意向度预测方法及装置、终端设备、计算机可读存储介质与流程

1.本发明涉及计算机技术领域，更具体地，其涉及一种意向度预测方法及装置、终端设备、计算机可读存储介质。


背景技术：

2.为了保证公司的产品能够高效地进行推广，公司需要了解用户购买产品的意向程度，以对真正有需求的用户进一步地跟进，从而提高产品的销量。而如何确定有需求的用户成为现阶段亟需解决的问题。
3.现有技术在确定用户购买的意向程度时，通常是获取与用户沟通过程中产生的对话文本，根据业务人员配置的关键词对对话文本进行匹配，根据关键词的匹配情况来确定用户购买产品的意向程度。
4.但是，现有技术需要配置精准的关键词才能够确定对话文本中所体现的用户意向程度，而关键词的配置非常依赖于业务人员的经验，若没有设置正确的关键词，则无法确定用户购买产品的意向程度。


技术实现要素：

5.本发明解决的技术问题是如何准确地确定用户购买产品的意向度。
6.为解决上述技术问题，本发明实施例提供一种意向度预测方法，所述意向度预测方法包括：获取至少一个对话文本，每一对话文本包括多个对话片段，对话片段为对话文本中时间连续的至少一个句子；确定每一对话文本中每一对话片段的语义重要度，不同对话片段具有不同语义重要度；至少根据各个对话文本中每一对话片段的语义重要度计算各个对话文本的意向度。
7.可选地，所述至少根据各个对话文本中每一对话片段的语义重要度计算各个对话文本的意向度包括：根据每一对话文本中多个对话片段及其语义权重计算对话文本的文本向量，所述对话片段的语义权重用于表征所述对话片段的语义重要度；根据各个对话文本的文本向量计算各个对话文本的意向度。
8.可选地，所述确定每一对话文本中每一对话片段的语义重要度包括：对时间排序在后的所述对话片段较于时间排序在前的所述对话片段分配更高的语义权重，所述对话片段具有对话时间，所述语义权重用于表征所述对话片段的语义重要度；和/或，对对话内容具有肯定意愿或否定意愿的所述对话片段较于对话内容不具有肯定意愿或否定意愿的所述对话片段分配更高的语义权重。
9.可选地，确定每一对话文本中每一对话片段的语义重要度包括：获取用户与对话目标在每一对话文本中表述的多个句子，每一句子具有对话时间，各个句子按照时间顺序排序；对于所述用户表述的相邻的第一句子与第二句子，如果所述第一句子与所述第二句子之间不存在所述对话目标表述的句子时，则将所述第一句子与所述第二句子加入同一对话片段；或者，对于所述用户表述的相邻的第三句子与第四句子，如果所述用户表述的所述
第三句子与所述第四句子之间存在所述对话目标表述的句子，则将所述第四句子加入新的对话片段。
10.可选地，所述至少根据各个对话文本中每一对话片段的语义重要度计算各个对话文本的意向度还包括：获取所述至少一个对话文本以及每一对话文本对应的用户特征信息，所述用户特征信息用于表示用户的基本属性；根据各个对话文本中每一对话片段的语义重要度以及各个对话文本对应的用户特征信息计算各个对话文本的意向度。
11.可选地，所述根据各个对话文本中每一对话片段的语义重要度以及各个对话文本对应的用户特征信息计算各个对话文本的意向度包括：根据所述用户特征信息计算用户特征向量，并根据每一对话文本中每一对话片段及其语义重要度计算对话文本的文本向量；根据各个对话文本的所述文本向量和所述用户特征向量计算各个对话文本的意向度。
12.可选地，所述对话文本的意向度由用户意向预测模型预测得到，所述用户意向预测模型的输入为所述对话文本中的多个对话片段。
13.可选地，所述用户意向预测模型包括卷积神经网络子模型、循环神经网络子模型和计算模块，其中，所述卷积神经网络子模型用于计算每一对话片段的第一片段向量；所述循环神经网络子模型用于根据所述第一片段向量计算第二片段向量，所述第二片段向量具有时间顺序信息和所述第一片段向量的信息；所述计算模块用于确定各个第二片段向量的语义权重，并根据各个第二片段向量及其语义权重计算所述对话文本的文本向量，以根据所述对话文本的文本向量计算各个对话文本的意向度，所述语义权重用于表征所述对话片段的语义重要度。
14.可选地，所述用户意向预测模型包括transformer模型和计算模块，其中，所述transformer模型用于根据各个对话片段的时间排序以及各个对话片段的信息确定各个片段向量的语义权重，以根据各个片段向量及其语义权重计算所述对话文本的文本向量；所述计算模块用于根据所述对话文本的文本向量计算各个对话文本的意向度。
