线索质量数据确定方法、系统、装置、设备及存储介质与流程

本申请涉及计算机技术领域，尤其涉及一种线索质量数据确定方法、系统、装置、设备及存储介质。

背景技术：

目前，企业或商家等在通过各种渠道(如电话、微信、qq等各种网络通信工具)获取到服务需求方所需服务相关要求对应的线索信息后，为了实现对线索信息的精细化管理，常根据线索质量好坏来为线索信息进行定级。现有技术中，企业或商家等一般采用人为主观方式来判定线索质量好坏，进而为线索信息定级。但是，这种人为主观方式存在考虑不够全面及客观等问题，具有较低精准度，且耗时长、成本高。

技术实现要素：

鉴于上述问题，本申请提供一种解决上述问题或至少部分地解决上述问题的线索质量数据确定方法、系统、装置、设备及存储介质。

在本申请的一个实施例中，提供了一种线索质量数据确定方法。该方法包括：

获取多个历史线索信息；其中，所述线索信息与服务需求方要求的服务内容具有关联性；

根据所述多个历史线索信息，确定计算模型；

利用所述计算模型，对新输入的线索信息进行分析，得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；

在交互界面上，展示所述线索质量数据。

在在本申请的一实施例中，提供了一种线索质量数据确定系统。该系统包括：

服务端，获取多个历史线索信息；其中，所述线索信息与服务需求方要求的服务内容具有关联性；根据所述多个历史线索信息，确定计算模型；利用所述计算模型，对新输入的线索信息进行分析，得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；

客户端，用于提供交互界面，在交互界面上展示所述线索质量数据。

在在本申请的一实施例中，提供了一种线索质量数据确定装置。该装置包括：

获取模块，用于获取多个历史线索信息；其中，所述线索信息与服务需求方要求的服务内容相具有关联性；

确定模块，用于根据所述多个历史线索信息，确定计算模型；

分析模块，用于利用所述计算模型，对新输入的线索信息进行分析，得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；

展示模块，用于在交互界面上，展示所述线索质量数据。

在本申请的一个实施例中，提供了一种电子设备。该电子设备包括：存储器和处理器，其中，

所述存储器，用于存储程序；

所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：

获取多个历史线索信息；其中，所述线索信息与服务需求方要求的服务内容具有关联性；

根据所述多个历史线索信息，确定计算模型；

利用所述计算模型，对新输入的线索信息进行分析，得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；

在交互界面上，展示所述线索质量数据。

在本申请的一个实施例中，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中存储有程序，所述程序被处理器执行时实现本申请实施例所述的线索质量数据确定方法的步骤。

本申请实施例提供的技术方案，基于获取到的多个历史线索信息，可确定出一计算模型，其中，所述线索信息与服务需求方要求的服务内容具有关联性；利用该计算模型对新输入的线索信息进行分析，能够得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；之后可将所述线索质量数据在交互界面上进行可视化展示。方案中线索质量数据是采用科学客观方式得到的，具有较高精准度，方案简单、高效，且通过该线索质量数据能够便于提升服务提供方的工作效率。

附图说明

为了更清楚地说明本申请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利用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。

图1为本申请一实施例提供的线索质量数据确定方法的流程示意图；

图2a为本申请一实施例提供的线索质量数据确定系统的结构框图；

图2b为本申请一实施例提供的线索质量数据确定系统的具体形态示意图；

图3为本申请一实施例提供的线索质量数据确定装置的结构框图；

图4为本申请一实施例提供的电子设备的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。而本申请中术语“或/和”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如：a或/和b，表示可以单独存在a，同时存在a和b，单独存在b这三种情况；本申请中字符“/”，一般表示前后关联对象是一种“或”关系。此外，下述的各实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

