一种用户数据处理方法、装置、电子设备和存储介质与流程

本发明涉及数据处理和机器学习技术领域，尤其涉及一种用户数据处理方法、装置、电子设备和存储介质。

背景技术：

随着计算机和互联网技术的发展，人们的生活方式已经发生了极大的变化，互联网+模式的流行，也造就了大批互联网公司。互联网不仅拉近了人与人之间的距离，互联网+模式还改变了人们的消费方式。目前，市面上出现了很多依托于终端上的应用程序的平台，例如，购物平台、租赁平台、网约车平台等等。这些平台的出现，将用户与商家、用户与服务者之间建立起联系，通过平台实现二者之间沟通和交易。例如，目前比较常见的网约车平台，用户可以通过平台预约网约车，如快车、专车、的士或者顺风车等，司机也可以通过平台申请对外服务器的资格。对于这些平台运营商，为了提升平台的商业价值和盈利情况，通常需要提升平台的一些指标，例如日活跃用户数量(dailyactiveuser，简称为dau)，以及投资回报率(roi)。为了提升这些指标，通常会进行一些营销活动，比如定期发放优惠券或者进行优惠活动。

然而，发明人发现，现有的这些优惠往往更多是针对新用户，吸引新用户对平台的使用，缺忽略了老用户对平台的贡献，甚至存在“杀熟”的情况。这种方式虽然从某一方面可以提升dau，但是由于没有考虑现有用户的生命周期总价值(ltv)，导致roi降低。如何评估现有用户产生的价值，并针对性地进行优惠发放目前还没有相关的技术方案。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明要解决的是现有技术中无法评价现有用户对平台产生的价值，进而也无法进行针对性的优惠推送的问题。

为实现上述目的，本发明提供了一种用户数据处理方法，包括：获取目标用户群中每个用户使用平台的历史数据；从所述历史数据中提取每个所述用户使用平台的特征数据；将所述特征数据输入到预先训练得到的预测模型中，通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的创收价值进行预测，得到每个所述用户对应的预测创收价值；根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额。

在本发明的较佳实施方式中，所述预测模型包括能够表示所述用户使用平台的特征数据与产生的创收价值之间对应关系的模型架构和参数，所述预测模型通过以下步骤训练得到：获取用于训练模型的样本数据；对所述样本数据进行特征工程处理后，得到样本特征数据；将所述样本特征数据输入到训练构建的回归模型中进行训练，得到训练后的预测模型。

在本发明的较佳实施方式中，在根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额之后，还包括：生成与所述优惠额对应的电子优惠券；将所述电子优惠券发送至对应的用户账户。

在本发明的较佳实施方式中，所述目标用户群为提供服务的用户群，其中，所述特征数据包括以下至少之一：留存特征、服务完成的时间间隔、创造收入额、所述平台的激活渠道；或者，所述目标用户群为被服务的用户群，其中，所述特征数据包括以下至少之一：留存特征、使用服务的时间间隔、支付的费用额、所述平台的激活渠道。

在本发明的较佳实施方式中，所述根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额，包括：确定每个所述用户对应的预测创收价值所在的价值档位，其中，不同的预测创收价值分布在不同价值档位，每个价值档位预先设置有对应的优惠额；获取每个所述用户对应的预测创收价值所在的价值档位对应的优惠额，作为每个所述用户对应的优惠额。

在本发明的较佳实施方式中，所述根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额，包括：获取预期的利润率；根据所述利润率计算利润额；计算每个所述用户的平台运营成本；利用所述预测创收价值减去每个所述用户的平台运营成本和利润额，得到每个所述用户对应的优惠额。

在本发明的较佳实施方式中，还包括：通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的次数进行预测；其中，根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额，包括：根据所述预测创收价值与所述次数计算每个所述用户每次使用所述平台的预测创收价值均值；根据所述预测创收价值均值计算得到每个所述用户每次使用的优惠额。

为实现上述目的，本发明还提供了一种用户数据处理装置，包括：获取模块，用于获取目标用户群中每个用户使用平台的历史数据；提取模块，用于从所述历史数据中提取每个所述用户使用平台的特征数据；预测模块，用于将所述特征数据输入到预先训练得到的预测模型中，通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的创收价值进行预测，得到每个所述用户对应的预测创收价值；确定模块，用于根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额。

