CN115080845A - 推荐理由的生成方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开提供了推荐理由的生成方法、装置、电子设备及可读存储介质，涉及计算机技术领域，具体涉及智能搜索、信息流和信息检索等技术领域。一种具体实现方案为：获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据；根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由；将所述推荐理由输出给所述用户。

Description

推荐理由的生成方法、装置、电子设备及可读存储介质

技术领域

本公开涉及计算机技术领域，具体涉及智能搜索、信息流和信息检索等技术领域。

背景技术

随着社交网络的发展，在线看新闻，追踪领域热点，追踪潮流已经成为获得资讯信息的主要方式。

目前，由于网络信息的内容冗杂，体量巨大，用户通常会被一些低质资源的标题所吸引而无法获得真正有效的信息。

发明内容

本公开提供了推荐理由的生成方法、装置、电子设备及可读存储介质。

根据本公开的一方面，提供了一种推荐理由的生成方法，包括：

获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据；

根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由；

将所述推荐理由输出给所述用户。

根据本公开的再一方面，提供了一种推荐理由的生成装置，包括：

获取单元，用于获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据；

生成单元，用于根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由；

输出单元，用于将所述推荐理由输出给所述用户。

根据本公开的又一方面，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如上所述的方面和任一可能的实现方式的方法。

根据本公开的又一方面，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如上所述的方面和任一可能的实现方式的方法。

根据本公开的又一方面，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如上所述的方面和任一可能的实现方式的方法。

由上述技术方案可知，本公开实施例通过获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据，进而可以根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由，使得能够所述推荐理由输出给所述用户，由于根据针对推荐对象的评论数据和用户发布的评论数据，生成推荐对象的推荐理由，可以实现为用户提供个性化地推荐理由，使得用户可以看到更能满足自身需求的内容信息，从而保证了所推荐内容的可靠性和有效性。

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是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是本公开第二实施例中的获取摘要数据的原理的示意图；

图4是本公开第二实施例中的获得文章评论聚类的原理的示意图；

图5是本公开第二实施例中的获得用户评论聚类的原理的示意图；

图6是本公开第二实施例中的生成文章的推荐理由的原理的示意图；

图7是根据本公开第三实施例的示意图；

图8是用来实现本公开实施例的推荐理由的生成方法的电子设备的框图。

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。

显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。

需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。

另外，本文中术语“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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

随着社交网络的发展，在线看新闻，追踪领域热点，追踪潮流已经成为主流获取信息资源的方式。但是所获取的信息资源存在着内容冗杂，体量巨大的问题。

目前，通过推荐机制可以帮助用户过滤不感兴趣的信息，节省用户获得信息的信息，提高效率。但是，相关的推荐机制提供给用户的信息资源质量较低，无法为将优质的信息资源推荐给用户，因此，为每个信息资源生成可解释的和可靠的推荐理由是非常必要的。

因此，亟需提供一种推荐理由的生成方法，能够实现将高质量的信息推荐给用户，从而保证所推荐内容的有效性。

图1是根据本公开第一实施例的示意图，如图1所示。

101、获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据。

102、根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由。

103、将所述推荐理由输出给所述用户。

至此，可以将所述待推荐对象的推荐理由展示给所述用户，所述用户可以根据所述推荐理由，确定所述待推荐对象是否是自己感兴趣的，并可以确定是否点击查看所述待推荐对象的具体内容。

需要说明的是，待推荐对象可以包括但不限于文章，视频，音频，店铺等。

需要说明的是，所述第一评论数据为针对待推荐对象的评论数据，例如，可以是针对网站中任意一篇文章的所有评论数据。所述第二评论数据为用户所发布的评论数据，例如，可以是任意一个用户在网站平台上所发布的所有评论数据。

需要说明的是，101～103的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的推荐服务平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。

可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeApp)，或者还可以是本地终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。

这样，可以通过获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据，进而可以根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由，使得能够所述推荐理由输出给所述用户，由于根据针对推荐对象的评论数据和用户发布的评论数据，生成推荐对象的推荐理由，可以实现为用户提供个性化地推荐理由，使得用户可以看到更能满足自身需求的内容信息，从而保证了所推荐内容的可靠性和有效性。

可选地，在本实施例的一个可能的实现方式中，在102中，具体可以分别对第一评论数据和第二评论数据进行聚类处理，以获得第一聚类结果和第二聚类结果，进而可以对所述第一聚类结果和所述第二聚类结果进行匹配处理，以生成所述待推荐对象的推荐理由。

在该实现方式中，可以利用预设的聚类算法，分别对第一评论数据和第二评论数据进行聚类处理，以获得第一聚类结果和第二聚类结果。

可选地，所述预设的聚类算法可以包括但不限于k-均值(k-means)算法、k-中心点(k-medoids)算法、基于随机选择的聚类算法(A Clustering Algorithm based onRandomized Search,CLARANS)、基于胶囊网络的算法以及基于双塔模型的算法等。

