一种模型确定方法及相关装置与流程

1.本技术涉及模型技术领域，尤其涉及一种模型确定方法及相关装置。


背景技术：

2.随着人们生活水平的提高，越来越多模玩喜爱者热衷于收集实体或虚拟的宠物玩具、公仔娃娃或手办等模型。
3.目前商家大多基于热播动漫或热播影视作品中的宠物角色或人物角色设计虚拟模型，在线上上架该虚拟模型，并线下上架根据该虚拟模型生产的实体模型。
4.然而采用上述方法，还是会出现生产的模型不符合用户需求、不受用户喜爱，造成生产不合理的问题。


技术实现要素：

5.第一方面，本发明提供一种模型确定方法，所述方法包括：获取至少两个已有模型的需求数据，所述已有模型为与宠物形象或手办形象相关的实体模型或虚拟电子模型，所述需求数据包括销售数据和/或使用数据；根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型的需求数据，确定每项特征信息的流行度排名，所述特征信息包括以下至少一项：种类特征、毛发特征、面部特征、服装特征以及配饰特征；根据所述每项特征信息的流行度排名确定新模型。
6.由此，考虑到用户总是会选择购买或使用当前流行的或热度较高的模型，根据特征信息的需求数据确定特征信息的流行度排名，基于特征信息的流行度排名确定模型的特征，解决模型生产不合理，浪费成本和社会资源的问题。
7.在一种可能的实现方式中，(所述特征信息包括种类特征、毛发特征、面部特征、服装特征以及配饰特征)，所述根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型的需求数据，确定每项特征信息的流行度排名，包括：根据所述至少两个已有模型中每个所述已有模型包含的所述种类特征以及所述至少两个已有模型的需求数据，确定种类特征流行度排名，并确定所述种类特征流行度排名中排名第k的种类特征为第一种类特征，所述至少两个已有模型中与所述第一种类特征对应的已有模型为第一已有模型，所述k为大于或等于1的正整数；根据所述第一已有模型中每个所述已有模型包含的特征信息以及所述第一已有模型中每个所述已有模型对应的需求数据，确定所述第一已有模型中包括的所述毛发特征、所述面部特征、所述服装特征以及所述配饰特征的需求数据排名，得到第一毛发特征流行度排名、第一面部特征流行度排名、第一服装特征流行度排名、以及第一配饰特征流行度排名；所述根据所述每项特征信息的流行度排名确定新模型，包括：基于所述第一毛发特征流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名，确定与所述第一种类特征对应的所述新模型。
8.示例性的，当上述至少两个已有模型中包括的种类特征属于不同的大类时，例如
种类特征包括猫、狗、人形手办等不同的大类的情况下，若只想了解不同的大类中最受欢迎的大类(例如上述第一种类特征对应的大类)对应的除了种类特征之外的其他特征的流行度排名，则可以只统计第一种类特征对应的该第一已有模型中包括的除了种类特征之外的其他特征的流行程度排名，以减小统计不必要的大类(除第一种类特征之外的其他大类)的特征信息(例如毛发特征、面部特征等)的流行度带来的性能损耗。
9.在一种可能的实现方式中，所述k等于1，所述新模型的所属种类特征为所述种类特征流行度排名中由高至低排名第一的所述第一种类特征、且所述新模型包含所述第一毛发特征流行度排名中由高至低排名第一的毛发特征、所述第一面部特征流行度排名中由高至低排名第一的面部特征、所述第一服装特征流行度排名中由高至低排名第一的服装特征、以及所述第一配饰特征流行度排名中由高至低排名第一的配饰特征。
10.在一种可能的实现方式中，(所述至少两个已有模型中包括虚拟已有模型)，所述第一种类特征为目标已有模型对应的种类特征，所述目标已有模型为所述至少两个已有模型中的任意一个已有模型(任意一个虚拟已有模型)，所述基于所述第一毛发特征流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名，确定与所述第一种类特征对应的所述新模型，包括：根据所述第一毛发特征流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名中由高至低排名靠前的且与所述目标已有模型匹配的目标特征信息，为所述目标已有模型配置新的特征信息，获得所述新模型。
11.可理解的，采用旧模型特征替换的方法，仅将旧模型中可统计流行度排名且流行度排名较低的特征信息替换为流行度排名较高的特征信息，得到新的模型，以实现可以不需要集齐所有的特征信息就能生成一个完整的模型。例如，种类为猫的模型至少包括20项特征信息，而当前能归类收集的特征信息排名的仅有5项特征信息，有15项特征信息因一些原因无法归类(例如形状特征复杂不好归类等原因)，则若仅靠当前收集到的特征信息的排名的结果生成模型，则仍缺少15项特征信息，无法生成完整的模型。
12.在一种可能的实现方式中，(所述特征信息包括种类特征、毛发特征、面部特征、服装特征以及配饰特征)，所述根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型的需求数据，确定每项特征信息的流行度排名，包括：根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型中每个所述已有模型的需求数据，分别确定所述至少两个已有模型中包括的所述种类特征、所述毛发特征、所述面部特征、所述服装特征以及所述配饰特征的需求数据排名，得到种类特征流行度排名、第二毛发特征流行度排名、第二面部特征流行度排名、第二服装特征流行度排名、以及第二配饰特征流行度排名；所述根据所述每项特征信息的流行度排名确定新模型，包括：基于所述种类流行度排名、所述第二毛发特征流行度排名、所述第二面部特征流行度排名、所述第二服装特征流行度排名、以及所述第二配饰特征流行度排名确定所述新模型。
