CN112115352A

CN112115352A - 基于用户兴趣的会话推荐方法及***

Info

Publication number: CN112115352A
Application number: CN202010888430.7A
Authority: CN
Inventors: 杨振宇; 王皓
Original assignee: Qilu University of Technology
Current assignee: Qilu University of Technology
Priority date: 2020-08-28
Filing date: 2020-08-28
Publication date: 2020-12-22
Anticipated expiration: 2040-08-28
Also published as: CN112115352B

Abstract

本发明公开了基于用户兴趣的会话推荐方法及***，包括：根据获取的用户曾点击过的物品时间序列，构造加权有向会话图；获取加权有向会话图中每个节点的最终向量表示；根据加权有向会话图中每个节点的最终向量表示，获取加入位置信息的物品嵌入向量；将加入位置信息的物品嵌入向量，输入到Transformer层中，输出更新后的加入位置信息的物品嵌入向量；对更新后的加入位置信息的物品嵌入向量，提取长期兴趣表示和当前偏好表示，得到最终的会话嵌入向量；基于最终的会话嵌入向量，进行候选物品的推荐。

Description

基于用户兴趣的会话推荐方法及***

技术领域

本申请涉及会话推荐技术领域，特别是涉及基于用户兴趣的会话推荐方法及***。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

基于会话的推荐方法是最近几年才开始流行起来，本申请发现，目前的主流方法是使用循环神经网络和马尔科夫链。如将循环神经网络与会话推荐相结合，从用户行为的时间变化上考虑。再如使用门控循环单元来对经典的循环神经网络进行了重新定义。另一广泛应用的方法是NARM，包含一个全局和局部的循环神经网络推荐器，同时捕捉用户的顺序行为和主要目的。STAMP方法在此基础上，又通过增加多层感知机和注意力网络，令该模型还可以捕捉用户的一般兴趣和当前兴趣。还有一种新的基于会话的推荐模型：SR-GNN。在SR-GNN中，作者使用了门控图神经网络学习会话内用户的隐状态，也达到了相当好的效果。

发明人发现，传统的基于会话推荐方法，大多数是将会话建模为序列，无法充分的捕捉到会话中物品与物品之间复杂的转换关系。另外，传统基于会话的推荐方法没有充分考虑用户偏好对于推荐效果的提升。

发明内容

为了解决现有技术的不足，本申请提供了基于用户兴趣的会话推荐方法及***；

第一方面，本申请提供了基于用户兴趣的会话推荐方法；

基于用户兴趣的会话推荐方法，包括：

根据获取的用户曾点击过的物品时间序列，构造加权有向会话图；获取加权有向会话图中每个节点的最终向量表示；

根据加权有向会话图中每个节点的最终向量表示，获取加入位置信息的物品嵌入向量；

将加入位置信息的物品嵌入向量，输入到Transformer层中，输出更新后的加入位置信息的物品嵌入向量；

对更新后的加入位置信息的物品嵌入向量，提取长期兴趣表示和当前偏好表示，得到最终的会话嵌入向量；

基于最终的会话嵌入向量，进行候选物品的推荐。

第二方面，本申请提供了基于用户兴趣的会话推荐***；

基于用户兴趣的会话推荐***，包括：

会话图构造模块，其被配置为：根据获取的用户曾点击过的物品时间序列，构造加权有向会话图；获取加权有向会话图中每个节点的最终向量表示；

嵌入向量获取模块，其被配置为：根据加权有向会话图中每个节点的最终向量表示，获取加入位置信息的物品嵌入向量；

嵌入向量更新模块，其被配置为：将加入位置信息的物品嵌入向量，输入到Transformer层中，输出更新后的加入位置信息的物品嵌入向量；

用户偏好提取模块，其被配置为：对更新后的加入位置信息的物品嵌入向量，提取长期兴趣表示和当前偏好表示，得到最终的会话嵌入向量；

候选物品推荐模块，其被配置为：基于最终的会话嵌入向量，进行候选物品的推荐。

第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。

第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。

与现有技术相比，本申请的有益效果是：

1.本申请针对基于会话的推荐任务，提出了一种图神经网络，能够更好学习图结构信息并捕捉节点的高阶特征。

2.本申请使用transformer中多头注意力来从不同空间学习用户的偏好，得到了表征能力更强的会话表示。

3.两个模块共同作用提升了推荐效果。在真实数据集上进行的大量实验表明，本申请提出的方法的性能明显优于现有的方法。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为第一个实施例的方法流程图；

