基于用户数据的物品推荐方法、装置、设备及存储介质

技术领域

本申请实施例涉及互联网技术领域，尤其涉及一种基于用户数据的物品推荐方法、装置、设备及存储介质。

背景技术

随着互联网技术的不断发展，线上消费行为越来越普及。但是，线上消费始终无法完全取代线下消费，因此，生活中逐渐兴起了一种无人店铺，用户进入该无人店铺后，可以基于自己的需求选购合适的物品。

现有技术中，在线下店铺内主要靠店员进行物品推荐，但是对于无人店铺，由于没有店员，若用户对店铺内物品的摆放位置不清楚，则需要自己按照一定的顺序寻找目标物品。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：无人店铺中由于没有店员的导引，可能存在需要耗费大量时间寻找目标物品的问题，而且用户可能无法及时获取到一些物品的活动信息，导致用户的选购效率低、选购体验差的问题。

发明内容

本申请实施例提供一种基于用户数据的物品推荐方法、装置、设备及存储介质，用以解决现有无人店铺中存在的用户选购效率低、选购体验差的问题。

根据本申请的第一方面，本申请实施例提供一种基于用户数据的物品推荐方法，应用于电子设备，所述方法包括：

获取进入目标区域的用户身份信息，所述目标区域中的物品由所述电子设备进行管理；

查询预先构建的用户画像系统，确定所述用户身份信息对应目标用户的至少一个行为偏好标签数据，所述用户画像系统中存储有各个用户的属性信息、各个用户的历史行为信息；

根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定目标推荐物品列表；

向所述目标用户的终端设备推送所述目标推荐物品列表中各个物品的信息。

在第一方面的一种可能设计中，所述查询预先构建的用户画像系统，确定所述用户身份信息对应目标用户的至少一个行为偏好标签数据，包括：

根据所述用户身份信息，查询所述用户画像系统，获取所述目标用户的历史行为信息；

根据所述目标用户的历史行为信息和预置的用户画像标签列表，确定所述目标用户具有的至少一个行为标签；

基于词频-逆文本频率TF-IDF算法，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签，N为大于或等于1的整数；

将所述N个候选行为标签中与所述目标区域内物品非相关的候选行为标签剔除掉，得到所述目标用户的至少一个行为偏好标签数据。

可选的，所述根据所述目标用户的历史行为信息和预置的用户画像标签列表，确定所述目标用户具有的至少一个行为标签，包括：

对所述历史行为信息进行处理，确定所述目标用户所操作的所有物品；

根据预置的用户画像标签列表和所述目标用户所操作的所有物品，确定所述目标用户具有的至少一个行为标签。

可选的，所述基于词频-逆文本频率TF-IDF算法，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签，包括：

对所述目标用户所操作的所有物品进行分析，确定所述目标用户具有的行为标签总数量和每个行为标签的出现次数；

根据所述目标用户具有的行为标签总数量和每个行为标签的出现次数，确定每个行为标签的词频；

根据所述用户画像系统中的用户总数量和携带每个行为标签的用户数量，确定每个行为标签的逆向文件频率；

根据每个行为标签的词频和每个行为标签的逆向文件频率，确定每个行为标签的权重值；

根据每个行为标签的权重值，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签。

在第一方面的另一种可能设计中，所述根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定目标推荐物品列表，包括：

根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类；

针对每个偏好品类，获取所述偏好品类下各个物品在预设时间段内的特征信息；

根据所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度，得到所述偏好品类下各个物品的推荐度值；

根据每个偏好品类下各个物品的推荐度值的大小，确定所述目标用户的所述目标推荐物品列表。

可选的，所述根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类，包括：

根据标签和品类之间的预置关联关系，确定所述至少一个行为偏好标签数据对应的各个物品品类；

根据所述至少一个行为偏好标签数据对应的各个物品品类和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类。

可选的，所述根据所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度，得到所述偏好品类下各个物品的推荐度值，包括：

确定所述偏好品类对应的推荐度模型；

将所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度输入到所述偏好品类对应的推荐度模型中，得到所述偏好品类下各个物品的推荐度值。

可选的，在所述确定所述偏好品类对应的推荐度模型之前，所述方法还包括：

针对所述目标区域中每个品类，获取目标时间段内所述品类中各个物品的特征信息和目标用户群体中各个用户对各个物品的关注度信息；

将所述品类中各个物品的特征信息和目标用户群体中各个用户对各个物品的关注度信息，输入到预先构建的逻辑回归函数中，得到所述逻辑回归函数中各个变量的权重值；

将所述逻辑回归函数中各个变量的权重值代入到所述逻辑回归函数中，得到所述品类对应的推荐度模型。

在第一方面的再一种可能设计中，所述方法还包括：

获取所述目标用户的下单信息；

根据所述下单信息中的物品信息，更新所述用户画像系统中所述目标用户的历史行为信息。

根据本申请的第二方面，本申请实施例提供一种基于用户数据的物品推荐装置，包括：

获取模块，用于获取进入目标区域的用户身份信息，所述目标区域中的物品由所述基于用户数据的物品推荐装置进行管理；

查询模块，用于查询预先构建的用户画像系统，确定所述用户身份信息对应目标用户的至少一个行为偏好标签数据，所述用户画像系统中存储有各个用户的属性信息、各个用户的历史行为信息；

