一种用户流失预测方法、装置及电子设备与流程

1.本说明书涉及计算机技术领域，尤其涉及一种用户流失预测方法、装置及电子设备。


背景技术：

2.随着网络的普及，越来越多的互联网公司需要以产品用户来作为创收的重要来源，并且许多互联网公司会用一些产品推广活动来吸引客户，以增加产品的用户群。可见，发展新用户是需要一定成本的，一旦用户流失，将会对商家造成损失。因此，对用户流失的预测显得尤为重要。


技术实现要素：

3.有鉴于此，本说明书实施例提供了一种用户流失预测方法、装置及电子设备，用于解决现有技术中无法预测用户流失的问题。
4.本说明书实施例采用下述技术方案：
5.本说明书实施例提供一种用户流失预测方法，包括：获取待预测用户的用户历史行为数据；确定所述用户历史行为数据所对应的特征数据，并将所确定的特征数据提供给用户流失预测模型来确定与所述待预测用户对应的用户流失等级，其中，所述用户流失预测模型为聚类模型，并且所述聚类模型中的每个聚类分别与唯一的用户流失等级相对应。
6.可选地，所述方法还包括：从已完成预测的多个用户信息中，确定对应预设的用户流失等级的用户信息集。
7.可选地，针对各个用户流失等级分别配置有相匹配的用户回流策略，所述方法还包括：对所述用户信息集执行与所述预设的用户流失等级相匹配的用户回流策略。
8.可选地，所述方法还包括：确定所述用户历史行为数据所对应的产品业务类型；其中，所述将所确定的特征数据提供给用户流失预测模型来确定与所述待预测用户对应的用户流失等级包括：将所确定的特征数据提供给与所确定的产品业务类型相对应的用户流失预测模型来确定所述待预测用户所对应的用户流失等级，其中各个用户流失预测模型分别服务于相应的产品业务类型。
9.可选地，所述确定所述用户历史行为数据所对应的特征数据包括：将所述用户历史行为数据中的各个数据维度的信息进行归一化处理，以确定相应的特征数据。
10.可选地，所述用户流失预测模型的特征维度包括以下中的至少一者：用户余额信息、用户交易信息和用户登录信息。
11.可选地，所述用户流失预测模型是基于多个特征维度来对所述特征数据进行评价，并基于所述评价的结果来进行聚类的，所述方法还包括：展示所述用户流失预测模型中的各个特征维度和相应的影响权重。
12.可选地，所述方法还包括：获取针对所述待预测用户在完成预测后的设定时间段所产生的更新用户历史行为数据；基于所述更新用户历史行为数据和所述待预测用户所对
应的用户流失等级，校准所述用户流失预测模型中各个特征维度所分别对应的影响权重。
13.本说明书实施例还提供一种用户流失预测装置，包括：历史数据获取单元，被配置为获取待预测用户的用户历史行为数据；流失等级确定单元，被配置为确定所述用户历史行为数据所对应的特征数据，并将所确定的特征数据提供给用户流失预测模型来确定与所述待预测用户对应的用户流失等级，其中，所述用户流失预测模型为聚类模型，并且所述聚类模型中的每个聚类分别与唯一的用户流失等级相对应。
14.可选地，所述装置还包括：用户信息集确定单元，被配置为从已完成预测的多个用户信息中，确定对应预设的用户流失等级的用户信息集。
15.可选地，针对各个用户流失等级分别配置有相匹配的用户回流策略，所述装置还包括：回流策略确定单元，被配置为对所述用户信息集执行与所述预设的用户流失等级相匹配的用户回流策略。
16.可选地，所述装置还包括：产品业务类型确定单元，被配置为确定所述用户历史行为数据所对应的产品业务类型；其中，所述流失等级确定单元包括：特定模型调用模块，被配置为将所确定的特征数据提供给与所确定的产品业务类型相对应的用户流失预测模型来确定所述待预测用户所对应的用户流失等级，其中各个用户流失预测模型分别服务于相应的产品业务类型。
17.可选地，所述流失等级确定单元包括：数据归一化模块，被配置为将所述用户历史行为数据中的各个数据维度的信息进行归一化处理，以确定相应的特征数据。
18.可选地，所述用户流失预测模型的特征维度包括以下中的至少一者：用户余额信息、用户交易信息和用户登录信息。
19.可选地，所述用户流失预测模型是基于多个特征维度来对所述特征数据进行评价，并基于所述评价的结果来进行聚类的，所述装置还包括：维度权重展示单元，被配置为展示所述用户流失预测模型中的各个特征维度和相应的影响权重。
20.可选地，所述装置还包括：更新历史数据获取单元，被配置为获取针对所述待预测用户在完成预测后的设定时间段所产生的更新用户历史行为数据；维度权重校准单元，被配置为基于所述更新用户历史行为数据校准所述用户流失预测模型中各个特征维度所分别对应的影响权重。
