本公开涉及计算机技术领域，尤其涉及一种产品推荐方法及装置。
背景技术：
通过个性化教育，有的放矢来提升学生学习效果一直是学校追求的目标。在大数据、云计算盛行的互联网时代，推荐引擎早已是国内外最受欢迎的技术之一。著名的电商网站亚马逊的ceo杰夫·贝索斯曾经说过，他的梦想是“如果我有100万个用户，我就要为他们做100万个亚马逊网站”。目前亚马逊30％～40％流量都来自推荐引擎，国内的今日头条，通过千人千面的个性化推荐技术也获得了良好的口碑，新浪、qq也在推荐的路上坚持不懈，智能推荐越来越成为企业运营中重要的环节。
随着智能手机的普及，移动互联网和传统互联网一样流行，成为很多人学习的渠道。在线教育行业中，随着课程资源的逐渐丰富，用户对精准资源的选择越来越困难，而每一个学生都是独一无二的，为了解决这种资源和具有独立个性的学生之间匹配的问题，目前已经出现了基于数据挖掘算法的推荐方法，如协同过滤算法(cf，collaborativefiltering)的个性化推荐教学辅助系统，从一定程度上解决了传统教学平台以自身为中心，没有充分考虑到用户的个性化需求，造成了题目和用户能力不符，交互性差，学习效果不明显等诸多问题，从而可以针对每一个系统用户因材施教，提供比较符合用户需求的资源。
协同过滤技术是目前推荐系统中应用最为常用的技术。其中协同两字说明协同过滤算法的主要思想是基于一组兴趣相同的用户进行推荐。协同过滤基于这样的假设：为用户找到他真正感兴趣的内容的好方法是，首先找与他兴趣相似的用户，然后将这些用户感兴趣的内容推荐给此用户。协同过滤的基本思路如图1所示，其过程如下：
步骤一，收集可以代表用户兴趣的信息。比如收集用户对阅读内容的点击、打分、评论等信息；
步骤二，最近邻搜索。协同过滤的出发点是发现与用户兴趣相同的另一组用户，术语叫做"最近邻"。最近邻搜索的核心是计算两个用户的相似度。例如用户a和用户b，首先需要获取用户a和用户b所有的评分项，然后选择一个合适的相似度计算方法，基于评分项数据，计算得到用户a和用户b的相似度数值。目前使用比较多的相似度算法包括，皮尔森相关系数(personcorrelationcoefficient)、余弦相似性(cosine-basedsimilarity)以及调整余弦相似性(adjustedcosinesimilarity)。具体实现过程中，会根据数据集的不同特征选择不同的相似度算法；
步骤三，生成推荐结果。有了最近邻集合，就可以对目标用户的兴趣进行预测，生成推荐结果。通常根据推荐目的的不同，可以进行多种形式的推荐。常见的有top-n推荐，即推荐前n个结果进行推荐。
上述方法在互联网电商行业有了很多应用，但仍存在一些不足。比如：1)资源稀疏性问题：即由于内容资源非常丰富，单个用户对内容的评价或阅读量非常稀疏，这样的数据所得到的用户间的相似性可能不准确；2)资源初始评价问题：如果一个内容资源从来没有用户阅读或评价过，则这个内容资源就不可能被推荐；3)内容自适应问题：由于协同过滤模型不可能做到实时更新，当前的推荐系统没有考虑到用户当前最近可能发生的变化，故推荐的内容有可能会发生较大的偏差。
技术实现要素：
有鉴于此，本公开提出了一种产品推荐方法和装置。
根据本公开的一方面，提供了一种产品推荐方法，包括:
确定用户感兴趣的产品；
获取产品的动态属性数据及产品的静态属性数据；
根据所述动态属性数据和静态属性数据，生成与所述用户感兴趣的产品相关联的目标产品；
推荐所述目标产品，使得所述目标产品通过终端界面显示出来。
在一种可能的实现方式中，根据所述动态属性数据和静态属性数据，生成与所述用户感兴趣的产品相关联的目标产品，包括：
根据所述动态属性数据，通过关联规则的方法，生成与所述用户感兴趣的产品相关联的第一目标产品；
根据所述动态属性数据和静态属性数据，建立所述用户感兴趣的产品和/或第一目标产品的内容画像；
通过所述内容画像生成与所述用户感兴趣的产品和第一目标产品相关联的第二目标产品，所述目标产品包括第一目标产品和第二目标产品。
在一种可能的实现方式中，根据所述动态属性数据和静态属性数据，建立所述用户感兴趣的产品和第一目标产品的内容画像，包括：
根据所述动态属性数据和静态属性数据，为所述产品建立多个标签，所述标签用于描述产品内容的资源信息。
在一种可能的实现方式中，通过所述内容画像生成与所述用户感兴趣的产品和第一目标产品相关联的第二目标产品，包括：