处理模块，用于根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定目标推荐物品列表；

推送模块，用于向所述目标用户的终端设备推送所述目标推荐物品列表中各个物品的信息。

在第二方面的一种可能设计中，所述查询模块，具体用于：

根据所述用户身份信息，查询所述用户画像系统，获取所述目标用户的历史行为信息；

根据所述目标用户的历史行为信息和预置的用户画像标签列表，确定所述目标用户具有的至少一个行为标签；

基于词频-逆文本频率TF-IDF算法，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签，N为大于或等于1的整数；

将所述N个候选行为标签中与所述目标区域内物品非相关的候选行为标签剔除掉，得到所述目标用户的至少一个行为偏好标签数据。

可选的，所述查询模块，用于根据所述目标用户的历史行为信息和预置的用户画像标签列表，确定所述目标用户具有的至少一个行为标签，具体为：

所述查询模块，具体用于：

对所述历史行为信息进行处理，确定所述目标用户所操作的所有物品；

根据预置的用户画像标签列表和所述目标用户所操作的所有物品，确定所述目标用户具有的至少一个行为标签。

可选的，所述查询模块，用于基于词频-逆文本频率TF-IDF算法，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签，具体为：

所述查询模块，具体用于：

对所述目标用户所操作的所有物品进行分析，确定所述目标用户具有的行为标签总数量和每个行为标签的出现次数；

根据所述目标用户具有的行为标签总数量和每个行为标签的出现次数，确定每个行为标签的词频；

根据所述用户画像系统中的用户总数量和携带每个行为标签的用户数量，确定每个行为标签的逆向文件频率；

根据每个行为标签的词频和每个行为标签的逆向文件频率，确定每个行为标签的权重值；

根据每个行为标签的权重值，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签。

在第二方面的另一种可能设计中，所述处理模块，具体用于：

根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类；

针对每个偏好品类，获取所述偏好品类下各个物品在预设时间段内的特征信息；

根据所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度，得到所述偏好品类下各个物品的推荐度值；

根据每个偏好品类下各个物品的推荐度值的大小，确定所述目标用户的所述目标推荐物品列表。

可选的，所述处理模块，用于根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类，具体为：

所述处理模块，具体用于：

根据标签和品类之间的预置关联关系，确定所述至少一个行为偏好标签数据对应的各个物品品类；

根据所述至少一个行为偏好标签数据对应的各个物品品类和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类。

可选的，所述处理模块，用于根据所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度，得到所述偏好品类下各个物品的推荐度值，具体为：

所述处理模块，具体用于：

确定所述偏好品类对应的推荐度模型；

将所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度输入到所述偏好品类对应的推荐度模型中，得到所述偏好品类下各个物品的推荐度值。

可选的，所述处理模块，还用于：

针对所述目标区域中每个品类，获取目标时间段内所述品类中各个物品的特征信息和目标用户群体中各个用户对各个物品的关注度信息；

将所述品类中各个物品的特征信息和目标用户群体中各个用户对各个物品的关注度信息，输入到预先构建的逻辑回归函数中，得到所述逻辑回归函数中各个变量的权重值；

将所述逻辑回归函数中各个变量的权重值代入到所述逻辑回归函数中，得到所述品类对应的推荐度模型。

在第二方面的一种可能设计中，所述获取模块，还用于获取所述目标用户的下单信息；

所述处理模块，还用于根据所述下单信息中的物品信息，更新所述用户画像系统中所述目标用户的历史行为信息。

根据本申请的第三方面，本申请实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面以及各可能设计所述的方法。

根据本申请的第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述第一方面以及各可能设计所述的方法。

根据本申请的第五方面，本申请实施例提供一种计算机程序产品，包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

本申请实施例提供的基于用户数据的物品推荐方法、装置、设备及存储介质，通过获取进入目标区域的用户身份信息，查询预先构建的用户画像系统，确定用户身份信息对应目标用户的至少一个行为偏好标签数据，该用户画像系统中存储有各个用户的属性信息、各个用户的历史行为信息，根据至少一个行为偏好标签数据和目标区域内各物品的信息，确定目标推荐物品列表，并向目标用户的终端设备推送目标推荐物品列表中各个物品的信息。该技术方案，目标区域内的物品由电子设备管理，该电子设备可以将线下目标区域场景与线上用户画像系统进行联合，使得用户能够及时了解目标区域内的物品摆放情况以及物品的活动信息，提高了用户的选购效率和选购体验。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本申请实施例提供的基于用户数据的物品推荐方法的应用场景示意图；

图2为本申请提供的基于用户数据的物品推荐方法实施例一的流程示意图；

图3为本申请提供的基于用户数据的物品推荐方法实施例二的流程示意图；

图4为本申请提供的基于用户数据的物品推荐方法实施例三的流程示意图；

图5为某些标签数据与目标区域中的某些品类的关联关系示意图；

图6为本申请提供的基于用户数据的物品推荐方法实施例四的流程示意图；

图7为本申请提供的基于用户数据的物品推荐装置实施例的结构示意图；

图8为本申请提供的电子设备实施例的结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

首先对本申请实施例所涉及的名词进行解释：

用户画像系统

用户画像系统是一个以用户为分析对象，通过各种方法对用户信息进行处理，进而描述用户行为信息和属性特征的系统，其可以为分析人员提供全面、准确并具有指导意义的信息，从而优化运营的策略。

在实际应用中，用户画像的呈现主要包括：用户静态画像、用户行为画像、结合用户静态和动态行为画像。其中，用户静态画像的数据来源主要是用户填写或通过一定算法计算出来；用户行为画像主要是用户行为产生的数据，例如，注册、浏览、点击、购买、签收、评价、收藏、关注等行为数据。

