一种基于大数据分析的广告精准投放互动方法及系统与流程

1.本发明涉及广告投放技术领域，具体而言，涉及一种基于大数据分析的广告精准投放互动方法及系统。


背景技术：

2.随着人们娱乐方式的改变，传统广告营销模式也在迅速的更新换代。目前，人们通常通过app或者网页观看视频、直播和小说等。虽然现在存在一些在应用软件使用过程中穿插广告内容的广告互动模式，其通过固定观看时长形式与用户互动，但是这种互动模式对于用户来说为被动互动，并不是用户自身主动进行广告观看和互动，而是app中强行跳转至广告页面，且所插播的广告与参与者可能完全不匹配，并不是该用户感兴趣或想要了解的内容，这种互动形式可能打断用户在其游戏或视频或小说的使用，容易引起客户反感，严重的会导致用户直接卸载该app，并不能达到广告宣传的目的。
3.因此，如何根据用户喜好和需要有针对性的投放广告至应用软件中是目前亟需解决的问题。


技术实现要素：

4.本发明的目的在于提供一种基于大数据分析的广告精准投放互动方法及系统，用以改善现有技术中无法根据用户喜好和需要有针对性的投放广告至应用软件的问题。
5.本发明的实施例是这样实现的：
6.第一方面，本技术实施例提供一种基于大数据分析的广告精准投放互动方法，其包括如下步骤：
7.响应用户的应用软件使用操作，获取目标软件和用户id；
8.基于用户id，获取该用户在预设时间段内的所有浏览痕迹信息；
9.根据所有浏览痕迹信息，构建用户特征画像决策模型；
10.获取所有广告作品类型，并将所有广告作品类型依次输入至训练好的用户特征画像决策模型中，确定关联广告类型；
11.基于关联广告类型，在广告作品集中匹配广告作品，得到多个待投放广告作品，其中，多个待投放广告作品的类型包含所有关联广告类型；
12.按照预设时间间隔和关联广告类型，依次投放不同的待投放广告作品至目标软件；
13.针对任一待投放广告作品，通过目标软件与该用户互动，并根据用户的互动情况，生成广告互动结果；
14.统计各个关联广告类型的广告互动结果得到统计结果，并将统计结果与用户id绑定。
15.在本发明的一些实施例中，上述根据所有浏览痕迹信息，构建用户特征画像决策模型的步骤包括：
16.利用svm模型构建用户特征画像决策模型；
17.根据所有浏览痕迹信息，确定已浏览广告类型；
18.获取多个负训练样本和多个正训练样本，负训练样本包括多个与已浏览广告类型不一致的广告作品类型，正训练样本包括多个与已浏览广告类型一致的广告作品类型；
19.利用多个正训练样本和多个负训练样本训练用户特征画像决策模型，得到训练好的用户特征画像决策模型。
20.在本发明的一些实施例中，上述将所有广告作品类型依次输入至训练好的用户特征画像决策模型中，确定关联广告类型的步骤包括：
21.将任一广告作品类型输入至训练好的用户特征画像决策模型中进行判别，以得到第一svm模型得分；
22.若第一svm模型得分高于第一预设分数，则认定广告作品类型为关联广告类型，若第一svm模型得分低于第二预设分数，则认定广告作品类型不是关联广告类型；
23.若第一svm模型得分低于第一预设分数且高于第二预设分数，则将该广告作品类型中的多个广告作品按照预设规则进行细化分类，以得到多个细化广告类型；
24.将任一细化广告类型输入至训练好的用户特征画像决策模型中进行判定，得到第二svm模型得分，若第二svm模型得分高于第一预设分数，则认定细化广告类型为关联广告类型，若第二svm模型得分低于第二预设分数，则认定细化广告类型不是关联广告类型；
25.若细化广告类型为关联广告类型的第一数量多于细化广告类型不是关联广告类型的第二数量，则该广告作品类型为关联广告类型，若第一数量低于第二数量，则该广告作品类型不是关联广告类型。
26.在本发明的一些实施例中，上述针对任一待投放广告作品，通过目标软件与该用户互动的步骤之前，该方法还包括：
27.根据待投放广告作品和对应的互动规则构建互动模型，互动模型用于根据互动规则进行互动判别。
28.在本发明的一些实施例中，上述针对任一待投放广告作品，通过目标软件与该用户互动，并根据用户的互动情况，生成广告互动结果的步骤包括：
29.响应用户的互动操作，利用互动模型对互动操作进行互动判别识别，得到互动操作与互动规则的匹配度；
30.根据匹配度，得到广告互动结果。
31.在本发明的一些实施例中，上述基于关联广告类型，在广告作品集中匹配广告作品，得到多个待投放广告作品的步骤之前，该方法还包括：
32.实时获取广告作品信息，广告作品信息包括广告作品名称和广告视频；
33.将广告作品信息保存至广告作品集中。
34.在本发明的一些实施例中，上述统计各个关联广告类型的广告互动结果得到统计结果，并将统计结果与用户id绑定的步骤之后，该方法还包括：
35.当用户再次使用应用软件时，根据用户id，确定对应统计结果；
