一种商品兴趣度预测方法、装置及电子设备
阅读：36发布：2021-06-15
专利汇可以提供一种商品兴趣度预测方法、装置及电子设备专利检索，专利查询，专利分析的服务。并且本 发明 提供一种商品兴趣度预测方法、装置及 电子 设备；所述方法包括：获取用户关系网络图；所述用户关系网络图包括：表示用户的用户 节点 ，以及连接所述用户节点以表示用户间存在好友关系的边；其中，部分所述用户节点关联有用于表示商品兴趣度的标签；将所述用户关系网络图输入图注意 力 网络模型，得到连接有所述边的两个所述用户节点间的影响度；根据所述影响度和所述用户关系网络图，生成加权用户关系网络图；根据所述加权用户关系网络图，使用预定的预测 算法 ，得到商品兴趣度预测结果。，下面是一种商品兴趣度预测方法、装置及电子设备专利的具体信息内容。
1.一种商品兴趣度预测方法，包括：
获取用户关系网络图；所述用户关系网络图包括：表示用户的用户节点，以及连接所述用户节点以表示用户间存在好友关系的边；其中，部分所述用户节点关联有用于表示商品兴趣度的标签；
将所述用户关系网络图输入图注意力网络模型，得到连接有所述边的两个所述用户节点间的影响度；
根据所述影响度，为所述用户关系网络图中的所述边赋予权值，得到加权用户关系网络图；
根据所述加权用户关系网络图，预测得到商品兴趣度预测结果。
2.根据权利要求1所述的商品兴趣度预测方法，还包括：
获取用户好友关系数据，确定用户，以及所述用户间的好友关系；
获取历史交易数据，确定部分所述用户的交易记录；
根据所述用户和所述用户间的好友关系，生成所述用户关系网络图；
根据所述交易记录，为部分所述用户节点关联所述标签。
3.根据权利要求1所述的商品兴趣度预测方法，所述权值为所述边的连接的两个用户节点间的影响度。
4.根据权利要求1所述的商品兴趣度预测方法，所述预测使用的算法为标签传播算法、全面连接搜索算法、社区结构发现算法中的任意一种。
5.根据权利要求1所述的商品兴趣度预测方法，所述商品兴趣度预测结果包括：未关联有所述标签的用户节点的商品兴趣度。
6.根据权利要求1所述的商品兴趣度预测方法，还包括：
根据所述商品兴趣度预测结果，确定目标用户，并生成商品推荐信息；
将所述商品推荐信息发送至所述目标用户。
7.一种商品兴趣度预测装置，包括：
获取模块，被配置为获取用户关系网络图；所述用户关系网络图包括：表示用户的用户节点，以及连接所述用户节点以表示用户间存在好友关系的边；其中，部分所述用户节点关联有用于表示商品兴趣度的标签；
影响度确定模块，被配置为将所述用户关系网络图输入图注意力网络模型，得到连接有所述边的两个所述用户节点间的影响度；
加权模块，被配置为根据所述影响度，为所述用户关系网络图中的所述边赋予权值，得到加权用户关系网络图；
预测模块，被配置为根据所述加权用户关系网络图，预测得到商品兴趣度预测结果。
8.根据权利要求7所述的装置，还包括：
生成模块，被配置为获取用户好友关系数据，确定用户，以及所述用户间的好友关系；
获取历史交易数据，确定部分所述用户的交易记录；根据所述用户和所述用户间的好友关系，生成所述用户关系网络图；根据所述交易记录，为部分所述用户节点关联所述标签。
9.根据权利要求7所述的装置，所述权值为所述边的连接的两个用户节点间的影响度。
10.根据权利要求7所述的装置，所述预测使用的算法为标签传播算法、全面连接搜索算法、社区结构发现算法中的任意一种。
11.根据权利要求7所述的装置，所述商品兴趣度预测结果包括：未关联有所述标签的用户节点的商品兴趣度。
12.根据权利要求7所述的装置，还包括：
推荐模块，被配置为根据所述商品兴趣度预测结果，确定目标用户，并生成商品推荐信息；将所述商品推荐信息发送至所述目标用户。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
一种商品兴趣度预测方法、装置及电子设备
技术领域
[0001] 本发明涉及计算机技术领域，尤其涉及一种商品兴趣度预测方法、装置及电子设备。
背景技术
[0002] 随着网络时代的到来，电子商务迅猛发展，电子商务运营商所提供的商品迅速增多。在琳琅满目的商品中如何高效的基于用户对商品兴趣度提供服务，是电子商务运营商实现精准的个性化服务、提升服务质量的关键。具体的，用户对商品兴趣度预测可以广泛应用在搜索、推荐、广告中，利用用户对商品兴趣度可以向用户提供更精准的服务。目前，需要提供预测准确度更高的方案。
发明内容
[0003] 有鉴于此，本发明的目的在于提出一种商品兴趣度预测方法、装置及电子设备。
[0004] 基于上述目的，本发明提供了一种商品兴趣度预测方法，包括：
[0005] 获取用户关系网络图；所述用户关系网络图包括：表示用户的用户节点，以及连接所述用户节点以表示用户间存在好友关系的边；其中，部分所述用户节点关联有用于表示商品兴趣度的标签；
