确定产品需求的方法及装置和电子设备
技术领域
本说明书实施例涉及互联网技术领域,尤其涉及一种确定产品需求的方法及装置和电子设备。
背景技术
产品特别是软件产品交付运营后,一般就会进入产品迭代阶段。产品需求通常需要客观符合受众实际需要,如果迭代时确定的产品需求符合受众实际,那么迭代后的产品可以吸收更多的潜在用户使用,可以体现在运营数据上的新增用户和活跃用户的增长;反之,如果跌倒时确定的产品需求无法满足受众痛点,那么迭代后的产品无法触及潜在用户,新增用户和活跃用户增长往往不高。
因此,如何客观地确定产品迭代的产品需求亟待解决。
发明内容
本说明书实施例提供的一种确定产品需求的方法及装置和电子设备:
根据本说明书实施例的第一方面,提供一种确定产品需求的方法,所述方法包括:
从产品的当前版本的运营数据中采集种子用户集合;
根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
根据所述潜在用户集合内潜在用户的第二特征,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合;
解析所述异常用户集合中异常用户的第三特征的特征值,确定该产品迭代的产品需求。
可选的,所述方法还包括:
根据所述产品需求开发所述产品的新功能,将所述新功能添加到所述当前版本后得到迭代版本。
可选的,所述方法还包括:
将所述迭代版本作为当前版本后重复权利要求1中的步骤。
可选的,所述根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合,具体包括:
提取所述种子用户集合中种子用户之间第一特征中具有共性的特征值;
从其它用户集合中用户的第一特征中查询与该共性的特征值相似的特征值对应的潜在用户,由所述潜在用户组成潜在用户集合。
可选的,所述根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合,具体包括:
利用人群扩散算法,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
所述根据所述潜在用户集合内潜在用户的第二特征,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合,具体包括:
利用无监督学习算法,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合。
可选的,所述人群扩散算法包括带监督学习的人群扩散算法;其中,所述种子用户的第一特征的特征值作为监督学习的监督标签。
可选的,所述产品包括餐饮软件,所述当前版本为到店交易,所述第三特征包括LBS以及Memo;
所述解析所述异常用户集合中异常用户的第三特征的特征值,确定该产品迭代的产品需求,具体包括:
解析所述异常用户集合中异常用户的LBS数据和Memo数据;
在所述LBS数据表示的交易距离大于阈值的比例超过预设比例,并且所述Memo数据中备注有电话号码和房间号码时,确定该产品迭代的产品需求为到家交易,所述产品的迭代版本为到店交易+到家交易。
可选的,所述监督学习包括LR、GBDT或者RF算法。
可选的,所述无监督学习算法包括聚类算法或者邻近异常检测算法。
可选的,所述聚类算法包括K-MEANS算法、DBSCAN算法或者凝聚层次算法。
根据本说明书实施例的第二方面,提供一种确定产品需求的装置,所述装置包括:
采集单元,从产品的当前版本的运营数据中采集种子用户集合;
查询单元,根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
筛选单元,根据所述潜在用户集合内潜在用户的第二特征,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合;
确定单元,解析所述异常用户集合中异常用户的第三特征的特征值,确定该产品迭代的产品需求。
可选的,所述装置还包括:
迭代单元,根据所述产品需求开发所述产品的新功能,将所述新功能添加到所述当前版本后得到迭代版本。
可选的,所述装置还包括:
循环单元,将所述迭代版本作为当前版本后重复权利要求1中的步骤。
可选的,所述查询单元,具体包括:
特征提前子单元,提取所述种子用户集合中种子用户之间第一特征中具有共性的特征值;
用户查询子单元,从其它用户集合中用户的第一特征中查询与该共性的特征值相似的特征值对应的潜在用户,由所述潜在用户组成潜在用户集合。
