个性化商品预测方法和装置与流程

本发明涉及大数据处理领域，特别涉及一种个性化商品预测方法和装置。
背景技术：
：随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，推荐的信息也变得更加多样化，用户在大量的商品信息空间中，不能快速找到自己最想要的商品。目前，在进行个性化商品预测时，主要采用以下两种方式：(1)分析师根据业务经验对筛选出来的特征给出一个系数，得到计算总分的公式该方法通过统计用户过去30天用户全站完成订单特征、过去7日有效uv价值特征、过去一个月用户在京东点击商品等特征，然后由分析师根据业务经验，确定特征系数，得出计算总分的公式。(2)逻辑回归统计对提取出的特征计算得分该方法通过分析师确定哪些特征是逻辑回归计算公式中的自变量，哪些因子组合作为逻辑回归模型的标签，然后抽出一部分样本数据，在统计软件中做逻辑回归，计算得到商品特征系数，具体过程如下：a.在大数据平台hive中，提取特征数据和标签数据；b.把特征数据和标签数据关联后，做逻辑回归分析；c.统计软件得出逻辑回归特征的系数；d.分析师结合业务经验，分析特征系数的合理性，进行系数微调后，给出逻辑回归的公式，计算商品质量分。然而，上述的现有技术分别存在以下(1)分析师根据业务经验对筛选出来的特征给出一个系数，得出计算商品质量分的公式这种方法对分析师的业务经验依赖较大，推荐商品的时候，用来筛选特征的系数是由分析师给定的，不容易挖掘商品的潜在特征。(2)逻辑回归统计对提取出的特征计算得分这种方法是随机抽样部分数据，在统计软件中做逻辑回归，用样本估计全体，在小数据上做大数据分析，会有偏差；不容易挖掘商品的交叉特征，不能提取更多的有用信息做商品优质精选。技术实现要素：本发明实施例提供一种个性化商品预测方法和装置，通过利用预置的深度学习模型对指定用户与商品有关的业务特征进行预测处理，以便预测出指定用户偏好的商品。这对于提升用户购物体验，搭建智能化商品推荐系统平台，都有重大意义。根据本发明的一个方面，提供一种个性化商品预测方法，包括：获取指定用户与商品有关的业务信息；从业务信息中提取出指定用户的业务特征；利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的商品。在一个实施例中，业务特征包括相关商品在指定时间段内全站完成订单特征、相关商品在指定时间段内有效成交金额、相关商品在指定时间段内有效独立访客特征、相关商品在指定时间内新增好评特征、相关商品在指定时间段内活跃天数特征、相关商品在指定时间段内关注数量特征和相关商品退货率特征。在一个实施例中，业务特征还包括相关商品上架时长特征、相关商品在指定时间段内新增评论特征、相关商品在指定时间段内有效销售总额特征、相关商品前一天页面浏览量特征、相关商品在指定时间段内页面浏览量特征、相关商品在指定时间段内无理由退货特征、相关商品所属店铺特征、相关商品好评率特征中的至少一个特征。在一个实施例中，在利用预置的深度学习模型对指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。在一个实施例中，深度学习模型为卷积神经网络模型。在一个实施例中，在从业务信息中提取出指定用户的业务特征前，还包括：对业务信息进行清洗和归一化处理，以完成业务信息的预处理。在一个实施例中，在对业务信息进行预处理前，还包括：判断指定用户与商品有关的业务信息是否缺失；若指定用户与商品有关的业务信息缺失，则对缺失业务信息进行补充。在一个实施例中，对缺失业务信息进行补充包括：通过全局数据库获取相应商品的历史业务信息；将获取的历史业务信息转换为指定用户与商品有关的业务信息。在一个实施例中，对深度学习模型进行训练包括：从预定用户与商品有关的业务信息中提取出预定用户的业务特征；根据预定用户的业务指标，为预定用户的业务特征添加偏好标签；将预定用户的业务特征输入深度学习模型，以得到偏好预测结果；若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将预定用户的业务特征输入深度学习模型的步骤；若预测结果与预定用户的业务特征标签之差未超出预定范围，则结束深度学习模型的训练。