一种商品处理方法、装置及电子设备

技术领域

本发明涉及摘要生成技术领域，更具体地，涉及一种商品处理方法、一种商品处理装置、一种电子设备、及一种计算机可读存储介质。

背景技术

随着电子商务的兴起，网络购物变得越来越普及。产品的交付速度，逐渐成为电商平台的核心竞争力之一，也是影响用户满意度的主要因素之一，这种需求在生活用品等产品上的表现越来越明显。实现精准的销量预测，可以更好的支持供应链优化和库存管理，进而提高电子商务业务的生产率和用户满意度。

现有的销量预测方法，仅仅考虑了历史销售记录，而在电商平台中，商品自身多种特征的变化会对销量产生较大的影响，将导致商品销量的预测结果不准确，那么，卖家就无法准确地调整商品的库存。

发明内容

本发明的一个目的是提供一种预测商品销量的新的技术方案。

根据本发明的第一方面，提供了一种商品处理方法，包括：

获取目标商品在目标统计周期的预测特征向量、所述目标商品的竞争商品的所述目标统计周期的预测特征向量、所述目标商品在所述目标统计周期的前一统计周期内的销量、以及所述竞争商品在所述前一统计周期内的销量；其中，所述预测特征向量为对预设的多个初始特征的特征向量进行合并得到的特征向量，所述初始特征包括影响对应商品的销量的特征；

获取所述目标商品的所述预测特征向量、所述竞争商品的所述预测特征向量、所述目标商品的销量、所述竞争商品的销量与所述目标商品的预测销量间的映射函数；

根据所述映射函数、所述目标商品在目标统计周期的预测特征向量、所述竞争商品在所述目标统计周期的预测特征向量、所述目标商品在所述前一统计周期内的销量、以及所述竞争商品在所述前一统计周期内的销量，获得所述目标商品在所述目标统计周期内的预测销量；

根据所述预测销量调整所述目标商品的库存。

可选的，获取在所述目标统计周期的特征向量的步骤包括：

获取至少一个初始特征在所述目标统计周期的特征向量；

对所述初始特征在所述目标统计周期的特征向量进行合并处理，得到在所述目标统计周期的预测特征向量。

可选的，所述初始特征包括商品静态特征、日期类型特征和活动促销特征中的任意一种或多种。

可选的，还包括获取所述竞争商品的步骤，包括：

获取多个历史统计周期内的用户行为数据；

根据所述用户行为数据，得到浏览所述目标商品的第一用户集合、购买每一其他商品的第二用户集合；

对于每一其他商品，根据所述第一用户集合和所述第二用户集合，得到对应其他商品与目标商品的竞争概率；

根据所述竞争概率，从所述其他商品中选取所述目标商品的所述竞争商品。

可选的，所述对于每一其他商品，根据所述第一用户集合和所述第二用户集合，得到对应其他商品与目标商品的竞争概率包括：

对于每一其他商品，确定所述第一用户集合和所述第二用户集合的交集中的交集用户数量；

对于每一其他商品，确定交集用户数量与所述第一用户集合中所包含的用户数量的比值，作为所述竞争概率。

可选的，所述根据所述竞争概率，从所述其他商品中选取所述目标商品的所述竞争商品包括：

选取竞争概率大于或等于预设的概率阈值的其他商品，作为所述竞争商品；或者，

根据所述竞争概率对其他商品进行降序排序，并获取每一所述其他商品的排序值；

选取排序值在设定范围内的其他商品，作为所述竞争商品。

可选的，所述方法还包括：

获取多个历史统计周期的训练样本，其中，每一训练样本包括所述目标商品在对应历史统计周期的训练特征向量、所述竞争商品在对应历史统计周期的训练特征向量、所述目标商品在对应后一统计周期的预测特征向量、所述竞争商品在对应后一统计周期的预测特征向量、所述目标商品在对应历史统计周期的实际销量、所述竞争商品在对应历史统计周期的实际销量、所述目标商品在对应后一统计周期的实际销量；其中，所述训练特征向量包括对所述预测特征向量和其他特征的特征向量进行合并得到的特征向量，所述其他特征包括用户行为特征和/或购买记录特征；

根据所述训练样本训练得到所述映射函数。

可选的，所述训练得到所述映射函数的步骤包括：

以所述映射函数的待定系数为变量，分别根据每一所述训练样本，确定所述目标商品在对应的后一统计周期的预测销量的表达式；

根据每一所述后一统计周期的预测销量的表达式、以及所述目标商品在对应后一统计周期的实际销量，构建损失函数；

求解所述损失函数确定所述待定系数，完成对所述映射函数的训练。

可选的，所述映射函数的待定系数包括预设的对应所述目标商品的目标神经网络的待定系数、预设的对应所述竞争商品的竞争神经网络的待定系数、预设的残差神经网络的待定系数和预设的标准化待定系数；

所述确定所述目标商品在对应历史统计周期的后一统计周期的预测销量的表达式的步骤包括：

以所述目标神经网络的待定系数为变量，分别根据每一所述训练样本中所述目标商品在对应历史统计周期的训练特征向量、所述目标商品在对应后一统计周期的预测特征向量、和所述目标商品在对应历史统计周期的实际销量，确定所述目标神经网络在对应后一统计周期的输出状态的表达式；

以所述标准化待定系数为变量，分别根据所述目标神经网络在每一后一统计周期的输出状态的表达式，确定所述目标商品在对应下一历史统计周期的日常销量的表达式；

以所述竞争神经网络的待定系数为变量，分别根据每一所述训练样本中所述竞争商品在对应历史统计周期的训练特征向量、所述竞争商品在对应后一统计周期的预测特征向量、所述竞争商品在在对应历史统计周期的实际销量，确定所述竞争神经网络在对应历史统计周期的输出状态的表达式；