获取所述用户感兴趣的产品和第一目标产品的标签，通过将所述标签与其他产品的标签进行匹配，确定相关联的第二目标产品。
在一种可能的实现方式中，所述方法还包括：获取用户的当前的特征信息，其中，所述特征信息包括所述用户的基本信息和/或使用行为信息，更新与所述用户感兴趣的产品相关联的目标产品。
根据本公开的另一方面，提供了一种产品推荐装置，包括：判断模块，用于确定用户感兴趣的产品；
第一获取模块，用于获取产品的动态属性数据及产品的静态属性数据；
生成模块，用于根据所述动态属性数据和静态属性数据，生成与所述用户感兴趣的产品相关联的目标产品；
推荐模块，用于将所述目标产品通过终端界面显示出来。
在一种可能的实现方式中，所述生成模块包括：第一生成子模块和第二生成子模块，
第一生成子模块，用于根据所述动态属性数据，通过关联规则的方法，生成与所述用户感兴趣的产品相关联的第一目标产品；
第二生成子模块，用于根据所述动态属性数据和静态属性数据，建立所述用户感兴趣的产品和第一目标产品的内容画像，通过所述内容画像生成与所述用户感兴趣的产品和/或第一目标产品相关联的第二目标产品，所述目标产品包括第一目标产品和第二目标产品。
在一种可能的实现方式中，根据所述动态属性数据和静态属性数据，建立所述用户感兴趣的产品和第一目标产品的内容画像，包括：
根据所述动态属性数据和静态属性数据，为所述产品建立多个标签，所述标签用于描述产品内容的资源信息。
在一种可能的实现方式中，通过所述内容画像生成与所述用户感兴趣的产品和第一目标产品相关联的第二目标产品，包括：
获取所述用户感兴趣的产品和第一目标产品的标签，通过将所述标签与其他产品的标签进行匹配，确定相关联的第二目标产品。
在一种可能的实现方式中，所述装置还包括：第二获取模块，
第二获取模块，用于获取用户的当前的特征信息，其中，所述特征信息包括所述用户的基本信息和/或使用行为信息，更新与所述用户感兴趣的产品相关联的目标产品。
根据本公开的另一方面，提供了一种产品推荐装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
本公开通过将两种推荐方法，即基于产品动态属性数据的推荐方法和基于产品静态属性的推荐方法相融合，弥补了单纯依靠产品的动态属性数据的推荐方法中的资源稀疏性和资源初始评价的不足，使得推荐的内容更为全面和准确；通过获取用户的基本信息和/或使用行为信息，对推荐结果进行重新处理，给用户更多样化的选择，用户感觉更加贴心，推荐更为准确和智能化。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1是示出了现有技术的一种系统构架图。
图2是根据一示例性实施例示出的一种产品推荐方法的流程图。
图3是根据一示例性实施例示出的一种产品推荐方法的流程图。
图4根据一示例性实施例示出的关联规则中事务集的原理图。
图5示根据一示例性实施例示出的建立内容画像方法的流程图。
图6是根据一示例性实施例示出的一种产品推荐方法的流程图。
图7是根据一示例性实施例示出的更新目标产品的原理图。
图8是根据一示例性实施例示出的一种产品推荐装置的框图。
图9是根据一示例性实施例示出的一种产品推荐装置的框图。
图10是根据一示例性实施例示出的一种产品推荐装置的框图。
图11是根据一示例性实施例示出的一种产品推荐装置的框图。
图12是根据一示例性实施例示出的一种产品推荐装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图2是根据一示例性实施例示出的一种产品推荐方法的流程图，该方法可以用于终端设备中，如图2所示，所述方法包括以下步骤：
在步骤s11中，确定用户感兴趣的产品。
用户感兴趣的产品，可以从用户对产品内容的阅读情况进行获取，比如用户经常浏览关注的一类产品，或者采集用户对内容阅读后的打分、评价、分享等行为，根据用户对某一类产品的行为动作的频繁度，确定用户感兴趣的产品种类。这样，当用户登录终端时，根据用户的前期行为数据，就可以确定其感兴趣产品或内容。
在步骤s12中，获取产品的动态属性数据及产品的静态属性数据。
产品的动态属性数据可以是指不同用户对产品内容的各种行为数据，而这里的用户指的是所有的使用者，其中，行为数据可以是：用户阅读行为，如阅读的内容、阅读的时间、阅读的渠道(如，手机、电脑、平板电脑等)；用户的对产品的点击、关注、分享等行为；及用户的购买、评价等行为。
