CN113704596A - 用于生成召回信息集合的方法和装置 - Google Patents

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于生成召回信息集合的方法或用于生成召回信息集合的装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对接收到的用户浏览信息序列进行分析处理，并根据生成相应的召回信息集合(例如用户可能感兴趣的信息)，还可以将生成的召回信息集合反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于生成召回信息集合的方法一般由服务器105执行，相应地，用于生成召回信息集合的一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于生成召回信息集合的方法的一个实施例的流程200。该用于生成召回信息集合的方法包括以下步骤：

步骤201，获取用户浏览信息序列。

在本实施例中，用于生成召回信息集合的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取用户浏览信息序列。其中，上述用户浏览信息可以包括按照用户浏览时间排列的已浏览信息的标识。上述已浏览信息可以包括终端展示给用户的各种信息，例如资讯信息，商品信息。上述用户浏览信息序列例如可以包括用户在预设时间段(例如10分钟)内先后浏览过的商品信息的标识(item id)的序列。上述商品信息的标识可以包括各种用于唯一标识所展示的商品的字符串，此处不再赘述。

在本实施例中，作为示例，上述执行主体可以获取预先存储于本地的用户浏览信息序列，也可以从与之通信连接的电子设备(例如图1所示的终端设备101、102、103)获取上述用户浏览信息序列。

需要说明的是，上述“浏览”还可以包括划分为更细致的维度。例如指浏览时长大于预设时长阈值，再例如还可以指针对所浏览的页面进行过点击操作(例如“点赞”、“评论”、“加入收藏”等)。

步骤202，将用户浏览信息序列输入至预先训练的信息关联模型，生成与用户浏览信息序列对应的信息关联向量。

在本实施例中，上述执行主体可以将步骤201所获取的用户浏览信息序列输入至预先训练的信息关联模型，生成与用户浏览信息序列对应的信息关联向量。其中，上述信息关联模型可以用于表征信息关联向量与用户浏览信息序列之间的对应关系。上述信息关联模型可以是各种通过机器学习方法训练得到的能够生成特征向量的模型，例如循环神经网络(Recurrent Neural Networks，RNN)、长短期记忆网络(Long Short-Term Memory，LSTM)等。

在本实施例的一些可选的实现方式中，上述信息关联模型可以通过以下步骤训练得到：

第一步，获取训练样本集合。

在这些实现方式中，用于训练上述信息关联模型的执行主体可以首先获取训练样本集合。其中，上述训练样本集合中的训练样本可以包括用户历史浏览信息序列。上述用户历史浏览信息可以包括按照用户浏览时间排列的已浏览信息的标识。上述用户历史浏览信息序列可以包括样本标签和对应的样本序列。上述样本标签可以包括用户历史浏览信息序列中的非首元素。上述样本序列可以包括在用户历史浏览信息序列中位于样本标签之前的元素所组成的子序列。

在这些实现方式中，作为示例，用户在10分钟内依次点击了介绍商品A、商品F、商品H、商品S的页面。则上述训练样本可以为(商品A，商品F，商品H，商品S)。样本标签可以为“商品S”。与上述样本标签对应的样本序列可以为(商品A，商品F，商品H)。通过与上述类似的方法可以搜集大量的训练样本，从而组成上述训练样本集合。

第二步，将训练样本的样本序列作为信息关联模型的输入，将与输入的样本序列对应的样本标签作为信息关联模型的期望输出，训练得到信息关联模型。

在这些实现方式中，用于训练上述信息关联模型的执行主体可以将上述第一步所获取的训练样本的样本序列输入至初始信息关联模型，得到网络输出。其中，上述初始信息关联模型可以包括各种RNN，例如LSTM、GRU(gated recurrent neural network，门控循环神经网络)。而后，上述执行主体可以将上述网络输出与输入的样本序列对应的样本标签进行比较。基于上述比较结果调整上述初始信息关联网络的网络参数，并在满足训练结束条件时停止训练。之后，上述执行主体可以将通过上述训练的、网络参数调整后的初始信息关联模型确定为上述信息关联模型。

基于上述可选的实现方式，上述执行主体可以通过对信息关联模型的训练提高所生成的信息关联向量的准确性，为后续的信息召回提供良好的数据基础。

步骤203，从预设的信息簇集合中选取与信息关联向量匹配的第一数目个匹配的信息簇。

在本实施例中，上述执行主体可以通过各种方式从预设的信息簇集合中选取与上述步骤202所获取的信息关联向量匹配的第一数目个匹配的信息簇。其中，上述信息簇集合中的信息簇通常以与上述信息关联向量形式一致的向量为索引。在本实施例中，上述预设的信息簇集合中可以包括多个信息簇。其中，上述每个信息簇通常与各自的索引向量相对应。上述索引向量通常与上述信息关联向量的形式一致，例如维度相同。

