CN112241327A - 分享信息处理方法、装置、存储介质与电子设备 - Google Patents

Abstract

本公开提供了一种分享信息处理方法、装置、存储介质与电子设备，涉及人机交互技术领域。该方法包括：从终端获取待分享信息以及发送所述待分享信息的用户标识，识别所述待分享信息的类型，作为目标类型；当查找到所述用户标识下所述目标类型对应的用户偏好数据时，根据所述用户偏好数据确定所述待分享信息的目标分享位置；当未查找到所述用户标识下所述目标类型对应的用户偏好数据时，根据分享预测模型预测所述待分享信息的目标分享位置；将所述目标分享位置发送至所述终端，以在所述终端上优先显示所述目标分享位置。本公开可以简化用户进行分享操作的流程，便于用户选中想要分享的目标位置，并且具有较高的灵活性和鲁棒性。

Description

分享信息处理方法、装置、存储介质与电子设备

技术领域

本公开涉及人机交互技术领域，尤其涉及一种分享信息处理方法、分享信息处理装置、计算机可读存储介质与电子设备。

背景技术

用户在日常使用智能手机、个人电脑等电子设备时，经常需要将信息分享给其他用户，这样的分享行为可以是跨APP(Application，应用程序)的，例如将新闻APP中的新闻分享到社交APP，将音乐APP中的音乐分享到网盘，也可以是一个APP之内的，例如将社交APP中的文章分享到社交APP中的好友或群组。

目前，用户需要分享信息时，通常是在分享界面显示所有可能的分享位置，然后由用户选择选择想要分享的目标位置。这样的处理方法增加了用户操作的复杂度，特别是电子设备内安装了较多的可分享信息的APP时，用户需要拖动界面寻找目标位置，或者一些电子设备在分享界面设置了多层级的选项，或者折叠了一部分选项时，用户选择目标位置时操作非常不便，影响用户体验。

因此，如何使用户进行方便的信息分享，是目前亟待解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种分享信息处理方法、分享信息处理装置、计算机可读存储介质与电子设备，进而至少在一定程度上改善目前的信息分享过程中用户操作不便的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种分享信息处理方法，包括：从终端获取待分享信息以及发送所述待分享信息的用户标识，识别所述待分享信息的类型，作为目标类型；当查找到所述用户标识下所述目标类型对应的用户偏好数据时，根据所述用户偏好数据确定所述待分享信息的目标分享位置；当未查找到所述用户标识下所述目标类型对应的用户偏好数据时，通过分享预测模型确定所述待分享信息的目标分享位置；将所述目标分享位置发送至所述终端，以在所述终端上优先显示所述目标分享位置。

可选的，所述用户标识下所述目标类型对应的用户偏好数据，通过以下方式获得：收集所述用户标识对应的历史分享事件；根据各所述历史分享事件所分享的信息的类型，统计各类型的历史分享事件；基于所述目标类型的历史分享事件的时间分布特征，计算所述用户标识下所述目标类型对应的用户偏好数据。

可选的，所述目标类型对应的用户偏好数据包括：所述目标类型的信息分享到各分享位置的偏好度；所述基于所述目标类型的历史分享事件的时间分布特征，计算所述用户标识下所述目标类型对应的用户偏好数据，包括：按照时间顺序排列所述目标类型的历史分享事件，将连续、且分享位置相同的历史分享事件合并为历史分享事件集，未合并的历史分享事件分别形成单事件的历史分享事件集；根据各所述历史分享事件集的次序以及其中的事件数量，计算各所述历史分享事件集的权重；合并分享位置相同的历史分享事件集的权重，计算所述目标类型的信息分享到各分享位置的偏好度。

可选的，在计算所述用户偏好数据时，若满足预设条件，则确定所述用户偏好数据为空值；其中，所述预设条件包括以下任意一个或多个的组合：所述目标类型对应的所述历史分享事件的数量少于第一阈值；所述目标类型对应的所述历史分享事件在最近的预设周期内的数量少于第二阈值；所述各个分享位置的分享偏好度均低于第三阈值。

