一种多媒体资源推荐方法、装置、电子设备及存储介质与流程

本申请涉及计算机技术领域，特别涉及一种多媒体资源推荐方法、装置、电子设备及存储介质。

背景技术：

在自媒体时代，用户可以随时随地生产、积累、共享、传播内容。自媒体的内容包括文章、图片、视频等，这些内容没有既定的核心，没有固定的格式，展现创作者个体习惯和兴趣。

自媒体应用可以为用户进行多媒体内容推荐，以提升多媒体内容的浏览量。并且，一直以来，自媒体应用在向用户推荐多媒体内容时，主要是通过大数据分析，获取用户的行为日志，通过用户的行为日志得到用户的历史行为，根据用户的历史行为为用户推荐多媒体内容。但是，在无法获取到用户的历史行为时，将无法准确地为用户推荐多媒体内容。

技术实现要素：

本申请提供一种多媒体资源推荐方法、装置、电子设备及存储介质，用以提高为用户推荐内容的准确性。本申请的技术方案如下：

第一方面，本申请实施例提供一种多媒体资源推荐方法，包括：

获取待推荐多媒体资源的目标账户的头像图像；

根据获取到的所述头像图像中头像区域的内容，确定所述头像图像对应的类别信息；

根据所述头像图像对应的类别信息，从候选多媒体资源池中筛选出至少一个目标多媒体资源；

将筛选出的所述至少一个目标多媒体资源推荐给所述目标账户。

第二方面，本申请实施例提供一种多媒体资源推荐装置，包括：

获取模块，用于获取待推荐多媒体资源的目标账户的头像图像；

确定模块，用于根据获取到的所述头像图像中头像区域的内容，确定所述头像图像对应的类别信息；

筛选模块，用于根据所述头像图像对应的类别信息，从候选多媒体资源池中筛选出至少一个目标多媒体资源；

推荐模块，用于将筛选出的所述至少一个目标多媒体资源推荐给所述目标账户。

第三方面，本申请实施例提供一种电子设备，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本申请提供的多媒体资源推荐方法。

第三方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行本申请提供的多媒体资源推荐方法。

本申请实施例提供的技术方案至少带来以下有益效果：

基于本申请实施例的提供的多媒体资源推荐方法，通过获取待推荐多媒体资源的目标账户的头像图像并确定头像图像对应的类别信息，根据头像图像对应的类别信息，从候选多媒体资源池中筛选出至少一个用于推荐给目标账户的目标多媒体资源；在本申请实施例的多媒体资源推荐过程中，将目标账户的头像图像作为一个新的维度反映目标账户的特征，在召回时可以更高效的筛选出用户感兴趣的目标多媒体资源，可以更加准确地为目标账户推荐目标多媒体资源。另外，针对新注册的目标账户，可以根据目标账户的头像图像为新注册的账户准确推荐多媒体资源，从而在冷启动过程中可以为新用户准确推荐多媒体资源。

附图说明

图1是根据一示例性实施例示出的应用场景的示意图；

图2为本申请实施例提供的一种多媒体资源推荐方法的流程图；

图3a和图3b为本申请实施例提供的多分类模型结构图；

图3c为本申请实施例提供目标账户的头像图像；

图3d为本申请实施例提供为目标账户的推荐的多媒体资源展示界面；

图4为本申请实施例提供的一种多媒体资源推荐方法的完整流程图；

图5为本申请实施例提供的一种多媒体资源推荐系统框架图；

图6为本申请实施例提供的一种多媒体资源推荐装置的结构示意图；

图7为本申请实施例提供的一种电子设备的结构示意图；

图8为本申请实施例提供的一种计算装置的结构示意图。

具体实施方式

为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本申请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，以便这里描述的本申请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。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

以下，对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。

(1)本申请实施例中术语“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这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

(2)本申请实施例中术语“电子设备”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。

(3)本申请实施例中术语“客户端”，或称为终端设备，是指与服务器相对应的，为用户提供本地服务程序的设备(比如ios、android系统的手机、平板等)。除了一些只在本地运行的应用程序(比如可接收信息流的自媒体应用)之外，一般安装在普通的客户机上，需要与服务端互相配合运行。其中，服务端为部署在多组服务器上、专门为客户端上的应用程序提供远程网络服务的服务器程序。

(4)本申请实施例中术语“服务端”部署在多组服务器上、专门为终端应用程序提供远程网络服务的服务器程序。

(5)本申请实施例中术语“内容”可以是自媒体应用推荐给用户的文章、视频和/或图片等多媒体资源。文章通常是自媒体创建一个公众号后主动编辑发布的，文章中可以包含图片；视频是专业生产内容(professionally-generatedcontent，pgc)或者用户生产内容(user-generatedcontent，ugc)的用户主动发布的。其中，pgc为互联网术语，用来泛指个性化、视角多元化、传播民主化、社会关系虚拟化的内容。也称为ppc(professionally-producedcontent)；ugc为互联网术语，包含专业生产内容以及非专业生产内容。本申请实施例中的内容也称为多媒体资源。

(6)本申请实施例中术语“信息流(feeds)”，又译为消息来源、源料、馈送、资讯提供、供稿、摘要、源、新闻订阅、网源(webfeed、newsfeed、syndicatedfeed)是一种资料格式，网站透过它将最新资讯传播给用户，通常以时间轴方式排列，时间线(timeline)是feed最原始最直觉也最基本的展示形式。用户能够订阅网站的先决条件是，网站提供了消息来源。将feed汇流于一处称为聚合(aggregation)，而用于聚合的软体称为聚合器(aggregator)。对最终用户而言，聚合器是专门用来订阅网站的软件，一般亦称为rss阅读器、feed阅读器、新闻阅读器等。

