服务的调用方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及人工智能、大模型、深度学习等技术领域，具体涉及一种服务的调用方法、装置、电子设备及存储介质。

背景技术

目前，许多浏览器插件和应用程序都可以提供翻译、扩写、代码解释等各种功能，来增强用户在网页上的交互体验，但大多都是静态的，不能实现动态地个性化服务推荐，使得用户仍然需要手动选择所需服务，浪费时间精力，因此需要一种更高效智能的服务调用方法来优化用户体验。

发明内容

本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本公开提出一种服务的调用方法、装置、电子设备及存储介质。

根据本公开第一方面，提供了一种服务的调用方法，包括：

在监测到页面中的部分内容被选定的情况下，确定被选定的内容的上下文信息；

获取操作所述页面的第一用户的用户画像；

基于被选定的内容、所述上下文信息及所述用户画像，确定待调用的目标服务；

基于所述目标服务对所述被选定的内容进行处理。

根据本公开第二方面，提供了一种服务的调用装置，包括：

第一确定模块，用于在监测到页面中的部分内容被选定的情况下，确定被选定的内容的上下文信息；

获取模块，用于获取操作所述页面的第一用户的用户画像；

第二确定模块，用于基于被选定的内容、所述上下文信息及所述用户画像，确定待调用的目标服务；

处理模块，用于基于所述目标服务对所述被选定的内容进行处理。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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如第一方面所述的服务的调用方法。

根据本公开第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的服务的调用方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现如第一方面所述的服务的调用方法的步骤。

本公开提供的服务的调用方法、装置、电子设备及存储介质，存在如下有益效果：

本实施例中，在监测到页面中的部分内容被选定的情况下，先确定被选定的内容的上下文信息，然后获取操作页面的第一用户的用户画像，之后基于被选定的内容、上下文信息及用户画像，确定待调用的目标服务，再基于目标服务对被选定的内容进行处理。由此，结合选定内容的上下文信息及用户画像，使得确定的目标服务更加符合用户意图，提供了更加精准、个性化的服务调用方法，并且实现了目标服务的动态智能调用，用户无需花费大量时间精力去搜索服务指令，提升了工作效率和用户体验。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，附图用于更好地理解本方案，不构成对本公开的限定，其中：

图1是根据本公开一实施例提出的服务的调用方法的流程示意图；

图2是根据本公开另一实施例提出的服务的调用方法的流程示意图；

图3是根据本公开另一实施例提出的服务的调用方法的流程示意图；

图4是根据本公开一实施例提出的服务的调用装置的结构示意图；

图5示出了适于用来实现本公开实施方式的示例性电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例涉及人工智能、大模型、深度学习等技术领域。

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

大模型(Large Scale Model)是指由数百万、甚至数十亿个参数组成的神经网络模型，可以处理大规模的数据集，具有非常强的学习能力和泛化能力，能够应用于各种领域。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

下面参考附图描述本公开实施例的服务的调用方法、装置、电子设备及存储介质。

其中，需要说明的是，本实施例的服务的调用方法的执行主体为服务的调用装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。下面在本公开实施例中，以服务调用系统执行服务的调用方法为例来进行说明。

图1是根据本公开一实施例提出的服务的调用方法的流程示意图。

如图1所示，该服务的调用方法，包括：

S101：在监测到页面中的部分内容被选定的情况下，确定被选定的内容的上下文信息。

其中，页面可以是用户当前访问的网站、软件等页面。上下文信息是指在页面中与被选定内容相关的其他文本、图像、链接或其他元素所提供的背景信息等等，本公开对此不做限定。

需要说明的是，用户选定的部分内容可以是文本、图像、公式、代码等等中的至少一项，本公开对此不作限定。

本公开实施例中，服务调用系统可以安装在浏览器等软件中，启用后实时监听用户操作。用户在浏览页面的过程中，可能会通过划选操作来选定页面中感兴趣的内容，此时服务调用系统就可以同时监测到页面中有内容被选定，然后基于被选定的内容，在页面中获取与选定内容相关的信息作为上下文信息，例如被选定内容的前文和/或后文内容等等。