在电商领域中，电商平台中的高质量、多维度数据，记录着用户大量的网络行为，用户画像就是对这些数据进行分析而得到的用户基本属性、购买能力、行为特征、社交网络、心理特征和兴趣爱好等方面的标签模型，从而指导并驱动业务场景和运营，发现和把握在海量用户中的巨大商机。

下述首先对本申请实施例的应用场景进行解释说明

无人店铺指店铺内所有或部分经营流程，通过技术手段进行智能化自动化处理，且降低或不存在人工干预。这意味着在店内不再存在导购、收银、安保等从业者的分工合作，因而，在实际应用中，可能存在由于用户对店铺内的物品摆放位置不清楚，耗费用户大量时间寻找目标物品的问题，同时也无法及时获取到一些物品的活动信息，导致用户的选购效率低、选购体验差的问题。

针对该问题，本申请实施例的技术构思过程如下：发明人在实践中发现，面对线上店铺的用户操作行为，主要是基于用户画像系统进行物品推荐，具体的，通过对用户线上的购买行为及用户信息进行分析，可以得到用户的行为标签，以此来推荐物品。在此基础上，发明人发现如果可以将基于用户数据(用户画像系统)的物品推荐方法应用到线下的无人店铺场景，则能够提高用户的选购效率，进而提高选购体验。

进一步的，通过将基于用户数据(用户画像系统)的物品推荐方法应用到线下的有人店铺场景，也可以降低店铺内店员的工作量，提高用户的选购效率，进而提高选购体验。可理解，本申请实施例中的物品主要是能够售卖的物品。

基于上述技术构思过程，本申请实施例提供了一种基于用户数据的物品推荐方法，通过获取进入目标区域的用户身份信息，查询预先构建的用户画像系统，确定用户身份信息对应目标用户的至少一个行为偏好标签数据，该用户画像系统中存储有各个用户的属性信息、各个用户的历史行为信息，再根据至少一个行为偏好标签数据和目标区域内各物品的信息，确定目标推荐物品列表，最后向目标用户的终端设备推送目标推荐物品列表中各个物品的信息。可选的，该目标区域中的物品由电子设备进行管理。因而，该技术方案将线下目标区域场景与线上用户画像系统进行联合，能够通过对用户线上的操作行为进行分析来规划活动方案，还可以通过分析目标区域服务范围内的用户线下购买行为，将线上活动与线下活动进行联动，使物品推荐信息可以更为精准的在用户进入目标区域时被推送，使得用户能够及时了解目标区域内的物品摆放情况以及物品的活动信息。

示例性的，图1为本申请实施例提供的基于用户数据的物品推荐方法的应用场景示意图。如图1所示，该应用场景中可以包括：目标区域11、该目标区域11出入口110处设置的信息采集设备111、与该信息采集设备111进行通信的信息处理设备12，以及与该信息处理设备12进行通信的数据存储设备13。其中，该信息处理设备12具有用于存储用户身份信息的数据库，该数据存储设备13中存储有用户画像系统，该用户画像系统中存储有各个已注册用户的属性信息、各个用户的历史行为信息。

可选的，该目标区域11可以是线下无人店铺所在的区域，也可以是线下有人店铺所在的区域，本申请实施例并不对该目标区域的具体实现进行限定，其可以根据实际需求确定，此处不作赘述。

在本申请的实施例中，当用户进入目标区域11时，该信息采集设备111首先会采集该用户的身份信息，然后将其传输至信息处理设备12，该信息处理设备12通过查询自身的数据库，能够确定出该用户是否为已注册用户，在该用户为已注册用户时，则可以调用数据存储设备13的用户画像系统，确定出该用户的至少一个行为偏好标签数据，然后再结合目标区域11内的物品信息，确定出目标推荐物品列表，最后向该用户的终端设备推送目标推荐物品列表中各个物品的信息，使得该用户能够及时了解目标区域内的物品摆放信息和活动信息，提高了用户的选购体验。

需要说明的是，附图1仅是本申请实施例提供的一种应用场景的示意图，本申请实施例不对图1中包括的设备进行限定，也不对图1中设备之间的位置关系进行限定，例如，在图1中，数据存储设备13相对于信息处理设备12可以是外部存储器，在其它情况下，也可以将数据存储设备13置于信息处理设备12中，本申请实施例并不对其进行限定。

在本申请的实施例中，上述的信息处理设备12既可以通过终端设备实现，也可以通过服务器实现，只要是能够执行本申请所提供的基于用户数据的物品推荐方法对应计算机程序的设备均可以实现，此处不对其进行限定。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图2为本申请提供的基于用户数据的物品推荐方法实施例一的流程示意图。如图2所示，该基于用户数据的物品推荐方法可以包括如下步骤：

S201、获取进入目标区域的用户身份信息，其中，该目标区域中的物品由电子设备进行管理。

在本申请的实施例中，为了识别进入目标区域的用户身份，目标区域的出入口处可以设置有信息采集设备。示例性的，对于线下的无人超市等无人店铺，通常在无人店铺的出入口设置有信息采集设备，例如，摄像头等人脸采集设备，扫码仪等信息采集设备，其均可以采集进入无人店铺的用户的身份信息。

