信息处理方法及装置、电子设备和计算机可读存储介质与流程
本发明涉及计算机和通信技术领域，具体而言，涉及一种信息处理方法及装置、电子设备和计算机可读存储介质。
背景技术：
近年来，网页游戏发展迅速，已成为一种重要的娱乐活动。游戏不仅能供玩家参与，还能通过售卖虚拟商品(例如道具)来增强游戏趣味性、提升用户体验、增强用户粘性以及增加游戏平台的收益。
游戏中的虚拟商品往往种类繁多，同时，游戏对实时性要求较高，用户有快速找到其想要的目标道具的需求，因此，游戏平台是否能为用户提供高效、精准的信息筛选系统至为重要。
需要说明的是，在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：
本发明实施例提供一种信息处理方法及装置、电子设备和计算机可读存储介质，能够提升待推荐物的个性化推荐的准确度。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
本发明实施例提供了一种信息处理方法，所述方法包括：确定目标对象的第一角色；根据所述第一角色的第一角色属性信息，获得所述目标对象的第一对象数据；获得待推荐物的物品属性信息；通过神经网络模型对所述第一对象数据和所述物品属性信息进行处理，从所述待推荐物中确定向所述目标对象的第一角色推荐的第一目标物品。
本发明实施例提供了一种信息处理装置，所述装置包括：第一对象角色确定模块，配置为确定目标对象的第一角色；第一对象数据获得模块，配置为根据所述第一角色的第一角色属性信息，获得所述目标对象的第一对象数据；物品属性信息获得模块，配置为获得待推荐物的物品属性信息；第一目标物品确定模块，配置为通过神经网络模型对所述第一对象数据和所述物品属性信息进行处理，从所述待推荐物中确定向所述目标对象的第一角色推荐的第一目标物品。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中所述的信息处理方法。
本发明实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的信息处理方法。
在本发明的一些实施例所提供的技术方案中，通过确定目标对象的第一角色，并根据所述第一角色的第一角色属性信息，获得所述目标对象的第一对象数据，还获得待推荐物的物品属性信息，从而可以通过神经网络模型对所述第一对象数据和所述物品属性信息进行处理，从所述待推荐物中确定向所述目标对象的第一角色推荐的第一目标物品。一方面，通过综合考虑目标对象的丰富的角色属性信息和待推荐物的丰富的物品属性信息，来进行待推荐物中的目标物品的确定，可以提升物品的个性化推荐的精准度；另一方面，通过非线性的神经网络模型来刻画目标对象与待推荐物之间复杂的交互作用，可以达到增强模型可解释性及提升推荐效果的目的。
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，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了可以应用本发明实施例的信息处理方法或信息处理装置的示例性系统架构的示意图；
图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图；
图3示意性示出了根据本发明的一实施例的信息处理方法的流程图；
图4示意性示出了根据本发明的另一实施例的信息处理方法的流程图；
图5示意性示出了根据本发明的又一实施例的信息处理方法的流程图；
图6示出了图3中所示的步骤s320在一实施例中的处理过程示意图；
图7示出了图3中所示的步骤s340在一实施例中的处理过程示意图；
图8示出了图7中所示的步骤s341在一实施例中的处理过程示意图；
图9示意性示出了根据本发明的一实施例的第一嵌入子模型的示意图；
图10示出了图7中所示的步骤s342在一实施例中的处理过程示意图；
图11示意性示出了根据本发明的一实施例的第二嵌入子模型的示意图；
图12示意性示出了根据本发明的一实施例的神经网络模型的结构示意图；
图13示出了图7中所示的步骤s343在一实施例中的处理过程示意图；
图14示意性示出了根据本发明的一实施例的第一神经网络子模型的结构示意图；
图15示出了图7中所示的步骤s344在一实施例中的处理过程示意图；
图16示意性示出了根据本发明的一实施例的第二神经网络子模型的结构示意图；
图17示出了图7中所示的步骤s345在一实施例中的处理过程示意图；
图18示意性示出了根据本发明的一实施例的门派介绍的界面示意图；
图19和20示意性示出了根据本发明的一实施例的角色细节定制的界面示意图；
图21示意性示出了根据本发明的一实施例的角色创建完成的界面示意图；
图22示意性示出了根据本发明的一实施例的游戏界面示意图；
图23示意性示出了根据本发明的一实施例的角色属性的界面示意图；
图24示意性示出了根据本发明的一实施例的游戏商城的界面示意图；
图25示意性示出了根据本发明的一实施例的信息处理装置的框图。
具体实施方式
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发明将更加全面和完整，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。
此外，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例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，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。