可选地，服务调用系统可以根据被选定的内容所在页面的页面信息、用户对页面的操作数据，确定上下文信息。

其中，页面信息可以包括页面的类型、页面的域名等等，而页面的类型是指对该页面呈现的内容和功能的分类，例如文章页面、商品页面等，页面的域名是指页面网址，是该页面在互联网上的唯一标识，可以包括该页面所属机构、国家或地区等信息。用户对页面的操作数据是指用户在浏览页面时产生的各种操作行为和交互数据，可以包括点击、触摸、输入、页面跳转等等，本公开对此不做限定。

本公开实施例中，服务调用系统可以在页面中获取该页面的类型、域名等信息，及用户对该页面的操作数据，作为与被选定内容相关的上下文信息，从而上下文信息可以提供用户当前所关注的领域和需求的线索，为提高服务的调用准确度提供了条件。

S102：获取操作页面的第一用户的用户画像。

其中，第一用户是指访问页面时登录浏览器的用户。用户画像是指标签化的用户信息，可以包含第一用户的各个特征数据，例如年龄、性别、职位等等，本公开对此不做限定。

本公开实施例中，如果操作当前页面的第一用户是企业员工，服务调用系统可以与第一用户所属公司的企业大模型建立连接，直接获取第一用户的员工基础信息、职位信息和办公日常数据等用户特征作为第一用户的用户画像，这些特征可以提供第一用户的个人背景、职务等线索来分析用户的服务需求。或者，当第一用户为非企业员工的普通用户的情况下，服务调用系统可以在浏览器中获取第一用户的历史上网数据后，分析生成用户画像等等，本公开对此不做限定。

可选地，服务调用系统可以根据第一用户关联的各项信息中的至少一项，确定第一用户的用户画像。其中，第一用户关联的各项信息可以包括：第一用户的第一历史使用数据，第一用户关联的职业信息，第二用户关联的职业信息，其中，第二用户的第二历史使用数据与第一历史使用数据间的相似度大于第一阈值。

其中，第一用户关联的职业信息可以包括第一用户所在的公司类型、第一用户的职务，工作需求等等，本公开对此不做限定。第二用户是指在历史登陆过浏览器的其他用户中，与第一用户在偏好或工作活动等方面具有较高相似性一个或多个用户。

需要说明的是，第一阈值，可以是预设在服务调用系统中的固定值，或者也可以是根据对用户画像中信息的关联强度需求来动态确定的值，本公开对此不做限定。

本公开实施例中，服务调用系统可以在浏览器中获取第一用户的第一历史使用数据，根据第一历史使用数据计算与其他用户的历史使用数据间的相似度，然后筛选出对应相似度大于第一阈值的用户，确定为第二用户，由于第二用户在偏好或工作活动方面与第一用户很相似，第二用户的服务需求在一定程度上也可能成为第一用户的需求，因此在构建第一用户的画像的时候，也可以包含第二用户的职业信息，从而丰富用户画像的信息维度，为提高服务推荐的范围和多样性提供条件，并且在用户画像中包含历史使用数据和职业信息，更能全面的分析用户的需求和意图，进一步提高服务调用的准确度。

S103：基于被选定的内容、上下文信息及用户画像，确定待调用的目标服务。

其中，目标服务是指符合用户当前需求的功能或功能模块。

在本公开中，服务调用系统可以在进行服务调用操作之前，通过网络获取大量的标注训练数据来构建一个生成模型，该标注训练数据可以包括选定内容、上下文信息和用户画像以及对应的服务指令，使得该生成模型能够根据选定内容、上下文信息和用户画像得到符合用户偏好和需求的服务的描述信息。

本公开实施例中，服务调用系统可以将第一用户选定的内容、上下文信息和对应的用户画像，实时输入到生成模型中，然后基于生成模型输出的服务描述信息确定与用户需求相关的一个或多个服务，从而服务调用系统就可以确定待调用的目标服务，该目标服务可能是多个服务中与选定内容、上下文信息及用户画像的匹配度最高的服务，或者也可能是用户自主选择的服务。

