罕见病患者数量预测模型训练方法及装置

1.本公开涉及计算机技术领域，尤其涉及一种罕见病患者数量预测模型训练方法及装置。


背景技术：

2.罕见病，又称为“孤儿病”，是发病率极低的一系列的疾病的统称。现阶段，全球已知的罕见病有8000余种，以遗传性疾病为主，全球受到罕见病影响的人群有超过2.6亿，我国约有2000万人，由于罕见病难发现、难诊断的特点，患病群体难以定位，且少受关注。因此在罕见病研究中，推进罕见病的早期精准筛查与识别研究具有重要意义，可逐步实现对罕见病人群的“早发现，早诊断，早治疗”，减少患者及家属的精神及经济负担。在罕见病的筛查和识别过程中，对罕见病发病趋势的研究具有重要意义。
3.在互联网时代，搜索引擎已成为获取信息的重要方式，用户的搜索查询数据能够反映一定的疾病状况及发展趋势。然而，现有的基于搜索引擎预测疾病数量及增长趋势的方法，如著名的谷歌趋势(google trend)预测流感的发展，均集中于传染病或流行病的研究，针对罕见病的预测方法目前仍是空白。与流感等流行病不同，罕见病具有少发、少见的特点，搜索关键词难以确定，搜索查询数据非常稀疏，且病例的增长趋势与流感等流行病具有较大差异，为罕见病患者数量预测造成了困难。


技术实现要素：

4.本公开提出了一种罕见病患者数量预测模型训练方法及装置。
5.根据本公开的一方面，提供了一种罕见病患者数量预测模型训练方法，包括：对多种罕见病名称的文本进行预处理，获得罕见病查询关键词数据库；根据所述罕见病查询关键词数据库，以及搜索引擎的查询历史数据库，确定在多个地区的多个时间段内，对于多种罕见病的查询人数；根据所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数，对罕见病患者数量预测模型进行训练，获得训练后的罕见病患者数量预测模型。
6.在一种可能的实现方式中，对多种罕见病名称的文本进行预处理，包括以下中的至少一种：对所述罕见病名称的文本中的符号文本进行预处理；对所述罕见病名称的文本中的字母文本进行预处理；对所述罕见病名称的文本中的数字文本进行预处理；对所述罕见病名称的文本中的预设文字进行预处理；对所述罕见病名称的文本中的缩写文本进行预处理；对所述罕见病名称的文本中的音译文本进行预处理。
7.在一种可能的实现方式中，对多种罕见病名称的文本进行预处理，获得罕见病查询关键词数据库，包括：将所述多种罕见病名称的文本，以及预处理后的文本添加至所述罕见病查询关键词数据库。
8.在一种可能的实现方式中，根据所述罕见病查询关键词数据库，以及搜索引擎的查询历史数据库，确定在多个地区的多个时间段内，对于多种罕见病的查询人数，包括：在
所述搜索引擎的查询历史数据库中，确定多个地区的多个时间段内，针对所述罕见病查询关键词数据库中各种罕见病的查询次数，与对应地区的对应时间段内的查询总次数的次数比值；根据所述次数比值，以及所述对应地区的对应时间段内的人口数据，确定所述在多个地区的多个时间段内，对于多种罕见病的查询人数。
9.在一种可能的实现方式中，根据所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数，对罕见病患者数量预测模型进行训练，获得训练后的罕见病患者数量预测模型，包括：对所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数分别进行归一化处理，获得查询人数样本数据，以及确诊人数样本数据；根据所述确诊人数样本数据、以及所述查询人数样本数据输入所述罕见病患者数量预测模型得到的预测确诊人数，确定所述罕见病患者数量预测模型的损失函数；根据所述损失函数以及预设的超参数，在训练集上调节所述罕见病患者数量预测模型的模型参数；在满足训练条件的情况下，获得所述训练后的罕见病患者数量预测模型。
10.在一种可能的实现方式中，在满足训练条件的情况下，获得所述训练后的罕见病患者数量预测模型，包括：根据验证集的所述确诊人数样本数据、以及所述查询人数样本数据输入所述罕见病患者数量预测模型得到的预测确诊人数，确定所述罕见病患者数量预测模型的评价指标；在预设数量的训练轮次中，每一轮次训练后计算评价指标，在多个训练轮次后所述评价指标保持不变的情况下，停止模型训练，获得所述训练后的罕见病患者数量预测模型。
11.在一种可能的实现方式中，所述方法还包括：在所述搜索引擎的查询历史数据库中，确定在预设地区的预设时间段内，针对预设类型的罕见病的查询人数；将所述预设地区的预设时间段内，针对预设类型的罕见病的查询人数进行归一化处理，并输入所述训练后的罕见病患者数量预测模型，获得预设地区的预设时间段内，预设类型的罕见病的病例数量的第一预测数据；对所述第一预测数据进行逆归一化处理，获得预设地区的预设时间段内，预设类型的罕见病的预测确诊人数。
12.根据本公开的一方面，提供了一种罕见病患者数量预测模型训练装置，包括：文本预处理模块，用于对多种罕见病名称的文本进行预处理，获得罕见病查询关键词数据库；查询人数确定模块，用于根据所述罕见病查询关键词数据库，以及搜索引擎的查询历史数据库，确定在多个地区的多个时间段内，对于多种罕见病的查询人数；训练模块，用于根据所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数，对罕见病患者数量预测模型进行训练，获得训练后的罕见病患者数量预测模型。
13.在一种可能的实现方式中，所述文本预处理模块进一步用于以下中的至少一种：对所述罕见病名称的文本中的符号文本进行预处理；对所述罕见病名称的文本中的字母文本进行预处理；对所述罕见病名称的文本中的数字文本进行预处理；对所述罕见病名称的文本中的预设文字进行预处理；对所述罕见病名称的文本中的缩写文本进行预处理；对所述罕见病名称的文本中的音译文本进行预处理。
