一种模型训练的方法以及信息推荐的方法与流程

1.本说明书涉及计算机技术领域，尤其涉及一种模型训练的方法以及信息推荐的方法。


背景技术：

2.随着互联网技术的飞速发展，用户会在选购商品的过程中，商品的评论信息会对用户的购买行为产生重大影响。
3.目前，服务器将用户评论数据输入到预测模型中，仅能预测用户评论数据的整体评价是否为好评，或者，预测用户评论数据中的某一方面的评价是否为好评。而单一方面的评价无法让用户全面了解商品的优缺点，进而做出合理的购买行为，使得用户的购买体验较差。
4.因此，如何能够有效地提高用户的购买体验，则是一个亟待解决的问题。


技术实现要素：

5.本说明书提供一种模型训练的方法，以部分的解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：
7.本说明书提供了一种模型训练的方法，包括：
8.获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱；
9.针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的维度特征数据；
10.根据该评价维度对应的维度特征数据以及所述评价特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果；
11.以最小化各评价维度对所述指定对象进行评价的评价结果与所述评论数据对应的标签之间的偏差为优化目标，对所述预测模型进行训练。
12.可选地，预先构建每个评价维度对应的知识图谱，具体包括：
13.获取应用场景所对应的各评价维度；
14.根据各评价维度对应的单词，确定各评价维度对应的中心节点；
15.针对每个评价维度，将所述评论数据以及该评价维度对应的中心节点输入到预先训练的评分模型，确定该评价维度对应的中心节点的一阶邻居节点以及该评价维度对应的中心节点的二阶邻居节点；
16.根据该评价维度对应的中心节点、该评价维度对应的中心节点的一阶邻居节点以及该评价维度对应的中心节点的二阶邻居节点，构建该评价维度对应的知识图谱。
17.可选地，针对每个评价维度，将所述评论数据以及该评价维度对应的中心节点输入到预先训练的评分模型，确定该评价维度对应的中心节点的一阶邻居节点以及该评价维
度对应的中心节点的二阶邻居节点，具体包括：
18.获取通用知识图谱；
19.针对每个评价维度，将所述评论数据以及该评价维度对应的中心节点输入到预先训练的评分模型，根据该评价维度对应的单词与所述评论数据中的各单词之间的相关性，确定所述评论数据中的各单词对应的相关性评分，并将所述相关性评分大于设定评分阈值的单词，作为该评价维度对应的中心节点的一阶邻居节点；
20.针对每个一阶邻居节点，在所述通用知识图谱中查询该一阶邻居节点，确定查询过程中出现次数位于设定次数范围内的单词，作为该评价维度对应的中心节点的二阶邻居节点。
21.可选地，所述维度特征数据包括整体维度特征数据；
22.针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的维度特征数据，具体包括：
23.针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的知识图谱中的各节点的特征数据；
24.将该评价维度对应的知识图谱中的各节点的特征数据进行拼接，确定该评价维度对应的整体维度特征数据。
25.可选地，所述维度特征数据包括中心维度特征数据，所述预测模型中包括多通道图卷积网络，不同通道对应有不同评价维度对应的知识图谱；
26.针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的维度特征数据，具体包括：
27.针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的知识图谱中的各节点的特征数据；
28.将该评价维度对应的知识图谱中的各节点的特征数据输入所述多通道图卷积网络中的该评价维度对应的通道，根据该知识图谱中的各节点之间的关联关系以及各节点对应的特征数据，确定该评价维度对应的中心维度特征数据。
29.可选地，所述预测模型中包含有多个关联权重层，不同评价维度对应有不同的关联权重层；
30.根据该评价维度对应的维度特征数据以及所述评价特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果，具体包括：
31.将该评价维度对应的整体维度特征数据以及所述评价特征数据输入该评价维度对应的关联权重层，确定该评价维度对应的关联特征数据；
32.根据该评价维度对应的关联特征数据以及该评价维度对应的中心维度特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果。
33.可选地，根据该评价维度对应的关联特征数据以及该评价维度对应的中心维度特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果，具体包括：
34.获取各评价维度对应的特征权重，所述特征权重用于平衡各评价维度对应的关联特征数据与各评价维度对应的中心维度特征数据对评价结果的影响；
35.针对每个评价维度，根据该评价维度对应的关联特征数据、该评价维度对应的中心维度特征数据以及该评价维度对应的特征权重，确定该评价维度对应的融合特征数据；
