用于实时谈话的渐进式并置的制作方法

用于实时谈话的渐进式并置


背景技术：

1.本发明一般涉及通信领域，并且更具体地涉及实时通信应用。
2.现代协作通信应用和套件(在组织、团体和公司内)的不断增长和普及已显著影响对准确、可靠和搜索术语生成和适用性的需要。现代协作通信套件和应用具有多个包含的聊天室和通道，每个聊天室和通道通常专用于话题、主旨、纪律、主题或目的。虽然存在用于确定相关术语的解决方案(诸如概率搜索、适应性学习搜索和语料库语言学分析方法)，但是由于该解决方案依赖于利用不完整句子、措辞和具有模糊术语的搜索的广义概率模型，导致模糊性和不相关的搜索结果，因此这些解决方案完全无效。此外，所述解决方案不针对协作通信应用内的多个通道或子通道中包含的特定用户语言趋向和倾向创建特定允许或假设。
3.协作软件或群件是被设计成帮助共同任务中涉及的多个个体实现一个或多个协作目标的应用软件。在交互级别方面，协作软件可以被分成：实时协作编辑(rtce)平台，其允许多个用户参与单个文件的实况、同时和可逆的编辑；以及版本控制(例如，修订控制和源控制)平台，其允许单个用户对文件做出并行编辑，同时将每个保存的编辑保存为多个文件。协作软件是与计算机支持的协作工作(cscw)显著重叠的广义概念。协作工作系统成为理解与cscw的更宽泛概念相关联的行为和组织变量的有用的分析工具。
4.循环神经网络(rnn)是一类人工神经网络，其中节点之间的连接沿着序列形成有向图，从而允许网络展现时间序列的时间动态行为。不同于前馈神经网络，rnn可以使用内部状态(存储器)来处理允许rnn适用于诸如未分段连接的手写识别或语音识别之类的任务的输入序列。长短期记忆(lstm)单元是循环神经网络(rnn)的替代层单元。由lstm单元组成的rnn被称为lstm网络。常见的lstm单元由单元、输入门、输出门和遗忘门组成。该单元记忆任意时间间隔上的值，并且门调节进入和离开该单元的信息流。门控的循环单元(gru)是循环神经网络中的门控机制。发现在多音音乐建模和语音信号建模上的gru性能类似于lstm。然而，gru对较小的数据集展现更好的性能。
5.协作服务在现代组织中是普遍存在的，从而允许多个个体和群组具有实时进行多个并发讨论的能力。就协作服务和应用而言，实时聊天是大多数组织的主要通信方法。团队、组织和/或公司的成员使用协作聊天应用来识别、诊断和纠正难题和问题。例如，软件开发团队或支持人员利用协作聊天应用来识别故障代码的各部分并讨论潜在解决方案(例如，替代代码结构等)。在该示例中，不同的软件或支持群组可具有专用于特定问题或难题的不同通道或子通道。
6.当应用于实时协作应用内的专用通道或聊天室时，通用搜索术语生成和产生允许无效的错误应用的、不相关的和模糊的并置术语，阻止其他人找到与通道或聊天室有关的相关信息，以及阻止其他人在有意义的谈话中有效地通信和参与。传统地，术语生成系统在使得用户能够具有在协作聊天搜索的构造内被提供所链接的术语的最佳集合的能力方面是无效的。此外，无效的传统系统尝试使用单词、位置和语法到固定分层结构的放置来消歧所分析的通信的含义，并且利用该固定分层结构过滤搜索结果。通常，已知当在初始通信范
围之外(例如，不同的人群、话题或通道)泛化时，分层结构表现不佳。


技术实现要素：

7.本发明的第一方面公开了计算机实现的方法，包括一个或多个计算机处理器基于语言语料库的分析和一个或多个作者度量的分析来训练语料库链接模型。所述一个或多个计算机处理器基于经训练的语料库链接模型的一个或多个计算生成一个或多个并置术语。所述一个或多个计算机处理器为所述一个或多个所生成的并置术语中的每一个生成同现评级。所述一个或多个计算机处理器根据所生成的每个并置术语的同现评级来显示一个或多个所生成的并置术语。本发明的实施例利用基于特定语料库的经训练的模型来生成通用并置术语，从而允许在协作聊天搜索的构造内呈现最佳链接术语集合。
8.本发明的第二方面公开了计算机实现的方法，包括一个或多个计算机处理器基于语言语料库的分析和一个或多个作者度量的分析来训练语料库链接模型。所述一个或多个计算机处理器基于经训练的语料库链接模型的一个或多个计算生成一个或多个并置术语。所述一个或多个计算机处理器为所述一个或多个所生成的并置术语中的每一个生成同现评级。所述一个或多个计算机处理器根据每个并置术语的同现评级利用一个或多个所生成的并置术语来标记一个或多个网页。本发明的实施例利用基于特定语料库的经训练的模型来生成通用并置术语，从而允许在内容管理系统的构造内标记链接术语的最佳集合。
9.本发明的第三方面公开了计算机程序产品，包括一个或多个计算机可读存储设备以及存储在所述一个或多个计算机可读存储设备上的程序指令。所存储的程序指令包括基于语言语料库的分析和一个或多个作者度量的分析来训练语料库链接模型的程序指令。所存储的程序指令包括基于经训练的语料库链接模型的一个或多个计算生成一个或多个并置术语的程序指令。所存储的程序指令包括为一个或多个所生成的并置术语中的每一个生成同现评级的程序指令。所存储的程序指令包括根据每个并置术语的所生成的同现评级来显示一个或多个所生成的并置术语的程序指令。本发明的实施例利用基于特定语料库的经训练的模型来生成通用并置术语，从而允许在协作聊天搜索的构造内呈现最佳链接术语集合。
10.本发明的第四方面公开了计算机系统，包括一个或多个计算机处理器和一个或多个计算机可读存储设备，其中，程序指令存储在一个或多个计算机可读存储设备上以供一个或多个计算机处理器中的至少一个执行。所存储的程序指令包括基于语言语料库的分析和一个或多个作者度量的分析来训练语料库链接模型的程序指令。所存储的程序指令包括基于经训练的语料库链接模型的一个或多个计算生成一个或多个并置术语的程序指令。所存储的程序指令包括为一个或多个所生成的并置术语中的每一个生成同现评级的程序指令。所存储的程序指令包括根据每个并置术语的所生成的同现评级来显示一个或多个所生成的并置术语的程序指令。本发明的实施例利用基于特定语料库的经训练的模型来生成通用并置术语，从而允许在协作聊天搜索的构造内呈现最佳链接术语集合。
附图说明
11.现在将参考附图仅通过示例的方式来描述本发明的实施例，在附图中：
12.图1是示出根据本发明的实施例的计算环境的功能框图；
13.图2是描绘根据本发明实施例的在图1的计算环境内的服务器计算机上的用于训练语料库链接模型和生成用于通道内和通道间活动的并置术语的程序的操作步骤的流程图；
14.图3a描绘了根据本发明的实施例的协作实时通信会话的示例300；
