考虑时间效应的产品组合推荐方法和系统

1.本发明涉及产品推荐技术领域，具体涉及一种考虑时间效应的产品组合推荐方法和系统。


背景技术：

2.随着互联网技术的发展，通过利用大数据、算法为用户推荐合适产品能够帮助客户在海量的商品中快速找到需要产品，进而有效提高成交率和用户体验。
3.现有的推荐方法大多基于协同过滤，利用用户或产品的相似度来衡量待推荐产品的预测评分。
4.但现有方法存在推荐准确度低且仅针对单一产品进行推荐的问题。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种考虑时间效应的产品组合推荐方法和系统，解决了现有方法存在准确度低且仅针对单一产品进行推荐的问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.第一方面，提供了一种考虑时间效应的产品组合推荐方法，该方法包括：
10.获取观测时间内的产品属性数据、删失状态数据与用户点击状态数据作为产品数据集；
11.基于产品数据集构建用户点击概率预测模型和用户在不同时间的条件点击概率预测模型；
12.基于用户点击概率预测模型和用户在不同时间的条件点击概率预测模型分别对若干待推荐产品的用户点击概率和用户在不同时间的条件点击概率进行预测；
13.基于若干待推荐产品的用户点击概率和用户在不同时间的条件点击概率计算若干待推荐产品的用户响应度；
14.基于若干待推荐产品的用户响应度构建产品组合推荐强度优化模型，并求解产品组合推荐强度优化模型得到产品组合推荐方案。
15.进一步的，所述删失状态数据包括：在观测时间内未能观测到产品被用户点击数据和在观测时间内观测到产品被用户点击数据；
16.所述用户点击状态数据包括：产品被用户点击数据和产品没有被用户点击数据。
17.进一步的，所述用户点击概率预测模型为基于集成分类树的预测模型；所述用户在不同时间的条件点击概率预测模型为基于集成生存树的预测模型。
18.进一步的，所述用户点击概率预测模型的构建步骤包括：
19.q11、从产品数据集中抽取样本构建子数据集d
*
，并将d
*
输入到二元分类树ctree的根节点；
20.q12、从产品属性数据中的k个特征中随机选择l个候选特征k》l，采用二分法将特征fk分组，k＝1,2,...,l，并计算其条件基尼指数：
[0021][0022]
其中，
[0023]
|d
*
|表示子数据集d
*
的样本量；
[0024]
表示特征fk属于q组的样本量，k＝1,2,...l，q＝1或2，分别表示特征的两个分组；
[0025]
表示q组中属于c类的样本量；c＝1或2，分别表示产品被点击或产品未被点击；
[0026]
q13、选择具有最小基尼指数的候选特征分割节点；
[0027]
q14、重复q12～q13，不断构造新的树子节点，直至叶子结点的样本都属于同一类，生成一颗完整的分类树ctree；
[0028]
q15、迭代q11～q14，生成g棵分类树作为用户点击概率预测模型；
[0029]
且基于用户点击概率预测模型对若干待推荐产品的用户点击概率进行预测包括：
[0030]
将待推荐产品的特征向量输入到训练好的用户点击概率预测模型中，计算分类结果为产品被用户点击的分类树占树总数的比例作为用户点击概率。
[0031]
进一步的，所述用户在不同时间的条件点击概率预测模型的构建步骤，包括：
[0032]
q21、从产品数据集中抽取样本构建作为子数据集d'，并将d'输入到二元递归生存树stree的根节点；
[0033]
q22、从产品属性数据中的k个特征中随机选择m个候选特征k》m，根据log-rank生存分裂准则，选择使子结点生存值差异最大的特征作为该节点的分裂条件；
[0034]
q23、重复步骤q22，不断构造新的树子节点，直至每个终结点h的样本数不小于最小的默认值d0,生成一棵生存树stree；
[0035]
q24、重复步骤q21～q23，生成b棵生存树
[0036]
q25、基于训练样本在生存树streeb,b＝1,2,...,b的叶节点h∈h处的生存时间与删失信息，构建叶节点h的累积风险函数；
[0037]
其中，{(t
1_h
,δ
1_h
),(t
