数据处理方法、装置、设备及存储介质与流程

本申请涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、设备及存储介质。

背景技术：

随着互联网技术的发展，网络逐渐成为人们获取信息的重要来源。通过网页/app等进行商品数据展示可以在一定程度上吸引用户的注意，发掘用户的后继行为，确定用户的个性化需求，以在互联网普及的大环境下创造巨大的商业价值。

现有技术中，为了使得网页/app上展示的商品能够最大程度的吸引用户的注意力，通常首先从海量的商品数据中筛选出用户可能感兴趣的商品数据，再基于用户对商品的喜好程度，对待展示的商品数据进行排序，最后在网页/app上的相应位置进行展示。

然而，上述方法确定的商品数据排序结果有可能受到商品本身特性的干扰影响，导致确定的商品数据排序结果不准确。

技术实现要素：

本申请提供一种数据处理方法、装置、设备及存储介质，以克服现有商品数据排序结果不准确的问题。

第一方面，本申请提供的一种数据处理方法，包括：

获取针对目标用户的推荐数据集合；

根据所述目标用户的历史行为数据、用户关联信息以及预设的排序算法对所述推荐数据集合中的商品数据进行排序，得到数据排序结果；

根据所述数据排序结果，确定向所述目标用户展示的至少一条商品数据。

在本实施例中，在对确定的推荐数据集合中的商品数据排序时，将目标用户的历史行为数据和目标用户的用户关联信息结合起来，提高了商品数据的排序准确度，解决了现有商品排序结果不准确的问题，同时提高了数据排序中的排序准确度，提高了商品数据的转换率。

在第一方面的一种可能设计中，所述根据所述目标用户的历史行为数据、用户关联信息以及预设的排序算法对所述推荐数据集合中的商品数据进行排序，得到数据排序结果，包括：

根据所述目标用户的历史行为数据，确定所述目标用户的偏好信息，所述偏好信息用于指示所述目标用户针对所述推荐数据集合中任意两条商品数据的选择结果；

根据所述目标用户的用户关联信息，获取所述目标用户与第一用户的亲密度值，所述第一用户是所述目标用户的通信录中的任意一个用户；

根据所述目标用户的偏好信息、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果。

在本实施例中，通过引入目标用户的通信录中的用户的偏好信息，避免了目标用户的历史行为数据稀疏，导致数据排序结果不准确的问题。

可选的，所述方法还包括：

根据所述目标用户的偏好信息，确定针对于所述推荐数据集合中任意两条商品数据的惩罚系数，所述惩罚系数用于修正所述推荐数据集合中任意两条商品数据之间存在的初始偏好概率；

所述根据所述目标用户的偏好信息、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果，包括：

根据所述目标用户的偏好信息、针对于所述推荐数据集合中任意两条商品数据的惩罚系数、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果。

本实施例中，基于惩罚系数可以减低商品数据本身的特性对目标用户的影响，基于目标用户与第一用户的亲密度值可以提高商品数据与用户的粘性，提高了商品数据的排序准确度，为后续提高商品数据的推荐成功概率提供了实现可能。

进一步的，所述根据所述目标用户的偏好信息、针对于所述推荐数据集合中任意两条商品数据的惩罚系数、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果，包括：

根据所述目标用户的偏好信息、针对于所述任意两条商品数据的惩罚系数、所述目标用户与所述第一用户的亲密度值，通过所述排序算法，确定所述推荐数据集合中的每条商品数据与所述目标用户的第一相关度值；

按照第一相关度值由高到低的顺序对所述推荐数据集合中的每条商品数据进行排序，得到所述数据排序结果。

本实施例中，基于每个商品数据与目标用户的第一相关度值可以很好的表征用户与商品数据间的潜在关系，基于得到的第一相关度值对推荐数据集合中的商品数据进行排序，可以将更合适的商品数据推荐给用户，提高了数据排序准确性。

在第一方面的另一种可能设计中，所述方法还包括：

根据所述推荐数据集合中每条商品数据的商品类别属性，将所述推荐数据集合划分为至少两组推荐数据子集合，每组推荐数据子集合中商品数据所属的类别一致；

对于每组推荐数据子集合，根据所述目标用户的偏好信息，确定针对所述推荐数据子集合中任意两条商品数据的组内惩罚系数，所述组内惩罚系数用于修正所述推荐数据子集合推荐数据集合中任意两条商品数据之间存在的初始偏好概率；

所述根据所述目标用户的偏好信息、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果，包括：

根据所述目标用户的偏好信息、针对所述推荐数据子集合中任意两条商品数据的组内惩罚系数和预设的排序算法，得到每组推荐数据子集合中的组内数据排序结果；

根据每组推荐数据子集合中的商品数据所属的类别、所述目标用户与第一用户的亲密度值，确定每组推荐数据子集合与所述目标用户的第二相关度值；

根据每组推荐数据子集合中的组内数据排序结果和每组推荐数据子集合与所述目标用户的第二相关度值，得到针对所述推荐数据集合的数据排序结果。

本实施例中，通过对推荐数据集合进行分类，将同一类别的商品数据划分为一组，这样可以得到针对推荐数据集合的更精确的数据排序结果，进而提高了推荐的准确度。

在第一方面的再一种可能设计中，所述获取针对目标用户的推荐数据集合，包括：

获取所述目标用户的历史行为数据；

对所述用户行为数据进行分析，确定适合推荐给所述目标用户的所述推荐数据集合。

通过对目标用户的历史行为数据进行处理，可以确定出该目标用户的用户需求，再基于该目标用户的行为习惯或感兴趣的商品等，确定出适合推荐给目标用户的推荐数据集合，实现方案简单，确定的推荐数据集合准确。

