本發(fā)明涉及數(shù)據(jù)預測技術(shù)領域，特別涉及一種競爭結(jié)果的預測方法及裝置。

背景技術(shù)：

當今在互聯(lián)網(wǎng)和傳媒等領域，存在著很多競爭場景，即由多個競爭者參與有限資源競爭的事件，例如不同網(wǎng)站的相同內(nèi)容對用戶訪問流量的競爭、同時間段的電視節(jié)目對節(jié)目收視率的競爭、歌曲舞蹈等娛樂類比賽中選手對名次的競爭等等。對競爭場景的結(jié)果進行合理地預測和仿真，對互聯(lián)網(wǎng)和傳媒等領域的發(fā)展可以起到很好的推動作用。

目前針對競爭場景中競爭結(jié)果的預測模型，以定性分析為主，如波特五力競爭力模型，這類型模型無法對競爭進行定量分析，該模型更多是一種理論思考工具，而非可以實際操作的模型?，F(xiàn)有的基于效用函數(shù)離散選擇的離散選擇模型為單一模型，往往只利用到一個歷史競爭場景中的競爭維度等數(shù)據(jù)，并且假設每個競爭者效用值的不可估誤差部分相互獨立，這并不符合競爭者之間存在協(xié)方差的實際情況，導致該類單一競爭模型在對競爭場景中每個競爭者的競爭結(jié)果進行預測時，會產(chǎn)生較大的誤差，進而導致對競爭結(jié)果的預測準確度不高。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例的目的在于提供一種競爭結(jié)果的預測方法及裝置，以提高競爭結(jié)果的預測準確度。

為達到上述目的，本發(fā)明實施例公開了一種競爭結(jié)果的預測方法，方法包括：

針對歷史K個競爭場景中的每一競爭場景，確定該競爭場景對應的競爭維度；

采集所述競爭維度的競爭維度數(shù)據(jù)；

根據(jù)所述競爭維度數(shù)據(jù)，估計該競爭場景中預設效用函數(shù)的參數(shù)；

根據(jù)每一競爭場景中的所述參數(shù)，計算針對所述歷史K個競爭場景的組合參數(shù)；

根據(jù)所述組合參數(shù)，利用仿真技術(shù)，預測目標競爭場景中每個競爭者的競爭結(jié)果。

較佳的，所述預設效用函數(shù)為：

W＝X×β+ε

ε～N(0,Σ)

其中，W為競爭場景中所有競爭者的效用，X為競爭維度數(shù)據(jù)，β為需要估計的權(quán)重參數(shù)，ε為競爭場景中所有競爭者的效用的誤差，∑為需要估計的、所述誤差服從的協(xié)方差參數(shù)，N為所述協(xié)方差對應的矩陣的維度。

較佳的，所述根據(jù)所述競爭維度數(shù)據(jù)，估計該競爭場景中預設效用函數(shù)的參數(shù)，包括：

根據(jù)所述競爭維度數(shù)據(jù)，利用馬爾可夫蒙特卡洛技術(shù)估計該競爭場景中預設效用函數(shù)的參數(shù)。

較佳的，所述根據(jù)每一競爭場景中的所述參數(shù)，計算針對所述歷史K個競爭場景的組合參數(shù)，包括：

根據(jù)歷史K個競爭場景的發(fā)生時間的順序，計算每個競爭場景的衰減權(quán)重；根據(jù)每一競爭場景中的所述參數(shù)以及每個競爭場景的衰減權(quán)重，計算針對所述歷史K個競爭場景的組合參數(shù)。

較佳的，所述根據(jù)所述組合參數(shù)，利用仿真技術(shù)，預測目標競爭場景中每個競爭者的競爭結(jié)果，包括：

針對目標競爭場景，采集所述目標競爭場景對應的競爭維度數(shù)據(jù)；

針對預設次數(shù)迭代中的每一次迭代，根據(jù)所述組合參數(shù)以及所述目標競爭場景對應的競爭維度數(shù)據(jù)，計算所述目標競爭場景中每個競爭者的效用值；

