在线预测方法、装置、设备及存储介质与流程

1.本公开涉及在线预测领域但不限于在线预测领域，尤其涉及一种在线预测方法、装置、设备及存储介质。


背景技术：

2.随着信息技术的飞速发展，数据量也与日俱增。为了解决信息过载(information overload)的问题，推荐系统应运而生。推荐系统是在用户与内容交互的基础上，通过召回、粗排和精排等方式，从丰富的内容池中筛选出用户当前比较喜欢的内容。伴随着深度学习的引入，推荐效果更加个性化，模型的复杂度随之也会凸显出来。
3.相关技术中，会出现预测模型复杂且效率低，从而导致推荐内容不符合要求，会给用户带来不好的体验。


技术实现要素：

4.本公开实施例公开了一种在线预测方法、装置、设备及存储介质。
5.根据本公开实施例的第一方面，提供一种在线预测方法，所述方法包括:
6.基于同一目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型；其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；
7.基于训练后的所述学生模型，进行预定任务的在线预测。
8.在一个实施例中，所述基于训练后的所述学生模型，进行预定任务的在线预测，包括：
9.基于训练后的所述学生模型，进行数据推荐任务的在线预测。
10.在一个实施例中，所述基于同一目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型，包括：
11.基于同一目标训练参数，利用所述预定特征集同时且联合训练所述导师模型和所述学生模型，获得训练后的所述学生模型；
12.或者，
13.基于同一目标训练参数，利用所述预定特征集在训练所述导师模型之后联合训练所述学生模型，获得训练后的所述学生模型。
14.在一个实施例中，所述利用所述预定特征集在训练所述导师模型之后联合训练所述学生模型，获得训练后的所述学生模型，包括：
15.利用所述预定特征集在训练所述导师模型预定步数之后联合训练所述学生模型，获得训练后的所述学生模型。
16.在一个实施例中，所述导师模型为单塔模型，其中，所述单塔模型的输入特征为用户信息和内容信息的交叉特征；所述学生模型为双塔模型，其中，所述双塔模型包括用户塔模型和内容塔模型，所述用户塔模型的输入特征为用户信息特征，所述内容塔模型的输入
特征为内容信息特征。
17.在一个实施例中，蒸馏迁移的方式的蒸馏损失函数的损失参数是根据所述导师模型和所述学生模型的logits的误差确定的。
18.根据本公开实施例的第二方面，提供一种在线预测装置，所述装置包括:
19.训练模块，用于：基于同一目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型；其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；
20.预测模块，用于：基于训练后的所述学生模型，进行预定任务的在线预测。
21.在一个实施例中，所述预测模块，还用于：
22.基于训练后的所述学生模型，进行数据推荐任务的在线预测。
23.在一个实施例中，所述训练模块，还用于：
24.基于同一目标训练参数，利用所述预定特征集同时且联合训练所述导师模型和所述学生模型，获得训练后的所述学生模型；
25.或者，
26.基于同一目标训练参数，利用所述预定特征集在训练所述导师模型之后联合训练所述学生模型，获得训练后的所述学生模型。
27.在一个实施例中，所述训练模块，还用于：
28.利用所述预定特征集在训练所述导师模型预定步数之后联合训练所述学生模型，获得训练后的所述学生模型。
29.根据本公开实施例的第三方面，提供一种电子设备，所述电子设备，包括：
30.处理器；
31.用于存储所述处理器可执行指令的存储器；
32.其中，所述处理器被配置为：用于运行所述可执行指令时，实现本公开任意实施例所述的方法。
33.根据本公开实施例的第四方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行程序，所述可执行程序被处理器执行时实现本公开任意实施例所述的方法。
34.本公开的实施例提供的技术方案可以包括以下有益效果：
35.在本公开实施例中，基于相同的目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型；其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；基于训练后的所述学生模型，进行预定任务的在线预测。这里，由于是基于相同的目标训练参数联合训练用于数据粗排的导师模型和用于数据精排的学生模型，相较于基于不同的目标训练参数单独训练用于粗排的导师模型和单独训练用于精排的学生模型，能够减少粗排和精排的精度不匹配的情况，整体提升模型的预测精度，且能够简化模型结构，提升模型训练效率，给用户带来好的体验。
