本发明涉及计算机领域，具体而言，涉及一种数据显示方法和装置、存储介质及电子装置。
背景技术：
为了方便用户浏览，在很多终端应用中提供了智能化数据显示方法。其中，上述数据显示方法往往是依赖于终端应用中所统计的用户账号的行为数据，如统计在一段时间内该用户账号的浏览量、操作量等。根据获取到的统计结果，来确定该用户账号的浏览习惯，从而达到针对该用户账号的喜好显示个性化内容的效果。如统计结果指示该用户账号对体育类数据的浏览量最大，则可继续为该用户账号提供显示体育类数据。
然而，在上述根据数据统计结果确定所要显示的数据的过程中，为了保证显示的准确性，用于确定所要显示的数据的统计过程通常耗时较久，对于终端应用而言，这将大大影响数据显示的实时性。
针对上述的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供一种数据显示方法和装置、存储介质及电子装置，以至少解决现有数据显示方法所存在的显示实时性较差的技术问题。
根据本发明实施例的一个方面，提供了一种数据显示方法，包括：获取数据更新指令，其中，上述数据更新指令用于更新第一客户端上所显示的数据对象；响应上述数据更新指令获取上述第一客户端的历史操作记录，其中，上述历史操作记录中包括：根据上述第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；将上述历史操作记录中的部分上述历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，上述推送模型利用多个有序样本对象的特征向量通过机器训练得到；根据上述预测对象特征向量确定更新后的目标对象，并在上述第一客户端中显示上述目标对象。
根据本发明实施例的另一方面，还提供了一种数据显示装置，包括：第一获取单元，用于获取数据更新指令，其中，上述数据更新指令用于更新第一客户端上所显示的数据对象；响应单元，用于响应上述数据更新指令获取上述第一客户端的历史操作记录，其中，上述历史操作记录中包括：根据上述第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；第一处理单元，用于将上述历史操作记录中的部分上述历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，上述推送模型利用多个有序样本对象的特征向量通过机器训练得到；显示单元，用于根据上述预测对象特征向量确定更新后的目标对象，并在上述第一客户端中显示上述目标对象。
根据本发明实施例的另一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，上述程序运行时执行上述数据显示方法。
根据本发明实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的计算机程序，上述处理器通过上述计算机程序执行上述数据显示方法。
在本发明实施例中，在获取数据更新指令之后，其中，数据更新指令用于更新第一客户端上所显示的数据对象；响应数据更新指令获取第一客户端的历史操作记录，其中，历史操作记录中包括：根据第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，推送模型利用多个有序样本对象的特征向量通过机器训练得到；根据预测对象特征向量确定更新后的目标对象，并在第一客户端中显示目标对象，通过根据第一客户端的历史操作记录中的历史对象特征向量，将历史特征向量依次倒入推送模型得到预测对象特征向量，根据预测对象特征向量确定更新后的目标对象，达到了在不需要频繁更新推送模型的情况下减少了数据的运算量的目的，从而实现了更新后的目标对象更能满足用户需求，减少数据显示所需时长的技术效果，进而解决了现有数据显示方法所存在的显示实时性较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的数据显示方法的应用环境示意图；
图2是根据本发明实施例的一种可选的数据显示方法的流程示意图；
图3是根据本发明实施例的一种可选的对象特征向量的示意图；
图4是根据本发明实施例的一种可选的获取预测对象特征向量的示意图；
图5是根据本发明实施例的另一种可选的获取预测对象特征向量的示意图；
图6是根据本发明实施例的又一种可选的获取样本对象特征向量的示意图；
图7是根据本发明实施例的另一种可选的推送模型的示意图；
图8是根据本发明实施例的一种可选的数据显示装置的结构示意图；
图9是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明实施例中，提供了一种上述数据显示方法的实施例。作为一种可选的实施方式，该数据显示方法可以但不限于应用于如图1所示的应用环境中，在终端102中安装有第一客户端，终端102通过网络104与服务器106连接，获取终端102中的第一客户端用于更新所显示的数据对象的数据更新指令，并将该数据更新指令发送至服务器106，服务器106响应数据更新指令获取第一客户端的历史操作记录，其中，历史操作记录中包括：根据第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；服务器106将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，推送模型利用多个有序样本对象的特征向量通过机器训练得到；服务器106根据预测对象特征向量确定更新后的目标对象，并在终端102上的第一客户端中显示目标对象。
需要说明的是，上述示例中，数据的更新操作是在第一客户端对应的服务器上进行的，数据的显示是在第一客户端所在的终端上进行的，而在实际的应用场景中，数据的更新也可以是在第一客户端所在的终端上进行的，例如在第一客户端的本地存储有所使用账号的历史操作记录等等，以上仅是一种示例，在此不做任何限定。
