一种新用户冷启动推荐方法、系统以及相关装置

技术领域

本申请涉及人工智能技术领域，特别是涉及一种新用户冷启动推荐方法、系统以及相关装置。

背景技术

随着人工智能技术的不断发展，如何从海量数据中筛选出用户感兴趣的信息是产品在设计时首先需要考虑的问题，引入推荐系统是解决上述问题的一个比较普遍的解决方案。但是如何在冷启动阶段向新用户推荐其感兴趣的信息是整个推荐系统工作流程中的关键，这关系到新用户对产品的满意程度，是产品的“门面”。目前传统的冷启动推荐方法主要依赖于利用当下的热门物品或者新用户初始选择的兴趣标签进行推荐，从而生成相关的推荐结果。该方法无法对用户的漂移兴趣进行及时调整，导致推荐结果的准确性较低。有鉴于此，如何提供一种准确性较高的新用户冷启动阶段推荐方法，成为亟待解决的问题。

发明内容

本申请主要解决的技术问题是提供一种新用户冷启动推荐方法、系统以及相关装置，能够提高新用户冷启动阶段推荐结果的准确性。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种新用户冷启动推荐方法，包括：获取新用户在冷启动阶段的第一用户数据以及参考用户在多个参考阶段的第二用户数据；其中，所述参考阶段至少包括相互间隔的当前阶段和冷启动阶段；基于所述第一用户数据和所述第二用户数据，得到与所述新用户匹配的第一提示信息；将所述第一提示信息输入智能分析模型，得到与所述第一提示信息匹配的推荐结果。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种新用户冷启动推荐系统，包括：获取模块，用于获取新用户在冷启动阶段的第一用户数据以及参考用户在多个参考阶段的第二用户数据；其中，所述参考阶段至少包括相互间隔的当前阶段和冷启动阶段；生成模块，用于基于所述第一用户数据和所述第二用户数据，得到与所述新用户匹配的第一提示信息；反馈模块，用于将所述第一提示信息输入智能分析模型，得到与所述第一提示信息匹配的推荐结果。

为解决上述技术问题，本申请采用的又一个技术方案是：提供一种电子设备，包括：相互耦接的存储器和处理器，所述存储器中存储有程序指令，所述处理器用于执行所述程序指令以实现如上述技术方案中提到的新用户冷启动推荐方法。

为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现如上述技术方案中提到的新用户冷启动推荐方法。

本申请的有益效果是：区别于现有技术的情况，本申请提出的新用户冷启动推荐方法，通过根据新用户在冷启动阶段的第一用户数据以及参考用户在多个参考阶段的第二用户数据生成第一提示信息，并利用具有较优信息处理能力的智能分析模型对第一提示信息进行分析，以自动生成与新用户当前需求契合度较高的推荐结果。该方法利用智能分析模型的小样本、零样本学习能力以及挖掘能力，无需进行过多特征设计，兼顾了对新用户偏好的挖掘与探索，避免了长尾效应，极大提高了冷启动阶段推荐结果的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。其中：

图1为本申请新用户冷启动推荐方法一实施方式的流程示意图；

图2为步骤S101中部分内容对应一实施方式的流程示意图；

图3为本申请新用户冷启动推荐系统一实施方式的结构示意图；

图4为本申请电子设备一实施方式的结构示意图；

图5为本申请计算机可读存储介质一实施方式的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，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，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提出的新用户冷启动推荐方法依托于智能终端实现，该智能终端可以是至少集成有相应推荐功能的智能设备，或者也可以为智能设备上的应用。其中，上述智能设备可以为手机、平板电脑或个人电脑等。

请参阅图1，图1为本申请冷启动推荐方法一实施方式的流程示意图，该方法包括：

S101：获取新用户在冷启动阶段的第一用户数据以及参考用户在多个参考阶段的第二用户数据；其中，参考阶段至少包括相互间隔的当前阶段和冷启动阶段。

具体地，获取新用户在冷启动阶段的第一用户数据以及参考用户在至少包括相互间隔的当前阶段和冷启动阶段的第二用户数据。

在一应用方式中，获取新用户在冷启动阶段直接输入的具备标识性的信息数据，并通过智能终端预先保存的私域数据对新用户的信息数据进行挖掘构建，以得到第一用户数据。以及，获取智能终端存储的参考用户在相互间隔的当前阶段和冷启动阶段的第二用户数据。