为实现上述目的，本发明还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如上述的用户数据处理方法。

为实现上述目的，本发明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有计算机指令，所述计算机指令用于使计算机执行如上述的用户数据处理方法。

本发明提供的装置或方法具有以下技术效果：

根据本发明实施例，通过获取用户使用平台的历史数据，从该历史数据中提取用户使用平台的特征数据，然后将其输入到预先训练得到的预测模型中进行用户创收价值的预测，从而得到每个用户未来预设时间段的预测创收价值，再根据该预测创收价值确定每个用户的优惠额，实现优惠额与创收价值的相关联，实现用户优惠的差异化，从而可以达到稳固老用户，提升平台投资回报率的作用。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的用户数据处理方法一个较佳实施例的流程图；

图2是本发明的用户数据处理装置一个较佳实施例的结构示意图；

图3是本发明的电子设备的一个较佳实施例的示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

为了阐释的目的而描述了本发明的一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。

本发明实施例提供了一种用户数据处理方法。主要根据用户对平台使用的历史数据来预测用户在未来一段时间内对平台所能够产生的价值，并根据该价值进行优惠推送，从而达到稳定用户，根据用户的价值确定优惠额度。本发明实施例中所述的平台主要是指互联网平台或者其他形式的中间平台，其主要是用于将消费者和服务方联系起来，例如，网约车平台、电商平台等等。用户在使用上述平台时，主要是通过安装在终端上的应用程序(app)来进行操作。本发明实施例的用户数据处理方法主要用于该平台的后端服务器来执行。

如图1所示，本发明实施例的用户数据处理方法包括：

步骤s101，获取目标用户群中每个用户使用平台的历史数据。

本发明实施例的用户数据处理方法，可以每次针对一部分用户进行价值评估。例如，针对将近一个月内使用平台次数超过3次的用户作为目标用户群里的用户，或者，将历史数据统计中，使用平台次数超过10次以上的用户作为目标群里的用户。需要说明的是，本发明实施例的用户数据处理方法可以在每个阶段或者并行处理多个目标用户群，每个目标用户群可以是相同类型的用户，也可以不同类型的用户。例如，限制单个目标用户群的总数量，将近一个月内使用平台次数超过3次的用户划分为多个目标用户群，然后分别进行价值预测和优惠额的发放，这样能够分阶段并行处理，提高处理效率。

本发明实施例中，历史数据是指用户对平台使用过程中的数据，例如，使用次数、每次使用消费金额或者挣取的金额、或者其他的用户埋点数据。当然，根据平台的不同，可以针对不同的用户数据进行记录，例如，对于网约车平台，用户数据可以包括行程数据、耗时、地点等等。另外，本发明实施例中所述的用户，可以是消费者，也可以是服务者，例如对于网约车平台，用户可以是乘客，也可以是司机，无论是乘客还是司机，在使用平台时，都会给平台产生相应的价值。

步骤s102，从所述历史数据中提取每个所述用户使用平台的特征数据。

历史数据如上所述，对于用户价值的评估需要从中选择相应的特征数据来进行后续的模型运算。本发明实施例中，特征数据的提取可以先对历史数据进行清洗，去除历史数据中的非特征数据，然后再从清洗后的数据中提取出能够体现用户使用平台的一些特征数据，例如能够体现用户留存特征的数据、用户使用平台的频率数据、用户激活平台的激活渠道、用户使用平台的时间间隔等。需要说明是的，本发明实施例所要保护的是利用从历史数据中选择特征数据来进行用户价值评估预测，对于选择哪些特征数据，哪些特征数据会更准确，本发明不做具体限定，只要是用户使用平台的特征数据，并且能够作为预测用户产生的创收价值，就在本发明的保护范围内。