在本实施例中，获取数据更新指令，其中，数据更新指令用于更新第一客户端上所显示的数据对象；响应数据更新指令获取第一客户端的历史操作记录，其中，历史操作记录中包括：根据第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，推送模型利用多个有序样本对象的特征向量通过机器训练得到；根据预测对象特征向量确定更新后的目标对象，并在第一客户端中显示目标对象，通过根据第一客户端的历史操作记录中的历史对象特征向量，将历史特征向量依次倒入推送模型得到预测对象特征向量，根据预测对象特征向量确定更新后的目标对象，达到了在不需要频繁更新推送模型的情况下减少了数据的运算量的目的，从而实现了更新后的目标对象更能满足用户需求，减少数据显示所需时长的技术效果，进而解决了现有数据显示方法所存在的显示实时性较差的技术问题。
可选地，在本实施例中，上述终端可以包括但不限于以下至少之一：手机、平板电脑、笔记本电脑、台式pc机、数字电视及用于运行推荐显示应用的硬件设备。上述网络可以包括但不限于以下至少之一：广域网、城域网、局域网。上述只是一种示例，本实施例对此不做任何限定。
根据本发明实施例的一方面，提供了一种数据显示方法，如图2所示，该方法包括：
s202，获取数据更新指令，其中，数据更新指令用于更新第一客户端上所显示的数据对象；
s204，响应数据更新指令获取第一客户端的历史操作记录，其中，历史操作记录中包括：根据第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；
s206，将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，推送模型利用多个有序样本对象的特征向量通过机器训练得到；
s208，根据预测对象特征向量确定更新后的目标对象，并在第一客户端中显示目标对象。
可选地，在本实施例中，上述数据显示方法可以但不限于应用于数据显示过程中，其中，上述数据显示方法可以包括但不限于应用于新闻应用、社交应用以及其他具备浏览功能的应用中，以实现根据操作浏览记录来显示用户感兴趣的目标对象。上述数据更新指令可以包括但不限于：对浏览界面执行刷新操作所生成的刷新指令，执行登录操作所生的操作指令、对相应的内容进行评论及其他互动操作所生成的操作指令，等等。例如，假设上述数据显示方法以数据为新闻内容，第一客户端获取数据更新指令，并响应该数据更新指令获取第一客户端的历史操作记录(如用户浏览的新闻类别、浏览时间、浏览内容、评论、点赞等)，将历史操作记录中的部分历史对象特征向量(如用户浏览的新闻类别的向量、浏览内容向量等)依次导入推送模型，获取预测对象特征向量，根据预测对象特征向量确定更新后的目标对象(如预测用户感兴趣的新闻类别、新闻内容等)，并在第一客户端中显示目标对象。上述仅是一种示例，本实施例中对此不做任何限定。
其中，在上述数据显示方法中确定出的更新后的目标对象，可以包括一个目标对象，也可以是多个目标对象。以上述数据显示方法以数据为新闻内容中为例进行说明，确定更新后的目标对象为具体的新闻内容，可以是一条新闻内容，也可以是多条新闻内容，具体的可以根据实际经验进行设置，在此不做任何限定。
需要说明的是，在获取数据更新指令之后，其中，数据更新指令用于更新第一客户端上所显示的数据对象；响应数据更新指令获取第一客户端的历史操作记录，其中，历史操作记录中包括：根据第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，推送模型利用多个有序样本对象的特征向量通过机器训练得到；根据预测对象特征向量确定更新后的目标对象，并在第一客户端中显示目标对象，通过根据第一客户端的历史操作记录中的历史对象特征向量，将历史特征向量依次倒入推送模型得到预测对象特征向量，根据预测对象特征向量确定更新后的目标对象，达到了在不需要频繁更新推送模型的情况下减少了数据的运算量的目的，从而实现了更新后的目标对象更能满足用户需求，减少数据显示所需时长的技术效果，进而解决了现有数据显示方法所存在的显示实时性较差的技术问题。
可选地，在本实施例中，根据预测对象特征向量确定更新后的目标对象包括但不限于：获取与第一客户端匹配的数据对象库，其中，数据对象库中存储第一客户端所要显示的全部数据对象的特征向量；依次比对数据对象库中全部数据对象的特征向量与预测对象特征向量；根据比对的结果确定目标对象。
可选地，在本实施例中，根据比对的结果确定目标对象包括但不限于：从全部数据对象的特征向量中，获取与预测对象特征向量相距的距离小于第一阈值的特征向量；将距离小于第一阈值的特征向量对应的数据对象确定为目标对象。
在具体的应用场景中，如图3所示，在获取到预测对象特征向量(白色圆点)后，将预测对象特征向量与第一客户端所要显示的全部数据对象的特征向量(黑色圆点)依次进行比对，取整个向量空间中和预测对象特征向量距离小于第一阈值的一个或多个数据对象的对象特征向量，相邻两个向量的距离可以用下述的欧式距离公式：
其中，xi表示预测对象特征向量x中第i维数据，yi表示数据对象库中的一特征向量y中第i维数据，d(x,y)用于表示预测对象特征向量x与一特征向量y之间的距离。
可选地，在本实施例中，将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量包括但不限于：确定历史操作记录中用于导入推送模型的部分历史对象特征向量，其中，部分历史对象特征向量包括：在历史操作记录中，已执行且执行间隔小于第二阈值的连续n个交互操作所对应的n个历史对象特征向量，执行间隔为执行交互操作的执行时刻距当前时刻的时间间隔，n为自然数；将所确定的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量。
在具体的应用场景中，将历史操作记录中的部分历史对象特征向量依次倒入推送模块，通常根据历史对象特征向量所对象的历史操作记录的时间顺序，一般是从距离当前时间最远到距离当前时间最近的顺序。按照时间顺序依次导入推送模型中，获取预测对象特征向量，以用户阅读的新闻为例进行说明，如图4所示，向推送模块中输入用户阅读新闻的历史操作记录，其中，用户阅读新闻存在三条历史操作记录，即n＝3，其中该三条历史操作记录的执行间隔小于第二阈值，其中新闻样本的时间先后顺序依次为用户阅读的新闻1，用户阅读的新闻2，用户阅读的新闻3。通过按照该三条历史操作记录的历史对象特征向量依次倒入推送模型，在将用户阅读的新闻3的历史对象特征向量输入到推送模块后，获取用户将要阅读的下一篇新闻的预测特征向量。
