推荐模型训练方法、推荐方法、设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种推荐模型训练方法、推荐方法、设备及存储介质。


背景技术：

2.推荐系统被广泛应用于各大app，用来增强用户的个性化体验的同时增加供应商收入。召回和排序算法作为推荐系统的两大重要模块，直接影响了最终的推荐结果和收益。
3.推荐系统的算法完全依赖用户行为数据，数据是效果的上限，而模型只是尽可能逼近上限。但是，推荐系统一直存在数据稀疏的问题，针对同样的推荐候选集，各个场景的数据分布并不是完全一致，导致各个场景用于模型的数据各自为营，数据更加稀疏。举例说明：在线旅行社app中有多个场景的景点相关数据，比如酒店订后景点推荐，列表页景点排序等。特点就是使用同样的景点候选集，但是各自场景的用户行为数据分布完全不一样。酒店订后景点推荐场景下用户可能会关注酒店相关的信息，可能就是为了某些景点而定的酒店，同时因为是酒店订单后的场景，数据相对会稀疏一点；而列表页景点排序的用户则更多可能关注当前城市内的景点，甚至只是想找一些日常朋友聚会的景点，如ktv、桌游吧等，同时该场景数据相对会多一些。一般情况下，有三种常规的解决方案：1)根据各个场景的数据分别建模，得到多个模型分别用于线上推理。但是这种方法有明显缺点，一是多个模型浪费资源且不易维护，二是各个场景数据稀疏，导致模型欠拟合，效果不好；2)为了解决方案1的缺点，将多个场景的数据混合到一起建模，最终针对同样的候选集使用一个模型线上推理。这种方案的缺点是合并多个场景的训练数据完全破坏了各个场景的数据分布，模型往往容易向数据较多场景的数据分布去学习，导致最终的效果各个场景不一；3)该方案目的是改进方案2的缺点，在建模时候简单加入场景的特征，让模型自己学习达到区分各个场景数据分布的目的。但是深度模型并不是万能的，简单给定场景特征，很难找到数据共享和自适应各场景数据分布的平衡点，实际落地效果并不明显。
4.需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.针对现有技术中的问题，本发明的目的在于提供一种推荐模型训练方法、推荐方法、设备及存储介质，针对同样的推荐候选集在不同的场景都有各自的用户行为分布，合并多场景数据建模导致线上各场景效果不一的问题，开发了深度交叉场景特征的深度网络单元，可以灵活嵌入到推荐系统的召回和/或排序深度模型中，达到共享多场景数据和更好地匹配各场景数据分布的目的。
6.本发明实施例提供一种推荐模型训练方法，包括如下步骤：
7.获取第一推荐模型和深度交叉场景特征网络单元；
8.基于所述第一推荐模型和所述深度交叉场景特征网络单元构建第二推荐模型，所
述深度交叉场景特征网络单元配置为将非场景特征和场景特征进行交叉组合；
9.采集第一样本数据集，所述第一样本数据集中每个样本的数据包括场景特征、非场景特征和所对应的推荐结果标签；
10.基于所述第一样本数据集训练所述第二推荐模型。
11.在一些实施例中，所述第二推荐模型配置为将场景特征和非场景特征进行拼接得到第一特征，将所述场景特征和非场景特征输入所述深度交叉场景特征网络单元得到第二特征，并将所述第一特征和所述第二特征输入所述第一推荐模型，将所述第一推荐模型的输出结果作为预测推荐结果。
12.在一些实施例中，所述第一推荐模型为第一召回模型，所述第二推荐模型为第二召回模型；或，
13.所述第一推荐模型为第一排序模型，所述第二推荐模型为第二排序模型。
14.在一些实施例中，所述深度交叉场景特征网络单元包括场景特征侧和非场景特征侧，所述非场景特征侧中各个处理层之间的权重矩阵和偏置项由所述场景特征侧输入。
15.在一些实施例中，所述深度交叉场景特征网络单元的场景特征侧包括第一处理层，输入的场景特征经过embedding和全连接处理得到第一向量，所述第一处理层将所述第一向量拆分得到第一权重矩阵、第一偏置项、第二权重矩阵和第二偏置项；
16.所述非场景特征侧包括第二处理层、第三处理层和第四处理层，所述第一权重矩阵和所述第一偏置项输入所述第二处理层和所述第三处理层之间，所述第二权重矩阵和所述第二偏置项输入所述第三处理层和所述第四处理层之间。
17.在一些实施例中，所述第一推荐模型为第一召回模型，所述第二推荐模型为第二召回模型；
18.基于所述样本数据集训练所述第二推荐模型后，还包括如下步骤：
19.获取第三推荐模型，所述第三推荐模型为第三排序模型；
