一种对象匹配方法、装置、设备及存储介质

技术领域

本发明实施例涉及计算机应用领域，尤其涉及一种对象匹配方法、装置、设备及存储介质。

背景技术

随着互联网的快速发展，基于互联网医院的在线问诊医疗系统逐渐兴起，用户可以通过互联网医院进行在线问诊。

在实际应用中，用户经常会通过在线问诊医疗系统中的问诊功能进行在线问诊，当问诊功能被触发时，在线问诊医疗系统中的分诊派单模块根据各医生的综合评分为该用户分派(即匹配)医生进行接诊。

在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：目前匹配出的医生(即目标匹配对象)和用户(即待匹配对象)间的匹配度较低，这会导致较高的转诊率、退诊率等等，用户体验不佳。

发明内容

本发明实施例提供了一种对象匹配方法、装置、设备及存储介质，以实现为待匹配对象匹配出匹配度较高的目标匹配对象的效果。

第一方面，本发明实施例提供了一种对象匹配方法，可以包括：

在检测到对象匹配事件时，获取与对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息；

针对每个候选匹配对象的候选匹配信息，根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度；

根据各候选匹配对象的匹配度，从各候选匹配对象中确定出与待匹配对象匹配的目标匹配对象；

其中，待匹配信息包括需接受技能信息和/或服务时效需求信息，候选匹配信息包括可提供技能信息和/或服务时效提供信息。

第二方面，本发明实施例还提供了一种对象匹配装置，可以包括：

匹配信息获取模块，用于在检测到对象匹配事件时，获取与对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息；

匹配度确定模块，用于针对每个候选匹配对象的候选匹配信息，根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度；

对象匹配模块，用于根据各候选匹配对象的匹配度，从各候选匹配对象中确定出与待匹配对象匹配的目标匹配对象；

其中，待匹配信息包括需接受技能信息和/或服务时效需求信息，候选匹配信息包括可提供技能信息和/或服务时效提供信息。

第三方面，本发明实施例还提供了一种对象匹配设备，可以包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的对象匹配方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的对象匹配方法。

本发明实施例的技术方案，获取与检测得到的对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息，其中待匹配信息可包括需接受技能信息和/或服务时效需求信息，候选匹配信息可包括可提供技能信息和/或服务时效提供信息；进而，针对每个候选匹配对象的候选匹配信息，可以根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度，其可以表示出待匹配对象和候选匹配对象在技能和/或服务时效方面的匹配性；据此，根据各个候选匹配对象的匹配度，可以从各候选匹配对象中确定出与该待匹配对象匹配的目标匹配对象，该目标匹配对象可以是在技能和/或服务时效方面与该待匹配对象更为匹配的候选匹配对象。上述技术方案，充分考虑到待匹配对象和候选匹配对象在技能和/或服务时效方面的匹配性，由此为该待匹配对象匹配出的目标匹配对象与该待匹配对象在技能和/或服务时效方面可具有较高的匹配度，在将其应用于在线问诊场景时，可以在较大程度上降低转诊率、退诊率等等，提升了用户体验。

附图说明

图1是本发明实施例一中的一种对象匹配方法的流程图；

图2是本发明实施例二中的一种对象匹配方法的流程图；

图3是本发明实施例三中的一种对象匹配方法的流程图；

图4是本发明实施例三中的一种对象匹配方法中第一可选示例的示意图；

图5是本发明实施例三中的一种对象匹配方法中第二可选示例的示意图；

图6是本发明实施例四中的一种对象匹配装置的结构框图；

图7是本发明实施例五中的一种对象匹配设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在介绍本发明实施例之前，先对本发明实施例的应用场景进行示例性说明：在在线问诊场景中，由于分诊派单模块在匹配医生时只是考虑了各医生的综合评分，其忽略了用户和医生间的匹配度，那么为某用户匹配的医生可能是无法诊治该用户的疾病的医生，比如某用户的疾病隶属于内科，其匹配出的医生也隶属于内科，但是在内科下面还有很多的子科室比如胃科、肝胆科等等，各子科室下的医生能够诊治的疾病并不相同，这就容易导致较高的转诊率(由医生转诊)；再比如，当某用户需要医生快速接诊时，其为该用户匹配出的医生可能无法立即提供接诊服务，这就容易导致较高的退诊率(由用户退诊)。

在此基础上，为了解决上述技术问题，本发明在下述各个实施例中阐述的对象匹配方法充分考虑到了用户和医生间的匹配度，尤其是在技能和服务时效方面的匹配度，由此可以为该用户匹配出能够满足其实际需求的用户。该对象匹配方法的具体实现过程如下所述。

实施例一

图1是本发明实施例一中提供的一种对象匹配方法的流程图。本实施例可适用于为待匹配对象匹配出与其在技能和服务时效方面匹配度较高的目标对象的情况。该方法可以由本发明实施例提供的对象匹配装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在对象匹配设备上，该设备可以是各种用户终端或服务器。

参见图1，本发明实施例的方法具体包括如下步骤：

S110、在检测到对象匹配事件时，获取与对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息，其中待匹配信息包括需接受技能信息和/或服务时效需求信息，候选匹配信息包括可提供技能信息和/或服务时效提供信息。

其中，对象匹配事件可以是用于为相应的待匹配对象匹配出与其在技能和服务时效方面匹配度较高的目标对象的事件，在不同的应用场景中，其的触发机制可以存在差异性，示例性的，在在线问诊场景中，当接收到来自某用户的病情描述信息时可以触发该对象匹配事件，此时的待匹配对象可以是该用户；在法律咨询场景中，接收到来自某用户的法律问题描述信息时可以触发该对象匹配事件，此时的待匹配对象也可以是该用户；等等，在此未做具体限定。

