一种广告创意的分析方法和系统与流程
本说明书涉及广告分析技术领域，特别涉及一种广告创意的分析方法和系统。
背景技术：
广告是向公众介绍商品特性、品牌内涵和活动内容等的宣传方式，广告创意是实现广告的策略和方案。元素是广告创意的组成单元，不同的元素对广告创意的效果的贡献度不同。
因此，期望一种广告创意的分析方法和系统，能够通过确定广告创意中各元素的贡献度来分析广告创意。
技术实现要素：
本说明书实施例之一提供一种广告创意的分析方法，所述广告创意的分析方法包括：播放多个广告创意；通过网络获取多个广告创意的效果数据；基于广告元素类别确定多个广告创意的元素数据；基于多个广告创意的元素数据和效果数据，确定广告元素类别的贡献度。
本说明书实施例之一提供一种广告创意的分析系统，所述系统包括：广告创意播放模块，用于播放多个广告创意；效果数据收集模块，用于通过网络获取所述多个广告创意的效果数据；元素数据确定模块，用于基于广告元素类别确定所述多个广告创意的元素数据；贡献度确定模块，基于所述多个广告创意的所述元素数据和所述效果数据，确定所述广告元素类别的贡献度。
本说明书实施例之一提供一种广告创意的分析装置，包括处理器，所述处理器用于执行广告创意的分析方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行广告创意的分析方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的广告创意的分析系统的应用场景示意图；
图2是根据本说明书一些实施例所示的广告创意的分析方法的示例性流程图；
图3是根据本说明书一些实施例所示的确定广告元素类别的贡献度的示例性流程图；
图4是根据本说明书一些实施例所示的确定广告元素类别的贡献度的另一示例性流程图；
图5是根据本说明书一些实施例所示的确定广告元素类别的贡献度的示例性示意图；
图6是根据本说明书一些实施例所示的决策树的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
广告创意是实现广告的策略和方案，元素是广告创意的组成单元。例如，广告创意x由元素“产品1”、“文案1”和“图片1”组成，广告创意y由“产品2”、“文案2”和“图片2”组成。在一些实施例中，不同的元素对广告创意的效果的贡献度不同。例如，“产品1”对广告创意x的点击率的贡献度大于“文案1”对广告创意x的点击率的贡献度，“文案2”对广告创意y的转化率的贡献度大于“图片2”对广告创意y的转换率的贡献度。
为了分析广告创意中各元素对广告效果的贡献度，本说明书公开的一些实施例可以通过播放广告创意获取广告创意的效果数据，并提取出广告创意中的各元素。关于通过播放广告创意获取广告创意的效果数据的详细描述可以参见步骤210和步骤220，关于提取广告创意中元素的详细描述可以参见步骤220，在此不再赘述。进一步地，本说明书公开的一些实施例可以分析各元素针对不同的广告效果的贡献度。关于分析各元素贡献度的详细描述可以参见步骤230、图3和图4的详细描述，在此不再赘述。
图1是根据本说明书一些实施例所示的广告创意的分析系统的应用场景示意图。如图1所示，广告创意的分析系统100可以包括处理设备110、网络120、存储设备130和用户终端140。
在一些实施例中，处理设备110可以获取多个广告创意的效果数据，确定广告元素类别的贡献度。在处理过程中，处理设备110可以从存储设备130获取数据(如多个广告创意的效果数据)或将数据(如多个广告创意的元素数据、广告元素类别的贡献度)保存到存储设备130，也可以通过网络120从用户终端140等其他来源读取数据(如多个广告创意的效果数据)或将数据(多个广告创意)输出至用户终端140。
处理设备110可以用于处理来自系统100的至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。在一些实施例中，处理设备110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，处理设备110可以是分布式系统)。在一些实施例中，处理设备110可以是区域的或者远程的。在一些实施例中，处理设备110可以在云平台上实施，或者以虚拟方式提供。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
存储设备130可以用于存储数据(如模型、训练样本或多个广告创意的效果数据等)和/或指令。存储设备130可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，存储设备130可包括随机存取存储器(ram)、只读存储器(rom)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性地，大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，存储设备130可在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，存储设备130可以集成或包括在系统100的一个或多个其他组件(例如，处理设备110、用户终端140或其他可能的组件)中。
用户终端140指用户所使用的一个或多个终端设备或软件。在一些实施例中，用户可以使用用户终端140通过网络120与处理设备110通信，接收处理设备110发送的获取请求，并将多个广告创意的效果数据发送到处理设备110。在一些实施例中，用户终端140可以是移动设备140-1、平板计算机140-2、膝上型计算机140-3、台式计算机(未示出)、其他具有输入和/或输出功能的设备等或其任意组合。上述示例仅用于说明所述用户终端140设备范围的广泛性而非对其范围的限制。
