基于大数据及多维特征的企业画像计算方法、介质及程序

技术领域

本发明涉及大数据技术以及数据挖掘领域，尤其涉及一种基于大数据及多维特征的企业画像计算方法、介质及程序。

背景技术

随着大数据时代的来临，大量的企业相关数据信息使企业画像的概念应运而生。所谓企业画像，是将描述企业状态及行为的信息标签化，基于与企业状态及行为信息相关的数据为企业“贴”标签，从而刻画出企业全貌；企业是市场经济活动的主要参与者，企业服务行业作为企业的生活管家，更加精确的刻画企业画像成为了企业服务行业的关键问题，其中，申请号为202010660269.8公开了一种基于关联规则的企业画像评估方法，通过分析公司的五大维度按照不同的权重计算得到结果，通过AHP层次分析法分析出待画像企业的十大相关联企业；该申请文件利用五大维度的权重计算获得关联企业，但并未在企业画像中加入标签的数值描述。申请号为202011266790.X公开了一种企业画像的构建方法，通过企业亲族关系数据库中的数据以及企业信息数据库中的数据，构建企业画像，在该专利构建的企业画像中对标签并未利用数值进行精确的描述，企业画像准确度并不高。

发明内容

有鉴于此，本申请实施例提供一种基于大数据及多维特征的企业画像计算方法、介质及程序，提升企业画像刻画的全面性与准确度，便于企业服务行业为企业提供更精准的服务。

本申请实施例提供了一种基于大数据及多维特征的企业画像计算方法，所述方法包括：

获取企业数据，并对所述企业数据执行聚类操作产生企业标签；

利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果；

基于所述打分结果，获得每个所述企业标签的权重；

基于所述企业标签以及对应的权重，构建第一企业画像；

获取每个企业标签的影响因子，并通过影响因子打分模型对所述影响因子进行打分，获得影响因子的值；

基于每个企业标签的影响因子以及对应的值，构建第二企业画像；

结合所述第一企业画像与所述第二企业画像，生成第三企业画像。

在一实施例中，所述基于所述打分结果，获得每个所述企业标签的权重，包括：

对每个企业标签的所述打分结果之间进行比较，获得比较结果；

根据所述比较结果，构建优序图权重计算表；

基于所述优序图权重计算表，获得每个所述企业标签的权重。

在一实施例中，所述对每个企业标签的所述打分结果之间进行比较，获得比较结果，包括：

对每个企业标签的所述打分结果之间进行两两比较；

若两个企业标签中，第一企业标签的打分结果大于第二企业标签的打分结果，则得到的第一比较结果为第一设定值；

若两个企业标签中，第一企业标签的打分结果小于第二企业标签的打分结果，则得到的第二比较结果为第二设定值；

若两个企业标签中，第一企业标签的打分结果等于第二企业标签的打分结果，则得到的第三比较结果为第三设定值；其中所述第一设定值、所述第二设定值以及所述第三设定值均不同。

在一实施例中，所述基于所述优序图权重计算表，获得每个所述企业标签的权重，包括：

获取所述优序图权重计算表中每列比较结果的和，作为对应企业标签的重要度；

计算每个所述企业标签的重要度在所述优序权重计算表中比较结果总和的占比，以获得每个所述企业标签的权重。

在一实施例中，所述利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果的步骤之前，包括：

构建所述标签打分模型，具体包括：

对所述企业标签对应的企业数据进行预处理，生成预设格式的输入数据；

将所述输入数据输入神经网络中进行监督训练，生成所述标签打分模型。

在一实施例中，所述对所述企业标签对应的企业数据进行预处理，生成预设格式的输入数据，包括：

对所述企业标签对应的企业数据进行数据清理并统计；

根据统计结果，获得企业标签对应的打分数值；

基于所述企业标签、所述打分数值，以及所述企业标签与所述打分数值之间的对应关系，生成所述标签打分模型的输入数据。

在一实施例中，所述企业标签至少包括：创新能力、抗风险能力、经营能力。

在一实施例中，所述获取每个企业标签的影响因子，并通过影响因子打分模型对所述影响因子进行打分，获得影响因子的值的步骤之前，包括：

构建所述影响因子打分模型，具体包括：

对影响因子对应的数据进行数据清理并统计；

基于统计结果，获得所述影响因子对应的打分数值；

基于所述影响因子、所述打分数值，以及所述影响因子与所述打分数值之间的对应关系，输入神经网络中进行监督训练，生成所述影响因子打分模型。

为实现上述目的，还提供一种计算机存储介质，所述计算机存储介质上存储有基于大数据及多维特征的企业画像计算方法程序，所述基于大数据及多维特征的企业画像计算方法程序被处理器执行时实现上述任一所述的基于大数据及多维特征的企业画像计算方法的步骤。

