推荐系统的搜索区域减小的制作方法

本发明涉及一种装置、推荐系统和条目推荐方法。本发明还涉及存储有用于配置计算设备以执行这种方法的指令的计算机可读存储介质。

背景技术：

推荐系统是当前通信和信息处理系统的重要组成部分。用户可以检索、处理和上传的大量信息和数据需要预选或将信息或数据量减少到能够由用户处理的合适数量或大小。但是，为了生成有意义的推荐，必须分析和处理大型数据集，而这需要大量的计算资源和计算时间。已经针对各个数据集提出了搜索方法来处理特定任务。但是，很难将这些方法适用于不同的推荐设置。对于不同的数据集，这些方法可能根本不会减少计算资源的数量或者缩短计算时间，甚至可能会提供不准确的结果。

技术实现要素：

本发明的目的在于提供一种装置、推荐系统和条目推荐方法，所述装置、推荐系统和方法克服了现有技术中的一个或多个上述问题。

本发明的第一方面提供一种装置，包括至少一个处理单元，用于：接收用于识别数据集中的条目的请求，所述请求指定目标函数；将目标函数分解成多个子函数；确定所述多个子函数中的至少一个子函数的恒定界限；采用所述至少一个子函数的恒定界限计算所述目标函数的界限；采用所计算出的界限定义所述数据集的搜索区域；通过在所述搜索区域中的条目上处理(即，计算或应用)目标函数来评估所述数据集的搜索区域中的条目。

第一方面中的装置适用于任何类型的数据集和查询。接收到的请求通过指定目标函数来定义数据集中的条目的评估。然而，由于就计算资源和计算时间两者而言，在数据集中的所有条目上评估目标函数过于昂贵，因此所述装置用于分解目标函数并采用目标函数的至少一个子函数的恒定界限来近似目标函数，从而有效地减小了搜索区域。搜索区域可以用于(在搜索区域内)识别候选条目，以在搜索区域中的条目上计算相对昂贵(原始)的目标函数。根据目标函数，例如推荐结果等查询结果可以包括已评估条目的子集。例如，根据目标函数所定义的值(或指标)，结果可以包括一个或多个最佳或最差条目的任何组合。

该方法非常灵活，因为目标函数可以表示适用于任何类型数据集的各种查询类型。此外，通过采用恒定界限来近似至少一些子函数，例如计算成本增加的子函数，搜索区域可以有效地减小，并且即使对于非单调目标函数仍然可以有效地提供精确的近似。此外，将目标函数分解成多个子函数是有利的，因为各个部分可以在所述装置的专用处理单元上或在例如计算云或群集中的外部处理单元上进行处理，从而能够平衡计算资源并加快查询处理速度。

根据第一方面，在所述装置的第一种实现方式中，所述至少一个处理单元用于去除所述多个子函数中的针对所述搜索区域的大小变化保持不变的一个或多个子函数。去除针对搜索区域大小变化保持不变的至少一些子函数，进一步加快了基于目标函数的后续计算速度。优选地，处理单元可以用于确定是否存在这种不变的子函数，并从分解的目标函数中去除所识别出的子函数。在整个说明书中，目标函数的剩余子函数也可以被组合地称为简化目标函数。

根据第一方面本身或者根据第一方面的第一种实现方式，在所述装置的第二种实现方式中，所述至少一个子函数的恒定界限是采用所述至少一个子函数的输入参数的最大值和/或最小值来确定的。优选地，所述至少一个子函数可以被识别为目标函数中需要最多计算资源或计算时间的一部分。因此，在整个说明书中，所述至少一个子函数也可以被称为目标函数或简化目标函数的计算密集部分(computationallyintensivepart，简称cip)。cip可能受限于可达或不可达的最大值和最小值或界限。可以通过采用输入值的最小值/最大值和/或用于构建cip的上限和下限函数的数学方法来估计最大值和/或最小值。这些值可以被进一步改进。最大值和/或最小值(或其改进值)可以由表征估计最大值和/或最小值所需的时间与其准确度之间的折衷的至少一个参数来控制。例如，作为初始步骤，可以粗略地估计最大值和/或最小值，该最大值和/或最小值可以被进一步改进，以构建更近似至少一个子函数的界限的改进的恒定界限。

