一种助学金的分配方法、装置及计算机可读存储介质

摘要

本申请公开了一种助学金的分配方法、装置及计算机可读存储介质，涉及人工智能技术领域，用于均衡助学金分配的公平性和效益性。该方法包括：获取助学金总额以及M名学生中每名学生的需资助概率，M为大于1的整数；基于M名学生中每名学生的需资助概率，以最大化需资助概率高的学生分配到的助学金金额为目的构建效益性目标函数；以均衡每名学生分配到的助学金金额为目的构建公平性目标函数；以M名学生分配到的助学金金额之和等于助学金总额作为约束条件；在约束条件下，基于多目标人工蜂群算法，对效益性目标函数和公平性目标函数进行求解运算，得到非支配解集，非支配解集包括至少一个解，解用于指示M名学生中每名学生分配到的助学金金额。

说明书

技术领域

本申请涉及人工智能领域，尤其涉及一种助学金的分配方法、装置及计算机可读存储介质。

背景技术

目前，大部分高校待资助的学生评定都是有学生所在地乡镇出示相关证明后由班级公开评选和院系辅导员审核，这种认定模式存在认定偏差，在一定程度上容易激化学生间的矛盾。在助学金分配上，主要是针对学生上报的需资助等级，需资助等级越高的学生获取越多的助学金；或者，为保证公平性，每学期每个等次的助学金向学生轮流发放。然而无论采取哪种方法，都无法保证每位同学获取的助学金金额完全合理。

发明内容

本申请提供一种助学金的分配方法、装置及计算机可读存储介质，能够均衡助学金分配的公平性和效益性。

第一方面，提供一种助学金的分配方法，包括：获取助学金总额以及 M名学生中每名学生的需资助概率，M为大于1的整数；基于M名学生中每名学生的需资助概率，以最大化需资助概率高的学生分配到的助学金金额为目的构建效益性目标函数；以均衡每名学生分配到的助学金金额为目的构建公平性目标函数；以M名学生分配到的助学金金额之和等于助学金总额作为约束条件；在约束条件下，基于多目标人工蜂群算法，对效益性目标函数和公平性目标函数进行求解运算，得到非支配解集，非支配解集包括至少一个解，解用于指示M名学生中每名学生分配到的助学金金额。

本申请提供的技术方案至少带来以下有益效果：以多目标思想为中心，建立效益性目标函数和公平性目标函数，根据多目标人工蜂群算法，对多目标函数进行求解运算，得到非支配解集，非支配解集为助学金兼顾效益性和公平性的最优解集，从而在为每位学生分配助学金时，决策者可以根据实际情况选择非支配解集中的解，在保证每位学生获取到的助学金尽可能公平的基础上，又使需资助概率高的学生获取更多的助学金。

可选的，效益性目标函数为

可选的，公平性目标函数为

可选的，在约束条件下，基于多目标人工蜂群算法，对效益性目标函数和所述公平性目标函数进行求解运算，得到非支配解集，包括：

S1、设定人工蜂群算法的初始化参数，初始化参数包括最大迭代次数 T、解空间个数P、解空间维度K、第一解集；其中，解空间个数P用于指示第一解集中包括P个解；

S2、根据效益性目标函数，计算第一解集中每个解的效益性适应度值；以及，根据公平性目标函数，计算第一解集中每个解的公平性适应度值；

S3、根据第一解集中每个解的效益性适应度值和公平性适应度值，确定第一解集中非支配等级为1的解，并将非支配等级为1的解存储到数据库中，非支配等级为1的解不被第一解集中的任意一个解所支配；

S4、根据人工蜂群算法更新第一解集，得到更新后的第一解集；

S5、根据效益性目标函数，计算更新后的第一解集中每个解的效益性适应度值；以及，根据公平性目标函数，计算更新后的第一解集中每个解的公平性适应度值；

S6、根据更新后的第一解集中每个解的效益性适应度值和公平性适应度值，确定更新后的第一解集中非支配等级为1的解，并将非支配等级为 1的解存储到数据库中；

S7、根据数据库中存储的每个解的效益性适应度值和公平性适应度值，计算数据库中存储的每个解的分散度，并选择分散度最大的前N个解构成第二解集；

S8、若迭代次数t小于最大迭代次数T，将第二解集替代第一解集，返回步骤S4，令迭代次数t＝t+1；若迭代次数t等于最大迭代次数T，终止迭代，并以第二解集作为非支配解集。

