一种集成学习方法及装置与流程

1.本发明涉及集成学习领域，具体而言，涉及一种集成学习方法及装置。


背景技术：

2.相关技术中，机器学习模型训练解决了许多实际问题，但是在实际应用中，模型的准确性与稳定性有待进一步提升，同时，如何平衡训练集数据的训练误差与测试集数据的泛化误差，进一步缓解训练过程中拟合或过拟合的问题，也是机器学习算法实际应用中十分重要的关注点。当前使用的纯贝叶斯模型平均算法容易出现过拟合问题、表现性能不稳定。
3.针对相关技术中提到的上述问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明的主要目的在于提供一种集成学习方法及装置，以解决相关技术中在集成学习方法中使用的算法可靠性以及有效性差的问题。
5.为了实现上述目的，根据本发明的一个方面，提供了一种集成学习方法。该发明包括：获取模型组合，模型组合中包含多个模型；通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果。
6.进一步地，获取模型组合，包括：获取模型组合对应的目标数据集；将目标数据集划分为训练数据以及测试数据；通过训练数据进行模型训练，以得到多个模型；多个模型确定为模型组合。
7.进一步地，通过所述训练数据进行模型训练，以得到多个所述模型，包括：将训练数据进行交叉验证以得到多个训练子集以及多个验证子集；依据多个训练子集以及预设算法，进行模型训练以得到多个模型，预设算法为以下至少一种：随机森林算法、模型预测算法。
8.进一步地，在通过预设贝叶斯模型平均算法确定模型组合对应的模型策略之前，该方法包括：获取贝叶斯平均算法；获取组合模型空间，组合模型空间中包含了多个贝叶斯模型的平均可能，平均可能为组合模型空间内包含的多个模型对应的权重；将组合模型空间引入至贝叶斯平均算法中以获取预设贝叶斯模型平均算法。
9.进一步地，通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，包括：获取验证子集，其中，验证子集包括验证集输入值以及验证集真实值；对多个模型进行预测并得到验证集输出值；根据验证子集的预测性能的后验概率以及验证集输出值，通过预设贝叶斯模型平均算法计算模型策略。
10.进一步地，根据验证子集的预测性能的后验概率，通过预设贝叶斯模型平均算法计算模型策略，包括：通过公式一计算模型策略，其中，公式一为
d为训练数据，m为所有可能模型组成的模型空间，e为组合模型空间，e为组合模型空间内的个体假设，xi为验证集输出值，yi为验证集真实值。
11.为了实现上述目的，根据本发明的另一方面，提供了一种集成学习装置。该装置包括：第一获取单元，用于获取模型组合，模型组合中包含多个模型；确定单元，用于通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；第二获取单元，用于获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；应用单元，用于将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果。
12.进一步地，第一获取单元，包括：第一获取子单元，用于获取模型组合对应的目标数据集；划分子单元，用于将目标数据集划分为训练数据以及测试数据；训练子单元，用于通过训练数据进行模型训练，以得到多个模型；确定子单元，用于多个模型确定为模型组合。
13.为了实现上述目的，根据本技术的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，该程序执行上述任意一项的一种集成学习方法。
14.为了实现上述目的，根据本技术的另一方面，提供了一种处理器，处理器用于运行程序，其中，该程序执行上述任意一项的一种集成学习方法。
15.通过本发明，采用以下步骤：获取模型组合，模型组合中包含多个模型；通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果，解决了相关技术中在集成学习方法中使用的算法可靠性以及有效性差的问题，进而达到了有效缓解过拟合问题的效果。
附图说明
16.构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明实施例提供的一种集成学习方法的流程图一；
18.图2是根据本发明实施例提供的一种集成学习方法的流程图二；
19.图3是根据本发明实施例提供的一种集成学习装置的示意图。
具体实施方式
20.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
21.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
22.需要说明的是，本发明的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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
23.根据本发明的实施例，提供了一种集成学习方法。
24.图1是根据本发明实施例的一种集成学习方法的流程图一。如图1所示，该发明包括以下步骤：
25.步骤s101，获取模型组合，模型组合中包含多个模型。
26.上述地，集成学习为在机器学习中，通过结合多个基学习器来训练与构建模型组合，其中，模型组合中包含多个模型。
27.步骤s102，通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重。