网络120可以连接系统的各组成部分和/或连接系统与外部部分。网络120使得系统各组成部分之间以及与系统与外部部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(lan)、广域网络(wan)、无线局域网络(wlan)、城域网(man)、公共交换电话网络(pstn)、蓝牙网络、紫蜂网络(zigbee)、近场通信(nfc)、设备内总线、设备内线路、线缆连接等或其任意组合。在一些实施例中，系统各部分之间的网络连接可以采用上述一种方式，也可以采取多种方式。在一些实施例中，网络120可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换点120-1、120-2、…，通过这些网络接入点，系统100的一个或多个组件可连接到网络120以交换数据和/或信息。
在一些实施例中，所述广告创意的分析系统100可以包括广告创意播放模块、效果数据收集模块、元素数据确定模块和贡献度确定模块。
广告创意播放模块可以用于播放多个广告创意。
效果数据收集模块可以用于通过网络获取多个广告创意的效果数据。
在一些实施例中，效果数据收集模块可以进一步用于通过网络向客户端发送获取请求，获取请求至少包括多个广告创意的id、效果数据类别和数据统计时间，效果数据类别包括曝光量、点击率、转化率和投入产出比中的一种；接收客户端发送的效果数据，效果数据至少基于广告创意显示数据、广告创意触发数据、产品链接跳转数据和产品购买数据中的一种获取。
元素数据确定模块可以用于基于广告元素类别确定多个广告创意的元素数据。
在一些实施例中，元素数据确定模块可以进一步用于从每一个广告创意中提取至少一个元素；基于至少一个元素，获取对应的广告元素类别；基于多个广告创意的多个元素的广告元素类别，确定多个广告创意的元素数据。
贡献度确定模块，基于多个广告创意的元素数据和效果数据，确定广告元素类别的贡献度。
在一些实施例中，贡献度确定模块可以用于基于多个广告创意的元素数据和效果数据，确定每一个元素对应的元素效果数据；基于广告元素类别，获取对应的多个元素的多个元素效果数据；基于多个元素效果数据，确定对应的广告元素类别的贡献度。
在一些实施例中，贡献度确定模块还可以用于获取至少一组分组类别，每组分组类别包括至少一部分多个广告创意的多个元素的广告元素类别；对于每组分组类别，基于部分多个广告创意所对应的至少一部分元素数据和效果数据，确定相应的预测参数组；基于至少部分多个广告创意的元素数据和效果数据，以及至少一个预测参数组，确定广告元素类别的贡献度。
在一些实施例中，至少一个预测参数组由决策树的参数构成。
在一些实施例中，贡献度确定模块可以进一步用于对于每一种广告元素类别，通过改变至少部分多个广告创意的元素数据中广告元素类别对应的元素，获取广告元素类别对应的至少部分多个广告创意的噪声元素数据；基于至少一个预测参数组和至少部分多个广告创意的元素数据，获取第一预测效果数据，并基于第一预测效果数据和效果数据，获取第一误差；基于至少一个预测参数组和广告元素类别对应的至少部分多个广告创意的噪声元素数据，获取广告元素类别对应的第二预测效果数据，并基于第二预测效果数据和效果数据，获取广告元素类别对应的第二误差；基于第一误差和广告元素类别对应的第二误差，获取广告元素类别对应的贡献度。
应当理解，图1所示的系统及其模块可以利用各种方式来实现。需要注意的是，以上对于广告创意的分析系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的广告创意播放模块、效果数据收集模块、元素数据确定模块和贡献度确定模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的广告创意的分析方法的示例性流程图。如图2所示，流程200包括：
步骤210，播放多个广告创意。具体地，步骤210可以由广告创意播放模块执行。
广告是指向公众介绍商品特性、品牌内涵和活动内容等的宣传方式。商家、品牌方或活动组织者可以通过广告促进商品的销售、品牌的推广和活动的传播。
广告创意是实现广告的策略和方案。在一些实施例中，广告创意的形式可以包括但不限于文字、图片、音频、视频和互动多媒体等中的一种或多种的组合。
在一些实施例中，广告创意可以通过多种媒体播放。例如，文字和图片等形式的广告创意可以通过纸质媒介、广告牌、网页、阅读类应用程序播放。又例如，音频形式的广告创意可以通过广播、智能音箱、音频类应用程序播放。再例如，视频形式的广告创意可以通过led广告屏、电视、网页、视频类应用程序播放。
在一些实施例中，广告创意可以在多个点位播放。例如，可以在商圈、交通工具、热门应用程序上播放广告创意。
在一些实施例中，为了较为公平地获取多个广告创意的效果数据，可以在相同或者相似的媒体和点位进行播放多个广告创意。例如，把多个广告创意都投放在同一个媒体的一个板块内(如网络媒体甲的体育板块)，或者投放在不同媒体的相同或相近板块内(如网络媒体甲的体育板块和网络媒体乙的体育板块)。关于效果数据的详细描述可以参见步骤220，在此不再赘述。
步骤220，通过网络获取多个广告创意的效果数据。具体地，步骤220可以由效果数据收集模块执行。
在播放广告创意后，效果数据收集模块可以通过网络使用各种方式获取广告创意的效果数据，例如，发送获取请求、接收自动定期发送的效果数据等。
效果数据是反映多个广告创意播放有效性的数据。
效果数据类别是指效果数据的种类。在一些实施例中，效果数据类别可以包括但不限于曝光率、点击率、转化率和投入产出比等中的一种或多种。
曝光率是指广告创意曝光量和投放量的比值。其中，曝光量是指广告创意展示给消费者或目标受众的数量。例如，广告创意a可以覆盖的消费者数量为10000人，实际看到广告创意a的消费者数量(即曝光量)为8000人，则广告创意a的曝光率为80％。
在一些实施例中，曝光率可以评价播放广告创意的推广效率。广告创意的曝光率越高，则推广效率越高。
