支持偏好度动态修正的Web服务选择方法

摘要

本发明公开了支持偏好度动态修正的Web服务选择方法，属于服务选择的技术领域，根据用户需求详细信息的类型采用相应过滤规则对服务提供商提供的服务列表进行剪枝得到Skyline服务集，结合用户对所选服务的期望偏好度并采用加权相对熵对Skyline服务集排序得到服务排序列表，根据用户所选服务在服务排序列表中的排名动态修正用户对所选服务的期望偏好度并更新服务排序列表。本发明解决了大规模服务集上服务选择效率低下以及服务选择中用户偏好度设定困难、动态迁移等问题，优化了服务选择过程，为用户偏好度设定给予指导，使用户偏好度的设定更为合理和方便，为服务选择提供了一种有力的方法和工具。

说明书

技术领域

本发明公开了支持偏好度动态修正的Web服务选择方法，属于服务选择的技 术领域。

背景技术

在全球经济一体化和信息化进程向纵深推进的背景下，软件与信息技术服务 业加快向网络化、服务化、体系化和融合化方向演进。信息服务是指以开发和利 用信息资源为基础，运用电子信息技术对相关知识单元进行采集、加工和利用等， 为用户的服务提供新的序列化的知识单元，其可看做是诸多具体服务形式高层次 的抽象与凝练。所谓服务选择即是根据用户的需求以某种方式从具有相同或相似 功能属性却具有不同非功能属性的候选服务集中选取所需服务，为进一步使用服 务提供决策。

然而随着互联网的普及及其相关技术的发展，网络中可用服务数量和服务属 性维度呈现大规模化和多样化的特征。面对网络中日益增多服务，服务请求者进 行服务选择的过程变得越来越复杂。与此同时，用户得到的体验也得到不断的革 新，用户观念由传统被动的服务选择想满足自身个性化需求到主动的服务选择方 式进行转变。因此如何从大规模的候选服务集中进行高效、个性化的服务选择成 为亟需解决的问题。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了支持偏好度 动态修正的Web服务选择方法，考虑偏好需求的支配规则用以缩减候选服务集， 动态更新偏好度并根据偏好度进行服务排名，解决了大规模、复杂网络环境下如 何提高服务选择效率以及服务选择中用户偏好度设定困难、动态迁移的技术问题。

本发明为实现上述发明目的采用如下技术方案：

支持偏好度动态修正的Web服务选择方法，

根据用户需求详细信息的类型对服务提供商提供的服务列表进行剪枝得到 Skyline服务集；

结合用户对所选服务的期望偏好度并采用加权相对熵对Skyline服务集排序 得到服务排序列表；

根据用户所选服务在服务排序列表中的排名动态修正用户对所选服务的期 望偏好度并更新服务排序列表。

作为所述支持偏好度动态修正的Web服务选择方法的进一步优化方案，根据 用户需求详细信息的类型对服务提供商提供的服务列表进行剪枝得到Skyline服 务集的方法为：

在用户非功能型需求为数值型时，采用数值型偏好支配规则过滤服务列表： 当服务S_i的每一维属性与期望服务对应维度属性之差小于或等于服务S_j的每一 维属性与期望服务对应维度属性之差，且服务S_i至少有一维属性与期望服务相同 维度上的属性之差小于服务S_j每一维属性与期望服务对应维度属性之差时，服 务S_i被认为在QoS空间上偏好支配服务S_j；

在用户非功能型需求为区间型时，采用区间型偏好支配规则过滤服务列表： 当服务S_m每一维属性的需求匹配度大于或等于用户在服务S_n对应维度属性的需 求匹配度，且服务S_m至少有一维属性的需求匹配度大于服务S_n各维属性的需求 匹配度时，服务S_m被认为在QoS空间上偏好支配服务S_n。

更进一步的，所述支持偏好度动态修正的Web服务选择方法中，采用Jaccard  coefficient计算服务各维属性的需求匹配度J(I₁,I₂)，I₁为服 务属性的需求区间，I₂为服务质量区间。

进一步的，作为所述支持偏好度动态修正的Web服务选择方法的进一步优化 方案，根据用户所选服务在服务排序列表中的排名动态修正用户对所选服务的期 望偏好度的方法包括如下步骤：

