一种服务结果的生成方法、装置、电子设备及存储介质与流程

本申请涉及计算机信息技术领域，具体而言，涉及一种服务结果的生成方法、装置、电子设备及存储介质。

背景技术：

现阶段，通过机器学习可以开发出适用于不同行业，不同服务场景的多种模型，比如，购物平台中向用户推荐衣服的模型。

实际中，通常利用机器学习框架在开发环境中对模型进行开发，生成对应的模型文件，在模型工程化的过程中，针对每个模型，工作人员需要开发出一套匹配该模型的机器学习框架的解释程序，进而利用开发出的解释程序将静态的模型文件转化为线上可用的具体服务。

但是，该种模型工程化的方式，依赖大量的工作人员，耗费人力资源和时间资源多，模型工程化的效率低。

技术实现要素：

有鉴于此，本申请实施例的目的在于提供一种服务结果的生成方法、装置、电子设备及存储介质，能够获取与服务请求相匹配的通用模型文件，基于通用模型文件解析得到的服务模型，生成服务请求对应的服务结果，服务模型工程化的效率高。

第一方面，本申请实施例提供了一种服务结果的生成方法，所述生成方法包括：

响应用户通过服务请求端发送的服务请求，查找与所述服务请求相匹配的通用模型文件；

基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息；

对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果，并将所述服务结果发送给所述服务请求端。

在一种可能的实施方式中，通过如下方式生成所述通用模型文件：

基于机器学习框架对初始服务模型进行训练，得到训练好的服务模型；

从预设的多个通用模型框架中，选取与所述服务模型的目标处理效率和目标处理精度相匹配的目标通用模型框架；

将所述服务模型的机器学习框架转换为所述目标通用模型框架，生成所述服务模型对应的通用模型文件。

在一种可能的实施方式中，所述基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息，包括：

将每个所述输入信息转换为与所述通用模型文件所属的文件类别相匹配的结构化表达方式；

基于与所述通用模型文件所属的文件类别相匹配的排序规则，对每个输入信息对应的结构化表达方式行排序，得到所述标准输入信息。

在一种可能的实施方式中，所述对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果，包括：

根据所述通用模型文件所属的文件类别，以及所述通用模型文件的文件名称，查找所述通用模型文件对应的目标接口；

基于所述目标接口对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型；

通过所述目标接口，将所述标准输入信息输入到所述服务模型中，并获取所述服务模型输出的服务结果。

第二方面，本申请实施例提供了一种服务结果的生成装置，所述生成装置包括：

查找模块，用于响应用户通过服务请求端发送的服务请求，查找与所述服务请求相匹配的通用模型文件；

转换模块，用于基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息；

获取模块，用于对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果；

发送模块，用于将所述服务结果发送给所述服务请求端。

在一种可能的实施方式中，所述生成装置还包括：

训练模块，用于基于机器学习框架对初始服务模型进行训练，得到训练好的服务模型；

选取模块，用于从预设的多个通用模型框架中，选取与所述服务模型的目标处理效率和目标处理精度相匹配的目标通用模型框架；

生成模块，用于将所述服务模型的机器学习框架转换为所述目标通用模型框架，生成所述服务模型对应的通用模型文件。

在一种可能的实施方式中，所述转换模块，在基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息时，包括：

将每个所述输入信息转换为与所述通用模型文件所属的文件类别相匹配的结构化表达方式；

基于与所述通用模型文件所属的文件类别相匹配的排序规则，对每个输入信息对应的结构化表达方式行排序，得到所述标准输入信息。

在一种可能的实施方式中，所述获取模块，在对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果时，包括：

根据所述通用模型文件所属的文件类别，以及所述通用模型文件的文件名称，查找所述通用模型文件对应的目标接口；

基于所述目标接口对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型；

通过所述目标接口，将所述标准输入信息输入到所述服务模型中，并获取所述服务模型输出的服务结果。

第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一项所述的服务结果的生成方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面任一项所述的服务结果的生成方法的步骤。

本申请实施例提供的一种服务结果的生成方法、装置、电子设备及存储介质，响应用户通过服务请求端发送的服务请求，查找与所述服务请求相匹配的通用模型文件；基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息；对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果，并将所述服务结果发送给所述服务请求端。本申请实施例能够获取与服务请求相匹配的通用模型文件，基于通用模型文件解析得到的服务模型，生成服务请求对应的服务结果，服务模型工程化的效率高。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本申请实施例提供的一种服务结果的生成方法的流程图；

