对象推荐方法、对象推荐装置、电子设备及存储介质

摘要

本公开提供了一种对象推荐方法、对象推荐装置、电子设备及计算机可读存储介质，属于计算机技术领域。该方法包括：获取多个候选对象的第一类特征数据；基于目标用户所属的用户类别，确定各所述候选对象的第二类特征数据；通过各所述候选对象的所述第一类特征数据和所述第二类特征数据，确定各所述候选对象与所述用户类别的匹配度；根据所述匹配度，选取一个或多个所述候选对象，以推荐给所述目标用户。本公开可以针对不同用户类别的用户，为其推荐更具针对性的对象，提高对象推荐的有效性。

说明书

技术领域

本公开涉及计算机技术领域，尤其涉及一种对象推荐方法、对象推荐装置、电子设备及计算机可读存储介质。

背景技术

随着互联网在各个行业内越来越广泛的普及与应用，电商、互联网金融、生活服务、游戏等多个领域的企业都致力于通过互联网收集与分析商品、用户等对象的数据，以挖掘需求，进行有效的对象推荐，包括：向用户推荐商品或店铺、向商户推荐用户或者向用户推荐新闻、游戏等其他服务信息等。

现有的对象推荐方法大多通过收集各种对象的海量数据，基于这些数据构建对象特征，确定相似对象作为推荐对象。然而，这种基于对象特征，推荐相似对象的方式，可能会在推荐过程中为用户多次推荐内容相似或相同的对象，令用户对推荐内容感到疲惫，难以维持用户粘性；另外，仅基于对象特征进行推荐，还可能会出现不同需求的用户被推荐了相同对象的情况，推荐结果不准确，更是难以满足用户需求。

因此，如何采取合理的方式进行准确、有效的对象推荐是现有技术亟待解决的问题。

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

本公开提供了一种对象推荐方法、对象推荐装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服现有的对象推荐方法中推荐不准确的问题。

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。

根据本公开的一个方面，提供一种对象推荐方法，包括：获取多个候选对象的第一类特征数据；基于目标用户所属的用户类别，确定各所述候选对象的第二类特征数据；通过各所述候选对象的所述第一类特征数据和所述第二类特征数据，确定各所述候选对象与所述用户类别的匹配度；根据所述匹配度，选取一个或多个所述候选对象，以推荐给所述目标用户。

在本公开的一种示例性实施例中，所述通过各所述候选对象的所述第一类特征数据和所述第二类特征数据，确定各所述候选对象与所述用户类别的匹配度，包括：对每个所述候选对象的所述第一类特征数据和所述第二类特征数据均进行标准化处理；通过各预设指标的权重，对每个所述候选对象的所述第一类特征数据和所述第二类特征数据中，各所述预设指标的数据进行加权，得到所述候选对象与所述用户类别的匹配度。

在本公开的一种示例性实施例中，所述各预设指标的权重，通过以下方式确定：获取在历史时间段内，至少一个所述候选对象的各所述预设指标的历史数据以及对应的点击通过率；基于所述历史数据和所述点击通过率之间的回归关系，确定各所述预设指标的权重。

在本公开的一种示例性实施例中，若所述预设指标的权重为负，则将所述预设指标的权重修正为最小正权重的1/2。

在本公开的一种示例性实施例中，所述获取多个候选对象的第一类特征数据，包括：获取多个预设指标；基于全局的用户数据，在每个所述候选对象下，统计各所述预设指标的数据，以得到各所述候选对象的第一类特征数据。

在本公开的一种示例性实施例中，所述基于目标用户所属的用户类别，确定各所述候选对象的第二类特征数据，包括：确定所述目标用户所属的用户类别；基于所述用户类别中的用户数据，在每个所述候选对象下，统计各所述预设指标的数据，以得到各所述候选对象的第二类特征数据。

在本公开的一种示例性实施例中，所述目标用户所属的用户类别，通过以下方式确定：根据所述目标用户最新的基本信息与行为数据，将所述目标用户与其他用户进行聚类；获取聚类后所述目标用户所属的用户类别。

