CN114493707A - 对象推荐方法和装置 - Google Patents

Abstract

本公开提供了一种对象推荐方法和装置，涉及计算机技术领域，尤其涉及基于人工智能的推荐技术领域。实现方案为：获得目标用户的用户特征集，目标用户的用户特征集至少包括与向目标用户推荐的第一历史对象相应的第一目标用户行为，其中，向目标用户推荐第一历史对象时还推荐附加对象，第一目标用户行为指示目标用户是否接受附加对象；基于目标用户的用户特征集，获得目标用户的用户标签，用户标签指示在向目标用户推荐对象时推荐附加对象，对提升目标用户接受该对象的可能性的影响；以及基于用户标签，向目标用户推荐目标对象。

Description

对象推荐方法和装置

技术领域

本公开涉及计算机技术领域，尤其涉及基于人工智能的推荐技术领域，具体涉及一种对象推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

基于人工智能的推荐技术，已经渗透到各个领域。其中，基于人工智能的商品推荐，根据用户的用户行为，例如用户所购买的商品、购买商品的过程中是否使用优惠券等，向用户推荐商品。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种对象推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种对象推荐方法，包括：获得目标用户的用户特征集，所述目标用户的用户特征集至少包括与向所述目标用户推荐的第一历史对象相应的第一目标用户行为，其中，向所述目标用户推荐所述第一历史对象时还推荐附加对象，所述第一目标用户行为指示所述目标用户是否接受所述附加对象；基于所述目标用户的用户特征集，获得所述目标用户的用户标签，所述用户标签指示在向所述目标用户推荐对象时推荐所述附加对象，对提升所述目标用户接受该对象的可能性的影响；以及基于所述用户标签，向所述目标用户推荐目标对象。

根据本公开的另一方面，提供了一种对象推荐装置，包括：用户特征获取单元，被配置用于获得目标用户的用户特征集，所述目标用户的用户特征集至少包括与向所述目标用户推荐的第一历史对象相应的第一目标用户行为，其中，向所述目标用户推荐所述第一历史对象时还推荐附加对象，所述第一目标用户行为指示所述目标用户是否接受所述附加对象；用户标签获取单元，被配置用于基于所述目标用户的用户特征集，获得所述目标用户的用户标签，所述用户标签指示在向所述目标用户推荐对象时推荐所述附加对象，对提升所述目标用户接受该对象的可能性的影响；以及推荐单元，被配置用于基于所述用户标签，向所述目标用户推荐目标对象。

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实现根据上述的方法。

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，其中，所述计算机指令用于使所述计算机实现根据上述的方法。

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，其中，所述计算机程序在被处理器执行时实现根据上述的方法。

根据本公开的一个或多个实施例，可以根据在推荐对象的过程中推荐的附加对象对目标用户接受所推荐的对象的影响，决定在推荐对象的过程中是否向目标用户推荐附加对象，提升用户接受所推荐的对象的概率，可以实现精准推荐。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的对象推荐方法的流程图；

图3示出了根据本公开的实施例的对象推荐方法中基于目标用户的用户特征集获得目标用户的用户标签的成的流程图；

图4示出了根据本公开的实施例的对象推荐方法中基于第一概率和第二概率获得目标用户的用户标签的过程的流程图；

图5示出了根据本公开的实施例的对象推荐装置的结构框图；

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行对象推荐方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来接受根被推荐的对象。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

参看图2，根据本公开的一些实施例的一种对象推荐方法200包括：

步骤S210：获得目标用户的用户特征集；

步骤S220：基于所述目标用户的用户特征集，获得所述目标用户的用户标签；以及

步骤S230：基于所述用户标签，向所述目标用户推荐目标对象。

其中，在步骤S210中，所述目标用户的用户特征集至少包括与向所述目标用户推荐的第一历史对象相应的第一目标用户行为，其中，向所述目标用户推荐所述第一历史对象时还推荐附加对象，所述第一目标用户行为指示所述目标用户是否接受所述附加对象；在步骤S220中，所述用户标签指示在向所述目标用户推荐对象时推荐所述附加对象，对提升所述目标用户接受该对象的可能性的影响。

在向目标用户推荐目标对象的过程中，基于目标用户的用户特征集获得指示在向目标用户推荐对象时推荐附加对象，对提升目标用户接受该对象的可能性的影响，从而确定在向目标用户推荐目标对象的过程中是否推荐附加对象，可以提升目标对象接受所推荐的目标对象的概率，实现精准推荐。

