线1接收电磁波，并对接收的电磁波进行滤波，放大等处理，传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大，经天线1转为电磁波辐射出去。在一些实施例中，移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中，移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。

调制解调处理器可以包括调制器和解调器。其中，调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后，被传递给应用处理器。应用处理器通过音频设备(不限于扬声器170A，受话器170B等)输出声音信号，或通过显示屏194显示图像或视频。在一些实施例中，调制解调处理器可以是独立的器件。在另一些实施例中，调制解调处理器可以独立于处理器110，与移动通信模块150或其他功能模块设置在同一个器件中。

无线通信模块160可以提供应用在电子设备100上的包括无线局域网(wirelesslocal area networks，WLAN)(如无线保真(wireless fidelity，Wi-Fi)网络)，蓝牙(bluetooth，BT)，全球导航卫星系统(global navigation satellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(near field communication，NFC)，红外技术(infrared，IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号，对其进行调频，放大，经天线2转为电磁波辐射出去。

在一些实施例中，电子设备100的天线1和移动通信模块150耦合，天线2和无线通信模块160耦合，使得电子设备100可以通过无线通信技术与网络以及其他设备通信。所述无线通信技术可以包括全球移动通讯系统(global system for mobile communications，GSM)，通用分组无线服务(general packet radio service，GPRS)，码分多址接入(codedivision multiple access，CDMA)，宽带码分多址(wideband code division multipleaccess，WCDMA)，时分码分多址(time-division code division multiple access，TD-SCDMA)，长期演进(long term evolution，LTE)，BT，GNSS，WLAN，NFC，FM，和/或IR技术等。所述GNSS可以包括全球卫星定位系统(global positioning system，GPS)，全球导航卫星系统(global navigation satellite system，GLONASS)，北斗卫星导航系统(beidounavigation satellite system，BDS)，准天顶卫星系统(quasi-zenith satellitesystem，QZSS)和/或星基增强系统(satellite based augmentation systems，SBAS)。

电子设备100通过GPU，显示屏194，以及应用处理器等实现显示功能。GPU为图像处理的微处理器，连接显示屏194和应用处理器。GPU用于执行数学和几何计算，用于图形渲染。处理器110可包括一个或多个GPU，其执行程序指令以生成或改变显示信息。

显示屏194用于显示图像，视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display，LCD)，有机发光二极管(organic light-emittingdiode，OLED)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的，AMOLED)，柔性发光二极管(flex light-emittingdiode，FLED)，Miniled，MicroLed，Micro-oLed，量子点发光二极管(quantum dot lightemitting diodes，QLED)等。在一些实施例中，电子设备100可以包括1个或N个显示屏194，N为大于1的正整数。

电子设备100可以通过ISP，摄像头193，视频编解码器，GPU，显示屏194以及应用处理器等实现拍摄功能。

ISP用于处理摄像头193反馈的数据。例如，拍照时，打开快门，光线通过镜头被传递到摄像头感光元件上，光信号转换为电信号，摄像头感光元件将所述电信号传递给ISP处理，转化为肉眼可见的图像。ISP还可以对图像的噪点，亮度，肤色进行算法优化。ISP还可以对拍摄场景的曝光，色温等参数优化。在一些实施例中，ISP可以设置在摄像头193中。

摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，CMOS)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB，YUV等格式的图像信号。在一些实施例中，电子设备100可以包括1个或N个摄像头193，N为大于1的正整数。

数字信号处理器用于处理数字信号，除了可以处理数字图像信号，还可以处理其他数字信号。例如，当电子设备100在频点选择时，数字信号处理器用于对频点能量进行傅里叶变换等。

视频编解码器用于对数字视频压缩或解压缩。电子设备100可以支持一种或多种视频编解码器。这样，电子设备100可以播放或录制多种编码格式的视频，例如：动态图像专家组(moving picture experts group，MPEG)1，MPEG2，MPEG3，MPEG4等。

NPU为神经网络(neural-network，NN)计算处理器，通过借鉴生物神经网络结构，例如借鉴人脑神经元之间传递模式，对输入信息快速处理，还可以不断的自学习。通过NPU可以实现电子设备100的智能认知等应用，例如：图像识别，人脸识别，语音识别，文本理解等。

外部存储器接口120可以用于连接外部存储卡，例如Micro SD卡，实现扩展电子设备100的存储能力。外部存储卡通过外部存储器接口120与处理器110通信，实现数据存储功能。例如将音乐，视频等文件保存在外部存储卡中。

