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一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
本说明书实施例提供了一种客户标签的确定方法,所述方法具体可以应用于包含有第一服务器和第二服务器的系统架构中。其中,上述第一服务器和第二服务器通过有线或无线的方式连接,以便进行数据交互。
具体的,上述第一服务器可以用于采集第一类用户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息,其中,所述第一类客户包括预设时间段内在目标商户所在的目标区域中消费过的客户,并将上述第一类用户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息发送至第二服务器。第二服务器具体可以用于获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息;调用第一预设模型,根据所述第一类客户的客户信息和交易信息,以及所述目标商户的商户信息、成交信息和环境信息,从第一类客户中确定出针对目标商户的潜在客户;调用第二预设模型,从多个预设的客户特征中确定出符合第一预设要求的关键特征;根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的关键特征作为客户标签,其中,所述客户标签用于指示目标商户的潜在客户。
在本实施例中,所述第一服务器、第二服务器可以是一种应用于网络业务平台一侧,能够实现数据传输、数据处理等功能的后台业务服务器。具体的,所述第一服务器、第二服务器可以为一个具有数据运算、存储功能以及网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施方式中,并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
在一个具体的场景示例中,可以参阅图1所示,某交易网络平台可以应用本说明书实施例提供的客户标签的确定方法为线下商户:XX饭店确定出该饭店潜在客户的客户标签,以协助该饭店有针对性地进行营销、推广,提高收益。
具体实施时,该交易网络平台的服务器在接收到XX饭店发送的客户标签的确定请求后,会响应上述客户标签的确定请求,先确定出XX饭店的地理位置,再根据XX饭店的地理位置,划定出以XX饭店为中心,500米为半径的范围区域作为目标区域。当然,具体实施时,也可以根据商户的要求,将该饭店所在整个区或镇作为上述目标区域。
进一步,服务器可以搜集并获取过去预设时间段,例如最近一周,在上述目标区域中消费过的客户(例如,第一类客户)的客户信息和交易信息。
其中,上述客户的客户信息具体可以包括与客户自身属性相关的特征信息。具体的,上述客户信息可以包括:客户的年龄、客户的性别、客户的职业、客户的常驻地、客户的社会影响力、客户的婚姻状况(例如,已婚、未婚等)、子女状况(例如是否有孩子、孩子的数量、男孩还是女孩等)等。当然,需要说明的是,上述所列举的客户信息只是一种示意性说明。具体实施时,根据具体的应用场景和商户要求还可以引入其他类型的特征信息作为上述客户信息。对此,本说明书不作限定。
上述客户的交易信息具体可以包括与客户的交易行为相关的特征信息。具体的,上述交易信息可以包括:线上购买力、线上购买偏好、邻近时间段内(例如最近N天)的线下交易数量、邻近时间段内的线下交易金额等。当然,需要说明的是,上述所列举的交易信息只是一种示意性说明。具体实施时,根据具体的应用场景和商户要求还可以引入其他类型的特征信息作为上述交易信息。对此,本说明书不作限定。
其中,参阅图2所示,上述商户信息具体可以包括与商户自身的属性相关的特征信息。具体的,上述商户的商户信息可以包括:商户的经营类型、商户所售商品或服务的种类、商户的店铺规模、商户的经营时间等。当然,需要说明的是,上述所列举的商户信息只是一种示意性说明。具体实施时,根据具体的应用场景和商户要求还可以引入其他类型的特征信息作为上述商户信息。对此,本说明书不作限定。
上述商户的成交信息具体可以包括与商户成单情况相关的信息。具体的,商户的成交信息可以包括:邻近时间内(例如最近N天)的线下成交数量、邻近时间内的线下成交金额、商户的折扣信息等。当然,需要说明的是,上述所列举的成交信息只是一种示意性说明。具体实施时,根据具体的应用场景和商户要求还可以引入其他类型的特征信息作为上述成交信息。对此,本说明书不作限定。
上述商户的环境信息具体可以包括与商户所在的目标区域的环境状况相关的特征信息。具体的,上述环境信息可以包括:商户所在的目标区域中的客流状况数据、商户所在的目标区域的中的交易状况数据、商户在目标区域中营销状况数据、目标区域中与商户存在竞争关系的其他商户的数量数据等。当然,需要说明的是,上述所列举的环境信息只是一种示意性说明。具体实施时,根据具体的应用场景和商户要求还可以引入其他类型的特征信息作为上述环境信息。对此,本说明书不作限定。
具体实施时,服务器可以基于LBS(Location Based Service,基于移动位置服务)获取并根据最近一周的客户的线下支付订单的生成位置信息,从大量客户中筛选出在最近一周在目标区域中消费过的客户作为第一类客户。进而,可以通过查询该网络平台的用户数据库获取上述第一类客户的客户信息。同时,获取并统计上述第一类客户的线上和线下的交易数据,得到对应的上述第一类客户的交易信息。
此外,服务器还会针对该饭店,通过查询该饭店在交易网络平台上存储的商户信息获取该饭店的商户信息。通过搜集并统计该饭店近段时间产生的线下支付订单,获取该饭店的成交信息。通过搜集并统计该饭店所在的目标区域中近段时间产生的线下支付订单,获取对应的环境信息。
在服务器按照上述方式得到了第一类客户的客户信息、交易信息,以及XX饭店的商户信息、成交信息和环境信息后,进一步可以调用预先训练好的第一预设模型对上述第一类客户的信息数据和XX饭店的信息数据进行分析处理,从第一类客户中确定出可能前往XX饭店线下消费的潜在客户(也可以简称为潜客)。
