一种缩短时间戳网络解决多事件视频问答系统、方法、计算机及存储介质与流程

1.本发明涉及一种视频问答方法，尤其涉及一种缩短时间戳网络解决多事件视频问答系统、方法、计算机及存储介质，属于计算机视觉和自然语言处理交叉领域。


背景技术：

2.多模态、多事件的多选式视频问答任务是一种结合自然语言处理和计算机视觉的多模态任务，是人工智能及深度学习领域的一个重要问题，该任务根据输入的包含声图文信息的视频以及对应的文本问题，自动地从给出的多个候选答案中选取能回答给定问题且最符合视频内容的选项作为预测答案。
3.视频通常由连续的帧组成，相比于单纯的图像而言，其包含更多的时间序列信息，如场景转换、物体运动等。此外，视频问答中的问题和候选答案通常由连续的文本序列组成。因此，现有解决视频问答任务的核心技术主要源于自然语言处理的相关方法，即编码器
‑
解码器结构、注意力机制和记忆网络。编码器
‑
解码器结构的思想是先利用编码器将视频的时序信息与问题的信息进行编码，再利用解码器生成答案。注意力模型的思想是计算问题与视频之间的相似度，为与问题相关的视频信息分配较高的权重值，并基于此生成答案。记忆网络的思想是利用一个记忆数组存储较长视频中的全部信息，防止在编码的过程中出现信息丢失的问题。目前，视频问答的主要解决思路就是将编码器
‑
解码器结构、注意力机制和记忆网络这三者进行有机组合，并辅助以强化学习、生成对抗网络等技术优化结果，生成较为准确的答案。
4.然而，随着视频问答的研究和发展，问询视频的长度逐步增加，基于电影和电视剧的视频问答数据集的视频平均时长分别达到了200秒和60秒，这样的视频会包含许多事件，而非单一的一个事件。这使得解决包含长视频的多事件视频问答方法需要额外的两种能力：一是从冗长的视频中发现并定位与问题相关的事件的能力，二是精准推理与问题相关的事件间关系和事件内信息的能力。现有的视频问答技术会编码整个视频的信息并利用注意力机制进行推理，这会导致它们考虑了过多的冗余信息，从而影响了对于视频信息的理解，降低了答案预测的准确性。已有实验证明，如果能从长视频中精准定位与问题相关的关键事件，即确定该关键事件的起始时间和结束时间，就能有效提高视频问答预测的准确性。
5.为了解决上述问题，本发明使用注意力机制和模糊理论对视频中的事件信息进行处理，缩短与问题相关的信息的时间戳，精确定位与问题相关的关键事件，并利用注意力机制分别推理出具有问题导向的上下文信息和具有答案导向的上下文信息，再以此来预测答案。


技术实现要素：

6.在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关
键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
7.本发明提供了一种缩短时间戳网络解决多事件视频问答系统，包括帧级及剪辑级提取模块、字幕级提取模块、问题和答案提取模块、事件嵌入模块、关键事件嵌入模块、上下文信息模块和答案选择模块；
8.所述帧级及剪辑级提取模块用于提取视频的帧级和剪辑级的事件特征；
9.所述字幕级提取模块用于提取字幕级的事件特征；
10.所述问题和答案提取模块用于提取输入的问题和后选答案特征；
11.所述事件嵌入模块用于将事件特征分别嵌入到记忆数组中，得到帧级、剪辑级和字幕级的事件嵌入；
12.所述关键事件嵌入模块用于从事件特征中筛选出帧级、剪辑级和字幕级的关键事件嵌入；
13.所述上下文信息模块用于生成具有问题导向和具有答案导向的上下文信息；
14.所述答案选择模块用于得到预测的答案。
15.一种缩短时间戳网络解决多事件视频问答方法，包括以下步骤：
16.s1、对于输入的视频，提取视频的帧级和剪辑级的事件特征；
17.s2、对于输入视频对应的字幕，提取字幕级的事件特征；
18.s3、对于输入的问题和候选答案，提取问题和答案特征；
19.s4、将事件特征分别嵌入到记忆数组中，得到帧级、剪辑级和字幕级的事件嵌入；
20.s5、设计基于注意力机制和模糊理论的缩短时间戳模块，依据提取的问题特征，分别从事件特征中筛选出帧级、剪辑级和字幕级的关键事件嵌入；
