基于文献数据的信息推送方法及装置、存储介质、终端

摘要

一种基于文献数据的信息推送方法及装置、存储介质、终端，基于文献数据的信息推送方法包括：爬取多个用户发表的文献数据，文献数据包括文献主题以及引用文献数据；如果不同文献数据的作者同名，则至少按照文献数据的主题相似度对同名的作者进行识别；根据爬取到的文献数据提取多个用户中至少部分用户所发表的文献数据以及引用文献数据，发表的文献数据包括发表的文献数量，引用文献数据包括引用文献数量；至少根据至少部分用户所发表的文献数据以及引用文献数据计算至少部分用户的评价结果；根据各个用户的评价结果进行信息推送，推送的信息包括用户和/或用户的文献数据。本发明技术方案能够真实以及准确地实现基于文献数据的信息推送。

说明书

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于文献数据的信息推送方法及装置、存储介质、终端。

背景技术

H指数(H index)是一个混合量化指标，可用于评估研究人员的学术产出数量与学术产出水平。用户的H指数是指其发表的Np篇论文中有H篇每篇至少被引H次、而其余Np-H篇论文每篇被引均小于或等于H次。

但是，现有技术中H指数对人才的发文数据和高被引数据不敏感，导致采用H指数对人才评价以及人才推荐不能反映真实情况。

发明内容

本发明解决的技术问题是如何真实以及准确地实现基于文献数据的信息推送。

为解决上述技术问题，本发明实施例提供一种基于多层引用网络的信息推送方法，基于多层引用网络的信息推送方法包括：爬取多个用户发表的文献数据，所述文献数据包括文献主题以及引用文献数据；如果不同文献数据的作者同名，则至少按照文献数据的主题相似度对同名的作者进行识别；根据爬取到的文献数据提取所述多个用户中至少部分用户所发表的文献数据以及引用文献数据，所述发表的文献数据包括发表的文献数量，所述引用文献数据包括引用文献数量；至少根据所述至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果；根据各个用户的评价结果进行信息推送，推送的信息包括所述用户和/或所述用户的文献数据。

可选的，所述至少根据所述至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果包括：利用所述引用文献数据计算引用文献总量；确定所述发表的文献数据中零被引文献数量，并计算所述零被引文献数量与剩余文献数量的加权之和；根据所述引用文献总量以及所述加权之和计算所述至少部分用户的评价结果。

可选的，所述至少根据所述至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果包括：利用所述引用文献数据计算引用文献总量；确定所述发表的文献数据中零被引文献数量，并计算所述零被引文献数量与剩余文献数量的加权之和；计算所述至少部分用户的H指数；将所述H指数与所述引用文献总量、所述加权之和进行合并，以得到所述至少部分用户的评价结果。

可选的，所述根据爬取到的多个文献数据确定所述至少部分用户所发表的文献数据以及引用文献数据包括：根据爬取到的多个文献建立发文数据库，所述发文数据库包括各个用户所发表的文献数据；根据爬取到的多个文献建立引文数据库，所述引文数据库包括各个用户所发表的文献数据所引用的文献数据；根据所述发文数据库和所述引文数据库确定所述至少部分用户所发表的文献数据的数量以及引用文献数量。

可选的，所述爬取多个用户发表的文献数据之后包括：将所述文献数据中的作者、发文机构按照预设格式进行标准化处理；和/或，如果不同文献数据的作者为同名作者，则至少按照文献数据的主题相似度对所述同名作者进行识别。

可选的，所述至少按照文献数据的主题相似度对所述作者进行识别包括：计算文献数据之间的主题相似度；如果所述主题相似度小于第一预设阈值，则确定所述同名作者所发表的文献在同一时间段内出现同名机构的比例；如果所述比例大于第二预设阈值，则确定所述同名作者所发表的文献在所述同一时间段以及同一机构内合作作者的比例；如果所述比例大于第三预设阈值，则确定所述同名作者为同一作者，否则确定所述同名作者为不同的作者。