点击率是广告创意的内容被消费者或目标受众点击的次数和其曝光量的比值。例如，创意广告a中的购买链接被消费者点击的次数和广告创意a的曝光量的比值。
在一些实施例中，点击率可以评价广告创意吸引消费者或目标受众的程度。广告创意的点击率越高，则吸引消费者或目标受众的吸引程度越高。
转化率是广告创意完成转化行为(如购买商品、参加活动)的次数和其被消费者或目标受众点击的次数的比值。例如，创意广告a中链接被点击后成功购买商品的次数与该广告创意中链接被点击次数的比值。
在一些实施例中，转化率可以评价广告创意吸引消费者或目标受众的程度。广告创意的转化率越高，则吸引消费者或目标受众的吸引程度越高。
投入产出比是广告创意的成本和回报的比值。例如，广告创意a的投入成本值与播放广告创意a后增加的销售额的比值。
在一些实施例中，投入产出比可以评价广告创意的盈利能力。广告创意的投入产出比越低，则盈利能力越强。
在一些实施例中，效果数据收集模块可以通过网络获取效果数据。例如，效果数据收集模块可以通过网络从应用程序获取效果数据。又例如，效果数据收集模块还可以通过网络用爬虫软件从网页获取效果数据。再例如，效果数据收集模块还可以通过网络读取其他数据库、调用相关接口或其他方式获取效果数据。
在一些实施例中，效果数据收集模块还可以通过网络向客户端发送获取请求，从客户端获取效果数据。
获取请求是获取效果数据的请求，例如，http请求、ftp命令等。在一些实施例中，获取请求至少可以包括广告创意的id、效果数据类别和数据统计时间。
广告创意的id是指用于表示广告创意的符号，可以理解，每条广告创意都可以用对应的id来表示。其中，id可以是数字(如1、2)、字母(如a、b)、文字或其他符号。例如，广告创意a的id可以为0001。
数据统计时间是指效果数据的统计周期。例如，数据统计时间可以是一周、一个自然月或设置的具体时间段等。
示例性地，获取请求可以包括广告创意的id“0001”、效果数据类别“点击率和转化率”、数据统计时间“2021年1月”。
在一些实施例中，客户端可以至少基于广告创意显示数据、广告创意触发数据、产品链接跳转数据和产品购买数据中的一种获取效果数据。
广告创意显示数据是广告创意展示给消费者或目标受众的相关数据，例如，广告创意播放次数、广告创意播放频率、广告创意的浏览次数等。
广告创意触发数据是广告创意引发消费者或目标受众购买行为、参与行为等的相关数据，例如，广告创意中产品链接的点击次数、广告创意中活动咨询电话的拨打次数。
产品链接跳转数据是指从广告创意中产品链接跳转到支付页面的相关数据。例如，产品链接跳转到支付页面的次数。
产品购买数据是购买产品后的相关数据。例如，产品的销售额、产品销售量、产品的利润等。
如前所述，曝光率是指广告创意曝光量和投放量的比值。在一些实施例中，客户端可以基于广告创意显示数据获取广告创意的曝光率。示例性地，客户端可以基于数据统计时间内广告创意的浏览次数和广告创意播放次数的比值获取曝光率。例如，广告创意a的浏览次数为16000次，播放次数为20000次，客户端可以将浏览次数作为曝光量、播放次数作为投放量，获取广告创意a的曝光率80％。
如前所述，点击率是广告创意的内容被消费者或目标受众点击的次数和其曝光量的比值。在一些实施例中，客户端可以基于广告创意显示数据和广告创意触发数据获取广告创意的点击率。示例性地，客户端可以基于数据统计时间内广告创意中产品链接的点击次数和广告创意的浏览次数获取点击率。例如，广告创意a中产品链接的点击次数为4000次，浏览次数为16000次，客户端可以获取广告创意a的点击率25％。
如前所述，转化率是广告创意完成转化行为(如购买商品、参加活动)的次数和其被消费者或目标受众点击的次数的比值。在一些实施例中，客户端可以基于广告创意触发数据和产品链接跳转数据获取广告创意的转换率。示例性地，客户端可以基于数据统计时间内产品链接跳转到支付页面的次数和广告创意中产品链接的点击次数获取转化率。例如，广告创意a中产品链接的点击次数为4000次，产品链接跳转到支付页面的次数为400次，客户端可以获取广告创意a的转化率10％。
如前所述，投入产出比是广告创意的成本和回报的比值。在一些实施例中，客户端可以基于广告创意显示数据和广告创意触发数据获取广告创意的点击率。示例性地，客户端可以基于广告创意中产品购买数据获取投入产出比。例如，播放广告创意a后，产品的销售额增长了8000万，广告创意a的制作和播放成本为80万，客户端可以获取广告创意a的投入产出比为10％。
进一步地，客户端可以通过网络向效果数据收集模块返回效果数据。
本说明书的一些实施例在大量的广告创意中，通过分析和统计已播放的广告创意的相关数据(例如，广告创意显示数据、广告创意触发数据、产品链接跳转数据和产品购买数据效果数据等)确定广告创意的效果数据，可以提高效果数据的准确性。
在一些实施例中，客户端可以基于预设的统计周期通过网络向效果数据收集模块自动发送效果数据。例如，客户端基于每月的固定时间向效果数据收集模块发送上个月的效果数据。
在一些实施例中，效果数据收集模块还可以通过其它方式获取效果数据。例如，效果数据收集模块可以通过线下的人工统计或数据采样获取效果数据。
步骤230，基于广告元素类别确定多个广告创意的元素数据。具体地，步骤230可以由元素数据确定模块执行。
在一些实施例中，元素数据确定模块可以从每一个广告创意中提取至少一个元素；基于至少一个元素，获取对应的广告元素类别；基于多个广告创意的多个所述元素的所述广告元素类别，确定所述多个广告创意的所述元素数据。
元素是广告创意的组成单元。元素可以包括广告元素和非广告元素。广告元素是对广告创意有影响的元素，非广告元素是对广告创意没有影响的元素。在一些实施例中，一个广告创意中可以同时包括多个元素。例如，广告创意a中可以同时包括背景图片1、商标1、产品图片1和文案1等元素。