15.图3b描绘了根据本发明的实施例的协作实时通信会话的示例350；以及
16.图4是根据本发明的实施例的执行程序的服务器计算机的组件的框图。
具体实施方式
17.本发明的实施例认识到，协作环境可引入混淆和可读性问题。本发明的一些实施例认识到，提供并置和联合术语减少了混淆并且增加了可读性。本发明的实施例通过基于包含在通道、子通道、聊天室、群组或应用中的特定语言和谈话来训练一个或多个模型，并利用经训练的模型生成特定的并置和联合术语，来改进协作系统。本发明的实施例通过改进训练模型和模型有效识别和生成并置和联合术语的能力来改进协作系统。本发明的实施例允许在搜索(具体地，搜索术语推荐)中利用所生成的并置和联合术语。本发明的实施例允许在内容、话题和文件标记中利用所生成的并置和联合术语。本发明的实施例利用所生成的并置和联合术语来创建高效的搜索引擎优化标记和元数据。
18.本发明的实施例在内容管理系统中利用所生成的并置和联合术语(例如，用于制定聊天谈话的搜索排序)，帮助理解最可能搜索哪些术语。本发明的实施例利用所生成的并置和联合术语来标记内容或制定将改进可搜索性并减少混淆的标题。本发明的实施例对从一个位置到另一位置的位置的趋势进行建模，并且利用所述模型来向时间点交互添加权重。本发明的实施例基于热门事项上类似群组的先前保护来生成预测性渐进式并置群组模型。本发明的实施例在群组级别进行剖析，从而允许本发明基于类似术语和主题的语言模式来生成术语。本发明的实施例利用渐进式并置群组模型来基于群组活动(例如，软件支持团队)来预测模式进展和搜索术语的演进。本发明的实施例认识到，可以通过消除不太可能或不可能的并置术语的生成来提高系统效率(例如，降低系统处理要求，诸如存储器和中央处理单元利用)。没有技术组合语料库语言分析和作者频率分析以产生本发明为问题空间提供的解决方案的保真度。本发明的实施例的实施方式可以采取多种形式，并且随后参照附图讨论示例性实施方式细节。
19.现在将参考附图详细描述本发明。
20.图1是示出根据本发明的一个实施例的通常指定为100的计算环境的功能框图。如在本说明书中使用的术语“计算的”描述了计算机系统，该计算机系统包括一起作为单个计算机系统操作的多个物理上不同的设备。图1仅提供一个实施方式的图示并且不暗示关于其中可以实现不同实施例的环境的任何限制。本领域技术人员可对所描绘的环境作出许多修改，而不脱离权利要求书所述的本发明的范围。
21.计算环境100包括通过网络102互连的客户端计算设备110和服务器计算机120。网络102可以是例如电信网络、局域网(lan)、广域网(wan)(诸如因特网)或三者的组合，并且可以包括有线、无线或光纤连接。网络102可包括一个或多个有线和/或无线网络，其能够接收和传送数据、语音和/或视频信号，包括带有语音、数据和视频信息的多媒体信号。一般而言，网络102可以是将支持客户端计算设备110、服务器计算机120、和计算环境100内的其他
计算设备(未示出)之间的通信的连接和协议的任何组合。在各个实施例中，网络102经由有线、无线或光学连接局部地操作，并且可以是连接和协议(例如，个人区域网(pan)、近场通信(nfc)、激光、红外、超声等)的任何组合。
22.客户端计算设备110可以是能够处理程序指令并接收和发送数据的任何电子设备或计算系统。在一些实施例中，客户端计算设备110可以是膝上型计算机、平板计算机、上网本计算机、个人计算机(pc)、台式计算机、个人数字助理(pda)、智能电话、或能够与网络102通信的任何可编程电子设备。在其他实施例中，客户端计算设备110可以表示诸如在云计算环境中利用多个计算机作为服务器系统的服务器计算系统。通常，根据本发明的实施例，客户端计算设备110表示能够执行如参见图4更详细描述的机器可读程序指令的任何电子设备或电子设备的组合。客户端计算设备110包含用户界面112和应用114。
23.用户界面112是提供客户端计算设备110的用户和驻留在客户端计算设备110上的多个应用(例如，应用114)之间的接口和/或可以通过网络102访问的程序。用户界面(诸如用户界面112)指的是程序呈现给用户的信息(例如，图形、文本、声音)以及用户采用以控制该程序的控制序列。存在多种类型的用户界面。在一个实施例中，用户界面112是图形用户界面。图形用户界面(gui)是一种类型的界面，其允许用户通过图形图标和可视指示符与外围设备(即，为计算设备(诸如键盘和鼠标)提供输入和输出的外部计算机硬件)交互，这与基于文本的界面、键入的命令标签或文本导航相反。gui中的动作常常通过对图形元素的直接操纵来执行。在实施例中，用户界面112通过应用114向用户程序150发送和接收信息。
24.应用114是被设计为针对特定应用执行操作以辅助用户执行活动的一个或多个程序(例如，文字处理程序、电子表格程序、媒体播放器、web浏览器)的集合。在所描绘的实施例中，应用114是被设计为促进群组通信、协作式问题解决和协调活动的一个或多个程序的集合。在该实施例中，应用114包含多个通道、聊天室或经划分的通信群组，其中每个通道专用于特定的话题或讨论类别。在所描绘的实施例中，应用114驻留在客户端计算设备110上。在另一实施例中，应用114驻留在服务器计算机120上或通过网络102连接的另一设备(未示出)上。
25.服务器计算机120可以是独立计算设备、管理服务器、web服务器、移动计算设备或能够接收、发送和处理数据的任何其他电子设备或计算系统。在其他实施例中，服务器计算机120可表示诸如在云计算环境中利用多个计算机作为服务器系统的服务器计算系统。在另一实施例中，服务器计算机120可以是膝上型计算机、平板计算机、上网本计算机、个人计算机(pc)、台式计算机、个人数字助理(pda)、智能电话、或能够经由网络102与客户端计算设备110和计算环境100内的其他计算设备(未示出)通信的任何可编程电子设备。在另一实施例中，服务器计算机120表示利用群集式计算机和组件(例如，数据库服务器计算机、应用服务器计算机等)的计算系统，其在计算环境100内被访问时充当单个无缝资源池。在所描绘的实施例中，服务器计算机120包括数据库122和程序150。在其他实施例中，服务器计算机120可包含在计算环境100中还未描绘的其他应用、数据库、程序等。服务器计算机120可包括内部和外部硬件组件，如关于图4更详细描绘和描述的。
26.数据库122是由程序150使用的数据的存储库。在所描绘的实施例中，数据库122驻留在服务器计算机120上。在另一实施例中，如果程序150可访问数据库122，数据库122可驻留在客户端计算设备110上或计算环境100内的其他地方。数据库是有组织的数据的集合。
