融合多粒度交互特征的机器翻译质量评估方法及装置与流程

1.本公开涉及机器翻译技术领域，尤其涉及一种融合多粒度交互特征的机器翻译质量评估方法、装置、电子设备及可读存储介质。


背景技术：

2.近年来，神经机器翻译取得了很大的进展，译文质量不断提高，但是仍然存在一系列问题，比如忠实度不高等，更加具体地表现为错翻和漏翻等现象。所以，评估机器翻译译文的质量是一项亟待解决的任务。通常，衡量机器翻译译文的质量采用自动评价方法，例如bleu、nist、meteor等，这些方法需要提供一个或多个参考译文，但是在模型预测或者实际应用中，为每个译文都收集高质量的参考翻译是很困难的，机器翻译质量评估任务应运而生。机器翻译质量评估是指在无参考译文的情况下对系统翻译结果进行质量预测，预测结果可以快速的衡量系统翻译的好坏。在译后编辑和计算机辅助翻译中有不可或缺的指导作用。机器翻译质量评估任务分为文档级别、句子级别和词级别的子任务。句子级别的机器翻译质量评估任务是为每一个句子预测一个得分，得分表示需要人工后编辑的工作量。通常，句子级别的质量评估可以看作是一项有监督的回归任务。早期，研究者们采用人工设计的特征进行质量评估，这些人工设计的特征更偏向于显式特征，如源语言句子和目标语言句子的统计知识特征，还有研究者采用机器翻译中存在的信息作为特征，如机器翻译系统对于输出译文的后验概率得分，柱搜索(beam search)中解码得到的句子个数以及它们的概率得分等。自深度学习变得流行以来，很多研究者尝试使用神经网络方法对机器翻译译文进行质量评估，通过rnn、transformer等神经网络模型自动抽取高维向量作为特征进行评估。上述介绍的方法中，大多数研究者只关注于抽取更丰富的特征，却忽略了如何有效的利用抽取到的特征。虽然在强大的神经网络框架下得到的词向量在模型内部已经得到充分的交互，但是针对译文质量评估这样的跨语言任务，应该加入更多体现翻译特性的特征进行评估，无论在细粒度的互为翻译对的词向量之间，还是粗粒度的源语言和目标翻译的句向量之间，都可以挖掘更具体的翻译特征。


技术实现要素：

3.为了解决上述技术问题中的至少一个，本公开提供了一种融合多粒度交互特征的机器翻译质量评估方法、装置、电子设备及可读存储介质。
4.根据本公开的一个方面，提供一种融合多粒度交互特征的机器翻译质量评估方法，包括：
5.生成词级别特征；
6.生成交互特征；
7.生成句子级别的特征；
8.通过线性插值的方法将所述词级别特征、所述交互特征及所述句子级别特征组合，预测hter值。
9.根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估方法，所述生成词级别特征，包括：
10.对于目标语言句子中的任一个词，将所述词的所有子词的词向量取平均作为所述词的词向量；
11.计算目标语言句子中的每个词与源语言句子中的每个词的余弦相似度，形成相似度矩阵，其中，相似度计算公式如下：
[0012][0013]
其中，sn表示源语言句子的第n个词向量，tm表示目标语言句子的第m个词向量；
[0014]
将相似度矩阵的相似度得分和分布熵作为词级别特征。
[0015]
根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估方法，所述生成交互特征包括：
[0016]
对于目标语言句子中的任一个词，将所述词的所有子词的词向量取平均作为所述词的词向量；
[0017]
计算目标语言句子中的每个词与源语言句子中的每个词的余弦相似度，形成相似度矩阵，其中，相似度计算公式如下：
[0018][0019]
其中，sn表示源语言句子的第n个词向量，tm表示目标语言句子的第m个词向量；
[0020]
将相似度矩阵的相似度得分和分布熵作为词级别特征；
[0021]
从所述相似度矩阵中选择部分相似度得分和分布熵拼接后作为交互特征，拼接公式如下：
[0022][0023]
其中，m表示目标语言句子中的单词个数，hm表示目标语言句子中第m个词的分布熵，pi表示经过softmax操作后的概率，hm计算公式如下：
[0024][0025]
根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估方法，其特征在于，所述生成句子级别特征包括：
[0026]
将目标语言句子中所有词的向量表示取平均作为整个句子的向量表示，计算公式如下：
[0027][0028]
其中，ti为词的向量表示，m为目标语言句子所有词的个数；
[0029]
将源语言句子中所有词的向量表示取平均作为整个句子的向量表示；
