1.本公开涉及数据处理技术领域，具体而言，涉及一种医疗问诊数据处理方法、医疗问诊数据处理装置、计算机可读存储介质、以及电子设备。


背景技术：

2.线上互联网医院中，医生通过图文聊天的方式了解患者的病症，提出诊断意见。很多疾病都需要多次复诊，医生经常需要翻找聊天来回忆患者之前的健康状况。由于患者并不是专业医生，无法通过一两句话准确描述自己健康问题，聊天过程会有大量的无用信息，影响医生回顾病症的效率。
3.因此，可以对医疗问诊数据进行分类保存，以便于提高复诊效率。
4.k最近邻模型(knn，k-nearestneighbor)简单有效，适用于样本比较大的类域的自动分类。然而，现有的k最近邻模型由于k值选择的限制，分类准确性较低。
5.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

6.本公开的目的在于提供一种医疗问诊数据处理方法及装置、计算机可读存储介质及电子设备，进而至少在一定程度上改善复诊效率低下、问诊数据分类准确性较低的问题。
7.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
8.根据本公开的第一方面，提供了一种医疗问诊数据处理方法，包括：对待处理问诊数据进行预处理，以确定出所述待处理问诊数据对应的特征向量；将所述特征向量输入到预设k最近邻模型中，以确定出与所述待处理问诊数据相邻的k个样本所属的类别中出现频次最多的前n个目标类别；在所述待处理问诊数据对应的特征向量中，确定出所述目标类别对应的特征值，以生成所述待处理问诊数据对应的目标特征向量；调整所述预设k最近邻模型中的k值，将所述待处理问诊数据对应的目标特征向量输入到所述k值调整后的所述预设k最近邻模型中，以对所述待处理问诊数据进行分类。
9.在本公开的一种示例性实施例中，基于前述方案，所述待处理问诊数据对应的特征向量用于指示所述待处理问诊数据中各预设类别对应的关键词的出现频次；所述对待处理问诊数据进行预处理，以确定出所述待处理问诊数据对应的特征向量，包括：对所述待处理问诊数据进行分词处理；将所述待处理问诊数据的分词结果和所述各预设类别对应的词库中的关键词进行匹配，以确定出所述各预设类别对应的关键词在待处理问诊数据中的出现频次；根据所述出现频次，得到所述待处理问诊数据对应的特征向量。
10.在本公开的一种示例性实施例中，基于前述方案，所述预设k最近邻模型通过以下方式预先确定：基于不同的预设初始k值得到多个初始k最近邻模型；获取训练数据集，将所述训练数据集划分为测试数据集和样本数据集；根据所述测试数据集和所述样本数据集，
分别确定出每个所述初始k最近邻模型的识别准确率；从所述多个初始k最近邻模型中选择出所述识别准确率最高的k最近邻模型，以得到所述预设k最近邻模型；其中，针对每个所述初始k最近邻模型，通过执行以下过程确定出所述初始k最近邻模型的识别准确率：针对所述测试数据集中的每个测试数据，将所述测试数据输入到所述初始k最近邻模型中，以确定出与所述测试数据相邻的k个样本数据所属的类别中出现频次最多的前n个待选类别；在所述测试数据对应的特征向量中，确定出所述待选类别对应的特征值，以生成所述测试数据对应的目标特征向量；调整所述初始k最近邻模型中的预设初始k值，得到目标k值；以所述样本数据集为所述初始k最近邻模型中的样本，基于所述测试数据的目标特征向量和所述目标k值，确定出所述测试数据对应的识别类别；基于每个所述测试数据对应的识别类别和每个所述测试数据对应的标签，确定出所述初始k最近邻模型的识别准确率。
11.在本公开的一种示例性实施例中，基于前述方案，所述调整所述初始k最近邻模型中的预设初始k值，得到目标k值，包括：减少所述初始k最近邻模型中的预设初始k值，以得到所述预设初始k值对应的目标k值。
12.在本公开的一种示例性实施例中，基于前述方案，所述调整所述预设k最近邻模型中的k值，包括：获取所述预设k最近邻模型中的初始k值对应的目标k值；将所述预设k最近邻模型中的k值从所述初始k值调整为所述目标k值；所述目标k值为在模型训练过程中对所述预设k最近邻模型对应的预设初始k值进行调整后得到的。
13.在本公开的一种示例性实施例中，基于前述方案，所述预设类别包括病症描述、诊断结果、药物使用、相关检查中的一种或多种。
14.在本公开的一种示例性实施例中，基于前述方案，所述方法还包括：将所述待处理问诊数据的分类结果保存在数据库中；在所述待处理问诊数据具有标记属性时，从数据库中选择出与所述待处理问诊数据属于同一问诊患者且类别相同的其它问诊数据；在目标客户端中显示所述其它问诊数据，以提示所述目标客户端的用户是否对所述其它问诊数据进行标记；响应于针对所述其它问诊数据的标记操作，在数据库中为所述其它问诊数据添加标记。
15.根据本公开的第二方面，提供了一种医疗问诊数据处理装置，包括：特征提取模块，被配置为对待处理问诊数据进行预处理，以确定出所述待处理问诊数据对应的特征向量；初始分类模块，被配置为将所述特征向量输入到预设k最近邻模型中，以确定出与所述待处理问诊数据相邻的k个样本所属的类别中出现频次最多的前n个目标类别；目标特征确定模块，被配置为在所述待处理问诊数据对应的特征向量中，确定出所述目标类别对应的特征值，以生成所述待处理问诊数据对应的目标特征向量；二次分类模块，被配置为调整所述预设k最近邻模型中的k值，将所述待处理问诊数据对应的目标特征向量输入到所述k值调整后的所述预设k最近邻模型中，以对所述待处理问诊数据进行分类。
16.根据本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的医疗问诊数据处理方法。