在本实施例中，作为示例，上述执行主体可以通过K最近邻(k-Nearest Neighbor，KNN)分类算法从预设的信息簇集合中选取与信息关联向量匹配的第一数目个匹配的信息簇。作为又一示例，上述执行主体可以将步骤202所获取的信息关联向量与上述预设的信息簇集合中的信息簇对应的索引向量进行相似度比较。而后，上述执行主体可以按照相似度从高至低的顺序选取第一数目个匹配的信息簇。其中，上述第一数目可以是预先设置的任意数目。上述第一数目也可以是根据规则而定的数目，例如相似度超过相似度阈值的信息簇的数目。

在本实施例的一些可选的实现方式中，上述执行主体还可以通过以下步骤从预设的信息簇集合中选取与信息关联向量匹配的第一数目个匹配的信息簇：

第一步，获取信息簇集合中各信息簇的质心对应的索引向量。

在这些实现方式中，上述执行主体还可以首先获取信息簇集合中各信息簇的质心对应的索引向量。作为示例，上述信息簇集合中各信息可以各自对应有特征向量。上述执行主体可以将各信息簇的质心所对应的特征向量确定为上述各信息簇对应的索引向量。

第二步，根据索引向量与信息关联向量的相似度选取第一数目个索引向量。

在这些实现方式中，上述执行主体可以根据上述第一步所获取的索引向量与信息关联向量的相似度，通过与前述步骤203类似的方式选取第一数目个索引向量。

第三步，将所选取的第一数目个索引向量对应的信息簇确定为匹配的信息簇。

基于上述可选的实现方式，上述执行主体可以利用各信息簇的质心对应的索引向量作为匹配的信息簇的检索依据，提升了匹配的信息簇的选取效率和准确度。

在本实施例的一些可选的实现方式中，基于通过前述训练步骤训练得到的信息关联模型，上述预设的信息簇集合可以通过以下步骤得到：

第一步，获取用户历史浏览信息序列集合。

在这些实现方式中，用于构建信息簇集合的执行主体可以通过各种方式获取用户历史浏览信息序列集合。其中，上述用户历史浏览信息可以包括按照用户浏览时间排列的历史已浏览信息的标识。

需要说明的是，上述用户历史浏览信息可以直接采用上述训练样本集合。上述用户历史浏览信息也可以与上述训练样本集合不同。

第二步，将用户历史浏览信息序列集合中的用户历史浏览信息序列输入至预先训练的信息关联模型，生成与用户历史浏览信息序列集合对应的历史信息关联向量集合和历史关联信息集合。

在这些实现方式中，用于构建信息簇集合的执行主体可以将上述第一步所获取的用户历史浏览信息序列集合中的用户历史浏览信息序列输入至上述训练好的信息关联模型，从而生成与用户历史浏览信息序列集合对应的历史信息关联向量集合和历史关联信息集合。其中，上述历史关联信息集合中的历史关联信息可以从上述信息关联模型的输出层得到。上述历史关联信息的形式通常与上述样本标签一致。上述历史信息关联向量集合中的历史信息关联向量可以从上述信息关联模型的隐层得到。上述历史信息关联向量可以与上述历史关联信息相对应。

第三步，对所生成的历史信息关联向量集合进行聚类，将聚类后的历史信息关联向量集合对应的历史关联信息集合确定为信息簇集合。

在这些实现方式中，上述执行主体可以首先通过各种方式对上述第二步所生成的历史信息关联向量集合进行聚类。其中，上述聚类方式例如可以包括kmeans(k均值)算法。而后，上述执行主体可以将上述聚类后的历史信息关联向量集合对应的历史关联信息集合确定为信息簇集合。

基于上述可选的实现方式，上述执行主体可以根据利用上述信息关联模型所得到的历史信息关联向量集合来构建信息簇集合。从而可以通过融合了基于用户(user-based)的协同过滤思想的模型学习到的特征，自动为信息簇中的信息进行分类，与人工分类相比具有更高的准确性和灵活性。

