任务推送方法及装置、存储介质及电子设备与流程

本公开涉及人工智能技术领域，具体而言，涉及一种任务推送方法及装置、计算机可读存储介质及电子设备。

背景技术：

随着计算机行业的快速发展，用户任务系统的使用也越来越多，因此对用户任务系统的智能化的要求也越来越高。

但是，在实现本发明过程中，发明人发现现有技术中的中的用户任务系统在推送任务时，对任务派发的精度不足，会造成对任务进行许多不必要的派发，会造成计算资源的浪费。

因此，有必要设计一种新的任务推送方法及装置、计算机可读存储介质及电子设备

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。

技术实现要素：

本公开的目的在于提供一种任务推送方法及装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服相关技术中用户任务系统在推送任务时，对任务推广的精度不足，会造成对任务进行许多不必要的推广，会造成计算资源的浪费。

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，一种任务推送方法，包括：

获取预设时间内多个用户的特征信息，并根据所述特征信息对所述用户进行聚类得到多种参考用户类型和多个聚类中心；

根据目标用户的所述特征信息和所述聚类中心将所述目标用户所属的参考用户类型作为目标用户类型；

获取多个候选任务，并计算所述候选任务分配给所述目标用户类型的概率；

根据所述概率判断是否将所述候选任务推送给所述目标用户。

在本公开的一种示例性实施例中，获取预设时间内多个用户的特征信息，并根据所述特征信息对所述用户进行聚类得到多种参考用户类型和多个聚类中心，包括：

从数据库中获取多个用户的特征信息；

根据所述特征信息确定特征向量；

根据所述特征向量和所述聚类中心对多个所述用户进行聚类得到多种参考用户类型。

在本公开的一种示例性实施例中，根据所述特征向量和所述聚类中心对多个所述用户进行聚类得到多种参考用户类型，包括：

利用多个所述聚类中心对多个所述特征向量进行聚类得到特征向量类型；

根据所述特征向量类型将多个所述用户分为多种参考用户类型。

在本公开的一种示例性实施例中，根据目标用户的所述特征信息选取所述目标用户所属的参考用户类型作为目标任务类型，包括：

获取所述目标用户的特征信息；

依据所述特征信息确定所述目标用户的特征向量；

依据所述特征向量，将与所述特征向量距离最近的所述聚类中心所对应的所述参考用户类型作为目标用户类型。

在本公开的一种示例性实施例中，获取多个候选任务，并计算所述候选任务分配给所述目标用户类型的概率，包括：

从数据库中获取多个候选任务，其中每个所述候选任务包括多个特征属性；

根据所述特征属性利用深度学习模型计算所述候选任务分配给所述目标用户类型的概率。

在本公开的一种示例性实施例中，所述方法还包括；

获取训练数据，所述训练数据包括样本候选任务的多个所述特征属性和所述样本候选任务是否分配给所述目标用户类型的判定结果；

基于所述训练数据对一机器学习模型进行训练得到所述深度学习模型。

在本公开的一种示例性实施例中，根据所述概率判断是否将所述候选任务推送给所述目标用户，包括：

判断所述概率与预设值的大小；

若所述概率大于所述预设值，则将所述概率对应的候选任务作为嘴尖任务推送给所述目标用户。

根据本公开的一个方面，提供一种任务推送装置，包括：

获取模块，获取预设时间内多个用户的特征信息，并根据所述特征信息对所述用户进行聚类得到多种参考用户类型；

选择模块，根据目标用户的所述特征信息选取所述目标用户所属的参考用户类型作为目标用户类型；

计算模块，获取多个候选任务，计算所述候选任务分配给所述目标用户类型的概率；

判断模块，根据所述概率判断是否将所述候选任务推送给所述目标用户。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任意一项所述的任务推送方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任意一项所述的任务推送方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开的一种实施例所提供的任务推送方法中，通过对用户特征信息的分析对用户进行聚类得到参考用户类型和多个聚类中心，并确定目标用户的目标用户类型，计算该目标用户类型接受任务的概率进而确定目标用户接受任务的概率，一方面，对用户的特征信息进行了分析并对用户进行聚类，确定目标用户的用户类型，进而通过对用户类型分配任务能够提高任务推送的准确性；另一方面，通过计算目标用户所属用户类型接受任务的概率来确定是否将任务分配给目标用户，通过较多数据的对比来进行任务分配，并将用户是否接受任务的信息量化处理，能够减少许多非必要的推荐，减少对计算资源的浪费。使得推送的任务能够满足用户的完成意愿，增加用户的参与率。

