预沉默用户识别方法、装置及设备与流程

1.本文件涉及计算机技术领域，尤其涉及一种预沉默用户识别方法、装置及设备。


背景技术：

2.传统模式下，业务运营人员工作量巨大，一方面需要随时关注核心业务指标的变化情况，一方面需要依靠业务经验/数据分析进行业务波动根因挖掘。建立ai类脑智慧运营分析系统，以基于机器学习算法及ai基础平台的能力，实现业务分析、客户跟踪、模型构建、指标监控、营销策划，趋势预测等工作的完全智能化，由此，业务运营人员可只需关注ai类脑系统分析结论，专注个性化产品的策划、开发，大大减轻了压力。
3.通信业务点细多繁杂，用户状态变化极快，尤其在竞争对手抢挖、携号转网政策下，客户时刻存在沉默和离网的风险，继续打造一套ai技术驱动的客户看护系统“ai类脑”系统，进行客户预沉默的识别，并匹配维系手段。“ai类脑”系统为数据中台和业务中台的智慧对接层，实现对全量客户的看管功能，通过对不同场景的ai算法集成和运营数据智慧分析，承担客户运营体系的智慧中枢作用。而传统的存量运营系统往往聚焦指标变化的观察，尤其对客户沉默(消费，流量，语音，短信等指标趋近于0)的趋势进行把控，其看护、分析等检索方式效率低，进而导致客户离网风险持续存在，公司重点收入指标受到影响。
4.因此，需要提供更加可靠的预沉默用户识别方案。


技术实现要素：

5.本说明书实施例提供一种预沉默用户识别方法、装置及设备，用以从用户沉默和用户异动属性之间的逻辑关系的角度出发进行用户沉默的识别，有效提高沉默用户的识别效率和精确度。
6.本说明书实施例还提供一种预沉默用户识别方法，包括：
7.获取训练集，训练集包括用户样本及离网属性，所述离网属性用于表征用户是否为离网用户或者沉默用户；
8.确定训练集的用户样本中各特征的重要度并进行特征排序，得到特征序列；
9.基于所述特征序列，构建测试集对应的语义网络，所述语义网络的节点为所述测试集中的用户，节点属性为用户的离网状态，节点之间的边为用户样本之间的相似关系，边的值为用户之间的距离；
10.基于所述语义网络中处于离网状态的用户标签，向全量用户标签进行传播，得到离网高风险用户及离网概率。
11.本说明书实施例还提供一种预沉默用户识别装置，包括：
12.获取模块，用于获取训练集，训练集包括用户样本及离网属性，所述离网属性用于表征用户是否为离网用户或者沉默用户；
13.第一处理模块，用于确定训练集的用户样本中各特征的重要度并进行特征排序，得到特征序列；
14.第二处理模块，用于基于所述特征序列，构建测试集对应的语义网络，所述语义网络的节点为所述测试集中的用户，节点属性为用户的离网状态，节点之间的边为用户样本之间的相似关系，边的值为用户之间的距离；
15.第三处理模块，用于基于所述语义网络中处于离网状态的用户标签，向全量用户标签进行传播，得到离网高风险用户及离网概率。
16.本说明书实施例还提供一种电子设备，包括：通信接口、处理器和存储器；
17.所述处理器调用所述存储器中的程序指令，用以执行如下动作：
18.获取训练集，训练集包括用户样本及离网属性，所述离网属性用于表征用户是否为离网用户或者沉默用户；
19.确定训练集的用户样本中各特征的重要度并进行特征排序，得到特征序列；
20.基于所述特征序列，构建测试集对应的语义网络，所述语义网络的节点为所述测试集中的用户，节点属性为用户的离网状态，节点之间的边为用户样本之间的相似关系，边的值为用户之间的距离；
21.基于所述语义网络中处于离网状态的用户标签，向全量用户标签进行传播，得到离网高风险用户及离网概率。
22.本说明书实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的网络设备执行时，使得所述网络设备执行如下动作：
23.获取训练集，训练集包括用户样本及离网属性，所述离网属性用于表征用户是否为离网用户或者沉默用户；
24.确定训练集的用户样本中各特征的重要度并进行特征排序，得到特征序列；
25.基于所述特征序列，构建测试集对应的语义网络，所述语义网络的节点为所述测试集中的用户，节点属性为用户的离网状态，节点之间的边为用户样本之间的相似关系，边的值为用户之间的距离；
26.基于所述语义网络中处于离网状态的用户标签，向全量用户标签进行传播，得到离网高风险用户及离网概率。
27.本说明书的上述任一实施例，从用户沉默和用户异动属性之间的逻辑关系的角度出发，通过ai类脑进行用户沉默的识别，从而有效提高沉默用户的识别效率和精确度。
附图说明
28.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
29.图1为本说明书一实施例提供的一种预沉默用户识别方法的流程示意图；
30.图2为本说明书一实施例提供的预沉默用户的识别原理的示意图；
