本發(fā)明涉及推薦技術(shù)領(lǐng)域,尤其涉及一種iptv節(jié)目推薦方法。
背景技術(shù):
隨著互聯(lián)網(wǎng)的飛速發(fā)展,互聯(lián)網(wǎng)電視也變得越來越普及。互聯(lián)網(wǎng)終端背后通常為單個成員,因此互聯(lián)網(wǎng)的推薦都是針對單個成員的興趣而言,只需推薦感興趣的即可。而iptv存在著自身的特殊性,每個iptv終端背后會有多個成員,因此,將互聯(lián)網(wǎng)領(lǐng)域的推薦方法應(yīng)用到iptv領(lǐng)域上,效果會大打折扣。雖然iptv上已經(jīng)有一些推薦算法,但都沒有通過區(qū)分多成員來進(jìn)行推薦。由于iptv終端背后擁有多個成員,iptv終端的興趣是背后成員興趣的耦合,但每個成員存在著自身的收視規(guī)律,會在一些固定的時間段收看一些固定的內(nèi)容。因此,通過分析終端的觀看場景,基于觀看場景進(jìn)行推薦,能夠較好地處理iptv終端的多成員情況。
精確分析出每個終端的觀看場景是推薦的基礎(chǔ)和關(guān)鍵。分析得到用戶的觀看場景后,基于觀看場景進(jìn)行推薦能夠提高推薦的準(zhǔn)確性和針對性。下面分別從觀看場景分析和基于觀看場景的推薦兩個方面介紹相關(guān)的研究工作。
在針對觀看場景的研究中,現(xiàn)有的研究在時間維度的處理上有所局限,對于時間段的劃分也較為主觀,難以清楚的表現(xiàn)用戶的興趣變化;對于每一個觀看場景的興趣,只是對用戶歷史紀(jì)錄的簡單統(tǒng)計(jì),難以準(zhǔn)確表示用戶的興趣。在專利《一種節(jié)目推薦裝置、系統(tǒng)和方法》中,對每一天劃分播放時段,記錄每一個播放時段對應(yīng)的播放頻道及播放節(jié)目,從而得到每一個播放時段的興趣頻道。在專利《一種個性化節(jié)目定制播放方法和裝置》中,根據(jù)用戶歷史收視紀(jì)錄生成節(jié)目單,通過將一天劃分為不同時長且依時序連續(xù)的若干時間段,將節(jié)目單按照相同的方法劃分為若干子節(jié)目單。上述專利都將用戶的收視以天為單位劃分為多個時段,沒有考慮到用戶收視每一天之間的差距。
在針對觀看場景的推薦中,現(xiàn)有研究只是利用發(fā)現(xiàn)的觀看場景,采用基于內(nèi)容的推薦,直接推薦用戶感興趣的內(nèi)容,忽略了用戶之間的相似性。在《網(wǎng)絡(luò)電視推薦節(jié)目的方法與系統(tǒng)》專利中,根據(jù)不同收看時間內(nèi)用戶喜好節(jié)目類型,查詢當(dāng)前正在播放用戶喜好節(jié)目類型的頻道和節(jié)目名稱,生成節(jié)目清單,推送至用戶;在《一種電視節(jié)目推薦裝置及方法》中,根據(jù)個人喜好設(shè)定節(jié)目推薦表,節(jié)目推薦表包含了用戶不同時間段的興趣,當(dāng)推薦時,在節(jié)目推薦表中搜索播放時間與當(dāng)前時刻匹配的節(jié)目,并按照喜好度推薦給用戶。上述專利根據(jù)用戶當(dāng)前的興趣,直接推薦給用戶感興趣的節(jié)目,沒有考慮用戶之間或節(jié)目之間的相似性進(jìn)行推薦,難以發(fā)現(xiàn)用戶潛在的興趣,使得推薦的內(nèi)容有限。此外,在推薦具體節(jié)目時,大多數(shù)基于協(xié)同過濾的個性化推薦只是針對點(diǎn)播節(jié)目進(jìn)行處理,忽略了廣電用戶大多數(shù)的直播行為。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明的目的是提供一種iptv節(jié)目推薦方法,基于觀看場景進(jìn)行推薦,能夠較好地處理iptv終端的多成員情況,提高了推薦的精確度;同時,還采用直播和點(diǎn)播融合的推薦策略,使得用戶得到更加全面的推薦內(nèi)容。