其中,上述第一预设模型具体可以包括一种事先基于深度神经网络学习,通过对样本商户数据和样本客户数据进行学习训练得到的能够用于预测商户的潜在客户的神经网络模型。
在本场景示例中,具体实施时,服务器可以将第一类客户的客户信息、交易信息,以及XX饭店的商户信息、成交信息和环境信息作为模型输入,输入至上述第一预设模型中;并运行上述第一预设模型,输出对应的模型输出;根据上述模型输出,从第一类客户中确定出可能前往XX饭店消费的潜在客户。
在基于上述第一类客户确定XX饭店的潜在客户的同时,服务器还会基于第一类客户的客户信息、交易信息,XX饭店的经营类型、所提供的商品类型,XX饭店自身的客户定位,以及XX饭店的具体要求等预先从基于第一类客户的客户信息、交易信息得到的大量客户特征中筛选出针对XX饭店的业务场景的多个预设的客户特征。
其中,上述预设的客户特征具体可以理解为一种能够指示某一类的客户的特征数据。具体的,上述预设的客户特征可以是一种描述客户的自身属性特点的特征数据,例如,客户的职业、年龄等,也可以是一种描述客户的交易习惯特点的特征数据,例如,客户的购买偏好、购买数量等。
进一步,可以参阅图3所示,服务器可以调用预先训练好的第二预设模型对上述多个预设的客户特征进行分析处理,从上述多个预设的客户特征中筛选出会对客户是否消费产生较大影响的特征作为关键特征。
其中,上述第二预设模型具体可以包括一种事先基于机器学习,例如基于XGboost训练得到的能够用于预测各种客户特征对客户是否消费的影响程度的模型。
具体实施时,服务器可以将上述多个预设的客户特征作为模型输入,输入至上述第二预设模型;并运行上述第二预设模型,得到对应的模型输出;根据所述模型输出,可以确定对应各个预设的客户特征的影响权重;其中,所述影响权重用于指示所对应的客户特征对客户消费的影响程度的大小。再将上述各个预设的客户特征的影响权重与预设的权重阈值进行数值比较,从多个预设的客户特征中筛选出影响权重大于预设的权重阈值的预设的客户特征作为符合第一预设要求的关键特征。
其中,上述关键特征具体可以理解为一种抛开商户,以及商户所售的商品或服务的具体内容等因素对客户是否消费这一行为产生相对较大影响的客户特征。具体的,例如,服务器可以通过第二预设模型确定出对应XX饭店的关键特征包括:年龄为20-30岁(可以记为关键特征1),子女状况为没有子女(可以记为关键特征2),线上购买偏好为零食(可以记为关键特征3)。
进一步,服务器可以综合利用对应XX饭店的潜在客户的客户信息和交易信息,从上述多个关键特征中确定出针对于XX饭店,能够区别于目标区域中的其他商户的,具有较好的指示效果的关键特征作为符合第二预设要求的客户标签。
其中,上述客户标签具体可以理解为一种能够区别于目标区域中其他的商户,例如其他同类型的商户的,能较为有效地、针对性地指示出目标商户的潜在客户的客户特征。
具体实施时,考虑到在一些场景中,如果仅基于目标商户的潜在客户,忽略了与该目标区域中其他的商户的区分,可能会导致所确定的客户标签没有针对性和区分性,进而使得基于该客户标签往往不能将目标商户与其他商户的潜在客户有效地区分开。
例如,可能出现为A镇中的B店、C店和D店所分别确定的客户标签最终都是A镇。虽然这个客户标签能够准确地反映出前往A镇中的B店、C店和D店消费的客户的特征,但没有较好的区分度和针对性,导致基于该客户标签无法有效地区分开B店、C店和D店的潜在客户,进而使得后续基于该客户标签往往无法精细地确定出对应店铺的潜在客户,参考价值相对较低。
为了能够使得所确定客户标签具有较强的针对性和准确度,可以根据潜在客户的客户信息和交易信息,结合目标商户的环境信息来确定最终的客户标签。
具体的,例如,针对每一个关键特征,可以先从第一类客户的客户信息和交易信息中获取XX饭店的潜在客户的客户信息和交易信息。再基于上述XX饭店的潜在客户的客户信息和交易信息,统计XX饭店的潜在客户中满足上述关键特征的客户占XX饭店的潜在客户的比例,作为该关键特征针对该XX饭店的客流占比。同时,根据第一类客户的客户信息和交易信息,统计目标区域中客户中满足上述关键特征的客户占比,作为该关键特征针对该目标区域的客流占比。同时服务器还会根据该目标区域中第一类用户的用户信息和交易信息,结合XX商店的环境信息,例如,XX商店所在的目标区域中的客流状况数据、交易状况数据等,进一步统计出整个目标区域的第一类客户中满足上述关键特征的客户占比,作为该关键特征针对目标区域的客流占比。进而可以将该关键特征针对目标商户的客流占比和该关键特征针对目标区域的客流占比相除,得到对应的商值。按照上述方式,可以分别计算出:关键特征1针对目标商户的客流占比和关键特征1针对目标区域的客流占比的商值1为1.06,关键特征2针对目标商户的客流占比和关键特征2针对目标区域的客流占比的商值1为1.23,以及关键特征3针对目标商户的客流占比和关键特征3针对目标区域的客流占比的商值1为1.16。进而可以将上述3个商值分别与预设阈值(例如1.1)进行比较,将商值大于等于预设阈值的关键特征确定为在目标区域中能够有效区分其他商户的潜在客户的客户特征,并将该关键特征确定为符合第二预设要求的关键特征,作为针对目标商户的客户标签。因此,可以将关键特征2和关键特征3确定为针对XX饭店的客户标签。
其中,需要说明的是,上述所列举的预设阈值只是一种示意性说明。具体实施时,根据具体的应用场景和商户的推广营销需要,还可以设置其他合适的数值作为上述预设阈值来从多个关键特征正筛选出针对目标商户的客户标签。对此,本说明书不作限定。
