面向家庭用户的用户画像构建方法及装置与流程

本发明涉及用户画像构建领域，具体而言，涉及一种面向家庭用户的用户画像构建方法及装置。

背景技术：

在“互联网+”背景下，互联网电视行业得到了迅速发展。随着互联网电视用户的爆发式增长，用户的体验需求更加多样化。通过构建用户画像来提高互联网电视用户的体验度是目前互联网电视行业的发展热潮。

现有的用户画像构建方法主要基于用户的静态属性数据和动态行为数据，构建用户画像，这种构建用户画像的方法通常将用户看作一个整体及黑盒，即以设备为描述对象来构建用户画像。

由于现有的用户画像不区分实际观看对象，从而使得平台无法为用户提供精细化服务，用户体验度不高。

技术实现要素：

本发明的目的在于，针对上述现有技术中的不足，提供一种面向家庭用户的用户画像构建方法及装置，以解决传统构建用户画像的方法中将用户看作整体，以至于平台无法为用户提供精细化服务的问题。

为实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种面向家庭用户构建用户画像的方法，包括：

采集预设时间段内家庭用户的多媒体播放数据；

根据所述多媒体播放数据，预测所述家庭用户的家庭成员结构；

根据所述家庭成员结构构建所述家庭用户的用户画像。

可选地，根据所述多媒体播放数据，预测所述家庭用户的家庭成员结构之前，还包括：

根据预设类型的多媒体节目，构建带标记样本；

提取所述带标记样本中具有标识意义的特征信息；

对所述特征信息通过时间衰减因子进行加权，并做归一化处理，得到所述带标记样本。

可选地，对所述特征信息通过时间衰减因子进行加权，并做归一化处理，得到所述带标记样本之后，还包括：

将所述带标记样本划分为：训练集和测试集；

所述训练集基于预设算法预测所述家庭用户的家庭成员结构；

所述测试集评估所述家庭用户家庭成员结构的性能。

可选地，所述特征信息包含下述一项或多项：

所述预设时间段内用户开机的次数、收看多媒体节目的总时长、收看直播节目的总时长、收看所述预设类型的所述多媒体节目的时长、收看所述预设类型的所述多媒体节目的次数。

可选地，还包括：根据所述家庭用户的家庭成员结构，预测所述家庭用户的家庭成员的时间分布。

可选地，还包括：根据所述家庭用户构建面向所述家庭用户的多维度标签库。

可选地，所述多维度标签库包括：一级标签和二级标签；

所述一级标签包括：家庭用户标签、家庭成员标签；

所述二级标签包括：家庭结构标签、时间分布标签、用户基本属性标签、兴趣偏好标签、观看时段偏好标签、家庭收视多样性标签、用户活跃状态标签及用户价值标签。

第二方面，本发明实施例还提供了一种面向家庭用户构建用户画像的装置，包括：采集模块，用于采集预设时间段内家庭用户的多媒体播放数据；

预测模块，用于根据所述多媒体播放数据，预测所述家庭用户的家庭成员结构；

构建模块，用于根据所述家庭成员结构构建所述家庭用户的用户画像。

可选地，还包括：

构建模块，还用于根据预设类型的多媒体节目，构建带标记样本；

提取模块，用于提取所述带标记样本中具有标识意义的特征信息；

处理模块，用于对所述特征信息通过时间衰减因子进行加权，并做归一化处理，得到所述带标记样本；

可选地，将所述带标记样本划分为：训练集和测试集；还包括：

预测模块，还用于所述训练集基于预设算法预测所述家庭用户的家庭成员结构；

评估模块，用于所述测试集评估所述家庭用户的家庭成员结构的性能。

本发明的有益效果是：

本发明提供的面向家庭用户的用户画像构建方法，通过采集预设时间段内的多媒体播放数据，根据采集到的多媒体播放数据预测家庭成员结构，根据家庭成员结构构建家庭用户的用户画像，能够对家庭用户进行深入化、精细化分析，探究家庭内部成员构成，进而平台也可根据家庭成员结构为家庭提供更为精细的服务，提高家庭用户体验度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本申请一实施例提供的面向家庭用户构建用户画像方法的流程示意图；

