用于输出信息的方法和装置与流程

1.本公开涉及人工智能技术领域，尤其涉及智能搜索领域，具体涉及一种用于输出信息的方法和装置。


背景技术：

2.信息推送是指从信息数据库中筛选出用户可能会感兴趣的内容，然后将筛选出的内容呈现给用户的过程。在信息推送过程中，通常是先要召回大量的信息，然后对所召回的信息进行粗排筛选，即初步将用户可能感兴趣的信息筛选出来，之后再进一步对粗排筛选所得到的信息进行精排筛选，得到最终推送给用户的信息集合，以使得所推送的信息集合贴合用户的兴趣。相关技术中，按统一排序(粗排+精排)单个推荐信息进行召回，每次召回头部兴趣点的资源，头部聚集现象比较严重，多样性差，多层漏斗过滤后，有效的候选集较少，不利于提升推荐效果。


技术实现要素：

3.本公开提供了一种用于输出信息的方法、装置、设备、存储介质以及计算机程序产品。
4.根据本公开的第一方面，提供了一种用于输出信息的方法，包括：获取历史的推荐信息集合、用户的历史点击记录和用户画像；从所述推荐信息集合中选取推荐信息组成至少一个推荐信息片段；从所述至少一个推荐信息片段中提取出每个推荐信息片段的特征；基于所述历史点击记录和所述用户画像生成用户表示向量；对于每个推荐信息片段，基于所述用户表示向量和该推荐信息片段的特征，预测出该推荐信息片段的点击通过率。
5.根据本公开的第二方面，提供了一种用于输出信息的装置，包括：获取单元，被配置成获取历史的推荐信息集合、用户的历史点击记录和用户画像；选取单元，被配置成从所述推荐信息集合中选取推荐信息组成至少一个推荐信息片段；提取单元，被配置成从所述至少一个推荐信息片段中提取出每个推荐信息片段的特征；生成单元，被配置成基于所述历史点击记录和所述用户画像生成用户表示向量；预测单元，被配置成对于每个推荐信息片段，基于所述用户表示向量和该推荐信息片段的特征，预测出该推荐信息片段的点击通过率。
6.根据本公开的第三方面，提供了一种电子设备，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第一方面所述的方法。
7.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面所述的方法。
8.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面所述的方法。
9.本公开的实施例提供的用于输出信息的方法和装置，考虑序列的关系按片段(多个item(新闻等推荐信息，比如短小视频或者图文))资源进行召回的方式，能够解决头部资源聚集的问题，起到高频带动低频的作用，召回的资源更丰富，多样性更好。
10.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
11.附图用于更好地理解本方案，不构成对本公开的限定。其中：
12.图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
13.图2是根据本公开的用于输出信息的方法的一个实施例的流程图；
14.图3是根据本公开的用于输出信息的方法的一个应用场景的示意图；
15.图4是根据本公开的用于输出信息的方法的又一个实施例的流程图；
16.图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图；
17.图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
18.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
19.图1示出了可以应用本公开的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。
20.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
21.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
22.终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
23.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的网页提供支持的后台网页服务器。后台网页服务器可以对接收到的网页页面请求等数据进行分析等处理，并将处理结果(例如网页页面数据)反馈给终端设备。
24.需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。
25.需要说明的是，本公开的实施例所提供的用于输出信息的方法一般由服务器105执行，相应地，用于输出信息的装置一般设置于服务器105中。
26.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
27.继续参考图2，示出了根据本公开的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：