在另一应用方式中，获取新用户在冷启动阶段反馈多个兴趣标签直接生成的第一用户数据。以及，获取智能终端存储的参考用户在相互间隔的当前阶段和冷启动阶段的第二用户数据。

在又一应用方式中，获取新用户在冷启动阶段反馈的多个兴趣标签和直接输入的区别于已有兴趣标签的其他兴趣标签，生成第一用户数据。以及，获取智能终端存储的参考用户在相互间隔的当前阶段和冷启动阶段的第二用户数据。

可选地，在其他应用方式中，多个参考阶段除当前阶段与冷启动阶段之外，还包括当前阶段与冷启动阶段之间的至少一个中间阶段，以及从用户冷启动阶段至当前阶段的完整阶段。也即，参考用户在使用智能终端的过程中，除了保留有在使用初期经过注册、登录生成的冷启动阶段的历史用户数据以及最新的当前阶段的近期用户数据，还保留有基于冷启动阶段之后当前阶段之前的用户行为生成的中间用户数据。

在一应用场景中，上述新用户在冷启动阶段直接输入的具备标识性的信息数据包括但不限于新用户的手机号码、身份证号码、手机IMEI等，通过智能终端预先保存的私域数据对新用户的信息数据进行挖掘构建，以得到第一用户数据。

在另一应用场景中，新用户在冷启动阶段直接选取系统提供的兴趣标签，并在输入框内输入系统中未提供的其他兴趣标签，从而生成第一用户数据。

S102：基于第一用户数据和第二用户数据，得到与新用户匹配的第一提示信息。

在一应用方式中，将第一用户数据和参考用户的冷启动阶段的历史用户数据进行比对分析后，获取与第一用户数据相匹配的参考用户的当前阶段的近期用户数据，并利用与第一用户数据相匹配的参考用户的当前阶段的近期用户数据构造与新用户匹配的第一提示信息。

在另一应用方式中，将第一用户数据和参考用户的冷启动阶段的历史用户数据进行比对分析后，获取与第一用户数据相匹配的参考用户的当前阶段的近期用户数据，并利用第一用户数据以及与第一用户数据相匹配的参考用户的当前阶段的近期用户数据一起构造与新用户匹配的第一提示信息，从而进一步提高后续推荐结果生成的准确性。

可选地，在其他应用方式中，将第一用户数据和参考用户的冷启动阶段的历史用户数据进行比对分析后，除了获取与第一用户数据相匹配的参考用户的当前阶段的近期用户数据，还会获取除冷启动阶段和当前阶段外的中间用户数据，并分析近期用户数据与中间用户数据，从中选择与第一用户数据更匹配的用户数据作为第二用户数据，利用该第二用户数据构造与新用户匹配的第一提示信息，以提高后续推荐结果生成的准确性。或者，在获取除冷启动阶段和当前阶段外的中间用户数据后，对获取的参考用户冷启动阶段至当前阶段的完整阶段的用户数据进行分析，以提高对新用户的隐性兴趣的挖掘与探索的质量，达到对新用户进行个性化推荐的目的。

S103：将第一提示信息输入智能分析模型，得到与第一提示信息匹配的推荐结果。

在一应用方式中，将第一提示信息输入智能分析模型，以利用智能分析模型对第一提示信息进行分析，从而获得智能分析模型生成的推荐结果。

在一应用场景中，上述第一提示信息是“为新用户推荐可能感兴趣的物品”的一条指令，将指令输入智能分析模型，以利用智能分析模型根据指令分析得到匹配的推荐结果。

在另一应用方式中，将第一提示信息输入智能分析模型前，智能终端会基于参考用户的第二用户数据构建训练样本，利用训练样本微调智能分析模型，并利用微调后的智能分析模型对第一提示信息进行分析，从而获得智能分析模型生成的更准确的推荐结果。