36.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
37.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
38.图1是根据一示例性实施例示出的一种在线预测方法的流程示意图。
39.图2是根据一示例性实施例示出的一种机器学习模型的示意图。
40.图3是根据一示例性实施例示出的一种机器学习模型的示意图。
41.图4是根据一示例性实施例示出的一种在线预测方法的流程示意图。
42.图5是根据一示例性实施例示出的一种在线预测方法的流程示意图。
43.图6是根据一示例性实施例示出的一种在线预测方法的流程示意图。
44.图7是根据一示例性实施例示出的一种在线预测方法的流程示意图。
45.图8是根据一示例性实施例示出的一种在线预测装置的框图。
46.图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
47.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
48.为了便于本领域内技术人员理解，本公开实施例列举了多个实施方式以对本公开实施例的技术方案进行清晰地说明。当然，本领域内技术人员可以理解，本公开实施例提供的多个实施例，可以被单独执行，也可以与本公开实施例中其他实施例的方法结合后一起被执行，还可以单独或结合后与其他相关技术中的一些方法一起被执行；本公开实施例并不对此作出限定。
49.为了更好地理解本公开实施例，以下通过一些示例性实施例对本公开技术方案进行说明：
50.在一个场景实施例中，推荐的排序环节注重精准排序，因此，在特征一定的情况下，越来越多的复杂模型引入到推荐的排序阶段，以便可以从更深入的信息维度挖掘用户与内容之间的关系。尤其是粗排环节更是要注重与精排的一致性。粗排是处于召回和精排的一个中间阶段，目标是在满足算力约束的情况下，从千万级的内容集合中选择跟精排目标一致的百级别候选集合。
51.工业界在精排阶段用复杂网络模型和丰富的特征，而在粗排阶段为了满足耗时要求，一般使用简单网络模型和基础特征。这种方式会导致两个问题：1、由于粗排和精排各自使用不同的网络结构和不同的特征集合训练各自的模型会导致两者目标不一致问题，最终粗排产出的topk候选集不能满足精排所需的精度。2、在多任务学习场景下需要训练很多模型带来机器资源和人力上的投入会增加很多。
52.在一个实施例中，针对目标一致性问题，相关技术中，解决方案是粗排拟合精排目标的方式做训练。但是，这种方式在多任务学习场景中多个目标之间互斥的场景下容易导致粗排目标的漂移，会出现最终粗排的topk结果既不是最优又不是最差的现象。采用粗排拟合精排的方式另一个问题是精排后的策略变化比较频繁的场景下会突出粗排的学习速
度跟不上精排的现象。
53.在一个实施例中，将蒸馏迁移框架应用到粗排，当蒸馏迁移框架应用到粗排时，导师模型精排可以直接指导学生模型粗排学习，让粗排学习到精排的泛化能力，得到的粗排结果会比单纯拟合训练数据的粗排要好。另外，如果蒸馏迁移的soft targets的熵比hard targets高，那显然粗排会学习到更多的信息，并且此时粗排和精排的计算是同时进行的，计算资源及人力成本也会降低。并且，任何精排的变化都会快速影响粗排，并且保持粗排的目标始终服务精排，特征以及模型结构更灵活，两者的目标在训练的过程中始终保持一致。
54.如图1所示，本实施例中提供一种在线预测方法，所述方法包括:
55.步骤11、基于同一目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型；其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；
56.步骤12、基于训练后的所述学生模型，进行预定任务的在线预测。
57.在一个实施例中，所述在线预测方法可以是应用于终端中，所述终端可以是但不限于是手机、可穿戴设备、车载终端、路侧单元(rsu，road side unit)、智能家居终端、工业用传感设备和/或医疗设备等。
58.示例性地，预定任务可以是搜索任务。所述终端在获取到用户输入的图片信息或者文字信息后，可以将获取得到的图片信息或者文字信息输入所述训练后的所述学生模型，从海量数据库中搜索与所述图片信息或者文字信息匹配的内容，并将该内容展示给用户。
59.示例性地，预定任务可以是推荐任务。所述终端在获取到用户的个人信息(爱好信息等)后，可以将获取到的个人信息输入所述训练后的所述学生模型，预测与所述个人信息关联的内容，并将该内容推荐给用户。