31.图3为本说明书一实施例提供的知识图谱的示意图；
32.图4为本说明书一实施例提供的一种预沉默用户识别装置的结构示意图；
33.图5为本说明书一实施例提供的一种电子设备的结构示意图。
具体实施方式
34.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文件保护的范围。
35.以下结合附图，详细说明本说明书各实施例提供的技术方案。
36.图1为本说明书一实施例提供的一种预沉默用户识别方法的流程示意图，参见图1，所述方法具体可以包括如下步骤：
37.步骤102、获取训练集，训练集包括用户样本及离网属性，所述离网属性用于表征用户是否为离网用户或者沉默用户；
38.具体地：对原样本集进行随机采样，得到训练集；
39.其中，所述原样本集中的样本包括正样本和待测样本，所述正样本为入网时长大于预设时长阈值且在预设时间范围内已销号或者转网的用户，如入网时长大于6个月的用户纳入样本范围，选取上月销号或者携号转网的用户；所述原样本集中的样本均包括预设维度的特征，所述预设维度与业务场景相关，可随着业务场景的调整而进行适应性调整，两者之间的关系此处不做限定。
40.基于此，本实施通过设置作为正样本的用户条件，采集对入网时间较长，最新离网的用户作为正样本，以提高样本对分析用户沉默的效果，为后续精确识别沉默用户提供数据支持。当然，此处仅限定了正样本的一种情况，至于其他正样本情况，此处不做限定，可视具体业务场景的需求而定。
41.另外，在另一可行实施例中，在进行随机采样之前，方法还包括：
42.对所述原样本集中的样本进行预处理，所述预处理包括至少过滤处理、缺值填充处理，所述过滤处理用于过滤缺值率超出预设阈值的特征，所述缺值填充处理用于填充缺值的特征值。
43.基于此，本实施例可筛选出有效特征并依据有效特征进行沉默用户的识别作业，避免无效特征的影响，从而可有效提高沉默用户的识别成功率。
44.步骤104、确定训练集的用户样本中各特征的重要度并进行特征排序，得到特征序列；
45.具体地：利用随机森林对所述训练集中的用户样本的特征进行重要性排序。
46.在另一实施例中，在对特征进行特征排序之前，还包括：
47.依据特征的重要度，对用户样本中的特征进行筛除处理。如筛选出重要度top n的特征，丢弃其他特征。
48.基于此，本实施例可筛除无效或者有效性交底的特征，避免该部分特征对后续处理过程带来的不良影响，降低识别沉默用户所需进行的计算量，从而有效提高沉默用户的识别效率。
49.步骤106、基于所述特征序列，构建测试集对应的语义网络，所述语义网络的节点为所述测试集中的用户，节点属性为用户的离网状态，节点之间的边为用户样本之间的相似关系，边的值为用户之间的距离；
50.步骤108、基于所述语义网络中处于离网状态的用户标签，向全量用户标签进行传
播，得到离网高风险用户及离网概率。
51.基于此，本实施例从用户沉默和用户异动属性之间的逻辑关系的角度出发，通过ai类脑进行用户沉默的识别，从而有效提高沉默用户的识别效率和精确度。
52.在另一可行实施例中，考虑到测试集的样本数量与训练集的样本数量不在同一数量级上，因此，为提高沉默用户的识别效果，本实施例提出了分批次的方案，具体地：
53.对所述原样本集进行有放回的随机采样处理，得到多个训练集；依据图1对应实施例得到每个训练集对应的离网高风险用户及离网概率；将每个训练集对应的离网高风险用户及离网概率进行整合处理，得到最终预测的标签结果，所述标签结果用于表征全量用户中的离网高风险用户及离网概率。
54.另外，为进一步提高沉默用户的识别精确度，本实施例还设置最大迭代步数和种子标签，所述种子标签包括预定义离网用户的相关特征；并在每完成一次迭代时，确定每次迭代过程中各离网高风险用户与所述种子标签的相似度；从而分别基于本次迭代过程中的各离网高风险用户对应的相似度与置信度，确定各离网高风险用户中的目标用户并依据目标用户的特征更新上一次迭代过程中的种子标签，所述置信度用于为离网高风险用户的离网概率的预测置信度。
55.基于此，本实施例通过将测试集进行分批次，以使每次迭代的测试集和训练集的样本数量相近，从而有效提高沉默用户的识别效果；而且，本实施例还基于本次迭代的结果更新本次迭代使用的种子标签，从而进一步地提高沉默用户的识别效果。
56.图2为本说明书一实施例提供的预沉默用户的识别原理的示意图，其原理构思如下：
57.ai类脑智慧运营系统，总体业务流程为“智慧运营分析-客户生命周期适配-营销策划执行-后评估跟踪反馈”，随着客户异动发生，以ai技术进行预测和快速问题发现，给出精准的分析结论，结合客户当前所处的生命周期阶段，作出最合适的营销策划方案，并通过后评估跟踪体系进行服务营销方案持续优化，问题预测式发现、管控及时实施、后评估持续反馈。