對本次迭代中最大效用值對應的競爭者進行記錄；

統(tǒng)計所述預設次數(shù)迭代中，所述每個競爭者被記錄的次數(shù)；

根據(jù)所述每個競爭者被記錄的次數(shù)以及迭代次數(shù)，計算所述每個競爭者達到最大效用值的概率；

將所述每個競爭者達到最大效用值的概率確定為該競爭者的競爭結(jié)果。

為達到上述目的，本發(fā)明實施例公開了一種競爭結(jié)果的預測裝置，裝置包括：

確定模塊，用于針對歷史K個競爭場景中的每一競爭場景，確定該競爭場景對應的競爭維度；

采集模塊，用于采集所述競爭維度的競爭維度數(shù)據(jù)；

估計模塊，用于根據(jù)所述競爭維度數(shù)據(jù)，估計該競爭場景中預設效用函數(shù)的參數(shù)；

計算模塊，用于根據(jù)每一競爭場景中的所述參數(shù)，計算針對所述歷史K個競爭場景的組合參數(shù)；

預測模塊，用于根據(jù)所述組合參數(shù)，利用仿真技術(shù)，預測目標競爭場景中每個競爭者的競爭結(jié)果。

較佳的，所述預設效用函數(shù)為：

W＝X×β+ε

ε～N(0,Σ)

其中，W為競爭場景中所有競爭者的效用，X為競爭維度數(shù)據(jù)，β為需要估計的權(quán)重參數(shù)，ε為競爭場景中所有競爭者的效用的誤差，∑為需要估計的、所述誤差服從的協(xié)方差參數(shù)，N為所述協(xié)方差對應的矩陣的維度。

較佳的，所述估計模塊，具體用于：

根據(jù)所述競爭維度數(shù)據(jù)，利用馬爾可夫蒙特卡洛技術(shù)估計該競爭場景中預設效用函數(shù)的參數(shù)。

較佳的，所述計算模塊，具體用于：

根據(jù)歷史K個競爭場景的發(fā)生時間的順序，計算每個競爭場景的衰減權(quán)重；

根據(jù)每一競爭場景中的所述參數(shù)以及每個競爭場景的衰減權(quán)重，計算針對所述歷史K個競爭場景的組合參數(shù)。

較佳的，所述預測模塊，具體用于：

針對目標競爭場景，采集所述目標競爭場景對應的競爭維度數(shù)據(jù)；

針對預設次數(shù)迭代中的每一次迭代，根據(jù)所述組合參數(shù)以及所述目標競爭場景對應的競爭維度數(shù)據(jù)，計算所述目標競爭場景中每個競爭者的效用值；

對本次迭代中最大效用值對應的競爭者進行記錄；

統(tǒng)計所述預設次數(shù)迭代中，所述每個競爭者被記錄的次數(shù)；

根據(jù)所述每個競爭者被記錄的次數(shù)以及迭代次數(shù)，計算所述每個競爭者達到最大效用值的概率；

將所述每個競爭者達到最大效用值的概率確定為該競爭者的競爭結(jié)果。

由上述的技術(shù)方案可見，本發(fā)明實施例提供了一種競爭結(jié)果的預測方法及裝置，針對歷史K個競爭場景中的每一競爭場景，確定該競爭場景對應的競爭維度；采集所述競爭維度的競爭維度數(shù)據(jù)；根據(jù)所述競爭維度數(shù)據(jù)，估計該競爭場景中預設效用函數(shù)的參數(shù)；根據(jù)每一競爭場景中的所述參數(shù)，計算針對所述歷史K個競爭場景的組合參數(shù)；根據(jù)所述組合參數(shù)，預測目標競爭場景中每個競爭者的競爭結(jié)果。

可見，根據(jù)針對歷史K個競爭場景的組合參數(shù)，對目標競爭場景中每個競爭者的競爭結(jié)果進行預測，利用到了多個競爭場景中的競爭維度等數(shù)據(jù)，從而減小了競爭場景中競爭結(jié)果的預測誤差，提高了競爭結(jié)果的預測準確度。

當然，實施本發(fā)明的任一產(chǎn)品或方法必不一定需要同時達到以上所述的所有優(yōu)點。

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)明實施例提供的一種競爭結(jié)果的預測方法的流程示意圖；

