具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

用户购买的商品体现出了用户各种信息，例如商品对应的类型可以分为教育培训、旅游出行、汽车、母婴、房产等，两个用户如果购买的商品列表相似度很高，表明两者相似较高，可以某个用户购买的产品可以推荐给另一个用户。然而，随着用户生活阶段的改变，用户的消费行为或商品购买情况也会发生变化。因此，需要对用户类别进行调整。

鉴于此，本公开提供一种用户类别调整方法，能够根据用户的消费行为数据（例如商品购买数据）不断调整用户类别，从而提高用户分类的准确性。以下参照附图描述本公开的方案，如图1所示，图1为本公开实施例所提供的一种用户类别调整方法的流程示意图，具体包括：

S101，获取包括N个用户的用户数据的数据集合。

在一些实施例中，用户数据包括用户类别。示例性地，可以初始化每个用户的用户标识并将其作为每个用户的用户类别，换言之，如果开始有N个用户，则对应存在N个用户类别。例如，若存在4个用户，则对应存在4个用户标识和4个用户类别，例如（U1，C1）、（U2，C2）、（U3，C3）和（U4，C4），该4个用户数据可以组成数据集合，其中，Ui为第i个用户的用户标识，Ci为第i个用户的用户类别，i=1, 2, 3, 4。

S103，确定每个用户的消费行为权重向量。

示例性地，以实际的购买商品作为消费行为为例进行说明。具体地，可以通过后台数据或者历史数据获取用户购买各商品的列表数据，从而生成一张商品购买列表。商品购买列表中各用户通过用户标识被唯一表征，同时每个商品也可以通过商品标识item或者商品被唯一表征，每一个用户标识、商品标识和用户购买该商品次数一一对应。如表1所示，表1为本公开实施例所提供的一种商品购买列表的示意表格。

表1 商品购买列表

进而，即可以基于表1所示的商品购买列表分别确定每个用户的消费行为权重向量，从而形成与用户一一对应的消费行为权重向量。显然，若存在x种商品，则在消费行为权重向量中应当存在x个权重元素。即用户Ui所对应的消费行为权重向量W_i=（W1，W2，……，Wx），每一个权重元素与一个商品对应。

以表1为例，确定每个用户的消费行为权重向量可以包括：确定每个用户所购买的各商品的次数；针对任一商品，确定购买该商品的用户数量与所有商品的购买用户总数的比例；根据每个用户所购买的各商品的次数与所述比例，计算每个用户对于各商品的购买权重，以确定每个用户的消费行为权重向量。

具体地，对用户U1，所对应的消费行为权重向量W₁=（10/（10+15），15/（15+35）），即（0.4，0.3），其中，0.4为对用户U1来说商品标识Item1对应商品的权重元素，0.3为对用户U1来说商品标识Item2对应商品的权重元素。对用户U2，所对应的消费行为权重向量W₂=（15/（10+15），35/（15+35）），即（0.6，0.7），其中，0.6为对用户U2来说商品标识Item1对应商品的权重元素，0.7为对用户U2来说商品标识Item2对应商品的权重元素。

S105，基于所述每个用户的消费行为权重向量，确定用户Ui与N个用户中其他用户之间的相似度。

其中，所述用户Ui为所述N个用户中的任一用户，i=1,2, …, N。

示例性地，确定用户Ui与所述N个用户中其他用户之间的相似度时，可以根据用户Ui与所述N个用户中其他用户所对应的消费行为权重向量的距离来计算。例如，计算两个用户的消费行为权重向量的欧氏距离或者余弦相似度等等，进而根据欧氏距离或者余弦相似度，计算用户Ui与所述N个用户中其他用户之间的相似度。比如，通常欧氏距离越小，则相似度越大。

S107，基于相似度，将用户Ui的用户类别Ci调整为与用户Ui之间的相似度最大的用户Uj的用户类别Cj。

具体地，步骤S107中，j=1,2, …, N，j≠i。

示例性地，在步骤S107中，不依赖于顺序进行任一的调整，调整所依赖的数据实际上为初始的用户数据，而不是调整后的用户数据。例如，假设与用户U1具有最大相似度的用户为用户U2，则将用户U1的类别变为用户U2的类别，即(U1，C1)变为(U1，C2)，同时，若与用户U2具有最大相似度为用户U1，用户U2的类别变为用户U1的类别，则(U2，C2)基于初始的用户数据（U1，C1）变为(U2，C1)。

例如，现在假设存在4个用户数据(U1，C1)至(U4，C4)，如图2所示，图2为本公开实施例所提供的一种用户数据以及相似度的示意图。在该示意图中，用户1与用户2、3、4之间的相似度分别为0.8、0.6和0.4，用户2与用户3、4之间的相似度为0.2和0.6，用户3和4之间的相似度为0。

