多医生推荐方法及装置、在线会诊系统与流程

本申请涉及数据处理技术领域，具体涉及一种多医生推荐方法及装置、在线会诊系统。

背景技术：

随着科技的发展，人们进行疾病症状及治疗的咨询方式不再仅限于进入医院进行线上就医，还可以通过互联网获取针对其疾病症状及治疗方式的建议。尤其针对地处偏远的患病者，以及已经在某一医院进行过诊断但仍希望获取针对患病者的第二建议的人群，通过互联网获得医生的专业建议显然是一种更加便捷且高效的咨询方式。

现有技术中，用户在进行线上咨询时，通常需要将问题发布后等待医生的回答，然而，用户却无法获知回答问题的该医生，是否为其提出的疾病或症状所对应的领域专家，即使用户事先对其提出的疾病或症状所对应的领域专家有所了解，但没有途径能够获得该领域专家的回答，因此，现有技术中的用户在进行线上咨询时，始终处于被动状态，且无法获得匹配度且专业性强的医生的第二建议。

因此，如何设计一种用于向用户推荐匹配度高且专业性强的医生的方法，是亟待解决的问题。

技术实现要素：

针对现有技术中的问题，本申请提供一种多医生推荐方法及装置、在线会诊系统，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。

为解决上述技术问题，本申请提供以下技术方案：

第一方面，本申请提供一种多医生推荐方法，包括：

获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息；

将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本；

以及，将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息。

进一步地，还包括：

根据历史医生推荐日志生成多个训练样本，其中，所述历史医生推荐日志中包含有多个历史用户提问信息、向各个历史用户分别推荐的多个目标医生信息以及各个所述目标医生信息的被采纳率；

应用所述训练样本集对所述预测模型进行训练。

进一步地，还包括：

生成由多个所述目标医生信息组成的目标医生推荐列表；

将所述目标医生推荐列表发送至目标用户，使得该目标用户在所述目标医生推荐列表中选择至少一个所述目标医生信息对应的目标医生回答所述目标用户提问信息，以实现在线会诊。

进一步地，所述获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，包括：

接收所述目标用户发送的所述目标用户提问信息；

以及，根据所述目标用户提问信息确定由多个医生信息组成的候选医生列表。

进一步地，所述根据所述目标用户提问信息确定对应的候选医生列表，包括：

根据所述目标用户提问信息，确定所述目标用户提问信息对应的目标疾病科室和/或扩展科室；

在所述目标疾病科室和/或扩展科室对应的各个医生信息中，选取符合第一预设规则的多个医生信息，组成待选医生列表；

应用第二预设规则对所述待选医生列表进行筛选，得到所述候选医生列表。

进一步地，所述选取第一符合预设规则的多个医生信息，包括：

若当前时段处于日间时段，则选取在第一预设时段内进行在线操作的各个医生对应的医生信息；

若当前时段处于夜间时段，则选取在第二预设时段内进行在线操作的各个医生对应的医生信息；

其中，所述第一预设时段小于所述第二预设时段，所述日间时段与所述夜间时段之和为24小时。

进一步地，所述应用第二预设规则对所述待选医生列表进行筛选，包括：

自所述待选医生列表中，删除已接收所述目标用户提问信息的医生对应的医生信息，和/或；

自所述待选医生列表中，删除已解答所述目标用户提问信息的相关问题的医生对应的医生信息。

进一步地，所述应用第二预设规则对所述待选医生列表进行筛选，包括：

自所述待选医生列表中，删除已接收且未解答历史用户提问信息数量大于第一预设值的医生对应的医生信息，和/或；

自所述待选医生列表中，删除处于预设黑名单中的医生信息。

进一步地，所述根据所述目标用户提问信息确定对应的候选医生列表，包括：

根据所述目标用户提问信息，确定所述目标用户提问信息对应的预存医院对应的目标疾病科室和/或扩展科室；

在所述目标疾病科室和/或扩展科室对应的各个医生信息中，选取预设专业度和好评率均符合各自对应的预设要求的各个测试医生对应的医生信息，组成所述候选医生列表。

进一步地，所述目标用户提问信息中还包含有目标用户对应的用户信息和问题信息；

所述将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，包括：

对所述用户信息和问题信息分别进行特征提取，分别得到所述用户信息的用户特征向量，以及，所述问题信息对应的问题特征向量；

以及，获取所述候选医生列表中的各个所述医生信息分别对应的医生特征向量；

将所述目标用户对应的问题特征向量及用户特征向量分别与各个所述医生特征向量进行组合，得到多个预测样本。

进一步地，所述用户信息包括：用户性别和/或用户年龄信息。

进一步地，所述用户信息还包括：用户与患者关系信息、用户所在区域信息、用户免费提问次数、用户付费提问次数、用户联系方式、用户咨询次数、用户答谢医生次数及各个历史订单支付金额中的任一项或任意组合。

