确定搜索结果列表的方法、装置、设备及存储介质与流程

本申请涉及计算机技术领域，特别涉及一种确定搜索结果列表的方法、装置、设备及存储介质。

背景技术：

在人们日常使用计算机设备时，不可避免的会使用搜索功能，在用户进行搜索时，终端可以显示搜索结果列表的页面，该搜索结果列表的页面中包含有多个搜索结果，在搜索结果列表的页面中各个搜索结果会按照一定顺序进行显示，具体处理如下：

在服务器接收到用户输入的关键词后，服务器可以根据该关键词获取包含有该关键词的搜索结果，并基于各个搜索结果的历史点击次数对各个搜索结果进行排序，生成排序信息，进而服务器基于排序信息以及各个搜索结果，确定关键词对应的搜索结果列表。

在实现本申请的过程中，发明人发现现有技术至少存在以下问题：

历史点击次数受各个搜索结果的视觉吸引力影响很大，比如，包含有视频、图片的搜索结果就相对只有文字的搜索结果更有视觉吸引力，但视觉吸引力强并不代表包含有视频、图片的搜索结果更符合用户需求，用户在点击时，可能仅仅只是根据这个搜索结果的视觉吸引力来点击的，这样也使得该包含有视频、图片的搜索结果的历史点击次数很高，因此，历史点击次数并不能代表这个搜索结果符合用户需求的程度，其反应的仅仅是对用户视觉吸引的程度，因此，根据历史点击次数得到的搜索结果列表中，各个搜索结果的排列顺序并不是根据符合用户需求的程度排列的，也就是导致搜索结果列表的推荐效果不好。

技术实现要素：

本申请实施例提供了一种确定搜索结果列表的方法、装置、设备及存储介质,能够解决搜索结果列表的推荐效果不好的问题。所述技术方案如下：

一方面，提供了一种确定搜索结果列表的方法，所述方法包括：

获取目标搜索关键词对应的多个搜索结果；

确定多个搜索结果按不同顺序排列对应的不同排序信息；

对于每个排序信息，基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分；

基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表。

可选的，所述获取目标搜索关键词对应的多个搜索结果之前，所述方法还包括：

接收终端发送的携带有目标搜索关键词的搜索请求；

所述基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表之后，所述方法还包括：

向所述终端发送所述搜索结果列表。

可选的，所述搜索请求中还携带有用户标识，所述基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分，包括：

基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、所述用户标识对应的用户信息、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分。

可选的，所述获取目标搜索关键词对应的多个搜索结果，包括：

当达到预设更新周期时，获取目标搜索关键词对应的多个搜索结果；

所述基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表之后，还包括：

基于确定出的所述目标搜索关键词对应的搜索结果列表，更新本地存储的所述目标搜索关键词对应的搜索结果列表。

可选的，所述基于确定出的所述目标搜索关键词对应的搜索结果列表，更新本地存储的所述目标搜索关键词对应的搜索结果列表之后，还包括：

当接收到终端发送的携带有目标搜索关键词的搜索请求时，向所述终端发送所述本地存储的目标搜索关键词对应的搜索结果列表。

可选的，所述获取目标搜索关键词对应的多个搜索结果之前，所述方法还包括：

获取样本搜索关键词以及所述样本搜索关键词对应的多个样本搜索结果；

确定所述多个样本搜索结果的样本排序信息；

基于每个样本搜索结果对应所述样本搜索关键词的历史点击次数、以及所述样本排序信息，确定所述样本排序信息对应的基准推荐效果评分；

基于所述样本排序信息、每个样本搜索结果的格式信息、所述样本搜索关键词、以及所述基准推荐效果评分，对所述推荐效果打分模型进行训练。

可选的，所述对于每个排序信息，基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分，包括：

基于每个搜索结果的格式信息和所述目标搜索关键词，生成每个搜索结果对应的特征向量；

按照所述排序信息中多个搜索结果的顺序，将所有搜索结果对应的特征向量合并为总特征向量；

将所述总特征向量输入所述推荐效果打分模型，得到所述排序信息对应的推荐效果评分。

另一方面，提供了一种确定搜索结果列表的装置，所述装置包括：

获取模块，用于获取目标搜索关键词对应的多个搜索结果；

确定模块，用于确定多个搜索结果按不同顺序排列对应的不同排序信息；

打分模块，用于对于每个排序信息，基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分；

列表确定模块，用于基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表。

可选的，所述装置还包括发送模块，所述发送模块，用于：

接收终端发送的携带有目标搜索关键词的搜索请求；

所述基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表之后，所述方法还包括：

向所述终端发送所述搜索结果列表。

可选的，所述搜索请求中还携带有用户标识，所述打分模块，用于：

基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、所述用户标识对应的用户信息、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分。

