一种基于云平台的信息处理方法、装置、设备及介质

技术领域

本申请涉及人工智能技术领域，特别涉及一种基于云平台的信息处理方法、装置、设备及介质。

背景技术

目前，展览馆、博物馆、美术馆及公园等展馆主要通过文字、图片、音频和视频等方式向参观者展示及介绍展馆内的展品。然而，这种静态的介绍方式往往难以吸引参观者的注意力及提高参观者的观展兴趣，并且也无法满足参观者个性化的需求，如根据参观者的提问对待展示的展品进行有针对性的回答讲解等。因此，为了更好地让参观者感受到展品的魅力和深度，如何提高参观者观展时的交互体验是本领域目前还有待进一步解决的问题。

发明内容

有鉴于此，本申请的目的在于提供一种基于云平台的信息处理方法、装置、设备及介质，能够快速且准确的根据参观者的提问进行针对性展品推荐信息，增强了参观者与展品之间的互动性，提高了参观者的体验感。其具体方案如下：

第一方面，本申请公开了一种基于云平台的信息处理方法，包括：

获取当前参观者针对待推荐展品的当前提问信息，得到当前提问信息；

对所述当前提问信息进行识别和分析，以识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词；

将所述问题类型和所述问题关键词输入至训练后的目标语音识别模型中，以匹配出与所述当前提问信息相关的目标答案；所述目标语音识别模型为利用数据集对基于深度学习网络构建的初始语言识别模型进行训练后得到的模型，所述数据集位于云平台的语言数据库中，包括历史展品当前提问信息及对应的历史答案；

根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息，并将所述展品推荐信息反馈至所述参观者。

可选的，所述对所述当前提问信息进行识别和分析，包括：

利用知识图谱和自然语言处理模型对当前提问信息进行识别和分析。

可选的，所述根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息，包括：

根据所述目标答案并基于自然语言生成技术生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息。

可选的，所述目标语音识别模型的训练过程，包括：

采集历史参观者提出的展品当前提问信息及对应的答案，得到历史展品当前提问信息及对应的历史答案；

将所述历史展品当前提问信息及对应的所述历史答案作为数据集输入至基于深度学习网络构建的初始语言识别模型中，以对所述初始语言识别模型进行训练，并通过反向传播算法对模型参数进行优化，得到所述目标语音识别模型。

可选的，所述将所述历史展品当前提问信息及对应的所述历史答案作为数据集输入至基于深度学习网络构建的初始语言识别模型中，包括：

分别生成与各个展品相关的当前提问信息及对应的答案，得到生成信息；

对所述生成信息、所述历史展品当前提问信息及对应的所述历史答案进行数据处理得到处理后数据，并将所述处理后数据作为数据集输入至基于深度学习网络构建的初始语言识别模型中。

可选的，所述深度学习网络为卷积神经网络或递归神经网络。

可选的，所述基于云平台的信息处理方法，还包括：

获取新的展品当前提问信息及对应的新展品推荐信息；

将所述新的展品当前提问信息及对应的所述新展品推荐信息添加至所述训练集中，得到新训练集，并利用所述新训练集对所述目标语音识别模型进行更新。

第二方面，本申请公开了一种基于云平台的信息处理装置，包括：

信息获取模块，用于获取当前参观者针对待推荐展品的当前提问信息，得到当前提问信息；

信息识别和分析模块，用于对所述当前提问信息进行识别和分析，以识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词；

答案匹配模块，用于将所述问题类型和所述问题关键词输入至训练后的目标语音识别模型中，以匹配出与所述当前提问信息相关的目标答案；所述目标语音识别模型为利用数据集对基于深度学习网络构建的初始语言识别模型进行训练后得到的模型，所述数据集位于云平台的语言数据库中，包括历史展品当前提问信息及对应的历史答案；

推荐信息生成模块，用于根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息；

信息推荐模块，用于将所述展品推荐信息反馈至所述参观者。

第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现前述的基于云平台的信息处理方法。

第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述的基于云平台的信息处理方法。

可见，本申请先获取当前参观者针对待推荐展品的当前提问信息，得到当前提问信息，然后对所述当前提问信息进行识别和分析，从而识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词，接着将所述问题类型和所述问题关键词输入至利用数据集对基于深度学习网络构建的初始语言识别模型进行训练后得到的目标语音识别模型中，以匹配出与所述当前提问信息相关的目标答案，再根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息，并将所述展品推荐信息反馈至所述参观者。本申请通过基于云平台的语音识别模型能够快速且准确的根据参观者的提问进行针对性展品推荐信息，增强了参观者与展品之间的互动性，提高了参观者的体验感。