[0030]
基于余弦相似度方法计算所述目标语言句子和所述源语言句子的相似度，计算公式如下：
[0031][0032]
其中，hsrc表示源语言句子的向量表示，htgt表示目标语言句子的向量表示。
[0033]
根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估方法，通过线性插值的方法将所述词级别特征、所述交互特征及所述句子级别特征组合，预测hter值，包括：
[0034]
将所述交互特征与词向量拼接：
[0035]
通过sigmoid激活函数将对应值映射至0到1之间；
[0036]
使用线性插值的方法组合特征并预测hter值；
[0037]
计算公式如下：
[0038][0039]
其中，w表示权重矩阵，ew表示词向量，ei表示交互特征，sims表示目标语言句子和源语言句子的相似度。
[0040]
根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估方法，其特征在于，包括通过bert模型生成所述词级别特征和所述句子级别特征，包括：
[0041]
将源语言句子和机器译文拼接后，形成多语言拼接语句；
[0042]
将所述多语言拼接语句输入bert模型，生拼所述多语言接语句中的各个词的向量表示。
[0043]
根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估方法，还包括：将bert模型的最后一层的高维向量输入至双向lstm网络，以解决梯度消失和梯度爆炸的问题，所述双向lstm网络包含的计算公式如下：
[0044]it
＝σ(wi·
[h
t-1，
x
t
] bi)
[0045]ft
＝σ(wf·
[h
t-1
，x
t
] bf)
[0046]ot
＝σ(wo[h
t-1
，x
t
] bo)
[0047][0048][0049]ht
＝o
t
*tanh(c
t
)
[0050]
其中，σ表示sigmoid函数，i
t
表示输入门，f
t
表示遗忘门，o
t
表示输出门，输入都是[h
t-1
，x
t
]，h
t
表示输出，c
t
表示细胞单元状态。
[0051]
根据本公开的又一个方面，提供一种融合多粒度交互特征的机器翻译质量评估装置，包括：
[0052]
词级别特征生成模块，所述词级别特征生成模块用于生成词级别特征；
[0053]
交互特征生成模块，所述交互特征生成模块用于生成交互特征；
[0054]
句子级别特征生成模块，所述句子级别特征生成模块用于生成句子级别的特征；
[0055]
hter值计算模块，通过线性插值的方法将所述词级别特征、所述交互特征及所述句子级别特征组合，预测hter值。
[0056]
根据本公开的又一个方面，提供一种电子设备，包括：
[0057]
存储器，所述存储器存储执行指令；
[0058]
处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行上述任一项所述的方法。
[0059]
根据本公开的又一个方面，提供一种可读存储介质，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现上述任一项所述的方法。
附图说明
[0060]
附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
[0061]
图1是根据本公开的一个实施方式的融合多粒度交互特征的机器翻译质量评估方法流程示意图。
[0062]
图2是根据本公开的一个实施方式的融合多粒度交互特征的机器翻译质量评估装置结构示意图。
[0063]
图3是根据本公开的一个实施方式的融合多粒度交互特征的机器翻译质量评估框架示意图。
[0064]
图4是lstm模型示意图。
[0065]
图5是根据本公开提供的词级别交互示意图。
[0066]
图6是根据本公开提供的词级别相似度矩阵示意图。
[0067]
附图标记说明
[0068]
1000 融合多粒度交互特征的机器翻译质量评估装置
[0069]
1002 词级别特征生成模块
[0070]
1004 交互特征生成模块
[0071]
1006 句子级别特征生成模块
[0072]
1008 hter值计算模块
[0073]
1100 总线
[0074]
1200 处理器
[0075]
1300 存储器
[0076]
1400 其他电路。
具体实施方式
[0077]
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
