基于聚类技术的用户多兴趣推荐方法、装置、设备及介质与流程

1.本发明涉及互联网信息技术领域，尤其涉及一种基于聚类技术的用户多兴趣推荐方法、装置、设备及介质。


背景技术：

2.推荐是指根据用户的数据和行为为用户推荐可能感兴趣的产品。个性化推荐是互联网服务时代一个重要的研究领域。目前，推荐技术已广泛应用于电子商务、社交网络等众多领域。信息技术的发展、数据的快速增长，使传统推荐算法面临巨大挑战。兴趣的多样化是一个普遍存在的事实。而人们兴趣的多样化决定了在推荐算法领域，推荐结果的多样化是非常重要的。通常情况下，推荐结果往往是将评分高的物品推荐给用户，或者是将和用户喜好物品相似度较高的物品推荐给用户。然而，在很多领域场景中，用户的需求是，在尽可能多的品类中推荐较喜欢的物品，即满足用户的多兴趣。
3.协同过滤是目前应用最广泛且发展最成熟的推荐算法，其本质是利用用户评分信息，寻找目标用户或目标项目的近邻集，根据近邻集合的评分预测目标用户对未知项目的评分。然而传统协同过滤只适用于单一用户兴趣推荐，无法较好满足用户多兴趣推荐需求从而影响推荐精度。
4.因此，如何基于用户行为序列实现精准的多兴趣推荐，是本领域技术人员需要解决的问题。


技术实现要素：

5.本发明的目的在于提供一种基于聚类技术的用户多兴趣推荐方法、装置、设备及介质，以解决上述技术背景中提出的问题。
6.为实现上述目的，本发明采用以下技术方案：本技术第一个方面提供了一种基于聚类技术的用户多兴趣推荐方法，包括：s1，基于用户行为序列数据构建物品的网络图graph，其中，每个用户行为序列包括该用户按照时间顺序对不同物品依次发生的多个用户行为，所述物品的网络图graph是由用户点击的物品节点组成，一个物品节点代表用户行为所对应的一个物品；s2，使用图嵌入graph embedding方法得到各个物品节点的向量表示；s3，通过预设的聚类算法对物品节点的向量数据进行聚类，生成k个类簇，k为正整数；s4，将每个用户产生过行为的物品按照步骤s3中的类簇划分为m个集合，将各集合中的物品节点的向量数据进行加和平均，得到每个用户的m个类簇的向量表示，其中，m的范围为：[1，k]；s5，获取每个用户的每个类簇下的向量表示与对应类簇下的物品节点的向量集合之间的相似度，得到用户对应的每个类簇下的前n项top-n个相似推荐结果；s6，将用户在每个类簇下的行为距离当前日期的天数进行衰减累加，再进行比例
计算，获得用户对其对应的每个类簇的偏好得分；s7，将用户的各类簇召回结果按照用户的类簇偏好得分进行权重抽样，得到用户的最终推荐结果集。
[0007]
优选地，所述步骤s1包括：将用户的点击行为按照行为发生的时间构成一个有向无权的网络图graph，所述网络图graph包含多个物品节点。
[0008]
优选地，所述步骤s2中，所述使用图嵌入graph embedding方法，包括randomwalk算法、node2vector算法中的一种或多种；所述使用图嵌入graph embedding方法得到各个物品节点的向量表示，具体包括如下步骤：s21，将网络图graph中的任意一个物品节点作为起始游走点；s22，在该起始游走点附近进行随机游走，单次共游走l次，产生一个长度为l的序列，l表示单次随机游走的步数，l为正整数；s23，对网络图graph中的每个物品节点重复步骤s21、s22共n次，最终得到n*v个节点长度为l的序列，其中，n表示每个物品节点处随机游走的次数，v表示网络图graph包括的物品节点的个数，且n、v均为正整数；s24，将生成的序列数据，应用word2vec模型计算得到每一个物品节点的向量表示。
[0009]
更优选地，所述步骤s22中的随机游走过程具体包括：从网络图graph的任意一个起始游走点出发，游走的每一步都从与当前物品节点相连的多个物品节点中随机选择一个，不断重复这个过程，直到达到设定的游走长度后，停止游走，从而获得一条新的用户行为序列数据。
[0010]
优选地，所述步骤s3中，所述预设的聚类算法为kmeans聚类算法。
[0011]
优选地，所述步骤s5中，采用预设的相似度计算方法获取相似度值，所述预设的相似度计算方法包括、但不限于faiss算法、milvus算法。
[0012]
优选地，所述步骤s6具体包括如下步骤：s61，设定参数：decay_rate，days_i，user_cluster_score；其中，decay_rate表示衰减率，其取值范围为：（0，1）；days_i表示该用户在某一类簇下的第i个行为日期距离当前日期的天数；user_cluster_score表示该用户在某一类簇下的偏好得分；s62，采用如下公式，将用户在其对应的每个类簇下的行为分别进行衰减累加：user_cluster_score = sum( decay_rate ^ days_i )；s63，将步骤s62计算得到的各个累加和分别进行比例计算，得到该用户在其对应的每个类簇下的偏好得分；其中，所述比例计算，为该用户在某一类簇下的偏好得分占该用户对应的所有类簇的偏好得分总和的比例。
