基于度量分解的产品推荐方法及装置与流程

1.本发明涉及产品推荐技术领域，尤指一种基于度量分解的产品推荐方法及装置。


背景技术：

2.目前现有的基金推荐方法仅仅是基于风险评估，没有提供个性化的用户推荐功能，这种推荐方法不利于提高用户粘度，提升用户体验感。
3.近年来，深度学习得到了广泛的应用，取得了令人瞩目的成就，特别是在自然语言处理，语音识别和人脸识别这三个研究方向，然而利用深度学习做有效推荐的研究相对于其他研究方向来说成果不多。在最近几年中，矩阵分解已经被广泛研究，并成为个性化推荐方向最受欢迎的技术之一，常用来分解的矩阵包括邻接矩阵、拉普拉斯矩阵等。
4.矩阵分解的主要思想是将用户和产品映射到相同的潜在因子空间，通过分析用户对多个产品的历史评分，构建用户-潜在因子矩阵与潜在因子-产品矩阵，矩阵中的每一行代表着用户或产品的特征向量，可以通过采用对应的向量求内积的方法，得到某一用户对其未使用产品的预测评分。基于潜在因子模型方法的预测结果通常可以获得更小的均方根误差，因为它能够多维度地分析及描述数据，具备更优秀的表达能力，可以提供更加精准的个性化推荐服务。
5.基于矩阵分解的推荐模型中采用的点积操作不满足度量的三角不等式性质，这会限制模型的表达能力并导致次优解。并且矩阵分解要求大量的存储空间，计算稀疏矩阵需要较高的时间复杂度，同时矩阵分解是一个近似线性的模型，这意味着模型无法建模用户与物品向量因子之间的非线性交互，因此模型的表达能力有限，无法找到用户和物品间更深层更抽象的表达。


技术实现要素：

6.针对现有技术中存在的问题，本发明实施例的主要目的在于提供一种基于度量分解的产品推荐方法及装置，实现准确的产品推荐，提升用户体验。
7.为了实现上述目的，本发明实施例提供一种基于度量分解的产品推荐方法，方法包括：
8.获取经过用户授权的产品交易数据，并对产品交易数据进行预处理；
9.将预处理后的产品交易数据输入至预先建立的距离预测度量分解模型中进行处理，得到用户与产品之间的距离预测结果；
10.根据距离预测结果，确定用户的产品推荐结果。
11.可选的，在本发明一实施例中，距离预测度量分解模型是通过如下方式建立的：
12.获取经过用户授权的历史交易数据，并对历史交易数据进行预处理，将预处理后的历史交易数据划分为训练样本集与测试样本集；
13.将训练样本集输入至初始度量分解模型中进行模型训练，得到训练后的度量分解模型；
14.利用测试样本集对训练后的度量分解模型进行参数调节，得到距离预测度量分解模型。
15.可选的，在本发明一实施例中，将训练样本集输入至初始度量分解模型中进行模型训练，得到训练后的度量分解模型包括：
16.将所述训练样本集输入至初始度量分解模型中，得到用户特征向量与产品特征向量；
17.根据用户特征向量与所述产品特征向量，确定用户与产品之间的欧氏距离；
18.利用初始度量分解模型中的多层感知器对欧氏距离进行处理，得到历史数据预测结果；
19.根据历史数据预测结果与训练样本集中的实际距离数据，得到训练后的度量分解模型。
20.可选的，在本发明一实施例中，根据距离预测结果，确定用户的产品推荐结果包括：从用户与产品之间的距离预测结果中，确定与用户之间欧氏距离最小的产品，并将其作为用户的产品推荐结果。
21.本发明实施例还提供一种基于度量分解的产品推荐装置，装置包括：
22.预处理模块，用于获取经过用户授权的产品交易数据，并对产品交易数据进行预处理；
23.距离预测模块，用于将预处理后的产品交易数据输入至预先建立的距离预测度量分解模型中进行处理，得到用户与产品之间的距离预测结果；
24.推荐结果模块，用于根据距离预测结果，确定用户的产品推荐结果。
25.可选的，在本发明一实施例中，装置还包括：
26.历史数据模块，用于获取经过用户授权的历史交易数据，并对历史交易数据进行预处理，将预处理后的历史交易数据划分为训练样本集与测试样本集；
27.模型训练模块，用于将训练样本集输入至初始度量分解模型中进行模型训练，得到训练后的度量分解模型；
28.参数调节模块，用于利用所述测试样本集对训练后的度量分解模型进行参数调节，得到距离预测度量分解模型。
29.可选的，在本发明一实施例中，模型训练模块包括：
30.特征向量单元，用于将训练样本集输入至初始度量分解模型中，得到用户特征向量与产品特征向量；
31.欧氏距离单元，用于根据用户特征向量与所述产品特征向量，确定用户与产品之间的欧氏距离；
32.预测结果单元，用于利用初始度量分解模型中的多层感知器对所述欧氏距离进行处理，得到历史数据预测结果；
33.模型训练单元，用于根据历史数据预测结果与训练样本集中的实际距离数据，得到训练后的度量分解模型。
34.可选的，在本发明一实施例中，推荐结果模块还用于：从用户与产品之间的距离预测结果中，确定与用户之间欧氏距离最小的产品，并将其作为用户的产品推荐结果。
