信息推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种信息推荐方法、装置、计算机设备和存储介质。


背景技术：

2.随着计算机和互联网技术的快速发展，为人们的生活带来了许多便利，同时也带了海量的数据信息，使得人们难以从大量的数据信息中获取所需的信息。例如，对于互联网中海量的音视频、文章、图片、网页等各种数据信息，人们很难快速过滤获得所需要的信息。为了让用户更准确地获取到所需要的信息，往往通过个性化信息推荐，以为用户推荐满足用户需要的信息。
3.目前，信息推荐主要是对用户的历史行为进行分析，如对用户的视频浏览行为进行分析，根据分析得到的用户偏好推荐相应的信息。然而，在用户的历史行为数据较少时，对历史行为的分析无法有效获得用户偏好，导致针对用户的信息推荐准确性有限。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高信息推荐准确性的信息推荐方法、装置、计算机设备和存储介质。
5.一种信息推荐方法，所述方法包括：
6.获取目标账号所属社交网络对应的账号交互特征；账号交互特征根据社交网络中各社交账号之间的交互行为得到；
7.通过账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征；
8.获取每个待推荐信息各自的信息交互特征；信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的；
9.将传播账号特征和各信息交互特征进行匹配，并将根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。
10.一种信息推荐装置，所述装置包括：
11.账号交互特征获取模块，用于获取目标账号所属社交网络对应的账号交互特征；账号交互特征根据社交网络中各社交账号之间的交互行为得到；
12.特征传播映射模块，用于通过账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征；
13.信息交互特征获取模块，用于获取每个待推荐信息各自的信息交互特征；信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的；
14.目标信息推荐模块，用于将传播账号特征和各信息交互特征进行匹配，并将根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。
15.在其中一个实施例中，特征传播映射模块包括：
16.目标交互特征提取模块，用于从账号交互特征中提取与目标账号对应的目标账号交互特征；
17.交互账号特征获取模块，用于获取目标账号交互特征对应的交互社交账号的账号特征；
18.传播映射迭代模块，用于基于目标账号交互特征、交互社交账号的账号特征和传播映射参数，对目标账号对应的账号特征进行迭代特征传播映射，得到特征传播映射的结果；
19.传播账号特征确定模块，用于根据特征传播映射的结果确定目标账号对应的传播账号特征。
20.在其中一个实施例中，传播映射迭代模块包括：
21.当前账号特征确定模块，用于将目标账号对应的账号特征确定为当前账号特征；
22.传播映射处理模块，用于基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，得到本次迭代特征传播映射的结果；将本次迭代特征传播映射的结果作为当前账号特征，并返回基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，得到本次迭代特征传播映射的结果的步骤。
23.在其中一个实施例中，传播映射处理模块包括：
24.特征传播模块，用于基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播，得到特征传播结果；
25.非线性映射模块，用于对特征传播结果进行非线性映射，得到本次迭代特征传播映射的结果。
26.在其中一个实施例中，特征传播映射模块包括：
27.网络账号特征确定模块，用于确定根据社交网络中各社交账号的账号特征构建的网络账号特征；网络账号特征包括目标账号对应的账号特征；
28.模型特征传播映射模块，用于将账号交互特征和网络账号特征输入特征传播映射模型中进行特征传播映射，获得特征传播映射模型输出的网络传播账号特征；
29.模型输出处理模块，用于从网络传播账号特征中提取目标账号对应的传播账号特征。
30.在其中一个实施例中，模型特征传播映射模块包括：
31.标准化处理模块，用于通过标准化条件对账号交互特征进行标准化处理，得到标准化的账号交互特征；
32.特征输入模块，用于将标准化的账号交互特征和网络账号特征输入特征传播映射模型中进行特征传播映射。
33.在其中一个实施例中，目标信息推荐模块包括：
34.特征匹配模块，用于通过匹配模型对传播账号特征和各信息交互特征进行匹配，得到匹配模型输出的匹配结果；
35.目标信息确定模块，用于基于匹配结果从各待推荐信息中确定目标信息；
36.目标信息处理模块，用于将目标信息向目标账号对应的终端进行推荐。
37.在其中一个实施例中，目标信息确定模块包括：
38.推荐条件筛选模块，用于从匹配结果中确定满足推荐条件的目标匹配结果；
39.筛选结果处理模块，用于将目标匹配结果所对应的待推荐信息确定为目标信息。
40.在其中一个实施例中，所述装置还包括：
41.统计结果确定模块，用于确定目标账号所属的社交网络中各社交账号之间交互行为的统计结果；
42.交互特征获得模块，用于基于统计结果获得社交网络中各社交账号之间的交互特征；
43.账号交互特征生成模块，用于根据社交网络中各社交账号之间的交互特征，生成社交网络对应的账号交互特征。
44.在其中一个实施例中，所述装置还包括：
45.社交网络确定模块，用于确定目标账号所属的社交网络；
46.节点嵌入模块，用于对社交网络中的各节点进行节点嵌入，得到各节点分别对应的节点特征；各节点与社交网络中的各社交账号对应，各节点之间的节点关系与各社交账号之间的交互行为对应；
47.账号特征确定模块，用于基于各节点对应的节点特征，确定目标账号对应的账号特征。
48.在其中一个实施例中，节点嵌入模块：
49.权值确定模块，用于根据社交网络中各节点之间的节点关系，确定各节点之间的游走权重；
50.游走模块，用于以每个节点为起点，基于游走权重在社交网络中进行节点游走，形成各节点游走轨迹；
51.游走轨迹处理模块，用于通过嵌入模型对各节点游走轨迹进行特征嵌入，得到各节点分别对应的节点特征。
52.在其中一个实施例中，所述装置还包括：
53.交互社交账号确定模块，用于确定每个待推荐信息对各自的交互社交账号；交互社交账号为社交网络中对相应待推荐信息产生过交互操作的社交账号；
54.信息交互特征获得模块，用于对各交互社交账号对应的账号特征进行特征聚合，得到相应待推荐信息的信息交互特征。
55.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
56.获取目标账号所属社交网络对应的账号交互特征；账号交互特征根据社交网络中各社交账号之间的交互行为得到；
57.通过账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征；
58.获取每个待推荐信息各自的信息交互特征；信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的；
59.将传播账号特征和各信息交互特征进行匹配，并将根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。
60.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
61.获取目标账号所属社交网络对应的账号交互特征；账号交互特征根据社交网络中各社交账号之间的交互行为得到；
62.通过账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征；
63.获取每个待推荐信息各自的信息交互特征；信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的；
64.将传播账号特征和各信息交互特征进行匹配，并将根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。