在确定出XX饭店的客户标签后,为了配合协助XX饭店进行线下的推广宣传,增加线下成交量。服务器可以先获取当前在目标区域中出现的客户作为第二类客户,同时可以获取上述第二类客户的客户信息和交易信息。并且,基于XX饭店的客户标签,从上述第二类客户中筛选出客户信息和交易信息与客户标签匹配的客户作可能前往XX饭店进行线下消费的潜在客户。将这批客户作为目标客户,向上述目标客户发送与XX饭店相关的推广信息。例如,XX饭店的优惠券,或者XX饭店的位置介绍,或者XX饭店的招牌菜推荐等等,以引导这类潜在的目标客户前往XX饭店消费,从而获得相对较好的推广效果,提高XX饭店的线下成交量,以及XX饭店的收益。
由上述场景示例可见,本说明书提供的客户标签的确定方法,由于通过先调用事先训练好的第一预设模型根据预设时间段内在目标区域中出现过的第一类客户而不仅局限于在目标商户中消费过的客户的信息数据,以及目标商户的信息数据,确定出针对目标商户的具有较高参考价值的潜在客户;通过调用第二预设模型从多个预设的客户特征中准确地筛选出影响客户是否消费的符合要求的关键特征;再综合上述潜在客户的信息数据,以及关键特征,确定出能够有效地区分其他商户,指示出目标商户的潜在客户的客户标签,从而提高了所确定的目标商户的客户标签的针对性和精确度,使得所确定客户标签具有更高的参考价值,解决了确定商户的客户标签针对性不强、精确度低,参考价值不高的技术问题。
参阅图4所示,本说明书实施例提供了一种客户标签的确定方法,其中,该方法具体应用于服务器一侧。具体实施时,该方法可以包括以下内容。
S41:获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息,其中,所述第一类客户包括预设时间段内在目标商户所在的目标区域中消费过的客户。
在本实施例中,上述目标商户具体可以包括线下经营的实体店商户,例如,线下经营的饭店、书店、奶茶店等。当然,本说明书实施例提供的客户标签的确定方法也可以拓展适用于线上经营的网店商户。
在本实施例中,上述目标区域具体包括目标商户所在的范围区域。具体的,上述目标区域可以服务器划定的以目标商户为中心的圆形区域或者方形区域(例如,以目标商户为中心,500米为半径的圆形范围区域),还可以是目标商户所在的城镇或者区县等等。对于上述目标区域的具体范围和确定方式,本说明书不作限定。
在本实施例中,上述第一类客户具体可以包括预设时间段内在目标商户所在的目标区域中消费过的客户。其中,上述预设时间段具体可以是最近一周,也可以是最近一月,或者目标商户所指定的某一个时间段等。
需要说明的是,上述第一类客户中包括了在预设时间段内在目标商户消费过的客户,同时也包括了在预设时间段内没在目标商户消费过,但出现在目标商户所在目标区域中(或者在目标区域中除目标商户以外的其他商户中消费过的)的客户。对于上述在预设时间段内没在目标商户消费过,但出现在目标商户所在目标区域中的客户实际上可能会包含有两种情况:第一种情况,客户在预设时间段内进入了目标商户但最终没有在目标商户消费;第二种情况,客户在预设时间段内出现了在目标区域中但没有进入目标商户,因此没有在目标商户中消费。第二种情况的客户中实际上也存在客户未来有可能在目标商户中消费,也可能成为目标商户的潜在客户。
因此,在本场景示例中将预设时间段内在目标商户消费过的客户,和预设时间段内没在目标商户消费过,但出现在目标商户所在目标区域中(或者在目标区域中除目标商户以外的其他商户消费过)的客户作为第一类客户进行分析研究,相比于仅将预设时间段内在目标商户消费过的客户作分析研究的客户,有效地扩展了所分析研究的客户范围,避免遗漏掉其他可能在目标商户消费的客户。使得所获取的用于分析研究的客户数据相对更加的丰富、全面。
在本实施例中,在获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息之前,具体实施时,所述方法还可以包括以下内容:获取预设时间段内的客户线下支付订单;基于LBS获取客户线下支付订单的生成位置信息;根据线下支付订单的生成位置信息,从客户中筛选出预设时间段在目标区域中消费过的客户作为第一类客户。
在本实施例中,上述客户的客户信息具体可以包括与客户自身属性相关的特征信息。具体的,上述客户信息可以包括:客户的年龄、客户的性别、客户的职业、客户的常驻地、客户的社会影响力、客户的婚姻状况(例如,已婚、未婚等)、子女状况(例如是否有孩子、孩子的数量、男孩还是女孩等)等。当然,需要说明的是,上述所列举的客户信息只是一种示意性说明。具体实施时,根据具体的应用场景和商户要求还可以引入其他类型的特征信息作为上述客户信息。对此,本说明书不作限定。
上述客户的交易信息具体可以包括与客户的交易行为相关的特征信息。具体的,上述交易信息可以包括:线上购买力、线上购买偏好、邻近时间段内(例如最近N天)的线下交易数量、邻近时间段内的线下交易金额等。当然,需要说明的是,上述所列举的交易信息只是一种示意性说明。具体实施时,根据具体的应用场景和目标商户要求还可以引入其他类型的特征信息作为上述交易信息。对此,本说明书不作限定。
上述商户信息具体可以包括与目标商户自身的属性相关的特征信息。具体的,上述目标商户的商户信息可以包括:目标商户的经营类型、目标商户所售商品或服务的种类、目标商户的店铺规模、目标商户的经营时间等。当然,需要说明的是,上述所列举的商户信息只是一种示意性说明。具体实施时,根据具体的应用场景和目标商户要求还可以引入其他类型的特征信息作为上述商户信息。对此,本说明书不作限定。
上述目标商户的成交信息具体可以包括与目标商户成单情况相关的信息。具体的,目标商户的成交信息可以包括:邻近时间内(例如最近N天)的线下成交数量、邻近时间内的线下成交金额、商户的折扣信息等。当然,需要说明的是,上述所列举的成交信息只是一种示意性说明。具体实施时,根据具体的应用场景和目标商户要求还可以引入其他类型的特征信息作为上述成交信息。对此,本说明书不作限定。
上述目标商户的环境信息具体可以包括与目标商户所在的目标区域的环境状况相关的特征信息。具体的,上述环境信息可以包括:目标商户所在的目标区域中的客流状况数据、目标商户所在的目标区域的中的交易状况数据、目标商户在目标区域中营销状况数据、目标区域中与目标商户存在竞争关系的其他商户的数量数据等。当然,需要说明的是,上述所列举的环境信息只是一种示意性说明。具体实施时,根据具体的应用场景和目标商户的要求还可以引入其他类型的特征信息作为上述环境信息。对此,本说明书不作限定。