根据第一方面本身或者根据第一方面的前述实现方式中的任一种实现方式，在所述装置的第三种实现方式中，所述恒定界限是通过执行一个过程来确定的。恒定界限可以采用可以在装置上自动执行的过程化方法来确定。

根据第一方面本身或者根据第一方面的前述实现方式中的任一种实现方式，在所述装置的第四种实现方式中，所述至少一个处理单元还用于测量所述搜索区域的大小；并且如果所测量出的大小超过阈值，则所述至少一个处理单元还用于确定所述多个子函数中的其它的至少一个子函数的其它恒定界限。所确定的恒定界限用于计算影响搜索区域的目标函数的界限。如果搜索区域的大小超过阈值，则可以发起迭代方法。该迭代方法可以通过确定所述至少一个子函数、其它子函数或其组合或排列的其它恒定界限，使得搜索区域更精确。因此，如果减小的搜索区域太大，则可以识别多个子函数中的其它子函数或子函数的组合，并且可以确定所述其它子函数或组合相应的恒定界限。这通过识别更合适的子函数直到搜索区域具有可接受的大小，从而自动改进搜索区域。此外，至少一个处理单元可以用于并行确定目标函数的至少一组子函数的恒定界限，并评估相应的搜索区域的大小，以确定具有可接受大小的搜索区域。这使得计算资源能够得到充分利用。

根据第一方面本身或者根据第一方面的前述实现方式中的任一种实现方式，在所述装置的第五种实现方式中，所述至少一个处理单元还用于采用所述其它恒定界限来计算所述目标函数的其它界限，并且采用所计算出的其它界限来定义所述搜索区域。这改进了可以由为搜索区域的合适大小预先配置的阈值来控制的搜索区域。

根据第一方面本身或者根据第一方面的前述实现方式中的任一种实现方式，在所述装置的第六种实现方式中，所述其它的至少一个子函数包括所述至少一个子函数和所述多个子函数中的至少一个其它的子函数。所述其它的至少一个子函数可以表示目标函数中比最初考虑的至少一个子函数更大的片段。然而，应理解的是，在一个或多个其它实现方式中，所述其它的至少一个子函数也可以表示目标函数中可用于进一步改进搜索区域的较小片段或完全不同部分。

根据第一方面本身或者根据第一方面的前述实现方式中的任一种实现方式，在所述装置的第七种实现方式中，所述至少一个处理单元用于将所述目标函数分解成多个子函数的和。这使得能够简化对总和的各个组成部分及其组合的处理，以确定对cip和剩余部分的合适分解。根据第一方面本身或者根据第一方面的前述实现方式中的任一种实现方式，在所述装置的第八种实现方式中，所述目标函数对应于针对推荐系统的一类请求。优选地，查询是前n个或后n个搜索，基于所述目标函数，搜索结果包括具有一个或多个用户的最佳或最差评级的n个条目的集合。进一步地，请求类别可以包括值可以在(任何种类的)区间的内部(或外部)的基于区间的搜索、例如用户组或条目组等许多变量的目标函数、其它条件或请求以及相应的子任务。

根据第一方面本身或者根据第一方面的前述实现方式中的任一种实现方式，在所述装置的第九种实现方式中，所述装置还包括：至少一个数据接口，耦合至至少一个数据库以检索所述数据集中的条目。所述装置可以通过数据接口经由数据库的一个或多个接口访问数据集中的条目，该接口可以用于使得能够识别、检索或存储数据库中的条目。例如，该接口可以使得能够基于搜索区域和/或目标函数来识别条目。优选地，该至少一个数据库可以包括在计算云中。计算云可以是专用云，或者可以与用于处理至少部分请求的云或集群相同。

本发明的第二方面涉及一种推荐系统，包括：根据第一方面或者第一方面其中一种实现方式所述的装置以及用于存储数据集中的条目的至少一个数据库。

根据第二方面，在所述推荐系统的第一种实现方式中，所述装置连接到或布置在用于处理至少一部分请求的计算云中。计算云可以提供有足够的计算资源以支持用于处理查询的装置。例如，该装置可以将请求的一个或多个处理任务卸载到计算云。计算云可以用于计算目标函数的界限和/或在至少一些条目上评估目标函数。该装置还可以用于评估请求的复杂度。基于评估结果，该装置可以执行简单的请求，并将对于更大的数据集的请求卸载到计算云。如果在计算云中计算至少一个子函数的恒定界限，则计算云可以保存计算出的恒定界限以用于进一步处理。计算云的大小(以及云的处理资源)可以适应推荐系统的估计工作量或用户数量。这对于可以进一步适应预期用户数量的非常大的数据集提供了快速且有效的推荐。

