一种内容推荐方法、装置及电子设备和存储介质

技术领域

本申请涉及计算机技术领域，更具体地说，涉及一种内容推荐方法、装置及一种电子设备和一种计算机可读存储介质。

背景技术

图卷积神经网络(Graph Convolutional Neural Network，GCN)是一种针对异构图进行特征提取和学习的深度学习模型。在GCN中，通过在图的节点上定义卷积操作，可以捕捉到图的拓扑结构和节点属性中的特征。然而，传统的GCN模型通常只关注图的边，而忽略了节点类型和边类型的多样性。

针对异构图的图卷积神经网络(R-GCN)模型将不同类型的节点和边映射到不同的特征空间，从而捕捉到异构图的多样性和复杂性。然而，当前的R-GCN训练方法只是针对边的信息进行学习，而在节点嵌入的形成过程中，所有类型的边都被融合在一起进行学习。这种学习方法可能会学到的嵌入并不是特定类别的嵌入，而是各种边类型信息的混合。因此，在将R-GCN模型应用于社交内容推荐时，内容推荐的准确度较低。

因此，如何提高内容推荐的准确度是本领域技术人员需要解决的技术问题。

发明内容

本申请的目的在于提供一种内容推荐方法、装置及一种电子设备和一种计算机可读存储介质，提高了内容推荐的准确度。

为实现上述目的，本申请提供了一种内容推荐方法，包括：

基于社交平台中的实体和实体之间的行为构建异构图；其中，所述异构体中的节点对应所述实体，所述节点之间的边对应实体之间的行为；

利用所述异构图训练图卷积神经网络，得到中间图卷积神经网络；

根据业务需求对所述异构图进行采样得到采样图，利用所述采样图训练所述中间图卷积神经网络，得到训练完成的图卷积神经网络；

确定目标用户，利用所述训练完成的图卷积神经网络确定所述目标用户的相似用户；

将所述相似用户的发帖作为推荐的内容。

其中，所述基于社交平台中的实体和实体之间的行为构建异构图之后，还包括：

按照行为类型将所述异构图中所述实体对应的节点拆分为多个节点，以更新所述异构图。

其中，所述基于社交平台中的实体和实体之间的行为构建异构图之后，还包括：

在所述异构图中增加帖子的特征对应的节点，并在所述帖子对应的节点与所述特征对应的节点之间增加边，以更新所述异构图。

其中，所述特征包括标签特征、多模态分类特征、文本分类特征、聚类标识分类特征中任一项或任几项的组合。

其中，所述利用所述训练完成的图卷积神经网络确定所述目标用户的相似用户，包括：

利用所述训练完成的图卷积神经网络确定所述异构图中节点的嵌入向量；

计算所述目标用户对应的节点的嵌入向量与其他用户对应的节点的嵌入向量之间的相似度；

将相似度大于预设值的其他用户确定为所述目标用户的相似用户。

其中，所述利用所述异构图训练图卷积神经网络，得到中间图卷积神经网络，包括：

在所述异构图中提取子图作为第一训练子图，将所述第一训练子图输入所述图卷积神经网络中，以预测所述第一训练子图指向的第一目标节点；

基于所述第一目标节点和所述异构图计算链接损失函数的第一损失值，并基于所述第一损失值更新所述图卷积神经网络的参数，得到中间图卷积神经网络；

相应的，所述利用所述采样图训练所述中间图卷积神经网络，得到训练完成的图卷积神经网络，包括：

在所述采样图中提取子图作为第二训练子图，将所述第二训练子图输入所述中间图卷积神经网络中，以预测所述第二训练子图指向的第二目标节点；

基于所述第二目标节点和所述采样图计算链接损失函数的第二损失值，并基于所述第二损失值更新所述中间图卷积神经网络的参数，得到训练完成的图卷积神经网络。

其中，所述链接损失函数为：

其中，

为实现上述目的，本申请提供了一种内容推荐装置，包括：

构建模块，用于基于社交平台中的实体和实体之间的行为构建异构图；其中，所述异构体中的节点对应所述实体，所述节点之间的边对应实体之间的行为；

第一训练模块，用于利用所述异构图训练图卷积神经网络，得到中间图卷积神经网络；

第二训练模块，用于根据业务需求对所述异构图进行采样得到采样图，利用所述采样图训练所述中间图卷积神经网络，得到训练完成的图卷积神经网络；

确定模块，用于确定目标用户，利用所述训练完成的图卷积神经网络确定所述目标用户的相似用户；

推荐模块，用于将所述相似用户的发帖作为推荐的内容。

为实现上述目的，本申请提供了一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述内容推荐方法的步骤。

为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质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如上述内容推荐方法的步骤。