(7)本申请实施例中术语“用户画像(userprofile)”将用户信息标签化，通过收集与分析用户(也称为内容的消费者)的社会属性、生活习惯、消费行为等主要数据后，抽象出一个用户信息的全貌。用户画像也称为用户标签，是基于用户行为分析获得的用户的一种认知表达，其可作为后续数据处理的依据。用户标签与人认识世界的方式一致，通过概念化的方式简化了对事物的认知这种概念认知就是标签。用户画像包括用户标签和用户透视，用户标签是个体的认知，用户透视是整体的标签分布。本申请实施例中用户画像主要指用户标签。

(8)本申请实施例中术语“卷积神经网络(convolutionalneuralnetworks，cnn)”，是一类包含卷积计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习的代表算法之一，具有表征学习(representationlearning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)。

(9)本申请实施例中术语“imagenet”，是一个用于视觉对象识别软件研究的大型可视化数据库。超过1400万的图像url被imagenet手动注释以指示图片中的对象，且在至少100万个图像中，提供了边界框。

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在自媒体时代，许多用户可以通过在自媒体应用上发布图文、视频等多媒体资源进行网络社交活动。用户触发页面展示请求后，自媒体应用程序对多媒体资源进行筛选后以信息流的方式推荐给用户。

下面以短视频为例介绍多媒体资源(内容)的推荐流程，主要包括内容上传、内容审核、内容推荐三个过程。

首先，用户利用客户端拍摄短视频，并上传短视频。上传过程中，将短视频重转码得到规范的视频文件并保存短视频的元信息，比如短视频的上传时间、短视频的大小、短视频的格式等，以提升短视频在各个平台播放的兼容性。

然后，由人工对上传的短视频进行审核，同时服务器也对短视频进行处理，比如分类、打标签等，并对短视频进行封面图截取、视频质量打分，得到筛选后的短视频。

最后，采用推荐算法为用户推荐短视频。其中，推荐算法包括协同过滤算法(collaborativefiltering，cf)、矩阵分解算法(decompositionfactorization，df)、因式分解算法(factorizationmachine，fm)、监督学习算法、梯度提升迭代决策树算法(gradientboostingdecisiontree，gtdb)等。

需要说明的是，图文等内容也需进行人工审核，比如删除标题中的错别字、调整不通顺的语句等，并通过自然语言处理(naturallanguageprocessing，nlp)技术对图文进行分类、标签提取等处理获取用户画像。

用户画像作为关键点影响了内容推荐的效果。目前，主要通过用户与内容的交互行为(比如点击、点赞、评论等)抽取用户画像。用户画像沉淀在内容的标签上，包括静态信息和动态信息。其中，静态信息可以为用户首次注册时提供的，比如性别、年龄、常驻地、籍贯、身高、学历、婚恋状态、受教育程度、资产情况、收入情况、职业等人口属性信息和社会属性；动态信息可以从用户行为中挖掘，包括通过内容日志或第三方数据获取用户摄影、运动、美食、美容、服饰、旅游、教育等兴趣，以及包括用户心理、动机、价值观、生活态度、个性等意识认知。但对于新用户的冷启动过程来说，用户画像信息较少，无法准确的给新用户推荐其感兴趣的内容，且需耗费较长的时间汇聚用户感兴趣的内容，使得新用户的留存率偏低。

对于新用户来说，在初始注册账号时一般会选用或授权使用一张图像作为该账号的头像。头像图像涉及到的领域和种类繁多，例如动漫头像、游戏头像、风景头像、自拍头像、家人合影、情侣合照、小孩头像、宠物头像、行业头像、系统默认头像等，且用户更换头像的频率也不同。使用的头像图像的类别与头像图像的更换频率彰显了该账号用户的性格、兴趣、人设等信息，例如，用风景、萌宠等漂亮图像作为头像的用户可能会更加友善，而用黑色背景、特殊符号等冷色调图像作为头像的用户比较特立独行、思维独特、思想保守；用全家福作为头像的用户心态比较成熟，年龄基本在40岁以上，而是用表情包、搞怪图像、个性图像等作为头像的用户心态比较年轻，年龄一般在15-25岁之间；用具体图像作为头像的用户的思维方式和人际关系可能简单、纯粹，做事追求效率，而用抽象图像作为头像的用户思维比较开阔，内心复杂。因此，可利用目标账户的头像图像来丰富目标账户的用户画像，以更好的帮助自媒体应用定位用户状态和用户需求。

基于上述分析，本申请实施例提供一种多媒体资源推荐方法、装置、电子设备及存储介质。该方法通过获取目标账户的头像图像来确定该头像图像对应的类别信息，并根据对应的类别信息为目标账户推荐其感兴趣的目标多媒体资源。该多媒体资源推荐方法充分利用目标账户的头像图像，根据头像图像中头像区域的内容确定头像图像所属的类别，根据头像图像所属的类别为目标账户推荐多媒体资源；在多媒体资源推荐过程中，将目标账户的头像图像作为一个新的维度丰富目标账户的用户画像，从而提高为目标账户推荐多媒体资源的准确性。针对新注册的目标账户，由于无法获取目标账户的行为特征，采用本申请实施例提供的多媒体资源推荐方法，提供了头像图像这一新的维度反映用户特征，可以根据目标账户的头像图像为新注册的账户准确推荐多媒体资源，由于可以为新注册推荐更为感兴趣的多媒体资源，从而提升用户体验。

