CN111680216A - 一种试题推荐方法、系统、介质及设备 - Google Patents

Abstract

本发明涉及一种试题推荐方法、系统、介质及设备，该方法包括：采用基于时序残差网络的认知诊断模型计算当前时间状态下的知识能力向量；从题库中抽取推荐试题，生成待推荐给用户的试题集合。本发明的基于时序残差网络‑认知诊断模型的试题推荐方法，旨在将人类记忆规律、认知诊断理论同个性化推荐技术结合起来，根据用户不同时间状态下知识能力向量来动态调整测试试题从而高效的评估知识能力，准确的分析出知识结构中的短板，为个性化学习提供数据支撑。

Description

一种试题推荐方法、系统、介质及设备

技术领域

本发明涉及互联网在线教育领域，具体而言，涉及一种试题推荐方法、系统、介质及设备。

背景技术

随着计算机的不断普及和信息技术的快速发展，知识获取的方式发生了根本性的变化，基于网络的教育方式已逐渐被大家了解和接受。在线学习试题推荐系统、在线考试系统等作为一种教育辅助平台，以其海量的试题资源、方便实用的学习方法赢得了大量学生和教师用户。但是，这些平台往往以系统自身为中心，并没有考虑到用户的实际情况，造成了推荐的试题与用户能力不符，交互性差，学习效率低等问题。

发明内容

针对上述技术问题，本发明提供一种试题推荐方法、系统、介质及设备。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供一种试题推荐方法，包括：、

获取上一时间状态下用户的第一知识能力向量、当前从题库中推荐给所述用户的第一试题集合中测试试题的知识信息维度和属性参数以及当前时间状态下用户所属的用户群体对题库中的测试试题进行测试的实际作答结果；其中，所述第一知识能力向量的知识信息维度与所述题库中的测试试题的知识信息维度对应；

根据所述第一知识能力向量、所述第一试题集合中测试试题的知识信息维度和属性参数，采用基于时序残差网络的认知诊断模型计算当前时间状态下用户的第二知识能力向量；

根据所述第二知识能力向量、用户所属的用户群体对题库中的测试试题进行测试的实际作答结果、所述题库中测试试题的知识信息维度和属性参数，从所述题库中抽取推荐试题，根据抽取的推荐试题生成待推荐给所述用户的第二试题集合。

本发明的有益效果是：基于时序残差网络-认知诊断模型的试题推荐方法，旨在将人类记忆规律、认知诊断理论同个性化推荐技术结合起来，根据用户不同时间状态下知识能力向量来动态调整测试试题从而高效的评估知识能力，准确的分析出知识结构中的短板，为个性化学习提供数据支撑。

第二方面，本发明还提供一种试题推荐系统，包括：

获取模块，用于获取上一时间状态下用户的第一知识能力向量、当前从题库中推荐给所述用户的第一试题集合中测试试题的知识信息维度和属性参数以及当前时间状态下用户所属的用户群体对题库中的测试试题进行测试的实际作答结果；其中，所述第一知识能力向量的知识信息维度与所述题库中的测试试题的知识信息维度对应；

计算模块，用于根据所述第一知识能力向量、所述第一试题集合中测试试题的知识信息维度和属性参数，采用基于时序残差网络的认知诊断模型计算当前时间状态下用户的第二知识能力向量；

抽取模块，用于根据所述第二知识能力向量、用户所属的用户群体对题库中的测试试题进行测试的实际作答结果、所述题库中测试试题的知识信息维度和属性参数，从所述题库中抽取推荐试题，根据抽取的推荐试题生成待推荐给所述用户的第二试题集合。

第三方面，本发明还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述方法。

第四方面，本发明还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。

附图说明

图1为本发明实施例提供的一种试题推荐方法的流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明实施例提供的一种试题推荐方法的流程图，如图1所示，该方法包括以下步骤：

步骤101：获取上一时间状态下用户的第一知识能力向量、当前从题库中推荐给所述用户的第一试题集合中测试试题的知识信息维度和属性参数以及当前时间状态下用户所属的用户群体对题库中的测试试题进行测试的实际作答结果；其中，所述第一知识能力向量的知识信息维度与所述题库中的测试试题的知识信息维度对应；