图2为第一个实施例的有向图；

图3为第一个实施例的邻接矩阵。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

基于会话推荐***具有很高的应用价值，如何更好的利用用户的匿名会话给用推荐其感兴趣的物品是推荐***面临的巨大挑战。现有的研究中通常把用户会话建模为序列，忽略了项目之间的复杂转换关系，是不足以反映用户偏好的。因此本申请提出了一种方法，该方法主要分为两个部分，第一个部分是加权的图神经网络(WGNN)，用来捕捉节点的结构化信息，与传统的图神经网络相比，他强化了频繁项之间的转换，并融合了不同层级的信息。另一个部分是Transformer模块，用于抽取会话的序列信息，利用了多头注意力机制从不同角度抽取用户偏好。通过这两个模块本申请从深度和广度两方面挖掘用户偏好，在两个真实的数据集上进行的大量实验表明，该方法优于最新的基于会话的推荐方法。

本申请首先将会话建模成有向图形式，接着在本申请图神经网络的基础上进行改进，提出了一种带权重的门控图神经网络来处理会话图，学习会话中物品的节点向量，这种带权重的构图方式能够更好地反映会话的结构性信息。之后本申请将学习好节点向量进行位置编码，用来表示完整的会话向量。然后本申请将会话嵌入输入到transformer层，利用多头注意力机制，从不同的空间抽取用户的偏好信息。之后本申请使用注意力机制对长期偏好和短期偏好建模得到最终的会话嵌入。最后对于每个会话，本申请预测每个项目下次点击的可能性。

实施例一

本实施例提供了基于用户兴趣的会话推荐方法；

如图1所示，基于用户兴趣的会话推荐方法，包括：

S101：根据获取的用户曾点击过的物品时间序列，构造加权有向会话图；获取加权有向会话图中每个节点的最终向量表示；

S102：根据加权有向会话图中每个节点的最终向量表示，获取加入位置信息的物品嵌入向量；

S103：将加入位置信息的物品嵌入向量，输入到Transformer层中，输出更新后的加入位置信息的物品嵌入向量；

S104：对更新后的加入位置信息的物品嵌入向量，提取长期兴趣表示和当前偏好表示，得到最终的会话嵌入向量；

S105：基于最终的会话嵌入向量，进行候选物品的推荐。

作为一个或多个实施例，所述S101中，根据获取的用户曾点击过的物品时间序列，构造加权有向会话图；具体步骤包括：

将用户每次点击过的物品作为节点，如果两件物品之间有先后点击的顺序，则对应的两个节点之间有带箭头的连接线，连接线的权重为一个会话中用户点击相邻两件物品的次数，权重越大表示相邻两个节点的关联性越大。

示例性的，假设V＝{v₁,v₂,…,v_n}代表着所有会话中用户点击过的物品id的集合，把用户点击过的物品序列，按时间顺序排列，构成会话S＝{v_s1,v_s2,…,v_sn}，其中v_si∈V代表着用户在会话S中第i个点击的物品。基于会话的推荐***的目标是预测用户的下一个点击v_sn+1,在基于会话的推荐模型下，对于会话S，本申请输出所有可能项目的概率y，其中向量y的元素值为对应项目的推荐得分。y得分高的前N个项将会推荐给用户。

示例性的，构造会话图的具体步骤为：

首先，把每一个会话序列建模成带权有向图的形式G_s＝(V_h,W_e,V_r)，如图一所示,其中头节点V_h＝{v₁,v₂,…,v_n}和尾节点V_r＝{v₁,v₂,…,v_n}为会话序列中物品的集合，序列中相邻的物品<V_h,V_r>代表了用户的点击顺序,也就是用户在点击了V_h之后又点击了V_r。W_e代表了边上的权重，它被定义为一个会话中用户点击子序列<V_h,V_r>出现的次数，出现的次数越多则证明两个节点的关联性越大。

