1.本发明涉及计算机
技术领域：
：，尤其涉及一种数据分析场景的生成方法、装置、设备及存储介质。
背景技术：
：：2.在交易管理类系统中，主要通过人工分析场景、人工寻找数据来源等方式，对各个业务线的商业数据分析场景进行设计和实现。3.但是，在现有的商业数据分析功能相关的需求分析流程中，业务人员由于缺乏对数据分析知识的了解，能够提出的商业数据分析场景局限在很有限的范围内。这对于数据分析功能的开发造成了一定程度的限制，因为被提出的场景有限，导致数据覆盖面不够广，大量数据和数据表处于未经利用的状态。技术实现要素：4.本发明提供了一种数据分析场景的生成方法、装置、设备及存储介质，以解决人工分析商业数据时，能够提出的商业数据分析场景有限的问题。5.根据本发明的一方面，提供了一种数据分析场景的生成方法，包括：6.接收待处理的场景需求文件，使用预训练语言模型对所述场景需求文件进行语义分析和数据提取处理，得到与所述场景需求文件对应的数据分析场景信息；7.基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合；8.根据所述候选场景信息集合中的候选场景信息，组装与所述场景需求文件对应的数据分析场景的数据查询语句以及前端组件代码。9.根据本发明的另一方面，提供了一种数据分析场景的生成装置，包括：10.接收模块，用于执行接收待处理的场景需求文件，使用预训练语言模型对所述场景需求文件进行语义分析和数据提取处理，得到与所述场景需求文件对应的数据分析场景信息；11.获取模块，用于执行基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合；12.组装模块，用于执行根据所述候选场景信息集合中的候选场景信息，组装与所述场景需求文件对应的数据分析场景的数据查询语句以及前端组件代码。13.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：14.至少一个处理器；以及15.与所述至少一个处理器通信连接的存储器；其中，16.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的数据分析场景的生成方法。17.根据本发明的另一方面，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有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的数据分析场景的生成方法。18.本发明实施例的技术方案，通过接收待处理的场景需求文件，使用预训练语言模型对所述场景需求文件进行语义分析和数据提取处理，得到与所述场景需求文件对应的数据分析场景信息；基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合；根据所述候选场景信息集合中的候选场景信息，组装与所述场景需求文件对应的数据分析场景的数据查询语句以及前端组件代码，解决了人工分析商业数据时，能够提出的商业数据分析场景有限的问题，取到了根据场景需求文件自动创建适应的数据分析场景以及前端代码框架的有益效果。19.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。附图说明20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。21.图1是根据本发明实施例一提供的一种数据分析场景的生成方法的流程图；22.图2是根据本发明实施例二提供的另一种数据分析场景的生成方法的流程图；23.图3是根据本发明实施例三提供的一种数据分析场景的生成装置的结构示意图；24.图4是实现本发明实施例的数据分析场景的生成方法的电子设备的结构示意图。具体实施方式25.为了使本
技术领域：
：的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“目标”、“候选”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。27.实施例一28.图1是根据本发明实施例一提供的一种数据分析场景的生成方法的流程图，本实施例可适用于对新增的场景需求文件，可以自动生成与之适应的数据分析场景以及前端代码框架的情况，该方法可以由数据分析场景的生成装置来执行，该数据分析场景的生成装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中。如图1所示，该方法包括：29.s110、接收待处理的场景需求文件，使用预训练语言模型对所述场景需求文件进行语义分析和数据提取处理，得到与所述场景需求文件对应的数据分析场景信息。30.其中，场景需求文件可以是新增的数据表、新增的需求文档、未被利用的历史设计文档和日志数据等。预训练语言模型旨在在自然语言处理任务中，学习基于语义的词嵌入向量。预训练语言模型可以捕获单词的语义、上下文环境语义、句法结构、语义角色、指代关系等信息，是提取文本数据信息的重要技术。数据分析场景信息可以理解为与当前场景相关的语义表述。31.其中，数据分析主要指利用海量用户数据，通过建模抽象等手段提取出具有一定商业价值、能够对商业运营提供直接或间接指导的信息。例如对建立目标用户理解有重要意义的“用户画像”，以及分析系统业务价值的“活跃度”、“留存率”、“转化率”、“利润率”等指标，就属于商业数据分析的典型信息产出。32.