用户行为分析系统、方法、存储介质及计算设备

本发明为2020年03月11日、申请号为“202010166628.4”、发明名称为“用户行为分析系统、方法、存储介质及计算设备”的中国专利申请的分案申请。

技术领域

本发明涉及数据分析技术领域，尤其是一种用户行为分析系统、方法、存储介质及计算设备。

背景技术

用户行为的分析对于产品迭代和异常诊断都是行之有效的分析方法，正因如此，大量重复类似的分析项目每天都在进行，为了提高效率，通常会将分析方法产品化。目前市面上已有较为成熟的用户行为分析系统，比较易观、growingIO等，但是接入第三方系统需要承担数据安全的风险，同时需要采用其数据采集方案，接入成本较高。

目前用户行为分析系统中通常使用的事件分析模型是基于事件(Event)和用户(User)两个核心实体数据，通过SDK(software development kit，软件开发工具包)采集埋点，在使用产品的各个功能时，这两类数据也可以分别或者贯通起来参与具体的分析和查询。为了使用便捷，通常会把客户端(如H5、小程序、APP等)和后端埋点揉在一起提供给用户，但是不区分埋点类型会造成对用户理解成本的增加。另外，目前用户行为分析系统通常使用独一无二的distinct id标识用户，但是对于不同的客户端，获取到的用户标识有时无法串联起来，从而导致无法有效、顺利地完成用户行为分析。

发明内容

有鉴于此，本发明实施例提供了一种用户行为分析系统、方法、存储介质及计算设备，能够达到方便且更加全面的对用户行为进行分析，助于提高对用户行为数据的分析效率。

根据本发明实施例的一方面，提供了一种用户行为分析系统，包括：

日志服务器，用于接收不同埋点对象基于预设埋点参数实时上报的用户行为日志并存储至分布式文件系统；

分布式文件系统，用于从预设时间段内存储的用户行为日志中解析出用户标识，将属于同一用户的不同用户标识所对应的用户行为日志进行关联后存储至时序数据库；

第一分析子系统，用于将所述时序数据库中的用户行为日志输入至第一分析模型，由所述第一分析模型基于用户行为日志按照对应配置的分析规则分析用户行为。

可选地，不同埋点对象包括：服务端、前端H5、小程序、APP、前端广告中至少一项；

预设埋点参数包括：不同属性字段、属性筛选条件中至少一项。

可选地，还包括分布式发布订阅消息系统和日志收集系统，其中，

所述日志服务器，还用于将接收的不同埋点对象基于预设埋点参数实时上报的用户行为日志发布至分布式发布订阅消息系统；

所述分布式发布订阅消息系统，用于接收由所述日志服务器发布的来自不同埋点对象的用户行为日志；

所述日志收集系统，用于从所述分布式发布订阅消息系统订阅用户行为日志，并将订阅的用户行为日志存储至分布式文件系统。

可选地，所述用户标识包括用户注册生成的唯一标识和不同埋点对象生成的必有标识，所述分布式文件系统，还用于：

将同一用户行为日志中解析出的用户的唯一标识和必有标识建立关联，并组合生成统一标识；

将建立关联的唯一标识和必有标识分别对应的用户行为日志进行关联后通过数据库管理工具存储至时序数据库，其中，关联后的用户行为日志与所述统一标识对应。

可选地，所述第一分析模型包括漏斗模型，所述第一分析子系统，还用于：

接收业务人员对所述漏斗模型配置的包含漏斗转化周期、漏斗步骤及每步骤对应的漏斗事件、漏斗事件筛选条件的分析规则；

利用所述漏斗模型通过所述时序数据库自带的漏斗函数按照对应分析规则分析所述用户行为日志，以分析得到漏斗转化周期内用户执行不同漏斗步骤对应的漏斗事件的用户转化率。

可选地，所述第一分析模型包括留存模型，所述第一分析子系统，还用于：

接收业务人员对所述留存模型配置的包含留存周期、初始行为事件、后续行为事件、各事件对应筛选条件的分析规则；

利用所述留存模型通过所述时序数据库自带的留存函数按照对应分析规则分析所述用户行为日志，以分析得到留存周期内用户执行初始事件后继续执行后续事件的用户留存率。

依据本发明实施例另一方面，还提供了一种用户行为分析系统，其特征在于，包括：

日志服务器，用于接收不同埋点对象基于预设埋点参数实时上报的用户行为日志；

所述日志服务器，还用于将所述不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类，将分类后的用户行为日志存储至时序数据库；