下述以目标区域为无人店铺进行解释说明，对于有人店铺场景的具体实现类似，此处不作限定。

示例性的，当无人店铺的入口设置有摄像头等人脸采集设备时，该人脸采集设备可以对进入无人店铺的线下用户进行图像采集，通过人脸检测技术，对摄像头采集的视频数据检测定位出人脸区域，通过该人脸区域进行分析确定出用户面部信息，进而查询已知的数据库，确定出该用户面部信息对应目标用户的用户身份信息。

示例性的，无人店铺的出入口处还可以设置例如扫描仪等信息采集设备，对于线上和线下均具有店铺的电商企业，用户还可以采用线上注册的账号作为进入无人店铺的身份信息，即将线上注册的账号输入到扫描仪，从而使得信息处理设备可以采集到进入无人店铺的用户的身份信息。

可以理解的是，在本申请的实施例中，若用户在数据库中注册过，则在用户进入无人店铺时，通过查询数据库便可以确定出用户身份信息。可选的，用户身份信息可以利用个人识别码(personal identification number，PIN)表示，因而，下述用户画像系统中的用户信息是以PIN和用户标签表示的。

可选的，在本申请的实施例中，当在数据库中无法搜索到用户身份信息时，则需要基于预置的引导注册策略引导用户进行身份信息注册，并收集该用户身份信息对应目标用户的线上和/或线下的物品操作行为信息。

S202、查询预先构建的用户画像系统，确定该用户身份信息对应目标用户的至少一个行为偏好标签数据。

其中，用户画像系统中存储有各个用户的属性信息、各个用户的历史行为信息。

示例性的，在本申请的实施例中，用户画像系统是通过对各用户的属性信息、历史行为信息进行分析而构建的系统，因而，用户画像系统中每个用户的画像信息对应至少一个用户标签，因而，根据获取到的用户身份信息，在预先构建的用户画像系统中查询，能够得到该用户身份信息对应目标用户的至少一个行为偏好标签数据，其为后续匹配出该无人店铺内可以推送给该目标用户的目标物品推荐列表奠定了基础。

可选的，行为偏好标签数据是用来表征目标用户行为爱好的数据，基于该行为偏好标签数据能够在众多的物品中确定出目标用户感兴趣的物品，进而有针对性的进行物品推荐。

S203、根据至少一个行为偏好标签数据和目标区域内各物品的信息，确定目标推荐物品列表。

示例性的，在本申请的实施例中，对于无人店铺的应用场景，信息处理设备确定出目标用户的至少一个行为偏好标签数据后，还需要结合无人店铺中摆放有哪些物品以及各物品的价格或活动信息等确定出用户最有可能下单的目标推荐物品列表。

例如，用户的每个行为偏好标签数据可能对应于不同的物品类别(品类)，而且，通常情况下用户会选择性价高、用户评价好的物品，所以，同一品类下不同的物品也有不同的推荐度，所以，本实施例中确定目标推荐物品列表也就是确定出推荐度排序在最前的多个物品的过程。

S204、向目标用户的终端设备推送目标推荐物品列表中各个物品的信息。

可选的，为了使得进入无人店铺的用户均能够获知一些物品的信息，信息处理设备可以将为每个目标用户确定的目标推荐物品列表中的每个物品的信息通过通知消息或短信的形式推送到目标用户的终端设备，以便目标用户在及时了解物品摆放位置等信息的基础上，能够获知一些物品的活动信息，其可以为目标用户提供指导信息。

示例性的，向目标用户推送的目标推荐物品列表中各个物品的信息可以包括但不局限于包括货架位置，价格，物品详情页，优惠活动等信息，关于物品信息的具体体现形式可以根据实际场景确定，此处不作赘述。

本申请实施例提供的基于用户数据的物品推荐方法，通过获取进入目标区域的用户身份信息，查询预先构建的用户画像系统，确定用户身份信息对应目标用户的至少一个行为偏好标签数据，该用户画像系统中存储有各个用户的属性信息、各个用户的历史行为信息，根据至少一个行为偏好标签数据和目标区域内各物品的信息，确定目标推荐物品列表，并向目标用户的终端设备推送目标推荐物品列表中各个物品的信息。该技术方案将线下目标区域场景与线上用户画像系统进行联合，使得用户能够及时了解目标区域内的物品摆放情况以及物品的活动信息，提高了用户的选购效率和选购体验。

在上述实施例的基础上，图3为本申请提供的基于用户数据的物品推荐方法实施例二的流程示意图。如图3所示，上述S202可以通过如下步骤实现：

S301、根据用户身份信息，查询用户画像系统，获取该目标用户的历史行为信息。

示例性的，在本实施例中，信息处理设备获取到用户身份信息后，便可以调用用户画像系统，从该用户画像系统中提取出目标用户的历史行为信息。可选的，该历史行为信息可以包括：浏览行为信息、关注行为信息、下单行为信息以及加购行为信息等。

可选的，该历史行为信息可以是该目标用户的线上行为信息，也可以是搜集的线下行为信息，本申请实施例并不对其进行限定。

S302、根据目标用户的历史行为信息和预置的用户画像标签列表，确定目标用户具有的至少一个行为标签。

可选的，信息处理设备可以对历史行为信息进行处理，确定该目标用户所操作的所有物品，然后根据预置的用户画像标签列表和目标用户所操作的所有物品，确定目标用户具有的至少一个行为标签。

