商品推荐方法、系统、终端及计算机可读存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及信息技术领域，尤其涉及一种商品推荐方法、系统、终端及计算机可读存储介质。背景技术：2.在个性化精准营销的大背景下，传统的营销模式已经备受挑战，随着企业的数字化转型，传统营销已经无法满足日趋个性化的消费需求，为顺应尽可能多的客户的消费心理，加强用户消费体验，需要运营商打造精准营销能力，提供更加个性化的业务。目前，运营商主要通过客户线上线下历史行为数据，定义客户标签，根据客户标签匹配产品，实现精准营销。然而，随着客户标签的增多，现有运营商推荐系统给客户推荐的内容越来越多，无法精准识别客户当前需求，也无法根据客户所处场景进行推荐排序。技术实现要素：3.本发明的主要目的在于提出一种商品推荐方法、系统、终端及计算机可读存储介质，旨在解决现有运营商给客户推荐的内容越来越多，无法精准识别客户当前需求的问题。4.为实现上述目的，本发明提供一种商品推荐方法，包括步骤：5.根据商品对应的消费特征数据，获取商品的主要营销客群；6.将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值；7.获取当前待推销客户的场景信息；8.根据所述场景信息和商品的场景元素，确定商品的当前目标场景元素和当前目标元素特征；9.根据所述场景元素的权重、所述元素特征的分值、商品的当前目标场景元素和当前目标元素特征，计算商品的当前推荐评分值；10.根据商品的当前推荐评分值，生成所述待推销客户的商品推荐清单。11.可选地，所述将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值的步骤包括：12.对主要营销客群的购买行为数据进行特征提取，获得主要营销客群的购买行为特征；13.将所述购买行为特征输入至已训练的场景挖掘模型中进行场景挖掘，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值。14.可选地，所述商品推荐方法还包括：15.每隔预设时间获取主要营销客群的最新购买行为数据，以对已训练的场景挖掘模型的模型参数进行调整，优化已训练的场景挖掘模型。16.可选地，所述将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值的步骤之前还包括：17.获取主要营销客群的购买行为数据，作为训练正样本，以及获取主要营销客群的未购买行为数据，作为训练负样本；18.根据训练正样本和训练负样本对待训练的场景挖掘模型进行训练，获得已训练的场景挖掘模型。19.可选地，所述将所述购买行为特征输入至已训练的场景挖掘模型中进行场景挖掘，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值的步骤之前还包括：20.对主要营销客群的购买行为特征进行归一化处理；21.所述将所述购买行为特征输入至已训练的场景挖掘模型中进行场景挖掘，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值的步骤包括：22.将所述归一化处理后的购买行为特征输入至已训练的场景挖掘模型中，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值。23.可选地，所述根据商品对应的消费特征数据，获取商品的主要营销客群的步骤包括：24.根据预设特征筛选规则，从商品对应的购买客户的消费特征数据中提取第一客户显著特征；25.根据所述第一客户显著特征，筛选商品的主要营销客群。26.可选地，所述根据商品对应的消费特征数据，获取商品的主要营销客群的步骤包括：27.将商品对应的购买客户的消费特征数据输入至已训练的特征提取模型中，获得第二客户显著特征；28.根据所述第二客户显著特征，筛选商品的主要营销客群。29.为实现上述目的，本发明还提供一种商品推荐系统，所述系统包括：30.客群挖掘模块，用于根据商品对应的消费特征数据，获取商品的主要营销客群；31.场景元素挖掘模块，用于将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值；32.客户场景获取模块，用于获取当前待推销客户的场景信息；33.场景匹配模块，用于根据所述场景信息和商品的场景元素，确定商品的当前目标场景元素和当前目标元素特征；34.推荐评分计算模块，用于根据所述场景元素的权重、所述元素特征的分值、商品的当前目标场景元素和当前目标元素特征，计算商品的当前推荐评分值；35.推荐清单生成模块，用于根据商品的当前推荐评分值，生成所述待推销客户的商品推荐清单。36.为实现上述目的，本发明还提供一种终端，所述终端包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的商品推荐方法的步骤。