以所述残差神经网络的待定系数和所述标准化待定系数为变量，对于每一后一统计周期，分别根据所述目标商品的预测特征向量、所述竞争商品的预测特征向量、所述目标神经网络的输出状态的表达式、和所述竞争神经网络的输出状态的表达式，确定所述目标商品在对应下一历史统计周期的残差销量的表达式；

根据所述目标商品在每一所述后一统计周期的日常销量的表达式、和在每一所述后一统计周期的残差销量的表达式，得到所述目标商品在对应历史统计周期的后一统计周期的预测销量的表达式。

可选的，所述根据每一所述后一统计周期的预测销量的表达式、以及所述目标商品在每一所述后一统计周期的实际销量，构建损失函数之前还包括：

根据所述目标商品在每一所述后一统计周期的日常销量的表达式、以及所述目标商品在每一所述后一统计周期的实际销量，构建初始的损失函数；

根据所述初始的损失函数确定所述目标商品的目标神经网络的待定系数、所述标准化待定系数。

可选的，还包括：

在得到所述目标商品在所述目标统计周期内的实际销量和所述训练特征向量后，将所述目标商品在所述目标统计周期内的实际销量、所述目标商品在前一目标统计周期的训练特征向量、所述竞争商品在所述前一统计周期的训练特征向量、所述目标商品在所述目标统计周期的预测特征向量、所述目标商品在所述目标统计周期的预测特征向量、所述目标商品在所述前一统计周期内的销量、所述竞争商品在所述前一统计周期的销量，作为新的训练样本；

根据所述新的训练样本修正所述映射函数。

可选的，还包括：

根据所述目标商品在所述目标统计周期内的预测销量，获得所述目标商品在所述后一统计周期内的预测销量。

可选的，所述根据所述目标商品在所述目标统计周期内的预测销量，获得所述目标商品在所述后一统计周期内的预测销量包括：

根据所述映射函数、所述目标商品在目标统计周期的预测特征向量、所述竞争商品在所述目标统计周期的预测特征向量、所述目标商品在所述前一统计周期内的销量、以及所述竞争商品在所述前一统计周期内的销量，得到所述竞争商品在所述目标统计周期内的预测销量；

获取所述目标商品在所述目标统计周期的后一统计周期的预测特征向量、和所述竞争商品在所述后一统计周期的预测特征向量；

根据所述映射函数、所述目标商品在所述后一统计周期的预测特征向量、所述竞争商品在所述后一统计周期的预测特征向量、所述目标商品在所述目标统计周期内的预测销量、以及所述竞争商品在所述目标统计周期内的预测销量，获得所述目标商品在所述后一统计周期内的预测销量。

根据本发明的第二方面，提供了一种数据对象处理方法，包括：

确定与目标数据对象属于同一对象类型的相似数据对象；

分别获取所述目标数据对象和相似数据对象在历史统计周期内的第一交互数据、以及与在目标统计周期内的第二交互数据关联的第一特征信息；

根据所述目标数据对象和所述相似数据对象在所述历史统计周期内的所述第一交互数据、在所述目标统计周期内的所述第一特征信息、以及预设的交互数据与特征信息之间的映射函数，获得所述目标数据对象在所述目标统计周期内的第二交互数据；

根据所述第二交互数据调整所述目标数据对象的数量信息。

根据本发明的第三方面，提供了一种数据预测方法，包括：

确定与目标数据对象属于同一对象类型的相似数据对象；

分别获取所述目标数据对象和相似数据对象在历史统计周期内的第一交互数据、以及与在目标统计周期内的第二交互数据关联的第一特征信息；

根据所述目标数据对象和所述相似数据对象在所述历史统计周期内的所述第一交互数据、在所述目标统计周期内的所述第一特征信息、以及预设的交互数据与特征信息之间的映射函数，获得所述目标数据对象在所述目标统计周期内的第二交互数据。

根据本发明的第四方面，提供了一种商品处理装置，包括：

第一获取模块，用于获取目标商品在目标统计周期的预测特征向量、所述目标商品的竞争商品在所述目标统计周期的预测特征向量、所述目标商品在所述目标统计周期的前一统计周期内的销量、以及所述竞争商品在所述前一统计周期内的销量；其中，所述预测特征向量为对预设的初始特征的特征向量进行合并得到的特征向量，所述初始特征包括影响对应商品的销量的特征；

第二获取模块，用于获取所述目标商品的所述预测特征向量、所述竞争商品的所述预测特征向量、所述目标商品的销量、所述竞争商品的销量与所述目标商品的预测销量间的映射函数；

销量预测模块，用于根据所述映射函数、所述目标商品在目标统计周期的预测特征向量、所述竞争商品在所述目标统计周期的预测特征向量、所述目标商品在所述前一统计周期内的销量、以及所述竞争商品在所述前一统计周期内的销量，获得所述目标商品在所述目标统计周期内的预测销量；

库存调整模块，用于根据所述预测销量调整所述目标商品的库存。

根据本发明的第五方面，提供了一种电子设备，包括：

根据本发明第四方面所述的装置；或者，

处理器和存储器，所述存储器用于存储指令，所述指令用于控制所述处理器执行根据本发明第一方面、第二方面或第三方面所述的方法。

根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如本发明第一方面、第二方面或第三方面所述的方法。

在本发明的实施例中，综合考虑了目标商品多种异构特征的变化、目标商品和其对应的竞争商品，来预测目标商品的销量，可以使得预测结果更加准确。这样，卖家就可以根据目标商品的预测销量来准确调整库存。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1a是根据本发明第一个实施例的电子设备的硬件结构示意图。

