商品性别标签确定方法和装置与流程

本发明涉及大数据处理领域，特别涉及一种商品性别标签确定方法和装置。

背景技术：

随着信息技术和电商互联网的发展，人们逐渐走向了信息个性化时代。在这个时代，用户更为关注的是如何从大量信息中找到自己感兴趣的那一部分商品，所以，商品画像的建立就显得越来越重要。好的商品画像能够准确预测用户行为，扩展用户视野，帮助用户发现那些他们可能会感兴趣、但却不那么容易发现的商品。

为了提高用户体验，目前出现了对商品的性别属性进行判的方案，以便用户能够快速找到其感兴趣的商品。该方案主要基于文本规则，即借助人工业务经验，根据与商品相关的名称信息中存在的关键词，给商品打性别标签。此外，还可基于用户行为进行商品行为预测。例如在已知用户性别的情况下，通过用户行为数据，比如用户的购买行为、关注行为、浏览行为等数据，若一个商品被男性用户购买的次数、浏览的次数、关注的次数都远大于被女性用户购买的次数、浏览的次数、关注的次数，就可以把这个商品预测为男性商品；采用同样的逻辑，也可以用来预测女性商品。此外还可设定一个阈值，如果一个商品被男女购买的次数差不多，也就是男女购买次数之差在阈值范围内，就预测该商品为中性商品。

上述的现有技术存在以下显著的缺点：

a)基于规则的统计，是从商品标题中挖掘有价值的信息，提取关键词匹配的思路，需要依赖人工业务经验，人能想到的男女性别特征词毕竟有限，从而导致模型的覆盖度不会很高。

b)基于用户行为的预测，一方面用户不会对全站的每个商品都有行为，有一部分商品需要考虑冷启动方案，更关键的一方面是这种技术需要依赖用户性别，在知道用户性别的前提下，才能统计商品被男性用户和女性用户有行为的比例。所以，用户性别的准确度，将直接影响商品性别画像的预测。

随着电商业务的不断扩大，商品个数和种类快速增长，用户需要花费大量时间才能找到自己想买的商品。男性用户更愿意看到推荐给他的大部分是男性商品，女性用户也希望推荐给她更多的女性商品。浏览大量无关信息和商品的过程，可能会使淹没在信息过载问题中的用户不断流失。因此，如何为用户提供个性化推荐是亟须解决的问题。

技术实现要素：

本发明实施例提供一种商品性别标签确定方法和装置，通过深度学习挖掘出商品的特征向量，然后利用多决策树预测模型预测出商品性别，从而更好地为用户提供个性化服务，以便与用户建立长期稳定的关系。

根据本发明的一个方面，提供一种商品性别标签确定方法，包括：

提取与商品关联的商品信息；

获取商品信息的特征向量；

利用预置的多决策树预测模型对特征向量进行预测处理，以便确定商品的性别标签。

在一个实施例中，商品信息包括商品的各级品类名称、商品对应的品牌名称、商品对应的店铺名称和商品的商品名称。

在一个实施例中，在获取商品信息的特征向量前，还包括：

对商品信息进行清洗，以去除在指定时间范围内销售量不在预定范围内的商品。

在一个实施例中，对商品信息进行清洗包括：

去除在指定时间范围内销售量小于预定门限的商品，或去除在指定时间范围内销售量仅集中在一个时间片断内的商品。

在一个实施例中，获取商品信息的特征向量包括：

利用向量运算工具word2vector提取商品信息的特征向量。

在一个实施例中，将预设的窗口大小作为向量运算工具word2vector的上下文窗口参数，以便建立指定词和窗口内其它词语的关联关系。

在一个实施例中，多决策树预测模型为梯度提升决策树gbdt。

在一个实施例中，利用预置的多决策树预测模型对特征向量进行预测处理包括：

依次利用多决策树预测模型中的决策树，对相应的特征向量进行识别，其中每个决策树对应的特征向量均不相同；

若相应的特征向量与男相关，则将商品的性别标签设为男性；

若相应的特征向量与女相关，则将商品的性别标签设为女性；

若相应的特征向量与情侣相关，则将商品的性别标签设为情侣。

在一个实施例中，若无法确定相应特征向量的性别属性，则进一步判定是否还存在下一决策树；

若存在下一决策树，则利用下一决策树对相应的特征向量进行识别；

若不存在下一决策树，则将商品的性别标签设为未知不确定。

在一个实施例中，利用训练集对多决策树预测模型进行训练，其中训练集中包括训练样本特征向量及训练样本的性别属性，以便利用训练样本的性别属性对多决策树预测模型的训练进行修正。