为实现上述目的，还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一所述的基于大数据及多维特征的企业画像计算方法的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：获取企业数据，并对所述企业数据执行聚类操作产生企业标签；通过获取大数据量的企业数据，并执行聚类操作产生企业标签，使企业标签更加的全面，可以从多维度对企业形象进行刻画，提高企业画像的全面性。

利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果；通过训练得到的标签打分模型对企业标签进行打分，提高打分结果的准确性。

基于所述打分结果，获得每个所述企业标签的权重；基于所述企业标签以及对应的权重，构建第一企业画像。通过打分结果，利用优序图法，获得每个企业标签的权重，即获取每个企业中企业标签对企业的优点与短板，利用生成的第一企业画像更加全面的对企业画像进行刻画。

获取每个企业标签的影响因子，并通过影响因子打分模型对所述影响因子进行打分，获得影响因子的值；基于每个企业标签的影响因子以及对应的值，构建第二企业画像；结合所述第一企业画像与所述第二企业画像，生成第三企业画像；通过结合全面的第一企业画像以及更加细致的第二企业画像，使结合生成的第三企业画像更加全面以及准确的对企业图像进行刻画，便于企业进行自我优化，同时也利于企业服务行业为企业提供更精准的服务。

附图说明

图1为本申请基于大数据及多维特征的企业画像计算方法的第一实施例的流程示意图；

图2为本申请基于大数据及多维特征的企业画像计算方法第一实施例步骤S130的具体实施步骤；

图3为本申请基于大数据及多维特征的企业画像计算方法步骤S131的具体实施步骤；

图4为本申请基于大数据及多维特征的企业画像计算方法步骤S133的具体实施步骤；

图5为本申请基于大数据及多维特征的企业画像计算方法的第二实施例的流程示意图；

图6为本申请基于大数据及多维特征的企业画像计算方法第二实施例中步骤S220的具体实施步骤；

图7为本申请基于大数据及多维特征的企业画像计算方法步骤S221的具体实施步骤；

图8为本申请基于大数据及多维特征的企业画像计算方法的第三实施例的流程示意图；

图9为本申请实施例中涉及的基于大数据及多维特征的企业画像生成设备的硬件架构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：获取企业数据，并对所述企业数据执行聚类操作产生企业标签；利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果；基于所述打分结果，获得每个所述企业标签的权重；基于所述企业标签以及对应的权重，构建第一企业画像；获取每个企业标签的影响因子，并通过影响因子打分模型对所述影响因子进行打分，获得影响因子的值；基于每个企业标签的影响因子以及对应的值，构建第二企业画像；结合所述第一企业画像与所述第二企业画像，生成第三企业画像。本发明提升企业画像刻画的全面性与准确度，便于企业服务行业为企业提供更精准的服务。

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。

参照图1，图1为本申请基于大数据及多维特征的企业画像计算方法的第一实施例，所述方法包括：

步骤S110：获取企业数据，并对所述企业数据执行聚类操作产生企业标签。

具体地，企业数据可以是互联网中存储的有关企业的数据，可以从企业的官方网站进行获取，也可以从第三方企业信息管理网站进行获取，在此不作限定；企业数据的获取方式可以是通过网络爬虫技术的方式获取。

聚类操作可以是文本相关的聚类算法，具体可以是LDA主题模型，也可以是K-Means聚类算法；其中，K-Means聚类算法为无监督的聚类算法，首先将样本集划分成K个族，从而经过迭代，使簇之间的距离越来越大，簇内的样本应尽可能的靠近，其算法具体如下：

