用户挖掘方法、系统、装置及存储介质与流程

1.本技术涉及互联网技术领域，尤其涉及一种用户挖掘方法、系统、装置及存储介质。


背景技术：

2.在互联网中，以社区为单位对网络用户进行网格控制，对舆论管控或者是精准营销活动都具有重要意义，因此，挖掘社区用户是实现互联网管控的重要手段。
3.而相关技术中，一般是以网络用户的社交关系为中心进行社交网络的搜索，但由于用户的属性具有多样性，且网络的复杂度正在日益提高，因此在进行网络用户的挖掘过程中，相关技术正面临着很大的算法及工程挑战。


技术实现要素：

4.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本技术提出一种用户挖掘方法、系统、装置及存储介质。
5.第一方面，本技术实施例提供了一种用户挖掘方法，包括：获取用户的呼叫数据；其中，所述呼叫数据为指定时间段内，多个主叫用户对被叫用户的呼叫数据；对所述呼叫数据进行数据清洗，生成呼叫行为列表；基于三度影响力原则，对所述呼叫行为列表进行剪枝操作，生成呼叫网络；其中，所述呼叫网络为有向图；基于随机游走算法，根据所述呼叫网络生成随机呼叫序列集合；将所述随机呼叫序列集合输入训练好的用户挖掘模型，得到所述用户对应的用户向量集；其中，所述用户挖掘模型skip-gram模型，所述用户向量集中包括多个所述用户对应的用户向量；计算当前所述用户向量与所述用户向量集中其他所述用户向量的相似度，确定与当前所述用户向量对应的所述用户相似的相似用户群。
6.可选地，所述方法还包括：获取所述相似用户群中所有所述用户的高频订购列表；根据所述高频订购列表，对所述相似用户群中的所有所述用户进行订购推荐。
7.可选地，所述对所述呼叫数据进行数据清洗，生成呼叫行为列表，包括：定义多个拨打动作类型，并定义所述拨打动作类型对应的第一权重值；将所述呼叫数据中属于同一所述主叫用户的所述呼叫数据进行合并；根据所述拨打动作类型、所述第一权重值和合并后的所述呼叫数据，计算当前所述主叫用户对应的所有所述被叫用户的呼叫加权得分；根据所述呼叫加权得分，对当前所述主叫用户对应的所有所述被叫用户进行排序，生成所述呼叫行为列表。
8.可选地，所述对所述呼叫数据进行数据清洗，生成呼叫行为列表，包括：将所述呼叫数据中属于同一所述主叫用户的所述呼叫数据进行合并；完成合并后，根据呼叫时间，对当前所述主叫用户对应的所述呼叫数据进行排序；完成排序后，根据预设的连续呼叫间隔，对当前所述主叫用户对应的所述呼叫数据进行切分，生成包括多个连续呼叫单元的所述呼叫行为列表；其中，所述连续呼叫单元中包括若干个所述被叫用户。
9.可选地，所述基于三度影响力原则，对所述呼叫行为列表进行剪枝操作，生成呼叫
网络，包括：根据所述呼叫数据，确定所有所述被叫用户与所述主叫用户的关系级别；其中，所述关系级别分为一级关系、二级关系、三级关系和其他关系；将属于所述其他关系的所述被叫用户对应的所述呼叫数据从所述呼叫行为列表中删除；根据完成删除后的所述呼叫行为列表，生成所述呼叫网络。
10.可选地，所述基于随机游走算法，根据所述呼叫网络生成随机呼叫序列集合，包括：确定所述呼叫网络中的第二权重值；在所述呼叫网络内，根据所述第二权重值实现随机游走算法，生成所述随机呼叫序列集合。
11.第二方面，本技术实施例提供了一种用户挖掘系统，包括：第一模块，用于获取用户的呼叫数据；其中，所述呼叫数据为指定时间段内，多个主叫用户对被叫用户的呼叫数据；第二模块，用于对所述呼叫数据进行数据清洗，生成呼叫行为列表；第三模块，用于基于三度影响力原则，对所述呼叫行为列表进行剪枝操作，生成呼叫网络；其中，所述呼叫网络为有向图；第四模块，用于基于随机游走算法，根据所述呼叫网络生成随机呼叫序列集合；第五模块，用于将所述随机呼叫序列集合输入训练好的用户挖掘模型，得到所述用户对应的用户向量集；其中，所述用户挖掘模型skip-gram模型，所述用户向量集中包括多个所述用户对应的用户向量；第六模块，用于计算当前所述用户向量与所述用户向量集中其他所述用户向量的相似度，确定与当前所述用户向量对应的所述用户相似的相似用户群。