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例，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例，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。在附图中：

图1是本公开实施例中任务推送方法的流程图；

图2是本公开实施例中对用户进行聚类的流程图；

图3是本公开实施例中根据特征向量对用户进行聚类的流程图；

图4是本公开实施例中利用深度学习模型计算概率的流程图；

图5是本公开实施例中对机器学习模型进行训练的流程图；

图6是本公开实施例中数据获取与数据流向的示意图；

图7是本公开实施例中根据不同用户类型进行任务分配时的输入数据和输出数据的框图；

图8示意性示出本公开示例性实施例中一种任务推送装置的组成示意图；

图9示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机系统的结构示意图；

图10示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参照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。

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。

在本示例性实施例中，首先提供了一种任务推送方法，可以对任务的进行较为准确的推送。参照图1中所示，上述的任务推送方法可以包括以下步骤：

s110，获取预设时间内多个用户的特征信息，并根据所述特征信息对所述用户进行聚类得到多种参考用户类型和多个聚类中心；

s120，根据目标用户的所述特征信息和所述聚类中心将所述目标用户所属的参考用户类型作为目标用户类型；

s130，获取多个候选任务，并计算所述候选任务分配给所述目标用户类型的概率；

s140，根据所述概率判断是否将所述候选任务推送给所述目标用户。

本公开的一种实施例所提供的任务推送方法中，通过对用户特征信息的分析对用户进行聚类得到参考用户类型和多个聚类中心，并确定目标用户的目标用户类型，计算该目标用户类型接受任务的概率进而确定目标用户接受任务的概率，一方面，对用户的特征信息进行了分析并对用户进行聚类，确定目标用户的用户类型，进而通过对用户类型分配任务能够提高任务推送的准确性；另一方面，通过计算目标用户所属用户类型接受任务的概率来确定是否将任务分配给目标用户，通过较多数据的对比来进行任务分配，并将用户是否接受任务的信息量化处理，能够减少许多非必要的推荐，减少对计算资源的浪费。使得推送的任务能够满足用户的完成意愿增加用户的参与率。

下面，将结合附图及实施例对本示例性实施例中的任务推送方法的各个步骤进行更详细的说明。

步骤s110，获取预设时间内多个用户的特征信息，并根据所述特征信息对所述用户进行聚类得到多种参考用户类型和多个聚类中心。

在本公开的一种示例实施例中，服务器可以从数据库中获取预设时间内用户的特征信息，特征信息可以包括用户的标签以及用户对任务的领取率完成率等行为信息，用户的标签可以表示用户的身份、年龄等，例如“学生”、“白领”、“青年”等，在本示例实施方式中不做具体限定。

需要说明的是，在本示例实施方式中用户的行为信息除了包括上述的用户对任务的领取率完成率，还可以包括用户的领奖信息等，在本示例实施方式中不对用户行为信息的种类进行具体限定；其中用户领取的奖励可以包括现金红包，购物券，支付券，会员代金券、积分奖励等，当然，上述奖励还可以包括其他种类，在本示例实施方式中不做具体限定。

用户对任务的领取率可以表示为用户在多个不同时间段出现的相同的任务中领取的任务与总任务的比值；用户对任务的完成率可以表示为用户多个不同时间段出现的相同的任务中完成的任务和总任务的比值。

需要说明的时，在本示例实施方式中，预设时间可以是五天、七天、一个月等，在本示例实施方式中不做具体限定。

在本公开的一种示例实施例中，根据所述特征信息对所述用户进行聚类得到多种参考用户类型和多个聚类中心，参照图2所示，可以包括步骤s210至s230，以下详细进行阐述：