具体的，本方法可基于试题推荐系统实现，待测试用户在使用系统前，需要进行用户注册从而获取到用户附属信息，所述用户附属信息主要包括待测用户的性别、年龄、是否全职学习、作答的时间以及学习目标值，根据上述信息从信息库中抽取选取知识领域的学科诊断资源以及相关的专家知识库；以认知诊断理论为基础，学科专家针对认知诊断目标，从试题资源库挑选匹配好知识点的试题进行组卷，让待测试用户在指定时间内完成摸底测试试题，以便根据摸底测试试题所涉及的知识信息维度和用户的实际作答结果对用户的知识能力向量α_u进行初始化。

其中，试题考查的知识信息维度包括试题考察的知识点信息、试题考察的抽象能力信息，这些信息可以由学科专家给出，或离线通过自动预测方法得到。所述自动预测可以是预先收集领域专家标注的大量试题信息，利用自然语言处理系统对相关试题和知识信息的关键词进行特征抽取，并利用关键字检索来匹配知识信息和相关试题，最终重新组合成试题知识点矩阵。

设：试题知识点矩阵Q＝{q_vk}_VxK，待测试用户的实际作答矩阵R＝{r_v}_1xV，用户u的知识能力向量α_u＝(x₁，x₂，...，x_K)，其中，V为试题的总数，K为知识领域要求的知识信息维度的总数，q_vk表示Q_VxK矩阵中试题v在第k个知识信息维度的值，r_v表示用户在试题v上的实际作答结果，r_v∈[0，1]，q_vk∈[0，1]，x∈[0，1]。

对用户u的知识能力向量α_u进行初始化具体过程如下：

首先将知识能力向量α_u初始化为零向量，设试题v考察了m个知识信息维度{q_v1，q_v2，...，q_vm}，若用户u对试题v实际作答正确，那么α_u中对应的m个知识信息维度的值加1；若作答错误，这m个知识信息维度的值减1，按照上述方法，就可以根据用户u对这V道摸底测试试题的实际作答结果得到该用户的知识能力向量中每一个知识信息维度的值，再对知识能力向量进行标准化，作为用户u初始的知识能力向量。

步骤102、根据所述第一知识能力向量、所述第一试题集合中测试试题的知识信息维度和属性参数，采用基于时序残差网络的认知诊断模型计算当前时间状态下用户的第二知识能力向量；

有了初始的知识能力向量，就可以执行步骤102，通过认知诊断模型进行诊断，计算出每个时间状态下对应的用户知识能力向量。

认知诊断模型有多种类型，比如RSM(RuleSpaceModel，规则空间模型)、GDM(GeneralDiagnosisModel，通用诊断模型)、FM(FusionModel，融合模型)、DINA(deterministicinputs，noisyandgate，决定性输入噪声与门模型)、AHM(AttributeHierarchyModel，层次属性模型)。其中，DINA模型是目前被广泛应用的认知诊断模型之一，该模型相对比较简洁，诊断准确率较高。DINA模型的项目参数主要有两个，分别是猜测参数(g)和失误参数(s)，g是指用户未掌握试题的所有知识点，但却答对试题的概率；s指被试掌握了试题的所有知识点，但却答错的概率。参数s和g在一定程度上反映了诊断中的噪声。认知诊断中，一般认为若被试未掌握试题的所有知识点，则被试者倾向于答错该试题。DINA模型的具体公式如下：

公式1中P(Y_uv＝m|α_u)表示已知用户u的知识能力向量α_u的情况下，在第v道试题上的得分Y_uv为t分的概率，t＝{0，1}，η_uv∈{0，1}表示在理想情况下(不考虑猜测和失误得情况)作答得分。s_v，g_v表示第v道试题的失误率和猜测率参数。

公式2中K为知识领域要求的知识能力的总数，α_uk表示用户u的第k个知识能力维度的值，q_vk表示测试试卷中第v道试题的第k个知识能力维度的值，η_uv表示用户u对于第v道试题的理想作答反应，其中α_uk，q_vk，η_uv均∈{0，1}。