可选的，所述目标分享位置包括：偏好度最高的分享位置，或者偏好度高于预设偏好阈值的分享位置。

可选的，所述分享预测模型通过以下方式获得：获取不同用户的历史分享事件，从中提取多组样本数据，每组样本数据包括用户信息，以及所述用户信息对应的任意N+1个连续、且分享信息类型相同的历史分享事件，N为不小于2的正整数；以所述用户信息、所述N+1个历史分享事件中前N个事件的分享位置为训练数据，以所述N+1个历史分享事件中最后一个事件的分享位置为标注数据，训练机器学习模型，得到所述分享预测模型。

可选的，所述待分享信息为目标应用程序中分享的信息，所述目标分享位置为所述目标应用程序中的分享位置。

根据本公开的第二方面，提供一种分享信息处理装置，包括：获取模块，用于从终端获取待分享信息以及发送所述待分享信息的用户标识，识别所述待分享信息的类型，作为目标类型；第一处理模块，用于当查找到所述用户标识下所述目标类型对应的用户偏好数据时，根据所述用户偏好数据确定所述待分享信息的目标分享位置；第二处理模块，用于当未查找到所述用户标识下所述目标类型对应的用户偏好数据时，根据分享预测模型预测所述待分享信息的目标分享位置；发送模块，用于将所述目标分享位置发送至所述终端，以在所述终端上优先显示所述目标分享位置。

可选的，所述分享信息处理装置还包括：用户偏好分析模块，用于收集所述用户标识对应的历史分享事件，根据各所述历史分享事件所分享的信息的类型，统计各类型的历史分享事件，并基于所述目标类型的历史分享事件的时间分布特征，计算所述用户标识下所述目标类型对应的用户偏好数据。

可选的，所述目标类型对应的用户偏好数据包括：所述目标类型的信息分享到各分享位置的偏好度；所述用户偏好分析模块，还用于按照时间顺序排列所述目标类型的历史分享事件，将连续、且分享位置相同的历史分享事件合并为历史分享事件集，未合并的历史分享事件分别形成单事件的历史分享事件集，根据各所述历史分享事件集的次序以及其中的事件数量，计算各所述历史分享事件集的权重，合并分享位置相同的历史分享事件集的权重，计算所述目标类型的信息分享到各分享位置的偏好度。

可选的，所述用户偏好分析模块，还用于在计算所述用户偏好数据时，若满足预设条件，则确定所述用户偏好数据为空值；其中，所述预设条件包括以下任意一个或多个的组合：所述目标类型对应的所述历史分享事件的数量少于第一阈值；所述目标类型对应的所述历史分享事件在最近的预设周期内的数量少于第二阈值；所述各个分享位置的分享偏好度均低于第三阈值。

可选的，所述目标分享位置包括：偏好度最高的分享位置，或者偏好度高于预设偏好阈值的分享位置。

可选的，所述分享信息处理装置还包括：模型训练模块，用于获取不同用户的历史分享事件，从中提取多组样本数据，每组样本数据包括用户信息，以及所述用户信息对应的任意N+1个连续、且分享信息类型相同的历史分享事件，N为不小于2的正整数，并以所述用户信息、所述N+1个历史分享事件中前N个事件的分享位置为训练数据，以所述N+1个历史分享事件中最后一个事件的分享位置为标注数据，训练机器学习模型，得到所述分享预测模型。

可选的，所述待分享信息为目标应用程序中分享的信息，所述目标分享位置为所述目标应用程序中的分享位置。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种分享信息处理方法。

