身份确定方法、存储介质及电子装置与流程

1.本技术涉及智慧家庭技术领域，具体而言，涉及一种身份确定方法、存储介质及电子装置。


背景技术：

2.近些年来，智能家居行业发展迅速，人们可以在不同场景和应用中使用智能家居产品，使得智能产品与用户实现随时随地交互，提高和改善用户的生活体验。而当前用户在家庭中使用智能设备的过程中，经常会因为用户注册过程繁琐，或者担心用户信息泄露等各种原因，没有在设备端进行用户身份注册，导致设备无法识别用户身份信息，也无法进行相关信息推荐。还存在一个多人家庭只有一人进行用户身份注册，但是全家多人使用设备的情况，也会导致无法准确识别真实用户的身份的问题，也会引起信息推送的不精准。即相关技术中对用户身份识别的准确率较低。
3.因此，针对相关技术中，如何提高用户身份识别的准确率的问题，尚未提出有效的解决方案。


技术实现要素：

4.本技术实施例提供了一种身份确定方法和装置、存储介质及电子装置，以至少解决相关技术中如何提高用户身份识别的准确率的问题。
5.根据本技术实施例的一个实施例，提供了一种身份确定方法，包括：获取目标对象的目标数据，其中，所述目标数据由所述目标对象在操作第一终端时所生成的并上传至服务端的数据；基于所述目标数据确定所述目标对象的目标特征；基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果，其中，所述目标数据模型是基于第一对象在过去预定时段内操作所述第一终端时所生成的数据而建立的，所述第一对象包括所述目标对象；在所述分析结果指示所述目标数据模型中存在与所述目标特征匹配的匹配特征的情况下，基于所述匹配特征确定所述目标对象的身份。
6.在一个示例性实施例中，在基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果之前，所述方法包括：获取第一数据组，其中，所述第一数据组包括所述第一对象在所述预定时段内操作所述第一终端时所生成的并上传至所述服务端的第一数据；按照数据属性将所述第一数据组中包括的每个所述第一数据进行分类，以得到多元组数据，其中，所述第一数据中包括多个不同类型数据属性的数据，所述多元组数据中包括的每个元组数据的所述数据属性为同一类型；基于所述多元组数据建立所述目标数据模型。
7.在一个示例性实施例中，基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果包括：分析所述多元组数据中所包括的每个所述元组数据的分布特征；基于每个所述元组数据的分布特征确定每个所述元组数据的第一特征；基于所述第一特征对所述目标特征进行分析，以得到所述分析结果。
8.在一个示例性实施例中，基于每个所述元组数据的分布特征确定每个所述元组数
据的第一特征包括：基于每个所述元组数据的分布特征将每个所述元组数据划分为一个或多个子组数据；确定一个或多个所述子组数据中包括的每个所述子组数据的特征值；将每个所述子组数据的所述数据属性与所述特征值确定为每个所述子组数据的第二特征；基于每个所述子组数据的所述第二特征确定每个所述元组数据的第一特征。
9.在一个示例性实施例中，基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果包括：将每个所述元组数据的第一特征中包括的各个特征与所述目标特征进行匹配，得到匹配结果；基于所述匹配结果确定所述分析结果。
10.在一个示例性实施例中，基于所述匹配特征确定所述目标对象的身份包括：确定所述目标特征的目标特征值；在所述分析结果指示所述第一特征中所包括的目标第二特征的特征值与所述目标特征值满足预设条件的情况下，将所述目标第二特征确定为所述匹配特征；基于所述匹配特征确定所述目标对象的身份。
11.在一个示例性实施例中，所述第二特征的特征值包括：用于表示所述第二特征所对应的子组数据的平均值，用于表示所述第二特征所对应的子组数据的方差；所述预设条件包括：所述目标特征值与所述平均值之间的差值小于或等于所述方差。
12.在一个示例性实施例中，基于所述匹配特征确定所述目标对象的身份包括：确定所述匹配特征所对应的匹配数据；将通过操作所述第一终端而生成所述匹配数据的对象的身份确定为所述目标对象的身份。
13.在一个示例性实施例中，在基于所述匹配特征确定所述目标对象的身份之后，所述方法还包括：向所述目标对象推送消息。
14.在一个示例性实施例中，获取目标对象的目标数据包括：获取所述目标对象在预设时长内操作所述第一终端所生成的并上传至所述服务端的数据，其中，所述第一终端中包括一个或多个终端。
15.在一个示例性实施例中，所述目标数据包括以下至少之一：第一元数据，其中，所述第一元数据用于指示所述目标对象的身份属性的数据；第二元数据，其中，所述第二元数据用于指示所述目标对象操作所述第一终端的时间属性的数据；第三元数据，其中，所述第三元数据用于指示所述目标对象操作所述第一终端的位置属性的数据；第四元数据，其中，所述第四元数据用于指示所述目标对象通过操作所述第一终端所产生的满足关联关系的行为数据；第五元数据，其中，所述第五元数据用于指示所述目标对象操作所述第一终端的意图属性的数据。
16.根据本技术实施例的另一个实施例，还提供了一种身份确定装置，包括：第一获取模块，用于获取目标对象的目标数据，其中，所述目标数据由所述目标对象在操作第一终端时所生成的并上传至服务端的数据；第一确定模块，用于基于所述目标数据确定所述目标对象的目标特征；分析模块，用于基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果，其中，所述目标数据模型是基于第一对象在过去预定时段内操作所述第一终端时所生成的数据而建立的，所述第一对象包括所述目标对象；第二确定模块，用于在所述分析结果指示所述目标数据模型中存在与所述目标特征匹配的匹配特征的情况下，基于所述匹配特征确定所述目标对象的身份。
17.根据本技术实施例的又一个实施例，还提供了一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述任一项方法实施
例中的步骤。