36.根据该评价维度对应的融合特征数据，所述用户以该评价维度对所述指定对象进行评价的评价结果。
37.本说明书提供了一种信息推荐的方法，包括：
38.获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱；
39.针对每个评价维度，将所述评论数据以及该评价维度对应的知识图谱输入到训练后的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的维度特征数据，所述预测模型是通过上述模型训练的方法训练得到的；
40.根据该评价维度对应的维度特征数据以及所述评价特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果；
41.根据各评价维度对所述指定对象进行评价的评价结果，向用户进行信息推荐。
42.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练的方法以及信息推荐的方法。
43.本说明书提供了一种电子设备，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，所述处理器执行所述程序时实现上述模型训练的方法以及信息推荐的方法。
44.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
45.在本说明书提供的模型训练的方法中，服务器可以获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱。其次，针对每个评价维度，将评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定评论数据对应的评价特征数据以及该评价维度对应的维度特征数据。而后，根据该评价维度对应的维度特征数据以及评价特征数据，确定用户以该评价维度对指定对象进行评价的评价结果。最后，以最小化各评价维度对指定对象进行评价的评价结果与评论数据对应的标签之间的偏差为优化目标，对预测模型进行训练。
46.从上述方法中可以看出，本方法可以将评论数据以及各评价维度下对应的知识图谱输入到预测模型中，确定用户以各评价维度对指定对象进行评价的评价结果，以最小化各评价维度对指定对象进行评价的评价结果与评论数据对应的标签之间的偏差为优化目标，对预测模型进行训练。从而，使得预测模型可以确定出准确的各评价维度对应的评价结果，进而根据各评价维度对应的评价结果，向用户进行信息推荐，有效地提高用户的购买体验。
附图说明
47.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
48.图1为本说明书中一种模型训练的方法的流程示意图；
49.图2为本说明书中一种预测模型的模型结构的示意图；
50.图3为本说明书中一种信息推荐的方法的示意图；
51.图4为本说明书中一种模型训练的装置的示意图；
52.图5为本说明书中一种信息推荐的装置的示意图；
53.图6为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
54.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
55.以下结合附图，详细说明本说明书各实施例提供的技术方案。
56.图1为本说明书中一种模型训练的方法的流程示意图，具体包括以下步骤：
57.s100：获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱。
58.本说明书提供的模型训练的执行主体可以是诸如服务器、由多台电脑构成的设备集群等终端设备。为了便于描述，下面将仅以服务器为执行主体，对本说明书提供的模型训练的方法进行说明。
59.在本说明书实施例中，服务器可以获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱。这里提到的指定对象可以是指设定类别的产品。例如，设定类别为餐馆，指定对象为不同品牌的餐馆。这里提到的评价维度可以是指评价指定对象的不同方面。例如，指定对象为a品牌的餐馆，评价维度包括：服务、环境、口味等。
60.在实际应用中，通常通过用户的文本形式的评论数据对预测模型进行训练，这种方法对预测模型的训练效果并不好，确定出的用户在各个评价维度下的评价结果的准确性较低。基于此，服务器可以构建每个评价维度对应的知识图谱，以用于预测模型的模型训练，提高预测模型的训练效果。
61.在本说明书实施例中，服务器可以获取应用场景所对应的各评价维度。这里提到的应用场景可以是指餐馆、酒店、旅游景点等场景。
62.其次，服务器可以根据各评价维度对应的单词，确定各评价维度对应的中心节点。例如，应用场景为餐馆，其中一个评价维度为服务，该评价维度对应的单词为服务。
63.而后，针对每个评价维度，服务器可以将评论数据以及该评价维度对应的中心节点输入到预先训练的评分模型，确定该评价维度对应的中心节点的一阶邻居节点以及该评价维度对应的中心节点的二阶邻居节点。
64.最后，服务器可以根据该评价维度对应的中心节点、该评价维度对应的中心节点的一阶邻居节点以及该评价维度对应的中心节点的二阶邻居节点，构建该评价维度对应的知识图谱。
65.在实际应用中，若仅根据评论数据构建各评价维度对应的知识图谱，无法得到用户在日常表达中所涵盖的常识语义信息。因此，服务器可以获取通用知识图谱，在通过评论
