一种信息推送方法、装置、设备及计算机可读存储介质转让专利
申请号 : CN202011295660.9
文献号 : CN112398947B
文献日 : 2022-03-08
发明人 : 王绍蔚 , 杜家春 , 朱艺宁 , 钱宇秋
申请人 : 腾讯科技(深圳)有限公司
摘要 :
权利要求 :
1.一种信息推送方法,其特征在于,包括:当检测到目标对象的触发操作时,响应于所述触发操作,展示资讯界面,并在所述资讯界面展示推送入口标识;所述推送入口标识用于触发进入信息推送界面,所述资讯界面用于展示各个功能的入口标识;
在检测到所述目标对象针对所述推送入口标识的界面跳转操作时,响应于所述界面跳转操作,展示信息推送界面;所述信息推送界面上设置有推送触发标识和信息展示区域,所述信息展示区域用于展示推送的信息;
当检测到所述目标对象针对所述推送触发标识的信息推送操作时,响应于所述信息推送操作,发送针对所述目标对象的信息推送请求;
接收针对所述信息推送请求所返回的待推送信息;所述待推送信息是利用表征了所述目标对象对候选推送信息的兴趣程度,以及所述候选推送信息的信息源对于所述候选推送信息的回报偏好的推送权重,从所述候选推送信息中筛选出的,所述推送权重是通过特征挖掘模型对响应于所述信息推送请求所提取到的目标特征和候选特征进行分析得到的;
在所述信息推送界面的所述信息展示区域中,展示所述待推送信息。
2.根据权利要求1所述的方法,其特征在于,所述候选推送信息包括:至少一个子信息;
所述响应于所述信息推送操作,发送针对所述目标对象的信息推送请求之后,所述在所述信息推送界面的所述信息展示区域中,展示所述待推送信息之前,所述方法还包括:获取所述候选推送信息中的所述至少一个子信息所对应的至少一个展示图标;所述至少一个展示图标是服务器在针对所述目标对象进行信息推送之前所发送的;
在所述信息展示区域中,动态显示所述候选推送信息中的所述至少一个子信息所对应的所述至少一个展示图标。
3.根据权利要求2所述的方法,其特征在于,所述在所述信息推送界面的所述信息展示区域中,展示所述待推送信息,包括:逐渐降低所述至少一个展示图标的切换速度,直至在所述信息展示区域中,静止显示所述待推送信息所对应的展示图标时,停止动态显示所述至少一个子信息所对应的所述至少一个展示图标;
在所述信息展示区域中,显示从所述待推送信息解析出的描述信息;所述描述信息用于提示所述目标对象所述待推送信息的详情。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述信息推送界面包括提示信息区域;所述在所述信息推送界面的所述信息展示区域中,展示所述待推送信息之后,所述方法还包括:
在所述信息推送界面中的所述提示信息区域中,呈现更新推送提示信息和推送更新控件;
所述更新推送提示信息用于提示所述目标对象重新开始信息推送,所述推送更新控件用于触发新一轮的信息推送;
当检测到所述目标对象针对所述推送更新控件的更新触发操作时,响应于所述更新触发操作,发送信息更新请求,以使服务器返回针对所述目标对象的更新后的推送信息;
在所述信息展示区域中,展示所述更新后的推送信息。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述信息推送界面包括控件展示区域;所述在所述信息推送界面的所述信息展示区域中,展示所述待推送信息之后,所述方法还包括:
在所述控件展示区域呈现所述待推送信息对应的操作触发控件;所述操作触发控件用于所述目标对象触发针对所述待推送信息的转化操作;
所述待推送信息包括:待推送的实体物品对应的信息、待推送的文章、待推送的视频、待推送的歌曲、待推送的虚拟道具中的一个或多个;
所述转化操作包括:下单操作、下载操作、浏览操作、播放操作、点赞操作和评论操作中的一个或多个。
6.一种信息推送方法,其特征在于,包括:接收终端发送的针对目标对象的信息推送请求;
响应于所述信息推送请求,提取所述目标对象对应的目标特征,以及候选推送信息对应的候选特征;
通过特征挖掘模型对所述目标特征和所述候选特征进行分析,确定出所述候选推送信息对应的推送权重;所述推送权重表征了所述目标对象对所述候选推送信息的兴趣程度,以及所述候选推送信息的信息源对于所述候选推送信息的回报偏好;
根据所述推送权重,从所述候选推送信息中筛选出待推送信息,并将所述待推送信息发送给所述终端。
7.根据权利要求6所述的方法,其特征在于,所述通过特征挖掘模型对所述目标特征和所述候选特征进行分析,确定出所述候选推送信息对应的推送权重,包括:利用特征挖掘模型,对所述目标特征和所述候选特征进行特征挖掘,得到待预测向量;
所述特征挖掘模型是利用基于历史回报指标所计算出的损失值训练出来的;
对所述待预测向量进行权重预测,得到所述候选推送信息对应的推送权重。
8.根据权利要求7所述的方法,其特征在于,所述候选推送信息包括至少一个子信息;
所述利用特征挖掘模型,对所述目标特征和所述候选特征进行特征挖掘,得到待预测向量之前,所述方法还包括:
获取初始挖掘模型、所述至少一个子信息对应的至少一个历史回报指标、所述至少一个子信息对应的至少一个训练子特征、所述目标对象的训练特征、以及所述目标对象的曝光信息;所述曝光信息表征所述至少一个子信息中给所述目标对象展示过的所有信息;所述初始挖掘模型为未经过训练的模型;
利用初始挖掘模型,对所述训练特征和所述至少一个训练子特征进行特征挖掘,得到所述至少一个训练子特征对应的至少一个训练向量,并依据所述至少一个训练向量,预测出所述至少一个子信息对应的至少一个临时权重;
基于损失计算模型,对所述至少一个临时权重、所述至少一个历史回报指标和所述曝光信息进行损失计算,得到所述目标对象对应的损失值;所述损失计算模型表征权重、回报指标和曝光信息三个维度之间形成的损失关系;
利用所述损失值,持续调整所述初始挖掘模型,直至达到训练结束条件,得到所述特征挖掘模型。
9.根据权利要求8所述的方法,其特征在于,所述曝光信息包括:有效曝光信息和无效曝光信息;所述有效曝光信息表征所述目标对象进行了转化操作的曝光信息,所述无效曝光信息表征所述目标对象没有进行转化操作的曝光信息;