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，还可以根据提供的附图获得其他的附图。

图1为本申请公开的一种基于云平台的信息处理方法流程图；

图2为本申请公开的一种基于云平台的信息处理装置结构示意图；

图3为本申请公开的一种电子设备结构图。

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。

本申请实施例公开了一种基于云平台的信息处理方法，参见图1所示，该方法包括：

步骤S11：获取当前参观者针对待推荐展品的当前提问信息，得到当前提问信息。

本实施例中，为了满足展品推荐时的大规模数据管理、高并发请求处理、复杂任务计算等需求，采用了具有数据存储、资源共享和处理能力强大的云平台，也即，本申请提出的方案是基于云平台实现的。具体的，该云平台可由根据实际应用需求和预算等因素选择的云服务提供商提供，并且该云平台可以通过公有云、私有云或混合云等方式进行搭建。

需要指出的是，从云服务提供商获取到合适的云平台后，还需要对云平台进行相应的配置及管理，如基础架构的部署、应用程序的部署、数据管理和备份及性能监控和优化等；其中，所述基础架构的部署具体可以包括：根据业务需求，配置虚拟机、存储、网络等基础设施，从而对云平台的基础架构进行搭建；所述应用程序的部署具体可以包括：将待部署到云平台上的应用程序打包成容器或镜像，然后通过容器编排工具进行部署和管理；所述数据管理和备份具体可以包括：通过云数据库和对象存储等服务对云平台上的数据进行管理和备份，从而保证数据的安全性和可靠性；所述性能监控和优化具体可以包括：利用云监控工具、日志分析工具等工具对云平台的性能进行监控和优化，从而保证云平台的稳定性和可用性；进一步的，为了使云平台更加高效、智能、安全，还可以将区块链、人工智能、大数据等技术应用到云平台中；另外，为了满足不同参观者的展品推荐需求，提供更加灵活、可扩展的云服务，还可以在云平台中应用如基于容器技术的云原生服务、Serverless服务等新型服务模式，以及共享经济模式、订阅服务模式等的新型商业模式。

本实施例中，在搭建完上述云平台之后，当需要向参观者推荐位于展览馆、博物馆、美术馆及公园等展馆内的展品时，先对位于上述展馆内的当前参观者的当前提问信息进行获取得到当前提问信息，以通过所述当前提问信息进行待推荐展品的确定。在一种具体的实施例中，可以预先在所述展馆内设置语音识别装置，该语音识别装置既可以安装在所述参观者所佩戴的设备上，也可以位于展馆内的某个固定位置上，通过所述语音识别装置可以对参观者的提问语音进行实时的获取。

步骤S12：对所述当前提问信息进行识别和分析，以识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词。

本实施例中，获取当前参观者针对待推荐展品的当前提问信息得到当前提问信息之后，可以先通过语音识别技术将上述当前提问信息的语音转换为文本，然后对转换后文本中包含的问题类型进行识别，并对问题关键词进行提取。

具体的，所述对所述当前提问信息进行识别和分析，可以包括：利用自然语言处理算法，如语言理解算法，对所述当前提问信息进行识别和分析。也即，通过自然语言处理（NLP，Natural Language Processing）算法对参观者的当前提问信息进行问题类型的识别和问题关键词的提取。其中，所述分析的目的是为了帮助理解提问者（即参观者）的意图和问题所涉及的主题，具体分析方式包括但不限于语义分析、词法分析、句法分析等。