在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中，可以根据实际需要灵活地应用本申请实施例提供的技术方案。

图1为本申请实施例提供的一种多媒体资源推荐方法的应用场景。

如图1所示，该应用场景中可以包括至少一个服务器20和多个终端设备30。其中，终端设备(30_1～30_n)上安装有自媒体应用。终端设备30可以是可用来进行网络访问的任何合适的电子设备，包括但不限于计算机、笔记本电脑、智能电话、平板电脑或是其它类型的终端。服务器20则是能够通过网络访问的提供交互服务所需信息的任何服务器。终端设备30可以经由网络40实现与服务器20的内容收发。服务器20可以通过访问数据库50来获取终端设备30所需的内容，例如统计数据、内容、内容索引等。终端设备之间(例如，30_1与30_2或30_n之间)也可以经由网络40彼此通信。网络40可以是广义上的用于信息传递的网络，可以包括一个或多个通信网络，诸如无线通信网络、因特网、私域网、局域网、城域网、广域网或是蜂窝数据网络等。

在随后的描述中仅就单个服务器或终端设备加以详述，但是本领域技术人员应当理解的是，示出的单个服务器20、终端设备30和数据库50旨在表示本申请的技术方案涉及终端设备、服务器及数据库的操作。对单个终端设备以及单个服务器和数据库加以详述至少为了说明方便，而非暗示对终端设备和服务器的类型或是位置等具有限制。应当注意，如果向图示环境中添加附加模块或从其中去除个别模块，不会改变本发明的示例实施例的底层概念。另外，虽然为了方便说明而在图中示出了从数据库50到服务器20的双向箭头，但本领域技术人员可以理解的是，上述内容的收发也是可以通过网络40实现的。

需要说明的是，本申请实施例的自媒体应用可以为安装于终端设备的客户端，或者，自媒体应用还可以是客户端中的子应用(例如，某客户端中的小程序)。

人工智能(artificialintelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(machinelearning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本申请实施例还涉及人工智能与机器学习，用以实现本申请实施例中确定头像图像对应的类别信息以及从多媒体资源池中筛选目标多媒体资源并对筛选出的目标多媒体资源进行排序。

下面对本申请实施例的技术方案进行进一步的介绍。需要说明的是，以下介绍的技术方案只是示例性的。

图2为本申请实施例提供的一种多媒体资源推荐方法的流程图，该方法的具体实施流程如下：

步骤s201、获取待推荐多媒体资源的目标账户的头像图像；

步骤s202、根据获取到的头像图像中头像区域的内容，确定头像图像对应的类别信息；

步骤s203、根据头像图像对应的类别信息，从候选多媒体资源池中筛选出至少一个目标多媒体资源；

步骤s204、将筛选出的至少一个目标多媒体资源推荐给目标账户。

需说明的是，本申请实施例中的多媒体资源包括图文内容、视频内容，其中，图文内容的字数一般在1000字以内，适合移动时代的快速阅读和消费，视频内容包括短视频、长视频，短视频的播放时长可控制在5分钟以内。

需说明的是，本申请实施例中的类别信息包括二次元头像、风景头像、自拍大头照头像、全身照头像、家人合影头像、情侣合影头像、小孩头像、宠物头像、明星照片、行业相关头像、系统默认头像和其他；其中，其他可包括不属于二次元头像、风景头像…系统默认头像类别的头像以及用户对头像图像的操作行为，例如经常更换、基本不换、偶尔更换等，更换频率可根据实际业务场景定义。

本申请实施例提供的多媒体资源推荐方法，获取到目标账户的头像图像后，从头像图像中提取用于表示头像区域的内容的图像特征；对提取到的图像特征进行融合处理，确定头像图像对应的类别信息。

在一种可选的实施方式中，可通过已训练的多分类模型确定头像图像对应的类别信息，其中，多分类模型包括输入层、至少一个卷积层、至少一个全连接层。

具体实施中，多分类模型的输入层对获取到的目标账户的头像图像进行预处理，基于已训练的多分类模型的至少一个卷积层，从预处理后的目标账户的头像图像中提取头像图像的浅层图像特征和深层图像特征；通过已训练的多分类模型的至少一个全连接层，对提取的浅层图像特征和深层图像特征进行融合处理，得到用于表示目标账户的头像图像分别属于各个预设类别的概率的分类结果，并输出归一化处理后的分类结果，根据归一化处理后的分类结果，将概率最大值对应的预设类别确定为目标账户的头像图像对应的类别信息。

在一种可选的实施例方式中，多分类模型可为卷积神经网络(convolutionalneuralnetworks,cnn)。图3a和图3b为本申请实施例提供的多分类模型结构图。以图3a和图3b示出的多分类模型结构为例，描述确定头像图像对应的类别信息的过程。

如图3a所示，cnn包括输入层、至少一个卷积层、至少一个采样层、至少一个全连接层。卷积层和采样层多级级联，称为隐藏层。将获取到的目标账户的头像图像记为图像x，如图3c所示，cnn的输入层将图x标准化为32*32*3大小的图像，通过cnn的第一个卷积层，得到28*28*64大小的图像，从28*28*64大小的图像中提取的图像特征记为浅层图像特征，其中卷积核的大小为5*5，过滤器个数为64，cnn的第一个采样层使用2*2的卷积核进行降维，得到14*14*64大小的图像，通过cnn的第二个卷积层得到10*10*64大小的图像，从10*10*64大小的图像中提取的图像特征记为深层图像特征，净cnn的全连接层将浅层图像特征和深层图像特征进行融合，得到图像x的输出向量[0,1,0…0]并输出。