随着互联网技术的发展，越来越多的服务需求方优先通过网络留资了解一些相关服务信息，然后再入线下门店与服务提供方进行面谈、签单等。例如，在家政行业中，当服务需求方需要一门店提供保姆服务时，常会优先通过电话、微信等网络通信方式，向该门店留资了解与保姆相关的服务信息，之后再入店-与服务提供方面谈-签单。目前，这种网电销方式已在各行业中成为主流营销方式，企业或商家等对于这种网络线索信息的重视程度也变得越来越高，但由于线索信息来自线上，渠道众多，来源复杂，导致线索质量参差不齐，常存在众多无效线索或参水线索。为了实现对这些线索信息的精细化管理，目前，企业或商家等一般采用人为主观方式来判定线索质量好坏，进而为线索信息定级。但采用人为主观方式存在考虑不够全面及客观等问题，具有较低精准度，且耗时长、成本高。为了解决上述问题，本申请实施例提供了一种线索质量数据确定方法，该方法利用已训练的计算模型对线索信息进行分析，从而得到所述线索信息的线索质量数据；其中，所述线索信息数据反映了所述线索信息对应的签单概率，为此基于该线索质量数据可以辅助企业或商家等对相应线索信息的后续跟进，提升服务效率及线索转化率，线索转化率可简单理解为服务需求方从咨询服务到成功签单的转化率。本申请实施例提供的方法，可应用于如图2a或图2b示出的包括服务端和客户端的系统架构中，其中，所述服务端和所述客户端的具体工作流程及之间的通信交互将在以下各实施例中作进一步说明，为此可参见下文中的相应内容，此处不作具体赘述。

下面结合附图对本申请实施例提供的技术方案进行详细描述。

图1示出了本申请一实施例提供的线索质量数据确定方法的流程示意图。该方法可以由线索质量数据确定装置来执行，所述装置可以由软件和/或硬件来执行，所述装置可以配置在计算机、服务器等电子设备中，且本实施例提供的方法可适用于任何进行线索质量数据确定的情况。如图1所示，该方法包括以下步骤：

101、获取多个历史线索信息；其中，所述线索信息与服务需求方要求的服务内容具有关联性；

102、根据所述多个历史线索信息，确定计算模型；

103、利用所述计算模型，对新输入的线索信息进行分析，得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；

104、在交互界面上，展示所述线索质量数据。

上述步骤101中，所述线索信息是指与服务需求方要求的服务内容具有关联性的数据信息，在所述历史线索信息中包含有历史线索画像及历史线索画像对应的签单结果；其中，所述线索画像可以是基于与服务需求方要求的服务内容相关的描述信息进行构建的，具体地，所述线索画像可以包括但不限于如下中至少一项：线索来源渠道，线索所属区域，线索所属服务类型，线索所属紧急程度、服务需求方要求的服务内容、服务需求方要求服务提供方的到岗日期，服务需求方要求服务提供方的工作年限、年龄、籍贯及生肖，服务需求方要求的服务起始时间，服务需求方要求的服务天数，线索创建天数等等。往往不同服务需求方要求的服务内容不同，为此对应的线索画像也将不同，例如，在家政行业中，对于具有家庭月嫂需求的服务需求方来说，其对应的线索画像可以包含有服务需求方所要求的服务内容(如婴儿饮食照料、起居及卫生等的照料、月子餐、日常生活)、工作时长(如8小时、10小时、24小时)及到岗日期(如6月20日)等等。

在具体实施时，上述获取多个历史线索信息的方式可以为互联网方式，当然也可以是其它途径方式，比如，从企业或商家等用于记录历史服务数据的线下数据库中获取，此处对获取历史线索信息的途径并不作具体限定。需说明的是，这里多个历史线索信息中的多个可以指的是几百个、几千个、几十万个等，此处并不作具体限定，不过为了确保在后续基于该多个历史线索训练得到的计算模型具有高精准度，本实施例中获取到的多个历史线索信息的实际数量达到几十万甚至几百万。

在获取到多个历史线索信息后，基于该多个历史线索信息，可以采用机器学习算法训练生成一计算模型，以便于利用该计算模型来客观地判定线索质量的好坏，以辅助企业或商家等对线索信息进行精细化管理；其中，所述机器学习算法包括逻辑回归算法、决策树算法、随机森林算法、支持向量机算法等中的一种或组合。基于此，上述步骤102中的计算模型即为机器学习模型，具体地，所述计算模型可以是基于大量训练样本数据对机器学习模型进行训练得到的；其中，训练样本是根据获取到的多个历史线索信息生成的，机器学习模型是基于相应的机器学习算法构建得到的。也即，步骤102“根据所述多个历史线索信息，确定计算模型”的一种可实现技术方案为：