可选的，所述获取模块，用于：

当达到预设更新周期时，获取目标搜索关键词对应的多个搜索结果；

所述基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表之后，还包括：

基于确定出的所述目标搜索关键词对应的搜索结果列表，更新本地存储的所述目标搜索关键词对应的搜索结果列表。

可选的，所述装置还包括训练模块，所述训练模块，用于：

获取样本搜索关键词以及所述样本搜索关键词对应的多个样本搜索结果；

确定所述多个样本搜索结果的样本排序信息；

基于每个样本搜索结果对应所述样本搜索关键词的历史点击次数、以及所述样本排序信息，确定所述样本排序信息对应的基准推荐效果评分；

基于所述样本排序信息、每个样本搜索结果的格式信息、所述样本搜索关键词、以及所述基准推荐效果评分，对所述推荐效果打分模型进行训练。

可选的，所述打分模块，用于：

基于每个搜索结果的格式信息和所述目标搜索关键词，生成每个搜索结果对应的特征向量；

按照所述排序信息中多个搜索结果的顺序，将所有搜索结果对应的特征向量合并为总特征向量；

将所述总特征向量输入所述推荐效果打分模型，得到所述排序信息对应的推荐效果评分。

再一方面，提供了一种计算机设备，所述计算机设备包含处理器和存储器，所述存储器中存储有指令，所述处理器执行所述指令使得所述计算机设备实现所述确定搜索结果列表的方法。

再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有指令，计算机设备执行所述指令使得所述计算机设备实现所述确定搜索结果列表的方法。

本申请实施例提供的技术方案带来的有益效果是：

本申请通过将目标搜索关键词对应的每个搜索结果的格式信息、目标搜索关键词及其对应的不同的排序信息输入到推荐效果打分模型中，得到多个搜索结果按照不同排序信息排列的推荐效果评分，并按照推荐效果评分最高的排序信息和多个搜索结果，确定目标搜索关键词对应的搜索结果列表，进而通过上述方案得到的搜索结果列表是一个按照每个搜索结果的格式信息的不同以及与关键词相关性进行排序的搜索结果列表，也就提高了搜索结果列表的推荐效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本申请实施例提供的实施环境示意图；

图2是本申请实施例提供的一种确定目标搜索结果列表的方法流程图；

图3是本申请实施例提供的一种确定目标搜索结果列表的装置结构示意图；

图4是本申请实施例提供的服务器结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

本申请实施例提供了一种确定目标搜索结果列表的方法，该方法可以由服务器来实现，该服务器可以是上述应用程序或者网页的后台服务器，该服务器可以是一个单独的服务器也可以是一个服务器组，如果是单独的服务器，该服务器可以负责下述方案中的所有需要由服务器进行的处理，如果是服务器组，服务器组中的不同服务器分别可以负责下述方案中的不同处理，具体的处理分配情况可以由技术人员根据实际需求任意设置，此处不再赘述。

如图1所示，在用户使用终端时，用户经常会进行搜索，例如，通过浏览器浏览搜索网页并进行搜索，或者在应用程序中进行搜索。在进行搜索时，用户可以在输入框中输入想要搜索的关键词，然后点击输入框后面的搜索控件，进而终端可以向服务器发送搜索请求，该搜索请求中包含有关键词，进而服务器根据该关键词获取对应的多个搜索结果，以及多个搜索结果的排序信息，让将多个搜索结果以及排序顺序发送给终端。

图2是本申请实施例提供的一种确定目标搜索结果列表的方法的流程图。参见图2，该流程包括：

步骤201、获取目标搜索关键词对应的多个搜索结果。

在实施中，可以通过多种方式触发服务器获取目标搜索关键词对应的多个搜索结果的内容，具体可以包括以下几种方式：

第一种方式，当达到预设更新周期时，获取目标搜索关键词对应的多个搜索结果的内容。

在实施中，开发人员可以为服务器设置更新周期，也就使得服务器具有一个预设更新周期，例如，该预设更新周期是一天。进而，当服务器检测到在上次更新完成后的时长达到预设更新周期时，服务器获取包含有目标搜索关键词的多个搜索结果的内容。