第二分析子系统，用于将所述时序数据库中的用户行为日志输入至第二分析模型，由所述第二分析模型基于用户行为日志按照对应配置的分析规则分析用户行为。

可选地，不同埋点对象包括：服务端、前端H5、小程序、APP、前端广告中至少一项；

预设埋点参数包括：不同属性字段、属性筛选条件中至少一项。

可选地，还包括分布式发布订阅消息系统，

所述日志服务器，还用于将不同埋点对象基于预设埋点参数实时上报的用户行为日志发布至分布式发布订阅消息系统；

所述分布式发布订阅消息系统，用于接收由所述日志服务器发布的来自不同埋点对象的用户行为日志；

所述时序数据库，还用于将从所述分布式发布订阅消息系统订阅用户行为日志存储。

可选地，所述第二分析模型包括事件分析模型，所述第二分析子系统，还用于：

接收业务人员配置的包含能组成组合事件的至少两个具体事件、各具体事件对应的指标和筛选条件、组合事件的组合指标以及组合指标的运算方式的分析规则；

利用所述事件分析模型基于用户行为日志对满足对应筛选条件的至少两个具体事件分别进行聚合计算，得到符合相应具体事件指标的计算结果；

利用所述事件分析模型将符合相应具体事件指标的计算结果，按照组合指标的运算方式计算得到符合所述组合指标的结果。

可选地，所述第二分析模型包括路径模型，所述第二分析子系统，还用于：

接收业务人员配置的包含具体参与事件及对应筛选条件、目标事件、路径转化周期的分析规则；

利用所述路径模型基于输入的用户行为日志筛选完成目标事件的用户对应的用户行为日志；

利用所述路径模型从筛选出的用户行为日志中进一步筛选在路径转化周期内完成满足对应筛选条件的参与事件的用户行为日志，基于筛选出的用户行为日志分析出不同用户行为路径；

利用所述路径模型分析出不同用户行为路径之间的用户转化率。

可选地，所述第二分析子系统，还用于：

利用所述路径模型按照时间顺序对不同用户行为路径中的行为节点进行排序，去除用户行为路径中的重复行为节点；

利用所述路径模型统计去除重复行为节点后不同用户行为路径分别对应的用户行为路径数量；

利用所述路径模型基于统计出的用户行为路径数量分析不同用户行为路径的用户转化率。

依据本发明实施例另一方面，还提供了一种用户行为分析方法，其特征在于，包括：

接收不同埋点对象基于预设埋点参数实时上报的用户行为日志并存储；

从预设时间段内存储的用户行为日志中解析出用户标识，将属于同一用户的不同用户标识所对应的用户行为日志进行关联后存储至时序数据库；

将所述时序数据库中的用户行为日志输入至第一分析模型，由所述第一分析模型基于用户行为日志按照对应配置的分析规则分析用户行为。

可选地，不同埋点对象包括：服务端、前端H5、小程序、APP、前端广告中至少一项；

预设埋点参数包括：不同属性字段、属性筛选条件中至少一项。

可选地，接收不同埋点对象基于预设埋点参数实时上报的用户行为日志并存储，包括：

接收不同埋点对象基于预设埋点参数实时上报的用户行为日志；

采用发布/订阅模式将来自不同埋点对象的用户行为日志进行存储。

可选地，所述用户标识包括用户注册生成的唯一标识和不同埋点对象生成的必有标识，所述将属于同一用户的不同用户标识所对应的用户行为日志进行关联后存储至时序数据库，包括：

将同一用户行为日志中解析出的用户的唯一标识和必有标识建立关联，并组合生成统一标识；

将建立关联的唯一标识和必有标识分别对应的用户行为日志进行关联后通过数据库管理工具存储至时序数据库，其中，关联后的用户行为日志与所述统一标识对应。

可选地，所述第一分析模型包括漏斗模型，所述第一分析模型基于用户行为日志按照对应配置的分析规则分析用户行为，包括：

接收业务人员对所述漏斗模型配置的包含漏斗转化周期、漏斗步骤及每步骤对应的漏斗事件、漏斗事件筛选条件的分析规则；

利用所述漏斗模型通过所述时序数据库自带漏斗函数按照对应分析规则分析所述用户行为日志，以分析得到漏斗转化周期内用户执行不同漏斗步骤对应的漏斗事件的用户转化率。

可选地，所述第一分析模型包括留存模型，所述第一分析模型基于用户行为日志按照对应配置的分析规则分析用户行为，包括：

接收业务人员对所述留存模型配置的包含留存周期、初始行为事件、后续行为事件、各事件对应筛选条件的分析规则；

利用所述留存模型通过所述时序数据库自带留存函数按照对应分析规则分析所述用户行为日志，以分析得到留存周期内用户执行初始事件后继续执行后续事件的用户留存率。

依据本发明实施例的再一方面，还提供了一种用户行为分析方法，其特征在于，包括：

接收不同埋点对象基于预设埋点参数实时上报的用户行为日志；

将所述不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类，将分类后的用户行为日志存储至时序数据库；

将所述时序数据库中的用户行为日志输入至第二分析模型，由所述第二分析模型基于用户行为日志按照对应配置的分析规则分析用户行为。

可选地，不同埋点对象包括：服务端、前端H5、小程序、APP、前端广告中至少一项；

预设埋点参数包括：不同属性字段、属性筛选条件中至少一项。

可选地，将所述不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类，将分类后的用户行为日志存储至时序数据库，包括：

将所述不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类；

采用发布/订阅模式将分类后的用户行为日志通过数据库管理工具存储至时序数据库。

可选地，所述第二分析模型包括事件分析模型，所述第二分析模型基于用户行为日志按照对应配置的分析规则分析用户行为，包括：

接收业务人员配置的包含能组成组合事件的至少两个具体事件、各具体事件对应的指标和筛选条件、组合事件的组合指标以及组合指标的运算方式的分析规则；

利用所述事件分析模型基于用户行为日志对满足对应筛选条件的至少两个具体事件分别进行聚合计算，得到符合相应具体事件指标的计算结果；

利用所述事件分析模型将符合相应具体事件指标的计算结果，按照组合指标的运算方式计算得到符合所述组合指标的结果。

可选地，所述第二分析模型包括路径模型，所述第二分析模型基于用户行为日志按照对应配置的分析规则分析用户行为，包括：

接收业务人员配置的包含具体参与事件及对应筛选条件、目标事件、路径转化周期的分析规则；

利用所述路径模型基于输入的用户行为日志筛选完成目标事件的用户对应的用户行为日志；

利用所述路径模型从筛选出的用户行为日志中进一步筛选在路径转化周期内完成满足对应筛选条件的参与事件的用户行为日志，基于筛选出的用户行为日志分析出不同用户行为路径；

利用所述路径模型分析出不同用户行为路径之间的用户转化率。

可选地，所述利用所述路径模型分析出不同用户行为路径之间的用户转化率，包括：

利用所述路径模型按照时间顺序对不同用户行为路径中的行为节点进行排序，去除用户行为路径中的重复行为节点；

利用所述路径模型统计去除重复行为节点后不同用户行为路径分别对应的用户行为路径数量；

利用所述路径模型基于统计出的用户行为路径数量分析不同用户行为路径的用户转化率。

依据本发明实施例的又一方面，还提供了一种综合用户行为分析系统，其特征在于，包括：上文任意实施例中的用户行为分析系统。

依据本发明实施例的又一方面，还提供了一种计算机可读存储介质，存储有计算机程序代码，当所述计算机程序代码在计算设备上运行时，导致所述计算设备执行上文任意实施例的用户行为分析方法。