1021、根据所述多个历史线索信息，生成训练样本；

1022、利用所述训练样本，对所述机器学习模型进行训练，得到计算模型。

上述步骤1021中，所述多个历史线索信息具体包括：多个历史线索画像及各历史线索画像对应的签单结果；其中，关于线索画像的具体描述可参见上文相关内容，此处不再作赘述；而所述线索画像对应的签单结果用于标识在线索下地面后的一时间段内服务需求方是否成功签单，所述时间段可以根据实际情况进行设置，比如，可以以7天、1月等作为一个时间段。这里需说明的是：上述线索下地面是指线索由线上转移到线下(如线下实体门店)的过程，通常一个线索会经历网电销(即线上)和地面顾问(即线下)两个阶段，网电销阶段可以滤除掉明显没有意向的服务需求方，当经网电销阶段确定出有意向的服务需求方时，则可以将该有意向的服务需求方下放至就近线下具体实体门店，并分配给地面顾问，由地面顾问继续跟进该服务需求方，进行后面服务提供方的匹配，服务需求方与服务提供方面试，签单等。

相应地，在根据多个历史线索信息生成训练样本的过程中，具体地，可以先根据各历史线索画像对应的签单结果对各历史线索信息进行标记，并根据标记结果确定出正训练样本及负训练样本，从而再利用正训练样本和负训练样本对机器学习模型进行训练，以训练得到具有较高精准度的计算模型。即在一具体可实现技术方案中，步骤1021“根据所述多个历史线索信息，生成训练样本”，可具体采用如下步骤来实现：

a11、基于各历史线索画像对应的签单结果，对各历史线索信息进行标记；

a12、根据标记结果，确定正训练样本及负训练样本。

具体实施时，若一历史线索信息中的历史线索画像对应的签单结果为成功签单，则可以将该历史线索信息标记为1；反之，若一历史线索信息中的历史线索画像对应的签单结果为未成功签单，则可以将该历史线索信息标记为0。当然，也可以基于各历史线索画像对应的签单结果，采用其他标记方式来标记各历史线索信息，此处不作具体限定。基于标记结果，可以将对应标记为1的历史线索信息作为正训练样本，将对应标记为0的历史线索信息作为负训练样本。综上也即，将历史线索画像对应的签单结果为成功签单的历史线索信息，作为正训练样本；将历史线索画像对应的签单结果为未成功签单的历史线索信息，作为负训练样本。需说明的是：这里可将线索画像对应的签单结果为未成功签单的历史线索信息称为流失线索信息。据此，本实施例中的负训练样本即为多个历史线索信息中的流失线索信息，正训练样本即为多个历史线索信息中成功签单的线索信息，而对于多个历史线索信息中既未流失也未成功签单的线索信息则不将其作为训练样本。

上述步骤1022中，在利用训练样本对机器模型进行训练过程中，具体地，可以将训练样本中的正训练样本及负训练样本作为机器模型的输入，执行该计算模型将会得到相应的输出结果，其中，所述输出结果中含有利用机器学习模型预测出的正训练样本及负训练样本各自对应的的签单概率；根据所述输出结果和正训练样本及负训练样本各自对应的标记结果，可以对所述机器学习模型进行优化，并将优化后的机器学习模型作为计算模型。

上述具体优化所述机器模型的方式，可以是通过基于所述输出结果和正训练样本及负训练样本各自对应的标记结果来构建一损失函数，并基于该损失函数可利用诸如梯度下降方法调整所述机器模型的模型参数，从而到达优化所述机器模型的目的，以此得到计算模型。具体实施时，可朝着损失函数梯度下将方向调整模型参数，直至到达预设收敛条件时，将调整得到的模型作为优化后的机器模型(即计算模型)；其中，所述预设收敛条件可以是损失函数随模型参数的变化到达收敛，也可以是调整次数达到预设次数阈值，此处不作具体限定。这里需要说明的是：上述在构建损失函数时可以是根据差值、交叉熵等方式进行构建的，本实施例对此不作限定。

这里需说明的是：为了进一步提高计算模型的精准度，上述训练样本中除了包含有由多个历史线索信息生成的正负训练样本外，还可包含有多个历史线索信息对应的签单转化率(conversionrate，cvr)，所述签单转化率是指签单线索数量与网电销下地面的线索数量间的比值，例如，以过去60天cvr为例，则过去60天cvr＝过去60天签单线索数量/过去60天网电销下地面的线索数量。