37.为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的商品推荐方法的步骤。38.本发明提出的一种商品推荐方法、系统、终端及计算机可读存储介质，通过根据商品对应的消费特征数据，获取商品的主要营销客群；将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值；获取当前待推销客户的场景信息；根据所述场景信息和商品的场景元素，确定商品的当前目标场景元素和当前目标元素特征；根据所述场景元素的权重、所述元素特征的分值、商品的当前目标场景元素和当前目标元素特征，计算商品的当前推荐评分值；根据商品的当前推荐评分值，生成所述待推销客户的商品推荐清单。从而基于商品营销客群的场景、场景的权重、场景中的元素以及元素对应的分值的挖掘结果建立的商品推荐清单能够更加符合客户当前所处场景的需求，提高了向用户推荐商品的针对性和准确性。附图说明39.图1是本发明实施例方案涉及的硬件运行环境的结构示意图；40.图2为本发明商品推荐方法第一实施例的流程示意图；41.图3为本发明商品推荐方法第一实施例中步骤s20的细化流程示意图；42.图4为本发明商品推荐方法第二实施例中步骤s10的细化流程示意图；43.图5为本发明商品推荐方法第三实施例中步骤s10的细化流程示意图；44.图6为本发明商品推荐系统的功能模块示意图。45.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式46.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。47.请参照图1，图1为本发明各个实施例中所提供的终端的硬件结构示意图。所述终端包括通信模块01、存储器02及处理器03等部件。本领域技术人员可以理解，图1中所示出的终端还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中，所述处理器03分别与所述存储器02和所述通信模块01连接，所述存储器02上存储有计算机程序，所述计算机程序同时被处理器03执行。48.通信模块01，可通过网络与外部设备连接。通信模块01可以接收外部设备发出的数据，还可发送数据、指令及信息至所述外部设备，所述外部设备可以是手机、平板电脑、笔记本电脑和台式电脑等电子设备。49.存储器02，可用于存储软件程序以及各种数据。存储器02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(将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值)等；存储数据区可存储根据终端的使用所创建的数据或信息等。此外，存储器02可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。50.处理器03，是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器02内的软件程序和/或模块，以及调用存储在存储器02内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。处理器03可包括一个或多个处理单元；优选的，处理器03可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器03中。51.尽管图1未示出，但上述终端还可以包括电路控制模块，电路控制模块用于与市电连接，实现电源控制，保证其他部件的正常工作。52.本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。53.根据上述硬件结构，提出本发明方法各个实施例。54.参照图2，在本发明商品推荐方法的第一实施例中，所述商品推荐方法包括步骤：55.步骤s10，根据商品对应的消费特征数据，获取商品的主要营销客群；56.在本方案中，执行商品推荐方法的终端可以从本地或其它设备获取到购买了商品的客户的消费特征数据，例如，可以从数据库服务器获取到消费特征数据。其中，消费特征数据可以包括客户自身信息和用户对商品的使用行为信息，客户自身信息包括年龄、性别、学历、收入水平等等，用户对商品的使用行为信息包括用户对商品的使用次数、使用频率和使用情况等，例如该商品为业务套餐信息，用户对商品的使用行为信息就为客户对业务套餐的使用情况。执行商品推荐方法的终端从这些消费特征数据中提取出多个显著消费特征，然后根据这些显著特征反推该商品对应的主要营销客户群。例如商品为语音8升18的业务套餐，该业务套餐的显著特征就包括当前客户订购的语音基本模组为8元、客户平时对语音消费需求不高、近三个月有一次以上语音用超且没有用超超过10元以上，具体这些特征的客户就是属于语音8升18的业务套餐对应的主要营销客群。