根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一种分享信息处理方法。

本公开的技术方案具有以下有益效果：

服务器从终端获取待分享信息以及用户标识后，根据用户标识以及待分享信息的类型查找用户偏好数据，若查找到，则根据用户偏好数据确定待分享信息的目标分享位置，若未查找到，通过分享预测模型确定目标分享位置，最后将目标分享位置返回终端，以在终端上优先显示。一方面，无论是基于用户偏好数据还是分享预测模型，所确定的目标分享位置都是对用户分享待分享信息的位置进行预测，将其优先显示在终端上的分享页面，可以方便用户进行分享操作，无需滑动页面或进行多次点选，即可选中目标位置，简化了操作流程，提高了用户体验；另一方面，采用用户偏好数据和分享预测模型的双途径，可以提高处理分享信息的灵活性，在缺乏用户历史分享数据的情况下，也可以对用户分享意图进行合理预测，具有较高的鲁棒性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1～图3示出了相关技术中分享信息的页面示意图；

图4示出了本示例性实施方式运行环境的一种***架构示意图；

图5示出了本示例性实施方式中一种分享信息处理方法的流程图；

图6示出了本示例性实施方式中一种分享信息处理方法的子流程图；

图7示出了本示例性实施方式中一种分享信息处理装置的结构框图；

图8示出本示例性实施方式中一种用于实现上述方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

相关技术的一种方案中，分享信息的过程可以如图1所示，用户在手机的新闻APP中分享一则新闻，弹出分享页面，其中提供了可分享的位置选项，包括好友、工作群、动态、博客等，用户选择想要分享的目标位置，将新闻分享到该目标位置。由于页面的尺寸限制，图1的页面中只能显示4个选项，如图2所示，向右滑动页面，可以显示剩余的选项。如果可分享的位置较多，或者屏幕尺寸较小，则需要占据多个页面。可见，用户在选择分享位置时，需要滑动页面以寻找目标位置。此外，页面中显示的选项可能是子菜单，其中又包含了多个具体的分享位置，如图2和图3所示，页面中的“***”选项即为子菜单，点击“***”选项后，显示“***”下的多个分享位置，如短信、邮件等，则用户需要多进行一次选择操作，有时未显示的选项被折叠到“更多”的选项里，则用户还需要进一步操作。因此，在上述分享信息的过程中，用户需要进行多步操作才能选中目标位置，非常不便。

基于上述一个或多个问题，本示例性实施方式首先提供一种分享信息处理方法。需要说明的是，本示例性实施方式所述的分享，包括分享、转发、发送至朋友等各种类似操作。图4示出了该方法运行环境的***架构示意图。如图4所示，***400可以包括：终端设备401、402、403中的一个或多个，网络404和服务器405。其中，终端设备401、402、403可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等；网络404用于在终端设备401、402、403和服务器405之间提供通信链路的介质，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；服务器405可以是提供分享服务的后台服务器。应该理解，图4中的终端设备和服务器的数目仅仅是示意性的。根据实际需要，可以具有任意数目的终端设备和服务器。比如服务器405可以是多个服务器组成的服务器集群等。

本示例性实施方式的分享信息处理方法可以在上述服务器405上执行。图5示出了该方法的一种流程，可以包括以下步骤S510～S540：

步骤S510，从终端获取待分享信息以及发送待分享信息的用户标识，识别待分享信息的类型，作为目标类型。

本示例性实施方式中，用户在终端上进行分享信息的操作，通常是在待分享信息的页面中点击分享的选项，可以触发终端向服务器发送待分享信息，待分享信息可以是新闻、音乐、视频、文档、图片等各种类型，服务器识别其类型，作为目标类型，用于后续处理。服务器可以事先对可分享的信息进行不同程度的分类，本公开对于分类的粒度不做限定，例如可以将所有的新闻作为一类信息，也可以对新闻做进一步分类，基于APP中对新闻版块的划分，确定时事新闻、体育新闻、科技新闻等更加细分的类型。