28.步骤201，获取历史的推荐信息集合、用户的历史点击记录和用户画像。
29.在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行网页浏览的终端接收浏览请求。用户打开浏览器或其它应用程序时就向服务器发送了浏览请求。如果用户已登陆，则可获取用户账户进而获取该用户账户的历史点击记录以及用户画像。用户画像可以通过用户注册信息获得，例如，姓名、年龄、职业、兴趣等。用户画像也可通过对历史点击记录的分析获得。历史点击记录可包括该用户点击过的推荐信息的主题、标签、点击时间等信息。
30.服务器还获取了历史的推荐信息集合，即曾经推荐过的信息。这些推荐信息集合可以按点击的时间顺序排序，例如，最近点击的排在最前面。可选地，也可根据点击通过率对历史的推荐信息集合进行筛选，过滤掉点击通过率低于预定点击阈值的推荐信息。
31.步骤202，从推荐信息集合中选取推荐信息组成至少一个推荐信息片段。
32.在本实施例中，可将多个推荐信息组成一个推荐信息片段。可以按时间顺序选择若干个推荐信息组成推荐信息片段。例如，每三个推荐信息组成一个推荐信息片段。不同的推荐信息片段之间可以有重复的推荐信息，也可以不出现重复的推荐信息。
33.步骤203，从至少一个推荐信息片段中提取出每个推荐信息片段的特征。
34.在本实施例中，可通过现有的特征提取网络提取出每个推荐信息片段的特征。该特征提取网络的输入为多个推荐信息，可将一个推荐信息片段的每个推荐信息进行编码后转换成子特征向量。将所得到的所有子特征向量按照推荐信息的顺序拼接起来，将拼接结果记为中间特征向量。之后，利用多头自注意力机制来对中间特征向量进行多次自注意力计算，每次自注意力计算都对应多头自注意力机制中的一个头，得到一个注意力参数，因此，中间特征向量对应有多个注意力参数。将计算出的多个注意力参数依次拼接起来，得到拼接结果，然后再用多自注意力机制中训练好的整体参数与拼接结果相乘，所得到的乘积结果即是该推荐信息片段的特征。
35.步骤204，基于历史点击记录和用户画像生成用户表示向量。
36.在本实施例中，可通过长短期记忆网络(long short-term memory，lstm)从历史点击记录中提取出历史特征。通过卷积网络从用户画像中提取出用户特征。将历史特征和用户特征拼接后作为用户表示向量。
37.步骤205，对于每个推荐信息片段，基于用户表示向量和该推荐信息片段的特征，预测出该推荐信息片段的点击通过率。
38.在本实施例中，可通过现有的ctr(click through rate，点击通过率)模型预测该推荐信息片段的点击通过率。点击通过率广泛应用于信息推荐中，特别是广告的推荐之中。ctr是指网络广告(图片广告、文字广告、关键字广告、排名广告以及视频广告等)的点击到达率，也即广告的实际点击次数除以广告的展现量。
39.ctr模型是综合考虑各种因素、特征，在大量历史数据上训练得到的模型。ctr预估的训练样本可从历史日志、离线特征库获得。样本标签相对容易，用户点击标记为1，没有点击标记为0.特征则会考虑很多，例如基于历史点击记录和用户画像生成的用户表示向量、推荐信息片段的特征等。
40.本公开的上述实施例提供的方法考虑多样性因素，采用按片段(多个item)的方式进行召回，召回的资源为历史的序列的组合生成的，将自然语言处理中序列建模思想应用到推荐系统中，引入注意力机制学习资源之间序列的关系。不仅考虑用户与推荐信息之间的关系还考虑了推荐信息与推荐信息之间的关系。这样做的好处是能使召回的资源分布更均匀，避免兴趣点头部聚集的现象。
41.在本实施例的一些可选的实现方式中，从推荐信息集合中选取推荐信息组成至少一个推荐信息片段，包括：从推荐信息集合中通过滑动时间窗获取预定数量的推荐信息作为推荐信息片段，得到至少一个推荐信息片段。以预定的步长和窗口长度每次获取预定数量的推荐信息作为推荐信息片段。滑动时间窗按推荐信息被点击的时间先后顺序滑动选择推荐信息。如果窗口长度大于步长，则相邻的推荐信息片段有部分重叠。例如，窗口长度为5，步长为3，这样每次取得的5个推荐信息作为一个推荐信息片段，与相邻的推荐信息片段有部分重叠，并且能保证时间顺序。如果不需要相邻的推荐信息片段重叠，则可设置成窗口长度小于等于步长。
42.在本实施例的一些可选的实现方式中，从至少一个推荐信息片段中提取出每个推荐信息片段的特征，包括：对于至少一个推荐信息片段中的每个推荐信息片段，将该推荐信息片段和该推荐信息片段中每个推荐信息的位置偏移输入自注意力网络，得到该推荐信息片段的特征。位置偏移是一个推荐信息片段中每个推荐信息的相对位置。例如，推荐信息片段中有3个推荐信息，按点击的时间先后顺序为a、b、c。则a的位置偏移是0，b的位置偏移是1，c的位置偏移是2。在输入序列里人为地加入每个推荐信息的位置信息，使得输入序列里的处于不同位置的相同的推荐信息对自注意力网络来说就会有语法和语义上的差别，它们会产生不同的输出。从而学习到推荐信息与推荐信息之间的关系。起到高频带动低频的作用。
