客服水平波动的关键因素定位方法、装置及设备与流程

本说明书一个或多个实施例涉及计算机
技术领域：
，尤其涉及一种客服水平波动的关键因素定位方法、装置及设备。
背景技术：
：目前客户呼叫中心已成为各个行业对客服务的重要渠道和工具，客户呼叫中心的服务水平(简称客服水平)是影响公司声誉、用户黏性等公司软实力的重要因素。在行业竞争越来越激烈的今天，如何在不增加现有运营成本的同时，定位客服水平波动的关键因素，从而合理调配资源，为用户提供更高质量更适合的服务，成为目前各个客户呼叫中心迫切需要解决的问题。目前已有的方案为：基于服务场景对客服水平波动的关键因素进行分析。也即传统技术中，只能是基于单因子(如，服务场景)来定位客服水平波动的关键因素。因此，需要提供一种更准确地客服水平波动的关键因素定位方法。技术实现要素：本说明书一个或多个实施例描述了一种客服水平波动的关键因素定位方法、装置及设备，可以提高客服水平波动的关键因素定位的准确性。第一方面，提供了一种客服水平波动的关键因素定位方法，包括：获取在当前周期内的话务数据；确定用于评估客服水平的至少一个指标，所述指标具有多个维度的影响因子，每个维度的影响因子与一个因素集合相对应；对每个指标，根据所述话务数据，确定与该指标对应的多个因素集合中各因素对客服水平波动的贡献度；根据所述贡献度，从所述多个因素集合的各因素中选取影响较大因素；对与各个指标对应的影响较大因素进行汇总计算，以确定在当前周期内客服水平波动的关键因素。第二方面，提供了一种客服水平波动的关键因素定位装置，包括：获取单元，用于获取在当前周期内的话务数据；确定单元，用于确定用于评估客服水平的至少一个指标，所述指标具有多个维度的影响因子，每个维度的影响因子与一个因素集合相对应；所述确定单元，还用于对每个指标，根据所述话务数据，确定与该指标对应的多个因素集合中各因素对客服水平波动的贡献度；选取单元，用于根据所述确定单元确定的所述贡献度，从所述多个因素集合的各因素中选取影响较大因素；汇总单元，用于对所述选取单元选取的与各个指标对应的影响较大因素进行汇总计算，以确定在当前周期内客服水平波动的关键因素。第三方面，提供了一种客服水平波动的关键因素定位设备，包括：存储器；一个或多个处理器；以及一个或多个程序，其中所述一个或多个程序存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序被所述处理器执行时实现以下步骤：获取在当前周期内的话务数据；确定用于评估客服水平的至少一个指标，所述指标具有多个维度的影响因子，每个维度的影响因子与一个因素集合相对应；对每个指标，根据所述话务数据，确定与该指标对应的多个因素集合中各因素对客服水平波动的贡献度；根据所述贡献度，从所述多个因素集合的各因素中选取影响较大因素；对与各个指标对应的影响较大因素进行汇总计算，以确定在当前周期内客服水平波动的关键因素。本说明书一个或多个实施例提供的客服水平波动的关键因素定位方法、装置及设备，获取在当前周期内的话务数据。确定用于评估客服水平的至少一个指标。该指标具有多个维度的影响因子，每个维度的影响因子与一个因素集合相对应。对每个指标，根据上述话务数据，确定与该指标对应的多个因素集合中各因素对客服水平波动的贡献度。根据该贡献度，从多个因素集合的各因素中选取影响较大因素。对与各个指标对应的影响较大因素进行汇总计算，以确定在当前周期内客服水平波动的关键因素。由此可以看出，本说明书提供的方案可以基于多个维度的影响因子，来定位客服水平波动的关键因素。由此，可以提高客服水平波动的关键因素定位的准确性。附图说明为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本说明书提供的客服水平波动的关键因素定位方法的应用场景示意图；图2为本说明书一个实施例提供的客服水平波动的关键因素定位方法流程图；图3为本说明书提供的指标值与因素之间的对应关系确定方法流程图；图4为本说明书一个实施例提供的客服水平波动的关键因素定位装置示意图；图5为本说明书一个实施例提供的客服水平波动的关键因素定位设备示意图。