则基于前述方式，采用如下方式进行用户类别的调整：

与用户U1具有最大相似度的用户为用户U2，用户U1的类别变为用户U2的类别，则(U1，C1)变为(U1，C2)；与用户U2具有最大相似度为用户U1，用户U2的类别变为用户U1的类别，则(U2，C2)变为(U2，C1)；与用户U3具有最大相似度为用户U1，用户U3的类别变为用户U1的类别，则(U3，C3)变为(U3，C1)；与用户U4具有最大相似度为用户U2，用户U4的类别变为用户U2的类别，则(U4，C4)变为(U4，C2)。

经过上述步骤S107的调整后的用户类别（或者又称之第一轮调整）以及相似度即如图3所示，图3为本公开实施例所提供调整后的用户类别以及相似度的示意图。可以看到，在经过上述调整，实际上存在的用户类别的数量已经大大减少。

S109，针对用户Ui，将所述N个用户中与所述用户Ui的相似度大于预设相似度阈值的用户确定为与所述用户Ui存在关联关系的用户，并确定所述与所述用户Ui存在关联关系的用户所对应的K个用户类别，1≤K≤N。

具体而言，通过步骤S109从而筛选得到与用户Ui存在关联关系的用户，该用户的数量可以为多个或者一个，并确定存在关联关系的用户对应的K个用户类别。

续前例而言，在图3中，对于用户U1而言，则可以认为与其存在关联关系的用户为用户U2、用户U3和用户U4，而对于用户U4而言，由于用户U3与用户U4之间的相似度为0，则可以认为与用户U4存在关联关系的用户为用户U1和用户U2。因此，实际上对于用户U1而言，此时与其存在关联关系的用户的用户类别即为用户类别C1和用户类别C2。

S111，分别确定所述用户Ui与所述K个用户类别的相似度指标值，并根据所述相似度指标值对所述用户Ui的用户类别进行迭代更新，直至满足预设的迭代条件，以确定M个用户类别，1≤M≤K。

在经过第一轮的迭代之后，实际上已经存在的用户类别的数量K相较于初始的N个用户类别（实际上，假设初始的用户数据为10万，则会存在10万个初始的用户类别）已经大为减少。

同时，对于每一个用户Ui而言，基于上述步骤S109中关联关系的筛选则可以确定出与其具有关联关系的K个用户类别，从而可以分别确定所述用户Ui与所述K个用户类别的相似度指标值。

相似度指标值可以是诸如在某一个用户类别中所包含的用户与用户Ui的相似度和值或相似度均值等等相似度的统计值，从而可以得到用户Ui与所述K个用户类别的相似度指标值，进一步根据所述相似度和值或相似度均值，从所述K个用户类别中确定最大相似度和值或相似度均值对应的用户类别；再根据所述最大相似度和值或相似度均值对应的用户类别，对所述用户Ui的用户类别进行迭代更新，从而实现了将用户Ui的用户类别在第一轮调整的基础上再次调整为：K个用户类别中，与用户Ui的相似度指标值最大的用户类别。

例如，对于图3中的用户U1而言，与其存在关联关系的3个用户有两个类别C1和C2，那么如果以相似度的和值作为用户类别的相似度指标值，则对于用户U1的用户类别的更新算法如下：

用户类别C1中所包含的用户为用户U2和用户U3，因此，相对于用户U1，用户类别C1的相似度指标值为0.8+0.6=1.4，同理，相对于用户U1，用户类别C2的相似度指标值为0.4，因1.4>0.4则用户U1的用户类别由C2变为C1，即将(U1,C2)变为(U1,C1)，对于其余的用户U2、用户U3和用户U4以此类推。

如果以相似度均值作为用户类别的相似度指标值，则对于用户U1的用户类别的更新算法如下：

对于用户U2而言，用户类别C1的相似度指标值为0.2，用户类别C2的相似度指标值为(0.8+0.6)/2=0.7，则用户U2的用户类别更新为C2，即(U2，C1)变为(U2，C2)；

对于用户U3而言，用户类别C1的相似度指标值为0.2，用户类别C2的相似度指标值为0.6，则U3的类别更新为C2，即(U3，C1)变为(U3，C2)；

对于用户U2而言，用户类别C1的相似度指标值为0.6，用户类别C2的相似度指标值为 0.4，则U4的类别更新为C1，即(U4，C2)变为(U4，C1)。

需要说明的是，无论在迭代过程中对于用户类别进行何种的调整，由于用户的消费行为权重向量不变，因此各用户之间的相似度是保持不变的。经过第二轮调整，各用户的用户类别如图4所示，图4为本公开实施例所提供的进行了第二轮调整后的用户类别与相似度的示意图。