本发明的第三方面涉及一种条目推荐方法，包括如下步骤：接收用于识别数据集中的条目的请求，所述请求指定目标函数；将目标函数分解成多个子函数；确定所述多个子函数中的至少一个子函数的恒定界限；采用所述至少一个子函数的恒定界限计算所述目标函数的界限；采用所计算出的界限定义所述数据集的搜索区域；通过在所述搜索区域中的条目上处理目标函数来评估所述数据集的搜索区域中的条目。

根据本发明第三方面所述的方法可以由根据第一方面所述的装置或者根据本发明第二方面所述的推荐系统执行。根据本发明第三方面所述的方法的进一步特征或实现方式可以执行根据第一方面所述的装置或者根据本发明第二方面所述的推荐系统及其不同实现形式的功能。本发明第四方面涉及存储有指令或程序代码的例如计算机可读存储介质等一个或多个计算机可读介质，所述指令或程序代码在计算设备上执行时配置所述计算设备以执行根据第三方面或者第三方面其中一种相应的实施方式所述的方法。

附图说明

为了更详细地说明本发明实施例中的技术特征，下面将对实施例描述中所需要使用的附图作简单地介绍。附图仅代表本发明的一些实施例，这些实施例在不脱离本发明如权力要求书中所定义的范围的情况下，可以进行修改。

图1是根据本发明一实施例的装置的框图；

图2是根据本发明又一实施例的推荐系统的示意图；

图3是根据本发明一实施例的条目推荐方法的流程图；

图4示出了根据本发明又一实施例的条目推荐方法中使用的目标函数和减小的搜索区域的近似表示；

图5是根据本发明另一实施例的条目推荐方法的又一流程图。

具体实施方式

图1是根据本发明一实施例的装置的框图。

装置100可以包括至少一个处理单元102，其可以用于处理对于数据集中的条目的请求，例如，可以用于生成数据集中的条目的推荐的搜索、识别或推荐请求。

装置100可以包括可以将装置100连接到计算云106的接口104。装置100可以包括用于将装置100连接到至少一个数据库110的数据接口108。如虚线所示，应理解的是，接口104和数据接口108可以是可选组件。

至少一个处理单元102可以用于接收用于识别数据集中的条目的请求，并且可以从请求中检索目标函数。目标函数可以定义一类请求，例如前n个或后n个搜索。至少一个处理单元102可以用于将目标函数分解成多个子函数；确定所述多个子函数中的至少一个子函数的恒定界限；采用所述至少一个子函数的恒定界限计算所述搜索请求的所述目标函数的界限。处理单元102可以采用所计算出的界限来定义数据集的搜索区域，并且可以通过在搜索区域中的条目上处理(或计算)目标函数来评估数据集的搜索区域中的条目。

装置100可以将至少一些处理任务卸载到计算云106。例如，处理单元102可以向计算云106提交至少一些恒定界限，该计算云106可以用于基于所提交的恒定界限计算目标函数的界限。在一优选实施例中，计算云106可以用于针对条目计算目标函数。然而，应理解的是，装置100不受限于特定任务的卸载。而是，处理单元102可以用于将任何合适的任务卸载到计算云106，可以优选考虑将相应任务卸载到计算云106所需的所有数据传输。

装置100可以有效地近似目标函数并且减小搜索区域，从而有效地执行针对任何类别的目标函数的推荐的准确请求。装置100可以针对任何类型的请求的单调目标函数和非单调目标函数找到精确的解决方案。

图2是根据本发明一实施例的推荐系统的示意图。

系统200可以包括推荐服务器202，该推荐服务器202可以对应于根据本发明一实施例的装置，例如，图1中的装置100。推荐服务器202可以与计算云204进行通信，该计算云204可以被定义为计算设备或计算单元206的网络或集群以及存储设备208的集群或阵列。推荐服务器202可以被由相应用户212运行的一个或多个客户端设备210访问。应理解的是，虽然仅示出一个客户端设备210，但是推荐服务器202可以被由相应用户运行的任何数量的客户端设备访问。

