一种人机交互行为推荐方法及系统与流程

1.本发明涉及计算机技术领域，具体涉及一种人机交互行为推荐方法及系统。


背景技术：

2.人机交互行为中机器的智能决策是人工智能领域的关键技术之一。具体来说是机器根据人机交互场景下的任务设置和当前用户的需求，进行智能决策，为用户进行推荐。人机交互行为决策技术被广泛应用于内容推荐系统和对话管理系统。
3.目前，人机交互行为决策方法大多是采用用户数据驱动的统计分析与归纳方法，即通过利用现有的机器学习算法，对采集到的海量用户数据进行聚类分析，例如采用矩阵补全的方式，训练决策模型，为用户进行人机交互行为推荐。但是，这种试图对用户进行聚类划分，对每类用户提供相同的人机交互行为推荐，没有考虑到不同用户个体的意图和偏好，难以为用户提供个性化的推荐服务，此外，在很多应用场景下，充分收集用户数据也是非常困难的，导致采集到的用户数据往往是不均衡的且存在某些数据偏见。而使用这些数据推荐模型进行训练会导致模型偏见，难以满足不同用户在不同应用场景下个性化的人机交互行为需要。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种人机交互行为推荐方法及系统，以克服现有技术中的人机交互行为推荐方法难以满足不同用户在不同应用场景下个性化的人机交互行为需要问题。
5.本发明实施例提供了一种人机交互行为推荐方法，包括：
6.获取目标用户的信息状态数据及推荐需求，所述信息状态数据至少包括：历史人机交互行为使用数据和目标用户的当前状态数据；
7.基于所述信息状态数据，确定所述目标用户的候选人机交互行为集合；
8.获取推荐需求对应的预设思维模型，基于所述信息状态数据对所述预设思维模型进行解析，得到用户思维预估结果；
9.基于所述用户思维预估结果和所述候选人机交互行为集合中各候选人机交互行为对应的预设行为价值，计算各候选人机交互行为的决策评分；
10.根据各候选人机交互行为的决策评分，确定所述目标用户的推荐人机交互行为。
11.可选地，所述基于所述信息状态数据，确定所述目标用户的候选人机交互行为，包括：
12.基于所述历史人机交互行为使用数据，对预设人机交互行为预测模型进行训练，得到当前预测模型；
13.将所述当前状态数据输入所述当前预测模型，输出所述候选人机交互行为集合。
14.可选地，所述基于所述信息状态数据对所述预设思维模型进行解析，得到用户思维预估结果，包括：
15.获取所述预设思维模型中的各思维指标；
16.按照预设权重赋予规则对所述当前状态数据进行解析，确定各思维指标的指标权重；
17.基于各思维指标的指标权重，确定所述用户思维预估结果。
18.可选地，所述基于所述信息状态数据对所述预设思维模型进行解析，得到用户思维预估结果，包括：
19.基于所述推荐需求，确定所述预设思维模型中各思维指标的目标值；
20.基于所述历史人机交互行为使用数据确定所预设思维模型中各思维指标的当前值；
21.根据各思维指标的目标值与当前值的关系，确定各思维指标的指标权重；
22.基于各思维指标的指标权重，确定所述用户思维预估结果。
23.可选地，所述基于所述用户思维预估结果和所述候选人机交互行为集合中各候选人机交互行为对应的预设行为价值，计算各候选人机交互行为的决策评分，包括：
24.从预设行为价值评价数据库中获取当前候选人机交互行为在各思维指标下的预设行为价值；
25.基于各思维指标的指标权重及当前候选人机交互行为在各思维指标下的预设行为价值，计算得到当前候选人机交互行为的决策评分。
26.可选地，所述根据各候选人机交互行为的决策评分，确定所述目标用户的推荐人机交互行为，包括：
27.对各候选人机交互行为的决策评分进行排序，得到排序结果；
28.根据所述排序结果，将决策评分最高的候选人机交互行为确定为所述目标用户的推荐人机交互行为。
29.可选地，所述基于所述历史人机交互行为使用数据确定所预设思维模型中各思维指标的当前值，包括：
30.获取所述历史人机交互行为使用数据中包含的历史人机交互行为；
31.从预设行为价值评价数据库中获取各历史人机交互行为在当前思维指标下的预设行为价值；
32.根据各历史人机交互行为在当前思维指标下的预设行为价值，计算所述当前思维指标的当前值。
33.本发明实施例还提供了一种人机交互行为推荐系统，包括：
34.获取模块，用于获取目标用户的信息状态数据及推荐需求，所述信息状态数据至少包括：历史人机交互行为使用数据和目标用户的当前状态数据；
35.第一处理模块，用于基于所述信息状态数据，确定所述目标用户的候选人机交互行为集合；
36.第二处理模块，用于获取推荐需求对应的预设思维模型，基于所述信息状态数据对所述预设思维模型进行解析，得到用户思维预估结果；
