信息处理方法和装置、电子设备和计算机可读存储介质与流程

[0001]
本公开涉及计算机技术，尤其是一种信息处理方法和装置、电子设备和计算机可读存储介质。


背景技术：

[0002]
随着互联网技术的发展，产品供应商、服务提供商等通过互联网(包括浏览器，应用app等)为用户提供产品、项目、服务咨询等线上服务的情况越来越普遍。通过为用户提供产品、项目、服务咨询等线上服务，使用户可以充分了解感兴趣的对象(产品、项目、服务咨询等)的详细情况、进而购买相应的对象。
[0003]
在通过互联网为用户提供交流服务的过程中，通常一个服务人员要面对多个用户、同时与多个用户进行交通沟通，以使用户可以充分了解感兴趣的对象的详细情况。在实现本公开的过程中，本公开人通过研究发现，现有技术中，一个服务人员同时与多个用户进行线上沟通时，可能因为不能及时发现和了解各用户的当前状态而没能及时回复兴趣度较高用户的消息，导致用户流失。
[0004]
因此，一个服务人员同时与多个用户进行线上沟通时，如何发现和了解各用户的当前状态、提高沟通效率，是现有技术亟需解决的问题。


技术实现要素：

[0005]
本公开实施例所要解决的一个技术问题是：提供一种信息处理方法和装置、电子设备和计算机可读存储介质，以及时发现和了解各用户的当前状态、提高沟通效率。
[0006]
本公开实施例的一个方面，提供一种信息处理方法，包括：
[0007]
分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，获取所述第一用户与所述第二用户之间会话的上下文信息；
[0008]
基于所述会话的上下文信息，确定所述会话的统计特征、所述第二用户的会话情感特征和用户画像特征；所述会话的统计特征包括：所述第一用户的会话信息特征和所述第二用户的会话信息特征；
[0009]
利用多分类用户状态模型，基于所述会话的统计特征、所述会话情感特征和所述用户画像特征，预测所述第二用户的用户状态的概率并发送给所述第一用户，所述用户状态的概率包括以下任意一项或多项：用户意向合作的概率，用户离开会话的概率，所述第一用户回复消息后所述第二用户重新回到会话的概率；
[0010]
按照所述用户意向合作的概率由高到低的顺序对所述至少一个第二用户进行排序，得到排序列表并发送给所述第一用户，以便所述第一用户基于所述排序列表回复所述至少一个第二用户中各第二用户的会话消息。
[0011]
可选地，在基于本公开上述方法的另一个实施例中，所述分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，获取所述第一用户与所述第二用户之间会话的上下文信息，包括：
[0012]
分别针对当前与第一用户会话的至少一个第二用户，响应于接收到第二用户的会话消息时，针对发送所述会话消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，
[0013]
分别针对当前与第一用户会话的至少一个第二用户，响应于所述第一用户向第二用户发送回复消息，针对所述第一用户发送回复消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，
[0014]
分别针对当前与第一用户会话的至少一个第二用户，响应于超过预设时长未接收到第二用户回复的会话消息时，针对超过预设时长未回复会话消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，
[0015]
按照预设周期，分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息。
[0016]
可选地，在基于本公开上述方法的另一个实施例中，所述基于所述会话的上下文信息，确定所述会话的统计特征，包括：
[0017]
统计所述会话的上下文信息中所述第一用户发送的会话消息的平均回复时间、会话消息的条数和会话消息的平均回复字数，得到所述第一用户的会话信息特征；
[0018]
统计所述会话的上下文信息中所述第二用户发送的会话消息的平均回复时间、会话消息的条数和会话消息的平均回复字数，得到所述第二用户的会话信息特征。
[0019]
可选地，在基于本公开上述方法的另一个实施例中，所述基于所述会话的上下文信息，确定所述第二用户的会话情感特征，包括：
[0020]
利用注意力机制，获取所述会话的上下文信息中每一条会话消息对用户状态影响的权重；
[0021]
分别提取所述会话的上下文信息中每一条会话消息的会话特征；
[0022]
基于所述会话的上下文信息中每一条会话消息的权重对所述会话的上下文信息中每一条会话消息的会话特征进行加权处理，得到加权特征；
[0023]
基于所述加权特征确定所述第二用户的会话情感特征。
[0024]
可选地，在基于本公开上述方法的另一个实施例中，所述基于所述会话的上下文信息中每一条会话消息的权重对所述会话的上下文信息中每一条会话消息的会话特征进行加权处理，得到加权特征；基于所述加权特征确定所述第二用户的会话情感特征，包括：
[0025]
对所述会话的上下文信息中所有会话消息的会话特征进行聚类，得到正向情感类簇、负向情感类簇和无情感类簇；
[0026]
分别针对所述正向情感类簇、所述负向情感类簇和所述无情感类簇中的各类簇，基于所述类簇中各会话消息的权重对相应的会话特征进行加权处理，得到所述类簇的加权特征；
[0027]
基于所述正向情感类簇的加权特征、所述负向情感类簇的加权特征和所述无情感类簇的加权特征，确定所述第二用户的会话情感特征。
[0028]
可选地，在基于本公开上述方法的另一个实施例中，所述基于所述会话的上下文信息，确定所述第二用户的用户画像特征，包括：
[0029]
获取所述第二用户的基本信息以及所述会话的上下文信息中所述第二用户对目标对象的槽位信息；
[0030]
提取所述第二用户的基本信息特征和所述第二用户对目标对象的槽位信息中的属性值，作为所述第二用户的用户画像特征。
[0031]
可选地，在基于本公开上述方法的另一个实施例中，所述预测所述第二用户的用户状态的概率之后，还包括：
[0032]
针对所述至少一个第二用户中用户意向合作的概率大于第一预设阈值的目标第二用户，向所述第一用户发送针对所述目标第二用户进行合作处理的提示消息。
