一种客户价值建模方法和系统、电子设备、存储介质

摘要

本发明提供一种客户价值建模方法和系统、电子设备、存储介质，该方法包括：获取客户的活跃度、忠诚度及消费能力并输入至RFM模型，得到客户的初始价值；建立异构网络；采集并将客户的个人基本信息作为异构网络中的客户节点特征，以及，采集并将客户的金融产品基本属性信息作为异构网络中金融产品节点特征；根据异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示；提取并依据客户节点的向量表示计算各个客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户；根据各个相似客户及客户的初始价值，融合得到客户的最终价值；按照各个客户的最终价值，确定已有的优质客户和潜在的优质客户；实现银行利润最大化。

说明书

技术领域

本发明属于客户销售技术领域，更具体的说，尤其涉及一种客户价值建模方法和系统、电子设备、存储介质。

背景技术

在银行的日常运营中，最主要的工作之一是如何去挖掘能创造最大价值的客户，而传统方法是业务人员对客户逐一打电话的方式，或者根据某种规则筛选出目标客户再打电话。

业务人员客户逐一打电话或对目标客户打电话的方式，费时费力，且一些潜在的优质客户经常不满足既定的规则，难以对这部分用户精准营销。

发明内容

有鉴于此，本发明的目的在于提供一种客户价值建模方法和系统、电子设备、存储介质，用于以RFM模型及图神经网络模型为手段，来对客户进行价值建模，挖掘出已有及潜在的优质客户，并进行精准营销，实现银行利润最大化。

本申请第一方面公开了一种客户价值建模方法，包括：

获取客户的活跃度、忠诚度及消费能力并输入至RFM模型，得到所述客户的初始价值；

建立异构网络；

采集并将所述客户的个人基本信息作为所述异构网络中的客户节点特征，以及，采集并将所述客户的金融产品基本属性信息作为所述异构网络中金融产品节点特征；

根据所述异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示；

提取并依据所述客户节点的向量表示计算各个所述客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户；

根据各个所述相似客户及所述客户的初始价值，融合得到所述客户的最终价值；

按照各个所述客户的最终价值，确定已有的优质客户和潜在的优质客户。

可选的，在上述客户价值建模方法中，在提取并依据所述客户节点的向量表示计算各个所述客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户之前，还包括：

利用注意力机制，加权融合节点在不同边类型下的向量表示。

可选的，在上述客户价值建模方法中，所述建立异构网络，包括：

获取所述客户的人际关系数据并预处理成第一三元组；其中，所述第一三元组为：客户—人际关系类型—客户；

获取所述客户对金融产品的行为数据，预处理成第二三元组；其中，所述第二三元组为：客户—行为类型—金融产品；

根据预处理得到的三元组，建立异构网络。

可选的，在上述客户价值建模方法中，所述个人基本信息包括年龄、性别、收入、城市中的至少一个；

所述金融产品基本属性信息包括：年化率、风险程度、最低限额中的至少一个。

可选的，在上述客户价值建模方法中，所述选出余弦相似度最大的N个相似客户包括：

按照余弦相似度从大到小排序；

选出前N个客户作为相似客户。

本申请第二方面公开了一种客户价值建模系统，包括：

初始价值单元，用于获取客户的活跃度、忠诚度及消费能力并输入至RFM模型，得到所述客户的初始价值；

构建单元，用于建立异构网络；

采集单元，用于采集并将所述客户的个人基本信息作为所述异构网络中的客户节点特征，以及，采集并将所述客户的金融产品基本属性信息作为所述异构网络中金融产品节点特征；

学习单元，用于根据所述异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示；

相似度单元，用于提取并依据所述客户节点的向量表示计算各个所述客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户；

价值融合单元，用于根据各个所述相似客户及所述客户的初始价值，融合得到所述客户的最终价值；

确定客户单元，用于按照各个所述客户的最终价值，确定已有的优质客户和潜在的优质客户。

可选的，在上述客户价值建模系统中，还包括：

注意力机制，用于加权融合节点在不同边类型下的向量表示。

可选的，在上述客户价值建模系统中，所述构建单元用于建立异构网络时，具体用于：

获取所述客户的人际关系数据并预处理成第一三元组；其中，所述第一三元组为：客户—人际关系类型—客户；

获取所述客户对金融产品的行为数据，预处理成第二三元组；其中，所述第二三元组为：客户—行为类型—金融产品；

根据预处理得到的三元组，建立异构网络。

本申请第三方面公开了一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如本申请第一方面任一项所述的客户价值建模方法。