在一些实施例中，元素数据确定模块可以通过图像分割算法从每一个广告创意中提取至少一个元素。在一些实施例中，图像分割算法可以包括但不限于基于阈值的分割算法、基于区域的图像分割算法、基于边缘检测的分割算法、基于深度学习的分割算法等。
在一些实施例中，元素数据确定模块还可以通过图像识别模型来从广告图像等中提取广告元素。
具体地，图像识别模型可以先通过多尺度(multi-scale)的滑动窗口(sliding-window)、选择性搜索(selectivesearch)、神经网络或其他方法从广告创意中提取多个图像块，再提取多个图像块的特征，最后基于图像块的特征判断图像块是否为元素，从而提取出元素。
在一些实施例中，图像识别模型可以包括但不限于视觉几何群网络(visualgeometrygroupnetwork，vgg)模型、inceptionnetwork模型、全卷积神经网络(fullyconvolutionalnetwork，fcn)模型、分割网络(segmentationnetwork，segnet)模型和掩模-卷积神经网络(mask-regionconvolutionalneuralnetwork，mask-rcnn)模型等。
在一些实施例中，元素数据确定模块还可以通过人工识别提取广告创意中的元素。例如，元素数据确定模块可以通过人工浏览广告图片、观看广告视频等，识别出其中的产品、文案等元素。
示例性地，元素数据确定模块可以识别出广告创意a中背景图片1、商标1、产品图片1和文案1为元素，而边框不为元素。
广告元素类别是指广告元素的种类。以产品的广告创意为例，广告元素类别可以包括但不限于产品、产品图片、背景图片、文案、产品购买链接、模特和促销标识等。例如，广告创意a中背景图片1的广告元素类别为“背景图片”，商标1的广告元素类别为“商标”。
在一些实施例中，元素数据确定模块可以通过分类模型获取至少一个元素对应的广告元素类别。在一些实施例中，分类模型可以包括但不限于卷积神经网络(convolutionalneuralnetwork，cnn)模型、循环神经网络(recurrentneuralnetwork，rnn)模型、长短期记忆网络(longshorttermmemorynetwork，lstm)模型。
在一些实施例中，元素数据确定模块还可以通过人工标注广告创意中的广告元素类别。
元素数据是广告创意中广告元素的集合。
在一些实施例中，元素数据确定模块可以通过筛选广告元素类别确定广告创意的元素数据。示例性地，元素数据确定模块可以筛选广告元素类别为产品、图片和文案的元素作为广告元素，从而获取广告创意的元素数据。继续以广告创意a为例，广告创意a的元素数据为：背景图片1、产品图片1和文案1。
本说明书的一些实施例通过算法和模型提取广告创意的元素并确定对应的广告元素类别，可以减少人工成本，同时提高分析广告创意的效率和准确性。
步骤240，基于多个广告创意的元素数据和效果数据，确定广告元素类别的贡献度。具体地，步骤240可以由贡献度确定模块执行。
贡献度是对广告创意的效果数据的影响程度。贡献度可以使用数值、百分比等表示。例如，产品对广告创意的转化率的贡献度是60。又例如，图像对广告创意的点击率的贡献度为40％。
可以理解，贡献度越大，广告元素类别对广告创意的效果数据的影响程度越大。在一些实施例中，设计者可以基于广告元素类别的贡献度分析广告创意的广告元素，对其中贡献度较小的广告元素类别进行修改，或将贡献度较大的广告元素类别加入广告创意中。
在一些实施例中，贡献度确定模块可以基于多个广告创意的元素数据中每个元素和对应效果数据，先确定每个元素的贡献度，再确定广告元素类别的贡献度。例如，贡献度确定模块可以先确定产品1、产品2和产品3的贡献度，再确定产品的贡献度。
进一步地，设计者可以根据广告创意元素类别的贡献度，设计和改进新的广告创意，确保广告创意可以取得好的效果。
在一些实施例中，贡献度确定模块可以基于多个广告创意的元素数据和效果数据，确定元素效果数据；基于广告元素类别，获取元素效果数据；基于元素效果数据，确定对应的广告元素类别的贡献度。关于通过上述步骤确定贡献度的详细描述参见图3及其相关描述，在此不再赘述。
在一些实施例中，贡献度确定模块可以获取分组类别，每个分组类别包括多个广告创意的广告元素类别；对于每个分组类别，基于广告创意所对应的元素数据和效果数据，确定预测参数组；基于广告创意的元素数据和效果数据，以及预测参数组，确定广告元素类别的贡献度。关于通过上述步骤确定贡献度的详细描述参见图4及其相关描述，在此不再赘述。
本说明书的一些实施例通过已播放的广告创意的效果数据和元素数据，从元素级别对广告创意进行分析，确定广告元素类别的贡献度，可以有效指导后续广告创意的设计方向，同时基于增加的已播放的广告创意的效果数据和元素数据，可以不断改进广告创意的设计，提高设计者和消费者或目标受众的交互效率，提高广告创意的设计效率。例如，设计者基于已播放的多个广告创意的元素数据和效果数据“点击率”，确定元素“图片”和“文案”对“点击率”的贡献度都较大，为了提高待播放广告创意的“点击率”，设计者可以投入更多精力设计待播放广告创意的“图片”和“文案”；当待播放广告创意被播放后，设计者可以进一步基于其元素数据、效果数据“点击率”，确定出元素“图片”比“文案”对“点击率”的贡献度更大，设计者在下一次广告创意的设计中可以对“图片”进一步投入精力设计。由此可见，设计者可以对效果数据的贡献度较小的元素投入较少的精力，从而可以将更多精力投入对效果数据的贡献度较大的元素，提高设计效率。此外，设计者可以基于消费者或目标受众反馈的效果数据，不断改进设计方向，使得设计者设计的广告创意可以随着消费者或目标受众的偏好变化而变化。
图3是根据本说明书一些实施例所示的确定广告元素类别的贡献度的示例性流程图。
图3可以由贡献度确定模块执行。如图3所示，确定广告元素类别的贡献度的方法300可以包括以下步骤：