[0013]
优选地，所述步骤s7具体包括如下步骤：s71，根据用户所对应的每个类簇的偏好得分，对该用户对应的每个类簇进行一次概率抽样；s72，在步骤s71抽样出的相似结果中，取得最靠前且未被该用户抽取过的物品，放入最终的推荐结果集中；s73，重复执行步骤s71、s72预设次数，得到该用户对应的最终推荐结果集，所述最
终推荐结果集包括预设次数个推荐物品。
[0014]
本技术第二个方面提供了一种基于聚类技术的用户多兴趣推荐装置，包括：网络图graph构建模块，用于基于用户行为序列数据构建物品的网络图graph，其中，每个用户行为序列包括该用户按照时间顺序对不同物品依次发生的多个用户行为，所述物品的网络图graph是由用户点击的物品节点组成，一个物品节点代表用户行为所对应的一个物品；物品节点向量生成模块，用于使用图嵌入graph embedding方法得到各个物品节点的向量表示；聚类处理模块，用于通过预设的聚类算法对物品节点的向量数据进行聚类，生成k个类簇，k为正整数；类簇向量生成模块，用于将每个用户产生过行为的物品按照聚类处理模块生成的类簇划分为m个集合，将各集合中的物品节点的向量数据进行加和平均，得到每个用户的m个类簇的向量表示，其中，m的范围为：[1，k]；第一计算模块，用于计算每个用户的每个类簇下的向量表示与对应类簇下的物品节点的向量集合之间的相似度，得到用户对应的每个类簇下的前n项top-n个相似推荐结果；第二计算模块，用于将用户在每个类簇下的行为距离当前日期的天数进行衰减累加，再进行比例计算，获得用户对其对应的每个类簇的偏好得分；最终推荐结果集生成模块，用于将用户的各类簇召回结果按照用户的类簇偏好得分进行权重抽样，得到用户的最终推荐结果集。
[0015]
优选地，所述聚类处理模块中，所述预设的聚类算法为kmeans聚类算法。
[0016]
优选地，所述第二计算模块，包括：参数设定单元，用于设定参数：decay_rate，days_i，user_cluster_score；其中，decay_rate表示衰减率，其取值范围为：（0，1）；days_i表示该用户在某一类簇下的第i个行为日期距离当前日期的天数；user_cluster_score表示该用户在某一类簇下的偏好得分；衰减累加单元，用于采用如下公式，将用户在其对应的每个类簇下的行为分别进行衰减累加：user_cluster_score = sum( decay_rate ^ days_i )；比例计算单元，用于将衰减累加单元计算得到的各个累加和分别进行比例计算，得到该用户在其对应的每个类簇下的偏好得分；其中，所述比例计算，为该用户在某一类簇下的偏好得分占该用户对应的所有类簇的偏好得分总和的比例。
[0017]
本技术第三个方面公开了一种电子设备，包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行本技术第一个方面所述的方法。
[0018]
本技术第四个方面提供了一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行本技术第一个方面所述的方法。
[0019]
上述内容中，所述物品包括文本、图片、音频或视频。
[0020]
与现有技术相比，本发明的技术方案具有以下有益效果：
跟传统推荐方法相比，采用本技术方法计算的推荐结果更加契合用户多兴趣的特点，推荐结果具有多样性，且准确率高。
附图说明
[0021]
构成本技术的一部分附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1示出了一种基于聚类技术的用户多兴趣推荐方法的流程示意图；图2示出了在一个实施例中基于用户行为序列数据构建的物品网络图graph的结构示意图；图3示出了在一个实施例中对物品节点的向量数据进行聚类，生成k个类簇的示例图；图4示出了在一个实施例中将用户a的行为物品根据对应的类簇划分为多个集合的示例图；图5示出了在一个实施例中得到用户a对应类簇下的相似物品的示例图；图6示出了在一个实施例中计算用户a的各类簇偏好得分的示例图；图7示出了在一个实施例中获得用户a的最终推荐结果集的示例图；图8示出了一种基于聚类技术的用户多兴趣推荐装置的结构示意图；图9示出了本发明实施例提供的电子设备的结构示意图。
具体实施方式
[0022]