图1b是根据本发明第二个实施例的电子设备的硬件结构示意图。

图2示出了本发明的实施例的商品处理方法的场景示意图。

图3示出了本发明的实施例的商品处理方法的流程图。

图4示出了本发明的第一个实施例的摘要生成模型的训练方法的流程图。

图5示出了本发明的第二个实施例的摘要生成模型的训练方法的流程图。

图6示出了本发明的实施例的商品处理方法的第一个例子流程图。

图7示出了本发明的实施例的商品处理方法的第二个例子的流程图。

图8示出了本发明的实施例的商品处理方法的第三个例子的流程图。

图9示出了本发明的实施例的商品处理装置的原理框图。

图10示出了本发明第三个实施例的电子设备的原理框图。

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。

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，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

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。

<硬件配置>

图1a和图1b是可用于实现本发明任意实施例的方法的电子设备1000的硬件配置的框图。

在一个实施例中，如图1a所示，电子设备1000可以是服务器1100。

服务器1100提供处理、数据库、通讯设施的业务点。服务器1100可以是整体式服务器或是跨多计算机或计算机数据中心的分散式服务器。服务器可以是各种类型的，例如但不限于，网络服务器，新闻服务器，邮件服务器，消息服务器，广告服务器，文件服务器，应用服务器，交互服务器，数据库服务器，或代理服务器。在一些实施例中，每个服务器可以包括硬件，软件，或用于执行服务器所支持或实现的合适功能的内嵌逻辑组件或两个或多个此类组件的组合。例如，服务器例如刀片服务器、云端服务器等，或者可以是由多台服务器组成的服务器群组，可以包括上述类型的服务器中的一种或多种等等。

本实施例中，服务器1100可以如图1a所示，包括处理器1110、存储器1120、接口装置1130、通信装置1140、显示装置1150、输入装置1160。

在该实施例中，服务器1100还可以包括扬声器、麦克风等等，在此不做限定。

处理器1110可以是专用的服务器处理器，也可以是满足性能要求的台式机处理器、移动版处理器等，在此不做限定。存储器1120例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1130例如包括各种总线接口，例如串行总线接口(包括USB接口)、并行总线接口等。通信装置1140例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏、LED显示屏触摸显示屏等。输入装置1160例如可以包括触摸屏、键盘等。

在该实施例中，服务器1100的存储器1120用于存储指令，该指令用于控制处理器1110进行操作以至少执行根据本发明任意实施例的方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

尽管在图1a中示出了服务器1100的多个装置，但是，本发明可以仅涉及其中的部分装置，例如，服务器1100只涉及存储器1120和处理器1110。

在一个实施例中，电子设备1000可以是操作人员使用的PC机、笔记本电脑等终端设备1200，在此不做限定。

本实施例中，参照图1b所示，终端设备1200可以包括处理器1210、存储器1220、接口装置1230、通信装置1240、显示装置1250、输入装置1260、扬声器1270、麦克风1280等等。

处理器1210可以是移动版处理器。存储器1220例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1230例如包括USB接口、耳机接口等。通信装置1240例如能够进行有线或无线通信，通信装置1240可以包括短距离通信装置，例如是基于Hilink协议、WiFi(IEEE 802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置，通信装置1240也可以包括远程通信装置，例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置1250例如是液晶显示屏、触摸显示屏等。输入装置1260例如可以包括触摸屏、键盘等。用户可以通过扬声器1270和麦克风1280输入/输出语音信息。

在该实施例中，终端设备1200的存储器1220用于存储指令，该指令用于控制处理器1210进行操作以至少执行根据本发明任意实施例的方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

尽管在图1b中示出了终端设备1200的多个装置，但是，本发明可以仅涉及其中的部分装置，例如，终端设备1200只涉及存储器1220和处理器1210和显示装置1250。

<商品处理方法实施例>

在本实施例中，提供一种商品处理方法。该商品处理方法可以是由如图2所示的电子设备实施。该电子设备可以是如图1a所示的服务器1100或如图1b所示的终端设备1200。

根据图3所示，本实施例的商品处理方法可以包括如下步骤S3100～S3400：

步骤S3100，获取目标商品在目标统计周期的预测特征向量、目标商品的竞争商品在目标统计周期的预测特征向量、目标商品在目标统计周期的前一统计周期内的销量、以及竞争商品在前一统计周期内的销量。

本实施例中的商品是能够交易的产品。例如可以是实物类产品，也可以是虚拟产品。该商品例如可以是服装、鞋、包、日用品、化妆品、办公用品、充值卡等产品。

目标统计周期可以是预先根据应用场景或具体需求设定的。例如，该目标统计周期可以是某一天。

在本发明的一个实施例中，如图2所示，目标商品的预测特征在目标统计周期的特征向量、目标商品的竞争商品的预测特征在目标统计周期的特征向量、目标商品在目标统计周期的前一统计周期内的销量、以及竞争商品在前一统计周期内的销量，可以是通过商品卖家的客户端获取的，也可以是通过商品交易平台的服务器获取的。

其中，预测特征为对预设的多个初始特征进行合并得到的特征，初始特征包括影响对应商品的销量的特征。

在本发明的一个实施例中，获取目标商品和竞争商品在目标统计周期的特征向量的方式可以相同，以下仅以获取目标商品在目标统计周期的预测特征向量的方式为例进行说明，包括：

获取目标商品的至少一个初始特征在目标统计周期的特征向量，对初始特征在目标统计周期的特征向量进行合并处理，得到目标商品在目标统计周期的预测特征向量。

获取目标商品的至少一个初始特征在目标统计周期的特征向量的方式可以包括：将初始特征的每一种取值，即每一个特征值都映射到指定维度的向量，得到初始特征的特征向量。其中，每个特征向量均为d维向量。