步骤310，基于多个广告创意的元素数据和效果数据，确定每一个元素对应的元素效果数据。
元素效果数据是广告创意中广告元素的效果数据。与广告创意的效果数据相对应的，在一些实施例中，元素效果数据的种类可以包括但不限于曝光率、点击率、转化率和投入产出比等中的一种。
元素效果数据可以反映每个广告元素对广告创意有效性的影响。例如，广告元素产品1对广告创意的转化率的影响。
在一些实施例中，贡献度确定模块可以基于多个广告创意的元素数据获取包含任意广告元素的至少一个广告创意，再基于至少一个广告创意对应的至少一个效果数据确定该广告元素对应的元素效果数据。例如，贡献度确定模块可以基于多个广告创意的元素数据获取包含产品图片1的广告创意a、广告创意b和广告创意c，并基于广告创意a、广告创意b和广告创意c对应的转化率分别为20％、30％和40％，获取产品图片1的转化率。
在一些实施例中，贡献度确定模块可以基于任意广告元素对应的至少一个效果数据的平均值、加权平均值等，获取该元素的元素效果数据。例如，产品1的转化率可以是(20％+30％+40％)/3＝30％。
步骤320，基于广告元素类别，获取对应的多个元素的多个元素效果数据。
对于每一种广告元素类别，在一些实施例中，贡献度确定模块可以获取广告元素类别对应的多个广告元素，并获取多个广告元素的元素效果数据。例如，对于广告元素类别“产品图片”，贡献度获取模块可以获取广告元素产品图片1、产品图片2和产品图片3，然后分别获取产品图片1的元素效果数据：转化率30％，产品图片2的元素效果数据：转化率70％和产品图片3的元素效果数据：转化率20％。
步骤330，基于多个元素效果数据，确定对应的广告元素类别的贡献度。
在一些实施例中，贡献度确定模块可以基于多个元素效果数据，通过计算确定与多个元素效果数据对应的广告元素类别的贡献度。在一些实施例中，计算方式可以包括但不限于求和、求均值、加权平均等。继续沿用上述示例，产品图片1、产品图片2和产品图片3对应的广告元素类别“产品图片”对效果数据“转化率”的贡献度可以是30％、70％和20％的均值40％。
本说明书的一些实施例先获取多个广告创意中多个元素效果数据，再直接基于多个元素效果数据获取各广告元素类别的贡献度，忽略广告元素之间的复杂关系，可以提高贡献度评估的效率，适用于广告元素之间相关性较小的场景。
图4是根据本说明书一些实施例所示的确定广告元素类别的贡献度的示例性流程图。流程400可以由贡献度确定模块执行。
步骤410，获取至少一个分组类别，每个分组类别包括至少一部分多个广告创意的多个元素的广告元素类别。
分组类别是至少一个广告元素类别的集合。例如，分组类别可以包括广告元素类别“产品”和“文案”。
在一些实施例中，贡献度确定模块可以多次从所有广告元素类别中随机选取任意一部分广告元素类别作为一个分组类别。例如，广告元素类别包括产品、文案、产品图片、促销标识、按钮，贡献度确定模块可以从中随机选取广告元素类别“产品”和“文案”作为分组类别1，选取广告元素类别“产品”、“产品图片”和“促销标识”作为分组类别2；选取广告元素类别“背景图片”、“按钮”作为分组类别3。
在一些实施例中，每个分组类别中的广告元素类别的个数可以相同，也可以不同。例如，分组类别1和分组类别3的广告元素类别的个数相同，均为2；分组类别2和分组类别1、分组类别3的广告元素类别的个数不相同，为3。
在一些实施例中，多个分组类别中的广告元素类别可以相同，也可以不同。例如，分组类别1和分组类别2的广告元素类别“产品”相同，分组类别1和分组类别3的广告元素类别完全不同。
在一些实施例中，贡献度确定模块可以指定分组类别中的全部或部分广告元素类别。例如，指定“产品”和“文案”为分组类别1。又例如，指定分组类别2中必须包含“产品”和“图片”。
在一些实施例中，贡献度确定模块可以指定与广告创意的图片相关的图片分组类别。
图片分组类别是至少一个与图片相关的广告元素类别的集合。例如，图片分组类别可以至少包括部分或全部与图片相关的广告元素类别。
图片元素数据是广告创意中与图片有关的广告元素的集合。在一些实施例中，图片元素数据可以至少包括图片尺寸、图片色调和图片分辨率等中的一种或多种。
在一些实施例中，贡献度确定模块还可以基于广告类别元素的相关性指定其他分组类别。例如，产品分组类别、文案分组类别等。
步骤420，对于每个分组类别，基于部分多个广告创意所对应的至少一部分元素数据和效果数据，确定相应的预测参数组。
预测参数组是至少一个预测参数的集合。在一些实施例中，预测参数组可以基于广告创意的至少一部分元素数据预测对应的效果数据。例如，预测参数组可以基于广告创意a中的元素数据“产品1”和“文案1”预测广告创意的效果数据。
在一些实施例中，贡献度确定模块可以基于分组类别中的广告元素类别的广告元素确定预测参数组。可以理解，每一个预测参数组可以对应一个分组类别。其中，预测参数组中的预测参数可以对应于广告元素。例如，对应于广告元素“产品1”的预测参数可以是“产品＝产品1”或者“产品≠产品1”。
在一些实施例中，贡献度确定模块可以从分组类别的任意广告元素类别中随机选择多个广告元素作为预测参数组。例如，贡献度确定模块可以从分组类别1的广告元素类别“产品”和“文案”中随机选择广告元素“产品1”、“产品2”和“文案2”对应的预测参数作为预测参数组1中，从分组类别2的广告元素类别“产品”、“产品图片”和“促销标识”中随机选择广告元素“产品2”、“产品图片1”、“产品图片3”和“促销标识1”对应的预测参数作为预测参数组2；从分组类别3的广告元素类别“背景图片”和“按钮”中可以随机选取广告元素“背景图片1”、“背景图片4”、“按钮3”和“按钮7”对应的预测参数作为预测参数组3。
在一些实施例中，不同预测参数组中的广告元素的个数可以相同也可以不同。例如，预测参数组2和预测参数组3中的广告元素的个数相同(均为4)，预测参数组1中的广告元素的个数和预测参数组2、预测参数组3不同。