14.在一种可能的实现方式中，所述文本预处理模块进一步用于：将所述多种罕见病名称的文本，以及预处理后的文本添加至所述罕见病查询关键词数据库。
15.在一种可能的实现方式中，所述查询人数确定模块进一步用于：在所述搜索引擎的查询历史数据库中，确定多个地区的多个时间段内，针对所述罕见病查询关键词数据库中各种罕见病的查询次数，与对应地区的对应时间段内的查询总次数的次数比值；根据所述次数比值，以及所述对应地区的对应时间段内的人口数据，确定所述在多个地区的多个时间段内，对于多种罕见病的查询人数。
16.在一种可能的实现方式中，所述训练模块进一步用于：对所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数分别进行归一化处理，获得查询人数样本数据，以及确诊人数样本数据；根据所述确诊人数样本数据、以及所述查询人数样本数据输入所述罕见病患者数量预测模型得到的预测确诊人数，确定所述罕见病患者数量预测模型的损失函数；根据所述损失函数以及预设的超参数，在训练集上调节所述罕见病患者数量预测模型的模型参数；在满足训练条件的情况下，获得所述训练后的罕见病患者数量预测模型。
17.在一种可能的实现方式中，所述训练模块进一步用于：根据验证集的所述确诊人数样本数据、以及所述查询人数样本数据输入所述罕见病患者数量预测模型得到的预测确诊人数，确定所述罕见病患者数量预测模型的评价指标；在预设数量的训练轮次中，每一轮次训练后计算评价指标，在多个训练轮次后所述评价指标保持不变的情况下，停止模型训练，获得所述训练后的罕见病患者数量预测模型。
18.在一种可能的实现方式中，所述装置还包括：预测模块，用于在所述搜索引擎的查询历史数据库中，确定在预设地区的预设时间段内，针对预设类型的罕见病的查询人数；将所述预设地区的预设时间段内，针对预设类型的罕见病的查询人数进行归一化处理，并输入所述训练后的罕见病患者数量预测模型，获得预设地区的预设时间段内，预设类型的罕见病的病例数量的第一预测数据；对所述第一预测数据进行逆归一化处理，获得预设地区的预设时间段内，预设类型的罕见病的预测确诊人数。
19.根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
20.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
21.根据本公开的实施例的罕见病患者数量预测模型训练方法，可根据罕见病的少发、少见的特点，查询数据较少的特点，对罕见病名称的文本进行预处理，减少查询数据的遗漏，提升数据的准确度。且可基于搜索引擎的查询历史数据库预测查询罕见病信息的人数，进而基于查询人数和实际的确诊人数来训练罕见病患者数量预测模型，提升模型对罕见病患者数量的预测精度。
22.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
23.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公
开的实施例，并与说明书一起用于说明本公开的技术方案。
24.图1示出根据本公开实施例的罕见病患者数量预测模型训练方法的流程图；
25.图2示出根据本公开实施例的罕见病患者数量预测模型训练方法的应用示意图；
26.图3示出根据本公开实施例的罕见病患者数量预测模型训练装置的框图；
27.图4示出根据本公开实施例的一种电子设备的框图；
28.图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
29.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
30.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
31.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
32.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
33.图1示出根据本公开实施例的罕见病患者数量预测模型训练方法的流程图，如图1所示，所述方法包括：
34.在步骤s11中，对多种罕见病名称的文本进行预处理，获得罕见病查询关键词数据库；
35.在步骤s12中，根据所述罕见病查询关键词数据库，以及搜索引擎的查询历史数据库，确定在多个地区的多个时间段内，对于多种罕见病的查询人数；
36.在步骤s13中，根据所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数，对罕见病患者数量预测模型进行训练，获得训练后的罕见病患者数量预测模型。
37.根据本公开的实施例的罕见病患者数量预测模型训练方法，可根据罕见病的少发、少见的特点，查询数据较少的特点，对罕见病名称的文本进行预处理，减少查询数据的遗漏，提升数据的准确度。且可基于搜索引擎的查询历史数据库预测查询罕见病信息的人数，进而基于查询人数和实际的确诊人数来训练罕见病患者数量预测模型，提升模型对罕见病患者数量的预测精度。
38.在一种可能的实现方式中，随着互联网的发展，患者及其家人、亲友等相关联的人可通过互联网查询所患疾病的信息，因此，在一个时间段内(例如，一年内，一个月内等)新增的患者的数量与该时间段内查询疾病的信息的人数之间存在一定的关联关系，类似地，在某时间段内利用互联网查询罕见病的信息的人数与该时间段内新增的罕见病患者的人数之间也可存在关联关系。