依据本发明实施例的又一方面，还提供了一种计算设备，包括：处理器；存储有计算机程序代码的存储器；当所述计算机程序代码被所述处理器运行时，导致所述计算设备执行上文任意实施例的用户行为分析方法。

本发明实施例的用户行为分析系统通过日志服务器接收不同埋点对象基于预设埋点参数实时上报的用户行为日志并存储至分布式文件系统后，可以对分布式文件系统中存储的离线用户行为日志进行分析，通过将同一用户的不同用户标识进行打通，即不同用户标识进行关联，能够将不同用户标识对应的用户行为日志进行关联，以有效地还原用户行为，从而方便且更加全面的对用户行为进行分析。进一步地，采用时序数据库存储用户行为日志还能够有助于提高第一分析模型对用户行为数据的分析效率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

构成说明书的一部分的附图描述了本发明的实施例，并且连同描述一起用于解释本发明的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：

图1示出了本发明一实施例的用户行为分析系统的结构示意图；

图2示出了本发明另一实施例的用户行为分析系统的结构示意图；

图3示出了本发明又一实施例的用户行为分析系统的结构示意图；

图4示出了本发明再一实施例的用户行为分析系统的结构示意图；

图5示出了本发明一实施例的综合用户行为分析系统的结构示意图；

图6示出了本发明一实施例的用户行为分析方法的流程示意图；

图7示出了本发明另一实施例的用户行为分析方法的流程示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明实施例可以应用于计算机系统/服务器，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

为解决上述技术问题，本发明实施例提供了一种用户行为分析系统，图1示出了本发明一实施例的用户行为分析系统的结构示意图。参见图1，用户行为分析系统包括日志服务器log_server、分布式文件系统HDFS(Distributed File System)、时序数据库clickhouse和第一分析子系统。

日志服务器用于接收不同埋点对象基于预设埋点参数实时上报的用户行为日志并存储至分布式文件系统。

分布式文件系统用于从预设时间段内存储的用户行为日志中解析出用户标识，将属于同一用户的不同用户标识所对应的用户行为日志进行关联后存储至时序数据库。

该实施例的预设时间段内存储的用户行为日志为离线日志。本发明实施例中将属于同一用户的不同用户标识所对应的用户行为日志进行关联，即对来自不同埋点对象的用户行为日志进行了整合，本发明实施例可将整合后的用户行为日志存储于时序数据库中创建的表名为user_action_cluster的表中。

第一分析子系统用于将时序数据库中的用户行为日志输入至第一分析模型，由第一分析模型基于用户行为日志按照配置的分析规则分析用户行为。

本发明实施例对分布式文件系统中存储的用户行为日志进行分析(即对离线日志进行分析)，通过将同一用户的不同用户标识进行打通，即不同用户标识进行关联，能够将不同用户标识对应的用户行为日志进行关联，以有效地还原用户行为，从而方便且更加全面的对用户行为进行分析。进一步地，由于分析模型通常由业务人员即配即查，且时序数据库具有真正面向列的DBMS(数据库管理系统，database management system)、数据高效压缩、多核并行处理、多服务器分布处理、向量化引擎等特点，对于复杂的、涉及多个事件的分析模型通常可以在10s以内完成计算，因此采用时序数据库存储用户行为日志还有助于提高第一分析模型对用户行为数据的分析效率。

在本发明实施例会预先在不同埋点对象上进行埋点，日志服务器可以接收不同埋点对象实时上报的用户行为日志。不同埋点对象可以包含服务端和前端，前端包含前端H5、小程序、APP、前端广告等中至少一项。

在不同埋点对象上进行埋点时，还需要预先设置相应的埋点参数，本发明实施例的预设埋点参数可以包括不同属性字段、属性筛选条件中至少一项。不同属性字段可以包含埋点名称字段、用户标识字段、设备标识字段、时间戳字段、埋点页面名称等等。当不同埋点对象上产生的用户行为满足属性筛选条件时，可以触发埋点对象上报对应用户行为日志，当然筛选条件还可作为描述事物特征的维度。属性筛选条件按类型可以分为公共属性和扩展属性，公共属性主要针对默认埋点数据采集，通常集成于大数据SDK(softwaredevelopment kit，软件开发工具包)。扩展属性主要针对特定行为的自定义埋点数据采集。

本发明实施例中不同埋点类型的埋点参数维护在不同的元数据管理中，例如，参见表1，前端(如H5、小程序、APP、前端广告)自定义埋点参数维护在表custom_ext_list_2中，可以通过biz、app_terminal、event识别。服务端埋点参数维护在表server_parameter_list_2中，可以通过biz、vent识别，前端自定义埋点参数和服务端埋点参数均是一小时清洗一次。预置埋点参数维护在表dim_preset_ext中，可以通过biz、app_terminal、operation识别，预置埋点参数需要手动维护。预置埋点参数为不同埋点对象的默认埋点，例如上文公共属性的属性筛选条件。

表1

参见图2，在本发明一可选实施例中，图1所示的用户行为分析系统还包括分布式发布订阅消息系统kafka、日志收集系统flume。

日志服务器还用于将不同埋点对象基于预设埋点参数实时上报的用户行为日志发布至分布式发布订阅消息系统。

分布式发布订阅消息系统用于接收由日志服务器发布的来自不同埋点对象的用户行为日志。

日志收集系统用于从分布式发布订阅消息系统订阅用户行为日志，并将订阅的用户行为日志存储至分布式文件系统。

在本发明一可选实施例中本发明实施例的分布式发布订阅消息系统kafka包含前端发布订阅消息系统kafka_log和服务端发布订阅消息系统kafka_biz。其中，服务端发布订阅消息系统主要用于接收由日志服务器发布的来自服务端的用户行为日志。前端发布订阅消息系统用于接收由日志服务器发布的来自前端的用户行为日志。另外，该实施例的日志收集系统可通过日志服务service_log从分布式发布订阅消息系统订阅用户行为日志。