18.根据本技术实施例的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行上述任一项方法实施例中的步骤。
19.通过本发明，通过获取目标对象当前次操作第一终端时所生成的目标数据并基于目标数据确定目标对象的目标特征，然后基于预先建立的目标数据模型对目标特征进行分析，目标数据模型是依据过去预定时段内包括目标对象在内的第一对象操作第一终端时所生成的数据而建立的，即依据第一对象的历史数据建立的目标数据模型，当分析结果指示目标数据模型中存在与目标特征匹配的匹配特征的情况下，可基于匹配特征确定目标对象的身份。实现了在目标对象未注册的情况下也可基于预先建立的目标数据模型识别目标对象的身份的目的，也可实现在只有一个对象注册而多个对象使用的情况下，基于目标数据模型识别每个对象的身份的目的，从而进一步实现对每个对象进行消息推送的目的。解决了相关技术中存在的无法识别用户身份或识别准确率低的问题，达到了提高身份识别的准确率的效果。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
21.为了更清楚地说明本技术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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
22.图1是本技术实施例的一种身份确定方法的硬件环境示意图；
23.图2是相关技术中的用户身份识别方法的流程图；
24.图3是根据本技术实施例的一种身份确定方法的流程图；
25.图4是根据本技术实施例的一种用户身份识别方法的流程图；
26.图5是根据本技术具体实施例的体脂秤数据分析示例图一；
27.图6是根据本技术具体实施例的体脂秤数据分析示例图二；
28.图7是根据本技术具体实施例的热水器数据分析示例图一；
29.图8是根据本技术具体实施例的热水器数据分析示例图二；
30.图9是根据本技术具体实施例的热水器数据分析示例图三；
31.图10是根据本技术具体实施例的热水器数据分析示例图四；
32.图11是根据本技术具体实施例的空调数据分析示例图一；
33.图12是根据本技术具体实施例的空调数据分析示例图二；
34.图13是根据本技术具体实施例的空调数据分析示例图三；
35.图14是根据本技术具体实施例的空调数据分析示例图四；
36.图15是根据本技术实施例的用户身份识别方法的流程示意图；
37.图16是根据本技术实施例的一种身份确定装置的结构框图。
具体实施方式
38.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
39.需要说明的是，本技术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，以便这里描述的本技术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。
40.根据本技术实施例的一个方面，提供了一种智能家居设备的交互方法。该智能家居设备的交互方法广泛应用于智慧家庭(smart home)、智能家居、智能家用设备生态、智慧住宅(intelligence house)生态等全屋智能数字化控制应用场景。可选地，在本实施例中，上述智能家居设备的交互方法可以应用于如图1所示的由终端设备102和服务器104所构成的硬件环境中。如图1所示，服务器104通过网络与终端设备102进行连接，可用于为终端或终端上安装的客户端提供服务(如应用服务等)，可在服务器上或独立于服务器设置数据库，用于为服务器104提供数据存储服务，可在服务器上或独立于服务器配置云计算和/或边缘计算服务，用于为服务器104提供数据运算服务。
41.上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络可以包括但不限于以下至少之一：wifi(wireless fidelity，无线保真)，蓝牙。终端设备102可以并不限定于为pc、手机、平板电脑、智能空调、智能烟机、智能冰箱、智能烤箱、智能炉灶、智能洗衣机、智能热水器、智能洗涤设备、智能洗碗机、智能投影设备、智能电视、智能晾衣架、智能窗帘、智能影音、智能插座、智能音响、智能音箱、智能新风设备、智能厨卫设备、智能卫浴设备、智能扫地机器人、智能擦窗机器人、智能拖地机器人、智能空气净化设备、智能蒸箱、智能微波炉、智能厨宝、智能净化器、智能饮水机、智能门锁等。
42.在相关技术中，用户身份识别方法需要依赖于用户为注册用户，如图2所示，图2是相关技术中的用户身份识别方法的流程图，该方法需要用户提前在设备端进行用户身份注册，系统生成用户id并存储，同时在设备端保留明显的用户特征信息；然后，在用户后续使用设备时，设备端自动采集用户行为相关信息，需要分析匹配用户特征信息，进行用户身份识别。相关技术中的用户身份识别方法存在以下缺点：1)如果用户未注册或者用户特征缺失，则无法识别用户身份；2)如果用户在设备端已经注册，但是在设备使用过程中，如果多人操作，会生成形态各异的使用结果，也会引起用户身份识别的困难。
43.在本实施例中提供了一种身份确定方法，图3是根据本技术实施例的一种身份确定方法的流程图，如图3所示，该流程包括如下步骤：
44.步骤s302，获取目标对象的目标数据，其中，所述目标数据由所述目标对象在操作
第一终端时所生成的并上传至服务端的数据；
45.步骤s304，基于所述目标数据确定所述目标对象的目标特征；
46.步骤s306，基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果，其中，所述目标数据模型是基于第一对象在过去预定时段内操作所述第一终端时所生成的数据而建立的，所述第一对象包括所述目标对象；
47.步骤s308，在所述分析结果指示所述目标数据模型中存在与所述目标特征匹配的匹配特征的情况下，基于所述匹配特征确定所述目标对象的身份。
