试题推荐方法、装置、设备、存储介质及产品

专利名称：试题推荐方法、装置、设备、存储介质及产品

专利类型：实用新型专利

专利申请号：CN202411026470.5

专利申请（专利权）人：科大讯飞股份有限公司
权利人地址：安徽省合肥市高新开发区望江西路666号

专利发明（设计）人：丁亮,沙晶,盛志超,王士进,刘聪,胡国平

专利摘要：本申请提供了一种试题推荐方法、装置、设备、存储介质及产品，该方法包括：基于目标用户的对话内容确定目标用户的用户意图；基于用户意图在目标用户的当前画像信息中，确定第一画像局部特征和第二画像局部特征；其中，第一画像局部特征的试题召回数量大于第二画像局部特征的试题召回数量；基于第一画像局部特征和用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题；基于第二画像局部特征和用户意图，对推荐试题进行排序，确定推荐试题的推荐顺序。根据本申请的技术方案，能够根据推荐试题的推荐顺序有效提升试题推荐的准确性。

主权利要求：
1.一种试题推荐方法，其特征在于，包括：
基于目标用户的对话内容确定所述目标用户的用户意图；
将所述用户意图与所述目标用户的当前画像信息进行匹配，从所述目标用户的当前画像信息中选择与所述用户意图相关的画像局部特征，得到第一画像局部特征和第二画像局部特征；其中，所述第一画像局部特征包括用户个人信息，所述第二画像局部特征包括：用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因中的至少一项；
基于所述第一画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题；
基于所述第二画像局部特征和所述用户意图，对所述推荐试题进行排序，确定所述推荐试题的推荐顺序。
2.根据权利要求1所述的方法，其特征在于，所述目标用户的当前画像信息的获取方法包括：获取所述目标用户的历史画像信息；
基于所述对话内容，修正所述目标用户的历史画像信息，得到当前画像信息。
3.根据权利要求2所述的方法，其特征在于，所述历史画像信息的获取方法包括：对所述目标用户对不同试题的历史做题行为进行分析，确定所述目标用户的用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因；
将所述目标用户的用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因的统计情况，确定为所述目标用户的历史画像信息。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题，包括：根据所述第一画像局部特征和所述用户意图，生成第一试题召回指令；
利用所述第一试题召回指令，在预设试题数据库中与各个试题的试题特征进行匹配，召回对应的推荐试题。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一画像局部特征和所述用户意图生成第一试题召回指令，包括：根据所述用户意图生成意图指令；
利用所述目标用户的第一画像局部特征，对所述意图指令进行信息补充，生成第一试题召回指令。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第二画像局部特征和所述用户意图，对所述推荐试题进行排序，确定推荐试题的推荐顺序，包括：根据所述第二画像局部特征和所述用户意图，生成第二试题召回指令；
利用所述第二试题召回指令，对所述推荐试题进行排序，确定推荐试题的推荐顺序。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第二画像局部特征和所述用户意图，生成第二试题召回指令，包括：根据所述第二画像局部特征确定试题排序条件；
利用所述试题排序条件，对意图指令进行信息补充，得到第二试题召回指令，其中，所述意图指令是根据所述用户意图生成的。
8.根据权利要求1‑7中任一项所述的方法，其特征在于，所述各个试题的试题特征的确定方法包括：获取由预设预测模型对各个试题进行预测得到的各个试题对应的备选试题特征；
根据所述备选试题特征和试题特征提取条件，生成提示信息；
利用所述提示信息对各个试题进行试题特征的融合分析，得到各个试题对应的试题特征。
9.一种试题推荐装置，其特征在于，包括：
意图确定模块，用于基于目标用户的对话内容确定所述目标用户的用户意图；
局部特征提取模块，用于将所述用户意图与所述目标用户的当前画像信息进行匹配，从所述目标用户的当前画像信息中选择与所述用户意图相关的画像局部特征，得到第一画像局部特征和第二画像局部特征；其中，所述第一画像局部特征包括用户个人信息，所述第二画像局部特征包括：用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因中的至少一项；
第一推荐模块，用于基于所述第一画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题；
第二推荐模块，用于基于所述第二画像局部特征和所述用户意图，对所述推荐试题进行排序，确定所述推荐试题的推荐顺序。
10.一种电子设备，其特征在于，包括：
存储器和处理器；
所述存储器与所述处理器连接，用于存储程序；
所述处理器，通过运行所述存储器中的程序，实现如权利要求1至8中任意一项所述的试题推荐方法。
11.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如权利要求1至8中任意一项所述的试题推荐方法。