在第一方面的又一种可能设计中，所述方法还包括：

确定用户交互界面上的推荐位的个数，每个推荐位用于呈现一条商品数据；

将所述数据排序结果中排序在前的至少一条商品数据分别填充至预设的每个推荐位处进行呈现，所述至少一条商品数据的条数与预设的推荐位的个数一致。

在本实施例中，可以保证每条数据均对应一个推荐位，从而保证用户访问该网页或客户端时均能够及时、准确的将对应的商品数据呈现出来，从而实现了商品数据的准确推荐，提高了用户对商品数据的可能转化率。

第二方面，本申请提供一种数据处理装置，包括：获取模块、排序模块和处理模块；

所述获取模块，用于获取针对目标用户的推荐数据集合；

所述排序模块，用于根据所述目标用户的历史行为数据、用户关联信息以及预设的排序算法对所述推荐数据集合中的商品数据进行排序，得到数据排序结果；

所述处理模块，用于根据所述数据排序结果，确定向所述目标用户展示的至少一条商品数据。

在第二方面的一种可能设计中，所述排序模块，具体用于根据所述目标用户的历史行为数据，确定所述目标用户的偏好信息，所述偏好信息用于指示所述目标用户针对所述推荐数据集合中任意两条商品数据的选择结果，根据所述目标用户的用户关联信息，获取所述目标用户与第一用户的亲密度值，所述第一用户是所述目标用户的通信录中的任意一个用户，根据所述目标用户的偏好信息、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果。

可选的，所述排序模块，还用于根据所述目标用户的偏好信息，确定针对于所述推荐数据集合中任意两条商品数据的惩罚系数，所述惩罚系数用于修正所述推荐数据集合中任意两条商品数据之间存在的初始偏好概率；

相应的，所述排序模块，还具体用于根据所述目标用户的偏好信息、针对于所述推荐数据集合中任意两条商品数据的惩罚系数、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果。

进一步的，所述排序模块，还具体用于根据所述目标用户的偏好信息、针对于所述推荐数据集合中任意两条商品数据的惩罚系数、所述目标用户与所述第一用户的亲密度值，通过所述排序算法，确定所述推荐数据集合中的每条商品数据与所述目标用户的第一相关度值，按照第一相关度值由高到低的顺序对所述推荐数据集合中的每条商品数据进行排序，得到所述数据排序结果。

在第二方面的另一种可能设计中，所述排序模块，还用于：

根据所述推荐数据集合中每条商品数据的商品类别属性，将所述推荐数据集合划分为至少两组推荐数据子集合，每组推荐数据子集合中商品数据所属的类别一致；

对于每组推荐数据子集合，根据所述目标用户的偏好信息，确定针对所述推荐数据子集合中任意两条商品数据的组内惩罚系数，所述组内惩罚系数用于修正所述推荐数据子集合推荐数据集合中任意两条商品数据之间存在的初始偏好概率；

所述排序模块，还具体用于根据所述目标用户的偏好信息、针对所述推荐数据子集合中任意两条商品数据的组内惩罚系数和预设的排序算法，得到每组推荐数据子集合中的组内数据排序结果，根据每组推荐数据子集合中的商品数据所属的类别、所述目标用户与第一用户的亲密度值，确定每组推荐数据子集合与所述目标用户的第二相关度值，根据每组推荐数据子集合中的组内数据排序结果和每组推荐数据子集合与所述目标用户的第二相关度值，得到针对所述推荐数据集合的数据排序结果。

在第二方面的再一种可能设计中，所述获取模块，具体用于获取所述目标用户的历史行为数据，对所述用户行为数据进行分析，确定适合推荐给所述目标用户的所述推荐数据集合。

在第二方面的又一种可能设计中，所述处理模块，还用于确定用户交互界面上的推荐位的个数，每个推荐位用于呈现一条商品数据，将所述数据排序结果中排序在前的至少一条商品数据分别填充至预设的每个推荐位处进行呈现，所述至少一条商品数据的条数与预设的推荐位的个数一致。

本申请第二方面提供的装置，可用于执行第一方面提供的方法，其实现原理和技术效果类似，在此不再赘述。

第三方面，本申请提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面以及第一方面各可能设计所述的方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如第一方面以及第一方面各可能设计所述的方法。

本申请实施例提供的数据处理方法、装置、设备及存储介质，通过获取针对目标用户的推荐数据集合，将该推荐数据集合输入到排序模型中，得到该推荐数据集合中的数据排序结果，该排序模型是根据用户样本集合中所有用户的历史行为数据和所有用户的用户关联信息以及预设的排序算法训练得到的，根据该数据排序结果，确定向目标用户展示的至少一条商品数据。该技术方案中，对商品数据进行排序时，将目标用户的历史行为数据和目标用户的用户关联信息结合起来，提高了商品数据的排序准确度，解决了现有商品数据排序结果不准确的问题。

附图说明

图1为本申请提供的数据处理方法实施例一的流程示意图；

图2为本申请提供的数据处理方法实施例二的流程示意图；

图3为本申请提供的数据处理方法实施例三的流程示意图；

图4为本申请提供的数据处理方法实施例四的流程示意图；

图5为本申请实施例中确定向用户展示的至少一条商品数据的示意图；

图6为本申请提供的数据处理方法实施例五的流程示意图；

图7为本申请实施例提供的数据装置的结构示意图；

图8为本申请实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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所有其他实施例，都属于本申请保护的范围。

随着信息技术的迅速发展，各种以商品销售、内容浏览为形式的网页/客户端app逐渐增多，由于商品数据对应的商品形式多种多样，商品内容多种多样，这样导致了信息的过载，而用户停留在网页/客户端app的时间是宝贵而又短暂的，所以在第一时间让用户看到感兴趣的东西，来吸引用户，增加用户的粘性，通过发掘用户的行为，找到用户的个性化需求，从而将商品、内容准确地推荐相适应的用户。

