技术领域
[0001] 本申请属于产品排序技术领域，尤其涉及一种产品排序方法、装置、设备、介质及程序产品。
相关背景技术
[0002] 目前，在金融产品领域，可通过推荐系统及相关算法推测用户和金融产品之间的潜在关联关系，根据关联关系对用户提供金融产品排序结果。但是现有技术中，对于用户和金融产品之间的潜在关联关系的金牛星分析的相关算法，仅考虑了用户基础信息或基于客观的历史数据集，不能充分挖掘出用户与产品之间的关联关系，由此对用户提供金融产品排序结果的准确度不高。
具体实施方式
[0043] 下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
[0044] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0045] 本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
[0046] 模糊矩阵：用来表示模糊关系的矩阵，如果集合X有m个元素，集合Y有n个元素，由集合X到集合Y的模糊关系，可用矩阵表示。
[0047] 模糊聚类：应用模糊数学方法，通过计算样本属于各个类别的不确定性程度，进行聚类分析。
[0048] 现有企业金融产品推荐系统一般是以下模式：
[0049] 基于数据挖掘的推荐算法，给企业和产品打上标签，利用数据挖掘算法计算企业和产品的相似度，再结合协同过滤算法将匹配度高的产品推荐给用户。
[0050] 但是，目前的产品推荐系统对企业和产品的相似度计算信息来源或基于爬取的企业信息或基于客观的历史数据集，与领域知识结合度较少，无法结合用户的主观选择精确的推荐产品，推荐产品的排序的可信度存疑。
[0051] 由此，现有技术中的产品排序方法方法，存在准确率低的问题，无法满足客户需求。
[0052] 为了解决现有技术问题，本申请实施例提供了一种产品排序方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的产品排序方法进行介绍。
[0053] 图1示出了本申请一个实施例提供的产品排序方法的流程示意图。如图1所示，本申请实施例提供的产品排序方法包括以下步骤：S101至S105：
[0054] S101、根据产品数据集中各产品的属性信息和目标用户的用户特征信息，确定各产品与目标用户的第一关联值。
[0055] 其中，第一关联值表征产品与目标用户之间的关联程度。例如第一关联值可以是产品与用户之间的相似度。
[0056] 这里属性信息可以是产品本身所固有的性质、特质、特征,例如对于金融产品的属性可以是产品类型、发行者、认购者、期限、收益、风险等等。目标用户的特征信息为用户的所固有的特征，例如若用户为企业用户，则企业用户的特征信息可以是企业的经营范围、经营年限等等。若用户为自然人用户，则用户的特征信息可以是年龄、性别、学历、职业等。
[0057] 在一个示例中，首先可以依据预设的多个特征项以及每个特征项对应的赋值规则，根据产品的属性信息，得到每个产品与多个特征项对应的特征值，根据目标用户的特征信息，得到目标可以得到与多个特征项对应的特征值；然后根据产品的特征值与目标用户的特征值进行关联度计算，即可得出各产品与目标用户的第一关联值。这里，预设的特征项可以是根据用户的特征信息有专家或特定技术人员来确定。
[0058] 关联度计算方法可以是余弦相似性、皮尔森相似度、修正余弦相似性等，本申请不做限定。
[0059] S102、基于第一关联值，对各产品进行排序，得到第一排序结果。
[0060] 具体地，在确定每个产品与目标用户的第一关联值之后，可以根据第一关联值的数值大小来进行排序。也可以帅选出第一关联值大于预设阈值的产品，对筛选出来的产品再进行排序。
[0061] S103、根据目标用户所属的目标用户聚类中各第一用户的行为数据，确定各产品与目标用户聚类之间的第二关联值。
[0062] 其中，第二关联值表征产品与目标用户聚类之间的关联程度，用户数据集中包括多个用户的用户特征信息，行为数据为第一用户对各产品的用户行为数据。
[0063] 这里目标用户聚类，为与目标用户为同一类用户的用户集合，即在大量的用户中挖掘出和目标用户具有相同兴趣的用户。
[0064] 通过目标用户聚类中的各用户的行为数据确定各第一用户对各产品的感兴趣程度，来对各产品与目标用户聚类的关联度进行评分，进而得到各产品与目标用户聚类之间的第二关联值。
[0065] 这里可以通过用户的历史行为数据发现用户对产品或内容的喜欢(如产品购买，收藏，内容评论或分享)，并对这些喜好进行度量和打分，综合目标用户聚类中各第一用户对个商品的分值，即获得各产品与目标用户聚类之间的第二关联值。