可选的，所述文献数据包括标题、年份、来源、机构、关键词以及摘要；所述文献的类型包括论文、专利、图书以及会议报告。

为解决上述技术问题，本发明实施例还公开了一种基于文献数据的信息推送装置，基于文献数据的信息推送装置包括：文献数据爬取模块，用于爬取多个用户发表的文献数据，所述文献数据包括文献主题以及引用文献数据；同名识别模块，用于如果不同文献数据的作者同名，则至少按照文献数据的主题相似度对同名的作者进行识别；文献数据确定模块，用于根据爬取到的多个文献数据确定所述至少部分用户所发表的文献数据以及引用文献数据，所述发表的文献数据包括发表的文献数量，所述引用文献数据包括引用文献数量；评价结果计算模块，用于至少根据所述至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果；推送模块，用于根据各个用户的评价结果进行信息推送，推送的信息包括所述用户和/或所述用户的文献数据。

本发明实施例还公开了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行所述基于文献数据的信息推送方法的步骤。

本发明实施例还公开了一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行所述基于文献数据的信息推送方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

本发明技术方案中，通过利用至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果，所述发表的文献数据包括发表的文献数量，所述引用文献数据包括引用文献数量，并用于信息推送；相对于现有技术中H指数，使得计算出的用户的评价结果能够反映用户的发文量以及引用频次从而使得评价结果能够体现用户的发文数据和高被引数据。此外，通过对文献的同名作者进行区分，能够提升文献数据的准确性，能够更加真实地反映用户真实情况，进而提升信息推送(如人才推荐)的准确性。

附图说明

图1是本发明实施例一种基于文献数据的信息推送方法的流程图；

图2是图1所示步骤S103的一种具体实施方式的流程图；

图3是本发明实施例一种基于文献数据的信息推送装置的结构示意图。

具体实施方式

如背景技术中所述，现有技术中H指数对人才的发文数据和高被引数据不敏感，导致采用H指数对人才评价以及人才推荐不能反映真实情况。

本发明技术方案中，通过利用至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果，所述发表的文献数据包括发表的文献数量，所述引用文献数据包括引用文献数量，并用于信息推送；相对于现有技术中H指数，使得计算出的用户的评价结果能够反映用户的发文量以及引用频次从而使得评价结果能够体现用户的发文数据和高被引数据。此外，通过对文献的同名作者进行区分，能够提升文献数据的准确性，能够更加真实地反映用户真实情况，进而提升信息推送(如人才推荐)的准确性。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

图1是本发明实施例一种基于文献数据的信息推送方法的流程图。

本发明实施例的基于文献数据的信息推送方法可以由计算设备执行，所述计算设备可以是各种恰当的终端，例如手机、电脑、物联网设备、服务器等，但并不限于此。

本发明实施例所称文献可以是论文，也可以是专利、图书、会议报告等任意具有参考文献的文献数据，本发明实施例对此不作限制。

具体地，所述基于文献数据的信息推送方法可以包括以下步骤：

步骤S101：爬取多个用户发表的文献数据，所述文献数据包括文献主题以及引用文献数据；

步骤S102：如果不同文献数据的作者同名，则至少按照文献数据的主题相似度对同名的作者进行识别；

步骤S103：根据爬取到的文献数据提取所述多个用户中至少部分用户所发表的文献数据以及引用文献数据，所述发表的文献数据包括发表的文献数量，所述引用文献数据包括引用文献数量；

步骤S104：至少根据所述至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果；

步骤S105：根据各个用户的评价结果进行信息推送，推送的信息包括所述用户和/或所述用户的文献数据。

需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。

本实施例中的评价结果可以用于评估用户的学术产出数量与学术产出水平，可以称为H++指数，或者其他任意可实施的名称，本发明实施例对此不作限制。

在步骤S101的具体实施中，可以爬取得到多个用户的文献数据，具体可以是利用爬虫技术从多个文献来源库采集文献数据。在一个具体的应用场景中，所述多个用户可以是属于同一学科的用户。那么通过在后续步骤中计算多个用户的评价结果，可以确定出该学科内具有较高学术水平的用户，以用于人才推荐。

具体地，爬取到的文献数据可以包括标题、年份、来源、机构、关键词以及摘要，或者其他公开信息，本发明实施例对此不作限制。

需要说明的是，在爬取到文献数据之后，还可以对爬取到的文献数据进行去重、标准化处理等操作。关于爬虫技术以及数据清洗的具体实现方式可以参照现有技术，本发明实施例对此不作限制。