通常情况下，商品数据的处理一般分为两个步骤，首先从大量的商品数据集中筛选出用户可能感兴趣的商品数据，即缩小范围，其次对筛选出来的商品数据进行排序，从而确定出呈现在用户视野中的先后顺序。可以理解的是，上述两个步骤并不是必须同时存在的，比如，如果商品数据集中商品数量较小，那么可以将所有的商品数据作为用户感兴趣的商品数据，直接对其进行呈现排序；如果，从商品数据集中筛选出来的商品数据对应的准确率较高，也即，筛选出来的都是用户高度感兴趣的商品数据，这时不需要对确定的商品数据进行排序，因为任何一个商品数据排在呈现位置的首位都可能造成用户的转化。

对于对筛选出来的商品数据进行排序的实现方案可以通过排序推荐算法实现。排序推荐算法大体上可以分为三类，第一类排序算法是点对方法(pointwiseapproach)，这类算法将排序问题转化为分类、回归之类的问题，并使用现有分类、回归等方法进行处理实现。第二类排序算法是成对方法(pairwiseapproach)，在成对方法中，排序被转化为对序列分类或对序列回归。所谓的pair就是成对的排序，比如(a,b)表明a比b排的靠前。第三类排序算法是列表方法(listwiseapproach)，它采用更加直接的方法对排序问题进行了处理，它在学习和预测过程中都将排序列表作为一个样本，排序的组结构被保持。

本申请实施例主要针对现有技术中确定的商品数据排序结果有可能受到商品本身特性的干扰影响，导致商品数据排序结果不准确的问题，提出了一种数据处理方法，通过获取针对目标用户的推荐数据集合，将该推荐数据集合输入到排序模型中，得到该推荐数据集合中的数据排序结果，该排序模型是根据用户样本集合中所有用户的历史行为数据和所有用户的用户关联信息以及预设的排序算法训练得到的，根据该数据排序结果，确定向目标用户展示的至少一条商品数据。该技术方案中，对商品数据进行排序时，将目标用户的历史行为数据和目标用户的用户关联信息结合起来，提高了商品数据的排序准确度。

可以理解的是，本申请实施例的执行主体可以是电子设备，例如，计算机、平板电脑等终端设备，也可以是服务器，例如，后台的处理平台等。本实施例以电子设备进行解释说明，通常情况下，该电子设备为服务器。

下面，通过具体实施例对本申请的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图1为本申请提供的数据处理方法实施例一的流程示意图。如图1所示，该数据处理方法可以包括如下步骤：

s101、获取针对目标用户的推荐数据集合。

示例性的，在本申请的实施例中，由于网站上的数据量庞大且多种多样，这时需要从海量的数据中筛选出与目标用户相关的商品数据并推荐给用户，以提高用户行为的转化率。

示例性的，对于电商网站上的海量商品数据，可以根据用户的历史行为数据，从海量的商品数据中筛选出部分数据作为推荐数据集合，呈现给目标用户，以吸引用户的注意力，提高商品数据被购买的概率。

作为一种实现方式，该步骤s101可以通过如下步骤实现：

a1：获取所述目标用户的历史行为数据；

a2：对该用户行为数据进行分析，确定适合推荐给目标用户的推荐数据集合。

在本实施例中，用户通常会在网页或电商网站上搜索、浏览、购买、点评某些商品，用户的这些行为产生的数据可以称为历史行为数据。通过获取该目标用户的在购买某些商品前的行为数据，并对其进行分析，可以有针对性的从大量的商品数据中筛选出一些用户可能感兴趣商品数据作为适合推荐给目标用户的推荐数据集合。

示例性的，服务器可以对电商网站的后台数据进行分析，得到目标用户的历史行为数据，比如，目标用户浏览的商品信息、浏览时的停留时间、商品的购买记录等，通过对获取到的该目标用户的历史行为数据进行处理，例如，统计、分类、归纳、挖掘等，以确定该目标用户的用户需求，然后再根据加工处理后的数据进行后续处理，确定该目标用户的行为习惯或感兴趣的商品等，最终确定出适合推荐给目标用户的推荐数据集合。

s102、根据目标用户的历史行为数据、用户关联信息以及预设的排序算法对推荐数据集合中的商品数据进行排序，得到数据排序结果。

在实际应用中，当确定用户对不同商品数据的偏好关系时，由于有些商品数据之间本身可能存在偏序关系，例如，第一条商品数据“天生”就比第二条商品数据更吸引用户的眼球，比如，新闻内容中那些标题党文章相对于非标题党文章往往能获得大部分用户的偏好，然而，这样得到的并非用户真正的偏好信息，而是一些刺激眼球的东西，针对此，本申请实施例提出的技术方案，在对推荐数据集合中的商品数据进行排序时，首先目标用户的历史行为数据削弱商品数据之间本身存在的概率差值，降低商品数据之间的差异，这样可以更精准的挖掘用户对商品数据的真正偏序关系，从而将商品数据之间的真正偏序关系通过一些策略融合进推荐数据集合中的商品数据的排序过程中。

此外，对于某些用户的历史行为数据比较少的情况，商品数据的排序过程通常接近于冷启动的状态，这时对该类用户的预测往往不够准确，针对这种问题，引入目标用户的通讯录好友，假设目标用户与通信录好友具有相同的偏好，以提高商品数据的排序准确度，也即，本申请实施例可以通过引入目标用户的丰富社交信息，以解决现有商品数据排序不准确的问题。

具体的，在本实施例中，根据目标用户的历史行为数据可以分析出目标用户对商品数据的喜好程度，再根据目标用户的用户关联关系确定出该目标用户的通信录中的其他用户对商品数据的喜欢程度，结合目标用户对商品数据的喜好程度、以及该目标用户的通信录中的其他用户对商品数据的喜欢程度，利用预设的排序算法，对推荐数据集合中的商品数据进行排序，得到数据排序结果。