可选的,所述查询单元,具体包括:
扩散子单元,利用人群扩散算法,寻找与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
所述筛选单元,具体包括:
利用无监督学习算法,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合。
可选的,所述人群扩散算法包括带监督学习的人群扩散算法;其中,所述种子用户的第一特征的特征值作为监督学习的监督标签。
可选的,所述产品包括餐饮软件,所述当前版本为到店交易,所述第三特征包括LBS以及Memo;
所述确定单元,具体包括:
解析子单元,解析所述异常用户集合中异常用户的LBS数据和Memo数据;
确定子单元,在所述LBS数据表示的交易距离大于阈值的比例超过预设比例,并且所述Memo数据中备注有电话号码和房间号码时,确定该产品迭代的产品需求为到家交易,所述产品的迭代版本为到店交易+到家交易。
可选的,所述监督学习包括LR、GBDT或者RF算法。
可选的,所述无监督学习算法包括聚类算法或者邻近异常检测算法。
可选的,所述聚类算法包括K-MEANS算法、DBSCAN算法或者凝聚层次算法。
根据本说明书实施例的第五方面,提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为上述任一项确定产品需求的方法。
本说明书一个实施例提供了通用的确定产品需求方案,将运营数据与产品迭代相结合形成闭环,首先利用运营数据中的种子用户寻找相似的潜在用户,然后从这些潜在用户中检测异常用户,最后解析异常用户的特征数据从而确定产品迭代的产品需求。
由于上述潜在用户和异常用户均是真实用户,异常用户的特征数据是客观存在,因此基于异常用户的特征数据确定的产品需求客观反映的是真实用户的实际需求。
附图说明
图1是本说明书一实施例提供的确定产品需求的方法的流程图;
图2是本说明书一实施例提供的确定产品需求的方法的流程图;
图3是本说明书一实施例提供的餐饮软件的迭代过程的示意图;
图4是本说明书一实施例提供的确定产品需求的装置的硬件结构图;
图5是本说明书一实施例提供的确定产品需求的装置的模块示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如前所述产品特别是软件产品交付运营后,一般就会进入产品迭代阶段。产品需求通常需要客观符合受众实际需要,如果迭代时确定的产品需求符合受众实际,那么迭代后的产品可以吸收更多的潜在用户使用,可以体现在运营数据上的新增用户和活跃用户的增长;反之,如果跌倒时确定的产品需求无法满足受众痛点,那么迭代后的产品无法触及潜在用户,新增用户和活跃用户增长往往不高。
然而,当产品具有海量用户时,由于这些用户的用户特征、产品使用特征分散,例如餐饮软件中,面向千万级别长尾商户,商户特征极端发散,对产品的使用特征也各不相同,产品需求是隐藏的。
在相关技术中,产品迭代主要依赖于人工经验,例如采用头脑风暴,具有偶然性,不客观。
依赖市场调研,分为线上线下调研。其中,线上调研存在调研结果失真,线下调研存在成本大的问题。
因此,如何客观地确定产品迭代的产品需求亟待解决。
为了解决上述问题,本说明书提供了一种通用通性的确定产品需求的方案,将运营数据与产品迭代相结合形成闭环,首先利用运营数据中的种子用户寻找相似的潜在用户,然后从这些潜在用户中检测异常用户,最后解析异常用户的特征数据从而确定产品迭代的产品需求。由于上述潜在用户和异常用户均是真实用户,异常用户的特征数据是客观存在,因此基于异常用户的特征数据确定的产品需求客观反映的是真实用户的实际需求。
以下可以参考图1所示的例子介绍确定产品需求的方法,所述方法可以包括以下步骤:
步骤110:从产品的当前版本的运营数据中采集种子用户集合;
步骤120:根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
步骤130:根据所述潜在用户集合内潜在用户的第二特征,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合;
步骤140:解析所述异常用户集合中异常用户的第三特征的特征值,确定该产品迭代的产品需求。
本说明书的实施例可以适用在具备海量存量用户的产品。所述方法可以应用在用于确定产品需求的服务端,如产品服务器。
针对具有海量存量用户的产品,从所述产品的当前版本的运营数据中采集种子用户集合;其中所述种子用户集合为所述存量用户构成的用户集合。