可选地，在本实施例中，将所确定的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量包括：将n个历史对象特征向量依次导入推送模型，得到n个预测对象特征向量；按照执行时刻丢弃前n-1个预测对象特征向量，将第n个预测对象特征向量，作为推送模型所输出的用于确定目标对象的预测对象特征向量。以数据为用户阅读资讯为例进行说明，其中用户历史操作记录为待输入的样本，其中n＝3，将该历史对象特征向量(用户阅读的资讯)按照时间顺序依次倒入推送模型，推送模型中第一次及第二次运行结果中的预测结果被丢弃，仅保留隐藏状态(用于指示之前操作的操作状态)。将第二次运行输出的隐藏状态与第三次历史对象特征向量输入模型，得到最终的预测对象特征向量。
需要说明的是，在本实施例中，上述历史对象特征向量可以但不限于：在获取数据更新指令之前，第一客户端根据已执行的历史交互操作对应的历史操作记录生成。其中，上述历史操作记录可以但不限于为离线历史操作记录，对应的推送模型则为离线训练得到，上述历史操作记录也可以但不限于为在线历史操作记录，对应的推送模型则为在线训练得到。其中，历史对象特征向量可以但不限于对历史交互操作中的对象(如历史阅读过的新闻)进行特征提取，以得到该对象对应的历史对象特征向量。
仍以上述用户阅读的新闻预测特征向量获取过程为例进行说明，如图5所示，其中，存在3条用户阅读的新闻1，2，3(即历史操作记录)对应的历史对象特征向量，即n＝3，其中新闻样本的时间先后顺序依次为用户阅读的新闻1，用户阅读的新闻2，用户阅读的新闻3，将3个用户阅读的新闻对应的历史对象特征向量按照时间顺序导入推送模型，得到3个预测对象特征向量，根据用户阅读的新闻对应的时间丢弃前2个历史预测对象经过推送模型输出的预测对象特征向量，保留用户阅读的新闻2经过推送模型输出的隐藏状态，将用户阅读的新闻3的历史对象特征向量与用户阅读的新闻2的隐藏状态导入推送模型，将推送模型所输出的结果作为预测用户将阅读的下一篇新闻的预测对象特征向量。
可选地，在本实施例中，在获取数据更新指令之前，还包括：获取多个有序样本对象的特征向量；利用多个有序样本对象的特征向量，通过机器训练得到推送模型。在具体的应用场景中，针对不同的样本数据库会存在不同的推送模型，推送模型通常是通过多个有序样本对象的特征向量，例如存在时间顺序的样本对象，通过机器训练得到推送模型(例如经过训练的神经网络)。
需要说明的是，在本实施例中，用于通过机器训练得到推送模型的特征向量，为多个有序样本对象的特征向量。也就是说，在训练过程中，样本对象将按照预定顺序依次导入推送模型进行训练，从而使得训练所得到的推送模型依赖于输入顺序，使得输入顺序对训练结果形成影响，进而实现在获取历史操作记录中所包含的历史对象后，可以依据其顺序预测出与最后一次执行交互操作的数据对象关联较大的预测对象，从而达到提高推送模型预测的准确性。
可选地，在本实施例中，获取多个有序样本对象的特征向量包括但不限于：依次获取多个样本对象；对多个样本对象中的每个样本对象分别执行以下操作：获取样本对象中所包含的数据类型，其中，数据类型包括以下至少之一：样本对象的标题、样本对象的摘要、样本对象中的数据、样本对象执行交互操作的执行时刻、交互操作的交互信息、样本对象的标签；将样本对象按照数据类型分别转换为对应的子向量；组合所述子向量得到所述样本对象的特征向量。
可选地，在本实施例中，上述将样本对象按照数据类型分别转换为对应的子向量可以但不限于：将样本对象中不同数据内容按照数据类型分别转换为对应不同的子向量。其中，样本对象的特征向量可以但不限于通过对上述子向量进行组合拼接得到。
具体结合附图6所示，对样本对象的标题、样本对象的摘要进行分词操作，得到对应分词，然后对分词进行词向量转换，得到标题子向量、摘要子向量；对样本对象中的数据进行关键词提取操作、分词操作，然后对所提取的关键词进行词向量转换，得到内容子向量；对样本对象执行交互操作的执行时刻进行转换，得到时间子向量；对交互操作的交互信息进行转换，得到交互信息子向量；对样本对象的标签进行转换，得到标签信息子向量。进一步，对上述子向量进行拼接组合，以得到该样本对象的特征向量。
可选地，在本实施例中，利用多个有序样本对象的特征向量，通过机器训练得到推送模型包括：将多个有序样本对象的特征向量依次导入推送模型，得到多个预测样本对象的特征向量；根据多个预测样本对象的特征向量依次获取多个特征向量误差，其中，特征向量误差用于指示预测样本对象的特征向量与下一个导入的样本对象的特征向量之间的误差；根据特征向量误差调整推送模型，以使训练得到的推送模型的特征向量误差小于第三阈值。
具体结合附图7所示进行说明，假设多个有序样本对象的特征向量依次为样本对象a至样本对象e。在本实施例中，将样本对象a的特征向量导入推送模型，得到预测样本对象a的特征向量；然后获取下一个导入的样本对象b的特征向量，并比对上述样本对象b的特征向量与预测样本对象a的特征向量二者之间的误差a，依次类推，假设直至获取到样本对象e对应的误差d。比对上述误差a至误差d，通过最小化误差函数来控制调整推送模型，如调整推送模型中的模型参数，以使训练得出的误差逐渐减小，当误差达到小于第三阈值的情况下，确定推送模型训练完成，可以应用于在数据显示过程中确定所要显示的目标对象。
作为一种可选的技术方案，根据预测对象特征向量确定更新后的目标对象，并在第一客户端中显示目标对象包括：
s1，获取与第一客户端匹配的数据对象库，其中，数据对象库中存储第一客户端所要显示的全部数据对象的特征向量；
s2，依次比对数据对象库中全部数据对象的特征向量与预测对象特征向量；
s3，根据比对的结果确定目标对象。
可选地，根据比对的结果确定目标对象包括：