基于多目标人工蜂群算法，通过多次迭代计算输出非支配解集，非支配解集中的每个解不被其他解集中的解所支配，具有最少的目标冲突，可提供用户一个较佳的选择空间，非支配解集即为助学金分配的最优解集，非支配解集的每个解均兼顾公平性和效益性。

可选的，学生的需资助概率根据以下方式确定：获取学生的运营商数据和教务数据；对学生的运营商数据和教务数据进行特征提取，得到学生的特征集；将学生的特征集输入到需资助概率模型中，获取学生的需资助概率。基于运营商大数据和教务数据可以全面获取学生在各个方面的经济情况，从而可以更准确的确定学生的需资助概率。

第二方面，提供一种助学金的分配装置，包括：获取模块，用于获取助学金总额以及M名学生中每名学生的需资助概率，M为大于1的整数；处理模块，用于基于M名学生中每名学生的需资助概率，以最大化需资助概率高的学生分配到的助学金金额为目的构建效益性目标函数；以均衡每名学生分配到的助学金金额为目的构建公平性目标函数；以M名学生分配到的助学金金额之和等于助学金总额作为约束条件；处理模块，还用于在约束条件下，基于多目标人工蜂群算法，对效益性目标函数和公平性目标函数进行求解运算，得到非支配解集，非支配解集包括至少一个解，解用于指示M名学生中每名学生分配到的助学金金额。

可选的，效益性目标函数为

可选的，公平性目标函数为

可选的，所述处理模块，还用于执行下列步骤S1-S8：S1、设定人工蜂群算法的初始化参数，初始化参数包括最大迭代次数T、解空间个数P、解空间维度K、第一解集；其中，解空间个数P用于指示第一解集中包括 P个解；

S2、根据效益性目标函数，计算第一解集中每个解的效益性适应度值；以及，根据公平性目标函数，计算第一解集中每个解的公平性适应度值；

S3、根据第一解集中每个解的效益性适应度值和公平性适应度值，确定第一解集中非支配等级为1的解，并将非支配等级为1的解存储到数据库中，非支配等级为1的解不被第一解集中的任意一个解所支配；

S4、根据人工蜂群算法更新第一解集，得到更新后的第一解集；

S5、根据效益性目标函数，计算更新后的第一解集中每个解的效益性适应度值；以及，根据公平性目标函数，计算更新后的第一解集中每个解的公平性适应度值；

S6、根据更新后的第一解集中每个解的效益性适应度值和公平性适应度值，确定更新后的第一解集中非支配等级为1的解，并将非支配等级为 1的解存储到数据库中；

S7、根据数据库中存储的每个解的效益性适应度值和公平性适应度值，计算数据库中存储的每个解的分散度，并选择分散度最大的前N个解构成第二解集；

S8、若迭代次数t小于最大迭代次数T，将第二解集替代第一解集，返回步骤S4，令迭代次数t＝t+1；若迭代次数t等于最大迭代次数T，终止迭代，并以第二解集作为非支配解集。

可选的，获取模块，还用于获取学生的运营商数据和教务数据；处理模块，还用于对学生的运营商数据和教务数据进行特征提取，得到学生的特征集；获取模块，还用于将学生的特征集输入到需资助概率模型中，获取学生的需资助概率。

第三方面，提供一种助学金的分配装置，包括一个或多个处理器和一个或多个存储器；一个或多个存储器与一个或多个处理器耦合，一个或多个存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当一个或多个处理器执行计算机指令时，所述分配装置执行上述第一方面及其可选的分配方法。

第四方面，提供一种计算机可读存储介质，包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行上述第一方面的方法。

