提数任务时长预测模型的训练方法及装置、介质、设备与流程

1.本说明书一个或多个实施例涉及模型训练技术领域，尤其是涉及一种提数任务时长预测模型的训练方法及装置、介质、设备。


背景技术：

2.在目前数据泛滥的时代，随着数据产生的渠道不断增多，数据逐渐增多，随之而来的便是针对数据进行数据分析，而数据分析需要进行数据提取。常规的方式是使用sql语言进行数据提取，但是针对于使用者而言，无法感知到该条数据提数任务需要耗费多长的时间才能完成。
3.现有的方案是根据经验来进行判断，这种方式具有随机性，准确度低。而且由于每家公司的数据和业务情况不同，需要根据各个公司的数据和业务情况来具体分析，因此不具有普适性。


技术实现要素：

4.为了解决以上至少一个问题，本说明书实施例描述了一种提数任务时长预测模型的训练方法及装置、介质、设备。
5.根据第一方面，本发明实施例提供一种提数任务时长预测模型的训练方法，包括：
6.获取历史提数任务；其中，所述历史提数任务为在预设历史时间段内从广告投放数据中提取数据的任务，每一条历史提数任务中包括活动集合和至少两类提数参数的键值，所述活动集合中包括至少一个广告投放活动的标识；
7.根据每一条历史提数任务，生成对应的特征向量；其中，所述特征向量中的每一个元素对应一类提数参数，且每一个元素的值为在该条历史提数任务中该元素在各个广告投放活动中对应的该类提数参数的键值的和；
8.获取每一条历史提数任务对应的实际耗费时长，并将每一条历史提数任务对应的特征向量和对应的实际耗费时长作为一条训练样本；
9.根据多条训练样本进行模型训练，得到提数任务时长预测模型。
10.根据第二方面，本发明实施例提供了一种提数任务时长预测模型的训练装置，包括：
11.任务获取模块，用于获取历史提数任务；其中，所述历史提数任务为在预设历史时间段内从广告投放数据中提取数据的任务，每一条历史提数任务中包括活动集合和至少两类提数参数的键值，所述活动集合中包括至少一个广告投放活动的标识；
12.向量生成模块，用于根据每一条历史提数任务，生成对应的特征向量；其中，所述特征向量中的每一个元素对应一类提数参数，且每一个元素的值为在该条历史提数任务中该元素在各个广告投放活动中对应的该类提数参数的键值的和；
13.耗时获取模块，用于获取每一条历史提数任务对应的实际耗费时长，并将每一条历史提数任务对应的特征向量和对应的实际耗费时长作为一条训练样本；
14.模型训练模块，用于根据多条训练样本进行模型训练，得到提数任务时长预测模型。
15.根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面提供的方法。
16.根据第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面提供的所述的方法。
17.本说明书实施例提供的一种提数任务时长预测模型的训练方法及装置、介质、设备，组合或者各自具有以下技术效果：
18.(1)本发明实施例中，首先获取历史提数任务，然后根据每一条历史提数任务生成对应的特征向量，再获取每一条历史提数任务对应的实际耗费时长，并将每一条历史提数任务对应的特征向量和对应的实际耗费时长作为一条训练样本；最后根据多条训练样本进行模型训练，得到提数任务时长预测模型。通过本发明实施例可以训练出提数任务时长预测模型，然后利用该模型进行耗费时长的预测。这种方式相对于现有技术中的经验判断来说，能够更加准确有效且稳定的评估出耗费时长。即便每家公司的数据和业务不同，也可以采用上述方法训练一个适合自己的提数任务时长预测模型。
19.(2)本发明实施例中，构建初始的第一数据表，然后从每一条历史提数任务中提取出每一个广告投放活动中所述至少两类提数参数的键值，并将所述键值导入所述第一数据表中该条历史提数任务的该个广告投放活动对应的行与各类提数参数对应的各个列的交叉位置处，并将所述第一数据表中未导入数据的位置处置为0，以实现第一数据表的填充。然后，针对所述第一数据表中每一条历史提数任务的各个广告投放活动对应的各行数据，计算位于同一列的各个键值之和，以形成特征向量。本发明实施例通过这种方式构建特征向量，使得特征向量可以从多个维度反映历史提数任务的特性，实现对历史提数任务的准确表征。
