潛在用戶預測轉化方法及裝置與流程

本發明實施例涉及數據處理技術領域，尤其涉及一種潛在用戶預測轉化方法及裝置。

背景技術：

隨著社會的不斷發展，通過o2o(onlinetooffline，線上到線下)平臺辦理業務的用戶也越來越多。很多商家都推出了自己的app(application，應用程序)平臺，用戶通過在相關app上注冊，成為該app的注冊用戶，該注冊用戶就可以在該app上下單，如訂購外賣、買衣服或食品等等。因此，對應商家而言，如何將眾多潛在的普通用戶拉新為該商家的注冊用戶，及將商家的注冊用戶轉化為下單用戶，完成用戶在商家平臺上的消費過程，成為商家亟待解決的問題。

相關技術中，通常采用基于規則的潛在用戶篩選方式，即使用統計方法，通過分析平臺中已有的用戶數據，提取出這些用戶數據中的被認為比較重要的一些主要特征，并通過這些主要特征從潛在用戶群體中篩選出拉新用戶。然而，相關技術中，由于過度依賴先驗知識，通過簡單的篩選方式得到的篩選結果不夠準確，導致篩選出的拉新用戶很可能轉化率不高，進而增加商家的轉化成本。

技術實現要素：

為克服相關技術中，由于過度依賴先驗知識，通過簡單的篩選方式得到的篩選結果不夠準確，導致篩選出的拉新用戶很可能轉化率不高，進而增加商家的轉化成本的問題，本發明實施例提供一種潛在用戶預測轉化方法及裝置。

根據本發明實施例的第一方面，提供一種潛在用戶預測轉化方法，包括：

獲取潛在用戶中每一用戶的畫像數據；

提取所述畫像數據中的目標特征；

獲取預設轉化概率；

根據所述目標特征，通過預設分類模型計算所述潛在用戶中每一用戶的轉化概率；

將所述潛在用戶中轉化概率大于預設轉化概率的用戶作為目標用戶。

根據本發明實施例的第二方面，提供一種潛在用戶預測轉化裝置，包括：

畫像數據獲取模塊，用于獲取潛在用戶中每一用戶的畫像數據；

第一目標特征提取模塊，用于提取所述畫像數據中的目標特征；

轉化概率計算模塊，用于根據所述目標特征，通過預設分類模型計算所述潛在用戶中每一用戶的轉化概率；

預設轉化概率獲取模塊，用于獲取預設轉化概率；

目標用戶確定模塊，用于將所述潛在用戶中轉化概率大于預設轉化概率的用戶作為目標用戶。

本發明的實施例提供的技術方案可以包括以下有益效果：

本發明實施例中提供的潛在用戶預測轉化方法，通過獲取潛在用戶中每一用戶的畫像數據，將畫像數據中提取的目標特征通過預設分類模型計算出潛在用戶中，每一用戶的轉化概率，獲取預設轉化概率，將轉化概率大于預設轉化概率的用戶作為目標用戶。這樣以便將得到的目標用戶線上拉新，在滿足轉化成本的情況下，最大程度的將目標用戶轉化為轉化用戶。避免相關技術中，通過簡單的篩選方式得到的篩選結果不夠準確，導致篩選出的拉新用戶很可能轉化率不高，進而出現增加商家的轉化成本的問題。

應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本發明實施例。

附圖說明

此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本發明的實施例，并與說明書一起用于解釋本發明實施例的原理。

圖1是根據本發明一示例性實施例示出的一種潛在用戶預測轉化方法的流程示意圖；

圖2是根據本發明一示例性實施例示出的一種潛在用戶預測轉化方法的流程圖；

圖3是根據本發明一示例性實施例示出的圖2中步驟s240的流程圖；

圖4是根據本發明一示例性實施例示出的一種潛在用戶預測轉化方法的流程圖；

圖5是根據本發明一示例性實施例示出的一種潛在用戶預測轉化方法的流程圖；

圖6是根據本發明一示例性實施例示出的一種潛在用戶預測轉化裝置的結構示意圖；

圖7是圖6中轉化概率計算模塊的示意圖；

圖8是圖6中預設轉化概率獲取模塊的示意圖；

圖9是根據本發明一示例性實施例示出的一種潛在用戶預測轉化裝置的結構示意圖；

圖10是圖7中目標特征獲取子模塊的示意圖；

圖11是圖7中目標權重獲取子模塊的示意圖。

具體實施方式

這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本發明實施例相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本發明實施例的一些方面相一致的裝置和方法的例子。