60.在一个实施例中，预定特征集中的样本用于输入导师模型和/或学生模型进行模型的训练。在一个实施例中，可以预先根据导师模型和学生模型的输入层的输入格式要求对样本进行预处理，获得符合要求的样本。
61.在一个实施例中，样本的内容跟预定任务的应用场景相关。示例性地，在预定任务为基于图像信息搜索的搜索任务场景中，样本的内容可以是图像。在预定任务为基于文字信息推荐的推荐任务场景中，样本的内容可以是文字，例如，文字关键词。
62.在一个实施例中，所述导师模型和所述学生模型可以是深度卷积神经网络。需要说明的是，所述导师模型和所述学生模型也可以是深度卷积神经网络之外的其他网络模型，在本公开实施例中不做限定。
63.在一个实施例中，请参见图2，为双塔粗排蒸馏迁移的示意图，迁移模型的主体包括导师模型和学生模型。在粗排的时，导师模型可以采用用户与内容的交叉特征。在一个实施例中，学生模型为双塔模型，包含用户塔和内容塔，其中，所述用户塔用于输入用户信息；所述内容塔用于输入内容信息。信息经过双塔后求内积就可以获得学生模型的输出。
64.在一个实施例中，请参见图3。为dnn粗排蒸馏迁移的示意图。
65.在一个实施例中，预定任务包括召回、粗排和精排的阶段。
66.在一个实施例中，基于相同的目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型，这里，粗排阶段的训练和精排阶段的训练可以是
同时进行的且基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；基于训练后的所述学生模型，进行预定任务的在线预测。
67.需要说明的是，联合训练所述导师模型和所述学生模型可以是利用同一个所述目标训练参数训练所述导师模型和所述学生模型。
68.在一个实施例中，可以根据在线预测的精度要求参数确定目标训练参数。基于相同的目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型。基于训练后的所述学生模型，进行预定任务的在线预测。
69.示例性地，若在线预测的精度要求参数大于精度阈值，可以确定所述目标训练参数小于参数阈值；或者，若在线预测的精度要求参数小于精度阈值，可以确定所述目标训练参数大于参数阈值。在一个实施例中，目标训练参数可以是输出误差。
70.在一个实施例中，根据从海量数据库中获取推荐内容的数量确定目标训练参数。基于相同的目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型。基于训练后的所述学生模型，进行预定任务的在线预测。
71.示例性地，若从冲海量数据库中获取推荐内容的数量大于预定数量，可以确定所述目标训练参数大于参数阈值；或者，若从海量数据库中获取推荐内容的数量小于预定数量，可以确定所述目标训练参数小于参数阈值。
72.在一个实施例中，根据要求的训练模型的时间确定目标训练参数。基于相同的目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型。基于训练后的所述学生模型，进行预定任务的在线预测。
73.示例性地，若要求的训练模型的时间大于时间阈值，确定所述目标训练参数小于参数阈值；或者，若要求的训练模型的时间小于时间阈值，确定所述目标训练参数大于参数阈值。
74.在一个实施例中，根据用于内容推荐的源内容数据库中内容的数量确定目标训练参数。基于相同的目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型。基于训练后的所述学生模型，进行预定任务的在线预测。
75.示例性地，若源内容数据库中内容的数量大于数量阈值，确定所述目标训练参数小于参数阈值；或者，若源内容数据库中内容的数量小于数量阈值，确定所述目标训练参数大于参数阈值。在一个实施例中，目标训练参数可以是输出误差。
76.为了更好地理解本公开实施例，以下通过一个示例性实施例对技术方案进行进一步说明：
77.在一个实施例中，蒸馏迁移如图2和图3所示，图2为双塔粗排蒸馏迁移，图3为dnn粗排蒸馏迁移。两种结构的主体都是一个学生(student)模型和一个导师(teacher)模型。双塔粗排的时候导师模型是一个复杂的精排模型并且可以用到用户与内容的交叉特征(other features)，学生模型是双塔模型(用户塔和内容塔)。用户塔只输入用户信息，内容塔只输入内容信息，经过双塔后最后求内积即可得到学生模型的输出。图3是dnn粗排蒸馏迁移，而且利用到了之前提出的特征迁移，其中，导师模型是复杂的精排模型，而且特征更丰富，学生模型的网络结构浅层，特征只是一部分。
78.在一个实施例中，针对上述两种结构，在训练的时候，统一令x表示onlinefeatures特征，即学生模型的特征，x*表示other features，用y表示标签，即label；
