目标品牌信息确定方法、装置、电子设备及存储介质与流程

本公开涉及电子商务技术领域，具体而言，涉及一种目标品牌信息确定方法、目标品牌信息装置、电子设备以及计算机可读存储介质。

背景技术：

随着大数据技术的广泛应用，精准营销已经成为电子商务业务实践中品牌商进行营销和品牌推广的重要途径。但是，每个地域对同一品牌产生的效应大不相同，每个用户对同一品牌的偏好程度也不相同。

目前，相关技术中主要利用搜索推荐系统对用户进行商品推荐。具体而言，主要对用户搜索词的相关性，商品基础信息，库存信息进行检索排序，从而基于用户历史关注和购买记录，以及平台促销等方式对用户进行商品推荐。

在上述方案中，一方面，由于不区分地域和用户，因此在品牌日促销活动中，所有地区以及所有用户在促销页面中看到的都是相同的品牌，无法实现精准性品牌推广；另一方面，基于搜索词产生的推荐结果，无法在各个推荐位根据用户偏好快速进行品牌推荐，从而导致品牌推广效率较差。例如，用户买电视热衷a品牌，但是推荐位却推荐b品牌。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种目标品牌信息确定方法、目标品牌信息装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种目标品牌信息确定方法，包括：

按照多个维度统计与各个品牌信息对应的所有用户的购物行为数据，其中，所述多个维度包括地域维度和用户维度；

基于所述购物行为数据，通过聚类算法从各所述维度分析对所述品牌信息的偏好程度；

将所述偏好程度大于预设阈值的所述品牌信息确定为所述目标品牌信息并显示所述目标品牌信息。

在本公开的一种示例性实施例中，所述购物行为数据包括与所述品牌信息对应的用户点击数据和用户订单数据。

在本公开的一种示例性实施例中，在统计与各个品牌信息对应的所有用户的购物行为数据前，所述方法还包括：

对用户点击数据以及用户订单数据进行过滤处理，筛选出第一用户点击数据以及第一用户订单数据。

在本公开的一种示例性实施例中，统计与各个品牌信息对应的所有用户的购物行为数据包括：

对所述第一用户订单数据和所述品牌信息进行关联生成地域订单品牌信息；

对所述地域订单品牌信息按照品牌信息维度进行分组，以统计所有用户对各所述品牌信息的点击数据。

在本公开的一种示例性实施例中，统计与各个品牌信息对应的所有用户的购物行为数据还包括：

对所述第一用户点击数据和所述品牌信息进行关联生成用户点击品牌信息；

对所述用户点击品牌信息按照品牌信息维度进行分组，以统计所有用户对各所述品牌信息的点击数据。

在本公开的一种示例性实施例中，通过聚类算法从各所述维度分析对所述品牌信息的偏好程度包括：

根据所述购物行为数据对各地域通过k-means++聚类算法进行聚类并获取与各所述地域对应的影响值。

在本公开的一种示例性实施例中，通过聚类算法从各所述维度分析对所述品牌信息的偏好程度还包括：

根据所述购物行为数据对各用户通过k-means++聚类算法进行聚类并获取与各所述用户对应的偏好值。

在本公开的一种示例性实施例中，显示所述目标品牌信息包括：

根据用户标识和/或地域标识显示对应的所述目标品牌信息。

根据本公开的一个方面，提供一种目标品牌信息确定装置，包括：

数据统计模块，用于按照两个维度统计与各个品牌信息对应的所有用户的购物行为数据，其中，所述购物行为数据包括与所述品牌信息对应的点击数据和订单数据；

聚类计算模块，用于基于所述购物行为数据，通过聚类算法计算各所述维度对所述品牌信息的偏好程度；

目标确定模块，用于将所述偏好程度大于预设阈值的所述品牌信息确定为所述目标品牌信息并显示所述目标品牌信息。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的目标品牌信息确定方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的目标品牌信息确定方法。

本公开的一种示例性实施例中的目标品牌信息确定方法、目标品牌信息确定装置、电子设备以及计算机可读存储介质中，通过地域维度和用户维度统计购物行为数据，并据此对所有地域和所有用户进行聚类计算，以确定目标品牌信息。一方面，基于用户的购物行为数据计算用户对品牌信息的偏好程度，能够挖掘出用户偏好的多个品牌，进而能够更深层次挖掘用户消费心理和偏好，提高品牌推广和营销的效率和精准度；另一方面，基于购物行为数据计算地域对品牌信息的偏好程度，能够挖掘出地域对品牌信息的偏好及影响，通过针对不同地域进行不同的品牌推广，以便于精准营销。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。

