一种简历筛选方法、装置及终端设备与流程

本发明属于信息处理技术领域，尤其涉及一种简历筛选方法、装置及终端设备。

背景技术：

随着互联网技术的发展，越来越多的人才招聘是通过招聘网站实现的。通常应聘者在招聘网站上投递简历，招聘网站根据企业设定的筛选条件对应聘者简历进行初步筛选，从而减少招聘人员的工作量。

但是，现有招聘网站的简历筛选系统一次只能设置对一种职位的简历进行筛选，难以满足企业多职位同时招聘的需求。

技术实现要素：

有鉴于此，本发明实施例提供了一种简历筛选方法、装置及终端设备，以解决现有技术中在网络简历筛选时无法实现对多职位同时招聘的问题。

本发明实施例的第一方面提供了一种简历筛选方法，包括：

采集应聘者的简历信息得到第一简历；

提取所述第一简历的关键字得到具有关键字的第二简历；

将所述第二简历按照预设招聘职位进行分类并评估得分，其中所述预设招聘职位数量为两个及两个以上；

根据所述第二简历的评估得分及预设筛选阈值，筛选对应的所述第一简历。

本发明实施例的第二方面提供了一种简历筛选装置，包括：

数据采集单元，用于采集应聘者的简历信息得到第一简历；

关键字提取单元，用于对所述第一简历进行关键字提取得到具有关键字的第二简历；

简历分类评估单元，用于将所述第二简历按照预设招聘职位进行分类并评估得分，其中所述预设招聘职位数量为两个及两个以上；

简历筛选单元，用于根据所述第二简历的评估得分及预设筛选阈值，筛选对应的所述第一简历。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述简历筛选方法的步骤。

本发明实施例的第四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程序，所述计算机程序被处理器执行时实现如所述简历筛选方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：由于对简历进行关键字提取后根据预设的多个招聘职位分类并评估得分，因此可以一次性从简历数据库中筛选出多个招聘职位中所有得分高于预设筛选阈值的简历，实现了多职位同时招聘，进一步提高了企业的人才招聘效率。

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是本申请实施例提供的第一种简历筛选方法的流程示意图；

图2是本申请实施例提供的第二种简历筛选方法的流程示意图；

图3是本申请实施例提供的一种简历筛选装置的结构示意图；

图4是本申请实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例一：

图1示出了本申请实施例提供的第一种简历筛选方法的流程示意图，详述如下：

在s101中，采集应聘者的简历信息得到第一简历。

可以根据应聘者在网站上填写的简历资料，或者应聘者在网上直接投递的电子简历，采集应聘者的简历信息，得到第一简历，存放入简历数据库中。

其中，第一简历可以包括应聘者的姓名、性别、学历、毕业院校、专业、成绩、社团经验及社会工作经验等至少一种信息。

本实施例中，根据用户设置的采集范围采集应聘者的简历信息，这里的采集范围可以为不同网站对应的网站范围，也可以为同一个网站下不同页面对应的范围。

在s102中，提取所述第一简历的关键字得到具有关键字的第二简历。

为了能快速、精确地筛选出所需要的简历，将简历数据库中的每份第一简历进行关键字提取，得到具有关键字的第二简历，以便于后续的简历筛选。其中，这里的关键字的数量为多个，可以包括描述学历、毕业院校、学科专业、英语等级等信息的词语。例如描述学历的关键字可以为小学、初中、高中、本科、研究生、博士等。

在s103中，将所述第二简历按照预设招聘职位进行分类并评估得分，其中所述预设招聘职位数量为两个及两个以上。

将具有关键字的第二简历按照预设招聘职位进行分类，先得出第二简历被分到每一个预设招聘职位的分类概率，并最终将该第二简历划分到对应分类概率最高的预设招聘职位中。当第二简历被分到几个预设招聘职位中的分类概率相同且都为最高时，将第二简历同时分配到这几个预设招聘职位中，即此时一份第二简历对应了多个招聘职位。分类后分别对分配有第二简历的预设招聘职位中的第二简历进行评估得分，得到预设招聘职位中的第二简历得分s。其中，预设的招聘职位数量为两个及两个以上，才能将简历进行分类。

在s104中，根据所述第二简历的评估得分及预设筛选阈值，筛选对应的所述第一简历。

根据第二简历在被划分到的预设招聘职位中的评估得分s及该招聘职位对应的预设筛选阈值f，从简历数据库中筛选出对应的第一简历。若s大于或等于f，则从简历数据库中抽取该第二简历对应的第一简历，否则，不抽取该简历，从而最终从简历数据库中筛选出每个预设招聘职位对应的第一简历。