算法输入：数据集X，聚类数K；

算法输出：聚类集合C；

S1：在整个数据集X中随机选取K个样本对象；

S2：计算数据集中每个样本Xm到簇中心Ci的距离；

S3：找到每个样本对象Xm到簇中心Ci的最小距离，并将该样本对象Xm归为与Ci相同的簇中；

S4：计算同一簇中对象的均值，更新簇中心；

S5：重复S2-S4，算法迭代直至簇中心对象不发生改变。

需要另外说明的是，企业标签也可以根据用户需求进行设定。

步骤S120：利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果。

具体地，标签打分模型可以是数学预测模型，也可以是神经网络预测模型，在此并不作限定。

步骤S130：基于所述打分结果，获得每个所述企业标签的权重。

具体地，可以利用优序图法，获得企业标签的权重；也可以使用层次分析法获得企业标签的权重，在此不作限定。

步骤S140：基于所述企业标签以及对应的权重，构建第一企业画像。

具体地，通过聚类产生的企业标签以及对应的权重，利用权重数值形象的刻画第一企业画像，使第一企业画像更加的精确。

步骤S150：获取每个企业标签的影响因子，并通过影响因子打分模型对所述影响因子进行打分，获得影响因子的值。

具体地，可以根据标签打分模型的构建方法，构建影响因子打分模型。具体地，企业标签的影响因子可以是多个，比如当企业标签为创新能力时，则创新能力对应的影响因子可以是技术研发能力、核心成员示例、专利产出、知识产权积累、资质认定；另外，一个影响因子可以由多个属性决定，比如技术研发能力可以由注册资本、参保人数、分支机构数量、高新技术企业、专利数量以及软著数量等决定；而核心成员实力可以由核心团队成员数决定；专利产出可以由专利数量、人均专利数量决定；知识产权积累可以由专利数量、软著数量以及商标数量决定；资质认定可以由是否高新技术企业、资质证书数量、网站备案数量决定。当企业标签为经营能力时，则经营能力对应的影响因子可以是团队实力、融资能力、投资实力；其中团队实力可以是核心团队数量、成员学历决定；融资能力可以是融资次数以及当前融资轮次决定；投资实力可以是对外投资金额总额以及对外投资次数。当企业标签为抗风险能力时，则抗风险能力对应的影响因子可以是媒体曝光、资质证书、招投标活跃度、司法风险、经营异常、行政处罚、被执行情况以及出资抵押情况；其中媒体曝光可以由新闻舆情数量以及自媒体数量决定；资质证书可以由资质证书数量决定；招投标活跃度可以由招投标数量决定；司法风险可以由法律诉讼数量决定；经营异常可以由经营异常数量决定；行政处罚可以由行政处罚数量决定；被执行情况可以由被执行数量决定；出质抵押情况可以由出质抵押数量决定。

步骤S160：基于每个企业标签的影响因子以及对应的值，构建第二企业画像。

具体地，进一步使用每个企业标签的影响因子及其对应的值，可以更加详细、具体的对企业画像进行刻画，生成第二企业画像，即对每个企业标签又进行细化。

步骤S170：结合所述第一企业画像与所述第二企业画像，生成第三企业画像。

结合企业标签及其权重，以及企业标签的影响因子以及对应的值，对企业画像进行刻画，使企业画像更加的全面及具体，通过企业标签的权重以及影响因子的值，描绘企业画像，使企业的优缺点更加的凸显。

在上述实施例中，存在的有益效果为：获取企业数据，并对所述企业数据执行聚类操作产生企业标签；通过获取大数据量的企业数据，并执行聚类操作产生企业标签，使企业标签更加的全面，可以从多维度对企业形象进行刻画，提高企业画像的全面性。

利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果；通过训练得到的标签打分模型对企业标签进行打分，提高打分结果的准确性。

基于所述打分结果，获得每个所述企业标签的权重；基于所述企业标签以及对应的权重，构建第一企业画像。通过打分结果，利用优序图法，获得每个企业标签的权重，即获取每个企业中企业标签对企业的优点与短板，利用生成的第一企业画像更加全面的对企业画像进行刻画。

获取每个企业标签的影响因子，并通过影响因子打分模型对所述影响因子进行打分，获得影响因子的值；基于每个企业标签的影响因子以及对应的值，构建第二企业画像；结合所述第一企业画像与所述第二企业画像，生成第三企业画像；通过结合全面的第一企业画像以及更加细致的第二企业画像，使生成的第三企业画像更加全面以及准确的对企业图像进行刻画，便于企业进行自我优化，同时也利于企业服务行业为企业提供更精准的服务。