l表示损失函数，其中，ld为蒸馏损失，lt为导师损失，ls为学生损失，ws表示学生模型参数，wt表示导师模型参数。
79.本实施例中提供一种在线预测方法，请参见图4，所述方法包括:
80.步骤41、设置训练步长为0，初始化学生模型参数ws和导师模型参数wt。
81.步骤42、通过训练数据训练模型model(y，x，x*)，同时训练时，初期导师模型还没有学好，如果指导学生模型，很有可能导致训练偏离。因此，可以引入参数λ，初期可以设为0。
82.步骤43、训练初期，当训练步数少于参数k时，学生模型的更新为：当大于训练步数k时，学生模型的更新为：此时会通过超参数λ控制损失的比例。
83.步骤44、整个训练过程导师模型的更新参数为：
84.步骤45、ld的计算，是通过计算导师网络和学生网络的logits误差得到的，直接使用logits有时候包含的信息熵比较低，此时，可以通过蒸馏的方式提高logits的信息熵。公式如下：
[0085][0086]
其中，qi是导师模型和学生模型学习的soft targets，z是神经网络softmax前的输出logits。超参数t是蒸馏的温度，可以改变网络输出的信息熵即导师模型指导学生模型。
[0087]
在线上预测时，粗排部分使用学生模型，精排部分使用导师模型。
[0088]
在本公开实施例中，基于相同的目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型；其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；基于训练后的所述学生模型，进行预定任务的在线预测。这里，由于是基于相同的目标训练参数联合训练用于数据粗排的导师模型和用于数据精排的学生模型，相较于基于不同的目标训练参数单独训练用于粗排的导师模型和单独训练用于精排的学生模型，能够减少粗排和精排的精度不匹配的情况，整体提升模型的预测精度，且能够简化模型结构，提升模型训练效率，给用户带来好的体验。
[0089]
需要说明的是，本领域内技术人员可以理解，本公开实施例提供的方法，可以被单独执行，也可以与本公开实施例中一些方法或相关技术中的一些方法一起被执行。
[0090]
如图5所示，本实施例中提供一种在线预测方法，所述方法包括:
[0091]
步骤51、基于训练后的所述学生模型，进行数据推荐任务的在线预测。
[0092]
在一个实施例中，在购物应用中，当接收到用户针对终端中所展示图片中的备选对象的操作时，可以确定用户期望获得的商品信息；基于用户的历史购买记录，确定用户的商品偏爱信息；将所述商品偏爱信息，输入训练后的所述学生模型，进行数据推荐任务的在线预测；所述学生模型会从商品数据库中选取预定数量的推荐商品，并将该推荐商品展示给用户。
[0093]
在一个实施例中，可以针对不同的推荐服务训练学生模型，获得不同的训练后的所述学生模型；根据不同的服务类型需求，基于该服务类型需求对应的训练后的学生模型，进行数据推荐任务的在线预测。示例性地，服务类型需求包括第一服务类型需求、第二服务类型需求和第三服务类型需求，当确定用户的需求为第一服务类型需求时，基于所述第一服务类型需求对应的训练后的学生模型，进行数据推荐任务的在线预测。
[0094]
在一个实施例中，可以根据用户输入操作的特征信息确定所述服务类型需求。示例性地，终端屏幕上展示有人像图像、汽车图像和商店图像，如果用户输入操作为针对汽车图像的触控操作，可以确定所述服务类型需求可能为打车服务需求，会基于训练后的所述学生模型，从海量打车服务应用数据库中选出打车服务应用，并给用户推荐打车服务应用。如果用户输入操作为针对商店图像的触控操作，可以确定所述服务类型需求可能为购物需求，会基于训练后的所述学生模型，从海量购物链接数据库中选出购物链接，并给用户推荐该购物链接。
[0095]
在一个实施例中，可以根据用户输入操作的特征信息和服务类型需求优先级确定所述服务类型需求。示例性地，终端屏幕上展示有人像图像、汽车图像和商店图像，如果用户输入操作为针对人像图像的触控操作，可以确定所述服务类型需求可能为通信需求，也可能为人脸识别需求，还有可能是针对人像图像中任务身上衣服的购买需求，若人脸识别需求的优先级高于通信需求的优先级，通信需求的优先级大于购买需求的优先级，会优先针对人脸识别需求进行操作，则会基于训练后的所述学生模型，从海量人脸数据库中确定出该人像图像中的人脸，并给用户推荐人脸的识别结果。
[0096]
需要说明的是，本领域内技术人员可以理解，本公开实施例提供的方法，可以被单独执行，也可以与本公开实施例中一些方法或相关技术中的一些方法一起被执行。
[0097]
如图6所示，本实施例中提供一种在线预测方法，所述方法包括:
[0098]
