一种当前页面信息刷新方法和系统

摘要

本申请实施例公开了一种当前页面信息刷新方法和系统。该方法可以包括：响应于接收到用户的信息刷新请求，获取当前显示的信息数据；基于所述信息刷新请求和所述当前显示的信息数据，确定用户可能感兴趣的信息；向用户展示所述可能感兴趣的信息。本申请通过当前显示的信息数据确定用户可能感兴趣的信息，并向用户推荐与当前显示的信息数据类型不同的数据内容，拓宽了用户的浏览视野，提高了用户的体验度。

说明书

技术领域

本申请涉及内容推荐领域，特别涉及一种当前页面信息刷新方法和系统。

背景技术

随着互联网技术的迅速发展，用户打开视频、资讯、音乐、购物等网站时，都会收到该网站推荐的内容。对于网站推荐的内容，用户可能并不感兴趣，而想要了解更多不同类型的新信息。因此，有必要提供一种当前页面信息刷新方法和系统。

发明内容

本申请实施例之一提供一种当前页面信息刷新方法。所述方法包括响应于接收到用户的信息刷新请求，获取当前显示的信息数据；基于所述信息刷新请求和所述当前显示的信息数据，确定用户可能感兴趣的信息；向用户展示所述可能感兴趣的信息。

在一些实施例中，所述用户的信息刷新请求的方式包括手势密码、连续点击操作、点击按键操作、停顿触摸屏幕操作、连续晃动操作、语音输入操作、人脸识别、表情识别或虹膜识别。

在一些实施例中，所述信息刷新请求为信息反向刷新请求。

在一些实施例中，所述信息刷新请求包括反向阈值，所述反向阈值用于表征刷新后的信息与所述当前显示的信息数据的关联度。

在一些实施例中，所述反向阈值的类型至少包括同类反向、不同类反向或异类小众反向。

在一些实施例中，所述基于所述信息刷新请求和所述当前显示的信息数据，确定用户可能感兴趣的信息包括：基于所述当前显示的信息数据，确定当前显示的信息数据类型；基于所述信息刷新请求和所述当前显示的信息数据类型，对所述当前显示的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型；基于所述用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。

在一些实施例中，所述基于所述当前显示的信息数据，确定当前显示的信息数据类型包括：利用机器学习模型处理所述当前显示的信息数据，确定当前显示的信息数据类型。

在一些实施例中，所述机器学习模型包括分类模型；所述机器学习模型通过以下方法获得：获取训练样本；所述训练样本包括历史显示的信息数据以及历史显示的信息数据类型；其中，将所述历史显示的信息数据类型标记作为参考信息数据类型；基于所述训练样本，训练初始模型得到所述机器学习模型。

在一些实施例中，所述基于所述当前显示的信息数据类型，对所述当前显示的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型包括：基于所述当前显示的信息数据类型，选取反向阈值的类型中至少一种数据类型，将其作为所述用户可能感兴趣的信息类型。

在一些实施例中，所述基于所述信息刷新请求和所述当前显示的信息数据，确定用户可能感兴趣的信息包括：响应于接收到用户的信息刷新请求，获取用户的历史浏览信息；基于所述当前显示的信息数据和所述用户的历史浏览信息，确定不感兴趣的信息数据类型；基于所述信息刷新请求和所述不感兴趣的信息数据类型，对所述不感兴趣的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型；基于所述用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。

在一些实施例中，所述向用户展示所述可能感兴趣的信息包括：根据Feed流的方式在用户终端上展示所述可能感兴趣的信息中至少一部分。

本申请实施例之一提供一种当前页面信息刷新系统。所述系统包括：用于存储计算机指令的至少一个存储器；与所述存储器通讯的至少一个处理器，其中当所述至少一个处理器执行所述计算机指令时，所述至少一个处理器使所述系统执行：响应于接收到用户的信息刷新请求，获取当前显示的信息数据；基于所述信息刷新请求和所述当前显示的信息数据，确定用户可能感兴趣的信息；向用户展示所述可能感兴趣的信息。

在一些实施例中，所述信息刷新请求为信息反向刷新请求。

在一些实施例中，为基于所述信息刷新请求和所述当前显示的信息数据，确定用户可能感兴趣的信息，所述至少一个处理器使所述系统进一步执行：基于所述当前显示的信息数据，确定当前显示的信息数据类型；基于所述信息刷新请求和所述当前显示的信息数据类型，对所述当前显示的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型；基于所述用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。

在一些实施例中，为基于所述当前显示的信息数据，确定当前显示的信息数据类型，所述至少一个处理器使所述系统进一步执行：利用机器学习模型处理所述当前显示的信息数据，确定当前显示的信息数据类型。

在一些实施例中，为基于所述当前显示的信息数据类型，对所述当前显示的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型，所述至少一个处理器使所述系统进一步执行：基于所述当前显示的信息数据类型，选取反向阈值的类型中至少一种数据类型，将其作为所述用户可能感兴趣的信息类型。

在一些实施例中，为基于所述信息刷新请求和所述当前显示的信息数据，确定用户可能感兴趣的信息，所述至少一个处理器使所述系统进一步执行：响应于接收到用户的信息刷新请求，获取用户的历史浏览信息；基于所述当前显示的信息数据和所述用户的历史浏览信息，确定不感兴趣的信息数据类型；基于所述信息刷新请求和所述不感兴趣的信息数据类型，对所述不感兴趣的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型；基于所述用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。

在一些实施例中，为向用户展示所述可能感兴趣的信息，所述至少一个处理器使所述系统进一步执行：根据Feed流的方式在用户终端上展示所述可能感兴趣的信息中至少一部分。

本申请实施例之一提供一种当前页面信息刷新系统。所述系统包括：获取模块，用于响应于接收到用户的信息刷新请求，获取当前显示的信息数据；确定模块，用于基于所述信息刷新请求和所述当前显示的信息数据，确定用户可能感兴趣的信息；展示模块，用于向用户展示所述可能感兴趣的信息。