不过，考虑到获取到的多个历史线索信息中可能存在重复或异常等线索信息，为此在根据所述多个历史线索信息生成训练样本之前，需要对历史线索信息进行过滤、去噪等处理。即在上述步骤1021“根据所述多个历史线索信息，生成训练样本”之前，还可包括如下步骤：

1020、对所述多个历史线索信息进行预处理操作；

其中，所述预处理操作包括：过滤处理、去噪处理。

上述中，过滤处理的作用在于对多个历史线索信息进行去重，去噪处理的作用在于去除多个历史线索信息中的异常线索信息。具体实施时，可采用现有技术对多个历史线索信息进行过滤、去噪等操作，从而得到所述多个历史线索信息中的可用历史线索信息，具体处理过程可参见现有技术，此处不作具体赘述。

上述103中，在新输入的线索信息中仅包含有线索画像，利用经训练得到的计算模型对新输入的线索信息进行分析，可自动、高效地计算出该线索信息的线索质量数据；其中，所述线索质量数据可反映出该线索信息对应的签单概率。由于所述计算模型是基于大量的历史线索信息所生成的训练样本，从多个方面对机器学习模型进行训练得到的，从而具有较高精准度。为此，在利用本实施例中的计算模型分析计算出的线索信息对应的签单概率也具有较高精准度，从而也就可以很好的辅助企业或商家等对相应线索信息的后续跟进。

上述104中，在得到出所述线索信息的线索质量数据后，可进一步地将所述线索质量数据发送至客户端，以在客户端提供的交互界面上展示该线索质量数据，从而实现为企业或商家等可视化地呈现所得到线索质量数据，方便于指导企业或商家等对相应线索信息做后续跟进，提升工作效率。

本实施例提供的技术方案，基于获取到的多个历史线索信息，可确定出一计算模型，其中，所述线索信息与服务需求方要求的服务内容具有关联性；利用该计算模型对新输入的线索信息进行分析，能够得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；之后可将所述线索质量数据在交互界面上进行可视化展示。方案中线索质量数据是采用科学客观方式得到的，具有较高精准度，方案简单、高效，且通过该线索质量数据可以指导企业或商家等对相应线索信息进行后续跟进，方便于提升服务提供方的工作效率。

这里需要说明的是，本实施例提供的方法可以应用于家政服务应用场景中，此外，也可以应用于任何适用的场景，比如购车服务场景、商品营销场景，美容美发场景等等，本实施例对具体应用场景并不作限定。

上述方法实施例提供的技术方案可基于如下硬件系统实现。具体地，图2a和图2b示出了本申请一实施例提供的线索质量数据确定系统的结构示意图。如图2a所示，该系统具体包括：

服务端201，获取多个历史线索信息；其中，所述线索信息与服务需求方要求的服务内容具有关联性；根据所述多个历史线索信息，确定计算模型；利用所述计算模型，对新输入的线索信息进行分析，得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；

客户端202，用于提供交互界面，在交互界面上展示所述线索质量数据。

具体实施时，参见图2b所示，上述服务端201包括能够进行数据处理，并且具有通信功能的设备。在一些实施例中，服务端设备201可实现为常规服务器、云端服务器、云主机、虚拟中心等服务器等设备，本实施例对此不做限制。其中，云端服务器为基于云计算的计算机集合，即由基于云计算(cloudcomputing)的大量主机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。

上述客户端202可以是能够与用户(包含服务需求方和服务提供方)进行交互，并且具有通信功能的设备。在不同的应用场景下，客户端202的实现形态会有所不同。例如，在一些场景下，客户端201可为：手机、平板电脑、个人数字助手(personaldigitalassistant，pda)、台式计算机、笔记本电脑、智能穿戴设备(如智能眼镜、智能手表等)等等，本实施例对此不作限定。

本实施例线索质量数据确定系统中，服务端201和客户端端202之间的数据交互过程，可基于服务端201与客户端202和之间建立的通信连接关系实现。其中，具体的通信连接方式可视实际的应用场景而定。

在一些示例性实施方式中，服务端201与客户端202之间可采用有线通信方式无线通信方式进行通信。其中，无线通信方式包括蓝牙、zigbee、红外线、wifi(wireless-fidelity，无线保真技术)等短距离通信方式，也包括lora等远距离无线通信方式，还可包括基于移动网络的无线通信方式。其中，当通过移动网络通信连接时，移动网络的网络制式可以为3d(gsm)、3g(wcdma、td-scdma、cdma2000、utms)、4g(lte)、4g+(lte+)、5g、wimax等中的任意一种。

