点击率预测方法和装置与流程

本发明涉及网络技术领域，具体而言，涉及一种点击率预测方法和装置。

背景技术：

随着网络技术的发展，在视频平台，由于视频本身属性的复杂性，以及用户与视频的大量交互，都会产生大量的数据，利用这些数据对视频进行预测，并提升用户的点击率是非常重要的。

相关技术中，在对待推荐视频的点击率进行预测时，主要考虑的是用户的历史播放记录，针对用户的历史行为进行分析用户的兴趣、用户交互特征，预估待推荐视频的点击率。

但是，在对用户的历史行为进行分析时，用户的类别特征较少，导致预测待推荐视频的点击率不准确，容易产生误差。

技术实现要素：

本发明的目的在于，针对上述现有技术中的不足，提供一种点击率预测方法和装置，用以改善上述问题。

为实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种点击率预测方法，所述方法包括：

获取候选用户的历史播放行为数据和候选视频数据；

根据所述候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，其中，所述输入数据包括所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息；

根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型；

获取待推荐用户数据和待推荐视频数据，通过所述视频点击率预估模型得到所述待推荐用户点击所述待推荐视频的点击率预测值。

进一步地，所述根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型，包括：

根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息通过所述预设多模态模型的各个模块进行训练；

将训练后的多模态模型通过对数损失函数和优化器进行优化，得到视频点击率预估模型。

进一步地，所述根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息通过所述预设多模态模型的各个模块进行训练的步骤，包括：

根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息，通过用户兴趣分析模块、视觉抽取模块和交叉特征学习模块，分别得到所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值；

将所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值通过组合模型进行拼接操作；

将拼接后的数据经过两层激活函数，得到所述候选用户点击所述候选视频数据的点击率预测值。

进一步地，所述候选用户的兴趣信息包括：候选用户特征、候选用户行为、候选视频的候选特征和候选用户的历史播放视频的上下文特征。

进一步地，所述候选视频的反馈信息包括：候选视频的封面特征和候选视频的关键帧特征。

进一步地，所述候选视频与所述候选用户的交互信息包括：候选用户特征和候选视频的候选特征。

本发明的另一目的在于提供一种点击率预测装置，所述装置包括：

第一获取模块，用于获取候选用户的历史播放行为数据和候选视频数据；

第二获取模块，用于根据所述候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，其中，所述输入数据包括所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息；

训练模块，用于根据所述输入数据通过所述预设多模态模型的各个模块训练得到视频点击率预估模型；

第三获取模块，用于获取待推荐用户数据和待推荐视频数据，通过所述视频点击率预估模型得到所述待推荐用户点击所述待推荐视频的点击率预测值。

进一步地，所述训练模块，具体用于根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息通过所述预设多模态模型的各个模块进行训练；将训练后的多模态模型通过对数损失函数和优化器进行优化，得到视频点击率预估模型。

进一步地，所述训练模块，还具体用于根据所述候选用户的兴趣信息、所述候选视频的反馈信息、以及所述候选视频与所述候选用户的交互信息，通过用户兴趣分析模块、视觉抽取模块和交叉特征学习模块，分别得到所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值；将所述候选用户对所述候选视频的兴趣特征权重值、所述候选用户对所述候选视频的反馈特征权重值、以及所述候选用户和所述候选视频的交互特征权重值通过组合模型进行拼接操作；将拼接后的数据经过两层激活函数，得到所述候选用户点击所述候选视频数据的点击率预测值。

进一步地，所述候选用户的兴趣信息包括：候选用户特征、候选用户行为、候选视频的候选特征和候选用户的历史播放视频的上下文特征。

进一步地，所述候选视频的反馈信息包括：候选视频的封面特征和候选视频的关键帧特征。

进一步地，所述候选视频与所述候选用户的交互信息包括：候选用户特征和候选视频的候选特征。

本发明还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述所述的点击率预测方法。

本发明还提供了一种计算机可读存储介质，该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运行时执行如上述所述的点击率预测方法。

综上所述，本发明实施例提供的点击率预测方法和装置，通过获取候选用户的历史播放行为和候选视频数据，结合候选用户的历史播放行为与候选视频数据提取得到多模态模型的输入数据，由于该输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息，并多模态模型的训练得到视频点击率预估模型，因为在多模态模型训练过程中考虑了候选视频与候选用户的交互信息，从而使得得到的视频点击率预估值更接近用户点击视频的真实情况，提高了预测待推荐视频点击率的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明一实施例提供的点击率预测方法的流程示意图；