17.根据本公开实施例的第四方面，提供了一种电子设备，包括：处理器；以及，存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的医疗问诊数据处理方法。
18.由上述技术方案可知，本公开示例性实施例中的医疗问诊数据处理方法、医疗问诊数据处理装置，以及实现所述医疗问诊数据处理方法的计算机可读存储介质及电子设备，至少具备以下优点和积极效果：
19.在本公开的一些实施例所提供的技术方案中，首先，对待处理问诊数据进行预处理，以确定出所述待处理问诊数据对应的特征向量，然后，将所述特征向量输入到预设k最近邻模型中，以确定出与所述待处理数问诊据相邻的k个样本所属的类别中出现频次最多的前n个目标类别，并在所述待处理问诊数据对应的特征值中，确定出所述目标类别对应的特征值，以生成所述待处理问诊数据对应的目标特征向量；最后，调整所述预设k最近邻模型中的k值，将所述目标特征向量输入到所述k值调整后的所述预设k最近邻模型中，以对所述待处理问诊数据进行分类。与相关技术相比，一方面，本公开通过对k最近邻模型的分类结果进行二次处理，可以提高医疗问诊数据分类的准确性；另一方面，本公开通过对医疗问诊数据进行分类处理，可以辅助医生快速的从不同分类中查看对应的问诊记录，进而提高复诊效率。
20.本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。
22.图1示出本公开一示例性实施例中医疗文字数据处理方法的流程示意图；
23.图2示出本公开一示例性实施例中的确定待处理问诊数据的特征向量的方法的流程示意图；
24.图3示出本公开一示例性实施例中的确定预设k最近邻模型的方法的流程示意图；
25.图4示出本公开一示例性实施例中的确定初始k最近邻模型的识别准确率的方法的流程示意图；
26.图5示出本公开一示例性实施例中的对分类后的问诊数据进行标记的方法的流程示意图；
27.图6示出本公开一示例性实施例中医疗问诊数据处理装置的结构示意图；
28.图7示出本公开示例性实施例中计算机存储介质的结构示意图；以及，
29.图8示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
30.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可
以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
31.本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
32.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
33.线上互联网医院已经逐渐普及，对于很多没有时间或者不方便去医院就诊的用户而言，其可以通过线上互联网医院，与医生进行图文聊天，医生通过图文聊天了解患者病症，提出诊断意见。
34.现实中，很多疾病都需要多次复诊。对于线上互联网医院而言，医生经常需要翻找之前的聊天记录来回忆患者之前的健康状况。而在聊天过程中，由于患者并不是专业医生，无法通过一两句话准确描述自己健康问题，所以聊天过程往往会有大量的无用信息，影响医生回顾病症的效率。
35.因此，可以对聊天内容进行分析，将可能同类的聊天内容智能分组，当医生需要查看对应内容时，智能提示医生可能需要查看的聊天内容，提高医生复诊效率。
36.机器学习分类算法是一种应用广泛的分类方法，常见的机器学习分类算法有svm(support vector machines，支持向量机)算法和lr(logistic regression，逻辑回归)算法。然而，当样本数据量过大时，svm算法运行会占用大量的机器内存和运算时间，医生和患者的聊天信息数据量巨大，使用svm算法过于重量级，不利于进行处理。而lr算法输出并不是准确值而是一个介于0和1之间的概率，这种概率性结果有时容易导致数据分类的混淆性，另外lr算法由于概率结果，容易发生欠拟合问题。
37.而k最近邻模型计算简单有效，适用于样本比较大的类域的自动分类。但是传统的k最近邻模型的准确性在很大程度上依赖于k值的选择，所以其分类结果准确性仍然较低。
38.在本公开的实施例中，首先提供了一种医疗问诊数据处理方法，至少在一定程度上克服上述相关技术中存在的缺陷。
39.图1示出本公开一示例性实施例中医疗问诊数据处理方法的流程示意图。参考图1，该方法包括：
40.步骤s110，对待处理问诊数据进行预处理，以确定出所述待处理问诊数据对应的特征向量；
41.步骤s120，将所述特征向量输入到预设k最近邻模型中，以确定出与所述待处理问诊数据相邻的k个样本所属的类别中出现频次最多的前n个目标类别；
42.步骤s130，在所述待处理问诊数据对应的特征向量中，确定出所述目标类别对应的特征值，以生成所述待处理问诊数据对应的目标特征向量；
43.步骤s140，调整所述预设k最近邻模型中的k值，将所述待处理问诊数据对应的目标特征向量输入到所述k值调整后的所述预设k最近邻模型中，以对所述待处理问诊数据进
行分类。
44.在图1所示实施例所提供的技术方案中，首先，对待处理问诊数据进行预处理，以确定出所述待处理问诊数据对应的特征向量，然后，将所述特征向量输入到预设k最近邻模型中，以确定出与所述待处理问诊数据相邻的k个样本所属的类别中出现频次最多的前n个目标类别，并在所述待处理问诊数据对应的特征向量中，确定出所述目标类别对应的特征值，以生成所述待处理问诊数据对应的目标特征向量；最后，调整所述预设k最近邻模型中的k值，将所述目标特征向量输入到所述k值调整后的所述预设k最近邻模型中，以对所述待处理问诊数据进行分类。与相关技术相比，一方面，本公开通过对k最近邻模型的分类结果进行二次处理，可以提高医疗问诊数据分类的准确性；另一方面，本公开通过对医疗问诊数据进行分类处理，可以辅助医生快速的从不同分类中查看对应的问诊记录，进而提高复诊效率。
