一种搜索处理方法、处理设备和系统与流程

本说明书实施例方案属于计算机数据处理的技术领域，尤其涉及一种搜索处理方法、处理设备和系统。

背景技术：

在线购物平台中，用户输入关键词后，搜索引擎根据索引召回与之相关的产品，在线购物平台的服务器可以使用排序算法根据一些排序因子(人气、转化率等)对产品进行重新排序，最终按相关度降序的方式对产品分页展示。

搜索系统中，常用的一种排序算法主要根据用户历史行为数据以及产品的搜索记录进行学习得到的打分模型，当用户输入查询词后，根据模型为每个产品计算分数，按分数降序排列后返回并呈现给用户。现有方案主要侧重于解决搜索系统中更加有效的排序算法模型，但涉及新用户、新产品的冷启动的问题，如新用户未有历史搜索记录，新产品也没有被搜索的记录，也未提供一些运营类的产品销售目标等的直接技术实现方案。从产品卖家的角度来看，新的卖家或者新的产品没有历史数据，排序算法模型对这些产品的相关度得分数较低，现有的排序算法往往使得这些新用户或新产品很难容易产生交易。另一方面，当卖家或平台需要根据用户人群、销售季节来集中曝光某些产品时，现有的排序算法打分模型的处理逻辑也难以满足需求。

因此，业内亟需一种在搜索系统中能更加适应排序需求的排序算法，以满足用户需求。

技术实现要素：

本说明书实施例目的在于提供一种搜索处理方法、处理设备和系统，可以根据需求对搜索系统里的排序模型进行优选，提供符合对象曝光需求的排序策略，进而得到预期的对象展示结果。

本说明书实施例提供的一种搜索处理方法、处理设备和系统是包括以下方式实现的：

一种搜索处理方法，所述方法包括：

接收对象的查询请求；

判断所述查询请求是否命中排序策略集合中的策略，其中，所述排序策略集合中的一组策略对应排序处理方式的一组参数；

若是，则解析所命中策略的参数，基于所命中策略对应的参数确定排序处理方式；

利用确定的排序处理方式对查询到的对象进行排序处理，展示排序后查询结果。

一种处理设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：

接收对象的查询请求；

判断所述查询请求是否命中排序策略集合中的策略，其中，所述排序策略集合中的一组策略对应排序处理方式的一组参数；

若是，则解析所命中策略的参数，基于所命中策略对应的参数确定排序处理方式；

利用确定的排序处理方式对查询到的对象进行排序处理，展示排序后查询结果。

一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现：

接收对象的查询请求；

判断所述查询请求是否命中排序策略集合中的策略，其中，所述排序策略集合中的一组策略对应排序处理方式的一组参数；

若是，则解析所命中策略的参数，基于所命中策略对应的参数确定排序处理方式；

利用确定的排序处理方式对查询到的对象进行排序处理，展示排序后查询结果。

一种搜索系统，包括处理器以及用于存储处理器可执行指令的存储器，所述指令被执行时实现本说明书中任一实施例所述方法的步骤。

本说明书实施例提供的一种搜索处理方法、处理设备和系统，可以通过排序策略集合中设置不同的策略来应对不同对象运营需求，快速实现对对象搜索系统的业务目标运营。利用本申请实施方案，可以根据圈定人群、对象以及预期的业务周期等，完成一定周期内流量的分配。同时，通过不同策略的排序算法，可以根据需求增加新对象曝光量或设计新用户的对象搜索结果，可以满足不同场景、不同业务目标对对象运营需求，大大提高搜索系统中排序的灵活性、适应性、可扩展性，满足不同场景下的对象排序需求。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的所述搜索处理方法一种实施例的流程示意图；

图2是本申请提供的所述方法中基础策略与共轭策略生成涉及的流程图示意图；

图3是本申请中所述方法一个根据请求在线选择策略并返回结果的处理过程示意图；

图4是本申请提供的所述方法另一个实施例的流程示意图；

图5是本申请一个根据实际业务场景进行共轭策略分布调整的处理流程示意图

图6是本申请提供的服务器的架构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例保护的范围。

排序算法，通常是指在搜索系统中，根据用户的历史行为数据以及对象的历史搜索记录数据进行学习得到的打分模型，当用户输入查询词后，可以根据模型为每个对象计算分数，按分数降序排列返回对象信息并呈现给用户。在搜索系统里，用户输入查询词后，会返回一系列的对象，在本申请的一些实施例中，每个对象展示为一次商品曝光。