在一实施例中,所述步骤120,具体包括:
提取所述种子用户集合中种子用户之间第一特征中具有共性的特征值;
从其它用户集合中用户的第一特征中查询与该共性的特征值相似的特征值对应的潜在用户,由所述潜在用户组成潜在用户集合。
该实施例中,所述运营数据可以是指当前版本的产品在运营过程中产生的数据,这些运营数据包括使用产品的用户,由这些存量用户构成的集合称为种子用户集合。
每个种子用户都具有若干种特征并且每个特征还具有特征值。
通常,特征的特征值相同或相似的用户可以看作是同一类型的用户人群。同一用户人群的使用习惯上可能相似,在产品需求上存在共性。
因此,在利用种子用户查询更多的潜在用户时,可以先提取这些种子用户之间第一特征具有共性的特征值,然后利用该特征值从其它用户集合中用户的第一特征中查询与该共性的特征值相似的特征值对应的潜在用户。
举例说明,以种子用户的年龄特征为例,假设这些种子用户的年龄主要集中在25岁,那么同样可以寻找年龄在25岁左右的其它用户作为潜在用户。
在有的实施例中,所述特征还可以称为属性。所述其它用户集合可以是与该产品相关的第三方产品的用户集合。
在一实施例中,可以利用人群扩散算法,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
所述人群扩散算法(Lookalike,LAL)可以用于在一个目标下寻找相似人群。这里可以通过已有的种子用户来寻找与这些种子用户相似的潜在用户。
进一步的,所述人群扩散算法包括带监督学习的人群扩散算法(SupervisedLAL)。具体地,将人群扩散算法与监督学习结合,利用种子用户的第一特征的特征值作为监督学习的监督标签;抽象识别出监督标签相同或相似的用户作为可能使用产品的潜在用户。
利用带监督学习的人群扩散算法可以提升查询到的潜在用户集合的准确性,有效性。
其中,所述监督学习包括LR、GBDT或者RF算法。
同时,可以利用无监督学习算法,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合。
其中,所述设定比例可以是预设设置的经验值;例如50%(也可以表示为半数、1/2),即将潜在用户集合中与半数潜在用户不相似的用户作为异常用户。
利用无监督学习算法(Unsupervised Learning)归纳识别具象性质,将潜在用户集合中第二特征的特征值不收敛的用户筛选出来作为异常用户集合。
其中,所述无监督学习算法包括聚类算法或者邻近异常检测算法。
进一步的,所述聚类算法包括K-MEANS算法、DBSCAN算法或者凝聚层次算法。
在图1所示实施例的基础上,如图2所示该方法还可以包括:
步骤150:根据所述产品需求开发所述产品的新功能,将所述新功能添加到所述当前版本后得到迭代版本。
步骤160:将所述迭代版本作为当前版本后重复步骤110。
在确定了当前版本的产品需求后,就可以基于这个具体的产品需求开发对应的功能,并将开发的功能添加到当前版本中去,从而得到迭代版本;
针对迭代版本可以采用前述步骤110-140以确定这一迭代版本再次进行迭代时所需的产品需求。如此重复就可以持续地对产品进行迭代更新。
以下根据具体餐饮产品为例加以说明:
如图3所示,产品以基础版本上线后,记为P_1;假设该基础版本的功能为扫码点餐,主要针对的是传统线下餐饮,可以提供用户扫描方式点餐的服务;
1、采集。具体地,从P_1版本的运营数据中采集种子用户集合,记为A_1;
2、扩散。具体地,利用Supervised LAL算法,查询与所述A_1相似的潜在用户集合,记为C_1;
3、筛选。具体地,利用Unsupervised Learning筛选出所述C_1中的异常用户集合,记为&C_1;
4、解析。具体地,解析所述&C_1的第三特征的特征值,通过具象数据挖掘用户对产品的真实需求,记为P’_1。假设异常用户的第三特征体现在用户行业,并定位特征值为非传统餐饮行业例如购物;那么可以迭代的产品需求可以确定为“扫码下单”,即提供用户通过扫码方式进行购物。
5、迭代。在确定了当前版本的产品需求后,可以基于该产品需求开发新的功能,并添加到当前版本的功能中,从而形成迭代产品,记为P_2。例如,所述产品的迭代版本为扫码点餐+扫码下单。
针对迭代产品P_2,可以重复P_1的过程:
1、采集。具体地,从P_2版本的运营数据中采集种子用户集合,记为A_2;
2、扩散。具体地,利用Supervised LAL算法,查询与所述A_2相似的潜在用户集合,记为C_2;