在一些实施例中，不同预测参数组中预测参数对应的广告元素可以至少部分相同也可以不同。例如，预测参数组1和预测参数组2中预测参数对应的广告元素“产品2”相同，和预测参数组3中的广告元素完全不同。
在一些实施例中，贡献度确定模块还可以指定预测参数组中的全部或部分预测参数。具体地，贡献度确定模块可以根据预设的规则，指定预测参数组至少包含部分预测参数。
在一些实施例中，贡献度确定模块可以基于预测的规则指定图片分组类别对应的预测参数组。
具体地，当客户端类型为小屏幕时，贡献度确定模块可以指定图片分组类别对应的预测参数组同时包括图片尺寸和图片色调的组合特征，即预测参数对应的图片元素数据同时包括图片尺寸和图片色调，例如，预测参数组1包括“图片尺寸大于300”、“图片色调黑白”；当客户端类型为大屏幕时，贡献度确定模块可以指定图片分组类别对应的预测参数组单独包括所述图片尺寸和所述图片色调特征中的一种，即预测参数对应的图片元素数据单独包括图片尺寸和图片色调中的一种，例如，预测参数组1中图片元素数据仅包括“图片色调黑白”，预测参数组3图片元素数据仅包括“图片色调黑白”。可以理解，当客户端类型为小屏幕时，图片尺寸和图片色调之间的相关性较大，将图片尺寸和图片色调的组合特征作为同一预测参数组中的参数可以减少预测参数组之间的相互影响。相应地，当客户端类型为大屏幕时，图片尺寸和图片色调之间的相关性较小，将图片尺寸和图片色调独立作为不同预测参数组中的参数不会使得预测参数组之间相互影响，同时还可以丰富预测参数组的组合方式。
本说明书的一些实施例可以基于广告创意的不同应用场景下，元素数据中各元素之间的相关性来选择预测参数组，使得预测参数组的选择更有针对性，从而更提高广告分析的准确性。
在一些实施例中，贡献度确定模块还可以基于预测的规则指定产品分组类别对应的预测参数组、文案分组类别对应的预测参数组等。
在一些实施例中，每个预测参数组中预测参数可以对应于一个模型的参数。例如，预测参数组中的预测参数“产品＝产品1”“图片色调为黑白”可以是模型的参数。
在一些实施例中，模型可以包括但不限于决策树、神经网络模型、支持向量机等。在一些实施例中，多个预测参数组对应的多个模型可以相同也可以不同。例如，多个模型可以都是决策树。又例如，模型1～10可以是决策树，模型11～20可以是神经网络模型。
在一些实施例中，贡献度确定模块可以基于大量带有标识的训练样本训练每个模型。具体的，将带有标识的训练样本输入每个模型，通过训练获取每个模型对应的预测参数组。
在一些实施例中，每个模型的训练样本可以是随机选取的一部分广告创意。可以理解，每个模型的训练样本都是从多个广告创意中独立随机选取的，因此，每个模型对应的训练样本至少部分不相同。
在一些实施例中，标识可以是随机选取的广告创意对应的效果数据。效果数据的获取方式可以参见步骤220，在此不再赘述。
在一些实施例中，贡献度确定模块可以基于训练样本，通过常用的方法进行训练。
如图5所示，贡献度确定模块基于从多个广告创意中随机获取的训练样本1训练得到模型1。类似地，贡献度确定模块可以基于从多个广告创意中随机获取的多个训练样本练得到多个模型。
在一些实施例中，至少一个预测参数组可以由决策树的参数构成。
决策树是一种树形结构，包括至少一个内部节点和至少一个叶子节点。
其中，每个内部节点表示广告创意中元素数据的一次划分，每次划分都对应一个判断条件。
在一些实施例中，每一个预测参数组可以对应一棵决策树，预测参数组中的每一个预测参数可以对应决策树中的每一个内部节点的判断条件。在一些实施例中，判断条件可以包括广告创意的元素数据是否符合预测参数。例如，广告创意d的元素数据可以包括产品“产品1”、文案“文案5”、……按钮“按钮2”。
内部节点的输出是对广告创意的元素数据判断的结果，判断条件即元素数据是否符合预测参数。具体地，基于每一个判断条件，每个节点可以划分为“符合预测参数”和“不符合预测参数”两个结果中的一个。例如，广告创意d的元素产品“产品1”基于决策树模型内部节点n1的判断条件“产品＝产品1”，可以划分为“产品＝产品1”和“产品≠产品1”两个结果中的“产品＝产品1”。
进一步地，每个叶子节点可以表征广告创意中元素数据经过多次划分后输出的结果。例如，决策树的叶子节点可以是广告创意d的效果数据“点击率＝20％”。
具体地，决策树模型可以基于多个广告创意中的元素数据，将每个广告创意经过多个内部节点对应的多次划分后，映射为叶子节点对应的效果数据。
为了获取决策树对应的预测参数组，即获取决策树内部节点的预测参数，在一些实施例中，贡献度确定模块可以基于带有标识的训练样本，通过决策树生成算法训练决策树。其中，关于训练样本和标识的描述参见上文，在此不再赘述。
在一些实施例中，决策树生成算法包括但不限于：迭代二叉树3代(iterativedichotomiser3，id3)算法、c4.5算法(c4.5algorithm)、分类回归树(classificationandregressiontree，cart)算法、剪枝和建树结合分类(pruningandbuildingintegratedinclassification，public)算法、高速可有监督的寻找学习分类(supervisedlearninginquest，sliq)算法和可扩展的、可并行的归纳决策树(scalableparallelizableinductionofclassificationtree，sprint)算法中的一种或多种组合。
具体地，对于每一个内部节点，决策树生成算法可以基于从多个训练样本的元素数据中选取任意元素，并基于元素将将多个训练样本中满足选取元素的训练样本划分为第一集合，不满足的训练样本划分为第二集合。
如图6所示，以元素“产品1”为例，将样本1划分为第一集合(即“产品＝产品1”的集合)，将样本2和样本3划分为第二集合(即“产品≠产品1”的集合)。
