一种信息预测方法、装置、设备及计算机可读存储介质与流程

本申请涉及人工智能领域中的信息处理技术，尤其涉及一种信息预测方法、装置、设备及计算机可读存储介质。

背景技术：

在一个业务领域中，通常对应多个以不同训练目标所得到的模型；比如，推荐领域中，包括以时长为训练目标所得到的模型、以阅读完成率为训练目标所得到的模型和以浏览量为目标所得到的模型等；因此，一个业务领域中包括多个模型，通常基于其中的任一模型实现业务领域的一次信息预测。

一般来说，当接收到请求进行信息预测时，通常基于该请求确定模型配置信息，并利用模型配置信息进行特征处理、模型预测和结果处理等处理。然而，上述进行信息预测的过程中，特征处理、模型预测和结果处理等处理之间的耦合度较高，信息预测的复杂度较高，导致信息预测的效率较低。

技术实现要素：

本申请实施例提供一种信息预测方法、装置、设备及计算机可读存储介质，能够提升信息预测的效率。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种信息预测方法，包括：

获取与预测任务对应的模型配置信息；

通过公共预测接口，调用与所述模型配置信息适配的目标预测模块，其中，所述公共预测接口为各种模型配置信息所对应的模型的预测模块的调用接口；

基于所述目标预测模块，对所述预测任务对应的待预测信息进行预测，得到预测输出信息；

通过公共输出处理接口，调用与所述模型配置信息适配的目标输出处理模块，其中，所述公共输出处理接口为所述各种模型配置信息所对应的模型的输出处理模块的调用接口；

基于所述目标输出处理模块，对所述预测输出信息进行处理，得到目标预测结果，以基于所述目标预测结果进行信息推荐。

本申请实施例提供一种信息预测装置，包括：

信息获取模块，用于获取与预测任务对应的模型配置信息；

第一调用模块，用于通过公共预测接口，调用与所述模型配置信息适配的目标预测模块，其中，所述公共预测接口为各种模型配置信息所对应的模型的预测模块的调用接口；

信息预测模块，用于基于所述目标预测模块，对所述预测任务对应的待预测信息进行预测，得到预测输出信息；

第二调用模块，用于通过公共输出处理接口，调用与所述模型配置信息适配的目标输出处理模块，其中，所述公共输出处理接口为所述各种模型配置信息所对应的模型的输出处理模块的调用接口；

结果处理模块，用于基于所述目标输出处理模块，对所述预测输出信息进行处理，得到目标预测结果，以基于所述目标预测结果进行信息推荐。

在本申请实施例中，所述目标预测模块包括目标特征处理模块和目标特征预测模块；所述信息预测模块，还用于基于所述目标特征处理模块，获取与所述待预测信息对应的待预测特征；基于所述目标特征预测模块，对所述待预测特征进行预测，得到所述预测输出信息。

在本申请实施例中，所述信息预测装置还包括模型增加模块，用于响应模型增加请求，获取所述模型配置信息；构建与所述模型配置信息适配的所述目标预测模块、以及与所述模型配置信息适配的所述目标输出处理模块；在初始公共预测接口中，增加所述目标预测模块的调用接口，得到所述公共预测接口；在初始公共输出处理接口中，增加与所述目标输出处理模块的调用接口，得到所述公共输出处理接口。

在本申请实施例中，所述第一调用模块，还用于从所述公共预测接口中，获取与所述模型配置信息适配的目标预测接口，其中，所述目标预测接口为所述目标预测模块的调用接口；获取所述目标预测接口的实现信息，得到所述目标预测模块。

在本申请实施例中，所述信息预测装置还包括模型修改模块，用于响应模型修改请求，修改所述目标预测模块和/或所述目标输出处理模块，以基于修改后的目标预测模块和/或修改后的输出处理模块进行信息预测。

在本申请实施例中，所述模型配置信息还包括预测参数，所述预测参数包括调试模式参数、模型输出参数和预测特征参数中的至少一种；其中，所述调试模式参数用于确定中间数据的保存处理，所述模型输出参数用于指示输出数据的模型节点，所述预测特征参数用于确定待预测信息的特征处理。

在本申请实施例中，所述信息预测装置还包括模型增加模块，用于响应新模型增加请求，获取待增加模型配置信息；构建与所述待增加模型类型适配的待增加预测模块、以及与所述待增加模型类型适配的待增加输出处理模块；在所述公共预测接口中，增加所述待增加预测模块的调用接口，以及在所述公共输出处理接口中，增加与所述待增加输出处理模块的调用接口，以通过增加后的公共预测接口调用所述待增加预测模块、以及根据增加后的公共输出处理接口调用所述待增加输出处理模块，实现与待增加模型配置信息对应的信息预测。

在本申请实施例中，所述信息预测装置还包括样本拆分模块，用于获取样本批尺寸，其中，所述样本批尺寸为执行一次信息预测的样本数量；基于所述样本批尺寸，对待预测样本序列进行拆分，得到至少一个待预测信息，其中，所述至少一个待预测信息中的一个待预测信息所包括的待预测样本的数量为所述样本批尺寸；

在本申请实施例中，所述结果处理模块，还用于获取与所述至少一个待预测信息对应的至少一个目标预测结果。

在本申请实施例中，所述样本拆分模块，还用于当所述模型配置信息对应的输出类型为向量类型时，确定所述样本批尺寸为第一批尺寸阈值；当所述模型配置信息对应的输出类型为非向量类型时，确定所述样本批尺寸为第二批尺寸阈值，其中，所述第一批尺寸阈值大于所述第二批尺寸阈值。

在本申请实施例中，所述信息预测装置还包括信息推荐模块，用于获取所述预测任务对应的用户标识；将所述至少一个目标预测结果与所述用户标识对应的目标用户的组合信息，发送至显示设备，以使显示设备显示所述组合信息，以根据显示的所述组合信息，从待预测样本序列对应的待推荐信息序列中确定所述目标用户的推荐信息。

本申请实施例提供一种信息预测设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的信息预测方法。

本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的信息预测方法。

本申请实施例至少具有以下有益效果：在执行预测任务实现信息预测时，由于各种模型配置信息所对应的模型的预测模块的调用、以及各种模型配置信息所对应的模型的输出处理模块的调用，均是通过公共接口实现的，使得各种模型配置信息所对应的模型的各个预测模块之间、以及各种模型配置信息所对应的模型的各个输出处理模块之间均是独立的；因此，特征处理、模型预测和结果处理等处理之间的耦合度较低，从而，能够降低信息预测的复杂度，提升信息预测的效率。