A.抓取用户所选服务在服务序列表中排名前后的数个服务构成服务集合；

B.建立服务集合各属性维度与期望服务各属性维度的距离矩阵，距离矩阵的 第i行向量为服务集合与期望服务在第i维属性的差异度；

C.比较第i行向量中各元素确定用户所选服务与期望服务在第i维属性的差 异度在第i行向量中的位置pos(i)；

D.根据用户所选服务与期望服务在第i维属性的差异度在第i行向量中的位 置pos(i)引入正向修正因子负向修正因子得到偏好度修正函数：

${\mathrm{pd}}_i^{\prime }=\left(\begin{array}{cc}{\mathrm{pd}}_i+H_i^{+}\mathrm{\Delta pd}={\mathrm{pd}}_i+\frac{(n-\mathrm{pos}\left(i\right))}{\underset{1\le i\le d}{\Sigma }(n-\mathrm{pos}\left(i\right))}\times \underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}& \mathrm{pos}\left(i\right)<n\\ {\mathrm{pd}}_i-H_i^{-}\mathrm{\Delta pd}={\mathrm{pd}}_i-\frac{\left(\mathrm{pos}\left(i\right)-n\right)}{\underset{1\le i\le d}{\Sigma }(\mathrm{pos}\left(i\right)-n)}\times \underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}& \mathrm{pos}\left(i\right)>n\end{array}\right)$以修正用户 对所选服务各维属性的期望偏好度，其中，

pd_i、pd_i'为用户对所选服务第i维属性的期望偏好度及其修正值，Δpd为修 正基本单位，n为用户所选服务在服务排序列表中个排名，d为属性维数，Δi为 用户对所选服务第i维属性的期望偏好度pd_di与当前偏好度pd_ci之间的差异， Δi＝pd_di-pd_ci，当且仅当pd_di>pd_ci时Δi>0；

E.由用户对所选服务各维属性的期望偏好度修正值更新服务排名列表，在用 户所选服务处于服务排名列表的非首位时返回步骤A，否则，停止修正用户对所 选服务的期望偏好度。

再进一步的，所述支持偏好度动态修正的Web服务选择方法步骤C中，用 户所选服务与期望服务在第i维属性的差异度由表达式： $C_i(S,S_e)=|S.q_i\log \frac{S·q_i}{S·q_i}+(1-S.q_i)\log \frac{1-S.q_i}{1-S_e.q_i}|$确定，C_i(S,S_e)为用户所选服务与期 望服务在第i维属性的差异度，S为用户所选服务，S_e为期望服务，S.q_i为用户 所选服务S在第i维属性的服务体验质量，S_e.q_i为期望服务S_e在第i维属性的服 务体验质量。

本发明采用上述技术方案，具有以下有益效果：

(1)该方案提高了服务选择的效率：方案在对服务进行选择排序前，利用 Skyline计算对可用服务资源进行预先处理，进行偏好过滤，缩减了候选服务资 源，使后续的服务选择和排名操作在一个相对较小的Skyline服务集中进行，提 高了服务选择的执行效率，适应于网络发展趋于复杂化和大规模化的需求；

(2)该方案适应于不同类型用户的应用需求：方案在可用资源预处理时， 采用分类的偏好支配规则设计思想，对不同类型的用户进行分类，分别制定数值 型和区间型的偏好支配规则，根据不同用户的偏好需求实现对候选资源的分类偏 好过滤；

(3)该方案适应于不同类型用户对偏好要求：方案在对服务资源进行排名 过程中，采用用户定权法设定偏好度，以体现用户对于服务每一维属性的偏好程 度，使最终得到的服务列表在最大程度上满足用户的偏好需求；

(4)该方案适应于不同类型用户对服务体验质量(Quality of Experience， QOE)的要求：传统的QoS权值即偏好度设定时，主观设定由于缺乏先验知识 导致设定困难，而客观分析则无法真正反映用户偏好。针对此问题，该方案采用 基于服务位置排名的思想，设计了排名标志位、正向修正因子、负向修正因子等 新颖的元素，以完成对用户属性偏好度的修正。为服务请求服务资源的过程时， 提高服务选择指导意见，使得用户选择服务的过程更加智能化和方便，提升了用 户体验；

