预测用户转化行为及训练模型的方法、装置、设备及介质

摘要

本公开提供了预测用户转化行为、训练用户转化行为预测模型的方法、装置、设备、存储介质及程序产品，本公开涉及数据处理技术领域，尤其涉及深度学习领域。具体实现方案为：获取用户特征以及资源特征；基于用户特征以及资源特征，预测第一转化行为发生概率，第一转化行为发生概率为具有用户特征的用户对资源特征对应资源进行第一转化行为的概率；第一转化行为与第二转化行为关联，并为发生第二转化行为的前一步操作行为，第二转化行为是预设的需要预测发生的目标用户转化行为。通过本公开能够更为精准的预测用户转化行为。

说明书

技术领域

本公开涉及数据处理技术领域，尤其涉及资源推荐领域，具体涉及资源推荐领域中的用户转化行为预测场景。

背景技术

随着科技的发展，资源推荐场景中，资源推荐的精准性要求越来越高。

相关技术中，通过预测用户对资源执行转化行为的概率(例如可以是资源被用户点击并使用的概率(即转化概率))，确定与资源匹配的用户，并进行资源的推荐。为了能够更精准的将用户特征与资源相匹配，用户转化行为预测模型被应用。

用户转化行为预测模型在训练时，需要根据用户执行转化行为的历史数据(转化样本)进行模型预估，并基于预估的模型对用户可能发生的转化行为进行预测，并进行资源推荐。

发明内容

本公开提供了一种用于预测用户转化行为、训练用户转化行为预测模型的方法、装置、设备、存储介质及程序产品。

根据本公开的一方面，提供了一种预测用户转化行为的方法，包括：

获取用户特征以及资源特征；

基于所述用户特征以及所述资源特征，预测第一转化行为发生概率，所述第一转化行为发生概率为具有所述用户特征的用户对所述资源特征对应资源进行第一转化行为的概率；

所述第一转化行为与第二转化行为关联，并为发生所述第二转化行为的前一步操作行为，所述第二转化行为是进行资源推荐的目标用户转化行为。

在一种示例性实施方式中，基于所述用户特征以及所述资源特征，预测第一转化行为发生概率，包括：

将所述用户特征以及所述资源特征输入至第一用户转化行为预测模型；

基于所述第一用户转化行为预测模型的输出，确定第一转化行为发生概率；

所述第一用户转化行为预测模型基于第一样本数据预先训练得到，所述第一样本数据包括用户特征、资源特征以及第一标签，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为；

所述第一用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率。

在一种示例性实施方式中，基于所述用户特征以及所述资源特征，预测第一转化行为发生概率，包括：

将所述用户特征以及所述资源特征输入至第一用户转化行为预测模型；

基于所述第一用户转化行为预测模型的输出，确定第一转化行为发生概率；

所述第一用户转化行为预测模型基于第一样本数据预先训练得到，所述第一样本数据包括用户特征、资源特征以及第一标签，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为；

所述第一用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率。

在一种示例性实施方式中，基于所述用户特征以及所述资源特征，预测第一转化行为发生概率，包括：

将所述用户特征以及所述资源特征输入至第三用户转化行为预测模型；

基于所述第三用户转化行为预测模型的输出，确定第一转化行为发生概率；

所述第三用户转化行为预测模型基于第三样本数据预先训练得到；

所述第三样本数据包括用户特征、资源特征、第一标签、第二标签以及资源使用时长信息，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第二标签用于指示用户对所述资源特征对应资源进行了第二转化行为；

所述第三用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率、第二转化行为发生概率以及资源使用时长。

在一种示例性实施方式中，对所述第一转化行为发生概率以及所述第二转化行为发生概率进行加权，得到发生所述目标用户转化行为的目标概率。

根据本公开的另一方面，提供了一种训练用户转化行为预测模型的方法，包括：

获取第一样本数据，所述第一样本数据包括用户特征、资源特征以及第一标签，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第一转化行为与第二转化行为关联，并为发生所述第二转化行为的前一步操作行为；

将所述第一样本数据中的所述用户特征和所述资源特征作为输入特征输入至第一预测模型，得到第一转化行为发生概率预测值；

基于所述第一标签和所述第一转化行为发生概率预测值，对所述第一预测模型进行训练，直至所述第一预测模型收敛，得到第一用户转化行为预测模型；

所述第一用户转化行为预测模型的输出为第一转化行为发生概率。

根据本公开的另一方面，提供了一种训练用户转化行为预测模型的方法，包括：

确定第二样本数据，所述第二样本数据包括用户特征、资源特征、第一标签以及第二标签，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第二标签用于指示用户对所述资源特征对应资源进行了第二转化行为；

将所述第二样本数据中的所述用户特征和所述资源特征作为输入特征输入至第二预测模型，得到第一转化行为发生概率预测值以及第二转化行为发生概率预测值；

基于所述第一转化行为发生概率预测值和所述第一标签，以及基于所述第二转化行为发生概率预测值和所述第二标签，对所述第二预测模型进行训练，得到第二用户转化行为预测模型；

所述第二用户转化行为预测模型的输出为第一转化行为发生概率以及第二转化行为发生概率。

根据本公开的另一方面，提供了一种训练用户转化行为预测模型的方法，包括：

确定第三样本数据，所述第三样本数据包括用户特征、资源特征、第一标签以及第二标签以及资源使用时长信息，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第二标签用于指示用户对所述资源特征对应资源进行了第二转化行为；