12.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至8中任意一项所述的试题推荐方法。 说明书 : 试题推荐方法、装置、设备、存储介质及产品技术领域[0001] 本申请涉及人工智能技术领域，尤其涉及一种试题推荐方法、装置、设备、存储介质及产品。背景技术[0002] 在教育领域中，试题练习可以巩固学生对知识点的掌握，因此，在对学生进行试题推荐时，可以针对每个学生的需求，推荐相应的试题。例如，根据学生的错题，推荐给学生与错题类型相同的题，从而促进学生掌握易错知识点。[0003] 但是，对于学生成绩一般，错题较多，那么采用上述方案推荐的试题也较为繁杂，且不具备针对性，使得学生练习负担较大，无法完成推荐试题。因此，如何提高试题推荐的准确性成为亟待解决的问题。发明内容[0004] 为了解决上述问题，本申请提出一种试题推荐方法、装置、设备、存储介质及产品，能够根据推荐试题的推荐顺序进行试题推荐，从而提升试题推荐的准确性。[0005] 根据本申请实施例的第一方面，提供了一种试题推荐方法，包括：[0006] 基于目标用户的对话内容确定所述目标用户的用户意图；[0007] 基于所述用户意图在所述目标用户的当前画像信息中，确定第一画像局部特征和第二画像局部特征；其中，所述第一画像局部特征的试题召回数量大于所述第二画像局部特征的试题召回数量；[0008] 基于所述第一画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题；[0009] 基于所述第二画像局部特征和所述用户意图，对所述推荐试题进行排序，确定所述推荐试题的推荐顺序。[0010] 根据本申请实施例的第二方面，提供了一种试题推荐装置，包括：[0011] 意图确定模块，用于基于目标用户的对话内容确定所述目标用户的用户意图；[0012] 局部特征提取模块，用于基于所述用户意图在所述目标用户的当前画像信息中，确定第一画像局部特征和第二画像局部特征；其中，所述第一画像局部特征的试题召回数量大于所述第二画像局部特征的试题召回数量；[0013] 第一推荐模块，用于基于所述第一画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题；[0014] 第二推荐模块，用于基于所述第二画像局部特征和所述用户意图，对所述推荐试题进行排序，确定所述推荐试题的推荐顺序。[0015] 本申请第三方面提供了一种电子设备，包括：[0016] 存储器和处理器；[0017] 所述存储器与所述处理器连接，用于存储程序；[0018] 所述处理器，通过运行所述存储器中的程序，实现上述的试题推荐方法。[0019] 本申请第四方面提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现上述的试题推荐方法。[0020] 本申请第五方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的试题推荐方法。[0021] 上述申请中的一个实施例具有如下优点或有益效果：[0022] 基于目标用户的对话内容确定目标用户的用户意图；基于用户意图在目标用户的当前画像信息中，确定第一画像局部特征和第二画像局部特征；其中，第一画像局部特征的试题召回数量大于第二画像局部特征的试题召回数量；基于第一画像局部特征和用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题；基于第二画像局部特征和用户意图，对推荐试题进行排序，确定推荐试题的推荐顺序。由此可见，利用第一画像局部特征进行试题召回，再利用第二画像局部特征对召回试题进行排序，有效建立召回试题和用户画像之间的关联，使得召回试题和生成的推荐顺序对于目标用户具备针对性，所以根据推荐试题的推荐顺序进行试题推荐，能够提升针对目标用户的试题推荐的准确性。附图说明[0023] 为了更清楚地说明本申请实施例或现有技术中的技术方案，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，还可以根据提供的附图获得其他的附图。[0024] 图1为本申请实施例提供的获取试题特征的流程示意图。[0025] 图2为本申请实施例提供的一种试题推荐方法的流程示意图。[0026] 图3为本申请实施例提供的一种试题推荐方法的具体流程示意图。[0027] 图4为本申请实施例提供的一种试题推荐装置的结构示意图。[0028] 图5为本申请实施例提供的一种电子设备的结构示意图。具体实施方式[0029] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。[0030] 人工智能(ArtificialIntelligence ,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。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能软件技术主要包括计算机视觉技术、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。[0031] 自然语言处理(NatureLanguageprocessing ,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。本申请提供的方法和装置适用于多个应用场景，例如问答场景等需要有针对性地进行试题推荐的场景。[0032] 目前，伴随着AI技术的快速发展，在教育技术的应用也越来越多。业界试题推荐方案主要是分几类：第一种，掌握不好的知识点下推荐。这类方法简单直接，在明确学生掌握不足的知识点下，寻找合适的练习资源进行查漏补缺；第二种，错题推荐相似题/变式题。这类方法根据用户做错的原题，将原题题干转为vector，通过计算题面特征相似度如余弦相似度，寻找比较相似的题目进行强化练习；第三种，基于IRT建模学生能力推荐，这类方案设计了几个参数，通过大量学生学情数据的训练来估计学生能力和题目参数。这些参数包括学生的能力值（θ）、题目的区分度（α）、题目的难度（β）等。这些参数共同决定了学生正确作答题目的概率；第4种，基于DKT、Transformer一类的建模学生作答序列的黑盒深度学习推荐算法。这类方法不需要训练相应参数，可大量组合学生历史作答序列，直接进行序列建模，训练预测在下一题上的得分，从而来考察学生能力。序列建模的过程，可加入学生的学习习惯、遗忘等特征，本质也是一种学情画像的建模。[0033] 然而，上述方案么采用上述方案推荐的试题不具备针对性，使得学生练习负担较大，无法完成推荐试题。[0034] 基于此，本申请提出一种试题推荐方法、装置、设备、存储介质及产品，在该技术方案中由于试题特征与画像局部特征具体内容之间存在的关联耦合性，通过目标用户的画像局部特征对预设试题数据库中各个试题的试题特征进行试题检索，能够提升试题推荐的准确性。