一种判断用户群体流失倾向的方法及装置与流程

本发明涉及计算机技术领域，尤其涉及一种判断用户群体流失倾向的方法及装置。

背景技术：

随着计算机技术的发展与大数据时代的到来，各个公司对于用户的留存情况越来越重视，希望能够对用户的流失进行预测。及早识别出其已拥有的但有可能流失的用户对于各公司来说非常重要，因为如果能及早识别出这样的用户，就可以采取一些措施来防止用户流失。但是在电商领域中对于预测某类用户的流失倾向还是缺少明确、有效的预测机制。

目前，对于用户流失的预测算法并没有明确针对电商平台上用户的模型算法，所以目前的预测算法主要是通过用户的人口统计信息、用户的行为信息等数据源作为用户模型构建的因子。此外，目前的预测模型在预测用户的流失倾向时，没有根据用户的购买行为数据等互联网访问数据对用户进行归类，所以在预测流失率时，难以对某类用户的整体流失倾向做出准确预测，电商商家在得知流失倾向后也无法根据不同用户的用户特征和偏好模型做出反馈。

技术实现要素：

有鉴于此，本发明提供一种判断用户群体流失倾向的方法及装置，主要目的在于针对互联网电商用户的购买行为数据判断用户群体流失的倾向概率。

为达到上述目的，本发明主要提供如下技术方案：

一方面，本发明提供了一种判断用户群体流失倾向的方法，该方法包括：

获取产品购买用户的浏览行为数据，所述浏览行为数据是所述用户进行产品浏览时生成的数据信息；

根据预置的数据特征值为所述浏览行为数据对应的用户标记标签，所述数据特征值为所述浏览行为数据中行为特征字段的值；

利用所述标签对所述浏览行为数据进行分类，得到用户群体集合；

根据所述用户群体集合的购买行为数据与标签占比值，计算所述用户群体集合的流失倾向，所述购买行为数据记录有用户在购买产品时生成的数据信息，所述标签占比值为所述用户群体集合的所有用户中含有的单个标签数量占总标签数量的比重值。

另一方面，本发明还提供了一种判断用户群体流失倾向的装置，该装置包括：

获取单元，用于获取产品购买用户的浏览行为数据，所述浏览行为数据是所述用户进行产品浏览时生成的数据信息；

标记单元，用于根据预置的数据特征值为所述获取单元获取的浏览行为数据对应的用户标记标签，所述数据特征值为所述浏览行为数据中行为特征字段的值；

分类单元，用于利用所述标签对所述标记单元标记有标签的浏览行为数据进行分类，得到用户群体集合；

计算单元，用于根据所述分类单元所划分的用户群体集合的购买行为数据与标签占比值，计算所述用户群体集合的流失倾向，所述购买行为数据记录有用户在购买产品时生成的数据信息，所述标签占比值为所述用户群体集合的所有用户中含有的单个标签数量占总标签数量的比重值。

依据上述本发明所提出的判断用户群体流失倾向的方法及装置，主要用于预测电商网站中具有相似特征的用户群体的流失倾向概率。具体通过大数据的统计，获取购买过电商网站产品的用户数量，以及每个用户的网络浏览行为数据，并且根据这些浏览行为数据中所具有的特征值为所有浏览行为数据标记不同的信息标签，再根据预置的分类策略进行数据分类，从而得到具有相似特征的用户群体。再根据该群体中用户购买行为数据的平均值，以及标签中的标签占比值综合计算并判断该用户群体相对于该电 商网站的流失倾向。相对于现有的预测用户流失的计算模型，本发明所采用的方法是针对电商领域中销售产品网站或平台进行的用户流失倾向的预测方法，因此，本方法中所采用的数据参数更加具有针对性，使得在电商领域中的预测准确度更高。同时，本发明还能够根据用户之间所具有的相似特征对多名用户同时进行流失倾向的预测，相对于单个用户的预测方式，大幅提高了预测效率。