图2示出了本申请实施例提供的另一种服务结果的生成方法的流程图；

图3示出了本申请实施例提供的另一种服务结果的生成方法的流程图；

图4示出了本申请实施例提供的另一种服务结果的生成方法的流程图；

图5示出了本申请实施例提供的一种服务结果的生成装置的结构示意图；

图6示出了本申请实施例提供的一种电子设备的示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

现阶段，通过机器学习可以开发出适用于不同行业，不同服务场景的多种模型，比如，购物平台中向用户推荐衣服的模型。实际中，通常利用机器学习框架在开发环境中对模型进行开发，生成对应的模型文件，在模型工程化的过程中，针对每个模型，工作人员需要开发出一套匹配该模型的机器学习框架的解释程序，进而利用开发出的解释程序将静态的模型文件转化为线上可用的具体服务。但是，该种模型工程化的方式，依赖大量的工作人员，耗费人力资源和时间资源多，模型工程化的效率低。

基于上述问题，本申请实施例提供了一种服务结果的生成方法、装置、电子设备及存储介质，响应用户通过服务请求端发送的服务请求，查找与所述服务请求相匹配的通用模型文件；基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息；对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果，并将所述服务结果发送给所述服务请求端。本申请实施例能够获取与服务请求相匹配的通用模型文件，基于通用模型文件解析得到的服务模型，生成服务请求对应的服务结果，服务模型工程化的效率高。

针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。

下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种服务结果的生成方法进行详细介绍，本申请实施例所提供的服务结果的生成方法的执行主体可以是服务器，也可以是自动解释服务。下面以执行主体为自动解释服务对本申请实施例提供的服务结果的生成方法加以说明。

参见图1所示，图1为本申请实施例提供的服务结果的生成方法的流程图，该生成方法包括以下步骤：

s101、响应用户通过服务请求端发送的服务请求，查找与所述服务请求相匹配的通用模型文件。

本申请实施例中，自动解释服务对应有api接口(applicationprograminterface，应用程序接口)，服务请求端为用户发送服务请求的载体，比如，淘宝、百度、京东等的电脑网站或者手机应用程序，基于用户在服务请求端的用户操作，服务请求端生成与上述用户操作相对应的服务请求，并将生成的服务请求通过api接口发送给自动解释服务，上述服务请求中携带有多个输入信息。

比如，目标用户在使用淘宝时，对淘宝的页面进行更新操作(物品推荐的用户操作)，淘宝生成与上述物品推荐的用户操作相匹配的物品推荐的服务请求，其中，上述物品推荐的服务请求携带有目标用户的用户属性信息和历史浏览信息(物品推荐的输入信息)，淘宝将物品推荐的服务请求通过api接口发送给自动解释服务，以使自动解释服务基于上述物品推荐的输入信息，生成与物品推荐的服务请求相对应的物品推荐的服务结果，并将生成的物品推荐的服务结果返回给淘宝。

自动解释服务本地预存有多个通用模型文件，不同的通用模型文件可以通过解析得到不同的服务模型，不同的服务模型为用户提供不同的服务，自动解释服务本地预存有服务请求与通用模型文件的对应关系，比如，第一类服务请求对应通用模型文件1，第二类服务请求对应通用模型文件2，基于上述对应关系，查找与接收到的服务请求相匹配的通用模型文件。

s102、基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息。

本申请实施例中，为了保证服务模型能够对输入该服务模型中的信息进行准确地处理，通常需要对输入该服务模型的信息的输入格式进行限定，即保证输入该服务模型的是符合该服务模型输入格式的标准输入信息，比如，输入信息为1、2、3、4、5、6，服务模型1对应的输入格式为两行三列的矩阵，则服务模型1对应的标准输入信息为一个两行三列的矩阵1，矩阵1的第一行为1、2、3，第二行为4、5、6，服务模型2对应的输入格式为三行两列的矩阵，则服务模型2对应的标准输入信息为一个三行两列的矩阵2，矩阵2的第一行为1、2，第二行为3、4，第三行为5、6。

不同的服务模型对应不同的输入格式，即不同的通用模型文件对应不同的输入格式，根据查找到的通用模型文件的文件类型，获取与该通用模型文件相对应的输入格式，并将服务请求携带的输入信息转换为满足上述输入格式的标准输入信息。

s103、对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果，并将所述服务结果发送给所述服务请求端。

本申请实施例中，对查找到的通用模型文件进行解析，得到对应的服务模型，将转换后的标准输入信息输入到服务模型中，获取服务模型输出的服务结果，并将获取的服务结果通过自动解释服务的api接口返回给对应的服务请求端。

