一种用户行为埋点构建方法及系统与流程

1.本发明涉及商品推送技术领域，尤其涉及一种用户行为埋点构建方法及系统。


背景技术：

2.用户对不同的商品偏好存在一定差异，不同商品受用户欢迎的热度也存在差别。若用户在浏览商品页面的过程中，发现该页面中存在满足自己购买需求的商品，可以引起用户购买产品的意图，从而提高用户对商品的购买意愿。
3.智能推荐算法是现有商品推送应用领域的一项关键技术，是当前预测消费者购买意图和消费者偏好的主流方案。购物网站的智能推荐技术现阶段已经发展相对比较完善，常见的智能推荐算法有协同过滤的推荐方法、基于内容的推荐方法、基于关联规则推荐、基于效用推荐、基于知识推荐以及组合推荐等。
4.在应用智能推荐算法时，首先需要采集用户行为的相关数据，这些用户行为数据将会影响商品推荐的准确性和效率，然而，大量的用户行为数据在用于商品推荐时，往往都是采集所有用户行为数据或使用较为单一用户行为数据，导致商品推荐准确率和效率较低。因此，现在亟需一种用户行为埋点构建方法及系统来解决上述问题。


技术实现要素：

5.针对现有技术存在的问题，本发明提供一种用户行为埋点构建方法及系统。
6.本发明提供一种用户行为埋点构建方法，包括：
7.确定用户在预设时段内的用户行为类型；
8.根据所述用户行为类型的关注程度，设置对应的用户行为类型预设权重值；
9.根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点。
10.根据本发明提供的一种用户行为埋点构建方法，所述用户行为埋点至少包括进入商品详情页、收藏商品成功、取消商品收藏、点击商品分享、确认商品搜索成功、商品到货通知确认成功、确认商品加入购物车、点击立即购买商品和点击提交商品订单和商品支付成功。
11.根据本发明提供的一种用户行为埋点构建方法，在所述根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点之后，所述方法还包括：
12.基于所述用户行为埋点，获取用户行为数据，所述用户行为数据为用户终端对商品产生的行为数据；
13.根据所述用户行为数据和时间衰减系数，获取每一种商品对应的综合热度值和标签热度值；
14.根据所述综合热度值和/或所述标签热度值，生成商品推荐列表。
15.根据本发明提供的一种用户行为埋点构建方法，所述基于所述用户行为埋点，获取用户行为数据，包括：
16.基于所述用户行为埋点和所述用户行为类型预设权重值，获取用户终端对商品产
生的用户行为次数、用户行为类型和用户行为权重；
17.根据所述用户行为次数、所述用户行为类型和所述用户行为权重，得到用户行为数据。
18.根据本发明提供的一种用户行为埋点构建方法，所述时间衰减系数是基于用户终端的商品浏览历史记录对应的埋点事件创建时间和商品类型获取得到的。
19.根据本发明提供的一种用户行为埋点构建方法，所述综合热度值是根据商品类型、用户行为埋点对应的用户行为权重值、时间衰减系数、用户行为统计次数和用户行为埋点创建时间计算得到的；
20.所述标签热度值是根据商品标签类型、用户行为埋点对应的用户行为权重值、用户行为次数、时间衰减系数和用户行为埋点创建时间计算得到的。
21.根据本发明提供的一种用户行为埋点构建方法，所述根据所述综合热度值和/或所述标签热度值，生成商品推荐列表，包括：
22.对所述综合热度值进行排序，并根据综合热度值排序结果，得到基于每种相同商品标签的商品排序结果；
23.根据所述商品排序结果，生成商品推荐列表；
24.或，
25.对每个商品标签的标签热度值进行排序，得到商品标签热度值排序结果；
26.根据所述商品标签热度值排序结果，获取满足预设条件的目标商品，并根据所述目标商品生成商品推荐列表；
27.或，
28.对所述综合热度值进行排序，并根据综合热度值排序结果，得到基于每种相同商品标签的商品排序结果；
29.对每个商品标签的标签热度值进行排序，得到商品标签热度值排序结果；
30.根据所述商品标签热度值排序结果，从商品排序结果中选取目标商品，并根据所述目标商品生成商品推荐列表。
31.本发明还提供一种用户行为埋点构建系统，包括：
32.处理模块，用于确定用户在预设时段内的用户行为类型；
33.权重值设置模块，用于根据所述用户行为类型的关注程度，设置对应的用户行为类型预设权重值；
34.埋点构建模块，用于根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点。