本申请中第二方面至第四方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

附图说明

图1为本申请实施例提供的一种需资助概率的确定方法的流程示意图；

图2为本申请实施例提供的一种数据处理的流程示意图；

图3为本申请实施例提供的一种助学金的分配方法的流程示意图；

图4为本申请实施例提供的另一种助学金的分配方法的流程示意图；

图5为本申请实施例提供的另一种助学金的分配方法的流程示意图；

图6为本申请实施例提供的一种助学金的分配装置的组成示意图；

图7为本申请实施例提供的一种助学金的分配装置的硬件结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，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。基于本申请中的实施例，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，都属于本申请保护的范围。

在本申请的描述中，除非另有说明，“/”表示“或”的意思，例如， A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”是指一个或多个，“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

需要说明的是，本申请中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

如背景技术所述，在助学金分配上，主要是针对学生上报的需资助等级，需资助等级越高的学生获取越多的助学金；或者，为保证公平性，每学期每个等次的助学金向学生轮流发放。然而无论采取哪种方法，都无法保证在需资助等级越高的学生获取越多的助学金的基础上，同时使每位学生获取的助学金又具有公平性。

基于上述问题，本申请提出了一种助学金的分配方法，以多目标思想为中心，建立效益性目标函数和公平性目标函数，根据多目标人工蜂群算法，对多目标函数进行求解运算，得到非支配解集，非支配解集为助学金兼顾效益性和公平性的最优解集，从而在为每位学生分配助学金时，决策者可以根据实际情况选择非支配解集中的解，在保证每位学生获取到的助学金尽可能公平的基础上，又使需资助概率高的学生获取更多的助学金。

下面结合说明书附图，对本申请的实施例进行具体说明。

在介绍助学金的分配方法之前，首先对如何获取学生的需资助概率进行简要说明，如图1所示，本申请实施例提供一种需资助概率的确定方法，该方法包括以下步骤：

S101、获取学生的运营商数据和教务数据。

其中，运营商数据集电信/移动/联通三大运营商数据资源，以通讯网络中的学生手机数据为采集源，建立有以通话类、位置类、上网类数据为主的用户标签库。运营商数据主要包括：位置数据、上网数据、通信数据、金融数据、社交关系数据等。

教务数据用于表征与学生生活相关的所有数据。主要包括学生的学业信息，如：学生所在的班级、年级、专业；班级课程安排，用于获取学生出勤情况；学生成绩，如：公共课成绩、专业课成绩、年纪排名、专业排名、挂科数量、挂科学分数等等；学生奖学金数据；学生助学数据；学生助学贷款数据等等。

S102、对学生的运营商数据和教务数据进行特征提取，得到学生的特征集。

可选的，特征提取主要包括汇聚、解析、清洗、运算等步骤，如图2 所示，可具体实现为步骤S1021-S1024：

S1021、对运营商数据和教务数据进行汇聚处理，获取第一目标数据。

将运营商数据和教务数据进行汇聚，存储到数据库中，以便后续进行数据解析、清洗以及运算等。

S1022、对第一目标数据进行解析处理，获取第二目标数据。

可选的，由于运营商数据中通常存在数据包、代码等类型的数据，用户无法直接识别数据包中所包含的业务数据。因此首先利用深度包检测技术(Deep Packet Inspection，DPI)对运营商数据进行深度检测，通过解析数据包来确定业务的具体内容和信息。

S1023、对第二目标数据进行清洗处理，获取第三目标数据。

可选的，对第二目标数据中的残缺数据、异常数据以及重复数据进行清洗去除。

S1024、对第三目标数据进行运算处理，获取特征集。

其中，特征集包括：通话行为、流量使用、APP使用偏好、通信消费、手机价格、手机型号、金融类/购物类/理财类/游戏类/社交类/浏览类等APP 的使用特征、前往高消费场所的频率、一卡通使用特征中的一种或多种。