36.根据统计结果，在广告作品集中调取广告作品进行投放。
37.第二方面，本技术实施例提供一种基于大数据分析的广告精准投放互动系统，其包括：
38.目标软件获取模块，用于响应用户的应用软件使用操作，获取目标软件和用户id；
39.浏览痕迹信息获取模块，用于基于用户id，获取该用户在预设时间段内的所有浏览痕迹信息；
40.用户特征画像决策模型构建模块，用于根据所有浏览痕迹信息，构建用户特征画像决策模型；
41.关联广告类型确定模块，用于获取所有广告作品类型，并将所有广告作品类型依次输入至训练好的用户特征画像决策模型中，确定关联广告类型；
42.待投放广告作品得到模块，用于基于关联广告类型，在广告作品集中匹配广告作品，得到多个待投放广告作品，其中，多个待投放广告作品的类型包含所有关联广告类型；
43.待投放广告作品投放模块，用于按照预设时间间隔和关联广告类型，依次投放不同的待投放广告作品至目标软件；
44.互动模块，用于针对任一待投放广告作品，通过目标软件与该用户互动，并根据用户的互动情况，生成广告互动结果；
45.绑定模块，用于统计各个关联广告类型的广告互动结果得到统计结果，并将统计结果与用户id绑定。
46.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
47.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
48.相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
49.本发明提供一种基于大数据分析的广告精准投放互动方法及系统，其包括如下步骤：响应用户的应用软件使用操作，获取目标软件和用户id。基于用户id，获取该用户在预设时间段内的所有浏览痕迹信息。根据所有浏览痕迹信息，构建用户特征画像决策模型。通过用户特征画像决策模型可以反映用户的个人喜好，为确定与该用户相适合的关联广告类型提供数据基础。然后获取所有广告作品类型，并将所有广告作品类型依次输入至训练好的用户特征画像决策模型中，从而从所有广告作品类型中确定与用户相适合的关联广告类型。基于关联广告类型，在广告作品集中匹配广告作品，得到多个待投放广告作品，其中，多个待投放广告作品的类型包含所有关联广告类型。按照预设时间间隔和关联广告类型，依次投放不同的待投放广告作品至目标软件。由于关联广告类型是根据用户在预设时间段内的所有浏览痕迹信息分析出来的，则关联广告类型是用户当前感兴趣的广告类型。因此，按照关联广告类型依次投放不同的待投放广告作品至目标软件，实现了根据用户喜好和需要有针对性的投放广告至应用软件中的目的。然后针对任一待投放广告作品，通过目标软件与该用户互动，并根据用户的互动情况，生成广告互动结果，根据广告互动结果可以有效反映用户当前对各个关联广告类型的喜好程度，进而进一步实现根据用户喜好和需要有针对性的投放广告至应用软件中的目的。最后统计各个关联广告类型的广告互动结果得到统计结果，并将统计结果与用户id绑定。根据统计结果可以直观反映用户当前对各个关联广告类型的喜好程度，进而当用户再次使用应用软件时，则可直接利用统计结果更加精准地投放广告。
附图说明
50.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他相关的附图。
51.图1为本发明实施例提供的一种基于大数据分析的广告精准投放互动方法的流程图；
52.图2为本发明实施例提供的一种构建用户特征画像决策模型的流程图；
53.图3为本发明实施例提供的一种确定关联广告类型的流程图；
54.图4为本发明实施例提供的一种基于大数据分析的广告精准投放互动系统的结构框图；
55.图5为本发明实施例提供的一种电子设备的示意性结构框图。
56.图标：110-目标软件获取模块；120-浏览痕迹信息获取模块；130-用户特征画像决策模型构建模块；140-关联广告类型确定模块；150-待投放广告作品得到模块；160-待投放广告作品投放模块；170-互动模块；180-绑定模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
57.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
58.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
59.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