在本实施例中,上述获取第一类客户的客户信息和交易信息,具体实施时,可以包括以下内容:根据第一类客户,通过查询网络平台的用户数据库获取第一类客户的客户信息。通过获取并统计所述第一类客户的线上和线下交易数据,确定出第一类客户的交易信息。
在本实施例中,获取目标商户的商户信息、成交信息和环境信息,具体实施时,可以包括以下内容:根据目标商户,通过查询目标商户在交易网络平台上存储的商户信息获取该目标商户的商户信息。通过搜集并统计该目标商户预设时间段内的线下支付订单,获取目标商户的成交信息。通过搜集并统计该目标商户所在的目标区域中预设时间段内的线下支付订单,获取对应的环境信息。
在本实施例中,在获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息之前,所述方法具体实施时,还可以包括:接收目标商户发送的客户标签的确定请求;响应所述客户标签的确定请求,获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息。
S43:调用第一预设模型,根据所述第一类客户的客户信息和交易信息,以及所述目标商户的商户信息、成交信息和环境信息,从第一类客户中确定出针对目标商户的潜在客户。
在本实施例中,上述第一预设模型具体可以包括一种事先基于深度神经网络学习,通过对样本商户数据和样本客户数据进行学习训练得到的能够用于预测商户的潜在客户的神经网络模型。
在本实施例中,具体实施时,可以将第一类客户的客户信息、交易信息,以及目标商户的商户信息、成交信息和环境信息作为模型输入,输入至上述第一预设模型中;并运行上述第一预设模型,得到对应的模型输出;根据上述模型输出,从第一类客户中确定出可能前往目标商户消费的潜在客户。
S45:调用第二预设模型,从多个预设的客户特征中确定出符合第一预设要求的关键特征。
在本实施例中,上述预设的客户特征具体可以理解为一种能够指示某一类的客户的特征数据。具体的,上述预设的客户特征可以是一种描述客户的自身属性特点的特征数据,例如,客户的职业、年龄等,也可以是一种描述客户的交易习惯特点的特征数据,例如,客户的购买偏好、购买数量等。
在本实施例中,具体实施时,服务器可以基于第一类客户的客户信息、交易信息等信息数据,通过特征工程得到大量的客户特征。再根据目标商户的经营类型、所述售商品或服务的具体的类型、目标商户的自身客户定位,以及目标商户提出的具体要求,从上述客户特征中筛选出适合于目标商户的业务场景的多个客户特征作为上述预设的客户特征。
在本实施例中,上述第二预设模型具体可以包括一种事先基于机器学习,例如基于XGboost训练得到的能够用于预测各种客户特征对客户是否消费的影响程度的模型。
在本实施例中,具体实施时,可以将上述多个预设的客户特征作为模型输入,输入至上述第二预设模型;并运行上述第二预设模型,得到对应的模型输出;根据所述模型输出,可以确定对应各个预设的客户特征的影响权重。其中,所述影响权重用于指示所对应的客户特征对客户消费的影响程度的大小。再将上述各个预设的客户特征的影响权重与预设的权重阈值进行数值比较,从多个预设的客户特征中筛选出影响权重大于预设的权重阈值的预设的客户特征作为符合第一预设要求的关键特征。
其中,上述关键特征具体可以理解为一种抛开商户,以及商户所售的商品或服务的具体内容等因素对客户是否消费这一行为产生相对较大影响的客户特征。这样得到的关键特征不受具体商户、商品或服务的影响,具有更高的泛化度。
上述预设的权重阈值的具体取值可以根据具体的应用场景和精度要求灵活设置。对于预设的权重阈值的具体取值,本说明书不作限定。
S47:根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的关键特征作为客户标签,其中,所述客户标签用于指示目标商户的潜在客户。
在本实施例中,上述客户标签具体可以理解为一种能够区别于目标区域中其他的商户,例如其他同类型的商户的,能较为有效地、针对性地指示出目标商户的潜在客户的客户特征。
在本实施例中,具体实施时,对于每一个关键特征,可以分别统计目标商户的潜在客户中满足该关键特征的客户在目标商户的潜在客户中的占比,作为该关键特征针对目标商户的客流占比。再将根据关键特征针对目标商户的客流占比,筛选出占比较高的一个或几个关键特征作为目标商户的客户表签。例如,可以将关键特征针对目标商户的客流占比大于等于预设占比阈值的关键特征确定为目标商户的客户标签。
在本实施例中,又考虑到在一些场景中,如果仅基于目标商户的潜在客户,忽略了与该目标区域中其他的商户的区分,可能会导致所确定的客户标签没有针对性和区分性,进而使得基于该客户标签往往不能将目标商户与其他商户的潜在客户有效地区分开、参考价值相对较低。例如,可能出现为A镇这同一个目标区域中的B店、C店和D店所分别确定的客户标签最终可能都是A镇。虽然这个客户标签能够准确地反映出前往A镇中的B店、C店和D店消费的客户的特征,但没有较好的区分度和针对性,导致基于该客户标签无法有效地区分开B店、C店和D店的潜在客户,进而使得后续基于该客户标签往往无法精细地确定出对应店铺的潜在客户,参考价值相对较低。
因此,在具体实施时,参阅图5所示,可以根据所述潜在客户的客户信息和交易信息,结合目标商户的环境信息,从所述多个关键特征中确定出更有针对性和区分度的符合第二预设要求的关键特征作为客户标签。
具体的,对于每一个关键特征,可以分别统计目标商户的潜在客户中满足该关键特征的客户在目标商户的潜在客户中的占比,作为该关键特征针对目标商户的客流占比。同时,可以分别统计第一类客户中满足该关键特征的客户在第一类客户中的占比,作为该关键特征针对目标区域的客流占比。按照上述方式,可以分别得到各个关键特征针对目标商户的客流占比,以及针对目标区域的客流占比。进一步,可以分别根据各个关键特征针对目标商户的客流占比,以及针对目标区域的客流占比,计算各个关键特征针对目标商户的客流占比,与该关键特征针对目标区域的客流占比的商值。再将各个关键特征所对应的上述商值与预设阈值进行比较,将商值大于等于预设阈值的关键特征确定为符合第二预设要求的目标商户的客户标签。这样得到的目标商户的客户标签具有更强的针对性和更好的区分度,能够有效地区分出同一目标区域中其他商户的潜在客户,针对性地指示出目标商户的潜在客户。