15.本发明实施例还公开一种意向度预测装置，所述意向度预测装置包括：获取模块，用于获取至少一个对话文本，每一对话文本包括多个对话片段，对话片段为对话文本中时间连续的至少一个句子；语义重要度确定模块，用于确定每一对话文本中每一对话片段的语义重要度，不同对话片段具有不同语义重要度；意向度计算模块，用于至少根据各个对话文本中每一对话片段的语义重要度计算各个对话文本的意向度。
16.本发明实施例还公开一种终端设备，包括存储器和处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述计算机程序被处理器运行时执行上述任一种所述意向度预测方法的步骤。
17.本发明实施例还公开一种计算机可读存储介质，其上存储有计算机程序，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，所述计算机程序被处理器运行时执行上述任一种所述意向度预测方法的步骤。
18.与现有技术相比，本发明实施例的技术方案具有以下有益效果：
19.本发明提出一种意向度预测方法，通过获取对话文本，得到每一对话文本中的多个对话片段，并确定对话文本中的每一对话片段的语义重要度，至少根据各个对话文本中每一对话片段的语义重要度计算各个对话文本的意向度。每一对话片段的语义重要度能够体现对话片段在对话文本中的重要程度，语义重要度越高，越能体现对话文本主要的语义
信息，使用对话片段的语义重要度对对话文本的意向度进行计算，可以准确地计算出各个对话文本的意向度。
20.进一步地，将各个对话片段转换为片段向量，且片段向量中含有时间顺序信息以及此前对话片段中的信息，根据时间顺序的规律以及片段向量中的内容确定各个片段向量的语义权重，以将能够体现对话文本主要语义的对话片段的语义权重提高，并且结合用户的基本属性对意向度进行判断，使得到的意向度更加准确。
附图说明
21.图1是本发明实施例提供的一种意向度预测方法的整体流程图；
22.图2是本发明实施例提供的一种用户意向预测模型的结构图；
23.图3是本发明实施例提供的另一种用户意向预测模型的结构图；
24.图4是本发明实施例提供的一种意向度预测装置的结构示意图。
具体实施方式
25.如背景技术中所述，为了保证公司的产品能够高效地进行推广，公司需要了解用户购买产品的意向程度，以对真正有需求的用户进一步地跟进。现有技术在确定用户购买的意向程度时，通常是获取与用户沟通过程中产生的对话文本，根据业务人员配置的关键词对对话文本进行匹配，根据关键词的匹配情况来确定用户购买产品的意向程度。但是，现有技术需要配置精准的关键词才能够确定对话文本中所体现的用户意向程度，而关键词的配置非常依赖于业务人员的经验，若没有设置正确的关键词，则无法确定用户购买产品的意向程度。
26.本发明实施例中，通过获取对话文本，得到每一对话文本中的多个对话片段，并确定对话文本中的每一对话片段的语义重要度，至少根据各个对话文本中每一对话片段的语义重要度计算各个对话文本的意向度。每一对话片段的语义重要度能够体现对话片段在对话文本中的重要程度，语义重要度越高，越能体现对话文本主要的语义信息，使用对话片段的语义重要度对对话文本的意向度进行计算，可以准确地计算出各个对话文本的意向度。
27.进一步地，将各个对话片段转换为片段向量，且片段向量中含有时间顺序信息以及此前对话片段中的信息，根据时间顺序的规律以及片段向量中的内容确定各个片段向量的语义权重，以将能够体现对话文本主要语义的对话片段的语义权重提高，并且结合用户的基本属性对意向度进行判断，使得到的意向度更加准确。
28.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。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，都属于本发明保护的范围。
29.图1是本发明实施例提供的一种意向度预测方法的整体流程图。
30.在具体实施中，下述步骤101至步骤103所记载的意向度预测方法可以用于终端设备中。上述步骤具体可以由终端设备来执行，也可以由终端设备中具有数据处理功能的芯片所执行，也可以由终端设备中包含有数据处理功能的芯片的芯片模组来执行。
31.具体地，如图1所示，意向度预测方法可以包括以下步骤：
32.在步骤101中，获取至少一个对话文本；
33.在步骤102中，确定每一对话文本中每一对话片段的语义重要度；
34.在步骤103中，至少根据各个对话文本中每一对话片段的语义重要度计算各个对话文本的意向度。
35.在步骤101的具体实施方式中，每一对话文本包括多个片段，对话片段为对话文本中时间连续的至少一个句子。
