CN112632429B - 引导信息展示方法、装置、设备、存储介质和程序产品 - Google Patents

Abstract

本申请公开了引导信息展示方法、装置、设备、存储介质和程序产品，涉及计算机视觉技术领域。具体实现方案为：获取目标用户的目标用户特征信息；在特征基因集中确定用户特征信息与所述目标用户特征信息匹配的目标特征基因，其中，所述目标特征基因关联目标展示方式；按照所述目标展示方式，向所述目标用户展示引导信息。本公开可以提高引导信息的展示效果。

Description

引导信息展示方法、装置、设备、存储介质和程序产品

技术领域

本公开涉及计算机技术领域，尤其涉及计算机视觉技术。

背景技术

在实际应用中经常需要向用户展示一些引导信息，例如：在推荐办理银行信用卡、信息调查、办理账号注册等业务场景中需要向用户展示引导信息，以引导用户进行相应的操作。但目前引导信息的展示方式都是固定不变的。

发明内容

本公开提供了一种引导信息展示方法、装置、设备、存储介质和程序产品。

根据本公开的一方面，提供了一种引导信息展示方法，包括：

获取目标用户的目标用户特征信息；

在特征基因集中确定用户特征信息与所述目标用户特征信息匹配的目标特征基因，其中，所述目标特征基因关联目标展示方式；

按照所述目标展示方式，向所述目标用户展示引导信息。

根据本公开的另一方面，提供了一种引导信息展示装置，包括：

第一获取模块，用于获取目标用户的目标用户特征信息；

确定模块，用于在特征基因集中确定用户特征信息与所述目标用户特征信息匹配的目标特征基因，其中，所述目标特征基因关联目标展示方式；

展示模块，用于按照所述目标展示方式，向所述目标用户展示引导信息。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开提供的引导信息展示方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开提供的引导信息展示方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的引导信息展示方法。

根据本公开的技术方案，由于在特征基因集中确定用户特征信息与目标用户特征信息匹配的目标特征基因，并按照目标展示方式，向目标用户展示引导信息，从而可以提高引导信息的展示效果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开提供的一种引导信息展示方法的流程图；

图2是本公开提供的一种引导信息展示的示意图；

图3是本公开提供的一种引导信息展示装置的结构图；

图4是本公开提供的另一种引导信息展示装置的结构图；

图5是用来实现本公开实施例的引导信息展示方法的电子设备的框图。

实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

请参见图1，图1是本公开提供的一种引导信息展示方法的流程图，如图1所示，包括以下步骤：

步骤S101、获取目标用户的目标用户特征信息。

其中，上述目标用户可以是待推送引导信息的用户。且本公开中用户可以是指移动终端、计算机等终端设备上登录的用户。

上述目标用户特征信息可以包括用户画像和终端设备特征中的至少一项。其中，用户画像可以包括教育水平、收入水平、消费水平等画像特征，终端设备特征可以包括设备品牌、操作系统、设备型号等特征。

步骤S102、在特征基因集中确定用户特征信息与所述目标用户特征信息匹配的目标特征基因，其中，所述目标特征基因关联目标展示方式。

上述特征基因集可以是本地的特征基因集，或者可以是远端的特征基因集，具体可以包括多个特征基因，每个特征基因关联各自的展示方式。本公开中，特征基因与其关联的展示方式可以是理解为一种展示规则。因此，上述特征基因集也可以理解为规则库，通过该规则库可以确定各特征基因关联的展示方式。另外，上述特征基因集中每个特征基因对应一组用户特征信息。且每个特征基因可以包括一组或者多组与用户特征信息相关的数据。

而上述目标特征基因可以是用户特征信息与上述目标用户特征信息匹配的一个特征基因。

本公开中支持的展示方式可以包括静态h5页面展示方式和聊天机器人（Chatterbot，bot）交互页面展示方式，对此本公开不作限定，例如：还可以支持动态非交互页面展示方式。

步骤S103、按照所述目标展示方式，向所述目标用户展示引导信息。

上述按照所述目标展示方式，向所述目标用户展示引导信息可以是，在上述目标特征基因关联的展示方式为静态h5页面展示方式的情况下，在静态h5页面展示所述引导信息；或者，上述按照所述目标展示方式，向所述目标用户展示引导信息可以是，在上述目标特征基因关联的展示方式为bot交互页面展示方式的情况下，在bot交互页面展示所述引导信息。