12.第三方面，本技术实施例提供了一种装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如第一方面所述的用户挖掘方法。
13.第四方面，本技术实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如第一方面所述的用户挖掘方法。
14.本技术实施例的有益效果如下：在本技术实施例提出的用户挖掘方法中，首先获取用户的呼叫数据；其中，呼叫数据为主叫用户对被叫用户的呼叫数据；然后对呼叫数据进行数据清洗，生成呼叫行为列表；基于三度影响力原则，对呼叫行为列表进行剪枝操作，生成呼叫网络；基于随机游走算法，根据呼叫网络生成随机呼叫序列集合；将随机呼叫序列集合输入训练好的用户挖掘模型，得到主叫用户对应的用户向量集；其中，用户挖掘模型为skip-gram 模型；最后计算当前主叫用户对应的用户向量与其他主叫用户对应的用户向量的相似度，确定与当前主叫用户相似的相似用户群。本技术实施例提出了根据用户的呼叫数据来挖掘与当前用户相似的相似用户群的方法，与相关技术相比，本技术通过随机游走的方式生成呼叫网络，有利于改善呼叫低频的呼叫数据特征；并且本技术利用用户挖掘模型生成表征用户的用户向量，能够在进行数据挖掘时不受相关技术中的社交网络无向图的局限，能更好地挖掘到与当前用户相似的相似用户群，从而帮助进行舆情管控、精准营销等活动。
附图说明
15.附图用来提供对本技术技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
16.图1为本技术实施例提供的用户挖掘方法的步骤流程图；
17.图2为本技术实施例提供的生成呼叫行为列表的第一步骤流程图；
18.图3为本技术实施例提供的生成呼叫行为列表的第二步骤流程图；
19.图4为本技术实施例提供的呼叫网络的示意图；
20.图5为本技术实施例提供的用户挖掘系统的示意图；
21.图6为本技术实施例提供的装置的示意图。
具体实施方式
22.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
23.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
24.在互联网中，以社区为单位对网络用户进行网格控制，对舆论管控或者是精准营销活动都具有重要意义，因此，挖掘社区用户是实现互联网管控的重要手段。而相关技术中，一般是以网络用户的社交关系为中心进行社交网络的搜索，但由于用户的属性具有多样性，且网络的复杂度正在日益提高，因此在进行网络用户的挖掘过程中，相关技术正面临着很大的算法及工程挑战。
25.基于此，本技术实施例提出一种用户挖掘方法、系统、装置及存储介质，其方法包括：首先获取用户的呼叫数据；其中，呼叫数据为主叫用户对被叫用户的呼叫数据；然后对呼叫数据进行数据清洗，生成呼叫行为列表；基于三度影响力原则，对呼叫行为列表进行剪枝操作，生成呼叫网络；基于随机游走算法，根据呼叫网络生成随机呼叫序列集合；将随机呼叫序列集合输入训练好的用户挖掘模型，得到主叫用户对应的用户向量集；其中，用户挖掘模型为skip-gram模型；最后计算当前主叫用户对应的用户向量与其他主叫用户对应的用户向量的相似度，确定与当前主叫用户相似的相似用户群。本技术实施例提出了根据用户的呼叫数据来挖掘与当前用户相似的相似用户群的方法，与相关技术相比，本技术通过随机游走的方式生成呼叫网络，有利于改善呼叫低频的呼叫数据特征；并且本技术利用用户挖掘模型生成表征用户的用户向量，能够在进行数据挖掘时不受相关技术中的社交网络无向图的局限，能更好地挖掘到与当前用户相似的相似用户群，从而帮助进行舆情管控、精准营销等活动。