通过以上方案可知，本申请提供的一种内容推荐方法，包括：基于社交平台中的实体和实体之间的行为构建异构图；其中，所述异构体中的节点对应所述实体，所述节点之间的边对应实体之间的行为；利用所述异构图训练图卷积神经网络，得到中间图卷积神经网络；根据业务需求对所述异构图进行采样得到采样图，利用所述采样图训练所述中间图卷积神经网络，得到训练完成的图卷积神经网络；确定目标用户，利用所述训练完成的图卷积神经网络确定所述目标用户的相似用户；将所述相似用户的发帖作为推荐的内容。

本申请提供的内容推荐方法，利用完整的异构图训练图卷积神经网络之后，根据业务需求在异构图进行采样得到采样图，利用采样图对图卷积神经网络进行再次训练，也即根据业务需求对异构图中特定的边进行加强训练，从而达到向特定方向的学习迁移。利用训练完成的图卷积神经网络确定目标用户的相似用户，进而将相似用户的发帖作为推荐的内容推荐给目标用户，提供更符合用户兴趣和需求的推荐结果，提高社交平台的内容推荐准确度。本申请还公开了一种内容推荐装置及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。

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的，并不能限制本申请。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1为根据一示例性实施例示出的一种内容推荐方法的流程图；

图2为根据一示例性实施例示出的一种异构图；

图3为根据一示例性实施例示出的一种图卷积神经网络的操作示意图；

图4为根据一示例性实施例示出的另一种内容推荐方法的流程图；

图5为根据一示例性实施例示出的一种拆分后的异构图；

图6为根据一示例性实施例示出的一种增加节点和边之后的异构图；

图7为根据一示例性实施例示出的一种内容推荐装置的结构图；

图8为根据一示例性实施例示出的一种电子设备的结构图。

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作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。另外，在本申请实施例中，“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例公开了一种内容推荐方法，提高了内容推荐的准确度。

参见图1，根据一示例性实施例示出的一种内容推荐方法的流程图，如图1所示，包括：

S101：基于社交平台中的实体和实体之间的行为构建异构图；其中，所述异构体中的节点对应所述实体，所述节点之间的边对应实体之间的行为；

在本步骤中，针对社交平台，基于实体和实体之间的行为构建一个异构图，这个异构图中的节点对应于实体，例如用户、帖子等，而节点之间的边则对应于实体之间的行为，例如关注、点赞、分享、评论等。

可以理解为，异构图是一个包含不同类型的节点和边的图，节点可以是多种不同的实体类型，而边则表示这些实体之间的行为关系。例如，用户节点和帖子节点之间可能有一条边表示用户发布了这篇帖子，而用户节点和评论节点之间可能有一条边表示用户对这篇帖子进行了评论。举例说明，构建的异构图如图2所示。

S102：利用所述异构图训练图卷积神经网络，得到中间图卷积神经网络；

在训练图卷积神经网络(Graph Convolutional Neural Network，GCN)时，可以利用异构图进行训练，通过在异构图上训练GCN，可以得到一个中间图卷积神经网络。这个中间网络可以捕捉到异构图中的不同类型节点和边之间的复杂关系，并从中学习到有用的特征信息。在训练过程中，GCN模型会根据异构图的拓扑结构和节点属性，通过一系列的图卷积操作，逐步更新每个节点的嵌入向量。

作为一种可行的实施方式，所述利用所述异构图训练图卷积神经网络，得到中间图卷积神经网络，包括：在所述异构图中提取子图作为第一训练子图，将所述第一训练子图输入所述图卷积神经网络中，以预测所述第一训练子图指向的第一目标节点；基于所述第一目标节点和所述异构图计算链接损失函数的第一损失值，并基于所述第一损失值更新所述图卷积神经网络的参数，得到中间图卷积神经网络。

在训练图卷积神经网络时，在异构图中提取子图作为第一训练子图将其输入到图卷积神经网络中，图卷积神经网络会对第一训练子图进行学习和预测，试图预测第一训练子图指向的第一目标节点。接着，基于第一目标节点和原始的异构图，计算链接损失函数的第一损失值。链接损失函数通常用于度量预测的节点嵌入与真实的节点嵌入之间的差距。该损失值用于衡量模型的预测误差。然后，基于第一损失值，使用梯度下降等优化算法更新图卷积神经网络的参数，经过参数更新后，得到中间图卷积神经网络。

