一种寻优抽样方法、装置及电子设备

技术领域

本公开涉及数据处理技术领域，尤其涉及机器学习技术领域。

背景技术

在一些应用场景中，将参与测试的对象，如参与测试的人员、样本数据等，分为实验组和对照组。分别对实验组和对照组进行实验，并在测试中引入变量，以确定变量对于实验结果的影响。该实验方法称为A/B实验。

发明内容

本公开提供了一种用于寻优抽样方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种寻优抽样方法，包括：

获取多个待分组对象各自的对象特征；

针对每两个所述对象特征中相同特征维度的特征值组成的特征值对，对所有所述对象特征进行加权求和，得到所述特征值对中两个特征值的差值绝对值；

根据所述差值绝对值，计算每两个所述待分组对象特征间的相似度；

选取至少一对所述相似度大于预设相似度阈值的所述待分组对象，作为寻优对象对。

根据本公开的第二方面，提供了一种寻优抽样装置，包括：

特征获取模块，用于获取多个待分组对象各自的对象特征；

差值求解模块，用于针对每两个所述对象特征中相同特征维度的特征值组成的特征值对，对所有所述对象特征进行加权求和，得到所述特征值对中两个特征值的差值绝对值；

相似度求解模块，用于根据所述差值绝对值，计算每两个所述待分组对象特征间的相似度；

对象对筛选模块，用于选取至少一对所述相似度大于预设相似度阈值的所述待分组对象，作为寻优对象对。

根据本公开提供的第三方面，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上述第一方面所述的方法。

根据本公开提供的第四方面，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，其中，所述计算机指令用于使所述计算机执行根据上述第一方面所述的方法。

根据本公开提供的第四方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述第一方面所述的方法。

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

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是本公开提供的寻优抽样方法的一种流程示意图；

图2是本公开提供的用于实现寻优抽样的前馈神经网络的一种结构示意图；

图3是本公开提供的前馈神经网络中的差值求解单元的一种结构示意图；

图4是本公开提供的寻优抽样方法的另一种流程示意图；

图5是本公开提供的寻优抽样装置的另一种结构示意图；

图6是用来实现本公开实施例的寻优抽样方法的电子设备的框图。

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。

为更清楚的对本公开提供的寻优抽样方法进行说明，下面将对本公开提供的寻优抽样方法的一种可能的应用场景进行示例性说明，可以理解的是，以下示例仅是本公开提供的寻优抽样方法的一种可能的应用场景，在其他可能的实施例中，本公开提供的寻优抽样方法也可以应用于其他可能的实施例中，以下示例对此不作任何限制。

某应用开发商为应用开发了一个新功能，为确定是否上线该新功能，应用开发商可以通过A/B实验确定新功能对用户留存率的影响。示例性的，将多个测试人员分为对照组和实验组，并让对照组的测试人员使用不带有新功能的应用，并让实验组的测试人员使用带有新功能的应用。分别统计对照组和实验组的用户留存率，从而得到新功能对用户留存率的影响。

为避免对照组和实验组相互干扰，同一测试人员不能够同时属于对照组和实验组。并且为提高实验结果的准确性，应当尽可能减少对照组和实验组之间的变量，因此需要对照组中的测试人员与实验组中的测试人员尽可能相似。

可见，若将一个测试人员划分至对照组，则需要将另一个与该测试人员足够相似的测试人员划分至实验组。因此，相关技术中往往将测试人员分为多个测试人员对，每个测试人员对由两个(组)足够相似的测试人员组成，针对每个测试人员对，将其中一个(组)测试人员分配至对照组，并将其中另一个(组)测试人员分配至实验组，该过程称为寻优抽样。

而为了准确地将测试人员分为多个测试人员对，需要确定每两个测试人员是否足够相似，即需要计算两个每两个测试人员间的相似度。当测试人员的数量较多时需要计算的相似度较多，导致寻优抽样的效率较低。

相关技术中，为提高寻优抽样的效率，仅计算部分测试人员间的相似度，根据计算得到的部分测试人员间的相似度，抽取测试人员对。但是由于仅计算了部分测试人员间的相似度，因此抽取的测试人员对中的测试人员可能不足够相似，即寻优抽样的准确性较低。