20.(3)本发明实施例中，在使用提数任务时长预测模型时，根据一段时间内的提数任务的预测耗费时长和实际耗费时长之间的差值确定预测误差，进而根据预测误差判断是否满足模型更新条件，在满足模型更新条件时进行模型更新，可见能够实现是否进行模型更新的智能分析。通过对模型进行更新，使得模型具有较高的准确率。
附图说明
21.为了更清楚地说明本说明书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说明书的一些实施例，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。
22.图1是本说明书一个提数任务时长预测模型的训练方法的流程示意图；
23.图2是本说明书一个提数任务时长预测模型的训练装置的结构框图。
具体实施方式
24.下面结合附图，对本说明书提供的方案进行描述。
25.第一方面，本发明实施例提供一种提数任务时长预测模型的训练方法，该方法可
以由任一计算设备执行，参见图1，该方法包括如下步骤s110～s140：
26.s110、获取历史提数任务；其中，所述历史提数任务为在预设历史时间段内从广告投放数据中提取数据的任务，每一条历史提数任务中包括活动集合和至少两类提数参数的键值，所述活动集合中包括至少一个广告投放活动的标识；
27.可理解的是，提数任务是指进行数据提取的任务，提数任务时长预测模型的作用是对提数任务的耗费时长进行预测，该模型的训练过程依赖于历史提数任务，因此在s110中获取历史提数任务。
28.本发明实施例的应用场景为广告投放，历史提数任务是指在过去的预设历史时间段内从广告投放数据中提取数据的任务。在该场景下，每一条历史提数任务中包括一个活动集合和多类提数参数的键值。
29.其中，活动集合中包括至少一个广告投放活动的标识。例如，一条历史提数任务中的活动集合为{1，2，3}，另一条历史提数任务中的活动集合为{1，2，3，4}。前一个活动集合中包括三个广告投放活动，后一个活动集合中包括四个广告投放活动。
30.可理解的是，在进行广告投放时，会执行至少一个广告投放活动。例如，针对某个经纬度对应的地理位置中的写字楼进行一个广告投放活动，该广告投放活动的标识为1；针对该经纬度对应的地理位置中的餐厅进行一个广告投放活动，该广告投放活动的标识为2；针对另一个经纬度对应的地理位置中的写字楼进行一个广告投放活动，该广告投放活动的标识为3；针对该另一个经纬度对应的地理位置中的餐厅进行一个广告投放活动，该广告投放活动的标识为4。在进行数据提取的话，历史提数任务中可以包括上述四个标识中的至少一个，例如，每一条历史提数任务中的活动集合为{1，2，3}，这样可以提取到标识为1、2和3的广告投放活动中的相关数据。
31.其中，多类提数参数可以体现任务的不同维度参数。例如，广告投放活动对应的起止时间、广告主id、数据管理平台、曝光频次、查询引擎、过滤条件。
32.其中，一次广告投放活动的起止时间是开始时间和终止时间，广告主id可以用来标识不同的广告主。
33.其中，数据管理平台为第三方的数据管理平台，是人群的管理平台，存储的是人群的相关数据，例如，人群的年龄、性别等。上述数据管理平台是一条历史提数任务中的广告投放活动针对的目标人群来自的数据管理平台。不同给广告主可能偏向选择不同的数据管理平台，例如，广告主a偏向使用数据管理平台a，则针对广告主a从数据管理平台a中选择目标人群进行广告投放，对应的，在对应的历史提数任务中广告投放活动对应的数据管理平台为数据管理平台a。广告主b偏向使用数据管理平台b，则针对广告主b从数据管理平台b中选择目标人群进行广告投放，对应的，在对应的历史提数任务中广告投放活动对应的数据管理平台为数据管理平台b。
34.其中，曝光频次是指目标人群的曝光频次，例如，目标人群在广告投放期间浏览了三次广告主投放的广告，则曝光频次为3。
35.其中，历史提数任务可以存放在不同的数据库中，不同的数据库对应不同的查询引擎，例如，通过查询引擎c可以获取到数据库c中的历史提数任务，因此这里的查询引擎是指历史提数任务所在的数据库对应的查询引擎。
36.其中，过滤条件是指广告投放活动的设置条件，例如，在早上10点到晚上8点作为