产品的静态属性数据可以是指产品内容的固有的信息数据，产生以后，便不会发生变化，比如内容摘要、作者、资源类型、出版信息时间、出版人等。
可以将产品的动态属性数据和静态属性数据存储至数据库，通过访问数据库获取上述数据。
在步骤s13中，根据所述动态属性数据和静态属性数据，生成与所述用户感兴趣的产品相关联的目标产品。
由于产品的动态属性数据和静态属性数据来源较广，在使用前可以先对这些数据进行预处理工作，包括数据清洗标准化、数据的降维、主成成分分析以及字段衍生等。
根据产品的动态属性数据，即用户对产品的阅读、关注、购买评价等行为，找到兴趣相同或相近的用户，在这些兴趣相同或相近的用户中，将其感兴趣的产品相关联的目标产品互相推荐。根据产品的静态属性数据，即产品的内容摘要、作者、资源类型等，找到与用户感兴趣的产品静态属性上相关联的目标产品，比如内容摘要相似或作者相同，将其推荐给用户。在基于产品静态属性数据的推荐方法中，即使某一类产品的用户评价不是很多或者没有被评价过或者评价准确度不高，也不会影响其关联产品的准确性，这是因为产品的静态属性是产品客观存在的内容，不包括用户对其的动态操作行为，也就不包括评价行为。
在步骤s14中，推荐所述目标产品，使得所述目标产品通过终端界面显示出来。
在步骤s13的基础上，找到了与所述用户感兴趣的产品相关联的目标产品，通过终端界面显示出来，可以是按照相关度的高低、作者、出版时间等任何一种参数排序进行显示，也可以是通过浮动窗口或弹出窗口进行显示。
进一步的，可以追踪用户对这些推荐产品的使用情况，比如，用户对推荐产品的点击、阅读、购买等，即用户对推荐产品的动态行为，将这些动态行为进行记录、收集，形成新的动态属性数据，进而对数据库内容进行更新。
本公开通过将两种推荐方法即基于产品动态属性数据的推荐方法和基于产品静态属性的推荐方法相融合，弥补了单纯依靠产品的动态属性数据的推荐方法中的资源稀疏性和资源初始评价的不足，使得推荐的内容更为全面和准确。
图3是根据一示例性实施例示出的一种产品推荐方法的流程图，如图3所示，与上述方法不同的是，步骤s13包括以下步骤：
在步骤s131中，根据所述动态属性数据，通过关联规则的方法，生成与所述用户感兴趣的产品相关联的第一目标产品。
关联规则，又称作购物篮分析，是一种数据挖掘算法，沃尔玛“啤酒和尿布”的故事是其经典的应用场景之一。在机器学习中，关联规则属于无监督学习的范畴，是一种描述性数据挖掘算法。将关联规则应用到本方案中，每个用户每次通过一种渠道、在一次学习过程中阅读、购买的动态属性数据作为一次“购物篮交易”，即一个事务样本，所有的事务样本组成事务数据集合，简称事务集。在这里，关联规则的应用即使找出符合一定支持度和置信度的、频繁一起出现的内容资源的组合，也就是频繁项集。比如，产品a、产品b和产品c经常一起出现，则认为这三种产品之间有一定的关联。其关联强度可以通过支持度和置信度来衡量。在本公开中，关联规则的支持度和置信度定义如下：
支持度：所有学习过程中包含产品a的内容的概率，即p(a)。
置信度：包含产品a的学习过程中也包含产品b的条件概率，即p(b|a)。
在关联规则的建立过程中，产品组合需要同时满足高于最小支持度和最小置信度的条件，组合的产品之间才具有较强的关联性。最小支持度和最小置信度可以根据实际需要进行设置。
图4示出了关联规则中事务集的原理图。如图4所示，左侧椭圆形状表示学习了产品a的过程集合，右侧椭圆形状表示学习了产品b的过程集合，相交叉重叠的部分表示两者都学习的过程集合。图4展示了两个内容的事务集，可以根据支持度和置信度的要求，递推到三项、四项及更多事务集的内容组合。
根据所述动态属性数据，如学习产品a的过程，学习产品b的过程，通过关联规则的方法，找出产品a和产品b的关联度，如产品a和产品b满足了高于最小支持度和最小置信度的条件，则产品b为产品a的高关联产品，如果用户对产品a感兴趣的话，根据关联规则，可以把产品b推荐给该用户。
关联规则的好处是，可以从两种不同类型的产品上找出它们的关联性，比如沃尔玛“啤酒和尿布”的故事，人们发现用户在购买尿布的同时，同时购买了啤酒现象经常出现，于是，沃尔玛在尿布货架的旁边放置了尿布货架。啤酒和尿布属于两种不同类型的产品，基于用户购买这一动态属性数据，通过关联规则，挖掘了两种产品具有较高的关联性，从而将产品啤酒列为产品尿布的关联产品。因此，基于动态属性数据的关联规则推荐方法，可以从不同类型的产品中找到相关联的产品，生成推荐的第一目标产品，提高了推荐的全面性。