如图3所示，对于中心节点进行一次卷积，通过聚合邻居节点的信息来更新自身节点的表示，其中邻居节点的聚合是按照边的类型进行分类，根据边类型的不同进行相应的转换，收集的信息经过一个正则化的加和，最后通过激活函数(relu)，其中每个顶点的信息更新共享参数，并行计算，同时也包括自连接，也就是说包括了节点自身表示。

其中，

不同边使用不同的Loss权重，增加不同边的学习力度，通过在Loss上乘以不同的权重，增加学习难度，一般大于1的难度增加。

图卷积神经网络通过预测实体之间的行为来让两个实体之间更加相似，进而利用正样本训练相似的embedding。具体来说，模型会根据已知的实体和实体之间的行为(边)信息，预测两个实体之间是否存在某种行为的关系。如果存在这种关系，那么这个边就是一个正样本，表示两个实体在这个方向上更加相似。在训练过程中，图卷积神经网络会利用这些正样本信息来更新两个实体之间的embedding，使得它们在相似的行为方向上更加接近。换句话说，如果两个实体在某种行为上越相似，那么它们之间的边就越是正样本，模型就可以利用这些正样本信息来相互学习训练。通过这种方式，模型能够通过预测实体之间的行为来学习和优化embedding，使得实体之间在各种行为上的相似性都能够得到提高。

S103：根据业务需求对所述异构图进行采样得到采样图，利用所述采样图训练所述中间图卷积神经网络，得到训练完成的图卷积神经网络；

在本步骤中，根据业务需求对异构图中特定的边进行加强训练，也即根据业务需求在异构图进行采样得到采样图，采样图中包含某些同类型的边，例如，对用户到关注用户以及用户到互动特征的同构图采样。进一步的，利用采样图对中间图卷积神经网络进行再次训练，从而达到向特定方向的学习迁移。

作为一种可行的实施方式，所述利用所述采样图训练所述中间图卷积神经网络，得到训练完成的图卷积神经网络，包括：在所述采样图中提取子图作为第二训练子图，将所述第二训练子图输入所述中间图卷积神经网络中，以预测所述第二训练子图指向的第二目标节点；基于所述第二目标节点和所述采样图计算链接损失函数的第二损失值，并基于所述第二损失值更新所述中间图卷积神经网络的参数，得到训练完成的图卷积神经网络。

需要说明的是，利用采样图训练中间图卷积神经网络与利用异构图训练图卷积神经网络的过程类似，区别仅在于训练的边不同。在采样图中提取子图作为第二训练子图将其输入到中间图卷积神经网络中，中间图卷积神经网络会对第二训练子图进行学习和预测，试图预测第二训练子图指向的第二目标节点。接着，基于第二目标节点和原始的采样图，计算链接损失函数的第二损失值。然后，基于第二损失值，使用梯度下降等优化算法更新中间图卷积神经网络的参数，经过参数更新后，得到训练完成的图卷积神经网络。

S104：确定目标用户，利用所述训练完成的图卷积神经网络确定所述目标用户的相似用户；

在本步骤中，首先，需要确定目标用户，即需要找出需要推荐或者分析的用户。然后，利用训练完成的图卷积神经网络确定目标用户与其他用户之间的相似性，从而找出与目标用户相似的用户。

作为一种可行的实施方式，所述利用所述训练完成的图卷积神经网络确定所述目标用户的相似用户，包括：利用所述训练完成的图卷积神经网络确定所述异构图中节点的嵌入向量；计算所述目标用户对应的节点的嵌入向量与其他用户对应的节点的嵌入向量之间的相似度；将相似度大于预设值的其他用户确定为所述目标用户的相似用户。

嵌入向量是一种将节点表示为低维空间中的向量的方法，可以捕捉节点的特征和结构信息。计算目标用户对应的节点的嵌入向量与其他用户对应的节点的嵌入向量之间的相似度。相似度的计算可以使用余弦相似性、欧氏距离等度量方法，在此不进行具体限定。

