一种投放点位贡献度的确定方法、装置及可读存储介质

技术领域

本申请涉及数据处理技术领域，尤其是涉及一种投放点位贡献度的确定方法、装置及可读存储介质。

背景技术

随着互联网技术不断地发展，人们在闲暇的时间里会选择在网络中观看视频，因此，为了达到吸引用户的目的，通常在用户观看视频的过程中设置不同的投放点位来为人们推荐相关的资源。同时，为了能够提高资源的投放效果，通过分析各个投放点位之间关联关系，确定出每个投放点位在整个投放网络中的重要性则变得尤为重要。

目前，通常通过投放点位的贡献值对投放点位的投放效果的进行估计，而想要计算出投放点位的贡献值，需要详细的跟踪每个用户的浏览、点击、下单等记录，然而，为了更好的保护用户的隐私信息，各平台不再获取用户的详细浏览数据，因此，在这种情况下很难准确地计算出个投放点位的贡献值，也就难以准确的对个投放点位的投放效果进行估计。

发明内容

有鉴于此，本申请的目的在于提供一种投放点位贡献度的确定方法、装置及可读存储介质，可以在未获取用户的详情浏览数据的情况下，根据各个投放点位的历史曝光数据，准确地确定出各个投放点位的贡献度，从而，可以进一步的根据各个投放点位的贡献度对投放点位的投放效果进行评估。

本申请实施例提供了一种投放点位贡献度的确定方法，所述确定方法包括：

获取多个投放点位的曝光数据包，其中，所述曝光数据包包括每个投放点位的多组历史曝光数据；

针对于每个投放点位，依次对该投放点位的每组历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量；

基于该投放点位的每组历史曝光数据的曝光特征向量，确定该投放点位的曝光特征矩阵，并基于每个投放点位的曝光特征矩阵，确定所述多个投放点位的整体特征矩阵；

基于每个投放点位的曝光特征矩阵，利用多元高斯回归模型确定每个投放点位的拟合均值参数和拟合方差参数，以及基于所述多个投放点位的整体特征矩阵，利用多元高斯回归模型确定所述多个投放点位的整体均值参数和整体方差参数；

针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值。

进一步的，所述针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值，包括：

针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，计算该投放点位与所述多个投放点位之间的高斯拟合距离；

对所述高斯拟合距离进行归一化处理，得到该投放点位的贡献值。

进一步的，在所述针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值之后，所述确定方法还包括：

按照每个投放点位的贡献值，降序排列所述多个投放点位；

将顺序位于前预设数量的投放点位推荐给待投放人员。

进一步的，所述历史曝光数据包括投放点位的曝光点位标识、投放点位所属曝光媒体、投放点位所属曝光设备、投放点位所属曝光地域、投放点位的曝光位点以及每个投放点位通过位于每个曝光地域的每个曝光设备在每个曝光媒体中按照曝光位点的形式的曝光数量。

进一步的，通过以下公式计算所述高斯拟合距离：

其中，S

本申请实施例还提供了一种投放点位贡献度的确定装置，所述确定装置包括：

数据获取模块，用于获取多个投放点位的曝光数据包，其中，所述曝光数据包包括每个投放点位的多组历史曝光数据；

编码模块，用于针对于每个投放点位，依次对该投放点位的每组历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量；

矩阵确定模块，用于基于该投放点位的每组历史曝光数据的曝光特征向量，确定该投放点位的曝光特征矩阵，并基于每个投放点位的曝光特征矩阵，确定所述多个投放点位的整体特征矩阵；

参数计算模块，用于基于每个投放点位的曝光特征矩阵，利用多元高斯回归模型确定每个投放点位的拟合均值参数和拟合方差参数，以及基于所述多个投放点位的整体特征矩阵，利用多元高斯回归模型确定所述多个投放点位的整体均值参数和整体方差参数；

贡献值计算模块，用于针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值。

进一步的，所述贡献值计算模块在用于针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值时，所述贡献值计算模块用于：

针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，计算该投放点位与所述多个投放点位之间的高斯拟合距离；