s1，从全部数据对象的特征向量中，获取与预测对象特征向量相距的距离小于第一阈值的特征向量；
s2，将距离小于第一阈值的特征向量对应的数据对象确定为目标对象。
以如图3所示的预测对象特征向量与全部数据的对象特征向量比对过程为例进行说明，在获取到预测对象特征向量(如图3中所示的白色圆点)后，将预测对象特征向量与第一客户端所要显示的全部数据对象的特征向量(如图3中所示的黑色圆点)依次进行比对，取整个向量空间中和预测对象特征向量之间距离小于第一阈值的一个或多个数据对象的对象特征向量，相邻两个向量的距离可以用下述的欧式距离公式：
其中，xi表示预测对象特征向量x中第i维数据，yi表示数据对象库中的一特征向量y中第i维数据，d(x,y)用于表示预测对象特征向量x与一特征向量y之间的距离。
通过本发明实施例，依次比对数据对象库中全部数据对象的特征向量与预测对象特征向量，根据比对结果确定目标对象，实现了减少获取目标对象数据运算量的目的，提高了获取目标对象的准确性。
作为一种可选的技术方案，将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量包括：
s1，确定历史操作记录中用于导入推送模型的部分历史对象特征向量，其中，部分历史对象特征向量包括：在历史操作记录中，已执行且执行间隔小于第二阈值的连续n个交互操作所对应的n个历史对象特征向量，执行间隔为执行交互操作的执行时刻距当前时刻的时间间隔，n为自然数；
s2，将所确定的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量。
在具体的应用场景中，以用户阅读的新闻为例进行说明，如图4所示，向推送模块中输入用户阅读新闻的历史操作记录，其中，用户阅读新闻存在三条历史操作记录，即n＝3，其中该三条历史操作记录的执行间隔小于第二阈值，其中新闻样本的时间先后顺序依次为：用户阅读的新闻1，用户阅读的新闻2，用户阅读的新闻3。通过按照该三条历史操作记录的历史对象特征向量依次倒入推送模型，在将用户阅读的新闻3的历史对象特征向量输入到推送模块后，获取用户将要阅读的下一篇新闻的预测特征向量。
通过本实施例，将历史操作记录中的部分历史对象特征依次导入推送模型，得到预测对象特征向量，使得预测对象特征向量的准确性更高，并且减少了获取预测对象特征向量的数据运算量。
作为一种可选的技术方案，将所确定的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量包括：
s1，将n个历史对象特征向量依次导入推送模型，得到n个预测对象特征向量；
s2，按照执行时刻丢弃前n-1个预测对象特征向量，将第n个预测对象特征向量，作为推送模型所输出的用于确定目标对象的预测对象特征向量。
仍以上述用户阅读的新闻预测特征向量获取过程为例进行说明，如图5所示，其中，存在3条用户阅读的新闻1，2，3(即历史操作记录)对应的历史对象特征向量，即n＝3，其中新闻样本的时间先后顺序依次为：用户阅读的新闻1，用户阅读的新闻2，用户阅读的新闻3，将3个用户阅读的新闻对应的历史对象特征向量按照时间顺序导入推送模型，得到3个预测对象特征向量，根据用户阅读的新闻对应的时间丢弃前2个历史预测对象经过推送模型输出的预测对象特征向量，保留用户阅读的新闻2经过推送模型输出的隐藏状态，将用户阅读的新闻3的历史对象特征向量与用户阅读的新闻2的隐藏状态导入推送模型，将推送模型所输出的结果作为预测用户将阅读的下一篇新闻的预测对象特征向量。
通过本实施例，将所确定的部分历史对象特征向量依次导入推送模型，并将最新的历史对象特征向量输出的预测对象特征向量，作为将所确定的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，使得预测对象特征向量的准确性更高，并且减少了获取预测对象特征向量的数据运算量。
作为一种可选的技术方案，在获取数据更新指令之前，还包括：
s1，获取多个有序样本对象的特征向量；
s2，利用多个有序样本对象的特征向量，通过机器训练得到推送模型。
需要说明的是，在本实施例中，用于通过机器训练得到推送模型的特征向量，为多个有序样本对象的特征向量。也就是说，在训练过程中，样本对象将按照预定顺序依次导入推送模型进行训练，从而使得训练所得到的推送模型依赖于输入顺序，使得输入顺序对训练结果形成影响，进而实现在获取历史操作记录中所包含的历史对象后，可以依据其顺序预测出与最后一次执行交互操作的数据对象关联较大的预测对象，从而达到提高推送模型预测的准确性。
通过本申请提供的实施例，利用多个有序样本对象的特征向量，进行机器训练得到推送模型。从而使得上述推送模型可以输入顺序准确预测出预测对象，以便于提高获取所显示的目标对象准确性。进一步，训练得到准确性较高的推送模型，还将减少对所使用的推送模型的更换次数，进而保证使用推送模型确定的目标对象进行更新显示的实时性。
作为一种可选的技术方案，获取多个有序样本对象的特征向量包括：
s1，依次获取多个样本对象；
s2，对多个样本对象中的每个样本对象分别执行以下操作：
s21，获取样本对象中所包含的数据类型，其中，数据类型包括以下至少之一：样本对象的标题、样本对象的摘要、样本对象中的数据、样本对象执行交互操作的执行时刻、交互操作的交互信息、样本对象的标签；
s22，将样本对象按照数据类型分别转换为对应的子向量；
s23，组合子向量得到样本对象的特征向量。
可选地，在本实施例中，上述将样本对象按照数据类型分别转换为对应的子向量可以但不限于：将样本对象中不同数据内容按照数据类型分别转换为对应不同的子向量。其中，样本对象的特征向量可以但不限于通过对上述子向量进行组合拼接得到。
具体结合附图6所示，对样本对象的标题、样本对象的摘要进行分词操作，得到对应分词，然后对分词进行词向量转换，得到标题子向量、摘要子向量；对样本对象中的数据进行关键词提取操作、分词操作，然后对所提取的关键词进行词向量转换，得到内容子向量；对样本对象执行交互操作的执行时刻进行转换，得到时间子向量；对交互操作的交互信息进行转换，得到交互信息子向量；对样本对象的标签进行转换，得到标签信息子向量。进一步，对上述子向量进行拼接组合，以得到该样本对象的特征向量。
