一种在线医疗教育资源的个性化推荐方法及系统与流程

本发明涉及教育信息化技术领域，具体涉及一种在线医疗教育资源的个性化推荐方法及系统。

背景技术：

随着移动互联网的发展，获取信息的渠道和方法多种多样，而且不再受到时间和空间的限制。在面对海量的数据资源，如何高效率地获取需要的信息，甚至是获得比自己主动搜索更为适合的其他信息变得尤为重要。

目前，各种医疗教育app通常是以单课程和各知识点为主，各自形成自己的知识壁垒，以此来稳固自己的市场地位，而在线教育行业的核心需求在于能够更好地满足用户碎片化学习的需要。现有的大多数平台都只是提供了简略的搜索功能，而无法对用户进行学习资源的推荐。

本发明申请人在实施本发明的过程中，发现现有技术中的方案至少存在如下问题：

目前用户一般需要通过搜索引擎的方式去主动搜索想要学习的资源，通常返回的资源类型较多，还需要用户去筛选和分辨，无法满足用户的个性化需求。

由上可知，现有技术中方法需要通过主动搜索获取学习资源，而无法进行学习资源的个性化推荐的技术问题。

技术实现要素：

有鉴于此，本发明提供了一种在线医疗教育资源的个性化推荐方法及系统，用以解决或者至少部分解决现有技术中方法需要通过主动搜索获取学习资源，而无法进行学习资源的个性化推荐的技术问题。

本发明第一方面提供了一种在线医疗教育资源的个性化推荐方法，包括：

步骤s1：采集用户的原始数据，并对原始数据进行标注，其中，原始数据包括病例、学习资源和用户行为数据；

步骤s2：根据标注后的数据构建个性化推荐模型，其中，个性化推荐模型包括病例推荐模型和学习资源推荐模型，病例推荐模型采用基于内容的协同过滤推荐算法，根据用户对病例的第一行为数据，确定用户对病例的感兴趣程度后构建，学习资源推荐模型采用基于标签的算法，根据用户对学习资源的第二行为数据，确定用户感兴趣的学习资源的标签后构建；

步骤s3：根据个性化推荐模型，为目标用户生成推荐结果。

在一种实施方式中，步骤s1具体包括：

根据科室、疾病、场景、难度、用途的维度对原始数据进行人工标注，并构建用户数据字典和内容数据字典。

在一种实施方式中，步骤s2中，病例推荐模型具体通过下述方式构建：

获取用户对病例的第一行为数据，其中，第一行为数据包括用户购买病例、用户评价病例和用户学习病例；

根据预设规则，为用户购买病例、用户评价病例、用户学习病例赋予权重；

采用基于内容的协同过滤推荐算法，并根据赋予的权重，构造用户-病例感兴趣度模型；

基于用户-病例感兴趣度模型与用户对病例的第一行为数据，构建病例推荐模型。

在一种实施方式中，步骤s2中，学习资源推荐模型，具体通过下述方式构建：

获取用户对病例的第二行为数据，其中，第二行为数据包括用户点击、用户学习和用户评价；

统计与第二行为数据对应的分类标签出现的次数；

根据分类标签出现的次数以及阈值，构建学习资源推荐模型。

在一种实施方式中，步骤s3具体包括：

基于病例推荐模型，为用户推荐相关的病例，以及基于学习资源推荐模型为用户推荐学习计划。

在一种实施方式中，用户行为数据还包括用户画像，当目标用户为新用户时，所述方法还包括：

将用户画像数据按照用户身份、学历、性别、职称，进行用户细分分类；

为目标用户推荐与细分分类后的类别对应的学习资源。

在一种实施方式中，病例具有对应的病区和病种，所述方法还包括：

组合同一病种下的多个病例，构建病例间的相似度；

结合病例间的相似度和病例推荐模型，对目标用户生成推荐结果。

基于同样的发明构思，本发明第二方面提供了一种在线医疗教育资源的个性化推荐系统，包括：

采集模块，用于采集用户的原始数据，并对原始数据进行标注，其中，原始数据包括病例、学习资源和用户行为数据；

构建模块，用于根据标注后的数据构建个性化推荐模型，其中，个性化推荐模型包括病例推荐模型和学习资源推荐模型，病例推荐模型采用基于内容的协同过滤推荐算法，根据用户对病例的第一行为数据，确定用户对病例的感兴趣程度后构建，学习资源推荐模型采用基于标签的算法，根据用户对学习资源的第二行为数据，确定用户感兴趣的学习资源的标签后构建；