数据构建的知识图谱的基础上结合通用知识图谱，以得到用户在日常表达中所涵盖的常识语义信息。
66.在本说明书实施例中，服务器可以获取通用知识图谱。这里提到的通用知识图谱可以是指百科知识图谱(encyclopedia knowledge graph)和常识知识图谱(common sense knowledge graph)中的至少一种。
67.其次，服务器可以针对每个评价维度，将评论数据以及该评价维度对应的中心节点输入到预先训练的评分模型，根据该评价维度对应的单词与评论数据中的各单词之间的相关性，确定评论数据中的各单词对应的相关性评分，并将相关性评分大于设定评分阈值的单词，作为该评价维度对应的中心节点的一阶邻居节点。
68.例如，评论维度对应的中心节点为服务，评论数据中包含有服务不错、服务周到、服务热情等短语，评分模型可以根据不错、周到、热情等单词与服务之间的相关性，确定不错、周到、热情等单词的相关性评分，若确定不错、周到、热情等单词的相关性评分大于设定评分阈值的单词，将不错、周到、热情等单词作为该评价维度对应的中心节点的一阶邻居节点。
69.在实际应用中，通用知识图谱由海量的三元组构成，在查询某个一阶邻居节点时，若在查询该一阶邻居节点的过程中，与其相关的部分单词出现的次数较少，则说明这些单词较为生僻。若在查询该一阶邻居节点的过程中，与其相关的部分单词出现的次数超多，则说明这些单词较为常见，在后续的模型训练过程中的训练效果较差。因此，服务器可以通过出现次数位于设定次数范围内的单词，构建各评价维度对应的知识图谱。
70.服务器可以针对每个一阶邻居节点，在通用知识图谱中查询该一阶邻居节点，确定查询过程中出现次数位于设定次数范围内的单词，作为该评价维度对应的中心节点的二阶邻居节点。
71.s102：针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的维度特征数据。
72.在本说明书实施例中，服务器可以针对每个评价维度，将评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定评论数据对应的评价特征数据以及该评价维度对应的维度特征数据。
73.在本说明书实施例中，维度特征数据包括整体维度特征数据，服务器可以针对每个评价维度，将评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定评论数据对应的评价特征数据以及该评价维度对应的知识图谱中的各节点的特征数据。
74.其次，服务器可以将该评价维度对应的知识图谱中的各节点的特征数据进行拼接，确定该评价维度对应的整体维度特征数据。
75.在本说明书实施例中，维度特征数据包括中心维度特征数据，预测模型中包括多通道图卷积网络，不同通道对应有不同评价维度对应的知识图谱。服务器可以针对每个评价维度，将评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定评论数据对应的评价特征数据以及该评价维度对应的知识图谱中的各节点的特征数据。
76.其次，服务器可以将该评价维度对应的知识图谱中的各节点的特征数据输入多通
convolutional network，gcn)，多通道图卷积网络(multi-channel graph convolutional network，mgcn)等方法，本说明书在此不进行限定。而针对每个评价维度，将该评价维度对应的知识图谱中的各节点的特征数据进行拼接，可以采用基础模型的concat层，深度兴趣网络(deep interest network、din)模型的weighted-sum层(通过权重参数，在对各节点的特征数据进行拼接)等网络结构来实现，本说明书在此不进行限定。
89.s106：以最小化各评价维度对所述指定对象进行评价的评价结果与所述评论数据对应的标签之间的偏差为优化目标，对所述预测模型进行训练。
90.在本说明书实施例中，服务器可以以最小化各评价维度对指定对象进行评价的评价结果与评论数据对应的标签之间的偏差为优化目标，对预测模型进行训练。这里提到的评论数据对应的标签可以是指评论数据在各评价维度的实际结果。例如，指定对象为a品牌的餐馆，评价维度包括：服务、环境、口味等，则评论数据对应的标签为服务好评、环境好评、口味差评。
91.在本说明书实施例中，服务器可以根据各评价维度对指定对象进行评价的评价结果与评论数据对应的标签之间的偏差，确定损失和值，以最小化损失和值为优化目标，对预测模型进行训练。
92.本说明书实施例中，预测模型的模型结构包括：多通道图卷积网络、特征权重层、关联权重层，具体过程如图2所示。
93.图2为本说明书中一种预测模型的模型结构的示意图。
94.在图2中，服务器通过通用知识图谱以及各评价维度对应的各单词，构建各评价维度对应的知识图谱。将各评价维度对应的知识图谱输入到特征层中，确定各评价维度对应的知识图谱中的各节点的特征数据。针对每个评价维度，将该评价维度对应的知识图谱中的各节点的特征数据进行拼接，得到该评价维度对应的整体维度特征数据。并将该评价维度对应的知识图谱中的各节点的特征数据输入该评价维度对应的图卷积网络，得到该评价维度对应的中心维度特征数据。
95.其次，服务器可以将该评价维度对应的整体维度特征数据以及评论特征数据输入到该评价维度对应的关联权重层，得到该评价维度对应的关联特征数据。
96.然后，服务器可以将该评价维度对应的关联特征数据以及该评价维度对应的中心维度特征数据输入到该评价维度对应的特征权重层，得到该评价维度对应的融合特征数据。