具体实施方式下面结合附图，对本说明书提供的方案进行描述。本说明书一个或多个实施例提供的客服水平波动的关键因素定位方法可以应用于如图1所示的场景中。图1中，用户通过对应的终端可以向客户呼叫中心请求服务。其中，请求渠道可以包括但不限于短信、电话或者app等。客户呼叫中心在有用户请求服务时，分配相应的人或者机器(统称为服务小二)为其提供服务。其中，服务小二在服务用户的过程中所获得的数据可以称为话务数据。需要说明的是，为了保证客户呼叫中心所提供服务的质量，通常需要周期性对客户呼叫中心的服务水平(简称客服水平)进行评估。在一种实现方式中，可以通过如下的一个或多个指标来对客服水平进行评估：平均通话时长(averagetalktime，att)、平均呼叫后工作时长(aftercallwork/aftercallwrap-up，acw)、绝对满意度、调研满意度、首问解决率(first-callresolution，fcr)、转出率、复选率、万投率以及万成率。其中，att是指服务小二与用户在线交谈的平均时长。acw是指由服务小二在结束与用户通话后所需立刻完成的一项任务或工作的平均时长。绝对满意度是指用户当通电话结束后点击满意按键的占比。调研满意度是指用户在调研问卷中表示对服务满意的占比。fcr是指用户在本次电话服务结束后24小时内未来电的占比。转出率是指服务小二在服务后将用户移交给其他服务小二进行服务的占比。复选率是指服务小二在当通服务中满足用户多个服务诉求，勾选多个服务类目的占比。万投率是指每一万通服务中产生的投诉个数。万成率是指每一万通服务中产生的投诉成立个数。可以理解的是，当上述任一指标发生波动时，都会导致客服水平的波动。然而究竟是什么样的因素会导致指标的波动呢？首先考虑可能是业务方面的原因，如，服务场景等。其次，由于提供服务的服务小二可能为人，而人员差异性通常也会影响上述指标。因此，本说明书提供的方案可以通过人员、业务两个方面来对指标的波动进行分析。如，可以分别收集用于刻画各指标的业务属性的因子(如，服务场景等)以及人员属性的因子(如，人员分布等)。将收集的多个因子分别作为各指标的多个维度的影响因子。此外，为了对客服水平波动的原因进行更细致的定位，本说明书可以基于相应的业务逻辑，将每个维度的影响因子拆分为多个因素。其中，与每个维度的影响因子所对应的多个因素可以构成一个因素集合。上述客服水平的波动可以是指基于两个周期(如，当前周期和上一周期)的各指标的指标值，在雷达图中绘制出的多边形存在差异性。这里的周期可以为一天、一周或者一个月。需要说明的是，本说明书提供的方案就是基于如上因素集合中的因素来对各指标波动的因素进行定位。之后根据各指标波动的因素，来对客服水平波动的关键因素进行定位。图2为本说明书一个实施例提供的客服水平波动的关键因素定位方法流程图。所述方法的执行主体可以为图1中的客户呼叫中心。如图2所示，所述方法具体可以包括：步骤202，获取在当前周期内的话务数据。如，可以是从客户呼叫中心的后台数据库中获取上述话务数据。这里的周期可以为一天、一周或者一个月。而上述话务数据可以包括但不限于：服务小二标识、服务日期、通话时长以及服务类目等等。步骤204，确定用于评估客服水平的至少一个指标。这里的指标可以包括但不限于：att、acw、绝对满意度、调研满意度、fcr、转出率、复选率、万投率以及万成率等。需要说明的是，本说明书中的指标可以具有多个维度的影响因子。如，服务场景以及人员分布等。每个维度的影响因子与一个因素集合相对应。这里的因素集合中的因素可以是基于相应的业务逻辑，将对应维度的影响因子细化后得到的。以某指标具有三个维度的影响因子，分别表示为：因子a、因子b和因子c为例来说，与各维度的影响因子对应的因素集合可以分别表示为：{a1,a2,…,an}、{b1,b2,…,bm}、{c1,c2,…,ck}，其中，a1、a2等表示因素集合中的因素，n、m以及k分别表示各因素集合中的因素的个数。应理解，不同的指标，其对应的多个维度的影响因子可以相同也可以不同。此外，不同指标的相同影响因子，其对应的因素集合中的因素可以相同也可以不同，本说明书对此不作限定。