基于人工智能的推荐方法、装置及电子设备与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本技术涉及人工智能技术，尤其涉及一种基于人工智能的推荐方法、装置、电子设备及计算机可读存储介质。背景技术：2.人工智能(ai，artificial intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。3.账号推荐是人工智能的重要应用，账号推荐的重要组成部分是视频账号推荐，相关技术中仅会针对独立视频内容进行特征学习，而难以有效准确学习发布多个视频内容的账号特征，导致基于独立视频内容学习得到账号特征无法准确表征对应的账号，从而通过这种方式推荐的账号不能有效满足用户的兴趣，给用户造成不好的体验。4.发明视频5.本技术实施例提供一种基于人工智能的推荐方法、装置、电子设备及计算机可读存储介质，能够提高账号推荐的准确度。6.本技术实施例的技术方案是这样实现的：7.本技术实施例提供一种基于人工智能的推荐方法，包括：8.确定互动账号发布的多个历史视频，其中，所述互动账号与目标用户账号存在互动关系；9.对所述多个历史视频进行分段处理，得到每个所述历史视频的多个视频片段，并对每个所述历史视频的多个视频片段进行抽帧处理，得到每个所述视频片段的代表帧；10.基于每个所述视频片段的代表帧进行特征提取处理，得到每个所述视频片段的特征提取结果，并基于所述特征提取结果，确定所述互动账号的第一视频特征；11.对所述互动账号的第一视频特征进行基于注意力机制的特征增强处理，得到所述互动账号的第二视频特征；12.基于所述互动账号的第二视频特征确定待推荐账号，并基于所述待推荐账号执行对应所述目标用户账号的推荐操作。13.本技术实施例提供一种基于人工智能的推荐装置，包括：14.视频模块，用于确定互动账号发布的多个历史视频，其中，所述互动账号与目标用户账号存在互动关系；15.抽帧模块，用于对所述多个历史视频进行分段处理，得到每个所述历史视频的多个视频片段，并对每个所述历史视频的多个视频片段进行抽帧处理，得到每个所述视频片段的代表帧；16.提取模块，用于基于每个所述视频片段的代表帧进行特征提取处理，得到每个所述视频片段的特征提取结果，并基于所述特征提取结果，确定所述互动账号的第一视频特征；17.注意力模块，用于对所述互动账号的第一视频特征进行基于注意力机制的特征增强处理，得到所述互动账号的第二视频特征；18.推荐模块，用于基于所述互动账号的第二视频特征确定待推荐账号，并基于所述待推荐账号执行对应所述目标用户账号的推荐操作。19.在上述方案中，所述提取模块，还用于：当所述代表帧为对应所述视频片段的光流场帧时，对每个所述视频片段的代表帧进行基于时序维度的光流特征提取处理，得到所述视频片段的时序特征；当所述代表帧为对应所述视频片段的图像帧时，对每个所述视频片段的代表帧进行基于内容维度的内容特征提取处理，得到所述视频片段的内容特征。20.在上述方案中，当所述特征提取结果包括每个所述视频片段的时序特征以及内容特征时，所述提取模块，还用于：针对每个所述历史视频执行以下处理：对与所述历史视频的多个视频片段一一对应的多个时序特征进行拼接处理，得到所述历史视频的时序特征；对与所述历史视频的多个视频片段一一对应的多个内容特征进行拼接处理，得到所述历史视频的内容特征；对所述历史视频的时序特征以及所述历史视频的内容特征进行拼接处理，得到所述历史视频的视频特征；对所述多个历史视频的视频特征进行拼接处理，得到所述互动账号的第一视频特征。21.在上述方案中，当所述特征提取结果包括每个所述视频片段的内容特征时所述提取模块，还用于：针对每个所述历史视频执行以下处理：对与所述历史视频的多个视频片段一一对应的多个内容特征进行拼接处理，得到所述历史视频的视频特征；对所述多个历史视频的视频特征进行拼接处理，得到所述互动账号的第一视频特征。22.在上述方案中，所述提取模块，还用于：对所述多个历史视频的视频特征进行拼接处理，得到拼接处理结果；对所述拼接处理结果进行全连接处理，得到所述互动账号的第一视频特征。23.在上述方案中，所述基于注意力机制的特征增强处理是通过注意力网络实现的；所述注意力模块，还用于：通过n个级联的注意力网络中的第n注意力网络，对所述第n注意力网络的输入进行注意力处理，得到第n注意力结果；将所述第n注意力结果传输到第n+1注意力网络以继续进行注意力处理；其中，n为大于或等于2的整数；n为取值从1开始递增的整数，且n的取值范围满足1≤n≤n-1；当n取值为1时，所述第n注意力网络的输入为所述第一视频特征，当n取值为2≤n≤n-1时，所述第n注意力网络的输入为第n-1注意力网络的注意力结果。24.在上述方案中，所述注意力模块，还用于：通过所述第n注意力网络，对所述互动账号的第一视频特征进行基于通道的平均池化处理，得到所述互动账号的第一视频特征对应每个所述通道的全局特征；通过所述第n注意力网络，对所述互动账号的第一视频特征对应每个所述通道的全局特征进行全连接处理，得到所述互动账号的第一视频特征对应每个所述通道的注意力值；将所述互动账号的第一视频特征对应每个所述通道的注意力值、与所述互动账号的第一视频特征中每个通道的特征值进行点乘处理，基于点乘处理结果更新所述互动账号的第一视频特征。25.在上述方案中，所述推荐模块，还用于：针对每个候选账号执行以下处理：获取所述候选账号发布的历史视频；对所述历史视频进行特征提取处理，得到所述候选账号的第一视频特征；对所述候选账号的第一视频特征进行基于注意力机制的特征增强处理，得到所述候选账号的第二视频特征；确定所述互动账号的第二视频特征与每个所述候选账号的第二视频特征之间的视频相似度，并将所述视频相似度大于视频相似度阈值的候选账号作为所述待推荐账号。26.在上述方案中，所述推荐模块，还用于：执行以下处理至少之一：向所述目标用户账号发送用于推荐所述待推荐账号的信息；向所述目标用户账号发送用于推荐所述待推荐账号发布的多个历史视频的信息。27.