具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供了一种对象触发事件预测方法及装置,引入目标对象与关联对象的关联性对触发目标对象的影响,从而能够更加全面、准确地对目标用户对目标对象的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
图1为本申请实施例提供的触发概率预测的应用场景示意图,如图1所示,在本申请实施例的一个应用场景中,在应用程序“支付宝”内设有多个免安装的应用程序,为了描述简便,在本申请实施例中,将免安装的应用程序称为“小程序”,在“支付宝”的首页中设有“余额宝”、“转账”、“城市服务”、“蚂蚁森林”、“汇率换算”等涉及用户日常生活多方面的诸多小程序。
其中,为了保持界面整洁,避免首页中出现过多的小程序影响用户的使用体验,一般仅在首页保留预设数量的小程序,其中,首页显示的小程序可以是用户基于自身的使用习惯进行个性化设置的,其他小程序需要用户点击“更多”快捷方式进入二级页面才可以看到,从而导致部分小程序被埋藏在二级页面中而不被用户所知晓和使用,即使用户有需要某个小程序的需求,也由于不知晓其存在等原因而将其忽略。
因此,为了满足用户的需求,避免有使用需求的小程序被埋没,有必要针对用户触发该小程序的触发概率进行预测,进而根据预测得到的触发概率决定是否向用户推荐该小程序,例如,当确定出用户与目标应用的触发概率大于预设阈值时,自动将该目标应用显示于首页界面的预设展示位置,以便于用户快速锁定该目标应用并点击使用。
图2为本申请一实施例提供的对象触发事件预测方法的第一种流程示意图,图2中的方法能够由服务器执行,也可以由用户所使用的智能终端(例如,智能手机)执行,如图2所示,该方法至少包括以下步骤:
S101,获取目标对象与其关联对象的触发关联程度,其中,该目标对象和该关联对象均能够被触发;
具体的,该目标对象可以是某一应用程序、还可以是某网购商品链接、也可以是某文章链接等等,该触发关联程度是基于历史用户对目标对象和关联对象的关联触发数据确定的,触发关联程度越高,表征用户触发关联对象后需要触发目标对象的可能性越大。
S102,获取目标用户触发关联对象的触发记录信息,以及获取该目标用户的属性特征,其中,该触发记录信息是基于目标用户对关联对象的触发行为生成的,例如,记录有目标用户点击目标对象的时间信息和点击次数等等,该属性特征包括:年龄、性别、职业、是否已婚、学历等特征。
S103,利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测该目标用户触发目标对象的触发概率。
在本申请实施例中,引入目标对象与关联对象的关联性对触发目标对象的影响,从而能够更加全面、准确地对目标用户对目标对象的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
具体的,目标对象和与该目标对象相关联的关联对象均为能够被触发的对象,其中,触发是指可以通过点击等操作引发对应功能的实现,例如,应用程序和小程序在被点击时可以启动运行,文章链接在被点击时可以打开链接的文章,网购商品链接在被点击时可以跳转到商品页面等等,因此,应用程序、小程序、文章链接、网购商品链接等都可以视为本申请实施例中的对象。
其中,关联对象是指与目标对象具有关联关系的对象,具有关联关系是指对象之间在内容上、功能上、用途上、使用习惯上、属性上、触发特点或者载体上具有关联性、相似性或延续性,例如,购物类应用和支付类应用因为具有功能上的延续性而具有关联关系,旅游类应用和导航类应用因为具有功能上的关联性而具有关联关系,不同的交通类应用之间因为具有功能上和内容上的相似性而具有关联关系,诸如此类。由于对象之间具有关联关系,因此,用户在触发了目标对象的关联对象后,很有可能会触发目标对象,相反,用户在触发了与目标对象无关的对象后,触发目标对象的几率则会比较小,因此,可以采用触发关联程度来量化描述目标对象与其关联对象之间的关联关系。
其中,目标对象与其关联对象的触发关联程度是预先基于样本数据确定的,具体的,在上述S101获取目标对象与其关联对象的触发关联程度之前,还包括:
步骤一,获取第一样本数据,其中,该第一样本数据包括:历史用户对目标对象和关联对象的关联触发数据;
步骤二,利用相关度算法基于获取到的关联触发数据,确定目标对象与关联对象的触发关联程度。
具体的,上述关联触发数据可以包括历史用户对目标对象和关联对象各自的触发次数,也可以包括历史用户对目标对象和关联对象的关联触发次数,即历史用户先后触发目标对象和关联对象产生的触发次数,还可以是上述两种次数通过数学运算结合后生成的新数据,或者包括其他任意能够描述历史用户对目标对象和关联对象的关联触发行为的数据(如关联触发频率、关联触发占比等),根据关联触发数据,可以得到目标对象与关联对象的触发关系图,然后利用相关度算法进行特征提取,即可确定目标对象与关联对象的触发关联程度。
其中,关联触发次数是指关联触发发生的次数,关联触发是指目标对象和关联对象被连续触发(例如,用户点击小程序A并关闭后,预设时间段后点击小程序B,则A和B被连续触发,属于关联触发)、或者在预设的触发次数间隔内均被触发(如,用户点击小程序A并关闭,又点击过3次其他小程序后,再点击小程序B,若预设的触发次数间隔为5次,则A和B在预设的触发次数内均被触发,也属于关联触发),关联触发发生的频率即关联触发频率越高,则说明触发关联程度越高,类似的,关联触发次数在目标应用被触发总次数中的占比即关联触发占比越高,也说明触发关联程度越高。
需要说明的是,每一条第一样本数据可以记载一个历史用户对目标对象和多个关联对象的关联触发数据,这样,根据由大量的第一样本数据构成的训练数据,即可以利用相关度算法确定目标对象与多个关联对象之间的触发关联程度,另外,优选的,由服务器利用相似度算法基于第一样本数据,分析得到目标对象与关联对象的触发关联程度,如果智能终端需要使用该触发关联程度时,可以直接从服务器处获得。