广告投放活动的时间段。
37.可理解的是，每一个广告投放活动对应多个类别的提数参数的键值，例如，标识为1的广告投放活动对应的提数参数的键值包括：广告主id的键值、数据管理平台的键值、曝光频次的键值。标识为2的广告投放活动对应的提数参数的键值包括广告主id的键值、数据管理平台的键值、查询引擎的键值、过滤条件的键值。
38.其中，获取的历史提数任务具体为成功执行的历史提数任务，在获取到历史提数任务之后，即实现了基础数据的准备。
39.s120、根据每一条历史提数任务，生成对应的特征向量；其中，所述特征向量中的每一个元素对应一类提数参数，且每一个元素的值为在该条历史提数任务中该元素在各个广告投放活动中对应的该类提数参数的键值的和；
40.也就是说，针对每一条历史提数任务，生成一个对应的特征向量，该特征向量可以用来表征该历史提数任务。在一个特征向量中包括多个元素，每一个元素对应一个类别的提数参数，具体的，一个元素的值为一条历史提数任务中包括的各个广告投放活动中对应类别的提数参数的键值之和。
41.在一个实施例中，s120可以具体包括如下步骤s121～s124：
42.s121、构建初始的第一数据表；其中，所述第一数据表的第一行标识为各个历史提数任务的标识，所述第一数据表的第二行标识为n1个广告投放活动的标识，每一个第一行标识对应n1个第二行标识；所述第一数据表的列标识为每一个广告投放活动对应的n2类提数参数的标识，n1和n2为正整数，n1为所述活动集合中广告投放活动的预设最大次数，n2为提数参数的预设最多类别数量；
43.其中，第一数据表，例如，参见如下表1：
44.表1
45.[0046][0047]
在上表1中，n1为4，n2为6。
[0048]
s122、从每一条历史提数任务中提取出每一个广告投放活动中所述至少两类提数参数的键值，并将所述键值导入所述第一数据表中该条历史提数任务的该广告投放活动对应的行与各类提数参数对应的各个列的交叉位置处；
[0049]
s123、在各条历史提数任务的键值均导入完成后，将所述第一数据表中未导入数据的位置处置为0；
[0050]
例如，针对历史提数任务e1中的广告投放活动1对应的各类提数参数包括：广告主id、数据管理平台、曝光频次，则将广告主id的键值填入上表1中广告投放活动1所在的行与广告主id所在的列的交叉位置处的单元格内，将数据管理平台的键值填入上表1中广告投
放活动1所在的行与数据管理平台所在的列的交叉位置处的单元格内，将曝光频次的键值填入上表1中广告投放活动1所在的行与曝光频次所在的列的交叉位置处的单元格内，将广告投放活动1所在的行的其它单元格置为0。针对其他的广告投放数据也可以采用这种方式填充数据。
[0051]
s124、针对所述第一数据表中每一条历史提数任务的各个广告投放活动对应的各行数据，计算位于同一列的各个键值之和，不同列的键值之和形成该条历史提数任务对应的特征向量。
[0052]
也就是说，在得到填充后的第一数据表后，针对每一条历史投放数据，将各个广告投放活动的各行数据中对应列中的键值求和，得到特征向量中的一个元素。
[0053]
例如，针对历史提数任务e1，将广告投放活动1～4的起止时间的键值求和，得到第一个键值之和；将广告投放活动1～4的广告主id的键值求和，得到第二个键值之和；将广告投放活动1～4的数据管理平台的键值求和，得到第三个键值之和；将广告投放活动1～4的曝光频次的键值求和，得到第四个键值之和；将广告投放活动1～4的查询引擎的键值求和，得到第五个键值之和；将广告投放活动1～4的过滤条件的键值求和，得到第六个键值之和。这六个键值之和形成历史提数任务e1对应的特征向量，该特征向量中包括六个元素。
[0054]
可见，通过上述方式可以得到每一条历史提数任务对应的特征向量。可理解的是，上述过程实际上是对基础数据进行分析，实现特征工程。在特征工程中，除了上述类别提数参数外，还可以包括其它类别的提数参数，例如，历史提数任务的发起者，但是这个提数参数没有意义，可以不用参与上述的特征工程。
[0055]
可理解的是，上述多种数据可以以不同的形式存在于广告投放数据中，需要从广告活动数据中提取出来并填充至第一数据表中。例如，有的数据是以具体数值的形式，例如，广告主id、起止时间。还有的数据是以集合的形式，例如，活动集合。还有的数据是以字典的形式，例如，过滤条件。