[0078]
需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
[0079]
除非另有说明，否则示出的示例性实施方式/实施例将被理解为提供可以在实践中实施本公开的技术构思的一些方式的各种细节的示例性特征。因此，除非另有说明，否则在不脱离本公开的技术构思的情况下，各种实施方式/实施例的特征可以另外地组合、分
离、互换和/或重新布置。
[0080]
在附图中使用交叉影线和/或阴影通常用于使相邻部件之间的边界变得清晰。如此，除非说明，否则交叉影线或阴影的存在与否均不传达或表示对部件的具体材料、材料性质、尺寸、比例、示出的部件之间的共性和/或部件的任何其它特性、属性、性质等的任何偏好或者要求。此外，在附图中，为了清楚和/或描述性的目的，可以夸大部件的尺寸和相对尺寸。当可以不同地实施示例性实施例时，可以以不同于所描述的顺序来执行具体的工艺顺序。例如，可以基本同时执行或者以与所描述的顺序相反的顺序执行两个连续描述的工艺。此外，同样的附图标记表示同样的部件。
[0081]
当一个部件被称作“在”另一部件“上”或“之上”、“连接到”或“结合到”另一部件时，该部件可以直接在所述另一部件上、直接连接到或直接结合到所述另一部件，或者可以存在中间部件。然而，当部件被称作“直接在”另一部件“上“、“直接连接到”或“直接结合到”另一部件时，不存在中间部件。为此，术语“连接”可以指物理连接、电气连接等，并且具有或不具有中间部件。
[0082]
本文使用的术语是为了描述具体实施例的目的，而不意图是限制性的。如这里所使用的，除非上下文另外清楚地指出，否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外，当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时，说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组，但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是，如这里使用的，术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语，如此，它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
[0083]
图1是根据本公开的一个实施方式的融合多粒度交互特征的机器翻译质量评估方法流程示意图。
[0084]
如图1所示，融合多粒度交互特征的机器翻译质量评估方法s100，包括：
[0085]
s102：生成词级别特征；
[0086]
s104：生成交互特征；
[0087]
s106：生成句子级别的特征；
[0088]
s108：通过线性插值的方法将词级别特征、交互特征及句子级别特征组合，预测hter值。
[0089]
其中，生成词级别特征，包括：
[0090]
对于目标语言句子中的任一个词，将词的所有子词的词向量取平均作为词的词向量；
[0091]
计算目标语言句子中的每个词与源语言句子中的每个词的余弦相似度，形成相似度矩阵，其中，相似度计算公式如下：
[0092][0093]
其中，sn表示源语言句子的第n个词向量，tm表示目标语言句子的第m个词向量；
[0094]
将相似度矩阵的相似度得分和分布熵作为词级别特征。
[0095]
其中，生成交互特征包括：
[0096]
对于目标语言句子中的任一个词，将词的所有子词的词向量取平均作为词的词向量；
[0097]
计算目标语言句子中的每个词与源语言句子中的每个词的余弦相似度，形成相似度矩阵，其中，相似度计算公式如下：
[0098][0099]
其中，sn表示源语言句子的第n个词向量，tm表示目标语言句子的第m个词向量；
[0100]
将相似度矩阵的相似度得分和分布熵作为词级别特征；
[0101]
从相似度矩阵中选择部分相似度得分和分布熵拼接后作为交互特征，拼接公式如下：
[0102][0103]
其中，m表示目标语言句子中的单词个数，hm表示目标语言句子中第m个词的分布熵，pi表示经过softmax操作后的概率，hm计算公式如下：
[0104][0105]
其中，其特征在于，生成句子级别特征包括：
[0106]
将目标语言句子中所有词的向量表示取平均作为整个句子的向量表示，计算公式如下：
[0107][0108]
其中，ti为词的向量表示，m为目标语言句子所有词的个数；
[0109]