60.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，若出现术语“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、物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、物品或者设备所固有的要素。在没有更多限制的情况下，若出现由语句“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、物品或者设备中还存在另外的相同要素。
61.在本技术的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方
位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
62.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
63.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
64.实施例
65.请参照图1，图1所示为本发明实施例提供的一种基于大数据分析的广告精准投放互动方法的流程图。本技术实施例提供一种基于大数据分析的广告精准投放互动方法，其包括如下步骤：
66.s110：响应用户的应用软件使用操作，获取目标软件和用户id；
67.示例性的，当用户a打开软件b时，即可得到目标软件为软件b，用户id为用户a。
68.作为本实施例的一种实施方式，在用户使用应用软件之前，需要注册用户身份信息，得到唯一的用户id。
69.s120：基于用户id，获取该用户在预设时间段内的所有浏览痕迹信息；
70.示例性的，对于用户a而言，以用户a本次打开软件b的时间为准，上述预设时间段可以是距离该时间的最近半年。
71.s130：根据所有浏览痕迹信息，构建用户特征画像决策模型；
72.具体的，从用户在预设时间段内的所有浏览痕迹信息中，可以确定用户经常浏览的内容类型和偶尔一两次浏览的内容类型，从而根据用户浏览过的内容类型(例如美食类视频、搞笑类视频、旅游类视频等)，基于大数据分析构建用户特征画像决策模型，用户特征画像决策模型可以反映用户的个人喜好，为确定与该用户相适合的关联广告类型提供数据基础。
73.s140：获取所有广告作品类型，并将所有广告作品类型依次输入至训练好的用户特征画像决策模型中，确定关联广告类型；
74.具体的，训练好的用户特征画像决策模型可以对所有广告作品类型进行依次判断，从而从所有广告作品类型中确定与用户相适合的关联广告类型。其中，训练好的用户特征画像决策模型为训练好的svm模型，svm模型为低耗模型，进而减少了对广告作品类型进行判别的计算资源消耗。
75.s150：基于关联广告类型，在广告作品集中匹配广告作品，得到多个待投放广告作品，其中，多个待投放广告作品的类型包含所有关联广告类型；
76.其中，广告作品集中包含有所有可播出的广告作品。具体的，在广告作品集中查找符合关联广告类型的广告作品作为待投放广告作品，且使选出来的多个待投放广告作品的类型覆盖所有关联广告类型。
77.s160：按照预设时间间隔和关联广告类型，依次投放不同的待投放广告作品至目标软件；
78.具体的，由于关联广告类型是根据用户在预设时间段内的所有浏览痕迹信息分析出来的，则关联广告类型是用户当前感兴趣的广告类型。因此，按照关联广告类型依次投放不同的待投放广告作品至目标软件，实现了根据用户喜好和需要有针对性的投放广告至应用软件中的目的。
79.示例性的，若预设时间间隔为5分钟，关联广告类型为e、d、g三种类型。则在用户使用目标软件的过程中，当用户使用目标软件5分钟后，在用户的浏览界面将插入e类型广告，在该e类型广告播出结束且用户再次使用目标软件5分钟后，在用户的浏览界面将插入d类型广告，从而使得所有关联广告类型的广告都与用户进行了互动，以便于后续进一步对用户的互动情况进行分析。
80.s170：针对任一待投放广告作品，通过目标软件与该用户互动，并根据用户的互动情况，生成广告互动结果；
81.具体的，根据用户与各个关联广告类型的互动情况得到的广告互动结果，可以有效反映用户当前对各个关联广告类型的喜好程度，进而进一步实现根据用户喜好和需要有针对性的投放广告至应用软件中的目的。
82.s180：统计各个关联广告类型的广告互动结果得到统计结果，并将统计结果与用户id绑定。
83.具体的，根据统计结果可以直观反映用户当前对各个关联广告类型的喜好程度，进而当用户再次使用应用软件时，则可直接利用统计结果更加精准地投放广告。
84.请参照图2，图2所示为本发明实施例提供的一种构建用户特征画像决策模型的流程图。在本实施例的一些实施方式中，上述根据所有浏览痕迹信息，构建用户特征画像决策模型的步骤包括：
85.s131：利用svm模型构建用户特征画像决策模型；