28.上述地，预设贝叶斯模型平均算法为基于贝叶斯法则计算集成学习策略，在随机模型组合中选择与数据分布最相似的最佳模型组合。贝叶斯法则用来解决如下问题：假设h[1]，h[2]
…
h[n]互斥构成一个完全事件，已知它们的概率为p(h[i])，(i＝1,2...n)，某事件a与h[1]，h[2]
…
h[n]相伴随机出现，且已知条件概率p(a|h[i])，求p(h[i]|a)。
[0029]
步骤s103，获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值。
[0030]
上述地，获取模型组合对应的测试数据，利用测试数据对多个模型进行训练，例如，利用测试数据对随机森林模型或逻辑回归算法模型进行训练，得到测试集输出值。
[0031]
步骤s104，将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果。
[0032]
通过上述方法，本技术将预设贝叶斯模型平均算法应用到集成学习之中，并结合高效的基学习器算法，例如随机森林模型算法，在保持基学习器优秀性能的基础上，有效缓解模型预测的过拟合问题。预设贝叶斯模型平均算法可以平衡模型实际应用的训练误差与泛化误差之间的矛盾。
[0033]
在一种可选的实例中，获取模型组合，包括：获取模型组合对应的目标数据集；将目标数据集划分为训练数据以及测试数据；通过训练数据进行模型训练，以得到多个模型；多个模型确定为模型组合。
[0034]
上述地，利用训练数据进行模型训练，得到的多个模型即为模型组合，其中，训练数据来自模型组合对应的目标数据集。
[0035]
在一种可选的实例中，通过所述训练数据进行模型训练，以得到多个所述模型，包括：将训练数据进行交叉验证以得到多个训练子集以及多个验证子集；依据多个训练子集以及预设算法，进行模型训练以得到多个模型，预设算法为以下至少一种：随机森林算法、模型预测算法。
[0036]
上述地，交叉验证为在给定的模型数据中，拿出大部分数据进行建模型，留小部分数据用于对刚建立的模型进行验证，并求这小部分数据的验证误差，记录它们的平方加和。训练数据通过交叉验证得到多个训练子集以及多个验证子集，通过多个训练子集以及预设算法进行模型训练以得到多个模型，其中，预设算法为可以为随机森林算法或模型预测算法。
[0037]
随机森林算法为：利用多棵决策树对样本进行预测的模型算法。已知训练集数据d＝{(x1,y1),......,(xn,yn)}，其中样本数据为xi＝(x
i1
,......,x
ij
)表示样本包含j个特征变量，输出指标数据为y＝(y1,......,yn)。随机森林算法首先通过自助法重采样，即从训练集数据d中有放回地重复随机抽取多个样本生成新的训练子集，然后从所有j个特征中随机选择多个特征，利用新样本子集训练决策树进行分类学习，常见的决策树算法如cart等，重复上述采样与决策树训练步骤，从而由多棵决策树构成随机森林，随机森林中，通过每棵决策树投票确认输入数据最终的结果标签。
[0038]
模型预测算法为：依据样本对模型进行预测，例如，样本可以为神经元。
[0039]
在一种可选的实例中，在通过预设贝叶斯模型平均算法确定模型组合对应的模型策略之前，该方法包括：获取贝叶斯平均算法；获取组合模型空间，组合模型空间中包含了多个贝叶斯模型的平均可能，平均可能为组合模型空间内包含的多个模型对应的权重；将组合模型空间引入至贝叶斯平均算法中以获取预设贝叶斯模型平均算法。
[0040]
上述地，在贝叶斯平均算法中，由于边际似然估计可能给单个模型权重倾向，因此在贝叶斯平均算法的基础上，引入组合模型空间，组合模型空间引入贝叶斯平均算法得到预设贝叶斯模型平均算法。
[0041]
在一种可选的实例中，通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，包括：获取验证子集，其中，验证子集包括验证集输入值以及验证集真实值；对多个模型进行预测并得到验证集输出值；根据验证子集的预测性能的后验概率以及验证集输出值，通过预设贝叶斯模型平均算法计算模型策略。
[0042]
上述地，训练数据通过交叉验证得到验证子集，利用验证子集对多个模型进行预测，例如，模型为随机森林模型，对应得到验证集输出值。根据验证子集的预测性能的后验概率以及验证集输出值，通过预设贝叶斯模型平均算法计算出模型策略，其中，后验概率指通过调查或其它方式获取新的附加信息，利用贝叶斯平均算法对“由因求果”中的“因”出现的概率进行修正后得到的概率。
[0043]
在一种可选的实例中，根据验证子集的预测性能的后验概率，通过预设贝叶斯模型平均算法计算模型策略，包括：通过公式一计算模型策略，其中，公式一为d为训练数据，m为所有可能模型组成的模型空间，e为组合模型空间，e为组合模型空间内的个体假设，xi为验证集输出值，yi为验证集真实值。
[0044]
上述地，在贝叶斯平均算法中，假设m＝{m1,...,mk}，其中m为所有可能模型组成的模型空间，则训练数据d与模型空间m的条件下，结果y的后验分布，公式二为：p(yi|xi,m)为训练数据d与模型m的条件下y的后
验分布，公式三为：p(yi|xi,m)＝∫p(yi|θ,d,m)p(θ|m,d)dθ，其中θ为模型m相关的参数向量。
[0045]
由上可知，在贝叶斯平均算法下，给定训练数据d的个体，假设模型m的后验概率，公式四为：其中，p(m)是模型个体假设m的先验概率，为了保证每个基学习器都有较好的预测能力，每个模型个体假设m的先验概率可相等，p
l
(d|m)是模型m的边际似然估计，进行计算，公式五为：p
l
(d|m)＝∫p(d|θ,m)p(θ|m)dθ,其中p(θ|m)是模型m相关的参数向量θ的先验分布，p(d|θ,m)是似然估计。
