CN115689676A - 一种行业识别的方法、装置、存储介质及电子设备 - Google Patents

Abstract

本说明书公开了一种行业识别的方法、装置、存储介质及电子设备。在本说明书提供的行业识别方法中，会获取用户的用户信息，并提取出相应的融合特征；将融合特征作为输入，分别输入识别模型中的每个标签层级的特征提取层，确定用户对应不同标签层级下的局部的维度特征；同时，按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定用户的全局的维度特征；根据各局部的维度特征以及全局的维度特征，确定用户的层级特征；将层级特征输入识别模型的输出子网，输出用户的行业在各标签维度下的标签。

Description

一种行业识别的方法、装置、存储介质及电子设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种行业识别的方法、装置、存储介质及电子设备。

背景技术

随着互联网的发展，业务平台逐渐上线了各种各样的业务。但实际上，许多用户在日常生活中并没有时间从种类繁多的业务中挑选业务；同时，过多的业务也可能使一些有业务需求的用户找不到适合自己的业务，因此，需要业务平台合理地向用户推荐一些业务，来帮助用户选择出合适的业务。

通常情况下，业务平台会根据用户的个人信息来为用户推荐合适的业务，其中，根据用户的行业来为用户推荐业务有着较好的效果。然而目前，出于对用户隐私数据的保护，业务平台能够得到的用户信息往往是非常有限的，很多时候并不能直接得知用户的行业。

因此，如何判断出用户所属的行业是一个亟待解决的问题。

发明内容

本说明书提供一种行业识别方法及行业识别装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种行业识别的方法，包括：

获取用户的用户信息；

将所述用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述用户的融合特征；

将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；

按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；

根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签特征；

将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述用户的行业在各标签层级下的标签。

可选地，获取用户的用户信息，具体包括：

根据从多数据源获取的所述用户的用户数据，确定所述用户的用户信息，所述用户信息包括位置信息、行为信息以及从业许可信息。

可选地，所述特征处理子网中至少包括：提取层、拼接层、融合层；

通过所述模型中特征处理子网，确定所述用户的融合特征，具体包括：

将所述位置信息、行为信息、从业许可信息输入所述提取层，通过所述提取层提取所述用户的位置特征、行为特征、从业许可特征；

将所述位置特征和所述行为特征输入所述拼接层，通过所述拼接层确定拼接特征；

将所述从业许可特征和所述拼接特征输入所述融合层，通过所述融合层确定融合特征。

可选地，所述提取层至少包括：第一提取层和第二提取层；

将所述位置信息、行为信息、从业许可信息输入所述提取层，通过所述提取层提取所述用户的位置特征、行为特征、从业许可特征，具体包括：

将从业许可信息输入所述第一提取层，通过所述第一提取层提取所述用户的从业许可特征；

将所述位置信息以及行为信息输入所述第二提取层，通过所述第二提取层提取所述用户的位置特征以及行为特征。

可选地，所述特征提取层包括：全局输出层以及局部输出层；

将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征，具体包括：

针对每个特征提取层，按照各特征提取层对应的标签层级的上下层关系，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；

将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；

依次通过该特征提取层的全局输出层以及局部输出层，确定该特征提取层输出的局部的维度特征，作为该特征提取层对应的标签层级下的局部的维度特征；

其中，针对每个标签层级，该标签层级越高，该标签层级下的标签的粒度越细。

可选地，按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征，具体包括：

针对每个特征提取层，按照各特征提取层对应的标签层级从低到高的顺序，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；