具体的,上述相关度算法可以是任意距离算法或其他相似度算法,例如,可以采用距离算法基于获取到的关联触发数据提取欧氏距离、曼哈顿距离、海明距离、马哈拉诺比斯距离、切比雪夫距离等特征,将提取的特征作为目标对象与关联对象的触发关联程度,或者将提取的特征进行数学变换后作为目标对象与关联对象的触发关联程度;又如,可以采用相似度算法基于获取到的关联触发数据提取余弦相似度、皮尔森相关系数、Jaccard相似系数、对数似然相似度等特征,将提取的特征作为目标对象与关联对象的触发关联程度,或者将提取的特征进行数学变换后作为目标对象与关联对象的触发关联程度;以上提供的距离算法和相似度算法均为本领域成熟的相似度算法,在此不再一一赘述,本领域技术人员可以结合实际需求灵活选用以实现本申请实施例的目的。
进一步的,考虑到协同过滤算法被广泛应用于内容推荐技术,其可以根据历史数据准确地计算出关联内容之间的关联程度,因此,在本申请实施例的一个实施方式中,上述步骤二利用相关度算法基于获取到的关联触发数据,确定目标对象与关联对象的触发关联程度,具体包括:
利用协同过滤算法基于获取到的关联触发数据,确定目标对象与关联对象的触发关联程度。
其中,在具体实施时,可以按照预设时间间隔更新第一样本数据,并利用协同过滤算法基于更新后的第一样本数据,更新目标对象与关联对象的触发关联程度。
具体的,结合利用协同过滤算法确定出目标对象与关联对象的触发关联程度,为了提高利用触发概率预测模型确定出的触发概率的准确度,可以将该触发关联程度作为用于训练预测模型的样本数据中的一部分,即在训练得到触发概率预测模型时,不仅引入样本用户的属性特征,还引入了目标对象与其关联对象的触发关联程度,基于此,上述触发概率预测模型是通过如下方式训练得到的:
步骤一,基于利用协同过滤算法得到的目标对象与其关联对象的触发关联程度,确定第二样本数据,其中,该第二样本数据包括:自变量数据和因变量数据,该自变量数据包括:样本用户的属性特征和样本用户的关联触发特征,该样本用户的关联触发特征是根据样本用户对关联对象的触发行为数据和触发关联程度组合确定的,该因变量数据包括:样本用户对目标对象的触发行为数据。
步骤二,将第二样本数据输入到预设预测模型中,基于该第二样本数据对预设预测模型进行训练,得到触发概率预测模型。具体的,通过模型训练,基于第二样本数据更新预设预测模型的模型参数,得到用于预测触发概率的触发概率预测模型。
其中,样本用户对关联对象的触发行为数据和触发关联程度相组合得到样本用户的关联触发特征的组合方式,可以是相乘,也可以是对触发行为数据和触发关联程度分别乘以各自的修正系数进行修正后再进行相乘,等等,本申请实施例并不限制其具体实施方式,本领域技术人员可以结合实际需求灵活实施以实现本申请实施例的发明目的。
其中,上述样本用户的属性特征可以是年龄、性别、职业、是否已婚、学历等特征,样本用户对关联对象的触发行为数据可以是样本用户对关联对象的触发次数、触发频率等,样本用户对目标对象的触发行为数据可以是表示样本用户是否触发目标对象的数据,例如,用1表示样本用户触发了目标对象,用0表示样本用户没有触发目标对象。
其中,样本用户的属性特征可以采用特征工程进行分析确定,容易理解的是,上述第二样本数据并不限于样本用户的属性特征和样本用户的关联触发特征,还可以包括通过特征工程确定的其他与目标对象的触发相关的特征,本申请实施例不再一一赘述,其均应在本申请的保护范围之内。
基于以上第二样本数据,即可训练得到自变量数据与因变量数据之间的映射关系,即可以确定触发概率预测模型的模型参数,接下来,只需要将目标用户对应的自变量数据输入到训练好的触发概率预测模型,即可通过已经确定的映射关系快速地得到目标用户触发目标对象的触发概率。另外,优选的,由服务器利用机器学习方法基于第二样本数据,训练得到触发概率预测模型,如果智能终端需要使用该触发概率预测模型时,可以直接从服务器处获得。
其中,在基于第二样本数据训练得到触发概率预测模型后,可以直接将目标用户的实时数据输入至该预测模型中,预测模型的输出结果即为目标用户对目标对象的触发概率,具体的,如图3所示,上述S103利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测该目标用户触发目标对象的触发概率,具体包括:
S1031,根据目标用户触发关联对象的触发记录信息,确定目标用户对关联对象的触发行为数据;
S1032,根据获取到的触发关联程度和确定出的目标用户的触发行为数据,组合得到目标用户的关联触发特征;
S1033,将目标用户的属性特征和得到的目标用户的关联触发特征输入到训练好的触发概率预测模型,利用该触发概率预测模型预测目标用户触发目标对象的触发概率。
其中,目标用户的属性特征可以是年龄、性别、职业、是否已婚、学历等特征,目标用户对关联对象的触发行为数据可以是目标用户对关联对象的触发次数、触发频率等。
具体的,目标用户的属性特征、触发行为数据、触发关联程度的数据项应当与训练过程中采用的样本用户的属性特征、触发行为数据、触发关联程度的数据项相一致,例如,若样本用户的属性特征为是年龄、性别和职业,则目标用户的属性特征也应当为年龄、性别和职业;若样本用户对关联对象的触发行为数据为触发次数,则目标用户对关联对象的触发行为数据也应当为触发次数。
在本申请实施例中,既考虑了用户的基本属性对触发目标对象的影响,同时兼并考虑到了目标对象与关联对象的关联性对触发目标对象的影响,从而能够更加全面、准确地对目标对象的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,从而实现对产品的精准推荐。
