一种航班推送方法、系统和电子设备与流程

1.本发明涉及航空领域，尤其涉及一种航班推送方法、系统和电子设备。


背景技术：

2.随着客运航空的飞速发展，飞机逐渐成了很多人在出行时的选择。为了增加航班的上座率，航空公司通常会以打折等活动形式吸引客户购买某个航班的机票。虽然航空公司已经对航班的机票进行打折，但大多情况下，该航班仍然存在库存机票未销售出去的情况。
3.目前各个航班的机票是在用户需要出行，才会根据用户出行计划在购票网站上进行购票，当航班存在打折的库存机票时，用户也需要主动搜索后才能获知机票的打折情况。因此，用户无法及时获知哪个航班有打折的机票，航空公司根据各个航班的折扣信息向客户进行推送，但是往往推送匹配率差，被客户当做广告营销信息来屏蔽掉，导致航空公司不仅没有提高航班的上座率，还影响了航空公司的其他推广。


技术实现要素：

4.本发明所要解决的技术问题是针对现有技术的不足，提供一种航班推送方法、系统和电子设备。
5.本发明解决上述技术问题的技术方案如下：
6.一种航班推送方法，包括：
7.s1，获取全部用户行为数据和全部待推送航班的航班数据；
8.s2，根据待推送航班设定航班决策需求；
9.s3，根据预设挖掘算法挖掘出用户行为数据和所述航班决策需求的关联规则；
10.s4，通过所述关联规则获取目标用户行为数据关联的待推送航班，并向目标用户推送。
11.本发明的有益效果是：通过挖掘算法获得用户行为数据和所述航班决策需求的关联规则，根据关联规则向目标用户定向推送，可以通过用户行为数据和航班决策需求来对用户潜在需求进行关联，从而提高挖掘精度，使得推送更精准。根据用户行为数据中的潜在需求进行优惠航班推送，建立与用户良性连接，推送效果好，不会引起客户反感。
12.进一步地，还包括：
13.s30，通过预设挖掘方法从所述用户行为数据中计算与所述航班决策需求相关的影响因子；
14.所述s3具体包括：根据预设挖掘算法结合所述影响因子挖掘出用户行为数据和所述航班决策需求的关联规则。
15.采用上述进一步方案的有益效果是：通过获得客户做出航班决策时的重要关联因素即影响因子，减少非相关数据的挖掘计算，挖掘匹配度高，提高挖掘精度和效率。
16.进一步地，所述用户行为数据包括：多源数据；
17.所述s30具体包括：
18.对所述多源数据进行融合分类；
19.对融合分类后的所述多源数据建立与所述航班决策需求的关联关系，通过距离熵量化所述关联关系；
20.根据量化后的所述关联关系进行融合计算，获取所述航班决策需求与所述多源数据的距离熵；
21.当所述距离熵满足预设条件时，与当前所述距离熵对应的多源数据为所述影响因子。
22.采用上述进一步方案的有益效果是：本方案通过将多源数据和决策需求按照关联度和信任度进行深度关联和融合；基于特征融合过程不断拉近多源数据、决策需求之间的距离的过程，进行距离熵的关联量化，实现最优距离促进融合的稳定性，达到融合系统的总熵最小，信息量最大化。
23.传统的梳理数据的方式，是采用人工分类等方式，由于各种数据来源之间的关联性和非逻辑性的处理量超出了人工的处理能力，通过本方案融合分类和深度关联，可以实现数据融合最优，同时保证信息量最合理。
24.进一步地，还包括：通过以下方式计算距离熵：
25.其中，计算最优集合与其它集合的距离的公式如下：
[0026][0027]
其中，所述多源数据和航班决策需求在m个集合中，每个集合中存在n 个知识元，o
j*
各个集合的最优值，即表示第j个集合中的最优值，j＝1，2...,m；o
ij
表示第j个集合和第i个集合的信息单元值，i＝1，2...,n；
[0028]
计算第i个集合的距离熵的公式如下：
[0029][0030]
采用上述进一步方案的有益效果是：本方案通过距离熵将多源数据和决策需求按照关联度和信任度进行深度关联和融合。
[0031]
进一步地，还包括：
[0032]
将所述影响因子根据对应的权重系数进行细粒度划分，获得权重分配后的所述影响因子；
[0033]
将所述影响因子按照类型划分成多层，获得多层级的所述影响因子。
[0034]
