具体实施方式

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描述。

在互联网对象平台上，对对象进行评价的核心是该对象的对象价值。其中，对象价值体现在用户体验以及多种消费指标上，用户体验体现在用户对某一对象的点击率或播放率等指标上；而消费指标则可以包括多种，例如会员转化、广告收入以及虚拟商品的消费，等等。

举例而言，在瀑布流以及其它很多类似的推荐场景中，需要针对以下任意一种或多种对象类型向用户进行推荐，如电影、电视剧、短视频、小视频、小说、漫画或直播等，不同类型对象带来的用户体验以及对象价值是不同的，比如，用户在电影及电视剧类对象上点击较少，但播放时长较长；用户在电影类对象上再次观看的概率较低，但在电视剧类对象上可以追剧，因此再次观看的概率更高；用户在短对象、小对象上点击率高，播放时长短，但有可能在客户端继续刷新观看，从而提高用户的在线时长；部分短对象能引起用户后续对于长对象的消费；部分短对象能引起用户对作者的关注以至于后续有更多观看，等等。

通过对不同类型对象的对象价值进行评价，进而以此为依据，根据不同的业务需求向用户推荐对象，使得推荐的对象更符合业务需求与用户需求。

但是，目前通常采用ESMM(Entire Space Multi-Task Model，完整空间多任务模型)、MMoE(Multi-gate Mixture-of-Experts，多任务学习框架模型)或PLE(ProgressiveLayered Extraction，渐进式分层提取模型)等模型，以推荐后用户对对象是否有点击或播放等短期行为数据为目标，对对象进行评价。虽然也有工作尝试利用用户在业务上的时长来指导对象评价模型的优化，并把问题转化为MDP(Markov Decision Process，马尔科夫决策过程)，但对于多个长期指标的平衡，目前还是较为欠缺的，但这对于业务的优化有较大的价值。

换言之，目前的对象评价方法，是以短期行为数据为导向来实现对象价值的评价的。但是，在一些业务下，例如推荐业务中，对象的对象价值会体现在一些长期指标上，如用户的次日留存率、播放时长及完播率，等等。那么，现有的对象评价方法无法满足这些业务的需求。

因此，为了解决上述问题，本发明实施例提出了一种对象评价方法，其用意在于把长期指标上的业务需求分解到对于对象的各项短期行为数据上，这样，根据用户对对象的短期行为数据，就可以预测出用户对对象的长期推荐指标，进而实现在这些包括长期指标的业务需求上的对象推荐。

下面，从总体上对本发明实施例提供的对象评价方法进行说明：

如图1所示，为本发明实施例提供的对象评价方法的流程图，该方法包括：

S101：获取目标用户的用户特征、目标对象的对象特征以及目标用户对目标对象的短期行为数据。

本发明实施例所涉及到的对象可以包括但不限于如下至少一种：电影、电视剧、短视频、小视频、小说、漫画或直播。

在本发明实施例中，用户特征、对象特征、短期行为数据所包含的具体内容，基于不同的业务需求，可以有不同的内容。本发明实施例对于业务类型或业务需求无特别限制，基于实际业务而定即可，因此，本发明实施例对于用户特征、对象特征、短期行为数据所包含的具体内容，亦无特殊限制。

示例性的，用户特征可以表示为User_features，其中，包括但不限于：用户基础数据或偏好数据中的至少一种，用户基础数据可以包括以下任一项或多项：用户的年龄、地域、性别等，用户基础数据可以从用户设置的身份信息中获取，也可以对用户的历史浏览行为进行分析获取，具体不做限定；偏好数据可以包括以下任一项或多项：用户的消费习惯、用户画像等，偏好数据可以通过对用户的历史消费行为进行分析获取，也可以通过对用户所属年龄、地域或性别的人群的历史消费行为进行分析获取，具体不做限定。

对象特征可以表示为item_featuers，其中，包括但不限于：对象基础数据或内容信息中的至少一种，对象基础数据可以包括以下任一项或多项：对象的标题、时长、清晰度等，对象基础数据可以从目标对象的属性信息中提取；内容信息可以包括以下任一项或多项：对象的内容标签、作者、关键字等信息，内容信息可以根据对象作者为对象添加的备注获得，也可以通过对对象内容的分析获得，具体不做限定。

