CN110858377B - 信息处理方法、页面显示方法、系统及设备 - Google Patents

Abstract

本申请实施例提供一种信息处理方法、页面显示方法、系统及设备。其中，方法包括如下的步骤：获取本地产生的用户行为数据；利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；当本地存在与所述用户个性信息相关的处理任务时，基于所述用户个性信息，执行所述处理任务。本申请实施例提供的技术方案，获取本地产生的用户行为数据，并基于用户行为数据确定用户个性信息，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，用户个性信息确定实时性更好。

Description

信息处理方法、页面显示方法、系统及设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种信息处理方法、页面显示方法、系统及设备。

背景技术

随着计算机网络技术的不断发展，互联网对人类生活的影响越来越大。例如：人们可通过互联网进行购物。

各个网站的后台服务器会根据收集来的与用户相关的数据预测用户偏好。以利用用户的偏好为用户推送数据或为用户搜索的结果进行排序等。在用户量非常大的情况下，收集每个用户的数据需占用大量的带宽资源，计算每个用户的偏好需消耗大量的后台计算资源。

发明内容

鉴于上述问题，提出了本申请以提供一种解决上述问题或至少部分地解决上述问题的信息处理方法、页面显示方法、系统及设备。

于是，在本申请的一个实施例中，提供了一种适于客户端的信息处理方法。该方法包括：

获取本地产生的用户行为数据；

利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；

当本地存在与所述用户个性信息相关的处理任务时，基于所述用户个性信息，执行所述处理任务。

在本申请的另一实施例中，提供了一种信息处理系统。该系统包括：

客户端，用于获取本地产生的用户行为数据；利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；将所述用户个性信息发送至服务端；

服务端，用于接收到客户端发送的所述用户个性信息后，基于所述用户个性信息，获取匹配信息；将所述匹配信息反馈至所述客户端。

在本申请的又一个实施例中，提供了一种适于客户端的信息处理方法。该方法，包括：

获取本地产生的用户行为数据；

利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；

将所述用户个性信息发送至服务端，以从所述服务端获取匹配信息。

在本申请的又一个实施例中，提供了一种适于服务端的信息处理方法。该方法，包括：

接收客户端基于本地产生的用户行为数据确定并发送的用户个性信息；

基于所述用户个性信息，获取匹配信息；

将所述匹配信息反馈至所述客户端。

在本申请的又一个实施例中，提供了一种适于客户端的页面显示方法。该方法包括：

显示基于第一排序数据集生成的页面；

监听到客户端对页面上的至少一次操作做出相应响应后，显示基于第二排序数据集生成的所述页面；

其中，所述第二排序数据集是根据用户个性信息对所述第一排序数据集进行重排后得到的，所述用户个性信息是利用本地计算资源分析本地产生的用户行为数据得到的。

在本申请的又一实施例中，提供了一种客户端设备。该客户端设备，包括：第一存储器和第一处理器，其中，

所述第一存储器，用于存储程序；

所述第一处理器，与所述第一存储器耦合，用于执行所述第一存储器中存储的所述程序，以用于：

获取本地产生的用户行为数据；

利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；

当本地存在调用所述用户个性信息的事件时，基于所述用户个性信息，执行此次调用所需完成的处理任务。

在本申请的又一实施例中，提供了一种客户端设备。该客户端设备包括：第二存储器、第二处理器及第二通信组件，其中，

所述第二存储器，用于存储程序；

所述第二处理器，与所述第二存储器耦合，用于执行所述第二存储器中存储的所述程序，以用于：

获取本地产生的用户行为数据；

利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；

所述第二通信组件，与所述第二处理器耦合，用于将所述用户个性信息发送至服务端，以从所述服务端获取匹配信息。

在本申请的又一实施例中，提供了一种服务端设备。该服务端设备包括：第三存储器、第三处理器及第三通信组件；其中，

所述第三存储器，用于存储程序；

所述第三通信组件，与所述第三处理器耦合，用于接收客户端基于本地产生的用户行为数据确定并发送的用户个性信息；

所述第三处理器，与所述第三存储器耦合，用于执行所述第三存储器中存储的所述程序，以用于：

基于所述用户个性信息，获取匹配信息；

控制所述第三通信组件将所述匹配信息反馈至所述客户端。

在本申请的又一实施例中，提供了一种客户端设备。该客户端设备包括：第四存储器、第四处理器及第四显示器；其中，

所述第四存储器，用于存储程序；

所述第四处理器，与所述第四存储器及所述第四显示器耦合，用于执行所述第四存储器中存储的所述程序，以用于：

控制所述第四显示器显示基于第一排序数据集生成的页面；

监听到客户端对页面上的至少一次操作做出相应响应后，控制第四显示器显示基于第二排序数据集生成的所述页面；

其中，所述第二排序数据集是根据用户个性信息对所述第一排序数据集进行重排后得到的，所述用户个性信息是利用本地计算资源分析本地产生的用户行为数据得到的。

本申请实施例提供一种技术方案，利用客户端边缘计算能力获取本地产生的用户行为数据，并基于用户行为数据确定用户个性信息；一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，数据分析更靠近数据源本身，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

本申请实施例还提供一种技术方案，在监听到客户端对页面上的至少一次操作做出相应响应后，根据利用客户端本地计算资源对用户行为数据进行分析得到的用户个性信息，对第一排序数据集进行重排以得到第二排序数据集，并显示基于第二排序数据集生成的页面，以更贴合用户当前的兴趣，实时性越好越有助于提升用户的浏览效率，进而提高数据集的整体转化率。另外，本申请实施例提供的技术方案，利用客户端边缘计算能力，一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，数据分析更靠近数据源本身，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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他的附图。