本实施例中，如果场景需求文件为新增数据表或者未被利用的日志数据，为了能够自动生成新的数据表适用的数据分析场景，可以使用预训练语言模型对新的数据表进行语义分析和数据提取处理，得到数据表的字段信息和数据字典信息，并将这些信息作为与场景需求文件对应的数据分析场景信息。对于新增的数据分析场景需求文档或者未被利用的历史设计文档，为了能够进行数据溯源分析以及自动生成新需求文档适用的数据分析场景，将数据分析场景需求文本输入预训练语言模型进行语义解析和数据提取，并将提取到的语义解析结果作为新增的数据分析场景信息。33.s120、基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合。34.其中，数据分析场景池中存储有，初始通过人工设计的数据分析场景的描述信息，以及后续根据人工智能算法自动对未被利用的历史需求文件匹配的数据分析场景的描述信息。35.可选的，所述基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合，可以包括：从所有历史需求文件中，找到与所述场景需求文件拥有相同要素的目标历史需求文件；对于所有目标历史需求文件，从数据分析场景池中查询使用所述目标历史需求文件中的数据进行数据分析的数据分析场景，并加入候选场景信息集合。36.本实施例中，由于相似的场景需求文件对应的数据分析场景也会有较多的相似性，因此，在获取到与当前待处理的场景需求文件对应的数据分析场景信息之后，可以从现有的历史需求文件中，查找与当前处理的场景需求文件拥有相同字段的目标历史需求文件，或者查找与当前处理的场景需求文件拥有经过预训练语言模型计算为高相似度字段的目标历史需求文件。其中，对于高相似度的定义不做固定限制，可以根据方案需求进行相应设置，例如，当字段间的相似度高于90％，认为是两者是高相似度。对于所有的目标历史需求文件，在数据分析场景池中查询使用其数据进行数据分析的场景，并将该场景的描述信息列入候选场景信息集合。37.可选的，在所述基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合之后，还可以包括：在所述候选场景信息集合中，筛选出最大频繁项集小于预设阈值的目标数据查询语句；将所述目标数据查询语句对应的候选场景信息从所述候选场景信息集合中删除。38.其中，频繁项集是指数据中频繁出现的子序列集合。频繁项集常用于关联规则学习场景，如发现顾客购物栏中出现频率较高的购物组合。39.本实施例中，为了进一步提高匹配数据分析场景的准确度，在确定场景需求文件对应的一个或多个候选场景后，逐个对每个候选场景的数据查询语句进行验证，并从候选场景信息集合中，剔除数据查询语句中字段无法满足要求的候选场景信息，即删除数据查询语句的最大频繁项集小于预设阈值的候选场景信息，使得集合中剩下的都是与当前处理的场景需求文件有较高相似度的数据分析场景。其中，预设阈值的取值可以是2、3或其他数值。40.s130、根据所述候选场景信息集合中的候选场景信息，组装与所述场景需求文件对应的数据分析场景的数据查询语句以及前端组件代码。41.本实施例中，根据多个候选场景信息，可以实现跨多个需求文件、整合多维度数据，组装当前处理的场景需求文件在数据分析场景下的数据查询语句，并且可以根据候选场景信息中的字段、表名、描述信息等数据，通过填槽式代码智能生成前端页面代码，实现页面渲染。42.可选的，所述根据所述候选场景信息集合中的候选场景信息，组装与所述场景需求文件对应的数据分析场景的数据查询语句以及前端组件代码，可以包括：根据所述候选场景信息集合中的字段、描述信息、表名，组装与所述场景需求文件对应的数据查询语句；将所述候选场景信息集合中的字段和表名，发送至前端组件代码作为参数；计算与所述候选场景信息集合中的描述信息的相似度大于第一阈值的历史数据分析场景，将所述历史数据分析场景的使用频次最多的可视化方式发送至前端组件代码作为参数，以进行页面渲染。43.本实施例中，通过智能设计和生成结果回溯试算，为新增场景需求文件、新增数据表自动生成可用的数据分析场景，充分进行数据分析可行性的衡量，设计出跨多张表、整合多维度数据的取数方式，有效消除数据实际存在但无法被需求方拿到的“数据鸿沟”现象。同时，通过智能生成填槽式代码，充分挖掘历史数据，自动选择最匹配的可视化图表，生成对应的前端页面代码。打通数据分析与页面开发的联系，大幅降低数据分析师和开发人员的选择成本和沟通成本。44.本发明实施例的技术方案，通过接收待处理的场景需求文件，使用预训练语言模型对所述场景需求文件进行语义分析和数据提取处理，得到与所述场景需求文件对应的数据分析场景信息；基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合；根据所述候选场景信息集合中的候选场景信息，组装与所述场景需求文件对应的数据分析场景的数据查询语句以及前端组件代码，解决了人工分析商业数据时，能够提出的商业数据分析场景有限的问题，取到了根据场景需求文件自动创建适应的数据分析场景以及前端代码框架的有益效果。45.实施例二46.图2是根据本发明实施例二提供的另一种数据分析场景的生成方法的流程图。本实施例在上述实施例的基础上，进一步提供了对预训练语言模型进行模型训练的具体步骤。如图2所示，该方法包括：47.s210、从历史需求文件中提取不同数据主题域下的映射关系数据。48.其中，历史需求文件是指所有现有的需求文件，可以包括尚未用于数据分析的场景需求文档或数据表等，也可以包括已经用于数据分析的场景需求文档或者数据表等。