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出的一种判断用户群体流失倾向的方法的流程图；

图2示出了本发明实施例提出的另一种判断用户群体流失倾向的方法的流程图；

图3示出了本发明实施例提出的一种判断用户群体流失倾向的装置的组成框图；

图4示出了本发明实施例提出的另一种判断用户群体流失倾向的装置的组成框图。

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。

本发明实施例提供了一种判断用户群体流失倾向的方法，如图1所示，该方法主要应用于电商网站或销售平台，通过筛选具有针对性的数据信息 综合预测用户群体的流失倾向，其具体步骤包括：

101、获取产品购买用户的浏览行为数据。

在电商领域中，用户的概念是在电商网站或销售平台中进行过消费行为的用户，而对于没有消费，只是浏览产品的用户成为潜在用户或准用户。因此，在本步骤中所获取的浏览行为数据，是在某个电商网站或销售平台中购买过产品的用户所生成的浏览行为数据。对于该浏览行为数据的范围，本发明实施例不做具体限定，该浏览行为可以是与用户所购买产品同一电商中其他产品的浏览行为，也可以是其他电商平台中的产品浏览行为。同时，以用户为单位，统计该电商中所有用户的或指定范围内的用户的相关浏览行为数据。

其中，浏览行为数据的内容包括有用户的相关信息(如用户名，用户年龄、性别等基础信息)，产品的信息(产品名称、种类、价格等信息)，以及浏览信息(如浏览的时间、次数等信息)。

前述的用户浏览行为数据的获取方式可以是对大数据的采集、筛选获取的，具体的，可以通过在电商网站的产品页面中设置检测代码的方式获取用户的浏览行为数据，这也是当下最为流行普及的数据获取方式，在本发明实施例中，对于数据获取的具体方式并不限定。

102、根据预置的数据特征值为浏览行为数据对应的用户标记标签。

在每一条的用户浏览行为数据中，都包含有该用户众多的数据特征，通过将相同用户的浏览行为数据进行统计与分析，可以总结出该用户的一些浏览习惯，关注产品的种类等行为规律，这也是当前大数据分析的基本原理。通过数据分析，能够提取出可以用于区别用户的特征数据，将这些数据按照不同的划分标准以标签的形式预置在系统中，根据用户在其浏览行为数据中所具有的特征数据对该用户标记不同的标签。例如，用户a的浏览行为数据中浏览的产品多是高端产品，并且浏览的时间也都比较密集，则为用户a标记的标签就可以是高购买力标签以及高活跃度标签。其中，特征数据的具体内容包括产品所属分类，每个标签的占比数据，用户浏览时间、浏览间隔、次数等数据信息。

在为用户标记标签时不限定于只标记一种标签，而是根据该用户的浏 览行为数据中相应的特征字段的值来综合判断该用户是否应该标记该标签，当一个用户的浏览行为数据中具有多个特征字段，且值都符合标记标签的要求时，则该用户就具有多个标签。

本发明实施例中，标签的数量以及种类可以根据具体采集的数据内容进行不同的设置，并且在确定了标签的种类后，根据每个标签所标记的数据信息的数量，为每个标签计算一个相应的占比，即该标签在所有标签中所占的比重。需要特别说明的是，该占比值是一个动态值，根据是根据选定的数据信息的数量变化而改变的。

103、利用标签对浏览行为数据进行分类，得到用户群体集合。

根据浏览行为数据中标注的标签，由于每条浏览行为数据中的标签可能标注有多个，因此，根据标签之间的相似关系，以及不同的组合方式，可以形成不同分类策略将浏览行为数据进行分类，将具有相似特征的浏览行为数据分为一类，例如，根据浏览产品的相似程度进行分类，或者是通过对浏览行为数据中用户的相关信息进行分类，如用户的年龄、地域、性别等。再提取同一类中各条浏览行为数据所对应的用户，去重后，就能够得到一个用户群体集合，而该集合中的各个用户都具有相似的标签特征值。例如，根据产品种类划分可以分成关注电子产品的用户和关注食品的用户等，按照产品的价格又可以分为关注奢侈品的用户和关注日用品的用户等，而综合的划分后就可以分为关注高端电子产品的用户和关注高端日用品的用户等。

