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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着互联网以及移动终端的不断普及和应用，越来越多的企业采用线上学习模式，通过构建企业内训生态系统为员工提供企业在线学习平台，满足了企业内部对于员工的培训需求。

现有技术中，企业在线学习平台为了满足所有员工的学习需求，通常会在企业线上学习平台上展示所有课程，即培训内容，例如员工入职培训、福利培训以及业务相关的培训内容。不同的员工的工作内容和业务方向的不同，对于不同课程的学习兴趣也不同，用户需要从企业在线学习平台提供的所有课程中查找其所需的课程，即目标课程。然而，由于需要用户人工查找目标课程，导致课程查找效率低，降低用户体验。

因此，针对上述问题，本发明的技术构思是考虑到学习数据，即学习属性信息反映学员的学习动向与潜在需求，基于学习数据分析模型，对用户的学习属性信息进行多角度智能分析，即进行综合画像分析，以确定用户所需的课程，即目标课程，实现目标课程自动确定，无需用户人工查找，提高目标课程的确定效率，且实现课程的个性化推荐，提高用户体验。

下面以具体地示例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的示例可以相互结合，对于相同或相似的概念或过程可能在某些示例中不再赘述。下面将结合附图，对本公开的示例进行描述。

图1为本发明实施例提供的课程推荐方法的场景示意图，如图1所示，电子设备101提供多种类型的课程(例如，课程1)，当用户需要学习时，可以从电子设备101提供的课程中选择目标课程，即选择其所需的课程。

可选的，电子设备101可以是电脑、移动终端(例如，平板)等设备。

图2为本发明实施例提供的课程推荐方法的流程示意图一，本实施例的执行主体可以为图1所示的电子设备。如图2所示，该方法包括：

S201、获取待推荐用户的用户信息。

在本实施例中，在确定待推荐用户后，即在确定待推荐用户的标识后，表明需确定该待推荐用户所需的网络课程，即目标课程，则获取该待推荐用户的用户信息，以供利用该用户信息确定用户的偏好情况，从而确定所感兴趣的课程，即确定该待推荐用户对应的目标课程。

可选的，在确定待推荐用户时，可以根据直接基于用户名单进行确定，即将用户名单中的用户作为待推荐用户。

另外，也可以基于企业在线学习平台对应的使用用户，即所有员工的用户信息从使用用户中确定待推荐用户，例如，基于使用用户的用户信息确定使用用户的活跃值以及访问行为等级，将活跃值为极不活跃，且访问行为等级为访问行为较少的使用用户作为待推荐用户。当然，也可以采用其它方式确定从使用用户中确定待推荐用户，例如，将推荐价值较高的使用用户作为待推荐用户，在此，不对其进行限制。

S202、对待推荐用户的用户信息进行分析，得到待推荐用户对应的学习属性信息。其中，学习属性信息包括访问登录偏好信息、访问触点偏好信息、课程偏好信息和学习状态转移信息中的一个或多个。

在本实施例中，在确定待推荐用户后，即在得到待推荐用户的用户信息后，对于每个待推荐用户，对该待推荐用户的用户进行分析，以确定该待推荐用户的历史行为情况，即确定该待推荐用户的学习偏好情况，从而得到该待推荐用户对应的学习属性信息。

其中，学习属性信息包括访问登录偏好信息、访问触点偏好信息、课程偏好信息和学习状态转移信息中的一个或多个。

其中，访问登录偏好信息包括用户的登录情况和学习情况，其能够反映用户的学习活跃度和学习粘性。

其中，访问触点偏好信息包括用户的登录触点偏好信息和学习入口偏好信息，其能够反映用户的学习访问喜好情况。

其中，课程偏好信息包括课程类别偏好、课程关键字偏好和课程学习完成率等信息，其能够反映用户的课程喜好情况。

其中，学习状态转移信息表示用户的学习状态变化轨迹。

S203、根据待推荐用户对应的学习属性信息对待推荐用户进行综合画像分析，得到待推荐用户对应的课程推荐结果。

在本实施例中，对于每个待推荐用户，在得到该待推荐用户对应的学习属性信息后，基于该待推荐用户对应的学习属性信息对该待推荐用户的进行画像分析，即多维度数据分析，以确定该待推荐用户所需的课程，即得到该待推荐用户对应的课程推荐结果，该课程推荐结果为包括目标课程标识，即包括用户所需的课程的标识。

