数据推送方法及其系统与流程

本发明涉及计算机
技术领域：
，尤其涉及一种数据推送方法及其系统。
背景技术：
：目前，商业银行的个人投资理财产品不管是从发行量上还是从发行规模上看，都以惊人的速度不断扩张。个人理财产品供需两旺，理财产品业务的品种和投资范围也日益丰富。因此，如何充分利用信息技术，提高服务的智能化程度，及时跟进客户对投资理财产品的需求变化，为每个客户精心挑选合适的理财产品并进行个性化推荐，成为银行个人投资理财业务中非常核心的问题。现有技术中的银行投资理财产品的主要销售模式是线下营销线上操作。流程的管理由总行人为把控，分行制定具体的销售目标和考核总量，支行指派理财经理主动联系客户。客户经理需要不定期通过电话、短信、微信和当面沟通等方式，与客户建立稳定良好的服务关系，主动推荐销售理财产品。此外，银行还会针对特定人群研发推出专属产品做定销用途，如代发工资客户专属、贷款客户专属产品等。然而，这种线下的一对一营销的推荐方式存在很多弊端。虽然客户服务体验好，但人力成本过高，且客户经理容易存在服务盲区。客户经理通常需要同时负责300-500个客户，但因精力有限，只能关注自身客群中的相对高净值的客户，能够经常联系有效维护的在10％～20％之间，而选择性忽略掉大多数的长尾客户。而现有技术的整体维护的推荐方式，如群发短信和手机银行页面展示等，对目标客群的划分比较粗糙，个性化差异小。更为严重的问题是，推荐多以产品为导向，不能做到以市场为导向，给客户推荐真正感兴趣的产品。此外，还存在资产配置不均衡的问题。商业银行的总分行对大部分支行会有明确的各类产品的销售目标清单，更新频率不定。由于各产品营销策略不同，分支行的客户经理往往不考虑资产均衡配置，出于便利性考虑倾向于选择单一的、容易营销的产品进行推广，容易导致资产配置不均衡。综上所述，如何满足不同客户在理财产品的结构、期限、流动性、安全性、收益率等方面的需求偏好差异，为客户提供智能化的个性化理财产品推荐，成为银行个人投资理财业务在推进信息化、智能化进程中亟待解决的问题。技术实现要素：本发明的主要目的在于提供一种数据推送方法及其系统，以解决现有技术中的不能够为客户推送个性化业务产品的问题。根据本发明实施例提供一种数据处理方法，其包括：获取与第一用户相关联的多个业务产品信息；计算所述多个业务产品之间的相似度，获取相似度大于预设值的第一业务产品和第二业务产品；若第二用户与所述第一业务产品关联并不与所述第二业务产品关联，则设置所述第二用户与所述第二业务产品关联，并将所述第二业务产品推送至所述第二用户；其中所述第一用户和所述第二用户具有相同或相关的属性信息。可选地，所述方法还包括：获取预定时间内的所述多个业务产品的属性信息，根据所述属性信息将所述多个业务产品分为多个类别；计算同一类别内的业务产品之间的相似度。可选地，所述方法还包括：获取用户的属性信息并对用户进行分群，其中，所述第一用户和所述第二用户属于同一客户群。可选地，所述计算所述多个业务产品之间的相似度，包括：分别统计与每个业务产品相关联的用户信息，根据与每个业务产品相关联的用户信息计算所述多个业务产品之间的相似度。可选地，在所述获取与第一用户相关联的多个业务产品信息之前，所述方法还包括：根据所述第一用户的行为信息确定与所述第一用户相关联的多个业务产品信息，其中所述业务产品信息包括：金额、时间。根据本发明实施例提供一种数据推送系统，其包括：获取模块，用于获取与第一用户相关联的多个业务产品信息；计算模块，用于计算所述多个业务产品之间的相似度，获取相似度大于预设值的第一业务产品和第二业务产品；推送处理模块，用于若第二用户与所述第一业务产品关联并不与所述第二业务产品关联，则设置所述第二用户与所述第二业务产品关联，并将所述第二业务产品推送至所述第二用户；其中所述第一用户和所述第二用户具有相同或相关的属性信息。可选地，所述系统还包括：所述获取模块，还用于获取预定时间内的所述多个业务产品的属性信息，根据所述属性信息将所述多个业务产品分为多个类别；所述计算模块，还用于计算同一类别内的业务产品之间的相似度。可选地，所述系统还包括：还包括：客户聚类模块，用于获取用户的属性信息并对用户进行分群，其中，所述第一用户和所述第二用户属于同一客户群。