在相关技术中，通过预测用户接收所推荐对象的概率，在推荐对象的过程中推荐附加对象。例如，通过预测用户购买某商品的概率，在促销商品的过程中发放优惠券。该过程仅仅对用户购买概率进行预测，未考虑发放优惠券对用户购买概率的影响，使得促销活动没有针对性。例如，对于，因发放优惠券使购买概率明显提升的促销敏感用户，往往被遗漏在促销活动之外，因而不能实现精准推荐。

在根据本公开的技术方案中，通过获得指示在向目标用户推荐对象时推荐附加对象对提升目标用户接受该对象的可能性的影响的用户标签，基于用户标签向目标用户推荐目标对象，当用户标签指示在向目标用户推荐对象时推荐附加对象大幅提升目标用户接收所推荐的对象的可能性时，在向目标用户推荐目标对象时推荐附加对象，当用户标签指示在向目标用户推荐对象时推荐附加对象可能降低目标用户接收所推荐的对象的可能性时，在向目标用户推荐目标对象时不推荐附加对象，可以使那些本来(在向目标用户推荐对象时不推荐附加对象)可能性较低的目标用户接收所推荐的对象的可能性提升；同样，避免使那些本来(在向目标用户推荐对象时不推荐附加对象)可能性较高的目标用户接收所推荐的对象的可能性降低，进而实现精准推荐。

例如，商品推荐的过程中，通过发放优惠券促销。有的用户本来购买商品的可能性较低，但因为发放优惠券使得其购买商品的可能性会变高；而有的用户因为本身方案优惠券促销类互动，当发放优惠券时反而是其购买商品的可能性会降低。因此，根据本公开的技术方案，可以对那些本来购买商品的可能性交底但会因为发放优惠券而使其购买商品的可能性变高的用户进行发放优惠券的促销活动，而对那些会因为发放优惠券而使其购买商品的可能性变低的用户避免进行发放优惠券的促销活动；从而实现精准推荐。

同时，根据本公开的方法，可以适用于向目标用户推荐各种对象(例如，各种商品)的情况中，即，可以将目标用户的用户特征集所获得的用户标签，应用于向用户推荐各种对象的情况中；使向目标用户推荐对象的过程中，提升目标用户接受所对象的概率的同时，简化向目标用户推荐各种对象的过程。

在一些实施例中，对象可以是商品、车位、视频等任意可以被推荐给用户的对象。

在一些实施例中，附加对象是用来在向用户推荐对象的过程中随着被推荐的对象一起被推荐给用户的对象。例如，附加对象可以是优惠券、赠品等，在此并不限定。

在一些实施例中，用户特征集包括用户的年龄、性别、地域以及目标用户的目标用户行为。目标用户行为是向目标用户推荐对象的过程中获取的。

在一些实施例中，目标用户行为包括指示目标用户是否接受所推荐的对象的行为。例如，用户行为可以包括，指示在向用户推荐对象时，用户购买对象的行为。

在一些实施例中，在向目标用户推荐对象的过程中还向目标用户推荐附加对象，目标用户行为还包括指示目标用户是否接受所推荐的附加对象的第一目标用户行为。

在一个示例中，第一历史对象为商品，附加对象为优惠券，当目标用户在购买商品的过程中使用了优惠券，第一目标用户行为指示目标用户接受附加对象。

在一些实施例中，第一目标用户行为还指示用户接受附加对象的频率、次数等。例如，在一个示例中，附加对象为优惠券，第一目标用户行为指示目标用户单次购物使用优惠券的数量、预设时间(例如，一年内)内使用优惠券的次数、预设时间(例如，一年内)内使用优惠券的额度等。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

在一些实施例中，响应于确定第一目标用户行为所指示的目标用户接受附加对象的次数大于预设值，确定目标用户的用户标签指示，在向目标用户推荐对象时推荐附加对象，提升目标用户接受所推荐的对象的可能性。

在一些实施例中，响应于确定第一目标用户行为所指示的目标用户接受附加对象的次数为零，确定目标用户的用户标签指示，在向目标用户推荐对象时推荐附加对象，降低目标用户接受所推荐的对象的可能性。