57.步骤s20，将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值；58.在确定商品的主要营销客群后，执行商品推荐方法的终端可以从本地或其它设备获取到主要营销客群购买该商品对应的购买行为数据，例如该购买行为数据包括客户购买该商品的时间和渠道、购买该商品时该商品是否涉及考核、是否有酬金等数据。执行商品推荐方法的终端会基于基于因子分解机算法的已训练的场景挖掘模型从这些主要营销客群的购买行为数据中挖掘中影响客户购买商品的场景元素和场景元素中的元素特征，并为挖掘出的场景元素设置对应的权重和元素特征设置对应的分值。59.如图3所示，步骤s20具体包括以下步骤：60.步骤s21，对主要营销客群的购买行为数据进行特征提取，获得主要营销客群的购买行为特征；61.步骤s22，将所述购买行为特征输入至已训练的场景挖掘模型中进行场景挖掘，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值。62.终端会对获取的主要营销客群的购买行为数据提取主要营销客群的购买行为特征，例如购买了语音8升18的业务套餐的某一用户的购买行为数据是月中时通过线上渠道购买了语音8升18的业务套餐购，那么从这数据中会提取出的购买行为特征为购买时间-月中和购买渠道-线上渠道两个特征。63.终端会将主要营销客群的购买行为特征输入至已训练的场景挖掘模型中，fm(factorization machine，因子分解机)算法是由steffen rendle提出的一种基于矩阵分解的机器学习算法，可进行回归和二分类预测，它的特点是考虑了特征之间的相互作用，是一种非线性模型，fm算法表达式如下：[0064][0065]w0为为偏置项，n代表样本的特征数量，xi是第i个特征的值，wi，wj是模型参数。[0066]已训练的场景挖掘模型会分析这些购买行为特征与用户购买的可能性关联性进行分析，以获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值，其中多个场景元素中场景元素的权重越大代表该场景元素对用户成功购买的关联性越大，权重越小代表该场景元素对用户成工购买的关联性越小，同样对于同一场景元素中多个元素特征值的分值，分值越大代表该元素特征对用户成功购买的关联性越大，分值越小代表该元素特征对用户成工购买的关联性越小。[0067]本实施例中，已训练的场景挖掘模型的训练过程具体为：[0068]步骤s80，获取主要营销客群的购买行为数据，作为训练正样本，以及获取主要营销客群的未购买行为数据，作为训练负样本；[0069]步骤s90，根据训练正样本和训练负样本对待训练的场景挖掘模型进行训练，获得已训练的场景挖掘模型。[0070]终端会获取主要营销客群的购买行为数据作为训练正样本，而训练负样本则是主要营销客群的未购买行为数据，即客户浏览或被推荐了商品但没有购买对于的行为数据，例如客户浏览或被推荐商品的时间、浏览商品所采用的渠道、推荐商品时的推荐渠道、浏览或被推荐商品时该商品是否涉及考核、是否有酬金等数据。终端会通过该场景挖掘模型的预先设置的损失函数，不断将正负样本迭代输入至待训练的场景挖掘模型中，并基于随机梯度下降法迭代求解场景挖掘模型的损失函数达到预先设定的收敛条件的模型参数，预先设定的收敛条件可以为迭代停止次数或损失函数阈值，将达到预先设定的收敛条件时的模型参数作为已训练的场景挖掘模型的最终参数，从而完成场景挖掘模型的训练。[0071]由于不同类型的购买行为特征的差异性，终端提取的购买行为特征直接输入至已训练的场景挖掘模型中，可能会影响模型输出的权重和分值。为了防止不同类型的购买行为特征的差异性对权重和分值的影响，在一实施例中，步骤s22之前还包括：[0072]步骤s23，对主要营销客群的购买行为特征进行归一化处理；[0073]步骤s22包括：[0074]步骤s221，将所述归一化处理后的购买行为特征输入至已训练的场景挖掘模型中，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值。[0075]在终端将所述购买行为特征输入至已训练的场景挖掘模型中进行场景挖掘，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值之前，终端会对提取的主要营销客群的购买行为特征进行归一化处理，获得归一化后的购买行为特征，再将归一化后的购买行为特征作为模型的输入数据，输入至已训练的场景挖掘模型，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值。