内部存储器121可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。内部存储器121可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。存储数据区可存储电子设备100使用过程中所创建的数据(比如音频数据，电话本等)等。此外，内部存储器121可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。处理器110通过运行存储在内部存储器121的指令，和/或存储在设置于处理器中的存储器的指令，执行电子设备100的各种功能应用以及数据处理。

电子设备100可以通过音频模块170，扬声器170A，受话器170B，麦克风170C，耳机接口170D，以及应用处理器等实现音频功能。例如音乐播放，录音等。

音频模块170用于将数字音频信息转换成模拟音频信号输出，也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中，音频模块170可以设置于处理器110中，或将音频模块170的部分功能模块设置于处理器110中。

扬声器170A，也称“喇叭”，用于将音频电信号转换为声音信号。电子设备100可以通过扬声器170A收听音乐，或收听免提通话。

受话器170B，也称“听筒”，用于将音频电信号转换成声音信号。当电子设备100接听电话或语音信息时，可以通过将受话器170B靠近人耳接听语音。

麦克风170C，也称“话筒”，“传声器”，用于将声音信号转换为电信号。当拨打电话或发送语音信息时，用户可以通过人嘴靠近麦克风170C发声，将声音信号输入到麦克风170C。电子设备100可以设置至少一个麦克风170C。在另一些实施例中，电子设备100可以设置两个麦克风170C，除了采集声音信号，还可以实现降噪功能。在另一些实施例中，电子设备100还可以设置三个，四个或更多麦克风170C，实现采集声音信号，降噪，还可以识别声音来源，实现定向录音功能等。

耳机接口170D用于连接有线耳机。耳机接口170D可以是USB接口130，也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform，OMTP)标准接口，美国蜂窝电信工业协会(cellular telecommunications industry association of the USA，CTIA)标准接口。

按键190包括开机键，音量键等。按键190可以是机械按键。也可以是触摸式按键。电子设备100可以接收按键输入，产生与电子设备100的用户设置以及功能控制有关的键信号输入。

马达191可以产生振动提示。马达191可以用于来电振动提示，也可以用于触摸振动反馈。例如，作用于不同应用(例如拍照，音频播放等)的触摸操作，可以对应不同的振动反馈效果。作用于显示屏194不同区域的触摸操作，马达191也可对应不同的振动反馈效果。不同的应用场景(例如：时间提醒，接收信息，闹钟，游戏等)也可以对应不同的振动反馈效果。触摸振动反馈效果还可以支持自定义。

指示器192可以是指示灯，可以用于指示充电状态，电量变化，也可以用于指示消息，未接来电，通知等。

SIM卡接口195用于连接SIM卡。SIM卡可以通过插入SIM卡接口195，或从SIM卡接口195拔出，实现和电子设备100的接触和分离。电子设备100可以支持1个或N个SIM卡接口，N为大于1的正整数。SIM卡接口195可以支持Nano SIM卡，Micro SIM卡，SIM卡等。同一个SIM卡接口195可以同时插入多张卡。所述多张卡的类型可以相同，也可以不同。SIM卡接口195也可以兼容不同类型的SIM卡。SIM卡接口195也可以兼容外部存储卡。电子设备100通过SIM卡和网络交互，实现通话以及数据通信等功能。在一些实施例中，电子设备100采用eSIM，即：嵌入式SIM卡。eSIM卡可以嵌在电子设备100中，不能和电子设备100分离。

图3A示出一种服务器200的硬件结构示意图，服务器200包括一个或多个处理器210、一个或多个外部存储器220、一个或多个通信接口230。可选的，服务器200还可以包括输出设备和输入设备，图中未示出。

处理器210、外部存储器220和通信接口230通过总线相连接。处理器210可以包括通用中央处理器(Central Processing Unit，CPU)、微处理器、特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，图形处理器(graphics processingunit，GPU)、神经网络处理器(neural-network processing unit，NPU)，或者用于控制本申请方案程序执行的集成电路等。一般，处理器中可设置有内部存储器，可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。内部存储器可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如预测功能，推荐功能等)等。存储数据区可存储服务器200使用过程中所创建的数据(比如排名预测结果、推荐的服务列表等)等。此外，内部存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flashstorage，UFS)等。处理器210通过运行存储在内部存储器的指令，执行服务器200的各种功能应用以及数据处理。