如图3b所示，输入层包括5个神经元、隐藏层包括4个神经元、输出层包括3个神经元，输入层与隐藏层全连接，隐藏层和输出层全连接，w1、b1和w2、b2表示权重矩阵。输出层之后采用softmax函数作为激活函数。softmax函数作为多分类任务的激活函数，一般使用在神经网络的输出端，其作用是将每个类别所对应的输出分量归一化，使各个分量的和为1。

softmax函数的计算公式如下：

其中，xi表示第i个输入向量，n为类别总数，s(xi)输入向量属于第i个类别的概率值，对应于图3b中的p0，p1，p2，s(xi)的取值范围为0到1之间。图3b中的1和0表示是否是对应的类别。

具体的，使用softmax函数对输出层(图3a中的最后一个全连接层)输出的图像x的输出向量[0,1,0…0]进行归一化处理，得到输出向量[0,1,0…0]中第一个分量对应的概率为p0，第二个分量对应的概率为p1，第三个分量对应的概率为p2…，各分量对应的概率和为1且p1最大，将p1对应的类别标签“二次元头像”确定为图像x的类别信息。

需说明的是，图3a和图3b仅是cnn的网络结构示意图，对输入图像的大小、卷积核大小、神经元数量并不做限制性要求。

在一种可选的实施例方式中，多分类模型可通过下列方式训练得到：

多分类模型的输入层从头像数据库中获取多个头像训练样本，对获取的训练样本进行标准化处理，以提高多分类模型收敛速度、减少训练的时长；

其中，头像数据库中包含大量的头像训练样本，需预先为获取的各头像训练样本标注对应的类别标签；具体的，可将获取的多个头像训练样本分为12个类别标签，包括二次元头像、风景头像、自拍大头照头像、全身照头像、家人合影头像、情侣合影头像、小孩头像、宠物头像、明星照片、行业相关头像、系统默认头像和其他；其中，其他可包括用户行为，例如经常更换、基本不换、偶尔更换等，更换频率可根据实际业务场景定义；

具体实施中，可先为获取到的多个头像训练样本中的部分头像训练样本标注类别标签，根据被标注样本中每个类别标签对应的样本比例调整获取到的多个头像训练样本，从而保证样本均衡，有利于多分类模型更好的学习；例如，获取到的头像训练样本的数量为20万张，选取包含全部类别的5000张头像训练样本进行类别标签标注，并统计每个类别标签对应的头像训练样本所占的比例，根据统计的比例调整20万张头像训练样本中各类别标签对应的头像训练样本数量，并为全部头像训练样本标注类别标签；

需说明的是，标注头像训练样本的类别时，可在上述类别的基础上进行更细粒度的分类标注，例如，二次元头像作为一级分类，可进一步地按人物形象将二次元头像划分游戏人物、卡通人物、动漫人物等；行业相关头像作为一级分类，可进一步地按行业将行业相关头像划分为金融、餐饮、运动、舞蹈等；宠物头像作为一级分类，可进一步地按动物属性将宠物头像划分为猫、狗、羊驼等。

将多个头像训练样本和每个头像训练样本对应的预先标注的类别标签输入初始的多分类模型；通过初始的多分类模型对头像训练样本的图像特征进行融合处理，得到每个头像训练样本对应的用于表示头像训练样本分别属于各个预设类别的概率的预测分类结果；

具体实施中，可采用imagenet预训练过的网络的参数权值作为初始的多分类模型的初始权值，针对每个头像训练样本，进行归一化处理后，通过变换(比如滤镜、旋转、拉升等样本增强技术)得到多尺度的头像训练样本，提取多尺度的头像训练样本的浅层图像特征和深层图像特征，并将提取的浅层图像特征和深层图像特征进行融合，得到用于表示头像训练样本分别属于各个预设类别的概率的预测分类结果；其中，预训练过的网络可以为inceptionv4，其为基于imagenet数据的预训练模型，还可以为googlenet(又亦inceptionv1)，作为inception网络的开山鼻祖，它使用了1x1的卷积来进行降维并且在多个尺度上同时进行卷积再聚合，在相同的计算量下能提取更多的特征，从而提升训练结果；

根据每个头像训练样本对应的预测分类结果以及预先标注的类别标签，确定分类损失值；

具体实施中，针对每个头像训练样本，将预测分类结果中最大概率对应的类别标签确定为该头像训练样本的类别，根据确定的类别与预先标注的该头像训练样本的类别标签确定分类损失值；

根据分类损失值对初始的多分类网络的模型参数进行调整，直到确定出的分类损失值在预设范围内，得到训练后的多分类模型。

本申请实施例提供的一种多媒体资源推荐方法中，每一类别的头像图像和头像图像对应的行为可以反映用户的性格、情绪等特征，可以用头像图像丰富用户画像。比如，使用卡通人物或有个性图片作为头像的用户比较外向，再比如，使用最新上映的影片中的人物作为头像的用户喜欢电影。在一些可选的实施方式中，可预先建立头像图像的类别信息与用户画像间的对应关系。

例如，本申请实施例将头像图像分为12个类别，每个类别对应的用户画像如下：

二次元头像：二次元头像与系统默认头像不同，通常系统默认头像都是动漫头像，系统默认头像没有二次元文化，二次元头像是典型的动漫类型人物，有故事情节或有动漫元素的；在自媒体应用中有很大部分用户头像属于二次元动漫类别，以日本动漫为例，这类头像都是在动漫或游戏中的人物头像。使用二次元头像的用户，无论用户选择的角色如何，一般有着强大的想象力或娱乐能力，年纪较小，并且喜欢相关动漫产品阅读或消费趋好。由此再细分，根据动漫ip人物和年代的不同，可以分析用户的性别、年龄、职业等信息作为冷启动过程中动漫内容的推荐依据，减少冷启动中对用户感兴趣内容的收拢时间。