另外，待推荐用户的用户信息还可以包括基础属性信息，其中，基础属性信息表示待推荐用户的基本信息，例如，待推荐用户所属的部门。相应的，在对待推荐用户进行综合画像分析时，也可以结合该待推荐用户对应的基础属性信息。

S204、将课程推荐结果推送至待推荐用户。

在本实施例中，在得到待推荐用户对应的课程推荐结果，即在确定包含待推荐用户所需的课程，即目标课程的课程推荐结果后，将该课程推荐结果发送至待推荐用户对应的用户终端上，以实现将课程推荐结果推送至待推荐用户，以使待推荐用户可以直接获知目标课程，即其所需学习的课程，并可以直接学习该目标课程，无需待推荐用户根据自身的情况查找目标课程，提高目标课程确定的效率，从而提高用户在线学习的效率。

在本实施例中，企业在线学习平台基于用户的学习属性信息，向用户推荐其所需的网络课程，即目标课程，实现目标课程的个性化推荐，为用户在线学习提供参考并实现企业在线学习平台的精准运营。

从上述描述可知，在获取到待推荐用户的用户信息时，表明需要对该待推荐用户进行课程推荐，则对该待推荐用户的用户信息进行分析，以得到该待推荐用户对应的学习属性信息，该学习属性信息包括访问登录偏好信息、访问触点偏好信息、课程偏好信息和学习状态转移信息中的一个或多个，即学习属性信息表征用户的偏好情况。在得到待推荐用户对应的学习属性信息时，基于该学习属性信息对待推荐用户进行综合画像分析，即进行多维度的综合智能分析，以确定待推荐用户所感兴趣的课程，即所需的目标课程，即得到待推荐用户对应的课程推荐结果，并将该课程推荐结果推送至该待推荐用户，以使待推荐用户可以直接基于课程推荐结果学习相应的目标课程，无需用户人工进行查找目标课程，即无需用户查找其所需的课程，实现目标课程的自动确定，提高目标课程的确定效率，提高用户体验。

图3为本发明实施例提供的课程推荐方法的流程示意图二，本实施例图2实施例的基础上，在基于待推荐用户对应的学习属性信息对待推荐用户进行综合画像分析时，可以利用数据分析模型，即目标网络进行综合画像分析，下面将结合一个具体实施例对此过程进行描述。如图3所示，该方法包括：

S301、获取待推荐用户的用户信息。

S302、对待推荐用户的用户信息进行分析，得到待推荐用户对应的学习属性信息。其中，学习属性信息包括访问登录偏好信息、访问触点偏好信息、课程偏好信息和学习状态转移信息中的一个或多个。

可选的，访问登录偏好信息包括登录偏好信息、学习偏好信息和访问偏好信息。访问触点偏好信息包括触点偏好信息和入口偏好信息。课程偏好信息包括课程学习偏好时长和课程类型偏好。

相应的，确定待推荐用户对应的学习状态转移信息的过程包括：

从用户信息中获取第一周期对应的用户状态，并获取第二周期对应的学习状态，第一周期和第二周期为前后相邻的学习周期(例如，一个月)。根据第一周期和第二周期对应的用户状态，确定待推荐用户对应的用户状态转移类型。

