用于推荐对象的方法、装置、电子设备和介质

技术领域

本公开涉及互联网技术领域，更具体地，涉及一种用于推荐对象的方法、装置、电子设备和介质。

背景技术

近年来，随着电商的高速发展，访问的用户数据和销售的商品数据急剧增加，如何快速定位用户的需求和准确为用户推送可能购买的商品，已成为电商系统研究的一个热门课题。幸运的是目前电商系统已经积累了大量用户的数据，包括用户的画像信息、浏览商品信息、操作信息和购买等信息。因此可以基于用户数据进行数据分析和挖掘，以取用户的喜好和需求，进而获取用户未来可能浏览的商品，实现商品的预测和推荐。

针对商品的预测和推荐技术，目前应用最为广泛的是协同过滤算法(Collaborative Filtering，CF)。该算法主要通过分析用户-商品的评分矩阵进行分析，预测用户对可能浏览的商品进行评分预测，将预测评分较高的top-N推荐给用户。然而，这种方法运算量较高、处理性能较差，并且实际预测的准确度也并不令人满意。

发明内容

有鉴于此，本公开提供了一种用于推荐对象的方法、装置、电子设备和介质。

本公开的一个方面提供了一种用于推荐对象的方法，包括获得用户访问数据，基于所述用户访问数据，确定用户访问的多个第一对象所属的类别以及用户访问所述多个第一对象之间的时序关系，基于所述第一类别以及所述时序关系，预测将要访问的第二对象所属的第二类别，基于所述第一对象，从所述第二类别中预测将要访问的第二对象，以及输出推荐信息，以便向所述用户推荐所述第二对象。

可选地，所述基于所述第一类别以及所述时序关系，预测将要访问的第二对象所属的第二类别包括确定从访问所述第一对象到将要访问的第二对象之间的时间周期的数量，基于所述时间周期的数量，确定不同类别之间的相关度，基于所述相关度，确定第二类别。

可选地，所述基于所述时间周期的数量，确定不同类别之间的相关度包括确定不同类别之间的相似度，基于所述时间周期的数量，确定不同类别之间的转换概率，基于所述相似度以及所述转换概率，确定不同类别之间的相关度。

可选地，所述确定不同类别之间的相似度包括获得历史数据，基于所述历史数据，确定不同类别之间的集合相似度和欧几里得距离，基于所述集合相似度和所述欧几里得距离，确定不同类别之间的相似度。

可选地，所述基于所述第一对象，从所述第二类别中预测将要访问的第二对象包括确定从所述第一对象到所述第二类别中的每个对象的转移概率，基于所述转移概率，从所述第二类别中预测将要访问的第二对象。

可选地，所述多个第一对象包括在t-1时刻访问的第一对象和在t-2时刻访问的第一对象，用于预测用户在t时刻将要访问的第二对象。

可选地，所述预测将要访问的第二对象所属的第二类别包括基于在t-1时刻访问的第一对象预测第一集合，基于在t-2时刻访问的第一对象预测第二集合，确定所述第一集合与第二集合的并集中的类别为第二类别。

本公开的另一个方面提供了一种用于推荐对象的装置，包括获得模块、确定模块、第一预测模块、第二预测模块以及输出模块。获得模块，用于获得用户访问数据。确定模块，用于基于所述用户访问数据，确定用户访问的多个第一对象所属的类别以及用户访问所述多个第一对象之间的时序关系。第一预测模块，用于基于所述第一类别以及所述时序关系，预测将要访问的第二对象所属的第二类别。第二预测模块，用于基于所述第一对象，从所述第二类别中预测将要访问的第二对象。输出模块，用于输出推荐信息，以便向所述用户推荐所述第二对象。