由于相關技術中，過度依賴先驗知識，通過簡單的篩選方式得到的篩選結果不夠準確，導致篩選出的拉新用戶很可能轉化率不高，進而增加商家轉化成本的問題，本發明實施例提供了一種潛在用戶預測方法，參見圖1，可以包括三部分，一是調用歷史數據訓練預設分類模型；二是調用預設分類模型預測新的潛在用戶轉化概率，并將轉化概率較高且符合轉化成本的線上拉新處理；三是獲取拉新后潛在用戶的拉新轉化率，將轉化的用戶作為正樣本，未轉化的用戶作為負樣本，對預設分類模型訓練，優化該預設訓練模型，以便提高調用預測訓練模型得到的潛在用戶轉化概率的正確性。

首先，調用歷史數據訓練預設分類模型。

這里的預設分類模型，可以是調用已有的分類模型，如dnn(deepneuralnetworks，深層神經網絡)模型、邏輯回歸模型等等，本發明實施例中采用邏輯回歸模型，但本發明實施例中不限于此。

實施例中的歷史數據可以基于某類特定用戶的數據，例如百度外賣業務中，建立全面的用戶畫像數據，并將畫像數據中信息不完整或存在異常信息的畫像數據去除，按照是否為當前o2o業務的用戶，將用戶分為：歷史用戶和未轉化用戶。歷史用戶為有通過該o2o業務下單記錄的用戶等，未轉化用戶可以是沒有通過該o2o業務產生下單記錄的用戶等。

在獲取到歷史數據中用戶的全面畫像數據后，由于該畫像數據中可能包括用戶眾多的特征數據，而有些特征數據可以是代表用戶的顯著特征，比較重要；而有些特征數據在對用戶的轉化概率預測時，不是很重要。因此，需要提取出該畫像數據中的用戶的目標特征，該目標特征為用戶的較為重要的特征數據。例如，目標特征可以是用戶的性別、年齡、人生階段、資產狀況、所在行業、教育水平、興趣愛好及常訪問地等中的一項或多項組合，可以根據實際的需要而定，本發明實施例中不限于此。

另外，在提取出用戶畫像數據中的目標特征后，對應存在多個特征值的目標特征，還需要將這些目標特征進一步展開，示例性的，將教育水平具體展開為：高中、大專和本科及以上學歷等三個特征。并且還可以將目標特征做歸一化處理，將其映射到0～1之間，最終得到目標特征序列f＝{f1，f2，f3，…fi…，fk}，其中，i、k均為正整數，k大于i。

在將用戶畫像數據中提取的目標特征處理完成后，就可以調用該目標特征對預設分類模型進行訓練。從歷史用戶中隨機提取部分用戶，并將該部分用戶的目標特征數據作為正樣本(如n個)；從未轉化用戶中隨機抽取部分用戶，將該部分用戶的目標特征數據作為負樣本(如m個，其中，m與n大小相當)。本發明實施例中調用邏輯回歸算法，通過正、負樣本訓練得到一組目標特征的權重，如w＝{w1，w2，w3…，wi，…，wk}。

獲取歷史用戶中剩余用戶的目標特征數據，及未轉化用戶中剩余用戶的目標特征數據，計算這些用戶的轉化概率，對邏輯回歸模型中的參數進行調整，以便優化該邏輯回歸模型。

其次，調用預設分類模型預測新的潛在用戶轉化概率，并將轉化概率較高且符合轉化成本的線上拉新處理。

在通過上述歷史用戶數據訓練出預設分類模型之后，該獲取到新的潛在用戶，通過上述方式提出該潛在用戶的目標特征之后，就可以調用預設分類模型計算出潛在用戶的用戶轉化概率，示例性的，在預設分類模型為邏輯回歸模型時，分別獲取每一目標特征中的目標特征值和目標權重，通過下述公式(1)來計算潛在用戶的用戶轉化概率：