86.s132：根据所有浏览痕迹信息，确定已浏览广告类型；
87.s133：获取多个负训练样本和多个正训练样本，负训练样本包括多个与已浏览广告类型不一致的广告作品类型，正训练样本包括多个与已浏览广告类型一致的广告作品类型；
88.s134：利用多个正训练样本和多个负训练样本训练用户特征画像决策模型，得到训练好的用户特征画像决策模型。
89.具体的，首先利用svm模型构建用户特征画像决策模型，由于svm模型属于低耗模型，避免了造成巨大的计算资源消耗。然后根据用户的浏览痕迹信息可以确定用户经常浏览的内容类型和偶尔一两次浏览的内容类型，进而确定已浏览广告类型。以已浏览广告类型为准，人工挑选一批与已浏览广告类型不一致的广告作品类型作为负训练样本，并挑选一批与已浏览广告类型一致的广告作品类型作为正训练样本，然后利用正训练样本和负训练样本进行训练学习，得到训练好的用户特征画像决策模型。
90.请参照图3，图3所示为本发明实施例提供的一种确定关联广告类型的流程图。在本实施例的一些实施方式中，上述将所有广告作品类型依次输入至训练好的用户特征画像决策模型中，确定关联广告类型的步骤包括：
91.s141：将任一广告作品类型输入至训练好的用户特征画像决策模型中进行判别，以得到第一svm模型得分；
92.s142：若第一svm模型得分高于第一预设分数，则认定广告作品类型为关联广告类型，若第一svm模型得分低于第二预设分数，则认定广告作品类型不是关联广告类型；
93.s143：若第一svm模型得分低于第一预设分数且高于第二预设分数，则将该广告作品类型中的多个广告作品按照预设规则进行细化分类，以得到多个细化广告类型；
94.s144：将任一细化广告类型输入至训练好的用户特征画像决策模型中进行判定，得到第二svm模型得分，若第二svm模型得分高于第一预设分数，则认定细化广告类型为关联广告类型，若第二svm模型得分低于第二预设分数，则认定细化广告类型不是关联广告类型；
95.s145：若细化广告类型为关联广告类型的第一数量多于细化广告类型不是关联广告类型的第二数量，则该广告作品类型为关联广告类型，若第一数量低于第二数量，则该广告作品类型不是关联广告类型。
96.上述实现过程中，针对任一广告作品类型，利用训练好的用户特征画像决策模型进行判别，得到第一svm模型得分。如果第一svm模型得分较高，则可以直接认定为关联广告类型，如果第一svm模型得分较低，则可以直接认定为不是关联广告类型。如果第一svm模型得分处于临界状态，则对该广告作品类型中的多个广告作品进行细化分类，然后利用训练好的用户特征画像决策模型对所有细化广告类型进行判别，如果细化广告类型为关联广告类型的第一数量多于细化广告类型不是关联广告类型的第二数量，则该广告作品类型为关联广告类型，反之该广告作品类型不是关联广告类型。从而实现了利用训练好的用户特征画像决策模型对所有广告作品类型进行依次判断，以从所有广告作品类型中确定与用户相适合的关联广告类型的目的。
97.在本实施例的一些实施方式中，上述针对任一待投放广告作品，通过目标软件与该用户互动的步骤之前，该方法还包括：
98.根据待投放广告作品和对应的互动规则构建互动模型，互动模型用于根据互动规则进行互动判别。从而通过互动模型可以对用户的互动操作进行判断。
99.其中，每个待投放广告作品都有相应的互动规则。
100.在本实施例的一些实施方式中，上述针对任一待投放广告作品，通过目标软件与该用户互动，并根据用户的互动情况，生成广告互动结果的步骤包括：
101.响应用户的互动操作，利用互动模型对互动操作进行互动判别识别，得到互动操作与互动规则的匹配度；
102.根据匹配度，得到广告互动结果。
103.上述实现过程中，对于任一待投放广告作品而言，用户的互动操作与互动规则的匹配度越高，表明用户对该待投放广告越感兴趣，从而实现了通过广告互动结果有效反映用户当前对各个关联广告类型的喜好程度的目的。
104.在本实施例的一些实施方式中，上述基于关联广告类型，在广告作品集中匹配广告作品，得到多个待投放广告作品的步骤之前，该方法还包括：
105.实时获取广告作品信息，广告作品信息包括广告作品名称和广告视频；
106.将广告作品信息保存至广告作品集中。从而不仅实时更新了广告作品集，而且也进一步丰富广告作品集中的广告作品。
107.在本实施例的一些实施方式中，上述统计各个关联广告类型的广告互动结果得到
统计结果，并将统计结果与用户id绑定的步骤之后，该方法还包括：
108.当用户再次使用应用软件时，根据用户id，确定对应统计结果；
109.根据统计结果，在广告作品集中调取广告作品进行投放。从而通过统计结果可以进一步实现更加精准投放广告的目的。
110.请参照图4，图4所示为本发明实施例提供的一种基于大数据分析的广告精准投放互动系统的结构框图。本技术实施例提供一种基于大数据分析的广告精准投放互动系统，其包括：