因此，在检测到该对象匹配事件时，可以获取与该对象匹配事件对应的待匹配对象的待匹配信息，该待匹配信息可以表示出该待匹配对象的需接受技能信息和/或服务时效需求信息。具体的，需接受技能信息可以是与该待匹配对象需要接受的技能相关的信息，该技能在不同的应用场景中可以有不同的含义，示例性的，在在线问诊场景中，该技能可以是能够诊治该待匹配对象需要问诊的病情的技术能力；在法律咨询场景中，该技能可以是能够答复该待匹配对象需要咨询的法律问题的技术能力；等等。服务时效需求信息可以是与该待匹配对象对服务时效方面的需求相关的信息，如立即完成某种服务、在预设时间段内完成某种服务等等，该服务在不同的应用场景中可以有不同的含义，比如在在线问诊场景中可以是接诊服务，在法律咨询场景中可以是答复服务等等。

与此同时，还可以获取与该对象匹配事件对应的各个候选匹配对象的候选匹配信息，其中候选匹配对象可以是从各可匹配对象中确定的与相应的待匹配对象具有一定匹配度的对象，示例性的，在在线问诊场景中，可匹配对象可以是在线问诊医疗系统上全部的医生，候选匹配对象可以是各医生中隶属于与待匹配对象的病情相关的科室下的医生；在法律咨询场景中，可匹配对象可以是某律所内全部的律师，候选匹配对象可以是各律师中与待匹配对象咨询的法律问题相关的法律分支下的律师；等等。在此基础上，针对每个候选匹配对象，其候选匹配信息可以表示出该候选匹配对象的可提供技能信息和/或服务时效提供信息。具体的，可提供技能信息可以是与该候选匹配对象能够提供的技能相关的信息，该技能在不同的应用场景中可以具有不同的含义，示例性的，在在线问诊场景中，该技能可以是能够诊治相应的待匹配对象需要问诊的病情的技术能力；在法律咨询场景中，该技能可以是能够答复相应的待匹配对象需要咨询的法律问题的技术能力；等等。服务时效提供信息可以是与候选匹配对象能够提供怎样的服务时效相关的信息，如能够立即完成某种服务、能够在预设时间段内完成某种服务等等，该服务在不同的应用场景中可以有不同的含义，如在在线问诊场景中可以是接诊服务，在法律咨询场景中可以是答复服务等。

除此之外，在实际应用中，可选的，待匹配信息还可以包括待匹配对象和候选匹配对象间的历史交互信息、待匹配对象在当前时间段内的对象偏好信息、在历史时间段内的第一对象历史信息(如历史行为信息、历史属性信息)等等；候选匹配信息还可包括候选匹配对象在当前时间段内的服务完成信息、在历史时间段内的第二对象历史信息(如历史行为信息、历史偏好信息)等等。上述待匹配信息和候选匹配信息可以理解为能够表示出待匹配对象和候选匹配对象间的匹配度高低的信息。

S120、针对每个候选匹配对象的候选匹配信息，根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度。

其中，由于需要从各候选匹配对象中确定出与待匹配对象的匹配度较高的目标匹配对象，因此可以先分别确定该待匹配对象和每个候选匹配对象之间的匹配度。具体的，针对每个候选匹配对象，根据待匹配对象的待匹配信息和该候选匹配对象的候选匹配信息，可以确定该待匹配对象和该候选匹配对象间的匹配度。在实际应用中，可选的，可以通过多种方式确定匹配度，比如先分别对待匹配信息和候选匹配信息进行特征表示，得到待匹配特征和候选匹配特征，再根据该待匹配特征和该候选匹配特征间的相似度确定匹配度；再如将待匹配信息和候选匹配信息输入至已训练完成的对象匹配模型中，并根据该对象匹配模型的输出结果得到匹配度；等等，在此未做具体限定。需要说明的是，由于待匹配信息可包括需接受技能信息和/或服务时效需求信息，且候选匹配信息可包括可提供技能信息和/或服务时效提供信息，因此根据二者得到的匹配度可以理解为待匹配对象和候选匹配对象在技能和/或时效服务方面的匹配性。

S130、根据各候选匹配对象的匹配度，从各候选匹配对象中确定出与待匹配对象匹配的目标匹配对象。

其中，在得到待匹配对象和每个候选匹配对象的匹配度之后，可以根据各匹配度从各候选匹配对象中确定出与该待匹配对象更为匹配的目标匹配对象，比如将具有最高匹配度的候选匹配对象作为目标匹配对象，再比如对各匹配度以从高到低的顺序进行排序，并将排序在前面的预设数量的匹配度对应的候选匹配对象作为目标匹配对象，等等，在此未做具体限定。需要说明的是，由于匹配度可以表示出该待匹配对象和相应的候选匹配对象在技能和/或时效服务方面的匹配性，因此由此得到的目标匹配对象可以是在技能和/或时效服务方面与待匹配对象更为匹配的候选匹配对象。

本发明实施例的技术方案，获取与检测得到的对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息，其中待匹配信息可包括需接受技能信息和/或服务时效需求信息，候选匹配信息可包括可提供技能信息和/或服务时效提供信息；进而，针对每个候选匹配对象的候选匹配信息，可以根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度，其可以表示出待匹配对象和候选匹配对象在技能和/或服务时效方面的匹配性；据此，根据各个候选匹配对象的匹配度，可以从各候选匹配对象中确定出与该待匹配对象匹配的目标匹配对象，该目标匹配对象可以是在技能和/或服务时效方面与该待匹配对象更为匹配的候选匹配对象。上述技术方案，充分考虑到待匹配对象和候选匹配对象在技能和/或服务时效方面的匹配性，由此为该待匹配对象匹配出的目标匹配对象与该待匹配对象在技能和/或服务时效方面可具有较高的匹配度，在将其应用于在线问诊场景时，可以在较大程度上降低转诊率、退诊率等等，提升了用户体验。

