基于神经网络的绩效考核方法、装置、设备及存储介质

摘要

本申请涉及人工智能领域，提供基于神经网络的绩效考核方法，获取待考核指标特征，待考核指标特征包括数值型特征和顺序型特征；将待考核指标特征输入预设的BP神经网络模型，BP神经网络模型通过概率密度函数将待考核指标特征生成为符合正态分布的绩效考核结果；接收BP神经网络模型输出的绩效考核结果。既能根据不同的维度与情况进行针对性考核，又能将所有考核指标特征进行聚合、统一后，形成绩效考核结果，能够使得绩效考核结果符合正态分布，从而使绩效考核结果更加合理。

说明书

技术领域

本申请属于人工智能技术领域，尤其涉及一种基于神经网络的绩效考核方法、装置、设备及存储介质。

背景技术

绩效考核指考核主体运用科学的考核方法，根据行为主体的工作目标和绩效标准，评定行为主体的工作任务完成情况、工作职责履行程度和发展情况的过程。传统的绩效考核方法，一般采用简单的、人工的加权求和方式，由考核主体结合管理人员和决策人员等的意见，根据经验人为决定考核指标，并人为配置各个指标的权重，再对行为主体的考核指标得分进行加权求和得到绩效考核结果。但是由于不同的部门、岗位的职能不同，绩效考核标准必然存在差异，因此通过人为的确定指标权重，无法适用于所有人员的绩效考核，更无法保证绩效考核结果的准确性。

发明内容

鉴于以上内容，本发明提供一种基于神经网络的绩效考核方法、装置、设备及存储介质，其目的在于解决现有技术中无法保证绩效考核结果准确性的技术问题。

为实现上述目的，本发明提供一种基于神经网络的绩效考核方法，该方法包括：

获取待考核指标特征，所述待考核指标特征包括数值型特征和顺序型特征；

将所述待考核指标特征输入预设的BP神经网络模型，其中，所述BP神经网络模型通过概率密度函数将所述待考核指标特征生成为符合正态分布的绩效考核结果；

接收所述BP神经网络模型输出的所述绩效考核结果。

优选的，所述数值型特征包括：最终指标、中间指标和实际计算指标。

优选的，所述顺序型特征是通过对部门类型、岗位类型、案件流程类后进行真值化得到。

优选的，所述获取待考核指标特征，所述待考核指标特征包括数值型特征和顺序型特征，包括：

获取待考核指标数据，并对所述待考核指标数据进行分类，得到数值型数据和顺序型数据；

对所述顺序型数据进行真值化；

将所述数值型数据和真值化后的所述顺序型数据组成所述待考核指标特征。

优选的，所述将所述待考核指标特征输入预设的BP神经网络模型，其中，所述BP神经网络模型通过概率密度函数将所述待考核指标特征生成为符合正态分布的绩效考核结果之前，还包括构建BP神经网络模型，具体包括：

获取训练集，并根据训练集中的待考核指标特征的数量，确定所述BP神经网络模型的隐含层节点数；

通过隐含层的第一激活函数将所述待考核指标特征输出为基于标准正态分布的第一特征，所述激活函数为基于标准正态分布的概率密度函数；

通过输出层的第二激活函数将所述第一特征输出为基于非标准正态分布的绩效考核结果；

更新所述BP神经网络模型的权重值和偏置值，直至所述BP神经网络模型的代价函数的值最小为止。

优选的，所述方法还包括：

按照预设周期从各个数据源获取最新考核指标数据；

将所述最新考核指标数据输入所述BP神经网络模型进行训练，以更新所述模型的权重值和偏置值。

为实现上述目的，本发明还提供一种基于神经网络的绩效考核装置，所述装置包括：

获取模块，用于获取待考核指标特征，所述待考核指标特征包括数值型特征和顺序型特征；

处理模块，用于将所述待考核指标特征输入预设的BP神经网络模型，其中，所述BP神经网络模型通过概率密度函数将所述待考核指标特征生成为符合正态分布的绩效考核结果；

输出模块，用于接收所述BP神经网络模型输出的所述绩效考核结果。

为实现上述目的，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述基于神经网络的绩效考核方法。

为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有基于神经网络的绩效考核程序，所述基于神经网络的绩效考核程序被处理器执行时，实现所述基于神经网络的绩效考核方法的步骤。