35.本发明还提供一种电子设备，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，处理器执行所述程序时实现上述方法。
36.本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
37.本发明还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。
38.本发明利用距离预测度量分解模型对用户偏好进行准确预测，为用户提供更好产品推荐方案，提高用户体验，能够很好地保存用户存量，提升用户的满意度，增强用户粘性。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
40.图1为本发明实施例一种基于度量分解的产品推荐方法的流程图；
41.图2为本发明实施例中模型建立的流程图；
42.图3为本发明实施例中模型训练的流程图；
43.图4为本发明实施例中矩阵分解示意图；
44.图5为本发明实施例中用户潜在空间示意图；
45.图6为本发明实施例中用户在空间的分布示意图；
46.图7为本发明实施例中度量分解协同过滤算法框架示意图；
47.图8为本发明实施例一种基于度量分解的产品推荐装置的结构示意图；
48.图9为本发明另一实施例中基于度量分解的产品推荐装置的结构示意图；
49.图10为本发明实施例中模型训练模块的结构示意图；
50.图11为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
51.本发明实施例提供一种基于度量分解的产品推荐方法及装置，可用于金融领域及其他领域，需要说明的是，本发明的基于度量分解的产品推荐方法及装置可用于金融领域，也可用于除金融领域之外的任意领域，本发明的基于度量分解的产品推荐方法及装置应用领域不做限定。
52.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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.如图1所示为本发明实施例一种基于度量分解的产品推荐方法的流程图，本发明实施例提供的基于度量分解的产品推荐方法的执行主体包括但不限于计算机。本发明利用距离预测度量分解模型对用户偏好进行准确预测，为用户提供更好产品推荐方案，提高用户体验，能够很好地保存用户存量，提升用户的满意度，增强用户粘性。图1所示方法包括：
54.步骤s1，获取经过用户授权的产品交易数据，并对产品交易数据进行预处理；
55.步骤s2，将预处理后的产品交易数据输入至预先建立的距离预测度量分解模型中进行处理，得到用户与产品之间的距离预测结果；
56.步骤s3，根据距离预测结果，确定用户的产品推荐结果。
57.其中，经过用户授权后，获取用户的产品交易数据。具体的，用户的产品交易数据包括该用户的历史交易记录，例如购买过的产品名称、类型等。对产品交易数据进行预处理包括数据清洗等，去除产品交易数据中的脏数据。
58.进一步的，利用预先建立的距离预测度量分解模型对预处理后的产品交易数据进行处理，得到距离预测结果。具体的，距离预测结果表示出用户对各产品的偏好，距离预测结果中用户与产品的距离越小，则说明用户越偏好该产品，距离越大，则说明用户不偏好该产品。
59.作为本发明的一个实施例，根据距离预测结果，确定用户的产品推荐结果包括：从用户与产品之间的距离预测结果中，确定与用户之间欧氏距离最小的产品，并将其作为用户的产品推荐结果。
60.其中，根据距离预测结果，可以清晰地看出用户的偏好。具体的，将与用户距离最近的产品作为用户的产品推荐结果。其中，产品推荐结果中可以包括多个产品，在具体推荐过程中，可以预先设定距离阈值，由此在产品的预测距离小于距离阈值时，将该产品作为推荐结果向用户进行推荐。
61.作为本发明的一个实施例，如图2所示，距离预测度量分解模型是通过如下方式建立的：
62.步骤s21，获取经过用户授权的历史交易数据，并对历史交易数据进行预处理，将预处理后的历史交易数据划分为训练样本集与测试样本集；
63.步骤s22，将训练样本集输入至初始度量分解模型中进行模型训练，得到训练后的度量分解模型；
64.步骤s23，利用测试样本集对训练后的度量分解模型进行参数调节，得到距离预测度量分解模型。
65.在本实施例中，如图3所示，将训练样本集输入至初始度量分解模型中进行模型训练，得到训练后的度量分解模型包括：
66.步骤s31，将训练样本集输入至初始度量分解模型中，得到用户特征向量与产品特征向量；
67.步骤s32，根据用户特征向量与产品特征向量，确定用户与产品之间的欧氏距离；
68.步骤s33，利用初始度量分解模型中的多层感知器对欧氏距离进行处理，得到历史数据预测结果；