所述对所述至少一个临时权重、所述至少一个历史回报指标和所述曝光信息进行损失计算,得到所述目标对象对应的损失值,包括:从所述至少一个历史回报指标中,提取出与所述至少一个临时权重中的每个临时权重相对应的匹配历史回报指标,并将所述每个临时权重与所述匹配历史回报指标相乘,得到所述每个临时权重对应的第一损失参数;
从所述至少一个临时权重中,筛选出所述有效曝光信息对应的有效曝光权重,以及所述无效曝光信息对应的无效曝光权重;
将所述有效曝光权重和无效曝光权重进行累加,得到第二损失参数,并将所述第一损失参数和所述第二损失参数相比,得到所述每个临时权重对应的子损失值;
从所述每个临时权重对应的子损失值中,筛选出有效曝光信息对应的有效子损失值,将所述有效子损失值的累加结果的相反数,作为所述目标对象对应的损失值。
10.根据权利要求7至9任一项所述的方法,其特征在于,所述候选特征包括至少一个子特征,所述特征挖掘模型包括交互挖掘子模型和向量挖掘子模型;所述利用特征挖掘模型,对所述目标特征和所述候选特征进行特征挖掘,得到待预测向量,包括:采用所述向量挖掘子模型,将所述目标特征进行向量化,得到所述目标特征对应的目标向量,以及将所述至少一个子特征中的每个子特征进行向量化,得到所述每个子特征对应的子向量;
利用所述交互挖掘模型,对所述每个子特征对应的子向量和所述目标向量进行交互特征挖掘,得到所述每个子特征所对应的交互特征向量;
将所述每个子特征所对应的所述交互特征向量进行拼接,得到所述待预测向量。
11.一种推送信息展示装置,其特征在于,包括:操作检测模块,用于检测目标对象的触发操作;检测所述目标对象针对所述推送入口标识的界面跳转操作;以及检测所述目标对象针对所述推送触发标识的信息推送操作;
信息展示模块,用于响应于所述触发操作,展示资讯界面,并在所述资讯界面展示推送入口标识;所述推送入口标识用于触发进入信息推送界面,所述资讯界面用于展示各个功能的入口标识;响应于所述界面跳转操作,展示信息推送界面;所述信息推送界面上设置有推送触发标识和信息展示区域,所述信息展示区域用于展示推送的信息;以及在所述信息推送界面的所述信息展示区域中,展示所述待推送信息;
第一发送模块,用于响应于所述信息推送操作,发送针对所述目标对象的信息推送请求;
第一接收模块,用于接收针对所述信息推送请求所返回的待推送信息;所述待推送信息是利用表征了所述目标对象对候选推送信息的兴趣程度,以及所述候选推送信息的信息源对于所述候选推送信息的回报偏好的推送权重,从所述候选推送信息中筛选出的,所述推送权重是通过特征挖掘模型对响应于所述信息推送请求所提取到的目标特征和候选特征进行分析得到的。
12.一种推送信息获取装置,其特征在于,包括:第二接收模块,用于接收终端发送的针对目标对象的信息推送请求;
第二获取模块,用于响应于所述信息推送请求,提取所述目标对象对应的目标特征,以及候选推送信息对应的候选特征;
权重确定模块,用于通过特征挖掘模型对所述目标特征和所述候选特征进行分析,确定出所述候选推送信息对应的推送权重;所述推送权重表征了所述目标对象对所述候选推送信息的兴趣程度,以及所述候选推送信息的信息源对于所述候选推送信息的回报偏好;
信息筛选模块,用于根据所述推送权重,从所述候选推送信息中筛选出待推送信息;
第二发送模块,用于将所述待推送信息发送给所述终端。
13.一种终端,其特征在于,包括:第一存储器,用于存储可执行信息推送指令;
第一处理器,用于执行所述第一存储器中存储的可执行信息推送指令时,实现权利要求1至5任一项所述的方法。
14.一种服务器,其特征在于,包括:第二存储器,用于存储可执行信息推送指令;
第二处理器,用于执行所述第二存储器中存储的可执行信息推送指令时,实现权利要求6至10任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,存储有可执行信息推送指令,用于被第一处理器执行时,实现权利要求1至5任一项所述的方法;或者用于被第二处理器执行时,实现权利要求6至10任一项所述的方法。
说明书 :
一种信息推送方法、装置、设备及计算机可读存储介质
技术领域
背景技术
荐中、电商平台的实体物品的推荐中,乃至是游戏的虚拟道具的推荐之中。
先推送,导致信息推送的准确度较低。
发明内容
面用于展示各个功能的入口标识;
域,所述信息展示区域用于展示推送的信息;
息的信息源对于所述候选推送信息的回报偏好;
作;
个功能的入口标识;响应于所述界面跳转操作,展示信息推送界面;所述信息推送界面上设
置有推送触发标识和信息展示区域,所述信息展示区域用于展示推送的信息;以及在所述
信息推送界面的所述信息展示区域中,展示所述待推送信息;
选出的。
推送之前所发送的;
图标时,停止动态显示所述至少一个子信息所对应的所述至少一个展示图标;在所述信息
展示区域中,显示从所述待推送信息解析出的描述信息;所述描述信息用于提示所述目标
对象所述待推送信息的详情。
更新控件;所述更新推送提示信息用于提示所述目标对象重新开始信息推送,所述推送更
新控件用于触发新一轮的信息推送;
述待推送信息包括:待推送的实体物品对应的信息、待推送的文章、待推送的视频、待推送
的歌曲、待推送的虚拟道具中的一个或多个;所述转化操作包括:下单操作、下载操作、浏览
操作、播放操作、点赞操作和评论操作中的一个或多个。
以及所述候选推送信息的信息源对于所述候选推送信息的回报偏好;
历史回报指标所计算出的损失值训练出来的;对所述待预测向量进行权重预测,得到所述
候选推送信息对应的推送权重。
特征、以及所述目标对象的曝光信息;所述曝光信息表征所述至少一个子信息中给所述目
标对象展示过的所有信息;所述初始挖掘模型为未经过训练的模型;利用初始挖掘模型,对
所述训练特征和所述至少一个训练子特征进行特征挖掘,得到所述至少一个训练子特征对
应的至少一个训练向量,并依据所述至少一个训练向量,预测出所述至少一个子信息对应
的至少一个临时权重;基于损失计算模型,对所述至少一个临时权重、所述至少一个历史回