在本发明一可选实施例中，用户标识包括用户注册生成的唯一标识和不同埋点对象生成的必有标识。当用户注册账户时会生成唯一标识，例如用户注册水滴筹账户时，为用户生成唯一标识user_id。用户通过不同媒介(H5页面、小程序、APP等)访问水滴筹时，还可为用户生成必有标识，例如小程序生成open_id，APP生成device_id。由于用户登录注册的账户时，从收集的用户行为日志中可获取到唯一标识。用户未登录账户通过不同媒介访问相关页面时，从收集的用户行为日志中无法获取到唯一标识，仅能获取到必有标识，此时无法通过唯一标识在不同用户行为日志间有效建立关联。

本发明实施例的分布式文件系统先将同一用户的用户标识进行打通，再将同一用户的用户行为日志进行有效的关联。若用户登录注册的账户且通过不同媒介访问相关页面，从产生的用户行为日志中可获取到唯一标识和必有标识。因此，本发明实施例首先将同一用户行为日志中解析出的用户的唯一标识和必有标识建立关联，并组合生成统一标识。然后，将建立关联的唯一标识和必有标识分别对应的用户行为日志进行关联后通过数据库管理工具Waterdrop存储至时序数据库，其中，关联后的用户行为日志与统一标识对应。

下面以表2所示的内容为例介绍用户标识打通过程和用户行为日志关联的过程。参见表2，日志表sdm_user_action_d存储来自前端H5的用户行为日志中的关键字段、日志表sdm_service_track_d存储来自服务端的用户行为日志中的关键字段、日志表sdm_crt_d存储来自前端广告的用户行为日志中的关键字段、日志表sdm_weapp_action_d存储来自小程序的用户行为日志中的关键字段、日志表sdm_app_traffic_d存储来自APP的用户行为日志中的关键字段。这里的关键字段包含用户的唯一标识和必有标识。

以来自前端H5的用户行为日志为例，若从来自前端H5的用户行为日志中获取到用户的唯一标识user_id和必有标识self_tag，则可以依据唯一标识user_id和必有标识self_tag生成用户的统一标识user_tag，从而将user_tag作为对应用户的用户标识。进一步地，将唯一标识user_id和必有标识self_tag分别对应的用户行为日志进行关联，并将关联后的日志与用户标识user_tag建立对应关系后通过数据库管理工具存储至时序数据库。需要说明的是，针对任何用户生成的统一标识均为通用唯一识别码(uuid)。

表2

在本发明一实施例中，还可以将不同埋点对象对应的日志表映射于一个日志表中，即将来自不同埋点对象的用户行为日志中的关键字段映射于一个日志表中，以方便对日志表进行管理。

在本发明一实施例中，第一分析模型包括漏斗模型，漏斗模型能够依据用户行为日志分析用户行为状态以及从起点到终点各阶段用户转化率情况。

当时序数据库中的用户行为日志输入至漏斗模型后，第一分析子系统在分析用户行为时可以先接收业务人员对漏斗模型配置的包含漏斗转化周期、漏斗步骤及每步骤对应的漏斗事件、漏斗事件筛选条件的分析规则。然后，利用漏斗模型通过时序数据库自带漏斗函数windowFunnel按照对应分析规则分析用户行为日志，以分析得到漏斗转化周期内用户执行不同漏斗步骤对应的漏斗事件的用户转化率。

漏斗函数windowFunnel(window)(timestamp,cond1,cond2,cond3,...)中，window为转化周期，Timestamp为时间戳，cond1,cond2,cond3分别为转化漏斗中的漏斗步骤。时间戳是指格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至现在的总秒数，能够唯一地标识某一刻的时间。时间戳Timestamp支持date和datetime数据类型，date数据类型精确到秒，datetime数据类型支持Uint32，因此时间戳不超过2^31-1＝2147483647(10位)。例如，日期2019-08-21 12:53:00转换为毫秒单位的时间戳约等于1566319953000，远超过2^31-1。而常用的其他数据库时间精度都精确到毫秒，因此无论是date还是datetime两种数据类型都无法满足对精度准确性的要求。

为了提高漏斗函数分析数据的精度，在本发明一实施例中，还可以将计算时间戳的初始时间由1970-01-01 08:00:00改为2019-01-01 08:00:00，这样2019年精确到毫秒的时间戳变成11位，再截取10位满足Uint32，由此，本发明实施例可以将时间精度调整为0.01s，以无限接近以毫秒为单位的计算结果，温和度超过99％。

下面以一具体实施例对漏斗模型的配置过程进行详细介绍。对漏斗模型的配置过程至少可以包括步骤1.1至步骤1.5。

步骤1.1，根据业务人员分析的业务需求定义漏斗名称。例如，定义的漏斗名称为“筹转保转化漏斗”。

步骤1.2，配置漏斗转化周期。这里的漏斗转化周期为相邻漏斗步骤之间的转化时间。

步骤1.3，创建漏斗步骤，为每个漏斗步骤选择漏斗事件。例如，创建的漏斗步骤包含四个步骤，各步骤选择的漏斗事件分别为众筹页面访问事件、众筹捐款事件、保险页面访问事件、保险下单事件。由于单个步骤的单独事件不足以满足漏斗分析，因此漏斗步骤通常至少包含两个步骤。

该实施例中，在选择漏斗事件之前还可以选择业务线和埋点对象类型，例如，选择的业务线为水滴筹业务线，埋点对象类型为服务端埋点等，配置的漏斗事件对应的用户行为日志来自于服务端的水滴筹业务线。

步骤1.4，为各步骤对应的漏斗事件分别配置筛选条件。例如，为众筹页面访问事件配置的筛选条件为用户对众筹页面访问时间大于1分钟。再例如，为众筹捐款事件配置的筛选条件为用户众筹捐款金额大于10元。

