一种事物推荐方法、装置、电子设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种事物推荐方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展，网络中的信息数据已经呈指数级增长的趋势，为了提高用户获取信息的效率，推荐系统普遍应用于信息获取领域中。

主题模型是一种以非监督学习的方式对文集的隐含语义结构(latent semanticstructure)进行聚类(clustering)的统计模型。主题模型因其卓越的文本处理效果，并且克服了传统信息检索中文档相似度计算方法的缺点，已经普遍应用于现有的推荐系统中。

现有的主题模型对已有文档的输入文本进行训练后，可以得到已有文档在隐含主题的概率分布。但是，对于新的文档数据，由于该文档没有参与建模过程，因此主题模型无法生成该文档数据在隐含主题的概率分布，进而无法直接基于所述概率分布进行相似度计算，最终也影响主题模型的应用效果和范围。

发明内容

本发明提供了一种事物推荐方法、装置、电子设备及存储介质，可以提供一种基于主题模型的冷启动相关推荐方式，保证推荐结果的有效性。

根据本发明的一方面，提供了一种事物推荐方法，包括：

检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合；

根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量，并通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量；

根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果。

根据本发明的另一方面，提供了一种事物推荐装置，所述装置包括：

词项确定模块，用于检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合；

向量确定模块，用于根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量，并通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量；

推荐结果确定模块，用于根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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本发明任一实施例所述的事物推荐方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的事物推荐方法。

本发明实施例提供的技术方案，通过检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合；根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量，并通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量；根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果的技术手段，提供了一种基于主题模型的冷启动相关推荐方式，可以保证推荐结果的有效性。

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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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。

图1是根据本发明实施例提供的一种事物推荐方法的流程图；

图2是根据本发明实施例提供的另一种事物推荐方法的流程图；

图3是根据本发明实施例提供的另一种事物推荐方法的流程图；

图4是根据本发明实施例提供的一种事物推荐装置的结构示意图；

图5是实现本发明实施例的事物推荐方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1为本发明实施例一提供的一种事物推荐方法的流程图，本实施例可适用于推荐与目标事物匹配的关联事物的情况，该方法可以由事物推荐装置来执行，该事物推荐装置可以采用硬件和/或软件的形式实现，该事物推荐装置可配置于具备数据处理功能的电子设备(例如终端或者服务器)中。如图1所示，该方法包括：

步骤110、检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合。

在本实施例中，所述新增备选事物可以为推荐系统中新增的、未参与主题模型训练的备选事物。在检测到推荐系统中存在新增备选事物之前，所述推荐系统中可以预先部署多个参与主题模型训练的备选事物(也即原始备选事物)。

其中，所述备选事物可以为待推荐的物品或资讯等。例如，假设推荐系统对应电商场景，所述备选事物可以为具体的商品；假设推荐系统对应视频场景，所述备选事物可以为具体的视频；假设推荐系统对应社交应用场景，所述备选事物可以为具体的用户等。

在此步骤中，检测到推荐系统中存在新增备选事物后，可以获取该新增备选事物的文本信息，例如备选事物对应的标识、标题、标签、类型、正文、作者以及封面图片等文本信息，然后采用预设的分词工具对文本信息进行分词处理，得到新增备选事物对应的多个词项，并根据多个词项生成词项列表。具体的，所述分词工具可以为基于Python语言的中文分词组件Jieba。

在本实施例中，可选的，在获取到词项列表后，可以对词项列表中出现的生僻词项进行剔除，得到词项集合。

步骤120、根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量，并通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量。

在本实施例中，可选的，可以通过自然语言处理方法中预设的隐语义模型，对词项列表中的各词项进行处理，得到新增备选事物对应的隐语义向量。所述主题模型可以为隐含狄利克雷分布(Latent Dirichlet Allocation，LDA)模型，所述LDA模型可以通过推荐系统中多个原始备选事物训练得到。

在此步骤中，可选的，可以采用预设的分词工具对各原始备选事物的文本信息进行分词处理，得到各原始备选事物分别对应的词项集合，然后根据LDA模型的训练结果，获取推荐系统中各原始备选事物分别对应的隐语义向量。

步骤130、根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果。

在本实施例中，目标事物可以为等待生成推荐结果的事物。可选的，可以根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，计算各备选事物与目标事物之间的相关度，并根据相关度计算结果，确定与目标事物匹配的目标推荐结果。

在一个具体的实施例中，可选的，可以将相关度最高的备选事物，作为与目标事物匹配的目标推荐结果。

在本实施例中，通过检测到推荐系统中存在新增备选事物后，获取新增备选事物对应的文本信息，根据文本信息确定新增备选事物对应的词项列表，根据词项列表中的各词项，确定新增备选事物对应的隐语义向量，提供了一种基于主题模型的冷启动相关推荐方式，解决了现有技术中主题模型无法生成新文档数据在隐含主题上概率分布的问题，由此可以在推荐系统中存在新文档的情况下，保证推荐结果的有效性。

