基于响应模型的目标消费数据预测方法及装置

技术领域

本发明实施例涉及计算机技术领域，具体涉及一种基于响应模型的目标消费数据预测方法及装置。

背景技术

随着信用卡发卡客户群和业务规模的扩大，信用卡产业从“跑马圈地”走向“精耕细作”。对于信用卡存量客户(即通过发卡银行审核通过获发信用卡后的持卡客户)，进行综合经营，激励客户多用卡、用好卡，有助于提升客户粘性，促进分期等业务开展。

传统的做法根据营销活动，筛选客户，促使客户参加活动，但其没有从用户角度出发，存在效率较低、覆盖度较低且银行经营成本高等问题。提升客户的消费力，核心在于对客户消费能力的预测。传统模型仅关注预测的准确性，即预测消费金额和实际消费金额差距最小化，而没有关注客户消费目标是否达成，消费标准设置是否合理等。因此，需要一种对目标消费数据进行准确预测的方法，以保障目标消费数据的合理设置。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的基于响应模型的目标消费数据预测方法及装置。

根据本发明实施例的一个方面，提供了一种基于响应模型的目标消费数据预测方法，方法包括：

获取用户的用户特征数据，输入至预设响应模型，得到未来第一预设时间段内用户的预测分值以及用户的预测消费数据；其中，预测分值与用户的预测消费数据对应；

根据用户在第二预设时间段内的消费数据划分确定多个消费层级，将各个用户按照消费数据划分至对应的消费层级，以及，根据预测分值划分确定多个预测层级，将各个用户按照预测分值划分至对应的预测层级；消费层级和预测层级包含的层级个数相同的层级相同；

针对任一消费层级，统计处于消费层级且处于相同层级或者不同层级的预测层级的用户，得到第一用户数；统计处于消费层级的用户，得到第二用户数，根据第一用户数和第二用户数，计算得到消费层级的各个用户数占比；

判断各个消费层级的用户数占比是否符合预设预测条件；

若是，根据用户处于的消费层级和预测层级，确定目标层级，根据目标层级、预测消费数据和消费数据确定目标消费数据。

根据本发明实施例的另一方面，提供了一种基于响应模型的目标消费数据预测装置，其包括：

预测模块，适于获取用户的用户特征数据，输入至预设响应模型，得到未来第一预设时间段内用户的预测分值以及用户的预测消费数据；其中，预测分值与用户的预测消费数据对应；

层级划分模块，适于根据用户在第二预设时间段内的消费数据划分确定多个消费层级，将各个用户按照消费数据划分至对应的消费层级，以及，根据预测分值划分确定多个预测层级，将各个用户按照预测分值划分至对应的预测层级；消费层级和预测层级包含的层级个数相同；

占比模块，适于针对任一消费层级，统计处于消费层级且处于相同层级或者不同层级的预测层级的用户，得到第一用户数；统计处于消费层级的用户，得到第二用户数，根据第一用户数和第二用户数，计算得到消费层级的各个用户数占比；

判断模块，适于判断各个消费层级的用户数占比是否符合预设预测条件；

目标确定模块，适于若判断模块判断用户数占比符合预设预测条件，根据用户处于的消费层级和预测层级，确定目标层级，根据目标层级、预测消费数据和消费数据确定目标消费数据。

根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于响应模型的目标消费数据预测方法对应的操作。

根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于响应模型的目标消费数据预测方法对应的操作。

根据本发明实施例的提供的基于响应模型的目标消费数据预测方法及装置，利用预设响应模型，可以基于用户特征数据，预测得到用户未来时间段内的用户的预测分值和用户的预测消费数据。通过划分预测分值，将各个用户划分至对应的消费层级，通过对用户实际的消费数据划分，将各个用户划分至对应的预测层级，根据各个用户处于的消费层级和预测层级，统计第一用户数和第二用户数，计算得到用户数占比，即得到预测消费数据对应的用户与实际的消费数据对应的用户的比值，判断用户数占比是否符合预设预测条件，从而确定预测的准确性，再根据用户处于的消费层级和预测层级，确定目标层级，根据目标层级、预测消费数据和消费数据确定目标消费数据，使得确定的目标消费数据更合理，用户更能达到目标消费数据，也可以方便根据目标消费数据对用户进行合理营销。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的基于响应模型的目标消费数据预测方法的流程图；