[0035] 示例性方法[0036] 在一示例性实施例中，提供了一种试题推荐方法，包括：[0037] S110、基于目标用户的对话内容确定所述目标用户的用户意图；[0038] S120、基于所述用户意图在所述目标用户的当前画像信息中，确定画像局部特征，其中，所述画像局部特征包括用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因中的至少一项；[0039] S130、将所述画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，确定推荐试题；其中，所述试题特征包括：关键知识点、空间与逻辑认知能力、难度、相关知识和解答关键信息中的至少一项。[0040] 需要说明的是，本申请实施例技术方案可示例性地应用于处理器、电子设备、服务器（包括云服务器）等硬件设备，或包装成软件程序被运行，当硬件设备执行本申请实施例技术方案的处理过程，或上述软件程序被运行时，可以实现生成对话内容的目的。本申请实施例只对本申请技术方案的具体处理过程进行示例性介绍，并不对本申请技术方案的具体实现形式进行限定，任意的可以执行本申请技术方案处理过程的技术实现形式，都可以被本申请实施例所采用。[0041] 在本实施例中，由大语言模型执行步骤S110S130，所采用的大语言模型（Large~LanguageModel，LLM）是具备问答能力的模型。其中，大语言模型是基于海量文本数据训练的深度学习模型。大语言模型具备了三大重要能力：上下文学习、指令遵循和思维链推理。上下文学习：LLMs通过学习大量的文本数据，能够理解和利用上下文信息。这意味着模型可以根据前面的内容来解释后面的内容，从而更好地理解和生成连贯的语言。例如，在对话系统中，LLMs可以根据之前的对话历史来产生更准确的回复，考虑到上下文中的语境和用户意图。指令遵循：LLMs可以遵循人类提供的指令，执行特定的任务或生成特定类型的输出。通过将明确的指令作为Prompt提供给模型，它可以生成与指令相符合的结果。例如，在问答系统中，通过明确指定问题的类型和所需的回答格式，LLMs可以生成符合要求的准确答案。思维链推理：LLMs具备一定的逻辑推理能力，能够通过链接多个概念和信息来推断出新的结论。通过触发模型内部的记忆和语义联系，LLMs可以进行推理、概括和综合信息，从而生成更加有条理和富有创造性的输出。这使得它们在生成故事、文章和创意内容方面表现出色。这三大能力使得LLMs不仅能够生成自然语言文本，还能够深入理解文本含义，处理各种自然语言任务。Prompt是驱动大模型进行表达文本描述，Prompt可以是一个短语、一句话、一个段落，甚至是一个完整的问题。它通常是由工作人员创建的，用于明确和传达特定的意图或任务要求。Prompt的目的是引导大语言模型执行特定的操作或生成特定类型的输出。这可以包括回答问题、完成任务、写作文章、生成代码等。Prompt需要明确指导大语言模型的期望行为，确保生成的结果符合预期。Prompt可以包含上下文信息，以便模型理解和生成与之相关的内容。上下文可以是先前的对话历史、背景知识或特定领域的约束。通过提供相关的上下文，Prompt帮助模型更好地理解输入和生成输出。[0042] 在步骤S110中，示例性地，目标用户可以是任意与大语言模型进行对话的用户，例如，学生、教师、医生等职业的用户。其中，大语言模型是具备问答能力的模型。对话内容是用户与大语言模型进行问答得到的对话。其中，对话内容可以是只包含一轮对话，也可以包含多轮对话。在本实施例中，对话内容采用多轮对话，从而便于对用户意图的分析。用户意图指用户在与大语言模型进行交互时的表达出的目的或需要。具体地，大语言模型对目标用户所发出的问题进行回复，如此进行多轮交互得到目标用户的对话内容，通过预先设置的提示信息引导大语言模型对对话内容进行用户意图的拆解，得到用户意图。预先设置的提示信息可以为“作为一名经验丰富的xx年级xx学科老师，针对学生的问题，首先要明确拆解出学生意图并与学生确认，若用户意图不对，则进一步按照xxx进行多轮引导，交互过程中关键信息”。例如，目标用户的对话内容包括“快期中考试了，我想快速提分”。通过大语言模型分析对话内容的用户意图为用户想要期中考前特训提分，并拆解得到{“期中备考”、“提分”}。[0043] 在步骤S120中，示例性地，画像信息用于表示用户的特征。画像信息是根据至少一个画像局部特征构成的，画像局部特征是针对用户的试题推荐进行设置的。画像局部特征尽可能涵盖用户能力、学习偏好、甚至学习习惯等多维度的信息，并且能动态伴随着与用户交互进行修正优化。在本实施例中，画像局部特征均可以是采用大语言模型对用户的信息进行特征提取获取的，针对不同的画像局部特征采用的不同的提示信息，例如，针对用户个人信息，提示信息可以是“针对该用户的用户档案，从而在档案中进行个人信息的提取，并将其作为画像局部特征”。[0044] 用户个人信息包括用户的性别、年级、学科偏好、在校表现等。用户历史事件指的是用户历史学习有成就感的事件、历史个性化的诉求等的事件。设置用户历史事件作为画像局部特征，能够精准把握用户历史习惯及开放交互调整偏差，不仅能更好与用户建立情感链接，效果也更可信。例如，用户历史事件可以是喜欢做客观题、经常被说成绩差压力大。[0045] 用户学习状态包含用户的学习态度、学习效率、学习习惯、学习目标感等。用户的学习状态是结合用户答题习惯、学习目标完成情况等（即用户历史做题行为）进行分析得到的。用户的学习状态包括学习态度、学习效率、学习习惯、学习目标感。可选地，通过对自定义的统计模型对户答题习惯、学习目标完成情况进行统计，并进行动态监控，从而不断更新用户学习状态，定义的统计模型可以是采用任意的神经网络模型。具体地，用户学习状态中的每个特征均可以是通过等级进行区分的，等级的数量根据实际需要进行设置。例如，分为第一等级、第二等级和第三等级；或分为强、中、弱三个等级。[0046] 知识掌握状态用于衡量学生在各块知识的表现。其包括知识掌握分布、知识能力层级，知识能力层级的数量是根据需要进行设置的，如一级、二级、三级等。该标签来源方式主要是基于用户练习的统计结果及得分预测模型预测结果。具体地，通过用户练习的统计结果确定知识掌握分布，得分预测模型用于对用户练习的统计结果进行打分，从而确定知识能力层级，得分预测模型可以采用任意的神经网络模型。