终端在发送待分享信息时，是通过特定的用户标识发送的，例如用户在社交APP中分享文章，用户标识可以是该用户的APP账号、手机号等，服务器接收的报文中包含用户标识的相关信息。

在一种可选的实施方式中，待分享信息可以是用户在目标应用程序中分享的信息，例如用户在某社交APP中分享的文章、文件、链接等。

步骤S520，当查找到该用户标识下目标类型对应的用户偏好数据时，根据该用户偏好数据确定待分享信息的目标分享位置。

其中，用户偏好数据是服务器统计该用户分享目标类型的信息的历史分享事件，而得到的该用户偏好分享目标类型的信息到哪个或哪些分享位置的结论性数据，例如可以包括：用户分享目标类型的信息时最偏好的分享位置，或者目标类型的信息分享到各分享位置的偏好度。服务器可以通过数据表存储用户偏好数据，其中以用户标识和信息的类型为索引。在查找到用户标识下目标类型对应的用户偏好数据后，可以确定用户最为偏好的一个或多个分享位置为目标分享位置，如果确定多个目标分享位置，还可以按照其偏好度高低进行排序。

在一种可选的实施方式中，目标分享位置可以是目标应用程序中的分享位置，例如用户分享某社交APP中的信息时，可以分享到该社交APP的不同位置模块，包括好友、群组、动态、空间、收藏夹等。

步骤S530，当未查找到该用户标识下目标类型对应的用户偏好数据时，通过分享预测模型确定待分享信息的目标分享位置。

其中，未查找到用户偏好数据的情况可以包括：该用户首次分享目标类型的信息，或分享目标类型的信息次数较少，服务器还不足以统计出用户的偏好，或者用户上一次分享目标类型的信息距离当前的时间较长，用户偏好可能发生了变化等。本示例性实施方式中，分享预测模型是服务器基于不同用户的大数据事先训练而得到的机器学习模型，用于预测用户下一次分享信息的目标分享位置，与用户偏好数据不同的是，分享预测模型代表的是不同用户的群体性偏好，适合在缺乏个性化的用户偏好数据的情况下，对用户分享行为进行预测。

在一种可选的实施方式中，可以将该用户标识对应的用户信息(如用户年龄、性别、注册时间、登录频率、会员等级)以及目标类型输入分享预测模型，或者，也可以将该用户前几次的分享事件信息输入分享预测模型等，本公开对于输入模型的具体信息内容不做限定，这与模型训练过程相关。模型经过处理后，输出目标分享位置。

步骤S540，将目标分享位置发送至终端，以在终端上优先显示目标分享位置。

通过上述步骤S520或步骤S530确定待分享信息的目标分享位置后，服务器将目标分享位置发送回终端，终端将目标分享位置优先显示在分享页面上，以便于用户选择，或者目标分享位置只有一个时，也可以直接跳转至目标分享位置，省去用户选择操作的步骤。

例如：用户偏好将文件分享到网盘，则分享文件时，终端上将网盘显示在分享页面的靠前位置；用户偏好将网页链接分享到企业通讯APP的同事吧或聊天会话，则分享网页链接时，终端上将同事吧和聊天会话显示在分享页面的靠前位置，等等。

下面通过用户偏好数据、分享预测模型两个方面对本示例性实施方式做进一步说明。

第一方面、用户偏好数据：

本示例性实施方式提供了一种获得用户偏好数据的方法，可以参考图6，包括以下步骤S610～S630：

步骤S610，收集上述用户标识对应的历史分享事件；

步骤S620，根据各历史分享事件所分享的信息的类型，统计各类型的历史分享事件；

步骤S630，基于目标类型的历史分享事件的时间分布特征，计算用户标识下目标类型对应的用户偏好数据。

其中，服务器可以通过日志库记录用户每次的分享事件，形成历史分享事件库，作为分析用户分享偏好的基础，或者从各个终端收集用户的分享事件。举例而言，可以在终端上设置接口#contentID_userID_type，contentID表示分享的信息内容，userID为用户标识，type为分享的信息类型，如存储为聊天记录msg、图片pic、文字t、文件d、视频v、网页链接h、公众号文章wx等，数据中还可以包含用户分享信息的时间。服务器可以通过上述接口从终端获取历史分享事件的数据，然后进行统计分析。