其中,上述预设阈值的具体数值可以为1.1。当然需要说明的是,上述所列举的预设阈值只是一种示意性说明。具体实施时,根据具体的应用场景和目标商户具体的推广营销需要,还可以设置其他合适的数值作为上述预设阈值来从多个关键特征正筛选出针对目标商户的客户标签。对此,本说明书不作限定。
在本实施例中,根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的关键特征作为客户标签后,所述方法具体实施时,还可以包括以下内容:获取当前在目标区域中出现的客户作为第二类客户。获取第二类客户的客户信息和交易信息。根据目标商户的客户标签,以及第二类客户的客户信息和交易信息,从第二类客户中筛选出与目标商户的客户标签匹配(例如,客户信息和交易信息与目标商户的客户标签匹配的客户)的客户作为目标商户的潜在客户,即目标客户。进而可以配合目标商户,针对性地对上述第二类客户中的潜在客户进行目标商户的推广。例如,向上述目标客户发送目标商户的推广信息等等。
本说明书实施例通过先调用事先训练好的第一预设模型根据预设时间段内在目标区域中出现过的第一类客户而不仅局限于在目标商户中消费过的客户的信息数据,以及目标商户的信息数据,确定出针对目标商户的具有较高参考价值的潜在客户;通过调用第二预设模型从多个预设的客户特征中准确地筛选出影响客户是否消费的符合要求的关键特征;再综合上述潜在客户的信息数据,以及关键特征,确定出能够有效地区分其他商户,指示出目标商户的潜在客户的客户标签,从而实现了提高所确定的目标商户的客户标签的针对性和精确度,使得所确定客户标签具有更高的参考价值的效果,解决了确定商户的客户标签针对性不强、精确度低,参考价值不高的技术问题。
在一个实施例中,在根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的关键特征作为客户标签后,所述方法具体实施时,还可以包括以下内容:获取第二类客户的客户信息和交易信息;根据所述客户标签、所述第二类客户的客户信息和交易信息,从所述第二类客户中筛选出目标商户的潜在客户作为目标客户;向所述目标客户推广所述目标商户。
在本实施例中,上述第二类客户具体可以包括当前出现在目标商户所在的目标区域的客户。具体实施时,可以获取并根据客户的当前位置信息,从客户中筛选出当前位于目标区域中的客户作为第二类客户。
在本实施例中,上述目标客户具体可以理解为当前在目标区域中出现的第二类客户中具有较大可能性前往目标商户消费的客户。
在本实施例中,上述向所述目标客户推广所述目标商户,具体实施时,可以包括向所述目标客户发送与目标商户相关的推广信息,例如,优惠券、广告单、介绍链接等等。当然,需要说明的是,上述所列举的推广方式只是一种示意性说明。具体实施时,还可以结合具体的线下推广场景和目标商户的推广营销策略,配合目标商户采用其他合适的推广方式来向目标客户推广目标商户。
本说明书实施例通过上式实施例可以精确、高效地针对目标商户从当前目标区域的第二类客户中确定出可能前往目标商户进行消费的目标客户,进而针对这类客户配合目标商户进行针对性的推广,达到较好的推广效果,帮助目标商户提高线下成单量。
在一个实施例中,上述调用第二预设模型,从多个预设的客户特征中确定出符合第一预设要求的关键特征,具体实施时,可以包括以下内容:调用第二预设模型确定出预设的客户特征的影响权重,其中,所述影响权重用于指示对客户消费的影响程度;从所述多个预设的客户特征中筛选出影响权重大于预设的权重阈值的预设的客户特征作为符合第一预设要求的关键特征。
在本实施例中,上述预设的权重阈值具体可以根据具体的应用场景和目标商户的具体要求,灵活设置。对于预设的权重阈值的具体数值,本说明书不作限定。
本说明书实施例通过上述方式能够有效地抛开商户,以及商户所售的商品或服务的具体内容等因素对客户是否消费这一行为所产生的影响,得到泛化度更高、效果更好的客户特征。
在一个实施例中,上述根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的预设的客户特征作为客户标签,具体实施时,可以包括以下内容:根据所述潜在客户的客户信息和交易信息,统计关键特征针对目标商户的客流占比;根据第一类客户的客户信息和交易信息,以及目标商户的环境信息,统计关键特征针对目标区域的客流占比;根据所述关键特征针对目标商户的客流占比和所述关键特征针对目标区域的客流占比,从所述多个关键特征中确定出符合第二预设要求的关键特征作为所述客户标签。
本说明书实施例通过上述方式结合目标商户的环境信息,能够从多个关键特征中确定出更有针对性和区分度的,能够更好地指示目标商户,且不会与目标区域中的其他商户出现重叠的关键特征作为客户标签。
在一个实施例中,上述根据所述关键特征针对目标商户的客流占比和所述关键特征针对目标区域的客流占比,从所述多个关键特征中确定出符合第二预设要求的关键特征作为所述客户标签,具体实施时,可以包括以下内容:计算所述关键特征针对目标商户的客流占比和所述关键特征针对目标区域的客流占比的商值;将商值大于等于预设阈值的关键特征确定为符合第二预设要求的关键特征作为所述客户标签。
在一个实施例中,所述第一类客户的客户信息具体可以包括以下至少之一:年龄、性别、职业、常驻地、社会影响力、婚姻状况、子女状况等等。当然,需要说明的是,上述所列举的客户信息只是一种示意性说明。具体实施时,根据具体的应用场景和商户要求还可以引入其他类型的特征信息作为上述客户信息。对此,本说明书不作限定。