需要说明的是，服务模型生成的服务结果是结构化表达形式的，比如，0101、1001等，服务请求端预存有服务结果的结构化表达形式与非结构化表达形式的对应关系，比如，0101对应某t恤，1001对应某裤子，服务请求端基于上述对应关系，将结构化表达形式的服务结果转换为非结构化表达形式的服务结果，进而将非结构化表达形式的服务结果展示给用户。

需要说明的是，对通用模型文件解析处理得到服务模型，该服务模型对应的框架为通用模型框架。

本申请实施例中，还可以布置多个自动解释服务，当用户通过服务请求端发送多个服务请求时，将上述多个服务请求平均分给上述多个自动解释服务，使用多个自动解释服务同时对多个服务请求进行处理，提高服务请求的响应速度，并且，当某个自动解释服务出现故障时，还可以使用其他的可以正常工作的自动解释服务响应服务请求，稳定性高。

本申请实施例提供的服务结果的生成方法，自动解释服务中预存有多个通用模型文件，在接收到服务请求后，获取与服务请求相匹配的通用模型文件，使用通用模型文件解析得到的服务模型，生成服务请求对应的服务结果，基于自动解释服务使多个不同的服务模型工程化，提高服务模型工程化的效率。

进一步的，参见图2所示，本申请实施例提供的服务结果的生成方法中，通过如下方式生成所述通用模型文件：

s201、基于机器学习框架对初始服务模型进行训练，得到训练好的服务模型。

本申请实施例中，在对服务模型进行训练时，将初始化的服务模型(初始服务模型)放在该初始服务模型对应的机器学习框架中完成模型训练，得到训练好的服务模型。机器学习框架的种类有很多，比如pytorch、tensorflow等，自动解释服务向用户提供多种类型的服务，所使用到的服务模型对应多种多样的机器学习框架。

实际中，机器学习模型的开发环境主要是notebook，该开发环境主要支持python语言，在开发环境搭建过程中，需要支持现有的多种机器学习框架，以使不同的机器学习模型在对应的机器学习框架中完成训练。可以通过增加notebookkernel底层库，实现对多种机器学习框架的支持。

s202、从预设的多个通用模型框架中，选取与所述服务模型的目标处理效率和目标处理精度相匹配的目标通用模型框架。

本申请实施例中，针对每种机器学习框架，可以将该种机器学习框架转换为任一种通用模型框架，理论上讲，可以将自动解释服务中部署的多个服务模型分别对应的机器学习框架，转换为同一种通用模型框架，对应同一种通用模型框架的多个服务模型的输入信息的输入格式相同，这样会减少选取输入格式的处理步骤，提高响应服务请求的效率，但是，不同的通用模型框架对应的处理效率不同，或者，对应的处理精度不同，考虑到服务模型实际的处理效率和实际的处理精度(目标处理效率和目标处理精度)，针对每个服务模型，从多个通用模型框架中，选取与该服务模型的目标处理效率和目标处理精度相匹配的目标通用模型框架。

s203、将所述服务模型的机器学习框架转换为所述目标通用模型框架，生成所述服务模型对应的通用模型文件。

本申请实施例中，针对每个服务模型，在确定该服务模型对应的目标通用模型框架之后，将该服务模型的机器学习框架转换为对应的目标通用模型框架，生成该服务模型对应的通用模型文件。

进一步的，参见图3所示，本申请实施例提供的服务结果的生成方法中，所述基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息，包括：

s301、将每个所述输入信息转换为与所述通用模型文件所属的文件类别相匹配的结构化表达方式。

本申请实施例中，由于输入信息是非结构化的，首先需要将非结构化的输入信息转换为结构化的输入信息，然后对结构化的输入信息的格式进行调整，得到对应的结构化表达方式。

具体的，根据与通用模型文件所属的文件类别相匹配的非结构化信息和结构化信息的对应关系，确定非结构化的输入信息对应的结构化的输入信息，根据与通用模型文件所属的文件类别相匹配的格式要求，将结构化的输入信息调整为符合上述格式要求的结构化表达方式。