本申请第四方面公开了一种存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如本申请第一方面任一项所述的客户价值建模方法。

从上述技术方案可知，本发明提供的一种客户价值建模方法，包括：获取客户的活跃度、忠诚度及消费能力并输入至RFM模型，得到客户的初始价值；建立异构网络；采集并将客户的个人基本信息作为异构网络中的客户节点特征，以及，采集并将客户的金融产品基本属性信息作为异构网络中金融产品节点特征；根据异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示；提取并依据客户节点的向量表示计算各个客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户；根据各个相似客户及客户的初始价值，融合得到客户的最终价值；按照各个客户的最终价值，确定已有的优质客户和潜在的优质客户；从而以RFM模型及图神经网络模型为手段，来对客户进行价值建模，挖掘出已有及潜在的优质客户，并进行精准营销，实现银行利润最大化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。

图1是本发明实施例提供的一种客户价值建模方法的流程图；

图2是本发明实施例提供的另一种客户价值建模方法的流程图；

图3是本发明实施例提供的另一种客户价值建模方法的流程图；

图4是本发明实施例提供的一种客户价值建模系统的示意图；

图5是本发明实施例提供的一种电子设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，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，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。

本申请实施例提供了一种客户价值建模方法，用于解决现有技术中业务人员客户逐一打电话或对目标客户打电话的方式，费时费力，且一些潜在的优质客户经常不满足既定的规则，难以对这部分用户精准营销的问题。

参见图1，该客户价值建模方法，包括：

S101、获取客户的活跃度、忠诚度及消费能力并输入至RFM模型，得到客户的初始价值。

需要说明的是，该RFM模型需要预先构建，其构建过程可以是获取历史客户数据作为样本进行训练，当训练结果满足收敛结果后，将训练后的模型作为该RFM模型。

当然，该RFM模型的构建过程，也可以是其他过程，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

另外，RFM模型是衡量客户价值和客户创利能力的重要工具和手段。

也就是说，该RFM模型可以依据客户的活跃度、忠诚度和消费能力来确定客户的价值，将该价值作为初始价值。

S102、建立异构网络。

需要说明的是，该异构网络可以是多源的，当然也不排除其他情况，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

该异构网络中的节点包括客户节点、金融产品节点两种类型；节点之间有多种边类型包括人际关系类型、行为类型。

具体的，可以是客户节点与客户节点之间的边类型，这种类型可以是人际关系类型；也可以是客户节点与金融节点之间的边类型，这种边类型可以是行为类型。

人际关系类型可以是人际关系类型包括夫妻、同事等，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

行为类型可以是点击、购买、赎回等行为，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

S103、采集并将客户的个人基本信息作为异构网络中的客户节点特征，以及，采集并将客户的金融产品基本属性信息作为异构网络中金融产品节点特征。

在实际应用中，个人基本信息包括：年龄、性别、收入、城市中的至少一个。当然也不仅限于上述示例，其具体内容此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

金融产品基本属性信息包括：年化率、风险程度、最低限额中的至少一个。当然也不仅限于上述示例，其具体内容此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

也即，采集银行客户的个人基本信息，如年龄、性别、收入、城市等，作为异构网络中客户节点特征；采集金融产品基本属性信息，如年化率、风险程度、最低限额等，作为异构网络中金融产品节点特征。

S104、根据异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示。

需要说明的是，图神经网络(GraphNeural Network，GNN)是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。

本申请采用的图神经网络可以是经过预选训练的，当然也不排除直接采用现有的，此处不做具体限定，视实际情况而定即可，均在本申请的保护范围内。

也就是说，根据异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示，也即该图神经网络模型的输入为异构网络和节点特征，该图神经网络模型的输出为向量表示。

该图神经网络模型的具体学习过程，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

节点特征包括：客户节点特征和金融产品节点特征。当然也不排除其他情况，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