[0046]
在贝叶斯平均算法中，由于边际似然估计可能给单个模型权重倾向，因此又在贝叶斯平均算法的基础上，引入组合模型空间e，更新结果y的后验分布计算方法：由此修正了贝叶斯平均算法中个体假设模型m的权重倾向问题。
[0047]
在本技术提供的一种可选的实例中，如图2所示，图2是根据本发明实施例提供的一种集成学习方法的流程图二，数据集分为测试数据和训练数据，将训练数据进行交叉验证以得到多个训练子集以及多个验证子集，对多个训练子集通过预设算法，进行模型训练以得到多个模型，例如，预设算法可以为：随机森林算法，模型可以为：随机森林模型，通过验证子集对多个模型进行预测并得到验证集输出值，通过预设贝叶斯模型平均算法，根据验证子集的预测性能的后验概率以及验证集输出值，计算模型策略，得到集成学习最终结果，将测试集输出值对多个模型进行预测得到测试集输出值，根据后验概率确定模型策略，得到集成学习最终结果。
[0048]
本发明实施例提供的一种集成学习方法，通过获取模型组合，模型组合中包含多个模型；通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果，解决了相关技术中在集成学习方法中使用的算法可靠性以及有效性差的问题，进而达到了有效缓解过拟合问题的效果。
[0049]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0050]
本发明实施例还提供了一种集成学习装置，需要说明的是，本发明实施例的一种集成学习装置可以用于执行本发明实施例所提供的用于一种集成学习方法。以下对本发明实施例提供的一种集成学习装置进行介绍。
[0051]
图3是根据本发明实施例的一种集成学习装置的示意图。如图3所示，该装置包括：第一获取单元301，用于获取模型组合，模型组合中包含多个模型；确定单元302，用于通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；第二获取单元303，用于获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；应用单元304，用于将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果。
[0052]
在一种可选的实例中，第一获取单元301，包括：第一获取子单元，用于获取模型组
合对应的目标数据集；划分子单元，用于将目标数据集划分为训练数据以及测试数据；训练子单元，用于通过训练数据进行模型训练，以得到多个模型；确定子单元，用于多个模型确定为模型组合。
[0053]
在一种可选的实例中，训练子单元，包括：验证模块，用于将训练数据进行交叉验证以得到多个训练子集以及多个验证子集；训练模块，用于依据多个训练子集以及预设算法，进行模型训练以得到多个模型，预设算法为以下至少一种：随机森林算法、模型预测算法。
[0054]
在一种可选的实例中，其特征在于，该装置包括：第三获取单元，用于在通过预设贝叶斯模型平均算法确定模型组合对应的模型策略之前，获取贝叶斯平均算法；第四获取单元，用于获取组合模型空间，组合模型空间中包含了多个贝叶斯模型的平均可能，平均可能为组合模型空间内包含的多个模型对应的权重；引入单元，用于将组合模型空间引入至贝叶斯平均算法中以获取预设贝叶斯模型平均算法。
[0055]
在一种可选的实例中，确定单元302，包括：第二获取子单元，用于获取验证子集，其中，验证子集包括验证集输入值以及验证集真实值；预测子单元，用于对多个模型进行预测并得到验证集输出值；计算子单元，用于根据验证子集的预测性能的后验概率以及验证集输出值，通过预设贝叶斯模型平均算法计算模型策略。
[0056]
在一种可选的实例中，计算子单元，包括：计算模块，用于通过公式一计算模型策略，其中，公式一为d为训练数据，m为所有可能模型组成的模型空间，e为组合模型空间，e为组合模型空间内的个体假设，xi为验证集输出值，yi为验证集真实值。
[0057]
本发明实施例提供的一种集成学习装置，通过第一获取单元301，用于获取模型组合，模型组合中包含多个模型；确定单元302，用于通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；第二获取单元303，用于获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；应用单元304，用于将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果，解决了相关技术中在集成学习方法中使用的算法可靠性以及有效性差的问题，进而达到了有效缓解过拟合问题的效果。
[0058]
所述一种集成学习装置包括处理器和存储器，上述第一获取单元301等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0059]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中在集成学习方法中使用的算法可靠性以及有效性差的问题。
[0060]
存储器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)，存储器包括至少一个存储芯片。
[0061]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述一种集成学习方法。
[0062]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述一种集成学习方法。