在步骤s210中，从数据库中获取多个用户的特征信息。

在本示例实施方式中，服务器确定从数据库中获取的特征信息的特征向量，上述已经说明了特征信息的内容，因此，此处不再赘述。此处以其中一个用户的特征信息为例进行说明，举例而言，在本示例实施方式中，可以将标签信息中的年龄分别用1、2、3等表示，例如少年可以用1来表示、青年用2来表示等，以此类推。同理可以用a、b、c等表示用户的身份，例如a可以表示学生、b可以表示白领等。标签信息的种类可以有多种，上述进行了简单的介绍，在本示例实施方式中不对标签信息做具体限定。用户的对任务的领取率可以采用小数表示，例如0.7、0.5等，用户对任务的完成率也可以采用小数表示，例如0.8、0.5等。

在步骤s220中，根据所述特征信息确定特征向量。

在本示例实施方式中，假设其中一个用户的特征信息包括青年、学生、对任务的领取率为0.6以及对任务的完成率为0.3，则该用户的特征信息对应得特征数据可以表示为[2，a，0.6，0.3]，然后可以对特征数据进行转换和归一化处理得到特征向量，当然，用户的特征信息中的标签以及用户对任务的领取率和完成率均可以具有多种，特征向量的获取方式也可以有多种，上述说明了特征向量获取的一个简单方式，在本示例实施方式中不对特征向量的获取方式进行限定。

在步骤s230中，根据所述特征向量和所述聚类中心对多个所述用户进行聚类得到多种参考用户类型。

在本公开的一种示例实施方式中，根据目标用户的所述特征信息选取所述目标用户所属的参考用户类型作为目标任务类型，参照图3所示，可以包括步骤s310至s320，以下详细进行阐述：

在步骤s310中，利用多个所述聚类中心对多个所述特征向量进行聚类得到特征向量类型。

在本示例实施方式中，可以采用k均值聚类算法来完成对多个用户的聚类，具体而言，根据上述特征向量在多维坐标系中的代表的点，确定多个聚类中心，并根据多个特征向量与多个聚类中心之间的距离，将多个特征向量进行聚类，得到特征向量类型。

在步骤s320中，根据所述特征向量类型将多个所述用户分为多种参考用户类型。

每一个特征向量可以对应一个用户，可以根据特征向量类型来确定参考用户类型，即参考用户类型的数量是由聚类中心的数量决定的，例如，利用k均值聚类算法得到的聚类中心的数量为5个，则参考用户类型的数量也为5个，在本示例实施方式中不对聚类中心的数量做具体限定。

具体而言，首先根据特征向量在多维坐标系中的点来对特征向量进行聚类，得到特征向量的类型，然后从上述特征向量映射到特征信息，进而完成对多个用户的聚类得到多种用户类型。

在步骤s120，根据目标用户的所述特征信息和所述聚类中心将所述目标用户所属的参考用户类型作为目标用户类型。

首先可以从数据库中获取目标用户的特征信息，并根据目标用户的特征信息确定目标用户的特征向量，特征信息的内容以及如何获取特征向量上述已经进行了详细说明，因此，此处不再赘述。

在本示例实施方式中，服务器可以将目标用户的特征向量放入多维坐标系中，并计算该特征向量在上述多维坐标系中表示的点与多个聚类中心之间的距离，选取距离目标特征向量在上述多维坐标系中表示的点最近的聚类中心为目标聚类中心，进而将目标聚类中心对应的参考用户类型确定为确定目标用户的目标用户类型。

在步骤s130中，获取多个候选任务，并计算所述候选任务分配给所述目标用户类型的概率。

在本公开的一种示例实施方式中，获取多个候选任务，并计算所述候选任务分配给所述目标用户类型的概率，参照图4所示，可以包括如下步骤：

s410，从数据库中获取多个候选任务，其中每个所述候选任务包括多个特征属性；

在本示例实施方式中，服务器可以从数据库中获取多个候选任务，其中候选任务可以包括个人保险任务，汽车保险任务，子女教育任务，投资理财任务，装修行业任务，购物任务，支付任务，贷款任务，游戏试玩任务，游戏充值任务，内容阅读任务等，候选任务还可以有更多种类，在本示例实施方式中不做具体限定。

