一种线下线上协同多模型混合推荐的方法及系统
技术领域
本发明实施例涉及大数据业务支撑技术领域,尤其是涉及一种线下线上协同多模型混合推荐的方法及系统。
背景技术
随着大数据推荐算法的普及以及一系列公司对推荐系统的成功使用,各企业公司纷纷搭建了自己的推荐引擎用于辅助营销。推荐系统被用于影音、零售、广告等各个领域。通常一个推荐系统应用产品在进行货品推荐时,会考虑使用协同过滤、关联分析等方法,通过分析用户和商品的触达、购买等记录,给用户推荐合适的商品。
然而,个性化推荐比如协同过滤使用用户-货品数据进行推荐,倾向于根据用户或者物品的相似性进行个性化推荐,旨在发现用户的个体需求。而关联规则方法对用户选择历史进行统计,得到高频模式用于推荐,在获得了通用模式的同时,由于方法的特点,用户的个性化区分没有得到体现。不同推荐算法需要根据所具备的数据条件而定,往往需要经过大量尝试进行选择。考虑到用户的偏好是基于以往并持续变化发展的。离线算法可以通过大规模的复杂运算开销,根据历史记录进行推荐,而不容易捕捉到用户的近线行为;但是基于近线行为,则容易忽略用户一贯的兴趣偏好。
在实现本发明实施例的过程中,发明人发现现有的推荐算法无法同时兼顾用户长期兴趣和短期兴趣,推荐结果与用户实际偏好的吻合程度较低。
发明内容
本发明所要解决的技术问题是如何解决现有的推荐算法无法同时兼顾用户长期兴趣和短期兴趣,推荐结果与用户实际偏好的吻合程度较低的问题。
针对以上技术问题,本发明的实施例提供了一种线下线上协同多模型混合推荐的方法,包括:
获取预设用户对显示的条目所实施的历史操作,作为历史行为数据,根据所述历史行为数据得到所述预设用户感兴趣的第一推荐结果;
获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果;
结合所述第一推荐结果和所述第二推荐结果确定欲推荐给所述预设用户的目标推荐结果,按照所述目标推荐结果显示推荐给所述预设用户的条目。
本实施例提供了一种线下线上协同多模型混合推荐的系统,包括:
离线推荐模块,用于获取预设用户对显示的条目所实施的历史操作,作为历史行为数据,根据所述历史行为数据得到所述预设用户感兴趣的第一推荐结果;
在线推荐模块,用于获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果;
推荐优选模块,用于结合所述第一推荐结果和所述第二推荐结果确定欲推荐给所述预设用户的目标推荐结果,按照所述目标推荐结果显示推荐给所述预设用户的条目。
本实施例提供了一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该电子设备和终端设备的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行以上所述的方法。
本实施例提供了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,使所述计算机执行以上所述的方法。
本发明的实施例提供了一种线下线上协同多模型混合推荐的方法及系统,该方法结合根据历史行为数据得到的第一推荐结果和根据实时行为数据得到的第二推荐结果,得到欲推荐给预设用户的目标推荐结果。该方法同时考虑了用户的长期兴趣和短期兴趣,提高了推荐结果与用户实际偏好的吻合程度。
附图说明
为了更清楚地说明本发明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。
图1是本发明一个实施例提供的线下线上协同多模型混合推荐的方法的流程示意图;
图2是本发明另一个实施例提供的线下线上协同多模型混合推荐的方法的实现逻辑示意图;
图3是本发明另一个实施例提供的线下线上协同多模型混合推荐的方法中得到第一推荐结果的多模型融合的逻辑示意图;
图4是本发明另一个实施例提供的线下线上协同多模型混合推荐的方法中得到第二推荐结果的在线推荐逻辑示意图;
图5是本发明另一个实施例提供的在线训练的逻辑示意图;
图6是本发明另一个实施例提供的线下线上协同多模型混合推荐的方法中融合第一推荐结果和第二推荐结果的逻辑示意图;
图7是本发明另一个实施例提供的线下线上协同多模型混合推荐的系统的结构框图;
图8是本发明另一个实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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做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。