97.最后，服务器可以根据该评价维度对应的融合特征数据，确定该评价维度对应的评价结果。
98.从上述内容中可以看出，本方法可以将评论数据以及各评价维度下对应的知识图谱输入到预测模型中，确定用户以各评价维度对指定对象进行评价的评价结果，以最小化各评价维度对指定对象进行评价的评价结果与评论数据对应的标签之间的偏差为优化目标，对预测模型进行训练。从而，使得预测模型可以确定出准确的各评价维度对应的评价结果，进而根据各评价维度对应的评价结果，向用户进行信息推荐，有效地提高用户的购买体验。
99.本说明书实施例在预测模型的训练完成后，可以通过预测模型对用户进行信息推荐，具体过程如图3所示。
100.图3为本说明书中一种信息推荐的方法的流程示意图。
101.s300：获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱。
102.s302：针对每个评价维度，将所述评论数据以及该评价维度对应的知识图谱输入到训练后的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的维度特征数据，所述预测模型是通过上述模型训练的方法训练得到的。
103.s304：根据该评价维度对应的维度特征数据以及所述评价特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果。
104.s306：根据各评价维度对所述指定对象进行评价的评价结果，向用户进行信息推荐。
105.在本说明书实施例中，服务器可以获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱。
106.其次，针对每个评价维度，服务器可以将评论数据以及该评价维度对应的知识图谱输入到训练后的预测模型中，以确定评论数据对应的评价特征数据以及该评价维度对应的维度特征数据。
107.而后，服务器可以根据该评价维度对应的维度特征数据以及评价特征数据，确定用户以该评价维度对指定对象进行评价的评价结果。
108.最后，服务器可以根据各评价维度对指定对象进行评价的评价结果，向用户进行信息推荐。
109.在本说明书实施例中，若指定对象为a餐馆，服务器可以获取到针对a餐馆的各评论数据，将各评论数据以及餐馆对应的各评价维度的知识图谱输入到训练后的预测模型中，确定各评价维度对a餐馆进行评价的评价结果。
110.针对每个评价维度，确定在该评价维度下出现次数大于设定次数阈值的评价结果，作为该评价维度对应的最终评价结果。将各评价维度对应的最终评价结果展示给用户。例如，评价维度为服务，在该评价维度下出现次数最多的评价结果为服务不错，则服务对应的最终评价结果为服务不错。评价维度为性价比，在该评价维度下出现次数最多的评价结果为性价比高，则性价比对应的最终评价结果为性价比高。最终向用户展示的为服务不错、性价比高。
111.以上为本说明书的一个或多个实施例提供的模型训练的方法，基于同样的思路，本说明书还提供了相应的模型训练的装置，如图4所示。
112.图4为本说明书提供的一种模型训练的装置示意图，具体包括：
113.获取模块400，用于获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱；
114.输入模块402，用于针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的维度特征数据；
115.确定模块404，用于根据该评价维度对应的维度特征数据以及所述评价特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果；
116.训练模块406，用于以最小化各评价维度对所述指定对象进行评价的评价结果与
所述评论数据对应的标签之间的偏差为优化目标，对所述预测模型进行训练。
117.可选地，所述获取模块400具体用于，获取应用场景所对应的各评价维度，根据各评价维度对应的单词，确定各评价维度对应的中心节点，针对每个评价维度，将所述评论数据以及该评价维度对应的中心节点输入到预先训练的评分模型，确定该评价维度对应的中心节点的一阶邻居节点以及该评价维度对应的中心节点的二阶邻居节点，根据该评价维度对应的中心节点、该评价维度对应的中心节点的一阶邻居节点以及该评价维度对应的中心节点的二阶邻居节点，构建该评价维度对应的知识图谱。
118.可选地，所述获取模块400具体用于，获取通用知识图谱，针对每个评价维度，将所述评论数据以及该评价维度对应的中心节点输入到预先训练的评分模型，根据该评价维度对应的单词与所述评论数据中的各单词之间的相关性，确定所述评论数据中的各单词对应的相关性评分，并将所述相关性评分大于设定评分阈值的单词，作为该评价维度对应的中心节点的一阶邻居节点，针对每个一阶邻居节点，在所述通用知识图谱中查询该一阶邻居节点，确定查询过程中出现次数位于设定次数范围内的单词，作为该评价维度对应的中心节点的二阶邻居节点。
119.可选地，所述维度特征数据包括整体维度特征数据；
120.所述输入模块402具体用于，针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的知识图谱中的各节点的特征数据，将该评价维度对应的知识图谱中的各节点的特征数据进行拼接，确定该评价维度对应的整体维度特征数据。
121.可选地，所述维度特征数据包括中心维度特征数据，所述预测模型中包括多通道图卷积网络，不同通道对应有不同评价维度对应的知识图谱；