报指标和所述曝光信息进行损失计算,得到所述目标对象对应的损失值;所述损失计算模
型表征权重、回报指标和曝光信息三个维度之间形成的损失关系;利用所述损失值,持续调
整所述初始挖掘模型,直至达到训练结束条件,得到所述特征挖掘模型。
述目标对象没有进行转化操作的曝光信息;
述匹配历史回报指标相乘,得到所述每个临时权重对应的第一损失参数;从所述至少一个
临时权重中,筛选出所述有效曝光信息对应的有效曝光权重,以及所述无效曝光信息对应
的无效曝光权重;将所述有效曝光权重和无效曝光权重进行累加,得到第二损失参数,并将
所述第一损失参数和所述第二损失参数相比,得到所述每个临时权重对应的子损失值;从
所述每个临时权重对应的子损失值中,筛选出有效曝光信息对应的有效子损失值,将所述
有效子损失值的累加结果的相反数,作为所述目标对象对应的损失值。
向量化,得到所述每个子特征对应的子向量;利用所述交互挖掘模型,对所述每个子特征对
应的子向量和所述目标向量进行交互特征挖掘,得到所述每个子特征所对应的交互特征向
量;将所述每个子特征所对应的所述交互特征向量进行拼接,得到所述待预测向量。
处理器执行时,实现本申请实施例服务器提供的信息推送方法。
展示界面,然后在目标对象针对信息展示界面的推送触发标识触发了信息推送操作时,从
服务器获取到依据目标对象的兴趣和信息源的回报偏好所筛选出的待推送信息,并将待推
送信息展示出来,如此,终端所展示的推送信息在兼顾了信息源的回报偏好的同时,还充分
考虑了目标对象兴趣,从而能够减小推送信息与用户实际感兴趣的信息差距,提高信息推
送的准确度。
附图说明
具体实施方式
做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
的情况下相互结合。
以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描
述的以外的顺序实施。
不是旨在限制本申请。
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。
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、自然语音处理技术以及机器学习/深度学习等几大方向。
学习行为,以获取新的知识或技能,重新组织已有的指示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
习等技术。
到该信息,并对该信息进行推送方所期望的操作。被推送的信息,可以是文章、歌曲、视频、
虚拟道具、实体物品对应的物品信息等。
道具的下单操作,从而信息源可以得到利润;信息源推送的信息为歌曲时,转化操作就可以
为针对歌曲的下载操作,从而信息源可以提升点击量或下载量。
时展示5个信息)时,可以将这5个不同的信息,轮流显示在展示区域中,以达到5个不同的信
息均被展示的目的。
撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网络、图片类网站和更多
的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识
别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行
业数据界需要强大的系统后端支撑,只能通过云计算来实现。
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。
够了解该信息,从而针对该信息做出信息源所期望的转化操作,从而为信息源带来一定的
回报。信息推送广泛应用于媒体信息推荐中,例如,将需要推广的文章、歌曲、视频等推送给
用户,以使用户来为这些媒体信息增加点击量。信息推送还广泛应用于电商平台中,例如,
将用户可能会喜欢的电子产品推送给用户,以使得用户对该电子产品进行下单。甚至于,信
息推送还能够应用于游戏应用的虚拟道具推荐之后,例如,为用户推送其经常玩的游戏应
用中的虚拟道具,以使得用户可以对这些虚拟道具进行下单等。
出的概率来对各个信息进行排序,从而筛选出需要推送的信息。第二种是先估计出用户对
各个信息的进行转化操作的概率,利用估计出的概率来对各个信息进行排序,之后,再根据
用户的转换操作所能带来的回报指标,来对排好的顺序进行调整,即利用回报指标和估计
出的概率相乘,依据得到的相乘结果对之前排好的顺序进行调整,从而确定出需要推送的
信息。
型,会考虑回报指标来进行转化操作的概率的预测,利用这种方式进行信息推送,会造成将
回报较高的信息优先推送,而这部分信息,未必是用户会感兴趣的。除此之外,在利用训练
好的模型预测出用户针对各个信息的转化操作的概率之前,需要先进行模型训练。而在模
型训练时,相关技术中大多采用的是交叉熵上的权重。然而,交叉熵上的权重并不具有现实
意义,缺乏可解释性,从而使得训练好的模型在预测各个信息的权重时,难以明确究竟是考
虑了何种因素来确定出转化操作的概率的,从而使得转化操作的概率的预测不稳定,进而
影响转化操作的概率的准确率,最终导致信息推送的准确率较低。在第二种方式中,所估计
出的概率与用户实际会进行转化操作的概率之间是会存在差距的,此时,再考虑回报指标,
会将这种差距放大,使得回报较高的信息先被推送,从而推送给用户的信息,未必是用户感
兴趣的。例如,针对游戏中两件不同的虚拟道具,用户对第一件虚拟道具的下单概率为0.7,
对第二件虚拟道具下单的概率为0.9,用户在面对这两件虚拟道具时,实际上是更倾向于下
单第二件虚拟道具。然而,第一件虚拟道具的回报指标为100,第二件虚拟道具的回报指标
为10,在考虑两件虚拟道具的回报指标之后,实际上推送给用户的虚拟道具,就会是第一件
虚拟道具,而不是用户兴趣更高的第二件虚拟道具。
户实际感兴趣的信息差距较大,最终导致信息推送的准确度较低。
实施例提供的信息推送设备可以实施为终端,也可以实施为服务器。其中,服务器可以是独