37.第三处理模块，用于基于所述用户思维预估结果和所述候选人机交互行为集合中各候选人机交互行为对应的预设行为价值，计算各候选人机交互行为的决策评分；
38.第四处理模块，用于根据各候选人机交互行为的决策评分，确定所述目标用户的
推荐人机交互行为。
39.本发明实施例还提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例提供的人机交互行为推荐方法。
40.本发明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存储计算机指令，所述计算机指令用于使所述计算机执行本发明实施例提供的人机交互行为推荐方法。
41.本发明技术方案，具有如下优点：
42.本发明实施例提供了一种人机交互行为推荐方法及系统，通过获取目标用户的信息状态数据及推荐需求；基于信息状态数据，确定目标用户的候选人机交互行为集合；获取推荐需求对应的预设思维模型，基于信息状态数据对预设思维模型进行解析，得到用户思维预估结果；基于用户思维预估结果和候选人机交互行为集合中各候选人机交互行为对应的预设行为价值，计算各候选人机交互行为的决策评分；根据各候选人机交互行为的决策评分，确定目标用户的推荐人机交互行为。从而通过收集目标用户自身的信息状态数据，并利用该信息状态数据确定候选人机交互行为集合和用户思维预估结果，通过利用思维预估结果，对人机交互行为本身的价值变化进行动态更新，实现了用户的个性化推荐服务，通过综合考虑用户信息状态数据和人机交互行为本身的价值，可以有效地克服数据偏差导致的推荐模型的偏见，结合多个候选人机交互行为的价值和用户思维预估结果，进行决策评分推荐人机交互行为，提高用户的使用体验。
附图说明
43.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
44.图1为本发明实施例中的人机交互行为推荐方法的应用场景示意图；
45.图2为本发明实施例中的人机交互行为推荐方法的流程图；
46.图3为本发明实施例中的一个内容推荐系统的工作过程示意图；
47.图4为本发明实施例中一个用户当前思维的示意图；
48.图5为本发明实施例中人机交互行为推荐系统的结构示意图；
49.图6为本发明实施例中的电子设备的结构示意图。
具体实施方式
50.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
52.人机交互行为中机器的智能决策是人工智能领域的关键技术之一。具体来说是机器根据人机交互场景下的任务设置和当前用户的需求，进行智能决策，为用户进行推荐。人机交互行为决策技术被广泛应用于内容推荐系统和对话管理系统。具体如表1所示。
53.表1
[0054][0055]
表1中所示的内容推荐系统及对话管理系统是根据用户的基本信息(如年龄、性别、地域、收入)及其历史行为(如评论、收藏、点赞、观看、购买等)，预测用户的兴趣偏好，为用户推荐跟他兴趣偏好相似的用户们的人机交互行为(如电影推荐、食品推荐、个性化广告等)。
[0056]
目前，人机交互行为决策方法大多是采用用户数据驱动的统计分析与归纳方法，即通过利用现有的机器学习算法，对采集到的海量用户数据进行聚类分析，例如采用矩阵补全的方式，训练决策模型，为用户进行人机交互行为推荐。但是，这种试图对用户进行聚类划分，对每类用户提供相同的人机交互行为推荐，没有考虑到不同用户个体的意图和偏好，难以为用户提供个性化的推荐服务，此外，在很多应用场景下，充分收集用户数据也是非常困难的，导致采集到的用户数据往往是不均衡的且存在某些数据偏见。而使用这些数据推荐模型进行训练会导致模型偏见，难以满足不同用户在不同应用场景下个性化的人机交互行为需要。
[0057]
基于上述问题，本发明实施例提供了一种人机交互行为推荐方法，图1为该人机交互行为推荐方法的应用场景示意图，具体可应用于如表1所示的内容推荐系统、对话管理系统等用户推荐系统中，在其应用至内容推荐系统时，如图2所示，该人机交互行为推荐方法主要包括如下步骤：
[0058]
步骤s101：获取目标用户的信息状态数据及推荐需求，信息状态数据至少包括：历史人机交互行为使用数据和目标用户的当前状态数据。具体地，该历史人机交互行为使用数据为通过采集目标用户多维度多尺度数据，并采用计算机视觉、语音识别和自然语言理解等技术，解析出与用户行为有关的数据(包括用户的基本信息、用户的对话状态、用户的历史操作信息和用户表情等)，并根据预先设置的规则从用户行为有关的数据中获取的环境相关因素(如天气、时间、地点和桌面)、事件相关因素(如系统更新和系统断网)、任务相关因素(如系统处于无任务状态)和上下文相关因素(如之前推荐的人机交互行为)等等。该当前状态数据包括用户当前输入的用户状态，例如：情感状态(高兴、难过)、娱乐状态(看电影、做游戏)等。该推荐需求为用户使用当前推荐系统所选择的某些功能，例如：改善心情或者规划一天生活等。