在一具体应用场景中，智能分析模型为大语言模型，大语言模型可以包括但不限于深度神经网络(Deep Neural Networks，DNNs)、卷积神经网络(Convolutional NeuralNetworks，CNNs)、循环神经网络(Recurrent Neural Networks，RNNs)、长短时记忆网络(Long Short-Term Memory，LSTM)以及生成式预训练Transformer模型等，在此对大语言模型的具体构造以及具体部署不做具体限制。

本申请提出的新用户冷启动推荐方法，通过根据新用户在冷启动阶段的第一用户数据以及参考用户在多个参考阶段的第二用户数据生成第一提示信息，并利用具有较优信息处理能力的智能分析模型对第一提示信息进行分析，以自动生成与新用户当前需求契合度较高的推荐结果。该方法利用智能分析模型的小样本、零样本学习能力以及挖掘能力，无需进行过多特征设计，兼顾了对新用户偏好的挖掘与探索，避免了长尾效应，极大提高了冷启动阶段推荐结果的准确性。

在一实施场景中，请参阅图2，图2为步骤S101中部分内容对应一实施方式的流程示意图。步骤S101中获取新用户在冷启动阶段的第一用户数据以及参考用户在多个参考阶段的第二用户数据具体包括：

S201：获取新用户在冷启动阶段输入的信息字段，基于新用户输入的信息字段构建新用户的初始画像数据；其中，第一用户数据包括初始画像数据。

具体地，根据获取的新用户在冷启动阶段输入的信息字段构建初始画像数据。

在一应用场景中，新用户在冷启动阶段会被直接要求填写人口属性信息以及个人兴趣，获取该人口属性信息与个人兴趣中具有标识性的信息字段并通过预先存储的私域数据的挖掘进行构建新用户的初始画像数据，以提高初始画像数据构建的效率与准确性。

在一具体应用场景中，新用户在进入一个新的APP(应用程序)时，需要根据系统提示填写人口属性信息以及个人兴趣，智能终端会获取新用户填写的人口属性信息以及个人兴趣中具有标识性的信息字段并通过预先存储的私域数据的挖掘进行构建新用户的初始画像数据。

举例说明，当新用户填写了性别“男”、年龄“25”、爱好“喜欢运动、听音乐和看电影”等人口属性信息和个人兴趣后，智能终端会获取其中具有标识性的信息字段并通过预先存储的私域数据挖掘，例如“男”、“25”、“运动”、“音乐”、“电影”，构建新用户的初始画像数据。

在另一应用场景中，智能终端会在新用户的冷启动阶段提供多种属性标签进行选择，获取新用户选择的属性标签进行构建新用户的初始画像数据，以提高初始画像数据构建的灵活性。

S202：获取参考用户在冷启动阶段对应的历史画像数据，以及参考用户在当前阶段的当前画像数据和行为数据；其中，第二用户数据包括历史画像数据、当前画像数据和行为数据，行为数据包括参考用户对应在当前阶段的用户行为。

具体地，获取参考用户在冷启动阶段的历史画像数据以及在当前阶段的当前画像数据和用户行为对应的行为数据。

在一应用场景中，智能终端会预先加载存储于存储中间件的参考用户在冷启动阶段的历史画像数据，根据全局统一的用户ID(Identity document，身份标识号)从存储中间件中获取历史画像数据，并同时获取参考用户在当前阶段的最新的当前画像数据以及与当前画像数据通过用户ID映射绑定的行为数据，以提高后续推荐结果生成的准确性。

在一具体应用场景中，上述存储中间件为Hive(一个在Hadoop中用来处理结构化数据的数据仓库基础工具)，便于分布式读取与计算，可选地，在其他具体应用场景中，也可采用例如ElasticSearch、Redis、MySQL等作为存储中间件，本申请对此不作限定。