45.以下对图1所示实施例中各个步骤的具体实施方式进行详细阐述：
46.步骤s110，对待处理问诊数据进行预处理，以确定出所述待处理问诊数据对应的特征向量。
47.在示例性的实施方式中，待处理问诊数据可以包括线上医疗问诊过程中的聊天记录信息，该聊天记录信息可以是图片格式，也可以是文本格式，还可以是语音格式等，本示例性实施方式对此不做特殊限定。
48.待处理问诊数据对应的特征向量用于指示所述待处理问诊数据中各预设类别对应的关键词的出现频次。其中，预设类别可以包括病症描述、诊断结果、药物使用、相关检查中的一种或多种。例如，在预设类别包括病症描述、诊断结果、药物使用、相关检查时，对于待处理问诊数据而言，最终就是要确定该待处理问诊数据具体属于病症描述、诊断结果、药物使用、相关检查这4个预设类别中的哪个类别。当然，也可以根据实际需求对预设类别进行配置，本示例性实施方式对此不做特殊限定。
49.示例性的，图2示出本公开一示例性实施例中的确定待处理问诊数据的特征向量的方法的流程示意图。参考图2，该方法可以包括步骤s210至步骤s230。其中：
50.在步骤s210中，对所述待处理问诊数据进行分词处理。
51.示例性的，对待处理问诊数据进行分词处理可以理解为对待处理问诊数据对应的文本信息进行分词处理。
52.在待处理问诊数据是图片时，可以先对图片进行文本识别，确定出图片中的文本信息，然后再对识别出的文本信息进行分词处理。在待处理问诊数据是语音时，可以先将语音数据转换为文本，然后再对转换得到的文本进行分词处理。
53.其中，对待处理问诊数据进行分词处理的方法可以参考现有的分词技术，本示例性实施方式对此不再进行赘述。
54.在步骤s220中，将所述待处理问诊数据的分词结果和所述各预设类别对应的词库中的关键词进行匹配，以确定出所各预设类别对应的关键词在所述待处理问诊数据中的出现频次。
55.在对待处理问诊数据进行分词处理后，可以将得到的待处理问诊数据中的词语和各预设类别对应的词库中的关键词进行匹配。
56.举例而言，可以在已有的医疗问诊数据中进行分词提取以预先生成各预设类别的
词库，每个预设类别的词库中存储有该预设类别的医疗问诊数据对应的关键词。例如，从存储医疗问诊聊天信息的数据库中获取医疗问诊聊天信息，然后对其进行分词处理，将各分词根据其含义或者表征的具体内容将其对应的归类到病症描述、诊断结果、药物使用、相关检查各个类别中，从而生成各个类别的词库。对于药物使用对应的词库而言，还可以将常规药品名称或者所有药品名词作为关键词存储在药物使用这一类别对应的词库中，对于相关检查类别对应的词库而言，还可以将常规检查对应的名称作为关键词预先存储在相关检查这一类别对应的词库中。对于各个预设类别对应的词库的生成方法不以此为限制。
57.示例性的，可以在步骤s220中分别获取每个预设类别对应的词库。然后将待处理问诊数据进行分词处理后得到的词语分别和每个预设类别对应词库中的关键词进行匹配，并统计待处理问诊数据中的所有分词中与每个预设类别对应的词库中的关键词匹配成功的次数，该次数就可以理解为各预设类别对应的关键词在待处理问诊数据中的出现频次。
58.在步骤s230中，根据所述出现频次，得到所述待处理问诊数据对应的特征向量。
59.在示例性的实施方式中，某个预设类别对应的关键词在待处理问诊数据中的出现频次可以用于表征待处理问诊数据在该预设类别下的特征值。将待处理问诊数据在各个预设类别下的特征值可以组合在一起使用一个特征向量进行表示，从而生成待处理问诊数据对应的特征向量。
60.示例性的，步骤s230的具体实施方式可以是：根据各预设类别对应的特征值和各预设类别的特征值在特征向量中的预设表示顺序，确定待处理问诊数据对应的特征向量。
61.举例而言，如预先规定在特征向量中各预设类别的特征值的表示顺序先后依次是病症描述、诊断结果、药物使用、相关检查，待处理问诊数据进行分词后，得到了5个词语，这5个词语中有2个和药物使用类别对应的词库中的关键词匹配成功，有2个和病症描述类别对应的词库中的关键词匹配成功，有0个和诊断结果类别对应的词库中的关键词匹配成功，有0个和相关检查类别对应的词库中的关键词匹配成功，则该待处理问诊数据对应的特征向量为[2，0，2，0]。
[0062]
继续参考图1，接下来，在步骤s120中，将所述特征向量输入到预设k最近邻模型中，以确定出与所述待处理问诊数据相邻的k个样本所属的类别中出现频次最多的前n个目标类别。
[0063]
k最近邻模型，即knn(k-nearestneighbor)算法模型，所谓k最近邻，就是k个最近的邻居的意思，即每个待分类数据都可以用它最接近的k个邻近值来代表。换言之，可以计算待分类数据到已知类别的每个样本点的距离，然后，对每个距离进行排序，选择与待分类数据距离最近的前k个样本点，统计前k个样本点所在的类别的出现频率，将前k个样本点出现频率最高的类别作为待分类数据的分类结果。
[0064]
在k最近邻模型中，k值的选择对分类准确性具有至关重要的影响，如果k值选择过大，可能会选择出更多的干扰样本，从而降低模型分类的准确性；如果k值选择过小，则容易发生过拟合。
[0065]
在本公开中，通过对k最近邻模型的初始分类结果进行二次分类，根据二次分类后的准确率来进行k值的选择，进而确定出预设k最近邻模型，以提高k最近邻模型的分类准确性。