在上述方案中，所述互动账号的第二视频特征是通过账号学习模型确定的；所述装置还包括：训练模块，用于：在对所述多个历史视频进行分段处理，得到每个所述历史视频的多个视频片段之前，通过以下方式训练所述账号学习模型：获取多个账号样本，并基于多个所述账号样本的关联用户数目，构建多个三元组样本；将所述三元组样本中每个账号样本对应的第二视频特征样本代入三元组损失函数，以确定所述三元组损失函数取得最小值时所述账号学习模型的参数。28.在上述方案中，所述训练模块，还用于：基于多个所述账号样本的关联用户数目，确定多个所述账号样本中任意两个账号样本之间的相关度；从多个所述账号样本中获取多个候选三元组样本；其中，每个所述候选三元组样本包括三个账号样本，且任意两个所述候选三元组样本之间至少存在一个不同的账号样本；从所述多个候选三元组样本中选择出符合训练条件的所述三元组样本；其中，所述训练条件包括：所述三元组样本中存在两个账号样本之间的相关度大于相关度阈值，且存在两个账号样本之间的相关度小于相关度阈值。29.在上述方案中，所述训练模块，还用于：针对所述任意两个账号样本执行以下处理：获取所述任意两个账号样本中每个所述账号样本的关联用户数目；获取所述任意两个账号样本之间的相同关联用户数目；确定与所述相同关联用户数目正相关，且与每个所述账号样本的关联用户数目负相关的相关度。30.本技术实施例提供一种电子设备，包括：31.存储器，用于存储可执行指令；32.处理器，用于执行所述存储器中存储的可执行指令时，实现本技术实施例提供的基于人工智能的推荐方法。33.本技术实施例提供一种计算机可读存储介质，存储有可执行指令，用于被处理器执行时，实现本技术实施例提供的基于人工智能的推荐方法。34.本技术实施例具有以下有益效果：35.通过对历史视频进行基于分段抽帧的特征提取处理，从而在有效避免重复帧的同时准确刻画每个历史视频的特征，再通过注意力机制将多个历史视频的特征转化为互动账号的特征，从而学习历史视频之间的差异性，更加准确地刻画账号的特征，进而提高基于账号的相似度的账号推荐准确率。附图说明36.图1a-1b是相关技术中视频分类模型结构图；37.图2是本技术实施例提供的基于人工智能的推荐系统的结构示意图；38.图3是本技术实施例提供的电子设备的结构示意图；39.图4a-4c是本技术实施例提供的基于人工智能的推荐方法的流程示意图；40.图5是本技术实施例提供的基于人工智能的账号学习模型的结构示意图；41.图6是本技术实施例提供的基于人工智能的特征提取原理示意图；42.图7a-7b是本技术实施例提供的基于人工智能的推荐方法的产品界面图。具体实施方式43.为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，所描述的实施例不应视为对本技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。44.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。45.在以下的描述中，所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本技术实施例能够以除了在这里图示或描述的以外的顺序实施。46.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。47.对本技术实施例进行进一步详细说明之前，对本技术实施例中涉及的名词和术语进行说明，本技术实施例中涉及的名词和术语适用于如下的解释。48.1)骨干网络，具体指提取图像特征的卷积网络，常见的骨干网络包括bn-inception网络，inceptionv3网络，resnet网络，xception网络，efficientnet网络等等。49.2)账号向量，账号向量具有固定维度的稠密向量，并且其语义相关度可以通过向量距离计算。50.参见图1a-1b，图1a-1b是相关技术中视频分类模型结构图，相关技术中对视频进行分类的相关工作是对图像进行分类，例如，将视频看作图像帧的集合，使用图像分类模型对图像帧进行图像分类，但是在视频到帧的转化过程中存在大量重复帧和无用帧。参见图1a，相关技术中可以通过卷积网络从视频的每个图像帧(图像帧1-图像帧k)提取出特征，然后将每个特征作为一个时间点，依次输入到长短期记忆网络中，得到视频的分类结果。参见图1b，相关技术中还可以基于三维卷积的方式将原始的二维卷积核扩展到三维，类似于二维卷积在空间维度的作用方式，它可以在时间维度对图像帧(图像帧1至图像帧k)自底向上地提取特征，得到视频的分类结果，基于三维卷积的方式可以实现不错的分类精度。51.申请人在实施本技术实施例时发现由于长短期记忆网络并不限制序列的长度，所以可以用来处理任意长度的视频，但是长短期记忆网络本身存在梯度消失和爆炸的问题，从而难以训练出令人满意的分类效果，并且，由于长短期记忆网络需要逐帧进行输入，所以分类速度较慢。在进行卷积核扩展时，由于卷积核由二维扩展到了三维后，计算参数量也成倍增加，所以分类速度也会相应下降。并且，相关技术中仅存在针对视频的特征学习以及分类方法，并没有专门针对账号维度处理的神经网络，相关技术中将账号发布的视频的特征直接进行平均处理，并将平均处理结果作为账号的账号特征，这种账号的特征的学习方式会导致所得到的特征存在精度上的损失，尤其是针对发文迥异的账号，即针对发布视频内容差异较大的账号，特征的学习精度更差。52.针对上述问题，本技术实施例提供一种基于人工智能的推荐方法、装置、电子设备和计算机可读存储介质，能够基于多个历史视频的特征进行注意力学习，从而准确学习到对应互动账号的特征，从而有效提高针对所有账号的推荐准确度，下面说明本技术实施例提供的电子设备的示例性应用，本技术实施例提供的电子设备可以实施为服务器。下面，将说明设备实施为服务器时示例性应用。53.参见图2，图2是本技术实施例提供的基于人工智能的推荐系统的结构示意图，账号推荐系统可以用于支撑各种账号的推荐场景，例如对发表视频的媒体账号进行推荐的应用场景等等，在账号推荐系统中，终端400通过网络连接服务器200，网络可以是广域网或者局域网，又或者是二者的组合。