可选的，用户状态包括有效学习状态、登录状态、休眠状态和无效状态。

其中，当用户在某个学习周期内的用户状态为学习状态时，表示该用户在该学习周期内有过学习行为；

当用户在某个学习周期内的用户状态为登录状态时，表示用户在该学习周期内有过登录行为，但没有学习行为。

当用户在某个学习周期内的用户状态为休眠状态时，表示该用户为在该学习周期内没有登录行为的有效用户(本月末该用户的删除标志为否)。

当用户在某个学习周期内的用户状态为无效状态时：表示该用户目前状态为无效，例如账号过期或离职员工等。

可选的，在根据第一周期和第二周期对应的用户状态，确定待推荐用户对应的用户状态转移类型时，从预设学习状态转移表内查找与第一周期对应的用户状态和第二周期对应的转移类型，并将其确定为用户状态转移类型。其中，预设学习状态转移表的格式表1所示：

表1学习状态转移表

举例来说，当第一周期对应的用户状态为休眠状态，第二周期对应的用户状态也为休眠状态，则确定用户状态转移类型为休眠维持类型。

相应的，确定待推荐用户对应的访问登录偏好信息的过程包括：

从用户信息中获取待推荐用户对应的所有登录记录。其中，登录记录包括登录时刻和退出时刻。根据待推荐用户对应的所有登录记录确定待推荐用户对应的登录偏好信息。从用户信息中获取待推荐用户对应的学习时长

其中，登录偏好信息包括登录偏好时段，其表示，用户登录次数最多的时段。相应的，获取各登录记录中的登录时刻所属的预设登录时段，将预设时段所包括登录时刻的数目确定为预设时段所对应的登录次数，将登录次数最高的预设时段作为登录偏好时段。

可选的，访问登录偏好信息还包括学习偏好时段。所述登录记录还包括学习开始时刻和学习结束时刻。相应的，获取各登录记录中的学习开始时刻所属的预设时段，将预设时段所包括学习开始时刻的数目确定为预设时段所对应的学习次数，将学习次数最高的预设时段作为学习偏好时段。

另外，可选的，访问登录偏好信息还包括以下类型信息：

登录次数偏好类型：令A＝待推荐用户对应的总登录次数/子组织人均总次数，根据A值大小确定待推荐用户所属的，即对应的登录次数偏好类型，例如1.2以上为高，0.8-1.2为中，0.8以下为低。

登录时长偏好类型：令A＝待推荐用户对应的用户总时长/子组织人均总时长，根据A值大小确定待推荐用户所属的登录时长偏好类型，例如1.2以上为高，0.8-1.2为中，0.8以下为低。

学习次数偏好类型：令A＝待推荐用户对应的总学习次数/子组织人均总学习次数，根据A值确定待推荐用户所属的学习次数偏好类型，例如1.2以上为高，0.8-1.2为中，0.8以下为低。

学习时长偏好类型：令A＝待推荐用户对应的总学习时长/子组织人均总学习时长，根据A值确定待推荐用户所属的学习时长偏好类型，例如1.2以上为高，0.8-1.2为中，0.8以下为低。

访问时段偏好类型：将各个预设时段内的登录次数与学习次数合并计算，即计算各个预设时段对应的登录次数和学习次数的加权总和，将加权总和最大的时段作为访问时段偏好类型。

访问次数偏好类型，其是指总登录次数与总学习次数的加权总和/待推荐用户对应的地区人均访问次数，根据比例值进行偏好描述，即确定待推荐用户对应的访问次数偏好类型，例如1.2以上为高，0.8-1.2为中，0.8以下为低。

访问时长偏好类型：其是指登录时长与学习时长的加权总和/待推荐用户对应的地区人均访问时长，根据比例值进行偏好描述，即确定待推荐用户对应的访问时长偏好类型，例如1.2以上为高，0.8-1.2为中，0.8以下为低。

学习完成率：一个学员，即用户的学习完成率＝已完成的课程数/所有有学习记录的课程数(未完成+已完成)。

学习完成度：根据学习完成率的值进行定义，例如学习完成率0-60％为低，60-90％为中，90％以上为高。

活跃值：定义活跃值ACt_i＝(登录次数/当月该子组织人均登录次数+学习次数/当月该子组织人均学习次数+登录时长/当月该子组织人均时长+学习时长/当月该子组织人均时长)/4，I为子组织学员数量。使用地区人均应该比全国人均更合理。