[0059]
步骤s102：基于信息状态数据，确定目标用户的候选人机交互行为集合。具体地，在综合考虑上述信息状态数据中多维度因素的基础上，得到多个与目标用户匹配的后续人机交互行为，构成候选人机交互行为集合。例如：受上下文相关因素的影响，如表2所示，当用户历史人机交互行为使用数据中使用了喂养游戏这个功能，输出的多个候选人机交互行
为有：1)推荐拍合照；2)推荐互动阅读；3)推荐卡片桌游等。
[0060]
表2
[0061][0062]
步骤s103：获取推荐需求对应的预设思维模型，基于信息状态数据对预设思维模型进行解析，得到用户思维预估结果。具体地，推荐系统预先根据不同的推荐需求建立了与之对应的思维模型，例如：当用户的推荐需求为合理安排学习生活时，其对应的预设思维模型由娱乐、智学、情感这几个思维指标构成。相应地，用户思维预估结果反映的不同思维指标对目标用户当前的重要程度。示例性地，信息状态数据中不同的因素与用户思维的关系如表3所示。
[0063]
表3
[0064][0065]
[0066]
步骤s104：基于用户思维预估结果和候选人机交互行为集合中各候选人机交互行为对应的预设行为价值，计算各候选人机交互行为的决策评分。具体地，不同人机交互行为的预设行为价值可从预设行为价值评价数据库进行查询获取。
[0067]
步骤s105：根据各候选人机交互行为的决策评分，确定目标用户的推荐人机交互行为。具体地，通过对各候选人机交互行为的决策评分进行排序，得到排序结果；根据排序结果，将决策评分最高的候选人机交互行为确定为目标用户的推荐人机交互行为，并将该推荐人机交互行为推荐给目标用户。图3为将本发明实施例提供的人机交互行为推荐方法应用于内容推荐系统时，系统的工作过程示意图。
[0068]
通过上述步骤s101至步骤s105，本发明实施例提供的人机交互行为推荐方法，通过收集目标用户自身的信息状态数据，并利用该信息状态数据确定候选人机交互行为集合和用户思维预估结果，通过利用思维预估结果，对人机交互行为本身的价值变化进行动态更新，实现了用户的个性化推荐服务，通过综合考虑用户信息状态数据和人机交互行为本身的价值，可以有效地克服数据偏差导致的推荐模型的偏见，结合多个候选人机交互行为的价值和用户思维预估结果，进行决策评分推荐人机交互行为，提高用户的使用体验。
[0069]
具体地，在一实施例中，上述的步骤s102具体包括如下步骤：
[0070]
步骤s201：基于历史人机交互行为使用数据，对预设人机交互行为预测模型进行训练，得到当前预测模型。具体地，通过将上述多因素的历史人机交互行为使用数据和候选人机交互行为集合用多维向量表示，分别表示为x和y，其中，x为多维向量，里面每个元素代表一种因素；y也是一个多维向量，里面每一个元素代表一种人机交互行为，即表示多个候选人机交互行为形成的集合。通过预先构建的预设人机交互行为预测模型f，建立x和y之间的映射关系，即y＝f(x)，然后从历史人机交互行为使用数据中提取训练样本输入模型f中进行训练，以得到当前预测模型。在实际应用中，该预设人机交互行为预测模型f除了是上述基于机器学习的可训练模型(例如，非线性回归模型，周期神经网络)，也可以是根据人的经验和规则定义的非学习模型(例如，直接指明信息状态数据x不通过计算直接对应多个候选人机交互行为形成的集合y)，本发明并不以此为限。
[0071]
步骤s202：将当前状态数据输入当前预测模型，输出候选人机交互行为集合。具体地，当上述预设人机交互行为预测模型可训练模型时，将目标用户的当前状态数据输入至训练好的模型中，得到目标用户的候选人机交互行为集合。
[0072]
具体地，在一实施例中，上述的步骤s103具体包括如下步骤：
[0073]
步骤s301：获取预设思维模型中的各思维指标。具体地，该预设思维模型可以是基于机器学习的可训练模型(如深度图卷积网络)，通过利用不同用户的思维指标及推荐需求训练得到，也可以是根据人的经验和规则定义的非学习模型(例如，直接依次定义推荐需求与思维指标的映射关系)。在实际应用中，该预设思维模型可以以思维解析图这种抽象图的方式表示，用户的当前思维如图4所示，该抽象图为不同层级主观和客观的概念连接成一个图状结构。
[0074]
