技术领域
[0001] 本公开涉及人工智能领域及金融领域，具体地涉及一种产品推荐方法、装置、设备、介质和程序产品。
相关背景技术
[0002] 理财产品，即由商业银行和正规金融机构自行设计并发行的产品，将募集到的资金根据产品合同约定投入相关金融市场及购买相关金融产品，获取投资收益后，根据合同约定分配给投资人的一类产品。
[0003] 目前的理财营销推荐模型只是根据客户风险等级，客户对资金的持有时间要求，起购金额以及产品类型，将对应风险等级以及封闭区间内的产品推荐给客户，存在推荐产品类型单一，推荐产品不符合客户预期，以及客户持有产品即将到期时，无法继续为客户推荐预期产品的问题，产品推荐效率低下。
具体实施方式
[0036] 以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
[0037] 在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0038] 在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0039] 在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
[0040] 本公开实施例提供一种产品推荐方法、装置、设备、介质和程序产品，可用于金融领域或其他领域。需要说明的是本公开的产品推荐方法、装置、设备、介质和程序产品可用于金融领域，也可用于除金融领域之外的任意领域，本公开的产品推荐方法、装置、设备、介质和程序产品的应用领域不做限定。
[0041] 在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
[0042] 在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
[0043] 图1示意性示出了根据本公开实施例的产品推荐方法、装置、设备、介质和程序产品的应用场景图。
[0044] 如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0045] 用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
[0046] 终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0047] 服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
[0048] 需要说明的是，本公开实施例所提供的产品推荐方法一般可以由服务器105执行。相应地，本公开实施例所提供的产品推荐装置一般可以设置于服务器105中。本公开实施例所提供的产品推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的产品推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
[0049] 应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0050] 以下将基于图1描述的场景，通过图2～图8对公开实施例的产品推荐方法进行详细描述。
[0051] 图2示意性示出了根据本公开实施例的产品推荐方法的流程图。
[0052] 如图2所示，本公开的实施例提供了一种产品推荐方法，例如包括：
[0053] S210，在取得客户授权的情况下，获取客户数据和与客户对应的产品数据。
[0054] 例如，客户数据为包含客户特征的数据，针对理财系统中的客户，客户特征例如包括资产信息，基本信息，渠道偏好，风险能力等。与客户对应的产品数据为该客户购买的产品或相关产品的产品属性特征数据。针对理财产品，产品属性主要包含期限，收益率，风险等级和产品类型，其中产品类型又包括固定收益类，权益类，商品及金融衍生品类，混合类以及传统产品。
[0055] S220，采用协同过滤算法处理客户数据与产品数据，得到第一产品相似度。
[0056] 例如，协同过滤算法(Collaborative Filtering)是一种依赖用户和物品之间行为关系的推荐算法。在客户层面，可以根据客户数据，找到具有相同或相近的渠道偏好、风险能力、所处地理位置等的客户，然后，针对相似客户，再分析该相似客户所购买的产品，得到产品相似度。
[0057] 图3示意性示出了根据本公开实施例的计算第一产品相似度的方法流程图。
[0058] 根据本公开的实施例，如图3所示，例如通过步骤S321～S323来计算第一产品相似度。
[0059] 步骤S321，根据客户数据与产品数据，确定各产品购买人数。
[0060] 步骤S322，根据各产品购买人数，确定各产品的共同购买人数。
[0061] 步骤S323，根据各产品的共同购买人数，确定第一产品相似度。
[0062] 例如，使用ItemCF计算产品之间的相似度。具体公式为：
[0063]