附图说明

图1是一种示例性的信息预测方法的流程示意图；

图2是本申请实施例提供的信息预测系统的一个可选的架构示意图；

图3是本申请实施例提供的图2中的一种服务器的组成结构示意图；

图4是本申请实施例提供的信息预测方法的一个可选的流程示意图；

图5是本申请实施例提供的信息预测方法的另一个可选的流程示意图；

图6是本申请实施例提供的信息预测方法的又一个可选的流程示意图；

图7是本申请实施例提供的一种信息预测的架构示意图；

图8是本申请实施例提供的信息预测方法的再一个可选的流程示意图；

图9是本申请实施例提供的信息预测方法的另又一个可选的流程示意图；

图10是本申请实施例提供的一种示例性的信息预测的架构示意图；

图11是本申请实施例提供的一种示例性的信息预测的流程设计图；

图12是本申请实施例提供的一种示例性的信息预测流程示意图；

图13是本申请实施例提供的一种初始化预测接口的流程示意图；

图14是本申请实施例提供的一种初始化格式化接口的流程示意图；

图15是本申请实施例提供的一种示例性的基于预测对象和格式化对象进行信息预测的流程示意图。

具体实施方式

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，所描述的实施例不应视为对本申请的限制，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。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)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。

2)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。机器学习通常包括人工神经网络、置信网络、强化学习、迁移学习和归纳学习等技术；本申请实施例中的模型是基于机器学习获得的。

3)待预测样本：又称为打分样本或打分物品，是指需要打分的信息，比如，信息流推荐中的文章和视频等。

4)模型：用于对待预测样本进行打分的网络模型；通常通过模型的api(applicationprogramminginterface，应用程序接口)，请求模型服务，以获取模型输出结果。

5)预测代理模块：用于执行样本特征的处理、模型服务的请求和模型输出结果的处理等一系列逻辑处理的模块。

需要说明的是，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。

另外，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。

随着人工智能技术的研究和进步，人工智能技术在多个领域展开了研究和应用；例如，常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗和智能客服等；随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值；比如，还可以将人工智能应用在推荐领域。本申请实施例中所涉及的人工智能在推荐领域的应用将在后续进行说明。

一般来说，在信息预测的应用场景中，通常先获取一批待预测样本的特征，然后将一批待预测样本的特征输入到模型中进行信息预测，最终得到每个待预测样本的打分结果。其中，信息预测涉及的品类推荐覆盖三端(看点、快报和浏览器)频道、短内容和小说等多类业务，而每个业务都涉及多种类型的信息预测。针对待预测样本的特征的获取，例如，包括以下a、b和c三种方式：

a、预测代理模块内部先提取待预测样本的原始特征，然后对提取的原始特征进行处理，最后调用模型对处理后的原始特征进行信息预测，并输出结果；

b、业务侧向预测代理模块传递待预测样本的原始特征，预测代理模块内部对传递的原始特征进行处理，最后调用模型对处理后的原始特征进行信息预测，并输出结果；

c、业务侧向预测代理模块传递待预测样本处理后的原始特征(可用于预测的特征)，预测代理模块内部对传递来的处理后的原始特征进行信息预测，并输出结果。

以及，针对用于信息预测的模型，也涉及多种不同类型的模型；例如，预测模型、回归模型、单目标模型、多目标模型等。

此外，针对模型的输出结果，也涉及多种不同格式的输出结果；例如，每个待预测样本的打分结果、每个待预测样本的向量(用作向量召回)、每个待预测样本对应的模型的原始输出(用作强化学习)、每个待预测样本的多路打分结果和每个待预测样本的多路打分结果的融合打分结果等。

在多种特征处理方式、多种模型预测方式和多种输出结果处理方式的信息预测场景中，当预测代理模块接收到请求进行信息预测时，通常基于该请求确定模型配置信息，并利用模型配置信息进行特征处理、模型预测和结果处理等处理。然而，上述进行信息预测的过程中，特征处理、模型预测和结果处理等处理之间的耦合度较高，信息预测的复杂度较高，导致信息预测的效率较低。

示例性地，参见图1，图1是一种示例性的信息预测方法的流程示意图；如图1所示，该示例性的信息预测方法包括如下步骤：

s101、接收信息预测请求。

s102、响应信息预测请求，拉取模型配置信息。

这里，信息预测请求中通常携带着模型标识，通过模型标识拉取模型配置信息。

s103、判断模型配置信息是否拉取成功；当拉取失败时，则执行s104；当拉取成功时，则执行s105。

s104、返回拉取失败提示信息。

s105、判断是否支持模型配置信息中的模型类型；当不支持时，则执行s106；当支持时，则执行s107。

s106、返回不支持提示信息。

s107、判断模型类型是否与无量模型对应；当不对应时，则执行s108；当对应时，则执行s109。

s108、模型类型与其他模型是否对应的判断。

这里，以无量模型的信息预测为例进行说明，其他模型，比如“tensorflow”模型的信息预测与无量模型的信息预测类似，所存在的不同为所调用的api不同，输出结果的格式不同，输出结果的处理方式不同。

s109、基于无量模型获取特征；执行s110和s113。

s110、判断是否保存获取的特征；如果是，则执行s111；如果否，则执行s112。

s111、保存特征。

这里，保存原始特征和对原始特征处理后的特征。

s112、不保存特征。

s113、判断无量模型的输出结果是否是向量；如果是，则执行s114；如果否，则执行s115。

s114、设置批尺寸为无穷大；执行s116。

这里，由于输出结果是向量时，一批待预测样本对应的输出结果是每个待预测样本对应的向量的拼接，多批待预测样本对应的输出结果是每批的拼接结果的拼接；由于分批执行信息预测可能存在部分批次的信息预测是成功的，而部分批次的信息预测是失败的情况；因此，为了保证整体输出结果与多批待预测样本的一致性，在输出结果是向量时，将批尺寸设置为正无穷，将待预测样本序列作为一个批次进行信息预测。

s115、设置批尺寸为批尺寸阈值。

这里，批尺寸阈值比如为50、30或100等。

s116、按照设置的批尺寸对待预测样本序列进行拆分。

s117、基于模型类型判断无量模型是否是多目标模型；如果是，则执行s118；如果否，则执行s122。

s118、调用多目标模型接口对一批待预测信息进行信息预测。

s119、判断是否融合信息预测出的多个打分结果；如果是，则执行s120；如果否，则执行s123。

s120、解析多目标模型参数；这里，即获取多目标中每个目标对应的权重信息的处理，比如，时长目标的权重为0.5，阅读完成率目标的权重为0.3，面浏览量目标的权重为0.2。执行s121。