实施例二

图2是本发明实施例二中提供的一种对象匹配方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，待匹配对象包括待问诊对象，候选匹配对象包括候选接诊对象。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图2，本实施例的方法具体可以包括如下步骤：

S210、在检测到对象匹配事件时，获取与对象匹配事件对应的待问诊对象的待匹配信息和各候选接诊对象的候选匹配信息，其中待匹配信息包括需接受技能信息和/或服务时效需求信息，候选匹配信息包括可提供技能信息和/或服务时效提供信息。

其中，待问诊对象可以是待进行问诊的对象，候选接诊对象可以是候选的能够进行接诊的对象。在此基础上，可选的，需接受技能信息可以是与待问诊对象需要接受的能够诊治该待问诊对象的疾病的医疗技能有关的信息，可提供技能信息可以是与候选接诊对象能够提供的可以诊治哪种疾病的医疗技能有关的信息；服务时效需求信息可以是与待问诊对象在接诊时效方面的需求相关的信息，服务时效提供信息可以是与候选接诊对象可提供的接诊时效相关的信息。

S220、针对每个候选接诊对象的候选匹配信息，根据待匹配信息和候选匹配信息确定待问诊对象和候选接诊对象间的匹配度。

S230、根据各候选接诊对象的匹配度，从各候选接诊对象中确定出与待问诊对象匹配的目标匹配对象。

在此基础上，可选的，还可以将待问诊对象的问诊单分派给目标接诊对象，以使目标接诊对象在接收到该问诊单后对待问诊对象进行接诊。

本发明实施例的技术方案，在为待问诊对象匹配合适的目标接诊对象时，充分考虑到待问诊对象和各候选接诊对象在医疗技能和接诊时效方面的匹配度，从而降低了转诊率、退诊率等等，进而提升了待问诊对象的问诊体验。

在此基础上，可选的，当待匹配信息包括需接受技能信息，候选匹配信息包括可提供技能信息时，获取与对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息，可以包括：获取与对象匹配事件对应的待问诊对象输入的病情描述信息，并根据病情描述信息确定待问诊对象的需接受技能信息；针对对象匹配事件对应的每个候选接诊对象，获取候选接诊对象的医疗技能信息，根据医疗技能信息确定候选接诊对象的可提供技能信息，其中医疗技能信息包括所属科室信息、疾病擅长信息和开方权限信息中的至少一个。其中，在从技能方面考虑时，需接受技能信息可以根据待问诊对象输入的病情描述信息确定，该病情描述信息可以是由待问诊对象直接或是间接输入的用于对其目前的疾病状态进行描述的信息；可提供技能信息可以根据候选接诊对象的医疗技能信息确定，该医疗技能信息可以表示该候选接诊对象在医疗上具有哪些技能，其可以包括所属科室信息、疾病擅长信息和开方权限信息中的至少一个，当然还可以包括其余的与医疗技能相关的信息，在此并未做具体限定。其中所属科室信息可以表示该候选接诊对象属于哪个科室，疾病擅长信息可以表示该候选接诊对象擅长诊治哪种疾病，开方权限信息可以表示出该候选接诊对象是否具有开方权限、对哪些药方具有开药权限等等。上述技术方案给出了需接受技能信息和可提供技能信息在在线问诊场景中的确定依据，由此提高了二者的确定准确度。

可选的，当待匹配信息包括服务时效需求信息，且候选匹配信息包括服务时效提供信息时，获取与对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息，可包括：判断与对象匹配事件对应的待问诊对象是否触发极速问诊功能，并根据判断结果确定待问诊对象的服务时效需求信息；针对与对象匹配事件对应的每个候选接诊对象，获取候选接诊对象的接诊时效信息，并根据接诊时效信息确定候选接诊对象的服务时效提供信息。其中，在从服务时效方面考虑时，服务时效需求信息可根据待问诊对象是否触发了极速问诊功能确定，这是因为触发了该极速问诊功能的待问诊对象表示其希望可以尽快得到接诊服务，即其更偏好具有较高的接诊时效的候选接诊对象，此时的服务时效需求信息可以是与尽快得到接诊服务有关的信息；在此基础上，服务时效提供信息可以根据候选接诊对象的接诊时效信息确定，这是因为接诊时效信息可以是与该候选接诊对象能够以怎么样的时效完成接诊服务有关的信息，示例性的，其可以包括候选接诊对象在当前接诊时间段内的当前接诊时效信息和/或在历史接诊时间段内的历史接诊时效信息，当前接诊时效信息可包括对象活跃度、接诊开关开启标识、当前接诊单数和对象疲劳度中的至少一个，历史接诊时效信息可以包括对象平均接诊时长、对象平均首回时长和对象平均沟通轮次中的至少一个。其中，当前接诊时间段可以是对象匹配事件被检测到时的时间段，比如其被检测到时的当周、当天、当小时等等；历史接诊时间段可以是该对象匹配事件被检测到前的时间段，比如其被检测到前的一个月、一周、一天等等。当前接诊时效信息可以是在当前时间段内的接诊时效信息，其中的对象活跃度可以表示出候选接诊对象目前是否正在活跃接诊，而处于活跃接诊状态的候选接诊对象能够快速提供接诊服务的可能性比较；接诊开关开启标识可以表示候选接诊对象是否开启了接诊开关，其可以表示出候选接诊对象是否愿意接诊的一种意愿，而且原意接诊的候选接诊对象能够快速提供接诊服务的可能性比较大；当前接诊单数可以表示出候选接诊对象在当前接诊时间段内的接单数量，而当前接诊单数较少的候选接诊对象能够快速提供接诊服务的可能性比较大；对象疲劳度可以表示出候选接诊对象在当前时间段内的疲劳度，其可以通过当前接诊单数确定，比如以sigmod函数为例，自变量是当前接诊单数，因变量是对象疲劳度，在当前接诊单数超过预设单数阈值时，对象疲劳度极速上升，这可能导致该候选接诊对象无法快速提供接诊服务。历史接诊时效信息可以是在历史时间段内的接诊时效信息，其中的对象平均接诊时长可以表示出候选接诊对象在历史接诊时间段内的各次接诊时长的平均值，其可以呈现出该候选接诊对象的接诊服务完成效率；对象平均首回时长可以表示出该候选接诊对象在历史接诊时间段内的各次接诊中从开始接诊到首次回复的时长平均值，其可以呈现出该候选接诊对象的首次回复效率；对象平均沟通轮次可以表示出候选接诊对象在历史接诊时间段内的各次接诊中完成接诊服务需要进行的沟通轮次的平均值，其可以呈现出该候选接诊对象的接诊服务完成效率。上述这些历史接诊时效信息均能够表示出候选接诊对象是否能够快速完成接诊服务，即上述技术方案给出了服务时效需求信息和服务时效提供信息在在线问诊场景中的确定依据，由此提高了二者的确定准确度。