54.在一些实施例中，账号推荐系统的功能是基于服务器200中的各个模块实现的，在用户使用客户端的过程中，服务器200将收集到的账号作为训练样本，基于所得到的训练样本对账号学习模型进行训练，将训练完成的账号学习模型集成在服务器中，响应于终端400接收到用户针对某个视频的播放操作，终端400将推荐请求指令发送至服务器200，推荐请求指令中携带有用户关注的互动账号，服务器200通过账号学习模型确定出互动账号的第二视频特征，服务器200从数据库500中获取候选账号，服务器200通过账号学习模型确定出候选账号的第二视频特征，确定两个第二视频特征之间的相似度，并将符合相似度条件的候选账号确定为待推荐的候选账号以发送至终端400，向终端400发送待推荐的候选账号的信息，例如候选账号发表的内容的链接，以使终端400将该候选账号添加至关注列表或者直接呈现该候选账号的发布的内容。55.在另一些实施例中，还可以由终端通过账号学习模型确定出互动账号的第二视频特征，服务器200通过账号学习模型确定出候选账号的第二视频特征，确定两个第二视频特征之间的相似度，并将符合相似度条件的候选账号添加至关注列表或者直接呈现该候选账号的发布的内容。56.在一些实施例中，服务器200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、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、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，本技术实施例中不做限制。57.接下来，说明本技术实施例提供的用于实施基于人工智能的推荐方法的电子设备的结构，如前所述，本技术实施例提供的电子设备可以是图2中的服务器200。参见图3，图3是本技术实施例提供的电子设备的结构示意图，图3所示的服务器200包括：至少一个处理器210、存储器250、至少一个网络接口220。服务器200中的各个组件通过总线系统240耦合在一起。可理解，总线系统240用于实现这些组件之间的连接通信。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3中将各种总线都标为总线系统240。58.处理器210可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门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。59.存储器250可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器250可选地包括在物理位置上远离处理器210的一个或多个存储设备。60.存储器250包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(rom，read only memory)，易失性存储器可以是随机存取存储器(ram，random access memory)。本技术实施例描述的存储器250旨在包括任意适合类型的存储器。61.在一些实施例中，存储器250能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。62.操作系统251，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；网络通信模块252，用于经由一个或多个(有线或无线)网络接口220到达其他计算设备，示例性的网络接口220包括：蓝牙、无线相容性认证(wifi)、和通用串行总线(usb，universal serial bus)等。63.在一些实施例中，本技术实施例提供的基于人工智能的推荐装置可以采用软件方式实现，图3示出了存储在存储器250中的基于人工智能的推荐装置255，其可以是程序和插件等形式的软件，包括以下软件模块：视频模块2551、抽帧模块2552、提取模块2553、注意力模块2554、推荐模块2555和训练模块2556，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。64.下面将结合本技术实施例提供的服务器200的示例性应用和实施，说明本技术实施例提供的基于人工智能的推荐方法。参见图5，图5是本技术实施例提供的基于人工智能的账号学习模型的结构示意图，可以应用于账号推荐系统，其中，账号学习模型包括视频拉取层、分段随机抽帧层、特征提取层、注意力层，通过账号学习模型进行账号学习的过程如下：将账号输入至账号学习模型的视频拉取层，通过视频拉取层拉取账号发布的多个历史视频，通过分段随机抽帧层对历史视频进行分段处理，得到多个视频片段，对每个视频片段进行抽帧处理，得到每个视频片段的代表帧，通过特征提取层对每个视频片段的代表帧进行特征提取处理，得到视频片段的特征，对多个视频片段的特征进行拼接处理，得到历史视频的帧特征，通过注意力层对多个历史视频的帧特征进行拼接处理以及全连接处理，确定互动账号的第一视频特征，通过注意力层对互动账号的第一视频特征进行基于注意力机制的特征增强处理，得到互动账号的第二视频特征作为账号的账号特征。65.下面，以由图2中的服务器200执行本技术实施例提供的推荐系统的方法为例，说明本技术实施例提供的基于人工智能的推荐方法，推荐系统包括训练阶段以及应用阶段。首先对本技术实施例提供的基于人工智能的推荐方法中模型的训练进行说明。66.参见图4a，图4a是本技术实施例提供的基于人工智能的推荐方法的流程示意图，互动账号的第二视频特征是通过账号学习模型确定的，在对多个历史视频进行分段处理，得到每个历史视频的多个视频片段之前，通过图4a示出的步骤101-102训练账号学习模型。67.在步骤101中，获取多个账号样本，并基于多个账号样本的关联用户数目，构建多个三元组样本。68.