这里第二简历对应的第一简历，指的是第二简历提取关键字之前的第一简历，即第二简历是根据该对应的第一简历提取关键字得到的。具体可以通过在第一简历设置一个简历编号id，并在提取第一简历关键字得到第二简历时，将该第一简历的简历编号id复制给第二简历，从而具有相同简历编号id的第一简历和第二简历相互之间一一对应，之后可以根据第二简历的简历编号id，抽取具有同样简历编号id的第一简历。

本发明实施例中，由于对简历进行关键字提取后根据预设的多个招聘职位分类并评估得分，因此可以一次性从简历数据库中筛选出多个招聘职位中所有得分高于预设筛选阈值的简历，实现了多职位同时招聘，进一步提高了企业的人才招聘效率。

实施例二：

图2示出了本申请实施例提供的第二种简历筛选方法的流程示意图，详述如下：

在s201中，采集应聘者的简历信息得到第一简历。

本实施例中s201与上一实施例中的s101相同，具体请参阅实施例一中s101的相关描述，此处不再赘述。

在s202中，提取所述第一简历的关键字得到具有关键字的第二简历。

为了能快速、精确地筛选出所需要的简历，将简历数据库中的每份第一简历进行关键字提取，得到具有关键字的第二简历，以便于后续的简历筛选。

可选地，通过预训练好的关键字提取模型提取所述第一简历的关键字，得到具有关键字的第二简历。

具体地，通过深度学习算法，预先训练出关键字提取模型，该关键字提取模型用于提取第一简历的关键字，由于深度学习算法能够获取到更精确的信息，因此，采用深度学习算法训练得到的关键字提取模型提取第一简历的关键字时，能够更精确、高效地提取第一简历中的有效信息，得到只具有企业关心的关键字信息的第二简历。

可选地，所述预训练好的关键字提取模型具体为以关键字库作为标签，以预设的简历作为样本，训练出用于提取关键字的模型。

在模型训练阶段，首先建立关键字库，可以包括学历关键字库、大学校名关键字库、学科专业名关键字库、大学英语等级关键字库和分数关键字库、实习公司名和职位关键字库、工作时间和工作职位关键字库、大学时期担任学生工作职位关键字库，应聘职位和薪资关键字库等，按具体需要选择多个关键字库打包为一个最终的关键字库。这里选择的多个关键字库可以为上述列举的关键字库的部分或者全部组合，还可以包括未列举出的其它按需设置的关键字库。

建立完关键字库后，以最终确定的关键字库为标签，以从互联网上获取的一些应聘者简历信息作为样本，训练出一个能够用于提取关键字的模型。该模型以序列到序列seq2seq(sequencetosequence)的方式来提取关键字。具体地，该模型的训练过程包括：

a1.将第一简历句子中的每个字映射为字向量，得到句子对应的矩阵。

第一简历句子中的每个字映射成一个n维的向量，n维的向量组成字向量，这里的字向量采用词向量算法word2vec(wordtovector)获得，最终每个句子相应得到一个t*n的embedding矩阵，其中t为句子的长度。

a2.将embedding矩阵进行编码，得到编码向量。

使用一个单层结构的长短期记忆网络lstm(longshort-termmemory)作为编码器encoder，使用一个128个单元个数作为单层lstm的单元个数，将每一个embedding矩阵编码为对应的128维的编码向量。

a3.将编码向量进行解码，得到解码结果。

将上述的编码向量一次输入到解码器中，这里的解码器使用同编码器同样的模型结构，之后从解码器输出解码结果。

a4.将解码结果与关键字库标签比较，优化关键字提取模型。

将解码结果与关键字库的标签进行比较，对解码结果进行进一步矫正，从而提高每次输出正确关键字的概率，以优化关键字提取模型。

在s203中，接收设置指令，所述设置指令包括招聘职位的设置信息和筛选阈值的设置信息；根据所述设置信息进行简历分类筛选。

具体地，当不存在预设招聘职位和筛选阈值时，或者当需要更改预设信息时，接收设置指令，按照当前招聘需要设置招聘职位及对应的筛选阈值，其中设置的招聘职位为多个，且每一个招聘职位都对应地设置一个筛选阈值。设置后将设置信息保存为预设招聘职位及对应的预设筛选阈值，以供后续进行简历分类筛选。

在s204中，将所述第二简历按照预设招聘职位进行分类并评估得分，其中所述预设招聘职位数量为两个及两个以上。

将具有关键字的第二简历按照预设招聘职位进行分类，其中预设招聘职位的数量为两个及两个以上，并评估第二简历划分到该招聘职位的得分。其中，预设的招聘职位数量为两个及两个以上，才能将简历进行分类。