将所述第三样本数据中的所述用户特征和所述资源特征作为输入特征输入至第三预测模型，得到第一转化行为发生概率预测值、第二转化行为发生概率预测值以及资源时长预测值；

基于所述第一转化行为发生概率预测值和所述第一标签，所述第二转化行为发生概率预测值和所述第二标签，以及所述资源时长预测值和所述资源使用时长信息，对所述第三预测模型进行训练，得到第三用户转化行为预测模型；

所述第三用户转化行为预测模型的输出为第一转化行为发生概率，第二转化行为发生概率以及资源使用时长。

根据本公开的另一方面，提供了一种预测用户转化行为装置，包括：

获取单元，用于获取用户特征以及资源特征；

预测单元，用于根据所述用户特征以及所述资源特征，预测第一转化行为发生概率，所述第一转化行为发生概率为具有所述用户特征的用户对所述资源特征对应资源进行第一转化行为的概率，所述第一转化行为与第二转化行为关联，并为发生所述第二转化行为的前一步操作行为，所述第二转化行为是预设的需要预测的发生的目标用户转化行为。

在一种示例性实施例中，所述预测单元用于采用如下方式基于所述用户特征以及所述资源特征，预测第一转化行为发生概率：

将所述用户特征以及所述资源特征输入至第一用户转化行为预测模型；

基于所述第一用户转化行为预测模型的输出，确定第一转化行为发生概率；

所述第一用户转化行为预测模型基于第一样本数据预先训练得到，所述第一样本数据包括用户特征、资源特征以及第一标签，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为；

所述第一用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率。

在一种示例性实施方式中，所述预测单元用于采用如下方式基于所述用户特征以及所述资源特征，预测第一转化行为发生概率：

将所述用户特征以及所述资源特征输入至第二用户转化行为预测模型；

基于所述第二用户转化行为预测模型的输出，确定第一转化行为发生概率；

所述第二用户转化行为预测模型基于第二样本数据预先训练得到；

所述第二样本数据包括用户特征、资源特征、第一标签以及第二标签，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第二标签用于指示用户对所述资源特征对应资源进行了第二转化行为；

所述第二用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率以及第二转化行为发生概率。

在一种示例性实施方式中，所述预测单元用于采用如下方式基于所述用户特征以及所述资源特征，预测第一转化行为发生概率：

将所述用户特征以及所述资源特征输入至第三用户转化行为预测模型；

基于所述第三用户转化行为预测模型的输出，确定第一转化行为发生概率；

所述第三用户转化行为预测模型基于第三样本数据预先训练得到；

所述第三样本数据包括用户特征、资源特征、第一标签、第二标签以及资源使用时长信息，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第二标签用于指示用户对所述资源特征对应资源进行了第二转化行为；

所述第三用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率，第二转化行为发生概率以及资源使用时长。

在一种示例性实施方式中，所述预测单元还用于：

对所述第一转化行为发生概率以及所述第二转化行为发生概率进行加权，得到发生所述目标用户转化行为的目标概率。

根据本公开的另一方面，提供了一种训练用户转化行为预测模型装置，包括：

获取单元，用于获取第一样本数据，所述第一样本数据包括用户特征、资源特征以及第一标签，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第一转化行为与第二转化行为关联，并为发生所述第二转化行为的前一步操作行为；

预测单元，用于将所述第一样本数据中的所述用户特征和所述资源特征作为输入特征输入至第一预测模型，得到第一转化行为发生概率预测值；

训练单元，用于根据所述第一标签和所述第一转化行为发生概率预测值，对所述第一预测模型进行训练，直至所述第一预测模型收敛，得到第一用户转化行为预测模型，所述第一用户转化行为预测模型的输出为第一转化行为发生概率。

根据本公开的另一方面，提供了一种训练用户转化行为预测模型的装置，包括：

确定单元，用于确定第二样本数据，所述第二样本数据包括用户特征、资源特征、第一标签以及第二标签，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第二标签用于指示用户对所述资源特征对应资源进行了第二转化行为；

预测单元，用于将所述第二样本数据中的所述用户特征和所述资源特征作为输入特征输入至第二预测模型，得到第一转化行为发生概率预测值以及第二转化行为发生概率预测值；

训练单元，用于根据所述第一转化行为发生概率预测值和所述第一标签，以及基于所述第二转化行为发生概率预测值和所述第二标签，对所述第二预测模型进行训练，得到第二用户转化行为预测模型，所述第二用户转化行为预测模型的输出为第一转化行为发生概率以及第二转化行为发生概率。

根据本公开的另一方面，提供了一种训练用户转化行为预测装置，包括：

确定单元，用于确定第三样本数据，所述第三样本数据包括用户特征、资源特征、第一标签以及第二标签以及资源使用时长信息，所述第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为，所述第二标签用于指示用户对所述资源特征对应资源进行了第二转化行为；

预测单元，用于将所述第三样本数据中的所述用户特征和所述资源特征输入至第三预测模型，得到第一转化行为发生概率预测值以及第二转化行为发生概率预测值；

训练单元，用于根据所述第一转化行为发生概率预测值和所述第一标签，所述第二转化行为发生概率预测值和所述第二标签，以及资源使用时长预测值和所述资源使用时长信息，对所述第三预测模型进行训练，得到第三用户转化行为预测模型，所述第三用户转化行为预测模型的输出为第一转化行为发生概率，第二转化行为发生概率以及资源使用时长。

根据本公开的另一方面，提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。

根据本公开的另一方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的方法。

根据本公开的另一方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的方法。

通过本公开提供了一种更精准的预测用户转化行为方式。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示出了一种用户点击率与转化率之间的对应关系示意图；

