信息点状态确定方法、装置、电子设备及可读存储介质与流程

1.本发明涉及数据处理技术领域，具体而言，涉及一种信息点状态确定方法、装置、电子设备及可读存储介质。


背景技术：

2.随着生活节奏的加快，在人们在出去吃饭、看电影、进行各种娱乐和商业活动之前，都会预先在点评网站或点评应用中对目标商家的商家信息进行查看，通过目标商家的商家详情、用户评论以及用户评级信息，了解目标商家的商家状态信息(商家状态信息包括商家是否开业、营业时间等信息)、商品质量以及服务质量等信息。
3.目前，在点评网站或点评应用中每天收集大约百万数量的ugc(user generated content，人工生产数据)，ugc中包括用户评论信息，众多用户评论信息中存在大量描述商家状态信息的数据，区分此类数据对维持商家状态更新起到较大作用。
4.然而在相关技术中，仅通过人力核实ugc中描述的商家状态，会耗费大量的人力，且时效性较差，商家状态核实有滞后性。
5.可见，相关技术中针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种信息点状态确定方法、装置、电子设备及可读存储介质，以至少解决由于相关技术中依赖人力从用户评论中确定信息点状态，而导致消息点状态的确定效率低的技术问题。
7.根据本发明实施例的第一方面，提供了一种信息点状态确定方法，包括：获取目标信息点对应的用户评论内容，以及与所述用户评论内容关联的评论关联数据；根据所述用户评论内容以及所述评论关联数据输入至预先训练完成的状态分类模型中，以得到所述目标信息点对应的信息点状态。
8.可选地，在本实施例中，所述状态分类模型包括文本分类子网络以及数据分类子网络，其中，根据所述用户评论内容以及所述评论关联数据输入至预先训练完成的状态分类模型中，以得到所述目标信息点对应的信息点状态，以得到所述目标信息点对应的信息点状态包括：将所述用户评论内容输入至预先训练完成的文本分类子网络，以得到第一向量；将所述评论关联数据输入至预先训练完成的数据分类子网络，以得到第二向量；根据所述第一向量以及所述第二向量确定所述信息点状态。
9.可选地，在本实施例中，在获取目标信息点对应的用户评论内容，以及与所述用户评论内容关联的评论关联数据之前，还包括：获取预设服务器中存储的预设数量个信息点分别对应的评论数据以及信息点信息；根据所述预设数量个信息点分别对应的多组评论数据以及所述信息点信息构建训练数据集；根据所述训练数据集对所述状态分类模型进行训练。
10.可选地，在本实施例中，所述训练数据集中包括所述预设数量个样本数据，其中，
根据所述预设数量个信息点分别对应的多组评论数据以及所述信息点信息构建训练数据集，包括：根据所述信息点信息确定对应的信息点状态、信息点评分、评论数量；根据所述评论数据、所述信息点评分、所述评论数量以及所述信息点状态构建所述样本数据。
11.可选地，在本实施例中，所述样本数据包括第一样本数据以及第二样本数据，其中，根据所述评论数据、所述信息点评分、所述评论数量以及所述信息点状态构建所述样本数据，包括：对所述评论数据进行内容清洗，以得到用户评论数据；根据所述用户评论数据进行关键词筛选，以得到所述第一样本数据，其中，所述第一样本数据包括正样本数据以及负样本数据；根据所述信息点评分、所述评论数量、所述第一样本数据的文本长度以及所述信息点状态构建所述第二样本数据。
12.可选地，在本实施例中，在根据所述用户评论数据进行关键词筛选，以得到所述第一样本数据之后，还包括：在所述第一样本数据的文本长度小于预设长度阈值的情况下，根据所述第一样本数据的文本内容对将所述第一样本数据进行文本填充至所述预设长度阈值。
13.根据本发明实施例的第二方面，提供了一种信息点状态确定装置，包括：获取单元，用于获取目标信息点对应的用户评论内容，以及与所述用户评论内容关联的评论关联数据；处理单元，用于根据所述用户评论内容以及所述评论关联数据输入至预先训练完成的状态分类模型中，以得到所述目标信息点对应的信息点状态。
14.可选地，在本实施例中，所述状态分类模型包括文本分类子网络以及数据分类子网络，其中，所述处理单元包括：第一处理模块，用于将所述用户评论内容输入至预先训练完成的文本分类子网络，以得到第一向量；第二处理模块，用于将所述评论关联数据输入至预先训练完成的数据分类子网络，以得到第二向量；第一确定模块，用于根据所述第一向量以及所述第二向量确定所述信息点状态。
15.可选地，在本实施例中，还包括：获取单元，用于在获取目标信息点对应的用户评论内容，以及与所述用户评论内容关联的评论关联数据之前获取预设服务器中存储的预设数量个信息点分别对应的评论数据以及信息点信息；数据处理单元，用于根据所述预设数量个信息点分别对应的多组评论数据以及所述信息点信息构建训练数据集；训练单元，用于根据所述训练数据集对所述状态分类模型进行训练。