步骤206，对每个指标，根据该话务数据，确定与该指标对应的多个因素集合中各因素对客服水平波动的贡献度。在一种实现方式中，某因素的贡献度的确定方法可以如下：根据当前周期的话务数据，统计因素当前周期指标值、因素当前周期量级占比以及当前周期总指标值。获取因素上一周期指标值、因素上一周期量级占比以及上一周期总指标值。根据两个周期的因素指标值、因素量级占比以及总指标值，确定该因素对客服水平波动的贡献度。在一个例子中，根据两个周期的因素指标值、因素量级占比以及总指标值，确定该因素对客服水平波动的贡献度，包括：根据如下公式确定某因素对客服水平波动的贡献度：贡献度＝(因素当前周期指标值*因素当前周期量级占比-因素上一周期指标值*因素上一周期量级占比)/(当前周期总指标值-上一周期总指标值)。需要说明的是，因素当前周期指标值、因素当前周期量级占比以及当前周期总指标值的计算方法后续进行说明。因素上一周期指标值与因素当前周期指标值的定义类似，因素上一周期量级占比与因素当前周期量级占比的定义类似，上一周期总指标值与当前周期总指标值的定义类似。可以理解的是，上一周期的相关数据可以是在上一周期统计好之后记录到相应的存储单元中，后续直接从该存储单元中读取即可。步骤208，根据贡献度，从多个因素集合的各因素中选取影响较大因素。在一种实现方式中，对每个因素集合中的因素，可以按照贡献度从大到小的顺序进行排序。之后，从各因素集合中选取排序靠前的因素作为影响较大因素。在另一种实现方式中，也可以通过如下各步骤来选取影响较大因素：步骤a，可以根据贡献度，从各因素集合中选取影响因素，从而得到多个影响因素。这里的影响因素可以是指各因素集合中贡献度最大的因素。如，可以表示为：ai、bj以及cl等等，其中，ai表示因素集合：{a1,a2,…,an}中的贡献度最大的因素；bj表示因素集合：{b1,b2,…,bm}中的贡献度最大的因素；cl表示因素集合：{c1,c2,…,ck}中的贡献度最大的因素。步骤b，对多个影响因素，两两计算相似度。如，可以分别计算ai与bj、ai与cl以及bj与cl之间的相似度。在一个例子中，可以通过计算影响因素之间的jaccard相似系数，来计算上述相似度。以计算ai与bj之间的相似度为例来说，该相似度的计算公式可以表示为：相似度＝min(ai,bj交集对整体波动的贡献度/ai对整体波动的贡献度，ai,bj交集对整体波动的贡献度/bj对整体波动的贡献度)。需要说明的是，上述ai对整体波动的贡献度即为ai对服务水平的贡献度，bj对整体波动的贡献度即为bj对服务水平的贡献度，该两个贡献度已经通过步骤206计算得到。对于ai,bj交集对整体波动的贡献度，假设ai为中段小二，bj为被盗场景，则其可以理解为中段小二在被盗场景下对客服水平波动的贡献度。具体计算方法可参见步骤206中的贡献度计算公式，在此不复赘述。步骤c，根据上述相似度，从多个影响因素中确定出待细化因素。具体地，对该多个影响因素，可以两两判断相似度是否大于阈值。如果某两个影响因素之间的相似度不大于阈值，则将该两个影响因素均确定为待细化因素。如果某两个影响因素之间的相似度大于阈值，则从该两个影响因素中选取贡献度较大的影响因素，将该贡献度较大的影响因素确定为待细化因素。上述将相似度与阈值进行相比较的原理可以为：如果两个影响因素的相似度不大于阈值，则说明该两个影响因素的重叠度比较小。而由于该两个影响因素都可能成为影响当前指标波动的原因，因此都有进一步细化的必要，从而将该两者均选取为待细化因素。同理，如果两个影响因素的相似度大于阈值，则说明该两个影响因素的重叠度比较大，该两者对当前指标的影响力也差不多。因此只选取贡献度较大的影响因素进行细化，以减少待细化因素的数目，进而提升定位效率。现结合实际场景，对上述步骤a-步骤c举例如下：假设一个因素集合为：{前段小二、中段小二、后段小二}，且中段小二的贡献度最大；另一个因素集合为：{被盗场景、被骗场景}，且被盗场景的贡献度最大。那么可以计算中段小二与被盗场景之间的相似度。如果相似度大于50％，则判断中段小二的贡献度是否较大，如果是，则对该中段小二进行细化；如果否，则对被盗场景进行细化。