用户212可以检索、处理和上传任何类型的数据和/或内容，例如音频、视频或媒体以及其它信息、文档、文件和流。在整个说明书中，这些通常都可以被称为条目。用户212例如可以播放电影或音乐文件或流，对它们进行评级，浏览其它文档和信息等。此外，用户212可以例如经由用户界面或由客户端设备210提供的api来显式地或隐式地与推荐服务器202进行交互，以接收条目的推荐。推荐服务器202还可以接收来自用户212的信息，并且可以将该信息存储为数据集214。

推荐服务器202可以应用机器学习算法来训练和建立用于随后推荐的模型216。推荐服务器202可以由管理员218访问，该管理员218例如可以基于例如均方根差(root-mean-squaredeviation，简称rmse)等各种指标来提供例如训练数据220等其它数据，以便控制训练和模型216的质量。

推荐服务器202可以与计算云204进行通信，以外包或卸载各种操作。例如，推荐服务器202可以通过计算云204来预测作为推荐呈现给用户212的条目。

推荐请求可以被制定为指定用于评估数据集214中的各个条目的目标函数的查询。例如，可以执行前n个或后n个查询，从而可以基于目标函数得出n个最佳或最差的条目。

例如如下文图3和图5中所讨论的，推荐服务器202可以采用根据本发明的一个或多个实施例所述的方法来处理请求的目标函数。

图3是根据本发明一实施例的条目推荐方法的流程图。方法300可以应用于图1中的装置100或图2中的推荐服务器202。尤其是，装置100或推荐服务器202可以用于根据方法300基于优化且灵活的请求处理来向用户推荐条目。此外，方法300的一个或多个处理步骤可以被卸载到图1中的计算云106或图2中的计算云204。

方法300可以在方框302中开始，并且可以进行到方框304，其中，可以接收用于识别数据集中的条目的请求。该请求指定目标函数，该目标函数可以表示数据集中的各个条目的指标或分数。目标函数可以(隐式地或显式地)指定请求类型，例如前n个请求、后n个请求、在区间内指定值的基于区间的请求、任何其它类型的请求、一个请求中的条件组合等。目标函数例如可以通过求和函数f(x)＝∑fi(x)被定义为多个子函数，其中，fi(x)表示目标函数的子函数。

对于针对具有来自多个用户的相应评级的条目的前n个请求，例如可以通过用于推荐的svd++方法将目标函数制定为以下评级公式：

其中，u和i分别是与用户和条目相关的索引。

μ是所有(实际)评级的平均评级。

w是潜在因素的数量，是训练参数。

bu是用户相对μ的偏差的密集向量的u索引元素。

bi是条目相对μ的偏差的密集向量的i索引元素。

pu用户的潜在因素的密集矩阵p的u索引列，该密集矩阵p的高度等于w，宽度等于用户数量。

n(u)是用户的关于条目的隐式的非评级数据的稀疏矩阵的u索引行，其可以是用户条目查看的所有数据，该稀疏矩阵的高度等于用户数量，宽度等于条目数量。

yj是关于条目的潜在因素隐式偏好的密集矩阵y的j索引列，该密集矩阵y的高度等于w，宽度等于条目数量。

qi是条目的潜在因素的密集矩阵q的i索引列，该密集矩阵q的高度等于w，宽度等于条目数量。

评级公式可以在推荐系统的训练过程中使用，以及用于推荐前n个条目。然而，应理解的是，本发明不限于特定的评级公式、目标函数或查询类型。而是，前n个请求的评级公式仅是示例而已。

方法300可以进行到方框306，其中，可以将目标函数分解成多个子函数。方框306中的分解可以用于去除目标函数中针对搜索区域的减小保持不变的那些部分(或子函数)。请求的处理可以由至少两个子任务组成。第一个子任务用于找到候选条目，第二个子任务用于在该候选条目上评估目标函数。因此，如果至少一个子函数只影响第二个子任务，而不需要识别候选条目(第一个子任务)，则可以在优化步骤中将其忽略。

例如，对于上述示例，可以去除子函数μ+bu，因为它对于条目来说是不变的并且对所得到的条目集合没有影响。通过去除多个子函数中的至少一个子函数，剩余的子函数也可以被称为简化目标函数(simplifiedobjectivefunction，简称sof)。在上述示例中，sof可以如下给出：