本申请实施例中，上述的预测模型的训练过程、以及推荐模型的训练过程中涉及的部分或全部的数据处理可在图3A所示的处理器210中实现。可选的，本申请中根据推荐模型向用户推荐服务的过程，以及根据预测模型对用户上传作品的预测过程中涉及的部分或全部数据处理也可在处理器210中实现。

在一个示例中，处理器210也可以包括多个CPU，并且处理器210可以是一个单核(single-CPU)处理器或多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。

在另一个示例中，处理器210可以包括一个或多个CPU(其中一个CPU为主CPU(hostCPU))和一个或多个NPU。例如，图3B示出了处理器210的一种结构示例图。

具体的，NPU可以作为协处理器挂载到主CPU上，由主CPU分配任务。NPU的核心部分为运算电路，具体可以由控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器2128accumulator中。

向量计算单元可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元可以用于神经网络中非卷积/非FC层的网络计算，如池化(Pooling)，批归一化(Batch Normalization)，局部响应归一化(LocalResponse Normalization)等。

在一些实现中，向量计算单元将经处理的输出的向量存储到统一存储器。例如，向量计算单元可以将非线性函数应用到运算电路的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路的激活输入，例如用于在神经网络中的后续层中的使用。

统一存储器用于存放输入数据以及输出数据。

存储单元访问控制器(Direct Memory Access Controller，DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器，以及将统一存储器中的数据存入外部存储器。

总线接口单元(Bus Interface Unit，BIU)，用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。

与控制器连接的取指存储器(instruction fetch buffer)，用于存储控制器使用的指令；

控制器，用于调用指存储器中缓存的指令，实现控制该运算加速器的工作过程。

一般地，统一存储器，输入存储器，权重存储器以及取指存储器均为片上(On-Chip)存储器，外部存储器220为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(Double Data Rate Synchronous Dynamic Random Access Memory，简称DDR SDRAM)、高带宽存储器(High Bandwidth Memory，HBM)或其他可读可写的存储器。

在本申请的一些实施例中，外部存储器220可以存储电子设备100上传的用户录制的歌曲、拍摄的视频等作品。也可以存储有与作品的标签信息、存储用户画像以及各类排行榜等信息。还可以存储服务器200训练出或修正过的预测模型、推荐模型等。

通信接口230，可用于与其他设备或通信网络通信，如以太网，无线局域网(wireless local area networks，WLAN)等。

在本申请实施例中，通信接口230可具体用于服务器200与电子设备100以及其他电子设备之间的通信。例如：服务器200可通过通信接口230接收电子设备100上传的用户演唱歌曲或拍摄的视频等作品等。也可以将服务器200对作品在某个排行榜中的排名的预测结果发送给电子设备100，以告知用户。还可以将服务器200根据排名的预测结果向用户推荐的服务发送给电子设备100等。

输出设备和处理器通信，可以以多种方式来显示信息。例如，输出设备可以是液晶显示器(Liquid Crystal Display，LCD)，发光二级管(Light Emitting Diode，LED)显示设备，阴极射线管(Cathode Ray Tube，CRT)显示设备，或投影仪(projector)等。输入设备和处理器通信，可以以多种方式接收用户的输入。例如，输入设备可以是鼠标、键盘、触摸屏设备或传感设备等。

以下实施例中所涉及的技术方案均可以在具有如图2所示的电子设备100和如图3A所示的服务器200中实现。

如图5所述，为本申请实施例提供的一种对作品在排行榜上的排名进行预测的方法流程图，该方法具体包括：

S501、电子设备显示第一作品的录制界面，对第一作品进行录制，第一作品为第一用户录制的歌曲或视频。

以第一用户使用K歌类软件录制歌曲的场景为例，第一用户可以通过在电子设备的桌面上点击K歌类软件(例如全民K歌、唱吧、音乐等)的图标，或者通过语音命令等其他方式，打开K歌类软件。例如，响应于第一用户打开K歌软件的操作，电子设备显示如图4中(1)所示的界面401。

第一用户可以通过K歌类软件中“推荐”的歌曲列表，各类排行榜中的歌曲列表，或者其他界面中查找想要录制的歌曲，记为第一歌曲，进行录制。例如，在界面401上，点击第一歌曲对应的K歌控件402，电子设备显示第一歌曲的录制界面，例如，如图4中(2)所示的录制界面403。该录制界面可以包括包括第一歌曲的歌词，专辑信息、词曲作者等信息。