图2示出了目标层级示意图；

图3示出了目标消费数据示意图；

图4示出了根据本发明一个实施例的基于响应模型的目标消费数据预测装置的结构示意图；

图5示出了根据本发明一个实施例的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

首先，对本申请一个或多个实施例涉及的名词术语进行解释。

信用卡消费力：一段时间内信用卡的消费金额合计，不含分期。

图1示出了根据本发明一个实施例的基于响应模型的目标消费数据预测方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取用户的用户特征数据，输入至预设响应模型，得到未来第一预设时间段内用户的预测分值以及用户的预测消费数据。

现有技术采用如回归模型预测信用卡消费力，信用卡消费力是一个连续值，回归模型虽然可以进行预测，但对于如银行而言，消费力的具体数值意义不大，其更关注消费力所在的区间值。如了解用户具体消费3000元还是3001元的意义不大，更关注消费力属于(1500，3000]，还是(3000，5000]的区间。或者，采用如多分类算法损失函数，但由于其类别之间不具有排序性，不符合消费力预测残差分布要求。如预测用户a消费力为(5000，7000]，若预测错误时，更希望预测在该区间周围，即在(3000，5000]和(7000，10000]等较近的区间概率较高，在较远区间概率较低。但传统的多分类算法不具有此特性，可能会出现实际样本数据属于(5000，7000]，模型预测为(1000，2000]的情况，存在较大的偏差，以上各模型最终得到的预测结果与实施时需要的用户目标消费数据不一致，导致模型应用与实施的割裂。基于上述问题，本实施例采用预设响应模型，将连续型目标变量变为有序离散变量的转换，通过预设响应模型，得到用户的预测消费数据，再通过划分层级、确定目标层级、最终确定目标消费数据。

预设响应模型可以用于确定目标是否达成，本实施例的预设响应模型的训练过程如下：筛选符合预设条件的样本用户，预设条件包括如信用卡激活时间达到预设时长(如6个月)的用户、预设时间范围(如近期6个月内)存在信用卡交易信息的用户、信用卡消费力降低用户、非风险存量信用卡用户等，收集以上样本用户的用户样本数据，用户样本数据包括用户的各种信用卡相关数据，具体根据实施情况设置，此处不做限定。用户样本数据可以分为不同组进行训练，如分为实验组_不提额、对照组_不提额、实验组_提额、对照组_提额等，将用户样本数据输入至预设响应模型进行训练，得到训练后的预设响应模型。预设响应模块用于预测未来第一预设时间段内用户的预测分值、用户的预测消费数据等，预测分值(如模型分)与用户的预测消费数据对应，预测分值越高，预测消费数据越高。其中，预设响应模型基于逻辑回归算法来构建，预设响应模型的目标变量根据用户样本数据在第二预设时间段内，第二预设时间段可以为表现期(如3个月，此处根据实施情况设置)用户的消费数据确定，目标变量包括第一取值和第二取值，如第一取值根据3个月的用户的信用卡月均消费金额头部50％确定，标记为1，第二取值根据3个月的用户的信用卡月均消费金额尾部50％确定，标记为0等。预测分值头部50％的用户，对应的目标变量为1，预测分值尾部50％的用户，对应的目标变量为0等。在具体实施时，模型区分度AUC＝0.86，KS＝0.54，以上为举例说明，具体根据实施情况确定，此处不做限定。

在训练预设响应模型过程中，根据目标变量第一取值可以从用户样本数据中筛选确定用户特征数据，即用户特征数据为达到目标变量第一取值的特征数据，用户特征数据包括如信用卡用户属性信息、征信信息、账户信息、信用卡交易偏好、信用卡交易信息、用户操作行为信息等特征数据。

在得到训练的预设响应模型后，针对各个用户，获取用户的用户特征数据，输入至预设响应模型，得到未来第一预设时间段，第一预设时间段可以为表现期(如3个月，此处根据实施情况设置)内用户的预测分值以及用户的预测消费数据。表现期可以为未来3个月，也可以根据实施情况设置，此处不做限定。

步骤S102，根据用户在第二预设时间段内的消费数据划分确定多个消费层级，将各个用户按照消费数据划分至对应的消费层级，以及，根据预测分值划分确定多个预测层级，将各个用户按照预测分值划分至对应的预测层级。