根据本申请的另一方面，涉及一种计算机可读存储介质。所述存储介质存储计算机指令，当计算机读取所述存储介质中的所述计算机指令后，所述计算机执行如本申请任一实施例所述的方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请一些实施例所示的当前页面信息刷新系统的应用场景示意图；

图2是根据本申请一些实施例所示的当前页面信息刷新系统的模块图；

图3是根据本申请一些实施例所示的当前页面信息刷新方法的示例性流程图；

图4是根据本申请一些实施例所示的确定用户可能感兴趣信息的方法的示例性流程图；

图5是根据本申请又一实施例所示的确定用户可能感兴趣信息的方法的示例性流程图；以及

图6是根据本申请一些实施例所示的机器学习模型训练方法的示例性流程图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本申请一些实施例所示的当前页面信息刷新系统的应用场景示意图。

当前页面信息刷新系统100可以根据用户的需求刷新当前页面的显示信息，便于用户了解更多其他类型的信息。当前页面信息刷新系统100可以是用于互联网或者其它网络的服务平台。例如，当前页面信息刷新系统100可以是为用户提供资讯信息或视频信息的线上服务平台。在一些实施例中，当前页面信息刷新系统100可以应用于网购服务，例如购买衣物、书、生活用品等。在一些实施例中，当前页面信息刷新系统100还可以应用于出行(如，旅游)服务领域。当前页面信息刷新系统100可以包括但不限于服务器110、用户终端120、存储设备130、信息源140和网络150。

在一些实施例中，服务器110可以用于处理与服务请求有关的信息和/或数据，例如，用于处理用户的信息刷新请求。具体的，服务器110可以从用户终端120接收信息刷新请求，并处理该信息刷新请求以向用户终端120发送用户可能感兴趣的信息。在一些实施例中，服务器110可以是单个的服务器或者服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络150访问存储在存储设备130、用户终端120中的信息和/或数据。再例如，服务器110可以直接连接到存储设备130、用户终端120以访问存储的信息和/或数据。在一些实施例中，服务器110可以在一个云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或上述举例的任意组合。

在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可处理与当前页面信息刷新请求有关的数据和/或信息以执行一个或多个本申请中描述的功能。例如，处理引擎112可以接收用户终端120发送的信息刷新请求，并获取当前显示的信息数据，然后可以基于信息刷新请求和当前显示的信息数据确定用户可能感兴趣的信息，最后可以向用户展示可能感兴趣的信息。在一些实施例中，处理引擎112可以包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理器)。仅作为示例，处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或以上任意组合。

在一些实施例中，用户终端120可以是与信息刷新请求直接相关的个人、工具或其他实体。用户可以是信息刷新请求者。在本申请中，“用户”、“用户终端”可以互换使用。在一些实施例中，用户终端120可以包括移动设备120-1、平板电脑120-2、笔记本电脑120-3、以及台式电脑120-4等或其任意组合。在一些实施例中，移动设备120-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强型虚拟现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlass、Oculus Rift、HoloLens或Gear VR等。

存储设备130可以存储与用户的信息刷新请求相关的数据和/或指令。在一些实施例中，存储设备130可以存储当前显示的信息数据。在一些实施例中，存储设备130可以存储用户的历史浏览信息。在一些实施例中，存储设备130可以存储服务器110用于执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的挥发性只读存储器可以包括随机存取内存(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电子可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中，所述存储设备130可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备130可以连接到网络150以与当前页面信息刷新系统100中的一个或以上组件(例如，服务器110、用户终端120)通信。当前页面信息刷新系统100中的一个或以上组件可以通过网络150访问存储设备130中存储的数据或指令。在一些实施例中，存储设备130可以与当前页面信息刷新系统100中的一个或以上组件(例如，服务器110、用户终端120)直接连接或通信。在一些实施例中，存储设备130可以是服务器110的一部分。

网络150可以促进信息和/或数据的交换。在一些实施例中，当前页面信息刷新系统100中的一个或以上组件(例如，服务器110、用户终端120和存储设备130)可以通过网络150向/从当前页面信息刷新系统100中的其他组件发送和/或接收信息和/或数据。例如，服务器110可以通过网络150从用户终端120获得/获取服务请求(如，信息刷新请求)。在一些实施例中，网络150可以为任意形式的有线或无线网络或其任意组合。仅作为示例，网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等或其任意组合。在一些实施例中，当前页面信息刷新系统100可以包括一个或以上网络接入点。例如，当前页面信息刷新系统100可以包括有线或无线网络接入点，例如基站和/或无线接入点150-1、150-2、…，当前页面信息刷新系统100的一个或以上组件可以通过其连接到网络150以交换数据和/或信息。

在一些实施例中，信息源140可以泛指除用户终端120提供的信息以外的所有信息源。信息源140可以包括但不限于购物网站、门户网站、证券交易所、微博、博客、个人网站、图书馆等可以提供信息的各种信息源。信息源140可以在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。当信息源140在多个个人设备中实现时，个人设备可以生成内容(例如，被称为“用户生成内容”)，例如向云端服务器上传文字、声音、图像、视频等，从而使云端服务器连同与其连接的多个个人设备一起组成信息源。在一些实施例中，信息源140可以提供一些相关信息，包括但不限于证券要闻、大盘分析、社会热点、财经观点、行情分析、行业研报、公司公告、投资机会、基金、大宗商品、港股、美股等中的一种或几种的组合。