如果初始特征的特征值为离散型的值，可以根据具体的取值特点，每一个初始特征的所有可能取值都映射到指定维度的向量。

如果初始特征的特征值为连续型的值，那么，该连续型的特征值根据其随时间变化的幅度，也即对销售量变化的影响程度，可以采用如下两种处理方式：

第一种方式，是离散化分桶，根据其可能的取值范围，按出现的数量平均分成d个区间，每一区间都映射到指定维度的特征向量。

第二中方式，是进行标准化处理，处理方式如下：

其中，

本发明中的初始特征包括影响对应商品在目标统计周期的销量的特征。在本发明的一个实施例中，初始特征包括商品静态特征、日期类型特征和活动促销特征中的任意一种或多种。

商品静态特征包括商品自身的ID值、商品品牌的ID值、商品所属类目的ID值等离散型的特征，且不会随着时间而改变。

日期类型特征用于判断是否是周末，只有1个离散型特征，将周一至周五规定为非周末，周六周日为周末，该特征属性随着日期而改变，有且仅有两个取值。

活动促销特征包括活动存在特征、活动级别、活动已开始的天数、活动剩余的天数等离散型的特征，其中，活动存在特征共有两个取值，活动级别特征由电商平台决定，活动已开始的天数特征和活动剩余的天数特征均可以包括3种取值，分别为1、2、3+。

目标商品在目标统计周期的前一统计周期内的销量，可以是前一统计周期内的实际销量，也可以是前一统计周期内的预测销量。对应的，述竞争商品在目标统计周期的前一统计周期内的销量，可以是前一统计周期内的实际销量，也可以是前一统计周期内的预测销量。

商品的每个初始特征的特征向量均是d维的，对于目标商品或者是任一竞争商品，可以对每个初始特征的特征向量相加或相加后求平均得到的特征向量，作为对应商品的预测特征向量。

在本发明的一个实施例中，竞争商品可以是由目标商品的卖家根据应用场景或具体需求所选定的、影响目标商品的销量的产品。

在本发明的一个实施例中，该方法还可以包括获取竞争商品的步骤，具体可以包括如图4所示的步骤S4100～S4400：

步骤S4100，获取多个历史统计周期内的用户行为数据。

其中，该用户行为数据包括用于反映买家用户浏览记录和用户的购买记录的数据。例如，该用户行为数据可以是用户行为日志数据。

在本发明的一个实施例中，历史统计周期可以是预先根据应用场景或具体需求设定。每一历史统计周期和目标统计周期的时长可以相同。在目标统计周期为某一天的情况下，历史统计周期可以为目标统计周期之前的一天。

在本发明的一个实施例中，该用户行为数据可以是通过买家所使用的客户端、和/或商品交易平台的服务器获取的。

步骤S4200，根据用户行为数据，得到浏览目标商品的第一用户集合、购买每一其他商品的第二用户集合。

其中，其他商品为除目标商品以外的商品。针对目标商品i，根据用户行为数据得到所有浏览过商品i的第一用户集合U(i)；对其他商品k，根据用户行为数据得到所有购买过其他商品k的用户集合P(k)。

步骤S4300，对于每一其他商品，根据第一用户集合和第二用户集合，得到对应其他商品与目标商品的竞争概率。

在本发明的一个实施例中，对于每一其他商品，根据第一用户集合和第二用户集合，得到对应其他商品与目标商品的竞争概率可以包括如下所示的步骤S4310～S4320：

步骤S4310，对于每一其他商品，确定第一用户集合和第二用户集合的交集中的交集用户数量。

第一用户集合和第二用户集合的交集中的交集用户，可以是浏览过目标商品、但购买了其他商品k的用户，可以表示为U(i)∩P(k)。第一用户集合和第二用户集合的交集中的交集用户数量可以表示为|U(i)∩P(k)|。

步骤S4320，对于每一其他商品，确定交集用户数量与第一用户集合中所包含的用户数量的比值，作为竞争概率。

具体的，对于其他商品k，第一用户集合和第二用户集合的交集中的交集用户数量可以表示为|U(i)∩P(k)|，第一用户集合中所包含的用户数量可以表示为|U(i)|，那么，其他商品k与目标商品i的竞争概率可以表示为：

步骤S4400，根据竞争概率，从其他商品中选取目标商品的竞争商品。

在本发明的一个实施例中，可以是选取竞争概率大于或等于预设的概率阈值的其他商品，作为竞争商品。

该概率阈值可以是预先根据应用场景或具体需求设定好的。例如，该概率阈值可以但不限于是50％，那么，可以是将竞争概率大于或等于50％的其他商品作为竞争商品。

在本发明的一个实施例中，还可以是根据竞争概率对其他商品进行降序排序，并获取每一其他商品的排序值；选取排序值在设定范围内的其他商品，作为竞争商品。

该设定范围可以是根据应用场景或具体需求预先设定好的。例如，该设定范围可以但不限于是[1，3]，那么，可以是将排序值为1～3的其他商品作为目标商品的竞争商品。

步骤S3200，获取目标商品的预测特征向量、竞争商品的预测特征向量、目标商品的销量、竞争商品的销量与目标商品的预测销量间的映射函数。

该映射函数可以是预先训练好的。具体的，训练映射函数的步骤可以包括：

获取多个历史统计周期的训练样本，根据多个训练样本训练得到映射函数。

其中，任一训练样本中可以包括目标商品在对应历史统计周期的训练特征向量、竞争商品对应历史统计周期的训练特征向量、目标商品在对应历史统计周期的后一统计周期的预测特征向量、竞争商品在对应历史统计周期的后一统计周期的预测特征向量、目标商品在对应历史统计周期的实际销量、竞争商品在对应历史统计周期的实际销量、目标商品在对应历史统计周期的后一统计周期的实际销量。