图2是根据本公开一示例性实施方式中示出的一种预测用户转化行为的方法流程图；

图3是根据本公开提供的预测用户第一转化行为发生概率的方法流程示意图；

图4是根据本公开提供的预测用户第一转化行为发生概率的方法流程示意图；

图5是根据本公开提供的预测用户第一转化行为发生概率的方法流程示意图；

图6是根据本公开提供的预测用户转化行为方法进行用户转化行为发生概率的方法流程示意图；

图7是根据本公开提供的训练第一用户转化行为预测模型训练的流程示意图；

图8是根据本公开提供的训练第二用户转化行为预测模型训练的流程示意图；

图9是根据本公开提供的第二用户转化行为预测模型的训练架构示意图；

图10示出了一种资源使用时长与用户转化行为发生概率之间的对应关系示意图；

图11是根据本公开提供的训练第三用户转化行为预测模型训练的流程示意图；

图12示出了本公开一示例性实施例中示出的一种第三用户转化行为预测模型的网络架构示意图；

图13是根据本公开一示例性实施方式中示出的一种预测用户转化行为的装置的框图；

图14是根据本公开提供的一种训练用户转化行为预测模型装置的框图；

图15是根据本公开提供的一种训练用户转化行为预测模型装置的框图；

图16是根据本公开提供的一种训练用户转化行为预测模型装置的框图；

图17示出了可以用来实施本公开的实施例的示例电子设备1700的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提供的预测用户转化行为方法可以应用于资源推荐场景。例如，可以应用于多元变现场景中的资源推荐。例如可以应用于应用程序(APP)、服务平台(Feed)的多元变现场景下的资源推荐。

其中，资源的精准推荐对于用户和平台都至关重要。例如，多元变现场景中，多元变现资源有需求在应用程序的Feed上进行分发。其中，多元变现资源指付费资源、带货资源等一些存在用户付费行为的资源。这些资源在Feed上进行分发对作者来说可以提供更多内容变现渠道，除广告收入外，还可以为作者提供内容付费收入，促进作者的发文积极性；对用户来说，多元变现资源本身的质量就高于普通资源，用户可以通过多元变现资源，满足用户知识获取，商品购买的需求；对于平台来说，多元变现资源在Feed平台的分发是公司电商战略的重要一环，可以助力电商战略的发展。

相关技术中，针对资源推荐主要根据用户转化行为发生概率为用户推荐用户感兴趣的资源。其中，用户转化行为是指用户点击目标对象并发生的预设目标用户转化行为。用户转化行为发生概率是指用户点击目标对象后发生预设目标用户转化行为的概率。其中，目标对象可以理解为是进行资源推荐时展现的资源。比如目标对象可以是商品图片、APP的图片等，用作广告用途，也就是商品广告。需要说明的是上述目标对象并不限定于此。例如，在多元变现场景中，用户转化行为可以是用户点击商品卡、购物车等多元变现资源，并进行购买的行为。

在资源推荐领域中，用户转化行为发生概率可以通过预先训练的用户转化行为预测模型，预测用户转化行为发生概率。其中，用户转化行为的预测依赖于大量的训练样本。训练样本主要是基于用户历史操作产生的用户转化行为数据确定。然而，存在训练样本稀疏的问题。例如，在多元变现推荐领域中，多元变现资源与普通资源的最大区别在于，多元变现资源存在用户付费转化的属性，多元变现资源的展现量、多元变现资源的点击量以及用户的转化行为发生概率相差较大，比如，多元变现资源每天的展现量是亿级别，点击量是千万级别，而转化量只有万级别。故，存在用户转化行为稀疏的问题。如何使用好稀疏的用户转化行为，使用户转化行为预测模型得到准确的预估结果，以为用户进行精准推荐其最感兴趣且用户转化行为发生概率最高的资源，是很关键的技术。

相关技术中，为改善用户转化行为稀疏的问题，一种方式是根据用户点击行为与转化行为联合建模，在展现样本空间使用用户转化行为和用户点击行为联合建模，并使用用户点击行为辅助转化行为进行训练，缓解用户转化行为的稀疏问题。另一种方式是通过积累样本的方式构建模型，即通过长时间进行具有用户转化行为的样本的累积。

其中，根据用户点击行为与转化行为联合建模的方式，主要基于用户点击行为和用户购买行为是有关系的，即点击了这个资源的用户，就更可能发生购买行为的假设。但在实际应用过程中，通过统计多元变现资源上用户点击率和转化率的关系，用户的点击率和转化率之间的关联关系并不明显。图1示出了一种用户点击率与转化率之间的对应关系示意图。参阅图1所示，随着用户转化率的提升，用户的点击率没有明显的变化，这就可以说明用户的点击和转化行为之间关联并不明显。并且，在实际应用中，根据用户点击行为与转化行为联合建模的方式，对于用户转化行为预测模型的预估准确率也没有明显的提升。

针对积累样本的方式，可以将用户的转化行为积累到模型可用的量级进行训练。但同时也会对模型的效果有影响。由于用户转化行为预测模型基本是小时或分钟级进行训练更新的，需要用户短期内的行为可以快速加入模型训练，并得到模型的预估反馈。积累样本这种方式会将用户转化行为模型的更新时间拉长，用户短期的行为样本就无法加入模型训练，模型无法对用户短期行为进行精细的描述，预估准确性也没办法得到保证。