[0066]
示例性的，图3示出本公开一示例性实施例中的确定预设k最近邻模型的方法的流
程示意图，参考图3，该方法可以包括步骤s310至步骤s340。
[0067]
在步骤s310中，基于不同的预设初始k值得到多个初始k最近邻模型。
[0068]
示例性的，可以预先配置多个不同的预设初始k值以对应的得到多个初始k最近邻模型。如k值分别取7、8、9、10以确定出4个k最近邻模型。初始k最近邻模型的个数以及每个初始k最近邻模型的预设初始k值可以根据需求进行自定义配置，本示例性实施方式对此不做特殊限定。
[0069]
接下来，在步骤s320中，获取训练数据集，将所述训练数据集划分为测试数据集和样本数据集。
[0070]
示例性的，可以从问诊聊天记录信息的存储数据库中获取历史问诊聊天信息，对每个历史问诊记录信息进行标注，以确定每个历史问诊记录信息对应的类别，从而生成每个问诊记录信息对应的类别标签。然后，可以基于与上述的步骤s210至步骤s230的类似的方式来对历史问诊聊天记录信息进行处理，以确定出每个历史问诊聊天记录信息对应的特征向量。即，确定历史问诊聊天记录信息对应的特征向量的方式可以参考上述的步骤s210至步骤s230，此处不再进行赘述。
[0071]
换言之，训练数据集中的每个训练数据可以包括特征向量和该特征向量对应的标签。得到训练数据集后，可以将训练数据集划分为测试数据集和样本数据集。其中，测试数据集和样本数据集的划分比例可以根据需求进行确定，如60％作为测试数据集，40％作为样本数据集。本示例性实施方式对此不做特殊限定。测试数据集用于在后续的步骤中来测试每个初始k最近邻模型的识别准确率，样本数据集可以作为每个初始k最近邻模型中的样本点。
[0072]
接下来，在步骤s330中，根据所述测试数据集和所述样本数据集，分别确定出每个所述初始k最近邻模型的识别准确率。
[0073]
示例性的，步骤s330的具体实施方式可以理解为，以测试数据集中的数据作为待分类数据，以样本数据集中的数据作为每个初始k最近邻模型中的样本点。然后利用每个初始k最近邻模型中的样本点对每个测试数据进行分类，以确定出每个初始k最近邻模型的识别准确率。
[0074]
其中，针对每个初始k最近邻模型而言，确定出其识别准确率的方法可以参考图4所示，该法可以包括步骤s410至步骤s450。其中：
[0075]
在步骤s410中，针对所述测试数据集中的每个测试数据，将所述测试数据输入到所述初始k最近邻模型中，以确定出与所述测试数据相邻的k个样本数据所属的类别中出现频次最多的前n个待选类别。
[0076]
在示例性的实施方式中，n大于或等于2且小于预设类别的数目，且n为正整数，例如，如果需要在4个预设类别中确定出待处理问诊数据所属的类别，则n大于或等于2且小于4。初始k最近邻模型中的样本点可以包括上述的步骤s320中确定的样本数据集中的数据。
[0077]
示例性的，步骤s410的具体实施方式可以是，针对所述测试数据集中的每个测试数据，将所述测试数据输入到所述初始k最近邻模型中，计算该测试数据与所述初始k最近邻模型中的每个样本点之间的距离，根据该距离确定出与该测试数据最相邻的前k个样本点所属的类别中出现频次最多前n个待选类别。
[0078]
其中，距离度量可以包括欧氏距离、曼哈顿距离、切比雪夫距离、标准化欧式距离、
马氏距离、汉明距离、巴氏距离等任一种，本示例性实施方式对此不做特殊限定。
[0079]
以测试数据对应的特征向量为[4,5,2,1]、某个样本点对应的特征向量为[4,10,1,1]、距离度量采用欧氏距离为例，则测试数据和该样本点之间的距离为
[0080]
以预设初始k值为8时的初始k最近邻模型为例，然后将该测试数据输入到该初始k最近邻模型中，计算该测试数据与初始k最近邻模型中的每个样本点之间的距离，对每个样本点对应的距离进行降序或升序排序，选择出与测试数据的距离最小的前8个样本点。统计这8个样本点所属的类别出现的频次。以n＝2为例，选取这8个样本点所属的类别出现频次最多的前2个类别，将其作为待选类别。
[0081]
如，这8个样本点中属于病症描述类别的样本点有3个，即病症描述类别的出现频次为3、属于诊断结果类别的样本点有4个，即诊断结果类别的出现频次为4、属于药物使用类别的样本点有1个，即药物使用类别的出现频次为1、属于相关检查类别的样本点有0个，即相关检查类别的出现频次为0，则可以将诊断结果类别和病症描述类别作为待选类别。
[0082]
在步骤s420中，在所述测试数据对应的特征向量中，确定出所述待选类别对应的特征值，以生成所述测试数据对应的目标特征向量。
[0083]
继续以上述的测试数据对应的特征向量为[4,5,2,1]为例，其中，4表示病症描述类别对应的特征值，5表示诊断结果类别对应的特征值，2表示药物使用类别对应的特征值，1表示相关检查类别对应的特征值。确定出待选类别后，可以在测试数据对应的特征向量中仅保留待选类别对应的特征值，从而生成测试数据对应的目标特征向量。
[0084]
继续以上述的待选类别包括诊断结果类别和病症描述类别为例，测试数据对应的目标特征向量则可以表示为[4,5,0,0]。
[0085]
示例性的，步骤s420的具体实施方式可以是，在所述测试数据对应的特征向量中，保留所述待选类别对应的特征值，以生成所述测试数据对应的目标特征向量。
[0086]
接下来，在步骤s430中，调整所述初始k最近邻模型中的预设初始k值，得到目标k值。
[0087]
示例性的，调整所述初始k最近邻模型中的预设初始k值，得到目标k值的具体实施方式可以是，减少所述初始k最近邻模型中的预设初始k值，以得到所述预设初始k值对应的目标k值。