其中,上述预设预测模型可以采用任意基于机器学习的概率预测模型或二分类算法模型实现,例如,梯度提升树(Gradient Boosting Decision Tree,GBDT)模型、逻辑回归模型或神经网络模型都可应用于本申请实施例以实现本申请实施例的发明目的。
在具体实施时,由于输入触发概率预测模型的特征(即自变量数据)的数量越多,得到的预测结果准确度越高,并且引入目标对象与关联对象的关联性对触发目标对象的影响,考虑到梯度提升树模型在多特征的处理中具有较高的处理速度和准确性,因此,在本申请实施例的一些具体的实施方式中,采用梯度提升树模型构建触发概率预测模型,从而有效提高对触发概率预测的准确性。以下对梯度提升树模型的应用进行简要说明:
例如,第二样本数据的样本量为m,则第二样本数据可以表示为:
{(X(1),y(1)),(X(2),y(2)),…,(X(m),y(m))}
上式中,
其中,X(i)称为第i个样本的自变量数据的集合,n表示集合中自变量数据的数量,x表示自变量数据(如用户的属性特征和关联触发特征),y(i)称为第i个样本的标签即用户对目标对象的触发行为数据,通过模型训练,可以得到自变量数据的集合X(i)与用户对目标对象的触发行为数据y(i)的映射,即:
其映射函数可以为:
y=F(X)=w0+w1x1+w2x2+…+wnxn
其中,y表示用户触发目标对象的触发概率,F表示映射函数,X表示自变量数据的集合,w表示函数的参数,x表示自变量数据,n表示集合中自变量数据的数量。
在经过训练确定各参数w后,将目标用户的属性特征和关联触发特征输入到上述触发概率预测模型中,即可得到目标用户触发目标对象的触发概率。
进一步的,在确定出目标用户对目标对象的触发概率后,能够根据确定的触发概率决定是否将目标对象推荐给目标用户,基于此,在上述S103利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测该目标用户触发目标对象的触发概率之后,还包括:
根据预测得到的触发概率,判断是否向目标用户推荐目标对象,具体的,判断触发概率是否大于预设阈值,若大于,则说明用户需要使用该目标对象的可能性比较大;
若是,则将目标对象推荐给目标用户,以便与目标用户快速锁定该目标对象并触发使用。
例如,若触发概率大于预设阈值,则确定向目标用户推荐目标对象,若触发概率不大于预设阈值,则不向目标用户推荐目标对象。具体推荐方法可以采用短信推送、在应用内发出提示消息等方式,本申请实施例不再一一赘述,本领域技术人员可以结合实际应用场景灵活设置。
作为上述实施方式的变更实施方式,结合图1所示的应用场景,若目标对象未显示在应用首页等容易看到的位置,而根据触发概率确定需要将目标对象推荐给目标用户,此时可以自动将该目标应用显示于首页界面的预设展示位置,以便于用户快速锁定该目标应用并点击使用。相应的,在上述S103利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测该目标用户触发目标对象的触发概率之后,还包括:
根据预测得到的触发概率,判断是否向目标用户展示该目标对象,具体的,判断触发概率是否大于预设阈值,若大于,则说明用户需要使用该目标对象的可能性比较大,因此,需要向目标用户展示该目标对象。
若是,则确定目标对象的展示方式,以及按照该展示方式显示目标对象。
其中,目标对象的展示方式可以包括:在首页展示、放大展示、采用动画效果进行展示等,本申请实施例不再一一赘述。
具体的,可以采用直接将目标对象显示于指定位置的方式,如图4所示,如果目标对象为出境应用且确定出触发概率大于预设阈值,将自动将出境应用显示于首页界面的预设展示位置,另外,考虑到用户使用出境应用后,还可能使用机票应用、记账本应用、保险服务应用等等,也可以将此类应用显示于该预设显示位置。
本申请实施例中的对象触发事件预测方法,该方法包括:获取目标对象与其关联对象的触发关联程度,获取目标用户触发关联对象的触发记录信息,以及获取目标用户的属性特征;再利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测目标用户触发目标对象的触发概率。本申请实施例中,引入目标对象与关联对象的关联性对触发目标对象的影响,从而能够更加全面、准确地对目标用户对目标对象的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
对应上述图1至图4描述的对象触发事件预测方法,基于相同的技术构思,本申请另一实施例还提供了一种对象触发事件预测方法,图5为本申请实施例提供的对象触发事件预测方法的流程示意图,该方法能够由服务器执行,也可以由用户所使用的智能终端(例如,智能手机)执行,如图5所示,该流程包括:
S501,获取目标应用与其关联应用的触发关联程度,其中,该目标应用和关联应用均能够被触发,步骤S501的具体实施方式参见步骤S101,这里不再赘述;
S502,获取目标用户触发关联应用的触发记录信息,以及获取该目标用户的属性特征,其中,步骤S502的具体实施方式参见步骤S102,这里不再赘述;
S503,利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测该目标用户触发目标应用的触发概率,其中,步骤S503的具体实施方式参见步骤S103,这里不再赘述。
其中,目标应用和关联应用可以是属于同一预设应用下不同的小程序。
在本申请实施例中,引入目标应用与关联应用的关联性对触发目标应用的影响,从而能够更加全面、准确地对目标用户对目标应用的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对目标应用的精准推荐。
其中,在上述S501获取目标应用与其关联应用的触发关联程度之前,还包括:
获取第一样本数据,其中,该第一样本数据包括:历史用户对目标应用和关联应用的关联触发数据,其中,该关联触发数据表征历史用户对应用的点击关系图;
利用协同过滤算法基于关联触发数据,确定目标应用与关联应用的触发关联程度,具体的,在训练得到触发概率预测模型时,将该触发关联程度和基础特征作为训练数据一同输入至预设预测模型中,对该预设预测模型进行训练,得到触发概率预测模型。
具体的,考虑到协同过滤算法被广泛应用于内容推荐技术,其可以根据历史数据准确地计算出关联内容之间的关联程度,因此,在本申请实施例的一个实施方式中,优选的,利用协同过滤算法结合第一样本数据来确定目标应用与关联应用的触发关联程度。
其中,结合利用协同过滤算法确定出目标应用与关联应用的触发关联程度,为了提高利用触发概率预测模型确定出的触发概率的准确度,可以将该触发关联程度作为用于训练预测模型的样本数据中的一部分,即在训练得到触发概率预测模型时,不仅引入样本用户的属性特征,还引入了目标应用与其关联应用的触发关联程度,基于此,上述触发概率预测模型是通过如下方式训练得到的:
基于目标应用与其关联应用的触发关联程度,确定第二样本数据,其中,该第二样本数据包括:自变量数据和因变量数据,自变量数据包括:样本用户的属性特征和样本用户的关联触发特征,样本用户的关联触发特征是根据样本用户对关联应用的触发行为数据和触发关联程度相乘得到的,因变量数据包括:样本用户对目标应用的触发行为数据;
将第二样本数据输入至预设预测模型中,基于第二样本数据对预设预测模型进行训练,得到触发概率预测模型。
其中,在基于第二样本数据训练得到触发概率预测模型后,可以直接将目标用户的实时数据输入至该预测模型中,预测模型的输出结果即为目标用户对目标应用的触发概率,具体的,上述S503利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测该目标用户触发目标应用的触发概率,具体包括:
根据目标用户的触发记录信息,确定该目标用户对关联应用的触发行为数据;
根据获取到的触发关联程度和确定出的目标用户的触发行为数据,相乘得到目标用户的关联触发特征;
将目标用户的属性特征和目标用户的关联触发特征输入到预先训练好的触发概率预测模型,利用触发概率预测模型预测目标用户触发目标应用的触发概率。
在本申请实施例中,既考虑了用户的基本属性对触发目标应用的影响,同时兼并考虑到了目标应用与关联应用的关联性对触发目标应用的影响,从而能够更加全面、准确地对目标应用的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,从而实现对产品的精准推荐。
其中,上述预设预测模型包括:梯度提升树模型、逻辑回归模型或神经网络模型。
其中,在上述S503利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测该目标用户触发目标应用的触发概率之后,还包括:
若触发概率大于预设阈值,则将目标应用显示于预设展示位置,这样便于用户快速锁定该目标应用并点击使用。
另外,为了便于理解,在本申请提供的一个示例性实施方式中,以目标对象为小程序A,其关联对象为小程序B、小程序C和小程序D为例,基于本申请提供的对象触发事件预测方法对小程序A的触发概率进行预测,具体的,如图6所示,给出了触发概率预测模型的训练和使用过程的实现原理示意图,具体为:首先,获取第一样本数据,其中,该第一样本数据包括:历史用户对目标对象和关联对象的关联触发数据,如表1所示:
表1
样本编号 |
历史用户 |
小程序A |
小程序B |
小程序C |
小程序D |
样本数据101 |
用户11 |
5 |
4 |
2 |
1 |
样本数据102 |
用户12 |
4 |
3 |
1 |
2 |
样本数据103 |
用户13 |
4 |
5 |
3 |
2 |
样本数据104 |
用户14 |
5 |
3 |
1 |
2 |
…… |
…… |
…… |
…… |
…… |
…… |
上表中,每条样本数据中记录的关联触发次数为历史用户对各个小程序的触发次数。
接下来,利用协同过滤算法,基于第一样本数据,可以计算得到目标对象与关联对象之间的触发关联程度,即小程序A分别与小程序B、小程序C和小程序D分别的触发关联程度,如表2所示:
表2
目标对象 |
关联对象 |
触发关联程度 |
小程序A |
小程序B |
0.9 |
小程序A |
小程序C |
0.3 |
小程序A |
小程序D |
0.25 |
另一方面,获取样本用户对关联对象的触发行为数据,如下表3所示:
表3
然后,将上述触发行为数据与触发关联程度对应相乘,得到关联触发特征,例如,将小程序B点击次数均乘以小程序A和小程序B的触发关联程度,得到小程序A与小程序B的关联触发特征,最终得到样本用户的关联触发特征如下表4所示:
表4
基于上述样本用户的关联触发特征,结合样本用户的属性特征作为自变量数据,以及将样本用户对目标对象的触发行为数据作为因变量数据,得到第二样本数据,如下表5所示:
表5
将上述第二样本数据输入预设预测模型,即可训练确定触发概率预测模型的模型参数。
以上为训练得到触发概率预测模型的过程,触发概率预测模型训练完成后,即可使用该触发概率预测模型来确定目标用户触发目标对象的触发概率,具体为:
首先,获取目标用户触发关联对象的触发记录信息,再根据该触发记录信息确定目标用户对关联对象的触发行为数据,如下表6所示:
表6
将上述目标用户对关联对象的触发行为数据乘以前述步骤确定的触发关联程度,得到目标用户的关联触发特征如下表7所示:
表7
将上述目标用户的关联触发特征结合目标用户的属性特征,得到目标用户对应的自变量数据如下表8所示,
表8
将目标用户对应的自变量数据输入到训练好的触发概率预测模型,即可得到目标用户触发目标对象(小程序A)的触发概率。