在该实现方式的一个具体实现过程中，具体可以根据所述第一评论数据和所述第二评论数据，利用预设的聚类算法，分别获得至少一个第一评论数据簇和至少一个第二评论数据簇，进而可以将所述至少一个第一评论数据簇作为所述第一聚类结果，以及将至少一个第二评论数据簇作为所述第二聚类结果。

该具体实现过程的一种情况，根据所述第一评论数据和所述第一评论数据的情绪特征信息，利用所述预设的聚类算法，获得至少一个第一评论数据簇。

具体地，所述第一评论数据的情绪特征信息可以是表征评论所具有的感情色彩的信息。

例如，所述第一评论数据包括“文章好棒”，所述第一评论数据的情绪特征信息可以是表征正面感情色彩、所述第一评论数据包括“不真实”，所述第一评论数据的情绪特征信息可以是表征负面感情色彩。可以理解的是，所述第一评论数据的情绪特征信息可以包括多种类型的情绪。

可选地，可以根据情绪特征信息的类型，利用所述预设的聚类算法，对所述第一评论数据进行聚类处理，获得每个类型对应的第一评论数据簇，即可以获得至少一个第一评论数据簇。

该具体实现过程的另一种情况，根据所述第二评论数据和所述第二评论数据的偏好特征信息，利用所述预设的聚类算法，获得至少一个第二评论数据簇。

具体地，所述第二评论数据的偏好特征信息可以是表征发布评论的用户的偏好或者关注点。

例如，所述第二评论数据包括“语言优美”，所述第二评论数据的偏好特征信息可以是表征用户关注文章的文学性。可以理解的是，所述第二评论数据的偏好特征信息可以包括多种类型的偏好。

可选地，可以根据偏好特征信息的类型，利用所述预设的聚类算法，对所述第二评论数据进行聚类处理，获得每个类型对应的第二评论数据簇，即获得至少一个第二评论数据簇。

该具体实现过程的再一种情况，首先，可以分别对第一评论数据和第二评论数据进行语义划分处理，以获得第一评论数据对应的第一关键词和第二评论数据对应的第二关键词。然后，根据第一评论数据和第一关键词，利用所述预设的聚类算法，获得至少一个第一评论数据簇；同时，根据第二评论数据和第二关键词，利用所述预设的聚类算法，获得至少一个第二评论数据簇。

这样，可以通过根据第一评论数据和第二评论数据，利用预设的聚类算法，分别获得具有至少一个第一评论数据簇的第一聚类结果和具有至少一个第二评论数据簇的第二聚类结果，由于对第一评论数据和第二评论数据分别进行聚类，可以提取出第一评论数据和第二评论数据中的关键有效地评论信息，便于后续可以根据这两个聚类结果生成更加准确地推荐理由，从而提升了所推荐内容的可靠性和有效性。

在该实现方式的另一个具体实现过程中，具体可以根据所述第一评论数据和所述第二评论数据，利用同义词聚类策略，分别获得至少一个类别的第一评论数据和至少一个类别的第二评论数据，进而将所述至少一个类别的第一评论数据作为所述第一聚类结果，以及将至少一个类别的第二评论数据作为所述第二聚类结果。

具体地，可以获取所述第一评论数据中的同义词，基于同义词对评论数据进行聚类，即具有相同语义的评论数据可以归为一个类别，以获得至少一个类别的第一评论数据。

相应地，可以获取所述第一评论数据中的同义词，基于同义词对评论数据进行聚类，以获得至少一个类别的第一评论数据。

可以理解的是，还可以基于其他现有的聚类算法对第一评论数据和所述第二评论数据进行聚类处理，在此不再赘述。

在该实现方式的再一个具体实现过程中，具体可以根据所述第一聚类结果和所述第二聚类结果，获得所述第一聚类结果和所述第二聚类结果的相似度集合，进而可以获取所述相似度集合中满足预设的匹配条件的相似度，使得能够根据所述相似度对应的第一聚类结果，生成所述待推荐对象的推荐理由。

在该具体实现过程中，该预设的匹配条件可以包括相似度为相似度集合中的最大的相似度。

在该具体实现过程中，所述第一聚类结果包括至少一个第一评论数据簇，所述第一聚类结果包括至少一个第一评论数据簇。首先，可以将至少一个第一评论数据簇与至少一个第一评论数据簇两两进行匹配，得到相似度集合。然后，将相似度集合中的相似度进行排序，获得最大的相似度。最后，根据该最大的相似度对应的第一聚类结果，即该最大的相似度对应的第一评论数据簇或者第一评论数据，生成所述待推荐对象的推荐理由。