在一个实施例中，根据预定用户的业务指标，为预定用户的业务特征添加偏好标签包括：计算相应商品的有效成交金额、页面浏览量特征、独立访客特征和订单转化率特征的加权和；将相应商品按照加权和从大到小进行排序，以得到商品列表；针对商品列表中排在前面的预定数量的商品，添加取值为最大的偏好标签；针对商品列表中的其它商品，添加取值为最小的偏好标签。根据本发明的另一方面，提供一种个性化商品预测装置，包括：业务信息获取模块，用于获取指定用户与商品有关的业务信息；特征提取模块，用于从业务信息中提取出指定用户的业务特征；预测处理模块，用于利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的商品。在一个实施例中，业务特征包括相关商品在指定时间段内全站完成订单特征、相关商品在指定时间段内有效成交金额、相关商品在指定时间段内有效独立访客特征、相关商品在指定时间内新增好评特征、相关商品在指定时间段内活跃天数特征、相关商品在指定时间段内关注数量特征和相关商品退货率特征。在一个实施例中，业务特征还包括相关商品上架时长特征、相关商品在指定时间段内新增评论特征、相关商品在指定时间段内有效销售总额特征、相关商品前一天页面浏览量特征、相关商品在指定时间段内页面浏览量特征、相关商品在指定时间段内无理由退货特征、相关商品所属店铺特征、相关商品好评率特征中的至少一个特征。在一个实施例中，预测处理模块还用于在利用预置的深度学习模型对指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。在一个实施例中，深度学习模型为卷积神经网络模型。在一个实施例中，上述装置还包括：预处理模块，用于在特征提取模块从业务信息中提取出指定用户的业务特征前，对业务信息进行清洗和归一化处理，以完成业务信息的预处理。在一个实施例中，上述装置还包括：缺失信息处理模块，用于在预处理模块对业务信息进行预处理前，判断指定用户与商品有关的业务信息是否缺失，若指定用户与商品有关的业务信息缺失，则对缺失业务信息进行补充。在一个实施例中，缺失信息处理模块通过全局数据库获取相应商品的历史业务信息，将获取的历史业务信息转换为指定用户与商品有关的业务信息。在一个实施例中，上述装置还包括：训练数据生成模块，用于从预定用户与商品有关的业务信息中提取出预定用户的业务特征，根据预定用户的业务指标，为预定用户的业务特征添加偏好标签；训练模块，用于将预定用户的业务特征输入深度学习模型，以得到偏好预测结果，若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将预定用户的业务特征输入深度学习模型的操作，若预测结果与预定用户的业务特征标签之差未超出预定范围，则结束深度学习模型的训练。在一个实施例中，训练数据生成模块用于计算相应商品的有效成交金额、页面浏览量特征、独立访客特征和订单转化率特征的加权和，将相应商品按照加权和从大到小进行排序，以得到商品列表；针对商品列表中排在前面的预定数量的商品，添加取值为最大的偏好标签；针对商品列表中的其它商品，添加取值为最小的偏好标签。根据本发明的另一方面，提供一种个性化商品预测装置，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如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如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为本发明个性化商品预测方法一个实施例的示意图。图2为本发明个性化商品预测方法另一实施例的示意图。图3为本发明个性化商品预测装置一个实施例的示意图。图4为本发明个性化商品预测装置另一实施例的示意图。图5为本发明个性化商品预测装置又一实施例的示意图。图6为本发明个性化商品预测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为本发明个性化商品预测方法一个实施例的示意图。可选地，本实施例的个性化商品预测方法可由个性化商品预测装置执行。其中：步骤101，获取指定用户与商品有关的业务信息。可选地，在执行下一步骤之前，还可执行以下步骤：对业务信息进行清洗和归一化处理，以完成业务信息的预处理。其中，通过数据清洗以去除异常数据。例如，对订单表中异常数据清洗，比如去除用户名、订单编号等关键字段为空的数据噪音；对点击表中异常数据清洗，比如去除点击量在单位时间内巨大的用户；对评论表中异常数据清洗，比如去除有明显不适合展示的评论数据；对关注表中异常数据清洗，比如去除用户名为空的噪音数据。