采用上述进一步方案的有益效果是：现有方案中从大量无粒度、无层级的数据中构建多层级的影响因子，相比较直接对大量数据进行挖掘，本方案通过多层级关系可以提高关联规则挖掘中项集的支持度。
[0035]
进一步地，还包括：根据所述影响因子相对所述航班决策需求的重要性来计算获得所述权重系数。
[0036]
采用上述进一步方案的有益效果是：本方案通过权重系数对影响因子进行划分，实现层级、类别划分更加精确。
[0037]
进一步地，所述s3具体包括：
[0038]
通过apriori算法，将多层级的所述影响因子分别与所述航班决策需求进行关联挖掘，获得多层级的关联规则。
[0039]
采用上述进一步方案的有益效果是：现有的用户行为数据包含大量无粒度、无层级的数据，通过多层级、细粒度处理后的影响因子使用apriori算法迭代获取频繁项集，并过滤掉不满足最小支持度的项集，可以实现挖掘出潜在的关联规则。
[0040]
进一步地，还包括：通过爬虫工具获取用户行为数据和待推送航班的航班数据，
[0041]
所述爬虫工具包括：主节点和从节点的主从模式的并发爬虫工具；所述主节点用于维护整个爬虫的待爬队列以及任务分配工作，所述从节点用于接受主节点委派任务；
[0042]
每个所述从节点实时维护任务队列和新链接队列，当从节点完成了任务队列后，将从节点的新链接队列合并到所述主节点的待爬队列；
[0043]
主节点继续将待爬队列的链接委派到各个从节点，由从节点继续爬取新的全部用户行为数据和全部待推送航班的航班数据。
[0044]
采用上述进一步方案的有益效果是：由于用户行为数据和航班数据量非常大，单进程的爬虫很难满足快速爬取大量数据的要求。通过本方案并发数据爬取功能，能够从大量数据中直接获得用户行为数据和航班数据；实现提高数据爬取效率。
[0045]
本发明解决上述技术问题的另一种技术方案如下：
[0046]
一种航班推送系统，包括：多源数据获取模块、配置模块、挖掘模块和推送模块；
[0047]
所述多源数据获取模块用于获取全部用户行为数据和全部待推送航班的航班数据；
[0048]
所述配置模块用于根据待推送航班设定航班决策需求；
[0049]
所述挖掘模块用于根据预设挖掘算法挖掘出用户行为数据和所述航班决策需求的关联规则；
[0050]
所述推送模块用于通过所述关联规则获取目标用户行为数据关联的待推送航班，并向目标用户推送。
[0051]
本发明的有益效果是：通过挖掘算法获得用户行为数据和所述航班决策需求的关联规则，根据关联规则向目标用户定向推送，可以通过用户行为数据和航班决策需求来对用户潜在需求进行关联，从而提高挖掘精度，使得推送更精准。根据用户行为数据中的潜在需求进行优惠航班推送，建立与用户良性连接，推送效果好，不会引起客户反感。
[0052]
本发明解决上述技术问题的另一种技术方案如下：
[0053]
一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现如上述任一项方案所述的一种航班推送方法。
[0054]
本发明的有益效果是：通过挖掘算法获得用户行为数据和所述航班决策需求的关联规则，根据关联规则向目标用户定向推送，可以通过用户行为数据和航班决策需求来对用户潜在需求进行关联，从而提高挖掘精度，使得推送更精准。根据用户行为数据中的潜在需求进行优惠航班推送，建立与用户良性连接，推送效果好，不会引起客户反感。
附图说明
[0055]
图1为本发明的实施例提供的一种航班推送方法的流程示意图；
[0056]
图2为本发明的其他实施例提供的航班决策需求与所述用户行为数据的关联示意图；
[0057]
图3为本发明的其他实施例提供的影响因子的多层关系示意图；
[0058]
图4为本发明的其他实施例提供的增加影响因子的航班推送方法的流程示意图；
[0059]
图5为本发明的其他实施例提供的计算影响因子的流程示意图；
[0060]
图6为本发明的实施例提供的一种航班推送系统的结构示意图。
具体实施方式
[0061]
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
[0062]
如图1所示，为本发明实施例提供的一种航班推送方法，包括：