[0006] 将所述用户关系网络图输入图注意力网络模型，得到连接有所述边的两个所述用户节点间的影响度；
[0007] 根据所述影响度，为所述用户关系网络图中的所述边赋予权值，得到加权用户关系网络图；
[0008] 根据所述加权用户关系网络图，预测得到商品兴趣度预测结果。
[0009] 另一方面，本发明还提供了一种商品兴趣度预测装置，包括：
[0010] 获取模块，被配置为获取用户关系网络图；所述用户关系网络图包括：表示用户的用户节点，以及连接所述用户节点以表示用户间存在好友关系的边；其中，部分所述用户节点关联有用于表示商品兴趣度的标签；
[0011] 影响度确定模块，被配置为将所述用户关系网络图输入图注意力网络模型，得到连接有所述边的两个所述用户节点间的影响度；
[0012] 加权模块，被配置为根据所述影响度，为所述用户关系网络图中的所述边赋予权值，得到加权用户关系网络图；
[0013] 预测模块，被配置为根据所述加权用户关系网络图，预测得到商品兴趣度预测结果。
[0015] 从上面所述可以看出，本发明提供的商品兴趣度预测方法、装置及电子设备，通过用户关系网络图表示具有好友关系的用户，通过图注意力网络模型来获得用户节点间的影响度，并根据影响度为用户关系网络图加权，使得用户间的影响度在用户关系网络图中得到体现，最后通过预测算法结合加权用户关系网络图，得到商品兴趣度预测结果，有效的提高了商品兴趣度预测的准确度。附图说明
[0016] 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，下面描述中的附图仅仅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。
[0017] 图1为本发明实施例的商品兴趣度预测方法流程图；
[0018] 图2为本发明实施例中的用户关系网络图示意图；
[0019] 图3为本发明实施例中生成用户关系网络图的步骤流程图；
[0020] 图4为本发明实施例中根据商品兴趣度预测结果推荐商品信息的步骤流程图；
[0021] 图5为本发明实施例的商品兴趣度预测装置结构示意图；
[0022] 图6为本发明实施例的电子设备结构示意图。
具体实施方式
[0023] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
[0024] 如背景技术部分所述，用户通过互联网上的电商平台购买商品(可以是实体的商品，也可以是虚拟的服务)时，即能够反映出用户对某商品的商品兴趣度。在相关技术中，如果某个用户购买了某件商品，则可以定义此用户对该商品(或同类商品)的商品兴趣度为100％。
[0025] 此外，在各种提供不同业务服务的业务平台中，用户之间存在有好友关系，例如支付宝好友、钉钉好友。那么对于具有好友关系的用户，如果一个用户的很多好友都对某商品感兴趣，那么可以认为此用户也一定程度上对某件商品感兴趣。
[0026] 基于以上内容，相关技术中即存在通过部分用户已知的对于某商品的商品兴趣度，以及与这些用户存在好友关系的其他用户，来进行商品兴趣度预测的技术。然而，上述相关技术只是简单的考虑到了用户间存在好友关系，也即将其认为是一种单纯的对应关系；但实际应用中，用户间的好友关系的表现要更加复杂，相关技术并不能与实际应用情况向符合，也就造成了商品兴趣度预测的准确度不足的问题。
[0027] 针对于上述问题，本说明书一个或多个实施例提供了一种商品兴趣度预测方法、装置及电子设备。在考虑用户间的好友关系的基础上，进一步考虑到了具有好友关系的用户间的影响度。也就是说，同样为好友关系，但好友关系的程度上也有区别，有的较亲近、有的较疏远；相应的，关系较亲近的好友关系，对用户的影响较大，关系较疏远的好友关系，用户的影响较小。通过对于用户间的影响度的考虑，使得本说明书一个或多个实施例的方案更加的贴合实际应用情况，进而有效的提高商品兴趣度预测的准确度。
[0028] 以下结合附图，详细说明本说明书实施例提供的技术方案。
[0029] 参考图2，本实施例的商品兴趣度预测方法，包括以下步骤：
[0030] 步骤101、获取用户关系网络图；所述用户关系网络图包括：表示用户的用户节点，以及连接所述用户节点以表示用户间存在好友关系的边；其中，部分所述用户节点关联有用于表示商品兴趣度的标签。
[0031] 本实施例中应用了网络图，网络图是一种数据结构，其由节点和连接节点的无向边组成，其用于表示实际应用场景中具有某种关系的若干对象；其中，节点表示为向量，建立网络图时使用的数据相应的通过向量特征的形式包括于节点中。
[0032] 本实施例中，用户关系网络图即用来表示具有好友关系的若干用户。具体的，所述的用户关系网络图包括若干表示用户的用户节点。对于一些用户节点，其间连接有边，该边即表示其连接的两个用户节点间存在好友关系。本实施例中，所述的好友关系可以是基于某些业务平台的好友系统的好友关系，如支付宝好友、钉钉好友、微信好友；好友关系也可以是使用其他相关的技术，通过分析或预测得到的好友关系，如通过用户间的交互数据，通过机器学习模型预测得到的。