(5)另外该方案还具有其它优点，如：具有良好的扩展性，如在进行Skyline 计算时，除了制定偏好支配规则时，可以对该支配规则进行进一步扩展，如可以 采用可能性理论制定进一步的概率支配规则，解决关于偏好模糊的问题，进一步 提高服务选择效率和用户的服务体验。

附图说明

图1支持偏好度动态修正的服务选择方法框架；

图2基于服务排名的偏好度修正方法的流程图。

具体实施方式

下面详细描述本发明的实施方式，下面通过参考附图描述的实施方式是示例 性的，仅用于解释本发明，而不能解释为对本发明的限制。

本领域的技术人员可以理解，除非另外定义，这里使用的所有术语(包括技 术术语和科学术语)具有本发明所属技术领域中的普通技术人员的一般理解相同 的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与 现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想 化或过于正式的含义来解释。

本发明在研究最新服务选择方法的基础之上，参考Skyline服务选择中的研 究成果，考虑了用户需求的复杂性以及偏好信息的动态特征，将用户的需求和偏 好度信息引入服务选择过程中，提出一种支持偏好度动态修正的服务选择方法， 主要包括考虑用户偏好的服务排名和基于服务排名的偏好度动态修正两部分。考 虑用户偏好的服务排名部分主要有候选服务集预处理和Skyline服务集排序过程 组成，在候选服务集预处理过程中，实现对原有Skyline支配关系进行扩充，制 定了两类偏好支配规则以进行偏好剪枝，去除与用户需求差距过大的服务，实现 对庞杂、无序的候选服务集的预处理；在对候选服务集进行预处理后，得到 Skyline服务集，采用用户定权法得到各属性维度的偏好度信息，之后引入相对 熵排序方法对Skyline服务集中服务进行排序，实现了Skyline服务集的有序化。 用户偏好度动态修正过程主要对Skyline服务集排序过程中设定的偏好度进行动 态修正，在将排名列表返回给用户后，记录用户所选服务，并抽取其前后排名的 多个服务，再利用相对熵公式设计正负向修正因子，得到偏好度修正函数，最后 基于偏好度修正函数得到更新后偏好度信息。

基于用户排名的偏好度动态修正的关键即对服务属性偏好度进行处理和更 新，优化服务排名过程。其主要步骤先为根据用户服务选择情况，抓取其前后排 名的多个服务，再利用相对熵公式设计正负向修正因子，结合公式推演得到偏好 度修正函数，最后基于偏好度修正函数得到更新后偏好度信息，以用来指导下一 次服务排名过程。

该支持偏好度动态修正的服务选择方法的总体步骤为：服务请求者(用户) 给服务选择系统提供偏好信息，包括详细需求信息和偏好度信息，系统针对不同 的用户需求启动不同的规则制定方案进行Skyline服务集过滤，再利用加权相对 熵方法和偏好度信息进行服务排名，将所得的Top-k个服务按序输出，推荐给用 户使用。之后，根据用户最终选择的服务在Top-k个服务排序列表的排名情况， 对用户偏好度进行自适应修正，直至将当前用户偏好度调整至用户理想偏好度， 用户理想偏好度信息将在用户今后进行服务选择前提供精确、个性化的偏好度建 议和为用户的服务选择提供偏好指导信息。

考虑用户偏好的服务排名的组成模式，主要包括用户的基本信息，用户的需 求详细信息，服务属性信息等。其中用户基本信息为用户的ID，用户的详细需 求信息包括用户的功能性需求、非功能性需求和属性偏好度，非功能需求又细分 为数值型需求和区间型需求，服务的属性信息主要是服务质量，如价格、安全性、 可用性、可靠性，延迟等；该方法主要包括的处理过程有用户非功能属性需求分 类，利用不同处理规则对服务集进行偏好过滤，引入偏好度信息进行偏好服务集 的排名等；