48.通过上述步骤，通过获取目标对象当前次操作第一终端时所生成的目标数据并基于目标数据确定目标对象的目标特征，然后基于预先建立的目标数据模型对目标特征进行分析，目标数据模型是依据过去预定时段内包括目标对象在内的第一对象操作第一终端时所生成的数据而建立的，即依据第一对象的历史数据建立的目标数据模型，当分析结果指示目标数据模型中存在与目标特征匹配的匹配特征的情况下，可基于匹配特征确定目标对象的身份。实现了在目标对象未注册的情况下也可基于预先建立的目标数据模型识别目标对象的身份的目的，也可实现在只有一个对象注册而多个对象使用的情况下，基于目标数据模型识别每个对象的身份的目的，从而进一步实现对每个对象进行消息推送的目的。解决了相关技术中存在的无法识别用户身份或识别准确率低的问题，达到了提高身份识别的准确率的效果。
49.其中，上述步骤的执行主体可以为服务器，或服务端，或云端，例如，数据计算服务器，或者为配置在存储设备上的具备人机交互能力的处理器，或者为具备类似处理能力的处理设备或处理单元等，但不限于此。下面以数据计算服务器执行上述操作为例(仅是一种示例性说明，在实际操作中还可以是其他的设备或模块来执行上述操作)进行说明：
50.在上述实施例中，数据计算服务器获取目标对象的目标数据，目标数据由目标对象在操作第一终端时所生成的并上传至服务端的数据，目标数据可包括一维或多维数据，例如，以第一终端为空调为例，目标数据可包括目标对象打开空调的时间，设置空调的温度，设置的空调模式，空调所在的位置等数据，当然，如果目标对象为已注册用户的话，目标数据中也可包括目标对象的用户数据，即用户的个人相关信息，可选地，在实际应用中，第一终端还可包括多个终端或设备；再基于目标数据确定目标对象的目标特征，目标特征可以是目标对象操作第一终端的行为特征，如打开空调，设置空调的参数等行为，目标特征还可以是目标对象操作第一终端的时间特征，例如，每天晚上8点钟，或早上6点钟等，当然，目标特征还可是其它特征，此外，目标特征可以包括一个特征，也可以包括多个特征；再基于预先建立的目标数据模型对目标特征进行分析，以得到分析结果，目标数据模型是对包括上述目标对象在内的第一对象在过去预定时段内(如一个月，或7天，或10天，或其它时段)操作第一终端时所生成的数据而建立的，即目标数据模型是基于多个对象的历史数据所建立的，而多个对象中可能只有一个对象为注册用户，也可能多个对象均为未注册用户，而在实际应用中，可对多个对象的历史数据进行分析，例如，对历史数据的分布特征进行分析，以得到一个或多个对象的特征；当分析结果指示目标数据模型中存在与目标特征匹配的匹配特征的情况下，可基于匹配特征确定目标对象的身份。实现了在目标对象未注册的情况下也可基于预先建立的目标数据模型识别目标对象的身份的目的，也可实现在只有一个对象注册而多个对象使用的情况下，基于目标数据模型识别每个对象的身份的目的，从而进
一步实现对每个对象进行消息推送的目的。解决了相关技术中存在的无法识别用户身份或识别准确率低的问题，达到了提高身份识别的准确率的效果。
51.在一个可选的实施例中，在基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果之前，所述方法包括：获取第一数据组，其中，所述第一数据组包括所述第一对象在所述预定时段内操作所述第一终端时所生成的并上传至所述服务端的第一数据；按照数据属性将所述第一数据组中包括的每个所述第一数据进行分类，以得到多元组数据，其中，所述第一数据中包括多个不同类型数据属性的数据，所述多元组数据中包括的每个元组数据的所述数据属性为同一类型；基于所述多元组数据建立所述目标数据模型。在本实施例中，在对目标对象的目标特征进行分析之前，先建立目标数据模型，例如，先获取包括目标对象在内的第一对象(即多个对象)在过去预定时段内(如一个月，或7天，或10天，或其它时段)操作第一终端时所生成的数据，即第一数据组为多个对象的历史数据，这些历史数据都上传至服务端，第一数据组中包括多个第一数据，例如，第一数据为某个用户在过去某个时间操作某个设备或终端(如空调，或热水器)所生成的一条数据，第一数据中包括多种不同类型数据属性的数据，例如，第一数据中包括时间属性的数据，或位置属性的数据，或行为属性的数据等，当然，如果用户为已注册用户，那么第一数据中也可包括用户属性的数据，再按照数据属性将第一数据组中包括的每个第一数据进行分类，以得到多元组数据，多元组数据中包括的每个元组数据代表其中一种数据属性的数据，然后，基于多元组数据建立目标数据模型。例如，在实际应用中，多元组数据可包括用户元组数据，时间元组数据，位置元组数据，上下文元组数据，意图元组数据等其中的部分或全部，其中，上下文元组数据用于表示对象当前行为，前一行为，后一行为等连续行为信息。通过本实施例，实现了基于对象的历史数据建立目标数据模型的目的。
52.在一个可选的实施例中，基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果包括：分析所述多元组数据中所包括的每个所述元组数据的分布特征；基于每个所述元组数据的分布特征确定每个所述元组数据的第一特征；基于所述第一特征对所述目标特征进行分析，以得到所述分析结果。在本实施例中，通过分析多元组数据中包括的每个元组数据的分布特征，例如，每个元组数据中包括一个或多个对象在过去预定时段内多次操作第一终端所产生的数据，分析这些数据的分布特点，即分析每个元组数据的分布特征，然后基于每个元组数据的分布特征可确定每个元组数据的第一特征，以热水器上报的数据为例，例如，一个家庭中有两个用户在不同时间段使用热水器，其中一人每次打开热水器后习惯将温度设置为45℃左右，而另一人每次打开热水器后习惯将温度调成40℃左右，这样根据热水器上报的数据的分布特征可得出是由两个用户的操作产生的数据，即使该两个用户均为未注册用户，此时可根据用户在操作热水器设备时生成的行为属性数据，例如打开热水器的行为，及所设置的温度参数等作为相应的元组数据的第一特征，这样，当该两个用户在下次操作该设备时根据所生成的数据也可识别出每个用户的身份，需要说明的是，此处仅以打开热水器的行为及设置温度参数为例进行说明，实际应用中，可以包括多个行为属性的数据，例如，与当前行为有关的前一行为、后一行为等，多元组数据中可以包括多个第一特征，还可以包括其它元组数据的第一特征，例如，时间元组数据，位置元组数据等，可选地，还可包括用户对多个终端的连续操作行为所生成的多元组数据中的每个元组数据的第一特征，然后，基于第一特征与目标特征进行分析，以得到分析结果。通