39.在一种可能的实现方式中，针对罕见病的少发、少见的特点，查询数据较少等特点，可利用已知的罕见病目录来确定罕见病患者数量预测模型预测的罕见病的种类。例如，在《第一批罕见病》目录中，包括了121种罕见病，可将这些罕见病的名称作为训练模型的依据。例如，查询罕见病信息的人(例如，患者本人，或患者的家人、亲友等)可利用该目录中罕见病的名称作为查询关键词，并利用搜索引擎来搜索罕见病的信息。
40.在一种可能的实现方式中，如上所述，罕见病不仅发病数量少，针对罕见病进行查询时，查询的人数和次数也较少，因此，在搜索引擎的数据库中筛选针对罕见病的查询记录的过程中，对于罕见病的名称中任意文本(例如，文字、字母、符号等)出现偏差，均可能导致查询记录的数据有遗漏或偏差，在查询记录的数据量总体较少的情况下，任何遗漏和偏差均可能造成查询记录的数据出现较大幅度的偏差。
41.举例来说，针对某常见病的查询记录有数十亿条，该常见病的查询关键字即使出现错误，导致筛选出查询记录的数据比真实数据少了几百万条甚至上千万条，该遗漏的数据对于数据整体来说所占比例仍较小，对于使用查询记录进行处理(例如，进行神经网络训练)的影响可能不会很严重。但罕见病的查询记录的数据量总体较少，例如，仅存在数万条查询记录，而由于某个关键字的遗漏或偏差，造成数千条查询记录的遗漏，该遗漏的数据对于数据整体来说所占比例较大，对于使用查询记录进行的处理可能造成较为严重的影响。
42.在另一示例中，上述目录中的罕见病名称通常为专业的医学术语，而对于一些术语的错误或遗漏，也可能造成查询记录的数据失真。例如，罕见病的目录中，包括糖原累积病(i型、ⅱ型)，而如果将查询关键词误写为糖尿病(i型、ⅱ型)，则获得的查询记录则是对于常见病，即，糖尿病的查询记录，从而造成查询记录的数据失真。
43.在一种可能的实现方式中，对于上述问题，可在步骤s11中，对罕见病名称的文本进行预处理，使得筛选到的对于每种罕见病的查询记录尽量准确，以提升数据精度，减少数据遗漏。在示例中，可规范每种罕见病的名称医学术语，并确定与其关联的名称，例如，该罕见病的常用简称、别称、音译、外文、外文缩写等，即，通过预处理，获得多种罕见病的名称的规范的医学术语以及与其关联的其他称谓。步骤s11还可包括：将所述多种罕见病名称的文本(例如，规范的医学术语)，以及预处理后的文本添加至所述罕见病查询关键词数据库。即，建立的查询关键词的数据库中，不仅包括罕见病名称的规范的医学术语，还包括预处理后获得的与其关联的其他称谓。针对同种罕见病进行查询的不同人，所使用的查询关键词可能不同，经过上述方式建立的关键词查询数据库可包括对于每种罕见病的多种称谓，通过上述关键词查询数据库来筛选的查询历史数据库中针对罕见病的查询数据，可减少查询数据的遗漏和偏差。
44.在一种可能的实现方式中，预处理可包括多种方式，步骤s11可包括以下中的至少一种：对所述罕见病名称的文本中的符号文本进行预处理；对所述罕见病名称的文本中的字母文本进行预处理；对所述罕见病名称的文本中的数字文本进行预处理；对所述罕见病名称的文本中的预设文字进行预处理；对所述罕见病名称的文本中的缩写文本进行预处理；对所述罕见病名称的文本中的音译文本进行预处理。
45.在一种可能的实现方式中，可对罕见病名称的文本中的符号文本进行预处理。若罕见病名称的文本中包含标点符号(如括号、引号等)，可替换标点符号为英文/中文输入法下的标点符号，或者去掉标点符号，也可替换为空格，并将经过上述预处理后的文本，以及
罕见病名称的文本，均添加至罕见病查询关键词数据库。在示例中，“成骨不全症(脆骨病)”是一种罕见病，可将此罕见病名称的文本进行预处理，得到“成骨不全症(脆骨病)”、“成骨不全症脆骨病”、“成骨不全症脆骨病”等多种预处理后的文本，并将预处理后的文本与预处理前的“成骨不全症(脆骨病)”均添加至罕见病查询关键词数据库，作为针对该种疾病的查询关键词。
46.在一种可能的实现方式中，可对罕见病名称的文本中的字母文本进行预处理。例如，若罕见病名称的文本中包含希腊字母，分别替换希腊字母为英文译文及常见中文译文，如“α”替换为“alpha”或“阿尔法”，反之亦然，例如，若罕见病名称的文本中包括与其他外文同义的英文，例如，“alpha”，则将其替换为“α”或“阿尔法”。在示例中，“β-酮硫解酶缺乏症”是一种罕见病，可将此罕见病名称的文本进行预处理，得到“beta-酮硫解酶缺乏症”、“贝塔-酮硫解酶缺乏症”等多种预处理后的文本，并将预处理后的文本与预处理前的“β-酮硫解酶缺乏症”均添加至罕见病查询关键词数据库，作为针对该种疾病的查询关键词。
47.在一种可能的实现方式中，可对罕见病名称的文本中的数字文本进行预处理。例如，若罕见病名称中包含罗马数字、阿拉伯数字或中文数字中的一种，则可替换为其他两种数字形式。在示例中，
“ⅱ
型糖原累积病”是一种罕见病，可将此罕见病名称的文本进行预处理，得到“2型糖原累积病”、“二型糖原累积病”等多种预处理后的文本，并将预处理后的文本与预处理前的
“ⅱ
型糖原累积病”均添加至罕见病查询关键词数据库，作为针对该种疾病的查询关键词。
48.在一种可能的实现方式中，对罕见病名称的文本中的预设文字进行预处理。例如，若罕见病名称中包含“征”或“症”，可替换为“症”或“征”。在示例中，“alport综合征”是一种罕见病，可将此罕见病名称的文本进行预处理，得到“alport综合症”，并将预处理后的文本与预处理前的“alport综合征”均添加至罕见病查询关键词数据库，作为针对该种疾病的查询关键词。
49.在一种可能的实现方式中，可对罕见病名称的文本中的缩写文本进行预处理。例如，若罕见病名称包含英文缩写，可在英文缩写后添加“病”、“症”等医疗相关的词语，例如，“hhh”是一种罕见病，可将此罕见病名称的文本进行预处理，得到“hhh病”或“hhh症”等多种预处理后的文本，并将预处理后的文本与预处理前的“hhh”均添加至罕见病查询关键词数据库，作为针对该种疾病的查询关键词。