在步骤s132中，根据所述动态属性数据和静态属性数据，建立所述用户感兴趣的产品和第一目标产品的内容画像。
内容画像指的可以是对产品内容资源的描述。体现了产品在内容资源上的关联度，可以从用户对产品内容的评价、阅读、点击等动态属性数据描述产品的内容资源，也可根据产品的内容摘要、作者、出版等静态属性数据，描述产品的内容资源。
分别对用户感兴趣的产品以及步骤s131生成的第一目标产品进行内容资源的描述，建立各自的资源描述信息。
在步骤s133中，通过所述内容画像生成与所述用户感兴趣的产品和/或第一目标产品相关联的第二目标产品，所述目标产品包括第一目标产品和第二目标产品。
根据用户感兴趣的产品的资源描述信息，搜索其他相同或近似的资源描述信息，将其他相同或近似的资源描述信息对应的产品作为其第二目标产品；根据步骤s131生成的第一目标产品的资源描述信息，搜索其他相同或近似的资源描述信息，将其他相同或近似的资源描述信息对应的产品作为其第二目标产品。
基于动态属性数据和静态属性数据内容画像推荐方法，从产品的内容出发，根据同类产品内容上关联性，推荐同一类产品中内容相关联的产品，与“步骤s131中，基于动态属性数据的关联规则推荐方法，可以从不同类型的产品中找到相关联的产品。”的内容相互补充，相互促进，进一步提高了推荐产品的全面性。
在一种可能的实现方式中，步骤s132中，根据所述动态属性数据和静态属性数据，建立所述用户感兴趣的产品和第一目标产品的内容画像，包括：
根据所述动态属性数据和静态属性数据，为所述产品建立多个标签，所述标签用于描述产品内容资源信息。
图5示根据一示例性实施例示出的建立内容画像方法的流程图。如图5所示，内容画像是对内容资源的标签化。包括：对产品的动态属性数据和静态属性数据进行整合、处理，为产品建立多个标签，所属标签是用简短的语言表示产品内容资源的特征信息。比如，如某个产品内容属于“课后提高”类，适合“小学”内容，阅读非常高的“高阅读”等等。则“课后提高”、“小学”“高阅读”成为该产品的标签。因此，标签化是一种内容资源的数字化处理的过程。
在一种可能的实现方式中，步骤s133中，通过所述内容画像生成与所述用户感兴趣的产品和/或第一目标产品相关联的第二目标产品，所述目标产品包括第一目标产品和第二目标产品，包括：
获取所述用户感兴趣的产品和第一目标产品的标签，通过将所述标签与其他产品的标签进行匹配，确定相关联的第二目标产品。
获取用户感兴趣的产品相关内容资源的标签和第一目标产品相关内容资源的标签，将所述标签与其他产品的内容资源标签相匹配，匹配程度较高的产品成为第二目标产品。在实际应用中，通过关联规则可以挖掘出与用户感兴趣的产品关联程度较高的第一目标产品，第一目标产品与所述用户感兴趣的产品的关系可以是不同种类的产品，表面上看不出两者之间可以发生关系，但实际表现确实发生了关联。而内容画像的建立，内容资源经过标签化后，通过标签的匹配，可以在同类产品中，根据内容方面的相似性，找到与用户感兴趣的产品以及第一目标产品相关联的第二目标产品，其中，第二目标产品可以直接通过用户感兴趣的产品通过内容画像的方法获取，也可以先通过关联规则的方法先获得第一目标产品，进而通过内容画像的方法获得。关联规则和内容画像两种模型取长补短，相互补充，形成的聚合模型，可以有效地解决资源稀疏性问题和资源初始评价问题，更广泛地，且更个性化地为用户提供更准确的内容推荐。
图6是根据一示例性实施例示出的一种产品推荐方法的流程图，图7是根据一示例性实施例示出的更新目标产品的原理图。如图6所示，所述方法还包括步骤s134：
在步骤s134中，获取用户的当前的特征信息，其中，所述特征信息包括所述用户的基本信息和/或使用行为信息，更新与所述用户感兴趣的产品相关联的目标产品。
如图7所示，由于上述步骤中关联规则的推荐方法和内容画像的推荐方法均基于所有使用者用户的动态属性数据和静态属性数据，推荐的目标产品也是针对某一类用户，对于单个用户在实际使用中存在一个时间差的问题。比如，用户上网搜索自己感兴趣的产品，并及时购买了所述产品中的一种，而根据关联规则和内容画像的推荐方法存在滞后性，仍然会在用户下一次登录网页中将相关联的目标产品推荐给用户。于是，在推荐目标产品之前，预先获取用户的当前的特征信息，其中，所述特征信息包括所述用户的基本信息和/或使用行为信息，更新与所述用户感兴趣的产品相关联的目标产品变得非常重要。
