基于降噪自编码器的数据分析方法、装置、设备及介质

技术领域

本申请涉及数据分析领域，尤其涉及一种基于降噪自编码器的数据分析方法、装置、设备及介质。

背景技术

银行营销是推广银行业务的关键手段之一，其通过向目标营销客户提供优质高效和个性化的服务，以提高客户对银行的满意度，进而实现在持续的业务合作中双方获得更大的收益。上述过程中，如何分析出目标营销客户是进行银行营销的重要研究对象。

目前银行的目标营销客户分析方式主要通过人工识别，由银行系统通过文字描述或者表格形式来进行相应的标注、记录，然后银行业务人员针对记录信息对相关用户进行判断和识别，上述目标营销客户分析方式一方面人工成本高、效率低，另一方面由于用户信息缺失、不完全的情况下，导致分析结果准确性较低。

因此，亟需提出一种可以有效提高目标营销客户分析准确率和效率、降低人工成本的方案来解决上述问题。

发明内容

为解决上述问题，即解决目前目标营销客户分析准确率低、效率低以及人工成本高的问题，本申请提供一种基于降噪自编码器的数据分析方法、装置、设备及介质。

为了实现上述目的，本申请提供如下技术方案：

根据本申请的一方面，提供一种基于降噪自编码器的数据分析方法，包括：

获取预训练的降噪自编码器，所述预训练的降噪自编码器是基于历史推荐用户数据训练得到的；

响应于数据分析请求，所述数据分析请求携带一个或多个待分析用户的用户数据，基于所述用户数据和所述降噪自编码器获取所述用户数据的重构误差信息；

基于所述重构误差信息确定所述一个或多个待分析用户中的目标推荐用户。

在一种实施方式中，所述基于所述用户数据和所述降噪自编码器获取所述用户数据的重构误差信息，包括：

将所述用户数据输入至所述降噪自编码器中，基于所述降噪自编码器对所述用户数据进行处理，得到所述用户数据对应的重构数据；

基于所述重构数据和所述用户数据获取所述用户数据的重构误差信息。

在一种实施方式中，所述基于所述重构误差信息确定所述一个或多个待分析用户中的目标推荐用户，包括：

校验所述重构误差信息是否低于重构误差阈值；

响应于所述重构误差信息低于重构误差阈值的校验结果，将所述重构误差信息对应的待分析用户确定为目标推荐用户。

在一种实施方式中，所述方法还包括：

获取所述降噪自编码器的模型损失，并基于所述模型损失确定所述重构误差阈值。

在一种实施方式中，所述获取所述降噪自编码器的模型损失，包括：

获取所述降噪自编码器的训练过程中所述历史推荐用户数据的损失均值，并基于所述损失均值获取所述降噪自编码的模型损失。

在一种实施方式中，所述降噪自编码器包括编码器和解码器，所述编码器中携带dropout层。

在一种实施方式中，所述降噪自编码器的训练方式包括：

将历史推荐用户数据划分为训练集和测试集；

对所述训练集进行数据预处理，得到经过预处理的数据集，所述数据预处理包括数据归一化处理和/或弹性网络正则化处理；

基于所述数据集训练初始降噪自编码器，得到训练降噪自编码器；

基于所述测试集对训练降噪自编码器进行验证，并将验证通过后的训练降噪自编码器确定为所述降噪自编码器。

根据本申请的另一方面，提供一种基于降噪自编码器的数据分析装置，包括：

模型获取模块，其设置为获取预训练的降噪自编码器，所述预训练的降噪自编码器是基于历史推荐用户数据训练得到的；

重构信息获取模块，其设置为响应于数据分析请求，所述数据分析请求携带一个或多个待分析用户的用户数据，基于所述用户数据和所述降噪自编码器获取所述用户数据的重构误差信息；

确定模块，其设置为基于所述重构误差信息确定所述一个或多个待分析用户中的目标推荐用户。

根据本申请的又一方面，提供一种电子设备，包括：存储器和处理器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行所述的基于降噪自编码器的数据分析方法。

根据本申请的再一方面，提供一种计算机存储介质，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所述的基于降噪自编码器的数据分析方法。