65.上述信息推荐方法、装置、计算机设备和存储介质，通过根据社交网络中各社交账号之间的交互行为得到的账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征，并将传播账号特征与每个待推荐信息各自的信息交互特征进行匹配，信息交互特征基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成，根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。在信息推荐处理过程中，通过根据社交网络中各社交账号之间的交互行为得到的账号交互特征，对目标账号对应的账号特征进行特征传播映射，从而将社交网络中与目标账号具有交互行为关系的社交账号的账号特征传播映射至目标账号，得到目标账号对应的传播账号特征，并通过传播账号特征和待推荐信息各自的信息交互特征进行匹配，根据匹配结果确定目标信息进行推荐，从而利用了社交网络中各社交账号之间的交互行为关系进行信息推荐，提高了信息推荐的准确性。
附图说明
66.图1为一个实施例中信息推荐方法的应用环境图；
67.图2为一个实施例中信息推荐方法的流程示意图；
68.图3为一个实施例中特征传播映射的流程示意图；
69.图4为一个实施例中社交网络中社交账号之间交互行为的示意图；
70.图5为另一个实施例中特征传播映射的流程示意图；
71.图6为一个实施例中推荐目标信息的流程示意图；
72.图7为另一个实施例中社交网络中社交账号之间交互行为的示意图；
73.图8为图7所示实施例中社交网络对应节点结构的示意图；
74.图9为另一个实施例中信息推荐方法的流程示意图；
75.图10为一个实施例中信息推荐装置的结构框图；
76.图11为一个实施例中计算机设备的内部结构图。
具体实施方式
77.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
78.本技术提供的信息推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。用户a、b、c和d在同一社交网络中具有社交账号，用户c与用户a、b和d在社交网络中均产生过交互行为。用户c在终端102通过社交网络的目标账号登录短视频平台，在用户c点击短视频推荐控件，触发进行短视频推荐时，服务器104响应于终端102发送的短视频推荐请求，通过根据社交网络中各社交账号之间的交互行为得到的账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征，并将传播账号特征与每个待推荐短视频各自的信息交互特征进行匹配，信息交互特征基于社交网络中对相应待推荐短视频产生过交互操作的社交账号的账号特征生成，根据匹配结果从各待推荐短视频中确定的目标短视频向目标账号对应的终端102进行推荐，终端102接收到服务器104推荐的目标短视频后进行展示。此外，信息推荐所针对推荐信息可以不限于短视频，还可以包括音视频、图片、文本、网页、名片等各种数据信息。
79.其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、车载设备和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，服务器104还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
80.在具体应用中，信息推荐中涉及的账号交互特征、信息交互特征等数据，还可以上链至区块链中进行安全保存。区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
81.区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
82.平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。
83.在一个实施例中，如图2所示，提供了一种信息推荐方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
84.步骤202，获取目标账号所属社交网络对应的账号交互特征；账号交互特征根据社交网络中各社交账号之间的交互行为得到。
85.其中，目标账号为需要进行信息推荐的用户账号，目标账号具体可以为社交网络中的社交账号，如用户可以通过社交账号登录信息客户端，从而服务器可以通过用户登录的社交账号在相应社交网络中的社交关系，对用户进行准确的信息推荐。社交关系指社会上人与人通过社交网络的交际往来，是人们运用一定的方式传递信息、交流思想的意识，以达到某种目的的社会各项活动，具体可以为人们通过社交网络注册不同的社交账号进行交互，如聊天、点赞、评论等各种交互行为。
86.账号交互特征根据社交网络中各社交账号之间的交互行为得到，交互行为包括用户通过各社交账号进行的聊天、评论、点赞、转发等各种交互操作。账号交互特征具体可以根据对社交网络中各社交账号之间的交互行为进行交互分析获得的交互分析结果得到，如可以对社交网络中两两社交账号之间的交互行为分别进行统计，得到两两社交账号之间交互行为统计结果，基于交互行为统计结果构建两两社交账号之间的交互特征，并根据社交网络中各社交账号之间的交互特征，获得社交网络对应的账号交互特征。账号交互特征反映了社交网络中各社交账号支架的交互关系。
87.在具体应用中，如对于社交网络中包括社交账号a、b、c和d，则可以分别对两两社交账号之间的交互行为进行分析，获得两两社交账号之间交互行为的统计结果，基于该统计结果可以进行特征提取，得到两两社交账号之间的交互特征，如可以根据两两社交账号之间聊天的次数、频率、交互累计时长等统计结果，综合确定两两社交账号之间的交互特征。获得社交网络中两两社交账号之间的交互特征之后，将各交互特征进行融合，得到社交网络对应的账号交互特征，账号交互特征可以携带有社交网络中两两账号之间的交互特征。
88.具体地，在触发针对目标账号进行信息推荐处理时，如服务器接收到终端上传的信息推荐请求时，服务器响应于该信息推荐请求，获取目标账号所属社交网络对应的账号交互特征，账号交互特征可以由服务器预先根据社交网络中的各社交账号之间的交互行为确定。
89.步骤204，通过账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征。
90.其中，目标账号对应的账号特征可以为表征目标账号本质特性的信息，具体可以通过对目标账号进行特征工程处理得到，特征工程是将原始数据转化成更好的表达问题本质的特征的过程，使得将这些特征运用到预测模型中能提高对不可见数据的模型预测精度。特征传播映射为利用社交网络中与目标账号存在社交关系的社交账号的特征描述目标账号特征的过程。对目标账号对应的账号特征进行特征传播映射，可以将与目标账号存在社交关系的社交账号的特征传递至目标账号，从而通过与目标账号存在社交关系的社交账号的特征对目标账号的账号特征进行进一步描述，从而获得能够准确反映目标账号社交关系的账号特征。目标账号对应的传播账号特征为目标账号对应的账号特征经过特征传播映射处理后获得的特征，传播账号特征除携带目标账号本身的特征外，还携带有社交网络中
与目标账号存在社交关系的社交账号的账号特征。
91.具体地，服务器获得目标账号所属社交网络对应的账号交互特征后，进一步获得目标账号的账号特征，并通过该账号交互特征对目标账号的账号特征进行特征传播映射处理，得到特征传播映射的结果，服务器从特征传播映射的结果中获得目标账号对应的传播账号特征，传播账号特征结合了目标账号本身的账号特征以及在社交网络中存在社交关系的社交账号的账号特征。
92.步骤206，获取每个待推荐信息各自的信息交互特征；信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的。
93.其中，待推荐信息为能够进行推荐的信息，具体可以为各种类型的信息，如音视频、图片、文本、网页、名片等各种数据信息。待推荐信息可以根据信息推荐实际所应用的场景进行确定，如对于短视频平台应用，待推荐信息可以为短视频平台应用中的各段短视频，以实现对目标账号准确推荐短视频。信息交互特征为每个待推荐信息的特征，信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的。在具体实现时，交互操作可以根据实际需要进行灵活设置，如可以设置为浏览、点赞、评论、转发、收藏、关注等各种操作，还可以为各种操作的组合。例如，对于短视频r1，在社交网络中的社交账号a、b和c均浏览过或点赞过该短视频r1，则可以认为社交账号a、b和c均对该短视频r1产生过交互操作，则可以根据社交账号a、b和c分别对应的账号特征，得到表征该短视频r1特性的信息交互特征。