21.s6、设计基于注意力机制的生成上下文信息模块，依据提取的问题特征和答案特征，生成具有问题导向和具有答案导向的上下文信息；
22.s7、设计自适应的答案选择模块，依据提取的答案特征，得到预测的答案。
23.优选的，步骤s1所述提取视频的帧级和剪辑级的事件特征的具体方法是：
24.帧级事件特征的提取：
25.对于输入的视频使用预训练的残差神经网络提取输入视频的帧级事件特征，f＝{f1,f2,...,f
n
}，其中f代表整个视频的帧级事件特征，f
i
代表视频的第i个帧级事件特征，n代表视频中的事件个数；
26.剪辑级事件特征的提取：
27.对于输入的视频使用预训练的三维卷积网络提取输入视频的剪辑级事件特征，c＝{c1,c2,...,c
n
}，其中c代表整个视频的剪辑级事件特征，c
i
代表视频中的第i个剪辑级事件特征，n代表视频中的事件个数。
28.优选的，步骤s2所述提取字幕级的事件特征的具体方法是：对于输入视频对应的字幕使用预训练的bert模型提取字幕级的事件特征，s＝{s1,s2,...,s
n
}，其中s代表整个视频的字幕级事件特征，s
i
代表第i个字幕级事件特征，n代表视频中的事件个数。
29.优选的，步骤s3所述提取问题和答案特征、步骤s4所述得到帧级、剪辑级和字幕级的事件嵌入的的具体方法是：
30.提取问题特征：
31.对于输入的问题，使用预训练的词嵌入模型glove提取问题特征，u＝{q1,q2,...,q
m
}，其中u代表整个问题的特征，q
i
代表第i个词的特征，m代表问题的长度；
32.提取答案特征：
33.对于输入的候选答案，使用预训练的词嵌入模型提取这些候选答案的特征其中g代表所有候选答案的特征，代表第j个候选答案的第i个词特征，t代表候选答案的最大词数。
34.得到帧级、剪辑级和字幕级的事件嵌入的具体的方法是：
35.训练一个线性激活层和卷积层组合的网络，分别将帧级事件特征f、剪辑级事件特征c和字幕级事件特征s嵌入记忆数组中，得到帧级事件嵌入m
f
、剪辑级事件嵌入m
c
和字幕级事件嵌入m
s
。
36.优选的，步骤s5所述从事件特征中筛选出帧级、剪辑级和字幕级的关键事件嵌入的具体方法是：
37.s51设计注意力层来分别计算不同级的事件嵌入与问题特征u的相关度r
uf
、r
uc
、r
us
，计算公式如下：
38.r
uf
＝softmax(um
f
)
39.r
uc
＝softmax(um
c
)
40.r
us
＝softmax(um
s
)
41.其中，softmax(
·
)是软目标归一化函数，计算公式如下：
[0042][0043]
其中x代表任意一个向量，它包含n个元素，分别是(x1,x2,...,x
n
)，x
i
和x
j
分别代表向量x中的第i个和第j个元素，exp(
·
)代表以e为底的指数函数；
[0044]
s52构建帧级相关度模糊矩阵r
uf
、剪辑级相关度模糊矩阵r
uc
和字幕级相关度模糊矩阵r
us
，构建公式如下：
[0045]
r
uf
＝(r
uf
)
n
×3,r
uc
＝(r
uc
)
n
×3,r
us
＝(r
us
)
n
×3,0≤r
uf
,r
uc
,r
us
≤1
[0046]
s53计算帧级、剪辑级和字幕级相关度模糊矩阵r
uf
、r
uc
、r
us
的布尔型λ截矩阵计算公式如下：
[0047][0048][0049][0050]
s54对于布尔型λ截矩阵使用遵循模糊集基本运算规则的并集操作，锁定多个事件中与问题相关的有效线索其中t
min
＝[t
start
,t
end
]表示与问题相
关的事件的最短时间戳，计算公式如下：
[0051][0052]
其中，t
start
代表最短时间戳的开始时刻，t
end
代表最短时间戳的结束时刻；
[0053]
s55利用与问题相关的有效线索分别更新步骤s4得到的帧级、剪辑级和字幕级关键事件嵌入m
f
、m
c
、m
s
，公式如下：
[0054][0055][0056][0057]
其中，
⊙
代表逐元素乘法，用于将有效线索与步骤s4得到的事件嵌入融合；再分别利用以w
f
,w
c
,w
s
为权重矩阵，以b
f
,b
c
,b
s
为偏置参数的线性层更新事件嵌入为仅包含与问题相关信息的关键事件嵌入；:＝代表更新操作。
