异质社交网络中缺失链路预测方法、系统和存储介质

1.本发明涉及异质社交网络缺失链路预测技术领域，具体涉及一种异质社交网络中缺失链路预测方法、系统和存储介质。


背景技术：

2.缺失链路预测是指在社会网络中如何通过已知的网络节点以及网络结构等信息预测网络中尚未产生连边的两个节点之间产生链路的可能性。这种预测既包含了对未知链路的预测也包含了对未来链路的预测。
3.社会网络分析在各个研究领域的巨大成功，从群体规划查询到信息扩散，从影响最大化到评估公众焦虑。其中，异质社交网络缺失链路预测的研究成为一个独特的挑战。异质社交网络通常表示为一般的网络图，其中节点表示属于不同类别的个人，而链路表示不同类型的交互。在现实应用中，由于信息不准确、个体无反应以及抽样偏差等原因，很难通过观察所有存在的联系来构建一个完整的网络图来表示整个异质社交网络，特别地，把网络结构中没有被观察到的存在的链路称为缺失的链路。在实际应用中，收集到的网络图中经常存在缺失环节，影响了异质社交网络的完整性，导致社交网络分析得出错误结论。


技术实现要素：

4.本发明的目的在于克服上述技术不足，提供一种异质社交网络中缺失链路预测方法，能够更为准确的、全面的对新出现类型的链路预测产生很好的预测效果，且采用对抗神经网路进行共享特征的学习，对新出现类型链路预测的作用面很广，适用性更强。
5.为达到上述技术目的，第一方面，本发明的技术方案提供一种异质社交网络中缺失链路预测方法，包括以下步骤：
6.将所述异质社交网络的链路转为结构特征向量；
7.将所述结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；
8.利用生成预测器对所述结构特征向量的链路样本进行初步链路预测，以判断所述链路样本的真假，利用判别分类器对所述结构特征向量的链路样本进行分类；
9.调整所述生成预测器的损失函数的参数以降低所述生成预测器的预测损失，调整所述判别分类器的损失函数的参数以降低所述判别分类器的分类损失；
10.在所述生成预测器和所述判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据所述最终公共特征对新出现类型的缺失链路进行预测。
11.与现有技术相比，本发明的有益效果包括：
12.本发明的技术方案提供的异质社交网络中缺失链路预测方法，通过对异质社交网络进行初步的特征提取；然后对提取的特征通过卷积神经网络进行初步的聚集和优化；之后分别进行两个过程的对抗训练以此得到一个最终的公共特征来进行链路预测。第一过程是经过全连接层的训练来进行链路预测，相当于一个二分类的过程，第二个过程过是经过梯度反转层以及全连接层的训练来进行辅助的链路类型分类，相当于一个多分类的过程，
以此辅助训练得到公共特征来进行链路预测。利用对抗训练这种特定的手段，通过迁移学习的方式，从历史类型链路的特征提取出公共特征，对于检测异质社交网络中新出现类型的缺失链路具有极为重要的意义。
13.相对于其他的链路预测方法，本发明提供的异质社交网络中缺失链路预测方法立足于特征提取，通过关注异质社交网络中链路类型的差异，来对没有先验类型的新出现类型链路进行预测。能够更为准确的、全面的对新出现类型的链路预测产生很好的预测效果，且采用对抗神经网路进行共享特征的学习，对新出现类型链路预测的作用面很广，适用性更强。
14.根据本发明的一些实施例，所述异质社交网络包括多个节点，所述节点之间形成链路，链路样本e为节点u和节点v之间的链路，链路样本e的特征表示函数为:
15.r
(e)
＝f(u)*f(v)
16.其中，f(u)为节点u的特征表述函数，f(v)为节点v的特征表述函数。
17.根据本发明的一些实施例，所述利用生成预测器对所述结构特征向量的链路样本进行初步链路预测，包括步骤：
18.输入链路样本集到所述生成预测器；
19.使用所述生成预测器计算得到所述链路样本集中的链路样本为真实链路的可能性；
20.根据所述链路样本集、所述链路样本为真实链路的可能性、所述链路样本的属性计算得到所述生成预测器的预测损失。
21.根据本发明的一些实施例，所述生成预测器的预测损失表示为：
[0022][0023]
其中，s为所述链路样本集，p(e)为所述链路样本为真实链路的可能性，me为所述链路样本的属性，me∈{0,1}，me＝1表示链路样本e是正样本，me＝0表示链路样本e是负样本。
[0024]
根据本发明的一些实施例，利用判别分类器对所述结构特征向量的链路样本进行分类，包括步骤：
[0025]
根据所述链路样本集计算得到所述链路样本集中所有链路的特征表示集；
[0026]
