语义情感分析方法及装置与流程

1.本技术涉及人工智能技术领域，具体涉及一种语义情感分析方法及装置。


背景技术：

2.在创意营销领域中，创意从投放到产生消费影响是重要的环节，其中洞察消费者的消费行为，是指导创意生产的重要依据。因此，关注消费者在电商平台的消费反馈，挖掘消费者潜在消费动力，来指导创意内容的生产是非常重要的。
3.消费者的购买评价中，往往包含多个语义方面的内容，如：“使用效果”、“物流快递”等，且这些方面类别是具有层级的，底层的方面类别粒度较细。基于方面类别的情感分析就是在消费者评论文本中挖掘所提及的方面类别，并挖掘出其所包含的情感倾向，例如消费者评价为“去屑效果不错，赠品分量太小了”，其整句情感为中性，效果方面情感为褒义，赠品方面情感为贬义。
4.现有技术中，针对消费者评价的语义情感挖掘主要为以下几种：第一种，基于整句的情感分析；第二种，基于关键词的方面定位于情感分析；第三种，先提取方面类别，后对已知方面的句子进行情感分类。然而，如同上述示例，一个句子中包含的方面与情感往往是复合的，使用第一种方法将不能提取细粒度的情感；在第二种方法中，关键词往往需要前置步骤提取关键词语，且泛化性差；第三种方法采用分步的方式做到基于方面类别的情感分析，需要针对每个方面类别单独训练一个分类器，效率并不是很高。
5.因此，亟待一种效率高、准确度高、且能够完整提取消费者评价中各个方面类别的语义情感分析方法，以克服上述问题。


技术实现要素：

6.本技术实施例提供了一种语义情感分析方法及装置，该方法利用基于bert架构的多分类语义情感分析模型，将方面类别和待识别语句一同输入模型进行识别，能够快速、有效的识别出消费者评价中各个方面类别的情感极性，从而多得到待消费者评价中的细粒度情感信息。
7.第一方面，提供了一种语义情感分析方法，所述方法包括：
8.获取待识别语句；
9.将方面类别与所述待识别语句进行拼装，得到测试拼装语句；
10.将测试拼装语句作为输入，输入至基于bert架构的多分类语义情感分析模型中，以使所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性；
11.接收所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性。
12.可选的，在上述方法中，所述方面类别包括多个子类别；
13.所述将方面类别与所述待识别语句进行拼装，得到拼装语句包括：
14.将多个子类别分别作为sentence 1；
15.将所述待识别语句作为sentence 2；
16.将多个子类别与所述待识别语句按照[cls sentence 1 sep sentence 2 sep]的格式分别进行拼装，得到多个拼装语句，以使所述语义情感分析模型根据所述多个拼装语句中cls位置的向量确定所述待识别语句在方面类别，所属的情感极性。
[0017]
可选的，在上述方法中，所述语义情感分析模型是通过下述方法训练得到的包括：
[0018]
将方面类别与训练数据集中的各语句进行拼装，得到训练拼装语句；加载bert预训练模型；
[0019]
选择性解冻所述bert预训练模型的部分网络层，并基于所述训练拼装语句，对解冻的网络层进行训练；
[0020]
获取所述bert预训练模型的输出层，并提取cls位置的向量；
[0021]
基于所述向量，以及在所述输出层增设的多层感知网络，确定所述待识别语句在各方面类别，所属的情感极性，得到语义情感分析模型；其中所述情感极性为所述语义情感分析模型的groundtruth。
[0022]
可选的，在上述方法中，所述选择性解冻所述bert预训练模型的部分网络层包括：
[0023]
将所述bert预训练模型的输出层的前一层进行解冻。
[0024]
可选的，上述方法还包括：
[0025]
采用人工标注的验证数据集，对所述语义情感分析模型的预测结果进行验证，其中，在所述情感极性包括三项时，预测准确率达到98.7％；在所述情感极性包括两项时，预测准确率达到99.4％。
[0026]
可选的，上述方法还包括：
[0027]
根据所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性，绘制热力分析图。
[0028]
第二方面，提供了一种语义情感分析装置，该装置包括：
[0029]
获取单元，用于获取待识别语句；
[0030]
拼装单元，用于将方面类别与所述待识别语句分别进行拼装，得到测试拼装语句；
[0031]
输入单元，用于将测试拼装语句作为输入，输入至基于bert架构的多分类语义情感分析模型中，以使所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性；
[0032]
接收单元，用于接收所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性。