[0058]
优选的，步骤s6所述生成具有问题导向和具有答案导向的上下文信息的具体方法是：
[0059]
s61生成具有问题导向的帧级、剪辑级和字幕级上下文信息
[0060]
s62具有答案导向的帧级、剪辑级和字幕级上下文信息
[0061]
s63融合帧级、剪辑级和字幕级的信息，生成具有问题导向的上下文信息o
u
；
[0062]
s64融合帧级、剪辑级和字幕级的信息生成具有答案导向的上下文信息o
g
。
[0063]
优选的，步骤s7所述依据提取的答案特征，得到预测的答案的具体方法是：
[0064]
s71结合具有问题导向的上下文信息o
u
、具有答案导向的上下文信息o
g
和答案特征g，利用一个自适应权重α来动态的计算对于候选答案的置信度z；
[0065]
s72从候选答案中选择置信度最高的答案作为预测的答案
[0066]
s73将预测的答案与训练数据中的真实答案进行对比，根据比较的差值更新缩短时间戳网络的参数。
[0067]
一种计算机，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现一种缩短时间戳网络解决多事件视频问答的方法的步骤。
[0068]
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种缩短时间戳网络解决多事件视频问答的方法。
[0069]
本发明的有益效果如下：本发明对于视频中的多个事件分别提取帧级、剪辑级和字幕级的特征，提高了对事件中的场景、外观、运动等诸多信息的获取效率，提升了视频信息的获取能力。本发明针对长视频中冗余信息过多的问题，设计了一种基于注意力机制和模糊矩阵的缩短时间戳模块，从视频的众多事件中选取与问题相关的关键事件，去除了冗余信息，从而提高推理的准确性。本发明设计了一种结合问题特征与候选答案特征分别生成上下文信息的方法，将获取到的事件嵌入与问题和候选答案充分融合，提升所提方法对视频信息的理解能力。
附图说明
[0070]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0071]
图1为本发明实施例所述的系统结构示意图；
[0072]
图2为本发明实施例所述的方法流程示意图；
[0073]
图3为本发明实施例所述的使用缩短时间戳模块示意图；
[0074]
图4为本发明实施例所述的缩短时间戳网络的整体框架。
具体实施方式
[0075]
为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0076]
实施例一：
[0077]
参照图1说明本实施例，本实施例的一种缩短时间戳网络解决多事件视频问答系统，包括帧级及剪辑级提取模块、字幕级提取模块、问题和答案提取模块、事件嵌入模块、关键事件嵌入模块、上下文信息模块和答案选择模块；
[0078]
所述帧级及剪辑级提取模块用于提取视频的帧级和剪辑级的事件特征；
[0079]
所述字幕级提取模块用于提取字幕级的事件特征；
[0080]
所述问题和答案提取模块用于提取输入的问题和后选答案特征；
[0081]
所述事件嵌入模块用于将事件特征分别嵌入到记忆数组中，得到帧级、剪辑级和字幕级的事件嵌入；
[0082]
所述关键事件嵌入模块用于从事件特征中筛选出帧级、剪辑级和字幕级的关键事件嵌入；
[0083]
所述上下文信息模块用于生成具有问题导向和具有答案导向的上下文信息；
[0084]
所述答案选择模块用于得到预测的答案。
[0085]
实施例二：
[0086]
参照图2至图4说明本实施例，本实施例的一种缩短时间戳网络解决多事件视频问答方法，包括以下步骤：
[0087]
s1、对于输入的视频，利用残差神经网络和三维卷积分别提取视频的帧级和剪辑级的事件特征；
[0088]
帧级事件特征的提取：
[0089]
对于输入的视频使用预训练的残差神经网络提取输入视频的帧级事件特征，f＝{f1,f2,
…
,f
n
}，其中f代表整个视频的帧级事件特征，f
i
代表视频的第i个帧级事件特征，n代表视频中的事件个数；
[0090]
剪辑级事件特征的提取：
[0091]