本公开实施例中，对于相同的被选定内容，不同的用户画像可能确定的待调用目标服务是不同的。举例说明，当被选定的内容为一串代码时，若由用户画像确定该第一用户为程序员，则待调用的目标服务可能是对代码进行调试或修复等，而当第一用户为学生的情况下，带调用的目标服务就可能是解释代码，对代码进行注释等等。

S104：基于目标服务对被选定的内容进行处理。

本公开实施例中，服务调用系统在确定目标服务之后，可以执行目标服务相应的操作处理被选定内容，或者也可以显示与被选定的内容相关的信息。

可选地，在对被选定的内容进行处理之后，服务调用系统可以根据目标服务关联的处理结果显示模式，显示被选定的内容对应的处理结果。

本公开实施例中，不同的目标服务可能关联不同的处理结果显示模式，例如列表模式、弹窗模式、卡片模式、图表模式等等，从而可以通过多样的显示模式显示处理结果，提高用户对处理结果的可读性，进一步优化用户体验。

本实施例中，服务调用系统在监测到页面中的部分内容被选定的情况下，先确定被选定的内容的上下文信息，然后获取操作页面的第一用户的用户画像，之后基于被选定的内容、上下文信息及用户画像，确定待调用的目标服务，再基于目标服务对被选定的内容进行处理。由此，结合选定内容的上下文信息及用户画像，使得确定的目标服务更加符合用户意图，提供了更加精准、个性化的服务调用方法，并且实现了目标服务的动态智能调用，用户无需花费大量时间精力去搜索服务指令，提升了工作效率和用户体验。

图2是本公开另一实施例提出的服务的调用方法的流程示意图。

如图2所示，该服务的调用方法，包括：

S201：在监测到页面中的部分内容被选定的情况下，确定被选定的内容的上下文信息。

S202：获取操作页面的第一用户的用户画像。

上述S201和S202的描述说明可以具体参见上述实施例，在此不再赘述。

S203：基于被选定的内容、上下文信息及用户画像，生成第一描述信息。

其中，第一描述信息是用于描述符合第一用户当前需求功能的文本。

本公开实施例中，服务调用系统可以将被选定的内容、上下文信息和用户画像输入到生成模型中提取关键词和语义信息，组合之后得到第一描述信息。

S204：基于被选定的内容所在页面的页面信息，确定参考服务。

本公开实施例中，不同页面对应的可以调用的服务不同，也就是不同页面对应的参考服务不同，因此服务调用系统可以根据页面的类型和域名，确定该页面能够被调用的所有服务作为参考服务，从而可以降低与第一描述信息进行匹配的第二描述信息的数据量，节省所占内存，提高目标服务的确定效率。

S205：将第一描述信息与每个参考服务的第二描述信息进行匹配。

其中，第二描述信息是指对参考服务的功能进行描述的文本。

本公开实施例中，服务调用系统可以计算第一描述信息与每个第二描述信息中每个特征向量间的相似度，然后再对相似度进行加权求和，得到第一描述信息与各个参考服务间的匹配度。

S206：将匹配度最高的参考服务，确定为目标服务。

本公开实施例中，服务调用系统可以将所有参考服务根据匹配度的大小进行排序，将匹配度最高的参考服务确定为目标服务，从而可以智能调用最符合用户需求的服务，提高用户的工作效率。

可选地，在一些情况下，第一用户目标调用的服务可能不是匹配度最高的参考服务，因此服务调用系统也可以按照匹配度由高至低的顺序，从参考服务中选取多个候选服务，然后将这多个候选服务顺序显示在页面中，在接收到针对任一候选服务的选定操作的情况下，确定该任一候选服务为目标服务。

其中，候选服务的选取数量可以是固定的，也可以是变化的，比如预先在服务调用系统中设定一个阈值，选取对应匹配度大于阈值的参考服务，作为候选服务等等，本公开对此不做限定。

本公开实施例中，第一用户可以在页面显示的多个候选服务中，点击或选择目标调用的服务，则服务调用系统就可以接收到针对某个候选服务的选定操作，将该候选服务确定为目标服务。从而通过将候选服务以匹配度从高到低的列表形式推荐给用户，使得用户可以快速锁定所需服务，无需手动搜索，节省时间精力，提高了用户的工作便捷性和效率。

