基于机器学习的试听课老师智能分配方法、装置和电子设备

技术领域

本发明属于教育领域，特别适用于在线教育领域，更具体的是涉及基于机器学习的试听课老师智能分配方法、装置和电子设备。

背景技术

随着互联网络的发展，越来越多的网络课程涌现，老师通过网络授课或在线课堂来传授知识成为了重要的学习方式。

然而，在现有的一部分在线教育系统中，在具体课程报名之前，通过为试听者提供相应试听课，事实上，试听学员的成交率很低。在报名平台上，试听学员是一个一个进行报名的，并不是同时报名。一方面大量试听学员中能成为正式学员的数量很少，换言之，试听学员的转化率很低。另一方面，同一课程的分配老师中的各个老师的教学水平差异也很大。因此，如何更合理、更有效地进行试听学员和老师之间的分配是非常值得去研究的问题。

现有技术中，随机将老师分配给试听学员，会导致试听学员和老师之间的分配关系不合理，还存在因上述这种分配关系不合理而造成的听课员的成交率或者转化率低等问题。

因此，有必要提供一种试听课老师智能分配方法，以解决上述问题。

发明内容

(一)要解决的技术问题

本发明旨在解决在线教育中试听学员和老师之间的分配关系不合理、因上述这种分配关系不合理而造成的听课员的成交率或者转化率低等问题。

(二)技术方案

为解决上述技术问题，本发明的一方面提出一种基于机器学习的试听课老师智能分配方法，所述方法包括如下步骤：建立训练数据集，该训练数据集包括历史学员的行为数据和试听课表现数据；构建学员表现预测模型，使用所述训练数据集训练该学员表现预测模型；使用训练好的学员表现预测模型，计算对当前试听课学员的学员表现预测值；根据预定分配策略和学员表现预测值为所述当前试听课学员分配试听课老师。

根据本发明的优选实施方式，根据预定分配策略和学员表现预测值为所述当前试听课学员分配试听课老师包括：根据所述学员表现预测值对学员进行分类；根据预定分配策略将不同分类的学员分配给相应的老师。

根据本发明的优选实施方式，根据所述学员表现预测值对学员进行分类包括：根据学员表现预测值与比对阈值对学员进行分类。

根据本发明的优选实施方式，所述比对阈值跟随试听课参数进行动态调整。

根据本发明的优选实施方式，在计算与当前试听学员相对应的比对阈值之前，判断当前试听学员是否为报名排序第一的学员；在判断结果为是的情况下，调用与业务任务相同的业务任务的历史学员数据，以所计算的学员转化率的平均值作为初始比对阈值；在判断结果为否的情况下，使用所述当前试听学员的报名排序减一的所有历史学员数据，根据所述线性拟合方法，计算与所述当前试听学员相对应的动态比对阈值。

根据本发明的优选实施方式，所述比对阈值根据试听课参数动态调整包括：根据试听课参数进行线性拟合，以计算所述比对阈值，其中，所述试听课参数包括以下的至少一个：总人数、报名时长、课程类型、特定时间内用户的报名人数、当前试听学员所处的报名时间和报名排名。

根据本发明的优选实施方式，根据预定分配策略将不同分类的学员分配给相应的老师包括：为待分配的老师设置容忍系数和/或优先级；根据各待分配老师的容忍系数和/或优先级，为学员分配相应的老师，所述容忍系数表示分配的学员数量超过或低于标准分配数量的比例或数量。

根据本发明的优选实施方式，根据预定分配策略将不同分类的学员分配给相应的老师还包括：对待分配的老师预分组，为不同分配的老师设定不同的容忍系数和/或优先级。

本发明第二方面提出一种基于机器学习的试听课老师智能分配装置，包括：建立模块，用于建立训练数据集，该训练数据集包括历史学员的行为数据和试听课表现数据；模型构建模块，用于构建学员表现预测模型，使用所述训练数据集训练该学员表现预测模型；计算模块，用于使用训练好的学员表现预测模型，计算对当前试听课学员的学员表现预测值；分配模块，用于根据预定分配策略和学员表现预测值为所述当前试听课学员分配试听课老师。