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内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/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。
图1示出了可以应用本发明实施例的信息处理方法或信息处理装置的示例性系统架构100的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一种或多种，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。
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。比如服务器105可以是多个服务器组成的服务器集群等。
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、膝上型便携计算机、台式计算机、可穿戴设备、智能家居设备等等。
服务器105可以是提供各种服务的服务器。例如用户利用终端设备103(也可以是终端设备101或102)打开游戏客户端，并在所述游戏客户端上确定其在游戏中的游戏角色，向服务器105发送请求。服务器105可以基于该请求中携带的游戏角色信息，获取相应游戏角色的角色属性信息，从而获得该用户的对象数据；同时，服务器105还可以获得游戏商城中的待推荐物的物品属性信息，通过神经网络模型对该用户的对象数据和各待推荐物的物品属性信息进行处理，从这些待推荐物中确定目标物品，并将目标物品返回给终端设备103，进而用户可以在终端设备103上查看推荐给其当前所选游戏角色的目标物品。
又如终端设备103(也可以是终端设备101或102)可以是智能电视、vr(virtualreality，虚拟现实)/ar(augmentedreality，增强现实)头盔显示器、或者其上安装有即时通讯、导航、视频应用程序(application，app)等的移动终端例如智能手机、平板电脑等，用户可以通过该智能电视、vr/ar头盔显示器或者该即时通讯、视频app向服务器105发送各种请求。服务器105可以基于该请求，获取响应于所述请求的反馈信息返回给该智能电视、vr/ar头盔显示器或者该即时通讯、视频app，进而通过该智能电视、vr/ar头盔显示器或者该即时通讯、视频app将返回的反馈信息显示。
图2示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图2示出的电子设备的计算机系统200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。
如图2所示，计算机系统200包括中央处理单元(cpu，centralprocessingunit)201，其可以根据存储在只读存储器(rom，read-onlymemory)202中的程序或者从储存部分208加载到随机访问存储器(ram，randomaccessmemory)203中的程序而执行各种适当的动作和处理。在ram203中，还存储有系统操作所需的各种程序和数据。cpu201、rom202以及ram203通过总线204彼此相连。输入/输出(i/o)接口205也连接至总线204。
以下部件连接至i/o接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(crt，cathoderaytube)、液晶显示器(lcd，liquidcrystaldisplay)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如lan(localareanetwork，局域网)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至i/o接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地，根据本发明的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(cpu)201执行时，执行本申请的方法和/或装置中限定的各种功能。
需要说明的是，本发明所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom(erasableprogrammablereadonlymemory，可擦除可编程只读存储器)或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、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。计算机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、电线、光缆、rf(radiofrequency，射频)等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块和/或单元和/或子单元也可以设置在处理器中。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3或图4或图5或图6或图7或图8或图10或图13或图15或图17所示的各个步骤。