该向量表示包括客户节点的向量表示和金融产品节点的向量标识。

客户节点的向量表示中可以含有关于金融产品节点的信息，此处不做具体限定，视实际情况而定即可，均在本申请的保护范围内。

也即，根据构建好的多源异构网络及网络节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示。

S105、提取并依据客户节点的向量表示计算各个客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户。

也就是说，从图神经网络模型输出的各个向量表示中，提取出客户节点对应的向量表示，然后，将各个客户节点对应的向量标识计算各个客户之间的余弦相似度。从多个余弦相似度中选取相似度最大的N个相似客户。

在实际应用中，选出余弦相似度最大的N个相似客户包括：按照余弦相似度从大到小排序；选出前N个客户作为相似客户。如按照余弦相似度从大到小，选出top100个相似客户。也即N＝100。当然，N也可以取其他数值，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

也即，提取出客户节点的向量表示，计算客户之间的余弦相似度，按照相似度从大到小，选出top1-100个相似客户，并根据相似客户及客户自身的初始价值，融合得到客户的最终价值，按照客户价值高低，挑选出已有、甚至是潜在的优质客户，实现客户的精准营销。

S106、根据各个相似客户及客户的初始价值，融合得到客户的最终价值。

也就是说，客户的最终价值与相似客户及客户的初始价值，不仅仅是单个客户的初始价值。

具体的，可以是各个相似度客户的初始价值和该客户的初始价值，按照特定比例进行加权求和，得到该客户的最终价值。

当然，不排除其他得到该客户的最终价值的方法，此处仅是一种示例，视实际情况而定即可，均在本申请的保护范围内。

S107、按照各个客户的最终价值，确定已有的优质客户和潜在的优质客户。

具体的，可以依据客户的最终价值判断是否属于优质客户；如该客户为现有客户，则可以划分为已有的优质客户，若该客户为潜在客户，则划分为潜在的优质客户。

可以通过判断客户的最终价值是否满足预设的优质价值来判断客户是否属于优质客户，当然也不仅限于此，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

在本实施例中，获取客户的活跃度、忠诚度及消费能力并输入至RFM模型，得到客户的初始价值；建立异构网络；采集并将客户的个人基本信息作为异构网络中的客户节点特征，以及，采集并将客户的金融产品基本属性信息作为异构网络中金融产品节点特征；根据异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示；提取并依据客户节点的向量表示计算各个客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户；根据各个相似客户及客户的初始价值，融合得到客户的最终价值；按照各个客户的最终价值，确定已有的优质客户和潜在的优质客户；从而以RFM模型及图神经网络模型为手段，来对客户进行价值建模，挖掘出已有及潜在的优质客户，并进行精准营销，实现银行利润最大化。

在实际应用中，参见图2，在步骤S105、提取并依据客户节点的向量表示计算各个客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户之前，还包括：