根据本发明的优选实施方式，所述分配模块还包括：根据所述学员表现预测值对学员进行分类；根据预定分配策略将不同分类的学员分配给相应的老师。

根据本发明的优选实施方式，还包括比对模块，所述比对模块用于根据学员表现预测值与比对阈值对学员进行分类。

根据本发明的优选实施方式，所述比对阈值跟随试听课参数进行动态调整。

根据本发明的优选实施方式，还包括判断模块，所述判断模块在计算与当前试听学员相对应的比对阈值之前，判断当前试听学员是否为报名排序第一的学员；在判断结果为是的情况下，调用与业务任务相同的业务任务的历史学员数据，以所计算的学员转化率的平均值作为初始比对阈值；在判断结果为否的情况下，使用所述当前试听学员的报名排序减一的所有历史学员数据，根据所述线性拟合方法，计算与所述当前试听学员相对应的动态比对阈值。

根据本发明的优选实施方式，所述计算模块还包括：根据试听课参数进行线性拟合，以计算所述比对阈值，其中，所述试听课参数包括以下的至少一个：总人数、报名时长、课程类型、特定时间内用户的报名人数、当前试听学员所处的报名时间和报名排名。

根据本发明的优选实施方式，还包括设置模块，所述设置模块用于为待分配的老师设置容忍系数和/或优先级；根据各待分配老师的容忍系数和/或优先级，为学员分配相应的老师，所述容忍系数表示分配的学员数量超过或低于标准分配数量的比例或数量。

根据本发明的优选实施方式，还包括：对待分配的老师预分组，为不同分配的老师设定不同的容忍系数和/或优先级。

本发明第三方面提出一种电子设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行所述的基于机器学习的试听课老师智能分配方法。

本发明第四方面还提出一种计算机可读介质，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现所述的基于机器学习的试听课老师智能分配方法。

(三)有益效果

与现有技术相比，本发明通过使用学员表现预测模型计算学员表现预测值，能够更准确地预测试听学员的质量情况，并能够根据对试听学员的质量情况的量化，进一步预测该试听学员的转化情况；通过使用线性拟合方法动态计算相关比对参数，能够更全面、更准确地计算每个待报名的试听学员的比对阈值，能够为试听学员和老师之间的分配关系提供更准确的分配参数，并能够实现更有效、更合理的分配关系，从而能够更准确地评估试听学员的转化情况；通过计算老师的容忍系数和/或优先级，确定预定分配策略，根据预定分配策略和学员表现预测值，能够更准确实现试听学员和老师之间的有效分配关系，并能够提高试听学员的转化率(或成交率)。

附图说明

图1是本发明的实施例1的基于机器学习的试听课老师智能分配方法的一示例的流程图；

图2是本发明的实施例1的基于机器学习的试听课老师智能分配方法的另一示例的流程图；

图3是本发明的实施例1的基于机器学习的试听课老师智能分配方法的又一示例的流程图；

图4是本发明的实施例2的基于机器学习的试听课老师智能分配装置的一示例的示意图；

图5是本发明的实施例2的基于机器学习的试听课老师智能分配装置的另一示例的示意图；

图6是本发明的实施例2的基于机器学习的试听课老师智能分配装置的又一示例的示意图；

图7是本发明的一个实施例的电子设备的结构示意图；

图8是本发明的一个实施例的计算机可读记录介质的示意图。

具体实施方式

在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。

附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。

附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。

各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。

针对在线教育中课程报名试听课员的成交率或者转化率低的问题，本发明提出一种基于机器学习的试听课老师智能分配方法，从试听课学员和待分配老师之间的更有效匹配的角度出发，把转化率或续费率高的试听学员，分配给一些能力相对较强的老师，能够提升成交率或转化率，因此，本发明的方法能够实现试听学员和老师之间的有效匹配，并能够提升试听学员的成交率或转化率。

本发明通过构建学员表现预测模型，使用训练数据集训练该学员表现预测模型，并使用训练好的学员表现预测模型，计算对当前试听课学员的学员表现预测值。然后，根据预定分配策略和学员表现预测值为所述当前试听课学员分配试听课老师。本发明的改进之处在于，为了实现上述这种更有效匹配的过程，在接收到一个当前试听学员的报名信息时，实时计算与该当前试听学员相对应的比对阈值，所述比对阈值跟随试听课参数进行动态调整。将所述比对阈值与当前学员的学员表现预测值比较，对当前学员进行分类，并根据预定分配策略为当前学员分配试听课老师。由此，能够实现更有效的分配关系，并能够提升试听学员的成交率或转化率。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。