上述任务的特征属性可以包括被领取率、被完成率、对用户的奖励种类等，还可以包括其他特征属性，例如任务的发布时间、任务的有效日期，完成任务的地址，任务的描述信息，任务的状态，设置任务的类型，任务的流水展示信息以及任务的投放业务线等，在本示例实施方式中不做具体限定。

s420，根据所述特征属性利用深度学习模型计算所述候选任务分配给所述目标用户类型的概率。

在本示例实施方式中，可以根据上述候选任务中的特征属性利用深度学习模型计算候选任务分配给目标用户类型的概率。

其中深度学习模型可以是由朴素贝叶斯模型进行训练得到的，也可以是其他机器学习模型进行训练得到，例如，由决策树模型经过训练得到，在本示例实施方式中不做具体限定。

在本示例实施方式中，参照图5所示，上述方法还可以包括以下步骤：

步骤s510，获取训练数据，所述训练数据包括样本候选任务的多个所述特征属性和所述样本候选任务是否分配给所述目标用户类型的判定结果；

步骤s520，基于所述训练数据对一机器学习模型进行训练得到所述深度学习模型。

下面所步骤s510至s520进行详细阐述。

在本示例实施方式中，首先可以从数据库中获取训练数据，训练数据可以包括样本候选任务的多个特征属性以及样本候选任务是否分配给目标用户类型的判定结果。

下面通过具体的实施方式来对应用上述贝叶斯模型的进行计算将候选任务分配给目标用户概率进行详细说明，假设，候选任务的特征属性包括a、b、c三个，首先可以从训练数据中得到包括a特征属性样本候选任务分配给目标用户类型的概率，同理也可以从训练数据中得到包括b特征属性的样本候选任务分配给目标用户类型的概率以及包括c特征属性的样本候选任务分配给目标用户类型的概率。当然也可以根据训练数据中计算得到将样本候选任务分配给目标用户任务类型的概率。在利用深度学习模型计算时，可以直接从深度学习模型中获取关于上述特征属性a、b、c的相关概率。

其次可以根据贝叶斯法法则计算包括a、b、c三个特征属性的候选任务分配给目标用户类型的概率。

在本示例实施方式中可以采用p(是|a*b*c)来标识包括a、b、c三个特征属性的候选任务分配给目标用户类型的概率，可以采用第一计算公式计算将包括a、b、c三个特征属性的候选任务分配给目标用户类型的概率，第一计算公式可以为：

p(是|a*b*c)＝p(a*b*c|是)*p(是)/p(a*b*c)

然后可以利用贝叶斯法则，假设上述特征属性a、b、c均相互独立，将上述第一计算公式转换为第二计算公式，第二计算公式为：

p(是|a*b*c)＝p(a|是)*p(b|是)*p(c|是)*p(是)/(p

(a)*p(b)*p(c))

其中，p(a|是)表示包括a特征属性样本候选任务分配给目标用户类型的概率，p(b|是)表示包括b特征属性的样本候选任务分配给目标用户类型的概率；p(c|是)表示包括c特征属性的样本候选任务分配给目标用户类型的概率；p(是)表示训练数据中样本候选任务分配给目标用户的概率。p(a)表示训练集中的样本候选任务中包括a特征属性的概率，p(b)表示包括b特征属性的概率，p(c)表示包括c特征属性的概率。在本示例实施方式中，“*”可以代表乘法运算的含义。

需要说明的是，在对机器学习模型进行训练时，服务器可以从训练数据中计算得到p(a|是)、p(b|是)、p(c|是)、p(是)、p(a)、p

(b)以及p(c)，并根据关于通过特征属性得到候选任务分配给目标用户类型的概率的表达式计算候选任务分配给目标用户概率，上述表达式可以是类似于上述第二计算公式的表达式。

需要说明的是上述深度学习模型中包括候选任务中包括的所有特征属性的相关概率以及上述通过特征属性得到候选任务分配给目标用户类型的概率的表达式。

其次，上述的特征属性a、b、c可以是范围值，例如，特征属性a可以表示领取率大于等于40％且小于等于50％。也可以表示一个特定值，在本示例实施方式中不做具体限定。

上述候选任务的特征属性的数量可以不同，所以上述的训练数据中包括了不同的候选任务，以使得能够涵盖所有候选任务中的特征属性。

在使用上述深度学习模型时，只需要输入候选任务的特征属性，就能够将该候选任务分配给目标用户类型的概率。

需要说明的是，在本示例实施方式中，深度学习模型的种类可以有多种，即可以采用不同的机器学习模型进行训练来得到深度训练模型，训练过程也可以有多种，上述为示例性的说明，本公开不对深度学习模型的种类进行具体限定，也不对训练过程进行限定。