将源语言句子中所有词的向量表示取平均作为整个句子的向量表示；
[0110]
基于余弦相似度方法计算目标语言句子和源语言句子的相似度，计算公式如下：
[0111][0112]
其中，hsrc表示源语言句子的向量表示，htgt表示目标语言句子的向量表示。
[0113]
其中，通过线性插值的方法将词级别特征、交互特征及句子级别特征组合，预测hter值，包括：
[0114]
将交互特征与词向量拼接：
[0115]
通过sigmoid激活函数将对应值映射至0到1之间；
[0116]
使用线性插值的方法组合特征并预测hter值；
[0117]
计算公式如下：
[0118][0119]
其中，w表示权重矩阵，ew表示词向量，ei表示交互特征，sims表示目标语言句子和源语言句子的相似度。
[0120]
其中，其特征在于，包括通过bert模型生成词级别特征和句子级别特征，包括：
[0121]
将源语言句子和机器译文拼接后，形成多语言拼接语句；
[0122]
将多语言拼接语句输入bert模型，生拼多语言接语句中的各个词的向量表示。
[0123]
其中，还包括：将bert模型的最后一层的高维向量输入至双向lstm网络，以解决梯度消失和梯度爆炸的问题，双向lstm网络包含的计算公式如下：
[0124]it
＝σ(wi·
[h
t-1
，x
t
] bi)
[0125]ft
＝σ(wf·
[h
t-1
，x
t
] bf)
[0126]ot
＝σ(wo[h
t-1
，x
t
] bo)
[0127][0128][0129]ht
＝o
t
*tanh(c
t
)
[0130]
其中，σ表示sigmoid函数，i
t
表示输入门，f
t
表示遗忘门，o
t
表示输出门，输入都是[h
t-1
，x
t
]，h
t
表示输出，c
t
表示细胞单元状态。
[0131]
如图3所示，本公开提供的融合多粒度交互特征的机器翻译质量评估框架。其中，bert模型为multilingual-bert。在该框架中，multilingual-bert模型的最后一层的高维向量输入至双向lstm网络。lstm主要是为了解决rnn模型在长序列训练过程中的梯度消失和梯度爆炸的问题。梯度消失和梯度爆炸产生的结果一样，只是产生的原因不同，而lstm引入门控机制动态地选择接受和遗忘当前状态可以有效缓解这类问题。图4示出了lstm的内部结构。尽管多语言预训练模型适合处理跨语言任务，但是在预训练阶段仍然是将同种语言的两个句子拼接作为输入。本章所采用的预训练模型融合跨语言联合编码策略，并且使用大规模双语平行语料再次预训练，使其适应于不同种语言的两个句子拼接输入的场景。具体而言，将源语言句子和目标语言语句子拼接一起输入到模型中，这样句子之间的每个词才能充分交互，得到更好的向量表示。在输入时，[cls]和[sep]分别表示句子的开始符和句子分隔符，例如：[cls]源语言句子[sep]目标语言句子[sep]。这里，我们不仅使用上下文相关的词向量作为特征，并且让源语言句子和目标语言句子的词向量进一步交互作为特征。换句话说，交互就是在词级别和句子级别显式地建模面向翻译的特征。最终，将词级别和句子级别面向翻译的特征融合上下文词向量进行预测hter得分。
[0132]
图5是本公开提供的词级别交互示意图。如图5所示，源语言句子(s)和目标语言句子(t)的每个词分别表示为s＝(s1，s2，
…
，sn)和t＝(t1，t2，
…
，tm)。相比词向量来说，上下文相关的向量在不同的语境中有不同的向量表示。由于bert使用的是子词编码，在本发明提供的方法中，为了保证词向量的完整信息，通过判断每个位置是否含有子词特有的连接符来合并子词，将一个词的所有子词的词向量取平均作为这个完整单词的词向量。然后计算目标语言句子中的每个词和源语言句子中的每个词的余弦相似度，形成相似度矩阵，并采用相似度得分的l
∞
和分布熵来作为词级别的特征。最后，将从相似度矩阵中挑选的相似度得分与相似度分布熵拼接作为面向翻译的交互特征。
[0133]
图6是根据本公开提供的词级别相似度矩阵示意图。为了验证词级别相似度得分的可靠性，从测试集中随机挑选了一组数据，将词级别相似度矩阵映射到热力图中，如图6所示，可以看到，“dupliziert”被错误地翻译为“duiert”，从相似度矩阵来看，这两个词的相似度得分略低于其他翻译对的相似度得分，表明这两个词在语义上相似程度也较低。观察发现，两个标点符号的相似度得分也相对较低，分析其原因，我们发现标点符号不像名词
或者动词具有实际的意义，所携带的信息量有限，所以相似度得分略低一些。因此，通过具体的示例，我们发现不同语言之间互为翻译的词组可以用相似度得分来衡量词之间的翻译质量。