当然，如本发明所述，对于不同的平台，本发明实施例的用户数据处理方法中，可以根据平台的特性，选择不同的特征数据，本发明不再一一举例。

作为一种可选的实施方式，本发明实施例中所述目标用户群可以是提供服务的用户群，其中，所述特征数据包括以下至少之一：留存特征、服务完成的时间间隔、创造收入额、所述平台的激活渠道。提供服务的用户群可以是商家，可以是服务者，例如司机等。本发明实施例的留存特征可以是用户在平台上的活跃程度，例如，使用平台的次数、频率等。服务完成的时间间隔可以是指用户两次提供服务之间的时间差；创造收入额可以是指用户在平台上的营收，例如，司机接单的应收金额。平台的激活渠道是指用户激活或者注册平台用户的渠道。

相应的，本发明实施例的所述目标用户群可以是被服务的用户群，其中，所述特征数据包括以下至少之一：留存特征、使用服务的时间间隔、支付的费用额、所述平台的激活渠道。被服务的用户群可以是消费者，可以是被服务者，如乘客等。留存特征、使用服务的时间间隔、支付的费用额、所述平台的激活渠道与上述相应的特征具有相同或者相类似的作用，这里不做赘述。

步骤s103，将所述特征数据输入到预先训练得到的预测模型中，通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的创收价值进行预测，得到每个所述用户对应的预测创收价值。

本发明实施例中，对于提取到的特征数据，将其作为预选训练得到的预测模型的输入，通过该预测模型来预测相应的用户在未来预设时间段内使用平台所产生的创收价值。具体地，对于目标用户群中的所有用户，分别获取每个用户的历史数据，然后提取其中的特征数据，在输入到预测模型中，预测出其未来预设时间段内使用平台所产生的创收价值。本发明实施例中所述的创收价值为用户在使用平台时给运营方所创造的价值量，预测创收价值则是未来预设时间段用户所能够创造的价值，其属于预测值。

本发明实施例中，所述预测模型包括能够表示所述用户使用平台的特征数据与产生的创收价值之间对应关系的模型架构和参数。也即是说，在预测模型的训练和学习的过程中，需要不断调整和优化模型架构和参数，使其满足特征数据与创收价值之间的对应关系，这样，当向预测模型中输入用户的特征数据之后，即可由该预测模型输出相应的预测创收价值。

可选地，本发明实施例所述预测模型可以通过以下步骤训练得到：获取用于训练模型的样本数据；对所述样本数据进行特征工程处理后，得到样本特征数据；将所述样本特征数据输入到训练构建的回归模型中进行训练，得到训练后的预测模型。

以网约车平台为例，可以根据用户历史数据进行每个用户属性画像和行为画像，作为样本数据，然后将这些样本数据进行特征工程处理之后，得到样本特征数据，然后新建回归模型，例如输入spartgbdt训练回归模型，输入t+1的预测输出值。在进行训练之前，先定义一个时间框架，例如未来2个月，范围为司机。

上述特征工程在机器学习中占有非常重要的作用，一般认为包括特征构建、特征提取、特征选择三个部分。特征构建比较麻烦，需要一定的经验。特征提取与特征选择都是为了从原始特征中找出最有效的特征。它们之间的区别是特征提取强调通过特征转换的方式得到一组具有明显物理或统计意义的特征；而特征选择是从特征集合中挑选一组具有明显物理或统计意义的特征子集。两者都能帮助减少特征的维度、数据冗余，特征提取有时能发现更有意义的特征属性，特征选择的过程经常能表示出每个特征的重要性对于模型构建的重要性。

对于预测模型的效果评估，可以采用评价指标mae(平均绝对误差)和业务指标：t周期内回本的人/本次活动人数的比例。

本发明实施例中，预设时间段可以根据需要进行设置，主要是训练数据训练的结果，可以是未来一个月，或者一周，获取其他的时间段。

本发明实施例中，通过预先训练得到的预测模型根据提取的特征数据来获取未来预设时间段内用户创造的价值，充分提取到用户的价值，然后可以准确地进行后续营销策略的使用。

步骤s104，根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额。其中，可选地，所述预测创收价值越大，所述优惠额越大；所述优惠额为给予用户使用所述平台时减免的额度值。