划分用户时，采用不同维度进行划分，如根据用户实际的消费数据和预测得到的预测分值分别进行划分。

对于用户实际的消费数据，如根据用户在第二预设时间段内的消费数据划分确定多个消费层级，将各个用户按照消费数据划分至对应的消费层级，具体的，第二预设时间段可以与第一预设时间段相同，如3个月，即获取用户在近3个月的消费数据，也可以根据实施情况设置，此处不做限定。将消费数据按照等频划分，确定多个消费层级，等频划分的每个消费层级的用户数相同，如划分20个消费层级，层级具体可以根据实施情况设置，如根据权益的丰富度、客群的多样性灵活设置，此处不做限定。考虑消费数据为0的用户数众多，可以合并在先的几个层级，如合并前3个层级，为A1，最终得到18个消费层级，各个消费层级对应各自的消费数据，如下表1所示：

表1

对于预测分值，可以将预测分值按照等频划分，如预测分值为300-900，等频划分为如100个档位(即按照用户数进行等频划分，每档位的用户数相同)，根据多个档位确定多个预测层级，预测层级与消费层级的层级相同，如将多个档位映射为18个预测层级，约每5档位为一个预测层级，考虑预测消费数据为0的用户数众多，可以合并在先的档位，如在先的多个档位为B1的预测层级，其他预测层级可以包含4个档位、5个档位、6个档位等，此处可以根据实施情况进行调整。每个预测层级对应各自的预测分值，如下表2所示：

表2

以上表1和表2中的预测分值、预测消费数据、消费数据等数字均为举例说明，具体根据实施情况确定，此处不做限定。

步骤S103，针对任一消费层级，统计处于消费层级且处于相同层级或者不同层级的预测层级的用户，得到第一用户数；统计处于消费层级的用户，得到第二用户数，根据第一用户数和第二用户数，计算得到消费层级的各个用户数占比。

在划分得到以上各个消费层级和预测层级后，可以根据消费层级和预测层级中的用户数，来计算得到用户数占比。

具体的，针对任一消费层级，分别统计处于该消费层级且处于与该消费层级相同层级或者不同层级的预测层级的用户，得到第一用户数，统计处于消费层级的用户，得到第二用户数。如以A1消费层级为例，统计处于A1，且处于B1的用户，得到第一用户数a，统计处于A1，且处于B2的用户，得到第一用户数b…统计处于A1，且处于B18的用户，得到第一用户数r。统计处于A1的用户，得到第二用户数A，A1消费层级的用户数占比根据第一用户数和第二用户数的比值确定，消费层级的用户数占比分别为a/A、b/A…r/A等。对于其他消费层级，依次计算，得到各个消费层级的用户数占比。如下表3所示，将左侧第一列为实际的消费数据对应的各个消费层级，上方第一行对应的是预测消费数据对应的各个预测层级。

表3

步骤S104，判断各个消费层级的用户数占比是否符合预设预测条件。

对各个消费层级的用户数占比，表征了预测消费数据的用户数与实际的消费数据的用户数的比值。在判断时，针对任一消费层级，先确定该消费层级的最大的用户数占比，如以A2消费层级为例，消费层级的层级为2，先将A2中各个用户数占比进行排序比较，确定其中最大的用户数占比，再判断该最大的用户数占比中使用的第二用户数的预测层级的层级是否与该消费层级的层级相同，即预测层级是否为B2，或者，判断该最大的用户数占比中使用的第二用户数的预测层级的层级是否为消费层级的层级的相邻层级，如消费层级的层级为2，则判断预测层级是否为B1或者B3，若以上判断结果均为否，则说明预测消费数据与实际的消费数据不吻合，预测消费数据与实际的消费数据存在偏差，确定用户数占比不符合预设预测条件，需要对预测层级进行微调，以使用户数占比符合预设预测条件。其中，优先判断最大的用户数占比中使用的第二用户数的预测层级的层级是否与该消费层级的层级相同，预测层级的层级应该满足大概率与消费层级的层级相同，较大概率为消费层级的层级的相邻层级，若与消费层级的层级相差较大，说明不符合预设预测条件，需要对预测层级进行微调。

判断时，需要对每个消费层级的用户数占比均进行判断，只有当各个消费层级的用户数占比都符合预设预测条件时，即表3中，每行最大的用户数占比分布在表3的对角线附近时，说明预测消费数据与实际的消费数据吻合，各个消费层级的用户数占比都符合预设预测条件，则执行步骤S105，否则，可以根据模型分来重新划分预测层级，通过对预测层级进行微调，用户数变化，重新计算用户数占比，重新判断，以使用户数占比符合预设预测条件。