在一种具体的实施方式中，所述当前提问信息进行识别和分析，以识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词，具体可以包括：利用知识图谱和自然语言处理模型对当前提问信息进行识别和分析，以识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词。本实施例中，可以利用知识图谱（Knowledge Graph）和自然语言处理模型将参观者的当前提问信息与存储在预先创建的知识图谱中的相关信息进行匹配，从而识别出当前提问信息的问题类型以及问题关键词。本实施例中，可以预先构建一个包含实体、关系和属性的知识图谱，涵盖了应用场景相关的信息，例如，当应用于艺术品展览的应用场景时，知识图谱可以包括艺术家、作品、风格、展览等实体和关系。针对当前提问信息，可以对其进行自然语言预处理，具体可以包括分词、词性标注、实体识别等处理，这样一来，可以更好地理解当前提问信息的结构和语义，进一步的，将经过预处理的问题输入至自然语言处理模型，如BERT（Bidirectional EncoderRepresentations from Transformer，来自变换器的双向编码器表征量）模型、GPT（Generative Pre-Trained Transformer，一种基于Transformer架构的自然语言处理模型）模型中，从而识别出当前提问信息的问题类型，如关于艺术家、展品、时间等方面的问题类型；在识别出问题类型后，根据问题类型从当前提问信息中提取关键词，具体的，可以先通过自然语言处理模型生成当前提问信息的关键词向量，如利用Word2Vec、GloVe等算法将当前提问信息转化为向量表示，以捕捉单词之间的语义关系；接着，在知识图谱中查找与上述问题类型和上述关键词向量相关的实体、关系和属性等。需要指出的是，如果当前提问信息需要上下文来更好地理解，可以将之前的历史对话或其他输入信息融合进来，从而更准确地理解问题并提供有针对性的答案。进一步的，根据知识图谱的查询结果和上下文分析，生成答案或建议来回应用户的问题；为了确保语法正确性和信息的完整性，还可以对生成的答案进行后处理和优化，如采用文本生成技术、语法纠错等对生成的答案进行相应的处理，本实施例通过将知识图谱和NLP模型结合，可以更全面地理解用户的提问，通过基于丰富的知识库提供更准确的答案和建议，如使用图数据库（如Neo4j、Dgraph）来存储和查询知识图谱中的实体和关系等信息。另外，需要指出的是，可以使用Hugging FaceTransformers库来访问BERT模型、GPT模型；对于对话历史或文本上下文可以使用上下文理解技术进行上下文分析，如RNN（Recurrent Neural Network，递归神经网络）、LSTM（LongShort-Term Memory，长短期记忆）、注意力机制等。本实施例通过将知识图谱算法与自然语言处理（NLP）模型结合，可以在问题识别、关键词提取和上下文理解等任务中获得更好的效果。

步骤S13：将所述问题类型和所述问题关键词输入至训练后的目标语音识别模型中，以匹配出与所述当前提问信息相关的目标答案；所述目标语音识别模型为利用数据集对基于深度学习网络构建的初始语言识别模型进行训练后得到的模型，所述数据集位于云平台的语言数据库中，包括历史展品当前提问信息及对应的历史答案。

本实施例中，识别出所述当前提问信息的问题类型并提取到所述当前提问信息中的问题关键词之后，进一步的，将上述问题类型和上述问题关键词一并输入到利用数据集对基于深度学习网络构建的初始语言识别模型进行训练后得到的目标语音识别模型中，以便通过所述目标语音识别模型匹配出与上述当前提问信息相关的目标答案；其中，所述数据集位于所述云平台的语言数据库中，具体包括历史展品当前提问信息及对应的历史答案。

其中，所述目标语音识别模型的匹配过程，具体可以包括：利用词嵌入技术将所述当前提问信息的问题类型和问题关键词转换为向量表示，得到问题向量；将所述问题向量与所述目标语音识别模型中的历史展品当前提问信息进行相似度计算，如利用余弦相似度来计算上述问题向量与上述历史展品当前提问信息对应的历史展品当前提问信息向量之间的相似性，接着根据相似度计算结果选择与当前提问信息最相似的历史展品当前提问信息及其对应的答案，并将其作为目标答案。

本实施例中，所述目标语音识别模型的训练过程，具体可以包括：采集历史参观者提出的展品当前提问信息及对应的答案，得到历史展品当前提问信息及对应的历史答案；将所述历史展品当前提问信息及对应的所述历史答案作为数据集输入至基于深度学习网络构建的初始语言识别模型中，以对所述初始语言识别模型进行训练，并通过反向传播算法对模型参数进行优化，得到所述目标语音识别模型。本实施例中，预先构建了一个目标语音识别模型，该目标语音识别模型能够根据参观者的当前提问信息从云平台的语言数据库中匹配出最相关的答案。在一种具体的实施方式中，先对历史参观者提出的展品当前提问信息及对应的答案进行采集，然后对采集到的历史展品当前提问信息及对应的历史答案进行数据处理，如清洗及整合、删除无效数据等，接着将处理后的数据作为数据集输入至基于深度学习网络构建的初始语言识别模型中，从而对所述初始语言识别模型进行训练，在训练的过程中，还可以通过反向传播算法（BP，Back Propagation）对模型中的参数进行优化，进而得到训练后的目标语音识别模型。其中，所述深度学习网络包括但不限于卷积神经网络（CNN，Convolutional Neural Network）、递归神经网络（即RNN）、变换器模型（Transformer）等。需要指出的是，为了提高目标语音识别模型识别的准确性，还可以根据参观者的反馈定期的对位于云平台的语言数据库中的数据集进行更新，并基于增量学习方法对目标语音识别模型进行在线更新和优化，例如，按照预设的时间间隔收集新的展品当前提问信息及对应的新展品推荐信息，然后将上述新的展品当前提问信息及对应的新展品推荐信息添加至上述训练集中得到新训练集，再利用上述新训练集对所述目标语音识别模型进行训练更新。需要指出的是，为了提高所述目标语音识别模型的响应速度和并发处理能力，可以采用分布式云计算平台来实现模型的训练。