其中，电子设备可以在用户选择第一歌曲后，从服务器200上下载第一歌曲的伴奏、歌词、专辑信息，词曲作者等信息。在一些示例中，服务器200还可以下载第一歌曲的原唱，即原唱歌手演唱第一歌曲的声音。当然，如果电子设备上已保存有第一歌曲的伴奏、歌词、专辑信息，词曲作者等信息，则无需再从服务器上下载。

继续，响应于用户在第一歌曲的录制界面402上，点击录制控件404的操作，电子设备开始播放第一歌曲的伴奏，并开始拾取第一用户的声音，即开始录制第一用户的第一歌曲。当然，在一些示例中，电子设备在下载第一歌曲的伴奏和歌词等信息后，或者从本地读取到第一歌曲的伴奏和歌词等信息后，也可以自动开始播放第一歌曲的伴奏，开始拾取第一用户的声音。本申请实施例对此不做限定。

在一些示例中，电子设备也可以一边录制第一用户的声音，一边将已录制的第一用户的声音与对应的第一歌曲的伴奏进行合成形成最后待发布的作品。在另一些示例中，电子设备可以在第一用户演唱完第一歌曲后，将第一用户的声音与第一歌曲的伴奏进行合成形成最后待发布的作品，本申请对此不做任何限定。

可以理解的是，第一作品可以是用户录制的音频或视频，也可以是用户录制的并编辑后的音频或视频。本申请实施例对此不做限定。

S502、电子设备完成第一作品的录制过程，向服务器200发送对第一作品在第一排行榜中的排名预测的请求。该请求中包括表征第一作品的演唱水平和/或表演水平的信息，第一作品的标识以及第一用户的标识。

继续以K歌类软件举例，当第一用户演唱完第一歌曲后，可以通过点击结束控件405，结束录制。当然，第一用户也可以在录制过程中，通过点击结束控件405提前结束录制过程。在另一些示例中，电子设备也可以根据伴奏的播放情况确自动定第一用户是否录制完第一歌曲，继而执行后续操作。

在第一用户结束录制或者电子设备确定第一用户录制完第一歌曲后，电子设备可以向服务器200发送对第一歌曲在第一排行榜(例如人气榜)中的排名预测的请求。该请求中包括：第一用户的标识(例如用户账户)和第一作品的标识。可以理解的是，该请求可以是电子设备发送给服务器200的任一或任几条包含上述内容的部分或全部的信息。

例如，电子设备在向服务器200发送录制完第一歌曲的信息之后，服务器200可以默认对第一歌曲在第一排行榜中的排名进行预测。即，电子设备向服务器200发送的录制完第一歌曲的信息即可视为电子设备发送的对第一歌曲在第一排行榜中的排名预测的请求。该请求中包含第一歌曲的标识和第一用户的标识。可选的，该请求中也可以包含第一歌曲的标识，不包含第一用户的标识，但服务器200仍然可以从该请求中确定出第一用户的标识。这是因为，在电子设备向服务器200建立通信连接时，会对电子设备的第一用户的身份进行验证。故，之后电子设备与服务器200之间的信息交互中，都会携带第一用户的标识或者与第一用户的标识对应的信息。

又例如，电子设备在录制完第一歌曲后，可以提示第一用户选择是否需要预测第一歌曲的排名，或者提示第一用户选择对第一歌曲在哪个排行榜中的排名进行预测。在第一用户做出选择后，电子设备将用户的指示发送给服务器200。这里，用户的指示可以视为电子设备发送的对第一歌曲在第一排行榜中的排名预测的请求。

还需要说明的是，在一些示例中，电子设备可以在发送该请求时或之后，主动发送表征所述第一作品的演唱水平和/或表演水平的信息。在另一些示例中，还可以在服务器200在进行排名预测时，请求电子设备发送表征所述第一作品的演唱水平和/或表演水平的信息时，电子设备再发送该信息。

其中，表征第一作品的演唱水平和/或表演水平的信息可以电子设备录制的第一用户演唱第一歌曲的声音信息。例如，可以是第一用户演唱第一歌曲的音准、音色、节奏以及唱功(气息控制、感情处理、乐感、技巧处理等)等中的一项或多项。这样，服务器200可以根据第一用户演唱第一歌曲的声音信息，确定第一用户演唱第一歌曲的演唱水平。在一些实施例中，电子设备也可以对录制的声音信息进行分析，确定出用于表征第一用户演唱第一歌曲的演唱水平的参数(例如，基于第一用户演唱第一歌曲的音准的打分)，直接将参数发送给服务器200。