数据库122可用能够存储可由程序150访问和利用的数据和配置文件的任何类型的存储设备(诸如数据库服务器、硬盘驱动器或闪存存储器)来实现。在实施例中，如下文详细描述的，数据库122存储由程序150使用的数据(诸如语言语料库124)。在所示实施例中，数据库122包含语言语料库124和语料库链接模型(clm)126。
27.语言语料库124是用于多个基于文本的语料库(即，听觉语音、语音话语、文本序列、计算机编码序列等的自然语言表示)的储存库。在实施例中，语言语料库124包含与一个或多个作者、个人和/或群组的一个或多个历史查询、通信、陈述、讨论、评论、话语。在另一实施例中，语言语料库124包含历史并置和联合术语、相关联的主题和相关联的作者度量(例如，作者-主题映射、通道频率、时间界限和考虑(例如，最早/最晚帖子、发帖时的一天中的平均时间等))、作者帖子频率、平均帖子长度、平均帖子阅读水平、频繁利用的术语/短语等)。在实施例中，所述历史通信关于特定作者、个人、通道、子通道、聊天室或群组被分类、组织和/或结构化。例如，包含在特定通道内的所有历史通信被结构化并划分在一起。在各个实施例中，包含在语言语料库124中的信息是暂时结构化的。例如，所述信息可以关于时间段(例如，上个月中的讨论)被约束或限制。在另一实施例中，所述信息限于特定群组、作者或话题(例如，关于特定查询、话题、流派、难题、问题、解决方案等的讨论)。
28.在实施例中，语言语料库124包含未处理的通信、讨论和话语。在另一实施例中，语言语料库124可以包括与多个确定特征对应的一系列向量，该多个确定特征包括但不限于作者、群组、话题、所识别的问题、相关联的解决方案、相关话题/查询集合、技术领域(例如，计算机科学、机械、生物学、化学等)、编程式惯例(例如，编程语言、编程语言类别(例如，强类型、面向对象、过程等)和时间事件(例如，由预定间隔约束的子集(例如，与去年进行的特定话题或通道相关的所有通信))、软件生命周期(例如，软件的退役等)等。
29.在各个实施例中，语言语料库124包括查询(例如，相关联的话题)、并置和联合术语对(例如，附加的搜索和查询术语)的收集。每对包括查询和对应的并置和联合术语或序列。查询术语或序列可以是自然语言或计算机所生成的表示的文本术语或序列。例如，查询(例如，话题)“过敏”与并置和联合术语“急性”和“问题”配对并且形成完整的查询序列/短语“急性过敏问题”。在另一实施例中，诸如历史话题、作者、相关并置术语、相关联合术语和相关搜索术语之类的通道特定统计作为特征被包括。在另一实施例中，作者度量作为特征被附加到话题术语。在进一步的实施例中，特定于通道或通信介质(例如，聊天应用、通道、子通道、聊天室、或环境)的作者度量作为特征被附加到话题术语。在各个实施例中，查询/并置术语集合包含结构化或非结构化形式的相关联的通信、讨论、话题、评论和/或陈述。在另一实施例中，将并置和联合术语变换成标签并且附加到一个或多个相关联的查询或话题术语。在又一实施例中，将预定的、历史的和/或所生成的并置术语功效评级作为特征、标签、或作为预期输出附加到一个或多个话题集合。在实施例中，语言语料库124可以被表示为图数据库，其中通信、谈话和/或讨论与作者、查询或话题相关地被存储，形成类似查询/话题/通信和通道/作者组合的序列(例如，协作作者图)。
30.语料库链接模型(clm)126，在下文中称为clm 126，包含一个或多个模型、容器、文档、子文档、矩阵、向量和相关联的数据，对一个或多个特征集合(诸如来自语言分析的结果)进行建模。在实施例中，语言分析确定查询表征和表示、并置术语整合、作者度量和帖子频率的到达内时间。在实施例中，clm 126包含一个或多个生成(例如，潜在狄利克雷分配
(lda)等)或判别(例如，支持向量机(svm)等)统计模型，这些统计模型用于在给定目标y的情况下计算可观察量x的条件概率，象征性地为p(x|y＝y)。在各个实施例中，假定观测值x，clm 126可训练并利用一个或多个判别模型来计算目标y的条件概率，象征性地为p(y|x＝x)。
31.clm 126通过考虑作为结构化或非结构化数据可用的不同特征并应用相对数值权重来评估查询(例如，话题)或查询序列。程序150向clm 126馈送经向量化、经编码或计算机表示的特征数据的训练集。在各个实施例中，数据(话题或话题术语)标有使clm 126能够“学习”哪些特征(例如，话题、话题术语、作者度量、群组度量等)与特定的并置术语或短语相关的并置和/或联合术语。在各个实施例中，除了话题之外特征还包括元数据(例如，目标通道(例如，通道成员、话题、目的等)、类似话题、相关联的作者和环境考虑(例如，平台、版本、设备特定变量等)。在进一步的实施例中，训练集包括多个特征的示例(诸如符号化话题/搜索术语分段、评论、陈述、讨论、变量、对象、数据结构等)。clm 126从训练数据集“学习”以在应用于一个或多个特定话题或术语(例如，受作者、应用或通道/聊天室等限制)时区分可能和不可能的(例如，针对预定功效阈值被应用)并置术语。一旦被训练，clm 126可基于由程序150聚合并馈送的数据生成一个或多个并置联合术语、相关联的概率、以及同现评级。在实施例中，clm 126在评估查询时利用以下语料库语言分析[terma，collation_left，loglikeihood，collation_right，loglikelihood]和作者分析[usera，distance，post_frequency]作为输入。在该实施例中，clm126利用以下结构[stringa，stringl，float，stringr，float] [usera，distance，post_frequency]来评估查询，该结构表示利用语料语言分析和作者分析所训练的模型。
[0032]
在实施例中，clm 126利用深度学习技术来将查询和相关联的话题与可能的并置术语配对。在各个实施例中，clm 126利用可用受监督或无监督的方法训练的可迁移的神经网络算法和模型(例如，长短期记忆(lstm)、深度堆叠网络(dsn)、深度置信网络(dbn)、卷积神经网络(cnn)、复合分级深度模型等)。在各个实施例中，clm 126是简单的神经网络。在进一步的实施例中，clm 126是单层馈送神经网络，其包含仿射变换，随后是逐元素非线性，y＝f(wx b)，其中f是逐元素非线性(诸如sigmoid或双曲正切)，并且b是偏置向量。所述简单神经网络可以被扩展具有多个隐藏层，其中每个层变换前一隐藏层的输出以生成下一层的输出，即多层感知器(mlp)。