对于输入的视频使用预训练的三维卷积网络提取输入视频的剪辑级事件特征，c＝{c1,c2,
…
,c
n
}，其中c代表整个视频的剪辑级事件特征，c
i
代表视频中的第i个剪辑级事件特征，n代表视频中的事件个数。
[0092]
s2、对于输入视频对应的字幕，利用预训练模型提取字幕级的事件特征；对于输入视频对应的字幕使用预训练的bert模型提取字幕级的事件特征，s＝{s1,s2,
…
,s
n
}，其中s代表整个视频的字幕级事件特征，s
i
代表第i个字幕级事件特征，n代表视频中的事件个数。
[0093]
s3、对于输入的问题和候选答案，利用嵌入模型提取问题和答案特征；
[0094]
提取问题特征：
[0095]
对于输入的问题，使用预训练的词嵌入模型glove提取问题特征，u＝{q1,q2,
…
,q
m
}，其中u代表整个问题的特征，q
i
代表第i个词的特征，m代表问题的长度；
[0096]
提取答案特征：
[0097]
对于输入的5个候选答案，使用预训练的词嵌入模型提取这些候选答案的特征其中g代表所有候选答案的特征，代表第j个候选答案的第i个词特征，t代表候选答案的最大词数。
[0098]
输入5个候选答案是视频问答中多选类问题的常用手段，视频问答的多选类问题通常有4至5个候选答案。
[0099]
s4、将事件特征分别嵌入到记忆数组中，得到帧级、剪辑级和字幕级的事件嵌入；训练一个线性激活层和卷积层组合的网络，分别将帧级事件特征f、剪辑级事件特征c和字幕级事件特征s嵌入记忆数组中，得到帧级事件嵌入m
f
、剪辑级事件嵌入m
c
和字幕级事件嵌入m
s
。
[0100]
s5、根据提取的帧级、剪辑级和字幕级的事件嵌入表示，设计一个基于注意力机制和模糊理论的缩短时间戳模块，依据提取的问题特征，分别从事件特征中筛选出帧级、剪辑级和字幕级的关键事件嵌入；
[0101]
s51根据提取的帧级、剪辑级和字幕级事件嵌入m
f
、m
c
、m
s
，设计注意力层来分别计算不同级的事件嵌入与问题特征u的相关度r
uf
、r
uc
、r
us
，计算公式如下：
[0102]
r
uf
＝softmax(um
f
)
[0103]
r
uc
＝softmax(um
c
)
[0104]
r
us
＝softmax(um
s
)
[0105]
其中，softmax(
·
)是软目标归一化函数，计算公式如下：
[0106][0107]
其中x代表任意一个向量，它包含n个元素，分别是(x1,x2,...,x
n
)，x
i
和x
j
分别代表向量x中的第i个和第j个元素，exp(
·
)代表以e为底的指数函数；
[0108]
s52对于不同级的事件嵌入与问题特征的相关度r
uf
、r
uc
、r
us
，首先引入模糊理论中模糊矩阵的概念，构建帧级相关度模糊矩阵r
uf
、剪辑级相关度模糊矩阵r
uc
和字幕级相关度模糊矩阵r
us
，构建公式如下：
[0109]
r
uf
＝(r
uf
)
n
×3,r
uc
＝(r
uc
)
n
×3,r
us
＝(r
us
)
n
×3,0≤r
uf
,r
uc
,r
us
≤1
[0110]
其中n代表视频中的事件个数
[0111]
s53对于得到的相关度模糊矩阵，依据模糊理论中的截矩阵操作，分别计算帧级、剪辑级和字幕级相关度模糊矩阵r
uf
、r
uc
、r
us
的布尔型λ截矩阵计算公式如下：
[0112][0113][0114][0115]
s54对于布尔型λ截矩阵使用遵循模糊集基本运算规则的并集操作，锁定多个事件中与问题相关的有效线索其中t
min
＝[t
start
,t
end
]表示与问题相关的事件的最短时间戳，计算公式如下：
[0116][0117]
其中，t
start
代表最短时间戳的开始时刻，t
end
代表最短时间戳的结束时刻；
[0118]
s55利用与问题相关的有效线索r
tmin
，分别更新步骤s4得到的帧级、剪辑级和字幕级关键事件嵌入m
f
、m
c
、m
s
，公式如下：
[0119][0120][0121][0122]
其中，
⊙
代表逐元素乘法，用于将有效线索与步骤s4得到的事件嵌入融合；再分别利用以w
f
,w
c
,w
s
为权重矩阵，以b