由于不同文献的作者的姓名可能是相同的，但指代的不是同一人，因此需要对具有同名的作者进行区分，以避免不加区分的情况下数据统计错误，保证后续计算的准确性。在步骤S102的具体实施中，可以至少根据文献的主题相似度来确定同名的作者是否是同一人。主题相似度可以是基于文献之间的标题、关键词和摘要进行计算，具体计算时可以采用自然语言处理算法，例如汉语词法分析系统(Institute of Computing Technology,Chinese Lexical Analysis System,ICTCLAS)、jieba分词和词频逆文档频率(termfrequency–inverse document frequency,TF-IDF)算法等，本发明实施例对此不作限制。

如果两篇的文献的主题相似度达到预设门限，例如60％，则可以确定两篇文章为同一领域的文章，那么可以验证同名的作者为同一人。如果发现主题相似度低于预设门限，则认为同名的作者不是同一人。

经过步骤S102的数据清洗之后，爬取到的文献数据具有更高的准确性，为后续评价结果计算的准确性奠定了基础。

在步骤S103-步骤S104的具体实施中，对于至少部分用户，可以确定其发表的文献数据，如至少部分用户发表文献的文献数量、标题、年份、来源、机构、关键词以及摘要等；以及至少部分用户所发表文献的引用文献数据，如引用文献数量、引用文献的标题、年份、来源、机构、关键词以及摘要等。在计算至少部分用户的评价结果时，可以至少利用发表的文献数量以及引用文献数量进行计算。由此，可以在用户的评价结果中体现用户的发文量以及引用频次。

具体地，评价结果可以是数值的形式，例如得分，也可以是等级的形式。评价结果与发表的文献数量以及引用文献数量均是正相关，用户发表的文献数量越多，该用户的评价结果也越高；用户的引用文献数量越多，该用户的评价结果也越高。

本发明实施例的评价结果能够反映用户发文量，也能够反映引用量。对于发文少但文献引用量高的用户而言，采用本发明实施例能够获得较高的评价结果，从而解决了现有技术对于做冷门研究的人才评价不科学，以及引用滞后性带来的问题。

进而在步骤S105的具体实施中，通过用户的评价结果对用户进行信息推送，可以提升人才推荐的准确性。

本发明一个具体实施例中，可以将计算得到的各个用户的评价结果存储下来，形成人才数据库。人才数据库包括各个用户的标识及其对应的评价结果。进一步地，人才数据库中的数据还可以定时更新。

在本发明一个非限制性的实施例中，图1所示步骤S104可以包括以下步骤：利用所述引用文献数据计算引用文献总量；确定所述发表的文献数据中零被引文献数量，并计算所述零被引文献数量与剩余文献数量的加权之和；根据所述引用文献总量以及所述和计算所述至少部分用户的评价结果。

本实施例中，用户发表的文献中存在零被引文献，也即该文献不存在引用文献；零被引文献对用户的评价结果的影响比较小，故而可以通过将其数量与剩余文献的数量的加权计算评价结果，以减小零被引文献对用户的评价结果的影响。该加权之和可以反映用户发表的文献数量。

此外，还可以计算引用文献总量，也即对于待评级用户发表的所有文献，将其引用文献的数量进行求和，可以得到引用文献总量。基于引用文献总量以及上述加权之和可以计算出用户的评价结果。

需要说明的是，可以采用任意可实施的数学运算方式对引用文献总量以及上述加权之和进行运算，以获得用户的评价结果。例如，可以直接对引用文献总量和上述和求和、求乘积；或者，引用文献总量数值较大，为了避免其对评价结果的影响过大，可以对其求平方根、立方根、对数等操作，在此基础上，再与上述和求和、求乘积等，本发明实施例对此不作限制。

在本发明另一个非限制性的实施例中，图1所示步骤S104可以包括以下步骤：利用所述引用文献数据计算引用文献总量；确定所述发表的文献数据中零被引文献数量，并计算所述零被引文献数量与剩余文献数量的加权之和；计算所述至少部分用户的H指数；将所述H指数与所述引用文献总量、所述和进行合并，以得到所述至少部分用户的评价结果。