基于此，本公开提供了一种寻优抽样方法，如图1所示，包括：

S101，获取多个待分组对象各自的对象特征。

S102，针对每两个对象特征中相同特征维度的特征值组成的特征值对，对所有对象特征进行加权求和，得到特征值对中两个特征值的差值绝对值。

S103，根据差值绝对值，计算每两个待分组对象特征间的相似度。

S104，选取至少一对相似度大于预设相似度阈值的待分组对象，作为寻优对象对。

选用该实施例，可以将相似度的计算拆解为差值绝对值的计算，并通过对所有对象特征进行加权求和的方式计算每个特征值对中两个特征值的差值绝对值，因此每个差值绝对值的计算方式相同，且输入均为所有对象特征，区别仅在于计算不同差值绝对值时加权求和过程中所使用的的权重不同，因此可以通过一次输入、以及同一种计算方式计算批量得到所有特征值对中两个特征值的差值绝对值，有效提高了差值绝对值的计算效率，从而提高了相似度的计算效率，即有效提高了寻优抽样的效率。

另一方面，由于本公开提供的寻优抽样方法能够批量计算出所有特征值对中两个特征值的差值绝对值，因此可以计算得到每两个待分组对象间的相似度，因此能够准确地确定出足够相似的待分组对象作为寻优对象对，因此可以有效提高寻优抽样的准确性。

前述待分组对象根据应用场景的不同可以是不同类型的对象，包括但不限于人员、图像、文本等。并且每个待分组对象可以是单个个体，也可以是由多个个体组成的集合，例如，每个待分组对象可以是一个人员，也可以是由多个人员组成的流量桶。

前述对象特征为用于表征待分组对象的向量，每个对象特征为一个M维的向量。在一种可能的实施例中，为使得特征向量能够准确地表征待分组对象，以待分组对象为粒度，收集每个待分组对象在预设时间长度内产生的数据，并提取这些数据的特征，作为该待分组对象的对象特征。

本文中的相似度的大小是指相似度所表示的相似程度的大小，而非相似度数值上的大小。根据应用场景的不同，相似度所表示的相似程度的大小与相似度数值上的大小可以是正相关的，也可以是负相关的。

示例性的，若以两个待分组对象的对象特征间的余弦距离表示两个待分组对象间的相似度，则相似度的数值越大，相似度所表示的相似程度越大。而若以欧式距离表示两个待分组对象间的相似度，则相似度的数值越大，相似度所表示的相似程度越小。

可以理解的是，在前述S102中，需要多次加权求和，而每次加权求和的对象为所有对象特征，而全连接层所实现的运算即为对输入的每个数值进行多次加权求和，因此前述S102可以使用全连接层实现。

示例性的，前述S102通过以下方式实现：

针对每个两个对象特征中相同特征维度的特征值组成的特征值对，将特征值对输入至预设的全连接层，得到全连接层输出的特征值对中两个特征值的差值绝对值，

其中，全连接层用于针对每个特征值对，计算特征值对中两个特征值的差值绝对值，并输出该差值绝对值。

选用该实施例，可以利用全连接层实现差值绝对值的计算，一方面，全连接层架构较为简单，能够降低本公开提供的寻优抽样方法的实现难度。另一方面，全连接层的架构适用于并行计算、GPU计算，因此可以利用并行计算、GPU计算等方式进一步提高确定差值绝对值的效率，即进一步提高本公开提供的寻优抽样方法的效率。

前述全连接层可以是独立的全连接层，也可以是处于预设前馈神经网络中的全连接层，预设前馈神经网络包括输入层、全连接层以及输出层。

对于全连接层处于预设前馈神经网络的情况，该预设前馈神经网络的输入为所有对象特征，输出可以为每个特征值对中两个特征值的差值绝对值，也可以为每两个待分组对象间的相似度。