图2是根据本申请一些实施例所示的当前页面信息刷新系统的模块图。

如图2所示，该当前页面信息刷新系统可以包括获取模块210、确定模块220、展示模块230和机器学习模型训练模块240。

获取模块210可以用于响应于接收到用户的信息刷新请求，获取当前显示的信息数据。在一些实施例中，用户的信息刷新请求的方式可以包括手势密码、连续点击操作、点击按键操作、停顿触摸屏幕操作、连续晃动操作、语音输入操作、人脸识别、表情识别或虹膜识别。在一些实施例中，信息刷新请求可以为信息反向刷新请求。在一些实施例中，信息刷新请求可以包括反向阈值，反向阈值用于表征刷新后的信息与当前显示的信息数据的关联度。在一些实施例中，反向阈值的类型至少可以包括同类反向、不同类反向或异类小众反向。关于获取当前显示的信息数据的详细描述可以参见图3，在此不再赘述。

确定模块220可以用于基于信息刷新请求和当前显示的信息数据，确定用户可能感兴趣的信息。具体的，可以基于当前显示的信息数据，确定当前显示的信息数据类型，然后可以基于信息刷新请求和当前显示的信息数据类型，对当前显示的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型，从而可以基于用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。关于确定用户可能感兴趣的信息的详细描述可以参见图4的内容，在此不再赘述。

在一些实施例中，还可以基于信息刷新请求、当前显示的信息数据和用户的历史浏览信息，确定用户可能感兴趣的信息。具体的，可以响应于接收到用户的信息刷新请求，获取用户的历史浏览信息，还可以基于当前显示的信息数据和用户的历史浏览信息，确定不感兴趣的信息数据类型，然后可以基于信息刷新请求和不感兴趣的信息数据类型，对不感兴趣的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型，从而可以基于用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。关于确定用户可能感兴趣的信息的详细描述可以参见图5的内容，在此不再赘述。

展示模块230可以用于向用户展示可能感兴趣的信息。具体的，可以根据Feed流的方式在用户终端上展示可能感兴趣的信息中至少一部分。关于向用户展示可能感兴趣的信息的详细描述可以参见图3，在此不再赘述。

机器学习模型训练模块240可以用于训练初始模型得到机器学习模型。具体的，可以获取训练样本，训练样本可以包括历史显示的信息数据以及历史显示的信息数据类型；可以将历史显示的信息数据类型标记作为参考信息数据类型；然后可以基于训练样本，训练初始模型得到机器学习模型。关于训练初始模型得到机器学习模型的详细描述可以参见图6，在此不再赘述。

应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上对于当前页面信息刷新系统及其模块的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，获取模块210、确定模块220、展示模块230和机器学习模型训练模块240可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。又例如，确定模块220以及机器学习模型训练模块240可以是两个模块，也可以是一个模块同时具有确定用户可能感兴趣的信息和模型训练功能。再例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。

图3是根据本申请一些实施例所示的当前页面信息刷新方法的示例性流程图。

步骤310，响应于接收到用户的信息刷新请求，获取当前显示的信息数据。在一些实施例中，步骤310可以由获取模块210实现。

在一些实施例中，用户可以包括使用或浏览当前应用(或称第一方)界面的用户，也可以为通过当前应用界面来使用或浏览第三方应用的用户。第三方应用是相对于当前应用而言的其他应用。例如，腾讯视频网站为当前应用，在腾讯视频网站页面出现了京东的购物广告，则京东为第三方应用，用户通过点击腾讯视频网站页面中京东的购物广告可以跳转至京东的购物页面。

在一些实施例中，信息刷新请求可以包括用户请求重新推荐当前浏览资源的指令。例如，用户在抖音短视频APP界面浏览了一段时间后，希望抖音短视频APP推荐一些新的视频，可以通过下拉页面来发出刷新请求。在一些实施例中，用户发送信息刷新请求的方式可以包括手势密码、连续点击操作、点击按键操作、停顿触摸屏幕操作、连续晃动操作、语音输入操作、人脸识别、表情识别或虹膜识别。手势密码可以包括在屏幕上画×、画√或画Z型等。手势密码还可以包括点击屏幕上密码输入控件，在弹出的密码输入框中输入数字密码或特定字符。连续点击操作可以包括在较短时间(如，3秒)内完成多次(如，2次、3次或4次)点击屏幕操作。点击按键操作可以为在当前应用界面上设置功能按键，通过点击该功能按键即可完成信息刷新请求。停顿触摸屏幕操作可以包括在一段时间(如，3秒、4秒或5秒)内连续触摸屏幕。连续晃动操作可以是基于一定强度持续(如，3秒、4秒或5秒)使用户终端设备处于运动状态(如，强烈摇晃手机5秒)。语音输入操作可以包括用户的语音片段中包含特定的语音内容文本或指令，例如包含“信息刷新”的内容文本或指令。人脸识别可以是通过用户终端设备上的摄像装置拍摄人脸的图像或视频流，并基于脸部特征信息进行身份识别，以验证是否发送信息刷新请求。例如，人脸验证通过，则发送信息刷新请求的指令；反之，则不发送信息刷新请求的指令。表情识别可以是通过用户终端设备上的摄像装置拍摄人脸的图像或视频流，并分离出特定的表情状态，以验证是否发送信息刷新请求。例如，表情状态为“微笑”，则验证通过，发送信息刷新请求的指令；表情状态为其他状态(如，皱眉、哭泣、生气)，则验证不通过，不发送信息刷新请求的指令。虹膜识别可以是通过用户终端设备上的摄像装置拍摄用户的虹膜，以验证是否发送信息刷新请求。例如，虹膜验证通过，则发送信息刷新请求的指令；反之，则不发送信息刷新请求的指令。