可选的，获取与对象匹配事件对应的待匹配对象的待匹配信息，可以包括：获取对象匹配事件对应的待问诊对象在当前问诊时间段内的对象偏好信息和/或在历史问诊时间段内的第一对象历史信息，并将对象偏好信息和/或第一对象历史信息作为待匹配信息。其中，当前问诊时间段可以是对象匹配事件被检测到时的时间段，比如其被检测到时的当周、当天、当小时等等，其与当前接诊时间段可以相同或是不同，在此未做具体限定；历史问诊时间段可以是该对象匹配事件被检测到前的时间段，比如其被检测到前的一个月、一周、一天等等，其与历史接诊时间段也是可以相同或不同，在此未做具体限定。对象偏好信息可以是与待问诊对象在当前问诊时间段内的偏好有关的信息，其可以包括对各候选科室的浏览次数、对各候选科室的点击次数、末次点击科室、中医院访问标识和搜索医生功能触发标识中的至少一个，其中浏览次数相当于某候选科室的曝光次数，或是说与该候选科室对应的链接的加载次数，在实际应用中，当存在个性化推送服务或是从各候选科室返回首页时存在差异时，各候选科室的浏览次数不再相同；点击次数可以表示出待问诊对象对某候选科室进行点击的次数，点击次数越高说明待问诊对象对该候选科室的感兴趣度越高；末次点击科室可以表示出待问诊对象最后点击的候选科室，即待问诊对象实时感兴趣的候选科室；中医院访问标识可以表示出待问诊对象是否希望访问中医院，即待问诊对象是否对中医院感兴趣；搜索医生功能触发标识可以表示出待问诊对象是否触发了搜索医生功能，其可以呈现出该待问诊对象是否希望在技能方面的匹配度更高的候选接诊对象进行接诊，此时可以为该待问诊对象匹配与其搜索的目标搜索医生更为相似的候选接诊对象。第一对象历史信息可以是与待问诊对象在历史问诊时间段内的行为和/或属性有关的信息，其可包括对各候选科室的问诊次数、末次问诊科室、末次问诊时的新用户标识、会员用户标识和慢性疾病标识中的至少一个，其中对各候选科室的问诊次数和末次问诊科室可以是待问诊对象的历史行为信息，末次问诊时的新用户标识、会员用户标识和慢性疾病标识可以是待问诊对象的历史属性信息，其中的末次问诊时的新用户标识和会员用户标识主要是从留住新用户和为优质用户提供更好地接诊服务的角度而设置，慢性疾病标识可以表示出待问诊对象的疾病是否为慢性疾病，若是则说明其需要多次问诊，则可以为其匹配先前被该待问诊对象给出过好评的候选接诊对象。上述技术方案给出了从不同角度考虑的待匹配信息，待匹配信息的多角度考虑提高了后续的匹配度确定的准确性。

再可选的，获取与对象匹配事件对应的各候选匹配对象的候选匹配信息，可以包括：针对对象匹配事件对应的每个候选接诊对象，获取候选接诊对象在当前接诊时间段内的接诊完成信息和/或在历史接诊时间段内的第二对象历史信息，并将接诊完成信息和/或第二对象历史信息作为候选匹配信息。其中接诊完成信息可以是与候选接诊对象在当前接诊时间段内的对各次接诊服务的完成情况有关的信息，其可包括对象接诊完成率、对象拒诊率、对象退诊率、对象转诊率和对象好评率中的至少一个，其中对象接诊完成率可以是候选接诊对象完成的接诊服务的数量在全部的接诊服务的数量中的比例，对象拒诊率可以是候选接诊对象拒绝的接诊服务的数量在全部的接诊服务的数量中的比例，对象退诊率可以是候选接诊对象被待问诊对象退诊的接诊服务的数量在全部的接诊服务的数量中的比例，对象转诊率可以是候选接诊对象转出的接诊服务的数量在全部的接诊服务的数量中的比例，对象好评率可以是该候选接诊对象得到待问诊对象的好评的接诊服务的数量在全部的接诊服务的数量中的比例。第二对象历史信息可以是与候选接诊对象在历史接诊时间段内的行为和/或属性有关的信息，其可包括对象性别、对象职业级别、对象职业类型、对象中西医类型和历史接诊单数中的至少一个，其中对象性别、对象职业级别、对象职业类型和对象中西医类型可以是候选接诊对象的历史属性信息，历史接诊单数可以是该候选接诊对象的历史行为信息。上述技术方案给出了从不同角度考虑的候选匹配信息，候选匹配信息的多角度考虑提高了后续的匹配度确定的准确性。

