推荐方法、推荐模型的生成方法及装置

技术领域

本申请涉及推荐技术领域，特别地涉及一种推荐方法、推荐模型的生成方法及装置。

背景技术

随着社会的快速发展，生活工作等各种压力极大的影响了人们的睡眠，使得睡眠质量成为一个社会热点话题。伴随着人工智能技术的不断完善，各种AI睡眠辅助系统开始出现，他们可以检测并收集人体睡眠状态信息，通过智能算法进行分析进而对智能家居场景进行调整，提高人们的睡眠质量。然而，个性化辅助系统就意味着个人的睡眠状态等隐私信息将会全部上传到服务端，可能会出现数据泄露，用户的隐私安全存在隐患。

发明内容

针对上述问题，本申请提供一种推荐方法及推荐模型的生成方法及装置，能够在避免隐私泄露的同时，提升用户的睡眠质量。

本申请实施例提供一种推荐模型的生成方法，应用于服务器，应用于服务器，包括：

获取初始神经网络模型；

将所述初始神经网络模型发送给各个本地设备，以使本地设备基于本地设备中的睡眠状态和智能家居设备的使用状态对所述初始神经网络模型进行训练得到模型参数；

获取所述本地设备发送的模型参数；

基于所述模型参数进行聚合处理，得到目标模型参数；

将所述目标模型参数发送给各个本地设备，以使本地设备基于所述目标模型参数更新所述初始神经网络，得到所述推荐模型。

在一些实施例中，所述获取初始神经网络模型，包括：

获取公开的用户的睡眠状态和所述用户在睡眠期间使用的智能家居设备的使用状态；

基于公开的用户的睡眠状态和所述用户在睡眠期间使用的智能家居设备的使用状态确定初始神经网络模型。

本申请实施例提供一种推荐方法，应用于本地设备，包括：

获取用户的睡眠状态；

将所述睡眠状态输入至所述本地设备中的推荐模型中确定智能家居设备的使用状态，其中，所述推荐模型的目标模型参数基于服务器对多个本地设备上传的模型参数进行聚合处理得到，所述模型参数是本地设备对服务器发送的初始神经网络模型进行训练得到；

基于所述智能家居设备的使用状态控制各个智能家居设备运行。

在一些实施例中，所述获取用户的睡眠状态，包括：

确定是否获取到所述用户的睡眠状态；

在没有获取到所述用户的睡眠状态的情况下，获取所述用户的特征信息；

基于所述特征信息确定相似用户；

将所述相似用户的睡眠状态确定为所述用户的睡眠状态。

在一些实施例中，所述获取用户的睡眠状态，包括：

确定是否获取到所述用户的睡眠状态；

在没有获取到所述用户的睡眠状态的情况下，获取所述用户使用的智能家居设备的设备信息；

基于所述设备信息确定相似用户；

将所述相似用户的睡眠状态确定为所述用户的睡眠状态。

在一些实施例中，所述方法还包括：

从所述服务器获取所述初始神经网络模型，其中，所述初始神经网络模型包括：模型参数；

基于所述用户的睡眠状态和在睡眠期间所述用户使用的智能家居设备的使用状态对所述初始神经网络模型进行训练，得到所述初始神经网络模型的模型参数；

将所述模型参数发送至所述服务器，以使所述服务器基于所述模型参数进行聚合处理得到目标模型参数；

获取所述服务器发送的目标模型参数；

基于所述目标模型参数更新所述初始神经网络模型，得到所述推荐模型。

本申请实施例提供一种推荐装置，包括：

第一获取模块，用于获取用户的睡眠状态；

第一确定模块，用于将所述睡眠状态输入至所述本地设备中的推荐模型中确定智能家居设备的使用状态，其中，所述推荐模型的目标模型参数基于服务器对多个本地设备上传的模型参数进行聚合处理得到，所述模型参数是本地设备对服务器发送的初始神经网络模型进行训练得到；

控制模块，用于基于所述智能家居设备的使用状态控制各个智能家居设备运行。

本申请实施例提供一种推荐模型的生成装置，包括：

第二获取模块，用于获取初始神经网络模型；

第一发送模块，用于将所述初始神经网络模型发送给各个本地设备，以使本地设备基于本地设备中的睡眠状态和智能家居设备的使用状态对所述初始神经网络模型进行训练得到模型参数；

第三获取模块，用于获取所述本地设备发送的模型参数；

聚合模块，用于基于所述模型参数进行聚合处理，得到目标模型参数；

第二发送模块，用于将所述目标模型参数发送给各个本地设备，以使本地设备基于所述目标模型参数更新所述初始神经网络，得到所述推荐模型。

本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行上述任意一项所述推荐方法或上述任一项所述的推荐模型的生成方法。