S105：将所述相似用户的发帖作为推荐的内容。

在本步骤中，将相似用户的发帖作为推荐给目标用户的内容。

本申请实施例提供的内容推荐方法，利用完整的异构图训练图卷积神经网络之后，根据业务需求在异构图进行采样得到采样图，利用采样图对图卷积神经网络进行再次训练，也即根据业务需求对异构图中特定的边进行加强训练，从而达到向特定方向的学习迁移。利用训练完成的图卷积神经网络确定目标用户的相似用户，进而将相似用户的发帖作为推荐的内容推荐给目标用户，提供更符合用户兴趣和需求的推荐结果，提高社交平台的内容推荐准确度。

本申请实施例公开了一种内容推荐方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

参见图4，根据一示例性实施例示出的另一种内容推荐方法的流程图，如图4所示，包括：

S201：基于社交平台中的实体和实体之间的行为构建异构图；其中，所述异构体中的节点对应所述实体，所述节点之间的边对应实体之间的行为；

S202：按照行为类型将所述异构图中所述实体对应的节点拆分为多个节点，以更新所述异构图；

在本步骤中，在构建异构图的过程中，根据实体之间的不同行为类型，将原来对应于实体的节点拆分为多个节点，以更新异构图的结构。

作为一种可行的实施方式，所述按照行为类型将所述异构图中所述实体对应的节点拆分为多个节点，包括：按照行为类型将用户对应的节点拆分为发帖用户对应的第一节点和互动用户对应的第二节点。其中，所述第一节点与所述第二节点之间的边对应关注行为，所述第一节点与第三节点之间的边对应发帖行为，所述第二节点与所述第三节点之间的边对应互动行为，所述第三节点为帖子对应的节点。

在具体实施中，对于图2举出的例子，如果用户A1发布了一篇帖子，用户A2对该帖子进行了评论，则将用户对应的节点划分为发帖用户和互动用户，发帖用户与帖子之间的行为关系为发帖，互动用户与与帖子之间的行为关系为互动，互动用户与发帖用户之间的行为关系为关注，拆分后的异构图如图5所示。

S203：在所述异构图中增加帖子的特征对应的节点，并在所述帖子对应的节点与所述特征对应的节点之间增加边，以更新所述异构图；

在具体实施中，在构建或更新异构图的过程中，将帖子的特征对应的节点添加到异构图中，并在帖子对应的节点与特征对应的节点之间增加一条边。如果一个帖子具有多个特征，例如标签特征、多模态分类特征、文本分类特征、聚类标识分类特征等，标签特征指的是在分析帖子时，通过对帖子的内容、主题、情感等进行分析，为帖子赋予的一种或多种标签。这些标签可以反映帖子的主要特征和主题，有助于对帖子进行分类和归纳。多模态分类特征指的是将帖子的不同模态(例如文本、图像、音频、视频等)进行融合，提取出不同模态下的特征，并对这些特征进行分析和分类，可以更好地捕捉帖子的全面信息和特征，提高分类准确率和鲁棒性。文本分类特征指的是从文本内容中提取的特征，例如词频、TF-IDF(Term Frequency-Inverse Document Frequency，词频-逆文档频率)、词向量等。通过对文本内容进行分析，可以提取出帖子的主题、情感、语义等特征。聚类标识分类特征指的是通过聚类算法对帖子进行聚类分析，为每个聚类结果赋予一个标识。那么在异构图中，可以将这些特征对应的节点添加到图中，并增加一条从帖子对应的节点到特征对应的节点的边，可以更好地捕捉帖子与特征之间的关联性和关系。通过添加特征对应的节点和边，可以扩展异构图的结构和信息，提高后续确定相似用户的准确性。

对于图5举出的例子，增加节点和边之后的异构图如图6所示。

S204：利用更新后的异构图训练图卷积神经网络，得到中间图卷积神经网络；

S205：根据业务需求对所述异构图进行采样得到采样图，利用所述采样图训练所述中间图卷积神经网络，得到训练完成的图卷积神经网络；

S206：确定目标用户，利用所述训练完成的图卷积神经网络确定所述异构图中节点的嵌入向量；计算所述目标用户对应的节点的嵌入向量与其他用户对应的节点的嵌入向量之间的相似度；将相似度大于预设值的其他用户确定为所述目标用户的相似用户；

S207：将所述相似用户的发帖作为推荐的内容。

由此可见，本实施例将异构图中实体对应的节点按照行为类型进行拆分，相当于对一个实体构建了多个嵌入向量，可以更准确地反映实体之间的复杂关系和行为模式。另外，在异构图中增加了帖子的特征对应的节点，进一步提高了社交平台的内容推荐准确度。