16.可选地，在本实施例中，所述训练数据集中包括所述预设数量个样本数据，其中，所述数据处理单元包括：确定模块，用于根据所述信息点信息确定对应的信息点状态、信息点评分、评论数量；数据处理模块，用于根据所述评论数据、所述信息点评分、所述评论数量以及所述信息点状态构建所述样本数据。
17.可选地，在本实施例中，所述样本数据包括第一样本数据以及第二样本数据，其中，所述数据处理模块包括：第一数据处理子模块，用于对所述评论数据进行内容清洗，以得到用户评论数据；第二数据处理子模块，用于根据所述用户评论数据进行关键词筛选，以得到所述第一样本数据，其中，所述第一样本数据包括正样本数据以及负样本数据；第三数据处理子模块，用于根据所述信息点评分、所述评论数量、所述第一样本数据的文本长度以及所述信息点状态构建所述第二样本数据。
18.可选地，在本实施例中，所述数据处理模块包还包括：第四数据处理子模块，用于在根据所述用户评论数据进行关键词筛选，以得到所述第一样本数据之后，在所述文本长
度小于预设长度阈值的情况下，对将所述第一样本数据进行文本填充至所述预设长度阈值。
19.根据本发明实施例的第三方面，还提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的信息点状态确定方法的步骤。
20.根据本发明实施例的第四方面，还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的信息点状态确定方法的步骤。
21.在本发明实施例中，通过获取目标信息点对应的用户评论内容，以及与用户评论内容关联的评论关联数据；根据用户评论内容以及评论关联数据输入至预先训练完成的状态分类模型中，以得到目标信息点对应的信息点状态。达到了在不依赖人力资源的情况下基于用户评论内容确定信息点状态的目的，从而实现了提升信息点状态的获取效率与准确度的技术效果，进而解决了由于相关技术中依赖人力从用户评论中确定信息点状态，而导致消息点状态的确定效率低的技术问题。
附图说明
22.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
23.图1是根据本发明实施例的一种可选的信息点状态确定方法的流程示意图；
24.图2是根据本发明实施例的一种可选的状态分类模型的结构示意图；
25.图3是根据本发明实施例的一种可选的信息点状态确定装置的结构示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
27.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
28.实施例1
29.根据本发明实施例，提供了一种信息点状态确定方法，如图1所示，该方法包括：
30.s102，获取目标信息点对应的用户评论内容，以及与用户评论内容关联的评论关联数据；
31.本发明实施例中所述的目标信息点poi(point of information)可以为地理位置、景点、服务、商品等任何网络平台上的用户可查询以及撰写用户评论内容的对象。本发明实施例中所述的评论关联数据包括但不限于目标poi的用户评论数量、评分等级以及用户评论内容的文本长度，也可以是用户评论内容的其他衍生数据，本实施例中对此不做任何限定。
32.具体实施时，通过预设平台的poi查询入口或者poi的评论信息可以获取到针对目标poi的用户评论内容以及对应的评论关联数据。进一步地，预设平台根据获取的查询输入的目标poi，召回与目标poi对应的预设时间内的用户评论内容以及对应的评论关联数据。例如，在确定某餐厅的餐厅状态过程中，通过预设平台获取该餐厅在一个月内的用户评论、用户评论的文本长度、评论数量以及餐厅的评分等级。此时查询输入为“某餐厅”，该餐厅为目标poi，用户评论内容为用户评论的文本内容，评论关联数据为用户评论的文本长度、评论数量以及餐厅的评分等级。
33.s104，根据用户评论内容以及评论关联数据输入至预先训练完成的状态分类模型中，以得到目标信息点对应的信息点状态。
34.接下来，对于某个目标poi，将用户评论内容以及评论关联数据输入至预先训练完成的状态分类模型，由状态分类模型根据获取的用户评论内容以及评论关联数据，确定目标poi的信息点状态。其中，评论关联数据包括以下任意一种或多种：用户评论的文本长度以及评论数量、用户评论的文本长度以及餐厅的评分等级、用户评论的文本长度、评论数量以及餐厅的评分等级。
35.本实施例具体实施时，首先需要训练状态分类模型。本实施例中，根据用户对poi的用户评论内容以及评论关联数据，构建训练数据集。