在统计时，按照用户标识、分享信息的类型将历史分享事件进行分类过滤，例如可以设置接口#Server_time_type_place，将收集的历史分享事件进行转换，其中place表示历史分享事件中将信息分享到了哪个位置。例如表1示出了在2019年5月内，某用户关于文件类型(用d表示)的历史分享事件的数据表，其中第一条表示该用户在2019年5月3日14点46分23秒将文件分享到了好友。

表1

假设目标类型为文件，统计文件类型的历史分享事件，形成数据表，然后根据数据表得到各分享位置的时间分布特征，然后再计算用户偏好数据。例如分享位置可以包括好友、网盘、工作群，可以统计最近一个月内或所有时间内将文件分享到好友、网盘、工作群的次数，将次数最多的位置作为用户偏好数据。时间分布特征可以包括多种维度或形式的统计数据，本公开对此不做限定。

在一种可选的实施方式中，目标类型对应的用户偏好数据可以包括：目标类型的信息分享到各分享位置的偏好度；基于此，步骤S630可以具体通过以下步骤实现：

按照时间顺序排列目标类型的历史分享事件，将连续、且分享位置相同的历史分享事件合并为历史分享事件集，未合并的历史分享事件分别形成单事件的历史分享事件集；

根据各历史分享事件集的次序以及其中的事件数量，计算各历史分享事件集的权重；

合并分享位置相同的历史分享事件集的权重，计算目标类型的信息分享到各分享位置的偏好度。

以表1中的数据为例说明，将表1中的历史分享事件按照由近及远的时间顺序排列成数组，记录每个历史分享事件的分享位置，以A表示好友，B表示网盘，C表示工作群，则数组为：

(C,C,B,A,A,C,C,C,C,B,B,A)；

然后将将连续、且分享位置相同的历史分享事件合并为历史分享事件集，则上述数组可以表示为：

(2C,B,2A,4C,2B,A)；

其中，2C表示连续两个分享位置为C的历史分享事件合并而成的历史分享事件集，B表示分享位置为B的单事件集。可见，上述数组中，每一项代表一个历史分享事件集。

然后分别计算其中每一项的权重，计算原理为：每一项的权重与该项的次序负相关，与事件数量正相关。具体计算方法有很多种，本公开对此不做限定，下面提供一个示例：

可以采用幂函数的计算方式：W＝seq^a·quan^b；其中W为权重，seq为次序，quan为事件数量，a和b为预设的指数参数，a<0，b>1，可以根据经验和实际需求而赋值。例如a＝-0.5，b＝1.5，以此计算上述数组，可得：

W(2C)＝1^-0.5·2^1.5＝2.83；

W(B)＝2^-0.5·1^1.5＝0.71；

W(2A)＝3^-0.5·2^1.5＝1.63；

W(4C)＝4^-0.5·4^1.5＝4；

W(2B)＝5^-0.5·2^1.5＝1.26；

W(A)＝6^-0.5·1^1.5＝0.41；

然后合并分享位置相同的项，2C和4C项合并，权重为6.83，B和2B项合并，权重为1.97，2A和A项合并，权重为2.04。再对权重进行归一化处理，得到A、B、C的偏好度(最高为1)分别为0.19、0.18、0.63。当然，所采用的归一化算法不同，最终的结果也会有差异，本公开对此不做限定。

基于上述各种方式计算得到的各分享位置的偏好度，在步骤S520中，可以将偏好度最高的分享位置，或者偏好度高于预设偏好阈值的分享位置，确定为目标分享位置。其中，预设偏好阈值作为衡量用户是否偏好的判断标准，可以根据经验或实际需求而设定。