3、筛选。具体地,利用Unsupervised Learning筛选出所述C_2中的异常用户集合,记为&C_2;
4、解析。具体地,解析所述&C_2的第三特征的特征值,通过具象数据挖掘用户对产品的真实需求,记为P’_2。假设异常用户的第三特征体现在LBS以及Memo;
解析所述异常用户集合中异常用户的LBS数据和Memo数据;
在所述LBS数据表示的交易距离大于阈值(例如1公里)的比例超过预设比例(例如35%),并且所述Memo数据中备注有电话号码和房间号码时,确定该产品迭代的产品需求为“到家交易”,即提供用户在家点餐并送餐上门的服务。
5、迭代。在确定了当前版本的产品需求后,可以基于该产品需求开发新的功能,并添加到当前版本的功能中,从而形成迭代产品,记为P_3。例如,所述产品的迭代版本为到店交易+到家交易。
同样地,迭代产品P_3,依然可以重复P_1的过程实现再次产品迭代;如此重复可以实现每个产品版本的迭代。
本说明书可以定义(P,C,&C)三元组,其中P表示产品当前版本的功能集合,C表示潜在用户集合,&C表示异常用户集合。用该该三元组进行上述1-5的过程实现产品迭代,包括利用LAL用户P定位C,再利用非监督方式由C筛选出&C;然后通过解析&C具象的特征数据确定产品需求;进行持续的产品迭代更新。
值得一提的是,上述第一特征、第二特征、第三特征通常是不同的特征,但也可以存在部分重叠的特征。
综上所述,本说明书提供了一种确定产品需求的方案,将运营数据与产品迭代相结合形成闭环,首先利用运营数据中的种子用户寻找相似的潜在用户,然后从这些潜在用户中检测异常用户,最后解析异常用户的特征数据从而确定产品迭代的产品需求。由于上述潜在用户和异常用户均是真实用户,异常用户的特征数据是客观存在,因此基于异常用户的特征数据确定的产品需求客观反映的是真实用户的实际需求。
本说明书提供的确定产品需求的方案具有通用性,方案可以适用于不同场景的不同产品。
与前述确定产品需求的方法实施例相对应,本说明书还提供了确定产品需求的装置的实施例。所述装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器将非易失性存储器中对应的计算机业务程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本说明书确定产品需求的装置所在设备的一种硬件结构图,除了图4所示的处理器、网络接口、内存以及非易失性存储器之外,实施例中装置所在的设备通常根据确定产品需求的实际功能,还可以包括其他硬件,对此不再赘述。
请参见图5,为本说明书一实施例提供的确定产品需求的装置的模块图,所述装置对应了图1所示实施例,所述装置包括:
采集单元310,从产品的当前版本的运营数据中采集种子用户集合;
查询单元320,根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
筛选单元330,根据所述潜在用户集合内潜在用户的第二特征,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合;
确定单元340,解析所述异常用户集合中异常用户的第三特征的特征值,确定该产品迭代的产品需求。
可选的,所述装置还包括:
迭代单元,根据所述产品需求开发所述产品的新功能,将所述新功能添加到所述当前版本后得到迭代版本。
可选的,所述装置还包括:
循环单元,将所述迭代版本作为当前版本后重复权利要求1中的步骤。
可选的,所述查询单元320,具体包括:
特征提前子单元,提取所述种子用户集合中种子用户之间第一特征中具有共性的特征值;
用户查询子单元,从其它用户集合中用户的第一特征中查询与该共性的特征值相似的特征值对应的潜在用户,由所述潜在用户组成潜在用户集合。
可选的,所述查询单元320,具体包括:
扩散子单元,利用人群扩散算法,寻找与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
所述筛选单元330,具体包括:
利用无监督学习算法,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合。
可选的,所述人群扩散算法包括带监督学习的人群扩散算法;其中,所述种子用户的第一特征的特征值作为监督学习的监督标签。
可选的,所述产品包括餐饮软件,所述当前版本为到店交易,所述第三特征包括LBS以及Memo;
所述确定单元340,具体包括:
解析子单元,解析所述异常用户集合中异常用户的LBS数据和Memo数据;
确定子单元,在所述LBS数据表示的交易距离大于阈值的比例超过预设比例,并且所述Memo数据中备注有电话号码和房间号码时,确定该产品迭代的产品需求为到家交易,所述产品的迭代版本为到店交易+到家交易。
可选的,所述监督学习包括LR、GBDT或者RF算法。
可选的,所述无监督学习算法包括聚类算法或者邻近异常检测算法。
可选的,所述聚类算法包括K-MEANS算法、DBSCAN算法或者凝聚层次算法。
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产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上图4描述了确定产品需求的装置的内部功能模块和结构示意,其实质上的执行主体可以为一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
从产品的当前版本的运营数据中采集种子用户集合;
根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
根据所述潜在用户集合内潜在用户的第二特征,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合;
解析所述异常用户集合中异常用户的第三特征的特征值,确定该产品迭代的产品需求。
可选的,还包括:
根据所述产品需求开发所述产品的新功能,将所述新功能添加到所述当前版本后得到迭代版本。
可选的,还包括:
将所述迭代版本作为当前版本后重复权利要求1中的步骤。
可选的,所述根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合,具体包括:
提取所述种子用户集合中种子用户之间第一特征中具有共性的特征值;
从其它用户集合中用户的第一特征中查询与该共性的特征值相似的特征值对应的潜在用户,由所述潜在用户组成潜在用户集合。
可选的,所述根据所述种子用户集合内种子用户的第一特征,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合,具体包括:
利用人群扩散算法,查询与所述种子用户的第一特征的特征值相似的潜在用户组成的潜在用户集合;
所述根据所述潜在用户集合内潜在用户的第二特征,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合,具体包括:
利用无监督学习算法,从所述潜在用户集合中筛选与设定比例的潜在用户的第二特征的特征值不相似的异常用户组成的异常用户集合。
可选的,所述人群扩散算法包括带监督学习的人群扩散算法;其中,所述种子用户的第一特征的特征值作为监督学习的监督标签。
可选的,所述产品包括餐饮软件,所述当前版本为到店交易,所述第三特征包括LBS以及Memo;
所述解析所述异常用户集合中异常用户的第三特征的特征值,确定该产品迭代的产品需求,具体包括:
解析所述异常用户集合中异常用户的LBS数据和Memo数据;
在所述LBS数据表示的交易距离大于阈值的比例超过预设比例,并且所述Memo数据中备注有电话号码和房间号码时,确定该产品迭代的产品需求为到家交易,所述产品的迭代版本为到店交易+到家交易。
可选的,所述监督学习包括LR、GBDT或者RF算法。
可选的,所述无监督学习算法包括聚类算法或者邻近异常检测算法。
可选的,所述聚类算法包括K-MEANS算法、DBSCAN算法或者凝聚层次算法。
在上述电子设备的实施例中,应理解,该处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,而前述的存储器可以是只读存储器(英文:read-only memory,缩写:ROM)、随机存取存储器(英文:random access memory,简称:RAM)、快闪存储器、硬盘或者固态硬盘。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
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,对于电子设备实施例而言,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。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。