本申请实施例中的对象触发事件预测方法,获取目标应用与其关联应用的触发关联程度,获取目标用户触发关联应用的触发记录信息,以及获取目标用户的属性特征;再利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测目标用户触发目标应用的触发概率。在本申请实施例中,引入目标应用与关联应用的关联性对触发目标应用的影响,从而能够更加全面、准确地对目标用户对目标应用的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
需要说明的是,本申请另一实施例与本申请一实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对象触发事件预测方法的实施,重复之处不再赘述。
对应上述图2至图6描述的对象触发事件预测方法,基于相同的技术构思,本申请实施例还提供了一种对象触发事件预测装置,图7为本申请实施例提供的对象触发事件预测装置的模块组成示意图,该装置用于执行图2至图6描述的对象触发事件预测方法,如图7所示,该装置包括:第一获取模块701、第二获取模块702和触发概率预测模块703,第一获取模块701、第二获取模块702和触发概率预测模块703依次连接。
在一个具体的实施例中,第一获取模块701,用于获取目标对象与其关联对象的触发关联程度,其中,所述目标对象和所述关联对象均能够被触发;
第二获取模块702,用于获取目标用户触发所述关联对象的触发记录信息,以及获取所述目标用户的属性特征;
触发概率预测模块703,用于利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率。
可选地,如图8所示,上述装置还包括:
第一样本获取模块704,用于在获取目标对象与其关联对象的触发关联程度之前,获取第一样本数据,其中,所述第一样本数据包括:历史用户对目标对象和关联对象的关联触发数据;
关联程度确定模块705,用于利用相关度算法基于所述关联触发数据,确定所述目标对象与所述关联对象的触发关联程度。
可选地,所述关联程度确定模块705,具体用于:
利用协同过滤算法基于所述关联触发数据,确定所述目标对象与所述关联对象的触发关联程度。
可选地,上述装置还包括:
第二样本获取模块706,用于基于目标对象与其关联对象的触发关联程度,确定第二样本数据,其中,所述第二样本数据包括:自变量数据和因变量数据,所述自变量数据包括:样本用户的属性特征和样本用户的关联触发特征,所述样本用户的关联触发特征是根据所述样本用户对所述关联对象的触发行为数据和所述触发关联程度组合确定的,所述因变量数据包括:所述样本用户对所述目标对象的触发行为数据;
预测模型训练模块707,用于将所述第二样本数据输入至预设预测模型中,基于所述第二样本数据对所述预设预测模型进行训练,得到触发概率预测模型。
可选地,所述触发概率预测模块703,具体用于:
根据所述触发记录信息,确定所述目标用户对所述关联对象的触发行为数据;
根据获取到的所述触发关联程度和确定出的所述目标用户的所述触发行为数据,组合得到所述目标用户的关联触发特征;
将所述目标用户的属性特征和所述目标用户的所述关联触发特征输入到预先训练好的触发概率预测模型,利用所述触发概率预测模型预测所述目标用户触发所述目标对象的触发概率。
可选地,所述预设预测模型包括:梯度提升树模型、逻辑回归模型或神经网络模型。
可选地,上述装置还包括:
目标对象展示模块708,用于根据所述触发概率,确定所述目标对象的展示方式,以及按照所述展示方式显示所述目标对象。
可选地,上述装置还包括:
目标对象推荐模块709,用于根据所述触发概率,确定是否向所述目标用户推荐所述目标对象;若是,则将所述目标对象推荐给所述目标用户。
本申请实施例中的对象触发事件预测装置,获取目标对象与其关联对象的触发关联程度,获取目标用户触发关联对象的触发记录信息,以及获取目标用户的属性特征;再利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测目标用户触发目标对象的触发概率。本申请实施例中,引入目标对象与关联对象的关联性对触发目标对象的影响,从而能够更加全面、准确地对目标用户对目标对象的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
在另一个具体的实施例中,第一获取模块701,用于获取目标应用与其关联应用的触发关联程度,其中,所述目标应用和所述关联应用均能够被触发;
第二获取模块702,用于获取目标用户触发所述关联应用的触发记录信息,以及获取所述目标用户的属性特征;
触发概率预测模块703,用于利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标应用的触发概率。
可选地,上述装置还包括:
第一样本获取模块704,用于在获取目标对象与其关联对象的触发关联程度之前,获取第一样本数据,其中,所述第一样本数据包括:历史用户对目标应用和关联应用的关联触发数据;
关联程度确定模块705,用于利用协同过滤算法基于所述关联触发数据,确定所述目标应用与所述关联应用的触发关联程度。
可选地,上述装置还包括:
第二样本获取模块706,用于基于目标应用与其关联应用的触发关联程度,确定第二样本数据,其中,所述第二样本数据包括:自变量数据和因变量数据,所述自变量数据包括:样本用户的属性特征和样本用户的关联触发特征,所述样本用户的关联触发特征是根据所述样本用户对所述关联应用的触发行为数据和所述触发关联程度相乘得到的,所述因变量数据包括:所述样本用户对所述目标应用的触发行为数据;
预测模型训练模块707,用于将所述第二样本数据输入至预设预测模型中,基于所述第二样本数据对所述预设预测模型进行训练,得到触发概率预测模型。
可选地,所述触发概率预测模块703,具体用于:
根据所述触发记录信息,确定所述目标用户对所述关联应用的触发行为数据;
根据获取到的所述触发关联程度和确定出的所述目标用户的所述触发行为数据,相乘得到所述目标用户的关联触发特征;
将所述目标用户的属性特征和所述目标用户的所述关联触发特征输入到预先训练好的触发概率预测模型,利用所述触发概率预测模型预测所述目标用户触发所述目标应用的触发概率。
可选地,所述预设预测模型包括:梯度提升树模型、逻辑回归模型或神经网络模型。
可选地,上述装置还包括:
目标对象展示模块708,用于若所述触发概率大于预设阈值,则将所述目标应用显示于预设展示位置。
可选地,所述目标应用和所述关联应用属于同一预设应用下不同的小程序。
本申请实施例中的对象触发事件预测装置,获取目标应用与其关联应用的触发关联程度,获取目标用户触发关联应用的触发记录信息,以及获取目标用户的属性特征;再利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测目标用户触发目标应用的触发概率。在本申请实施例中,引入目标应用与关联应用的关联性对触发目标应用的影响,从而能够更加全面、准确地对目标用户对目标应用的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
进一步地,对应上述图2至图6所示的方法,基于相同的技术构思,本申请实施例还提供了一种对象触发事件预测设备,该设备用于执行上述的对象触发事件预测方法,如图9所示。
对象触发事件预测设备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的处理器901和存储器902,存储器902中可以存储有一个或一个以上存储应用程序或数据。其中,存储器902可以是短暂存储或持久存储。存储在存储器902的应用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对象触发事件预测设备中的一系列计算机可执行指令。更进一步地,处理器901可以设置为与存储器902通信,在对象触发事件预测设备上执行存储器902中的一系列计算机可执行指令。对象触发事件预测设备还可以包括一个或一个以上电源903,一个或一个以上有线或无线网络接口904,一个或一个以上输入输出接口905,一个或一个以上键盘906等。
在一个具体的实施例中,对象触发事件预测设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对对象触发事件预测设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标对象与其关联对象的触发关联程度,其中,所述目标对象和所述关联对象均能够被触发;
获取目标用户触发所述关联对象的触发记录信息,以及获取所述目标用户的属性特征;
利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率。
可选地,计算机可执行指令在被执行时,还包含用于进行以下计算机可执行指令:
在获取目标对象与其关联对象的触发关联程度之前,还包括:
获取第一样本数据,其中,所述第一样本数据包括:历史用户对目标对象和关联对象的关联触发数据;
利用相关度算法基于所述关联触发数据,确定所述目标对象与所述关联对象的触发关联程度。
可选地,计算机可执行指令在被执行时,所述利用相关度算法基于所述关联触发数据,确定所述目标对象与所述关联对象的触发关联程度,包括:
利用协同过滤算法基于所述关联触发数据,确定所述目标对象与所述关联对象的触发关联程度。
可选地,计算机可执行指令在被执行时,所述触发概率预测模型是通过如下方式训练得到的:
基于目标对象与其关联对象的触发关联程度,确定第二样本数据,其中,所述第二样本数据包括:自变量数据和因变量数据,所述自变量数据包括:样本用户的属性特征和样本用户的关联触发特征,所述样本用户的关联触发特征是根据所述样本用户对所述关联对象的触发行为数据和所述触发关联程度组合确定的,所述因变量数据包括:所述样本用户对所述目标对象的触发行为数据;
将所述第二样本数据输入至预设预测模型中,基于所述第二样本数据对所述预设预测模型进行训练,得到触发概率预测模型。
可选地,计算机可执行指令在被执行时,所述利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率,包括:
根据所述触发记录信息,确定所述目标用户对所述关联对象的触发行为数据;
根据获取到的所述触发关联程度和确定出的所述目标用户的所述触发行为数据,组合得到所述目标用户的关联触发特征;
将所述目标用户的属性特征和所述目标用户的所述关联触发特征输入到预先训练好的触发概率预测模型,利用所述触发概率预测模型预测所述目标用户触发所述目标对象的触发概率。
可选地,计算机可执行指令在被执行时,所述预设预测模型包括:梯度提升树模型、逻辑回归模型或神经网络模型。
可选地,计算机可执行指令在被执行时,还包含用于进行以下计算机可执行指令:
在利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率之后,还包括:
根据所述触发概率,确定所述目标对象的展示方式,以及按照所述展示方式显示所述目标对象。
可选地,计算机可执行指令在被执行时,还包含用于进行以下计算机可执行指令:
在利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率之后,还包括:
根据所述触发概率,确定是否向所述目标用户推荐所述目标对象;
若是,则将所述目标对象推荐给所述目标用户。