将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；

根据最高标签层级的特征提取层的全局输出层输出的中间特征，确定所述用户的全局的维度特征。

可选地，所述识别模型中还包括：匹配子网，所述匹配子网中预先存储各标签的标签特征；

将所述层级特征输入所述识别模型的输出子网之前，所述方法还包括：

将所述层级特征输入所述匹配子网，在各标签特征中，确定与所述层级特征包含的维度特征匹配的标签特征；

根据匹配结果以及匹配的标签特征，调整所述层级特征中至少部分维度特征，重新确定所述层级特征。

可选地，所述各标签的标签特征是根据最高标签层级下的各标签，提取的标签特征；

根据匹配结果以及匹配的标签特征，调整所述层级特征中至少部分维度特征，重新确定所述层级特征，具体包括：

采用与所述层级特征包含维度特征匹配的标签特征，对所述层级特征中最高标签层级的维度特征进行替换，得到重新确定的层级特征。

可选地，通过所述输出子网输出所述用户的行业在各标签层级下的标签，具体包括：

根据所述层级特征中各标签层级的维度特征，按照标签层级从低到高的顺序，输出所述用户的行业在各标签层级下的标签。

可选地，预先训练识别模型，具体包括：

获取样本用户的样本用户信息以及标注标签；

将所述样本用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述样本用户的融合特征；

将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；

按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；

根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签特征；

将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述样本用户的行业在各标签层级下的标签；

以所述识别模型输出的标签与所述标注标签之间的差异最小为优化目标，对所述识别模型进行训练。

本说明书提供了一种行业识别装置，包括：

获取模块，用于获取用户的用户信息；

处理模块，用于将所述用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述用户的融合特征；

局部模块，用于将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；

全局模块，用于按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；

层级模块，用于根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征；

输出模块，用于将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述用户的行业在各标签层级下的标签。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述行业识别的方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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行业识别的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的行业识别方法中，会获取用户的用户信息，并提取出相应的融合特征；将融合特征作为输入，分别输入识别模型中的每个标签层级的特征提取层，确定用户对应不同标签层级下的局部的维度特征；同时，按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定用户的全局的维度特征；根据各局部的维度特征以及全局的维度特征，确定用户的层级特征；将层级特征输入识别模型的输出子网，输出用户的行业在各标签维度下的标签。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中提供的一种行业识别方法的流程示意图；

图2为本说明书提供的一种识别模型的结构示意图；

图3为本说明书提供的一种识别模型中多维子网的结构示意图；

图4为本说明书提供的一种行业识别装置的示意图；

图5为本说明书提供的一种对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的一种行业识别的方法的流程示意图，包括以下步骤：

S100：获取用户的用户信息。

在本说明书中，用于实现行业识别方法的执行主体，可以指服务器等设置于业务平台的指定设备，为了便于描述，本说明书仅以服务器是执行主体为例，对本说明书提供的一种行业识别的方法进行说明。

在本说明书提供的行业识别方法中，用户的用户信息可至少包括用户的位置信息、行为信息、行业许可信息。其中，用户的位置信息可以指用户的常住地的经纬度信息，当用户存在多个常住地时，可选择其中一个常住地的经纬度信息作为用户的位置信息。用户的行为信息可以指用户在业务平台进行过的任何行为的信息，例如执行各种业务的行为、消费行为等。用户的从业许可信息可以指用户能够完成的业务或行为的信息。

在本申请中，可根据从多数据源获取的所述用户的用户数据，确定所述用户的用户信息，所述用户信息包括位置信息、行为信息以及从业许可信息。例如，用户的位置信息可直接通过地图以及定位系统获取；用户的行为信息可根据历史记录中用户在业务平台进行过的各种行为来获取；用户的从业许可信息可通过用户在业务平台提交过的营业执照、技能证书等进行获取。值得一提的是，在实际应用时，可获取用户的全部行为信息和全部从业许可信息，也可以根据应用场景的不同，只获取一部分关键行为信息和从业许可信息，以减少需要处理的数据量，缩短模型进行识别的时间。在获取用户的从业许可信息时，可对用户的营业执照和/或技能证书进行扫描，获取上面的文字，以文本的形式作为用户的从业许可信息。