步骤1.5，为每个漏斗步骤的漏斗事件进行事件定义。这里，事件定义指的是对各漏斗事件分别命名，例如，对应上述四个漏斗事件依次命名为“众筹页面访问”、“众筹捐款”，“保险页面访问”，“保险下单”。

本发明一可选实施例中，若根据实际业务需求需要增加漏斗步骤，那么还可以在之前配置的漏斗步骤的基础上继续添加漏斗步骤，并为添加的漏斗步骤选择漏斗事件以及配置相应的筛选条件并保存，此处对添加的漏斗步骤不作具体限定。

本发明另一可选实施例中，业务人员还可以配置分组查看维度和第一漏斗步骤对应漏斗事件的发生时间范围。例如，业务人员配置查看维度为新用户维度或老用户维度，以由业务人员从不同维度分别查看事件分析模型的分析结果。又例如，配置第一漏斗步骤“众筹页面访问事件”的发生时间范围为中午11点30分至12点，以由漏斗模型筛选发生时间范围为中午11点30分至12点的“众筹页面访问事件”对应的用户行为日志。当然，还可以对漏斗模型配置其他规则，本发明实施例对此不作具体限定。

当然，业务人员还可以在配置分析规则时增加其他规则，本发明实施例对此不作具体限定。当对漏斗模型配置规则之后，通过业务人员触发查询操作，可以直接查询得到漏斗模型依据配置规则分析的用户行为分析结果。在本发明一实施例中，若漏斗模型在实际用户行为分析过程中无法有效地查找到漏斗事件的用户行为日志，可能是由于之前的埋点布局不够，因此，可以在不同埋点对象上增加埋点。

在本发明另一实施例中，第一分析模型可以包括留存模型，留存模型可以用来分析用户参与情况、活跃程度，考查初始行为后的用户中有多少人会进行后续行为，以作为衡量产品对用户价值高低的重要指标。

当时序数据库中的用户行为日志输入至留存模型后，第一分析子系统在分析用户行为时，可以先接收业务人员配置的包含留存周期、初始行为事件、后续行为事件、各事件对应筛选条件的分析规则。然后，利用留存模型通过时序数据库自带留存函数retention(cond1,cond2，…)按照对应分析规则分析用户行为日志，以分析得到留存周期内用户执行初始事件后继续执行后续事件的用户留存率。留存函数中cond1表示初始行为，cond2表示后续行为，当然还可以设置其他多个后续行为，本实施例对此不进行限定。

下面以一具体实施例对留存模型的配置过程进行详细介绍。对留存模型的配置过程至少包含步骤2.1至步骤2.4。

步骤2.1，根据业务人员分析的业务需求定义留存名称。例如，定义的留存名称为“水滴筹新用户留存”。

步骤2.2，配置留存周期。留存周期可以表示用户从初始行为到后续行为经历的时间。

步骤2.3，创建初始行为和后续行为，针对创建的初始行为和后续行为分别选择初始事件和后续事件，即为初始行为和后续行为分别选择具体事件。

例如，创建的初始行为是注册行为，为注册行为选择的具体事件为“注册水滴筹账户事件”，创建的后续行为是登录行为，为登录行为选择的具体事件为“登录水滴筹客户端事件”。

在本发明一实施例中，在选择具体事件之前还可以选择业务线和埋点对象类型，例如，选择的业务线为水滴筹业务线，埋点对象类型为服务端埋点等，配置的具体事件对应的用户行为日志来自于服务端的水滴筹业务线。

步骤2.4，为初始行为对应的具体事件和后续行为对应的具体事件分别配置筛选条件。例如，为“注册水滴筹账户事件”配置的筛选条件为40岁以上用户注册。再例如，为“登录水滴筹客户端事件”配置的筛选条件为用户第二次登录账户，本发明实施例对此不做具体限定。

本发明一可选实施例中，业务人员还可以配置分组查看维度和初始事件的发生时间范围。例如，业务人员配置查看维度为新用户维度或老用户维度，以由业务人员从不同维度分别查看事件分析模型的分析结果。又例如，配置初始事件的发生时间范围为上午7点至8点，以由留存模型筛选发生时间范围为上午7点至8点的初始事件的用户行为日志。当然，还可以对留存模型配置其他规则，本发明实施例对此不作具体限定。

对留存模型配置规则之后保存配置规则。当业务人员触发查询操作后，可直接查询得到留存模型依据配置规则分析的用户行为分析结果。在本发明一实施例中，若留存模型在实际用户行为分析过程中无法有效地查找到初始事件和后续事件的用户行为日志，可能是由于之前的埋点布局不够，因此，可以在不同埋点对象上增加埋点。

在一可选实施例中，还可以为用户提供可视化展示界面，业务人员通过可视化展示界面对不同分析模型进行规则配置，并可以在可视化展示界面上展示查询结果，既可以提高业务人员配置效率，也方便了业务人员及时查看分析结果。

本发明实施例将数据语言抽象成更易理解的业务含义，在接收业务人员选择、配置的规则后在后台生成SQL(Structured Query Language，结构化查询语言)进行查询，以查询出用户行为分析结果。能够辅助提高业务人员自主分析能力，支持产品、运营人员进行功能评估，提升业务人员配置任意规则之间的转化率。进一步提高了业务分析师的分析效率，降低分析成本，释放数据提取压力，将精力集中在分析本身。

另外，本发明实施例方案除了分析用户行为，还可以提供输出接口赋能业务，通过对用户行为数据进行不断的训练，以配合机器学习和AI技术识别出高价值的用户。

基于同一发明构思，本发明实施例还提供了另一种用户行为分析系统，参见图3，用户行为分析系统包含日志服务器log_server、时序数据库clickhouse、第二分析子系统。

日志服务器，用于接收不同埋点对象基于预设埋点参数实时上报的用户行为日志，并将不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类，将分类后的用户行为日志存储至时序数据库。