69.步骤s34，根据历史数据预测结果与训练样本集中的实际距离数据，得到训练后的度量分解模型。
70.其中，若用户购买过某类基金则对应为1，未购买过记为0，则可得到用户与产品(基金项目)的关联矩阵，传统的矩阵分解推荐方法通过对用户与产品间的二维评分矩阵进行分析，发现与用户具有相似喜好的其他用户，从而做出推荐。但在现实中，面对的信息是冗余的，这导致user-item矩阵中评分元素稀疏，并且庞大而冗余的信息会随着向量维度的增加而产生非线性增加。为了解决上述的缺陷，可以利用数学中的奇异值分解概念提出基
于奇异值分解的新型矩阵分解方法，先预测出用户-产品评分矩阵的缺失值，然后根据预测值以某种方式向用户推荐他所喜爱的产品(预测值较高的项目)。简单来说，就是把原来的大评分矩阵近似地分解成小矩阵的乘积，举一个例子来说明。假设用户-产品(user-item)的二维评分矩阵v是f*n维，也就是说共有f个用户n个物品，通过算法转换为两个矩阵w和h，矩阵w的维度是f*k，矩阵h的维度是k*n。如图4所示，对应的公式如公式(1)所示。
[0071]v(f
×
n)
≈w
(f
×
k)
×h(k
×
n)
ꢀꢀ
(1)
[0072]
其中，该方法也具有一定的可解释性，用户对一个产品的喜爱程度主要由k个因素组成(外观、性能、价格等)，w
ni
表示第n个用户对第i个因素的偏好程度，h
ix
表示第x个产品满足第i个因素的程度，f
nx
表示用户n对产品i的偏好程度。
[0073]
进一步的，虽然上述介绍的矩阵分解在推荐任务中表现出的效果良好，但它并非没有缺陷，很重要的一点就是矩阵分解中的点积步骤限制了矩阵分解的表达，不能满足三角不平等性质。点积操作关心的是两个向量的大小和角度，通俗来讲，点积测量的是两个向量在幅度和角度方面的相似性而不是距离。采用如图5所示的例子来说明这个问题。
[0074]
其中，如表1所示为用户跟产品的关系矩阵，图5为尝试采用用户潜在因素(p1,p2,p3,p4)来模拟用户的相似性，结合表1所示的用户与产品的关系矩阵，采用jaccard相似度计算用户相似度并进行比较。假设有三个用户u1，u2，u3，根据他们对四个产品i1，i2，i3，i4的评分信息，采用jaccard相似度方法计算出的相似度为s
23
＝2/3，s
12
＝1/3，s
13
＝1/4，即为s
23
＞s
12
＞s
13
，则相应的p1,p2,p3可如图5表示，新增一个u4，计算u4与u1，u2，u3的相似度，s
41
＝2/3，s
43
＝1/3，s
42
＝1/4，表明用户u4与u1的相似度最高，用户u4与用户u2的相似度最少，则p4应与p1的夹角最小，p4与p2的夹角应最大，其中p4应与p3的夹角应当小于p4与p2的夹角。但显然，在图5中无论如何规划均不可满足s
43
＞s
42
。以上介绍的即为矩阵分解的缺陷：不能满足三角不平等性质。而引入度量分解可以很好地解决这个问题。
[0075]
表1
[0076][0077]
其中，基于产品项目的协同过滤算法的主要思想是给目标用户推荐与他们之前消费记录显示的偏好物品相似度高的物品，由亚马逊公司最先提出，被广泛应用多个网站上。算法的主要思想也分为两步：(1)计算不同项目间的相似度；(2)根据算得的产品相似度与用户的历史行为生成推荐列表推荐给目标用户。产品间的相似度也与用户间相似度的计算方法类似，可以选择jaccard相似度或是余弦相似度计算，其中，w
ij
表示项目i与项目j之间的相似度，计算方法如下公式(2)及公式(3)所示：
[0078]
[0079][0080]
其中，在得到产品间相似度后，再计算出用户u对产品j的兴趣度，用p(u,j)来表示：
[0081][0082]
其中，n(u)代表用户喜爱的产品集，s(j,k)代表与产品j最相似的k个产品集，w
ji
表示产品j和产品i的相似度，r
ui
表示用户u对产品i的偏好(这里采用的是隐式用户反馈，即如果用户u消费过产品i时r
ui
的值为1，没有消费过时r
ui
的值等于0)。同样的，用户活跃度也对模型效果产生影响，在模型中加入偏置与惩罚参数能够提高模型预测结果的精确度。
[0083]
当用户的数量较小，且推荐的结果准确性与时效性关联度较大时，采用基于用户的协同过滤算法能够产生比较好的预测结果。而如果面对的场景是用户数量较多且个性化定制需求比较强烈(如购物网站、视频推荐等)时，采用基于产品项目的协同过滤算法能够产生比较好的预测结果。
[0084]
与矩阵分解相比，度量分解可以很好地利用位置与距离的力量，将用户与产品(项目)看作低维坐标系中的点，采用欧几里得距离衡量用户与产品间的相似度。仍然采用上文所述的例子，dxy表示用户x与用户y之间的欧氏距离，若两个用户间的相似性越高，则这两个用户间的欧氏距离最小，根据之前所计算出的用户相似性，需要同时满足d
23
＜d
12
＜d
13
，d
41