举例说明，参考用户在冷启动阶段的历史画像数据为“男”、“游戏”、“20”、“动漫”、“数码产品”，而在当前阶段，参考用户的当前画像数据可能已经变为“男”、“旅游”、“24”、“运动”、“音乐”，并且由于参考用户近期喜欢钓鱼，在APP上又会多次做出搜索关于“钓鱼”之类的物品的行为，此时，智能终端会获取参考用户搜索关于“钓鱼”的用户行为，作为参考用户在当前阶段的行为数据，并通过参考用户的用户ID进行映射绑定。

在一实施方式中，步骤S102具体包括：基于第一用户数据和第二用户数据，构造第一子信息和第二子信息；其中，第一子信息用于指示智能分析模型确定初始画像数据和历史画像数据的相似度，并将相似度满足预设条件的参考用户作为与新用户匹配的对照用户，第二子信息用于指示智能分析模型生成推荐结果时参考对照用户的当前画像数据和行为数据；基于第一子信息和第二子信息及其对应的顺序，得到第一提示信息。

具体地，智能终端根据第一用户数据和第二用户数据构建第一子信息和第二子信息，当智能终端将第一子信息输入智能分析模型时，第一子信息会指示智能分析模型读取新用户的初始画像数据和参考用户冷启动阶段的历史画像数据，计算初始画像数据与历史画像数据之间的相似度，并且将相似度满足预设条件的参考用户作为与新用户匹配的对照用户。当智能终端将第二子信息输入智能分析模型时，第二子信息会指示智能分析模型生成推荐结果时参考对照用户的当前画像数据和行为数据。

进一步地，根据智能终端向智能分析模型输入的第一子信息和第二子信息及其对应的顺序，得到第一提示信息。

上述方案，智能终端构造好指令并将指令输入智能分析模型以得到对应的第一提示信息，可以利用智能分析模型更优的信息分析能力，得到更加丰富的第一提示信息，从而提高后续推荐结果生成的准确性。

在另一实施方式中，步骤S102具体包括：确定初始画像数据和历史画像数据的相似度，并将相似度满足预设条件的参考用户作为与新用户匹配的对照用户；基于对照用户的当前画像数据和行为数据，得到第一提示信息。

具体地，智能终端计算初始画像数据和历史画像数据的相似度，其中，具体计算过程如下：将新用户的初始画像数据作为第一向量集合，将参考用户的历史画像数据作为第二向量集合，第一向量集合与第二向量集合都是由多个标签组合而成，利用余弦相似度算法计算第一向量集合中的标签与第二向量集合中标签的相似度。并将相似度满足预设条件的参考用户作为与新用户匹配的对照用户，读取对照用户的当前画像数据和行为数据，以得到第一提示信息。其中，该预设条件可以是相似度数值最高的K个参考用户作为对照用户，或者，该预设条件也可以是相似度大于预先设置的相似度阈值的所有的参考用户作为对照用户。

上述方案，智能终端通过自己处理得到第一提示信息，能够提高第一提示信息生成的速度，减少对网络的依赖，同时也可以保护用户数据的隐私，从而提高用户的体验。

在又一个实施方式中，步骤S202中获取参考用户在冷启动阶段对应的历史画像数据，以及参考用户在当前阶段的当前画像数据和行为数据之后，还包括：基于参考用户对应的历史画像数据、当前画像数据和行为数据，构建训练样本；其中，训练样本包括与参考用户匹配的第二提示信息和答复信息，答复信息与当前画像数据和行为数据相关；利用训练样本微调智能分析模型。

在一实施场景中，智能终端在获取到参考用户的历史画像数据、当前画像数据和行为数据后，通过计算历史画像数据与当前画像数据之间的相似度，确定多个第二提示信息，并通过参考用户对应的当前画像数据与行为数据得到与第二提示信息相匹配的答复信息，根据多个第二提示信息以及对应的答复信息构建多个训练样本，并利用多个训练样本微调智能分析模型，以提高后续智能分析模型推荐结果的准确性。

