一种用户画像捕捉方法、装置及系统
技术领域
本发明涉及大数据处理技术领域,具体而言,涉及一种用户画像捕捉方法、装置及系统。
背景技术
目前,各个医疗访问终端在按照患者进行相关的医疗咨询信息的搜索过程中,通常存在诸多患者的搜索习惯和偏向,如何对这些用户搜索习惯进行全面有效地画像分析,从而便于后续对医疗访问终端的信息推荐进程进行优化配置,是本领域亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足,本发明的目的在于提供一种用户画像捕捉方法、装置及系统,通过结合医疗访问终端在预定医疗资讯场景内浏览医疗资讯搜索信息时的浏览行为信息以及医疗资讯搜索信息所对应的搜索偏好信息对医疗资讯搜索信息集合进行画像分析,从而可以对医疗资讯搜索信息的用户搜索习惯进行全面有效地画像分析,便于后续对医疗访问终端的信息推荐进程进行优化配置。
第一方面,本发明提供一种用户画像捕捉方法,,应用于服务器,所述服务器与多个医疗访问终端通信连接, 所述方法包括:
获取所述医疗访问终端在预定医疗资讯场景内访问的医疗资讯搜索信息集合;
获取所述医疗访问终端在所述预定医疗资讯场景内浏览所述医疗资讯搜索信息时的浏览行为信息以及所述医疗资讯搜索信息所对应的搜索偏好信息,并根据所述浏览行为信息和所述搜索偏好信息对所述医疗资讯搜索信息集合进行画像分析,得到所述医疗访问终端所对应的行为画像标签;
根据所述医疗访问终端所对应的行为画像标签对所述医疗访问终端的信息推荐进程进行配置。
在第一方面的一种可能的实现方式中,所述获取所述医疗访问终端在所述预定医疗资讯场景内浏览所述医疗资讯搜索信息时的浏览行为信息以及所述医疗资讯搜索信息所对应的搜索偏好信息的步骤,包括:
获取所述医疗访问终端在所述预定医疗资讯场景内的搜索行为轨迹信息,并从所述医疗访问终端中获取其在所述预定医疗资讯场景内的浏览记录信息后,根据所述浏览记录信息对所述搜索行为轨迹信息进行数据分析,得到所述医疗访问终端的浏览行为信息,所述浏览记录信息包括该预定医疗资讯场景内浏览切换停留记录与初始浏览停留记录之间的浏览切换信息以及所述浏览切换停留记录的切换行为类型;
从所述医疗资讯搜索信息所关联的资讯页面响应信息中提取资讯页面响应节点,对资讯页面响应节点所对应的响应数据记录段进行处理,从中提取响应标识及其对应的响应反馈内容,将选择的响应标识转化为响应类型标签后,根据所述响应类型标签获取所述响应反馈内容所对应的搜索偏好行为内容,并将每个响应类型标签与对应的搜索偏好行为内容确定为所述医疗资讯搜索信息所对应的搜索偏好信息。
在第一方面的一种可能的实现方式中,所述根据所述浏览记录信息对所述搜索行为轨迹信息进行数据分析,得到所述医疗访问终端的浏览行为信息的步骤,包括:
根据所述浏览切换停留记录与初始浏览停留记录之间的浏览切换信息,确定所述搜索行为轨迹信息对应于每个浏览切换停留记录的搜索行为记录数据区;
根据所述每个浏览切换停留记录的切换行为类型,对所述搜索行为轨迹信息对应于每个浏览切换停留记录的搜索行为记录数据区进行数据分析,得到所述医疗访问终端的浏览行为信息。
在第一方面的一种可能的实现方式中,所述根据所述浏览行为信息和所述搜索偏好信息对所述医疗资讯搜索信息集合进行画像分析,得到所述医疗访问终端所对应的行为画像标签的步骤,包括:
从所述浏览行为信息中获取多个浏览行为节点的浏览对象属性参数,并从多个所述浏览对象属性参数分别提取对应的浏览对象属性向量,其中,所述浏览对象属性向量用于表示所述浏览对象属性参数所对应的浏览行为节点所对应的浏览对象属性行为特征;
根据提取的浏览对象属性向量确定各个浏览对象属性参数与所述搜索偏好信息之间的画像所属场景集,并根据所述画像所属场景集,构建对应的画像分析模型;
根据构建的所述画像分析模型,对所述医疗资讯搜索信息集合进行画像分析,得到所述医疗访问终端所对应的行为画像标签。
在第一方面的一种可能的实现方式中,所述从多个所述浏览对象属性参数分别提取对应的浏览对象属性向量的步骤,包括:
对所述多个浏览对象属性参数所对应的各浏览行为节点进行聚类,得到各浏览行为节点的聚类标签;
根据预设的针对所述聚类标签的标签识别脚本,确定由所述标签识别脚本所指定的浏览对象属性向量的聚类标签;
当同一浏览行为节点包括属于不同浏览对象属性向量的多个聚类标签时,则统计所述同一浏览行为节点中各浏览对象属性向量的聚类标签的数量;
确定统计的聚类标签的数量最大的浏览对象属性向量,并为所述同一浏览行为节点添加确定的浏览对象属性向量的识别标签,以及为不包括所述浏览对象属性向量的聚类标签的浏览行为节点添加非浏览对象属性向量的识别标签;
根据待特征提取的浏览行为节点的浏览对象属性参数和所添加的所述识别标签进行融合训练,得到第一融合特征网络,并将各聚类标签输入所述第一融合特征网络中,输出各聚类标签对于各浏览对象属性向量的匹配度;