在一个实施例中,所述第一类客户的交易信息具体可以包括以下至少之一:线上购买力、线上购买偏好、邻近时间段内的线下交易数量、邻近时间段内的线下交易金额等等。当然,需要说明的是,上述所列举的交易信息只是一种示意性说明。具体实施时,根据具体的应用场景和目标商户要求还可以引入其他类型的特征信息作为上述交易信息。对此,本说明书不作限定。
在一个实施例中,所述目标商户的环境信息具体可以包括以下至少之一:目标区域中的客流状况数据、目标区域中的交易状况数据、目标商户在目标区域中营销状况数据等等。当然,需要说明的是,上述所列举的环境信息只是一种示意性说明。具体实施时,根据具体的应用场景和目标商户的要求还可以引入其他类型的特征信息作为上述环境信息。对此,本说明书不作限定。
在一个实施例中,参阅图6所示,所述第一预设模型具体实施时可以按照以下方式建立:获取历史时间段内目标区域中商户的商户信息、成交信息和环境信息作为样本商户数据,以及历史时间段内在目标区域中出现过的客户的客户信息和交易信息作为样本客户数据;根据在历史时间段内客户是否在商户进行消费,将所述样本客户数据进行正负样本标注,得到标注后的样本客户数据;利用所述样本商户数据,和所述标注后的样本客户数据,对神经网络模型进行深度学习,以得到第一预设模型。
在本实施例中,上述历史时间段具体可以是过去的一周,或者一月,也可以是目标商户选择的历史上的某一个具体的时间段。对此,本说明书不作限定。
在本实施例中,上述所获取的样本客户数据中的客户有的在历史时间段内前往样本商户数据所对应的商户进行了消费;有的虽然在历史时间段内出现在商户所在的目标区域中或者在目标区域中的其他商户消费过,但没有前往样本商户数据所对应的商户进行消费。因此,具体实施时,可以根据在历史时间段内客户是否在商户进行消费,将所述样本客户数据进行正负样本标注,将历史时间段内在目标商户中消费过的客户所对应的样本客户数据标注为正样本客户数据。将历史时间段内在目标商户中没有消费过的客户所对应的样本客户数据标注为负样本客户数据,从而得到标注后的样本客户数据。
在本实施例中,上述利用所述样本商户数据,和所述标注后的样本客户数据,对神经网络模型进行深度学习,具体实施时,可以根据样本商户数据,和标注后的样本客户数据,通过特征工程提取对应的特征数据,再利用上述特征数据进行神经网络的深度学习。
具体实施时,随着网上交易的普及,往往可以搜集到大量客户的线上交易数据(例如线上的购物订单等),且线上交易数据也可以反映出该客户的交易行为的习惯和特点,在一定程度上也能较为有效地反映或预测该客户线下的交易行为。因此,具体实施时,为了能够更好地对客户线下交易行为进行预测、判断,具体实施时,可以引入客户的线上购买力、线上购买偏好等线上的交易特征信息作为客户的交易信息进行获取和学习。
在本实施例中,在具体获取客户的线上购买偏好时,基于贝叶斯算法中的偏好计算模型,预测用户(可以记为u)对不同商品的类目(可以记为:C1、C2、C3…Cn)的偏好度。具体的,用户u对类目C的商品的偏好度基于上述模型可以表示为:P(C|u)=P(u|C)*P(C)/P(u)。
再将用户u视为购买具体品类C1、C2、C3…Cn的事件,进而可以对上述偏好度的表达式进行朴素贝叶斯近似,得到:P(C|u)=P(u1|C)*P(u2|C)*...*P(un|C)/P(U)。
其中,P(un|C)具体可以表示为un购买次数占类目C被购买次数的比率。P(C)具体可以表示为类目C的购买比率。由于对应为同一个客户,P(u)固定。因此,对于某个具体用户可以通过P(c1|c)*P(c2|c)*...*P(cn|c)*P(c)来对不同品类的偏好程度进行排序。进一步可以截取排序靠前的,例如前3个品类作为客户的线上购买偏好。
在本实施例中,上述神经网络模型,具体实施时,可以按照以下方式进行构建:每个样本客户可以标记为以下形式xi=(user_i,brand_j)。其中,user_i具体可以表示为一个编号为i的样本客户,brand_j具体可以表示为目标区域中的一个编号为j商户。对于每一个xi还分别对应一个ri。其中,当客户有消费时,ri则为1;当客户没有消费时,ri则为0。根据上述xi和ri可以构造出DNN二分类模型D=(X,R),即得到用于训练第一预设模型的神经网络模型。其中,xi∈X,ri∈R。
对于上述神经网络模型,对于每一个样本客户数据,相应的损失函数可以表示为以下形式:L(x,r)=-rlnPr(y=1|x)+(1-r)lnPr(y=0|x)。进而可以利用样本商户数据和标注后的客户数据对上述神经网络模型进行深度学习训练,以确定出D=(X,R)中的各个网络参数,得到对应的第一预设模型。
在学习训练的过程中,具体实施时,为了提高训练效率,可以先将基于样本商户数据和标注后的客户数据得到的特征数据中数据较为分散、离散的稀疏特征数据(例如常驻地等)处理成N维向量,再将处理后的稀疏特征数据与稠密特征数据(例如年龄等)合并,并对合并后的特征数据进行前置归一化处理,例如,通过高斯分布、方差等方式将合并后的特征数据映射到区间[0,1]中,得到处理后的特征数据。再利用上述处理后的特征数据对神经网络模型进行学习训练,以提高训练效率。
在本实施例中,在得到第一预设模型后,还可以利用测试数据对第一预设模型进行测试评估,得到对应的测试评估结果。根据测试评估结果,调整第一预设模型中的神经网络的层数,以及各层中神经元的个数,以进一步提高第一预设模型的准确度。
在一个实施例中,所述第二预设模型具体实施时,可以按照以下方式建立:获取多个样本特征,其中,所述样本特征具体可以根据历史时间段内在目标区域中消费过的客户的客户信息、交易信息确定。对所述样本特征进行预处理,得到预处理后的样本特征。具体的,例如可以对所述样本特征中的离散特征进行One-Hot编码打平成因子列;对所述样本特征中的连续特征进行归一化处理,得到归一化后的特征。再基于XGboost(一种分类模型)对上述预处理后的样本特征进行机器学,以建立得到能够对相应特征是否影响客户消费进行打分评价的第二预设模型。