此外，通过进行归一化处理，以便使得特征在0到1之间分布，从而便于后续处理。可选地，在对业务信息进行预处理前，还可进一步包括：判断指定用户与商品有关的业务信息是否缺失；若指定用户与商品有关的业务信息缺失，则对缺失业务信息进行补充。例如，对缺失业务信息进行补充可包括：通过全局数据库获取相应商品的历史业务信息，将获取的历史业务信息转换为指定用户与商品有关的业务信息。下面以京东用户为例对这一情况进行具体说明。在提取某京东用户与商品有关的业务信息时，发现在指定时间段内并没有与某商品相关的业务信息，经过分析可知，这是由于该商品这段时间内缺货，才导致该用户缺少与该商品相关的业务信息。而因缺货而导致相应业务信息的缺少必然会对用户的偏好预测操作影响，为此，可根据该用户在该商品有货时间段内的业务信息对该缺少的业务信息进行补充。步骤102，从业务信息中提取出指定用户的业务特征。可选地，业务特征包括相关商品在指定时间段内(例如，过去30天)全站完成订单特征、相关商品在指定时间段(例如，7日)内有效成交金额、相关商品在指定时间段(例如，7日)内有效独立访客特征、相关商品在指定时间(例如，7日)内新增好评特征、相关商品在指定时间段(例如，7日)内活跃天数特征、相关商品在指定时间段(例如，7日)内关注数量特征和相关商品退货率特征。此外，业务特征还可包括相关商品上架时长特征、相关商品在指定时间段(例如，7日)内新增评论特征、相关商品在指定时间段(例如，7日)内有效销售总额特征、相关商品前一天页面浏览量特征、相关商品在指定时间段(例如，30日)内页面浏览量特征、相关商品在指定时间段(例如，7日)内无理由退货特征、相关商品所属店铺特征、相关商品好评率特征中的至少一个特征。步骤103，利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的商品。其中，深度学习模型可为卷积神经网络模型(cnn)。cnn是包括输入层、卷积层、池化层、全连接层和softmax层的多层神经网络，相邻层之间有连接，同一层之间没有连接。深度学习的过程，是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调。深度学习能更有效地学习特征之间的抽象关系，在京东这样海量数据的电商网站，用户的商品特征是多维化的，更适合应用深度学习这样的模型来挖掘。可选地在利用预置的深度学习模型对指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。例如，有关联的业务特征包括商品7日有效成交金额和商品7日有效独立访客。这里需要说明的是，交叉特征是指不同特征之间可能有交互效应的那些特征，比如商品7日有效成交金额和商品7日有效独立访客之间是有关系的。本发明中的深度学习模型对这种可以交互的特征进行交叉融合以构造出新的特征，例如新特征是由商品7日有效成交金额和商品7日有效独立访客融合成的，可以在配置文件中设置，从而深度学习模型就会识别这个新的特征。基于本发明上述实施例提供的个性化商品预测方法，通过利用预置的深度学习模型对指定用户与商品有关的业务特征进行预测处理，以便预测出指定用户偏好的商品。这对于提升用户购物体验，搭建智能化商品推荐系统平台，都有重大意义。图2本发明个性化商品预测方法另一实施例的示意图。可选地，本实施例的个性化商品预测方法可由个性化商品预测装置执行。其中，对深度学习模型进行训练可包括：步骤201，从预定用户与商品有关的业务信息中提取出预定用户的业务特征。步骤202，根据预定用户的业务指标，为预定用户的业务特征添加偏好标签。其中，根据预定用户的业务指标为预定用户的业务特征添加偏好标签可包括：计算相应商品的有效成交金额、页面浏览量特征、独立访客特征和订单转化率特征的加权和，将相应商品按照加权和从大到小进行排序，以得到商品列表。针对商品列表中排在前面的预定数量的商品，添加取值为最大的偏好标签(取值为“1”)；针对商品列表中的其它商品，添加取值为最小的偏好标签(取值为“0”)。步骤203，将预定用户的业务特征输入深度学习模型，以得到偏好预测结果。步骤204，判断偏好预测结果与预定用户的偏好标签值之差是否在预定范围内。若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则执行步骤205；若预测结果与预定用户的业务特征标签之差未超出预定范围，则执行步骤206。