本公开中，上述引导信息可以是用于引导用户执行特定操作的信息，例如：用于引导用户办理银行信用卡、信息调查、办理账号注册等操作的文字、图像、视频等至少一项的多媒体信息。本公开中对引导信息不作限定。

本公开通过上述步骤可以实现在特征基因集中确定用户特征信息与目标用户特征信息匹配的目标特征基因，并按照目标展示方式，向目标用户展示引导信息，从而可以提高引导信息的展示效果。

需要说明的是，本公开提供的上述方法可以由服务器、计算机等电子设备执行。

作为一种可选的实施方式，所述方法还包括：

获取包括多个特征基因的基因种群，其中，每个特征基因包括第一数据列和基因适用度，所述第一数据列用于表示特征基因对应的多个用户特征，所述基因适用度与特征基因的转化率和覆盖率相关；

在所述基因种群中选择所述目标特征基因，其中，所述目标特征基因的基因适用度高于所述基因种群中其他特征基因的基因适用度。

上述基因种群包括的特征基因的个数可以是预先定义，例如：100、200、500等。通过不同的基因种群可以选择不同的特征基因，以得到上述特征基因集。

上述第一数据列可以是一种服从均匀分布的整型数据列，该数据列的长度与特征基因对应的用户特征数对应。例如：以用户特征信息收入水平、消费水平、教育水平、时段、工作日、设备系统与设备品牌，则该数据列可以包括7个数据，每个数据为一个用户特征的编码，以表示该用户特征。本公开中并不限定第一数据列是一种服从均匀分布的整型数据列，例如：在一些场景还可以浮点型数据列。

上述基因适用度与特征基因的转化率和覆盖率相关可以是，每个特征基因的基因适用度是依据该特征基因的转化率和覆盖率计算到的。另外，基因适用度可以通过浮点型数据表示。

可选的，所述基因适用度为用于对特征基因的转化率和覆盖率进行折衷的数值。

例如：基因适用度= p * 转化率 + (1- p) * 覆盖率，其中，p为常数。本公开中并不限定基因适用度= p * 转化率 + (1- p) * 覆盖率，例如：还可以是a* 转化率 + (1-b) * 覆盖率，其中a和b可以是根据经验设置的两个常数。

由于基因适用度为用于对特征基因的转化率和覆盖率进行折衷的数值，这样通过基因适用度可以使得选择目标特征基因同时兼顾了转化率和覆盖率，从而保证引导信息的转化率和覆盖率。

本公开中并不限定基因适用度为用于对特征基因的转化率和覆盖率进行折衷的数值，例如，在一些场景中，基因适用度还可以是用特征基因的转化率和覆盖率这二者的最大值或者均值等。

上述目标特征基因的基因适用度高于所述基因种群中其他特征基因的基因适用度可以是，在上述基因种群中按照基因适用度倒排序中前一个或者多个，从而得到局部最优、次优的一个或者多个特征基因。

需要说明的是，该实施方式中，上述目标特征基因为上述特征基因集中的特征基因，这样可以实现上述特征基因集中每个特征基因均是通过上述目标特征基因的方式确定的，因为，其他特征基因也可以是通过上述方式确定的。这样可以实现从大量的特征基因中选择基因适用度局部最优和/或次优的特征基因，从而依据上述特征基因集展示引导信息，可以提高引导信息的转化率。

需要说明的是，本公开中并不限定通过上述方式确定上述特征基因集中的特征基因，例如：还可以是只根据转化率来选择转化率高的特征基因。

需要说明的是，本公开中特征基因的转化率和覆盖率可以是根据历史数据统计得到的，具体对此不作限定。

可选的，所述获取包括多个特征基因的基因种群，包括：

获取包括多个特征基因的基因种群，并对所述基因种群进行迭代更新，其中，每次迭代更新包括：

删除按照基因适用度倒排序中末尾的N个特征基因，N为大于或者等于1的整数；

在所述基因种群中添加N个新特征基因，所述N个新特征基因是通过对所述基因种群中的特征基因进行交叉和变异中的至少一项得到的特征基因。

上述删除按照基因适用度倒排序中末尾的N个特征基因可以是，按照一定比例删除N个特征基因，或者可以是直接基于N这个数值删除N个特征基因。

通过上述倒排序可以是删除每个迭代过程中基因种群中基因适应度靠后的多个特征基因。

上述交叉是交换两个特征基因在交叉点的数据，其中，交叉点可以是随机确定或者预先确定的，例如：交叉点为5，则将两个特征基因中第一数据列中第5个数据进行交换，从而生成两个新的特征基因。

