本發(fā)明涉及內(nèi)容推薦技術(shù)領(lǐng)域，特別是涉及一種信息的推薦方法和推薦裝置。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的快速發(fā)展，我們正處于信息過載的時代。用戶面對海量的信息很難找到自己真正感興趣的內(nèi)容，而內(nèi)容提供商也很難把優(yōu)質(zhì)的內(nèi)容準(zhǔn)確推送給感興趣的用戶。

發(fā)明人在實現(xiàn)本發(fā)明的過程中發(fā)現(xiàn)，內(nèi)容推薦被認為是解決這些問題的主要方法，如果能夠?qū)⒂脩舾信d趣的信息及時推薦給用戶，就能夠解決用戶無法得到感興趣的內(nèi)容的問題，從而可以提高用戶的觀看體驗，進而能夠培養(yǎng)用戶的忠誠度，相應(yīng)可以為網(wǎng)站的發(fā)展壯大提供相應(yīng)的用戶基礎(chǔ)。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明實施例提供了一種信息的推薦方法和推薦裝置，以將用戶感興趣的信息及時推薦給用戶，以提高用戶的體驗。

為了解決上述問題，本發(fā)明實施例公開了一種信息的推薦方法，包括：

獲取多個用戶的行為特征；

根據(jù)所述行為特征對所述多個用戶進行聚類分類；

根據(jù)聚類分類的結(jié)果向目標(biāo)用戶推薦信息。

可選的，所述根據(jù)所述行為特征對所述多個用戶進行聚類分類，包括：

根據(jù)所述行為特征對所述多個用戶進行聚類分類，得到多個類簇；

對每個所述類簇內(nèi)任意用戶之間的相似度進行計算。

可選的，所述根據(jù)所述行為特征對所述多個用戶進行分類，得到多個類簇，包括：

根據(jù)每個所述用戶的曝光點擊特征、播放特征、收藏特征、分享特征和評價特征中的部分特征或全部特征對所述多個用戶進行分類，得到多個類簇。

可選的，所述根據(jù)聚類的結(jié)果向所述目標(biāo)用戶推薦信息，包括：

將與所述目標(biāo)用戶同屬一個類簇的其他相似用戶按與所述目標(biāo)用戶的相似度進行排序；

將所述其他相似用戶中與所述目標(biāo)用戶的相似度超過預(yù)設(shè)閾值的所述相似用戶喜歡的信息推薦給所述目標(biāo)用戶。

可選的，在所述將與所述用戶同屬一個類簇的其他相似用戶按與所述用戶的相似度進行排序步驟之前，還包括步驟：

獲取所述目標(biāo)用戶的行為特征；

根據(jù)所述目標(biāo)用戶的行為特征確定所述目標(biāo)用戶所屬的類簇。

相應(yīng)的，為了保證上述方法的實施，本發(fā)明還提供了一種信息的推薦裝置，包括：

行為特征獲取模塊，用于獲取多個用戶的行為特征；

聚類分類模塊，用于根據(jù)所述行為特征對所述多個用戶進行聚類分類；

信息推薦模塊，用于根據(jù)聚類分類的結(jié)果向目標(biāo)用戶推薦信息。

可選的，所述聚類分類模塊包括：

用戶分類單元，用于根據(jù)所述行為特征對所述多個用戶進行聚類分類，得到多個類簇；

相似度計算單元，用于對每個所述類簇內(nèi)任意用戶之間的相似度進行計算。

可選的，所述行為特征包括每個所述用戶的曝光點擊特征、播放特征、收藏特征、分享特征和評價特征中的部分特征或全部特征。

可選的，所述信息推薦模塊包括：

相似用戶排序單元，用于將與所述目標(biāo)用戶同屬一個類簇的其他相似用戶按與所述用戶的相似度進行排序；

信息推薦單元，用于將所述其他相似用戶中與所述用戶的相似度超過預(yù)設(shè)閾值的所述相似用戶喜歡的信息推薦給所述用戶。

可選的，所述信息推薦模塊還包括：

行為特征獲取單元，用于獲取所述目標(biāo)用戶的行為特征；

