用户推荐方法、装置、设备及介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种用户推荐方法、装置、设备以及计算机可读存储介质、计算机程序产品。


背景技术：

2.用户推荐是指将待推荐的内容推荐给用户。当用户被推荐到感兴趣的内容时，会进行进一步查看，从而提高用户粘性，使内容获得更高的曝光度。而如何确定用户对该内容感兴趣成为业界关注的问题。
3.知识图谱通常包括丰富的实体以及实体与实体之间的连接关系，因此通常可以基于知识图谱进行用户推荐。然而相关技术中仅关注最邻近的局部信息，导致推荐不够准确。
4.因此，亟需一种能够准确的用户推荐方法。


技术实现要素：

5.本技术提供了一种用户推荐方法。该方法能够结合知识图谱进行准确的用户推荐。本技术还提供了该方法对应的装置、设备、计算机可读存储介质以及计算机程序产品。
6.第一方面，本技术提供了一种用户推荐方法，该方法包括：
7.获取用户的历史点击内容与待推荐内容；
8.根据所述历史点击内容与知识图谱，确定基于所述待推荐内容的所述用户的用户特征；
9.根据所述用户特征与所述知识图谱，确定经过实体映射的第一知识图谱；
10.对所述第一知识图谱进行局部采样与全局采样，获取待推荐内容的内容特征；
11.基于所述用户特征与所述内容特征对所述待推荐内容进行预测。
12.在一些可能的实现方式中，所述根据所述历史点击内容与知识图谱，确定基于所述待推荐内容的用户特征，包括：
13.根据所述历史点击内容与知识图谱，确定所述用户对应的第二知识图谱，所述第二知识图谱包括多个第二子知识图谱；
14.根据所述第二知识图谱，确定基于所述待推荐内容的用户特征。
15.在一些可能的实现方式中，所述第二子知识图谱包括所述历史点击内容。
16.在一些可能的实现方式中，所述对所述第一知识图谱进行局部采样与全局采样，获取待推荐内容的内容特征，包括：
17.对所述第一知识图谱进行局部采样，获取所述待推荐内容的局部特征；
18.对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征；
19.根据所述局部特征与所述全局特征，获取待推荐内容的内容特征。
20.在一些可能的实现方式中，所述对所述第一知识图谱进行局部采样，获取所述待推荐内容的局部特征，包括：
21.对所述第一知识图谱进行局部采样，获得局部采样结果；
22.基于注意力机制确定所述局部采样结果的权重；
23.根据所述注意力机制与所述局部采样结果，对所述局部采样结果进行聚合，获得所述待推荐内容的局部特征。
24.在一些可能的实现方式中，所述对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征，包括：
25.通过随机游走的方式对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征。
26.在一些可能的实现方式中，所述对所述局部采样结果进行聚合，包括：
27.通过拼接、相加以及综合卷积中的至少一种方式对所述局部采样结果进行聚合。
28.第二方面，本技术提供了一种用户推荐装置，该装置包括：
29.获取模块，用于获取用户的历史点击内容与待推荐内容；
30.第一确定模块，用于根据所述历史点击内容与知识图谱，确定基于所述待推荐内容的所述用户的用户特征；
31.第二确定模块，用于根据所述用户特征与所述知识图谱，确定经过实体映射的第一知识图谱；
32.采样模块，用于对所述第一知识图谱进行局部采样与全局采样，获取待推荐内容的内容特征；
33.预测模块，用于基于所述用户特征与所述内容特征对所述待推荐内容进行预测。
34.在一些可能的实现方式中，所述第一确定模块具体用于：
35.根据所述历史点击内容与知识图谱，确定所述用户对应的第二知识图谱，所述第二知识图谱包括多个第二子知识图谱；
36.根据所述第二知识图谱，确定基于所述待推荐内容的用户特征。
37.在一些可能的实现方式中，所述第二子知识图谱包括所述历史点击内容。
38.在一些可能的实现方式中，所述采样模块具体用于：
39.对所述第一知识图谱进行局部采样，获取所述待推荐内容的局部特征；
40.对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征；
41.根据所述局部特征与所述全局特征，获取待推荐内容的内容特征。
42.在一些可能的实现方式中，所述采样模块具体用于：
43.对所述第一知识图谱进行局部采样，获得局部采样结果；
44.基于注意力机制确定所述局部采样结果的权重；
45.根据所述注意力机制与所述局部采样结果，对所述局部采样结果进行聚合，获得所述待推荐内容的局部特征。