其中，pscored為轉化概率；wi為第i個目標特征對應權重；fi為第i個目標特征對應的目標特征值；i為正整數；e為常數。

如果潛在用戶為多個，可以按照轉化概率(0～1)，以0.1為間隔將潛在用戶分為10檔，即：a1[0.9～1]，a2[0.8～0.9)，a3[0.7～0.8)，…，a10[0.1～0.2)。

可以計算各組對應的轉化成本，如果對轉化成本有要求，那么可以計算上述每組用戶轉化概率對應的轉化成本，由于用戶轉化概率越高，用戶轉化成本越低，反之用戶轉化成本越高。因此，在有最高用戶轉化成本要求的情況下，計算該最高用戶轉化成本對應的目標用戶轉化概率，將大于該目標用戶轉化概率對應的潛在用戶線上拉新，其余不大于該目標用戶轉化概率的潛在用戶不做線上拉新處理，避免用戶轉化成本高于最高用戶轉化成本。

最后，獲取拉新后潛在用戶的拉新轉化率，將轉化的用戶作為正樣本，未轉化的用戶作為負樣本，對預設分類模型訓練，優化該預設訓練模型，以便提高通過預測訓練模型得到的潛在用戶轉化概率的正確性。

由于前述計算出的潛在用戶轉化概率畢竟是對用戶轉化概率的預測，可能與實際的用戶轉化率有差異。因此，在將潛在用戶上線拉新后，獲取潛在用戶的實際用戶轉化率，如果該實際用戶轉化率與之前預測的用戶轉化概率有差異，可以將拉新后的潛在用戶中轉化的用戶作為正樣本，將拉新后為轉化的用戶作為負樣本，對預設分類模型訓練，以優化該預設分類模式，使得通過該預設分類模型預測的用戶轉化概率與實際的用戶轉化概率更接近，提高其正確性。

由于用于計算用戶轉化概率的預設分類模型訓練是一個需要依賴線上反饋不斷迭代，因此，示例性的，a1組(n1個用戶)推送拉新后，轉化用戶s1，未轉化用戶n1-s1。將s1個轉化用戶隨機作為預設分類模型的正樣本，將n1-s1個未轉化用戶隨機作為預設分類模型的負樣本，并去除預設分類模型中，與新增這些正、負樣本重復的樣本。

為了詳細闡述上述各部分的執行流程，結合圖1及上述實施例，在本發明提供的又一實施例中，提供了一種潛在用戶預測方法，可以應用在服務器中，如圖2所示，該方法可以包括如下步驟：

在步驟s210中，獲取潛在用戶中每一用戶的畫像數據。

潛在用戶一般為多個，可以為潛在用戶中的每個用戶預先建立全面的畫像數據，如用戶的性別、年齡、受教育程度、消費習慣等等。當然，如果潛在用戶中只有一個用戶，那么直接獲取該用戶的畫像數據。

在步驟s220中，提取畫像數據中的目標特征。

由于用戶的畫像數據中，一般包括多個用戶特征，可以針對當前的o2o平臺中的具體業務，根據需要，從用戶的畫像數據中，提取較為重要的特征數據，即目標特征。

在步驟s230中，根據目標特征，通過預設分類模型計算潛在用戶中每一用戶的轉化概率。

結合上述實施例，在提取到用戶的目標特征之后，分別獲取與每一目標特征相對應的目標特征值、目標權重，就可以通過上述實施例中公式(1)來計算潛在用戶中每一用戶的轉化概率，詳細可以參加上述實施例，這里不再贅述。