36.在一个非限制性的实施例中，可以获取用户与对话目标在每一对话文本中表述的多个句子，且每一句子具有对话时间，每个句子按照时间顺序排序。对于用户表述的相邻的第一句子与第二句子，如果第一句子与第二句子之间不存在对话目标表述的句子时，则将第一句子与第二句子加入同一对话片段；对于用户表述的相邻的第三句子与第四句子，如果用户表述的第三句子与第四句子之间存在对话目标表述的句子，则将第四句子加入新的对话片段。具体地，对话目标可以是语音机器人或客服人员。例如，用户甲与对话目标乙的对话如下：用户甲：“句子a。句子b。”；对话目标乙：“句子c。”；用户甲：“句子d。”。其中，句子a、句子b、句子d用于指代用户甲表述的内容，句子c用于指代对话目标乙表述的内容。根据对话片段的划分规则，句子a与句子b之间不存在对话目标表述的句子，将句子a与句子b加入同一对话片段。句子b和句子d之间存在对话目标乙表述的句子c，将句子d加入新的对话片段。
37.需要说明的是，对话文本可以是用户与对话目标的通话语音所转换得到的用户表述内容的文本，或者是其他场景下得到的用户表述内容的文本，本技术对此不作限制。
38.在一个非限制性的实施例中，在获取到多个对话片段后，需要对每一对话片段分配语义权重，以根据片段向量以及语义权重计算对话文本的文本向量，语义权重用于表征对话片段的语义重要度，对话片段的语义权重越高表示对话片段的语义重要度越高，不同对话片段具有不同语义重要度。可以对能够体现对话文本主要语义的对话片段分配更高的权重。
39.在具体实施方式中，可以通过计算对话文本中各个对话片段的片段向量与其语义权重的乘积之和，以作为对话文本的文本向量。
40.进一步地，对话片段具有对话时间，时间排序在后的对话片段相较于时间排序在前的对话片段具有更高的语义权重，和/或，对对话内容具有肯定意愿或否定意愿的对话片段较于对话内容不具有肯定意愿或否定意愿的对话片段分配更高的语义权重。具体地，可以对具有肯定意愿或否定意愿的关键词所在的对话片段分配更高的语义权重。根据对话中对话片段的时间分布规律，时间排序靠后的对话内容通常包括更重要的信息，因此分配时间排序在后的对话片段更高的语义权重；同时，在商品推广过程中，用户在对话时表述的具有肯定意愿或否定意愿的内容更能体现用户是否有意向购买产品，因此分配对话内容中能够体现用户意愿的对话片段更高的语义权重，通过对话片段在对话文本中时间和内容上的分布规律，能够更准确地确定对话片段的语义权重，根据语义权重和片段向量计算得到的文本向量能够更精确地计算出用户的意向度。
41.在具体实施中，可以使用分词工具将每一对话文本的多个对话片段拆分为多个语义分词，根据多个语义分词的分词向量计算每一对话片段的片段向量。再根据每一对话文本的多个片段向量及其语义权重进行加权求和，以计算得到每一对话文本的文本向量，文
本向量用于计算对话文本的意向度。
42.计算得到的对话文本的意向度可以是一个具体数值。具体地，意向度的取值范围可以是[0,1]，意向度为1时表示用户一定会购买产品，意向度为0时表示用户一定不会购买产品，取值范围内的意向度可用于表示购买产品的意向程度，意向度越高则购买产品的意向程度越高。可以根据不同的业务需求设置不同的预设阈值，将意向度达到预设阈值的用户作为目标用户，可以对目标用户进行产品的进一步推广，以提高商品推广的成功率。
[0043]
在一个非限制性的实施例中，除了根据对话文本进行意向度的计算以外，还可以获取对话文本对应的用户特征信息，用户特征信息用于表示用户的基本属性，如用户的性别、年龄等基本属性，根据对话文本中每一对话片段的语义重要度以及对话文本对应的用户特征信息计算对话文本的意向度，可以结合用户特征信息计算意向度，在计算意向度时考虑到用户的基本属性对意向度的影响，使计算得到的意向度更加准确。
[0044]
在具体实施方式中，根据用户特征信息计算用户特征向量，用户特征向量为用户特征信息的向量表示，再根据对话文本的对话向量和用户特征向量计算对话文本的意向度。
[0045]
需要说明的是，可以使用多层感知器(multilayer perceptron,mlp)将用户特征信息转换为用户特征向量，或者采用其他可实现的方式将用户特征信息转换为用户特征向量，本技术对此不作限制。
[0046]
在一个非限制性的实施例中，在获取到文本向量和用户特征向量之后，使用用户意向预测模型根据文本向量和用户特征向量对意向度进行计算，对话文本的意向度由用户意向预测模型预测得到，用户意向预测模型的输入为对话文本中的多个对话片段。现结合图2和图3对用户意向预测模型的训练过程进行详细说明。