本公开的另一个方面提供了一种电子设备，包括，至少一个处理器以及至少一个存储器，用于存储一个或多个计算机可读指令，其中，当所述一个或多个计算机可读指令被所述至少一个处理器执行时，使得所述处理器执行如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开实施例的方法通过引入对象分类的属性，并引入访问时间属性，将对象分类数据转化为有时间序列关系的分类时序数据，可以在一定程度上减少分析处理的数据量并且提高预测准确度。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的用于推荐对象的方法的应用场景；

图2示意性示出了根据本公开实施例的用于推荐对象的方法的流程图；

图3示意性示出了根据本公开另一实施例的用于推荐对象的方法的流程图；

图4示意性示出了根据本公开实施例的用于推荐对象的装置的示意图；以及

图5示意性示出了根据本公开实施例的适于用于推荐对象的系统的计算机系统的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。

针对现有的推荐算法的存在的运算量大、预测准确度问题，本公开的实施例提供了一种通过引入对象分类和访问时间的属性，且基于对象分类之间的转换关系的对象预测和推荐技术。该技术首先通过分析对象访问的分类关系转换，获取目标分类集合，通过对目标分类中对象进行分析以缩小待分析对象候选集的数量，进而降低处理数据量和提升处理性能。此外，引入基于时序模型的分类转换数据处理，增加了预测的准确性和可靠性。通过以上处理方式，提升预测计算的处理性能和预测的准确度。

图1示意性示出了根据本公开实施例的用于推荐对象的方法的应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器集群105。网络104用以在终端设备101、102、103和服务器集群105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器集群105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器集群105可以是提供各种服务的服务器集群，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器集群(仅为示例)。后台管理服务器集群可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的用于推荐对象的方法一般可以由服务器集群105执行。相应地，本公开实施例所提供的用于推荐对象的装置一般可以设置于服务器集群105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的用于推荐对象的方法的流程图。

如图2所示，该方法包括操作S210～S250。

在操作S210，获得用户访问数据。根据本公开实施例，用户访问数据包括用户在一段时间内访问的一个或多个对象的数据。例如，对于每一次访问记录，都可以记载有访问时间，访问的对象等信息。

在操作S220，基于所述用户访问数据，确定用户访问的多个第一对象所属的类别以及用户访问所述多个第一对象之间的时序关系。

例如，根据用户访问数据可以确定，用户在t1时刻访问对对象A，在t

根据本公开实施例，所述基于所述第一类别以及所述时序关系，预测将要访问的第二对象所属的第二类别包括确定从访问所述第一对象到将要访问的第二对象之间的时间周期的数量，基于所述时间周期的数量，确定不同类别之间的相关度，基于所述相关度，确定第二类别。

根据本公开实施例，所述基于所述时间周期的数量，确定不同类别之间的相关度包括确定不同类别之间的相似度，基于所述时间周期的数量，确定不同类别之间的转换概率，基于所述相似度以及所述转换概率，确定不同类别之间的相关度。

根据本公开实施例，所述确定不同类别之间的相似度包括获得历史数据，基于所述历史数据，确定不同类别之间的集合相似度和欧几里得距离，基于所述集合相似度和所述欧几里得距离，确定不同类别之间的相似度。

在操作S230，基于所述第一类别以及所述时序关系，预测将要访问的第二对象所属的第二类别。

根据本公开实施例，所述基于所述第一对象，从所述第二类别中预测将要访问的第二对象包括确定从所述第一对象到所述第二类别中的每个对象的转移概率，基于所述转移概率，从所述第二类别中预测将要访问的第二对象。

在操作S240，基于所述第一对象，从所述第二类别中预测将要访问的第二对象。例如，可以通过已有的协同过滤算法从第二类别中预测该用户将要访问的第二对象。

根据本公开实施例，所述多个第一对象包括在t-1时刻访问的第一对象和在t-2时刻访问的第一对象，用于预测用户在t时刻将要访问的第二对象。

根据本公开实施例，所述预测将要访问的第二对象所属的第二类别包括基于在t-1时刻访问的第一对象预测第一集合，基于在t-2时刻访问的第一对象预测第二集合，确定所述第一集合与第二集合的并集中的类别为第二类别。