2_h
,δ
2_h
),
…
,(t
m_h
,δ
m_h
)}表示m个训练样本在叶节点h∈h处的生存时间与删失信息；
[0038]
h表示所有叶节点；
[0039]
δ
i_h
＝0表示样本i在t
i_h
时刻右删失；
[0040]
δ
i_h
＝1表示样本i在t
i_h
时刻被用户点击；
[0041]
t
1_h
《t
2_h
《
…
《t
n(h)_h
表示训练样本被点击的不同时刻，共有n(h)个；
[0042]
且叶节点h在时间t下的累积风险函数为：
[0043][0044]dl_h
和y
l_h
分别表示为t
l_h
时刻被点击的产品数量和没有被点击的产品数量；
[0045]
t
l_h
表示叶节点h上训练样本被点击的第l个时刻，l＝1,2,
…
,n(h)；
[0046]
且基于用户在不同时间的条件点击概率预测模型对若干待推荐产品的用户在不同时间的条件点击概率进行预测，包括：
[0047]
q26、基于待推荐产品的特征向量zi计算其累计风险函数：
[0048][0049]
q27、根据累积风险函数与生存函数之间的数学关系，计算待推荐产品的生存函数sb(t|y＝1,zi)，且y＝1表示产品被用户点击；
[0050]
q28、对b棵生存树的生存函数进行平均，得到用户在不同时间t下的条件点击概率，且计算公式如下：
[0051][0052]
进一步的，所述用户响应度的计算公式为：
[0053][0054]
其中，
[0055]
si表示产品i的用户响应度；
[0056]
p(zi)表示产品i的用户点击概率；
[0057]
s(t|y＝1,zi)表示用户在会点击条件下，在不同时间t下的点击概率；
[0058]
e-αt
为时间衰减因子，α∈(0.1,1)；
[0059]
i＝1,2,
…
,n，n表示所有待推荐产品的数量；
[0060]
t表示观测周期。
[0061]
进一步的，所述基于若干待推荐产品的用户响应度构建产品组合推荐强度优化模型，包括：
[0062]
按待推荐产品的用户响应度从大到小排序，生成产品推荐top-n列表；
[0063]
计算top-n推荐列表中待推荐产品i与待推荐产品j之间的pearson相似度；
[0064]
基于pearson相似度和用户响应度构建产品组合推荐强度优化模型；
[0065]
求解产品组合推荐强度优化模型，得到产品推荐强度，基于所述产品推荐强度生成产品组合推荐方案。
[0066]
进一步的，所述pearson相似度的计算公式为：
[0067][0068]
其中，xi＝(x
i1
,x
i2
,...,x
ik
)与xj＝(x
j1
,x
j2
,...,x
jk
)分别表示待推荐产品i与待推
荐产品j的特征向量；
[0069]
与分别表示xi与xj的均值；
[0070]
k表示产品属性数据中的特征总数量。
[0071]
进一步的，所述产品组合推荐强度优化模型包括目标函数和约束条件，且所述目标函数为：
[0072][0073]
所述约束条件为：
[0074][0075]
0≤wi≤2/n
[0076]
其中，
[0077]
s＝(s1,s2,
…
,sn)为产品的用户响应度向量；
[0078]
ρ为产品相似度向量；
[0079]
w＝(w1,w2,
…
,wn)为产品推荐强度向量；
[0080]
n表示产品组合推荐方案中的产品数量。
[0081]
第二方面，提供了一种考虑时间效应的产品组合推荐系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0082]
(三)有益效果
[0083]
本发明提供了一种考虑时间效应的产品组合推荐方法和系统。与现有技术相比，具备以下有益效果：
[0084]
本发明提出一种考虑时间效应的产品组合推荐方法和系统，首先构建集成分类树和集成生存树分别预测用户点击概率以及用户在不同时间的点击概率；然后计算用户响应度并排序生成top-n产品推荐列表；最后基于产品组合构建推荐强度优化模型，获得组合中各个产品的推荐强度，提供了更为具体的推荐方案，有效提升了产品推荐的效果。
附图说明
[0085]