在一些实施例中，当前显示的信息数据可以为用户终端上当前显示的第一方应用的信息数据，也可以为用户终端上当前显示的第三方应用的信息数据。

信息刷新请求可以为对当前用户终端页面显示的信息进行刷新的请求。在一些实施例中，信息刷新请求可以为信息同向刷新请求。信息同向刷新请求可以包括用户请求重新推荐与当前用户终端页面显示的信息类型相同的其他信息的指令。在一些实施例中，信息刷新请求还可以为信息反向刷新请求。信息反向刷新请求可以包括用户请求重新推荐与当前用户终端页面显示的信息类型不同的其他信息的指令。在一些实施例中，用户发送信息同向刷新请求或信息反向刷新请求的方式可以为用户提前设置，也可以为系统默认设置。

在一些实施例中，信息刷新请求可以包括反向阈值，反向阈值可以用于表征刷新后的信息与当前显示的信息数据的关联度，即反向的级别或程度。在一些实施例中，反向阈值可以包括0-10级，也可以用其它描述级别强度的符号(如，A-K级)代替，本说明对此不作限制。具体的，若设置反向阈值较高时，可以使推荐内容的反向程度较高，则刷新后的信息与当前显示的信息数据的关联度较低；若设置反向阈值较低时，可以使推荐内容部分反向，则刷新后的信息与当前显示的信息数据的关联度较高。例如，某用户使用汽车类APP，用户长期查看或关注的车价格区间在10-20万之间；当用户设置反向阈值为0级时，该用户发送信息反向刷新请求后，该汽车类APP推荐车型价格都在10-20万之间；当用户设置反向阈值为10级时，该用户发送信息反向刷新请求后，该汽车类APP推荐的是除10-20万价格之外的车型；当用户设置反向阈值为1-9级时，该用户发送信息反向刷新请求后，该汽车类APP推荐一部分10-20万的车型，也推荐一部分其它价位区间的车型。

在一些实施例中，反向阈值的类型至少可以包括同类反向、不同类反向或异类小众反向。同类反向可以是在同属于一个大类里的小类反向，例如，大类里的小类别为体育运动中的篮球，同类反向可以为体育运动中的乒乓球、羽毛球、排球等最新资讯。不同类反向可以为不属于同一大类的反向，例如，某一类别为体育运动，不同类反向可以为娱乐、军事、财经、旅游、历史等。异类小众反向可以是关注度低且关注群体极少的类别(包括大类和/或小类)，例如，天文、数学猜想、宗教研究、冰壶项目等。在一些实施例中，可以设置反向阈值的类型为同类反向、不同类反向和异类小众反向中至少一个。在一些实施例中，反向阈值的设置方式可以包括雷达图、百分比、等级等。在一些实施例中，雷达图可以包括一个或多个反向阈值的类型，通过设置不同反向阈值的类型所占比例，可以调整反向刷新的反向程度。例如，雷达图上包括4个类别：同类不反向、同类反向、不同类反向和异类小众反向，同类不反向可以为与当前显示的信息内容类型相同，通过设置上述4个类别所占比例为：0％、10％、50％、40％，推荐内容中将不会包含与当前显示的信息数据类型相同的内容，但会包括10％同类反向的内容、50％不同类反向和40％异类小众反向。又例如，还可以设置同类不反向所占比例为0％、同类反向所占比例为0％、不同类反向所占比例为0％和异类小众反向所占比例为100％，推荐内容中将会全部推荐异类小众反向的内容。可选地，雷达图上也可以仅包括3个类别：同类反向、不同类反向和异类小众反向，雷达图还可以为其他形式，本申请对此不作限制。通过设置不同类别所占比例，可以使推荐内容进行不同类型和不同程度的反向。又例如，通过设置不同的百分比或等级，可以调整反向刷新的程度，该百分比或等级对应不同反向阈值类型中每一种类别所占的比例。仅作为示例，设置反向阈值的百分比为80％(或等级H)时，推荐内容中可以包含50％不同类反向和50％异类小众反向。该百分比或等级可以为系统预先设定或后台服务器通过相应算法来确定，本申请对此不作限定。在一些实施例中，反向阈值的设置可以是在用户发送信息刷新请求后，应用页面弹出的功能设置框中进行设置；也可以为用户发送信息刷新请求前，在应用页面的功能控件上进行设置；还可以为系统默认设置。

在一些实施例中，用户的信息反向刷新请求可以为用户对当前应用的推荐内容的信息反向刷新请求。

在另一些实施例中，用户的信息反向刷新请求还可以为用户对第三方应用的推荐内容的信息反向刷新请求。第三方应用可以获取用户在当前应用上对第三方应用的信息反向刷新请求。在一些实施例中，第三方应用获取用户对第三方应用的信息反向刷新请求可以是基于第三方应用的插件进行的。第三方应用的插件只能在其程序规定的第一方应用平台(可能同时支持多个平台)上运行，而不能脱离指定的第一方应用平台单独运行。例如，淘宝需要在今日头条、抖音、微博等应用平台投放的广告，第三方应用的淘宝插件可以支持通过今日头条、抖音以及微博等第一方应用平台进入淘宝以进行购物。第三方应用的插件是第三方应用同当前应用进行数据交互的工具，例如，第三方应用的插件可以包括获取当前应用中用户对第三方应用的信息反向刷新请求、获取当前显示的第三方应用的信息数据、确定用户可能感兴趣的第三方应用的信息、向用户展示可能感兴趣的第三方应用的信息等用途。

在一些实施例中，获取模块210可以通过用户在用户终端上的操作(如：手势密码、连续点击操作、点击按键操作、停顿触摸屏幕操作、连续晃动操作、语音输入操作、人脸识别、表情识别或虹膜识别)来获取用户的信息刷新请求。通过设置较简单的信息刷新请求操作，可以使用户在使用应用时更加方便、快捷，给用户带来更好的使用体验。