活跃度等级：根据活跃值进行定义，例如活跃值小于0.9为低度活跃，0.9-1.1为中度活跃，大于1.1为高度活跃。可能需要根据实际数据调整分段值。

粘性等级：根据活跃度等级进行计算，计算最近6个月内活跃度等级＝高的个数，例如可以分为高粘性、中度粘性和低粘性，如果大于等于4则为粘性高，如果2-3为一般，如果小于2为低。区间定义均为前开后闭。

其中，子组织为待推荐用户，即用户所属的组织，其对应的相关信息可以从数据库中获取。

其中，登录时长是根据登录记录中的退出时刻和登录时刻确定的，即将退出时刻与登录时刻的差值作为登录时长。

其中，学习时长是根据登录记录中的学习结束时刻和学习开始时刻确定的，即将学习结束时刻与学习开始时刻的差值作为登录时长。

在任意实施例中，可选的，登录记录还包括登录设备类型和/或学习入口类型。其中，登录设备类型表示待推荐用户在进行本次登录时，所使用的设备类型。学习入口类型表示待推荐用户本次在学习课程时，该课程所属的学习入口。

具体的，登录设备类型包括PC(Personal Computer，个人计算机)类型、APP(application，手机软件)类型等。

具体的，学习入口类型包括公开课、专区、考试等学习入口。

相应的，对待推荐用户的用户信息进行分析，得到待推荐用户对应的访问触点偏好信息，包括：

根据各登录记录中的登录设备类型确定待推荐用户对应的触点偏好信息，和/或，根据各登录记录中的学习入口类型确定待推荐用户对应的入口偏好信息。

其中，触点偏好信息包括触点偏好类型，其表示待推荐用户，即用户喜欢通过该触点偏好类型使用企业在线学习平台，即一般通过该触点偏好类型进行登录/学习。

其中，入口偏好信息包括入口偏好类型，其表示待推荐用户，即用户喜欢学习该入口偏好类型对应的课程。

进一步的，可选的，根据各登录记录中的登录设备类型确定待推荐用户对应的触点偏好信息，包括：

基于各登录记录中的登录设备类型，确定各登录设备类型对应的登录次数。根据各登录设备类型对应的登录次数确定待推荐用户对应的触点偏好信息，即触点偏好类型。

具体的，获取在一定时间内的待推荐用户对应的登录记录，并对获取到的所有登录记录中的登录设备类型进行统计，以得到各登录设备类型对应的登录记录的数目。将登录设备类型对应的登录记录的数目作为该登录设备类型对应的登录次数，将登录次数最大的登录设备类型作为触点偏好类型。

进一步的，可选的，根据各登录记录中的学习入口类型确定待推荐用户对应的入口偏好信息，包括：

基于各登录记录中的学习入口类型，确定各学习入口类型对应的学习进入次数。根据各学习入口类型对应的学习入口次数确定待推荐用户对应的学入口偏好信息，即入口偏好类型。

具体的，获取在一定时间内的待推荐用户对应的登录记录，并对获取到的所有登录记录中的学习入口类型进行统计，以得到各学习入口类型对应的登录记录的数目。将登录设备类型对应的登录记录的数目作为该学习入口类型对应的学习进入次数，将学习进入次数最大的学习入口类型作为入口偏好类型。