本发明实施例提供的技术方案，通过检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合；根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量，并通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量；根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果的技术手段，提供了一种基于主题模型的冷启动相关推荐方式，可以保证推荐结果的有效性。

图2为本发明实施例二提供的一种事物推荐方法的流程图，本实施例是对上述实施例的进一步细化。如图2所示，该方法包括：

步骤210、检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合。

在本实施例的一个实施方式中，根据所述文本信息确定新增备选事物对应的词项列表以及词项集合，包括：对所述文本信息进行分词处理，得到新增备选事物对应的多个原始词项；根据预设的停用词词库，对所述多个原始词项中包括的停用词进行剔除，并根据剔除结果生成词项列表；对所述词项列表中的多个原始词项进行去重处理，并根据处理结果生成词项集合。

在一个具体的实施例中，假设新增备选事物对应的多个原始词项组成了列表w，则可以根据预设的停用词词库，对w中包括的停用词以及其他无意义词项进行剔除，同时可以将不在S中的原始词项也剔除，得到词项列表w’。其中，S为推荐系统中原始备选事物对应的词项集合。

步骤220、统计词项列表中各词项对应的频次信息，并根据各原始备选事物分别对应的词项集合，确定新增备选事物中各词项对应的关联事物集合。

在本实施例中，假设新增备选事物为itemid′，则可以遍历w’中每个词项，并统计各词项对应的频次信息itf(itemid′，term)，然后根据各原始备选事物分别对应的词项集合，确定新增备选事物中各词项对应的关联事物集合ti(term)。其中，所述关联事物集合可以为针对特定词项term，包括该词项的事物集合。

步骤230、根据词项列表中各词项对应的频次信息，以及关联事物集合，确定新增备选事物中各词项对应的词频-逆文本频率指数(Term Frequency–Inverse DocumentFrequency，TF-IDF)。

在一个具体的实施例中，可以遍历新增备选事物itemid′对应的w’中每个term，并通过如下方式计算term经过平滑后的TF-IDF：

其中，tf_idf(term)为term对应的TF-IDF值，I为所有原始备选事物构成的集合。

步骤240、根据各词项对应的TF-IDF，对各词项进行排序，并根据排序结果以及各词项对应的隐语义向量，确定新增备选事物对应的隐语义向量。

在本实施例的一个实施方式中，根据排序结果以及各词项对应的隐语义向量，确定新增备选事物对应的隐语义向量，包括：根据排序结果，选取TF-IDF最高的多个词项作为目标词项；对多个目标词项分别对应的隐语义向量以及TF-IDF，进行加权求和，得到新增备选事物对应的隐语义向量。

在一个具体的实施例中，可以根据各词项对应的TF-IDF值，选取TF-IDF值最高的多个词项作为目标词项，然后将所述目标词项写入新增备选事物对应的词项集合it(itemid′)中，最后根据下述公式计算新增备选事物对应的K维隐语义向量iv(itemid′)：

其中，tv(term)为词项对应的K维隐语义向量。

步骤250、通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量。

步骤260、根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果。

本发明实施例提供的技术方案，通过检测到推荐系统中存在新增备选事物后，获取新增备选事物对应的文本信息，并根据文本信息确定新增备选事物对应的词项列表以及词项集合，统计词项列表中各词项对应的频次信息，确定新增备选事物中各词项对应的关联事物集合，根据词项列表中各词项对应的频次信息以及关联事物集合，确定各词项对应的TF-IDF，并根据TF-IDF排序结果以及各词项对应的隐语义向量，确定新增备选事物对应的隐语义向量，通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量，根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果的技术手段，提供了一种基于主题模型的冷启动相关推荐方式，可以保证推荐结果的有效性。

图3为本发明实施例三提供的一种事物推荐方法的流程图，本实施例是对上述实施例的进一步细化。如图3所示，该方法包括：

步骤310、检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合。

步骤320、根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量。

步骤330、获取主题模型针对各原始备选事物进行训练后，得到的目标概率矩阵。

在一个具体的实施例中，可以通过下述方式预先对主题模型进行训练：

步骤301、将I中所有原始备选事物对应的w’，按照LDA模型的输入格式要求进行转换；

步骤302、将转换后的w’输入到LDA模型进行模型训练，得到|I|×K的矩阵A以及K×|S|的矩阵B。

其中，矩阵A为事物主题关联矩阵(也即目标概率矩阵)，用于表示主题出现在事物中的概率。矩阵B为主题词项关联矩阵，用于表示词项出现在主题中的概率。

步骤340、根据所述目标概率矩阵，获取各原始备选事物分别对应的隐语义向量。

在本实施例中，目标概率矩阵(也即矩阵A)中每一行的数据即为原始备选事物的隐语义向量iv(itemid)。B

步骤350、根据各原始备选事物、新增备选事物以及目标事物，分别对应的词项集合以及隐语义向量，确定各备选事物与目标事物之间的相关度。

在一个具体的实施例中，假设目标事物为i，备选事物为j，则可以通过如下方式计算目标事物与任意备选事物的相关度：

其中，iv()表示事物的隐语义向量，it()表示事物的词项集合。|it(i)∩it(j)|表示it(i)和it(j)共现的term数量，|it(i)∪it(j)|表示it(i)和it(j)中term合并去重后的数量。α为预设的调和因子，取值在0到1之间，具体数值可以根据实际情况进行预设，本实施例对此并不进行限制。