S102：将所述用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述用户的融合特征。

在本说明书提供的行业识别方法中，采用识别模型来对用户的行业进行识别，识别模型的模型结构可如图2所示，识别模型中可包含特征处理子网、多维子网、输出子网。

在步骤S100中获取到用户的用户信息后，可将用户信息输入到识别模型中，通过识别模型中的特征处理子网，提取出用户的融合特征。

进一步的，在本申请中，用户信息可至少包括用户的位置信息、行为信息、从业许可信息。而针对上述三种信息，可以分别提取出不同的特征后，再将三种不同的特征融合为融合特征。具体的，所述特征处理子网中至少包括：提取层、拼接层、融合层；可将所述位置信息、行为信息、从业许可信息输入所述提取层，通过所述提取层提取所述用户的位置特征、行为特征、从业许可特征；将所述位置特征和所述行为特征输入所述拼接层，通过所述拼接层确定拼接特征；将所述从业许可特征和所述拼接特征输入所述融合层，通过所述融合层确定融合特征。

其中，提取层可通过在网络层中设置用于提取参数的模型来实现。通常情况下，位置信息和行为信息为各种类型的数据，在提取特征时可专门训练单独的模型用于提取位置特征和行为特征，并且，用于提取位置特征和行为特征的模型可以是相同结构，不同参数的模型；从业许可信息通常为从营业执照或技能证书上扫描下来的文本信息，因此可直接采用已有的文本特征提取模型提取从业许可特征，例如BERT等模型。具体的，所述提取层至少包括：第一提取层和第二提取层；可将从业许可信息输入所述第一提取层，通过所述第一提取层提取所述用户的从业许可特征；将所述位置信息以及行为信息输入所述第二提取层，通过所述第二提取层提取所述用户的位置特征以及行为特征。

通常情况下，可采用相同结构、不同参数的模型来提取位置特征和行为特征，而在提取从业许可特征时，则需要采用另一种结构的模型来提取。因此，在大部分情况下，提取出的位置特征和行为特征会处于相同的特征空间；而从业许可特征往往会处于与另外两种特征不同的特征空间。为了位置特征、行为特征、从业许可特征能够更好的融合为一个融合特征，在将位置特征和行为特征拼接为拼接特征后，可额外增加一个用于改变特征所处的特征空间，也就是改变特征的维度的网络层，将拼接特征升维或降维到与从业许可特征相同的维度，使拼接特征能够更好的与从业许可特征进行融合。其中，用于改变特征的维度的网络层可以是基于自注意力机制(Self-Attention)的网络层。

进一步的，融合层也可采用基于注意力机制实现的网络层，包括但不限于软注意力机制(Soft-Attention)、硬注意力机制(Hard-Attention)、交叉注意力机制(Cross-Attention)等。通过注意力机制将拼接特征与从业许可特征融合为融合特征。

S104：将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征。

在此步骤中，可将步骤S104中得到的融合特征输入到识别模型中各标签层级的特征提取层中，确定出用户对应的不同标签层级下的局部的维度特征。其中，如图2所示，识别模型中的各标签层级的特征提取层在识别模型的多维子网中。

在本说明书中提供的行业识别方法中，识别模型会以标签的形式来输出用户的行业，并且在输出时，会同时输出多个标签。其中，输出的每个标签的标签层级不同，多个标签从多个不同的标签层级来描述用户的行业。需要说明的是，此处的标签层级，可以看作是标签的粒度，表征了一个标签在描述行业时的具体程度，或是在描述行业时覆盖的范围的大小。具体来说，针对每个标签层级，该标签层级越高，该标签层级下的标签的粒度越细，标签层级越高的标签在描述一个行业时就越具体，细粒度越高。举例来说，假设一个用户的具体的行业是种植玉米，那么实际上，在描述这个用户的行业时，还可相对模糊的描述为这个用户的行业是种植主粮，再进一步的，还可以将这个用户的行业描述为范围更大的种植业。那么，在上述示例中，用户的行业在第一标签层级的标签可以是种植业，第二标签层级的标签可以是种植主粮，第三标签层级的标签可以是种植玉米，标签层级越高，标签的描述范围就越小，相对细分程度也就越高。值得一提的是，在识别模型中存在的标签层级的特征提取层的数量并不固定，可根据对标签层级的具体需求进行设置。