需要指出的是，所述历史展品当前提问信息及对应的历史答案可以来自云平台中的语言库，具体的采集过程可以包括：确定云平台中各个语言库的范围和目标用户；根据所述范围和所述目标用户筛选出目标语言库，并对所述目标语言库进行收集；对所述目标语言库进行过滤及清理，得到处理后的语言库；对所述处理后的语言库进行整合和标注，得到一个统一的数据集；对所述数据集中的所有语言库进行验证和评估，并获取验证和评估通过后的语言库中的历史展品当前提问信息及对应的历史答案。在一种具体的实施方式中，可以先从云平台的语言库中确定出需要收集的所有编程语言库，以及这些编程语言库的应用场景和目标用户，接着根据确定的上述编程语言库的范围、上述应用场景和上述目标用户，并通过搜索引擎、开源代码库和社区等途径筛选和收集相关的目标语言库。本实施例中，为了提高对所述目标语言库的获取效率，可以采用自动化工具对所述目标语言库进行批量下载和整理；另外，考虑到收集到的所述目标语言库中可能存在重复、冗余、不完整等无效数据，因此可以进一步通过数据分析和处理工具对其进行过滤和清理，接着将过滤和清理后的语言库整合成一个统一的数据集，并对所述数据集中的数据库进行标注和分类，以便后续模型训练时使用，具体的标注过程可以采用人工标注或自动标注的方式实现；进一步的，对上述标注和分类后的语言库进行验证和评估，从而检测是否存在错误或者不一致的标注，若存在则进行相应的调整和修正，具体的，可以采用交叉验证、模型测试等方式来对语言库的质量和可用性进行评估。

本实施例中，所述将所述历史展品当前提问信息及对应的所述历史答案作为数据集输入至基于深度学习网络构建的初始语言识别模型中，具体可以包括：分别生成与各个展品相关的当前提问信息及对应的答案，得到生成信息；对所述生成信息、所述历史展品当前提问信息及对应的所述历史答案进行数据处理得到处理后数据，并将所述处理后数据作为数据集输入至基于深度学习网络构建的初始语言识别模型中。需要指出的是，本实施例为了提高目标语言识别模型的准确性和鲁棒性，以及对语音提问指令的理解能力，还可以将多模态数据（如图像、文本、语音等）结合使用。具体的，用于对基于深度学习网络构建的初始语言识别模型进行训练的数据集中除了可以包括参观者的历史展品当前提问信息及对应的历史答案之外，还可以包括根据不同的展品及参观者的需求而创建的与展品相关的问题和答案，并以录音或文本等形式保存到云平台的语言数据库中。

步骤S14：根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息，并将所述展品推荐信息反馈至所述参观者。

本实施例中，匹配出与所述当前提问信息相关的目标答案之后，可以进一步的根据上述目标答案生成与所述待推荐展品相关的针对上述当前提问信息的展品推荐信息，然后将生成的上述展品推荐信息反馈至上述参观者，如通过语音讲解的方式将生成的展品推荐信息反馈给参观者。

需要指出的是，根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息之前，具体还可以包括：利用注意力机制，如自注意力（Self-Attention），将所述当前提问信息和所述目标答案编码成更富含语义信息的表示。

具体的，所述根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息，可以包括：根据所述目标答案并基于自然语言生成技术生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息。本实施例中，可以利用自然语言生成（NLG，Natural Language Generation）算法对目标语音识别模型匹配出的目标答案进行处理，从而生成与待推荐展品相关的展品推荐信息。需要指出的是，当参观者为外籍游客等需要跨语言讲解的参观者时，可以利用自然语言处理算法将该参观者的提问语音转化为文字，然后对上述文字进行翻译，再根据翻译后的文字为参观者推荐相应展品的讲解信息。

本实施例中，为了更好的回答所述参观者的提问，以及提高所述目标语音识别模型的识别准确度，还可以利用情感分析算法对参观者的情感状态进行分析，以判断参观者是否对最终生成的展品推荐信息满意，若不满意则可以重新对所述目标语音识别模型进行训练。