例如，知识掌握状态：一级{掌握强项章：数与式；掌握弱项章：圆}；二级{掌握强项章：XXX；掌握弱项章：XXX}。[0047] 空间与逻辑认知能力包括计算能力、空间观念、几何直观、模型观念、推理能力、抽象能力等N+能力，此标签获取途径是依赖于用户历史做题行为素养标签出错率及大语言模型对用户行为产生的各类评语分析的整合。具体地，空间与逻辑认知能力中的每个特征均可以是通过等级进行区分的，例如，分为第一等级、第二等级和第三等级；或分为强、中、弱三个等级。例如{计算能力：强}。导致用户发生错误的原因包括专业人员预先标注的错因标签，错因标签包括思路错误、审题不清、计算粗心、关键步骤缺失等一级错因标签等。[0048] 具体地，在确定目标用户的用户意图后，大语言模型调用目标用户的当前画像信息。将用户意图与当前画像信息进行匹配，选择与用户意图相关的画像局部特征。其中，用户意图与当前画像信息的匹配可以是通过文本的相似度计算得到的，不限定相似度的计算方式。[0049] 在步骤S130中，示例性地，预设试题数据库用于保存试题及其对应的答案，其中，不限制试题的来源。预设试题数据库中的每个试题均配置有对应的试题特征。在本实施例中，试题特征主要包括与试题相关的信息，具体可以包括关键知识点、空间与逻辑认知能力、难度、相关知识、解答关键信息和错题原因中的至少一项。空间与逻辑认知能力包括空间观念、几何直观、模型观念、推理能力、抽象能力等N+能力。相关知识用于表示与该试题关联的知识点。关键知识点表示试题中最核心的知识点。难度表示试题的难度，其可以通过设置等级进行区分，等级的数量根据实际需要进行设置。解答关键信息表示试题的解答中提取的关键文本或知识点。错题原因表示该试题做错时所出现过的错因标签。错因标签包括思路错误、审题不清、计算粗心、关键步骤缺失等一级错因标签等。需要说明的是，难度、空间与逻辑认知能力可以是通过等级进行区分的，如强、中、弱三个等级，具体地等级数量是根据实际情况设置的，在此不作限定。[0050] 具体地，试题特征可以是利用预设的提示信息引导大语言模型对试题进行关键知识点、空间与逻辑认知能力、难度、相关知识、解答关键信息和错题原因的特征提取所得到的。[0051] 优选地，各个试题的试题特征的确定方法包括：获取由预设预测模型对各个试题进行预测得到的各个试题对应的备选试题特征；根据备选试题特征和试题特征提取条件，生成提示信息；利用提示信息对各个试题进行试题特征的融合分析，得到各个试题对应的试题特征。[0052] 具体地，预设预测模型表示训练好的神经网络模型，如textCNN、Bert、TensorFlow。试题特征提取条件表示对试题特征的需求。如与预设预测模型生成的标签进行结合决策出各个试题考察的关键知识点、空间与逻辑认知能力、难度。在本实施例中，解题关键点、错题原因、相关知识通过大语言模型进行文本解析就可以得到。关键知识点、空间与逻辑认知能力、难度需要通过预设预测模型的预测结果结合大语言模型进行文本解析可以得到。各个试题特征通过向量进行表示，保存至预设试题数据库中。[0053] 例如，如图1所示，预设预测模型是多任务执行模型，即模型通过试题样本的训练可以识别试题的备选关键知识点、备选空间与逻辑认知能力、备选难度。获取预设预测模型所需的各个试题，先将各个试题输入预设预测模型输出各个试题的备选关键知识点、备选空间与逻辑认知能力、备选难度。利用备选关键知识点、备选空间与逻辑认知能力、备选难度和试题特征提取条件进行融合得到提示信息，即将生成的备选关键知识点、备选空间与逻辑认知能力、备选难度填入试题特征提取条件中得到提示信息。再将提示信息和各个试题输入至大语言模型中，利用大语言模型自身的知识结合备选关键知识点、备选空间与逻辑认知能力、备选难度对各个试题进行分析，输出最终的关键知识点、空间与逻辑认知能力、难度。[0054] 进一步地，为了使得大语言模型自身的知识更丰富，利用所需的知识点体系对大语言模型进行预训练。具体地，先构建所需的知识点体系，由于各类知识点存在相应前驱后继关系，因此自然构建成一种有向无环图。通过graph‑Token的方式表示有向无环图以对大语言模型预训练。其中，graph‑Token的方式是通过GNN转为graphembeddings再接入Projector中以获得graphtokens，将得到的graphtokens和自然语言tokens合并输入给大语言模型，以便让大语言模型理解图，得到微调后的大语言模型。[0055] 在大语言模型读懂上述向无环图的图结构信息后，根据给定的prompt引导，即可在分析试题特征过程自然输出与本题相关知识点的学习源头强相关知识点（即相关知识点，也称为溯源关联）。这类溯源关联不仅仅是关系上的前驱，也有可能是一种学习上的并列或者多跳前驱关联，但无疑是达到当前点的重要前置条件。而试题的解题关键点、错题原因前期是通过专业人员的标注得到的，在累积到一定数量后，大语言模型学习到解题关键点、错题原因的标注能力。则可以通过设置的提示信息引导大语言模型对各个试题进行解题关键点、错题原因的决策。在本实施例中，由于需要大语言模型输出多种试题特征，因此先通过预设预测模型对各个试题进行预测，得到各个试题的备选关键知识点、备选空间与逻辑认知能力、备选难度。设置提示信息如“作为一名经验丰富的xx学科老师，对于给定的试题及答案解析进行多维度分析，分别生成试题考察的关键知识点、空间与逻辑认知能力、难度、相关知识、解答关键信息和错题原因，生成过程需要具体结合预设预测模型的预测标签的可信度进行决策”。将提示信息、预设预测模型的备选试题特征和各个试题输出至大语言模型进行决策，输出各个试题的关键知识点、空间与逻辑认知能力、难度、相关知识、解答关键信息和错题原因，并将其与试题进行关联存储至预设试题数据库中。[0056] 在本实施例中，在获取目标用户的画像局部特征和用户意图后，分别根据画像局部特征和用户意图与预设试题数据库中各个试题的试题特征进行相似度计算，将相似度高于预设相似度阈值的试题作为推荐试题。[0057] 在本申请的技术方案中，基于目标用户的对话内容确定目标用户的用户意图；基于用户意图在目标用户的当前画像信息中，确定画像局部特征，其中，画像局部特征包括用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因中的至少一项；将画像局部特征和用户意图，与预设试题数据库中各个试题的试题特征进行匹配，确定推荐试题；其中，试题特征包括：关键知识点、空间与逻辑认知能力、难度、相关知识、解答关键信息和错题原因中的至少一项。