信息排序方法、装置、服务器及存储介质与流程

1.本公开涉及计算机领域，尤其涉及信息排序方法、装置、服务器及存储介质。


背景技术：

2.随着互联网技术的不断发展，电子设备依托于应用程序向用户提供服务。其中，一些应用程序可以根据帐号当前的使用状况，向该帐号进行有针对性地进行信息推送。
3.为了实现多媒体信息的精准推送，一般需要对召回得到的信息进行排序处理。但是，相关技术中多媒体信息的排序准确度不高，如此导致向帐号推送的信息不够精准。


技术实现要素：

4.本公开提供一种信息排序方法、装置、服务器及存储介质，以至少解决由于多媒体信息的排序准确度不高，导致向帐号推送的信息不够精准的问题。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种信息排序方法，包括：
6.获取目标帐号的历史浏览记录中的多个历史多媒体信息；
7.将多个所述历史多媒体信息进行拼接，得到拼接信息；
8.从所述拼接信息中获取所述目标帐号对应的重要程度信息，所述重要程度信息表征所述目标帐号的行为倾向的重要程度；
9.根据所述重要程度信息，确定所述目标帐号对召回多媒体信息的预测行为信息，其中，所述召回多媒体信息为从预设多媒体信息库中召回的多媒体信息；
10.根据各个所述召回多媒体信息的预测行为信息，对各个所述召回多媒体信息进行排序。
11.在本技术的一个或多个实施例中，所述根据所述重要程度信息，确定所述目标帐号对召回多媒体信息的预测行为信息，包括：
12.确定所述召回多媒体信息的特征信息；
13.根据所述特征信息和所述重要程度信息，确定所述目标帐号对所述召回多媒体信息的预测行为信息。
14.在本技术的一个或多个实施例中，所述根据所述特征信息和所述重要程度信息，确定所述目标帐号对所述召回多媒体信息的预测行为信息，包括：
15.根据所述重要程度信息，设置账号行为预测网络中的权重值；
16.使用所述账号行为预测网络对所述特征信息进行计算，得到所述预测行为信息。
17.在本技术的一个或多个实施例中，所述从所述拼接信息中获取所述目标帐号对应的重要程度信息，包括：将所述拼接信息输入至行为重要程度确定网络，得到所述重要程度信息；
18.所述根据所述召回多媒体信息，确定所述召回多媒体信息的特征信息，包括：将所述召回多媒体信息对应的向量输入至特征提取网络，得到所述特征信息，其中，所述行为重要程度确定网络和所述特征提取网络并行设置，且所述行为重要程度确定网络的输出端和
所述特征提取网络的输出端均与所述账号行为预测网络相连。
19.在本技术的一个或多个实施例中，所述将多个所述历史多媒体信息进行拼接，得到拼接信息，包括：
20.对多个所述历史多媒体信息分别对应的向量在预定方向上进行拼接，得到所述拼接信息；
21.其中，在所述历史多媒体信息对应的向量为列向量的情况下，所述预定方向为行方向，在所述历史多媒体信息对应的向量为行向量的情况下，所述预定方向为列方向。
22.根据本公开实施例的第二方面，提供一种信息排序装置，包括：
23.第一获取模块，用于获取目标帐号的历史浏览记录中的多个历史多媒体信息；
24.拼接模块，用于将多个所述历史多媒体信息进行拼接，得到拼接信息；
25.第二获取模块，用于从所述拼接信息中获取所述目标帐号对应的重要程度信息，所述重要程度信息表征所述目标帐号的行为倾向的重要程度；
26.确定模块，用于根据所述重要程度信息，确定所述目标帐号对召回多媒体信息的预测行为信息，其中，所述召回多媒体信息为从预设多媒体信息库中召回的多媒体信息；
27.排序模块，用于根据各个所述召回多媒体信息的预测行为信息，对各个所述召回多媒体信息进行排序。
28.在本技术的一个或多个实施例中，所述确定模块包括：
29.第一确定单元，用于确定所述召回多媒体信息的特征信息；
30.第二确定单元，用于根据所述特征信息和所述重要程度信息，确定所述目标帐号对所述召回多媒体信息的预测行为信息。
31.在本技术的一个或多个实施例中，所述第二确定单元包括：
32.设置子单元，用于根据所述重要程度信息，设置账号行为预测网络中的权重值；
33.计算子单元，用于使用所述账号行为预测网络对所述特征信息进行计算，得到所述预测行为信息。
34.在本技术的一个或多个实施例中，所述第二获取模块用于：将所述拼接信息输入至行为重要程度确定网络，得到所述重要程度信息；