为更清楚地对本公开提供的寻优抽样方法进行说明，下面将以预设前馈神经网络的输出为每两个待分组对象间的相似度为例，对前馈神经网络的结构进行说明：

参见图2，图2所示为本发明实施例提供的前馈神经网络的一种结构示意图，在该示例中，前馈神经网络包括输入层、全连接层以及输出层。并且，全连接层包括多个差值求解单元。

输入层用于将每两个对象特征中相同特征维度的特征值作为一个特征值对输入至特征值对对应的所述差值求解单元，其中，不同的所述特征值对对应于不同的差值求解单元。

示例性的，假设一共存在三个待分组对象，分别记为待分组对象1-3，其中，待分组对象1的对象特征为{x11，x12，x13}，x11为待分组对象1在特征维度1上的特征值，x12为待分组对象1在特征维度2上的特征值，x13为待分组对象1在特征维度3上的特征值。待分组对象2的对象特征为{x21，x22，x23}，待分组对象3的对象特征为{x31，x32，x33}。

则在该实施例中，一共存在9个特征值对，分别为{x11，x21}、{x11，x31}、{x21，x31}、{x12，x22}、{x12，x32}、{x22，x32}、{x13，x23}、{x13，x33}、{x23，x33}。因此，输入层将该9个特征值对分别输入至不同的差值求解单元。

差值求解单元用于计算输入至该差值求解单元的特征值对中两个特征值的差值绝对值，并将所述差值绝对值输入至所述输出层。示例性的，假设{x11，x21}被输入至差值求解单元1，则差值求解单元1计算x11与x21的差值绝对值，并将计算得到的差值绝对值输入至输出层。

选用该实施例，通过将全连接层单元化，便于根据具体的应用场景设计全连接层，有效提高了寻优抽样方法的适应性。

输入层可以是一层也可以是多层，并且第一层输入层中每个神经元的输入应当为一个对象特征中的一个特征值，并且输入至不同神经元的特征值应当不同。最后一层输入层与全连接层连接，因此全连接层中的每个神经元分别与最后一层输入层中的所有神经元连接。

而差值求解单元属于全连接层，因此最后一层输入层中的每个神经元与每个差值求解单元连接。可见，通过合理设置前馈神经网络的权重，即可使得输出层将每两个对象特征中相同特征维度的特征值作为一个特征值对输入至特征值对对应的所述差值求解单元。

示例性的，若最后一层输入层中每个神经元的输入为一个特征值，则输入层中第i个神经元输入至第j个差值求解单元的值为α

对于前述全连接层是独立的全连接层的情况，全连接层中也可以包括多个差值求解单元，并且该情况下差值求解单元的原理与全连接层处于预设前馈神经网络的情况完全相同，因此关于该情况下的差值求解单元可以参见前述相关说明，在此不再赘述。

差值求解单元的结构根据应用场景的不同可以不同，示例性的，在一种可能的实施例中，差值求解单元由一个神经元构成，神经元的输入为该差值求解单元对应的特征值对中的两个特征值，该神经元用于计算该两个特征值的差值△，并确定△与-△的较大值，将较大值作为该两个特征值的差值绝对值输出。例如，输入至该神经元的特征值为1、2，则该神经元计算1-2＝-1，并比较-1与1的较大值，得到1，将1作为1、2的差值绝对值输出。

在另一种可能的实施例中，如图3所示，差值求解单元包括：第一差值神经元、第二差值神经元以及求和神经元。在该实施例中，全连接层为两层，且所有差值求解单元中的第一差值神经元和第二差值神经元组成第一层全连接层，所有差值求解单元中的求和神经元组成第二层全连接层。

该示例中，前述将特征值对输入至预设的全连接层，得到全连接层输出的特征值对中两个特征值的差值绝对值的步骤通过以下方式实现：

S1021，分别将特征值对输入至特征值对对应的差值求解单元中的第一差值神经元和第二差值神经元，得到第一差值神经元输出的第一输出值和第二差值神经元输出的第二输出值。