S503、服务器200根据请求中包含的第一作品的标识，查找第一作品的标签信息；以及根据请求中包含的第一用户的标识，查找第一用户的用户画像。

上文已说明，K歌类软件侧重于用户之间的交互，故服务器200维护的各类排行榜除了与用户演唱第一歌曲的演唱水平相关外，还与用户的社交属性相关。因此，服务器200还需要根据第一用户的标识，获取第一用户的用户画像，从用户画像中获取第一用户的社交属性。第一用户的社交属性包括第一用户的好友数、粉丝数以及与第一作品相关的社交属性。其中，与第一作品相关的社交属性包括但不限于与第一作品类型相同或风格相同的作品收到的点赞数、收到的礼物数或总价值、收听(看)次数、收到的留言数中的一项或多项。

也就是说，本申请一些实施例中除了根据第一用户演唱第一作品的演唱水平外，还要根据第一用户历史上演唱与第一作品相似的作品的受欢迎程度，以及其他用户历史上演唱第一作品或者演唱与第一作品相似的作品的受欢迎程度，来对第一用户本次演唱第一作品在排行榜上的排名进行预测。

例如，表一给出了服务器200获取第一用户的用户画像中的社交属性的一些示例。

表一

需要说明的是，若服务器200没有获取到第一用户的用户画像(例如第一用户为新用户)，可以采用默认值。

S504、服务器200根据该请求，将表征第一作品的演唱水平和/或表演水平的信息，第一作品的标签信息，以及第一用户的用户画像输入到第一排行榜对应的预测模型中进行计算，得到第一作品在第一排行榜中的排名预测结果。

服务器200可以根据表征第一作品的演唱水平和/或表演水平的信息、第一作品的标签信息，以及第一用户的用户画像等信息，对第一作品在发布后的N天(例如，7天)内，在第一排行榜(例如人气榜)的排名进行预测。具体的，上文已说明，服务器200上保存有预先训练好的与各个排行榜对应的预测模型。可以将表征第一作品的演唱水平和/或表演水平的信息、第一作品的标签信息，以及第一用户的用户画像等信息输入到第一排行榜对应的预测模型中计算，得到第一用户演唱第一作品的排名预测结果。

其中，第一用户演唱的第一歌曲在第一排行榜上的预测结果，具体可以是位于第一排行榜中一个或多个名次区间的概率。例如：作品位于人气榜中前3名的概率，位于人气榜中3至10名的概率，位于人气榜中11至50名的概率，位于人气榜中50至100名的概率，以及位于100名之后的概率。当然，第一作品在第一排行榜中的预测结果还可以是根据第一作品在第一排行榜中各个名次区间的概率进行进一步的分析的结论。例如：第一作品在第一排行榜中的预测结果可以是根据第一作品在各个名次区间的概率，确定出概率最大的一个或多个名次区间。又例如：第一作品在第一排行榜中的预测结果还可以是根据第一作品在第一排行榜中各个名次区间的概率，确定出最高名次的概率。又例如：第一作品在第一排行榜中的预测结果还可以是根据第一作品在第一排行榜中各个名次区间的概率，确定出某个指定名次区间的概率。比如：前10名的概率。以下，以第一排行榜为人气榜为例，对服务器200训练预测模型的过程进行说明。

首先，预测模型的输出为作品在发布后的N天内在选定的排行榜(如人气榜)中的排名情况，具体可以是在各个名次区间的概率。因此，预测模型实质上是一个多分类模型。在构建多分类模型时，需要输入训练数据的一个或多个特征值，输出对应的类别，将每个训练数据映射到预先定义好的类别中。

本申请一些实施例中的类别为各个名次区间的概率，例如：作品位于人气榜中前3名的概率，位于人气榜中3至10名的概率，位于人气榜中11至50名的概率，位于人气榜中50至100名的概率，以及位于100名之后的概率。

本申请一些实施例中的训练数据可以为K歌类软件中历史上的人气榜，以及人气榜上各个作品的相关信息。其中，各个作品的相关信息包括：表征各个作品演唱水平的信息、各个作品的标签信息、各个作品的演唱者的用户画像等。