35.所述第一确定单元用于：将所述召回多媒体信息对应的向量输入至特征提取网络，得到所述特征信息，其中，所述行为重要程度确定网络和所述特征提取网络并行设置，且所述行为重要程度确定网络的输出端和所述特征提取网络的输出端均与所述账号行为预测网络相连。
36.在本技术的一个或多个实施例中，所述拼接模块用于：
37.对多个所述历史多媒体信息分别对应的向量在预定方向上进行拼接，得到所述拼接信息；
38.其中，在所述历史多媒体信息对应的向量为列向量的情况下，所述预定方向为行方向，在所述历史多媒体信息对应的向量为行向量的情况下，所述预定方向为列方向。
39.根据本公开实施例的第三方面，提供一种服务器，包括：
40.处理器；
41.用于存储所述处理器可执行指令的存储器；
42.其中，所述处理器被配置为执行所述指令，以实现上述任一项的信息排序方法。
43.根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得所述服务器能够执行上述任一项的信息排序方法。
44.根据本公开实施例的第五方面，提供一种计算机程序产品，当计算机程序产品中的指令由服务器的处理器执行时，使得服务器能够执行上述任一项的信息排序方法。
45.本公开的实施例提供的技术方案至少带来以下有益效果：
46.通过将目标帐号的多个历史多媒体信息进行拼接，得到拼接信息，并从拼接信息中获取目标帐号对应的重要程度信息；然后，根据重要程度信息，确定目标帐号对召回多媒体信息的预测行为信息。可见，在对目标帐号的行为进行预测时，由于考虑到目标帐号的行为倾向的重要程度，因此，可以准确地预测出目标帐号对召回多媒体信息的行为，并更加准确地对各个召回多媒体信息进行排序，从而向目标帐号进行更加精准地推送。
47.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
48.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
49.图1是根据一示例性实施例示出的一种信息推送系统的架构图。
50.图2是根据一示例性实施例示出的一种信息排序方法的流程图。
51.图3是根据一示例性实施例示出的一种多媒体信息预测模型的结构示意图。
52.图4是根据一示例性实施例示出的一种信息排序装置的结构图。
53.图5是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
54.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
55.需要说明的是，本公开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，以便这里描述的本公开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公开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、本公开的一些方面相一致的装置和方法的例子。
56.随着互联网技术的不断发展，电子设备依托于应用程序向用户提供服务。其中，一些应用程序可以根据帐号当前的使用状况，向该帐号进行有针对性地推送。相关技术中的信息推送方案包括以下几个阶段：召回(recall)、排序(ranking)、重排序(reranking)。一般而言，多媒体信息库的量级可以达到千万级的规模，一个用户请求过来，对于每一个多媒体信息都去衡量用户对其的偏好程度是不现实的。因此，召回阶段的作用是通过一定的策略做一次粗筛，从多媒体信息库中挑选出一个较小的候选集(比如几百到几千个多媒体信息)，候选集中的多媒体信息是用户在某些维度上可能感兴趣的信息；其粗筛策略即被称为一种召回方式，一般而言，召回阶段会存在多种不同的召回方式，多种召回的结果聚合后，
统一送入排序阶段；排序阶段在此基础上，进行更精准的计算，计算用户对每个召回多媒体信息的偏好程度并排序；重排序主要基于一些其他维度的考虑，例如保证推荐结果的多样性等，对排序阶段的结果做一些调整。
57.在排序阶段，当前业界主流的排序模型是基于深度学习的排序，典型地是通过向量转换(embedding)+多层感知机(multilayer perceptron，mlp)进行排序。具体的排序方案是：首先将候选集中各个召回多媒体信息的特征转换为对应的特征向量，然后mlp根据各个召回多媒体信息的特征向量以及帐号的历史多媒体信息，确定各个召回多媒体信息的排序结果。