104、根据用户群体集合的购买行为数据与标签占比值，计算该用户群体集合的流失倾向。

判断用户流失倾向，是判断用户相对于电商网站的流失倾向，而判断的主要依据是看该用户在该电商网站中的消费频率是否降低。而导致消费频率降低的因素可能是多种多样的，在这些的因素中大部分是可以根据该用户的浏览行为数据的分析结果来判断的。所以，在本发明实施中，先通过获取用户群体集合中所有用户的购买行为数据，该购买行为数据中记录有用户在购买该电商网站中的产品时生成的数据信息，例如购买产品的时间，成交价格，产品的购买数量，以及该用户的相关信息等。通过分析用 户的购买行为数据就可以得到单个用户的购买频率，从而计算出用户群体集合的平均购买频率。再选取可能导致消费频率降低的因素，即选择带有标签占比值的用户标签。将得到的平均购买频率赋上所选取的标签占比值之和的反值(由于计算的是用户流失倾向，而标签占比值之和所表示的为该用户群体所生成的购买行为的数据信息，可以理解为该用户群体与网站的亲近数值，即粘性。因此，要将该占比值之和取反值来计算用户群体集合的流失倾向)，将所得到的数值定义为该用户群体集合的流失倾向得分，根据分数的高低评价该用户群体相对于该电商网站的流失倾向。其中，由于该用户群体中的用户具有相似性，所以可以认为这些用户在流失倾向上也具有相似性，因此，使用本方法对于用户群体中的所有用户均适用，不会产生过大的偏差，在判断的准确性上没有影响。同时，由于本实施例中所采用的方式是根据用户购买行为和用户浏览行为进行预测，由于这些行为数据本身就具有一定的客观规律性，因此，该预测用户流失倾向的方法能更准确的对电商领域中的网站或平台提供预测数据。

其中，标签占比值为该用户群体集合内的所有用户中含有的单个标签数量占总标签数量的比重值。由于对每个用户中所标记的标签可能不只一个，因此，单个标签数量可以是指具有相同标签的用户数量，也可以是与生成该标签相关的浏览行为数据的数量。而总标签数量则为该用户群体集合中所有标签数量的总和。

结合上述的实现方式可以看出，本发明实施例所采用的判断用户群体流失倾向的方法，是通过对电商用户的大数据统计，获取购买过电商网站产品的用户数量，以及每个用户的网络浏览行为数据，并且根据这些浏览行为数据中所具有的特征值为所有浏览行为数据标记不同的信息标签，再根据预置的分类策略进行数据分类，从而得到具有相似特征的用户群体。再根据该群体中用户购买行为数据的平均值，以及标签中的标签占比值综合计算并判断该用户群体相对于该电商网站的流失倾向。相对于现有的预测用户流失的计算模型，本发明实施例所采用的方法是针对电商领域中销售产品网站或平台进行的用户流失倾向的预测方法，因此，本发明实施例中所采用的数据参数更加具有针对性，使得在电商领域中的预测准确度更 高。同时，本发明实施例还能够根据用户之间所具有的相似特征对多名用户同时进行流失倾向的预测，相对于单个用户的预测方式，大幅提高了预测效率。

为了更加详细地说明上述的一种判断用户群体流失倾向的方法，本发明实施例还提供了一种判断用户群体流失倾向的方法加以具体说明，如图2所示，该方法在判断用户群体流失倾向时所包括步骤为：

201、获取产品购买用户的浏览行为数据。

在电商网站中要获取用户的浏览行为数据，首先需要获取在该电商网站中注册并购买过产品的用户，这些用户数据可以根据该网站中的销售记录进行查找，统计出用户的数量后，再获取单位用户的浏览行为数据。当该网站中的用户数量较大时，还可以设定用户的范围，来减少系统的处理压力，比如根据年龄段选定要预测的用户或根据用户注册的时间等。

需要说明的是，用户的浏览行为数据不限于本电商网站中的产品，还包括其他电商或产品销售网站的浏览行为数据，通过分析大量的该用户的浏览行为数据，就能够对该用户的一些基本信息、喜好、习惯进行大体的初步判断。在用户的浏览行为数据量过大时，同样可以设置限定条件以缩小数据量，如设置一个时间段等。