步骤204，从第一数目个匹配的信息簇中选取第二数目个信息，生成与用户浏览信息序列匹配的召回信息集合。

在本实施例中，上述执行主体可以通过各种方式从步骤203所选取的第一数目个匹配的信息簇中选取第二数目个信息，从而生成与用户浏览信息序列匹配的召回信息集合。作为示例，上述执行主体可以从上述步骤203所选取的第一数目个匹配的信息簇中按照与上述步骤202所生成的信息关联向量之间的相似度从高至低的顺序选取第二数目个信息，从而组成上述与用户浏览信息序列匹配的召回信息集合。其中，上述第二数目可以是预先设置的任意数目。上述第二数目也可以是根据规则而定的数目，例如相似度超过相似度阈值的信息的数目。作为又一示例，上述执行主体还可以根据与信息簇对应的索引向量与信息关联向量的相似度排序相一致的数目关系从各信息簇中选取各自数目的信息共计第二数目个，即从相似度越高的索引向量对应的信息簇中选取越多的信息。例如第一数目个匹配的信息簇M₁、M₂、M₃、M₄、M₅对应的索引向量与信息关联向量的相似度递减。假设第二数目为100，上述执行主体可以分别从上述信息簇M₁、M₂、M₃、M₄、M₅选取24、22、20、18、16条信息。

继续参见图3，图3是根据本公开的实施例的用于生成召回信息集合的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端设备302在购物类APP上异常浏览了“野餐垫”、“保鲜盒”、“纯净水”等商品，得到用户浏览信息序列303。终端设备302将上述用户浏览信息序列303发送至后台服务器304。后台服务器304将获取的用户浏览信息序列303输入至预先训练的信息关联模型，生成对应的信息关联向量V_t305。之后，根据预设的信息簇集合306的索引向量V₁-V₁₀₀₀，后台服务器304从上述信息簇集合306中选取3个匹配的信息簇307。而后，后台服务器304从上述匹配的信息簇307中选取100条信息生成召回信息集合308。其中，上述召回信息集合中例如可以包括“湿巾”、“帐篷”、“桌游”、“太阳镜”等商品信息。可选地，后台服务器304还可以将生成的召回信息集合308发送至终端设备302，以使用户301浏览。

目前，现有技术之一通常是单独采用协同过滤或单独采用传统向量化召回的方法，导致所召回的信息难以具有较高的覆盖率或可能召回大量的长尾信息。而本公开的上述实施例提供的方法，通过将备选信息分成若干个信息簇并根据向量间的匹配选取信息簇，无需以用户交互或商品共现作为检索前提，有效地提升了召回信息的覆盖率。而且，通过从匹配的信息簇中进行二次选取来生成召回信息，避免了由于单一相似度维度而造成的召回大量长尾信息，提升了信息推荐的准确度和转化率。从而从整体上提升召回模型的应用效果。

进一步参考图4，其示出了用于生成召回信息集合的方法的又一个实施例的流程400。该用于生成召回信息集合的方法的流程400，包括以下步骤：

步骤401，获取用户浏览信息序列。

在本实施例中，上述数据属性信息可以包括历史合作数据信息。

步骤402，将用户浏览信息序列输入至预先训练的信息关联模型，生成与用户浏览信息序列对应的信息关联向量。

步骤403，从预设的信息簇集合中选取与信息关联向量匹配的第一数目个匹配的信息簇。

上述步骤401、步骤402、步骤403分别与前述实施例中的步骤201、步骤202、步骤203及其可选的实现方式一致，上文针对步骤201、步骤202、步骤203及其可选的实现方式的描述也适用于步骤401、步骤402和步骤403，此处不再赘述。

步骤404，对于所选取的第一数目个匹配的信息簇，对各信息簇中的信息的历史浏览次数进行统计。

在本实施例中，对于所选取的第一数目个匹配的信息簇，用于生成召回信息集合的方法的执行主体(例如图1所示的服务器105)可以对上述各信息簇中的信息的历史浏览次数进行统计。其中，上述历史浏览次数可以通过上述各信息簇中的信息的出现次数来表示。

步骤405，按照信息的历史浏览次数从多至少的顺序选取第二数目个信息，生成与用户浏览信息序列匹配的召回信息集合。

在本实施例中，上述执行主体可以按照信息的历史浏览次数从多至少的顺序选取第二数目个信息，生成与上述用户浏览信息序列匹配的召回信息集合。其中，上述第二数目可以是预先设置的任意数目。上述第二数目也可以是根据规则而定的数目，例如浏览次数超过预设浏览量阈值，浏览次数占总信息量的占比超过预设浏览比率阈值。

作为示例，例如10个匹配的信息簇中共包括1000条信息。上述执行主体既可以从上述1000条信息中按照信息的历史浏览次数从多至少的顺序选取100条信息，也可以从10个信息簇中按照簇内的信息的历史浏览次数从多至少的顺序各自选取10条信息，从而生成与用户浏览信息序列匹配的召回信息集合。