图1示意性示出了本公开一示例性实施例的目标品牌信息系统的架构图；

图2示意性示出了本公开一示例性实施例的目标品牌信息确定方法的流程图；

图3示意性示出了本公开一示例性实施例的目标品牌信息确定装置的框图；

图4示意性示出了根据本公开一示例性实施例的电子设备的框图；以及

图5示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中，首先提供了一种用于确定目标品牌信息的系统平台，其架构可以如图1所示，该平台可以包括提炼特征数据模块，分布式消息队列模块，广告投放系统、搜索系统、推荐系统以及精准营销系统。其中，提炼特征数据模块可以用于执行数据筛选、关联性数据汇集以及聚类算法计算、特征画像数据形成等操作；分布式消息队列主要用于确定目标品牌信息，并将确定的目标品牌信息推送至广告投放系统、搜索系统、推荐系统以及精准营销系统。

接下来，基于上述系统平台，本示例实施方式中提供了一种目标品牌信息确定方法。参考图2中所示，该目标品牌信息确定方法可以包括以下步骤：

步骤s210.按照多个维度统计与各个品牌信息对应的所有用户的购物行为数据，其中，所述多个维度包括地域维度和用户维度；

步骤s220.基于所述购物行为数据，通过聚类算法计算各所述维度对所述品牌信息的偏好程度；

步骤s230.将所述偏好程度大于预设阈值的所述品牌信息确定为所述目标品牌信息并显示所述目标品牌信息。

根据本示例实施例中的目标品牌信息确定方法，一方面，基于用户的购物行为数据计算用户对品牌信息的偏好程度，能够挖掘出用户偏好的多个品牌，进而能够更深层次挖掘用户消费心理和偏好，提高品牌推广和营销的效率和精准度；另一方面，基于购物行为数据计算地域对品牌信息的偏好程度，能够挖掘出地域对品牌信息的偏好及影响，通过针对不同地域进行不同的品牌推广，以便于精准营销。

下面，将对本示例实施例中的目标品牌信息确定方法进行进一步的说明。

在步骤s210中，按照多个维度统计与各个品牌信息对应的所有用户的购物行为数据，其中，所述多个维度包括地域维度和用户维度。

在本示例实施例中，可以在数据库中获取所有与用户、品牌信息等相关的数据，再将其预处理后生成购物行为数据并存储在如图1所示的数据仓库中，以便于进行进一步数据挖掘数据。此处的所有用户可以为注册当前电商平台的所有用户。

所述购物行为数据可以包括用户对某一品牌的点击数据，也可以包括用户对某一品牌的订单数据，其中订单的数量不超过点击数量。具体而言，用户点击数据和用户订单数据均含有用户标识id、商品标识id、商品品牌名称以及地址标识ip的关键字段。例如用户的某一订单数据用户标识a、商品标识b、商品品牌名称c以及地址标识113.140.0.0。

所述多个维度可以包括地域维度和用户维度，除此之外，还可以包括用户身份维度，例如学生、白领等，或者也可以包括年龄维度，本示例对此不作特殊限定。为了克服相关技术中品牌推广的缺陷，本示例中从地域维度和用户维度分别统计与各个品牌信息对应的所有用户的购物行为数据。

需要补充的是，本示例实施方式中，在统计与各个品牌信息对应的所有用户的购物行为数据前，所述方法还可以包括：

对用户点击数据以及用户订单数据进行过滤处理，筛选出第一用户点击数据以及第一用户订单数据。

在本示例性实施例中，在统计与各个品牌信息对应的所有用户的购物行为数据前，为了避免所有的用户点击数据以及用户订单数据中存在的杂质数据的影响，可以对用户点击数据以及用户订单数据进行过滤处理，以筛选出第一用户点击数据以及第一用户订单数据。此处第一用户点击数据为过滤掉杂质数据之后的有效用户点击数据；类似的，第一用户订单数据为过滤掉杂质数据之后的有效用户订单数据。所有的数据均可以通过对应的日志表的形式存储和表示，例如点击数据与用户点击日志表对应，用户订单数据与用户订单日志表对应。