将对于各浏览对象属性向量的匹配度大于或等于第一匹配度阈值的聚类标签重新确定为该浏览对象属性向量的聚类标签,并返回所述为所述同一浏览行为节点添加确定的浏览对象属性向量的识别标签并继续处理,直至满足迭代停止条件时得到待特征提取的浏览行为节点的识别标签;
在满足所述迭代停止条件后,获取通过相应的所述融合特征网络所确定的待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度,并筛选对于各浏览对象属性向量的匹配度大于或等于第二匹配度阈值;
按照筛选的浏览行为节点和相应的识别标签进行融合训练,得到第二融合特征网络,通过所述第二融合特征网络确定待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度,并按照待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度更新相应浏览行为节点的识别标签;
在按照待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度更新相应浏览行为节点的识别标签后,返回所述筛选对于各浏览对象属性向量的匹配度大于或等于第二匹配度阈值的浏览行为节点的步骤继续执行,直至满足更新停止条件时,得到待特征提取的浏览行为节点更新后的识别标签;
获取更新所述识别标签后通过所述第二融合特征网络确定的各待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度和属于非浏览对象属性向量的匹配度;
挑选在更新所述识别标签后确定的对于各浏览对象属性向量的匹配度大于或等于第三匹配度阈值的浏览行为节点,并按挑选的浏览行为节点和相应识别标签进行融合训练,得到第三融合特征网络;
通过所述第三融合特征网络确定各待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度,并按通过第三融合特征网络确定的对于各浏览对象属性向量的匹配度确定相应浏览行为节点的浏览对象属性向量;
获取不同于待特征提取的浏览行为节点的目标浏览行为节点,并通过所述第三融合特征网络确定所述目标浏览行为节点对于各浏览对象属性向量的匹配度,而后根据所述目标浏览行为节点对于各浏览对象属性向量的匹配度确定所述目标浏览行为节点所对应的浏览对象属性向量;
根据各个确定的浏览行为节点的浏览对象属性向量进行汇总得到各个浏览对象属性参数分别对应的浏览对象属性向量。
在第一方面的一种可能的实现方式中,所述根据提取的浏览对象属性向量确定各个浏览对象属性参数与所述搜索偏好信息之间的画像所属场景集的步骤,包括:
根据提取的浏览对象属性向量确定每至少两个关联的浏览对象属性参数与所述搜索偏好信息之间的决策分类图网络的第一决策分类特征向量集合;其中,所述决策分类图网络包括多种决策分类图单元;
选取第一初始画像场景属性集合;其中,所述第一初始画像场景属性集合对应的画像场景属性组包括预设的第一画像场景属性单元以及待组合的画像分析单元和画像比较单元;
对于每一种决策分类图单元对应的第一决策分类特征向量集合,将所述第一初始画像场景属性的第一画像场景属性单元和每个决策梯度的画像分析单元进行组合,得到多个组合单元集合;
按照多个所述组合单元集合分别映射所述第一决策分类特征向量集合,得到多种不同组合单元集合的画像溯源单元;其中,所述组合单元集合中画像分析单元的输入参数为该第一决策分类特征向量集合对应的浏览对象属性参数的浏览对象属性向量,第一画像场景属性单元的输出参数为该第一决策分类特征向量集合对应的浏览对象属性参数的画像特征分量;
根据所述画像溯源单元以及所述第一初始画像场景属性集合的多个不同决策梯度的画像比较单元,确定各个浏览对象属性参数与所述搜索偏好信息之间的画像所属场景集,所述画像所属场景集覆盖多个画像所属场景参数。
在第一方面的一种可能的实现方式中,所述根据所述画像溯源单元以及所述第一初始画像场景属性集合的多个不同决策梯度的画像比较单元,确定各个浏览对象属性参数与所述搜索偏好信息之间的画像所属场景集的步骤,包括:
对所述第一初始画像场景属性集合进行更新,确定决策支撑度最小对应的画像场景属性组的第一画像场景特征集合,得到包括所述第一画像场景特征集合的第一浏览偏向节点单元;其中,所述第一初始画像场景属性集合对应的画像场景属性组包括预设的第一画像场景属性单元以及待组合的画像分析单元和画像比较单元;
在确定更新得到的所述第一浏览偏向节点单元的画像场景决策结果符合预设条件后,将所述第一浏览偏向节点单元基于所述第一决策分类特征向量集合中的画像特征分量输出的浏览对象属性参数的预测画像特征分量与所述浏览对象属性参数的画像特征分量进行比较,根据多个预测画像特征分量与画像特征分量之间的匹配度大于预设的第二阈值所确定的匹配度范围,确定所述第一浏览偏向节点单元的第一画像场景决策结果;