鉴于此，本公开提供一种预测用户转化行为的方法。在该方法中，针对进行资源推荐的目标用户转化行为的前一步操作行为进行预测。

本公开实施例中为描述方便，将进行资源推荐的目标用户转化行为的前一步操作行为称为第一转化行为，有时也称为浅层转化行为。将进行资源推荐的目标用户转化行为称为第二转化行为，有时也称为深层转化行为。其中，第一转化行为与第二转化行为关联，并为发生所述第二转化行为的前一步操作行为。例如，在多元变现资源推荐场景中，第一转化行为可以是用户点击购物车，点击购买按钮，点击商品卡等行为。第二转化行为可以还是用户发生购买行为。

本公开提供的预测用户转化行为方法中，对第一转化行为发生概率进行预测，由于第一转化行为是第二转化行为的前一步操作行为，故发生第一转化行为的情况下，发生第二转化行为的概率也比较大，故本公开实施例中可以通过第一转化行为模拟第二转化行为，以丰富第二转化行为，改善第二转化行为稀疏的问题。

本公开以下对本公开示例性实施例中涉及的预测用户转化行为方法进行说明。

作为一示例性实施方式，图2是根据本公开一示例性实施方式中示出的一种预测用户转化行为的方法流程图。参阅图2所示，本公开提供的预测用户转化行为方法包括以下步骤。

在步骤S201中，获取用户特征以及资源特征。

在步骤S202中，基于用户特征以及资源特征，预测第一转化行为发生概率。

本公开中，用户特征包括用户的基础属性，如年龄、性别等。资源特征包括资源的基础属性，如资源的曝光时间段、资源的素材等；资源特征还可以场景特征信息，例如被曝光资源的曝光场景的基础属性，如曝光资源在何种网页，何种应用程序下触发曝光等。其中，用户特征以及资源特征两两之间有对应的匹配关系。

本公开中，第一转化行为发生概率为具有用户特征的用户对资源特征对应资源进行第一转化行为的概率，第一转化行为与第二转化行为关联，并为发生第二转化行为的前一步操作行为，第二转化行为是预设的需要预测发生的目标用户转化行为。

作为示例性的实施方式，在多元变现资源推荐场景中，用户特征可以是用户发生点击购物车的行为、用户发生点击资源卡片的行为、用户性别、用户的用户名、浏览时长和用户历史转化等用户数据，资源特征可以是资源类型信息，例如直播内容的类型等特征。

本公开实施例中，获取到用户特征和资源特征之后，预测用户在当前所浏览的页面发生转化行为的概率，即第一转化行为发生的概率。

本公开实施例提供的预测用户转化行为方法，通过本公开获取的用户特征以及资源特征，预测第一转化行为发生的概率。其中，第一转化行为是第二转化行为的前一步操作行为，故发生第一转化行为的情况下，发生第二转化行为的概率也比较大，故本公开实施例中可以通过第一转化行为模拟第二转化行为，以丰富第二转化行为，改善第二转化行为稀疏的问题。并且，本公开实施例中也可以即与第一转化行为发生的概率进行资源推荐，丰富资源推荐的转化行为种类，使得预测用户转化行为的精确度更高，用户特征与资源特征之间的关联也更为紧密。

其中，本公开一示例性实施例中，基于用户特征以及资源特征预测第一转化行为发生概率时，可以基于预先训练的第一用户转化行为预测模型进行预测。本公开中，第一用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率。

作为示例性的实施方式，图3是根据本公开提供的预测用户第一转化行为发生概率的方法流程示意图。参阅图3所示，本公开提供的预测用户第一转化行为发生概率的方法包括以下步骤。

在步骤S301中，将用户特征以及资源特征作为输入特征输入至第一用户转化行为预测模型。

在步骤S302中，基于第一用户转化行为预测模型的输出，确定第一转化行为发生概率。

其中，第一用户转化行为预测模型基于第一样本数据预先训练得到。第一样本数据包括用户特征、资源特征以及第一标签，第一标签用于指示用户对资源特征对应资源进行了第一转化行为。

本公开实施例提供的预测用户转化行为方法中，通过基于第一样本数据进行预先训练得到第一用户转化行为预测模型进行第一转化行为发生概率的预测，可以得到第一转化行为的概率。其中，第一用户转化行为预测模型基于用户特征、资源特征以及标识第一转化行为的第一标签进行训练，由于第一转化行为能够丰富第二转化行为的数量，故相对基于第二转化行为进行训练得到的用户转化行为预测模型，预测的精准度更高，进而使得第一转化行为的概率预测更为准确。

其中，本公开一示例性实施例中，基于用户特征以及资源特征预测第一转化行为发生概率时，可以基于预先训练的第二用户转化行为预测模型进行预测。本公开中，第二用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率和第二转化行为发生概率。

作为示例性的实施方式，图4是根据本公开提供的预测用户第一转化行为发生概率的方法流程示意图。参阅图4所示，本公开提供的预测用户第一转化行为发生概率的方法包括以下步骤。

在步骤S401中，将用户特征以及资源特征作为输入特征输入至第二用户转化行为预测模型。

在步骤S402中，基于第二用户转化行为预测模型的输出，确定第一转化行为发生概率。

本公开中，第二用户转化行为预测模型基于第二样本数据预先训练得到，第二样本数据包括用户特征、资源特征、第一标签以及第二标签。其中，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第二标签用于指示用户对资源特征对应资源进行了第二转化行为。

本公开实施例中，第二用户转化行为预测模型的训练样本中包含了第一样本数据，第一样本数据对确定第二转化行为发生概率的作用是辅助训练第二用户转化行为预测模型，使得第二用户转化行为预测模型更为准确，起到缓解第二样本数据不可用或数据稀疏的问题。