过本实施例，实现了通过对多元组数据中包括的每个元组数据的分布特征进行分析以确定每个元组数据的第一特征，并基于第一特征对目标特征进行分析以得到分析结果的目的。
53.在一个可选的实施例中，基于每个所述元组数据的分布特征确定每个所述元组数据的第一特征包括：基于每个所述元组数据的分布特征将每个所述元组数据划分为一个或多个子组数据；确定一个或多个所述子组数据中包括的每个所述子组数据的特征值；将每个所述子组数据的所述数据属性与所述特征值确定为每个所述子组数据的第二特征；基于每个所述子组数据的所述第二特征确定每个所述元组数据的第一特征。在本实施例中，根据每个元组数据的分布特征将每个元组数据进行分组，以行为属性元组数据(或称为上下文元组数据)为例，结合前述打开热水器为例进行说明，该元组数据中包括两个未注册用户过去多次操作热水器时所生成的数据，其中一人每次打开热水器后习惯将温度设置为45℃左右，而另一人每次打开热水器后习惯将温度调成40℃左右，这样，根据该元组数据中所包括的所有数据的分布特征可将该元组数据划分为两个子组数据，其中每个子组数据对应一个用户，而用户的行为状态值分别对应上述45℃，40℃，可将每个用户的欣慰状态值作为对应每个子组数据的特征值，然后，将该特征值与该子组数据的数据属性确定为第二特征，例如，第二特征可以是打开热水器的行为，且特征值为45℃，可选地，在实际应用中，因为在每个用户在每次操作时可能会存在一点差别，因此，可基于多次的历史数据得出平均值及方差，当下次某个对象在操作热水器时所生成的数据的目标特征的特征值与第二特征中的特征值在一定误差范围内时，即可确认该对象为上述第二特征所在的子组数据所对应的用户；在确定每个子组数据的第二特征后，可确定每个元组数据的第一特征，第一特征中可包括一个或多个第二特征，同样的方法，也可得到多元组数据中其它元组数据的第一特征。通过本实施例，实现了基于每个元组数据的分布特征确定每个元组数据的第一特征的目的。
54.在一个可选的实施例中，基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果包括：将每个所述元组数据的第一特征中包括的各个特征与所述目标特征进行匹配，得到匹配结果；基于所述匹配结果确定所述分析结果。在本实施例中，将每个元组数据的第一特征中包括的各个特征与目标特征进行匹配，以得到匹配结果，第一特征中可能包括一个或多个第二特征，即将每个第二特征分别与目标特征进行匹配，例如，当第二特征的特征值与目标特征的特征值之间满足预设条件，例如误差在预设范围内，则可认为第二特征与目标特征是匹配的，若第二特征的特征值与目标特征的特征值之间不满足预设条件，则认为第二特征与目标特征是不匹配的。通过本实施例，实现了将第一特征中包括的各个特征对目标特征进行分析以得到分析结果的目的。
55.在一个可选的实施例中，基于所述匹配特征确定所述目标对象的身份包括：确定所述目标特征的目标特征值；在所述分析结果指示所述第一特征中所包括的目标第二特征的特征值与所述目标特征值满足预设条件的情况下，将所述目标第二特征确定为所述匹配特征；基于所述匹配特征确定所述目标对象的身份。在本实施例中，基于目标对象当前次操作第一终端所生成的数据，确定目标特征的目标特征值，例如，打开空调行为的行为状态值为26℃，可选地，在实际应用中，匹配特征可包括多个元组数据的第二特征，例如，包括多元组数据中的两个元组数据的多个第二特征，例如时间元组数据和上下文元组数据(或行为属性元组数据)的多个第二特征，或者包括多元组数据中的三个元组数据的多个第二特征，例如时间元组数据、位置元组数据和上下文元组数据(或行为属性元组数据)的多个第二特
征，还可包括更多个元组数据的多个第二特征，目标特征值还可包括目标对象操作行为的时间属性的特征值，如20:00，或者目标特征值还可包括目标对象操作行为的位置属性的特征值，如客厅，或书房等，当上述分析结果指示第一特征中存在目标第二特征的特征值与目标特征值之间满足预设条件的情况下，即可将目标第二特征确定为匹配特征，相应地可以将该目标第二特征对应的子组数据的操作者或用户确定为目标对象的身份。通过本实施例，实现了通过确定匹配特征进而确定目标对象的身份的目的。
56.在一个可选的实施例中，所述第二特征的特征值包括：用于表示所述第二特征所对应的子组数据的平均值，用于表示所述第二特征所对应的子组数据的方差；所述预设条件包括：所述目标特征值与所述平均值之间的差值小于或等于所述方差。在本实施例中，第二特征的特征值可包括第二特征所对应的子组数据的平均值和/或方差，在实际应用中，每个子组数据可包括多个数据，可分析得出这些数据的最大值、最小值、平均值、方差等数据分布特征信息，在基于当前次目标对象的目标数据确定目标特征后，如果目标特征值与上述平均值之间的差值小于或等于方差时，则认为目标第二特征的特征值与目标特征值满足预设条件。通过本实施例，实现了在确定匹配特征时所需满足的预设条件的目的。
57.在一个可选的实施例中，基于所述匹配特征确定所述目标对象的身份包括：确定所述匹配特征所对应的匹配数据；将通过操作所述第一终端而生成所述匹配数据的对象的身份确定为所述目标对象的身份。在本实施例中，通过确定匹配特征所对应的匹配数据，进而将生成该匹配数据的对象的身份确定为目标对象的身份，匹配数据指对象在过去预定时段内操作第一终端时所生成的数据，匹配数据中可包括对象在过去多次操作所生成的数据，在实际应用中，匹配特征可包括一个第二特征(即前述一个子组数据对应的第二特征)，匹配特征也可包括多个第二特征，例如多个元组数据中所包括的子组数据所对应的第二特征，例如时间元组数据中可能包括多个子组数据，每个子组数据分别有对应的第二特征，同时，在上下文属性元组数据(或行为属性元组数据)中可能也包括多个子组数据，同样每个子组数据分别有对应的第二特征，这样匹配特征可包括从不同数据属性(或不同角度)进行匹配的多个第二特征，即基于目标数据模型确定历史数据中存在一个数据集(多次操作所生成的多条数据)的其中一个元组数据的特征与目标特征匹配，或多个元组数据的特征与目标特征匹配的情况下，可将该数据集确定为匹配数据，进而可将该匹配数据所对应的对象的身份确定为目标对象的身份。通过本实施例，实现了确定目标对象身份的目的。