根据本发明的另一方面，提供一种商品性别标签确定装置，包括：

商品信息提取模块，用于提取与商品关联的商品信息；

特征向量获取模块，用于获取商品信息的特征向量；

商品性别预测模块，用于利用预置的多决策树预测模型对特征向量进行预测处理，以便确定商品的性别标签。

在一个实施例中，商品信息包括商品的各级品类名称、商品对应的品牌名称、商品对应的店铺名称和商品的商品名称。

在一个实施例中，数据清洗模块，用于在特征向量获取模块获取商品信息的特征向量前，对商品信息进行清洗，以去除在指定时间范围内销售量不在预定范围内的商品。

在一个实施例中，数据清洗模块具体去除在指定时间范围内销售量小于预定门限的商品，或去除在指定时间范围内销售量仅集中在一个时间片断内的商品。

在一个实施例中，特征向量获取模块具体利用向量运算工具word2vector提取商品信息的特征向量。

在一个实施例中，特征向量获取模块还用于将预设的窗口大小作为向量运算工具word2vector的上下文窗口参数，以便建立指定词和窗口内其它词语的关联关系。

在一个实施例中，多决策树预测模型为梯度提升决策树gbdt。

在一个实施例中，商品性别预测模块还用于依次利用多决策树预测模型中的决策树，对相应的特征向量进行识别，其中每个决策树对应的特征向量均不相同；若相应的特征向量与男相关，则将商品的性别标签设为男性；若相应的特征向量与女相关，则将商品的性别标签设为女性；若相应的特征向量与情侣相关，则将商品的性别标签设为情侣。

在一个实施例中，商品性别预测模块还用于在无法确定相应特征向量的性别属性时，进一步判定是否还存在下一决策树；若存在下一决策树，则利用下一决策树对相应的特征向量进行识别；若不存在下一决策树，则将商品的性别标签设为未知不确定。

在一个实施例中，训练模块，用于利用训练集对多决策树预测模型进行训练，其中训练集中包括训练样本特征向量及训练样本的性别属性，以便利用训练样本的性别属性对多决策树预测模型的训练进行修正。

根据本发明的另一方面，提供一种商品性别标签确定装置，包括：

存储器，用于存储指令；

处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现上述任一实施例涉及的方法。

根据本发明的另一方面，提供一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现上述任一实施例涉及的方法。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明商品性别标签确定方法一个实施例的示意图。

图2为本发明商品性别标签确定方法另一实施例的示意图。

图3为本发明决策树一个实施例的示意图。

图4为本发明决策树另一实施例的示意图。

图5为本发明商品性别标签确定装置一个实施例的示意图。

图6为本发明商品性别标签确定装置另一实施例的示意图。

图7为本发明商品性别标签确定装置又一实施例的示意图。

图8为本发明商品性别标签确定装置又一实施例的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1为本发明商品性别标签确定方法一个实施例的示意图。其中：

步骤101，提取与商品关联的商品信息。

其中，商品信息可包括商品的各级品类名称、商品对应的品牌名称、商品对应的店铺名称和商品的商品名称。

步骤102，获取商品信息的特征向量。

可选地，可利用向量运算工具word2vector提取商品信息的特征向量。

其中，word2vector是一个深度学习模型，利用该模型，可以将对文本内容的处理简化为k维向量空间中的向量运算，而向量空间中的相似度可以用来表示文本语义上的相似度。

由于word2vector模型本身是本领域技术人员所了解的，因此这里不展开描述。

需要说明的是，在使用word2vector模型过程中，将预设的窗口大小作为向量运算工具word2vector的上下文窗口参数，以便建立指定词和窗口内其它词语的关联关系。可选地，窗口大小可设为5。