[0033]
可选地，在基于本公开上述方法的另一个实施例中，所述预测所述第二用户的用户状态的概率之后，还包括：
[0034]
比较本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值；
[0035]
响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第二预设阈值，向所述第一用户发送所述第二用户的用户意向合作的概率降低的报警消息。
[0036]
可选地，在基于本公开上述方法的另一个实施例中，还包括：
[0037]
响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第三预设阈值，基于所述会话的上下文信息中第二用户本次发送的会话消息和所述用户画像特征，获取与所述用户画像特征匹配的目标对象的信息并发送给所述第二用户；
[0038]
和/或，
[0039]
响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第三预设阈值，基于所述第二用户本次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户；
[0040]
其中，所述第三预设阈值小于所述第二预设阈值。
[0041]
可选地，在基于本公开上述方法的另一个实施例中，所述预测所述第二用户的用户状态的概率之后，还包括：
[0042]
在所述用户离开会话的概率大于第四预设阈值时，向所述第一用户发送所述第二用户的用户离开会话的概率较高的报警消息；
[0043]
和/或，
[0044]
在所述用户离开会话的概率大于第五预设阈值时，基于所述第二用户本次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户；
[0045]
其中，所述第五预设阈值大于所述第四预设阈值。
[0046]
可选地，在基于本公开上述方法的另一个实施例中，所述预测所述第二用户的用户状态的概率之后，还包括：
[0047]
在所述第二用户重新回到会话的概率小于第六预设阈值时，向所述第一用户发送所述第二用户重新回到会话的概率降低的报警消息；
[0048]
和/或，
[0049]
在所述第二用户重新回到会话的概率小于第七预设阈值时，基于所述第二用户上次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户；
[0050]
其中，所述第七预设阈值小于所述第六预设阈值。
[0051]
本公开实施例的另一个方面，提供一种信息处理装置，包括：
[0052]
第一获取模块，用于分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，获取所述第一用户与所述第二用户之间会话的上下文信息；
[0053]
确定模块，用于基于所述会话的上下文信息，确定所述会话的统计特征、所述第二用户的会话情感特征和用户画像特征；所述会话的统计特征包括：所述第一用户的会话信息特征和所述第二用户的会话信息特征；
[0054]
预测模块，用于利用多分类用户状态模型，基于所述会话的统计特征、所述会话情感特征和所述用户画像特征，预测所述第二用户的用户状态的概率并发送给所述第一用户，所述用户状态的概率包括以下任意一项或多项：用户意向合作的概率，用户离开会话的概率，所述第一用户回复消息后所述第二用户重新回到会话的概率；
[0055]
排序处理模块，用于按照所述用户意向合作的概率由高到低的顺序对所述至少一个第二用户进行排序，得到排序列表并发送给所述第一用户，以便所述第一用户基于所述排序列表回复所述至少一个第二用户中各第二用户的会话消息。
[0056]
可选地，在基于本公开上述装置的另一个实施例中，所述第一获取模块，具体用于：
[0057]
分别针对当前与第一用户会话的至少一个第二用户，响应于接收到第二用户的会话消息时，针对发送所述会话消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，
[0058]
分别针对当前与第一用户会话的至少一个第二用户，响应于所述第一用户向第二用户发送回复消息，针对所述第一用户发送回复消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，
[0059]
分别针对当前与第一用户会话的至少一个第二用户，响应于超过预设时长未接收到第二用户回复的会话消息时，针对超过预设时长未回复会话消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，
[0060]
按照预设周期，分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息。
[0061]
可选地，在基于本公开上述装置的另一个实施例中，所述确定模块包括第一确定单元，用于：
[0062]
统计所述会话的上下文信息中所述第一用户发送的会话消息的平均回复时间、会话消息的条数和会话消息的平均回复字数，得到所述第一用户的会话信息特征；
[0063]
统计所述会话的上下文信息中所述第二用户发送的会话消息的平均回复时间、会话消息的条数和会话消息的平均回复字数，得到所述第二用户的会话信息特征。
[0064]
可选地，在基于本公开上述装置的另一个实施例中，所述确定模块包括第二确定
单元，用于：
[0065]
利用注意力机制，获取所述会话的上下文信息中每一条会话消息对用户状态影响的权重；
[0066]
分别提取所述会话的上下文信息中每一条会话消息的会话特征；
[0067]
基于所述会话的上下文信息中每一条会话消息的权重对所述会话的上下文信息中每一条会话消息的会话特征进行加权处理，得到加权特征；
[0068]
基于所述加权特征确定所述第二用户的会话情感特征。
[0069]
可选地，在基于本公开上述装置的另一个实施例中，所述第二确定单元，用于：
[0070]
利用注意力机制，获取所述会话的上下文信息中每一条会话消息对用户状态影响的权重；
[0071]
分别提取所述会话的上下文信息中每一条会话消息的会话特征；
[0072]