这里需要说明的是：本实施例提供的所述线索质量数据确定系统中各步骤未尽详述的内容可参见上述各实施例中的相应内容，此处不再作赘述。此外，本实施例提供的所述线索质量数据确定系统中除了上述各步骤以外，还可包括上述各实施例中其他部分或全部步骤，具体可参见上述各实施例相应内容，在此不再赘述。

图3示出了本申请一实施例提供的线索质量数据确定装置的结构框图。如图3所示，该装置具体包括：

获取模块301，用于获取多个历史线索信息；其中，所述线索信息与服务需求方要求的服务内容具有关联性；

确定模块302，用于根据所述多个历史线索信息，确定计算模型；

分析模块303，用于利用所述计算模型，对新输入的线索信息进行分析，得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；

展示模块304，用于在交互界面上，展示所述线索质量数据。

本实施提供的技术方案，基于获取到的多个历史线索信息，可确定出一计算模型，其中，所述线索信息与服务需求方要求的服务内容具有关联性；利用该计算模型对新输入的线索信息进行分析，能够得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；之后可将所述线索质量数据在交互界面上进行可视化展示。方案中线索质量数据是采用科学客观方式所得到的，具有较高精准度，方案简单、高效，且通过该线索质量数据能够便于提升服务提供方的工作效率。

进一步地，上述计算模型为机器学习模型；相应地，上述确定模块302，在用于根据所述多个历史线索信息，确定计算模型时，具体用于：根据所述多个历史线索信息，生成训练样本；利用所述训练样本，对所述机器学习模型进行训练，得到计算模型。

进一步地，上述多个历史线索信息包括：多个历史线索画像及各历史线索画像对应的签单结果；相应地，上述确定模块302，在用于根据所述多个历史线索信息，生成训练样本时，具体用于：基于各历史线索画像对应的签单结果，对各历史线索信息进行标记；根据标记结果，确定正训练样本及负训练样本。

进一步地，上述确定模块302，还用于将历史线索画像对应的签单结果为成功签单的历史线索信息，作为正训练样本；将历史线索画像对应的签单结果为未成功签单的历史线索信息，作为负训练样本。

进一步地，上述确定模块302，在用于根据所述历史线索信息，生成训练样本之前，还用于：对所述多个历史线索信息进行预处理操作；其中，所述预处理操作包括：过滤处理、去噪处理。

进一步地，上述线索画像包括如下中至少一项：线索来源渠道，线索所属区域，线索所属服务类型，线索所属紧急程度、服务需求方要求的服务内容、服务需求方要求服务提供方的到岗日期，服务需求方要求服务提供方的工作年限、年龄、籍贯及生肖，服务需求方要求的服务起始时间，服务需求方要求的服务天数，线索创建天数。

这里需要说明的是：本实施例提供的线索质量数据确定装置可以执行图1所示实施例所述的线索质量数据确定方法，其实现原理和技术效果不再赘述。对于上述实施例中的线索质量数据确定装置中各个模块或单元执行操作的具体实现方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4示出了本申请一实施例提供一个电子设备的结构示意图。如图4所示，所述电子设备包括：存储器401以及处理器402。存储器401可被配置为存储其它各种数据以支持在传感器上的操作。这些数据的示例包括用于在传感器上操作的任何应用程序或方法的指令。存储器401可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

所述处理器402，与所述存储器401耦合，用于执行所述存储器401中存储的所述程序，以用于：

获取多个历史线索信息；其中，所述线索信息与服务需求方要求的服务内容具有关联性；

根据所述多个历史线索信息，确定计算模型；

利用所述计算模型，对新输入的线索信息进行分析，得出所述线索信息的线索质量数据；其中，所述线索质量数据反映所述线索信息对应的签单概率；

在交互界面上，展示所述线索质量数据。

其中，处理器402在执行存储器401中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。

进一步，如图4所示，电子设备还包括：通信组件403、显示器404、电源组件405及音频组件406等其它组件。图4中仅示意性给出部分组件，并不意味着电子设备只包括图4所示组件。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的线索质量数据确定方法步骤或功能。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。