S1022，将第一输出值和第二输出值输入至特征值对对应的差值求解单元中的求和神经元，得到求和神经元输出的输出值，作为特征值对中两个特征值的差值绝对值。

每个差值求解单元中，第一差值神经元和第二差值神经元的输入为：输入至该差值求解单元的特征值对中的两个特征值。

第一差值神经元，用于将其中一个特征值减去另一个特征值，得到第一差值，并判断第一差值是否大于0，若第一差值大于0，则输出第一差值，若第一差值不大于0，则输出0。

第二差值神经元，用于将该另一个特征值减去该一个特征值，得到第二差值，并判断第二差值是否大于0，若第二差值大于0，则输出第二差值，若第二差值不大于0，则输出0。

求和神经元，用于计算第一输出值和第二输出值的求和结果，并输出求和结果。

示例性的，假设两个特征值分别为1,2，则第一差值神经元计算1-2,得到第一差值为-1，由于-1不大于0，因此输出0，即第一输出值为0。第二差值神经元计算2-1,得到第二差值为1，由于1大于0，因此输出1，即第二输出值为1。求和神经元计算0+1，得到求和结果为1，输出求和结果，因此该两个特征值的差值绝对值为1。

可以理解的是，根据与预设阈值之间的大小关系输出不同结果是一种能够通过激活函数实现的运算(本文称激活函数运算)，因此选用该实施例，可以仅通过加法运算(减法运算可以视为特殊的加法运算)和激活函数运算实现差值绝对值计算，充分利用了全连接层能够高效地实现加法运算以及激活函数运算的特点，提高差值求解单元计算差值绝对值的效率，从而进一步提高寻优抽样的效率。

前述S103中计算得到的相似度在不同的应用场景中可以是以不同的形式表示的，如数组、矩阵等。为描述方便，下面以矩阵为例进行说明：

在一种可能的实施例中，前述S103通过以下方式实现：

根据差值绝对值，生成相似度矩阵，其中相似度矩阵为N*N维的矩阵，其中N为待分组对象的数量。相似度矩阵中第i行第j列的元素为第i个待分组对象与第j个待分组对象间的相似度，i、j为取值范围为[1,N]的正整数。示例性的，假设一共存在4个待分组对象，分别记为S1-4，则相似度矩阵为：

其中，为S1与S1间的相似度，为S1与S2间的相似度，以此类推。

选用该实施例，通过矩阵的形式表示每两个待分组对象间的相似度，便于后续基于矩阵批量对相似度进行处理。

可以理解的是，相似度矩阵中第i行第j列的元素与第j行第i列的元素均为第i个待分组对象和第j个待分组对象间的相似度。因此，理论上相似度矩阵中对角线任意一侧包括每两个待分组对象间的相似度，可以仅使用相似度矩阵中对角线任意一侧的相似度，确定寻优对象对。

本文中相似度矩阵的对角线是指：由第1行第1列的元素与第N行第N列的元素为端点的对角线。例如，仍以前述相似度矩阵为例，、、、、、为位于对角线一侧的所有相似度，而、、、、、为位于对角线另一侧的所有相似度。

使用相似度矩阵中对角线任意一侧的相似度确定寻优对象对的方式为：按照由高到低的顺序，对相似度矩阵中位于对角线一侧的所有相似度排序，得到相似度序列。按照由前到后的顺序，依次针对相似度序列中的各个相似度，若相似度对应的每个待分组对象不属于任意寻优对象对，将相似度对应的两个待分组对象作为一对寻优对象对，直至达到预设终止条件。其中，预设终止条件包括但不限于以下任意条件：确定出的寻优对象对的数目达到预设数量阈值、循环次数达到预设次数阈值等。

示例性的，仍以前述相似度矩阵为例，假设终止条件为确定出的寻优对象对的数目达到2个，并且位于对角线一侧的所有相似度是指：、、、、、，并且假设＞＞＞＞＞，则得到的相似度序列为{、，，，，}，首先针对，由于初始时未确定任何寻优对象对，因此S1、S2不属于任意寻优对象对，将作为一对寻优对象对，再针对，由于此时已经确定寻优对象对，因此S1属于寻优对象对，因此不将作为寻优对象对，同理不将、，作为寻优对象对。再针对，由于S3、S4不属于任意寻优对象对，将作为一对寻优对象对。