20.基于所述第三推荐模型和所述深度交叉场景特征网络单元构建第四推荐模型，所述第四推荐模型为第四排序模型；
21.采集第二样本数据集，所述第二样本数据集中每个样本的数据包括场景特征、非场景特征和所对应的推荐结果标签；
22.基于所述第二样本数据集训练所述第四推荐模型。
23.在一些实施例中，所述非场景特征包括用户特征、物品特征和上下文特征中的至少一种，所述第二推荐模型的预测推荐结果包括是否召回的概率，所述第四推荐模型的预测推荐结果包括用户的点击概率。
24.在一些实施例中，所述第四推荐模型配置为将场景特征和非场景特征进行拼接得到第三特征，将所述场景特征和非场景特征输入所述深度交叉场景特征网络单元得到第四特征，并将所述第三特征和所述第四特征输入所述第三推荐模型，将所述第三推荐模型的输出结果作为预测推荐结果。
25.本发明实施例还提供一种推荐方法，采用所述的第二推荐模型和第四推荐模型，所述推荐方法包括如下步骤：
26.接收到用户的查看物品请求；
27.获取场景特征、用户特征和上下文特征，将所述用户特征、所述上下文特征和候选
物品特征组合得到第一非场景特征；
28.将所述场景特征和所述第一非场景特征输入所述第二推荐模型；
29.根据所述第二推荐模型的输出确定召回物品列表；
30.将所述用户特征、所述上下文特征和召回物品特征组合得到第二非场景特征；
31.将所述场景特征和所述第二非场景特征输入所述第四推荐模型；
32.根据所述第四推荐模型的输出确定召回物品排序。
33.本发明实施例还提供一种推荐系统，用于实现所述的推荐模型训练方法，所述系统包括：
34.请求接收模块，用于接收到用户的查看物品请求；
35.物品召回模块，用于获取场景特征、用户特征和上下文特征，将所述用户特征、所述上下文特征和候选物品特征组合得到第一非场景特征，将所述场景特征和所述第一非场景特征输入所述第二推荐模型，以及根据所述第二推荐模型的输出确定召回物品列表；
36.物品排序模块，用于将所述用户特征、所述上下文特征和召回物品特征组合得到第二非场景特征，将所述场景特征和所述第二非场景特征输入所述第四推荐模型，以及根据所述第四推荐模型的输出确定召回物品排序。
37.本发明实施例还提供一种推荐设备，包括：
38.处理器；
39.存储器，其中存储有所述处理器的可执行指令；
40.其中，所述处理器配置为经由执行所述可执行指令来执行所述的推荐方法的步骤。
41.本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的推荐方法的步骤。
42.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。
43.本发明的推荐模型训练方法、推荐方法、设备及存储介质具有如下有益效果：
44.本发明开发了深度交叉场景特征的深度网络单元，可以灵活嵌入到推荐系统的第一推荐模型中，得到更好地融合场景特征的第二推荐模型，该第一推荐模型可以是传统的召回和/或排序模型中，从而达到共享多场景数据和更好地匹配各场景数据分布的目的。
附图说明
45.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
46.图1是本发明一实施例的推荐模型训练方法的流程图；
47.图2是本发明一实施例的深度交叉场景特征网络单元的结构示意图；
48.图3是本发明一实施例的第二推荐模型的结构示意图；
49.图4是本发明一实施例的推荐方法的流程图；
50.图5是本发明一实施例的推荐系统的结构示意图；
51.图6是本发明一实施例的推荐设备的结构示意图；
52.图7是本发明一实施例的计算机可读存储介质的结构示意图。
具体实施方式
53.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
54.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
55.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
56.如图1所示，本发明实施例提供一种推荐模型训练方法，包括如下步骤：
57.s110：获取第一推荐模型和深度交叉场景特征网络单元；
58.s120：基于所述第一推荐模型和所述深度交叉场景特征网络单元构建第二推荐模型，所述深度交叉场景特征网络单元配置为将非场景特征和场景特征进行交叉组合；