一些示例中，上述表征各个作品演唱水平的信息，可以是对用户歌曲的演唱水平的打分。具体的，可以将用户演唱歌曲时声音与原唱歌手演唱时的声音按词句进行基频对比。若用户演唱时的声音与原唱歌手声音的基频越相似，则打分越高，反之，打分越低。其中，基频是指声音的基础频率，可以用于反映用户演唱歌曲时的音调和节奏。通常，音调和节奏可以用于表征用户演唱歌曲时的演唱水平。另一些示例中，除了音调和节奏外，用户演唱时的音色、唱功(气息控制、感情处理、乐感、技巧处理等中的一项或多项)等也可能成为影响作品位于人气榜名次的重要原因。因此，也可以将用户演唱歌曲的声音信息作为表征各个作品演唱水平的信息输入预测模型。具体的，可以将用户演唱歌曲的声音信息(一维音频信号)通过梅尔变换为时间-频率的信息(二维时频信号)，后续可通过预测模型中的例如CNN模型对变换后的二维时频信号进行处理，以确定用户演唱歌曲的声音信息中的其他特征对在人气榜中的排名影响。

上述各个作品的标签信息可以参考上文对第一作品的标签信息的描述，这里不再赘述。

可以注意到，在确定了类别和训练数据后，还需要对训练数据的特征值进行选择。根据前文的分析，我们可知，K歌类软件中的各个排行榜与用户演唱歌曲的演唱水平、用户的社交属性等相关。因此，我们可以从表征用户演唱歌曲的演唱水平的信息，以及用户的社交属性的多个信息中，筛选预测模型的特征。

需要说明，选择预测模型的特征与该预测模型对应的第一排行榜的定义相关。

例如，第一排行榜为人气榜时，且人气榜的定义为在最近的一个小时内人气值的增长量进行排名。其中，人气值可以与作品收到的礼物的总价值或数量、点赞数(鲜花数)、作品的收听数等有关系。那么，在选择人气榜的预测模型的特征时，需要选择作品收到的礼物的总价值或数量、点赞数(鲜花数)、作品的收听数等特征。显然，当人气榜定义为与作品收到的礼物的总价值或数量、点赞数(鲜花数)、作品的收听数等无关时，则在选择人气榜的预测模型的特征时，将不再选择作品收到的礼物的总价值或数量、点赞数(鲜花数)、作品的收听数等特征。

具体的特征选取方法可参考现有技术，这里不再赘述。

在选择预测模型的算法上，可以选择基于神经网络的算法，例如可以为CNN、RNN、DNN、MLP和GBDT中的一种或多种的组合。

示例性的，当选择的特征中包含有用户演唱歌曲的声音信息时，可以选择CNN算法，或者选择CNN算法与其他任一种或任几种算法的组合。例如，图6中示出一种预测模型的组成图。该预测模型的输入包括两类，一类用户演唱作品的演唱水平的声音信息，另一类用户画像和作品标签。用户演唱歌曲的演唱水平的声音信息变换为二维的音频序列后，输入CNN(包括P个卷积层和L个池化层)进行处理。用户画像以及作品标签输入MLP(包括M个MLP层)进行处理。CNN模型和MLP模型后连接MLP模型(一个或多个MLP层)以及softmax的逻辑回归模型。其中，softmax逻辑回归模型将上一层的计算结果映射为(0,1)的概率，即各个名次区间的概率。其中，每个MLP层可以为全连接层。需要说明的是，在CNN模型中，卷积层和池化层是交替出现的，但可以是一个或多个卷积层后连接一个池化层。可选的，在池化层L后还可以连接一个或多个全连接层后，再连接MLP层M+1。本申请实施例对CNN模型的组成不做具体限定。

再示例性的，当选择的特征中没有用户演唱歌曲的声音信息时，例如选择用户演唱歌曲的打分时，可以选择CNN、RNN、DNN、MLP和GBDT中的一种或多种的组合。例如，图7中示出另一种预测模型的组成图。该预测模型的输入包括用户演唱作品的演唱水平的打分、用户画像和作品标签。预测模型为MLP模型(包括M个MLP层)，以及softmax的逻辑回归模型。其中，每个MLP层可以为全连接层。softmax的逻辑回归模型输出为该预测模型最后输出的结果，即各个名次区间的概率。