目標(biāo)用戶分類單元，用于根據(jù)所述目標(biāo)用戶的行為特征確定所述目標(biāo)用戶所屬的類簇。

從上述技術(shù)方案可以看出，本發(fā)明實施例提供了一種信息的推薦方法和推薦裝置，該推薦方法和推薦裝置應(yīng)用于終端或服務(wù)器，具體為獲取該終端的用戶的行為特征，然后根據(jù)行為特征對用戶進行聚類分類，最后根據(jù)聚類的結(jié)果向目標(biāo)用戶進行信息推薦。這樣一來，本發(fā)明能夠?qū)崿F(xiàn)根據(jù)用戶的喜好向用戶推薦相應(yīng)的信息，從而解決了用戶無法得到感興趣的內(nèi)容的問題，進而有效提高了用戶的觀看體驗。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明的一種信息的推薦方法實施例的步驟流程圖；

圖2為本發(fā)明的另一種信息的推薦方法實施例的步驟流程圖；

圖3為本發(fā)明的向目標(biāo)用戶推薦信息的步驟流程圖；

圖4為本發(fā)明的一種信息的推薦裝置實施例的結(jié)構(gòu)框圖；

圖5為本發(fā)明的另一種信息的推薦裝置實施例的結(jié)構(gòu)框圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

實施例一

圖1為本發(fā)明的一種信息的推薦方法實施例的步驟流程圖。

參照圖1所示，本實施例提供的信息的推薦方法應(yīng)用于終端或者視頻服務(wù)器，用于向用戶推薦相應(yīng)的信息，具體方法包括如下步驟：

S101：獲取多個用戶的行為特征。

具體為獲取用戶在利用終端獲取各種信息的行為特征，用戶在對終端進行操作時會做出諸如曝光點擊、播放、收藏、分享和評價等行為，本實施例將這些行為的特征進行抽取，從而得到曝光點擊特征、播放特征、收藏特征、分享特征和評價特征等。

本實施例可以從上述特征中選取部分特征或全部特征作為該行為特征。其中的信息具體指音頻、視頻或者新聞文本等資訊。

曝光點擊是指用戶在終端上顯示的全部信息中選取一個進行點擊操作，但是不意味著全部播放，可能會進入后隨即退出；播放特征是指對某個信息進行播放的播放時長；收藏指的是將特定的信息收藏在某個收藏夾中，方便以后觀看；分享則指的是將特定信息向好友推薦；評價是指在終端上提供的評價平臺上對特定信息發(fā)表意見，例如表達正面評價的點贊或者表達負面評價的負反饋等。

S102：根據(jù)行為特征對所述多個用戶進行聚類分類。

在得到上述的用戶的行為特征后，根據(jù)該行為特征對用戶進行聚類分類。聚類又稱無監(jiān)督學(xué)習(xí)，將本身沒有類別的樣本聚集成不同的組，這樣的一組數(shù)據(jù)對象的集合叫做簇，并且對每一個這樣的簇進行描述的過程。

與分類規(guī)則不同，進行聚類前并不知道將要劃分成幾個組和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的旨在發(fā)現(xiàn)空間實體的屬性間的函數(shù)關(guān)系，挖掘的知識用以屬性名為變量的數(shù)學(xué)方程來表示。它的目的是使得屬于同一個簇的樣本之間應(yīng)該彼此相似，而不同簇的樣本應(yīng)該足夠不相似。

本實施例中的聚類分類即使利用上述聚類原理將用戶進行分類處理，得到多個類簇，具體為根據(jù)用戶的行為特征對用戶進行抽象，抽象為某一類別的用戶，例如根據(jù)播放的影片的種類、分享的對象確定該用戶為兒童用戶或者成人用戶，還可以確定該用戶為中國用戶、美國用戶或者日本用戶，等等依次類推。同樣該類簇的數(shù)量不是預(yù)先確定的，而是根據(jù)最終的分類結(jié)果得到的，每個類簇包含若干個用戶。