46.在一些可能的实现方式中，所述采样模块具体用于：
47.通过随机游走的方式对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征。
48.在一些可能的实现方式中，所述采样模块具体用于：
49.通过拼接、相加以及综合卷积中的至少一种方式对所述局部采样结果进行聚合。
50.第三方面，本技术提供一种设备，设备包括处理器和存储器。处理器、存储器进行相互的通信。处理器用于执行存储器中存储的指令，以使得设备执行如第一方面或第一方
面的任一种实现方式中的用户推荐方法。
51.第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，指令指示设备执行上述第一方面或第一方面的任一种实现方式所述的用户推荐方法。
52.第五方面，本技术提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述第一方面或第一方面的任一种实现方式所述的用户推荐方法。
53.本技术在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。
54.从以上技术方案可以看出，本技术实施例具有以下优点：
55.本技术实施例提供了一种用户推荐方法，该方法通过获取用户的历史点击内容与待推荐内容，然后根据历史点击内容与知识图谱，确定基于该待推荐内容的该用户的用户特征，然后根据用户特征与知识图谱，确定经过实体映射的第一知识图谱，然后对第一知识图谱进行局部采样与全局采样，获取待推荐内容的内容特征，最终基于用户特征与内容特征对该待推荐内容进行预测，从而提高更准确的预测方法。
附图说明
56.为了更清楚地说明本技术实施例的技术方法，下面将对实施例中所需使用的附图作以简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
57.图1为本技术实施例提供的一种用户推荐方法的流程示意图；
58.图2为本技术实施例提供的一种ckgat模型架构的示意图；
59.图3为本技术实施例提供的一种实体聚合多种方式的示意图；
60.图4为本技术实施例提供的一种相关性概率计算的示意图；
61.图5为本技术实施例提供的一种多个模型试验结果的示意图；
62.图6为本技术实施例提供的一种用户推荐装置的结构示意图。
具体实施方式
63.下面将结合本技术中的附图，对本技术提供的实施例中的方案进行描述。
64.本技术实施例中的术语“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一个或者更多个该特征。
65.用户推荐是指将待推荐的内容推荐给用户的过程。用户推荐的目的是希望获取用户对于推荐内容的进一步点击，因此在将待推荐内容推荐给用户之前需要对于用户是否点击进行预测。
66.相关技术中，通常采用基于知识图谱的用户推荐方法，但是对于通常情况仅关注最邻近的局部信息，而无法获取更高阶的信息，从而导致用户推荐方法不够准确。
67.有鉴于此，本技术提供了一种用户推荐方法，该方法可以由处理设备执行。其中，处理设备是指具有数据处理能力的设备，例如可以是服务器，或者是台式机、笔记本电脑或者智能手机等终端设备。
68.具体的，处理设备获取用户的历史点击内容与待推荐内容，然后根据历史点击内容与知识图谱，确定基于该待推荐内容的该用户的用户特征，然后根据用户特征与知识图谱，确定经过实体映射的第一知识图谱，然后对第一知识图谱进行局部采样与全局采样，获取待推荐内容的内容特征，最终基于用户特征与内容特征对该待推荐内容进行预测，从而提高更准确的预测方法。
69.为了便于理解本技术的技术方案，下面结合图1对本技术提供的用户推荐方法进行介绍。
70.参见图1所示的用户推荐方法的流程图，该方法的具体步骤如下所示。
71.s102：处理设备获取用户的历史点击内容与待推荐内容。
72.用户的历史点击内容是指预设时间内用户历史点击过的内容，其中预设时间可以根据推荐需要进行设置，例如可以为近一个月内的历史点击内容。在一些可能的实现方式中，用户的历史点击内容包括点击该内容的时间，以便在进行推荐时剔除超过时间阈值的数据。并且，还可以建立内容与时间之间的关联关系，从而进行推荐。例如在早晨推荐早餐。
73.待推荐内容是指可能推荐给用户的内容，其中可以包括多个内容。
74.需要说明的是，处理设备可以获取用户的历史点击内容是在经过用户的明确同意下进行的。
75.s104：处理设备根据历史点击内容与知识图谱，确定基于待推荐内容的该用户的用户特征。
76.知识图谱通常包括丰富的实体以及实体与实体之间的连接关系，即包括内容以及内容与内容之间的连接关系。其中，实体可以为物品、也可以为电影等虚拟物品。