通过本申请提供的实施例，通过获取样本对象的数据内容按照不同数据类型分别转换为对应的子向量，以实现组合拼接得到样本对象的特征向量，从而使得样本对象的特征向量可以覆盖样本对象中的多个维度的数据，而不再仅限于对样本对象的统计量一个维度，以拓宽样本对象的覆盖范围，进而提高训练所得到的推送模型的覆盖范围，实现对冷门数据对象的推送启动。
作为一种可选的技术方案，利用多个有序样本对象的特征向量，通过机器训练得到推送模型包括：
s1，将多个有序样本对象的特征向量依次导入推送模型，得到多个预测样本对象的特征向量；
s2，根据多个预测样本对象的特征向量依次获取多个特征向量误差，其中，特征向量误差用于指示预测样本对象的特征向量与下一个导入的样本对象的特征向量之间的误差；
s3，根据特征向量误差调整推送模型，以使训练得到的推送模型的特征向量误差小于第三阈值。
具体结合附图7所示进行说明，假设多个有序样本对象的特征向量依次为样本对象a至样本对象e。在本实施例中，将样本对象a的特征向量导入推送模型，得到预测样本对象a的特征向量；然后获取下一个导入的样本对象b的特征向量，并比对上述样本对象b的特征向量与预测样本对象a的特征向量二者之间的误差a，依次类推，假设直至获取到样本对象e对应的误差d。比对上述误差a至误差d，通过最小化误差函数来控制调整推送模型，如调整推送模型中的模型参数，以使训练得出的误差逐渐减小，当误差达到小于第三阈值的情况下，确定推送模型训练完成，可以应用于在数据显示过程中确定所要显示的目标对象。
通过本申请提供的实施例，通过将多个有序样本对象的特征向量，和与其输出的多个预测样本对象的特征向量进行比对，获取向量之间的误差，从而达到简化训练步骤，提高模型训练效率的目的。
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，本发明并不受所描述的动作顺序的限制，因为依据本发明，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发明所必须的。
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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例，还提供了一种用于实施上述数据显示方法的数据显示装置，如图8所示，该装置包括：
1)第一获取单元802，用于获取数据更新指令，其中，数据更新指令用于更新第一客户端上所显示的数据对象；
2)响应单元804，用于响应数据更新指令获取第一客户端的历史操作记录，其中，历史操作记录中包括：根据第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；
3)第一处理单元806，用于将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，推送模型利用多个有序样本对象的特征向量通过机器训练得到；
4)显示单元808，用于根据预测对象特征向量确定更新后的目标对象，并在第一客户端中显示目标对象。
可选地，在本实施例中，上述数据显示装置可以但不限于应用于数据显示过程中，其中，上述数据显示装置可以包括但不限于应用于新闻应用、社交应用以及其他具备浏览功能的应用中，以实现根据操作浏览记录来显示用户感兴趣的目标对象。上述数据更新指令可以包括但不限于：对浏览界面执行刷新操作所生成的刷新指令，执行登录操作所生的操作指令、对相应的内容进行评论及其他互动操作所生成的操作指令，等等。例如，假设上述数据显示装置以数据为新闻内容，第一客户端获取数据更新指令，并响应该数据更新指令获取第一客户端的历史操作记录(如用户浏览的新闻类别、浏览时间、浏览内容、评论、点赞等)，将历史操作记录中的部分历史对象特征向量(如用户浏览的新闻类别的向量、浏览内容向量等)依次导入推送模型，获取预测对象特征向量，根据预测对象特征向量确定更新后的目标对象(如预测用户感兴趣的新闻类别、新闻内容等)，并在第一客户端中显示目标对象。上述仅是一种示例，本实施例中对此不做任何限定。
其中，在上述数据显示装置中确定出的更新后的目标对象，可以包括一个目标对象，也可以是多个目标对象。以上述数据显示装置以数据为新闻内容中为例进行说明，确定更新后的目标对象为具体的新闻内容，可以是一条新闻内容，也可以是多条新闻内容，具体的可以根据实际经验进行设置，在此不做任何限定。
需要说明的是，在获取数据更新指令之后，其中，数据更新指令用于更新第一客户端上所显示的数据对象；响应数据更新指令获取第一客户端的历史操作记录，其中，历史操作记录中包括：根据第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，推送模型利用多个有序样本对象的特征向量通过机器训练得到；根据预测对象特征向量确定更新后的目标对象，并在第一客户端中显示目标对象，通过根据第一客户端的历史操作记录中的历史对象特征向量，将历史特征向量依次倒入推送模型得到预测对象特征向量，根据预测对象特征向量确定更新后的目标对象，达到了在不需要频繁更新推送模型的情况下减少了数据的运算量的目的，从而实现了更新后的目标对象更能满足用户需求，减少数据显示所需时长的技术效果，进而解决了相关技术中存在的显示实时性较差的技术问题。
可选地，在本实施例中，根据预测对象特征向量确定更新后的目标对象包括但不限于：获取与第一客户端匹配的数据对象库，其中，数据对象库中存储第一客户端所要显示的全部数据对象的特征向量；依次比对数据对象库中全部数据对象的特征向量与预测对象特征向量；根据比对的结果确定目标对象。
可选地，在本实施例中，根据比对的结果确定目标对象包括但不限于：从全部数据对象的特征向量中，获取与预测对象特征向量相距的距离小于第一阈值的特征向量；将距离小于第一阈值的特征向量对应的数据对象确定为目标对象。