[0033] 参考图2，为本实施例的用户关系网络图一个示例，其包括：USER_A、USER_B、USER_C、USER_D、USER_E五个用户节点。其中，用户节点USER_A对应的用户与用户节点USER_B、用户节点USER_C、用户节点USER_D对应的用户存在好友关系；用户节点USER_B对应的用户与用户节点USER_A、用户节点USER_E对应的用户存在好友关系。本领域技术人员可以理解的是，图2中所示的用户关系网络图仅是为了方便解释而给出的示例，实际实施过程中，用户关系网络图可能会包含更多的节点和边。
[0034] 此外，用户关系网络图中的一些用户节点关联有用于表示商品兴趣度的标签，该标签一般基于现有的数据进行关联。电商平台的交易记录数据，通过交易记录数据，表明某用户购买过某商品，可确定该用户对该商品存在兴趣，则表示该用户的用户节点即相应的被关联表示商品兴趣度的标签。此外，也可以是基于其他相关的商品兴趣度确定技术的结果，来对用户节点进行标签的关联。
[0035] 具体的，在数据结构上，一个用户节点与其关联的标签即构成了机器学习中的所谓的样例。用户节点通过向量表示，而标签表示为一个标量值。在本实施例中，对应于已知对商品存在商品兴趣度的用户节点，其关联的标签赋值为1；其他的用户节点，其关联的标签赋值为0。在训练过程中，网络图中包括的各用户节点的向量作为样本集，以及所有标签的集合共同输入图注意力网络模型进行训练，训练后的图注意力网络模型即能够建立用户节点与标签之间的映射关系，也即对于任一用户节点，均能够得到其对应的标签，该得到的标签取值自[0-1]的区间。可见，由于用户关系网络图中的部分用户节点关联有标签，整体上本实施例的用户关系网络图形成了一种有监督的网络图数据。本实施例中，用户关系网络图可以是由外部的其他程序或设备生成的，在实施本实施例的方法时，直接获取得到用户关系网络图；也可以是，在实施本实施例的方法时，获取包含用户间好友关系和用户的交易数据，然后上述数据而生成的。
[0036] 步骤102、将所述用户关系网络图输入图注意力网络模型，得到连接有所述边的两个所述用户节点间的影响度。
[0037] 本实施例中，利用了图注意力网络模型(Graph Attention Networks，GAN)。图注意力网络模型是一种经典的图神经网络结构，其输入为网络图，输出为网络图中每个节点的向量表达，与传统图神经网络结构不同的地方在于，图注意力网络模型可以通过注意力机制来计算节点之间的影响力，从而反映不同节点间不同程度的相互影响。图注意力网络模型的具体原理和工作方式为现有技术，本实施例中不再详述。
[0038] 本实施例中，将前述步骤中获得的用户关系网络图输入图注意力网络模型。经过图注意力网络模型的计算处理输出用户关系网络图中每组连接有边的两个用户节点间的影响度。此外，图注意力网络模型除了输出影响度以外，还会输出用户介质网络中各节点的表示向量，以及其他图注意力网络模型的相关模型参数。
[0039] 参考图2，用户关系网络图中边上标示的数字即图注意力网络模型输出的影响度。例如，用户节点USER_A，其与用户节点USER_B间的影响度为0.61，与用户节点USER_C间的影响度为0.8，与用户节点USER_D间的影响度为0.77。
[0040] 步骤103、根据所述影响度，为所述用户关系网络图中的所述边赋予权值，得到加权用户关系网络图。
[0041] 本实施例中，根据前述步骤中获得的用户节点间的影响度，来对用户关系网络图进行加权处理。具体的加权处理为，将两个用户节点间的影响度作为该两个用户节点间连接的边的权值。加权处理后，即得到加权用户关系网络图。
[0042] 对于一般的用户关系网络图，其中的各条边的权值是不特殊设置的，对于一个用户节点，其连接的各边的权值是平均分配的。而在本实施例中，通过图注意力网络模型计算得到的影响度来设置用户关系网络图中各条边的权值，以反映用户节点之间的相互影响，具体的是能够反映出不同的好友对于一个用户产生的不同程度的影响，从而使得本实施例的加权用户关系网络图能够更加的符合用户间实际的好友关系情况，相应能够提高后续预测的准确度。
[0043] 步骤104、根据所述加权用户关系网络图，预测得到商品兴趣度预测结果。
[0044] 本实施例中，基于得到的加权用户关系网络图，使用预测算法进行预测。本实施例中以标签传播算法(Label Propagation Algorithm，LPA)为例进行预测。标签传播算法是一种基于图的半监督学习方法，其基本思路是用已标记节点的标签信息去预测未标记节点的标签信息。本实施例的加权用户关系网络图中的部分用户节点关联有标签，构成有监督的网络图。通过标签传播算法进行预测，得到商品兴趣度预测结果。本实施例中，商品兴趣度预测结果即包括加权用户关系网络图中，未关联有所述标签的用户节点的商品兴趣度。本实施例中，关联有所述标签的用户节点的标签赋值为1，则输出的用户节点的商品兴趣度为0-1间的数值。根据该商品兴趣度预测结果，即可判断出用户节点表示的用户其购买商品的兴趣度。