步骤S105，根据用户处于的消费层级和预测层级，确定目标层级，根据目标层级、预测消费数据和消费数据确定目标消费数据。

当判断用户数占比符合预设预测条件时，即预测消费数据与实际的消费数据吻合时，可以为用户设置目标消费数据，以提升用户的信用卡消费力。

具体的，可以根据用户实际的消费数据，为不同的用户确定不同的目标消费数据，若用户的消费层级的层级小于等于预测层级的层级时，确定目标层级为预测层级，或者，若用户的消费层级的层级大于预测层级的层级，且消费层级的层级小于等于预测层级的层级加上预设层级时，确定目标层级为消费层级；或者，若消费层级的层级大于预测层级的层级加上预设层级时，确定目标层级为预测层级的层级加上预设层级。进一步，为避免目标层级过低，还可以判断目标层级是否小于预设目标层级；若是，将目标层级设置为预设目标层级。预设目标层级可以设置为如6层级，根据上述确定目标层级的方式，对应的设置目标层级，如图2所示，以预设目标层级为6层级为例，左侧第一列为实际的消费数据对应的各个消费层级，上方第一行对应的是预测消费数据对应的各个预测层级，图2中其他各个数字即目标层级。

在确定目标层级后，可以获取与目标层级的层级相同的消费层级的消费数据，以及与目标层级的层级相同的预测层级的预测消费数据，以目标层级为6层级为例，消费层级A6的消费数据包括如814、1328、1329…1444等，预测层级B6的预测消费数据包括如867、1000、1133、1267、1400等。获取消费数据中累计用户占比首次大于等于预设占比阈值时的消费数据，作为目标消费数据。先计算消费层级中每个消费数据对应的用户数与消费层级中总用户数的比值，将比值按照消费数据从高到低排序，进行累加，得到消费数据从高到低的累计用户占比，预设占比阈值可以设置为如头部20％，即当消费数据中累计用户占比累计达到20％时，此时对应的消费数据，即目标消费数据，通过计算，消费数据为1328时，累计用户占比达到20％，此时目标消费数据为1328。对应的，获取预测消费数据中累计用户占比首次大于等于预设占比阈值时的预测消费数据，作为目标预测消费数据，如预测消费数据包括867、1000、1133、1267、1400等，累计用户占比分别是15.23％、27.20％、16.61％、27.39％、13.58％，预设占比阈值为头部20％，累计用户占比首次大于等于20％时，对应的预测消费数据为1267，目标预测消费数据为1267。获取目标预测消费数据与目标消费数据两者中的最大值max(1267,1328)，并对最大值进行向上取整处理，在向上取整时可以设置为取整到百位或者千位，如取整至百位，为1500，即得到目标消费数据为1500。在确定目标消费数据后，可以将图2中的目标层级，替换为对应的目标消费数据，得到如图3所示的数据，图3中各数据为举例说明，根据实施情况计算确定，此处不做限定。

本实施例针对用户的信用卡消费力，通过确定用户的目标消费数据(即信用卡消费金额)，以便根据目标消费数据为用户制定对应的营销策略，基于不同用户的目标消费数据，确定不同的权益、活动，实现千人千面，解决营销活动“千人一促”的格式化问题，如确定目标消费数据后，可以通过各种通知方式告知用户，如“信用卡消费满1500，赠送积分**”、信用卡额度提升、返还款金等，通知时，可以根据用户处于的不同消费层级，通过如短信、银行小程序、银行APP、人工客服等各种方式进行通知，权益根据目标消费数据设置不同权益，实现为用户提供个性化的权益定制等，以上为举例说明，具体根据实施情况设置，此处不做限定。

进一步，以上各步骤可以基于python实现。

根据本发明实施例提供的基于响应模型的目标消费数据预测方法，利用预设响应模型，可以基于用户特征数据，预测得到用户未来时间段内的用户的预测分值和用户的预测消费数据。通过划分预测分值，将各个用户划分至对应的消费层级，通过对用户实际的消费数据划分，将各个用户划分至对应的预测层级，根据各个用户处于的消费层级和预测层级，统计第一用户数和第二用户数，计算得到用户数占比，即得到预测消费数据对应的用户与实际的消费数据对应的用户的比值，判断用户数占比是否符合预设预测条件，从而确定预测的准确性，再根据用户处于的消费层级和预测层级，确定目标层级，根据目标层级、预测消费数据和消费数据确定目标消费数据，使得确定的目标消费数据更合理，用户更能达到目标消费数据，也可以方便根据目标消费数据对用户进行合理营销。

图4示出了本发明实施例提供的基于响应模型的目标消费数据预测装置的结构示意图。如图4所示，该装置包括：

预测模块410，适于获取用户的用户特征数据，输入至预设响应模型，得到未来第一预设时间段内用户的预测分值以及用户的预测消费数据；其中，预测分值与用户的预测消费数据对应；