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0023]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的数据在适当情况下可以互换。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0024]
实施例：在许多场景下，需要对用户行为序列进行分析和处理。用户行为序列，是用户在日常操作使用中产生的一系列点击、访问、购买等事件的发生过程，可表示为事件集合的时间序列，它蕴含了用户的细粒度习惯偏好等特点。
[0025]
图1为一种基于聚类技术的用户多兴趣推荐方法的流程示意图。
[0026]
参阅图1所示，一种基于聚类技术的用户多兴趣推荐方法，具体包括如下步骤：步骤s1：基于用户行为序列数据构建物品的网络图graph。
[0027]
其中，每个用户行为序列包括该用户按照时间顺序对不同物品依次发生的多个用户行为，所述物品的网络图graph是由用户点击的物品节点组成，一个物品节点代表用户行为所对应的一个物品。
[0028]
在信息流产品中，会产生大量的用户点击行为。这些点击行为按照行为发生的时间可构成一个有向无权的网络图graph，所述网络图graph包含多个物品节点。
[0029]
需要说明的是，用户产生过行为的物品可以是文本、图片、音频或视频。
[0030]
以新闻产品app为例，在新闻产品app中，可获取大量用户的行为数据，如点击行为数据，以下结合该应用场景具体阐述本技术的基于聚类技术的用户多兴趣推荐方法。
[0031]
参阅图2所示，例如，用户a先后点击了新闻a、新闻b、新闻c，那么就会在网络图graph中产生由新闻a指向新闻b、由新闻b指向新闻c的两条边。其他用户的点击行为也类似，那么就共同构成了包含v个物品节点的网络图graph。
[0032]
步骤s2：使用图嵌入graph embedding方法得到各个物品节点的向量表示。
[0033]
经典的图嵌入graph embedding技术主要有randomwalk、node2vector等方法。
[0034]
所述使用图嵌入graph embedding方法得到各个物品节点的向量表示，具体包括如下步骤：步骤s21，将网络图graph中的任意一个物品节点作为起始游走点。
[0035]
步骤s22，在该起始游走点附近进行随机游走，单次共游走l次，产生一个长度为l的序列，l表示单次随机游走的步数，l为正整数。
[0036]
其中，所述随机游走过程具体包括：从网络图graph的任意一个起始游走点出发，游走的每一步都从与当前物品节点相连的多个物品节点中随机选择一个，不断重复这个过程，直到达到设定的游走长度后，停止游走，从而获得一条新的用户行为序列数据。
[0037]
步骤s23，对网络图graph中的每个物品节点重复步骤s21、s22共n次，最终得到n*v个节点长度为l的序列，其中，n表示每个物品节点处随机游走的次数，v表示网络图graph包括的物品节点的个数，且n、v均为正整数。
[0038]
步骤s24，使用这些生成的序列数据，应用word2vec模型计算得到每一个物品节点的向量表示。
[0039]
word2vector算法为一种开源算法，用指定维度的向量表示词组信息，利用向量度量词语间关系。在本实施方式中，应用于物品序列数据。
[0040]
本实施例中，假设游走采样得到的序列为：[ [a, b, d, e, g, h, v, f], [w, r, f, h, v, s, n, d, k],
ꢀ……
]通过word2vector模型计算得到各新闻的向量表示，例如：新闻a的向量表示为a：[0.22，0.45，0.88，0.06，0.01，0.32]；新闻c的向量表示为c：[0.24，0.47，0.86，0.12，0.03，0.28]；
……
这里，需要说明的是，根据采用的算法不同，会有不同的随机游走方式，随机性由相关算法的参数进行控制。
[0041]
步骤s3：通过kmeans聚类算法，对得到的新闻向量数据进行聚类，生成k个类簇，k为正整数，通常在5～20之间。
[0042]
基于kmeans算法进行聚类，使得后续求解诸如top-n的高频词元素近似结果，可以极大地减少计算量。
[0043]
其中，kmeans算法是无监督聚类算法，对于n个样本的数据集，将其聚类成k个簇，使得簇的方差和最小。
[0044]
本实施例中，对得到的新闻向量数据聚类至k个类簇，最终使得向量距离较近的节点尽可能划分至一个类簇内，反之则划分至不同类簇，即向量距离相近的节点聚在一起，距离远的节点则划分开。这是因为，相似的向量通常在某一方面会近似，如标题文本、类别、作者或一些隐含语义等，所以，不同的类簇代表着不同的类型。