图1为本申请一实施例提供的信息处理方法的流程示意图；

图2为本申请另一实施例提供的信息处理方法的流程示意图；

图3为本申请一实施例提供的客户端的软件架构实现示意图；

图4为本申请一实施例提供的信息处理方法的原理性流程示意图；

图5为本申请一实施例提供的信息处理系统的结构框图；

图6为本申请另一实施例提供的信息处理方法的流程示意图；

图7为本申请又一实施例提供的信息处理方法的流程示意图；

图8为本申请又一实施例提供的信息处理方法的信令交互示意图；

图9为本申请又一实施例提供的信息处理方法的流程示意图；

图10为本申请一实施例提供的信息处理装置的结构框图；

图11为本申请另一实施例提供的信息处理装置的结构框图；

图12为本申请又一实施例提供的信息处理装置的结构框图；

图13为本申请一实施例提供的页面显示装置的结构框图；

图14为本申请一实施例提供的客户端设备的结构框图；

图15为本申请另一实施例提供的客户端设备的结构框图；

图16为本申请一实施例提供的服务端设备的结构框图；

图17为本申请一实施例提供的客户端设备的结构框图。

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。

在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

现有技术中，通常由服务端根据用户的历史偏好对搜索结果或推荐结果进行排序，将排序后的搜索结果或推荐结果返回至客户端，由客户端按序显示。无论用户对客户端显示的搜索结果或推荐结果进行怎样的操作，已到达客户端的搜索结果或推荐结果的显示顺序不会发生任何变化，即不会根据用户实时行为对已到达客户端的搜索结果或推荐结果(即下述的本地数据集)进行动态排序。经统计分析发现，用户实时行为更能反映出用户当下的兴趣，并且实时性越好越能提高用户的浏览效率。因此，本申请实施例提供一种用户偏好确定实时性更好的方案。

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，本领域技术人员在没有做出创造性劳动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。

图1示出了本申请一实施例提供的信息处理方法的流程示意图。本实施例提供的所述方法适用于客户端。其中，所述客户端可以是集成在终端上的一个具有嵌入式程序的硬件，也可以是安装在终端中的一个应用软件，还可以是嵌入在终端操作系统中的工具软件等，本申请实施例对此不作限定。该终端可以为包括手机、平板电脑、智能穿戴设备等任意终端设备。如图1所示，所述方法包括：

101、获取本地产生的用户行为数据。

102、利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息。

103、当本地存在与所述用户个性信息相关的处理任务时，基于所述用户个性信息，执行所述处理任务。

上述101中，获取到的用户行为数据可包括：实时行为数据及历史行为数据中的一种或两种。例如，用户在客户端应用页面的搜索框中输入搜索关键词“连衣裙”并点击搜索，页面上显示与搜索关键词匹配的搜索结果。用户输入关键词的操作即会产生用户行为数据；用户在页面上对搜索结果的操作也可产生用户行为数据。这些操作均被实时采集并存储在本地。其中，能产生用户行为数据的用户操作包括但不限于：搜索、拖动滚动条、滑屏、翻页、点选、收藏、加入购物车等。这些用户行为数据都能反应出用户的个人喜好，即本实施例中提及的用户个性信息。

当用户行为数据是用户对页面上的至少一个数据进行操作后产生的时，所述用户行为数据可包括：至少一个数据的特征信息以及各数据对应的行为属性。其中，行为属性可包括：点选、未点选、收藏关注、加入购物车、下单购买、发表咨询和评论等，本申请实施例对此不作具体限定。在本申请实施例中，所述“数据”泛指所有用户可能感兴趣的商品或服务，包括实物商品、虚拟商品(如音乐、新闻、视频等)、线上或线下服务(如餐饮、出行、咨询等)等。另外，在本申请实施例中，数据的特征信息可包括：颜色、品牌、产地、规格、功能等等。需要说明的是，在不同的应用场景下，特征信息中包含的特征项会有所不同。在电商平台下，特征项包括但不限于：商品类型、商品价格、商品颜色、商品设计风格、商品品牌、评价口碑等；在影视网站上，特征项包括但不限于：影视类型、地区、年代、评分等。

上述102中，用户个性信息可理解为：用户画像或用户偏好等等，表征用户区别于其他用户具有独特个人特点的信息。用户点选页面中的商品A进入详情页查看，或将该商品A收藏关注等，可确定出该用户喜欢该商品A。若用户滑过商品B，或进入该商品B的详情页后很快即跳出，则说明用户对该商品B不感兴趣；等等。因此，通过对用户行为数据进行数据分析是可以得到用户个性信息的。例如，分析用户点选、收藏、关注等的一个或多个商品的特征信息，得出这些商品的共同特征；基于商品的共同特征确定用户个性信息(即喜好什么样的商品)。或者，分析用户未点选、收藏、关注等商品的特征信息，根据这些未点选、未收藏、未关注的商品的共同特征，可间接的推测出用户个性信息(即不喜好什么样的商品)。

本地计算资源可理解为：客户端的系统资源及硬件资源(如处理器，内存等)。本申请实施例及以下各实施例均将客户端作为边缘计算端，利用边缘计算技术，在网络的边缘来处理数据，这样能够减少请求响应事件、减少网络带宽同时保证数据的安全性和私密性。随着客户端(如手机、平板电脑)的智能化提升，客户端大部分事件都在扮演着数据消费者的角色，且同时会生产大量的数据，将客户端侧产生的数据就在网络边缘点(即本地)进行处理、分析，这样计算效率会更高，且更准确。

具体实施时，客户端可预配置有用于对用户行为数据进行数据分析的计算模型。该计算模型可以是学习模型通过训练后得到的。该计算模型的训练过程可在服务端侧实现，客户端从服务端获取。或者，客户端具有自己的模型训练平台，再基于自身产生和存储的数据构成的训练集对学习模型进行训练得到所述计算模型。

上述103中，上述与所述用户个性信息相关的处理任务可简单理解为：需基于用户个性信息参与计算的处理任务。例如，对用户搜索的搜索结果，按照用户个性信息进行重排的处理任务；或基于用户个性信息为用户选择推荐信息的处理任务，等等；本申请实施例对此不作具体限定。

本申请实施例提供的技术方案，利用客户端边缘计算能力获取本地产生的用户行为数据，并基于用户行为数据确定用户个性信息；一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，数据分析更靠近数据源本身，本申请实施例提供的方案，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