其中，辅助训练可以理解为是利用第一样本数据丰富第二用户转化行为预测模型，第二样本数据稀疏可以理解为用户最终产生转化的数据与用户特征数据相比数量稀少，所以将第一样本数据也纳入第二用户转化行为预测模型的训练，可以让第二用户转化行为预测模型与资源特征更为匹配，同时也不需要长时间的累计训练模型所需的样本。

本公开实施例中，第二用户转化行为预测模型的输出包括第一转化行为发生概率和第二转化行为发生概率。故，本公开实施例中可以基于第一转化行为发生概率和第二转化行为发生概率，进行资源推荐。

其中，本公开一示例性实施例中，可以对第一转化行为发生概率以及第二转化行为发生概率进行加权计算，得到发生目标用户转化行为的目标概率，基于目标概率进行资源推荐。

本公开实施例中，基于第一转化行为发生概率和第二转化行为发生概率，进行资源推荐，融合了第一转化行为发生概率和第二转化行为发生概率，相对单纯的依赖数量稀疏的第二转化行为进行资源推荐，能够提高资源推荐的精准性。

其中，本公开一示例性实施例中，基于用户特征以及资源特征预测第一转化行为发生概率时，可以基于预先训练的第三用户转化行为预测模型进行预测。本公开中，第三用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率、第二转化行为发生概率以及资源使用时长。

作为示例性的实施方式，图5是根据本公开提供的预测用户第一转化行为发生概率的方法流程示意图。参阅图5所示，本公开提供的预测用户第一转化行为发生概率的方法包括以下步骤。

在步骤S501中，将用户特征以及资源特征输入至第三用户转化行为预测模型。

在步骤S502中，基于第三用户转化行为预测模型的输出，确定第一转化行为发生概率。

本公开中，第三用户转化行为预测模型基于第三样本数据预先训练得到，第三样本数据包括用户特征、资源特征、第一标签、第二标签以及资源使用时长信息。其中，第一标签用于指示用户对所述资源特征对应资源进行了第一转化行为。第二标签用于指示用户对所述资源特征对应资源进行了第二转化行为。

本公开一示例性实施方式中，资源使用时长信息可以是用户浏览页面的时长。通过用户资源使用时长信息进行预先训练的第三用户转化行为预测模型，对用户发生转化行为的概率预测更为准确。

本公开实施例中，第三用户转化行为预测模型的输出包括第一转化行为发生概率和第二转化行为发生概率。故，本公开实施例中可以基于第一转化行为发生概率和第二转化行为发生概率，进行资源推荐。

其中，本公开一示例性实施例中，可以对第一转化行为发生概率以及第二转化行为发生概率进行加权计算，得到发生目标用户转化行为的目标概率，基于目标概率进行资源推荐。

本公开实施例中，基于第一转化行为发生概率和第二转化行为发生概率，进行资源推荐，融合了第一转化行为发生概率和第二转化行为发生概率，相对单纯的依赖数量稀疏的第二转化行为进行资源推荐，能够提高资源推荐的精准性，并且第一转化行为发生概率和第二转化行为发生概率是基于第一标签、第二标签以及资源使用时长信息进行预先训练的第三用户转化行为预测模型预测得到，使得预测的准确率更高。

作为示例性的实施方式，图6是根据本公开提供的预测用户转化行为方法进行用户转化行为发生概率的方法流程示意图。参阅图6所示，本公开提供的预测用户转化行为方法包括以下步骤。

在步骤S601中，获取第一转化行为发生概率以及第二转化行为发生概率。

其中，第一转化行为发生概率以及第二转化行为发生概率可以是基于第二用户转化行为预测模型得到的，也可以是基于第三用户转化行为预测模型得到的。

在步骤S602中，对第一转化行为发生概率以及第二转化行为发生概率进行加权计算，得到发生目标用户转化行为的目标概率。

本公开中，得到发生目标用户转化行为的目标概率，是通过第一转化行为发生概率以及第二转化行为发生概率进行加权计算，例如，第一转化行为发生概率的权重为a，第二转化行为发生概率的权重为b，发生目标用户转化行为的目标概率为(a^第一转化行为发生概率)+(b^第二转化行为发生概率)。

可以理解的是，第一转化行为发生概率始终无法代替第二转化行为发生概率，但二者之间存在一定的关系，当第一转化行为发生之后，才可能触发第二转化行为，故，本公开实施例中，将第一转化行为发生概率与第二转化行为概率进行加权计算，得到发生目标用户转化行为的目标概率。根据上述计算得到的目标概率，与用户特征之间的相似度更高，能够更为准确的将资源特征与用户特征相结合。

本公开实施例以下对应用本公开实施例涉及的资源推荐方法进行资源推荐的过程进行说明。本公开实施例中以Feed平台进行多元变现资源推荐为例进行说明。

一示例性实施方式中，在用户使用Feed平台时，平台获取用户特征以及多元变现资源特征，根据第一用户转化行为预测模型，得到用户的第一转化行为发生概率。基于第一转化行为发生概率预测用户发生转化行为的判断，并基于判断结果向用户推荐多元变现资源。

另一示例性实施方式中，在用户使用Feed平台时，平台获取根据用户点击行为以及用户已发生转化的数据，预测第一转化行为发生概率和第二转化行为发生概率。将第一用户转化行为发生概率和第二用户转化行为发生的概率进行加权计算，即(a^第一转化行为发生概率)+(b^第二转化行为发生概率)，得到发生目标用户转化行为的目标概率。基于发生目标用户转化行为的目标概率，向用户推荐多元变现资源。