可以理解的，本申请实施例提供的基于降噪自编码器的数据分析方法、装置、设备及介质，通过获取预训练的降噪自编码器，所述预训练的降噪自编码器是基于历史推荐用户数据训练得到的，响应于数据分析请求，所述数据分析请求携带一个或多个待分析用户的用户数据，基于所述用户数据和所述降噪自编码器获取所述用户数据的重构误差信息，并基于所述重构误差信息确定所述一个或多个待分析用户中的目标推荐用户，可以在用户信息缺失、不完全的情况下准确分析出目标推荐用户，并且无需进行人工判断和识别，有效提高了数据分析效率并降低了人工成本。

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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种可能的场景示意图之一；

图2为本申请实施例提供的一种基于降噪自编码器的数据分析方法的流程示意图；

图3为本申请实施例中降噪自编码器的结构示意图；

图4为图2中步骤S202的流程示意图；

图5为本申请实施例提供的一种基于降噪自编码器的数据分析装置的结构示意图；

图6为本申请实施例提供的一种电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，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申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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的实施例，而不是全部的实施例。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劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在介绍本申请的实施例之前，首先对本申请实施例的技术背景进行解释：

银行营销的目的主要是银行力图通过向客户提供优质高效和个性化的服务，提高客户对银行的满意度，从而保持对银行的忠诚，与银行建立长期的关系，在持续的业务合作中双方获得更大的收益。目前银行内部存在大量的低价值客户，这类用户往往只是单纯的存款用户、或者只购买了很少的中间业务或理财产品，银行需要提升这类客户的业务价值。但是目前的营销客户分析技术，难以准确分析出这类低价值客户中的目标营销客户群体，导致银行营销活动难以针对性开展。

有鉴于此，本实施例提供的基于降噪自编码器的数据分析方法、装置、设备及介质，采用基于历史推荐用户数据训练得到的降噪自编码器，对输入的用户数据进行挖掘和分析，结合得到的重构误差信息确定对应的目标推荐用户，可以提高目标推荐用户的分析效率及分析准确率，同时降低人工成本。通过上述方式可以高效识别出目标可营销客户，为采用相关营销手段向客户推荐对应的业务，以提高客户忠诚度、提升客户价值，进而增加银行利润提供有力支撑。

可以理解的，降噪自编码器(denoising autoencoder，简称DAE)是一类接受损坏数据作为输入，并训练来预测原始未被损坏数据作为输入的自编码器；客户满意度指的是客户预想效果与感知结果之间的比。客户忠诚指的是客户对企业的忠诚表现在，由于企业对客户的服务和施以关系营销，使客户对企业的信任，不因外界因素的干扰而变化。

图1为本申请实施例提供的一种可能的场景示意图，需要说明的是，本公开的基于降噪自编码器的数据分析方法可用于金融科技领域。也可用于除金融科技领域以外的任意领域，本公开的基于降噪自编码器的数据分析方法应用领域不作限定。

以银行客户营销场景为例，如图1所示，包括终端设备110和服务器120，终端110和服务器120之间通过有线或者无线网络相互连接。在一些实施例中，终端110用于向服务器120提供训练好的降噪自编码器等，服务器120用于基于终端110提供的模型对用户数据进行分析，并根据分析结果确定对应的目标推荐用户。可选地，在模型分析过程中，服务器120承担主要计算工作，终端110承担次要计算工作；或者，服务器120承担次要计算工作，终端110承担主要计算工作；或者，服务器120或终端110分别能够单独承担计算工作。

其中，终端设备110可以包括但不限于，电脑、智能手机、平板电脑、电子书阅读器、动态影像专家压缩标准音频层面3(Moving Picture experts group audio layer III，简称MP3)播放器、动态影像专家压缩标准音频层面4(Moving Picture experts group audiolayer IV，简称MP4)播放器、便携计算机、车载电脑、可穿戴设备、台式计算机、机顶盒、智能电视等等。

服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

可选地，上述终端110或服务器120的数量可以更多或更少，本申请实施例对此不加以限定。在一些实施例中，上述终端110和服务器120还可以作为区块链系统中的节点，将分析结果同步给区块链其它节点，以实现数据分析结果的广泛应用。