21.本说明书实施例还提供一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的方法。
22.本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
23.通过将用户历史行为数据所对应的特征数据输入到聚类中，并基于聚类模型来确定相应的分类，继而确定相应的用户流失等级，实现了对潜在流失用户划分层级，有助于降低用户流失率。
附图说明
24.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
25.图1示出了适于应用本说明书实施例的用户流失预测方法的环境的一示例的架构示意图；
26.图2示出了根据本说明书实施例的用户流失预测方法在一示例中的流程图；
27.图3示出了根据本说明书实施例的配置和训练聚类模型的过程的一示例的流程图；
28.图4示出了根据本说明书实施例的用户流失预测方法的一示例的流程图；
29.图5示出了根据本说明书实施例的用户流失预测方法的一示例的流程图；
30.图6示出了根据本说明书实施例的用户流失预测方法的一示例的流程图；
31.图7示出了根据本说明书实施例的用户流失预测方法的一示例的阶段流程示意图；和
32.图8示出了根据本说明书实施例的用户流失预测装置的一示例的结构框图。
具体实施方式
33.互联网公司或商家在发展新用户时通常是通过构建产品的病毒性传播系数，从而使得产品更具吸引性。这里，发展新用户的方式通常有“人工病毒性”和“口碑病毒性”等。具体地，在“人工病毒性”的新用户发展过程中，通过人工干预(例如，推出一些家庭或者朋友套餐)来鼓励旧用户邀请他人成为新用户；在“口碑病毒性”的新用户发展过程中，通过不断完善自己的产品以获得良好口碑，通过广告投放等进行推广，使用户主动来办理业务而成为新用户。
34.由此可见，发展新用户是需要一定成本的，而一旦用户流失，将会对商家或互联网公司造成损失，所以对客户流失的预测显得尤为重要。通过预测可以找出哪些用户可能成为流失客户，并在用户流失之前使用一些策略来挽留用户，有助于降低用户流失率。
35.在目前相关技术中，对流失用户进行预测时，一般只是预测用户会发生流失或不会发生流失，其无法满足商家或互联网公司的一些个性化需求，例如一些商家或互联网公司期望能够找到不同流失等级(或，可能性)的用户，并针对这些用户分层级进行管理。此外，在目前相关技术中，流失预测的过程是完全的“黑盒”过程，商家或互联网公司无法准确地找到流失影响因子，这势必会影响到客户挽留策略的效果。
36.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本说明书的实施范围内。
37.需说明的是，如本文中将使用的术语“聚类”或“类”可以表示具有相似性的信息的集合；相应地，“聚类算法”可以表示将数据集聚合为若干类，使得各个类之内的数据最为相似，而各个类之间的数据相似度差别尽可能的大。
38.以下结合附图，详细说明本说明书各实施例提供的技术方案。
39.图1示出了适于应用本说明书实施例的用户流失预测方法的环境的一示例的架构示意图。
40.如图1所示，在该环境100中，至少一个客户端通过网络110可以向业务服务端(例
如，151和/或152)发送访问请求，以请求业务服务端来提供相应的业务服务，例如移动支付服务。这里，客户端可以是诸如台式机132、笔记本电脑136和手机134之类的终端设备，员工可以通过客户端来使用各个应用程序，例如移动支付程序。另外，可以是由业务服务端来为相应的应用程序提供服务，例如服务于移动支付程序的业务服务端。在本说明书实施例的一个示例中，在图1中所示的151和152分别可以是专门服务于唯一对应的应用程序的业务应用服务端，例如分别表示专门服务于移动支付程序或流媒体程序的服务端。
41.进一步地，用户流失预测装置140可以是被部署在任意的可以与业务服务端通信交互的服务端(例如，用户流失服务端)上，此外，用户流失预测装置140还可以直接被部署在业务服务端上。这样，用户流失预测装置140可以通过分析针对业务服务端的用户历史行为数据来确定用户所对应的用户流失等级。
42.图2示出了根据本说明书实施例的用户流失预测方法在一示例中的流程图。
43.如图2所示，在步骤210中，获取待预测用户的用户历史行为数据。