又一示例性实施例中，在用户使用Feed平台时，平台获取用户点击行为、用户已发生转化的数据以及用户使用资源时长信息，预测第一转化行为发生概率和第二转化行为发生概率。将第一用户转化行为发生概率和第二用户转化行为发生概率进行加权计算，即(a^第一转化行为发生概率) +(b^第二转化行为发生概率)，得到发生目标用户转化行为的目标概率。基于发生目标用户转化行为的目标概率，向用户推荐多元变现资源。

其中，基于发生目标用户转化行为的目标概率，向用户推荐多元变现资源时，例如可以将变现资源推送给发生目标用户转化行为概率值较大的用户。其中，每个用户通过推送获取的多元变现资源各不相同，从而能够为用户推荐最感兴趣、转化率最高的资源，使得多元变现资源转化率更高。

基于相同的构思，本公开实施例中可以基于第一用户转化行为作为训练样本，丰富第二用户转化行为，进行用户转化行为预测模型的训练。

一示例性实施方式中，在转化行为稀疏的情况下，我们使用第一转化行为模拟第二转化行为进行模型训练，以丰富第二转化行为，提高用户转化行为预测模型预测的精准度。

一种实施方式中，本公开实施例中可以基于第一转化行为进行第一用户转化行为预测模型的训练。

作为示例性的实施方式，图7是根据本公开提供的训练第一用户转化行为预测模型训练的流程示意图。参阅图7所示，本公开提供的训练第一用户转化行为预测模型方法包括以下步骤。

在步骤S701中，获取第一样本数据。

本公开中，第一样本数据包括用户特征、资源特征以及第一标签，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第一转化行为与第二转化行为关联，并为发生第二转化行为的前一步操作行为，第一用户转化行为预测模型的输出为第一转化行为发生概率。

本公开中，根据用户历史转化行为中符合第一样本数据的数据，确定第一样本数据。

在步骤S702中，将第一样本数据中的用户特征和资源特征作为输入特征输入至第一预测模型，得到第一转化行为发生概率预测值。

在步骤S703中，基于第一标签和第一转化行为发生概率预测值，对第一预测模型进行训练，直至第一预测模型收敛，得到第一用户转化行为预测模型。

其中，本公开实施例中第一用户转化行为预测模型的输入为用户特征和资源特征，第一用户转化行为预测模型的输出为第一用户转化行为发生的概率。

其中，第一用户转化行为预测模型的训练过程可以采用传统的训练过程，不同之处在于作为训练样本的第一样本数据中包括用于指示用户对资源特征对应资源进行了第一转化行为的第一标签。其中，基于用户特征、资源特征以及标识第一转化行为的第一标签进行训练，由于第一转化行为能够丰富第二转化行为的数量，故相对基于第二转化行为进行训练得到的用户转化行为预测模型，预测的精准度更高，进而使得第一转化行为的概率预测更为准确。

本公开实施例中，在第二转化行为稀疏的情况下，可以采用训练第一用户转化行为的方式进行资源推荐使用的用户转化模型的训练，以缓解转化行为稀疏的问题。

然而，随着第二转化行为逐步积累，第二转化行为的样本数量也增加，例如，第三方平台可以把第二转化行为回传，第二转化行为样本稀疏问题会得到缓解，故本公开实施例中可以联合第一转化行为和第二转化行为进行用户转化行为模型的训练，即可以进行第二用户转化行为模型的训练。

作为示例性的实施方式，图8是根据本公开提供的训练第二用户转化行为预测模型训练的流程示意图。参阅图8所示，本公开提供的训练第二用户转化行为预测模型方法包括以下步骤。

在步骤S801中，确定第二样本数据。

本公开中，第二样本数据包括用户特征、资源特征、第一标签以及第二标签，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第二标签用于指示用户对资源特征对应资源进行了第二转化行为，第二用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率以及第二转化行为发生概率。

在步骤S802中，将第二样本数据中的用户特征和所述资源特征输入至第二预测模型，得到第一转化行为发生概率预测值以及第二转化行为发生概率预测值。

在步骤S803中，基于第一转化行为发生概率预测值和第一标签，以及基于第二转化行为发生概率预测值和第二标签，对第二预测模型进行训练，得到第二用户转化行为预测模型。

其中，本公开实施例中第二用户转化行为预测模型的输入为用户特征和资源特征，第二用户转化行为预测模型的输出为第一用户转化行为发生的概率和第二用户转化行为发生的概率。

其中，第二用户转化行为预测模型的训练过程可以采用传统的训练过程，不同之处在于训练样本包括第二样本数据。其中，第二样本数据中包括用于指示用户对资源特征对应资源进行了第一转化行为的第一标签，以及指示第二转化行为的第二标签。并且，第一用户转化行为发生概率的训练过程可以作为训练第二用户转化行为发生概率预测的辅助任务，提高第二用户转化行为发生概率的预测精准性。

图9是根据本公开提供的第二用户转化行为预测模型的训练架构示意图。参阅图9，第二用户转化行为预测模型的输入包括用户特征、资源特征、指示第一用户转化行为的第一标签以及指示第二用户转化行为的第二标签，输出包括第一转化行为发生概率以及第二转化行为发生概率，实现了第一转化行为发生概率以及第二转化行为发生概率的联合训练，提高转化行为发生概率的预测精准性。

并且，基于用户特征、资源特征以及标识第一转化行为的第一标签进行训练，由于第一转化行为能够丰富第二转化行为的数量，故相对基于第二转化行为进行训练得到的用户转化行为预测模型，预测的精准度更高，进而使得第一转化行为的概率预测更为准确。