通过设置适当的窗口大小，可在不增加系统运算负担的情况下，将窗口内的词语进行关联，以避免出现根据同一商品中相邻的两个词语判断出不同性别属性的问题。

此外，还可设置每个商品特征向量的维度大小以及在训练word2vector时的迭代速率，以便对word2vector模型的处理速度进行调整。

步骤103，利用预置的多决策树预测模型对特征向量进行预测处理，以便确定商品的性别标签。

其中，多决策树预测模型可为gbdt(gradientboostdecisiontree，梯度提升决策树)。

gbdt是一种迭代的回归决策树算法，该算法由多棵回归树组成，所有树的结论累加起来以完成预测。在gbdt中，每一次建立模型是在之前建立的模型损失函数的梯度下降方向，也就是每个新的模型的建立是为了使得之前模型的残差减少。而分类树衡量的标准是最大熵、信息增益，回归树衡量的标准是最小化均方误差。从偏差-方差分解的角度看，gbdt主要关注降低偏差，能基于泛化性能相当弱的学习器构建出很强的集成。gbdt是从弱学习算法出发，反复学习，得到一系列基本分类器，然后组合这些基本分类器，构成一个强分类器。提升方法实际采用加法模型与前向分布算法，以决策树为基函数的提升方法称为提升树，梯度提升算法是用最速下降法最小化损失函数，在分类问题上有比较好的效果。

基于本发明上述实施例提供的商品性别标签确定方法，通过深度学习挖掘出商品的特征向量，然后利用多决策树预测模型预测出商品性别，从而更好地为用户提供个性化服务，以便与用户建立长期稳定的关系。

可选地，可利用训练集对多决策树预测模型进行训练，其中训练集中包括训练样本特征向量及训练样本的性别属性，以便利用训练样本的性别属性对多决策树预测模型的训练进行修正。

例如，可利用性别标签为“男性”的商品特征向量对预置的多决策树预测模型进行训练，若多决策树预测模型的输出结果为“女性”、“情侣”或“未知不确定”，则表明多决策树预测模型的判断有误，进而由此对多决策树预测模型进行调整。

由于如何根据反馈信息对多决策树预测模型进行调整并不是本发明的发明点所在，因此这里不展开描述。

图2为本发明商品性别标签确定方法另一实施例的示意图。其中：

步骤201，提取与商品关联的商品信息。

步骤202，对商品信息进行清洗，以去除在指定时间范围内销售量不在预定范围内的商品。

在电商平台上，可能会存在这样的商品，在一个相当长的时间内(例如一年内)没有任何用户下订单，在这种情况下，对该种商品打性别标签对用户并无用途，同时还会增加计算开销。因此可将该种商品信息进行清洗，可在不影响用户体验的情况下，有效减少系统的计算负担。

此外，还会存在这样的商品，在一个较短的时间段内订单量很高，但在该段时间后该种商品却鲜有人问津。例如某种时尚服饰品，在很短时间内有极高的人气，但在几天后，该时尚服饰品就不再吸引用户，订单量呈现断崖式下跌，之后该时尚服饰品的订单量也一直没有起色。对于这种爆款商品，由于其吸引用户关注的时间非常短，在经过这个时间段后就不再有人问津，在这种情况下，对该种商品打性别标签对用户并无用途，同时还会增加计算开销。因此可将该种商品信息进行清洗，可在不影响用户体验的情况下，有效减少系统的计算负担。

步骤203，获取商品信息的特征向量。

步骤204，利用预置的多决策树预测模型对特征向量进行预测处理，以便确定商品的性别标签。

在上述实施例中，利用预置的多决策树预测模型对特征向量进行预测处理的步骤可包括：

依次利用多决策树预测模型中的决策树，对相应的特征向量进行识别。其中每个决策树对应的特征向量均不相同。

若相应的特征向量与男相关，则将商品的性别标签设为男性；若相应的特征向量与女相关，则将商品的性别标签设为女性；若相应的特征向量与情侣相关，则将商品的性别标签设为情侣。

若当前决策树无法确定相应特征向量的性别属性，则进一步判定是否还存在下一决策树。若存在下一决策树，则利用下一决策树对相应的特征向量继续进行识别；若不存在下一决策树，则将商品的性别标签设为未知不确定。

由此，可将商品的性别标签分别确定为“男性”、“女性”、“情侣”、“未知不确定”。

这里需要说明的是，由于通过word2vector可得到向量，而向量空间中的相似度可以用来表示文本语义上的相似度。因此通过利用word2vector，可有利于将“男”、“爸爸”、“父亲”等词与“男性”相关联，而将“女”、“妈妈”、“母亲”等词与“女性”相关联，从而便于后续的决策树分析。

下面通过一个具体示例对本发明进行说明。由于商品信息可包括商品的一级品类名称、二级品类名称、三级品类名称、商品对应的品牌名称、商品对应的店铺名称和商品的商品名称。因此在多决策树预测模型中设置六个决策树。其中第一个决策树对应于商品的一级品类名称、第二个决策树对应于商品的二级品类名称、第三个决策树对应于商品的三级品类名称、第四个决策树对应于商品对应的品牌名称、第五个决策树对应于商品对应的店铺名称、第六个决策树对应于商品的商品名称。