根据本公开的一个方面，提供一种对象推荐装置，包括：第一数据获取模块，用于获取多个候选对象的第一类特征数据；第二数据确定模块，用于基于目标用户所属的用户类别，确定各所述候选对象的第二类特征数据；匹配度确定模块，用于通过各所述候选对象的所述第一类特征数据和所述第二类特征数据，确定各所述候选对象与所述用户类别的匹配度；对象推荐模块，用于根据所述匹配度，选取一个或多个所述候选对象，以推荐给所述目标用户。

在本公开的一种示例性实施例中，匹配度确定模块包括：标准化处理单元，用于对每个所述候选对象的所述第一类特征数据和所述第二类特征数据均进行标准化处理；加权计算单元，用于通过各预设指标的权重，对每个所述候选对象的所述第一类特征数据和所述第二类特征数据中，各所述预设指标的数据进行加权，得到所述候选对象与所述用户类别的匹配度。

在本公开的一种示例性实施例中，所述各预设指标的权重，通过以下方式确定：获取在历史时间段内，至少一个所述候选对象的各所述预设指标的历史数据以及对应的点击通过率；基于所述历史数据和所述点击通过率之间的回归关系，确定各所述预设指标的权重。

在本公开的一种示例性实施例中，若所述预设指标的权重为负，则将所述预设指标的权重修正为最小正权重的1/2。

在本公开的一种示例性实施例中，第一数据获取模块包括：指标获取单元，用于获取多个预设指标；数据统计单元，用于基于全局的用户数据，在每个所述候选对象下，统计所述预设指标的数据，以得到各所述候选对象的第一类特征数据。

在本公开的一种示例性实施例中，第二数据获取模块包括：类别确定单元，用于确定所述目标用户所属的用户类别；数据统计单元，用于基于所述用户类别中的用户数据，在每个所述候选对象下，统计所述预设指标的数据，以得到各所述候选对象的第二类特征数据。

在本公开的一种示例性实施例中，所述目标用户所属的用户类别，通过以下方式确定：根据所述目标用户最新的基本信息与行为数据，将所述目标用户与其他用户进行聚类；获取聚类后所述目标用户所属的用户类别。

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项所述的方法。

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，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开的示例性实施例具有以下有益效果：

获取多个候选对象的第一类特征数据；基于目标用户所属的用户类别，确定各候选对象的第二类特征数据；通过各候选对象的第一类特征数据和第二类特征数据，确定各候选对象与用户类别的匹配度；根据匹配度，选取一个或多个候选对象，以推荐给目标用户。一方面，通过候选对象的特征数据，确定候选对象与用户类别的匹配度，并基于匹配度向目标用户推荐候选对象，推荐算法简便且具有较高的准确性；另一方面，基于不同用户类别，获取不同类别下的特征数据，并结合用户类别实现对象推荐，综合考虑候选对象的特征以及用户行为对对象推荐的影响，使得推荐结果更加准确、有效，且根据用户类别进行推荐，更加具有针对性。

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。

图1示意性示出本示例性实施例中一种对象推荐方法的流程图；

图2示意性示出本示例性实施例中一种对象推荐方法的子流程图；

图3示意性示出本示例性实施例中另一种对象推荐方法的子流程图；

图4示意性示出本示例性实施例中一种对象推荐装置的结构框图；

图5示意性示出本示例性实施例中一种用于实现上述方法的电子设备；

图6示意性示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。

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。

本公开的示例性实施例首先提供了一种对象推荐方法，其中，对象可以是电商、社交等平台的用户、商品、店铺、新闻报道等可以用于推荐的对象。本实施例方法的应用场景可以是：在电商平台中，为不同喜好类别的用户推荐其可能感兴趣的店铺或商品；或者资讯平台中，为不同兴趣类别下的用户推荐与其相关的新闻报道或热点资讯等。