步骤s302：按照预设权重赋予规则对当前状态数据进行解析，确定各思维指标的指标权重。具体地，该预设权重赋予规则为根据目标用户的推荐需求设定的，例如：当前用户的推荐需求为改善心情，该推荐需求对应的预设思维模型中的思维指标包括：学习、娱乐、情感这三个指标，由于娱乐和情感指标对改善心情影响较大，则预设权重赋予规则为将
学习的指标权重设置为1，娱乐和情感的指标权重设置为2，需要说明的是，本发明仅以此为例，不以此为限。
[0075]
步骤s303：基于各思维指标的指标权重，确定用户思维预估结果。在实际应用中，该用户思维预估结果为所有思维指标的指标权重赋值结果。
[0076]
在另一可替换实施方式中，当用户在推荐系统中所选择的推荐功能为综合性推荐功能时，例如：安排用户一天的学习生活，此时，在对用户进行人机交互行为推荐时，为了更为合理安排用户的行为，提高用户体验，上述的步骤s103具体包括如下步骤：
[0077]
步骤s31：基于推荐需求，确定预设思维模型中各思维指标的目标值。具体地，假设该推荐需求为上述的“安排用户一天的学习生活”，为了均衡学习和娱乐以及用户的情感，帮助用户合理安排学习生活，将推荐系统的目标为使得用户的预设思维模型中各思维指标的得分都能达到100分，即学习指标、娱乐指标及情感指标的目标值均为100分。
[0078]
步骤s32：基于历史人机交互行为使用数据确定所预设思维模型中各思维指标的当前值。在实际应用中，由于推荐系统在“安排用户一天的学习生活”时，会在不同的时间向用户推荐不同的人机交互行为，并且一天中推荐的人机交互行为相互之间会受到影响，例如：推荐系统为用户推荐的上一人机交互行为是“学习英语”，则对应的学习思维指标、娱乐思维指标及情感思维指标均已经有“学习英语”这一人机交互行为对应的当前值。
[0079]
具体地，上述的步骤s32可以通过获取历史人机交互行为使用数据中包含的历史人机交互行为；从预设行为价值评价数据库中获取各历史人机交互行为在当前思维指标下的预设行为价值；根据各历史人机交互行为在当前思维指标下的预设行为价值，计算当前思维指标的当前值。需要说明的是，在实际应用中，还可以通过其他方式确定当前思维指标的当前值，例如根据用户的当前状态数据直接进行指标幅值等，本发明并不以此为限。
[0080]
步骤s33：根据各思维指标的目标值与当前值的关系，确定各思维指标的指标权重。具体地，根据各思维指标当前值与目标值的差值或者当前值与目标值的比例关系，按照预设权重赋值规则确定各思维指标的指标权重，具体为，思维指标的当前值越接近目标值则其对应的指标权重越小，反之则越大，即推荐系统需要为目标用户推荐指标权重更大的思维指标影响较大的人机交互行为以提高该思维指标的得分。
[0081]
步骤s34：基于各思维指标的指标权重，确定用户思维预估结果。在实际应用中，该用户思维预估结果为所有思维指标的指标权重赋值结果。
[0082]
具体地，在一实施例中，上述的步骤s104具体包括如下步骤：
[0083]
步骤s401：从预设行为价值评价数据库中获取当前候选人机交互行为在各思维指标下的预设行为价值。具体地，该预设行为价值评价数据库为人机交互行为与思维指标之间的预设行为价值评分关系数据库，表4为该预设行为价值评价数据库的示意图。在实际应用中，该预设行为价值评价数据库中的存储的预设行为价值评分可以是通过利用大数据分析、神经网络学习等方式统一设置的评分值，也可以是针对某一特定用户的需求，个性化设置的评分值。例如：假设表4为针对所有用户设置的评分值，针对某一特定用户a，其使用推荐系统的目的为提高学习成绩，则可以将表4中与学习相关的人机交互行为的智学评分值增大，并对应地降低其他评分值等，本发明并不以此为限。
[0084]
表4
[0085] 娱乐智学情感
拍合照805互动阅读699卡片桌游887
[0086]
步骤s402：基于各思维指标的指标权重及当前候选人机交互行为在各思维指标下的预设行为价值，计算得到当前候选人机交互行为的决策评分。具体地，假设用户的推荐需求为快乐，并且如表4所示的思维指标娱乐对应的指标权重为2，其余指标权重为1，计算得出如表4所示各候选人机交互行为的决策评分依次如下：
[0087]
拍合照＝8＊2+0＊1+5＊1＝21
[0088]
互动阅读＝6＊2+9＊1+9＊1＝30
[0089]
卡片桌游＝8＊2+8＊1+7＊1＝31
[0090]
最终，卡片桌游得到的决策评分最高(31分)，会被选出，推荐系统会向用户推荐卡片桌游这一人机交互行为。
[0091]
下面将结合另一具体应用示例对本发明实施例提供的人机交互行为推荐方法进行详细的说明。
[0092]
当该人机交互行为推荐方法应用于智能人机问答系统时，该智能人机问答系统的工作过程如下：
[0093]
1)用户使用系统，提出问题(如“心情不好，什么能让人开心”等)。
[0094]