[0134]
基于上述融合多粒度交互特征的机器质量评估方法，通过实验对比验证其技术效果。在实验中，使用多语言的bert-base模型，其中参数为：层数l＝12，隐藏单元h＝768，多头注意头数量n
head
＝12，参数总量t＝1.1
×
108。lstm的参数为：层数l＝3，隐藏单元h＝1000。在训练过程中，将训练轮数限制为e＝3，学习率r＝2
×
10-5
,批次大小b＝32，最大长度m＝128。假定qe任务的训练集包括n个平行句对，则用x
(n)
表示源语言句子，y
(n)
表示目标语言句子，hter
(n)
(n＝1，
…
，n)表示相对应的标准答案。训练目标为最小化训练数据的均方误差，优化目标计算如以下公式所示：
[0135][0136]
由于qe任务的训练数据集较小，本文使用大约500万的双语平行数据对multi-bert进行二次预训练，使模型能更好的处理源语言句子和目标语言句子拼接的输入。预训练的双语平行数据来自2017年wmt数据。qe数据采用的是wmt2017英德任务数据集、wmt2017德英任务数据集以及wmt2019英德数据，实验数据统计如下表所示。
[0137][0138]
本发明所提方法在wmt2017英德任务、wmt2017德英任务以及wmt19英德任务数据集上和其他方法对比的实验结果，如下表所示，实验指标采用皮尔逊相关系数和斯皮尔曼等级相关系数。
[0139][0140]
bilingual expert模型采用双向transformer作为特征抽取器，通过抽取高维的词向量特征和人工设计特征结合的方法预测质量标签。postech模型采用predictor-estimator框架，使用bi-gru模型作为特征抽取器。
[0141][0142]
可以看出，在wmt2017英徳数据集上本文所提方法相比已有最好的模型，pearson相关系数略高一点，但是spearman等级相关系数却相对较低。在wmt2017德英数据集上所提方法pearson相关系数和spearman等级相关系数均高于已有最好的模型。
[0143]
下表为不同模型在wmt19句子级别qe英德任务的实验结果：
[0144][0145]
从上表可以看出，本发明所提方法表现优于基线模型，cmultimlt的模型、njunlp的模型以及etri的模型，略低于排名第一的unbabel的模型，经过分析发现，unbabel采用了集成子模型的方法，而本发明所提方法只使用了bert单模型，与unbabel中的bert单模型相比，所提方法的表现还是高于unbabel中最好的单模型predest-bert。
[0146]
在wmt2019英德数据集上分析词级别特征和句子级别特征对所提方法的影响，词级别特征更多的在细粒度上表示源语言句子和目标语言句子的关系，而句子级别特征则是在粗粒度上从源语言句子和目标语言句子整体来建模其关系。下表为消融实验对比结果：
[0147][0148]
从上表的消融实验结果可以看出，词级别特征和句子级别特征对基础模型的提升都有一定的帮助，但是相比较而言，句子级别特征帮助更大一些，分析其原因，我们认为在句子级别的机器翻译质量评估任务中，模型更关注于句子整体的翻译质量。
[0149]
本发明提供的融合多粒度交互的机器翻译质量评估方法，该方法为了解决现有只关注于抽取丰富特征却忽略特征之间的交互关系的问题。在词级别上用相似度得分的l
∞
和
分布熵来作为词级别的特征，在句子级别上通过计算源语言句子和目标语言句子的语义相似度来衡量整句话翻译质量，然后将词级别特征和句子级别特征使用线性插值的方式进行融合。实验表明，所提出的方法在性能上优于其他方法，提高了系统的评估准确率。
[0150]
图2是根据本公开至少一个实施方式的融合多粒度交互特征的机器翻译质量评估装置结构示意图。
[0151]
如图2所示，融合多粒度交互特征的机器翻译质量评估装置1000，包括：
[0152]
词级别特征生成模块1002，词级别特征生成模块用于生成词级别特征；
[0153]
交互特征生成模块1004，交互特征生成模块用于生成交互特征；
[0154]
句子级别特征生成模块1006，句子级别特征生成模块用于生成句子级别的特征；
[0155]
hter值计算模块1008，通过线性插值的方法将词级别特征、交互特征及句子级别特征组合，预测hter值。
[0156]
根据本公开的又一个方面，提供一种电子设备，包括：
[0157]
存储器，存储器存储执行指令；
[0158]