立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,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、CD N、以及大数据和人工智能平台等基础云计算服务器的云服务器;终端可以是
智能手机、平板电脑、笔记本电脑、台式计算机、智能音频、智能手表等,但并不局限于此。终
端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不作限
制。下面,将说明信息推送设备实施为终端和服务器时的示例性应用。
300连接服务器400,网络300可以是广域网或者局域网,又或者是二者的组合。服务器400还
配置有数据库500,数据库500用于为服务器400提供数据服务。
器400能够对该信息进行信息推送。服务器400接收到终端200‑1发送的创建好的信息,并将
终端200‑1创建好的信息,加入至候选推送信息,存储在数据库500中。
面,并在资讯界面展示推送入口标识,其中,推送入口标识用于触发进入信息推送界面,资
讯界面用于展示各个功能的入口标识。终端200‑2在检测到目标对象针对推送入口标识的
界面跳转操作时,会响应于界面跳转操作,展示信息推送界面,信息推送界面上设置有推送
触发标识和信息展示区域,信息展示区域用于展示推送的信息。当终端200‑2检测到目标对
象针对推送触发标识的信息推送操作时,响应于信息推送操作,向服务器400发送针对目标
对象的信息推送请求。
400基于目标特征和候选特征,确定出候选推送信息对应的推送权重。其中,推送权重表征
了目标对象对候选推送信息的兴趣程度,以及候选推送信息对应的信息源对于候选推送信
息的回报偏好。服务器400根据推送权重,从候选推送信息中筛选出待推送信息,并通过网
络400将待推送信息发送给终端200‑2。
程。
第一用户接口230。终端200中的各个组件通过第一总线系统240耦合在一起。可理解,第一
总线系统240用于实现这些组件之间的连接通信。第一总线系统240除包括数据总线之外,
还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2(a)中将各种总
线都标为第一总线系统240。
或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的
处理器等。
一输入装置232,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示
屏、摄像头、其他输入按钮和控件。
处理器210的一个或多个存储设备。
器可以是随机存取存储器(RAM,Random Access Me mory)。本申请实施例描述的第一存储
器250旨在包括任意适合类型的存储器。
行总线(USB,Universal Serial Bus)等;
信息的用户接口);
等形式的软件,包括以下软件模块:操作检测模块2551、信息展示模块2552、第一发送模块
2553、第一接收模块2554和第一获取模块2555,这些模块是逻辑上的,因此根据所实现的功
能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
处理器,其被编程以执行本申请实施例提供的信息推送方法,例如,硬件译码处理器形式的
处理器可以采用一个或多个应用专用集成电路(A SIC,Application Specific
Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可
编程逻辑器件(CPLD,Complex Progra mmable Logic Device)、现场可编程门阵列(FPGA,
Field‑Programmable GateArray)或其他电子元件。
420和第二用户接口430。服务器400中的各个组件通过第二总线系统440耦合在一起。可理
解,第二总线系统440用于实现这些组件之间的连接通信。第二总线系统440除包括数据总
线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2(b)中
将各种总线都标为第二总线系统440。
或者晶体管逻辑器件、分立硬件组件等,其中,通用处理器可以是微处理器或者任何常规的
处理器等。
二输入装置432,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示
屏、摄像头、其他输入按钮和控件。
处理器410的一个或多个存储设备。
器可以是随机存取存储器(RAM,Random Access Me mory)。本申请实施例描述的第二存储
器450旨在包括任意适合类型的存储器。
行总线(USB,Universal Serial Bus)等;
信息的用户接口);
等形式的软件,包括以下软件模块:第二接收模块4551、第二获取模块4552、权重确定模块
4553、信息筛选模块4554、第二发送模块4555和模型训练模块4556,这些模块是逻辑上的,
因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功
能。
处理器,其被编程以执行本申请实施例提供的信息推送方法,例如,硬件译码处理器形式的
处理器可以采用一个或多个应用专用集成电路(A SIC,Application Specific
Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可
编程逻辑器件(CPLD,Complex Progra mmable Logic Device)、现场可编程门阵列(FPGA,
Field‑Programmable GateArray)或其他电子元件。
现的。终端处于运行状态中时,会对检测到目标对象所触发的各种操作,并响应这些操作,
来实现目标对象所要求实现的功能。当终端检测到目标对象的触发操作时,会明确在当前
需要为目标对象进行信息推送,这时,终端会响应于该触发操作,创建资讯界面,并在终端
的显示中展示资讯界面。同时,终端还会在资讯界面加载推送入口标识。