在一种可实现的技术方案中，上述实施例中的用户行为数据的获取时机可包括但不限于如下中的至少一种：

监听到用户对页面上至少一个数据进行操作后获取；

监听到用户触发页面数据刷新操作后获取；

监听到用户触发开启应用的操作后获取；

监听到周期性触发的获取事件时获取。

假设在电商应用领域中，页面中显示的各商品是按照用户个性信息排序好的，而用户个性信息是通过分析用户的历史行为数据得到。但很有可能出现如下情况：用户当前突然对以前不喜欢的商品感兴趣，如以前不喜欢黑色裙子，但现在想要查找黑色裙子，总点击查看黑色裙子商品。本申请实施例提供在用户对页面上至少一个数据进行操作后的时机获取用户行为数据，能及时分析出用户的实时个性信息，便于对页面当前显示的数据排序进行及时调整，提高数据集的转化率。

在用户触发页面数据刷新操作后的时机获取到的用户行为数据可以是近期(如1小时、2小时、半天、1天、半个月等等)产生的用户行为数据。在用户触发开启应用的操作后的时机获取到的用户行为数据可以是上一次、上两次开启应用后用户各操作所产生的用户行为数据。

上述获取事件的触发周期可预先设定，本申请实施例对此不作具体限定。

下面以处理任务为调整页面的展示内容为例，对上述实施例提供的信息处理方法进行说明。具体的，所述信息处理方法，如图2所示，包括：

S1、获取本地产生的用户行为数据；

S2、利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；

S3、根据所述用户个性信息，对需展示在所述页面上的本地数据集中的多个数据进行重排。

S4、基于重排结果，调整所述页面的展示数据。

上述S1中，所述获取本地产生的用户行为数据，可具体为：

响应于用户对页面进行的至少一次操作，获取本地产生的用户行为数据。

其中，所述至少一次操作可包括但不限于：拖动滚动条、滑屏、翻页、点选、收藏、加入购物车等等操作。页面可理解为搜索结果页或推荐结果页，该页面展示有服务端发送的搜索结果或推荐结果中的至少一个数据。例如：用户在客户端的搜索框中输入“连衣裙”并点击搜索，服务端根据用户输入的关键词“连衣裙”得到搜索结果，并将搜索结果(例如：搜索结果中包括十个商品，即包括十个数据)返回给客户端，客户端将搜索结果展示在搜索结果页中，用户可对该搜索结果页进行操作。

上述S3中，本地数据集中的数据可以是服务端根据用户查询关键词反馈至客户端的搜索结果，也可以是服务端推送至客户端的推荐信息等等，本申请实施例对此不作具体限定。在本申请实施例中，本地数据集中的多个数据可以是本地数据集中的所有数据，也可以是部分数据。

即本申请实施例提供的所述方法还可包括如下步骤：

将所述本地数据集中未展现在可视区内的至少两个数据作为待重排的所述多个数据；或者

将所述本地数据集中未展现过的至少两个数据作为待重排的所述多个数据；或者

将所述本地数据集中所有数据作为待重排的所述多个数据。

例如，本地数据集中的数据在页面的可视区内展示不下需分页展示。举例来说，假设本地数据集包括：Q1、Q2、Q3、……Q20。Q1～Q10显示在页面的可视区内或显示在第一页面，Q11～Q20未显示。此时，可将本地数据集中Q11～Q20作为待重排的所述多个数据。假设，用户在页面的可视区内进行滑屏操作，当前可视区内显示的是Q3～Q12；那么Q1、Q2为展示过的数据，Q3～Q12也为展示过的数据，此时，Q13～Q20为未展示过的数据，因此，可将本地数据集中Q13～Q20作为待重排的所述多个数据。当然，还有一种情况是用户在页面上的操作是点选了某一个数据，假设为Q3，那么还可将本地数据集中排在Q3之后的Q4～Q20作为待重排的所述多个数据。

在一种可实现的技术方案中，重排的过程可具体为：根据用户个性信息，分别确定出用户对多个数据中各数据的喜好程度，然后按照用户对多个数据中各数据的喜好程度高低来对多个数据进行重新排序。例如：喜好程度高的数据靠前排列。

上述S4中，按照重排后的本地数据集中的各数据的排列顺序，来调整页面中各数据的显示顺序。

本申请实施例提供的技术方案中，由客户端作为边缘计算端根据用户行为数据来确定用户个性信息，并根据用户个性信息对已经到达客户端的本地数据集做排序优化，以贴合用户当前的浏览倾向，提升用户的浏览效率。并且，由客户端进行用户实时偏好的确定以及本地数据集的排序优化，不仅可节省服务端的计算资源及数据传输所需占用的带宽资源，还能避免因客户端与服务端的信息交互导致的实时性差等问题。

具体地，上述S1可采用如下方法中的一种来实现：

方法一、每隔预设时间间隔，获取用户在预设时间间隔内对页面操作产生的行为数据。

例如：用户在第一个预设时间间隔内对该页面先进行滑屏操作，滑过第一数据和第二数据后，点选了第三数据，查看第三个数据的详情内容，则用户在第一预设时间间隔内对页面操作产生的行为数据可包括：第一数据的特征信息及第一数据的行为属性为未点选、第二数据的特征信息及第二数据的行为属性为未点选、第三数据的特征信息及第三数据的行为属性为点选。

其中，预设时间间隔可根据实际需要进行设定，本申请实施例对此不作具体限定。预设时间间隔的数值越小，本方案的实时性就越好。

方法二、用户每操作一次即获取一次行为数据。

监听用户对页面的操作事件，一旦监听到用户对页面的操作事件，即获取操作事件中产生的行为数据。例如：用户对页面进行了滑屏操作，并滑过第四数据，则滑屏操作事件中产生的行为数据可包括：第四数据的特征信息及第四数据的行为属性为未点选。再例如：用户对页面中的第五数据做了点选操作，则点选操作事件中产生的行为数据包括：第五数据的特征信息及第五数据的行为属性为点选。

实际应用时，可在方法二中配置客户端仅响应于用户对页面的特定操作，例如：点选操作。这是由于滑屏操作中只涉及未被点选的数据，而点选操作中涉及的是点选的数据，而被用户点选的数据可在很大程度上反映用户当前的浏览倾向。