由此可见，由于试题特征与画像局部特征具体内容之间存在关联耦合性，因此，通过目标用户的画像局部特征对预设试题数据库中各个试题的试题特征进行试题检索，检索出的结果更准确，从而能够提升试题推荐的准确性。[0058] 图2是根据本申请一实施例的试题推荐方法的流程图。在一示例性实施例中，提供了一种试题推荐方法，包括：[0059] S210、基于目标用户的对话内容确定所述目标用户的用户意图。[0060] 示例性地，目标用户的用户意图与步骤S110中的获取方式相同，在此不进行赘述。[0061] 步骤S120包括：S220、基于所述用户意图在所述目标用户的当前画像信息中，确定第一画像局部特征和第二画像局部特征；其中，所述第一画像局部特征的试题召回数量大于所述第二画像局部特征的试题召回数量。[0062] 示例性地，画像局部特征的试题召回数量表示根据画像局部特征在预设试题数据库中匹配的试题的数量。由于直接使用所有的选出的画像局部特征会导致试题的召回量过少。因此，在当前画像信息中选择第一画像局部特征和第二画像局部特征，通过第一画像局部特征进行试题召回，通过第二画像局部特征对召回的试题进行排序。由于第一画像局部特征用于召回，所以第一画像局部特征的在预设试题库中的试题召回数量大于第二画像局部特征的在预设试题库中的试题召回数量，从而避免根据第一画像局部特征召回的试题数量较少。例如，第一画像局部特征采用一个，第二画像局部特征采用多个。[0063] 优选地，第一画像局部特征包括用户个人信息；第二画像局部特征包括：用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因中的至少一项。[0064] 具体地，为了保证召回的试题与用户意图的关联性，第一画像局部特征仅采用能够保证用户个人信息的特征，从而保证召回的试题既是针对用户个人的试题，又符合用户意图。在本实施例中，在当前画像信息获取目标用户的用户个人信息，根据需要还可以使用需求对第一画像局部特征进行特征添加。大语言模型再分析用户意图与用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因的相关性，选择相关性高的一个或多个画像局部特征，可以理解的是，选择的画像局部特征的数量是根据实际需要进行设置的，在此不作限定。其中，相关性可以是大语言模型计算用户意图与用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误之间的相似度。[0065] 步骤S130包括：S230、基于所述第一画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题；[0066] S240、基于所述第二画像局部特征和所述用户意图，对所述推荐试题进行排序，确定推荐试题的推荐顺序。[0067] 具体地，将第一画像局部特征和用户意图作为试题的筛选条件。例如，根据第一画像局部特征和用户意图分别与试题特征进行相似度计算，得到各个试题与第一画像局部特征的相似度和各个试题与用户意图的相似度，将两个相似度进行加权计算得到各个试题最终的相似度。可以是根据预设的试题相似度阈值进行筛选得到推荐试题。还可以是选取相似度最高的M个试题作为推荐试题。[0068] 再根据第二画像局部特征和用户意图分别与推荐试题的试题特征进行相似度计算，得到推荐试题与第二画像局部特征的相似度推荐试题与用户意图的相似度，将两个相似度进行加权计算得到推荐试题最终的相似度，按照推荐试题最终的相似度进行排序得到推荐试题的推荐顺序。如此利用第一画像局部特征进行试题召回，再利用第二画像局部特征对召回试题进行排序，有效建立召回试题和用户画像之间的关联，使得召回的试题和生成的试题推荐顺序均相对目标用户具备针对性，从而生成的试题推荐顺序更准确。[0069] 在一种实施方式中，所述目标用户的当前画像信息的获取方法包括：[0070] 获取所述目标用户的历史画像信息；[0071] 基于所述对话内容，修正所述目标用户的历史画像信息，得到当前画像信息。[0072] 可选地，历史画像信息可以是在目标用户以前的多轮对话中逐步提取的。例如，在目标用户第一次与大语言模型发生对话时，通过查询确定不存在目标用户的画像信息。则大语言模型生成对话来引导目标用户输出其信息。这样根据获取的对话内容进行分析，得到目标用户的历史画像信息。在后续目标用户使用大语言模型所产生的对话时，均对历史画像信息进行补充或更新，作为下一次待调用的历史画像信息。[0073] 优选地，历史画像信息的获取方法包括：对所述目标用户对不同试题的历史做题行为进行分析，确定所述目标用户的用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因；[0074] 将所述目标用户的用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因，确定为所述目标用户的历史画像信息。[0075] 具体地，目标用户对不同试题的历史做题行为可以是目标用户在同一系统上进行做题训练时保存的历史记录。设置提示信息，如“结合目标用户的历史做题行为生成用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因”。将提示信息和目标用户的历史做题行为输入至大语言模型，利用上述提示信息引导大语言模型对目标用户对不同试题的历史做题行为进行分析。这样由于大语言模型同时具备局部画像特征拆解和试题特征拆解的能力，使得大语言模型生成局部画像特征和试题特征具备耦合性。[0076] 具体地，在获取目标用户的历史画像信息后，在目标用户的对话过程中不断进行动态抽槽填充，以填充或更新历史画像信息中的各项内容，从而保证所使用的当前画像信息的准确性。进一步地，对当前画像信息进行保存，并将其作为历史画像信息。[0077] 在一种实施方式中，所述基于所述第一画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题，步骤S230包括：[0078] S2310、根据所述第一画像局部特征和所述用户意图，生成第一试题召回指令；[0079] S2320、利用所述第一试题召回指令，在预设试题数据库中与各个试题的试题特征进行匹配，召回对应的推荐试题。