一种确定中文语义的方法、装置、计算机存储介质及终端与流程

1.本文涉及但不限于文本信息处理技术，尤指一种确定中文语义的方法、装置、计算机存储介质及终端。


背景技术：

2.缩略词识别是中文信息处理领域研究中的非常重要的一个方面。随着科技的快速发展，各领域的术语层出不穷，由于领域专业术语全称通常较长，专业人员在科技文献、技术报告、普及演讲中更倾向于使用缩略词对专业术语进行表示；然而对于不了解该领域的用户，要读懂含有专业术语缩略词的文本语句是十分不易的；另外，不同领域的缩略词有时会采用相通的表达形式，即一个缩略语对应不同的专业术语全称，这又增加了非专业技术人员在互联网对该缩略词进行检索以理解其含义的难度。如何设计术语缩略词识别方法对相同表示的缩略词在不同的行业领域进行准确地识别，对于非专科人员阅读与理解该领域的文本报告十分有意义。
3.目前，对于缩略词识别技术的研究往往集中在相同的语言领域，即中文缩略语识别中文全称，英文缩略语识别英文全称。然而，随着信息的发展与科技的交流，在中文语句中往往开始采用英文缩略词对专业术语进行表示，如何对中文语句中的英文缩略词进行中文语义的识别，以避免在不同领域采用相同的英文缩略词时造成的中文语义混淆的问题，是中文信息处理领域研究中的一个空白。