58.在一个可选的实施例中，在基于所述匹配特征确定所述目标对象的身份之后，所述方法还包括：向所述目标对象推送消息。在本实施例中，在确定目标对象的身份之后，可向目标对象推送消息，在实际应用中，当多个对象均未注册或只有一个对象注册的情况下，可在识别每个对象的身份之后，有针对性地向不同对象推送个性化消息。通过本实施例，实现了向用户推送个性化消息的目的。
59.在一个可选的实施例中，获取目标对象的目标数据包括：获取所述目标对象在预设时长内操作所述第一终端所生成的并上传至所述服务端的数据，其中，所述第一终端中包括一个或多个终端。在本实施例中，第一终端中可包括一个或多个终端，例如，第一终端可以是空调，还可以是空调和电视，或其它多个终端，而目标数据可包括目标对象在预设时长内操作第一终端所生成的数据，例如，目标对象在1分钟(或2分钟，或其它时长)内连续操作空调和电视所生成的数据，而如果目标数据模型中也包括某个对象多次在预设时长内连
续操作多个终端的行为所产生的数据，则可基于这种连续行为所生成的数据的特征确定目标对象的身份。通过本实施例，实现了基于目标对象操作多个终端的连续行为以确定目标对象的身份的目的。
60.在一个可选的实施例中，所述目标数据包括以下至少之一：第一元数据，其中，所述第一元数据用于指示所述目标对象的身份属性的数据；第二元数据，其中，所述第二元数据用于指示所述目标对象操作所述第一终端的时间属性的数据；第三元数据，其中，所述第三元数据用于指示所述目标对象操作所述第一终端的位置属性的数据；第四元数据，其中，所述第四元数据用于指示所述目标对象通过操作所述第一终端所产生的满足关联关系的行为数据；第五元数据，其中，所述第五元数据用于指示所述目标对象操作所述第一终端的意图属性的数据。在本实施例中，目标数据包括一元或多元数据，每个元数据用于表示目标对象的不同属性，同样服务端所存储的包括目标对象在内的第一对象在过去预定时段内操作第一终端所生成的数据也包括一元或多元数据。通过本实施例，实现了通过获取多元化的目标数据以更准确地确定目标对象身份的目的。
61.为了更好的理解上述身份确定方法的过程，以下再结合可选实施例对上述身份确定方法的流程进行说明，但不用于限定本技术实施例的技术方案。
62.在本实施例中提供了一种用户身份识别方法，图4是根据本技术实施例的一种用户身份识别方法的流程图，如图4所示，具体如下：
63.s402，用户行为信息获取；基于各个设备端(对应于前述第一终端)，收集用户信息、家庭信息、位置信息、环境信息、设备信息以及用户行为等关联信息。关联信息，不仅包含用户年龄、生日、体脂等用户基础信息，以及当前行为、前一行为、后一行为等连续或历史行为信息；还包含家庭信息、环境信息、设备状态信息等信息；
64.s404，构建多元组数据模型，可选地，多元组数据模型可以是二元组数据模型，或三元组数据模型，或四元组数据模型，或五元组数据模型；下面以五元组数据模型为例，将上述步骤s402中获取的全部元素信息，分为五个元组，构建用户五元组数据模型。用户五元组分别为用户元组、时间元组、位置元组、上下文元组、意图元组；在实际应用中，可设计统一数据模型，包括统一存储格式、统一编码、统一单位等，例如，从不同设备获取的数据的单位可能不一致，有的精确到秒或毫秒的，对于单位需要进行统一，例如，从不同设备获取的日期的格式可能包括20200101或2020-01-01，对此也要进行统一，例如，用户可能通过遥控或app或语音方式打开空调，对于采用不同方式所产生的相同操作行为(即打开空调)的行为编码可能不一致，对此也可进行统一编码等；
65.s406，针对用户五元组各个元组信息，进行分析和整理，得到相关元组数据的分布特征信息，例如图4中对上下文元组分析，还可包括对五元组中的其它元组数据进行分析；
66.s408，根据用户五元组分析结果，与已有用户特征和行为特征相关联匹配，该步骤中的用户特征为基于历史数据确定出的用户特征，如果用户已注册用户信息，则可确定用户特征信息，如果用户未注册的话，可基于历史数据确定出不同用户的行为特征，然后将基于当前用户操作行为所生成的数据的目标特征与已有用户特征和行为特征进行关联匹配，从而识别当前用户的身份信息；
67.s410，进一步地，还可根据用户身份，推送相关推荐消息。
68.下面对本实施例中相关术语进行说明：
69.u：用户属性信息集合(对应于前述第一元数据)；u(x)表示某个用户属性，u(u_1,u_2,
…
,u_k1)表示用户的第1到k1个属性。例如，用户包含年龄、性别、职业信息等属性；
70.t：时间属性信息集合(对应于前述第二元数据)；t(x)表示某个用户行为的时间属性，t(t_1,t_2,
…
,t_k2)表示时间的第1到k2个属性。例如用户行为所属的年、月、日、小时等属性；
71.a：位置属性信息集合(对应于前述第三元数据)；a(x)表示某个用户行为的位置属性，a(a_1,a_2,
…
,a_k3)表示位置的第1到k3个属性。例如用户行为所属的省份、城市、区县、房间等属性；
72.l：上下文属性信息集合(对应于前述第四元数据)；l(x)表示某个用户行为的上下文属性，l(l_1,l_2,
…
,l_k4)表示上下文的第1到k4个特征。例如用户前一行为、当前行为、当前天气、当前设备开机状态等属性；
73.i：意图属性信息集合(对应于前述第五元数据)；i(x)表示某个用户意图属性，i(i_1,i_2,
…
,i_k5)表示用户意图的第1到k5个属性。例如打开窗帘、打开灯、增加风速等属性；
74.f：五元组属性信息集合；f_x(u_1,t_1,a_1,l_1,i_1,
…
)表示，用户u_1及对应的用户行为时间属性1为t_1，地址位置属性1为a_1，上下文属性1为l_1；根据前四个元组得到第五个元组i_1。例如f_1(u_1,t_1,a_1,l_1,i_1)表示，用户：
‘
张三’，对应用户时间属性为“2021-10-20”，位置属性为“客厅”，上下文属性为“太冷了”，预测用户行为意图为“打开空调”。