图2为本申请一实施例提供的面向家庭用户预测家庭成员结构的流程示意图；

图3为本申请一实施例提供的面向家庭用户预测家庭成员时间分布的流程示意图；

图4为本申请一实施例提供的面向家庭用户构建用户画像装置的结构示意图；

图5为本申请另一实施例提供的面向家庭用户构建用户画像装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

图1为本申请提供的一种面向家庭用户构建用户画像方法的流程示意图。本发明实施例的实现是基于用户画像构建装置，采用软件功能单元的形式实现。该装置可以集成于终端、服务器等设备。一般的智能电视、智能播放器等终端可以通过互联网播放一些多媒体资源，这些资源可以由后台的服务器提供，该服务器可以理解为多媒体网络平台，以下简称“平台”。

如图1所示，本实施例提供的面向家庭用户构建用户画像方法包括：

s110：采集预设时间段内家庭用户的多媒体播放数据。

上述预设时间段可以是一周、一个月等，在这段时间内对不同的家庭用户的多媒体播放数据进行采集。其中，不同的家庭用户可以通过用户标识来区分，例如通过用户的账号信息来区分，在此不做限制。

收集多媒体的播放收据可以依靠平台自发向终端请求采集、也可以由终端自己向平台上报，具体可以采用flume(日志收集系统)和sqoop(sql-to-hadoop，简称sqoop)技术，收集多个数据源的数据，如关系型数据库管理系统(mystructuredquerylanguage，简称mysql)和日志文件。

其中，flume是日志收集系统，是一个高可用的、高可靠的、分布式的海量日志采集、聚合和传输系统。flume支持在日志收集系统中定制各类数据发送方，用于收集数据。同时，flume提供对数据进行简单处理，并写到各种数据接受方(可定制)的能力。

sqoop，是一个用来将分布式系统(hadoopdistributedfilesystem，简称hadoop)和关系型数据库管理系统中的数据相互转移的工具，可以将一个关系型数据库中的数据导进到hadoop中的分布式文件系统(hadoopdistributedfilesystem，简称hdfs)中，也可以将hdfs的数据导进到关系型数据库中。hdfs可对收集到的海量数据进行分布式存储。

收集到的多媒体播放数据可以包括：用户的属性信息(如所在省市、设备型号、开户时间、使用的客户端)、用户收视行为信息和视频内容信息等。

其中，用户的收视行为可以收集到用户观看视频的时间段、每个时间段观看什么类型的节目，以及每种节目的观看时长等数据。视频内容信息，可以收集到有关用户收看的视频内容、导演、演员、上映时间、地区、视频时长及视频主题等数据。

s120：根据多媒体播放数据，预测家庭用户的家庭成员结构。

家庭成员结构用来描述家庭用户成员的组成，例如这个家庭包括哪些特定类型成员，例如：老人、年轻人、儿童，另外也可以区分男性、女性等。

特定类型成员以老人、年轻人、儿童为例。该步骤主要为判断某家庭用户内是否含有老人、年轻人及儿童的过程。

需要说明的是，预测家庭用户的家庭成员结构，用于判断家庭用户中是否含有一些特定类型成员，例如：老人、年轻人、儿童、男性、女性等，以达到对家庭用户进行深入化、精细化分析，探究家庭内部行为规律的目的。在本实施例中，判断家庭结构的过程中主要以分析家庭用户中是否有老人类型为例，详细分析家庭用户中是否有老人类型。其他家庭成员类型，如判断家庭用户中是否有年轻人类型/儿童类型过程与判断家庭用户是否有老人类型的过程相似，以下实施例中将不多加赘述。

s130：根据家庭成员结构构建家庭用户的用户画像。

当判断出家庭用户的家庭成员结构类型后，本步骤中，根据家庭成员结构构建家庭用户的用户画像。

例如，经过步骤s120预测出某一家庭用户的家庭成员结构为：老年人和年轻人，且通过步骤s110收集到该家庭用户的属性信息、喜好观看多媒体的时间段及多媒体节目的类型等数据，结合家庭成员结构可构建出该家庭用户更为完整的用户画像。