本申请实施例中的对象触发事件预测设备,获取目标对象与其关联对象的触发关联程度,获取目标用户触发关联对象的触发记录信息,以及获取目标用户的属性特征;再利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测目标用户触发目标对象的触发概率。可见,通过本申请实施例中的对象触发事件预测设备,引入目标对象与关联对象的关联性对触发目标对象的影响,从而能够更加全面、准确地对目标用户对目标对象的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
在另一个具体的实施例中,对象触发事件预测设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对对象触发事件预测设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标应用与其关联应用的触发关联程度,其中,所述目标应用和所述关联应用均能够被触发;
获取目标用户触发所述关联应用的触发记录信息,以及获取所述目标用户的属性特征;
利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标应用的触发概率。
可选地,计算机可执行指令在被执行时,还包含用于进行以下计算机可执行指令:
在获取目标应用与其关联应用的触发关联程度之前,还包括:
获取第一样本数据,其中,所述第一样本数据包括:历史用户对目标应用和关联应用的关联触发数据;
利用协同过滤算法基于所述关联触发数据,确定所述目标应用与所述关联应用的触发关联程度。
可选地,计算机可执行指令在被执行时,所述触发概率预测模型是通过如下方式训练得到的:
基于目标应用与其关联应用的触发关联程度,确定第二样本数据,其中,所述第二样本数据包括:自变量数据和因变量数据,所述自变量数据包括:样本用户的属性特征和样本用户的关联触发特征,所述样本用户的关联触发特征是根据所述样本用户对所述关联应用的触发行为数据和所述触发关联程度相乘得到的,所述因变量数据包括:所述样本用户对所述目标应用的触发行为数据;
将所述第二样本数据输入至预设预测模型中,基于所述第二样本数据对所述预设预测模型进行训练,得到触发概率预测模型。
可选地,计算机可执行指令在被执行时,所述利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标应用的触发概率,包括:
根据所述触发记录信息,确定所述目标用户对所述关联应用的触发行为数据;
根据获取到的所述触发关联程度和确定出的所述目标用户的所述触发行为数据,相乘得到所述目标用户的关联触发特征;
将所述目标用户的属性特征和所述目标用户的所述关联触发特征输入到预先训练好的触发概率预测模型,利用所述触发概率预测模型预测所述目标用户触发所述目标应用的触发概率。
可选地,计算机可执行指令在被执行时,所述预设预测模型包括:梯度提升树模型、逻辑回归模型或神经网络模型。
可选地,计算机可执行指令在被执行时,还包含用于进行以下计算机可执行指令:
在利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标应用的触发概率之后,还包括:
若所述触发概率大于预设阈值,则将所述目标应用显示于预设展示位置。
可选地,计算机可执行指令在被执行时,所述目标应用和所述关联应用属于同一预设应用下不同的小程序。
本申请实施例中的对象触发事件预测设备,获取目标应用与其关联应用的触发关联程度,获取目标用户触发关联应用的触发记录信息,以及获取目标用户的属性特征;再利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测目标用户触发目标应用的触发概率。可见,通过本申请实施例中的对象触发事件预测设备,引入目标应用与关联应用的关联性对触发目标应用的影响,从而能够更加全面、准确地对目标用户对目标应用的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
进一步地,对应上述图2至图6所示的方法,基于相同的技术构思,本申请实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取目标对象与其关联对象的触发关联程度,其中,所述目标对象和所述关联对象均能够被触发;
获取目标用户触发所述关联对象的触发记录信息,以及获取所述目标用户的属性特征;
利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还实现以下流程:
在获取目标对象与其关联对象的触发关联程度之前,还包括:
获取第一样本数据,其中,所述第一样本数据包括:历史用户对目标对象和关联对象的关联触发数据;
利用相关度算法基于所述关联触发数据,确定所述目标对象与所述关联对象的触发关联程度。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述利用相关度算法基于所述关联触发数据,确定所述目标对象与所述关联对象的触发关联程度,包括:
利用协同过滤算法基于所述关联触发数据,确定所述目标对象与所述关联对象的触发关联程度。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述触发概率预测模型是通过如下方式训练得到的:
基于目标对象与其关联对象的触发关联程度,确定第二样本数据,其中,所述第二样本数据包括:自变量数据和因变量数据,所述自变量数据包括:样本用户的属性特征和样本用户的关联触发特征,所述样本用户的关联触发特征是根据所述样本用户对所述关联对象的触发行为数据和所述触发关联程度组合确定的,所述因变量数据包括:所述样本用户对所述目标对象的触发行为数据;
将所述第二样本数据输入至预设预测模型中,基于所述第二样本数据对所述预设预测模型进行训练,得到触发概率预测模型。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率,包括:
根据所述触发记录信息,确定所述目标用户对所述关联对象的触发行为数据;
根据获取到的所述触发关联程度和确定出的所述目标用户的所述触发行为数据,组合得到所述目标用户的关联触发特征;
将所述目标用户的属性特征和所述目标用户的所述关联触发特征输入到预先训练好的触发概率预测模型,利用所述触发概率预测模型预测所述目标用户触发所述目标对象的触发概率。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述预设预测模型包括:梯度提升树模型、逻辑回归模型或神经网络模型。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还实现以下流程:
在利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率之后,还包括:
根据所述触发概率,确定所述目标对象的展示方式,以及按照所述展示方式显示所述目标对象。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还实现以下流程:
在利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标对象的触发概率之后,还包括:
根据所述触发概率,确定是否向所述目标用户推荐所述目标对象;
若是,则将所述目标对象推荐给所述目标用户。
本申请实施例中的存储介质存储的计算机可执行指令在被处理器执行时,获取目标对象与其关联对象的触发关联程度,获取目标用户触发关联对象的触发记录信息,以及获取目标用户的属性特征;再利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测目标用户触发目标对象的触发概率。可见,通过本申请实施例中的存储介质,引入目标对象与关联对象的关联性对触发目标对象的影响,从而能够更加全面、准确地对目标用户对目标对象的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
在另一个具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取目标应用与其关联应用的触发关联程度,其中,所述目标应用和所述关联应用均能够被触发;
获取目标用户触发所述关联应用的触发记录信息,以及获取所述目标用户的属性特征;
利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标应用的触发概率。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还实现以下流程:
在获取目标应用与其关联应用的触发关联程度之前,还包括:
获取第一样本数据,其中,所述第一样本数据包括:历史用户对目标应用和关联应用的关联触发数据;
利用协同过滤算法基于所述关联触发数据,确定所述目标应用与所述关联应用的触发关联程度。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述触发概率预测模型是通过如下方式训练得到的:
基于目标应用与其关联应用的触发关联程度,确定第二样本数据,其中,所述第二样本数据包括:自变量数据和因变量数据,所述自变量数据包括:样本用户的属性特征和样本用户的关联触发特征,所述样本用户的关联触发特征是根据所述样本用户对所述关联应用的触发行为数据和所述触发关联程度相乘得到的,所述因变量数据包括:所述样本用户对所述目标应用的触发行为数据;
将所述第二样本数据输入至预设预测模型中,基于所述第二样本数据对所述预设预测模型进行训练,得到触发概率预测模型。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标应用的触发概率,包括:
根据所述触发记录信息,确定所述目标用户对所述关联应用的触发行为数据;
根据获取到的所述触发关联程度和确定出的所述目标用户的所述触发行为数据,相乘得到所述目标用户的关联触发特征;
将所述目标用户的属性特征和所述目标用户的所述关联触发特征输入到预先训练好的触发概率预测模型,利用所述触发概率预测模型预测所述目标用户触发所述目标应用的触发概率。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述预设预测模型包括:梯度提升树模型、逻辑回归模型或神经网络模型。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,还实现以下流程:
在利用预先训练好的触发概率预测模型,根据所述属性特征、所述触发关联程度和所述触发记录信息,预测所述目标用户触发所述目标应用的触发概率之后,还包括:
若所述触发概率大于预设阈值,则将所述目标应用显示于预设展示位置。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述目标应用和所述关联应用属于同一预设应用下不同的小程序。
本申请实施例中的存储介质存储的计算机可执行指令在被处理器执行时,获取目标应用与其关联应用的触发关联程度,获取目标用户触发关联应用的触发记录信息,以及获取目标用户的属性特征;再利用预先训练好的触发概率预测模型,根据获取到的触发关联程度、目标用户的触发记录信息和属性特征,预测目标用户触发目标应用的触发概率。可见,通过本申请实施例中的存储介质,引入目标应用与关联应用的关联性对触发目标应用的影响,从而能够更加全面、准确地对目标用户对目标应用的触发概率进行预估,使得预测得到的触发概率准确性高、具有较好的参考性,进而实现对产品的精准推荐。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。