公式3中R_uv表示用户u作答第v道试题的实际作答结果，

表示用户u的知识能力向量的估计值；在测试试题参数尚未确定时，利用EM算法来最大化公式1的边缘似然，从而得到s_v和g_v的参数估计；而用户u的知识能力向量α_u可以通过α_u的初始化、失误率和猜测率等参数的先验估计通过最大后验概率来确定，从而得到待测用户的知识掌握向量的估计。

为了适应教育领域复杂多变的知识能力体系，本发明实施例中，引入了以时序残差网络(Residual net，RESNET)为基础的DINA认知诊断模型，即RESNET-DINA模型作为后续待测用户知识能力向量的迭代更新提供参照；所述时序残差网络，是一种时间递归神经网络，适用于处理和预测时间序列中间隔和延迟相对较长的重要的事件。进一步地，时序残差网络区别于其他残差网络的方法在于它在算法中加入了时序的概念，每个时间状态下残差衰减参数都依赖于当前时间状态的输入以及上一个时间状态的网络输出，这样处理数据的结构被称为时序残差网络单元(cell)，一个信息进入时序残差网络中，可以根据当前时间状态下待测用户的作答情况来判断其知识能力向量的残差衰减系数，在构建残差衰减系数函数时，算法偏向于待测用户能快速的达到知识能力向量的一般平均水平，但是当知识能力向量要继续提升时或者下降时，残差衰减系数会逐渐减小以减缓更新过程。

公式4所述

良示用户u过去l+1个时间状态的认知向量，ξ表示为时序残差网络的衰减系数，默认数值为0.5，当用户的知识能力向量达到定值后，ξ会逐渐衰减，同时需要保证待测用户的知识能力向量在达到某定值后不能衰减的过于缓慢。

上述公式(1)、(2)、(4)即为RESNET-DINA模型的反应概率函数。与DINA模型相比，RESNET-DINA模型增加了残差衰减系数来使用历史作答数据，同时拓展了反馈的信息量。

按照上述方法反复执行直至满足终止条件，输出最后得到的知识能力向量的估计作为当前时间状态下用户的知识能力向量。这里的终止条件包括：

当试题的属性参数的差值连续小于预设值的次数超过设定次数时，最终输出试题的属性参数；当用户的知识能力向量较上一时间状态的曼哈顿距离差值连续小于预设值的次数超过设定次数，且用户根据所推荐的试题进行作答的错误率达到设定阈值时，最终输出用户的知识能力向量；最终输出的试题的属性参数和用户的知识能力向量的平均绝对值偏差以及平均偏移均方根小于定值。

步骤103、根据所述第二知识能力向量、用户所属的用户群体对题库中的测试试题进行测试的实际作答结果、所述题库中测试试题的知识信息维度和属性参数，从所述题库中抽取推荐试题，根据抽取的推荐试题生成待推荐给所述用户的第二试题集合。；

具体的，该步骤的具体过程如下：

将用户能力向量和对应试题的知识信息向量作为先验，按照下列公式(5)计算用户在试题上的实际表现情况，即在已知用户对试题的答题情况中排除失误和猜测后用户真实水平A_uv。

在获得用户的真实水平A_uv后，将其用于概率矩阵分解，具体的可以从用户真实作答矩阵A_uv中提取特征b_uv作为PMF的先验信息：

其中，b_u表示用户u的学习得分先验程度，体现了学生之间知识点掌握程度的差异，为A_uv第u行的平均值；b_v表示试题v的先验得分程度，体现了试题之间难易程度的差异，为矩阵第v列的平均值，通过考虑用户知识掌握向量，b_u和b_v可以真实反应用户的个性学习状态，从而可以通过下式(7)得到用户的潜在作答情况：

其中μ为总体平均得分，而用户的个性学习状态和用户群体间共性的学习状态在η_uv预测时所占的比例由参数ρ进行调节，ρ∈[0，1]，ρ越大，则表示预测得分更多的受到用户学习状态共性的影响，特别的，当ρ＝0时，不引入学生的个性化学习状态，该方法退化为PMF.通过在PMF分解中加入学生个性化学习状态b_uv，可以使得PMF分解出的低维潜在因子M，N在包含学生之间共性的学习状态时加入学生的个性特征，因此可以提高得分预测的精度和结果的解释性，则PMF-CD的优化目标可以变为最小化函数公式：