在本发明的一个实施例中，在历史统计周期的训练特征向量，可以是根据初始特征的特征向量和其他特征的特征向量进行合并得到的特征向量。具体的，可以是将所有初始特征在对应历史统计周期的特征向量和所有其他特征在对应历史统计周期的特征向量相加、或相加后求平均值，得到的特征向量作为在对应历史统计周期的训练特征向量。具体可以参照得到预测特征向量的实施例，在此不再赘述。

在本发明的一个实施例中，其他特征可以包括用户行为特征和/或购买记录特征。

用户行为特征包括收藏人气、商品详情页浏览量、商品详情页的访问用户量、成交转化率、该商品所属叶子类目下所有商品的商品详情页浏览量、该商品所属叶子类目下所有商品的商品详情页的访问用户量等连续型特征，其中收藏人气特征可以是采用离散化分桶的方式得到对应特征的特征向量，商品详情页浏览量特征、商品详情页的访问用户量特征、成交转化率特征、该商品所属叶子类目下所有商品的商品详情页浏览量特征都可以是采用标准化方式处理，得到对应特征的特征向量。

购买记录特征包括商品价格、商品的日销售量、商品所属叶子类目的日销售量等连续型特征。其中商品价格特征可以是采用离散化分桶的方式，得到对应特征的特征向量。商品的日销售量特征和商品所属叶子类目的日销售量特征都可以是采用标准化方式处理，得到对应特征的特征向量。

训练映射函数的步骤可以包括如图5所示的步骤S5100～S5300：

步骤S5100，以映射函数的待定系数为变量，分别根据每一训练样本，确定目标商品在对应的后一统计周期的预测销量的表达式。

具体的，映射函数的待定系数包括预设的对应目标商品的目标神经网络的待定系数、预设的对应竞争商品的竞争神经网络的待定系数、预设的残差神经网络的待定系数和预设的标准化待定系数。

其中，目标神经网络是用于预测目标商品的销量的神经网络，竞争神经网络是用于预测对应竞争商品的销量的神经网络，残差神经网络是用于预测所述竞争商品对所述目标商品的销量的影响的神经网络；标准化待定系数是用于将神经网络的输出进行标准化处理的待定系数。

那么，以映射函数的待定系数为变量，分别根据每一训练样本，确定目标商品在对应的后一统计周期的预测销量的表达式可以包括如图6所示的步骤S5110～S5150：

步骤S5110，以目标神经网络的待定系数为变量，分别根据每一训练样本中目标商品在对应历史统计周期的训练特征向量、目标商品在对应后一统计周期的预测特征向量、和目标商品在对应历史统计周期的实际销量，确定目标神经网络在后一统计周期的输出状态的表达式。

目标神经网络可以是GRU网络，目标神经网络包括目标GRU序列编码网络和目标GRU序列解码网络。

按照时间先后顺序，对于第t个历史统计周期的训练样本，可以是将目标商品i在第t个历史统计周期的训练特征向量e

目标GRU序列编码网络在第t个历史统计周期所对应的输出h

在此基础上，可以是预先初始化一个目标GRU序列状态编码网络GRU

再将目标GRU序列编码网络在第t个历史统计周期所对应的输出h

步骤S5120，以标准化待定系数为变量，分别根据目标神经网络在每一后一统计周期的输出状态的表达式，确定目标商品在对应下一历史统计周期的日常销量的表达式。

标准化待定系数可以表示为w

步骤S5130，以竞争神经网络的待定系数为变量，分别根据每一训练样本中竞争商品在对应历史统计周期的训练特征向量、竞争商品在对应后一统计周期的预测特征向量、竞争商品在在对应历史统计周期的实际销量，确定竞争神经网络在对应后一统计周期的输出状态的表达式。

具体的，确定竞争商品j对应的竞争神经网络，在第t+1个历史统计周期的输出状态的表达式的方式s

步骤S5140，以残差神经网络的待定系数和标准化待定系数为变量，对于每一后一统计周期，分别根据目标商品的预测特征向量、竞争商品的预测特征向量、目标神经网络的输出状态的表达式、和竞争神经网络的输出状态的表达式，确定目标商品在对应下一历史统计周期的残差销量的表达式。

残差神经网络可以包括与GRU网络相似的门控机制。

对于第t+1个历史统计周期，竞争商品j对目标商品i的影响向量i

s

i

其中，

在包含N个竞争商品的情况下，可以使用自注意力机制计算，计算在第t+1个历史统计周期，N个竞争商品对目标商品i的集成影响i

i

a

其中，a

残差神经网络还可以包括高速网络highway network。具体的，可以是使用高速网络highway network计算在N个竞争商品影响下，目标商品i在第t+1个历史统计周期的残差销量

p

g

i'

步骤S5150，根据目标商品在每一后一统计周期的日常销量的表达式、和在每一后一统计周期的残差销量的表达式，得到目标商品在对应后一统计周期的预测销量的表达式。

在本发明的一个实施例中，根据目标商品i在第t+1个历史统计周期的残差销量为

其中，σ(s

在本发明的另一个实施例中，根据目标商品i在第t+1个历史统计周期的残差销量为

步骤S5200，根据每一后一统计周期的预测销量的表达式、以及目标商品在对应下一时段的实际销量，构建损失函数。

目标商品i在第t+1个历史统计周期的预测销量表示为

其中，Θ

步骤S5300，求解该损失函数确定待定系数，完成对该映射函数的训练。

具体的，可以是采用mini-batch机制，运用反向传播以及随机梯度下降算法对该损失函数进行优化，确定待定系数。

在本发明的一个实施例中，在执行上述步骤S3220之前，训练映射函数的步骤还可以包括：

根据目标商品在每一后一统计周期的日常销量的表达式、以及目标商品在每一后一统计周期的实际销量，构建初始的损失函数；根据初始的损失函数确定目标商品的目标神经网络的待定系数、标准化待定系数。

