一种预测社交媒体内容的热度等级的方法和装置与流程
本申请涉及计算机技术领域，尤其涉及一种预测社交媒体内容的热度等级的方法和装置。
背景技术：
随着计算机以及信息技术的快速发展，越来越多的网络社交平台出现在人们的视野中，它们成为了人们生活中不可或缺的一部分，人们在这些网络社交平台中分享生活、交流意见，为互联网信息时代的繁荣增添了巨大的力量。在这样的背景下，网络社交平台的热度预测一直是一个被广泛研究的课题。通过对这些平台用户发表的内容做热度预测，可以将其应用到一系列优化用户体验的系统中，例如用户推荐系统或者热点推荐系统等，这些系统的实现和应用可以更好地节约普通用户查找有价值的内容所消耗的精力，也能够更好地促进平台用户进行内容创作的活力。
目前，现有的网络社交平台的热度预测方法是先尽可能从原始数据中提取和热度有关的指标作为特征，然后使用这些特征去训练回归模型，最后使用训练好的模型对用户发布的内容的热度进行预测。
但是，目前所使用的回归模型大多都是近年来一些较为先进的集成学习模型(例如，xgboost、lightgbm和catboost等)或者是通过搭建深度学习模型来进行回归预测的，虽然这些回归模型都具有较好的性能，但是，对于热度预测这一方差极大的指标来说，在使用极值数据进行训练时，回归模型的预测结果将难以输出平滑的预测，在不使用极值数据进行训练时，回归模型将会缺乏对极值进行预测的能力，在这样的情况下，回归模型的性能难免会收受到影响。
因此，现有的网络社交平台的热度预测方法至少存在着预测准确度不高的问题。
技术实现要素：
本申请实施例的目的在于提供一种预测社交媒体内容的热度等级的方法和装置，以解决现有技术中存在着的预测准确度不高的问题。
第一方面，本申请实施例提供了一种社交媒体内容的热度等级的方法，该方法包括：获取待预测的社交媒体内容；对待预测的社交媒体内容进行预处理，获得预处理信息；对预处理信息进行特征提取，获得特征数据；利用预先训练好的热度预测模型对特征数据进行热度等级的预测，以获得待预测的社交媒体内容的热度等级；其中，热度预测模型包括分类层。
因此，本申请实施例通过获取待预测的社交媒体内容，随后对待预测的社交媒体内容进行预处理，获得预处理信息，随后对预处理信息进行特征提取，获得特征数据，最后利用预先训练好的热度预测模型对特征数据进行热度等级的预测，以获得待预测的社交媒体内容的热度等级，相比于现有的网络社交平台的热度预测方法，其可提高预测的准确度。
在一个可能的实施例中，热度预测模型具体包括依次连接的第一全连接层、线性融合层、第一基本单元、第二基本单元、第二全连接层和分类层；其中，第一基本单元包括依次连接的第三全连接层、第一归一化层和第一激活层，第二基本单元包括依次连接的第四全连接层、第二归一化层和第二激活层。
在一个可能的实施例中，特征数据包括文本特征数据；其中，对预处理信息进行特征提取，获得特征数据，包括：利用预先训练好的文本特征提取模型对预处理信息中的文字部分进行文本特征提取，以获得文本特征数据。
在一个可能的实施例中，特征数据包括数值特征数据；其中，对预处理信息进行特征提取，获得特征数据，包括：采用标准分数算法标准化预处理信息中的数值部分，以获得数值特征数据。
在一个可能的实施例中，在利用预先训练好的热度预测模型对特征数据进行热度等级的预测之前，方法还包括：获取初始热度预测模型的损失函数，其中，损失函数包括交叉损失函数和均方误差损失函数；利用损失函数对初始热度预测模型进行调整，以获得预先训练好的热度预测模型。
在一个可能的实施例中，损失函数为：
l＝la+lb；
其中，l为损失函数值，la为交叉损失函数值，lb为均方误差损失函数值，n为初始热度预测模型的输入样本的数量，m为所划分的热度等级的数量，yij表示热度等级j是否是初始热度预测模型的输入xi的真实热度等级，pij表示初始热度预测模型的输入xi属于热度等级j的概率，
在一个可能的实施例中，预处理信息包括以下信息中的至少一种信息：用户信息、内容信息和话题指标信息。
第二方面，本申请实施例提供了一种预测社交媒体内容的热度等级的装置，该装置包括：获取模块，用于获取待预测的社交媒体内容；预处理模块，用于对待预测的社交媒体内容进行预处理，获得预处理信息；特征提取模块，用于对预处理信息进行特征提取，获得特征数据；预测模块，用于利用预先训练好的热度预测模型对特征数据进行热度等级的预测，以获得待预测的社交媒体内容的热度等级；其中，热度预测模型包括分类层。
第三方面，本申请实施例提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第四方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行第一方面或第一方面的任一可选的实现方式所述的方法。