26.下面结合附图，对本技术实施例作进一步阐述。
27.参考图1，图1为本技术实施例提供的用户挖掘方法的步骤流程图，该方法包括但不限于步骤s100-s150：
28.s100、获取用户的呼叫数据；
29.具体地，在指定的时间段内，获取多个用户的呼叫数据。因为本技术实施例是用于挖掘彼此相似的用户，因此在一些实施例中，可以根据地域来获取可能存在相似性的用户呼叫数据。例如，获取过去1个月内，a小区所有用户的呼叫数据。
30.可以理解的是，该呼叫数据是指定时间段内，指不同的主叫用户对不同的被叫用
户发起呼叫的通信数据。例如，呼叫数据可以表示为d表示呼叫数据，d的上标k表示第k条呼叫数据，d的下表um_un表示主叫用户为um，被叫用户为 un，且k、m和n均为自然数，m不等于n。
31.s110、对呼叫数据进行数据清洗，生成呼叫行为列表；
32.具体地，对获取到的用户的呼叫数据进行数据清洗，生成每个主叫用户对应呼叫行为列表，例如用户u1的呼叫行为列表可以表示u1:其中，d的上标 j表示u1的呼叫行为列表中的第j条呼叫数据，k为自然数。同理，也可以以同样的形式表示其他用户的呼叫行为列表。
33.在一些实施例中，生成呼叫行为列表的过程可以通过图2中的方法步骤进行描述。参照图2，图2为本技术实施例提供的生成呼叫行为列表的第一步骤流程图，该方法包括但不限于步骤s200-s230：
34.s200、定义多个拨打动作类型，并定义拨打动作类型对应的第一权重值；
35.具体地，根据主叫用户在呼叫被叫用户时的呼叫数据，可以定义不同的拨打动作类型。例如拨打动作类型包括但不限于本次呼叫是否接通、本次呼叫的通话时长、与当前被叫用户的通话频次、与当前被叫用户的平均通话时长、与当前被叫用户的集中通话时段等等，根据需要，可以预先定义多个拨打动作类型，并且对所有拨打动作类型都对应赋予第一权重值。例如认为在挖掘相似用户的过程中，认为当前主叫用户与某一被叫用户的通话频次越高，就越能体现当前主叫用户与该被叫用户的相似度高，则赋予当前主叫用户与当前被叫用户的通话频次这一拨打动作类型较高的第一权重值。
36.s210、将呼叫数据中属于同一主叫用户的呼叫数据进行合并；
37.具体地，上述内容步骤s100获取到的呼叫数据表示为这样的形式，通过d的下标可以理解，在呼叫数据中，某一用户可以是主叫用户，也可以是被叫用户。而在本步骤中，将呼叫数据中涉及的每个用户都作为主叫用户，并将属于同一主叫用户的呼叫数据进行合并，得到代表不同用户的多组呼叫数据。根据上述内容，当主叫用户为u1，则其对应的呼叫数据可以表示为u1:需要说明的是，与本技术实施例中的呼叫行为列表不同，此时u1对应的呼叫数据相互之间并没有顺序之分，这些呼叫数据将在以下的步骤中进行进一步的整理排序，从而生成呼叫行为列表。
38.s220、根据拨打动作类型、第一权重值和合并后的呼叫数据，计算当前主叫用户对应的所有被叫用户的呼叫加权得分；
39.具体地，根据拨打动作类型、第一权重值和合并后的呼叫数据，对当前主叫用户对应的所有被叫用户的呼叫加权得分进行计算。以当前主叫用户为u1为例，假设拨打动作类型t 包括{t1,t2,t3,...,tq}，q表示第q种拨打动作类型，并假设拨打动作类型t对应的第一权重值为{w1,w2,w3,...,wq}，则用户u1对用户u2的呼叫加权得分s可以根据下式确定：
40.s
u1_u2