本发明获取待考核指标特征，待考核指标特征包括数值型特征和顺序型特征；将待考核指标特征输入预设的BP神经网络模型，BP神经网络模型通过概率密度函数将待考核指标特征生成为符合正态分布的绩效考核结果；接收BP神经网络模型输出的绩效考核结果。既能根据不同的维度与情况进行针对性考核，又能将所有考核指标特征进行聚合、统一后，形成绩效考核结果，能够使得绩效考核结果符合正态分布，从而使绩效考核结果更加合理。

附图说明

为了更清楚地说明本申请的实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明电子设备较佳实施例的示意图；

图2为图1中基于神经网络的绩效考核装置较佳实施例的模块示意图；

图3为本发明基于神经网络的绩效考核方法较佳实施例的流程图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。

参照图1所示，为本发明电子设备1较佳实施例的示意图。

该电子设备1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System ofMobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi通话网络等无线或有线网络。

其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子设备1的内部存储单元，例如该电子设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子设备1的外部存储设备，例如该电子设备1配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。

当然，所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述电子设备1的操作系统和各类应用软件，例如基于神经网络的绩效考核程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行基于神经网络的绩效考核程序10的程序代码等。

显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。

网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。

图1仅示出了具有组件11-14以及基于神经网络的绩效考核程序10的电子设备1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

可选地，所述电子设备1还可以包括目标用户接口，目标用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的目标用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的目标用户界面。

该电子设备1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。

在上述实施例中，处理器12执行存储器11中存储的基于神经网络的绩效考核程序10时可以实现如下步骤：

获取待考核指标特征，所述待考核指标特征包括数值型特征和顺序型特征；

将所述待考核指标特征输入预设的BP神经网络模型，其中，所述BP神经网络模型通过概率密度函数将所述待考核指标特征生成为符合正态分布的绩效考核结果；

接收所述BP神经网络模型输出的所述绩效考核结果。

关于上述步骤的详细介绍，请参照下述图2关于基于神经网络的绩效考核装置100实施例的功能模块图以及图3关于基于神经网络的绩效考核方法实施例的流程图的说明。

参照图2所示，为本发明基于神经网络的绩效考核装置100的功能模块图。

本发明所述基于神经网络的绩效考核装置100可以安装于电子设备中。根据实现的功能，所述基于神经网络的绩效考核装置100可以包括获取模块110、处理模块120及发送模块130。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

获取模块110，用于获取待考核指标特征，所述待考核指标特征包括数值型特征和顺序型特征。

在本实施例中，上述待考核指标特征包括数值型特征和顺序型特征，其中数值型特征为具有对应数值的考核指标，如国家级优秀裁判文书”对应10分。

具体地，所述数值型特征包括：最终指标、中间指标和实际计算指标。

其中，最终指数为一级指标，其通过数值的形式量化各个评估对象的整体绩效。中间指标为二级指标至四级指标，其包含质量综合分和数量综合分等二级指标。其中质量综合分是衡量评估对象的质量，可分为质量加分项和质量扣分项等三级指标。质量加分项还可以由多个四级指标组成，如“优秀裁判文书”、“优秀庭审”、“优秀案例”和“优秀案件”等。四级指标中的如“优秀裁判文书”，还可以根据不同的级别、奖项，设置不同的加分值，形成五级指标，如每一次符合“国家级优秀裁判文书”都可加10分。当在实际的计算过程中，在指定了时间周期与评估单元、对象之后，如若该评估对象满足三次“国家级优选秀裁判文书”的条件，则为该评估对象加10*3＝30分。相应地，质量扣分项也可以由多个四级指标组成，如“通报批评”等，“通报批评”可以根据严重程度、案件类型等设置不同的扣分值，形成五级指标。其中二级指标至四级指标都不会被赋予实际的计量值，而被赋予了实际的计量值的是五级指标层。