59.s130：采集第一样本数据集，所述第一样本数据集中每个样本的数据包括场景特征、非场景特征和所对应的推荐结果标签；
60.s140：基于所述第一样本数据集训练所述第二推荐模型。
61.本发明通过采用该推荐模型训练方法，开发了深度交叉场景特征的深度网络单元，可以灵活嵌入到推荐系统的第一推荐模型中，得到更好地融合场景特征的第二推荐模型，该第一推荐模型可以是传统的召回和/或排序模型中，从而达到共享多场景数据和更好地匹配各场景数据分布的目的，解决了推荐系统一直存在数据稀疏的问题。
62.在该实施例中，所述第一推荐模型为第一召回模型，所述第二推荐模型为第二召回模型，即通过该推荐模型训练方法得到一个更好匹配个场景数据的召回模型，召回模型用于根据用户相关的非场景特征和场景特征召回推荐物品，所述第一召回模型为现有技术中的传统召回模型，如基于深度学习网络构建的召回模型。例如，预先采集多个样本数据，为每个样本数据进行召回标记，如果召回则标记为1，不召回则标记为0，作为样本数据的召回标签。然后采用样本数据预先训练好第一召回模型，即将样本数据输入第一召回模型，得到第一召回模型预测的召回概率，根据召回标签构建损失函数，基于损失函数值迭代训练第一召回模型。
63.或者，所述第一推荐模型为第一排序模型，所述第二推荐模型为第二排序模型，即通过该推荐模型训练方法得到一个更好匹配个场景数据的排序模型，排序模型用于将召回的推荐物品根据用户相关的非场景特征和场景特征进行排序，所述第一排序模型为现有技术中的传统排序模型，如基于深度学习网络构建的排序模型。例如，预先采集多个样本数据，为每个样本数据进行点击概率标记，如果点击则标记为1，不点击则标记为0，作为样本数据的点击标签。然后采用样本数据预先训练好第一排序模型，即将样本数据输入第一排序模型，得到第一排序模型预测的点击概率，根据点击概率标签构建损失函数，基于损失函
数值迭代训练第一排序模型。
64.以下以所述第一推荐模型为第一召回模型，所述第二推荐模型为第二召回模型为例进行说明，但本发明不以此为限。
65.在该实施例中，所述第二推荐模型配置为将场景特征和非场景特征进行拼接得到第一特征，将所述场景特征和非场景特征输入所述深度交叉场景特征网络单元得到第二特征，并将所述第一特征和所述第二特征输入所述第一推荐模型，将所述第一推荐模型的输出结果作为预测推荐结果。
66.如图2所示，为该实施例的深度交叉场景特征网络单元的结构示意图。在该实施例中，所述深度交叉场景特征网络单元(deep cross scene unit,dcsu)包括场景特征侧和非场景特征侧，所述非场景特征侧中各个处理层之间的权重矩阵和偏置项由所述场景特征侧输入。非场景特征正常输入进行几层全连接即可，但是中间的隐藏层x2、x3、x4的权重矩阵和偏置项(维度)由场景特征侧直接生成，达到非场景特征和场景特征的交互目的。
67.在该实施例中，所述深度交叉场景特征网络单元的场景特征侧包括第一处理层，输入的场景特征经过embedding和全连接处理得到第一向量，所述第一处理层将所述第一向量拆分得到第一权重矩阵、第一偏置项、第二权重矩阵和第二偏置项。所述非场景特征侧包括第二处理层、第三处理层和第四处理层，所述第一权重矩阵和所述第一偏置项输入所述第二处理层和所述第三处理层之间，所述第二权重矩阵和所述第二偏置项输入所述第三处理层和所述第四处理层之间。在该实施例中，所述第一处理层、第二处理层、第三处理层和第四处理层分别为全连接层。
68.图3是本发明一实施例的第二推荐模型的结构示意图，其包括第一推荐模型和所述深度交叉场景特征网络单元。如图2和图3所示，具体地，在场景特征一侧，首先将场景特征经过embedding和全连接处理成x1层a维向量，将x1层a维向量分拆为b*c维的矩阵，同时包含1个偏置项，也就是1*c维的偏置项和c*d维的矩阵，同时包含1个偏置项，也就是1*d维的偏置项，将这两个权重矩阵和偏置项分别作为隐层x2、x3和x4之间的权重矩阵和偏置项。最后再通过一层全连接输出场景特征和非场景特征的交互结果。所述深度交叉场景特征网络单元的巧妙之处就在于将场景特征作为非场景特征的权重矩阵，自适应进行交互，模型自我学习迭代，找到场景特征和非场景特征两种极端交互的平衡点。在图3中，左侧的场景特征和非场景特征经过concat层后输出第一特征，右侧的深度交叉场景特征网络单元输出第二特征，将所述第一特征和所述第二特征经过concat层后输入所述第一推荐模型，该第一推荐模型为常规召回模型网络结构。