可选地，所述计算模块用于，分别统计与每个业务产品相关联的用户信息，根据与每个业务产品相关联的用户信息计算所述多个业务产品之间的相似度。可选地，所述系统还包括：还包括：关联产品确定模块，用于根据所述第一用户的行为信息确定与所述第一用户相关联的多个业务产品信息，其中所述业务产品信息包括：金额、时间。根据本发明的技术方案，通过使用基于物品的协同过滤算法，精准、快速地计算用户个性化产品推荐，以差异化的形式推送至客户端，能够很好地实现业务产品推荐的智能化、自动化和个性化。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是根据本发明实施例的数据处理方法的流程图；图2示出根据本发明实施例的基于客户分群的投资理财产品个性化推荐方法的流程图；图3是根据本发明实施例的原始数据源维度示意图；图4是根据本发明实施例的数据转换处理过程示意图；图5是根据本发明实施例的数据推送系统的结构框图。具体实施方式本发明涉及对业务产品(包括理财、基金、保险、贵金属等银行投资理财类)的个性化推送。本发明通过将客户根据维度特征聚类细分客户群体，然后在客群内使用基于产品的协同过滤算法，精准、快速地计算客户个性化理财产品推荐，再加以银行业务规则调整，并以差异化的形式展示在客户端的推荐页中，能够很好地实现理财业务产品推送的智能化、自动化和个性化。为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。以下结合附图，详细说明本发明各实施例提供的技术方案。根据本发明实施例提供一种数据处理方法，应用于智能手机、平板电脑、计算机等客户端。图1是根据本发明一个实施例的数据处理方法的流程图，如图1所示，所述方法包括：步骤s102，获取与第一用户相关联的多个业务产品信息。在本发明中，可以通过所述第一用户的行为信息确定与所述第一用户相关联的多个业务产品信息。用户的购买行为表示了该用户对某业务产品的偏好或喜爱程序。例如，与第一用户相关联业务产品可以是第一用户购买的银行理财类产品。在获取与用户相关联的业务产品信息之前，需要对业务产品进行分类，主要是根据产品的类型、风险等级、期限、起购门槛、发行公司等产品属性对产品进行分类。在本步骤中，获取与第一用户相关联的多个业务产品信息，可以是获取第一用户购买的多个业务产品信息中每个业务产品的产品属性。其中，所述业务产品可以是银行理财产品。步骤s104，计算所述多个业务产品之间的相似度，获取相似度大于预设值的第一业务产品和第二业务产品。首先，获取预定时间内与第一用户相关联的所述多个业务产品的属性信息，根据所述属性信息将所述多个业务产品分为多个类别。然后，计算同一类别内的业务产品之间的相似度，获取相似度大于预设值的第一业务产品和第二业务产品。也就是说，所述第一业务产品和所述第二业务产品可以是属于同一类别的业务产品。步骤s106，若第二用户与所述第一业务产品关联并不与所述第二业务产品关联，则设置所述第二用户与所述第二业务产品关联，并将所述第二业务产品推送至所述第二用户；其中所述第一用户和所述第二用户具有相同或相关的属性信息。在本步骤中或之前，需要根据用户的属性信息对客户进行分类，分属同一客户群的消费者具备一定程度的相似性，而不同的细分客户群间存在明显的差异性。通过本发明实施例，每位客户登录手机银行后，系统将根据后台推荐模型的离线计算，抓取其偏好的产品类，在每类中选择高预期年化收益/历史回报率的产品放到有序推荐位中。下面结合图2详细描述本发明实施例。图2示出根据本发明实施例的基于客户分群的投资理财产品个性化推荐方法的流程图，如图2所示，包括：步骤s202，获取包括全量用户和小客户群的用户的数据信息。主要包括客户属性(或称为用户属性)、产品属性、交易行为(或称为交易流水)三大方面。参考图3，客户属性主要包括年龄、性别、地域、开户时间、日均资产等；产品属性主要包括类型、风险等级、期限、起购门槛等；交易行为包括购买时间、产品id、金额等。例如，通过数据库等方式获取一定时间内(最近一年内)用户的所有投资理财产品的产品属性信息，并对上述数据进行分析。在实际中，商业银行的投资理财产品通常包括保本理财产品、普通理财产品、基金、保险、黄金等几个大类。由于银行理财产品具有在售周期短的特殊性，本发明实施例在推荐系统中主要考量产品细类而非具体产品。