附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。

附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。

各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。

实施例1

图1是本发明的实施例1的基于机器学习的试听课老师智能分配方法的一示例的流程图。

如图1所示，提供了一种试听课老师智能分配方法，具体包括如下步骤。

S101步骤，建立训练数据集，该训练数据集包括历史学员的行为数据和试听课表现数据。

S102步骤，构建学员表现预测模型，使用所述训练数据集训练该学员表现预测模型。

S103步骤，使用训练好的学员表现预测模型，计算对当前试听课学员的学员表现预测值。

S104步骤，根据预定分配策略和学员表现预测值为所述当前试听课学员分配试听课老师。

在本示例中，本发明的方法用于对线上APP的当前试听学员实时预测，以为该当前试听学员动态分配相应试听课老师。

首先，在S101步骤中，建立训练数据集，该训练数据集包括历史学员的行为数据和试听课表现数据。

具体地，训练数据集包括历史学员的行为数据和试听课表现数据。

进一步地，历史学员的行为数据包括APP使用行为数据、动支行为数据等。其中，动支行为数据包括对学习课程的购买记录数据、续费记录数据，该缴费记录数据包括是否付费、付费额、付费时间、付费时间是否是特定时间节点。

在本示例中，该特定时间节点为周六或周日，但是不限于此，在其他示例中，该特定时间节点还可以为周一至周五中的任一天。

进一步地，试听课表现数据包括如下至少两个数据：试听学员对试听课老师的评分、试听后的电话沟通次数、是否报名、所报的课程类型和课时数、总课程时长等。

需要说明的是，上述仅作为优选示例进行说明，不能理解成对本发明的限制。

在另一示例中，除了上述数据之外，训练数据集还包括基本属性数据、课程的报名时间、课程招收人数等，其中，该基本属性数据包括年龄、性别等。

在又一示例中，训练数据集包括用户基本属性数据、APP使用行为数据、动支行为数据、课程的报名时间、课程招收人数、试听学员的报名时间、试听学员的报名排名、是否报名、是否付费。

接下来，在S102步骤中，构建学员表现预测模型，使用所述训练数据集训练该学员表现预测模型。

在本示例中，对于构建模型，还包括定义好坏样本，标签为0，1，其中，1表示试听学员转化为正式学员的转化率(或成交率)为Y以上的样本，0表示试听学员转化为正式学员的转化率(或成交率)为小于Y的样本。通常，转化率越高表示该试听学员转化为正式学员的可能性越大，而转化率越低表示听学员转化为正式学员的可能性越小。

优选地，使用FM算法，构建学员表现预测模型。但是不限于此，在其他示例中，还可以使用FFM算法、DeepFM，或者两种算法的组合算法等，或者使用机器学习的其他方式，构建学员表现预测模型。

进一步地，使用训练数据集训练该学员表现预测模型，以用于评估当前试听学员表现预测值。

由此，通过使用学员表现预测模型计算学员表现预测值，能够更准确地预测试听学员的质量情况，并能够根据对试听学员的质量情况的量化，进一步预测该试听学员的转化情况。

接下来，在S103步骤中，使用训练好的学员表现预测模型，计算对当前试听课学员的学员表现预测值。

在本示例中，获取当前试听课学员的行为特征数据和基本属性数据，以计算该当前试听课学员的表现预测值。

进一步地，根据学员表现预测值与比对阈值对学员进行分类。

优选地，比对阈值跟随试听课参数进行动态调整。

图2是本发明的实施例1的基于机器学习的试听课老师智能分配方法的另一示例的流程图。

如图2所示，还包括计算比对阈值的步骤S201，以用于更准确地预测试听学员的质量情况。

在本示例中，使用线性拟合方法，计算与所述当前试听学员相对应的动态比对阈值。

具体地，根据试听课参数进行线性拟合，以计算所述比对阈值，其中，所述试听课参数包括以下的至少一个：总人数、报名时长、课程类型、特定时间内用户的报名人数、当前试听学员所处的报名时间和报名排名。

例如，课程类型为英语，报名时间为7天，该课程招收60人，当前试听学员的报名时间为周一，报名排名为第五名。

具体地，使用已报名的前四名的比对阈值以及试听课参数，进行线性拟合，以计算该当前试听学员的比对阈值。由此，能够获得更准确的比对阈值，从而通过动态计算每个待报名的试听学员的比对阈值，能够更准确地评估试听学员的质量情况，从而能够对试听学员进行更准确的分类。