下面给出该服务选择方法中固定的组成元素的定义以及功能：

(1)服务请求者：亦称为用户，是服务实际上的使用者。对服务资源提出 请求，具有选择最优服务资源权限的实体；该实体包括固定的ID，实体对所需 服务功能性属性和非功能性属性的需求以及实体的偏好度信息；

(2)用户的功能属性需求：需求详细信息之一，对服务的功能进行描述， 表征用户所需要的服务的功能；

(3)用户的非功能属性需求：需求详细信息之一，表示用户对所需要的服 务某项或某几项非功能属性的需求，针对不同类型的用户，非功能属性需求细分 为数值型需求以及区间型需求；

(4)服务偏好度：需求详细信息之一，指用户属性偏好度，即用户对服务 非功能属性中单个属性的偏好程度，以分值形式表征其偏好程度大小，在本发明 中，偏好度信息根据状态时间不同，细分为当前偏好度和期望偏好度信息两类；

(5)服务质量属性：服务属性信息，描述服务具有的非功能属性，包括价 格、性能、可靠性、可用性、安全性和延迟等；

(6)数值型偏好支配规则：当用户的非功能属性需求为数值型时，服务S_i被 认为在Q上偏好支配另一个服务S_j，当服务S_i的每一维属性与期望服务S_e对应 维度属性之差小于或等于服务S_j的每一维属性与期望服务S_e对应维度属性之差， 且服务S_i至少有一维属性与期望服务S_e相同维度上的属性之差小于服务S_j每一 维属性与期望服务S_e对应维度属性之差时，Q＝{q₁,q₂,...,q_d}是d维的 QoS空间；

(7)区间型偏好支配规则：当用户的非功能属性需求为区间型时，利用 Jaccard coefficient计算用户需求和服务约束之间的匹配度，例如用户需求区间为 I₁＝[q_a,q_b]，服务质量区间为I₂＝[q_c,q_d]，则匹配度服务S_m被认为在Q上偏好支配另一个服务S_n，当且仅当用户在服务S_m的QoS中的每 个属性的需求匹配度大于或等于用户在服务S_n每个属性的需求匹配度，且至少 有一个属性的需求匹配度要大于S_n每个属性的需求匹配度；

(8)Skyline服务集：在给定功能相同或者相似服务集中，Skyline服务集 表示候选服务集中不被服务集中其他服务偏好支配的一组服务集；

(9)Top-k服务排名列表：最符合用户需求的Top-k个服务，通过读取用户 的偏好度信息和处理后的Skyline服务集，选取排序标准，利用离散的相对熵排 序方法得到Top-k服务排名列表；

(10)排名标识位：用户在Top-k服务排名列表进行服务选择，若用户选择 服务S排在第n位，则从服务排名中抽取前2n-1的服务组成服务集合S_c， S_c＝{S₁,...,S_n-1,S,S_n+1,...,S_2n-1}，$C_i(S,S_e)=|S.q_i\log \frac{S·q_i}{S·q_i}+(1-S.q_i)\log \frac{1-S.q_i}{1-S_e.q_i}|$用来 表示用户所选服务S与期望服务S_e第i维属性的差异度。则列举集合S_c中各个服 务的各个属性维度与期望服务S_e各维度之间的距离矩阵：

C₁(S₁,S_e) ... C₁(S_n-1,S_e) C₁(S,S_e) C₁(S_n+1,S_e) ... C₁(S_2n-1,S_e) pos(1)

C₂(S₁,S_e) ... C₂(S_n-1,S_e) C₂(S,S_e) C₂(S_n+1,S_e) ... C₂(S_2n-1,S_e) pos(2)

... ... ... ... ... ... ... ...

C_d(S₁,S_e) ... C_d(S_n-1,S_e) C_d(S,S_e) C_d(S_n+1,S_e) ... C_d(S_2n-1,S_e) pos(d)