第二分析子系统，用于将时序数据库中的用户行为日志输入至第二分析模型，由第二分析模型基于用户行为日志按照对应配置的分析规则分析用户行为。

本发明实施例由于是对不同埋点对象实时上报的用户行为日志进行分析，因此，根据用户行为分析结果的成功与否还可以帮助提示技术研发人员去快速验证埋点采集是否成功，埋点参数上报有无异常。进一步地，时序数据库具有真正面向列的DBMS、数据高效压缩、多核并行处理、多服务器分布处理、向量化引擎等特点，对于复杂的、涉及多个事件的分析模型通常可以在10s以内完成计算，因此采用时序数据库存储用户行为日志还有助于提高第二分析模型对用户行为数据的分析效率。

本发明实施例中，日志服务器将不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类并存储至时序数据库时，可以将来自不同埋点对象的用户行为日志分类存储至在时序数据库中预先建立的不同日志表中。例如，参见如下表3，在时序数据库中创建了5个日志表，日志表ods_user_acti on_d_cluster存储H5实时日志、日志表ods_service_track_d_cluster存储服务端实时日志、日志表ods_weapp_action_d_cluster存储小程序实时日志、日志表ods_app_traffic_d_cluster存储APP实时日志、日志表ods_crt_d_cluster存储广告实时日志。

表3

在本发明实施例中，不同埋点对象可以包括服务端和前端，前端包含前端H5、小程序、APP、前端广告等。预设埋点参数包括不同属性字段、属性筛选条件中至少一项。属性字段可以包含埋点名称字段、用户标识字段、设备标识字段、时间戳字段、埋点页面名称等等。关于预设埋点参数的具体介绍可以参见上文实施例。

参见图4，在本发明一可选实施例中，图3所示的用户行为分析系统还包括分布式发布订阅消息系统kafka。

日志服务器，还用于将不同埋点对象基于预设埋点参数实时上报的用户行为日志发布至分布式发布订阅消息系统。

分布式发布订阅消息系统，用于接收由日志服务器发布的来自不同埋点对象的用户行为日志。由时序数据库从分布式发布订阅消息系统订阅用户行为日志并存储。

在本发明一可选实施例中本发明实施例的分布式发布订阅消息系包含服务端发布订阅消息系统和前端发布订阅消息系统。其中，前端发布订阅消息系统kafka_log主要用于接收由日志服务器发布的来自服务端的用户行为日志。服务端发布订阅消息系统kafka_biz用于接收由日志服务器发布的来自前端的用户行为日志。

在本发明一实施例中，第二分析模型包括事件分析模型。事件分析模型可基于事件的指标统计、属性分组、条件筛选等功能的查询分析用户行为。

当时序数据库中的实时用户行为日志输入至事件分析模型后，事件分析模型可以先接收业务人员配置的包含能组成组合事件的至少两个具体事件、各具体事件对应的指标和筛选条件、组合事件的组合指标以及组合指标的运算方式的分析规则。当然，还可以对事件分析模型配置其他规则，本发明实施例对此不作具体限定。

然后，事件分析模型根据分析规则分析用户行为日志。具体的，首先，事件分析模型对满足对应筛选条件的至少两个具体事件分别进行聚合计算得到符合相应具体事件指标的计算结果。这里的聚合计算的方式包含count、sum、avg、max、min等。然后，将符合相应具体事件指标的结果按照组合指标的运算方式计算得到符合组合事件的组合指标的结果。这里的运算方式包含加减乘除等运算方式。

下面以一具体实施例对事件分析模型的配置过程进行详细介绍。对事件分析模型的配置过程至少可以包括步骤3.1至步骤3.4。

步骤3.1，根据业务人员分析的业务需求选择事件，基于选择事件选择待分析的具体事件。例如，选择事件“捐款金额事件”，具体事件“下单事件”。

该实施例中，在选择具体事件之前还可以选择业务线和埋点对象类型，例如，选择的业务线为水滴筹业务线，埋点对象类型为APP端埋点等，配置的具体事件对应的用户行为日志来自于APP端的水滴筹业务线。

步骤3.2，为选择的具体事件配置筛选条件和指标。

例如，为下单事件配置的筛选条件为“下单金额超过10元”，配置的指标为“人数”，即需要分析下单金额超过10元的人数。

步骤3.3，选择创建组合指标以及组合指标的运算方式。例如，创建组合指标为“下单率”，运算方式为除法。

步骤3.4，再次选择其他具体事件并配置相应的筛选条件和指标，再次选择的其他具体事件与已选具体事件能够组合得到满足组合指标的组合事件。

例如，选择其他具体事件为“用户访问事件”，为其配置的筛选条件为“用户访问时间大于3分钟”，配置的指标为“人数”，即需要分析用户访问时间大于3分钟的人数。通过下单金额超过10元的人数除以用户访问时间大于3分钟的访问人数可计算得相应的下单率。

在本发明一可选实施例中，业务人员还可以进一步添加其他指标，本发明实施例对添加指标的数量不作具体限定，但是通常情况下添加指标不超过5个，以保证事件分析模型对用户行为的有效分析。

本发明一可选实施例中，业务人员还可以配置分组查看维度和具体事件发生时间范围。例如，业务人员配置查看维度为下单渠道维度，例如A渠道和B渠道，以由业务人员从不同维度分别查看事件分析模型的分析结果。又例如，配置具体事件的发生时间范围为晚上8点至10点，以由事件分析模型筛选发生时间范围为上午7点至8点的具体事件对应的用户行为日志。

对事件分析模型配置规则之后，对配置规则进行保存。当业务人员触发查询操作后，可直接查询得到事件分析模型依据配置规则分析的用户行为分析结果。在本发明一实施例中，若事件分析模型在实际用户行为分析过程中无法有效地查找到具体参与事件的用户行为日志，可能是由于之前的埋点布局不够，因此，可以在不同埋点对象上增加埋点。

在本发明一实施例中，第二分析模型可以包括路径模型，路径模型可以分析用户在使用产品时的路径分布情况。

当时序数据库中的实时用户行为日志输入至路径模型后，路径模型先接收业务人员配置的包含具体参与事件及对应筛选条件、目标事件、路径转化周期的分析规则。当然，还可以对路径模型配置其他规则，本发明实施例对此不作具体限定。