在操作S250，输出推荐信息，以便向所述用户推荐所述第二对象。

下面结合图3对本公开实施例的方法进行进一步的示例性说明。

图3示意性示出了根据本公开另一实施例的用于推荐对象的方法的流程图。

如图3所示，该方法主要涉及到三个模块，分别是：数据预处理模块、对象分类模块和对象预测模块。

数据预处理模块根据大数据平台或者日志系统，获取用户-对象的访问数据D，并通过对象分类信息，将数据转为为用户-对象分类数据D

对象分类模块通过集合相似度和距离公式，计算商品分类之间的相似度矩阵S；基于访问历史序列，构建商品分类之间的访问转换模型，获得一阶和二阶转换矩阵P

对象预测模块用于为目标用户u进行t时刻访问对象的预测。

对象预测模块获得目标用户访问的t-1时刻、t-2时刻的对象分类信息C

下面分别对三个模块分别进行描述。

(1)数据预处理模块

该模块主要进行数据的预处理，构建后续处理需要的用户-对象分类数据。假设目前系统含有N个对象和K个对象分类，通过日志系统或数据平台，获取每个用户对对象的浏览记录数据d，具体可以表示为：

d＝[g

其中，g

根据d

d

其中c

最终对M个用户进行数据处理，获得处理后的用户-对象分类矩阵D：

其中D是M*K的矩阵，表示M个用户对K个对象分类的访问数据。用C

(2)对象分类模块

该模块主要构建对象分类之间的访问转换模型，通过当前和历史的分类访问数据序列，预计下一次访问某个分类的可能性。例如可以通过集合相似度和/或欧几里得距离来计算分类之间的相似度，接着通过引入分类转换建模来构建对应的分类之间相关度转换矩阵。

(a)计算对象分类的相似度

根据本公开实施例，可以基于集合相似度的方式确定对象分类的相似度，也可以基于欧几里得距离确定对象分类的相似度，也可以综合两者的结果确定对象分类的相似度。

其中，集合相似度的计算方法为：

其中，分子表示同时访问分类i和j的用户数量，分母则表示访问过分类i或者分类j的用户数量，其比值即为集合相似度。

欧几里得距离可以通过如下方式计算确定：

根据本公开实施例，可以基于集合相似度和距离公式获得分类i与分类j之间的相似度S

S

最终构建分类之间的相似度矩阵S：

(b)构建分类转换模型

通过大数据平台或者日志系统可以获取到对象之间的跳转数据。引入对象分类信息后，将对象转化数据调整为对象分类之间的转化数据。通过对对象分类之间的跳转数据分析，可以获得对象分类之间的转换矩阵，即分类转换矩阵。为了分析的更为准确，引入访问时序的概念，即认为本次的分类转移矩阵是由前N次转移数据共同决定的，通过对时序的数据分析，能更加精确的进行分类预测。

通过一次转换获取的分类转换矩阵：

其中，n(i，j)为跳转数据中由分类i一次跳转到分类j的数据的数量，p

通过将对象分类相似度矩阵S和n阶分类转换矩阵进行点乘可以获取对应的n阶转换相关性矩阵，具体地：

其中：r

(3)对象预测模块

该模块主要完成对目标用户对象浏览的预测。通过n阶相关性矩阵R

假设目标用户在时刻t-1和t-2访问的分类分别为分类i和分类j，现进行时刻t的对象分类预测。针对t-1时刻的分类i，需要进行一步转换，因此只需要获取分类i进行一次转换后最有可能达到的分类集合，即R