[0064] 其中，|N(i)|表示的是对理财产品i的偏好的用户个数，|N(j)|表示的是对理财产品j的偏好的用户个数。分子则表示，同时偏爱理财产品i与理财产品j的用户。当同时喜欢某两个或多个产品的用户数越多时，表示该两个或多个产品的相似度就越大。通过确定产品的共同购买人数，挖掘了相似客户之间的产品购买偏好，进而计算相似客户所购买的产品之间的相似度，提高了产品推荐的准确性。
[0065] 图4A示意性示出了根据本公开另一实施例的计算第一产品相似度的方法流程图。图4B示意性示出了根据本公开另一实施例的计算第一产品相似度的方法逻辑框图。
[0066] 根据本公开的实施例，考虑到理财产品具有自身生命周期，以及用户也会对理财产品的兴趣产生变化，为了使得推荐结果更贴近实际。如图4A所示，例如通过步骤S421～S422来计算第一产品相似度。
[0067] 步骤S421，根据客户数据与产品数据，确定客户购买产品的时间间隔。
[0068] 步骤S422，根据各产品的共同购买人数与客户购买产品的时间间隔，确定第一产品相似度。
[0069] 例如，如图4B所示，将根据用户行为数据(即客户数据)提取的用户行为，以及根据理财产品数据(即产品数据)提取的理财产品生命周期进行时间衰减函数拟合后，计算产品之间的相似度，即可根据产品间的相似度确定向相关客户推荐的理财产品列表。
[0070] 例如，用户对于理财产品产生行为的时间间隔越短，购买的相似度就越高，将时间衰减因子加入到产品相似度计算的公式中，在分子中引入了与时间有关的衰减项f(|tui‑tuj|)，得到产品相似度sij：
[0071]
[0072] 其中，|N(i)|，|N(j)|定义与上述相同，tui表示客户u对理财产品i产生行为的时间。
[0073] S230，根据第一产品相似度，确定第一产品推荐列表。
[0074] 例如，按产品的相似度大小对产品进行排序，将相似度大于一定阈值的产品进行汇总得到第一产品推荐列表。
[0075] S240，采用图推荐算法处理第一产品推荐列表，得到第二产品相似度。
[0076] 例如，通过协同过滤算法主要基于客户行为的相似度来计算相关产品的相似度，而没有引入产品本身的特征。图推荐主要是用来推荐相似度，例如客户A买了理财产品W，客户B与客户A的行为高度相似，因而经过图推荐算法的推荐，W产品就会出现在客户B的购买列表里。针对理财产品的相似度，结合用户行为特征，以及理财产品与用户的关联性，使用改进的图推荐算法进行推荐，可以很大程度地改善产品数据的稀疏性。
[0077] 图5A示意性示出了根据本公开实施例的计算第二产品相似度的方法流程图。图5B示意性示出了根据本公开实施例的计算第二产品相似度的方法逻辑框图。
[0078] 根据本公开的实施例，如图5A所示，例如通过步骤S541～S543来计算第二产品相似度。
[0079] 步骤S541，根据第一产品相似度，构建产品邻接矩阵。
[0080] 步骤S542，根据产品邻接矩阵，确定各产品之间的转移概率。其中，各产品之间的转移概率与各产品之间的产品属性相似度呈正相关。
[0081] 步骤S543，根据各产品之间的转移概率，确定第二产品相似度。
[0082] 例如，如图5B所示，针对由协同过滤算法计算得到的产品相似度，构建邻接矩阵，然后根据产品之间的转移概率，得到代表产品属性接近程度的产品列向量，再根据产品列向量来确定产品之间的第二相似度。两个产品之间的游走概率越高，则该两个产品的产品属性越相近，即相似度越大。
[0083] 例如，针对上述产品相似度sij，构建产品的邻接矩阵S。
[0084]
[0085] 其中，m为矩阵中代表sij＝0的数量，sij代表的是理财产品i与理财产品j原有的相似度。构建邻接矩阵后，将矩阵S按照下述公式(4)进行转换，就可以得到转移概率矩阵T。
[0086]
[0087] 其中，tij表示从理财产品i到理财产品j的转移概率。然后，计算产品列向量r。
[0088] rn＝(1‑c)×(I‑c×T)‑1×r0 (5)
[0089] 其中，r表示理财产品的列向量，即一个产品游走到其他产品的概率，c为产品游走0
到下一个节点的概率，1‑c为返回到开始节点的概率，r 表示初始概率分布，I表示单位矩阵。再通过列向量r更新理财产品i与理财产品j原有的相似度sij，得到更新后的第二相似度dij。
[0090]
[0091] 其中，rij表示理财产品i和理财产品j之间的游走概率，n表示理财产品的个数。
[0092] S250，根据第二产品相似度，确定第二产品推荐列表。
[0093] 例如，根据第二产品相似度dij，结合用户行为数据，计算用户对产品的偏好值，再根据对产品的偏好值确定第二产品推荐列表。
[0094] puj＝∑∑i∈N(u)∩S(j，k)puidij (7)
[0095] 其中，puj表示客户u对理财产品j的兴趣度，N(u)表示客户喜欢的产品的集合，S(j，k)是产品相似度的集合，具体表示与理财产品j最相似的前k个产品的集合，理财产品i为两个集合的交集，经过计算得到用户对产品的偏好值，推荐给用户。
[0096] S260，采用预先训练的排序模型，对第二产品推荐列表进行排序，以确定第三产品推荐列表。
[0097] 图6A示意性示出了根据本公开实施例的产品推荐方法的逻辑框图。图6B示意性示出了根据本公开实施例的对第二产品推荐列表进行排序的方法逻辑框图。