分解还可以用于识别目标函数中随后采用恒定界限进行限制的计算密集部分(computationallyintensivepart，简称cip)。例如，可以在sof中识别cip。cip可以由分解目标函数得到的多个子函数中的剩余的子函数中的一个子函数或者剩余的子函数的组合表示。

对于上述示例，cip可以如下给出：

因此，可以将目标函数f(u，i)＝c+g(u)+h(i)+r(u，i)分解成至少一个不变部分c+g(u)、至少一个cipr(u，i)和至少一个剩余的子函数h(i)，其中，i表示条目的索引，u表示用户的索引。由于针对所有条目的f(u，i)的确切值是未知的并且计算成本太高，因此可以替代地通过将下限和/或上限用作r(u，i)的恒定值来计算h(i)。因此，可以在减小的搜索区域内估计f(u，i)。为了近似cip，方法300可以进行到方框308，其中，可以确定多个子函数中的表示cip的至少一个子函数的恒定界限。可以采用任何合适的技术来估计和改进cip的恒定上限和下限。随后的表1给出了过程化方法的一个示例。由于cip通常是用户id和条目id的函数，因此输入参数x可以被视为用户id和条目id的元组。

表1：用于确定cip的恒定界限的算法

基于向量的最大值来估计恒定界限，以估计向量、标量乘积和非单调加数之和，从而得出表1中所示的过程化方法中的单调sqrt(mnz)*my。这显示了在矩阵的一行中使用最大数量的非零元素来估计上限再估计下限的正确性。

在以上示例中，所有条目和用户都采用了相同的下限和上限值。根据一优选实施例，对于每个条目/用户或对于条目组/用户组，可以分别估计恒定界限。这可能受到可以反映界限准确度和界限计算时长之间的折衷的一个或多个参数的影响。

采用方框308中确定的cip的恒定界限，方法300可以进行到方框310，其中，采用cip的恒定界限来计算目标函数的界限。随后，例如可以采用分支和界限方法或任何其它合适的技术来计算下限和上限函数。

根据一示例，对于前n个方法，对于每个用户必须识别n个最佳条目。这可以通过找到k个条目来优化，其中n≤k＜＜#i，#i是条目数量。如果cip受限于恒定界限[r1，r2]，则对于sof的剩余部分应该保持如下假设：h(i)+r1＞h(i′)+r2。这使得能够使用h找到n个最佳条目，它们中的最小值是hn，min，所请求的条目在例如h(i)＞hn，min-(r2-r1)等条目中被识别。在一示例中，可以采用表2中所示的过程来完成sof的下限和上限的计算。

表2：用于计算sof的下限和上限的算法

在表2中，对于所有用户使用相同的界限，从而使得对于每个条目都能够调用一次表1中的compute_limits_step3。

方法300可以进行到方框312，其中，可以采用所计算出的目标函数的界限来定义数据集的搜索区域。可以通过去除那些不是结果的构成部分的条目/用户来减小搜索区域。这可以取决于搜索请求的类型。例如，对于前n个请求，可以找到前n个下限，并且可以识别其中最低的下限。最低界限可以表示为b。此后，识别上限大于b的条目。尽管针对这些条目的目标函数的确切值是未知的，但它们很可能是前n项中的条目。为了减小搜索区域而去除的条目数量也可以考虑训练数据，该训练数据可以定义下限和上限之间可能有多大的间隔以及bi从一个条目到另一个条目的变化程度。

在可选步骤(未示出)中，可以确定搜索区域的大小；并且如果发现搜索区域不适合或不准确，则可以采用sof的其它分解或多个子函数的其它子函数选择来识别其它cip，以便得到更合适的搜索区域。例如，包括所述多个子函数中的其它子函数或其它子函数选择的sof的较大片段可被认为是cip。如果考虑sof的较大片段，可能导致下限和上限之间的间隔更大，但是对目标函数的剩余部分的计算更不精确。然而，更大的间隔可能导致为了减小搜索区域而评估sof进行的计算更多。作为替代方案，可以是其它子函数或先前考虑的子函数中的一部分的sof的较小片段可以被认为是cip。这可能会增加后续步骤中的计算量。但另一方面，由于有效减小了搜索区域，因此可能会将更多条目排除在进一步的考虑之外，从而降低总体计算要求。由于基于对cip的粗略估计可以快速检查搜索区域能够被减小的程度，因此可以进一步提高方法300的处理效率。