44.具体地，可以从业务服务端来接收用户日志信息，并根据用户日志信息来确定相应的用户历史行为数据。在本说明书实施例的一个示例中，用户历史行为数据的数据维度，可以是与用户流失预测模型的特征评价维度是相匹配的，例如特征评价维度和数据维度都存在“用户历史交易信息”。
45.在步骤220中，确定用户历史行为数据所对应的特征数据，并将所确定的特征数据提供给用户流失预测模型来确定与待预测用户对应的用户流失等级。这里，用户流失预测模型为聚类模型，并且聚类模型中的每个聚类分别与唯一的用户流失等级相对应。
46.在本说明书实施例的一些示例中，在用户历史行为数据所对应的特征数据输入到聚类模型之后，聚类模型可以确定该特征数据相对于聚类模型中各个聚类中心的相似度，并将对应最大相似度的聚类确定为该待预测用户所对应的聚类。
47.由此，通过确定用户历史行为数据所对应的聚类来得出与待预测用户对应的用户流失等级，实现了对流失用户划分层级，有助于降低用户流失率。在本说明书实施例的一个示例中，聚类模型中聚类的数量可以是预先配置好的，例如，根据应用需求设置100个用户流失等级，相应的聚类模型中的聚类也是100个。在一些实施方式中，可以使用百分比的方式来表示相应的用户流失等级(即，(用户流失等级)％)，并且以此方式还可以用来表达用户流失概率。因此，可以满足不同商家或互联网公司针对用户流失预测的个性化需求。
48.需说明的是，本说明书实施例中的聚类模型可以采用各种聚类算法，例如可以采用k-means聚类算法、基于均值漂移聚类算法、基于密度的聚类算法、用高斯混合模型的最大期望聚类算法、图团体检测算法和凝聚层次聚类算法等，在此应不加限制。
49.举例来说，聚类模型可以采用k-means算法。这里，k-means算法为一种简单的迭代型聚类算法，其采用距离作为相似性指标，从而发现给定数据集中的k个类，且每个类的中心是根据类中所有数值的均值得到的，每个类的中心用聚类中心来描述。
50.图3示出了根据本说明书实施例的配置和训练聚类模型的过程的一示例的流程图。这里，聚类模型可以采用k-means算法。
51.在步骤310中，获取用户历史行为样本集。
52.在步骤320中，从用户历史行为样本数据集中选取分别对应于k个用户流失等级的用户历史行为样本子集。
53.在步骤330中，确定各个用户历史行为样本子集所分别对应的特征数据集。
54.在步骤340中，基于k个特征数据集分别进行聚类训练，以分别确定相应的k个聚类中心。
55.如上面的所描述的，类的总数k可以是根据应用需求而设定的，例如可以将k设定为100。这样，当存在待预测的用户历史行为数据时，可以相应地输出从0到100之间的用户流失等级。在一些实施方式中，可以使用百分比的方式来表示相应的用户流失等级，例如k％，当百分比越低(例如，1％)说明用户越不可能流失，而当百分比越高(例如，99％)说明用户越可能流失，能够较直观地反映所预测的用户流失情况。
56.在本说明书实施例的一个示例中，用户历史行为数据中存在多个数据维度，例如用户基本信息(例如、用户性别、年龄等)、用户登录信息和用户消费信息等。这样，在确定历史行为数据所对应的特征数据时，可以将用户历史行为数据中的各个数据维度的信息进行归一化处理来统一不同数据维度的量纲，以确定相应的特征数据。相应地，在聚类模型进行聚类分析时，聚类模型会将待预测用户的特征数据从不同的特征维度与各个聚类中心进行相似度计算，并根据与该特征数据具有最大相似度的聚类中心确定相对应的聚类。
57.图4示出了根据本说明书实施例的用户流失预测方法的一示例的流程图。
58.如图4所示，在步骤410中，获取待预测用户的用户历史行为数据。关于步骤410的操作，可以参照上面步骤210中的描述，在此便不赘述。
59.在步骤420中，确定用户历史行为数据所对应的产品业务类型。这里，产品业务类型例如可以是移动支付业务类型、流媒体业务类型等等。
60.在本说明书实施例的一个示例中，用户历史行为数据可能分属于不同的产品业务类型。在本说明书实施例的另一示例中，结合如图2中所描述的示例，不同的业务服务端分别用于提供相应的业务服务，因此还可以基于用户历史行为数据的来源信息确定相应的产品业务类型。
61.在步骤430中，确定用户历史行为数据所对应的特征数据，并将所确定的特征数据提供给与所确定的产品业务类型相对应的用户流失预测模型来确定待预测用户所对应的用户流失等级。这里，各个用户流失预测模型分别服务于相应的产品业务类型。