实施例三

图3是本发明实施例三中提供的一种对象匹配方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，已训练完成的对象匹配模型包括第一特征表示层、第二特征表示层和匹配层，根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度，可包括：将待匹配信息输入至第一特征表示层中，得到待匹配特征，并且将候选匹配信息输入至第二特征表示层中，得到候选匹配特征；将待匹配特征和候选匹配特征输入至匹配层中，得到待匹配对象和候选匹配对象间的匹配度，其中匹配层是根据待匹配特征和候选匹配特征的拼接结果计算匹配度。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图3，本实施例的方法具体可以包括如下步骤：

S310、在检测到对象匹配事件时，获取与对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息，其中待匹配信息包括需接受技能信息和/或服务时效需求信息，候选匹配信息包括可提供技能信息和/或服务时效提供信息。

S320、针对每个候选匹配对象的候选匹配信息，将待匹配信息输入至已经训练完成的对象匹配模型中的第一特征表示层中，得到待匹配特征，且将候选匹配信息输入至对象匹配模型中的第二特征表示层中，得到候选匹配特征。

其中，第一特征表示层可以是用于将待匹配信息表示为待匹配特征的网络层，因此将待匹配信息输入至该第一特征表示层后可以得到待匹配特征；第二特征表示层可以是用于将候选匹配信息表示为候选匹配特征的网络层，因此将候选匹配信息输入至该第二特征表示层后可以得到候选匹配特征。实际应用中，第一特征表示层和第二特征表示层均可以理解为能够进行特征表示的网络层，二者可以因为输入信息的不同而在网络结构上存在差异，在此未做具体限定。

S330、将待匹配特征和候选匹配特征输入至对象匹配模型中的匹配层中，得到待匹配对象和候选匹配对象间的匹配度，其中匹配层是根据待匹配特征和候选匹配特征的拼接结果计算匹配度。

其中，匹配层可以是用于根据待匹配特征和候选匹配特征的拼接结果确定匹配度的网络层，即其可以先对输入至匹配层中的待匹配特征和候选匹配特征进行拼接，然后基于拼接结果进行匹配度的确定。需要说明的是，相对于先对待匹配特征和/或候选匹配特征进行维度转化以使二者的特征维度一致，然后再基于特征维度一致的待匹配特征和候选匹配特征计算空间值，并根据该空间值确定匹配度的技术方案，本步骤无需进行任何的维度转化，而是直接将原始的待匹配特征和候选匹配特征输入到一个网路层(即匹配层)中，并在该匹配层中直接对全部的特征进行处理，由此提高了匹配度确定的准确性。

S340、根据各候选匹配对象的匹配度，从各候选匹配对象中确定出与待匹配对象匹配的目标匹配对象。

本发明实施例的技术方案，通过特征表示层对匹配信息进行特征表示，并将由此得到的匹配特征输入至用于根据匹配特征之间的拼接结果确定匹配度的匹配层中，由此得到了确定精度比较高的匹配度。

在此基础上，可选的，当待匹配信息为需接受技能信息时，将待匹配信息输入至第一特征表示层中，得到待匹配特征，可包括：基于第一特征表示层中的第一多层双向转换编码器对需接受技能信息进行特征表示，得到需接受技能信息的待匹配特征。其中，由于需接受技能信息属于文本信息，为了实现文本信息的特征表示，可以基于第一多层双向转换编码器对其进行特征表示，得到相应的待匹配特征。在实际应用中，可选的，第一多层双向转换编码器可以是一种来自变换器(Transformers)的双向编码器表征(BidirectionalEncoder Representations from Transformers，BERT)模型，第一多层双向转换编码器的应用提高了需接受技能信息进行特征表示时的表示效率和表示准确性。

可选的，当候选匹配信息为可提供技能信息时，将候选匹配信息输入至第二特征表示层中，得到候选匹配特征，可以包括：基于第二特征表示层中第二多层双向转换编码器对可提供技能信息进行特征表示，得到可提供技能信息的候选匹配特征。第二多层双向转换编码器与上文中的第一多层双向转换编码器的实际情况类似，在此不再赘述。需要说明的是，由于二者的输入信息不同，因此它们的网络结构可以相同也可以不同，在此未做具体限定。

可选的，待匹配信息还包括待匹配对象和候选匹配对象间的历史交互信息，将待匹配信息输入至第一特征表示层中，得到待匹配特征，可包括：基于第一特征表示层中预先存储的键值关系得到历史交互信息的待匹配特征。其中键值关系(key-value)包括键信息(key)和值信息(value)，该键信息包括待匹配对象的待匹配对象标识和候选匹配对象的候选匹配对象标识，待匹配对象标识可以是待匹配对象的唯一标识，候选匹配对象标识可以是候选匹配对象的唯一标识，两个标识间的对应性可以存储在键信息中，由此在获取到候选匹配对象和待匹配对象后，可以从多个键值关系中找到与它们对应的键值关系。值信息可以包括待匹配对象和候选匹配对象之间的各已发生交互信息，该已发生交互信息可以是待匹配对象和候选匹配对象之间的已经发生过的交互信息，以在线问诊场景为例，其可以是待问诊对象对候选接诊对象进行过问诊、待问诊对象对已问诊的候选接诊对象给过好评、待问诊对象对该候选接诊对象进行过退诊、候选接诊对象对给待问诊对象进行过转诊和/或退诊等。待匹配信息还可以包括待匹配对象和候选匹配对象间的历史交互信息，该历史交互信息可以是待匹配对象和候选匹配对象在历史匹配时间段内的可能发生也可能未发生的交互信息，继续以该在线问诊场景为例，待问诊对象是否对候选接诊对象进行过问诊、待问诊对象是否对已问诊的候选接诊对象给过好评、待问诊对象是否对候选接诊对象进行过退诊、候选接诊对象是否对该待问诊对象进行过转诊和/或退诊等等。由此，在将历史交互信息输入至第一特征表示层之后，该第一表示特征层可以基于预先存储的各键值关系中的键信息找到与该历史交互信息的交互双方(即待匹配对象和候选匹配对象)对应的键值关系，并基于该键值关系中的值信息确定该历史交互信息是否发生过，再根据确定结果得到历史交互信息的待匹配特征，比如将发送过的历史交互信息的待匹配特征作为1，否则为0。上述技术方案，充分考虑到待匹配对象和历史匹配对象在历史匹配时间段内可能发生过交互，因此，其以已发生交互信息为基准，通过预先存储的键值关系确定历史交互信息的待匹配特征，由此实现了待匹配特征的多角度确定的效果。