[0056]
在一个实施例中，在根据每一条历史提数任务生成对应的特征向量之前，还包括：从获取到的历史提数任务中剔除实际耗费时长超出预设时长的历史提数任务。
[0057]
其中，实际耗费时长过长说明历史提数任务为超时任务，不具有代表性，因此将实际耗费时长过长的历史提数任务删除，实现对历史提数任务的清洗。
[0058]
s130、获取每一条历史提数任务对应的实际耗费时长，并将每一条历史提数任务对应的特征向量和对应的实际耗费时长作为一条训练样本；
[0059]
也就是说，获取每一条历史提数任务对应实际耗费时长，实际耗费时长是指执行历史提数任务实际所耗费的时间。一条历史提数任务对应的实际耗费时长作为该历史提数任务对应的特征向量的标注信息，将标注有实际耗费时长的特征向量作为一条训练样本。通过这种方式，可以形成一个训练样本集。
[0060]
s140、根据多条训练样本进行模型训练，得到提数任务时长预测模型。
[0061]
也就是说，利用s130得到的多条训练样本进行模型训练，得到提数任务时长预测模型。提数任务时长预测模型的输入信息为一条提数任务对应的特征向量，输出信息为该条提数任务对应的预测耗费时长。
[0062]
在一个实施例中，s140可以具体包括如下步骤s141～s143：
[0063]
s141、基于梯度增强决策树算法，构建所述提数任务时长预测模型的框架；
[0064]
其中，梯度增强决策树算法即light gradient boosting machine，简称lightgbm，是一款基于决策树算法的分布式梯度提升框架算法。ligthgbm是boosting集合模型中的优秀算法模型，采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。ligthgbm拥有很强的训练效率、更低内存的占用和分布式大规模数据训练等优势。
[0065]
s142、采用贝叶斯优化模型选取超参数；
[0066]
其中，贝叶斯优化模型是当前超参数优化领域的sota(即state of the art)手段，可以被认为是当前最为先进的优化框架。选用贝叶斯优化模型进行超参数选取，能够更加快速进行搜寻超参数，使提数任务时长预测模型能够更加精准的预测出耗时。
[0067]
其中，超参数是模型外部的配置参数，机器学习中一直说的“调参”，实际上是调“超参数”。超参数，例如，梯度下降法中的学习速率、迭代次数、批量大小、k近邻法中的k、决策树模型中树的深度、树的数量等。
[0068]
s143、基于所选取的超参数，根据多条训练样本对所述框架进行模型训练，得到所述提数任务时长预测模型。
[0069]
可理解的是，在设置好框架的超参数后，便可以利用多条训练样本对框架进行模型训练，从而得到提数任务时长预测模型。
[0070]
在一个实施例中，本发明实施例提供的方法还可以包括：
[0071]
获取每一条历史提数任务对应的状态数据；其中，所述状态数据为服务器集群的运行状态数据；
[0072]
对应的，所述将每一条历史提数任务对应的特征向量和对应的实际耗费时长作为一条训练样本，包括：将每一条历史提数任务对应的特征向量、对应的状态数据以及对应的实际耗费时长作为一条训练样本。
[0073]
也就是说，在一条训练样本中除了包括特征向量和实际耗费时长之外，还可以包括服务器集群的运行状态数据，例如，服务器的内存使用情况、cpu使用情况等。在执行每一条历史提数任务时，服务器集群都存在对应的运行状态数据，该运行状态数据会被记录下来，在形成训练样本之前获取记录的运行状态数据即可。
[0074]
这样在利用提数任务时长预测模型进行预测时，输入的信息中除了提数任务对应的特征向量外，也包括此时的运行状态数，这样基于提数任务对应的特征向量、运行状态数，预测对应的耗费时长，使得预测得到的耗费时长考虑到了当前服务器的压力情况，符合实际场景的需求，提高预测的准确度。
[0075]
在一个实施例中，本发明实施例提供的方法在根据多条训练样本进行模型训练，得到提数任务时长预测模型之前，还可以包括：
[0076]