50.在一种可能的实现方式中，对罕见病名称的文本中的音译文本进行预处理，例如，若罕见病名称中包含易错字、易漏字、不同音译方式的词语，则替换为常见的错字、漏字或不同音译方式的词语。例如，“奥尔伯特综合征”是一种罕见病，可将此罕见病名称的文本进行预处理，得到“奥尔波特综合征”、“阿尔伯特综合征”、“阿尔波特综合征”等多种预处理后的文本，并将预处理后的文本与预处理前的“奥尔伯特综合征”均添加至罕见病查询关键词数据库，作为针对该种疾病的查询关键词。
51.在一种可能的实现方式中，预处理的方式不限于以上几种，例如，还可添加中文和外文的互译，例如，“成骨不全症(脆骨病)”的英文译文“fragililisossium”。或者，可添加音译文本，例如，“alport综合征”的音译为“奥尔伯特综合征”。又或者，可添加常见的别称，例如，“成骨不全症(脆骨病)”的别成为“玻璃娃娃”、“玻璃人”等。本公开对预处理的方式不做限制。进一步地，可通过多种预处理方式分别对罕见病名称的文本进行预处理，得到多种
肾综合”，“眼-耳-肾综症”，“眼耳肾综症”，“眼耳肾综合”，“眼耳肾综合症”，“眼耳肾综合症”，“眼耳肾综合征”，“遗传性进行性肾炎”，“遗传性进行性肾”，“遗传性进行性炎”，“遗传性肾炎家族性肾炎”，“家族性肾炎”，“家族性出血性肾”，“家族性出血性肾炎”，“家族性出血性炎”等多种预处理后的文本，并将上述文本与处理前的文本均添加至罕见病查询关键词数据库。
56.在示例中，对“hhh综合征”进行多种方式的预处理后，可得到“高鸟氨酸血症-高氨血症-同型瓜氨酸尿症综合征”，“高鸟氨酸血症”，“高氨血症”，“同型瓜氨酸尿症”，“高鸟氨酸血症高氨血症同型瓜氨酸尿症综合征”，“高鸟氨酸血症-高氨血症-同型瓜氨酸尿症综合症”，“高鸟氨酸血症高氨血症同型瓜氨酸尿症综合症”，“鸟氨酸转移酶缺乏症”，“hyperornithinaemia hyperammonaemia homocitrullinuria syndrome”，“hyperornithinaemia-hyperammonaemia-homocitrullinuria syndrome”，“hhh综合征”，“hhh综合症”，“hhh病”，“hhh征”，“hhh症”等多种预处理后的文本，并将上述文本与处理前的文本均添加至罕见病查询关键词数据库。
57.通过这种方式，可针对每种罕见病的名称的文本进行预处理，得到表达同一种罕见病的不同表达方式的文本，以对罕见病查询关键词数据库进行合理的扩充，以减少查询数据的偏差和遗漏，提高数据的准确性。
58.在一种可能的实现方式中，如上所述，在某时间段内利用互联网查询罕见病的信息的人数与该时间段内新增的罕见病患者的人数之间也可存在关联关系。进一步地，罕见病不同于流行病，其患病途径多见于遗传，而非传染，因此，对于常见于同一家族中的遗传病，其分布的地区也可作为预测罕见病的发病趋势的参考因素。例如，某省份由于气候温暖潮湿，常年生活在该省的家族中，出现某种骨骼类罕见病的几率大于气候干燥寒冷的省份。因此，可考虑在某地区的某时间段内利用互联网查询罕见病的信息的人数与该地区的该时间段内新增的罕见病患者的人数之间的关联关系。
59.在一种可能的实现方式中，可基于罕见病查询关键词数据库，在搜索引擎的查询历史数据库中，确定出对于各地区在各时间段中对于罕见病的信息进行查询的查询人数，并利用对应地区对应时间段内的真实的确诊人数，来求解二者之间的关系，即，求解罕见病患者数量预测模型。进而可使用该模型，基于搜索引擎的查询记录，来预测其他时间段内，各地区的新增罕见病的确诊人数。
60.在一种可能的实现方式中，在步骤s12中，在搜索引擎的查询历史数据库中，基于罕见病查询关键词数据库中的关键词，可确定针对各种罕见病的查询次数。在示例中，可针对每种罕见病的多个查询关键词，遍历搜索引擎的查询历史数据库中的查询记录，以筛选出针对各种罕见病的查询记录，并统计针对各种罕见病的查询次数。进一步地，可对查询记录进行分类，例如，按照地区和时间段进行分类，以确定出各个地区的各个时间段中，针对各种罕见病的查询次数。
61.在一种可能的实现方式中，在确定出各个地区的各个时间段中，针对各种罕见病的查询次数后，可基于此确定各个地区的各个时间段中，针对各种罕见病的查询人数。在示例中，可基于查询人数和查询次数的关系来预测查询人数，例如，可基于历史数据进行统计，或使用神经网络等模型，来确定查询次数和查询人数之间的关系，进而可基于各个地区的各个时间段中，针对各种罕见病的查询次数，以及该关系，预测对应地区的对应时间段
中，针对各种罕见病的查询人数。
62.在一种可能的实现方式中，还可根据各地区在各时间段的人口数据来预测各个地区的各个时间段中，针对各种罕见病的查询人数。步骤s12可包括：在所述搜索引擎的查询历史数据库中，确定多个地区的多个时间段内，针对所述罕见病查询关键词数据库中各种罕见病的查询次数，与对应地区的对应时间段内的查询总次数的次数比值；根据所述次数比值，以及所述对应地区的对应时间段内的人口数据，确定所述在多个地区的多个时间段内，对于多种罕见病的查询人数。
63.在一种可能的实现方式中，可假设某地区在某个时间段中使用搜索引擎查询罕见病信息的人数与该地区在该时间段中的总人口数量之比，与该地区的该时间段中使用搜索引擎查询罕见病信息的查询次数与该地区在该时间段中的使用搜索引擎的所有查询记录的总数之比相同。各地区的各时间段中使用搜索引擎查询罕见病信息的查询次数，以及各地区的各时间段中使用搜索引擎的查询记录的总数(即，查询总次数)均可通过搜索引擎的查询历史数据库获得，二者的次数比值也可随即获得。各地区的各时间段中的总人口数量也可通过对人口数据的查询获得，例如，可查询各地区的统计资料来获得人口数据。在获得上述数据后，可基于所述次数比值与对应地区在对应时间段内的人口数据，来求解各个地区的各个时间段内，对于各种罕见病的查询人数。