其中，λ_M、λ_N为模型的正则化系数。

在已知用户潜在作答反应η_uv后，接下来便是根据用户的潜在作答情况后，依据推荐试题的难度，以及用户最感兴趣的试题进行推荐。具体方法为根据用户的潜在作答情况和试题的知识信息维度按照PH_HKL信息量函数计算出试题的作答概率作为用户对试题的难度系数，从而可以根据用户历史作答试题对应难度系数的下界和上界，以及上下文信息为用户从试题集合中抽取用户感兴趣且难易度合适的个性化试题。为：

在式(9)中，试题的难度系数预测时所占的比例由参数λ进行调节，λ∈[0，1]。

在推荐时可以采用多种方式，比如，可以将要推荐给用户的试题集合中的试题逐个展现给用户，用户可以在线提交答案，由系统给出最终成绩；或者将确定的候选推荐试题集合中的试题打包，并为用户提供下载路径等。当然，还可以采用其它方式将这些试题推荐给用户，对此本发明实施例不做限定。

本发明实施例在线学习试题推荐方法，从知识资源库中获取用户的做题信息及试题考查的技能信息，并依据上一时间状态的知识能力值以及当前时间状态下的作答情况，采用时序残差网络对所述用户的学习情况进行知识能力诊断，得到知识能力诊断结果；然后依据知识能力诊断结果及所述试题考查的技能信息确定候选推荐试题集合，将确定的候选推荐试题集合推荐给用户。该方法实现了对不同用户的个性化、适应性推荐，满足了用户个性化学习的需求，从而可以有效提升用户的学习效率。

此外，现有的试题推荐系统在试题推荐时以试题本身为推荐粒度，并未精细分析试题的技能或知识结构。对于每个课程来说，不同的试题考查的侧重点不同，对用户的技能掌握要求也不同。直接以试题为粒度进行推荐，粒度过大，无法考虑试题所考查的技能信息及用户对技能的掌握情况，如对知识点的掌握，最终导致推荐效果不理想。而本发明充分考虑了试题考察的知识点、抽象能力等不同技能信息，使得对待推荐试题的考查粒度更精细，更能满足用户个性化学习的需求。

本发明实施例还提供一种试题推荐系统，包括：

计算模块，用于根据上一时间状态下的反映用户学习情况的知识能力向量、当前时间状态下用户使用试题集合进行测试的实际作答结果、所述试题集合的知识信息维度和试题的属性参数，采用基于时序残差网络的认知诊断模型计算当前时间状态下用户的知识能力向量；

抽取模块，用于根据所述当前时间状态下用户的知识能力向量、实际作答结果、试题集合的知识信息维度、试题的属性参数、待推荐试题的知识信息维度及其和所述待推荐试题的属性参数，从所述待推荐试题中抽取推荐试题，根据抽取的推荐试题生成待推荐试题集合；

推荐模块，用于将生成的推荐试题集合推荐给用户。

可选地，在该实施例中，所述计算模块采用基于时序残差网络的认知诊断模型计算当前时间状态下的第二知识能力向量，具体包括：

根据所述第一知识能力向量和所述第一试题集合中测试试题的知识信息维度，采用EM算法得到所述第一试题集合中测试试题的属性参数的估计值；

根据所述第一试题集合中测试试题的属性参数的估计值和当前时间状态下用户使用所述第一试题集合进行测试的实际作答结果，通过最大化用户得分的后验概率得到所述第二知识能力向量的估计值；

反复执行计算所述第一试题集合中测试试题的属性参数的估计值和第二知识能力向量的估计值的过程，直至满足终止条件，输出最后得到的第二知识能力向量的估计值作为所述第二知识能力向量。