在一些实施例中，如图3所示，基于所述目标用户的用户特征集，获得所述目标用户的用户标签包括：

步骤S310：基于所述目标用户的用户特征集，获得所述目标用户对应的第一概率和第二概率，所述第一概率指示向所述目标用户推荐对象时推荐所述附加对象，所述目标用户接受该对象的可能性，所述第二概率指示向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受该对象的可能性；以及

步骤S320：基于所述第一概率和所述第二概率，获得所述用户标签。

在获得目标用户的用户标签的过程中，基于目标用户基于在推荐对象时还推荐附加对象，接收所推荐的对象的可能性和基于在推荐对象时不推荐附加对象，接收所推荐的对象的可能性，获得用户标签，实现用户标签的量化获得，提升用户标签准确率。

在一些实施例中，通过预测模型基于目标用户的用户特征集，获得目标用户对应的第一概率和第二概率。

在一些实施例中，获得所述目标用户对应的第一概率和第二概率包括：

将所述目标用户的用户特征集分别输入至第一预测模型和第二预测模型，以获得所述第一概率和第二概率；其中，

所述第一预测模型是基于包括第一正样本和第一负样本的训练样本集进行训练而获得的，所述第一正样本包括第一用户的用户特征集，所述第一用户的用户特征集包括第一用户行为，所述第一用户行为指示向所述第一用户推荐对象时推荐所述附加对象，所述第一用户接受所推荐的对象并且接受所述附加对象，所述第一负样本包括第二用户的用户特征集，第二用户的用户特征集包括第二用户行为，所述第二用户行为指示向所述第二用户推荐对象时推荐所述附加对象，所述第二用户接受所述附加对象但不接受所推荐的对象，以及

所述第二预测模型是基于包括第二正样本和第二负样本的训练样本集进行训练而获得的，所述第二正样本包括第三用户的用户特征集，所述第三用户的用户特征集包括第三用户行为，所述第三用户行为指示向所述第三用户推荐对象时推荐所述附加对象，所述第三用户不接受所述附加对象并且不接受所推荐的对象，所述第二负样本包括第四用户的用户特征集，所述第四用户的用户特征集包括第四用户行为，所述第四用户行为指示向所述第三用户推荐对象时推荐所述附加对象，所述第四用户接受所推荐的对象但不接受所述附加对象。

针对向目标用户推荐对象时还推荐附加对象的情况，对于接受附加对象提升其接收所推荐的对象的可能性的目标用户，需要预测其在接受附加对象的情况下接收所推荐的对象的概率。因此，采用接受所推荐的对象的同时接受附加对象的第一用户作为正样本，采用接受附加对象但不接受所推荐的对象的第二用户作为负样本，使采用第一用户和第二用户的用户特征集进行训练后得到的第一预测模型基于输入的目标用户的用户特征集能够预测目标用户在接受附加对象的情况下接受向其推荐的目标对象的概率。

同样，针对向目标用户推荐对象时还推荐附加对象的情况，对于接受附加对象降低其接收所推荐的对象的可能性的目标用户，需要预测其在不接受附加对象的情况下接收所推荐的对象的概率。因此，采用不接受附加对象的情况下接受所推荐的对象的第三用户作为正样本，采用不接受附加对象的情况下也不接受所推荐的对象的第四用户作为负样本，使采用第三用户和第四用户的用户特征集进行训练后得到的第二预测模型基于输入的目标用户的用户特征集能够预测目标用户在不接受附加对象的情况下接受向其推荐的目标对象的概率。

上述，目标用户在接受附加对象的情况下接受向其推荐的目标对象的概率即第一概率，目标用户在不接受附加对象的情况下接受向其推荐的目标对象的概率即为第二概率。上述通过经训练的第一预测模型和第二预测模型获得第一概率和第二概率的方法简单，并且使获得的第一概率和第二概率准确。

需要理解的是，第一预测模型和第二预测模型是基于包括大量用户的用户特征集的训练样本集获得的，本领域技术人员应当理解，上述示出的第一用户、第二用户、第三用户和第四用户仅仅第一预测模型和第二预测模型的训练样本集的是示例性举例。此外，第一用户、第二用户、第三用户和第四用户的用户特征集包括的相应的用户行为也仅仅是示例性的，本领域技术人员应当理解，用户特征集还可以包括用户年龄、性别、地域以及指示其他用户信息的用户行为等，在此并不限定。

在一些实施例中，第一预测模型和第二预测模型采用xgboost模型。

在一些实施例中，基于所述第一概率和所述第二概率，获得所述目标用户的用户标签包括：

响应于确定所述第二概率不小于所述第一概率，确定所述用户标签为第一标签，所述第一标签指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性降低；并且其中，所述基于所述用户标签，向所述目标用户推荐目标对象包括：