58.确定各个召回多媒体信息的排序结果的一种实现方式包括：对于各个历史多媒体信息的特征向量，将相同位置的数值进行求和或者求平均值；再然后，将进行求和或者求平均值得到的向量和召回多媒体信息的特征向量输入至双塔架构的排序模型中，得到该召回多媒体信息的排序结果。
59.其中，双塔架构的排序模型至少包括两个网络，一个网络对进行求和或者求平均值得到的向量进行处理，得到用于表征帐号历史行为的第一向量，另一网络对召回多媒体信息的特征向量进行处理，得到用于表征召回多媒体信息的第二向量；然后，计算第一向量和第二向量的相似度，得到该召回多媒体信息的预测结果，该预测结果表征该召回多媒体信息被帐号查看的概率。
60.但是，由于用户对不同的历史多媒体信息的喜好程度是不同的，上述确定各个召回多媒体信息的排序结果的实现方式仅是对历史多媒体信息的特征向量进行简单求和，如此无法体现出用户对不同的历史多媒体信息的喜好程度，即无法体现出不同历史多媒体信息在排序阶段的重要性。如此导致多媒体信息的排序准确度不高，进而导致向帐号推送的信息不够精准。
61.基于上述技术问题，本公开提供一种信息排序方法，在对本公开提供的信息排序方法进行说明之前，先说明本技术提供的信息推送系统。图1是根据一示例性实施例示出的一种信息推送系统的架构图。
62.如图1所示，信息推送系统包括电子设备102和服务器104。
63.其中，电子设备102上安装有客户端，客户端包括应用程序，其中，该应用程序可以包括多种类型的应用，如：(长或短)视频播放类应用、音乐播放类应用、即时通讯类应用等多种类别的应用。
64.服务器104部署有服务端，服务端可以包括与上述应用程序对应的服务平台，服务平台的功能可以由服务器实现。服务器可以包括物理服务器和云服务器中的至少一项。
65.在电子设备102上安装有客户端之后，电子设备102可以通过客户端注册账号，然后，通过账号获取多媒体信息。
66.电子设备102可以通过注册的账号向服务器发送用于请求推荐多媒体信息的请求。服务器104根据该请求从预设多媒体信息库中获取多个召回多媒体信息；然后，对多个召回多媒体信息进行排序和重排序，得到排序结果；最后，根据排序结果向电子设备102推送多媒体信息。其中，服务器104对多个召回多媒体信息进行排序时可以采用本技术实施例提供的信息排序方法来实现。
67.图2是根据一示例性实施例示出的一种信息排序方法的流程图。
68.如图2所示，信息排序方法包括s202、s204、s206、s208和s210。
69.s202，获取目标帐号的历史浏览记录中的多个历史多媒体信息。
70.作为一个示例，多个历史多媒体信息可以为目标帐号的最近时间段(比如最近3个月或最近半年)内的历史浏览记录中的历史多媒体信息。
71.s204，将多个历史多媒体信息进行拼接，得到拼接信息。
72.在s204中，可以获取各个历史多媒体信息分别对应的向量，将多个历史多媒体信息分别对应的向量进行拼接，拼接得到的向量即为拼接信息。
73.s206，从拼接信息中获取目标帐号对应的重要程度信息，重要程度信息表征目标帐号的行为倾向的重要程度。其中，目标帐号的行为倾向可以为目标帐号的兴趣点，比如，目标帐号对旅游和摄影感兴趣。
74.s208，根据重要程度信息，确定目标帐号对召回多媒体信息的预测行为信息，其中，召回多媒体信息为从预设多媒体信息库中召回的多媒体信息。
75.需要说明的是，可以在s208之前，从预设多媒体信息库中召回预定数量个多媒体信息，形成候选集合。候选集合中的多媒体信息即为召回多媒体信息，召回多媒体信息是目标帐号的用户可能感兴趣的多媒体信息。
76.召回多媒体信息可以包括以下至少一项：(长或短)视频、图片、文本信息以及音频信息(比如音乐、相声、评书)。
77.目标帐号对召回多媒体信息的预测行为信息可以包括以下至少一项：目标帐号是否查看召回多媒体信息的信息，目标帐号是否对召回多媒体信息进行点赞的信息。预测行为信息具体可以为表征概率的数值，比如，预测行为信息可以包括目标帐号查看召回多媒体信息的概率，目标帐号对召回多媒体信息进行点赞的概率。
78.s210，根据各个召回多媒体信息的预测行为信息，对各个召回多媒体信息进行排序。
79.作为一个示例，如果预测行为信息为表征概率的数值，那么在s210中，可以按照各个召回多媒体信息分别对应的概率值从大到小的顺序，对各个召回多媒体信息进行排序。