[0047]
图2是本发明实施例提供的一种用户意向预测模型的结构图。
[0048]
在具体实施方式中，卷积神经网络子模型21对每一对话片段进行卷积计算，以得到每一对话片段的第一片段向量。第一片段向量包括第一片段向量1、第一片段向量2、
……
、第一片段向量n。
[0049]
在具体实施方式中，用户意向预测模型20的训练集可以包括多个对话文本及其意向度、用户特征信息，训练集中对话文本的意向度包括意向度为0和意向度为1两种情况。用户意向预测模型20中还可以包括分词工具，分词工具可以将各个对话片段拆分为多个语义分词，以供卷积神经网络子模型21根据多个语义分词计算每一对话片段的片段向量。
[0050]
进一步地，卷积神经网络(convolutional neural networks,cnn)子模型21对每一对话片段中的语义分词进行卷积计算，并根据对话片段中各个语义分词的分词向量计算得到每一对话片段的第一片段向量。
[0051]
在具体实施方式中，循环神经网络子模型22根据第一片段向量计算第二片段向量。第二片段向量包括第二片段向量1、第二片段向量2、
……
、第二片段向量n。
[0052]
在具体实施方式中，对话片段具有对话时间，按照时间排序将第一片段向量逐个轮次地输入循环神经网络(recurrent neural network,rnn)子模型22，循环神经网络子模型22的输入为当前轮次的第一片段向量以及前一轮次输出的第二片段向量，第二片段向量具有时间顺序信息和第一片段向量的信息。使用第二片段向量进行文本向量的计算，
[0053]
在具体实施方式中，计算模块23确定各个第二片段向量的语义权重，并根据各个
第二片段向量及其语义权重计算对话文本的文本向量，以根据对话文本的文本向量和用户特征向量计算各个对话文本的意向度。
[0054]
在具体实施方式中，计算模块23可以包括注意力模块231，可以采用注意力模块231确定各个第二片段向量的语义权重。由于第二片段向量中具有时间顺序信息和第一片段向量的信息，可以结合整个对话文本的内容以及各个第二片段向量的时间顺序信息确定语义权重，使得到的语义权重更加准确，能够精准地体现各个对话片段在对话文本中的语义重要性。具体地，可以对时间排序在后的对话片段较于时间排序在前的对话片段分配更高的语义权重，并且对对话内容具有肯定意愿或否定意愿的对话片段分配更高的语义权重。并且根据各个片段向量及其语义权重进行加权求和，以计算对话文本的文本向量，并根据文本向量计算文本向量的意向度。注意力模块231可以根据注意力(attention)机制确定各个第二片段向量的语义权重。
[0055]
进一步地，计算模块23使用多层感知器(multilayer perceptron,mlp)将用户特征信息转换为用户特征向量，并使用用户特征向量与文本向量共同进行意向度的计算。结合用户的年龄等基本属性对意向度进行计算，可以考虑到用户的基本属性对于意向度的影响，使意向度的计算结果更加准确。
[0056]
进一步地，在每轮训练结束后根据损失函数对卷积神经网络子模型21、循环神经网络子模型22和计算模块23进行反向传播，直至将用户意向预测模型20训练至收敛。
[0057]
在具体实施方式中，除了使用卷积神经网络子模和循环神经网络子模型进行用户意向预测模型的训练以外，还可以使用transformer模型进行用户意向预测模型的训练，现结合图3对另一种用户意向预测模型的训练过程进行详细说明。
[0058]
图3是本发明实施例提供的另一种用户意向预测模型的结构图。
[0059]
在具体实施方式中，用户意向预测模型30还可以包括向量计算模块301，向量计算模块301可以对对话文本进行处理并得到输入向量，并将输入向量输入至transformer模型31，以得到对话文本的文本向量。
[0060]
在具体实施方式中，用户意向预测模型30的训练集可以包括多个对话文本及其意向度、用户特征信息，训练集中对话文本的意向度包括意向度为0和意向度为1两种情况。
[0061]
在具体实施方式中，输入向量包括分词向量、轮次向量以及位置向量。其中，分词向量为对话片段中各个分词的向量表示，分词向量包括分词向量1、
……
、分词向量n；轮次向量为各个分词所属对话片段的时间排序的向量表示，轮次向量包括轮次向量1、
……
、轮次向量n；位置向量为各个分词在对话文本中位置的向量表示，位置向量包括位置向量1、
……