推荐模块，用于根据个性化推荐模型，为目标用户生成推荐结果。

在一种实施方式中，采集模块具体用于：

根据科室、疾病、场景、难度、用途的维度对原始数据进行人工标注，并构建用户数据字典和内容数据字典。

基于同样的发明构思，本发明第三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，该程序被执行时实现第一方面所述的方法。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

在本发明提供的方法，对采集用户的原始数据进行标注后，构建个性化推荐模型，再根据个性化推荐模型，为目标用户生成推荐结果。

相对于现有技术中，需要用户主动搜索教育资源而言，由于个性化推荐模型包括病例推荐模型和学习资源推荐模型，而病例推荐模型采用基于内容的协同过滤推荐算法，根据用户对病例的第一行为数据，确定用户对病例的感兴趣程度后构建的，学习资源推荐模型采用基于标签的算法，根据用户对学习资源的第二行为数据，确定用户感兴趣的学习资源的标签后构建的，即，针对不同的学习内容采用了不同的推荐模型，实现了资源的个性化推荐。可以给目标用户进行多方面的推荐，减少了目标用户主动搜索所耗费的时间，降低了用户学习代价，真实满足用户的碎片化学习需求。

进一步地，根据科室、疾病、场景、难度、用途的维度对原始数据进行人工标注，构建了用户数据字典和内容数据字典，为后续的推荐模型的构建提供了基础。

进一步地，采用基于内容的协同过滤推荐算法，并根据赋予的权重，构造用户-病例感兴趣度模型，将其作为病例推荐模型，可以根据用户对其学习的病例的感兴趣程度，进行相关病例的推荐，可以进一步实现个性化推荐。此外，还通过构建通过病区+病种构造等同相似，对用户-病例感兴趣程度模型进行补充得从而使得推荐的资源更贴近用户行为，增大病例覆盖度。

进一步地，采用基于标签的推荐算法，根据分类标签出现的次数以及阈值，构建学习资源推荐模型，从而可以推荐标签出现次数满足阈值所对应的资源，满足用户的个性化需求。为避免冷启动的问题，本发明通过统计和标签甄别提供针对不同层次用户的初级学习计划，极大满足用户的碎片化学习需求，增加用户主动学习的可能性。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例中一种在线医疗教育资源的个性化推荐方法的流程图；

图2为本发明实施例中用户-病例感兴趣度模型的构建示意图；

图3为本发明实施例中病例推荐模型的结构示意图；

图4本发明实施例中一种在线医疗教育资源的个性化推荐系统的结构图；

图5为图4中系统的架构图；

图6为本发明实施例中一种计算机可读存储介质的结构图。

具体实施方式

本发明提供了一种在线医疗教育资源的个性化推荐方法及系统，用以改善现有技术中方法需要通过主动搜索获取学习资源，而无法进行学习资源的个性化推荐的技术问题。通过在医疗教育领域中引入个性化推荐的概念，获取用户的病例、学习资源和用户行为数据，进行分析建模，从而构造教育资源的定向推送，并能够实时分析用户的学习状况，实现数据驱动，降低用户的学习代价，进行个性化推荐的技术效果。

为了达到上述技术效果，本发明的总体思路如下：

首先采集用户的原始数据，并人工标注各原始数据中的各个资源所属知识点标签，形成有效规模的数据集合，并主动搜集在线用户的用户行为数据，进行有效分析，通过统计分析形成用户对各个资源的偏好程度，采用基于内容的推荐算法和基于标签的推荐算法混合计算，分别构建病例推荐模型和学习资源推荐模型，从而为其推荐最佳学习资源。实现了为目标用户智能高效地生成推荐资源的技术效果。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例一

本实施例提供了一种在线医疗教育资源的个性化推荐方法，请参见图1，该方法包括：

首先执行步骤s1：采集用户的原始数据，并对原始数据进行标注，其中，原始数据包括病例、学习资源和用户行为数据。

具体来说，学习资源包括除病例之外的学习内容，例如课程，考试练习题，知识文档等。用户行为数据根据学习内容的不同，分为对病例的行为和对学习资源的行为。用户的原始数据可以通过埋点获得，例如包括用户的学习成绩，有效学习时长、点击次数等。

在一种实施方式中，步骤s1具体包括：

根据科室、疾病、场景、难度、用途的维度对原始数据进行人工标注，并构建用户数据字典和内容数据字典。

具体来说，对原始数据根据科室、疾病等维度进行人工标注，是为了确定这些数据内容对应的标签，以便后期根据业务需要采用不同的数据进行训练。

其中，用户数据字典中包括标签名和标签，例如标签名包括平台用户分类、机构身份、用户身份和学历，平台用户分类标签下的标签值包括：1医务工作者、2医学生、3医疗卫生从业者、4普通用户。机构身份标签下的标签值包括：1.学生、2.老师。还可以进一步根据职称对用户身份进行细分，例如分为医师、护士、药师等，而医师可以再细分为医生、住院医生、主治医师、副主任医师、主任医师等。