上述数据包括但不限于商品、服务。其中，商品包括实物商品和虚拟商品(例如：音乐、视频等)，服务可包括线上服务(例如：远程教学辅导)和线下服务(例如：按摩)。

在不同的应用场景下，上述数据所指代的内容也会有所不同。例如：在电商平台下，数据通常为商品；在影视网站上，数据通常为视频；在音乐网站上，数据通常为音乐。

具体的，用户行为数据可包括：至少一个数据的特征信息以及各数据对应的行为属性。其中，数据的特征信息可进一步的展开成数据对应的特征向量。特征向量中可包括各特征项对应的值。为了便于后续计算，每个特征项对应的值可为二值元素，即元素的值为0或1，从而数据对应的特征向量即为二值向量。例如，一种商品对应的特征向量为{A1、A2}；假设A1为颜色特征项对应的二值元素，黑色取值为0、白色取值为1；A2为品牌特征项对应的二值元素，品牌C取值为1、非品牌C的取值0；若商品的颜色为白色，则特征向量中A1取值为1；商品的品牌为品牌B，则特征向量中A2取值为0。

在一种可实现的方案中，上述S2中“对所述用户行为数据进行数据分析，得到用户个性信息”可具体包括：将所述行为数据作为本地计算模型的入参，执行所述计算模型得到所述用户个性信息。

具体地，计算模型可选用学习模型(如：神经网络学习模型)实现。基于预设量的训练数据，对学习模型进行训练得到计算模型。其中，所述学习模型可参见现有技术中的相关内容，本文对此不作具体叙述。神经网络学习模型可以是LSTM(长短期记忆网络，LongShort-Term Memory)。

在上述实施例中，用户个性信息(亦或称用户偏好)是基于用户对上述页面操作产生的行为数据确定的，并没有参考用户的历史操作行为数据。通常来说，基于历史行为数据和实时行为数据，能更准确的分析出用户的个性信息。因此，为了提高个性信息的分析准确性，在具体实施时，可将历史行为数据及实时行为数据均作为计算模型的入参，执行所述计算模型得到所述用户个性信息。

举例来说，用户希望购买一件淑女风的连衣裙，用户在搜索框中输入“淑女”、“连衣裙”，得到搜索结果页。在搜索结果页，用户点选查看了“**”牌的黑色连衣裙，用户点选这件商品是因为喜欢连衣裙的设计风格，但是由于个人原因不喜欢黑色衣服。根据点选操作产生的行为数据，可确定出用户个性信息为：连衣裙、**牌、黑色。搜索结果中**连衣裙商品具有各种颜色，而用户的历史上所偏好的颜色为白色，因此，可将实时偏好修正为：连衣裙、**牌、颜色为白色。

进一步的，上述S3中“根据所述用户个性信息，对需展示在所述页面上的本地数据集中的多个数据进行重排”，具体可采用如下步骤实现：

S31、获取所述多个数据中各对应的特征信息。

S32、根据所述用户个性信息及所述各数据对应的特征信息，确定所述用户对所述各数据的喜好程度。

S33、按照所述喜好程度，对所述本地数据集中的多个数据进行重排。

以本地数据集中的一个数据(为了方便描述下文统一称为第一数据)为例，对上述S32步骤的实现过程进行说明。即，根据用户个性信息及第一数据的特征信息，确定用户对第一数据的喜好程度，可采用如下方式实现：在第一数据的特征信息中查找与用户个性信息中偏好特征项匹配且属性值相同或相近的特征项；根据查找到的与实时偏好中偏好特征项匹配且属性值相同或相近的特征项的数量与实时偏好中偏好特征项的数量的比值，确定用户对第一数据的喜好程度。比值越大，喜好程度就越高。

举例来说：实时偏好包括：商品类型＝连衣裙、商品价格＝100元、商品颜色＝柠檬黄、商品设计风格＝学院风、商品品牌A牌，第一数据包括：商品类型＝连衣裙、商品价格＝150元、商品颜色＝橘黄、商品设计风格＝学院风、商品品牌＝B牌。由于柠檬黄和橘黄颜色相近，且属于黄色，因此可认为这两个属性值相近；150元和100元都在同一个价格区间：100-200，因此，可认为这两个属性值也相近。可见，匹配的且属性值相同或相近的特征项有四个，分部为：商品类型、商品价格、商品颜色、商品设计风格。则比值为：五分之四。

或者，在另一种可实现的方案中，上述S32中“根据所述用户个性信息及所述第一数据对应的特征信息，确定所述用户对所述第一数据的喜好程度”，可采用如下方法实现：将所述实时偏好及所述第一数据对应的特征信息作为本地排序模型的入参，执行所述排序模型得到所述用户对所述第一数据的喜好程度。

具体地，排序模型可选用学习模型(如：神经网络学习模型)实现。基于预设量的训练数据，对学习模型进行训练得到排序模型。其中，所述学习模型可参见现有技术中的相关内容，本文对此不作具体叙述。神经网络学习模型可以是LSTM(长短期记忆网络，LongShort-Term Memory)，或卷积神经网络模型等等。

上述仅以多个数据中的第一数据为例对用户的喜好程度的确定过程进行了说明，具体实施时，多个数据中的其他数据也可采用上述来确定用户的喜好程度，本文不一一说明。

上述S33中，按照喜好程度由高到低对本地数据集中的多个数据进行排序。多个数据可以是本地数据集中的全部数据、未展现在可视区内的部分数据或未展现过的部分数据。

若是对本地数据集中的全部数据进行重新排序，后续按照重排后的本地数据集，调整页面的展示内容，用户会感受到数据的重排。例如：当前显示窗口依次显示了本地数据集中排在前三的数据A、数据B和数据C，当用户点选数据B并跳转至数据B对应的详情页进行浏览，当用户从数据B对应的详情页跳回到上述页面时，由于这时本地数据集中全部数据进行了重新排序，这时显示窗口内依次显示的是重排后的本地数据集中排在前三的数据B、数据D、数据E。