[0045] 进一步的，可以将商品兴趣度预测结果作为输入数据。输入到线上业务平台的各功能系统中，实现更丰富的功能。例如，将该商品兴趣度预测结果输入商品推荐系统，对用户进行相应的商品信息推荐；或者是，将该商品兴趣度预测结果输入软件页面系统，根据商品兴趣度实现对用户的个性化页面设置。
[0046] 此外，根据不同的实施需要，在进行预测时，也可以使用其他的预测算法，如全面连接搜索算法(the Clique Percolation Method，CPM)、基于标签传播的重叠社区发现算法(Community discovery algorithm copra，COPRA)、平衡多标签传播算法(Balanced Multi-label Propagation Algorithm，BMLPA)、社区结构发现算法(Girvan-Newman Algorithm，GN)等。
[0047] 可见，本实施例的商品兴趣度预测方法，通过用户关系网络图表示具有好友关系的用户，通过图注意力网络模型来获得用户节点间的影响度，并根据影响度为用户关系网络图加权，使得用户间的影响度在用户关系网络图中得到体现，最后通过预测算法结合加权用户关系网络图，得到商品兴趣度预测结果，有效的提高了商品兴趣度预测的准确度。
[0048] 作为一个可选的实施例，参考图3，所述的商品兴趣度预测方法，还包括生成用户关系网络图的步骤，具体为：
[0049] 步骤301、获取用户好友关系数据，确定用户，以及所述用户间的好友关系。
[0050] 本实施例中，用户关系网络图是在执行本实施例的方法时生成的。具体的，获取用于生成用户关系网络图的用户好友关系数据。该用户好友关系数据可以从提供好友功能的业务平台、软件等的服务器系统获取，如从支付宝获取记录有支付宝用户之间好友关系的用户好友关系数据。根据用户好友关系数据，能够确定存在好友关系的若干用户。
[0051] 步骤302、获取历史交易数据，确定部分所述用户的交易记录。
[0052] 本实施例中，从电商业务平台获取历史交易数据。从历史交易数据，确定前述根据用户好友关系数据确定的用户对于某商品的的购买记录，从而确定这些具有购买该商品记录的用户对该商品具有商品兴趣度。
[0053] 步骤303、根据所述用户和所述用户间的好友关系，生成所述用户关系网络图。
[0054] 本实施例中，根据由用户好友关系数据确定的存在好友关系的若干用户，以节点表示用户、边表示用户间的好友关系，生成包括用户节点和边的用户关系网络图。
[0055] 步骤304、根据所述交易记录，为部分所述用户节点关联所述标签。
[0056] 本实施例中，根据前述步骤中确定的部分用户对于商品的商品兴趣度，将用户关系网络图中的这些用户关联用于表示商品兴趣度的标签。
[0057] 本实施例中生成的用户关系网络图和标签的具体内容可以参见前述实施例，本实施例中不再赘述。
[0058] 本实施例的商品兴趣度预测方法，进一步包括了生成用户关系网络图的步骤，使得本实施例的方法具备了生成用户关系网络图的功能，能够有效的扩展本实施例的方法的应用范围。
[0059] 作为一个可选的实施例，参考图4，所述的商品兴趣度预测方法，还包括根据商品兴趣度预测结果推荐商品信息的步骤，具体为：
[0060] 步骤401、根据所述商品兴趣度预测结果，确定目标用户，并生成商品推荐信息。
[0061] 本实施例中，根据兴趣度预测结果中包括的各用户对于商品的商品兴趣度，相应的确定目标用户，该些目标用户是推荐商品信息的对象，对于商品的较为感兴趣，存在购买的意向。具体的，可以将商品兴趣度预测结果中，商品兴趣度的数值较大的部分用户确定为目标用户。对于目标用户的选择，可以设置商品兴趣度阈值，将商品兴趣度大于商品兴趣度阈值的用户确定为目标用户。
[0062] 本实施例中，还根据商品兴趣度预测结果，确定该商品兴趣度对应的商品，并生成商品推荐信息。具体的，商品推荐信息的内容可以是推荐购买、推荐试用等。
[0063] 步骤402、将所述商品推荐信息发送至所述目标用户。
[0064] 本实施例中，将商品推荐信息发送至目标用户。具体的发送形式，可以通过短信、邮件或是软件内的消息等。
[0065] 本实施例的商品兴趣度预测方法，进一步包括了根据商品兴趣度预测结果推荐商品信息的步骤，使得本实施例的方法能够在商品兴趣度预测后进一步实现商品信息推荐的功能，提高了本实施例的方法的实用性。
[0066] 基于同一发明构思，参考图5，本说明书实施例还提供了一种目标用户预测装置，包括：