13.示例性的，当上述已有模型包括的多个种类特征同属于同一个大类的情况下，例如同属于狗(大类)中的哈士奇、泰迪犬、牧羊犬等不同种类的模型，则可以统一分别统计种类特征、毛发特征、面部特征、服装特征以及配饰特征的流行度排名，不需要区分不同的大类，降低程序运行复杂度。
14.在一种可能的实现方式中，所述新模型的所属种类为所述种类流行度排名中由高至低排名第一的种类特征、且所述新模型包含所述第二毛发特征流行度排名中由高至低排名第一的毛发特征、所述第二面部特征流行度排名中由高至低排名第一的面部特征、所述第二服装特征流行度排名中由高至低排名第一的服装特征、以及所述第二配饰特征流行度排名中由高至低排名第一的配饰特征。
15.在一种可能的实现方式中，所述毛发特征流行度排名包括但不限于毛发颜色流行度排名、毛发长度流行度排名、毛发柔软度流行度排名、或毛发亮度流行度排名中的一项或多项；所述面部流行度排名包括但不限于眼部特征流行度排名、脸部轮廓流行度排名、鼻尖形状流行度排名、嘴巴形状流行度排名、或耳朵形状流行度排名中的一项或多项；所述服装特征流行度排名包括但不限于服装种类流行度排名、服装长度流行度排名、或服装颜色流行度排名中的一项或多项；所述配饰特征流行度排名包括但不限于配饰种类流行度排名、配饰颜色流行度排名、配饰位置流行度排名、或配饰形状流行度排名中的一项或多项；所述已有模型包括但不限于宠物模型和/或手办模型。
16.第二方面，本发明提供一种模型确定装置，该装置包括：获取单元，用于获取至少两个已有模型的需求数据，所述已有模型为与宠物形象或手办形象相关的实体模型或虚拟电子模型，所述需求数据包括销售数据和/或使用数据；第一确定单元，用于根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型的需求数据，确定每项特征信息的流行度排名，所述特征信息包括以下至少一项：种类特征、毛发特征、面部特征、服装特征以及配饰特征；第二确定单元，用于根据所述每项特征信息的流行度排名确定新模型。
17.第三方面，本技术提供一种终端设备，包括：存储器、处理器，其中，该存储器存储有程序指令；该程序指令被该处理器执行时，使该处理器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
18.第四方面，本技术提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序；当该计算机程序在一个或多个处理器上运行时，使得该终端设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
19.第五方面，本技术提供一种包含指令的计算机程序产品，当该计算机程序产品在终端设备上运行时，使得该终端设备执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
20.可以理解的，上述第二方面提供的终端设备、第三方面提供的芯片系统、第四方面提供的计算机程序产品和第五方面提供的计算机存储介质均用于执行本技术实施例第一方面或第一方面的任一实现方式所示的方法。因此，其所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。
附图说明
21.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。
22.图1是本技术实施例提供的一种模型确定方法的流程示意图；
23.图2为本技术实施例提供的一种模型确定的应用环境示意图；
24.图3为本技术实施例提供的又一种模型确定的应用环境示意图；
25.图4为本技术实施例提供的又一种模型确定的应用环境示意图；
26.图5为本技术实施例提供的又一种模型确定方法的流程示意图；
27.图6为本技术实施例提供的又一种模型确定方法的流程示意图；
28.图7为本技术实施例提供的一种模型确定装置的结构示意图；
29.图8为本技术实施例提供的又一种模型确定装置的结构示意图。
具体实施方式
30.下面结合附图对本发明作进一步详细描述。
31.本技术以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本技术的限制。如在本技术的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式，除非其上下文中明确地有相反指示。
32.在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上，“至少两个(项)”是指两个或三个及三个以上，“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”。
33.下面结合附图对本技术实施例提供的模型确定方法作进一步介绍。
34.可理解的，可以由模型确定装置执行本技术实施例提供的模型确定方法，该模型确定装置可以是任意形态的电子设备，例如可穿戴终端、移动终端、平板电脑、桌面型计算机、膝上型计算机、手持计算机、笔记本电脑、以及超级移动个人计算机(ultra-mobile personal computer，umpc)等，本文对此不做限定。本文为便于描述，将省略该模型确定方法的执行主体模型确定装置。
35.请参阅图1，图1为本技术实施例提供的一种模型确定方法的流程示意图。如图1所示，该模型确定方法包括以下步骤：
36.s101，获取至少两个已有模型的需求数据。
37.示例性的，上述已有模型为已有的与宠物形象和/或手办形象相关的实体模型或虚拟电子模型。例如，该已有模型可以是已推出的虚拟宠物图像模型(例如猫仔、狗狗、小熊等电子虚拟玩偶)或虚拟手办模型(例如动漫人物角色相关的宠物或人物手办)，也可以是已生产或销售的实体宠物图像模型或实体手办模型。或者上述已有模型也可以理解为已有的实体软胶作品和/或已有的与实体软胶作品对应的虚拟电子模型。