64.在示例中，可根据以下公式(1)来确定多个地区的多个时间段内，对于多种罕见病的查询人数：
[0065][0066]
其中，t表示时间段，l表示地区，d表示罕见病种类，x(t,l,d)表示针对罕见病d的查询人数，在地区l的时间段t内的，qd(t,l)表示针对罕见病d，在地区l的时间段t内的查询次数，q
all
(t,l)表示在地区l的时间段t内，搜索引擎的查询记录的总数(即，查询总次数)。p(t,l)表示在地区l的时间段t内的人口总数。
[0067]
通过这种方式，可基于罕见病的查询次数与查询总次数的比值来预测针对罕见病的查询人数，为训练罕见病患者数量预测模型提供数据基础。
[0068]
在一种可能的实现方式中，在步骤s13中，可获取各地区在各时间段中新增的各种罕见病的确诊人数，例如，可从各地区的医疗卫生部门获取各年度或各月份的各种罕见病的新增确诊人数。该确诊人数为实际人数，可使用实际人数与查询人数进行拟合，利用回归模型对二者进行拟合，获得回归系数，进而获得回归模型，即，罕见病患者数量预测模型。
[0069]
在一种可能的实现方式中，还可使用训练的方式，调整罕见病患者数量预测模型的参数，进而获得训练后的罕见病患者数量预测模型。步骤s13可包括：对所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数分别进行归一化处理，获得查询人数样本数据，以及确诊人数样本数据；根据所述确诊人数样本数据、以及所述查询人数样本数据输入所述罕见病患者数量预测模型得到的预测确诊人数，确定所述罕见病患者数量预测模型的损失函数；根据所述损失函数以及预设的超参数，在训练集上调节所述罕见病患者数量预测模型的模型参数；在满足训练条件的情况下，获得所述训练后的罕见病患者数量预测模型。
[0070]
在一种可能的实现方式中，可首先对数据进行完善，例如，对于某个地区在某个时
间段内，新增某种罕见病的确诊人数大于0，但该地区在该时间段内针对该种罕见病没有查询记录的情况，可使该地区在该时间段内针对该种罕见病的查询人数等于0。反之也可进行类似的处理，例如，某地区在某个时间段内，针对某种罕见病的查询人数大于0，但该地区在该时间段内未新增该罕见病的病例，也可令确诊人数等于0。在查询人数和新增确诊人数均没有记录的情况下，可使二者均等于0。还可对数据进行降噪处理，例如，去除明显的数据错误(例如，一些极端值)。
[0071]
在一种可能的实现方式中，可对上述预处理后的查询人数和确诊人数分别进行罕见病内的归一化处理，获得归一化后的查询人数样本数据，以及确诊人数样本数据。在示例中，可通过以下公式(2)和(3)进行归一化处理：
[0072][0073][0074]
其中，ti表示第i个时间段，li表示第i个地区，di表示第i种罕见病(i为正整数)。t为多个时间段的集合，l为多个地区的集合，x(ti,li,di)为查询人数样本数据，y(ti,li,di)为确诊人数样本数据，x
′
(ti,li,di)为归一化后的查询人数样本数据，y
′
(ti,li,di)为归一化后的确诊人数样本数据。
[0075]
在一种可能的实现方式中，可设定罕见病患者数量预测模型的形式，例如，可通过以下公式(4)来表示罕见病患者数量预测模型的形式：
[0076][0077]
其中，均为向量形式的模型参数，和表示受罕见病种类影响的斜率和截距，其维数与罕见病类别的总数相等。和表示受地区影响的斜率和截距，其维数与地区的总数相等。a
t
表示随着时间推移，新增确诊人数的变化。[k]表示取向量中的第k维，k为小于或等于向量维数的任意正整数。
[0078]
在一种可能的实现方式中，在设定上述罕见病患者数量预测模型的形式后，可基于查询人数样本数据和确诊人数样本数据对该模型进行训练。可获得多个地区的多个时间段内对于多种罕见病的查询人数样本数据，并可将这些数据分为训练集、验证集和测试集，并使用训练集中的数据进行训练，使用验证集中的数据进行验证，使用测试集中的数据进行测试。可将任一地区的任一时间段内对于任一种罕见病的查询人数样本数据输入上述罕见病患者数量预测模型，模型可输出预测确诊人数，进而可基于该输出的预测确诊人数和确诊人数样本数据之间的差异确定损失函数。在示例中，可根据以下公式(5)，确定损失函数：
[0079][0080]
其中，mse为损失函数，y
′
pred
(t,l,d)为模型输出的预测确诊人数。|l|表示集合l的大小，即地区数量，|d|表示集合d的大小，即罕见病种类总数，|t|表示集合t的大小，即时
间段的总数。
[0081]
在一种可能的实现方式中，可基于预设的超参数，通过损失函数对罕见病患者数量预测模型的模型参数进行调节，例如，按照使损失函数减小的方向，通过梯度下降法来调节模型参数。在调节过程中，可预设超参数，例如，可设置学习率、批处理大小、正则化范数等超参数。在示例中，初始学习率设置为0.005，并随训练轮次增加每50轮次缩减至当前学习率的0.9倍，批处理大小设置为16，正则化l2范数设置为1e-6。可按照这些预设的超参数进行训练，调节模型参数，以提升模型性能，即，使损失函数在每次训练中逐步缩小。
[0082]
在一种可能的实现方式中，可将查询人数样本数据分为多批，例如，每个训练轮次的查询人数样本数据包括1000条，可分为多批，每批可包括20条，并将一批训练样本输入罕见病患者数量预测模型进行训练，则每个训练轮次可输入50批数据。
[0083]
