充值转化的提高方法、电子设备及计算机存储介质与流程

本发明涉及计算机技术领域，具体涉及一种充值转化的提高方法、电子设备及计算机存储介质。

背景技术：

目前，随着手机等移动终端的普及以及电子书阅读器的发展，电子书越来越受阅读用户的青睐。作为一种现代化的阅读趋势，电子阅读的优势十分明显：低碳、便捷、成本低且存储量大。

对于电子阅读企业而言，及时发现应用产品存在的不足，帮助企业不断改进应用功能，提升产品竞争力，提高运营效率和用户体验，是企业的重要责任。然而，在阅读充值方面，现有技术中依然缺乏针对用户的个性化充值方式，导致用户的实际充值转化率并不高。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的充值转化的提高方法、电子设备及计算机存储介质。

根据本发明的一个方面，提供了一种充值转化的提高方法，所述方法包括：依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图；基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，所述充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

根据本发明的另一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下操作：依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图；基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，所述充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

根据本发明的又一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行以下操作：依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图；基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，所述充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

根据本发明的充值转化的提高方法、电子设备及计算机存储介质，通过依据目标用户的阅读行为特征预测其充值意图，进而结合充值意图为目标用户推荐对应于其目标充值档位的充值策略，解决了现有技术中用户访问充值页面的充值转化结果不佳的问题，以为目标用户提供个性化的充值策略的方式，改善了目标用户的实际充值行为，提高了充值页面的充值转化比例。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种充值转化的提高方法的流程图；

图2示出了本发明实施例提供的另一种充值转化的提高方法的流程图；

图3示出了本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了本发明实施例提供的一种充值转化的提高方法的流程图，用于改善充值页面的充值转化结果的情况，该方法可以由支持安装电子书阅读应用的电子设备执行。如图1所示，该方法包括以下步骤：

步骤s101，依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图。

本实施例中目标用户的阅读行为特征是指与充值行为存在关联性的行为特征，因而，可以将获取的目标用户的阅读行为特征作为意图预测模型的输入，预测目标用户的充值意图。充值意图表示用户当前进行充值的概率。例如，意图预测模型以输出概率的形式表示用户的充值意图，输出的概率值越大，表示用户当前进行充值的概率越大。

可选的，意图预测模型为二分类模型，其训练过程包括：

获取样本用户的阅读行为特征；

将阅读行为特征进行区分，得到正样本特征和负样本特征，其中，正样本特征指阅读行为特征中涉及成功充值的特征，负样本特征指阅读行为特征中涉及未成功充值的特征；

利用正样本特征和负样本特征训练得到二分类器，作为意图预测模型。

样本用户即为训练意图预测模型而随机抓取的大量阅读用户。正样本特征包括特定时间段内样本用户首次或者多次访问充值页面并在预设时间内完成充值所涉及的行为特征，其中，预设时间根据充值页面加载时间和支付插件加载时间等因素可适应性设置，例如60秒。负样本特征包括在相同时间段内用户访问充值页面但始终未成功充值所涉及的行为特征。通过根据充值成功与否将样本用户的阅读行为进行区分，然后用于模型的训练，可以保证利用模型预测充值意图的准确性。

具体的，目标用户或者样本用户的阅读行为特征包括当前阅读行为特征和历史阅读行为特征。当前阅读行为特征和历史阅读行为特征是以当天时间为界限进行区分，用户当天的阅读行为归结为当前阅读行为，当天时间之前的一定时间段内的阅读行为特征归结为历史阅读行为特征。对于目标用户而言，这里所述的当天时间即执行充值意图预测的当天；对样本用户而言，这里所述的当天时间即实施了支付或者未实施支付的当天。示例性的，当前阅读行为特征包括：当天时间内用户的阅读书籍进度、下载进度、付费情况、用户当前的余额状态和用户对充值优惠的关注度等维度的特征；历史阅读行为特征包括：当天之前一定时间段内的下载、付费、阅读历史、充值、优惠推荐策略的采用情况和对充值优惠的关注度等维度的特征。当前阅读行为特征和历史阅读行为特征的存储位置存在差异，因此，需要从不同存储位置调取相应的数据。

步骤s102，基于预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

目标充值档位表示目标用户当前若进行充值则最可能选择的充值额度，可以通过对目标用户进行行为分析确定。可选的，该方法还包括：依据目标用户的个人信息和历史充值信息，确定目标用户的目标充值档位。目标充值档位可以包括历史惯用充值档位或近期充值档位。例如，通过对目标用户在预设时间段内的个人信息和历史充值信息进行分析，得出目标用户的购买力没有发生变化，并且其使用充值档位c进行充值的频率非常高，则可以将充值档位c确定为其目标充值档位，此时充值档位c属于历史惯用充值档位；或者，在对目标用户的个人信息进行分析的过程中，发现其身份信息发生变化，例如由学生变为工程师，表明其购买力发生了变化，其身份变化之后使用充值档位z进行充值的频率较高，则可以将充值档位z确定为其目标充值档位，此时充值档位z属于近期充值档位。