参照图2，图2为本申请基于大数据及多维特征的企业画像计算方法第一实施例步骤S130的具体实施步骤，所述基于所述打分结果，利用优序图法，获得每个所述企业标签的权重，包括：

步骤S131：对每个企业标签的所述打分结果之间进行比较，获得比较结果。

步骤S132：根据所述比较结果，构建优序图权重计算表。

步骤S133：基于所述优序图权重计算表，获得每个所述企业标签的权重。

具体地，优序图法是通过对多个指标或目标进行两两相对比较，最后给出重要性次序或者优先次序。在本实施例中，使用优序图法获得优序图权重计算表，并根据优序图权重计算表，获得每个企业标签的权重，以反映每个企业标签在所有标签中的重要程度，更加精确的反映出企业的长处和短板，在企业发展过程中提供更加精准的优化方向，促使企业快速的发展。

参照图3，图3为本申请基于大数据及多维特征的企业画像计算方法步骤S131的具体实施步骤，所述对每个企业标签的所述打分结果之间进行比较，获得比较结果，包括：

步骤S131-1：对每个企业标签的所述打分结果之间进行两两比较；

步骤S131-2：若两个企业标签中，第一企业标签的打分结果大于第二企业标签的打分结果，则得到的第一比较结果为第一设定值；其中第一设定值可以为1。

若两个企业标签中，第一企业标签的打分结果小于第二企业标签的打分结果，则得到的第二比较结果为第二设定值；其中第二设定值可以为0.5。

若两个企业标签中，第一企业标签的打分结果等于第二企业标签的打分结果，则得到的第三比较结果为第三设定值。其中，第三设定值可以为0。

其中，所述第一设定值、所述第二设定值以及所述第三设定值均不同。

具体地，当企业标签1的打分结果为81，企业标签2的打分结果为67，企业标签3的打分结果为59，则生成的优序图权重计算表具体如下表1所示：

表1

参照图4，图4为本申请基于大数据及多维特征的企业画像计算方法步骤S133的具体实施步骤，所述基于所述优序图权重计算表，获得每个所述企业标签的权重，包括：

步骤S133-1：获取所述优序图权重计算表中每列比较结果的和，作为对应企业标签的重要度。

步骤S133-2：计算每个所述企业标签的重要度在所述优序权重计算表中比较结果总和的占比，以获得每个所述企业标签的权重。

具体地，如表1所示，企业标签1的重要度为2.5，企业标签2的重要度为1.5，企业标签3的重要度为0.5；则通过计算每个企业标签的重要度在优序权重计算表中的比较结果综合的占比，获得每个企业标签的权重，则获得企业标签1的权重为55.6％，企业标签2的权重为33.3％，企业标签3的权重为11.1％。

在上述实施例中，存在的有益效果为：通过优序图法获得的企业标签的权重更加的合理，且计算过程简便，进一步提高企业画像生成的计算效率。

参照图5，图5为本申请基于大数据及多维特征的企业画像计算方法的第二实施例，所述利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果的步骤之前，包括：

步骤S210：获取企业数据，并对所述企业数据执行聚类操作产生企业标签。

步骤S220：构建所述标签打分模型；

具体地，标签打分模型可以是基于长短时记忆网络的序列到序列模型。其中长短时记忆网路可以获取企业数据中上下文的特征信息，进一步提高打分结果的准确性。

步骤S230：利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果。

步骤S240：基于所述打分结果，获得每个所述企业标签的权重。

步骤S250：基于所述企业标签以及对应的权重，构建第一企业画像。

步骤S260：获取每个企业标签的影响因子，并通过影响因子打分模型对所述影响因子进行打分，获得影响因子的值。

步骤S270：基于每个企业标签的影响因子以及对应的值，构建第二企业画像。

步骤S280：结合所述第一企业画像与所述第二企业画像，生成第三企业画像。

第二实施例与第一实施例相比，第二实施例包括步骤S220，其他步骤在第一实施例中已经进行了阐述，在此不再赘述。

在上述实施例中，存在的有益效果为：通过构建基于长短时记忆网络的序列到序列模型的标签打分模型，使企业标签的打分结果更加的可靠，进一步提高企业画像刻画的准确度。

参照图6，图6为本申请基于大数据及多维特征的企业画像计算方法第二实施例中步骤S220的具体实施步骤：

步骤S221：对所述企业标签对应的企业数据进行预处理，生成预设格式的输入数据。

具体地，预设格式可以是企业标签与打分数值的对应关系，其中，打分数值可以根据人工标注获得，也可以通过企业标签对应的数据量统计获得。

步骤S222：将所述输入数据输入神经网络中进行监督训练，生成所述标签打分模型。

具体地，神经网络模型具体可以是神经网络预测模型；其中神经网络预测模型采用神经网络模型对未知数据进行预测的模型。神经网络预测模型包括但不限定于卷积神经网络(CNN)、循环神经网络(RNN)、长短时记忆网络(LSTM)等。