步骤320，基于信息刷新请求和当前显示的信息数据，确定用户可能感兴趣的信息。在一些实施例中，步骤320可以由确定模块220实现。

在一些实施例中，用户可能感兴趣的信息可以包括用户期望浏览的信息内容。在一些实施例中，用户可能感兴趣的信息可以为用户期望浏览的第一方应用的信息内容，也可以为用户期望浏览的第三方应用的信息内容。

在一些实施例中，可以基于信息刷新请求和当前显示的信息数据，确定用户可能感兴趣的信息。具体的，可以基于当前显示的信息数据，确定当前显示的信息数据类型，然后可以基于信息刷新请求和当前显示的信息数据类型，对当前显示的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型，从而基于用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。关于确定用户可能感兴趣的信息的详细描述可以参见图4，在此不再赘述。

在一些实施例中，还可以基于信息刷新请求、当前显示的信息数据和用户的历史浏览信息，确定用户可能感兴趣的信息。具体的，可以响应于接收到用户的信息刷新请求，获取用户的历史浏览信息，然后可以基于当前显示的信息数据和用户的历史浏览信息，确定不感兴趣的信息数据类型，从而可以基于信息刷新请求和不感兴趣的信息数据类型，对不感兴趣的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型，进而可以基于用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。关于确定用户可能感兴趣的信息的详细描述可以参见图5，在此不再赘述。

在一些实施例中，若用户的信息刷新请求是对第三方应用的信息刷新请求时，第三方应用插件可以根据当前应用的当前显示的信息数据，确定用户可能感兴趣的信息。具体的，第三方应用插件可以将当前应用(第一方应用)的数据类型映射到第三方应用的数据类型上，建立当前应用中至少一种数据类型与第三方应用中至少一种数据类型的对应关系；然后可以根据当前应用的当前显示的信息数据和当前应用(第一方)中的数据类型，确定当前应用的当前显示的信息数据类型，然后根据上述数据类型的对应关系确定第三方应用上对应的信息数据类型，对第三方应用上对应的信息数据类型进行反向处理，从而确定第三方应用上用户可能感兴趣的信息类型，进而确定第三方应用上用户可能感兴趣的信息。在第三方应用上确定用户可能感兴趣的信息的内容与图4的描述类似，在此不作赘述。可选的，当前应用中至少一种数据类型与第三方应用中至少一种数据类型的对应关系可以是一一对应、一对多、多对一或者多对多，本申请对此不作限制。当前应用(第一方应用)的数据类型的获取方法可以参见步骤420，在此不作赘述。

在一些实施例中，若用户的信息刷新请求是对第三方应用的信息刷新请求时，第三方应用插件还可以根据当前应用的当前显示的信息数据、当前应用的用户的历史浏览信息，确定用户可能感兴趣的信息。具体的，第三方应用插件可以将当前应用(第一方应用)的数据类型映射到第三方应用的数据类型上，建立当前应用中至少一种数据类型与第三方应用中至少一种数据类型的对应关系；然后可以根据当前应用的当前显示的信息数据、当前应用的用户的历史浏览信息和当前应用(第一方)中的数据类型，确定当前应用的不感兴趣的信息数据类型，然后根据上述数据类型的对应关系确定第三方应用上对应的不感兴趣的信息数据类型，对第三方应用上不感兴趣的信息数据类型进行反向处理，从而确定第三方应用上用户可能感兴趣的信息类型，进而确定第三方应用上用户可能感兴趣的信息。在第三方应用上确定用户可能感兴趣的信息的内容与图5的描述类似，在此不作赘述。

在一些实施例中，确定模块220可以基于信息刷新请求和当前显示的信息数据，确定用户可能感兴趣的信息。

步骤330，向用户展示可能感兴趣的信息。在一些实施例中，步骤330可以由展示模块230实现。

在一些实施例中，可能感兴趣的信息可以为当前应用或第三方应用中当前时刻前一段时间(如，1周、3天、1天、12小时或1小时)内生成的所有数据信息。在一些实施例中，可以根据Feed流的方式在用户终端页面上展示该可能感兴趣的信息中至少一部分。Feed流是一种呈现内容给用户并持续更新的方式，可以基于信息刷新请求和当前显示的信息数据确定用户可能感兴趣的信息，并刷新页面展示该用户可能感兴趣的信息。在一些实施例中，Feed流可以包括推(Push)、拉(Pull)和推拉结合(Hybrid)三种模式。在一些实施例中，推模式可以是用户生成内容后，服务端将确定的用户可能感兴趣的信息推送给部分其他用户，适用于用户关系数比较均匀，且有上限的应用，如朋友圈；拉模式是发出信息刷新请求的指令时，页面按一定规则呈现更新数据，例如按更新时间、热度、编辑推荐等，适用于用户数较少且日活量低的应用；推拉结合模式可以包括在线推、离线拉(如，微博大V发布动态后，有限推送给同时在线的粉丝，离线粉丝上线后再拉取该动态)；或是定时推、离线拉(如，微博大V发布动态后，以常驻进程的形式推送到粉丝关注)两种。在一些实施例中，Feed流可以通过用户的操作(如，上拉或者下拉操作)不断更新用户可能感兴趣的信息。在一些实施例中，Feed流展示的可能感兴趣的信息可以通过Timeline(时间顺序)排序，例如，按发布的时间顺序排序，先发布的先看到、后发布的排列在最顶端。在一些实施例中，Feed流展示的可能感兴趣的信息可以通过Rank(非时间因子)排序，例如，按热度排序，将用户可能感兴趣的信息按照热度级别排序，最热门的优先推荐。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤310中获取当前显示的信息数据可以是用户在当前应用平台登录时就已经获取，接收到用户的信息刷新请求时，确定用户可能感兴趣的信息，不必局限于在接收到用户的信息刷新请求后获取。