本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的:
一種iptv節(jié)目推薦方法,包括:
根據(jù)用戶的觀看日志,構(gòu)建用戶收視矩陣;
對用戶收視矩陣依次進(jìn)行低秩去噪、周期性壓縮與觀看模式提取,從而獲得用戶的周期性觀看場景;
將周期性觀看場景中的每一觀看模式作為一興趣用戶,并構(gòu)建所有興趣用戶的評分矩陣;
對當(dāng)前觀看模式進(jìn)行識別,從而確定當(dāng)前興趣用戶,再采用聯(lián)合推薦策略,從歷史影料庫和當(dāng)前直播的節(jié)目中推薦用戶感興趣的節(jié)目,生成推薦列表推送給用戶。
所述根據(jù)用戶的觀看日志,構(gòu)建用戶收視矩陣包括:
獲取用戶的觀看日志,通過劃分節(jié)目類型和時間段,根據(jù)每一天收視紀(jì)錄的時間和收看節(jié)目的類型,將用戶一定天數(shù)的收視紀(jì)錄表示為矩陣的形式。
定義n表示節(jié)目類型的數(shù)目,t表示每一天被劃分的時間段數(shù)目,則用戶i第s天的收視紀(jì)錄表示為dis∈rt×n,其中,dis(t,n)表示在時間段t收看類型節(jié)目n的時間占時間段t時長的比例;
定義l=t×n,將每一天的收視紀(jì)錄表示為一個向量
所述對用戶收視矩陣依次進(jìn)行低秩去噪、周期性壓縮與觀看模式提取,從而獲得用戶的周期性觀看場景包括:
利用低秩矩陣恢復(fù)模型,除去用戶收視矩陣中的噪聲,得到理想收視矩陣;
對于理想收視矩陣中每一天的收視向量,以一周為周期,按照周一到周日的規(guī)則劃分為7個集合,依次連接個集合的中心,得到一周收視矩陣;
利用凝聚層次聚類算法,對一周收視矩陣進(jìn)行觀看模式提取,利用時間上和內(nèi)容上的對應(yīng)關(guān)系,得到周期性觀看場景。
用戶i的s天收視紀(jì)錄矩陣為ui,其包含理想收視矩陣xi,與誤差矩陣ei:
ui=xi+ei;
利用低秩矩陣恢復(fù)模型去除誤差矩陣ei,從而得到理想收視矩陣xi;
對于理想收視矩陣的集合,按照周一到周日的規(guī)則重新劃分,將所有天的收視向量劃分為7個集合,分別表示為wi1、wi2、wi3、wi4、wi5、wi6、wi7,則用戶理想收視的集合可重新表示為:
針對每一個集合,對集合中所有的元素取平均值,作為相應(yīng)集合的代表向量fij,從而將周一到周日中的每一天的收視用一個代表向量進(jìn)行表示,依次連接各代表向量,得到用戶的一周收視矩陣,用戶i一周收視矩陣為fi=(fi1,fi2,…,fi7);
對于用戶的一周收視矩陣,采用凝聚層級聚類合并其中相鄰且相似的時間段,將合并后的時間段作為相應(yīng)用戶的一個觀看模式,得到周期性觀看場景;其中,凝聚層級聚類的過程如下:
步驟a、設(shè)置相似度閾值δ,將每一個時間段的數(shù)據(jù)作為一個簇;
步驟b,計(jì)算相似度矩陣,簇之間的相似度采用簇的質(zhì)心來度量,而簇質(zhì)心之間的相似度采用歐式距離來計(jì)算;
步驟c,判斷相似度是否都小于設(shè)定的閾值,如果是,則算法結(jié)束,否則轉(zhuǎn)步驟d;
步驟d,選出相似度最大的兩個簇,將其合并作為一個新的簇,再轉(zhuǎn)步驟b,直至完成。
所述將周期性觀看場景中的每一觀看模式作為一興趣用戶,并構(gòu)建所有興趣用戶的評分矩陣包括:
對于每一用戶,將相應(yīng)的周期性觀看場景中的每一觀看模式作為一興趣用戶,從用戶觀看日志中提取出屬于不同興趣用戶的收視紀(jì)錄,根據(jù)收視紀(jì)錄中各興趣用戶對各節(jié)目觀看的完成度,計(jì)算各興趣用戶對各節(jié)目的評分;
綜合所有用戶計(jì)算得到的評分結(jié)果,構(gòu)建所有興趣用戶的評分矩陣。