＝t1*w1+t2*w2+...+tq*wq41.其中，s
u1_u2
表示主叫用户u1对被叫用户u2的呼叫加权得分。而可以理解的是，对于不同的被叫用户，拨打动作类型t中的{t1,t2,t3,...,tq}应有不同的数值，从而得到不同的
被叫用户下，u1对该被叫用户的不同呼叫加权得分。
42.s230、根据呼叫加权得分，对当前主叫用户对应的所有被叫用户进行排序，生成呼叫行为列表；
43.具体地，根据步骤s230，可以计算出每个主叫用户对应的所有被叫用户的呼叫加权得分，因此可以根据该呼叫加权得分的大小，对当前主叫用户对应的所有被叫用户排序，从而生成每个主叫用户对应的呼叫行为列表。例如，主叫用户u1的呼叫行为列表可以表示为u1:{u2:s
u1_u2
,u4:s
u1_u4
,...,un:s
u1_un
}，其中，呼叫行为列表内的被叫用户按照呼叫加权得分降序排列。
44.通过步骤s200-s230，本技术实施例提供了一种根据被叫用户拨打动作类型确定被叫用户权重值，然后生成呼叫行为列表的方案。
45.在另一些实施例中，还可以根据对被叫用户的连续呼叫情况来生成呼叫行为列表。参照图3，图3为本技术实施例提供的生成呼叫行为列表的第二步骤流程图，该方法包括但不限于步骤s300-s320：
46.s300、将呼叫数据中属于同一主叫用户的呼叫数据进行合并；
47.具体地，参照上述步骤s210，将呼叫数据中属于同一主叫用户的呼叫数据进行合并，在此不再展开叙述。
48.s310、完成合并后，根据呼叫时间，对当前主叫用户对应的呼叫数据进行排序；
49.具体地，当合并完成，获得每个主叫用户所对应的多个被叫用户的呼叫数据，在本步骤中，根据呼叫时间对当前主叫用户对应的呼叫数据进行排序。上述内容中提到，呼叫数据是指定时间段内的用户呼叫数据，则从该指定时间段的开始时刻开始计算，当前主叫用户进行的第一次呼叫则为第一顺序，以此类推，根据时间顺序对当前主叫用户的所有呼叫数据进行排序。例如用户u1的呼叫数据可以表示为：u1:{u2:time1,u4:time2,...,un:time n}，其中， u2:time1表示用户在time1这一呼叫时间，对被叫用户u2进行呼叫。以此类推，可以对所有主叫用户的呼叫数据进行排序。
50.s320、完成排序后，根据预设的连续呼叫间隔，对当前主叫用户对应的呼叫数据进行切分，生成包括多个连续呼叫单元的呼叫行为列表；
51.具体地，在本技术实施例中，认为被主叫用户连续呼叫的被叫用户，其与主叫用户之间具备相当程度的相似性。因此在本步骤中，当完成对所有主叫用户呼叫数据的排序，设定一个连续呼叫间隔，将当前主叫用户对应的呼叫数据切分为多个连续呼叫单元。例如，设定连续呼叫间隔为30min，则从指定时间段的开始时刻开始算，第一个30min中所包含的所有被叫用户的都划入同一个连续呼叫单元内，以此类推，直到指定时间段的结束时刻，将当前主叫用户对应的所有呼叫数据划分到多个连续呼叫单元中，生成呼叫行为列表。例如用户u1 的呼叫行为列表可以表示为u1:{[u2,u4],[u4],...,[u3,u2,u4]}，其中，“[]”表示不同的连续呼叫单元。
[0052]
通过步骤s300-s320，本技术实施例提供了一种根据主叫用户对被叫用户的连续呼叫情况来生成呼叫行为列表的方案。
[0053]
步骤s110通过上述内容阐述完毕，下面开始阐述步骤s120。
[0054]
s120、基于三度影响力原则，对呼叫行为列表进行剪枝操作，生成呼叫网络；其中，呼叫网络为有向图；
[0055]