[0080] 优选地，步骤S2310，包括：根据所述用户意图生成意图指令；利用所述目标用户的第一画像局部特征，对所述意图指令进行信息补充，生成第一试题召回指令。[0081] 具体地，确认目标用户的用户意图后，生成对应的意图指令{“plugin_intention”}。调用第一画像局部特征，如用户个人信息，将用户个人信息填充完善意图指令，得到第一试题召回指令。如“{“plugin”：“personalRec”,“functon”：“topic_recall”“,args”：{“grade”：“8”“,subject”:“math”}}”。根据第一试题召回指令在预设试题数据库中进行试题召回，召回的试题为推荐试题。具体地召回操作是在预设试题数据库中执行的。即对第一试题召回指令进行解析，将第一试题召回指令中携带的用户意图和第一画像局部特征与预设试题数据库中试题的试题特征进行相似度计算，将相似度高于试题相似度阈值的试题进行召回，试题相似度阈值根据实际需要进行设置，在此不作限定。[0082] 在一种实施方式中，所述基于所述第二画像局部特征和所述用户意图，对所述推荐试题进行排序，确定推荐试题的推荐顺序，步骤S240包括：[0083] S2410、根据所述第二画像局部特征和所述用户意图，生成第二试题召回指令；[0084] S2420、利用所述第二试题召回指令，对所述推荐试题进行排序，确定推荐试题的推荐顺序。[0085] 优选地，S2410包括：根据所述第二画像局部特征确定试题排序条件；利用所述试题排序条件，对所述意图指令进行信息补充，得到第二试题召回指令。[0086] 示例性地，试题排序条件是通过设置第二画像局部特征中各个画像局部特征的权重系数来对召回的试题进行排序。各个画像局部特征的权重系数可以是针对不同用户设置不同的权重系数，还可以是所有用户都采用相同的画像局部特征的权重系数。第一试题召回指令和第二试题召回指令可以是在同一时间生成，也可以是在不同时间生成，其可以是一起发送至预设试题数据库，然后在预设试题数据库中按顺序执行。[0087] 具体地，根据第二画像局部特征提取对应的权重系数，根据权重系数和第二画像局部特征生成试题排序条件。根据试题排序条件完善意图指令得到第二试题召回指令，将第二试题召回指令发送至预设试题数据库，预设试题数据库对第二试题召回指令进行解析，根据第二试题召回指令携带的试题排序条件对推荐试题进行排序得到推荐试题的推荐顺序。如此，输出推荐试题的推荐顺序，使得在推荐顺序中前面的试题更加符合用户的需求，用户能够更准确且高效的定位到所需的试题。进一步地，由于第一试题召回指令和第二试题召回指令均有大语言模型生成，因此可以采用一个提示信息引导大语言模型分别生成第一试题召回指令和第二试题召回指令。[0088] 在本实施例中，通过大语言模型对试题进行特征提取得到各个试题特征并存储至预设试题数据库中。[0089] 如图3所示，若目标对象的对话内容为“快期中考试了，我想快速数学提分”，将对话内容输入至大语言模型，通过提示信息引导大语言模型进行试题召回和排序。例如，提示信息为“作为一名经验丰富的xx年级xx学科老师，针对用户的问题，首先要明确拆解出用户意图并与用户确认，若用户意图不对，则进一步按照xxx进行多轮引导，交互过程中关键信；学生确认意图后，生成对应的意图指令{“plugin_intention”}，根据获取指令进行后续workflow：根据对话内容完善历史画像信息，调取完善后的历史画像信息进行意图完善、根据完善资源调用资源召回引擎xxx、资源精排引擎xxx，最后输出个性化资源；注意，整个交互过程关键信息总结与该用户画像进行信息更新，严格按照结构化要求进行内容填充……”。大语言模型根据上述提示信息将用户意图拆解为{“期中备考”、“数学”、“提分”}。提取目标用户的历史画像信息，如用户个人信息：男初二、不偏科、答题习惯性放弃难题、在校中等；空间与逻辑认知能力：“计算能力”：“中”；“抽象能力”：“弱”；用户学习状态：“学习目标感”：“弱”；导致用户发生错误的原因：“错题ID”：“标注错因”；用户历史事件：“经常被说成绩差压力大”。根据对话完善历史画像信息得到当前画像信息。在当前画像信息选择第一画像局部特征为用户个人信息，第二画像局部特征为空间与逻辑认知能力和导致用户发生错误的原因。根据用户个人信息完善意图指令，生成第一试题召回指令“{“plugin”：“personalRec”,“functon”：“topic_recall”,“args”：{“grade”：“8”,“subject”:“math”}}”。根据空间与逻辑认知能力和导致用户发生错误的原因完善意图指令以及对应的权重系数，生成第二试题召回指令“{“plugin”：“personalRec”,“functon”：“topic_rank”,“args”：{“Cosine”：“XXX”}}”，其中，XXX用于填写第二画像局部特征。可以理解的是，如果要突出某个画像局部特征的重要性，可提前多筛选还特征的资源或者提高其权重系数。[0090] 通过第一试题召回指令和第二试题召回指令进行试题召回，具体如下：将第一试题召回指令中携带的特征与预设试题数据库中的试题特征进行相似度计算，选出高匹配的若干试题作为推荐试题。再根据第二试题召回指令中携带的特征和试题排序条件对推荐试题进行二次精排，即将推荐试题的试题特征与第二试题召回指令中携带的特征进行相似度计算，并按照特征的权重系数进行排序，得到最终的推荐试题的推荐顺序。如此可以将推荐试题按照推荐顺序输出。进一步地，在后处理阶段可以选择推荐顺序中的前N个推荐试题进行输出，N可以是任意正整数。最后可以根据实际需要优化下题型排版等，方便用户练习过程也能和考试模式对齐，且推荐试题即能提升成绩也不会因为资源过难而丧失信心，该选择过程具有显著的可解释性。[0091] 示例性装置[0092] 相应的，图4是根据本申请一实施例的试题推荐装置的结构示意图。