方法300可以进行到方框314，其中，可以在搜索区域中的所有条目上计算精确的目标函数，从而评估条目，并且响应于该请求提供搜索或推荐结果。

在图4的示意图中示出了根据一个或多个实施例的界限恒定的cip对减小的搜索区域中的候选条目的识别的影响。可以采用例如如图3所描述的方法300等根据本发明一实施例的方法来估计目标函数并且减小搜索区域。

图4示出了多个条目402，其中内圆表示目标函数f(x)的精确值。尽管图4中示出了特定数量的条目402，应理解的是，本发明不限于特定数量的条目。由于针对每个条目的目标函数的评估在计算上过于密集，因此可以通过采用恒定界限来限制目标函数的cip来近似计算。对于每个条目402的这种近似被描述为区域404。尽管这些区域不对应于精确值，但是其可以采用更有效的方式被计算出来。通过确定区域404是否落入搜索区域406内(或与搜索区域406重叠)，不采用确切值，而采用区域404来识别合适的条目。对于得到的候选条目408，可以计算目标函数的精确值。

在前n个请求的以下结果中说明了采用根据本发明的一个或多个实施例的方法进行的推荐的有利处理和有效加速。

在使用svd++方法的系统上计算结果，以构建推荐模型，其中，已经使用了svd++训练的sparkgraphx实现。结果是基于movielens数据集计算出来的，该movielens数据集具有130k用户对于27k条目的20m评级。根据本发明一实施例的方法加速了前10个查询2.6，并且加速了应用标准前n个查询的基线版本的前1000个查询2.1。进一步的性能比较结果是基于较大的数据集计算出来的。这些数据集由从被称为nlpkkt80和nlpkkt200的矩阵集合中选择的稀疏矩阵表示。采用根据本发明一实施例的方法已经实现了90和约2000的加速比率。表3示出了更多细节。

表3：针对nlpkkt矩阵的所有用户的性能

在nlpkkt200数据集上，所有用户的总计算时间总共花费大约18分钟，而基线需要花费大约13天以上的总计算时间来评估整个数据集中所有用户的所有条目。

图5是根据本发明一实施例的方法的又一流程图。该方法可以应用于图1中的装置100或图2中的推荐服务器202。此外，方法500的各个处理步骤可以以任何组合与方法300的处理步骤合并，反之亦然。

方法500可以基于可以包括目标函数的请求。方法500可以在方框502中开始，其中，可以基于目标函数通过去除目标函数中针对搜索区域减小保持不变的那些部分来定义简化目标函数(simplifiedobjectivefunction，简称sof)。如果不存在这样的部分，则sof可以等于原始目标函数。

该方法可以进行到方框504，其中，可以在sof中选择计算密集部分(computationallyintensivepart，简称cip)。这可以将sof分解成cip506和剩余部分508。

在方框510中，为cip506确定(可达或不可达的)恒定的下限和上限或界限。方框510通过用恒定值近似cip大大降低了cip的计算密集度。此外，方框510中的处理可以用于控制界限计算时间与计算准确度之间的折衷。方框510中的处理可以采用过程化方法来进行。

方法500可以进行到方框512，其中，可以计算整个sof的下限和上限或界限。方框512中的计算可以基于方框510中的处理结果。方框510中的处理可以采用过程化方法来进行。

在方框514中，可以采用来自方框512的结果，通过根据所计算出的sof的下限和上限去除最有可能不是推荐结果的构成部分的那些条目/用户，来减小搜索区域。

在方框516中，可以确定或测量减小的搜索区域的大小。如果搜索区域仍然很大，则方法500可以进行到方框504，其中，可以使用sof的其它分解或sof的其它部分选择来确定用于下一次迭代中的后续处理的其它cip。

在方框518中，可以采用减小的搜索区域来执行请求，其中，可以识别候选条目，并且可以针对所有候选条目计算目标函数的精确值，以生成针对请求的响应。

方法500的一个或多个步骤或方框可以在根据本发明一实施例的装置上和/或在根据本发明的一个或多个实施例的推荐系统的计算云上执行。应理解的是，任何合适的任务可以以任何组合从装置或推荐服务器卸载到计算云。

上文描述仅仅为本发明的实施方式，本发明的范围并不限于公开的示例和实施例。而是，任何变化或替换都可以由本领域技术人员轻松地进行。因此，本发明的保护范围应以所附权利要求的保护范围为准。