如,当展示入口控件为待主菜单界面上的应用图标时,终端检测到的目标对象针对该应用
图标的操作,就是触发操作;当展示入口控件为游戏界面中的虚拟道具图标时,终端检测到
的目标对象针对该虚拟道具的图标的操作,就是触发操作。
面),本申请在此不作限定。
区域设置在当前显示界面的左下角,大小设置为50×50,或者是将第一预设区域设置在显
示界面的右下方,大小设置为100×50等。
目标对象在该按键上进行了触发操作时,就能够跳转到资讯界面中。
象的触发操作,从而展示资讯界面。
可以展示不要求在目标对象进行转化操作之后得到回报指标的普通信息。示例性的,这些
普通信息可以是游戏中赠送给目标对象的道具礼包,也可以是每日新闻等。
信息的。也就是说,在本申请中,终端并不会直接向目标对象进行信息推送,而是根据目标
对象的后续操作,判断出目标对象是否具有进行信息推送的需求,在目标对象具有需求时,
才会向目标对象推送信息。
区域设置在资讯界面的右上方,大小设置为100×100,或者将第二预设区域设置在资讯界
面的左上角,大小设置为25×25等。
4b‑1中,展示有不同的功能的入口标识,例如,限时活动4b‑11(推送入口标识)、奖励兑换
4b‑12(登陆奖励兑换功能入口标识)、活动公告4b‑13(查询活动功能入口标识)、赠礼中心
4b‑14(礼包功能入口标识)等。其中,目标对象点击赠礼中心4b‑14之后,会在资讯界面4b‑1
右侧的窗口4b‑2中,展示针对目标对象的虚拟道具礼物(即死亡之翼宝箱,为不要求目标对
象在进行转化操作之后得到回报的信息),以及该虚拟道具礼物对应的领取4b‑21按键。目
标对象点击限时活动4b‑11,就能够进行信息推送界面。
(活动功能入口标识)和每周推荐4c‑13(推送入口标识)。其中,目标对象点击礼包中心4c‑
11之后,终端会在资讯界面4c‑1的内嵌窗口4c‑2中,展示针对目标对象的虚拟道具礼物(即
助力1人礼包4c‑21所包含的虚拟道具的名称,助力3人礼包4c‑22所包含的虚拟道具的名
称,这些即为不要求目标对象在进行转化操作之后得到回报的信息);目标对象点击活动中
心4c‑12之后,会在内嵌窗口4c‑2中展示当日的活动;当目标对象点击每周推荐4c‑13之后,
就会触发进入信息推送界面。
的操作时,就会将该操作作为界面跳转操作,并初步判断出当前目标对象具有信息推送的
需求。之后,终端会响应于界面跳转操作,创建信息推送界面,并在显示界面上显示信息推
送界面,从而实现从资讯界面跳转至信息推送界面,以便于后续通过目标对象在信息推送
界面上的操作,来进一步判断出目标对象是否真实具有信息推送的需求。
发标识,实质上是一个能够触发信息推送的控件。
以展示一些预设好的图案,例如,问号等图案,以提示目标对象当前还没有推送的信息。
设置在信息推送的上半部分,大小设置为200×100。第三预设区域可以根据实际需求进行
设置,本申请在此不作限定。
的中央,宽度设置为信息推送界面的3/4,高度设置为信息推送界面的一半,或者是将第一
预设区域设置在信息推送界面的底部,大小设置为500×500等,本申请在此不作限定。
的动画效果,从而使得信息推送界面更加丰富。
点击了图4(c)中的每周推荐4c‑13按键之后跳转进入的。在信息推送界面5‑1中设置有推送
触发标识5‑11和信息展示区域5‑12,在信息展示区域5‑12中,展示有预设好的问号图案,以
提示目标对象当前还没有推送信息。除此之外,在信息推送界面5‑1中,还显示有目标对象
的昵称5‑13,以及彩带飘动的动画效果。
操作,从而明确在当前需要为目标对象进行信息推送了。在此情况下,终端会响应于信息推
送操作,生成信息推送请求,并将目标对象的身份信息携带在信息推送请求中,通过网络发
送给服务器。服务器接收终端发送的针对目标对象的信息推送请求。
能够达到触发信息推送的操作,本申请在此不作限定。
信息,然后依据目标对象的身份信息,在数据库所存储的各个对象所对应的特征中,提取出
目标对象的特征,将提取出的特征,作为目标特征。同时,服务器还会在数据库中获取到候
选推送信息,并在数据库中提取候选推送信息所对应的特征,将该特征作为候选特征。
后,能够带来回报的信息,这些能够带来回报的信息,是在信息推送过程开始之前,就由信
息源所确定好的。例如,游戏应用中的所有虚拟道具,就是候选推送信息,电商平台上的所
有实体物品的信息,就是候选推送信息。从而,本申请是从所有通过转化操作能够带来回报
的信息中,为目标对象筛选出合适的信息,来进行推送的。
对象在历史时间进行转化操作的信息记录、目标对象进行转化操作是所展示的页面的上下
文等。目标特征还可以是从目标对象自身的属性进行向量化之后所得到的特征向量,例如,
从目标对象的历史操作信息中对应的向量,或者是从目标对象的社交圈中对应的向量。
文章、歌曲等),以及是候选推送信息的外在属性,例如,候选推送信息的价格、候选推送信
息的下载量等。可以理解的是,候选推送信息的内在属性,是由信息源决定好的,例如,信息
源决定了虚拟道具的功能是什么,信息源决定了实体物体的定价,信息源决定了歌曲需要
以何种宣传标识展示等。
于特征挖掘模型在训练时,充分考虑到了信息源对候选推送信息的回报偏好,因此,利用训
练好的特征挖掘模型来对目标特征和候选特征进行处理时,也会融合进信息源对候选推送
信息的回报偏好。因而,在利用训练好的特征挖掘模型对目标特征和候选特征所得到的处
理结果,能够同时表征目标对象对候选推送信息的感兴趣程度和信息源对候选推送信息的
回报偏好。服务器将所得到的处理结果作为推送权重,从而,推送权重表征了目标对象对候
选推送信息的兴趣程度,以及候选推送信息的信息源对于候选推送信息的回报偏好。
对应的推送权重时,实际上是利用目标特征,分别和每个子信息所对应的子特征进行组合,
得到每个子信息对应的特征组合,然后基于每个子信息对应的特征组合,确定出每个子特
征对应的权重的。
的权重,就是每个子信息对应的优先级,当推送权重是分数时,服务器为每个子信息所确定
出的权重,就是每个子信息对应的分数。
推送信息通过网络发送终端。对于终端而言,待推送信息是发送了信息推送请求之后才返