可选地，步骤s204具体为，通过预训练好的关键字提取模型提取所述第一简历的关键字，得到具有关键字的第二简历。

具体地，包括以下两个步骤：

s204.1.通过预训练好的文本分类评估模型，将所述第二简历按照所述预设招聘职位进行分类，同时返回所述第二简历划分到所述预设招聘职位的分类概率。

具体地，所述步骤s204.1包括：

s204.1b1.将只具有关键字信息的第二简历同样通过word2vec算法获得对应的词向量embedding矩阵，矩阵的维度为t*n，其中t为句子长度，n为每个字的维度。

s204.1b2.用包含m个大小为h*n的卷积核的卷积层对embbeding矩阵进行卷积运算，得到对应的特征图featuremap。其中，m为卷积核通道数，优选为9，一个通道代表一个卷积核，一个卷积核对应一个特征图；h为卷积核其中一边的长度，优选值为3，卷积核另一边的长度等于句子的长度n。

s204.1b3.通过最大池化层max-pool，得到每个特征图featuremap中的最大值max_value，并对所有的max_value进行级连操作得到1*m的矩阵。

s204.1b4.根据上述1*m的矩阵及预设招聘职位，利用softmax多分类器对矩阵内容的判断，得出对应的第二简历分到每一个预设招聘职位的分类概率并判断该第二简历分到哪个预设招聘职位的分类概率较高，就最终将该第二简历划分到该对应分类概率最高的预设招聘职位中，并返回划分到该预设招聘职位的分类概率。当第二简历被分到几个预设招聘职位中的分类概率相同且都为最高时，将第二简历同时分配到这几个预设招聘职位中，即此时一份第二简历对应了多个招聘职位。

s204.2.根据所述分类概率确定所述第二简历的评估得分。

根据第二简历划分到对应预设招聘职位时返回的分类概率p，确定该第二简历的评估得分s，具体地，s＝p*100。

在s205中，根据所述第二简历的评估得分及预设筛选阈值，筛选对应的所述第一简历。

本实施例中s205与上一实施例中的s104相同，具体请参阅实施例一中s104的相关描述，此处不再赘述。

可选地，在步骤s205之后，还包括：发送筛选出的所述第一简历。

将第一简历从简历数据库中筛选出的简历发送给企业，可以通过预存储的企业招聘部门邮箱信息，向招聘部门发送筛选出的简历，以便及时通知该企业的招聘人员。具体地,可以预设一个时间段，每隔一段时间就将筛选出的每个预设招聘职位中对应的第一简历分别打包发送给企业，以便企业进行后续的招聘工作。

本发明实施例中，根据招聘需要设置招聘职位及筛选阈值，由于设置的招聘职位为多个，对简历进行关键字提取后根据多个招聘职位分类并评估得分，因此可以一次性从简历数据库中筛选出多个招聘职位中所有得分高于预设筛选阈值的简历，实现了多职位同时招聘，进一步提高了企业的人才招聘效率。

实施例三：

图3示出了本申请实施例提供的一种简历筛选装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分：

该简历筛选装置包括：数据采集单元31、关键字提取单元32、简历分类评估单元33、简历筛选单元34。其中：

数据采集单元31，用于采集应聘者的简历信息得到第一简历。

可以根据应聘者在网站上填写的简历资料，或者应聘者在网上直接投递的电子简历，采集应聘者的简历信息，得到第一简历，存放入简历数据库中。

其中，第一简历可以包括应聘者的姓名、性别、学历、毕业院校、专业、成绩、社团经验及社会工作经验等至少一种信息。

本实施例中，根据用户设置的采集范围采集应聘者的简历信息，这里的采集范围可以为不同网站对应的网站范围，也可以为同一个网站下不同页面对应的范围。

关键字提取单元32，用于对所述第一简历进行关键字提取得到具有关键字的第二简历。

为了能快速、精确地筛选出所需要的简历，将简历数据库中的每份第一简历进行关键字提取，得到具有关键字的第二简历，以便于后续的简历筛选。其中，这里的关键字的数量为多个，可以包括描述学历、毕业院校、学科专业、英语等级等信息的词语。例如描述学历的关键字可以为小学、初中、高中、本科、研究生、博士等。