根据所述画像特征分量和所述第一浏览偏向节点单元的预测画像特征分量的分量损失参数,对预设的第二初始画像场景属性集合进行更新,确定决策支撑度最小对应的画像场景属性组的第二画像场景特征集合,得到包括所述第二画像场景特征集合的第二浏览偏向节点单元,并基于更新得到的多个所述第二画像场景属性集合,确定所述第一决策分类特征向量集合的第二画像场景决策结果;其中,所述第二初始画像场景属性中的画像场景属性组包括预设的所述画像分析单元、第二画像场景属性单元以及待组合的画像比较单元,所述第二画像场景属性单元和所述第一画像场景属性单元的决策梯度相同但输出参数不同,所述第一画像场景属性单元的输出参数为画像特征分量,所述第二画像场景属性单元的输出参数为所述第一浏览偏向节点单元的预测画像特征分量与画像特征分量的分量损失参数;
根据所述第一画像场景决策结果和所述第二画像场景决策结果,确定所述第一浏览偏向节点单元的预测画像特征分量对应的预测画像场景决策结果,并基于所述决策分类图网络的决策分类特征向量集合中多种决策分类图单元之间的制约关系,生成基于多种决策分类图单元的画像场景拓扑链,并计算所述画像场景拓扑链中每一级画像场景拓扑组合的画像所属场景参数,其中,所述第一画像场景决策结果和所述第二画像场景决策结果通过各自对应的权重参数确定所述第一浏览偏向节点单元的预测画像特征分量对应的预测画像场景决策结果;
根据所述画像场景拓扑链中每一级画像场景拓扑组合的画像所属场景参数确定各个浏览对象属性参数与所述搜索偏好信息之间的画像所属场景集。
在第一方面的一种可能的实现方式中,所述第一初始画像场景属性集合的多个不同决策梯度的画像分析单元通过以下方式确定:
对于所述第一决策分类特征向量集合对应的画像特征分量,对所述画像特征分量以及对应的浏览对象属性向量进行分析,得到与所述浏览对象属性向量的相关度大于预设的第一阈值的目标浏览对象属性向量;
根据所述目标浏览对象属性向量的数量,确定所述第一初始画像场景属性集合的画像分析单元决策梯度。
在第一方面的一种可能的实现方式中,所述根据所述画像所属场景集,构建对应的画像分析模型的步骤,包括:
根据所述画像所属场景集,分别将同一类画像所属场景集所覆盖的各个画像所属场景参数划分为一个画像分析对象,并根据每一个画像分析对象内的参数数量,将参数数量大于预设数量阈值的画像分析对象的空间区域缩小,并将参数数量小于预设数量阈值的画像分析对象的空间区域扩大,得到调整后的各画像分析对象;其中,每一个画像分析对象内的所有画像所属场景参数构成一个画像分析对象;
根据单个画像分析对象中各画像所属场景参数的攻击交互类型,计算出单个画像分析对象中的每一个画像所属场景参数与其它画像所属场景参数之间的关联关系;
对于单个画像分析对象,根据每一个画像所属场景参数与其它画像所属场景参数之间的关联关系的顺序,对单个画像分析对象中的各画像所属场景参数进行排序,得到画像所属场景参数排集合表;
对于单个画像分析对象,依次对所述画像所属场景参数排集合表中的每一个画像所属场景参数执行以下过程,直至确定单个画像分析对象的主画像所属场景参数:
判断所述画像所属场景参数排集合表中的画像所属场景参数的第一排序大小,是否大于第一预设等级,若确定大于则将大于第一预设排序大小的画像所属场景参数作为单个画像分析对象的主画像所属场景参数;
对于单个画像分析对象,确定单个画像分析对象的主画像所属场景参数为与之进行映射关联的画像所属场景参数,并确定除去单个画像分析对象的主画像所属场景参数以外的其它画像所属场景参数为单个画像分析对象的成员画像所属场景参数,其中,单个画像分析对象的成员画像所属场景参数为与单个画像分析对象的主画像所属场景参数进行映射关联的画像所属场景参数;
根据确定的各个画像分析对象的主画像所属场景参数和成员画像所属场景参数构建对应的画像分析模型。
在第一方面的一种可能的实现方式中,所述根据构建的所述画像分析模型,对所述医疗资讯搜索信息集合进行画像分析,得到所述医疗访问终端所对应的行为画像标签的步骤,包括:
根据构建的所述画像分析模型中每个所述主画像所属场景参数与所述成员画像所属场景参数之间的从属层级关系,获取该主画像所属场景参数与成员画像所属场景参数的画像分析策略,其中,所述画像分析策略为依次按照所述每个所述主画像所属场景参数与所述成员画像所属场景参数之间的从属层级关系进行画像分析的策略;
按照所述画像分析策略所对应的从属层级关系,分别调用每个所述主画像所属场景参数与成员画像所属场景参数对所述医疗资讯搜索信息集合进行画像分析,得到所述医疗访问终端所对应的行为画像标签。
第二方面,本发明实施例还提供一种用户画像捕捉装置,应用于服务器,所述服务器与多个医疗访问终端通信连接,所述装置包括:
获取模块,用于获取所述医疗访问终端在预定医疗资讯场景内访问的医疗资讯搜索信息集合;
画像分析模块,用于获取所述医疗访问终端在所述预定医疗资讯场景内浏览所述医疗资讯搜索信息时的浏览行为信息以及所述医疗资讯搜索信息所对应的搜索偏好信息,并根据所述浏览行为信息和所述搜索偏好信息对所述医疗资讯搜索信息集合进行画像分析,得到所述医疗访问终端所对应的行为画像标签;
配置模块,用于根据所述医疗访问终端所对应的行为画像标签对所述医疗访问终端的信息推荐进程进行配置。