S103：根據(jù)聚類分類的結(jié)果向目標(biāo)用戶推薦信息。

在多個用戶被進行聚類歸類后，確定向某個目標(biāo)用戶推薦信息時，根據(jù)該目標(biāo)用戶的行為特征和聚類分類的結(jié)果，將與該目標(biāo)用戶最為相似的其他用戶喜歡的信息作為推薦信息推薦給該用戶。

從上述技術(shù)方案可以看出，本實施例提供了一種信息的推薦方法，該推薦方法應(yīng)用于終端或服務(wù)器，具體為獲取該終端的用戶的行為特征，然后根據(jù)行為特征對用戶進行聚類分類，最后根據(jù)聚類的結(jié)果向目標(biāo)用戶進行信息推薦。這樣一來，本發(fā)明能夠?qū)崿F(xiàn)根據(jù)用戶的喜好向用戶推薦相應(yīng)的信息，從而解決了用戶無法得到感興趣的內(nèi)容的問題，進而有效提高了用戶的觀看體驗。

實施例二

圖2為本發(fā)明的另一種信息的推薦方法實施例的步驟流程圖。

參照圖2所示，本實施例提供的信息的推薦方法應(yīng)用于終端或視頻服務(wù)器，用于向用戶推薦相應(yīng)的信息，具體方法包括如下步驟：

S101：獲取多個用戶的行為特征。

S102：根據(jù)行為特征對所述多個用戶進行聚類分類。

S103：根據(jù)聚類分類的結(jié)果向目標(biāo)用戶推薦信息。

其中，每個步驟的具體實施方式參見實施例1中的描述。

其中，所述根據(jù)行為特征對所述多個用戶進行聚類分類還可以進一步包括以下步驟：

S1021：根據(jù)行為特征對多個用戶進行聚類分類，得到多個類簇。

鑒于上述行為特征的多樣性，因此可以根據(jù)曝光點擊、播放、收藏、分享和評價等行為特征對用戶進行無限量的分類，得到多個不限數(shù)量的類簇，例如男用戶、女用戶、成人用戶、兒童用戶、中國用戶、美國用戶、高學(xué)歷用戶、低學(xué)歷用戶等等。通過不限數(shù)量的分類可以深切挖掘不同的用戶類型，避免有限用戶類型對用戶類型描述的局限性，從而可以對用戶進行更為貼切的描述，使用戶的分類更為精準(zhǔn)并貼近實際。

S1022：對每個類簇內(nèi)任意用戶之間的相似度進行計算。

在根據(jù)用戶的行為特征得到上述多個類簇后，對每個類簇內(nèi)任意用戶之間的相似度進行計算，即將用戶之間的曝光點擊特征、播放特征、收藏特征、分享特征和評價特征進行分別對比，并將對比結(jié)果按預(yù)設(shè)規(guī)則進行量化，從而得到任意用戶之間的相似度，或者說任意用戶之間按行為特征評價的相似程度。

通過對用戶進行相似度計算，使對相似用戶的判斷標(biāo)準(zhǔn)以量化標(biāo)準(zhǔn)進行判斷，從而提高了判斷的客觀性，能夠避免主觀判斷造成的偏差。

相應(yīng)的，所述根據(jù)聚類分類的結(jié)果向目標(biāo)用戶推薦信息還可以進一步包括以下步驟，如圖3所示：

S1031：獲取目標(biāo)用戶的行為特征。

目標(biāo)用戶為最終得到推薦信息的用戶，這里目標(biāo)用戶的行為特征與上述的行為特征的界定相同，這里不再贅述。

S1032：根據(jù)目標(biāo)用戶的行為特征對目標(biāo)用戶進行分類。

即根據(jù)上述得到的目標(biāo)用戶的行為特征確定目標(biāo)用戶所屬的類簇，這里的類簇是指上述對多個用戶進行聚類分類得到的多個類簇中的一種，即該目標(biāo)用戶所屬的具體類別。

S1033：將與目標(biāo)用戶同屬一個類簇的其他用戶進行排序。

當(dāng)需要對某個目標(biāo)用戶推薦信息時，基于上述任意用戶之間的相似度，將與該某個目標(biāo)用戶同屬一個類簇的其他用戶按與該目標(biāo)用戶之間的相似度進行排序，即按與該目標(biāo)用戶之間的相似度得分進行從高到低進行排序。