人工智能(artificialintelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(machinelearning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本发明实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：
首先对下面实施例中涉及的一些术语进行解释。
深度学习：深度学习是基于深度神经网络，通过梯度递减等优化方式，而最终获得从输入数据和目标数据之间一对一映射函数的学习过程。例如，给定人的年龄、性别等信息，希望能够通过这些信息来预测这个人是否喜欢宠物，那么输入数据是人的年龄、性别等信息，目标数据即是“这个人是否喜欢宠物”。需要的是构建一个正确的映射函数，这个函数可以将输入数据映射为目标数据。这样，给定另一个人的信息，就能够得知这个人是否喜欢宠物。深度学习就是基于大量数据来求解这个映射函数的过程，并用深度的神经网络来模拟这个函数。
协同过滤(collaborativefiltering，cf)：协同过滤是一类用于推荐系统的模型算法，其内容核心是通过以往的数据，而推断出哪一些用户(或者商品)之间更加相像，因此，该类模型可以被简单分为“user-based(基于用户的)”和“item-based(基于物品的)”，前者寻找哪一些用户更相像，后者寻找哪一些商品更相像。对于前者，在得知了相像的用户后，即可把用户之前所购买过的商品，推荐给与该用户相像的其他用户。后者即是在得知了相像的商品后，即可通过某用户购买了这一商品，而推断该用户喜欢与该商品类似的其他商品，从而把其他类似的商品推荐给该用户。
度量：一个自定义的，需要符合度量所满足的4个要求的，用于测量定义域空间中任意2个点之间距离的映射函数。简单而言，即定义一个新的度量，就是定义了一个新的距离。
本发明实施例中，均以游戏场景为例进行举例说明，但可以理解的是，本发明实施例提供的技术方案并不限于应用于游戏场景，也可以适用于其他推荐场景。
其中，游戏推荐场景中的数据具有以下特点：
第一，数据大规模。游戏平台为百万至千万级别的用户提供服务，用户在玩游戏过程中，属性及行为会发生动态变化，且会随着时间的更新选择购买不同的游戏商品，导致游戏平台每日积累大规模的用户行为数据。
第二，数据高维度。游戏中数据具有高维度的特点，与用户相关联的属性除了用户个人画像(例如用户本人的真实年龄、性别、所处地理位置等这些用户的真实属性信息)之外，还有用户所选择的游戏角色属性(例如这个游戏角色的名称、性别、职业等属性信息)等，同时游戏商品的类别繁多，且同样具有多维属性。
第三，复杂的结构关联。与电商、社交等平台相比，游戏平台中用户与其所购买的商品之间不是简单的一一对应关系，例如，一个用户在不同的时间可以使用不同的游戏角色，例如用户在使用游戏角色a时可能频繁购买游戏商品a，而在使用游戏角色b时可能不会购买游戏商品a。即在不同游戏角色的情况下，同一个用户做出的选择可能是不同的。
基于以上，在设计游戏场景下的推荐方式时，需要对此场景下的数据规模及数据特性加以考虑。
协同过滤是相关技术中的一类推荐算法，它利用大量数据中的协同信息，基于以下两个出发点做出推荐：(1)兴趣相近的用户可能会对同样的东西感兴趣；(2)用户可能较偏爱与其已购买的东西相类似的东西。
但是，传统的基于协同过滤的推荐方法，在学习用户和商品的向量表征时，往往只对用户与商品的id(identification，标识)及评分矩阵进行建模，忽略或未充分利用丰富的背景信息，即协同过滤中，评分矩阵中某个用户购买了某个商品，则对应的评分值为1，否则为0，但是没有考虑用户和商品的各维度的属性信息。
ctr(click-throughrateprediction，点击率预测)不仅用在点击率预估，在推荐系统的商品排序等场景中也有应用。与cf模型相比，ctr直接通过输入数据特征计算目标商品被目标用户点击的概率，其通用的公式可以表示为：
y＝f(x)(1)
其中x为输入数据特征矩阵，y为[0,1]之间的概率值，表示输入数据被点击的概率。相关技术中可使用例如logisticsregression(lr，逻辑回归)和factorizationmachine(fm，因子分解机)。其中，lr模型计算方式如下：
其中，θ是可学习参数。lr模型中各个维度的特征彼此独立，而特征之间的组合往往有助于提升预测效果。基于此，fm将特征之间的交叉加以考虑，在考虑两两特征交叉的情况下，fm模型公式如下：
其中，n表示输入数据x的维度，n为大于或等于1的正整数，xi和xj分别代表x中的第i位和第j位的值，其取值例如可以是0或者1。θ和wij是可学习参数，是模型训练过程中获得的。
虽然特征交叉可以使得预测性能有所提升，但在计算用户对商品的购买概率时，还是采用简单的向量内积操作，这样的传统机器学习方法只能建模特征间的线性关系，模型能力具有一定的局限性，直接根据特征计算预测评分值，不会利用用户或商品的协同信息。
图3示意性示出了根据本发明的一实施例的信息处理方法的流程图。本发明实施例提供的方法可以由任意具备计算处理能力的电子设备执行，例如如图1中的终端设备101、102、103中的一种或多种和/或服务器105。在下面的举例说明中，以终端设备为执行主体进行示例说明。
如图3所示，本发明实施例提供的信息处理方法可以包括以下步骤。