38.示例性的，上述至少两个已有模型的需求数据包括该至少两个已有模型中每一个已有模型的销售数据和/或使用数据。可理解的，若已有模型为实体模型，商家可以在实体店或网店销售该实体模型，则该需求数据可以包括销售数据；若该已有模型为虚拟模型，商家可以在对应的应用软件(例如宠物/手办应用网站)免费提供或有偿提供该虚拟模型的使用权限，则该需求数据可以包括销售数据和/或使用数据。
39.可理解的，上述需求数据包括但不限于上述销售数据和/或使用数据，示例性的，
上述需求数据还可以包括基于问卷调查中用户反馈的想要购买/希望上架的模型的市场调研数据。
40.可理解的，本技术实施例均保证合法、不侵犯用户隐私的前提下获取上述至少两个已有模型的需求数据。示例性的，在告知用户统计需求并得到用户授予的统计权限的前提下，根据自行创办或其他人创办的已获得使用用户授予的统计权限的实体店、网店或应用程序中的相关销售记录或使用记录，匿名统计已有模型的销售数据和/或使用数据，以得到上述至少两个已有模型的需求数据。
41.s102，根据上述至少两个已有模型中每个已有模型包含的特征信息以及至少两个已有模型的需求数据，确定每项特征信息的流行度排名。
42.示例性的，上述特征信息包括以下至少一项：种类特征、毛发特征、面部特征、服装特征以及配饰特征。示例性的，上述种类特征包括但不限于泰迪犬、牧羊犬或哈士奇中的一项或多项，上述毛发特征包括但不限于毛发颜色、毛发长度、毛发柔软度、或毛发亮度中的一项或多项，上述面部特征包括但不限于眼部特征、脸部轮廓、鼻尖形状、嘴巴形状或耳朵形状中的一项或多项。
43.可理解的，上述种类特征可以是指同一大类的宠物或手办的不同种类，例如同为狗狗，但是种类特征可以是泰迪犬、牧羊犬或哈士奇等。或者，上述种类特征也可以是指不同类型宠物或手办的种类，例如种类特征可以是猫咪、狗狗、兔子等不同大类的种类，本文对此不做限定。可理解的，若种类特征包括不同大类的种类，再根据特征信息的流行度排名确定新模型时，需要考虑重新组合的特征是否匹配，例如狗狗的骨头配饰与种类特征为猫的特征不匹配，两者不能同时出现在同一个模型中。
44.可理解的，根据每个模型包含的特征信息以及每个模型的需求数据，可以统计到每项特征信息对应的需求数据，从而确定每项特征信息对应的流行度排名，在本技术实施例中，流行度排名。
45.s103，根据上述每项特征信息的流行度排名确定新模型。
46.示例性的，可以根据每项特征信息的流行度排名中排名靠前的多项特征信息组合形成一个新的模型，或者根据每项特征信息的流行度排名中排名靠前的一项或多项特征信息为旧模型更换特征信息重新构建新模型。这样得到的新模型是当前流行的，可以吸引老顾客回购，也可以满足新顾客对流行模型的需求。
47.或者，还可以根据每项特征信息的流行度排名中排名适中的特征信息形成新模型，为老顾客提供较流行的且与已购买过的模型风格不一致的购物体验，避免生产太多与当前最流行的特征重复一致的模型而老顾客已购买过这些流行模型，导致生产不合理的问题。
48.由此，根据特征信息的需求数据确定特征信息的流行度排名，基于特征信息的流行度排名确定模型的特征，解决生产不合理，浪费成本和社会资源的问题。
49.在一种可能的实现方式中，上述根据上述至少两个已有模型中每个已有模型包含的特征信息以及至少两个已有模型的需求数据，确定每项特征信息的流行度排名，具体包括：根据所述至少两个已有模型中每个所述已有模型包含的所述种类特征以及所述至少两个已有模型的需求数据，确定种类特征流行度排名，并确定所述种类特征流行度排名中排名第k的种类特征为第一种类特征，所述至少两个已有模型中与所述第一种类特征对应的
已有模型为第一已有模型，所述k为大于或等于1的正整数；根据所述第一已有模型中每个所述已有模型包含的特征信息以及所述第一已有模型中每个所述已有模型对应的需求数据，确定所述第一已有模型中包括的所述毛发特征、所述面部特征、所述服装特征以及所述配饰特征的需求数据排名，得到第一毛发特征流行度排名、第一面部特征流行度排名、第一服装特征流行度排名、以及第一配饰特征流行度排名；所述根据所述每项特征信息的流行度排名确定新模型，包括：基于所述第一毛发特征流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名，确定与所述第一种类特征对应的所述新模型。
50.例如，如图2所示，种类特征包括狗、兔、猫、以及猪，其中上述至少两个已有模型中有100个模型(分别记为a1至ax模型，x为大于1且小于或等于100的正整数)的种类特征为狗，70个模型(分别记为b1至by模型，y为大于1的正整数且小于或等于70)的种类特征为兔，50个模型(分别记为c1至cz模型，z为大于1的正整数且小于或等于50)的种类特征为猫，30个模型(分别记为d1至dw模型，w为大于1的正整数且小于或等于30)的种类特征为猪。则种类特征排名由高到低分别为狗、兔、猫、猪。示例性的，上述k取值为1，则上述第一种类特征为狗，上述第一已有模型为与该第一种类特征对应的模型。上述根据上述至少两个已有模型中每个已有模型包含的特征信息以及至少两个已有模型的需求数据，确定每项特征信息的流行度排名，即为根据该第一已有模型(也即a1至ax模型)中每个模型包含的特征信息以及该模型的需求数据确定与该第一已有模型对应的上述第一毛发特征流行度排名、第一面部特征流行度排名、第一服装特征流行度排名、以及第一配饰特征流行度排名。再根据该第一毛发特征流行度排名、第一面部特征流行度排名、第一服装特征流行度排名、以及第一配饰特征流行度排名确定新模型。
51.在一种可能的实现方式中，上述k取值为1，所述新模型的所属种类特征为所述种类特征流行度排名中由高至低排名第一的所述第一种类特征、且所述新模型包含所述第一毛发特征流行度排名中由高至低排名第一的毛发特征、所述第一面部特征流行度排名中由高至低排名第一的面部特征、所述第一服装特征流行度排名中由高至低排名第一的服装特征、以及所述第一配饰特征流行度排名中由高至低排名第一的配饰特征(在图2中以新模型包含的特征信息示出)。