可选地，所述关键字提取单元通过预训练好的关键字提取模型提取所述第一简历的关键字，得到具有关键字的第二简历。

具体地，通过深度学习算法，预先训练出关键字提取模型，该关键字提取模型用于提取第一简历的关键字，由于深度学习算法能够获取到更精确的信息，因此，采用深度学习算法训练得到的关键字提取模型提取第一简历的关键字时，能够更精确、高效地提取第一简历中的有效信息，得到只具有企业关心的关键字信息的第二简历。

可选地，所述关键字提取单元包括关键字提取模型训练模块，用于以关键字库作为标签，以预设的简历作为样本，训练出用于提取关键字的模型。

在模型训练阶段，首先建立关键字库，可以包括学历关键字库、大学校名关键字库、学科专业名关键字库、大学英语等级关键字库和分数关键字库、实习公司名和职位关键字库、工作时间和工作职位关键字库、大学时期担任学生工作职位关键字库，应聘职位和薪资关键字库等，按具体需要选择多个关键字库打包为一个最终的关键字库。这里选择的多个关键字库可以为上述列举的关键字库的部分或者全部组合，还可以包括未列举出的其它按需设置的关键字库。

建立完关键字库后，以最终确定的关键字库为标签，以从互联网上获取的一些应聘者简历信息作为样本，训练出一个能够用于提取关键字的模型。

简历分类评估单元33，用于将所述第二简历按照预设招聘职位进行分类并评估得分，其中所述预设招聘职位数量为两个及两个以上。

将具有关键字的第二简历按照预设招聘职位进行分类，先得出第二简历被分到每一个预设招聘职位的分类概率，并最终将该第二简历划分到对应分类概率最高的预设招聘职位中。当第二简历被分到几个预设招聘职位中的分类概率相同且都为最高时，将第二简历同时分配到这几个预设招聘职位中，即此时一份第二简历对应了多个招聘职位。分类后分别对分配有第二简历的预设招聘职位中的第二简历进行评估得分，得到预设招聘职位中的第二简历得分s。其中，预设的招聘职位数量为两个及两个以上，才能将简历进行分类。

可选地，所述简历评估单元通过预训练好的文本分类评估模型，将所述第二简历按照预设招聘职位进行分类并评估得分。

可选地，所述简历分类评估单元包括分类模块和评估得分模块。

分类模块，用于通过预训练好的文本分类评估模型，将所述第二简历按照所述预设招聘职位进行分类，同时返回所述第二简历划分到所述预设招聘职位的分类概率。

评估得分模块，用于根据所述分类概率确定所述第二简历的评估得分。

简历筛选单元34，用于根据所述第二简历的评估得分及预设筛选阈值，筛选对应的所述第一简历。

可选地，所述简历筛选装置还包括设置单元，用于接收设置指令，所述设置指令包括招聘职位的设置信息和筛选阈值的设置信息；根据所述设置信息进行简历分类筛选。

具体地，当不存在预设招聘职位和筛选阈值时，或者当需要更改预设信息时，接收设置指令，按照当前招聘需要设置招聘职位及对应的筛选阈值，其中设置的招聘职位为多个，且每一个招聘职位都对应地设置一个筛选阈值。设置后将设置信息保存为预设招聘职位及对应的预设筛选阈值，以供后续进行简历分类筛选。

可选地，所述简历筛选装置还包括发送单元，用于发送筛选出的所述第一简历。

将第一简历从简历数据库中筛选出的简历发送给企业，可以通过预存储的企业招聘部门邮箱信息，向招聘部门发送筛选出的简历，以便及时通知该企业的招聘人员。具体地可以预设一个时间段，每隔一段时间就将筛选出的每个预设招聘职位中对应的第一简历分别打包发送给企业，以便企业进行后续的招聘工作。

本发明实施例中，由于预设招聘职位为多个，对简历进行关键字提取后根据预设招聘职位分类并评估得分，因此可以一次性从简历数据库中筛选出多个招聘职位中所有得分高于预设筛选阈值的简历，实现了多职位同时招聘，进一步提高了企业的人才招聘效率。

应理解，上述实施例中各步骤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，而不应对本发明实施例的实施过程构成任何限定。

实施例四：

图4是本申请一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个简历筛选方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元31至34的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成数据采集单元、关键字提取单元、简历分类评估单元、简历筛选单元，各单元具体功能如下：

数据采集单元，用于采集应聘者的简历信息得到第一简历。

关键字提取单元，用于对所述第一简历进行关键字提取得到具有关键字的第二简历。

简历分类评估单元，用于将所述第二简历按照预设招聘职位进行分类并评估得分，其中所述预设招聘职位数量为两个及两个以上。

简历筛选单元，用于根据所述第二简历的评估得分及预设筛选阈值，筛选对应的所述第一简历。

所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。