在步骤s310中，确定目标对象的第一角色。
本发明实施例中，所述目标对象可以是某个游戏平台的某款游戏的某个游戏玩家。当该游戏玩家以其游戏账号登陆该游戏平台后，其可以从该游戏的多个游戏角色中选定一个游戏角色a作为其当前时间t1的第一角色。
在步骤s320中，根据所述第一角色的第一角色属性信息，获得所述目标对象的第一对象数据。
在示例性实施例中，所述第一角色的第一角色属性信息可以包括所述第一角色的身份信息、当前等级信息和/或当前操作信息等中的任意一项或者多项。
这里以某款rpg(role-playinggame，角色扮演游戏)游戏为例，假设其预先设定了七种身份：镖师、捕快、猎户、杀手、乐伶、游侠和文士，每个身份均对应着独具特色的江湖行当，目标对象可以选择加入其一。
在该款rpg游戏中，每种身份又可以进一步分为三种等级作为进阶身份，每进阶一级都能获得更强大的制造技能及身份技能。玩家可通过完成日常任务获得历练值，进而消耗历练值学习更多相关技能以及身份进阶。例如文士身份可包括文士、雅士、国士三个依次递增的等级，可以设定文士是最低等级，国士是最高等级。乐伶身份可包括乐伶、优伶、名伶三个依次递增的等级。杀手身份可包括杀手、刺客、杀神三个依次递增的等级。捕快身份可包括捕快、捕头、捕神三个依次递增的等级。镖师身份可包括镖师、镖头、神镖三个依次递增的等级。游侠身份可包括游侠、任侠、豪侠三个依次递增的等级。猎户身份可包括猎户、狩矢、猎圣三个依次递增的等级。
在该款rpg游戏中，具有不同身份的游戏角色可进行不同的操作(例如任务和/或玩法)，具有同一身份的游戏角色在不同等级下也可进行不同的操作。
应该理解的是，上述身份信息、当前等级信息、当前操作信息等仅用于举例说明，在不同的应用场景下、或者不同类型的其他游戏、或者同一类型的其他款游戏中，第一角色属性信息可以进行适应性的调整。
在步骤s330中，获得待推荐物的物品属性信息。
还是以游戏场景为例，此时待推荐物可以是目标对象所选定的目标游戏的游戏商城中的游戏商城如道具。则此时物品属性信息例如可以包括各个道具所属类别、所能完成的功能、所对应的游戏角色的身份、所对应的游戏角色的等级、所对应的游戏角色的操作等中的任意一种或者多种。例如是用于游戏角色练习轻功所用的道具，还是用于游戏角色提升内力所用的道具等等。具体的，物品属性信息可以根据实际需求进行设定。
在步骤s340中，通过神经网络模型对所述第一对象数据和所述物品属性信息进行处理，从所述待推荐物中确定向所述目标对象的第一角色推荐的第一目标物品。
本发明实施方式提供的信息处理方法，通过确定目标对象的第一角色，并根据所述第一角色的第一角色属性信息，获得所述目标对象的第一对象数据，还获得待推荐物的物品属性信息，从而可以通过神经网络模型对所述第一对象数据和所述物品属性信息进行处理，从所述待推荐物中确定向所述目标对象的第一角色推荐的第一目标物品。一方面，通过综合考虑目标对象的丰富的角色属性信息和待推荐物的丰富的物品属性信息，来进行待推荐物中的目标物品的确定，可以提升物品的个性化推荐的精准度；另一方面，通过非线性的神经网络模型来刻画目标对象与待推荐物之间复杂的交互作用，可以达到增强模型可解释性及提升推荐效果的目的。
图4示意性示出了根据本发明的另一实施例的信息处理方法的流程图。如图4所示，与上述实施例相比，本发明实施例提供的方法的不同之处在于，还可以进一步包括以下步骤。
在步骤s410中，确定所述目标对象的第二角色。
例如，在另一时间t2，该游戏玩家可以更换为另一个游戏角色b作为第二角色。
在步骤s420中，根据所述第二角色的第二角色属性信息，获得所述目标对象的第二对象数据。
在示例性实施例中，所述第二角色的第二角色属性信息可以包括所述第二角色的身份信息、当前等级信息和/或当前操作信息等中的任意一项或者多项。
在步骤s430中，通过所述神经网络模型对所述第二对象数据和所述物品属性信息进行处理，从所述待推荐物中确定向所述目标对象的第二角色推荐的第二目标物品。
本发明实施例中，同一个用户(例如游戏玩家)在不同的时刻可以选择同一款游戏中的不同游戏角色，例如t1时刻选择游戏角色a，其是一个低等级的镖师，则系统会向其推荐低等级镖师所需的道具；t2时刻选择游戏角色b，其是一个高等级的杀手，则系统会向其推荐高等级杀手所需的道具，即用户选择不同的游戏角色，可能具有属于不同门派、不同身份等属性，其会进行相应的操作，例如练法术需要的是一类道具，炼心法需要的是另一类的道具。可以预先设定一个道具池，在道具池中具有各种道具，每个道具具有相应的物品属性信息，当用户所选择的游戏角色发生变化和/或所选择的游戏角色的属性值发生变化时，系统向其推荐的道具的种类可以发生变化，或者向其推荐的道具的排列顺序发生变化。本发明实施例中，同一个用户在不同的游戏角色下对于同一个游戏商品做出的选择可能是不同的，这是因为游戏场景中游戏商品是游戏角色的道具，购买行为与角色属性相关联。此外，同一个用户在相同的游戏角色下，若其角色属性发生了变化，则其对同一个游戏商品作出的选择也可能是不同的，例如角色在低等级时可能不需要购买一个豪华的道具，随着等级的升高，则可能会对这个道具产生购买行为。
图5示意性示出了根据本发明的又一实施例的信息处理方法的流程图。如图5所示，与上述实施例相比，本发明实施例提供的方法的不同之处在于，还可以进一步包括以下步骤。
在步骤s510中，获得所述目标对象的历史角色。
在步骤s520中，根据所述历史角色的历史角色属性信息，获得所述目标对象的历史对象数据。
在步骤s530中，获得所述目标对象对所述待推荐物的历史操作记录。