52.示例性的，当上述至少两个已有模型中包括的种类特征属于不同的大类时，例如种类特征包括猫、狗、人形手办等不同的大类的情况下，若只想了解不同的大类中最受欢迎的大类(例如上述第一种类特征对应的大类)对应的除了种类特征之外的其他特征的流行度排名，则可以只统计第一种类特征对应的该第一已有模型中包括的除了种类特征之外的其他特征的流行程度排名，以减小统计不必要的大类(除第一种类特征之外的其他大类)的特征信息(例如毛发特征、面部特征等)的流行度带来的性能损耗。
53.在一种可能的实现方式中，上述第一种类特征还可以为目标已有模型对应的种类特征，所述目标已有模型为所述至少两个已有模型中的任意一个已有模型，所述基于所述第一毛发特征流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名，确定与所述第一种类特征对应的所述新模型，包括：根据所述第一毛发特征流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名中由高至低排名靠前的且与所述目标已有模型
匹配的目标特征信息，为所述目标已有模型配置新的特征信息，获得所述新模型。
54.示例性的，如图3所示，针对上述至少两个已有模型中的任意一个旧模型c2(目标已有模型)，c2的种类特征为猫，统计与模型c1至cz对应的特征信息流行度排名(可理解的也可以是获取已统计好的与模型c1至cz对应的特征信息流行度排名)，然后根据特征流行度排名，为该旧模型c2配置与该c2匹配的且流行度排名靠前的(例如排名第一的)新的特征信息。
55.可理解的，采用旧模型特征替换的方法，仅将旧模型中可统计流行度排名且流行度排名较低的特征信息替换为流行度排名较高的特征信息，得到新的模型，以实现可以不需要集齐所有的特征信息就能生成一个完整的模型。例如，种类为猫的模型至少包括20项特征信息，而当前能归类收集的特征信息排名的仅有5项特征信息，有15项特征信息因一些原因无法归类(例如形状特征复杂不好归类等原因)，则若仅靠当前收集到的特征信息的排名的结果生成模型，则仍缺少15项特征信息，无法生成完整的模型。
56.在一种可能的实现方式中，上述根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型的需求数据，确定每项特征信息的流行度排名，包括：根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型中每个所述已有模型的需求数据，分别确定所述至少两个已有模型中包括的所述种类特征、所述毛发特征、所述面部特征、所述服装特征以及所述配饰特征的需求数据排名，得到种类特征流行度排名、第二毛发特征流行度排名、第二面部特征流行度排名、第二服装特征流行度排名、以及第二配饰特征流行度排名；所述根据所述每项特征信息的流行度排名确定新模型，包括：基于所述种类流行度排名、所述第二毛发特征流行度排名、所述第二面部特征流行度排名、所述第二服装特征流行度排名、以及所述第二配饰特征流行度排名确定所述新模型。
57.示例性的，如图4所示，上述至少两个已有模型中包括哈士奇(a1、a2、...、至ax1，其中，x1为大于1的正整数)，泰迪犬(包括模型ax2至ax3，x2为大于x1的正整数，x3为大于x2的正整数)、牧羊犬(包括模型ax4至ax5，x4为大于x3的正整数，x5为大于x4的正整数)等，根据该至少两个已有模型中每个已有模型包含的特征信息以及至少两个已有模型中每个已有模型的需求数据，统计模型a1至ax5中包括的种类特征、毛发特征、面部特征、服装特征以及配饰特征的流行度排名，得到上述种类流行度排名、第二毛发特征流行度排名、第二面部特征流行度排名、第二服装特征流行度排名、第二配饰特征流行度排名，并基于该种类流行度排名、该第二毛发特征流行度排名、该第二面部特征流行度排名、该第二服装特征流行度排名、以及该第二配饰特征流行度排名确定所述新模型。
58.在一种可能的实现方式中，上述新模型的所属种类为所述种类流行度排名中由高至低排名第一的种类特征、且所述新模型包含所述第二毛发特征流行度排名中由高至低排名第一的毛发特征、所述第二面部特征流行度排名中由高至低排名第一的面部特征、所述第二服装特征流行度排名中由高至低排名第一的服装特征、以及所述第二配饰特征流行度排名中由高至低排名第一的配饰特征(在图2中以新模型包含的特征信息示出)。
59.示例性的，当上述已有模型包括的多个种类特征同属于同一个大类的情况下，例如同属于狗(大类)中的哈士奇、泰迪犬、牧羊犬等不同种类的模型，则可以统一分别统计种类特征、毛发特征、面部特征、服装特征以及配饰特征的流行度排名，不需要区分不同的大
类，降低程序运行复杂度。
60.可理解的，上述至少两个已有模型包括的多个种类特征不属于同一个大类的情况下，对于属于不同大类的两个相同的特征信息(例如猫的毛发特征与狗的毛发特征)也可以归类为同一个特征信息。也即，在统计不同大类的特征信息的排名时，除了种类特征之外，两个不同大类中特征信息属于同一类特征信息可以归类为同一项特征信息的排名，本文对此不做限定，例如猫的毛发特征中毛发颜色为白色与狗的毛发特征中毛发颜色为白色的特征信息的排名，可以归类为同一项毛发特征的排名。
61.在一种可能的实现方式中，所述毛发特征流行度排名包括但不限于：毛发颜色流行度排名、毛发长度流行度排名、毛发柔软度流行度排名、或毛发亮度流行度排名中的一项或多项；所述面部流行度排名包括但不限于眼部特征流行度排名、脸部轮廓流行度排名、鼻尖形状流行度排名、嘴巴形状流行度排名、或耳朵形状流行度排名中的一项或多项；所述服装特征流行度排名包括但不限于服装种类流行度排名、服装长度流行度排名、或服装颜色流行度排名中的一项或多项；所述配饰特征流行度排名包括但不限于配饰种类流行度排名、配饰颜色流行度排名、配饰位置流行度排名、或配饰形状流行度排名中的一项或多项；所述已有模型包括但不限于宠物模型和/或手办模型。