S207：基于目标服务对被选定的内容进行处理。

上述S207的描述说明可以具体参见上述实施例，在此不再赘述。

本实施例中，服务调用系统在监测到页面中的部分内容被选定的情况下，先确定被选定的内容的上下文信息，以及获取操作页面的第一用户的用户画像，然后基于被选定的内容、上下文信息及用户画像，生成第一描述信息，再基于被选定的内容所在页面的页面信息，确定参考服务，之后将第一描述信息与每个参考服务的第二描述信息进行匹配，将匹配度最高的参考服务，确定为目标服务，然后再基于目标服务对被选定的内容进行处理。由此，基于描述信息的匹配度，确定目标服务，进一步提高了服务调用的准确度和个性化程度，满足了用户对页面中所选内容的处理需求，提高了用户的工作效率。

图3是本公开另一实施例提出的服务的调用方法的流程示意图。

如图3所示，该服务的调用方法，包括：

S301：在监测到页面中的部分内容被选定的情况下，确定被选定的内容的上下文信息。

S302：获取操作页面的第一用户的用户画像。

S303：基于被选定的内容、上下文信息及用户画像，生成第一描述信息。

S304：将第一描述信息与每个参考服务的第二描述信息进行匹配。

S305：按照匹配度由高至低的顺序，从参考服务中选取多个候选服务。

S306：将多个候选服务顺序显示在页面中。

S307：在接收到针对任一候选服务的选定操作的情况下，确定任一候选服务为目标服务。

上述S301—S307的描述说明可以具体参见上述实施例，在此不再赘述。

S308：将被选定的内容、上下文信息、用户画像及任一候选服务的第二描述信息关联存入生成模型更新数据集，其中，生成模型为用于基于被选定的内容、上下文信息及用户画像，生成描述信息的模型。

本公开实施例中，服务调用系统在用户选定任一候选服务后，可以基于服务的调用结果对生成模型进行优化，因此可以将输入的被选定的内容、上下文信息、用户画像与确定的任一候选服务的第二描述信息作为一组数据，关联存入生成模型的更新数据集，实时对每一次候选服务的确定过程进行记录，为生成模型的更新做数据准备。

可选地，服务调用系统可以根据任一候选服务在已显示的多个候选服务中的顺序，然后根据任一候选服务的顺序，确定任一候选服务的第二描述信息在更新数据集中的重复次数，之后基于重复次数，利用被选定的内容、上下文信息、用户画像及任一候选服务的第二描述信息，对更新数据集中的数据进行更新。

本公开实施例中，如果候选服务的排序越前，说明生成模型生成的第一描述信息准确性高，此时更新生成模型的意义就不大，所以该组数据的重复次数可以比较小，比如0、1等等。而当候选服务的排序较后的情况下，则说明生成的第一描述信息不准确，那么就可以让候选服务的第二描述信息在更新数据集中占较大的比例，让模型尽可能的学习到当前场景下(被选定内容、上下文信息、用户画像等)调用该类服务时的方案。从而，基于用户选定的目标服务在候选服务列表中的不同情况，对生成模型更新数据集中的数据进行更新，能够实时收集服务调用结果进行分析，进一步提高了生成模型的学习能力，为提高服务调用的准确度提供了条件。

S309：在更新数据集中的数据量大于第二阈值的情况下，基于更新数据集，对生成模型进行更新。

其中，第二阈值可以是固定值，也可以是根据生成模型的精度要求来确定的值，本公开对此不做限定。

本公开实施例中，服务调用系统在获得每一次的服务调用结果后，都可能会增加更新数据集中的数据量，当积累的数据量大于第二阈值时，则可以认为当前的生成模型的准确度下降，从而可以利用更新数据集，对生成模型进行更新，保障生成模型生成的描述信息的可靠性和准确性，使得后续匹配的候选服务更加符合用户需求和意图，进一步提升了服务的调用效率和用户体验。