上述变异可以是对特征基因变异点的数据进行变异，其中，变异点可以是随机确定或者预先确定的，例如：变异点为3，将特征基因中第一数据列中第3个数据进行变异，从而生成新的特征基因。

该实施方式中，通过迭代更新可以实现在更从样化的大量特征基因中确定基因种群，这样可以使得基因种群包括的特征基因基因适用度更高，即选择的特征基因的基因适用度高于被淘汰的特征基因的基因适用度，从而使得最终选择的特征基因集中的特征基因的转化率和覆盖率更高，进而进一步提高引导信息的转化率和覆盖率。

需要说明的是，上述迭代更新的最大迭代次数可以预先定义。

可选的，所述每次迭代更新还包括：

在满足第一条件的情况下，更新所述基因种群中至少一个特征基因的基因适用度，并按照更新后的基因适用度对所述基因种群中的特征基因进行倒排序；

其中，所述第一条件包括如下至少一项：

按照基因适用度倒排序中首部的多个特征基因的基因适用度之间的差值小于预设阈值；

获取的随机数大于预设重整概率值。

上述更新所述基因种群中至少一个特征基因的基因适用度可以理解为，对基因种群进行重整。例如：可以根据当前基因种群中基因适用度最高的特征基因按照一定的随机加和规律进行当前基因种群中的至少一个特征基因的基因适用度进行更新，使得基因种群包括的特征基因更加多样化。

上述首部的多个特征基因可以是，基因适用度倒排序中前多个特征基因。

上述随机数对基因种群进行重整之前随机选择的数，如果大于上述预设重整概率值，从而基因种群进行重整。

该实施方式中，由于更新所述基因种群中至少一个特征基因的基因适用度，从而使得基因种群包括的特征基因更加多样化，进而提高特征基因集中特征基因的基因适用度，达到进一步提高引导信息的转化率和覆盖率。

可选的，每个特征基因还包括：第二数据列，所述第二数据列包括多个变异强度，所述第二数据列的长度与所述第一数据列的长度相同；

在所述N个新特征基因包括通过对所述基因种群中的特征基因进行变异得到的变异特征基因的情况下：

所述变异特征基因的第一数据列中第i个数据是参考特征基因的第i个变异强度与随机数的运算结果，所述参考特征基因为所述基因种群中的特征基因，所述第i个变异强度为所述参考特征基因第二数据列中第i个变异强度，i为正整数。

其中，上述第二数据列可以是用于描述变异强度的浮点型数据列，该数据列的长度与特征基因对应的用户特征数对应。例如：以用户特征信息收入水平、消费水平、教育水平、时段、工作日、设备系统与设备品牌，则该数据列可以包括7个数据，用于计算基因变异后的数据。本公开中并不限定，第二数据列是浮点型数据列，例如：在一些场景还可以整型数据列。

其中，上述参考特征基因为上述基因种群中选择的任一特征基因，例如：参考特征基因待变异位置是5，即上述i等于5，变异特征基因的第一数据列的第5个数据等于该参考特征基因的第5个数据的变异强度与一随机数的乘积。本公开中并不限定上述运算结果为变异强度与随机数的乘积，例如：还可以是进行除法、加法等运算。

该实施方式中，由于第二数据列包括的变异强度生成变异特征基因，这样可以使得基因种群更加从样化，以进一步提高引导信息的转化率和覆盖率。

可选的，在生成上述变异特征基因还可以将变异特征基因的第二数据列中第i个变异强度变为另一个随机数，这样下次再次该变异特征基因进行变异时，可以得到更加多样化的特征基因。

本公开中并不限定通过上述第二数据列进行变异，例如：也可以直接将特征基因的某一数据变为随机数。

需要说明的是，本公开中基因种群的初始特征基因可以从数据仓库中获取的，例如：如图2所示，基于数据仓库进行进化计算策略，其中，这里进化计算策略为通过迭代更新的方式选择上述特征基因集中的特征基因，这样将这些特征基因和对应的展示方式就形式了如图2所示的规则库，每个特征基因和对应的展示方式为一条规则。这样通过特征获取得到目标用户的目标用户特征信息，通过规则引擎确定针对该目标用户的展示方式，如确定是静态h5页面展示，还是hot页面展示。

根据本公开的技术方案，由于在特征基因集中确定用户特征信息与目标用户特征信息匹配的目标特征基因，并按照目标展示方式，向目标用户展示引导信息，从而可以提高引导信息的展示效果，且还可以提高引导信息的转化率和覆盖率。