本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现上述所述推荐方法或上述任一项所述的推荐模型的生成方法。

本申请提供的一种推荐方法、推荐模型的生成方法及装置，通过服务器获取本地设备的模型参数进行聚合处理得到目标模型参数，并将目标模型参数发送给本地设备，从而使得本地设备得到推荐模型，从而在本地设备获取到用户的睡眠状态时，将所述睡眠状态输入至所述本地设备中的推荐模型中确定智能家居设备的使用状态，基于所述智能家居设备的使用状态控制各个智能家居设备运行，能够在避免用户隐私泄露的情况下，提升用户的睡眠质量。

附图说明

在下文中将基于实施例并参考附图来对本申请进行更详细的描述。

图1为本申请实施例提供的一种推荐模型的生成方法的实现流程示意图；

图2为本申请实施例提供的一种推荐方法的实现流程示意图；

图3为本申请实施例提供的电子设备的组成结构示意图。

在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

如果申请文件中出现“第一第二第三”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一第二第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一第二第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

实施例一

基于相关技术中存在的问题，本申请实施例提供一种推荐模型的生成方法，所述方法应用于服务器，所述服务器可以是电子设备，所述电子设备可以是计算机、移动终端等，所述移动终端可以包括手机、平板电脑、智能面板等。在一些实施例中，所述电子设备可以是服务器的控制器，本申请实施例提供的推荐模型的生成方法所实现的功能可以通过电子设备的处理器调用程序代码来实现，其中，程序代码可以保存在计算机存储介质中。

本申请实施例提供一种推荐模型的生成方法，图1为本申请实施例提供的一种推荐模型的生成方法的实现流程示意图，如图1所示，包括：

步骤S101，获取初始神经网络模型。

本申请实施例中，初始神经网络模型可以是基于公开的用户的睡眠状态和所述用户在睡眠期间使用的智能家居设备的使用状态进行训练得到。

在一些实施例中，可以通过网络来获取初始神经网络模型。

本申请实施例中，所述睡眠状态可以包括：用户睡眠心率、体温、睡眠总时间、深度睡眠时间和夜间身体异常动作等数据。所述智能家居设备的使用状态可以包括：各个智能家居设备的使用时间、使用状态、使用参数等。

步骤S102，将所述初始神经网络模型发送给各个本地设备，以使本地设备基于本地设备中的睡眠状态和智能家居设备的使用状态对所述初始神经网络模型进行训练得到模型参数。

本申请实施例中，服务器会将初始神经网络模型进行加密，可以通过服务器的公钥来对初始神经网络模型进行加密，将加密后的初始神经网络模型发送给各个本地设备。

本申请实施例中，所述本地设备可以包括多个。为了使得训练得到的模型的精度更高，适用范围更广，本地设备的数量可以尽量的多。

本申请实施例中，本地设备获取到加密后的初始神经网络模型后，会基于公钥对应的私钥来进行解密，本地设备基于本地设备中的睡眠状态和智能家居设备的使用状态对所述初始神经网络模型进行训练，从而得到训练后的神经网络模型。

步骤S103，获取所述本地设备发送的模型参数。

本申请实施例中，本地设备可以获取训练后的神经网络模型的模型参数，并将模型参数进行加密，然后发送给服务器，从而使得服务器获取到本地设备发送的模型参数。

步骤S104，基于所述模型参数进行聚合处理，得到目标模型参数。

本申请实施例中，聚合处理的基础的参数聚合算法是联邦平均算法，具体算法流程如下：

设当前全局模型参数为w(t)，服务器随机选中n个客户端(表示为集合V)，n个客户端本地更新完毕后，服务端的聚合公式参加公式(1)，每次服务器都将所有客户端的的模型参数聚合处理。

步骤S105，将所述目标模型参数发送给各个本地设备，以使本地设备基于所述目标模型参数更新所述初始神经网络，得到所述推荐模型。

本申请实施例中，服务器可以将目标模型参数采用公钥来进行加密，并将加密后的目标模型参数发送给本地设备。本地设备可以将初始神经网络模型的模型参数更新为所述目标模型参数。

本申请实施例中，可以重复执行步骤S102至步骤S105，模型收敛，得到用于睡眠场景推荐的推荐模型。

本申请实施例提供的一种推荐模型的生成方法，通过服务器获取本地设备的模型参数进行聚合处理得到目标模型参数，并将目标模型参数发送给本地设备，从而使得本地设备得到推荐模型，本申请实施例中，将所有睡眠相关信息，都保存在本地设备，只在本地进行数据调用，避免数据泄露，最大程度保护用户隐私安全。