图3是本发明的实施例1的基于机器学习的试听课老师智能分配方法的又一示例的流程图。

如图3所示，还包括计算当前试听学员的质量指标的步骤S301。

在步骤S301中，计算当前试听学员的质量指标，由此，能够量化试听学员的质量情况，并能够进一步优化对试听学员质量的预测准确性。

在本示例中，该质量指标包括报名时间和/或产生动支行为的时间为特定时间节点，其中，该特定时间节点为周六或周日，该质量指标用于表示试听学员的质量情况。

优选地，该质量指标等于历史平均周末转化概率与历史平均周中转化概率之差。但是不限于此，在其他示例中还可以使用其他计算方法。

在本示例中，使用线性拟合方法，并使用所述用户质量指标作为计算比对阈值的调整参数，以计算当前试听学员的比对阈值。因此，上述计算方法能够从时间周期性影响因素的角度，更全面、更准确地计算每个待报名的试听学员的比对阈值，从而能够更准确地评估试听学员的转化情况。

需要说明的是，上述仅作为优先示例进行说明，不能理解成对本发明的限制。在其他示例中，对于报名时长超过预定时长的课程，还可以使用时间影响因素等其他参数，并使用线性拟合方法或者其他方法，计算试听学员的比对阈值。

优选地，在计算与当前试听学员相对应的比对阈值之前，判断当前试听学员是否为报名排序第一的学员。

一方面，在判断结果为是的情况下，调用与业务任务(在本示例中，为某报名课程)相同的业务任务的历史学员数据，以所计算的学员转化率的平均值作为初始比对阈值。

另一方面，在判断结果为否的情况下，使用所述当前试听学员的报名排序减一的所有历史试听学员数据，根据所述线性拟合方法，计算与所述当前试听学员相对应的比对阈值。

由此，能够为试听学员和老师之间的分配关系提供更准确的分配参数，并能够实现更有效、更合理的分配关系。

接下来，在S104步骤中，根据预定分配策略和学员表现预测值为所述当前试听课学员分配试听课老师。

具体地，根据所述学员表现预测值对学员进行分类。

进一步地，根据预定分配策略将不同分类的学员分配给相应的老师。

在本示例中，构建评分模型，使用不同课程类型的老师的历史数据，建立训练数据集，该训练数据集包括老师身份标识信息、课程类型、带课人数、带课时长、试听课转化率等。

具体地，使用训练好的评分模型，计算每个老师的评分，并根据所计算的老师评分，对所有老师进行预分组。在本示例中，该老师评分为0～1之间的一个数值。

在另一示例中，计算老师的学员试听课转化率作为老师评分。

需要说明的是，可以使用FM算法构建上述评分模型。但是不限于此，在其他示例中，还可以使用FFM算法、DeepFM，或者两种算法的组合算法等，或者使用机器学习的其他方式，进行模型构建。

例如，根据所计算的老师评分，对所有老师进行排序(例如根据从好到差的顺序、从老师能力强到弱的顺序等)，并分成1、2、3…N组，再为每一组中的待分配老师设置容忍系数，所述容忍系数表示分配的学员数量超过或低于标准分配数量的比例或数量。

优选地，为待分配的老师设置容忍系数和/或优先级，并根据各待分配老师的容忍系数和/或优先级，为学员分配相应的老师。

在本示例中，对于容忍系数的设定，根据课程类型、报名人数、报名时长等影响因素，进行计算，以实现设定目标，但是不限于此，由于在实际应用中，容忍系数会因影响因素的变化而变化，并且差异性很大，所以根据实际课程业务的情况，进行设定或计算。

优选地，所述容忍系数在2％～40％的范围内，更优选地，在8％～30％的范围内。

在本示例中，将所计算的各老师的评分作为优先级的系数。

例如，试听学员A对应分配是3组的待分配老师，但是3组中的待分配老师有10个，再根据容忍系数确定老师a作为该试听学员A的试听课老师。

再例如，试听学员B对应分配是10组的待分配老师，但是10组中的待分配老师有5个，先根据容忍系数确定老师b(优先级的系数为0.7)和老师c(优先级的系数为0.8)，再根据优先级确定该试听学员B的试听课老师c。

由此，通过计算老师的容忍系数和/或优先级，确定预定分配策略，根据预定分配策略和学员表现预测值，能够更准确实现试听学员和老师之间的有效分配关系，并能够提高试听学员的转化率(或成交率)。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。此外，在实施例2中，省略了与实施例1相同的部分的说明。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

与现有技术相比，本发明的方法通过使用学员表现预测模型计算学员表现预测值，能够更准确地预测试听学员的质量情况，并能够根据对试听学员的质量情况的量化，进一步预测该试听学员的转化情况；通过使用线性拟合方法动态计算相关比对参数，能够更全面、更准确地计算每个待报名的试听学员的比对阈值，能够为试听学员和老师之间的分配关系提供更准确的分配参数，并能够实现更有效、更合理的分配关系，从而能够更准确地评估试听学员的转化情况；通过计算老师的容忍系数和/或优先级，确定预定分配策略，根据预定分配策略和学员表现预测值，能够更准确实现试听学员和老师之间的有效分配关系，并能够提高试听学员的转化率(或成交率)。