上述顺序型特征包括顺序特征和/或分类特征，如对案件流程等进行顺序划分得到顺序特征，顺序特征可以实现针对用户在各个阶段的绩效进行考核；或对部门类型、岗位类型等进行分类得到的分类特征，例如根据部门类型分类可以得到人事部、财务部、销售部等部门，根据岗位类型分类可以得到设计师、销售工程师等职位，分类特征可以同时实现对所有部门、所有岗位等用户的绩效考核。

具体地，所述顺序型特征是通过对部门类型、岗位类型、案件流程类后进行真值化得到。

可选地，所述获取待考核指标特征，所述待考核指标特征包括数值型特征和顺序型特征，包括：

获取待考核指标数据，并对所述待考核指标数据进行分类，得到数值型数据和顺序型数据；

对所述顺序型数据进行真值化；

将所述数值型数据和真值化后的所述顺序型数据组成所述待考核指标特征。

本实施例中，可以在模型训练时对每种待考核指标打标签，从而在模型应用时根据待考核指标数据的标签对待考核指标数据进行分类，其中打标签可以是人工设置，也可以通过协同训练的方式由模型识别考核指标数据并打标签。

上述真值化为计算机内部数字化顺序型数据后得到机器数，计算机外部用正负号表示机器码的实际数值，例如人事部对应的机器数为1，财务部对应的机器数为2，则人事部的真值为在机器码是否为1下的人事部字段标记为1，其他字段(如财务部)标记为0；财务部的真值为在其机器码是否为2下的财务部字段标记为1，其他字段(如人事部)标记0。

本实施例将待考核指标数据分类为数值型数据和顺序型数据，从而根据数值型数据对用户进行绩效考核，根据顺序型数据实现对不同的部门、岗位进行绩效考核。

处理模块120，用于将所述待考核指标特征输入预设的BP神经网络模型，其中，所述BP神经网络模型通过概率密度函数将所述待考核指标特征生成为符合正态分布的绩效考核结果。

本实施例中，BP神经网络模型不需要过多的人工统计与复杂处理，完全依赖计算机内部确定模型权重，有效规避人为因素。本实施例采用基于正态分布的概率密度函数作为激活函数，能够使得绩效考核结果符合正态分布，从而使绩效考核结果更加合理。

可选地，所述将所述待考核指标特征输入预设的BP神经网络模型，其中，所述BP神经网络模型通过概率密度函数将所述待考核指标特征生成为符合正态分布的绩效考核结果之前，还包括构建BP神经网络模型，具体包括：

获取训练集，并根据训练集中的待考核指标特征的数量，确定所述BP神经网络模型的隐含层节点数；

通过隐含层的第一激活函数将所述待考核指标特征输出为基于标准正态分布的第一特征，所述激活函数为基于标准正态分布的概率密度函数；

通过输出层的第二激活函数将所述第一特征输出为基于非标准正态分布的绩效考核结果；

更新所述BP神经网络模型的权重值和偏置值，直至所述BP神经网络模型的代价函数的值最小为止。

本实施例中，假设输入层的输入值为N个待考核指标特征，即输入层共包含N个输入，用X

令

为了令法院工作人员能容易理解，假设法院对各部门、各工作人员的绩效评估结果采用100分制，平均分设为60分，方差等于10，结合各部门、各员工的等分整体上服从正态分布，即输出层的激活函数设置为服务期望为60，标准差为10的非标准正态分布的概率密度函数。为此，将隐藏层的激活函数设置为标准正态分布的概率密度函数，再通过输出层将输出值转化为非标准正态分布，故隐藏层激活函数及输出变量设定为：