圖2為本發(fā)明實施例提供的一種競爭結(jié)果的預測裝置的結(jié)構(gòu)示意圖；

圖3為本發(fā)明實施例提供的利用仿真技術(shù)預測競爭結(jié)果的流程示意圖。

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。基于本發(fā)明中的實施例，本領域普通技術(shù)人員在沒有作出創(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。

下面首先對本發(fā)明實施例提供的一種競爭結(jié)果的預測方法進行詳細說明。

參見圖1，圖1為本發(fā)明實施例提供的一種競爭結(jié)果的預測方法的流程示意圖，可以包括如下步驟：

S101，針對歷史K個競爭場景中的每一競爭場景，確定該競爭場景對應的競爭維度；

具體的，針對歷史K個競爭場景中的每一個競爭場景，可以確定該競爭場景中的競爭者、競爭的資源，以及包含的競爭維度。假設一個競爭場景有N個競爭者，那么需要選擇的競爭維度可以包括兩大類：競爭者特有的維度和共同競爭的資源的維度。例如，一個競爭場景為不同網(wǎng)站上同樣的網(wǎng)絡內(nèi)容對用戶訪問量的競爭，其中競爭者為N個相互競爭的網(wǎng)站，競爭者們所競爭的資源即為這個同樣的網(wǎng)絡內(nèi)容的用戶訪問量。每個網(wǎng)站特有的維度包括：該網(wǎng)站歷史覆蓋人數(shù)(User Cover)和網(wǎng)站同類內(nèi)容的瀏覽頁面數(shù)(User View)等等；共同競爭的資源的維度包含：題材、目標觀眾的年齡、性別、偏好等等?？梢愿鶕?jù)這兩類維度，確定該競爭場景對應的M個競爭維度，可以表示為M個競爭維度的集合{Feature_1，F(xiàn)eature_2，…，F(xiàn)eature_M}，其中，F(xiàn)eature_1為競爭維度1，F(xiàn)eature_2為競爭維度2，以此類推，F(xiàn)eature_M為競爭維度M。

S102，采集所述競爭維度的競爭維度數(shù)據(jù)；

具體的，針對歷史K個競爭場景中的每一個競爭場景，在確定出該競爭場景對應的競爭維度之后，可以采集確定的競爭維度的競爭維度數(shù)據(jù)。例如，該競爭場景有N個競爭者，確定的競爭維度為M個競爭維度Feature_1、Feature_2、…、Feature_M，則可以采集每個競爭者在M個競爭維度上的競爭維度數(shù)據(jù)。

S103，根據(jù)所述競爭維度數(shù)據(jù)，估計該競爭場景中預設效用函數(shù)的參數(shù)；

具體的，所述預設效用函數(shù)可以為：

W＝X×β+ε

ε～N(0,Σ)

其中，W為競爭場景中所有競爭者的效用，X為競爭維度數(shù)據(jù)，β為需要估計的權(quán)重參數(shù)，ε為競爭場景中所有競爭者的效用的誤差，∑為需要估計的、所述誤差服從的協(xié)方差參數(shù)，N為所述協(xié)方差對應的矩陣的維度。

具體的，效用(Utility)作為衡量顧客滿意程度的一種無單位的度量，決定了用戶在選擇一組競爭者時的行為，每個顧客都根據(jù)隨機效用最大化來進行選擇。我們假設一個競爭場景中的競爭資源為人，每個人根據(jù)效用最大化來選擇產(chǎn)品或者服務，那么顧客會在N個競爭者中選擇提供最大效用值的競爭者。

具體的，例如構(gòu)建在網(wǎng)絡和傳媒領域內(nèi)的預設效用函數(shù)，需要考慮的因素可以包括但不限于：網(wǎng)站歷史覆蓋人數(shù)、瀏覽頁面數(shù)、歷史網(wǎng)站流量、內(nèi)容的題材(如電影、電視劇等)、觀眾的年齡(包括18以下、18-30、30-40、40以上年齡段)、性別比例(男女的占比)等等。在實際應用中，預設效用函數(shù)可以為多維正態(tài)的概率模型(MNP模型)的效用函數(shù)。