＜d
43
＜d
42
，图6所示可以很好地满足以上要求，用户u2与用户u3的关联度最高，在空间上的距离最小；用户u3与用户u1的关联度最小，在空间上的距离最大。加入新的用户u4，既可以满足用户u4与用户u1的距离最短，又能够满足用户u4与用户u2的距离最大。通过这个例子可知，度量分解可以解决矩阵分解的部分缺点，通过用户与产品间的距离计算出用户产品在低维坐标中的位置。
[0085]
进一步的，以上说明了矩阵分解通过分解交互矩阵来学习用户和产品的潜在因素，交互矩阵能够反应用户与产品(项目)间的相似性。
[0086]
在本实施例中，需要注意的是，不能直接采用用户产品的交互矩阵来计算用户与产品在空间中的距离，因为相似度与空间距离是完全相反的概念，用户与产品在空间中的欧式距离越大表示用户对产品的意向度越低，因此实验中需要将交互矩阵转换成距离矩阵。本次实验采用的数据集评分项里，用户对产品的最高评分为5，实验规定用户与产品的距离为最大评分减去用户对此产品的实际评分，比如用户a对产品甲的实际评分为3，那么用户a与产品甲间的距离为2(5-3)。
[0087]
其中，模型的训练及调参过程如图7所示，可通过调整如下的3个参数进行模型训练：(1)多层感知机中的dense层数；(2)经嵌入层处理后的输出维度outputdim；(3)实验进行的epoch迭代次数。
[0088]
在本实施例中，本发明采用评分预测中常用的均方根误差(rmse)来评估的实验结果。对于测试集t中的一个用户u和物品i，令r
ui
是用户对产品i的实际评分，而是推荐算法给出的评分，那么均方根误差的定义如公式(5)所示。
[0089][0090]
其中，均方根误差rmse表示算法模型的预测值与用户评分的实际值偏差的平方和与预测次数m比值的平方根，rmse被用来衡量算法预测值同用户实际评分值之间的偏差大小。需要说明的是：rmse的值越小，表明模型的预测能力越优异。
[0091]
在本发明一具体实施例中，本发明还提供一种基于度量分解协同过滤的产品推荐系统，基于本发明产品推荐方法，结合风险评估、用户喜好及相似用户偏好度计算为用户提供更好地产品购买方案，提升用户体验，能够很好地保存用户存量，具有很好的现实意义。其中，产品可以为例如基金项目。
[0092]
在本实施例中，本发明改进了传统的矩阵分解技术，并提出了一种新型的推荐算法：度量分解协同过滤推荐算法。第一步为数据的预处理，第二步将用户向量与产品向量传入输入层处理为one-hot向量，用户的one-hot向量与产品的one-hot向量经过嵌入层处理变为用户潜在向量与产品潜在向量，将得到的用户潜在向量与产品潜在向量进行度量分解处理，得到了用户与产品的欧氏距离，用来表示用户与产品间的交互关系，再传入多层感知机不断进行降维，通过多层感知机中每层神经元个数的递减来提取用户与产品间的抽象特征。
[0093]
其中，本发明的优点包括：(1)假设用户和产品可以投影在低维空间中，将用户和产品视为低维坐标系中的点，并且采用用户与产品间的欧氏距离来表示它们的显式紧密度，用户与产品间的欧式距离越近，代表着用户对产品的偏好意向越高。(2)本发明提出的推荐模型采用了多层感知机来学习用户与产品的高阶交互，赋予了模型较高的非线性建模能力，使模型具备了更好的推荐潜力。
[0094]
在本实施例中，首先需要获取到用户对不同产品喜好度的数据集，并对相应数据进行处理，如用户购买了某种基金则该用户对于此基金的偏好度记为1，否则记为0。对于实验结果而言，深度学习中的训练方法的选择及参数的调试尤为重要。在开发过程中的难点是，如何对大量数据进行处理，并把实验模型应用在现实数据中。
[0095]
本发明系统包含的模块有：获取真实产品交易数据并进行预处理模块、深度学习算法模块、训练模块及应用模块。
[0096]
其中，系统的完整应用流程应该为：
[0097]
a：首先通过获取到真实的用户与产品的购买关系数据，并进行数据的预处理，删除无意义的脏数据；其中，产品可以例如为基金项目。
[0098]
b：再将预处理后的数据传入度量分解算法模型中。
[0099]
c：通过不断的训练调参，直到在测试集上取得良好的训练效果，再将这个算法模型应用于现实数据中。
[0100]
本发明具有如下优点：(1)采用深度学习对用户购买产品的偏好进行预测比较新颖，具有很高的研究价值与创新点；(2)基于原始的矩阵分解算法模型进行了改进，采用度量分解协同过滤的算法，在预测的准确度上要高于传统的矩阵分解算法；(3)能够基于用户的社会关系，风险度评估对用户的购买喜好进行预测；(4)选择合适的产品对用户进行个性化推荐，能够在很大程度上提升用户的满意度，增强用户粘性。
[0101]
如图8所示为本发明实施例一种基于度量分解的产品推荐装置的结构示意图，图中所示装置包括：
[0102]
预处理模块10，用于获取经过用户授权的产品交易数据，并对产品交易数据进行预处理；