S1034：將與目標(biāo)用戶的相似度超出預(yù)設(shè)閾值的用戶喜歡的信息推薦給目標(biāo)用戶。在對其他相似用戶進行排序后，將與目標(biāo)用戶的相似度超出預(yù)設(shè)閾值的用戶喜歡的信息推薦給目標(biāo)用戶，即將與其相似程度最高的部分用戶喜歡的信息作為該目標(biāo)用戶喜歡的信息。

需要說明的是，在一些可選實施例中，所述步驟1031和步驟1032所完成的對目標(biāo)用戶分類步驟，可以采用線下完成的方式，而不采用實時完成的方式，從而能夠節(jié)約系統(tǒng)資源，提高響應(yīng)速度。則所述根據(jù)聚類分類的結(jié)果向目標(biāo)用戶推薦信息的步驟具體進行的是可以是步驟1033和步驟1034，也可以是步驟1031-步驟1034。

從上述技術(shù)方案可以看出，本實施例提供了一種信息的推薦方法，該推薦方法應(yīng)用于終端或服務(wù)器，具體為獲取該終端的用戶的行為特征，然后根據(jù)行為特征對用戶進行聚類分類，最后根據(jù)聚類的結(jié)果向目標(biāo)用戶進行信息推薦。這樣一來，本發(fā)明能夠?qū)崿F(xiàn)根據(jù)用戶的喜好向用戶推薦相應(yīng)的信息，從而解決了用戶無法得到感興趣的內(nèi)容的問題，進而有效提高了用戶的觀看體驗。

需要說明的是，對于方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明實施例并不受所描述的動作順序的限制，因為依據(jù)本發(fā)明實施例，某些步驟可以采用其他順序或者同時進行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說明書中所描述的實施例均屬于優(yōu)選實施例，所涉及的動作并不一定是本發(fā)明實施例所必須的。

實施例三

圖4為本發(fā)明的一種信息的推薦裝置實施例的結(jié)構(gòu)框圖。

參照圖4所示，本實施例提供的信息的推薦裝置應(yīng)用于終端，用于向用戶推薦用戶喜歡的信息，具體包括行為特征獲取模塊10、聚類分類模塊20和信息推薦模塊30。

行為特征獲取模塊10用于獲取用戶的行為特征。

具體為獲取用戶在利用終端獲取信息時的行為特征，用戶在對終端進行操作時會做出諸如曝光點擊、播放、收藏、分享和評價等行為，本實施例將這些行為的特征進行抽取，從而得到曝光點擊特征、播放特征、收藏特征、分享特征和評價特征等。

本實施例可以從上述特征中選取部分特征或全部特征作為該行為特征。其中的信息具體指音頻、視頻或者新聞文本等資訊。

曝光點擊是指用戶在終端上顯示的全部信息中選取一個進行點擊操作，但是不意味著全部播放，可能會進入后隨即退出；播放特征是指對某個信息進行播放的播放時長；收藏指的是將特定的信息收藏在某個收藏夾中，方便以后觀看；分享則指的是將特定信息向好友推薦；評價是指在終端上提供的評價平臺上對特定信息發(fā)表意見，例如表達正面評價的點贊或者表達負面評價的負反饋等。

聚類分類模塊20用于根據(jù)用戶的行為特征對用戶進行聚類分類。

在行為特征獲取模塊10在得到上述的用戶的行為特征后，根據(jù)該行為特征對用戶進行聚類分類。聚類又稱無監(jiān)督學(xué)習(xí)，是指根據(jù)“物以類聚”的原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組數(shù)據(jù)對象的集合叫做簇，并且對每一個這樣的簇進行描述的過程。

與分類規(guī)則不同，進行聚類前并不知道將要劃分成幾個組和什么樣的組，也不知道根據(jù)哪些空間區(qū)分規(guī)則來定義組。其目的旨在發(fā)現(xiàn)空間實體的屬性間的函數(shù)關(guān)系，挖掘的知識用以屬性名為變量的數(shù)學(xué)方程來表示。它的目的是使得屬于同一個簇的樣本之間應(yīng)該彼此相似，而不同簇的樣本應(yīng)該足夠不相似。