与前述实施例不同的是，本发明实施例除了计算引用文献总量以及上述加权之和外，还计算至少部分用户的H指数。并基于H指数与引用文献总量以及上述加权之和计算至少部分用户的评价结果。

需要说明的是，可以采用任意可实施的数学运算方式对H指数、引用文献总量以及上述加权之和进行运算，以获得用户的评价结果。关于计算H指数的具体实现方式可以参照现有，本发明实施例在此不再赘述。

本发明一个具体实施例中，请参照图2，图1所示步骤S103可以包括以下步骤：

步骤S201：根据爬取到的多个文献建立发文数据库，所述发文数据库包括各个用户所发表的文献数据；

步骤S202：根据爬取到的多个文献建立引文数据库，所述引文数据库包括各个用户所发表的文献数据所引用的文献数据；

步骤S203：根据所述发文数据库和所述引文数据库确定所述至少部分用户所发表的文献数据的数量以及引用文献数量。

本实施例中，爬取到的多个文献可以形成人才文献库，例如人才论文数据库。在此基础上，可以对人才文献库中的数据进行拆分，形成发文数据库和引文数据库。发文数据库主要用于存储人才所发表的所有文献数据(包括标题、发表年份、来源期刊、所属机构、关键词、摘要等信息)，引文数据库主要用于存储人才所发表文献中引用其他文献的数据，进而形成人才引用其他人的数据，反过来则能够为指定的人才筛选出引用人及引用次数。

具体而言，后续步骤在确定至少部分用户所发表的文献数据时，可以是基于发文数据库中的数据确定的；在确定至少部分用户的引用文献数据时，可以是基于引文数据库中的数据确定的。

在本发明一个非限制性的实施例中，图1所示步骤S101之后可以包括以下步骤：将所述文献数据中的作者、发文机构按照预设格式进行标准化处理。

本发明实施例可以对爬取到的数据进行清洗处理。可以将所述文献数据中的作者、发文机构按照预设格式进行标准化处理。如作者在文献中不同的简写方法的格式化处理以及同一作者描述的标准化处理，同名作者不同论文的区分与处理，以及论文中不同机构描述方法的标准化处理等。

更进一步而言，在区分同名作者不同论文时，可以通过以下步骤实现：计算文献数据之间的主题相似度；如果所述主题相似度小于第一预设阈值，则确定所述同名作者所发表的文献在同一时间段内出现同名机构的比例；如果所述比例大于第二预设阈值，则确定所述同名作者所发表的文献在所述同一时间段以及同一机构内合作作者的比例；如果所述比例大于第三预设阈值，则确定所述同名作者为同一作者，否则确定所述同名作者为不同的作者。

具体实施中，由于作者名称的写法不同，例如姓在前名在后，名在前姓在后，姓名简写等问题，因此本实施例中，可以预先进行作者名称的初步识别，再进行同名作者的去重处理。首先抽取所有文献中的作者信息，并将所有的作者进行排序，扫描排序中完全相同名称的作者做第一次合并，形成初步作者集合。进而将剩余作者，按照作者名称字母顺序进行顺序排列，并进行两两对比，如果对比下来两个字符串完全匹配较短字符串的顺序，则认为这两个姓名有可能是同一个人；为了进一步确认，需要将两个原始名称中的“姓”和“名”提取出来，按照姓、名的不同排列方式进行比对(比对方法同上，但不进行字母顺序调整)。如果遍历所有的排列方式，出现了一种最短匹配的排列方式(例如：Thomas Huang和T.Huang)，则进一步确认这两个名称疑似为同一人，进行第二次合并，放入初步作者集合中。进行第二次合并，并补充进初步作者集合。

在初步作者集合中，对同名作者进行区分处理。具体地，遍历同名作者的所有文章，两两对比文章的相似性，以确认是否为同一领域。相似性对比可以采用标题、关键词和摘要进行对比，例如使用ICTCLAS、jieba分词和TF-IDF算法进行计算。如果主题相似度超过第一预设阈值(例如60％)，则可以确定两篇文章为同一领域的文章，初步验证同名作者为同一人。如果发现主题相似度低于第一预设阈值，则认为同名作者可能不是同一人。上述步骤结束后均需进一步处理。