而在本说明书提供的行业识别方法中，识别模型最终所输出的便是用户的行业在各标签层级下的标签。如图3所示，在本申请采用的识别模型中，每个标签层级的特征提取层中存在两个输出层，分别为全局输出层和局部输出层。在此步骤中，会将融合特征别分输入到每个标签层级的特征提取层中，通过各标签层级的特征提取层的局部输出层，输出各标签层级下的局部的维度特征。其中，一个标签层级的特征提取层输出的局部的维度特征，用于表征该标签层级下的标签。

具体的，可将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征，具体包括：针对每个特征提取层，按照各特征提取层对应的标签层级的上下层关系，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；依次通过该特征提取层的全局输出层以及局部输出层，确定该特征提取层输出的局部的维度特征，作为该特征提取层对应的标签层级下的局部的维度特征；其中，针对每个标签层级，该标签层级越高，该标签层级下的标签的粒度越细。

S106：按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征。

需要首先说明的是，此步骤与步骤S104之间并不存在严格的先后顺序，在实际执行本方法时，步骤104与步骤S106可同时进行。

在步骤S104确定各标签层级下的局部的维度特征的同时，步骤S106可确定用户的全局的维度特征。将上一特征提取层中全局输出层输出的中间特征作为下一特征提取层的输入，直到最高标签层级的特征提取层的全局输出层输出用户的全局的维度特征。

更进一步的，可如图3所示，将融合特征与上一层特征提取层提取的中间特征作为下一层特征提取层的输入，通过各特征提取层确定出用户的全局的维度特征。具体的，可针对每个特征提取层，按照各特征提取层对应的标签层级从低到高的顺序，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；根据最高标签层级的特征提取层的全局输出层输出的中间特征，确定所述用户的全局的维度特征。

在预测用户的行业时，预测的范围越广，对粒度要求越粗，那么就越容易得到准确的结果。例如，根据相同的信息，确定出用户的行业为种植业，肯定会比确定出用户具体为种植玉米更加简单。具体到本申请中，根据同样的融合特征，确定出较低标签层级的标签往往要比确定出较高标签层级的标签更加准确。因此，可从较低标签层级来入手，逐步确定更高标签层级的特征，以此来取得最准确的结果。

假设在多维子网中存在三个标签层级的特征提取层，分别为第一标签层级的第一特征提取层、第二标签层级的第二特征提取层、第三标签层级的第三特征提取层。当融合特征进入多维子网后，会首进入维度较低的第一特征提取层，由全局输出层输出第一标签层级的中间特征；随后，融合特征会和第一标签层级的中间特征一起进入第二特征提取层，输出第二标签层级的中间特征；随后，融合特征会和第二标签层级的中间特征一起，进入第三特征提取层；此时，第三特征提取层的全局输出层会输出用户的全局的维度特征。

其中，全局的维度特征表征了用户在各标签层级下的标签。实际上，全局的维度特征可以看作是多个不同标签层级的维度特征的拼接，每个维度特征用于表征一个标签层级下的标签。

S108：根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征。

每个局部的维度特征能够表征一个标签层级下的标签的特征，而全局的维度特征中包含多个维度特征，能够表征多个标签层级下的标签。通常情况下，局部的维度特征的数量与标签层级的特征提取层的数量相同，也就是与标签层级的数量相同；全局的维度特征中包含的维度特征的数量同样与标签层级的特征提取层数量相同。可对每层得到的各局部的维度特征与全局的维度特征进行融合，得到层级特征。