36.可选地，在本实施例中，在获取目标信息点对应的用户评论内容，以及与用户评论内容关联的评论关联数据之前，还包括但不限于：获取预设服务器中存储的预设数量个信息点分别对应的评论数据以及信息点信息；根据预设数量个信息点分别对应的多组评论数据以及信息点信息构建训练数据集；根据训练数据集对状态分类模型进行训练。
37.具体地，在本实施例中，获取网络平台中存储的评论数据，评论数据包括但不限于用户评论内容以及对应的评论关联数据。通常，用户在预设服务器上的每一次用户评论都会生成一条用户评论记录，即评论数据，预设服务器上存储的评论数据至少包括以下信息：poi状态、poi标识、用户评论内容、用户评论的文本长度、评论时间、评论数量以及餐厅的评分等级。
38.可选地，在本实施例中，训练数据集中包括预设数量个样本数据，其中，根据预设数量个信息点分别对应的多组评论数据以及信息点信息构建训练数据集，包括但不限于：根据信息点信息确定对应的信息点状态、信息点评分、评论数量；根据评论数据、信息点评分、评论数量以及信息点状态构建样本数据。
39.需要说明的是，在本实施例中，预设数量的具体取值可以根据实际经验进行设置，本实施例中对此不做任何限定。
40.然后，基于评论数据构建训练数据集，具体地，根据poi对应的评论数据进行处理，可以得到样本数据。每条样本数据包括poi状态、poi标识、用户评论内容、用户评论的文本长度、评论时间、评论数量以及餐厅的评分等级等信息。本实施例的一个例子中，将每个样
本数据表示为一个七元组，包括《poi状态，poi标识，用户评论内容，用户评论的文本长度，评论时间，评论数量，餐厅的评分等级》。之后，根据构建完成的训练数据集对状态分类模型进行训练，以得到拟合的状态分类模型。
41.可选地，在本实施例中，样本数据包括第一样本数据以及第二样本数据，其中，根据评论数据、信息点评分、评论数量以及信息点状态构建样本数据，包括但不限于：对评论数据进行内容清洗，以得到用户评论数据；根据用户评论数据进行关键词筛选，以得到第一样本数据，其中，第一样本数据包括正样本数据以及负样本数据；根据信息点评分、评论数量、第一样本数据的文本长度以及信息点状态构建第二样本数据。
42.在实际的应用场景中，在预设服务器中对目标poi的用户评论内容中，必然会存在一些无效数据，例如与poi状态无关的数据，用户灌水内容。因此，在基于poi对应的评论数据构建训练数据集之前，首先对评论数据进行处理，以剔除无效数据。
43.具体地，在本实施例中，根据预设算法对评论数据中的用户评论内容进行内容清洗，以得到用户评论数据，用户评论数据是与poi的状态呈相关的数据，例如poi的状态为物品的有/无货状态，或poi的状态为餐厅的开/关业状态，用户评论数据与上述的poi的状态呈正相关后负相关。例如某平台中某餐厅的用户评论数据中，包括“这家店不好吃”、“已经关门了”、“没人了，人都走光了”三组评论数据，对该三组评论数据进行内容清洗，得到的用户评论数据为“已经关门了”、“没人了，人都走光了”。
44.在上述例子中，若某平台中该餐厅的信息点状态为关业状态，对上述“已经关门了”、“没人了，人都走光了”两组用户评论数据进行筛选，结合该餐厅信息点状态，则确定上述两组用户评论数据为负相关的第一样本数据，即负样本数据。
45.需要说明的是，作为一种可选地实施方式，在本实施例中，根据tf-idf(term frequency
–
inverse document frequency，词频-逆向文件频率)算法对用户评论数据进行关键词筛选，筛选出证样本数据以及负样本数据。
46.可选地，在本实施例中，在根据用户评论数据进行关键词筛选，以得到第一样本数据之后，还包括但不限于：在第一样本数据的文本长度小于预设长度阈值的情况下，根据第一样本数据的文本内容对将第一样本数据进行文本填充至预设长度阈值。
47.具体地，在上述例子中，得到第一样本数据分别为“已经关门了”、“没人了，人都走光了”。若预设长度阈值为15个字符，则分别对上述两组第一样本数据进行文本填充，例如，对第一样本数据“已经关门了”进行文本填充，得到“已经关门了已经关门了已经关门了”；对第一样本数据“没人了，人都走光了”进行文本填充，得到“没人了，人都走光了没人了，人都走光”。
48.然后，根据信息点评分、评论数量、第一样本数据的文本长度以及信息点状态构建第二样本数据包括但不限于根据用户评论的文本长度、评论时间、评论数量以及餐厅的评分等级等数据构建第二样本数据。
49.在本实施例中，模型的训练过程，就是不断优化模型参数，使得根据模型参数对模型输入执行特征映射后，得到的隐层向量与输出目标无限接近的过程。通过上述实施例，基于评论数据构建第一样本数据以及第二样本数据两个维度的数据来预测目标poi的状态，以提升预测结果的准确度。