具體的，可以根據(jù)所述競爭維度數(shù)據(jù)，利用馬爾可夫蒙特卡洛技術(shù)估計該競爭場景中預設效用函數(shù)的參數(shù)。在實際應用中，可以利用馬爾可夫蒙特卡洛技術(shù)中的吉布斯采樣(Gibbs采樣)，估計該競爭場景中預設效用函數(shù)的參數(shù)。

具體的，利用馬爾可夫蒙特卡洛技術(shù)中的Gibbs采樣，可以初始化參數(shù)的先驗共軛概率分布；確定似然函數(shù)的表達式；利用貝葉斯公式計算后驗概率分布的參數(shù)；判定參數(shù)的馬爾可夫鏈是否達到收斂條件，若收斂則迭代停止，若不收斂，則重復執(zhí)行確定似然函數(shù)的表達式的操作步驟。其中貝葉斯公式為后驗概率正比于先驗概率乘以似然概率。

示例性的，需要估計的參數(shù)為(β,Σ)，引入潛在效用值變量W，W_qi為第q個樣本對第i個選擇的效用值，q為樣本數(shù)，q∈[1，Q]，i為備選的競爭者個數(shù)i∈[1，N]。估計參數(shù)過程從(β,Σ)變成估計參數(shù)(β,Σ,W)，我們需要重復迭代Gibbs采樣馬爾可夫蒙特卡洛方法，得到迭代的參數(shù)β,Σ,W到(β‘,Σ’,W‘)馬爾可夫鏈。對三個變量(β,Σ,W)進行Gibbs采樣和蒙特卡洛仿真的具體步驟可以為：初始化(β,Σ,W)的共軛先驗概率(β₀,Σ₀,W₀)，其中β₀為初始化的長度為M的向量，代表了每個特征的權(quán)重，其先驗概率服從多元正態(tài)分布，均值為零向量，協(xié)方差矩陣為A，β～N(0,A，Σ₀為初始化的維度N×N的對角線元素為1的單位對角矩陣，即Σ＝I，W₀為初始化的所有元素為0的矩陣，元素W_qj代表第q個樣本對j個競爭選擇的效用值。然后，確定似然函數(shù)表達式和更新后驗概率，具體可以為：固定β和∑的條件下,采樣W效用值，即W|β,Σ，其中效用值W的先驗概率P(W_ij)和后驗概率P(W_ij|W_i(-j),β,Σ)服從共軛的正態(tài)分布；在固定W和∑的條件下，采樣β特征權(quán)重,即β|W,Σ，其中β的先驗概率和后驗概率均服從共軛的多元正態(tài)分布；在固定β和W的條件下，采樣∑協(xié)方差，即Σ|β,W，其中對∑的逆矩陣Σ^-1進行采樣，其先驗概率和后驗概率服從共軛的維希特分布(Wishart分布)。最后，判斷馬爾可夫鏈是否收斂，若收斂則終止迭代，否則重復確定似然函數(shù)表達式的操作步驟。其中，判斷(β,Σ,W)參數(shù)構(gòu)成的馬爾可夫鏈是否收斂，收斂的條件為判斷參數(shù)是否達到穩(wěn)態(tài)滿足事先確定的閾值。

S104，根據(jù)每一競爭場景中的所述參數(shù)，計算針對所述歷史K個競爭場景的組合參數(shù)；

具體的，可以根據(jù)歷史K個競爭場景的發(fā)生時間的順序，計算每個競爭場景的衰減權(quán)重；根據(jù)每一競爭場景中的所述參數(shù)以及每個競爭場景的衰減權(quán)重，計算針對所述歷史K個競爭場景的組合參數(shù)。

具體的，根據(jù)歷史K個競爭場景的發(fā)生時間的順序，最早發(fā)生的競爭場景的衰減權(quán)重最小，最晚發(fā)生的競爭場景的衰減權(quán)重最大。歷史的競爭場景與最新競爭場景的發(fā)生時間越接近，競爭場景的衰減權(quán)重越大。假設衰減參數(shù)定義為alpha(取值如0.95)，在K個歷史競爭場景中，第k個發(fā)生的競爭場景的衰減權(quán)重為：

w_k＝(alpha)^K-k

其中，w_k為第k個發(fā)生的競爭場景的衰減權(quán)重，k＝1，2，…，K，alpha為衰減參數(shù)，K為歷史競爭場景的個數(shù)。

具體的，在實際應用中，可以對衰減權(quán)重進行標準化，標準化后的衰減權(quán)重為：

其中，w_k^*為標準化后的衰減權(quán)重。

具體的，根據(jù)每一競爭場景中的權(quán)重參數(shù)、協(xié)方差參數(shù)和每個競爭場景標準化后的衰減權(quán)重，計算針對所述歷史K個競爭場景的組合參數(shù)。計算得到的組合參數(shù)為：