94.具体地，服务器获取每个待推荐信息各自的信息交互特征，每个待推荐信息各自的信息交互特征可以由服务器预先基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成，以在触发信息推荐时获取各待推荐信息分别对应的信息交互特征。
95.步骤208，将传播账号特征和各信息交互特征进行匹配，并将根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。
96.其中，目标信息为根据匹配结果从各待推荐信息中确定的需要向目标账号进行推荐的信息，即目标信息为从各待推荐信息中筛选得到的向目标账号进行推荐的信息。具体地，在得到目标账号的传播账号特征和待推荐信息分别对应的信息交互特征后，服务器将传播账号特征和各信息交互特征分别进行匹配，得到传播账号特征与各信息交互特征的匹配结果，并根据匹配结果从各待推荐信息中确定目标信息，服务器将目标信息向目标账号对应的终端进行推荐。
97.在具体实现时，可以分别确定传播账号特征和各信息交互特征的相似度，将相似度大于相似度阈值的信息交互特征所对应的待推荐信息，确定为目标信息，并将该目标信息向目标账号对应的终端进行推荐。
98.上述信息推荐方法中，通过根据社交网络中各社交账号之间的交互行为得到的账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征，并将传播账号特征与每个待推荐信息各自的信息交互特征进行匹配，信息交互特征基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成，根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。在信息推荐处理过程中，通过根据社交网络中各社交账号之间的交互行为得到
的账号交互特征，对目标账号对应的账号特征进行特征传播映射，从而将社交网络中与目标账号具有交互行为关系的社交账号的账号特征传播映射至目标账号，得到目标账号对应的传播账号特征，并通过传播账号特征和待推荐信息各自的信息交互特征进行匹配，根据匹配结果确定目标信息进行推荐，从而利用了社交网络中各社交账号之间的交互行为关系进行信息推荐，提高了信息推荐的准确性。
99.在一个实施例中，如图3所示，特征传播映射的处理，即通过账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征，包括：
100.步骤302，从账号交互特征中提取与目标账号对应的目标账号交互特征。
101.其中，账号交互特征根据社交网络中各社交账号之间的交互行为得到，即账号交互特征包括社交网络中所有社交账号之间的交互行为。目标账号交互特征为社交网络中与目标账号存在交互行为的社交账号，与目标账号之间的交互特征，即目标账号交互特征为社交网络中与目标账号存在的交互行为所对应的特征。例如，如图4所示，在社交网络中，包括社交账号a、b、c、d和e，各社交账号可以作为社交网络中的节点，各节点之间通过边连接，节点连接的边表征社交账号之间的交互行为，边的宽度反映了社交账号之间交互的亲密程度，边越宽，表明社交账号之间的交互越亲密，即对应两个社交账号之间的交互行为越多或越频繁。在目标账号为社交账号a时，则从账号交互特征中提取得到的与社交账号a对应的目标账号交互特征包括特征a_ab、特征a_ad和特征a_ae，其中，特征a_ab为社交账号a与社交账号b之间的交互行为对应的交互特征，特征a_ad为社交账号a与社交账号d之间的交互行为对应的交互特征，特征a_ae为社交账号a与社交账号e之间的交互行为对应的交互特征。而社交账号a与社交账号c之间未产生交互行为，则不存在相应的交互特征。
102.具体地，在针对目标账号进行信息推荐时，服务器从社交网络对应的账号交互特征中提取目标账号对应的目标账号交互特征，目标账号交互特征包括根据目标账号与社交网络中其他社交账号之间的交互行为所得到的交互特征。
103.步骤304，获取目标账号交互特征对应的交互社交账号的账号特征。
104.其中，交互社交账号为社交网络中与目标账号具有交互行为的社交账号，即交互社交账号与目标账号交互特征对应，目标账号交互特征表征了目标账号与交互社交账号之间的交互行为的特征。例如，如图4所示，在目标账号为社交账号a时，账号交互特征中提取得到的与社交账号a对应的目标账号交互特征包括特征a_ab、特征a_ad和特征a_ae，则目标账号交互特征对应的交互社交账号包括社交账号b、d和e。交互社交账号的账号特征可以为表征交互社交账号特性的信息，具体可以为通过对交互社交账号进行特征工程处理得到。
105.在具体实现时，服务器可以预先对社交网络中的各社交账号进行特征工程处理，得到社交网络中的各社交账号各自的账号特征，并进行存储。在确定目标账号后，服务器可以直接从存储的账号特征中确定目标账号所对应的账号特征，进一步地，服务器可以从存储的账号特征中筛选出与目标账号存在交互行为的交互社交账号的账号特征。
106.具体地，服务器确定目标账号交互特征后，根据目标账号交互特征获取与目标账号具有交互行为的交互社交账号对应的账号特征。
107.步骤306，基于目标账号交互特征、交互社交账号的账号特征和传播映射参数，对目标账号对应的账号特征进行迭代特征传播映射，得到特征传播映射的结果。
108.其中，传播映射参数用于对特征传播映射进行调节，在通过网络模型实现特征传播映射时，传播映射参数可以通过网络模型训练确定。迭代是重复反馈过程的活动，而每一次迭代得到的结果会作为下一次迭代的初始值，即每次特征传播映射处理后，将得到的本次迭代特征传播映射的结果作为初始值进行下一次特征传播映射，直至迭代结束，得到特征传播映射的结果。在具体实现时，可以设置多个传播映射参数，通过目标账号交互特征、交互社交账号的账号特征和多个传播映射参数，对目标账号对应的账号特征进行迭代特征传播映射，如通过网络模型的多层结构分别进行迭代特征传播映射，得到特征传播映射的结果。
109.具体地，服务器获取特征传播映射处理时的传播映射参数，基于目标账号交互特征、交互社交账号的账号特征和传播映射参数，对目标账号对应的账号特征进行迭代特征传播映射，得到特征传播映射的结果。在一个具体应用中，特征传播映射通过预训练的特征传播映射模型实现，特征传播映射模型中包括至少一层层结构，每一层结构具有相应的传播映射参数，可以进行一次特征传播映射处理，通过特征传播映射模型可以对目标账号对应的账号特征进行迭代特征传播映射，得到特征传播映射的结果。
110.步骤308，根据特征传播映射的结果确定目标账号对应的传播账号特征。
111.得到特征传播映射的结果后，服务器可以根据特征传播映射的结果确定目标账号对应的传播账号特征，传播账号特征为目标账号对应的账号特征经过特征传播映射处理后获得的特征，传播账号特征除携带目标账号本身的特征外，还携带有社交网络中与目标账号存在社交关系的社交账号的账号特征。在具体实现时，服务器可以直接从特征传播映射的结果中提取得到目标账号对应的传播账号特征，也可以对特征传播映射的结果中包括的传播账号特征进行进一步特征处理，如进行归一化或标准化处理，得到目标账号对应的传播账号特征。
112.本实施例中，服务器基于目标账号交互特征、交互社交账号的账号特征和传播映射参数，对目标账号对应的账号特征进行迭代特征传播映射，并根据特征传播映射的结果确定目标账号对应的传播账号特征，从而通过交互行为对应的目标账号交互特征和传播映射参数，将社交网络中与目标账号具有交互行为的交互社交账号的账号特征传递至目标账号，获得能够准确表征社交网络中社交关系的传播账号特征，基于该传播账号特征进行信息推荐处理，可以提高信息推荐的准确性。
113.在一个实施例中，基于目标账号交互特征、交互社交账号的账号特征和传播映射参数，对目标账号对应的账号特征进行迭代特征传播映射，得到特征传播映射的结果，包括：将目标账号对应的账号特征确定为当前账号特征；基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，得到本次迭代特征传播映射的结果；将本次迭代特征传播映射的结果作为当前账号特征，并返回基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，得到本次迭代特征传播映射的结果的步骤。
114.其中，每一次迭代特征传播映射时，将上一次迭代特征传播映射的结果作为本次迭代特征传播映射的初始值，直至迭代完成，得到特征传播映射的结果。当前账号特征指本次进行特征传播映射时，目标账号对应的账号特征，在未进行特征传播映射时，当前账号特