62.需说明的是，在一些示例中，如果用户在特定时间段内都没有使用产品业务，则可以将该用户定义为流失用户。然而，不同的业务类型所对应的特定时间段也可能会存在差异。此外，针对不同的业务类型，用户流失的影响维度可能也是不一样的，例如移动支付业务可能更加看重用户交易信息，而流媒体业务可能更加看重用户登录信息。
63.通过本说明书实施例，针对不同的业务类型，分别调用相应的用户流失预测模型，能够在多业务场景中同样适用，还可以保障预测结果的准确度。
64.图5示出了根据本说明书实施例的用户流失预测方法的一示例的流程图。
65.在步骤510中，获取待预测用户的用户历史行为数据。
66.在步骤520中，确定用户历史行为数据所对应的特征数据，并将所确定的特征数据提供给用户流失预测模型来确定与待预测用户对应的用户流失等级。
67.关于步骤510和步骤520的操作，可以参照上面参考图2中的步骤210和步骤220的操作，在此便不赘述。
68.在一些实施方式中，可以重复进行如步骤510和步骤520中的操作，直到确定多个
用户信息(或，所有用户信息)所各自对应的用户流失等级。
69.在步骤530中，从已完成预测的多个用户信息中，确定对应预设的用户流失等级的用户信息集。这里，预设的用户流失等级可以表示一个或多个用户流失等级。
70.在本说明书实施例的一个示例中，可以接收来自商家或互联网公司的操作请求，并且在操作请求中包含预设的用户流失等级，由此实现了能够响应于商家操作而确定出相应的流失用户群体的效果。
71.在一些应用场景下，商家或互联网公司可以操作客户端来向用户流失预测服务端发送上述的操作请求。示例性地，在商家的客户端上可以显示针对用户流失等级的可调节的进度条，例如“用户流失率：0～100％”，并且通过商家运营人员调节该进度条来生成相应的操作请求，例如选择“用户流失率：70％～80％”以生成相应的操作请求。
72.优选地，针对各个用户流失等级分别配置有相匹配的用户回流策略。例如，可以向用户流失等级较高的用户发送节日鼓励红包或优惠券，向用户流失等级较低的用户发送节日祝福语，等等。
73.进一步地，在步骤540中，对用户信息集执行与预设的用户流失等级相匹配的用户回流策略。
74.由此，通过用户流失等级来确定相应的用户回流策略，可以向不同用户开展个性化的回流策略，实现了在节约资源的同时，还能取得较佳的用户回流效果。
75.图6示出了根据本说明书实施例的用户流失预测方法的一示例的流程图。在本说明书实施例中，用户流失预测模型是基于多个特征维度来对用户历史行为数据所对应的特征数据进行评价，并基于评价的结果来进行聚类的。
76.在一些业务场景下，例如移动支付业务场景下，用户流失预测模型的特征维度包括以下中的至少一者：用户余额信息、用户交易信息和用户登录信息。此外，用户流失预测模型还可以配置有更多的特征维度，例如用户设备信息和用户绑卡信息等。
77.需说明的是，这里所列的各项特征维度还可以分别用来表示对应的一组特征维度，例如用户交易信息可以包括“最近一次交易时间”、“最近一次交易金额”、“过去30天内的交易次数”和“过去30天内的交易金额”等，以及用户余额信息可以包括“当前用户账户余额”、“过去7天用户账户平均余额”和“过去30天用户账户平均余额”等。
78.在本说明书实施例的一个示例中，用户流失预测模型配置了上述所有的特征维度，并且基于上述的各个特征维度，用户流失预测模型能够输出针对待预测用户的用户流失等级。在一些应用场景下，商家和用户还期望能够看到影响用户流失的重要因子。
79.鉴于此，在步骤610中，展示用户流失预测模型中的各个特征维度和相应的影响权重。由此，实现了以可视化的形式向商家或互联网公司展示各个特征维度(或模型因子)的重要性，而不再是黑盒处理过程。
80.结合应用场景来说，当利用用户流失预测模型来对移动支付业务进行预测时，可以得出用户余额信息和用户交易信息是对应影响权重比较大的特征维度，有助于商家作出更有效的用户回流策略，例如通过发送奖励红包以保障用户余额信息。
81.优选地，在步骤620中，获取针对待预测用户在完成预测后的设定时间段所产生的更新用户历史行为数据。这里，可以根据实际应用需求而设置上述的设定时间段。
82.在步骤630中，基于更新用户历史行为数据和待预测用户所对应的用户流失等级，
校准用户流失预测模型中各个特征维度所分别对应的影响权重。
83.结合应用场景来说，如果所预测的用户信息所对应的用户流失等级非常高，但该用户信息在之后的2天内使用了产品业务(例如，发生了交易行为)，则说明该预测结果存在误差，并可以对各个特征维度所对应的影响权重进行调整。