在一些实施例中，步骤101中基于多个账号样本的关联用户数目，构建多个三元组样本，可以通过以下技术方案实现：基于多个账号样本的关联用户数目，确定多个账号样本中任意两个账号样本之间的相关度；从多个账号样本中获取多个候选三元组样本；其中，每个候选三元组样本包括三个账号样本，且任意两个候选三元组样本之间至少存在一个不同的账号样本；从多个候选三元组样本中选择出符合训练条件的三元组样本；其中，训练条件包括：三元组样本中存在两个账号样本之间的相关度大于相关度阈值，且存在两个账号样本之间的相关度小于相关度阈值。69.在一些实施例中，上述基于多个账号样本的关联用户数目，确定多个账号样本中任意两个账号样本之间的相关度，可以通过以下技术方案实现：针对任意两个账号样本执行以下处理：获取任意两个账号样本中每个账号样本的关联用户数目；获取任意两个账号样本之间的相同关联用户数目；确定与相同关联用户数目正相关，且与每个账号样本的关联用户数目负相关的相关度。70.作为示例，在训练时对整个网络进行端到端的训练，训练数据是三元组样本的形式，三元组样本是由三个账号样本组成的，将用于表示用户兴趣的部分互动账号作为组成三元组样本的账号样本，例如，用户账号的部分互动账号是用户账号最近设定时间内所关注的互动账号，每个三元组样本包括三个账号样本，分别是参考样本、正样本以及负样本，任意一个账号样本均可以作为参考样本，在确定出参考样本的前提下，确定相对于参考样本的正样本以及相对于参考样本的负样本，正样本与参考样本之间的相关度大于相关度阈值，负样本与参考样本之间的相关度小于相关度阈值。71.作为示例，相关度r可以通过公式(1)进行计算：[0072][0073]其中，r为账号样本a与账号样本b之间的相关度，fans_a是账号样本a的关注用户账号的数目，fans_b是账号样本b的关注用户账号的数目，其中，关注用户账号关注了账号样本a和账号样本b，fans_iter表示同时关注账号样本a和账号样本b的关注用户账号的数目。[0074]作为示例，在得到账号样本之间的相关度后，通过相关度阈值(例如，相关度阈值为0.1)得到相对于参考样本的正样本和负样本，例如，当账号样本a作为参考样本时，账号样本a与账号样本b的相关度为0.2，相关度大于相关度阈值0.1，账号样本b作为正样本，而账号样本a与账号样本c的相关度为0.08，相关度小于相关度阈值0.1，账号样本c作为负样本，如果不存在与账号样本a之间的相关度小于0.1的账号样本，则会随机挑选账号样本作为负样本，从而基于账号样本a、账号样本b和账号样本c构造出三元组(a，b，c)。[0075]在步骤102中，将三元组样本中每个账号样本对应的第二视频特征样本代入三元组损失函数，以确定三元组损失函数取得最小值时账号学习模型的参数。[0076]作为示例，通过度量学习的方式进行监督学习，度量学习的训练目标是被用户同时关注的账号之间的空间距离尽可能地“近”，例如账号样本a和账号样本b之间的距离尽可能地近，而不相关的账号之间的空间距离尽可能地“远”，例如账号样本a和账号样本c之间的距离尽可能地远，基于上述训练目标构造三元组损失函数，三元组损失函数由两个距离组成，第一距离是参考样本的第二视频特征与正样本的第二视频特征之间的距离，第二距离时参考样本的第二视频特征与负样本的第二视频特征之间的距离，三元组损失函数与第一距离正相关并与第二距离负相关。[0077]参见图4b，图4b是本技术实施例提供的基于人工智能的推荐方法的流程示意图，将结合图4b示出的步骤201-205进行说明。[0078]在步骤201中，确定互动账号发布的多个历史视频。[0079]作为示例，互动账号与目标用户账号存在互动关系。[0080]作为示例，互动账号可以为一个或者是多个，与目标用户账号至少关联有一个互动账号，互动账号是目标用户账号所关注的账号，或者互动账号是目标用户账号参与互动过的账号。[0081]在步骤202中，对多个历史视频进行分段处理，得到每个历史视频的多个视频片段，并对每个历史视频的多个视频片段进行抽帧处理，得到每个视频片段的代表帧。[0082]作为示例，参见图6，图6是本技术实施例提供的基于人工智能的特征提取原理示意图，互动账号发布有多个历史视频，例如历史视频a和历史视频b，针对历史视频a以及历史视频b分别进行分段抽帧处理，以历史视频a为例，历史视a被分为k个视频片段，针对k个视频片段中每个视频片段，进行随机抽帧处理得到一个图像帧作为对应视频片段的代表帧，若是历史视频b也被分为k个视频片段，每个视频片段抽取一个图像帧作为对应视频片段的代表帧，则一共获得了2k个代表帧。[0083]作为示例，上述图像帧是用于表征视频内容维度的帧，在进行抽帧处理时还可以提取表征视频时序信息的帧，继续以历史视频a和历史视频b进行说明，针对历史视频a以及历史视频b分别进行分段抽帧处理，以历史视频a为例，历史视a被分为k个视频片段，针对k个视频片段中每个视频片段，进行随机抽帧处理得到多个连续图像帧，并对多个连续图像帧进行光流场映射处理，得到多个光流场帧，作为对应视频片段的代表帧，可以提取采样点的周围连续帧，再基于连续图像帧得到具有光流场信息的光流场帧。[0084]在步骤203中，基于每个视频片段的代表帧进行特征提取处理，得到每个视频片段的特征提取结果，并基于特征提取结果，确定互动账号的第一视频特征。[0085]在一些实施例中，步骤203中基于每个视频片段的代表帧进行特征提取处理，得到每个视频片段的特征提取结果，可以通过以下技术方案实现：当代表帧为对应视频片段的光流场帧时，对每个视频片段的代表帧进行基于时序维度的光流特征提取处理，得到视频片段的时序特征；当代表帧为对应视频片段的图像帧时，对每个视频片段的代表帧进行基于内容维度的内容特征提取处理，得到视频片段的内容特征。[0086]作为示例，参见图6，特征提取网络包括空间流卷积网络以及时间流卷积网络，当代表帧为对应视频片段的光流场帧时，通过时间流卷积网络对每个视频片段的代表帧进行基于时序维度的光流特征提取处理，得到视频片段的时序特征，当代表帧为对应视频片段的图像帧时，通过空间流卷积网络对每个视频片段的代表帧进行基于内容维度的内容特征提取处理，得到视频片段的内容特征。