在步驟s240中，獲取預設轉化概率。

在步驟s250中，將潛在用戶中轉化概率大于預設轉化概率的用戶作為目標用戶。

由于在將潛在用戶轉化為轉化用戶的過程中，需要將潛在用戶線上拉新處理等，需要投入一定的成本。由于轉化概率越低，用戶的轉化成本越高，因此，在低于最高轉化成本的情況下，可以將計算得到的用戶轉化概率較高的潛在用戶作為目標用戶，即用戶轉化概率大于預設轉化概率的用戶作為目標用戶，將該目標用戶線上拉新等處理，以便在滿足成本的情況下最大程度的將目標用戶轉化為轉化用戶。

本發明實施例中提供的潛在用戶預測轉化方法，通過獲取潛在用戶中每一用戶的畫像數據，將畫像數據中提取的目標特征通過預設分類模型計算出潛在用戶中，每一用戶的轉化概率，將轉化概率大于預設轉化概率的用戶作為目標用戶。這樣以便將得到的目標用戶線上拉新，在滿足轉化成本的情況下，最大程度的將目標用戶轉化為轉化用戶。避免相關技術中，通過簡單的篩選方式得到的篩選結果不夠準確，導致篩選出的拉新用戶很可能轉化率不高，進而出現增加商家的轉化成本的問題。

另外，在本發明提供的又一實施例中，圖2中步驟s230還可以包括如下步驟：

步驟s231、分別獲取與目標特征相對應的目標特征值、目標權重。

步驟s232、通過上述實施例中公式(1)的邏輯回歸模型計算潛在用戶的轉化概率。

由于在上述實施例中已有較為詳細的闡述，為了保持實施例中文字簡潔，詳細可以參見上述實施例中的相關描述，這里不再贅述。

為了詳細闡述如何設置上述的預設轉化概率，作為圖2方法的細化，在本發明的另一實施例中，如圖3所示，步驟s240還可以包括如下步驟：

在步驟s241中，獲取轉化潛在用戶的預設轉化成本。

由于在將潛在用戶轉化為轉化用戶時，需要線上拉新，都需要一定的成本，這里的預設轉化成本為商家可以接受的最高用戶轉化成本，可以根據需要進行設定。

在步驟s242中，計算在潛在用戶的轉化成本等于預設轉化成本時的第一轉化概率。

在步驟s243中，將第一轉化概率作為預設轉化概率。

由于用戶轉化率越高，商家付出的轉化成本越低；反之，商家付出的轉化成本越高。因此，可以計算在用戶的轉化成本為最高轉化成本(即預設轉化成本)時對應的轉化概率(即第一轉化概率)。則第一轉化概率即為預設轉化概率。

作為圖2方法的細化，在本發明的另一實施例中，如圖4所示，該方法還可以包括如下步驟：

在步驟s201中，向所述目標用戶發送注冊邀請請求消息。

本發明實施例中的向目標用戶發送注冊邀請請求消息，是指通過各種宣傳、激勵等手段，為o2o平臺爭取新用戶，即將潛在用戶轉化為注冊用戶。本發明實施例中的轉化，是指通過特定手段，命中目標用戶，使得目標用戶在o2o平臺完成消費過程。

在步驟s202中，獲取所述目標用戶中的注冊用戶和未注冊用戶。

本發明實施例中，很多時候受限于用戶轉化成本，需要將計算得到轉化概率較高的潛在用戶作為目標用戶線上拉新。因此，線上拉新后的目標用戶有一部分會轉化為o2o平臺的注冊用戶，即成為轉化用戶，目標用戶中剩下的為未轉化用戶，即為注冊用戶。

在步驟s203中，將轉化用戶中提取的目標特征作為正樣本，將未轉化用戶中提取的目標特征作為負樣本。

在步驟s204中，通過所述正樣本和所述負樣本對原始分類模型訓練，得到所述預設分類模型。

將目標用戶中從轉化用戶提取的目標特征作為預設分類模型的正樣本，將目標用戶中從未轉化的用戶提取的目標特征作為負樣本，通過不斷的將上述線上拉新后得到的正、負樣本對預設分類模型訓練的過程，也是對預設分類模型不斷優化的過程，使得通過預設分類模型計算出潛在用戶的轉化概率準確度越來越高。