可选的，对第三目标数据进行关键词提取，将提取到的关键词作为分类标签，根据分类标签，对第三目标数据中的数据进行分类，得到特征集。

S103、将学生的特征集输入到需资助概率模型中，获取学生的需资助概率。

其中，需资助概率模型是预先训练好存储在服务器中的，将每位学生的特征集输入到服务器中，即可获取每位学生的需资助概率。

本申请实施例通过获取运营商数据和教务数据可以全面地获取学生在各个方面的经济情况，从而可以更准确的确定学生的需资助概率。

如图3所示，本申请提供一种助学金的分配方法，包括以下步骤：

S201、获取助学金总额以及M名学生中每名学生的需资助概率，M为大于1的整数。

S202、基于M名学生中每名学生的需资助概率，以最大化需资助概率高的学生分配到的助学金金额为目的构建效益性目标函数；以均衡每名学生分配到的助学金金额为目的构建公平性目标函数；以M名学生分配到的助学金金额之和等于助学金总额作为约束条件。

可选的，效益性目标函数为

可选的，公平性目标函数为

应理解，在构建目标函数时应满足

S203、在约束条件下，基于多目标人工蜂群算法，对效益性目标函数和公平性目标函数进行求解运算，得到非支配解集。

其中，非支配解集包括至少一个解，至少一个解用于指示M名学生中每名学生分配到的助学金金额。

本申请实施例以多目标思想为中心，建立效益性目标函数和公平性目标函数，根据多目标人工蜂群算法，对多目标函数进行求解运算，得到非支配解集，非支配解集为助学金兼顾效益性和公平性的最优解集，从而在为每位学生分配助学金时，决策者可以根据实际情况选择非支配解集中的解，在保证每位学生获取到的助学金尽可能公平的基础上，又使需资助概率高的学生获取更多的助学金。

可选的，如图4所示，步骤S203可具体实现为步骤S1-S8:

S1、设定人工蜂群算法的初始化参数。

可选的，初始化参数包括最大迭代次数T、解空间个数P、解空间维度K、第一解集。

其中，解空间个数P用于指示第一解集中包括P个解。

可选的，第一解集为初始化时随机生成的可行解的集合。具体的，根据s

S2、根据效益性目标函数，计算第一解集中每个解的效益性适应度值；以及，根据公平性目标函数，计算第一解集中每个解的公平性适应度值。

可选的，根据

S3、根据第一解集中每个解的效益性适应度值和公平性适应度值，确定第一解集中非支配等级为1的解，并将非支配等级为1的解存储到数据库中。

其中，非支配等级为1的解不被第一解集中的任意一个解所支配。

可选的，根据第一解集中每个解的效益性适应度值和公平性适应度值确定第一解集中每个解与其它解之间的支配关系。

具体的，若F

进一步的，若第一解集中存在某个解不被任何解支配，则可以确定该不被任何解支配的解的非支配等级为1。

示例性的，第一解集中包括5个解，每个解的公平性适应度值和效益性适应度值如下表1所示：

表1

以X3为例，由1可以看出，X3的公平性适应度值和效益性适应度值均大于其他解的公平性适应度值和效益性适应度值，且 F

当然，本申请实施例还可以确定每个解的非支配等级。

在一些实施例中，首先遍历第一解集中的每个解a，确定a支配的解的集合Sa以及支配a的解的数目na。若na＝0，则说明a不被任何解支配，此时，解a的非支配等级为1。然后，遍历Sa中的每一个解b，并令nb＝nb-1，若nb＝0，则把解b放入集合B，集合B中所有解b的非支配等级为2。接着对集合B中的每一个解进行相同操作，得到的集合非支配等级是3，以此类推，直到确定所有解的非支配等级。