在第二轮调整中，迭代可以反复进行，通常每经过一次迭代，所存在的用户类别的数量都会减少一些，直至在某个数量范围内反复振荡。基于此，可以预先设置迭代条件，当迭代的次数或迭代的结果满足预设条件时，即停止迭代，输出当前的M个用户类别，1≤M≤K。

具体而言，迭代条件可以是如下之一：输入迭代次数达到预设次数（例如，预设迭代次数为100次）；迭代之后的用户类别数量M不超过预设类别数量阈值（例如，M不超过预设类别数量阈值50）；迭代之后的M个用户类别中至少一个类别中的用户数量超过预设用户数量阈值（例如，至少一个类别中的用户数量超过预设用户数量阈值5000）。具体的预设条件还可以基于实际需要自行设定，以满足实际业务的需要。

S113，针对所述M个用户类别中的任一用户类别，确定该用户类别对应的偏好商品，将所述偏好商品推荐给具有该用户类别的用户。

经过前述第二轮调整得到了M个用户类别，每个用户类别中即存在相应的多个不同的用户。这些用户之间通常由于彼此存在一定的相似度，因此即可以基于类别中所包含的用户的购买偏好向该类别中的用户进行商品推荐。

在推荐时，可以向该类别的全体用户进行偏好商品的推荐，或，还可以向该类别的未购买过偏好商品的用户进行偏好商品的推荐等等。

本公开实施例中提供的一个或多个技术方案中，获取包括N个用户的用户数据的数据集合，其中，所述用户数据包括用户类别，N为大于等于2的正整数；确定每个用户的消费行为权重向量；基于所述每个用户的消费行为权重向量，确定用户Ui与所述N个用户中其他用户之间的相似度，其中，所述用户Ui为所述N个用户中的任一用户，i=1,2, …, N；基于所述相似度，将所述用户Ui的用户类别Ci调整为与所述用户Ui之间的相似度最大的用户Uj的用户类别Cj，其中，j=1,2, …, N，j≠i，从而实现对用户类别的调整。当应用到商品推荐时，可以进行精确的商品推荐。

当然，为使得权重元素对于用户画像的表征更为精确，在其他实施例中，也可以采用其它的消费行为权重向量的计算方式。

例如，对于任意的商品，该商品的权重元素weight=(用户购买该商品次数/用户购买的商品总次数)*log(总用户数/购买该商品的用户数)，基于该方式可以更准确的反映出各商品在整体用户群中的实际影响，有利于更准确的实现用户之间的相似度评估。

在一种实施例中，在确定任意两个用户之间的相似度时，可以采用如下方式，例如，对于5个商品item1至item5，用户U1所对应的消费行为权重向量为W1（0.3，0.4，0.5，0.1，0），而用户标识U2所对应的商品购买权重向量为W2=（0，0.1，0.2，0，0.5），则可以基于如下的计算方式来得到相似度：

从而可以更准确的评估出两个用户之间的相似度。

在一种实施例中，在调整后的N个用户数据中确定与其存在关联关系的用户时，可以进基于用户之间的相似度进行关联关系的确定。例如，在调整后的N个用户数据中，将相似度大于预设相似度阈值的用户确定为与该用户存在关联关系的用户。例如，若将预设相似度阈值设置为0，再参见图图3中的示意中，用户U3和用户U4之间的相似度为0，则二者为不存在关联关系的用户。若预设相似度阈值设置为0.3，则与U2存在关联关系的用户为用户U1和用户U4，此时用户U3将和用户U2不存在关联关系。通过方式，可以预先在类别调整前预先晒筛除关联关系较小，而保留相似度较大的用户之间的用户类别关联，从而提高用户分类的准确性。

在一种实施例中，在确定某个用户类别对应的偏好商品时，可以将该用户类别中所购买次数最多的商品确定为该用户类别对应的偏好商品，或，将该用户类别中购买比例最高的商品确定为该类别的偏好商品等等。例如，针对任一商品，计算该用户类别中所包含的用户中购买该商品的用户比例；当所述用户比例超过预设比例阈值时，将该商品确定为所述用户类别对应的偏好商品，向该用户类别中的用户推荐该偏好商品。

例如，计算每个类别中购买某个产品P1的用户比例，若比例大于预设比例阈值0.5，即认为该群体中有一半用户偏好购买P1，因此，P1即为该用户类别对应的偏好商品，可以向该群体中未购买用户推荐产品P1。显然，一个用户类别对应的偏好商品可以是多个。通过该方式，可以实现在用户都较为相似的同一用户类别中实现更精准的商品推荐，提高用户体验。