在本發明提供的又一實施例中，如圖5所示，上述步驟s231還可以包括如下步驟：

在步驟s2311中，分別獲取歷史轉化用戶、歷史未轉化用戶的畫像數據。

在步驟s2312中，分別提取歷史轉化用戶、歷史未轉化用戶畫像數據中的目標特征。

在步驟s2313中，將歷史轉化用戶中的目標特征作為正樣本，將歷史未轉化用戶中的目標特征作為負樣本。

在步驟s2314中，通過正樣本和負樣本對預設分類模塊訓練，分別得到目標特征對應的目標特征值和目標權重。

在本實施例中，通過獲取歷史用戶的畫像數據，將歷史轉化用戶作為正樣本，將歷史畫像數據中的未轉化用戶作為負樣本，對預設分類模型進行訓練，以便后續過程中將潛在用戶通過該預設分類模型計算出用戶轉化概率。由于該部分已在上述實施例中有詳細的闡述，詳細參見上述實施例中相關部分的描述，這里不再贅述。

本發明實施例中提供的潛在用戶預測轉化方法，通過獲取潛在用戶中每一用戶的畫像數據，將畫像數據中提取的目標特征通過預設分類模型計算出潛在用戶中，每一用戶的轉化概率，將轉化概率大于預設轉化概率的用戶作為目標用戶。這樣以便將得到的目標用戶線上拉新，在滿足轉化成本的情況下，最大程度的將目標用戶轉化為轉化用戶。避免相關技術中，通過簡單的篩選方式得到的篩選結果不夠準確，導致篩選出的拉新用戶很可能轉化率不高，進而出現增加商家的轉化成本的問題。并且由于本發明實施例中采用邏輯回歸算法，能夠量化潛在用戶的轉化概率，便于線上精細化定向推送和轉化的開展。同時，不斷收集線上反饋，迭代模型，不斷提高潛在用戶轉化率預測的準確率。從總體上能夠更有效監控成本和收益，提升線上拉新的轉化率。

通過以上的方法實施例的描述，所屬領域的技術人員可以清楚地了解到本發明實施例可借助軟件加必需的通用硬件平臺的方式來實現，當然也可以通過硬件，但很多情況下前者是更佳的實施方式。基于這樣的理解，本發明實施例的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：只讀存儲器(rom)、隨機存取存儲器(ram)、磁碟或者光盤等各種可以存儲程序代碼的介質。