[0063]
s1，获取全部用户行为数据和全部待推送航班的航班数据；其中，全部用户行为数据可以理解为尽可能多的挖掘现有的用户行为数据，越多越充分挖掘出的关联规则越准确。
[0064]
s2，根据待推送航班设定航班决策需求；
[0065]
s3，根据预设挖掘算法挖掘出用户行为数据和所述航班决策需求的关联规则；
[0066]
需要说明的是，在某一实施例中，可以通过预设挖掘方法从所述用户行为数据中计算与所述航班决策需求相关的影响因子；其中，影响因子相当于获得客户做出航班决策时的重要关联因素。所述用户行为数据包括：多源数据；航班决策需求与所述用户行为数据的关联如图2所示，其中多源数据可以包括消费数据、网页浏览数据、查询数据及出行数据等等。
[0067]
其中，计算影响因子的过程可以包括：对所述多源数据进行融合分类；在某一实施例中，可以采用k
‑
meams空间聚类分析方法，对多源数据类型进行分类。
[0068]
对融合分类后的所述多源数据建立与所述航班决策需求的关联关系，通过距离熵量化所述关联关系；
[0069]
根据量化后的所述关联关系进行融合计算，获取所述航班决策需求与所述多源数据的距离熵；
[0070]
当所述距离熵满足预设条件时，与当前所述距离熵对应的多源数据为所述影响因子。其中，预设条件可以包括：融合系统的总熵最小，及信息量最大化。
[0071]
根据预设挖掘算法结合所述影响因子挖掘出用户行为数据和所述航班决策需求的关联规则。其中，预设挖掘算法可以包括：apriori经典的关联规则挖掘算法，基于apriori性质产生候选集，大大压缩了频繁项集的大小。
[0072]
在某一实施例中，在挖掘关联规则之前还可以包括：
[0073]
将所述影响因子根据对应的权重系数进行细粒度划分，获得权重分配后的所述影响因子；
[0074]
将所述影响因子按照类型划分成多层，获得多层级的所述影响因子。
[0075]
在某一实施例中，可以通过在多源数据类型分类中，构建以时间序列、行为空间图
谱等角度建立出行计划行为的挖掘，通过引入出行计划行为事件序列和行为空间图谱参数的权重值来对用户行为进行细粒度划分，在划分时采用第一层、第二层类型甚至第三层划分的方式，使得不同类别的粒度更精确，从而在执行聚类时，可做多参数维度之间的映射。其中影响因子的多层关系示意图如图3所示，影响因子可以包括两层类型划分，如图3所示，也可以大于三层；第一层与影响因子相关用户行为数据可以包括：消费数据、网页浏览数据、查询数据及出行数据等等；第二层：消费数据可以包括：旅行团消费和车票消费等等；网页浏览数据可以包括：机票浏览信息、景区浏览信息和旅游攻略浏览信息等等；查询数据可以包括：地点查询信息、景点查询信息和地理查询信息等等；出行数据可以包括乘坐交通工具行程等等。
[0076]
还可以包括：第三层：例如地点查询信息可以包括：近距离地点查询和远距离地点查询，近与远可以通过是否有航线通行来限定。
[0077]
还可以包括：通过apriori算法，将多层级的所述影响因子分别与所述航班决策需求进行关联挖掘，获得多层级的关联规则。
[0078]
s4，通过所述关联规则获取目标用户行为数据关联的待推送航班，并向目标用户推送。
[0079]
通过挖掘算法获得用户行为数据和所述航班决策需求的关联规则，根据关联规则向目标用户定向推送，可以通过用户行为数据和航班决策需求来对用户潜在需求进行关联，从而提高挖掘精度，使得推送更精准。根据用户行为数据中的潜在需求进行优惠航班推送，建立与用户良性连接，推送效果好，不会引起客户反感。
[0080]
优选地，在上述任意实施例中，如图4所示，还包括：
[0081]
s30，通过预设挖掘方法从所述用户行为数据中计算与所述航班决策需求相关的影响因子；
[0082]
所述s3具体包括：根据预设挖掘算法结合所述影响因子挖掘出用户行为数据和所述航班决策需求的关联规则。
[0083]
通过获得客户做出航班决策时的重要关联因素即影响因子，减少非相关数据的挖掘计算，挖掘匹配度高，提高挖掘精度和效率。
[0084]
优选地，在上述任意实施例中，如图5所示，所述用户行为数据包括：多源数据；
[0085]