在具体的应用场景中，如图3所示，在获取到预测对象特征向量(白色圆点)后，将预测对象特征向量与第一客户端所要显示的全部数据对象的特征向量(黑色圆点)依次进行比对，取整个向量空间中和预测对象特征向量距离小于第一阈值的一个或多个数据对象的对象特征向量，相邻两个向量的距离可以用下述的欧式距离公式：
其中，xi表示预测对象特征向量x中第i维数据，yi表示数据对象库中的一特征向量y中第i维数据，d(x,y)用于表示预测对象特征向量x与一特征向量y之间的距离。
可选地，在本实施例中，将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量包括但不限于：确定历史操作记录中用于导入推送模型的部分历史对象特征向量，其中，部分历史对象特征向量包括：在历史操作记录中，已执行且执行间隔小于第二阈值的连续n个交互操作所对应的n个历史对象特征向量，执行间隔为执行交互操作的执行时刻距当前时刻的时间间隔，n为自然数；将所确定的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量。
在具体的应用场景中，将历史操作记录中的部分历史对象特征向量依次倒入推送模块，通常根据历史对象特征向量所对象的历史操作记录的时间顺序，一般是从距离当前时间最远到距离当前时间最近的顺序。按照时间顺序依次导入推送模型中，获取预测对象特征向量，以用户阅读的新闻为例进行说明，如图4所示，向推送模块中输入用户阅读新闻的历史操作记录，其中，用户阅读新闻存在三条历史操作记录，即n＝3，其中该三条历史操作记录的执行间隔小于第二阈值，其中新闻样本的时间先后顺序依次为用户阅读的新闻1，用户阅读的新闻2，用户阅读的新闻3。通过按照该三条历史操作记录的历史对象特征向量依次倒入推送模型，在将用户阅读的新闻3的历史对象特征向量输入到推送模块后，获取用户将要阅读的下一篇新闻的预测特征向量。
可选地，在本实施例中，将所确定的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量包括：将n个历史对象特征向量依次导入推送模型，得到n个预测对象特征向量；按照执行时刻丢弃前n-1个预测对象特征向量，将第n个预测对象特征向量，作为推送模型所输出的用于确定目标对象的预测对象特征向量。以数据为用户阅读资讯为例进行说明，其中用户历史操作记录为待输入的样本，其中n＝3，将该历史对象特征向量(用户阅读的资讯)按照时间顺序依次倒入推送模型，推送模型中第一次及第二次运行结果中的预测结果被丢弃，仅保留隐藏状态(用于指示之前操作的操作状态)。将第二次运行输出的隐藏状态与第三次历史对象特征向量输入模型，得到最终的预测对象特征向量。
需要说明的是，在本实施例中，上述历史对象特征向量可以但不限于：在获取数据更新指令之前，第一客户端根据已执行的历史交互操作对应的历史操作记录生成。其中，上述历史操作记录可以但不限于为离线历史操作记录，对应的推送模型则为离线训练得到，上述历史操作记录也可以但不限于为在线历史操作记录，对应的推送模型则为在线训练得到。其中，历史对象特征向量可以但不限于对历史交互操作中的对象(如历史阅读过的新闻)进行特征提取，以得到该对象对应的历史对象特征向量。
仍以上述用户阅读的新闻预测特征向量获取过程为例进行说明，如图5所示，其中，存在3条用户阅读的新闻1，2，3(即历史操作记录)对应的历史对象特征向量，即n＝3，其中新闻样本的时间先后顺序依次为用户阅读的新闻1，用户阅读的新闻2，用户阅读的新闻3，将3个用户阅读的新闻对应的历史对象特征向量按照时间顺序导入推送模型，得到3个预测对象特征向量，根据用户阅读的新闻对应的时间丢弃前2个历史预测对象经过推送模型输出的预测对象特征向量，保留用户阅读的新闻2经过推送模型输出的隐藏状态，将用户阅读的新闻3的历史对象特征向量与用户阅读的新闻2的隐藏状态导入推送模型，将推送模型所输出的结果作为预测用户将阅读的下一篇新闻的预测对象特征向量。
可选地，在本实施例中，在获取数据更新指令之前，还包括：获取多个有序样本对象的特征向量；利用多个有序样本对象的特征向量，通过机器训练得到推送模型。在具体的应用场景中，针对不同的样本数据库会存在不同的推送模型，推送模型通常是通过多个有序样本对象的特征向量，例如存在时间顺序的样本对象，通过机器训练得到推送模型(例如经过训练的神经网络)。
需要说明的是，在本实施例中，用于通过机器训练得到推送模型的特征向量，为多个有序样本对象的特征向量。也就是说，在训练过程中，样本对象将按照预定顺序依次导入推送模型进行训练，从而使得训练所得到的推送模型依赖于输入顺序，使得输入顺序对训练结果形成影响，进而实现在获取历史操作记录中所包含的历史对象后，可以依据其顺序预测出与最后一次执行交互操作的数据对象关联较大的预测对象，从而达到提高推送模型预测的准确性。
可选地，在本实施例中，获取多个有序样本对象的特征向量包括但不限于：依次获取多个样本对象；对多个样本对象中的每个样本对象分别执行以下操作：获取样本对象中所包含的数据类型，其中，数据类型包括以下至少之一：样本对象的标题、样本对象的摘要、样本对象中的数据、样本对象执行交互操作的执行时刻、交互操作的交互信息、样本对象的标签；将样本对象按照数据类型分别转换为对应的子向量；组合所述子向量得到所述样本对象的特征向量。
可选地，在本实施例中，上述将样本对象按照数据类型分别转换为对应的子向量可以但不限于：将样本对象中不同数据内容按照数据类型分别转换为对应不同的子向量。其中，样本对象的特征向量可以但不限于通过对上述子向量进行组合拼接得到。
具体结合附图6所示，对样本对象的标题、样本对象的摘要进行分词操作，得到对应分词，然后对分词进行词向量转换，得到标题子向量、摘要子向量；对样本对象中的数据进行关键词提取操作、分词操作，然后对所提取的关键词进行词向量转换，得到内容子向量；对样本对象执行交互操作的执行时刻进行转换，得到时间子向量；对交互操作的交互信息进行转换，得到交互信息子向量；对样本对象的标签进行转换，得到标签信息子向量。进一步，对上述子向量进行拼接组合，以得到该样本对象的特征向量。