步骤61、基于同一目标训练参数，利用所述预定特征集同时且联合训练所述导师模型和所述学生模型，获得训练后的所述学生模型；
[0099]
或者，
[0100]
基于同一目标训练参数，利用所述预定特征集在训练所述导师模型之后联合训练所述学生模型，获得训练后的所述学生模型。
[0101]
在一个实施例中，基于同一目标训练参数，利用所述预定特征集同时且联合训练所述导师模型和所述学生模型，获得训练后的所述学生模型；其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；基于训练后的所述学生模型，进行预定任务的在线预测。需要说明的是，联合训练可以理解为基于同一目标训练参数对导师模型和学生模型进行训练。
[0102]
在一个实施例中，基于同一目标训练参数，利用所述预定特征集在训练所述导师模型之后联合训练所述学生模型，获得训练后的所述学生模型。其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；基于训练后的所述学生模型，进行预定任务的在线预测。需要说明的是，联合训练所述学生模型可以是基于所述导师模型的训练结果，将该训练结果应用于所述学生模型的训练。
[0103]
在一个实施例中，基于同一目标训练参数，利用所述预定特征集在训练所述导师
模型预定步数之后联合训练所述学生模型，获得训练后的所述学生模型。其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；基于训练后的所述学生模型，进行预定任务的在线预测。
[0104]
需要说明的是，本领域内技术人员可以理解，本公开实施例提供的方法，可以被单独执行，也可以与本公开实施例中一些方法或相关技术中的一些方法一起被执行。
[0105]
如图7所示，本实施例中提供一种在线预测方法，所述方法包括:
[0106]
步骤71、利用所述预定特征集在训练所述导师模型预定步数之后联合训练所述学生模型，获得训练后的所述学生模型。
[0107]
在一个实施例中，基于同一目标训练参数，利用所述预定特征集在训练所述导师模型预定步数之后联合训练所述学生模型，获得训练后的所述学生模型。其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；基于训练后的所述学生模型，进行预定任务的在线预测。
[0108]
在一个实施例中，可以根据模型训练的效率要求确定所述预定步数。示例性地，若所述模型训练的效率要求小于效率阈值，确定所述预定步数大于预定数量；或者，若所述模型训练的效率要求大于效率阈值，确定所述预定步数小于预定数量。如此，所述预定步数可以适应于模型训练的效率要求。
[0109]
在一个实施例中，可以根据模型训练的训练结果的误差要求确定所述预定步数。示例性地，若所述误差要求小于误差阈值，确定所述预定步数大于预定数量；或者，若所述误差要求大于误差阈值，确定所述预定步数小于预定数量。如此，所述预定步数可以适应模型训练的训练结果的误差要求。
[0110]
需要说明的是，本领域内技术人员可以理解，本公开实施例提供的方法，可以被单独执行，也可以与本公开实施例中一些方法或相关技术中的一些方法一起被执行。
[0111]
在一个实施例中，请再次参见图2，所述导师模型为单塔模型，其中，所述单塔模型的输入特征为用户信息和内容信息的交叉特征；所述学生模型为双塔模型，其中，所述双塔模型包括用户塔模型和内容塔模型，所述用户塔模型的输入特征为用户信息特征，所述内容塔模型的输入特征为内容信息特征。
[0112]
在一个实施例中，蒸馏迁移的方式的蒸馏损失函数的损失参数是根据所述导师模型和所述学生模型的logits的误差确定的。
[0113]
如图8所示，本实施例中提供一种在线预测装置，所述装置包括:
[0114]
训练模块81，用于：基于同一目标训练参数，利用预定特征集联合训练导师模型和学生模型，获得训练后的所述学生模型；其中，所述导师模型用于数据粗排；所述学生模型用于数据精排；基于所述导师模型获得的预定参数信息通过蒸馏迁移的方式应用于所述学生模型；
[0115]
预测模块82，用于：基于训练后的所述学生模型，进行预定任务的在线预测。
[0116]
在一个实施例中，所述预测模块82，还用于：
[0117]
基于训练后的所述学生模型，进行数据推荐任务的在线预测。
[0118]
在一个实施例中，所述训练模块81，还用于：
[0119]
基于同一目标训练参数，利用所述预定特征集同时且联合训练所述导师模型和所述学生模型，获得训练后的所述学生模型；
[0120]
或者，
[0121]
利用所述预定特征集在训练所述导师模型之后联合训练所述学生模型，获得训练后的所述学生模型。
[0122]
在一个实施例中，所述训练模块81，还用于：
[0123]