图4是根据本申请一些实施例所示的确定用户可能感兴趣信息的方法的示例性流程图。如图4所示，该确定用户可能感兴趣信息的方法400可以包括：

步骤410，基于当前显示的信息数据，确定当前显示的信息数据类型。在一些实施例中，该步骤410可以由确定模块220执行。

在一些实施例中，当前显示的信息数据类型可以为当前显示的信息数据的数据类型。在一些实施例中，数据类型可以为当前页面信息刷新系统数据库(如，存储设备130)中的海量数据的数据标签。该数据标签可以为基于算法对该海量数据进行标记得到。在一些实施例中，数据类型可以包括大类标签和小类标签。在一些实施例中，数据类型可以由两种或多种类型组成。当前显示的信息数据类型可以至少包括一种或多种数据类型。

在一些实施例中，可以利用机器学习模型确定当前显示的信息数据类型。具体的，可以将当前显示的信息数据输入机器学习模型中进行处理，输出当前显示的信息数据类型。

在一些实施例中，机器学习模型可以包括分类模型。例如，决策树、贝叶斯分类、随机森林、支持向量机、神经网络等模型。在一些实施例中，决策树模型可以包括但不限于分类及回归树(Classification And Regression Tree，CART)、迭代二叉树三代(IterativeDichotomiser 3，ID3)、C4.5算法、随机森林(Random Forest)、卡方自动交互检测(Chisquared Automatic Interaction Detection，CHAID)、多元自适应回归样条(Multivariate Adaptive Regression Splines，MARS)以及梯度推进机(GradientBoosting Machine，GBM)等或其任意组合。该机器学习模型可以由初始模型训练得到。关于初始模型及其训练方法的更多内容可以参见图6及其描述，在此不作赘述。

在一些实施例中，确定模块220可以通过网络150访问存储于存储设备130中的机器学习模型，并基于当前显示的信息数据，确定当前显示的信息数据类型。

步骤420，基于信息刷新请求和当前显示的信息数据类型，对当前显示的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型。在一些实施例中，该步骤420可以由确定模块220执行。

在一些实施例中，用户可能感兴趣的信息类型可以包括用户期望浏览的信息内容的数据类型。在一些实施例中，可以基于当前显示的信息数据类型，选取反向阈值的类型中至少一种数据类型，将其作为用户可能感兴趣的信息类型。具体的，可以获取数据类型，然后可以选取该数据类型中除当前显示的信息数据类型外(即，反向阈值的类型中)的至少一种数据类型，将其作为用户可能感兴趣的信息类型。

反向阈值的类型至少可以包括同类反向、不同类反向或异类小众反向。上述每一种反向阈值的类型中可以分别包含一种或多种数据类型。在一些实施例中，反向阈值的类型和当前显示的信息数据类型可以组成数据类型的全集合。

在一些实施例中，数据类型可以为基于分类算法对标记有数据标签的数据进行分类得到。分类算法作为一种监督机器学习方法，是对已经标注的数据类型的分类，类别数目固定。在一些实施例中，分类算法可以包括决策树算法、K最近邻(k-Nearest Neighbor，KNN)算法、贝叶斯算法、支持向量机算法等。在一些实施例中，数据类型还可以为基于聚类算法对海量数据进行聚类得到。在一些实施例中，聚类算法也可以作为数据挖掘算法中分类算法的一个预处理步骤。聚类算法是一种无监督的机器学习方法，不需要人工标注和预先训练分类器，类别在聚类过程中自动生成，类别数据不确定。优选地，数据类型为小类标签的数据可以基于聚类算法聚类成大类标签的数据，例如，一部分数据带有足球、欧冠、球星梅西、巴塞罗那足球俱乐部、近期赛事等小类标签，另一部分数据带有篮球、NBA、球星库里、金州勇士队、常规赛等小类标签，两部分数据可以基于相似度或深度学习算法聚类成为大类标签的数据，该大类标签可以为体育。在一些实施例中，聚类算法可以包括K均值(K-Means)聚类算法、均值漂移聚类算法、基于密度的聚类算法(Density-Based SpatialClustering of Applications with Noise，DBSCAN)、使用高斯混合模型(GMM)的期望最大化(EM)聚类算法、凝聚层次聚类算法、图团体检测(Graph Community Detection)聚类算法。

在一些实施例中，数据类型可以为实时获取，也可以为预先获取，实时获取可以为基于分类算法或聚类算法得到。在一些实施例中，数据类型可以为基于时间、热门度、场景、合作推荐等因素来获取，例如，可以获取近一周更新的数据的数据类型、获取最新/最热门的数据的数据类型、以及获取平台合作的数据生产者产生的数据的数据类型。

下面通过具体示例对得到用户可能感兴趣的信息类型进行阐述：

例如，数据类型可以有大类M＝{m1、m2、m3}、N＝{n1、n2、n3}、O＝{o1、o2、o3}、P＝{p1、p2、p3}，其中m1、…、p1等表示大类中的小类，若当前显示的信息数据类型为m1和n2，用户可能感兴趣的信息类型可以为{m2、m3、n1、n3、O＝{o1、o2、o3}、P＝{p1、p2、p3}}中一种或多种不同的数据类型组合，一种或多种不同的数据类型组合可以组成多个用户可能感兴趣的信息类型的数据库，则用户可能感兴趣的信息类型的数据库中可以包含与用户可能感兴趣的信息类型{m2}、{m3}、…、{m2、m3、n1、n3、O＝{o1、o2、o3}、P＝{p1、p2、p3}}对应的

步骤430，基于所述用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。在一些实施例中，该步骤430可以由确定模块220执行。