处理器，处理器执行存储器存储的执行指令，使得处理器执行上述任一项的方法。
[0159]
根据本公开的又一个方面，提供一种可读存储介质，可读存储介质中存储有执行指令，执行指令被处理器执行时用于实现上述任一项的方法。
[0160]
图2示出了采用处理系统的硬件实现方式的装置示例图。该装置可以包括执行上述流程图中各个或几个步骤的相应模块。因此，可以由相应模块执行上述流程图中的每个步骤或几个步骤，并且该装置可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
[0161]
该硬件结构可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器，这取决于硬件的特定应用和总体设计约束。总线1100将包括一个或多个处理器1200、存储器1300和/或硬件模块的各种电路连接到一起。总线1100还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其他电路1400连接。
[0162]
总线1100可以是工业标准体系结构(isa，industry standard architecture)总线、外部设备互连(pci，peripheral component)总线或扩展工业标准体系结构(eisa，extended industry standard component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条连接线表示，但并不表示仅有一根总线或一种类型的总线。
[0163]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如，本公开中的方法实施方式可以被实现为软件程序，其被有形地包含于机器可读介质，例如存储器。在一些实施方式中，软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时，可以执行上文描述的方法中的一个或多个步骤。备选地，在其他实施方式中，处理器可以通过其他任何适当的方式
(例如，借助于固件)而被配置为执行上述方法之一。
[0164]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，可以具体实现在任何可读存储介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
[0165]
就本说明书而言，“可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。可读存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在存储器中。
[0166]
应当理解，本公开的各部分可以用硬件、软件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0167]
本技术领域的普通技术人员可以理解实现上述实施方式方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种可读存储介质中，该程序在执行时，包括方法实施方式的步骤之一或其组合。
[0168]
此外，在本公开各个实施方式中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读存储介质中。存储介质可以是只读存储器，磁盘或光盘等。
[0169]
在本说明书的描述中，参考术语“一个实施方式/方式”、“一些实施方式/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式/方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式/方式或示例中。在本说明书中，对上述术语的示意性表述不必须的是相同的实施方式/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施方式/方式或示例以及不同实施方式/方式或示例的特征进行结合和组合。
[0170]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0171]
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并
非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。