进一步地，所述问题信息包括：疾病描述信息和/或症状描述信息。

进一步地，所述问题信息还包括：疾病所属科室信息、问题来源标识、问题文本长度信息、问题创建时间信息及问题创建区域信息中的任一项或任意组合。

进一步地，所述医生信息包括：医生所属的所述目标疾病科室和/或扩展科室信息，以及，医生擅长疾病信息。

进一步地，所述医生信息还包括：医生性别信息、医生年龄信息、医生职称信息、医生所在医院标识、医生所在城市、医生等级、医生解答问题价格和医生服务人次信息中的任一项或任意组合。

进一步地，所述将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，包括：

将各个所述预测样本分别输入预设的预测模型，将所述预测模型的各个输出作为所述候选医生列表中的各个所述医生信息的被采纳率；

选取大于第二预设值的所述被采纳率所对应的医生信息，作为用于向目标用户推荐的目标医生信息。

第二方面，本申请提供一种多医生推荐装置，包括：

信息获取模块，用于获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息；

预测样本确定模块，用于将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本；

多目标医生推荐模块，用于将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息。

第三方面，本申请提供一种在线会诊系统，包括：用户终端以及所述多医生推荐装置；

所述用户终端，用于向所述多医生推荐装置发送目标用户提问信息，以及，接收并显示所述多医生推荐装置发送的多个所述目标医生信息，使得目标用户选择至少一个所述目标医生信息对应的目标医生回答所述目标用户提问信息，以实现在线会诊。

第四方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述多医生推荐方法的步骤。

第五方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的多医生推荐方法的步骤。

由上述技术方案可知，本申请提供一种多医生推荐方法及装置、在线会诊系统，所述多医生推荐方法通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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，下面描述中的附图是本申请的一些实施例，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为本申请实施例中的在线会诊系统的一种架构示意图。

图2为本申请实施例中的包含有医生终端的在线会诊系统的架构示意图。

图3为本申请实施例中的包含有后端服务器和大数据服务器的在线会诊系统的架构示意图。

图4为本申请实施例中的多医生推荐方法的流程构示意图。

图5为本申请实施例中的包含有步骤001及002的多医生推荐方法的流程构示意图。

图6为本申请实施例中的包含有步骤400及500的多医生推荐方法的流程构示意图。

图7为本申请实施例中的多医生推荐方法中步骤100的流程构示意图。

图8为本申请实施例中的多医生推荐方法中步骤102第一种具有实施方式的流程构示意图。

图9为本申请实施例中的多医生推荐方法中步骤102第二种具有实施方式的流程构示意图。

图10为本申请实施例中的多医生推荐方法中步骤200的流程构示意图。

图11为本申请实施例中的多医生推荐方法中步骤300的流程构示意图。

图12为本申请应用实例中的多医生推荐方法的数据传输举例示意图。

图13为本申请实施例中的多医生推荐装置的结构示意图。

图14为本申请实施例中的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

考虑到现有的用户在进行线上咨询时始终处于被动状态，且无法获得匹配度且专业性强的医生的第二建议的情形，本申请提供一种多医生推荐方法、多医生推荐装置、电子设备、计算机可读存储介质及一种线上会诊系统，通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

在本申请的一个或多个实施例中，参见图1，所述在线会诊系统包含有所述多医生推荐装置a1和用户终端b1；所述用户终端b1将目标用户编辑的目标用户提问信息发送至所述多医生推荐装置a1，所述多医生推荐装置a1获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，并将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，以及将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，而后将多个目标医生信息发送至所述用户终端b1，所述用户终端b1具有显示屏b2，将多个目标医生信息进行显示，用户通过在显示屏b2中在多个目标医生信息选取对应的一个或多个医生，向其进行疾病症状或治疗方案等咨询。

基于上述内容，参见图2，所述在线会诊系统中还可以包含有医生终端c1，目标用户通过在显示屏b2中在多个目标医生信息选取对应的一个或多个医生后，所述用户终端b1将所述目标用户提问信息发送至用户在多个目标医生信息选取对应的一个或多个医生所持有的医生终端c1，所述医生通过其对应的医生终端c1针对所述目标用户提问信息向目标用户提供专业的疾病症状说明及治疗建议。