下面结合附图1对本示例性实施例做进一步说明，如图1所示，对象推荐方法可以包括以下步骤S110～S140：

步骤S110，获取多个候选对象的第一类特征数据。

其中，候选对象是指可以用于进行对象推荐的对象，其根据推荐场景具有差异，例如在电商平台中，候选对象可以是店铺、商品或者营销活动等，在资讯平台中，候选对象可以是新闻报道、热点资讯或者传媒广告等等。候选对象可以是对应应用场景下的全部可推荐的对象，也可以是部分可推荐的对象，例如在电商平台中，向用户推荐店铺的场景下，可以确定电商平台中的所有店铺为候选对象，也可以确定其中某一部分店铺为候选对象，本公开对此不做具体限定。第一类特征数据是指能够反映候选对象属性特征的数据，是所有候选对象均具有的固有特征数据，即不论候选对象为哪一种对象，都具有这种属性特征，例如当候选对象为店铺时，第一类特征数据可以是店铺的订单量、物流评价、售后评价等指标下的数据。在本示例性实施例中，为了对数据进行有效分析，还可以根据候选对象的类型，确定获取某一时间段内的第一类特征数据，例如在某电商平台中，将排名前50的店铺作为候选对象，获取最近一个季度的订单量、物流评价、售后评价等数据。

在一示例性实施例中，上述步骤S110可以包括以下步骤：

获取多个预设指标；

基于全局的用户数据，在每个候选对象下，统计各预设指标的数据，以得到各候选对象的第一类特征数据。

其中，预设指标是指第一类特征数据的属性指标，获取第一类特征数据，即为获取预设指标下的数据，预设指标根据候选对象的不同而不同，例如候选对象为店铺时，预设指标可以是与店铺相关的属性指标，如日均UV(User Veiw，用户浏览)量、日均订单量、日均GMV(Gross Merchandise Volume，成交总额)、售后评价、物流评价等等。全局的用户数据是指用于进行数据统计的全部用户，考虑到第一类特征数据为候选对象的固有特征下的数据，其不会根据用户类型的不同而具有较大的差异性，因此，在获取第一类特征数据时，可以基于全局的用户数据，并以每一个候选对象为单位，进行多个预设指标的数据统计，以获取多个候选对象的第一类特征数据。

步骤S120，基于目标用户所属的用户类别，确定各候选对象的第二类特征数据。

其中，目标用户是指进行对象推荐的主体用户，即被推荐的对象将会推荐该该用户。在本示例性实施例中，可以根据用户基本属性(如年龄、性别)或者其他属性(如喜好、关注度)等将用户进行分类，以获取不同的不用类别，用户类别具体可以以用户标签或用户画像等形式体现，本公开对此不做具体限定。第二类特征数据与第一类特征数据类似，均为能够反映候选对象属性特征的数据，其区别在于，第二类特征数据与用户本身具有一定的关联性，不同类别下的用户可能对候选对象的第二类特征数据造成影响，例如类别A下的用户对服装感兴趣，类别B下的用户对电子产品感兴趣，则类别A下的用户在在服装类店铺中的行为数据会比较多，电子产品类的店铺中的行为数据则会比较少。可见，服装类店铺和电子产品类店铺在粉丝数、粉丝属性等指标下的数据会根据不同的受众群体具有较大差异。因此，本示例性实施例为了结合用户行为特征与候选对象的内容的关系，确定不同用户类别下候选对象的第二类特征数据，使获取的数据更加具有针对性和可分析性。

在一示例性实施例中，上述步骤S120可以包括：

确定目标用户所属的用户类别；

基于用户类别中的用户数据，在每个候选对象下，统计预设指标的数据，以得到各候选对象的第二类特征数据。

在本示例性实施例中，在用户类别下获取候选对象的第二类特征数据，可以是确定一个类别下的用户群画像，在该用户群画像的类别下，确定候选对象的第二特征数据。第二类特征数据的预设指标是指与用户类别相关的属性指标，不同的用户类别下，其预设指标下的数据可能会有较大差异，例如候选对象为店铺时，预设指标可以是粉丝数量、有效粉丝数量、用户将店铺进行置顶的数量等等。