当预测出目标用户当前进行充值的概率较小时，根据其目标充值档位，为其推荐优惠力度较大的充值策略；当预测出目标用户当前进行充值的概率较大时，则可以为其推荐优惠力度较小的充值策略。推荐充值策略的目的在于改善当前进行充值的概率较小的用户的实际充值行为，以提高用户访问充值页面的充值转化比例，即访问充值页面且成功充值的用户数量与访问充值页面的用户总数量之间的比例。

充值策略中的预设规则由阅读应用服务商制定，决定了展示给用户的具体优惠方式，例如，赠送充值券或者充值打折等。

示例性的，目标用户a的目标充值档位是x1，预测其当前进行充值的概率较小，则可以在x1档位下，为其推荐折扣较大的充值优惠；目标用户b的目标充值档位是x2，预测其当前进行充值的概率较大，可以在x2档位下为其推荐折扣较小的充值优惠，也可以选择不为其推荐优惠。

可选的，在依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图之前，该方法还包括：

对阅读应用的当前页面进行检测；

若当前页面是充值页面，则执行充值意图的预测。

即本实施方案的执行前提是目标用户访问充值页面，例如，目标用户在阅读电子书的过程中访问充值页面，或者根据推送的活动链接由当前页面切换至充值页面等。当确定当前页面是充值页面，才执行充值意图的预测以及后续的操作。其中，页面检测可以通过检测页面布局信息以及页面控件等方式实现。

本实施例技术方案通过首先依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图，然后，基于预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，解决了现有技术中用户访问充值页面的充值转化结果不佳的问题，通过为目标用户提供个性化的充值策略的方式，改善了用户的实际充值行为，提高了充值页面的充值转化比例。

图2示出了本发明实施例提供的另一种充值转化的提高方法的流程图，作为上述实施例技术方案的细化与扩展，本实施里中未详尽描述的内容可参考上述实施例中的描述。如图2所示，该方法包括以下步骤：

步骤s201，依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图。

步骤s202，基于目标用户的阅读行为特征，利用档位预测模型预测目标用户对充值页面上每个充值档位的充值概率。

示例性的，当前充值页面上显示的多个充值档位包括：k1、k2、k3、k4、k5和k6，根据目标用户a的阅读行为特征，预测出用户对k1至k6这6个充值档位的充值概率为：12％、8％、45％、15％、3％、17％，充值概率越大，表示用户选择相应的充值挡位的频率越大。通过利用档位预测模型预测目标用户对充值页面上每个充值档位的充值概率，可以确保后续目标充值挡位确定的准确性，有助于提高用户对推荐的充值策略的采用率。

可选的，档位预测模型为多分类模型，档位预测模型的训练过程包括：

获取样本用户的阅读行为特征，其中，阅读行为特征包括在不同充值档位进行充值时所对应的阅读行为特征；

利用阅读行为特征训练得到多分类器，作为档位预测模型。

步骤s203，根据充值概率确定目标用户的目标充值档位，其中，目标充值档位的充值概率大于或等于概率阈值。

概率阈值根据不同的用户而适应性设置，根据概率阈值确定出目标用户的充值概率最大的充值挡位作为目标充值挡位。继续以上述示例为例，如果概率阈值设置为40％，则确定目标用户的目标充值档位为k3；如果概率阈值设置为15％，则可以确定目标用户的备选充值档位包括k3、k5和k6，此时，可以选择将此多个备选充值档位中充值概率最大的充值档位确定为目标充值档位。

步骤s204，基于目标用户的充值意图，为目标用户推荐与目标充值档位对应的充值策略。

如果预测目标用户当前进行充值的概率较小，则可以在目标充值挡位下，为用户推荐优惠力度较大的充值策略。

本实施例技术方案通过首先利用意图预测模型预测目标用户的充值意图，其次利用档位预测模型预测目标用户对充值页面上每个充值档位的充值概率，确定目标用户的目标充值档位；最后基于目标用户的充值意图，为目标用户推荐与目标充值档位对应的充值策略，解决了现有技术中用户访问充值页面的充值转化结果不佳的问题，通过为目标用户提供个性化的充值策略的方式，包括预测充值意图和个性化的目标充值档位，进一步改善了用户的实际充值行为，提高了充值页面的充值转化比例。

图3示出了本发明实施例提供的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。

如图3所示，该电子设备可以包括：处理器(processor)302、通信接口(communicationsinterface)304、存储器(memory)306、以及通信总线308。