对上面矩阵的每一行进行增序排列，然后定义pos(i)为C_i(S,S_e)在该行排序 后的位置，pos(i)用于实现对当前偏好度和期望偏好度的调整；

(11)正向修正因子：$H_i^{+}=\frac{(n-\mathrm{pos}\left(i\right))[\mathrm{pos}\left(i\right)<n]}{\underset{1\le i\le n}{\Sigma }(n-\mathrm{pos}\left(i\right))[\mathrm{pos}\left(i\right)<n]}$为偏好度正向修正因 子，当pos(i)比用户所选服务S原先排名靠前时，表征该属性维度对于用户所选 服务S在集合S_c中的排名具有正向影响效应，应当适当增加该属性维度的偏好 度，若pos(i)排名越靠前，则说明该维度对于所选服务服务S在集合S_c中的排名 贡献越大，此时应该适时为该维度分配更多的偏好度。

(12)负向修正因子：$H_i^{-}=\frac{(\mathrm{pos}\left(i\right)-n)[\mathrm{pos}\left(i\right)>n]}{\underset{1\le i\le n}{\Sigma }(\mathrm{pos}\left(i\right)-n)[\mathrm{pos}\left(i\right)>n]}$为偏好度负向修正因 子，当pos(i)比所选服务S原先排名靠后时，表征该属性维度对于所选服务S在 集合S_c中的排名具有负向影响效应，应当适当减少该属性维度的偏好度，若 pos(i)排名越靠后，则说明该维度对于所选服务S在集合S_c中的排名影响越大， 此时应该适时为该维度减少更多的偏好度。

(13)偏好度修正函数：引入Δi＝pd_di-pd_ci表示用户对所选服务S第i维属 性的期望偏好度pd_di与当前偏好度pd_ci之间的差异：

$\left(\begin{array}{c}\mathrm{\Delta i}={\mathrm{pd}}_{\mathrm{di}}-{\mathrm{pd}}_{\mathrm{ci}},\underset{1\le i\le d}{\Sigma }{\mathrm{pd}}_{\mathrm{di}}=1,\underset{1\le i\le d}{\Sigma }{\mathrm{pd}}_{\mathrm{ci}}=1\\ \Rightarrow \underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}=\underset{1\le i\le d}{\Sigma }({\mathrm{pd}}_{\mathrm{ci}}-{\mathrm{pd}}_{\mathrm{di}})=\underset{1\le i\le d}{\Sigma }{\mathrm{pd}}_{\mathrm{ci}}-\underset{1\le i\le d}{\Sigma }{\mathrm{pd}}_{\mathrm{di}}=0\\ \Rightarrow \underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}=\underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}[\mathrm{\Delta i}>0]+\underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}[\mathrm{\Delta i}<0]\\ \Rightarrow \underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}[\mathrm{\Delta i}>0]=-\underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}[\mathrm{\Delta i}<0]\\ \mathrm{\Delta pd}=\underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}[\mathrm{\Delta i}>0]\end{array}\right)$

综合修正基本单位Δpd和正负向修正因子，得到偏好度调整函数：

${\mathrm{pd}}_i^{\prime }=\left(\begin{array}{cc}{\mathrm{pd}}_i+H_i^{+}\mathrm{\Delta pd}={\mathrm{pd}}_i+\frac{(n-\mathrm{pos}\left(i\right))}{\underset{1\le i\le d}{\Sigma }(n-\mathrm{pos}\left(i\right))}\times \underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}& \mathrm{pos}\left(i\right)<n\\ {\mathrm{pd}}_i-H_i^{-}\mathrm{\Delta pd}={\mathrm{pd}}_i-\frac{\left(\mathrm{pos}\left(i\right)-n\right)}{\underset{1\le i\le d}{\Sigma }(\mathrm{pos}\left(i\right)-n)}\times \underset{1\le i\le d}{\Sigma }\mathrm{\Delta i}& \mathrm{pos}\left(i\right)>n\end{array}\right)$

支持偏好度动态修正的服务选择方法不同于传统的基于服务质量的服务选 择方法。该方法将原本用户随意表达的复杂需求进行分类，通过两类偏好支配规 则的制定，实现候选服务集的有效缩减；在对缩减后的服务集进行排序时，将用 户的偏好度信息加以考虑，输出个性化的排名列表。在针对用户定权法中存在的 偏好设定困难等问题，根据用户的选择情况，构建了距离矩阵、增加了排名标志 位、正负向修正因子等新元素，最后通过偏好度修正函数的设计，对用户定权法 中静态的偏好度进行实时修正。通过该服务选择方法，把原来网络中庞杂、无序 的服务资源，进行个性化的缩减和排名，转化成更易被用户利用的服务资源。从 而达到简化用户选择网络服务资源过程，加快用户选择网络服务资源的效率，更 好完成用户个性化需求的目的。