步骤205，调整深度学习模型的相应参数，并重复执行步骤203。步骤206，结束深度学习模型的训练。下面通过具体示例对本发明进行说明。首先，从预定用户与商品有关的业务信息中提取出预定用户的业务特征。接下来，根据预定用户的业务指标，为预定用户的业务特征添加偏好标签。可选地，根据预定用户的业务指标为预定用户的业务特征添加偏好标签可包括：计算相应商品的有效成交金额、页面浏览量特征、独立访客特征和订单转化率特征的加权和，将相应商品按照加权和从大到小进行排序，以得到商品列表。针对商品列表中排在前面的预定数量的商品，添加取值为最大的偏好标签；针对商品列表中的其它商品，添加取值为最小的偏好标签。例如，上述的加权和y可采用下式进行计算：y＝a1x1+a2x2+a3x3+…+anxn其中，xn为第n个业务特征，an为第n个业务特征的权重。可选地，可根据需要对各业务特征的权重进行调节。例如，可采用如下所示的流程进行判断，若某个业务特征出现的频率较高，则表明该业务特征更为重要，则应提高该业务特征的权重值。作为示例，下面仅给出了一个流程片断。通过上述处理，与某用户相关商品的得分如表1所示。商品得分sku114.2479sku24.46112sku35.1012sku44.52183sku55.83835sku618.41271sku74.52183sku84.41108sku94.55321sku105.06343表1按照得分从大到小的顺序，对该用户相应的商品重新进行排序，并将前50％的商品打标签为1，后50％的商品打标签为0。如表2所示。商品得分标签sku618.412711sku114.24791sku55.838351sku35.10121sku105.063431sku44.521830sku74.521830sku24.461120sku94.553210sku84.411080表2接下来，将预定用户的业务特征输入深度学习模型，以得到偏好预测结果。判断偏好预测结果与预定用户的偏好标签值之差是否在预定范围内。若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将预定用户的业务特征输入深度学习模型的步骤；若预测结果与预定用户的业务特征标签之差未超出预定范围，则结束深度学习模型的训练。此时就可利用该经过训练的深度学习模型进行相应的商品偏好预测。在获得预测结果后，可将预测结果从高到低进行排序，进而将排在前面的商品推荐给用户。这里需要说明的是，对于不同的用户来说，由于在电商平台的活跃度不同，因此不同用户的预测结果可能存在较大偏差，在这种情况下各用户的预测得分也是个性化的，不能将用户a的预测得分来确定用户b的商品推荐。例如，对于京东用户a来说，由于用户a在京东比较活跃，因此得到的商品推荐结果可如表3所示。商品预测得分a10.9918a20.9123a30.8979a40.8865a50.8735a60.7389a70.6987a80.6568a90.5938a100.5601表3而对于京东用户b来说，由于用户b在京东上很少浏览和购物，因此预测分数也较低。相应的预测结果如表4所示。商品预测得分b10.5503b20.5109b30.4782b40.4101b50.3509b60.3117b70.2565b80.2123b90.1916b100.1537表4从表3和表4中可以看到，由于用户a在京东上比较活跃，特征较多，因此预测分数也较高，排在第10位商品的预测分数也达到了0.5601。而用户b不常逛京东，特征较少，因此预测分数也较低，排在第1位商品的预测分数只有0.5503，甚至比用户a排在第10位商品的分数还要低。对于用户a来说，预测分只有0.5601的商品可能不会推荐给用户a，而对于用户b来说，预测分为0.5503的商品能够排在待推荐的第1位。因此可知，预测得分也是个性化的，各用户之间简单地横向比较预测得分是没有意义的。图3为本发明个性化商品预测装置一个实施例的示意图。如图3所示，个性化商品预测装置可包括：业务信息获取模块31，用于获取指定用户与商品有关的业务信息。特征提取模块32，用于从业务信息中提取出指定用户的业务特征。