具体地过滤处理过程如下：校验用户点击数据以及用户订单数据中是否存在自动获取网页内容的爬虫数据，如果有则过滤爬虫数据；检测购物行为数据中是否包含黑名单用户id，如果有则过滤该用户id的数据；检测购物行为数据中是否包含黑名单ip，如果有则过滤黑名单ip的所有购物行为数据；校验购物行为数据中必须包含的关键字段是否缺失，例如如果缺失用户id、品牌名称、地址ip中的任意一个，则过滤该数据；校验购物行为数据中是否包含黑名单品牌，如果有则过滤该黑名单品牌对应的所有数据。对于过滤步骤而言，输入的是用户点击日志表和用户订单日志表，输出的是有效用户点击日志表和有效用户订单日志表。

本示例中可以分别从地域维度和用户维度两个不同的角度统计与各个品牌信息对应的所有用户的购物行为数据。具体地，对于地域维度而言，统计与各个品牌信息对应的所有用户的购物行为数据可以包括：

对所述第一用户订单数据和所述品牌信息进行关联生成地域订单品牌信息；

对所述地域订单品牌信息按照品牌信息维度进行分组，以统计所有用户对各所述品牌信息的订单数据。

在本示例性实施例中，可以首先对过滤后的有效地域订单数据和所述品牌信息进行关联，并对地域ip的所有字段与ip库进行关联，找出对应的地域名字，以生成有效地域订单品牌信息，此处的品牌信息依然可以包括商品sku-品牌维度表。

具体而言，可以对有效地域订单日志表与商品sku-品牌维度表进行skuid关联，并对地域ip的所有字段与ip库进行关联，以生成有效地域订单品牌日志表。

需要补充的是，由于ip是根据需要人为划分的，一个地区可以有多个地址段，多个地址段也可以属于同一地区，因此确定一个ip地址所在区域需要通过完整的ip来判断，即可以将所有有效订单中的地域ip的所有字段与ip库进行匹配，从而确定每一个地域订单对应的地域名字。例如可以确定123.125.71.38属于北京市。

然后对有效地域订单品牌信息按照品牌信息维度进行分组，从而统计所有地域的所有用户对各所述品牌信息的订单数据。具体而言，对关联后生成的有效地域订单品牌日志表从品牌维度进行分组，从而统计各个品牌的地域订单数。本示例可以从所有有效地域订单数据中，提取出“地域-品牌-点击数-订单数”形式的数据表。该形式的数据表可以包括同一地域用户对不同品牌的点击数据和订单数据，也可以包括不同地域对同一品牌的点击数据和订单数据。例如，生成的代表订单数的数据表可以为“e-b-100-50”、“e-c-500-10”和“f-b-200-50”。

除此之外，对于用户维度而言，本示例实施方式中，统计与各个品牌信息对应的所有用户的购物行为数据还可以包括：

对所述第一用户点击数据和所述品牌信息进行关联生成用户点击品牌信息；

对所述用户点击品牌信息按照品牌信息维度进行分组，以统计所有用户对各所述品牌信息的点击数据。

在本示例性实施例中，可以首先对过滤后的有效用户点击数据和所述品牌信息进行关联生成有效用户点击品牌信息，此处的品牌信息可以包括商品sku-品牌维度表。具体而言，可以对有效用户点击日志表与商品sku-品牌维度表进行skuid关联，以生成有效用户点击品牌日志表，有效用户点击日志表和有效用户订单日志表均可以包括商品sku字段、ip信息字段。

然后对有效用户点击品牌信息按照品牌信息维度进行分组，从而统计所有用户对各所述品牌信息的点击数据。具体而言，对关联后生成的有效用户点击品牌日志表从品牌维度进行分组，从而统计用户对各个品牌的点击数。本示例可以从所有效用户点击数据中，提取出“用户-品牌-点击数-订单数”形式的数据表。该形式的数据表可以包括同一用户对不同品牌的点击数据和订单数据，也可以包括不同用户对同一品牌的点击数据和订单数据。例如，生成的代表点击数的数据表可以为“a-b-100-50”、“a-c-500-10”和“aa-b-200-50”。

综上所述，对于统计步骤而言，输入的是过滤步骤生成的有效用户点击日志表和有效用户订单日志表，以及商品sku-品牌维度表，输出的是包含“用户-品牌-点击数”形式以及“地域-品牌-订单数”形式的数据表。