图1是本实施例提供的线下线上协同多模型混合推荐的方法的流程示意图,参见图1,该方法包括:
101:获取预设用户对显示的条目所实施的历史操作,作为历史行为数据,根据所述历史行为数据得到所述预设用户感兴趣的第一推荐结果;
102:获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果;
103:结合所述第一推荐结果和所述第二推荐结果确定欲推荐给所述预设用户的目标推荐结果,按照所述目标推荐结果显示推荐给所述预设用户的条目。
本实施例提供的方法通常由服务器执行,由服务器将最终确定的目标推荐结果中的条目发送到终端,通过终端展示给预设用户。本实施例中的条目可以是资讯、商品或者歌曲等,本实施例对此不作具体限制。例如,本实施例提供的方法用于根据用户查看新闻资讯的历史行为数据和实时行为数据,为用户推荐新闻资讯;用于根据用户在购物软件上查看或者购买商品的历史行为数据和实时行为数据,为用户推荐商品;或者用于根据用户在听歌软件上收听或者收藏歌曲的历史行为数据和实时行为数据,为用户推荐歌曲。
历史行为数据可以从与该用户对应的日志中提取,实时行为数据通过实时监控用户的行为得到。例如,历史行为数据可以是用户购买或收藏的商品,实时行为数据可以是用户点击、观看(可以通过用户停留在该商品所在页面的时长判断用户是否观看了该商品)、收藏的商品。
图2为本实施例提供的线下线上协同多模型混合推荐的方法的实现逻辑示意图,参见图2,该方法收集用户的用户行为日志作为历史行为数据,通过离线推荐装置得到第一推荐结果。实时通过应用对用户进行消息收集,得到实时行为数据,通过在线推荐装置得到第二推荐结果。将第一推荐结果和第二推荐结果通过推荐优选装置进行推荐结果整合,得到目标通过在线推荐装置得到目标推荐结果,将目标推荐结果反馈至用户。其中,推荐规则库用于存储根据行为数据得到推荐结果的模型。
本实施例提供了一种线下线上协同多模型混合推荐的方法,该方法结合根据历史行为数据得到的第一推荐结果和根据实时行为数据得到的第二推荐结果,得到欲推荐给预设用户的目标推荐结果。该方法同时考虑了用户的长期兴趣和短期兴趣,提高了推荐结果与用户实际偏好的吻合程度。
进一步地,在上述实施例的基础上,所述获取预设用户对显示的条目所实施的历史操作,作为历史行为数据,根据所述历史行为数据得到所述预设用户感兴趣的第一推荐结果,包括:
获取预设用户对显示的条目所实施的历史操作,作为历史行为数据;
将所述历史行为数据分别作为预先设定的每一子模型的输入参数,得到每一子模型根据所述历史行为数据确定的所述预设用户感兴趣的推荐结果;
根据预设规则从对应于每一子模型的推荐结果中确定所述第一推荐结果;
其中,各子模型均为根据所述历史行为数据计算所述预设用户感兴趣的推荐结果的模型,且各子模型根据所述历史行为数据计算所述预设用户感兴趣的推荐结果的计算方法均不相同。
第一推荐结果为根据预设用户的历史行为数据得到的推荐结果。本实施例中的子模型的具体计算方法和子模型的数量均可以预先设定,子模型是通过协同过滤进行推荐、通过关联规则进行推荐、基于内容进行推荐或者基于模型进行推荐。各子模型得到推荐结果的实现的方式很多,例如可以是SVD、SVD++、PF-Tree以及各种相似度度量方式,本实施例对此不作具体限制。
进一步地,在上述实施例的基础上,所述根据预设规则从对应于每一子模型的推荐结果中确定所述第一推荐结果,包括:
获取由每一子模型确定的各推荐结果对应的推荐度,并将每一推荐结果的推荐度等比投影到预设个数的档位上;
计算位于每一档位的推荐结果的命中率,将各子模型中命中率大于预设命中率的档位计入规则库;
对计入所述规则库中的各子模型,由该子模型对应的计入所述规则库的档位计算对应于该子模型的综合命中率,将综合命中率最高的子模型对应的推荐结果作为所述第一推荐结果。
图3为本实施例提供的线下线上协同多模型混合推荐的方法中得到第一推荐结果的多模型融合的逻辑示意图,参见图3,该方法采用采用N个子模型分别计算推荐结果,对推荐结果进行融合得到第一推荐结果。其中,如何将N个子模型分别计算的推荐结果进行融合可以根据实际需要进行设定,本实施例对此不作具体限制。
本实施例提供了一种线下线上协同多模型混合推荐的方法,该方法通过多个模型进行推荐结果的计算,使得推荐结果更加多样化,提供了选取最符合用户预期的推荐结果的可能性。