[0033]
可选的，在上述装置中，所述方面类别包括多个子类别；
[0034]
所述拼装单元，用于将多个子类别分别作为sentence 1；
[0035]
将所述待识别语句作为sentence 2；
[0036]
将多个子类别与所述待识别语句按照[cls sentence 1 sep sentence 2 sep]的格式分别进行拼装，得到多个拼装语句，以使所述语义情感分析模型根据所述多个拼装语句中cls位置的向量确定所述待识别语句在方面类别，所属的情感极性。
[0037]
可选的，在上述装置中，所述语义情感分析模型是通过下述方法训练得到的：
[0038]
将方面类别与训练数据集中的各语句进行拼装，得到训练拼装语句；加载bert预训练模型；
[0039]
选择性解冻所述bert预训练模型的部分网络层，并基于所述训练拼装语句，对解
冻的网络层进行训练；
[0040]
获取所述bert预训练模型的输出层，并提取cls位置的向量；
[0041]
基于所述向量，以及在所述输出层增设的多层感知网络，确定所述待识别语句在各方面类别，所属的情感极性，得到语义情感分析模型；其中所述情感极性为所述语义情感分析模型的groundtruth。
[0042]
可选的，上述装置，还包括：验证单元，用于基于人工标注的验证数据集，对所述语义情感分析模型的预测结果进行验证，其中，在所述情感极性包括三项时，预测准确率达到98.7％；在所述情感极性包括两项时，预测准确率达到99.4％。
[0043]
可选的，上述装置，还包括：绘图单元，用于根据所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性，绘制热力分析图。
[0044]
第三方面，本技术实施例还提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一的方法。
[0045]
第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述任一的方法。
[0046]
本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0047]
本技术通过获取待识别语句；将方面类别与所述待识别语句分别进行拼装，得到测试拼装语句；将测试拼装语句作为输入，输入至基于bert架构的多分类语义情感分析模型中，以使所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性；接收所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性。本技术基于bert架构，构建了多分类语义情感分析模型，在预测时，将方面类别和待识别语句拼装在一起，一同输入多分类语义情感分析模型中，以获得待识别语句在各个方面类别的情感极性。本技术将细粒度方面类别情感分析(end-to-end aspect/target-based sentiment analysis，absa)任务转化为一种自然语言推理任务，实现了细粒度端到端的语义情感分析方法；实现了在创意营销领域中的评论方面情感挖掘，获取到的消费者评价中多方面的信息，为挖掘消费者的客观意图，应用于下游的创意生产指导和投放指导提供了可靠的基础支撑；且相对于现有技术的卷积神经网络模型相比，其鲁棒性、泛化能力都达到了相当高(state of the art，sota)的水平。
附图说明
[0048]
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：
[0049]
图1示出根据本技术的一个实施例的语义情感分析方法的流程示意图；
[0050]
图2示出了现有技术中的bert架构的输入层的结构示意图；
[0051]
图3示出了根据本技术的一个实施例的预测结果的热力分析图；
[0052]
图4示出根据本技术的一个实施例的语义情感分析装置的结构示意图；
[0053]
图5为本技术实施例中一种电子设备的结构示意图。
具体实施方式
[0054]
为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0055]
以下结合附图，详细说明本技术各实施例提供的技术方案。
[0056]
现有技术中，对消费者评价语句的情感分析方面，不能有效的分析出语句在细粒度的方面类别的情感极性，本技术提供了一种语义情感分析方法，本技术是基于谷歌(google)提供的bert框架来实现的，关于bert框架结构可参考现有技术。图1示出根据本技术的一个实施例的语义情感分析方法的流程示意图，从图1所示，本技术至少包括步骤s110～步骤s140：
[0057]
步骤s110：获取待识别语句；
[0058]
本技术的待识别语句可以是从网络上获取的消费者对目标产品的评价语句，也可以是测试数据集中的语句，本技术不作限制。