输出层的加权输入变量为：

根据非标准正态分布转化为标准正态分布的公式

a

将每次得到的绩效考核结果与对应的预设绩效考核结果进行对比，将得到的绩效考核结果与预设绩效考核结果一致记为t，则模型的代价函数为:

当C值为最小时，得到即为法院进行绩效评估的最优模型。

输出模块130，用于接收所述BP神经网络模型输出的所述绩效考核结果。

本实施例中，根据训练好的BP神经网络模型对待考核指标特征进行处理后，得到绩效考核结果。

进一步地，还包括：

按照预设周期从各个数据源获取最新考核指标数据；

将所述最新考核指标数据输入所述BP神经网络模型进行训练，以更新所述模型的权重值和偏置值。

本实施例中，数据源可以是各个法院、部门的员工绩效指标数据，使得BP神经网络模型更加符合当前用户的绩效考核标准。

此外，本发明还提供一种基于神经网络的绩效考核方法。参照图3所示，为本发明基于神经网络的绩效考核方法的实施例的方法流程示意图。电子设备1的处理器12执行存储器11中存储的基于神经网络的绩效考核程序10时，实现基于神经网络的绩效考核方法，包括步骤S101-S103。以下对各个步骤进行具体说明。

S101，获取待考核指标特征，所述待考核指标特征包括数值型特征和顺序型特征。

在本实施例中，上述待考核指标特征包括数值型特征和顺序型特征，其中数值型特征为具有对应数值的考核指标，如国家级优秀裁判文书”对应10分。

具体地，所述数值型特征包括：最终指标、中间指标和实际计算指标。

其中，最终指数为一级指标，其通过数值的形式量化各个评估对象的整体绩效。中间指标为二级指标至四级指标，其包含质量综合分和数量综合分等二级指标。其中质量综合分是衡量评估对象的质量，可分为质量加分项和质量扣分项等三级指标。质量加分项还可以由多个四级指标组成，如“优秀裁判文书”、“优秀庭审”、“优秀案例”和“优秀案件”等。四级指标中的如“优秀裁判文书”，还可以根据不同的级别、奖项，设置不同的加分值，形成五级指标，如每一次符合“国家级优秀裁判文书”都可加10分。当在实际的计算过程中，在指定了时间周期与评估单元、对象之后，如若该评估对象满足三次“国家级优选秀裁判文书”的条件，则为该评估对象加10*3＝30分。相应地，质量扣分项也可以由多个四级指标组成，如“通报批评”等，“通报批评”可以根据严重程度、案件类型等设置不同的扣分值，形成五级指标。其中二级指标至四级指标都不会被赋予实际的计量值，而被赋予了实际的计量值的是五级指标层。

上述顺序型特征包括顺序特征和/或分类特征，如对案件流程等进行顺序划分得到顺序特征，顺序特征可以实现针对用户在各个阶段的绩效进行考核；或对部门类型、岗位类型等进行分类得到的分类特征，例如根据部门类型分类可以得到人事部、财务部、销售部等部门，根据岗位类型分类可以得到设计师、销售工程师等职位，分类特征可以同时实现对所有部门、所有岗位等用户的绩效考核。

具体地，所述顺序型特征是通过对部门类型、岗位类型、案件流程类后进行真值化得到。

可选地，所述获取待考核指标特征，所述待考核指标特征包括数值型特征和顺序型特征，包括：

获取待考核指标数据，并对所述待考核指标数据进行分类，得到数值型数据和顺序型数据；

对所述顺序型数据进行真值化；

将所述数值型数据和真值化后的所述顺序型数据组成所述待考核指标特征。

本实施例中，可以在模型训练时对每种待考核指标打标签，从而在模型应用时根据待考核指标数据的标签对待考核指标数据进行分类，其中打标签可以是人工设置，也可以通过协同训练的方式由模型识别考核指标数据并打标签。