每种信息类型可以有一个或多个对应的信息数据。在一些实施例中，可以基于用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。仍以上述例子为例进行说明，用户可能感兴趣的信息类型的数据库中可以包含与用户可能感兴趣的信息类型{m2}、{m3}、…、{m2、m3、n1、n3、O＝{o1、o2、o3}、P＝{p1、p2、p3}}对应的

应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，流程400中数据类型和用户可能感兴趣的信息类型不限于所列举的数量，还可以为其他数量。又例如，步骤420中进行反向处理得到用户可能感兴趣的信息类型还可以替换为：选取数据类型的全集合中除当前显示的信息数据类型外的至少一种数据类型，将其作为用户可能感兴趣的信息类型。

图5是根据本申请又一实施例所示的确定用户可能感兴趣信息的方法的示例性流程图。如图5所示，该确定用户可能感兴趣信息的方法500可以包括：

步骤510，响应于接收到用户的信息刷新请求，获取用户的历史浏览信息。在一些实施例中，该步骤510可以由获取模块210执行。

在一些实施例中，用户的历史浏览信息可以包括在当前时刻之前(如，一个月、一周、三天或一天)用户浏览当前应用的浏览内容、浏览时间、浏览频次等多维度信息。浏览信息可以包括图片、文本、视频、音频等。在另一些实施例中，用户的历史浏览信息可以包括但不限于：发帖、关注、收藏、评论、点赞的内容和/或时间等信息。

在一些实施例中，用户的历史浏览信息可以包括云端存储的历史浏览数据或本地存储的cookie数据。云端存储的历史浏览数据可以是存储在云端存储器(如，存储设备130)中的用户的历史浏览数据。本地存储的cookie数据可以包括存储在本地客户端(如，用户终端120)中的小文本文件。cookie数据可以包含用户的个人信息和历史浏览数据。

在一些实施例中，获取模块210可以响应于接收到用户的信息刷新请求，在云端存储器或本地客户端中获取用户的历史浏览信息。

通过分析用户的历史浏览信息可以刻画用户画像，还可以为各个运营项目提供数据支持。例如，某购物网站的某店铺中一件商品的点击量远远超过其它商品，可以指导该店铺的商家提高该商品的生产量或库存量。

步骤520，基于当前显示的信息数据和用户的历史浏览信息，确定不感兴趣的信息数据类型。在一些实施例中，该步骤520可以由确定模块220执行。

在一些实施例中，不感兴趣的信息数据类型可以为用户不愿意浏览的信息数据类型。在一些实施例中，可以分别基于当前显示的信息数据和用户的历史浏览信息，确定不感兴趣的信息数据类型。不感兴趣的信息数据类型可以包括当前显示的信息数据类型和用户的历史偏好类型。关于基于当前显示的信息数据，确定当前显示的信息数据类型的更多内容可以参见步骤410，在此不作赘述。在一些实施例中，还可以基于用户的历史浏览信息，确定用户的历史偏好类型。

在一些实施例中，若用户的历史浏览信息为云端存储的历史浏览数据，可以对云端存储的历史浏览数据进行处理得到用户的历史偏好类型。具体的，可以利用机器学习模型处理用户的历史浏览信息，确定用户的历史偏好类型。该机器学习模型可以与步骤410中的机器学习模型相同，在此不作赘述。该机器学习模型的训练方法的更多内容可以参见图6及其描述，在此不作赘述。

在一些实施例中，若用户的历史浏览信息为本地存储的cookie数据，可以提取本地存储的cookie数据中的类别属性作为用户的历史偏好类型。具体的，可以获取本地存储的cookie数据，并可以提取信息刷新请求将该cookie数据的数据类型(或称为类别属性)，即为用户的历史偏好类型。本地存储的cookie数据可以是经加密的hash码，服务器可以对hash码进行解密，然后读取其中的数据类型作为用户的历史偏好类型。例如，服务器解密后的cookie数据为document.cookie＝“userID＝828；userName＝hulk；class＝篮球”，该cookie数据的数据类型为“篮球”，因此用户的历史偏好类型为“篮球”。

根据当前显示的信息数据类型和用户的历史偏好类型，可以确定不感兴趣的信息数据类型。

在一些实施例中，确定模块220可以基于当前显示的信息数据和用户的历史浏览信息，确定不感兴趣的信息数据类型。

步骤530，基于信息刷新请求和不感兴趣的信息数据类型，对所述不感兴趣的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型。在一些实施例中，该步骤530可以由确定模块220执行。

在一些实施例中，可以基于不感兴趣的信息数据类型，选取反向阈值的类型中至少一种数据类型，将其作为用户可能感兴趣的信息类型。具体的，可以获取数据类型，然后可以选取该数据类型中除不感兴趣的信息数据类型外(即，反向阈值的类型中)的至少一种数据类型，将其作为用户可能感兴趣的信息类型。在一些实施例中，反向阈值的类型和不感兴趣的信息数据类型可以组成数据类型的全集合。对不感兴趣的信息数据类型进行反向处理与对当前显示的信息数据类型进行反向处理类似，关于反向处理的更多内容可以参见步骤420，在此不做赘述。

在一些实施例中，确定模块220可以基于信息刷新请求和不感兴趣的信息数据类型，对不感兴趣的信息数据类型进行反向处理，得到用户可能感兴趣的信息类型。

步骤540，基于用户可能感兴趣的信息类型，确定用户可能感兴趣的信息。在一些实施例中，该步骤540可以由展示模块230执行。

关于步骤540的更多内容可以参见步骤430的详细描述，在此不作赘述。

应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤530中进行反向处理得到用户可能感兴趣的信息类型还可以替换为：选取数据类型的全集合中除不感兴趣的信息数据类型外的至少一种数据类型，将其作为用户可能感兴趣的信息类型。