在步骤s220中，基于所述购物行为数据，通过聚类算法从各所述维度分析对所述品牌信息的偏好程度。

在本示例性实施例中，偏好程度可以包括喜好程度、影响程度等，例如可以根据步骤s210中统计的用户的购物行为数据，采用聚类算法分别从用户维度和地域维度分析某一个用户对所述品牌信息的喜好程度以及某一地域对品牌信息的影响程度。

所述聚类算法可以将相似的事物聚集在一起，而将不相似的事物划分到不同的类别的过程，本示例中可以通过聚类算法将对某一品牌偏好程度较大和较小的用户和地域区分开，从而有利于为用户针对性的提供品牌推荐和推广。所述聚类算法可以包括相似性度量例如k-means算法以及层次聚类等多种算法。

具体而言，本示例实施方式中，通过聚类算法从各所述维度分析对所述品牌信息的偏好程度可以包括：

根据所述购物行为数据对各地域通过k-means++聚类算法进行聚类并获取与各所述地域对应的影响值。

在本示例性实施例中，以k-means++聚类算法为例进行具体说明。其基本思想为对于几组样品而言，可以给出每个数据点的空间坐标，然后可以用数据点之间的距离来判断，距离越近，数据点可以认为越相似。

具体地，首先对各所述地域对各品牌的偏好程度进行分析，此处地域对品牌的偏好程度可以理解为影响程度，可以用一个具体地影响值来表示。可以通过k-means++算法，从统计的购物行为数据中的点击数据和订单数据两个维度对所有地域进行聚类，其聚类过程包括：首先，从包括多个对象的数据库中随机选取一个样本作为初始聚类中心，接着计算每个样本与当前聚类中心之间的最短距离，然后计算每个样本被选为下一个聚类中心的概率，通过轮盘法选择下一个聚类中心，下一个聚类中心与当前聚类中心越远越好，选择每个聚类中心之后，再计算每个样本与所有聚类中心的距离，根据样本与各聚类中心的距离，将它赋给最近的聚类；然后重新计算每个聚类的平均值。这个过程不断重复，直到准则函数收敛。具体地收敛过程可以通过程序和循环进行。通常，采用平方误差准则，其定义如公式(1)所示：

其中，e代表数据库中所有对象的平方误差的总和，p是空间中的点，mi是聚类中心ci的平均值。

举例而言，通过上述k-means++算法，可以根据所有地域对于同一品牌的影响程度，对所有地域进行分类处理，并可以根据地域分布离中心点的距离确定所有地域对于同一品牌的影响程度，可以将所有地域对某一品牌的所述偏好程度的均值作为聚类中心，例如地域位置离中心点的距离越近代表影响程度越大，离中心点的距离越远代表影响程度越小，此时可以忽略离中心点的距离较远的地域分布。举例而言，对于同一品牌b而言，地域位置离中心点o的距离由小到大的顺序为：oe<of<<og<oh，则地域e、f对于该品牌的影响程度较大，而地域g、h对于该品牌的影响程度较小。

除此之外，本示例实施方式中，通过聚类算法从各所述维度分析对所述品牌信息的偏好程度还可以包括：

根据所述购物行为数据对各用户通过k-means++聚类算法进行聚类并获取与各所述用户对应的偏好值。

在本示例性实施例中，用户对品牌的偏好程度可以通过具体偏好值来表示。依然可以通过上述公式(1)描述的k-means++算法以及所有用户对于同一品牌的偏好程度对所有用户进行分类处理，并可以根据用户分布离中心点的距离确定所有用户对于同一品牌的偏好程度，可以将所有用户对某一品牌的所述偏好程度的均值作为聚类中心，当用户分布位置离中心点的距离越近代表偏好程度越大，离中心点的距离越远代表偏好程度越小。除此之外，也可以根据可以通过上述公式(1)描述的k-means++算法以及同一用户对多个品牌的偏好程度进行聚类处理，从而确定该用户偏好程度较大的品牌信息。

举例而言，对于同一品牌b而言，用户分布离中心点o的距离由大到小的顺序为：om>oaa>>on>oa，则用户n、a对于该品牌的偏好程度较大，而用户m、aa对于该品牌的偏好程度较小。通过这样的方式，可以为某一品牌推荐确定多个目标用户，也可以针对某一用户进行偏好程度最大的品牌推荐，以便于精准营销。