短期行为数据可以表示为(X₁,X₂,…,X_n)，其中，包括但不限于：播放行为数据、评价行为数据或关注行为数据中的至少一种，播放行为数据可以包括以下任一项或多项：用户对对象的点击行为数据、启动播放行为数据、暂停播放行为数据、切换播放行为数据以及用户播放对象的时长数据等；评价行为数据可以包括以下任一项或多项：用户对对象的发送弹幕行为数据、发送评论行为数据以及点赞行为数据等；关注行为数据可以包括以下任一项或多项：用户对对象作者的关注行为数据、对对象所属集合的关注行为数据以及对对象所属内容分类的关注行为数据等。可以理解，短期行为数据均为体现用户在短时间内对对象的操作行为的数据，通过在短时间内对用户行为的监控，可以获取到用户对对象的短期行为数据。

在本步骤中，目标用户的用户特征、目标对象的对象特征以及目标用户对目标对象的短期行为数据可以是在检测到目标用户的预设操作后获取的，比如，可以在检测到目标用户点击或播放任一对象后，将该对象作为目标对象，获取目标对象的对象特征；或者，也可以是按照预设的时间间隔，获取所存储的目标用户的用户特征、目标对象的对象特征以及目标用户对目标对象的短期行为数据，具体不作限定。

S102：利用预先训练得到的拟合模型对用户特征、对象特征以及短期行为数据进行处理，得到目标用户对目标对象的目标评价值，目标评价值用于评价向目标用户推荐目标对象的长期推荐价值。

其中，拟合模型是基于样本数据对原始模型进行训练得到的，样本数据包括样本用户的用户特征、样本对象的对象特征、样本用户对样本对象的短期行为数据以及样本对象的长期推荐指标。

长期推荐指标可以表示为(Y₁,Y₂，…,Y_m)，包括但不限于：用户留存指标或用户消费指标中的至少一种，用户留存指标可以包括以下任一项或多项：样本用户的平均在线时长、次日留存指标以及会话时长等；用户消费指标可以包括以下任一项或多项：用户消费次数、消费类型或消费数额，等等。可以理解，长期推荐指标均为能够体现对象在较长一段时间内对用户行为的影响的指标，通过在较长一段时间内对用户行为的监控，可以获取到对象的长期推荐指标。

可以理解，多个长期推荐指标之间可能是正相关的，也可能是负相关的，比如，用户的会话时长与平均在线时长即为正相关，也就是说，用户的会话时长增长会使得用户的平均在线时长也随之增长，而用户的会话时长和消费数额之间则通常是矛盾的，比如，在对象中的广告信息较多时，广告收入和会员收入会提高，但是由于广告的增加，用户体验较差，用户的会话时长往往会随之降低。

在本申请中，评价值可以表示为f(Y₁,Y₂，…,Y_m)，评价值可以用于评价向目标用户推荐目标对象的长期推荐价值。比如，若长期推荐指标(Y₁,Y₂，…,Y_m)分别为平均在线时长、次日留存指标、会话时长以及用户消费数额，那么，评价值f(Y₁,Y₂，…,Y_m)即为关于平均在线时长、次日留存指标、会话时长以及用户消费数额的一个函数。

一种情况下，各个长期推荐指标与不同的业务需求相关，对于不同的业务需求而言，各个长期推荐指标的重要程度不同，其中，各项长期推荐指标之间可能是一致的，也可能是矛盾的，比如，会员和广告收入的提升通常意味着对于用户体验以及相应会话时长的伤害，长期推荐指标的预设权重可以基于不同的业务需求，确定各项长期推荐指标的重要程度。这样，可以提高样本评价值评价向样本用户推荐样本对象的长期推荐价值的准确度。

举例而言，可以根据预设的业务需求与指标的对应关系，基于各业务需求的比例确定各个长期推荐指标的权重，或者，也可以根据用户的输入确定各个长期推荐指标的权重，具体不作限定。

短期行为数据与长期推荐指标之间具有一定的关联关系，并且，通常情况下，短期行为数据与长期推荐指标之间是正相关的。举例而言，用户对对象的点击行为数据和启动播放行为数据，表示用户会观看该对象，也就是说，用户的会话时长以及平均在线时长会增长，另外，除去播放该对象的时长外，这个对象所带来的正向体验也可能使得用户看更多其他对象，进一步提高用户的会话时长以及平均在线时长，如果该对象为电视剧，用户更大可能性继续追剧，这样，也会增加用户的次日留存率。

因此，根据长期推荐指标与评价值之间的关系，以及短期行为数据与长期推荐指标之间的关联关系，可以确定短期行为数据与评价值之间也具有一定的关联关系。而本方案就是利用短期行为数据来预测长期推荐指标所对应的评价值，在预测过程中，需要依赖不同业务的定位以及用户对于不同业务的理解，尽可能平衡短期行为数据和长期推荐指标。