s121、基于多目标模型参数融合多个打分结果。执行s123。

s122、调用单目标模型接口对一批待预测信息进行信息预测。

s123、记录输出结果；即记录单个打分结果或融合后的多个打分结果或多个打分结果。

s124、判断记录的输出结果是否是向量；如果是，则执行s125；如果否，则执行s126。

s125、保存一批输出结果的拼接结果；执行s129。

s126、判断记录的输出结果是否是多目标模型的多个打分结果；如果是，则执行s127；如果否，则执行s128。

s127、保存多个打分结果；执行s129。

s128、保存打分结果；执行s129。

这里，并发执行s117-s128即并发调用模型进行信息预测。

s129、判断是否所有批次待预测信息的信息预测均失败；如果是，则执行s130；如果否，则执行s131。

s130、返回信息预测失败的提示信息。

s131、判断是否保存信息预测成功的各批次输出结果；如果是，则执行s132；如果否，则执行s133。

这里，保存的是所有成功地完成信息预测的输出结果，可用于调试。

s132、保存信息预测成功的各批次输出结果。

s133、判断信息预测成功的各批次输出结果是否是向量；如果，则执行s134；如果否，则执行s135。

s134、拼接信息预测成功的各批次输出结果。执行s136。

s135、基于信息预测成功的各批次输出结果对待预测样本序列进行排序。

s136、回包处理；即返回拼接的输出结果或返回排序后的待预测样本序列。

这里，在确定分批的批尺寸后，将待预测样本序列按照批尺寸进行拆分，每拆分一组，然后请求模型进行信息预测，模型响应后对当前批次的结果和是否失败做一个记录，当所有的批次都请求完成后，最后再根据输出结果的不同，进行不同方式的聚合和汇总。最终将预测结果响应给业务方。另外，预测代理模块为方便快速进行模型调试，在上述信息预测的各个环节：获取特征、单批次输出结果、所有批次的输出结果都进行判断，是否需要保存数据；易知，在模型调试时，会将上述各个环节的数据进行保存，查看信息预测链路的各个环节的数据，以便快速定位和调试模型。

基于s101-s136描述的信息预测方法，易知，整个预测模块流程到处充满着判断逻辑，例如一个输出结果为向量的判断有好几个地方都在执行；预测流程逻辑较为复杂，在并发环境中难以调试；不同类型的模型的预测流程类似，从而不同类型的模型预测中存在重复的代码逻辑；预测代理模块中各个环节紧耦合，不利于需求的迭代和扩展。也就是说，模块的可扩展性不高，不利于后续需求迭代；模块之间紧耦合：拉取特征、请求模型、格式化输出耦合在一起；代码逻辑复杂、交接成本高，模块的扩展和维护的可行性较低。

基于此，本申请实施例提供一种信息预测方法、装置、设备和计算机可读存储介质，能够降低信息预测的复杂度，提升信息预测的效率，还能够提升信息预测的可扩展性和可维护性，以及降低信息预测的成本。

下面说明本申请实施例提供的信息预测设备的示例性应用，本申请实施例提供的信息预测设备可以实施为笔记本电脑，平板电脑，台式计算机，机顶盒，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的用户终端，也可以实施为服务器。下面，将说明信息预测设备实施为服务器时的示例性应用。

参见图2，图2是本申请实施例提供的信息预测系统的一个可选的架构示意图；如图2所示，为支撑一个信息预测应用，在信息预测系统100中，服务器200(信息预测设备)通过网络300连接终端400(显示设备)，网络300可以是广域网或者局域网，又或者是二者的组合。另外，该信息预测系统100中还包括数据库500，用于向服务器200提供数据支持；以及，该信息预测系统100中还包括终端600，通过网络300与终端400建立了连接。

服务器200，用于通过网络300接收终端400发送的预测任务，获取与预测任务对应的模型配置信息；通过公共预测接口，调用与模型配置信息适配的目标预测模块，其中，公共预测接口为各种模型配置信息所对应的模型的预测模块的调用接口；基于目标预测模块，对预测任务对应的待预测信息进行预测，得到预测输出信息；通过公共输出处理接口，调用与模型配置信息适配的目标输出处理模块，其中，公共输出处理接口为各种模型配置信息所对应的模型的输出处理模块的调用接口；基于目标输出处理模块，对预测输出信息进行处理，得到目标预测结果，以基于目标预测结果进行信息推荐。还用于通过网络300向终端400发送目标预测结果。

终端400，用于接收作用在信息预测控件上的操作，响应该操作通过网络300向服务器200发送预测任务。还用于通过网络300接收服务器200发送的目标预测结果，以及基于目标预测结果，通过网络300向终端600发送推荐信息。

终端600，用于通过网络300接收终端400基于目标预测结果发送的推荐信息，并在图形界面上显示该推荐信息。

在一些实施例中，服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(contentdeliverynetwork，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端400和终端600可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例中不做限制。

参见图3，图3是本申请实施例提供的图2中的一种服务器的组成结构示意图，图3所示的服务器200包括：至少一个处理器210、存储器250、至少一个网络接口220和用户接口230。服务器200中的各个组件通过总线系统240耦合在一起。可理解，总线系统240用于实现这些组件之间的连接通信。总线系统240除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统240。

处理器210可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(dsp，digitalsignalprocessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口230包括使得能够呈现媒体内容的一个或多个输出装置231，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口230还包括一个或多个输入装置232，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器250可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器250可选地包括在物理位置上远离处理器210的一个或多个存储设备。

存储器250包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(rom，readonlymemory)，易失性存储器可以是随机存取存储器(ram，randomaccessmemory)。本申请实施例描述的存储器250旨在包括任意适合类型的存储器。

在一些实施例中，存储器250能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统251，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块252，用于经由一个或多个(有线或无线)网络接口220到达其他计算设备，示例性的网络接口220包括：蓝牙、无线相容性认证(wi-fi)、和通用串行总线(usb，universalserialbus)等；

呈现模块253，用于经由一个或多个与用户接口230相关联的输出装置231(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作外围设备和显示内容和信息的用户接口)；

输入处理模块254，用于对一个或多个来自一个或多个输入装置232之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本申请实施例提供的信息预测装置可以采用软件方式实现，图3示出了存储在存储器250中的信息预测装置255，其可以是程序和插件等形式的软件，包括以下软件模块：信息获取模块2551、第一调用模块2552、信息预测模块2553、第二调用模块2554、结果处理模块2555、模型增加模块2556、模型修改模块2557、样本拆分模块2558和信息推荐模块2559，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。