[0066] S104、基于第二关联值，对各产品进行排序，得到第二排序结果。
[0067] S105、根据第一排序结果和第二排序结果，得到各产品的目标排序结果。
[0068] 这里，在获得了第一排序结果和第二排序结果之后，可以对第一排序结果和第二排序结果进行合并去重，根据各商品分别在两个排序结果中的关联值，重新计算关联值，根据最终的关联值，进行重新排序。例如：可以将目标产品在第一排序结果中的第一关联值与在第二排序结果中的第二关联值相加。也可以针对第一排序结果和第二排序结果设置不同权重，基于不同权重来计算。
[0069] 本申请实施例的产品排序方法，首先根据产品的要素信息和用户的特征信息计算得出各产品与用户关联度分值，即第一关联值，对产品进行排序，得到第一排序结果；然后根据用户所属的目标聚类中的用户的行为数据，计算各产品与用户所属的目标用户聚类之间的关联度分值，即第二关联值，对各产品进行排序，得到第二排序结果；然后根据第一排序结果和第二排序结果进行综合处理得到目标产品排序结果。将用户特征信息或基于客观的历史数据集与用户的行为数据结合来确定将对用户和产品的关联度，进而对待推荐产品进行排序，提高了产品排序的准确性。
[0070] 在一些实施例中，上述S101中，可以根据产品数据集中各产品的属性信息，利用模糊聚类方法将产品数据集中的产品进行聚类处理，得到N个第一聚类和N个第一聚类的聚类中心，产品数据集中包括多个产品的属性信息，N为正整数；
[0071] 根据目标用户的用户特征信息，确定各第一聚类的聚类中心与目标用户的关联值，得到N个第三关联值；
[0072] 根据N个第三关联值在N个第一聚类中筛选出部分第一聚类，得到M个第一聚类，M小于等于N，M为正整数；
[0073] 根据M个第一聚类中各第一产品的属性信息和目标用户的用户特征信息，确定各第一产品与目标用户的关联值，得到K个第四关联值，K为正整数；
[0074] 基于第一关联值，对各产品进行排序，得到第一排序结果，包括：
[0075] 根据K个第四关联值，对各第一产品进行排序，得到第一排序结果。
[0076] 这里，第一聚类的聚类中心即第一聚类中的中心点对应的产品。
[0077] 第一产品为筛选得到的M个第一聚类中的任一产品。
[0078] 其中，模糊聚类方法是指依据模糊矩阵将所研究的对象进行分类的方法。
[0079] 具体地，首先采用模糊聚类方法的方法，对产品数据集中的产品进行聚类，得到N个第一聚类，即将产品划分为N个类别，然后根据聚类中心来计算各个第一聚类与目标用户之间的关联度(或相似度，即第三关联值)，由此根据第三关联值来确定在得到的多个第一产品聚类中与目标用户关联度较高的产品类别，进而对产品进行初步筛选，得到M个第一聚类；然后根据M个第一聚类中各第一产品的属性信息和目标用户的用户特征信息，确定各第一产品与目标用户的关联值，得到K个第四关联值，根据K个第四关联值，对各第一产品进行排序，得到第一排序结果。
[0080] 在本实施例中，对于数据量较大的产品数据集中的产品可以通过对产品进行聚类，得到多个产品聚类；计算各产品聚类中心与目标用户的关联度；筛选出关联值较高的产品聚类；对筛选出的产品聚类，通过计算每个产品与用户的关联值进行排序，得到第一排序结果。由此可以减少运算量，提高产品排序的效率。
[0081] 这里的关联度计算方法可以采用与上述第一关联度相同的计算方法。
[0082] 在一个示例中，为了能够将产品进行聚类分析，需要维护一套推荐产品与上述选项值之间的关系。关系的远近程度由数值的高低表示，例如(p1‑s1,p1‑s2..p1‑sk),(p2‑s1,p2‑s2..pk‑sk)，(即依据预设的多个特征项以及每个特征项对应的赋值规则，根据产品的属性信息，得到每个产品与多个特征项对应的特征值)，产品与选项值之间使用多对多的关系存储在关系型数据库中。
[0083] 在一些实施例中，上述根据产品数据集中各产品的属性信息，利用模糊聚类方法将产品数据集中的产品进行聚类处理，得到N个第一聚类和N个第一聚类的聚类中心，可以包括：
[0084] 根据产品数据集中各产品的属性信息，确定各产品的特征指标；
[0085] 基于各产品的特征指标构建产品模糊矩阵；
[0086] 利用传递闭包法，计算产品模糊矩阵的传递闭包；
[0087] 根据传递闭包对各产品进行聚类，得到N个第一聚类和各第一聚类的聚类中心。
[0088] 其中，特征指标可以是根据产品的属性信息，