在融合时，可如图3所示，先将各标签层级的局部的维度特征拼接在一起，随后对拼接得到的特征与全局的维度特征进行加权求和，β表示全局的维度特征的权重。

S110：将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述用户的行业在各标签层级下的标签。

最终，可将步骤S108中得到的层级特征输入识别模型的输出子网中，由输出子网根据层级特征输出用户的行业在各标签层级下的标签，以详细的反映出用户的行业。值得一提的是，在识别模型输出用户的行业在各标签层级下的标签的同时，还会输出各标签之间的层级关系。即，输出层可根据所述层级特征中各标签层级的维度特征，按照标签层级从低到高的顺序，输出所述用户的行业在各标签层级下的标签。

例如，在输出层中，确定用户的行业的第一标签层级的标签为种植业，第二标签层级的标签为主粮，第三标签层级的标签为玉米，那么在输出各标签时，会按照{第一标签层级-第二标签层级-第三标签层级}的形式来输出，也就是会输出{种植业-主粮-玉米}。进一步的，为了简化输出，还可为每个标签设置数字标识，在输出时，仅输出对应地数字标识即可，其中，不同标签层级下的标签的数据标识可以重复，也可以不重复，由于在输出时，会固定按照低标签层级到高标签层级的顺序输出各标签层级的标签，因此，只要同一标签层级下的标签的数字标识不同，就不会产生误识别的情况。例如，在第一标签层级中，可将种植业的数字标识设置为1；在第二标签层级中，可将主粮的数字标识设置为1；在第三标签层级中，可将玉米的数字标识设置为1，此时，识别模型最终的输出就会是{1-1-1}。

在采用本说明书提供的行业识别方法时，能够利用多源信息，提取多模态的特征，并结合多模态的特征，针对用户的行业预测出多个标签层级下的行业标签，从而对用户的行业给出详细、全面的输出。

本说明书提供的行业识别方法所采用的识别模型中，还包含了匹配子网。在匹配子网中，预先存储各标签的标签特征，由此，在层级特征进入匹配子网时，可将所述层级特征输入所述匹配子网，在各标签特征中，确定与所述层级特征包含的维度特征匹配的标签特征；根据匹配结果以及匹配的标签特征，调整所述层级特征中至少部分维度特征，重新确定所述层级特征。具体的，匹配度可以采用基于软注意力机制的网络层进行计算。

可以想到的，标签的标签层级越高，对行业的划分也就越细致，自然也就导致在训练时能够用作训练样本的数据就越少。因此，在实际应用时，模型在输出各标签层级的标签时，标签层级越高的标签，准确率往往会越低，尤其是最高标签层级的标签。举例来说，三个用户中，一个用户种植玉米，一个用户种植水稻，一个用户种植小麦，那么这三个用户的数据在作为训练样本时，第一标签层级的种植业拥有三个训练样本，第二标签层级的主粮也拥有三个训练样本，而第三标签层级的玉米、小麦、水稻却各只有一个样本，训练效率也就会低于其它较低的标签层级。

因此，为解决可能产生的这一问题，匹配子网中存储的各标签的标签特征可以是根据最高标签层级下的各标签，提取的标签特征；在确定出与层级特征匹配的标签特征后，可采用与所述层级特征包含维度特征匹配的标签特征，对所述层级特征中最高标签层级的维度特征进行替换，得到重新确定的层级特征。

额外的，本说明书提供的行业识别方法中，采用的识别模型是可以预先训练的。具体的，可获取样本用户的样本用户信息以及标注标签；将所述样本用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述样本用户的融合特征；将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征；将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述样本用户的行业在各标签层级下的标签；以所述识别模型输出的标签与所述标注标签之间的差异最小为优化目标，对所述识别模型进行训练。

其中，标注标签可以是根据样本数据人工确定的标签。在训练时，可对各子网中各网络层的参数同时进行调整。

值得一提的是，本说明书提供的行业识别方法，根据对识别模型进行训练时采用的样本的不同，可以用于不同需求、不同场景下的行业识别。例如，在识别农村用户行业的场景下，在对模型进行训练时，可选择农村用户作为样本用户，并采用农村用户的各样本信息对模型进行训练，以得到用于识别农村用户行业的识别模型。当然，在对识别模型进行训练时，也可以将各种场景下的全部用户作为样本用户，对模型进行训练，得到能够识别各种行业的行业识别模型。可以想到的，仅针对一种场景进行行业识别的识别模型，识别的准确度应高于能够识别多种场景的识别模型。