75.下面对上述实施例中的各步骤进行详细说明：
76.1、信息收集(对应上述步骤s402)
77.1.1通过不同用户端，例如app、ai、多屏等，以及关联系统，例如用户中心、iot领域模型、家庭模型等，采集用户行为相关信息；
78.1.2收集信息包含但不限于用户信息、家庭信息、位置信息、环境信息、设备信息以及用户行为等关联信息；
79.2、五元组数据模型生成(对应上述步骤s404)
80.根据对收集的信息进行分析和归类，生成用户五元组数据模型，具体包括：
81.2.1用户：用户id信息，用户特征信息等；
82.2.2时间：行为时间序列；包含用户行为时间戳、行为时间所属年、月、日、小时等信息；
83.2.3位置：行为位置地址信息；包含用户行为所属空间，例如
‘
客厅’；还包括行为所属省份、城市、区县、小区等信息；
84.2.4上下文：前后序行为、前后序行为状态、用户或网器画像、天气及空气质量等信息；
85.2.5意图：数据预测后续行为信息。
86.3、多元组数据分析(对应上述步骤s406)
87.3.1非用户元组数据分析
88.针对用户未注册的情况，即不包含用户元组数据，对时间元组信息、位置元组信息、上下文信息进行统计和分析。
89.a)上下文元组分析：例如针对“上下文”元组中“行为状态值”属性进行分析：针对不同用户相同行为，“行为状态值”属性会呈现不同特征状态分布。根据数据分布形态，对数据进行分组；对分组的数据进行最大值、最小值、平均值、方差等数据统计。
90.例如，家庭中有两个人使用体脂秤进行称重。体脂秤每天上报两条体重记录信息。表1是体脂称上报的数据记录信息，如表1所示。
91.表1
92.序号时间(日)行为行为状态值(单位：斤)12021-10-01称重9822021-10-01称重13532021-10-02称重10042021-10-02称重13452021-10-03称重9962021-10-03称重13372021-10-04称重9882021-10-04称重134
93.图5是根据本技术具体实施例的体脂秤数据分析示例图一，通过数据分析可以得知，记录数据明显分为两组数据；
94.1、分组1：序号为1、3、5、7，体重数据分别为98、100、99、98的数据分为一组；
95.2、分组2：序号为2、4、6、8，体重数据分别为135、134、133、134的数据分为一组；
96.该体脂秤数据相当于前述多元组数据中包括的其中一个元组数据，而分组1、分组2的数据相当于前述元组数据中包括的一个或多个子组数据，即分组1对应为一个子组数据，分组2对应为另一个子组数据；
97.分组后对数据分布特征进行分析，如图6所示，图6是根据本技术具体实施例的体脂秤数据分析示例图二，通过分组数据分析可以得到：
98.1、分组1数据分析：可以得到该组数据的最大值、最小值、平均值、方差等数据分布特征信息；
99.2、分组2数据分析：可以得到该组数据的最大值、最小值、平均值、方差等数据分布特征信息；
100.需要说明的是，在确定每个分组数据的分布特征后，即可确定每个分组数据所对应的用户的行为特征(即称重行为)及行为特征的特征值(包括上述平均值，方差)，即相当于确定了前述第二特征；此外，上述仅以两人的操作行为为例，对于更多人的操作行为，可采用类似的方法进行身份识别；因此，在当前次某个用户(相当于前述目标对象)发生称重行为及生成的该行为状态值与上述某个分组数据所对应的行为特征及特征值匹配的情况下，可将该分组数据所对应的用户确定为当前目标对象的身份，从而实现了对目标对象的身份进行确定的目的。
101.b)时间、上下文元组分析：例如针对“时间”元组中“时间戳”属性和“上下文”元组中“行为状态值”属性进行分析：针对不同用户相同行为，“时间戳”属性和“行为状态值”属性会呈现不同特征状态分布。根据数据分布形态，对数据进行分组；对分组的数据进行最大值、最小值、平均值、方差等数据统计。
102.例如，家庭中有两个人在不同时间段，使用热水器进行洗澡。热水器每天上报运行记录信息。表2是热水器上报的数据记录信息，如表2所示。
103.表2
104.序号开机时间(分钟)行为行为状态值(单位：℃)12021-10-01 18:00:00流出温度4622021-10-01 21:04:00流出温度4032021-10-02 18:05:00流出温度4742021-10-02 21:03:00流出温度3952021-10-03 18:02:00流出温度4662021-10-03 21:03:00流出温度4072021-10-04 18:03:00流出温度4882021-10-04 21:05:00流出温度38
105.图7是根据本技术具体实施例的热水器数据分析示例图一，通过数据分析可以得知，记录数据明显分为两组数据；
106.1、分组1：序号为1、3、5、7，出水温度值分别为46、47、46、48的数据分为一组；
107.2、分组2：序号为2、4、6、8，出水温度值分别为40、39、40、38的数据分为一组；
108.分组后对热水器出水温度数据分布特征进行分析，如图8所示，图8是根据本技术具体实施例的热水器数据分析示例图二；同样，分组后对热水器开机运行时间点数据分布特征进行分析，如图9所示，图9是根据本技术具体实施例的热水器数据分析示例图三；再对热水器运行数据分布特征进行综合，如图10所示，图10是根据本技术具体实施例的热水器数据分析示例图四；通过分组数据分析可以得到：
109.1、分组1数据分析：可以得到该组数据的最大值、最小值、平均值、方差等数据分布特征信息；
110.2、分组2数据分析：可以得到该组数据的最大值、最小值、平均值、方差等数据分布特征信息；
111.需要说明的是，结合图10可知，本实施例(热水器)中的分组1、分组2中包括多个元组数据，如时间元组数据，上下文元组数据，对每个元组数据采用如前述相同的方法确定每个分组数据的分布特征，从而确定每个分组数据所对应的用户的行为特征，行为所发生的时间属性特征等，即相当于确定了多个第二特征，然后可基于多个第二特征确定是否存在与当前目标对象的目标特征相匹配的匹配特征，在确定存在的情况下可确定目标对象的身份，通过本实施例，结合多元组数据的分布特征以提高确定目标对象的身份的准确率。