征取值为服务器获得的通过目标账号对应的账号特征。每次迭代特征传播映射可以设置有相应的传播映射参数，每次迭代特征传播映射对应的传播映射参数可以相同也可以不同，每次迭代特征传播映射对应的传播映射参数具体可以通过模型训练获得。
115.具体地，在对目标账号进行迭代特征传播映射时，服务器将目标账号对应的账号特征确定为当前账号特征，即将获得的目标账号对应的账号特征作为本次迭代特征传播映射的初始值。服务器基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，具体可以通过本次迭代特征传播映射的传播映射参数，将目标账号交互特征、交互社交账号的账号特征和当前账号特征进行融合映射，得到本次迭代特征传播映射的结果。服务器将本次迭代特征传播映射的结果作为下一次迭代特征传播映射的初始值，即将本次迭代特征传播映射的结果作为当前账号特征，返回基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，得到本次迭代特征传播映射的结果的步骤，从而实现对目标账号的账号特征进行迭代特征传播映射处理。
116.本实施例中，服务器通过每次迭代特征传播映射的传播映射参数，将目标账号交互特征、交互社交账号的账号特征和当前账号特征进行特征传播映射，并将每次迭代特征传播映射的结果作为下一次迭代特征传播映射的初始值，在迭代结束后得到特征传播映射的结果，从而通过迭代特征传播映射将社交网络中与目标账号具有交互行为的交互社交账号的账号特征从多维度传递至目标账号，获得能够准确表征社交网络中社交关系的传播账号特征，基于该传播账号特征进行信息推荐处理，可以提高信息推荐的准确性。
117.在一个实施例中，基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，得到本次迭代特征传播映射的结果，包括：基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播，得到特征传播结果；对特征传播结果进行非线性映射，得到本次迭代特征传播映射的结果。
118.其中，特征传播结果为通过目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播得到的结果。对特征传播结果进行非线性映射，可以增加特征传播映射处理中的非线性，从而可以提高特征表达的准确性，得到准确性高的传播账号特征。
119.具体地，服务器在基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播，得到特征传播结果后，如服务器通过本次迭代特征传播映射的传播映射参数，将目标账号交互特征、交互社交账号的账号特征和当前账号特征进行融合得到特征传播结果后，服务器对特征传播结果进行非线性映射，得到本次迭代特征传播映射的结果。具体可以由服务器获取预先设置的非线性函数，如sigmoid函数、relu(rectified linear unit，线性整流函数)函数等，对特征传播结果进行非线性映射处理，得到本次迭代特征传播映射的结果。在具体实现时，特征传播映射可以由特征传播映射模型实现，则在特征传播映射模型结构中，每一层特征传播映射的层结构，设置有相应的传播映射参数，以进行特征传播映射，在每次特征传播映射后，通过设置的激活层对每次特征传播映射的特征传播结果进行非线性映射，得到每次迭代特征传播映射的结果。激活层具体可以为relu层，从而得到本次迭代特征传播映射的结果。在得到本
次迭代特征传播映射的结果后，进行下一次的特征传播映射，直至迭代结束，得到特征传播映射的结果，并根据特征传播映射的结果得到目标账号对应的传播账号特征。
120.本实施例中，在对目标账号对应的账号特征进行本次迭代特征传播映射，得到特征传播结果后，进一步对特征传播结果进行非线性映射，得到本次迭代特征传播映射的结果，从而对每次特征传播映射的结果进行非线性化处理，提高了特征传播映射的结果的非线性，可以增强获得的传播账号特征的特征表达，可以提高基于传播账号特征进行信息推荐的准确性。
121.在一个实施例中，如图5所示，特征传播映射的处理，即通过账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征，包括：
122.步骤502，确定根据社交网络中各社交账号的账号特征构建的网络账号特征；网络账号特征包括目标账号对应的账号特征。
123.其中，网络账号特征根据社交网络中各社交账号的账号特征构建得到，网络账号特征包括社交网络中所有社交账号的账号特征，具体包括目标账号对应的账号特征，以及与目标账号存在交互行为的交互社交账号的账号特征。社交网络中各社交账号的账号特征可以基于特征工程实现，以对社交网络中各社交账号的特征进行准确的描述。
124.具体地，在对目标账号对应的账号特征进行特征传播映射，确定目标账号对应的传播账号特征时，服务器可以直接对目标账号所属社交网络中的各社交账号统一进行特征传播映射处理，获得包括社交网络中各社交账号相应账号特征的网络账号特征。在具体应用时，服务器可以预先基于特征工程，提取得到目标账号所属社交网络中的各社交账号的账号特征，并构建得到社交网络对应的网络账号特征。例如，社交网络中的各社交账号可以作为社交网络的节点，而社交账号之间的交互行为可以作为连接节点的边，从而根据各社交账号之间的交互行为，构建社交网络对应的用户节点图，再通过节点嵌入算法，如node2vec算法基于用户节点图进行节点嵌入处理，得到社交网络对应的网络账号特征，网络账号特征中包括社交网络中各社交账号的账号特征。
125.步骤504，将账号交互特征和网络账号特征输入特征传播映射模型中进行特征传播映射，获得特征传播映射模型输出的网络传播账号特征。
126.其中，账号交互特征根据社交网络中各社交账号之间的交互行为得到，即账号交互特征包括社交网络中所有社交账号之间的交互行为。特征传播映射模型可以为机器学习模型，如可以为基于神经网络算法或深度学习算法训练得到的网络模型。特征传播映射模型可以预先训练得到，特征传播映射模型可以根据输入的账号交互特征和网络账号特征输入特征进行特征传播映射，并输出网络传播账号特征。网络传播账号特征包括社交网络中各社交账号分别对应的传播账号特征，网络传播账号特征由特征传播映射模型对社交网络的账号交互特征和网络账号特征进行特征传播映射，即对社交网络中的各社交账号统一进行特征传播映射，得到包括各社交账号相应传播账号特征的网络传播账号特征。
127.具体地，服务器可以查询预先通过神经网络算法或深度学习算法训练得到的特征传播映射模型，服务器将账号交互特征和网络账号特征输入特征传播映射模型中，以由特征传播映射模型进行特征传播映射，并获得特征传播映射模型输出的网络传播账号特征。
128.步骤506，从网络传播账号特征中提取目标账号对应的传播账号特征。
129.得到网络传播账号特征后，该网络传播账号特征中包括社交网络中所有社交账号的传播账号特征，则可以由服务器从网络传播账号特征中提取得到目标账号对应的传播账号特征。具体地，服务器可以根据目标账号与网络账号特征的映射关系，从特征传播映射模型输出的网络传播账号特征中，按照该映射关系提取得到目标账号对应的传播账号特征。
130.本实施例中，服务器通过预先训练完成的特征传播映射模型，基于社交网络的账号交互特征和网络账号特征进行特征传播映射，从而由特征传播映射模型对社交网络中的各社交账号进行特征传播映射，得到社交网络对应的网络传播账号特征，网络传播账号特征中包括社交网络中各社交账号对应的传播账号特征，服务器再从网络传播账号特征中提取得到目标账号对应的传播账号特征。通过特征传播映射模型进行特征传播映射，可以准确、快速地对社交网络中的各社交账号进行特征传播映射，有利于提高对社交网络中的社交账号进行信息推荐的处理效率和推荐准确性。
131.在一个实施例中，将账号交互特征和网络账号特征输入特征传播映射模型中进行特征传播映射，包括：通过标准化条件对账号交互特征进行标准化处理，得到标准化的账号交互特征；将标准化的账号交互特征和网络账号特征输入特征传播映射模型中进行特征传播映射。
132.其中，标准化条件可以根据实际需要进行设置，具体可以包括特征标准化公式，通过对账号交互特征进行标准化处理，可以确保在通过特征传播映射模型进行特征传播映射时，能够控制输出的网络传播账号特征的维度数目，能够降低网络传播账号特征的复杂度，有利于提高信息推荐的处理效率。