利用vi表示用戶i的興趣用戶集合:
從用戶i觀看日志中提取出屬于不同興趣用戶的收視紀(jì)錄,根據(jù)收視紀(jì)錄中各興趣用戶對各節(jié)目觀看的完成度,計(jì)算各興趣用戶對各節(jié)目的評分,評分的范圍為[0,1],當(dāng)完成度為100%時,評分為1,當(dāng)完成度為0時,評分便為0,完成度和評分在數(shù)值上相同;
定義所有用戶所有的興趣用戶數(shù)目為nv,
所述對當(dāng)前觀看模式進(jìn)行識別,從而確定當(dāng)前興趣用戶包括:
根據(jù)當(dāng)前收視的內(nèi)容信息和時間信息識別當(dāng)前的觀看模式,從而請確定當(dāng)前興趣用戶;
定義ci為用戶i當(dāng)前的收視信息,ci=(ti,bi),其中ti表示當(dāng)前收視的時間段,bi表示當(dāng)前收視的內(nèi)容信息,bi為n維數(shù)組;
定義pih為用戶i的第h個興趣用戶的內(nèi)容特征,pih為n維數(shù)組,則用戶i的所有興趣用戶的內(nèi)容特征為
定義tih為用戶i的第h個興趣用戶的時間特征,是興趣用戶包含的時間段的集合,則用戶i的所有興趣用戶的時間特征為
在識別時,如果用戶i已有收視行為,則將bi與pi中每一個興趣用戶的內(nèi)容信息進(jìn)行匹配,計(jì)算兩者之間的距離,距離最小的興趣用戶則為當(dāng)前的興趣用戶vic;如果用戶i還沒有收視行為,則將ti和ti中每一個興趣用戶的時間段集合進(jìn)行匹配,根據(jù)ti的歸屬情況,確定當(dāng)前的興趣用戶vic。
所述采用聯(lián)合推薦策略,從歷史影料庫和當(dāng)前直播的節(jié)目中推薦用戶感興趣的節(jié)目,生成推薦列表推送給用戶包括:
針對iptv的直播和點(diǎn)播特性,采用協(xié)同過濾的推薦算法,利用矩陣分解模型和基于近鄰的方法計(jì)算用戶對節(jié)目的評分,從歷史影料庫和正在直播的節(jié)目中分別選取評分最高的前若干個節(jié)目,生成歷史節(jié)目和直播節(jié)目推薦列表,并推送給用戶。
對于歷史影料庫中的節(jié)目,采用矩陣分解模型計(jì)算評分,將評分矩陣m分解為如下形式:
m=gtq
其中,g示用戶因子矩陣,
其中
對于當(dāng)前直播節(jié)目,采用基于近鄰的方法計(jì)算評分,利用當(dāng)前興趣用戶vic對相似節(jié)目的收視獲取,定義p為當(dāng)前直播節(jié)目,
其中,ωpg表示當(dāng)前直播節(jié)目p與節(jié)目g之間的相似度,
當(dāng)評分計(jì)算完成后,分別從歷史影料庫,以及當(dāng)前直播節(jié)目的所有節(jié)目中挑選出評分最高的前若干個節(jié)目生成點(diǎn)播節(jié)目與直播節(jié)目推薦列表。
由上述本發(fā)明提供的技術(shù)方案可以看出,基于觀看場景進(jìn)行推薦,很好地處理iptv領(lǐng)域中多成員導(dǎo)致的興趣耦合問題;以周為周期建模觀看場景,更精準(zhǔn)地表達(dá)用戶興趣隨時間的變化規(guī)律;在基于觀看場景推薦過程中識別用戶實(shí)時興趣,使推薦更有針對性;在用戶推薦內(nèi)容方面,采用直播和點(diǎn)播融合的推薦策略,使用戶得到更加全面的推薦內(nèi)容。
附圖說明
為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案,下面將對實(shí)施例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(shí)施例,對于本領(lǐng)域的普通技術(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)這些附圖獲得其他附圖。