系统默认头像：使用系统默认头像的用户，例如使用自媒体应用中自带头像的用户，该类用户可能不经常使用媒体应用，有可能不是目标账户，且该类用户一般具有稳重、随意、年龄高、对产品认知程度低等特点，该类用户大概率是新用户。

风景头像：该类头像对应的用户的性格会偏向于稳重、安稳，并且风景的分类也会有多种。有激烈的火山或瀑布，也有平稳的湖面或山，二者也代表不同的用户心理，但还是以第二者用户为主，彰显了自己随遇而安、生活佛系的状态；值得说明的是，可以将风景头像作为一级头像按景色进一步做更细致的二级分类。

自拍大头照头像：该类别的用户一般对的颜值比较自信，且脸部所占比例越大、越天然的头像表示用户越是自信，自我意识更强，更为独立和自我，也更加不在意他人的评价，不容易受到他人的影响；值得说明的是，可以在自拍大头照头像的基础上，增加一个脸部比例的检测，从而提供更加精确的用户画像信息。

全身照头像：该类别的用户不同于使用自拍大头照头像的用户，该类别的用户心理归纳分析为：自信、自尊心较强、穿着搭配强、时尚感强、希望交际或得到别人的赞赏；值得说明的是，可以将全身照头像作为一级头像按服饰进一步做更细致的二级分类，挖掘更多的用户画像信息。

家人合影头像：该类别的用户家庭感强、责任感强、有尊老爱幼之心，该类的用户带有积极向上的正能量，冷启动过程中可推荐一些严肃题材内容。

情侣合影头像：该类别的用户大多处于热恋期或新婚期，该类别的用户敢于承担责任、在乎爱人，拥有强烈的护女生或护男生安全感，敢于付出、敢于为爱证明；冷启动过程中可推荐一些情感题材内容。

小孩头像：该类别的用户一般初为父母或比较有童心，内心纯洁、天真，喜欢无忧虑的生活。

宠物头像：该类别的用户喜欢小动物，富有爱心，对生活中的琐事不骄不躁，讲究卫生；值得说明的是，可以将宠物头像作为一级头像按宠物类型进一步做更细致的二级分类，比如猫、狗等，冷启动过程中可推荐与具体宠物相关内容。

明星照片：使用明星或伟人照片作为头像的用户，通常比较崇拜、羡慕该人物，获认可该人物的行为、价值观、理念等。可以从该人物性格反向推断该类别的用户的性格；值得说明的是，可以将明星照片作为一级头像按人物进一步做更细致的二级分类，挖掘更多的用户画像信息。

行业相关头像：该类别的用户一般事业心比较强，敢拼敢闯，遇事较为冷静；值得说明的是，可以将行业相关头像作为一级头像按行业进一步做更细致的二级分类，比如金融、it等，冷启动过程中可推荐与具体行业相关内容。

其他：不属于上述11中类别的头像归类为其他，可包括头像行为，例如经常更换头像、偶尔更换头像、基本不更换头像等，通常心理年龄越大、阅历越多、责任感越强的用户更加成熟稳重，换头像的频率会更小，反之亦然；以经常更换头像为例，该类别的用户最近内心处于不平静状态，原因有以下两点：a.用户本身性格问题，如本身性格不成熟、多变；b.用户所处状态变化，如用户正处于升学、就业、恋爱等关键的改变期，情绪不稳定；在辅助以其他信息可以对用户当前状态进行定位；其中，经常更换的频率可以以周或者月为单位，具体由实际业务场景来定义，此类用户在网络中较为活跃，更换频率越低的用户，可以认为越趋于稳定，用户的年龄较大。

在通过多分类模型确定目标账户的头像图像对应的类别信息后，根据类别与用户画像间的对应关系，确定与类别信息对应的用户画像；根据与类别信息对应的用户画像，从候选多媒体资源池中筛选出至少一个目标多媒体资源。

一种可选的实施方式为：提取用户画像中的关键词，得到目标账户的画像标签；确定目标账户的画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间的相似度；根据目标账户的画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间相似度，从候选多媒体资源池中筛选出至少一个目标多媒体资源。

具体实施中，可利用自然语言处理算法(naturallanguageprocessing，nlp)从与类别信息对应的用户画像中提取关键词，得到一个或多个画像标签；例如，从自拍大头照头像类别对应的用户画像中提取的关键词有“自信”、“独立”、“自我”，得到“自信”、“独立”、“自我”的画像标签；其中，nlp包括词频-逆文档频次算法(termfrequency-inversedocumentfrequency，tf-idf)、文档主题生成模型(latentdirichletallocation，lda)、textrank算法等，本申请的实施例对提取关键词的算法不做限制性要求；

确定目标账户的画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间的相似度前，可预先提取候选多媒体资源池中各个候选多媒体资源的资源标签，资源标签可为从多媒体资源的标题、评论、描述内容中提取的关键词，提取关键词的算法与从用户画像中提取关键词的算法一致，在此不再重复；

若目标账户的画像标签与候选多媒体资源的资源标签之间相似度高于设定阈值，则将该候选多媒体资源作为目标多媒体资源；本申请实施例对确定目标账户的画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间的相似度的方法不做限制性要求，可以使用协同过滤算法、矩阵分解算法、因式分解算法、监督学习算法、梯度提升迭代决策树算法等。