再可选的，对象匹配模型可通过如下步骤预先训练得到：获取待历史对象的待历史信息、候选历史对象的候选历史信息、以及根据候选历史对象针对待历史对象的服务完成信息设置的匹配标注，并将待历史信息、候选历史信息和匹配标注作为一组训练样本；基于多组训练样本对原始神经网络模型进行训练，得到对象匹配模型，其中原始神经网络模型包括未训练完成的第一特征表示层、第二特征表示层和匹配层、及用于根据未训练完成的匹配层的输出结果和匹配标注进行学习的学习目标层。其中，匹配标注可以是根据候选历史对象针对待历史对象的服务完成信息设置的标注，比如服务完成信息是候选历史对象完成对待历史对象的服务且获取到了待历史对象对本次服务的好评，那么匹配标注可以是1；再比如服务完成信息是候选历史对象未对待历史对象进行过服务、候选历史对象对待历史对象进行过服务但未完成该服务、候选历史对象完成对待历史对象的服务但是未得到待历史对象对本次服务的好评等，那么匹配标注可以是0；等等，在此未做具体限定。也就是说，匹配标注是以候选历史对象是否较好地完成了本次服务为标准而设置的，其可以反映出候选历史对象和待历史对象间的匹配度。在此基础上，学习目标层可以是用于根据未训练完成的匹配层的输出结果和该匹配标注进行学习的网络层，由此训练完成的对象匹配模型可以输出与匹配标注较为相似的匹配度。

为了从整体上更好地理解对象匹配模型的训练过程，下面结合具体示例对其进行示例性的说明。示例性的，以结合在线问诊场景进行过改进的深度结构化语义模型(DeepStructured Semantic Models，DSSM)即双塔模型为例，参见图4，其包括患者端的网络结构和医生端的网络结构，该患者端的网络结构的输入信息可以包括病情描述信息、患者的实时信息比如浏览信息(即患者对各候选科室的浏览次数)、点击信息(即患者对各候选科室的点击次数)、医患匹配信息(即患者和医生间的历史交互信息)等等、以及患者的离线信息比如对各候选科室的问诊次数、末次问诊科室、在末次问诊时的新用户标识、会员用户标识、慢性疾病标识等等，需要说明的是，实时信息(即在线信息)可以认为是在当前问诊时间段内得到的信息，离线信息可以认为是在历史问诊时间段内得到的信息，即患者的各种信息可以从在线和离线角度进行划分；该医生端的网络结构的输入信息可以包括医疗技能信息、实时信息如活跃度(即对象活跃度)、疲劳度(即对象疲劳度)等等、以及离线信息如职级(即对象职业级别)、好评率(即对象好评率)、平均接诊时长(即对象平均接诊时长)等，其中医疗技能信息也可以归属到离线信息中。上述患者端的网络结构和医生端的网络结构均可以作为输入层，除此之外，双塔模型还可以包括匹配层和学习目标层，详细介绍如下：

第一层：输入层

模型训练分成两座不同的“塔”(即神经网络)分别进行，其中一座塔可以用于生成患者端特征(embedding)，另一座塔可以用于生成医生端特征(embedding)。具体的，

患者端的网络结构的输入信息

1患者端将病情描述信息利用BRRT进行特征表示(embedding)(32维)；

2实时信息(44维)，包括患者实时浏览和点击等信息、及医患匹配信息，该实时信息可以是从线上采集预先获取得到的，其可以根据分诊派单时间反向推算患者的操作时间而得到，具体信息如下所述：

实时浏览和点击等信息(40维)：

患者对各候选科室(如各一级主要科室)的浏览次数(共16维，每个科室对应一维)、患者对各一级主要科室的点击次数(共16维，每个科室对应一维)、患者的末次点击科室(4维)、患者是否触发极速问诊功能、搜索医生功能触发标识、中医院访问标识。

医患匹配信息(4维)：

患者的疾病是否与医生的擅长匹配、患者是否对该医生进行过问诊、患者是否对已问诊的该医生给过好评、患者是否对该医生进行过退诊、该医生是否拒绝过该患者。

3离线信息(23维)：

患者在最近三个月内对各候选科室的问诊次数(16维，每个科室对应一维)、末次问诊科室(即最近一次问诊过的候选科室)(4维)、末次问诊时的新用户标识(即最近一次问诊时是否为新用户)、会员用户标识(即最近一次问诊时是否为PLUS会员)和慢性疾病标识(即是否为慢性病患者)。

患者端可以对以上这三部分信息分别进行特征表示，并对各特征表示结果进行拼接，生成99维的患者端特征。

医生端的网络结构的输入信息

1实时信息(7维)：

医生活跃度、接诊开关开启标识(即接诊开关是否开启)、当前接诊单数、医生疲劳度、医生当日拒诊率、医生当日好评率和医生当日转诊率。

2离线信息(32维)：

所属科室信息(4维)、疾病擅长信息(即医生擅长疾病)、医生性别(2维)、医生职业级别(1维)、医生职业类型(2维)、开方权限信息(即医生是否具有开方权限)、医生中西医类型(2维)、历史接诊单数、医生好评率、医生平均接诊时长、医生平均首回时长、医生平均沟通轮次、医生平均沟通时效、医生偏好疾病严重程度(1维)、医生拒诊率、医生转诊率、医生接诊完成率。