圖1為本發(fā)明實(shí)施例提供的一種iptv節(jié)目推薦方法的流程圖;
圖2為本發(fā)明實(shí)施例提供的用戶收視矩陣示意圖;
圖3為本發(fā)明實(shí)施例提供的凝聚層次聚類算法流程框圖;
圖4為本發(fā)明實(shí)施例提供的觀看場景結(jié)果示意圖。
具體實(shí)施方式
下面結(jié)合本發(fā)明實(shí)施例中的附圖,對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明的實(shí)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(shí)施例,都屬于本發(fā)明的保護(hù)范圍。
本發(fā)明公開了一種基于觀看場景的iptv節(jié)目推薦方法,該方法將用戶的觀看場景在時間維度上進(jìn)行擴(kuò)展和延伸,發(fā)現(xiàn)用戶周期性的觀看場景;對于發(fā)現(xiàn)的觀看場景,不直接基于內(nèi)容進(jìn)行推薦,而是根據(jù)觀看場景分割為多個興趣用戶,利用興趣用戶之間的相似性進(jìn)行推薦,同時識別當(dāng)前的觀看場景,實(shí)現(xiàn)更加針對性的推薦;在推薦的內(nèi)容上,并不僅僅局限于點(diǎn)播,而是融合直播和點(diǎn)播,采用聯(lián)合推薦的策略。
如圖1所示,為本發(fā)明實(shí)施例提供的一種iptv節(jié)目推薦方法的流程圖。首先根據(jù)用戶的觀看日志,構(gòu)建用戶收視矩陣;然后,對用戶收視矩陣依次進(jìn)行低秩去噪、周期性壓縮與觀看模式提取,從而獲得用戶的周期性觀看場景;再將周期性觀看場景中的每一觀看模式作為一興趣用戶,并構(gòu)建所有興趣用戶的評分矩陣;當(dāng)需要推薦時,對當(dāng)前觀看模式進(jìn)行識別,從而確定當(dāng)前興趣用戶,再采用聯(lián)合推薦策略,從歷史影料庫和當(dāng)前直播的節(jié)目中推薦用戶感興趣的節(jié)目,生成推薦列表推送給用戶。
下面針對各個步驟做詳細(xì)的說明。
一、構(gòu)建用戶收視矩陣。
本發(fā)明實(shí)施例中,將獲取的用戶的觀看日志,通過劃分節(jié)目類型和時間段,根據(jù)每一天收視紀(jì)錄的時間和收看節(jié)目的類型,將用戶一定天數(shù)的收視紀(jì)錄表示為矩陣的形式。具體來說:
如圖2所示,定義n表示節(jié)目類型的數(shù)目,t表示每一天被劃分的時間段數(shù)目,則用戶i第s天的收視紀(jì)錄表示為dis∈rt×n,其中,dis(t,n)表示在時間段t收看類型節(jié)目n的時間占時間段t時長的比例;定義l=t×n,將每一天的收視紀(jì)錄表示為一個向量
示例性的,可以將一天被劃分為24個時間段,每一個小時為一個時間段,將節(jié)目劃分為15個類型,分別為新聞、財(cái)經(jīng)、綜藝、體育、電影、動漫、軍事、電視劇、科教、生活、時尚旅游、親子教育、音樂、老人節(jié)目和少兒節(jié)目。
二、周期性觀看場景發(fā)掘。
所述的周期性觀看場景發(fā)掘是指,發(fā)現(xiàn)用戶興趣周期性的變化規(guī)律,得到用戶在周期內(nèi)不同時間段的興趣。
本發(fā)明實(shí)施例中,利用低秩矩陣恢復(fù)模型,除去用戶收視矩陣中的噪聲,得到理想收視矩陣;對于理想收視矩陣中每一天的收視向量,以一周為周期,按照周一到周日的規(guī)則劃分為7個集合,依次連接個集合的中心,得到一周收視矩陣;利用凝聚層次聚類算法,對一周收視矩陣進(jìn)行觀看模式提取,利用時間上和內(nèi)容上的對應(yīng)關(guān)系,得到周期性觀看場景。
本發(fā)明實(shí)施例中,所述的低秩去噪,是指利用低秩恢復(fù)模型去除用戶收視矩陣中的噪聲。用戶的收視矩陣中包含著噪聲,可表示為理想收視矩陣和噪聲矩陣之和。