请参见图3，图3是本公开提供的一种引导信息展示装置，如图3所示，引导信息展示装置300包括：

第一获取模块301，用于获取目标用户的目标用户特征信息；

确定模块302，用于在特征基因集中确定用户特征信息与所述目标用户特征信息匹配的目标特征基因，其中，所述目标特征基因关联目标展示方式；

展示模块303，用于按照所述目标展示方式，向所述目标用户展示引导信息。

可选的，如图4所示，所述装置还包括：

第二获取模块304，用于获取包括多个特征基因的基因种群，其中，每个特征基因包括第一数据列和基因适用度，所述第一数据列用于表示特征基因对应的多个用户特征，所述基因适用度与特征基因的转化率和覆盖率相关；

选择模块305，用于在所述基因种群中选择所述目标特征基因，其中，所述目标特征基因的基因适用度高于所述基因种群中其他特征基因的基因适用度。

可选的，所述基因适用度为用于对特征基因的转化率和覆盖率进行折衷的数值。

可选的，所述第二获取模块304用于获取包括多个特征基因的基因种群，并对所述基因种群进行迭代更新，其中，每次迭代更新包括：

删除按照基因适用度倒排序中末尾的N个特征基因，N为大于或者等于1的整数；

在所述基因种群中添加N个新特征基因，所述N个新特征基因是通过对所述基因种群中的特征基因进行交叉和变异中的至少一项得到的特征基因。

可选的，所述每次迭代更新还包括：

在满足第一条件的情况下，更新所述基因种群中至少一个特征基因的基因适用度，并按照更新后的基因适用度对所述基因种群中的特征基因进行倒排序；

其中，所述第一条件包括如下至少一项：

按照基因适用度倒排序中首部的多个特征基因的基因适用度之间的差值小于预设阈值；

获取的随机数大于预设重整概率值。

可选的，每个特征基因还包括：第二数据列，所述第二数据列包括多个变异强度，所述第二数据列的长度与所述第一数据列的长度相同；

在所述N个新特征基因包括通过对所述基因种群中的特征基因进行变异得到的变异特征基因的情况下：

所述变异特征基因的第一数据列中第i个数据是参考特征基因的第i个变异强度与随机数的运算结果，所述参考特征基因为所述基因种群中的特征基因，所述第i个变异强度为所述参考特征基因第二数据列中第i个变异强度，i为正整数。

本实施例提供的装置能够实现图1所示的方法实施例中实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算 机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5 所示，设备500 包括计算单元501，其可以根据存储在只读存储器（ROM）502中的计算机程序或者从存储单元 508 加载到随机访问存储器（RAM）503 中的计算机程序，来执行各种适当的动作和处理。在RAM503 中，还可存储设备500 操作所需的各种程序和数据。计算单元501、ROM 502 以及RAM 503 通过总线504 彼此相连。输入/输出（I/O）接口505也连接至总线504。

设备500 中的多个部件连接至 I/O 接口 505，包括：输入单元 506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509 允许设备500 通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元 501 可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501 的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元501 执行上文所描述的各个方法和处理，例如图像样本处理方法。例如，在一些实施例中，图像样本处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。

在一些实施例中，计算机程序的部分或者全部可以经由ROM 502 和/或通信单元509 而被载入和/或安装到设备500 上。当计算机程序加载到RAM503 并由计算单元501 执行时，可以执行上文描述的方法508 的一个或 多个步骤。备选地，在其他实施例中，计算单元 501 可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行图像样本处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设 备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将 数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读

储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、 可擦除可编程只读存储器（EPROM 或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者 LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入） 来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处 描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

本公开提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的引导信息展示方法。

根据本公开的技术方案，由于在特征基因集中确定用户特征信息与目标用户特征信息匹配的目标特征基因，并按照目标展示方式，向目标用户展示引导信息，从而可以提高引导信息的展示效果。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种引导信息展示方法，包括：

获取目标用户的目标用户特征信息；

在特征基因集中确定用户特征信息与所述目标用户特征信息匹配的目标特征基因，其中，所述目标特征基因关联目标展示方式；

按照所述目标展示方式，向所述目标用户展示引导信息；

所述方法还包括：

获取包括多个特征基因的基因种群，其中，每个特征基因包括第一数据列和基因适用度，所述第一数据列用于表示特征基因对应的多个用户特征，所述基因适用度与特征基因的转化率和覆盖率相关；