69.所述步骤s140：基于所述样本数据集训练所述第二推荐模型后，还包括如下步骤：
70.获取第三推荐模型，所述第三推荐模型为第三排序模型；
71.基于所述第三推荐模型和所述深度交叉场景特征网络单元构建第四推荐模型，所述第四推荐模型为第四排序模型；
72.采集第二样本数据集，所述第二样本数据集中每个样本的数据包括场景特征、非场景特征和所对应的推荐结果标签；
73.基于所述第二样本数据集训练所述第四推荐模型。
74.所述第三排序模型为现有技术中的传统排序模型，如基于深度学习网络构建的排序模型。例如，预先采集多个样本数据，为每个样本数据进行点击概率标记，如果点击则标
记为1，不点击则标记为0，作为样本数据的点击标签。然后采用样本数据预先训练好第三排序模型，即将样本数据输入第三排序模型，得到第三排序模型预测的点击概率，根据点击概率标签构建损失函数，基于损失函数值迭代训练第三排序模型。所述深度交叉场景特征网络单元的架构可以采用图2示出的架构。所述第四推荐模型的架构可以采用图3示出的架构。在该实施例中，所述第四推荐模型配置为将场景特征和非场景特征进行拼接得到第三特征，将所述场景特征和非场景特征输入所述深度交叉场景特征网络单元得到第四特征，并将所述第三特征和所述第四特征输入所述第三推荐模型，将所述第三推荐模型的输出结果作为预测推荐结果。即采用图3的架构时，左侧的场景特征和非场景特征经过concat层后输出第三特征，右侧的深度交叉场景特征网络单元输出第四特征，将所述第三特征和所述第四特征经过concat层后输入所述第四推荐模型，该第四推荐模型为常规排序模型网络结构。
75.因此，通过采用该实施例的方法，可以训练得到一个第二召回模型和一个第四排序模型。在该实施例中，所述非场景特征包括用户特征、物品特征和上下文特征中的至少一种。所述第二召回模型的预测推荐结果包括是否召回的概率，所述第四排序模型的预测推荐结果包括用户的点击概率。所述用户特征例如可以包括用户年龄、注册时长、性别、居住地等特征。物品特征例如包括物品的名称、类别、价格、特点等特征，物品可以是出售/出租的商品和/或服务。所述场景特征可以包括当前的场景类别。例如，可以将场景划分为多种类别，第一个类别是酒店订后景点推荐场景，第二个类别是列表页景点排序场景等等。
76.如图4所示，本发明实施例还提供一种推荐方法，采用所述的第二推荐模型和第四推荐模型，所述推荐方法包括如下步骤：
77.s210：接收到用户的查看物品请求，在本发明中，物品可以是用户搜索的商品、服务等，用户可以通过在搜索框中输入想要搜索的物品名称来发送查看物品请求，或者是用户在打开一个推荐页面时，为用户推荐物品；
78.s220：获取场景特征、用户特征和上下文特征，将所述用户特征、所述上下文特征和候选物品特征组合得到第一非场景特征；
79.s230：将所述场景特征和所述第一非场景特征输入所述第二推荐模型，所述第二推荐模型为预先采用上述推荐模型训练方法的对应步骤训练得到，所述第二推荐模型为第二召回模型；
80.s240：根据所述第二推荐模型的输出确定召回物品列表；
81.s250：将所述用户特征、所述上下文特征和召回物品特征组合得到第二非场景特征；
82.s260：将所述场景特征和所述第二非场景特征输入所述第四推荐模型，所述第四推荐模型为预先采用上述推荐模型训练方法的对应步骤训练得到，所述第四推荐模型为第四排序模型；
83.s270：根据所述第四推荐模型的输出确定召回物品排序。
84.本发明通过采用该推荐方法，通过第二推荐模型获取召回物品列表，通过第四推荐模型获取召回物品排序，可以将排序后的召回物品信息以列表形式推送给用户，方便用户选择查看。第二推荐模型和第四推荐模型中均结合了场景特征和非场景特征，使得最终召回结果和排序结果更符合用户需求，也更符合特定场景需求，提高了用户体验。
85.如图5所示，本发明实施例还提供一种推荐系统，用于实现所述的推荐模型训练方法，所述系统包括：
86.请求接收模块m100，用于接收到用户的查看物品请求；
87.物品召回模块m200，用于获取场景特征、用户特征和上下文特征，将所述用户特征、所述上下文特征和候选物品特征组合得到第一非场景特征，将所述场景特征和所述第一非场景特征输入所述第二推荐模型，以及根据所述第二推荐模型的输出确定召回物品列表；
88.物品排序模块m300，用于将所述用户特征、所述上下文特征和召回物品特征组合得到第二非场景特征，将所述场景特征和所述第二非场景特征输入所述第四推荐模型，以及根据所述第四推荐模型的输出确定召回物品排序。