在一示例性实施例中，提供了一种试题推荐装置，包括：[0093] 意图确定模块410，用于基于目标用户的对话内容确定所述目标用户的用户意图；[0094] 局部特征提取模块420，用于基于所述用户意图在所述目标用户的当前画像信息中，确定第一画像局部特征和第二画像局部特征；其中，所述第一画像局部特征的试题召回数量大于所述第二画像局部特征的试题召回数量；[0095] 第一推荐模块430，用于基于所述第一画像局部特征和所述用户意图，与预设试题数据库中各个试题的试题特征进行匹配，在预设试题数据库中召回对应的推荐试题；[0096] 第二推荐模块440，用于基于所述第二画像局部特征和所述用户意图，对所述推荐试题进行排序，确定所述推荐试题的推荐顺序。[0097] 在一种实施方式中，所述装置还包括：其中，第一画像局部特征包括用户个人信息；第二画像局部特征包括：用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因中的至少一项。[0098] 在一种实施方式中，所述目标用户的当前画像信息的获取方法包括：[0099] 获取所述目标用户的历史画像信息；[0100] 基于所述对话内容，修正所述目标用户的历史画像信息，得到当前画像信息。[0101] 在一种实施方式中，所述历史画像信息的获取方法包括：[0102] 对所述目标用户对不同试题的历史做题行为进行分析，确定所述目标用户的用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因；[0103] 将所述目标用户的用户个人信息、用户历史事件、用户学习状态、知识掌握状态、空间与逻辑认知能力和导致用户发生错误的原因，确定为所述目标用户的历史画像信息。[0104] 在一种实施方式中，第一推荐模块430，包括：[0105] 第一指令生成模块，用于根据所述第一画像局部特征和所述用户意图，生成第一试题召回指令；[0106] 召回模块，用于利用所述第一试题召回指令，在预设试题数据库中与各个试题的试题特征进行匹配，召回对应的推荐试题。[0107] 在一种实施方式中，第一指令生成模块，还用于：[0108] 根据所述用户意图生成意图指令；[0109] 利用所述目标用户的第一画像局部特征，对所述意图指令进行信息补充，生成第一试题召回指令。[0110] 在一种实施方式中，第二推荐模块440，包括：[0111] 第二指令生成模块，用于根据所述第二画像局部特征和所述用户意图，生成第二试题召回指令；[0112] 排序模块，用于利用所述第二试题召回指令，对所述推荐试题进行排序，确定推荐试题的推荐顺序。[0113] 在一种实施方式中，第二指令生成模块，还用于：[0114] 根据所述第二画像局部特征确定试题排序条件；[0115] 利用所述试题排序条件，对所述意图指令进行信息补充，得到第二试题召回指令。[0116] 在一种实施方式中，所述各个试题的试题特征的确定方法包括：[0117] 获取由预设预测模型对各个试题进行预测得到的各个试题对应的备选试题特征；[0118] 根据所述备选试题特征和试题特征提取条件，生成提示信息；[0119] 利用所述提示信息对各个试题进行试题特征的融合分析，得到各个试题对应的试题特征。[0120] 本实施例提供的试题推荐装置，与本申请上述实施例所提供的方试题推荐法属于同一申请构思，可执行本申请上述任意实施例所提供的试题推荐方法，具备执行试题推荐方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请上述实施例提供的试题推荐方法的具体处理内容，此处不再加以赘述。[0121] 以上的意图确定模块410、局部特征提取模块420、推荐模块430所实现的功能可以分别由相同或不同的处理器实现，本申请实施例不作限定。[0122] 应理解以上装置中的模块可以以处理器调用软件的形式实现。例如该装置包括处理器，处理器与存储器连接，存储器中存储有指令，处理器调用存储器中存储的指令，以实现以上任一种方法或实现该装置各单元的功能，其中处理器可以为通用处理器，例如CPU或微处理器等，存储器可以为装置内的存储器或装置外的存储器。或者，装置中的单元可以以硬件电路的形式实现，可以通过对硬件电路的设计，实现部分或全部单元的功能，该硬件电路可以理解为一个或多个处理器；例如，在一种实现中，该硬件电路为ASIC，通过对电路内元件逻辑关系的设计，实现以上部分或全部单元的功能；再如，在另一种实现中，该硬件电路可以通过PLD实现，以FPGA为例，其可以包括大量逻辑门电路，通过配置文件来配置逻辑门电路之间的连接关系，从而实现以上部分或全部单元的功能。以上装置的所有单元可以全部通过处理器调用软件的形式实现，或全部通过硬件电路的形式实现，或部分通过处理器调用软件的形式实现，剩余部分通过硬件电路的形式实现。[0123] 在本申请实施例中，处理器是一种具有信号的处理能力的电路，在一种实现中，处理器可以是具有指令读取与运行能力的电路，例如CPU、微处理器、GPU、或DSP等；在另一种实现中，处理器可以通过硬件电路的逻辑关系实现一定功能，该硬件电路的逻辑关系是固定的或可以重构的，例如处理器为ASIC或PLD实现的硬件电路，例如FPGA等。在可重构的硬件电路中，处理器加载配置文档，实现硬件电路配置的过程，可以理解为处理器加载指令，以实现以上部分或全部单元的功能的过程。此外，还可以是针对人工智能设计的硬件电路，其可以理解为一种ASIC，例如NPU、TPU、DPU等。[0124] 可见，以上装置中的各单元可以是被配置成实施以上方法的一个或多个处理器(或处理电路)，例如：CPU、GPU、NPU、TPU、DPU、微处理器、DSP、ASIC、FPGA，或这些处理器形式中至少两种的组合。[0125] 此外，以上装置中的各单元可以全部或部分可以集成在一起，或者可以独立实现。在一种实现中，这些单元集成在一起，以SOC的形式实现。该SOC中可以包括至少一个处理器，用于实现以上任一种方法或实现该装置各单元的功能，该至少一个处理器的种类可以不同，例如包括CPU和FPGA，CPU和人工智能处理器，CPU和GPU等。[0126] 示例性电子设备[0127] 本申请另一实施例还提出一种电子设备，参见图5所示，该设备包括：[0128] 存储器500和处理器510；[0129] 其中，所述存储器500与所述处理器510连接，用于存储程序；[0130] 所述处理器510，用于通过运行所述存储器500中存储的程序，实现上述任一实施例公开的试题推荐方法。[0131] 具体的，上述电子设备还可以包括：总线、通信接口520、输入设备530和输出设备540。