在步骤s540中，根据所述历史操作记录，确定所述历史对象数据和所述物品属性信息的标签，以生成训练数据集。
本发明实施例中，可以预先对所用到的神经网络模型进行训练。训练模型时首先构建训练数据集。这里用到了目标对象对待推荐物的历史操作记录。还是以上述游戏场景为例，则待推荐物可以是道具池中的各个道具，历史操作记录可以是该游戏玩家历史上对各个道具的购买记录，但本发明并不限定于此，还可以是该游戏玩家历史对各个道具的使用记录、预览记录等等。
本发明实施例中，构造训练数据集可以为如下形式：
数据可以划分为两部分：目标对象及其第一角色属性信息组成的第一对象数据
(1)
(2)
(3)标签(label)：每一对
在步骤s550中，利用所述训练数据集训练所述神经网络模型。
本发明实施例中，在模型训练过程中，可以将训练数据集中的
上述过程进行迭代，不断更新模型参数，并通过验证集数据进行模型验证，在验证集上的损失函数基本不再下降时即可停止迭代，此时得到拟合能力与泛化能力都较好的模型。
本发明实施例中，损失函数可以采用二值交叉熵损失函数loss，计算方式如下：
上述公式中，k为大于或等于1且小于或等于m的正整数，m为大于或等于1的正整数，其表示训练数据集中一共有m对
本发明实施例中，还可以包括模型测试过程。模型测试是指在训练好的模型上，用与训练数据集无重合的测试数据集测试模型的预测能力。为更直观的评价模型的预测能力，在测试数据集上使用的评估标准是预测的精确率、召回率、auc(areaundercurve，roc(受试者工作特征曲线(receiveroperatingcharacteristiccurve))曲线下与坐标轴围成的面积)。精确率能够表示模型的查准能力，召回率能够表示模型的查全能力，auc是二者的综合。
通过对比不同模型在测试数据集上的精确率、召回率、auc值，可以观察到各模型的预测能力。
本发明实施例中，在训练模型过程中，不仅考虑了目标对象对所述待推荐物的历史操作记录，还综合考虑了目标对象的历史角色属性信息和待推荐物的物品属性信息，从而可以提升模型的预测准确度。
图6示出了图3中所示的步骤s320在一实施例中的处理过程示意图。如图6所示，本发明实施例中，上述步骤s320可以进一步包括以下步骤。
在步骤s321中，获取所述目标对象的对象属性信息。
例如，还是以目标对象为某个游戏玩家为例，则其对象属性信息可以是该游戏玩家的真实姓名、年龄、性别、所处地理位置、历史在线时长等个人画像信息等。
在步骤s322中，根据所述第一角色属性信息和所述对象属性信息，获得所述第一对象数据。
具体的，可以将第一角色属性信息和所述对象属性信息进行向量拼接以形成所述第一对象数据，即在向该目标对象推荐道具时，不仅包括其当前所选择的游戏角色的虚拟属性信息，还可以综合考虑该目标对象的真实属性信息，从而进一步提升推荐准确度。
图7示出了图3中所示的步骤s340在一实施例中的处理过程示意图。本发明实施例中，所述神经网络模型可以包括第一神经网络子模型、第二神经网络子模型和第三神经网络子模型。
如图7所示，本发明实施例中，上述步骤s340可以进一步包括以下步骤。
在步骤s341中，根据所述第一对象数据生成对象向量。
在步骤s342中，根据所述物品属性信息生成所述待推荐物的物品向量。
在步骤s343中，通过所述第一神经网络子模型对所述对象向量和所述物品向量进行处理，获得所述目标对象的第一角色的对象偏好向量和所述待推荐物的物品特性向量。
在步骤s344中，通过所述第二神经网络子模型对所述对象向量和所述物品向量进行处理，获得所述目标对象的第一角色与所述待推荐物之间的交互关系向量。
在步骤s345中，通过所述第三神经网络子模型对所述对象偏好向量、所述物品特性向量以及所述交互关系向量进行处理，获得所述目标对象的第一角色操作所述待推荐物的预测概率值。
在步骤s346中，根据所述预测概率值，确定向所述目标对象的第一角色推荐的第一目标物品。
本发明实施例中，可以根据道具池中各道具的预测概率值，从大到小排序，选择前预定个数(例如10个，具体取值不作限定)或者预定比例(例如10％，具体取值不作限定)的道具作为第一目标物品返回至游戏客户端进行显示，并且将预测概率值最大的显示在第一位，第一目标物品中预测概率值最小的显示在最后一位，但本发明并不限定于此。在其他实施例中，若道具池中的全部道具数量不多，也可以将所有道具均显示在游戏客户端，只是根据预测概率值的大小进行道具的排序。
本发明实施例中，可以首先对输入至模型中的数据进行预处理。数据各维度的特征中包含离散特征(categoricalfeature)和连续特征(densefeature)，对于离散特征，可以用嵌入(embedding)将稀疏向量转换为稠密表示，对于连续特征，由于部分连续特征的数据分布往往为长尾分布，这种分布下差异较大的数值会对模型造成干扰，因此，本发明实施例对连续特征首先进行分箱，然后再做数据归一化处理。
图8示出了图7中所示的步骤s341在一实施例中的处理过程示意图。本发明实施例中，所述神经网络模型还可以包括第一嵌入子模型，所述第一对象数据可以包括对象离散特征和对象连续特征。
如图8所示，本发明实施例中，上述步骤s341可以进一步包括以下步骤。
在步骤s3411中，通过所述第一嵌入子模型对所述对象离散特征进行处理，获得对象嵌入向量。
在步骤s3412中，对所述对象连续特征进行分箱处理，获得对象离散表示。
本发明实施例中，可以采用等频分箱、等距分箱、卡方分箱等中的任意一种分箱方式，对此不作限定。
在步骤s3413中，对所述对象离散表示进行归一化处理。