本申请实施例中所述的对象可以包括上述在线购物平台中所述的产品信息，如搜索笔记本，则搜索系统可以返回关于笔记本的多个产品信息。所述的对象可以包括搜索系统中进行查询的物品、服务，甚至在一些实施场景中，所述的对象可以包括数据对象信息，如某个产品的使用心得或购物头条的新闻。输入搜索系统中的对象可以包括文字文本，也可以包括音频、视频、图像、生物特征等类型的数据信息。

查询用户输入关键词发送查询请求后，搜索引擎可以查询到相关的对象，然后采用排序算对查询到的对象进行排序。排序后对对象进行展示，具体的可以根据查询到的对象的数量进行分页展示。在一些应用场景中，新的卖家或者新的产品没有历史数据，排序算法模型对这些对象的相关度得分数较低，因而更需要一些曝光倾斜的策略才可能更容易产生交易。另一方面，不同卖家、不同商品甚至品牌，根据业务需要，系统后台可以定义不同的标签来覆盖不同类型的对象。例如，标签“新款爆品”可以圈定最近几个月来销量特别高的一些产品；标签“换季新品”可以圈定刚换季后上线的一些产品。在这种场景下，通常会拟定有对不同标签下的商品曝光或者转化等业务目标。

本申请提供的方法可以用于搜索系统中实现更加有效的排序模型算法，或者根据不同用户实现个性化推荐/搜索的排序算法。具体的应用中，可以通过圈定人群与对象，制定相应的策略，并在排序算法端生效，有效解决新对象、新用户等曝光冷启动的问题以及一些对象运营支持不足的问题，并可以提供一些运营类的业务目标的直接技术实现方案。另一方面，本申请提供的优选的实施方案中，还可以支持在线学习算法，可以对排序模型中参数进行实时调优等。

可以预先设置采用不同策略的排序策略集合，其他的实施方式中，也可以采用实时构建生成/配置排序策略集合。这些策略集合中的策略可以根据搜索的用户、对象自身的一些属性信息进行设置。在对象搜索处理过程中，可以从用户发送的查询请求中可以获取用户以及查询对象的相关信息，进一步的可以根据查询请求确定是否使用以及使用哪一个排序算法策略。例如，对于某一区域的用户群a，当其在搜索家电类产品时，可以对搜索到的1000个家电产品采用s1策略的排序算法进行分页展示。或者，在某个重大促销节日时，对“江浙沪”用户搜索到的标签为“轻奢侈”的产品采用s2策略的排序算法进行展示。

下面以用户使用在线购物平台进行对象搜索时的处理过程为应用场景对本申请一个或多个实施方案进行说明，然而，值得注意的是，该具体场景仅是为了更好地说明本申请，并不构成对本申请的不当限定。图1是本申请提供的一种搜索处理方法实施例的流程示意图。如图1所示，在一个实施方式中，所述方法可以包括：

s0：接收对象的查询请求；

s2：判断所述查询请求是否命中排序策略集合中的策略，其中，所述排序策略集合中的一组策略对应排序处理方式的一组参数；

s4：若是，则解析所命中策略的参数，基于所命中策略对应的参数确定排序处理方式；

s6：利用确定的排序处理方式对查询到的对象进行排序处理，展示排序后查询结果。

上述中的排序处理方式可以为选取的排序算法，如冒泡排序、并归排序、希尔排序等等，也可以包括其他自定义设置的对查询到的对象进行排序的处理方式。本说明书实施例提供的一种对象搜索的排序处理方法，可以实现对象曝光流量的控制。具体的，可以通过排序策略集合中设置不同的策略来应对不同对象运营需求。利用本申请实施方案，可以根据圈定人群、对象以及预期的业务周期等，完成一定周期内流量的分配。同时，可以通过不同策略的排序算法，可以根据需求增加新对象曝光量或设计新用户的对象搜索结果，也可以满足不同的业务目标运行需求。

在对象搜索系统的平台中，为了实现用户更好的搜索体验，可以根据用户的人口社会学特征或者行为特征使用不同的排序算法。因此，本实施例中用户的标签可以有包括如下来源：

(1)用户访问时或注册平台时提供的数据，例如，性别、国家、区域、年龄等；

(2)根据用户的行为数据使用聚类或者分类等算法得到的数据，例如，“登山爱好者”、“电子对象发烧友”等。

因此，一个用户user可以表示为多个标签的集合(lu1,lu2,…,luk)。

类似地，可以根据用户的搜索行为学习得到一些对象标签，或者运营人员指定一些标签。因此，一个对象可以表示为多个对象标签的集合(li1,li2,…,lim)。

根据用户以及对象的标签，可以定义不同的排序策略，或者优化已有的排序算法参数。本实施例的一个示例场景中，可以将策略(strategy)定义为如下的三元组：

场景(scene)：一些用户标签的集合；

条件(condition)：一些对象标签的集合，或者还可以包括一些排序算法的触发条件，例如用户使用的终端类型、当前搜索场景等。

动作(action)：排序算法中相关参数(例如生效页码范围、排序算法具体的参数值等)，一般会根据排序算法里不同的模型(例如按人气的排序模型)与参数定义相应的protobuffer(google公司内部的混合语言数据标准)结构，以便于传输以及反序列化处理。