84.通过步骤620和步骤630中的操作，将后续用户行为数据与预测结果进行对比，进而对用户流失预测模型的各个特征维度进行调整，实现了在用户流失预测的过程中对用户流失预测模型的优化，保障了用户流失预测模型的性能。
85.图7示出了根据本说明书实施例的用户流失预测方法的一示例的阶段流程示意图。
86.如图7所示，在数据采集阶段710中，用户流失预测服务端可以从业务服务端(例如，一个或多个业务服务端)采集用户日志信息，并从中提取用户行为数据，例如提取对应多个设定的数据维度(例如，用户交易信息、用户余额信息等)的数据信息。
87.接着，在数据加工阶段720中，用户流失预测服务端可以对用户行为数据进行归一化处理，以确定相应的特征数据。
88.接着，在用户流失预测模型处理阶段730中，将特征数据输入到用户流失预测模型中，以使得用户流失预测模型基于各个特征维度对特征维度进行评价(或打分)。进而，根据评价结果来进行聚类，并且用户流失预测模型中的每一个聚类分别与相应的用户流失等级相对应。
89.在本说明书实施例的一个示例中，可以将模型的各个特征维度和相应的权重进行展示，例如可以在商家运营的客户端上通过app或浏览器进行展示，以使得商家能够清晰地看到各个特征维度对用户流失的影响程度。
90.在本说明书实施例的一个示例中，用户流失预测服务端可以定期地执行用户流失预测操作，例如，每天一次。进一步地，可以将当前所获取的针对用户信息的用户历史行为数据与过往预测的用户流失等级进行比较，从而判断过往预测结果的准确性，并相应地调整模型中各个特征维度的影响权重，实现对模型迭代优化的效果。
91.接着，在用户流失人群确定阶段740中，可以得到各个用户流失等级所对应的用户信息集。由此，当商家运营端选中特定的用户流失等级时，系统会相应地自动生成投放人群。
92.接着，在渠道下发阶段750中，商家运营会针对投放人群采用相应的用户回流策略，例如推送特定消息(例如，奖励红包或优惠券)，以降低用户流失率。在本说明书实施例的一个示例中，在采用了用户回流策略的设定时间段(例如，一周)之后，可以重新预测各个用户信息所对应的用户流失等级，并以可视化的方式来通知商家相应的用户回流策略是否起到了作用。
93.图8示出了根据本说明书实施例的用户流失预测装置的一示例的结构框图。
94.如图1所示，用户流失预测装置800包括历史数据获取单元810、流失等级确定单元820、用户信息集确定单元830、回流策略确定单元840、产品业务类型确定单元850、维度权重展示单元860、更新历史数据获取单元870和维度权重校准单元880。
95.历史数据获取单元810被配置为获取待预测用户的用户历史行为数据。关于历史数据获取单元810的更多的细节可以参照上面参考图2中的步骤210的描述。
96.流失等级确定单元820被配置为确定所述用户历史行为数据所对应的特征数据，并将所确定的特征数据提供给用户流失预测模型来确定与所述待预测用户对应的用户流失等级，其中，所述用户流失预测模型为聚类模型，并且所述聚类模型中的每个聚类分别与唯一的用户流失等级相对应。关于流失等级确定单元820的更多的细节可以参照上面参考图2中的步骤220的描述。
97.用户信息集确定单元830被配置为从已完成预测的多个用户信息中，确定对应预设的用户流失等级的用户信息集。关于用户信息集确定单元830的更多的细节可以参照上面参考图5中的步骤530的描述。
98.回流策略确定单元840被配置为对所述用户信息集执行与所述预设的用户流失等级相匹配的用户回流策略。关于用户信息集确定单元840的更多的细节可以参照上面参考图5中的步骤540的描述。
99.产品业务类型确定单元850被配置为确定所述用户历史行为数据所对应的产品业务类型。相应地，流失等级确定单元820包括：特定模型调用模块(未示出)，被配置为将所确定的特征数据提供给与所确定的产品业务类型相对应的用户流失预测模型来确定所述待预测用户所对应的用户流失等级，其中各个用户流失预测模型分别服务于相应的产品业务类型。关于产品业务类型确定单元850的更多的细节可以参照上面参考图4中的步骤420的描述。
100.维度权重展示单元860被配置为展示所述用户流失预测模型中的各个特征维度和相应的影响权重。这里，所述用户流失预测模型是基于多个特征维度来对所述特征数据进行评价，并基于所述评价的结果来进行聚类的。关于维度权重展示单元860的更多的细节可以参照上面参考图6中的步骤610的描述。
101.更新历史数据获取单元870被配置为获取针对所述待预测用户在完成预测后的设定时间段所产生的更新用户历史行为数据。关于更新历史数据获取单元870的更多的细节可以参照上面参考图6中的步骤620的描述。