从图4中可以看出，本实施例中的用于生成召回信息集合的方法的流程400体现了根据历史浏览次数从多至少的顺序从匹配的信息簇中选取召回信息的步骤。由此，本实施例描述的方案可以利用历史数据所呈现的浏览数据为召回信息的二次选取提供基础，从而有效地减小了召回大量商品的可能性，提升了召回算法的效果。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于生成召回信息集合的装置的一个实施例，该装置实施例与图2或图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于生成召回信息集合的装置500包括获取单元501、生成单元502、选取单元503和召回单元504。其中，获取单元501，被配置成获取用户浏览信息序列，用户浏览信息包括按照用户浏览时间排列的已浏览信息的标识；生成单元502，被配置成将用户浏览信息序列输入至预先训练的信息关联模型，生成与用户浏览信息序列对应的信息关联向量；选取单元503，被配置成从预设的信息簇集合中选取与信息关联向量匹配的第一数目个匹配的信息簇，信息簇集合中的信息簇以与信息关联向量形式一致的向量为索引；召回单元504，被配置成从第一数目个匹配的信息簇中选取第二数目个信息，生成与用户浏览信息序列匹配的召回信息集合。

在本实施例中，用于生成召回信息集合的装置500中：获取单元501、生成单元502、选取单元503和召回单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述选取单元503可以包括：获取模块(图中未示出)、选取模块(图中未示出)、确定模块(图中未示出)。其中，上述获取模块，可以被配置成获取信息簇集合中各信息簇的质心对应的索引向量。上述选取模块，可以被配置成根据索引向量与信息关联向量的相似度选取第一数目个索引向量。上述确定模块，可以被配置成将所选取的第一数目个索引向量对应的信息簇确定为匹配的信息簇。

在本实施例的一些可选的实现方式中，上述信息关联模型可以通过以下步骤训练得到：获取训练样本集合，其中，训练样本包括用户历史浏览信息序列，用户历史浏览信息包括按照用户浏览时间排列的已浏览信息的标识，用户历史浏览信息序列包括样本标签和对应的样本序列，样本标签包括用户历史浏览信息序列中的非首元素，样本序列包括在用户历史浏览信息序列中位于样本标签之前的元素所组成的子序列；将训练样本的样本序列作为信息关联模型的输入，将与输入的样本序列对应的样本标签作为信息关联模型的期望输出，训练得到信息关联模型。

在本实施例的一些可选的实现方式中，上述预设的信息簇集合可以通过以下步骤得到：获取用户历史浏览信息序列集合，其中，用户历史浏览信息包括按照用户浏览时间排列的历史已浏览信息的标识；将用户历史浏览信息序列集合中的用户历史浏览信息序列输入至预先训练的信息关联模型，生成与用户历史浏览信息序列集合对应的历史信息关联向量集合和历史关联信息集合；对所生成的历史信息关联向量集合进行聚类，将聚类后的历史信息关联向量集合对应的历史关联信息集合确定为信息簇集合。

在本实施例的一些可选的实现方式中，上述召回单元504可以包括：统计模块(图中未示出)、生成模块(图中未示出)。其中，上述统计模块，可以被配置成对于所选取的第一数目个匹配的信息簇，对各信息簇中的信息的历史浏览次数进行统计；生成模块，可以被配置成按照信息的历史浏览次数从多至少的顺序选取第二数目个信息，生成与用户浏览信息序列匹配的召回信息集合。

本公开的上述实施例提供的装置，首先通过生成单元502得到用户浏览信息序列对应的信息关联向量，选取单元503根据向量间的匹配从由若干个信息簇组成的备选信息中选取匹配的信息簇，从而有效地提升了召回信息的覆盖率。而且，通过召回单元504从匹配的信息簇中进行二次选取来生成召回信息，避免了由于单一相似度维度而造成的召回大量长尾信息，提升了信息推荐的准确度和转化率。从而从整体上提升召回模型的应用效果。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD，LiquidCrystal Display)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取用户浏览信息序列，其中，用户浏览信息包括按照用户浏览时间排列的已浏览信息的标识；将用户浏览信息序列输入至预先训练的信息关联模型，生成与用户浏览信息序列对应的信息关联向量；从预设的信息簇集合中选取与信息关联向量匹配的第一数目个匹配的信息簇，其中，信息簇集合中的信息簇以与信息关联向量形式一致的向量为索引；从第一数目个匹配的信息簇中选取第二数目个信息，生成与用户浏览信息序列匹配的召回信息集合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、生成单元、选取单元、召回单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取用户浏览信息序列的单元，其中，用户浏览信息包括按照用户浏览时间排列的已浏览信息的标识”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。