图1给出了支持偏好度动态修正的服务选择方法的框架及整体流程。假设用 户向网络请求北京最佳的一次酒店住宿服务，具体步骤表述如下：

第一步：与酒店住宿相关的服务可以通过服务注册中心或者可信的第三方， 向网络上发布服务资源。用户ID为8836的用户向服务注册中心发出某一服务请 求，时间在“2015年2月1日到2015年2月3日”期间，关注的服务属性有“价 格、距离、安全性、声誉度”，服务注册中心返回服务提供者可提供的这种服务 的列表L{S₁，S₂...S_n}，S₁，S₂...S_n表示北京住宿服务。

第二步：根据用户的需求选项确定该非功能需求为数值型，若用户提供确定 的数值，则利用数值型偏好支配规则对服务列表L进行剪枝；若用户选择选项， 但是由于缺乏先验知识，无法给出确定数值，则默认将该服务属性上的最优值作 为用户的期望数值，同样适用数值型偏好规则对服务列表L进行过滤得到Skyline 服务集：S{S₁，S₂...S_m},S₁，S₂...S_m，m<n，表示住宿服务中不被其他服务偏好 支配的服务。

第三步：若用户为注册用户，则根据用户提供的基本信息中ID号，自动解 析读取该用户所对应的偏好度文件，结合所需服务的属性信息，自动给出 “(0.2,0.3,0.2,0.3)^T”的关于本次服务的偏好度信息；计算若用户为新用户，则 引导用户给出关于所需服务的偏好度信息，若用户未给出，则默认为每个属性维 度分配均等数值；之后根据用户的偏好度信息，利用加权的相对熵方法将Skyline 服务集中服务进行排序，选择出前50个服务，将服务排名列表Top-k返回给用 户以供用户选择使用。

第四步：系统后台控制软件记录用户本次所选服务在服务列表中的排名，若 用户所选服务在服务列表中排名首位，说明利用服务的属性偏好度 “(0.2,0.3,0.2,0.3)^T”为用户选择出的服务符合用户的需求，则当前偏好度无需 进行修正；若用户最终所选的服务在服务排名列表中排名为6，则说明偏好度设 定有误或者不精确，此时执行图2所示的偏好度自动修正程序。

第五步：自动抽取所选服务前5位及后5位服务组成服务集合S_c{S₁，S₂...S₁₁}， 对于服务集合中每一个服务计算该服务的每一维属性与期望服务相对应维度属 性的距离得到距离矩阵，对矩阵每一行进行增序排名得到所选服务的排名标志位 pos(1)、pos(2)、pos(3)和pos(4)；根据所选服务排名标志位进行该属性维度的 正向修正因子和负向修正因子的计算(两者必有其一为0)；

第六步：根据修正因子以及预先设定的偏好修正基本单位Δpd＝0.2，对当 前偏好度的每一维属性进行动态修正得到一次修正后的偏好度，根据修正后的偏 好度对Skyline服务集进行排序得到一个全新的服务排名：根据用户所选服务在 新的服务排名中的情况判定是否需要继续进行偏好度修正：若不需要(即当前用 户排名在新的服务列表中排名首位)，则将新的偏好度写入该用户所对应的偏好 度文件中，否则继续执行后续修正操作，直至将当前偏好度修正到用户期望偏好 度，在本例中，通过3次偏好度调整，得到该用户真实的期望偏好 “(0.3,0.2,0.1,0.4)^T”，将该期望偏好写入其所对应的偏好度文件。

综上所述，本发明解决了大规模服务集上服务选择效率低下以及服务选择中 用户偏好度设定困难、动态迁移等问题，优化了服务选择过程，为用户偏好度设 定给予指导，使用户偏好度的设定更为合理和方便，为服务选择提供了一种有力 的方法和工具。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模 块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发 明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的 技术方案实质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现 出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等， 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)执行本发明的实施例或实施例的某些部分所述的方法。