接下来，在步骤s230中，将所述偏好程度大于预设阈值的所述品牌信息确定为所述目标品牌信息并显示所述目标品牌信息。

在本示例性实施例中，预设阈值可以为根据用户的购物行为数据确定的值，也可以为采用本示例实施例中的目标品牌信息确定方法之后根据实际处理结果确定的值，本公开在此不进行特殊限定。具体的偏好程度与预设阈值之间的关系可以通过程序完成。举例而言，如果用数字1-10分别从小到大表示偏好程度，则预设阈值可以设置为8，也可以设置为9。可以将偏好程度大于8或9的品牌信息确定为目标品牌信息，所述目标品牌信息可以用于表示某一用户偏好程度最大的品牌信息，也可以用于表示某一地域影响程度最大的品牌信息且目标品牌信息可以包括一个或多个。对于用户和地域两种维度而言，设置的预设阈值可以相同，也可以不同。

此外，在包括多个目标品牌信息时，为了准确地为用户提供选择，还可以将大于预设阈值的偏好程度从大到小依次进行排序，进而将偏好程度最大的品牌信息确定为目标品牌信息，当偏好程度均大于预设阈值且偏好程度相等时，可以将满足条件的所有品牌信息确定为目标品牌信息。举例而言，用户a对品牌b、c、d的偏好程度分别为7、8、9，预设阈值为8，则可以将品牌d对应的信息作为目标品牌信息。

具体而言，本示例实施方式中，显示所述目标品牌信息可以包括：

根据用户标识和/或地域标识显示对应的所述目标品牌信息。

在本示例性实施例中，可以只根据用户标识显示与所述用户对应的所述目标品牌信息，也可以只根据地域标识显示与所述地域对应的所述目标品牌信息，还可以同时根据用户标识与地域标识显示与所述地域对应且与所述用户对应的所述目标品牌信息。用户标识例如可以为用户对应的id，如会员名、登录名等；地域标识例如可以为ip地址。

举例而言，用户a对品牌b、c、d的偏好程度分别为7、8、9，预设阈值为8，则可以对用户a显示品牌d对应的信息；用户aa对品牌b、c、d的偏好程度分别为8、9、6，预设阈值为8，则可以对用户aa显示品牌9对应的信息；地域e对品牌b、c、d的偏好程度分别为7、8、9，预设阈值为9，则可以对地域e显示品牌d对应的信息。对于处于地域e的用户a而言，也可以显示品牌d对应的信息。

通过本示例中的方法，可以基于用户的购物行为数据计算用户对品牌信息的偏好程度，更深层次挖掘用户消费心理和偏好，让用户能够更直接的看到偏好程度较大的品牌的商品，提升个性化品牌推荐且提高品牌推广和营销的效率和精准度；同时，还可以基于购物行为数据计算地域对品牌信息的偏好程度，针对不同地域进行不同的品牌推广，使得不同地域的用户看到的品牌不同，提升对品牌的区域化促销，加强精准化的品牌推广。

此外，本示例实施方式中，还提供了一种目标品牌信息确定装置，参考图3所示，所述装置300可以包括：

数据统计模块301，可以用于按照两个维度统计与各个品牌信息对应的所有用户的购物行为数据，其中，所述购物行为数据包括与所述品牌信息对应的点击数据和订单数据；

聚类计算模块302，可以用于基于所述购物行为数据，通过聚类算法计算各所述维度对所述品牌信息的偏好程度；

目标确定模块303，可以用于将所述偏好程度大于预设阈值的所述品牌信息确定为所述目标品牌信息并显示所述目标品牌信息。

由于本公开的示例实施例的目标品牌信息确定装置300的各个功能模块与目标品牌信息确定方法的示例实施例的步骤对应，因此在此不再赘述。

应当注意，尽管在上文详细描述中提及了目标品牌信息确定装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图4来描述根据本发明的这种实施例的电子设备600。图4所示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元610可以执行如图2中所示的步骤s210.按照多个维度统计与各个品牌信息对应的所有用户的购物行为数据，其中，所述多个维度包括地域维度和用户维度；步骤s220.基于所述购物行为数据，通过聚类算法计算各所述维度对所述品牌信息的偏好程度；步骤s230.将所述偏好程度大于预设阈值的所述品牌信息确定为所述目标品牌信息并显示所述目标品牌信息。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备670(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图5所示，描述了根据本发明的实施例的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施例的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。