[0132] 处理器510、存储器500、通信接口520、输入设备530和输出设备540通过总线相互连接。其中：[0133] 总线可包括一通路，在计算机系统各个部件之间传送信息。[0134] 处理器510可以是通用处理器，例如通用中央处理器（CPU）、微处理器等，也可以是特定应用集成电路（application‑specificintegratedcircuit，ASIC），或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器（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。[0135] 处理器510可包括主处理器，还可包括基带芯片、调制解调器等。[0136] 存储器500中保存有执行本发明技术方案的程序，还可以保存有操作系统和其他关键业务。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。更具体的，存储器500可以包括只读存储器（read‑onlymemory，ROM）、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器（randomaccessmemory，RAM）、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。[0137] 输入设备530可包括接收用户输入的数据和信息的装置，例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。[0138] 输出设备540可包括允许输出信息给用户的装置，例如显示屏、打印机、扬声器等。[0139] 通信接口520可包括使用任何收发器一类的装置，以便与其他设备或通信网络通信，如以太网，无线接入网（RAN），无线局域网(WLAN)等。[0140] 处理器510执行存储器500中所存放的程序，以及调用其他设备，可用于实现本申请上述实施例所提供的任意一种试题推荐方法的各个步骤。[0141] 示例性计算机程序产品和存储介质[0142] 除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行上述实施例所提供的试题推荐方法的各个步骤。[0143] 计算机程序产品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申请实施例操作的程序代码，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。[0144] 此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行上述实施例所提供的试题推荐方法的各个步骤。[0145] 所述计算机可读存储介质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包括但不限于电、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。[0146] 具体的，上述的电子设备、计算机程序产品和存储介质的各个部分的具体工作内容，以及计算机程序产品或者上述的存储介质上的计算机程序被处理器运行时的具体处理内容，均可以参见上述的试题推荐方法的各个实施例的内容，此处不再赘述。[0147] 对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。[0148] 需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。[0149] 本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，各实施例中记载的技术特征可以进行替换或者组合。[0150] 本申请各实施例中装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。[0151] 本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其他的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或子模块的划分，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，例如多个子模块或模块可以结合或者可以集成到另一个模块，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其他的形式。[0152] 作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。[0153] 另外，在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。[0154] 专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。[0155] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元，或者二者的结合来实施。软件单元可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD‑ROM、或技术领域内所公知的任意其他形式的存储介质中。[0156] 最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、物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、物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、物品或者设备中还存在另外的相同要素。[0157] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

专利地区：安徽

专利申请日期：2024-07-30

专利公开日期：2024-11-29

专利公告号：CN118551120B