80.在对各个召回多媒体信息进行排序之后，可以根据排序结果对召回多媒体信息进行重排序；然后，根据重排序的结果向目标帐号推送召回多媒体信息。
81.在本技术实施例中，通过将目标帐号的多个历史多媒体信息进行拼接，得到拼接信息，并从拼接信息中获取目标帐号对应的重要程度信息；然后，根据重要程度信息，确定目标帐号对召回多媒体信息的预测行为信息。可见，在对目标帐号的行为进行预测时，由于考虑到目标帐号的行为倾向的重要程度，因此，可以准确地预测出目标帐号对召回多媒体信息的行为，从而更加准确地对各个召回多媒体信息进行排序，并向目标帐号进行更加精准地推送。
82.在本技术的一个或多个实施例中，s204具体可以包括：
83.对多个历史多媒体信息分别对应的向量在预定方向上进行拼接，得到拼接信息；其中，在历史多媒体信息对应的向量为列向量的情况下，预定方向为行方向，在历史多媒体信息对应的向量为行向量的情况下，预定方向为列方向。
84.下面以多媒体信息为视频为例说明本公开实施例。
85.对于目标帐号的n个历史视频，根据每个视频的标识码(identity document，id)，
获取每个视频对应的向量，其中，视频对应的向量为该视频的标识码的向量。
86.假设视频1对应的向量为(x1，x2，x3
…
x32)
t
，视频2对应的向量为(y1，y2，y3
…
y32)
t
，视频3对应的向量为(z1，z2，z3
…
z32)
t
。
87.由于上述三个视频分别对应的向量为32维的列矩阵，因此，对上述三个视频分别对应的向量在行方向上进行拼接，得到如下的拼接信息：
[0088][0089]
作为一个示例，在得到拼接信息之后，可以将目标帐号的属性信息对应的向量添加至拼接信息中，以更新拼接信息，使得更新后的拼接信息中包括用于表征目标帐号属性的信息。其中，目标帐号的属性信息可以包括以下至少一项：目标帐号对应的用户的性别、年龄、地域。
[0090]
比如，目标帐号的属性信息对应的向量为为(a1，a2，a3
…
a32)
t
，则将目标帐号的属性信息对应的向量添加至拼接信息中，得到更新后的拼接信息，更新后的拼接信息具体可以为如下的矩阵：
[0091][0092]
在相关技术中，对各个召回多媒体信息进行排序的另一种实现方式具体如下：计算各个历史多媒体信息与召回多媒体信息的相似度，将该相似度作为该历史多媒体信息的权重，然后，根据各个历史多媒体信息的权重，对各个历史多媒体信息的特征向量进行拼接，得到拼接结果；根据该拼接结果计算帐号对召回多媒体信息的预测行为信息，并根据预测行为信息对召回多媒体信息进行排序。
[0093]
该方式计算历史多媒体信息与召回多媒体信息的相似度，该相似度虽然能够体现出不同历史多媒体信息在排序阶段的重要性，但是，该方式无法适用于双塔架构的模型，如此导致该方案缺乏通用性。需要说明的是，双塔架构的模型至少包括两个网络，一个网络用于获取用于表征召回多媒体信息的内容的特征信息，另一个网络用于获取用于表征目标帐号的至少一个行为倾向的重要程度信息。
[0094]
为了解决相关技术中的由于无法适用于双塔架构的模型导致通用性较差的问题，在本技术的一个或多个实施例中，s208可以包括：
[0095]
确定召回多媒体信息的特征信息，其中，召回多媒体信息的特征信息可以是用于表征召回多媒体信息的特征的向量；
[0096]
根据召回多媒体信息的特征信息和重要程度信息，确定目标帐号对召回多媒体信息的预测行为信息。其中，目标帐号对召回多媒体信息的预测行为信息可以是利用账号行为预测网络对召回多媒体信息的特征信息和重要程度信息进行计算得到。
[0097]
其中，从拼接信息中获取目标帐号对应的重要程度信息，包括：将拼接信息输入至
行为重要程度确定网络，得到重要程度信息。
[0098]
根据召回多媒体信息，确定召回多媒体信息的特征信息，可以包括：将召回多媒体信息对应的向量输入至特征提取网络，得到特征信息，其中，行为重要程度确定网络和特征提取网络并行设置，且行为重要程度确定网络和特征提取网络的输出端均与账号行为预测网络相连。
[0099]
在得到召回多媒体信息的特征信息和重要程度信息之后，根据召回多媒体信息的特征信息和重要程度信息，确定目标帐号对召回多媒体信息的预测行为信息，可以包括：
[0100]
根据重要程度信息，设置账号行为预测网络中的权重值，比如，将重要程度信息中的数值确定为账号行为预测网络中的权重值；
