本申请涉及计算机领域,尤其涉及一种视频推荐方法及服务器。
背景技术:
随着科学技术的发展,现有网络上包含大量的视频内容,用户可以通过主动搜索或者接收推送信息的方式,来浏览、播放视频内容。
为了提高视频播放转化率,现有策略是采用推荐系统,向用户推荐其可能喜欢且之前未播放过的视频。然而,在用户仅浏览却并未播放某个视频的情况下,推荐系统依然多次向用户推送该视频,导致因重复推荐曝光率高的视频而引起用户的反感,进而降低了视频播放转化率。
有鉴于此,本申请提出了一种新的视频推荐方法,以克服上述缺陷。
技术实现要素:
本申请实施例提供一种视频推荐方法及服务器,以解决因重复推荐曝光率高的视频,而降低视频播放转化率的问题。
本申请实施例提供的一种视频推荐方法,包括:
获取待推荐视频集合,以及计算所述待推荐视频集合中各个待推荐视频的第一视频推荐评估值;
确定所述待推荐视频集合中的历史曝光视频和未曝光视频;
利用预设的衰减模型,将所述历史曝光视频的第一视频推荐评估值,调整为所述历史曝光视频的第二视频推荐评估值,其中,所述历史曝光视频的第二视频推荐评估值小于所述历史曝光视频的第一视频推荐评估值;
基于各个未曝光视频的第一视频推荐评估值以及各个历史曝光视频的第二视频推荐评估值,生成相应的目标推荐视频集合,以及将所述目标推荐视频集合输出。
可选的,确定所述待推荐视频集合中的历史曝光视频和未曝光视频,包括:
针对各个待推荐视频分别执行以下操作:
判断一个待推荐视频是否携带曝光标识信息;
若是,则判定所述一个待推荐视频为所述历史曝光视频;
否则,判定所述一个待推荐视频为所述未曝光视频。
可选的,采用预设的衰减模型,将所述历史曝光视频的第一视频推荐评估值,调整为所述历史曝光视频的第二视频推荐评估值,包括:
在所述衰减模型中获取所述历史曝光视频的衰减调整值,其中,所述历史曝光视频的衰减调整值的取值,与所述历史曝光视频的被推荐次数呈负相关;
基于所述衰减调整值,以及所述历史曝光视频的第一视频推荐评估值,生成所述历史曝光视频的第二视频推荐评估值。
可选的,在所述衰减模型中获取所述一个历史曝光视频的衰减调整值,包括:
获取所述历史曝光视频的视频标识信息;
在所述衰减模型中,确定出与所述视频标识信息相对应的衰减调整值。
可选的,基于所述衰减调整值,以及所述历史曝光视频的第一视频推荐评估值,生成所述历史曝光视频的第二视频推荐评估值,包括:
将所述历史曝光视频的第一视频推荐评估值,与所述衰减调整值的乘积,确定为所述历史曝光视频的第二视频推荐评估值。
可选的,基于各个未曝光视频的第一视频推荐评估值以及各个历史曝光视频的第二视频推荐评估值,生成相应的目标推荐视频集合,包括:
依照所述第一视频推荐评估值与所述第二视频推荐评估值,从高到低的顺序,对所述各个未曝光视频与所述各个历史曝光视频进行排序;
将重新排序的待推荐视频集合,确定为所述目标推荐视频集合。
相应的,本申请实施例还提供了一种视频推荐服务器,包括:
获取单元,用于获取待推荐视频集合,以及计算所述待推荐视频集合中各个待推荐视频的第一视频推荐评估值;
处理单元,用于确定所述待推荐视频集合中的历史曝光视频和未曝光视频;
采用预设的衰减模型,将所述历史曝光视频的第一视频推荐评估值,调整为所述历史曝光视频的第二视频推荐评估值,其中,所述历史曝光视频的第二视频推荐评估值小于所述历史曝光视频的第一视频推荐评估值;
推荐单元,用于基于各个未曝光视频的第一视频推荐评估值以及各个历史曝光视频的第二视频推荐评估值,生成相应的目标推荐视频集合,以及将所述目标推荐视频集合输出。
可选的,确定所述待推荐视频集合中的历史曝光视频和未曝光视频,所述处理单元用于:
针对各个待推荐视频分别执行以下操作:
判断一个待推荐视频是否携带曝光标识信息;
若是,则判定所述一个待推荐视频为所述历史曝光视频;
否则,判定所述一个待推荐视频为所述未曝光视频。
可选的,采用预设的衰减模型,将所述历史曝光视频的第一视频推荐评估值,调整为所述历史曝光视频的第二视频推荐评估值,包括:
在所述衰减模型中获取所述历史曝光视频的衰减调整值,其中,所述历史曝光视频的衰减调整值的取值,与所述历史曝光视频的被推荐次数呈负相关;
基于所述衰减调整值,以及所述历史曝光视频的第一视频推荐评估值,生成所述历史曝光视频的第二视频推荐评估值。
可选的,在所述衰减模型中获取所述历史曝光视频的衰减调整值,所述处理单元用于:
获取所述历史曝光视频的视频标识信息;
在所述衰减模型中,确定出与所述视频标识信息相对应的衰减调整值。
可选的,基于所述衰减调整值,以及所述历史曝光视频的第一视频推荐评估值,生成所述历史曝光视频的第二视频推荐评估值,所述处理单元用于:
将所述历史曝光视频的第一视频推荐评估值,与所述衰减调整值的乘积,确定为所述历史曝光视频的第二视频推荐评估值。
可选的,基于各个未曝光视频的第一视频推荐评估值以及各个历史曝光视频的第二视频推荐评估值,生成相应的目标推荐视频集合,所述推荐单元具体用于:
依照所述第一视频推荐评估值与所述第二视频推荐评估值,从高到低的顺序,对所述各个未曝光视频与所述各个历史曝光视频进行排序;
将重新排序的待推荐视频集合,确定为所述目标推荐视频集合。
相应的,本申请实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述视频推荐的方法。
相应的,本申请实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述视频推荐的方法。
本申请有益效果如下:
本申请实施例中,先获取待推荐视频集合,以及计算各个待推荐视频的第一视频推荐评估值;其次,确定待推荐视频集合中的历史曝光视频和未曝光视频;再次,采用衰减模型将历史曝光视频的第一视频推荐评估值,调整为历史曝光视频的第二视频推荐评估值;最后,基于各个未曝光视频的第一视频推荐评估值,以及各个历史曝光视频的第二视频推荐评估值,生成并输出目标推荐视频集合。通过衰减模型对历史曝光视频的第一视频推荐评估值进行降重处理,生成历史曝光视频的第二视频推荐评估值,使得被重复推荐次数少的视频和/或未被推荐的视频,可以尽量排在被重复推荐次数多的视频前面,以提高视频播放转化率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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为本申请实施例提供的一种训练衰减模型的流程示意图;
图2为本申请实施例提供的一种视频推荐方法的流程示意图;
图3为本申请实施例提供的一种视频推荐服务器的结构示意图;
图4为本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为了解决因重复推荐曝光率高的视频,而降低视频播放转化率的问题,本申请实施例中提供了一种新的技术方案。该方案包括:先获取待推荐视频集合,以及计算各个待推荐视频的第一视频推荐评估值;其次,确定待推荐视频集合中的历史曝光视频和未曝光视频;再次,采用衰减模型将历史曝光视频的第一视频推荐评估值,调整为历史曝光视频的第二视频推荐评估值;最后,基于各个未曝光视频的第一视频推荐评估值,以及各个历史曝光视频的第二视频推荐评估值,生成并输出目标推荐视频集合。