可以理解的是，所述多医生推荐装置a1可以为一服务器，也可以由后端服务器a2及大数据服务器a3共同组成，参见图3，所述用户终端b1将目标用户编辑的目标用户提问信息发送至所述后端服务器a2，所述后端服务器a2获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，而后，所述后端服务器a2将所述目标用户提问信息及候选医生列表发送至所述大数据服务器a3，所述大数据服务器a3将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，以及将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，而后将多个目标医生信息发送至所述后端服务器a2，并由所述后端服务器a2转发至对应的用户终端b1。

可以理解的是，所述用户终端及医生终端均可以为一种终端设备，且该终端设备能够与所述多医生推荐装置a1通信连接。具体地，所述终端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，进行多医生推荐的部分可以在如上述内容所述的多医生推荐装置a1(即服务端设备)侧执行，即，如图1所示的架构，也可以所有的操作都在客户端设备中完成。具体可以根据设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在客户端设备中完成，客户端设备还可以包括处理器，用于进行多医生推荐的具体处理。

上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。例如，通信单元可以将上述将目标用户编辑的目标用户提问信息发送至服务端设备，以便服务端设备根据目标用户提问信息进行多医生推荐。通信单元还可以接收服务端设备返回的所述多个目标医生信息。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

所述服务器与所述终端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括tcp/ip协议、udp/ip协议、http协议、https协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的rpc协议(remoteprocedurecallprotocol，远程过程调用协议)、rest协议(representationalstatetransfer，表述性状态转移协议)等。

在本申请的一个或多个实施例中，可以预先存储历史医生推荐日志，该历史医生推荐日志用于存储历史用户提问信息、向各个历史用户分别推荐的多个目标医生信息以及各个所述目标医生信息的被采纳率之间的对应关系。

另外，所述历史医生推荐日志具体可以为一分布式数据库，举例参见表1.

表1

基于表1，所述分布式数据库用于存储用户提问信息、推荐的多个目标医生信息和各个所述目标医生信息的被采纳率之间的对应关系。其中，每个被推荐的目标医生信息与其被采纳率之间为一一对应关系，而所述用户提问信息则与被推荐的目标医生信息之间为一对多的关系。以用户提问信息q2进行说明，向发出该用户提问信息q2的目标用户推荐的目标医生信息分别有五个，依次为y21、y22、y23、y24和y25，且五个目标医生信息对应的被采纳率分别为15％、29％、37％、10％和9％。

可以理解的是，所述用户提问信息为针对目标用户发出的提问内容进行目标关键词提取后的用户提问信息。举例来说，若所述目标用户发出了其编辑的原始提问内容“咳嗽三天以上且伴有发热现象，舌苔发黄，我是不是病毒性感冒了？”，则根据预设的关键词库对该内容进行匹配，识别得到关键词“咳嗽”、发热”、“舌苔发黄”及“病毒性感冒”，因此，该目标用户对应的用户提问信息实际为“咳嗽、发热、舌苔发黄及病毒性感冒”，而非用户编辑的原始提问信息。

基于此，在前述的历史医生推荐日志中，所述用户提问信息实际上并非针对一个目标用户，而是均提出类似问题并被提取出相同关键词及其组合的用户，因此，所述目标医生信息的被采纳率的说明举例为：若提出类似问题并被提取出相同用户提问信息q1的目标用户有100个，且其中有75人最终在y1、y2和y3中选择了目标医生信息y2进行咨询，则所述目标医生信息y2的被采纳率即为75％。

在本申请的一个或多个实施例中，所述目标用户提问信息为根据当前的目标用户发出的其编辑的原始提问内容进行特征提取后的用户提问信息。其中，所述用户发出的其编辑的原始提问内容除了上述的文字内容，还可以包含有图片。

也就是说，若接收到的所述原始提问内容中包含有图片，则基于预设的图片特征数据库对所述图片进行特征识别，若未识别到对应的特征，则将该图片判定为无效图片，若识别到对应图片特征，则在根据所述原始提问内容中的文字内容进行特征提取后得到的用户提问信息中，判断是否包含有该图片特征，若没有，则将该图片特征对应的文字特征加入该用户提问信息中，得到对应于所述目标用户的目标用户提问信息。

在一种举例中，若所述目标用户输入的原始提问内容包含有文字内容：“咳嗽三天以上且伴有发热现象，我是不是病毒性感冒了？”以及图片内容：一张舌苔发黄的图片。则对所述原始提问内容进行特征提取，得到初始的用户提问信息“咳嗽、发热及病毒性感冒”，并对所述图片进行特征提取，得到对应的“舌苔发黄”的文字特征，而后再所述初始的用户提问信息中未检索到特征“舌苔发黄”，则将特征“舌苔发黄”加入所述初始的用户提问信息中，形成对应于所述目标用户的目标用户提问信息“咳嗽、发热、舌苔发黄及病毒性感冒”。