133.具体地，在得到账号交互特征和网络账号特征后，服务器获取预先设置的标准化条件，如账号交互特征包括账号交互特征矩阵时，可以通过账号交互特征矩阵的对角矩阵与账号交互特征矩阵的乘积，实现对账号交互特征矩阵的标准化处理，标准化条件可以根据实际需要进行灵活设置。服务器通过标准化条件对账号交互特征进行标准化处理，得到标准化的账号交互特征。服务器将标准化的账号交互特征和网络账号特征输入特征传播映射模型中，以由特征传播映射模型根据标准化的账号交互特征和网络账号特征进行特征传播映射，并输出网络传播账号特征。
134.本实施例中，通过标准化条件对账号交互特征进行标准化处理，并由特征传播映射模型基于标准化的账号交互特征和网络账号特征进行特征传播映射，在特征传播映射模型进行多次特征传播映射处理时，可以有效控制数据的维度，降低特征传播映射模型输出的传播账号特征的复杂度，可以提高基于传播账号特征进行信息推荐的处理效率。
135.在一个实施例中，如图6所示，推荐目标信息的处理，即将传播账号特征和各信息交互特征进行匹配，并将根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐，包括：
136.步骤602，通过匹配模型对传播账号特征和各信息交互特征进行匹配，得到匹配模型输出的匹配结果。
137.其中，匹配模型可以为机器学习模型，如可以为基于神经网络算法或深度学习算法训练得到的网络模型，如可以为多层感知机模型。匹配模型可以根据输入的传播账号特征和信息交互特征分别进行匹配，输出传播账号特征与信息交互特征的匹配结果，匹配结果可以反映传播账号特征与信息交互特征之间的相似程度，传播账号特征与信息交互特征
的相似度越高，则传播账号特征与信息交互特征越匹配，则可以将信息交互特征对应的待推荐信息向该目标账号进行推荐。
138.具体地，服务器在将传播账号特征和各信息交互特征进行匹配时，服务器查询预先训练的匹配模型，服务器将传播账号特征和各信息交互特征依次输入到匹配模型中分别进行匹配，获得由匹配模型输出的匹配结果。
139.步骤604，基于匹配结果从各待推荐信息中确定目标信息。
140.其中，目标信息为根据匹配结果从各待推荐信息中确定的需要向目标账号进行推荐的信息，即目标信息为从各待推荐信息中筛选得到的向目标账号进行推荐的信息。具体地，得到匹配模型输出的匹配结果后，服务器根据匹配结果从各待推荐信息中确定目标信息。具体实现时，服务器可以将匹配结果与预设的推荐条件进行比较，从而确定满足推荐条件的匹配结果，并将满足推荐条件的匹配结果所对应的待推荐信息确定为目标信息。例如，匹配结果包括匹配相似度时，推荐条件可以为相似度阈值，则可以从匹配结果中确定匹配相似度大于相似度阈值的匹配结果，并将匹配相似度大于相似度阈值的匹配结果所对应的待推荐信息确定为目标信息。
141.步骤606，将目标信息向目标账号对应的终端进行推荐。
142.从各待推荐信息中确定目标信息后，服务器将目标信息向目标账号对应的终端进行推荐。具体可以由服务器根据目标信息生成信息推荐消息，并将信息推荐消息发送至目标账号对应的终端。在具体应用时，服务器可以在接收到目标账号对应的终端上传的信息推荐请求时，将目标信息向目标账号对应的终端进行推荐，也可以在满足信息推荐触发条件时，如达到信息推荐周期时，服务器主动向目标账号对应的终端推荐目标信息。
143.本实施例中，服务器通过预先训练的匹配模型对传播账号特征和各信息交互特征进行匹配，并根据匹配结果从各待推荐信息中确定目标信息向目标账号对应的终端进行推荐，可以实现传播账号特征和各信息交互特征的准确匹配，从而提高了信息推荐的准确性。
144.在一个实施例中，基于匹配结果从各待推荐信息中确定目标信息包括：从匹配结果中确定满足推荐条件的目标匹配结果；将目标匹配结果所对应的待推荐信息确定为目标信息。
145.其中，推荐条件可以根据实际需要进行灵活设置，如可以设置为匹配程度大于匹配程度阈值，或满足匹配程度排序要求等。具体地，服务器获得匹配模型输出的匹配结果后，服务器进一步获取预设的推荐条件，根据推荐条件对匹配结果进行筛选，从而从匹配结果中确定满足推荐条件的目标匹配结果，并确定目标匹配结果对应的待推荐信息，服务器将目标匹配结果所对应的待推荐信息确定为目标信息，以将目标信息向目标账号对应的终端进行推荐。
146.在一个具体应用中，推荐条件为匹配程度大于匹配程度阈值，则服务器可以将匹配结果与预设的匹配程度阈值进行比较，将匹配程度大于匹配程度阈值的匹配结果确定为目标匹配结果，并将目标匹配结果所对应的待推荐信息确定为目标信息。又一个具体应用中，推荐条件为匹配程度最高的20个匹配结果，则服务器可以将匹配结果按照匹配程度从高到低进行排序，服务器取排序前20的匹配结果作为目标匹配结果，并将目标匹配结果所对应的待推荐信息确定为目标信息。
147.本实施例中，通过预设的推荐条件对匹配结果进行筛选，将筛选得到的满足推荐
条件的匹配结果确定为目标匹配结果，从而根据目标匹配结果从待推荐信息中确定目标信息，可以基于推荐条件对匹配结果进行筛选，从而选择与目标账号匹配的目标信息进行推荐，可以提高信息推荐的准确性。
148.在一个实施例中，信息推荐方法还包括：确定目标账号所属的社交网络中各社交账号之间交互行为的统计结果；基于统计结果获得社交网络中各社交账号之间的交互特征；根据社交网络中各社交账号之间的交互特征，生成社交网络对应的账号交互特征。
149.其中，目标账号为社交网络中需要进行信息推荐的用户账号，账号交互特征根据社交网络中各社交账号之间的交互行为得到，交互行为包括用户通过各社交账号进行的聊天、评论、点赞、转发等各种交互操作。统计结果为对各社交账号之间的交互行为进行统计获得的统计数据，如可以包括社交账号之间交互行为的累积次数、交互频率、交互累积时长等。统计结果可以根据实际需要进行设置。交互特征用于表征社交网络中两两社交账号之间的交互行为，具体可以基于社交网络中两两社交账号之间交互行为的统计结果生成，如可以对两两社交账号之间交互行为的统计结果进行特征提取，得到两两社交账号之间的交互特征。
150.具体地，服务器获取目标账号所属的社交网络中各社交账号之间交互行为的统计结果，统计结果可以根据对各社交账号之间交互行为进行统计处理得到，如统计各社交账号之间交互行为的累积次数。服务器基于各社交账号之间交互行为的统计结果，确定各社交账号之间的交互特征，具体可以由服务器对各社交账号之间交互行为的统计结果进行特征化处理，得到各社交账号之间的交互特征。得到社交网络中各社交账号之间的交互特征后，服务器根据各社交账号之间的交互特征生成社交网络对应的账号交互特征，账号交互特征包括各社交账号之间的交互特征。在具体实现时，服务器可以将各社交账号之间的交互特征进行组合，生成社交网络对应的账号交互特征。
151.本实施例中，通过社交网络中各社交账号之间交互行为的统计结果，确定各社交账号之间的交互特征，并基于各社交账号之间的交互特征生成社交网络对应的账号交互特征，基于社交网络中各社交账号间的交互行为构建社交网络对应的账号交互特征，从而可以通过账号交互特征对各社交账号的账号特征进行特征传播映射，基于特征传播映射获得的传播账号特征可以实现对目标账号的准确信息推荐。
152.在一个实施例中，信息推荐方法还包括：确定目标账号所属的社交网络；对社交网络中的各节点进行节点嵌入，得到各节点分别对应的节点特征；各节点与社交网络中的各社交账号对应，各节点之间的节点关系与各社交账号之间的交互行为对应；基于各节点对应的节点特征，确定目标账号对应的账号特征。
153.其中，目标账号为需要进行信息推荐的用户账号，社交网络为目标账号所属社交体系对应的网络，社交网络由各用户对应的社交账号构成。社交网络中的社交账号可以作为社交网络的节点，每一社交账号对应于一个用户，各节点之间的交互行为可以通过连接节点的边进行描述，从而根据各社交账号之间的交互行为，构建社交网络对应的用户节点图。基于用户节点图可以通过嵌入算法，如node2vec算法进行节点嵌入处理，得到用户节点图中各节点分别对应的节点特征。根据节点对应的节点特征，可以得到目标账号对应的账号特征，如可以将目标账号对应节点的节点特征作为目标账号对应的账号特征。
154.具体地，服务器确定目标账号所属的社交网络，将社交网络中的社交账号映射为
相应的节点，并将社交账号之间的交互行为映射为节点之间的边，在社交账号之间存在交互行为时，通过边连接节点，边的宽度与交互行为的统计结果对应。如图7所示，在社交网络中，包括社交账号a、b、c、d和e，图7中记录了在一定时间段内，社交账号之间的交互行为的统计数据，包括聊天次数、交互累积时长、点赞和评论操作的次数等。如图8所示，将图7中的各社交账号a、b、c、d和e映射为节点a、b、c、d和e，各节点通过边连接，边的宽度反映了社交账号之间的交互行为的统计数据，统计数据具体可以实际需要设置各种类型交互行为的权值，通过加权处理得到。节点a、b、c、d和e与社交账号a、b、c、d和e一一对应，各节点之间的节点关系，如节点的连接关系以及连接的边的宽度，与社交账号之间的交互行为对应。