所述s30具体包括：
[0086]
对所述多源数据进行融合分类；
[0087]
对融合分类后的所述多源数据建立与所述航班决策需求的关联关系，通过距离熵量化所述关联关系；
[0088]
根据量化后的所述关联关系进行融合计算，获取所述航班决策需求与所述多源数据的距离熵；
[0089]
当所述距离熵满足预设条件时，与当前所述距离熵对应的多源数据为所述影响因子。
[0090]
本方案通过将多源数据和决策需求按照关联度和信任度进行深度关联和融合；基于特征融合过程不断拉近多源数据、决策需求之间的距离的过程，进行距离熵的关联量化，实现最优距离促进融合的稳定性，达到融合系统的总熵最小，信息量最大化。
[0091]
传统的梳理数据的方式，是采用人工分类等方式，由于各种数据来源之间的关联
性和非逻辑性的处理量超出了人工的处理能力，通过本方案融合分类和深度关联，可以实现数据融合最优，同时保证信息量最合理。
[0092]
优选地，在上述任意实施例中，还包括：通过以下方式计算距离熵：
[0093]
其中，计算最优集合与其它集合的距离的公式如下：
[0094][0095]
其中，所述多源数据和航班决策需求在m个集合中，每个集合中存在n 个知识元，o
j*
各个集合的最优值，即表示第j个集合中的最优值，j＝1，2...,m；o
ij
表示第j个集合和第i个集合的信息单元值，i＝1，2...,n；
[0096]
计算第i个集合的距离熵的公式如下：
[0097][0098]
在某一实施例中，依据上述聚类算法获得的各种线索上述线索数据，通过知识元表示，利用粒度原理，各个线索体现的为融合后的多源知识数据，利用粒度原理通过多源数据和决策需求对象的概念，属性，关联来描述。多源数据对象进行知识元表示om＝(cm,am,rm,bfm)其中，cm为该对象的概念和属性集合；am为经过提取后的关键词集合；rm表示与其它数据源和决策需求之间的关联和映射；bfm表示该数据的信任度，可选的多源数据和决策需求按照关联度和信任度进行深度关联和融合，关键词之间的关系可以为因果，顺序，跟随，并发，互斥，空间关系。
[0099]
基于距离熵的关联量化。基于特征融合过程是不断拉近多源数据，决策需求之间的距离的过程，通过最优距离促进融合的稳定性，达到融合系统的总熵最小，信息量最大化。
[0100]
根据距离熵进行多源数据和决策需求之间的关联，距离熵越大，表示集合之间的相似度越低，可选的还可以结合多源数据信任属性和距离熵进行语义关联和融合，以形成多源数据和决策需求语义关联图。
[0101]
可选的在执行融合检测之前，构建决策需求集合，所述决策需求集合，根据决策需求进行化分。
[0102]
本方案通过距离熵将多源数据和决策需求按照关联度和信任度进行深度关联和融合。
[0103]
优选地，在上述任意实施例中，还包括：
[0104]
将所述影响因子根据对应的权重系数进行细粒度划分，获得权重分配后的所述影响因子；
[0105]
将所述影响因子按照类型划分成多层，获得多层级的所述影响因子。
[0106]
在某一实施例中，根据权重系数对所述影响因子进行划分可以包括：第一层与影响因子相关用户行为数据可以包括：消费数据、网页浏览数据、查询数据及出行数据等等；第二层：消费数据可以包括：旅行团消费和车票消费等等；网页浏览数据可以包括：机票浏
览信息、景区浏览信息和旅游攻略浏览信息等等；查询数据可以包括：地点查询信息、景点查询信息和地理查询信息等等；出行数据可以包括乘坐交通工具行程等等。将第一层、第二层数据分别进行权重分配，例如，将第一层消费数据、网页浏览数据、查询数据及出行数据等等进行权重分配，分配结果可以为：消费数据：0.1；网页浏览数据：0.1；查询数据：0.1；出行数据：0.1；第二层查询数据中：地点查询信息：0.2；景点查询信息：0.2；和地理查询信息：0.2；第三层地点查询信息中：近距离地点查询：0.01；和远距离地点查询：0.4。可以根据影响因子相对航班决策需求的重要性来设定权重系数；
[0107]