进一步地,在上述各实施例的基础上,所述根据预设规则从对应于每一子模型的推荐结果中确定所述第一推荐结果,包括:
获取由每一子模型确定的各推荐结果对应的推荐度,并将每一推荐结果的推荐度等比投影到预设个数的档位上;
计算位于每一档位的推荐结果的命中率,将各子模型中命中率大于预设命中率的档位计入规则库;
对计入所述规则库中的各子模型,由该子模型对应的计入所述规则库的档位计算对应于该子模型的综合命中率,将综合命中率最高的子模型对应的推荐结果作为所述第一推荐结果。
进一步,若当前无法计算位于每一档位的推荐结果的命中率(例如,首次采用本实施例提供的方法计算第一推荐结果时),则随机选取某一子模型的推荐结果作为所述第一推荐结果。也就是说,本实施例提供的第一推荐结果确定的方法中,可以在第一轮时随机选取某一子模型的推荐结果作为第一推荐结果,在后续的第i轮时,需结合第i-1轮的推荐结果的命中率,选取命中率最高的推荐模型的推荐结果作为第一推荐结果。
推荐度为用于衡量某一条目符合用户预期的程度,推荐度越大,该条目则越符合用户预期。档位的个数为预先设定的数目,例如,十个。将每一推荐结果的推荐度等比投影到预设个数的档位上,包括:将每一推荐度进行归一化,得到0-1之间的数值,为每一数值乘以10,得到0-10之间的数值,该数值即代表了该推荐度所属的档位。命中率反应了用户选择该推荐结果的概率。每一档位的推荐结果可能有多个,综合命中率则可以是多个推荐结果的命中率的平均值。
如图3所示的装置可以视作一个推荐算法的容器,不同推荐算法可以方便的集成进装置中。而由于不同算法对于目标货品推荐度的衡量不同,所以需要有一致的评价标准作为参照,从不同算法的候选结果中进一步进行筛选。
本实施例提供的等比投影的推荐度混合算法,主要步骤如下:
STEP1:把日志数据应用于各个推荐模型,得到带有推荐度数值的候选推荐结果;
STEP2:把各模型的推荐度等比投影到1~10十个档位上;
STEP3:计算各算法不同档位得分的推荐命中比率,以命中率作为统一排序的标准。Xi是某一个货品在不同算法下的得分取值,而precision基于历史记录的推荐命中率。
STEP4:使用训练集算好的分值区间的命中率计入规则库。
STEP5:当需要为某一个用户推荐货品的时候,根据STEP4的规则库得到优选子模型,分别计算各个推荐子模型的命中率,然后根据得分函数由高到低给出候选推荐。
本实施例提供了一种线下线上协同多模型混合推荐的方法,该方法结合用户的操作行为将命中率最大的模型对应的推荐结果作为第一推荐结果,用于后续目标推荐结果的计算中,充分保证了第一推荐结果如实反映了用户预期。
进一步地,在上述各实施例的基础上,所述获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果,包括:
获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据的特征选取用于根据所述实时行为数据确定所述预设用户感兴趣的推荐结果的模型,由选取的模型根据所述实时行为数据得到所述第二推荐结果。
进一步地,在上述各实施例的基础上,所述获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果,包括:
所述获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果,包括:
获取当前时刻所述预设用户对显示的条目所实施的操作,通过流处理平台对当前时刻所述预设用户的操作进行筛选,得到具有相同特征的操作,作为所述实时行为数据;
根据所述实时行为数据具有的特征选取用于根据所述实时行为数据确定所述预设用户感兴趣的推荐结果的模型,由选取的模型根据所述实时行为数据得到所述第二推荐结果。
除了本实施例提供的方法通过流处理平台得到第二推荐结果,还可以通过机器学习得到第二推荐结果,即进一步地,在上述各实施例的基础上,所述获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果,包括:
获取当前时刻所述预设用户对显示的条目所实施的操作,通过流处理平台对当前时刻所述预设用户的操作进行筛选,得到具有相同特征的操作,作为所述实时行为数据;
根据所述实时行为数据具有的特征选取用于根据所述实时行为数据确定所述预设用户感兴趣的推荐结果的模型,由选取的模型根据所述实时行为数据得到所述第二推荐结果。