S201、利用注意力机制，加权融合节点在不同边类型下的向量表示。

需要说明的是，可以设置不同节点在不同类型下的权重，然后将不同节点进行加权融合，得到对应的在不同边类型下的向量表示。

也即，考虑到不同边对节点的影响程度不同，利用注意力机制，加权融合节点在不同边类型下的向量表示。

在实际应用中，参见图3，步骤S102、建立异构网络，包括：

S301、获取客户的人际关系数据并预处理成第一三元组。

其中，第一三元组为：客户—人际关系类型—客户。

也就是说，该第一三元组中，第一元表示客户1，第三元表示客户2，第二元表示客户1和客户2之间的人际关系类型，如夫妻、同事等。

也即，获取客户的人际关系数据，并预处理成三元组“客户—人际关系类型—客户”，其中人际关系类型包括夫妻、同事等。

S302、获取客户对金融产品的行为数据，预处理成第二三元组。

其中，第二三元组为：客户—行为类型—金融产品。

也就是说，该第二三元组中，第一元表示客户，第三元表示金融产品，第二元表示客户和金融产品之间的行为类型，如点击、购买等。

也即，获取客户对金融产品的行为数据，同样预处理成三元组“客户—行为类型—金融产品”，其中行为类型包括点击、购买、赎回等行为。

S303、根据预处理得到的三元组，建立异构网络。

也就是说，根据第一三元组和第二三元组，构建异构网络。

需要说明的是，异构网络是多源的。

也即，根据预处理得到的三元组，建立多源异构网络，其中网络中的节点包括客户节点、金融产品节点两种类型，节点之间有多种边类型包括人际关系类型、行为类型。

该异构网络的具体结构和构建过程，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

也就是说，根据客户活跃度、忠诚度及消费能力来建立RFM模型，从而评估客户的初始价值；并通过客户的人际关系及对金融产品的行为数据，建立多源异构网络，其中网络中的节点包括客户节点、金融产品节点两种类型，节点之间有多种边类型，比如客户与客户之间可能是夫妻、同事等关系，客户与金融产品之间可能是点击、购买关系；根据构建好的异构网络、网络节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示；考虑到不同边对节点的影响程度不同，利用注意力机制，加权融合节点在不同边类型下的向量表示；然后提取出客户节点的向量表示，并计算客户之间的余弦相似度，按照相似度从大到小，选出top1-100个相似客户，并根据相似客户及客户自身的初始价值，融合得到客户的最终价值；按照客户价值高低，挑选出已有、甚至是潜在的优质客户，实现客户的精准营销。

本申请另一实施例提供了一种客户价值建模系统。

参见图4，该客户价值建模系统，包括：

初始价值单元101，用于获取客户的活跃度、忠诚度及消费能力并输入至RFM模型，得到客户的初始价值；

构建单元102，用于建立异构网络；

采集单元103，用于采集并将客户的个人基本信息作为异构网络中的客户节点特征，以及，采集并将客户的金融产品基本属性信息作为异构网络中金融产品节点特征；

学习单元104，用于根据异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示；

相似度单元105，用于提取并依据客户节点的向量表示计算各个客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户；

价值融合单元106，用于根据各个相似客户及客户的初始价值，融合得到客户的最终价值；

确定客户单元107，用于按照各个客户的最终价值，确定已有的优质客户和潜在的优质客户。

各个单元的具体工作过程和原理，详情参见上述实施例提供的客户价值建模方法，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

在本实施例中，初始价值单元101获取客户的活跃度、忠诚度及消费能力并输入至RFM模型，得到客户的初始价值；构建单元102建立异构网络；采集单元103采集并将客户的个人基本信息作为异构网络中的客户节点特征，以及，采集并将客户的金融产品基本属性信息作为异构网络中金融产品节点特征；学习单元104根据异构网络及节点特征，利用图神经网络模型学习每个节点在不同边类型中的向量表示；相似度单元105提取并依据客户节点的向量表示计算各个客户之间的余弦相似度，且选出余弦相似度最大的N个相似客户；价值融合单元106根据各个相似客户及客户的初始价值，融合得到客户的最终价值；确定客户单元107按照各个客户的最终价值，确定已有的优质客户和潜在的优质客户；从而以RFM模型及图神经网络模型为手段，来对客户进行价值建模，挖掘出已有及潜在的优质客户，并进行精准营销，实现银行利润最大化。

在实际应用中，还包括：

注意力机制，用于加权融合节点在不同边类型下的向量表示。

该注意力机制的具体工作过程和原理，详情参见上述实施例提供的客户价值建模方法，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

在实际应用中，构建单元102用于建立异构网络时，具体用于：

获取客户的人际关系数据并预处理成第一三元组。

其中，第一三元组为：客户—人际关系类型—客户；

获取客户对金融产品的行为数据，预处理成第二三元组。

其中，第二三元组为：客户—行为类型—金融产品；

根据预处理得到的三元组，建立异构网络。

该构建单元102的具体工作过程和原理，详情参见上述实施例提供的客户价值建模方法，此处不再一一赘述，视实际情况而定即可，均在本申请的保护范围内。

本申请另一实施例提供了一种存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项的客户价值建模方法。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

本发明另一实施例提供了一种电子设备，如图5所示，包括：

一个或多个处理器601。

存储装置602，其上存储有一个或多个程序。

当一个或多个程序被一个或多个处理器601执行时，使得一个或多个处理器601实现如上述实施例中任意一项的客户价值建模方法。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

本说明书中的各个实施例中记载的特征可以相互替换或者组合，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。