在某一实施例中，可以通过在多层，不同类型影响因子的结合，权重系数得分满足一定条件时，就可以认为做出同类行为的客户的出行需求与关联规则对应的航班决策需求锲合度很高，可以给客户推送对应航班。其中，一定条件可以通过，根据用户历史消费信息，选择航班之前用户会做哪些行为操作，而这些行为操作的集合可以作为用户选择航班时做的必要条件，根据必要程度将各个行为操作设定权重信息，计算权重得分。例如，用户每次在选择航班h前，会做a类型操作，然后a类型下的a1、a2操作，b类型操作，b类型下的b1操作，c类型下的c2操作，因此，客户选择航班h，必要需要行为操作包括：a、b、c、a1、a2、b1和c2，将各个操作根据各自的权重信息计算出最终得分。
[0108]
现有方案中从大量无粒度、无层级的数据中构建多层级的影响因子，相比较直接对大量数据进行挖掘，本方案通过多层级关系可以提高关联规则挖掘中项集的支持度。
[0109]
优选地，在上述任意实施例中，还包括：根据所述影响因子相对所述航班决策需求的重要性来计算获得所述权重系数。
[0110]
本方案通过权重系数对影响因子进行划分，实现层级、类别划分更加精确。
[0111]
优选地，在上述任意实施例中，所述s3具体包括：
[0112]
通过apriori算法，将多层级的所述影响因子分别与所述航班决策需求进行关联挖掘，获得多层级的关联规则。
[0113]
现有的用户行为数据包含大量无粒度、无层级的数据，通过多层级、细粒度处理后的影响因子使用apriori算法迭代获取频繁项集，并过滤掉不满足最小支持度的项集，可以实现挖掘出潜在的关联规则。
[0114]
优选地，在上述任意实施例中，还包括：通过爬虫工具获取用户行为数据和待推送航班的航班数据，
[0115]
所述爬虫工具包括：主节点和从节点的主从模式的并发爬虫工具；所述主节点用于维护整个爬虫的待爬队列以及任务分配工作，所述从节点用于接受主节点委派任务；
[0116]
每个所述从节点实时维护任务队列和新链接队列，当从节点完成了任务队列后，将从节点的新链接队列合并到所述主节点的待爬队列；
[0117]
主节点继续将待爬队列的链接委派到各个从节点，由从节点继续爬取新的全部用户行为数据和全部待推送航班的航班数据。
[0118]
由于用户行为数据和航班数据量非常大，单进程的爬虫很难满足快速爬取大量数据的要求。通过本方案并发数据爬取功能，能够从大量数据中直接获得用户行为数据和航班数据；实现提高数据爬取效率。
[0119]
在某一实施例中，如图6所示，一种航班推送系统，包括：多源数据获取模块11、配置模块12、挖掘模块13和推送模块14；
[0120]
所述多源数据获取模块11用于获取全部用户行为数据和全部待推送航班的航班数据；
[0121]
所述配置模块12用于根据待推送航班设定航班决策需求；
[0122]
所述挖掘模块13用于根据预设挖掘算法挖掘出用户行为数据和所述航班决策需求的关联规则；
[0123]
所述推送模块14用于通过所述关联规则获取目标用户行为数据关联的待推送航班，并向目标用户推送。
[0124]
通过挖掘算法获得用户行为数据和所述航班决策需求的关联规则，根据关联规则向目标用户定向推送，可以通过用户行为数据和航班决策需求来对用户潜在需求进行关联，从而提高挖掘精度，使得推送更精准。根据用户行为数据中的潜在需求进行优惠航班推送，建立与用户良性连接，推送效果好，不会引起客户反感。
[0125]
优选地，在上述任意实施例中，还包括：影响因子获取模块，用于通过预设挖掘方法从所述用户行为数据中计算与所述航班决策需求相关的影响因子；
[0126]
所述挖掘模块13具体用于根据预设挖掘算法结合所述影响因子挖掘出用户行为数据和所述航班决策需求的关联规则。
[0127]
优选地，在上述任意实施例中，所述用户行为数据包括：多源数据；
[0128]
影响因子获取模块具体用于对所述多源数据进行融合分类；
[0129]
对融合分类后的所述多源数据建立与所述航班决策需求的关联关系，通过距离熵量化所述关联关系；
[0130]
根据量化后的所述关联关系进行融合计算，获取所述航班决策需求与所述多源数据的距离熵；
[0131]
当所述距离熵满足预设条件时，与当前所述距离熵对应的多源数据为所述影响因子。
[0132]