示例性的，在本实施例中，该排序算法的表现形式多种多样，例如，点对算法、成对算法、列表算法等。本申请实施例并不对排序算法的具体表现形式进行限定，其可以根据实际情况确定。

示例性的，在本实施例中，该排序算法可以为成对算法，具体的，可以是贝叶斯个性化排序(bayesianpersonalizedranking，bpr)算法。

关于该步骤的具体实现可以参见下述图2所示实施例中的记载，此处不再赘述。

s103、根据该数据排序结果，确定向目标用户展示的至少一条商品数据。

可选的，在本实施例中，对于已经确定的数据排序结果，可以根据展示界面上的推荐位的个数确定要展示的商品数据条数，从而从上述推荐数据集合中，按照数据排序结果筛选出需要向目标用户展示的至少一条商品数据。

本申请实施例提供的数据处理方法，通过获取针对目标用户的推荐数据集合，再根据目标用户的历史行为数据、用户关联信息以及预设的排序算法对推荐数据集合中的商品数据进行排序，得到数据排序结果，最后根据数据排序结果，确定向目标用户展示的至少一条商品数据，该技术方案通过引入用户关联信息、历史行为数据，提高了数据排序中的排序准确度，提高了商品数据的转换率。

示例性的，在上述实施例的基础上，图2为本申请提供的数据处理方法实施例二的流程示意图。如图2所示，在本实施例中，上述s102可以通过如下步骤实现：

s201、根据目标用户的历史行为数据，确定该目标用户的偏好信息。

其中，该偏好信息用于指示目标用户针对推荐数据集合中任意两条商品数据的选择结果。

在本申请的实施例中，通过目标用户的历史行为数据进行分析，若用户同时获取到两条商品数据时，根据用户在两条商品数据中的选择结果，确定目标用户的偏好信息。

例如，如果在商品数据i和商品数据j同时呈现时，目标用户选择了商品数据i，其可以表明目标用户对商品数据i的喜好程度优于对商品数据j的喜好程度。

s202、根据目标用户的用户关联信息，获取该目标用户与第一用户的亲密度值，该第一用户是目标用户的通信录中的任意一个用户。

在本实施例中，根据目标用户的用户关联信息，首先确定出该目标用户的通信录，再基于目标用户与该通信录的每个用户的关联关系，确定出目标用户与该通信录中每个用户的亲密度值。

示例性的，目标用户与通信录中用户的亲密度值越高，假设两者的偏好越类似，因而，在目标用户的历史行为数据量较小时，可以将通信录中与该目标用户的亲密度最高的用户的历史行为数据作为排序依据，这样可以提高商品数据的排序准确度。

s203、根据该目标用户的偏好信息、目标用户与第一用户的亲密度值和预设的排序算法，得到数据排序结果。

在本申请的实施例中，根据目标用户的历史行为数据确定出目标用户的偏好信息后，再结合目标用户与第一用户的亲密度值确定该第一用户的偏好信息，目标用户的偏好信息和第一用户的偏好信息共同作为预设的排序算法的约束条件，利用预设的排序算法对目标用户的推荐数据集合进行约束排序，可以得到数据排序结果。

本申请实施例提供的数据处理结果，通过根据目标用户的历史行为数据，确定该目标用户的偏好信息，根据目标用户的用户关联信息，获取该目标用户与第一用户的亲密度值，该第一用户是目标用户的通信录中的任意一个用户，最后根据该目标用户的偏好信息、目标用户与第一用户的亲密度值和预设的排序算法，得到数据排序结果，由于该方案引入了目标用户的通信录中的用户的偏好信息，避免了目标用户的历史行为数据稀疏，导致数据排序结果不准确的问题。

进一步的，在图2所示实施例的基础上，图3为本申请提供的数据处理方法实施例三的流程示意图。如图3所示，在本实施例中，该方法还可以包括如下步骤：

s301、根据目标用户的偏好信息，确定针对于任意两条商品数据的惩罚系数，该惩罚系数用于修正任意两条商品数据之间存在的初始偏好概率。

在实际应用中，由于电商网站上的某些商品数据相比于其他商品数据，本身更容易吸引用户的关注，而实际上用户对那些商品的偏好程度和其他商品数据是一样的，因而，本申请为了削弱商品数据本身之间的偏序概率差值，使商品数据之间具有较少的差异，以更精准的挖掘用户的真正偏好信息，可以根据目标用户的偏好信息，定义针对任意两条商品数据的惩罚系数，在利用预设的排序算法对推荐数据集合中的商品数据进行排序时，利用该惩罚系数来修正任意两条商品数据之间存在的初始偏好概率。

示例性的，参照图3所示，该步骤可以位于上述s201之后，也即，在确定出目标用户的偏好信息之后，再基于该目标用户的偏好信息定义惩罚系数。

相应的，上述s203可以替换成如下步骤：

s302、根据目标用户的偏好信息、针对于任意两条商品数据的惩罚系数、目标用户与第一用户的亲密度值和预设的排序算法，得到数据排序结果。

在本实施例中，当引入目标用户的针对于任意两条商品数据的惩罚系数后，这时在将目标用户的偏好信息、目标用户与第一用户的亲密度值作为排序算法的约束条件外，还可以将针对于任意两条商品数据的惩罚系数作为另一个约束条件，以更进一步提高该排序算法的输出准确度，从而得到排序准确度较高的数据排序结果。