下面结合附图对本申请优选的实施方式作出详细说明。
本申请实施例中提供了一种包含推荐模型与衰减模型的推荐引擎,该推荐引擎用于生成并向用户发送目标推荐视频集合。参阅图1所示,训练衰减模型的过程如下:
s101:采用初始的衰减模型确定所有的衰减函数组合。
具体地,采用初始的衰减模型确定所有的衰减函数组合的过程如下:
a1、采用初始的衰减模型,基于预设的衰减函数集合,分别为预设的各个转化影响因子关联相应的衰减函数。
在本申请实施例中,将影响已曝光视频由未播放状态转变为播放状态的因素,称为转化影响因子。预设的转化影响因子,至少包括视频距离上一次曝光的天数、目前视频曝光总次数和视频在目标推荐视频集合中的位置这三个元素。
在初始的衰减模型中包含以下四个衰减函数:
f(x)=α1*x+α2衰减函数(1);
f(x)=α1(x-α2)2+α3衰减函数(4);
其中,x表示某一转化影响因子,α1、α2和α3均表示衰减函数系数,而f(x)表示某一转化影响因子的衰减函数。
初始的衰减模型,分别为每一个转化影响因子,从上述四个衰减函数中任意选择一个,作为对应的衰减函数。
a2、采用关联了转化影响因子的衰减函数,构成一个衰减函数组合。
a3、判断是否输出所有的衰减函数组合,其中各个衰减函数组合中包含的衰减函数不完全相同,若是,执行步骤a4;否则,执行步骤a1。
a4、初始的衰减模型确定所有的衰减函数组合。
为了便于理解,举三个具体例子进行描述。
例如,初始的衰减函数为转化影响因子1关联了衰减函数(1),为转化影响因子2关联了衰减函数(2),为转化影响因子3关联了衰减函数(4),这样,所构成的衰减函数组合1为[衰减函数(1),衰减函数(2),衰减函数(4)]。
例如,初始的衰减函数为转化影响因子1关联了衰减函数(1),为转化影响因子2关联了衰减函数(2),为转化影响因子3关联了衰减函数(3),这样,所构成的衰减函数组合2为[衰减函数(1),衰减函数(2),衰减函数(3)]。
又例如,初始的衰减函数为转化影响因子1关联了衰减函数(1),为转化影响因子2关联了衰减函数(1),为转化影响因子3关联了衰减函数(1),这样,所构成的衰减函数组合3为[衰减函数(1),衰减函数(1),衰减函数(1)]。
结合上述三个例子可知,同一衰减函数组合中可能包含相同的衰减函数,但是多个衰减函数组合所包含的衰减函数是不完全相同的。
s102:基于一个衰减函数组合,获得历史播放样本集合的预测视频播放转化率变化量。
在执行步骤102之前,需要先构建历史播放样本集合,以及计算所述历史播放样本集合的实际视频播放转化率变化量。
其中,所述历史播放样本集合指的是,由多个用户的历史播放记录构成的训练样本数据集。
所述实际视频播放转化率指的是,一个已曝光视频由未播放状态转变为播放状态的效率,因此,一个历史播放视频的实际视频播放转化率,可以体现出用户对已曝光视频的实际喜爱程度;所述实际视频播放转化率变化量指的是,所有历史播放记录的实际视频播放转化率的整体变化程度。
所述预测视频播放转化率指的是,预测一个已曝光视频由未播放状态转变为播放状态的效率,因此,一个历史播放视频的预测视频播放转化率,可以预测出用户对已曝光视频的喜爱程度;所述预测视频播放转化率变化量指的是,所有历史播放记录的预测视频播放转化率的整体变化程度。
具体地,在本申请实施例中,通过收集多个用户的历史视频日志的方式,获取多个用户的历史视频集合。其中,在一个用户的一个历史视频集合中包含了,用户仅浏览未播放视频的历史曝光记录,以及用户浏览并播放视频的历史播放记录。