102.维度权重校准单元880被配置为基于所述更新用户历史行为数据和所述待预测用户所对应的用户流失等级，校准所述用户流失预测模型中各个特征维度所分别对应的影响权重。关于维度权重校准单元880的更多的细节可以参照上面参考图6中的步骤630的描述。
103.进一步地，流失等级确定单元820包括：数据归一化模块(未示出)，被配置为将所述用户历史行为数据中的各个数据维度的信息进行归一化处理，以确定相应的特征数据。
104.进一步地，所述用户流失预测模型的特征维度包括以下中的至少一者：用户余额信息、用户交易信息和用户登录信息。此时，用户流失预测模型在移动支付业务场景下尤其适用。
105.需说明的是，如上所描述的用户流失预测装置800中的部分单元在一些应用场景下是非必需的或可选的。示例性地，在一些实施方式中，用户信息集确定单元830、回流策略确定单元840、产品业务类型确定单元850、维度权重展示单元860、更新历史数据获取单元870和维度权重校准单元880可以不被保留。此外，如果装置800包括回流策略确定单元840，则该装置800还应包括用户信息集确定单元830。另外，如果装置800包括维度权重校准单元880，则该装置800还应包括更新历史数据获取单元870。
106.如上参照图1到图8，对根据本说明书实施例的用户流失预测方法及装置的实施例
进行了描述。在以上对方法实施例的描述中所提及的细节，同样适用于本说明书装置的实施例。上面的用户流失预测装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。
107.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
108.控制器可以按任何适当的方式实现，例如，控制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 specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。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。
109.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。具体的，计算机例如可以为个人计算机、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何设备的组合。
110.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本
说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
111.本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
112.本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
113.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
114.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
115.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
116.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
117.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
118.还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
119.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。
120.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，对于系统实施例而言，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。
121.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。