、位置向量n。由于transformer模型31无法做到循环神经网络子模型的迭代操作，因此需要输入各个分词所属对话片段的时间排序，使transformer模型31能够识别出各个对话片段的时间顺序关系。
[0062]
进一步地，将输入向量输入至transformer模型31中，根据transformer模型的自注意力(self-attention)机制，能够利用对话片段的时间顺序排序针对整个对话文本考虑各个分词之间的依赖关系，以确定分词所属的对话片段在对话文本中的语义重要性，对各个对话片段分配不同的语义权重。并根据各个对话片段不同的语义权重计算对话文本的文本向量，使用transformer模型能够考虑对话片段在整个对话文本中的语义重要性，准确地确定各个对话片段的语义权重，并且transformer模型的运算速度较快，能够提升意向度的
计算速度。
[0063]
在具体实施方式中，计算模块32根据对话文本的文本向量和用户特征向量计算各个对话文本的意向度。
[0064]
在具体实施方式中，计算模块32可以使用多层感知器(multilayer perceptron,mlp)将用户特征信息转换为用户特征向量，并使用用户特征向量与文本向量共同进行意向度的计算，使得到的意向度更加准确。
[0065]
进一步地，在每轮训练结束后根据损失函数对transformer模型31和计算模块32进行反向传播，直至将用户意向预测模型30训练至收敛。
[0066]
需要说明的是，用户意向预测模型的训练方法可以根据实际情况进行选择，本技术对此不作限制。
[0067]
在本实施例中，通过获取用户与对话目标的对话文本，能够确定对话文本中各个对话片段的语义重要性，找到在对话文本中能够体现用户主要语义的对话片段，并根据对话片段及其语义权重计算对话文本的意向度。同时，使用循环神经网络或者transformer模型参与用户意向预测模型的训练，使用户意向预测模型能够考虑各个片段在整个对话文本中的重要程度，使确定的语义权重更加准确。用户可以根据实际情况选择适合的用户意向预测模型训练方法，以达到更好的意向度预测效果。根据对话文本就能自动判断出用户购买商品的意向度，公司能够根据意向度对目标用户进行进一步推广，以增加产品的销量。
[0068]
如图4所示，本发明实施例还公开了一种意向度预测装置。意向度预测装置40包括：
[0069]
获取模块401，用于获取至少一个对话文本，每一对话文本包括多个对话片段，对话片段为对话文本中时间连续的至少一个句子；
[0070]
语义重要度确定模块402，用于确定每一对话文本中每一对话片段的语义重要度，不同对话片段具有不同语义重要度；
[0071]
意向度计算模块403，用于至少根据各个对话文本中每一对话片段的语义重要度计算各个对话文本的意向度。
[0072]
在具体实施中，上述意向度预测装置可以对应于终端设备中具有数据处理功能的芯片，例如soc(system-on-a-chip，片上系统)、基带芯片等；或者对应于终端设备中包括具有数据处理功能的芯片模组；或者对应于具有数据处理功能芯片的芯片模组，或者对应于终端设备。
[0073]
关于所述意向度预测装置40的工作原理、工作方式的更多内容，可以参照图1至图3中的相关描述，这里不再赘述。
[0074]
关于上述实施例中描述的各个装置、产品包含的各个模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。例如，对于应用于或集成于芯片的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实
现，该软件程序运行于芯片模组内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于终端的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于终端内同一组件(例如，芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于终端内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现。
[0075]
本发明实施例还公开了一种存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时可以执行图1至图3中所示方法的步骤。所述存储介质可以包括rom、ram、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
[0076]
本发明实施例还公开了一种终端设备，所述终端设备可以包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时可以执行图1至图3中所示方法的步骤。
[0077]
本技术实施例中出现的“多个”是指两个或两个以上。
[0078]
本技术实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本技术实施例中对设备个数的特别限定，不能构成对本技术实施例的任何限制。
[0079]
应理解，本技术实施例中，所述处理器可以为中央处理单元(central processing unit，简称cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0080]
还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称rom)、可编程只读存储器(programmable rom，简称prom)、可擦除可编程只读存储器(erasable prom，简称eprom)、电可擦除可编程只读存储器(electrically eprom，简称eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，简称ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称ram)可用，例如静态随机存取存储器(static ram，简称sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，简称sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，简称ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，简称esdram)、同步连接动态随机存取存储器(synchlink dram，简称sldram)和直接内存总线随机存取存储器(direct rambus ram，简称dr ram)。
[0081]
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机
指令或计算机程序时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以为通用计算机、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个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、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器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取的任何可用介质或者是包含一个或多个可用介质集合的服务器、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。半导体介质可以是固态硬盘。
[0082]
应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0083]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的；例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0084]
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单元来实现本实施例方案的目的。
[0085]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0086]
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，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，服务器，或者网络设备等)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0087]
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。