其中,一条历史曝光记录包含以下元素:用户身份标识号(identitydocument,id)、视频id、视频距离上一次曝光的天数、目前视频曝光总次数、视频在目标推荐视频集合中的位置、视频推荐评估值、视频曝光时间点,以及未转化标识信息,而一条历史播放记录中包含上述用户id到视频曝光时间点的所有元素,以及转化标识信息。
具体地,计算所述历史播放样本集合的实际视频播放转化率变化量的过程如下:
b1、计算各个历史播放样本的实际视频播放转化率。
其中,计算一个历史播放样本的实际视频播放转化率方式为,将视频被播放的次数与目前视频曝光总次数之间的比值,确定为所述实际视频播放转化率。一般来说,推荐模型不会向用户重复推荐已经播放过的视频,因此,当用户播放该视频后,历史视频日志将停止更新,也就是说,视频被播放的次数仅为一次。
b2、在以实际视频播放转化率为纵轴,以第n个历史播放样本为横轴的二维坐标系中绘制曲线1,所述曲线1表征了实际视频播放转化率变化量。
具体地,基于一个衰减函数组合,获得历史播放样本集合的预测视频播放转化率变化量的过程如下:
c1、通过一个衰减函数组合,生成与历史播放样本集合中各个历史播放样本,对应的预测视频播放转化率。
在本申请实施例中,采用公式(1)
c2、基于对应的预测视频播放转化率,确定预测视频播放转化率变化量。
在以预测视频播放转化率为纵轴,以第n个历史播放样本的m个转化影响因子为横轴的二维坐标系中绘制曲线2,所述曲线2表征了实际视频播放转化率变化量。
s103:判断预测视频播放转化率变化量是否符合预设的误差门限值,若是,执行步骤104;否则,执行步骤105。
计算预测视频播放转化率变化量与实际视频播放转化率变化量之间的差值,是否不超过误差门限值。若所述差值不超过误差门限值,说明基于所述一个衰减函数组合,输出的预测视频播放转化率接近实际视频播放转化率;反之,则说明所述一个衰减函数组合中的参数值不是最优的,应当调整所述一个衰减函数组合的参数值,并返回步骤102,根据所述一个衰减函数组合的新的参数值,计算新的预测视频播放转化率变化量。其中,所述参数值包括衰减函数系数和第i个转化影响因子的权重。
s104:将一个衰减函数组合确定为候选衰减函数组合输出。
s105:调整一个衰减函数组合的参数值,并返回步骤102。
s106:判断各个衰减函数组合是否均处理完毕,若是,执行步骤107;否则,执行步骤102。
s107:在获得的各个候选衰减组合中,将对应的预测视频播放转化率的误差最小的候选衰减函数组合,作为衰减模型的目标衰减函数组合。
s108:将包含目标衰减函数组合的衰减模型,作为目标衰减模型输出。
经过上述步骤101~108,完成对衰减模型的训练。
具体地,使用训练好的目标衰减模型,确定各个历史曝光视频的衰减调整值的过程如下:
d1、采用收集日志的方式,获取各个历史曝光视频最新的历史曝光记录;
其中历史曝光视频指的是,至少向用户推荐过一次,且用户仅浏览却并未播放的视频;
d2、将所述最新的历史曝光记录依次输入到衰减模型中,得到各个历史曝光视频的预测视频播放转化率;
d3、按照用户id对各个历史曝光视频进行分类,即被推送给同一用户的历史曝光视频被划分为一组;
d4、采用公式(2)
其中,d表示衰减调整值,
b5、按照视频id与d的对应关系,将各个历史曝光视频的d保存在衰减模型中。
除此之外,还可以按照设定的周期,定期获取多个用户新的历史播放记录集合,并按照上述步骤101~111,重新训练衰减模型,以提高预测精度。以及使用更新后的衰减模型,计算各个历史曝光视频的新的衰减调整值。
参阅图2所示,在本申请实施例中生成目标推荐视频集合的具体流程如下:
s201:获取待推荐视频集合,以及计算待推荐视频集合中各个待推荐视频的第一视频推荐评估值。
由预先训练的推荐模型推测出用户可能喜欢的视频,生成待推荐视频集合,以及由推荐模型计算出各个待推荐视频的第一视频推荐评估值。其中第一视频推荐评估值是预测用户对待推荐视频的喜爱程度的值,因此,若第一视频推荐评估值越高,表明用户可能对相应的待推荐视频越感兴趣;反之,则表明用户可能对相应的待推荐视频越不感兴趣。
s202:确定待推荐视频集合中的历史曝光视频和未曝光视频。
具体地,确定各个待推荐视频是否为历史曝光视频的过程如下:
判断一个待推荐视频是否携带曝光标识信息,若是,则判定该待推荐视频为历史曝光视频;否则,判定该待推荐视频为未曝光视频。
历史曝光视频指的是,至少向用户推荐过一次,且用户仅浏览却并未播放的视频;而未曝光视频指的是,从未向用户推荐过的视频。向用户发送的目标推荐视频集合中包含的历史曝光视频的个数越多,和/或各个历史曝光视频被重复推荐的次数越多,均会降低所述目标推荐视频集合的视频播放转化率。其中视频播放转化率指的是,目标推荐视频集合中被用户浏览并播放的视频的百分比。因此,在本申请实施例中采用衰减模型,对历史曝光视频的视频推荐评估值进行降重处理,使得被重复推荐次数少和/或未被推荐的视频尽可能排列在被重复推荐次数多的视频前面,以此提高视频播放转化率。
而在此之前,最重要的是筛选出待推荐视频集合中的所有历史曝光视频。在本申请实施例中,当推荐模型将历史曝光视频再次确定为待推荐视频时,会赋予所述待推荐视频一个曝光标识信息,便于推荐引擎通过曝光标识信息,筛选出相应的历史曝光视频,并将所述相应的历史曝光视频发往衰减模型进行降重处理。
s203:采用预设的衰减模型,将历史曝光视频的第一视频推荐评估值,调整为历史曝光视频的第二视频推荐评估值,其中,历史曝光视频的第二视频推荐评估值小于历史曝光视频的第一视频推荐评估值。
调整历史曝光视频的视频推荐评估值的过程,具体描述如下:
e1、获取一个历史曝光视频。
e2、在衰减模型中获取一个历史曝光视频的衰减调整值,其中,所述一个历史曝光视频的衰减调整值的取值,与所述一个历史曝光视频的被推荐次数呈负相关。
通过获取一个历史曝光视频的视频id,在衰减模型中匹配到相应的衰减调整值。其中,随着一个历史曝光视频的被推荐次数的增加,所述一个历史曝光视频的衰减调整值将减小。
e3、基于衰减调整值,以及一个历史曝光视频的第一视频推荐评估值,生成一个历史曝光视频的第二视频推荐评估值。
具体地,将一个历史曝光视频的第一视频推荐评估值,与衰减调整值的乘积,确定为一个历史曝光视频的第二视频推荐评估值。
e4、判断所有的历史曝光视频是否均处理完毕,若是,输出所有历史曝光视频的第二视频推荐评估值,并执行步骤204;否则,返回步骤e1。
s204:基于各个未曝光视频的第一视频推荐评估值以及各个历史曝光视频的第二视频推荐评估值,生成相应的目标推荐视频集合,以及将目标推荐视频集合输出。
具体地,先依照第一视频推荐评估值与第二视频推荐评估值,从高到低的顺序,对各个未曝光视频与各个历史曝光视频进行排序;
再将重新排序的待推荐视频集合,确定为所述目标推荐视频集合。
经过上述步骤201~204,推荐引擎对待推荐视频集合进行重新排序,使得在最终生成的目标推荐视频集合中,被重复推荐次数少的视频和/或未被推荐的视频,可以尽量排在被重复推荐次数多的视频前面,以提高视频播放转化率。
基于同一发明构思,图3示例性的示出了本申请实施例提供的一种视频推荐服务器的结构示意图,至少包括获取单元301、处理单元302和推荐单元303,其中,