在本申请的一个或多个实施例中，所述用户信息包含有：用户性别和/或用户年龄信息。所述用户信息还可以包含有：用户与患者关系信息、用户所在区域信息、用户免费提问次数、用户付费提问次数、用户联系方式、用户咨询次数、用户答谢医生次数及各个历史订单支付金额中的任一项或任意组合。

在本申请的一个或多个实施例中，所述问题信息包含有：疾病描述信息和/或症状描述信息。所述问题信息还可以包含有：疾病所属科室信息、问题来源标识、问题文本长度信息、问题创建时间信息及问题创建区域信息中的任一项或任意组合。

在本申请的一个或多个实施例中，所述医生信息包含有：医生所属的所述目标疾病科室和/或扩展科室信息，以及，医生擅长疾病信息。所述医生信息还可以包含有：医生性别信息、医生年龄信息、医生职称信息、医生所在医院标识、医生所在城市、医生等级、医生解答问题价格和医生服务人次信息中的任一项或任意组合。

为了能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，本申请实施例提供一种多医生推荐方法的具体实施方式，参见图4，所述多医生推荐方法具有包含有如下内容：

步骤100：获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息。

在步骤100中，多医生推荐装置在线获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表。可以理解的是，所述候选医生列表用于存储对该的若干医生标识及医生信息之间的对应关系。

举例来说，所述医生标识可以为医生姓名或预设唯一编号。因此，参见表2所示的所述候选医生列表，医生d1对应的医生信息为：d1、骨伤科、骨伤科常见病、腰痛、麻木、关节炎及骨折。医生d2对应的医生信息为：d2、骨伤科、腰间盘膨出、腰腿痛及骨质增生。

表2

步骤200：将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本。

针对表2中的所述候选医生列表，所述多医生推荐装置将目标用户提问信息，例如目标用户提问信息q4，分别与所述医生d1对应的医生信息和所述医生d2对应的医生信息进行组合，得到如表3所示的两个预测样本，分别为预测样本1：“q4，d1、骨伤科、骨伤科常见病、腰痛、麻木、关节炎及骨折”以及预测样本2：“d2、骨伤科、腰间盘膨出、腰腿痛及骨质增生”。

表3

步骤300：将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息。

可以理解的是，所述多医生推荐装置将各个所述预测样本分别输入预设的预测模型，并输出各个医生信息的被采纳率预测值。而后根据各个所述医生信息的被采纳率预测值，在所述候选医生列表中选取若干医生信息作为目标医生信息。

其中，所述预测模型是指用于预测的，用数学语言或公式所描述的事物间的数量关系。它在一定程度上揭示了事物间的内在规律性，预测时把它作为计算预测值的直接依据。具体来说，所述预测模型可以为回归预测模型、卡尔曼滤波预测模型、组合预测模型以及bp(back-propagationnetwork)神经网络预测模型等实现，本申请对预测模型的具体选用不做限制。

从上述描述可知，本申请实施例提供的多医生推荐方法，通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

为了能够有效提高所述多医生推荐结果的准确性，在一种实施例中，参见图5，本申请的多医生推荐方法还具体包含有如下内容：

步骤001：根据历史医生推荐日志生成多个训练样本，其中，所述历史医生推荐日志中包含有多个历史用户提问信息、向各个历史用户分别推荐的多个目标医生信息以及各个所述目标医生信息是否被历史用户采纳的标识。

步骤002：应用所述训练样本集对所述预测模型进行训练。

在上述描述中，所述多医生推荐装置可以离线也可以在线根据历史医生推荐日志生成多个训练样本，并应用所述训练样本集对所述预测模型进行训练，使得所述预测模型能够在接收到由目标用户提问信息及候选医生列表中的医生信息组成的预测样本作为输入时，能够输出对应的医生信息的被采纳率预测值。

为了进一步提高向用户推荐匹配度高且专业性强的多位医生的效率及可靠性，在一种实施例中，参见图6，本申请的多医生推荐方法还具体包含有如下内容：

步骤400：生成由多个所述目标医生信息组成的目标医生推荐列表。

可以理解的是，所述目标医生推荐列表用于存储各个目标医生以及医生信息之间的对应关系。

步骤500：将所述目标医生推荐列表发送至目标用户，使得该目标用户在所述目标医生推荐列表中选择至少一个所述目标医生信息对应的目标医生回答所述目标用户提问信息，以实现在线会诊。

可以理解的是，所述多医生推荐装置将所述目标医生推荐列表发送至目标用户对应的用户终端，使得所述用户终端对该目标医生推荐列表进行显示，进而使得所述目标用户在所述目标医生推荐列表中选择1个或多个所述目标医生信息对应的目标医生回答所述目标用户提问信息，以实现在线会诊。