155.服务器针对社交网络中的各节点进行节点嵌入，如通过node2vec节点嵌入算法对各节点进行节点嵌入，得到各节点分别对应的节点特征。其中，嵌入可以将实体映射到连续的向量空间中，使得实体可以用向量来表示，而节点嵌入可以通过某个节点的嵌入特征找到它在节点图中的邻居节点，并可以将该嵌入特征描述对应的节点。服务器基于各节点对应的节点特征，确定目标账号对应的账号特征。具体实现时，可以由服务器根据目标账号与节点的映射关系，从社交网络中的各节点中确定目标节点，并根据节点嵌入的结果获取目标节点对应的目标节点特征，服务器将目标节点特征确定为目标账号对应的账号特征。
156.本实施例中，通过对与社交网络中的社交账号对应的节点进行节点嵌入处理，可以构建能够准确表达社交账号的账号特征，基于该账号特征进行信息推荐，可以提高信息推荐的准确性。
157.在一个实施例中，对社交网络中的各节点进行节点嵌入，得到各节点分别对应的节点特征，包括：根据社交网络中各节点之间的节点关系，确定各节点之间的游走权重；以每个节点为起点，基于游走权重在社交网络中进行节点游走，形成各节点游走轨迹；通过嵌入模型对各节点游走轨迹进行特征嵌入，得到各节点分别对应的节点特征。
158.其中，游走权重与节点之间的节点关系对应，节点关系反映了社交账号之间的交互行为，社交账号之间的交互行为越丰富、越频繁，则相应的节点关系越亲密，游走权重数值越大。节点游走轨迹为以社交网络中的节点为起点，根据连接节点的边进行游走得到的轨迹。嵌入模型可以对节点游走轨迹进行特征映射，具体可以为基于word2vec词向量嵌入算法预先构建的网络模型，嵌入模型可以对输入的节点游走轨迹进行特征嵌入处理，将节点游走轨迹映射成相应节点的节点特征，节点特征反映了相应节点在社交网络中的交互关系。
159.具体地，服务器确定社交网络中各节点之间的节点关系，节点关系与各社交账号之间的交互行为对应，服务器根据节点关系确定相应节点之间的游走权重。例如，可以预先建立节点关系与游走权重之间的映射关系，从而可以根据该映射关系查询得到各节点的节点关系所对应的游走权重。服务器以每个节点为起点，基于游走权重在社交网络的各节点间进行节点游走，具体根据节点间连接的边在节点间进行随机游走，形成各节点游走轨迹。服务器通过预先训练的嵌入模型，对获得的各节点游走轨迹分别进行特征嵌入处理，具体可以由服务器将各节点游走轨迹分别输入嵌入模型中，由嵌入模型进行特征嵌入处理，并输出各节点分别对应的节点特征。
160.本实施例中，通过节点关系确定的游走权重，使各节点在社交网络中进行带权游走，并通过嵌入模型对获得的各节点游走轨迹进行特征嵌入，可以获得基于节点嵌入算法
的节点特征，节点特征反映了社交网络中社交账号之间的交互行为，可以对社交账号在社交网络的社交关系进行准确表达，基于社交账号的账号特征进行信息推荐，可以提高信息推荐的准确性。
161.在一个实施例中，信息推荐方法还包括：确定每个待推荐信息对各自的交互社交账号；交互社交账号为社交网络中对相应待推荐信息产生过交互操作的社交账号；对各交互社交账号对应的账号特征进行特征聚合，得到相应待推荐信息的信息交互特征。
162.其中，待推荐信息为能够进行推荐的信息，具体可以为各种类型的信息，如音视频、图片、文本、网页、名片等各种数据信息。信息交互特征为每个待推荐信息的特征，信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的。
163.具体地，服务器确定每个待推荐信息对各自的交互社交账号，交互社交账号为社交网络中对相应待推荐信息产生过交互操作的社交账号。例如，社交网络中，社交账号a、b和d均对待推荐信息r产生过交互操作，如浏览过待推荐信息r，或对待推荐信息r进行点赞操作过，则对于待推荐信息r，其交互社交账号包括社交账号a、b和d，而对于社交账号c，其未对待推荐信息r产生过交互操作，待推荐信息r的交互社交账号不包括社交账号c。
164.服务器确定各交互社交账号对应的账号特征，并将各交互社交账号对应的账号特征进行特征聚合，得到相应待推荐信息的信息交互特征。在具体实现时，服务器可以对各交互社交账号对应的账号特征进行融合，如可以进行平均池化处理，得到待推荐信息的信息交互特征，信息交互特征综合了对待推荐信息产生过交互操作的交互社交账号的账号特征，从而通过交互社交账号对应的账号特征对待推荐信息的特征进行描述，以便基于社交网络中的社交关系进行信息推荐处理。
165.本实施例中，根据对待推荐信息产生过交互操作的交互社交账号的账号特征进行特征聚合，获得相应待推荐信息的信息交互特征，从而可以融合交互社交账号对应的账号特征，通过交互社交账号对应的账号特征对待推荐信息的特征进行描述，以便基于社交网络中的社交关系进行信息推荐处理，实现基于社网络中的社交关系进行信息推荐，提高了信息推荐的准确性。
166.在一个实施例中，如图9所示，提供了一种信息推荐方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
167.步骤902，获取目标账号所属社交网络对应的账号交互特征；账号交互特征根据社交网络中各社交账号之间的交互行为得到。
168.本实施例中，账号交互特征根据社交网络中各社交账号之间的交互行为得到，具体包括：确定目标账号所属的社交网络中各社交账号之间交互行为的统计结果；基于统计结果获得社交网络中各社交账号之间的交互特征；根据社交网络中各社交账号之间的交互特征，生成社交网络对应的账号交互特征。账号交互特征反映了社交网络中各社交账号支架的交互关系。
169.步骤904，确定根据社交网络中各社交账号的账号特征构建的网络账号特征；网络账号特征包括目标账号对应的账号特征；
170.步骤906，通过标准化条件对账号交互特征进行标准化处理，得到标准化的账号交互特征；
171.步骤908，将标准化的账号交互特征和网络账号特征输入特征传播映射模型中进行特征传播映射，获得特征传播映射模型输出的网络传播账号特征；
172.步骤910，从网络传播账号特征中提取目标账号对应的传播账号特征。
173.本实施例中，网络账号特征根据社交网络中各社交账号的账号特征构建得到，网络账号特征包括社交网络中所有社交账号的账号特征，具体包括目标账号对应的账号特征，以及与目标账号存在交互行为的交互社交账号的账号特征。账号交互特征包括账号交互特征矩阵，标准化条件为通过账号交互特征矩阵的对角矩阵与账号交互特征矩阵的乘积的标准化处理规则。特征传播映射模型为预先基于神经网络算法训练的机器学习模型，特征传播映射模型可以根据输入的账号交互特征和网络账号特征输入特征进行特征传播映射，并输出包括各社交账号相应传播账号特征的网络传播账号特征，传播账号特征除携带目标账号本身的特征外，还携带有社交网络中与目标账号存在社交关系的社交账号的账号特征。
174.步骤912，获取每个待推荐信息各自的信息交互特征；信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的。
175.本实施例中，待推荐信息为需要进行推荐的文本、网页、图片或音视频等数据，信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的，用于描述每个待推荐信息的特征。
176.步骤914，通过匹配模型对传播账号特征和各信息交互特征进行匹配，得到匹配模型输出的匹配结果；
177.步骤916，从匹配结果中确定满足推荐条件的目标匹配结果；
178.步骤918，将目标匹配结果所对应的待推荐信息确定为目标信息；
179.步骤920，将目标信息向目标账号对应的终端进行推荐。
180.本实施例中，匹配模型为基于神经网络算法预先训练的多层感知机模型，匹配模型可以根据输入的传播账号特征和信息交互特征分别进行匹配，输出传播账号特征与信息交互特征的匹配结果，匹配结果可以反映传播账号特征与信息交互特征之间的相似程度，传播账号特征与信息交互特征的相似度越高，则传播账号特征与信息交互特征越匹配，则可以将信息交互特征对应的待推荐信息向该目标账号进行推荐。推荐条件为匹配程度大于匹配程度阈值，目标匹配结果为匹配程度大于匹配程度阈值的匹配结果，目标信息为目标匹配结果对应的待推荐信息，确定目标信息后，服务器将目标信息向目标账号对应的终端进行推荐。
181.本实施例中，通过根据社交网络中各社交账号之间的交互行为得到的账号交互特征，对目标账号对应的账号特征进行特征传播映射，从而将社交网络中与目标账号具有交互行为关系的社交账号的账号特征传播映射至目标账号，得到目标账号对应的传播账号特征，并通过传播账号特征和待推荐信息各自的信息交互特征进行匹配，根据匹配结果确定目标信息进行推荐，从而利用了社交网络中各社交账号之间的交互行为关系进行信息推荐，提高了信息推荐的准确性。