[0067] 获取模块501，被配置为获取用户关系网络图；所述用户关系网络图包括：表示用户的用户节点，以及连接所述用户节点以表示用户间存在好友关系的边；其中，部分所述用户节点关联有用于表示商品兴趣度的标签；
[0068] 影响度确定模块502，被配置为将所述用户关系网络图输入图注意力网络模型，得到连接有所述边的两个所述用户节点间的影响度；
[0069] 加权模块503，被配置为根据所述影响度，为所述用户关系网络图中的所述边赋予权值，得到加权用户关系网络图；
[0070] 预测模块504，被配置为根据所述加权用户关系网络图，预测得到商品兴趣度预测结果。
[0071] 作为一个可选的实施例，所述装置还包括：生成模块，被配置为获取用户好友关系数据，确定用户，以及所述用户间的好友关系；获取历史交易数据，确定部分所述用户的交易记录；根据所述用户和所述用户间的好友关系，生成所述用户关系网络图；根据所述交易记录，为部分所述用户节点关联所述标签。
[0072] 作为一个可选的实施例，所述权值为所述边的连接的两个用户节点间的影响度。
[0073] 作为一个可选的实施例，所述预测使用的算法为标签传播算法、全面连接搜索算法、社区结构发现算法中的任意一种。
[0074] 作为一个可选的实施例，所述商品兴趣度预测结果包括：未关联有所述标签的用户节点的商品兴趣度。
[0075] 作为一个可选的实施例，所述装置还包括：推荐模块，被配置为根据所述商品兴趣度预测结果，确定目标用户，并生成商品推荐信息；将所述商品推荐信息发送至所述目标用户。
[0076] 上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0077] 基于同一发明构思，本说明书实施例还提供了一种电子设备，该包括电子设备存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一实施例所述的方法。
[0078] 图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0079] 处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0080] 存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0081] 输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0082] 通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
[0083] 总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0084] 需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0085] 上述实施例的电子设备用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0086] 需要说明的是，本发明实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0087] 上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0088] 所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0089] 尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
[0090] 本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种照明灯电路过流保护装置 | 2020-05-08 | 839 |
| 一种离网型风光互补路灯系统及控制方法 | 2020-05-08 | 536 |
| 基于物联网的室内定位数据处理方法、装置及系统 | 2020-05-08 | 898 |
| 固化修复树脂 | 2020-05-08 | 520 |
| 一种可调叶片式仿生光伏发电装置 | 2020-05-11 | 793 |
| 基于无模型控制器的永磁同步电机控制方法及装置 | 2020-05-11 | 4 |
| 喷丸处理装置 | 2020-05-08 | 696 |
| 无人机多链路中继通信系统的功率分配与飞行路线优化方法 | 2020-05-08 | 844 |
| 服务授权方法及通信装置 | 2020-05-08 | 141 |
| 一种微型风光互补供电电源及其供电方法 | 2020-05-11 | 623 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