在本实施例中,需要说明的是,上述所列举的基于XGboost进行机器学习,以建立第二预设模型的方式只是一种示意性说明。具体实施时,根据具体的应用场景,还可以使用例如GBDT、随机森林等算法模型进行机器学习,来建立第二预设模型。对此,本说明书不作限定。
由上可见,本说明书实施例提供的客户标签的确定方法,由于通过先调用事先训练好的第一预设模型根据预设时间段内在目标区域中出现过的第一类客户而不仅局限于在目标商户中消费过的客户的信息数据,以及目标商户的信息数据,确定出针对目标商户的具有较高参考价值的潜在客户;通过调用第二预设模型从多个预设的客户特征中准确地筛选出影响客户是否消费的符合要求的关键特征;再综合上述潜在客户的信息数据,以及关键特征,确定出能够有效地区分其他商户,指示出目标商户的潜在客户的客户标签,从而提高了所确定的目标商户的客户标签的针对性和精确度,使得所确定客户标签具有更高的参考价值,解决了确定商户的客户标签针对性不强、精确度低,参考价值不高的技术问题。还结合目标商户所在的目标区域的环境情况,通过计算并根据关键特征针对目标商户的客流占比和关键特征针对目标区域的客流占比,从多个关键特征中确定出符合第二预设要求的关键特征作为客户标签,使得所确定的客户标签能够区别于其他商户的客户特征,具有更高的针对性和参考价值。还通过在训练第一预设模型时,先根据在历史时间段内客户是否在商户进行消费,将样本客户数据进行正负样本标注,得到标注后的样本客户数据;再利用样本商户数据,和标注后的样本客户数据,对神经网络模型进行深度学习,得到了准确度更高的第一预设模型,进而后续可以通过第一预设模型更加准确地从第一类客户中筛选出目标商户的潜在客户。还通机器学习训练并建立用于判断预设的客户特征对客户是否消费的影响程度的第二预设模型,再利用第二预设模型从多个预设的客户特征中筛选出影响程度较高的客户特征作为关键特征,使得所确定出的关键特征更具有参考价值,也使得后续基于上述关键特征,结合目标商户的潜在客户的信息数据所确定的客户标签更加的准确和具有针对性。
本说明书实施例还提供一种服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息,其中,所述第一类客户包括预设时间段内在目标商户所在的目标区域中消费过的客户;调用第一预设模型,根据所述第一类客户的客户信息和交易信息,以及所述目标商户的商户信息、成交信息和环境信息,从第一类客户中确定出针对目标商户的潜在客户;调用第二预设模型,从多个预设的客户特征中确定出符合第一预设要求的关键特征;根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的关键特征作为客户标签,其中,所述客户标签用于指示目标商户的潜在客户。
为了能够更加准确地完成上述指令,参阅图7所示,本说明书实施例还提供了另一种具体的服务器,其中,所述服务器包括网络通信端口701、处理器702以及存储器703,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口701,具体可以用于获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息,其中,所述第一类客户包括预设时间段内在目标商户所在的目标区域中消费过的客户。
所述处理器702,具体可以用于调用第一预设模型,根据所述第一类客户的客户信息和交易信息,以及所述目标商户的商户信息、成交信息和环境信息,从第一类客户中确定出针对目标商户的潜在客户;调用第二预设模型,从多个预设的客户特征中确定出符合第一预设要求的关键特征;根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的关键特征作为客户标签,其中,所述客户标签用于指示目标商户的潜在客户。
所述存储器703,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口701可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的80号端口,也可以是负责进行FTP数据通信的21号端口,还可以是负责进行邮件数据通信的25号端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器702可以按任何适当的方式实现。例如,处理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(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器703可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供了一种基于上述客户标签的确定方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息,其中,所述第一类客户包括预设时间段内在目标商户所在的目标区域中消费过的客户;调用第一预设模型,根据所述第一类客户的客户信息和交易信息,以及所述目标商户的商户信息、成交信息和环境信息,从第一类客户中确定出针对目标商户的潜在客户;调用第二预设模型,从多个预设的客户特征中确定出符合第一预设要求的关键特征;根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的关键特征作为客户标签,其中,所述客户标签用于指示目标商户的潜在客户。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
参阅图8所示,在软件层面上,本说明书实施例还提供了一种客户标签的确定装置,该装置具体可以包括以下的结构模块。
获取模块801,具体可以用于获取第一类客户的客户信息和交易信息,以及目标商户的商户信息、成交信息和环境信息,其中,所述第一类客户包括预设时间段内在目标商户所在的目标区域中消费过的客户;