比如，输入信息中包括地址信息“北京朝阳区”，首先确定“北京朝阳区”对应的结构化的输入信息“01011100”，再按照格式要求将“01011100”调整为一个两行四列的目标矩阵，该目标矩阵的第一行为“0101”，第二行为“1100”，其中，目标矩阵即为输入信息对应的结构化表达方式。

s302、基于与所述通用模型文件所属的文件类别相匹配的排序规则，对每个输入信息对应的结构化表达方式行排序，得到所述标准输入信息。

本申请实施例中，服务请求中携带有多个输入信息，在将每个输入信息转换为结构化表达方式之后，按照与通用模型文件所属的文件类别相匹配的排序规则，对每个结构化表达方式进行排序，得到标准输入信息。

比如，输入信息包括输入信息1和输入信息2，输入信息1的结构化表达方式为“010”，输入信息2的结构化表达方式为“101”，排序规则为：输入信息2+输入信息1，则标准输入信息为“101010”。

进一步的，参见图4所示，本申请实施例提供的服务结果的生成方法中，所述对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果，包括：

s401、根据所述通用模型文件所属的文件类别，以及所述通用模型文件的文件名称，查找所述通用模型文件对应的目标接口。

本申请实施例中，不同的通用模型文件对应不同的目标接口，根据通用模型文件的后缀，确定通用模型文件所属的文件类别，比如，通用模型文件的后缀为onnx，则该通用模型文件为第一类通用模型文件，通用模型文件的后缀为pmml，则该通用模型文件为第二类通用模型文件，根据通用模型文件的后缀和文件名称，查找通用模型文件对应的目标接口，比如，abc.onnx对应目标接口1，def.pmml对应目标接口2。

s402、基于所述目标接口对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型。

本申请实施例中，基于通用模型文件对应的目标接口，对通用模型文件进行解析，得到对应的服务模型，该服务模型是可以对外提供实际服务的模型。

s403、通过所述目标接口，将所述标准输入信息输入到所述服务模型中，并获取所述服务模型输出的服务结果。

本申请实施例中，将标准输入信息通过服务模型的目标接口，输入到该服务模型中，获取该服务模型输出的服务结果，并将服务结果通过上述目标接口发送给自动解释服务，以使自动解释服务将服务结果发送给对应的服务请求端。

基于同一发明构思，本申请实施例中还提供了与服务结果的生成方法对应的服务结果的生成装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述服务结果的生成方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

参见图5所示，图5为本申请一实施例提供的一种服务结果的生成装置的结构示意图，该生成装置包括：

查找模块501，用于响应用户通过服务请求端发送的服务请求，查找与所述服务请求相匹配的通用模型文件；

转换模块502，用于基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息；

获取模块503，用于对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果；

发送模块504，用于将所述服务结果发送给所述服务请求端。

在一种可能的实施方式中，所述生成装置还包括：

训练模块，用于基于机器学习框架对初始服务模型进行训练，得到训练好的服务模型；

选取模块，用于从预设的多个通用模型框架中，选取与所述服务模型的目标处理效率和目标处理精度相匹配的目标通用模型框架；

生成模块，用于将所述服务模型的机器学习框架转换为所述目标通用模型框架，生成所述服务模型对应的通用模型文件。

在一种可能的实施方式中，所述转换模块502，在基于所述通用模型文件所属的文件类别，将所述服务请求携带的输入信息转换为满足所述文件类别对应的输入格式的标准输入信息时，包括：

将每个所述输入信息转换为与所述通用模型文件所属的文件类别相匹配的结构化表达方式；

基于与所述通用模型文件所属的文件类别相匹配的排序规则，对每个输入信息对应的结构化表达方式行排序，得到所述标准输入信息。

在一种可能的实施方式中，所述获取模块503，在对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型，将所述标准输入信息输入到所述服务模型中，获取所述服务模型输出的服务结果时，包括：

根据所述通用模型文件所属的文件类别，以及所述通用模型文件的文件名称，查找所述通用模型文件对应的目标接口；

基于所述目标接口对所述通用模型文件进行解析，得到所述通用模型文件对应的服务模型；

通过所述目标接口，将所述标准输入信息输入到所述服务模型中，并获取所述服务模型输出的服务结果。

本申请实施例提供的服务结果的生成装置，自动解释服务中预存有多个通用模型文件，在接收到服务请求后，获取与服务请求相匹配的通用模型文件，使用通用模型文件解析得到的服务模型，生成服务请求对应的服务结果，基于自动解释服务使多个不同的服务模型工程化，提高服务模型工程化的效率。

参见图6所示，图6为本申请实施例提供的一种电子设备600，该电子设备600包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述服务结果的生成方法的步骤。

具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述服务结果的生成方法。

对应于上述服务结果的生成方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述服务结果的生成方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。