通过依次利用第一至第六决策树，以便对商品的性别属性进行判断。其中第一至第五决策树的形式类似，如图3所示，第六决策树的形式如图4所示。

(示例一)

该商品的一级品类名称为“鞋靴”，二级品类名称为“流行男鞋”，三级品类名称为“工装鞋”，商品对应的品牌名称为“强人”，商品对应的店铺名称为“强人官方旗舰店”，商品名称为“强人b07强人透气工装鞋橡胶底耐磨皮鞋低帮男鞋黑色43码”。

首先，利用一级品类名称所对应的决策树，由于该商品的一级品类名称为“鞋靴”，因此按照图3所示的决策树，无法判断该商品的性别属性为“男性”、“女性”或“情侣”，因此将其设为“待定”状态。

对于处于“待定”状态的商品，接下来利用二级品类名称所对应的决策树。由于该商品的二级品类名称为“流行男鞋”，因此可将该商品的性别标签设为“1”，即表明该商品属于男性商品。

由于此时以完成商品性别的判断，因此无需再使用后续其它决策树。

(示例二)

该商品的一级品类名称为“运动户外”，二级品类名称为“运动鞋包”，三级品类名称为“跑步鞋”，商品对应的品牌名称为“brooks”，商品对应的店铺名称为“headedeagle全球购专营店”，商品名称为“全球购布鲁克斯(brooks)女款glycerin14-运动休闲跑鞋专柜标准41.0/us9.5”。

首先，利用一级品类名称所对应的决策树，由于该商品的一级品类名称为“运动户外”，因此按照图3所示的决策树，无法判断该商品的性别属性为“男性”、“女性”或“情侣”，因此将其设为“待定”状态。

接下来，依次利用第二至第五决策树进行判断。由于二级品类名称“运动鞋包”，三级品类名称“跑步鞋”，商品对应的品牌名称“brooks”，商品对应的店铺名称“headedeagle全球购专营店”均无法判断出商品性别，此时商品仍处于“待定”状态。

接下来，利用商品名称对应的第六决策树进行判断。如图4所示，由于商品名称为“全球购布鲁克斯(brooks)女款glycerin14-运动休闲跑鞋专柜标准41.0/us9.5”，因此可将该商品的性别标签设为“2”，即表明该商品属于女性商品。

(示例三)

该商品的一级品类名称为“运动户外”，二级品类名称为“户外鞋服”，三级品类名称为“登山鞋”，商品对应的品牌名称为“远行客”，商品对应的店铺名称为“远行客背夫专卖店”，商品名称为“远行客/topsky户外探险者登山鞋防水透气低帮徒步鞋情侣出行越野跑鞋棕色40”。

首先，利用一级品类名称所对应的决策树，由于该商品的一级品类名称为“运动户外”，因此按照图3所示的决策树，无法判断该商品的性别属性为“男性”、“女性”或“情侣”，因此将其设为“待定”状态。

接下来，依次利用第二至第五决策树进行判断。由于二级品类名称“户外鞋服”，三级品类名称“登山鞋”，商品对应的品牌名称“远行客”，商品对应的店铺名称“远行客背夫专卖店”，均无法判断出商品性别，此时商品仍处于“待定”状态。

接下来，利用商品名称对应的第六决策树进行判断。如图4所示，由于商品名称为“远行客/topsky户外探险者登山鞋防水透气低帮徒步鞋情侣出行越野跑鞋棕色40”，因此可将该商品的性别标签设为“3”，即表明该商品属于情侣商品。

(示例四)

该商品的一级品类名称为“厨具”，二级品类名称为“茶具/咖啡具”，三级品类名称为“茶杯”，商品对应的品牌名称为“湛卢”，商品对应的店铺名称为“湛卢官方旗舰店”，商品名称为“湛卢正品汝窑汝瓷对杯个人杯圆杯朵杯特价开片蝉翼定禅杯主人杯乐谦茶杯天青色”。

首先，利用一级品类名称所对应的决策树，由于该商品的一级品类名称为“厨具”，因此按照图3所示的决策树，无法判断该商品的性别属性为“男性”、“女性”或“情侣”，因此将其设为“待定”状态。