本實施例中的聚類分類即使利用上述聚類原理將用戶進行分類處理，得到多個類簇，具體為根據(jù)用戶的行為特征對用戶進行抽象，抽象為某一類別的用戶，例如根據(jù)播放的影片的種類、分享的對象確定該用戶為兒童用戶或者成人用戶，還可以確定該用戶為中國用戶、美國用戶或者日本用戶，等等依次類推。同樣該類簇的數(shù)量不是預(yù)先確定的，而是根據(jù)最終的分類結(jié)果得到的，每個類簇包含若干個用戶。

信息推薦模塊30用于根據(jù)聚類分類后的結(jié)果向目標(biāo)用戶推薦信息。

具體來說是在多個用戶被聚類分類模塊20聚類歸類后，在確定向某個目標(biāo)用戶推薦信息時，根據(jù)該目標(biāo)用戶的行為各種和聚類分類的結(jié)果，將與該目標(biāo)用戶最為相似的其他用戶喜歡的信息作為推薦信息推薦給該用戶。

從上述技術(shù)方案可以看出，本實施例提供了一種信息的推薦裝置，該推薦裝置應(yīng)用于終端或服務(wù)器，具體為獲取該終端的用戶的行為特征，然后根據(jù)行為特征對用戶進行聚類分類，最后根據(jù)聚類的結(jié)果向目標(biāo)用戶進行信息推薦。這樣一來，本發(fā)明能夠?qū)崿F(xiàn)根據(jù)用戶的喜好向用戶推薦相應(yīng)的信息，從而解決了用戶無法得到感興趣的內(nèi)容的問題，進而有效提高了用戶的觀看體驗。

實施例四

圖5為本發(fā)明的另一種信息的推薦裝置實施例的結(jié)構(gòu)框圖。

參照圖5所示，本實施例提供的信息的推薦裝置應(yīng)用于終端，用于向用戶推薦用戶喜歡的信息，具體包括行為特征獲取模塊10、聚類分類模塊20和信息推薦模塊30。

行為特征獲取模塊10用于獲取用戶的行為特征。

具體為獲取用戶在利用終端獲取信息時的行為特征，用戶在對終端進行操作時會做出諸如曝光點擊、播放、收藏、分享和評價等行為，本實施例將這些行為的特征進行抽取，從而得到曝光點擊特征、播放特征、收藏特征、分享特征和評價特征等。

本實施例可以從上述特征中選取部分特征或全部特征作為該行為特征。其中的信息具體指音頻、視頻或者新聞文本等資訊。

曝光點擊是指用戶在終端上顯示的全部信息中選取一個進行點擊操作，但是不意味著全部播放，可能會進入后隨即退出；播放特征是指對某個信息進行播放的播放時長；收藏指的是將特定的信息收藏在某個收藏夾中，方便以后觀看；分享則指的是將特定信息向好友推薦；評價是指在終端上提供的評價平臺上對特定信息發(fā)表意見，例如表達正面評價的點贊或者表達負面評價的負反饋等。

聚類分類模塊20用于根據(jù)用戶的行為特征對用戶進行聚類分類。可選地，該模塊包括用戶分類單元21和相似度計算單元22。

用戶分類單元21根據(jù)每個用戶行為特征對用戶進行聚類分類。鑒于上述行為特征的多樣性，因此可以根據(jù)曝光點擊、播放、收藏、分享和評價等行為特征對用戶進行無限量的分類，得到多個不限數(shù)量的類簇，例如男用戶、女用戶、成人用戶、兒童用戶、中國用戶、美國用戶、高學(xué)歷用戶、低學(xué)歷用戶等等。通過不限數(shù)量的分類可以深切挖掘不同的用戶類型，避免有限用戶類型對用戶類型描述的局限性，從而可以對用戶進行更為貼切的描述，使用戶的分類更為精準(zhǔn)并貼近實際。