这样，可以通过根据第一聚类结果和第二聚类结果之间的相似度，生成待推荐对象的推荐理由，由于根据聚类处理后的针对待推荐对象的评论数据与聚类处理后的用户所发布的评论数据之间的相似度，可以获得匹配程度最高的评论数据，进而可以将匹配程度最高的评论数据作为待推荐对象的推荐理由，进一步地提升了推荐理由的准确性和有效性，从而进一步地提升了所推荐内容的可靠性和有效性。

在该实现方式的再一个具体实现过程中，可以根据所述第一聚类结果和所述第二聚类结果，利用预设的相似度模型，获得所述第一聚类结果和所述第二聚类结果的相似度识别结果，进而可以根据所述相似度识别结果，生成所述待推荐对象的推荐理由。

可以理解的是，还可以基于其他现有的算法对第一聚类结果和第二聚类结果进行处理，以生成推荐理由，在此不再赘述。

这样，在本实现方式中，可以通过分别对第一评论数据和第二评论数据进行聚类处理，并对第一聚类结果和第二聚类结果进行匹配处理，以生成待推荐对象的推荐理由，由于先对针对待推荐对象的评论数据和用户所发布的评论数据进行聚类，再对两种聚类结果进行匹配，得到相匹配的评论数据，使得基于相匹配的评论数据所生成的推荐理由可以接近用户的关注点和兴趣点，提升了推荐理由的准确性和有效性，从而提升了所推荐内容的可靠性和有效性。

需要说明的是，本实现方式中所提供的生成待推荐对象的推荐理由的多种具体实现过程之间可以相互结合，来实现本实施例的推荐理由的生成方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。

可选地，在本实施例的一个可能的实现方式中，在102中，还可以将所述第一评论数据和所述第二评论数据输入预训练语言模型，获得第一评论数据对应的第一评论特征信息和第二特征数据对应的第二评论特征信息，进而可以将所述第一评论特征信息和所述第二评论特征信息输入预设的相似度模型，获得评论相似度的识别结果，使得能够根据所述评论相似度的识别结果，生成所述待推荐对象的推荐理由。

在该实现方式中，预训练语言模型可以是基于大型语料库所预先训练的模型。在自然语言处理任务中，利用预训练语言模型可以避免从头开始训练新模型。

在该实现方式中，预设的相似度模型可以包括但不限于语义相似度模型和文本相似度模型。

具体地，预设的相似度模型可以是双塔模型。该双塔模型可以通过对两段文本进行编码，得到固定长度的向量，然后通过计算两个向量间的相似度，获得两段文本之间的关系。

具体地，该双塔模型可以采用word2vec，深度神经网络(Deep Neural Network,DNN)、长短期记忆网络(Long Short-Term Memory,LSTM)、以及卷积神经网络(Convolutional Neural Networks,CNN)等神经网络。

可选地，在本实施例的一个可能的实现方式中，在102中，还可以直接将第一评论数据和第二评论数据进行匹配处理，以获得匹配处理的结果，进而可以根据所述匹配处理的结果，生成所述待推荐对象的推荐理由。

在该实现方式中，可以利用预设的匹配规则，将第一评论数据和第二评论数据进行匹配处理，得到匹配处理的结果。

具体地，预设的匹配规则可以包括评论表征的用户行为偏好相同、评论表征的用户兴趣点相同等。

在该实现方式的一个具体实现过程中，第一评论数据和第二评论数据均包括多条评论，可以将第一评论数据中的每条评论与第二评论数据中的每条评论进行两两匹配，计算每对第一评论数据与第二评论数据的相似度，得到相似度集合，进而可以从该相似度集合中选择出满足预设的匹配条件的相似度，将该相似度作为匹配处理的结果。

具体地，预设的匹配条件可以包括相似度为相似度集合中的最大值。可以理解的是，该预设的匹配条件可以和前述实现方式中的预设的匹配条件是相同的。

在该实现方式中，获得匹配处理的结果后，可以获取匹配处理的结果对应的第一评论数据，将该第一评论数据作为待推荐对象的推荐理由。即可以将最大的相似度对应的第一评论数据作为待推荐对象的推荐理由。

可以理解的是，还可以基于其他现有方法对第一评论数据和第二评论数据进行处理，以生成所述待推荐对象的推荐理由，在此不再赘述。

这样，在本实现方式中，通过直接将第一评论数据和第二评论数据进行匹配处理，以生成所述待推荐对象的推荐理由，可以保障推荐理由的准确性，基于该推荐理由可以向用户提供其更需要查看的内容信息，从而保证了所推荐内容的可靠性和有效性。

需要说明的是，本实现方式中所提供的生成待推荐对象的推荐理由的具体实现过程，可以结合前述实现方式中所提供的多种具体实现过程，来实现本实施例的推荐理由的生成方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。