获取单元301,用于获取待推荐视频集合,以及计算所述待推荐视频集合中各个待推荐视频的第一视频推荐评估值;
处理单元302,用于确定所述待推荐视频集合中的历史曝光视频和未曝光视频;
采用预设的衰减模型,将所述历史曝光视频的第一视频推荐评估值,调整为所述历史曝光视频的第二视频推荐评估值,其中,所述历史曝光视频的第二视频推荐评估值小于所述历史曝光视频的第一视频推荐评估值;
推荐单元303,用于基于各个未曝光视频的第一视频推荐评估值以及各个历史曝光视频的第二视频推荐评估值,生成相应的目标推荐视频集合,以及将所述目标推荐视频集合输出。
可选的,确定所述待推荐视频集合中的历史曝光视频和未曝光视频,所述处理单元302用于:
针对各个待推荐视频分别执行以下操作:
判断一个待推荐视频是否携带曝光标识信息;
若是,则判定所述一个待推荐视频为所述历史曝光视频;
否则,判定所述一个待推荐视频为所述未曝光视频。
可选的,采用预设的衰减模型,将所述历史曝光视频的第一视频推荐评估值,调整为所述历史曝光视频的第二视频推荐评估值,所述处理单元302用于:
在所述衰减模型中获取所述历史曝光视频的衰减调整值,其中,所述历史曝光视频的衰减调整值的取值,与所述历史曝光视频的被推荐次数呈负相关;
基于所述衰减调整值,以及所述历史曝光视频的第一视频推荐评估值,生成所述历史曝光视频的第二视频推荐评估值。
可选的,在所述衰减模型中获取所述历史曝光视频的衰减调整值,所述处理单元302用于:
获取所述历史曝光视频的视频标识信息;
在所述衰减模型中,确定出与所述视频标识信息相对应的衰减调整值。
可选的,基于所述衰减调整值,以及所述历史曝光视频的第一视频推荐评估值,生成所述历史曝光视频的第二视频推荐评估值,所述处理单元302用于:
将所述历史曝光视频的第一视频推荐评估值,与所述衰减调整值的乘积,确定为所述历史曝光视频的第二视频推荐评估值。
可选的,基于各个未曝光视频的第一视频推荐评估值以及各个历史曝光视频的第二视频推荐评估值,生成相应的目标推荐视频集合,所述推荐单元303具体用于:
依照所述第一视频推荐评估值与所述第二视频推荐评估值,从高到低的顺序,对所述各个未曝光视频与所述各个历史曝光视频进行排序;
将重新排序的待推荐视频集合,确定为所述目标推荐视频集合。
基于同一发明构思,图4示例性的示出了本申请实施例提供的一种计算设备的结构示意图,至少包括存储器401和处理器402;
存储器401,用于存储程序指令;
处理器402,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述视频推荐的方法。
基于同一发明构思,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述视频推荐的方法。
综上所述,先获取待推荐视频集合,以及计算各个待推荐视频的第一视频推荐评估值;其次,确定待推荐视频集合中的历史曝光视频和未曝光视频;再次,采用衰减模型将历史曝光视频的第一视频推荐评估值,调整为历史曝光视频的第二视频推荐评估值;最后,基于各个未曝光视频的第一视频推荐评估值,以及各个历史曝光视频的第二视频推荐评估值,生成并输出目标推荐视频集合。
显然,在本申请实施例的推荐引擎中引入了一个衰减模型,通过衰减模型对历史曝光视频的第一视频推荐评估值进行降重处理,生成历史曝光视频的第二视频推荐评估值,使得被重复推荐次数少的视频和/或未被推荐的视频,可以尽量排在被重复推荐次数多的视频前面,以提高视频播放转化率。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。