在步骤s3414中，将所述对象嵌入向量和归一化后的对象离散表示进行拼接，生成所述对象向量。
图9示意性示出了根据本发明的一实施例的第一嵌入子模型的示意图。
如图9所示，第一对象数据
图10示出了图7中所示的步骤s342在一实施例中的处理过程示意图。本发明实施例中，所述神经网络模型还可以包括第二嵌入子模型，所述待推荐物的物品属性信息可以包括物品离散特征和物品连续特征。
如图10所示，本发明实施例中，上述步骤s342可以进一步包括以下步骤。
在步骤s3421中，通过所述第二嵌入子模型对所述物品离散特征进行处理，获得物品嵌入向量。
在步骤s3422中，对所述物品连续特征进行分箱处理，获得物品离散表示。
在步骤s3423中，对所述物品离散表示进行归一化处理。
在步骤s3424中，将所述物品嵌入向量和归一化后的物品离散表示进行拼接，生成所述物品向量。
图11示意性示出了根据本发明的一实施例的第二嵌入子模型的示意图。
如图11所示，物品属性信息
图12示意性示出了根据本发明的一实施例的神经网络模型的结构示意图。
如图12所示，将第一对象数据输入至第一嵌入子模型，输出对象向量；将物品属性信息输入至第二嵌入子模型，输出物品向量。再将对象向量输入至第一神经网络子模型，输出对象偏好向量和物品特性向量；将物品向量输入至第二神经网络子模型，输出交互关系向量。将对象偏好向量、物品特性向量和交互关系向量输入至第三神经网络子模型，输出预测概率值。
图13示出了图7中所示的步骤s343在一实施例中的处理过程示意图。本发明实施例中，所述第一神经网络子模型可以包括第一神经网络单元和第二神经网络单元。第一神经网络子模型是表征学习模块(representationlearning)，可进一步分成两部分：一部分用于学习目标对象的向量表征，一部分用于学习待推荐物的向量表征。
如图13所示，本发明实施例中，上述步骤s343可以进一步包括以下步骤。
在步骤s3431中，通过所述第一神经网络单元对所述对象向量进行处理，获得所述对象偏好向量。
在步骤s3432中，通过所述第二神经网络单元对所述物品向量进行处理，获得所述物品特性向量。
图14示意性示出了根据本发明的一实施例的第一神经网络子模型的结构示意图。
如图14所示，将对象向量
在图14的实施例中，以第一神经网络单元和第二神经网络单元均采用多层感知器(mlp，multilayerperceptron)为例进行举例说明，但在其他实施例中，第一神经网络单元和/或第二神经网络单元也可以采用其他的深度学习网络，例如lstm(longshort-termmemory，长短期记忆网络)、gru(gatedrecurrentunit，门控循环单元)等，且第一神经网络单元可以采用与第二神经网络单元相同的深度学习网络，也可以采用不同的深度学习网络，本发明对此不作限定。其中，多层感知器是一种前向结构的神经网络，映射一组输入向量到一组输出向量。图14的实施例中，使用mlp学习向量表征，即分别输入
图15示出了图7中所示的步骤s344在一实施例中的处理过程示意图。如图15所示，本发明实施例中，上述步骤s344可以进一步包括以下步骤。
在步骤s3441中，将所述对象向量与所述物品向量进行拼接，获得拼接向量。
在步骤s3442中，通过所述第二神经网络子模型对所述拼接向量进行处理，获得所述交互关系向量。
图16示意性示出了根据本发明的一实施例的第二神经网络子模型的结构示意图。
如图16所示，将对象向量
本发明实施例中，第二神经网络子模型mlpuser_item也可以称之为关系学习(relationlearning)模块。在表征学习模块目标对象和待推荐物的表示是分离开学习得到的，而关系学习模块则被设计用来学习目标对象与待推荐物之间复杂的交互关系。在这一部分中，首先将
在其他实施例中，第二神经网络子模型除了采用mlp，还可以采用其他神经网络或者深度学习网络，例如lstm、gru等。第一神经网络子模型和第二神经网络子模型可以均采用mlp，也可以均采用其他相同的神经网络，还可以分别采用不同的神经网络。
深度学习作为一种适合处理大规模复杂数据且表达力强的技术，在这里被应用于推荐系统中，本发明实施例在游戏场景设计基于深度学习的协同过滤网络结构，以神经网络替代传统的向量内积用于计算用户和商品间的交互关系。
图17示出了图7中所示的步骤s345在一实施例中的处理过程示意图。如图17所示，本发明实施例中，上述步骤s345可以进一步包括以下步骤。
在步骤s3451中，将所述对象偏好向量与所述物品特性向量相乘，获得点乘向量。
在步骤s3452中，将所述点乘向量与所述交互关系向量串接，获得串接向量。
在步骤s3453中，通过所述第三神经网络子模型对所述串接向量进行处理，获得所述预测概率值。
本发明实施例中，所述第三神经网络子模型也可以称之为联合预测层(predictionlayer)。经过表征学习模块和关系学习模块之后，需要预测目标对象对游戏商品的购买概率，联合预测层联合表征学习模块和关系学习模块的输出，计算得到最终的预测结果。例如，联合预测层的计算方式可以如下：
上述公式中，⊙表示向量元素相乘，
下面以将上述实施例提供的方案应用于一款rpg游戏的道具推荐场景为例进行说明。在这款游戏中，用户可选择游戏角色，游戏角色关联着丰富的属性，如角色修为、功力等(会随着在线时长的边长，取值越来越大)；用户可进入游戏商城，购买角色所需要的道具，道具同样关联多类的属性。本场景下推荐的目的是根据用户(可以综合考虑用户的真实性别等属性信息，不限于举例的用户id)、角色、道具的属性信息，为用户推荐其最可能感兴趣的一个或者多个道具。