可选地，在本实施例的一个可能的实现方式中，在102中，进一步地还可以获取所述待推荐对象的摘要数据，进而可以根据所述第一评论数据、所述第二评论数据和所述摘要数据，生成所述待推荐对象的推荐理由。

在该实现方式中，所述待推荐对象的摘要数据可以是从数据库中获取的。

或者，所述待推荐对象的摘要数据可以是根据所述待推荐对象和预设的摘要生成算法所获取的。

在该具体实现过程中，预设的摘要生成算法可以包括抽取式(Extraction-based)和概括式(Abstraction-based)的摘要生成算法。

可以理解的是，基于抽取式的摘要生成算法可以从给定的待推荐对象中抽取出关键的句子或短语，重新拼接成一小段摘要，没有对原有内容做修改，可以保持原有的描述。因此，这里可以将基于抽取式的摘要生成算法作为优选。

在该实现方式的一个具体实现过程中，具体可以利用预设的摘要生成算法，对待推荐对象的内容数据进行分析处理，生成所述待推荐对象的摘要数据。

例如，待推荐对象是文章，文章的内容数据可以包括标题和至少一个段落。具体可以利用预设的摘要生成算法，对待推荐对象的标题和至少一个段落进行分析处理，获得标题和至少一个段落的段落摘要，进而可以再利用预设的摘要生成算法，对标题和至少一个段落的段落摘要进行分析处理，生成所述待推荐对象的摘要数据。

在该实现方式的另一个具体实现过程中，在获取到摘要数据后，进一步地可以对所述第一评论数据、所述第二评论数据和所述摘要数据进行融合处理，以生成所述待推荐对象的推荐理由。

该具体实现过程的一种情况，首先，可以将所述第一评论数据和所述第二评论数据进行聚类和匹配处理。然后，将处理的结果与所述摘要数据进行融合处理，以生成所述待推荐对象的推荐理由。

可以理解的是，可以基于前述实现方式，对所述第一评论数据和所述第二评论数据进行聚类和匹配处理，计算第一聚类结果和第二聚类结果之间的相似度，以获得最大的相似度对应的第一聚类结果，即该最大的相似度对应的第一评论数据簇或者第一评论数据，进而可以将最大的相似度对应的第一聚类结果与摘要数据进行融合处理，以生成所述待推荐对象的推荐理由。

可选地，还可以将所述第一评论数据和所述第二评论数据输入预训练语言模型，获得第一评论数据对应的第一评论特征信息和第二特征数据对应的第二评论特征信息，进而可以将所述第一评论特征信息和所述第二评论特征信息输入预设的相似度模型，获得评论相似度的识别结果，使得能够将所述评论相似度的识别结果与所述摘要数据进行融合处理，以生成所述待推荐对象的推荐理由。

该具体实现过程的另一种情况，首先，可以将所述第一评论数据与所述摘要数据进行融合处理，得到第一融合结果。其次，可以将所述第二评论数据与所述摘要数据进行融合处理，得到第二融合结果。再次，将第一融合结果和第二融合结果进行匹配处理，以生成所述待推荐对象的推荐理由。

该具体实现过程的再一种情况，还可以将所述第一评论数据、所述第二评论数据和所述摘要数据输入预设的数据融合模型，输出融合后的评论数据，进而可以将该评论数据作为所述待推荐对象的推荐理由。

可以理解的是，还可以基于其他现有的方式，对所述第一评论数据、所述第二评论数据和所述摘要数据进行处理，以生成所述待推荐对象的推荐理由，在此不在赘述。

可以理解的是，待推荐对象和用户的数量均可以为多个。具体地，可以通过本实施例中的方法，为每个用户生成一一对应的每个待推荐对象的个性化推荐理由。

这样，在本实现方式中，可以通过根据第一评论数据、第二评论数据和所获取的待推荐对象的摘要数据，生成待推荐对象的推荐理由。由此，在两种评论数据的基础上进一步地结合了摘要数据，基于摘要数据的文字描述完整性和准确性，可以进一步地提升了所生成的待推荐对象的推荐理由准确性和有效性，从而进一步地提升了所推荐内容的可靠性和有效性。

需要说明的是，本实现方式中所提供的生成待推荐对象的推荐理由的具体实现过程，可以结合前述实现方式中所提供的多种具体实现过程，来实现本实施例的推荐理由的生成方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。