第五方面，本申请提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例提供的一种预测社交媒体内容的热度等级的方法的流程图；
图2示出了本申请实施例提供的一种热度预测模型的结构示意图；
图3示出了本申请实施例提供的一种预测社交媒体内容的热度等级的装置的结构框图；
图4示出了本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
目前，现有的网络社交平台的热度预测方法大多都是基于回归模型进行预测的，从而可获得平台用户发布内容的热度数值。然而，在实际对于热度预测结果的应用中，并没有必要去得到确切的热度数值，仅仅围绕着流行的程度，即热度等级这一指标进行进行很多功能的设计。
基于此，本申请实施例巧妙地提出了一种预测社交媒体内容的热度等级的方案，通过获取待预测的社交媒体内容，随后对待预测的社交媒体内容进行预处理，获得预处理信息，随后对预处理信息进行特征提取，获得特征数据，最后利用预先训练好的热度预测模型对特征数据进行热度等级的预测，以获得待预测的社交媒体内容的热度等级，其中，热度预测模型包括分类层。
因此，借助于上述技术方案，本申请实施例通过对社交媒体内容的热度等级预测进行划分，可以将热度预测的问题转换为分类问题。并且，在热度等级预测的问题上，本申请实施例提供的技术方案可以仅以较少的数据输入来进行预测，并可获得较高的预测准确度。
请参见图1，图1示出了本申请实施例提供的一种预测社交媒体内容的热度等级的方法的流程图。应理解，图1所示的方法可以由如图3所示的预测社交媒体内容的热度等级的装置执行，该装置可以是能够执行该方法的各种设备，例如，如个人计算机或服务器等，本申请实施例并不限于此。如图1的方法包括：
步骤s110，获取待预测的社交媒体内容。
应理解，社交媒体内容的具体内容可根据实际需求来进行设置，只要保证待预测的社交媒体内容属于同一平台的媒体内容即可，本申请实施例并不局限于此。
应理解，社交媒体内容可以为贴吧用户发布的内容，也可以为微博用户发布的内容，也可以为论坛用户发布的内容等。
还应理解，获取待预测的社交媒体内容的具体方法也可以根据实际需求来进行设置，本申请实施例并不局限于此。
例如，可通过数据爬取的方式获取指定平台的待预测的社交媒体内容。
步骤s120，对待预测的社交媒体内容进行预处理，获得预处理信息。
应理解，对待预测的社交媒体内容进行预处理的具体方法可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，可基于pandas对待预测的社交媒体内容进行预处理，以获得预处理信息。
还应理解，预处理信息所包含的信息可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，预处理信息可包括以下信息中的至少一种信息：用户信息、内容信息和话题指标信息。其中，用户信息是指发布社交媒体内容的用户的相关信息，例如，用户信息可包括关注数、粉丝数、发布的全部社交媒体内容的数量(例如，发布的全部微博数量)、平均转发数、平均点赞数、平均评论数和发布的每个社交媒体内容所处各个热度等级的概率(例如，发布的每篇微博所处各个热度等级的概率)；内容信息是指社交媒体内容相关的信息，例如，内容信息可包括社交媒体内容的正文(例如，微博正文)、标题、话题、正文长度、标题长度、话题个数、是否有视频和是否提到其他用户；话题指标信息是指社交媒体内容所带的话题的相关信息，例如，话题指标信息包括话题出现次数、话题综合度和话题平均热度。
还应理解，预处理信息所包含的多个信息中每个信息的获取方法也可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，对于用户信息来说，在网络社交平台的热度等级预测中，和用户相关的信息是十分重要的。
此外，在获取到采集的数据集的情况下，该数据集可包括用户肖像数据集和社交媒体内容数据集，该用户肖像数据集可包括用户标识id、用户简介、平台认证(例如，微博认证)、发布的全部社交媒体内容的数量、关注数、粉丝数和抽取日期，该社交媒体内容数据集可包括发布社交媒体内容的id(例如，帖子id)、发布的文字内容、发布的社交媒体内容在抽取日期期间的转发数(例如，博文在抽取日期的转发数)、发布的社交媒体内容在抽取日期期间的评论数和发布的社交媒体内容在抽取日期期间的点赞数。