[0101]
使用账号行为预测网络对特征信息进行计算，得到预测行为信息。
[0102]
下面通过图3的示例说明本公开实施例。
[0103]
如图3所示，多媒体信息预测模型包括特征提取网络、行为重要程度确定网络、账号行为预测网络，行为重要程度确定网络和特征提取网络并行设置，且行为重要程度确定网络的输出端和特征提取网络的输出端均与账号行为预测网络相连。多媒体信息预测模型可以采用交叉熵损失函数进行模型训练得到。
[0104]
利用图3所示的多媒体信息预测模型预测目标帐号对召回多媒体信息的预测行为信息的具体步骤可以包括：将召回多媒体信息对应的向量输入至特征提取网络，得到用于表征召回多媒体信息的内容的特征信息；将用于表征多个历史多媒体信息的拼接向量输入至行为重要程度确定网络，得到用于表征目标帐号的至少一个行为倾向的重要程度信息。
[0105]
然后，将用于表征召回多媒体信息的内容的特征信息以及重要程度信息输入至账号行为预测网络，得到目标帐号对召回多媒体信息的预测行为信息。
[0106]
其中，账号行为预测网络为全连接层网络，具体地，账号行为预测网络可以为如下的函数：
[0107]
y＝w1x1+w2x2+
…
wmxm
ꢀꢀꢀ
(1)
[0108]
其中，y表示账号行为预测网络的输出，即目标帐号对召回多媒体信息的预测行为信息，xi为用于表征召回多媒体信息的内容的特征信息中的数值，wi为用于表征目标帐号的行为倾向的重要程度信息中的数值，i∈[1,m]中的整数，m为大于1的整数。
[0109]
行为重要程度确定网络可以为多层的网络，比如，行为重要程度确定网络为5层的网络，行为重要程度确定网络中的各层网络的维度分别为512、256、256、128和128。
[0110]
需要说明的是，在确定多个召回多媒体信息的预测行为信息时，行为重要程度确定网络可以对拼接信息处理一次即可，不需要每确定一个召回多媒体信息的预测行为信息时对拼接信息处理一次。
[0111]
在本技术实施例中，通过特征提取网络获取召回多媒体信息的特征信息，以及通过行为重要程度确定网络确定目标帐号的行为倾向的重要程度信息。特征提取网络和行为重要程度确定网络并行设置，且这两个网络均输出至帐号行为预测网络。如此，使得本技术实施例的方案可以适用于双塔架构的模型，解决了通用性较差的技术问题。
[0112]
下面以多媒体信息为视频为例对本技术实施例进行示例性说明。
[0113]
在接收到目标帐号的视频推送请求的情况下，从预设视频库中召回视频。然后采用图3的多媒体信息预测模型对召回的视频进行排序，具体包括如下步骤：
[0114]
获取目标帐号的历史浏览记录中的多个历史视频；
[0115]
将多个历史视频的分别对应的向量进行拼接，得到拼接向量；以及获取召回的视频对应的向量；
[0116]
将拼接向量输入至多媒体信息预测模型中的行为重要程度确定网络，得到目标帐号的各个兴趣点的重要程度信息，并输入至帐号行为预测网络；将召回的视频对应的向量输入至特征提取网络，得到召回的视频的特征信息，并输入至帐号行为预测网络；
[0117]
通过帐号行为预测网络对重要程度信息和召回的视频的特征信息进行计算，得到目标帐号查看召回视频的概率。其中，帐号行为预测网络中的权重值为重要程度信息中的数值；
[0118]
按照上述方式对各个召回视频进行计算，得到目标帐号查看各个召回视频的概率，然后，根据目标帐号查看各个召回视频的概率，对各个召回视频进行排序。
[0119]
在对各个召回视频进行排序之后，还可以根据各个召回视频的排序结果，对召回视频进行重排序，再根据召回视频的重排序结果，将召回视频推送至目标帐号。
[0120]
与本公开实施例的信息排序方法对应地，本公开提供一种信息排序装置，图4是根据一示例性实施例示出的一种信息排序装置的结构图。
[0121]
如图4所示，信息排序装置300包括：
[0122]
第一获取模块302，用于获取目标帐号的历史浏览记录中的多个历史多媒体信息；
[0123]
拼接模块304，用于将多个历史多媒体信息进行拼接，得到拼接信息；
[0124]
第二获取模块306，用于从拼接信息中获取目标帐号对应的重要程度信息，重要程度信息表征目标帐号的行为倾向的重要程度；
[0125]
确定模块308，用于根据重要程度信息，确定目标帐号对召回多媒体信息的预测行为信息，其中，召回多媒体信息为从预设多媒体信息库中召回的多媒体信息；