为了更清楚地说明本发明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使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
[0086]
图1为本发明实施例的流程图。
具体实施方式
[0087]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的
实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0088]
本技术实施例通过提供一种考虑时间效应的产品组合推荐方法和系统，解决了现有方法存在准确度低且仅针对单一产品的推荐的问题。
[0089]
本技术实施例中的技术方案为解决上述技术问题，总体思路如下：经发明人研究发现，在实际的产品推荐过程中，用户响应的时间效应往往会影响产品的推荐效果。现有方法未能有效考虑时间效应在量化用户响应度时会存在不准确的问题，进而导致推荐准确度低。且随着社交媒体网站与电商网站的快速发展，组合层面的产品推荐应用越来越广泛，现有方法无法合理的获取包含多个产品的组合推荐方案。
[0090]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0091]
实施例1：
[0092]
如图1所示，本发明提供了一种考虑时间效应的产品组合推荐方法，该方法包括：
[0093]
获取观测时间内的产品属性数据、删失状态数据与用户点击状态数据作为产品数据集；
[0094]
基于产品数据集构建用户点击概率预测模型和用户在不同时间的条件点击概率预测模型；
[0095]
基于用户点击概率预测模型和用户在不同时间的条件点击概率预测模型分别对若干待推荐产品的用户点击概率和用户在不同时间的条件点击概率进行预测；
[0096]
基于若干待推荐产品的用户点击概率和用户在不同时间的条件点击概率计算若干待推荐产品的用户响应度；
[0097]
基于若干待推荐产品的用户响应度构建产品组合推荐强度优化模型，并求解产品组合推荐强度优化模型得到产品组合推荐方案。
[0098]
本实施例的有益效果为：
[0099]
本发明提出一种考虑时间效应的产品组合推荐方法和系统，首先构建集成分类树和集成生存树分别预测用户点击概率以及用户在不同时间的点击概率；然后计算用户响应度并排序生成top-n产品推荐列表；最后基于产品组合构建推荐强度优化模型，获得组合中各个产品的推荐强度，提供了更为具体的推荐方案，有效提升了产品推荐的效果。
[0100]
下面对本发明实施例的实现过程进行详细说明：
[0101]
s1、获取观测时间内的产品属性数据、删失状态数据与用户点击状态数据作为产品数据集。
[0102]
具体的，删失状态数据包括：在观测时间内未能观测到产品被用户点击数据和在观测时间内观测到产品被用户点击数据；
[0103]
用户点击状态数据包括：产品被用户点击数据和产品没有被用户点击数据。
[0104]
具体实施时，如表1所示，可定义变量t为观测时间；
[0105]
定义随机变量δ为删失状态数据指示变量，
[0106]
δ＝0表示观测数据删失，即在时间t内未能观测到产品被用户点击，
[0107]
δ＝1表示观测数据未删失，即在时间t内观测到产品被用户点击。
[0108]
定义随机变量y为用户点击状态数据指示变量，
[0109]
y＝1表示产品被用户点击，
[0110]
y＝0表示产品没有被用户点击。
[0111]
表1
[0112][0113][0114]
s2、基于产品数据集构建用户点击概率预测模型和用户在不同时间的条件点击概率预测模型。
[0115]
s2.1、基于产品数据集构建用户点击概率预测模型。
[0116]
经发明人研究发现：预测用户点击概率可以归类为一个二分类问题。而分类树是目前最具有代表性的单分类模型之一。与线性单分类模型相比，基于树的结构可以使它很好地映射非线性关系，并且在准确性、稳定性和可解释性方面表现良好。
[0117]
同时，集成学习是一种机器学习范式，其原理是独立训练多个基础模型(通常称为弱分类器)并将它们的结果整合起来，创建一个更精确或者是鲁棒性更强的模型。因此，将分类树与集成学习结合，构建集成分类树去预测用户点击概率会有非常好的分类准确性。