为了进一步提高候选医生列表的获取准确性，在一种实施例中，参见图7，本申请的多医生推荐方法中的步骤100具体包含有如下内容：

步骤101：接收所述目标用户发送的所述目标用户提问信息。

步骤102：根据所述目标用户提问信息确定由多个医生信息组成的候选医生列表。

具体地，所述步骤102分为实时在线获取候选医生列表，或者非实时获取候选医生列表。

其一，参见图8，所述步骤102的第一种具有实施方式如下：

步骤1021a：根据所述目标用户提问信息，确定所述目标用户提问信息对应的目标疾病科室和/或扩展科室。

步骤1022a：在所述目标疾病科室和/或扩展科室对应的各个医生信息中，选取符合第一预设规则的多个医生信息，组成待选医生列表。

步骤1023a：应用第二预设规则对所述待选医生列表进行筛选，得到所述候选医生列表。

可以理解的是，所述步骤1022a中的所述选取第一符合预设规则的多个医生信息具体包含有如下内容：

(1)若当前时段处于日间时段，则选取在第一预设时段内进行在线操作的各个医生对应的医生信息。

(2)若当前时段处于夜间时段，则选取在第二预设时段内进行在线操作的各个医生对应的医生信息。

可以理解的是，所述日间时段为白天时段，一般指一天当中日出时间至日落时间，所述夜间时段一般至指一天当中的日落时间至日出时间。又或者，所述日间时段为可以指通用工作时间，所述夜间时段为可以指通用非工作时间。例如，所述日间时段可以为早8点至晚5点，所述夜间时段可以为晚5点至早8点之间的时间段。另外，所述第一预设时段小于所述第二预设时段，所述日间时段与所述夜间时段之和为24小时。

可以理解的是，所述步骤1023a中的所述应用第二预设规则对所述待选医生列表进行筛选的第一种具体实施方式包含有如下内容：

(1)自所述待选医生列表中，删除已接收所述目标用户提问信息的医生对应的医生信息，和/或，

(2)自所述待选医生列表中，删除已解答所述目标用户提问信息的相关问题的医生对应的医生信息。

可以理解的是，所述步骤1023a中的所述应用第二预设规则对所述待选医生列表进行筛选的第二种具体实施方式包含有如下内容：

(3)自所述待选医生列表中，删除已接收且未解答历史用户提问信息数量大于第一预设值的医生对应的医生信息，和/或；

(4)自所述待选医生列表中，删除处于预设黑名单中的医生信息。

其二，参见图9，所述步骤102的第二种具有实施方式如下：

步骤1021b：根据所述目标用户提问信息，确定所述目标用户提问信息对应的预存医院对应的目标疾病科室和/或扩展科室。

步骤1022b：在所述目标疾病科室和/或扩展科室对应的各个医生信息中，选取预设专业度和好评率均符合各自对应的预设要求的各个测试医生对应的医生信息，组成所述候选医生列表。

为了能够进一步提高多医生推荐的准确性，基于上述内容，所述目标用户提问信息中还包含有目标用户对应的用户信息和问题信息，相对应的，在一种实施例中，参见图10，本申请的多医生推荐方法中的步骤200具体包含有如下内容：

步骤201：对所述用户信息和问题信息分别进行特征提取，分别得到所述用户信息的用户特征向量，以及，所述问题信息对应的问题特征向量。

步骤202：获取所述候选医生列表中的各个所述医生信息分别对应的医生特征向量。

步骤203：将所述目标用户对应的问题特征向量及用户特征向量分别与各个所述医生特征向量进行组合，得到多个预测样本。

为了能够进一步向用户推荐匹配度高且专业性强的多位医生，在一种实施例中，参见图11，本申请的多医生推荐方法中的步骤300具体包含有如下内容：

步骤301：将各个所述预测样本分别输入预设的预测模型，将所述预测模型的各个输出作为所述候选医生列表中的各个所述医生信息的被采纳率。

步骤302：选取大于第二预设值的所述被采纳率所对应的医生信息，作为用于向目标用户推荐的目标医生信息。

例如，若当前所述预测模型输出10个所述医生信息的被采纳率，则可以将被采纳率大于30％的医生信息作为用于向目标用户推荐的目标医生信息。

另外，还可以根据所述医生信息的被采纳率的值，将其按照值由大到小的顺序对所述医生信息的被采纳率进行排序，之后选取前n个所述医生信息的被采纳率对应的医生信息作为用于向目标用户推荐的目标医生信息。其中，n为大于1的整数。