对所述高斯拟合距离进行归一化处理，得到该投放点位的贡献值。

进一步的，所述确定装置还包括点位推荐模块，所述点位推荐模块用于：

按照每个投放点位的贡献值，降序排列所述多个投放点位；

将顺序位于前预设数量的投放点位推荐给待投放人员。

进一步的，所述历史曝光数据包括投放点位的曝光点位标识、投放点位所属曝光媒体、投放点位所属曝光设备、投放点位所属曝光地域、投放点位的曝光位点以及每个投放点位通过位于每个曝光地域的每个曝光设备在每个曝光媒体中按照曝光位点的形式的曝光数量。

进一步的，所述贡献值计算模块用于通过以下公式计算所述高斯拟合距离：

其中，S

本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的投放点位贡献度的确定方法的步骤。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的投放点位贡献度的确定方法的步骤。

本申请实施例提供的一种投放点位贡献度的确定方法、装置及可读存储介质，获取多个投放点位的曝光数据包，其中，所述曝光数据包包括每个投放点位的多组历史曝光数据；针对于每个投放点位，依次对该投放点位的每组历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量；基于该投放点位的每组历史曝光数据的曝光特征向量，确定该投放点位的曝光特征矩阵，并基于每个投放点位的曝光特征矩阵，确定所述多个投放点位的整体特征矩阵；基于每个投放点位的曝光特征矩阵，利用多元高斯回归模型确定每个投放点位的拟合均值参数和拟合方差参数，以及基于所述多个投放点位的整体特征矩阵，利用多元高斯回归模型确定所述多个投放点位的整体均值参数和整体方差参数；针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值。这样，可以在未获取用户的详情浏览数据的情况下，根据各个投放点位的历史曝光数据，准确地确定出各个投放点位的贡献度，从而，可以进一步的根据各个投放点位的贡献度对投放点位的投放效果进行评估。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1为本申请实施例所提供的一种投放点位贡献度的确定方法的流程示意图；

图2为本申请实施例所提供的另一种投放点位贡献度的确定方法的流程示意图；

图3为本申请实施例所提供的一种投放点位贡献度的确定装置的结构示意图之一；

图4为本申请实施例所提供的一种投放点位贡献度的确定装置的结构示意图之二；

图5为本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

经研究发现，通常通过投放点位的贡献值对投放点位的投放效果的进行估计，而想要计算出投放点位的贡献值，需要详细的跟踪每个用户的浏览、点击、下单等记录，然而，为了更好的保护用户的隐私信息，各平台不再获取用户的详细浏览数据，因此，在这种情况下很难准确地计算出个投放点位的贡献值，也就难以准确的对个投放点位的投放效果进行估计。

目前有三种常用的贡献值的计算方法。第一种，是基于A/B测试的方法，该方法的优势是实施简单，速度快；但是该方法最大的问题在于不能同时进行多点归因；第二种，是常用的基于时间序列的多归因算法，该类型方法有点是能够同时测量多个点位的贡献，但是需要非常详细的用户的浏览详情信息；第三种，是基于混合模型的归因方法，这种方法打开了营销投资输入与销量输出的“黑匣子”，但它的问题在于不够敏捷，也不够细节。

基于此，本申请实施例提供了一种投放点位贡献度的确定方法，准确地确定出各个投放点位的贡献度，从而，可以进一步的根据各个投放点位的贡献度对投放点位的投放效果进行评估。

请参阅图1，图1为本申请实施例所提供的一种投放点位贡献度的确定方法的流程图。如图1中所示，本申请实施例提供的投放点位贡献度的确定方法，包括：

S101、获取多个投放点位的曝光数据包，其中，所述曝光数据包包括每个投放点位的多组历史曝光数据。

S102、针对于每个投放点位，依次对该投放点位的每组历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量。

S103、基于该投放点位的每组历史曝光数据的曝光特征向量，确定该投放点位的曝光特征矩阵，并基于每个投放点位的曝光特征矩阵，确定所述多个投放点位的整体特征矩阵。

S104、基于每个投放点位的曝光特征矩阵，利用多元高斯回归模型确定每个投放点位的拟合均值参数和拟合方差参数，以及基于所述多个投放点位的整体特征矩阵，利用多元高斯回归模型确定所述多个投放点位的整体均值参数和整体方差参数。