数据主题域通常是联系较为紧密的数据主题的集合，例如，相同来源的数据表字段、逻辑关系相似的业务场景、数据可视化展示的相似页面设计、结构相似而要素有所区别的数据查询脚本。49.可选的，所述不同数据主题域下的映射关系数据，包括：数据与数据字典描述的映射关系数据；数据分析场景与业务规则的映射关系数据；数据分析场景与数据查询语句的映射关系数据；数据分析场景下的数据查询语句与可视化方式的映射关系数据。50.示例性的，数据与数据字典描述的映射关系数据，形如“[表1的字段c1]代表[债券基本信息]”。数据分析场景与业务规则的映射关系数据，形如“[海外分行债券指标明细查询]场景的[业务规则]：根据日期、债券代码、币种和交易组合查询境外机构外币债券投资指标明细”。数据分析场景与数据查询语句的映射关系数据，形如“海外分行债券指标明细分析场景的[查询语句]为:“selecta1,b2,c3,d4fromtable1,table2””。数据分析场景下的数据查询语句与可视化方式的映射关系数据，形如“海外分行债券指标明细分析场景的[查询语句]可视化方式为:散点图”。[0051]本实施例中，通过高度抽象的主体框架，用可灵活配置、灵活拓展的方式兼容整个数据库的数据分析需求，引入数据字典信息作为人工智能算法的重要训练数据，充分利用新增的数据表信息进行数据分析场景设计。[0052]考虑到如果两个数据主题域拥有相似的逻辑结构以及元数据设计，数据分析逻辑往往可以在微调基础上进行复用，但是需求文档在现有技术基础上并没有将场景和后台逻辑、数据源有效进行串联。因此，本实施例通过整合需求文档、元数据映射、数据字典三大维度信息，将历史设计经验信息结构化为易于分析和利用的结构化数据资产，有效支撑了本发明场景下的数据分析体系建设。[0053]s220、对所述映射关系数据进行数据清洗和数据抽取操作，并对操作后的映射关系数据进行歧义规避处理。[0054]可选的，所述对所述映射关系数据进行数据清洗和数据抽取操作，并对操作后的映射关系数据进行歧义规避处理，可以包括：对所述数据分析场景与业务规则的映射关系数据以及所述数据分析场景与数据查询语句的映射关系数据，进行数据清洗和数据抽取操作，得到场景描述信息；将所述数据查询语句中的字段数据字典信息与对应的场景描述信息组合，并将组合生成的二阶特征与所有映射关系数据结合。[0055]需要说明的是，在映射关系数据中，数据与数据字典描述的映射关系数据、数据分析场景与数据查询语句的映射关系数据作为映射逻辑信息使用，数据分析场景与业务规则的映射关系数据经数据清洗、加工后作为预训练语料库的训练数据使用，数据分析场景与数据查询语句的映射关系数据中的查询语句，经数据清洗、数据抽取(主要抽取表名、字段对应的字典信息)后作为预训练语料库的训练数据使用，数据分析场景下的数据查询语句与可视化方式的映射关系数据，作为判断数据分析场景选取可视化图表类型的关键参数使用。[0056]其中，预训练语料库的作用：以现有需求文档中对数据分析场景的描述信息为语料进行建模，获得适用于本系统的预训练语言模型。预训练语料库的训练语料：字段的数据字典描述、关键字换元后的字段数据字典描述、文本结构化挖掘的语料：关键字换元后的数据查询语句。[0057]本实施例中，数据分析场景和数据表共同的内容是涉及到的字段信息，但是不同数据分析场景信息中拥有相同语义表征(如数据字典中的文字描述相同)的字段信息可能会映射到不同的数据表，类似于自然语言处理中的歧义问题。为了解决该问题，本实施例对数据查询语句中的字段的数据字典信息im与对应的数据分析场景的文字描述信息in组合，将组合后的二阶特征与原有的数据分析场景的文字描述信息结合，以此作为预训练模型的训练输入。[0058]s230、将处理后的映射关系数据作为训练数据，对基于多头注意力机制的预训练语言模型进行模型训练。[0059]本实施例中，基于处理后的映射关系数据加工出各个场景下的特征输入数据，分别进行预训练语言模型的训练，得到适用于各个主题域的预训练语言模型。利用此语言模型，本实施例可执行相似度计算，并利用语言模型作为自然语言特征提取器来支持文本分类任务的计算。进而可以找到现有的数据分析场景中，与当前场景需求文档语义最相似的数据分析场景。[0060]其中，多头注意力机制是主流深度学习自然语言处理模型，如变压器模型(transformer)、bert模型中的核心处理机制。多头注意力机制通过多个注意力头装置的矩阵运算，经矩阵线性变换操作后，得到文本含有上下文语义的向量表示。本实施例中，多头注意力机制主要发挥其处理长文本上下文语义方面的显著优势，提升历史文档挖掘等任务的精确度。[0061]s240、接收待处理的场景需求文件，使用预训练语言模型对所述场景需求文件进行语义分析和数据提取处理，得到与所述场景需求文件对应的数据分析场景信息。[0062]s250、基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合。[0063]s260、根据所述候选场景信息集合中的候选场景信息，组装与所述场景需求文件对应的数据分析场景的数据查询语句以及前端组件代码。[0064]本发明实施例的技术方案，通过处理并挖掘未被利用的历史场景需求文件和日志数据，整合各个数据主题域下的字段映射关系，采用多头注意力机制深度学习算法建立预训练语言模型，然后利用预训练语言模型对新增的场景需求文件进行复杂逻辑的语义分析及抽象化提取，根据语义分析的提取结果匹配高相似度的历史需求文件，抽取其关键信息进行场景信息、代码部分的自动生成。[0065]实施例三[0066]图3是根据本发明实施例三提供的一种数据分析场景的生成装置的结构示意图。