[0126]
排序模块310，用于根据各个召回多媒体信息的预测行为信息，对各个召回多媒体信息进行排序。
[0127]
在本技术实施例中，通过将目标帐号的多个历史多媒体信息进行拼接，得到拼接信息，并从拼接信息中获取目标帐号对应的重要程度信息；然后，根据重要程度信息，确定目标帐号对召回多媒体信息的预测行为信息。可见，在对目标帐号的行为进行预测时，由于考虑到目标帐号的行为倾向的重要程度，因此，可以准确地预测出目标帐号对召回多媒体信息的行为，从而更加准确地对各个召回多媒体信息进行排序，并向目标帐号进行更加精准地推送。
[0128]
在本技术的一个或多个实施例中，确定模块308可以包括：
[0129]
第一确定单元，用于确定召回多媒体信息的特征信息；
[0130]
第二确定单元，用于根据特征信息和重要程度信息，确定目标帐号对召回多媒体信息的预测行为信息。
[0131]
在本技术的一个或多个实施例中，第二确定单元包括：
[0132]
设置子单元，用于根据重要程度信息，设置账号行为预测网络中的权重值；
[0133]
计算子单元，用于使用账号行为预测网络对特征信息进行计算，得到预测行为信息。
[0134]
在本技术的一个或多个实施例中，第二获取模块306可以用于：将拼接信息输入至
行为重要程度确定网络，得到重要程度信息；
[0135]
第一确定单元可以用于：将召回多媒体信息对应的向量输入至特征提取网络，得到特征信息，其中，行为重要程度确定网络和特征提取网络并行设置，且行为重要程度确定网络的输出端和特征提取网络的输出端均与账号行为预测网络相连。
[0136]
在本技术实施例中，通过特征提取网络获取召回多媒体信息的特征信息，以及通过行为重要程度确定网络确定目标帐号的行为倾向的重要程度信息。特征提取网络和行为重要程度确定网络并行设置，且这两个网络均输出至帐号行为预测网络。如此，使得本技术实施例的方案可以适用于双塔架构的模型，解决了通用性较差的技术问题。
[0137]
在本技术的一个或多个实施例中，拼接模块304具体可以用于：
[0138]
对多个历史多媒体信息分别对应的向量在预定方向上进行拼接，得到拼接信息；其中，在历史多媒体信息对应的向量为列向量的情况下，预定方向为行方向，在历史多媒体信息对应的向量为行向量的情况下，预定方向为列方向。
[0139]
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。
[0140]
本公开还提供一种服务器，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现上述任一项的信息排序方法。
[0141]
图5是根据一示例性实施例示出的一种服务器400的框图。例如，服务器400可以被提供为一服务器。参照图5，服务器400包括处理组件422，其进一步包括一个或多个处理器，以及由存储器432所代表的存储器资源，用于存储可由处理组件422的执行的指令，例如应用程序。存储器432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422被配置为执行指令，以执行上述信息排序方法。
[0142]
服务器400还可以包括一个电源组件426被配置为执行服务器400的电源管理，一个有线或无线网络接口450被配置为将服务器400连接到网络，和一个输入输出(i/o)接口458。服务器400可以操作基于存储在存储器432的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似。
[0143]
本公开还提供一种存储介质，当存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述任一项的信息排序方法。
[0144]
在示例性实施例中，本公开提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由装置的处理器执行以完成上述方法。例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0145]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0146]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。