本实施例提供的面向家庭用户的用户画像构建方法，通过采集预设时间段内的多媒体播放数据，再根据多媒体播放数据预测家庭用户的家庭成员结构，最后根据家庭成员结构构建家庭用户的用户画像。这样构建的用户画像可探究家庭内部成员的构成，能够对家庭用户进行深入化、精细化分析。进而平台也可根据家庭成员结构为家庭提供更为精细的服务，提高家庭用户体验度。

如图2所示，图2为本申请一实施例提供的面向家庭用户预测家庭成员结构的流程示意图。

根据多媒体播放数据，预测家庭用户的家庭成员结构之前，还包括：

s210：根据预设类型的多媒体节目，构建带标记样本。

本实施例中，预设一些具有标识意义的多媒体节目，并制定相应规则，用来识别家庭用户中是否有特定成员。例如，以老人为特定成员为例。

即本实施例中，认为只要观看了某些预设类型节目，家庭成员中就包含预设类型节目对应的特定成员。

举例说明，若要判断家庭用户中是否含有老人类型，本实施例根据预先挑选出的预设类型节目进行判断，并制定相应规则，标注出家中有老人和家中没有老人的情况。该规则用来识别最可能有老人的家庭用户和最不可能有老人的家庭用户。

具体实现时，预设类型节目可以分为两种情况：(1)最具有标识意义的节目；(2)比较有标识意义的节目。若收看过最具有标识意义的节目，则认为该用户家中有特定成员。若未收看过比较有标识意义的节目，则认为该用户家中没有特定成员。

本实施例中，以判断家庭用户中是否有老人为例，定义最具有标识意义的节目包含以下节目：《夕阳红》、《健康365》、《九州戏苑》等。如果收集到的多媒体播放数据中有此类节目的播放记录，则可以判定该用户家中有老人。

定义比较有标识意义的节目包含以下节目：《亮剑》、《星光大道》、《老梁说故事》等。如果收集到的多媒体播放数据中没有跟此类节目的播放记录，则判定家中没有老人。

需要说明的是，本实施例提供的具有标识意义的节目和比较具有标识意义的节目并不以上述提供的实施例为限制，具体以实际符合老年人、年轻人或儿童判断标准的节目为准。本实施例中，将通过观看最具有标识意义的节目及比较具有标识意义的节目判断出的家庭成员结构称为带标记样本。

s220：提取带标记样本中具有标识意义的特征信息。

通过上述规则构建了带标记样本，且该带标记样本中包含的家庭结构成员类型已经确定，进一步地，提取已经确定家庭结构成员类型的特征信息。

例如，提取上述判断出家庭用户有或者没有老人这一类型中具有标识意义的特征信息。

进一步地，特征信息包含下述一项或多项：

预设时间段内用户开机的次数、收看多媒体节目的总时长、收看直播节目的总时长、收看预设类型的多媒体节目的时长、收看预设类型的多媒体节目的次数。

需要说明的是，在本实施例进行特征提取有以下几点需要说明：

每种特征类别下可以包含上述一个或多个特征信息。可以不统计上述预设时间段内点播观看节目总时长，因为其与特征收看多媒体节目的总时长和收看直播节目的总时长间存在线性关系。统计是否观看过某个节目的过程中，若观看某个节目的时长达到指定时长，才确定观看过该节目，以减少误播的影响。

s230：对特征信息通过时间衰减因子进行加权，并做归一化处理，得到带标记样本。

首先，对提取的特征信息与家庭用户构建二维矩阵，计算特征值，将各特征值经过时间衰减因子进行加权，时间衰减因子的公式为：

式中，t为观看某个节目的这个事件发生的时间距离当前时间的大小。

由于，所提取特征信息的样本的度量单位并不统一，例如，观看时间长短是以分钟或小时为单位统计的，而用户的开机次数示意几十次或几百次为单位进行统计的。因此，对上述所提取的特征信息进行归一化处理，将所提取的特征信息落在(0,1)之间，以概率模型统计出来。