获取用户的基本信息，包括用户的身份信息、年龄、职业等，以及实时的行为信息，比如购买行为，针对个体用户的信息进行额外的处理，比如对个体用户进行内容资源过滤、对推荐结果进行重新处理，给用户更多样化的选择，用户感觉更加贴心，推荐更为准确和智能化。
图8是根据一示例性实施例示出的一种产品推荐装置的框图。如图8所示，该装置包括：
判断模块11，用于确定用户感兴趣的产品；
第一获取模块12，用于获取产品的动态属性数据及产品的静态属性数据；
生成模块13，用于根据所述动态属性数据和静态属性数据，生成与所述用户感兴趣的产品相关联的目标产品；
推荐模块14，用于将所述目标产品通过终端界面显示出来。
本公开通过将两种推荐方法即基于产品动态属性数据的推荐方法和基于产品静态属性的推荐方法相融合，弥补了单纯依靠产品的动态属性数据的推荐方法中的资源稀疏性和资源初始评价的不足，使得推荐的内容更为全面和准确。
图9是根据一示例性实施例示出的一种产品推荐装置的框图。如图9所示，与上述装置不同的是，所述生成模块13包括：第一生成子模块131和第二生成子模块132，
第一生成子模块131，用于根据所述动态属性数据，通过关联规则的方法，生成与所述用户感兴趣的产品相关联的第一目标产品；
第二生成子模块132，用于根据所述动态属性数据和静态属性数据，建立所述用户感兴趣的产品和第一目标产品的内容画像，通过所述内容画像生成与所述用户感兴趣的产品和第一目标产品相关联的第二目标产品，所述目标产品包括第一目标产品和第二目标产品。
在一种可能的实现方式中，根据所述动态属性数据和静态属性数据，建立所述用户感兴趣的产品和第一目标产品的内容画像，包括：
根据所述动态属性数据和静态属性数据，为所述产品建立多个标签，所述标签用于描述产品内容的资源信息。
在一种可能的实现方式中，通过所述内容画像生成与所述用户感兴趣的产品和/或第一目标产品相关联的第二目标产品，包括：
获取所述用户感兴趣的产品和第一目标产品的标签，通过将所述标签与其他产品的标签进行匹配，确定相关联的第二目标产品。
图10是根据一示例性实施例示出的一种产品推荐装置的框图。如图10所示，与上述装置不同的是，所述装置还包括第二获取子模块15，
第二获取模块15，用于获取用户的当前的特征信息，其中，所述特征信息包括所述用户的基本信息和/或使用行为信息，更新与所述用户感兴趣的产品相关联的目标产品。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开带来如下有益效果：从技术层面，利用了关联规则和内容画像相结合的技术手段。充分发挥了两种不同推荐方法的各自优势，避免了单一模型的片面性，极大的增强了方法的扩展性，提高了推荐结果的精确性。
从应用层面来看，在教育行业可以真正做到“因材施教”，不同个性用户可以获得不同的推荐内容，以更有利于自身发展的方式获得相应的资源。另外本公开在其他行业也可以横向推广，对于任何需要精准营销场景的应用都可以推广使用，会给应用企业带来更有效的效果，更大的效益。
上述方法可应用于终端，图11是根据一示例性实施例示出的一种产品推荐装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图11，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804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。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
上述方法可应用于服务器，图12是根据一示例性实施例示出的一种产品推荐装置1900的框图。例如，装置1900可以被提供为一服务器。参照图12，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(i/o)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。