[0118]
具体实施时，所述用户点击概率预测模型为基于集成分类树的预测模型；显然，构建集成分类树是现有技术，可采用任一现有方式构建该集成分类树，使该模型能用于预测用户点击概率即可。下面仅给出一种可行的集成分类树构建步骤q11～q15作为示例：
[0119]
q11、从产品数据集中抽取样本构建子数据集d
*
，并将d
*
输入到二元分类树ctree的根节点；具体的，可采用bootstrap重采样方法得到子数据集d
*
。
[0120]
q12、从产品属性数据中的k个特征中随机选择l个候选特征k》l，采用二分法将特征fk分组，k＝1,2,
…
,l，并计算其条件基尼指数：
[0121][0122]
其中，
[0123]
|d
*
|表示子数据集d
*
的样本量；
[0124]
表示特征fk属于q组的样本量，k＝1,2,
…
,l，q＝1或2，分别表示特征的两个分组；
[0125]
表示q组中属于c类的样本量；c＝1或2，分别表示产品被点击获取产品未被
点击；
[0126]
q13、选择具有最小基尼指数的候选特征分割节点；
[0127]
q14、重复q12～q13，不断构造新的树子节点，直至叶子结点的样本都属于同一类，生成一颗完整的分类树ctree；
[0128]
q15、迭代q11～q14，生成g棵分类树作为用户点击概率预测模型。
[0129]
s2.2、基于产品数据集构建用户在不同时间的条件点击概率预测模型。
[0130]
生存分析方法一般可以分为非参数、参数、半参数三类。以kaplan-meier法为代表的非参数方法，用于估计和绘制作为时间函数的生存概率，但经发明人研究发现，该方法建模时不考虑与生存时间相关的变量。而参数方法可能会受到一些严格假设的影响，即生存时间遵循已知分布，例如指数分布，但是这在大多数实际应用中是不现实的，因为生存时间不遵循特定的分布。半参数方法对生存时间不做任何假设，而存在其他假设。
[0131]
以cox比例风险模型为例，它假设两个实例之间的风险比值随着时间的推移是恒定的，并且对数风险和每个协变量之间的关系是线性的。
[0132]
与上述生存分析方法不同，生存树不依赖于参数假设，而且基于树的结构可以使生存树可以对变量之间的非线性关系和交互作用建模。因此再加上集成学习对结果进行综合，提升了预测效果。
[0133]
具体实施时，所述用户在不同时间的条件点击概率预测模型为基于集成生存树的预测模型；显然，构建集成生存树是现有技术，可采用任一现有方式构建集成生存树，使该模型能用于预测用户在不同时间的条件点击概率即可。下面仅给出一种集成生存树构建步骤q21～q24作为示例：
[0134]
q21、从产品数据集中抽取样本构建作为子数据集d'，并将d'输入到二元递归生存树stree的根节点；具体的，可采用bootstrap重采样方法得到子数据集d'。
[0135]
q22、从产品属性数据中的k个特征中随机选择m个候选特征k》m，根据log-rank生存分裂准则，选择使子结点生存值差异最大的特征作为该节点的分裂条件；
[0136]
q23、重复步骤q22，不断构造新的树子节点，直至每个终结点h∈h的样本数不小于最小的默认值d0,生成一棵生存树stree；
[0137]
q24、重复步骤q21～q23，生成b棵生存树作为用户在不同时间的条件点击概率预测模型。
[0138]
q25、基于训练样本在生存树streeb,b＝1,2,...,b的叶节点h∈h处的生存时间与删失信息，构建叶节点h的累积风险函数；
[0139]
其中，{(t
1_h
,δ
1_h
),(t
2_h
,δ
2_h
),
…
,(t
m_h
,δ
m_h
)}表示m个训练样本在叶节点h∈h处的生存时间与删失信息；
[0140]
h表示所有叶节点；
[0141]
δ
i_h
＝0表示样本i在t
i_h
时刻右删失；
[0142]
δ
i_h
＝1表示样本i在t
i_h
时刻被用户点击；
[0143]
t
1_h
《t
2_h
《
…
《t
n(h)_h
表示训练样本被点击的不同时刻，共有n(h)个；
[0144]
且叶节点h的累积风险函数为：
[0145][0146]dl_h
和y
l_h
分别表示为t
l_h