作为一种示例，该步骤s302具体可以通过如下方式实现：

b1：根据该目标用户的偏好信息、针对于任意两条商品数据的惩罚系数、目标用户与第一用户的亲密度值，通过该排序算法，确定推荐数据集合中的每条商品数据与目标用户的第一相关度值。

b2：按照第一相关度值由高到低的顺序对该推荐数据集合中的每条商品数据进行排序，得到数据排序结果。

在本实施例中，该排序算法可以对应一个数据排序模型，该数据排序模型可以基于商品数据之间的关联性以及商品数据与目标用户的关联性对输入的推荐数据集合中的商品数据进行处理，首先确定出推荐数据集合中的每条商品数据与目标用户的第一相关度值。该第一相关度值可以用于表征目标用户对每条商品数据的感兴趣程度，商品数据与目标用户的第一相关度值越高，表明该目标用户对商品数据越感兴趣。

因而，在本实施例中，可以基于商品数据与目标用户的第一相关度值对推荐数据集合中的商品数据进行排序，具体的，由高到低的顺序对该推荐数据集合中的每条商品数据进行排序，得到数据排序结果。

基于每个商品数据与目标用户的第一相关度值可以很好的表征用户与商品数据间的潜在关系，基于得到的第一相关度值对推荐数据集合中的商品数据进行排序，可以将更合适的商品数据推荐给用户，提高了数据排序准确性。

本申请实施例提供的数据处理方法，在根据目标用户的偏好信息，确定针对于任意两条商品数据的惩罚系数时，可以根据目标用户的偏好信息、针对于任意两条商品数据的惩罚系数、目标用户与第一用户的亲密度值和预设的排序算法，得到数据排序结果，也即，基于惩罚系数可以减低商品数据本身的特性对目标用户的影响，基于目标用户与第一用户的亲密度值可以提高商品数据与用户的粘性，提高了商品数据的排序准确度，为后续提高商品数据的推荐成功概率提供了实现可能。

进一步的，在图2所示实施例的基础上，图4为本申请提供的数据处理方法实施例四的流程示意图。如图4所示，在本实施例中，该方法还可以包括如下步骤：

s401、根据该推荐数据集合中每条商品数据的商品类别属性，将推荐数据集合划分为至少两组推荐数据子集合，每组推荐数据子集合中商品数据所属的类别一致。

在本实施例中，由于网站上的数据量庞大且类别繁多，因而，上述获取到的推荐数据集合中商品数据可能属于多种类别，为了在后续有针对性的确定出用户真正感兴趣的商品数据，还可以对上述确定的推荐数据集合进行分组。

示例性的，按照推荐数据集合中每条商品数据的商品类别属性对推荐数据集合进行划分，可以得到多种推荐数据子集合，例如，“服饰”、“粮油”、“食品”等等类别的推荐数据子集合。

值得说明的是，本实施例并不限定推荐数据子集合的组数，也不限定推荐数据的具体类别，其可以根据实际情况进行划分，此处不再赘述。

s402、对于每组推荐数据子集合，根据目标用户的偏好信息，确定针对推荐数据子集合中任意两条商品数据的组内惩罚系数。

其中，该组内惩罚系数用于修正推荐数据子集合推荐数据集合中任意两条商品数据之间存在的初始偏好概率。

可以理解的是，该步骤与上述s301中确定推荐数据集合中任意两条商品数据的惩罚系数的方式类似，区别仅在于，上述s301是在推荐数据集合中确定任何两条商品数据的惩罚系数，而该s402是针对推荐数据集合划分后得到的推荐数据子集合，其是在推荐数据子集合中确定任何两条商品数据的组内惩罚系数。关于该步骤确定组内惩罚系数的实现方式可参见上述s301中的记载，此处不再赘述。

进一步的，在本实施例中，参照图4所示，上述s203可以替换成如下步骤：

s403、根据目标用户的偏好信息、针对推荐数据子集合中任意两条商品数据的组内惩罚系数和预设的排序算法，得到每组推荐数据子集合中的组内数据排序结果。

在本实施例中，当引入针对推荐数据子集合中任意两条商品数据的组内惩罚系数后，对于每组推荐数据子集合，可以将目标用户的偏好信息和该组推荐数据子集合的组内惩罚系数作为排序算法的约束条件，共同确定组内数据的排序结果。

在本实施例中，该排序算法可以首先基于目标用户的偏好信息、针对推荐数据子集合中任意两条商品数据的组内惩罚系数确定出推荐数据子集合中的每条商品数据与目标用户的第一相关度值，再基于商品数据与目标用户的第一相关度值对推荐数据子集合中的商品数据进行排序，得到组内数据排序结果。

关于该步骤的具体实现与上述s302的实现方式类似，此处不再赘述。

s404、根据每组推荐数据子集合中的商品数据所属的类别、目标用户与第一用户的亲密度值，确定每组推荐数据子集合与目标用户的第二相关度值。

在本实施例中，为了提高确定出的数据排序结果的准确性，可以基于目标用户与第一用户的亲密度值，计算每组推荐数据子集合与目标用户的第二相关度值。例如，当目标用户对“食品”类推荐数据子集合和“游戏”类推荐数据子集合的偏好基本相同，但是若目标用户与第一用户的亲密度值较高，且第一用户对“食品”类推荐数据子集合的偏好远远高于“游戏”类推荐数据子集合，这时，对于目标用户，在“食品”类推荐数据子集合和“游戏”类推荐数据子集合中，则可以确定“食品”类推荐数据子集合与目标用户的第二相关度值高于“游戏”类推荐数据子集合与目标用户的第二相关度值。

可以理解的是，对于其他类别的推荐数据子集合相似度对比方式类似，此处不再赘述。目标用户与第一用户的亲密度值越高，依据第一用户的偏好确定出组间数据排序结果越准确。

s405、根据每组推荐数据子集合中的组内数据排序结果和每组推荐数据子集合与目标用户的第二相关度值，得到针对推荐数据集合的数据排序结果。

在本实施例中，当确定出每组推荐数据子集合中的组内数据排序结果和每组推荐数据子集合与目标用户的第二相关度值后，可以基于推荐位的个数，基于预设的排序方式对推荐数据集合的商品数据进行排序。