[0076]为了确保基于挖掘出的场景、场景的权重、场景中的元素以及元素对应的分值进行的推荐能够更加符合客户最新需求，本方法还会对已训练的场景挖掘模型进行实时优化，场景挖掘模型的优化的具体过程包括：[0077]步骤s70，每隔预设时间获取主要营销客群的最新购买行为数据，以对已训练的场景挖掘模型的模型参数进行调整，优化已训练的场景挖掘模型。[0078]终端会每隔预设时间获取主要营销客群的最新购买行为数据，例如，对于话费套餐，可以每隔一个月或半年采集客户的最新购买行为数据，对采集的最新购买行为数据进行分析以提取客户的最新购买行为特征，将最新购买行为特征输入至场景挖掘模型中，以对场景挖掘模型的模型参数进行调整，定时更新的场景挖掘模型。[0079]步骤s30，获取当前待推销客户的场景信息；[0080]步骤s40，根据所述场景信息和商品的场景元素，确定商品的当前目标场景元素和当前目标元素特征；[0081]终端通过前端数据获取当前待推销客户的场景信息，用户所处渠道为线上渠道。终端根据当前待推销客户的场景信息以及场景挖掘模型确定的商品场景元素，确定商品的当前目标场景元素和当前目标元素特征，例如当前时间为4月15日，待推销客户通过app正在浏览商品时，前端会记录该用户的app登录数据，终端会通过该数据就可以确定用户当前的场景信息包括时间为4月15日，那么终端会确定商品的当前目标场景元素包括时间和渠道，并确定当前目标元素特征包括月中和线上渠道。[0082]步骤s50，根据所述场景元素的权重、所述元素特征的分值、商品的当前目标场景元素和当前目标元素特征，计算商品的当前推荐评分值；[0083]步骤s60，根据商品的当前推荐评分值，生成所述待推销客户的商品推荐清单。[0084]终端确定商品当前的目标场景元素和元素特征后，会根据之前场景挖掘模型确定的场景元素的权重和元素特征的分值，查询当前目标场景元素对应的权重和当前元素特征对应的分值，然后将当前目标场景元素对应的权重和当前元素特征对应的分值输入至评分计算公式中计算获得商品的当前推荐评分值，该评分计算公式为c＝w1*z1+w2z2+...+wnzn，其中，wn为商品当前第n个目标场景元素对应的权重，zn为商品当前第n个场景场景元素中的目标元素特征对应的分值。[0085]终端计算每个商品的当前推荐评分值后，会根据商品的当前推荐评分值从高至低依次选择预设数量的商品添加至商品推荐清单中，形成待推销客户的商品推荐清单，该商品推荐清单中各商品的排列顺序是按照各商品的当前推荐评分值的从高至低进行排序。[0086]本实例通过根据商品对应的消费特征数据，获取商品的主要营销客群；将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值；获取当前待推销客户的场景信息；根据所述场景信息和商品的场景元素，确定商品的当前目标场景元素和当前目标元素特征；根据所述场景元素的权重、所述元素特征的分值、商品的当前目标场景元素和当前目标元素特征，计算商品的当前推荐评分值；根据商品的当前推荐评分值，生成所述待推销客户的商品推荐清单，从而基于商品营销客群的场景、场景的权重、场景中的元素以及元素对应的分值的挖掘结果建立的商品推荐清单能够更加符合客户当前所处场景的需求，提高了向用户推荐商品的针对性和准确性。[0087]进一步地，请参照图4，图4为根据本技术商品推荐方法的第一实施例提出本技术商品推荐方法的第二实施例，在本实施例中，步骤s10包括：[0088]步骤s11，根据预设特征筛选规则，从商品对应的购买客户的消费特征数据中提取第一客户显著特征；[0089]步骤s12，根据所述第一客户显著特征，筛选商品的主要营销客群。[0090]本实施例中，终端采集购买客户的消费特征数据后，会对所采集的消费特征数据进行清洗，提取消费特征字段，根据消费特征字段确定消费特征字段所对应的客户特征，例如提取到客户的消费特征字段为月语音用超费为8元，根据用超未超过10元以上的客户特征对应的预设语音用超费范围为0至10元，可以确定该客户的一个特征为用超未超过10元以上。终端提取所有购买客户的所有客户特征，然后根据预设的筛选规则，从客户特征中筛选出多个客户显著特征，例如根据客户特征出现的次数，对提取的客户特征进行排序，从排序中选择排名大于预设名次的客户特征，作为第一客户显著特征，又例如根据各类客户特征对应的预设权重，将各客户特征对应的预设权重与该客户特征出现的次数乘积作为该客户特征的显著分值，然后根据分值对客户特征进行排序，从排序中选择排名大于预设名次的客户特征，作为第一客户显著特征。终端获得第一客户显著特征，筛选出具有这些第一客户显著特征的客户，形成商品的主要营销客群。[0091]本实施例通过采用人为设定的筛选规则，能够更准确地提取客户显著特征，从而根据客户显著特征确定商品的主要营销客户群更精准。[0092]进一步地，请参照图5，图5为根据本技术商品推荐方法的第一实施例提出本技术商品推荐方法的第三实施例，在本实施例中，步骤s10包括：[0093]步骤s13，将商品对应的购买客户的消费特征数据输入至已训练的特征提取模型中，获得第二客户显著特征；[0094]步骤s14，根据所述第二客户显著特征，筛选商品的主要营销客群。