[0087]在一些实施例中，当特征提取结果包括每个视频片段的时序特征以及内容特征时，步骤203中基于特征提取结果，确定互动账号的第一视频特征，可以通过以下技术方案实现：针对每个历史视频执行以下处理：对与历史视频的多个视频片段一一对应的多个时序特征进行拼接处理，得到历史视频的时序特征；对与历史视频的多个视频片段一一对应的多个内容特征进行拼接处理，得到历史视频的内容特征；对历史视频的时序特征以及历史视频的内容特征进行拼接处理，得到历史视频的视频特征；对多个历史视频的视频特征进行拼接处理，得到互动账号的第一视频特征。[0088]作为示例，拼接处理是逐级进行的，首先将不同视频片段对应的特征进行拼接，即对与历史视频的多个视频片段一一对应的多个时序特征进行拼接处理，得到历史视频的时序特征，并对与历史视频的多个视频片段一一对应的多个内容特征进行拼接处理，得到历史视频的内容特征，例如，某个视频片段的时序特征是64维特征，则对2个视频片段的时序特征进行拼接后得到128维的时序特征，在将不同视频片段对应的特征进行拼接后，将对应某个历史视频的两个类型的特征进行拼接，即对历史视频的时序特征以及历史视频的内容特征进行拼接处理，得到历史视频的视频特征，例如128维的时序特征与128维的内容特征进行拼接后得到256维的视频特征，最后对不同历史视频对应的视频特征进行拼接，得到互动账号的第一视频特征，由于在进行特征提取时对内容特征以及时序特征进行分离提取，能够同时考虑视频的空间信息以及时间信息，从而学习到综合表征能力更强的视频特征，并进一步学习到综合表征能力更强的账号特征(即互动账号的第一视频特征)。[0089]在一些实施例中，当特征提取结果包括每个视频片段的内容特征时，步骤203中基于特征提取结果，确定互动账号的第一视频特征，可以通过以下技术方案实现：针对每个历史视频执行以下处理：对与历史视频的多个视频片段一一对应的多个内容特征进行拼接处理，得到历史视频的视频特征；对多个历史视频的视频特征进行拼接处理，得到互动账号的第一视频特征。[0090]作为示例，拼接处理是逐级进行的，首先将不同视频片段对应的特征进行拼接，即对与历史视频的多个视频片段一一对应的多个内容特征进行拼接处理，得到历史视频的内容特征，例如，某个视频片段的内容特征是64维特征，则对2个视频片段的内容特征进行拼接后得到128维的内容特征，在将不同视频片段对应的特征进行拼接后，对不同历史视频对应的视频特征进行拼接，得到互动账号的第一视频特征，由于在进行特征提取时仅对内容特征进行特征提取处理，因此能够着重学习到视频的空间信息，从而学习到内容表征能力更强的视频特征，并进一步学习到内容表征能力更强的账号特征(即互动账号的第一视频特征)。[0091]在一些实施例中，上述对多个历史视频的视频特征进行拼接处理，得到互动账号的第一视频特征，可以通过以下技术方案实现：对多个历史视频的视频特征进行拼接处理，得到拼接处理结果；对拼接处理结果进行全连接处理，得到互动账号的第一视频特征。[0092]作为示例，对多个历史视频的视频特征进行拼接处理，得到拼接处理结果，例如，2个128维的视频特征进行拼接后得到256维的拼接处理结果，通过全连接层对256维的拼接处理结果进行全连接处理，得到互动账号的第一视频特征，在全连接层(也称为dense层)经过非线性变化，可以提取这些特征之间的关联关系。[0093]在步骤204中，对互动账号的第一视频特征进行基于注意力机制的特征增强处理，得到互动账号的第二视频特征。[0094]在一些实施例中，基于注意力机制的特征增强处理是通过注意力网络实现的；步骤204中对互动账号的第一视频特征进行基于注意力机制的特征增强处理，得到互动账号的第二视频特征，可以通过以下技术方案实现：通过n个级联的注意力网络中的第n注意力网络，对第n注意力网络的输入进行注意力处理，得到第n注意力结果；将第n注意力结果传输到第n+1注意力网络以继续进行注意力处理；其中，n为大于或等于2的整数；n为取值从1开始递增的整数，且n的取值范围满足1≤n≤n-1；当n取值为1时，第n注意力网络的输入为第一视频特征，当n取值为2≤n≤n-1时，第n注意力网络的输入为第n-1注意力网络的注意力结果。[0095]作为示例，通过第1注意力网络对第一视频特征进行注意力处理，得到第1注意力结果；通过第2注意力网络对第1注意力网络输出的第1注意力结果进行注意力处理，得到第2注意力结果；通过第3注意力网络对第2注意力网络输出的第2注意力结果进行注意力处理，得到第3注意力结果；以此类推，通过第n+1注意力网络对第n注意力网络输出的第n注意力结果进行注意力处理，得到第n+1注意力结果，最后一个注意力网络输出的结果为第二视频特征。[0096]在一些实施例中，上述对第n注意力网络的输入进行注意力处理，得到第n注意力结果，可以通过以下技术方案实现：通过第n注意力网络，对互动账号的第一视频特征进行基于通道的平均池化处理，得到互动账号的第一视频特征对应每个通道的全局特征；通过第n注意力网络，对互动账号的第一视频特征对应每个通道的全局特征进行全连接处理，得到互动账号的第一视频特征对应每个通道的注意力值；将互动账号的第一视频特征对应每个通道的注意力值、与互动账号的第一视频特征中每个通道的特征值进行点乘处理，基于点乘处理结果更新互动账号的第一视频特征。[0097]作为示例，第一视频特征已经学习到了互动账号的内容特征，为了进一步优化第一视频特征对于互动账号的内容特征的表达效果，需要对第一视频特征进行特征加强处理，通过注意力网络的挤压层，对互动账号的第一视频特征进行基于通道的平均池化处理，得到互动账号的第一视频特征对应每个通道的全局内容特征，通过注意力网络的注意力处理层，对互动账号的第一视频特征对应每个通道的全局内容特征进行全连接处理，得到互动账号的第一视频特征对应每个通道的注意力值，将互动账号的第一视频特征对应每个通道的注意力值、与互动账号的第一视频特征中每个通道的特征值进行点乘处理，以基于点乘处理结果更新互动账号的第一视频特征，最后一个注意力网络输出的更新后的结果即为第二视频特征，通过对第一视频特征进行注意力处理，可以有效学习到不同视频之间的差异，减弱同一互动账号发布差异性较大的历史视频所导致的噪声。