182.本技术还提供一种应用场景，该应用场景应用上述的信息推荐方法。具体地，该信息推荐方法在该应用场景的应用如下：
183.该应用场景中需要进行推荐的信息为短视频，短视频即短片视频，是一种互联网
内容传播方式，一般是在互联网新媒体上传播的时长在30分钟以内的视频；随着移动终端普及和网络的提速，短平快的大流量传播内容逐渐获得各大平台、粉丝和资本的青睐。
184.由于短视频娱乐的兴起时间短，短视频推荐成为各大互联网公司寸土必争的主战场。尽管传统处理中通过协同过滤等算法进行短视频推荐，但是对于某些后入场的平台，由于其积累较少，尽管具有大量的用户社交网络信息，用户实际对短视频的浏览行为较少，导致直接使用成熟算法进行短视频推荐的效果不佳。例如，传统的短视频推荐处理中，一种方式为基于用户相似度的推荐方法，对于一个给定用户，通过推荐与该用户相似的用户浏览过的短视频给出推荐结果；另一种方式为基于短视频的推荐方法，给定一个用户，通过推荐与该用户浏览视频最相似的视频的方法给出推荐结果。此外，传统推荐处理中，还可以基于匹配度的推荐技术主要通过计算给定用户与候选集视频的匹配度，然后按照匹配度对候选集视频进行排序，随后推荐匹配度最高的几个视频。然而，传统的短视频推荐处理中，能够得到准确推荐的前提需要积累足够的用户浏览点击数据，而在用户的浏览数据量较少时，无法进行准确的短视频推荐。
185.基于此，对于拥有大量的社交网络数据的平台，可以利用用户的社交网络数据进行短视频推荐。相比传统的推荐方法，由于用户的社交网络中含有大量具有相同兴趣的好友，此外，用户通常与好友有着相似的圈子与兴趣如：金融圈、学生圈、科研圈、消费等级、篮球、羽毛球、游泳等。基于社交网络中的社交关系进行短视频推荐，能够通过对与用户账号具有社交关系的账号的聚合来描述用户账号，从而更好的通过社交信息进行短视频推荐，提高了短视频推荐的准确性。
186.具体地，对于社交网络g＝(a,x)，a是账号交互特征，根据社交网络中各用户的社交账号之间的交互行为得到，a具体可以用户网络矩阵，若社交网络中的全体用户数量为n，则用户网络矩阵a中包括n各用户的社交账号之间的交互特征。用户网络矩阵a根据多种交互行为信息构建，如根据用户聊天数量、用户聊天频率、用户朋友圈互动评率等交互行为特征生成。x为用户的社交账号的账号特征。对于社交网络g，可以基于用户历史行为，如用户之间的交互行为，将全网用户连接成用户网络，用户间的连边由用户亲密度决定，用户亲密度根据用户之间的交互行为确定。如果两个用户间有较多交互行为，则两个用户连线权重较高，如果两个用户间交互行为较少，则两个用户连线权重较低。如果两个用户间没有交互行为，则两个用户间没有连线。其中衡量用户交互行为可以通过用户交互行为次数、交互行为累计时长、交互人数、交互频率排序、最近一星期交互天数等各种指标共同决定。
187.例如，对于用户u1、u2和u3，若u1、u2交互次数较多，则u1与u2之间的连线权重较高；若u1和u3的交互次数较少，则u1与u3的连线权重较低；若u1与其他用户无交互，则u1与其他用户无连线。进一步地，对于用户i，j之间的亲密度，可以令用户i和用户j之间的交互次数为c
ij
，而用户i和用户j之间的交互特征可以为a
ij
＝log(1+c
ij
)，用户网络矩阵a根据社交网络中所有用户之间的交互特征得到。
188.进一步地，用户的社交账号的账号特征x通过对用户的社交账号进行向量化嵌入处理得到。具体地，通过向量特征来描述社交网络中的每一个用户，向量化嵌入的物理意义是通过向量来描述用户的社交行为，使得社交关系相近的用户的向量表示比较相近，相应的社交关系比较遥远的用户，向量表示差异较大。具体采用node2vec节点嵌入的无监督用户嵌入方法，对社交网络中的用户进行嵌入处理，如可以以每个用户对应的社交账号为节
点，从每个节点出发，随机游走多条轨迹，并将全部游走出的轨迹作为语料库输入至word2vec词向量嵌入模型中进行向量化嵌入，得到用户的社交账号的账号特征x。其中，word2vec词向量嵌入模型可以基于word2vec算法进行训练，每个用户都可以通过一个向量进行表示。此外，社交网络中相近的节点表示较为相似，同时，由于图中不同用户之间的连线权重不同，因此在进行嵌入时考虑到权重的影响使用带权随机游走，得到用户的社交账号的账号特征。具体地，x＝{x1,x2,...xn}，其中，x1,x2,...xn为每个用户的社交账号的账号特征，x为社交网络中所有用户的社交账号的账号特征构成的矩阵，n为社交网络中用户数量。
189.进一步地，通过对访问某一短视频的所有用户的特征进行聚合，从而使得可以通过向量化的方式来表示每个短视频。每个短视频对应的向量的物理意义为，每个短视频的向量表示与喜欢访问或浏览该短视频的用户的特征点乘，即用户与该短视频的相似度高。具体地，对于某一短视频，访问过该短视频的用户列表为(u1,u2,u3,u4,
…
uk)，k为访问过该短视频的所有用户的总量。则可以通过对访问过该短视频的用户的账号特征进行平均池化(mean pooling)得到，即短视频的信息交互特征对应的，所有短视频的信息交互特征构成的矩阵i＝{i1,i2,...in}，n为所有短视频的数量。
190.进一步地，通过社交关系聚合的方式，更好的描述每个用户的信息。通过基于社交关系聚合用户特征，可以在用户自身特征的基础上，同时考虑用户对应的交互用户的信息，通过对用户邻居的描述，可以更好的描述该用户的性质和兴趣，从而提高短视频推荐的准确性。具体地，利用用户的社交账号矩阵x以及用户网络矩阵a来进行信息传递。为了保证多次特征传播映射之后各用户的信息量的信息能保持在固定的量级上，可以对用户网络矩阵a进行标准化处理，具体可以通过下列三式中的任一公式对用户网络矩阵a进行标准化处理：
[0191][0192][0193][0194]
其中，为用户网络矩阵a进行标准化处理后的结果，d为对角矩阵，具体d
ij
＝∑
jaij
，i为单位矩阵。
[0195]
在对所有用户的社交账号的账号特征构成的矩阵x进行特征传播映射时，未进行特征传播映射的用户特征h
(0)
＝x，通过下式进行特征传播映射，
[0196][0197]
其中，h
(l+1)
为第一次特征传播映射的结果，σ为非线性函数，如可以为relu函数，h
(l)
为第一次特征传播映射的初始值，w
(l)
为第一次特征传播映射的映射矩阵。
[0198]
若特征传播映射的传播次数为k，则可以得到，
[0199][0200]
其中，h
(k)
为k次特征传播映射的结果。
[0201]
通过社交网络中的社交关系进行特征传播映射后，可以通过多层感知机来预测用户和短视频的匹配度，即可以将用户u和视频i的表示输入到多层感知机中得到预测结果。如针对用户u和视频i，用户短视频对ui的预测匹配度为如下式，
[0202][0203]
其中，为用户u与短视频i的匹配度，mlp()为多层感知机，uu为用户u的账号特征，ii为短视频i的特征。在训练多层感知机时，可以通过随机筛选正样本(即真实发生的用户视频对)以及负样本(即未发生的用户视频对)来对mlp以及特征传播映射中的映射矩阵参数进行训练。
[0204]
进一步地，在针对目标用户进行短视频推荐时，可以先获取到社交网络中全部用户的网络账号特征u，然后当用户u触发短视频浏览请求时，通过上述短视频信息推荐方法，比较用户u与候选集中全部短视频的相似度，随后选择排序最高的一部分短视频进行推荐，从而利用社交网络中的社交关系进行短视频推荐，提高了短视频推荐的准确性。
[0205]
本技术还另外提供一种应用场景，该应用场景应用上述的信息推荐方法。
[0206]
具体地，该信息推荐方法在该应用场景的应用如下：
[0207]
用户通过社交网络中的社交账号登录电子书平台，在用户触发进行电子书推荐时，服务器获取用户账号所属社交网络对应的账号交互特征，通过账号交互特征，对用户账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得用户账号对应的传播账号特征，服务器获取电子书平台中每个电子书各自的信息交互特征，并将传播账号特征和各信息交互特征进行匹配，并将根据匹配结果从各电子书中确定的目标电子书向用户账号对应的终端进行推荐。
[0208]
此外，在其他应用场景中，信息推荐所针对的还可以为音乐、图片、网页等各种互联网信息资源。
[0209]
应该理解的是，虽然图2、图3、图5、图6和图9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3、图5、图6和图9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0210]