S105、针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值。

这里，贡献值是指每个投放点位对整体转化率

通常情况下需通过如下公式来确定投放点位的贡献值：

其中，

转化率是指转化人数占总人数的百分比，转化人数是指在观看了投放点位的播放内容后通过点击播放内容或播放内容中的控件跳转至相应页面的用户的数量。

这里，由于在不获取用户的浏览详情的情况下，并不能够准确的得知转化人数，所以，并不能够获知每个投放点位的转化率，例如，一个投放点位的转化次数为10次，由于未获取用户的浏览详情，并不能够知道这10次转化的1个人还是10个人，因此，在不获取用户的浏览详情的情况下，通过此种方式并不能够计算得到投放点位的转化率。

因此，在步骤S101中，为了能够计算每个投放点位的贡献值，获取了多个投放点位的曝光数据包，这里，曝光数据包中包括每个投放点位的多组历史曝光数据；具体的，每组历史曝光数据中包括投放点位的曝光点位标识、投放点位所属曝光媒体、投放点位所属曝光设备、投放点位所属曝光地域、投放点位的曝光位点以及每个投放点位通过位于每个曝光地域的每个曝光设备在每个曝光媒体中按照曝光位点的形式的曝光数量。

曝光点位标识（tpid）是指预先为每个投放点位所设置的标识，用于表示该投放点位。

投放点位所属曝光媒体（media）是指投放点位所投放的媒体介质，例如，某APP等。

投放点位所属曝光设备（device）是指投放点位中的播放内容曝光时用户所使用的设备，例如、电视、手机、平板电脑等。

投放点位所属曝光地域（market）是指投放点位中的播放内容曝光时用户所处的地域，例如，北京、上海等。

投放点位的曝光位点（action）是指投放点位中得播放内容的曝光形式，例如，开屏、暂停等。

投放点位的曝光数量（imp）是指在曝光地域、曝光设备、曝光媒体以及曝光位点限制下的曝光数量，具体说来，是指每个投放点位所播放的内容在同一曝光地域下使用相同类型的曝光设备，且在同一曝光媒体中以相同的曝光位点的形式曝光的曝光数量，例如，投放点位1的播放内容1在北京通过平板电脑在媒体1中以开屏的形式曝光了24次。

在步骤S102中，在获取到每个投放点位的多组历史曝光数据之后，针对于每组历史曝光数据，采用one-hot编码方式，对该组中的历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量，具体的，采用one-hot编码方式对历史曝光数据中的曝光点位标识、曝光地域、曝光设备、曝光媒体以及曝光位点进行编码。

这里，在编码前是以编号的形式表示曝光点位标识、曝光地域、曝光设备、曝光媒体以及曝光位点，例如，投放点位1的曝光点位标识所对应的预设编号为467、曝光媒体1的预设编号为467、北京的预设编号为1001、平板电脑的预设编号为1、开屏的预设编号为531211，所以，上述历史曝光信息实际上并未为数值的形式无法直接构成特征向量，因此，要先对其进行编码后再构建特征向量；而与上述历史曝光数据不同的是，对于历史曝光数据中的曝光数量其已经具体的指示了实际的数值，因此，无需对其进行编码则可用其构建特征向量。

需要说明的是，虽然，曝光点位标识与曝光媒体的预设编号是相同的，但是，实际上两者所表征的意义并不一样。

如表1所示，表1为曝光数据包中历史曝光数据示意表。

表1 曝光数据包中历史曝光数据示意表

因此，在将曝光点位标识、曝光地域、曝光设备、曝光媒体以及曝光位点编码后结合曝光数量，构建历史曝光数据的曝光特征向量。

在步骤S103中，针对于每个投放点位，拼接该投放点位的基于每组历史曝光数据所构建的曝光特征向量，确定该投放点位的曝光特征矩阵

在步骤S104中，针对于一个投放点位，基于该投放点位的曝光矩阵，利用多元高斯回归模型确定该投放点位的拟合均值参数和拟合方差参数；在计算投放点位的拟合均值参数和拟合方差参数时，多元高斯模型表示如下：

