一种学习行为数据挖掘方法、系统、存储介质、处理终端

本发明属于人工智能技术领域，尤其涉及一种学习行为数据挖掘方法、系统、存储介质、处理终端。

背景技术：

目前，随着大数据时代的到来和人工智能的发展，将教育技术与深度学习方法相结合，探索教育技术变革的发展趋势，将能够有效指导教学方法的持续改善，更好地服务于学生的成长需求。

当前，深度学习技术的发展方兴未艾，其在教育、医疗和社会科学等领域的应用成为必然趋势。将人工智能方法应用于教育领域实际上大有可为，除了辅助教学和学习活动之外，还可以进行教育大数据分析凝练学习行为和方法等，指导教师和学生更好地完成教学任务。但是，人工智能目前在教育领域的应用还停留在初始阶段，市面上有一些机器人或学习系统产品，然而其智能化程度并不高。能够真实客观地收集大量的学生学习行为数据，并在此基础上对学生学习行为进行分析并对优良学习行为进行挖掘的技术方案还未见报道。因此，亟需这样一种将人工智能方法与教育相结合的技术方案。

通过上述分析，现有技术存在的问题及缺陷为：现有技术中关于将人工智能方法应用于教育领域的完善技术方案尚未见报道。一方面，在使用问卷和录像等手段获取学生学习数据时，学生主观因素影响很大，无法收集到真实客观的学习行为数据，导致数据不能很好地反应学生的学习行为和学习成绩的关系；另一方面，所使用工具的限制导致收集到的样本数量较小，或来自于特定样本(由少量教师和学生组成)，不能为学习行为分析提供足够的数据支持。因此，当前缺乏能有效收集大规模的真实客观的学生学习行为数据的工具，也导致了后续很难利用深度学习技术对学生学习行为数据进行分析。

解决以上问题及缺陷的难度为：首先，需要开发一套系统，能够有效收集大规模的真实客观的学生学习行为数据，这要求设计的新系统可以在学生课前预习、课上学习和课后复习等过程中为学生提供电子学习材料的同时能够实时准确地记录学生的学习行为并将数据进行存储；此外，为了能在收集到的数据的基础上能够对学生学习行为数据进行精准分析并对学生学习成绩等级进行高精度预测，需要设计出比当前流行的处理时序数据的深度学习模型效果更好的模型，同时，需要设计有效的方案来挖掘出学生的优良学习行为以推广和指导其他学生的学习活动。

解决以上问题及缺陷的意义为：研发一套基于互联网+人工智能+教育的设计模式的新系统，可以使教学摆脱对纸质教科书的依赖，教师和学生在互联网环境下可以随时随地访问系统，开展教学与学习活动。在学生使用该系统学习的过程中，系统可以实时准确地记录学生备注、翻页等行为动作并将其记录存储下来，为后续利用深度学习技术对学生学习行为数据进行分析提供大量客观真实的数据。此外，开发新的深度学习方法来高效地处理时序数据并做出高精度预测，在此基础上基于学生的学习行为数据，可以对学生的学习效果进行测评，密切关注学生的学习情况。另外，通过数据挖掘方法得到的学生优良学习行为，可以用于指导更多学生的学习进程，帮助他们培养好的学习习惯和学习方法，在研究生、本科生甚至中小学生中都具有非常重要的推广价值。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种学习行为数据挖掘方法、系统、存储介质、处理终端，尤其涉及一种基于elearn系统和深度学习技术的学习行为数据挖掘方法、系统、存储介质、处理终端。