[0033]
在所描绘的实施例中，clm 126包含一个或多个循环神经网络(rnn)。在该实施例中，rnn处理序列数据(x1，x2，
…
，xt)以计算后续隐藏状态，而模型的参数保持相同。rnn可以是“展开的”，采用先前隐藏状态并在该时间步骤输入以生成针对下一系列时间步骤的输入，从而允许信息流经网络，以便最后一个单元包括从所有先前单元导出的信息。在实施例中，clm 126利用门控循环单元(gru)。gru简化训练过程，同时减少必要的计算资源的量。在另一实施例中，clm 126利用lstm。lstm需要更鲁棒的过程，需要更多的计算资源，但是当从大数据集训练时，lstm是更加有效的。在各个实施例中，clm 126的隐藏层可为单向的或双向的。在另一实施例中，clm 126为一个或多个应用或通信介质内包含的每个通道或聊天室维护一个或多个可堆叠rnn。在该实施例中，应用内的每个通道将具有一个或多个专用rnn，从而允许所述通道的最佳域语言术语匹配。参见图2更详细地描绘和描述clm 126的训练和利用。
[0034]
在实施例中，程序150利用上述模型结合用户反馈、返回测试和/或概率建模来生成所生成术语的同现水平(例如，并置/联合评级(例如，关联的测量、同现置信度水平)等)。在另一实施例中，clm 126确定每个所生成的并置/联合术语和相关联的查询(例如，包含的主题)的关系类型(诸如句法关系、词汇关系或无语言定义的关系)。
[0035]
程序150是用于训练语料库链接模型和生成用于通道内和通道间活动的并置搜索术语的程序。在所描绘的实施例中，程序150是独立的软件程序。在各个实施例中，程序150可实施以下步骤。程序150基于语言语料库的分析和一个或多个作者度量的分析来训练语料库链接模型。程序150基于经训练的语料库链接模型的一个或多个计算生成一个或多个并置术语。程序150为一个或多个所生成的并置术语中的每一个生成同现评级。程序150根据生成的每个并置术语的同现评级来显示一个或多个生成的并置术语。在另一实施例中，程序150或其任何组合程序的功能可以集成到单个软件程序中。在一些实施例中，程序150可位于单独的计算设备(未描绘)上，但仍可通过网络102通信。在各个实施例中，程序150的客户端版本驻留在客户端计算设备110和/或计算环境100内的任何其他计算设备(未描绘)上。关于图2更加详细地描绘和描述程序150。
[0036]
本发明可包含各个可访问的数据源(诸如数据库122)，其可包括用户希望不被处理的个人存储设备、数据、内容或信息。处理指任何自动化或非自动化的操作或操作的集合(诸如收集、记录、组织、结构化、存储、适配、更改、检索、咨询、使用、通过传输的公开、传播，或以其他方式使得对个人数据执行的组合、限制、擦除或破坏可用)。程序150提供所通知的同意，并在收集个人数据时发出通知，允许用户选择加入或退出处理个人数据。同意可以采取若干形式。选择加入同意可强加于用户在个人数据被处理之前采取肯定动作。可替代地，选择退出同意可强加于用户采取肯定动作以防止在数据被处理之前处理个人数据。程序150启用对用户信息(诸如跟踪信息)以及个人数据(诸如个人识别信息或敏感个人信息)的授权和安全处理。程序150提供关于个人数据和处理的性质(例如，类型、范围、目的、持续时间等)的信息。程序150向用户提供所存储的个人数据的副本。程序150允许校正或完成不正确或不完整的个人数据。程序150允许立即删除个人数据。
[0037]
图2是描绘根据本发明实施例的用于训练语料库链接模型并为通道内和通道间活动生成并置术语的程序150的操作步骤的流程图。
[0038]
程序150检索历史通信(步骤202)。在实施例中，程序150检索所有历史通信，包括但不限于与指定通道(例如，聊天室、子通道、所主持的群组等)、应用(例如，应用114)、作者(例如，用户)、作者的集合、话题和相关联的搜索术语(例如，并置和联合)相关联的查询、消息、对话、讨论、话语、和/或陈述。在另一实施例中，程序150可将所检索的历史通信(例如，查询和消息)处理成多个集合(例如，通过作者、通道、应用、话题等)。在又一实施例中，程序150将历史通信划分成包含相同讨论的不同处理版本的分立集合。在各个实施例中，程序150通过利用预定响应间隔来定义a的边界。例如，如果用户超过一周不响应消息、话题或对讨论作出贡献，则程序150确定在时间阈值之后发送的任何通信是新的、不同的对话，暗示讨论的话题可能已经转移。在该实施例中，程序150将历史通信划分为由如上所述的时间约束定义的一个或多个集合。在另一实施例中，所检索的历史通信包含关于用户行为的信息或元数据(诸如频繁利用的搜索术语和相关联的话题)。
[0039]
程序150然后利用自然语言处理(nlp)技术和语料库语言分析技术(例如，句法分
析等)来识别通信(即，查询)的各个部分之间的词性和句法关系。程序150利用语料库语言分析技术(诸如词性标记、统计评估、规则库的优化和知识发现方法)来解析、识别和评估通信的各部分。在实施例中，程序150利用词性标记来基于其与相邻和相关的单词的关系识别通信中的一个或多个单词的特定词性。例如，程序150利用上述技术来识别例句“亨利，我相信这个链接将解决你的问题”中的名词、形容词、副词和动词。在该示例中，程序150将“亨利”、“链接”和“问题”识别为名词，将“解决”和“相信”识别为动词。在另一实施例中，程序150利用词频-逆文档频率(tf-idf)技术来计算术语对于通信、句子、对话、文档或历史聊天语料库有多重要。在另一实施例中，程序150利用tf-idf来计算从历史通信中提取的单词的一系列数值权重。在进一步的实施例中，程序150利用所述计算来识别频繁使用的术语并对其加权。例如，程序150与该单词在对话中出现的频率成比例地增加单词的权重，其被包含该单词的语言语料库124中的文档(例如，通信、讨论等)的频率所抵消(offset)。在实施例中，程序150利用根据tf-idf计算的权重来初始化clm 126的一个或多个实例。
[0040]