上述中制定的策略，具体实现时可以指定策略的生效与失效时间，实现对策略的秒级实时生效/失效，以实现对不同策略的更好的配置和管控。其中的场景、条件、动作相当于本说明书一些实施例中的用户标签集合、对象标签集合、排序算法的算法参数。

因此，如上述场景示例所述的策略，本申请提供的一些实施例中所述策略可以包括：

s20：用户标签集合、对象标签集合、使用所述策略的排序处理方式的参数，所述参数定义排序处理方式中的参数语义和执行动作。

一个用户可以包括多个标签，具体的可以从多个维度来划分为用户打标。例如标记某个用户是新用户还是老用户，用户注册使用的时间、用户的会员等级、用户注册所在地或当前位置所在地等。本申请所述方法的另一个实施例中，所述用户标签集合包括下述中的至少一种：

按用户等级划分用户分类所标记的标签；

按时间区间划分用户分类所标记的标签；

按区域位置划分用户分类所标记的标签。

类似的，所述方法的另一个实施例中，所述对象标签集合包括根据对象在查询结果中的展示需求为所述对象打标形成的标签集合，所述展示需求包括下述中的至少一种：

对象的类别；

对象的销售时间；

对象在第一目标时间段的销售量；

对象在第二目标时间段的销售额。

具体的，例如对象的类别是属于“易耗对象”还是“奢侈品”；对象是新对象还是升级对象或者老对象；对象需要在一个月内销售量超过10000；对象在一周内销售额达到10万等。所述的第一目标时间段和第二目标时间段可以根据实际应用场景进行设置。

根据上述的用户标签集合、对象标签集合等，本申请的一个实施例中，所述策略可以包括采用下述方式构建生成的共轭策略：

s201：构建排序算法的基础策略；

s202：确定所述用户标签集合中不同标签的用户与展示对象的映射关系，所述展示对象为所述对象标签集合中的对象；

s203：基于所述映射关系调整所述基础策略的参数，使其在给定用户和查询对象时根据调整后的参数对查询到的对象进行排序，展示预期的对象查询结果。

s204：生成所述基础策略参数调整后的至少一条共轭策略。

所述的映射关系可以通过圈定用户或圈定对象，使指定的用户搜索对象或指定的对象被搜索时对应的用户群或对象群。所述用户群可以包括从个年龄、地区等划分的一个或多个用户，所述商品群可以包括根据节日、促销、销售目标、曝光需求等选取的一个或多个商品。一种场景下，每次搜索可以命中多个策略，但一组策略里通常可以只选择一个共轭策略生效。例如在一个示例中，可以设置a1地区的用户在时间段t1搜索b1类别对象时，采用s1策略，则可以调整排序算法的参数，使其满足这样的展示需求。还可以设置a2地区的用户在时间段t1搜索b1类别对象时，采用s2策略，则可以调整排序算法的参数，使其满足这样的展示需求。这样，可以根据不同的用户群与不同对象的曝光需求调整基础策略的参数，使对象排序算法满足对象曝光需求。在基础策略算法参数调整后得到的排序算法可以称为共轭策略，共轭策略可以实现在使用与基础策略算法同一种排序算法时，当用户满足共轭策略的用户标签集合场景中定义的标签，并且有对象满足对象标签集合中定义的标签，则使用相应的共轭策略中定义的相关排序算法作用于排序算法中。