接着预测可能访问的对象集合。假设目标用户在t-1时刻浏览的对象为g

通过贝叶斯定理，可以计算：

其中，p(g

本公开实施例的方法通过引入了对象分类信息，首先进行的对象分类的预测，然后再对预测的分类结合中的对象进行分析和计算。相对于直接通过对象信息进行分析预测来说，大大的降低了预测的计算量，同时增加了整个预测的性能；通过引入基于时序分类数据的分类转换模型，结合了目标用户的历史对象分类和对象数据进行预测处理，相对于简单的使用用户当前访问的对象信息进行预测，增加了预测的准确性和可靠性。

基于同一发明构思，本公开实施例还提供了一种用于推荐对象的装置，下面参照图4对本公开实施例的用于推荐对象的装置进行说明。

图4示意性示出了根据本公开实施例的用于推荐对象的装置400的框图。

如图4所示，该用于推荐对象的装置400包括获得模块410、确定模块420、第一预测模块430、第二预测模块440以及输出模块450。该装置400可以执行上文参考图2描述的各种方法。

获得模块410，例如执行上文参考图2描述的操作S210，用于获得用户访问数据。

确定模块420，例如执行上文参考图2描述的操作S220，用于基于所述用户访问数据，确定用户访问的多个第一对象所属的类别以及用户访问所述多个第一对象之间的时序关系。

第一预测模块430，例如执行上文参考图2描述的操作S230，用于基于所述第一类别以及所述时序关系，预测将要访问的第二对象所属的第二类别。

第二预测模块440，例如执行上文参考图2描述的操作S240，用于基于所述第一对象，从所述第二类别中预测将要访问的第二对象。

输出模块450，例如执行上文参考图2描述的操作S250，用于输出推荐信息，以便向所述用户推荐所述第二对象。

根据本公开实施例，所述第一预测模块430用于确定从访问所述第一对象到将要访问的第二对象之间的时间周期的数量，基于所述时间周期的数量，确定不同类别之间的相关度，基于所述相关度，确定第二类别。

根据本公开实施例，所述基于所述时间周期的数量，确定不同类别之间的相关度包括确定不同类别之间的相似度，基于所述时间周期的数量，确定不同类别之间的转换概率，基于所述相似度以及所述转换概率，确定不同类别之间的相关度。

根据本公开实施例，所述确定不同类别之间的相似度包括获得历史数据，基于所述历史数据，确定不同类别之间的集合相似度，基于所述历史数据，确定不同类别之间的欧几里得距离，基于所述集合相似度和所述欧几里得距离，确定不同类别之间的相似度。

根据本公开实施例，所述第二预测模块用于确定从所述第一对象到所述第二类别中的每个对象的转移概率，基于所述转移概率，从所述第二类别中预测将要访问的第二对象。

根据本公开实施例，所述多个第一对象包括在t-1时刻访问的第一对象和在t-2时刻访问的第一对象，用于预测用户在t时刻将要访问的第二对象。

根据本公开实施例，所述预测将要访问的第二对象所属的第二类别包括基于在t-1时刻访问的第一对象预测第一集合，基于在t-2时刻访问的第一对象预测第二集合，确定所述第一集合与第二集合的并集中的类别为第二类别。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获得模块410、确定模块420、第一预测模块430、第二预测模块440以及输出模块450中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获得模块410、确定模块420、第一预测模块430、第二预测模块440以及输出模块450中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获得模块410、确定模块420、第一预测模块430、第二预测模块440以及输出模块450中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图5示意性示出了根据本公开实施例的适于实现用于推荐对象的方法和装置的计算机系统的方框图。图5示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。图5示出的计算机系统可以实现为服务器集群，包括至少一个处理器(例如处理器501)以及至少一个存储器(例如存储部分508)。

如图5所示，根据本公开实施例的计算机系统500包括处理器501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 503中，存储有系统500操作所需的各种程序和数据。处理器501、ROM 502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统500还可以包括输入/输出(I/O)接口505，输入/输出(I/O)接口505也连接至总线504。系统500还可以包括连接至I/O接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、射频信号等等，或者上述的任意合适的组合。

例如，根据本公开的实施例，计算机可读介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。