58.针对超大信息量的客户变动数据，实现针对每一名用户每一点异动的精准“看管”，尤其关注客户异动导致的负面结果，结合原子化产品库，实现针对客户当前时机、当前场景、当前需求的最佳产品推荐，个性化产品的基础语音、数据流量、增值业务、营销活动均由ai算法结合场景进行自动组装，真正实现“精确看管，随需推荐”。
59.本提案打造了预离网客户识别模型，并实现了标签针对场景的重要性排序，建立了待识别客户的联系，形成语义网络，实现已处于“预离网”状态的客户标签向全量用户标签的传播，输出离网高风险客户号码列表和离网概率。
60.下面参见图2对图1对应实施例提出的预沉默用户识别方法进行示例性说明：
61.步骤1，数据预处理：
62.将入网时长大于6个月的用户纳入样本范围，选取上月销号或者携号转网的用户作为正样本，构造数据集。将本月待预测用户纳入待预测样本。对输入用户特征数据进行处理，包含训练集和测试集。
63.处理方法包括空值过滤去除缺值超过80％的特征、利用映射字典将类别特征数据转为数值数据、数值特征的归一化处理、相似用户的对应特征进行平均池化，将得到的值进
行缺值填充等工作。
64.步骤2，特征排序及选择：
65.1、基于预处理的数据，计算特征的重要程度，选取按重要性排序前85％的特征。
66.具体的，对于样本x＝(x1，x2，
…
，xn)，以及对应的样本标签y＝(y1，y2，
…
，yn)，每个样本xi对应着m个特征f1(xi)，f2(xi)，
…
，fm(xi)先对其装袋操作，如选取训练样本总数的百分之60进行装袋，有重复的从原样本中进行随机采样(一致分布)，得到b个新的训练集记为xb，yb其中b＝1，2，
…
，b。基于泛用性考虑，在训练每棵树时使用随机特征选取。得到b颗决策树hb。其中
67.hb(x)＝h(x，xb，yb，θb)
68.其中θb为独立同分布的随机变量，h为决策树分类器。记h
oob
(x)为样本x的袋外预测，
[0069][0070]
其中ii为示性函数。这里的袋外误差定义为：
[0071][0072]
为了计算第j个特征的重要程度，将特征fj置换为一致分布(或者正态分布)，然后再次计算袋外误差，得到
[0073][0074]
其中为置换完fj后的新样本。由此计算出第j个特征的重要性βj，其中
[0075][0076]
对移动用户离网数据进行归一化、空值填充等预处理，再利用基于上述计算出特征重要性βj排序，用于输出及后续语义网络生成。
[0077]
2、结合测试集，依据重要性再次加权归一化处理，最终得到处理过特征的所有用户信息，用于后续生成语义网络。
[0078]
步骤3，形成语义网络：
[0079]
利用完整的数据集，通过加权后的knn算法构建待识别客户的联系，生成每个客户的15个邻居节点。以客户id为节点，以是否离网为节点属性，以相似度大小为边值，形成语义网络。
[0080]
采用以下度量选取最近的k个邻居：
[0081]
[0082]
其中x，y是用户样本空间中的任意两个样本。
[0083]
由于常规的欧式距离或者难以区分不同特征重要性，因此在选择邻居时使用上面计算出的特征重要程度βj来构造一个能衡量与是否离网相关的度量。
[0084]
基于knn计算的结果，构建知识图谱。知识图谱中的点为用户(包括离网用户、未离网用户、预测用户)，点的标签为预离网状态。边为通过knn建立的用户之间的相似关系(即数据本身的亲情关系，因子关系)，边的值是用户与用户之间计算出的距离。
[0085]
具体来说，对于互为亲情关系的用户之间建立关系，权重为1。同时对于任意一个样本x，和任意y∈nk(x)种的元素建立相似关系，权重为w(x，y)其中
[0086][0087]
其中α为超参数，如选取为0.5。示意图如下：
[0088]
步骤4生成全量用户标签：
[0089]
利用知识图谱实现已处于“预离网”状态的客户标签向全量用户标签的传播，生成最终稳定的社区，输出离网高风险客户号码列表和离网概率。
[0090]
具体的，首先根据上述图谱对应的邻接矩阵生成转移概率矩阵a＝(a
ij
)n×
n，
其中
[0091][0092]
设x
l
＝(x1，x2，
…
，x
l
)为已有是否离网标签的样本，xu＝(x
l+1
，x
l+2
，
…
，xn)为待预测的样本。为了保证已有标签的样本在图中的随机游走过程中标签保持不变，将概率转移矩阵修正为t＝(t
ij
)n×n其中：
[0093][0094]
其中u＝n-l。
[0095]
然后，需要从已知的离网标签y
l
＝(y1，y2，
…
，y
l
)来对待预测的样本进行预测。由于可以事先制定预测量，使得t
uu
的维度相对可控，故而可以牺牲一些效率使用更为精确的逼近方法。具体的，令：
[0096][0097]
其中yu则为待预测样本的离网概率，n为最大迭代步数。
[0098]