其中：

处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。

通信接口304，用于与其它设备比如客户端或其它电子设备等的网元通信。

处理器302，用于执行程序310，具体可以执行上述充值转化的提高方法实施例中的相关步骤。

具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。

处理器302可能是中央处理器cpu，或者是特定集成电路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。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器306，用于存放程序310。存储器306可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序310具体可以用于使得处理器302执行以下操作：

依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图；

基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，所述充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

在一种可选的方式中，程序310具体可以还用于使得处理器302执行以下操作：

依据目标用户的个人信息和历史充值信息，确定目标用户的目标充值档位。

在一种可选的方式中，所述意图预测模型为二分类模型，程序310具体还可以用于使得处理器302执行以下操作：

获取样本用户的阅读行为特征；

将所述阅读行为特征进行区分，得到正样本特征和负样本特征，其中，所述正样本特征指所述阅读行为特征中涉及成功充值的特征，所述负样本特征指所述阅读行为特征中涉及未成功充值的特征；

利用所述正样本特征和负样本特征训练得到二分类器，作为所述意图预测模型。

在一种可选的方式中，程序310具体可以进一步用于使得处理器302执行以下操作：

基于目标用户的阅读行为特征，利用档位预测模型预测目标用户对充值页面上每个充值档位的充值概率；

根据所述充值概率确定目标用户的目标充值档位，其中，目标充值档位的充值概率大于或等于概率阈值；

基于所述充值意图，为目标用户推荐与目标充值档位对应的充值策略。

在一种可选的方式中，所述档位预测模型为多分类模型，程序310具体还可以用于使得处理器302执行以下操作：

获取样本用户的阅读行为特征，其中，所述阅读行为特征包括在不同充值档位进行充值时所对应的阅读行为特征；

利用所述阅读行为特征训练得到多分类器，作为所述档位预测模型。

在一种可选的方式中，所述阅读行为特征包括当前阅读行为特征和历史阅读行为特征。

在一种可选的方式中，程序310具体还可以用于使得处理器302执行以下操作：

对阅读应用的当前页面进行检测；

若所述当前页面是充值页面，则执行所述充值意图的预测。

本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的充值转化的提高方法。

可执行指令具体可以用于使得处理器执行以下操作：

依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图；

基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，所述充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

在一种可选的方式中，所述可执行指令还使所述处理器执行以下操作：

依据目标用户的个人信息和历史充值信息，确定目标用户的目标充值档位。

在一种可选的方式中，所述意图预测模型为二分类模型，所述可执行指令还使所述处理器执行以下操作：

获取样本用户的阅读行为特征；

将所述阅读行为特征进行区分，得到正样本特征和负样本特征，其中，所述正样本特征指所述阅读行为特征中涉及成功充值的特征，所述负样本特征指所述阅读行为特征中涉及未成功充值的特征；

利用所述正样本特征和负样本特征训练得到二分类器，作为所述意图预测模型。

在一种可选的方式中，所述可执行指令进一步使所述处理器执行以下操作：

基于目标用户的阅读行为特征，利用档位预测模型预测目标用户对充值页面上每个充值档位的充值概率；

根据所述充值概率确定目标用户的目标充值档位，其中，目标充值档位的充值概率大于或等于概率阈值；

基于所述充值意图，为目标用户推荐与目标充值档位对应的充值策略。

在一种可选的方式中，所述档位预测模型为多分类模型，所述可执行指令还使所述处理器执行以下操作：

获取样本用户的阅读行为特征，其中，所述阅读行为特征包括在不同充值档位进行充值时所对应的阅读行为特征；

利用所述阅读行为特征训练得到多分类器，作为所述档位预测模型。

在一种可选的方式中，所述阅读行为特征包括当前阅读行为特征和历史阅读行为特征。

在一种可选的方式中，所述可执行指令还使所述处理器执行以下操作：

对阅读应用的当前页面进行检测；

若所述当前页面是充值页面，则执行所述充值意图的预测。

进一步的，本发明还公开了以下内容：

a1、一种充值转化的提高方法，所述方法包括：

依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图；

基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，所述充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

a2、根据a1所述的方法，其中，所述方法还包括：

依据目标用户的个人信息和历史充值信息，确定目标用户的目标充值档位。

a3、根据a1所述的方法，其中，所述意图预测模型为二分类模型，所述意图预测模型的训练过程包括：

获取样本用户的阅读行为特征；

将所述阅读行为特征进行区分，得到正样本特征和负样本特征，其中，所述正样本特征指所述阅读行为特征中涉及成功充值的特征，所述负样本特征指所述阅读行为特征中涉及未成功充值的特征；