类似地，基于元素“产品2”、元素“文案1”…可以分别得到对应的第一集合和第二集合。
进一步地，贡献度确定模块可以基于第一集合中的样本的标识和第二集合中的样本的标识，计算每个元素对应的损失值。
损失值可以表征集合中样本的纯度，即集合中样本类别的统一程度。其中，纯度越大，损失值越小。例如，第一集合中的样本标识越统一，则第一集合的纯度越大，损失值越小。
示例性地，基于元素s划分的每个集合的损失值可以用损失函数(1)计算：
其中，sem表示集合rm的损失值，cm表示集合rm中样本标识的平均值，yi表示集合rm中的样本xi对应的标识。
例如，基于元素“产品1”划分的第一集合中的5个样本的标识分别为“点击率20％”、“点击率30％”、“点击率30％”、“点击率40％”、“点击率50％”，则c1＝(20％+30％+30％+40％+50％)/5＝34％，第一集合的损失值se1为
元素对应的损失值是指基于该元素划分的第一集合的损失值和第二集合的损失值获取的值。例如，元素“产品1”对应的损失值可以通过公式(2)获取：
l(产品1)＝se1+se2(2)
继续沿用前述示例，55个样本基于产品1划分为第一集合和第二集合对应的损失值为0.0406+0.4＝0.4406。
类似地，训练模块可以获取“产品2”对应的损失值(如0.5)、“文案1”对应的损失值(如0.6)，…直到遍历所有的元素，获取多个损失值。
进一步地，将多个损失值中最小值,即
可以理解，基于损失值中最小值对应的插值划分的第一集合和第二集合，其中元素的统一程度最高，划分效果最好。
例如，损失值的最小值0.4406对应的元素为“产品1”，则基于“产品1”获取内部节点n1的判断条件“产品＝产品1”。
进一步地，贡献度确定模块可以基于剩余的元素获取下一个内部节点的判断条件，直到生成决策树，即获取对应的预测参数组。
如图6所示，贡献度获取模块基于选取的训练样本1中样本1、样本2、…样本m及其标签“点击率”，训练得到包含3个内部节点的决策树，即获取了包含3个预测参数“产品＝产品1”、“文案＝文案1”和“按钮＝按钮3”的预测参数组。
步骤430，基于至少部分多个广告创意的元素数据和效果数据，以及至少一个预测参数组，确定广告元素类别的贡献度。
在一些实施例中，对于每一种广告元素类别，贡献度确定模块可以获取广告元素类别对应的广告创意的噪声元素数据；基于预测参数组和广告创意的元素数据，获取第一预测效果数据，并基于第一预测效果数据和效果数据，获取第一误差；获取广告元素类别对应的第二预测效果数据，并基于第二预测效果数据和效果数据，获取广告元素类别对应的第二误差；基于第一误差和广告元素类别对应的第二误差，获取广告元素类别对应的贡献度。
噪声元素数据是广告创意中添加了噪声的元素数据。在一些实施例中，贡献度确定模块可以通过改变元素数据中部分元素的值来获取噪声元素数据。例如，将广告创意e中的元素数据“产品1”、“按钮2”..中的元素“产品1”修改为“产品2”，获取噪声元素数据“产品2”、“按钮2”等。
在一些实施例中，改变元素数据的值可以是人工修改，也可以是通过代码随机修改，本实施例不做限制。
在一些实施例中，对于每一种广告元素类别，贡献度获取模块可以改变至少部分多个广告创意的元素数据中广告元素类别对应的元素，获取广告元素类别对应的至少部分多个广告创意的噪声元素数据。
例如，对于广告元素类别“产品”，贡献度获取模块可以改变至少部分多个广告创意的元素数据中的“产品1”、“产品2”、“产品3”等。
在一些实施例中，对于每一个预测参数组，至少部分多个广告创意可以基于多个广告创意中除获取该预测参数组的训练样本外的广告创意获取。
如图5所示，对于由训练样本1训练获取的模型1(即预测参数组1)，至少部分多个广告创意“广告创意1”可以基于广告创意中除训练样本1以外的广告创意获取。
在一些实施例中，至少部分多个广告创意可以是多个广告创意中除获取该预测参数组的训练样本外的广告创意的全部或部分。
例如，100个广告创意中，训练样本1中包含80个广告创意，则至少部分多个广告创意可以包括剩余的20个广告创意或其一部分。
在一些实施例中，对于每一个预测参数组，至少部分多个创意还可以包括全部或部分训练样本中的广告创意。
例如，100个广告创意中，训练样本1中包含80个广告创意，则至少部分多个广告创意可以包括剩余的20个广告创意或其一部分，以及80个广告创意或其一部分。
在一些实施例中，贡献度获取模块可以获取每一个预测参数组对应的至少部分多个广告创意，并基于每一种广告元素类别，获取对应的至少部分多个广告创意的噪声元素数据。
示例性地，对于n个预测参数组和m个广告创意类别，可以获n×m组噪声元素数据，假设每个预测参数组对应的至少部分多个广告创意为k个，则可以获取n×m×k个广告创意的噪声元素数据。
例如，对于30棵决策树(即30个预测参数组)和5个广告创意类别，贡献度确定模块可以获取30组至少部分多个广告创意，再依次改变每组至少部分多个广告创意中5个广告创意类别对应的元素，则每组至少部分多个广告创意可以获取5组噪声元素数据，假设每组至少部分多个广告创意包含20个广告创意，则每组噪声元素数据中可以包含600个广告创意的噪声元素数据。
第一预测效果数据是基于元素数据预测至少部分多个广告创意播放有效性的数据。与效果数据相对应地，第一预测效果数据类别可以包括但不限于曝光率、点击率、转化率和投入产出比等中的一种。
在一些实施例中，贡献度确定模块可以基于预测参数组预测至少部分多个广告创意的第一预测效果数据。
示例性地，以预测参数组对应模型为例，模型的输入是至少部分多个广告创意的元素数据，输出是至少部分多个广告创意对应的第一预测效果数据。如图5所示，模型1的输入是广告创意1的元素数据，输出是广告创意1对应的第一预测效果数据1。关于模型的详细描述可以参见步骤420，在此不再赘述。