对所述会话的上下文信息中所有会话消息的会话特征进行聚类，得到正向情感类簇、负向情感类簇和无情感类簇；
[0073]
分别针对所述正向情感类簇、所述负向情感类簇和所述无情感类簇中的各类簇，基于所述类簇中各会话消息的权重对相应的会话特征进行加权处理，得到所述类簇的加权特征；
[0074]
基于所述正向情感类簇的加权特征、所述负向情感类簇的加权特征和所述无情感类簇的加权特征，确定所述第二用户的会话情感特征。
[0075]
可选地，在基于本公开上述装置的另一个实施例中，所述确定模块还包括第三确定单元，用于：
[0076]
获取所述第二用户的基本信息以及所述会话的上下文信息中所述第二用户对目标对象的槽位信息；
[0077]
提取所述第二用户的基本信息特征和所述第二用户对目标对象的槽位信息中的属性值，作为所述第二用户的用户画像特征。
[0078]
可选地，在基于本公开上述装置的另一个实施例中，还包括：
[0079]
提示处理模块，用于针对所述至少一个第二用户中用户意向合作的概率大于第一预设阈值的目标第二用户，向所述第一用户发送针对所述目标第二用户进行合作处理的提示消息。
[0080]
可选地，在基于本公开上述装置的另一个实施例中，还包括：
[0081]
比较模块，用于比较本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值；
[0082]
报警模块，用于响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第二预设阈值，向所述第一用户发送所述第二用户的用户意向合作的概率降低的报警消息。
[0083]
可选地，在基于本公开上述装置的另一个实施例中，还包括：
[0084]
推荐模块，用于响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第三预设阈值，基于所述会话的上下文信息中第二用户本次发送的会话消息和所述用户画像特征，获取与所述用户画像特征匹配的目标对象的信息并发送给所述第二用户；
[0085]
和/或，
[0086]
自动回复模块，用于响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第三预设阈值，基于所述第二用户本次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户；
[0087]
其中，所述第三预设阈值小于所述第二预设阈值。
[0088]
可选地，在基于本公开上述装置的另一个实施例中，还包括：
[0089]
报警模块，用于在所述用户离开会话的概率大于第四预设阈值时，向所述第一用户发送所述第二用户的用户离开会话的概率较高的报警消息；
[0090]
和/或，
[0091]
自动回复模块，用于在所述用户离开会话的概率大于第五预设阈值时，基于所述第二用户本次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户；
[0092]
其中，所述第五预设阈值大于所述第四预设阈值。
[0093]
可选地，在基于本公开上述装置的另一个实施例中，还包括：
[0094]
报警模块，用于在所述第二用户重新回到会话的概率小于第六预设阈值时，向所述第一用户发送所述第二用户重新回到会话的概率降低的报警消息；
[0095]
和/或，
[0096]
自动回复模块，用于在所述第二用户重新回到会话的概率小于第七预设阈值时，基于所述第二用户上次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户；
[0097]
其中，所述第七预设阈值小于所述第六预设阈值。
[0098]
本公开实施例的又一个方面，提供一种电子设备，包括：
[0099]
存储器，用于存储计算机程序；
[0100]
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现本公开上述任一实施例所述的信息处理方法。
[0101]
本公开实施例的再一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本公开上述任一实施例所述的信息处理方法。
[0102]
基于本公开上述实施例提供的信息处理方法和装置、电子设备和计算机可读存储介质，可以分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，获取所述第一用户与所述第二用户之间会话的上下文信息，然后，基于所述会话的上下文信息，确定所述会话的统计特征(包括第一用户的会话信息特征和第二用户的会话信息特征)、所述第二用户的会话情感特征和用户画像特征，进而，利用多分类用户状态模型，基于所述会话的统计特征、所述会话情感特征和所述用户画像特征，预测所述第二用户的用户状态的概率
并发送给所述第一用户，其中用户状态的概率包括以下任意一项或多项：用户意向合作的概率，用户离开会话的概率，所述第一用户回复消息后所述第二用户重新回到会话的概率，使得第一用户可以及时发现和了解与其当前会话的各第二用户的当前状态，以便基于各第二用户的当前状态进行有效沟通从而提高沟通效率，使得第一用户可以更好的服务于第二用户，提高第二用户感受；另外，还可以按照用户意向合作的概率由高到低的顺序对所述至少一个第二用户进行排序，得到排序列表并发送给所述第一用户，以便第一用户可以基于该排序列表回复各第二用户的会话消息，例如优先回复用户意向合作的概率高的第二用户的会话消息，及时回复兴趣度和合作意向较高用户的消息，从而提高沟通效果和合作成功率。
[0103]
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
[0104]
构成说明书的一部分的附图描述了本公开的实施例，并且连同描述一起用于解释本公开的原理。
[0105]
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
[0106]
图1为本公开信息处理方法一个实施例的流程图。
[0107]
图2为本公开实施例中确定会话的统计特征一个实施例的流程图。
[0108]
图3为本公开实施例中确定第二用户的会话情感特征一个实施例的流程图。