在搜索系统中，一个用户查询关键词后可以触发一个查询请求，当该用户满足场景中定义的标签集，以及当前有对象满足条件中定义的标签集，则该次请求命中一个策略，则在本次排序算法时会按照动作中定义的相关排序算法参数作用于排序算法中。因此，本申请所述方法的一个实施例中，所述判断所述查询请求是否命中排序策略集合中的策略可以包括：

s22：所述查询请求对应的用户满足所述用户标签集合、所查询的对象满足对象标签集合时，确定所述查询请求命中所述排序策略集合中的策略。

策略命中可以支持通配符的正则表达式匹配，例如一个策略场景定义为“country＝china,query＝*”，则可以对来自中国的用户，输入任意查询词的请求都可以命中该策略。所述正则表达式，又称规则表达式，通常被用来检索、替换那些符合某个模式(规则)的文本。正则表达式是对字符串(包括普通字符(例如，a到z之间的字母)和特殊字符(称为“元字符”))操作的一种逻辑公式，例如用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，描述在搜索文本时要匹配的一个或多个字符串。

当然，本申请不排除其他方式定义命中策略的方式，或者在此基础之上结合其他手段确定是否命中策略的实施方案。

本申请所述方法的另一些应用场景中，可以根据特定的业务需要，根据上述策略的定义的三元组可以设定一个基础策略(basestrategy)，可以表示为xml(extensiblemarkuplanguage，可扩展标记语言)或者json(javascriptobjectnotation，一种轻量级的数据交换格式)的文件。然后可以通过离线生成共轭策略或在线学习的方式生成共轭策略。本申请的一些实施例中所述的特定的业务需求主要针对如下两种场景：

(1)定量的业务目标实现策略

在线购物搜索系统中，根据商家需要，在店铺活动或者大促活动时，希望对某些标签的对象实现特定的曝光量。此时，可以人工预先在策略里的动作中定义对某些标签的对象进行加权w。

(2)现有排序算法参数调优

策略中的动作里指定某个特定的排序算法模型(例如按人气的排序模型)里的参数w，指定不同排序算法模型的权重w。权重可以有n个值，则分别对应着排序算法模型的n个不同子模型。

上述两种场景中基础策略中的w可以包括运营或者算法设计者根据先验知识定义的，可以根据用户的实时行为实现相应的优化。本申请提供的一个实施例中，所述策略可以包括采用下述方式构建生成的共轭策略：

s211：确定所述基础策略s中权重参数w的值域{w1,w2,…,wm}，并且若i<j，则有wi<wj；

s212：解析所述基础策略s，其中基础策略中的用户标签集合、对象标签集合保持不变；

s213：将所述基础策略s中权重参数w对应的数据相应的替换为wi对应的数据，生成共轭策略si；

s214：根据所述权重参数w的值域分布生成m个共轭策略。

所述权重参数w的值域中的权重可以采用下述方式确定：

对指定的对象标签进行加权生成的权重参数。如对新对象或某个时间段内促销的对象进行加权，对对象着重曝光。

或者，

对指定的参数进行调整，生成的权重参数。这里的权重参数也可以包括对排序算法中的某一个或多个算法参数进行调整，使其满足策略场景下的对象排序需求。

具体的一个示例中，离线过程中的基础策略与共轭策略生成涉及的流程图描述如图2所示。假设基础策略s中s的w可取的值域为{w1,w2,…,wm}，典型地，wi可以是一个浮点数，并且若i<j，则有wi<wj。可以生成m个共轭策略如下：

(1)解析基础策略；场景与条件保持不变；

(2)将动作的protobuffer(简称pb，一种数据交换格式独立于语言，独立于平台，以把它用于分布式应用之间的数据通信或者异构环境下的数据交换)数据序列化，将w替换为wi；

(3)根据(1)(2)里的场景、条件、动作生成共轭策略si；

(4)重复(2)(3)m次，生成m个共轭策略，按定义的protobuffer协议分别反序列化。

文中提到的策略根据不同场景对流量具有不同维度划分，不同的共轭策略可以与目前通用的分桶机制作为独立的两层进行实验。上述中的序列化和反序列化，可以是在存储于介质或者网络传输时使用的，当数据处理好后进行序列化之后存储起来。

共轭策略中定义的动作可以认为是排序算法模型的一组解。本申请实施例在面对不同的应用场景或不同的曝光需求，可以寻求排序算法模型中最合理的一组参数，促使业务目标的最大化，过程是不断评估包含多个包含不同参数的共轭策略，最终挑选最优的共轭策略。这个学习过程通过多臂机(multi-armedbandit)的exploration&exploitation机制完成，在有限的曝光资源下快速实现模板的快速选择。

在线处理过程中，当用户向搜索系统发起一次对象的查询请求后，系统可以从一组共轭策略中按如下所述的方法选择命中一个共轭策略，将定义的语义动作下传到排序算法中生效，过程如图3所示，图3是本申请中所述方法一个根据请求在线选择策略并返回结果的处理过程示意图。图3中，在线学习算法在s320的“共轭策略选择器”中实现，下面考虑两种业务场景分别描述在线学习的具体实现。