程序150可利用一个或多个模型(例如，clm 126的实例或clm 126中包含的多个模型)(诸如双词话题建模和lda)来识别对话、消息、讨论、查询等内的话题和主题。在实施例中，程序150利用双词话题建模来对文档中的同现模式(例如，双词)的生成进行建模。程序150利用双词话题建模来对单词同现(例如，并置和联合)模式进行建模，由此增强话题的识别。在各个实施例中，程序150利用语料库中的聚合模式来基于通道级的同现模式(例如，最佳搜索术语)识别话题，并且程序150可以计算应用级(例如，组织、团队、公司等)的同现模式。在另一实施例中，程序150利用双词话题建模来计算一系列单词表示指定话题的概率。在另一实施例中，程序150可利用潜在语义分析来将文档和术语的矩阵(例如，多个评论、保护等)分解成多个子矩阵(诸如通道话题矩阵、作者话题矩阵或话题搜索术语矩阵)。在实施例中，程序150利用概率潜在语义分析来计算概率模型，该概率模型可以用于生成一个或多个概率矩阵，诸如以上列出的子矩阵。
[0041]
在各个实施例中，程序150利用潜在狄利克雷分配(lda)来识别可包含在通信或查询内的一个或多个话题。lda允许观察值的集合由未观察组解释，其解释为什么数据的一些部分是类似的。例如，如果观察值是收集到文档中的单词(例如，术语)，lda假设每个文档是少量话题的混合，并且每个单词的存在可归因于文档的话题中的一个。程序150利用lda将文档(例如，通信、查询、讨论、评论的集合等)分解为各个话题的混合。例如，lda模型可能具有可以被分类为allergy_related和medical_related的话题。该lda模型包含各个单词(诸如打喷嚏、花粉、以及抗组胺剂)的话题关联的概率，其可以通过allergy_related被分类和解释。同样地，medical_related话题具有与以下术语相关联的概率：医院、血小板和骨骼。不具有特殊相关性的单词(如“所述”)将具有类别之间的分割概率，或取决于相似性阈值而被视为新颖话题。
[0042]
在实施例中，基于对术语同现的可能性的自动检测来识别话题。词汇术语可以以不同的概率出现在若干话题中，然而，在每个话题中具有不同的典型的相邻单词的集合。在实施例中，程序150将上面识别的历史讨论的话题和语言趋势与创建作者-话题映射的作者相关联。程序150利用上述nlp技术来创建和监控多个基于作者的度量(例如，作者-话题映射、通道或聊天室频率、时间界限和考虑(例如，最早/最晚的帖子、发帖时的一天平均的时间等)、作者帖子频率、平均帖子长度、平均帖子阅读水平、频繁利用的术语/短语等)。在实
施例中，作者度量关于特定作者、个人、通道、聊天室或群组被分类、组织和/或结构化。
[0043]
程序150随后基于一个或多个特征集合处理每一个经划分的集合。例如，仅包含诸如系统环境参数(例如，平台、版本、设备特定变量等)的特定话题的特征集合。在另一示例中，特征集合包含关于特定通道中的特定作者的信息。然后，程序150可将每个术语变换成对应的词干/词根等同物，从而消除冗余的标点、分词、语法时态等。在又一实施例中，程序150非确定性地将经处理的集合分成训练集和测试集。在进一步的实施例中，程序150将对应的预期并置术语作为标签附加到每个话题术语。
[0044]
程序150然后将经划分的话题/并置术语集合以及相关联的讨论和作者数据向量化。在实施例中，程序150利用独热编码技术来将分类或基于串的特征集合向量化。例如，当将各个单词的特征集合向量化时，程序150创建包括1xn矩阵的独热向量，其中n表示可区分单词的数量。在另一实施例中，程序150利用一种c编码将分类数据重新编码为向量化形式。例如，当将由[过敏症、打喷嚏、咳嗽]组成的示例分类特征集合向量化时，程序150将对应特征集合编码为[[1，0，0]、[0，1，0]、[0，0，1]]。在另一实施例中，程序150利用特征化缩放技术(例如，重新缩放、均值归一化等)来将数值特征集合向量化和归一化。在各个实施例中，程序150利用lda2vec(例如，字嵌入)将上述lda和双词话题结果、文档和矩阵转换成向量化表示。
[0045]
程序150训练语料库链接模型(步骤204)。程序150训练clm 126中包含的一个或多个模型。在实施例中，程序150用随机生成的权重初始化clm 126。在替代实施例中，程序150用根据上述分析计算的权重(例如，tf-idf等)初始化clm 126。在替代实施例中，程序150使用从历史模型继承的权重来初始化clm 126。在又一实施例中，程序150利用有标签的经向量化数据执行受监督的训练，如步骤202中所描述的。例如，程序150将查询/并置术语对馈送到clm 126中，从而允许程序150在查询术语数据与并置术语数据(即，标签)之间作出推断。在实施例中，程序150用源自从位于语言语料库124中的相关查询、话题、通信或作者特定的讨论或查询提取的数据的多个特征向量来训练clm 126，如上所述。在实施例中，程序150检索与特定查询、话题、环境、通道、聊天室、应用、接收者、群组、作者和/或用户有关的所有历史消息、对话、讨论和查询。在另一实施例中，程序150检索通道、群组和/或聊天应用的成员之间的所有历史通信、查询、消息、对话和讨论的子集。
[0046]
在各个实施例中，程序150利用受监督的训练来确定预测与目标之间的差异(即，误差)，并且通过层反向传播该差异，使得clm 126“学习”。在实施例中，程序150利用随机梯度算法来实现反向传播。在另一实施例中，程序150利用余弦相似性作为损失函数。程序150可调整学习率以调整交叉熵成本，从而允许程序150增加或减少相关单元和层的适应性。在实施例中，程序150确定是否通过利用测试集或留出集获得足够的精度。如果所计算的精度不足，则程序150继续clm 126的受监督的训练。如果所计算的精度足够，则程序150结束训练过程并继续到步骤206。
[0047]
因此，在该实施例中，程序150基于包含在一个或多个通道、群组和协作应用(例如，语料库)中的唯一且不同的历史通信来训练一个或多个模型。在一些实例中，程序150根据各个群组或特定话题来训练模型。由此，该实施例被用于创建多个模型，这些模型被训练和设计成促进生成特定于指定通道或群组语料库的并置术语。
[0048]
程序150监控通信(步骤206)。在各个实施例中，通信包括但不限于一个或多个用