具體的,用戶i的s天收視紀(jì)錄矩陣為ui,其包含理想收視矩陣xi(代表用戶的理想收視特征),與誤差矩陣ei(代表了用戶的實(shí)際收視與該用戶理想收視特征之間的誤差):
ui=xi+ei;
由于每個人的作息時間和電視節(jié)目的播放時間都是相對固定的,用戶每一天的收視會有一定的規(guī)律性和重復(fù)性,還會存在一定的稀疏性。因此,理想收視矩陣xi是一個低秩矩陣,誤差矩陣ei是一個稀疏矩陣,從而采用低秩矩陣恢復(fù)模型去除誤差矩陣ei,得到理想收視矩陣xi。
之后,對理想收視矩陣xi進(jìn)行周期性壓縮,可知用戶收視矩陣是所有天的收視紀(jì)錄,需要將其壓縮為一周的形式。對于理想收視矩陣xi,按照周一到周日的規(guī)則重新劃分,將所有天的收視向量劃分為7個集合,分別表示為wi1、wi2、wi3、wi4、wi5、wi6、wi7,則用戶理想收視的集合可重新表示為:
其中wij表示第j個集合,針對每一個收視向量的集合,對集合中所有的元素取平均值,作為相應(yīng)集合的代表向量fij,從而將周一到周日中的每一天的收視用一個代表向量進(jìn)行表示,依次連接各代表向量,得到用戶的一周收視矩陣,用戶i一周收視矩陣為fi=(fi1,fi2,...,fi7);
示例性的,可以選取rpca(魯棒主成分分析)低秩模型來獲得低秩矩陣,采取不精確拉格朗自乘子法(ialm)求解rpca低秩模型。通過kmeans聚類算法對周一到周日中每一天的收視向量集合聚類。
最后,從用戶的一周收視矩陣中提取觀看模式,由于用戶收視和節(jié)目的播放時間存在著連續(xù)性的特征,因此,對于用戶的一周收視矩陣,采用凝聚層級聚類合并其中相鄰且相似的時間段,將合并后的時間段作為相應(yīng)用戶的一個觀看模式,得到周期性觀看場景;如圖3所示,凝聚層級聚類的過程如下:
步驟a、設(shè)置相似度閾值δ,將每一個時間段的數(shù)據(jù)作為一個簇;
步驟b,計(jì)算相似度矩陣,簇之間的相似度采用簇的質(zhì)心來度量,而簇質(zhì)心之間的相似度采用歐式距離來計(jì)算;
步驟c,判斷相似度是否都小于設(shè)定的閾值,如果是,則算法結(jié)束,否則轉(zhuǎn)步驟d;
步驟d,選出相似度最大的兩個簇,將其合并作為一個新的簇,再轉(zhuǎn)步驟b,直至完成。
聚類結(jié)果如圖4所示,具有相似收視特征的相鄰時間段被合并在了一起,并相同的線條填充,對于每一天的2點(diǎn)到6點(diǎn),為一個觀看模式,但收視特征不夠明顯,沒有較多的收視信息,因此沒有進(jìn)行展示。作為示例,可設(shè)置閾值δ為0.5。
三、興趣用戶發(fā)現(xiàn)與構(gòu)建評分矩陣。
本發(fā)明實(shí)施例中,對于每一用戶,將相應(yīng)的周期性觀看場景中的每一觀看模式作為一興趣用戶,從用戶觀看日志中提取出屬于不同興趣用戶的收視紀(jì)錄,根據(jù)收視紀(jì)錄中各興趣用戶對各節(jié)目觀看的完成度,計(jì)算各興趣用戶對各節(jié)目的評分;綜合所有用戶計(jì)算得到的評分結(jié)果,構(gòu)建所有興趣用戶的評分矩陣。
具體來說,發(fā)現(xiàn)用戶存在的觀看場景后,也就知道了用戶在不同時間段的興趣;將用戶觀看場景中每一種觀看模式作為一個興趣用戶,可以用vi表示用戶i的興趣用戶集合:
通過發(fā)現(xiàn)所有的興趣用戶,并構(gòu)建所有興趣用戶的評分矩陣,為推薦時采用協(xié)同過濾的方法做準(zhǔn)備。
四、觀看場景識別與生成推薦列表。
1、觀看場景識別。