以上为本说明书的一个或多个实施行业识别的方法，基于同样的思路，本说明书还提供了相应的行业识别装置，如图4所示。

图4为本说明书提供的一种行业识别装置的示意图，包括：

获取模块200，用于获取用户的用户信息；

处理模块202，用于将所述用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述用户的融合特征；

局部模块204，用于将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；

全局模块206，用于按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；

层级模块208，用于根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征；

输出模块210，用于将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述用户的行业在各标签层级下的标签。

可选地，所述获取模块200，具体用于根据从多数据源获取的所述用户的用户数据，确定所述用户的用户信息，所述用户信息包括位置信息、行为信息以及从业许可信息。

可选地，所述特征处理子网中至少包括：提取层、拼接层、融合层；

所述处理模块202，具体用于将所述位置信息、行为信息、从业许可信息输入所述提取层，通过所述提取层提取所述用户的位置特征、行为特征、从业许可特征；将所述位置特征和所述行为特征输入所述拼接层，通过所述拼接层确定拼接特征；将所述从业许可特征和所述拼接特征输入所述融合层，通过所述融合层确定融合特征。

可选地，所述提取层至少包括：第一提取层、第二提取层；

所述处理模块202，具体用于将从业许可信息输入所述第一提取层，通过所述第一提取层提取所述用户的从业许可特征；将所述位置信息以及行为信息输入所述第二提取层，通过所述第二提取层提取所述用户的位置特征以及行为特征。

可选地，所述特征提取层包括：全局输出层以及局部输出层；

所述局部模块204，具体用于将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征，具体包括：针对每个特征提取层，按照各特征提取层对应的标签层级的上下层关系，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；依次通过该特征提取层的全局输出层以及局部输出层，确定该特征提取层输出的局部的维度特征，作为该特征提取层对应的标签层级下的局部的维度特征；其中，针对每个标签层级，该标签层级越高，该标签层级下的标签的粒度越细。

可选地，所述全局模块206，具体用于针对每个特征提取层，按照各特征提取层对应的标签层级从低到高的顺序，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；根据最高标签层级的特征提取层的全局输出层输出的中间特征，确定所述用户的全局的维度特征。

可选地，所述识别模型中还包括：匹配子网，所述匹配子网中预先存储各标签的标签特征；

所述装置还包括匹配模块212，具体用于将所述层级特征输入所述匹配子网，在各标签特征中，确定与所述层级特征包含的维度特征匹配的标签特征；根据匹配结果以及匹配的标签特征，调整所述层级特征中至少部分维度特征，重新确定所述层级特征。

可选地，所述各标签的标签特征是根据最高标签层级下的各标签，提取的标签特征；

所述匹配模块212，具体用于采用与所述层级特征匹配的标签特征，对所述层级特征中最高标签维度的标签维度特征进行替换，得到重新确定的层级特征。

可选地，所述输出模块210，具体用于根据所述层级特征中各标签层级的维度特征，按照标签层级从低到高的顺序，输出所述用户的行业在各标签层级下的标签。

可选地，所述装置还包括训练模块214，具体用于获取样本用户的样本用户信息以及标注标签；将所述样本用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述样本用户的融合特征；将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征；将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述样本用户的行业在各标签层级下的标签；以所述识别模型输出的标签与所述标注标签之间的差异最小为优化目标，对所述识别模型进行训练。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种行业识别的方法。

本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的行业识别的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (22)