f
,b
c
,b
s
为偏置参数的线性层更新事件嵌入为仅包含与问题相关信息的关键事件嵌入；:＝代表更新操作。
[0123]
s6、设计基于注意力机制的生成上下文信息模块，依据提取的问题特征和答案特征，生成具有问题导向和具有答案导向的上下文信息；
[0124]
根据提取的帧级、剪辑级和字幕级关键事件嵌入m
f
、m
c
、m
s
，分别使用问题特征u和答案特征g对它们进行关注，生成具有问题导向的帧级、剪辑级和字幕级上下文信息答案特征g对它们进行关注，生成具有问题导向的帧级、剪辑级和字幕级上下文信息以及具有答案导向的帧级、剪辑级和字幕级上下文信息
[0125]
s61生成具有问题导向的帧级、剪辑级和字幕级上下文信息计算公式如下：
[0126][0127][0128][0129]
s62具有答案导向的帧级、剪辑级和字幕级上下文信息计算公式如下：
[0130][0131][0132][0133]
s63融合帧级、剪辑级和字幕级的信息，生成具有问题导向的上下文信息o
u
；对于得到的具有问题导向的帧级、剪辑级和字幕级上下文信息使用级联和元素级积的操作，融合帧级、剪辑级和字幕级的信息，生成具有问题导向的上下文信息o
u
，计算公式如下：
[0134][0135]
其中，concat(
·
)函数表示对内部所有信息的级联。
[0136]
s64融合帧级、剪辑级和字幕级的信息生成具有答案导向的上下文信息o
g
。对于得到具有答案导向的帧级、剪辑级和字幕级上下文信息使用级联和元素级积的操作，融合帧级、剪辑级和字幕级的信息，生成具有答案导向的上下文信息o
g
，计算公式如下：
[0137][0138]
其中，concat(
·
)函数表示对内部所有信息的级联。
[0139]
s7、设计自适应的答案选择模块，依据提取的答案特征，得到预测的答案。
[0140]
s71结合具有问题导向的上下文信息o
u
、具有答案导向的上下文信息o
g
和答案特征g，利用一个自适应权重α来动态的计算对于候选答案的置信度z；计算公式如下：
[0141][0142]
s72从5个候选答案中选择置信度最高的答案作为预测的答案计算公式如下：
[0143]
当z
j
＝argmax
i∈[1,5]
(z
i
)时
[0144]
其中，argmax(
·
)代表求多个元素中最大的元素，a
j
代表第j个候选答案，z
j
代表第j个候选答案的置信度，z
i
代表第i个候选答案的置信度。
[0145]
s73将预测的答案与训练数据中的真实答案进行对比，根据比较的损失差值更新缩短时间戳网络的参数。
[0146]
对本发明提出的方法进行实验分析：
[0147]
本发明在自己构建的数据集上进行了实验验证，该类数据集美剧生活大爆炸作为视频来源，包含的视频总时长为461个小时，涉及925个场景，从场景中生成包含118974个事件的21793个剪辑以及152545个问答对,其中训练集包含122,039个问答对，验证集包含15,252个问答对，测试集包含7,623个问答对。
[0148]
问答对的生成根据视频和字幕按照模板生成，该问题的模板首先根据“当
……
时/在
……
之前/在
……
之后”的句式，利用开始和结束的时间戳定位与问题相关的视频片段，然后针对该视频片段来提出“是什么/如何/在哪/为什么”这四个类型的问题。该数据集中问题类型是多选问题，每个问题都有五个候选答案，但是只有一个是正确。
[0149]
视频剪辑的长度平均为60到90秒，包含了很多的人物活动和场景的信息，具有丰富的动态性和现实的社会互动性。此外，该数据集为每个视频剪辑中的每个事件标注了开始和结束的时间戳，因此根据问题可以准确定位视频剪辑中的关键部分。
[0150]
为了客观的评估本发明提出的方法的性能，本发明根据分类准确率来评估缩短时间戳网络，准确率是正确回答的数量占总答案数量的比例，并且其经常被用来评价分类任务的性能。公式如下：
[0151][0152]
其中，m代表问答对个数，q
t
代表问题集，代表预测答案，y代表真实答案。
[0153]
为了评价本发明的算法性能，本发明通过控制输入的数据，分别设置了三个实验任务：
[0154]“s q”任务：仅依据视频的字幕信息，回答给出的问题；