从上述描述可知，本申请实施例中的多医生推荐方法，通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

为了进一步说明本方案，本申请还提供一种多医生推荐方法的具体应用实例，在本应用实例中，所述多医生推荐方法应用如图3所示的在线会诊系统实现，所述多医生推荐方法具体包含有如下内容：

其中，所述大数据服务器a3离线进行模型训练，具体内容如下：

s11：大数据服务器a3根据历史医生推荐日志生成多个训练样本，其中，所述历史医生推荐日志中包含有多个历史用户提问信息、向各个历史用户分别推荐的多个目标医生信息以及各个所述目标医生信息的被采纳率；

s12：大数据服务器a3应用所述训练样本集对所述预测模型进行训练。

其中，所述多医生推荐装置a1在线进行多医生推荐的第一种方式的具体内容如下：

s21：后端服务器a2接收所述目标用户发送的所述目标用户提问信息。

s22：后端服务器a2根据所述目标用户提问信息，确定所述目标用户提问信息对应的目标疾病科室和/或扩展科室。

s23：后端服务器a2在所述目标疾病科室和/或扩展科室对应的各个医生信息中，选取符合第一预设规则的多个医生信息，组成待选医生列表。可以理解的是，若当前时段处于日间时段，则选取在第一预设时段内进行在线操作的各个医生对应的医生信息；若当前时段处于夜间时段，则选取在第二预设时段内进行在线操作的各个医生对应的医生信息。

s24：后端服务器a2应用第二预设规则对所述待选医生列表进行筛选，得到所述候选医生列表。可以理解的是，自所述待选医生列表中，删除已接收所述目标用户提问信息的医生对应的医生信息，和/或，自所述待选医生列表中，删除已解答所述目标用户提问信息的相关问题的医生对应的医生信息。以及，自所述待选医生列表中，删除已接收且未解答历史用户提问信息数量大于第一预设值的医生对应的医生信息，和/或，自所述待选医生列表中，删除处于预设黑名单中的医生信息。

s25：大数据服务器a3对所述目标用户提问信息中的用户信息和问题信息分别进行特征提取，分别得到所述用户信息的用户特征向量，以及，所述问题信息对应的问题特征向量。

s26：大数据服务器a3获取所述候选医生列表中的各个所述医生信息分别对应的医生特征向量。

s27：大数据服务器a3将所述目标用户对应的问题特征向量及用户特征向量分别与各个所述医生特征向量进行组合，得到多个预测样本。

s28：大数据服务器a3将各个所述预测样本分别输入预设的预测模型，将所述预测模型的各个输出作为所述候选医生列表中的各个所述医生信息分别与所述目标用户提问信息的匹配度。

s29：大数据服务器a3选取大于第二预设值的各个匹配度分别对应的医生信息，作为用于向目标用户推荐的多个目标医生信息。

s210：大数据服务器a3生成由多个所述目标医生信息组成的目标医生推荐列表，并将该目标医生推荐列表发送至后端服务器a2。

s211：后端服务器a2将所述目标医生推荐列表发送至目标用户，使得该目标用户在所述目标医生推荐列表中选取至少一个目标医生信息以进行在线诊断。

其中，所述多医生推荐装置a1在线进行多医生推荐的第二种方式的具体内容如下：

s31：后端服务器a2接收所述目标用户发送的所述目标用户提问信息。

s32：后端服务器a2根据所述目标用户提问信息，确定所述目标用户提问信息对应的预存医院对应的目标疾病科室和/或扩展科室；

s33：后端服务器a2在所述目标疾病科室和/或扩展科室对应的各个医生信息中，选取预设专业度和好评率均符合各自对应的预设要求的各个测试医生对应的医生信息，组成所述候选医生列表。

s34：大数据服务器a3对所述用户信息和问题信息分别进行特征提取，分别得到所述用户信息的用户特征向量，以及，所述问题信息对应的问题特征向量。

s35：大数据服务器a3获取所述候选医生列表中的各个所述医生信息分别对应的医生特征向量。

s36：大数据服务器a3将所述目标用户对应的问题特征向量及用户特征向量分别与各个所述医生特征向量进行组合，得到多个预测样本。

s37：大数据服务器a3将各个所述预测样本分别输入预设的预测模型，将所述预测模型的各个输出作为所述候选医生列表中的各个所述医生信息分别与所述目标用户提问信息的匹配度。

s38：大数据服务器a3选取大于第二预设值的各个匹配度分别对应的医生信息，作为用于向目标用户推荐的多个目标医生信息。

s39：大数据服务器a3生成由多个所述目标医生信息组成的目标医生推荐列表，并将该目标医生推荐列表发送至后端服务器a2。

s310：后端服务器a2将所述目标医生推荐列表发送至目标用户，使得该目标用户在所述目标医生推荐列表中选取至少一个目标医生信息以进行在线诊断。

在一种举例中，参见图12，通过给定一个用户u，以及它提的问题p，推荐给这个用户n个医生d。方法是通过一定的方法召回一个候选医生的集合s，对s中的所有医生d，计算获取每个医生的特征向量dv，对用户u获取特征向量uv，对问题p获取特征向量pv，对每个由用户，问题，医生组成的向量v＝uv+pv+dv，计算这个组合被购买的概率proba，e＝proba*log(1+price)，对s内的所有医生按照e值降序排序取前n个，得到该次推荐的医生列表。