进一步地,在上述各实施例的基础上,还包括:
实时根据所述预设用户对显示的条目进行的操作调整所述第二推荐结果。
需要说明的是,通常通过是否收藏、观看时长等信息筛选用户的操作。例如,筛选出来的操作是对各商品的观看时长或者是是否查看各商品的详细信息,本实施例对此不作具体限制。筛选的数据具有的特征不同,则用于根据该数据确定所述预设用户感兴趣的推荐结果的模型也不相同。
在线推荐接受收集的用户实时行为消息,包含点击、收藏、观看、观看时长等实时信息,进行推荐。
图4为本实施例提供的线下线上协同多模型混合推荐的方法中得到第二推荐结果的在线推荐逻辑示意图,参见图4,通过Web API应用程序接口和Flume日志采集系统将采集的实时数据传输至流处理平台Kafka,通过Ibm stream集合为用户的实时行为,再通过流处理平台或者在线学习得到与时间相关的第二推荐结果。
本实施例提供的流处理平台或者在线学习具体为:
(1)实时推荐:收集用户的在线行为,在流处理平台上进行一定的数据处理,然后带入到规则库,依据当前行为以及推荐规则得到推荐候选。
(2)在线学习:收集用户的在线行为,对于具备online性质的算法,比如基于梯度下降的逻辑回归算法,可以进行实时的学习优化,把用户的行为反映到推荐模型当中。图5实处了本实施例提供的在线训练的逻辑示意图,参见图5,采用流处理得到正样本和负样本,通过正样本和负样本对建立的随机梯度下降的模型进行训练,通过训练好的随机梯度下降的模型确定第二推荐结果。
本实施例提供的在线推荐的整体流程包括:
STEP1:获取用户在应用上的操作,如收藏、搜索、观看等数据;
STEP2:使用流处理平台对实时消息进行观看时间汇总,观看筛选等处理;
STEP3:利用萃取后用户行为,在推荐规则库中寻找匹配规则,直接用于推荐;
STEP4:使用用户行为,如是否选择,选择频次等信息对推荐模型进行更新,把用户的新近偏好体现在后续推荐。
本实施例提供了一种线下线上协同多模型混合推荐的方法,该方法通过流处理平台和/或在线学习实时确定符合用户预期的第二推荐结果,将第二推荐结果用于后续确定目标推荐结果的计算中,使得目标推荐结果充分考虑了用户的即时兴趣。
进一步地,在上述各实施例的基础上,所述结合所述第一推荐结果和所述第二推荐结果确定欲推荐给所述预设用户的目标推荐结果,按照所述目标推荐结果显示推荐给所述预设用户的条目,包括:
获取预先设定的同一条目在第一推荐结果中的推荐度占其在目标推荐结果中的推荐度的第一权重,在第二推荐结果中的推荐度占其在目标推荐结果中的推荐度的第二权重;
对第一推荐结果和第二推荐结果中的每一条目,根据所述第一权重和所述第二权重计算其在目标推荐结果中的推荐度,按照所述目标推荐结果中推荐度由高到低的顺序显示推荐给所述预设用户的条目。
图6为本实施例提供的线下线上协同多模型混合推荐的方法中融合第一推荐结果和第二推荐结果的逻辑示意图,参见图6,在线推荐候选(第二推荐结果)和离线推荐候选(第一推荐结果)需要推荐优选装置进行选择,离线和实时推荐结果中可以进行融合。例如,如果需要强调用户实时兴趣的倾向,则加大对于实时推荐评分的权重,如果需要强调用户历史兴趣的倾向,则加大对于离线推荐评分的权重。
推荐选择装置获取带推荐权重的推荐候选,然后根据实际所需的推荐效果配置推荐权重。如图6所示,每一货品在最终的目标推荐结果中的推荐度的计算方法包括:该货品的离线推荐候选中的推荐度乘以0.4与该货品的在线推荐候选中的推荐度乘以0.6的和。按照最终确定的每一货品的推荐度由高到低的顺序展示各货品。
本实施例提供了一种线下线上协同多模型混合推荐的方法,该方法中可以根据实际需要设定第一推荐结果和第二推荐结果在目标推荐结果中的权重,使得推荐结果与用户预期更加吻合。
图7为本实施例提供的线下线上协同多模型混合推荐的系统的结构框图,参见图7,该系统包括离线推荐模块701、在线推荐模块702和推荐优选模块703,其中,
离线推荐模块701,用于获取预设用户对显示的条目所实施的历史操作,作为历史行为数据,根据所述历史行为数据得到所述预设用户感兴趣的第一推荐结果;
在线推荐模块702,用于获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果;
推荐优选模块703,用于结合所述第一推荐结果和所述第二推荐结果确定欲推荐给所述预设用户的目标推荐结果,按照所述目标推荐结果显示推荐给所述预设用户的条目。