回的,因而,终端接收针对信息推送请求所返回的待推送信息,其中,待推送信息是服务器
根据目标对象的兴趣和信息源的回报偏好从候选推送信息中筛选出的。如此,终端就能够
得到既考虑了目标对象的兴趣,又考虑了信息源的回报偏好的待推送信息。
推送信息,也可以是将权重超过预设的权重阈值的子信息,作为待推送信息,还可以是将权
重依据从大到小的进行排序,将权重的次序位于某个特定阈值的之前的子信息中,将在历
史时间已经推送给目标对象的子信息除去之后所剩余的子信息,作为待推送信息。具体的
依据推送权重筛选待推送信息的过程可以根据实际情况进行选择,本申请在此不作限定。
对待推送信息进行转化操作的几率会更大,从而提高了信息推送的准确度。
观的了解待推送信息的功能。
在同一个转盘中,为待推送信息的展示加上转盘效果(即转盘最后定格在待推送信息),或
者是展示待推送信息时,添加宝箱打开的动画效果(即宝箱打开之后展示待推送信息)等。
目标对象针对信息展示界面的推送触发标识触发了信息推送操作时,从服务器获取到依据
目标对象的兴趣和信息源的回报偏好所筛选出的待推送信息,并将待推送信息展示出来,
如此,终端所展示的推送信息时充分在兼顾了信息源的回报偏好的同时,还充分考虑了目
标对象兴趣,从而能够减小推送信息与用户实际感兴趣的信息差距,提高信息推送的准确
度。
信息展示区域中,展示待推送信息之前,即在S104之后,S107之前,该方法还可以包括:
S108‑S109,如下:
使得终端在展示待推送信息时,可以利用这些展示图标来生成动态显示效果,增加展示的
趣味性。终端在信息推送开始之前,接收服务器所发送的每个子信息对应的展示图标,并将
每个子信息的展示图标存储起来。在终端向服务器发送了信息推送请求之后,终端就会从
存储空间中获取每个子信息的展示图标,以便于候选展示。
对象能够依据不同的展示图标,来区分不同的子信息。
展示图标中的下一个展示图标,显示在信息展示区域中,依次类推,将所有的展示图标轮流
显示在信息展示区域中,直至达到动态显示的结束条件时,不再切换下一个展示图标进行
展示。
信息展示区域中,显示到待推送信息时动态显示停止,本申请在此不作限制。
后,终端会在信息展示区域7‑11中展示当前展示图标7‑111的下一个展示图标7‑112,接着
展示再下一个展示图标7‑113,直至达到展示结束条件时停止。
并在信息展示区域中动态显示这些展示图标,以在展示待推送信息之前,信息展示界面具
有一定的趣味性,提高信息推送的展示体验。
域中,展示待推送信息的具体实现过程,即S107的具体实现过程,可以包括:S1071‑S1072,
如下:
展示图标。
推送信息之后,就会明确需要在信息展示区域中展示待推送信息对应的展示图标,从而,终
端会逐渐降低至少一个展示图标的切换速度,直到信息展示区域中,显示到待推送信息所
对应的展示图标时,停止继续切换待推送信息对应的展示图标的下一个图标,也即,终端在
信息展示区域中静态显示待推送信息所对应的展示图标之后,就会停止动态显示展示至少
一个展示图标的过程。
息。
的折扣、待推送信息的创作者等,本申请在此不作限定。
个子展示区域中任选一个,来展示待推送信息对应的展示图标(至少一个展示图标也是在
该子展示区域中进行轮流展示的),将剩余的一个,用来显示待推送信息的描述信息。
端在子区域8‑111中展示待推送信息对应的展示图标8‑12,在8‑112中展示从待推送信息中
解析出的描述信息8‑13,从而完成对待推送信息的展示过程。
息展示区域中显示待推送信息的描述信息,从而完成对待推送信息的展示,以便于目标对
象能够获取到待推送信息。
在S107之后,该方法还可以包括:S110‑S112,如下:
置提示信息区域,并在信息展示区域呈现待推送信息之后,在提示信息区域中呈现更新推
送提示信息和推送更新控件。其中,更新推送提示信息用于提示目标对象重新开始信息推
送,推送更新控件用于触发新一轮的信息推送。目标对象在终端的显示界面上获取到更新
推送提示信息之后,可以依据自身的需求,选择是否要触发推送更新控件,从而控制是否开
启新一轮的信息推送。
中,展示有更新推送提示信息:推荐的不感兴趣?再抽一次9‑12,以及展示有推送更新控件
9‑13,即再抽一次的虚拟按键。
息携带在信息更新请求中,发送给服务器,以使得服务器再次为目标对象筛选出新的待推
送的信息,从而得到更新后的推送信息,并将更新后的推送信息发送给终端。终端接收服务
器返回的更新后的推送信息。
了新一轮的信息推送过程。
控件触发新一轮的信息推送过程,当目标对象触发了新一轮的信息推送过程时,终端可以
从服务器获取更新后的推送信息并展示,从而实现更新推送给目标对象的信息。
后,即在S107之后,该方法还可以包括:S113,如下:
送信息的转化操作,即当终端检测到目标对象针对操作触发控件的操作时,就会认为目标
对象对待推送信息进行了转化操作。
息推送过程,可以应用在对上述实体物品对应的信息、文字、视频、歌曲、虚拟道具的一种或
多种的推送场景中。
10‑12,即显示有文字“立即下单10‑13”的虚拟按键。
特征挖掘模型来对目标特征和候选特征进行特征挖掘,特征挖掘模型所输出的特征向量,
就是待预测向量。
的回报偏好,即特征挖掘模型中的参数,与信息源的回报偏好是相关的,进而在利用已经训
练好的特征挖掘模型来对目标特征和候选特征进行特征挖掘时,可以利用与信息源的回报
偏好相关的参数,来提取出待预测向量,使得待预测向量与信息源的回报偏好相关联。同
时,特征挖掘模型的输入包括了目标对象的目标特征,因而,在利用特征挖掘模型时,也必
然会考虑到目标对象的兴趣。
在此不作限定。
每个子特征对应的特征对,然后对每个子特征对应的特征对进行特征挖掘,得到每个子特
征对应的向量,再对每个子特征对应的向量进行特征挖掘,得到最终的待预测向量;也可以
是将目标特征和每个子特征分别进行特征挖掘,得到目标特征对应的向量和每个子特征对
应的向量,再将目标特征对应的向量分别和每个子特征对应的向量组对,得到每个子特征
对应的向量对,然后在对每个子特征对应的向量对进行特征挖掘,并将挖掘出的特征向量