89.本发明通过采用该推荐系统，通过第二推荐模型获取召回物品列表，通过第四推荐模型获取召回物品排序，可以将排序后的召回物品信息以列表形式推送给用户，方便用户选择查看。第二推荐模型和第四推荐模型中均结合了场景特征和非场景特征，使得最终召回结果和排序结果更符合用户需求，也更符合特定场景需求，提高了推荐系统的用户体验。
90.本发明的推荐系统中，各个模块的功能可以采用如上所述的推荐方法的具体实施方式来实现，此处不予赘述。
91.本发明实施例还提供一种推荐设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的推荐方法的步骤。
92.所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明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“平台”。
93.下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
94.如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
95.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图4中所示的步骤。
96.所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。
97.所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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。
98.总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构
的局域总线。
99.电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600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650进行。并且，电子设备600还可以通过网络适配器660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。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600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。
100.所述推荐设备中，所述存储器中的程序被处理器执行时实现所述的推荐方法的步骤，因此，所述设备也可以获得上述推荐方法的技术效果。
101.本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的推荐方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。
102.参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
103.所述程序产品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为但不限于电、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。
104.所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
105.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发明操作的程序代码，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。在涉及远
程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
106.所述计算机存储介质中的程序被处理器执行时实现所述的推荐方法的步骤，因此，所述计算机存储介质也可以获得上述推荐方法的技术效果。
107.以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。