另外，在算法实现过程中需设置最大迭代步数及种子标签。在传播过程中，每个节点根据相邻节点的标签及节点相似度来更新种子标签值，直到标签稳定或达到最大迭代轮数。在算法实现的过程中，考虑到测试集数据量是训练集的数十倍之多，采用批处理的方式来训练。将测试集分批次，数据量级与训练集相当。将各个批次的结果合并得到最终测试集预测的标签结果，即输出全量用户的离网高风险客户号码列表和离网概率。
[0099]
实施效果：自2020年6月起，在天津存量运营工作中进行测试，累计纳入2.3万预离网种子用户，对12万特殊选取的用户生成预测结果，得到3.8万的待维系客户群，查全率达85％，查全率达63％，已执行了5248名用户的维系挽留，办理成功量625，办理成功率
18.3％，大幅超出非ai模型识别的成功率12％，带来直接经济收入超25万元。
[0100]
综上所述，一方面，面向运营商潜在流失客户识别的方法，需要给予保护，遵循自底向上的构建方法，系统通过从业务数据域、基础数据域、应用渠道域等获取海量非结构化数据，进行数据清洗和语义分析，法实现标签针对场景的重要性排序，通过knn算法建立待识别客户的联系，形成语义网络，实现已处于“预离网”状态的客户标签向全量用户标签的传播，输出离网高风险客户号码列表和离网概率。另一方面，运营商潜在流失客户识别的属性选择方法，需要给予保护，从中国移动b域业务场景的服务诉求出发，基于现有大数据标签属性，进行属性关联度计算，得到影响度最高的属性纳入后续分类和图计算，显著降低计算复杂度。
[0101]
基于此，本案将ai类脑智慧运营系统，人工智能分析流程分为五大部分：基础特征提取，多维客户画像特征建立，类脑智能处理，起因挖掘分析，分析结论输出。通过数据汇聚及特征提取，类脑智慧运营系统进行自动算法选型、并行分析、分析结论输出，构建一体化闭环运营管理系统，从而能够有效提升流失客户识别成功率。
[0102]
图4为本说明书一实施例提供的一种预沉默用户识别装置的结构示意图，参见图4，所述装置具体可以包括：
[0103]
获取模块401，用于获取训练集，训练集包括用户样本及离网属性，所述离网属性用于表征用户是否为离网用户或者沉默用户；
[0104]
第一处理模块402，用于确定训练集的用户样本中各特征的重要度并进行特征排序，得到特征序列；
[0105]
第二处理模块403，用于基于所述特征序列，构建测试集对应的语义网络，所述语义网络的节点为所述测试集中的用户，节点属性为用户的离网状态，节点之间的边为用户样本之间的相似关系，边的值为用户之间的距离；
[0106]
第三处理模块404，用于基于所述语义网络中处于离网状态的用户标签，向全量用户标签进行传播，得到离网高风险用户及离网概率。
[0107]
可选的，第一处理模块402，具体用于：
[0108]
利用随机森林对所述训练集中的用户样本的特征进行重要性排序。
[0109]
可选的，装置还包括：
[0110]
筛选模块，用于在所述进行特征排序之前，依据特征的重要度，对用户样本中的特征进行筛除处理。
[0111]
可选的，所述获取模块401，具体用于：
[0112]
对原样本集进行随机采样，得到训练集；
[0113]
其中，所述原样本集中的样本包括正样本和待测样本，所述正样本为入网时长大于预设时长阈值且在预设时间范围内已销号或者转网的用户。
[0114]
可选的，装置还包括：
[0115]
预处理模块，用于对所述原样本集中的样本进行预处理，所述预处理包括至少过滤处理、缺值填充处理，所述过滤处理用于过滤缺值率超出预设阈值的特征，所述缺值填充处理用于填充缺值的特征值。
[0116]
可选的，所述获取模块401，具体用于：
[0117]
对所述原样本集进行有放回的随机采样处理，得到多个训练集；
[0118]
则装置还包括：
[0119]
整合模块，用于将每个训练集对应的离网高风险用户及离网概率进行整合处理，得到最终预测的标签结果，所述标签结果用于表征全量用户中的离网高风险用户及离网概率。
[0120]
可选的，装置还包括：
[0121]
设置模块，用于设置最大迭代步数和种子标签，所述种子标签包括预定义离网用户的相关特征；
[0122]
则装置还包括：
[0123]
迭代模块，用于确定每次迭代过程中各离网高风险用户与所述种子标签的相似度；分别基于本次迭代过程中的各离网高风险用户对应的相似度与置信度，确定各离网高风险用户中的目标用户并依据目标用户的特征更新上一次迭代过程中的种子标签，所述置信度用于为离网高风险用户的离网概率的预测置信度。
[0124]