1.一种行业识别的方法，包括：

获取用户的用户信息；

将所述用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述用户的融合特征；

将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；

按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；

根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征；

将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述用户的行业在各标签层级下的标签。

2.如权利要求1所述的方法，获取用户的用户信息，具体包括：

根据从多数据源获取的所述用户的用户数据，确定所述用户的用户信息，所述用户信息包括位置信息、行为信息以及从业许可信息。

3.如权利要求2所述的方法，所述特征处理子网中至少包括：提取层、拼接层、融合层；

通过所述模型中特征处理子网，确定所述用户的融合特征，具体包括：

将所述位置信息、行为信息、从业许可信息输入所述提取层，通过所述提取层提取所述用户的位置特征、行为特征、从业许可特征；

将所述位置特征和所述行为特征输入所述拼接层，通过所述拼接层确定拼接特征；

将所述从业许可特征和所述拼接特征输入所述融合层，通过所述融合层确定融合特征。

4.如权利要求3所述的方法，所述提取层至少包括：第一提取层和第二提取层；

将所述位置信息、行为信息、从业许可信息输入所述提取层，通过所述提取层提取所述用户的位置特征、行为特征、从业许可特征，具体包括：

将从业许可信息输入所述第一提取层，通过所述第一提取层提取所述用户的从业许可特征；

将所述位置信息以及行为信息输入所述第二提取层，通过所述第二提取层提取所述用户的位置特征以及行为特征。

5.如权利要求1所述的方法，所述特征提取层包括：全局输出层以及局部输出层；

将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征，具体包括：

针对每个特征提取层，按照各特征提取层对应的标签层级的上下层关系，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；

将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；

依次通过该特征提取层的全局输出层以及局部输出层，确定该特征提取层输出的局部的维度特征，作为该特征提取层对应的标签层级下的局部的维度特征；

其中，针对每个标签层级，该标签层级越高，该标签层级下的标签的粒度越细。

6.如权利要求5所述的方法，按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征，具体包括：

针对每个特征提取层，按照各特征提取层对应的标签层级从低到高的顺序，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；

将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；

根据最高标签层级的特征提取层的全局输出层输出的中间特征，确定所述用户的全局的维度特征。

7.如权利要求1所述的方法，所述识别模型中还包括：匹配子网，所述匹配子网中预先存储各标签的标签特征；

将所述层级特征输入所述识别模型的输出子网之前，所述方法还包括：

将所述层级特征输入所述匹配子网，在各标签特征中，确定与所述层级特征包含的维度特征匹配的标签特征；

根据匹配结果以及匹配的标签特征，调整所述层级特征中至少部分维度特征，重新确定所述层级特征。

8.如权利要求7所述的方法，所述各标签的标签特征是根据最高标签层级下的各标签，提取的标签特征；

根据匹配结果以及匹配的标签特征，调整所述层级特征中至少部分维度特征，重新确定所述层级特征，具体包括：

采用与所述层级特征包含维度特征匹配的标签特征，对所述层级特征中最高标签层级的维度特征进行替换，得到重新确定的层级特征。

9.如权利要求1所述的方法，通过所述输出子网输出所述用户的行业在各标签层级下的标签，具体包括：

根据所述层级特征中各标签层级的维度特征，按照标签层级从低到高的顺序，输出所述用户的行业在各标签层级下的标签。

10.如权利要求1所述的方法，预先训练识别模型，具体包括：

获取样本用户的样本用户信息以及标注标签；

将所述样本用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述样本用户的融合特征；

将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；

按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；

根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征；

将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述样本用户的行业在各标签层级下的标签；

以所述识别模型输出的标签与所述标注标签之间的差异最小为优化目标，对所述识别模型进行训练。

11.一种行业识别装置，包括：

获取模块，用于获取用户的用户信息；

处理模块，用于将所述用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述用户的融合特征；

局部模块，用于将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；

全局模块，用于按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；

层级模块，用于根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征；

输出模块，用于将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述用户的行业在各标签层级下的标签。

12.如权利要求11所述的装置，所述获取模块，具体用于根据从多数据源获取的所述用户的用户数据，确定所述用户的用户信息，所述用户信息包括位置信息、行为信息以及从业许可信息。