另外，由于本申请实施例已经获取了数据集，本申请实施例可将用户肖像数据集中的关注数、粉丝数和发布的全部社交媒体内容的数量作为用户信息中的用户肖像信息。并且，本申请实施例还可采样数据集中每个用户发表的所有社交媒体内容，计算平均转发数(例如，可利用所有的转发数和抽取日期来计算平均转发数)、平均点赞数、平均评论数和发布的每个社交媒体内容所处各个热度等级的概率，并可将平均转发数、平均点赞数、平均评论数和发布的每个社交媒体内容所处各个热度等级的概率作为用户信息中的数值信息，从而可获得用户信息。
还应理解，发布的每个社交媒体内容所处各个热度等级的概率的计算方式可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，可采用分类算法确定发布的每个社交媒体内容所处各个热度等级的概率。
可选地，对于文本信息来说，可对文本进行清洗和去噪，例如，可去除社交媒体内容中的标点符号、表情和视频链接等多余内容。
此外，对于清洗和去噪后的数据来说，可利用第一正则表达式将社交媒体内容的文本内容划分成正文、标题、话题、是否有视频和是否提到其他用户(例如，可用0和1表示是否提及到其他用户等)五个部分。随后，本申请实施例还可采集正文长度、标题长度、话题个数和是否有视频，从而可获得文本信息。
应理解，第一正则表达式的具体内容可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，对于话题指标信息来说，话题是预测发布的社交媒体内容的热度等级的一项重要依据，从而可认为热度更高的话题下的社交媒体内容有更大的流行趋势。本申请实施例通过遍历采集的数据集，利用第二正则表达式提取发布的每个社交媒体内容所带的话题，并可完整提取数据集中的全部话题以计算话题相关指标，包括话题出现次数、话题综合度和话题平均热度，从而可获得话题指标信息。
应理解，第二正则表达式的具体内容可根据实际需求来进行设置，本申请实施例并不局限于此。
步骤s130，对预处理信息进行特征提取，获得特征数据。
应理解，特征数据所包含的数据可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，特征数据可包括文本特征数据和数值特征数据。
还应理解，对预处理信息进行特征提取的具体方法可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，可利用预先训练好的文本特征提取模型对预处理信息中的文字部分进行文本特征提取，以获得文本特征数据。
还应理解，文本特征提取模型的具体模型和文本特征数据对应的数据格式等均可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，文本特征提取模型可以为bert模型。其中，该bert模型可以是一种预训练的语言表征模型，其可以作为特征提取器，并可将文字内容转换为词嵌入特征。
可选地，采用标准分数算法(即z-score)标准化预处理信息中的数值部分(或者说，对预处理信息中的数值部分进行z-score标准化处理)，以获得数值特征数据。
其中，该预处理信息中的数值部分可包括关注数、粉丝数、发布的全部社交媒体内容的数量、平均转发数、平均点赞数、平均评论数、发布的每个社交媒体内容所处各个热度等级的概率、正文长度、标题长度、话题个数、是否有视频、是否提到其他用户、话题出现次数、话题综合度和话题平均热度。
步骤s140，利用预先训练好的热度预测模型对特征数据进行热度等级的预测，以获得待预测的社交媒体内容的热度等级。其中，热度预测模型包括分类层。
应理解，热度预测模型的具体结构可根据实际需求来进行设置，本申请实施例可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，请参见图2，图2示出了本申请实施例提供的一种热度预测模型的结构示意图。如图2所示的热度预测模型包括依次连接的第一全连接层、线性融合层、第一基本单元、第二基本单元、第二全连接层和分类层；其中，第一基本单元包括依次连接的第三全连接层、第一归一化层(或者第一batchnorm层)和第一激活层(或者第一relu层)，第二基本单元包括依次连接的第四全连接层、第二归一化层(或者第二batchnorm层)和第二激活层(或者第二relu层)。
也就是说，本申请实施例可将文本特征数据和数值特征数据作为第一全连接层的输入(即可通过第一全连接层进行特征维度的对齐)，以及第一连接层的输出可作为线性融合层的输入(即可通过线性融合层将两类特征进行线性融合)，以及线性融合层的输出可作为第一基本单元的输入，以及第一基本单元的输出可作为第二基本单元的输入，以及第二基本单元的输出可作为第二全连接层的输入，以及第二全连接层的输出可作为分类层的输入，以及分类层的输出可以为社交媒体内容的热度等级。
还应理解，热度预测模型中每一层的具体层结构以及输入输出维度等均可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，分类层可以为softmax层。