[0098] 根据本公开的实施例，如图6A所示，本公开的产品推荐方法例如分为数据召回阶段以及数据排序阶段两个部分。在数据召回阶段，分别通过加入时间因子的协同过滤算法处理理财产品数据和客户行为数据，得到第一产品推荐列表，以及通过改进了的图推荐算法处理该第一产品推荐列表，得到第二产品推荐列表(即图6A中的数据候选集)，然后输入到XGboost模型中进行排序，得到最终的推荐结果。
[0099] 例如，在数据召回阶段经过两种算法的推荐以后，在数据排序阶段，本公开采用XGboost算法进行排序操作。如图6B所示，首先从客户行为中进行训练样本的筛选。然后从行为数据中提取排序模型所需特征，主要包括客户特征、产品特征和交互特征。将样本和特征输入XGBoost模型进行训练。最后将之前步骤得到的数据召回结果输入模型，得到排序后的结果进行推荐。采用XGboost算法训练排序模型，可以综合多方面的因子进行排序，更深层地挖掘用户的行为，更全面地了解到用户偏好。
[0100] 图7示意性示出了根据本公开实施例的训练排序模型的方法流程图。
[0101] 根据本公开的实施例，如图7所示，例如通过步骤S761～S763来训练排序模型。
[0102] 步骤S761，根据客户数据与产品数据，确定训练样本。
[0103] 例如，根据客户数据与产品数据，分别确定客户特征、产品特征、交互特征中的一个或多个。然后根据客户特征、产品特征、交互特征中的一个或多个对产品数据进行筛选，以确定训练样本。其中，客户特征包括客户的资产信息、基本信息、渠道偏好和风险等级评分等。产品特征包括产品属性和产品类型，产品属性包括期限、收益率、风险等级、产品属地和购买份额，产品类型包括固定收益类，权益类，商品及金融衍生品类等。交互特征例如为用户的操作行为特征，正样本为客户购买的产品样本，负样本为客户关注但未购买的产品样本。采用客户特征对排序模型进行训练，可以增强排序模型对具有相关特征客户所购买产品的推荐权重。采用产品特征对排序模型进行训练，可以增强排序模型对具有相关产品属性产品的推荐权重。以及采用交互特征对排序模型进行训练，可以增强排序模型对具有相关交互行为特征产品的推荐权重。特别地，为客户推荐关注度、购买率高但其未购买的理财产品。
[0104] 例如，基于客户特征、产品特征、交互特征中的一个或多个对排序模型的定制化训练，可以实现相似产品推荐，如根据购买的产品风险等级、持有天数、交易频度，推送同属性类别的产品。如客户持有超过30天，则可向其推荐中长期产品。实现区域热销偏好产品的推荐，如考虑到有分行特色的产品，采用按地区统计热销产品，贴近区域销售的实际情况。如统计时间为最近一年，增加时间权重参数，近期热卖的产品排行更容易靠前。实现相似客户的关联产品推荐，如基于客户风险等级评分，以及购买理财产品的记录，寻找与当前客户偏好相似的客户，将相似客户购买的产品推荐给当前客户。以及实现受限场景的产品推荐等，如向交易受限客户群体推荐同类型中无对应限制的产品，实现智能推荐、精准营销。
[0105] 例如，通过提取客户行为，获得用户的点击、关注、收藏、停留时间、购买等行为，正样本为用户购买的理财产品。对于负样本的选择，首先选取理财产品中关注度购买度最高的产品进行排序，选择用户未购买未浏览的产品组成负样本。
[0106] 步骤S762，构建XGboost重排序模型。
[0107] 例如，XGboost的参数可以是General Parameters，BoosterParameters，Learning Task Parameters。其中，General Parameters参数控制在提升过程中使用哪种模型，例如包括树模型(gbtree)和线性模型(gblinear)。Booster Parameters取决于使用哪种booster。例如树模型的模型参数主要包括决策树的数量、深度等。Learning Task Parameters主要控制学习的场景。例如在回归问题场景中，就会使用到不同的参数进行排序的控制。
[0108] 步骤S763，使用训练样本对XGboost重排序模型进行训练，得到预先训练的排序模型。
[0109] 例如，训练模型为对模型进行调优，本公开采用的基分类器为CART。首先选择较高的学习速率，然后选择对应于此学习速率的理想的决策树的数量，例如采用XGBoost的cv函数，可以自动地学习出理想的决策树数量。在确定了上述两值之后，再对树模型的具体参数进行调优，主要包括树的深度max_depth、随机采样比例subsample、损失函数下降最小值gamma、以及孩子节点最小权重min_child_weight。例如采用GridSearchGV进行参数调优，将每个参数的取值进行分段，对比分析取出使得模型表现最好的参数。最后降低学习速率，确定最终的理想参数。
[0110] S270，根据第三产品推荐列表向客户推荐产品。
[0111] 图8示意性示出了根据本公开另一实施例的产品推荐方法的流程图。
[0112] 根据本公开的实施例，如图8所示，本公开的产品推荐方法例如还包括：
[0113] S871，确定客户的临期产品。以及
[0114] S872，在临期产品到期前的设定时间节点，从第三产品推荐列表中推荐与客户当前持有的产品类型相同的产品。