图2为本发明另一实施例提供的点击率预测方法的流程示意图；

图3为本发明又一实施例提供的点击率预测方法的部分流程示意图；

图4为本发明一实施例提供的点击率预测装置的示意图；

图5本发明另一实施例提供的一种电子设备结构示意图。

具体实施方式

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。

图1为本发明一实施例提供的点击率预测方法的流程示意图，该方法的执行设备可以是服务器、计算机、手机、平板电脑等终端，本发明实施例对此不做具体限定。

如图1所示，该方法包括：

步骤101、获取候选用户的历史播放行为数据和候选视频数据。

具体地，可以根据实际情况来选择候选用户，根据选择的候选用户可以从大数据平台中调取候选用户的历史播放行为信息和候选视频数据，其中，候选视频数据可以是用户未观看过的候选视频的数据，候选用户的历史播放行为数据可以包括：候选用户的基本信息、候选用户对看过视频点赞的行为信息和候选用户历史播放的视频信息等，这些信息都可以认为是候选用户的历史播放行为数据的多维度向量，某一维度向量可以为0，例如用户的历史播放视频信息为0，但并不以此为限。该候选视频数据可以包括：该候选视频的视频内容、播放时长、视频封面、视频关键帧、视频的用户点赞率等，这些信息都可以认为是候选视频数据的多维度向量，某一维度向量可以为0，例如：视频的用户点赞率为0，但并不以此为限。

例如：若选定候选用户后，可以根据候选用户的用户信息抽取候选用户的历史播放行为数据和候选视频数据。该用户信息可以是用户的性别、年龄等信息。

需要说明的是，用户信息还可以通过第三方平台获取，例如：可以根据用户注册的播放视频app(application，应用程序)，根据注册时填写的个人信息获取到用户信息。还可以通过其他方式获取用户信息，本发明实施例对此不做限定。

步骤102、根据候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，其中，输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息。

具体地，根据候选用户的历史播放行为数据的多维度向量和候选视频数据的多维度向量，对预设多模态模型的输入数据进行提取，得到输入数据中候选用户的兴趣信息包括：候选用户特征、候选用户行为、候选视频的候选特征和候选用户的历史播放视频的上下文特征；得到输入数据中候选视频的反馈信息可以包括：候选视频的封面特征和候选视频的关键帧特征；得到输入数据中候选用户的交互信息可以包括：候选用户特征和候选视频的候选特征。

需要说明的是，候选用户特征可以是静态特征，包括：候选用户的年龄、性别等信息，候选用户的行为特征可以是候选用户在一定时间段内浏览、点赞和收藏的历史播放视频信息，候选视频的候选特征可以是对候选视频进行抽取，得到的候选视频的封面信息和候选视频播放过程中的关键帧。上下文特征可以是候选用户点击历史播放视频的分布时间，候选视频的封面特性可以是候选视频未点击前候选视频的封面信息，候选视频的关键帧特征可以是从该候选视频所有的视频帧中的抽取得到的关键帧。

例如：通过调取候选用户的历史播放行为数据和候选视频数据，可以得到某候选用户为女性，年龄25岁，该候选用户在过去的一个月中点击美妆、招聘、综艺相亲类的节目比较多，多次对综艺相亲类的节目进行点赞和评论，该候选用户点击视频的时间集中在晚上八点到晚上十点之间，可以通过这些信息提取到该候选用户的候选用户特征、候选用户的行为特征、上下文特征分别是：女性(性别)、25岁(年龄)、该候选用户在过去一个月中点击美妆、招聘、综艺相亲类的视频点击次数及对综艺相亲类的节目进行点赞和评论(候选用户行为特征)；点击视频的时间集中在晚上八点到晚上十点之间(上下文特征)。

步骤103、根据输入数据通过预设多模态模型的各个模块训练得到视频点击率预估模型。

具体地，可以通过预设多模态模型对多个输入数据进行训练，训练时可通过多个模块分别进行同时训练，最终通过每一模块训练的结果得到视频点击率预估模型。

需要说明的是，多个模块中每一模块输入的数据可以是相同的，但是每一模块训练的侧重点根据本模块而决定，各个模块训练的侧重点均不相同，进而每一模块训练得到的结果也均不相同。