[0109]
图4为本公开实施例中确定第二用户的用户画像特征一个实施例的流程图。
[0110]
图5为本公开实施例中时序深度模型一个实施例的示意图。
[0111]
图6为本公开信息处理装置一个实施例的结构示意图。
[0112]
图7为本公开信息处理装置另一个实施例的结构示意图。
[0113]
图8为本公开实施例电子设备一个实施例的结构示意图。
具体实施方式
[0114]
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0115]
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
[0116]
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
[0117]
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
[0118]
另外，本公开中术语“和/或”，仅仅是一种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。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0119]
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其
相同或相似之处可以相互参考，为了简洁，不再一一赘述。
[0120]
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0121]
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
[0122]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0123]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0124]
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
[0125]
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
[0126]
图1为本公开信息处理方法一个实施例的流程图。如图1所示，该实施例的信息处理方法包括：
[0127]
102，分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，获取第一用户与第二用户之间会话的上下文信息。
[0128]
104，基于所述会话的上下文信息，确定所述会话的统计特征、所述第二用户的会话情感特征和用户画像特征。
[0129]
其中，所述会话的统计特征包括：第一用户的会话信息特征和第二用户的会话信息特征。
[0130]
其中，用户画像包括个性化的用户信息，可以预先从系统中的用户注册信息、系统记录的该用户的浏览信息、会话的上下文信息中获取，用户画像特征即从用户画像提取的特征，可以确定用户的偏好和意向，以便有针对性的向用户推荐其关注的信息。
[0131]
例如，在具体实现中，用户画像可用于确定用户的自身现状(如性别、年龄、从事行业、兴趣爱好、是否已婚、家中是否有老人、是否有小孩等)和对象偏好信息(如喜欢的产品特点、关心的项目点等)，可以根据用户的会话、搜索记录、项目点击日志、文章浏览历史、问答浏览历史、会话消息等，确定用户的自身状态、行为偏好、项目偏好等信息，来确定用户画像。
[0132]
106，利用多分类用户状态模型，基于所述会话的统计特征、所述会话情感特征和所述用户画像特征，预测第二用户的用户状态的概率并发送给第一用户。
[0133]
其中，所述用户状态的概率例如可以包括但不限于以下任意一项或多项：用户意向合作的概率，用户离开会话的概率，第一用户回复消息后第二用户重新回到会话的概率。
[0134]
其中，上述操作102-106为分别针对所述至少一个第二用户中各第二用户执行的操作。
[0135]
108，按照所述用户意向合作的概率由高到低的顺序对所述至少一个第二用户进行排序，得到排序列表并发送给第一用户，以便第一用户基于所述排序列表回复所述至少一个第二用户中各第二用户的会话消息。
[0136]
其中，上述操作108为针对所述至少一个第二用户执行的操作。
[0137]
基于本公开上述实施例提供的信息处理方法，可以分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，获取所述第一用户与所述第二用户之间会话的上下文信息，然后，基于所述会话的上下文信息，确定所述会话的统计特征(包括第一用户的会话信息特征和第二用户的会话信息特征)、所述第二用户的会话情感特征和用户画像特征，进而，利用多分类用户状态模型，基于所述会话的统计特征、所述会话情感特征和所述用户画像特征，预测所述第二用户的用户状态的概率并发送给所述第一用户，其中用户状态的概率包括以下任意一项或多项：用户意向合作的概率，用户离开会话的概率，所述第一用户回复消息后所述第二用户重新回到会话的概率，使得第一用户可以及时发现和了解与其当前会话的各第二用户的当前状态，以便基于各第二用户的当前状态进行有效沟通从而提高沟通效率，使得第一用户可以更好的服务于第二用户，提高第二用户感受；另外，还可以按照用户意向合作的概率由高到低的顺序对所述至少一个第二用户进行排序，得到排序列表并发送给所述第一用户，以便第一用户可以基于该排序列表回复各第二用户的会话消息，例如优先回复用户意向合作的概率高的第二用户的会话消息，及时回复兴趣度和合作意向较高用户的消息，从而提高沟通效果和合作成功率。
[0138]
可选地，在其中一些可能的实现方式中，上述操作102中，可以分别针对当前与第一用户会话的至少一个第二用户，响应于接收到第二用户的会话消息时，针对发送会话消息的第二用户，开始获取第一用户与该第二用户之间会话的上下文信息，即开始执行本实施例的流程，以便预测该第二用户的用户意向合作的概率和/或用户离开会话的概率。
[0139]