本发明是这样实现的，一种学习行为数据挖掘方法，所述学习行为数据挖掘方法包括以下步骤：

步骤一，使用elearn系统实时采集学生学习行为数据，对pdf教材进行列操作，同时将操作信息上传至服务器中进行存储；

步骤二，将采集的学生学习行为数据进行序列化处理，使用长短时注意网络对学生学习行为数据特征进行预测，得出学生成绩预测等级；

步骤三，根据学习成绩将学生划分为优、良和合格三类，使用基于矢量量化学习的方法对等级为优、良的学生学习行为数据进行监督聚类，挖掘学生的优良学习行为。

进一步，步骤一中，所述操作信息包括：学生用户名、学号、高亮操作、下划线操作、删除线操作、标记内容、当前阅读页数和当前阅读时间。

进一步，步骤二中，所述将采集的学生学习行为数据进行序列化处理，包括：

在预处理学生学习行为数据过程中，将所有的数据信息按照时间阶段划分为不同的部分，在各个部分中，将不同学生的数据分别进行统计；

其中，将高亮、下划线和删除线操作按照操作数量进行统计，将标记内容按照标记内容的字符数量进行加和统计，对阅读页数不同的数量进行统计，将当天阅读时长通过用户一天中最晚操作时间与最早操作时间的差值进行统计。

进一步，在将采集的学生学习行为数据进行序列化处理后，在各个时间片段中，每个用户都有一个6维的数据向量，其中每个维度分别对应6种操作信息的统计量，分别对各个维度进行归一化处理；所述归一化处理包括：将每个时间片段中6中操作数值最多的选出，将这一时间片段中的所有数据都除以当前维度的最大值，得到最终的归一化结果。

进一步，步骤二中，所述使用长短时注意网络对学生学习行为数据特征进行预测，包括：

(1)在基于长短时注意网络进行预测时，将最终的课程成绩划分为优秀、良好、及格和不及格4个等级，并转化为one-hot向量，作为真实标签；

(2)将每个学生在各个时间段的数据当作一个序列数据，时间段的数量为输入长短时注意网络的一个时间步数，数据的维度6即为每个时间步骤上输入到长短时注意网络的输入维度大小；

(3)将学生数据划分为训练集和测试集，在训练过程中，长短时注意网络在处理完当前学生的时间序列数据后，生成4维向量，与标签进行交叉熵损失；

(4)通过反向传播进行网络训练，向量中值最大维度所代表的成绩等级即为网络所预测的当前学生的成绩等级；在测试过程中，将预测的等级与真实标签等级相对比得出错误率。

进一步，步骤二中，所述学生成绩预测等级包括：优秀、良好、及格和不及格。

进一步，步骤三中，所述使用基于矢量量化学习的方法对等级为优、良的学生学习行为数据进行监督聚类，包括：

(1)聚类开始时，从各类中分别随机选出两个样本作为该类簇的原型点；

(2)样本集中随机挑选一个样本，计算其与原型向量组中每个向量的距离，并选取距离最小的原型向量所在的类簇作为它的划分结果，再与真实类标比较；

(3)若划分结果正确，则对应原型向量向这个样本靠近一些；若划分结果不正确，则对应原型向量向所述样本远离；

(4)迭代，直到算法收敛或执行到最大步骤，输出表征优、良学习行为数据特性的原型向量组。

本发明的另一目的在于提供一种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，使得所述处理器执行如下步骤：

使用elearn系统实时采集学生学习行为数据，对pdf教材进行列操作，同时将操作信息上传至服务器中进行存储；

将采集的学生学习行为数据进行序列化处理，使用长短时注意网络对学生学习行为数据特征进行预测，得出学生成绩预测等级；

根据学习成绩将学生划分为优、良和合格三类，使用基于矢量量化学习的方法对等级为优、良的学生学习行为数据进行监督聚类，挖掘学生的优良学习行为。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的学习行为数据挖掘方法。