例如：若模块为用户兴趣分析模块，则用户兴趣分析模块的输出的是和用户兴趣相关的数据。

步骤104、获取待推荐用户数据和待推荐视频数据，通过视频点击率预估模型得到待推荐用户点击待推荐视频的点击率预测值。

其中，待推荐用户数据可以包括：待推荐用户的基本信息、待推荐用户对视频点赞、收藏和评论的行为信息和待推荐用户的历史播放视频信息等，该待推荐视频数据可以包括：该待预测视频的视频内容、播放时长、视频封面、视频关键帧、视频的用户点赞率等。

具体地，在获取待推荐用户数据和待推荐视频数据之后，将待推荐用户数据和待推荐视频数据输入视频点击率预估模型，通过视频点击率预估模型，最终可以得到待推荐视频的点击率预测值。

综上所述，本发明实施例提供的一种点击率预测方法，通过获取候选用户的历史播放行为和候选视频数据，结合候选用户的历史播放行为与候选视频数据提取得到多模态模型的输入数据，由于该输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息，并多模态模型的训练得到视频点击率预估模型，因为在多模态模型训练过程中考虑了候选视频与候选用户的交互信息，从而使得得到的视频点击率预估值更接近用户点击视频的真实情况，提高了预测待推荐视频点击率的准确性。

图2为本发明另一实施例提供的点击率预测方法的流程示意图，如图2所示，该方法包括：

步骤201、获取候选用户的历史播放行为数据和候选视频数据。

具体地，步骤201的过程与步骤101的过程类似，在此不再赘述。

步骤202、根据候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据。

具体地，输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息。

具体地，步骤202的过程与步骤102的过程类似，在此不再赘述。

步骤203、根据候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息通过预设多模态模型的各个模块进行训练。

具体地，可以根据预设多模态模型中的各个模块来对候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息进行训练，其中，该预设多模态模型的各个模块可以包括用户兴趣分析模块、视觉抽取模块和交叉特征学习模块，还可以包括其他的模块，具体可以根据实际情况来做，其中，用户兴趣分析模块可以对候选用户的兴趣信息数据进行训练得到该候选用户的兴趣信息数据每一维度的向量的权重，视觉抽取模块可以对候选视频的反馈信息数据进行训练得到每一维度的向量的权重，交叉特征学习模块可以对候选视频与候选用户的交互信息数据进行训练得到每一维度的向量的权重等，然后，再根据这些数据每一维度的权重，进行拼接操作，最终得到预设多模态模型的训练结果，其中，参照图3，该步骤具体的过程详细描述如下：

步骤2031、根据候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息，通过用户兴趣分析模块、视觉抽取模块和交叉特征学习模块，分别得到候选用户对候选视频的兴趣特征权重值、候选用户对候选视频的反馈特征权重值、以及候选用户和候选视频的交互特征权重值。

具体地，候选用户的兴趣信息可以包括：候选用户特征、候选用户行为、候选视频的候选特征和候选用户的历史播放视频的上下文特征；候选视频的反馈信息可以包括：候选视频的封面特征和候选视频的关键帧特征；候选用户的交互信息可以包括：候选用户特征和候选视频的候选特征。

根据候选用户特征、候选用户行为和候选用户的历史播放视频的上下文特征通过用户兴趣分析模块可以得到候选用户的兴趣特征，并将候选用户的兴趣特征与候选视频的候选特征进行比对，获取候选用户各个兴趣与候选视频各个兴趣之间的兴趣相似度，根据相似度最终得到候选用户对候选视频的兴趣特征权重值，根据候选视频的封面特征和候选视频的关键帧特征，可以得到候选视频被点击、收藏、评论等反馈信息，根据候选视频被点击、收藏和评论等信息获取候选用户对候选视频的反馈特征权重值。通过候选用户特征和候选视频的候选特征分析，可以获取候选用户点击过该候选视频发布者发布的其他视频的信息，通过候选用户点击过该候选视频发布者发布的其他视频的信息与候选视频进行分析，得到候选用户和候选视频的交互特征权重值。