将在下文中说明各个模块的功能。

在另一些实施例中，本申请实施例提供的信息预测装置可以采用硬件方式实现，作为示例，本申请实施例提供的信息预测装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的信息预测方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(asic，applicationspecificintegratedcircuit)、dsp、可编程逻辑器件(pld，programmablelogicdevice)、复杂可编程逻辑器件(cpld，complexprogrammablelogicdevice)、现场可编程门阵列(fpga，field-programmablegatearray)或其他电子元件。

下面，将结合本申请实施例提供的服务器的示例性应用和实施，说明本申请实施例提供的信息预测方法。

参见图4，图4是本申请实施例提供的信息预测方法的一个可选的流程示意图，将结合图4示出的步骤进行说明。

s401、获取与预测任务对应的模型配置信息。

在本申请实施例中，当业务侧通过终端请求对待预测信息进行打分处理时，服务器也就接收到了预测任务；由于该预测任务是通过模型执行的，因此，服务器能够获取到该预测任务对应的模型配置信息。

需要说明的是，预测任务是指基于指定模型对待预测信息执行预测处理的任务；模型配置信息是指执行预测任务时所涉及的模型的相关信息，比如，模型的输入特征格式、模型名称和模型输出结果的格式。

s402、通过公共预测接口，调用与模型配置信息适配的目标预测模块。

在本申请实施例中，服务器中预先设置有公共预测接口，或者服务器能够获取到公共预测接口，该公共预测接口为各种模型配置信息所对应的模型的预测模块的调用接口；因此，服务器获得了预测任务并获得了预测任务对应的模型配置信息之后，通过公共预测接口，就能够实现与模型配置信息适配的目标预测模块的调用。

需要说明的是，服务器作为预测代理模块，能够请求多个模型中的一个模型进行信息预测，其中，一个模型对应一个预测模块；另外，公共预测接口为各个预测模块的公共调用接口，各个预测模块与各种模型配置信息一一对应，各种模型配置信息中的一种模型配置信息对应一个模型；而目标预测模块为各个预测模块中的一个预测模块，与模型配置信息对应，用于实现对待预测信息的预测。

s403、基于目标预测模块，对预测任务对应的待预测信息进行预测，得到预测输出信息。

需要说明的是，由于预测任务是指对待预测信息执行信息预测的任务，因此，预测任务还对应着待预测信息；另外，由于目标预测模块用于对待预测信息执行预测处理，因此，服务器获得了目标预测模块之后，基于该目标预测模块对待预测信息进行预测，所获得的预测结果即预测输出信息。

这里，待预测信息可以是可直接利用模型进行预测的特征，还可以是待抽取特征的信息，又可以是待处理的抽取后的特征，等等，本申请实施例对此不作具体限定；只是当待预测信息不是可直接利用模型进行预测的特征时，需要利用目标预测模块获取待预测信息对应的可直接利用模型进行预测的特征；从而，目标预测模块包括与模型配置信息对应的模型，还可能包括特征处理的模块。

s404、通过公共输出处理接口，调用与模型配置信息适配的目标输出处理模块。

需要说明的是，由于不同的模型的输出结果的格式不同，有的是向量、有的是单个分值，有的是多个分值，等等；因此，服务器还需要对预测输出信息进行处理，以得到最终的预测结果，比如，向量拼接、多个分值的融合或排序等。这里，服务器中预先设置有公共输出处理接口，或者服务器能够获取到公共输出处理接口，该公共输出处理接口为各种模型配置信息所对应的模型的输出处理模块的调用接口；因此，服务器获得了预测输出信息之后，通过公共输出处理接口，就能够实现与模型配置信息适配的目标输出处理模块的调用。

这里，公共输出处理接口为各个输出处理模块的公共调用接口，各个输出处理模块与各种模型配置信息一一对应；而目标输出处理模块为各个输出处理模块中的一个输出处理模块，与模型配置信息对应，用于实现对预测输出信息的处理。

s405、基于目标输出处理模块，对预测输出信息进行处理，得到目标预测结果，以基于目标预测结果进行信息推荐。

在本申请实施例中，服务器获得了目标输出处理模块之后，基于该目标输出处理模块对预测输出信息进行格式化、整合、排序或拼接等处理，所获得的处理结果即目标预测结果。

需要说明的是，目标预测结果为预测任务的信息预测结果，可以基于该目标预测结果确定推荐信息，以实现信息推荐。

可以理解的是，本申请实施例通过两个公共调用接口(公共预测接口和公共输出处理接口)，调用与预测任务对应的模型配置信息适配的目标预测模块和目标输出处理模块，来对待预测信息执行信息预测，实现了预测和输出处理的解耦；从而，各模块之间的耦合度较低，从而，能够降低信息预测的复杂度，提升信息预测的效率。

在本申请实施例中，目标预测模块包括目标特征处理模块和目标特征预测模块；其中，目标特征处理模块用于获取待预测信息的可直接利用模型进行预测的特征，而目标特征预测模块用于将目标特征处理模块的输出作为输入执行预测。

相应地，参见图5，图5是本申请实施例提供的信息预测方法的另一个可选的流程示意图；如图5所示，在本申请实施例中，s403可通过s4031和s4032实现；也就是说，服务器基于目标预测模块，对预测任务对应的待预测信息进行预测，得到预测输出信息，包括s4031和s4032，下面对各步骤分别进行说明。

s4031、基于目标特征处理模块，获取与待预测信息对应的待预测特征。

需要说明的是，公共预测接口为各种模型配置信息所对应的模型的预测模块的调用接口，是指，公共预测接口即是各种模型配置信息所对应的模型的特征处理模块的调用接口，还是各种模型配置信息所对应的模型的特征预测模块的调用接口。也就是说，各种模型配置信息对应各个特征处理模块，各种模型配置信息对应各个特征预测模块；而目标特征处理模块为各个特征处理模块中的一个特征处理模块，与模型配置信息对应；另外，待预测特征为可直接利用模型进行预测的特征。

s4032、基于目标特征预测模块，对待预测特征进行预测，得到预测输出信息。

需要说明的是，目标特征预测模块为各个特征预测模块中的一个特征预测模块，与模型配置信息对应。

可以理解的是，通过公共接口调用各个处理过程所涉及的信息，使得特征处理、模型预测和结果处理等处理之间的耦合度较低，从而，能够降低信息预测的复杂度，提升信息预测的效率。