响应于所述用户标签为所述第一标签，向所述目标用户推荐所述目标对象时不推荐所述附加对象。

当第二概率不小于第一概率时，即用户在不接受附加对象的情况下接受所推荐的对象的概率大于接受附加对象的情况下接受所推荐的对象的概率，说明在向目标对象推荐对象时还推荐附加对象，可能降低目标用户接受所推荐的对象的概率，即推荐附加对象可能对目标用户接受所推荐的对象起到反作用。因此，当第二概率不小于第一概率时，向目标用户推荐目标对象时不推荐附加对象，可以使目标用户接受所推荐的对象的概率提升。

在一些实施例中，响应于确定第二概率小于第一概率，确定用户标签为第二标签，第二标签指示在向目标用户推荐对象时推荐附加对象，使目标用户接受该对象的可能性提升；并且其中，基于所述用户标签，向目标用户推荐目标对象包括：响应于用户标签为第一标签，向目标用户推荐目标对象时不推荐附加对象，从而使目标用户接受所推荐的对象的概率提升。

在一些实施例中，如图4所示，基于所述第一概率和所述第二概率，获得所述目标用户的用户标签包括：

步骤S410：响应于确定所述第二概率小于所述第一概率，获得所述第二概率和所述第一概率之间的差值；

步骤S420：基于所述差值，获得所述用户标签，其中，所述用户标签还指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性提升的程度。

进一步，基于所述用户标签，向所述目标用户推荐目标对象还包括：基于所述用户标签，确定向所述目标用户推荐所述附加对象的方式，该方式指示推荐所述附加对象时对所述目标用户的影响程度；基于所述方式，在向所述目标用户推荐对象时推荐所述附加对象。

基于第一概率和第二概率之间的差值，获得用户标签，用户标签指示受推荐附加对象的影响，目标用户提升其接受所推荐的对象的可能性的程度；从而可以实现基于目标用户提升其接收所推荐的对象的可能性的程度，在向目标对象推荐对象时，采用不同的推荐方式推荐附加对象。通过不同的推荐方式推荐附加对象，向那些受推荐附加对象的影响提升其接受所推荐的对象的可能性的程度大的目标用户推荐附加对象的过程中，采用对其影响更大的方式推荐(例如采用多次推荐的方式推荐)，使推荐对象过程中，对这些目标用户花费更多的推荐精力，实现精准推荐，减少推荐成本。

例如，对于提升其接受所推荐的对象的可能性的程度较大的目标用户，采用更多的推荐方式推荐附加对象，以使目标用户接受附加对象的渠道增多。例如，在推荐商品的过程中，推荐优惠券，对于那些基于被推荐优惠券使其接受所推荐的商品的可能性增加的用户，不仅仅通过网页推荐优惠券还通过短信、邮件等方式推荐优惠券。

在一些实施例中，基于目标用户的用户特征集获得目标用户的用户标签为下列各项中的任一项：

反作用标签，指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性降低；

敏感型标签，指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度不小于第一预设值；

自然转化标签，指示在向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受所述目标对象的可能性不小于第二预设值，并且在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度小于所述第一预设值；以及

无影响标签，指示在向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受所述目标对象的可能性小于所述第二预设值，并且在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度小于所述第一预设值。

在一些实施例中，基于第一概率和第二概率获得目标用户的用户标签包括：

响应于确定第二概率不小于第一概率，确定用户标签为反作用标签；

响应于确定第二概率小于第一概率，并且第一概率和第二概率之间的差值不小于第一预设阈值，确定用户标签为敏感型标签；

响应于确定第二概率小于第一概率，第一概率和第二概率之间的差值小于第一预设阈值，并且第二概率不小于第二预设阈值，确定用户标签为自然转化标签；

响应于确定第二概率小于第一概率，第一概率和第二概率之间的差值小于第一预设阈值，并且第二概率小于第二预设阈值，确定用户标签为无影响标签。

在一些实施例中，第一预设阈值的取值为0.5，第二预设阈值的取值为0.5。

在一些实施例中，对于多个用户中的每一个用户，将其确定为目标用户以获得其对应的用户标签，以对该多个用户进行分群。例如，对应于上述四种用户标签，反作用标签、敏感型标签、自然转化标签、无影响标签，将该多个用户分为四种用户群，在推荐对象的过程中，对于针对四种用户群中的每一种用户群，采用对应的推荐方式推荐目标对象。例如，对于对应于敏感型标签的用户群，在推荐对象的过程中推荐附加对象，并且采用多种推荐附加对象的方式(例如，通过短信、邮件等的方式)。