户话语、评论、句子、搜索查询和/或搜索术语的检测、输入和/或传输。在实施例中，程序150阻止包含在查询(例如，搜索查询)中的一个或多个搜索术语的传输，直到计算并置评级和/或生成一个或多个并置术语为止。在各个实施例中，程序150替换和/或替代用户界面(例如，用户界面112)内的图形传输图标。例如，聊天应用(例如，应用114)具有在被激活时传输搜索的图形图标。在该实例中，程序150替换一个或多个图标以及相应的触发器，以在传输之前拦截并保持搜索。在又一实施例中，程序150可分析客户端计算设备110的外出流量以检测搜索(例如，查询)的传输。在该实施例中，程序150可保留搜索，直到搜索(例如，查询、搜索术语等)被分析，并置术语被生成并由用户批准为止。在又一实施例中，程序150通过检测用户在应用(例如，应用114)元素(诸如搜索栏或文本输入区域)中输入单词来检测消息。在进一步的实施例中，程序150可以响应于用户输入的每个单词或句子而触发分析。例如，当用户键入搜索查询时，程序150同时检测该查询，提取相关联的话题信息，并且生成特定于通信介质(例如，通道或聊天室)的一个或多个并置术语。在替代实施例中，程序150可在用户停止或中止输入或键入文本/字符或操纵用户界面112指定持续时间之后触发查询分析。例如，用户开始输入查询并且在5秒的非输入之后，程序150确定准备传输消息并且从而分析该消息。
[0049]
程序150利用clm 126中包含的一个或多个模型来基于历史查询和所包含的话题、相关联的术语、短语和数据来识别和/或将讨论集合(例如，应用(例如，聊天、专用通道等)中包含的消息或讨论)的一个或多个查询和所包含的话题(例如，类别、目标通道等)或话题术语(例如，与话题相关联或描述话题的术语)与并置术语(例如，相邻搜索术语)匹配。在另一实施例中，clm 126生成表示给定查询和话题术语与另一话题、术语或短语相关的可能性的一个或多个概率(例如，概率分布)。
[0050]
程序150生成并置术语(步骤208)。响应于程序150监控和处理一个或多个聊天应用内的通信(例如，搜索查询、查找命令、标记请求等)，程序150提取、分析和分解所述通信中包含的信息，如在步骤202中讨论的。程序150利用通道、聊天室和应用规范历史通信、查询、消息、评论、话题术语、共同并置术语、语言趋势和相关联的作者度量的不同组件处理从clm 126计算的权重和概率，以生成并置术语的一个或多个集合并且确定相应术语的可能性(例如，百分比)。在实施例中，程序150利用双词话题建模、lda和经训练的认知模型(例如，rnn)的任何组合来识别一个或多个聊天应用、通道、子通道、聊天室或环境中的查询、对话、消息、讨论内的话题和相关的并置术语集合，如在步骤202中详述的。在各个实施例中，程序150利用迁移学习和迁移层来利用预训练的相关模型来辅助、加速或补充任何其他相关模型。例如，程序150利用包含在较大协作应用的技术支持通道中的通信来训练模型。在此示例中，程序150可利用迁移学习来将技术支持通道模型泛化到其他相关通道。
[0051]
在一实施例中，程序150检测、处理、向量化并且将所识别的通信和任何所包含的查询、话题和话题术语馈送到clm 126内的多个经训练的模型中。在该实施例中，clm 126基于一个或多个所馈送的话题术语来输出相关联的概率和并置和联合术语的一个或多个集合。在实施例中，用特定于通道、多个通道、用户、用户的群组和/或应用的训练集来预训练clm 126内的每个模型。可根据多个组织纲要(诸如通道、群组、聊天室、应用、话题或作者特定的纲要)来生成并置和联合术语。在另外的实施例中，clm 126被训练并被馈送相关联的作者或作者的群组(例如，通道、子通道等的成员)的作者度量。在另一实施例中，程序150利
用从clm 126生成的输出来生成同现分数(例如，评级)，该同现分数表示并置术语与包含在语言语料库124中的被监控通信和历史通信的话题之间的同现的程度(例如，所生成的术语是并置的和/或联合的可能性)。在该实施例中，程序150将包含查询术语的序列的向量输入到clm 126中包含的一个或多个模型中，并且clm 126输出一个或多个同现分数。在另一实施例中，程序150利用从一个或多个模型所生成的一个或多个概率(如lda输出或双词建模的结果)来与每个模型的同现置信度的程度成比例地调整上述结果中的每一个的权重。
[0052]
在实施例中，利用clm 126的输出，程序150确定与所生成的并置术语相关联的概率是否足以用于查询中所识别的话题。在各个实施例中，程序150利用预定义的同现阈值。在另一实施例中，如果程序150确定输出(例如，所生成的并置术语)小于同现(例如，概率等)阈值，则程序150移除所生成的术语并减小clm 126内与所生成的术语相关联的一个或多个权重。在示例场景中，一组开发者正在对缓冲器溢出漏洞进行故障查找并在实时聊天应用中讨论潜在解决方案，而程序150监控并分析讨论，重新训练相关联的模型，并响应于查询或话题生成并置术语。
[0053]
因此，在该实施例中，程序150利用如在步骤204中详述的经训练的模型，基于所识别的查询生成一个或多个并置术语。在一些实施例中，程序150计算表示所生成的术语可以在查询术语附近被找到的概率的同现分数。从而，该实施例用于基于相关联的经训练的模型的语料库创建有效的并置术语。在实例中，程序150利用了利用基于不同通道但相关话题的语料库训练的模型，将所述模型泛化至其他问题集合(例如，其他协作应用、通道、群组、话题等)。
[0054]
程序150呈现并置术语(步骤210)。基于如步骤208中所述的一个或多个所生成的并置术语，程序150可以根据相关联的应用(例如，聊天应用等)的能力生成、调整和呈现所生成的并置术语。响应于相关联的同现评级，程序150与原始查询可区别地(例如，有区别地等)生成、显示、修改或呈现一个或多个所生成的并置术语评论。例如，当与包含话题“放射”的查询一起呈现时，程序150可以呈现示例所生成的并置术语“疗法”，形成经修改的查询“放射疗法”。在各个实施例中，程序150可将相关联的同现评级显示为并置术语的数值分数、评级或概率。在该实施例中，程序150在对应的术语附近显示评级。在实施例中，程序150检索、查询、提示或确定详述用户偏好的呈现设置(诸如透明度的水平和文本颜色偏好)的设置或用户偏好。在另一实施例中，程序150修改、变换或调整一个或多个样式元素，包括但不限于显示或一个或多个所显示的术语的字体、字体大小、字符样式、字体颜色、背景颜色、大写、一般透明度和相对透明度。
[0055]
在实施例中，如果同现评级不满足或超过预定同现评级阈值(例如，详述下边界)，则程序150可以删除、移除、隐藏或以其他方式模糊相关联的并置术语和/或相关的并置术语。在实施例中，在程序150具有多个可能的并置术语(例如，具有满足或超过阈值的相关联的同现分数的术语)的情况下，程序150基于相关联的所生成的同现评级来对术语进行排序。例如，随着程序150显示可能的并置术语的经排序的列表，程序150可随着所述术语的同现评级降低而降低所显示术语的字体大小。在该实施例中，程序150可显示所有可能的并置术语，允许用户选择术语，对一个或多个术语进行排序，和/或向术语提供反馈。