[0155]“v q”任务：仅依据视频的视觉信息，回答给出的问题；
[0156]“s v q”任务：同时依据视频的视觉信息和字幕信息，回答给出的问题。
[0157]
首先，本发明按照具体实施方法中描述的步骤进行实验，所得的测试结果如表1所示，本方法表示为stn，结果的度量为准确率(％)：
[0158]
表1本发明所提方法在三个实验任务上的测试结果
[0159]
方法名“s q”任务“v q”任务“s v q”任务stn68.9050.8770.05
[0160]
本发明为了验证具体实施方法中步骤s5的有效性，设计了五个消融实验方案并在三个实验任务上进行消融测试，五个消融实验方案其具体如下，所得的测试结果如表2所示，结果的度量为准确率(％)：
[0161]
表示测试过程中去掉步骤s5，直接用步骤s4生成的事件嵌入生成上下文信息并预测答案。
[0162]
表示测试过程中去掉步骤s5和s6中与剪辑级事件嵌入和字幕级事件嵌入m
c
、m
s
相关的所有操作，仅通过帧级事件嵌入m
f
提取关键事件嵌入并生成上下文信息，再根据上下文信息预测答案。
[0163]
表示测试过程中去掉步骤s5和s6中与帧级事件嵌入和字幕级事件嵌入m
f
、m
s
相关的所有操作，仅通过剪辑级事件嵌入m
c
提取关键事件嵌入并生成上下文信息，再根据上下文信息预测答案。
[0164]
表示测试过程中去掉步骤s5和s6中与剪辑级事件嵌入和帧级事件嵌入m
c
、m
f
相关的所有操作，仅通过字幕级事件嵌入m
s
提取关键事件嵌入并生成上下文信息，再根据上下文信息预测答案。
[0165]
stn:表示测试过程中不做任何修改，使用stn进行测试。
[0166]
表2本发明针对所提方法的步骤s5在三个实验任务上的消融测试结果
[0167][0168]
根据实验结果分析，本发明很好的提高了答案预测的准确性。
[0169]
本发明工作原理：
[0170]
将视频和字幕提取为多级的事件嵌入，并提取问题和候选答案的特征。利用问题导向的注意力获取不同事件的注意力权重，并利用模糊理论中的截距阵提取视频中的关键事件嵌入。利用问题和答案分别关注不同模态的关键事件嵌入，生成具有问题导向和具有答案导向的上下文信息。自适应地融合问题导向和答案导向的上下文，生成答案。相比于一般视频问答方案，本发明从视频中提取多个事件的多模态嵌入，并利用模糊数学中的截距阵等理论筛选出关键事件，通过去除冗余信息提高了回答的准确性。本发明在视频问答中取得的效果相比于传统方法更好。
[0171]
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于creo软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
[0172]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0173]
所述存储器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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器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，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、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。
[0174]
计算机可读存储介质实施例
[0175]
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机
程序时，可以实现上述的基于creo软件的可修改由关系驱动的建模数据的建模方法的步骤。
[0176]
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0177]
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。