实施例二

基于前述的各个实施例，本申请实施例再提供一种推荐模型的生成方法，所述方法应用于推荐模型的生成系统，所述系统包括：本地设备和服务器，本申请实施例中，所述本地设备可以是智能家居设备，所述方法包括：

步骤S201，服务器获取初始神经网络模型。

本申请实施例中，初始神经网络模型可以是基于公开的用户的睡眠状态和所述用户在睡眠期间使用的智能家居设备的使用状态进行训练得到。

步骤S202，将所述初始神经网络模型发送给各个本地设备。

服务器会将初始神经网络模型进行加密，可以通过服务器的公钥来将神经网络进行加密，将加密后的初始神经网络模型发送给各个本地设备。

步骤S203，本地设备基于所述用户的睡眠状态和在睡眠期间所述用户使用的智能家居设备的使用状态对所述初始神经网络模型进行训练，得到所述初始神经网络模型的模型参数。

本地设备获取到加密后的初始神经网络模型后，会基于公钥对应的私钥来进行解密，本地设备基于本地设备中的睡眠状态和智能家居设备的使用状态对所述初始神经网络模型进行训练，从而得到训练后的神经网络模型。

步骤S204，本地设备将所述模型参数发送至所述服务器。

本地设备可以获取训练后的神经网络模型的模型参数，并将模型参数进行加密，然后发送给服务器。

步骤S205，服务器获取所述本地设备发送的模型参数。

本申请实施例中，服务器可以用公钥来对本地设备发送的模型参数来进行解密。

步骤S206，服务器基于所述模型参数进行聚合处理，得到目标模型参数。

本申请实施例中，聚合处理的基础的参数聚合算法是联邦平均算法，具体算法流程如下：

设当前全局模型参数为w(t)，服务器随机选中n个客户端(表示为集合V)，n个客户端本地更新完毕后，服务端的聚合公式参加公式(1)，每次服务器都将所有客户端的的模型参数聚合处理。

步骤S207，将所述目标模型参数发送给各个本地设备。

本申请实施例中，服务器可以将目标模型参数采用公钥来进行加密，并将加密后的目标模型参数发送给本地设备。

步骤S208，本地设备获取所述服务器发送的目标模型参数。

步骤S209，本地设备基于所述目标模型参数更新所述初始神经网络模型，得到所述推荐模型。

本地设备可以将初始神经网络模型的模型参数更新为所述目标模型参数。本地设备可以将推荐模型存储在本地设备中来对用户睡眠状态下的设备的使用状态进行推荐。

本申请实施例提供的一种推荐模型的生成方法，通过服务器获取本地设备的模型参数进行聚合处理得到目标模型参数，并将目标模型参数发送给本地设备，从而使得本地设备得到推荐模型，将所有睡眠相关信息，都保存在本地设备，只在本地进行数据调用，避免数据泄露，最大程度保护用户隐私安全。

实施例三

本申请实施例提供一种推荐方法，所述方法应用于本地设备，所述本地设备可以是电子设备，所述电子设备可以是计算机、移动终端、智能家居设备等，所述移动终端可以包括手机、平板电脑、智能面板等，所述智能家居设备可以包括：空调、冰箱等。在一些实施例中，所述电子设备可以本地设备的控制器，本申请实施例提供的推荐模型的生成方法所实现的功能可以通过电子设备的处理器调用程序代码来实现，其中，程序代码可以保存在计算机存储介质中。

图2为本申请实施例提供的一种推荐方法的实现流程示意图，如图2所示，包括：

步骤S301，获取用户的睡眠状态。

本申请实施例中，电子设备可以和睡眠检测仪通信连接，通过睡眠监测仪来获取用户的睡眠状态。

本申请实施例中，睡眠状态可以包括：用户睡眠心率、体温、睡眠总时间、深度睡眠时间和夜间身体异常动作等数据。

在一些实施例中，步骤S301可以通过以下步骤实现：

确定是否获取到所述用户的睡眠状态；在没有获取到所述用户的睡眠状态的情况下，获取所述用户使用的智能家居设备的设备信息；基于所述设备信息确定相似用户；将所述相似用户的睡眠状态确定为所述用户的睡眠状态。

本申请实施例中，没有获取到用户的睡眠状态可以是用户第一次使用本地设备的时候，本申请实施例中，可以获取所述用户使用的智能家居设备的设备信息；基于所述设备信息确定相似用户；将所述相似用户的睡眠状态确定为所述用户的睡眠状态。