具体地，三度影响力原则是指社交中相距三度之内，可以看做是强连接，强连接能够引发行为。以用户a为例，用户a有朋友用户b，则用户a与用户b的距离为一度，在本技术实施例中称用户a与用户b的关系为一级关系；而用户b又有朋友用户c，则用户a与用户b的距离为两度，称用户a与用户c的关系为二级关系；同理，用户a与用户c的朋友用户d之间的距离为三度，称用户a与用户d的关系为三级关系。基于三度影响力原则，与用户a的关系超过三度的用户，则称用户a与该用户的关系为其他关系。
[0056]
基于这一理论，在本技术实施例中认为，与当前用户的距离为三度之内的用户，可以纳入可能与当前用户相似的用户范围内进行进一步评估。因此，与当前用户的距离为三度之外的用户数据则需要清除。则本步骤中，首先确定当前主叫用户与其所有被叫用户之间的关系，然后将属于其他关系的被叫用户对应的呼叫数据从呼叫行为列表中删除，因此完成删除后的呼叫行为列表只剩余与当前主叫用户的距离为三度之内的被叫用户，因而能够更加精准地确定与当前主叫用户相似的相似用户群。
[0057]
根据该呼叫行为列表，生成呼叫网络，该呼叫网络以有向图的形式表示。参照图4，图 4为本技术实施例提供的呼叫网络的示意图，如图4所示，网络中的节点为各个用户，用户可以是主叫用户身份也可以是被叫用户身份，节点之间以有向边连接，有向边从主叫用户指向被叫用户。
[0058]
s130、基于随机游走算法，根据呼叫网络生成随机呼叫序列集合；
[0059]
具体地，在本步骤中，首先需要确定呼叫网络中各个节点之间的权重，该权重称之为第二权重值，根据呼叫列表的不同生成方法，同一批呼叫数据所得到的呼叫网络会有所不同。需要说明的是，由于呼叫网络是根据呼叫行为列表生成，则呼叫网络中的第二权重值也应当与呼叫行为列表中的顺序有关，例如以图2所示的方法生成呼叫行为列表，则可以参考第一权重值来确定第二权重值；若以图3所示的方法生成呼叫行为列表，则可以参照同一个连续呼叫单元内，主叫用户对同一个被叫用户的呼叫频次来确定第二权重值。在本技术实施例中，不对第二权重值的具体确定方法作具体限制。
[0060]
确定第二权重值之后，在呼叫网络内，根据第二权重值实现随机游走算法，生成随机呼叫序列集合。随机呼叫序列集合中包括多条随机呼叫序列，如其中一条可以是：用户u1呼叫用户u2后，u2呼叫u3，u3呼叫u5，然后该条呼叫序列结束。通过随机游走算法，本技术实施例对呼叫数据进行了丰富，并且一定程度上改善了呼叫低频的数据特征，从而能有助于更好地挖掘相似的用户。
[0061]
s140、将随机呼叫序列集合输入训练好的用户挖掘模型，得到用户对应的用户向量集；
[0062]
具体地，本技术实施例中的用户挖掘模型为skip-gram模型，skip-gram模型属于 word2vec模型的一种，简单来说，word2vec模型是通过不断学习文本，达到用词向量的方式来表征词的语义信息的一种模型，也就是说，word2vec模型可以将词语映射为一个向量，从而实现以向量的形式来体现不同词语语义之间的相似度。而word2vec模型中的skip-gram 模型是通过给定的input word来预测上下文。在本技术实施例中，以skip-gram模型为基础搭建的用户挖掘模型，可以根据随机呼叫序列集合，生成每一个用户对应用户向量，这些用户向量组成用户向量集。
[0063]
s150、计算当前用户向量与用户向量集中其他用户向量的相似度，确定与当前用
户向量对应的用户相似的相似用户群；
[0064]
具体地，根据步骤s140获得每个用户对应的用户向量，则可以对这些用户向量进行相似度计算，从而确定相似的多个用户。例如需要挖掘出与当前用户相似的所有用户，则可以计算当前用户对应的用户向量与其他用户对应的用户向量之间的余弦相似度，假设当用户向量u1和用户向量u1的相似度大于预设的相似阈值，则说明用户u1和用户u2很相似，则将用户u2列入用户u1的相似用户群，以此类推，可以确定用户u1的相似用户群。
[0065]