若是对本地数据集中的未在显示窗口展示过的部分数据进行重新排序，用户会无感知。例如：当前显示窗口依次显示了本地数据集中排在前三的数据A、数据B和数据C，当用户点选数据B并跳转至数据B对应的详情页进行浏览，当用户从数据B对应的详情页跳回到上述页面时，由于只是对本地数据集中排在数据C后的数据(即未在显示窗口展示过的部分数据)进行了重排，因此，这时显示窗口内依旧依次显示数据A、数据B和数据C。只有用户翻页或滑屏时，才会看到重排后的其他数据。

进一步的，本申请实施提供的所述方法，还可包括如下步骤：

104、获取训练数据集。

105、根据所述训练数据集，对学习模型进行训练得到所述计算模型。

其中，所述训练数据集可从客户端本地获得，例如，基于本地存储的用户的历史行为数据得到所述训练数据集。具体实现时，客户端可采用如图3所示的软件架构实现，即客户端具有模型训练平台1、控制后台2及前端计算容器3。模型训练平台1基于训练数据集对学习模型进行训练后，将得到所述训练模型发送给控制后台2。控制后台2管理和调度前端计算容器3的计算任务，当有计算任务时，控制前端计算容器3执行计算任务。前端计算容器3将计算后得到的信息通过参数网关4上报至控制后台2，还可通过参数网关4获取计算依赖的参数等等。控制后台2还可定期的控制模型训练平台进行定期的强化训练，以不断更新所述计算模型，提高所述计算模型的计算精度。

相应的，本申请实施提供的所述方法，还可包括如下步骤：

106、周期性地模型更新事件被触发时，获取强化训练集；

107、基于所述强化训练集，对所述计算模型进行强化训练；

108、将所述计算模型更新为所述强化训练后的所述计算模型。

其中，模型更新事件的触发周期可预先设定，比如，1天、2天、1周等等，本申请实施例对此不作具体限定。强化训练集与训练数据集的区别在于，强化训练集还包含有对计算模型的计算结果准确性有相应标定的一些标定数据。

进一步的，本申请实施提供的所述方法，还可包括如下步骤：

109、将所述用户个性信息存储于本地，以便于后续计算。

在一种实现场景中，服务端将搜索结果或推荐结果分批次发送至客户端，即将搜索结果或推荐结果分成多个数据集，先向客户端发送一个数据集，后续每接收到客户端发送来的一次加载请求，向客户端发送一个数据集。若服务端能够根据实时偏好对后续推送至用户客户端的新数据集进行排序，再将排序后的新数据集推送至客户端，必然能够提高用户的浏览效率。具体的，上述方法，还可包括：

110、将所述用户个性信息发送至服务端，以由所述服务端根据所述用户个性信息对后续欲发送至所述用户客户端的新数据集进行排序。

综上所述，终端上的客户端作为用户使用的入口，直接获取到大量的用户行为信息。通过采集这些行为信息，利用终端日益强大的计算能力，在终端做机器学习的预测，根据预测的结果影响产品效果，可以做到最实时的用户个性化，给用户提供实时个性化的产品。此外，因不用将用户信息发送给后端，极大程度保护了用户隐私。

下面将结合图4提供的实例流程对本申请实施例提供的技术进行进一步的说明：

1、当用户在页面发生点击某一商品的行为时，客户端系统通过特征计算提取该商品(items)的特征向量feature vector，并传入本地计算框架中。

2、本地计算框架根据历史行为数据和实时行为数据，使用LSTM模型(即上述实施例中提及的计算模型)计算用户个性信息，并存储在存储系统中。

3、将客户端现有的商品集中的待排商品的特征向量feature vector及用户个性信息作为入参输入至计算框架，输出计算结果score vector(得分向量)。该score vector中的各单元项可简单理解为用户对各待排商品的喜好程度；最后，按照score vector对多个待排商品进行重新排序，以贴合用户实时的浏览倾向。

由于现有技术中通常需要把用户行为上报到后端(即服务端),在后端复杂的在线和离线系统中完成个性化的计算,再把结果反馈到用户的客户端上。这种方案有几个缺点：首先，从客户端到后端的整个链路中一般会涉及到采集、上报、后端流计算、结果回流、再应用到客户端等多个环节,整体的实时性难以保证。其次，后端的集中式计算在用户体量大,计算精度要求高,或者计算模型复杂的场景下会消耗大量的计算资源，同时也限制了算法的设计。再次,在产品上这种模式由于延迟和交互模式的原因,无法实时的反馈当下用户的意图变化。因此,本案的提出旨在填补产品上的空白，同时提出并使用一种新的混合计算模式，作为现有计算模式的补充。一方面,可解决产品上实时响应用户偏好的问题。根据用户的点击浏览等行为变化在客户端上实时分析用户偏好,相应的调整客户端内容展示顺序，契合用户当下细微的兴趣变化。另一方面,将用户个性化相关的计算,分散到各个客户端上面，在数据采集的地方直接做计算,而不是全部上报到后端集中处理。从数据的生产,分析和应用都在客户端进行,极大提高了算法的实时性。同时将以前后端的计算任务分配到客户端,降低了集中式计算的成本，还可避免热点事件爆发时大规模用户同时在线的集中计算量爆发的问题,比如微博热点或者双十一大促期间。

本申请实施例还提供如下系统架构。图5所示，本申请一实施例提供的信息交互系统的结构示意图。如图5所示，所述信息交互系统包括：客户端401和服务端402。

客户端401用于获取本地产生的用户行为数据；利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；将所述用户个性信息发送至服务端402。

服务端402，用于接收到客户端发送的所述用户个性信息后，基于所述用户个性信息，获取匹配信息；将所述匹配信息反馈至所述客户端401。

本申请实施例提供的技术方案，利用客户端边缘计算能力在客户端侧确定用户个性信息，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的在客户端侧确定用户个性信息的方案，数据分析更靠近数据源本身，实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