上面对本申请的场景示意图进行了简单说明，下面以应用于图1中的服务器120为例，来详细说明本申请实施例提供的基于降噪自编码器的数据分析方法。

请参照图2，图2为本申请实施例提供的一种基于降噪自编码器的数据分析方法的流程示意图，该方法包括步骤S201-S203。

步骤S201、获取预训练的降噪自编码器，所述预训练的降噪自编码器是基于历史推荐用户数据训练得到的。

以银行客户营销为例，包括可营销用户和不可营销用户，本实施例中的历史推荐用户数据即可营销用户的历史用户数据，其中可营销用户和不可营销用户可以结合实际应用进行判定，示例性的，该可营销用户和不可营销用户可以是之前业务开展过程中根据实践已经确定的，或者采用技术挖掘手段进行确定的，例如从未购买过理财产品或者从未开通银行业务的用户，或者对其进行过客户营销但未成功的用户定位为不可营销用户，购买过理财产品或开通过银行业务的用户或者已参加过客户营销并营销成功的用户定位为可营销用户。

可以理解的，降噪自编码器是神经网络算法的一种，作用是在无监督的情况下学习有效的数据编码。自编码器为了学习一组数据编码需要训练网络去除信号中的“噪声”，其主要功能是降低数据特征的维数，通过学习复制其输入到输出，输入特征通常是由隐藏层来表示。自编码器有两个重要的部分：编码器和解码器，他们的作用分别是将输入映射到隐藏层以及从隐藏层映射到输出。

降噪自编码器的最简单形式是前馈非递归神经网络，它类似于单层感知器，自编码器输入层和输出层需要一个或多个隐藏层进行处理。输入层和输出层必须具有一样数量的节点(神经元)才能保证能够重构输入。重构的结果是得到一个输入和输出之间的最小化差异，而不是预测给定输入X情况下的目标值Y。

将自编码器中的编码器定义φ，解码器定义为ψ，具体为公式如下：

通常情况下，自编码只会使用一个隐藏层来连接输入与输出，编码器接收输入

h＝σ(Wx+b)

结合图3所示，上述中的h通常被称为潜在变量，σ是激活函数，例如sigmoid函数或修正线性单元，W为权重矩阵，b为偏置向量。权重矩阵和偏置向量的初始化过程是随机的，这两个参数在训练过程中通过反向传播迭代更新。自编码器的解码阶段将h映射到与x具有相同维度的x'：

x′＝σ′(W′h+b′)

可以理解的，解码器中的变量σ′、W′、b′与编码器中的变量h、W、b可能是没有关联性的。自编码器经过训练最小化重构误差(例如平方误差)，通常称为“损失”：

L(x,x′)＝||x-x′||

本实施例中x指的是训练集的平均值。自编码器训练与其他前馈神经网络一样通过误差的反向传播进行。

特征空间

在一种实施方式中，步骤S201中降噪自编码器的训练方式可以包括以下步骤：

将历史推荐用户数据划分为训练集和测试集；

对所述训练集进行数据预处理，得到经过预处理的数据集，所述数据预处理包括数据归一化处理和/或弹性网络正则化处理；

基于所述数据集训练初始降噪自编码器，得到训练降噪自编码器；

基于所述测试集对训练降噪自编码器进行验证，并将验证通过后的训练降噪自编码器确定为所述降噪自编码器。

具体地，可以将历史推荐用户数据按照1:9的比例划分为测试集和训练集，该模型可以使用大小为100的Adam优化器训练10个epoch，使用90％的数据对模型进行训练，预留10％的数据验证模型。在一些实施例中，考虑到银行内部存储了大量的客户信息，可首先通过数据挖掘的手段对这些数据进行提炼和汇总，得到一份有效的历史推荐用户数据集，以进一步提高模型训练效果。

具体地，本实施例的数据集预处理是模型训练的重要步骤，可以包括以下几个部分：针对连续数据进行归一化处理；针对字符串数据进行一位有效编码处理；弹性网络正则化处理。

本实施例中，采用最小-最大归一化方法将连续值缩放到数值范围[0,1]，详见以下公式：

其中max(x

本实施例中，一位有效编码将字符串类特征转换为数值，每个类别属性都由二进制值表示，比如说持有的产品类型字段有理财、基金和大额存单三个值，一位有效编码将它们分别转换为二进制向量：[1,0,0]、[0,1,0]、[0,0,1]，同时把其他字段处理成向量。