[0115] 例如，查看未来两周内的客户理财产品到期情况，根据客户当前持有的产品类型，在第三产品推荐列表中寻找同类产品中的热销产品进行推荐。在客户所持有的理财产品到期前，为其推荐相同类型的高相似度的产品，为客户节省大量的选择理财产品的时间，提高了产品推荐的精准性、智能性。
[0116] 基于上述产品推荐方法，本公开还提供了一种产品推荐装置。以下将结合图9对该产品推荐装置进行详细描述。
[0117] 图9示意性示出了根据本公开实施例的产品推荐装置的结构框图。
[0118] 如图9所示，该实施例的装置900例如包括：获取模块910、第一计算模块920、第一确定模块930、第二计算模块940、第二确定模块950、排序模块960和推荐模块970。
[0119] 获取模块910用于在取得客户授权的情况下，获取客户数据和与客户对应的产品数据。在一实施例中，获取模块910可以用于执行前文描述的操作S210，在此不再赘述。
[0120] 第一计算模块920用于采用协同过滤算法处理客户数据与产品数据，得到第一产品相似度。在一实施例中，第一计算模块920可以用于执行前文描述的操作S220，在此不再赘述。
[0121] 第一确定模块930用于根据第一产品相似度，确定第一产品推荐列表。在一实施例中，第一确定模块930可以用于执行前文描述的操作S230，在此不再赘述。
[0122] 第二计算模块940用于采用图推荐算法处理第一产品推荐列表，得到第二产品相似度。在一实施例中，第二计算模块940可以用于执行前文描述的操作S240，在此不再赘述。
[0123] 第二确定模块950用于根据第二产品相似度，确定第二产品推荐列表。在一实施例中，第二确定模块950可以用于执行前文描述的操作S250，在此不再赘述。
[0124] 排序模块960用于采用预先训练的排序模型，对第二产品推荐列表进行排序，以确定第三产品推荐列表。在一实施例中，排序模块960可以用于执行前文描述的操作S260，在此不再赘述。
[0125] 推荐模块970用于根据第三产品推荐列表向客户推荐产品。在一实施例中，推荐模块970可以用于执行前文描述的操作S270，在此不再赘述。
[0126] 根据本公开的实施例，获取模块910、第一计算模块920、第一确定模块930、第二计算模块940、第二确定模块950、排序模块960和推荐模块970中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块910、第一计算模块920、第一确定模块930、第二计算模块940、第二确定模块950、排序模块960和推荐模块970中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块910、第一计算模块920、第一确定模块930、第二计算模块940、第二确定模块950、排序模块960和推荐模块970中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0127] 图10示意性示出了根据本公开实施例的适于实现产品推荐方法的电子设备的方框图。
[0128] 如图10所示，根据本公开实施例的电子设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0129] 在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0130] 根据本公开的实施例，电子设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
[0131] 本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的产品推荐方法。
[0132] 根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM1002和RAM 1003以外的一个或多个存储器。
[0133] 本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的产品推荐方法。
[0134] 在该计算机程序被处理器1001执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0135] 在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0136] 在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0137] 根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0138] 附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0139] 本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0140] 以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