本申请实施例中，所述设备信息可以包括：空调、冰箱等等。本申请实施例中，可以计算设备信息与别的用户的设备信息之间的相似度，通过相似度来确定相似用户。本申请实施例中，可以选取相似度大于相似度阈值的设备信息对应的用户确定为相似用户。

在一些实施例中，步骤S301可以通过以下步骤实现：确定是否获取到所述用户的睡眠状态；在没有获取到所述用户的睡眠状态的情况下，获取所述用户的特征信息；基于所述特征信息确定相似用户；将所述相似用户的睡眠状态确定为所述用户的睡眠状态。

本申请实施例中，所述用户的特征信息可以是用户的身高、体重、年龄等。

可以计算特征信息与别的用户的特征信息之间的相似度，通过相似度来确定相似用户。本申请实施例中，可以选取相似度大于相似度阈值的特征信息对应的用户确定为相似用户。

步骤S302，将所述睡眠状态输入至所述本地设备中的推荐模型中确定智能家居设备的使用状态，其中，所述推荐模型的目标模型参数基于服务器对多个本地设备上传的模型参数进行聚合处理得到，所述模型参数是本地设备对服务器发送的初始神经网络模型进行训练得到。

本申请实施例中，所述推荐模型可以通过上述实施例提供的推荐模型的生成方法生成的。

步骤S303，基于所述智能家居设备的使用状态控制各个智能家居设备运行。

本申请实施例中，在确定了智能家居设备的使用状态后，可以发送控制指令给各个智能家居设备，从而使得智能家居设备基于控制指令运行，以使智能家居设备在所述使用状态下工作。

在一些实施例中，在步骤S301之前，所述方法还包括：

从所述服务器获取所述初始神经网络模型，其中，所述初始神经网络模型包括：模型参数；基于所述用户的睡眠状态和在睡眠期间所述用户使用的智能家居设备的使用状态对所述初始神经网络模型进行训练，得到所述初始神经网络模型的模型参数；将所述模型参数发送至所述服务器，以使所述服务器基于所述模型参数进行聚合处理得到目标模型参数；获取所述服务器发送的目标模型参数；基于所述目标模型参数更新所述初始神经网络模型，得到所述推荐模型。

本申请提供的一种推荐方法，通过服务器获取本地设备的模型参数进行聚合处理得到目标模型参数，并将目标模型参数发送给本地设备，从而使得本地设备得到推荐模型，从而在本地设备获取到用户的睡眠状态时，将所述睡眠状态输入至所述本地设备中的推荐模型中确定智能家居设备的使用状态，基于所述智能家居设备的使用状态控制各个智能家居设备运行，能够在避免用户隐私泄露的情况下，提升用户的睡眠质量。

实施例四

基于前述的各个实施例，本申请实施例在提供一种推荐方法，本申请实施例提供的推荐方法，主要利用联邦学习技术实现对用户睡眠状态等隐私信息的本地调用和训练，再联合不同用户的睡眠场景数据建立横向联邦个性化推荐学习模型(通上述实施例中的推荐模型)，进而得到精准的用户睡眠场景的推荐方法。让用户在避免隐私信息泄露的同时，得到最舒适的睡眠环境。

首先，通过睡眠检测仪获取用户的睡眠状态以及睡眠期间空调、窗帘和光照等使用状态信息，其中睡眠状态包括用户睡眠心率、体温、睡眠总时间、深度睡眠时间和夜间身体异常动作等数据，智能家居使用状态信息包括使用时间、使用状态等数据。将所有睡眠相关信息，都保存在本地客户端(同上述实施例中的本地设备)，只在本地进行数据调用，避免数据泄露，最大程度保护用户隐私安全。

然后，当用户第一次使用睡眠场景推荐系统时，此时并没有该用户的睡眠状态数据，横向联邦个性化推荐模型将会搜索具有相似特点或者相似资源的用户特征，按照该特征模型情况进行推荐。该方法可以有效解决传统推荐方法下具备较少数据用户使用体验较差的情况，也就是冷启动问题。在收集到用户的睡眠状态数据后，按照联邦学习方法调用本地用户睡眠状态数据，训练本地模型。

服务器对用户的睡眠状态信息进行特征表示，初始化初始神经网络模型，并通过公钥对初始神经网络模型进行加密操作。同时，服务器将加密后的初始神经网络模型从服务端传输到各客户端；