62.示例性的，上述根据第一种类特征对应的所述第一已有模型中每个所述已有模型包含的特征信息以及所述第一已有模型中每个所述已有模型对应的需求数据，确定上述第一毛发特征流行度排名、第一面部特征流行度排名、第一服装特征流行度排名、以及第一配饰特征流行度排名；并基于所述第一毛发特征流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名，确定与所述第一种类特征对应的所述新模型。
63.具体可以是，获取存储了上述至少两个已有模型的相关数据的虚拟图像库，当该虚拟图像库中的虚拟模型的所属种类特征包括多种大类(例如包括宠物狗、宠物猫、人形手办等大类)的情况下，模型确定装置可以根据虚拟图像库中记录的虚拟模型的所属种类确定一种目标种类(例如种类流行度排名中排名第一的种类)，再确定该目标种类对应的各个特征信息的流行度，根据该该目标种类对应的各个特征信息的流行度确定该目标种类对应的虚拟流行模型。
64.请参阅图5，图5为本技术实施例提供的一种模型确定方法的流程示意图。如图2所示，模型确定方法包括以下步骤：
65.s501，获取虚拟图像库。
66.示例性的，该虚拟图像库中记录了至少十个虚拟模型中每个虚拟模型的需求数据(销售数据和使用数据)以及每个虚拟模型包括的特征信息。该特征信息包括种类信息(例如种类包括宠物类型和人型手办类型)、毛发特征、面部特征、服装特征以及配饰特征。
67.可理解的，虚拟图像种类可以包括宠物手办和/或人形手办，本文对此不做限定。在虚拟图像种类包括宠物手办和人形手办的情况下，人形手办的虚拟图像库与宠物手办的虚拟图像库可以是两个不同的图像库，也可以是同一个图像库。
68.s502，确定该虚拟图像库中记录的虚拟模型的所属种类中出现频率最高的种类为第一种类。
69.示例性的，上述虚拟图像库中记录的数据包括已销售的实体模型对应的虚拟模型
图像及其销售数量的第一关联关系，和/或，用户在网络上使用的虚拟模型图像及其使用数量的第二关联关系。可理解的，在一些实现方式中，上述第一关联关系和上述第二关联关系可以记录在同一个表中，也可以记录在不同的表中，本文对此不做限定。
70.例如，上述虚拟图像库中记录的数据中包括上述第一关联关系和上述第二关联关系，且上述第一关联关系与上述第二关联关系记录在同一个第一表格中。
71.示例性的，上述第一表格如下表1所示，可理解的，表1中以种类a是猫、种类b是兔、种类c是熊、种类d是猪的描述仅为示例，虚拟图像种类除了可以是宠物之外还可以是其他类型的模型，例如人形手办，本文对此不做限定。
72.可理解的，人形手办的虚拟图像库与宠物手办的虚拟图像库可以是两个不同的图像库，也可以是同一个图像库。无论人形手办的虚拟图像库与宠物手办的虚拟图像库属于同一个图像库或不同的图像库，本技术实施例中的上述确定该虚拟图像库中记录的虚拟模型的所属种类中出现频率最高的种类为第一种类，可以为针对虚拟人形手办的所属种类(虚拟人形手办的种类可以有普通男孩类、普通女孩类、战斗男孩类、甜美女孩类等)中出现频率最高的种类确定为上述第一种类。或者，也可以为针对虚拟宠物手办的所属种类(虚拟宠物手办的种类可以有猫、狗、兔等)中出现频率最高的种类确定为上述第一种类。或者，还可以为针对虚拟宠物手办和虚拟人形手办两者包括的种类特征中出现频率最高的种类为上述第一种类。
73.表1
74.虚拟图像种类月销售数量使用数量总数量a(猫)10010001100b(兔)50600650c(熊)66500566d(猪)80200280............
75.可理解的，若上述虚拟图像库中记录的数据包括上述第一关联关系，不包括上述第二关联关系，则在计算上述虚拟图像库中包括的虚拟模型的所属种类出现的频率时，以虚拟模型对应的月销售额作为该虚拟模型出现的频率。上述虚拟图像库中记录的数据包括上述第二关联关系，不包括上述第一关联关系，则以虚拟模型对应的使用数量作为该虚拟模型出现的频率。若上述虚拟图像库中记录的数据包括上述第一关联关系和上述第二关联关系，以该虚拟模型对应的月销售额和使用数量的总和作为该虚拟模型出现的频率。
76.示例性的，如上表1所示，上述虚拟图像库中包括的虚拟模型的所属种类中出现频率最高的种类为种类a(猫)，也就是说上述第一种类即为种类a。
77.s503，根据上述虚拟图像库以及上述第一种类确定与该第一种类的虚拟模型对应的特征信息流行度。
78.在本技术实施例中，上述特征信息流行度包括毛发流行度排名、面部特征流行度排名、服装特征流行度排名以及配饰特征流行度排名。
79.上述虚拟图像库中记录的数据还包括用于记录虚拟模型的图像对应的特征信息的第三关联关系。
80.可理解的，在一些实现方式中，上述第一关联关系、第二关联关系以及第三关联关
系中的任意两项或三项可以记录在同一个表中，也可以记录在不同的表中，本文对此不做限定。
81.示例性的，上述第三关联关系记录在第二表格中。例如，第二表格如下表2所示，可理解的，第二表格中可以用模型对应的具体型号唯一标识该模型，也可以用该模型对应的全部特征唯一标识该模型，也可以理解为关于表2中第二表格对应的具体型号列仅为示例，第二表格中也可以不包括该具体型号列，本文对此不做限定。
82.如下表2所示，不同型号的宠物可以包括不同的特征信息。
83.例如，对于毛发特征可以有毛发颜色：a1(白色)、a2(灰色)、a3(黑色)等，以及毛发长度：b1(2cm-5cm)、b2(5cm-8cm)、b3(8cm-10cm)等，可理解的，毛发特征的具体取值仅为示例，还可以是其他合适的取值。毛发特征也可以包括比毛发颜色和毛发长度特征更多或更少的特征信息，例如还可以包括柔软度、亮度等特征信息，本文对此不做限定。
84.对于猫的面部特征可以包括眼部特征：c1(杏仁眼)、c2(圆形眼)、c3(椭圆形眼)等，可理解的，眼部特征的具体取值仅为示例，还可以是其他合适的取值。在具体应用中，面部特征可以包括上述眼部特征，也可以不包括上述眼部特征，另外，面部特征还可以包括脸部轮廓、鼻尖形状、嘴巴形状或耳朵形状中的一项或多项，本文对此不做限定。