其中，

在计算多个投放点位的整体均值参数和整体方差参数时，通过多个投放位点的整体特征矩阵，利用多元高斯模型来确定多个投放点位整体上的整体均值参数和整体方差参数，在计算多个投放点位整体上的整体均值参数和整体方差参数时，多元高斯模型表示如下：

其中，

在一种实施方式中，步骤S105包括：针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，计算该投放点位与所述多个投放点位之间的高斯拟合距离。对所述高斯拟合距离进行归一化处理，得到该投放点位的贡献值。

这里，在计算每个投放点位的贡献值时，首先，针对于每个投放点位，基于多个投放点位整体上的整体均值参数和整体方差参数，以及该投放点位的拟合均值参数和拟合方差参数，来计算该投放点位与多个投放点位整体上的高斯拟合距离。

具体的，通过以下公式计算所述高斯拟合距离：

其中，S

然后，对得到的S

具体的，通过以下公式对得到的高斯拟合距离进行归一化处理，得到该投放点位的贡献值：

其中，

在一种实施方式中，在使用多元高斯模型计算每个投放点位的拟合均值参数和拟合方差参数，或多个投放点位的整体均值参数和整体方差参数之前，可以使用训练样本数据对多元高斯回归模型进行训练及验证；具体的：

步骤a：获取多个训练投放样本的样本曝光数据，其中，所述样本曝光数据中包括每个训练投放样本的多组样本曝光数据，以及每个训练投放样本的训练贡献标签；

步骤b：确定每个训练投放样本的样本特征矩阵，以及多个训练投放样本整体上的整体样本矩阵；

步骤c：将每个训练投放样本的样本特征矩阵以及多个训练投放样本的整体样本矩阵作为输入特征，将每个训练投放样本的训练贡献标签作为输出特征，训练待训练多元高斯回归模型；

步骤d：获取多个验证投放样本的验证曝光数据，以及每个验证投放样本的验证贡献标签；

步骤e：通过多元高斯回归模型确定每个验证投放样本的预测贡献值；

步骤f：基于每个验证投放样本的验证贡献标签以及预测贡献值，确定训练后的多元高斯回归模型的损失值，当损失值大于预设阈值，或损失值的变化率小于预设阈值时，确定多元高斯回归模型训练完成。

通过以下公式计算损失值：

其中，R

在一种实施方式中，如图2所示，图2为本申请实施例所提供的另一种投放点位贡献度的确定方法的流程示意图。如图2所示，本申请实施例提供的投放点位贡献度的确定方法，包括：

步骤S201、获取多个投放点位的曝光数据包，其中，所述曝光数据包包括每个投放点位的多组历史曝光数据。

步骤S202、针对于每个投放点位，依次对该投放点位的每组历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量。

步骤S203、基于该投放点位的每组历史曝光数据的曝光特征向量，确定该投放点位的曝光特征矩阵，并基于每个投放点位的曝光特征矩阵，确定所述多个投放点位的整体特征矩阵。

步骤S204、基于每个投放点位的曝光特征矩阵，利用多元高斯回归模型确定每个投放点位的拟合均值参数和拟合方差参数，以及基于所述多个投放点位的整体特征矩阵，利用多元高斯回归模型确定所述多个投放点位的整体均值参数和整体方差参数。

步骤S205、针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值。

步骤S206、按照每个投放点位的贡献值，降序排列所述多个投放点位。

步骤S207、将顺序位于前预设数量的投放点位推荐给待投放人员。

这里，在确定出每个投放点位的贡献值之后，按照各个投放点位的贡献值，降序排列多个投放点位，从而，将顺序位于前预设数量的投放点位推荐给待投放人员，以使待投放人员可以将内容投放至投放效果较好，即贡献值较高的投放点位中，进而，得到更高的投放回报率。