另外，可选的，访问触点偏好信息还包括以下类型的偏好信息：

触点登录次数占比：是指在一定周期内，某个登录设备类型对应的登录次数占比，记作QA1_i，令QA1_i＝登录设备类型对应的登录次数/学员的总登录次数。

入口登录次数占比：是指在一定周期内，某个学习入口类型对应的学习进入次数占比，记作QB1_j，令QB1_j＝学习入口类型对应的学习进入次数/学员的总登录次数。

触点登录时长占比：是指一定周期内，某个登录设备类型对应的登录时长占比。

入口登录时长占比：是指一定周期内，某个登录设备类型对应的登录时长占比。

相应的，确定待推荐用户对应的课程偏好信息的过程包括：

从用户信息中获取历史课程访问信息，其中历史课程访问信息包括历史访问课程及与历史访问课程对应的学习课程时长和课程类型。

根据历史访问课程对应的学习课程时长确定待推荐用户对应的课程学习偏好时长。

根据历史访问课程对应的课程类型确定待推荐用户对应的课程类型偏好。

其中，历史访问课程表示用户学习过的课程，历史访问课程对应的学习课程时长表示在学习该历史访问课程时，所学习的时长，即历史访问课程的学习时长。历史访问课程对应的课程类型表示该历史访问课程所属的类型。

具体的，课程类型包括优秀讲师直播类型、普通讲师直播类型、内部讲师课程类型和外部讲师课程类型中的一种或多种。相应的，在根据历史访问课程对应的课程类型确定待推荐用户对应的课程类型偏好时，对与待推荐用户对应的所有历史访问课程对应的课程类型进行统计，得到该待推荐用户对应的各个课程类型对应的访问次数。选取访问次数最高的一个或多个课程类型作为该待推荐用户对应的课程类型偏好。

其中，待推荐用户对应的课程类型偏好表示该待推荐用户偏好的课程类型。课程类型对应的访问次数表示待推荐用户学习过的类型为该课程类型的课程的数目。

另外，可选的，待推荐用户对应的所有历史访问课程为待推荐用户在历史时间段内学习过的所有课程。

具体的，在确定课程学习偏好时长时，从所有历史访问课程对应的学习课程时长中选择最大的学习课程时长，并将其确定为课程学习偏好时长，或者，对从所有历史访问课程对应的学习课程时长进行统计，以得到各个学习课程时长对应的重复数目，将重复数目最多的学习课程时长确定为课程学习偏好时长。

其中，待推荐用户对应的课程学习偏好时长表示待推荐用户偏好学习课程的时长，即待推荐用户在学习课程时，其会学习的时长。

另外，可选的，待推荐用户对应的课程偏好信息还可以包括其它类型的信息，例如课程时长偏好、课程完成率偏好等。

具体的，课程时长偏好：获取历史访问课程对应的课程时长，该课程时长时指用户学过的课程的课程时长。按照课程时长对历史访问课程进行分段，A1、A2，…，例如，将A1取课程时长为0-30分钟的课程，A2取课程时长为30-50分钟的课程；将该用户在一定时间周期内的所学课程分别存入A1、A2，…，并令N_i=A_i内的课程数量，取max{N_i}对应的课程时段作为该学员的课程时长偏好，或取N_i值较高的多个时段作为课程时长偏好。

具体的，课程完成率偏好：课程完成率是指用户，即学员对所学每门课程的完成率情况，即历史访问课程对应的完成率。将历史访问课程对应的课程完成率记作P，定义为：P=min{K,1}，其中K=当前用户对该课程的学时时长/课程时长。课程完成率偏好定义为一个区间值，C1、C2，…，例如当前学员的课程完成率偏好为70-80％。后续计算方法同课程时长偏好。

需要说明，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的轨道，且不违背公序良俗。

S303、将待推荐用户对应的学习属性信息输入至目标网络模型，以使目标网络模型基于学习属性信息进行综合画像分析，得到待推荐用户对应的课程推荐结果。

在本实施例中，在得到待推荐用户对应的学习属性信息后，将该学习属性信息输入至训练好的学习属性画像模型，即目标网络模型中，以使目标网络模型对该学习属性信息进行综合画像分析，即多维智能分析，以确定用户的画像，即确定用户偏好的学习情况，例如，偏好的课程，从而得到待推荐用户对应的课程推荐结果，并对其进行输出。