而内容数据字典中同样包括标签名和标签值，标签名包括：考试、学科、科室、题型、内容质量等。考试的标签值包括：1院校科目考试、2转科培训考试、3毕业考试、4执业医师考试等。

然后执行步骤s2：根据标注后的数据构建个性化推荐模型，其中，个性化推荐模型包括病例推荐模型和学习资源推荐模型，病例推荐模型采用基于内容的协同过滤推荐算法，根据用户对病例的第一行为数据，确定用户对病例的感兴趣程度后构建，学习资源推荐模型采用基于标签的算法，根据用户对学习资源的第二行为数据，确定用户感兴趣的学习资源的标签后构建。

具体来说，个性化推荐模型可以根据步骤s1中标注后的原始数据进行构建，例如按照一定比例将标注后的数据分为训练集、测试集和验证集，然后采用神经网络的方法构建模型。具体包括在训练集上需要通过不断调整算法参数构造不同的模型，并在测试集上进行各模型的预测，通过结果比较选出最优的模型，并通过验证集上的查全率和查准率来进行算法模型的测试过程。

本实施方式中，在构建个性化推荐模型时，综合了采用基于内容的协同过滤推荐算法和基于标签的推荐算法混合计算。对于病例资源，则采用基于内容的协同过滤算法，对于其他学习资源，则采用基于标签的推荐算法。

在一种实施方式中，步骤s2中，病例推荐模型具体通过下述方式构建：

获取用户对病例的第一行为数据，其中，第一行为数据包括用户购买病例、用户评价病例和用户学习病例；

根据预设规则，为用户购买病例、用户评价病例、用户学习病例赋予权重；

采用基于内容的协同过滤推荐算法，并根据赋予的权重，构造用户-病例感兴趣度模型；

基于用户-病例感兴趣度模型与用户对病例的第一行为数据，构建病例推荐模型。

具体来说，用户对病例的第一行为数据都存储在数据库中，用户评价病例，就是用户对整个病例学习过程中的心得体会预设规则可以根据实际情况进行设置，例如将用户购买病例、用户评价病例、用户学习病例的权重分别设置为3、4和3，表明，用户购买病例与用户学习病例同样重要，用户评价病例较其他两种更为重要。

举例来说，请参见图2，为本发明实施例中用户-病例感兴趣度模型的构建示意图，用户偏好得分矩阵是用户对学习资源的感兴趣程度量化的体现，通过用户偏好得分矩阵进行量化来实现，从而更明显区分用户行为导致的真实感兴趣程度，这样可以得到更好的相似度量化。用户购买病例记3分，用户学习病例最高记3分，用户评价评论最高记4分，即十分制构造用户对病例的偏好得分矩阵，此外通过对用户学习得分的历史数据统计分析，分为五个得分层次(mark)，0分，1-30分，30-70分，70-90分，90-100分，各得分都会有对应的感兴趣程度得分(score)。其中，mark为0分时，对应的得分为1，mark为1-30分时，对应的得分为2。而用户评价即对用户主动对已学习病例进行星级打分(comment_score)，五分制，用户评价打分*0.8为用户评价行为对病例感兴趣程度的得分。comment-_score为1分时，对应的得分为0.8，mark为2分时，对应的得分为1.6。再

然后再基于用户-病例感兴趣度模型与用户对病例的第一行为数据，构建病例推荐模型，从而找两两病例的相似程度，假如按照都是得分为1来举例，用户1购买了病例a、学习了病例b、学习了病例c，用户2购买了病例a、学习了病例c，用户3购买了病例a、学习了病例c，则可以得出病例a和病例c的相似度最高，这样我们可以给其他只学习了a病例的用户推荐c病例。

在一种实施方式中，步骤s2中，学习资源推荐模型，具体通过下述方式构建：

获取用户对病例的第二行为数据，其中，第二行为数据包括用户点击、用户学习和用户评价；

统计与第二行为数据对应的分类标签出现的次数；

根据分类标签出现的次数以及阈值，构建学习资源推荐模型。

具体来说，构建的主要思路是：首先统计每个用户最常用的标签，然后对于每个标签，统计被打过这个标签次数最多的学习资源，对于一个目标用户，首先找到他常用的标签，然后找到具有这些标签的相关学习资源推荐给这个用户。作为优选，还可以对每种行为赋予不同的权重，统计出目前用户关联最强的标签列表，从而可以形成用户关联最强标签里面最热门的教育资源，整合成学习计划推送给用户。