85.对于服装特征可以包括服装类型：d1(带帽防寒服)、d2(防水皮夹服)、d3(公主裙)等，可理解的，服装类型的具体取值仅为示例，还可以是其他合适的取值。实际应用中，服装特征可以包括比服装类型，也可以不包括上述服装类型特征，另外，服装特征还可以包括服装长度、服装颜色等特征信息，本文对此不做限定。
86.对于配饰特征可以包括配饰类型：项圈、包包、手链、食盆、牵引绳等，可理解的，对于配饰特征还可以包括配饰颜色、配饰形状、配饰位置等，本文对此不做限定。
87.可理解的，宠物的特征信息也可以用具体的数值表示，例如眼部特征用眼部轮廓的长度、宽度、弧度等数据表示，本文对此不做限定。
88.表2
89.90.示例性的，如上表1所示，上述第一种类为种类a，上述根据上述虚拟图像库以及上述第一种类确定与该第一种类的虚拟模型对应的特征信息流行度，也可以理解为，统计该虚拟图像库中与该种类a对应的每一个虚拟模型包括的毛发特征、面部特征、服装特征、配饰特征对应出现的频率，分别对应得到毛发特征流行度排名、面部特征流行度排名、服装特征流行度排名以及配饰特征流行度排名。示例性的，种类a的各个特征流行度排名如下表3所示，其中，毛发颜色排名中排名第一的特征为a1特征，毛发长度排名中排名第一的特征为b2特征。
91.表3
[0092][0093]
在一种可能的实现方式中，上述第一关联关系或第二关联关系也可以由上述第三关联关系统计得到，也即虚拟图像库中也可以只包括上述第三关联关系。
[0094]
s504，根据该第一种类对应的毛发流行度排名、面部特征流行度排名、服装特征流行度排名以及配饰特征流行度排名确定该第一种类对应的虚拟流行模型。
[0095]
示例性的，上述第一种类为上述表1中的种类a(猫)，如表3所示，该种类a对应的特征流行度排名中，排名第一的特征包括a1、b2、c2、d3以及e1，则可以由该a1、b2、c2、d3以及e1确定该种类a对应的虚拟流行模型a*，该a*包括该a1、b2、c2、d3以及e1特征。
[0096]
示例性的，还可以根据该种类a的特征流行度排名，生成除a*之外的其他虚拟流行模型，示例性的，根据特征流行度中排名第n(n大于1)的各个特征生成虚拟流行模型，本文对此不做限定，例如根据特征流行度中排名第二的a3、b7、c1、d6以及e2特征生成虚拟流行模型图像。
[0097]
示例性的，还可以根据该种类a的特征流行度排名，将与种类a对应的任意一个模型的部分特征替换为流行特征，得到新模型。
[0098]
可理解的，上述毛发特征流行度排名可以包括毛发颜色流行度、毛发长度流行度、毛发柔软度流行度、毛发亮度流行度中的一项或多项。面部特征流行度排名可以包括眼部特征流行度、脸部轮廓流行度、鼻尖特征流行度、嘴巴形状特征流行度、以及耳朵形状流行度中的一项或多项。服装特征流行度可以包括服装类型流行度、服装长度流行度以及服装颜色流行度中的一项或多项。配饰特征流行度包括配饰类型流行度、配饰颜色流行度、配饰形状大小流行度中的一项或多项。
[0099]
由此，根据流行度生成虚拟流行模型，对于线上虚拟模型网站则上架对应的虚拟流行模型图像，对于线下销售则生产与该虚拟流行模型对应的宠物玩具或模型，避免建模设计者对于宠物玩具或模型生理特征的流行度等判断不准确，导致生产的模型无法得到用户的喜爱，带来生产不合理，浪费成本和社会资源的问题。
[0100]
在一种可能的实现方式中，除了根据上述虚拟图像库中包括的虚拟模型的所属种类中出现频率最高的种类对应的特征信息流行度得到虚拟流行模型之外，还可以根据上述虚拟图像库中包括的虚拟模型的所属种类中出现频率排名前m(m》1)的种类对应的特征信息流行度得到虚拟流行模型，本文对此不做限定。具体的实现方式与根据上述虚拟图像库中包括的虚拟模型的所属种类中出现频率最高的种类对应的特征信息流行度得到虚拟流行模型一致。也可以理解为，将上述虚拟图像库中包括的虚拟模型的所属种类中出现频率排名前m(m》1)的种类中的每一个种类分别作为上述第一种类以得到对应的特征流行度。
[0101]
示例性的，上述m取值为2，虚拟图像库中记录的数据中的上述已销售的实体模型对应的虚拟模型的图像及其销售数量的第一关联关系，如上表1所示，则上述虚拟图像库中包括的虚拟模型的所属种类中出现频率中排名第二的种类为种类b(兔)，则根据虚拟图像库中记录的用于记录虚拟模型的图像对应的特征信息的第三关联关系中包括的与该种类b对应的特征信息，得到种类b对应的特征信息流行度。
[0102]
示例性的，上述根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型中每个所述已有模型的需求数据，分别确定种类特征流行度排名、第二毛发特征流行度排名、第二面部特征流行度排名、第二服装特征流行度排名、以及第二配饰特征流行度排名，基于所述种类流行度排名、所述第二毛发特征流行度排名、所述第二面部特征流行度排名、所述第二服装特征流行度排名、以及所述第二配饰特征流行度排名确定所述新模型。具体可以是，以虚拟图像库中的虚拟模型的所属种类特征属于同一种大类(例如均属于宠物狗)为例，模型确定装置可以根据虚拟图像库中记录的虚拟模型的所属种类确定种类流行度、以及根据虚拟图像库中记录的虚拟模型的图像对应的特征信息确定特征信息流行度，再根据种类流行度、特征信息流行度，确定虚拟流行模型。
[0103]
请参阅图6，图6为本技术实施例提供的一种模型确定方法的流程示意图。如图6所示，模型确定方法包括以下步骤：
[0104]
s601，获取虚拟图像库。
[0105]
在本技术实施例中，该虚拟图像库中记录了至少十种虚拟模型及其特征信息。该特征信息包括种类信息(例如宠物手办类型的种类为猫、狗等)、毛发特征、面部特征、服装特征以及配饰特征。
[0106]
s602，根据上述虚拟图像库确定特征信息流行度。
[0107]
示例性的，上述虚拟图像库中记录的数据包括已销售的实体模型对应的虚拟模型的图像及其销售数量的第一关联关系，和/或，用户在网络上使用的虚拟模型的图像及其使用数量的第二关联关系。上述虚拟图像库中记录的数据还包括用于记录虚拟模型的图像对应的特征信息的第三关联关系。