示例性的，表1为预置的用户画像标签列表。可选的，用户画像标签列表可以是通过对用户历史行为信息进行分析确定的，其可以多方面的内容，下述表1是对所有可搜集用户的行为信息进行分析确定出，某些用户可能仅对应其中的一部分标签，本申请实施例并不对其进行限定。

表1预置的用户画像标签列表

可选的，在实际应用中，由于后续的物品推荐度是基于用户的偏好行为标签数据计算得到的，因而，还可以对每个用户的偏好行为标签进行量化，例如，在【爱美】标签下，量化标准还可以分为：1：重度爱好者；2：中度爱好者；3：轻度爱好者；-1：非兴趣爱好者等。不同的量化标准对应于不同的权重，其可以在后续计算推荐度时使用。

S303、基于TF-IDF算法，从至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签。

示例性的，为了在目标用户涉及到的至少一个行为标签中确定出与目标用户具有最大关联度的行为标签，本申请实施例中，可以采用文本处理领域中常用的词频-逆文本频率TF-IDF算法从目标用户的所有行为标签中筛选出权重排序在前的N个候选行为标签，N为大于或等于1的整数。该TF-IDF算法在文本处理领域中用来提取一篇文章中的关键字，在本实施例中用来衡量行为标签对一个用户的关键程度。

本申请的实施例中，词频(term frequency，TF)指具有某类标签的物品在该用户购买的所有物品中的出现频率，逆向文件频率(inverse document frequency，IDF)是一个用于度量词语普遍重要性的指标，在本申请中，对于某个标签，IDF等于所有的用户数除以(带该标签的用户数+1)，再将得到的商取以10为底的对数得到。

示例性的，在本实施例中，该S303可以通过如下步骤实现：

A1、对目标用户所操作的所有物品进行分析，确定目标用户具有的行为标签总数量和每个行为标签的出现次数。

示例性的，当从用户画像系统中获取到用户历史行为信息后，对用户历史行为信息进行分析可以确定出目标用户所操作的所有物品，其次根据这些物品的特性，可以确定出每个物品对应的用户行为标签，进而能够确定出目标用户具有的行为标签总数量和每个行为标签的出现次数。

A2、根据目标用户具有的行为标签总数量和每个行为标签的出现次数，确定每个行为标签的词频。

在本实施例中，对于每个行为标签，利用下述公式可以确定出每个行为标签的词频，即：

A3、根据用户画像系统中的用户总数量和携带每个行为标签的用户数量，确定每个行为标签的逆向文件频率。

可选的，逆向文件频率IDF用于表征类别区分能力，在本实施例中，IDF用于表征该目标用户的行为标签与其他用户的区别能力，对于每个行为标签，主要由用户画像系统中的用户总数量和携带该行为标签的用户数量确定，具体公式如下所示：

A4、根据每个行为标签的词频和每个行为标签的逆向文件频率，确定每个行为标签的权重值。

示例性的，TF-IDF可以评估某个行为标签对于目标用户的重要程度。某个行为标签对于目标用户的重要性随着它在该目标用户所操作的所有物品中出现的次数成正比增加，但同时会随着它在用户画像系统中出现的频率成反比下降，TF-IDF加权的各种形式可以作为行为标签与目标用户之间相关程度的度量或评级。因而，在本实施例中，在确定出每个行为标签的词频和每个行为标签的逆向文件频率后，便可以将每个行为标签的词频和对应行为标签的逆向文件频率进行相乘，得到每个行为标签的权重值。

A5、根据每个行为标签的权重值，从至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签。

示例性的，行为标签的权重值越高，表明该行为标签对目标用户的重要性越高，因而，对于目标用户具有的所有行为标签，可以根据权重值由大到小的顺序对上述至少一个行为标签进行排序，从中筛选出权重值排序在前的N个候选行为标签。本申请实施例不对N的具体取值进行限定，其可以根据实际场景确定，此处不作限定。

S304、将N个候选行为标签中与目标区域内物品非相关的候选行为标签剔除掉，得到目标用户的至少一个行为偏好标签数据。

示例性的，由于本申请实施例中的实时推送物品的功能主要是基于线下无人店铺的场景，所以，对标签的选择标准应该去除部分与线下无人超市不是非常相关的标签，如：手机APP使用依赖者、夜猫子、奢侈品爱好者等。

例如，在无人店铺场景下，通常不会售卖奢侈品，与手机APP的使用或者夜猫子等标签的关系均不大，因而，可以将这些与无人售卖等场景无关或非强相关的标签从确定的候选行为标签中剔除掉，进而确定出该目标用户的至少一个行为偏好标签数据。

本申请实施例提供的基于用户数据的物品推荐方法，通过根据用户身份信息，查询用户画像系统，获取目标用户的历史行为信息，再根据目标用户的历史行为信息和预置的用户画像标签列表，确定目标用户具有的至少一个行为标签，基于TF-IDF算法，从至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签，最后将N个候选行为标签中与目标区域内物品非相关的候选行为标签剔除掉，得到目标用户的至少一个行为偏好标签数据。该技术方案中，基于用户画像系统和TF-IDF算法能够准确确定出目标用户的至少一个偏好行为标签数据，为后续确定出目标推荐物品奠定了基础。

在上述实施例的基础上，图4为本申请提供的基于用户数据的物品推荐方法实施例三的流程示意图。如图4所示，上述S203可以通过如下步骤实现：

S401、根据至少一个行为偏好标签数据和目标区域内各物品的信息，确定目标用户的至少一个偏好品类。

示例性的，在实际应用中，各个店铺内的物品均是按照物品属性进行分类的，因而，在确定出目标用户的至少一个行为偏好标签数据后，便可以建立每个行为偏好标签数据与目标区域内各物品的对应关系，从而确定出目标用户的至少一个偏好品类。