产品细类的描述特征主要分为产品期限、风险等级、起购门槛、发行公司等，以此为基础将所有理财产品进行类别细分，如表1所示。表1示出部分理财产品的细类特征。在本发明实施例中，可以根据产品的类型、风险等级、期限、起购门槛、发行公司中的一项或多项对产品进行分类。例如，如按照类型进行分类，可将cc10001-cc10005分为一类；如按照类型和发行公司进行分类，可将产品cc30001-cc30005分为一类、产品cc40001-cc40005分为一类；如按期限进行分类，可将cc10001和cc10007分为一类。此外，还可以按照其他一个或多个属性进行分类，此处不再赘述。表1产品细类id类型风险等级期限起购门槛发行公司cc10001普通理财-0-30天5万-cc10002普通理财-31-90天5万-cc10003普通理财-90-180天5万-cc10004普通理财-181-360天5万-cc10005普通理财-360天以上5万-cc10006普通理财-无固定期限5万-cc10007普通理财-0-30天10万-………………cc30001货币基金1--a基金公司cc30002货币基金2--a基金公司cc30003货币基金3--a基金公司cc30004货币基金4--a基金公司cc30005货币基金5--a基金公司………………cc40001股票基金1--a基金公司cc40002股票基金2--a基金公司cc40003股票基金3--a基金公司cc40004股票基金4--a基金公司cc40005股票基金5--a基金公司………………步骤s204，根据用户属性、交易行为以及上下文数据对数据进行预处理。其中，对于全量数据进行预处理主要包括：(1)数据整合，包括：异源格式或单位统一、关联验证；(2)数据清洗，包括：对缺失值进行丢弃、填补等处理；对格式内容进行空格、掩码、去重等清洗处理；对逻辑值进行去噪(分箱)、修补错误值等清洗处理；(3)数据转换，包括：泛化、归一化等处理；(4)数据归约，包括：维度归约、数值归约、离散化、二元化等处理。参考图4，是数据转换处理过程示意图。例如，对客户所属分行进行泛化处理时，可以按照人均收入、消费水平，将此特征分为东部、北部、西部、中部4个因子。在数据量较大时，泛化会简化计算并且突出因子间的差异。步骤s206，提取用户基本属性、管理资产、活跃程度等维度特征。步骤s208，客户聚类分析。根据客户的属性对投资理财客户进行分类，分属同一客户群的消费者具备一定程度的相似性，而不同的细分客户群间存在明显的差异性。其中，客户属性可包含用户基本信息、管理资产、转账交易几大维度，可具体到用户的性别、年龄、日均资产、储蓄余额、月均代发工资、信用额度、月均转账金额、网银登陆次数、网银交易次数等属性字段。预测性细分是通过有监督学习进行的，即在已知各客户子群体的特征定义(如流失客户和非流失客户)的基础上，有目的地寻找细分特征值以区分用户；而聚类分析则是用无监督学习的方式对用户进行划分，即在没有明确的细分目的的情况下，将用户划分为若干类，聚在同一类中的用户具有某些方面的共性。在本发明中，采用k-means聚类(又称k均值聚类)算法对用户进行分类，其基本思路是：以k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心点的值，直至算法收敛得到最好的聚类结果。具体的算法包括以下步骤：输入信息为簇的数目k和包含n个对象的维度变量，输出信息为k个簇，使得平方误差准则最小。(1)适当选择k个类的初始中心点；(2)在第t次迭代中，对任意一个样本，求其到k个中心的距离，将该样本按照最小距离原则分配到最邻近的类别；(3)计算每个类中的样本均值作为新的聚类中心；(4)重复步骤(2)(3)直到聚类中心不再变化，认为算法收敛；(5)结束，得到k个聚类。由于初始中心点的选取，以及k-means算法本身具有一定随机性，不能保证算法每次都收敛到全局最优解，只能确保局部最优解。所以，对同一k值，重复执行几次k-means，选取平方和最小的一次作为最终的聚类结果。步骤s208，基于物品的协同过滤。对同一客群的用户，计算产品细类间的相似度，采用k邻近的基于物品的协同过滤(itemcf)算法，对客户的投资偏好的产品类进行预测。银行产品的个性化推荐与通常的电商产品推荐相比，主要有以下几点不同。