客户端初始化初始神经网络模型，用私钥解密初始神经网络模型，在本地构建个性化学习推荐模型，训练得到模型参数信息(同上述实施例中的模型参数)，将参数信息再次加密传输到服务端进行参数聚合。

服务端在加密状态下完成参数聚合后进行聚合结果更新，加密传回本地客户端进行解密计算，再次更新本地个性化模型(同上述实施例中的推荐模型)。

重复上述步骤直至算法模型收敛，得到用于睡眠场景推荐的客户端本地个性化推荐模型。

最后，利用已经训练完成的个性化推荐模型对客户端用户特征表示向量进行睡眠场景推荐，联合各种智能家居设备给用户营造最舒适的睡眠环境，提高用户睡眠质量。

实施例五

基于前述的实施例，本申请实施例提供一种推荐模型的生成装置，该装置包括的各模块、以及各模块包括的各单元，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU，CentralProcessing Unit)、微处理器(MPU，Microprocessor Unit)、数字信号处理器(DSP，DigitalSignal Processing)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等。

本申请实施例提供一种推荐模型的生成装置，推荐模型的生成装置包括：

第二获取模块，用于获取初始神经网络模型；

第一发送模块，用于将所述初始神经网络模型发送给各个本地设备，以使本地设备基于本地设备中的睡眠状态和智能家居设备的使用状态对所述初始神经网络模型进行训练得到模型参数；

第三获取模块，用于获取所述本地设备发送的模型参数；

聚合模块，用于基于所述模型参数进行聚合处理，得到目标模型参数；

第二发送模块，用于将所述目标模型参数发送给各个本地设备，以使本地设备基于所述目标模型参数更新所述初始神经网络，得到所述推荐模型。

在一些实施例中，所述获取初始神经网络模型，包括：

获取公开的用户的睡眠状态和所述用户在睡眠期间使用的智能家居设备的使用状态；

基于公开的用户的睡眠状态和所述用户在睡眠期间使用的智能家居设备的使用状态确定初始神经网络模型。

基于前述的实施例，本申请实施例提供一种推荐装置，所述推荐装置包括：

第一获取模块，用于获取用户的睡眠状态；

第一确定模块，用于将所述睡眠状态输入至所述本地设备中的推荐模型中确定智能家居设备的使用状态，其中，所述推荐模型的目标模型参数基于服务器对多个本地设备上传的模型参数进行聚合处理得到，所述模型参数是本地设备对服务器发送的初始神经网络模型进行训练得到；

控制模块，用于基于所述智能家居设备的使用状态控制各个智能家居设备运行。

在一些实施例中，所述获取用户的睡眠状态，包括：

确定是否获取到所述用户的睡眠状态；

在没有获取到所述用户的睡眠状态的情况下，获取所述用户的特征信息；

基于所述特征信息确定相似用户；

将所述相似用户的睡眠状态确定为所述用户的睡眠状态。

在一些实施例中，所述获取用户的睡眠状态，包括：

确定是否获取到所述用户的睡眠状态；

在没有获取到所述用户的睡眠状态的情况下，获取所述用户使用的智能家居设备的设备信息；

基于所述设备信息确定相似用户；

将所述相似用户的睡眠状态确定为所述用户的睡眠状态。

在一些实施例中，所述推荐装置还用于：

从所述服务器获取所述初始神经网络模型，其中，所述初始神经网络模型包括：模型参数；

基于所述用户的睡眠状态和在睡眠期间所述用户使用的智能家居设备的使用状态对所述初始神经网络模型进行训练，得到所述初始神经网络模型的模型参数；

将所述模型参数发送至所述服务器，以使所述服务器基于所述模型参数进行聚合处理得到目标模型参数；

获取所述服务器发送的目标模型参数；

基于所述目标模型参数更新所述初始神经网络模型，得到所述推荐模型。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的推荐方法，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：U盘、移动硬盘、只读存储器(ROM，Read OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

相应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例中提供的推荐方法中的步骤。

实施例六

本申请实施例提供一种电子设备；图3为本申请实施例提供的电子设备的组成结构示意图，如图3所示，所述电子设备700包括：一个处理器701、至少一个通信总线702、用户接口703、至少一个外部通信接口704、存储器705。其中，通信总线702配置为实现这些组件之间的连接通信。其中，用户接口703可以包括显示屏，外部通信接口704可以包括标准的有线接口和无线接口。所述处理器701配置为执行存储器中存储的推荐方法或推荐装置的生成方法的程序，以实现以上述实施例提供的推荐方法或推荐装置的生成方法中的步骤。

以上电子设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请计算机设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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。

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、只读存储器(ROM，Read Only Memory)、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控制器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、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。