本发明的另一目的在于提供一种实施所述的学习行为数据挖掘方法的学习行为数据挖掘系统，所述学习行为数据挖掘系统包括：

elearn系统，用于采集学生学习行为数据，对pdf教材进行一系列操作，并将操作记录上传至服务器中进行存储；

成绩等级预测模块，用于将采集的学生学习行为数据进行序列化处理，并使用长短时注意网络对其进行学生成绩等级预测；

学习行为挖掘模块，用于按照学习成绩将其划分为优、良、合格三类，使用基于矢量量化学习的方法对等级为优、良的学生的学习行为数据进行监督聚类，挖掘学生的优良学习行为。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的学习行为数据挖掘方法，研发的elearn系统基于互联网+人工智能+教育的设计模式，摆脱了教学对纸质教科书的依赖，教师和学生在互联网环境下可以随时随地访问系统，开展教学与学习活动。在学生使用elearn系统学习的过程中，该系统可以实时准确地记录学生高亮、翻页、强调等行为动作。此外，本发明开发的深度学习方法，长短时注意网络，可以处理时序数据并做出高精度预测。基于学生的学习行为数据，可以对其学习效果进行测评，密切关注学生的学习情况。另外，通过数据挖掘方法得到的学生优良学习行为，可以用于指导更多学生的学习进程，帮助学生培养更好的学习习惯和学习方法，在研究生、本科生甚至中小学生课程中都具有非常重要的推广价值。本发明还具有以下技术效果：

(1)使用elearn系统实时采集学生学习行为数据，本发明开发的elearn系统基于互联网+人工智能+教育的设计模式，摆脱了教学对纸质教科书的依赖，教师和学生在互联网环境下可以随时随地访问系统，开展教学与学习活动。在学生使用elearn系统学习的过程中，该系统可以实时准确地记录学生高亮、强调、翻页、阅读时间等行为动作。

(2)基于长短时注意网络进行预测，本发明研究的长短时注意网络在长短时记忆网络(lstm)的基础上加入了注意力门，可以更好地处理时序数据并作出高精度的预测，基于学生的学习行为数据，可以对其学习效果进行测评，密切关注学生的学习情况。

(3)基于学习矢量量化的方法进行考察，对得到优、良成绩学生的学习行为数据进行矢量量化方法研究，得到学生的优良学习行为，可以用于指导更多学生的学习进程，帮助他们培养好的学习习惯和学习方法，在研究生、本科生甚至中小学生中都具有非常重要的推广价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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是本发明实施例提供的学习行为数据挖掘方法的设计框图。

图2是本发明实施例提供的用户登录界面、用户注册界面和用户修改密码界面示意图。

图3是本发明实施例提供的用户操作界面示意图。

图4是本发明实施例提供的用户管理界面示意图。

图5是本发明实施例提供的用户操作记录界面示意图。

图6是本发明实施例提供的对学生成绩等级进行预测使用的长短时注意网络单元的结构图。

图7是本发明实施例提供的利用学习矢量量化方法对学习行为数据进行监督聚类的效果图。

图8是本发明实施例提供的学习行为数据挖掘方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种学习行为数据挖掘方法、系统、存储介质、处理终端，下面结合附图和具体实施例对本发明作详细的描述。

如图8所示，本发明实施例提供的学习行为数据挖掘方法包括以下步骤：

s101，使用elearn系统实时采集学生学习行为数据，对pdf教材进行列操作，同时将操作信息上传至服务器中进行存储；

s102，将采集的学生学习行为数据进行序列化处理，使用长短时注意网络对学生学习行为数据特征进行预测，得出学生成绩预测等级；

s103，根据学习成绩将学生划分为优、良和合格三类，使用基于矢量量化学习的方法对等级为优、良的学生学习行为数据进行监督聚类，挖掘学生的优良学习行为。

本发明提供的学习行为数据挖掘方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的学习行为数据挖掘方法仅仅是一个具体实施例而已。

下面结合附图对本发明的技术方案作详细的描述。

图1为本发明的设计框图，可分为三个部分：使用elearn系统实时采集学生学习行为数据，其中学生学习行为数据包括：高亮、下划线、删除线、标记内容、页数、阅读时间；在预处理数据之后，基于长短时注意网络对学生学习行为数据特征进行预测，可得出学生预测等级包括：优秀、良好、及格、不及格；基于学习矢量量化方法进行考察，对学习行为数据进行聚类分析得出优簇中的学习行为。

图2是用户登录界面、用户注册界面和用户修改密码界面。

图3是用户操作界面，学生登录后，在阅读的过程中可以对教材进行一系列的操作，比如“上一页”、“下一页”、“放大”、“缩小”、“搜索”、“标签”等。还可以对教材中的内容进行“添加下划线”、“添加标记”、“高亮文字”操作。图中展示了学生对pdf教材进行的部分操作。