图6是根据本申请一些实施例所示的机器学习模型训练方法的示例性流程图。在一些实施例中，该机器学习模型训练方法600可以由机器学习模型训练模块240执行。

步骤610，获取训练样本。

在一些实施例中，训练样本可以包括一定数量的历史显示的信息数据以及历史显示的信息数据类型，训练样本用于训练机器学习模型。历史显示的信息数据可以包括历史上显示在用户终端上的信息数据。历史显示的信息数据类型可以为历史显示的信息数据对应的数据类型。

在一些实施例中，步骤610还可以包括对获取的训练样本进行预处理，使其符合训练的要求。所述预处理可以包括格式转换、归一化、标识等。

在一些实施例中，机器学习模型训练模块240还可以对获取的训练样本进行标记。具体的，可以将历史显示的信息数据类型标记为参考信息数据类型。例如，在某一训练样本中，已知历史显示的信息数据类型为“体育”，则可以将该训练样本标记为“体育”。在一些实施例中，训练样本的信息数据类型可以通过问卷调查的获取。例如，可以提前选取一定数量的历史显示的信息数据，通过人工问卷调查的方式得到对应的信息数据类型。在一些实施例中，训练样本的标记过程可以通过人工或计算机程序进行。

在一些实施例中，还可以将训练样本进行划分，划分为训练集和验证集。具体的，可以对训练样本按一定的比例进行划分。例如，划分比例可以是训练集80％、验证集20％。

在一些实施例中，机器学习模型训练模块240可以通过网络150访问存储于存储设备130中信息和/或资料以获取训练样本。在一些实施例中，机器学习模型训练模块240可以通过接口获取训练样本。在一些实施例中，机器学习模型训练模块240还可以通过其他方式获取训练样本，本申请对此不作限制。

步骤620，基于训练样本，训练初始模型得到机器学习模型。

在一些实施例中，所述初始模型可以包括分类模型。例如，决策树、贝叶斯分类、随机森林、支持向量机、神经网络等模型。在一些实施例中，决策树模型可以包括但不限于分类及回归树(Classification And Regression Tree，CART)、迭代二叉树三代(IterativeDichotomiser 3，ID3)、C4.5算法、随机森林(Random Forest)、卡方自动交互检测(Chisquared Automatic Interaction Detection，CHAID)、多元自适应回归样条(Multivariate Adaptive Regression Splines，MARS)以及梯度推进机(GradientBoosting Machine，GBM)等或其任意组合。

在一些实施例中，所述初始模型的训练可以包括：1)将样本数据划分为训练集、验证集、测试集。可以对样本数据按一定的比例随机地进行划分。优选地，训练集占比85％、验证集占比10％、测试集占比5％。2)将训练集中的样本数据输入待训练的初始模型中进行训练，当训练过程满足一定条件时，例如，训练次数达到预定义的迭代次数上限值、或损失函数的值小于预定值，所述模型训练过程可以停止，并获取训练后的机器学习模型。3)将验证集中的样本数据输入上述训练后的机器学习模型中进行计算，获得信息数据类型输出结果。4)对比验证集中样本数据在3)中的输出结果与相应样本数据的标识(如，参考信息数据类型)，获取对比结果。在一些实施例中，所述对比结果可以包括输出结果与标签标识匹配以及不匹配。所述匹配可以指输出的信息数据类型与参考信息数据类型标记差距在2％以内，否则视为不匹配。若对比结果满足验证要求(可以根据实际需要自行设置，如，可设定验证集中95％以上样本数据经训练后的输出信息数据类型与参考信息数据类型标记匹配)，则转入步骤5)进行测试，否则认定为不达要求(例如，输出信息数据类型的准确率低)。经过训练后的模型的参数可以被调整，并基于调整后的模型，再次执行步骤2)。5)将测试集中的样本数据输入训练后的机器学习模型进行计算，获得输出结果。6)对比测试集中样本数据在步骤5)中的输出结果与相应样本数据的标识，判断训练结果是否达到要求(可根据实际需要自行设定，如，可设定测试集中98％以上的样本数据经训练后的模型得到的输出结果与相应标签标识匹配，则认为训练结果达到要求，否认认为训练结果未达到要求)。如果训练结果未达到要求，则重新准备样本数据或者重新划分训练集、验证集、测试集，进行继续训练，直至通过模型测试。

对上述说明的步骤和实施方法，可以进行各种变化，比如可以按其他方法或比例划分训练集、验证集和测试集，可以忽略其中某些步骤，可以增加其他步骤等。

在一些实施例中，还可以将当前显示的信息数据和当前显示的信息数据类型作为训练样本数据训练机器学习模型，对机器学习模型进行迭代更新。例如，在确定当前显示的信息数据类型之后将当前显示的信息数据类型和当前显示的信息数据类型作为训练样本对机器学习模型进行更新后，当该用户再次使用当前应用或第三方应用时，确定当前显示的信息数据类型的准确性将提升。

在一些实施例中，机器学习模型训练模块240可以通过网络150访问存储于存储设备130中的信息和/或资料，以基于训练样本，训练初始模型得到机器学习模型。

应当注意的是，上述有关流程600的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对流程600进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，流程600的步骤620可以进一步细分为步骤620模型训练、步骤630模型验证、步骤640模型测试等步骤。又例如，划分比例可以是训练集90％、验证集7％、测试集3％。

本申请实施例可能带来的有益效果包括但不限于：(1)通过当前显示的信息数据确定用户可能感兴趣的信息，可以向用户推荐与当前显示的信息数据类型不同的数据内容，拓宽了用户的浏览视野；(2)通过在用户终端设置简单的信息刷新请求输入方式，可以简化用户与用户终端界面的交互操作，提高了用户的体验度。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。