在一种可能的实现方式中，可设置训练条件，并在满足训练条件时完成训练，获得训练后的罕见病患者数量预测模型。在示例中，训练条件可包括轮次数量条件，例如，在训练轮次的数量达到预定数量后，完成训练。又例如，训练条件可包括误差条件，例如，在损失函数收敛，或者损失函数小于或等于预设阈值时，完成训练。本公开对训练条件不做限制。
[0084]
在一种可能的实现方式中，还可通过其他评价指标作为完成训练的依据。在满足训练条件的情况下，获得所述训练后的罕见病患者数量预测模型，包括：根据验证集的所述确诊人数样本数据、以及所述查询人数样本数据输入所述罕见病患者数量预测模型得到的预测确诊人数，确定所述罕见病患者数量预测模型的评价指标；在预设数量的训练轮次中，每一轮次训练后计算评价指标，在多个训练轮次后所述评价指标保持不变的情况下，停止模型训练，获得所述训练后的罕见病患者数量预测模型。
[0085]
在一种可能的实现方式中，可在每个轮次的训练完成后，在验证集中进行验证，验证集中也可包括多个查询人数样本数据和确诊人数样本数据，可将验证集中的查询人数样本数据输入罕见病患者数量预测模型，并输出预测确诊人数。并基于输出的预测确诊人数和实际确诊人数样本数据之间的差异确定评价指标。评价指标可通过以下公式(6)确定：
[0086][0087]
其中，mrd为所述评价指标，即平均相对差。
[0088]
在一种可能的实现方式中，在多个轮次的验证中，如果评价指标不再减小，即，保持不变，则可认为在验证中误差较小，且难以进一步减小，已达到训练目标，即可停止训练，获得训练后的罕见病患者数量预测模型。
[0089]
在一种可能的实现方式中，在获得训练后的罕见病患者数量预测模型后，可使用该模型基于某地区的某时间段(例如，不属于集合t的时间段，如最近的某个时间段)内，针对多种罕见病的查询人数，预测该地区在该时间段内的多种罕见病的新增确诊人数。
[0090]
在一种可能的实现方式中，所述方法还包括：在所述搜索引擎的查询历史数据库中，确定在预设地区的预设时间段内，针对预设类型的罕见病的查询人数；将所述预设地区的预设时间段内，针对预设类型的罕见病的查询人数，输入所述训练后的罕见病患者数量预测模型，获得预设地区的预设时间段内，预设类型的罕见病的病例数量的第一预测数据；对所述第一预测数据进行逆归一化处理，获得预设地区的预设时间段内，预设类型的罕见病的预测确诊人数。
[0091]
在示例中，可在搜索引擎的查询历史数据库中，确定预设地区的预设时间段内，针对预设类型的罕见病的查询次数，并基于公式(1)，可确定查询人数。进一步地，可将查询人数通过公式(2)进行归一化处理，并输入训练后的罕见病患者数量预测模型，获得预设地区的预设时间段内，预设类型的罕见病的病例数量的第一预测数据。第一预测数据为归一化口径的数据，可将第一预测数据进行逆归一化处理，获得预设地区的预设时间段内，预设类型的罕见病的预测确诊人数。
[0092]
在示例中，可通过以下公式(7)进行逆归一化处理：
[0093][0094]
其中，y
′
pred
(t,l,d)为第一预测数据，y
pred
(t,l,d)为预测确诊人数。
[0095]
根据本公开的实施例的罕见病患者数量预测模型训练方法，可根据罕见病的少发、少见的特点，查询数据较少的特点，对罕见病名称的文本进行预处理，对罕见病查询关键词数据库进行合理的扩充，减少查询数据的遗漏，提升数据的准确度。且基于针对罕见病的查询次数与查询总次数的比值来预测针对罕见病的查询人数，为训练罕见病患者数量预测模型提供数据基础，进而基于人数和实际的确诊人数来训练罕见病患者数量预测模型，提升模型对罕见病患者数量的预测精度。
[0096]
图2示出根据本公开实施例的罕见病患者数量预测模型训练方法的应用示意图，如图2所示，在《第一批罕见病》目录中，包括了121种罕见病，可训练罕见病患者数量预测模型对这121种罕见病的新增病例数量的预测能力。在示例中，还可查询31个省份在2016-2019年间各种罕见病的新增病例数量。
[0097]
在一种可能的实现方式中，可对目录中的罕见病名称的文本进行预处理，以获得罕见病查询关键词数据库，该数据库中，针对每种罕见病，可包括多种对于该中罕见病的称谓，这些称谓可组成该种罕见病的查询关键词的列表。针对罕见病查询关键词数据库中的关键词，在搜索引擎的查询历史数据库中进行筛选，根据公式(1)，可获得在上述年份中，31个省份针对多种罕见病的相关查询人数共计829403人，覆盖了2016-2019年4年间31个省份121种疾病。
[0098]
在一种可能的实现方式中，在进行训练时，首先对数据进行预处理，在示例中，对于没有记录的数据，可将其数值设为0。并将不合理的极端值去除，例如，“同型半胱氨酸血症”和“帕金森病(青年型、早发型)”等几种罕见病的数据不合理，可将其去除。
[0099]
在一种可能的实现方式中，可将2016-2017两年的数据作为训练集、2018年数据作为验证集、2019年数据作为测试集。其中，验证集和测试集中保留与训练集中相同的关于地区和罕见病种类相关的数据。例如，训练集中没有a省份关于“成骨不全症(脆骨病)”相关的数据，如果验证集或测试集中有a省份关于“成骨不全症(脆骨病)”相关的数据，则需要从验证集或测试集删除该数据，否则可能造成验证或测试结果不准确。
[0100]
在一种可能的实现方式中，在经过上述预处理后，可包括7085条数据，即，x(t,l,d)的数据量为7085，对应的，真实的确诊人数的数据量也为7085。其中，训练集的数据量为3589，验证集的数据量为1741，测试集的数据量为1755。
[0101]