基于本实施例，可以在第二用户发送会话消息时，便获取第一用户与该第二用户之间会话的上下文信息并执行本实施例，对第一用户与该第二用户实时的聊天信息进行解析，确定会话的统计特征、该第二用户的会话情感特征和用户画像特征，从而实时预测该第二用户的用户状态的概率，包括用户意向合作的概率和/或用户离开当前会话的概率，能够实时、快速的确定该第二用户当前的状态。
[0140]
可选地，在其中一些可能的实现方式中，上述操作102中，可以分别针对当前与第一用户会话的至少一个第二用户，响应于第一用户向第二用户发送回复消息，针对第一用户发送回复消息的第二用户，开始获取第一用户与该第二用户之间会话的上下文信息，即开始执行本实施例的流程，以便预测该第二用户的用户意向合作的概率、用户离开会话的概率和/或第二用户重新回到会话的概率。
[0141]
基于本实施例，可以在第一用户向第二用户回复消息时，便获取第一用户与该第二用户之间会话的上下文信息并执行本实施例，对第一用户与该第二用户实时的聊天信息进行解析，确定会话的统计特征、该第二用户的会话情感特征和用户画像特征，从而实时预
测该第二用户的用户状态的概率，包括用户意向合作的概率、用户离开会话的概率和/或第二用户重新回到会话的概率，能够实时、快速的确定该第二用户当前的状态，以便采取一定的方式，例如向该第二用户发送符合其用户画像特征的新的目标对象的信息，例如，当前交流的目标对象为房源时，向该第二用户推送符合其用户画像特征的新的房源信息，或者采用机器学习技术基于用户问题、用户意图和用户画像特征生成针对该第二用户回复语句回复该第二用户，来唤回已经离开当前会话的第二用户。
[0142]
可选地，在其中一些可能的实现方式中，上述操作102中，可以分别针对当前与第一用户会话的至少一个第二用户，响应于超过预设时长未接收到第二用户回复的会话消息时，针对超过预设时长未回复会话消息的第二用户，开始获取第一用户与该第二用户之间会话的上下文信息，即开始执行本实施例的流程，以便预测该第二用户重新回到会话的概率。
[0143]
可选地，在其中一些可能的实现方式中，上述操作102中，可以按照预设周期，分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，执行本实施例的流程，以便预测各第二用户的用户意向合作的概率、用户离开会话的概率和/或第一用户回复消息后第二用户重新回到会话的概率。
[0144]
图2为本公开实施例中确定会话的统计特征一个实施例的流程图。如图2所示，在图1所示实施例的基础上，操作104中，可以通过如下方式确定会话的统计特征：
[0145]
202，统计所述会话的上下文信息中第一用户发送的会话消息的平均回复时间、会话消息的条数和会话消息的平均回复字数，得到第一用户的会话信息特征。
[0146]
204，统计所述会话的上下文信息中所述第二用户发送的会话消息的平均回复时间、会话消息的条数和会话消息的平均回复字数，得到所述第二用户的会话信息特征。
[0147]
其中，上述操作202和204之间不存在严格的执行顺序限制，二者可以同时执行，也可以以任意先后顺序执行，图2仅给出其中一种可选示例。
[0148]
图3为本公开实施例中确定第二用户的会话情感特征一个实施例的流程图。如图3所示，在图1所示实施例的基础上，操作104中，可以通过如下方式确定第二用户的会话情感特征：
[0149]
302，利用注意力机制，获取所述会话的上下文信息中每一条会话消息对用户状态影响的权重。
[0150]
304，分别提取所述会话的上下文信息中每一条会话消息的会话特征。
[0151]
306，基于所述会话的上下文信息中每一条会话消息的权重对所述会话的上下文信息中每一条会话消息的会话特征进行加权处理，得到加权特征。
[0152]
308，基于所述加权特征确定所述第二用户的会话情感特征。
[0153]
可选地，在其中一些可能的实现方式中，上述操作306-308中，可以使用wide&deep模型，先对所述会话的上下文信息中所有会话消息的会话特征进行聚类，得到正向情感类簇、负向情感类簇和无情感类簇，然后，再分别针对所述正向情感类簇、所述负向情感类簇和所述无情感类簇中的各类簇，基于所述类簇中各会话消息的权重对相应的会话特征进行加权处理，得到所述类簇的加权特征，进而，基于所述正向情感类簇的加权特征、所述负向情感类簇的加权特征和所述无情感类簇的加权特征，确定所述第二用户的会话情感特征。
[0154]
基于本实施例，先对会话的上下文信息中所有会话消息的会话特征进行聚类，得
到正向情感类簇、负向情感类簇和无情感类簇，再分别针对各类簇，基于各会话消息的权重对相应的会话特征进行加权处理，得到类簇的加权特征，再进一步确定第二用户的会话情感特征，可以避免多个类别的会话特征直接一起加和产生相关中和的现象。
[0155]
图4为本公开实施例中确定第二用户的用户画像特征一个实施例的流程图。如图4所示，在图1所示实施例的基础上，操作104中，可以通过如下方式确定第二用户的用户画像特征：
[0156]
402，获取所述第二用户的基本信息以及所述会话的上下文信息中所述第二用户对目标对象的槽位信息。
[0157]
404，提取所述第二用户的基本信息特征和所述第二用户对目标对象的槽位信息中的属性值，作为所述第二用户的用户画像特征。
[0158]
其中，上述第二用户的基本信息，可以预先从系统中的用户注册信息和系统记录的该用户的浏览信息等获取，例如可以包括但不限于该第二用户的性别、年龄、地域、是否活跃用户、购买力强弱等，相应地，提取的第二用户的基本信息特征，即第二用户的基本信息中各项信息的特征值，例如具体性别、具体年龄、具体地域、是或否活跃用户、购买力是强或弱等，本公开实施例对第二用户的基本信息和基本信息特征不作具体限定，可以根据具体的业务场景需求确定。
[0159]
本公开实施例中的目标对象即第一用户和第二用户交流的对象，即第一用户可以向第二用户提供服务的对象，可以是商品、产品、项目、服务等，例如可以是房产，则第一用户为房产开发商的销售人员或房产交易服务的服务人员(经纪人)等，第二用户为房产购买方用户。
[0160]
目标对象的槽位信息即目标对象的各维度的信息，其中的维度可以理解为指标，一个维度的信息可以理解为一个指标的参数值，例如，当目标对象为房源时，各维度可以包括：面积、朝向、楼层、户型、单价等等，相应的维度的信息可以包括：具体面积大小、具体朝向、具体楼层、具体户型、单价值等等，本发明实施例对此不做限制，可以根据具体的业务场景需求确定。