[0098]在一些实施例中，对互动账号的第一视频特征进行基于注意力机制的特征增强处理，得到互动账号的第二视频特征，可以通过以下技术方案实现：对互动账号的第一视频特征进行基于通道的平均池化处理，得到互动账号的第一视频特征对应每个通道的全局特征；对互动账号的第一视频特征对应每个通道的全局特征进行全连接处理，得到互动账号的第一视频特征对应每个通道的注意力值；将互动账号的第一视频特征对应每个通道的注意力值、与互动账号的第一视频特征中每个通道的特征值进行点乘处理，基于点乘处理结果更新互动账号的第一视频特征，得到互动账号的第二视频特征。[0099]作为示例，在对第一视频特征进行注意力处理时，可以仅通过一个注意力网络完成，即不使用迭代的方式，直接通过一个注意力网络对第一视频特征进行注意力处理，得到第二视频特征，实现过程可以参考上述实施例。[0100]在一些实施例中，在得到互动账号的第二视频特征后，可以对第二视频特征进行扩展，由于第二视频特征只用到了互动账号所发布的历史视频的内容特征，每个互动账号都具有喜爱用户人群，例如，关注某个互动账号的用户大多为喜爱化妆品的女性，可以通过引入这类型用户的画像特征，增强作为账号特征的第二视频特征的泛化性，在得到互动账号的第二视频特征后，获取互动账号的关联用户特征，对关联用户特征与第二视频特征进行融合处理，并基于融合处理结果更新互动账号的第二视频特征。[0101]在步骤205中，基于互动账号的第二视频特征确定待推荐账号，并基于待推荐账号执行对应目标用户账号的推荐操作。[0102]在一些实施例中，参见图4c，图4c是本技术实施例提供的基于人工智能的推荐方法的流程示意图，步骤205中基于互动账号的第二视频特征确定待推荐账号，可以通过针对每个候选账号执行步骤2051-步骤2054实现。[0103]在步骤2051中，获取候选账号发布的历史视频。[0104]在步骤2052中，对历史视频进行特征提取处理，得到候选账号的第一视频特征。[0105]在步骤2053中，对候选账号的第一视频特征进行基于注意力机制的特征增强处理，得到候选账号的第二视频特征。[0106]在步骤2054中，确定互动账号的第二视频特征与每个候选账号的第二视频特征之间的视频相似度，并将视频相似度大于视频相似度阈值的候选账号作为待推荐账号。[0107]作为示例，针对候选账号执行步骤2051-步骤2054，其中，步骤2051-步骤2053的实施方式可以参考步骤201-204的实施方式，其中，步骤2052可以通过以下技术方案实现：对多个历史视频(候选账号发布的历史视频)进行分段处理，得到每个历史视频的多个视频片段，并对每个历史视频的多个视频片段进行抽帧处理，得到每个视频片段的代表帧，基于每个视频片段的代表帧进行特征提取处理，得到每个视频片段的特征提取结果，并基于特征提取结果，确定互动账号的第一视频特征。[0108]作为示例，候选账号中包括冷启动账号与非冷启动账号，冷启动账号属于不存在后验数据或者仅具有较少后验数据的账号，可以通过账号创建时间或者互动用户数目来界定，例如，账号创建时间不超过时间阈值(账号创建时间不超过7天)，例如，账号的互动人次不超过人次阈值(互动用户数目不超过10人次)，非冷启动账号指创建时间超过时间阈值的账号，或者互动人次超过人次阈值的账号。[0109]在一些实施例中，对每个互动账号与多个候选账号之间的相似度进行降序排序，选取降序排序结果中在前至少一个候选账号作为待推荐账号，构建互动账号以及候选账号的匹配对，匹配对是通过对多个互动账号中的任意一个以及多个候选账号中的任意一个构建的，按照匹配对中互动账号与候选账号之间的相似度，对匹配对进行全局地降序排序，并选取降序排序结果中在前至少一个匹配对的候选账号作为与互动账号匹配的待推荐账号，针对每个互动账号执行以下处理：将互动账号与多个候选账号之间的相似度进行降序排序，在每个互动账号的降序排序结果中，选取在前至少一个候选账号作为对应该互动账号的待推荐账号。[0110]作为示例，在存在多个互动账号时，进行降序排序时可以将所有的相似度进行降序排序，例如，互动账号a与2个候选账号之间的相似度分别为0.5、0.6，互动账号b与2个候选账号之间的相似度分别为0.7、0.3，则将0.5、0.6、0.3、0.7进行降序排序，得到排序靠前的两个候选账号，将排序靠前的两个候选账号作为待推荐账号，在进行降序排序时可以分别针对不同的互动账号进行降序排序，例如，互动账号a与2个候选账号之间的相似度分别为0.5、0.6，获取排序靠前的1个候选账号，互动账号b与2个候选账号之间的相似度分别为0.7、0.3，获取排序靠前的1个候选账号，那么将这两个候选账号作为待推荐账号。[0111]在一些实施例中，步骤205中基于待推荐账号执行对应目标用户账号的推荐操作，可以通过以下技术方案实现：执行以下处理至少之一：向目标用户账号发送用于推荐待推荐账号的信息；向目标用户账号发送用于推荐待推荐账号发布的多个历史视频的信息。[0112]作为示例，可以向目标用户账号推荐待推荐账号所发布的视频，或者还可以直接针对待推荐账号进行关注推荐。[0113]下面，将说明本技术实施例在一个实际的应用场景中的示例性应用。[0114]随着移动互联网的发展，大量用户拍摄短视频上传到短视频平台，每天新产生的视频数以亿计，用户实际使用及观看视频时，往往会关注特定类型账号所发布的视频，例如，喜爱看综艺视频的用户会关注综艺类的账号作为互动账号，喜爱游戏类视频的用户会关注游戏类的账号作为互动账号，通过本技术实施例提供的基于人工智能的推荐方法精准地学习出能够表达每个账号的特征信息的账号特征(第二视频特征)，账号包括互动账号以及候选账号，账号特征的表示准确性对于实现账号精确推荐及账号发布的视频的精准推荐至关重要，参见图7a-7b，图7a-7b是本技术实施例提供的基于人工智能的推荐方法的产品界面图，响应于针对视频推荐客户端的用户a的登录操作，在人机交互界面701a或者701b中显示针对用户a的待推荐账号702a以及702b，并显示待推荐账号702a发布的历史视频703a以及待推荐账号702b发布的历史视频703b，其中，待推荐账号702a以及702b是通过本技术实施例提供的基于人工智能的推荐方法确定出来的。