[0056]
在实施例中，程序150向内容管理系统(cms)提供所生成的并置术语。在该实施例中，cms利用并置术语作为在搜索引擎优化(seo)中通常利用的元数据和元标记。seo辅助理
解哪些术语最可能被搜索并随后被用来标记内容或制订标记。程序150可利用所生成的并置术语，当泛化到类似领域或相关话题类别时，诸如通过编辑内容、修改html和相关联的代码来优化网站，以增加与特定关键字(例如，话题术语)的相关性并允许搜索引擎的高效索引两者。程序150可以利用seo和所生成的并置术语来增加web流量的质量和数量，从而增加网页对搜索引擎的用户的可见性。在实施例中，程序150利用所生成的并置术语来标记一个或多个网页，以便为多个网络蜘蛛、网络爬虫以及相关联的搜索引擎提供关键字和元数据。在该实施例中，程序150利用计算同现评级来修改、排序或移除一个或多个所标记的并置术语。
[0057]
程序150可基于正在进行的热门事项的相关或类似群组的历史保护来创建一个或多个预测性渐进式并置群组模型。预测性渐进式并置群组模型允许基于类似和相关术语和主题的语言模式在群组级别上对频繁通信的群组进行剖析。在实施例中，程序150在软件支持系统内被实现，该软件支持系统向多个支持团队提供所生成的并置术语的集合。在该实施例中，程序150通过利用对群组语料库剖析以基于历史软件支持活动来预测话题术语和相关联的并置术语(例如，查询)的模式进展和演变，来允许有效查询。程序150可利用clm 126来计算和识别一段时间内的并置趋势。在实施例中，程序150对同一聊天应用、群组或组织内的多个通道之间的并置趋势建模。在各个实施例中，程序150利用所描述的模型来调整结合了群组语言模式和时间点交互的多个权重。
[0058]
因此，在该实施例中，程序150向一个或多个用户呈现所生成的术语。在实例中，程序150基于相关联的同现分数来修改所呈现的术语的一个或多个样式元素。在实例中，程序150利用所生成的术语作为通常在seo中利用的元数据和标记。在另一实例中，程序150利用所生成的术语来创建预测性渐进式并置群组，从而允许程序150对一个或多个群组的语言模式进行剖析。从而，该实施例在协作聊天搜索或内容管理系统的构造内为用户提供所链接的术语的最佳集合。
[0059]
程序150记录相关通信并且重新建模语料库链接模型(步骤212)。在一个实施例中，程序150将相关的保护、评论、讨论和相关联的数据记录到语言语料库124中。在另一实施例中，程序150可通过客户端计算设备110上的图形用户界面(例如，用户界面112)接收用户反馈。例如，在程序150分析查询和相关联的并置术语之后，用户可在客户端计算设备110的图形用户界面(例如，用户界面112)上提供对查询和所评级的术语的反馈。在实施例中，反馈可以包括简单的正或负响应。在另一实施例中，反馈可包括对所提供的并置术语的用户确认。例如，如果程序150生成了低同现值的并置术语或将该术语提供在相对于话题术语的错误位置，则用户可以提供负反馈并正确地识别正确的并置术语、相对位置和相关通信。在实施例中，程序150将用户反馈和所校正的术语馈送到clm 126中，从而允许程序150相应地调整模型。在另一实施例中，程序150可使用nlp的一种或多种技术来记录用户的响应是正的还是负的。程序150将相关保护、评论、讨论和相关联的数据记录到语言语料库124中，并且利用经调整的语料库和相关联的训练和测试集合来重新训练clm 126。
[0060]
图3a描绘了示出协作式实时通信会话的示例300、多个用户之间的问题解决会话的示例讨论。示例300包括聊天应用302、实时通信应用、查询304、所输入的搜索查询、搜索栏308、文本输入区域、所关注的通道310、活动和可查看通道、以及通道312、可用通道的列表。当评估查询304时，示例300利用语料库语言分析和作者分析作为输入。
[0061]
图3b描绘了示出协作实时通信会话的示例350，多个用户之间的问题解决会话的示例讨论。示例300包括聊天应用302、实时通信应用、查询304、所输入的搜索查询、所生成的并置术语306、所生成的并置搜索术语、搜索栏308、文本输入区域、所关注的通道310、活动和可观看通道、以及通道312、可用通道的列表。
[0062]
图4描绘根据本发明的说明性实施例的客户端计算设备110和服务器计算机120的组件的框图。应当理解，图4仅提供一种实施方式的图示并且不暗示关于其中可以实现不同实施例的环境的任何限制。可以对所描绘的环境做出许多修改。
[0063]
服务器计算机120包括通信结构404，其提供高速缓存403、存储器402、持久性存储装置405、通信单元407和输入/输出(i/o)接口406之间的通信。通信结构404可以用被设计用于在处理器(诸如微处理器、通信和网络处理器等)、系统存储器、外围设备和系统内的任何其他硬件组件之间传递数据和/或控制信息的任何架构来实现。例如，通信结构404可以用一个或多个总线或纵横开关来实现。
[0064]
存储器402和持久性存储装置405是计算机可读存储介质。在该实施例中，存储器402包括随机存取存储器(ram)。通常，存储器402可以包括任何合适的易失性或非易失性计算机可读存储介质。高速缓存403是快速存储器，其通过保存来自存储器402的最近被访问的数据和接近被访问的数据的数据来增强计算机处理器401的性能。
[0065]
程序150可存储在持久性存储装置405和存储器402中，用于由一个或多个相应的计算机处理器401经由高速缓存403执行。在实施例中，持久性存储装置405包括磁性硬盘驱动器。作为磁性硬盘驱动器的替代或补充，持久性存储装置405可包括固态硬盘驱动器、半导体存储设备、只读存储器(rom)、可擦可编程只读存储器(eprom)、闪存存储器、或能够存储程序指令或数字信息的任何其他计算机可读存储介质。
[0066]
由持久性存储装置405使用的介质也可以是可移除的。例如，可移动硬盘驱动器可以用于持久性存储装置405。其他示例包括光盘和磁盘、拇指驱动器和智能卡，它们被插入到驱动器中以便转移到也是持久性存储装置405的一部分的另一计算机可读存储介质上。软件和数据412可以被存储在持久性存储装置405中，用于由一个或多个相应处理器401经由高速缓存403访问和/或执行。
[0067]
在这些示例中，通信单元407提供与其他数据处理系统或设备的通信。在这些示例中，通信单元407包括一个或多个网络接口卡。通信单元407可以通过使用物理和/或无线通信链路之一或两者提供通信。程序150可通过通信单元407被下载到持久性存储装置405。