示例性的，该排序方式可以为按照每组推荐子集合的组件排序结果(例如，从高到低)，依次从每组推荐子集合中的取出预设数量的数据进行排列，直到所有类别的推荐子集合中的商品数据均参与到排序中。

值得说明的是，从每组推荐数据子集合中取出的商品数据的数量可以相同，也可以不同，本申请实施例并不对其进行限定，其可以根据实际需求设定。

本实施例提供的数据处理方法，根据该推荐数据集合中每条商品数据的商品类别属性，将推荐数据集合划分为至少两组推荐数据子集合，对于每组推荐数据子集合，根据目标用户的偏好信息，确定针对推荐数据子集合中任意两条商品数据的组内惩罚系数，进而可以根据目标用户的偏好信息、针对推荐数据子集合中任意两条商品数据的组内惩罚系数和预设的排序算法，得到每组推荐数据子集合中的组内数据排序结果，根据每组推荐数据子集合中的商品数据所属的类别、所述目标用户与第一用户的亲密度值，确定每组推荐数据子集合与目标用户的第二相关度值，最后可以根据每组推荐数据子集合中的组内数据排序结果和每组推荐数据子集合与所述目标用户的第二相关度值，得到针对推荐数据集合的数据排序结果。该技术方案中，通过对推荐数据集合进行分类，将同一类别的商品数据划分为一组，这样可以得到针对推荐数据集合的更精确的数据排序结果，进而提高了推荐的准确度。

示例性的，在上述实施例的基础上，图5为本申请实施例中确定向用户展示的至少一条商品数据的示意图。如图5所示，在本实施例中，首先获取目标用户的历史行为数据，确定偏好信息和针对于任意两条商品数据的惩罚系数，其次获取目标用户的用户关联信息，确定目标用户与第一用户的亲密度值，第一用户为目标用户的通信录中的任意一个用户，最后结合目标用户的偏好信息、针对于任意两条商品数据的惩罚系数以及目标用户与第一用户的亲密度值，利用预设的排序算法，得到数据排序结果。

在上述各实施例的基础上，当本实施例以贝叶斯个性化排序bpr算法对推荐数据集合中的商品数据进行排序时，具体实现方案如下：

首先对brp算法的实现原理进行解释说明。具体的，bpr算法就是一种成对的排序算法，其可以从用户u、商品数据i和商品数据j出发来求解用户u对商品数据i的喜好程度。在bpr算法中，可以将任意用户u与商品数据之间的关系进行标记，如果在商品数据i和商品数据j同时呈现时，用户u选择了商品数据i，这时可以得到一个三元组<u,i,j>，它表示用户u对商品数据i的喜好程度优于对商品数据j的喜好程度。因而，在本实施例中，三元组<u,i,j>用于指示目标用户在商品数据i和商品数据j中偏好商品数据i。

通过分析目标用户的历史行为数据，可以得到多个关于商品数据排序的三元组，相应的，可以得到目标用户针对推荐数据集合中商品数据的偏好信息，这时可以训练针对目标用户u的数据排序模型。

值得说明的是，在本申请的实施例中，基于bpr算法训练针对目标用户u的数据排序模型时需要设定两个假设条件：

假设1：每个用户的偏好行为相互独立，互不影响，即用户u在商品数据i和商品数据j之间的偏好与其他用户无关。

假设2：同一用户对不同商品数据的偏序相互独立，即用户u在商品数据i和商品数据j之间的偏好和其他的物品无关。

在本实施例中，若目标用户u相对于商品数据j对商品数据i更感兴趣，则可以用<u,i,j>表示，同时引入偏好符合>u，则<u,i,j>可以表示为i>uj。在本实施例中，可以利用历史行为数据集d表示目标用户的所有已知的用户偏好数据，所有已知的用户偏好数据(u,i,j)都存在于d中。

在本申请的实施例中，由于用户集u和物品集i都是样本数很大的集合，为了简化计算复杂度，可以将用户集u对应的用户矩阵w表示为|u|×k，物品集i对应的物品矩阵h表示为|i|×k，其中，|u|是用户数，|i|是物品数，k是自定义的中间矩阵，该中间矩阵k的列数与|u|的行数相同，该中间矩阵k的行数与|i|的列数相同，且中间矩阵k的维度一般远远小于|u|和|i|。

示例性的，bpr算法与矩阵分解一样，用户集u和物品集i的喜好排序结果可以用u×i得到的用户喜好矩阵x表示，相应的，预测排序矩阵可以利用物品矩阵h和用户矩阵w表示，且满足其中，h^t为矩阵h的转置矩阵。本实施例的目标是尽量使预测排序矩阵趋向于实际的用户喜好矩阵x。

在本实施例中，目标用户u对任意一个商品数据i的喜好程度可以表示为：

在本申请的实施例中，目标用户用uu表示，第一用户用ul表示，该第一用户ul属于目标用户uu的通信录(也称为社交圈子)fu，则该目标用户uu与第一用户ul的亲密度值可以表示为：

其中，sul表示目标用户uu与第一用户ul的亲密度系数，sul的取值范围是(0,1)，wu表示用户uu在用户矩阵w中的特征向量，wl表示用户ul在用户矩阵w中的特征向量，wuf和wlf分别表示wu和wl中的每一个元素，k表示用户矩阵w中特征向量的个数，f表示特征向量中每个元素的序号，f的取值范围是[1,k]。

在本申请的实施例中，该bpr排序算法是基于最大后验估计p(w,h|>u)求解数据排序模型的参数w,h。在本实施例中，参数w,h可以用一个参数θ表示，因而，p(w,h|>u)可以替换为p(θ|>u)，相应的，根据贝叶斯公式，目标用户基于排序算法所需求解的最大后验估计p(w,h|>u)可以为如下公式：