在一个具体的实施例中，如果推荐系统侧重隐语义上的相关度，则可以在区间[0.5，1]中对α取值；如果推荐系统侧重核心词项上的相关度，则可以在区间[0，0.5]中对α取值。

步骤360、根据各备选事物与目标事物之间的相关度，在各原始备选事物与新增备选事物中，确定与目标事物匹配的目标推荐结果。

在一个具体的实施例中，可以将相关度高于预设阈值的备选事物，作为与目标事物匹配的目标推荐结果。

在本实施例的一个实施方式中，根据各备选事物与目标事物之间的相关度，在各原始备选事物与新增备选事物中，确定与目标事物匹配的目标推荐结果，包括：根据各备选事物与目标事物之间的相关度，对各备选事物进行排序；根据排序结果，选取相关度最高的多个备选事物，作为与目标事物匹配的目标推荐结果。

本发明实施例提供的技术方案，通过检测到推荐系统中存在新增备选事物后，获取新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合，根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量，获取主题模型针对各原始备选事物进行训练后，得到的目标概率矩阵，根据所述目标概率矩阵，获取各原始备选事物分别对应的隐语义向量，根据各原始备选事物、新增备选事物以及目标事物，分别对应的词项集合以及隐语义向量，确定各备选事物与目标事物之间的相关度，根据各备选事物与目标事物之间的相关度，在各原始备选事物与新增备选事物中，确定与目标事物匹配的目标推荐结果的技术手段，提供了一种基于主题模型的冷启动相关推荐方式，可以保证推荐结果的有效性。

图4为本发明实施例四提供的一种事物推荐装置的结构示意图，如图4所示，该装置包括：词项确定模块410、向量确定模块420和推荐结果确定模块430。

其中，词项确定模块410，用于检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合；

向量确定模块420，用于根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量，并通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量；

推荐结果确定模块430，用于根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果。

本发明实施例提供的技术方案，通过检测到推荐系统中存在新增备选事物后，获取所述新增备选事物对应的文本信息，并根据所述文本信息确定新增备选事物对应的词项列表以及词项集合；根据所述词项列表中的各词项，确定新增备选事物对应的隐语义向量，并通过预先训练的主题模型，获取推荐系统中各原始备选事物分别对应的词项集合以及隐语义向量；根据各原始备选事物以及新增备选事物，分别对应的词项集合以及隐语义向量，确定与目标事物匹配的目标推荐结果的技术手段，提供了一种基于主题模型的冷启动相关推荐方式，可以保证推荐结果的有效性。

在上述实施例的基础上，所述词项确定模块410，包括：

分词单元，用于对所述文本信息进行分词处理，得到新增备选事物对应的多个原始词项；

词项剔除单元，用于根据预设的停用词词库，对所述多个原始词项中包括的停用词进行剔除，并根据剔除结果生成词项列表；

词项去重单元，用于对所述词项列表中的多个原始词项进行去重处理，并根据处理结果生成词项集合。

所述向量确定模块420，包括：

频次统计单元，用于统计词项列表中各词项对应的频次信息，并根据各原始备选事物分别对应的词项集合，确定新增备选事物中各词项对应的关联事物集合；

频率指数确定单元，用于根据词项列表中各词项对应的频次信息，以及关联事物集合，确定新增备选事物中各词项对应的TF-IDF；

词项排序单元，用于根据各词项对应的TF-IDF，对各词项进行排序，并根据排序结果以及各词项对应的隐语义向量，确定新增备选事物对应的隐语义向量；

目标词项确定单元，用于根据排序结果，选取TF-IDF最高的多个词项作为目标词项；

加权求和单元，用于对多个目标词项分别对应的隐语义向量以及TF-IDF，进行加权求和，得到新增备选事物对应的隐语义向量；

概率矩阵获取单元，用于获取主题模型针对各原始备选事物进行训练后，得到的目标概率矩阵；

向量获取单元，用于根据所述目标概率矩阵，获取各原始备选事物分别对应的隐语义向量；

其中，所述目标概率矩阵用于表示主题出现在事物中的概率。

所述推荐结果确定模块，430包括：

相关度确定单元，用于根据各原始备选事物、新增备选事物以及目标事物，分别对应的词项集合以及隐语义向量，确定各备选事物与目标事物之间的相关度；

推荐结果确定单元，用于根据各备选事物与目标事物之间的相关度，在各原始备选事物与新增备选事物中，确定与目标事物匹配的目标推荐结果；

备选事物排序单元，用于根据各备选事物与目标事物之间的相关度，对各备选事物进行排序；

备选事物选取单元，用于根据排序结果，选取相关度最高的多个备选事物，作为与目标事物匹配的目标推荐结果。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如事物推荐方法。

在一些实施例中，事物推荐方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的事物推荐方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行事物推荐方法。

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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。