然后，利用路径模型基于输入的用户行为日志筛选完成目标事件的用户对应的用户行为日志，并从筛选出的用户行为日志中进一步筛选在路径转化周期内完成满足对应筛选条件的参与事件的用户行为日志，基于筛选出的用户行为日志分析出不同用户行为路径。

最后，利用路径模型分析出不同用户行为路径之间的用户转化率。

在本发明一实施例中，用户行为路径中的每个节点都有对应的定义名称，对于明确指定的参与事件，可以根据参与事件的名称确定节点的名称。对于要求分析参与事件所有分支的数据，可以根据参与事件名称+子属性的方式来确定节点的名称。本发明实施例的路径模型可以通过如下代码筛选参与事件：

在本发明一可选实施例中，路径模型分析用户转化率的具体过程包括如下内容：

首先，路径模型先按照时间顺序对不同用户行为路径中的行为节点进行排序，去除用户行为路径中的重复行为节点。

例如，对不同用户标识32269239、71880126、62848335各自对应的用户行为路径中的行为节点排序得到表4中的行为节点。在本发明一可选实施例中，可以使用arraySort函数进行行为节点排序。

表4

由于用户在同一页面中刷新、重复操作、翻页等操作，本质上就是同一个用户行为，对于用户行为分析意义不大，因此可以对重复行为进行去重，得到真正的用户行为路径。在去除用户行为路径中的重复行为节点时，可以先对每一个行为节点进行编号，然后去除连续且相等编号对应的行为节点，以得到去重后的用户行为路径。

例如，对不同用户标识32269239、71880126、153718105各自对应的用户行为路径中的行为节点编号后，去除连续且相等编号对应的行为节点后的结果参见表5。

表5

然后，统计去除重复行为节点后不同用户行为路径分别对应的用户行为路径数量。

例如，参见表6，统计后用户行为路径'message_send','contribute','message_send'的人数为1690。用户行为路径'contribute','payNewStyle','click','case_order','contribute'的人数为1343。用户行为路径'contribute','case_order','paySuccess','message_send'的人数为1306

表6

最后，基于统计出的用户行为路径数量分析不同用户行为路径的用户转化率。

例如，经过节点A的有100人，从节点A到节点B的有80人，从节点A到节点B再到节点C的有10人，那么路径AB的转化率为80％，路径ABC的转化率为10％。

为了体现对路径模型的配置过程，下面以一具体实施例进行详细介绍。对路径模型的配置过程至少可以包括步骤4.1至步骤4.4。

步骤4.1，根据业务人员分析的业务需求定义路径名称。例如，定义路径名称为“访问到下单路径”。

步骤4.2，选择参与事件数量及对应数量的具体参与事件，并为具体参与事件配置对应筛选条件。例如，选择2个参与事件，具体参与事件分别为“点击元素事件”和“浏览页面事件”，点击元素事件的筛选条件为“点击元素的次数”，浏览页面事件的筛选条件为“浏览页面时间大于50s”。

该实施例中，在选择具体参与事件之前还可以选择业务线和埋点对象类型，例如，选择的业务线为水滴筹业务线，埋点对象类型为H5端和APP端埋点等，那么配置的具体参与事件对应的用户行为日志来自于H5端和APP端的水滴筹业务线。

步骤4.3，选择目标事件并为目标事件配置对应筛选条件。例如，选择的目标事件为“下单事件”，对应筛选条件为“下单金额大于10元”。

步骤4.4，选择路径转化周期。这里路径转化周期为用户经参与事件到完成目标事件的时间。

在本发明一可选实施例中，业务人员还可以选择用户标识和目标事件发生时间范围，这里对选择用户标识的数量和目标事件发生时间范围不作具体限定。对路径模型配置规则之后保存配置规则。当业务人员触发查询操作后，可直接查询得到配置模型依据配置规则分析的用户行为分析结果。

在本发明一实施例中，若路径模型在实际用户行为分析过程中无法有效地查找到具体参与事件的用户行为日志，可能是由于之前的埋点布局不够，因此，还需要在不同埋点对象上增加埋点。

在一可选实施例中，还可以为用户提供可视化展示界面，业务人员通过可视化展示界面对不同分析模型进行规则配置，并可以在可视化展示界面上展示查询结果，不仅可以提高业务人员配置效率，也方便业务人员及时查看分析结果。

本发明实施例将数据语言抽象成更易理解的业务含义，在接收业务人员选择、配置的规则后在后台生成SQL(Structured Query Language，结构化查询语言)进行查询，以查询出用户行为分析结果。能够辅助提高业务人员自主分析能力，支持产品、运营人员进行功能评估，提升业务人员配置任意规则之间的转化率。进一步提高了业务分析师的分析效率，降低分析成本，释放数据提取压力，将精力集中在分析本身。

另外，本发明实施例方案除了分析用户行为，还可以提供输出接口赋能业务，通过对用户行为数据进行不断的训练，以配合机器学习和AI技术识别出高价值的用户。

基于同一发明构思，本发明实施例还提供了一种综合用户行为分析系统，该系统可以包括上文实施例中包含有第一分析模型的用户行为分析系统和包含第二分析模型的用户行为分析系统，参见图5，本发明实施例的综合用户行为分析系统包含日志服务器log_server、分布式文件系统HDFS(Distributed File System)、时序数据库clickhouse、第一分析子系统和第二分析子系统。为节约服务器和数据库资源，该实施例中的日志服务器log_server和时序数据库clickhouse可以同时实现上文实施例中介绍的两种用户行为分析系统中相应日志服务器log_server、时序数据库clickhouse所实现的功能。

由此，本发明实施例中包括事件分析模型、漏斗模型、留存模型和路径模型，结合上文实施例，漏斗模型和留存模型可以根据离线日志分析用户行为，事件分析模型和路径模型可以根据实时日志分析用户行为，因此，综合用户行为分析系统能够根据不同分析场景的利用相应的分析模型对离线日志和实时日志并行分析，从而从多个角度对用户行为进行分析。