其中，p(θ|>u)表示在已知全部用户偏好数据的条件下，参数θ成立的概率，p(>u|θ)表示在参数为θ的条件下，出现当前已知的用户偏好数据的概率，p(θ)表示参数为θ的先验概率，p(>u)表示当前已知的用户偏好数据的先验概率。

由于p(>u)对所有物品是一样的，所以p(θ|>u)与p(>u|θ)p(θ)存在如下关系：

p(θ|>u)∝p(>u|θ)p(θ)

由此可知，在本实施例中，最大后验估计p(w,h|>u)的优化目标可以分为两部分，其中，第一部分p(>u|θ)与目标用户的历史行为数据集d有关，第二部分p(θ)与目标用户的历史行为数据集d无关。

在本实施例中，对于第一部分p(>u|θ)，由于同一用户对不同物品的偏序相互独立，那么对于用户集u中所有用户的最大贝叶斯估计存在关系：

其中，p(i>uj|θ)表示在参数为θ的条件下，目标用户u相对于商品数据j偏好于商品数据i的概率，其中，(u,i,j)∈d表示用户偏好数据(u,i,j)在用户u的历史行为数据集d中。

由于符号>u满足完整性和反对称性因而，∏u∈up(>u|θ)可以简化为如下：

当目标用户uu的行为数据比较稀疏时，将目标用户uu与第一用户ul的亲密度值s(uu,ul)最大的用户l的偏好数据赋予目标用户uu，则上述公式∏u∈up(>u|θ)＝∏(u,i,j)∈dp(i>uj|θ)可以替换为如下公式：

其中，s(u,l)即为上述的s(uu,ul)。

将该公式中的p(i>uj|θ)和p(i>lj|θ)与预测排序矩阵的元素值对应起来，则可以得到如下公式：

其中，表示预测的用户喜好矩阵中目标用户uu对商品数据i和商品数据j的偏好数据的差异个数，σ是sigmoid函数，可以由公式表示。

具体的，对于上述公式中的应当具备如下性质：当i>uj时，反之，当j>ui时，最简单的表示这个性质的方式是：其中，表示预测的用户喜好矩阵中目标用户uu喜好商品数据i的总个数，表示预测的用户喜好矩阵中目标用户uu喜好商品数据j的总个数。

在本实施例中，当根据目标用户的偏好信息，确定针对于任意两条商品数据的惩罚系数后，以修正任意两条商品数据之间存在的初始偏好概率。

示例性的，惩罚系数的定义如下：假设用户uo对商品数据i和商品数据j有偏序关系i>uoj，且用户uo∈uij，这时可以得到用户uo针对商品数据i和商品数据j的惩罚系数：

其中，uij表示所有同时接触过商品数据i和商品数据j的用户集合，numij为uij中相对于商品数据j偏好商品数据i的偏序个数。

因而，上述可以用如下公式表示：

同理，可以确定表示预测的用户喜好矩阵中用户ul对商品数据i和商品数据j的偏好数据的差异个数，表示预测的用户喜好矩阵中用户ul喜好商品数据i的总个数，表示预测的用户喜好矩阵中用户ul喜好商品数据j的总个数。

相应的，在上述对∏u∈up(>u|θ)的描述可以用如下公式表示：

对于第二部分p(θ)，根据贝叶斯估计，假设概率分布p(θ)符合均值为0的多元正态分布，并且基于bpr的基本假设，即1)每个用户的偏好行为相互独立和2)同一用户对不同商品的偏序相互独立，因此，该分布的协方差矩阵为单位矩阵i，即p(θ)～n(0,i)，根据标准多元正态分布函数可知，lnp(θ)与||θ||²成线性关系，不妨设lnp(θ)＝λ||θ||²，其中，λ为常系数，||θ||为θ的l2范数。

综上所述，贝叶斯估计p(>u|θ)∝lnp(>u|θ)p(θ)对应的最大对数后验估计函数可以用如下公式表示：

在该公式中，用梯度上升法对θ求导，得到：

在本实施例中，由于则

进而得到各个参数的梯度因子，的求解方式与相同：

因而，根据不断的迭代，直至收敛，得到用户矩阵w(|u|×k)和物品矩阵h(|i|×k)，进而得到目标用户uu对任一商品数据i的排序分值，最终选择排序分值高的若干商品数据进行推荐。

综上所述，本申请实施例在原有bpr算法的基础上，通过引入任意两个商品数据之间的惩罚系数，排除了商品数据本身的一些干扰因素，提高了用户偏好商品数据的精准性，通过引入用户亲密度丰富了目标用户的历史行为数据，解决了由于历史用户行为数据稀疏，偏好兴趣挖掘不精准的问题。

进一步的，在本申请的上述任一实施例中，图6为本申请提供的数据处理方法实施例五的流程示意图。如图6所示，该方法还可以包括如下步骤：

s601、确定用户交互界面上的推荐位的个数，每个推荐位用于呈现一条商品数据。

值得说明的是，本实施例中的电子设备具有用户交互界面，而且给用户交互界面上具有至少一个推荐位，因而，当需要对商品数据进行推荐时，首先确定出用户交互界面上的推荐位的个数。

示例性的，该用户交互界面可以是呈现的网页界面、客户端的界面等不同形式的界面。因而，本实施例中推荐位可以是开发人员在开发客户端或设计网页时设定的，其通常在客户端或网页的固定位置。

s602、将数据排序结果中排序在前的至少一条商品数据分别填充至预设的每个推荐位处进行呈现，该至少一条商品数据的条数与预设的推荐位的个数一致。

在本实施例中，通常情况下，网页或客户端等用户交互界面上的每个推荐位用于填充一条商品数据，因而，在确定出用户交互界面上的推荐位的个数后，可以按照推荐位呈现给用户的顺序或者更容易被用户关注的顺序依次将数据排序结果中排序在前的多条商品数据填充到对应的推荐位处，从而在用户访问该网页或客户端时，将填充到推荐位处的商品数据呈现出来。