50.可选地，在本实施例中，状态分类模型包括文本分类子网络以及数据分类子网络，
其中，根据用户评论内容以及评论关联数据输入至预先训练完成的状态分类模型中，以得到目标信息点对应的信息点状态，包括但不限于：将用户评论内容输入至预先训练完成的文本分类子网络，以得到第一向量；将评论关联数据输入至预先训练完成的数据分类子网络，以得到第二向量；根据第一向量以及第二向量确定信息点状态。
51.接下来，基于构建的训练数据集训练所述状态分类模型。以用户评论内容以及对应的评论关联数据作为模型输入，以所述目标信息点的状态为目标，训练状态分类模型。其中，该状态分类模型包括文本分类子网络以及数据分类子网络。在本实施例中，基于文本分类子网络以及数据分类子网络构建状态分类模型，所述状态分类模型的输入为针对同一poi的多条用户评论内容和poi对应的评论关联数据，模型的输出为poi对应的状态，该状态具体为一个概率数值。
52.如图2所示，该状态分类模型包括：文本分类子网络210、数据分类子网络220、合并层230。其中，文本分类子网络210的输出端以及数据分类子网络220的输出端分别于合并层230的输入端连接，文本分类子网络210用于对用户评论内容进行处理，确定用户评论内容的融合特征的向量表示，得到第一向量；数据分类子网络220用于对评论关联数据进行处理，确定平乱关联数据中的多维度特征融合后的向量表示，得到第二向量；合并层230用于对第一向量以及第二向量进行合并，并对合并向量经过激励函数处理，以得到目标poi的信息点状态。
53.在本实施例中的状态分类模型训练过程中，每条样本数据中作为模型输入的数据包括：poi标识、poi状态多条用户评论内容以及对应的评论关联数据。本发明的一些实施例中，通过文本分类子网络确定多条用户评论内容之间的关联信息、每条用户评论内容与poi状态的相似性信息，确定每条用户评论内容的综合向量表示；通过数据分类子网络确定评论关联数据与poi状态的相似性信息，确定评论关联数据的综合向量表示。
54.作为一种可选地实施方案，在本实施例中，每隔预设时间可以基于目标poi在预设服务器或预设平台中的用户评论内容以及评论关联数据，确定目标poi的信息点状态，以对目标poi的信息点状态进行更新。具体地预设时间可以根据选取的用户评论内容的时限进行更新。例如，每隔一个月对某餐厅的餐厅状态进行更新，更新所需的用户评论内容选取该餐厅在一个月以内的用户评论内容；每隔一个星期对某购物网站上的某货品的货品状态进行更新，更新所需的用户评论内容则选取在一周内对该物品的用户评论内容。
55.通过本实施例，获取目标信息点对应的用户评论内容，以及与用户评论内容关联的评论关联数据；根据用户评论内容以及评论关联数据输入至预先训练完成的状态分类模型中，以得到目标信息点对应的信息点状态，达到了在不依赖人力资源的情况下基于用户评论内容确定信息点状态的目的，从而实现了提升信息点状态的获取效率与准确度的技术效果，进而解决了由于相关技术中依赖人力从用户评论中确定信息点状态，而导致消息点状态的确定效率低的技术问题。
56.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
57.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
58.实施例2
59.根据本发明实施例，还提供了一种用于实施上述信息点状态确定方法的信息点状态确定装置，如图3所示，该装置包括：
60.1)获取单元30，用于获取目标信息点对应的用户评论内容，以及与所述用户评论内容关联的评论关联数据；
61.2)处理单元32，用于根据所述用户评论内容以及所述评论关联数据输入至预先训练完成的状态分类模型中，以得到所述目标信息点对应的信息点状态。
62.可选地，在本实施例中，所述状态分类模型包括文本分类子网络以及数据分类子网络，其中，所述处理单元32包括：
63.1)第一处理模块，用于将所述用户评论内容输入至预先训练完成的文本分类子网络，以得到第一向量；
64.2)第二处理模块，用于将所述评论关联数据输入至预先训练完成的数据分类子网络，以得到第二向量；
65.3)第一确定模块，用于根据所述第一向量以及所述第二向量确定所述信息点状态。
66.可选地，在本实施例中，还包括：
67.1)获取单元，用于在获取目标信息点对应的用户评论内容，以及与所述用户评论内容关联的评论关联数据之前获取预设服务器中存储的预设数量个信息点分别对应的评论数据以及信息点信息；
68.2)数据处理单元，用于根据所述预设数量个信息点分别对应的多组评论数据以及所述信息点信息构建训练数据集；