[0088]
得到目标k值后，在步骤s440中，以所述样本数据集为所述初始k最近邻模型中的样本，基于所述测试数据对应的目标特征向量和所述目标k值，确定出所述测试数据对应的识别类别。
[0089]
举例而言，可以将预设初始k值调整为原来的一半，得到一个目标k值，以上述的预设初始k值是8为例，可以得到一个目标k值4。然后，将目标特征向量中的特征值对应的和初始k最近邻模型的样本点中待选类别对应的特征值作差，计算出测试数据和样本点之间的距离，对每个距离进行排序，选择距离最小的前4个样本点，确定出前4个样本点所属的类别中出现频次最多的类别为测试数据对应的识别类别，识别类别可以理解为将测试数据通过初始k最近邻模型识别出来的类别。
[0090]
继续以测试数据对应的特征向量为[4,5,2,1]、某个样本点对应的特征向量为[4,10,1,1]、距离度量采用欧氏距离为例，在步骤s440中，测试数据和该样本点之间的距离可
以表示为也可以表示为也就是说，可以直接分别在测试数据和样本点中选择出待选类别对应的特征值，即分别保留测试数据和样本点中待选类别对应的特征值，然后计算测试数据和样本点之间的距离，也可以将测试数据和样本点中待选类别对应的特征值确定为0，以从形式上删除待选类别对应的特征值之外的其他特征，然后计算测试数据和样本点之间的距离。进而，基于计算出的距离和目标k值，确定出测试数据对应的识别类别。
[0091]
继续参考图4，在步骤s450中，基于每个所述测试数据对应的识别类别和每个所述测试数据对应的标签，确定出所述初始k最近邻模型的识别准确率。
[0092]
示例性的，针对每个测试数据可以在上述的步骤s410至步骤s440中，基于初始k最近邻模型得到该测试数据的识别类别。然后，可以将每个测试数据的识别类别和其对应的标签进行匹配或比对，判断二者是否相同，如果相同，则可以确定该测试数据识别成功。最终，根据识别成功的测试数据占所有测试数据的百分比，确定出初始k最近邻模型的识别准确率。
[0093]
进一步的，对于同一预设初始k值而言，还可以分别确定多个目标k值，然后选择出分别经多个目标k值二次识别后，准确率最高的目标k值作为该预设初始k值最终对应的目标k值。
[0094]
举例而言，在上述的步骤s430中，可以先将预设初始k值减少到以得到第一个目标k值，如将预设初始k值8减少到4，将4作为该预设初始k值8对应的第一个目标k值，然后通过上述的步骤s440和步骤s450，确定出当目标k值为4时的识别准确率。再回到步骤s430，将目标k值增加到即将5作为第二个目标k值，并且重复上述的步骤s440和步骤s450，确定出目标k值为5时的识别准确率。然后，比对第一个目标k值对应的识别准确率和第二个目标k值对应的识别准确率之间的大小关系，根据二者之间的大小关系确定是否继续确定第三个目标k值。
[0095]
如果第一个目标k值的识别准确率大于第二个目标k值的识别准确率，则可以不用继续确定第三个目标k值；如果第一个目标k值的识别准确率小于第二个目标k值，则可以将目标k值增加到以确定第三个目标k值，然后再对比第三个目标k值的识别准确率和第二个目标k值的识别准确率，如此循环，直到第m+1个目标k值对应的识别准确率小于第m个目标k值的识别准确率，则可以将第m个目标k值确定为预设初始k值最终对应的目标k值。
[0096]
需要说明的是，如果第m+1个目标k值为预设初始k值减去1，即k-1，且第m+1个目标k值对应的识别准确率大于第m个目标k值的识别准确率，此时如果再继续进行调整，则目标k值就等于预设初始k值了，则可以不需要再继续增加目标k值，而直接将k-1确定为预设初始k值最终对应的目标k值。
[0097]
通过上述的步骤s410至步骤s450得到每个初始k最近邻模型的识别准确率后，接下来，继续参考图3，在步骤s340中，从所述多个初始k最近邻模型中选择出所述识别准确率最高的k最近邻模型，以得到所述预设k最近邻模型。
[0098]
示例性的，在对多个初始k最近邻模型的识别准确率进行比对时，可以使用上述的
每个初始k最近邻模型最终对应的目标k值对应的识别准确率进行比对，从而将识别准确率最高的初始k最近邻模型确定为预设k最近邻模型。
[0099]
需要说明的是，最终确定出的预设k最近邻模型的识别准确率需要满足的条件可以根据业务需求确定，如，业务需求要求识别准确率大于75％，则最终确定出的预设k最近邻模型的识别准确率需要大于或等于75％。在进行预设k最近邻模型确定时，还可以根据不同的划分方式或划分策略得到多组测试数据集和样本数据集，分别使用每组测试数据集和样本数据集对初始k最近邻模型进行多次测试，以确定出识别准确率最高的模型，将其作为预设k最近邻模型。
[0100]
确定出预设k最近邻模型后，可以使用该预设k最近邻模型对待处理问诊数据进行分类识别。
[0101]
示例性的，可以先在步骤s120中，使用预设k最近邻模型的初始k值对待处理问诊数据进行第一次识别，以从预设类别中确定出目标类别。
[0102]
举例而言，在步骤s110中确定出待处理问诊数据对应的特征向量后，可以将计算该特征向量和预设k最近邻模型中的每个样本点对应的特征向量之间的距离，如上述的欧式距离，然后对计算出的距离进行排序，确定出距离最小的前k个样本点，此处的k即为预设k最近邻模型的初始k值。确定这k个样本点所属的类别中出现频次最多的前n个目标类别。
[0103]
以初始k值是8、n是2为例，确定出与待处理问诊数据之间的距离最小的8个样本点，根据这8个样本点所属的类别选择出出现频次最高的前2个类别，作为目标类别。如，这8个样本点所属的类别中病症描述类别的出现频次为3，诊断结果类别的出现频次为3，药物使用类别的出现频次为2，相关检查类别的出现频次为0，则可以将病症描述和诊断结果确定为目标类别。