[0045]
参阅图3所示，新闻a的向量、新闻f的向量、新闻w的向量和新闻c的向量距离相近，代表相同的类型，通过聚类后，被划分至类簇c1中；而新闻b的向量、新闻h的向量距离相近，代表另一类型，通过聚类后，被划分至类簇c2中。
[0046]
步骤s4：将每个用户产生过行为的物品按照步骤s3中的类簇划分为m个集合，再将各集合中的物品向量进行加和平均，得到每个用户的m个类簇的向量表示，其中，m的范围为：[1，k]。
[0047]
参阅图4所示，用户a行为的物品中，新闻a的向量与新闻c的向量被划分至同一类簇c1，新闻b的向量则被划分至类簇c2，那么，用户在类簇c1下的向量表示为新闻a的向量与新闻c的向量的平均，计算得到类簇c1的向量表示：[0.23, 0.46, 0.87, 0.09, 0.02, 0.30]，而用户a在类簇c2下仅有一个新闻b，所以新闻b的向量表示即为类簇c2的向量表示。
[0048]
步骤s5：获取每个用户的每个类簇下的向量表示与对应类簇下的物品节点的向量集合之间的相似度，得到用户对应的每个类簇下的s个最相似物品。
[0049]
参阅图5所示，例如用户a共有两个类簇，分别为类簇c1、类簇c2，则共得到2*s个相似物品。
[0050]
其中，向量相似计算可使用常用的一些封装库，如faiss库，或者通过搭建的milvus向量相似服务，得到目标向量最相似的结果向量。
[0051]
步骤s6：计算用户对其对应的每个类簇的偏好得分。
[0052]
具体包括如下步骤：步骤s61，设定参数：decay_rate，days_i，user_cluster_score；其中，decay_rate表示衰减率，其取值范围为：（0，1）；days_i表示该用户在某一类簇下的第i个行为日期距离当前日期的天数；user_cluster_score表示该用户在某一类簇下的偏好得分。
[0053]
步骤s62，采用如下公式，将用户在其对应的每个类簇下的行为分别进行衰减累加：user_cluster_score = sum( decay_rate ^ days_i )；步骤s63，将步骤s62计算得到的各个累加和分别进行比例计算，得到该用户在其对应的每个类簇下的偏好得分；其中，所述比例计算，为该用户在某一类簇下的偏好得分占该用户对应的所有类簇的偏好得分总和的比例。
[0054]
参阅图6所示，用户a点击新闻a的行为时间距离当前时间为1天，点击新闻b的行为时间距离当前时间为2天，点击新闻c的行为时间距离当前时间为3天。
[0055]
设置衰减率decay_rate为0.9，则按照上述的聚类划分，用户a对类簇c1的偏好得分为：0.9^1 0.9^3=1.629，而用户a对类簇c2的的偏好得分为：0.9^2=0.81。
[0056]
再进行比例计算，具体如下：
类簇c1：1.629 / ( 1.629 0.81 ) = 0.668；类簇c2：0.81 / ( 1.629 0.81 ) = 0.332。
[0057]
步骤s7：将用户的各类簇召回结果按照用户的类簇偏好得分进行权重抽样，得到用户的最终推荐结果集。
[0058]
具体包括如下步骤：步骤s71，根据用户所对应的每个类簇的偏好得分，对该用户对应的每个类簇进行一次概率抽样；步骤s72，在步骤s71抽样出的相似结果中，取得最靠前且未被该用户抽取过的物品，放入最终的推荐结果集中；步骤s73，重复执行步骤s71、s72预设次数，得到该用户对应的最终推荐结果集，所述最终推荐结果集包括预设次数个推荐物品。
[0059]
参阅图7所示，如最终需要给用户a推荐s个物品，但用户在步骤s5中得到了2*s个待选物品，则可以根据用户的类簇偏好得分进行概率抽样。以上述用户a举例，按照以下步骤进行：a)用户a按照[0.668, 0.332]的概率对类簇c1、c2进行抽样一次，例如抽中了c1；b)在c1对应的相似结果中取得最靠前且未被用户a抽取过的物品，放入最终推荐集中；以上步骤a、b执行s次，得到最终s个推荐物品。
[0060]
需要说明的是，上述应用场景仅是本发明实施方式的一个示例，本发明的实施方式不限于上述应用场景，而是可以应用到任何本发明实施方式适用的应用场景中。
[0061]
另一方面，本技术还公开了一种基于聚类技术的用户多兴趣推荐装置。
[0062]
参阅8所示，一种基于聚类技术的用户多兴趣推荐装置，包括：网络图graph构建模块100、物品节点向量生成模块200、聚类处理模块300、类簇向量生成模块400、第一计算模块500、第二计算模块600和最终推荐结果集生成模块700。
[0063]