在又一个实施方式中，在步骤S103之后，本申请提出的新用户冷启动推荐方法还包括：获取新用户对推荐结果的反馈数据；其中，反馈数据包括新用户在得到推荐结果后的用户行为；基于反馈数据对新用户的初始画像数据进行更新，得到更新后的第一用户数据；重新执行基于第一用户数据和第二用户数据，得到与新用户匹配的第一提示信息的步骤。

具体地，获取新用户在得到智能分析模型生成的推荐结果后的用户行为，作为反馈数据。

在一实施场景中，在将推荐结果展示给新用户之后，获取新用户对应的用户行为，例如点击率、购买率、浏览率等作为反馈数据。

进一步地，智能终端会获取反馈数据中信息字段以及对应的出现频率，利用这些信息字段以及对应的出现频率对新用户的初始画像数据进行更新，以得到更新后的第一用户数据。并且，在获得更新后的第一用户数据后，重新执行步骤S102，即重新执行基于第一用户数据和第二用户数据，得到与新用户匹配的第一提示信息，并依次执行后续步骤。

在一应用场景中，初始画像数据包括新用户输入的信息字段及对应的权重值；基于反馈数据对新用户的初始画像数据进行更新，得到更新后的第一用户数据的步骤具体包括：基于反馈数据，确定针对新用户输入的信息字段的调整方式；其中，调整方式包括调整新用户输入的信息字段对应的权重值，以及获取新增字段及其对应的权重值中的至少一者，新增字段至少基于参考用户的当前画像数据所匹配的信息字段得到；利用调整方式更新初始画像数据包括的信息字段及其对应的权重值，得到更新后的第一用户数据。

具体地，获取反馈数据后，根据反馈数据确定针对新用户在冷启动阶段输入的信息字段的调整方式。

在一具体应用场景中，当新用户的初始画像数据为“IT-1.0，男-1.0，智能产品-1.0，单反-0.7”时，由于新用户在获得推荐结果后在近期突然想要运动，所以又频繁浏览“运动鞋”的界面，智能终端会获取“运动鞋”的反馈数据，并基于参考用户的当前画像数据中已有的“运动”这一信息字段得到新增字段，将“运动”添加至新用户的初始画像数据当中，并且根据浏览的次数得到对应的权重值，假设浏览的次数过多，则将初始权重值设为1.0，而由于新用户浏览智能产品的次数相对减少，则对应的将新用户初始画像数据中的“智能产品”的权重值降为0.9，即利用该调整方式更新初始画像数据得到的更新后的新用户的第一用户数据为“IT-1.0，男-1.0，智能产品-0.9，单反-0.7，运动-1.0”。

在另一具体应用场景中，当新用户的初始画像数据为“IT-1.0，男-1.0，智能产品-1.0，单反-0.7”时，由于新用户在获得推荐结果后继续在近期频繁浏览“单反”的产品界面，智能终端会获取“单反”的反馈数据，根据新用户浏览次数的增加将“单反”对应的权重值从0.7提高至1.0，即利用该调整方式更新初始画像数据得到的更新后的新用户的第一用户数据为“IT-1.0，男-1.0，智能产品-1.0，单反-1.0”。

在又一具体应用场景中，当新用户的初始画像数据为“IT-1.0，男-1.0，智能产品-1.0，单反-0.7”时，由于新用户在获得推荐结果后继续在近期浏览“单反”的产品界面，但是浏览的次数和平时区别不大，智能终端也会获取“单反”的反馈数据，并根据新用户浏览次数保持“单反”对应的权重值不变，即利用该调整方式更新初始画像数据得到的更新后的新用户的第一用户数据仍然为“IT-1.0，男-1.0，智能产品-1.0，单反-0.7”。