根据本公开的另一方面，还提供一种对象推荐装置，如图5所示，装置500包括：

用户特征获取单元510，被配置用于获得目标用户的用户特征集，所述目标用户的用户特征集至少包括与向所述目标用户推荐的第一历史对象相应的第一目标用户行为，其中，向所述目标用户推荐所述第一历史对象时还推荐附加对象，所述第一目标用户行为指示所述目标用户是否接受所述附加对象；用户标签获取单元520，被配置用于基于所述目标用户的用户特征集，获得所述目标用户的用户标签，所述用户标签指示在向所述目标用户推荐对象时推荐所述附加对象，对提升所述目标用户接受该对象的可能性的影响；以及推荐单元530，被配置用于基于所述用户标签，向所述目标用户推荐目标对象。

在一些实施例中，所述用户标签获取单元包括：第一获取子单元，被配置用于基于所述目标用户的用户特征集，获得所述目标用户对应的第一概率和第二概率，所述第一概率指示向所述目标用户推荐对象时推荐所述附加对象，所述目标用户接受该对象的可能性，所述第二概率指示向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受该对象的可能性；第二获取子单元，被配置用于基于所述第一概率和所述第二概率，获得所述用户标签。

在一些实施例中，所述第一获取子单元包括：模型计算单元，被配置用于将所述目标用户的用户特征集分别输入至第一预测模型和第二预测模型，以获得所述第一概率和第二概率；其中，所述第一预测模型是基于包括第一正样本和第一负样本的训练样本集进行训练而获得的，所述第一正样本包括第一用户的用户特征集，所述第一用户的用户特征集包括第一用户行为，所述第一用户行为指示向所述第一用户推荐对象时推荐所述附加对象，所述第一用户接受所推荐的对象并且接受所述附加对象，所述第一负样本包括第二用户的用户特征集，第二用户的用户特征集包括第二用户行为，所述第二用户行为指示向所述第二用户推荐对象时推荐所述附加对象，所述第二用户接受所述附加对象但不接受所推荐的对象，以及所述第二预测模型是基于包括第二正样本和第二负样本的训练样本集进行训练而获得的，所述第二正样本包括第三用户的用户特征集，所述第三用户的用户特征集包括第三用户行为，所述第三用户行为指示向所述第三用户推荐对象时推荐所述附加对象，所述第三用户不接受所述附加对象并且不接受所推荐的对象，所述第二负样本包括第四用户的用户特征集，所述第四用户的用户特征集包括第四用户行为，所述第四用户行为指示向所述第三用户推荐对象时推荐所述附加对象，所述第四用户接受所推荐的对象但不接受所述附加对象。

在一些实施例中，所述第二获取子单元包括：第一确定单元，被配置用于响应于确定所述第二概率不小于所述第一概率，确定所述用户标签为第一标签，所述第一标签指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性降低；并且其中，所述推荐单元包括：第一推荐子单元，被配置用于响应于所述用户标签为所述第一标签，向所述目标用户推荐所述目标对象时不推荐所述附加对象。

在一些实施例中，所述第二获取子单元还包括：第三获取子单元，被配置用于响应于确定所述第二概率小于所述第一概率，获得所述第二概率和所述第一概率之间的差值；以及第四获取子单元，被配置用于基于所述差值，获得所述用户标签，其中，所述用户标签还指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性提升的程度；并且其中，所述推荐单元还包括：第二确定单元，被配置用于基于所述用户标签，确定向所述目标用户推荐所述附加对象的方式，该方式指示推荐所述附加对象时对所述目标用户的影响程度；以及第二推荐子单元，被配置用于基于所述方式，在向所述目标用户推荐对象时推荐所述附加对象。

在一些实施例中，所述用户标签为下列各项中的任一项：反作用标签，指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性降低；敏感型标签，指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度不小于第一预设值；自然转化标签，指示在向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受所述目标对象的可能性不小于第二预设值，并且在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度小于所述第一预设值；以及无影响标签，指示在向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受所述目标对象的可能性小于所述第二预设值，并且在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度小于所述第一预设值。