[0059]
在本技术的一些实施例中，将absa场景聚焦到了单个营销品类，针对5000条某品类消费者评价文本，基于业务场景人工标注了400条文本数据，共包含35个垂直方面类别。每个方面类别至少包含正面、负面两种情感极性，在另一些实施例中，包含正面、负面和中性三种情感极性，在又一些实施例中，包含正面、负面、中性和空三种情感极性。
[0060]
步骤s120：将方面类别与待识别语句进行拼装，得到测试拼装语句。
[0061]
本技术不同于现有技术之处在于，本技术在训练模型和测试语句时，不仅仅针对于待识别语句本身，而是将方面类别与待识别语句进行预处理，预处理包括但不限于拼装，从而得到测试拼装语句，在测试时，对测试拼装语句进行测试。
[0062]
拼装的过程是基于bert架构进行设计的，图2示出了现有技术中的bert架构的输入层的结构示意图，sentence 1和sentence 2是bert模型的输入，对于测试语句的拼装，将方面类别的多个子类别分别作为sentence 1；将待识别语句作为sentence 2；将方面类别的多个子类别与待识别语句按照[cls sentence 1 sep sentence 2 sep]的格式分别进行拼装，得到多个拼装语句。
[0063]
以方面类别包括使用效果、物流快递和赠品三个维度，待识别语句为：去屑效果不错，赠品分量太小了为例，待识别语句可以被拼装为表1所示的形式：
[0064]
表1
[0065]
labelsentence 1sentence 2positive使用效果去屑效果不错，赠品分量太小了none物流快递去屑效果不错，赠品分量太小了negative赠品去屑效果不错，赠品分量太小了
[0066]
其中label为模型groundtruth，sentence 1与sentence 2将被组装为如下形式输入bert框架进行训练：[cls sentence 1 sep sentence 2 sep]。
[0067]
在拼装过程中，将使用效果作为sentence 1，去屑效果不错，赠品分量太小了作为sentence 2，形成一条测试拼接语句；同理，将物流快递作为sentence 1，去屑效果不错，赠品分量太小了作为sentence 2，形成一条测试拼接语句；再将赠品作为sentence 1，去屑效
果不错，赠品分量太小了作为sentence 2。
[0068]
从图2示出的模型框架可以看出，sentence 1与sentence 2将由[sep]位置切分，bert模型使用[cls]位置的向量完成后续分类任务。
[0069]
步骤s130：将测试拼装语句作为输入，输入至基于bert架构的多分类语义情感分析模型中，以使语义情感分析模型确定待识别语句在方面类别，所属的情感极性。
[0070]
将通过拼装获取的测试拼装语句作为输入，输入至基于bert架构的多分类语义情感分析模型中。
[0071]
本技术中的多分类语义情感分析模型可以是两分类、三分类或者四分类模型，在需要时，可以是更多极性的分类模型。
[0072]
在本技术中的一些实施例中，多分类语义情感分析模型是在基于bert架构，采用训练数据集进行训练得到的，其中训练数据集中的每条数据都采用与上述一样的拼装方式获得的训练拼装语句。
[0073]
语义情感分析模型可以对测试拼装语句进行预测，得到待识别语句在方面类别的每个维度上，所属的情感极性。
[0074]
步骤s140：接收语义情感分析模型确定待识别语句在方面类别，所属的情感极性。
[0075]
表2示出了本技术一些语义情感分析模型确定的待识别语句的预测结果。
[0076]
表2
[0077][0078]
从表2中可以看出，方面类别包括：泡沫、去屑、适用人群、柔顺、香味、真伪等，情感极性包括消极和积极。
[0079]
从图1示出的方法可以看出，本技术基于bert架构，构建了多分类语义情感分析模型，在预测时，将方面类别和待识别语句拼装在一起，一同输入多分类语义情感分析模型中，以获得待识别语句在各个方面类别的情感极性。本技术将细粒度方面类别情感分析(end-to-end aspect/target-based sentiment analysis
，
absa)任务转化为一种自然语言推理任务，实现了细粒度端到端的语义情感分析方法；实现了在创意营销领域中的评论方面情感挖掘，获取到的消费者评价中多方面的信息，为挖掘消费者的客观意图，应用于下游的创意生产指导和投放指导提供了可靠的基础支撑；且相对于现有技术的卷积神经网络模型相比，其鲁棒性、泛化能力都达到了相当高(state of the art，sota)的水平。
[0080]
在本技术的一些实施例中，语义情感分析模型是通过下述方法训练得到的：将方面类别与训练数据集中的各语句进行拼装，得到训练拼装语句；加载bert预训练模型；选择性解冻bert预训练模型的部分网络层，并基于训练拼装语句，对解冻的网络层进行训练；获取bert预训练模型的输出层，并提取cls位置的向量；基于该向量，以及在输出层增设的多