本实施例中，降噪自编码器通过训练将输入进行重构，模型针对训练集中标志位为正常的数据训练，进一步得到输入和输出之间的均方误差，最终目的是通过训练使均方误差最小化。自编码器在训练的阶段结合弹性网络正则化处理，可以有效防止训练时出现简单地将输入复制到输出的情况，为防止过拟合的问题，可以调整Lasso和Ridge的L

在一种实施方式中，所述降噪自编码器包括编码器和解码器，所述编码器中携带dropout层。

本实施例中，为了避免训练数据中代表每种攻击类型的样本不平衡，以及模型无法通过训练已知攻击类型来分析未知攻击类型，通过在编码器中增加dropout层，可以有效实现自编码器来检测异常的方法。示例性的，由于输入样本的特征数是122，所以输入层由122个神经元组成，紧接着是一个dropout层和一个由8个神经元组成的隐藏层，最后是一个有122个神经单元的输出层，隐藏层和输出层的激活函数是relu函数。

可以理解的，本实施例可以在客户端采用上述方式进行模型训练，也可以在服务器中采用上述进行模型训练，本实施例对模型的训练装置不作具体限定。

步骤S202、响应于数据分析请求，所述数据分析请求携带一个或多个待分析用户的用户数据，基于所述用户数据和所述降噪自编码器获取所述用户数据的重构误差信息。

本实施例中，银行业务人员可以在客户端发起数据分析请求，服务器接收到数据分析请求后基于降噪自编码器对其进行处理及分析，进而获取用户数据的重构误差信息。

可以理解的，响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。

在一种实施方式中，步骤S202中基于所述用户数据和所述降噪自编码器获取所述用户数据的重构误差信息，可以包括以下步骤：

将所述用户数据输入至所述降噪自编码器中，基于所述降噪自编码器对所述用户数据进行处理，得到所述用户数据对应的重构数据；

基于所述重构数据和所述用户数据获取所述用户数据的重构误差信息。

可以理解的，重构数据即经过降噪自编码器对输入数据进行表征学习后进行重构的数据，其中，重构误差可以根据模型输出值与原始输入之间的均方误差计算得到。

步骤S203、基于所述重构误差信息确定所述一个或多个待分析用户中的目标推荐用户。

本实施例中，模型的训练过程中只采用了可营销客户数据作为样本，其重构误差为可营销客户数据对应的数值范围。因此，采用模型的重构误差信息来对用户数据中的可营销用户和不可营销用户进行确定，采用二分类的方式检测客户中的可营销客户，提高分析效率。

在进行模型分析时，通过将待分析用户数据分别输入到训练好的模型中，其中针对不可营销客户的数据所得到的重构误差会相对偏高，超出可营销客户数据对应的数值范围，因此可以通过设置重构误差的阈值来检测攻击，如果一个数据样本的重构误差高于预设的阈值，那么该样本就被归为不可营销客户，否则就归为可营销客户。

在一种实施方式中，如图4所示，步骤S202中基于所述重构误差信息确定所述一个或多个待分析用户中的目标推荐用户，可以包括以下步骤：

步骤S202a、校验所述重构误差信息是否低于重构误差阈值。

本实施例中，重构误差阈值可以为训练模型过程中可营销用户数据的重构误差阈值。

在一种实施方式中，对于阈值的选择，采用训练数据上的模型损失或者测试数据上的模型损失，本实施例中使用训练数据生成的模型损失作为一个阈值。具体地，所述方法还可以包括以下步骤：

获取所述降噪自编码器的模型损失，并基于所述模型损失确定所述重构误差阈值。

可以理解的是，在训练模型过程中会产生一个模型损失，相当于训练数据(历史推荐用户数据)整体误差大小。

进一步地，步骤获取所述降噪自编码器的模型损失，具体为：获取所述降噪自编码器的训练过程中所述历史推荐用户数据的损失均值，并基于所述损失均值获取所述降噪自编码的模型损失。