可选的，网络模型可以是神经网络模型，例如，卷积神经网络模块。

其中，目标网络模型是通过对基础网络模型进行训练得到的，其训练过程与现有模型的训练过程类型，即利用样本数据对基础网络模型进行训练，在此，不对其进行赘述。

S304、获取目标网络模型输出的待推荐用户对应的课程推荐结果，并将课程推荐结果推送至待推荐用户。

在本实施例中，目标网络模型在得到待推荐用户对应的课程推荐结果后，输出该课程推荐结果。电子设备获取目标网络模型输出的该课程推荐结果，并将其推送至相应的待推荐用户。

另外，可选的，在基于待推荐用户对应的学习属性信息确定待推荐用户对应的课程推荐结果时，也可以利用属性结果映射表进行确定，即查找与学习属性信息对应的课程，并将其确定为目标课程，从而生成包括该目标课程的课程推荐结果。

另外，可选的，在得到待推荐用户对应的课程推荐结果后，还可以将其保存至相关数据库中。

在本实施例中，在获取到待推荐用户对应的学习属性信息后，利用目标网络模型对该学习属性信息进行数据分析，以实现画像分析，从而确定出适合该待推荐用户的课程推荐结果，实现课程的精准快速推荐。

图4为本发明实施例提供的课程推荐设备的结构示意图，如图4所示，该课程推荐设备400包括：信息获取模块401和处理模块402。

其中，信息获取模块401，用于获取待推荐用户的用户信息。

处理模块402，用于对待推荐用户的用户信息进行分析，得到待推荐用户对应的学习属性信息。其中，学习属性信息包括访问登录偏好信息、访问触点偏好信息、课程偏好信息和学习状态转移信息中的一个或多个。

处理模块402，还用于根据待推荐用户对应的学习属性信息对待推荐用户进行综合画像分析，得到待推荐用户对应的课程推荐结果。

处理模块402，还用于将课程推荐结果输出至待推荐用户。

在一种可能的设计中，处理模块402还用于：

从用户信息中获取待推荐用户对应的所有登录记录。其中，登录记录包括登录时刻和退出时刻。

根据待推荐用户对应的所有登录记录确定待推荐用户对应的登录偏好信息。

在一种可能的设计中，登录记录还包括登录设备类型和学习入口类型。

处理模块402还用于：

根据各登录记录中的登录设备类型确定待推荐用户对应的触点偏好信息，并根据各登录记录中的学习入口类型确定待推荐用户对应的入口偏好信息。

在一种可能的设计中，处理模块402还用于：

基于各登录记录中的登录设备类型，确定各登录设备类型对应的登录次数。

根据各登录设备类型对应的登录次数确定待推荐用户对应的触点偏好信息。

在一种可能的设计中，处理模块402还用于：

从用户信息中获取历史课程访问信息，其中历史课程访问信息包括历史访问课程及与历史访问课程对应的学习课程时长和课程类型。

根据历史访问课程对应的学习课程时长确定待推荐用户对应的课程学习偏好时长。

根据历史访问课程对应的课程类型确定待推荐用户对应的课程类型偏好。

在一种可能的设计中，处理模块402还用于：

将待推荐用户对应的学习属性信息输入至目标网络模型，以使目标网络模型基于学习属性信息进行综合画像分析，得到待推荐用户对应的课程推荐结果。

本发明实施例提供的课程推荐设备，可以实现上述实施例的课程推荐方法，其实现原理和技术效果类似，此处不再赘述。

图5为本发明实施例提供的电子设备的硬件结构示意图。如图5所示，本实施例的电子设备500包括：处理器501以及存储器502；

其中，存储器502，用于存储计算机执行指令；

处理器501，用于执行存储器存储的计算机执行指令，以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。

可选地，存储器502既可以是独立的，也可以跟处理器501集成在一起。

当存储器502独立设置时，该电子设备还包括总线503，用于连接所述存储器502和处理器501。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的课程推荐方法。

本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的课程推荐方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块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模块可以是或者也可以不是物理上分开的，作为模块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模块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模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块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。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)执行本申请各个实施例所述方法的部分步骤。

应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。

总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。