S4、根据人工蜂群算法更新第一解集，得到更新后的第一解集。

S5、根据效益性目标函数，计算更新后的第一解集中每个解的效益性适应度值；以及，根据公平性目标函数，计算更新后的第一解集中每个解的公平性适应度值。

S6、根据更新后的第一解集中每个解的效益性适应度值和公平性适应度值，确定更新后的第一解集中非支配等级为1的解，并将非支配等级为 1的解存储到数据库中。

应理解，步骤S6中确定更新后的第一解集中非支配等级为1的解与步骤S3中确定第一解集中非支配等级为1的解的过程相同，此处不再进行赘述。

S7、根据数据库中存储的每个解的效益性适应度值和公平性适应度值，计算数据库中存储的每个解的分散度，并选择分散度最大的前N个解构成第二解集。

其中，每个解的分散度指的是每个解周围的解的密度，分散度越大的解，表示该解与周围的解的相似程度越低，因此，为了保证解空间的多样性，每次选择分散度最大的前N个解作为第二解集。

可选的，第二解集的数量N可以是预设的，也可以是用户根据实际情况实时确定的，本申请实施例在此不做限制。

可选的，将数据库中的解根据效益性适应度值从大到小排序，根据公式

将数据库中的解根据公平性适应度值从大到小排序，根据公式

进一步的，根据每个解的第一分散度和第二分散度确定每个解的分散度。

在一些实施例中，根据D＝D

应理解，数据库中具有最大适应度值和最小适应度值的分散度为无穷大。

S8、若迭代次数t小于最大迭代次数T，将第二解集替代第一解集，返回步骤S4，令迭代次数t＝t+1；若迭代次数t等于最大迭代次数T，终止迭代，并以第二解集作为非支配解集。

本申请实施例基于多目标人工蜂群算法，通过多次迭代计算输出非支配解集，非支配解集中的每个解不被其他解集中的解所支配，具有最少的目标冲突，可提供用户一个较佳的选择空间，非支配解集即为助学金分配的最优解集，非支配解集的每个解均兼顾公平性和效益性。

可选的，如图5所示，步骤S4可具体实现为步骤S41-S48：

S41、为第一解集中每个初始解的分配一个引导蜂，引导蜂根据搜索方程进行邻域搜索在每个初始解周围产生新解。

其中，搜索方程为w

S42、根据贪婪算法确定是否保留新解，并构成第一子解集。

具体的，分别计算每一个新解的公平性适应度值和效益性适应度值，若新解的公平性适应度值小于初始解的公平性适应度值，和/或，新解的效益性适应度值小于初始解的效益性适应度值，则将新解保留，舍弃初始解。

相应的，若新解的公平性适应度值大于初始解的公平性适应度值，和/ 或，新解的效益性适应度值大于初始解的效益性适应度值，则将初始解保留，舍弃新解。

进一步，将保留下来的新解和初始解构成第一子解集。

S43、计算第一子解集中每个解的选择概率，跟随蜂选择选择概率大于随机数的解，根据搜索方程进行邻域搜索在选择概率大于随机数的解的周围产生新的解。

可选的，根据公式

进一步的，随机产生一个0到1之间的随机数，获取第一子解集中选择概率小于随机数的解，并根据搜索方程w

S44、根据贪婪算法确定是否保留新的解。

步骤S44的具体实现方式与上述步骤S42相同，此处不再进行赘述。

S45、判断是否有需要放弃的解。

在所有跟随蜂完成搜索过程之后，如果一个解经过多次循环后仍然没有被进一步更新，那么就认为此解陷入局部最优，该解就会被放弃。

S46、若有，侦查蜂随机根据搜索方程产生新解将需要放弃的解替换。

S47、记录到目前为止的最优解，形成更新后的第一解集。

S48、若迭代次数a小于最大迭代次数T，返回步骤S41，令迭代次数 a＝a+1；若迭代次数a等于最大迭代次数T，终止迭代，输出更新后的第一解集。

应理解，上述S41-S48仅是对人工蜂群算法的简单介绍，其具体描述可以参考现有技术，在此不予赘述。

可以看出，上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本申请实施例可以根据上述方法示例对控制装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，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。

如图6所示，本申请实施例提供一种助学金的分配装置的组成示意图，该装置包括：获取模块701和处理模块702。

获取模块701，用于获取助学金总额以及M名学生中每名学生的需资助概率，M为大于1的整数；

处理模块702，用于基于M名学生中每名学生的需资助概率，以最大化需资助概率高的学生分配到的助学金金额为目的构建效益性目标函数；以均衡每名学生分配到的助学金金额为目的构建公平性目标函数；以M名学生分配到的助学金金额之和等于助学金总额作为约束条件；