一是重复性，对于理财产品，如果产品特征及年化收益率满足客户的要求，客户会在投资时进行追加或赎回后再购买。而对于电商产品，除食品外，很小的概率客户会购买同一商品两次及以上。二是时间性，对于银行客户来说，当产品到期或被赎回时代表了推荐最有效的投资时间点。而对于电商客户来说，这个时间点很难抓住。所以对于本本发明实施例的银行产品推荐要对模型进行细化，全面考虑其自身的特点。在本发明中，采用基于物品的协同过滤(itemcollaborationfilter，简称itemcf)作为主推荐算法。itemcf算法主要通过分析客户的行为来计算物品的相似度。例如产品a、b具有很高的相似度，是因为喜欢产品a的客户大多数也都喜欢产品b。具体地，步骤s208主要包括以下几个方面：(1)物品相似度。在计算业务产品的相似度时，两个产品购买的共同用户越多，表明这两个产品越相似。产品a、b的相似度的取值范围为[0,1]，当两个产品完全相似时，相似度为1。在本实施例中，采用余弦相似度进行计算：其中，n(a)表示购买产品a的用户数，n(b)表示购买产品b的用户数。在公式(2)中，分子表示同时购买产品a和b的用户数，也就是说，公式(2)惩罚了热门产品的权重，减少了热门产品和很多产品相似的可能性，避免了推荐出热门产品的问题，摆脱了长尾特性。(2)用户行为的时间效应。历史交易数据中，用户对于产品的购买金额，次数、时间都表示了用户对此产品的喜爱程度。在本发明实施例的模型中用到了时间信息。因为用户的喜爱是随时间变化的，时间效益很好的描述了渐变属性。另外，产品也是有生命周期的，当在某个时刻推荐给用户某个产品时，需要考虑该产品是否已经过时，在表达用户行为时，应该加强近期行为的权重。用户u对产品a的行为定义为：其中，t为用户u购买产品a的时间，为用户u在时间i时购买产品a的金额，α为时间衰减因子。基于用户在各个渠道的理财产品交易流水数据，分别统计汇总用户在每一产品细分类别的投资行为，计算相应的值作为此用户对产品类别的投资偏好评分，建立一个user-item评分矩阵，如表2所示：表2产品1产品2产品3产品4用户14354用户242--用户34334用户421--用户551--(3)knn客户偏好。具体地，本发明采用k近邻的基于物品的协同过滤算法预测客户u对物品b的偏好：其中，n(u)为客户u交易的物品集合，h(b,k)为物品b最相似的k个物品集合，sim(a,b)为物品a、b的相似度，transu(a)为客户u对物品a的喜爱度。步骤s210，在算法模型给出的偏好结果上，加以进一步的业务调整。每位客户登录手机银行后，系统将根据后台推荐模型的离线计算，抓取其偏好的产品类，在每类中选择高预期年化收益/历史回报率的产品放到有序推荐位中。在实际中，根据用户对产品的偏好程度对产品排序建立偏好列表，系统从偏好列表中选择排名前n位(例如3、4或其他数字)的产品细类推荐给客户u，前端系统会根据产品细类规则筛选有效的投资理财产品，并在每类中选择预期收益最高的产品展示到客户端推荐页面。下面具体描述融入银行产品规则的产品推荐的过程。假设在推荐页面共设立三个推荐位进行展示，按优先度依次分别为p1、p2和p3。需要融入的产品规则可分为以下三类：a.无条件强推产品直接占据第一推荐位p1，原始模型推荐结果向后顺延。b.基于产品大类偏好的强推产品如果产品属于第一推荐产品大类(理财/保险/基金…)，则放在p1；如果产品属于第二推荐产品大类，则放在p2；如果产品属于第三推荐产品大类，则放在p3；c.基于产品小类偏好的强推产品如果产品属于第一推荐产品小类(门槛/期限/风险…)，则放在p1；如果产品属于第二推荐产品小类，则放在p2；如果产品属于第三推荐产品小类，则放在p3；表3表3示出了银行指定产品示例，包括产品上线日期、适用客户群、推荐规则、优先级等。在推荐系统提供的产品细类基础上，融入指定产品，为每位客户在三个推荐位p1～p3下找到最适合的产品或产品细类，并输出如表3所示的结果(融入业务规则的推荐结果)。前端将读取表4和表1(理财产品细类特征表)，在每个推荐位下，当“指定产品”不为空，就展示指定产品；反之，则在产品细类里找到预期收益最高的产品进行展示。表4在实际中，对推荐效果进行评估，随后根据评估效果对模型进行调优处理，之后再基于新的模型进行产品推荐。