作为一个或多个实施例，所述S101中，获取加权有向会话图中每个节点的最终向量表示；具体步骤包括：

S1011：根据加权有向会话图获取对应的邻接矩阵；对邻接矩阵中的权重进行归一化操作；

S1012：利用归一化后的邻接矩阵，学习加权有向会话图的每个节点的邻居节点信息；

S1013：根据加权有向会话图中每个节点的邻居节点信息，更新每个节点的信息；得到加权有向会话图中所有节点的向量表示；

S1014：对不同层的节点的向量表示进行聚合操作，作为加权有向会话图的节点的最终向量表示。

应理解的，图神经网络适合基于会话的推荐，因为他不仅可以表示会话中物品之间的复杂的转换关系，还能自动的抽取会话图的结构化特征。这里本申请使用加权图神经网络来学习会话图中的物品向量。

示例性的，所述S1011：根据加权有向会话图获取对应的邻接矩阵；对邻接矩阵中的权重进行归一化操作；具体步骤包括：

对于每一个会话序列，根据会话图得到其对应的邻接矩阵，为了表示节点间信息传播的方向，分别构造了入度邻接矩阵M_i和出度邻接矩阵M_o。例如会话s＝[v₁,v₂,v₄,v₂,v₄,v₂,v₃,v₂,v₁]对应的有向图及邻接矩阵如图2和图3所示。

这里为了更好的学习邻域节点的信息，进行节点之间的信息传播。对邻接矩阵中的权重按行进行归一化操作，更新本申请的入度和出度矩阵，计算如下：

其中，分子w_i,j代表第i行第j列对应的权重，分母是对应行权重的总和。

之后，本申请每个物品v∈V映射到一个统一的低维隐空间得到物品v的嵌入向量e∈R^d。

示例性的，S1012：利用归一化后的邻接矩阵，学习加权有向会话图的每个节点的邻居节点信息；具体步骤包括：

对于会话图中的节点，利用邻接矩阵N_i,M_o学习图的结构信息，节点间信息传播的过程如下所示：

o^(l)＝Concat(M_iE^(l-1)W_i,M_oE^(l-1)W_o)+b

其中W_i,W_o∈R^d×d为参数矩阵，b∈R^d为偏置向量。

为会话图中全部节点向量。M_i,M_o∈R^d×d分别表示入度矩阵和出度矩阵，从入边和出边两个方向传播信息，o^(l)为节点e汇聚了第l层邻居节点得到的信息。

示例性的，所述S1013：根据加权有向会话图中每个节点的邻居节点信息，更新每个节点的信息；得到加权有向会话图中所有节点的向量表示；具体步骤包括：

根据邻居节点的信息来更新节点信息，使用GRU来更新节点的信息：

其中W_z,W_r,W_e∈R^2d×d,U_z,U_r,U_e∈R^d×d均为可学习的参数。σ(·)为激活函数sigmoid函数，

和

是更新门和重置门，分别决定着哪些信息需要保留或者丢弃。

是节点的候选状态，他在更新门的控制下与先前状态组成节点的最终状态

在更新会话图中的所有节点直到收敛之后，获得最终的会话图中所有节点的向量表示。

示例性的，所述S1014：对不同层的节点的向量表示进行聚合操作，作为加权有向会话图的节点的最终向量表示；具体步骤包括：

在L次传播之后，得到汇聚了不同层邻域信息的节点向量：

由于不同层的节点向量具有不同的信息，它们对最终节点的贡献程度不同。所以对不同层的节点进行聚合操作作为节点的最终表示：

其中，a_l≥0代表了第l层嵌入对最终嵌入的重要程度，其重要程度越高a_l的取值越大。a_l的取值可以被当作一个超参数手动设置，也可以利用神经网络自动优化。

作为一个或多个实施例，所述S102：根据加权有向会话图中每个节点的最终向量表示，获取加入位置信息的物品嵌入向量；具体步骤包括：

根据加权有向会话图的节点的最终向量表示，获取会话内所有物品的嵌入向量；

将会话内所有物品的嵌入向量，与位置编码矩阵进行位置编码处理，得到加入位置信息的物品嵌入向量。

进一步地，所述根据加权有向会话图的节点的最终向量表示，获取会话内所有物品的嵌入向量；是根据加权有向会话图的节点的最终向量表示，通过图神经网络，获取会话内所有物品的嵌入向量。