进行拼接,得到最终的待预测向量。
进行权重预测时,实质上就是预测每个子信息对应的权重,从而,分类器的输出为子信息数
量个权重,这些权重统称为推送权重。
报偏好,因而,分类器在进行权重预测时,也会考虑到信息源的回报偏好。
量,再对待预测向量进行权重预测,得到推送权重,从而在推送权重的确定过程中,充分考
虑到信息源的回报偏好。
方法还可以包括:S1053‑S1056,如下:
子特征,从而得到至少一个历史回报指标和至少一个训练子特征,其中,初始挖掘模型为未
经过训练的模型。同时,服务器还会获取目标对象在的曝光信息,以及目标对象的训练特
征。
属于曝光信息。
测出至少一个子信息对应的至少一个临时权重。
对应的训练向量,从而得到至少一个训练向量。然后再利用分类器对至少一个训练向量进
行权重预测,得到与至少一个子信息一一对应的至少一个临时权重。
对象的,因此,所计算出的损失值,也是针对于目标对象的。可以理解的是,损失计算模型表
征权重、回报指标和曝光信息三个维度之间形成的损失关系,更直观的,损失计算模型可以
理解为用权重、回报指标和曝光信息这三个变量来计算损失的公式。
是说,服务器针对不同的对象,能够训练出不同的特征挖掘模型,从而在后续只利用每个对
象专属的特征挖掘模型,来进行推送权重的确定,使得推送权重更加准确。
中,重复上述训练过程,直至达到训练结束条件时,将训练结束时所得到的模型,作为最终
的特征挖掘模型。
数也可根据实际情况进行设定,例如设定为1000次),本申请在此不作限定。
行训练,从而得到训练好的特征挖掘模型。并且,在训练时由于利用了至少一个子信息的至
少一个历史回报指标,从而所得到的特征挖掘模型,能够考虑到信息源的回报偏好。
行转化操作的曝光信息。示例性的,当曝光信息是虚拟道具时,若是目标对象对虚拟道具下
单,则该虚拟道具就为有效曝光信息,若是目标对象没有对虚拟道具下单,则该虚拟道具就
是无效曝光信息。在此情况下,参见图11,图11是本申请实施例提供的信息推送方法的一个
可选的流程示意图二,服务器对至少一个临时权重、至少一个历史回报指标和曝光信息进
行损失计算,得到目标对象对应的损失值,即S1055的具体实现过程,可以包括:S1055a‑
S1055d,如下:
到每个临时权重对应的第一损失参数。
存在有对应关系。服务器从至少一个历史回报指标中,提取出与每个临时权重相对应的匹
配历史回报指标,然后将每个临时权重与其所对应的匹配历史回报指标相乘,所得到的乘
积就是每个临时权重的第一损失参数。
对应的临时权重,将该临时权重作为有效曝光权重,以及查找到与无效信息对应的临时权
重,将该临时权重作为无效曝光权重。
算,将所得到的比值,作为每个临时权重对应的子损失值。
之后,服务器将所提取出的有效子损失值进行累加,然后对累加结果求相反数,将累加结果
的相反数,作为目标对象的子损失值。
的子信息的编号,loss(i)为目标对象对应的损失值。服务器在得到上述参数的具体数值之
后,就可以将上述参数的具体数值代入至式(1)中,计算出目标对象对应的损失值的具体数
值。
息,针对目标对象计算出损失值,从而所得到的损失值与历史回报指标关联,增强了损失值
的可解释性,以便于后续所训练出的特征挖掘模型能够考虑到信息源的回报偏好。
报指标的重定义,例如,目标对象进行转化操作的概率等。这时,服务器在计算每个临时权
重的第一损失参数时,可以先将匹配历史回报指标和转化操作本身的价值进行求和,将求
和结果与每个临时权重相乘,从而得到每个临时权重的第一损失参数,进而得到更准确的
损失值。并且,在模型训练开始之前,通过调整转化操作本身的价值,能够实现转化操作率
和曝光率之间的平衡,当转化操作本身的价值较大时,模型训练时会更加倾向于优化与转
化操作的概率相关的参数,当转化操作本身的价值较小时,模型训练时会更加倾向于优化
与曝光率相关的参数。
的子信息的编号,C为转化操作本身的价值,是一个超参数,可以在模型训练开始之前进行
调整,loss(i)为目标对象对应的损失值。服务器在得到上述参数的具体数值之后,就可以
将上述参数的具体数值代入至式(2)中,计算出目标对象对应的损失值的具体数值。
征挖掘,得到待预测向量,即S1051的具体实现过程,可以包括:S1051a‑S1051c,如下:
子向量。
转换为子向量。
多个线性层和多个非线性层,利用线性层的线性函数和非线性层中的非线性函数,来将目
标特征和每个子特征进行向量化。其中,线性层使用的线性函数可以为sigmoid函数,非线
性层的非线性函数可以为ReLu函数。
所输出的向量,就是每个子特征所对应的交互特征向量。
的拼接时,可以不用考虑各个交互特征向量之间的次序。
征为12‑2。服务器针对每个子特征12‑1i和目标特征12‑2,均利用向量构造子模型12‑3进行
向量化,其中,向量挖掘子模型由2个128维的非线性层、1个64维的非线性层和1个32维的线
性层连接而成。每个子特征12‑1i和目标特征12‑2在经过向量构造子模块12‑3所输出的向
量两两组对,分别输入到43个交互挖掘子模型12‑4中,其中,交互挖掘子模型12‑4由1个64
维的非线性层、1个32维的非线性层和1个1维的线性层组成。之后,服务器将这43个交互挖
掘子模型12‑4所输出的向量拼接,就得到了待预测向量。
和每个子特征对应的子向量所组成的向量对进行特征挖掘,得到交互特征向量,最后将所
有的交互特征向量拼接起来,就能够得到待预测向量,便于后续依据待预测向量来确定出
推送权重。
中,虚拟道具的数量为m,参与用户数量为20万,每个用户可以通过点击(触发操作)射击游
戏的主界面13‑1中的限时活动13‑11按键,跳转到射击游戏的活动介绍界面13‑2中(资讯界
面),在活动介绍界面13‑2中,具有限时优惠13‑21的入口图标(推送入口标识)、签到活动
13‑22的入口图标、以及活动公告13‑23的入口标识。当用户点击限时优惠13‑21之后,会进
入到虚拟道具的活动详情13‑3页面(信息推送界面),在该页面中,显示有“每周特惠”、“神
秘道具”、“惊喜折扣”等文字提示,从而便于用户了解该页面的是做什么用的。虽然已经展