可选的，在进行上述处理之前，服务器可以对推荐效果打分模型进行训练。

首先，获取样本搜索关键词以及样本搜索关键词对应的多个样本搜索结果的内容。

在实施中，服务器从存储的搜索关键词中获取样本搜索关键词，并在历史搜索记录中获取样本搜索关键词对应的多个样本搜索结果的内容，该多个样本搜索结果的内容是按照样本排序信息排列的。

其次，确定多个样本搜索结果的样本排序信息。

在实施中，根据多个样本搜索结果的排列顺序确定多个样本搜索结果的样本排序信息。

再次，基于每个样本搜索结果对应样本搜索关键词的历史点击次数、以及样本排序信息，确定样本排序信息对应的基准推荐效果评分。

在实施中，服务器获取基于该样本搜索关键词进行搜索得到的每个样本搜索结果的内容，进而可以获取每个样本搜索结果对应样本搜索关键词的历史点击次数，进而，基于历史点击次数、样本排序信息以及归一化折损累计增益函数计算出样本排序信息对应的基准推荐效果评分。

例如，该归一化折损累计增益函数的公式为：ndcgk＝dcgk/idcgk

其中，idcgk为基于历史点击次数重新排序后的分值，reli表示第i个搜索结果的历史点击次数。

在获取到样本搜索结果的历史点击次数后，服务器将该历史点击次数以及样本排序信息输入到上述归一化折损累计增益函数的dcgk公式中，计算出第一搜索结果列表的第一分数dcgk，然后，基于历史点击次数对样本搜索结果的内容进行重新排序，得到重排后的样本排序信息，进而基于重排后的样本排序信息以及样本搜索结果的历史点击次数计算出第二分数idcgk，然后用第一分数dcgk除以第二分数idcgk，得到样本排序信息对应的基准推荐效果评分。

然后，基于样本排序信息、每个样本搜索结果的格式信息、样本搜索关键词、以及基准推荐效果评分，对推荐效果打分模型进行训练。

其中，所述格式信息包括图片信息、视频信息、以及文字信息。

在实施中，服务器可以将样本排序信息、每个样本搜索结果的格式信息、样本搜索关键词、用户标识对应的用户信息、以及基准推荐效果评分输入到推荐效果打分模型中。推荐效果打分模型先对样本搜索结果的格式信息、样本搜索关键词、以及用户标识对应的用户信息进行特征提取，得到对应该样本搜索结果的一个256维的向量，进而根据样本排序信息将多个样本搜索结果的内容对应的多个256维的向量组合成一个目标向量，然后根据该目标向量以及动态神经网络计算出训练推荐效果评分。然后，基于训练推荐效果评分、基准推荐效果评分、以及损失函数对推荐效果打分模型进行调整。

然后，重复上述处理，直至推荐效果打分模型训练完成。

第二种方式，终端可以向服务器发送携带有目标搜索关键词的搜索请求，使得服务器在接收到终端发送的携带有目标搜索关键词的搜索请求后，获取目标搜索关键词对应的多个搜索结果的内容。

在实施中，终端可以显示应用程序的页面，在该页面中可以显示有输入框，进而，用户可以在输入框中输入目标搜索关键词，并触发搜索控件，进而，终端可以向服务器发送携带有目标搜索关键词的搜索请求。服务器接收该携带有目标搜索关键词的搜索请求，并获取该搜索请求中的目标搜索关键词，服务器获取包含有目标搜索关键词的多个搜索结果的内容。

可选的，在进行上述处理之前，服务器可以对推荐效果打分模型进行训练。

首先，获取样本搜索关键词以及样本搜索关键词对应的多个样本搜索结果的内容。

在实施中，服务器从存储的搜索关键词中获取样本搜索关键词，并在历史搜索记录中获取样本搜索关键词对应的多个样本搜索结果的内容，该多个样本搜索结果的内容是按照样本排序信息排列的。

其次，确定多个样本搜索结果的样本排序信息。

在实施中，根据多个样本搜索结果的排列顺序确定多个样本搜索结果的样本排序信息。

再次，基于每个样本搜索结果对应样本搜索关键词的历史点击次数、用户标识对应的用户信息、以及样本排序信息，确定样本排序信息对应的基准推荐效果评分。

在实施中，服务器获取基于该样本搜索关键词进行搜索得到的每个样本搜索结果的内容，进而可以获取每个样本搜索结果对应样本搜索关键词的历史点击次数，进而，基于历史点击次数、样本排序信息以及归一化折损累计增益函数计算出样本排序信息对应的基准推荐效果评分。