基于所述所有链路的特征表示集，所述判别分类器将所述链路样本集中的链路分类为对应的历史类型。
[0027]
根据本发明的一些实施例，所述判别分类器的分类损失表示为：
[0028][0029]
其中，t
p
包含多种链路类型，表示预测链路样本e在t
p
中为(a1,a2)的链路类型的概率，e的链路类型为(a1,a2)，则ne＝1；e的链路类型不为(a1,a2),ne＝0。
[0030]
第二方面，本发明的技术方案提供一种异质社交网络中缺失链路预测系统，包括：
[0031]
特征提取器，用于将异质社交网络的链路转为结构特征向量；
[0032]
卷积神经网络，用于对所述结构特征向量进行特征聚集和特征优化；
[0033]
生成预测器，用于对所述结构特征向量的链路样本进行初步链路预测；
[0034]
判别分类器，用于对所述结构特征向量的链路样本进行分类；
[0035]
参数调整模块，用于调整所述生成预测器的损失函数的参数以降低所述生成预测器的预测损失，调整所述判别分类器的损失函数的参数以降低所述判别分类器的分类损失；
[0036]
缺失链路预测模块，用于在所述生成预测器和所述判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据所述最终公共特征对新出现类型的缺失链路进行预测。
[0037]
第三方面，本发明的技术方案提供一种异质社交网络中缺失链路预测系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的异质社交网络中缺失链路预测方法。
[0038]
第四方面，本发明的技术方案提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面中任意一项所述的异质社交网络中缺失链路预测方法。
[0039]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0040]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中摘要附图要与说明书附图的其中一幅完全一致：
[0041]
图1为本发明一个实施例提供的异质社交网络中缺失链路预测方法的流程图；
[0042]
图2为本发明另一个实施例提供的异质社交网络中缺失链路预测方法的流程图；
[0043]
图3为本发明另一个实施例提供的异质社交网络中缺失链路预测方法的流程图。
具体实施方式
[0044]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0045]
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0046]
本发明提供了一种异质社交网络中缺失链路预测方法，通过对异质社交网络进行初步的特征提取；然后对提取的特征通过卷积神经网络进行初步的聚集和优化；之后分别进行两个过程的对抗训练以此得到一个最终的公共特征来进行链路预测。立足于特征提取，通过关注异质社交网络中链路类型的差异，来对没有先验类型的新出现类型链路进行
预测。能够更为准确的、全面的对新出现类型的链路预测产生很好的预测效果，且采用对抗神经网路进行共享特征的学习，对新出现类型链路预测的作用面很广，适用性更强。
[0047]
下面结合附图，对本发明实施例作进一步阐述。
[0048]
参照图1，图1为本发明一个实施例提供的异质社交网络中缺失链路预测方法的流程图，异质社交网络中缺失链路预测方法包括但是不仅限于步骤s110至步骤s150。
[0049]
步骤s110，将异质社交网络的链路转为结构特征向量；
[0050]
步骤s120，将结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；
[0051]
步骤s130，利用生成预测器对结构特征向量的链路样本进行初步链路预测，以判断链路样本的真假，利用判别分类器对结构特征向量的链路样本进行分类；
[0052]
步骤s140，调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；
[0053]
步骤s150，在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。
[0054]
在一实施例中，异质社交网络中缺失链路预测方法包括步骤：将异质社交网络的链路转为结构特征向量；将结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；利用生成预测器对结构特征向量的链路样本进行初步链路预测，以判断链路样本的真假，利用判别分类器对结构特征向量的链路样本进行分类；调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。