[0068]
i/o接口406允许与可连接到客户端计算设备110的其他设备进行数据的输入和输出。例如，i/o接口406可以提供到外部设备408(诸如键盘、小键盘、触摸屏和/或一些其他合适的输入设备)的连接。外部设备408还可以包括便携式计算机可读存储介质(诸如例如拇指驱动器、便携式光盘或磁盘、以及存储卡)。用于实践本发明的实施例的软件和数据(例如，程序150)可被存储在这种便携式计算机可读存储介质上并且可经由i/o接口406被加载到持久性存储装置405上。i/o接口406还被连接到显示器409。
[0069]
显示器409提供向用户显示数据的机制，并且可以是例如计算机监视器。
[0070]
在此描述的程序是基于在本发明的特定实施例中实施的应用来识别的。然而，应当理解，本文中的任何特定程序命名仅为了方便而使用，并且因此本发明不应局限于仅在由这样的命名标识和/或暗示的任何特定应用中使用。
[0071]
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或介质)。
[0072]
计算机可读存储介质可为可保留和存储供指令执行设备使用的指令的有形设备。计算机可读存储介质可以是，例如但不限于，电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各术语：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存存储器)、静态随机存取存储器(sram)、便携式紧凑盘只读存储器(cd-rom)、数字通用盘(dvd)、记忆棒、软盘、机械编码设备(诸如穿孔卡或具有记录在其上的指令的凹槽中的凸起结构)、以及上述各术语的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身(诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，穿过光纤电缆的光脉冲)或通过导线传输的电信号)。
[0073]
本文中所描述的计算机可读程序指令可以经由网络(例如，因特网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备，或者下载到外部计算机或外部存储设备。网络可以包括铜传输线缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令，并将计算机可读程序指令设备用于在相应计算/处理设备内的计算机可读存储介质中的存储。
[0074]
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据，或者以一种或多种编程语言的任何组合来编写的源代码或目标代码，这些编程语言包括面向对象的编程语言(诸如smalltalk、c 等)，传统的过程式编程语言(诸如“c”编程语言或类似编程语言)，以及量子编程语言(诸如“q”编程语言、q#、量子计算语言(qcl)或类似编程语言)，低级编程语言(诸如汇编语言或类似的编程语言)。计算机可读程序指令可以完全地在用户的计算机上执行、部分在用户的计算机上执行、作为独立软件包执行、部分在用户的计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情形下，远程计算机可通过任何类型的网络(包括局域网(lan)或广域网(wan))连接至用户的计算机，或者可连接至外部计算机(例如，使用因特网服务提供商通过因特网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)的电子电路可以通过利用计算机可读程序指令的状态信息来来执行计算机可读程序指令以使电子电路个性化，以便执行本发明的各方面。
[0075]
这里将参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程说明和/或框图描述本发明。应当理解，流程说明和/或框图的每个方框以及流程说明和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0076]
这些计算机可读程序指令可被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的框或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令能够导引计算机、可
编程数据处理装置、和/或其他设备以特定方式工作，使得其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图的框或多个框中中指定的功能/动作的各方面的指令的制造品。
[0077]
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的处理，使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图框或多个框中的指定的功能/动作。
[0078]
附图中的流程图和框图示出了根据本发明的各个实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。对此，流程图或框图中的每个框可表示模块、段或指令的一部分，其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实施方式中，框中标注的功能可以不按照图中标注的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可以基本上同时执行，或者这些框可以有时以相反的顺序执行。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程说明中的方框的组合，可以用执行指定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。
[0079]
已经出于说明的目的呈现了本发明的各种实施方式的描述，但并不旨在是详尽的或者限于所公开的实施例。在不脱离本发明的范围和精神的情况下，许多修改和变化对于本领域普通技术人员来说是显而易见的。在此所使用的术语被选择来最好地解释实施例的原理、实际应用、或优于市场中所发现的技术的技术改进、或使得本领域普通技术人员能够理解在此所披露的实施例。