[0095]本实施例中，在终端中设置有已训练的特征提取模型，该特征提取模型为基于机器学习的分类算法的模型，例如lr，决策树，随机森林等算法。终端采集购买客户的消费特征数据后，将购买客户的消费特征数据输入已训练的特征提取模型中，已训练的特征提取模型会自动提取第二客户显著特征。终端获得第二客户显著特征，筛选出具有这些第二客户显著特征的客户，形成商品的主要营销客群。[0096]需要说明的是，特征提取模型的训练样本包括将购买商品的所有客户的特征数据中提取的客户特征作为正样本和将从未购买该商品的所有客户的特征数据中提取的客户特征作为负样本；然后将基于正负样本对特征提取模型进行训练。[0097]本实施例通过采用机器算法模型能够更快速地提取客户显著特征，从而更快速地确定商品的主要营销客户群，提高了整个工作效率。[0098]参见图6，本发明还提供一种商品推荐系统，包括：[0099]客群挖掘模块10，用于根据商品对应的消费特征数据，获取商品的主要营销客群；[0100]场景元素挖掘模块20，用于将所述主要营销客群的购买行为数据输入至已训练的场景挖掘模型中进行场景挖掘，以获得商品的场景元素、场景元素的权重、场景元素的元素特征和元素特征的分值；[0101]客户场景获取模块30，用于获取当前待推销客户的场景信息；[0102]场景匹配模块40，用于根据所述场景信息和商品的场景元素，确定商品的当前目标场景元素和当前目标元素特征；[0103]推荐评分计算模块50，用于根据所述场景元素的权重、所述元素特征的分值、商品的当前目标场景元素和当前目标元素特征，计算商品的当前推荐评分值；[0104]推荐清单生成模块60，用于根据商品的当前推荐评分值，生成所述待推销客户的商品推荐清单。[0105]进一步，所述场景元素挖掘模块20，包括：[0106]第一特征提取单元21，用于对主要营销客群的购买行为数据进行特征提取，获得主要营销客群的购买行为特征；[0107]场景元素挖掘单元22，用于将所述购买行为特征输入至已训练的场景挖掘模型中进行场景挖掘，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值。[0108]进一步，所述商品推荐系统还包括：[0109]优化模块70，用于每隔预设时间获取主要营销客群的最新购买行为数据，以对已训练的场景挖掘模型的模型参数进行调整，优化已训练的场景挖掘模型。[0110]进一步，所述商品推荐系统还包括：[0111]训练样本获取模块80，用于获取主要营销客群的购买行为数据，作为训练正样本，以及获取主要营销客群的未购买行为数据，作为训练负样本；[0112]训练模块90，用于根据训练正样本和训练负样本对待训练的场景挖掘模型进行训练，获得已训练的场景挖掘模型。[0113]进一步，所述场景元素挖掘模块20，还包括：[0114]归一化单元23，用于对主要营销客群的购买行为特征进行归一化处理；[0115]场景元素挖掘单元22，还用于将所述归一化处理后的购买行为特征输入至已训练的场景挖掘模型中，获得商品的场景元素、场景元素的权重、场景元素的元素特征以及元素特征的分值。[0116]进一步，客群挖掘模块10包括：[0117]第二特征提取单元11，用于根据预设特征筛选规则，从商品对应的购买客户的消费特征数据中提取第一客户显著特征；[0118]第一客群挖掘单元12，用于根据所述第一客户显著特征，筛选商品的主要营销客群。[0119]进一步，客群挖掘模块10包括：[0120]第三特征提取单元13，用于将商品对应的购买客户的消费特征数据输入至已训练的特征提取模型中，获得第二客户显著特征；[0121]第二客群挖掘单元14，用于根据所述第二客户显著特征，筛选商品的主要营销客群。[0122]本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图1的终端中的存储器02，也可以是如rom(read-only memory，只读存储器)/ram(random access memory，随机存取存储器)、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干信息用以使得终端执行本发明各个实施例所述的方法。[0123]需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。[0124]上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。[0125]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。[0126]以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!