69.3)训练单元，用于根据所述训练数据集对所述状态分类模型进行训练。
70.可选地，在本实施例中，所述训练数据集中包括所述预设数量个样本数据，其中，所述数据处理单元包括：
71.1)确定模块，用于根据所述信息点信息确定对应的信息点状态、信息点评分、评论数量；
72.2)数据处理模块，用于根据所述评论数据、所述信息点评分、所述评论数量以及所述信息点状态构建所述样本数据。
73.可选地，在本实施例中，所述样本数据包括第一样本数据以及第二样本数据，其中，所述数据处理模块包括：
74.1)第一数据处理子模块，用于对所述评论数据进行内容清洗，以得到用户评论数据；
75.2)第二数据处理子模块，用于根据所述用户评论数据进行关键词筛选，以得到所
述第一样本数据，其中，所述第一样本数据包括正样本数据以及负样本数据；
76.3)第三数据处理子模块，用于根据所述信息点评分、所述评论数量、所述第一样本数据的文本长度以及所述信息点状态构建所述第二样本数据。
77.可选地，在本实施例中，所述数据处理模块包还包括：
78.4)第四数据处理子模块，用于在根据所述用户评论数据进行关键词筛选，以得到所述第一样本数据之后，在所述文本长度小于预设长度阈值的情况下，对将所述第一样本数据进行文本填充至所述预设长度阈值。
79.通过本实施例提出的信息点状态确定装置，获取目标信息点对应的用户评论内容，以及与用户评论内容关联的评论关联数据；根据用户评论内容以及评论关联数据输入至预先训练完成的状态分类模型中，以得到目标信息点对应的信息点状态，达到了在不依赖人力资源的情况下基于用户评论内容确定信息点状态的目的，从而实现了提升信息点状态的获取效率与准确度的技术效果，进而解决了由于相关技术中依赖人力从用户评论中确定信息点状态，而导致消息点状态的确定效率低的技术问题。
80.实施例3
81.根据本发明实施例，还提供了一种用于实施上述信息点状态确定方法的电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上所述的信息点状态确定方法的步骤。
82.可选地，在本实施例中，存储器被设置为存储用于执行以下步骤的程序代码：
83.s1，获取目标信息点对应的用户评论内容，以及与所述用户评论内容关联的评论关联数据；
84.s2，根据所述用户评论内容以及所述评论关联数据输入至预先训练完成的状态分类模型中，以得到所述目标信息点对应的信息点状态。
85.可选地，本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例，本实施例在此不再赘述。
86.实施例4
87.本发明的实施例还提供了一种存储介质。所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的信息点状态确定方法的步骤。
88.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
89.s1，获取目标信息点对应的用户评论内容，以及与所述用户评论内容关联的评论关联数据；
90.s2，根据所述用户评论内容以及所述评论关联数据输入至预先训练完成的状态分类模型中，以得到所述目标信息点对应的信息点状态。
91.可选地，存储介质还被设置为存储用于执行上述实施例1中的方法中所包括的步骤的程序代码，本实施例中对此不再赘述。
92.可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
93.可选地，本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例，本实施例在此不再赘述。
94.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
95.上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
96.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
97.在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
98.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。
99.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，也可以采用软件功能单元的形式实现。
100.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。