步骤S130，通过各候选对象的第一类特征数据和第二类特征数据，确定各候选对象与用户类别的匹配度。

在本示例性实施例中，可以根据获取的特征数据进行处理，以对每个候选对象进行评价，评价结果可以用于衡量候选对象是否适合被推荐、是否满足要求等，该评价结果即为候选对象与用户类别的匹配度。匹配度越高，说明候选对象各方面的指标越优秀，越适合被推荐给用户。本示例性实施例还可以根据各候选对象与用户类别的匹配度，建立一候选对象集合，在集合中，根据匹配度大小顺序排序，还可以将匹配度低于预设阈值的候选对象直接丢弃处理，并优先推荐匹配度处于某一预设范围内的对象等等。

在一示例性实施例中，如图2所示，上述步骤S130可以包括以下步骤：

步骤S210，对每个候选对象的第一类特征数据和第二类特征数据均进行标准化处理；

步骤S220，通过各预设指标的权重，对每个候选对象的第一类特征数据和第二类特征数据中，各预设指标的数据进行加权，得到候选对象与用户类别的匹配度。

考虑到获取的特征数据是不同预设指标下的数据，其量纲、量纲单位、以及取值范围可能具有差异性，甚至处于不同的量级。为了便于后续进行数据计算与分析，使特征数据具有可比性，本示例性实施例可以对第一类特征数据和第二类特征数据进行标准化处理，具体的，可以是对各预设指标下的数据进行归一化处理使数据处于同一数量级，便于综合对比。

在本示例性实施例中，标准化处理可以采用以下任意一种方式：

(1)Minmax标准化处理：

Minmax标准化处理是一种线性变换的处理方法，通过公式：

(2)log标准化处理：

Log标准化处理是一种非线性变换的处理方式，其可以通过公式：

此外，本示例性实施例还可以采用其他方法进行标准化处理，例如Z-score标准差等等，本公开对此不做具体限定。特别的，在本示例性实施例中，可以优选采用Minmax标准化处理，如果数据分布较偏，还可以采用99分位数作为最大值。

考虑到不同预设指标下的数据可以反映候选对象不同方面的属性，其对于确定候选对象与用户类别的匹配度具有不同的影响程度，因此，本示例性实施例可以根据各预设指标的权重，对各预设指标的数据进行加权计算，以得到候选对象与用户类别的匹配度。

在一示例性实施例中，如图3所示，上述各预设指标的权重可以通过以下方式确定：

步骤S310，获取在历史时间段内，至少一个候选对象的各预设指标的历史数据以及对应的点击通过率；

步骤S320，基于历史数据和点击通过率之间的回归关系，确定各预设指标的权重。

以电商平台向用户推荐店铺进行举例说明，CTR(Click-Through-Rate点击通过率)是指可以用于反映店铺运营的受欢迎程度的一种指标参数，是实际点击次数与店铺展示量的比例。某一店铺的点击通过率越高，说明该店铺受欢迎程度较高、更加受到用户的喜爱或者更能满足用户的需求等。

在本示例性实施例中，可以通过岭回归算法，量化点击通过率与上述预设指标下特征数据之间的关系，通过以下公式计算各预设指标的权重：

其中，y表示点击通过率，x

考虑到岭回归算法是一个非线性规划的问题，本示例性实施例可以用梯度下降算法来求解，利用python对特征数据进行建模。

以电商平台中，向用户推荐店铺进行举例说明。在实际对店铺数据进行分析时，通过分析店铺的粉丝数以及粉丝关注的时间分布，可以确定用户的关注时间窗口；近X天内关注的人数，可以有效监控店铺近期热度；通过分析店铺粉丝的复访行为，可以引入有效关注的概念，有效区分店铺粉丝中活跃粉丝和“僵尸”粉；此外，在数据分析过程中发现，店铺的核心粉丝通常会将心仪的店铺置顶，一个店铺的置顶数的高低有效说明了该店铺的核心粉丝数；针对店铺经营层面，近X天店铺的访问日均UV、日均订单数和日均GMV这些核心指标，能有效反应出店铺最近的经营热度；最后通过订单完成用户对该店铺的物流评价、服务评价和售后评价指标，能有效地体现店铺在服务端的表现。因此，可以确定多个预设指标：粉丝分数、有效关注分数、置顶分数、近30天关注分数、评价分数、物流分数、售后分数、UV分数、订单分数以及销售额分数等，并基于这些预设指标确定第一特征数据与第二特征数据，表1示出了获取的候选对象店铺1～5的第一特征数据与第二特征数据的示例：