对每一条训练样本中的离散型数据进行编码处理，并对每一条训练样本中的连续性数据进行归一化处理，以实现对每一条训练样本的修正处理；
[0077]
对应的，所述根据多条训练样本进行模型训练，得到提数任务时长预测模型，包括：利用修正处理后的多条训练样本进行模型训练，得到提数任务时长预测模型。
[0078]
也就是说，对训练样本进行修正处理，再利用修正处理后的训练样本进行模型训练。针对不同的数据进行不同方式的修正，针对其中的离散型数据，例如，广告主id对应的键值，可以进行编码处理。例如，针对其中的连续性数据可以进行归一化处理，例如，起止时
间对应的键值，可以对起止时间的键值进行归一化处理。
[0079]
可理解的是，这里进行归一化处理的目的是便于进行模型训练。
[0080]
可理解的是，在训练得到提数任务时长预测模型后，针对一个新的提数任务，生成该提数任务的特征向量，将该特征向量输入到提数任务时长预测模型中，便可以得到预测耗费时长。新的提数任务的特征向量的生成过程与上述过程一致。
[0081]
在一个实施例中，本发明实施例提供的方法还可以包括：
[0082]
在利用所述提数任务时长预测模型输出一个提数任务的预测耗费时长后，根据所述预测耗费时长和实际耗费时长确定所述提数任务时长预测模型针对本次提数任务的预测误差；
[0083]
每隔单位时间段根据本次单位时间段内的提数任务对应的预测误差，确定是否满足模型更新条件；
[0084]
若是，则根据本次单位时间段内的提数任务的实际耗费时长，对所述提数任务时长预测模型进行更新。
[0085]
例如，每隔一个小时判断一次是否满足模型更新条件。针对在本次周期的一个小时内的提数任务，确定提数任务时长预测模型输出的预测耗费时长与实际耗费时长之间的差值，得到预测误差。如果预测误差较大，则需要进行更新，即满足模型更新条件，进而根据这个小时内提数任务的实际耗费时长对数任务时长预测模型进行更新。如果预测误差较小，则不需要进行更新，即不满足模型更新条件。如果在一个小时内有多个提数任务，则采用各个提数任务对应的预测误差的平均值进行判断。
[0086]
可见，当初始的提数任务时长预测模型训练完成之后，需要对提数任务时长预测模型进行更新，但是提数任务时长预测模型的更新时间以及更新效果并不能有效保证，因此本发明实施例提出智能的模型更新条件，每隔一端时间就进行一次智能分析，如果分析结果为需要更新，则进行更新。除此之外，还可以在每一天的固定时间进行定时更新，例如，每天凌晨定时更新，这样既保证了实效性也保证了每天的准确性。
[0087]
可理解的是，本发明实施例提供的方法可以训练出提数任务时长预测模型，然后利用该模型进行耗费时长的预测。这种方式相对于现有技术中的经验判断来说，能够更加准确有效且稳定的评估出耗费时长，误差一般在5％以内。即便每家公司的数据和业务不同，也可以采用上述方法训练一个适合自己的提数任务时长预测模型。
[0088]
第二方面，本发明实施例提供一种提数任务时长预测模型的训练装置，参见图2，该装置100包括：
[0089]
任务获取模块110，用于获取历史提数任务；其中，所述历史提数任务为在预设历史时间段内从广告投放数据中提取数据的任务，每一条历史提数任务中包括活动集合和至少两类提数参数的键值，所述活动集合中包括至少一个广告投放活动的标识；
[0090]
向量生成模块120，用于根据每一条历史提数任务，生成对应的特征向量；其中，所述特征向量中的每一个元素对应一类提数参数，且每一个元素的值为在该条历史提数任务中该元素在各个广告投放活动中对应的该类提数参数的键值的和；
[0091]
耗时获取模块130，用于获取每一条历史提数任务对应的实际耗费时长，并将每一条历史提数任务对应的特征向量和对应的实际耗费时长作为一条训练样本；
[0092]
模型训练模块140，用于根据多条训练样本进行模型训练，得到提数任务时长预测
模型。
[0093]
在一个实施例中，向量生成模块120在根据每一条历史提数任务，生成对应的特征向量之前，还用于：从获取到的历史提数任务中剔除实际耗费时长超出预设时长的历史提数任务。
[0094]
在一个实施例中，向量生成模块120包括：
[0095]