在预测出每个用户在未来预设时间段的预测创收价值之后，可以基于此计算出该用户可享受到的优惠额，其中优惠额与预测创收价值可以进行正相关，也即是预测创收价值越大，优惠额越大，这样，当用户创造的价值越大时，其所获得的优惠力度也就最大，能够达到对创造过高价值的用户，给予更高的补贴优惠，从而刺激其进一步的产生价值，实现每个用户的差异化营销策略。

根据本发明实施例，通过获取用户使用平台的历史数据，从该历史数据中提取用户使用平台的特征数据，然后将其输入到预先训练得到的预测模型中进行用户创收价值的预测，从而得到每个用户未来预设时间段的预测创收价值，再根据该预测创收价值确定每个用户的优惠额，实现优惠额与创收价值的相关联，实现用户优惠的差异化，从而可以达到稳固老用户，提升平台投资回报率的作用。

作为一种可选实施方式，本发明实施例中，在根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额之后，还包括：生成与所述优惠额对应的电子优惠券；将所述电子优惠券发送至对应的用户账户。

本发明实施例中，还可以设置每个优惠券的有效期，该有效期可以设置为与预设时间段相等的时间周期。对于每个用户，当预测出其在未来预设时间段的预测创收价值之后，确定出其对应的优惠额，然后生成相应的优惠券分别后进行发放。当用户登录账户之后，可以获取相应的优惠券进行使用，从而减免相应的花销。例如，对于网约车司机而言，当使用优惠券之后，可以抵扣一部分的平台抽成；对于乘客而言，则可以抵扣一部分车费。

进一步可选地，本发明实施例的用户数据处理方法还包括：通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的次数进行预测；相应地，根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额，包括：根据所述预测创收价值与所述次数计算每个所述用户每次使用所述平台的预测创收价值均值；根据所述预测创收价值均值计算得到每个所述用户每次使用的优惠额。

具体而言，本发明实施例的预测模型不仅可以预测未来预设时间段用户的创收价值，还可以预测用户在未来预设时间段使用平台的次数，这样就可以计算出用户每次使用平台产生的预测创收价值均值，然后基于该均值计算每个用户每次能够使用的优惠额。然后，可以基于每个优惠额生成相应数量的优惠券发放给用户，用户在后面使用平台时，每次可以使用一张优惠券，从而达到提高用户对平台使用率的目的，提高平台整体的回报率。

本发明实施例中，如何确定优惠额，可以根据预测创收价值档位划分，也可以直接计算每个用户的优惠额。具体地，一种可选的实施方式中，所述根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额，包括：确定所述每个所述用户对应的预测创收价值所在的价值档位，其中，不同的预测创收价值分布在不同价值档位，每个价值档位预先设置有对应的优惠额；获取每个所述用户对应的预测创收价值所在的价值档位对应的优惠额，作为每个所述用户对应的优惠额。

本发明实施例中，在确定出每个用户的预测创收价值之后，可以将所有用户的预测创收价值进行档位划分，每个档位对应一个预测创收价值区间；然后不同的档位对应不同的优惠额，档位中预测创收价值区间越高，对应的优惠额则越高。这样，当确定出每个用户对应的预测创收价值之后，即可确定其所在的档位，然后确定出对应的优惠额，发放到该用户的账户中。

另外一种可替代方式包括：所述根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额，包括：获取预期的利润率；根据所述利润率计算利润额；计算每个所述用户的平台运营成本；利用所述预测创收价值减去每个所述用户的平台运营成本和利润额，得到每个所述用户对应的优惠额。

预期的利润率为平台的给定具体值，例如，平台对于每一单的运营利润率确定为3％，获取给利润率，然后根据预测创收价值和利润率计算得到利润额，对于每个用户的每一单而言，分别计算其所需要的平台运营成本，该运营成本可以预先计算出不同订单，不同用户的成本。然后通过预测创收价值减去每个用户的平台运营成本和利润额，得到对应优惠额。也即是说，在保证一定的利润的其概况下，分别计算出每个用户每一单的优惠额，当用户的创收价值越高时，相应的其优惠额的值越大，这样就形成了差异化的补贴优惠。