所述网络图graph构建模块100，用于基于用户行为序列数据构建物品的网络图graph，其中，每个用户行为序列包括该用户按照时间顺序对不同物品依次发生的多个用户行为，所述物品的网络图graph是由用户点击的物品节点组成，一个物品节点代表用户行为所对应的一个物品。
[0064]
所述物品节点向量生成模块200，用于使用图嵌入graph embedding方法得到各个物品节点的向量表示。
[0065]
所述聚类处理模块300，用于通过预设的聚类算法对物品节点的向量数据进行聚类，生成k个类簇，k为正整数。其中，所述预设的聚类算法优选为kmeans聚类算法。
[0066]
所述类簇向量生成模块400，用于将每个用户产生过行为的物品按照聚类处理模块300生成的类簇划分为m个集合，将各集合中的物品节点的向量数据进行加和平均，得到每个用户的m个类簇的向量表示，其中，m的范围为：[1，k]。
[0067]
所述第一计算模块500，用于计算每个用户的每个类簇下的向量表示与对应类簇下的物品节点的向量集合之间的相似度，得到用户对应的每个类簇下的top-n个相似推荐结果。
[0068]
所述第二计算模块600，用于将用户在每个类簇下的行为距离当前日期的天数进
行衰减累加，再进行比例计算，获得用户对其对应的每个类簇的偏好得分。
[0069]
所述最终推荐结果集生成模块700，用于将用户的各类簇召回结果按照用户的类簇偏好得分进行权重抽样，得到用户的最终推荐结果集。
[0070]
其中，所述第二计算模块600，包括：参数设定单元，用于设定参数：decay_rate，days_i，user_cluster_score；其中，decay_rate表示衰减率，其取值范围为：（0，1）；days_i表示该用户在某一类簇下的第i个行为日期距离当前日期的天数；user_cluster_score表示该用户在某一类簇下的偏好得分；衰减累加单元，用于采用如下公式，将用户在其对应的每个类簇下的行为分别进行衰减累加：user_cluster_score = sum( decay_rate ^ days_i )；比例计算单元，用于将衰减累加单元计算得到的各个累加和分别进行比例计算，得到该用户在其对应的每个类簇下的偏好得分；其中，所述比例计算，为该用户在某一类簇下的偏好得分占该用户对应的所有类簇的偏好得分总和的比例。
[0071]
图9示出了根据本技术公开一实施例的计算设备的结构示意图。
[0072]
如图9所示，本技术公开的计算设备800可以包括处理器810以及存储器820。存储器820，用于存储计算机程序；其中，处理器810执行存储器820中的计算机程序，以实现如上所述各方法实施例所提供的方法。具体实现过程可参见上文中的相关描述，在此不再赘述。
[0073]
在实施例中，以一电子设备对本技术提供的基于聚类技术的用户多兴趣推荐装置进行示例。处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
[0074]
存储器可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行程序指令，以实现上文的本技术的各个实施例中的方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
[0075]
此外，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序被处理器执行时用于实现如上所述各方法实施例所提供的方法。
[0076]
实际应用中，本实施例中的计算机程序可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0077]
实际应用中，计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机
存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0078]
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
[0079]
附图中的流程图和框图显示了根据本发明的实施例的装置和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0080]
以上对本发明的具体实施例进行了详细描述，但其只是作为范例，本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言，任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都应涵盖在本发明的范围内。