112.c)位置、上下文元组分析：例如针对“位置”元组中“房间”属性和“上下文”元组中“行为状态值”属性进行分析：针对不同用户相同行为，“房间”属性和“行为状态值”属性会呈现不同特征状态分布。根据数据分布形态，对数据进行分组；对分组的数据进行最大值、最小值、平均值、方差等数据统计。
113.d)时间、位置、上下文元组分析：例如针对“时间”元组中“时间戳”属性、“位置”元组中“房间”属性和“上下文”元组中“行为状态值”属性进行分析：针对不同用户相同行为，“时间戳”属性、“房间”属性和“行为状态值”属性会呈现不同特征状态分布。根据数据分布形态，对数据进行分组；对分组的数据进行最大值、最小值、平均值、方差等数据统计。
114.例如，家庭中有两个人在不同时间段，不同空间，使用空调。空调每天上报运行记录信息。表3是空调上报的数据记录信息，如表3所示。
115.表3
116.序号时间(小时)位置行为行为状态值(单位：℃)12021-10-01 18:00:00客厅目标温度2622021-10-01 20:04:00书房目标温度2232021-10-02 18:05:00客厅目标温度2742021-10-02 20:03:00书房目标温度2152021-10-03 18:02:00客厅目标温度2662021-10-03 20:03:00书房目标温度2072021-10-04 18:03:00客厅目标温度2882021-10-05 20:05:00书房目标温度21
117.图11是根据本技术具体实施例的空调数据分析示例图一，通过数据分析可以得知，记录数据明显分为两组数据；
118.1、分组1：序号为1、3、5、7，目标温度值分别为26、27、26、28的数据分为一组；
119.2、分组2：序号为2、4、6、8，目标温度值分别为20、22、21、21的数据分为一组；
120.分组后对空调目标温度数据分布特征进行分析，如图12所示，图12是根据本技术具体实施例的空调数据分析示例图二；同样，分组后对空调开机运行时间点数据分布特征进行分析，如图13所示，图13是根据本技术具体实施例的空调数据分析示例图三；再对空调运行数据分布特征进行综合，如图14所示，图14是根据本技术具体实施例的空调数据分析示例图四；通过分组数据分析可以得到：
121.1、分组1数据分析：可以得到该组数据的最大值、最小值、平均值、方差等数据分布特征信息；
122.2、分组2数据分析：可以得到该组数据的最大值、最小值、平均值、方差等数据分布特征信息；
123.需要说明的是，结合图14可知，本实施例(空调)中的分组1、分组2中包括多个元组数据，如时间元组数据，位置元组数据，上下文元组数据，对每个元组数据采用如前述相同的方法确定每个分组数据的分布特征，从而确定每个分组数据所对应的用户的行为特征，行为所发生的时间属性特征，行为所发生的位置属性特征等，即相当于确定了多个第二特征，然后可基于多个第二特征确定是否存在与当前目标对象的目标特征相匹配的匹配特征，在确定存在的情况下可确定目标对象的身份，通过本实施例，结合多元组数据的分布特征以提高确定目标对象的身份的准确率。
124.3.2五元组数据分析
125.将时间元组信息、位置元组信息、上下文信息以及用户信息等关联信息横向拉通，将行为数据值分布特征及相关元组属性特征，与用户元组信息相关联，形成用户的行为值分布特征(对应于前述第二特征)。
126.4、用户身份识别(对应上述步骤s408)
127.根据分析五元组新特征(对应于前述目标对象的目标特征)，与已知用户特征及行为特征相关联匹配，识别用户身份。如果用户首次使用设备，上传首条使用记录信息，没有
历史用户识别信息，则新建立用户特征及用户行为特征信息，以便后续进行用户身份识别时，与之关联匹配。
128.4.1根据上下文元组识别：根据已经分析的上下文元组信息特征，以及用户的行为状态值属性分布特征，与已知的用户特征和用户行为特征相关联匹配，识别用户身份信息；
129.4.2根据时间、上下文元组识别：根据已经分析的时间、上下文元组信息特征，以及用户的行为状态值属性分布特征，与已知的用户特征和用户行为特征相关联匹配，识别用户身份信息；
130.4.3根据位置、上下文元组识别：根据已经分析的位置、上下文元组信息特征，以及用户的行为状态值属性分布特征，与已知的用户特征和用户行为特征相关联匹配，识别用户身份信息；
131.4.4根据时间、位置、上下文元组识别：根据已经分析的时间、位置、上下文元组信息特征，以及用户的行为状态值属性分布特征，与已知的用户特征和用户行为特征相关联匹配，识别用户身份信息；
132.上述已知用户特征及行为特征指基于历史数据所确定的，其中，如果用户已注册用户信息，则可确定用户特征信息，也可确定用户的行为特征，如果用户未注册的话，可基于历史数据确定出不同用户的行为特征；
133.5、用户消息推送(对应上述步骤s410)
134.按照信息推送规则，将符合用户身份的个性化推荐消息推送给用户。
135.图15是根据本技术实施例的用户身份识别方法的流程示意图，如图15所示，该流程包括以下步骤：
136.s1502，用户行为信息上传至云服务器(对应于前述服务端)，包括当前次用户的操作行为信息上传至云服务器，当前次用户及其他用户的历史数据也上传至云服务器，用户行为信息中包括多维数据(即多元数据)；
137.s1504，数据落地，数据计算服务器从云服务器端获取数据；
138.s1506，构建用户五元组模型；
139.s1508，对五元组数据进行分析；
140.s1510，基于五元组数据分析，对用户身份进行识别；
141.s1512，将数据传输至云服务器端，将识别结果传输至云服务器；
142.s1514，云服务器向用户客户端发送推荐消息。
143.通过上述实施例，在用户使用智能设备过程中，可以从多个用户端收集各个元素信息，生成用户五元组数据模型。基于用户五元组，可以分析“上下文”元组中“行为状态值”信息的统计情况，根据该值分布特点与用户的相关值特征相匹配，识别用户身份。可以避免因用户没有进行设备注册，或是缺失用户属性特征等，或是一人注册全家使用等情况，引起的无法识别用户身份问题。本实施例中通过对收集的各种信息进行梳理和分析，构建五元组数据模型，基于用户五元组模型，分析各元组关联关系，以及与用户匹配情况，识别用户身份信息，从而有针对性地进行消息推送。