如果相似度不大于50％，则对中段小二以及被盗场景均进行细化。步骤d，对待细化因素进行细化，从而得到细化后因素。此处，可以是通过指定因素集合中的因素来对待细化因素进行细化，也可以是通过选取目标因素集合，之后通过目标因素集中的因素来对待细化因素进行细化。当选取目标因素集合时，该目标因素集合的选取过程可以为：确定用其它因素集合中的因素对待细化因素进行细化后所获得的信息情况。根据所获得的信息情况，从其它因素集合中选取目标因素集合。用目标因素集合中的因素对待细化因素进行细化，从而得到细化后因素。这里的其它因素集合是指当前指标对应的所有因素集合中除待细化因素所属集合外的因素集合。以当前指标对应的所有因素集合为：{a1,a2,…,an}、{b1,b2,…,bm}、{c1,c2,…,ck}，待细化因素为：ai为例来说，其它因素集合可以是指{b1,b2,…,bm}以及{c1,c2,…,ck}。在一个例子中，可以是通过如下公式来确定上述信息情况。信息增量＝σ-p(xi)ln(p(xi))其中，xi为细化后因素，当用因素集合：{b1,b2,…,bm}中的各因素对待细化因素：ai进行细化时，xi分别为：aib1、aib2、…、aibm，其中，x的个数为m。同理，当用因素集合：{c1,c2,…,ck}中的各因素对待细化因素：ai进行细化时，xi分别为：aic1、aic2、…、aick，其中，x的个数为k。假设用因素集合：{b1,b2,…,bm}中的各因素对待细化因素：ai进行细化后，得到的信息增量较大。则可以将{b1,b2,…,bm}选取为目标因素集合，且细化后因素分别为：aib1、aib2、…、aibm。步骤e，计算细化后因素对客服水平波动的贡献度。以细化后因素为：aib1为例来说，其对客服水平波动的贡献度可以理解为是ai，b1交集对整体波动的贡献度。各细化后因素的贡献度的计算方法可参照步骤206中的贡献度计算公式，在此不复赘述。步骤f，根据细化后因素的贡献度，从细化后因素中选取影响较大因素。如，可以按照贡献度从大到小的顺序对细化后因素进行排序。从中选取排序靠前且贡献度之和大于阈值的细化后因素作为影响较大因素。如前述例子，假设排序后的细化后因素分别为：aib1、aib2、aib3、…、aibm，且假设aib1、aib2以及aib3的贡献度之和大于80％，则将aib1、aib2以及aib3选取为影响较大因素。现结合实际场景，对上述步骤d-步骤f举例如下：假设待细化因素为：中段小二，且目标因素集合为：{被盗场景、被骗场景}，则可以提取中段小二在各服务场景中对客服水平波动贡献度较大的场景作为影响较大因素。可以理解的是，重复执行上述步骤206-步骤208，就可以得到与各个指标对应的影响较大因素。步骤210,对与各个指标对应的影响较大因素进行汇总计算，以确定在当前周期内客服水平波动的关键因素。具体地，可以统计不同影响较大因素各自出现的总次数。选取总次数最大的影响较大因素作为在当前周期内客服水平波动的关键因素。举例来说，假设针对att这个指标，选取的影响较大因素为：a1b2,a2b3；而针对绝对满意度这个指标，选取的影响较大因素为：a1b2。因此总共有两个影响较大因素：a1b2以及a2b3，该两者出现总次数分别为：2次和1次。所以，将a1b2确定为在当前周期内客服水平波动的关键因素。综上，本说明书实施例采用单因子控制筛选优先级较高的因子，在进行因子细化分析时，通过信息熵对因子下级拆解进行剪枝，通过jaccard相似系数演变算法对同级因子进行剪枝。通过此算法能够同时发现人员以及业因素务对波动影响最大的原因，不会遗漏或错判关键因素。以下对步骤206中的因素当前周期指标值、因素当前周期量级占比以及当前周期总指标值的计算方法进行说明。在执行上述计算过程之前，可以先根据当前周期的话务数据，分别从多个维度计算某指标的指标值，从而得到多个维度的指标值。根据格拉布斯(grubbs)检验法以及统计标准差，对得到的指标值进行异常处理。对经过异常处理后的每个维度的指标值，从该维度的影响因子所对应的因素集合中确定对应的因素。