可选的，在一种可能的设计中，该S401可以通过如下步骤实现：

根据标签和品类之间的预置关联关系，确定至少一个行为偏好标签数据对应的各个物品品类，根据至少一个行为偏好标签数据对应的各个物品品类和目标区域内各物品的信息，确定目标用户的至少一个偏好品类。

具体的，信息处理设备中可以存储有标签和品类之间的预置关联关系，当确定出目标用户的至少一个行为偏好标签数据后，便可以查询标签和品类之间的预置关联关系，确定出每个行为偏好标签数据对应的各个物品品类，进而根据目标区域内各物品的信息，确定各个物品品类在目标区域内是否在售或者是否有存货，进而确定出能够选择的至少一个偏好品类。

示例性的，图5为某些标签数据与目标区域中的某些品类的关联关系示意图。如图5所示，在实际应用中，标签“爱美”对应的物品品类信息为“化妆品”，标签“吃货”对应的物品品类信息为“小吃类”和“零食类”，标签“零食爱好者”对应的物品品类信息为“零食类”，标签“宠物爱好者”对应的物品品类信息为“宠物用品”，标签“品茶爱好者”对应的物品品类信息为“饮品-茶类”，标签“养生爱好者”对应的物品品类信息为“饮品-茶类”和“药膳类”等。

可选的，在图5所示的关联关系中，假设目标用户的一个偏好标签数据为“吃货”，则可以确定该“吃货”对应的物品品类为“小吃类”和“零食类”，进而可以将目标区域中的在售物品中，确定出目标用户的偏好品类至少包括“小吃类”和“零食类”。

可以理解的是，图5中仅给出了部分标签与部分物品品类的对应关系，在实际应用中还可以包括更多的对应关系，此处不作赘述。

S402、针对每个偏好品类，获取该偏好品类下各个物品在预设时间段内的特征信息。

可选的，在实际应用中，由于用户的购买行为不只基于用户本身的行为偏好，还基于物品在预设时间段内的特征信息，具体的，该物品的特征信息是指该物品在预设时间段内的所有针对该物品的用户行为，可以包括用户线上行为，也可以包括用户线下行为。为了更准确的计算出每个偏好品类下各个物品被成功推荐给用户的几率，需要获取各个物品在预设时间段内的特征信息。

示例性的，表2为三种物品在预设时间段内的特征数据表。如表2所示，物品的特征信息可以包括：物品的本身属性和物品的受青睐度。其中，物品的本身属性可以包括：物品名称、物品所属品类、定价、利润等。物品受青睐度可以通过如下数据表征：被浏览次数(线上)、被购买次数(线上)、平均购买间隔(线上)、平均购买间隔(线下)、近一次购买(线下)、累计购买次数(线下)、连续购买度、用户物品关注度等。可以理解的是，下述表2中仅示出了物品的一部分属性以及一部分受青睐度的因素，本申请实施例并不对其进行限定。

表2三种物品在预设时间段内的特征数据表

可选的，下述分别对物品的本身属性和受青睐度包括的因素进行解释说明。其中，物品名称为物品特征数据表的主键，每一个物品具有唯一的键(KEY)；物品所属品类应该与目标区域配货时标注的品类一致；物品的定价和利润与目标区域配货时留档与线上售卖的一致。

被浏览次数(线上)为该物品在线上被点击详情页的次数；被购买次数(线上)为该物品在线上被成功购买的次数。可理解的是，由于线下的数据量可能并不足够大，所以，线上被浏览次数与被购买次数可以作为特征信息进行回归。

平均购买间隔(线上)代表着此物品在预设时间段(例如，历史30天)内在线上被卖出的平均时间间隔，平均购买间隔(线下)代表着此物品在预设时间段(例如，历史30天)内在线下被卖出的平均时间间隔；由于线上售卖的频率一般会大于线下，所以，平均购买间隔(线上)的时间单位为分钟，平均购买间隔(线上)的时间单位为天。

近一次购买(线下)、累计购买次数(线下)为此物品在线下店铺中，预设时间段(例如，历史30天)内的时间数据与售卖次数。

可选的，物品的连续购买度可以由公式

用户对物品的关注度是基于目标用户的历史操作信息计算得到的，目标用户的历史操作信息可以根据用户标识在用户画像系统查找到，且历史操作信息包括线上操作信息与线下操作信息，代表着用户对这个物品的关注程度。

可选的，目标用户的历史操作信息可以包括：线上浏览物品的行为、线上收藏物品的行为、线上分享物品的行为和线上或线下购买物品的行为。因而，用户对物品的关注度是不同行为对应的关注度分量之和。

示例性的，针对历史操作信息中的某个目标行为，例如，线上浏览物品的行为或线上收藏物品的行为或线上分享物品的行为或线上或线下购买物品的行为，该目标行为对应的关注度分量可以由如下公式计算得到：

P＝Q*T*H*TF*IDF

其中，Q为目标行为的权重值(基于用户线上、线下最近一次对目标物品执行的该行为确定)，其可以被赋予不同的权重值，权重值越大，说明该用户对物品的关注程度越大；T是该目标行为发生的次数；H为用户对目标物品存在该目标行为(线下行为或线上行为)到该用户进入目标区域的时间衰减系数(这里采用牛顿热力学公式)，具体的，H＝e