另一个实施场景中，可以基于对象历史曝光的数据对对象进行实时加权：

假设有m个共轭策略{s1,s2,…,sm}，其对应的排序参数为{w1,w2,…,wm}，这里的排序参数对应着某个共轭策略的权重。对m参数排序，使得i越大，wi越大，则策略si越容易达到业务目标。如果全部使用较大值wi的策略可以很快达到业务目标。但多数情况下，在不同的时间段流量的特点也不同，为避免造成曝光浪费，提高投入产出比，因此，本申请所述方法的另一个实施例中，当一次查询请求到达后，可以采用策略的动态分配，主要是根据策略剩余的生效时间以及未完成的业务目标对共轭策略进行分配请求，选择命中一个共轭策略，动态的根据业务目标进展情况调整使用的排序算法。具体的，所述方法的另一个实施例中个，所方法还可以包括：

s8：根据策略剩余的生效时间以及业务目标完成量对策略调整后进行重新分配。

图4是本申请提供的所述方法另一个实施例的流程示意图。这里对策略动态的调整可以包括预先根据策略生效时间、总的业务目标、已完成的业务目标等设置不同阶段对应的策略。例如将业务目标与共轭策略中的某个算法参数关联起来，使得不同的业务目标完成量对应不同的算法参数，而这个不同的算法参数又对应不同的共轭策略。具体的实现方式可以根据选取的排序算法以及算法参数进行相应的设置。

本申请还提供另一种动态调整使用的策略的实现方式。为了描述方便，以如下的业务场景为例：商业目标为h个小时内，对象标签集{li1,li2,…,lii}所圈定对象在用户标签集{lu1,lu2,…,luj}所圈定用户下的对象业务达到目标值target，选择一个小时为统计周期，每一个小时根据完成目标的情况对所有共轭策略的命中进行重新分配。

对象标签集{li1,li2,…,lii}所圈定的对象为历史上某天24个小时的平均值，业务指标值分布为一个24维的向量，将其归一化表示为：

{hv1,hv2,…,hv24}

在第i+1小时时刻，根据实时统计，已经完成的业务目标值为t(例如总体的销售金额)，若t>＝target，则已经完成目标，结束共轭模板的分配。

若策略剩余的生命为hi个小时，本示例中可以以三个小时为一个调节周期，即p取值为3。则第(i-2)、(i-1)以及i三个小时时刻每小时完成的目标值为targeti-2,targeti-1,targeti。结合商业目标值，定义按自然时间下一个i-2小时时刻的预估目标值为：

ti-2＝(target-t)/(h-hi)*hv[i-2]

比如，根据历史统计，一天24个小时某批对象量的曝光量分布为(0.1,0.2,0.3,0.2)，如果知道了这一天中的0-1点第1个小时的曝光量为x，则可以预估1-2点第2个小时的曝光量2*x，第2-3点第3个小时的曝光量为3*x。

定义(i-2)小时时刻的加速度值slopi-2为：

slopi-2＝(ti-2-targeti-2)/targeti-2

类似地，计算i-1与i时刻时的加速度值为slopi-1,slopi，结合(i-2)、(i-1)、i三个不同时刻下业务指标分布值，本示例中可以定义下一个(i+1)时刻的加速度方向值为：

然后可以根据所述加速方向值调整所述权重参数，根据调整后的权重参数确定调整后的共轭策略的分布。本申请所述方法的另一个实施例中，可以根据当前实际完成的业务目标与历史时刻完成的业务目标进行对比评估，来预测下个周期的业务完成情况，进而可以实现实时在线调整策略。具体的，所述根据策略剩余的生效时间以及业务目标完成量对策略调整后进行重新分配，包括：

s801：计算最近p个统计周期内业务目标的完成值；

s802：判断所述完成值是否达标；

s803：若不达标，则根据历史业务数据计算历史统计周期的完成值与所述目标业务的完成值的差值；

s804：根据所述差值确定下一个统计周期达到所述完成值的加速方向值；

s805：根据所述加速方向值调整所述权重参数；

s806：根据调整后的权重参数确定调整后的共轭策略的分布。

例如，若slopi+1≤0，则可以表示按预估时间会超额完成业务目标值，因此可以减小对较大排序参数w对应共轭模板的曝光。在实际应用中，s上述lop类似于控制加速度的方法，当预估超标时可以降低对象曝光频率，实际应用中绝大多数可以选择提前完成。