根据本公开的另一方面，还提供一种电子设备，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根据本公开的实施例中任一项所述的方法。

根据本公开的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开的实施例中任一项所述的方法。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现本公开的实施例中任一项所述的方法。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许设备600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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元601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601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601执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (15)

1.一种对象推荐方法，包括：

获得目标用户的用户特征集，所述目标用户的用户特征集至少包括与向所述目标用户推荐的第一历史对象相应的第一目标用户行为，其中，向所述目标用户推荐所述第一历史对象时还推荐附加对象，所述第一目标用户行为指示所述目标用户是否接受所述附加对象；

基于所述目标用户的用户特征集，获得所述目标用户的用户标签，所述用户标签指示在向所述目标用户推荐对象时推荐所述附加对象，对提升所述目标用户接受该对象的可能性的影响；以及

基于所述用户标签，向所述目标用户推荐目标对象。

2.根据权利要求1所述的方法，其中，所述基于所述目标用户的用户特征集，获得所述目标用户的用户标签包括：

基于所述目标用户的用户特征集，获得所述目标用户对应的第一概率和第二概率，所述第一概率指示向所述目标用户推荐对象时推荐所述附加对象，所述目标用户接受该对象的可能性，所述第二概率指示向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受该对象的可能性；以及

基于所述第一概率和所述第二概率，获得所述用户标签。

3.根据权利要求2所述的方法，其中，所述获得所述目标用户对应的第一概率和第二概率包括：

将所述目标用户的用户特征集分别输入至第一预测模型和第二预测模型，以获得所述第一概率和第二概率；其中，

所述第一预测模型是基于包括第一正样本和第一负样本的训练样本集进行训练而获得的，所述第一正样本包括第一用户的用户特征集，所述第一用户的用户特征集包括第一用户行为，所述第一用户行为指示向所述第一用户推荐对象时推荐所述附加对象，所述第一用户接受所推荐的对象并且接受所述附加对象，所述第一负样本包括第二用户的用户特征集，第二用户的用户特征集包括第二用户行为，所述第二用户行为指示向所述第二用户推荐对象时推荐所述附加对象，所述第二用户接受所述附加对象但不接受所推荐的对象，以及

所述第二预测模型是基于包括第二正样本和第二负样本的训练样本集进行训练而获得的，所述第二正样本包括第三用户的用户特征集，所述第三用户的用户特征集包括第三用户行为，所述第三用户行为指示向所述第三用户推荐对象时推荐所述附加对象，所述第三用户不接受所述附加对象并且不接受所推荐的对象，所述第二负样本包括第四用户的用户特征集，所述第四用户的用户特征集包括第四用户行为，所述第四用户行为指示向所述第三用户推荐对象时推荐所述附加对象，所述第四用户接受所推荐的对象但不接受所述附加对象。

4.根据权利要求2或3所述的方法，其中，所述基于所述第一概率和所述第二概率，获得所述目标用户的用户标签包括：

响应于确定所述第二概率不小于所述第一概率，确定所述用户标签为第一标签，所述第一标签指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性降低；并且其中，所述基于所述用户标签，向所述目标用户推荐目标对象包括：

响应于所述用户标签为所述第一标签，向所述目标用户推荐所述目标对象时不推荐所述附加对象。

5.根据权利要求2-4任一项所述的方法，其中，所述基于所述第一概率和所述第二概率，获得所述目标用户的用户标签包括：

响应于确定所述第二概率小于所述第一概率，获得所述第二概率和所述第一概率之间的差值；以及

基于所述差值，获得所述用户标签，其中，所述用户标签还指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性提升的程度；并且其中，所述基于所述用户标签，向所述目标用户推荐目标对象还包括：

基于所述用户标签，确定向所述目标用户推荐所述附加对象的方式，该方式指示推荐所述附加对象时对所述目标用户的影响程度；以及

基于所述方式，在向所述目标用户推荐对象时推荐所述附加对象。

6.根据权利要求1-5任一项所述的方法，其中，所述用户标签为下列各项中的任一项：

反作用标签，指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性降低；

敏感型标签，指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度不小于第一预设值；

自然转化标签，指示在向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受所述目标对象的可能性不小于第二预设值，并且在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度小于所述第一预设值；以及

无影响标签，指示在向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受所述目标对象的可能性小于所述第二预设值，并且在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度小于所述第一预设值。