77.具体地，处理设备可以根据历史点击内容与知识图谱，确定用户对应的第二知识图谱，第二知识图谱包括多个子知识图谱，第二子知识图谱包括历史点击内容。
78.如图2所示，为本方案提出的一种上下文知识图注意力网络(context knowledge graph attention networks，ckgat)模型的架构示意图。
79.处理设备可以将用户的历史点击内容标注至知识图谱中，建立该用户对应的第二知识图谱。
80.具体地，处理设备可以将用户历史点击内容确定为一个实体v0，以用户点击两个实体为例，2个实体可以分别为确定第0跳对应的第二子知识图谱其中，由用户历史点击内容直接确定的实体对应为第0跳。
81.其中，实体可以指内容，实体之间的连接关系可以为内容间的连接关系，实体可以为物、也可以为时间等。可以理解的是，实体为知识图谱中的点。
82.进一步地，处理设备可以将与用户历史点击内容具有连接关系的实体确定为第1跳的实体，如图2所示，第0跳实体具有的连接关系的第1跳实体包括和第0跳实体具有的连接关系的第1跳实体包括如此，确定第1跳对应的第二子知识图谱如此，确定第1跳对应的第二子知识图谱
83.处理设备可以进一步将与第1跳实体具有关联关系的实体确定为第二跳实体，如图2所示，第2跳实体包括和
84.在给定交互矩阵y与知识图谱g下，对于用户u第p跳相关的实体集合定义如公式(1)：
[0085][0086]
其中，h，r，t分别是知识图谱中三元组头实体、关系、尾实体。第p跳的实体来源于搜索第p一1跳实体对应知识图谱上的三元组的尾实体得到。当，u为用户，这里的h为用户购买、点击过的物品。
[0087]
可以定义据定义用户第p跳的三元组集合如公式(2)所示：
[0088][0089]
其中，g为知识图谱，h，r，t分别是知识图谱中三元组头实体、关系、尾实体，为定义2中的用户第p跳的三元组集合。当为用户购买、点击物品的关系类型，这里的h为用户购买、点击过的物品。
[0090]
需要说明的是，相关技术中的第二子知识图谱仅包括第1跳、第2跳的相关内容，而本方案中包括第0跳的内容，即用户的历史点击内容，由此进行衍生获取的数据更加准确全面。
[0091]
s106：处理设备根据用户特征与知识图谱，确定经过实体映射的第一知识图谱。
[0092]
实体映射是指通过对知识图谱中实体进行映射，将实体映射到用户的向量空间中，确定与用户相关联的第一知识图谱。
[0093]
其中，可以采用多种方式进行映射，例如加法的方式或者拼接的方式。如公式(3)所示为加法的方式进行映射，公式(4)为拼接的方式进行映射，其中||表示拼接。
[0094][0095][0096]
其中，we和be是可训练参数，σ是非线性激活，为映射后的实体向量。当σ为1时，可以认为该映射函数为线性函数。
[0097]
因此，处理设备根据用户特征与知识图谱，确定经过实体映射的第一知识图谱，实现以用户特有的方式对相邻信息进行聚合。
[0098]
s108：处理设备对第一知识图谱进行局部采样与全局采样，获取待推荐内容的内容特征。
[0099]
具体地，处理设备可以对所述第一知识图谱进行局部采样，获取所述待推荐内容的局部特征，对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征；根据所述局部特征与所述全局特征，获取待推荐内容的内容特征。
[0100]
具体地，处理设备对所述第一知识图谱进行局部采样，获取所述待推荐内容的局部特征，包括：
[0101]
对所述第一知识图谱进行局部采样，获得局部采样结果；基于注意力机制确定所述局部采样结果的权重；根据所述注意力机制与所述局部采样结果，确定所述待推荐内容的局部特征。
[0102]
由上所述，一个实体可以被包含在多个三元组里，可以作为多个三元组头实体与
尾实体。例如与实体e2将e1和e3e4作为输入，结合自身特征后传导给了用户u，从而对用户u的偏好产生影响。
[0103]
基于这种用户偏好信息在实体和它的邻居实体之间进行信息传播的角度出发，本发明提出一种面向用户的关系注意力机制，对于一个实体h，用nh＝{(h，r，t)|(h，r，t)∈g}来表示以h为头实体的三元组，通过注意力系数来汇聚实体h周围邻居节点的特征信息，如公式(5)所示：
[0104][0105]
其中控制着边(h，r，t)上每一次传播的权重，表明有多少信息从t通过关系r传播到h。通过三元组关系实现注意力得分π(h，r，t)，如公式(6)所示：
[0106]
π(h，r，t)＝(w
ret
)
t
tanh(w
reh
er)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0107]