识别作者所在机构。根据文章中对应的作者机构进行同名处理，如果初步验证为同一人，则根据文章发表年份，识别出作者所在机构的时间。如果初步验证不是同一人，则需进一步识别机构，判定同一时间段内(例如5年)出现同名机构的比例，如果比例超过阈值第二预设阈值(例如0.5)，则说明两种情况，一种是同一机构中出现了不同专业的两个同名的人，另一种是此人是同一个人，但是研究方向发生了变化。因此，需要进一步判定其合作者。

如果在同一时间段和同一机构内相同合作者的比例超过第三预设阈值(例如30％)，则认为此人是同一人，只是研究方向发生了变化；如果比例低于第三预设阈值，则说明两人为同一机构的不同的作者。经过上述处理后，根据前述规则，能够区分不同文献数据的同名作者，从而进行作者的归类与机构的识别。

本发明实施例还公开了一种基于文献数据的信息推送装置30，基于文献数据的信息推送装置30可以包括：

文献数据爬取模块301，用于爬取多个用户发表的文献数据，所述文献数据包括文献主题以及引用文献数据；

同名识别模块302，用于如果不同文献数据的作者同名，则至少按照文献数据的主题相似度对同名的作者进行识别；

文献数据确定模块303，用于根据爬取到的多个文献数据确定所述至少部分用户所发表的文献数据以及引用文献数据，所述发表的文献数据包括发表的文献数量，所述引用文献数据包括引用文献数量；

评价结果计算模块304，用于至少根据所述至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果；

推送模块305，用于根据各个用户的评价结果进行信息推送，所述信息包括所述用户和/或所述用户的文献数据。

本发明实施例中，通过利用至少部分用户所发表的文献数据以及所述引用文献数据计算所述至少部分用户的评价结果，所述发表的文献数据包括发表的文献数量，所述引用文献数据包括引用文献数量，并用于信息推送；相对于现有技术中H指数，使得计算出的用户的评价结果能够反映用户的发文量以及引用频次从而使得评价结果能够体现用户的发文数据和高被引数据。此外，通过对文献的同名作者进行区分，能够提升文献数据的准确性，能够更加真实地反映用户真实情况，进而提升信息推送(如人才推荐)的准确性。

关于所述基于文献数据的信息推送装置30的工作原理、工作方式的更多内容，可以参照图1至图2中的相关描述，这里不再赘述。

本发明实施例还公开了一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时可以执行图1或图2中所示方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。

本发明实施例还公开了一种终端，所述终端可以包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序。所述处理器运行所述计算机程序时可以执行图1或图2中所示方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。

本申请实施例中的终端可以指各种形式的终端、接入终端、用户单元、用户站、移动站、移动台(mobile station，建成MS)、远方站、远程终端、移动设备、用户终端、终端设备(terminal equipment)、无线通信设备、用户代理或用户装置。终端设备还可以是蜂窝电话、无绳电话、会话启动协议(Session Initiation Protocol，简称SIP)电话、无线本地环路(Wireless Local Loop，简称WLL)站、个人数字处理(Personal Digital Assistant，简称PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备，未来5G网络中的终端设备或者未来演进的公用陆地移动通信网络(Public Land Mobile Network，简称PLMN)中的终端设备等，本申请实施例对此并不限定。

应理解，本文中术语“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。另外，本文中字符“/“，表示前后关联对象是一种“或”的关系。

本申请实施例中出现的“多个”是指两个或两个以上。

本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。

本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式，以实现设备间的通信，本申请实施例对此不做任何限定。

应理解，本申请实施例中，所述处理器可以为中央处理单元(central processingunit，简称CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(application specific integrated circuit，简称ASIC)、现成可编程门阵列(field programmable gate array，简称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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称ROM)、可编程只读存储器(programmable ROM，简称PROM)、可擦除可编程只读存储器(erasable PROM，简称EPROM)、电可擦除可编程只读存储器(electricallyEPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(random accessmemory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称RAM)可用，例如静态随机存取存储器(staticRAM，简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，简称DR RAM)。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机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，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线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。所述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用介质集合的服务器、数据中心等数据存储设备。所述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。半导体介质可以是固态硬盘。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的；例如，所述单元的划分，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；例如多个单元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接口，装置或单元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单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。