例如，该归一化折损累计增益函数的公式为：ndcgk＝dcgk/idcgk

其中，idcgk为基于历史点击次数重新排序后的分值，reli表示第i个搜索结果的历史点击次数。

在获取到样本搜索结果的历史点击次数后，服务器将该历史点击次数以及样本排序信息输入到上述归一化折损累计增益函数的dcgk公式中，计算出多个搜索结果的内容按样本排序信息排列的第一分数dcgk，然后，基于历史点击次数对样本搜索结果的内容进行重新排序，得到重排后的样本排序信息，进而基于重排后的样本排序信息以及样本搜索结果的历史点击次数计算出第二分数idcgk，然后用第一分数dcgk除以第二分数idcgk，得到样本排序信息对应的基准推荐效果评分。

然后，基于样本排序信息、每个样本搜索结果的格式信息、样本搜索关键词、用户标识对应的用户信息、以及基准推荐效果评分，对推荐效果打分模型进行训练。

其中，所述格式信息包括图片信息、视频信息、以及文字信息。

在实施中，服务器可以将样本排序信息、每个样本搜索结果的格式信息、样本搜索关键词、用户标识对应的用户信息、以及基准推荐效果评分输入到推荐效果打分模型中。推荐效果打分模型先对样本搜索结果的格式信息、样本搜索关键词、以及用户标识对应的用户信息进行特征提取，得到对应该样本搜索结果的一个256维的特征向量，进而根据样本排序信息将多个样本搜索结果的内容对应的多个256维的向量组合成一个目标向量，然后根据该目标向量以及动态神经网络计算出训练推荐效果评分。然后，基于训练推荐效果评分、基准推荐效果评分、以及损失函数对推荐效果打分模型进行调整。

然后，重复上述处理，直至推荐效果打分模型训练完成。

步骤202、确定多个搜索结果按不同顺序排列对应的不同排序信息。

在实施中，在得到目标搜索关键词对应的多个搜索结果的内容后，可以将多个搜索结果的内容按照不同的顺序进行排列，进而得到不同的排序信息。

步骤203、对于每个排序信息，基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分。

在实施中，在获取到不同排序信息后，服务器可以依次将按照不同的排序信息排列的搜索结果的内容输入到推荐效果打分模型中，具体处理可以如下：

首先，基于每个搜索结果的格式信息和目标搜索关键词，生成每个搜索结果的内容对应的特征向量。

推荐效果打分模型对每个搜索结果的格式信息和目标搜索关键词进行特征提取，得到对应每个搜索结果的256维的特征向量。

其次，按照排序信息中多个搜索结果的顺序，将所有搜索结果的内容对应的特征向量合并为总特征向量。

然后，将总特征向量输入推荐效果打分模型，得到排序信息对应的推荐效果评分。

可选的，如果上述步骤201是由终端发送多个搜索请求触发的，则上述步骤203的处理可以为基于排序信息、每个搜索结果的格式信息、目标搜索关键词、用户标识对应的用户信息、以及推荐效果打分模型，确定排序信息对应的推荐效果评分。该用户标识是搜索请求中携带的，具体处理可以如下：

首先，基于用户标识获取用户标识对应的用户信息。

其次，基于每个搜索结果的格式信息、目标搜索关键词和用户标识对应的用户信息，生成每个搜索结果对应的特征向量。

推荐效果打分模型对每个搜索结果的格式信息、目标搜索关键词和用户标识对应的用户信息进行特征提取，得到对应每个搜索结果的256维的特征向量。

再次，按照排序信息中多个搜索结果的顺序，将所有搜索结果的内容对应的特征向量合并为总特征向量。

然后，将总特征向量输入推荐效果打分模型，得到排序信息对应的推荐效果评分。

在此需要说明的是，上述步骤203是重复进行的，直至所有按照不同排序信息排列的搜索结果的内容都被计算出推荐效果评分。

步骤204、基于推荐效果评分最高的排序信息和多个搜索结果的内容，确定目标搜索关键词对应的搜索结果列表。

在实施中，在经过上述步骤203的处理后，服务器可以得到多个排序信息对应的推荐效果评分，进而服务器可以获取推荐效果评分最高的排序信息和多个搜索结果的内容，并根据推荐效果评分最高的排序信息和多个搜索结果的内容生成目标搜索关键词对应的搜索结果列表。