当确定相似用户群以后，可以获取相似用户群中所有用户的高频订购列表，例如用户a 经常购买某个品牌的衣服，则根据用户a的高频订购列表，生成相似用户群中其他的订购推荐，该订购推荐中就包含该品牌衣服的订购推荐，从而做到在相似用户群中实现精准营销。
[0066]
通过步骤s100-s150，本技术实施例首先获取用户的呼叫数据；其中，呼叫数据为主叫用户对被叫用户的呼叫数据；然后对呼叫数据进行数据清洗，生成呼叫行为列表；基于三度影响力原则，对呼叫行为列表进行剪枝操作，生成呼叫网络；基于随机游走算法，根据呼叫网络生成随机呼叫序列集合；将随机呼叫序列集合输入训练好的用户挖掘模型，得到主叫用户对应的用户向量集；其中，用户挖掘模型为skip-gram模型；最后计算当前主叫用户对应的用户向量与其他主叫用户对应的用户向量的相似度，确定与当前主叫用户相似的相似用户群。本技术实施例提出了根据用户的呼叫数据来挖掘与当前用户相似的相似用户群的方法，与相关技术相比，本技术通过随机游走的方式生成呼叫网络，有利于改善呼叫低频的呼叫数据特征；并且本技术利用用户挖掘模型生成表征用户的用户向量，能够在进行数据挖掘时不受相关技术中的社交网络无向图的局限，能更好地挖掘到与当前用户相似的相似用户群，从而帮助进行舆情管控、精准营销等活动。
[0067]
参照图5，图5为本技术实施例提供的用户挖掘系统的示意图，该系统500包括但不限于第一模块510、第二模块520、第三模块530、第四模块540、第五模块550和第六模块560，第一模块用于获取用户的呼叫数据；其中，呼叫数据为主叫用户对被叫用户的呼叫数据；第二模块用于对呼叫数据进行数据清洗，生成呼叫行为列表；第三模块用于基于三度影响力原则，对呼叫行为列表进行剪枝操作，生成呼叫网络；第四模块用于基于随机游走算法，根据呼叫网络生成随机呼叫序列集合；第五模块用于将随机呼叫序列集合输入训练好的用户挖掘模型，得到主叫用户对应的用户向量集；其中，用户挖掘模型skip-gram模型；第六模块用于计算当前主叫用户对应的用户向量与其他主叫用户对应的用户向量的相似度，确定与当前主叫用户相似的相似用户群。
[0068]
参考图6，图6为本技术实施例提供的装置的示意图，该装置600包括至少一个处理器 610，还包括至少一个存储器620，用于存储至少一个程序；图6中以一个处理器及一个存储器为例。
[0069]
处理器和存储器可以通过总线或者其他方式连接，图6中以通过总线连接为例。
[0070]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其
组合。
[0071]
本技术的另一个实施例还提供了一种装置，该装置可用于执行如上任意实施例中的控制方法，例如，执行以上描述的图1中的方法步骤。
[0072]
以上所描述的装置实施例仅仅是示意性的，其中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，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。
[0073]
本技术实施例还公开了一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，处理器可执行的程序在由处理器执行时用于实现本技术提出的方法。
[0074]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0075]
以上是对本技术的较佳实施进行了具体说明，但本技术并不局限于上述实施方式，熟悉本领域的技术人员在不违背本技术精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。