举例而言，为本申请中各个短期行为数据与长期推荐指标的示例表。

表1短期行为数据与长期推荐指标的示例表

其中，用户特征及对象特征表示为(user 1,item 1)，短期行为数据包括点击行为数据X₁、播放行为数据X₂、播放时长数据X₃，长期推荐指标包括会话时长Y₁、平均在线时长Y₂、次日留存指标Y₃以及消费数额Y₄，评价值表示为f(Y₁,Y2，Y₃)。点击行为数据X₁表示为(user1,item 1,yes)，也就是用户user 1点击了对象item 1，播放行为数据X₂表示为(user 1,item 1,yes)，也就是用户user 1播放了对象item 1，播放时长数据X₃表示为(user 1,item1,3minutes)，也就是用户user 1播放对象的时长为3分钟，会话时长Y₁表示为(user 1,10minutes)，也就是用户user 1本次会话的时长为10分钟，平均在线时长Y₂表示为(user1,20minutes)，也就是用户user 1的平均在线时长为20分钟，次日留存指标Y₃表示为(user1,yes)，也就是用户user 1在第二天留存，会员收入Y₄表示为(user 1,3cents)，也就是用户user 1用于充值会员的消费为3分钱。

在本步骤中，利用预先训练得到的拟合模型对用户特征、对象特征以及短期行为数据进行处理，得到目标用户对目标对象的目标评价值，当目标评价值高于预设评价值时，可以认为向目标用户推荐目标对象对目标用户的长期推荐指标的正面影响较大，也就是说，根据目标用户对目标对象的短期行为数据，可以预测，向目标用户推荐目标对象后，目标用户在当前业务中各个长期推荐指标的变化，对于实现当前业务的需求具有较大的促进作用，即目标对象的推荐价值较高。反之，当目标评价值低于预设评价值时，可以认为向目标用户推荐目标对象对目标用户的长期推荐指标的正面影响较小，也就是说，根据目标用户对目标对象的短期行为数据，可以预测，向目标用户推荐目标对象后，目标用户在当前业务中各个长期推荐指标的变化，对于实现当前业务的需求的促进作用较小，即目标对象的推荐价值较低。

在本申请提供的拟合模型，是基于对大量用户的短期行为数据和长期推荐指标进行训练得到的，可以较为客观的体现出用户的短期行为数据对于长期推荐指标的影响，因此，将用户特征、对象特征以及短期行为数据输入至拟合模型中，得到的评价值可以预测目标用户后续在长期推荐指标上的表现。

以及，由于长期推荐指标的在各项业务中通常更为重要，因此，后续在获取目标用户的真实的长期推荐指标之后，可以根据获取到的真实的长期推荐指标，对前期获取的目标用户的短期行为数据进行修正，并基于修正后的短期行为数据对拟合模型进行优化或更新，使得拟合模型的拟合效果更好，也使得对目标对象的推荐价值的判断更准确。

本方案中各个短期行为数据较为复杂，并且各个短期行为数据可以有不同类型的取值，同时考虑了用户的个性化，因此，对象评价结果更为合理和精确。

一种实现方式中，基于样本数据对原始模型进行训练包括如下步骤：

首先，获取样本数据，然后，对样本对象的长期推荐指标进行计算，得到样本对象的样本评价值，进而，将样本数据中样本用户的用户特征、样本对象的对象特征、样本用户对样本对象的短期行为数据以及样本评价值作为训练样本，对原始模型进行训练，得到拟合模型。

其中，原始模型可以为multi-task(多任务)模型，得到的拟合模型可以体现样本用户的用户特征、样本对象的对象特征、样本用户对样本对象的短期行为数据与样本用户对样本对象的评价值之间的关系，也就是说，将大量的样本用户的用户特征、样本对象的对象特征、样本用户对样本对象的短期行为数据输入至拟合模型之后，得到的输出值与对应的样本评价值整体效果上越接近，则拟合模型的拟合效果越好。

举例而言，拟合模型可以包括线性拟合模型和非线性拟合模型。其中，线性拟合模型中样本用户的用户特征、样本对象的对象特征、样本用户对样本对象的短期行为数据与样本评价值之间具有线性关系，即样本评价值可用样本用户的用户特征、样本对象的对象特征和样本用户对样本对象的短期行为数据的线性组合所表示。另外，非线性拟合模型也就是曲线拟合模型，是指选择适当的曲线类型来拟合样本用户的用户特征、样本对象的对象特征、样本用户对样本对象的短期行为数据与样本评价值之间的关系，比如，可以为决策树模型、逻辑回归模型、指数模型、对数模型或幂函数模型等，具体不作限定。