本实施例中，可以通过获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据，进而可以根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由，使得能够所述推荐理由输出给所述用户，由于根据针对推荐对象的评论数据和用户发布的评论数据，生成推荐对象的推荐理由，可以实现为用户提供个性化地推荐理由，使得用户可以看到更能满足自身需求的内容信息，从而保证了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，可以通过分别对第一评论数据和第二评论数据进行聚类处理，并对第一聚类结果和第二聚类结果进行匹配处理，以生成待推荐对象的推荐理由，由于先对针对待推荐对象的评论数据和用户所发布的评论数据进行聚类，再对两种聚类结果进行匹配，得到相匹配的评论数据，使得基于相匹配的评论数据所生成的推荐理由可以接近用户的关注点和兴趣点，提升了推荐理由的准确性和有效性，从而提升了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，可以通过根据第一评论数据和第二评论数据，利用预设的聚类算法，分别获得具有至少一个第一评论数据簇的第一聚类结果和具有至少一个第二评论数据簇的第二聚类结果，由于对第一评论数据和第二评论数据分别进行聚类，可以提取出第一评论数据和第二评论数据中的关键有效地评论信息，便于后续可以根据这两个聚类结果生成更加准确地推荐理由，从而提升了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，可以通过根据第一聚类结果和第二聚类结果之间的相似度，生成待推荐对象的推荐理由，由于根据聚类处理后的针对待推荐对象的评论数据与聚类处理后的用户所发布的评论数据之间的相似度，可以获得匹配程度最高的评论数据，进而可以将匹配程度最高的评论数据作为待推荐对象的推荐理由，进一步地提升了推荐理由的准确性和有效性，从而进一步地提升了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，可以通过根据第一评论数据、第二评论数据和所获取的待推荐对象的摘要数据，生成待推荐对象的推荐理由。由此，在两种评论数据的基础上进一步地结合了摘要数据，基于摘要数据的文字描述完整性和准确性，可以进一步地提升了所生成的待推荐对象的推荐理由准确性和有效性，从而进一步地提升了所推荐内容的可靠性和有效性。

图2是根据本公开第二实施例的示意图，如图2所示。

为了更好地理解本公开的方案，现结合具体应用场景对本公开的技术方案进行详细说明。该应用场景中，待推荐对象可以是文章，例如，资讯网站或者社交应用程序中的文章。

201、获取文章的摘要数据、针对文章的评论数据和用户所发布的评论数据。

在本实施例中，图3是本公开第二实施例中获取摘要数据的原理的示意图。如图3所示。

具体地，根据文章的内容，利用摘要生成算法，生成还原文章主要内容的摘要，即先生成文章每个段落的摘要，再结合文章标题，提取并生成中文章的摘要。

示例性的，如图3所示，首先，可以从文章中提取出标题、段落1、段落2和段落3。其次，可以根据标题、段落1、段落2和段落3，利用预设的摘要生成算法，获得标题、段落1摘要、段落2摘要和段落3摘要。再次，可以利用预设的摘要生成算法，对标题、段落1摘要、段落2摘要和段落3摘要进行分析处理，生成文章的摘要数据。

202、分别对针对文章的评论数据和用户所发布的评论数据进行聚类处理，以获得第一聚类结果和第二聚类结果。

在本实施例中，针对文章的评论数据即为第一评论数据，用户所发布的评论数据即为第二评论数据。

在本实施例中，一方面，图4是本公开第二实施例中获得文章评论聚类的原理的示意图。如图4所示。

示例性的，如图4所示，针对文章的评论数据可以包括评论1、评论1、……评论n。可以利用预设的聚类算法，对上述多个评论进行聚类处理，得到评论聚类1和评论聚类2，并可以将评论聚类1和评论聚类2作为第一聚类结果。

例如，预设的聚类算法可以是k-means算法，评论聚类1和评论聚类2可以为两个第一评论数据簇。

可以理解的是，通过提取该文章的评论，生成读者用户对文章的观点信息。文章的评论是大众读者对该文章的反馈，能反馈该文章的质量。首先，对相似评论聚合，提取相似评论中的关键词。例如，带有情绪的短语：“文章好棒”以及“文章糟透了”；再例如，带有对文章批判意味的短语：“没有反应史实”，“毫无根据”。此类短语可以真实的表达读者的看法，可以反应文章的质量。

可以理解的是，通常一个作者文章的质量在短时间内不会有质的变化，因此，在某篇文章暂未有评论时，即获取不到文章的评论数据时，可以使用作者最近发布的文章的评论。

在本实施例中，另一方面，图5是本公开第二实施例中获得用户评论聚类的原理的示意图。如图5所示。

具体地，首先，对于任意一个用户，该用户所发布的评论数据可以包括用户评论1、用户评论2、……用户评论n。其次，对上述多个用户评论进行聚类处理，得到用户评论聚类1和用户评论聚类2，并可以将用户评论聚类1和用户评论聚类2作为第二聚类结果。