[0161]
在本公开上述实施例中，多分类用户状态模型用于预测用户状态的概率，其中的用户状态包括了用户是否意向合作、用户是否会离开当前会话、第一用户回复消息后第二用户是否会重新回到会话等多种状态。基于此，本公开实施例设计了一种时序深度模型，作为多分类用户状态模型，预测用户状态。如图5所示，为本公开实施例中时序深度模型一个实施例的示意图。
[0162]
该时序深度模型一方面将会话中的文本信息(即会话的上下文信息)充分利用，同时关注格式化数据(例如用户的画像)、用户的情感等，另一个方面，有些特征在每一轮会话中都会变化，例如会话的上下文、经纪人的动作，实时性要求高，所以面临处理不同更新频率的特征的处理。
[0163]
在具体实现中，根据用户的当前状态(会话中的上下文信息，包括即时通信(im)聊天信息、会话情感、用户画像等)，使用双端的时序深度模型去捕捉im聊天文本特征来隐式表征用户当前在该会话中的聊天状态，使用自注意力层(attention layer)去捕获每一时刻的聊天内容对当前状态的影响权重分布，计算出每一时刻的权重后通过一个加权处理层(dropout layer)计算出一个加权的隐向量用于确定第二用户的会话情感特征，获取用户
画像特征(包括一些数值特征和类别特征，如上述实施例中的基本信息特征和槽位信息中的属性值)，统计会话的一些数值特征(例如对话轮数、用户平均回复时间、回复字数及作为第一用户的经纪人的回复时间、回复条数、回复字数等统计特征)得到会话的统计特征，由第二用户的会话情感特征和用户画像特征、结合会话的统计特征，将这三种类型特征连接后经过一个全连接层(fully connect layer)，然后再经过一层分类层(softmax)，预测得到一个用户状态的概率。其中，实时存储信息为会话中会变化的聊天信息，例如会话的上下文、经纪人的动作、用户动作等，离线存储信息为一些实时性要求不高的信息，例如用户画像中的基本信息等。x1、x2、x3、xt表示一些信息，h1、h2、h3、ht表示信息x1、x2、x3、xt的特征。
[0164]
另外，可选地，在本公开上述实施例中，预测所述第二用户的用户状态的概率之后，还可以针对所述至少一个第二用户中用户意向合作的概率大于第一预设阈值的目标第二用户，向所述第一用户发送针对所述目标第二用户进行合作处理的提示消息，以提高与第二用户达成合作的概率。
[0165]
另外，可选地，在本公开上述实施例中，预测所述第二用户的用户状态的概率之后，还可以比较本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值；响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第二预设阈值，向第一用户发送所述第二用户的用户意向合作的概率降低的报警消息。
[0166]
进一步可选地，响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第三预设阈值，可以基于所述会话的上下文信息中第二用户本次发送的会话消息和所述用户画像特征，获取与所述用户画像特征匹配的目标对象的信息并发送给所述第二用户，其中，所述第三预设阈值小于所述第二预设阈值；
[0167]
和/或，响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第三预设阈值，基于所述第二用户本次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户。其中，所述第三预设阈值小于所述第二预设阈值。
[0168]
另外，可选地，在本公开上述实施例中，预测所述第二用户的用户状态的概率之后，还可以在所述用户离开会话的概率大于第四预设阈值时，向第一用户发送所述第二用户的用户离开会话的概率较高的报警消息；
[0169]
和/或，在所述用户离开会话的概率大于第五预设阈值时，基于所述第二用户本次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户，其中，所述第五预设阈值大于所述第四预设阈值。
[0170]
另外，可选地，在本公开上述实施例中，预测所述第二用户的用户状态的概率之后，还可以在所述第二用户重新回到会话的概率小于第六预设阈值时，向第一用户发送所述第二用户重新回到会话的概率降低的报警消息；
[0171]
和/或，在所述第二用户重新回到会话的概率小于第七预设阈值时，基于所述第二用户上次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户，其中，所述第七预设阈值小于所述第六预设阈值。
[0172]
基于本公开实施例，可以在每次预测到的第二用户的用户状态的概率后，根据第二用户状态的概率的变动，对第一用户(例如经纪人)进行一些管理，例如让第一用户知道第二用户当前状态的变动，或者通过自动消息回复方式，生成针对第二用户发送的语句的回复语句给第一用户提供帮助。
[0173]
另外，在本公开实施例中，可以根据第一用户当前在会话中和所有第二用户的交流过程中的表现，是否能让会话向正向的方向走，是否能保证第二用户意向合作，对表现不同的第一用户给予不同的帮助。一个第一用户通常会和多个第二用户进行线上沟通(即会话)，可以采用wide&deep模型，对该第一用户同时沟通的多个第二用户的会话情感特征进行聚类，聚成正向情感类簇、负向情感类簇、无情感类簇，在分别对不同类簇进行加和，来得到第一用户的情感特征，从而避免了多个类别的会话情感特征一起加和产生相关中和的现象。根据第一用户的情感特征，可以对第一用户进行管理，例如对第一用户进行提示，或者采用自动消息回复方式代替第一用户与第二用户进行了交流，从而提高与第二用户的线上交流效果。
[0174]
本公开实施例提供的任一种信息处理方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种信息处理方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种信息处理方法。下文不再赘述。