35.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述用户行为埋点构建方法的步骤。
36.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述用户行为埋点构建方法的步骤。
37.本发明提供的用户行为埋点构建方法及系统，根据用户行为类型设置不同的权重值，并通过用户行为类型和权重值为商品推荐的数据采集设置用户行为埋点，从而得到更能体现用户行为的数据特征，提高后续商品推荐的准确率和效率。
附图说明
38.为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本发明提供的用户行为埋点构建方法的流程示意图；
40.图2为本发明提供的用户行为埋点构建系统的结构示意图；
41.图3为本发明提供的电子设备的结构示意图。
具体实施方式
42.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
43.图1为本发明提供的用户行为埋点构建方法的流程示意图，如图1所示，本发明提供了一种用户行为埋点构建方法，包括：
44.步骤101，确定用户在预设时段内的用户行为类型。
45.在本发明中，首先获取用户在一段时间内通过终端对商品产生的行为，即用户对商品的操作动作，包括进入商品详情页、收藏商品成功、取消商品收藏、点击商品分享、确认商品搜索成功、商品到货通知确认成功、确认商品加入购物车、点击立即购买商品、点击提交商品订单和商品支付成等。
46.步骤102，根据所述用户行为类型的关注程度，设置对应的用户行为类型预设权重值。
47.在本发明中，根据用户的不同行为对商品偏好的程度，即关注程度，为每一种用户行为类型赋予不同的权重值，从而在后续进行商品推荐时，可直接基于用户行为类型快速获取到相应的用户行为权重值。
48.步骤103，根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点。
49.在本发明中，基于上述确定的用户行为类型，在用户产生不同行为的位置(如商品点击页面)设置取数埋点，例如，用户通过点击进入商品详情页作为一种用户行为埋点，或者，用户在商品到货通知确认成功作为另一种用户行为埋点。
50.本发明提供的用户行为埋点构建方法，根据用户行为类型设置不同的权重值，并通过用户行为类型和权重值为商品推荐的数据采集设置用户行为埋点，从而得到更能体现用户行为的数据特征，提高后续商品推荐的准确率和效率。
51.目前商品推荐的方法，主要是根据用户对购物网站商品的浏览记录，以及历史购买情况进行用户画像。例如，根据用户浏览记录推荐相似产品：当用户的历史购买记录中经常出现护肤品、化妆品等美妆系列商品，当用户历史下单记录中包含女性服装且单价超过万元，或者用户购买的产品常为高端品牌，则可推测该用户为高消费女性用户。由此，可以根据当前的浏览需求，为该用户推荐适合女性应用的相对高端品牌的商品。同时，目标商品
推荐的方法，也可根据用户浏览记录推荐互补产品，比如，用户购买眼镜架，可根据商品互补的关联，向用户推荐可验光配镜的店家或者产品等。在上述商品推荐的方法中，常见的推荐算法有协同过滤的推荐方法、基于内容的推荐方法、基于关联规则的推荐方法、基于效用的推荐方法、基于知识的推荐方法和组合推荐方法等。
52.然而，协同过滤的推荐方法，存在可扩展性问题，商品推荐质量取决于历史数据集，系统开始时存在推荐质量差；基于内容的推荐方法，各种复杂属性不好处理，且需要有足够数据构造分类器，建立用户画像，需要基于大量用户行为数据；基于关联规则的推荐方法，存在规则抽取难、耗时长以及产品名同义性问题，生成的商品推荐结果个性化程度低；基于效用的推荐方法，用户必须输入效用函数，推荐是静态的，存在灵活性差，属性重叠问题；基于知识的推荐方法，存在知识难获得，推荐是静态的问题。
53.在一实施例中，基于上述实施例提供的用户行为埋点构建方法，本实施例根据用户对包含不同商品标签的商品实施的操作行为，预测用户对内容标签的偏好。由于一件商品可能包含多个标签，对不同商品打上该商品相关的标签，可以增加用户分析的基础数据的量，使推荐的偏差率更低，例如，某品牌的冰箱，具有的标签可以是：具有wifi功能、节能、大容量和多功能冰箱等标签，用户对不同标签的偏好程度可能受来自多个因素的影响，且用户的感兴趣商品也会随着时间而发生改变。因此，本发明根据用户的行为次数以及行为种类，反映用户对该标签所涵盖商品的偏好程度，通过综合用户的行为次数、行为种类、用户行为时间衰减、行为权重以及是否为家电类商品等多种因素，对用户进行商品的推荐。本发明可对带有相同标签的商品进行热度值排序，并在同类商品标签中，按照商品受欢迎程度对用户进行推荐，从而增加用户购买的几率，对于采用本发明提供的商品推荐方法的网站或用户终端上的应用程序(application，简称app)，可提高用户使用满意度，以及对提高商品的购买量与销售额具有重要促进作用。需要说明的是，本发明可通过用户所使用的用户终端进行行为数据的采集，用户终端可以是个人电脑、手机和平板电脑等，本发明对此不作具体限定。