其中，β^*為針對歷史K個競爭場景的權(quán)重組合參數(shù)，∑^*為針對所述歷史K個競爭場景的協(xié)方差組合參數(shù)，β_k為第k個競爭場景對應的預設效用函數(shù)的權(quán)重參數(shù)，∑_k為第k個競爭場景對應的預設效用函數(shù)的協(xié)方差參數(shù)。

S105，根據(jù)所述組合參數(shù)，利用仿真技術(shù)，預測目標競爭場景中每個競爭者的競爭結(jié)果。

具體的，本發(fā)明實施例的S105可以包括如下六個步驟，如圖3所示，

S105A：針對目標競爭場景，采集所述目標競爭場景對應的競爭維度數(shù)據(jù)；

S105B：針對預設次數(shù)迭代中的每一次迭代，根據(jù)所述組合參數(shù)以及所述目標競爭場景對應的競爭維度數(shù)據(jù)，計算所述目標競爭場景中每個競爭者的效用值；

S105C：對本次迭代中最大效用值對應的競爭者進行記錄；

S105D：統(tǒng)計所述預設次數(shù)迭代中，所述每個競爭者被記錄的次數(shù)；

S105E：根據(jù)所述每個競爭者被記錄的次數(shù)以及迭代次數(shù)，計算所述每個競爭者達到最大效用值的概率；

S105F：將所述每個競爭者達到最大效用值的概率確定為該競爭者的競爭結(jié)果。

具體的，在實際應用中，可以針對目標競爭場景，確定該競爭場景對應的競爭維度，然后采集目標競爭場景對應的競爭維度數(shù)據(jù)X^*，X^*表示為在目標競爭場景下、N^*個競爭者在M^*個競爭維度上的數(shù)據(jù)矩陣，其中X^*_ij表示為第i個競爭者在第j個競爭維度上的數(shù)據(jù)。針對預設次數(shù)(可以為iternum)迭代中的每一次迭代，在此次迭代中，可以生成一組隨機數(shù)ε^*，ε^*為效用值的不可估誤差部分，其可以為服從多元正態(tài)分布ε^*～N^*(0，∑^*)、長度為N^*的向量。根據(jù)ε^*、β^*和X^*，計算目標競爭場景中每個競爭者的效用值，所采用的公式可以為：

W^*＝X^*×β^*+ε^*

其中，W^*為長度為N^*的效用值向量，向量中的元素代表N^*個競爭者的效用值，X^*為目標競爭場景對應的競爭維度數(shù)據(jù)，β^*為針對所述歷史K個競爭場景的權(quán)重組合參數(shù)，ε^*為效用值的不可估誤差部分。在得到目標競爭場景中每個競爭者的效用值后，對本次迭代中最大效用值對應的競爭者進行記錄，統(tǒng)計iternum次迭代中，每個競爭者被記錄的次數(shù)。例如目標場景為《我是歌手》總決賽，競爭者為歌手，競爭者個數(shù)為5個，預設迭代次數(shù)為100次。統(tǒng)計出100次迭代中每個競爭者被記錄的次數(shù)分別為20、30、15、20、15，計算每個競爭者在100次迭代中達到最大效用值的概率，得到的概率分別為0.2、0.3、0.15、0.2、0.15，并將每個競爭者達到最大效用值的概率確定為該競爭者的競爭結(jié)果，即在我是歌手總決賽這個目標場景中，0.2為第1個競爭者的競爭結(jié)果，0.3為第2個競爭者的競爭結(jié)果，0.15為第3個競爭者的競爭結(jié)果，0.2為第4個競爭者的競爭結(jié)果，0.15為第5個競爭者的競爭結(jié)果，每個競爭者的競爭結(jié)果代表了該競爭者獲勝的概率。