之后，根据每个维度的指标值与因素之间的对应关系，确定该维度的影响因子所对应的因素集合中各因素的因素当前周期指标值、因素当前周期量级占比以及所有因素的当前周期总指标值。以从人员分布的维度确定某指标的指标值，或者说当前维度的影响因子为人员分布，且对应的因素集合为：{前段小二、中段小二、后段小二}为例来说，该维度的指标值与因素之间的对应关系确定过程可以如图3所示。图3中，可以包括如下步骤：步骤302，统计在当前周期的每通话务中服务小二的某指标的指标值。以该指标为att为例来说，假设预先收集到100通话务，则这里可以是统计每通话务中相应的服务小二的att值。步骤304，对不同的服务小二，计算对应指标值的平均值以及标准差。如前述例子中，100通话务中部分话务中的服务小二可能会相同。对于相同的服务小二，根据其在多通话务中的att值，确定对应的平均值以及标准差。步骤306，对相同的服务小二，判断对应的各指标值是否在其均值前后三个标准差范围外。如果是，则执行步骤308；否则执行步骤310。步骤308，剔除在其均值前后三个标准差范围外的指标值。步骤310，建立各指标值与上述因素集合中各因素之间的对应关系。如，可以判断某指标值是否小于对应服务小二的均值与标准差之差，如果小于，则将该指标值标记为前段小二；如果不小于，则判断该指标值是否大于对应服务小二的均值与标准差之和，如果大于，则将该指标值标记为前段小二；如果不大于，则将该指标值标记为中段小二。在将每个指标值进行如上标记之后，就可以得到各指标值与因素之间的对应关系了。假设各指标值与因素之间的对应关系如表1所示。表1服务小二指标值因素张三10s前段小二张三50s中段小二李四15s前段小二王五100s后段小二以表1中的对应关系为例来说，假设因素为：前段小二，则因素当前周期指标值为：(10s+15s)/2＝12.5s。当前周期总指标值为：(10s+50s+15s+100s)/4＝43.75s。因素当前周期量级占比＝2/4＝50％。也即因素当前周期量级占比可以为因素服务次数与所属因素集合中各因素服务总次数的比值。综上，通过本说明书一个或多个实施例提供的客服水平波动的关键因素定位方法，可以从人员分布以及服务场景等多个维度发现对客服水平波动影响的因素，不会遗漏或错判关键因素。此外，由于本说明书的方案引入了多个维度的影响因子，从而其实用性和有效性较好。最后，由于本说明书提供的算法模型耦合性比较低，本领域技术人员可随时引入更多的影响因子，因此其扩展性较好。与上述客服水平波动的关键因素定位方法对应地，本说明书一个实施例还提供的一种客服水平波动的关键因素定位装置，如图4所示，该装置可以包括：获取单元402，用于获取在当前周期内的话务数据。确定单元404，用于确定用于评估客服水平的至少一个指标，该指标具有多个维度的影响因子，每个维度的影响因子与一个因素集合相对应。这里的指标可以包括以下一个或多个：平均通话时长att、平均呼叫后工作时长acw、绝对满意度、调研满意度、首问解决率fcr、转出率、复选率、万投率以及万成率等。确定单元404，还用于对每个指标，根据上述话务数据，确定与该指标对应的多个因素集合中各因素对客服水平波动的贡献度。确定单元404具体可以用于：对因素集合中的每个因素，根据当前周期的话务数据，统计因素当前周期指标值、因素当前周期量级占比以及当前周期总指标值。获取因素上一周期指标值、因素上一周期量级占比以及上一周期总指标值。根据两个周期的因素指标值、因素量级占比以及总指标值，确定因素对客服水平波动的贡献度。确定单元404还具体可以用于：根据当前周期的话务数据，分别从多个维度计算该指标的指标值，从而得到多个维度的指标值。根据格拉布斯检验法以及统计标准差，对指标值进行异常处理。对经过异常处理后的每个维度的指标值，从该维度的影响因子所对应的因素集合中确定对应的因素。根据每个维度的指标值与因素之间的对应关系，确定该维度的影响因子所对应的因素集合中各因素的因素当前周期指标值、因素当前周期量级占比以及所有因素的当前周期总指标值。选取单元406，用于根据确定单元404确定的贡献度，从多个因素集合的各因素中选取影响较大因素。选取单元406具体可以用于：根据贡献度，从各因素集合中选取影响因素，从而得到多个影响因素。