(一)用户终端b1用于：

s1：患者提问。

s2：问题内容、图片(可选)。

s3：创建档案(性别、年龄)。

s11：展现排序结果。

(二)后端服务器a2用于：

s4：创建问题。

s5：获取候选医生d。

可以理解的是，使用问题的科室以及由该科室扩展出科室，过滤出对应科室内当前时刻在线的医生。其中在线条件为满足以下任何一个：a.在30min内医生在医生端有有效操作(指一些刷新问题列表等操作)，b.众包问题发题在线，如果当前时刻在[7,23]点之间，取出a条件扩展到24小时的顶级医院和顶级科室医生。

对上一步产生的医生，如果当前问题处于发题阶段(指已发给医生a，但医生尚未领取)，过滤掉医生a；过滤掉当前问题的认领医生b；过滤掉由一个问题引发的所有一题多问的回复医生(比如用户从一个问题p0开始买一题多问，生成了两个新问题p1,p2，又从p1一题多问生成了p3，则过滤掉p0，p1，p2，p3对应的医生)。

过滤掉未回复问题大于3的医生，过滤掉一题多问黑名单医生。

非实时过滤条件：医生首先需要满足以下条件：专业度>＝90，医院id不在['cygzyyzjt','bu4zfg76s1pel85d’](春雨内部标识，测试数据)里，非测试医生，1好评率>＝92(90是新医生)。

s10：返回排序结果。

(三)大数据服务器a3用于：

s01：圈定训练集、数据准备a。

对一堆用户购买和没有购买的一题多问的数据，格式化成[v,label]集合，其中v＝uv+pv+dv，label＝0/1，1表示购买，0表示不购买。

s02：发现并计算组合特征b。

可以理解的是，对所有的[v,label]组合，发现并计算组合特征，比如北京的用户比较倾向于购买三甲医院的医生这种规律，会提取出来作为单独的特征提取出来，比如称为v1，修正v＝v+v1。

s03：拟合公式，得到最优解c。

可以理解的是，使用一个类似于y＝wv+b的公式拟合所有[v,label]组合，计算出最优的w和b，w为每个特征的权重，b为每个特征的偏置。

s6如下：

s6-1：(s4)获取问题特征向量pve。

问题特征包含有：一级科室、二级科室、提问平台、文本长度、创建时间、省、城市、有无图片，等等。

s6-2：(s3)获取用户特征向量uvf。

用户特征包含有：性别、年龄、提问者与患者的关系、提问免费问题个数、提问付费问题个数、电话个数、咨询套餐个数、送心意个数、服务总个数、支付订单总数、付费问题支付钱数、电话支付钱数、咨询套餐支付钱数、送心意总钱数、首个订单支付钱数、最后一个订单支付钱数、总支付钱数、平均支付钱数、付费问题平均钱数、电话平均钱数、咨询套餐平均钱数、送心意平均支付钱数，等等。

s6-3：(s5)获取医生特征向量dvg。

医生特征包含有：性别、年龄、职称、省、城市、医院id、医生等级、图文价格、服务人次、是否顶级医院、是否北上广大城市、是否省会城市。

s7：(s6-1、s6-2和s6-3)组成向量v＝uv+pv+dv。

s8：(s03和s7)计算购买概率proba。

s9：排序：proba*log(1+price)。

从上述描述可知，本申请应用实例提供的多医生推荐方法，通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

为了能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，本申请实施例提供一种能够实现所述多医生推荐方法中全部内容的多医生推荐装置的具体实施方式，参见图13，所述多医生推荐装置具有包含有如下内容：

信息获取模块10，用于获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息。

预测样本确定模块20，用于将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本。

多目标医生推荐模块30，用于将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息。

本申请提供的多医生推荐装置的实施例具体可以用于执行上述实施例中的多医生推荐方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

从上述描述可知，本申请实施例提供的多医生推荐装置，通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

为了能够有效提高所述多医生推荐结果的准确性，在一种实施例中，本申请的多医生推荐装置还具体用于根据历史医生推荐日志生成多个训练样本，其中，所述历史医生推荐日志中包含有多个历史用户提问信息、向各个历史用户分别推荐的多个目标医生信息以及各个所述目标医生信息是否被历史用户采纳的标识，应用所述训练样本集对所述预测模型进行训练。