目标商品i在第t+1个历史统计周期的日常销量表示为x

其中，Θ

求解该初始的损失函数L'，可以确定目标商品的目标神经网络的待定系数、标准化待定系数。在此基础上，再通过损失函数L，来确定映射函数的其他待定系数。

如果目标统计周期为第T个历史统计周期的后一统计周期，即目标统计周期为第T+1个统计周期，那么，根据目标统计周期之前的T个历史统计周期的训练样本，对目标GRU序列编码网络进行训练，得到了目标GRU序列编码网络在第T个历史统计周期所对应的输出h

这样，通过步骤S3200所获取的映射函数可以表示为：

其中，x

s

h

i'

i

a

g

p

i

s

s

h

其中，

步骤S3300，根据映射函数、目标商品在目标统计周期的预测特征向量、竞争商品在目标统计周期的预测特征向量、目标商品在前一统计周期内的销量、以及竞争商品在前一统计周期内的销量，获得目标商品在目标统计周期内的预测销量。

具体的，将目标商品在目标统计周期的预测特征向量、竞争商品在目标统计周期的预测特征向量、目标商品在前一统计周期内的销量、以及竞争商品在前一统计周期内的销量代入到映射函数中，就可以得到目标商品在目标统计周期内的预测销量。

将目标商品i在目标统计周期的预测特征向量e

在本发明的一个实施例中，在执行完步骤S3300之后，该方法还可以包括：

将目标商品在目标统计周期内的实际销量、目标商品在前一目标统计周期的训练特征向量、竞争商品在前一统计周期的训练特征向量、目标商品在目标统计周期的预测特征向量、目标商品在目标统计周期的预测特征向量、目标商品在前一统计周期内的销量、竞争商品在前一统计周期的销量，作为新的训练样本；根据新的训练样本修正该映射函数。

通过随时根据生成的新的训练样本来修正映射函数，可以提高该映射函数的预测准确性。

在本发明的一个实施例中，该方法还可以包括：

根据目标商品在目标统计周期内的预测销量，获得目标商品在后一统计周期内的预测销量。

进一步的，根据目标商品在目标统计周期内的预测销量，获得目标商品在后一统计周期内的预测销量可以包括：

根据映射函数、竞争商品在目标统计周期的预测特征向量、以及竞争商品在前一统计周期内的销量，得到竞争商品在目标统计周期内的预测销量；

获取目标商品在目标统计周期的后一统计周期的预测特征向量和竞争商品在目标统计周期的后一统计周期的预测特征向量；

根据映射函数、目标商品在目标统计周期的后一统计周期的预测特征向量、竞争商品在目标统计周期的后一统计周期的预测特征向量、目标商品在目标统计周期内的预测销量、以及竞争商品在目标统计周期内的预测销量，获得目标商品在目标统计周期的后一统计周期的预测销量。

这样，就可以对目标商品在目标统计时段之后的统计时段内销量进行预测。对目标商品在目标统计时段的预测销量、及在目标统计时段之后的统计时段内预测销量进行求和，就可以预测目标商品在未来的多个统计时段内的总销量。

步骤S3400，根据预测销量调整目标商品的库存。

在本发明的一个实施例中，卖家可以是根据预测销量调整如图2所示的目标商品的仓库中的库存。

具体的，卖家可以根据预测销量较高的情况下，及时补货，保证目标商品的正常销售。卖家还可以根据每个地域的预测销量，来调整每个地域的仓库的库存。

进一步地，可以是将预测销量提供至卖家的客户端上，供卖家查看，并根据预测销量调整目标商品的仓库中的库存。

本发明实施例的方法，综合考虑了目标商品和对应的竞争商品在前一统计周期的预测特征向量、目标商品和其对应的竞争商品，来预测目标商品在目标统计周期内的销量，可以使得预测结果更加准确。这样，卖家就可以根据目标商品的预测销量来准确调整目标统计周期内的库存。

<数据对象处理方法实施例>

本发明还提供了一种数据对象处理方法。如图7所示，该数据对象处理方法可以包括步骤S7100～S7400：

步骤S7100，确定与目标数据对象属于同一对象类型的相似数据对象。

数据对象是必须由软件理解的复合信息表示。数据对象可能是外部实体、事物、偶发事件或事件、角色、组织单位、地点或结构等。例如，一个人或一部车可以被认为是数据对象，在某种意义上它们可以用一组属性来定义。数据对象描述包括了数据对象及其所有属性。在应用程序中引用的任何数据结构元素，如文件、数据、变量等都可以称为数据对象。例如，本实施例中的数据对象也可以是如前述商品处理方法实施例中所述的商品。

在本发明的一个实施例中，与目标数据对象属于同一对象类型的相似数据对象可以是由用户预先根据应用场景或具体需求设定的。

在本发明的一个实施例中，相似数据对象的确定方式也可以包括：

获取多个历史统计周期内的用户行为数据；根据该用户行为数据，得到浏览目标数据对象的第一用户集合、选择每一其他数据对象的第二用户集合；对于每一其他数据对象，根据第一用户集合和第二用户集合，得到对应其他数据对象与目标数据对象的竞争概率；根据该竞争概率，从其他数据对象中选取相似数据对象。