这里需要说明的是：本实施例提供的系统可应用在多种服务平台中，例如：电商平台、机票/火车/汽车票订购平台、外卖平台、金融服务平台等等。

本申请实施例提供的所述信息交互系统中各组成单元，如客户端、服务端的具体工作流程之间的信令交互将在以下各实施例中作进一步的说明。

图6示出了本申请一实施例提供的信息处理方法的流程示意图。本申请实施例提供的所述方法的执行主体可以是客户端。所述客户端可以是集成在终端上的一个具有嵌入式程序的硬件，也可以是安装在终端中的一个应用软件，还可以是嵌入在终端操作系统中的工具软件等，本申请实施例对此不作限定。该终端可以为包括手机、平板电脑、智能穿戴设备等任意终端设备。如图6所示，所述方法包括：

501、获取本地产生的用户行为数据。

502、利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息。

503、将所述用户个性信息发送至服务端，以从所述服务端获取匹配信息。

有关上述步骤501和502可参见上述各实施例中的相应内容，此处不再赘述。

本申请实施例提供一种技术方案，利用客户端边缘计算能力获取本地产生的用户行为数据，并基于用户行为数据确定用户个性信息；一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，数据分析更靠近数据源本身，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

其中，所述用户行为数据的获取时机，包括如下中的至少一种：

监听到用户对页面上至少一个数据进行操作后获取；

监听到用户触发页面数据刷新操作后获取；

监听到用户触发开启应用的操作后获取；

监听到周期性触发的获取事件时获取。

这里需要说明的是：本申请实施例提供的所述方法除了包含上述各步骤外，还可包含上述各实施例中的全部或部分步骤，具体可参见上述实施例中的相应内容，此处不再赘述。

图7示出了本申请一实施例提供的信息处理方法的流程示意图。本申请实施例提供的所述方法的执行主体可以是服务端。服务端可以是常用服务器、云端或虚拟服务器等，本申请实施例对此不作具体限定。如图7所示，所述方法包括：

601、接收客户端基于本地产生的用户行为数据确定并发送的用户个性信息。

602、基于所述用户个性信息，获取匹配信息。

603、将所述匹配信息反馈至所述客户端。

上述601中，用户个性信息可携带在客户端发送信息获取请求中。例如，用户在客户端页面上输入搜索关键词并触发搜索后，客户端向服务端发送的信息获取请求中除携带有搜索关键词外，还可携带有用户个性信息。

上述602中，匹配信息可以推送给用户的匹配用户个性信息的推荐信息，还可以是匹配用户个性信息的搜索结果。假设，匹配信息为搜索结果时，上述“基于所述用户个性信息，获取匹配信息”，可具体包括：

6021、根据所述客户端的搜索关键词，获取多个数据。

6022、按照所述用户个性信息，对所述多个数据进行排序。

6023、将排序后的所述多个数据作为所述匹配信息。

本申请实施例提供一种技术方案，利用客户端边缘计算能力获取本地产生的用户行为数据，并基于用户行为数据确定用户个性信息；一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，数据分析更靠近数据源本身，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

这里需要说明的是：本申请实施例各步骤的具体实现，在本实施例中未详细阐述的部分可参见上述各实施例中的相关内容，此处不再赘述。

下面将结合图8提供的实例流程对本申请实施例提供的技术方案进行进一步的说明。

701、客户端监听到用户触发的搜索事件后，向服务端发送携带有搜索关键词及用户个性信息的搜索请求。

702、服务端根据所述搜索关键词，搜索得到与所述搜索关键词相关的多个数据。

703、服务端根据所述用户个性信息，对所述多个数据进行排序；并将排序后的多个数据反馈至客户端。

704、客户端根据接收到的多个数据，为用户提供展示页面。

705、客户端响应于用户针对页面上显示的第一数据的点选操作，获取所述第一数据的特征信息，并将第一数据的特征信息传入计算模型。

其中，所述计算框架可包含有一个或多个计算模型。计算模型可选用现有的学习模型(如LSTM模型)实现。

706、客户端计算模型根据用户的历史行为数据及第一数据的特征信息，计算用户个性信息，并在本地进行保存。

这里需要补充的是：在具体实施时，客户端还可实时的将用户个性信息同步至服务端，以便服务端能根据用户个性信息为其推送信息。

707、客户端根据用户个性信息，对多个数据中的所有或部分数据进行重新排序。

708、客户端根据重排后的多个数据，调整页面显示的内容。

本申请实施例提供的技术方案中，客户端作为边缘计算端直接根据用户选中的数据的特征信息及用户历史行为数据来确定用户个性信息，并根据用户个性信息对已经到达客户端的本地数据集做排序优化，以贴合用户当前的浏览倾向，提升用户的浏览效率。并且，由客户端进行用户个性信息的确定以及本地数据集的排序优化，不仅可节省服务端的计算资源，还能避免因客户端与服务端的信息交互导致的实时性差等问题。

图9示出了本申请一实施例提供的信息处理方法的流程示意图。本实施例提供的所述方法的执行主体可以是客户端。如图9所示，所述方法包括：

801、显示基于第一排序数据集生成的页面。

802、监听到客户端对页面上的至少一次操作做出相应响应后，显示基于第二排序数据集生成的所述页面。

其中，所述第二排序数据集是根据用户个性信息对所述第一排序数据集进行重排后得到的，所述用户个性信息是利用边缘计算分析所述至少一次操作所产生的用户行为数据得到的。

例如，用户在页面上的操作为点击某一商品对应的控件，客户端做出的响应为跳转至所述商品的详情页，用户触发返回所述页面的操作，客户端做出的响应为返回所述页面；此时，返回后的所述页面就是基于第二排序数据集生成的。这样，页面中排在前面的是匹配用户个性信息的数据，有助于提高数据转化率，用户具有较好的体验。

本申请实施例提供的技术方案，在监听到页面上的至少一次操作后，根据客户端本地分析得到用户个性信息，对第一排序数据集进行重排以得到第二排序数据集，并显示基于第二排序数据集生成的页面，以更贴合用户当前的兴趣，实时性越好越有助于提升用户的浏览效率，进而提高数据集的整体转化率。

这里需要说明的是：本申请实施例各步骤的具体实现，在本实施例中未详细阐述的部分可参见上述各实施例中的相关内容，此处不再赘述。这里需要说明的是：本申请实施例提供的所述方法除了包含上述各步骤外，还可包含上述各实施例中的全部或部分步骤，具体可参见上述实施例中的相应内容，此处不再赘述。