图4是用户管理界面，管理员可以查看并管理用户账户信息，包括删除、添加、更改用户信息。在用户忘记密码或信息错误时，管理员可以帮助其进行修改。

图5是用户操作记录界面，用户进行的各种操作都会记录在数据库中，并通过互联网传回后端服务器。另外，管理员可以对操作记录进行筛选查看与管理。

图6是对学生成绩等级进行预测使用的长短时注意网络单元的结构图。长短时注意网络在长短时记忆网络的基础上加入了注意力门，注意力门作用于遗忘门和输入门，在某种程度上，它确定了应该忽略哪些信息以及应该注意哪些信息，该网络在进行学生等级预测过程中获得了很高的准确率。

图7是利用学习矢量量化方法对学习行为数据进行监督聚类的效果图。具体地，按照elearn系统期末成绩将学生分为优、良、合格三类，对优、良的学生学习行为数据用lvq算法聚类，聚为四个小类(优、良各两个)。每个学生学习行为数据以及学习到的四个原型向量都有6维的特征和一个表示优、良的样本标签，这四个原型向量分别定义了与之相关的一个区域，该区域中的每个样本与这个原型向量的距离不大于与其他原型向量的距离。为了展示聚类效果，取样本数据和所得的原型向量的其中两维特征进行绘图得到图7。

下面结合实施例对本发明的技术方案作进一步描述。

实施例1

随着大数据时代的到来和人工智能的发展，将教育技术与深度学习方法相结合，探索教育技术变革的发展趋势，将能够有效指导教学方法的持续改善，更好地服务于学生的成长需求。本发明研发的elearn系统基于互联网+人工智能+教育的设计模式，摆脱了教学对纸质教科书的依赖，教师和学生在互联网环境下可以随时随地访问系统，开展教学与学习活动。在学生使用elearn系统学习的过程中，该系统可以实时准确地记录学生高亮、翻页、强调等行为动作。此外，本发明开发的深度学习方法，长短时注意网络，可以处理时序数据并做出高精度预测。基于学生的学习行为数据，可以对其学习效果进行测评，密切关注学生的学习情况。另外，通过数据挖掘方法得到的学生优良学习行为，可以用于指导更多学生的学习进程，帮助学生培养更好的学习习惯和学习方法，在研究生、本科生甚至中小学生课程中都具有非常重要的推广价值。

pythonweb开发框架django、深度学习框架pytorch和pycharm2020.1.2。本发明采用的elearn系统基于pythonweb框架django以及pycharm2020.1.2开发，运行环境：ubuntu18.04.4。

长短时记忆网络基于深度学习框架pytorch构建，运行环境：ubuntu18.04.4。此处使用的对学生学习行为数据进行聚类的学习矢量量化方法基于pycharm2020.1.2开发，运行环境：windows10。

本发明由三个部分构成：

一，使用elearn系统实时采集学生学习行为数据，本发明开发的elearn系统基于互联网+人工智能+教育的设计模式，摆脱了教学对纸质教科书的依赖，教师和学生在互联网环境下可以随时随地访问系统，开展教学与学习活动。在学生使用elearn系统学习的过程中，该系统可以实时准确地记录学生高亮、强调、翻页、阅读时间等行为动作。

二，基于长短时注意网络进行预测，本发明研究的长短时注意网络在长短时记忆网络(lstm)的基础上加入了注意力门，可以更好地处理时序数据并作出高精度的预测，基于学生的学习行为数据，可以对其学习效果进行测评，密切关注学生的学习情况。

三，基于学习矢量量化的方法进行考察，对得到优、良成绩学生的学习行为数据进行矢量量化方法研究，得到学生的优良学习行为，可以用于指导更多学生的学习进程，帮助他们培养好的学习习惯和学习方法，在研究生、本科生甚至中小学生中都具有非常重要的推广价值。