基于max-min标准化方法对各特征值进行归一化，公式如下：

式中，x表示当前样本数据，min为样本数据的最大值，max为样本数据的最小值。

进一步地，对特征信息通过时间衰减因子进行加权，并做归一化处理，得到所述带标记样本之后，还包括：

将上述得到的带标记样本划分为：训练集和测试集。其中划分依据可以将得到的带标记样本的百分之八十作为训练集，百分之二十作为测试集，也可以将得到的带标记样本的百分之七十作为训练集，百分之三十作为测试集，具体的划分依据根据实际算法需求而定，在此不做限制。

其中，训练集基于预设算法预测家庭用户的家庭成员结构。

上述预测算法，在本实施例中通过基于逻辑回归算法来预测家庭用户的家庭成员结构。基于逻辑回归的算法预测家庭用户中是否含有特定类型的家庭成员，通过逻辑回归的算法，将预测家庭用户中是否有特定类型的家庭成员结构的问题转化为概率模型。

假设，构建的上述训练样本中，d＝{xi,yi},i＝1,2,…,n,xi∈r^d,yi∈{0,1}，其中，x表示特征集，y表示0或1，i表示训练集中第i个训练样本。公式如下所示：

进一步地，将上式转化为：

式中，w表示特征的权重值，b表示调节参数。其中，家庭用户中有老人记为正类，没有老人记为负类。p(y＝1|x)为x是正类的可能性，p(y＝0|x)为x是负类的可能性。逻辑回归通过极大似然法估计w和b。

在上述实施例的基础上，使用基于逻辑回归算法预测家庭成员结构，通过家庭成员结构来判断家庭用户的家庭成员结构中是否包括预设类型节目对应的特定成员。将家庭用户中是否有老人、年轻人、儿童的标签转化为三个二值分类问题。但本实施例并不以使用逻辑回归算法预测家庭成员结构为限制，相应地，还可应用其他算法，如朴素贝叶斯算法、最近邻算法、支持向量机算法等。

进一步地，测试集用于评估家庭用户的家庭成员结构的性能。

采用accuracy(准确率)、precision(精确率)、recall(召回率)和f-measure评估分类模型。本实施例用来评估基于逻辑回归算法预测出家庭用户中是否含有老人这一类型的准确性。各性能评估指标可由表1的混淆矩阵计算。

表1

表1中，tp:实际样本为正类，预测结果为正类；fp:样本为负类，预测结果为负类；tn:样本为负类，预测结果为负类；fn:样本为正类，预测结果为负类。

其中，accuracy(准确率)计算的是对于给定的测试数据集，分类器正确分类样本数占总样本数之比。其计算公式为：

precision(精确率)计算的是所有被检索到的项目中，应该被检索到的项目所占的比例。其计算公式为：

recall(召回率)计算的是所有检索到的项目中占应该被检索到的项目的比例。其计算公式为：

f-measure评估分类模型为precision(精确率)和recall(召回率)的调和平均数，其计算公式为：

进一步地，在预测出家庭成员结构后，还可以根据家庭成员结构来预测家庭成员时间分布，可根据时间分布来判定一个家庭的一天中哪段时间是归属老人/年轻人/儿童，可将时间由天粒度细化到时间段粒度，构建面向家庭用户更为详细的用户画像，可帮助平台进行更加精准的营销和推荐，可在不用时间段产生不同的推荐结果，以满足不同类型家庭成员的兴趣爱好。