144.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，本技术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)执行本技术各个实施例的方法。
145.图16是根据本技术实施例的一种身份确定装置的结构框图，如图16所示，包括：
146.第一获取模块1602，用于获取目标对象的目标数据，其中，所述目标数据由所述目标对象在操作第一终端时所生成的并上传至服务端的数据；
147.第一确定模块1604，用于基于所述目标数据确定所述目标对象的目标特征；
148.分析模块1606，用于基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果，其中，所述目标数据模型是基于第一对象在过去预定时段内操作所述第一终端时所生成的数据而建立的，所述第一对象包括所述目标对象；
149.第二确定模块1608，用于在所述分析结果指示所述目标数据模型中存在与所述目标特征匹配的匹配特征的情况下，基于所述匹配特征确定所述目标对象的身份。
150.在一个可选的实施例中，上述装置还包括：第二获取模块，用于在基于预先建立的目标数据模型对所述目标特征进行分析，以得到分析结果之前，获取第一数据组，其中，所述第一数据组包括所述第一对象在所述预定时段内操作所述第一终端时所生成的并上传至所述服务端的第一数据；分类模块，用于按照数据属性将所述第一数据组中包括的每个所述第一数据进行分类，以得到多元组数据，其中，所述第一数据中包括多个不同类型数据属性的数据，所述多元组数据中包括的每个元组数据的所述数据属性为同一类型；建立模块，用于基于所述多元组数据建立所述目标数据模型。
151.在一个可选的实施例中，上述分析模块1606包括：第一分析单元，用于分析所述多元组数据中所包括的每个所述元组数据的分布特征；第一确定单元，用于基于每个所述元组数据的分布特征确定每个所述元组数据的第一特征；第二分析单元，用于基于所述第一特征对所述目标特征进行分析，以得到所述分析结果。
152.在一个可选的实施例中，上述第一确定单元包括：划分子单元，用于基于每个所述元组数据的分布特征将每个所述元组数据划分为一个或多个子组数据；第一确定子单元，用于确定一个或多个所述子组数据中包括的每个所述子组数据的特征值；第二确定子单元，用于将每个所述子组数据的所述数据属性与所述特征值确定为每个所述子组数据的第二特征；第三确定子单元，用于基于每个所述子组数据的所述第二特征确定每个所述元组数据的第一特征。
153.在一个可选的实施例中，上述分析模块1606包括：匹配单元，用于将每个所述元组数据的第一特征中包括的各个特征与所述目标特征进行匹配，得到匹配结果；第二确定单元，用于基于所述匹配结果确定所述分析结果。
154.在一个可选的实施例中，上述第二确定模块1608包括：第三确定单元，用于确定所述目标特征的目标特征值；第四确定单元，用于在所述分析结果指示所述第一特征中所包括的目标第二特征的特征值与所述目标特征值满足预设条件的情况下，将所述目标第二特征确定为所述匹配特征；第五确定单元，用于基于所述匹配特征确定所述目标对象的身份。
155.在一个可选的实施例中，上述第二特征的特征值包括：用于表示所述第二特征所对应的子组数据的平均值，用于表示所述第二特征所对应的子组数据的方差；所述预设条件包括：所述目标特征值与所述平均值之间的差值小于或等于所述方差。
156.在一个可选的实施例中，上述第二确定模块1608包括：第六确定单元，用于确定所述匹配特征所对应的匹配数据；第七确定单元，用于将通过操作所述第一终端而生成所述匹配数据的对象的身份确定为所述目标对象的身份。
157.在一个可选的实施例中，上述装置还包括：推送模块，用于在基于所述匹配特征确定所述目标对象的身份之后，向所述目标对象推送消息。
158.在一个可选的实施例中，上述第一获取模块1602包括：获取单元，用于获取所述目标对象在预设时长内操作所述第一终端所生成的并上传至所述服务端的数据，其中，所述第一终端中包括一个或多个终端。
159.在一个可选的实施例中，上述目标数据包括以下至少之一：第一元数据，其中，所述第一元数据用于指示所述目标对象的身份属性的数据；第二元数据，其中，所述第二元数据用于指示所述目标对象操作所述第一终端的时间属性的数据；第三元数据，其中，所述第三元数据用于指示所述目标对象操作所述第一终端的位置属性的数据；第四元数据，其中，所述第四元数据用于指示所述目标对象通过操作所述第一终端所产生的满足关联关系的行为数据；第五元数据，其中，所述第五元数据用于指示所述目标对象操作所述第一终端的意图属性的数据。
160.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
161.本技术的实施例还提供了一种计算机可读的存储介质，该计算机可读的存储介质包括存储的程序，其中，该程序运行时执行上述任一项的方法实施例中的步骤。
162.在一个示例性实施例中，上述计算机可读的存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
163.本技术的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
164.在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
165.本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
166.显然，本领域的技术人员应该明白，上述的本技术的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本技术不限制于任何特定的硬件和软件结合。
167.以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。