[0089] 具体地，首先，确定预设的多个特征项以及每个特征项对应的赋值规则，然后确定到产品与多个特征项对应的特征值，根据各产品的特征值，构建产品模糊矩阵；然后确定模糊矩阵中元素的相似程度，使用平方法进行改进，得到模糊等价矩阵；根据模糊等价矩阵利用传递闭包法，计算产品模糊矩阵的传递闭包。根据传递闭包对各产品进行聚类，得到N个第一聚类和各第一聚类的聚类中心。
[0090] 在一些实施例中，在上述S102之前，即根据目标用户所属的目标用户聚类中各第一用户的行为数据，确定各产品与目标用户聚类之间的第二关联值之前还可以包括：
[0091] 根据用户数据集中各用户的用户特征信息，利用模糊聚类方法将用户数据集中各用户进行聚类处理，得到多个第二聚类，其中，用户数据集中包括多个用户的用户特征信息，第二聚类包括至少一个用户；
[0092] 根据目标用户的用户特征信息，在多个第二聚类中确定目标用户聚类，目标用户聚类为目标用户所属的第二聚类。
[0093] 在一个示例中，可以依据预设的多个特征项以及每个特征项对应的赋值规则，根据目标用户的特征信息，可以得到目标用户与多个特征项对应的特征值；然后根据用户的特征值，通过模糊聚类方法将用户数据集中各用户进行聚类处理。
[0094] 用户数据集可以包括目标用户。若用户数据集不包括目标用户，则可以通过计算目标用户与多个第二聚类的聚类中心的关联度或相似度，来确定目标用户属于哪个第二聚类，由此确定目标用户聚类。
[0095] 在一个示例中，用户为企业用户，可以由领域专家定义与企业相关的数条相关选项(特征项)，每个选项下又定义N个选项值x1,x2,x3..xk,并将每个选项值打分(选项值对应的赋值规则)，存储在关系型数据库中。让企业用户自己选择绑定企业与相关选项的关系，这样每个企业转化为一个N为向量(c1‑s1,c1‑s2..ck‑sk),(c2‑s1,c2‑s2..ck‑sk)，为构建模糊矩阵做数据准备。
[0096] 这里对用户进行模糊聚类处理所采用的方法相同，在此不再赘述。
[0097] 在一个示例中，对用户进行聚类处理，在用户为企业用户的情况下，将企业‑相关选项分值转化为向量，企业组合构建出企业矩阵，通过归一化处理得出产品企业模糊矩阵，求得矩阵的传递闭包，利用传递闭包法将企业划分为多个聚类。
[0098] 在一些实施例中，上述S103中的根据目标用户所属的目标用户聚类中各第一用户的行为数据，确定各产品与目标用户聚类之间的第二关联值，可以包括：
[0099] 获取目标用户聚类中各第一用户的行为数据集合，行为数据集合包括各第一用户对各产品的行为数据；
[0100] 获取行为数据集合中预设时间内的与第二产品对应的用户行为数据，第二产品为产品数据集中任一产品；
[0101] 根据用户行为数据，确定产品数据集中各产品与目标用户聚类的第二关联值。
[0102] 这里，用户行为数据是指用户通过用户终端发起应用服务请求的过程中所产生的数据。例如，用户行为数据可以是下载应用程序对应的应用程序标识、通过搜索框输入的搜索词、社交平台上关注的好友标识等。
[0103] 这里第二关联值，可以是
[0104] 在本实施例中，可以通过分析用户的行为数据(如访问量，访问时间，申请数量)，通过对不同类型的行为数据配置不同的权重，得出目标用户所属聚类中其他用户的关联产品排序。
[0105] 在大量的用户中挖掘出和目标用户去同一类的用户(目标用户聚类中的用户)，作为目标用户的近邻，根据近邻与目标用户的相似度，预测目标用户对目标产品的感兴趣程度，根据最终计算结果排序，将评分较高的产品推荐给用户。
[0106] 为了便于对本实施例提供的产品排序方法的理解，在此提供上述产品排序方法的实际应用进行说明，具体参见如下示例：
[0107] (1)数据准备
[0108] 1)定义相关选项值
[0109] 针对企业金融数据的特点，本系统由领域专家定义与企业相关的数条相关选项，每个选项下又定义N个选项值x1,x2,x3..xk,并将每个选项值打分，存储在关系型数据库中。
[0110] 2)维护产品‑相关选项关系值
[0111] 为了能够将产品进行聚类分析，所以需要维护一套推荐产品与上述选项值之间的关系。关系的远近程度由数值的高低表示(p1‑s1,p1‑s2..p1‑sk),(p2‑s1,p2‑s2..pk‑sk)，产品与选项值之间使用多对多的关系存储在关系型数据库中。
[0112] 3)企业‑相关选项关系
[0113] 为了能够将企业进行聚类分析，让企业用户自己选择绑定企业与相关选项的关系，这样每个企业转化为一个N为向量(c1‑s1,c1‑s2..ck‑sk),(c2‑s1,c2‑s2..ck‑sk)，为构建模糊矩阵做数据准备。
[0114] 4)用户行为数据收集
[0115] 收集用户点击、申请等等行为的埋点数据，为后续校验产品排序，重置产品分值提供原始数据。