若slopi+1＞0，说明按预估时间难以达成业务目标值，因此可以增大对较大排序参数w对应共轭模板的曝光。

具体的一个调整实施例中，若下一个统计周期的加速度方向值小于0，调整所述共轭策略的权重参数，使所述共轭策略对应的排序算法减少对目标对象的展示次数，所述目标对象为所述业务目标对应的对象；

根据所述权重参数的调整重新确定对应的共轭策略的分布；

或者，

若下一个统计周期的加速度方向值大于0，调整所述共轭策略的权重参数，使所述共轭策略对应的排序算法增加对目标对象的展示次数，所述目标对象为所述业务目标对应的对象；

根据所述权重参数的调整重新确定对应的共轭策略的分布。

调整共轭策略分布的方式可以包括设置权重参数与共轭策略的映射关系或分布函数，调整的步长也可以根据加速度方向值进行确定。例如在一个实施方式中，可以选取基于dist加权函数来重新对共轭策略进行重新分布。具体的，

若下一个统计周期的加速度方向值slopei+1≤0，则采用下式确定第m个共轭策略的函数值：

dist(m)＝abs(slopei+1)*log(m+1-m)+1.0)，

或者，

若下一个统计周期的加速度方向值slopei+1＞0，则采用下式确定第m个共轭策略的函数值：

dist(m)＝slopei+1*log(1.0+m)+1.0)。

上述中，dist为选取的欧式距离加权函数。

若slopei+1≤0，则可以减小对较大排序参数w对应共轭模板的曝光，修正m个共轭策略曝光的分布函数，第m个策略的函数值为：

dist(m)＝abs(slopei+1)*log(m+1-m)+1.0)

可看到，m越大，dist(m)越小。dist是一个欧式距离加权函数，给一个输入使用权值，去获得加权的输入。

类似地，slopei+1＞0时，定义第m个策略的函数值为：

dist(m)＝slopei+1*log(1.0+m)+1.0)

值得注意的是，上述分布函数值可以根据实际业务场景进行调整。算法流程描述如5所示，图5是本申请一个根据实际业务场景进行共轭策略分布调整的处理流程示意图，图5中步骤s806未示出。

搜索排序算法一般包含多个排序子模型，例如考虑人气、价格、转化率不同角度有相应的子模型，每个子模型有一个相应的权重(一般称为顶级模型权重)；另外，每个子模型算法本身包含了多个参数。本申请提供的实施例可以支持上述两种类型参数的在线学习。一个实施例中，可以采用在线学习的方式来更新共轭策略的分布，所述在线学习的一种处理过程可以包括

确定所使用的分布函数，初始化m个共轭策略在所述分布函数中的分布为均匀分布，所述分布函数与指定的业务指标相关联；

经过时间周期th后，统计th周期内m个共轭策略分别对应的所述业务指标的取值，th表示第h个执行共轭策略分布更新的时间周期，h＞0；

根据所述业务指标的取值更新下个时间周期th+1内m个共轭策略的分布。

对于搜索系统里的一个排序模型，一般是为了促使总交易额或者点击率等业务指标的最大化，可以设定一个基础策略，并设定m个共轭策略{s1,s2,…,sm}，同样对应的排序参数为{w1,w2,…,wm}，i越大，wi越大。本申请实施例中，优化排序模型可以采集每个周期内m个共轭策略的业务指标，从而根据其指标使用在线学习的相关算法来更新共轭策略的分布函数，实现不同共轭策略的曝光控制。一个在线学习算法的实施示例可以如下：

(1)初始化m个共轭策略的分布函数dist为均匀分布

(2)经过一个时间周期ti后，统计ti周期内m个共轭策略分别覆盖流量下的业务指标值，第i个共轭策略的业务指标值为vi

(3)更新ti+1周期第i个共轭策略的分布函数值为

(4)重复2-3步，达到既定商业目标或者定义的迭代次数时终止。

每次可以根据这个分布函数dist来采样来选取哪个共轭策略。例如一个应用示例中，m＝5，共5个共轭策略，则第ti+1个周期分布函数值可能为(0.2,0.2,0.3,0.2,0.1)，即表示每次采样第3个共轭的概率更高。在实际场景中，目标函数可能没有收敛性的保证，可以设置合适的迭代次数或者商业目标确定终止的条件。

另外，利用本申请上述实施方案在实际的实施过程中可以并行优化，如通过对多个排序子模型分别设定不同的基础策略以及相应的共轭策略，实现对不同排序子模型的不同参数同时实时调优。