第三方面,本发明实施例还提供一种用户画像捕捉系统,所述用户画像捕捉系统包括服务器以及与所述服务器通信连接的多个医疗访问终端;
所述医疗访问终端,用于向所述服务器发送在预定医疗资讯场景内访问的医疗资讯搜索信息;
所述服务器,用于获取所述医疗访问终端在预定医疗资讯场景内访问的医疗资讯搜索信息集合;
所述服务器,用于获取所述医疗访问终端在所述预定医疗资讯场景内浏览所述医疗资讯搜索信息时的浏览行为信息以及所述医疗资讯搜索信息所对应的搜索偏好信息,并根据所述浏览行为信息和所述搜索偏好信息对所述医疗资讯搜索信息集合进行画像分析,得到所述医疗访问终端所对应的行为画像标签;
所述服务器,用于根据所述医疗访问终端所对应的行为画像标签对所述医疗访问终端的信息推荐进程进行配置。
第四方面,本发明实施例还提供一种服务器,所述服务器包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个医疗访问终端通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的实现方式中的用户画像捕捉方法。
第五方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其被执行时,实现上述第一方面或者第一方面中任意一个可能的实现方式中的用户画像捕捉方法。
基于上述任意一个方面,本发明通过获取医疗访问终端在预定医疗资讯场景内访问的医疗资讯搜索信息并汇集为医疗访问终端的医疗资讯搜索信息集合,然后结合医疗访问终端在预定医疗资讯场景内浏览医疗资讯搜索信息时的浏览行为信息以及医疗资讯搜索信息所对应的搜索偏好信息对医疗资讯搜索信息集合进行画像分析,从而可以对医疗资讯搜索信息的用户搜索习惯进行全面有效地画像分析,便于后续对医疗访问终端的信息推荐进程进行优化配置。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本发明实施例提供的用户画像捕捉系统的应用场景示意图;
图2为本发明实施例提供的用户画像捕捉方法的流程示意图;
图3为本发明实施例提供的用户画像捕捉装置的功能模块示意图;
图4为本发明实施例提供的用于实现上述的用户画像捕捉方法的服务器的结构示意框图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是本发明一种实施例提供的用户画像捕捉系统10的交互示意图。用户画像捕捉系统10可以包括服务器100以及与所述物联网云服务器100通信连接的医疗访问终端200。图1所示的用户画像捕捉系统10仅为一种可行的示例,在其它可行的实施例中,该用户画像捕捉系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中,医疗访问终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等,或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理、游戏设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。
本实施例中,用户画像捕捉系统10中的物联网云服务器100和医疗访问终端200可以通过配合执行以下方法实施例所描述的物联网移动基站的浏览对象属性防护方法,具体服务器100和医疗访问终端200的执行步骤部分可以参照以下方法实施例的详细描述。
值得说明的是,服务器100可以是单一的服务器,也可以是服务器集群,具体可以根据实际的计算需求进行灵活设计。
为了解决前述背景技术中的技术问题,图2为本发明实施例提供的用户画像捕捉方法的流程示意图,本实施例提供的用户画像捕捉方法可以由图1中所示的服务器100执行,下面对该用户画像捕捉方法进行详细介绍。
步骤S110,获取医疗访问终端200在预定医疗资讯场景内访问的医疗资讯搜索信息并汇集为医疗访问终端200的医疗资讯搜索信息集合。
步骤S120,获取医疗访问终端200在预定医疗资讯场景内浏览医疗资讯搜索信息时的浏览行为信息以及医疗资讯搜索信息所对应的搜索偏好信息,并根据浏览行为信息和搜索偏好信息对医疗资讯搜索信息集合进行画像分析,得到医疗访问终端200所对应的行为画像标签。
步骤S130,根据医疗访问终端200所对应的行为画像标签对医疗访问终端200的信息推荐进程进行配置。
本实施例中,预定医疗资讯场景可以由医疗访问终端200所在的医疗应用场景进行灵活限定,例如可以是从针对不同医疗科室相关的资讯场景中进行选定,或者自适应根据医疗访问终端200的访问地理位置进行自适应地调整。
本实施例中,医疗资讯搜索信息可以是指医疗访问终端200在浏览相关的咨询业务(例如消化内科咨询业务、呼吸内科咨询业务等)时加载过的医疗资讯搜索信息,这些医疗资讯搜索信息可以由医疗访问终端200实时缓存后上传给服务器100。