层感知网络，确定待识别语句在各方面类别，所属的情感极性，得到语义情感分析模型；其中情感极性为所述语义情感分析模型的groundtruth。
[0081]
在训练的过程中，同测试时，也需要将数据集中的各条语句先进行处理，将方面类别与训练数据集中的各语句进行拼装，得到训练拼装语句，在本技术的一些实施例中，本技术采用了1600多条有标签探索性分析((exploratory data analysis，eda)数据、4000多条无标签原始数据、4000多条无标签eda数据。将上述数据均通过拼装处理，与35个垂直维度的方面类别分别拼装，形成训练用拼装语句集。
[0082]
然后，加载bert预训练模型，该模型可从谷歌的响应平台上获取，具有深且窄的特点，共计12层，采用非监督(unsupervised)的办法，来训练transformer(没有统一中文名)模型。
[0083]
在本技术中，并不是对bert预训练模型的所有网络层均进行训练，而是选择性解冻bert预训练模型的部分网络层，具体的，可以为输出层的前一层，本技术中，在对bert预训练模型训练时，主要针对的就是被解冻的网络层。
[0084]
然后，获取bert预训练模型的输出层，即bert预训练模型的顶层，并提取cls位置的向量；基于该向量，以及在输出层增设的多层感知网络，确定待识别语句在各方面类别，所属的情感极性，得到语义情感分析模型，具体的，以softmax为激活函数输出分类结果。
[0085]
在这里需要说明的是，相对于现有技术，本技术在输出层中还增设了多层感知器，即多层感知网络，该层为一全连接层，有助于在细粒度的级别进行分类预测。
[0086]
在本技术的一些实施例中，还采用了400条人工标注的验证数据集，对上述语义情感分析模型的预测结果进行验证，结果如表3所示。
[0087]
表3
[0088]
文本数据量(条)p/r/f3-way/2-way400条人工标注数据0.979/0.942/0.960.987/0.994
[0089]
其中，p/r/f分别代表准确率、召回率和f1score评价指标，n-way是在n个情感极性上的准确率。从表3可以看出，在情感极性包括三项时，预测准确率达到98.7％；在情感极性包括两项时，预测准确率达到99.4％；且在准确率、召回率都达到了很高的分数，因此，该语义情感分析模型具有良好的泛化能力、鲁棒性。
[0090]
此外，本技术还支持根据预测结果进行热力分析图的绘制，如图3所示，图3示出了根据本技术的一个实施例的预测结果的热力分析图，从图3可以看出，图3是从“关注度”、“评论率”角度绘制了热力图，纵轴为品类的35个细粒度方面，横轴为不同角度用户的关注程度。由此可以分析出：好评率达到90％的方面特性是什么；消费者更加关注的最受欢迎的产品(top 10)的方面特性是什么；消费者不认可的功效是什么；消费者对品牌卖点的认可程度如何等等，可以根据热力分析图做更深层的消费者意图的挖掘。
[0091]
图4示出了根据本技术一个实施例的语义情感分析装置，该装置400包括：
[0092]
获取单元410，用于获取待识别语句
[0093]
拼装单元420，用于将方面类别与所述待识别语句进行拼装，得到测试拼装语句；
[0094]
输入单元430，用于将测试拼装语句作为输入，输入至基于bert架构的多分类语义情感分析模型中，以使所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性；
[0095]
接收单元440，用于接收所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性。
[0096]
在本技术的一些实施例中，在上述装置中，所述方面类别包括多个子类别；
[0097]
所述拼装单元420，用于将多个子类别分别作为sentence 1；将所述待识别语句作为sentence 2；将多个子类别与所述待识别语句按照[cls sentence 1 sep sentence 2 sep]的格式分别进行拼装，得到多个拼装语句，以使所述语义情感分析模型根据所述多个拼装语句中cls位置的向量确定所述待识别语句在方面类别，所属的情感极性。
[0098]
在本技术的一些实施例中，在上述装置中，所述语义情感分析模型是通过下述方法训练得到的：将方面类别与训练数据集中的各语句进行拼装，得到训练拼装语句；加载bert预训练模型；选择性解冻所述bert预训练模型的部分网络层，并基于所述训练拼装语句，对解冻的网络层进行训练；获取所述bert预训练模型的输出层，并提取cls位置的向量；基于所述向量，以及在所述输出层增设的多层感知网络，确定所述待识别语句在各方面类别，所属的情感极性，得到语义情感分析模型；其中所述情感极性为所述语义情感分析模型的groundtruth。