[0104]
接下来，在步骤s130中，在所述待处理问诊数据对应的特征向量中，确定出所述目标类别对应的特征值，以生成所述待处理问诊数据对应的目标特征向量。
[0105]
示例性的，确定出目标类别后，可以在待处理问诊数据对应的特征向量中保留目标类别对应的特征值，而将其它类别对应的特征值配置为无效状态或者置0后，以在步骤s140中基于目标特征向量进行距离计算。其中，配置为无效状态的特征值不参与距离计算。
[0106]
如，待处理问诊数据的特征向量为[6,3,4,1]，其中6和4分别为目标类别对应的特征值，则待处理问诊数据的目标特征向量可以为[6,0,4,0]，或者将待处理问诊数据的目标特征向量中的特征值3和1配置为无效状态，以使其在步骤s140中不参与距离计算。
[0107]
接下来，在步骤s140中，调整所述预设k最近邻模型中的k值，将所述目标特征向量输入到所述k值调整后的所述预设k最近邻模型中，以对所述待处理问诊数据进行分类。
[0108]
在一种示例性的实施方式中，调整所述预设k最近邻模型中的k值的具体实施方式可以是，减少所述k最近邻模型中的k值。其中，k值减少到多少，可以根据用户需求确定，如k值减少到初始k值的一半。
[0109]
在另一种示例性的实施方式中，上述的图3所述的确定预设k最近邻模型的过程可以理解为模型训练过程，基于此，调整所述预设k最近邻模型中的k值的具体实施方式还可以是：获取所述预设k最近邻模型中的初始k值对应的目标k值；将所述预设k最近邻模型中的k值从初始k值调整为所述目标k值；其中，所述目标k值为在模型训练过程中对所述预设k最近邻模型对应的预设初始k值进行调整后得到的。
[0110]
换言之，在确定预设k最近邻模型后，就对应的确定出预设k最近邻模型的初始k值和该初始k值对应的目标k值，在步骤s120中，可以使用初始k值对待处理问诊数据进行第一次分类，以确定出目标类别，进而基于目标类别确定出待处理问诊数据对应的目标特征向量。然后，在步骤s140中，以目标特征向量和目标k值对待处理问诊数据进行第二次分类，以确定出待处理问诊数据所属的类别。
[0111]
示例性的，根据目标特征向量和目标k值对待处理问诊数据进行第二次分类，以确定出待处理问诊数据所属的类别的具体实施过程可以是：从所述预设k最近邻模型的样本点对应的特征向量中选择出目标类别对应的特征值，以得到每个样本点对应的目标特征向量。然后计算每个样本点对应的目标特征向量和待处理问诊数据对应的目标特征向量之间的距离，对每个距离进行排序，确定距离最小的前目标k值个样本点所属的类别中出现频次最多的类别，将该类别确定为待处理问诊数据最终所属的类别。其中，确定每个样点对应的目标特征向量的具体实施方式和确定待处理问诊数据对应的目标特征向量的具体实施方式完全相同，此处不再进行赘述。
[0112]
以上述的待处理问诊数据的特征向量为[6,3,4,1]，预设k最近邻模型中的某个样本点对应的特征向量为[10,2,5,4]、且各预设类别的特征值的在特征值中的表示顺序为病症描述、药物使用、诊断结果、相关检查、经过第一次分类后，确定出的目标类别为病症描述和诊断结果为例，则在步骤s140中对待处理问诊数据进行分类时，计算出的待处理问诊数据和该样本点之间的距离可以为
[0113]
通过上述的步骤s110至步骤s140，可以基于对待处理问诊数据的二次分类，可以避免特征值过大导致的分类结果不准确的问题。具体的，例如，与待处理问诊数据的距离最小的样本点所属的类别可能是a类别，如果仅用初始k值进行一次分类，由于初始k值过大，则可能导致选择出的距离待处理问诊数据最小的前k个样本点中属于b类别的样本点的数量是最多的，进而将待处理问诊数据错误的归类到b类别。而在本技术中，在第一次分类的基础上，减少k值，以对待处理问诊数据进行二次分类，由于k值的减少，则可以避免将更多错误的样本点确定为距离最小的样本点，进而可以避免基于错误的样本点所属的类别来参与待处理问诊数据所属类别的投票选择，从而可以避免误差较大的情况发生，提高待处理问诊数据分类的准确性。
[0114]
在一种示例性的应用场景中，可以从对线上医疗问诊聊天记录进行存储的数据库中获取历史聊天数据，将历史聊天数据通过分词算法进行分词处理后，根据每个分词所表征的实际含义，建立病症描述、诊断结果、药物使用、相关检查这四个预设类别对应的索引关键词库。并根据每个历史聊天数据中各预设类别对应的关键词的出现频次，确定每个历史聊天数据对应的特征向量，同时，基于每个历史聊天数据实际所属的类别确定每个历史聊天数据的标签，可以基于人工根据每个历史聊天记录所表征的实际含义确定其对应的标签，也可以直接根据各预设类别的关键词在历史聊天数据中的出现频次确定，如某个预设类别的关键词在历史聊天数据中的出现频次最多，则可以直接将该历史聊天数据的标签确定为该类别，从而生成k最近邻模型中的样本点。
[0115]
示例性的，在生成样本点时，还可以先排除掉与问诊数据无关的聊天数据。如，可以根据每个聊天数据与预设类别对应的关键词库中的关键词匹配的个数是否大于预设值
来确定该聊天数据是否为有用的聊天数据。若某个聊天数据各预设类别的关键词出现的频次之和大于预设值，则可以确定该聊天数据为有用的聊天数据，则保留，否则，确定该聊天数据为无用的聊天数据，例如，可能仅仅是患者对医生进行感谢的话语。仅需要确定有用的聊天数据对应的特征向量和标签，以生成k最近邻模型中的样本点。
[0116]