示例性的，所述S102：根据加权有向会话图中每个节点的最终向量表示，获取加入位置信息的物品嵌入向量；具体步骤包括：

通过图神经网络最终得到会话内所有物品的嵌入向量：

E＝[e₁,e₂,…e_n]。

这里为了强化交互顺序的影响，引入了位置编码矩阵：

P＝[p₁,p₂,…,p_k]∈R^k×d,

其中k代表了会话的最大长度。最终加入位置信息的物品嵌入向量计算如下：

其中p_j∈R^d是对应位置j上的位置嵌入向量。

作为一个或多个实施例，所述S103：将加入位置信息的物品嵌入向量，输入到Transformer层中，输出更新后的加入位置信息的物品嵌入向量；具体步骤包括：

S1031：使用多头注意力对加入位置信息的物品嵌入向量进行处理，从不同角度抽取用户偏好；

S1032：使用前馈神经网络做进一步的处理，增加模型非线性，避免过拟合。

Transformer层，包括依次连接的多头注意力机制模块、第一层标准化模块、前馈神经网络和第二层标准化模块；多头注意力机制模块的输入端还与第一层标准化模块的输入端连接；所述第一层标准化模块的输出端还与第二层标准化模块的输入端连接；

多头注意力机制模块，将会话中所有物品的嵌入向量通过参数矩阵进行映射后，再做自注意力操作；重复设定次数后，将所有结果拼接起来，送入一个前馈神经网络。

前馈神经网络模块，使用了激活函数，作用是对模型进行非线性变换。

示例性的，自注意力机制计算方法定义如下:

其中Q代表了queries,K代表keys，V代表了values，d是key的维度。注意力得分为values的加权和，其中分配给每个value的权重由query与对应key的相似性函数计算得来。

在本申请的应用场景中,将学习到的嵌入向量序列作为输入放入注意力层中，令节点学习不同的权重，这些权重反映了用户对物品的喜欢程度。

由于用户的偏好的复杂性，使用多头注意力来捕获序列中不同角度的关联关系。公式如下：

F＝Mh(E^p)＝Concat(head₁,head₂,…,head_h)W^H；

head_i＝Attention(E^pW^Q,E^pW^K,E^pW^V)；

其中W^Q,W^K,W^V∈R^d×d是可学习的矩阵，E^p是会话中所有物品的嵌入向量，h代表多头注意力中头的数量。多头注意力模块，则是将E^p通过参数矩阵映射后，然后再做自注意力操作，将这个过程重复h次，最后再将所有的结果拼接起来，再送入一个全连接层即可。

在前馈神经网络中使用LeakyReLU作为激活函数来增加模型的非线性。

另外，在训练阶段使用了Dropout操作来避免过拟合。

最终的输出如下所示：

S＝LeakyReLU(FW₁+b₁)W₂+b₂+F

其中W₁,W₂,b₁,b₂均为可学习的参数。

应理解的，使用transformer模型对物品嵌入向量

进行进一步的处理，通过transformer中的多头注意力机制来抽取用户行为中的偏好信息，从而使得学到会话向量更加丰富。

作为一个或多个实施例，所述S104：对更新后的加入位置信息的物品嵌入向量，提取长期兴趣表示和当前偏好表示，得到最终的会话嵌入向量；具体步骤包括：

对更新后的加入位置信息的物品嵌入向量，提取长期兴趣表示和当前偏好表示；对长期兴趣表示和当前偏好表示进行拼接处理，得到最终的会话嵌入向量。

示例性的，通过了transformer层本申请更新了会话内物品嵌入向量，用会话内所有节点来表示会话的嵌入向量S＝[i₁,i₂,…,i_n]。由于会话内的节点表示了用户的交互顺序，认为用户最新产生的交互行为会更贴近用户的偏好，但同时也不能忽略整个用户行为序列的影响.所以本申请使用了长短期注意力机制分别来提取用户的长期兴趣和当前偏好。

首先请考虑当前兴趣表示S_s，由于用户最新产生的点击更贴近用户的当前偏好，所以这里本申请仅使用会话序列用户最后点击的节点向量i_n来表示当前兴趣表示S_s＝i_n.