选用该实施例，可以避免不同寻优对象对间存在交集，因此可以使得基于寻优对象对划分的对照组和实验组间不存在交集，有效避免了对照组和实验组的实验相互干扰，提高A/B实验的可靠性。

下面将结合具体的示例对本公开提供的寻优抽样方法进行说明，参见图4，在该示例中，一共存在N个待分组对象，每个待分组对象的对象特征为M维的特征向量。

首先将每个待分组对象的对象特征拼接为一个N*M维的特征矩阵，该特征矩阵中第i行第j列的元素为：第i个待分组对象的对象特征的第j特征值(下文记为xij)。将特征矩阵输入至预设前馈神经网络。

该示例中，前述全连接层处于预设前馈神经网络，且该预设前馈神经网络的输出为每两个待分组对象间的相似度。预设前馈神经网络的输入层为两层。第一层输入层包括N*M个神经元，每个神经元的输入为特征矩阵中的一个特征值，且不同神经元的输入不同。为方便描述，将第一层输入层中输入为特征值xij的神经元记为神经元ij。

第一层输入层中的每个神经元对应于第二层输入层中的两个神经元，为描述方便，将该两个神经元分别记为正神经元和负神经元。为描述方便，将神经元ij对应的正神经元记为正神经元ij，并将神经元ij对应的负神经元记为负神经元ij。则神经元ij用于将xij输入至正神经元ij，并将-xij输入负神经元ij。

该示例中，全连接层包括N*(N-1)*M个差值求解单元，为方便描述将对应于特征值对{xij，xkj}的差值求解单元记为差值求解单元ikj，其中，k为取值范围为[1,N]的正整数，且k≠i。

则对于差值求解单元ikj，其中的第一差值求解单元的输入为正神经元ij输出的xij，以及负神经元kj输出的-xkj。第二差值求解单元的输入为正神经元kj输出的xkj，以及负神经元ij输出的-xij。

并且，第一差值神经元用于对输入进行求和，即计算xij-xkj，若xij-xkj大于0，则第一差值神经元向求和神经元输入xij-xkj，若xij-xkj不大于0，则第一差值神经元向求和神经元输入0。

并且，第二差值神经元用于对输入进行求和，即计算xkj-xij，若xkj-xij大于0，则第二差值神经元向求和神经元输入xkj-xij，若xkj-xij不大于0，则第二差值神经元向求和神经元输入0。

并且，求和神经元用于对输入进行求和，并将得到的结果输出至输出层。可以理解的是，若xij＞xkj，则求和神经元的输入为xij-xkj和0，因此求和得到的结果为xij-xkj，即xij与xkj差值绝对值。同理，若xij＜xkj＞0，则求和神经元的输入为0和xkj-xij，因此求和得到的结果为xkj-xij，即xij与xkj差值绝对值。可见，该示例中，差值求解单元能够准确计算特征值对中两个特征值的差值绝对值。

该示例中，输出层的输入为各差值求解单元输出的差值绝对值，输出层用于根据差值绝对值，确定相似度矩阵。该示例中，相似度矩阵为N*N维的矩阵，关于相似度矩阵可以参见前述相关描述，在此不再赘述。

提取相似度矩阵中位于对角线一侧的所有相似度并排序，得到如图4所示的相似度序列，该示例中，相似度所表示的相似程度与相似度的数值负相关，因此在排序时按照相似度的数值由小到大的顺序排序。

基于相似度序列，确定寻优对象对，并将每个寻优对中的一个待分组对象划分至实验组，另一个待分组对象划分至对照组。关于如何基于相似度序列确定寻优对象对可以参见前述相关说明，在此不再赘述。