例如，预设的聚类算法可以是k-means算法，用户评论聚类1和用户评论聚类2可以为两个第二评论数据簇。

需要说明的是，对于任意一个用户，可以提取该用户的所有评论数据。根据用户的评论可以得出用户的关注角度，以及用户对文章的偏好。例如，用户评论中多次出现“符合史实”，则用户可能更加关注文章的真实性；若用户评论中多次出现“语言优美”，则用户可能更关注该文章的文学性。

203、对第一聚类结果和第二聚类结果进行匹配处理，以获得匹配处理的结果。

204、根据文章的摘要数据和匹配处理的结果，生成文章的推荐理由。

在本实施例中，图6是本公开第二实施例中生成文章的推荐理由的原理的示意图。如图6所示。

具体地，首先，可以计算用户评论聚类1、用户评论聚类2与评论聚类1、评论聚类2的相似度，并筛选出最大相似度，即匹配处理的结果。然后，将最大相似度对应的评论聚类1和文章的摘要数据进行融合处理，生成文章的推荐理由。

具体地，文章的推荐理由可以是针对该用户的个性化推荐理由。

205、将文章的推荐理由输出给用户。

至此，可以将个性化推荐理由展示给对应的用户。用户可以根据个性化推荐理由，确定文章是否是自己感兴趣的，以决定是否点击查看文章的具体内容。

可以理解的是，文章和用户的数量均可以为多个。具体地，可以通过本实施例中的方法，为每个用户生成对应的每个文章的个性化推荐理由。

本实施例中，可以通过根据针对推荐对象的评论数据和用户发布的评论数据，生成推荐对象的推荐理由，可以实现为用户提供个性化地推荐理由，使得用户可以看到更能满足自身需求的内容信息，从而保证了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，将文章评论、用户评论和文章内容摘要结合起来，可以为用户提供更优质可以且个性化的推荐理由，提升了用户体验。

另外，采用本实施例所提供的技术方案，基于个性化的推荐理由，可以提高用户查看信息资源机率，可以使优质信息资源得到更好的展示和分发，从而使得整个推荐机制系统蓬勃健康发展。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

图7是根据本公开第三实施例的示意图，如图7所示。本实施例的推荐理由的生成装置700可以包括获取单元701、处理单元702和输出单元703。其中，获取单元701，用于获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据；生成单元702，用于根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由；输出单元703，用于将所述推荐理由输出给所述用户。

需要说明的是，本实施例的推荐理由的生成装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的推荐服务平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。

可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeApp)，或者还可以是本地终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。

可选地，在本实施例的一个可能的实现方式中，所述生成单元702，可以具体用于分别对第一评论数据和第二评论数据进行聚类处理，以获得第一聚类结果和第二聚类结果，对所述第一聚类结果和所述第二聚类结果进行匹配处理，以生成所述待推荐对象的推荐理由。

可选地，在本实施例的一个可能的实现方式中，所述生成单元702，可以具体用于根据所述第一评论数据和所述第二评论数据，利用预设的聚类算法，分别获得至少一个第一评论数据簇和至少一个第二评论数据簇，将所述至少一个第一评论数据簇作为所述第一聚类结果，以及将至少一个第二评论数据簇作为所述第二聚类结果。

可选地，在本实施例的一个可能的实现方式中，所述生成单元702，可以具体根据所述第一评论数据和所述第二评论数据，利用同义词聚类策略，分别获得至少一个类别的第一评论数据和至少一个类别的第二评论数据，将所述至少一个类别的第一评论数据作为所述第一聚类结果，以及将至少一个类别的第二评论数据作为所述第二聚类结果。

可选地，在本实施例的一个可能的实现方式中，所述生成单元702，可以具体用于根据所述第一聚类结果和所述第二聚类结果，获得所述第一聚类结果和所述第二聚类结果的相似度集合，获取所述相似度集合中满足预设的匹配条件的相似度，以及根据所述相似度对应的第一聚类结果，生成所述待推荐对象的推荐理由。

可选地，在本实施例的一个可能的实现方式中，所述生成单元702，具体可以用于根据所述第一聚类结果和所述第二聚类结果，利用预设的相似度模型，获得所述第一聚类结果和所述第二聚类结果的相似度识别结果，根据所述相似度识别结果，生成所述待推荐对象的推荐理由。

可选地，在本实施例的一个可能的实现方式中，所述生成单元702，还可以用于将所述第一评论数据和所述第二评论数据输入预训练语言模型，获得第一评论数据对应的第一评论特征信息和第二特征数据对应的第二评论特征信息，将所述第一评论特征信息和所述第二评论特征信息输入预设的相似度模型，获得评论相似度的识别结果，根据所述评论相似度的识别结果，生成所述待推荐对象的推荐理由。

可选地，在本实施例的一个可能的实现方式中，所述生成单元702，还可以用于获取所述待推荐对象的摘要数据，根据所述第一评论数据、所述第二评论数据和所述摘要数据，生成所述待推荐对象的推荐理由。