可选地，在本实施例中，利用多个有序样本对象的特征向量，通过机器训练得到推送模型包括：将多个有序样本对象的特征向量依次导入推送模型，得到多个预测样本对象的特征向量；根据多个预测样本对象的特征向量依次获取多个特征向量误差，其中，特征向量误差用于指示预测样本对象的特征向量与下一个导入的样本对象的特征向量之间的误差；根据特征向量误差调整推送模型，以使训练得到的推送模型的特征向量误差小于第三阈值。
具体结合附图7所示进行说明，假设多个有序样本对象的特征向量依次为样本对象a至样本对象e。在本实施例中，将样本对象a的特征向量导入推送模型，得到预测样本对象a的特征向量；然后获取下一个导入的样本对象b的特征向量，并比对上述样本对象b的特征向量与预测样本对象a的特征向量二者之间的误差a，依次类推，假设直至获取到样本对象e对应的误差d。比对上述误差a至误差d，通过最小化误差函数来控制调整推送模型，如调整推送模型中的模型参数，以使训练得出的误差逐渐减小，当误差达到小于第三阈值的情况下，确定推送模型训练完成，可以应用于在数据显示过程中确定所要显示的目标对象。
作为一种可选的技术方案，显示单元808包括：
1)第一获取模块，用于获取与第一客户端匹配的数据对象库，其中，数据对象库中存储第一客户端所要显示的全部数据对象的特征向量；
2)判断模块，用于依次比对数据对象库中全部数据对象的特征向量与预测对象特征向量；
3)第一确定模块，用于根据比对的结果确定目标对象。
可选地，上述第一确定模块包括：
第一获取子模块，用于从全部数据对象的特征向量中，获取与预测对象特征向量相距的距离小于第一阈值的特征向量；
第一确定子模块，用于将距离小于第一阈值的特征向量对应的数据对象确定为目标对象。
以如图3所示的预测对象特征向量与全部数据的对象特征向量比对过程为例进行说明，在获取到预测对象特征向量(如图3中所示的白色圆点)后，将预测对象特征向量与第一客户端所要显示的全部数据对象的特征向量(如图3中所示的黑色圆点)依次进行比对，取整个向量空间中和预测对象特征向量之间距离小于第一阈值的一个或多个数据对象的对象特征向量，相邻两个向量的距离可以用下述的欧式距离公式：
其中，xi表示预测对象特征向量x中第i维数据，yi表示数据对象库中的一特征向量y中第i维数据，d(x,y)用于表示预测对象特征向量x与一特征向量y之间的距离。
通过本发明实施例，依次比对数据对象库中全部数据对象的特征向量与预测对象特征向量，根据比对结果确定目标对象，实现了减少获取目标对象数据运算量的目的，提高了获取目标对象的准确性。
作为一种可选的技术方案，第一处理单元806包括：
1)第二确定模块，用于确定历史操作记录中用于导入推送模型的部分历史对象特征向量，其中，部分历史对象特征向量包括：在历史操作记录中，已执行且执行间隔小于第二阈值的连续n个交互操作所对应的n个历史对象特征向量，执行间隔为执行交互操作的执行时刻距当前时刻的时间间隔，n为自然数；
2)第一处理模块，用于将所确定的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量。
在具体的应用场景中，以用户阅读的新闻为例进行说明，如图4所示，向推送模块中输入用户阅读新闻的历史操作记录，其中，用户阅读新闻存在三条历史操作记录，即n＝3，其中该三条历史操作记录的执行间隔小于第二阈值，其中新闻样本的时间先后顺序依次为：用户阅读的新闻1，用户阅读的新闻2，用户阅读的新闻3。通过按照该三条历史操作记录的历史对象特征向量依次倒入推送模型，在将用户阅读的新闻3的历史对象特征向量输入到推送模块后，获取用户将要阅读的下一篇新闻的预测特征向量。
通过本实施例，将历史操作记录中的部分历史对象特征依次导入推送模型，得到预测对象特征向量，使得预测对象特征向量的准确性更高，并且减少了获取预测对象特征向量的数据运算量。
作为一种可选的技术方案，第一处理模块包括：
1)第一处理子模块，用于将n个历史对象特征向量依次导入推送模型，得到n个预测对象特征向量；
2)第二处理子模块，用于按照执行时刻丢弃前n-1个预测对象特征向量，将第n个预测对象特征向量，作为推送模型所输出的用于确定目标对象的预测对象特征向量。
在具体的应用场景中，以用户阅读的新闻为例进行说明，如图4所示，向推送模块中输入用户阅读新闻的历史操作记录，其中，用户阅读新闻存在三条历史操作记录，即n＝3，其中该三条历史操作记录的执行间隔小于第二阈值，其中新闻样本的时间先后顺序依次为：用户阅读的新闻1，用户阅读的新闻2，用户阅读的新闻3。通过按照该三条历史操作记录的历史对象特征向量依次倒入推送模型，在将用户阅读的新闻3的历史对象特征向量输入到推送模块后，获取用户将要阅读的下一篇新闻的预测特征向量。
通过本实施例，将历史操作记录中的部分历史对象特征依次导入推送模型，得到预测对象特征向量，使得预测对象特征向量的准确性更高，并且减少了获取预测对象特征向量的数据运算量。
作为一种可选的技术方案，上述数据显示装置还包括：
1)第二获取单元，用于在获取数据更新指令之前，获取多个有序样本对象的特征向量；
2)第二处理单元，用于利用多个有序样本对象的特征向量，通过机器训练得到推送模型。
需要说明的是，在本实施例中，用于通过机器训练得到推送模型的特征向量，为多个有序样本对象的特征向量。也就是说，在训练过程中，样本对象将按照预定顺序依次导入推送模型进行训练，从而使得训练所得到的推送模型依赖于输入顺序，使得输入顺序对训练结果形成影响，进而实现在获取历史操作记录中所包含的历史对象后，可以依据其顺序预测出与最后一次执行交互操作的数据对象关联较大的预测对象，从而达到提高推送模型预测的准确性。
通过本申请提供的实施例，利用多个有序样本对象的特征向量，进行机器训练得到推送模型。从而使得上述推送模型可以输入顺序准确预测出预测对象，以便于提高获取所显示的目标对象准确性。进一步，训练得到准确性较高的推送模型，还将减少对所使用的推送模型的更换次数，进而保证使用推送模型确定的目标对象进行更新显示的实时性。
作为一种可选的技术方案，第二获取单元包括：
1)第二获取模块，用于依次获取多个样本对象；