利用所述正样本特征和负样本特征训练得到二分类器，作为所述意图预测模型。

a4、根据a1所述的方法，其中，所述基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，包括：

基于目标用户的阅读行为特征，利用档位预测模型预测目标用户对充值页面上每个充值档位的充值概率；

根据所述充值概率确定目标用户的目标充值档位，其中，目标充值档位的充值概率大于或等于概率阈值；

基于所述充值意图，为目标用户推荐与目标充值档位对应的充值策略。

a5、根据a4所述的方法，其中，所述档位预测模型为多分类模型，所述档位预测模型的训练过程包括：

获取样本用户的阅读行为特征，其中，所述阅读行为特征包括在不同充值档位进行充值时所对应的阅读行为特征；

利用所述阅读行为特征训练得到多分类器，作为所述档位预测模型。

a6、根据a1-a5中任一所述的方法，其中，所述阅读行为特征包括当前阅读行为特征和历史阅读行为特征。

a7、根据a6所述的方法，其中，在所述依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图之前，所述方法还包括：

对阅读应用的当前页面进行检测；

若所述当前页面是充值页面，则执行所述充值意图的预测。

b8、一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下操作：

依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图；

基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，所述充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

b9、根据b8所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

依据目标用户的个人信息和历史充值信息，确定目标用户的目标充值档位。

b10、根据b8所述的电子设备，其中，所述意图预测模型为二分类模型，所述可执行指令还使所述处理器执行以下操作：

获取样本用户的阅读行为特征；

将所述阅读行为特征进行区分，得到正样本特征和负样本特征，其中，所述正样本特征指所述阅读行为特征中涉及成功充值的特征，所述负样本特征指所述阅读行为特征中涉及未成功充值的特征；

利用所述正样本特征和负样本特征训练得到二分类器，作为所述意图预测模型。

b11、根据b8所述的电子设备，所述可执行指令进一步使所述处理器执行以下操作：

基于目标用户的阅读行为特征，利用档位预测模型预测目标用户对充值页面上每个充值档位的充值概率；

根据所述充值概率确定目标用户的目标充值档位，其中，目标充值档位的充值概率大于或等于概率阈值；

基于所述充值意图，为目标用户推荐与目标充值档位对应的充值策略。

b12、根据b11所述的电子设备，其中，所述档位预测模型为多分类模型，所述可执行指令还使所述处理器执行以下操作：

获取样本用户的阅读行为特征，其中，所述阅读行为特征包括在不同充值档位进行充值时所对应的阅读行为特征；

利用所述阅读行为特征训练得到多分类器，作为所述档位预测模型。

b13、根据b8-b12中任一所述的电子设备，其中，所述阅读行为特征包括当前阅读行为特征和历史阅读行为特征。

b14、根据b13所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

对阅读应用的当前页面进行检测；

若所述当前页面是充值页面，则执行所述充值意图的预测。

c15、一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行以下操作：

依据目标用户的阅读行为特征，利用意图预测模型预测目标用户的充值意图；

基于所述预测的充值意图和目标用户的目标充值档位，为目标用户推荐对应于目标充值档位的充值策略，其中，所述充值策略包括按照预设规则设定的与目标充值档位对应的优惠方式。

c16、根据c15所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

依据目标用户的个人信息和历史充值信息，确定目标用户的目标充值档位。

c17、根据c15所述的计算机存储介质，其中，所述意图预测模型为二分类模型，所述可执行指令还使所述处理器执行以下操作：

获取样本用户的阅读行为特征；

将所述阅读行为特征进行区分，得到正样本特征和负样本特征，其中，所述正样本特征指所述阅读行为特征中涉及成功充值的特征，所述负样本特征指所述阅读行为特征中涉及未成功充值的特征；

利用所述正样本特征和负样本特征训练得到二分类器，作为所述意图预测模型。

c18、根据c15所述的计算机存储介质，所述可执行指令进一步使所述处理器执行以下操作：

基于目标用户的阅读行为特征，利用档位预测模型预测目标用户对充值页面上每个充值档位的充值概率；

根据所述充值概率确定目标用户的目标充值档位，其中，目标充值档位的充值概率大于或等于概率阈值；

基于所述充值意图，为目标用户推荐与目标充值档位对应的充值策略。

c19、根据c18所述的计算机存储介质，其中，所述档位预测模型为多分类模型，所述可执行指令还使所述处理器执行以下操作：

获取样本用户的阅读行为特征，其中，所述阅读行为特征包括在不同充值档位进行充值时所对应的阅读行为特征；

利用所述阅读行为特征训练得到多分类器，作为所述档位预测模型。

c20、根据c15-c19中任一所述的计算机存储介质，其中，所述阅读行为特征包括当前阅读行为特征和历史阅读行为特征。

c21、根据c20所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

对阅读应用的当前页面进行检测；

若所述当前页面是充值页面，则执行所述充值意图的预测。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。