该款rpg游戏是一款武侠题材的mmorpg(massivemultiplayeronlinerole-playinggame，大型多人在线角色扮演游戏)游戏，包括八荒门派，有太白、神威、唐门、丐帮、真武、天香、五毒、少林等各派；还包括江湖百业，捕快、镖师、猎户、游侠、杀手、乐伶、文士等行会规模最为宏大，其次还有悬眼、商贾、市井等诸业。用户可以下载并安装游戏客户端。游戏客户端安装完毕后，点击桌面的游戏图标即可运行该款游戏的游戏登陆器。在登陆器右侧点击“进入游戏”即可进入游戏账号登录界面，在此界面上输入游戏账号和密码后点击“进入游戏”，查看“更多服务器”即可打开服务器列表，选择所要登录的游戏大区和服务器(也可以直接在右边选择最近登陆的服务器)，点击“开始游戏”，就可以开始江湖之旅。
图18示意性示出了根据本发明的一实施例的门派介绍的界面示意图。
如图18所示，用户首先进行角色的创建。第一步是选择门派。如果是用户第一次登陆游戏，该游戏账号在该服务器下没有任何角色，会看到游戏的门派选择界面，可以在这个界面下选择任意一个已开放的门派创建该用户的角色。点选任意一个已开放的门派后进入门派介绍界面。界面正中能看到当前选择的门派和角色外观，界面右侧列出了该门派的战斗特点，下面可以切换角色的男女性别，点击鼠标右键可以转动角色查看形象。左侧可快速切换角色门派。
图19和20示意性示出了根据本发明的一实施例的角色细节定制的界面示意图。
如图19所示，点击“定制细节”可进一步定制角色细节，在这个界面下可看到角色的更多细节并可以针对每一项加以细调。根据人类脸部骨骼和肌肉的自然分布，现有48根骨骼上总共超过200项的可调参数。同时如图20所示，还提供了多种(这里以4种为例)面部表情的预览和多套(这里以5套为例)外装的试穿。在界面下方输入角色名字后，点击“创建完成”，即可建立起该用户的角色了。建立角色后选择建好的角色，点击如图21中所示的角色下方的“开始游戏”就会进入到如图22所示的游戏场景里了。
如图22所示，侧方快捷栏、聊天界面、人物状态、底部快捷栏、功能按钮(角色和商城)、小地图、任务玩法指引。
游戏界面上的功能按钮是游戏最主要的功能模块的入口。其中，角色包含：属性、经脉、心法、装备等。身份包含：镖师、杀手、游侠、猎户、乐伶、文士、捕快，悬眼、商贾、市井三者暂未开放。商城包含：常用、外观、骑宠挂件、珍品、会员专享、天赏积分、绑定点券、购买会员、点券寄售、点券充值。
人物状态是用于查看当前角色的气血、内息、定力、杀意和各门派特有的招式信息。
底部快捷栏对应qertg及0-9共15个键位，右边的上下翻页按钮可切换。快捷栏可放置道具和技能，按下相应按键后快速使用。快捷栏上的键位可在系统设置中更改。
侧方快捷栏对应f1-f10、ctrl0-ctrl9及hvcxz共25个键位，可放置道具和技能，按下相应按键后快速使用。快捷栏上的键位可在系统设置中更改。
聊天界面可以用于显示当前与游戏里其他玩家的聊天信息及系统消息。在聊天窗口上部可选择发言的频道以及输入发言的内容。
玩家信息中可以查看当前角色的头像、门派、名字、等级信息。
小地图这里显示玩家当前所处环境的周边地图信息。左上角的按键为时雨历，可显示当前所处地区、日期时间及天气；右上角的按键为邮箱；右下角的按键依次为：放大、缩小、查看世界地图、查看大地图。
任务玩法指引用于追踪当前的剧情任务/玩法活动信息。点击上面的链接可指引到目标点，点击上面的剧情/玩法页标可切换查看剧情任务和玩法活动的信息。
在该款游戏中，阅历与角色等级的提升紧密相关，也就是人物经验。阅历值显示在游戏客户端的顶部，以一条黄色进度条显示当前拥有的阅历以及接下来升一级所需要的阅历。阅历的获取，除了完成主线任务之外，还有门派打坐、行会日常、荡寇和其他补充玩法等途径，可以打开游戏界面右上方小地图左边的“每日必做”来具体查看每日完成情况。
图23示意性示出了根据本发明的一实施例的角色属性的界面示意图。
如图23所示，角色属性可以包括：门派(例如唐门)、称号、功绩值、杀戮、修为、活力等，其中修为可用于修炼角色的经脉和心法。可以点击选择查看全部属性、经脉属性、心法属性和装备属性。全部属性可以包括基础属性和战斗属性。基础属性又可以包括气血、内息、定力、功力、力道、根骨、气劲、洞察、身法。战斗属性又可以包括外功攻击、内功攻击、定力攻击、命中率、会心率、会心伤害、外功防御、内功防御、定力防御、格挡、韧劲。
图24示意性示出了根据本发明的一实施例的游戏商城的界面示意图。
如图24所示，可以选择查看游戏商城中的全部道具、装备道具、砭石道具、心法道具、身份道具。全部道具可以包括紫色心法注解、玄天石母、藏羚皮料、凤舞图、珍珠、修为丹、铸神令、玉琉璃、金丝穗、龙丹砂。这里对于商品属性展示设置周期为7天，每隔7天根据该用户的角色属性的变化更新道具的排列顺序。
图25示意性示出了根据本发明的一实施例的信息处理装置的框图。
如图25所示，本发明实施方式提供的信息处理装置2500可以包括：第一对象角色确定模块2510、第一对象数据获得模块2520、物品属性信息获得模块2530以及第一目标物品确定模块2540。
其中，第一对象角色确定模块2510可以配置为确定目标对象的第一角色。第一对象数据获得模块2520可以配置为根据所述第一角色的第一角色属性信息，获得所述目标对象的第一对象数据。物品属性信息获得模块2530可以配置为获得待推荐物的物品属性信息。第一目标物品确定模块2540可以配置为通过神经网络模型对所述第一对象数据和所述物品属性信息进行处理，从所述待推荐物中确定向所述目标对象的第一角色推荐的第一目标物品。