此处，需要说明的是，在其他实施例中，也可以不包括上述步骤S109，或，不包括上述步骤S111-S113。

在本公开实施例的第二方面，还提供了一种用户类别调整装置，如图5所示，图5为本公开实施例所提供的一种用户类别调整装置的结构示意图，包括：

数据获取模块501，用于获取包括N个用户的用户数据的数据集合，其中，所述用户数据包括用户类别，N为大于等于2的正整数；

权重确定模块503，用于确定每个用户的消费行为权重向量；

相似度确定模块505，用于基于所述每个用户的消费行为权重向量，确定用户Ui与所述N个用户中其他用户之间的相似度，其中，所述用户Ui为所述N个用户中的任一用户，i=1,2, …, N；

调整模块507，用于基于所述相似度，将所述用户Ui的用户类别Ci调整为与所述用户Ui之间的相似度最大的用户Uj的用户类别Cj，其中，j=1,2, …, N，j≠i；

关联确定模块509，用于针对用户Ui，将所述N个用户中与所述用户Ui的相似度大于预设相似度阈值的用户确定为与所述用户Ui存在关联关系的用户，并确定所述与所述用户Ui存在关联关系的用户所对应的K个用户类别，1≤K≤N；

迭代模块511，用于分别确定所述用户Ui与所述K个用户类别的相似度指标值，并根据所述相似度指标值对所述用户Ui的用户类别进行迭代更新，直至满足预设的迭代条件，以确定M个用户类别，1≤M≤K。

可选地，在一实施例中，权重确定模块503还用于：

确定每个用户所购买的各商品的次数；针对任一商品，确定购买该商品的用户数量与所有商品的购买用户总数的比例；

以及，根据每个用户所购买的各商品的次数与所述比例，计算每个用户对于各商品的购买权重，以确定每个用户的消费行为权重向量。

可选地，在一实施例中，迭代模块511还用于：

针对用户Ui，将所述N个用户中与所述用户Ui的相似度大于预设相似度阈值的用户确定为与所述用户Ui存在关联关系的用户；

确定所述与所述用户Ui存在关联关系的用户所对应的K个用户类别，1≤K≤N；

分别确定所述用户Ui与所述K个用户类别的相似度指标值，并根据所述相似度指标值对所述用户Ui的用户类别进行迭代更新，直至满足预设的迭代条件，以确定M个用户类别，1≤M≤K。

可选地，在一实施例中，迭代模块511还用于：

针对所述K个用户类别中的任一用户类别，确定该用户类别中所包含的用户与所述用户Ui的相似度和值或相似度均值；

根据所述相似度和值或者相似度均值，从所述K个用户类别中确定最大相似度和值或相似度均值对应的用户类别；以及

根据所述最大相似度和值或相似度均值对应的用户类别，对所述用户Ui的用户类别进行迭代更新。

可选地，在一实施例中，所述预设的迭代条件可为如下之一：

迭代次数达到预设次数；

迭代之后的用户类别数量M不超过预设类别数量阈值；

迭代之后的M个用户类别中至少一个类别中的用户数量超过预设用户数量阈值。

可选地，在一实施例中，用户类别调整装置还可以包括商品推荐模块，用于：

针对所述M个用户类别中的任一用户类别，确定该用户类别对应的偏好商品；以及将所述偏好商品推荐给具有该用户类别的用户。

在本公开实施例的第三方面，本公开示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。

本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或要求的本公开的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器（ROM）602中的计算机程序或从存储单元608加载到随机访问存储器（RAM）603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603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。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元604可以包括但不限于磁盘、光盘。通信单元609允许电子设备600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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元601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601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601执行上文所描述的各个方法和处理。例如，在一些实施例中，如本公开实施例的用户类别调整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608。在一些实施例中，计算机程序的部分或全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。在一些实施例中，计算单元601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行如本公开实施例的用户类别调整。

在上述用户类别调整装置、电子设备、计算机可读存储介质、计算机程序产品，优选地的实施例方案可参见上述用户类别调整方法实施例，详细不再赘述。

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。

如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

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LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或轨迹球），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、或触觉反馈）；并且可以用任何形式（包括声输入、语音输入或、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）、或包括中间件部件的计算系统（例如，应用服务器）、或包括前端部件的计算系统（例如，具有图形用户界面或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）、或包括这种后台部件、中间件部件、或前端部件的任何组合的计算系统中。可以通过任何形式或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。