7.一种对象推荐装置，包括：

用户特征获取单元，被配置用于获得目标用户的用户特征集，所述目标用户的用户特征集至少包括与向所述目标用户推荐的第一历史对象相应的第一目标用户行为，其中，向所述目标用户推荐所述第一历史对象时还推荐附加对象，所述第一目标用户行为指示所述目标用户是否接受所述附加对象；

用户标签获取单元，被配置用于基于所述目标用户的用户特征集，获得所述目标用户的用户标签，所述用户标签指示在向所述目标用户推荐对象时推荐所述附加对象，对提升所述目标用户接受该对象的可能性的影响；以及

推荐单元，被配置用于基于所述用户标签，向所述目标用户推荐目标对象。

8.根据权利要求7所述的装置，其中，所述用户标签获取单元包括：

第一获取子单元，被配置用于基于所述目标用户的用户特征集，获得所述目标用户对应的第一概率和第二概率，所述第一概率指示向所述目标用户推荐对象时推荐所述附加对象，所述目标用户接受该对象的可能性，所述第二概率指示向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受该对象的可能性；以及

第二获取子单元，被配置用于基于所述第一概率和所述第二概率，获得所述用户标签。

9.根据权利要求8所述的装置，其中，所述第一获取子单元包括：

模型计算单元，被配置用于将所述目标用户的用户特征集分别输入至第一预测模型和第二预测模型，以获得所述第一概率和第二概率；其中，

所述第一预测模型是基于包括第一正样本和第一负样本的训练样本集进行训练而获得的，所述第一正样本包括第一用户的用户特征集，所述第一用户的用户特征集包括第一用户行为，所述第一用户行为指示向所述第一用户推荐对象时推荐所述附加对象，所述第一用户接受所推荐的对象并且接受所述附加对象，所述第一负样本包括第二用户的用户特征集，第二用户的用户特征集包括第二用户行为，所述第二用户行为指示向所述第二用户推荐对象时推荐所述附加对象，所述第二用户接受所述附加对象但不接受所推荐的对象，以及

所述第二预测模型是基于包括第二正样本和第二负样本的训练样本集进行训练而获得的，所述第二正样本包括第三用户的用户特征集，所述第三用户的用户特征集包括第三用户行为，所述第三用户行为指示向所述第三用户推荐对象时推荐所述附加对象，所述第三用户不接受所述附加对象并且不接受所推荐的对象，所述第二负样本包括第四用户的用户特征集，所述第四用户的用户特征集包括第四用户行为，所述第四用户行为指示向所述第三用户推荐对象时推荐所述附加对象，所述第四用户接受所推荐的对象但不接受所述附加对象。

10.根据权利要求8或9所述的装置，其中，所述第二获取子单元包括：

第一确定单元，被配置用于响应于确定所述第二概率不小于所述第一概率，确定所述用户标签为第一标签，所述第一标签指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性降低；并且其中，所述推荐单元包括：

第一推荐子单元，被配置用于响应于所述用户标签为所述第一标签，向所述目标用户推荐所述目标对象时不推荐所述附加对象。

11.根据权利要求8-10任一项所述的装置，其中，所述第二获取子单元还包括：

第三获取子单元，被配置用于响应于确定所述第二概率小于所述第一概率，获得所述第二概率和所述第一概率之间的差值；以及

第四获取子单元，被配置用于基于所述差值，获得所述用户标签，其中，所述用户标签还指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性提升的程度；并且其中，所述推荐单元还包括：

第二确定单元，被配置用于基于所述用户标签，确定向所述目标用户推荐所述附加对象的方式，该方式指示推荐所述附加对象时对所述目标用户的影响程度；以及

第二推荐子单元，被配置用于基于所述方式，在向所述目标用户推荐对象时推荐所述附加对象。

12.根据权利要求7-11任一项所述的方法，其中，所述用户标签为下列各项中的任一项：

反作用标签，指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性降低；

敏感型标签，指示在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度不小于第一预设值；

自然转化标签，指示在向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受所述目标对象的可能性不小于第二预设值，并且在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度小于所述第一预设值；以及

无影响标签，指示在向所述目标用户推荐对象时不推荐所述附加对象，所述目标用户接受所述目标对象的可能性小于所述第二预设值，并且在向所述目标用户推荐对象时推荐所述附加对象，使所述目标用户接受该对象的可能性增加的程度小于所述第一预设值。

13.一种电子设备，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1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法。

Images