利用所述预定特征集在训练所述导师模型预定步数之后联合训练所述学生模型，获得训练后的所述学生模型。
[0124]
本公开实施例还提供一种通信设备，包括：
[0125]
天线；
[0126]
存储器；
[0127]
处理器，分别与天线及存储器连接，用于通过执行存储在存储器上的可执行程序，控制天线收发无线信号，并能够执行前述任意实施例提供的无线网络接入方法的步骤。
[0128]
本实施例提供的通信设备可为前述的终端或基站。该终端可为各种人载终端或车载终端。基站可为各种类型的基站，例如，4g基站或5g基站等。
[0129]
天线可为各种类型的天线、例如，3g天线、4g天线或5g天线等移动天线；天线还可包括：wifi天线或无线充电天线等。
[0130]
存储器可包括各种类型的存储介质，该存储介质为非临时性计算机存储介质，在通信设备掉电之后能够继续记忆存储其上的信息。
[0131]
处理器可以通过总线等与天线和存储器连接，用于读取存储器上存储的可执行程序，例如，本公开任一个实施例所示方法的至少其中之一。
[0132]
本公开实施例还提供一种非临时性计算机可读存储介质，非临时性计算机可读存储介质存储有可执行程序，其中，可执行程序被处理器执行时实现前述任意实施例提供的无线网络接入方法的步骤，例如，本公开任一个实施例所示方法的至少其中之一。
[0133]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0134]
图9是根据一示例性实施例示出的一种用于电子设备600的框图。例如，电子设备600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0135]
参照图9，电子设备600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(i/o)的接口612，传感器组件614，以及通信组件616。
[0136]
处理组件602通常控制电子设备600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
[0137]
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在电子设备600上操作的任何应用程序或方法的指令，联系人数据，电话簿数
据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0138]
电源组件606为电子设备600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为电子设备600生成、管理和分配电力相关联的组件。
[0139]
多媒体组件608包括在所述电子设备600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0140]
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(mic)，当电子设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
[0141]
i/o接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0142]
传感器组件614包括一个或多个传感器，用于为电子设备600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为电子设备600的显示器和小键盘，传感器组件614还可以检测电子设备600或电子设备600一个组件的位置改变，用户与电子设备600接触的存在或不存在，电子设备600方位或加速/减速和电子设备600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0143]
通信组件616被配置为便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0144]
在示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0145]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例
如包括指令的存储器604，上述指令可由电子设备600的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0146]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0147]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。