43.在本实施例的一些可选的实现方式中，基于历史点击记录和用户画像生成用户表示向量，包括：将历史点击记录输入预先训练的门控循环单元，得到历史特征；将用户画像输入全连接层后得到用户特征；将历史特征和用户特征进行全连接后得到用户表示向量。门控循环单元(gate recurrent unit，gru)是长短期记忆网络(long short-term memory，lstm)的一种变体，其将忘记门与输入门合成了一个单一的更新门控。gru解决了长期记忆和反向传播中梯度的问题。
44.在本实施例的一些可选的实现方式中，该方法还包括：从点击通过率最高的预定
数目个推荐信息片段中过滤掉不满足约束条件的推荐信息，得到第一候选推荐信息集合进行输出。约束条件可以是例如去重、多样性等。从而提高推荐的命中率。采用片段进行组合下发列表，考虑硬约束及多样性，会扔掉一部分不满足约束的片段，比如一个片段有3个item，其中一个item不满足约束，将其中一个item扔掉，保留另外两条item。
45.继续参见图3，图3是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器检测到用户打开了新闻应用程序，则获取该用户的历史点击记录news_0、news_1
…
news_n。还获取该用户的用户画像user model。然后将历史点击记录编码成向量h(1)、h(2)
…
h(n)后输入gru进行特征提取，得到了历史特征last。将用户画像user model编码成向量h(0)后进行全连接，得到用户特征。将历史特征和用户特征进行全连接后得到了用户表示向量。数据库中可预先保存了历史的序列的滑窗组合生成的推荐信息片段。并且数据库中还存储了通过基于位置偏移的自注意力网络提取出的推荐信息片段的特征。将用户表示向量依次与数据库中的推荐信息片段的特征进行ctr预估，预测出该用户对于每个推荐信息片段的点击通过率。然后将点击通过率高预定数目个的推荐信息片段中的推荐信息去重后推送给用户。
46.进一步参考图4，其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：
47.步骤401，获取历史的推荐信息集合、用户的历史点击记录和用户画像。
48.步骤402，从推荐信息集合中选取推荐信息组成至少一个推荐信息片段。
49.步骤403，从至少一个推荐信息片段中提取出每个推荐信息片段的特征。
50.步骤404，基于历史点击记录和用户画像生成用户表示向量。
51.步骤405，对于每个推荐信息片段，基于用户表示向量和该推荐信息片段的特征预测出该推荐信息片段的点击通过率。
52.步骤401-405与步骤201-205基本相同，因此不再赘述。
53.步骤406，从点击通过率最高的预定数目个推荐信息片段中过滤掉不满足约束条件的推荐信息，得到第一候选推荐信息集合。
54.在本实施例中，约束条件可以是例如去重、多样性等。从而提高推荐的命中率。采用片段进行组合下发列表，考虑硬约束及多样性，会扔掉一部分不满足约束的片段，比如一个片段有3个item，其中一个item不满足约束，将其中一个item扔掉，保留另外两条资源。过滤后的推荐信息片段仍是可以作为一个整体进行后续的打分。
55.步骤407，基于推荐信息集合通过召回模型生成第二候选推荐信息集合。
56.在本实施例中，可采用现有技术常见的召回模型(例如，contexdnn(上下文深度学习网络)等)从推荐信息集合中召回单条item组成的第二候选推荐信息集合。
57.步骤408，将第一候选推荐信息集合和第二候选推荐信息集合输入评价模型，得到每个推荐信息的评价得分。
58.在本实施例中，评价模型可以是预先训练的神经网络，可根据推荐信息的各种特征打分。第一候选推荐信息集合是多个item的联合结果，第二候选推荐信息集合是单条item的结果。可以将第一候选推荐信息集合中每个推荐信息片段作为一个整体打分，例如，将推荐信息片段中每个推荐信息分别打分后的平均分作为推荐信息片段的评价得分，得到一个segment(片段)的评价得分。而第二候选推荐信息集合中的推荐信息分别打分，得到的
是单条item的评价得分。
59.步骤409，按照评价得分输出目标推荐信息。
60.在本实施例中，可输出评价得分高于预定分数阈值的推荐信息，也可按评价得分由高到低的顺序选择指定数目个推荐信息。可将属于同一推荐信息片段的推荐信息捆绑输出。可选地，第二候选推荐信息集合中的推荐信息很容易与第一候选推荐信息集合中的推荐信息重复，可以在输出推荐信息之前进行去重处理。
61.从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400体现了对多条推荐信息捆绑推送和单条推荐信息单独推荐的融合步骤。由此，本实施例描述的方案可以引入更多的有效推荐信息，从而实现更全面的推荐信息的选取和更有效的信息推荐。
62.进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