其中，eh，er，e
t
分别为头实体、关系、尾实体向量。
[0108]
进一步地，可以采用softmax函数对所有与h相连的三元组的权重进行归一化，如公式(7)所示：
[0109][0110]
如此，可以将最终的注意得分确定局部采样对应的权重。
[0111]
通过注意力机制捕捉到的邻域信息nh，例如可以将e1和e3e4聚合后生成的与实体e2进行聚合，其中f(.)代表聚合函数。在本方案中，可以采用多种方式对实体进行聚合，如图3所示，包括直接相加、直接拼接，以及综合相加和卷积，如公式(8)、(9)和(10)所示：
[0112][0113][0114][0115]
其中，w为训练权重，eh为当前实体，为聚合后的邻域信息。以拼接为例，经过l层传播后，采用拼接的方式，得出当前实体局部特征向量如公式(11)所示：
[0116][0117]
在一些可能的实现方式中，对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征，包括：
[0118]
通过随机游走的方式对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征。
[0119]
具体地，对于较短的实体链条，可以通过随机游走方式，生成更长的实体链路，由远及近聚合实体的全局上下文信息。
[0120]
局部实体通常采用上下文采样聚合目标实体的邻域信息，以丰富目标实体的表
示。然而，这还不足以捕获知识图谱中实体的信息，尤其是对于图谱中连接很少的节点来说，存在表示能力较弱的问题。有鉴于此，可以采用随机游走的门控循环单元(gated recurrent unit，gru)聚合实体的全局上下文信息。为了实现更广泛的深度优先搜索，从实体h出发，随机游走，获得m条固定长度l的路径，每条路径gi＝{e1，e2，e3...，e
l
}，路径集合如公式(12)所示：
[0121]
g＝{g1，g2，g3，...，gm}
ꢀꢀꢀꢀꢀꢀ
(12)
[0122]
因此，可以从实体h出发，随机游走出3条固定长度为l的路径。
[0123]
对于已经生成的序列，可以采用gru由远到近来处理实体h和它的全局上下文采样之间的依赖关系，如公式(13)所示：
[0124][0125]
对进行聚合，形成实体h的全局上下文嵌入向量如公式(14)所示：
[0126][0127]
在进行局部采样和全局采样后，对实体信息进行汇总，如公式(15)所示：
[0128][0129]
其中，ev表示待推荐内容的内容特征。
[0130]
相关技术中，由于全局采样成本较高，因此仅采用局部采样的方式进行采样，而相比于全局采样，局部采样可能丢失较多信息，影响推荐的准确度。因此，本方案在局部采样的基础上，通过随机游走的方式进行全局采样，避免局部采样对信息的遗漏，并且不会增加太多的计算量。
[0131]
s110：处理设备基于所述用户特征与所述内容特征对所述待推荐内容进行预测。
[0132]
处理设备可以对用户特征和内容特征进行内积计算，预测得分，如公式(16)所示：
[0133][0134]
其中，ev为内容特征，eu为用户特征，σ可以为sigmod函数。
[0135]
如图4所示，在给定待预测的内容特征v，用户特征u，第p跳的三元组集合下，计算待预测内容在关系空间ri下与实体hi的相关性概率如公式(17)所示：
[0136][0137]
其中，ri∈r
d*d
为关系i的向量空间，hi∈rd为经过用户映射后的三元组头实体向量，v∈rd为待预测内容的实体向量，wa为学习权重，ki为相关性概率，当p大于1时候，用代替v。
[0138]
在获取到相关性概率后，通过加权的方式聚合相关尾实体，如公式(18)所示：
[0139][0140]
当p＝0，1，2，...，h，用户的偏好从点击记录传播到h，用户u具有多个不同顺序的响应：生成了不同传播层用户偏好后，对所有层的用户偏好进行聚合，聚合方式有多种，如公式(19)、(20)和(21)所示：
[0141][0142][0143][0144]
进一步的，还可以对模型进行优化。
[0145]
对于给定的用户u与待推荐内容v，可以计算用户点击待推荐内容的概率然后根据公式(22)可以获得损失函数：
[0146][0147]
其中，第为交叉熵损失，p为负抽样分布，nu为用户u的负样本数，nu＝|{v：yuv＝1}|，p服从均匀分布，是l2正则项，λ为正则项系数。
[0148]
在一些可能的实现方式中，为了评估本方案中模型(ckgat)有效性，可以将提出的ckgat与以下基线模型进行了比较，分别在数据集movielens-1m、last-fm、amazon-book上实验。基线模型具体有nfm、fm、cke、kgcn、ripplenet、kgat。实验结果如表1所示：