当有新的问诊聊天记录产生的时，在聊天结束后，可以从存储聊天记录的数据库中获取新的聊天记录，然后对新的聊天记录中的每个聊天数据，基于上述的步骤s110至步骤s140，确定出该聊天数据对应的类别，以对聊天数据进行分组存储。这样，当患者进行复诊时，医生可以根据需要，从对应的分组中直接查询想查看的病情信息，提高复诊效率。
[0117]
每次的问诊过程都是一个医生和患者不断进行沟通交流的过程，其会产生多条问诊数据，每条问诊数据都可以看作是一个待处理问诊数据，都可以基于上述的步骤s110至步骤s140对其进行处理。
[0118]
示例性的，在确定问诊数据的类别时，也可以先确定问诊数据中各预设类别的关键词的出现频次之和是否大于预设值，如果大于预设值，再对其进行分类处理，否则，则可以认为该聊天数据为无用信息，可以不对该聊天数据进行分类处理。
[0119]
为了进一步辅助医生和患者提高复诊效率，还可以根据待处理问诊数据的分类结果对待处理问诊数据进行标记。这样，在复诊时，可以根据用户需求，快速的显示目标患者的医疗问诊数据中添加了标记的医疗问诊数据。
[0120]
示例性的，图5示出本公开一示例性实施例中的对分类后的问诊数据进行标记的方法的流程示意图。参考图5，该方法可以包括步骤s510至步骤s540。其中：
[0121]
在步骤s510中，将所述待处理问诊数据的分类结果保存在数据库中。
[0122]
示例性的，在确定出每个待处理问诊数据的分类结果后，可以将该待处理问诊数据对应的类别存储在数据库中。
[0123]
在步骤s520中，在所述待处理问诊数据具有标记属性时，从数据库中选择出与所述待处理问诊数据属于同一问诊患者且类别相同的其它问诊数据。
[0124]
在步骤s530中，在目标客户端中显示所述其它问诊数据，以提示所述目标客户端的用户是否对所述其它问诊数据进行标记。
[0125]
在步骤s540中，响应于针对所述其它问诊数据的标记操作，在数据库中为所述其它问诊数据添加标记。
[0126]
举例而言，每次的问诊过程都是一个医生和患者不断进行沟通交流的过程，其会产生多条问诊数据，在每次问诊结束后，医生或者患者都可以根据自己的需求为此次问诊过程中的某些重点问诊数据添加标记。以医生根据自己的需求为此次问诊过程中的某些重点问诊数据添加了标记为例，在获取到医生添加了标记后的重点问诊数据后，可以将该问诊数据对应的标记状态配置为有效状态，以使得该问诊数据具有标记属性。
[0127]
然后，选择出与具有标记属性的问诊数据属于同一患者且类别相同的其它问诊数据，将其它问诊数据发送至医生对应的客户端，以向医生推荐其他可以进行标记的问诊数据；也可以从数据库中确定出此次问诊过程所产生的多条问诊数据中类别已确定的所有问诊数据，再从其中选择出与具有标记属性的问诊数据属于同一类别的问诊数据，将选择出的问诊数据发送至医生对应的客户端，以向医生推荐其他可以进行标记的问诊数据。
[0128]
推荐信息中可以包括提醒医生是否需要对推荐的问诊数据进行标记的信息。然
后，医生可以从推荐的问诊数据中选择出部分或全部以对其添加标记，从而根据医生的选择，在数据库中对相应的问诊数据添加标记属性。这样，在日后复诊时，可以根据医生的需求，直接向医生显示添加了标记属性的问诊数据，便于医生快速回顾患者的病情。如，响应于医生在其客户端针对某个控件的触发操作，在医生所在的客户端显示当前患者的历史问诊数据中添加了标记属性的问诊数据。
[0129]
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
[0130]
此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0131]
图6示出本公开示例性实施例中医疗问诊数据处理装置的结构示意图。参考图6，该装置600可以包括特征提取模块610、初始分类模块620、目标特征确定模块630、二次分类模块640。其中：
[0132]
特征提取模块610，被配置为对待处理问诊数据进行预处理，以确定出所述待处理问诊数据对应的特征向量；
[0133]
初始分类模块620，被配置为将所述特征向量输入到预设k最近邻模型中，以确定出与所述待处理问诊数据相邻的k个样本所属的类别中出现频次最多的前n个目标类别；
[0134]
目标特征确定模块630，被配置为在所述待处理问诊数据对应的特征向量中，确定出所述目标类别对应的特征值，以生成所述待处理问诊数据对应的目标特征向量；
[0135]
二次分类模块640，被配置为调整所述预设k最近邻模型中的k值，将所述待处理问诊数据对应的目标特征向量输入到所述k值调整后的所述预设k最近邻模型中，以对所述待处理问诊数据进行分类。
[0136]
在本公开的一些示例性实施例中，基于前述实施例，所述待处理问诊数据对应的特征向量用于指示所述待处理问诊数据中各预设类别对应的关键词的出现频次。
[0137]
在本公开的一些示例性实施例中，基于前述实施例，所述特征提取模块610还可以被具有配置为：对所述待处理问诊数据进行分词处理；将所述待处理问诊数据的分词结果和所述各预设类别对应的词库中的关键词进行匹配，以确定出所述各预设类别对应的关键词在待处理问诊数据中的出现频次；根据所述出现频次，得到所述待处理问诊数据对应的特征向量。
[0138]
在本公开的一些示例性实施例中，基于前述实施例，所述预设k最近邻模型通过以下方式预先确定：基于不同的预设初始k值得到多个初始k最近邻模型；获取训练数据集，将所述训练数据集划分为测试数据集和样本数据集；根据所述测试数据集和所述样本数据集，分别确定出每个所述初始k最近邻模型的识别准确率；从所述多个初始k最近邻模型中选择出所述识别准确率最高的k最近邻模型，以得到所述预设k最近邻模型。其中，针对每个所述初始k最近邻模型，通过执行以下过程确定出所述初始k最近邻模型的识别准确率：针对所述测试数据集中的每个测试数据，将所述测试数据输入到所述初始k最近邻模型中，以