患者端可以对以上这两部分信息分别进行特征表示，并对各特征表示结果进行拼接，生成39维的患者端特征。

第二层：匹配层

将患者端的99维特征和医生端的39维特征进行拼接(concat)，然后经过全连接(full connect)层和2个隐藏(hidden)层，其中第一个hidden层包括64个神经元，第二层hidden层包括32个神经元，每个hidden层均是使用relu激活函数。

第三层：学习目标层

双塔模型最终的学习目标为医患间的匹配度(即匹配标注label，0或1)，本学习目标层连接匹配层的输出32维，自身输出为2维，在此基础上，可选的，损失函数为交叉熵，优化器为adam，学习率为0.001。

为了验证上述训练步骤的有效性，在此对经由上述训练步骤训练出的双塔模型，以ROC曲线下与坐标轴围成的面积(Area Under Curve，AUC)指标为测试指标进行测试，其中ROC曲线的全称可以为受试者工作特征曲线(receiver operating characteristiccurve)。具体的，测试指标可以包含两部分：一是准确率和召回率；二是好评率和接诊时长。本次测试的数据集总共为20000条，其中训练集为15000条，测试集为5000条，上述训练完成的双塔模型在测试集上的准确率为90.2％，召回率为83.6％；同时在模型上线(即应用)后进行A/B Test来得到接诊时长和好评率，其中好评率由94％提升至96％，转诊率由8％降低至2％，拒诊率由5％降低至1.5％，退诊率由10％降低至4％。可见，由此得到的双塔模型可以有效解决在分诊派单时存在的转诊率、矩阵率和退诊率较高的问题，提升了用户体验。

需要说明的是，除了上述双塔模型外，还可以是其余的能够实现两端特征匹配的模型，比如可以将医生端和患者端的浅层特征和深层特征匹配起来的wrde-and-deep等等，在此未做具体限定。

另外，为了从整体上更好地理解在线问诊医疗系统的工作过程，下面可以结合具体示例对其进行示例性的说明。示例性的，如图5所示，其是在线问诊医疗系统的工作流程图，上述对象匹配方法对应于其中的基于DSSM模型计算医患间的匹配度，接下来对该工作流程中的重要环节进行简要说明。患者描述一段话(即病情描述信息)，智能病情分析模块根据这段话确定该患者需要咨询什么疾病，并基于该疾病和医生的擅长领域和分科进行匹配，这属于在线制备。预测饱和度是根据未来时间段内可能存在的派单量和当前医生数预测这些医生是否能够处理完成这些派单，若是则说明未饱和，否则说明已饱和。计算综合评分是根据医生好评率、医生平均接诊时长等等信息计算得到的，这是考虑到在某科室下有很多医生，从可实现性角度而言，难以将这些医生全部召回输入到DSSM模型中进行匹配度的计算，因此可以先根据综合评分筛选出一些医生，再对这些医生进行找回。隔离规则可以是医生是否存在违规行为比如拒诊、长时间未处理等等，其会影响到惩罚系数。

实施例四

图6为本发明实施例四提供的对象匹配装置的结构框图，该装置用于执行上述任意实施例所提供的对象匹配方法。该装置与上述各实施例的对象匹配方法属于同一个发明构思，在对象匹配装置的实施例中未详尽描述的细节内容，可以参考上述对象匹配方法的实施例。参见图6，该装置具体可以包括：匹配信息获取模块410、匹配度确定模块420和对象匹配模块430。其中，

匹配信息获取模块410，用于在检测到对象匹配事件时，获取与对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息；

匹配度确定模块420，用于针对每个候选匹配对象的候选匹配信息，根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度；

对象匹配模块430，用于根据各候选匹配对象的匹配度，从各候选匹配对象中确定出与待匹配对象匹配的目标匹配对象；

其中，待匹配信息包括需接受技能信息和/或服务时效需求信息，候选匹配信息包括可提供技能信息和/或服务时效提供信息。

可选的，已训练完成的对象匹配模型包括第一特征表示层、第二特征表示层和匹配层，匹配度确定模块420，可以包括：

匹配特征得到单元，用于将待匹配信息输入至第一特征表示层中，得到待匹配特征，并且将候选匹配信息输入至第二特征表示层中，得到候选匹配特征；

匹配度确定单元，用于将待匹配特征和候选匹配特征输入至匹配层，得到待匹配对象和候选匹配对象间的匹配度，其中匹配层是根据待匹配特征和候选匹配特征的拼接结果计算匹配度。

在此基础上，可选的，当待匹配信息为需接受技能信息时，匹配特征得到单元，可以包括：第一待匹配特征得到子单元，用于基于第一特征表示层中的第一多层双向转换编码器对需接受技能信息进行特征表示，得到需接受技能信息的待匹配特征；和/或，

待匹配信息还可包括待匹配对象和候选匹配对象间的历史交互信息，匹配特征得到单元，可以包括：第二待匹配特征得到子单元，用于基于第一特征表示层中预先存储的键值关系得到历史交互信息的待匹配特征，其中，键值关系中的键信息包括待匹配对象的待匹配对象标识和候选匹配对象的候选匹配对象标识，键值关系中的值信息包括待匹配对象和候选匹配对象间的各已发生交互信息；和/或，

当候选匹配信息为可提供技能信息时，匹配特征得到单元，可包括：候选匹配特征得到子单元，用于基于第二特征表示层中第二多层双向转换编码器对可提供技能信息进行特征表示，得到可提供技能信息的候选匹配特征。

再可选的，对象匹配模型可以通过如下模块预先训练得到：

训练样本得到模块，用于获取待历史对象的待历史信息、候选历史对象的候选历史信息、以及根据候选历史对象针对待历史对象的服务完成信息设置的匹配标注，并将待历史信息、候选历史信息和匹配标注作为一组训练样本；