在示例性实施例中，信息处理装置2500还可以包括：第二对象角色确定模块，可以配置为确定所述目标对象的第二角色；第二对象数据获得模块，可以配置为根据所述第二角色的第二角色属性信息，获得所述目标对象的第二对象数据；第二目标物品确定模块，可以配置为通过所述神经网络模型对所述第二对象数据和所述物品属性信息进行处理，从所述待推荐物中确定向所述目标对象的第二角色推荐的第二目标物品。
在示例性实施例中，信息处理装置2500还可以包括：历史角色获得模块，可以配置为获得所述目标对象的历史角色；历史对象数据获得模块，可以配置为根据所述历史角色的历史角色属性信息，获得所述目标对象的历史对象数据；历史操作记录获得模块，可以配置为获得所述目标对象对所述待推荐物的历史操作记录；训练集生成模块，可以配置为根据所述历史操作记录，确定所述历史对象数据和所述物品属性信息的标签，以生成训练数据集；模型训练模块，可以配置为利用所述训练数据集训练所述神经网络模型。
在示例性实施例中，所述神经网络模型可以包括第一神经网络子模型、第二神经网络子模型和第三神经网络子模型。其中，第一目标物品确定模块2540可以包括：对象向量生成单元，可以配置为根据所述第一对象数据生成对象向量；物品向量生成单元，可以配置为根据所述物品属性信息生成所述待推荐物的物品向量；对象物品特性向量获得单元，可以配置为通过所述第一神经网络子模型对所述对象向量和所述物品向量进行处理，获得所述目标对象的第一角色的对象偏好向量和所述待推荐物的物品特性向量；交互关系向量获得单元，可以配置为通过所述第二神经网络子模型对所述对象向量和所述物品向量进行处理，获得所述目标对象的第一角色与所述待推荐物之间的交互关系向量；预测概率获得单元，可以配置为通过所述第三神经网络子模型对所述对象偏好向量、所述物品特性向量以及所述交互关系向量进行处理，获得所述目标对象的第一角色操作所述待推荐物的预测概率值；第一目标物品确定单元，可以配置为根据所述预测概率值，确定向所述目标对象的第一角色推荐的第一目标物品。
在示例性实施例中，所述第一神经网络子模型可以包括第一神经网络单元和第二神经网络单元。其中，所述对象物品特性向量获得单元可以包括：对象偏好向量获得子单元，可以配置为通过所述第一神经网络单元对所述对象向量进行处理，获得所述对象偏好向量；物品特性向量获得子单元，可以配置为通过所述第二神经网络单元对所述物品向量进行处理，获得所述物品特性向量。
在示例性实施例中，所述交互关系向量获得单元可以包括：拼接向量获得子单元，可以配置为将所述对象向量与所述物品向量进行拼接，获得拼接向量；交互关系向量获得子单元，可以配置为通过所述第二神经网络子模型对所述拼接向量进行处理，获得所述交互关系向量。
在示例性实施例中，所述预测概率获得单元可以包括：点乘向量获得子单元，可以配置为将所述对象偏好向量与所述物品特性向量相乘，获得点乘向量；串接向量获得子单元，可以配置为将所述点乘向量与所述交互关系向量串接，获得串接向量；预测概率获得子单元，可以配置为通过所述第三神经网络子模型对所述串接向量进行处理，获得所述预测概率值。
在示例性实施例中，所述神经网络模型还可以包括第一嵌入子模型，所述第一对象数据可以包括对象离散特征和对象连续特征。其中，所述对象向量生成单元可以包括：对象嵌入向量获得子单元，可以配置为通过所述第一嵌入子模型对所述对象离散特征进行处理，获得对象嵌入向量；对象离散表示获得子单元，可以配置为对所述对象连续特征进行分箱处理，获得对象离散表示；对象归一化处理子单元，可以配置为对所述对象离散表示进行归一化处理；对象向量生成子单元，可以配置为将所述对象嵌入向量和归一化后的对象离散表示进行拼接，生成所述对象向量。
在示例性实施例中，所述神经网络模型还可以包括第二嵌入子模型，所述待推荐物的物品属性信息可以包括物品离散特征和物品连续特征。其中，所述物品向量生成单元可以包括：物品嵌入向量获得子单元，可以配置为通过所述第二嵌入子模型对所述物品离散特征进行处理，获得物品嵌入向量；物品离散表示获得子单元，可以配置为对所述物品连续特征进行分箱处理，获得物品离散表示；物品归一化处理子单元，可以配置为对所述物品离散表示进行归一化处理；物品向量生成子单元，可以配置为将所述物品嵌入向量和归一化后的物品离散表示进行拼接，生成所述物品向量。
在示例性实施例中，第一对象数据获得模块2520可以包括：对象属性信息获取单元，可以配置为获取所述目标对象的对象属性信息；第一对象数据获得单元，可以配置为根据所述第一角色属性信息和所述对象属性信息，获得所述第一对象数据。
在示例性实施例中，所述第一角色的第一角色属性信息可以包括所述第一角色的身份信息、当前等级信息和/或当前操作信息。
本发明实施例提供的信息处理装置中的各个模块、单元和子单元的具体实现可以参照上述信息处理方法中的内容，在此不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块、单元和子单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块、单元和子单元的特征和功能可以在一个模块、单元和子单元中具体化。反之，上文描述的一个模块、单元和子单元的特征和功能可以进一步划分为由多个模块、单元和子单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制。
- 还没有人留言评论。精彩留言会获得点赞！