122.所述输入模块402具体用于，针对每个评价维度，将所述评论数据以及该评价维度下对应的知识图谱输入到待训练的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的知识图谱中的各节点的特征数据，将该评价维度对应的知识图谱中的各节点的特征数据输入所述多通道图卷积网络中的该评价维度对应的通道，根据该知识图谱中的各节点之间的关联关系以及各节点对应的特征数据，确定该评价维度对应的中心维度特征数据。
123.可选地，所述预测模型中包含有多个关联权重层，不同评价维度对应有不同的关联权重层；
124.所述确定模块404具体用于，将该评价维度对应的整体维度特征数据以及所述评价特征数据输入该评价维度对应的关联权重层，确定该评价维度对应的关联特征数据，根据该评价维度对应的关联特征数据以及该评价维度对应的中心维度特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果。
125.可选地，所述确定模块404具体用于，获取各评价维度对应的特征权重，所述特征权重用于平衡各评价维度对应的关联特征数据与各评价维度对应的中心维度特征数据对评价结果的影响，针对每个评价维度，根据该评价维度对应的关联特征数据、该评价维度对应的中心维度特征数据以及该评价维度对应的特征权重，确定该评价维度对应的融合特征数据，根据该评价维度对应的融合特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果。
126.以上为本说明书的一个或多个实施例提供的信息推荐的方法，基于同样的思路，本说明书还提供了相应的信息推荐的装置，如图5所示。
127.图5为本说明书提供的一种信息推荐的装置示意图，具体包括：
128.获取模块500，用于获取用户针对指定对象的评论数据以及预先构建的每个评价维度对应的知识图谱；
129.输入模块502，用于针对每个评价维度，将所述评论数据以及该评价维度对应的知识图谱输入到训练后的预测模型中，以确定所述评论数据对应的评价特征数据以及该评价维度对应的维度特征数据，所述预测模型是通过上述模型训练的方法训练得到的；
130.确定模块504，用于根据该评价维度对应的维度特征数据以及所述评价特征数据，确定所述用户以该评价维度对所述指定对象进行评价的评价结果
131.推荐模块506，用于根据各评价维度对所述指定对象进行评价的评价结果，向用户进行信息推荐。
132.本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的模型训练的方法以及信息推荐的方法。
133.本说明书还提供了图6所示的电子设备的示意结构图。如图6所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的模型训练的方法以及上述图3所述的信息推荐的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
134.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，
就可以很容易得到实现该逻辑方法流程的硬件电路。
135.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
136.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
137.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
138.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。
139.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。
140.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。
141.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。
142.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。
143.内存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)。内存是计算机可读介质的示例。
144.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。
145.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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
146.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。
147.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
148.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
149.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。