与此类似地，对于每一种广告元素类别中的每一种元素，多个预测参数组(或多个模型)可以获取多组第一预测效果数据，每组第一预测效果数据可以包括多个广告创意的第一预测效果数据。
继续沿用前述示例，对于每个元素，贡献度确定模块可以获取30棵决策树(即30个预测参数组)对应的30组第一预测效果数据，假设每组至少部分多个广告创意包含20个广告创意，则每组第一预测效果数据中可以包括20个广告创意的第一预测效果数据。
第一误差是评价每一种广告元素类别的第一预测效果数据和效果数据的差距的值。
在一些实施例中，贡献度确定模块可以基于至少部分多个广告的第一预测效果数据和效果数据获取第一误差。
具体地，对于每一种广告元素类别对应的每一种元素，贡献度确定模块可以先获取每一个预测参数组对应的至少部分多个广告创意的效果数据，再基于至少部分多个广告创意的效果数据通过计算获取该预测参数组对应的效果值；进一步地，贡献度模块可以获取每一个预测参数组对应的至少部分多个广告创意中多个广告创意的第一预测效果数据，再基于多个广告创意的第一预测效果数据通过相同的计算获取该预测参数组对应的第一预测效果值；最后通过第一效果值和第一预测效果值相减获取每一个预测参数组对应的差值，再基于多个预测参数组的差值，通过计算获取每一种元素的第一误差，再获取对应广告元素类别的第一误差。
在一些实施例中，计算方式可以包括但不限于求和、求均值、加权平均等。
如图5所示，以元素“产品1”对应的第一误差为例，贡献度确定模块可以先获取模型1对应的“广告创意1”中的20个广告创意的效果数据，再将20个广告创意的效果数据的平均值作为模型1对应的效果值1。进一步地，贡献度模块可以获取模型1输出的“广告创意1”中20个广告创意的20个第一预测效果数据1，再将20个广告创意的第一预测效果数据1的平均值作为模型1对应的第一预测效果值1；最后通过效果值1和第一预测效果值1相减获取模型1对应的第一差值1；最后将30个模型的30个第一差值的平均值作为广告元素类别“产品1”对应的第一误差(未示出)，进一步地，基于“产品1”、“产品2”、…对应的多个第一误差(未示出)的均值，获取广告元素类别“产品”的第一误差。
第二预测效果数据是基于噪声元素数据预测至少部分多个广告创意播放有效性的数据。与效果数据相对应地，第二预测效果数据类别可以包括但不限于曝光率、点击率、转化率和投入产出比等中的一种。
在一些实施例中，贡献度确定模块可以基于预测参数组预测至少部分多个广告创意的第二预测效果数据。
示例性地，以预测参数组对应模型为例，模型的输入是至少部分多个广告创意的噪声元素数据，输出是至少部分多个广告创意对应的第二预测效果数据。如图5所示，模型1的输入是“广告创意1’”的噪声元素数据，输出是广告创意1对应的第二预测效果数据1。关于模型的详细描述可以参见步骤420，在此不再赘述。
与第一预测效果数据类似地，对于每一种广告元素类别，多个预测参数组(或多个模型)可以获取多组第预测效果数据，每组第二预测效果数据可以包括多个广告创意的第二预测效果数据。
继续沿用前述示例，对于每个元素，贡献度确定模块可以获取30棵决策树(即30个预测参数组)对应的30组第二预测效果数据，假设每组至少部分多个广告创意包含20个广告创意，则每组第二预测效果数据中可以包括20个广告创意的第二预测效果数据。
第二误差是评价每一种广告元素类别的第二预测效果数据和效果数据的差距的值。
在一些实施例中，贡献度确定模块可以基于至少部分多个广告的第二预测效果数据和效果数据获取第二误差。关于获取第二误差的详细描述可以参见获取第一误差的相关描述，在此不再赘述。
如图5所示，以元素“产品1”对应的第二误差为例，贡献度模块可以获取模型1输出的“广告创意1’”中20个广告创意的20个第二预测效果数据1，再将20个广告创意的第二预测效果数据1的平均值作为模型1对应的第二预测效果值1；最后通过效果值1和第二预测效果值1相减获取模型1对应的第二差值1；最后将30个模型的30个第二差值的平均值作为广告元素类别“产品1”对应的第二误差(未示出)；进一步地，基于“产品1”、“产品2”、…对应的多个第二误差(未示出)的均值，获取广告元素类别“产品”的第二误差。
在一些实施例中，贡献度确定模块可以基于每一种广告元素类别对应的第一误差和第二误差，获取该广告元素类别对应的贡献度。
具体地，贡献度确定模块可以计算每一种广告元素类别对应的第一误差和第二误差的差值来获取对应的贡献度。
例如，广告元素类别“产品”的效果数据“转化率”对应的第一误差为20％，第二误差为5％，则广告元素类别“产品”对效果数据“转化率”的贡献度为15％。
可以理解，第一误差和第二误差差值越大，说明改变该广告元素类别的元素对广告创意的影响越大，即该广告元素类别对于该效果数据越重要。进一步地，设计者可以在后续设计中重点改进和优化该元素的设计。
本说明书的一些实施例可能带来的有益效果包括但不限于：(1)利用多个预测参数组获取多个第一差值和第二差值，再基于多个第一差值和多个第二差值获取第一误差和第二误差，通过第一误差和第二误差获取对应的广告元素类别的贡献度，可以避免数据过拟合，从而提高广告创意的分析的准确率；(2)灵活设置和组合多个预测参数组，一方面可以提高广告创意的分析方法的适用范围，另一方面为特定类型的广告创意有针对地设置预测参数组，可以提高准确率；(3)利用模型训练的方式获取预测参数组，再基于预测参数组(即训练好的模型)获取广告元素类别对应的贡献度，可以在分析广告创意的同时获取预测广告创意的效果数据的模型，从而提高了效率；(4)先获取元素级别的第一误差和第二误差，再获取广告元素类别的第一误差和第二误差，从而获取广告元素类别的贡献度，可以选择进一步地分析广告创意中具体元素的影响效果，提高广告创意分析的精细度。
应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
- 还没有人留言评论。精彩留言会获得点赞！