202、根据预置的数据特征值为浏览行为数据对应的用户标记标签。

在获取到电商网站的用户浏览行为数据后，需要选定给浏览行为数据标记的标签。其中，该标签是根据用户所浏览的产品所带有的产品标签进行综合统计所得到的标签。而产品标签中主要是根据该产品的特定数所标记的标签，如产品的价格、产品的分类等信息。通过统计相同标签下的用户浏览行为数据，可以计算出该标签在所有产品标签中所占的比重得到该产品标签的占比值。当单位用户中具有多个浏览产品的产品标签时，通过这些标签各自的占比值就可以为该用户标记相对应的用户标签。而在本发明实施例中针对电商领域的用户标签一般有购买力标签、购买习惯标签、购买的主要产品类别标签、用户活跃度等。其中，为浏览行为数据对应的用户标记标签是根据该用户的浏览行为数据中相应的特征字段的值，如购买力标签要根据浏览行为数据中产品的总体价格决定的，浏览产品的总体 价格越高证明该用户的购买力就越强。通过提取浏览行为数据中各标签对应的特征字段的值，并综合统计该特征字段的值来匹配标签中的数据特征值，以此来判断该用户是否能够标记标签，以及判断标记何种程度的标签。对于预置标签的种类以及标签程度的划分则要根据电商网站的实际情况来设置，以达到更优化的预测效果。

一个用户根据其生成的浏览行为数据中所具有的特征字段的种类多少可以标记多个标签。

203、利用聚类算法对浏览行为数据进行分类，得到用户群体集合。

在本发明实施例中，对浏览行为数据进行的分类所采用的分类方式选用聚类算法，以对用户标记的标签作为质点对浏览行为数据进行聚类计算，将具有相同标签特征的浏览行为数据分为一类，组成浏览行为数据集合。在确定该集合中将每条浏览行为数据所对应的用户，经过去重处理后，就得到了具有相似特征的一个用户群体集合。

204、根据用户群体集合的购买行为数据与标签占比值，计算该用户群体集合的流失倾向。

在得到用户群体集合后，将获取该用户群体集合中每个用户在该电商网站中的购买行为数据，该购买行为数据中包括有所购买产品的名称、数量、价格等信息，通过统计购买行为数据就可以得到该用户在该电商网站中的购买频率。在获得单位用户的购买行为数据后，综合所有用户群体集合中用户的购买行为数据并计算其平均值，如购买频率的平均值、购买产品价格的平均值等。再通过该用户群体集合所具有的标签占比值对该平均值进行综合计算，得出该用户群体集合相对于该电商网站的流失倾向的分值。该分值的高低用于预测这个用户群体流失倾向的大小。在实际的应用中，预测用户群体流失倾向的概率更多的是根据经验设置一个分值的判断区间，将不同的区间段代表不同的流失倾向程度。通过判断分值所在的区间段来预测用户群体的流失倾向。

其中，需要说明的是上述计算过程中的标签占比值是动态可变的值，在用户群体集合中，每个用户根据获取浏览行为数据的数量的增加，都会为该用户生成不同的标签，因此，每个用户所标记的标签数量是可变的。 通过统计该用户群体集合中所有用户标记的标签种类以及涉及到该标签的浏览行为数据数量，就可以得出每一个标签在用户群体集合中出现的数量，经过累加计算便可得到所有标签出现的总数量，通过计算每个标签的数量所占总标签数量的比值就可以得到每一个标签在该用户群体集合中的标签占比值。而随着用户群体集合中用户数量的变动，或采集每个用户的浏览行为数据的增加，都会影响到该标签占比值的最终取值，进而改变用户群体集合的流失倾向计算的得分。

根据上述所描述的计算过程，本发明实施例能够得出如下的计算公式：

其中，m为用户群体集合中所有用户标记的标签总数量，n为用户群体集合中的所有用户数量。

进一步的，作为对上述方法的实现，本发明实施例提供了一种判断用户群体流失倾向的装置，该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置设置在分享视频用户端的视频播放器中，如图3所示，该装置包括：