在一种可选的实施方式中，服务器可以设置逻辑单元#Sever_contentID_userID_type_place，负责根据用户偏好数据对当前的分享事件进行解析，得到目标分享位置。终端上可以设置逻辑单元#show_contentID_place，负责和服务器的上述逻辑单元通信，获取并展示目标分享位置。

需要补充的是，在一种可选的实施方式中，在计算用户偏好数据时，若满足预设条件，则可以确定用户偏好数据为空值。其中，预设条件可以包括以下任意一个或多个的组合：

目标类型对应的历史分享事件的数量少于第一阈值，说明目标类型对应的历史分享事件数量过少，不足以确定用户偏好；

目标类型对应的历史分享事件在最近的预设周期内的数量少于第二阈值，说明在近期目标类型对应的历史分享事件数量过少，不足以确定用户在近期的偏好，最近的预设周期可以是最近一周、最近一个月等；

各个分享位置的分享偏好度均低于第三阈值，说明用户对各分享位置均没有明显的偏好，难以确定用户的偏好，第三阈值可以是0.5、0.7等值。

其中，第一阈值、第二阈值和第三阈值之间无关联，均可以根据经验或实际需求而设定，本公开对此不做限定。如果目标类型的用户偏好数据为空值，在该用户下次分享目标类型的信息时，执行步骤S530，即通过分享预测模型确定目标分享位置。

第二方面、分享预测模型：

可以通过以下方式获得分享预测模型：

获取不同用户的历史分享事件，从中提取多组样本数据，每组样本数据包括用户信息，以及用户信息对应的任意N+1个连续、且分享信息类型相同的历史分享事件，N为不小于2的正整数；

以用户信息、N+1个历史分享事件中前N个事件的分享位置为训练数据，以N+1个历史分享事件中最后一个事件的分享位置为标注数据，训练机器学习模型，得到分享预测模型。

其中，服务器具有大数据方面的优势，可以收集不同用户的历史分享事件，并按照上述方式整理为以组为单位的样本数据。N+1个连续、且分享信息类型相同的历史分享事件，是指这N+1个历史分享事件是同类型的，任意相邻两个之间不存在其他的同类型历史分享事件。用户信息可以包括用户年龄、性别、注册时间、登录频率、会员等级等各种属性的信息，也可以对用户进行画像，基于用户画像对用户划分类别，则用户信息可以包括用户所属的类别。对于各分享位置，可以参考上述对表1中分享位置编码的方式进行数值化转换。则可以将用户信息和前N个事件的分享位置转换为特征向量，作为训练数据，将最后一个事件的分享位置所转换的数值作为标注数据，从而训练机器学习模型，如神经网络模型、支持向量机模型、逻辑回归模型、随机森林模型等，训练完成后可以得到分享预测模型。N的值可以根据经验和实际需求而设定，通常N越大，预测结果越准确，当然对于数据方面的要求也越高。

基于上述方式训练得到分享预测模型，将用户在前N次的分享事件作为输入数据的一部分，并结合用户信息，进行特征的学习和挖掘，可以实现较高的预测准确度；并且，从同一用户同一类型的历史分享事件中可以挖掘出多组样本数据，从而为模型训练提供丰富的数据支持，有利于训练过程的实施。

综上所述，本示例性实施方式中，服务器从终端获取待分享信息以及用户标识后，根据用户标识以及待分享信息的类型查找用户偏好数据，若查找到，则根据用户偏好数据确定待分享信息的目标分享位置，若未查找到，通过分享预测模型确定目标分享位置，最后将目标分享位置返回终端，以在终端上优先显示。一方面，无论是基于用户偏好数据还是分享预测模型，所确定的目标分享位置都是对用户分享待分享信息的位置进行预测，将其优先显示在终端上的分享页面，可以方便用户进行分享操作，无需滑动页面或进行多次点选，即可选中目标位置，简化了操作流程，提高了用户体验；另一方面，采用用户偏好数据和分享预测模型的双途径，可以提高处理分享信息的灵活性，在缺乏用户历史分享数据的情况下，也可以对用户分享意图进行合理预测，具有较高的鲁棒性。