层级划分模块420，适于根据用户在第二预设时间段内的消费数据划分确定多个消费层级，将各个用户按照消费数据划分至对应的消费层级，以及，根据预测分值划分确定多个预测层级，将各个用户按照预测分值划分至对应的预测层级；消费层级和预测层级包含的层级个数相同；

占比模块430，适于针对任一消费层级，统计处于消费层级且处于相同层级或者不同层级的预测层级的用户，得到第一用户数；统计处于消费层级的用户，得到第二用户数，根据第一用户数和第二用户数，计算得到消费层级的各个用户数占比；

判断模块440，适于判断各个消费层级的用户数占比是否符合预设预测条件；

目标确定模块450，适于若判断模块440判断用户数占比符合预设预测条件，根据用户处于的消费层级和预测层级，确定目标层级，根据目标层级、预测消费数据和消费数据确定目标消费数据。

可选地，装置还包括：训练模块460，适于筛选符合预设条件的样本用户，收集样本用户的用户样本数据；预设条件包括信用卡激活时间达到预设时长的用户、预设时间范围存在信用卡交易信息的用户、信用卡消费力降低用户和/或非风险存量信用卡用户；将用户样本数据输入至预设响应模型进行训练，得到训练后的预设响应模型；预设响应模型基于逻辑回归构建；预设响应模型的目标变量根据用户样本数据在第二预设时间段内用户的消费数据确定，目标变量包括第一取值和第二取值；根据目标变量的第一取值从用户样本数据中筛选确定用户特征数据；用户特征数据包括：信用卡用户属性信息、征信信息、账户信息、信用卡交易偏好、信用卡交易信息和/或用户操作行为信息。

可选地，层级划分模块420进一步适于：

根据用户在第二预设时间段内的消费数据按照等频划分，确定多个消费层级；各个消费层级对应各自的消费数据，等频划分的每个消费层级的用户数相同；

将各个用户按照各自的消费数据划分至对应的消费层级；

根据预测分值按照等频划分为多个档位，根据多个档位确定多个预测层级；各个预测层级对应各自的预测分值，其中，按照相同用户数进行等频划分；

将各个用户按照各自的预测分值划分至对应的预测层级。

可选地，消费层级的用户数占比根据消费层级的第一用户数和第二用户数的比值确定。

可选地，判断模块440进一步适于：

针对任一消费层级，确定消费层级的最大的用户数占比；

判断最大的用户数占比的第二用户数的预测层级的层级是否与消费层级的层级相同，或者判断最大的用户数占比的第二用户数的预测层级的层级是否为消费层级的层级的相邻层级；

若否，则判断用户数占比不符合预设预测条件。

可选地，装置还包括：微调模块470，适于对预测层级进行微调，以使用户数占比符合预设预测条件。

可选地，目标确定模块450进一步适于：

若用户的预测层级的层级小于等于消费层级的层级时，确定目标层级为消费层级；或者，若用户的预测层级的层级大于消费层级的层级，且预测层级的层级小于等于消费层级的层级加上预设层级时，确定目标层级为预测层级；或者，若预测层级的层级大于消费层级的层级加上预设层级时，确定目标层级为消费层级的层级加上预设层级；

判断目标层级是否小于预设目标层级；

若是，将目标层级设置为预设目标层级；

获取与目标层级的层级相同的消费层级的消费数据，以及与目标层级的层级相同的预测层级的预测消费数据；

获取消费数据中累计用户占比首次大于等于预设占比阈值时的消费数据，作为目标消费数据，以及，获取预测消费数据中累计用户占比首次大于等于预设占比阈值时的预测消费数据，作为目标预测消费数据；

获取目标预测消费数据与目标消费数据的最大值，并对最大值进行向上取整处理，得到目标消费数据。

以上各模块的描述参照方法实施例中对应的描述，在此不再赘述。

本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的基于响应模型的目标消费数据预测方法。

图5示出了根据本发明实施例的一种计算设备的结构示意图，本发明实施例的具体实施例并不对计算设备的具体实现做限定。

如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。

其特征在于：

处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述基于响应模型的目标消费数据预测方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行上述任意方法实施例中的基于响应模型的目标消费数据预测方法。程序510中各步骤的具体实现可以参见上述基于响应模型的目标消费数据预测实施例中的相应步骤和单元中对应的描述，在此不赘述。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，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的较佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其特征在于每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。