可选地，在本实施例的一个可能的实现方式中，所述生成单元702，具体可以用于对所述第一评论数据和所述摘要数据进行融合处理、以获得第一融合结果；对所述第二评论数据和所述摘要数据进行融合处理、以获得第二融合结果，以及根据所述第一融合结果和所述第二融合结果，生成所述待推荐对象的推荐理由。

本实施例中，通过获取单元获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据，进而可以由生成单元根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由，使得输出单元能够将所述推荐理由输出给所述用户，由于根据针对推荐对象的评论数据和用户发布的评论数据，生成推荐对象的推荐理由，可以实现为用户提供个性化地推荐理由，使得用户可以看到更能满足自身需求的内容信息，从而保证了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，可以通过分别对第一评论数据和第二评论数据进行聚类处理，并对第一聚类结果和第二聚类结果进行匹配处理，以生成待推荐对象的推荐理由，由于先对针对待推荐对象的评论数据和用户所发布的评论数据进行聚类，再对两种聚类结果进行匹配，得到相匹配的评论数据，使得基于相匹配的评论数据所生成的推荐理由可以接近用户的关注点和兴趣点，提升了推荐理由的准确性和有效性，从而提升了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，可以通过根据第一评论数据和第二评论数据，利用预设的聚类算法，分别获得具有至少一个第一评论数据簇的第一聚类结果和具有至少一个第二评论数据簇的第二聚类结果，由于对第一评论数据和第二评论数据分别进行聚类，可以提取出第一评论数据和第二评论数据中的关键有效地评论信息，便于后续可以根据这两个聚类结果生成更加准确地推荐理由，从而提升了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，可以通过根据第一聚类结果和第二聚类结果之间的相似度，生成待推荐对象的推荐理由，由于根据聚类处理后的针对待推荐对象的评论数据与聚类处理后的用户所发布的评论数据之间的相似度，可以获得匹配程度最高的评论数据，进而可以将匹配程度最高的评论数据作为待推荐对象的推荐理由，进一步地提升了推荐理由的准确性和有效性，从而进一步地提升了所推荐内容的可靠性和有效性。

另外，采用本实施例所提供的技术方案，可以通过根据第一评论数据、第二评论数据和所获取的待推荐对象的摘要数据，生成待推荐对象的推荐理由。由此，在两种评论数据的基础上进一步地结合了摘要数据，基于摘要数据的文字描述完整性和准确性，可以进一步地提升了所生成的待推荐对象的推荐理由准确性和有效性，从而进一步地提升了所推荐内容的可靠性和有效性。

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。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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801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801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801执行上文所描述的各个方法和处理，例如推荐理由的生成方法。例如，在一些实施例中，推荐理由的生成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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的推荐理由的生成方法、的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。

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)、复杂可编程逻辑设备(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。

Claims (21)