2)第二处理模块，用于对多个样本对象中的每个样本对象分别执行以下操作：
s1，获取样本对象中所包含的数据类型，其中，数据类型包括以下至少之一：样本对象的标题、样本对象的摘要、样本对象中的数据、样本对象执行交互操作的执行时刻、交互操作的交互信息、样本对象的标签；
s2，将样本对象按照数据类型分别转换为对应的子向量；
s3，组合子向量得到样本对象的特征向量。
可选地，在本实施例中，上述将样本对象按照数据类型分别转换为对应的子向量可以但不限于：将样本对象中不同数据内容按照数据类型分别转换为对应不同的子向量。其中，样本对象的特征向量可以但不限于通过对上述子向量进行组合拼接得到。
具体结合附图6所示，对样本对象的标题、样本对象的摘要进行分词操作，得到对应分词，然后对分词进行词向量转换，得到标题子向量、摘要子向量；对样本对象中的数据进行关键词提取操作、分词操作，然后对所提取的关键词进行词向量转换，得到内容子向量；对样本对象执行交互操作的执行时刻进行转换，得到时间子向量；对交互操作的交互信息进行转换，得到交互信息子向量；对样本对象的标签进行转换，得到标签信息子向量。进一步，对上述子向量进行拼接组合，以得到该样本对象的特征向量。
通过本申请提供的实施例，通过获取样本对象的数据内容按照不同数据类型分别转换为对应的子向量，以实现组合拼接得到样本对象的特征向量，从而使得样本对象的特征向量可以覆盖样本对象中的多个维度的数据，而不再仅限于对样本对象的统计量一个维度，以拓宽样本对象的覆盖范围，进而提高训练所得到的推送模型的覆盖范围，实现对冷门数据对象的推送启动。
作为一种可选的技术方案，第二处理单元包括：
1)第三处理模块，用于将多个有序样本对象的特征向量依次导入推送模型，得到多个预测样本对象的特征向量；
2)第三获取模块，用于根据多个预测样本对象的特征向量依次获取多个特征向量误差，其中，特征向量误差用于指示预测样本对象的特征向量与下一个导入的样本对象的特征向量之间的误差；
3)第四处理模块，用于根据特征向量误差调整推送模型，以使训练得到的推送模型的特征向量误差小于第三阈值。
具体结合附图7所示进行说明，假设多个有序样本对象的特征向量依次为样本对象a至样本对象e。在本实施例中，将样本对象a的特征向量导入推送模型，得到预测样本对象a的特征向量；然后获取下一个导入的样本对象b的特征向量，并比对上述样本对象b的特征向量与预测样本对象a的特征向量二者之间的误差a，依次类推，假设直至获取到样本对象e对应的误差d。比对上述误差a至误差d，通过最小化误差函数来控制调整推送模型，如调整推送模型中的模型参数，以使训练得出的误差逐渐减小，当误差达到小于第三阈值的情况下，确定推送模型训练完成，可以应用于在数据显示过程中确定所要显示的目标对象。
通过本申请提供的实施例，通过将多个有序样本对象的特征向量，和与其输出的多个预测样本对象的特征向量进行比对，获取向量之间的误差，从而达到简化训练步骤，提高模型训练效率的目的。
根据本发明实施例的又一个方面，还提供了一种用于实施上述数据显示方法的电子装置，如图9所示，该电子装置包括：一个或多个(图中仅示出一个)处理器902、存储器904、显示器906、用户接口908、传输装置910。其中，存储器904可用于存储软件程序以及模块，如本发明实施例中的数据显示方法和装置对应的程序指令/模块，处理器902通过运行存储在存储器904内的软件程序以及模块，从而执行各种功能应用以及数据处理，实现上述的数据显示方法。存储器904可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器904可进一步包括相对于处理器902远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置910用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置910包括一个网络适配器(networkinterfacecontroller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置910为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。
其中，具体地，存储器904用于存储数据对象已执行的交互操作的操作记录和所生成的对象特征向量及所显示的对象的对象信息等等。其中，显示器906可以但不限于用于显示目标对象。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图9所示的结构仅为示意，电子装置也可以是智能手机(如android手机、ios手机等)、平板电脑、掌声电脑以及移动互联网设备(mobileinternetdevices，mid)、pad等终端设备。图9其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图9中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图9所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。
本发明实施例的又一方面，还提供了一种存储介质，可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
s1，获取数据更新指令，其中，数据更新指令用于更新第一客户端上所显示的数据对象；
s2，响应数据更新指令获取第一客户端的历史操作记录，其中，历史操作记录中包括：根据第一客户端中所包含的数据对象已执行的交互操作，而生成的历史对象特征向量；
s3，将历史操作记录中的部分历史对象特征向量依次导入推送模型，得到预测对象特征向量，其中，推送模型利用多个有序样本对象的特征向量通过机器训练得到；
s4，根据预测对象特征向量确定更新后的目标对象，并在第一客户端中显示目标对象。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。