[0175]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0176]
图6为本公开信息处理装置一个实施例的结构示意图。该实施例的信息处理装置可用于实现本公开上述各信息处理方法实施例。如图6所示，该实施例的信息处理装置包括：第一获取模块，确定模块，预测模块和排序处理模块。其中：
[0177]
第一获取模块，用于分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，获取所述第一用户与所述第二用户之间会话的上下文信息。
[0178]
确定模块，用于基于所述会话的上下文信息，确定所述会话的统计特征、所述第二用户的会话情感特征和用户画像特征；所述会话的统计特征包括：所述第一用户的会话信息特征和所述第二用户的会话信息特征。
[0179]
预测模块，用于利用多分类用户状态模型，基于所述会话的统计特征、所述会话情感特征和所述用户画像特征，预测所述第二用户的用户状态的概率并发送给所述第一用户，所述用户状态的概率例如可以包括但不限于以下任意一项或多项：用户意向合作的概率，用户离开会话的概率，所述第一用户回复消息后所述第二用户重新回到会话的概率。
[0180]
排序处理模块，用于按照所述用户意向合作的概率由高到低的顺序对所述至少一
个第二用户进行排序，得到排序列表并发送给所述第一用户，以便所述第一用户基于所述排序列表回复所述至少一个第二用户中各第二用户的会话消息。
[0181]
基于本公开上述实施例提供的信息处理装置，可以分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，获取所述第一用户与所述第二用户之间会话的上下文信息，然后，基于所述会话的上下文信息，确定所述会话的统计特征(包括第一用户的会话信息特征和第二用户的会话信息特征)、所述第二用户的会话情感特征和用户画像特征，进而，利用多分类用户状态模型，基于所述会话的统计特征、所述会话情感特征和所述用户画像特征，预测所述第二用户的用户状态的概率并发送给所述第一用户，其中用户状态的概率包括以下任意一项或多项：用户意向合作的概率，用户离开会话的概率，所述第一用户回复消息后所述第二用户重新回到会话的概率，使得第一用户可以及时发现和了解与其当前会话的各第二用户的当前状态，以便基于各第二用户的当前状态进行有效沟通从而提高沟通效率，使得第一用户可以更好的服务于第二用户，提高第二用户感受；另外，还可以按照用户意向合作的概率由高到低的顺序对所述至少一个第二用户进行排序，得到排序列表并发送给所述第一用户，以便第一用户可以基于该排序列表回复各第二用户的会话消息，例如优先回复用户意向合作的概率高的第二用户的会话消息，及时回复兴趣度和合作意向较高用户的消息，从而提高沟通效果和合作成功率。
[0182]
可选地，在其中一些可能的实现方式中，所述第一获取模块，具体用于：分别针对当前与第一用户会话的至少一个第二用户，响应于接收到第二用户的会话消息时，针对发送所述会话消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，分别针对当前与第一用户会话的至少一个第二用户，响应于所述第一用户向第二用户发送回复消息，针对所述第一用户发送回复消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，分别针对当前与第一用户会话的至少一个第二用户，响应于超过预设时长未接收到第二用户回复的会话消息时，针对超过预设时长未回复会话消息的第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息；和/或，按照预设周期，分别针对当前与第一用户会话的至少一个第二用户中的各第二用户，执行所述获取所述第一用户与所述第二用户之间会话的上下文信息。
[0183]
可选地，在其中一些可能的实现方式中，所述确定模块包括第一确定单元，用于：统计所述会话的上下文信息中所述第一用户发送的会话消息的平均回复时间、会话消息的条数和会话消息的平均回复字数，得到所述第一用户的会话信息特征；统计所述会话的上下文信息中所述第二用户发送的会话消息的平均回复时间、会话消息的条数和会话消息的平均回复字数，得到所述第二用户的会话信息特征。
[0184]
可选地，在其中一些可能的实现方式中，所述确定模块包括第二确定单元，用于：利用注意力机制，获取所述会话的上下文信息中每一条会话消息对用户状态影响的权重；分别提取所述会话的上下文信息中每一条会话消息的会话特征；基于所述会话的上下文信息中每一条会话消息的权重对所述会话的上下文信息中每一条会话消息的会话特征进行加权处理，得到加权特征；基于所述加权特征确定所述第二用户的会话情感特征。
[0185]
可选地，在其中一些可能的实现方式中，所述第二确定单元，用于：利用注意力机制，获取所述会话的上下文信息中每一条会话消息对用户状态影响的权重；分别提取所述
会话的上下文信息中每一条会话消息的会话特征；对所述会话的上下文信息中所有会话消息的会话特征进行聚类，得到正向情感类簇、负向情感类簇和无情感类簇；分别针对所述正向情感类簇、所述负向情感类簇和所述无情感类簇中的各类簇，基于所述类簇中各会话消息的权重对相应的会话特征进行加权处理，得到所述类簇的加权特征；基于所述正向情感类簇的加权特征、所述负向情感类簇的加权特征和所述无情感类簇的加权特征，确定所述第二用户的会话情感特征。
[0186]
可选地，在其中一些可能的实现方式中，所述确定模块还包括第三确定单元，用于：获取所述第二用户的基本信息以及所述会话的上下文信息中所述第二用户对目标对象的槽位信息；提取所述第二用户的基本信息特征和所述第二用户对目标对象的槽位信息中的属性值，作为所述第二用户的用户画像特征。
[0187]
图7为本公开信息处理装置另一个实施例的结构示意图。如图7所示，在图6所示实施例的基础上，该实施例的信息处理装置还可以包括：提示处理模块，用于针对所述至少一个第二用户中用户意向合作的概率大于第一预设阈值的目标第二用户，向所述第一用户发送针对所述目标第二用户进行合作处理的提示消息。
[0188]