对应于前述寻优抽样方法，本公开还提供了一种寻优抽样装置，如图5所示，包括：

特征获取模块501，用于获取多个待分组对象各自的对象特征；

差值求解模块502，用于针对每两个所述对象特征中相同特征维度的特征值组成的特征值对，对所有所述对象特征进行加权求和，得到所述特征值对中两个特征值的差值绝对值；

相似度求解模块503，用于根据所述差值绝对值，计算每两个所述待分组对象间的相似度；

对象对筛选模块504，用于选取至少一对所述相似度大于预设相似度阈值的所述待分组对象，作为寻优对象对。

在一种可能的实施例中，所述差值求解模块502针对每两个所述对象特征中相同特征维度的特征值组成的特征值对，对所有所述对象特征进行加权求和，得到所述特征值对中两个特征值的差值绝对值，包括：

针对每两个所述对象特征中相同特征维度的特征值组成的特征值对，将所述特征值对输入至预设的全连接层，得到所述全连接层输出的所述特征值对中两个特征值的差值绝对值。

其中，所述全连接层，用于针对每个所述特征值对，计算所述特征值对中两个特征值的差值绝对值，并输出所述差值绝对值。

在一种可能的实施例中，所述全连接层包括多个差值求解单元；

所述差值求解模块502将所述特征值对输入至预设的全连接层，得到所述全连接层输出的所述特征值对中两个特征值的差值绝对值，包括：

将所述特征值对输入至所述特征值对对应的所述差值求解单元，得到所述差值求解单元输出的所述特征值对中两个特征值的差值绝对值；

其中，不同的所述特征值对对应于不同的所述差值求解单元，每个所述差值求解单元用于计算输入至所述差值求解单元的所述特征值对中两个特征值的差值绝对值，并输出所述差值绝对值。

在一种可能的实施例中，所述差值求解单元包括第一差值神经元、第二差值神经元以及求和神经元；

所述差值求解模块502将所述特征值对输入至所述特征值对对应的所述差值求解单元，得到所述差值求解单元输出的所述特征值对中两个特征值的差值绝对值，包括：

分别将所述特征值对输入至所述特征值对对应的差值求解单元中的第一差值神经元和第二差值神经元，得到所述第一差值神经元输出的第一输出值和所述第二差值神经元输出的第二输出值；

将所述第一输出值和所述第二输出值输入至所述特征值对对应的差值求解单元中的求和神经元，得到所述求和神经元输出的输出值，作为所述特征值对中两个特征值的差值绝对值；

其中，所述第一差值神经元，用于将输入至所述差值求解单元的所述特征值对中的一个特征值减去另一个特征值，得到第一差值；若所述第一差值大于0，则输出所述第一差值，若所述第一差值不大于0，则输出0；

所述第二差值神经元，用于将所述另一个特征值减去所述一个特征值，得到第二差值；若所述第二差值大于0，则输出所述第二差值，若所述第二差值不大于0，则输出0；

所述求和神经元，用于计算所述第一输出值和所述第二输出值的求和结果，输出所述求和结果。

在一种可能的实施例中，所述相似度求解模块503根据所述差值绝对值，计算每两个所述待分组对象间的相似度，包括：

根据所述差值绝对值，生成相似度矩阵，其中，所述相似度矩阵第i行第j列的元素为第i个所述待分组对象与第j个所述待分组对象间的相似度，i、j为取值范围为[1,N]的正整数，N为所述待分组对象的数量。

在一种可能的实施例中，所述对象对筛选模块504根据所述相似度，选取至少一对满足预设筛选条件的所述待分组对象，作为寻优对象对，包括：

按照所由高到低的顺序，对所述相似度矩阵中位于对角线任一侧的所有相似度排序，得到相似度序列；

按照由前到后的顺序，依次针对所述相似度序列中的各个相似度，若所述相似度对应的每个所述待分组对象不属于任意寻优对象对，将所述相似度对应的两个所述待分组对象作为一对寻优对象对，直至达到预设终止条件。

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。

需要说明的是，在一些应用场景中，本公开实施例中的待分组对象可以为人头模型，且本实施例中的人头模型并不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。

需要说明的是，在另一些应用场景中，本公开实施例中的待分组对象可以为二维人脸图像，且本实施例中的二维人脸图像来自于公开数据集。

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6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如方法XXX。例如，在一些实施例中，方法XXX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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的方法XXX的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法XXX。

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)、复杂可编程逻辑设备(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)和互联网。

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，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。

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。