另外，作為對上述各實施例的實現，本發明實施例還提供了一種潛在用戶預測轉化裝置，該裝置位于服務器中，如圖6所示，該裝置包括：

畫像數據獲取模塊10，用于獲取潛在用戶中每一用戶的畫像數據；

第一目標特征提取模塊20，用于提取所述畫像數據中的目標特征；

轉化概率計算模塊30，用于根據所述目標特征，通過預設分類模型計算所述潛在用戶中每一用戶的轉化概率；

預設轉化概率獲取模塊40，用于獲取預設轉化概率；

目標用戶確定模塊50，用于將所述潛在用戶中轉化概率大于預設轉化概率的用戶，作為目標用戶。

在本發明又一實施例中，基于圖6，如圖7所示，所述轉化概率計算模塊30，包括：

目標特征獲取子模塊31，用于獲取與所述目標特征相對應的目標特征值；

目標權重獲取子模塊32，用于獲取與所述目標特征相對應的目標權重；

轉化概率計算子模塊33，用于調用邏輯回歸模型計算所述潛在用戶的轉化概率：

該邏輯回歸模型為：

其中，pscored為轉化概率；wi為第i個目標特征對應權重；fi為第i個目標特征對應的目標特征值；i為正整數；e為常數。

在本發明又一實施例中，基于圖6，如圖8所示，所述預設轉化概率獲取模塊40，

預設轉化成本獲取子模塊41，用于獲取轉化所述潛在用戶的預設轉化成本；

轉化概率計算子模塊42，用于計算在所述潛在用戶的轉化成本等于所述預設轉化成本時的第一轉化概率；

預設轉化概率確定子模塊43，用于將所述第一轉化概率作為所述預設轉化概率。

在本發明又一實施例中，基于圖6，如圖9所示，該裝置還包括：

注冊邀請請求消息發送模塊81，用于向所述目標用戶發送注冊邀請請求消息；

用戶獲取模塊82，用于獲取所述目標用戶中的注冊用戶和未注冊用戶；

第一正樣本確定模塊83，用于將所述轉化用戶中提取的目標特征作為所述預設分類模型的正樣本；

第一負樣本確定模塊84，用于將所述未轉化用戶中提取的目標特征作為所述預設分類模型的負樣本；

第一訓練模塊85，用于通過所述正樣本和所述負樣本對所述預設分類模型訓練。

在本發明又一實施例中，基于圖7，如圖10所示，所述目標特征獲取子模塊31，包括：

歷史畫像數據獲取子模塊311，用于分別獲取歷史轉化用戶、歷史未轉化用戶的畫像數據；

第二目標特征提取子模塊312，用于分別提取所述歷史轉化用戶、所述歷史未轉化用戶畫像數據中的目標特征；

基于圖7，如圖11所示，所述目標權重獲取子模塊32，包括：

第二正樣本確定子模塊321，用于將所述歷史轉化用戶中的目標特征作為正樣本；

第二負樣本確定子模塊322，用于將所述歷史未轉化用戶中的目標特征作為負樣本；

第二訓練子模塊323，用于通過所述正樣本和所述負樣本對所述預設分類模塊訓練，分別得到所述目標特征對應的目標特征值和目標權重。

關于上述實施例中的裝置，其中各個模塊執行操作的具體方式已經在有關該方法的實施例中進行了詳細描述，此處將不做詳細闡述說明。

本發明實施例中提供的潛在用戶預測轉化裝置，通過獲取潛在用戶中每一用戶的畫像數據，將畫像數據中提取的目標特征通過預設分類模型計算出潛在用戶中，每一用戶的轉化概率，將轉化概率大于預設轉化概率的用戶作為目標用戶。這樣以便將得到的目標用戶線上拉新，在滿足轉化成本的情況下，最大程度的將目標用戶轉化為轉化用戶。避免相關技術中，通過簡單的篩選方式得到的篩選結果不夠準確，導致篩選出的拉新用戶很可能轉化率不高，進而出現增加商家的轉化成本的問題。并且由于本發明實施例中采用邏輯回歸算法，能夠量化潛在用戶的轉化概率，便于線上精細化定向推送和轉化的開展。同時，不斷收集線上反饋，迭代模型，不斷提高潛在用戶轉化率預測的準確率。從總體上能夠更有效監控成本和收益，提升線上拉新的轉化率。

可以理解的是，本發明實施例可用于眾多通用或專用的計算系統環境或配置中。例如：個人計算機、服務器計算機、手持設備或便攜式設備、平板型設備、多處理器系統、基于微處理器的系統、置頂盒、可編程的消費電子設備、網絡pc、小型計算機、大型計算機、包括以上任何系統或設備的分布式計算環境等等。

本發明實施例可以在由計算機執行的計算機可執行指令的一般上下文中描述，例如程序模塊。一般地，程序模塊包括執行特定任務或實現特定抽象數據類型的例程、程序、對象、組件、數據結構等等。也可以在分布式計算環境中實踐本發明實施例，在這些分布式計算環境中，由通過通信網絡而被連接的遠程處理設備來執行任務。在分布式計算環境中，程序模塊可以位于包括存儲設備在內的本地和遠程計算機存儲介質中。

需要說明的是，在本文中，諸如“第一”和“第二”等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。

本領域技術人員在考慮說明書及實踐這里公開的發明實施例后，將容易想到本發明實施例的其它實施方案。本申請旨在涵蓋本發明實施例的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本發明實施例的一般性原理并包括本發明實施例未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本發明實施例的真正范圍和精神由下面的權利要求指出。

應當理解的是，本發明實施例并不局限于上面已經描述并在附圖中示出的精確結構，并且可以在不脫離其范圍進行各種修改和改變。本發明實施例的范圍僅由所附的權利要求來限制。