参见图6，图6是本申请实施例提供的信息预测方法的又一个可选的流程示意图；如图6所示，在本申请实施例中，s401之前还包括s406-s409；也就是说，服务器获取与预测任务对应的模型配置信息之前，该信息预测方法还包括s406-s409，下面对各步骤分别进行说明。

s406、响应模型增加请求，获取模型配置信息。

在本申请实施例中，当进行模型注册时，在终端的模型注册界面上，也就接收到了作用在模型增加控件(比如，特征列表的输入控件和提交输入信息的确定按钮等)上的模型增加操作；此时，响应模型增加操作，服务器也就接收到了模型增加请求，该模型增加请求用于请求增加与模型对应的各个处理模块。首先，服务器响应模型增加请求，获取模型配置信息，因为，所请求增加的与模型对应的各个处理模块，是与模型配置信息适配的。

另外，模型增加请求还可以是响应服务器自身上的模型修改界面接收操作而生成的。

s407、构建与模型配置信息适配的目标预测模块、以及与模型配置信息适配的目标输出处理模块。

在本申请实施例中，服务器获得了模型配置信息之后，构建与模型配置信息适配的用于实现预测功能的模块，也就得到了目标预测模块；以及构建与模型配置信息适配的用于实现输出结果的处理的模块，也就得到了目标输出处理模块。

需要说明的是，目标预测模块和目标输出处理模块还可以是其他设备传输给服务器的，此时，不再需要服务器构建目标预测模块和目标输出处理模块。

s408、在初始公共预测接口中，增加目标预测模块的调用接口，得到公共预测接口。

在本申请实施例中，服务器获得了与模型配置信息适配的目标预测模块之后，在初始公共预测接口中，增加目标预测模块的调用接口，也就得到了公共预测接口，从而，也就能够通过公共预测接口实现对目标预测模块的调用了。

需要说明的是，初始公共预测接口同公共预测接口类似，用于调用预测模块，区别在于公共预测接口中比初始公共预测接口中多包括了目标预测模块的调用接口。

s409、在初始公共输出处理接口中，增加与目标输出处理模块的调用接口，得到公共输出处理接口。

在本申请实施例中，服务器获得了与模型配置信息适配的目标输出处理模块之后，在初始公共输出处理接口中，增加目标输出处理模块的调用接口，也就得到了公共输出处理接口；从而，也就能够通过公共输出处理接口实现对目标输出处理模块的调用了。

需要说明的是，初始公共输出处理接口同公共输出处理接口类似，用于调用输出处理模块，区别在于公共输出处理接口中比初始公共输出处理接口中多包括了目标输出处理模块的调用接口。

在本申请实施例中，实现了对信息预测过程中所涉及信息的分层，参见图7，图7是本申请实施例提供的一种信息预测的架构示意图；如图7所示，信息预测的架构包括：特征预测层7-1、特征处理层7-2、预测调用层7-3和结果处理层7-4，且各层的执行顺序7-5如图7箭头所示。其中，特征预测层7-1对应各个特征预测模块，包括各种类型的模型：模型7-11、模型7-12、模型7-13、模型7-14、…；特征处理层7-2对应各个特征处理模块：抽取并处理模块7-21、处理模块7-22、获取传递的特征的模块7-23……；预测调用层7-3对应各个特征预测模块分别对应的各个接口：模型接口7-31、模型接口7-32、模型接口7-33、模型接口7-34、…；结果处理层7-4对应各个输出处理模块：输出向量模块7-41、输出打分模块7-42、……。

可以理解的是，通过对信息预测过程中所涉及信息进行分层，实现了每次信息预测流程的固化，从而简化了信息预测的逻辑，解耦了信息预测的各个环节。

在本申请实施例中，s402可通过s4023和s4024实现；也就是说，服务器，通过公共预测接口，调用与模型配置信息适配的目标预测模块，包括s4023和s4024，下面对各步骤分别进行说明。

s4023、从公共预测接口中，获取与模型配置信息适配的目标预测接口。

需要说明的是，公共预测接口中，包括各个模型配置信息对应的各个预测接口，因此，服务器能够从公共预测接口中，获取到与预测任务对应的模型配置信息适配的预测接口，称为目标预测接口。这里，目标预测接口为目标预测模块的调用接口。

s4024、获取目标预测接口的实现信息，得到目标预测模块。

需要说明的是，目标预测模块为目标预测接口的实现。

同理，在本申请实施例中，s404中服务器通过公共输出处理接口，调用与模型配置信息适配的目标输出处理模块，包括：服务器从公共输出处理接口中，获取与模型配置信息适配的目标输出处理接口，其中，目标输出处理接口为目标输出处理模块的调用接口；获取目标输出处理接口的实现信息，得到目标输出处理模块。

参见图8，图8是本申请实施例提供的信息预测方法的再一个可选的流程示意图；如图8所示，在本申请实施例中，s409之后，还包括s410；也就是说，服务器在初始公共输出处理接口中，增加与目标输出处理模块的调用接口，得到公共输出处理接口之后，该信息预测方法还包括s410，下面对该步骤分别进行说明。

s410、响应模型修改请求，修改目标预测模块和/或目标输出处理模块，以基于修改后的目标预测模块和/或修改后的输出处理模块进行信息预测。

在本申请实施例中，当进行模型修改时，在终端的模型修改界面上，也就接收到了作用在模型修改控件(比如，特征列表的输入控件和提交修改的输入信息的修改按钮等)上的模型修改操作；此时，响应模型修改操作，服务器也就接收到了模型修改请求，该模型修改请求用于请求修改与模型对应的至少一个处理模块。这里，服务器响应模型修改请求，修改与模型配置信息所适配的目标预测模块和/或目标输出处理模块的修改信息，比如，修改目标输出处理模块：增加对每个信息预测成功与否的标识。

另外，模型修改请求还可以是响应服务器自身上模型修改界面接收操作而生成的。

可以理解的是，由于各个预测模块之间和各个输出处理模块之间均是独立，因此，当需要修改业务需求时，直接修改相应的模块即可实现，所以，可维护性高。

在本申请实施例中，模型配置信息还包括预测参数，预测参数包括调试模式参数、模型输出参数和预测特征参数中的至少一种。其中，调试模式参数用于确定中间数据的保存处理，也就是说，调试模式参数指示此次信息预测是否为调试模式，如果是调试模式，则需要保存各个环节的中间数据，一般来说，调试模式为推理阶段的应用。模型输出参数用于指示输出数据的模型节点，也就是说，模型输出参数为模型(特征预测模块)中模型节点的标识，且该标识所表征的模型节点的输出为模型的输出结果。预测特征参数用于确定待预测信息的特征处理，也就是说，预测特征参数用于指示是否对待预测信息进行特征处理，即预测特征参数指示待预测信息是可直接进行预测的特征，还是需要经过处理后才是可直接进行预测的特征。