参照图7，图7为本申请基于大数据及多维特征的企业画像计算方法步骤S221的具体实施步骤，所述对所述企业标签对应的企业数据进行预处理，生成预设格式的输入数据，包括：

步骤S221-1：对所述企业标签对应的企业数据进行数据清理并统计。

具体地，对企业数据进行数据清理可以是对企业数据进行去重操作。

步骤S221-2：根据统计结果，获得企业标签对应的打分数值。

具体地，比如A企业的企业标签1的数据量为200K，则可以根据数据量的大小设定一个打分数值，其他的企业标签同理获得，即企业标签对应的数据量越大，则对应的打分数值越大。

步骤S221-3：基于所述企业标签、所述打分数值，以及所述企业标签与所述打分数值之间的对应关系，生成所述标签打分模型的输入数据。

具体地，输入数据是符合预设格式的，在本实施例中，可以使用企业标签、打分数值以及企业标签与打分数值之间的对应关系。

在其中一个实施例中，所述企业标签至少包括：创新能力、抗风险能力、经营能力。

具体地，企业标签并不限定于上述提及的创新能力、抗风险能力以及经营能力。

参照图8，图8为本申请基于大数据及多维特征的企业画像计算方法的第三实施例，所述方法，还包括：

步骤S310：获取企业数据，并对所述企业数据执行聚类操作产生企业标签。

步骤S320：利用标签打分模型对每个企业对应的企业标签进行打分，生成打分结果。

步骤S330：基于所述打分结果，获得每个所述企业标签的权重。

步骤S340：基于所述企业标签以及对应的权重，构建第一企业画像。

步骤S350：构建所述影响因子打分模型。

具体地，影响因子打分模型可以是基于长短时记忆网络的序列到序列模型。其中长短时记忆网路可以获取企业数据中上下文的特征信息，进一步提高打分结果的准确性。

构建所述影响因子打分模型，具体包括：

S1：对影响因子对应的数据进行数据清理并统计；

S2：基于统计结果，获得所述影响因子对应的打分数值；

S3：基于所述影响因子、所述打分数值，以及所述影响因子与所述打分数值之间的对应关系，输入神经网络中进行监督训练，生成所述影响因子打分模型。

具体地，影响因子打分模型与标签打分模型的构建过程类似，可以参照标签打分模型。

步骤S360：获取每个企业标签的影响因子，并通过影响因子打分模型对所述影响因子进行打分，获得影响因子的值。

步骤S370：基于每个企业标签的影响因子以及对应的值，构建第二企业画像。

步骤S380：结合所述第一企业画像与所述第二企业画像，生成第三企业画像。

第三实施例与第一实施例相比，包括步骤S350，其他步骤在第一实施例中已经进行了阐述，在此不再赘述。

上述实施例中，存在的有益效果：通过构建神经网络的影响因子打分模型，提高影响因子的打分准确度，保证第二企业画像的精准刻画，从而保证第三企业画像的精准度。

本申请还保护一种计算机存储介质，所述计算机存储介质上存储有基于大数据及多维特征的企业画像计算方法程序，所述基于大数据及多维特征的企业画像计算方法程序被处理器执行时实现上述任一所述的基于大数据及多维特征的企业画像计算方法的步骤。

本申请还保护一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一所述的基于大数据及多维特征的企业画像计算方法的步骤。

本申请涉及一种基于大数据及多维特征的企业画像生成设备010包括如图9所示：至少一个处理器012、存储器011。

处理器012可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器012中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器012可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器011，处理器012读取存储器011中的信息，结合其硬件完成上述方法的步骤。

可以理解，本发明实施例中的存储器011可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ReadOnly Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本发明实施例描述的系统和方法的存储器011旨在包括但不限于这些和任意其它适合类型的存储器。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

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。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

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。