13.如权利要求12所述的装置，所述特征处理子网中至少包括：提取层、拼接层、融合层；

所述处理模块，具体用于将所述位置信息、行为信息、从业许可信息输入所述提取层，通过所述提取层提取所述用户的位置特征、行为特征、从业许可特征；将所述位置特征和所述行为特征输入所述拼接层，通过所述拼接层确定拼接特征；将所述从业许可特征和所述拼接特征输入所述融合层，通过所述融合层确定融合特征。

14.如权利要求13所述的装置，所述提取层至少包括：第一提取层、第二提取层；

所述处理模块，具体用于将从业许可信息输入所述第一提取层，通过所述第一提取层提取所述用户的从业许可特征；将所述位置信息以及行为信息输入所述第二提取层，通过所述第二提取层提取所述用户的位置特征以及行为特征。

15.如权利要求11所述的装置，所述特征提取层包括：全局输出层以及局部输出层；

所述局部模块，具体用于将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征，具体包括：针对每个特征提取层，按照各特征提取层对应的标签层级的上下层关系，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；依次通过该特征提取层的全局输出层以及局部输出层，确定该特征提取层输出的局部的维度特征，作为该特征提取层对应的标签层级下的局部的维度特征；其中，针对每个标签层级，该标签层级越高，该标签层级下的标签的粒度越细。

16.如权利要求15所述的装置，所述全局模块，具体用于针对每个特征提取层，按照各特征提取层对应的标签层级从低到高的顺序，确定该特征提取层的上一层特征提取层的全局输出层输出的中间特征；将所述中间特征与所述融合特征进行拼接，将拼接结果作为输入，输入该特征提取层；根据最高标签层级的特征提取层的全局输出层输出的中间特征，确定所述用户的全局的维度特征。

17.如权利要求11所述的装置，所述识别模型中还包括：匹配子网，所述匹配子网中预先存储各标签的标签特征；

所述装置还包括匹配模块，具体用于将所述层级特征输入所述匹配子网，在各标签特征中，确定与所述层级特征包含的维度特征匹配的标签特征；根据匹配结果以及匹配的标签特征，调整所述层级特征中至少部分维度特征，重新确定所述层级特征。

18.如权利要求17所述的装置，所述各标签的标签特征是根据最高标签层级下的各标签，提取的标签特征；

所述匹配模块，具体用于采用与所述层级特征匹配的标签特征，对所述层级特征中最高标签维度的标签维度特征进行替换，得到重新确定的层级特征。

19.如权利要求11所述的装置，所述输出模块，具体用于根据所述层级特征中各标签层级的维度特征，按照标签层级从低到高的顺序，输出所述用户的行业在各标签层级下的标签。

20.如权利要求11所述的装置，所述装置还包括训练模块，具体用于获取样本用户的样本用户信息以及标注标签；将所述样本用户信息输入预先训练的识别模型，通过所述模型中特征处理子网，确定所述样本用户的融合特征；将所述融合特征作为输入，分别输入所述识别模型中的每个标签层级的特征提取层，确定所述用户对应不同标签层级下的局部的维度特征；按照各特征提取层对应的标签层级的上下层关系，将上一层特征提取层提取的中间特征以及所述融合特征，作为下一层特征提取层的输入，通过各特征提取层，确定所述用户的全局的维度特征；根据各局部的维度特征以及所述全局的维度特征，确定所述用户的层级特征，所述层级特征用于表征所述用户的行业在各标签层级下的标签的特征；将所述层级特征输入所述识别模型的输出子网，通过所述输出子网输出所述样本用户的行业在各标签层级下的标签；以所述识别模型输出的标签与所述标注标签之间的差异最小为优化目标，对所述识别模型进行训练。

21.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～10任一项所述的方法。

22.一种电子设备，包括存储器、处理器及存储在存储器上并可在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权利要求1～10任一项所述的方法。

Images