第一构建单元，用于构建初始的第一数据表；其中，所述第一数据表的第一行标识为各个历史提数任务的标识，所述第一数据表的第二行标识为n1个广告投放活动的标识，每一个第一行标识对应n1个第二行标识；所述第一数据表的列标识为每一个广告投放活动对应的n2类提数参数的标识，n1和n2为正整数，n1为所述活动集合中广告投放活动的预设最大次数，n2为提数参数的预设最多类别数量；
[0096]
第一填充单元，用于从每一条历史提数任务中提取出每一个广告投放活动中所述至少两类提数参数的键值，并将所述键值导入所述第一数据表中该条历史提数任务的该个广告投放活动对应的行与各类提数参数对应的各个列的交叉位置处；
[0097]
第二填充单元，用于在各条历史提数任务的键值均导入完成后，将所述第一数据表中未导入数据的位置处置为0；
[0098]
向量形成单元，用于针对所述第一数据表中每一条历史提数任务的各个广告投放活动对应的各行数据，计算位于同一列的各个键值之和，不同列的键值之和形成该条历史提数任务对应的特征向量。
[0099]
在一个实施例中，模型训练模块140包括：
[0100]
第二构建单元，用于基于梯度增强决策树算法，构建所述提数任务时长预测模型的框架；
[0101]
第一选择单元，用于采用贝叶斯优化模型选取超参数；
[0102]
模型训练单元，用于基于所选取的超参数，根据所述多条训练样本对所述框架进行模型训练，得到所述提数任务时长预测模型。
[0103]
在一个实施例中，装置还包括：
[0104]
状态获取模块，用于获取每一条历史提数任务对应的状态数据；其中，所述状态数据为服务器集群的运行状态数据；
[0105]
对应的，所述耗时获取模块具体用于：将每一条历史提数任务对应的特征向量、对应的状态数据以及对应的实际耗费时长作为一条训练样本。
[0106]
在一个实施例中，装置还包括：
[0107]
修正处理模块，用于在模型训练模块140在根据多条训练样本进行模型训练，得到提数任务时长预测模型之前，对每一条训练样本中的离散型数据进行编码处理，并对每一条训练样本中的连续性数据进行归一化处理，以实现对每一条训练样本的修正处理；
[0108]
对应的，所述模型训练模块140具体用于利用修正处理后的多条训练样本进行模型训练，得到提数任务时长预测模型。
[0109]
在一个实施例中，装置还包括：
[0110]
误差计算模块，用于在利用所述提数任务时长预测模型输出一个提数任务的预测耗费时长后，根据所述预测耗费时长和实际耗费时长确定所述提数任务时长预测模型针对本次提数任务的预测误差；
[0111]
更新判断模块，用于每隔单位时间段根据本次单位时间段内的提数任务对应的预测误差，确定是否满足模型更新条件；
[0112]
模型更新模块，用于若满足模型更新条件，则根据本次单位时间段内的提数任务的实际耗费时长，对所述提数任务时长预测模型进行更新。
[0113]
第三方面，本说明书一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。
[0114]
第四方面，本说明书一个实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现执行说明书中任一个实施例中的方法。
[0115]
可以理解的是，本说明书实施例示意的结构并不构成对本说明书实施例的装置的具体限定。在说明书的另一些实施例中，上述装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
[0116]
上述装置、系统内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。
[0117]
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，对于装置实施例而言，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。
[0118]
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
[0119]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。