[0115]在一些实施例中，参见图5，图5是本技术实施例提供的基于人工智能的推荐方法的模型框架图，对于某个互动账号，首先拉取互动账号最近发布的k(k为大于或者等于2的整数，例如k＝10)个视频，然后采用分段抽帧的方式将每个视频平均分割为n(n为大于或者等于2的整数，例如n＝10)段，从每个视频片段中随机抽取一个图像帧，从而得到某个视频的n帧图像，然后通过骨干网络中的空间流卷积网络(例如，inception_resnet_v2网络)提取图像帧的特征，再将所得到的特征进行逐级拼接，再通过全连接层将拼接结果映射为第一视频特征，再通过注意力网络对第一视频特征进行增强处理得到第二视频特征作为最终的账号特征。[0116]在一些实施例中，骨干网络还可以为inceptionv4网络、resnext101网络、xception网络等等，由于相同账号发布的视频内容的类型可能存在差异性，例如，游戏主播账号偶尔也会发布自己在户外运动的视频，为了降低相同账号下由于不同视频内容的差异性带来的噪声，并非直接将拼接结果作为账号特征，使用注意力网络对得到的特征基于不同通道进行加权，从而降低相同账号下由于不同视频内容的差异性带来的噪声。[0117]训练时对整个网络进行端到端的训练，对于训练数据和训练方法，首先拉取用户关注互动账号的完整互动账号序列，因为用户兴趣点可能会随着时间的迁移而发生变化，因此使用设定天数对用户所关注的互动账号序列进行切割，得到用于表示用户兴趣的部分互动账号序列，对于这些部分互动账号序列，再根据相关度公式计算账号两两之间的相关度，假设账号a和账号b分别拥有粉丝数fans_a和fans_b，其中，fans_iter表示用户同时关注这两个账号，那么二者的相关度可以按照以下公式(2)计算：[0118][0119]其中，r为账号样本a与账号样本b之间的相关度，fans_a是账号样本a的关注用户账号的数目，fans_b是账号样本b的关注用户账号的数目，其中，关注用户账号关注了账号样本a和账号样本b，fans_iter表示同时关注账号样本a和账号样本b的关注用户账号的数目。[0120]在得到账号之间的相关度后，通过相关度阈值(例如为0.1)得到账号的正负样例，假设，账号a与账号b的相关度值为0.2(大于0.1)，而账号a与账号c的相关度值为0.08(小于0.1)，那么构造出三元组(a,b,c)，其中账号a作为参考样本、b作为正样本、c作为负样本，通过度量学习的方式进行监督学习模型，得到账号特征，如果账号a没有与其他账号相关度小于0.1的情况，则会随机挑选账号作为负样本账号，最终通过这样的学习方式得到的账号特征，训练过程中的训练目标是被用户同时关注的账号之间的空间距离尽可能地“近”(例如账号a和账号b之间的距离尽可能地近)，而不同、不相关的账号空间距离尽可能地“远”(例如账号a和账号c之间的距离尽可能地远)。[0121]在一些实施例中，由于账号特征只用到了账号所发布的视频内容的特征信息，每个账号都有某个方向或层面的喜爱用户人群，比如某账号所关注的用户大多为喜爱化妆品的女性，可以通过引入这类型用户的特征信息，增强模型所学习的账号特征的泛化性。[0122]通过随机抽取账号所发布视频的帧作为账号学习模型的输入，得到作为账号特征的第二视频特征，同时为了避免账号所发布个别视频差异较大，使用基于注意力的方法去避免噪声影响，得到更精确的账号特征。从实际用户关注账号的行为序列中构造了评测集，可以使用了5千万用户所关注的互动账号作为训练集，使用其他5百万用户所关注的互动账号作为测试集，实际测试中，通过用户首个关注的互动账号作为检索依据，获取与该互动账号相似度排序靠前的n个候选账号，计算这n个候选账号与用户实际所关注的互动账号的命中率，在账号学习模型效果上，分别测试了线上正在使用的未改进的账号学习模型，以及本技术实施例提供的账号学习模型，相比未改进的账号学习模型，命中率从9.21％提升到15.66％，约提高了6个百分点。[0123]下面继续说明本技术实施例提供的基于人工智能的推荐装置255的实施为软件模块的示例性结构，在一些实施例中，如图3所示，存储在存储器250的基于人工智能的推荐装置255中的软件模块可以包括：视频模块2551，用于确定互动账号发布的多个历史视频，其中，互动账号与目标用户账号存在互动关系；抽帧模块2552，用于对多个历史视频进行分段处理，得到每个历史视频的多个视频片段，并对每个历史视频的多个视频片段进行抽帧处理，得到每个视频片段的代表帧；提取模块2553，用于基于每个视频片段的代表帧进行特征提取处理，得到每个视频片段的特征提取结果，并基于特征提取结果，确定互动账号的第一视频特征；注意力模块2554，用于对互动账号的第一视频特征进行基于注意力机制的特征增强处理，得到互动账号的第二视频特征；推荐模块2555，用于基于互动账号的第二视频特征确定待推荐账号，并基于待推荐账号执行对应目标用户账号的推荐操作。[0124]在一些实施例中，提取模块2553，还用于：当代表帧为对应视频片段的光流场帧时，对每个视频片段的代表帧进行基于时序维度的光流特征提取处理，得到视频片段的时序特征；当代表帧为对应视频片段的图像帧时，对每个视频片段的代表帧进行基于内容维度的内容特征提取处理，得到视频片段的内容特征。[0125]在一些实施例中，当特征提取结果包括每个视频片段的时序特征以及内容特征时，提取模块2553，还用于：针对每个历史视频执行以下处理：对与历史视频的多个视频片段一一对应的多个时序特征进行拼接处理，得到历史视频的时序特征；对与历史视频的多个视频片段一一对应的多个内容特征进行拼接处理，得到历史视频的内容特征；对历史视频的时序特征以及历史视频的内容特征进行拼接处理，得到历史视频的视频特征；对多个历史视频的视频特征进行拼接处理，得到互动账号的第一视频特征。