图10示出了本申请一实施例提供的信息处理装置的结构示意图。如图10所示，所述装置包括：获取模块11、分析模块12及执行模块13。其中，获取模块11用于获取本地产生的用户行为数据；分析模块12用于利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；执行模块13用于当本地存在与所述用户个性信息相关的处理任务时，基于所述用户个性信息，执行所述处理任务。

本申请实施例提供一种技术方案，利用客户端边缘计算能力获取本地产生的用户行为数据，并基于用户行为数据确定用户个性信息；一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，数据分析更靠近数据源本身，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

进一步的，所述处理任务为调整页面的展示内容；以及所述执行模块13还用于：根据所述用户个性信息，对需展示在所述页面上的本地数据集中的多个数据进行重排；基于重排结果，调整所述页面的展示数据。

再进一步的，所述执行模块13还用于：将所述数据集中未展现在可视区内的至少两个数据作为待重排的所述多个数据；或者将所述数据集中未展现过的至少两个数据作为待重排的所述多个数据；或者将所述数据集中所有数据作为待重排的所述多个数据。

进一步的，所述用户行为数据是用户对页面上展示的至少一个数据进行操作后产生的；相应的，所述用户行为数据包括所述至少一个数据的特征信息及各数据对应的行为属性。

进一步的，所述分析模块12用于将所述用户行为数据作为本地计算模型的入参，执行所述计算模型得到所述用户个性信息。

进一步的，本申请实施例提供的所述装置还包括：获取模块及训练模块。其中，所述获取模块用于获取训练数据集；所述训练模块用于根据所述训练数据集，对学习模型进行训练得到所述计算模型。

进一步的，本申请实施例提供的所述装置还包括：强化模块及更新模块。其中，所述获取模块还用于周期性地模型更新事件被触发时，获取强化训练集；所述强化模块用于基于所述强化训练集，对所述计算模型进行强化训练；所述更新模块，用于将所述计算模型更新为所述强化训练后的所述计算模型。

进一步的，所述用户行为数据包括：实时行为数据和/或历史行为数据。

这里需要说明的是：上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。

图11示出了本申请又一实施例提供的信息处理装置的结构示意图。如图11所示，所述装置包括：获取模块21、分析模块22及发送模块23。其中，获取模块21用于获取本地产生的用户行为数据；分析模块22用于利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；发送模块23用于将所述用户个性信息发送至服务端，以从所述服务端获取匹配信息。

进一步的，所述装置还包括监听模块。所述监听模块用于：监听到用户对页面上至少一个数据进行操作后触发所述获取模块获取本地产生的用户行为数据；和/或监听到用户触发页面数据刷新操作后触发所述获取模块获取本地产生的用户行为数据；和/或监听到用户触发开启应用的操作后触发所述获取模块获取本地产生的用户行为数据；和/或监听到周期性触发的获取事件时触发所述获取模块获取本地产生的用户行为数据。

本申请实施例提供一种技术方案，利用客户端边缘计算能力获取本地产生的用户行为数据，并基于用户行为数据确定用户个性信息；一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，数据分析更靠近数据源本身，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

这里需要说明的是：上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。

图12示出了本申请又一实施例提供的信息处理装置的结构示意图。如图12所示，所述装置包括：接收模块31、获取模块32及反馈模块33。其中，接收模块31用于接收客户端基于本地产生的用户行为数据确定并发送的用户个性信息；获取模块32用于基于所述用户个性信息，获取匹配信息；反馈模块33用于将所述匹配信息反馈至所述客户端。

进一步的，所述获取模块32还用于：根据所述客户端的搜索关键词，获取多个数据；按照所述用户个性信息，对所述多个数据进行排序；将排序后的所述多个数据作为所述匹配信息。

本申请实施例提供一种技术方案，利用客户端边缘计算能力获取本地产生的用户行为数据，并基于用户行为数据确定用户个性信息；一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，数据分析更靠近数据源本身，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

这里需要说明的是：上述实施例提供的信息处理装置可实现上述相应方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。

图13示出了本申请又一实施例提供的页面显示装置的结构示意图。如图11所示，所述装置包括：第一显示模块41和第二显示模块42。其中，所述第一显示模块41用于显示基于第一排序数据集生成的页面；所述第二显示模块42用于监听到客户端对页面上的至少一次操作做出相应响应后，显示基于第二排序数据集生成的所述页面。其中，所述第二排序数据集是根据用户个性信息对所述第一排序数据集进行重排后得到的，所述用户个性信息是利用本地计算资源分析所述至少一次操作所产生的用户行为数据得到的。

本申请实施例还提供一种技术方案，在监听到客户端对页面上的至少一次操作做出相应响应后，根据利用客户端本地计算资源对用户行为数据进行分析得到的用户个性信息，对第一排序数据集进行重排以得到第二排序数据集，并显示基于第二排序数据集生成的页面，以更贴合用户当前的兴趣，实时性越好越有助于提升用户的浏览效率，进而提高数据集的整体转化率。另外，本申请实施例提供的技术方案，利用客户端边缘计算能力，一方面，服务端无需收集与用户相关的行为数据，降低带宽占用的同时还有助于用户的隐私保护；另一方面，节省了服务端的计算资源。此外，较现有技术，本申请实施例提供的方案，数据分析更靠近数据源本身，用户个性信息确定实时性更好，在边缘端(即客户端)即可解决用户的一些需求。

这里需要说明的是：上述实施例提供的页面显示装置可实现上述相应方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。

图14为本申请一实施例提供的客户端设备的结构示意图。该客户端设备包括：第一存储器1201以及第一处理器1202。第一存储器1201可被配置为存储其它各种数据以支持在客户端设备上的操作。这些数据的示例包括用于在客户端设备上操作的任何应用程序或方法的指令。第一存储器1201可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

所述第一处理器1202，与所述第一存储器1201耦合，用于执行所述第一存储器1201中存储的所述程序，以用于：

获取本地产生的用户行为数据；

利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；

当本地存在调用所述用户个性信息的事件时，基于所述用户个性信息，执行此次调用所需完成的处理任务。

其中，第一处理器1202在执行第一存储器1201中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。

进一步，如图14所示，电子设备还包括：第一通信组件1203、第一显示器1204、第一电源组件1205、第一音频组件1206等其它组件。图14中仅示意性给出部分组件，并不意味着客户端设备只包括图14所示组件。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法的步骤或功能。