可选地，在该实施例中，所述终止条件包括：

当相邻两次计算得到的所述第一试题集合中测试试题的属性参数的差值连续小于预设值的次数超过设定次数时，最终输出所述第一试题集合中测试试题的属性参数；

当用户的知识能力向量较上一时间状态下用户的知识能力向量的曼哈顿距离差值连续小于预设值的次数超过设定次数，且用户作答的错误率达到设定阈值时，最终输出用户的第二知识能力向量；

最终输出的用户的第二知识能力向量的平均绝对值偏差以及平均偏移均方根小于定值。

本发明实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述方法实施例中的方法步骤；或者存储上述系统实施例的各个软件模块对应的指令。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法实施例中的方法步骤。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种试题推荐方法，其特征在于，应用于试题推荐系统，包括：

获取上一时间状态下用户的第一知识能力向量、当前从题库中推荐给所述用户的第一试题集合中测试试题的知识信息维度和属性参数以及当前时间状态下用户所属的用户群体对题库中的测试试题进行测试的实际作答结果；其中，所述第一知识能力向量的知识信息维度与所述题库中的测试试题的知识信息维度对应；

根据所述第一知识能力向量、所述第一试题集合中测试试题的知识信息维度和属性参数，采用基于时序残差网络的认知诊断模型计算当前时间状态下用户的第二知识能力向量；

根据所述第二知识能力向量、用户所属的用户群体对题库中的测试试题进行测试的实际作答结果、所述题库中测试试题的知识信息维度和属性参数，从所述题库中抽取推荐试题，根据抽取的推荐试题生成待推荐给所述用户的第二试题集合。

2.根据权利要求1所述的一种试题推荐方法，其特征在于，所述采用基于时序残差网络的认知诊断模型计算当前时间状态下的第二知识能力向量，具体包括：

根据所述第一知识能力向量和所述第一试题集合中测试试题的知识信息维度，采用EM算法得到所述第一试题集合中测试试题的属性参数的估计值；

根据所述第一试题集合中测试试题的属性参数的估计值和当前时间状态下用户使用所述第一试题集合进行测试的实际作答结果，通过最大化用户得分的后验概率得到所述第二知识能力向量的估计值；

反复执行计算所述第一试题集合中测试试题的属性参数的估计值和第二知识能力向量的估计值的过程，直至满足终止条件，输出最后得到的第二知识能力向量的估计值作为所述第二知识能力向量。

3.根据权利要求2所述的一种试题推荐方法，其特征在于，所述终止条件包括：

当相邻两次计算得到的所述第一试题集合中测试试题的属性参数的差值连续小于预设值的次数超过设定次数时，最终输出所述第一试题集合中测试试题的属性参数；

当用户的知识能力向量较上一时间状态下用户的知识能力向量的曼哈顿距离差值连续小于预设值的次数超过设定次数，且用户作答的错误率达到设定阈值时，最终输出用户的第二知识能力向量；

最终输出的用户的第二知识能力向量的平均绝对值偏差以及平均偏移均方根小于定值。

4.根据权利要求2所述的一种试题推荐方法，其特征在于，所述认知诊断模型采用DINA模型，所述属性参数包括失误率和猜测率，所述第一知识能力向量和第二知识能力向量均为反映用户对K个知识信息维度的学习情况的K维向量；

所述采用EM算法得到所述第一试题集合中测试试题的属性参数的估计值，具体包括：

根据上一时间状态下用户u的第一知识能力向量α_u，按照下列公式得到用户u在第v道试题上的理想作答反应η′_uv：

其中，α_uk表示第一知识能力向量α_u中第k个知识能力维度的值，q_vk表示第v道试题的第k个知识能力维度的值，其中α_uk,q_vk,η′_uv∈{0,1}，用户数量为U，试题数量为V；