示了活动详情13‑3页面时,但是此时还没有开始进行虚拟道具的推荐,只有当用户点击活
动详情13‑3页面的抽取道具折扣13‑31按键之后,后台才会为用户确定出虚拟道具(推送信
息),以及该虚拟道具所享有的折扣(描述信息),然后终端会将虚拟道具:皮肤宝箱13‑32、
享有的折扣:6折13‑33通过类似于抽奖的动画效果展示在活动详情13‑3的页面中,同时,在
活动详情13‑3的页面中展示立即下单13‑34按键(操作触发控件),当用户点击该按键时,就
会跳转进该虚拟道具的购买界面中。
模型和分类器),机器学习模型的输出为m维的向量Wi=[w(i,1),w(i,2),……,w(i,m)](i
为第i个用户,即目标对象),该m维向量的元素取值非赋且和为1。假设用户i(目标对象)在
一段时间内(历史时间)曝光未购买的虚拟道具的集合为Ni(无效曝光信息),用户i在一段
时间内曝光购买的虚拟道具的集合为Bi(有效曝光信息),则用户i对应的损失函数loss(i)
可以由式(1)计算出。接着,后台就会以用户i在当前日期之前37天至7天内的曝光和购买的
记录,以该损失函数最小化为目标,来对机器模型G进行训练,利用当前日期前7天的曝光和
购买记录,作为测试样本,来测试机器模型G的性能。
2),……,w(i,m)](推送权重),选择其中权重取值最大的k个虚拟道具进行推荐。
已经拥有的虚拟道具(目标特征)等特征作为输入,网络结构为[128,128,64,32]全连接(向
量挖掘子模型),道具embedding以虚拟道具的ID、价格等特征(子特征)作为输入,网络结构
为[128,128,64,32]全连接;embedding交互以32维的用户embedding和32维的道具
embedding作为输入,网络结构为[64,32,1](交互挖掘子模型)。机器模型G的输出为m个子
模型H的输出取Softmax。
Through Rate,CTR)的购买率为18.2%,曝光ARPU为2687.48,采样下单概率乘以回报指标,
即价格的方式推荐的虚拟道具的购买率为11.1%,曝光ARPU未2325.8,而采用本申请的推
送方法推荐的虚拟道具的购买率为15.5%,曝光ARPU未3011.9。由此可见,通过上述方式,
能够大幅度的提高信息推送的准确率。
中的软件模块可以包括:
操作;
示各个功能的入口标识;响应于所述界面跳转操作,展示信息推送界面,所述资讯界面用于
展示各个功能的入口标识;所述信息推送界面上设置有推送触发标识和信息展示区域,所
述信息展示区域用于展示推送的信息;以及在所述信息推送界面的所述信息展示区域中,
展示所述待推送信息;
中筛选出的。
行信息推送之前所发送的;
展示图标时,停止动态显示所述至少一个子信息所对应的所述至少一个展示图标;在所述
信息展示区域中,显示从所述待推送信息解析出的描述信息;所述描述信息用于提示所述
目标对象所述待推送信息的详情。
示信息用于提示所述目标对象重新开始信息推送,所述推送更新控件用于触发新一轮的信
息推送;
所述待推送信息的转化操作;所述待推送信息包括:待推送的实体物品对应的信息、待推送
的文章、待推送的视频、待推送的歌曲、待推送的虚拟道具中的一个或多个;所述转化操作
包括:下单操作、下载操作、浏览操作、播放操作、点赞操作和评论操作中的一个或多个。
中的软件模块可以包括:
度,以及所述候选推送信息的信息源对于所述候选推送信息的回报偏好;
基于历史回报指标所计算出的损失值训练出来的;对所述待预测向量进行权重预测,得到
所述候选推送信息对应的推送权重。
训练特征、以及所述目标对象的曝光信息;所述曝光信息表征所述至少一个子信息中给所
述目标对象展示过的所有信息;所述初始挖掘模型为未经过训练的模型;利用初始挖掘模
型,对所述训练特征和所述至少一个训练子特征进行特征挖掘,得到所述至少一个训练子
特征对应的至少一个训练向量,并依据所述至少一个训练向量,预测出所述至少一个子信
息对应的至少一个临时权重;基于损失计算模型,对所述至少一个临时权重、所述至少一个
历史回报指标和所述曝光信息进行损失计算,得到所述目标对象对应的损失值;所述损失
计算模型表征权重、回报指标和曝光信息三个维度之间形成的损失关系;利用所述损失值,
持续调整所述初始挖掘模型,直至达到训练结束条件,得到所述特征挖掘模型。
述目标对象没有进行转化操作的曝光信息;
与所述匹配历史回报指标相乘,得到所述每个临时权重对应的第一损失参数;从所述至少
一个临时权重中,筛选出所述有效曝光信息对应的有效曝光权重,以及所述无效曝光信息
对应的无效曝光权重;将所述有效曝光权重和无效曝光权重进行累加,得到第二损失参数,
并将所述第一损失参数和所述第二损失参数相比,得到所述每个临时权重对应的子损失
值;从所述每个临时权重对应的子损失值中,筛选出有效曝光信息对应的有效子损失值,将
所述有效子损失值的累加结果的相反数,作为所述目标对象对应的损失值。
进行向量化,得到所述每个子特征对应的子向量;利用所述交互挖掘模型,对所述每个子特
征对应的子向量和所述目标向量进行交互特征挖掘,得到所述每个子特征所对应的交互特
征向量;将所述每个子特征所对应的所述交互特征向量进行拼接,得到所述待预测向量。
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
设备执行本申请实施例上述的信息推送方法。
请实施例终端侧提供的信息推送方法,当可执行信息推送指令被第二处理器执行时,将引
起处理器执行本申请实施例服务器侧提供信息推送方法。
各种设备。
写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程
或者适合在计算环境中使用的其它单元。
Text Markup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个
文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文
件)中。
计算设备上执行。
内。