本公开的示例性实施方式还提供了一种分享信息处理装置，可以配置于上述服务器405。如图7所示，该分享信息处理装置700可以包括：获取模块710，用于从终端获取待分享信息以及发送待分享信息的用户标识，识别待分享信息的类型，作为目标类型；第一处理模块720，用于当查找到用户标识下目标类型对应的用户偏好数据时，根据用户偏好数据确定待分享信息的目标分享位置；第二处理模块730，用于当未查找到用户标识下目标类型对应的用户偏好数据时，根据分享预测模型预测待分享信息的目标分享位置；发送模块740，用于将目标分享位置发送至终端，以在终端上优先显示目标分享位置。

在一种可选的实施方式中，分享信息处理装置700还可以包括：用户偏好分析模块(图中未示出)，用于收集用户标识对应的历史分享事件，根据各历史分享事件所分享的信息的类型，统计各类型的历史分享事件，并基于目标类型的历史分享事件的时间分布特征，计算用户标识下目标类型对应的用户偏好数据。

在一种可选的实施方式中，目标类型对应的用户偏好数据可以包括：目标类型的信息分享到各分享位置的偏好度；用户偏好分析模块(图中未示出)，还可以用于按照时间顺序排列目标类型的历史分享事件，将连续、且分享位置相同的历史分享事件合并为历史分享事件集，未合并的历史分享事件分别形成单事件的历史分享事件集，根据各历史分享事件集的次序以及其中的事件数量，计算各历史分享事件集的权重，合并分享位置相同的历史分享事件集的权重，计算目标类型的信息分享到各分享位置的偏好度。

在一种可选的实施方式中，用户偏好分析模块(图中未示出)，还可以用于在计算用户偏好数据时，若满足预设条件，则确定用户偏好数据为空值；其中，预设条件包括以下任意一个或多个的组合：目标类型对应的历史分享事件的数量少于第一阈值；目标类型对应的历史分享事件在最近的预设周期内的数量少于第二阈值；各个分享位置的分享偏好度均低于第三阈值。

在一种可选的实施方式中，目标分享位置可以包括：偏好度最高的分享位置，或者偏好度高于预设偏好阈值的分享位置。

在一种可选的实施方式中，分享信息处理装置700还可以包括：模型训练模块(图中未示出)，用于获取不同用户的历史分享事件，从中提取多组样本数据，每组样本数据包括用户信息，以及用户信息对应的任意N+1个连续、且分享信息类型相同的历史分享事件，N为不小于2的正整数，并以用户信息、N+1个历史分享事件中前N个事件的分享位置为训练数据，以N+1个历史分享事件中最后一个事件的分享位置为标注数据，训练机器学习模型，得到分享预测模型。

在一种可选的实施方式中，待分享信息可以是目标应用程序中分享的信息，目标分享位置可以是目标应用程序中的分享位置。

上述装置中各模块的具体细节在方法部分实施方式中已经详细说明，未披露的方案细节内容可以参见方法部分的实施方式内容，因而不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

本公开的示例性实施方式还提供了一种电子设备。图8示出了适于用来实现本公开实施方式的电子设备的计算机***的结构示意图。需要说明的是，图8示出的电子设备的计算机***800仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。

如图8所示，计算机***800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有***操作所需的各种程序和数据。CPU801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本公开的实施方式，下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，本公开的实施方式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。在这样的实施方式中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的方法和装置中限定的各种功能。在一些实施方式中，计算机***800还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