一种实现方式中，对原始模型进行训练的过程可以包括如下步骤：首先，基于各样本对象的所述样本评价值，确定各样本对象为正样本或负样本；然后，将样本数据中样本用户的用户特征、样本对象的对象特征、样本用户对样本对象的短期行为数据以及样本评价值，对原始模型进行正负样本训练，并分别对应的权重进行迭代调整，得到拟合模型。

也就是说，利用用户User1在对象Item1上的短期行为数据，替换g(X1,X2,…,Xn；user1featuers；item1featues)*W＝f(Y1,Y2,…,Ym)中相应的值，可以得到对于向用户User1推荐对象Item1的长期推荐价值的预测，进而，利用该预测值作为样本权重，用于定义正负样本。

举例而言，样本评价值可以表示为f(Y₁,Y₂,…,Y_m)。那么，在本步骤中，把多个短期行为数据对长期推荐指标的影响进行分解，同时综合考虑用户特征以及对象特征，以评价值f(Y1,Y2，…,Ym)的取值为目标，对短期行为数据进行拟合。举例而言，针对用户user1在对象item1下的短期行为数据，上述拟合模型训练过程可以表示为g(X₁,X₂,…,X_n；user1_featuers；item1_featues)*W＝f(Y₁,Y₂,…,Y_m)，其中，W表示拟合模型，*表示拟合运算。

在本步骤中，利用拟合参数对目标用户的用户特征、目标对象的对象特征以及短期行为数据进行计算，得到拟合模型的输出值，作为目标用户对目标对象的目标评价值。

一种实现方式中，在得到待评价对象的目标评价值之后，可以根据目标评价值，确定目标对象是否为待推荐对象；若目标对象是待推荐对象，则向目标用户推荐待推荐对象。比如，可以预设目标评价值的推荐阈值，若目标评价值高于该推荐阈值，则确定目标对象为待推荐对象，反之，若目标评价值不高于该推荐阈值，则确定目标对象不是待推荐对象；或者，也可以预设推荐数量，并按照目标评价值对多个目标对象进行排序，若某一目标对象的排名在预设推荐数量之内，则确定该目标对象为待推荐对象，反之，若某一目标对象的排名不在预设推荐数量之内，则确定该目标对象不是待推荐对象。

可以理解，目标评价值体现了根据短期的行为数据对长期推荐指标的预测，因此，在向待推荐用户推荐目标对象时，将目标评价值作为一项参考，可以提高推荐效果，有利于各项长期推荐指标的提高。

另外，在本发明实施例中，在得到目标对象的目标评价值之后，通过对目标用户行为数据的监控，可以获取目标用户的长期推荐指标，然后，获取长期推荐指标与短期行为数据之间的第一关联关系，根据第一关联关系及目标用户的长期推荐指标，修正目标用户的短期行为数据，得到修正行为数据，然后，利用目标用户的用户特征、目标对象的对象特征以及修正行为数据，更新拟合模型。

其中，第一关联关系包括：第二关联关系与第三关联关系，第二关联关系为评价值与长期推荐指标之间的关联关系，第三关联关系为评价值与短期行为数据之间的关联关系，那么，根据第一关联关系及目标用户的长期推荐指标，修正目标用户的短期行为数据，得到修正行为数据的步骤，可以包括：

首先，根据第二关联关系及目标用户的长期推荐指标，计算目标评价值的第一修正值；然后，根据第三关联关系及第一修正值，计算短期行为数据的第二修正值，作为修正行为数据。

其中，第二关联关系可以采取为对样本对象的长期推荐指标进行计算得到样本评价值时的逆运算，比如，根据预设的业务需求与长期推荐指标的对应关系，基于各业务需求的比例确定各个长期推荐指标的权重，或者，也可以根据用户的输入确定各个长期推荐指标的权重，具体不作限定。第三关联关系可以采取拟合模型的逆运算，具体不作限定。

另外一种实现方式中，也可以基于优化对短期行为数据和长期推荐指标的观察和理解，根据用户的输入，确定短期行为数据和长期推荐指标之间的第三关联关系，而不需要通过评价值作为中介进行转换，本申请对此不做限定。

这样，得到的修正行为数据可以作为新的样本数据，实现对样本数据的优化，优化后的样本数据可以应用于多任务学习模型，在后续的对象评价和推荐过程中有利于提升准确度。

由以上可见，本发明实施例提供的对象评价方法，通过提前训练拟合模型，并利用拟合模型来体现用户对对象的短期行为数据与向用户推荐对象后能够获得的长期推荐价值之间的关联关系，因此，可以利用该拟合模型，基于目标用户对目标对象的短期行为数据，来确定向目标用户推荐目标对象的长期推荐价值，即目标评价值，这样，本方案能够基于用户对对象的短期行为数据，实现对对象的长期推荐价值的评价，从而，可以以长期推荐价值为依据对对象进行推荐和分析，这能够满足各种长期业务的需求。另外，本方案在优化目标更复杂，不只是考虑用户点击播放等短期行为数据的场景，或者短期行为数据和长期推荐指标之间的关联更弱的场景中，也可以适用。