63.如图5所示，本实施例的用于输出信息的装置500包括：获取单元501、选取单元502、提取单元503、生成单元504和预测单元505。其中，获取单元501，被配置成获取历史的推荐信息集合、用户的历史点击记录和用户画像；选取单元502，被配置成从推荐信息集合中选取推荐信息组成至少一个推荐信息片段；提取单元503，被配置成从至少一个推荐信息片段中提取出每个推荐信息片段的特征；生成单元504，被配置成基于历史点击记录和用户画像生成用户表示向量；预测单元505，被配置成对于每个推荐信息片段，基于用户表示向量和该推荐信息片段的特征，预测出该推荐信息片段的点击通过率。
64.在本实施例中，用于输出信息的装置500的获取单元501、选取单元502、提取单元503、生成单元504和预测单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。
65.在本实施例的一些可选的实现方式中，选取单元502进一步被配置成：从推荐信息集合中通过滑动时间窗获取预定数量的推荐信息作为推荐信息片段，得到至少一个推荐信息片段。
66.在本实施例的一些可选的实现方式中，滑动时间窗按推荐信息被点击的时间先后顺序滑动选择推荐信息，且窗口长度大于步长。
67.在本实施例的一些可选的实现方式中，提取单元503进一步被配置成：对于至少一个推荐信息片段中的每个推荐信息片段，将该推荐信息片段和该推荐信息片段中每个推荐信息的位置偏移输入自注意力网络，得到该推荐信息片段的特征。
68.在本实施例的一些可选的实现方式中，生成单元504进一步被配置成：将历史点击记录输入预先训练的门控循环单元，得到历史特征；将用户画像输入全连接层后得到用户特征；将历史特征和用户特征进行全连接后得到用户表示向量。
69.在本实施例的一些可选的实现方式中，装置500还包括过滤单元(附图中未示出)，被配置成：从点击通过率最高的预定数目个推荐信息片段中过滤掉不满足约束条件的推荐信息，得到第一候选推荐信息集合进行输出。
70.在本实施例的一些可选的实现方式中，装置500还包括融合单元(附图中未示出)，被配置成：基于推荐信息集合通过召回模型生成第二候选推荐信息集合；将第一候选推荐
信息集合和第二候选推荐信息集合输入评价模型，得到每个推荐信息的评价得分；按照评价得分输出目标推荐信息。
71.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
72.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
73.一种电子设备，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流程200或400所述的方法。
74.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行流程200或400所述的方法。
75.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现流程200或400所述的方法。
76.图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
77.如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
78.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
79.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如用于输出信息的方法。例如，在一些实施例中，用于输出信息的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的用于输出信息的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于输出信息的方法。
80.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电
路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
81.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
82.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
83.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
84.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
85.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
86.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，
只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
87.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。