可选地，根据家庭用户的家庭成员结构，预测家庭用户的家庭成员的时间分布。

具体地，请参照图3，图3为本实施例提供的一种面向家庭用户预测家庭成员时间分布的流程示意图。

s310：计算家庭用户在某个时间段内不同类型家庭成员的得分。

例如：分别计算老人得分、年轻人得分和儿童得分。

本实施例以计算老人得分为例：计算家庭用户在某个时间段的老人得分，列出在该时间段内的观看明细，将基于逻辑回归的是否有老人模型中得到的特征系数作为权重，与在该时间段对应的特征值(收看预设类型节目的时长)加权求和。年轻人得分和儿童得分依次类推。

s320：对不同类型家庭成员的得分进行分析，获取分析结果。

将老年人、年轻人、儿童在某个时间段的得分进行分析，分析结果如下：如果相比于年轻人得分和儿童得分，老人得分很高，则将该家庭用户的该时间段划分给老人；如果三个得分差距不大，则把该用户的该时间段划分为“undetermined(不确定的)”，即无法判断哪个家庭成员偏好该时间段。

s330：根据分析结果确定不同类型家庭成员的时间分布特点。

若在上一步中根据分析计算出在每天下午5:00-7:00老人的得分高出年轻人和儿童，则将该时间段划分为老人。平台将会在每天下午5:00-7:00之间推送与老人有关的电视节目或广告。

可选地，在上述实施例的基础上还包括：根据家庭用户构建面向家庭用户的多维度标签库。

本实施例提供的面向家庭用户构建用户画像的方法中，还可构建面向家庭用户的多维度标签库，用多维度标签更全面的构建出描述家庭用户的用户画像。

进一步地，多维度标签库包括：一级标签和二级标签。

一级标签包括：家庭用户标签、家庭成员标签。其中，家庭用户标签以家庭为基本描述单位，家庭成员标签以家庭中的特定成员为基本描述单位。

二级标签主要包括：家庭结构标签、时间分布标签、用户基本属性标签、兴趣偏好标签、观看时段偏好标签、家庭收视多样性标签、用户活跃状态标签及用户价值标签。

·家庭结构标签：描述了该家庭用户的家庭结构。其下的三级标签包括是否有老人、是否有年轻人和是否有儿童三个。该标签会使平台明确家庭用户的是否包含特定的家庭成员，从而根据特定的家庭成员进行精准的推荐和营销。

·用户基本属性标签下的三级标签主要包括所在省市、设备型号、开户时间、使用的客户端。

·观看时段偏好标签描述该家庭用户作为一个整体经常观看节目的时间段。该标签可以通过统计各时间段的观看时长推断得到。

·家庭收视多样性标签描述了家庭用户观看节目的类别数量。

·用户活跃状态标签下的三级标签包括新用户、活跃用户、沉睡用户、流失用户。可以通过分析每天观看时长、近一个月观看时长和最近一次观看时间判断用户的活跃状态。

·用户的价值标签下的三级标签包括高价值用户、中价值用户和低价值用户。可以根据当天开机频次、当天观看节目数、当天收视时长、当月是否曾消费付费内容、当月用户消费额度、近三月消费额度判断。

·时间分布标签以家庭成员为基本描述单位，描述某家庭成员偏好的时间段。

·兴趣偏好标签以家庭成员为基本描述单位，分别描述老人/年轻人/儿童的频道偏好、节目类型偏好、导演偏好、演员偏好、上映时间偏好、地区偏好、节目时长偏好和节目主题偏好。

其中，时间分布标签和兴趣偏好标签属于家庭成员标签，用来描述家庭用户内特定成员在一天中某时间段的行为规律。

需要说明的是，用户标签库的设置采取不同权重的计算方式。标签权重主要受衰减因子及行为信息权重影响。

需要说明的是，标签的权重可以表示标签的热度，权重越大，热度就越高，时间衰减因子体现了标签的热度随着时间逐渐冷却的过程。

例如：对于兴趣偏好的标签设置，其权重的计算方式与时间衰减因子及观看方式有关。相比很久之前的观看行为，最近的行为应给予较大的权重。相比于直播观看，搜索点播观看方式应给予较大权重。