在用戶分類單元21根據(jù)用戶的行為特征得到上述多個類簇后，相似度計算單元22對每個類簇內(nèi)任意用戶之間的相似度進行計算，即將用戶之間的曝光點擊特征、播放特征、收藏特征、分享特征和評價特征進行分別對比，并將對比結(jié)果按預(yù)設(shè)規(guī)則進行量化，從而得到任意用戶之間的相似度，或者說任意用戶之間按行為特征評價的相似程度。

通過對用戶進行相似度計算，使對相似用戶的判斷標(biāo)準(zhǔn)以量化標(biāo)準(zhǔn)進行判斷，從而提高了判斷的客觀性，能夠避免主觀判斷造成的偏差。

信息推薦模塊30用于根據(jù)聚類分類后的結(jié)果向用戶推薦其喜歡的信息，可選地，該模塊具體包括相似用戶排序單元31和推薦單元32。

相似用戶排序單元31用于當(dāng)需要對某個目標(biāo)用戶推薦信息時，基于相似度計算單元22得到的任意用戶之間的相似度，將與該目標(biāo)用戶同屬一個類簇的其他用戶按與該某個用戶之間的相似度進行排序，即將與該某個用戶之間的相似度得分進行從高到低進行排序。

推薦單元32用于在相似用戶排序單元31對其他用戶與該目標(biāo)用戶的相似度進行排序后，將與該目標(biāo)用戶的形似度超出預(yù)設(shè)閾值的用戶喜歡的信息推薦給該目標(biāo)用戶。

另外，在一些可選實施例中，該信息推薦模塊30還包括行為特征計獲取單元33和目標(biāo)用戶分類單元34。

行為特征獲取單元33用于獲取目標(biāo)用戶的行為特征，這里的目標(biāo)用戶為最終得到推薦信息的用戶，這里目標(biāo)用戶的行為特征與上述的行為特征的界定相同，這里不再贅述。

目標(biāo)用戶分類單元34用于根據(jù)上述得到的目標(biāo)用戶的行為特征確定目標(biāo)用戶所屬的類簇，這里的類簇是指上述對多個用戶進行聚類分類得到的多個類簇中的一種，即該目標(biāo)用戶所屬的具體類別。

需要說明的是，可選地，所述特征獲取單元33和目標(biāo)用戶分類單元34，所完成的對目標(biāo)用戶分類，可以采用線下完成的方式，而不采用實時完成的方式，從而能夠節(jié)約系統(tǒng)資源，提高響應(yīng)速度。則所述信息推薦模塊30可以包括相似用戶排序單元31、推薦單元32、行為特征獲取單元33和目標(biāo)用戶分類單元34，也可以只包括相似用戶排序單元31和推薦單元32。

從上述技術(shù)方案可以看出，本實施例提供了一種信息的推薦裝置，該推薦裝置應(yīng)用于終端或服務(wù)器，具體為獲取該終端的用戶的行為特征，然后根據(jù)行為特征對用戶進行聚類分類，最后根據(jù)聚類的結(jié)果向目標(biāo)用戶進行信息推薦。這樣一來，本發(fā)明能夠?qū)崿F(xiàn)根據(jù)用戶的喜好向用戶推薦相應(yīng)的信息，從而解決了用戶無法得到感興趣的內(nèi)容的問題，進而有效提高了用戶的觀看體驗。

對于裝置實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。

本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明實施例的實施例可提供為方法、裝置、或計算機程序產(chǎn)品。因此，本發(fā)明實施例可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明實施例可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學(xué)存儲器等)上實施的計算機程序產(chǎn)品的形式。

本發(fā)明實施例是參照根據(jù)本發(fā)明實施例的方法、終端設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理終端設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理終端設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理終端設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理終端設(shè)備上，使得在計算機或其他可編程終端設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程終端設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

盡管已描述了本發(fā)明實施例的優(yōu)選實施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例做出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實施例以及落入本發(fā)明實施例范圍的所有變更和修改。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者終端設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者終端設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者終端設(shè)備中還存在另外的相同要素。

以上對本發(fā)明所提供的技術(shù)方案進行了詳細介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。