上述方案，利用反馈数据对新用户的初始画像数据进行更新，从而提高第一用户数据的丰富程度，并有助于提高后续生成的推荐结果的准确性与灵活性。

请参阅图3，图3为本申请新用户冷启动推荐系统一实施方式的结构示意图。该新用户冷启动推荐系统30包括相互耦接的获取模块300、生成模块302和反馈模块304。

具体而言，获取模块300用于获取新用户在冷启动阶段的第一用户数据以及参考用户在多个参考阶段的第二用户数据；其中，参考阶段至少包括相互间隔的当前阶段和冷启动阶段。

生成模块302用于基于第一用户数据和第二用户数据，得到与新用户匹配的第一提示信息。

反馈模块304用于将第一提示信息输入智能分析模型，得到与第一提示信息匹配的推荐结果。

可选地，获取模块300还用于获取新用户在冷启动阶段输入的信息字段，基于新用户输入的信息字段构建新用户的初始画像数据；其中，第一用户数据包括初始画像数据；获取模块300还用于获取参考用户在冷启动阶段对应的历史画像数据，以及参考用户在当前阶段的当前画像数据和行为数据；其中，第二用户数据包括历史画像数据、当前画像数据和行为数据，行为数据包括参考用户对应在当前阶段的用户行为。

可选地，请继续参阅图3，生成模块302还包括构造模块3020，构造模块3020用于基于第一用户数据和第二用户数据，构造第一子信息和第二子信息；其中，第一子信息用于指示智能分析模型确定初始画像数据和历史画像数据的相似度，并将相似度满足预设条件的参考用户作为与新用户匹配的对照用户，第二子信息用于指示智能分析模型生成推荐结果时参考对照用户的当前画像数据和行为数据；基于第一子信息和第二子信息及其对应的顺序，得到第一提示信息。

可选地，生成模块302还用于确定初始画像数据和历史画像数据的相似度，并将相似度满足预设条件的参考用户作为与新用户匹配的对照用户；基于对照用户的当前画像数据和行为数据，得到第一提示信息。

可选地，请继续参阅图3，该新用户冷启动推荐系统30还包括微调模块306，与获取模块300耦接，该微调模块306用于基于参考用户对应的历史画像数据、当前画像数据和行为数据，构建训练样本；其中，训练样本包括与参考用户匹配的第二提示信息和答复信息，答复信息与当前画像数据和行为数据相关；利用训练样本微调智能分析模型。

可选地，请继续参阅图3，该新用户冷启动推荐系统30还包括更新模块308，与反馈模块304耦接，该更新模块308用于获取新用户对推荐结果的反馈数据；其中，反馈数据包括新用户在得到推荐结果后的用户行为；基于反馈数据对新用户的初始画像数据进行更新，得到更新后的第一用户数据；重新执行基于第一用户数据和第二用户数据，得到与新用户匹配的第一提示信息的步骤。

可选地，初始画像数据包括新用户输入的信息字段及其对应的权重值，该更新模块308还用于基于反馈数据，确定针对新用户输入的信息字段的调整方式；其中，调整方式包括调整新用户输入的信息字段对应的权重值，以及获取新增字段及其对应的权重值中的至少一者，新增字段至少基于参考用户的当前画像数据所匹配的信息字段得到；利用调整方式更新初始画像数据包括的信息字段及其对应的权重值，得到更新后的第一用户数据。

请参阅图4，图4为本申请电子设备一实施方式的结构示意图。该电子设备40包括：相互耦接的存储器402和处理器400。存储器402中存储有程序指令，处理器400用于执行程序指令以实现上述任一实施方式中提到的新用户冷启动推荐方法。具体地，电子设备40包括但不限于：台式计算机、笔记本电脑、平板电脑、服务器等，在此不做限定。此外，处理器400还可以称为CPU(Center Processing Unit,中央处理单元)。处理器400可能是一种集成电路芯片，具有信号处理能力。处理器400还可以是、通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。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。另外，处理器400可以由集成电路芯片共同实现。

请参阅图5，图5为本申请计算机可读存储介质一实施方式的结构示意图。该计算机可读存储介质50上存储有能够被处理器运行的程序指令500，程序指令500被处理器执行时实现上述任一实施方式中提到的新用户冷启动推荐方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，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，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。

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方式方案的目的。

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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元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全部或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)或处理器(processor)执行本申请各个实施方式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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。