通过预测家庭用户的家庭结构特点，并根据家庭结构特点确定家庭用户的家庭结构标签、以及收集到家庭用户的基本属性信息确定基本属性标签、根据家庭用户经常观看多媒体节目的时间段确定时段偏好标签、以及收集到的多媒体数据确定家庭收视多样性标签、根通过分析家庭用户的每天观看多媒体时长、近一个月观看时长和最近一次观看时间判断用户的活跃状态标签、根据当天开机频次，当天观看节目数，当天收视时长，当月是否曾消费付费内容，当月用户消费额度，近三月消费额度等信息判断家庭用户的用户价值标签、根据家庭成员结构分析可得到家庭用户不同结构类型的时间分布标签、根据不同家庭类型成员的频道偏好、节目类型偏好、导演偏好、演员偏好、上映时间偏好、地区偏好、节目时长偏好和节目主题偏好构建家庭用户不同结构类型的兴趣偏好标签。

通过构建上述标签，可建立出面向家庭用户的用户画像。本实施例提供的面向家庭用户的用户画像，对家庭用户的家庭成员结构进行分析，且根据家庭成员结构预测家庭用户的时间分布，将时间粒度细分到时间段，再结合不同时间段不同类型家庭成员的兴趣偏好，可对家庭用户进行深入化、精细化分析，能够使平台为家庭用户提供更精细的服务，提高家庭用户的体验度。

图4为本申请一实施例提供的面向家庭用户构建用户画像装置的结构示意图。

本实施例还提供的面向家庭用户构建用户画像的装置，包括：采集模块410、预测模块420及构建模块430，其中：采集模块410，用于采集预设时间段内家庭用户的多媒体播放数据。预测模块420，用于根据多媒体播放数据，预测家庭用户的家庭成员结构。构建模块430，用于根据家庭成员结构构建家庭用户的用户画像。

进一步地，构建模块430，还用于根据预设类型的多媒体节目，构建带标记样本。该装置还包括：提取模块440和处理模块450。其中，提取模块440，用于提取带标记样本中具有标识意义的特征信息。处理模块450，用于对特征信息通过时间衰减因子进行加权，并做归一化处理，得到带标记样本。

进一步地，将带标记样本划分为：训练集和测试集。预测模块420，还用于训练集基于预设算法预测所述家庭用户的家庭成员结构。

该装置还包括：评估模块460，用于根据训练集评估家庭用户家庭成员结构的性能。

进一步地，预测模块420，还用于根据家庭用户的家庭成员结构，预测家庭用户的家庭成员的时间分布。

进一步地，构建模块430，还用于根据家庭用户构建面向家庭用户的多维度标签库。

进一步地，多维度标签库包括：一级标签和二级标签；

一级标签包括：家庭用户标签、家庭成员标签；

二级标签包括：家庭结构标签、时间分布标签、用户基本属性标签、兴趣偏好标签、观看时段偏好标签、家庭收视多样性标签、用户活跃状态标签及用户价值标签。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsingnalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。

图5为本申请另一实施例提供的面向家庭用户构建用户画像装置的结构示意图，该装置可以集成于终端设备或者终端设备的芯片，该终端可以是具备图像处理功能的计算设备。

该装置包括：处理器510、存储器520。

存储器520用于存储程序，处理器510调用存储器520存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。

需要说明的是，处理器对相应数据进行处理时，调用hive(数据仓库工具)、hbase(分布式存储系统)、spark(计算引擎)内的数据，建立基于hive的数据仓库，实现对海量数据多维度的、不同粒度的查询与分析，为用户画像奠定基础。对于挖掘类用户画像标签的生成，采用spark的机器学习库，即sparkmllib。目前mllib(mllib是构建在spark上的分布式机器学习库)已支持分类、回归、聚类、协同过滤等算法。所有用户画像的标签大宽表，即用户各类标签，存储在hbase中，以便实现批量实时查询。

可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-onlymemory，简称：rom)、随机存取存储器(英文：randomaccessmemory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。