[0149]
表1模型ckgat与其他基线模型的实验结果对比
[0150]
[0151][0152]
由此可见，在各种数据集中，ckgat均能取得最佳效果，如图5所示。
[0153]
基于以上内容的描述，本技术提供了一种用户推荐方法，处理设备获取用户的历史点击内容与待推荐内容，然后根据历史点击内容与知识图谱，确定基于该待推荐内容的该用户的用户特征，然后根据用户特征与知识图谱，确定经过实体映射的第一知识图谱，然后对第一知识图谱进行局部采样与全局采样，获取待推荐内容的内容特征，最终基于用户特征与内容特征对该待推荐内容进行预测，从而提高更准确的预测方法。
[0154]
与上述方法实施例相对应的，本技术还提供了一种用户推荐装置，参见图6，该装置600包括：获取模块602、第一确定模块604、第二确定模块606、采样模块608和预测模块610。
[0155]
获取模块，用于获取用户的历史点击内容与待推荐内容；
[0156]
第一确定模块，用于根据所述历史点击内容与知识图谱，确定基于所述待推荐内容的所述用户的用户特征；
[0157]
第二确定模块，用于根据所述用户特征与所述知识图谱，确定经过实体映射的第一知识图谱；
[0158]
采样模块，用于对所述第一知识图谱进行局部采样与全局采样，获取待推荐内容的内容特征；
[0159]
预测模块，用于基于所述用户特征与所述内容特征对所述待推荐内容进行预测。
[0160]
在一些可能的实现方式中，所述第一确定模块具体用于：
[0161]
根据所述历史点击内容与知识图谱，确定所述用户对应的第二知识图谱，所述第二知识图谱包括多个第二子知识图谱；
[0162]
根据所述第二知识图谱，确定基于所述待推荐内容的用户特征。
[0163]
在一些可能的实现方式中，所述第二子知识图谱包括所述历史点击内容。
[0164]
在一些可能的实现方式中，所述采样模块具体用于：
[0165]
对所述第一知识图谱进行局部采样，获取所述待推荐内容的局部特征；
[0166]
对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征；
[0167]
根据所述局部特征与所述全局特征，获取待推荐内容的内容特征。
[0168]
在一些可能的实现方式中，所述采样模块具体用于：
[0169]
对所述第一知识图谱进行局部采样，获得局部采样结果；
[0170]
基于注意力机制确定所述局部采样结果的权重；
[0171]
根据所述注意力机制与所述局部采样结果，对所述局部采样结果进行聚合，获得所述待推荐内容的局部特征。
[0172]
在一些可能的实现方式中，所述采样模块具体用于：
[0173]
通过随机游走的方式对所述第一知识图谱进行全局采样，获取所述待推荐内容的全局特征。
[0174]
在一些可能的实现方式中，所述采样模块具体用于：
[0175]
通过拼接、相加以及综合卷积中的至少一种方式对所述局部采样结果进行聚合。
[0176]
本技术提供一种设备，用于实现用户推荐方法。该设备包括处理器和存储器。处理器、存储器进行相互的通信。该处理器用于执行存储器中存储的指令，以使得设备执行上述用户推荐方法。
[0177]
本技术提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在设备上运行时，使得设备执行上述用户推荐方法。
[0178]
本技术提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述用户推荐方法。
[0179]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述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，作为单元显示的部件可以是或者也可以不是物理单元，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。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
[0180]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本技术各个实施例所述的方法。
[0181]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实
现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0182]
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。