表1

采用Minmax标准化对表1中的特征数据进行处理，之后可以采用python中的sklearn进行建模，输出各个预设指标的权重，得到如下权重：

In[5]：model.fit(x,y)

…：model.coef_

Out[5]：

Array([-0.03385396,0.3287327,0.14313122,0.06682226,-0.07337746,0.04527901,0.08966719,0.21070297,0.40227266])

即得到预设指标粉丝分数、有效关注分数、置顶分数、近30天关注分数、评价分数、物流分数、售后分数、UV分数、订单分数以及销售额分数，的权重分别为：-0.03385396，0.3287327，0.14313122，0.06682226，-0.07337746，0.04527901，0.08966719，0.21070297，0.40227266。

在实际应用中，由于可能会出现一些误差或者其他特殊原因，使得得到的权重出现负数的情况，例如在上述实施例中，出现两个预设指标的权重小于0，因此，本示例性实施例基于这种情况对权重进行调整，具体可以是若存在预设指标的权重为负的情况，则可以将该预设指标的权重修正为最小正权重的1/2，例如入表2所示的预设指标中，修正前存在两个预设指标的权重为负，分别是评价评分(-0.0339)和售后评分(-0.0734)，将这两个负权重修正为非负权重中最小值的一半，修正后的权重值如下所示：

表2

进一步，根据修正后的权重以及各预设指标下的特征数据，建立一打分模型，以得到匹配度，具体的打分模型可以是对获取的各特征数据进行加权求和，例如匹配度可以通过公式：S＝w1*score1+w2*score2+w3*score3+……+wn*scoren确定，其中，score1、…、scoren，表示预设指标下的特征数据，w1、…、wn，表示各预设指标对应的权重值。

步骤S140，根据匹配度，选取一个或多个候选对象，以推荐给目标用户。

在本示例性实施例中，步骤S130可以确定各候选对象与用户类别的匹配度，基于匹配度，可以对候选对象进行排序，在推荐时，可以将排名前预设数量的一个或多个候选对象推荐给目标用户。例如将根据上述匹配度计算公式得到的分数最高的店铺推荐给目标用户。本示例性实施例可以基于用户类别与候选对象的特征数据，对候选对象进行评价，可以根据不同类别的用户，推荐该类别下匹配度最高的候选对象，结合了用户行为与被推荐对象的内容，共同确定推荐结果，相比于仅根据用户行为或仅根据对象对象进行推荐，更加具有有效性。

基于上述说明，在本示例性实施例中，获取多个候选对象的第一类特征数据；基于目标用户所属的用户类别，确定各候选对象的第二类特征数据；通过各候选对象的第一类特征数据和第二类特征数据，确定各候选对象与用户类别的匹配度；根据匹配度，选取一个或多个候选对象，以推荐给目标用户。一方面，通过候选对象的特征数据，确定候选对象与用户类别的匹配度，并基于匹配度向目标用户推荐候选对象，推荐算法简便且具有较高的准确性；另一方面，基于不同用户类别，获取不同类别下的特征数据，并结合用户类别实现对象推荐，综合考虑候选对象的特征以及用户行为对对象推荐的影响，使得推荐结果更加准确、有效，且根据用户类别进行推荐，更加具有针对性。