54.在在上述实施例的基础上，在所述根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点之后，所述方法还包括：
55.步骤21，基于所述用户行为埋点，获取用户行为数据，所述用户行为数据为用户终端对商品产生的行为数据。
56.在本发明中，首先通过前期已设置的用户行为埋点，采集每个用户行为产生的数据，由于每个用户购买需求不同，对不同商品的行为就会产生差异。因此，需要根据不同用户对商品操作的差异性，进而了解该用户对内不同商品的偏好程度，为用户提供商品推荐。本发明以用户终端上运行的某app进行说明，在app的商城页面中，为用户提供了多种购买板块，包括冰箱、洗衣机、空调、热水器、彩电、厨房电器、生活电器、食饮生鲜、智能产品等多个品类的相关商品。用户对不同商品操作的不同行为，影响用户对商品的喜爱程度。
57.进一步地，在上述实施例的基础上，所述基于所述用户行为埋点，获取用户行为数据，包括：
58.基于所述用户行为埋点和所述用户行为类型预设权重值，获取用户终端对商品产生的用户行为次数、用户行为类型和用户行为权重；
59.根据所述用户行为次数、所述用户行为类型和所述用户行为权重，得到用户行为
数据。
60.在本发明中，在设置了用于采集用户行为的埋点之后，针对每种用户行为类型、用户行为次数和用户行为权重，构建用户行为数据，表1为根据业务需求预设的用户行为类型的权重值，可参考表1所示：
61.表1
62.用户行为类型关注程度用户行为权重值(w)进入商品详细页低+1收藏商品成功中+5取消商品收藏中
‑
5点击商品分享中+10确认商品搜索成功中+10商品到货通知确认成功中+20确认商品加入购物车中+20点击立即购买商品高+50商品支付成功低0
63.基于表1中预设的用户行为权重，获取用户行为数据，具体地，通过采集用户对相同商品标签下的商品产生的行为进行数据统计，例如，对应商品标签为冰箱的商品，存在多种品牌(如a品牌、b品牌和c品牌)，用户通过自身的用户终端，产生不同的行为，其中，对a品牌的冰箱查看过5次商品详细页、点击2次分享以及已加入购物车等；对b品牌的冰箱查看过1次商品详细页、点击1次分享以及已收藏该商品等；对c品牌的冰箱查看过2次商品详细页、点击2次分享以及点击过1次立即购买商品等。通过获取上述用户的用户行为数据，从而可统计得到该用户对于冰箱这种相同商品标签下，不同品牌的行为差异。
64.进一步地，还可通过采集用户在浏览不同商品标签的商品时产生的行为数据进行统计。在用户在浏览商城app时，浏览的感兴趣商品对象往往并不能直观获取，可能在浏览多种不同商品标签的商品(例如，冰箱、空调和洗衣机)，最后购买的是空调，因此，还需要结合用户对不同商品标签的商品产生行为数据，更加准确的对用户的偏好进行分析。例如，用户通过用户终端，分别在冰箱、空调和洗衣机这三种商品标签的商品中进行浏览，基于上述对商品行为的数据统计，获取用户在这三种商品标签下的商品产生的用户行为数据，例如，用户对商品标签为冰箱的商品查看过5次商品详细页、点击2次分享以及已加入3个商品进入购物车等；对商品标签为空调的商品查看过1次商品详细页、点击1次分享以及已收藏该商品标签的商品1个等。需要说明的是，在本发明中，对于商品支付成功的行为类型，只有在计算用户的不同商品标签的标签热度值时，才使用该用户行为埋点。
65.步骤22，根据所述用户行为数据和时间衰减系数，获取每一种商品对应的综合热度值和标签热度值。其中，所述时间衰减系数是基于用户终端的商品浏览历史记录对应的埋点事件创建时间和商品类型获取得到的。
66.在本发明中，基于上述获取得到的用户对相同商品标签的不同商品产生的用户行为数据，根据时间衰减系数和综合热度值的公式，计算相同商品标签的每一种商品的综合热度值。具体地，所述时间衰减系数的公式为：
67.h(t)＝exp[
‑
a(t
‑
t
j
)]；
[0068]
其中，h(t)表示第t天时商品的时间衰减系数，a表示冷却系数，t
j
表示第j种埋点事件的创建时间。需要说明的是，该公式根据不同的商品类型，分别计算该商品类型对应商品的时间衰减系数。