再例如，第一全连接层的输出维度可以为768，以及线性融合层的输出维度可以为512，以及第一基本单元的输出维度可以为256，以及第二基本单元的输出维度可以为128，以及分类层的输出维度可以为m(即m为所划分的热度等级的数量)。
还应理解，热度预测模型的训练过程可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，在利用预先训练好的热度预测模型对特征数据进行热度等级的预测之前，可利用样本数据(例如，样本特征数据)训练初始热度预测模型，以获得初始热度预测模型的输出结果。以及，可获取初始热度预测模型的损失函数，其中，损失函数包括交叉损失函数和均方误差损失函数，随后利用损失函数对初始热度预测模型进行调整，以获得预先训练好的热度预测模型。
此外，在热度预测模型的训练过程中，可采用k＝5的k折交叉验证来增强预测模型性能评估的稳定性。
应理解，损失函数的具体函数可根据实际需求来进行设置，本申请实施例并不局限于此。
可选地，热度预测模型的训练可使用两种损失函数，分别是交叉损失函数和均方误差损失函数。其中，交叉损失函数可以是深度学习中分类任务常用的交叉熵损失，可以用来优化预测结果和真实热度等级的接近程度；以及可用于引入用户级别的热度时序信息，以增强预测稳定性的均方误差损失函数。
其中，交叉损失函数的计算公式如下：
其中，la为交叉损失函数值，y为初始热度预测模型的输出向量，x为初始热度预测模型的输入向量，n为初始热度预测模型的输入样本的数量，m为所划分的热度等级的数量，yij表示热度等级j是否是初始热度预测模型的输入xi的真实热度等级，xi表示第i个样本数据(即从0至n的第i个样本数据)，pij表示初始热度预测模型的输入xi属于热度等级j的概率。
此外，为了引入用户级别的热度时序信息，使得模型更加稳定，在对每一个社会媒体内容进行预测时，在采样的数据集内可按照时序向前采样m条当前用户所发布的社会媒体内容对应的热度等级。
例如，可以以用户为单位，按照发布的时间顺序(或者时序)对每个用户发布的社会媒体内容进行排列后，可对每个用户发布的社会媒体内容计算其对应的热度等级。之后，对于每个社会媒体内容，可记录其在时序上前至多m条发布的热度等级，并可将其作为该条社会媒体内容的热度时序特征进行记录。其中，m为预设条数。
应理解，预设条数的具体值可根据实际需求来进行设置，本申请实施例并不局限于此。
例如，m可以为10。
以及，均方误差损失函数的计算公式如下：
其中，lb为均方误差损失函数值，
此外，该热度预测模型的优化目标为：
l＝la+lb；
其中，l表示损失函数值。
此外，虽然上面描述了热度预测模型的训练过程，但本领域的技术人员应当理解，在热度预测模型训练好的情况下，可直接执行步骤s140。
例如，可将特征数据输入到训练好的热度预测模型中，以使得该训练好的热度预测模型对特征数据进行处理，并输出待预测的社交媒体内容的热度等级。
因此，本申请实施例通过获取待预测的社交媒体内容，随后对待预测的社交媒体内容进行预处理，获得预处理信息，随后对预处理信息进行特征提取，获得特征数据，最后利用预先训练好的热度预测模型对特征数据进行热度等级的预测，以获得待预测的社交媒体内容的热度等级，相比于现有的网络社交平台的热度预测方法，其可提高预测的准确度。
应理解，上述预测社交媒体内容的热度等级的方法仅是示例性的，本领域技术人员根据上述的方法可以进行各种变形，该变形之后的方案也属于本申请的保护范围。
请参见图3，图3示出了本申请实施例提供的一种预测社交媒体内容的热度等级的装置300的结构框图。应理解，该装置300能够执行上述方法实施例中的各个步骤，该装置300具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置300包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置300的操作系统(operatingsystem，os)中的软件功能模块。具体地，该装置300包括：
获取模块310，用于获取待预测的社交媒体内容；
预处理模块320，用于对待预测的社交媒体内容进行预处理，获得预处理信息；
特征提取模块330，用于对预处理信息进行特征提取，获得特征数据；
预测模块340，用于利用预先训练好的热度预测模型对特征数据进行热度等级的预测，以获得待预测的社交媒体内容的热度等级；其中，热度预测模型包括分类层。
在一个可能的实施例中，热度预测模型具体包括依次连接的第一全连接层、线性融合层、第一基本单元、第二基本单元、第二全连接层和分类层；其中，第一基本单元包括依次连接的第三全连接层、第一归一化层和第一激活层，第二基本单元包括依次连接的第四全连接层、第二归一化层和第二激活层。