[0108]
关于第一关联关、第二关联关系以及第三关联关系的说明请参照本文其他实施例的相关说明(例如上述图5所示的相关说明)，在此不再详述。
[0109]
示例性的，以根据宠物手办的虚拟图像库确定与宠物手办对应的特征信息流行度为例，详细说明上述根据上述虚拟图像库确定特征信息流行度的具体实现方法。
[0110]
示例性的，上述特征信息流行度包括种类流行度排名、毛发特征流行度排名、面部特征流行度排名、服装特征流行度排名以及配饰特征流行度排名。其中，种类特征可以包括a种类(泰迪犬)、b种类(羊毛犬)、c(哈士奇)、d(比熊犬)，毛发特征流行度可以包括毛发颜
色流行度、毛发长度流行度、毛发柔软度流行度、毛发亮度流行度中的一项或多项。面部特征流行度可以包括眼部特征流行度、脸部轮廓流行度、鼻尖特征流行度、嘴巴形状特征流行度、以及耳朵形状流行度中的一项或多项。服装特征流行度可以包括服装类型流行度、服装长度流行度以及服装颜色流行度中的一项或多项。配饰特征流行度包括配饰类型流行度、配饰颜色流行度、配饰形状大小流行度中的一项或多项。
[0111]
示例性的，毛发特征流行度包括毛发颜色流行度(毛发颜色流行度包括a1至ax毛发颜色的使用排名，x为大于1的正整数)和毛发长度流行度(毛发长度流行度包括b1至by毛发长度的使用排名，y为大于1的正整数)，面部特征流行度可以包括眼部特征流行度(眼部特征流行度包括c1至cz眼部特征的使用排名，z为大于1的正整数)，服装特征流行度包括服装类型流行度(服装类型流行度包括c1至cl服装类型的使用排名，l为大于1的正整数)，配饰特征流行度包括配饰类型流行度(配饰类型流行度包括d1至dh眼部特征的使用排名，h为大于1的正整数)。具体的，各个特征的流行度排名如下表4所示。
[0112]
表4
[0113][0114]
s603，根据上述特征流行度确定虚拟流行模型。
[0115]
示例性的，根据特征信息流行度中，种类流行度排名第n1(n1为大于1或等于1的正整数)、毛发颜色流行度排名第n2(n2为大于1或等于1的正整数)、毛发长度流行度排名第n3(n3为大于1或等于1的正整数)、眼部特征排名第n4(n4为大于1或等于1的正整数)、服装类型流行度排名第n5(n5为大于1或等于1的正整数)以及配饰类型流行度排名第n6(n6为大于1或等于1的正整数)的特征信息确定虚拟流行模型。
[0116]
例如，根据特征信息流行度中，种类流行度排名第一、毛发颜色流行度排名第一、毛发长度流行度排名第一、眼部特征排名第一、服装类型流行度排名第一以及配饰类型流行度排名第一的特征信息确定虚拟流行模型；根据特征信息流行度中，种类流行度排名第一、毛发颜色流行度排名第二、毛发长度流行度排名第二、眼部特征排名第二、服装类型流行度排名第二以及配饰类型流行度排名第二的特征信息确定虚拟流行模型等等，本文对此不做限定。
[0117]
上述根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型中每个所述已有模型的需求数据，分别确定种类特征流行度排名、第二毛发特征流行度排名、第二面部特征流行度排名、第二服装特征流行度排名、以及第二配饰特征流行度排名，基于所述种类流行度排名、所述第二毛发特征流行度排名、所述第二面部特征流行度排名、所述第二服装特征流行度排名、以及所述第二配饰特征流行度排名确定所述新模型。
[0118]
当该虚拟图像库中的虚拟模型的所属种类特征包括多种大类(例如包括宠物狗、宠物猫、人形手办等)的情况下，也可以根据虚拟图像库中记录的虚拟模型的所属种类确定种类流行度、以及根据虚拟图像库中记录的虚拟模型的图像对应的特征信息确定特征信息流行度，再根据种类流行度、特征信息流行度，确定虚拟流行模型。
[0119]
示例性的，虚拟图像库中包括的第三关联关系如下表5所示，包括a种类模型(猫)，b种类模型(兔)、c种类模型(熊)以及对应的特征信息。该a种类模型(猫)，b种类模型(兔)、c种类模型(熊)的特征信息不分别区分种类，示例性的，同为毛发颜色特征，只要毛发颜色特征均为白色则均记为a1，不区分是属于a、b或c的毛发特征。
[0120]
表5
[0121][0122]
示例性的，统计后的得到的流行度排名如下表6所示。
[0123]
表6
[0124][0125]
可理解的，上述实体模型对应的虚拟模型的图像及其销售数量可以是自营实体店或网店中对应的实体模型的销售数据，仅为销售数据，并不包括用户个人信息，例如针对哪个用户购买了哪件模型的信息，不会涉及侵犯用户个人隐私权的行为。或者用户在网络上使用的虚拟模型的图像及其使用数量可以是在自营的虚拟模型网站或授权应用中收集的用户针对虚拟模型的使用数据，仅为虚拟模型使用情况相关的数据，不包括用户个人信息，或在用户许可的情况下获取用户虚拟模型的使用情况相关的数据，均在不侵犯用户个人隐私权的前提下收集对应的数据。
[0126]
可理解的，本技术实施例提供的模型确定方法的执行时机可以是实时执行，例如只要上述至少两个已有模型的需求数据发生变化或者上述虚拟图像库的数据发生变化便执行一遍本技术实施例提供的模型确定方法，确定新模型。或者也可以固定的周期执行或者在需求数据发送飞跃性变化的情况下执行，或者，还可以手动启动执行，本文对此不做限定。
[0127]
以下将介绍本发明实施例提供的模型确定装置。
[0128]
请参见图7，为本发明实施例提供了一种模型确定装置的结构示意图。如图7所示，本发明实施例的模型确定装置可以包括：
[0129]
获取单元701，用于获取至少两个已有模型的需求数据；
[0130]
第一确定单元702，用于根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型的需求数据，确定每项特征信息的流行度排名；
[0131]
第二确定单元703，用于根据所述每项特征信息的流行度排名确定新模型。