具体可以参照前述的商品处理方法实施例中的步骤S4100～S4400，在此不再赘述。

步骤S7200，分别获取目标数据对象和相似数据对象在历史统计周期内的第一交互数据、以及与在目标统计周期内的第二交互数据关联的第一特征信息。

本发明的一个实施例中，交互数据可以是用户针对对应的数据对象执行交互操作所产生的数据。在一个实施例中，该交互数据可以是销量。

第一特征信息可以是表示数据对象本身的特征的信息。第一特征信息会对数据对象在目标统计周期内的第二交互数据产生影响，即第一特征信息与在目标统计周期内的第二交互数据关联。

获取目标数据对象和相似数据对象在历史统计周期内的第一交互数据、以及与在目标统计周期内的第二交互数据关联的第一特征信息的方式，具体可以参照前述的商品处理方法实施例中的步骤S3100，在此不再赘述。

步骤S7300，根据目标数据对象和相似数据对象在历史统计周期内的所述第一交互数据、与在目标时段内的第二交互数据关联的第一特征信息、以及预设的交互数据与特征信息之间的映射函数，获得目标数据对象在目标统计周期内的第二交互数据。

根据目标数据对象和相似数据对象在历史统计周期内的所述第一交互数据、与在目标时段内的第二交互数据关联的第一特征信息、以及预设的交互数据与特征信息之间的映射函数，获得目标数据对象在目标统计周期内的第二交互数据的方式，具体可以参照前述的商品处理方法实施例中的步骤S3300，在此不再赘述。

步骤S7400，根据第二交互数据调整目标数据对象的数量信息。

根据第二交互数据调整目标数据对象的数量信息的方式，具体可以参照前述的商品处理方法实施例中的步骤S3400，在此不再赘述。

<数据预测方法实施例>

本发明还提供了一种数据预测方法。如图8所示，该数据预测方法可以包括步骤S8100～S8300：

步骤S8100，确定与目标数据对象属于同一对象类型的相似数据对象。

具体可以参照前述的步骤S7100，在此不再赘述。

步骤S8200，分别获取目标数据对象和相似数据对象在历史统计周期内的第一交互数据、以及与在目标统计周期内的第二交互数据关联的第一特征信息。

具体可以参照前述的步骤S7200，在此不再赘述。

步骤S8300，根据目标数据对象和相似数据对象在历史统计周期内的第一交互数据、与在目标统计周期内的第二交互数据关联的第一特征信息、以及预设的交互数据与特征信息之间的映射函数，获得目标数据对象在目标统计周期内的第二交互数据。

具体可以参照前述的步骤S7300，在此不再赘述。

<商品处理装置实施例>

在本实施例中，提供一种商品处理装置7000，如图9所示，包括第一获取模块7100、第二获取模块7200、销量预测模块7300和库存调整模块7400。

上述第一获取模块7100用于获取目标商品在目标统计周期的预测特征向量、目标商品的竞争商品在目标统计周期的预测特征向量、目标商品在目标统计周期的前一统计周期内的销量、以及竞争商品在前一统计周期内的销量；其中，预测特征向量包括对预设的初始特征的向量进行合并得到的特征向量，初始特征包括影响对应商品的销量的特征。

上述第二获取模块7200用于获取目标商品的预测特征向量、竞争商品的预测特征向量、目标商品的销量、竞争商品的销量与目标商品的预测销量间的映射函数。

上述销量预测模块7300用于根据映射函数、目标商品在目标统计周期的预测特征向量、竞争商品在目标统计周期的预测特征向量、目标商品在前一统计周期内的销量、以及竞争商品在前一统计周期内的销量，获得目标商品在目标统计周期内的预测销量。

上述库存调整模块7400用于根据预测销量调整目标商品的库存。

在本发明的一个实施例中，获取在目标统计周期的预测特征向量包括：

获取至少一个初始特征在目标统计周期的特征向量；

对初始特征在目标统计周期的特征向量进行合并处理，得到在目标统计周期的预测特征向量。

在本发明的一个实施例中，初始特征包括商品静态特征、日期类型特征和活动促销特征中的任意一种或多种。

在本发明的一个实施例中，商品处理装置7000还可以包括：

用于获取多个历史统计周期内的用户行为数据的模块；

用于根据用户行为数据，得到浏览目标商品的第一用户集合、购买每一其他商品的第二用户集合的模块；

用于对于每一其他商品，根据第一用户集合和第二用户集合，得到对应其他商品与目标商品的竞争概率的模块；

用于根据竞争概率，从其他商品中选取目标商品的竞争商品的模块。

在本发明的一个实施例中，对于每一其他商品，根据第一用户集合和第二用户集合，得到对应其他商品与目标商品的竞争概率包括：

对于每一其他商品，确定第一用户集合和第二用户集合的交集中的交集用户数量；

对于每一其他商品，确定交集用户数量与第一用户集合中所包含的用户数量的比值，作为竞争概率。

在本发明的一个实施例中，根据竞争概率，从其他商品中选取目标商品的竞争商品包括：

选取竞争概率大于或等于预设的概率阈值的其他商品，作为竞争商品；或者，

根据竞争概率对其他商品进行降序排序，并获取每一其他商品的排序值；

选取排序值在设定范围内的其他商品，作为竞争商品。

在本发明的一个实施例中，该商品处理装置7000还可以包括：

用于获取多个历史统计周期的训练样本，其中，每一训练样本包括目标商品在对应历史统计周期的训练特征向量、竞争商品在对应历史统计周期的训练特征向量、目标商品在对应后一统计周期的预测特征向量、竞争商品在对应后一统计周期的预测特征向量、目标商品在对应历史统计周期的实际销量、竞争商品在对应历史统计周期的实际销量、目标商品在对应后一统计周期的实际销量的模块；其中，训练特征向量包括对预测特征向量和其他特征的特征向量进行合并得到的特征向量，其他特征包括用户行为特征和/或购买记录特征；