实施例2

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

参照图4至图6，将说明本发明的实施例2的基于机器学习的试听课老师智能分配装置400。

根据本发明的第二方面，本发明还提供了一种基于机器学习的试听课老师智能分配装置400，该试听课老师智能分配装置400包括：建立模块401，用于建立训练数据集，该训练数据集包括历史学员的行为数据和试听课表现数据；模型构建模块402，用于构建学员表现预测模型，使用所述训练数据集训练该学员表现预测模型；计算模块403，用于使用训练好的学员表现预测模型，计算对当前试听课学员的学员表现预测值；分配模块404，用于根据预定分配策略和学员表现预测值为所述当前试听课学员分配试听课老师。

优选地，所述分配模块404还包括：根据所述学员表现预测值对学员进行分类；根据预定分配策略将不同分类的学员分配给相应的老师

如图5所示，还包括比对模块501，所述比对模块501用于根据学员表现预测值与比对阈值对学员进行分类。

优选地，所述比对阈值跟随试听课参数进行动态调整。

如图6所示，还包括判断模块601，所述判断模块601在计算与当前试听学员相对应的比对阈值之前，判断当前试听学员是否为报名排序第一的学员；在判断结果为是的情况下，调用与业务任务相同的业务任务的历史学员数据，以所计算的学员转化率的平均值作为初始比对阈值；在判断结果为否的情况下，使用所述当前试听学员的报名排序减一的所有历史学员数据，根据所述线性拟合方法，计算与所述当前试听学员相对应的动态比对阈值。

优选地，所述计算模块403还包括：根据试听课参数进行线性拟合，以计算所述比对阈值，其中，所述试听课参数包括以下的至少一个：总人数、报名时长、课程类型、特定时间内用户的报名人数、当前试听学员所处的报名时间和报名排名。

如图6所示，还包括设置模块602，所述设置模块602用于为待分配的老师设置容忍系数和/或优先级；根据各待分配老师的容忍系数和/或优先级，为学员分配相应的老师，所述容忍系数表示分配的学员数量超过或低于标准分配数量的比例或数量。

优选地，对待分配的老师预分组，为不同分配的老师设定不同的容忍系数和/或优先级。

与现有技术相比，本发明通过使用学员表现预测模型计算学员表现预测值，能够更准确地预测试听学员的质量情况，并能够根据对试听学员的质量情况的量化，进一步预测该试听学员的转化情况；通过使用线性拟合方法动态计算相关比对参数，能够更全面、更准确地计算每个待报名的试听学员的比对阈值，能够为试听学员和老师之间的分配关系提供更准确的分配参数，并能够实现更有效、更合理的分配关系，从而能够更准确地评估试听学员的转化情况；通过计算老师的容忍系数和/或优先级，确定预定分配策略，根据预定分配策略和学员表现预测值，能够更准确实现试听学员和老师之间的有效分配关系，并能够提高试听学员的转化率(或成交率)。

实施例3

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图7是本发明的一个实施例的电子设备的结构示意图，该电子设备包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行图1的方法。

如图7所示，电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。

所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。

所述存储器包括易失性存储器，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(ROM)。

可选的，该实施例中，电子设备还包括有I/O接口，其用于电子设备与外部的设备进行数据交换。I/O接口可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

应当理解，图7显示的电子设备仅仅是本发明的一个示例，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。

图8是本发明的一个实施例的计算机可读记录介质的示意图。如图8所示，计算机可读记录介质中存储有计算机可执行程序，所述计算机可执行程序被执行时，实现本发明上述方法。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

通过以上对实施方式的描述，本领域的技术人员易于理解，本发明可以由能够执行特定计算机程序的硬件来实现，例如本发明的系统，以及系统中包含的电子处理单元、服务器、客户端、手机、控制单元、处理器等来实现。本发明也可以由执行本发明的方法的计算机软件来实现，例如由微处理器、电子控制单元，客户端、服务器端等执行的控制软件来实现。但需要说明的是，执行本发明的方法的计算机软件并不限于由一个或特定个的硬件实体中执行，其也可以是由不特定具体硬件的以分布式的方式来实现。对于计算机软件，软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中，也可以分布式存储于网络上，只要其能使得电子设备执行根据本发明的方法。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。