对象匹配模型得到模块，用于基于多组训练样本对原始神经网络模型进行训练，得到对象匹配模型，其中，原始神经网络模型包括未训练完成的第一特征表示层、第二特征表示层和匹配层、及用于根据未训练完成的匹配层的输出结果和匹配标注进行学习的学习目标层。

可选的，待匹配对象包括待问诊对象，候选匹配对象包括候选接诊对象。

在此基础上，可选的，当待匹配信息包括需接受技能信息，且候选匹配信息包括可提供技能信息时，匹配信息获取模块410，可以包括：

需接受技能信息确定单元，用于获取与对象匹配事件对应的待问诊对象输入的病情描述信息，并根据病情描述信息确定待问诊对象的需接受技能信息；

可提供技能信息确定单元，用于针对与对象匹配事件对应的每个候选接诊对象，获取候选接诊对象的医疗技能信息，并根据医疗技能信息确定候选接诊对象的可提供技能信息，其中医疗技能信息包括所属科室信息、疾病擅长信息和开方权限信息中的至少一个；和/或，

当待匹配信息包括服务时效需求信息，且候选匹配信息包括服务时效提供信息时，匹配信息获取模块410，可以包括：

服务时效需求信息确定单元，用于判断与对象匹配事件对应的待问诊对象是否触发极速问诊功能，并根据判断结果确定待问诊对象的服务时效需求信息；

服务时效提供信息确定单元，用于针对对象匹配事件对应的每个候选接诊对象，获取候选接诊对象的接诊时效信息，并根据接诊时效信息确定候选接诊对象的服务时效提供信息，其中，接诊时效信息包括候选接诊对象在当前接诊时间段内的当前接诊时效信息和/或在历史接诊时间段内的历史接诊时效信息，当前接诊时效信息包括对象活跃度、接诊开关开启标识、当前接诊单数和对象疲劳度中的至少一个，且历史接诊时效信息包括对象平均接诊时长、对象平均首回时长和对象平均沟通轮次中的至少一个。

再可选的，匹配信息获取模块410，可以包括：

待匹配信息获取单元，用于获取对象匹配事件对应的待问诊对象在当前问诊时间段内的对象偏好信息和/或在历史问诊时间段内的第一对象历史信息，将对象偏好信息和/或第一对象历史信息作为待匹配信息，其中，对象偏好信息包括对各候选科室的浏览次数、对各候选科室的点击次数、末次点击科室、中医院访问标识和搜索医生功能触发标识中的至少一个，且第一对象历史信息包括对各候选科室的问诊次数、末次问诊科室、末次问诊时的新用户标识、会员用户标识和慢性疾病标识中的至少一个；和/或，

候选匹配信息获取单元，用于针对对象匹配事件对应的每个候选接诊对象，获取候选接诊对象在当前接诊时间段内的接诊完成信息和/或历史接诊时间段内的第二对象历史信息，将接诊完成信息和/或第二对象历史信息作为候选匹配信息，其中，接诊完成信息包括对象接诊完成率、对象拒诊率、对象退诊率、对象转诊率和对象好评率中的至少一个，且第二对象历史信息包括对象性别、对象职业级别、对象职业类型、对象中西医类型和历史接诊单数中的至少一个。

本发明实施例四提供的对象匹配装置，通过匹配信息获取模块获取与检测得到的对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息，其中待匹配信息可包括需接受技能信息和/或服务时效需求信息，且候选匹配信息可包括可提供技能信息和/或服务时效提供信息；进而匹配度确定模块针对每个候选匹配对象的候选匹配信息，可以根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度，其可以表示出待匹配对象和候选匹配对象在技能和/或服务时效方面的匹配性；据此，对象匹配模块根据各候选匹配对象的匹配度，可以从各候选匹配对象中确定出与该待匹配对象匹配的目标匹配对象，该目标匹配对象可以是在技能和/或服务时效方面与该待匹配对象更为匹配的候选匹配对象。上述装置，充分考虑到待匹配对象和候选匹配对象在技能和/或服务时效方面的匹配性，由此为该待匹配对象匹配出的目标匹配对象与该待匹配对象在技能和/或服务时效方面可具有较高的匹配度，在将其应用于在线问诊场景时，可以在较大程度上降低转诊率、退诊率等等，提升了用户体验。

本发明实施例所提供的对象匹配装置可执行本发明任意实施例所提供的对象匹配方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述对象匹配装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例五

图7为本发明实施例五提供的一种对象匹配设备的结构示意图，参见图7，该设备包括存储器510、处理器520、输入装置530和输出装置540。设备中的处理器520的数量可以是一个或多个，图7中以一个处理器520为例；设备中的存储器510、处理器520、输入装置530和输出装置540可以通过总线或其它方式连接，图7中以通过总线550连接为例。

存储器510作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的对象匹配方法对应的程序指令/模块(例如，对象匹配装置中的匹配信息获取模块410、匹配度确定模块420和对象匹配模块430)。处理器520通过运行存储在存储器510中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的对象匹配方法。

存储器510可主要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、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接至设备。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。

输入装置530可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。

实施例六

本发明实施例六提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种对象匹配方法，该方法包括：

在检测到对象匹配事件时，获取与对象匹配事件对应的待匹配对象的待匹配信息和各候选匹配对象的候选匹配信息；

针对每个候选匹配对象的候选匹配信息，根据待匹配信息和候选匹配信息确定待匹配对象和候选匹配对象间的匹配度；

根据各候选匹配对象的匹配度，从各候选匹配对象中确定出与待匹配对象匹配的目标匹配对象；

其中，待匹配信息包括需接受技能信息和/或服务时效需求信息，候选匹配信息包括可提供技能信息和/或服务时效提供信息。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的对象匹配方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。