需说明的是，在本申请的另一些实施例中，可对候选多媒体资源池中的各个候选多媒体资源进行分类，得到候选多媒体资源的类别标签，确定目标账户的画像标签与候选多媒体资源的类别标签之间的相似度，从相似度高于设定阈值的候选多媒体资源的类别标签对应的候选多媒体资源中提取资源标签，确定目标账户的画像标签与相似度高于设定阈值的候选多媒体资源的类别标签对应的候选多媒体资源的资源标签之间相似度，根据该相似度从候选多媒体资源池中筛选出至少一个目标多媒体资源。与确定目标账户的画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间相似度相比，该方法的计算量较小，提高了推荐效率。

本申请实施例提供的一种多媒体资源推荐方法中，筛选出用于推荐给目标账户的至少一个目标多媒体资源后，可对至少一个目标多媒体资源进行排序，将用户感兴趣程度较高的目标多媒体资源优先推荐给用户。

一种可选的实施方式为，根据各个目标多媒体资源的属性信息以及目标账户的账户特征，确定各个目标多媒体资源对应的用于预测目标账户点击查看目标多媒体资源的概率的排序参数；根据各个目标多媒体资源对应的排序参数，对至少一个目标多媒体资源进行排序后推荐给目标账户，从而提高目标账户留存的时间；

其中，目标账户点击查看目标多媒体资源的概率大小反映了目标账户对多媒体资源的感兴趣程度，可以作为各目标多媒体资源的排序参数，概率值越大，表示用户对目标多媒体资源越感兴趣，用户留存的时间越长，概率值越小，表示用户对目标多媒体资源越不感兴趣，用户留存的时间较短；

具体实施中，目标多媒体资源的属性信息包括目标多媒体资源的消费时长、点击次数、评论数、点赞数等，目标账户的账户特征包括目标账户所处的网络环境(比如3g、4g、wifi等)、目标账户的运动状态(比如做瑜伽、慢跑、坐公交等)、目标账户的上网时间(工作日、休息日、早上、晚上等)、目标账户的地理位置等；可根据各个目标多媒体资源的属性信息以及目标账户的账户特征，确定各个目标多媒体资源对应的用于预测目标账户点击查看目标多媒体资源的概率的排序参数，并根据排序参数对至少一个目标多媒体资源进行排序后推荐给目标账户；

比如，目标账户当前的上午时间为工作日早上8点，此时间段目标账户可能处于上班的路途中，心情较为急迫，消费时长小于5分钟的目标多媒体资源相比于消费时长大于10分钟的目标多媒体资源更能引发目标账户的兴趣，目标账户点击查看消费时长小于5分钟的目标多媒体资源的概率大于点击查看消费时长大于10分钟的目标多媒体资源，消费时长小于5分钟的目标多媒体资源优先推荐给目标账户；

再比如，用户坐地铁时，一般使用的网络环境为3g、4g，网络信号较差，消费视频类目标多媒体资源相对于图文类目标多媒体资源需消耗大量的数据流量，且对网络信号的质量要求较高，此时目标账户点击查看图文类目标多媒体资源的概率较大，可优先将图文类目标多媒体资源推荐给目标账户。

图3d为本申请实施例提供的用户界面中展示的为目标账户推荐的目标多媒体资源界面图。如图3d所示，为头像图像为图x的目标账户推荐的多媒体资源界面图，第一条多媒体资源为图文内容，点赞数为10万，第二条多媒体资源为短视频内容，消费时长为2分11秒，浏览人数为1879。

图4为本申请实施例提供的一种多媒体资源推荐方法的完整流程图，该方法的具体实施流程如下：

在步骤s401中、获取待推荐多媒体资源的目标账户的头像图像；

在步骤s402中、将获取到的头像图像输入cnn模型，确定头像图像对应的类别信息；

在步骤s403中、根据头像图像对应的类别信息，确定与类别信息对应的用户画像；

在步骤s404中、提取用户画像中的关键词，得到目标账户的画像标签；

在步骤s405中、根据目标账户的画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间相似度，从候选多媒体资源池中筛选出至少一个目标多媒体资源；

在步骤s406中、根据各个目标多媒体资源的属性信息以及目标账户的账户特征，确定各个目标多媒体资源对应的用于预测目标账户点击查看目标多媒体资源的概率的排序参数；

在步骤s407中、根据各个目标多媒体资源对应的排序参数，对至少一个目标多媒体资源进行排序后推荐给目标账户。

实施中，本申请的实施例充分利用目标账户的头像图像丰富目标账户的用户画像，一方面，可以更好的了解目标账户的个性、喜号等特征，提高了冷启动过程中为新用户推荐内容的准确性；另一方面，用户画像越丰富，汇聚新用户感兴趣内容的效率越高，进而提升了新用户体验；得到目标账户的用户画像后，从用户画像中得到目标账户的画像标签，根据画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间的相似度筛选出至少一个目标多媒体资源排序后推荐给目标账户，增加了用户点击查看筛选出至少一个目标多媒体资源的概率，提高了新用户的留存率。

图5为本申请实施例提供的一种多媒体资源推荐系统框架图，包括：内容生产端和内容消费端、爬取头像图像数据、上下行内容接口服务器、内容分发出口服务、内容数据库、调度中心服务、人工审核系统、排重服务、统计上报接口服务器、统计数据库、头像分类和挖掘模型、头像挖掘模型及服务、头像数据库、推荐召回系统、推荐排序服务、用户画像服务。下面对应用系统中的各个模块的功能进行介绍：