时刻产品被点击的数量和没有被点击的数量；
[0147]
t
l_h
表示叶节点h上训练样本被点击的第l个时刻，l＝1,2,
…
,n(h)。
[0148]
下面以表2和表3的数据为例进行说明：
[0149]
表2
[0150]
i12345678910t
i_h
46654108368
[0151]
其中，t
1_h
＝4表示样本1在t＝4时刻被用户点击，后面以此类推；
[0152]
表3
[0153]
tl
_h
3456810
[0154]
通过对表2中的t
i_h
数据去重排序后，可得到如表3所示的训练样本被点击的6个不同时刻，即n(h)＝6。
[0155]
当t＝3时，t
l_h
≤t的只有t
1_h
＝3，此时被点击的产品为i＝8；
[0156]
当t＝4时，t
l_h
≤t的有t
1_h
＝3和t
2_h
＝4，此时被点击的产品为i＝1，5，8；
[0157]
当t＝5时，t
l_h
≤t的有t
1_h
＝3，t
2_h
＝4和t
3_h
＝5，此时被点击的产品为i＝1，4，5，8。
[0158]
s3、基于用户点击概率预测模型和用户在不同时间的条件点击概率预测模型分别对若干待推荐产品的用户点击概率和用户在不同时间的条件点击概率进行预测。
[0159]
具体的，在训练好两个模型后：
[0160]
基于用户点击概率预测模型对若干待推荐产品的用户点击概率进行预测，包括：
[0161]
q16、将待推荐产品的特征变量输入到训练好的用户点击概率预测模型中，计算分类结果为产品被用户点击的分类树占树总数的比例作为用户点击概率。
[0162]
且基于用户在不同时间的条件点击概率预测模型对若干待推荐产品的用户在不同时间的条件点击概率进行预测包括：
[0163]
q26、叶节点h内所有样本的累积风险函数相同，基于待推荐产品的特征变量zi计算其累计风险函数：
[0164][0165]
q27、根据累积风险函数与生存函数之间的数学关系，即hb(t)＝-lnsb(t)，计算待推荐产品的生存函数sb(t|y＝1,zi)。y＝1表示产品被用户点击。
[0166]
q28、对b棵生存树的生存函数进行平均，得到用户在不同时间t下的条件点击概率，且计算公式如下：
[0167][0168]
s4、基于若干待推荐产品的用户点击概率和用户在不同时间的条件点击概率计算若干待推荐产品的用户响应度。
[0169]
具体的，所述用户响应度的计算公式为：
[0170][0171]
其中，
[0172]
si表示产品i的用户响应度；
[0173]
p(zi)表示产品i的用户点击概率；
[0174]
s(t|y＝1,zi)表示用户在会点击条件下，在不同时间t下的点击概率；
[0175]
e-αt
为时间衰减因子，α∈(0.1,1)；
[0176]
i＝1,2,
…
,n，n表示所有待推荐产品的数量；
[0177]
t表示观测周期。
[0178]
s5、基于若干待推荐产品的用户响应度构建产品组合推荐强度优化模型，并求解产品组合推荐强度优化模型得到产品组合推荐方案。
[0179]
具体的，所述基于若干待推荐产品的用户响应度构建产品组合推荐强度优化模型，包括：
[0180]
s5.1、按待推荐产品的用户响应度从大到小排序，生成产品推荐top-n列表。
[0181]
s5.2、计算top-n推荐列表中待推荐产品i与待推荐产品j之间的pearson相似度。
[0182]
所述pearson相似度的计算公式为：
[0183][0184]
其中，xi＝(x
i1
,x
i2
,...,x
ik
)与xj＝(x
j1
,x
j2
,...,x
jk
)分别表示待推荐产品i与待推荐产品j的特征向量；
[0185]
与分别表示xi与xj的均值；
[0186]
k表示产品属性数据中的特征总数量。
[0187]
s5.3、基于pearson相似度和用户响应度构建产品组合推荐强度优化模型。
[0188]
具体实施时，经发明人研究发现，对于一个产品组合，为达到较好的推荐效果，要保证产品组合整体的响应度高，而组合内产品间的相似度小。因此，进行产品组合推荐时一般有两个优化目标：
[0189]
(1)最大化产品组合整体的响应度：
[0190][0191]
s.t.