[0055]
本实施例提供的异质社交网络中缺失链路预测方法，通过对异质社交网络进行初步的特征提取；然后对提取的特征通过卷积神经网络进行初步的聚集和优化；之后分别进行两个过程的对抗训练以此得到一个最终的公共特征来进行链路预测。相对于其他的链路预测方法，本发明提供的异质社交网络中缺失链路预测方法立足于特征提取，通过关注异质社交网络中链路类型的差异，来对没有先验类型的新出现类型链路进行预测。能够更为准确的、全面的对新出现类型的链路预测产生很好的预测效果，且采用对抗神经网路进行共享特征的学习，对新出现类型链路预测的作用面很广，适用性更强。
[0056]
在一实施例中，异质社交网络中缺失链路预测方法包括步骤：将异质社交网络的链路转为结构特征向量；将结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；利用生成预测器对结构特征向量的链路样本进行初步链路预测，以判断链路样本的真假，利用判别分类器对结构特征向量的链路样本进行分类；调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。
[0057]
步骤一、提取出一般的异质社交网络，异质社交网络一般而言是一个图，图里面是每一个节点，节点与节点之间产生链路。将图输入node2vec特征提取器提取出异质社交网络中的初步结构特征，也就是将图里面的链路表示成一般的向量，将图里面的边表示成128维的向量。
[0058]
为了探讨边的特征表示，我们必须考虑从节点到特征表示的映射。设f(u)为节点u
到特征表示的映射函数。为每个节点u在异质社交网络g，我们获得其抽样的邻居节点集n(u)。我们试图优化以下目标函数，对于以其特征表示为的节点u，最大限度地提高观测邻居节点集n(u)附近网络的对数概率。
[0059]
maxf∑
u∈v
log pr(n(u)|f(u))
ꢀꢀꢀ
(1)
[0060]
对式(1)进行优化，得到节点u的特征表示函数，表示为f(u)。对于链路样本e，我们首先得到节点u和节点v的特征表示f(u)和f(v)。那么，链路样本e的特征表示为：
[0061]r(e)
＝f(u)*f(v)
ꢀꢀꢀ
(2)
[0062]
步骤二、基于初步的结构特征，通过卷积神经网络进行特征聚集和优化，将优化后的特征传入第一全连接层进行初步链路预测，判断链路的真假性，通过预测器输出单元的损失函数判断链路预测的好坏程度。其中，node2vec特征提取器、卷积神经网络、第一全连接层、预测器输出单元一起被称为生成预测器。
[0063]
使用g
p
(s；θr，θ
p
)表示生成预测器，其中s表示输入链路样本集，θ
p
表示相关参数。rf表示s中所有链路的特征表示集，定义如下：
[0064]
rf＝{r
(e)
|e∈s}
ꢀꢀꢀ
(3)
[0065]
为了预测一个链路样本是否为缺失链路，使用了三个具有softmax函数的全连接层，也就是第一全连接层。对于给定的链路样本e，生成预测器的输出可以表示为：
[0066]
p(e)＝g
p
({e}；θr，θ
p
)
ꢀꢀꢀ
(4)
[0067]
其中p(e)表示链路样本e存在的可能性。生成预测器的目标是预测一个特定的链路样本是否是一个缺失的链路。对于给定的链路样本集s，利用交叉熵函数定义生成预测器的预测损失为：
[0068]
l
p
(θr，θ
p
)＝-∑
e∈s
[melog(p(e)) (1-me)log(1-p(e))]
ꢀꢀꢀ
(5)
[0069]
这里，me∈{0，1}中的me＝1表示链路样本e是正样本；否则，me＝0表示链路样本e是负样本。为了更好地对缺失环节进行预测，首要任务是将预测损失最小化。求最优参数和的过程可以表示为：
[0070][0071]
步骤三、基于初步的结构特征，通过卷积神经网络进行特征聚集和优化，将优化后的特征传入梯度反转层后，在接着传入第二全连接层，通过分类器输出单元的损失函数判断类型的好坏程度。其中，梯度反转层、第二全连接层、分类器输出单元一起被称为判别分类器。
[0072]
判别分类器是一个神经网络，由两个完全连接的层和相应的激活函数组成。基于rf中捕获的特征表示，将链路样本集s中的链路正确地分类为对应的历史类型。使用gc(rf；θc)来表示判别分类器，其中rf来自生成预测器，θc表示要学习的参数。
[0073]