[0116] (2)数据处理
[0117] 1)产品聚类。
[0118] 将产品‑相关选项分值转化为向量，产品组合构建出产品矩阵，通过归一化处理得出产品模糊矩阵，求得矩阵的传递闭包，利用传递闭包法将产品划分为M个聚类，并得出产品聚类中心。
[0119] 2)企业聚类
[0120] 将企业‑相关选项分值转化为向量，企业组合构建出企业矩阵，通过归一化处理得出产品企业模糊矩阵，求得矩阵的传递闭包，利用传递闭包法将企业划分为K个聚类。
[0121] (3)产品推荐排序
[0122] 1)获取产品列表一
[0123] 企业获取产品时，计算各产品聚类中心与该企业选项值的得分，取TopN；再分别计算TopN所属聚类产品的得分，以此排序得到plist1；
[0124] 通过分析企业用户的行为数据(如访问量，访问时间，申请数量)，配置不同的权重，得出目标企业所属聚类其他用户的关联产品排序list2。
[0125] 2)产品排序与数据校验重置
[0126] 通过plist2在plist1中去重、插入重排得出resultList；结果反向对产品与相关选项的分值重置，不断优化产品推荐序列。
[0127] 推荐结果反向校验产品与关联选项的关系数值。获取到基于用户协同过滤推荐的产品列表plist2后，通过定义的业务规则，定义这些产品的排序范围，通过这些位置在plist1中重新计算排序分值并重置分数，使得排序结果动态改进。
[0128] 在上述实施例中，通过通过选择领域专家选取的N个分类和分类值，将企业转化为N维向量；建立模糊矩阵，然后使用动态聚类的传递闭包法将企业动态划分为K个聚类，从而进行产品的交叉推荐，提高了产品推荐的命中率。
[0129] 基于上述实施例提供的产品排序方法，相应地，本申请还提供了产品排序装置的具体实现方式。请参见以下实施例。
[0130] 首先参见图2，本申请实施例提供的产品排序装置200包括以下单元：
[0131] 第一确定模块201，用于根据产品数据集中各产品的属性信息和目标用户的用户特征信息，确定各产品与目标用户的第一关联值，第一关联值表征产品与目标用户之间的关联程度；
[0132] 第一排序模块202，用于第一关联值，对各产品进行排序，得到第一排序结果；
[0133] 第二确定模块203，用于根据目标用户所属的目标用户聚类中各第一用户的行为数据，确定各产品与目标用户聚类之间的第二关联值，第二关联值表征产品与目标用户聚类之间的关联程度，用户数据集中包括多个用户的用户特征信息，行为数据为第一用户对各产品的用户行为数据；
[0134] 第二排序模块204，用于基于第二关联值，对各产品进行排序，得到第二排序结果；
[0135] 第三排序模块205，用于根据第一排序结果和第二排序结果，得到各产品的目标排序结果。。
[0136] 本申请提供的产品排序装置200，能够根据产品的要素信息和用户的特征信息计算得出各产品与用户关联度分值，即第一关联值，对产品进行排序，得到第一排序结果；然后根据用户所属的目标聚类中的用户的行为数据，计算各产品与用户所属的目标用户聚类之间的关联度分值，即第二关联值，对各产品进行排序，得到第二排序结果；然后根据第一排序结果和第二排序结果进行综合处理得到目标产品排序结果。将用户特征信息或基于客观的历史数据集与用户的行为数据结合来确定将对用户和产品的关联度，进而对待推荐产品进行排序，提高了产品排序的准确性。
[0137] 在一些实施例中，上述第一确定模块201，可以包括：
[0138] 聚类子模块，用于根据产品数据集中各产品的属性信息，利用模糊聚类方法将产品数据集中的产品进行聚类处理，得到N个第一聚类和N个第一聚类的聚类中心，产品数据集中包括多个产品的属性信息，N为正整数；
[0139] 第一确定子模块，用于根据目标用户的用户特征信息，确定各第一聚类的聚类中心与目标用户的关联值，得到N个第三关联值；
[0140] 筛选子模块，用于根据N个第三关联值在N个第一聚类中筛选出部分第一聚类，得到M个第一聚类，M小于等于N，M为正整数；
[0141] 第二确定子模块，用于根据M个第一聚类中各第一产品的属性信息和目标用户的用户特征信息，确定各第一产品与目标用户的关联值，得到K个第四关联值，K为正整数；
[0142] 第一排序模块，具体用于根据K个第四关联值，对各第一产品进行排序，得到第一排序结果。
[0143] 在一些实施例中，上述产品排序装置200，还可以包括：
[0144] 第一聚类模块，用于根据用户数据集中各用户的用户特征信息，利用模糊聚类方法将用户数据集中各用户进行聚类处理，得到多个第二聚类，其中，用户数据集中包括多个用户的用户特征信息，第二聚类包括至少一个用户；