在一个实施例中，如图10所示，提供了一种信息推荐装置1000，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：账号交互特征获取模块1002、特征传播映射模块1004、信息交互特征获取模块1006和目标信息推荐模块1008，其中：
[0211]
账号交互特征获取模块1002，用于获取目标账号所属社交网络对应的账号交互特
征；账号交互特征根据社交网络中各社交账号之间的交互行为得到；
[0212]
特征传播映射模块1004，用于通过账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征；
[0213]
信息交互特征获取模块1006，用于获取每个待推荐信息各自的信息交互特征；信息交互特征是基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成的；
[0214]
目标信息推荐模块1008，用于将传播账号特征和各信息交互特征进行匹配，并将根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。
[0215]
上述信息推荐装置，通过根据社交网络中各社交账号之间的交互行为得到的账号交互特征，对目标账号对应的账号特征进行特征传播映射，根据特征传播映射的结果获得目标账号对应的传播账号特征，并将传播账号特征与每个待推荐信息各自的信息交互特征进行匹配，信息交互特征基于社交网络中对相应待推荐信息产生过交互操作的社交账号的账号特征生成，根据匹配结果从各待推荐信息中确定的目标信息向目标账号对应的终端进行推荐。在信息推荐处理过程中，通过根据社交网络中各社交账号之间的交互行为得到的账号交互特征，对目标账号对应的账号特征进行特征传播映射，从而将社交网络中与目标账号具有交互行为关系的社交账号的账号特征传播映射至目标账号，得到目标账号对应的传播账号特征，并通过传播账号特征和待推荐信息各自的信息交互特征进行匹配，根据匹配结果确定目标信息进行推荐，从而利用了社交网络中各社交账号之间的交互行为关系进行信息推荐，提高了信息推荐的准确性。
[0216]
在一个实施例中，特征传播映射模块1004包括目标交互特征提取模块、交互账号特征获取模块、传播映射迭代模块和传播账号特征确定模块；其中：目标交互特征提取模块，用于从账号交互特征中提取与目标账号对应的目标账号交互特征；交互账号特征获取模块，用于获取目标账号交互特征对应的交互社交账号的账号特征；传播映射迭代模块，用于基于目标账号交互特征、交互社交账号的账号特征和传播映射参数，对目标账号对应的账号特征进行迭代特征传播映射，得到特征传播映射的结果；传播账号特征确定模块，用于根据特征传播映射的结果确定目标账号对应的传播账号特征。
[0217]
在一个实施例中，传播映射迭代模块包括当前账号特征确定模块和传播映射处理模块；其中：当前账号特征确定模块，用于将目标账号对应的账号特征确定为当前账号特征；传播映射处理模块，用于基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，得到本次迭代特征传播映射的结果；将本次迭代特征传播映射的结果作为当前账号特征，并返回基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播映射，得到本次迭代特征传播映射的结果的步骤。
[0218]
在一个实施例中，传播映射处理模块包括特征传播模块和非线性映射模块；其中：特征传播模块，用于基于目标账号交互特征、交互社交账号的账号特征和本次迭代特征传播映射的传播映射参数，对当前账号特征进行特征传播，得到特征传播结果；非线性映射模块，用于对特征传播结果进行非线性映射，得到本次迭代特征传播映射的结果。
[0219]
在一个实施例中，特征传播映射模块1004包括网络账号特征确定模块、模型特征传播映射模块和模型输出处理模块；其中：网络账号特征确定模块，用于确定根据社交网络
中各社交账号的账号特征构建的网络账号特征；网络账号特征包括目标账号对应的账号特征；模型特征传播映射模块，用于将账号交互特征和网络账号特征输入特征传播映射模型中进行特征传播映射，获得特征传播映射模型输出的网络传播账号特征；模型输出处理模块，用于从网络传播账号特征中提取目标账号对应的传播账号特征。
[0220]
在一个实施例中，模型特征传播映射模块包括标准化处理模块和特征输入模块；其中：标准化处理模块，用于通过标准化条件对账号交互特征进行标准化处理，得到标准化的账号交互特征；特征输入模块，用于将标准化的账号交互特征和网络账号特征输入特征传播映射模型中进行特征传播映射。
[0221]
在一个实施例中，目标信息推荐模块1008包括特征匹配模块、目标信息确定模块和目标信息处理模块；其中：特征匹配模块，用于通过匹配模型对传播账号特征和各信息交互特征进行匹配，得到匹配模型输出的匹配结果；目标信息确定模块，用于基于匹配结果从各待推荐信息中确定目标信息；目标信息处理模块，用于将目标信息向目标账号对应的终端进行推荐。
[0222]
在一个实施例中，目标信息确定模块包括推荐条件筛选模块和筛选结果处理模块；其中：推荐条件筛选模块，用于从匹配结果中确定满足推荐条件的目标匹配结果；筛选结果处理模块，用于将目标匹配结果所对应的待推荐信息确定为目标信息。
[0223]
在一个实施例中，还包括统计结果确定模块、交互特征获得模块和账号交互特征生成模块；其中：统计结果确定模块，用于确定目标账号所属的社交网络中各社交账号之间交互行为的统计结果；交互特征获得模块，用于基于统计结果获得社交网络中各社交账号之间的交互特征；账号交互特征生成模块，用于根据社交网络中各社交账号之间的交互特征，生成社交网络对应的账号交互特征。
[0224]
在一个实施例中，还包括社交网络确定模块、节点嵌入模块和账号特征确定模块；其中：社交网络确定模块，用于确定目标账号所属的社交网络；节点嵌入模块，用于对社交网络中的各节点进行节点嵌入，得到各节点分别对应的节点特征；各节点与社交网络中的各社交账号对应，各节点之间的节点关系与各社交账号之间的交互行为对应；账号特征确定模块，用于基于各节点对应的节点特征，确定目标账号对应的账号特征。
[0225]
在一个实施例中，节点嵌入模块包括权值确定模块、游走模块和游走轨迹处理模块；其中：权值确定模块，用于根据社交网络中各节点之间的节点关系，确定各节点之间的游走权重；游走模块，用于以每个节点为起点，基于游走权重在社交网络中进行节点游走，形成各节点游走轨迹；游走轨迹处理模块，用于通过嵌入模型对各节点游走轨迹进行特征嵌入，得到各节点分别对应的节点特征。
[0226]
在一个实施例中，还包括交互社交账号确定模块和信息交互特征获得模块；其中：交互社交账号确定模块，用于确定每个待推荐信息对各自的交互社交账号；交互社交账号为社交网络中对相应待推荐信息产生过交互操作的社交账号；信息交互特征获得模块，用于对各交互社交账号对应的账号特征进行特征聚合，得到相应待推荐信息的信息交互特征。
[0227]
关于信息推荐装置的具体限定可以参见上文中对于信息推荐方法的限定，在此不再赘述。上述信息推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储
于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0228]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信息推荐方法。
[0229]
本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0230]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0231]
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0232]
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
[0233]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0234]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0235]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。