需要注意的是，本申请实施例是根据历史上的各个作品在人气榜上的实际排名来训练预测模型的。可以观察到，通常作品在发布后的N天的排名情况呈现先升后降的趋势。这是因为，作品发布后，随着时间的推移，会有越来越多的用户收听(看)该作品，排行榜上的名次也会呈现上升的趋势。但当该作品在排行榜中达到一定名次后，随着更多的作品发布到网上，该作品在排行榜上的名次会逐渐下降。因此，为了能够获取预测出作品的最好名次，提升预测模型的准确性，需要预先统计出作品从发布后到位于最高名次的时间段。并且，在训练预测模型时，采用的训练数据也应当包括各个作品在上述时间段内的排名数据。例如，统计到作品通常从发布后到位于最高名次的时间段为发布后的一周，则在选择训练数据时，需要获取各个作品在发布后的至少一周内人的排名数据进行训练。

需要说明的是，还可以定期(例如每24小时、每一周等)对上述预测模型进行优化。具体的，可以根据对新的作品(例如第一用户录制的第一作品)的预测结果，以及新的作品实际在排行榜上的排名对预测模型进行修正。

示例性的，在对新的作品在未来N天内在第一排行榜的排名进行预测后，在未来N天内，以时长t为间隔(时长t小于N天)，对新的作品在第一排行榜上的实际排名情况进行打点记录。对打点记录的数据进行预处理，然后将预处理后的数据输入到预测模型中，对预测模型进行训练优化。一些示例中，预测模型的训练优化的目标可为最小化交叉熵函数，以提升预测模型预测的准确性。

S505、电子设备接收服务器200发送的排名预测结果，并显示该排名预测结果。

电子设备可以以界面显示的方式或语音播报的方式告知用户，第一作品在发布后的N天内在第一排行榜的预测结果。

例如，电子设备可以显示如图4中(3)所示的界面406，提示信息408用于告知第一用户，第一作品在发布后的N天(例如7天)内位于第一排行榜特定名次区间的概率。例如，位于人气榜前十名为40％。可选的，也可以显示第一用户演唱第一作品的演唱水平的打分407和/或演唱水平的评级(图中“SSS”表示优秀)。

又例如，电子设备可以显示如图4中(4)所示的界面409，图表410中列出了第一作品位于第一排行榜中各个名次区间的概率。

又例如，电子设备也可以显示出第一作品可能达到的最好名次，以及最好名次的概率等信息。

由此可见，对用户发布作品在发布后的N天内在某个排行榜的排名进行预测，有助于用户了解自己发布作品的前景，提升了社交类软件的趣味性。并且，可以帮助用户根据排名预测的结果有针对性的采取相应的措施，提升用户的互动。

在本申请的另一些实施例中，在步骤S505之后还可以包括步骤S506和步骤S507，具体如下：

S506、服务器200可以根据第一作品在第一排行榜中的预测排名结果，以及预设推荐策略，向电子设备发送推荐的服务列表。

其中，推荐的服务列表包括购买曝光率服务、分享服务、发布服务、观看教唱视频服务、练歌房服务、修音服务、重录服务中的一项或多项。例如：当用户演唱完第一作品后，预测的排名较靠前时，可以向第一用户推荐购买曝光率服务、分享服务、发布服务等，以便更多用户关注到第一作品，进行收听和第一用户进行互动等。其中，购买曝光率，可以增加第一作品在K歌类应用上出现的次数，例如向其他用户推荐第一作品等，从而使得更多的用户关注到第一作品。分享，可以通过即时通讯类应用的转发第一作品的链接，使得更多用户可以关注到第一作品。发布，是指用户在演唱完第一作品后，可以发布到网络上，供其他用户进行收听等。又例如：当用户演唱完第一作品后，预测的排名较靠后时，可以向第一用户推荐观看教唱视频服务、练歌房服务、修音服务、重录服务等，以提示用户提升演唱水平或对第一作品进行修音等。

如表二所示，为根据预测排名结果推荐的服务列表的一个示例。表二中是以预测排名结果为第一作品最大概率的名次区间为例。

表二

上述预测推荐策略可以为基于规则的推荐策略，基于关联的推荐策略，基于协同过滤的推荐策略，基于聚类、领域模型的推荐策略，以及随机推荐策略中的任一项。本申请实施例对预设的推荐策略不做具体限定。在一个具体的实现方式中，可以构建推荐模型用于根据预测模型的输出，为用户推荐相应的服务列表。