根据本公开中提供的第二用户转化行为预测模型，用户的实际转化率、第一转化行为发生概率、模型预估精度均有所提升。

进一步的，本公开实施例中在进行了第一转化行为和第二转化行为的联合预测后，为了更为精准的提高转化行为预测精准性，可以进一步引入资源使用时长作为训练目标。

其中，图10示出了一种资源使用时长与用户转化行为发生概率之间的对应关系示意图。参阅图10所示，随着资源使用时长的增加，用户转化行为发生的概率也增加，随着用户转化率的提升，用户对于资源使用时长也有提升的趋势，即用户转化行为与用户对资源使用时长有正向关系。故引入资源使用时长进行用户转化行为预测模型的训练，可以进一步提高用户转化行为预测模型的预测精准度。引入资源使用时长训练的用户转化行为预测模型可以理解为是第三用户转化行为预测模型。

作为示例性的实施方式，图11是根据本公开提供的训练第三用户转化行为预测模型训练的流程示意图。参阅图11所示，本公开提供的训练第三用户转化行为预测模型方法包括以下步骤。

在步骤S1101中，确定第三样本数据。

本公开中，第三样本数据包括用户特征、资源特征、第一标签以及第二标签以及资源使用时长信息，第一标签用于指示用户述资源特征对应资源进行了第一转化行为，第二标签用于指示用户对资源特征对应资源进行了第二转化行为。

在步骤S1102中，将第三样本数据中的用户特征和资源特征输入至第三预测模型，得到第一转化行为发生概率预测值以及第二转化行为发生概率预测值。

在步骤S1103中，基于第一转化行为发生概率预测值和第一标签，以及基于第二转化行为发生概率预测值和第二标签，以及资源使用时长信息，对第三预测模型进行训练，得到第三用户转化行为预测模型。

其中，第三用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率，第二转化行为发生概率以及资源使用时长。

其中，第三用户转化行为预测模型的训练过程可以采用传统的训练过程，不同之处在于训练样本包括第三样本数据。其中，第二样本数据中包括用于指示用户对资源特征对应资源进行了第一转化行为的第一标签，指示第二转化行为的第二标签以及资源使用时长信息。并且，第一用户转化行为发生概率的训练过程、资源使用时长的训练过程可以作为训练第二用户转化行为发生概率预测的辅助任务，实现一种多目标任务的用户转化行为模型训练的方式，提高第二用户转化行为发生概率的预测精准性。

图12示出了本公开一示例性实施例中示出的一种第三用户转化行为预测模型的网络架构示意图。参阅图12所示，第三用户转化行为预测模型的输入包括用户特征、资源特征、指示第一用户转化行为的第一标签以及指示第二用户转化行为的第二标签，输出包括第一转化行为发生概率，第二转化行为发生概率以及资源使用时长，实现了第一转化行为发生概率、第二转化行为发生概率以及资源使用时长的联合训练。

在一示例性实施例中，第三用户转化行为预测模型的输入可以是用户点击行为、用户请求、用户对资源使用时长以及转化四个输入值，对第三用户转化行为预测模型进行训练。

其中，用户点击行为以及用户请求属于第一转化行为，因用户对资源使用时长和第一转化行为的样本量更多，且用户发生上述行为与第二转化行为类似，故第三用户转化行为预测模型可以从中学习用户行为特征，进而对第二转化行为做出更精准的预估。

本公开实施例提供的用户转化行为预测模型的方法中，基于转化行为前一步操作的操作行为与目标转化行为之间的关系，将与转化行为有关系的前一步操作行为纳入用户转化行为预测模型进行训练，由于样本量与转化行为相比更多，更适合模型进行训练。

本公开实施例提供的三个用户转化行为预测模型在训练过程中，存在着一个共享的隐藏网络，共享的隐藏网络能够起到第一用户转化行为预测模型、第二用户转化行为预测模型以及第三用户行为转化预测模型中任一用户转化行为预测模型的更新都可以对其他用户转化行为预测模型的结果起到正相关的影响，使得用户转化行为预测模型的预测结果更为准确。

本公开实施例中，在用户转化行为预测模型训练过程中，可以从其他与转化有关的行为中学习用户行为特点，提升用户转化行为预测模型预测精度。进一步的，本公开实施例提供的用户转化行为预测模型的训练方法，可以在不改变模型更新周期的情况下提升了模型训练效果，这样可以在保证对冷启用户预估效果的基础上，进一步提升模型与其他用户的预估效果。

基于相同的构思，本公开实施例还提供一种预测用户转化行为的装置。

可以理解的是，本公开实施例提供的预测用户转化行为的装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。

作为一示例性实施方式，图13是根据本公开一示例性实施方式中示出的一种预测用户转化行为的装置的框图。参阅图13所示，本公开提供的预测用户转化行为装置1300包括获取单元1301，预测单元1302。

其中，获取单元1301，用于获取用户特征以及资源特征。预测单元 1302，用于根据用户特征以及资源特征，预测第一转化行为发生概率，第一转化行为发生概率为具有用户特征的用户对资源特征对应资源进行第一转化行为的概率，第一转化行为与第二转化行为关联，并为发生第二转化行为的前一步操作行为，第二转化行为是预设的需要预测的发生的目标用户转化行为。

作为示例性的实施方式，预测单元1302采用如下方式预测第一转化行为发生概率：将用户特征以及资源特征输入至第一用户转化行为预测模型，基于第一用户转化行为预测模型的输出，确定第一转化行为发生概率，第一用户转化行为预测模型基于第一样本数据预先训练得到，第一样本数据包括用户特征、资源特征以及第一标签，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第一用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率。