本發(fā)明實(shí)施例中,根據(jù)當(dāng)前收視的內(nèi)容信息和時間信息識別當(dāng)前的觀看模式,從而請確定當(dāng)前興趣用戶。定義ci為用戶i當(dāng)前的收視信息,ci=(ti,bi),其中ti表示當(dāng)前收視的時間段,bi表示當(dāng)前收視的內(nèi)容信息,bi為n維數(shù)組;定義pih為用戶i的第h個興趣用戶的內(nèi)容特征,pih為n維數(shù)組,則用戶i的所有興趣用戶的內(nèi)容特征為
示例性的,選取距離的計(jì)算方式可以為歐式距離。
2、生成推薦列表
識別出當(dāng)前的興趣用戶vic后,接下來便能夠針對性的進(jìn)行推薦。本發(fā)明實(shí)施例中,針對iptv的直播和點(diǎn)播特性,采用協(xié)同過濾的推薦算法,利用矩陣分解模型和基于近鄰的方法計(jì)算用戶對節(jié)目的評分,從歷史影料庫和正在直播的節(jié)目中分別選取評分最高的前若干個節(jié)目,生成歷史節(jié)目和直播節(jié)目推薦列表,并推送給用戶。
對于歷史節(jié)目的評分計(jì)算,采用矩陣分解模型計(jì)算評分,將評分矩陣m分解為如下形式:
m=gtq
其中,g示用戶因子矩陣,
其中,
對于正在直播節(jié)目評分節(jié)目的計(jì)算,由于還沒有對此節(jié)目的評分,因此采用基于近鄰的的方法計(jì)算當(dāng)前直播節(jié)目的評分。在計(jì)算時,利用當(dāng)前興趣用戶vic對相似節(jié)目的收視獲取,定義p為當(dāng)前直播節(jié)目,
其中,ωpg表示當(dāng)前直播節(jié)目p與節(jié)目g之間的相似度,
當(dāng)評分計(jì)算完成后,分別從歷史影料庫,以及當(dāng)前直播節(jié)目的所有節(jié)目中挑選出評分最高的前若干個節(jié)目生成點(diǎn)播節(jié)目與直播節(jié)目推薦列表。
此外,在當(dāng)前直播節(jié)目播放完成后,放入歷史影料庫中,實(shí)時更新歷史影料庫,使推薦更加實(shí)時和全面。
本發(fā)明實(shí)施例上述方案,基于觀看場景進(jìn)行推薦,很好地處理iptv領(lǐng)域中多成員導(dǎo)致的興趣耦合問題;以周為周期建模觀看場景,更精準(zhǔn)地表達(dá)用戶興趣隨時間的變化規(guī)律;在基于觀看場景推薦過程中識別用戶實(shí)時興趣,使推薦更有針對性;在用戶推薦內(nèi)容方面,采用直播和點(diǎn)播融合的推薦策略,使用戶得到更加全面的推薦內(nèi)容。
通過以上的實(shí)施方式的描述,本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實(shí)施例可以通過軟件實(shí)現(xiàn),也可以借助軟件加必要的通用硬件平臺的方式來實(shí)現(xiàn)。基于這樣的理解,上述實(shí)施例的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來,該軟件產(chǎn)品可以存儲在一個非易失性存儲介質(zhì)(可以是cd-rom,u盤,移動硬盤等)中,包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個人計(jì)算機(jī),服務(wù)器,或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實(shí)施例所述的方法。
以上所述,僅為本發(fā)明較佳的具體實(shí)施方式,但本發(fā)明的保護(hù)范圍并不局限于此,任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi),可輕易想到的變化或替換,都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此,本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。