在本申请实施例中，s405之后还包括s411-s413；也就是说，服务器基于目标输出处理模块，对预测输出信息进行处理，得到目标预测结果之后，该信息预测方法还包括s411-s413，下面对各步骤分别进行说明。

s411、响应新模型增加请求，获取待增加模型配置信息。

在本申请实施例中，在本申请实施例中，当增加模型时，在终端的模型增加界面上，也就接收到了作用在模型增加控件(比如，特征列表的输入控件和提交输入信息的确定按钮等)上的模型增加操作；此时，响应模型增加操作，服务器也就接收到了新模型增加请求，该新模型增加请求用于请求增加与待增加模型对应的各个处理模块。首先，服务器响应新模型增加请求，获取待增加模型配置信息，因为，所请求增加的与待增加模型对应的各个处理模块，是与待增加模型配置信息适配的。

s412、构建与待增加模型类型适配的待增加预测模块、以及与待增加模型类型适配的待增加输出处理模块。

在本申请实施例中，服务器获得了待增加模型配置信息之后，构建与待增加模型配置信息适配的用于实现预测功能的模块，也就得到了待增加预测模块；以及构建与待增加模型配置信息适配的用于实现输出结果的处理的模块，也就得到了待增加输出处理模块。

需要说明的是，待增加预测模块和待增加输出处理模块还可以是其他设备传输给服务器的，此时，不再需要服务器构建待增加预测模块和待增加输出处理模块。

s413、在公共预测接口中，增加待增加预测模块的调用接口，以及在公共输出处理接口中，增加与待增加输出处理模块的调用接口，以通过增加后的公共预测接口调用待增加预测模块、以及根据增加后的公共输出处理接口调用待增加输出处理模块，实现与待增加模型类型对应的信息预测。

在本申请实施例中，服务器获得了与待增加模型配置信息适配的待增加预测模块和待增加输出处理模块之后，在公共预测接口中，增加待增加预测模块的调用接口，并在公共输出处理接口中，增加待增加输出处理模块的调用接口；从而，也就能够通过增加后的公共预测接口调用待增加预测模块、以及根据增加后的公共输出处理接口调用待增加输出处理模块，实现与待增加模型类型对应的信息预测。

可以理解的是，由于各处理模块的耦合性较低，提高了可扩展性；当增加新的模块时，避免了扩展功能导致的新问题，降低了扩展的成本和耗时。

在本申请实施例中，s401可通过s4011和s4012实现；也就是说，服务器获取与预测任务对应的模型配置信息，包括s4011和s4012，下面对各步骤分别进行说明。

s4011、从预测任务中，获取模型标识。

在本申请实施例中，当服务器获取到预测任务时，基于该预测任务，能够获取到模型标识，该模型标识用于表征一个模型。

s4012、从各个模型配置信息中，获取与模型标识匹配的模型配置信息。

参见图9，图9是本申请实施例提供的信息预测方法的另又一个可选的流程示意图；如图9所示，在本申请实施例中，s403之前还包括s414和s415；也就是说，服务器基于目标预测模块，对预测任务对应的待预测信息进行预测，得到预测输出信息之前，该信息预测方法还包括s414和s415，下面对各步骤分别进行说明。

s414、获取样本批尺寸。

需要说明的是，样本批尺寸为执行一次信息预测的样本数量。

s415、基于样本批尺寸，对待预测样本序列进行拆分，得到至少一个待预测信息。

需要说明的是，至少一个待预测信息中的一个待预测信息所包括的待预测样本的数量为样本批尺寸。

继续参见图9，相应地，在本申请实施例中，s405之后还包括s416；也就是说，服务器基于目标输出处理模块，对预测输出信息进行处理，得到目标预测结果之后，该信息预测方法还包括s416，下面对该步骤进行说明。

s416、获取与至少一个待预测信息对应的至少一个目标预测结果。

需要说明的是，服务器对所有待预测信息的信息预测执行完之后，也就得到了与至少一个待预测信息对应的至少一个目标预测结果。另外，此时，服务器可能还需要通过公共输出处理接口调用目标输出处理模块，对至少一个目标预测结果进行处理。

在本申请实施例中，s414可通过s4141或s4142实现；也就是说，服务器获取样本批尺寸，包括s4141或s4142，下面对各步骤分别进行说明。

s4141、当模型配置信息对应的输出类型为向量类型时，确定样本批尺寸为第一批尺寸阈值。

需要说明的是，服务器基于模型配置信息适配的目标预测模块的输出类型，即模型配置信息对应的输出类型确定样本批尺寸；这里，当模型配置信息对应的输出类型为向量类型时，为了保证服务器的输入和输出的一致性，将样本批尺寸确定为第一批尺寸阈值，比如，确定为正无穷大，确定为大于待预测样本序列的样本总量的值。

s4142、当模型配置信息对应的输出类型为非向量类型时，确定样本批尺寸为第二批尺寸阈值。

需要说明的是，当模型配置信息对应的输出类型为向量类型时，为了减少目标预测模块的计算耗时，以及模块之间交互的数据量，服务器基于第二批尺寸阈值对待预测样本序列进行拆分；这里第二批尺寸阈值比如为50个或30个等。另外，第一批尺寸阈值大于第二批尺寸阈值。

继续参见图9，在本申请实施例中，s416之后还包括s417和s418；也就是说，服务器获取与至少一个待预测信息对应的至少一个目标预测结果之后，该信息预测方法还包括s417和s418，下面对各步骤分别进行说明。

s417、获取预测任务对应的用户标识。

需要说明的是，预测任务的作用确定用户的推荐信息，从而，服务器还能获取到预测任务对应的用户标识，该用户标识用于表征用户。

s418、将至少一个目标预测结果与用户标识对应的目标用户的组合信息，发送至显示设备，以使显示设备显示组合信息，以根据显示的组合信息，从待预测样本序列对应的待推荐信息序列中确定目标用户的推荐信息。

需要说明的是，服务器获得用户标识之后，基于用户标识确定目标用户；进而将至少一个目标预测结果与目标用户组合，也就得到了组合信息。这里，服务器可以将该组合信息发送至显示设备进行显示，也可以在自身的显示装置中进行显示。