本申请实施例提供的一种投放点位贡献度的确定方法，获取多个投放点位的曝光数据包，其中，所述曝光数据包包括每个投放点位的多组历史曝光数据；针对于每个投放点位，依次对该投放点位的每组历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量；基于该投放点位的每组历史曝光数据的曝光特征向量，确定该投放点位的曝光特征矩阵，并基于每个投放点位的曝光特征矩阵，确定所述多个投放点位的整体特征矩阵；基于每个投放点位的曝光特征矩阵，利用多元高斯回归模型确定每个投放点位的拟合均值参数和拟合方差参数，以及基于所述多个投放点位的整体特征矩阵，利用多元高斯回归模型确定所述多个投放点位的整体均值参数和整体方差参数；针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值。这样，可以在未获取用户的详情浏览数据的情况下，根据各个投放点位的历史曝光数据，准确地确定出各个投放点位的贡献度，从而，可以进一步的根据各个投放点位的贡献度对投放点位的投放效果进行评估。

请参阅图3、图4，图3为本申请实施例所提供的一种投放点位贡献度的确定装置的结构示意图之一，图4为本申请实施例所提供的一种投放点位贡献度的确定装置的结构示意图之二。如图3中所示，所述确定装置300包括：

数据获取模块310，用于获取多个投放点位的曝光数据包，其中，所述曝光数据包包括每个投放点位的多组历史曝光数据；

编码模块320，用于针对于每个投放点位，依次对该投放点位的每组历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量；

矩阵确定模块330，用于基于该投放点位的每组历史曝光数据的曝光特征向量，确定该投放点位的曝光特征矩阵，并基于每个投放点位的曝光特征矩阵，确定所述多个投放点位的整体特征矩阵；

参数计算模块340，用于基于每个投放点位的曝光特征矩阵，利用多元高斯回归模型确定每个投放点位的拟合均值参数和拟合方差参数，以及基于所述多个投放点位的整体特征矩阵，利用多元高斯回归模型确定所述多个投放点位的整体均值参数和整体方差参数；

贡献值计算模块350，用于针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值。

进一步的，如图4所示，所述确定装置300还包括点位推荐模块360，所述点位推荐模块360用于：

按照每个投放点位的贡献值，降序排列所述多个投放点位；

将顺序位于前预设数量的投放点位推荐给待投放人员。

进一步的，所述贡献值计算模块350在用于针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值时，所述贡献值计算模块350用于：

针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，计算该投放点位与所述多个投放点位之间的高斯拟合距离；

对所述高斯拟合距离进行归一化处理，得到该投放点位的贡献值。

进一步的，所述历史曝光数据包括投放点位的曝光点位标识、投放点位所属曝光媒体、投放点位所属曝光设备、投放点位所属曝光地域、投放点位的曝光位点以及每个投放点位通过位于每个曝光地域的每个曝光设备在每个曝光媒体中按照曝光位点的形式的曝光数量。

进一步的，所述贡献值计算模块350用于通过以下公式计算所述高斯拟合距离：

其中，S

本申请实施例提供的一种投放点位贡献度的确定装置，获取多个投放点位的曝光数据包，其中，所述曝光数据包包括每个投放点位的多组历史曝光数据；针对于每个投放点位，依次对该投放点位的每组历史曝光数据进行编码，得到每组历史曝光数据的曝光特征向量；基于该投放点位的每组历史曝光数据的曝光特征向量，确定该投放点位的曝光特征矩阵，并基于每个投放点位的曝光特征矩阵，确定所述多个投放点位的整体特征矩阵；基于每个投放点位的曝光特征矩阵，利用多元高斯回归模型确定每个投放点位的拟合均值参数和拟合方差参数，以及基于所述多个投放点位的整体特征矩阵，利用多元高斯回归模型确定所述多个投放点位的整体均值参数和整体方差参数；针对于每个投放点位，基于所述整体均值参数、所述整体方差参数、该投放点位的拟合均值参数和拟合方差参数，确定该投放点位的贡献值。这样，可以在未获取用户的详情浏览数据的情况下，根据各个投放点位的历史曝光数据，准确地确定出各个投放点位的贡献度，从而，可以进一步的根据各个投放点位的贡献度对投放点位的投放效果进行评估。

请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。

所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1以及图2所示方法实施例中的投放点位贡献度的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的投放点位贡献度的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。