在本申请的一些实施例中，多个共轭策略可以从开始根据经验值设定权重参数等进行确定。线上应用中可以更新多个共轭策略的一个分布函数。m个共轭策略，有一个m维向量表示的采样函数值，如dist(m)即对应对第m个共轭策略的值。为了更加清楚、形象的表述本申请方案内容，可以将m＝1…m看做类似汽车的档位，m越大，对曝光倾斜/加权越快。加速度方向值slope_i表示下一个周期的加速度，加速度小于0，表示当前曝光可能超量，所以整体减少高档位的共轭策略。而m越大，则减少的越多，此时对应的dist(m)是m的递减函数。

本实施例提供的方法，实现了一种支持在线学习算法的搜索处理，可以对搜索系统中相关模型参数进行实时调优。不同流量下的流量分配算法与参数调优算法可以同时并行试验；提出的方法可以同时应用于个性化推荐与个性化排序等相关场景。还建立一种从搜索到排序生效的运营机制，可以在圈定的流量下对圈定的一部分对象直接加权或者使用特定的排序模型。本申请适用于对象曝光加权优化算法，针对对象定量目标，根据流量下对象的历史分布特点，对对象在不同自然时间段内进行曝光分配优化。

需要说明的，虽然上述一些实施例场景中定量目标周期性流量分配的算法中，使用了一种线性的计算方式，但本申请其他的实施例中可以根据实际情况修改为其他方法替代并更新下一时刻的分布函数排序算法参数调优策略在线分配的优化计算也可以使用softmax等其他多种在线学习算法。上述实施例中描述业务目标在实际场景中除销售额外，还可以是曝光量、点击率、转化率等多种商业指标。并且，本申请实施例中描述的排序算法可以应用在搜索系统中任何一个排序算法模型，如冒泡排序、并归排序、希尔排序等等。

本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图6是本发明实施例的一种搜索处理方法的服务器的硬件结构框图。如图6所示，服务器10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。本领域普通技术人员可以理解，图6所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器6还可包括比图6中所示更多或者更少的组件，例如还可以包括其他的处理硬件，例如定时器等。或者具有与图6所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的搜索方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述搜索方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输模块106包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块106可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

基于上述所述的图像物体定位的方法，本说明书还提供一种图像物体定位的处理设备。所述的处理设备可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的设备装置。基于同一创新构思，本说明书提供的一种实施例中的处理装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的处理装置的实施可以参见前述方法的实施，重复之处不再赘述。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本说明书实施例提供的图像物体定位的方法可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在pc端/服务器端实现，或其他例如linux、android、ios系统相对应的应用设计语言集合必要的硬件实现，以及基于量子计算机的处理逻辑实现等。具体的，本说明书提供的一种处理装置的一种实施例可以如图6所示，所述处理装置可以包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：