例如：若该用户的性别是女性，年龄在于20-25岁之间，通过该女性的历史播放行为，可以获取该女性点击的历史播放视频，通过对历史播放视频封面信息和关键帧的抽取，可以判断出该女性的兴趣侧重于美妆、健身、教育，则可以抽取候选视频的封面信息和关键帧，判断候选视频中各个兴趣和该女性各个兴趣的相似度，最后可以得到该女性的每个兴趣与候选视频分析得到的兴趣之间的特征权重值。还可以通过该候选视频，获取该候选视频被点击、点赞和收藏的次数，根据该候选视频被点赞和收藏判断该女性点击、点赞和收藏该视频的各个概率，获取该女性对候选视频的反馈信息权重值。最后，还可以通过获取该女性点击过该候选视频发布者发布的其他视频，对其他视频和候选视频，抽取其他视频和候选视频的封面信息及其他视频和候选视频的关键帧进行计算，得到候选用户与候选视频之间的交叉特征信息权重值。

另外，对候选视频进行分析时可以分为两种情况，第一种可以是候选视频是一个新的视频，没有过任何用户看过。可以提取该候选视频的封面信息或者关键帧，结合候选用户的基本信息进行分析，得到用户对该候选视频的反馈信息权重值。第二种可以是作者发布了一个候选视频a，候选用户没有点击过，但是候选视频a被其他用户点击过，可以获取其他用户对候选视频a的收藏、点赞、评论等交流信息，可以对候选视频a的交流信息中的至少一项信息进行统计。

例如：可以获取该候选视频在某一时间段被点赞的次数，通过其他用户与候选视频的交流信息和提取候选视频的封面信息及关键帧进行分析候选用户与该候选视频之间的交叉信息权重值。

需要说明的是，对于从未观看过任何视频的用户可以从第三方平台调取该用户的基本信息，可以对该用户的基本信息、该候选视频的封面信息和候选视频播放过程中的关键帧进行分析。

步骤2032、将候选用户对候选视频的兴趣特征权重值、候选用户对候选视频的反馈特征权重值、以及候选用户和候选视频的交互特征权重值通过组合模型进行拼接操作。

其中，候选用户对候选视频的兴趣特征权重值可以是对候选视频分析后，候选视频中的各个兴趣占候选用户的对应的每个兴趣中所占的重要程度。候选用户对候选视频的反馈特征值可以是根据该候选视频的反馈信息中的每一种反馈信息，用户对该候选视频中每一种反馈信息的重要程度，候选用户和候选视频的交互特征权重值可以是根据该候选用户对候选视频发布者发布的其他视频的点击、点赞、收藏评论等情况计算的该用户对该候选视频点击、点赞、收藏和评论等所占的重要程度。

具体地，将用户兴趣分析模块得到的候选用户对候选视频的兴趣特征权重值、视觉抽取模块得到的候选用户对候选视频的反馈特征权重值，以及交叉特征学习模块得到的候选用户和候选视频的交互特征权重值，通过组合模型可以进行拼接操作。拼接后得到预设长度的组合特征向量。

需要说明得是，该预设长度的特征向量，可以是各个模块训练得的权重值对应的特征向量的组合向量。

步骤2033、将拼接后的数据经过两层激活函数，得到候选用户点击候选视频数据的点击率预测值。

具体地，将拼接得到各个模块训练后权重值对应的组合向量，经过两层激活函数处理，可以将组合向量中权重比较高的数据进行提取，筛选掉权重比较低的数据，最终得到了一组权重比较高的数据，根据得到的一组权重比较高的数据，可以得到候选用户点击候选视频数据的点击率预测值。

例如：若对候选视频分析后候选视频偏向美妆、时尚，则候选用户特征中的美妆、时尚对应的权重值则比较高，其他例如：体育和教育等兴趣方面的权重为0或者比较低，在经过拼接操作之后可以将体育和教育等兴趣方面的权重为0或者比较低的兴趣对应的权重去除，保留美妆、时尚比较高的权重对应的向量。

步骤204、将训练后的多模态模型通过对数损失函数和优化器进行优化，得到视频点击率预估模型。

具体地，得到候选视频数据的点击率预测值之后，可以将训练后的多模态模型通过对数损失函数和优化器进行优化，可以得到优化后的视频点击率预估模型。其中，损失函数可以包括：对数损失函数、平方损失函数、指数损失函数等，优化器可以包括；标准梯度下降法、批量梯度下降法、随机梯度下降法、动量优化法和自适应学习率优化法等。例如：对于稀疏数据，可以使用自适应学习率优化法，不需要手动调节参数，可以采用默认值。