本申请实施例提供的数据处理方法，通过确定用户交互界面上的推荐位的个数，每个推荐位用于呈现一条商品数据，将将数据排序结果中排序在前的至少一条商品数据分别填充至预设的每个推荐位处进行呈现，该至少一条商品数据的条数与预设的推荐位的个数一致，这样可以保证每条数据均对应一个推荐位，从而保证用户访问该网页或客户端时均能够及时、准确的将对应的商品数据呈现出来，从而实现了商品数据的准确推荐，提高了用户对商品数据的可能转化率。

上述介绍了本申请实施例提到的数据处理方法的具体实现，下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图7为本申请实施例提供的数据装置的结构示意图。该装置可以集成在电子设备中或通过电子设备实现，该电子设备可以是服务器，或者终端设备。如图7所示，在本实施例中，该数据处理装置70可以包括：获取模块701、排序模块702和处理模块703。

其中，该获取模块701，用于获取针对目标用户的推荐数据集合；

该排序模块702，用于根据所述目标用户的历史行为数据、用户关联信息以及预设的排序算法对所述推荐数据集合中的商品数据进行排序，得到数据排序结果；

该处理模块703，用于根据所述数据排序结果，确定向所述目标用户展示的至少一条商品数据。

在本申请的一种可能设计中，排序模块702，具体用于根据所述目标用户的历史行为数据，确定所述目标用户的偏好信息，所述偏好信息用于指示所述目标用户针对所述推荐数据集合中任意两条商品数据的选择结果，根据所述目标用户的用户关联信息，获取所述目标用户与第一用户的亲密度值，所述第一用户是所述目标用户的通信录中的任意一个用户，根据所述目标用户的偏好信息、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果。

在本实施例中，排序模块72，还用于根据所述目标用户的偏好信息，确定针对于所述任意两条商品数据的惩罚系数，所述惩罚系数用于修正所述任意两条商品数据之间存在的初始偏好概率；

相应的，该排序模块702，还具体用于根据所述目标用户的偏好信息、针对于所述任意两条商品数据的惩罚系数、所述目标用户与所述第一用户的亲密度值和预设的排序算法，得到数据排序结果。

进一步的，该排序模块702，还具体用于根据所述目标用户的偏好信息、针对于所述任意两条商品数据的惩罚系数、所述目标用户与所述第一用户的亲密度值，通过所述排序算法，确定所述推荐数据集合中的每条商品数据与所述目标用户的第一相关度值，按照第一相关度值由高到低的顺序对所述推荐数据集合中的每条商品数据进行排序，得到所述数据排序结果。

在本实施例的另一种可能设计中，排序模块702，还用于：

根据所述推荐数据集合中每条商品数据的商品类别属性，将所述推荐数据集合划分为至少两组推荐数据子集合，每组推荐数据子集合中商品数据所属的类别一致；

对于每组推荐数据子集合，根据所述目标用户的偏好信息，确定针对所述推荐数据子集合中任意两条商品数据的组内惩罚系数，所述组内惩罚系数用于修正所述推荐数据子集合推荐数据集合中任意两条商品数据之间存在的初始偏好概率；

所述排序模块，还具体用于根据所述目标用户的偏好信息、针对所述推荐数据子集合中任意两条商品数据的组内惩罚系数和预设的排序算法，得到每组推荐数据子集合中的组内数据排序结果，根据每组推荐数据子集合中的商品数据所属的类别、所述目标用户与第一用户的亲密度值，确定每组推荐数据子集合与所述目标用户的第二相关度值，根据每组推荐数据子集合中的组内数据排序结果和每组推荐数据子集合与所述目标用户的第二相关度值，得到针对所述推荐数据集合的数据排序结果。

在本实施例的再一种可能设计中，获取模块701，具体用于获取所述目标用户的历史行为数据，对所述用户行为数据进行分析，确定适合推荐给所述目标用户的所述推荐数据集合。

在本实施例的又一种可能设计中，所述处理模块703，还用于确定用户交互界面上的推荐位的个数，每个推荐位用于呈现一条商品数据，将所述数据排序结果中排序在前的至少一条商品数据分别填充至预设的每个推荐位处进行呈现，所述至少一条商品数据的条数与预设的推荐位的个数一致。

本申请实施例提供的装置，可用于执行图1至图6所示实施例中的方法，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，排序模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上排序模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，asic)，或，一个或多个微处理器(digitalsignalprocessor，dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，soc)的形式实现。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

图8为本申请实施例提供的电子设备的结构示意图。该电子设备可以通过服务器实现，或者终端设备实现。如图8所示，该电子设备可以包括：处理器801、存储器802、通信接口803和系统总线804，该存储器802和通信接口803通过所述系统总线804与所述处理器801连接并完成相互间的通信，所述存储器802用于存储计算机执行指令，所述通信接口803用于和其他设备进行通信，所述处理器801执行所述计算机程序时实现如上述图1至图6所示实施例的方案。

该图8中提到的系统总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。所述系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

上述的处理器可以是通用处理器，包括中央处理器cpu、网络处理器(networkprocessor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可选的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如上述图1至图6所示实施例的方法。

可选的，本申请实施例还提供一种运行指令的芯片，所述芯片用于执行上述图1至图6所示实施例的方法。

本申请实施例还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在存储介质中，至少一个处理器可以从所述存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述图1至图6所示实施例的方法。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，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的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系；在公式中，字符“/”，表示前后关联对象是一种“相除”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中，a，b，c可以是单个，也可以是多个。

可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。在本申请的实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施例的实施过程构成任何限定。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。