用于根据训练样本训练得到映射函数的模块。

在本发明的一个实施例中，训练得到映射函数包括：

以映射函数的待定系数为变量，分别根据每一训练样本，确定目标商品在对应的后一统计周期的预测销量的表达式；

根据每一后一统计周期的预测销量的表达式、以及目标商品在对应后一统计周期的实际销量，构建损失函数；

求解损失函数确定待定系数，完成对映射函数的训练。

在本发明的一个实施例中，映射函数的待定系数包括预设的对应目标商品的目标神经网络的待定系数、预设的对应竞争商品的竞争神经网络的待定系数、预设的残差神经网络的待定系数和预设的标准化待定系数；

确定目标商品在对应历史统计周期的后一统计周期的预测销量的表达式包括：

以目标神经网络的待定系数为变量，分别根据每一训练样本中目标商品在对应历史统计周期的训练特征向量、目标商品在对应后一统计周期的预测特征向量、和目标商品在对应历史统计周期的实际销量，确定目标神经网络在对应后一统计周期的输出状态的表达式；

以标准化待定系数为变量，分别根据目标神经网络在每一后一统计周期的输出状态的表达式，确定目标商品在对应下一历史统计周期的日常销量的表达式；

以竞争神经网络的待定系数为变量，分别根据每一训练样本中竞争商品在对应历史统计周期的训练特征向量、竞争商品在对应后一统计周期的预测特征向量、竞争商品在在对应历史统计周期的实际销量，确定竞争神经网络在对应历史统计周期的输出状态的表达式；

以残差神经网络的待定系数和标准化待定系数为变量，对于每一后一统计周期，分别根据目标商品的预测特征向量、竞争商品的预测特征向量、目标神经网络的输出状态的表达式、和竞争神经网络的输出状态的表达式，确定目标商品在对应下一历史统计周期的残差销量的表达式；

根据目标商品在每一后一统计周期的日常销量的表达式、和在每一后一统计周期的残差销量的表达式，得到目标商品在对应历史统计周期的后一统计周期的预测销量的表达式。

在本发明的一个实施例中，根据每一后一统计周期的预测销量的表达式、以及目标商品在每一后一统计周期的实际销量，构建损失函数之前还包括：

根据目标商品在每一后一统计周期的日常销量的表达式、以及目标商品在每一后一统计周期的实际销量，构建初始的损失函数；

根据初始的损失函数确定目标商品的目标神经网络的待定系数、标准化待定系数。

在本发明的一个实施例中，商品处理装置7000还可以包括：

用于在得到目标商品在目标统计周期内的实际销量和训练特征向量后，将目标商品在目标统计周期内的实际销量、目标商品在前一目标统计周期的训练特征向量、竞争商品在前一统计周期的训练特征向量、目标商品在目标统计周期的预测特征向量、目标商品在目标统计周期的预测特征向量、目标商品在前一统计周期内的销量、竞争商品在前一统计周期的销量，作为新的训练样本的模块；

用于根据新的训练样本修正映射函数的模块。

在本发明的一个实施例中，商品处理装置7000还可以包括：

用于根据目标商品在目标统计周期内的预测销量，获得目标商品在后一统计周期内的预测销量的模块。

在本发明的一个实施例中，根据目标商品在目标统计周期内的预测销量，获得目标商品在后一统计周期内的预测销量可以包括：

根据映射函数、目标商品在目标统计周期的预测特征向量、竞争商品在目标统计周期的预测特征向量、目标商品在前一统计周期内的销量、以及竞争商品在前一统计周期内的销量，得到竞争商品在目标统计周期内的预测销量；

获取目标商品目标统计周期的后一统计周期的预测特征向量、和竞争商品在后一统计周期的预测特征向量；

根据映射函数、目标商品在后一统计周期的预测特征向量、竞争商品在后一统计周期的预测特征向量、目标商品在目标统计周期内的预测销量、以及竞争商品在目标统计周期内的预测销量，获得目标商品在后一统计周期内的预测销。

本领域技术人员应当明白，可以通过各种方式来实现商品处理装置7000。例如，可以通过指令配置处理器来实现商品处理装置7000。例如，可以将指令存储在ROM中，并且当启动设备时，将指令从ROM读取到可编程器件中来实现商品处理装置7000。例如，可以将商品处理装置7000固化到专用器件(例如ASIC)中。可以将商品处理装置7000分成相互独立的单元，或者可以将它们合并在一起实现。商品处理装置7000可以通过上述各种实现方式中的一种来实现，或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。

在本实施例中，商品处理装置7000可以具有多种实现形式，例如，商品处理装置7000可以是任何的提供商品处理服务的软件产品或者应用程序中运行的功能模块，或者是这些软件产品或者应用程序的外设嵌入件、插件、补丁件等，还可以是这些软件产品或者应用程序本身。

<电子设备>

在本实施例中，还提供一种电子设备1000。该电子设备1000可以是图1a所示的服务器1100或如图1b所示的终端设备1200。

在一方面，该电子设备1000可以包括前述的商品处理装置7000，用于实施本发明任意实施例的商品处理方法；或者包括前述的商品处理装置7000，用于实施本发明任意实施例的商品处理方法。

在另一方面，如图10所示，电子设备1000还可以包括处理器1300和存储器1400，该存储器1400用于存储可执行的指令；该处理器1300用于根据指令的控制运行电子设备1000执行根据本发明任意实施例的商品处理方法、数据对象处理方法或者是数据预测方法。

在本实施例中，该电子设备1000可以是手机、平板电脑、掌上电脑、台式机、笔记本电脑、工作站、游戏机等设备。例如，电子设备1000可以是安装有提供显示服务的应用的智能手机。

<计算机可读存储介质>

在本实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器执行时实现如本发明任意实施例的商品处理方法、数据对象处理方法或者是数据预测方法。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分，模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。