确定出与所述测试数据相邻的k个样本数据所属的类别中出现频次最多的前n个待选类别；在所述测试数据对应的特征向量中，确定出所述待选类别对应的特征值，以生成所述测试数据对应的目标特征向量；调整所述初始k最近邻模型中的预设初始k值，得到目标k值；以所述样本数据集为所述初始k最近邻模型中的样本，基于所述测试数据的目标特征向量和所述目标k值，确定出所述测试数据对应的识别类别；基于每个所述测试数据对应的识别类别和每个所述测试数据对应的标签，确定出所述初始k最近邻模型的识别准确率。
[0139]
在本公开的一些示例性实施例中，基于前述实施例，所述调整所述初始k最近邻模型中的预设初始k值，得到目标k值，包括：减少所述初始k最近邻模型中的预设初始k值，以得到所述预设初始k值对应的目标k值。
[0140]
在本公开的一些示例性实施例中，基于前述实施例，所述二次分类模块640还可以被具体配置为：获取所述预设k最近邻模型中的初始k值对应的目标k值；将所述预设k最近邻模型中的k值从所述初始k值调整为所述目标k值；所述目标k值为在模型训练过程中对所述预设k最近邻模型对应的预设初始k值进行调整后得到的。
[0141]
在本公开的一些示例性实施例中，基于前述实施例，所述预设类别包括病症描述、诊断结果、药物使用、相关检查中的一种或多种。
[0142]
在本公开的一些示例性实施例中，基于前述实施例，所述医疗问诊数据处理装置600还可以包括标记模块，所述标记模块被具体配置为：将所述待处理问诊数据的分类结果保存在数据库中；在所述待处理问诊数据具有标记属性时，从数据库中选择出与所述待处理问诊数据属于同一问诊患者且类别相同的其它问诊数据；在目标客户端中显示所述其它问诊数据，以提示所述目标客户端的用户是否对所述其它问诊数据进行标记；响应于针对所述其它问诊数据的标记操作，在数据库中为所述其它问诊数据添加标记。
[0143]
上述医疗问诊数据处理装置中各单元的具体细节已经在对应的医疗问诊数据处理方法中进行了详细的描述，因此此处不再赘述。
[0144]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0145]
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
[0146]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
[0147]
在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的
各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
[0148]
参考图7所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0149]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0150]
计算机可读信号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。可读信号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。
[0151]
可读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。
[0152]
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公开操作的程序代码，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)。
[0153]
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
[0154]
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0155]
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0156]
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。
[0157]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1至图5所示的各个步骤。
[0158]
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(rom)8203。
[0159]
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0160]
总线830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。
[0161]
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0162]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
[0163]
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0164]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。