接收对象的查询请求；

判断所述查询请求是否命中排序策略集合中的策略，其中，所述排序策略集合中的一组策略对应排序处理方式的一组参数；

若是，则解析所命中策略的参数，基于所命中策略对应的参数确定排序处理方式；

利用确定的排序处理方式对查询到的对象进行排序处理，展示排序后查询结果。

所述装置的另一个实施例中，所述策略可以包括：

用户标签集合、对象标签集合、使用所述策略的排序处理方式的参数，所述参数定义排序处理方式中的参数语义和执行动作。

所述装置的另一个实施例中，所述用户标签集合包括下述中的至少一种：

按用户等级划分用户分类所标记的标签；

按时间区间划分用户分类所标记的标签；

按区域位置划分用户分类所标记的标签。

所述装置的另一个实施例中，所述对象标签集合包括根据对象在查询结果中的展示需求为所述对象打标形成的标签集合，所述展示需求包括下述中的至少一种：

对象的类别；

对象的销售时间；

对象在第一目标时间段的销售量；

对象在第二目标时间段的销售额。

所述装置的另一个实施例中，所述处理器所述判断所述查询请求是否命中排序策略集合中的策略可以包括：

所述查询请求对应的用户满足所述用户标签集合、所查询的对象满足对象标签集合时，确定所述查询请求命中所述排序策略集合中的策略。

所述装置的另一个实施例中，所述策略包括采用下述方式构建生成的共轭策略：

构建排序算法的基础策略；

确定所述用户标签集合中不同标签的用户与展示对象的映射关系，所述展示对象为所述对象标签集合中的对象；

基于所述映射关系调整所述基础策略的参数；

生成所述基础策略参数调整后的至少一条共轭策略。

所述装置的另一个实施例中，所述策略包括采用下述方式构建生成的共轭策略：

确定所述基础策略s中权重参数w的值域{w1,w2,…,wm}，并且若i<j，则有wi<wj；

解析所述基础策略s，其中基础策略中的用户标签集合、对象标签集合保持不变；

将所述基础策略s中权重参数w对应的数据相应的替换为wi对应的数据，生成共轭策略si；

根据所述权重参数w的值域分布生成m个共轭策略。

所述装置的另一个实施例中，所述权重参数w的值域中的权重采用下述方式确定：

对指定的对象标签进行加权生成的权重参数；

或者，

对指定的参数进行调整生成的权重参数。

所述装置的另一个实施例中，所述处理器执行所述指令时还实现：

根据策略剩余的生效时间以及业务目标完成量对策略调整后进行重新分配。

所述装置的另一个实施例中，所述处理器根据策略剩余的生效时间以及业务目标完成量对策略调整后进行重新分配，可以包括：

计算最近p个统计周期内业务目标的完成值；

判断所述完成值是否达标；

若不达标，则根据历史业务数据计算历史统计周期的完成值与所述目标业务的完成值的差值；

根据所述差值确定下一个统计周期达到所述完成值的加速方向值；

根据所述加速方向值调整所述权重参数；

根据调整后的权重参数确定调整后的共轭策略的分布。

所述装置的另一个实施例中，所述处理器执行所述指令时实现：

若下一个统计周期的加速度方向值小于0，调整所述共轭策略的权重参数，使所述共轭策略对应的排序算法减少对目标对象的展示次数，所述目标对象为所述业务目标对应的对象；

根据所述权重参数的调整重新确定对应的共轭策略的分布；

或者，

若下一个统计周期的加速度方向值大于0，调整所述共轭策略的权重参数，使所述共轭策略对应的排序算法增加对目标对象的展示次数，所述目标对象为所述业务目标对应的对象；

根据所述权重参数的调整重新确定对应的共轭策略的分布。

所述装置的另一个实施例中，所述处理器采用在线学习的方式来更新共轭策略的分布，所述在线学习包括

确定所使用的分布函数，初始化m个共轭策略在所述分布函数中的分布为均匀分布，所述分布函数与指定的业务指标相关联；

经过时间周期th后，统计th周期内m个共轭策略分别对应的所述业务指标的取值，th表示第h个执行共轭策略分布更新的时间周期，h＞0；

根据所述业务指标的取值更新下个时间周期th+1内m个共轭策略的分布。

需要说明的是，本说明书实施例上述所述的装置根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本申请还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现本说明书中上述任意一个方法实施例的步骤。

所述计算机可读存储介质可以包括用于存储信息的物理装置，可以将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

一种搜索系统，包括至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本申请说明书中任意一个方法实施例的步骤，或者所述搜索系统包括本说明书中任意一个装置。

需要说明的，上述所述的计算机可读存储介质和搜索系统根据方法或装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。

本说明书实施例提供的一种搜索处理方法、处理设备和系统，可以通过排序策略集合中设置不同的策略来应对不同对象运营需求，快速实现对对象搜索系统的业务目标运营。利用本申请实施方案，可以根据圈定人群、对象以及预期的业务周期等，完成一定周期内流量的分配。同时，通过不同策略的排序算法，可以根据需求增加新对象曝光量或设计新用户的对象搜索结果，可以满足不同场景、不同业务目标对对象运营需求，大大提高搜索系统中排序的灵活性、适应性、可扩展性，满足不同场景下的对象排序需求。并且还实现了一种支持在线学习算法的搜索排序处理，可以对搜索系统中相关模型参数进行实时调优。不同流量下的流量分配算法与参数调优算法可以同时并行试验；提出的方法可以同时应用于个性化推荐与个性化排序等相关场景。还建立一种从搜索到排序生效的运营机制，可以在圈定的流量下对圈定的一部分对象直接加权或者使用特定的排序模型。本申请提供的实施方案可以针对对象定量的业务目标，根据流量下对象的历史分布特点，对对象在不同自然时间段内进行曝光分配优化。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端对象执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

尽管本说明书实施例内容中提到定量目标周期性流量分配的算法中使用了一种线性的计算方式、排序算法参数调优策略在线分配的优化计算法、采用三元组定义策略等之类的数据获取、交互、计算、判断等描述，但是，本说明书实施例并不局限于必须是符合行业通信标准、标准数据处理协议、网络模型、向量编码规则和神经网络标准模型或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书的可选实施方案范围之内。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的对象来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端对象执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、对象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、对象或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、对象或者设备中还存在另外的相同或等同要素。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序对象的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序对象。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序对象的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。