[0069]
在本发明中，时间衰减系数是指用户行为产生的偏好值按一定的衰减系数，随时间衰减。该系数采用以e为底的指数函数，t
j
表示第j种埋点事件的创建时间，本发明以天为单位进行衰减。a是所谓的“重力因子”(即冷却系数)，即该值越大，商品的热度会更快地下落。具体地，当用户很长时间以前浏览过该商品，随着时间的变化，很久以前浏览的商品对进行推荐的影响作用逐渐减弱，对热度值的影响逐渐降低。因此，对于不同的行为类型，如果距离上一次产生相同的用户行为已过去相当长的一段时间，从而根据用户终端的商品浏览历史记录，判断该用户行为对热度值的影响逐渐降低。
[0070]
进一步地，所述综合热度值是根据商品类型、用户行为埋点对应的用户行为权重值、时间衰减系数、用户行为统计次数和用户行为埋点创建时间计算得到的，公式为：
[0071][0072]
其中，q
ui
表示第i种商品的综合热度值，w
ij
表示用户终端对第i种商品产生第j种埋点事件对应用户行为的权重值；a表示冷却系数，本发明根据商品类型，将商品分为家电类商品和非家电类商品，其中，本发明将家电类商品的冷却系数取值为0.33，非家电类商品的取值为0.7；表示时间衰减系数；t表示当前时间，单位为天；t
j
表示第j种埋点事件的创建时间，n
ij
表示不同的用户终端对第i种商品产生第j种埋点事件对应用户行为的统计次数。
[0073]
在本发明中，不同的用户对相同标签的商品，产生不同的行为(例如点击进入、点赞、收藏、转发以及评论等)的行为次数统计，来源于页面前端的埋点事件。
[0074]
进一步地，所述标签热度值是根据商品标签类型、用户行为埋点对应的用户行为权重值、用户行为次数、时间衰减系数和用户行为埋点创建时间计算得到的，公式为：
[0075][0076]
其中，q
uk
表示第k种商品标签的标签热度值，w
kj
表示用户终端基于第k种商品标签产生第j种埋点事件对应用户行为的权重值；n
kj
表示在第k种商品标签中，产生第j种埋点事件对应用户行为的行为次数；q
k
表示第k种商品标签的加权系数，例如，本发明将商品标签为家电类商品的埋点事件设置为1.1的加权系数；a表示冷却系数，表示时间衰减系数；t表示当前时间，单位为天；t
j
表示第j种埋点事件的创建时间。
[0077]
步骤23，根据所述综合热度值和/或所述标签热度值，生成商品推荐列表。
[0078]
在本发明中，可以通过综合热度值或所述标签热度值，任意一种热度值进行商品推荐；也可以综合上述两个热度值进行商品推荐。
[0079]
具体地，对所述综合热度值进行排序，并根据综合热度值排序结果，得到基于每种相同商品标签的商品排序结果；
[0080]
根据所述商品排序结果，生成商品推荐列表；
[0081]
或，
[0082]
对每个商品标签的标签热度值进行排序，得到商品标签热度值排序结果；
[0083]
根据所述商品标签热度值排序结果，获取满足预设条件的目标商品，并根据所述目标商品生成商品推荐列表；
[0084]
或，
[0085]
对所述综合热度值进行排序，并根据综合热度值排序结果，得到基于每种相同商品标签的商品排序结果；
[0086]
对每个商品标签的标签热度值进行排序，得到商品标签热度值排序结果；
[0087]
根据所述商品标签热度值排序结果，从商品排序结果中选取目标商品，并根据所述目标商品生成商品推荐列表。需要说明的是，在结合综合热度值和商品标签热度进行商品推荐时，还可以根据所述商品排序结果，确定预推荐的商品，并根据所述标签热度值排序结果，从所述预推荐的商品中选取目标商品，生成商品推荐列表。
[0088]
本发明基于已设置的用户行为埋点，根据用户行为数据，掌握用户感兴趣偏好商品标签下商品的热度值排序，从而对不同用户进行商品推荐，提高了商品推送的准确度和推送效率。
[0089]
在本发明中，对用户终端所使用的app商城中已上架所有商品的用户行为进行埋点，针对用户对商品的操作行为(进入详情页、收藏成功、取消收藏、点击分享、确认搜索成功、到货通知确认成功、确认加入购物车、点击立即购买、支付成功)，对相同商品标签的商品综合热度值进行计算，从而根据计算得到的综合热度值进行相同商品标签的商品排序。
[0090]
同时，对所有携带不同商品标签的商品的用户行为埋点进行逻辑计算，针对用户的偏好标签进行每一种商品标签的热度排名计算，即根据每种商品标签的标签热度值进行排序。需要说明的是，在计算热度过程中，区分家电与非家电的衰减系数，由于家电类商品的标签在整个推荐计算中比较重要，因此，对应的衰减系数较小。
[0091]