2)系统应用自然语言理解技术解析用户的输入问题，识别用户的信息状态数据为(“情绪低”)。此时，会针对用户的信息状态数据在问答库中的问句进行相似性匹配。具体匹配方式可以采用现有技术，如利用已训练好模型的特征空间上的距离，距离越短越相似。然后输出多个相似问句所对应的答案作为人机交互行为的推荐(例如：a)听音乐振奋一下；b)看电影放松一下；c)约好朋友出来玩)。
[0095]
3)根据信息状态数据与用户思维模型的关系(参见表3)，就用户的信息状态数据生成用户思维预估结果。在结果表明中用户偏好听抒情音乐作为情感宣泄的渠道。
[0096]
4)综合用户思维和多个候选人机交互行为，进行决策评分。最终，人机交互行为“a)听音乐振奋一下”因得分最高，而被选出进行多模态对话流程生成，向用户推荐。
[0097]
通过执行上述步骤，本发明实施例提供的人机交互行为推荐方法，通过收集目标用户自身的信息状态数据，并利用该信息状态数据确定候选人机交互行为集合和用户思维预估结果，通过利用思维预估结果，对人机交互行为本身的价值变化进行动态更新，实现了用户的个性化推荐服务，通过综合考虑用户信息状态数据和人机交互行为本身的价值，可以有效地克服数据偏差导致的推荐模型的偏见，结合多个候选人机交互行为的价值和用户思维预估结果，进行决策评分推荐人机交互行为，提高用户的使用体验。
[0098]
本发明实施例还提供了一种人机交互行为推荐系统，如图5所示，该一种人机交互行为推荐系统包括：
[0099]
获取模块101，用于获取目标用户的信息状态数据及推荐需求，信息状态数据至少包括：历史人机交互行为使用数据和目标用户的当前状态数据。详细内容参见上述方法实施例中步骤s101的相关描述，在此不再进行赘述。
[0100]
第一处理模块102，用于基于信息状态数据，确定目标用户的候选人机交互行为集合。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
[0101]
第二处理模块103，用于获取推荐需求对应的预设思维模型，基于信息状态数据对预设思维模型进行解析，得到用户思维预估结果。详细内容参见上述方法实施例中步骤s103的相关描述，在此不再进行赘述。
[0102]
第三处理模块104，用于基于用户思维预估结果和候选人机交互行为集合中各候选人机交互行为对应的预设行为价值，计算各候选人机交互行为的决策评分。详细内容参见上述方法实施例中步骤s104的相关描述，在此不再进行赘述。
[0103]
第四处理模块105，用于根据各候选人机交互行为的决策评分，确定目标用户的推荐人机交互行为。详细内容参见上述方法实施例中步骤s105的相关描述，在此不再进行赘述。
[0104]
通过上述各个组成部分的协同合作，本发明实施例提供的人机交互行为推荐系统，通过收集目标用户自身的信息状态数据，并利用该信息状态数据确定候选人机交互行为集合和用户思维预估结果，通过利用思维预估结果，对人机交互行为本身的价值变化进行动态更新，实现了用户的个性化推荐服务，通过综合考虑用户信息状态数据和人机交互行为本身的价值，可以有效地克服数据偏差导致的推荐模型的偏见，结合多个候选人机交互行为的价值和用户思维预估结果，进行决策评分推荐人机交互行为，提高用户的使用体验。
[0105]
根据本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图6中以通过总线连接为例。
[0106]
处理器901可以为中央处理器(central processing unit，cpu)。处理器901还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0107]
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
[0108]
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0109]
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
[0110]
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0111]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通
过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0112]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。