优选地，在上述任意实施例中，影响因子获取模块还具体用于通过以下方式计算距离熵：
[0133]
其中，计算最优集合与其它集合的距离的公式如下：
[0134][0135]
其中，所述多源数据和航班决策需求在m个集合中，每个集合中存在n 个知识元，o
j*
各个集合的最优值，即表示第j个集合中的最优值，j＝1，2...,m； o
ij
表示第j个集合和第i个集合的信息单元值，i＝1，2...,n；
[0136]
计算第i个集合的距离熵的公式如下：
[0137][0138]
优选地，在上述任意实施例中，还包括：多层级划分模块，用于将所述影响因子根
据对应的权重系数进行细粒度划分，获得权重分配后的所述影响因子；
[0139]
将所述影响因子按照类型划分成多层，获得多层级的所述影响因子。
[0140]
优选地，在上述任意实施例中，还包括：权重系数计算模块，用于根据所述影响因子相对所述航班决策需求的重要性来计算获得所述权重系数。
[0141]
优选地，在上述任意实施例中，所述挖掘模块13具体用于通过apriori 算法，将多层级的所述影响因子分别与所述航班决策需求进行关联挖掘，获得多层级的关联规则。
[0142]
优选地，在上述任意实施例中，还包括：数据获取模块，用于通过爬虫工具获取用户行为数据和待推送航班的航班数据，
[0143]
所述爬虫工具包括：主节点和从节点的主从模式的并发爬虫工具；所述主节点用于维护整个爬虫的待爬队列以及任务分配工作，所述从节点用于接受主节点委派任务；
[0144]
每个所述从节点实时维护任务队列和新链接队列，当从节点完成了任务队列后，将从节点的新链接队列合并到所述主节点的待爬队列；
[0145]
主节点继续将待爬队列的链接委派到各个从节点，由从节点继续爬取新的全部用户行为数据和全部待推送航班的航班数据。
[0146]
在某一实施例中，一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现如上述任一实施例所述的一种航班推送方法。
[0147]
通过挖掘算法获得用户行为数据和所述航班决策需求的关联规则，根据关联规则向目标用户定向推送，可以通过用户行为数据和航班决策需求来对用户潜在需求进行关联，从而提高挖掘精度，使得推送更精准。根据用户行为数据中的潜在需求进行优惠航班推送，建立与用户良性连接，推送效果好，不会引起客户反感。
[0148]
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
[0149]
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
[0150]
读者应理解，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发明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。
[0151]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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。
[0152]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络
单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0153]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0154]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0155]
以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，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发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。