本实施例中,浏览行为信息可以是指医疗访问终端200产生的一系列的互动行为,例如点击行为,选择行为,下载行为,收藏行为等等。搜索偏好信息可以是指医疗访问终端200产生的一系列的互动行为时所偏好的搜索内容习惯。
基于上述步骤,本实施例通过获取医疗访问终端200在预定医疗资讯场景内访问的医疗资讯搜索信息并汇集为医疗访问终端200的医疗资讯搜索信息集合,然后结合医疗访问终端200在预定医疗资讯场景内浏览医疗资讯搜索信息时的浏览行为信息以及医疗资讯搜索信息所对应的搜索偏好信息对医疗资讯搜索信息集合进行画像分析,从而可以对医疗资讯搜索信息的用户搜索习惯进行全面有效地画像分析,便于后续对医疗访问终端200的信息推荐进程进行优化配置。
在一种可能的实现方式中,针对步骤S120,进一步可以通过如下子步骤实现,详细描述如下。
子步骤S121,获取医疗访问终端200在预定医疗资讯场景内的搜索行为轨迹信息,并从医疗访问终端200中获取其在预定医疗资讯场景内的浏览记录信息后,根据浏览记录信息对搜索行为轨迹信息进行数据分析,得到医疗访问终端200的浏览行为信息。
本实施例中,浏览记录信息可以包括该预定医疗资讯场景内浏览切换停留记录与初始浏览停留记录之间的浏览切换信息以及浏览切换停留记录的切换行为类型。
其中,浏览停留记录是指预定医疗资讯场景中构成的一系列在浏览行为过程中所关注的资讯浏览信息。由此可知,初始浏览停留记录可以是指最初访问过程中的浏览停留记录,而浏览切换停留记录可以是指后续访问过程中切换到的浏览停留记录。
此外,切换行为类型可以用于表示该浏览切换停留记录对应的切换关联类型,例如从消化内科的A方向切换到B方向的同构切换行为类型,或者从消化内科切换到呼吸内科的异构切换行为类型等,在此不作具体限定。
本实施例中,搜索行为轨迹信息可以记录有多个不同的搜索行为轨迹区域,不同的搜索行为轨迹区域可以用于记录不同浏览节点或者浏览项目的搜索行为数据信息。
子步骤S122,从医疗资讯搜索信息所关联的资讯页面响应信息中提取资讯页面响应节点,对资讯页面响应节点所对应的响应数据记录段进行处理,从中提取响应标识及其对应的响应反馈内容,将选择的响应标识转化为响应类型标签后,根据响应类型标签获取响应反馈内容所对应的搜索偏好行为内容,并将每个响应类型标签与对应的搜索偏好行为内容确定为医疗资讯搜索信息所对应的搜索偏好信息。
本实施例中,资讯页面响应信息可以是指医疗访问终端200在浏览医疗资讯搜索信息时与任何外部终端或者服务器针对所浏览的医疗资讯搜索信息的一些资讯页面响应行为,例如资讯页面返回行为,资讯页面上传行为等等,由此在本实施例中,可以以资讯页面响应节点的形式来表示这些资讯页面响应行为,从而可以提取到相关的响应标识及其对应的响应反馈内容。
例如,可以提取到某个资讯页面响应行为的标识(如对应于具体哪个业务类型的资讯页面响应行为)对应的响应反馈内容(如具体响应反馈的哪一部分内容,切换的内容类型是什么等),由此将选择的响应标识转化为响应类型标签后,根据响应类型标签获取响应反馈内容所对应的搜索偏好行为内容,并将每个响应类型标签与对应的搜索偏好行为内容确定为医疗资讯搜索信息所对应的搜索偏好信息。
子步骤S123,根据浏览行为信息和搜索偏好信息对医疗资讯搜索信息集合进行画像分析,得到医疗访问终端200所对应的行为画像标签。
其中,示例性地,针对步骤S121,以下将给出一种可能的实施例对其具体的实施方案进行非限制性阐述。
子步骤S1211,根据浏览切换停留记录与初始浏览停留记录之间的浏览切换信息,确定搜索行为轨迹信息对应于每个浏览切换停留记录的搜索行为记录数据区。
作为一种可能的实现方式,本子步骤S1211的具体实现方式可参见如下描述。
(1)分别检测浏览切换停留记录在浏览行为过程中的第一切换对象和对应的初始浏览停留记录在浏览行为过程中的第二切换对象。
值得说明的是,第一切换对象和第二切换对象可分别用于表示浏览切换停留记录和对应的初始浏览停留记录被配置时的源路径所对应的切换节点。例如,切换节点可以是一些切换画面、切换菜单等信息。
(2)根据每个第一切换对象和对应的第二切换对象确定浏览切换停留记录与初始浏览停留记录之间的浏览切换信息。
值得说明的是,浏览切换信息可以包括至少一个浏览切换节点,每个浏览切换节点用于表示浏览切换停留记录与初始浏览停留记录之间存在切换行为的切换节点。
例如,如果浏览切换信息包括浏览切换节点A、浏览切换节点B以及浏览切换节点C,那么浏览切换节点A、浏览切换节点B以及浏览切换节点C用于表示浏览切换停留记录与初始浏览停留记录之间存在切换行为的切换节点A、切换节点B以及切换节点C。
(3)从浏览切换信息中获取每个浏览切换节点所对应的切换更新控件,并根据切换更新控件确定搜索行为轨迹信息中每个数据访问区域的切换目标项目以及切换方式。
(4)根据搜索行为轨迹信息中每个数据访问区域的切换目标项目以及切换方式确定搜索行为轨迹信息对应于每个浏览切换停留记录的搜索行为记录数据区。