基于同一发明构思，本发明实施例还提供了一种用户行为分析方法，参见图6，用户行为分析方法至少包含步骤S602至步骤S606。

步骤S602，接收不同埋点对象基于预设埋点参数实时上报的用户行为日志并存储。

步骤S604，从预设时间段内存储的用户行为日志中解析出用户标识，将属于同一用户的不同用户标识所对应的用户行为日志进行关联后存储至时序数据库。

步骤S606，将时序数据库中的用户行为日志输入至第一分析模型，由第一分析模型基于用户行为日志按照对应配置的分析规则分析用户行为。

在本发明一实施例中，不同埋点对象包括：服务端、前端H5、小程序、APP、前端广告中至少一项；预设埋点参数包括：不同属性字段、属性筛选条件中至少一项。

参见上文步骤S602，在本发明一可选实施例中，接收不同埋点对象基于预设埋点参数实时上报的用户行为日志并存储时，可以接收不同埋点对象基于预设埋点参数实时上报的用户行为日志，并采用发布/订阅模式将来自不同埋点对象的用户行为日志进行存储。

参见上文步骤S604，在本发明一可选实施例中，用户标识包括用户注册生成的唯一标识和不同埋点对象生成的必有标识。将属于同一用户的不同用户标识所对应的用户行为日志进行关联后存储至时序数据库时，可以先将同一用户行为日志中解析出的用户的唯一标识和必有标识建立关联，并组合生成统一标识。然后，将建立关联的唯一标识和必有标识分别对应的用户行为日志进行关联后通过数据库管理工具存储至时序数据库，其中，关联后的用户行为日志与统一标识对应。

参见上文步骤S606，在本发明一实施例中，第一分析模型包括漏斗模型，第一分析模型基于用户行为日志按照对应配置的分析规则分析用户行为时，首先，接收业务人员对漏斗模型配置的包含漏斗转化周期、漏斗步骤及每步骤对应的漏斗事件、漏斗事件筛选条件的分析规则。然后，利用漏斗模型通过时序数据库自带漏斗函数按照对应分析规则分析用户行为日志，以分析得到漏斗转化周期内用户执行不同漏斗步骤对应的漏斗事件的用户转化率。

参见上文步骤S606，在本发明另一实施例中，第一分析模型包括留存模型，第一分析模型基于用户行为日志按照对应配置的分析规则分析用户行为时，可以先接收业务人员对留存模型配置的包含留存周期、初始行为事件、后续行为事件、各事件对应筛选条件的分析规则。然后，利用留存模型通过时序数据库自带留存函数按照对应分析规则分析用户行为日志，以分析得到留存周期内用户执行初始事件后继续执行后续事件的用户留存率。

基于同一发明构思，本发明实施例还提供了另一种用户行为分析方法，参见图7，用户行为分析方法至少包含步骤S702至步骤S706。

步骤S702，接收不同埋点对象基于预设埋点参数实时上报的用户行为日志。

步骤S704，将不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类，将分类后的用户行为日志存储至时序数据库。

步骤S706，将时序数据库中的用户行为日志输入至第二分析模型，由第二分析模型基于用户行为日志按照对应配置的分析规则分析用户行为。

在本发明一实施例中，不同埋点对象包括：服务端、前端H5、小程序、APP、前端广告中至少一项；预设埋点参数包括：不同属性字段、属性筛选条件中至少一项。

参见上文步骤S704，在本发明一实施例中，将不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类，将分类后的用户行为日志存储至时序数据库时，可以先将不同埋点对象实时上报的用户行为日志依据不同埋点对象进行分类。然后采用发布/订阅模式将分类后的用户行为日志通过数据库管理工具存储至时序数据库。

参见上文步骤S706，在本发明一实施例中，第二分析模型包括事件分析模型，第二分析模型基于用户行为日志按照对应配置的分析规则分析用户行为时，先接收业务人员配置的包含能组成组合事件的至少两个具体事件、各具体事件对应的指标和筛选条件、组合事件的组合指标以及组合指标的运算方式的分析规则。然后，利用事件分析模型基于用户行为日志对满足对应筛选条件的至少两个具体事件分别进行聚合计算，得到符合相应具体事件指标的计算结果。最后，利用事件分析模型将符合相应具体事件指标的计算结果，按照组合指标的运算方式计算得到符合组合指标的结果。

参见上文步骤S706，在本发明另一实施例中，第二分析模型包括路径模型，第二分析模型基于用户行为日志按照对应配置的分析规则分析用户行为时，首先，接收业务人员配置的包含具体参与事件及对应筛选条件、目标事件、路径转化周期的分析规则。然后，利用路径模型基于输入的用户行为日志筛选完成目标事件的用户对应的用户行为日志。进而，利用路径模型从筛选出的用户行为日志中进一步筛选在路径转化周期内完成满足对应筛选条件的参与事件的用户行为日志，基于筛选出的用户行为日志分析出不同用户行为路径。最后，利用路径模型分析出不同用户行为路径之间的用户转化率。

在本发明一可选实施例中，利用路径模型分析出不同用户行为路径之间的用户转化率的过程包含：首先，利用路径模型按照时间顺序对不同用户行为路径中的行为节点进行排序，去除用户行为路径中的重复行为节点；然后，利用路径模型统计去除重复行为节点后不同用户行为路径分别对应的用户行为路径数量；最后，利用路径模型基于统计出的用户行为路径数量分析不同用户行为路径的用户转化率。

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存储介质，存储有计算机程序代码，当计算机程序代码在计算设备上运行时，导致计算设备执行上文任意实施例中的用户行为分析方法。

基于同一发明构思，本发明实施例还提供了一种计算设备，包括：处理器；存储有计算机程序代码的存储器；当计算机程序代码被处理器运行时，导致计算设备执行上文任意实施例中任一项的用户行为分析方法。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。