在上述描述中，所述多医生推荐装置可以离线也可以在线根据历史医生推荐日志生成多个训练样本，并应用所述训练样本集对所述预测模型进行训练，使得所述预测模型能够在接收到由目标用户提问信息及候选医生列表中的医生信息组成的预测样本作为输入时，能够输出对应的医生信息的被采纳率预测值。

为了进一步提高向用户推荐匹配度高且专业性强的多位医生的效率及可靠性，在一种实施例中，本申请的多医生推荐装置还具体用于生成由多个所述目标医生信息组成的目标医生推荐列表，将所述目标医生推荐列表发送至目标用户，使得该目标用户在所述目标医生推荐列表中选择至少一个所述目标医生信息对应的目标医生回答所述目标用户提问信息，以实现在线会诊。

可以理解的是，所述多医生推荐装置将所述目标医生推荐列表发送至目标用户对应的用户终端，使得所述用户终端对该目标医生推荐列表进行显示，进而使得所述目标用户在所述目标医生推荐列表中选择1个或多个所述目标医生信息对应的目标医生回答所述目标用户提问信息，以实现在线会诊。

为了进一步提高候选医生列表的获取准确性，在一种实施例中，本申请的多医生推荐装置中的信息获取模块10具体用于接收所述目标用户发送的所述目标用户提问信息，根据所述目标用户提问信息确定由多个医生信息组成的候选医生列表。

为了能够进一步提高多医生推荐的准确性，基于上述内容，所述目标用户提问信息中还包含有目标用户对应的用户信息和问题信息，相对应的，在一种实施例中，本申请的多医生推荐装置中的预测样本确定模块20具体用于对所述用户信息和问题信息分别进行特征提取，分别得到所述用户信息的用户特征向量，以及，所述问题信息对应的问题特征向量，获取所述候选医生列表中的各个所述医生信息分别对应的医生特征向量，以及将所述目标用户对应的问题特征向量及用户特征向量分别与各个所述医生特征向量进行组合，得到多个预测样本。

为了能够进一步向用户推荐匹配度高且专业性强的多位医生，在一种实施例中，本申请的多医生推荐装置中的多目标医生推荐模块30具体用于将各个所述预测样本分别输入预设的预测模型，将所述预测模型的各个输出作为所述候选医生列表中的各个所述医生信息的被采纳率，选取大于第二预设值的所述被采纳率所对应的医生信息，作为用于向目标用户推荐的目标医生信息。

为了能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，本申请实施例提供一种能够实现所述多医生推荐方法中全部内容的在线会诊系统的具体实施方式，所述在线会诊系统具有包含有如下内容：用户终端以及所述多医生推荐装置，且所述用户终端用于向所述多医生推荐装置发送目标用户提问信息，以及，接收并显示所述多医生推荐装置发送的多个所述目标医生信息，使得目标用户选择至少一个所述目标医生信息对应的目标医生回答所述目标用户提问信息，以实现在线会诊。

从上述描述可知，本申请实施例提供的在线会诊系统，通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

本申请的实施例还提供能够实现上述实施例中的多医生推荐方法中全部步骤的一种电子设备的具体实施方式，参见图14，所述电子设备具体包括如下内容：

处理器(processor)601、存储器(memory)602、通信接口(communicationsinterface)603和总线604；

其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述通信接口603用于实现用户终端、医生终端、后端服务器、大数服务器以及其他参与机构之间的信息传输；

所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的多医生推荐方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤100：获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息。

步骤200：将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本。

步骤300：将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息。

从上述描述可知，本申请实施例提供的电子设备，通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

本申请的实施例还提供能够实现上述实施例中的多医生推荐方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的多医生推荐方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤100：获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息。

步骤200：将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本。

步骤300：将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息。

从上述描述可知，本申请实施例提供的计算机可读存储介质，通过获取目标用户提问信息以及与该目标用户提问信息对应的候选医生列表，其中，该候选医生列表中包含有多个医生信息，能够有效提高预测样本的数据基础的针对性，进而能够有效提高模型预测的准确性；通过将所述目标用户提问信息分别与各个所述医生信息进行组合，形成多个预测样本，能够有效提高预测样本的全面性，且能够有效获取的模型预测的选择多样性，通过将各个所述预测样本分别输入预设的预测模型，并根据所述预测模型的各个输出选取用于向目标用户推荐的多个目标医生信息，能够高效且准确地向用户推荐匹配度高且专业性强的多位医生，使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息，进而能够有效提高用户体验。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，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。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。