[0192][0193]
0≤wi≤2/n i＝1,2,...n
[0194]
(2)最小化组合内产品间的相似度：
[0195][0196]
s.t.
[0197][0198]
0≤wi≤2/n i＝1，2，...n
[0199]
因此，所述产品组合推荐强度优化模型包括目标函数和约束条件，且所述目标函数为：
[0200][0201]
所述约束条件为：
[0202][0203]
0≤wi≤2/n
[0204]
其中，
[0205]
s＝(s1，s2，
…
，sn)为产品的用户响应度向量；
[0206]
ρ为产品相似度向量；
[0207]
w＝(w1，w2，
…
，wn)为产品推荐强度向量；各产品推荐强度之和为1；
[0208]
n表示产品组合推荐方案中的产品数量。
[0209]
且0≤wi≤2/n保证了组合中产品推荐强度的差异性。
[0210]
s5.4、求解产品组合推荐强度优化模型，得到产品推荐强度，基于所述产品推荐强度生成产品组合推荐方案。
[0211]
具体的，可利用现有的求解器求解模型得到产品推荐强度w＝(w1，w2，
…
，wn)，对应的产品即为推荐的产品组合。
[0212]
实施例2
[0213]
本发明还提供了一种考虑时间效应的产品组合推荐系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
[0214]
获取观测时间内的产品属性数据、删失状态数据与用户点击状态数据作为产品数据集；
[0215]
基于产品数据集构建用户点击概率预测模型和用户在不同时间的条件点击概率预测模型；
[0216]
基于用户点击概率预测模型和用户在不同时间的条件点击概率预测模型分别对若干待推荐产品的用户点击概率和用户在不同时间的条件点击概率进行预测；
[0217]
基于若干待推荐产品的用户点击概率和用户在不同时间的条件点击概率计算若
干待推荐产品的用户响应度；
[0218]
基于若干待推荐产品的用户响应度构建产品组合推荐强度优化模型，并求解产品组合推荐强度优化模型得到产品组合推荐方案。
[0219]
可理解的是，本发明实施例提供的考虑时间效应的产品组合推荐系统与上述考虑时间效应的产品组合推荐方法相对应，其有关内容的解释、举例、有益效果等部分可以参考考虑时间效应的产品组合推荐方法中的相应内容，此处不再赘述。
[0220]
综上所述，与现有技术相比，本发明具备以下有益效果：
[0221]
本发明提出一种考虑时间效应的产品组合推荐方法和系统，首先构建集成分类树和集成生存树分别预测用户点击概率以及用户在不同时间的点击概率；然后计算用户响应度并排序生成top-n产品推荐列表；最后基于产品组合构建推荐强度优化模型，获得组合中各个产品的推荐强度，提供了更为具体的推荐方案，有效提升了产品推荐的效果。
[0222]
需要说明的是，通过以上的实施方式的描述，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。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。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
[0223]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。