1.一种推荐理由的生成方法，包括：

获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据；

根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由；

将所述推荐理由输出给所述用户。

2.根据权利要求1所述的方法，其中，所述根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由，包括：

分别对所述第一评论数据和所述第二评论数据进行聚类处理，以获得第一聚类结果和第二聚类结果；

对所述第一聚类结果和所述第二聚类结果进行匹配处理，以生成所述待推荐对象的推荐理由。

3.根据权利要求2所述的方法，其中，所述分别对所述第一评论数据和所述第二评论数据进行聚类处理，以获得第一聚类结果和第二聚类结果，包括：

根据所述第一评论数据和所述第二评论数据，利用预设的聚类算法，分别获得至少一个第一评论数据簇和至少一个第二评论数据簇；

将所述至少一个第一评论数据簇作为所述第一聚类结果，以及将至少一个第二评论数据簇作为所述第二聚类结果。

4.根据权利要求2所述的方法，其中，所述分别对所述第一评论数据和所述第二评论数据进行聚类处理，以获得第一聚类结果和第二聚类结果，包括：

根据所述第一评论数据和所述第二评论数据，利用同义词聚类策略，分别获得至少一个类别的第一评论数据和至少一个类别的第二评论数据；

将所述至少一个类别的第一评论数据作为所述第一聚类结果，以及将至少一个类别的第二评论数据作为所述第二聚类结果。

5.根据权利要求2-4中任一项所述的方法，其中，所述对所述第一聚类结果和所述第二聚类结果进行匹配处理，以生成所述待推荐对象的推荐理由，包括：

根据所述第一聚类结果和所述第二聚类结果，获得所述第一聚类结果和所述第二聚类结果的相似度集合；

获取所述相似度集合中满足预设的匹配条件的相似度；

根据所述相似度对应的第一聚类结果，生成所述待推荐对象的推荐理由。

6.根据权利要求2-5中任一项所述的方法，其中，所述对所述第一聚类结果和所述第二聚类结果进行匹配处理，以生成所述待推荐对象的推荐理由，包括：

根据所述第一聚类结果和所述第二聚类结果，利用预设的相似度模型，获得所述第一聚类结果和所述第二聚类结果的相似度识别结果；

根据所述相似度识别结果，生成所述待推荐对象的推荐理由。

7.根据权利要求1所述的方法，其中，所述根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由，还包括：

将所述第一评论数据和所述第二评论数据输入预训练语言模型，获得第一评论数据对应的第一评论特征信息和第二特征数据对应的第二评论特征信息；

将所述第一评论特征信息和所述第二评论特征信息输入预设的相似度模型，获得评论相似度的识别结果；

根据所述评论相似度的识别结果，生成所述待推荐对象的推荐理由。

8.根据权利要求1-7中任一项所述的方法，其中，所述根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由，包括：

获取所述待推荐对象的摘要数据；

根据所述第一评论数据、所述第二评论数据和所述摘要数据，生成所述待推荐对象的推荐理由。

9.根据权利要求8所述的方法，其中，所述根据所述第一评论数据、所述第二评论数据和所述摘要数据，生成所述待推荐对象的推荐理由，包括：

对所述第一评论数据和所述摘要数据进行融合处理、以获得第一融合结果；

对所述第二评论数据和所述摘要数据进行融合处理、以获得第二融合结果；

根据所述第一融合结果和所述第二融合结果，生成所述待推荐对象的推荐理由。

10.一种推荐理由的生成装置，包括：

获取单元，用于获取第一评论数据和第二评论数据，所述第一评论数据为针对待推荐对象的评论数据，所述第二评论数据为用户所发布的评论数据；

生成单元，用于根据所述第一评论数据和所述第二评论数据，生成所述待推荐对象的推荐理由；

输出单元，用于将所述推荐理由输出给所述用户。

11.根据权利要求10所述的装置，其中，所述生成单元，具体用于：

分别对所述第一评论数据和所述第二评论数据进行聚类处理，以获得第一聚类结果和第二聚类结果；

对所述第一聚类结果和所述第二聚类结果进行匹配处理，以生成所述待推荐对象的推荐理由。

12.根据权利要求11所述的装置，其中，所述生成单元，具体用于：

根据所述第一评论数据和所述第二评论数据，利用预设的聚类算法，分别获得至少一个第一评论数据簇和至少一个第二评论数据簇；

将所述至少一个第一评论数据簇作为所述第一聚类结果，以及将至少一个第二评论数据簇作为所述第二聚类结果。

13.根据权利要求11所述的装置，其中，所述生成单元，具体用于：

根据所述第一评论数据和所述第二评论数据，利用同义词聚类策略，分别获得至少一个类别的第一评论数据和至少一个类别的第二评论数据；

将所述至少一个类别的第一评论数据作为所述第一聚类结果，以及将至少一个类别的第二评论数据作为所述第二聚类结果。

14.根据权利要求11-13中任一项所述的装置，其中，所述生成单元，具体用于：

根据所述第一聚类结果和所述第二聚类结果，获得所述第一聚类结果和所述第二聚类结果的相似度集合；

获取所述相似度集合中满足预设的匹配条件的相似度；以及

根据所述相似度对应的第一聚类结果，生成所述待推荐对象的推荐理由。

15.根据权利要求11-14中任一项所述的装置，其中，所述生成单元，具体用于：

根据所述第一聚类结果和所述第二聚类结果，利用预设的相似度模型，获得所述第一聚类结果和所述第二聚类结果的相似度识别结果；

根据所述相似度识别结果，生成所述待推荐对象的推荐理由。

16.根据权利要求10所述的装置，其中，所述生成单元，还用于：

将所述第一评论数据和所述第二评论数据输入预训练语言模型，获得第一评论数据对应的第一评论特征信息和第二特征数据对应的第二评论特征信息；

将所述第一评论特征信息和所述第二评论特征信息输入预设的相似度模型，获得评论相似度的识别结果；以及

根据所述评论相似度的识别结果，生成所述待推荐对象的推荐理由。

17.根据权利要求10至16中任一项所述的装置，所述生成单元，还用于：

获取所述待推荐对象的摘要数据；

根据所述第一评论数据、所述第二评论数据和所述摘要数据，生成所述待推荐对象的推荐理由。

18.根据权利要求17所述的装置，其中，所述生成单元，具体用于：

对所述第一评论数据和所述摘要数据进行融合处理、以获得第一融合结果；

对所述第二评论数据和所述摘要数据进行融合处理、以获得第二融合结果；以及

根据所述第一融合结果和所述第二融合结果，生成所述待推荐对象的推荐理由。

19.一种电子设备，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权利要求1-9中任一项所述的方法。

20.一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1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。

Images