[0126]在一些实施例中，当特征提取结果包括每个视频片段的内容特征时，提取模块2553，还用于：针对每个历史视频执行以下处理：对与历史视频的多个视频片段一一对应的多个内容特征进行拼接处理，得到历史视频的视频特征；对多个历史视频的视频特征进行拼接处理，得到互动账号的第一视频特征。[0127]在一些实施例中，提取模块2553，还用于：对多个历史视频的视频特征进行拼接处理，得到拼接处理结果；对拼接处理结果进行全连接处理，得到互动账号的第一视频特征。[0128]在一些实施例中，基于注意力机制的特征增强处理是通过注意力网络实现的；注意力模块2554，还用于：通过n个级联的注意力网络中的第n注意力网络，对第n注意力网络的输入进行注意力处理，得到第n注意力结果；将第n注意力结果传输到第n+1注意力网络以继续进行注意力处理；其中，n为大于或等于2的整数；n为取值从1开始递增的整数，且n的取值范围满足1≤n≤n-1；当n取值为1时，第n注意力网络的输入为第一视频特征，当n取值为2≤n≤n-1时，第n注意力网络的输入为第n-1注意力网络的注意力结果。[0129]在一些实施例中，注意力模块2554，还用于：通过第n注意力网络，对互动账号的第一视频特征进行基于通道的平均池化处理，得到互动账号的第一视频特征对应每个通道的全局特征；通过第n注意力网络，对互动账号的第一视频特征对应每个通道的全局特征进行全连接处理，得到互动账号的第一视频特征对应每个通道的注意力值；将互动账号的第一视频特征对应每个通道的注意力值、与互动账号的第一视频特征中每个通道的特征值进行点乘处理，基于点乘处理结果更新互动账号的第一视频特征。[0130]在一些实施例中，推荐模块2555，还用于：针对每个候选账号执行以下处理：获取候选账号发布的历史视频；对历史视频进行特征提取处理，得到候选账号的第一视频特征；对候选账号的第一视频特征进行基于注意力机制的特征增强处理，得到候选账号的第二视频特征；确定互动账号的第二视频特征与每个候选账号的第二视频特征之间的视频相似度，并将视频相似度大于视频相似度阈值的候选账号作为待推荐账号。[0131]在一些实施例中，推荐模块2555，还用于：执行以下处理至少之一：向目标用户账号发送用于推荐待推荐账号的信息；向目标用户账号发送用于推荐待推荐账号发布的多个历史视频的信息。[0132]在一些实施例中，互动账号的第二视频特征是通过账号学习模型确定的；装置还包括：训练模块2556，用于：在对多个历史视频进行分段处理，得到每个历史视频的多个视频片段之前，通过以下方式训练账号学习模型：获取多个账号样本，并基于多个账号样本的关联用户数目，构建多个三元组样本；将三元组样本中每个账号样本对应的第二视频特征样本代入三元组损失函数，以确定三元组损失函数取得最小值时账号学习模型的参数。[0133]在一些实施例中，训练模块2556，还用于：基于多个账号样本的关联用户数目，确定多个账号样本中任意两个账号样本之间的相关度；从多个账号样本中获取多个候选三元组样本；其中，每个候选三元组样本包括三个账号样本，且任意两个候选三元组样本之间至少存在一个不同的账号样本；从多个候选三元组样本中选择出符合训练条件的三元组样本；其中，训练条件包括：三元组样本中存在两个账号样本之间的相关度大于相关度阈值，且存在两个账号样本之间的相关度小于相关度阈值。[0134]在一些实施例中，训练模块2556，还用于：针对任意两个账号样本执行以下处理：获取任意两个账号样本中每个账号样本的关联用户数目；获取任意两个账号样本之间的相同关联用户数目；确定与相同关联用户数目正相关，且与每个账号样本的关联用户数目负相关的相关度。[0135]本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处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技术实施例上述的基于人工智能的推荐方法。[0136]本技术实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本技术实施例提供的基于人工智能的推荐方法，例如，如图4a-4c示出的基于人工智能的推荐方法。[0137]在一些实施例中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、闪存、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。[0138]在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，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。[0139]作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(html，hyper 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。[0140]作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。[0141]综上所述，通过本技术实施例对历史视频进行基于分段抽帧的特征提取处理，从而在有效避免重复帧的同时准确刻画每个历史视频的特征，再通过注意力网络将多个历史视频的特征转化为互动账号的特征，从而学习历史视频之间的差异性，更加准确地刻画账号的特征，进而提高基于账号的相似度的账号推荐准确率。[0142]以上所述，仅为本技术的实施例而已，并非用于限定本技术的保护范围。凡在本技术的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本技术的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!