第一确定模块802,具体可以用于调用第一预设模型,根据所述第一类客户的客户信息和交易信息,以及所述目标商户的商户信息、成交信息和环境信息,从第一类客户中确定出针对目标商户的潜在客户;
第二确定模块803,具体可以用于调用第二预设模型,从多个预设的客户特征中确定出符合第一预设要求的关键特征;
第三确定模块804,具体可以用于根据所述潜在客户的客户信息和交易信息,从所述多个关键特征中确定出符合第二预设要求的关键特征作为客户标签,其中,所述客户标签用于指示目标商户的潜在客户。
在一个实施例中,所述装置具体还可以包括推广模块,所述推广模块具体可以包括以下结构单元:
获取单元,具体可以用于获取第二类客户的客户信息和交易信息;
第一筛选单元,具体可以用于根据所述客户标签、所述第二类客户的客户信息和交易信息,从所述第二类客户中筛选出目标商户的潜在客户作为目标客户;
推广单元,具体可以用于向所述目标客户推广所述目标商户。
在一个实施例中,所述第二确定模块803具体可以包括以下结构单元:
第一确定单元,具体可以用于调用第二预设模型确定出预设的客户特征的影响权重,其中,所述影响权重用于指示对客户消费的影响程度;
第二筛选单元,具体可以用于从所述多个预设的客户特征中筛选出影响权重大于预设的权重阈值的预设的客户特征作为符合第一预设要求的关键特征。
在一个实施例中,所述第三确定模块804具体可以包括以下结构单元:
第一统计单元,具体可以用于根据所述潜在客户的客户信息和交易信息,统计关键特征针对目标商户的客流占比;
第二统计单元,具体可以用于根据第一类客户的客户信息和交易信息,以及目标商户的环境信息,统计关键特征针对目标区域的客流占比;
第二确定单元,具体可以用于根据所述关键特征针对目标商户的客流占比和所述关键特征针对目标区域的客流占比,从所述多个关键特征中确定出符合第二预设要求的关键特征作为所述客户标签。
在一个实施例中,所述第二确定单元具体可以用于计算所述关键特征针对目标商户的客流占比和所述关键特征针对目标区域的客流占比的商值;将商值大于等于预设阈值的关键特征确定为符合第二预设要求的关键特征作为所述客户标签。
在一个实施例中,所述第一类客户的客户信息具体可以包括以下至少之一:年龄、性别、职业、常驻地、社会影响力、婚姻状况、子女状况等。
在一个实施例中,所述第一类客户的交易信息具体可以包括以下至少之一:线上购买力、线上购买偏好、邻近时间段内的线下交易数量、邻近时间段内的线下交易金额等。
在一个实施例中,所述目标商户的环境信息具体可以包括以下至少之一:目标区域中的客流状况数据、目标区域中的交易状况数据、目标商户在目标区域中营销状况数据等。
在一个实施例中,所述装置具体还可以包括第一建模模块,具体可以用于获取历史时间段内目标区域中商户的商户信息、成交信息和环境信息作为样本商户数据,以及历史时间段内在目标区域中出现过的客户的客户信息和交易信息作为样本客户数据;根据在历史时间段内客户是否在商户进行消费,将所述样本客户数据进行正负样本标注,得到标注后的样本客户数据;利用所述样本商户数据,和所述标注后的样本客户数据,对神经网络模型进行深度学习,以得到第一预设模型。
需要说明的是,上述实施例阐明的单元、装置或模块等,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。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。
由上可见,本说明书实施例提供的客户标签的确定装置,由于通过第一确定模块调用事先训练好的第一预设模型根据预设时间段内在目标区域中出现过的第一类客户而不仅局限于在目标商户中消费过的客户的信息数据,以及目标商户的信息数据,确定出针对目标商户的具有较高参考价值的潜在客户;通过第二确定模块调用第二预设模型从多个预设的客户特征中准确地筛选出影响客户是否消费的符合要求的关键特征;再通过第三确定模块综合上述潜在客户的信息数据,以及关键特征,确定出能够有效地区分其他商户,指示出目标商户的潜在客户的客户标签,从而提高了所确定的目标商户的客户标签的针对性和精确度,使得所确定客户标签具有更高的参考价值,解决了确定商户的客户标签针对性不强、精确度低,参考价值不高的技术问题。
虽然本说明书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。在实际中的装置或客户端产品执行时,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、产品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、产品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、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
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。
本说明书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、类等等。也可以在分布式计算环境中实践本说明书,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。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上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,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或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。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。