子步骤S1212,根据每个浏览切换停留记录的切换行为类型,对搜索行为轨迹信息对应于每个浏览切换停留记录的搜索行为记录数据区进行数据分析,得到医疗访问终端200的浏览行为信息。
进一步地,针对步骤S123,以下将给出一种可能的实施例对其具体的实施方案进行非限制性阐述。
子步骤S1231,从浏览行为信息中获取多个浏览行为节点的浏览对象属性参数,并从多个浏览对象属性参数分别提取对应的浏览对象属性向量。
本实施例中,浏览对象属性向量可以用于表示浏览对象属性参数所对应的浏览行为节点所对应的浏览对象属性行为特征。
子步骤S1232,根据提取的浏览对象属性向量确定各个浏览对象属性参数与搜索偏好信息之间的画像所属场景集,并根据画像所属场景集,构建对应的画像分析模型。
子步骤S1233,根据构建的画像分析模型,对医疗资讯搜索信息集合进行画像分析,得到医疗访问终端200所对应的行为画像标签。
其中,作为一种示例,在子步骤S1231中,本实施例可以对多个浏览对象属性参数所对应的各浏览行为节点进行聚类,得到各浏览行为节点的聚类标签,然后根据预设的针对聚类标签的标签识别脚本,确定由标签识别脚本所指定的浏览对象属性向量的聚类标签。当同一浏览行为节点包括属于不同浏览对象属性向量的多个聚类标签时,则统计同一浏览行为节点中各浏览对象属性向量的聚类标签的数量,然后确定统计的聚类标签的数量最大的浏览对象属性向量,并为同一浏览行为节点添加确定的浏览对象属性向量的识别标签,以及为不包括浏览对象属性向量的聚类标签的浏览行为节点添加非浏览对象属性向量的识别标签。
在此基础上,可以根据待特征提取的浏览行为节点的浏览对象属性参数和所添加的识别标签进行融合训练,得到第一融合特征网络,并将各聚类标签输入第一融合特征网络中,输出各聚类标签对于各浏览对象属性向量的匹配度,然后将对于各浏览对象属性向量的匹配度大于或等于第一匹配度阈值的聚类标签重新确定为该浏览对象属性向量的聚类标签,并返回为同一浏览行为节点添加确定的浏览对象属性向量的识别标签并继续处理,直至满足迭代停止条件时得到待特征提取的浏览行为节点的识别标签。
并且,在满足迭代停止条件后,获取通过相应的融合特征网络所确定的待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度,并筛选对于各浏览对象属性向量的匹配度大于或等于第二匹配度阈值,然后按照筛选的浏览行为节点和相应的识别标签进行融合训练,得到第二融合特征网络,通过第二融合特征网络确定待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度,并按照待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度更新相应浏览行为节点的识别标签。
而后,在按照待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度更新相应浏览行为节点的识别标签后,返回筛选对于各浏览对象属性向量的匹配度大于或等于第二匹配度阈值的浏览行为节点的步骤继续执行,直至满足更新停止条件时,得到待特征提取的浏览行为节点更新后的识别标签。
接着,可以获取更新识别标签后通过第二融合特征网络确定的各待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度和属于非浏览对象属性向量的匹配度,然后挑选在更新识别标签后确定的对于各浏览对象属性向量的匹配度大于或等于第三匹配度阈值的浏览行为节点,并按挑选的浏览行为节点和相应识别标签进行融合训练,得到第三融合特征网络,由此可以通过第三融合特征网络确定各待特征提取的浏览行为节点对于各浏览对象属性向量的匹配度,并按通过第三融合特征网络确定的对于各浏览对象属性向量的匹配度确定相应浏览行为节点的浏览对象属性向量,最后获取不同于待特征提取的浏览行为节点的目标浏览行为节点,并通过第三融合特征网络确定目标浏览行为节点对于各浏览对象属性向量的匹配度,而后根据目标浏览行为节点对于各浏览对象属性向量的匹配度确定目标浏览行为节点所对应的浏览对象属性向量,从而根据各个确定的浏览行为节点的浏览对象属性向量进行汇总得到各个浏览对象属性参数分别对应的浏览对象属性向量。
其中,作为一种示例,在子步骤S1232中,可以通过以下实现方式来执行。
(1)根据提取的浏览对象属性向量确定每至少两个关联的浏览对象属性参数与搜索偏好信息之间的决策分类图网络的第一决策分类特征向量集合。
其中,作为一种示例,决策分类图网络包括多种决策分类图单元。
(2)选取第一初始画像场景属性集合。
其中,第一初始画像场景属性集合对应的画像场景属性组包括预设的第一画像场景属性单元以及待组合的画像分析单元和画像比较单元。
(3)对于每一种决策分类图单元对应的第一决策分类特征向量集合,将第一初始画像场景属性的第一画像场景属性单元和每个决策梯度的画像分析单元进行组合,得到多个组合单元集合。
其中,示例性地,第一初始画像场景属性集合的多个不同决策梯度的画像分析单元通过以下方式确定:
对于第一决策分类特征向量集合对应的画像特征分量,对画像特征分量以及对应的浏览对象属性向量进行分析,得到与浏览对象属性向量的相关度大于预设的第一阈值的目标浏览对象属性向量,然后根据目标浏览对象属性向量的数量,确定第一初始画像场景属性集合的画像分析单元决策梯度。例如,第一初始画像场景属性集合的画像分析单元决策梯度可以等于目标浏览对象属性向量的数量,也可以等于目标浏览对象属性向量的数量乘以某个具体的系数,在此不作详细限定。
(4)按照多个组合单元集合分别映射第一决策分类特征向量集合,得到多种不同组合单元集合的画像溯源单元。
其中,组合单元集合中画像分析单元的输入参数为该第一决策分类特征向量集合对应的浏览对象属性参数的浏览对象属性向量,第一画像场景属性单元的输出参数为该第一决策分类特征向量集合对应的浏览对象属性参数的画像特征分量。
(5)根据画像溯源单元以及第一初始画像场景属性集合的多个不同决策梯度的画像比较单元,确定各个浏览对象属性参数与搜索偏好信息之间的画像所属场景集,画像所属场景集覆盖多个画像所属场景参数。
例如,可以对第一初始画像场景属性集合进行更新,确定决策支撑度最小对应的画像场景属性组的第一画像场景特征集合,得到包括第一画像场景特征集合的第一浏览偏向节点单元。其中,第一初始画像场景属性集合对应的画像场景属性组包括预设的第一画像场景属性单元以及待组合的画像分析单元和画像比较单元。
然后,在确定更新得到的第一浏览偏向节点单元的画像场景决策结果符合预设条件后,将第一浏览偏向节点单元基于第一决策分类特征向量集合中的画像特征分量输出的浏览对象属性参数的预测画像特征分量与浏览对象属性参数的画像特征分量进行比较,根据多个预测画像特征分量与画像特征分量之间的匹配度大于预设的第二阈值所确定的匹配度范围,确定第一浏览偏向节点单元的第一画像场景决策结果。
接下来,可以根据画像特征分量和第一浏览偏向节点单元的预测画像特征分量的分量损失参数,对预设的第二初始画像场景属性集合进行更新,确定决策支撑度最小对应的画像场景属性组的第二画像场景特征集合,得到包括第二画像场景特征集合的第二浏览偏向节点单元,并基于更新得到的多个第二画像场景属性集合,确定第一决策分类特征向量集合的第二画像场景决策结果。
其中,值得说明的是,第二初始画像场景属性中的画像场景属性组包括预设的画像分析单元、第二画像场景属性单元以及待组合的画像比较单元,第二画像场景属性单元和第一画像场景属性单元的决策梯度相同但输出参数不同,第一画像场景属性单元的输出参数为画像特征分量,第二画像场景属性单元的输出参数为第一浏览偏向节点单元的预测画像特征分量与画像特征分量的分量损失参数。
而后,根据第一画像场景决策结果和第二画像场景决策结果,确定第一浏览偏向节点单元的预测画像特征分量对应的预测画像场景决策结果,并基于决策分类图网络的决策分类特征向量集合中多种决策分类图单元之间的制约关系,生成基于多种决策分类图单元的画像场景拓扑链,并计算画像场景拓扑链中每一级画像场景拓扑组合的画像所属场景参数。
其中,值得说明的是,第一画像场景决策结果和第二画像场景决策结果通过各自对应的权重参数确定第一浏览偏向节点单元的预测画像特征分量对应的预测画像场景决策结果。
由此,可以根据画像场景拓扑链中每一级画像场景拓扑组合的画像所属场景参数确定各个浏览对象属性参数与搜索偏好信息之间的画像所属场景集。
进一步地,在子步骤S1232中,根据画像所属场景集,构建对应的画像分析模型,可以通过以下实现方式来执行。
(1)根据画像所属场景集,分别将同一类画像所属场景集所覆盖的各个画像所属场景参数划分为一个画像分析对象,并根据每一个画像分析对象内的参数数量,将参数数量大于预设数量阈值的画像分析对象的空间区域缩小,并将参数数量小于预设数量阈值的画像分析对象的空间区域扩大,得到调整后的各画像分析对象。其中,每一个画像分析对象内的所有画像所属场景参数构成一个画像分析对象。
(2)根据单个画像分析对象中各画像所属场景参数的攻击交互类型,计算出单个画像分析对象中的每一个画像所属场景参数与其它画像所属场景参数之间的关联关系。
(3)对于单个画像分析对象,根据每一个画像所属场景参数与其它画像所属场景参数之间的关联关系的顺序,对单个画像分析对象中的各画像所属场景参数进行排序,得到画像所属场景参数排集合表。
(4)对于单个画像分析对象,依次对画像所属场景参数排集合表中的每一个画像所属场景参数执行以下过程,直至确定单个画像分析对象的主画像所属场景参数:
(5)判断画像所属场景参数排集合表中的画像所属场景参数的第一排序大小,是否大于第一预设等级,若确定大于则将大于第一预设排序大小的画像所属场景参数作为单个画像分析对象的主画像所属场景参数。
(6)对于单个画像分析对象,确定单个画像分析对象的主画像所属场景参数为与之进行映射关联的画像所属场景参数,并确定除去单个画像分析对象的主画像所属场景参数以外的其它画像所属场景参数为单个画像分析对象的成员画像所属场景参数,其中,单个画像分析对象的成员画像所属场景参数为与单个画像分析对象的主画像所属场景参数进行映射关联的画像所属场景参数。