下面对本申请实施例提供的一种内容推荐装置进行介绍，下文描述的一种内容推荐装置与上文描述的一种内容推荐方法可以相互参照。

参见图7，根据一示例性实施例示出的一种内容推荐装置的结构图，如图7所示，包括：

构建模块100，用于基于社交平台中的实体和实体之间的行为构建异构图；其中，所述异构体中的节点对应所述实体，所述节点之间的边对应实体之间的行为；

第一训练模块200，用于利用所述异构图训练图卷积神经网络，得到中间图卷积神经网络；

第二训练模块300，用于根据业务需求对所述异构图进行采样得到采样图，利用所述采样图训练所述中间图卷积神经网络，得到训练完成的图卷积神经网络；

确定模块400，用于确定目标用户，利用所述训练完成的图卷积神经网络确定所述目标用户的相似用户；

推荐模块500，用于将所述相似用户的发帖作为推荐的内容。

本申请实施例提供的内容推荐装置，利用完整的异构图训练图卷积神经网络之后，根据业务需求在异构图进行采样得到采样图，利用采样图对图卷积神经网络进行再次训练，也即根据业务需求对异构图中特定的边进行加强训练，从而达到向特定方向的学习迁移。利用训练完成的图卷积神经网络确定目标用户的相似用户，进而将相似用户的发帖作为推荐的内容推荐给目标用户，提供更符合用户兴趣和需求的推荐结果，提高社交平台的内容推荐准确度。

在上述实例的基础上，作为一种优选实施方式，还包括：

划分模块，用于按照行为类型将所述异构图中所述实体对应的节点拆分为多个节点，以更新所述异构图。

在上述实例的基础上，作为一种优选实施方式，还包括：

增加模块，用于在所述异构图中增加帖子的特征对应的节点，并在所述帖子对应的节点与所述特征对应的节点之间增加边，以更新所述异构图。

在上述实例的基础上，作为一种优选实施方式，所述特征包括标签特征、多模态分类特征、文本分类特征、聚类标识分类特征中任一项或任几项的组合。

在上述实例的基础上，作为一种优选实施方式，所述确定模块400具体用于：确定目标用户，利用所述训练完成的图卷积神经网络确定所述异构图中节点的嵌入向量；计算所述目标用户对应的节点的嵌入向量与其他用户对应的节点的嵌入向量之间的相似度；将相似度大于预设值的其他用户确定为所述目标用户的相似用户。

在上述实例的基础上，作为一种优选实施方式，所述第一训练模块200具体用于：在所述异构图中提取子图作为第一训练子图，将所述第一训练子图输入所述图卷积神经网络中，以预测所述第一训练子图指向的第一目标节点；基于所述第一目标节点和所述异构图计算链接损失函数的第一损失值，并基于所述第一损失值更新所述图卷积神经网络的参数，得到中间图卷积神经网络；

相应的，所述第二训练模块300具体用于：在所述采样图中提取子图作为第二训练子图，将所述第二训练子图输入所述中间图卷积神经网络中，以预测所述第二训练子图指向的第二目标节点；基于所述第二目标节点和所述采样图计算链接损失函数的第二损失值，并基于所述第二损失值更新所述中间图卷积神经网络的参数，得到训练完成的图卷积神经网络。

在上述实例的基础上，作为一种优选实施方式，所述链接损失函数为：

其中，

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种电子设备，图8为根据一示例性实施例示出的一种电子设备的结构图，如图8所示，电子设备包括：

通信接口1，能够与其它设备比如网络设备等进行信息交互；

处理器2，与通信接口1连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的内容推荐方法。而所述计算机程序存储在存储器3上。

当然，实际应用时，电子设备中的各个组件通过总线系统4耦合在一起。可理解，总线系统4用于实现这些组件之间的连接通信。总线系统4除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图8中将各种总线都标为总线系统4。

本申请实施例中的存储器3用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。

可以理解，存储器3可以是易失性存储器或非易失性存储器，也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(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，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RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器3旨在包括但不限于这些和任意其它适合类型的存储器。

上述本申请实施例揭示的方法可以应用于处理器2中，或者由处理器2实现。处理器2可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2可以是通用处理器、DSP，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。处理器2可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器3，处理器2读取存储器3中的程序，结合其硬件完成前述方法的步骤。

处理器2执行所述程序时实现本申请实施例的各个方法中的相应流程，为了简洁，在此不再赘述。

在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器3，上述计算机程序可由处理器2执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、CD-ROM等存储器。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机、服务器、网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

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，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。