111.目标软件获取模块110，用于响应用户的应用软件使用操作，获取目标软件和用户id；
112.浏览痕迹信息获取模块120，用于基于用户id，获取该用户在预设时间段内的所有浏览痕迹信息；
113.用户特征画像决策模型构建模块130，用于根据所有浏览痕迹信息，构建用户特征画像决策模型；
114.关联广告类型确定模块140，用于获取所有广告作品类型，并将所有广告作品类型依次输入至训练好的用户特征画像决策模型中，确定关联广告类型；
115.待投放广告作品得到模块150，用于基于关联广告类型，在广告作品集中匹配广告作品，得到多个待投放广告作品，其中，多个待投放广告作品的类型包含所有关联广告类型；
116.待投放广告作品投放模块160，用于按照预设时间间隔和关联广告类型，依次投放不同的待投放广告作品至目标软件；
117.互动模块170，用于针对任一待投放广告作品，通过目标软件与该用户互动，并根据用户的互动情况，生成广告互动结果；
118.绑定模块180，用于统计各个关联广告类型的广告互动结果得到统计结果，并将统计结果与用户id绑定。
119.上述实现过程中，该系统响应用户的应用软件使用操作，获取目标软件和用户id。基于用户id，获取该用户在预设时间段内的所有浏览痕迹信息。根据所有浏览痕迹信息，构建用户特征画像决策模型。通过用户特征画像决策模型可以反映用户的个人喜好，为确定与该用户相适合的关联广告类型提供数据基础。然后获取所有广告作品类型，并将所有广告作品类型依次输入至训练好的用户特征画像决策模型中，从而从所有广告作品类型中确定与用户相适合的关联广告类型。基于关联广告类型，在广告作品集中匹配广告作品，得到多个待投放广告作品，其中，多个待投放广告作品的类型包含所有关联广告类型。按照预设时间间隔和关联广告类型，依次投放不同的待投放广告作品至目标软件。由于关联广告类型是根据用户在预设时间段内的所有浏览痕迹信息分析出来的，则关联广告类型是用户当前感兴趣的广告类型。因此，按照关联广告类型依次投放不同的待投放广告作品至目标软件，实现了根据用户喜好和需要有针对性的投放广告至应用软件中的目的。然后针对任一待投放广告作品，通过目标软件与该用户互动，并根据用户的互动情况，生成广告互动结果，根据广告互动结果可以有效反映用户当前对各个关联广告类型的喜好程度，进而进一步实现根据用户喜好和需要有针对性的投放广告至应用软件中的目的。最后统计各个关联广告类型的广告互动结果得到统计结果，并将统计结果与用户id绑定。根据统计结果可以
直观反映用户当前对各个关联广告类型的喜好程度，进而当用户再次使用应用软件时，则可直接利用统计结果更加精准投放广告。
120.请参照图5，图5为本技术实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本技术实施例所提供的一种基于大数据分析的广告精准投放互动系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
121.其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
122.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
123.可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
124.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品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方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。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动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。
125.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
126.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。
而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
127.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
128.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。