在所述基因种群中选择所述目标特征基因，其中，所述目标特征基因的基因适用度高于所述基因种群中其他特征基因的基因适用度；

所述获取包括多个特征基因的基因种群，包括：

获取包括多个特征基因的基因种群，并对所述基因种群进行迭代更新，其中，每次迭代更新包括：

删除按照基因适用度倒排序中末尾的N个特征基因，N为大于或者等于1的整数；

在所述基因种群中添加N个新特征基因，所述N个新特征基因是通过对所述基因种群中的特征基因进行交叉和变异中的至少一项得到的特征基因。

2.如权利要求1所述的方法，其中，所述基因适用度为用于对特征基因的转化率和覆盖率进行折衷的数值。

3.如权利要求1所述的方法，其中，所述每次迭代更新还包括：

在满足第一条件的情况下，更新所述基因种群中至少一个特征基因的基因适用度，并按照更新后的基因适用度对所述基因种群中的特征基因进行倒排序；

其中，所述第一条件包括如下至少一项：

按照基因适用度倒排序中首部的多个特征基因的基因适用度之间的差值小于预设阈值，所述首部的多个特征基因是所述基因适用度倒排序中前多个特征基因；

获取的随机数大于预设重整概率值，所述随机数为对所述基因种群进行重整之前随机选择的数。

4.如权利要求1所述的方法，其中，每个特征基因还包括：第二数据列，所述第二数据列包括多个变异强度，所述第二数据列的长度与所述第一数据列的长度相同；

在所述N个新特征基因包括通过对所述基因种群中的特征基因进行变异得到的变异特征基因的情况下：

所述变异特征基因的第一数据列中第i个数据是参考特征基因的第i个变异强度与随机数的运算结果，所述参考特征基因为所述基因种群中的特征基因，所述第i个变异强度为所述参考特征基因第二数据列中第i个变异强度，i为正整数。

5.一种引导信息展示装置，包括：

第一获取模块，用于获取目标用户的目标用户特征信息；

确定模块，用于在特征基因集中确定用户特征信息与所述目标用户特征信息匹配的目标特征基因，其中，所述目标特征基因关联目标展示方式；

展示模块，用于按照所述目标展示方式，向所述目标用户展示引导信息；

所述装置还包括：

第二获取模块，用于获取包括多个特征基因的基因种群，其中，每个特征基因包括第一数据列和基因适用度，所述第一数据列用于表示特征基因对应的多个用户特征，所述基因适用度与特征基因的转化率和覆盖率相关；

选择模块，用于在所述基因种群中选择所述目标特征基因，其中，所述目标特征基因的基因适用度高于所述基因种群中其他特征基因的基因适用度；

所述获取包括多个特征基因的基因种群，包括：

获取包括多个特征基因的基因种群，并对所述基因种群进行迭代更新，其中，每次迭代更新包括：

删除按照基因适用度倒排序中末尾的N个特征基因，N为大于或者等于1的整数；

在所述基因种群中添加N个新特征基因，所述N个新特征基因是通过对所述基因种群中的特征基因进行交叉和变异中的至少一项得到的特征基因。

6.如权利要求5所述的装置，其中，所述基因适用度为用于对特征基因的转化率和覆盖率进行折衷的数值。

7.如权利要求5所述的装置，其中，所述每次迭代更新还包括：

在满足第一条件的情况下，更新所述基因种群中至少一个特征基因的基因适用度，并按照更新后的基因适用度对所述基因种群中的特征基因进行倒排序；

其中，所述第一条件包括如下至少一项：

按照基因适用度倒排序中首部的多个特征基因的基因适用度之间的差值小于预设阈值，所述首部的多个特征基因是所述基因适用度倒排序中前多个特征基因；

获取的随机数大于预设重整概率值，所述随机数为对所述基因种群进行重整之前随机选择的数。

8.如权利要求5所述的装置，其中，每个特征基因还包括：第二数据列，所述第二数据列包括多个变异强度，所述第二数据列的长度与所述第一数据列的长度相同；

在所述N个新特征基因包括通过对所述基因种群中的特征基因进行变异得到的变异特征基因的情况下：

所述变异特征基因的第一数据列中第i个数据是参考特征基因的第i个变异强度与随机数的运算结果，所述参考特征基因为所述基因种群中的特征基因，所述第i个变异强度为所述参考特征基因第二数据列中第i个变异强度，i为正整数。

9. 一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。