本实施例提供的线下线上协同多模型混合推荐的系统适用于上述实施例提供的线下线上协同多模型混合推荐的方法,在此不再赘述。
本实施例提供了一种线下线上协同多模型混合推荐的系统,该系统结合根据历史行为数据得到的第一推荐结果和根据实时行为数据得到的第二推荐结果,得到欲推荐给预设用户的目标推荐结果。该系统同时考虑了用户的长期兴趣和短期兴趣,提高了推荐结果与用户实际偏好的吻合程度。
如图2所示,本实施例提供的系统包括离线推荐装置、在线推荐装置和推荐优选装置,其中,离线推荐装置是一个可扩展的推荐模型容器,用户可以遍历的添加推荐子模型,最终由推荐融合器给出离线推荐的规则集合。并可以相应推荐请求给出推荐候选;在线推荐装置接受应用端的消息,使用流处理技术手段,结合推荐规则库给出相应的推荐结果,捕捉用户的实时关注偏好;推荐优选装置接受离线在线的推荐候选,并提供权重设置机制,生成最终的推荐列表。
本实施例提供的离线推荐装置对于各推荐子模型的结果融合策略,可以兼顾各种推荐算法的优势。本实施例提供的在线推荐装置,捕捉用户的在线行为,在根据现时状态进行推荐的同时又对离线模型进行修正。
现有技术方案中往往采用某一种特定的推荐策略,虽然也可以达到一定的推荐效果,但是由于算法的单一性,推荐的体验也呈现出单一性。本实施例提供的方法可以方便的集成各种推荐算法的特点,使得推荐结果更加多样化。同时,又集成了在线流计算平台,及时对用户的实时行为进行推荐并及时的修正离线模型。
图8是示出本实施例提供的电子设备的结构框图。
参照图8,所述电子设备包括:处理器(processor)801、存储器(memory)802、通信接口(Communications Interface)803和总线804;
其中,
所述处理器801、存储器802、通信接口803通过所述总线804完成相互间的通信;
所述通信接口803用于该电子设备和终端设备的通信设备之间的信息传输;
所述处理器801用于调用所述存储器802中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取预设用户对显示的条目所实施的历史操作,作为历史行为数据,根据所述历史行为数据得到所述预设用户感兴趣的第一推荐结果;获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果;结合所述第一推荐结果和所述第二推荐结果确定欲推荐给所述预设用户的目标推荐结果,按照所述目标推荐结果显示推荐给所述预设用户的条目。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取预设用户对显示的条目所实施的历史操作,作为历史行为数据,根据所述历史行为数据得到所述预设用户感兴趣的第一推荐结果;获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果;结合所述第一推荐结果和所述第二推荐结果确定欲推荐给所述预设用户的目标推荐结果,按照所述目标推荐结果显示推荐给所述预设用户的条目。
本实施例公开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实施例所提供的方法,例如,包括:获取预设用户对显示的条目所实施的历史操作,作为历史行为数据,根据所述历史行为数据得到所述预设用户感兴趣的第一推荐结果;获取当前时刻所述预设用户对显示的条目所实施的操作,作为实时行为数据,根据所述实时行为数据得到所述预设用户感兴趣的第二推荐结果;结合所述第一推荐结果和所述第二推荐结果确定欲推荐给所述预设用户的目标推荐结果,按照所述目标推荐结果显示推荐给所述预设用户的条目。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等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。
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。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,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,或者对其中部分或者全部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的实施例各实施例技术方案的范围。