例如一个用户身份为本科在读学生用户，点击了执业医师考试题目并进行了学习，可以获取对应题库对应的分类标签，并记录出现的次数1次，此外，点击和学习都会累加这个标签次数，再统计各类资源被学习和点击的次数进行一个排序，这样就可以推荐排序靠前的资源了。

此外，还可以让用户主动对课程或者病例添加一些标签，更能反映用户的真实兴趣所在。举例来说，一个身份为本科在读学生用户，通过分析该用户的行为数据，经常点击和学习执业医师考试题目，并且学习了有关普外科阑尾炎的一些病例，则首先会为他推荐近年的执业医师考试真题，并筛选出相关外科阑尾炎学习课程进行推荐，并会附带一些知识文档供他免费下载。

接下来执行步骤s3：根据个性化推荐模型，为目标用户生成推荐结果。

具体地，基于病例推荐模型，为用户推荐相关的病例，以及基于学习资源推荐模型为用户推荐学习计划。

在一种实施方式中，用户行为数据还包括用户画像，当目标用户为新用户时，所述方法还包括：

将用户画像数据按照用户身份、学历、性别、职称，进行用户细分分类；

为目标用户推荐与细分分类后的类别对应的学习资源。

具体来说，可以通过让用户填写问卷信息的逻辑来搜集数据，并采用db-scan(density-basedspatialclusteringofapplicationswithnoise)基于密度的聚类算法将用户细分到用户数据字典中已有的分类。从而，当目标用户为新用户时，则可以根据细分的分类为其推荐合适的学习资源，解决冷启动的问题。

在一种实施方式中，病例具有对应的病区和病种，所述方法还包括：

组合同一病种下的多个病例，构建病例间的相似度；

结合病例间的相似度和病例推荐模型，对目标用户生成推荐结果。

请参见图3，为病例推荐模型的结构示意图，主要通过三个维度来进行病例知识的覆盖，实现有效推荐，具体包括用户冷启动、用户-病例协同过滤以及病例内容相似三个方面。

具体来说，用户-病例协同过滤为基于行为相似度的推荐，具体包括用户-病例行为、用户-病例兴趣以及病例a-病例b相似，其为病例推荐模型主要采用的推荐方法。为了进一步改善推荐效果，还提出了冷启动和病例内容相似的推荐。

由于所有的病例都是分为病区和病种，每个病区下面有不同病种，每个病种下面有多个病例，那么通过构建病例间的相似度，则可以为用户推荐相似度较高的其他病例。例如当用户学了a1病例，那么该用户对与a1病例同病种下的其他病例(a2)也可能感兴趣。在具体的实施过程中，基于内容的推荐算法会对用户对每个病例的感兴趣程度计算出一个得分，然后通过组合同一病种下的多个病例，进行综合排序，形成用户-病例的最终推荐列表，在显示过程中按照得分倒序显示方法呈现给用户。

此外，为了解决冷启动的问题，对于新用户，还可以通过最近一周或一月按时间统计各病例购买次数，以及各病例评价次数，打造热度排行榜(例如本周购买排行榜、本周热评排行榜以及新出病例排行榜等)，进行无差别推荐，增加用户行为。

总体来说，本发明针对不同的学习内容采用了不同的推荐模型，实现了资源的个性化推荐。可以给目标用户进行多方面的推荐，减少了目标用户主动搜索所耗费的时间，降低了用户学习代价，真实满足用户的碎片化学习需求。

进一步地，根据科室、疾病、场景、难度、用途的维度对原始数据进行人工标注，构建了用户数据字典和内容数据字典，为后续的推荐模型的构建提供了基础。

进一步地，采用基于内容的协同过滤推荐算法，并根据赋予的权重，构造用户-病例感兴趣度模型，将其作为病例推荐模型，可以根据用户对其学习的病例的感兴趣程度，进行相关病例的推荐，可以进一步实现个性化推荐。此外，还通过构建通过病区+病种构造等同相似，对用户-病例感兴趣程度模型进行补充得从而使得推荐的资源更贴近用户行为，增大病例覆盖度。

进一步地，采用基于标签的推荐算法，根据分类标签出现的次数以及阈值，构建学习资源推荐模型，从而可以推荐标签出现次数满足阈值所对应的资源，满足用户的个性化需求。为避免冷启动的问题，本发明通过统计和标签甄别提供针对不同层次用户的初级学习计划，极大满足用户的碎片化学习需求，增加用户主动学习的可能性。