1、内容生产端和内容消费端

pgc、ugc或者pugc为mcn内容生产者，通过移动终端或者后端接口api系统，提供本地编辑的或者web发布系统提供的图文内容或者视频内容，视频内容包括短视频和小视频，是推荐分发内容的主要内容来源；

其中，内容生产端通过和上下行内容接口服务器的通讯，获取上下行内容接口服务器的接口地址，通过接口地址上传图文内容或者视频内容，图文内容来源通常是轻量级发布端和编辑内容入口，视频内容发布通常是图像采集设备，拍摄过程当中本地视频内容可以选择搭配的音乐，滤镜模板和视频的美化功能等。

内容消费端和上下行内容接口服务器通讯，获取推荐内容的索引信息，索引信息以feeds流的方式展示。当内容消费端发送具体的图文内容或者视频内容请求消息时，内容消费端与内容分发出口服务通讯，获取索引信息中对应的图文内容或者视频内容。

此外，内容生产端和内容消费端将上传和下载过程当中用户播放的行为数据上报给统计上报接口服务器用于统计分析，例如，卡顿，加载时间，播放点击等。

在用户使用产品登录过程中，如使用自媒体应用账号登录，爬取授权的账号id和头像图像存储在头像数据库；也可以主动爬取用户设置的头像图像作为标记的样本，离线获取的头像图像训练样本作为头像分类和挖掘模型的输入。

2、上下行内容接口服务器和内容分发出口服务

上下行内容接口服务器与内容生产端直接通讯，将内容生产端提交的内容的元信息存入内容数据库，内容的元信息通常包括内容的标题，发布者，摘要，封面图，发布时间，文件大小等，并将内容的源文件存入内容数据库。

上下行内容接口服务器给统计上报接口服务器上报每个账户的发文流水信息，发文流水信息包括发文时间、内容类型，同时也把每个账户提供的内容标记信息比如分类、标签、选择的封面图存入内容数据库。

此外，通过上下行内容接口服务器将内容生产端提交的内容同步给调度中心服务，调度中心服务进行的内容处理和流转。

内容分发出口服务和推荐排序服务通讯，获取推荐排序后的内容，将获取的内容以feeds形式发送给内容消费端，内容分发出口服务通常是一组地域上就近部署下用户附件的接入服务。

3、内容数据库

内容数据库，保存内容生产端产生的内容的元信息，元信息通常包括内容的标题，发布者，摘要，封面图，发布时间，文件大小，封面图链接，码率，文件格式，是否原创的标记或者首发，以及人工审核过程中对内容的分类等。人工审核过程中对内容的分类包括一、二、三级别分类和标签信息，比如一篇讲解华为手机的文章，一级分科是科技，二级分类是智能手机，三级分类是国内手机，标签信息是华为，mate30；审核过程当中从内容数据库中读取内容元信息，并将审核的结果和状态回传进入内容数据库。

内容处理主要包括机器处理和人工审核处理，依据不同的内容标记，内容数据库分为不同的内容池。推荐排序服务、排重服务、推荐召回系统都需要从内容数据库当中获取内容，比如排重服务会依据业务需求加载过去一段时间(如一周)已经入库启用的内容，对于重复重新入库的内容将加上过滤标记不再提供给内容分发出口服务展示给用户。

4、调度中心服务

调度中心服务负责内容流转的整个调度过程，控制上下行内容接口服务器接收上传的内容，以及从内容数据库中获取内容的元信息；调度排重服务对重复入库的内容进行标记和过滤，同时把去重流水信息同步给头像分类和挖掘模型；此外，对于机器无法处理的内容，如政治问题、安全问题，调度中心服务调度人工审核系统进行人工审核处理。

5、人工审核系统

人工审核系统是人工服务能力的载体，主要用于审核过滤政治敏感、色情、法律不允许等机器无法确定判断的内容，同时还对进行内容的标签标注和二次确认，审核的内容来自于自媒体应用发布的和从公共网络上获取的；

人工审核的结果通过调度中心服务写入内容数据库中。

6、排重服务

排重服务和调度中心服务通讯，用于标题去重、封面图的图片去重、内容正文去重及视频指纹和音频指纹去重等。可采用simhash或bert对正文向量、图片向量去重，对于视频内容可抽取视频指纹和音频指纹构建向量，然后计算向量之间的距离(比如欧式距离)来确定是否重复。具体的排重方法本申请实施例中不作赘述。

7、统计上报接口服务器

统计上报接口服务器接收内容消费端上报的用户当前网络环境、用户对feeds的点击操作行为、feeds的曝光数据等，并将上报的数据结果写入统计数据库；

此外，统计上报接口服务器接收上下行内容接口服务器上报的账号发文原始流水。

8、头像分类和挖掘模型

读取头像数据库中的头像图像数据，按照本申请实施例提供的多分类模型进行训练。

9、头像挖掘模型及服务

对目标账户更换和上传的头像图像进行特性提取和融合，预测头像图像对应的类别信息，将最大概率对应的类别作为该头像图像的类别；

此外，头像挖掘模型及服务与用户画像服务通讯，将头像图像分类的结果发送至用户画像服务。

10、头像数据库

头像数据库与头像分类和挖掘模型、头像挖掘模型及服务通讯，提供头像图像的样本数据和新增的头像图像数据，保存从互联网上爬取的头像图像数据。

11、推荐召回系统

推荐召回系统实现对内容的召回，召回算法包括协同召回、分类、主题召回、用户历史行为召回、用户的长短期兴趣点召回等各种不同的召回算法；

此外，推荐召回系统与用户画像服务通讯，使用头像挖掘模型及服务对应的用户画像召回候选多媒体资源。

12、推荐排序服务

推荐排序服务包括粗排和精排，对推荐召回系统的结果进行排序，根据目标多媒体资源属性信息(比如目标多媒体资源的点击率、消费时长)，结合目标账户的账户特征，预测目标账户点击查看目标多媒体资源的概率的排序参数；根据各个目标多媒体资源对应的排序参数，同时结合一定业务的规则策略，对各个目标多媒体资源进行排序后推荐给目标账户。