下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。

参见图10，图10是本申请实施例提供的一种示例性的信息预测的架构示意图；如图10，在信息推荐领域，信息预测的架构包括：模型层10-1(特征预测层)、特征层10-2(特征处理层)、预测层10-3(预测调用层)和处理层10-4(结果处理层)，且多层的执行顺序10-5如图10中的箭头所示。其中，模型层10-1包括：分类模型10-111、预测模型10-112、单目标模型10-121和多目标模型10-122，而分类模型10-111和预测模型10-112属于“tensorflow”模型10-11，单目标模型10-121和多目标模型10-122属于无量模型10-12；也就是说，一个业务领域中的以不同的目标训练得到的各个模型之间是独立的。特征层10-2包括：拉取特征和处理特征10-21、处理特征10-22和获取预测特征10-23，其中，拉取特征和处理特征10-21用于对业务方传递来的信息进行特征提取并对提取的特征进行处理，处理特征10-22用于对业务方传递来的特征进行处理，获取预测特征10-23指获取业务方传递来的可直接进行预测的特征。预测层10-3包括：分类模型接口10-31、预测模型接口10-32、单目标模型接口10-33和多目标模型接口10-34，而分类模型接口10-31与分类模型10-111对应，预测模型接口10-32与预测模型10-112对应，单目标模型接口10-33与单目标模型10-121对应，多目标模型接口10-34与多目标模型10-122对应；这里，当增加一个新模型时，在模型层10-1中增加对应的模型，并在预测层增加所增加的模型的接口即可，每个模型的调用均独立地通过对应的模型接口进行调用。处理层10-4包括：输出向量10-41、输出打分10-42、输出原始模型的结果10-43和输出多目标多路打分10-44。

基于图10示出的架构示意图，可知，信息推荐领域的打分(信息预测)过程中，可以通过不同的模型接口调用不同的模型实现，还可以进行不同的特征处理，以及不同的输出处理，但每次打分的步骤均是：确定特征、调用模型预测和结果处理；从而，采用模板设计模式的思路，对打分过程的处理步骤进行固化，而具体每个步骤的实现方式再基于不同的情况对应不同的处理。

参见图11，图11是本申请实施例提供的一种示例性的信息预测的流程设计图；如图11所示的信息预测流程11-1中，基于用户的推荐需求，生成信息预测请求11-2(用于执行预测任务的请求)，该信息预测请求中包括：模型名称11-21、模型调试信息11-22(调试模式参数)、请求类型11-23(模型输出参数)和处理可预测特征11-24(预测特征参数)。其中，模型调试信息11-22、请求类型11-23和处理可预测特征11-24，可通过函数式选项卡模式进行实现。另外，模型名称11-21、模型调试信息11-22、请求类型11-23和处理可预测特征11-24均属于模型配置信息。此外，信息预测请求中还包括待处理特征、处理后特征、待拉取特征的信息(图中未示出)。

首先，基于信息预测请求11-2确定特征11-3；即采用图10中特征层的拉取特征和处理特征10-21拉取原始特征并对原始特征处理得到待预测特征，或者采用图10中特征层的处理特征10-22对原始特征处理得到待预测特征，或者采用图10中特征层的获取预测特征10-23直接获取传递来的待预测特征。

然后，基于信息预测请求11-2调用模型执行预测11-4；即采用图10中预测层的分类模型接口10-31，调用图10中模型层的分类模型10-111进行信息预测；或者，采用图10中预测层的预测模型接口10-32，调用图10中模型层的预测模型10-112进行信息预测；或者，采用图10中预测层的单目标模型接口10-33，调用图10中模型层的单目标模型10-121进行信息预测；或者，采用图10中预测层的多目标模型接口10-41，调用图10中模型层的多目标模型10-122进行信息预测。

再后，基于信息预测请求11-2格式化打分数据11-5；即采用图10中的处理层10-4中的输出向量10-41输出向量，或者，采用图10中的处理层10-4中的输出打分10-42输出打分，或者，采用图10中的处理层10-4中的输出原始模型的结果10-43输出原始模型的结果，或者采用图10中的处理层10-4中输出多目标多路打分10-44的输出多目标多路打分。

最后，返回预测结果11-6；即返回格式化打分数据。

需要说明的是，可以将确定特征11-3和调用模型执行预测11-4抽象为预测接口11-71(公共预测接口)，将格式化打分数据11-5抽象为格式化接口11-72(公共输出处理接口)；每次打分的信息预测请求均通过预测接口11-71和格式化接口11-72调用具体的实现模块响应。

基于图10和图11，参见图12，图12是本申请实施例提供的一种示例性的信息预测流程示意图；如图12所示，该示例性的信息预测方法包括如下步骤：

s1201、接收信息预测请求。

s1202、响应信息预测请求，拉取模型配置信息。

这里，信息预测请求中通常携带着模型标识，通过模型标识从各种模型配置信息中拉取模型配置信息。

s1203、判断模型配置信息是否拉取成功；当拉取失败时，则执行s1204；当拉取成功时，则执行s1205。

s1204、返回拉取失败提示信息。

s1205、确定样本批尺寸。

s1206、按照设置的样本批尺寸对待预测样本序列进行拆分。

s1207、基于模型配置信息初始化预测接口，得到预测对象(目标预测模块)。

这里，初始化预测接口的过程即本申请实施例中通过公共预测接口，调用与模型配置信息适配的目标预测模块的过程。

参见图13，图13是本申请实施例提供的一种初始化预测接口的流程示意图；如图13所示，预测接口13-1中包括拉取处理后特征接口13-11(模型的预测模块)、执行预测接口13-12(模型的预测模块)和获取模型输出结果类型接口13-13(模型的预测模块)。在基于模型配置信息13-2初始化预测接口13-1时，从处理后特征接口13-11、执行预测接口13-12和获取模型输出结果类型接口13-13中选择接口进行初始化，以获得对应接口的预测对象13-3。

s1208、基于模型配置信息初始化格式化接口，得到格式化对象(目标输出处理模块)。

这里，初始化格式化接口的过程即本申请实施例中通过公共输出处理接口，调用与模型配置信息适配的目标输出处理模块的过程。

参见图14，图14是本申请实施例提供的一种初始化格式化接口的流程示意图；如图14所示，格式化接口14-1包括单目标预测结果输出接口14-11(模型的输出处理模块)、多目标预测结果输出接口14-12(模型的输出处理模块)、向量输出接口14-13(模型的输出处理模块)、是否是向量输出接口14-14(模型的输出处理模块)、是否是多目标模型接口14-15(模型的输出处理模块)和是否是多目标模型自定义加权融合策略接口14-16(模型的输出处理模块)。在基于模型配置信息14-2初始化格式化接口14-1时，从单目标预测结果输出接口14-11、多目标预测结果输出接口14-12、向量输出接口14-13、是否是向量输出接口14-14、是否是多目标模型接口14-15和是否是多目标模型自定义加权融合策略接口14-16中选择接口进行初始化，以获得对应接口的格式化对象14-3。

s1209、基于预测对象和格式化对象对一批待预测信息进行信息预测。

这里，对应于本申请实施例中基于目标预测模块，对预测任务对应的待预测信息进行预测，得到预测输出信息；以及基于目标输出处理模块，对预测输出信息进行处理，得到目标预测结果。