本发明实施例提供的基于elearn系统和深度学习技术的学习行为数据挖掘系统，包括elearn系统、成绩等级预测模块、学习行为挖掘模块；其中，

所述elearn系统，用于采集学生学习行为数据；具体包括：使用elearn系统对pdf教材进行一系列操作，并将操作记录上传至服务器中进行存储。

所述成绩等级预测模块，用于在采集的学生学习行为数据上进行学生成绩等级预测；具体包括：将采集的学生学习行为数据进行序列化处理，并使用长短时注意网络对其进行学生成绩等级预测。

所述学习行为挖掘模块，用于挖掘学生的优良学习行为；具体包括：按照学习成绩将其划分为优、良、合格三类，使用基于矢量量化学习的方法对等级为优、良的学生的学习行为数据进行监督聚类，挖掘学生的优良学习行为。

实施例2

在使用elearn系统之前，学生需要根据自己的信息进行账号注册(注册页面如图2中所示)，在成功注册之后，学生的信息会记录在数据库中(后台展示界面如图4所示)，管理员可以对其中的信息进行添加、修改、删除。另外，学生可以对其密码进行修改(密码修改界面如图2右所示)，若密码忘记，管理员可以帮助其进行修改。

在使用elearn系统时，学生需要登录自己的账号(登录界面如图2左所示)。在阅读pdf教材时可以对其进行翻页、缩放、搜索等操作，也可以对文章内容选中进行高亮、删除线、下划线操作，具体页面信息如图3所示。

学生所做的操作信息会被记录到数据库中，其中包括学生用户名、学号、高亮操作、下划线操作、删除线操作、标记内容、当前阅读页数、当前阅读时间，后台展示界面如图5所示。

在预处理学生学习行为数据过程中，将所有的数据信息按照时间阶段划分为不同的部分，在各个部分中，将不同学生的数据分别进行统计，其中高亮、下划线、删除线操作按照其操作的数量进行统计，标记内容按照标记内容的字符数量进行加和统计，对阅读页数不同的数量进行统计，当天的阅读时长通过用户一天中最晚操作时间与最早操作时间的差值进行统计。

在经过上述处理过程后，在各个时间片段中，每个用户都有一个6维的数据向量，其中每个维度分别对应6种操作信息的统计量，为了后续输入到深度网络中更好地训练以及更加准确地预测，分别对各个维度进行归一化处理。具体地，将每个时间片段中6中操作数值最多的选出，将这一时间片段中的所有数据都除以当前维度的最大值，得到最终的归一化结果。

在基于长短时注意网络(网络结构如图6所示)进行预测时，将最终的课程成绩划分为4个等级，分别是优秀、良好、及格、不及格，并将其转化为one-hot向量，作为真实标签。在上述数据处理过程的基础上，将每个学生在各个时间段的数据当作一个序列数据，时间段的数量为输入长短时注意网络的一个时间步数，数据的维度6即为每个时间步骤上输入到长短时注意网络的输入维度大小。

将学生数据划分为训练集和测试集，在训练过程中，长短时注意网络在处理完当前学生的时间序列数据后，生成一个4维的向量，与标签进行交叉熵损失，通过反向传播进行网络训练，向量中值最大维度所代表的成绩等级即为网络所预测的当前学生的成绩等级。在测试过程中，将预测的等级与真实标签等级相对比得出网络预测错误率。

基于学习矢量量化的方法进行考察时，为了发现优良的学习行为，对等级为优、良的学习行为数据进行重点考察。如前所述，我们经过数据处理得到了包含优、良的学生学习行为数据样本集，其中，每一个样本数据都有六维的特征和一个样本标签(即监督信息，优为1，良为0)。学习的目标是生成一组能够分别表征优、良学习数据特性的原型向量和对应的优、良标签，每个6维的原型向量表征了一个优或良聚类簇的特征信息，即定义了与之相关的一个区域，该区域中的每个样本与这个原型向量的距离不大于与其他原型向量的距离。聚类开始时，从各类中分别随机选出两个样本作为该类簇的原型点。接着，样本集中随机挑选一个样本，计算其与原型向量组中每个向量的距离，并选取距离最小的原型向量所在的类簇作为它的划分结果，再与真实类标比较。若划分结果正确，则对应原型向量向这个样本靠近一些；若划分结果不正确，则对应原型向量向这个样本远离一些。这个过程一直迭代，直到算法收敛或执行到最大步骤，输出表征优、良学习行为数据特性的原型向量组(原型向量的每一维对应着一种行为数据特征)。图7所示就是聚类完成后用样本数据和原型向量的其中两维特征所绘的聚类效果图。根据聚类结果，便可挖掘发现学生的优良行为特征。