基于此，本实施例通过将测试集进行分批次，以使每次迭代的测试集和训练集的样本数量相近，从而有效提高沉默用户的识别效果；而且，本实施例还基于本次迭代的结果更新本次迭代使用的种子标签，从而进一步地提高沉默用户的识别效果。另外，对于上述装置实施方式而言，由于其与方法实施方式基本相似，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。应当注意的是，在本说明书的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本说明书不受限于此，可以根据需要对各个部件进行重新划分或者组合。
[0125]
图5为本说明书一实施例提供的一种网络设备的结构示意图，参见图5，该网络设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成预沉默用户识别装置。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0126]
网络接口、处理器和存储器可以通过总线系统相互连接。总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0127]
存储器用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器可能包含高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器。
[0128]
处理器，用于执行所述存储器存放的程序，并具体执行：
[0129]
获取训练集，训练集包括用户样本及离网属性，所述离网属性用于表征用户是否为离网用户或者沉默用户；
[0130]
确定训练集的用户样本中各特征的重要度并进行特征排序，得到特征序列；
[0131]
基于所述特征序列，构建测试集对应的语义网络，所述语义网络的节点为所述测试集中的用户，节点属性为用户的离网状态，节点之间的边为用户样本之间的相似关系，边的值为用户之间的距离；
[0132]
基于所述语义网络中处于离网状态的用户标签，向全量用户标签进行传播，得到离网高风险用户及离网概率。
[0133]
上述如本说明书图4所示实施例揭示的预沉默用户识别处理装置或管理者(master)节点执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0134]
预沉默用户识别装置还可执行图1-2的方法，并实现管理者节点执行的方法。
[0135]
基于相同的发明创造，本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的网络设备执行时，使得所述网络设备执行图1-2对应的实施例提供的预沉默用户识别方法。
[0136]
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，对于系统实施例而言，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。
[0137]
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。
[0138]
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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。
[0139]
本说明书是参照根据本说明书实施例的方法、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。
[0140]
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。
[0141]
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。
[0142]
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。
[0143]
内存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(flash ram)。内存是计算机可读介质的示例。
[0144]
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(transitory media)，如调制的数据信号和载波。
[0145]
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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0146]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。
[0147]
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。