本发明实施例还提供了一种用户数据处理装置，该装置可以用于执行图1所示的用户数据处理方法，如图2所示，该装置包括：

获取模块201，用于获取目标用户群中每个用户使用平台的历史数据。

提取模块202，用于从所述历史数据中提取每个所述用户使用平台的特征数据。

预测模块203，用于将所述特征数据输入到预先训练得到的预测模型中，通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的创收价值进行预测，得到每个所述用户对应的预测创收价值。

确定模块204，用于根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额。

根据本发明实施例，通过获取用户使用平台的历史数据，从该历史数据中提取用户使用平台的特征数据，然后将其输入到预先训练得到的预测模型中进行用户创收价值的预测，从而得到每个用户未来预设时间段的预测创收价值，再根据该预测创收价值确定每个用户的优惠额，实现优惠额与创收价值的相关联，实现用户优惠的差异化，从而可以达到稳固老用户，提升平台投资回报率的作用。

可选地，所述预测模型包括能够表示所述用户使用平台的特征数据与产生的创收价值之间对应关系的模型架构和参数，所述预测模型通过以下模块训练得到：

样本获取模块，用于获取用于训练模型的样本数据；

样本处理模块，用于对所述样本数据进行特征工程处理后，得到样本特征数据；

模型训练模块，用于将所述样本特征数据输入到训练构建的回归模型中进行训练，得到训练后的预测模型。

可选地，装置还包括：

生成模块，用于在根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额之后，生成与所述优惠额对应的电子优惠券；

发送模块，用于将所述电子优惠券发送至对应的用户账户。

可选地，所述确定模块，包括：

确定单元，用于确定所述每个所述用户对应的预测创收价值所在的价值档位，其中，不同的预测创收价值分布在不同价值档位，每个价值档位预先设置有对应的优惠额；

第一获取单元，用于获取每个所述用户对应的预测创收价值所在的价值档位对应的优惠额，作为每个所述用户对应的优惠额。

可选地，所述确定模块，包括：

第二获取单元，获取预期的利润率；

第一计算单元，用于根据所述利润率计算利润额；

第二计算单元，用于计算每个所述用户的平台运营成本；

第三计算单元，用于利用所述预测创收价值减去每个所述用户的平台运营成本和利润额，得到每个所述用户对应的优惠额。

可选地，所述预测模块还用于通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的次数进行预测；

其中，所述确定模块，包括：第四计算单元，用于根据所述预测创收价值与所述次数计算每个所述用户每次使用所述平台的预测创收价值均值；第五计算单元，用于根据所述预测创收价值均值计算得到每个所述用户每次使用的优惠额。

上述实施例的具体描述参见方法实施例，这里不再赘述。

本发明的一个实施例中，还提供了一种电子设备，该电子设备可以是上述实施例中的后台服务器，其内部结构图可以如图3所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的电子设备通过网络连接通信。该计算机程序被处理器执行时以实现一种用户体验倾向识别方法。该电子设备还可以包括显示屏和输入装置，其显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板等。

另一方面，则该电子设备可以不包括显示屏和输入装置，本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，实现以下步骤：

获取目标用户群中每个用户使用平台的历史数据；

从所述历史数据中提取每个所述用户使用平台的特征数据；

将所述特征数据输入到预先训练得到的预测模型中，通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的创收价值进行预测，得到每个所述用户对应的预测创收价值；

根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额，其中，所述预测创收价值越大，所述优惠额越大；所述优惠额为给予用户使用所述平台时减免的额度值。

在一个实施例中，提供了一种可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行：

获取目标用户群中每个用户使用平台的历史数据；

从所述历史数据中提取每个所述用户使用平台的特征数据；

将所述特征数据输入到预先训练得到的预测模型中，通过所述预测模型对每个所述用户在未来预设时间段内使用所述平台产生的创收价值进行预测，得到每个所述用户对应的预测创收价值；

根据每个所述用户对应的预测创收价值确定每个所述用户对应的优惠额，其中，所述预测创收价值越大，所述优惠额越大；所述优惠额为给予用户使用所述平台时减免的额度值。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。