步骤S202b、响应于所述重构误差信息低于重构误差阈值的校验结果，将所述重构误差信息对应的待分析用户确定为目标推荐用户。

本实施例中，为了更好的评估模型的性能，根据输入特征与预测特征的特性，使用了一个损失函数公式，来计算每个输入的重构损失。对比重构误差和预设阈值的大小来进行分类。该损失函数如下：

本实施例中，通过数据挖掘和模型训练的方式仅需导入待分析的用户数据即可快速确定可营销的目标客户，具有高效准确的特点，并且DEA模型针对客户信息缺失、不健全的数据也可以通过模型自身的优势判断出准确的结果，降低了数据缺失对营销客户判断带来的影响。

本申请实施例相应还提供一种基于降噪自编码器的数据分析装置，如图5所示，包括：

模型获取模块51，其设置为获取预训练的降噪自编码器，所述预训练的降噪自编码器是基于历史推荐用户数据训练得到的；

重构信息获取模块52，其设置为响应于数据分析请求，所述数据分析请求携带一个或多个待分析用户的用户数据，基于所述用户数据和所述降噪自编码器获取所述用户数据的重构误差信息；

确定模块53，其设置为基于所述重构误差信息确定所述一个或多个待分析用户中的目标推荐用户。

在一种实施方式中，所述重构信息获取模块52，包括：

处理单元，其设置为将所述用户数据输入至所述降噪自编码器中，基于所述降噪自编码器对所述用户数据进行处理，得到所述用户数据对应的重构数据；

信息获取单元，其设置为基于所述重构数据和所述用户数据获取所述用户数据的重构误差信息。

在一种实施方式中，所述确定模块53包括：

校验单元，其设置为校验所述重构误差信息是否低于重构误差阈值；

用户确定单元，其设置为响应于所述重构误差信息低于重构误差阈值的校验结果，将所述重构误差信息对应的待分析用户确定为目标推荐用户。

在一种实施方式中，所述装置还包括：

阈值确定模块，其设置为获取所述降噪自编码器的模型损失，并基于所述模型损失确定所述重构误差阈值。

在一种实施方式中，所述阈值确定模块具体设置为，获取所述降噪自编码器的训练过程中所述历史推荐用户数据的损失均值，并基于所述损失均值获取所述降噪自编码的模型损失。

在一种实施方式中，所述降噪自编码器包括编码器和解码器，所述编码器中携带dropout层。

在一种实施方式中，所述降噪自编码器的训练方式包括：将历史推荐用户数据划分为训练集和测试集；对所述训练集进行数据预处理，得到经过预处理的数据集，所述数据预处理包括数据归一化处理和/或弹性网络正则化处理；基于所述数据集训练初始降噪自编码器，得到训练降噪自编码器；基于所述测试集对训练降噪自编码器进行验证，并将验证通过后的训练降噪自编码器确定为所述降噪自编码器。

在此需要说明的是，本实施例提供的上述装置，能够相应地实现上述方法实施例中服务器所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

本申请实施例相应还提供一种电子设备，如图6所示，包括：存储器61和处理器62；

所述存储器61存储计算机执行指令；

所述处理器62执行所述存储器61存储的计算机执行指令，使得所述电子设备执行所述的基于降噪自编码器的数据分析方法。

本申请实施例相应还提供一种计算机存储介质，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所述的基于降噪自编码器的数据分析方法。

在此需要说明的是，本申请提供的上述计算机可读存储介质，能够相应地实现上述方法实施例中服务器所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

本申请实施例相应还提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行所述的基于降噪自编码器的数据分析方法。

在此需要说明的是，本申请提供的上述程序产品，能够相应地实现上述方法实施例中服务器所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

本申请实施例相应还提供一种芯片，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于从所述存储器中调用并运行所述计算机程序执行所述的基于降噪自编码器的数据分析方法。

在此需要说明的是，本申请提供的上述芯片，能够相应地实现上述方法实施例中服务器所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。

如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。

此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

在本申请实施例的描述中，术语“和/或”仅仅表示一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，术语“至少一种”表示多种中的任一种或多种中的至少两种的任意组合，例如，包括A、B、中的至少一种，可以表示包括A、B和C沟通的集合中选择的任意一个或多个元素。此外，术语“多个”的含义是两个或两个以上，除非是另有精确具体地规定。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。