(7)根据确定的各个画像分析对象的主画像所属场景参数和成员画像所属场景参数构建对应的画像分析模型。
进一步地,在子步骤S1233中,可以通过以下实现方式来执行。
(1)根据构建的画像分析模型中每个主画像所属场景参数与成员画像所属场景参数之间的从属层级关系,获取该主画像所属场景参数与成员画像所属场景参数的画像分析策略。
其中,画像分析策略为依次按照每个主画像所属场景参数与成员画像所属场景参数之间的从属层级关系进行画像分析的策略。
(2)按照画像分析策略所对应的从属层级关系,分别调用每个主画像所属场景参数与成员画像所属场景参数对医疗资讯搜索信息集合进行画像分析,得到医疗访问终端200所对应的行为画像标签。
进一步地,针对步骤S130,在一种可能的示例中,本实施例具体可以根据医疗访问终端200所对应的行为画像标签中的每个行为画像标签节点确定医疗访问终端200的信息推荐进程与每个行为画像标签相关的信息内容推荐单元,然后在该信息内容推荐单元中针对所对应的用户搜索习惯节点进行内容加载处理后进行后续的信息推荐,由此可以对医疗访问终端200的信息推荐进程进行优化配置。
或者,在其它任意可能的实现方式中,本领域技术人员也可以选择在该信息内容推荐单元中针对所对应的用户搜索习惯节点进行其它处理,本实施例对此不作具体限定。
图3为本发明实施例提供的用户画像捕捉装置300的功能模块示意图,本实施例可以根据上述服务器100执行的方法实施例对该用户画像捕捉装置300进行功能模块的划分,也即该用户画像捕捉装置300所对应的以下各个功能模块可以用于执行上述服务器100执行的各个方法实施例。其中,该用户画像捕捉装置300可以包括获取模块310、画像分析模块320和配置模块330,下面分别对该用户画像捕捉装置300的各个功能模块的功能进行详细阐述。
获取模块310,用于获取医疗访问终端200在预定医疗资讯场景内访问的医疗资讯搜索信息并汇集为医疗访问终端200的医疗资讯搜索信息集合。其中,获取模块310可以用于执行上述的步骤S110,关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
画像分析模块320,用于获取医疗访问终端200在预定医疗资讯场景内浏览医疗资讯搜索信息时的浏览行为信息以及医疗资讯搜索信息所对应的搜索偏好信息,并根据浏览行为信息和搜索偏好信息对医疗资讯搜索信息集合进行画像分析,得到医疗访问终端200所对应的行为画像标签。其中,画像分析模块320可以用于执行上述的步骤S120,关于画像分析模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
配置模块330,用于根据医疗访问终端200所对应的行为画像标签对医疗访问终端200的信息推荐进程进行配置。其中,配置模块330可以用于执行上述的步骤S130,关于配置模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
进一步地,图4为本发明实施例提供的用于执行上述用户画像捕捉方法的服务器100的结构示意图。如图4所示,该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130可以是一个或多个,图4中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其它方式连接,图4中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的用户画像捕捉方法对应的程序指令/模块(例如图3中所示的用户画像捕捉装置300的获取模块310、画像分析模块320和配置模块330)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述的用户画像捕捉方法,在此不再赘述。
机器可读存储介质120可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,机器可读存储介质120可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合发布节点的存储器。在一些实例中,机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器,这些远程存储器可以通过网络连接至服务器100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
服务器100可以通过网络接口110和其它设备(例如医疗访问终端200)进行信息交互。网络接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用网络接口110收发信息。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。