S403、根据偏好品类下各个物品在预设时间段内的特征信息和目标用户对各个物品的关注度，得到偏好品类下各个物品的推荐度值。

在本申请的实施例中，信息处理设备上可以加载有各个偏好品类的推荐度模型，因而，当信息处理设备获取到目标用户的偏好品类下各个物品在预设时间段内的特征信息和目标用户对各个物品的关注度时，针对每个偏好品类，可以利用各个物品在预设时间段内的特征信息、目标用户对各个物品的关注度以及推荐度模型，计算出偏好品类下各个物品的推荐度值。

示例性的，在本申请的一种可能设计中，针对每个偏好品类，信息处理设备可以首先确定该偏好品类对应的推荐度模型，然后将该偏好品类下各个物品在预设时间段内的特征信息和该目标用户对各个物品的关注度输入到该偏好品类对应的推荐度模型中，从而可以得到该偏好品类下各个物品的推荐度值。

可选的，在实际应用中，为了在用户进入目标区域时能够及时确定出该用户的偏好品类中各个物品的推荐度值，因而，信息处理设备在确定偏好品类对应的推荐度模型之前，首先可以针对目标区域中每个品类，获取目标时间段内该品类中各个物品的特征信息和目标用户群体中各个用户对各个物品的关注度信息，进而将该品类中各个物品的特征信息和目标用户群体中各个用户对各个物品的关注度信息，输入到预先构建的逻辑回归函数中，得到该逻辑回归函数中各个变量的权重值，最后将该逻辑回归函数中各个变量的权重值代入到逻辑回归函数中，得到该品类对应的推荐度模型。

示例性的，由于不同品类有着不同的消费特性，所以，应该按照不同的物品种类构建出不同的逻辑回归函数：

其中，P为目标物品的预测推荐度，β

可以理解的是，利用预先构建的逻辑回归函数在训练每一个品类的推荐度模型时，会使用很多不同用户的相关数据训练，因而，为了去除量纲对数据计算的影响，在训练之前将物品对应特征信息的各个特性值进行归一化处理，例如：Y＝(x-MinValue)/(MaxValue-MinValue)，其中，x为某个用户对应物品特征信息中未归一化前的特征信息，Y是该用户对应物品特征信息中归一化后的特征信息，MinValue为目标用户群体中特征信息中的最小值，MaxValue为目标用户群体中特征信息中的最大值。

可选的，通过将上述S402中确定的该品类下各个物品在预设时间段内的特征信息和目标用户群体中各用户对各个物品的关注度代入到上述逻辑回归函数中，可以确定出参数X

相应的，在备选的推荐物品类别中，可以使用确定的推荐度模型分别计算不同品类下的各个物品的推荐程度(P∈[1，0])，P越大，说明该类用户购买此物品的可能性越大。

S404、根据每个偏好品类下各个物品的推荐度值的大小，确定目标用户的目标推荐物品列表。

示例性的，由于每个品类下各物品的推荐度值越大，用户购买此物品的可能性越大，因而，可以对该品类中的各个物品进行降序排序，将排序在前的多个物品作为目标推荐物品，并添加至目标推荐物品列表中。

可以理解的是，若一种物品对应着多个标签(如：茶包对应的标签包括养生达人和饮品，那么在计算物品推荐度时，应将每一个分类的推荐度分别乘以每个行为标签的权重值，进行加权。

本申请实施例提供的基于用户数据的物品推荐方法，通过根据至少一个行为偏好标签数据和目标区域内各物品的信息，确定目标用户的至少一个偏好品类，针对每个偏好品类，获取该偏好品类下各个物品在预设时间段内的特征信息，根据该偏好品类下各个物品在预设时间段内的特征信息和目标用户对各个物品的关注度，得到偏好品类下各个物品的推荐度值，最后根据每个偏好品类下各个物品的推荐度值的大小，确定目标用户的目标推荐物品列表。该技术方案中，基于用户的偏好标签数据和目标区域内的物品信息共同确定目标推荐列表，提高了物品推荐的准确度，为提高用户选购效率和选购体验奠定了基础。

在上述实施例的基础上，图6为本申请提供的基于用户数据的物品推荐方法实施例四的流程示意图。如图6所示，该基于用户数据的物品推荐方法还可以包括如下步骤：

S601、获取目标用户的下单信息。

示例性的，在实际应用中，目标区域中的结算系统可以与该信息处理设备连接，这样当用户在目标区域中下单时，信息处理设备便可以获取到该目标的下单信息，从而可以分析该目标用户的行为信息，进一步的丰富了用户画像系统的内容信息。

S602、根据该下单信息中的物品信息，更新用户画像系统中目标用户的历史行为信息。

示例性的，该信息处理设备根据下单信息中的物品信息，便可以确定出该目标用户的线下行为信息，例如，购买时间和购买物品等，将其存储至上述用户画像系统所对应的数据存储空间，例如，数据仓库中，便能够丰富该目标用户的历史行为数据。

本申请实施例提供的基于用户数据的物品推荐方法，通过获取目标用户的下单信息，根据该下单信息中的物品信息，更新用户画像系统中目标用户的历史行为信息。该技术方案中，基于目标用户的下单信息可以实时更新用户画像系统中该目标用户的历史行为信息，丰富了用户画像系统中的信息，进而为提高物品推荐准确度奠定了基础。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图7为本申请提供的基于用户数据的物品推荐装置实施例的结构示意图。参照图7所示，该基于用户数据的物品推荐装置可以包括：