[0132]
关于已有模型、需求数据、以及特征信息等名词的解释请参照上述方法实施例中的相关说明，在此不再详述。
[0133]
在一种可能的实现方式中，上述第一确定单元702，具体用于：根据所述至少两个已有模型中每个所述已有模型包含的所述种类特征以及所述至少两个已有模型的需求数据，确定种类特征流行度排名，并确定所述种类特征流行度排名中排名第k的种类特征为第一种类特征，所述至少两个已有模型中与所述第一种类特征对应的已有模型为第一已有模型，所述k为大于或等于1的正整数；根据所述第一已有模型中每个所述已有模型包含的特征信息以及所述第一已有模型中每个所述已有模型对应的需求数据，确定所述第一已有模型中包括的所述毛发特征、所述面部特征、所述服装特征以及所述配饰特征的需求数据排名，得到第一毛发特征流行度排名、第一面部特征流行度排名、第一服装特征流行度排名、以及第一配饰特征流行度排名。上述第二确定单元703，具体用于：基于所述第一毛发特征
流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名，确定与所述第一种类特征对应的所述新模型。
[0134]
在一种可能的实现方式中，上述第二确定单元703，具体用于：根据所述第一毛发特征流行度排名、所述第一面部特征流行度排名、所述第一服装特征流行度排名、以及所述第一配饰特征流行度排名中由高至低排名靠前的且与所述目标已有模型匹配的目标特征信息，为所述目标已有模型配置新的特征信息，获得所述新模型。
[0135]
在一种可能的实现方式中，上述第一确定单元702，具体用于：根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型中每个所述已有模型的需求数据，分别确定所述至少两个已有模型中包括的所述种类特征、所述毛发特征、所述面部特征、所述服装特征以及所述配饰特征的需求数据排名，得到种类特征流行度排名、第二毛发特征流行度排名、第二面部特征流行度排名、第二服装特征流行度排名、以及第二配饰特征流行度排名；上述第二确定单元703，还可以具体用于：基于所述种类流行度排名、所述第二毛发特征流行度排名、所述第二面部特征流行度排名、所述第二服装特征流行度排名、以及所述第二配饰特征流行度排名确定所述新模型。
[0136]
需要说明的是，具体执行过程可以参见图1至图6所示的方法实施例的具体说明，在此不进行赘述。
[0137]
可理解的，上述图7所示的模型确定装置可以有多种产品形态。示例性的，模型确定装置还可以是如图8所示的处理器、通信接口、存储器以及通信总线的模型确定装置。具体的，如图8所示，模型确定装置80可以包括：
[0138]
至少一个处理器801，例如cpu，至少一个通信接口803，存储器804，至少一个通信总线802。其中，通信总线802用于实现这些组件之间的连接通信。通信接口803可选的可以包括标准的有线接口、无线接口(如wi-fi接口或蓝牙接口等)。存储器804可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器804可选的还可以是至少一个位于远离前述处理器801的存储装置。如图8所示，作为一种计算机存储介质的存储器804中可以包括操作系统和程序指令。
[0139]
示例性的，处理器801可以用于实现上述图7中的获取单元701、第一确定单元702、以及第二确定单元703所执行的步骤或方法。
[0140]
示例性的，也可以由上述通信接口803与处理器801配合执行上述获取单元701所执行的步骤或方法，例如由上述通信接口803接收其他装置发送的上述至少两个已有模型的需求数据，并由该通信接口803将上述至少两个已有模型的需求数据发送给处理器801，本文对此不做限定。
[0141]
可理解的，以上上述的方式仅为示例，也可以由处理器801以及上述模型确定装置80中的其他模块配合执行上述图7中的获取单元701、第一确定单元702、以及第二确定单元703所执行的步骤或方法，本文对此不做限定。
[0142]
在图8所示的模型确定装置80中，处理器801可以用于加载存储器804中存储的程序指令，并具体执行以下操作：
[0143]
获取至少两个已有模型的需求数据；
[0144]
根据所述至少两个已有模型中每个所述已有模型包含的特征信息以及所述至少两个已有模型的需求数据，确定每项特征信息的流行度排名；
[0145]
根据所述每项特征信息的流行度排名确定新模型。
[0146]
关于已有模型、需求数据、以及特征信息等名词的解释请参照上述方法实施例中的相关说明，在此不再详述。
[0147]
需要说明的是，具体执行过程可以参见图1至图6所示的实施例的具体说明，在此不进行赘述。
[0148]
本发明实施例还提供了一种计算机存储介质，上述计算机存储介质可以存储有多条指令，上述指令适于由处理器加载并执行如上述图1至图6所示的实施例的方法步骤，具体执行过程可以参见图1至图6所示实施例的具体说明，在此不进行赘述。
[0149]
上述实施例中所用，根据上下文，术语“当
…
时”可以被解释为意思是“如果
…”
或“在
…
后”或“响应于确定
…”
或“响应于检测到
…”
。类似地，根据上下文，短语“在确定
…
时”或“如果检测到(所陈述的条件或事件)”可以被解释为意思是“如果确定
…”
或“响应于确定
…”
或“在检测到(所陈述的条件或事件)时”或“响应于检测到(所陈述的条件或事件)”。
[0150]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如dvd)、或者半导体介质(例如固态硬盘)等。
[0151]
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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：rom或随机存储记忆体ram、磁碟或者光盘等各种可存储程序代码的介质。