需要说明的是，损失函数是用于衡量损失和错误程度的函数，损失函数越小，最终得到的视频点击率预估模型就越可以精确预估视频的点击率。通过优化器最终可以得到最优的视频点击率预估模型。

步骤205、获取待推荐用户数据和待推荐视频数据，通过视频点击率预估模型得到待推荐用户点击待推荐视频的点击率预测值。

步骤206的过程与步骤104的过程类似，在此不再赘述。

综上所述，本发明实施例提供的一种点击率预测方法，通过获取候选用户的历史播放行为和候选视频数据，结合候选用户的历史播放行为与候选视频数据提取得到多模态模型的输入数据，由于该输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息，并多模态模型的训练得到视频点击率预估模型，因为在多模态模型训练过程中考虑了候选视频与候选用户的交互信息，从而使得得到的视频点击率预估值更接近用户点击视频的真实情况，提高了预测待推荐视频点击率的准确性。

进一步地，将各个模块得到的多个权重值通过组合模型进行拼接操作，将拼接后的数据经过两层激活函数，得到候选视频用户点击候选视频数据的点击率预测值，将训练后的多模态模型通过对数损失函数和优化器，得到最优的视频点击率预估模型，使得视频点击率预估模型可以更加精确地预估出视频的点击率。

图4为本发明一实施例提供的点击率预测装置的示意图，如图4所示，该装置具体包括：

第一获取模块401，用于获取候选用户的历史播放行为数据和候选视频数据；

第二获取模块402，用于根据候选用户的历史播放行为数据和候选视频数据，提取预设多模态模型各个模块的输入数据，其中，输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息；

训练模块403，用于根据输入数据通过预设多模态模型的各个模块训练得到视频点击率预估模型；

第三获取模块404，用于获取待推荐用户数据和待推荐视频数据，通过视频点击率预估模型得到待推荐用户点击待推荐视频的点击率预测值。

可选的，训练模块403，具体用于根据候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息通过预设多模态模型的各个模块进行训练；将训练后的多模态模型通过对数损失函数和优化器进行优化，得到视频点击率预估模型。

可选的，训练模块403，还具体用于根据候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息，通过用户兴趣分析模块、视觉抽取模块和交叉特征学习模块，分别得到候选用户对候选视频的兴趣特征权重值、候选用户对候选视频的反馈特征权重值、以及候选用户和候选视频的交互特征权重值；将候选用户对候选视频的兴趣特征权重值、候选用户对候选视频的反馈特征权重值、以及候选用户和候选视频的交互特征权重值通过组合模型进行拼接操作；将拼接后的数据经过两层激活函数，得到候选用户点击候选视频数据的点击率预测值。

可选的，候选用户的兴趣信息包括：候选用户特征、候选用户行为、候选视频的候选特征和候选用户的历史播放视频的上下文特征。

可选的，候选视频的反馈信息包括：候选视频的封面特征和候选视频的关键帧特征。

可选的，候选视频与候选用户的交互信息包括：候选用户特征和候选视频的候选特征。

综上所述，本发明实施例提供的点击率预测装置，通过获取候选用户的历史播放行为和候选视频数据，结合候选用户的历史播放行为与候选视频数据提取得到多模态模型的输入数据，由于该输入数据包括候选用户的兴趣信息、候选视频的反馈信息、以及候选视频与候选用户的交互信息，并多模态模型的训练得到视频点击率预估模型，因为在多模态模型训练过程中考虑了候选视频与候选用户的交互信息，从而使得得到的视频点击率预估值更接近用户点击视频的真实情况，提高了预测待推荐视频点击率的准确性。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsingnalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。

图5为本发明另一实施例提供的一种电子设备结构示意图，如图5所示，该设备可以集成于终端设备或者终端设备的芯片，该终端可以是具备点击率预测功能的计算设备。

该装置包括：存储器501、处理器502。

存储器501用于存储程序，处理器502调用存储器501存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。

本发明还提供了一种计算机可读存储介质，该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运行时执行如上述方法的实施例。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-onlymemory，简称：rom)、随机存取存储器(英文：randomaccessmemory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。