获取单元31，用于获取产品购买用户的浏览行为数据，所述浏览行为数据是所述用户进行产品浏览时生成的数据信息；

标记单元32，用于根据预置的数据特征值为所述获取单元31获取的浏览行为数据对应的用户标记标签，所述数据特征值为所述浏览行为数据中行为特征字段的值；

分类单元33，用于利用所述标签对所述标记32单元标记有标签的浏览行为数据进行分类，得到用户群体集合；

计算单元34，用于根据所述分类单元33所划分的用户群体集合的购买行为数据与标签占比值，计算所述用户群体集合的流失倾向，所述购买行为数据记录有用户在购买产品时生成的数据信息，所述标签占比值为所述用户群体集合的所有用户中含有的单个标签数量占总标签数量的比重值。

进一步的，如图4所述，所述获取单元31包括：

获取模块311，用于根据产品销售的记录获取购买所述产品的用户记录；

统计模块312，用于根据所述获取模块311获取的用户记录统计单位用户的浏览行为数据，所述浏览行为数据至少包括：用户相关数据信息、浏览产品的相关数据信息。

进一步的，如图4所述，所述标记单元32包括：

提取模块321，用于提取所述浏览行为数据中的行为特征字段；

匹配模块322，用于根据所述提取模块321提取的行为特征字段的值与预置的数据特征值相匹配；

标记模块323，用于当所述匹配模块322判断所述行为特征字段的值与预置的数据特征值相匹配时，将具有所述数据特征的标签标记在所述浏览行为数据对应的用户中。

进一步的，如图4所述，所述分类单元33包括：

分类模块331，用于利用聚类算法对所述浏览行为数据进行分类，得到浏览行为数据集合；

确定模块332，用于确定所述分类模块331所划分集合中的每条浏览行为所对应的用户，组成用户群体集合。

进一步的，如图4所述，所述计算单元34包括：

获取模块341，用于获取所述用户群体集合中单位用户的购买行为数据，所述购买行为数据至少包括购买产品的数量、价格，购买的次数；

统计模块342，用于统计所述获取模块341获取的用户群体集合中所有用户的购买行为数据的平均值，得到所述用户群体集合的平均购买行为数据；

计算模块343，用于利用标签占比值与所述统计模块342统计的平均购买行为数据，计算所述用户群体集合的流失倾向得分；

判断模块344，用于根据所述计算模块343计算的流失倾向得分落在预置分值区间中的位置判断所述用户群体集合的流失倾向。

综上所述，本发明实施例所采用的判断用户群体流失倾向的方法及装置，是通过对电商用户的大数据统计，获取购买过电商网站产品的用户数 量，以及每个用户的网络浏览行为数据，并且根据这些浏览行为数据中所具有的特征值为所有浏览行为数据标记不同的信息标签，再根据预置的分类策略进行数据分类，从而得到具有相似特征的用户群体。再根据该群体中用户购买行为数据的平均值，以及标签中的标签占比值综合计算并判断该用户群体相对于该电商网站的流失倾向。相对于现有的预测用户流失的计算模型，本发明实施例所采用的方法是针对电商领域中销售产品网站或平台进行的用户流失倾向的预测方法，因此，本发明实施例中所采用的数据参数更加具有针对性，使得在电商领域中的预测准确度更高。同时，本发明实施例还能够根据用户之间所具有的相似特征对多名用户同时进行流失倾向的预测，相对于单个用户的预测方式，大幅提高了预测效率。

所述判断用户群体流失倾向的装置包括处理器和存储器，上述获取单元、标记单元、分类单元和计算单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来判断用户群体流失的倾向概率。

存储器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)，存储器包括至少一个存储芯片。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序代码：获取产品购买用户的浏览行为数据，所述浏览行为数据是所述用户进行产品浏览时生成的数据信息；根据预置的数据特征值为所述浏览行为数据对应的用户标记标签，所述数据特征值为所述浏览行为数据中行为特征字段的值；利用所述标签对所述浏览行为数据进行分类，得到用户群体集合；根据所述用户群体集合的购买行为数据与标签占比值，计算所述用户群体集合的流失倾向，所述购买行为数据记录有用户在购买产品时生成的数据信息，所述标签占比值为所述用户群体集合的所有用户中含有的单个标签数量占总标签数量的比重值。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、 或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

存储器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)。存储器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，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。