本公开实施例中，服务调用系统还可以收集用户的反馈数据，例如对服务调用结果的满意度和使用体验等等信息，对生成模型进行优化和改进。

本实施例中，服务调用系统将被选定的内容、上下文信息、用户画像及任一候选服务的第二描述信息关联存入生成模型更新数据集，然后在更新数据集中的数据量大于第二阈值的情况下，基于更新数据集，对生成模型进行更新。由此，基于用户确定调用的服务，更新生成模型，保障了生成模型生成的描述信息的可靠性和准确性，使得后续匹配的候选服务更加符合用户需求和意图，进一步提升了服务的调用效率和用户体验。

图4是本公开一实施例提出的服务的调用装置的结构示意图。

如图4所示，该服务的调用装置400，包括：

第一确定模块401，用于在监测到页面中的部分内容被选定的情况下，确定被选定的内容的上下文信息；

获取模块402，用于获取操作页面的第一用户的用户画像；

第二确定模块403，用于基于被选定的内容、上下文信息及用户画像，确定待调用的目标服务；

处理模块404，用于基于目标服务对被选定的内容进行处理。

在一些实施例中，上述第一确定模块401，还可以用于：

根据被选定的内容所在页面的页面信息、用户对页面的操作数据，确定上下文信息。

在一些实施例中，上述获取模块402，还可以用于：

根据第一用户关联的各项信息中的至少一项，确定第一用户的用户画像；

其中，第一用户关联的各项信息包括：第一用户的第一历史使用数据，第一用户关联的职业信息，第二用户关联的职业信息，其中，第二用户的第二历史使用数据与第一历史使用数据间的相似度大于第一阈值。

在一些实施例中，上述第二确定模块403，还可以用于：

基于被选定的内容、上下文信息及用户画像，生成第一描述信息；

将第一描述信息与每个参考服务的第二描述信息进行匹配；

将匹配度最高的参考服务，确定为目标服务。

在一些实施例中，上述第二确定模块403，还可以用于：

基于被选定的内容所在页面的页面信息，确定参考服务。

在一些实施例中，上述第二确定模块403，还可以用于：

按照匹配度由高至低的顺序，从参考服务中选取多个候选服务；

将多个候选服务顺序显示在页面中；

在接收到针对任一候选服务的选定操作的情况下，确定任一候选服务为目标服务。

在一些实施例中，上述第二确定模块403，还可以用于：

将被选定的内容、上下文信息、用户画像及任一候选服务的第二描述信息关联存入生成模型更新数据集，其中，生成模型为用于基于被选定的内容、上下文信息及用户画像，生成描述信息的模型。

在一些实施例中，上述第二确定模块403，还可以用于：

确定任一候选服务在已显示的多个候选服务中的顺序；

根据任一候选服务的顺序，确定任一候选服务的第二描述信息在更新数据集中的重复次数；

基于重复次数，利用被选定的内容、上下文信息、用户画像及任一候选服务的第二描述信息，对更新数据集中的数据进行更新。

在一些实施例中，上述第二确定模块403，还可以用于：

在更新数据集中的数据量大于第二阈值的情况下，基于更新数据集，对生成模型进行更新。

在一些实施例中，上述处理模块404，还可以用于：

根据目标服务关联的处理结果显示模式，显示被选定的内容对应的处理结果。

需要说明的是，前述对服务的调用方法的解释说明也适用于本实施例的服务的调用装置，此处不再赘述。

本实施例中，本实施例中，服务调用系统在监测到页面中的部分内容被选定的情况下，先确定被选定的内容的上下文信息，然后获取操作页面的第一用户的用户画像，之后基于被选定的内容、上下文信息及用户画像，确定待调用的目标服务，再基于目标服务对被选定的内容进行处理。由此，结合选定内容的上下文信息及用户画像，使得确定的目标服务更加符合用户意图，提供了更加精准、个性化的服务调用方法，并且实现了目标服务的动态智能调用，用户无需花费大量时间精力去搜索服务指令，提升了工作效率和用户体验。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。

计算单元501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。计算单元501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计算单元、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。计算单元501执行上文所描述的各个方法和处理，例如服务的调用方法。例如，在一些实施例中，方法服务的调用可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的服务的调用方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行服务的调用方法。

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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。

在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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。

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)、互联网及区块链网络。

计算机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("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本发公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本公开的描述中，所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“在……情况下”。

上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。