本实施例中，在参观者参观过程中，为了增加参观者的体验感，还可以根据参观者的所处位置、停留时间等信息，实时的向参观者推荐距离当前位置最近的展品的讲解信息，或距离当前位置由近到远的预设数量个展品的讲解信息。

可见，本申请实施例先获取当前参观者针对待推荐展品的当前提问信息，得到当前提问信息，然后对所述当前提问信息进行识别和分析，从而识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词，接着将所述问题类型和所述问题关键词输入至利用数据集对基于深度学习网络构建的初始语言识别模型进行训练后得到的目标语音识别模型中，以匹配出与所述当前提问信息相关的目标答案，再根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息，并将所述展品推荐信息反馈至所述参观者。本申请实施例通过基于云平台的语音识别模型能够快速且准确的根据参观者的提问进行针对性展品推荐信息，增强了参观者与展品之间的互动性，提高了参观者的体验感和满意度，同时节省了系统维护和升级的成本。

相应的，本申请实施例还公开了一种基于云平台的信息处理装置，参见图2所示，该装置包括：

信息获取模块11，用于获取当前参观者针对待推荐展品的当前提问信息，得到当前提问信息；

信息识别和分析模块12，用于对所述当前提问信息进行识别和分析，以识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词；

答案匹配模块13，用于将所述问题类型和所述问题关键词输入至训练后的目标语音识别模型中，以匹配出与所述当前提问信息相关的目标答案；所述目标语音识别模型为利用数据集对基于深度学习网络构建的初始语言识别模型进行训练后得到的模型，所述数据集位于云平台的语言数据库中，包括历史展品当前提问信息及对应的历史答案；

推荐信息生成模块14，用于根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息；

信息推荐模块15，用于将所述展品推荐信息反馈至所述参观者。

其中，关于上述各个模块的具体工作流程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

可见，本申请实施例中，先获取当前参观者针对待推荐展品的当前提问信息，得到当前提问信息，然后对所述当前提问信息进行识别和分析，从而识别出所述当前提问信息的问题类型并提取所述当前提问信息中的问题关键词，接着将所述问题类型和所述问题关键词输入至利用数据集对基于深度学习网络构建的初始语言识别模型进行训练后得到的目标语音识别模型中，以匹配出与所述当前提问信息相关的目标答案，再根据所述目标答案生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息，并将所述展品推荐信息反馈至所述参观者。本申请实施例通过基于云平台的语音识别模型能够快速且准确的根据参观者的提问进行针对性展品推荐信息，增强了参观者与展品之间的互动性，提高了参观者的体验感。

信息识别和分析单元，用于利用知识图谱和自然语言处理模型对当前提问信息进行识别和分析。

在一些具体实施例中，所述推荐信息生成模块14，具体可以包括：

推荐信息生成单元，用于根据所述目标答案并基于自然语言生成技术生成与所述待推荐展品相关的针对所述当前提问信息的展品推荐信息。

在一些具体实施例中，所述目标语音识别模型的训练过程，具体可以包括：

历史展品信息采集单元，用于采集历史参观者提出的展品当前提问信息及对应的答案，得到历史展品当前提问信息及对应的历史答案；

模型训练单元，用于将所述历史展品当前提问信息及对应的所述历史答案作为数据集输入至基于深度学习网络构建的初始语言识别模型中，以对所述初始语言识别模型进行训练；

模型参数优化单元，用于通过反向传播算法对模型参数进行优化，得到所述目标语音识别模型。

在一些具体实施例中，所述模型训练单元，具体可以包括：

展品信息生成单元，用于分别生成与各个展品相关的当前提问信息及对应的答案，得到生成信息；

数据处理单元，用于对所述生成信息、所述历史展品当前提问信息及对应的所述历史答案进行数据处理得到处理后数据；

数据集输入单元，用于将所述处理后数据作为数据集输入至基于深度学习网络构建的初始语言识别模型中。

在一些具体实施例中，所述深度学习网络为卷积神经网络或递归神经网络。

在一些具体实施例中，所述基于云平台的信息处理装置，还可以包括：

新展品信息获取单元，用于获取新的展品当前提问信息及对应的新展品推荐信息；

信息添加单元，用于将所述新的展品当前提问信息及对应的所述新展品推荐信息添加至所述训练集中，得到新训练集；

模型更新单元，用于利用所述新训练集对所述目标语音识别模型进行更新。

进一步的，本申请实施例还公开了一种电子设备，图3是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图3为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的基于云平台的信息处理方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于云平台的信息处理方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。

进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于云平台的信息处理方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，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申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的一种基于云平台的信息处理方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。