[0063]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取模型组合，模型组合中包含多个模型；通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果。
[0064]
进一步地，获取模型组合，包括：获取模型组合对应的目标数据集；将目标数据集划分为训练数据以及测试数据；通过训练数据进行模型训练，以得到多个模型；多个模型确定为模型组合。
[0065]
进一步地，通过所述训练数据进行模型训练，以得到多个所述模型，包括：将训练数据进行交叉验证以得到多个训练子集以及多个验证子集；依据多个训练子集以及预设算法，进行模型训练以得到多个模型，预设算法为以下至少一种：随机森林算法、模型预测算法。
[0066]
进一步地，在通过预设贝叶斯模型平均算法确定模型组合对应的模型策略之前，该方法包括：获取贝叶斯平均算法；获取组合模型空间，组合模型空间中包含了多个贝叶斯模型的平均可能，平均可能为组合模型空间内包含的多个模型对应的权重；将组合模型空间引入至贝叶斯平均算法中以获取预设贝叶斯模型平均算法。
[0067]
进一步地，通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，包括：获取验证子集，其中，验证子集包括验证集输入值以及验证集真实值；对多个模型进行预测并得到验证集输出值；根据验证子集的预测性能的后验概率以及验证集输出值，通过预设贝叶斯模型平均算法计算模型策略。
[0068]
进一步地，根据验证子集的预测性能的后验概率，通过预设贝叶斯模型平均算法计算模型策略，包括：通过公式一计算模型策略，其中，公式一为d为训练数据，m为所有可能模型组成的模型空间，e为组合模型空间，e为组合模型空间内的个体假设，xi为验证集输出值，yi为验证集真实值。
[0069]
本文中的设备可以是服务器、pc、pad、手机等。
[0070]
本发明还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取模型组合，模型组合中包含多个模型；通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，其中，策略中包含每个模型对应的模型权重；获取模型组合对应的测试数据，并利用测试数据对多个模型进行训练，得到测试集输出值；将测试集输出值应用于模型策略中，并得到继承学习的目标结果，目标结果为以下任意一种：预测值、分类结果。
[0071]
进一步地，获取模型组合，包括：获取模型组合对应的目标数据集；将目标数据集划分为训练数据以及测试数据；通过训练数据进行模型训练，以得到多个模型；多个模型确定为模型组合。
[0072]
进一步地，通过所述训练数据进行模型训练，以得到多个所述模型，包括：将训练数据进行交叉验证以得到多个训练子集以及多个验证子集；依据多个训练子集以及预设算法，进行模型训练以得到多个模型，预设算法为以下至少一种：随机森林算法、模型预测算法。
[0073]
进一步地，在通过预设贝叶斯模型平均算法确定模型组合对应的模型策略之前，该方法包括：获取贝叶斯平均算法；获取组合模型空间，组合模型空间中包含了多个贝叶斯模型的平均可能，平均可能为组合模型空间内包含的多个模型对应的权重；将组合模型空间引入至贝叶斯平均算法中以获取预设贝叶斯模型平均算法。
[0074]
进一步地，通过预设贝叶斯模型平均算法确定模型组合对应的模型策略，包括：获取验证子集，其中，验证子集包括验证集输入值以及验证集真实值；对多个模型进行预测并得到验证集输出值；根据验证子集的预测性能的后验概率以及验证集输出值，通过预设贝叶斯模型平均算法计算模型策略。
[0075]
进一步地，根据验证子集的预测性能的后验概率，通过预设贝叶斯模型平均算法计算模型策略，包括：通过公式一计算模型策略，其中，公式一为d为训练数据，m为所有可能模型组成的模型空间，e为组合模型空间，e为组合模型空间内的个体假设，xi为验证集输出值，yi为验证集真实值。
[0076]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0077]
本发明是参照根据本发明实施例的方法、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。
[0078]
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。
[0079]
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。
[0080]
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。
[0081]
存储器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)。存储器是计算机可读介质的示例。
[0082]
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。
[0083]
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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0084]
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。
[0085]
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。