示例性的，可以设置预测模型的各个分类对应一个服务列表，即各个名次区间对应一个服务列表。例如，基于规则的推荐策略可以为，向第一用户推荐预测结果中概率最大的名次区间对应的服务列表中的一项或多项服务。又例如，基于关联的推荐策略可以为，从第一作品的预测结果中概率最大的名次区间对应的服务列表中，确定大多数用户都会使用的一项或多项服务。

其中，基于协同过滤的推荐策略，包括基于内容、用户、社交进行协同过滤的推荐策略。

又例如，基于用户进行协同过滤的推荐策略可以为，从第一作品的预测结果中概率最大的名次区间对应的服务列表中，确定与第一用户的用户画像相似的用户最多使用的一项或多项服务，并推荐给第一用户。其中，与第一用户的用户画像相似的用户可以是与第一用户年龄相近、性别相同、演唱风格相同等的用户。

又例如，基于内容的推荐策略可以为，从第一作品的预测结果中概率最大的名次区间对应的服务列表中，确定第一用户历史上最常使用的一项或多项服务，并推荐给第一用户。

又例如，基于社交的推荐策略可以为，从第一作品的预测结果中概率最大的名次区间对应的服务列表中，确定演唱过第一作品的用户最多使用的一项或多项服务，并推荐给第一用户。

当然，服务器200也可以记录下用户选择的服务，该服务可以为服务器200推荐的服务列表中的服务，也可以不为服务器200推荐的服务列表中的服务。后续，服务器200可以将记录下的用户选择的服务，以及预测结果对应的名次区间输入到推荐模型中，对推荐模型进行优化。

S507、电子设备显示服务器推荐的服务列表。

如图8中(1)所示，为本申请实施例提供的一种电子设备显示推荐列表的界面801的示例图。该界面801上包括有服务器推荐的服务列表802。在一些示例中，服务器列表802中各个服务对应一个链接，用户可以通过各自的连接快速进入相应的服务界面。

如图8中(2)所示，为本申请实施例提供的一种电子设备显示推荐列表的界面803的示例图。该界面803上包括有服务器推荐的服务列表804。在一些示例中，服务器列表804中各个服务对应一个链接，用户可以通过各自的连接快速进入相应的服务界面。

可以理解的是，电子设备还可以通过语音的方式向第一用户播报推荐的服务列表，以及采用其他方式告知用户，本申请对此不做限定。

上述实施例是以服务器训练排名预测模型，并根据电子设备发送的排名预测请求，对第一作品进行排名预测，再将预测排名结果发送给电子设备的过程为例进行说明的。可以理解的是，本申请实施例不并严格限定电子设备和服务器之间的具体分工。例如，也可以是由服务器训练排名预测模型，而后将排名预测模型发送给电子设备。而电子设备根据自行对用户录制的作品(例如第一作品)进行排名预测，自行显示预测排名结果。再例如，电子设备也可以根据第一作品的预测排名发送给服务器，服务器根据第一作品的实际排名和预测排名，对排名预测模型进行修正，而后，将修正后的排名预测模型发送给电子设备。

本申请实施例还提供一种芯片系统，如图9所示，该芯片系统包括至少一个处理器1101和至少一个接口电路1102。处理器1101和接口电路1102可通过线路互联。例如，接口电路1102可用于从其它装置(例如移动终端100的存储器)接收信号。又例如，接口电路1102可用于向其它装置(例如处理器1101)发送信号。示例性的，接口电路1102可读取存储器中存储的指令，并将该指令发送给处理器1101。当所述指令被处理器1101执行时，可使得电子设备执行上述实施例中的电子设备100(比如，电子设备)执行的各个步骤。当然，该芯片系统还可以包含其他分立器件，本申请实施例对此不作具体限定。

本申请实施例还提供一种装置，该装置包含在电子设备中，该装置具有实现上述实施例中任一方法中电子设备行为的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括至少一个与上述功能相对应的模块或单元。

本申请实施例还提供一种计算机可读存储介质，包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行如上述实施例中任一方法。

本申请实施例还提供一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如上述实施例中任一方法。

本申请实施例还提供一种电子设备上的图形用户界面，所述电子设备具有显示屏、摄像头、存储器、以及一个或多个处理器，所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序，所述图形用户界面包括所述电子设备执行如上述实施例中任一方法时显示的图形用户界面。

可以理解的是，上述终端等为了实现上述功能，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，本申请实施例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发明实施例的范围。

本申请实施例可以根据上述方法示例对上述终端等进行功能模块的划分，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，本发明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。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请实施例各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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)或处理器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：快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。