在一种可能的实现方式中，可将训练集中的x(t,l,d)输入公式(4)形式的罕见病患者数量预测模型，获得输出的预测确诊人数，并基于公式(5)确定损失函数，调节模型参数。在每个训练轮次后，可在验证集中进行验证，例如，可将验证集中的x(t,l,d)输入罕见病患者数量预测模型，获得输出的预测确诊人数，并基于公式(6)确定评价指标，如果超过50个训练轮次的验证中，评价指标不再减小，则可完成训练，获得训练后的罕见病患者数量预测模型。
[0102]
在一种可能的实现方式中，可对训练后的罕见病患者数量预测模型在测试集中进行测试。测试方式可包括以下三种，一：根据测试集和训练集中的数据，对训练集中每种罕见病的数据进行平均，作为对2019年新增的该种罕见病的病例数量的预测值，该种预测方式的平均相对差(可基于公式(6)确定)为1.6749。二：对训练集中各地区的罕见病的病例数量进行平均，作为对2019年各地区新增的该种罕见病的病例数量的预测值，该种预测方式的平均相对差为0.6329。三：使用训练后的罕见病患者数量预测模型预测2019年各地区新增的各种罕见病的病例数量，该种预测方式的平均相对差为0.4108，小于上述两种方式，即，使用训练后的罕见病患者数量预测模型的预测准确率更高。
[0103]
在一种可能的实现方式中，还可对上述三种测试方式的相对差的分布进行比较。第一种方式的相对差小于0.1的数据量的占比为7.69％，第二种方式的相对差小于0.1的数据量的占比为14.81％，第三种方式的相对差小于0.1的数据量的占比为37.32％。第一种方式的相对差属于区间[0.1，0.2)的数据量的占比为7.12％，第二种方式的相对差属于区间[0.1，0.2)的数据量的占比为6.84％，第三种方式的相对差属于区间[0.1，0.2)的数据量的占比为20.97％。第一种方式的相对差属于区间[0.2，0.3)的数据量的占比为7.52％，第二种方式的相对差属于区间[0.2，0.3)的数据量的占比为8.43％，第三种方式的相对差属于区间[0.2，0.3)的数据量的占比为10.60％。第一种方式的相对差属于区间[0.3，0.5)的数据量的占比为14.88％，第二种方式的相对差属于区间[0.3，0.5)的数据量的占比为14.25％，第三种方式的相对差属于区间[0.3，0.5)的数据量的占比为9.86％。第一种方式的相对差大于0.5的数据量的占比为62.79％，第二种方式的相对差大于0.5的数据量的占比为55.67％，第三种方式的相对差大于0.5的数据量的占比为21.25％。其中，通过第三种方式，即，通过训练后的罕见病患者数量预测模型进行预测时，相对差较小的预测数据的占比较高，且远高于另外两种方式，因此，通过训练后的罕见病患者数量预测模型进行预测不仅平均相对差较小，且方差较小，出现较大误差的几率较小，模型的准确率和稳定性均较高，可用于对罕见病的预测中。
[0104]
图3示出根据本公开实施例的罕见病患者数量预测模型训练装置的框图，如图3所示，所述装置包括：文本预处理模块11，用于对多种罕见病名称的文本进行预处理，获得罕见病查询关键词数据库；查询人数确定模块12，用于根据所述罕见病查询关键词数据库，以及搜索引擎的查询历史数据库，确定在多个地区的多个时间段内，对于多种罕见病的查询人数；训练模块13，用于根据所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数，对罕见病患者数量预测模型进行训练，获得训练后的罕见病患者数量预测模型。
[0105]
在一种可能的实现方式中，所述文本预处理模块进一步用于以下中的至少一种：对所述罕见病名称的文本中的符号文本进行预处理；对所述罕见病名称的文本中的字母文
本进行预处理；对所述罕见病名称的文本中的数字文本进行预处理；对所述罕见病名称的文本中的预设文字进行预处理；对所述罕见病名称的文本中的缩写文本进行预处理；对所述罕见病名称的文本中的音译文本进行预处理。
[0106]
在一种可能的实现方式中，所述文本预处理模块进一步用于：将所述多种罕见病名称的文本，以及预处理后的文本添加至所述罕见病查询关键词数据库。
[0107]
在一种可能的实现方式中，所述查询人数确定模块进一步用于：在所述搜索引擎的查询历史数据库中，确定多个地区的多个时间段内，针对所述罕见病查询关键词数据库中各种罕见病的查询次数，与对应地区的对应时间段内的查询总次数的次数比值；根据所述次数比值，以及所述对应地区的对应时间段内的人口数据，确定所述在多个地区的多个时间段内，对于多种罕见病的查询人数。
[0108]
在一种可能的实现方式中，所述训练模块进一步用于：对所述在多个地区的多个时间段内，对于多种罕见病的查询人数，以及在多个地区的多个时间段内，多种罕见病的确诊人数分别进行归一化处理，获得查询人数样本数据，以及确诊人数样本数据；根据所述确诊人数样本数据、以及所述查询人数样本数据输入所述罕见病患者数量预测模型得到的预测确诊人数，确定所述罕见病患者数量预测模型的损失函数；根据所述损失函数以及预设的超参数，在训练集上调节所述罕见病患者数量预测模型的模型参数；在满足训练条件的情况下，获得所述训练后的罕见病患者数量预测模型。
[0109]
在一种可能的实现方式中，所述训练模块进一步用于：根据验证集的所述确诊人数样本数据、以及所述查询人数样本数据输入所述罕见病患者数量预测模型得到的预测确诊人数，确定所述罕见病患者数量预测模型的评价指标；在预设数量的训练轮次中，每一轮次训练后计算评价指标，在多个训练轮次后所述评价指标保持不变的情况下，停止模型训练，获得所述训练后的罕见病患者数量预测模型。
[0110]
在一种可能的实现方式中，所述装置还包括：预测模块，用于在所述搜索引擎的查询历史数据库中，确定在预设地区的预设时间段内，针对预设类型的罕见病的查询人数；将所述预设地区的预设时间段内，针对预设类型的罕见病的查询人数进行归一化处理，并输入所述训练后的罕见病患者数量预测模型，获得预设地区的预设时间段内，预设类型的罕见病的病例数量的第一预测数据；对所述第一预测数据进行逆归一化处理，获得预设地区的预设时间段内，预设类型的罕见病的预测确诊人数。
[0111]
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
[0112]
此外，本公开还提供了罕见病患者数量预测模型训练装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种罕见病患者数量预测模型训练方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
[0113]
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0114]
施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机
程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
[0115]
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
[0116]
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的罕见病患者数量预测模型训练方法的指令。
[0117]
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的罕见病患者数量预测模型训练方法的操作。
[0118]
电子设备可以被提供为终端、服务器或其它形态的设备。
[0119]
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
[0120]
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
[0121]
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
[0122]
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0123]
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
[0124]
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0125]
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克
风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
[0126]
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0127]
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0128]
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0129]
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0130]
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
[0131]
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
[0132]
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
,linux
tm
，freebsd
tm
或类似。
[0133]
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
[0134]
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机
可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
[0135]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0136]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0137]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0138]
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0139]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0140]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0141]
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，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。
[0142]
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(software development kit，sdk)等等。
[0143]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。