如图3所示，该装置包括：[0067]接收模块310，用于执行接收待处理的场景需求文件，使用预训练语言模型对所述场景需求文件进行语义分析和数据提取处理，得到与所述场景需求文件对应的数据分析场景信息；[0068]获取模块320，用于执行基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合；[0069]组装模块330，用于执行根据所述候选场景信息集合中的候选场景信息，组装与所述场景需求文件对应的数据分析场景的数据查询语句以及前端组件代码。[0070]可选的，该装置还包括：模型训练模块，用于在所述接收待处理的场景需求文件，使用预训练语言模型对所述场景需求文件进行语义分析和数据提取处理，得到与所述场景需求文件对应的数据分析场景信息之前，[0071]从历史需求文件中提取不同数据主题域下的映射关系数据；[0072]对所述映射关系数据进行数据清洗和数据抽取操作，并对操作后的映射关系数据进行歧义规避处理；[0073]将处理后的映射关系数据作为训练数据，对基于多头注意力机制的预训练语言模型进行模型训练。[0074]可选的，所述不同数据主题域下的映射关系数据，包括：[0075]数据与数据字典描述的映射关系数据；[0076]数据分析场景与业务规则的映射关系数据；[0077]数据分析场景与数据查询语句的映射关系数据；[0078]数据分析场景下的数据查询语句与可视化方式的映射关系数据。[0079]可选的，所述模型训练模块，用于：[0080]对所述数据分析场景与业务规则的映射关系数据以及所述数据分析场景与数据查询语句的映射关系数据，进行数据清洗和数据抽取操作，得到场景描述信息；[0081]将所述数据查询语句中的字段数据字典信息与对应的场景描述信息组合，并将组合生成的二阶特征与所有映射关系数据结合。[0082]可选的，获取模块320，用于：[0083]从所有历史需求文件中，找到与所述场景需求文件拥有相同要素的目标历史需求文件；[0084]对于所有目标历史需求文件，从数据分析场景池中查询使用所述目标历史需求文件中的数据进行数据分析的数据分析场景，并加入候选场景信息集合。[0085]可选的，该装置还包括：[0086]验证模块，用于在所述基于所述数据分析场景信息，从数据分析场景池中获取与所述场景需求文件匹配的候选场景信息集合之后，在所述候选场景信息集合中，筛选出最大频繁项集小于预设阈值的目标数据查询语句；将所述目标数据查询语句对应的候选场景信息从所述候选场景信息集合中删除。[0087]可选的，组装模块330，用于：[0088]根据所述候选场景信息集合中的字段、描述信息、表名，组装与所述场景需求文件对应的数据查询语句；[0089]将所述候选场景信息集合中的字段和表名，发送至前端组件代码作为参数；[0090]计算与所述候选场景信息集合中的描述信息的相似度大于第一阈值的历史数据分析场景，将所述历史数据分析场景的使用频次最多的可视化方式发送至前端组件代码作为参数，以进行页面渲染。[0091]本发明实施例所提供的数据分析场景的生成装置可执行本发明任意实施例所提供的数据分析场景的生成方法，具备执行方法相应的功能模块和有益效果。[0092]实施例四[0093]图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。[0094]如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom12以及ram13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。[0095]电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。[0096]处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如数据分析场景的生成方法。[0097]在一些实施例中，数据分析场景的生成方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram13并由处理器11执行时，可以执行上文描述的数据分析场景的生成方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据分析场景的生成方法。[0098]本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。[0099]用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。[0100]在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。[0101]为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。[0102]可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。[0103]计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。[0104]应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。[0105]上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。当前第1页12当前第1页12