可选的，如果上述步骤201是由终端发送多个搜索请求触发的，则进行完上述步骤204的处理之后可以向终端发送搜索结果列表。

可选的，如果上述步骤201是基于预设更新周期进行的，则进行完上述步骤204的处理之后可以基于确定出的目标搜索关键词对应的搜索结果列表，更新本地存储的目标搜索关键词对应的搜索结果列表。

相应的，在更新后，当服务器接收到终端发送的携带有目标搜索关键词的搜索请求时，可以向终端发送本地存储的目标搜索关键词对应的搜索结果列表。

本申请通过将目标搜索关键词对应的每个搜索结果的格式信息、目标搜索关键词及其对应的不同的排序信息输入到推荐效果打分模型中，得到多个搜索结果按照不同排序信息排列的推荐效果评分，并按照推荐效果评分最高的排序信息和多个搜索结果，确定目标搜索关键词对应的搜索结果列表，进而通过上述方案得到的搜索结果列表是一个按照每个搜索结果的格式信息的不同以及与关键词相关性进行排序的搜索结果列表，也就提高了搜索结果列表的推荐效果。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

图3是本申请实施例提供的一种确定目标搜索结果列表的装置结构示意图。该装置可以是上述的服务器。参见图3，该装置包括：

获取模块310，用于获取目标搜索关键词对应的多个搜索结果；

确定模块320，用于确定多个搜索结果按不同顺序排列对应的不同排序信息；

打分模块330，用于对于每个排序信息，基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分；

列表确定模块340，用于基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表。

可选的，所述装置还包括发送模块，所述发送模块，用于：

接收终端发送的携带有目标搜索关键词的搜索请求；

所述基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表之后，所述方法还包括：

向所述终端发送所述搜索结果列表。

可选的，所述搜索请求中还携带有用户标识，所述打分模块330，用于：

基于所述排序信息、每个搜索结果的格式信息、所述目标搜索关键词、所述用户标识对应的用户信息、以及推荐效果打分模型，确定所述排序信息对应的推荐效果评分。

可选的，所述获取模块310，用于：

当达到预设更新周期时，获取目标搜索关键词对应的多个搜索结果；

所述基于推荐效果评分最高的排序信息和所述多个搜索结果，确定所述目标搜索关键词对应的搜索结果列表之后，还包括：

基于确定出的所述目标搜索关键词对应的搜索结果列表，更新本地存储的所述目标搜索关键词对应的搜索结果列表。

可选的，所述装置还包括训练模块，所述训练模块，用于：

获取样本搜索关键词以及所述样本搜索关键词对应的多个样本搜索结果；

确定所述多个样本搜索结果的样本排序信息；

基于每个样本搜索结果对应所述样本搜索关键词的历史点击次数、以及所述样本排序信息，确定所述样本排序信息对应的基准推荐效果评分；

基于所述样本排序信息、每个样本搜索结果的格式信息、所述样本搜索关键词、以及所述基准推荐效果评分，对所述推荐效果打分模型进行训练。

可选的，所述打分模块330，用于：

基于每个搜索结果的格式信息和所述目标搜索关键词，生成每个搜索结果对应的特征向量；

按照所述排序信息中多个搜索结果的顺序，将所有搜索结果对应的特征向量合并为总特征向量；

将所述总特征向量输入所述推荐效果打分模型，得到所述排序信息对应的推荐效果评分。

本申请通过将目标搜索关键词对应的每个搜索结果的格式信息、目标搜索关键词及其对应的不同的排序信息输入到推荐效果打分模型中，得到多个搜索结果按照不同排序信息排列的推荐效果评分，并按照推荐效果评分最高的排序信息和多个搜索结果，确定目标搜索关键词对应的搜索结果列表，进而通过上述方案得到的搜索结果列表是一个按照每个搜索结果的格式信息的不同以及与关键词相关性进行排序的搜索结果列表，也就提高了搜索结果列表的推荐效果。

需要说明的是：上述实施例提供的确定搜索结果列表的装置在确定搜索结果列表时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定搜索结果列表的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图4是本申请实施例提供的一种服务器的结构示意图，该服务器可以是上述服务器，该服务器400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)401和一个或一个以上的存储器402，其中，所述存储器1002中存储有至少一条指令，所述至少一条指令由所述处理器401加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述实施例中确定搜索结果列表的方法。例如，所述计算机可读存储介质可以是只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、cd-rom、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，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。