[0099]
在本技术的一些实施例中，上述装置还包括：验证单元，用于基于人工标注的验证数据集，对所述语义情感分析模型的预测结果进行验证，其中，在所述情感极性包括三项时，预测准确率达到98.7％；在所述情感极性包括两项时，预测准确率达到99.4％。
[0100]
在本技术的一些实施例中，上述装置还包括：绘图单元，用于根据所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性，绘制热力分析图。
[0101]
能够理解，上述对语义情感分析装置，能够实现前述实施例中提供的语义情感分析方法的各个步骤，关于语义情感分析方法的相关阐释均适用于语义情感分析装置，此处不再赘述。
[0102]
图5是本技术的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
[0103]
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0104]
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
[0105]
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成语义情感分析装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
[0106]
获取待识别语句；
[0107]
将方面类别与所述待识别语句进行拼装，得到测试拼装语句；
[0108]
将测试拼装语句作为输入，输入至基于bert架构的多分类语义情感分析模型中，以使所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性；
[0109]
接收所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性。
[0110]
上述如本技术图4所示实施例揭示的语义情感分析装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(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。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。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。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0111]
该电子设备还可执行图4中语义情感分析装置执行的方法，并实现语义情感分析装置在图4所示实施例的功能，本技术实施例在此不再赘述。
[0112]
本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图4所示实施例中语义情感分析装置执行的方法，并具体用于执行：
[0113]
获取待识别语句；
[0114]
将方面类别与所述待识别语句进行拼装，得到测试拼装语句；
[0115]
将测试拼装语句作为输入，输入至基于bert架构的多分类语义情感分析模型中，以使所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性；
[0116]
接收所述语义情感分析模型确定所述待识别语句在方面类别，所属的情感极性。
[0117]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0118]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0119]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0120]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0121]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0122]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0123]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0124]
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
[0125]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0126]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。