处理模块702，还用于在约束条件下，基于多目标人工蜂群算法，对效益性目标函数和公平性目标函数进行求解运算，得到非支配解集，非支配解集包括至少一个解，所述解用于指示M名学生中每名学生分配到的助学金金额。

可选的，效益性目标函数为

可选的，公平性目标函数为

可选的，所述处理模块702，还用于执行下列步骤S1-S8：S1、设定人工蜂群算法的初始化参数，初始化参数包括最大迭代次数T、解空间个数P、解空间维度K、第一解集；其中，解空间个数P用于指示第一解集中包括 P个解；

S2、根据效益性目标函数，计算第一解集中每个解的效益性适应度值；以及，根据公平性目标函数，计算第一解集中每个解的公平性适应度值；

S3、根据第一解集中每个解的效益性适应度值和公平性适应度值，确定第一解集中非支配等级为1的解，并将非支配等级为1的解存储到数据库中，非支配等级为1的解不被第一解集中的任意一个解所支配；

S4、根据人工蜂群算法更新第一解集，得到更新后的第一解集；

S5、根据效益性目标函数，计算更新后的第一解集中每个解的效益性适应度值；以及，根据公平性目标函数，计算更新后的第一解集中每个解的公平性适应度值；

S6、根据更新后的第一解集中每个解的效益性适应度值和公平性适应度值，确定更新后的第一解集中非支配等级为1的解，并将非支配等级为 1的解存储到数据库中；

S7、根据数据库中存储的每个解的效益性适应度值和公平性适应度值，计算数据库中存储的每个解的分散度，并选择分散度最大的前N个解构成第二解集；

S8、若迭代次数t小于最大迭代次数T，将第二解集替代第一解集，返回步骤S4，令迭代次数t＝t+1；若迭代次数t等于最大迭代次数T，终止迭代，并以第二解集作为非支配解集。

可选的，获取模块，还用于获取学生的运营商数据和教务数据；处理模块，还用于对学生的运营商数据和教务数据进行特征提取，得到学生的特征集；获取模块，还用于将学生的特征集输入到需资助概率模型中，获取学生的需资助概率。

如图7所示，本申请还提供一种光模块健康度的确定装置的硬件结构示意图80，包括处理器801和存储器802。可选的，处理器801和存储器 802之间通过总线804相连。

处理器801可以是中央处理器(central processing unit，CPU)，通用处理器网络处理器(network processor，NP)、数字信号处理器(digital signal processing，DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device，PLD)或它们的任意组合。处理器还可以是其它任意具有处理功能的装置，例如电路、器件或软件模块。处理器801也可以包括多个 CPU，并且处理器801可以是一个单核(single-CPU)处理器，也可以是多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。

存储器802可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory， CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，本申请实施例对此不作任何限制。存储器802 可以是独立存在，也可以和处理器801集成在一起。其中，存储器802中可以包含计算机程序代码。处理器801用于执行存储器802中存储的计算机程序代码，从而实现本申请实施例提供的方法。

通信接口803可以用于与其他设备或通信网络通信(如以太网，无线接入网(radioaccess network，RAN)，无线局域网(wireless local area networks，WLAN)等)。

总线804可以是外设部件互连标准(peripheral component interconnect， PCI)总线或扩展工业标准结构(extended industry standard architecture， EISA)总线等。所述总线804可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令，当计算机执行指令在计算机上运行时，使得计算机执行如上述实施例提供的显示方法。

本发明实施例还提供一种计算机程序产品，该计算机程序产品可直接加载到存储器中，并含有软件代码，该计算机程序产品经由计算机载入并执行后能够实现上述实施例提供的显示方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机执行指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机执行指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机执行指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘 (solid state disk，SSD))等。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括” (comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，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该以权利要求的保护范围为准。