可选地，业务特征包括相关商品在指定时间段内(例如，过去30天)全站完成订单特征、相关商品在指定时间段(例如，7日)内有效成交金额、相关商品在指定时间段(例如，7日)内有效独立访客特征、相关商品在指定时间(例如，7日)内新增好评特征、相关商品在指定时间段(例如，7日)内活跃天数特征、相关商品在指定时间段(例如，7日)内关注数量特征和相关商品退货率特征。此外，业务特征还可包括相关商品上架时长特征、相关商品在指定时间段(例如，7日)内新增评论特征、相关商品在指定时间段(例如，7日)内有效销售总额特征、相关商品前一天页面浏览量特征、相关商品在指定时间段(例如，30日)内页面浏览量特征、相关商品在指定时间段(例如，7日)内无理由退货特征、相关商品所属店铺特征、相关商品好评率特征中的至少一个特征。预测处理模块33，用于利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的商品。其中，深度学习模型可为卷积神经网络模型。可选地，预测处理模块33还用于在利用预置的深度学习模型对指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。基于本发明上述实施例提供的个性化商品预测装置，通过利用预置的深度学习模型对指定用户与商品有关的业务特征进行预测处理，以便预测出指定用户偏好的商品。这对于提升用户购物体验，搭建智能化商品推荐系统平台，都有重大意义。图4为本发明个性化商品预测装置另一实施例的示意图。与图3所示实施例相比，在图4所示实施例中，个性化商品预测装置还可包括：预处理模块34，用于在特征提取模块32从业务信息中提取出指定用户的业务特征前，对业务信息进行清洗和归一化处理，以完成业务信息的预处理。此外，个性化商品预测装置还可包括缺失信息处理模块35，用于在预处理模块34对业务信息进行预处理前，判断指定用户与商品有关的业务信息是否缺失，若指定用户与商品有关的业务信息缺失，则对缺失业务信息进行补充。其中，缺失信息处理模块35通过全局数据库获取相应商品的历史业务信息，将获取的历史业务信息转换为指定用户与商品有关的业务信息。图5为本发明个性化商品预测装置另一实施例的示意图。与图4所示实施例相比，在图5所示实施例中，个性化商品预测装置还可包括：训练数据生成模块36，用于从预定用户与商品有关的业务信息中提取出预定用户的业务特征，根据预定用户的业务指标，为预定用户的业务特征添加偏好标签；可选地，训练数据生成模块36用于计算相应商品的有效成交金额、页面浏览量特征、独立访客特征和订单转化率特征的加权和，将相应商品按照加权和从大到小进行排序，以得到商品列表；针对商品列表中排在前面的预定数量的商品，添加取值为最大的偏好标签；针对商品列表中的其它商品，添加取值为最小的偏好标签。训练模块37，用于将预定用户的业务特征输入深度学习模型，以得到偏好预测结果，若偏好预测结果与预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将预定用户的业务特征输入深度学习模型的操作，若预测结果与预定用户的业务特征标签之差未超出预定范围，则结束深度学习模型的训练。图6为本发明个性化商品预测装置又一实施例的示意图。如图6所示，个性化店铺预测装置包括存储器601和处理器602。其中：存储器601用于存储指令，处理器602耦合到存储器601，处理器602被配置为基于存储器存储的指令执行实现如图1-图2中任一实施例涉及的方法。如图6所示，个性化商品预测装置还包括通信接口603，用于与其它设备进行信息交互。同时，该装置还包括总线604，处理器602、通信接口603、以及存储器601通过总线604完成相互间的通信。存储器601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601也可以是存储器阵列。存储器601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602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2中任一实施例涉及的方法。通过实施本发明，通过利用预置的深度学习模型对指定用户与商品有关的业务特征进行预测处理，以便预测出指定用户偏好的商品。这对于提升用户购物体验，搭建智能化商品推荐系统平台，都有重大意义。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。当前第1页12