gc(rf；θc))通过测量rf中相应链路表示的差异，间接估计了链路类型之间的差异。对于链路样本集s，我们用交叉熵函数定义区分分类器的分类损失如下:
[0074]
[0075]
其中，t
p
包含不同可能的链路类型，表示预测链路样本e在t
p
中为(a1,a2)的链路类型的概率。如果e的链路类型为(a1,a2)，则ne＝1；否则,ne＝0。当lc(θr,θc)值越小，判别分类器将s中的链路样本分类成正确类型的性能就越好。为了区分不同的链路样本类型，最小化损失lc(θr,θc)后的判别分类器参数表示如下:
[0076][0077]
上述损失lc(θr,θc)可用于计算rf中不同链路类型的表示差异。损失越大，说明不同类型表征的分布相似，学习特征是类型不变的。
[0078]
步骤四、最后需要步骤二中的损失函数最小以得到最佳的链路预测效果，以及需要使得步骤三中的判别分类器损失函数最大以使得特征更加的公共。在这种最大最小的损失函数的求解过程中产生一个极大极小的对抗效果，最终达到平衡，使得我们的方法得到最佳的效果。
[0079]
为了在训练阶段移除每种链路类型中独有的特征，需要最大化来探寻最优的参数θr。因此，构造了生成预测器与判别分类器之间的极大极小二人博弈。生成预测器g
p
(s；θr,θ
p
)试图通过降低分类性能来欺骗判别分类器gc(rf；θc)，而判别分类器gc(rf；θc)则试图通过发现识别链路类型的特定类型特征来不被欺骗。
[0080]
基于极大极小二人对策，综合损失定义如下:
[0081]
l
final
(θr,θ
p
,θc)＝l
p
(θr,θ
p
)-lc(θr,θc)
ꢀꢀꢀ
(9)
[0082]
发现最优参数θr，以帮助rf中的特征表示符合共享特征的标准。相关参数鞍点的寻优过程表示为:
[0083][0084][0085]
在一实施例中，异质社交网络中缺失链路预测方法包括步骤：将异质社交网络的链路转为结构特征向量；将结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；利用生成预测器对结构特征向量的链路样本进行初步链路预测，以判断链路样本的真假，利用判别分类器对结构特征向量的链路样本进行分类；调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。
[0086]
异质社交网络包括多个节点，节点之间形成链路，链路样本e为节点u和节点v之间的链路，链路样本e的特征表示函数为:
[0087]r(e)
＝f(u)*f(v)
[0088]
其中，f(u)为节点u的特征表述函数，f(v)为节点v的特征表述函数。
[0089]
参照图2，图2为本发明另一个实施例提供的异质社交网络中缺失链路预测方法的
流程图，异质社交网络中缺失链路预测方法包括但是不仅限于步骤s210至步骤s230。
[0090]
步骤s210，输入链路样本集到生成预测器；
[0091]
步骤s220，使用生成预测器计算得到链路样本集中的链路样本为真实链路的可能性；
[0092]
步骤s230，根据链路样本集、链路样本为真实链路的可能性、链路样本的属性计算得到生成预测器的预测损失。
[0093]
在一实施例中，异质社交网络中缺失链路预测方法包括步骤：将异质社交网络的链路转为结构特征向量；将结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；利用生成预测器对结构特征向量的链路样本进行初步链路预测，以判断链路样本的真假，利用判别分类器对结构特征向量的链路样本进行分类；调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。
[0094]
利用生成预测器对结构特征向量的链路样本进行初步链路预测，包括步骤：输入链路样本集到生成预测器；使用生成预测器计算得到链路样本集中的链路样本为真实链路的可能性；根据链路样本集、链路样本为真实链路的可能性、链路样本的属性计算得到生成预测器的预测损失。
[0095]
在一实施例中，异质社交网络中缺失链路预测方法包括步骤：将异质社交网络的链路转为结构特征向量；将结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；利用生成预测器对结构特征向量的链路样本进行初步链路预测，以判断链路样本的真假，利用判别分类器对结构特征向量的链路样本进行分类；调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。
[0096]