获取模块701，用于获取进入目标区域的用户身份信息，所述目标区域中的物品由所述基于用户数据的物品推荐装置进行管理；

查询模块702，用于查询预先构建的用户画像系统，确定所述用户身份信息对应目标用户的至少一个行为偏好标签数据，所述用户画像系统中存储有各个用户的属性信息、各个用户的历史行为信息；

处理模块703，用于根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定目标推荐物品列表；

推送模块704，用于向所述目标用户的终端设备推送所述目标推荐物品列表中各个物品的信息。

在本申请实施例的一种可能设计中，所述查询模块702，具体用于：

根据所述用户身份信息，查询所述用户画像系统，获取所述目标用户的历史行为信息；

根据所述目标用户的历史行为信息和预置的用户画像标签列表，确定所述目标用户具有的至少一个行为标签；

基于词频-逆文本频率TF-IDF算法，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签，N为大于或等于1的整数；

将所述N个候选行为标签中与所述目标区域内物品非相关的候选行为标签剔除掉，得到所述目标用户的至少一个行为偏好标签数据。

可选的，所述查询模块702，用于根据所述目标用户的历史行为信息和预置的用户画像标签列表，确定所述目标用户具有的至少一个行为标签，具体为：

所述查询模块702，具体用于：

对所述历史行为信息进行处理，确定所述目标用户所操作的所有物品；

根据预置的用户画像标签列表和所述目标用户所操作的所有物品，确定所述目标用户具有的至少一个行为标签。

可选的，所述查询模块702，用于基于词频-逆文本频率TF-IDF算法，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签，具体为：

所述查询模块702，具体用于：

对所述目标用户所操作的所有物品进行分析，确定所述目标用户具有的行为标签总数量和每个行为标签的出现次数；

根据所述目标用户具有的行为标签总数量和每个行为标签的出现次数，确定每个行为标签的词频；

根据所述用户画像系统中的用户总数量和携带每个行为标签的用户数量，确定每个行为标签的逆向文件频率；

根据每个行为标签的词频和每个行为标签的逆向文件频率，确定每个行为标签的权重值；

根据每个行为标签的权重值，从所述至少一个行为标签中，筛选出权重值排序在前的N个候选行为标签。

在本申请实施例的另一种可能设计中，所述处理模块703，具体用于：

根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类；

针对每个偏好品类，获取所述偏好品类下各个物品在预设时间段内的特征信息；

根据所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度，得到所述偏好品类下各个物品的推荐度值；

根据每个偏好品类下各个物品的推荐度值的大小，确定所述目标用户的所述目标推荐物品列表。

可选的，所述处理模块703，用于根据所述至少一个行为偏好标签数据和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类，具体为：

所述处理模块703，具体用于：

根据标签和品类之间的预置关联关系，确定所述至少一个行为偏好标签数据对应的各个物品品类；

根据所述至少一个行为偏好标签数据对应的各个物品品类和所述目标区域内各物品的信息，确定所述目标用户的至少一个偏好品类。

可选的，所述处理模块703，用于根据所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度，得到所述偏好品类下各个物品的推荐度值，具体为：

所述处理模块703，具体用于：

确定所述偏好品类对应的推荐度模型；

将所述偏好品类下各个物品在预设时间段内的特征信息和所述目标用户对各个物品的关注度输入到所述偏好品类对应的推荐度模型中，得到所述偏好品类下各个物品的推荐度值。

可选的，所述处理模块703，还用于：

针对所述目标区域中每个品类，获取目标时间段内所述品类中各个物品的特征信息和目标用户群体中各个用户对各个物品的关注度信息；

将所述品类中各个物品的特征信息和目标用户群体中各个用户对各个物品的关注度信息，输入到预先构建的逻辑回归函数中，得到所述逻辑回归函数中各个变量的权重值；

将所述逻辑回归函数中各个变量的权重值代入到所述逻辑回归函数中，得到所述品类对应的推荐度模型。

在本申请实施例的一种可能设计中，所述获取模块701，还用于获取所述目标用户的下单信息；

所述处理模块703，还用于根据所述下单信息中的物品信息，更新所述用户画像系统中所述目标用户的历史行为信息。

本申请实施例提供的装置，可用于执行方法实施例所述的技术方案，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘solid state disk(SSD))等。

图8为本申请提供的电子设备实施例的结构示意图。如图8所示，该电子设备可以包括：处理器801、存储器802、通信接口803和系统总线804，所述存储器802和所述通信接口803通过所述系统总线804与所述处理器801连接并完成相互间的通信，所述存储器802用于存储计算机程序，所述通信接口803用于和其他设备进行通信，所述处理器801执行所述计算机程序时实现如上述方法实施例所述的技术方案。

在该图8中，上述的处理器801可以是通用处理器，包括中央处理器CPU、网络处理器(network processor，NP)等；还可以是数字信号处理器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。

存储器802可能包含随机存取存储器(random access memory，RAM)，也可能包括只读存储器(read-only memory，RAM)，还可能包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

通信接口803用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。

系统总线804可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当该计算机执行指令在计算机上运行时，使得计算机执行如上述方法实施例所述的技术方案。

可选的，本申请实施例还提供一种运行指令的芯片，所述芯片用于执行上述方法实施例所述的技术方案。

根据本申请的实施例，本申请还提供了一种计算机程序产品，包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。