利用EM算法最大化下列公式的边缘似然概率，得到第v道试题的失误率s_v的估计值

和猜测率g_v的估计值

其中，P(Y_uv＝m|α_u)表示已知第一知识能力向量α_u的情况下，在第v道试题上的得分Y_uv为m分的概率，m＝{0,1}；

所述通过最大化用户得分的后验概率得到所述第二知识能力向量的估计值，具体包括：

按照下列最大后验概率公式，得到用户u在t时刻的知识能力向量α_tu的估计值

其中，R_uv表示用户u在第v道试题的实际作答结果，

表示用户u过去l+1个时间状态的知识能力向量，l为超参数，ξ表示为时序残差网络的衰减系数。

5.根据权利要求4所述的一种试题推荐方法，其特征在于，所述从所述题库中抽取推荐试题，具体包括：

根据所述用户u在t时刻的知识能力向量α_tu的估计值

当前时间状态下用户使用所述第一试题集合进行测试的实际作答结果和第一试题集合中测试试题的失误率和猜测率，确定在已知用户对试题的答题情况中排除失误和猜测后用户真实水平A_uv：

根据A_uv得到用户的潜在作答情况η_uv的初始值：

η_uv＝μ+ρb_uv+(1-ρ)M^TN

其中，μ为总体平均得分，ρ为比例参数，ρ∈[0,1]，b_uv＝b_u+b_v，

M^T为对所述当前时间状态下用户所属的用户群体对题库中的测试试题进行测试的实际作答结果构成的作答矩阵进行概率矩阵分解后得到的知识信息维度潜在因子矩阵的转置矩阵，N为对所述作答矩阵进行概率矩阵分解得到的试题知识信息维度潜在因子矩阵；

通过最小化平方损失函数E求解M和N，得到用户的潜在作答情况η_uv的最终值：

其中，λ_M、λ_N为正则化系数；

根据用户的真实水平A_uv、潜在作答情况η_uv的最终值、题库中所有测试试题的失误率s_v和猜测率g_v，按照PH_HKL信息量函数计算出所述题库中所有测试试题的作答概率作为用户对所有测试试题的难度系数D_uv：

其中，λ为比例参数；

根据所述难度系数抽取推荐试题。

6.一种试题推荐系统，其特征在于，包括：、

获取模块，用于获取上一时间状态下用户的第一知识能力向量、当前从题库中推荐给所述用户的第一试题集合中测试试题的知识信息维度和属性参数以及当前时间状态下用户所属的用户群体对题库中的测试试题进行测试的实际作答结果；其中，所述第一知识能力向量的知识信息维度与所述题库中的测试试题的知识信息维度对应；

计算模块，用于根据所述第一知识能力向量、所述第一试题集合中测试试题的知识信息维度和属性参数，采用基于时序残差网络的认知诊断模型计算当前时间状态下用户的第二知识能力向量；

抽取模块，用于根据所述第二知识能力向量、用户所属的用户群体对题库中的测试试题进行测试的实际作答结果、所述题库中测试试题的知识信息维度和属性参数，从所述题库中抽取推荐试题，根据抽取的推荐试题生成待推荐给所述用户的第二试题集合。

7.根据权利要求6所述的一种试题推荐系统，其特征在于，所述计算模块采用基于时序残差网络的认知诊断模型计算当前时间状态下的第二知识能力向量，具体包括：

根据所述第一知识能力向量和所述第一试题集合中测试试题的知识信息维度，采用EM算法得到所述第一试题集合中测试试题的属性参数的估计值；

根据所述第一试题集合中测试试题的属性参数的估计值和当前时间状态下用户使用所述第一试题集合进行测试的实际作答结果，通过最大化用户得分的后验概率得到所述第二知识能力向量的估计值；

反复执行计算所述第一试题集合中测试试题的属性参数的估计值和第二知识能力向量的估计值的过程，直至满足终止条件，输出最后得到的第二知识能力向量的估计值作为所述第二知识能力向量。

8.根据权利要求7所述的一种试题推荐系统，其特征在于，所述终止条件包括：

当相邻两次计算得到的所述第一试题集合中测试试题的属性参数的差值连续小于预设值的次数超过设定次数时，最终输出所述第一试题集合中测试试题的属性参数；

当用户的知识能力向量较上一时间状态下用户的知识能力向量的曼哈顿距离差值连续小于预设值的次数超过设定次数，且用户作答的错误率达到设定阈值时，最终输出用户的第二知识能力向量；

最终输出的用户的第二知识能力向量的平均绝对值偏差以及平均偏移均方根小于定值。

9.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行根据权利要求1至5任一项所述的方法。

10.一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的方法。

Images