参见图15，图15是本申请实施例提供的一种示例性的基于预测对象和格式化对象进行信息预测的流程示意图；如图15所示，该示例性的基于预测对象和格式化对象进行信息预测的流程包括如下步骤：

s1501、判断预测对象和格式化对象是否合法；如果是，则执行s1503；如果否，则执行s1502。

s1502、返回信息预测错误的提示信息。

s1503、通过预测对象获取待预测特征。

s1504、判断预测对象对待预测特征进行的预测是否成功；如果是，则执行s1505；如果否，则执行s1502。

s1505、基于格式化对象输出预测结果(目标预测结果)。

需要说明的是，在本申请实施例中，通过初始化获得预测对象和格式化对象的过程，还可以采用策略模型进行优化。

s1210、获取所有批次的预测输出结果。

s1211、回包处理；即返回所有批次的预测输出结果，以进行信息推荐。

可以理解的是，基于模型的预测模块和模型的输出处理模块所实现的信息预测的灵活性较高。另外，每次新增模型时，实现预测接口和格式化接口即可，不影响预测代理模块中的其他模块，可扩展性较高，且可维护性和可管理性也较高。

下面继续说明本申请实施例提供的信息预测装置255的实施为软件模块的示例性结构，在一些实施例中，如图3所示，存储在存储器250的信息预测装置255中的软件模块可以包括：

信息获取模块2551，用于获取与预测任务对应的模型配置信息；

第一调用模块2552，用于通过公共预测接口，调用与所述模型配置信息适配的目标预测模块，其中，所述公共预测接口为各种模型配置信息所对应的模型的预测模块的调用接口；

信息预测模块2553，用于基于所述目标预测模块，对所述预测任务对应的待预测信息进行预测，得到预测输出信息；

第二调用模块2554，用于通过公共输出处理接口，调用与所述模型配置信息适配的目标输出处理模块，其中，所述公共输出处理接口为所述各种模型配置信息所对应的模型的输出处理模块的调用接口；

结果处理模块2555，用于基于所述目标输出处理模块，对所述预测输出信息进行处理，得到目标预测结果，以基于所述目标预测结果进行信息推荐。

在本申请实施例中，所述目标预测模块包括目标特征处理模块和目标特征预测模块；所述信息预测模块2553，还用于基于所述目标特征处理模块，获取与所述待预测信息对应的待预测特征；基于所述目标特征预测模块，对所述待预测特征进行预测，得到所述预测输出信息。

在本申请实施例中，所述信息预测装置255还包括模型增加模块2556，用于响应模型增加请求，获取所述模型配置信息；构建与所述模型配置信息适配的所述目标预测模块、以及与所述模型配置信息适配的所述目标输出处理模块；在初始公共预测接口中，增加所述目标预测模块的调用接口，得到所述公共预测接口；在初始公共输出处理接口中，增加与所述目标输出处理模块的调用接口，得到所述公共输出处理接口。

在本申请实施例中，所述第一调用模块2552，还用于从所述公共预测接口中，获取与所述模型配置信息适配的目标预测接口，其中，所述目标预测接口为所述目标预测模块的调用接口；获取所述目标预测接口的实现信息，得到所述目标预测模块。

在本申请实施例中，所述信息预测装置255还包括模型修改模块2557，用于响应模型修改请求，修改所述目标预测模块和/或所述目标输出处理模块，以基于修改后的目标预测模块和/或修改后的输出处理模块进行信息预测。

在本申请实施例中，所述模型配置信息还包括预测参数，所述预测参数包括调试模式参数、模型输出参数和预测特征参数中的至少一种；其中，所述调试模式参数用于确定中间数据的保存处理，所述模型输出参数用于指示输出数据的模型节点，所述预测特征参数用于确定待预测信息的特征处理。

在本申请实施例中，所述信息预测装置255还包括模型增加模块2556，用于响应新模型增加请求，获取待增加模型配置信息；构建与所述待增加模型类型适配的待增加预测模块、以及与所述待增加模型类型适配的待增加输出处理模块；在所述公共预测接口中，增加所述待增加预测模块的调用接口，以及在所述公共输出处理接口中，增加与所述待增加输出处理模块的调用接口，以通过增加后的公共预测接口调用所述待增加预测模块、以及根据增加后的公共输出处理接口调用所述待增加输出处理模块，实现与待增加模型配置信息对应的信息预测。

在本申请实施例中，所述信息预测装置255还包括样本拆分模块2558，用于获取样本批尺寸，其中，所述样本批尺寸为执行一次信息预测的样本数量；基于所述样本批尺寸，对待预测样本序列进行拆分，得到至少一个待预测信息，其中，所述至少一个待预测信息中的一个待预测信息所包括的待预测样本的数量为所述样本批尺寸；

在本申请实施例中，所述结果处理模块2555，还用于获取与所述至少一个待预测信息对应的至少一个目标预测结果。

在本申请实施例中，所述样本拆分模块2558，还用于当所述模型配置信息对应的输出类型为向量类型时，确定所述样本批尺寸为第一批尺寸阈值；当所述模型配置信息对应的输出类型为非向量类型时，确定所述样本批尺寸为第二批尺寸阈值，其中，所述第一批尺寸阈值大于所述第二批尺寸阈值。

在本申请实施例中，所述信息预测装置255还包括信息推荐模块2559，用于获取所述预测任务对应的用户标识；将所述至少一个目标预测结果与所述用户标识对应的目标用户的组合信息，发送至显示设备，以使显示设备显示所述组合信息，以根据显示的所述组合信息，从待预测样本序列对应的待推荐信息序列中确定所述目标用户的推荐信息。

本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例上述的信息预测方法。

本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的信息预测方法，例如，如图4示出的信息预测方法。

在一些实施例中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、闪存、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(html，hypertextmarkuplanguage)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

综上所述，通过本申请实施例，在执行预测任务实现信息预测时，由于各种模型配置信息所对应的模型的预测模块的调用、以及各种模型配置信息所对应的模型的输出处理模块的调用，均是通过公共接口实现的，使得各种模型配置信息所对应的模型的各个预测模块之间、以及各种模型配置信息所对应的模型的各个输出处理模块之间均是独立的；因此，特征处理、模型预测和结果处理等处理之间的耦合度较低，从而，能够降低信息预测的复杂度，提升信息预测的效率。另外，还能够提升可扩展性和可维护性。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。