[0103]
距离预测模块20，用于将预处理后的产品交易数据输入至预先建立的距离预测度量分解模型中进行处理，得到用户与产品之间的距离预测结果；
[0104]
推荐结果模块30，用于根据所述距离预测结果，确定用户的产品推荐结果。
[0105]
作为本发明的一个实施例，如图9所示，装置还包括：
[0106]
历史数据模块40，用于获取经过用户授权的历史交易数据，并对历史交易数据进行预处理，将预处理后的历史交易数据划分为训练样本集与测试样本集；
[0107]
模型训练模块50，用于将训练样本集输入至初始度量分解模型中进行模型训练，得到训练后的度量分解模型；
[0108]
参数调节模块60，用于利用测试样本集对训练后的度量分解模型进行参数调节，得到距离预测度量分解模型。
[0109]
在本实施例中，如图10所示，模型训练模块50包括：
[0110]
特征向量单元51，用于将训练样本集输入至初始度量分解模型中，得到用户特征向量与产品特征向量；
[0111]
欧氏距离单元52，用于根据用户特征向量与产品特征向量，确定用户与产品之间的欧氏距离；
[0112]
预测结果单元53，用于利用初始度量分解模型中的多层感知器对欧氏距离进行处理，得到历史数据预测结果；
[0113]
模型训练单元54，用于根据历史数据预测结果与训练样本集中的实际距离数据，得到训练后的度量分解模型。
[0114]
作为本发明的一个实施例，推荐结果模块30还用于：从用户与产品之间的距离预测结果中，确定与用户之间欧氏距离最小的产品，并将其作为用户的产品推荐结果。
[0115]
基于与上述一种基于度量分解的产品推荐方法相同的申请构思，本发明还提供了上述一种基于度量分解的产品推荐装置。由于该一种基于度量分解的产品推荐装置解决问题的原理与一种基于度量分解的产品推荐方法相似，因此该一种基于度量分解的产品推荐装置的实施可以参见一种基于度量分解的产品推荐方法的实施，重复之处不再赘述。
[0116]
本发明利用距离预测度量分解模型对用户偏好进行准确预测，为用户提供更好产品推荐方案，提高用户体验，能够很好地保存用户存量，提升用户的满意度，增强用户粘性。
[0117]
本发明还提供一种电子设备，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，处理器执行所述程序时实现上述方法。
[0118]
本发明还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。
[0119]
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
[0120]
如图11所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理器130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图11中所示的
所有部件；此外，电子设备600还可以包括图11中没有示出的部件，可以参考现有技术。
[0121]
如图11所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
[0122]
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
[0123]
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0124]
该存储器140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
[0125]
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0126]
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0127]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
[0128]
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。
[0129]
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。
[0130]
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。
[0131]
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。
[0132]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。