对多个影响因素，两两计算相似度。根据相似度，从多个影响因素中确定出待细化因素。对待细化因素进行细化，从而得到细化后因素。计算细化后因素对客服水平波动的贡献度。根据细化后因素的贡献度，从细化后因素中选取影响较大因素。选取单元406还具体可以用于：确定用其它因素集合中的因素对待细化因素进行细化后所获得的信息情况。根据所获得的信息情况，从其它因素集合中选取目标因素集合。用目标因素集合中的因素对待细化因素进行细化，从而得到细化后因素。选取单元406还具体可以用于：对多个影响因素，两两判断相似度是否大于阈值。如果某两个影响因素之间的相似度不大于阈值，则将该两个影响因素均确定为待细化因素。如果某两个影响因素之间的相似度大于阈值，则从该两个影响因素中选取贡献度较大的影响因素，将该贡献度较大的影响因素确定为待细化因素。选取单元406还具体可以用于：按照贡献度从大到小的顺序对细化后因素进行排序。从中选取排序靠前且贡献度之和大于阈值的细化后因素作为影响较大因素。汇总单元408，用于对选取单元406选取的与各个指标对应的影响较大因素进行汇总计算，以确定在当前周期内客服水平波动的关键因素。汇总单元408具体可以用于：统计不同影响较大因素各自出现的总次数。选取总次数最大的影响较大因素作为在当前周期内客服水平波动的关键因素。本说明书上述实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本说明书一个实施例提供的装置的具体工作过程，在此不复赘述。本说明书一个实施例提供的客服水平波动的关键因素定位装置，获取单元402获取在当前周期内的话务数据。确定单元404确定用于评估客服水平的至少一个指标，该指标具有多个维度的影响因子，每个维度的影响因子与一个因素集合相对应。确定单元404对每个指标，根据上述话务数据，确定与该指标对应的多个因素集合中各因素对客服水平波动的贡献度。选取单元406根据上述贡献度，从多个因素集合的各因素中选取影响较大因素。汇总单元408对与各个指标对应的影响较大因素进行汇总计算，以确定在当前周期内客服水平波动的关键因素。由此，可以提高客服水平波动的关键因素定位的准确性。本说明书一个实施例提供的客服水平波动的关键因素定位装置可以为图1中客户呼叫中心的一个模块或者单元。与上述客服水平波动的关键因素定位方法对应地，本说明书实施例还提供了一种客服水平波动的关键因素定位设备，如图5所示，该设备可以包括：存储器502、一个或多个处理器504以及一个或多个程序。其中，该一个或多个程序存储在存储器502中，并且被配置成由一个或多个处理器504执行，该程序被处理器504执行时实现以下步骤：获取在当前周期内的话务数据。确定用于评估客服水平的至少一个指标，该指标具有多个维度的影响因子，每个维度的影响因子与一个因素集合相对应。对每个指标，根据话务数据，确定与该指标对应的多个因素集合中各因素对客服水平波动的贡献度。根据贡献度，从多个因素集合的各因素中选取影响较大因素。对与各个指标对应的影响较大因素进行汇总计算，以确定在当前周期内客服水平波动的关键因素。本说明书一个实施例提供的客服水平波动的关键因素定位设备，可以提高客服水平波动的关键因素定位的准确性。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动硬盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外，该asic可以位于服务器中。当然，处理器和存储介质也可以作为分立组件存在于服务器中。本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。以上所述的具体实施方式，对本说明书的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书的具体实施方式而已，并不用于限定本说明书的保护范围，凡在本说明书的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的保护范围之内。当前第1页12