在一示例性实施例中，步骤S120中目标用户所属的用户类别，可以通过以下方式确定：

根据目标用户最新的基本信息与行为数据，将目标用户与其他用户进行聚类；

获取聚类后目标用户所属的用户类别。

在本示例性实施例中，用户类别可以用于对用户进行标签化处理，即可以生成多个用户群画像，每个用户群画像即为一个用户类别。用户群画像与用户画像类似，均为对用户信息进行标签化，通过收集与分析用户的多种信息数据，抽象出用户全貌。本示例性实施例通过获取目标用户的基本信息，例如年龄、地址、职业、支付方式或消费水平等，以及行为数据，例如浏览、购买、收藏等行为数据，以对用户进行聚类，聚类结果即为用户分类结果，每一聚类结果都可以反映该类用户相似或相同的特征，例如用户类别1中，用户年龄18～25岁、购买服装偏多、月购买力3000等，通过聚类结果，可以抽象出这类用户的用户画像，也可以视为用户标签。

本示例性实施例可以从两个方面共同实现对象推荐，首先通过积累的用户数据，为建立用户群体画像，进一步通过步骤S110～S130，确定每个用户群画像下的候选对象集合，集合中的候选对象可以按照一定的优先级进行排序，在实际应用时，确定目标用户的用户画像，在对应该用户画像下的候选对象集合中进行对象推荐，推荐过程更加具有针对性和有效性。

本公开的示例性实施例还提供了一种对象推荐装置。参照图4，该装置400可以包括，第一数据获取模块410，用于获取多个候选对象的第一类特征数据；第二数据确定模块420，用于基于目标用户所属的用户类别，确定各候选对象的第二类特征数据；匹配度确定模块430，用于通过各候选对象的第一类特征数据和第二类特征数据，确定各候选对象与用户类别的匹配度；对象推荐模块440，用于根据匹配度，选取一个或多个候选对象，以推荐给目标用户。

在一示例性实施例中，匹配度确定模块包括：标准化处理单元，用于对每个候选对象的第一类特征数据和第二类特征数据均进行标准化处理；加权计算单元，用于通过各预设指标的权重，对每个候选对象的第一类特征数据和第二类特征数据中，各预设指标的数据进行加权，得到候选对象与用户类别的匹配度。

在一示例性实施例中，各预设指标的权重，通过以下方式确定：获取在历史时间段内，至少一个候选对象的各预设指标的历史数据以及对应的点击通过率；基于历史数据和点击通过率之间的回归关系，确定各预设指标的权重。

在一示例性实施例中，若预设指标的权重为负，则将预设指标的权重修正为最小正权重的1/2。

在一示例性实施例中，第一数据获取模块包括：指标获取单元，用于获取多个预设指标；数据统计单元，用于基于全局的用户数据，在每个候选对象下，统计各预设指标的数据，以得到各候选对象的第一类特征数据。

在一示例性实施例中，第二数据获取模块包括：类别确定单元，用于确定目标用户所属的用户类别；数据统计单元，用于基于用户类别中的用户数据，在每个候选对象下，统计各预设指标的数据，以得到各候选对象的第二类特征数据。

在一示例性实施例中，目标用户所属的用户类别，通过以下方式确定：根据目标用户最新的基本信息与行为数据，将目标用户与其他用户进行聚类；获取聚类后目标用户所属的用户类别。

上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明，未披露的细节内容可以参见方法部分的实施例内容，因此此处不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

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：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本公开的这种示例性实施例的电子设备500。图5显示的电子设备500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5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。

其中，存储单元存储有程序代码，程序代码可以被处理单元510执行，使得处理单元510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方式的步骤。例如，处理单元510可以执行图1所示的步骤S110～S140，也可以执行图2所示的步骤S210～S220等。

存储单元520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)521和/或高速缓存存储单元522，还可以进一步包括只读存储单元(ROM)523。

存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524，这样的程序模块525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530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500也可以与一个或多个外部设备700(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500交互的设备通信，和/或与使得该电子设备500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550进行。并且，电子设备500还可以通过网络适配器560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560通过总线530与电子设备500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500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。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式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)执行根据本公开示例性实施例的方法。

本公开的示例性实施例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。在一些可能的实施方式中，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，当程序产品在终端设备上运行时，程序代码用于使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方式的步骤。

参考图6所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品600，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。

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，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。

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，根据本公开的示例性实施例，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。

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例。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。