下面结合实例描述推荐效果评估。本发明实施例的统计建模时间点记为t日。训练数据采集过去一年，即t-360至t-1时刻的客户及交易数据；测试数据选取未来3个月，即t+1至t+90的交易流水数据。针对银行产品推荐效果评估定义5个指标，包括：客户推荐命中率，产品推荐命中率，产品推荐召回率，成功推荐投资额占比，推荐产品覆盖率。(1)客户推荐命中率：测试时间窗口内，客户购买了推荐产品的人数占所有客户数的比率。(2)产品推荐命中率：测试时间窗口内，客户购买了推荐产品的产品数占所有客户的推荐产品数的比率。(3)产品推荐召回率：测试时间窗口内，客户购买了推荐产品的产品数占所有客户的交易产品数的比率。(4)成功推荐投资额占比：测试时间窗口内，客户购买了推荐产品的交易额占总交易额的比率。(5)推荐产品覆盖率：测试时间窗口内，推荐的产品细类占所有产品细类的比率。基于以上指标，本发明实施例对推荐结果进行测评。评估结果如表5所示：当展示三个推荐位时，有85％的客户都成功购买了推荐产品，相对应的产品推荐召回率为76％，而推荐的产品交易额占到总交易额68％。从结果看出，本推荐系统准确地拟合了客户的偏好，成功预测出测试时间窗口内客户的投资趋势。并且所有产品细类都有推荐，覆盖率为100％，很好的解决了产品长尾问题，达到了预期的水平。为了多角度对推荐系统进行评估，本发明实施例对客户推荐1、2、3个产品细类，并分别进行评估，结果如下所示。从下表可以看出，如果每位客户均推荐了3个产品细类，则会导致产品推荐基数大，产品命中率降低；而即使每位客户只推荐1个产品细类，也有57％的客户成功购买了推荐产品，产品命中率高达59％，推荐产品投资额占33％。表5偏好评估1个推荐位2个推荐位3个推荐位用户推荐命中率57％75％85％产品推荐召回率45％63％76％产品推荐命中率59％41％33％成功推荐投资额占比33％54％68％产品覆盖率100％100％100％根据各项评估结果，可以看出本发明实施例的推荐模型有效地抓住了客户的行为和全网物品相关性，准确地在t+n时刻进行推荐。根据本发明实施例还提供一种数据推送系统，如图5所示，所述系统包括：获取模块51，用于获取与第一用户相关联的多个业务产品信息；计算模块52，用于计算所述多个业务产品之间的相似度，获取相似度大于预设值的第一业务产品和第二业务产品；推送处理模块53，用于若第二用户与所述第一业务产品关联并不与所述第二业务产品关联，则设置所述第二用户与所述第二业务产品关联，并将所述第二业务产品推送至所述第二用户；其中所述第一用户和所述第二用户具有相同或相关的属性信息。在本发明的一个实施例中，所述获取模块51还用于获取预定时间内的所述多个业务产品的属性信息，根据所述属性信息将所述多个业务产品分为多个类别；所述计算模块52，还用于计算同一类别内的业务产品之间的相似度。进一步，所述计算模块52分别统计与每个业务产品相关联的用户信息，根据与每个业务产品相关联的用户信息计算所述多个业务产品之间的相似度。进一步，所述系统还包括：客户聚类模块(未示出)，用于获取用户的属性信息并对用户进行分群，其中，所述第一用户和所述第二用户属于同一客户群。关联产品确定模块(未示出)，用于根据所述第一用户的行为信息确定与所述第一用户相关联的多个业务产品信息，其中所述业务产品信息包括：金额、时间。本发明的方法的操作步骤与系统的结构特征对应，可以相互参照，不再一一赘述。根据本发明的技术方案，通过使用基于物品的协同过滤算法，精准、快速地计算用户个性化产品推荐，以差异化的形式推送至客户端，能够很好地实现业务产品推荐的智能化、自动化和个性化，对于商业银行控制销售成本控制和提高客户的转化、到期承接等具有重要意义。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商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、商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、商品或者设备中还存在另外的相同要素。本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。当前第1页12