在一个可能的实施例中，特征数据包括文本特征数据；特征提取模块330，具体用于：利用预先训练好的文本特征提取模型对预处理信息中的文字部分进行文本特征提取，以获得文本特征数据。
在一个可能的实施例中，特征数据包括数值特征数据；特征提取模块330，具体用于：采用标准分数算法标准化预处理信息中的数值部分，以获得数值特征数据。
在一个可能的实施例中，获取模块310，用于获取初始热度预测模型的损失函数，其中，损失函数包括交叉损失函数和均方误差损失函数；调整模块(未示出)，用于利用损失函数对初始热度预测模型进行调整，以获得预先训练好的热度预测模型。
在一个可能的实施例中，损失函数为：
l＝la+lb；
其中，l为损失函数值，la为交叉损失函数值，lb为均方误差损失函数值，n为初始热度预测模型的输入样本的数量，m为所划分的热度等级的数量，yij表示热度等级j是否是初始热度预测模型的输入xi的真实热度等级，pij表示初始热度预测模型的输入xi属于热度等级j的概率，
在一个可能的实施例中，预处理信息包括以下信息中的至少一种信息：用户信息、内容信息和话题指标信息。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
图4示出了本申请实施例提供的一种电子设备400的结构框图。如图4所示，电子设备400可以包括处理器410、通信接口420、存储器430和至少一个通信总线440。其中，通信总线440用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口420用于与其他节点设备进行信令或数据的通信。处理器410可以是一种集成电路芯片，具有信号的处理能力。上述的处理器410可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程逻辑门阵列(fieldprogrammablegatearray，简称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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器410也可以是任何常规的处理器等。
存储器430可以是，但不限于，随机存取存储器(randomaccessmemory，简称ram)，只读存储器(readonlymemory，简称rom)，可编程只读存储器(programmableread-onlymemory，简称prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，简称eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，简称eeprom)等。存储器430中存储有计算机可读取指令，当计算机可读取指令由处理器410执行时，电子设备400可以执行上述方法实施例中的各个步骤。
电子设备400还可以包括存储控制器、输入输出单元、音频单元、显示单元。
存储器430、存储控制器、处理器410、外设接口、输入输出单元、音频单元、显示单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线440实现电性连接。处理器410用于执行存储器430中存储的可执行模块，例如电子设备400包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户输入数据实现用户与服务器(或本地终端)的交互。输入输出单元可以是，但不限于，鼠标和键盘等。
音频单元向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元在电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
可以理解，图4所示的结构仅为示意，电子设备400还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
本申请提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行实施例所述的方法。
本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，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所述以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！