利用生成预测器对结构特征向量的链路样本进行初步链路预测，包括步骤：输入链路样本集到生成预测器；使用生成预测器计算得到链路样本集中的链路样本为真实链路的可能性；根据链路样本集、链路样本为真实链路的可能性、链路样本的属性计算得到生成预测器的预测损失。
[0097]
生成预测器的预测损失表示为：
[0098][0099]
其中，s为链路样本集，p(e)为链路样本为真实链路的可能性，me为链路样本的属性，me∈{0,1}，me＝1表示链路样本e是正样本，me＝0表示链路样本e是负样本。
[0100]
参照图3，图3为本发明另一个实施例提供的异质社交网络中缺失链路预测方法的流程图，异质社交网络中缺失链路预测方法包括但是不仅限于步骤s310至步骤s320。
[0101]
步骤s310，根据链路样本集计算得到链路样本集中所有链路的特征表示集；
[0102]
步骤s320，基于所有链路的特征表示集，判别分类器将链路样本集中的链路分类为对应的历史类型。
[0103]
在一实施例中，异质社交网络中缺失链路预测方法包括步骤：将异质社交网络的链路转为结构特征向量；将结构特征向量输入到卷积神经网络中进行特征聚集和特征优化；利用生成预测器对结构特征向量的链路样本进行初步链路预测，以判断链路样本的真假，利用判别分类器对结构特征向量的链路样本进行分类；调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。
[0104]
利用生成预测器对结构特征向量的链路样本进行初步链路预测，包括步骤：输入链路样本集到生成预测器；使用生成预测器计算得到链路样本集中的链路样本为真实链路的可能性；根据链路样本集、链路样本为真实链路的可能性、链路样本的属性计算得到生成预测器的预测损失。利用判别分类器对结构特征向量的链路样本进行分类，包括步骤：根据链路样本集计算得到链路样本集中所有链路的特征表示集；基于所有链路的特征表示集，判别分类器将链路样本集中的链路分类为对应的历史类型。
[0105]
判别分类器的分类损失表示为：
[0106][0107]
其中，t
p
包含多种链路类型，表示预测链路样本e在t
p
中为(a1,a2)的链路类型的概率，e的链路类型为(a1,a2)，则ne＝1；e的链路类型不为(a1,a2),ne＝0。
[0108]
本发明还提供了一种异质社交网络中缺失链路预测系统，包括：特征提取器，用于将异质社交网络的链路转为结构特征向量；
[0109]
卷积神经网络，用于对结构特征向量进行特征聚集和特征优化；
[0110]
生成预测器，用于对结构特征向量的链路样本进行初步链路预测；
[0111]
判别分类器，用于对结构特征向量的链路样本进行分类；
[0112]
参数调整模块，用于调整生成预测器的损失函数的参数以降低生成预测器的预测损失，调整判别分类器的损失函数的参数以降低判别分类器的分类损失；
[0113]
缺失链路预测模块，用于在生成预测器和判别分类器的损失函数的参数调整过程中获取最终公共特征，并根据最终公共特征对新出现类型的缺失链路进行预测。
[0114]
本发明还提供了一种异质社交网络中缺失链路预测系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的异质社交网络中缺失链路预测方法。
[0115]
处理器和存储器可以通过总线或者其他方式连接。
[0116]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0117]
需要说明的是，本实施例中的异质社交网络中缺失链路预测系统，可以包括有业务处理模块、边缘端数据库、服务端版本信息寄存器、数据同步模块，处理器执行计算机程序时实现如上述应用在异质社交网络中缺失链路预测系统的异质社交网络中缺失链路预测方法。
[0118]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0119]
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述终端实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的异质社交网络中缺失链路预测方法。
[0120]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0121]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
[0122]
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。