实施例二

基于与实施例一同样的发明构思，本申请还提供了一种在线医疗教育资源的个性化推荐系统，请参见图4，该系统包括：

采集模块201，用于采集用户的原始数据，并对原始数据进行标注，其中，原始数据包括病例、学习资源和用户行为数据；

构建模块202，用于根据标注后的数据构建个性化推荐模型，其中，个性化推荐模型包括病例推荐模型和学习资源推荐模型，病例推荐模型采用基于内容的协同过滤推荐算法，根据用户对病例的第一行为数据，确定用户对病例的感兴趣程度后构建，学习资源推荐模型采用基于标签的算法，根据用户对学习资源的第二行为数据，确定用户感兴趣的学习资源的标签后构建；

推荐模块203，用于根据个性化推荐模型，为目标用户生成推荐结果。

在具体的实施过程中，在线医疗教育资源的个性化推荐系统的架构如图5所示，该推荐系统可以整合至教育医疗app中。主要分为离线训练和在线推荐两个过程。离线训练主要是构造良好的个性化推荐模型，在线推荐就是根据存储在redis缓存数据库中的模型参数对线上数据进行计算并得出推荐结果。

其中，离线训练过程如下：

1.数据样本抽取及特征抽取，从数据库中采集已有的历史数据(用户的原始数据)，也就是病例、学习资源和用户行为数据，并经过对数据筛选处理，比如缺少值和脏数据的清理，从而构造好的数据样本，然后按照比例分为训练集、测试集，并通过验证集上的查全率和查准率来进行算法模型的测试过程，而验证集即为特征向量。

2.模型训练过程，即在训练集上需要通过不断调整算法参数构造不同的模型，并在测试集上进行各模型(病例推荐模型和学习资源推荐模型)的预测，通过结果比较选出最优的模型，从而将模型的参数存入redis数据库中用于在线推荐。

在线推荐过程如下：

1.格式化线上数据并生成各条数据的特征向量，由于原始数据不是最终需要的，则需要根据训练集生成的方式来格式化线上数据，可以直接调用上述调好的模型进行计算；

2.各资源的预测评分，资源的预测评分即为模型计算结果，推荐算法的目的就是通过用户的历史行为数据计算出用户对于学习资源的感兴趣程度，而感兴趣的量化标准即预测评分，从而选取预测评分高的认为是用户真正感兴趣的学习资源。形成的推荐服务可以通过app推送给用户。

在一种实施方式中，采集模块201具体用于：

根据科室、疾病、场景、难度、用途的维度对原始数据进行人工标注，并构建用户数据字典和内容数据字典。

在一种实施方式中，构建模块202中，病例推荐模型具体通过下述方式构建：

获取用户对病例的第一行为数据，其中，第一行为数据包括用户购买病例、用户评价病例和用户学习病例；

根据预设规则，为用户购买病例、用户评价病例、用户学习病例赋予权重；

采用基于内容的协同过滤推荐算法，并根据赋予的权重，构造用户-病例感兴趣度模型；

基于用户-病例感兴趣度模型与用户对病例的第一行为数据，构建病例推荐模型。

在一种实施方式中，构建模块202中，学习资源推荐模型，具体通过下述方式构建：

获取用户对病例的第二行为数据，其中，第二行为数据包括用户点击、用户学习和用户评价；

统计与第二行为数据对应的分类标签出现的次数；

根据分类标签出现的次数以及阈值，构建学习资源推荐模型。

在一种实施方式中，推荐模块203具体用于：

基于病例推荐模型，为用户推荐相关的病例，以及基于学习资源推荐模型为用户推荐学习计划。

在一种实施方式中，用户行为数据还包括用户画像，当目标用户为新用户时，所述系统还包括分类模块，用于：

将用户画像数据按照用户身份、学历、性别、职称，进行用户细分分类；

为目标用户推荐与细分分类后的类别对应的学习资源。

在一种实施方式中，病例具有对应的病区和病种，系统还包括相似度构建模块，用于：

组合同一病种下的多个病例，构建病例间的相似度；

结合病例间的相似度和病例推荐模型，对目标用户生成推荐结果。

由于本发明实施例二所介绍的系统，为实施本发明实施例一中在线医疗教育资源的个性化推荐方法所采用的系统，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该系统的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的系统都属于本发明所欲保护的范围。

实施例三

请参见图6，基于与实施例一同样的发明构思，本实施例提供了一种计算机可读存储介质400，其上存储有计算机程序411，该程序被执行时实现实施例一所述的方法。

由于本发明实施例三所介绍的计算机可读存储介质，为实施本发明实施例一中在线医疗教育资源的个性化推荐方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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系统。

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系统的制造品，该指令系统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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。