需要说明的是，本公开所示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***、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***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的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。计算机可读的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，该计算机可读介质可以发送、传播或者传输用于由指令执行***、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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施方式的***、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，上述模块、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，框图或流程图中的每个方框、以及框图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***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式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。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。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施方式中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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一个该电子设备执行时，使得该电子设备实现如下述实施方式中所述的方法。例如，该电子设备可以实现如图5或图6所示的各个步骤等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种分享信息处理方法，其特征在于，包括：

从终端获取待分享信息以及发送所述待分享信息的用户标识，识别所述待分享信息的类型，作为目标类型；

当查找到所述用户标识下所述目标类型对应的用户偏好数据时，根据所述用户偏好数据确定所述待分享信息的目标分享位置；

当未查找到所述用户标识下所述目标类型对应的用户偏好数据时，通过分享预测模型确定所述待分享信息的目标分享位置；

将所述目标分享位置发送至所述终端，以在所述终端上优先显示所述目标分享位置。

2.根据权利要求1所述的方法，其特征在于，所述用户标识下所述目标类型对应的用户偏好数据，通过以下方式获得：

收集所述用户标识对应的历史分享事件；

根据各所述历史分享事件所分享的信息的类型，统计各类型的历史分享事件；

基于所述目标类型的历史分享事件的时间分布特征，计算所述用户标识下所述目标类型对应的用户偏好数据。

3.根据权利要求2所述的方法，其特征在于，所述目标类型对应的用户偏好数据包括：所述目标类型的信息分享到各分享位置的偏好度；

所述基于所述目标类型的历史分享事件的时间分布特征，计算所述用户标识下所述目标类型对应的用户偏好数据，包括：

按照时间顺序排列所述目标类型的历史分享事件，将连续、且分享位置相同的历史分享事件合并为历史分享事件集，未合并的历史分享事件分别形成单事件的历史分享事件集；

根据各所述历史分享事件集的次序以及其中的事件数量，计算各所述历史分享事件集的权重；

合并分享位置相同的历史分享事件集的权重，计算所述目标类型的信息分享到各分享位置的偏好度。

4.根据权利要求3所述的方法，其特征在于，在计算所述用户偏好数据时，若满足预设条件，则确定所述用户偏好数据为空值；

其中，所述预设条件包括以下任意一个或多个的组合：

所述目标类型对应的所述历史分享事件的数量少于第一阈值；

所述目标类型对应的所述历史分享事件在最近的预设周期内的数量少于第二阈值；

所述各个分享位置的分享偏好度均低于第三阈值。

5.根据权利要求3所述的方法，其特征在于，所述目标分享位置包括：偏好度最高的分享位置，或者偏好度高于预设偏好阈值的分享位置。

6.根据权利要求1所述的方法，其特征在于，所述分享预测模型通过以下方式获得：

获取不同用户的历史分享事件，从中提取多组样本数据，每组样本数据包括用户信息，以及所述用户信息对应的任意N+1个连续、且分享信息类型相同的历史分享事件，N为不小于2的正整数；

以所述用户信息、所述N+1个历史分享事件中前N个事件的分享位置为训练数据，以所述N+1个历史分享事件中最后一个事件的分享位置为标注数据，训练机器学习模型，得到所述分享预测模型。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述待分享信息为目标应用程序中分享的信息，所述目标分享位置为所述目标应用程序中的分享位置。

8.一种分享信息处理装置，其特征在于，包括：

获取模块，用于从终端获取待分享信息以及发送所述待分享信息的用户标识，识别所述待分享信息的类型，作为目标类型；

第一处理模块，用于当查找到所述用户标识下所述目标类型对应的用户偏好数据时，根据所述用户偏好数据确定所述待分享信息的目标分享位置；

第二处理模块，用于当未查找到所述用户标识下所述目标类型对应的用户偏好数据时，根据分享预测模型预测所述待分享信息的目标分享位置；

发送模块，用于将所述目标分享位置发送至所述终端，以在所述终端上优先显示所述目标分享位置。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。

Images