可选地，再参见图7，本实施例的信息处理装置还可以包括：比较模块和报警模块。其中，比较模块，用于比较本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值。报警模块，用于响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第二预设阈值，向所述第一用户发送所述第二用户的用户意向合作的概率降低的报警消息。
[0189]
可选地，再参见图7，本实施例的信息处理装置还可以包括：推荐模块和/或自动回复模块。其中：
[0190]
可选地，在其中一些可能的实现方式中，推荐模块，用于响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第三预设阈值，基于所述会话的上下文信息中第二用户本次发送的会话消息和所述用户画像特征，获取与所述用户画像特征匹配的目标对象的信息并发送给所述第二用户，其中，所述第三预设阈值小于所述第二预设阈值；
[0191]
自动回复模块，用于响应于本次预测的用户意向合作的概率相对于上一次预测的用户意向合作的概率的减小值达到第三预设阈值，基于所述第二用户本次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户，其中，所述第三预设阈值小于所述第二预设阈值。
[0192]
可选地，在另一些可能的实现方式中，报警模块，用于在所述用户离开会话的概率大于第四预设阈值时，向所述第一用户发送所述第二用户的用户离开会话的概率较高的报警消息，其中，所述第五预设阈值大于所述第四预设阈值；
[0193]
自动回复模块，用于在所述用户离开会话的概率大于第五预设阈值时，基于所述第二用户本次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第
二用户，其中，所述第五预设阈值大于所述第四预设阈值。
[0194]
可选地，在又一些可能的实现方式中，报警模块，用于在所述第二用户重新回到会话的概率小于第六预设阈值时，向所述第一用户发送所述第二用户重新回到会话的概率降低的报警消息，其中，所述第七预设阈值小于所述第六预设阈值；
[0195]
自动回复模块，用于在所述第二用户重新回到会话的概率小于第七预设阈值时，基于所述第二用户上次发送的会话消息生成用户语句特征；利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征；利用神经网络模型，基于所述用户语句特征、所述用户意图特征和所述用户画像特征，生成针对所述用户发送的语句的回复语句并发送给所述第二用户，其中，所述第七预设阈值小于所述第六预设阈值。
[0196]
另外，本公开实施例还提供了一种电子设备，包括：
[0197]
存储器，用于存储计算机程序；
[0198]
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现本公开上述任一实施例所述的信息处理方法。
[0199]
另外，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本公开上述任一实施例所述的信息处理方法。
[0200]
下面，参考图8来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
[0201]
图8为本公开实施例电子设备一个实施例的结构示意图。如图8所示，电子设备包括一个或多个处理器和存储器。
[0202]
处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
[0203]
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所述的本公开的各个实施例的信息处理方法以及/或者其他期望的功能。
[0204]
在一个示例中，电子装置还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0205]
此外，该输入装置还可以包括例如键盘、鼠标等等。
[0206]
该输出装置可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
[0207]
当然，为了简化，图8中仅示出了该电子设备中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
[0208]
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述
部分中描述的根据本公开各种实施例的信息处理方法中的步骤。
[0209]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0210]
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本公开各种实施例的信息处理方法中的步骤。
[0211]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0212]
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
[0213]
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0214]
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0215]
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
[0216]
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
[0217]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本
公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0218]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。