如图2所示，本发明实施例还提供了一种对象评价装置的结构示意图，该装置包括：

数据获取模块201，用于获取目标用户的用户特征、目标对象的对象特征以及所述目标用户对所述目标对象的短期行为数据；

评价模块202，用于利用预先训练得到的拟合模型对所述用户特征、所述对象特征以及所述短期行为数据进行计算，得到所述目标用户对所述目标对象的目标评价值，所述目标评价值用于评价向所述目标用户推荐所述目标对象的长期推荐价值。

一种实现方式中，所述装置还包括：

样本获取模块(图中未示出)，用于获取样本数据，其中，所述样本数据包括样本用户的用户特征、样本对象的对象特征、所述样本用户对所述样本对象的样本短期行为数据以及所述样本对象的长期推荐指标，所述长期推荐指标包括以下至少一项：所述样本用户的平均在线时长、次日留存率、会话时长或消费数额；

样本处理模块(图中未示出)，用于对所述样本对象的长期推荐指标进行计算，得到所述样本对象的样本评价值；

训练模块(图中未示出)，用于将所述样本数据中样本用户的用户特征、样本对象的对象特征、所述样本短期行为数据以及所述样本评价值作为训练样本，对原始模型进行训练，得到所述拟合模型。

一种实现方式中，所述训练模块(图中未示出)，具体用于：

将所述样本数据中样本用户的用户特征、样本对象的对象特征、所述样本短期行为数据输入至原始模型中进行计算，得到预测评价值；

根据所述预测评价值与所述样本评价值之间的误差，对所述原始模型中用户特征、对象特征以及对象特征分别对应的权重进行迭代调整，得到所述拟合模型。

一种实现方式中，所述装置还包括：

推荐模块(图中未示出)，用于根据所述目标评价值，确定所述目标对象是否为待推荐对象；若所述目标对象是待推荐对象，则向所述目标用户推荐所述待推荐对象。

一种实现方式中，所述装置还包括：

更新模块(图中未示出)，用于获取评价值与短期行为数据之间的第一关联关系；根据所述第一关联关系及所述目标评价值，修正所述短期行为数据，得到修正行为数据；利用所述目标用户的用户特征、所述目标对象的对象特征以及所述修正行为数据，更新所述拟合模型。

一种实现方式中，所述第一关联关系包括：第二关联关系与第三关联关系，其中，所述第二关联关系为评价值与长期推荐指标之间的关联关系，所述第三关联关系为长期推荐指标与短期行为数据之间的关联关系，

所述更新模块(图中未示出)，具体用于：

根据所述第二关联关系及所述目标评价值，计算所述多项长期推荐指标的第一修正值；

根据所述第三关联关系及所述第一修正值，计算所述短期行为数据的第二修正值，作为修正行为数据。

由以上可见，本发明实施例提供的对象评价装置中，通过提前训练拟合模型，并利用拟合模型来体现用户对对象的短期行为数据与向用户推荐对象后能够获得的长期推荐价值之间的关联关系，因此，可以利用该拟合模型，基于目标用户对目标对象的短期行为数据，来确定向目标用户推荐目标对象的长期推荐价值，即目标评价值，这样，本方案能够基于用户对对象的短期行为数据，实现对对象的长期推荐价值的评价，从而，可以以长期推荐价值为依据对对象进行推荐和分析，这能够满足各种长期业务的需求。

本发明实施例还提供了一种电子设备，如图3所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，

存储器703，用于存放计算机程序；

处理器701，用于执行存储器703上所存放的程序时，实现前述任一实施例。

上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述终端与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

由以上可见，本发明实施例提供的方案中，通过提前训练拟合模型，并利用拟合模型来体现用户对对象的短期行为数据与向用户推荐对象后能够获得的长期推荐价值之间的关联关系，因此，可以利用该拟合模型，基于目标用户对目标对象的短期行为数据，来确定向目标用户推荐目标对象的长期推荐价值，即目标评价值，这样，本方案能够基于用户对对象的短期行为数据，实现对对象的长期推荐价值的评价，从而，可以以长期推荐价值为依据对对象进行推荐和分析，这能够满足各种长期业务的需求。

在本发明提供的又一实施例中，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中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的对象评价方法。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的对象评价方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，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，对于系统实施例而言，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。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。