其中，预测单元1302用于采用如下方式预测第二转化行为发生概率：将用户特征以及资源特征输入至第二用户转化行为预测模型，基于第二用户转化行为预测模型的输出，确定第一转化行为发生概率；第二用户转化行为预测模型基于第二样本数据预先训练得到，第二样本数据包括用户特征、资源特征、第一标签以及第二标签，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第二标签用于指示用户对资源特征对应资源进行了第二转化行为，第二用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率以及第二转化行为发生概率。

其中，预测单元1302用于采用如下方式预测第一转化行为发生概率：将用户特征以及资源特征输入至第三用户转化行为预测模型，基于第三用户转化行为预测模型的输出，确定第一转化行为发生概率，第三用户转化行为预测模型基于第三样本数据预先训练得到，第三样本数据包括用户特征、资源特征、第一标签、第二标签以及资源使用时长信息，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第二标签用于指示用户对资源特征对应资源进行了第二转化行为，第三用户转化行为预测模型的输入为用户特征以及资源特征，输出为第一转化行为发生概率，第二转化行为发生概率以及资源使用时长转化行为发生概率。

其中，对于获取单元1301，预测单元1302中任意一项装置，还用于：对第一转化行为发生概率以及第二转化行为发生概率进行加权，得到发生目标用户转化行为的目标概率。

作为示例性的实施方式，图14是根据本公开提供的一种训练用户转化行为预测模型装置的框图。参阅图14所示，本公开提供的训练用户转化行为预测模型装置1400包括获取单元1401，预测单元1402，训练单元 1403。

其中，获取单元1401，用于获取第一样本数据，第一样本数据包括用户特征、资源特征以及第一标签，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第一转化行为与第二转化行为关联，并为发生第二转化行为的前一步操作行为；

预测单元1402，用于将第一样本数据中的用户特征和资源特征作为输入特征输入至第一预测模型，得到第一转化行为发生概率预测值；

训练单元1403，用于根据第一标签和第一转化行为发生概率预测值，对第一预测模型进行训练，直至第一预测模型收敛，得到第一用户转化行为预测模型，第一用户转化行为预测模型的输出为第一转化行为发生概率。

作为示例性的实施方式，图15是根据本公开提供的一种训练用户转化行为预测模型装置的框图。参阅图15所示，本公开提供的训练用户转化行为预测模型装置1500包括确定单元1501，预测单元1502，训练单元 1503。

其中，确定单元1501，用于确定第二样本数据，第二样本数据包括用户特征、资源特征、第一标签以及第二标签，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第二标签用于指示用户对资源特征对应资源进行了第二转化行为；

预测单元1502，用于将第二样本数据中的用户特征和资源特征作为输入特征输入至第二预测模型，得到第一转化行为发生概率预测值以及第二转化行为发生概率预测值；

训练单元1503，用于根据第一转化行为发生概率预测值和第一标签，以及基于第二转化行为发生概率预测值和第二标签，对第二预测模型进行训练，得到第二用户转化行为预测模型，第二用户转化行为预测模型输出为第一转化行为发生概率以及第二转化行为发生概率。

作为示例性的实施方式，图16是根据本公开提供的一种训练用户转化行为预测模型装置的框图，参阅图16所示，本公开提供的训练用户转化行为预测模型装置1600包括确定单元1601，预测单元1602，训练单元 1603。

其中，确定单元1601，用于确定第三样本数据，第三样本数据包括用户特征、资源特征、第一标签以及第二标签以及资源使用时长信息，第一标签用于指示用户对资源特征对应资源进行了第一转化行为，第二标签用于指示用户对资源特征对应资源进行了第二转化行为；

预测单元1602，用于将第三样本数据中的用户特征和资源特征作为输入特征输入至第三预测模型，得到第一转化行为发生概率预测值以及第二转化行为发生概率预测值；

训练单元1603，用于根据第一转化行为发生概率预测值和第一标签，以及基于第二转化行为发生概率预测值和第二标签，以及资源时长预测值和资源使用时长信息，对第三预测模型进行训练，得到第三用户转化行为预测模型，第三用户转化行为预测模型的输出为第一转化行为发生概率，第二转化行为发生概率以及资源使用时长。

关于本公开上述涉及的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图17示出了可以用来实施本公开的实施例的示例电子设备1700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图17所示，设备1700包括计算单元1701，其可以根据存储在只读存储器(ROM)1702中的计算机程序或者从存储单元1708加载到随机访问存储器(RAM)1703中的计算机程序，来执行各种适当的动作和处理。在RAM 1703中，还可存储设备1700操作所需的各种程序和数据。计算单元1701、ROM 1702以及RAM 1703通过总线1704彼此相连。输入/输出(I/O)接口1705也连接至总线1704。

设备1700中的多个部件连接至I/O接口1705，包括：输入单元1706，例如键盘、鼠标等；输出单元1707，例如各种类型的显示器、扬声器等；存储单元1708，例如磁盘、光盘等；以及通信单元1709，例如网卡、调制解调器、无线通信收发机等。通信单元1709允许设备1700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1701执行上文所描述的各个方法和处理，例如预测用户转化行为的方法和/或训练模型的方法。例如，在一些实施例中，预测用户转化行为的方法和/或训练模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1702和/或通信单元1709而被载入和/或安装到设备1700上。当计算机程序加载到RAM1703并由计算单元1701执行时，可以执行上文描述的预测用户转化行为的方法和/或训练模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行预测用户转化行为的方法和/或训练模型的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。