图15示出了本申请一实施例提供的客户端设备的结构示意图。如图15所示，所述客户端设备包括第二存储器1301、第二处理器1302及第二通信组件1303。第二存储器1301可被配置为存储其它各种数据以支持在客户端设备上的操作。这些数据的示例包括用于在客户端设备上操作的任何应用程序或方法的指令。第二存储器1201可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

所述第二处理器1302，与所述第二存储器1301耦合，用于执行所述第二存储器1301中存储的所述程序，以用于：

获取本地产生的用户行为数据；

利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息。

所述第二通信组件，与所述第二处理器耦合，用于将所述用户个性信息发送至服务端，以从所述服务端获取匹配信息。

其中，第二处理器1302在执行第二存储器1301中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。

进一步，如图15所示，客户端设备还包括：第二显示器1304、第二电源组件1305、第二音频组件1306等其它组件。图15中仅示意性给出部分组件，并不意味着客户端设备只包括图15所示组件。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。

图16示出了本申请一实施例提供的服务端设备的结构示意图。如图16所示，所述服务端设备包括第三存储器1401、第三处理器1402及第三通信组件1403。其中，第三存储器1401可被配置为存储其它各种数据以支持服务端设备上的操作。这些数据的示例包括用于在服务端设备上操作的任何应用程序或方法的指令。第三存储器1401可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

所述第三通信组件，与所述第三处理器耦合，用于接收客户端基于本地产生的用户行为数据确定并发送的用户个性信息；

所述第三处理器，与所述第三存储器耦合，用于执行所述第三存储器中存储的所述程序，以用于：

基于所述用户个性信息，获取匹配信息；

控制所述第三通信组件将所述匹配信息反馈至所述客户端。

其中，第三处理器1402在执行第三存储器1401中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。

进一步，如图16所示，客户端设备还包括：第三显示器1404、第三电源组件1305、第三音频组件1406等其它组件。图16中仅示意性给出部分组件，并不意味着客户端设备只包括图16所示组件。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法步骤或功能。

图17示出了本申请一实施例提供的客户端设备的结构示意图。如图17所示，所述客户端设备包括第四存储器1501、第四处理器1502及第四显示器1504。其中，第四存储器1501可被配置为存储其它各种数据以支持在客户端设备上的操作。这些数据的示例包括用于在客户端设备上操作的任何应用程序或方法的指令。第四存储器1501可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

所述第四处理器1502，与所述第四存储器1501及第四显示器耦合，用于执行所述第四存储器1501中存储的所述程序，以用于：

控制所述第四显示器显示基于第一排序数据集生成的页面；

监听到客户端对页面上的至少一次操作做出相应响应后，控制所述第四显示器显示基于第二排序数据集生成的所述页面；

其中，所述第二排序数据集是根据用户个性信息对所述第一排序数据集进行重排后得到的，所述用户个性信息是利用本地计算资源分析本地产生的用户行为数据得到的。

其中，第四处理器1502在执行第四存储器1501中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。

进一步，如图17所示，客户端设备还包括：第四通信组件1503、第四电源组件1505、第四音频组件1506等其它组件。图17中仅示意性给出部分组件，并不意味着客户端设备只包括图17所示组件。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的页面显示方法步骤或功能。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：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。

Claims (7)

1.一种信息处理方法，适于客户端，其特征在于，包括：

监听到用户触发页面数据刷新操作后，获取本地产生的用户行为数据；所述用户行为数据是所述用户对页面上展示的至少一个数据进行操作后产生的；所述页面为搜索结果页或推荐结果页；所述至少一个数据是需展示在所述页面上的本地数据集中的数据；

利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；

当本地存在与所述用户个性信息相关的处理任务时，基于所述用户个性信息，执行所述处理任务；所述处理任务为调整页面的展示内容；以及

基于所述用户个性信息，执行所述处理任务，包括：

根据所述用户个性信息，对需展示在所述页面上的本地数据集中未展现过的至少两个数据进行重排；

基于重排结果，调整所述页面的展示内容。

2.根据权利要求1所述的方法，其特征在于，所述用户行为数据包括所述至少一个数据的特征信息及各数据对应的行为属性。

3.根据权利要求1或2所述的方法，其特征在于，利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息，包括：

将所述用户行为数据作为本地计算模型的入参，执行所述计算模型得到所述用户个性信息。

4.根据权利要求3所述的方法，其特征在于，还包括：

获取训练数据集；

根据所述训练数据集，对学习模型进行训练得到所述计算模型。

5.根据权利要求4所述的方法，其特征在于，还包括：

周期性地模型更新事件被触发时，获取强化训练集；

基于所述强化训练集，对所述计算模型进行强化训练；

将所述计算模型更新为所述强化训练后的所述计算模型。

6.根据权利要求3所述的方法，其特征在于，所述用户行为数据包括：实时行为数据和/或历史行为数据。

7.一种客户端设备，其特征在于，包括：第一存储器和第一处理器，其中，

所述第一存储器，用于存储程序；

所述第一处理器，与所述第一存储器耦合，用于执行所述第一存储器中存储的所述程序，以用于：

监听到用户触发页面数据刷新操作后，获取本地产生的用户行为数据；所述用户行为数据是所述用户对页面上展示的至少一个数据进行操作后产生的；所述页面为搜索结果页或推荐结果页；所述至少一个数据是需展示在所述页面上的本地数据集中的数据；

利用本地计算资源对所述用户行为数据进行数据分析，得到用户个性信息；

当本地存在调用所述用户个性信息的事件时，基于所述用户个性信息，执行此次调用所需完成的处理任务；所述处理任务为调整页面的展示内容；以及

基于所述用户个性信息，执行所述处理任务，包括：

根据所述用户个性信息，对需展示在所述页面上的本地数据集中未展现过的至少两个数据进行重排；

基于重排结果，调整所述页面的展示内容。