在步骤s140中，根据所述概率判断是否将所述候选任务推送给所述目标用户。

在本示例实施方式中，通过上述深度学习模型计算得到了候选任务分配给目标用户类型的概率，然后可以根据概率来确定是否将该任务推送给目标用户。

在一种示例实施方式中，可以设置一预设值，可以根据是概率与预设值之间的大小关系来决定是否将候选任务推送给目标用户；可以将概率大于预设值的候选任务推送给目标用户。目标用户对概率较大的候选任务接受的可能性较大，能够避免一些不必要的推送操作，减少一定的推送成本。

在另一种示例实施方式中，可以首先对上述候选任务对应的概率按照大小顺序进行排序，将概率较大的预设数量的候选任务推送给目标用户，预设数量可以是10个、20个等，预设数量也可以根据需求进行自定义，在本示例实施方式中不做具体限定。

下面通过一具体的实施方式来对上述任务推送方法进行说明。参照图6所示，可以从数据库610中获取用户的特征信息620，特征信息包括用户行为信息和用户标签信息，还可以从数据库中获取任务相关信息630，任务相关信息630可以包括基本任务信息631和任务奖励信息632，将上述特征信息620和任务相关信息630输入到服务器中，经过服务器640的计算最终得到推荐任务列表650。

服务器640在处理上述特征信息620和任务相关信息630时，参照图7所示，首先可以将用户进行聚类得到多种用户类型，例如用户类型一710、用户类型二712、用户类型三714等。然后根据获取候选任务的特征属性，特征属性可以包括上述的候选任务的被领取率、被完成率等。

举例而言，假设目标用户的用户类型为用户类型一710，即用户类型一710为目标用户类型，获取候选任务的特征属性，特征属性可以包括候选任务一被领取率720、候选任务一被完成率722、候选任务二被领取率724、候选任务二被完成率726等，获取所有候选任务的特征属性，输入上述深度学习模型中得到候选任务分配给目标用户类型的概率，进而得到任务推荐列表730。

需要说明的是，可以一个候选任务的特征属性可以包括多种，在本示例实施方式中仅以被完成率和被领取率为例做出简单说明，在本示例实施方式中不对特征属性的数量以及种类做具体限定。

需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

以下介绍本公开的装置实施例，可以用于执行本公开上述的任务推送方法。此外，在本公开的示例性实施方式中，还提供了一种任务推送装置。参照图8所示，所述任务推送装置800包括：获取模块810，选择模块820，计算模块830，和判断模块840。

其中，所述获取模块810可以用于获取预设时间内多个用户的特征信息，并根据所述特征信息对所述用户进行聚类得到多种参考用户类型；所述选择模块820可以用于根据目标用户的所述特征信息选取所述目标用户所属的参考用户类型作为目标用户类型，所述计算模块830用于获取多个候选任务，并计算所述候选任务分配给所述目标用户类型的概率；所述判断模块840用于根据所述概率判断是否将所述候选任务推送给所述目标用户。

由于本公开的示例实施例的任务推送装置的各个功能模块与上述任务推送方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的任务推送方法的实施例。

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或者单元，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或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述任务推送方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图9来描述根据本公开的这种实施例的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，所述处理单元910可以执行如图1中所示的步骤s110：获取预设时间内多个用户的特征信息，并根据所述特征信息对所述用户进行聚类得到多种参考用户类型；s120：根据目标用户的所述特征信息选取所述目标用户所属的参考用户类型作为目标用户类型；s130：获取多个候选任务，并计算所述候选任务分配给所述目标用户类型的概率；s140：根据所述概率判断是否将所述候选任务推送给所述目标用户。

又如，所述的电子设备可以实现如图1至图5所示的各个步骤。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)921和/或高速缓存存储单元922，还可以进一步包括只读存储单元(rom)923。

存储单元920还可以包括具有一组(至少一个)程序模块925的程序/实用工具924，这样的程序模块925包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备970(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

参照图10，描述了根据本公开的实施例的用于实现上述方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施例。本公开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。说明书和实施例仅被视为示例性的，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。