[0145] 第三确定模块，用于根据目标用户的用户特征信息，在多个第二聚类中确定目标用户聚类，目标用户聚类为目标用户所属的第二聚类。
[0146] 在一些实施例中，上述第二确定模块202，可以包括：
[0147] 第一获取子模块，用于获取目标用户聚类中各第一用户的行为数据集合，行为数据集合包括各第一用户对各产品的行为数据；
[0148] 第二获取子模块，用于获取行为数据集合中预设时间内的与第二产品对应的用户行为数据，第二产品为产品数据集中任一产品；
[0149] 第三确定子模块，用于根据用户行为数据，确定产品数据集中各产品与目标用户聚类的第二关联值。
[0150] 作为本申请的另一种实现方式，为了进一步实现任务单元的自动执行，上述获取模块201，还可以包括：
[0151] 接收子模块，用于在任务执行状态不为待执行状态，和/或，任务执行时间晚于当前时间的情况下，接收在任务执行表中对任务单元的第一输入；
[0152] 修改子模块，用于响应于第一输入，对任务执行表中与任务单元的信息进行修改，以使任务单元的任务执行状态为待执行状态以及任务执行时间早于当前时间。
[0153] 作为本申请的一种实现方式，上述聚类子模块，可以包括：
[0154] 确定单元，用于根据产品数据集中各产品的属性信息，确定各产品的特征指标；
[0155] 构建单元，用于基于各产品的特征指标构建产品模糊矩阵；
[0156] 计算单元，用于利用传递闭包法，计算产品模糊矩阵的传递闭包；
[0157] 聚类单元，用于根据传递闭包对各产品进行聚类，得到N个第一聚类和各第一聚类的聚类中心。
[0158] 图3示出了本申请实施例提供的产品排序设备的硬件结构示意图。
[0159] 在产品排序设备可以包括处理器301以及存储有计算机程序指令的存储器302。
[0160] 具体地，上述处理器301可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
[0161] 存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在综合网关容灾设备的内部或外部。在特定实施例中，存储器302是非易失性固态存储器。
[0162] 存储器可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的任意一个实施例的产品排序方法所描述的操作。
[0163] 处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现上述实施例中的任意一种产品排序方法。
[0164] 在一个示例中，产品排序设备还可包括通信接口303和总线310。其中，如图3所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
[0165] 通信接口303，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
[0166] 总线310包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI‑Express(PCI‑X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
[0167] 另外，结合上述实施例中的产品排序方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种产品排序方法。
[0168] 需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0169] 以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD‑ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0170] 还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0171] 上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0172] 以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块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。应理解，本申请的保护范围并不局限于此，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