然后考虑到会话中的每一个节点都有不同程度的影响到预测，进一步使用软注意力机制来更好的表示长期兴趣表示S_l。

μ_i＝W₁σ(W₂i_i+W₃i_n+b),

其中参数W₁∈R^dandW₂，W₃∈R^d×d为可学习的参数。最后本申请将会话的长期兴趣表示和当前兴趣表示进行拼接操作得到最终的会话嵌入

S_f＝W₄Concat(S_l,S_s)

其中矩阵W₄∈R^2d×d的作用是压缩两个嵌入向量到统一的维度R^d。

作为一个或多个实施例，所述S105：基于最终的会话嵌入向量，进行候选物品的推荐；具体步骤包括：

基于最终的会话嵌入向量与候选物品的嵌入向量的点积结果，对每个候选物品进行打分，对打分进行softmax处理，输出每个候选物品作为用户下一个点积的可能性。

示例性的，所述S105：基于最终的会话嵌入向量，进行候选物品的推荐；具体步骤包括：

对会话的最终嵌入S_f和候选item的嵌入向量L2归一化

之后通过点积对每个候选物品进行打分：

γ为超参数，用来进一步拉大高意向物品和低意向物品之间的差距。

然后本申请每个候选向量的得分做softmax处理：

其中

得分代表该候选物品为用户下一点击的可能性。

对于每一个会话本申请使用交叉熵损失来做的最后的损失函数：

其中y为物品的独热编码向量。

本申请是一种基于用户兴趣的会话推荐方法，该方法通过模型分析用户的历史会话信息来给用户推荐其感兴趣的物品。该方法使用图神经网络和Transformer模型，分别从图结构和序列结构中提取用户的偏好信息，进而通过这些信息来更好地给用户推荐其感兴趣的物品。在两个真实的数据集上进行的大量实验表明，该方法优于最新的基于会话的推荐方法。

实施例二

本实施例提供了基于用户兴趣的会话推荐***；

基于用户兴趣的会话推荐***，包括：

此处需要说明的是，上述会话图构造模块、嵌入向量获取模块、嵌入向量更新模块、用户偏好提取模块和候选物品推荐模块对应于实施例一中的步骤S101至S105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。

上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。

所提出的***，可以通过其他的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如上述模块的划分，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外一个***，或一些特征可以忽略，或不执行。

实施例三

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法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。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

实施例四

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.基于用户兴趣的会话推荐方法，其特征是，包括：

基于最终的会话嵌入向量，进行候选物品的推荐。

2.如权利要求1所述的方法，其特征是，根据获取的用户曾点击过的物品时间序列，构造加权有向会话图；具体步骤包括：

3.如权利要求1所述的方法，其特征是，获取加权有向会话图中每个节点的最终向量表示；具体步骤包括：

根据加权有向会话图获取对应的邻接矩阵；对邻接矩阵中的权重进行归一化操作；

利用归一化后的邻接矩阵，学习加权有向会话图的每个节点的邻居节点信息；

根据加权有向会话图中每个节点的邻居节点信息，更新每个节点的信息；得到加权有向会话图中所有节点的向量表示；

对不同层的节点的向量表示进行聚合操作，作为加权有向会话图的节点的最终向量表示。

4.如权利要求1所述的方法，其特征是，根据加权有向会话图中每个节点的最终向量表示，获取加入位置信息的物品嵌入向量；具体步骤包括：

根据加权有向会话图的节点的最终向量表示，获取会话内所有物品的嵌入向量；将会话内所有物品的嵌入向量，与位置编码矩阵进行位置编码处理，得到加入位置信息的物品嵌入向量。

5.如权利要求4所述的方法，其特征是，所述根据加权有向会话图的节点的最终向量表示，获取会话内所有物品的嵌入向量；是根据加权有向会话图的节点的最终向量表示，通过图神经网络，获取会话内所有物品的嵌入向量。

6.如权利要求1所述的方法，其特征是，对更新后的加入位置信息的物品嵌入向量，提取长期兴趣表示和当前偏好表示，得到最终的会话嵌入向量；具体步骤包括：

7.如权利要求1所述的方法，其特征是，基于最终的会话嵌入向量，进行候选物品的推荐；具体步骤包括：

8.基于用户兴趣的会话推荐***，其特征是，包括：

9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。