接下来，依次利用第二至第五决策树进行判断。由于二级品类名称“茶具/咖啡具”，三级品类名称“茶杯”，商品对应的品牌名称“湛卢”，商品对应的店铺名称“湛卢官方旗舰店”，均无法判断出商品性别，此时商品仍处于“待定”状态。

接下来，利用商品名称对应的第六决策树进行判断。如图4所示，由于商品名称为“湛卢正品汝窑汝瓷对杯个人杯圆杯朵杯特价开片蝉翼定禅杯主人杯乐谦茶杯天青色”，因此仍无法确定该商品的性别属性。由于该第六决策树已经为多决策树预测模型中在最后一个决策树，因此将该商品的性别标签设为“4”，即表明该商品的性别属性为“未知不确定”。

图5为本发明商品性别标签确定装置一个实施例的示意图。如图5所示，商品性别标签确定装置可包括商品信息提取模块51、特征向量获取模块52和商品性别预测模块53。其中：

商品信息提取模块51用于提取与商品关联的商品信息。

其中，商品信息可包括商品的各级品类名称、商品对应的品牌名称、商品对应的店铺名称和商品的商品名称。

特征向量获取模块52用于获取商品信息的特征向量。

可选地，特征向量获取模块52可利用向量运算工具word2vector提取商品信息的特征向量。

此外，特征向量获取模块52还可将预设的窗口大小作为向量运算工具word2vector的上下文窗口参数，以便建立指定词和窗口内其它词语的关联关系。

商品性别预测模块53用于利用预置的多决策树预测模型对特征向量进行预测处理，以便确定商品的性别标签。

可选地，多决策树预测模型为梯度提升决策树gbdt。

可选地，商品性别预测模块53还用于依次利用多决策树预测模型中的决策树，对相应的特征向量进行识别，其中每个决策树对应的特征向量均不相同；若相应的特征向量与男相关，则将商品的性别标签设为男性；若相应的特征向量与女相关，则将商品的性别标签设为女性；若相应的特征向量与情侣相关，则将商品的性别标签设为情侣。

此外，商品性别预测模块53还用于在无法确定相应特征向量的性别属性时，进一步判定是否还存在下一决策树；若存在下一决策树，则利用下一决策树对相应的特征向量进行识别；若不存在下一决策树，则将商品的性别标签设为未知不确定。

基于本发明上述实施例提供的商品性别标签确定装置，通过深度学习挖掘出商品的特征向量，然后利用多决策树预测模型预测出商品性别，从而更好地为用户提供个性化服务，以便与用户建立长期稳定的关系。

图6为本发明商品性别标签确定装置一个实施例的示意图。与图5所示实施例相比，在图6所示实施例中，还包括数据清洗模块54，在特征向量获取模块获取商品信息的特征向量前，对商品信息进行清洗，以去除在指定时间范围内销售量不在预定范围内的商品。

其中，数据清洗模块54可去除在指定时间范围内销售量小于预定门限的商品，或去除在指定时间范围内销售量仅集中在一个时间片断内的商品。通过取消那些未对用户造成影响的商品的处理，可有效降低系统的计算负担。

图7为本发明商品性别标签确定装置一个实施例的示意图。与图6所示实施例相比，在图7所示实施例中，还包括训练模块55，用于利用训练集对多决策树预测模型进行训练，其中训练集中包括训练样本特征向量及训练样本的性别属性，以便利用训练样本的性别属性对多决策树预测模型的训练进行修正。

图8为本发明商品性别标签确定装置又一实施例的示意图。如图8所示，配送机器人控制装置包括存储器801和处理器802。其中：

存储器801用于存储指令，处理器802耦合到存储器801，处理器802被配置为基于存储器存储的指令执行实现如图1-图4中任一实施例涉及的方法。

如图8所示，配送机器人控制装置还包括通信接口803，用于与其它设备进行信息交互。同时，该装置还包括总线804，处理器802、通信接口803、以及存储器801通过总线804完成相互间的通信。

存储器801可以包含高速ram存储器，也可还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器801也可以是存储器阵列。存储器801还可能被分块，并且块可按一定的规则组合成虚拟卷。

此外，处理器802可以是一个中央处理器cpu，或者可以是专用集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

本发明还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1-图4中任一实施例涉及的方法。

通过实施本发明，能够给商品打上合适的性别标签，从而有利于提升个性化推荐的精准度，对于构建千人千面的商品标签结构体系是十分有利的。

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非瞬时性存储介质(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。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。