13、用户画像服务

用户画像服务保存头像挖掘模型及服务挖掘的用户画像结果及其他渠道挖掘的用户画像静态信息；

此外，用户画像服务为推荐召回系统提供服务，用于冷启动过程中为目标账户汇聚内容。

需要说明的是，上述应用场景仅是示例的，并不构成对本申请保护范围的限定。

基于同一发明构思，本申请实施例中还提供了一种多媒体资源推荐装置，由于该装置解决问题的原理与上述多媒体资源推荐方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。

如图6所示，为本申请实施例提供的一种多媒体资源推荐装置的结构示意图，包括：

获取模块601，用于获取待推荐多媒体资源的目标账户的头像图像；

确定模块602，用于根据获取到的头像图像中头像区域的内容，确定头像图像对应的类别信息；

筛选模块603，用于根据头像图像对应的类别信息，从候选多媒体资源池中筛选出至少一个目标多媒体资源；

推荐模块604，用于将筛选出的至少一个目标多媒体资源推荐给目标账户。

一种可选的实施方式为，确定模块602具体用于：

从头像图像中提取用于表示头像区域的内容的图像特征；

对提取到的图像特征进行融合处理，确定头像图像对应的类别信息。

一种可选的实施方式为，确定模块602具体用于：

基于已训练的多分类模型的卷积层，从头像图像中提取图像特征；

通过已训练的多分类模型的全连接层，对提取出的图像特征进行融合处理，得到用于表示头像图像分别属于各个预设类别的概率的分类结果；根据分类结果，确定头像图像对应的类别信息。

一种可选的实施方式为，根据下列方式对多分类模型进行训练：

从头像数据库中获取多个头像训练样本；

将多个头像训练样本和每个头像训练样本对应的预先标注的类别标签输入初始的多分类模型；通过初始的多分类模型对头像训练样本的图像特征进行融合处理，得到每个头像训练样本对应的用于表示头像训练样本分别属于各个预设类别的概率的预测分类结果；

根据每个头像训练样本对应的预测分类结果以及预先标注的类别标签，确定分类损失值；

根据分类损失值对初始的多分类网络的模型参数进行调整，直到确定出的分类损失值在预设范围内，得到训练后的多分类模型。

一种可选的实施方式为，筛选模块603具体用于：

根据头像图像对应的类别信息，确定与类别信息对应的用户画像；

根据与类别信息对应的用户画像，从候选多媒体资源池中筛选出至少一个目标多媒体资源。

一种可选的实施方式为，筛选模块603具体用于：

提取用户画像中的关键词，得到目标账户的画像标签；

确定目标账户的画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间的相似度；

根据目标账户的画像标签与候选多媒体资源池中各个候选多媒体资源的资源标签之间相似度，从候选多媒体资源池中筛选出至少一个目标多媒体资源。

一种可选的实施方式为，推荐模块604具体用于：

根据各个目标多媒体资源的属性信息以及目标账户的账户特征，确定各个目标多媒体资源对应的用于预测目标账户点击查看目标多媒体资源的概率的排序参数；

根据各个目标多媒体资源对应的排序参数，对至少一个目标多媒体资源进行排序后推荐给目标账户。

为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。

另外，本申请实施例还提供一种电子设备700。如图7所示，包括：至少一个处理器701；以及与至少一个处理器通信连接的存储器702；其中，

存储器702存储有可被至少一个处理器701执行的指令，指令被至少一个处理器701执行，以使至少一个处理器701能够执行上述多媒体资源推荐方法。

在介绍了本申请示例性实施方式的多媒体推荐方法和装置之后，接下来，介绍根据本申请的另一示例性实施方式的计算装置。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本申请的计算装置可以至少包括至少一个处理单元、以及至少一个存储单元。其中，存储单元存储有程序代码，当程序代码被处理单元执行时，使得处理单元执行本说明书上述描述的根据本申请各种示例性实施方式的测试数据处理方法中的步骤。例如，处理单元可以执行如图2或图4所示的多媒体资源推荐方法的流程。

下面参照图8来描述根据本申请的这种实施方式的计算装置800。图8显示的计算装置800仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算装置800以通用计算设备的形式表现。计算装置800的组件可以包括但不限于：上述至少一个处理单元801、上述至少一个存储单元802、连接不同系统组件(包括存储单元802和处理单元801)的总线803。

总线803表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储单元802可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)821和/或高速缓存存储器822，还可以进一步包括只读存储器(rom)823。

存储单元802还可以包括具有一组(至少一个)程序模块824的程序/实用工具825，这样的程序模块824包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

计算装置800也可以与一个或多个外部设备804(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置800交互的设备通信，和/或与使得该计算装置800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口805进行。并且，计算装置800还可以通过网络适配器806与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器806通过总线803与用于计算装置800的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

本申请实施例还提供一种计算机可存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述标题文本处理方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。