可見，根據(jù)針對歷史K個競爭場景的組合參數(shù)，對目標競爭場景中每個競爭者的競爭結(jié)果進行預測，利用到了多個競爭場景中的競爭維度等數(shù)據(jù)，從而減小了競爭場景中競爭結(jié)果的預測誤差，提高了競爭結(jié)果的預測準確度。

參見圖2，圖2為本發(fā)明實施例提供的一種競爭結(jié)果的預測裝置的結(jié)構(gòu)示意圖，與圖1所示的流程相對應，該預測裝置可以包括：確定模塊201、采集模塊202、估計模塊203、計算模塊204和預測模塊205。

確定模塊201，用于針對歷史K個競爭場景中的每一競爭場景，確定該競爭場景對應的競爭維度；

采集模塊202，用于采集所述競爭維度的競爭維度數(shù)據(jù)；

估計模塊203，用于根據(jù)所述競爭維度數(shù)據(jù)，估計該競爭場景中預設效用函數(shù)的參數(shù)；

具體的，估計模塊203，具體可以用于：

根據(jù)所述競爭維度數(shù)據(jù)，利用馬爾可夫蒙特卡洛技術(shù)估計該競爭場景中預設效用函數(shù)的參數(shù)。

具體的，所述預設效用函數(shù)可以為：

W＝X×β+ε

ε～N(0,Σ)

其中，W為競爭場景中所有競爭者的效用，X為競爭維度數(shù)據(jù)，β為需要估計的權(quán)重參數(shù)，ε為競爭場景中所有競爭者的效用的誤差，∑為需要估計的、所述誤差服從的協(xié)方差參數(shù)，N為所述協(xié)方差對應的矩陣的維度。

計算模塊204，用于根據(jù)每一競爭場景中的所述參數(shù)，計算針對所述歷史K個競爭場景的組合參數(shù)；

具體的，計算模塊204，具體可以用于：

根據(jù)歷史K個競爭場景的發(fā)生時間的順序，計算每個競爭場景的衰減權(quán)重；

根據(jù)每一競爭場景中的所述參數(shù)以及每個競爭場景的衰減權(quán)重，計算針對所述歷史K個競爭場景的組合參數(shù)。

預測模塊205，用于根據(jù)所述組合參數(shù)，利用仿真技術(shù)，預測目標競爭場景中每個競爭者的競爭結(jié)果。

具體的，預測模塊205，具體可以用于：

針對目標競爭場景，采集所述目標競爭場景對應的競爭維度數(shù)據(jù)；

針對預設次數(shù)迭代中的每一次迭代，根據(jù)所述組合參數(shù)以及所述目標競爭場景對應的競爭維度數(shù)據(jù)，計算所述目標競爭場景中每個競爭者的效用值；

對本次迭代中最大效用值對應的競爭者進行記錄；

統(tǒng)計所述預設次數(shù)迭代中，所述每個競爭者被記錄的次數(shù)；

根據(jù)所述每個競爭者被記錄的次數(shù)以及迭代次數(shù)，計算所述每個競爭者達到最大效用值的概率；

將所述每個競爭者達到最大效用值的概率確定為該競爭者的競爭結(jié)果。

可見，根據(jù)針對歷史K個競爭場景的組合參數(shù)，對目標競爭場景中每個競爭者的競爭結(jié)果進行預測，利用到了多個競爭場景中的競爭維度等數(shù)據(jù)，從而減小了競爭場景中競爭結(jié)果的預測誤差，提高了競爭結(jié)果的預測準確度。

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、物品或者設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、物品或者設備所固有的要素。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、物品或者設備中還存在另外的相同要素。

本說明書中的各個實施例均采用相關(guān)的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于裝置實施例而言，由于其基本相似于方法實施例，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。

本領域普通技術(shù)人員可以理解實現(xiàn)上述方法實施方式中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲于確定機可讀取存儲介質(zhì)中，這里所稱得的存儲介質(zhì)，如：ROM/RAM、磁碟、光盤等。

以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍內(nèi)。