上述真值化为计算机内部数字化顺序型数据后得到机器数，计算机外部用正负号表示机器码的实际数值，例如人事部对应的机器数为1，财务部对应的机器数为2，则人事部的真值为在机器码是否为1下的人事部字段标记为1，其他字段(如财务部)标记为0；财务部的真值为在其机器码是否为2下的财务部字段标记为1，其他字段(如人事部)标记0。

本实施例将待考核指标数据分类为数值型数据和顺序型数据，从而根据数值型数据对用户进行绩效考核，根据顺序型数据实现对不同的部门、岗位进行绩效考核。

S102，将所述待考核指标特征输入预设的BP神经网络模型，其中，所述BP神经网络模型通过概率密度函数将所述待考核指标特征生成为符合正态分布的绩效考核结果。

本实施例中，BP神经网络模型不需要过多的人工统计与复杂处理，完全依赖计算机内部确定模型权重，有效规避人为因素。本实施例采用基于正态分布的概率密度函数作为激活函数，能够使得绩效考核结果符合正态分布，从而使绩效考核结果更加合理。

可选地，所述将所述待考核指标特征输入预设的BP神经网络模型，其中，所述BP神经网络模型通过概率密度函数将所述待考核指标特征生成为符合正态分布的绩效考核结果之前，还包括构建BP神经网络模型，具体包括：

获取训练集，并根据训练集中的待考核指标特征的数量，确定所述BP神经网络模型的隐含层节点数；

通过隐含层的第一激活函数将所述待考核指标特征输出为基于标准正态分布的第一特征，所述激活函数为基于标准正态分布的概率密度函数；

通过输出层的第二激活函数将所述第一特征输出为基于非标准正态分布的绩效考核结果；

更新所述BP神经网络模型的权重值和偏置值，直至所述BP神经网络模型的代价函数的值最小为止。

本实施例中，假设输入层的输入值为N个待考核指标特征，即输入层共包含N个输入，用X

令

为了令法院工作人员能容易理解，假设法院对各部门、各工作人员的绩效评估结果采用100分制，平均分设为60分，方差等于10，结合各部门、各员工的等分整体上服从正态分布，即输出层的激活函数设置为服务期望为60，标准差为10的非标准正态分布的概率密度函数。为此，将隐藏层的激活函数设置为标准正态分布的概率密度函数，再通过输出层将输出值转化为非标准正态分布，故隐藏层激活函数及输出变量设定为：

输出层的加权输入变量为：

根据非标准正态分布转化为标准正态分布的公式

a

将每次得到的绩效考核结果与对应的预设绩效考核结果进行对比，将得到的绩效考核结果与预设绩效考核结果一致记为t，则模型的代价函数为:

当C值为最小时，得到即为法院进行绩效评估的最优模型。

S103，接收所述BP神经网络模型输出的所述绩效考核结果。

本实施例中，根据训练好的BP神经网络模型对待考核指标特征进行处理后，得到绩效考核结果。

进一步地，还包括：

按照预设周期从各个数据源获取最新考核指标数据；

将所述最新考核指标数据输入所述BP神经网络模型进行训练，以更新所述模型的权重值和偏置值。

本实施例中，数据源可以是各个法院、部门的员工绩效指标数据，使得BP神经网络模型更加符合当前用户的绩效考核标准。

此外，本发明实施例还提出一种计算机可读存储介质，该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有基于神经网络的绩效考核程序10，所述基于神经网络的绩效考核程序10被处理器执行时，实现基于神经网络的绩效考核方法的操作。

在另一个实施例中，本发明所提供的基于神经网络的绩效考核方法，为进一步保证上述所有出现的数据的私密和安全性，上述所有数据还可以存储于一区块链的节点中。

需要说明的是，本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本发明之计算机可读存储介质的具体实施方式与上述基于神经网络的绩效考核方法的具体实施方式大致相同，在此不再赘述。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语"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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

需要说明的是，上述本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用于使得一台电子设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。