实施例3

随着5g大数据时代的到来，教育技术必然会有相应的技术变革。5g不但提供更大的带宽、更快的网速，更重要的是能让更多设备能同时连上网络，也能实现更可靠、更快速的响应。因此，将互联网技术放在云端上也是大势所趋。本发明研发的elearn系统就是基于这一理念，不同于其他应用程序的是，它不需要针对不同的设备进行特定的应用程序开发，设备连接互联网通过浏览器即可登录，这样不仅节省开发所耗费的人力物力资源，也方便用户使用，不需要在不同的设备上都下载对应的应用程序，随时随地都可以访问系统。

学生登录elearn系统后，可以在云端选择自己所需要的教材进行阅读和学习。在学生使用elearn系统学习的过程中，该系统可以记录学生对教材进行的各种操作，并且可以实时地处理数据。

在一学期的课程学习中，该系统针对教育过程中的阶段性测试也进行了相应的优化。该系统可以将所收集到的学生学习行为信息进行更细致的划分，将每周的数据进行一次统计和归一化处理，将每个阶段的成绩做成一个序列化数据，根据各个阶段性考试成绩对长短时注意网络进行反向传播训练。其中，阶段性成绩数据与期末成绩数据对网络进行训练时使用不同的学习率，这样可以针对不同考试的重要性对网络进行更准确的优化。

针对每个阶段性测试，通过矢量量化分析的方法对阶段性成绩优、良的学生学习行为数据进行聚类分析，得出优良学习行为，将其与最终成绩所分析得到的优良学习行为相对比，更好地指导学生的学习进程，帮助学生培养更好的学习习惯和学习方法。

实施例4

随着人工智能的不断发展，将深度学习方法与教育技术相结合，能够有效指导教学方法的持续改善。本发明所研发的elearn系统和长短时注意网络不只针对单一时期的单一课程，它可以通过对不同时期多种课程的学生学习行为数据进行联合和持续地收集和训练，不断地优化和改进该方法。

具体地，elearn系统可以使用在不同时期的多种课程中，并将学生数据根据相应的时间段、课程分别收集到数据库中，对其分类管理。长短时注意网络可以根据不同时间多种课程的学生学习行为数据不断进行训练和改进，逐步提高预测准确率。

在课程学习过程中，可以用训练较好的长短时注意网络对学生学习行为数据进行分析，得出学生们的预测成绩。使用矢量量化方法对预测成绩高的学生学习行为进行分析，得出优良学习行为来指导预测成绩较差的学生，动态地帮助其不断调整和改进学习方法和学习习惯。

本发明在中国海洋大学2020年春季学期深度学习理论与实践课程中进行了为期一学期的具体实施，选修该课程的学生在课程开始前，根据自己的用户名、学号、联系方式进行注册(如图2所示)。在课程开始后，学生们在elearn系统中根据教材进行阅读、学习和标记，学生的学习行为数据都被记录在数据库中。在该学期课程结束后，将学生的学习行为数据进行预处理操作，并将其分为训练集和测试集，使用训练集数据对长短时注意网络进行反向传播训练，对测试集学生成绩等级进行预测，预测精度达到了91％，每条数据的测试时间不超过0.001秒。为了深入挖掘学生的优良学习行为，利用学习矢量量化的方法对学生的学习行为数据进行监督聚类。具体地，按照elearn系统期末成绩将学生划分为优、良、合格三类，对优、良的学生学习行为数据用lvq聚类，聚为四个小类(优、良各两个)。通过考察各个小类，发现学习时长和阅读过程中对知识点进行标记的详细程度是两项突出的优良学习行为，另外，阅读页数较多的学生最后的成绩也会更高一些。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。