进一步地，依据计算出的用户对某一标签的偏好程度，结合商品综合热度值的排序结果，推荐该标签下热度商品，按照热度值由高到低排序向用户推荐该热度值的商品。也可以依据计算出的用户对某一商品的偏好程度，为用户生成预推荐的商品，再结合此类商品所能携带的标签热度值的排序结果，从预推荐的商品中按照标签热度值由高到低排序，向用户推荐该热度值的商品，例如，先根据商品综合热度值，获取具有多功能电器标签的商品的排序结果，然后，根据这些商品自身携带的商品标签，如冰箱、洗衣机和空调等，通过标签热度值进行排序，根据排序由高到低的顺序，将商品推荐给用户。在本发明中，基于商品综合热度和标签热度，生成推荐列表，进而根据该推荐列表对商品内容进行排序，从而生成当前实时的推荐内容，该推荐内容可作为下一时段的参考推荐内容，在为用户进行后续商品推荐时，可更为效率且准确的提供商品推荐。
[0092]
本发明可运用在各种网站平台或在线购物应用程序中，可以准确的掌握用户感兴趣偏好标签，根据标签定位相关的标签类型包含的商品，针对该标签下商品的热度值排序进行对不同用户的商品推荐，实现千人千面，更符合用户的购买需求，使用户有更好的使用体验。同时，基于历史行为、不同行为所带来的比重程度不同、时间衰减系数等综合多种因素，进行算法设计与计算，提高了商品推送的准确度。本发明根据用户的偏好推送客户感兴
趣的商品，提高用户的用买欲望，进而可以提高经济效益。
[0093]
图2为本发明提供的用户行为埋点构建系统的结构示意图，如图2所示，本发明提供了一种用户行为埋点构建系统，包括处理模块201、权重值设置模块202和埋点构建模块203，其中，处理模块201用于确定用户在预设时段内的用户行为类型；权重值设置模块202用于根据所述用户行为类型的关注程度，设置对应的用户行为类型预设权重值；埋点构建模块203用于根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点。
[0094]
本发明提供的用户行为埋点构建系统，根据用户行为类型设置不同的权重值，并通过用户行为类型和权重值为商品推荐的数据采集设置用户行为埋点，从而得到更能体现用户行为的数据特征，提高后续商品推荐的准确率和效率。
[0095]
本发明提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
[0096]
图3为本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(communicationsinterface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行用户行为埋点构建方法，该方法包括：确定用户在预设时段内的用户行为类型；根据所述用户行为类型的关注程度，设置对应的用户行为类型预设权重值；根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点。
[0097]
此外，上述的存储器303中的逻辑指令可以通过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所述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。
[0098]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的用户行为埋点构建方法，该方法包括：确定用户在预设时段内的用户行为类型；根据所述用户行为类型的关注程度，设置对应的用户行为类型预设权重值；根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点。
[0099]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的用户行为埋点构建方法，该方法包括：确定用户在预设时段内的用户行为类型；根据所述用户行为类型的关注程度，设置对应的用户行为类型预设权重值；根据所述用户行为类型和所述用户行为类型预设权重值，构建用户行为埋点。
[0100]
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0101]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
[0102]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。