技术实现要素：

4.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
5.本发明实施例提供一种确定中文语义的方法、装置、计算机存储介质及终端，能够对中文语句中的英文缩略词进行中文语义识别。
6.本发明实施例提供了一种确定中文语义的方法，包括：
7.通过预设的第一模型对包含英文缩略词的第一中文语句进行处理，获得第一中文语句的第一词向量表示和其中英文缩略词的第一位置，以及，确定所述英文缩略词的第二词向量表示；
8.根据所述第一位置对第一中文语句进行掩码，并根据所述第一词向量表示确定第一位置被掩码后的第一中文语句的第一位置掩码嵌入表示；
9.通过预设的第二模型对所述第一位置掩码嵌入表示与所述第二词向量表示进行处理，获得第一位置的英文对应的中文语义的第一中文语义嵌入表示；
10.通过预设的第三模型对预先获得的中文语义被掩码的第一中文语句进行处理，获得中文语义位置对应的第二中文语义嵌入表示；
11.根据所述第一中文语义嵌入表示与第二中文语义嵌入表示的相似度，对第二模型和第三模型进行优化；
12.根据第一模型、优化后的第二模型和第三模型，构建语义识别模型；
13.根据构建的语义识别模型对待分析中文语句进行处理，以确定待分析中文语句中英文缩略词的中文语义；
14.其中，所述第一位置掩码嵌入表示为：所述第一词向量表示中所述第一位置被掩码后的嵌入表示。
15.另一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述确定中文语义的方法。
16.再一方面，本发明实施例还提供一种终端，包括：存储器和处理器，所述存储器中保存有计算机程序；其中，
17.处理器被配置为执行存储器中的计算机程序；
18.所述计算机程序被所述处理器执行时实现如上述确定中文语义的方法。
19.还一方面，本发明实施例还提供一种确定中文语义的装置，包括：第一模型单元、掩码处理单元、第二模型单元、第三模型单元、协同训练单元、构建单元和确定单元；其中，
20.第一模型单元设置为：通过预设的第一模型对包含英文缩略词的第一中文语句进行处理，获得第一中文语句的第一词向量表示和其中英文缩略词的第一位置，以及，确定所述英文缩略词的第二词向量表示；
21.掩码处理单元设置为：根据所述第一位置对第一中文语句进行掩码，并根据所述第一词向量表示确定第一位置被掩码后的第一中文语句的第一位置掩码嵌入表示；
22.第二模型单元设置为：通过预设的第二模型对所述第一位置掩码嵌入表示与所述第二词向量表示进行处理，获得第一位置的英文对应的中文语义的第一中文语义嵌入表示；
23.第三模型单元设置为：通过预设的第三模型对预先获得的中文语义被掩码的第一中文语句进行处理，获得中文语义位置对应的第二中文语义嵌入表示；
24.协同训练单元设置为：根据所述第一中文语义嵌入表示与第二中文语义嵌入表示的相似度，对第二模型和第三模型进行优化；
25.构建单元设置为：根据第一模型、优化后的第二模型和第三模型，构建语义识别模型；
26.确定单元设置为：根据构建的语义识别模型对待分析中文语句进行处理，以确定待分析中文语句中英文缩略词的中文语义；
27.其中，所述第一位置掩码嵌入表示为：所述第一词向量表示中所述第一位置被掩码后的嵌入表示。
28.本技术技术方案包括：通过预设的第一模型对包含英文缩略词的第一中文语句进行处理，获得第一中文语句的第一词向量表示和其中英文缩略词的第一位置，以及，确定所述英文缩略词的第二词向量表示；根据所述第一位置对第一中文语句进行掩码，并根据所述第一词向量表示确定第一位置被掩码后的第一中文语句的第一位置掩码嵌入表示；通过预设的第二模型对所述第一位置掩码嵌入表示与所述第二词向量表示进行处理，获得第一位置的英文对应的中文语义的第一中文语义嵌入表示；通过预设的第三模型对预先获得的中文语义被掩码的第一中文语句进行处理，获得中文语义位置对应的第二中文语义嵌入表示；根据所述第一中文语义嵌入表示与第二中文语义嵌入表示的相似度，对第二模型和第
三模型进行优化；根据第一模型、优化后的第二模型和第三模型，构建语义识别模型；根据构建的语义识别模型对待分析中文语句进行处理，以确定待分析中文语句中英文缩略词的中文语义；其中，所述第一位置掩码嵌入表示为：所述第一词向量表示中所述第一位置被掩码后的嵌入表示。本发明实施例由第一模型、第二模型和第三模型，构建了用于语义识别的语义识别模型，基于构建的语义识别模型实现了对待分析的待分析中文语句中的英文缩略词的中文语义分析，避免了解读待分析中文语句中的英文缩略词时，因为包含多种中文语义而发生解读混淆的情况。
29.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
30.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
31.图1为本发明实施例确定中文语义的方法的流程图；
32.图2为本发明实施例确定中文语义的装置的结构框图；
33.图3为本发明应用示例中文语义识别的处理流程图。
具体实施方式
34.为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
35.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。
36.图1为本发明实施例确定中文语义的方法的流程图，如图1所示，包括：
37.步骤101、通过预设的第一模型对包含英文缩略词的第一中文语句进行处理，获得第一中文语句的第一词向量表示和其中英文缩略词的第一位置，以及，确定英文缩略词的第二词向量表示；
38.在一种示例性实例中，第一中文语句为从预先设定的一个以上渠道预先收集的中文语句；第一中文语句中包含中文语义和对应的英文缩略词；同一英文缩略词在不同应用场景的中文语句中，对应不同的中文语义；本发明实施例可以根据第一中文语句构建用于模型训练的训练数据集；训练数据集可以参照相关技术存储为语料库。
39.步骤102、根据第一位置对第一中文语句的进行掩码(mask)，并根据第一词向量表示确定第一位置被掩码后的第一中文语句的第一位置掩码嵌入(embedding)表示；
40.步骤103、通过预设的第二模型第一位置掩码嵌入表示与第二词向量表示进行处理，获得第一位置的英文对应的中文语义的第一中文语义嵌入表示；
41.步骤104、通过预设的第三模型对预先获得的中文语义被掩码的第一中文语句进行处理，获得中文语义位置对应的第二中文语义嵌入表示；
42.步骤105、根据第一中文语义嵌入表示与第二中文语义嵌入表示的相似度，对第二模型和第三模型进行优化；
43.步骤106、根据第一模型、优化后的第二模型和第三模型，构建的语义识别模型；
44.步骤107、根据构建的语义识别模型对待分析中文语句进行处理，以确定待分析中文语句中英文缩略词的中文语义；
45.其中，第一位置掩码嵌入表示为词向量表示中第一位置被掩码后的嵌入表示。
46.本发明实施例由第一模型、第二模型和第三模型，构建了用于语义识别的语义识别模型，基于构建的语义识别模型实现了对待分析中文语句中的英文缩略词的中文语义分析，避免了解读待分析中文语句中的英文缩略词时，因为包含多种中文语义而发生解读混淆的情况。
47.在一种示例性实例中，本发明实施例第一模型包括由第一知识增强语义表示模型(ernie)组成的第一ernie层。
48.在一种示例性实例中，本发明实施例第二模型包括由第二ernie组成的第二ernie层。
49.在一种示例性实例中，本发明实施例第三模型包括由第三ernie组成的第三ernie层。
50.需要说明的是，本发明实施例训练获得语义识别模型后，可以通过获得的语义识别模型对待分析中文语句进行处理，语义识别模型仅进行一次训练即可。
51.为便于理解本发明实施例，本发明实施例对知识增强语义表示模型(ernie，enhanced representation from knowledge integration)简要说明，ernie是一种自然语言处理(nlp)预训练语言模型，其在基于转换器的双向编码表征(bert，bidirectional encoder representation from transformers)模型结构的基础上，改进掩码语言模型，从基础层(basic-level)、实体层(entity-level)、进阶层(phase-level)三个层次对输入字符(token)进行掩码；采用多源数据语料训练如百科类、新闻资讯类、论坛对话类数据对模型进行预训练；并引入持续多任务学习的概念，从如何组织单词之间的词法关系、如何组织句子之间的句法关系以及如何组织文本语义块之间的语义关系三类构建任务对语言模型进行预训练；ernie可提升nlp任务的效果；本发明实施例引用ernie对中文语句进行embedding，实现了中文语句和英文缩略词的词向量表示，为实现英文缩略词的中文语义的识别提供网络支持。
52.本发明实施例由包含知识增强语义表示模型(ernie)的第一模型、第二模型和第三模型，构建了用于语义识别的语义识别模型，基于构建的语义识别模型中的ernie，实现了对待分析中文语句中的英文缩略词的中文语义分析，避免了解读待分析中文语句中的英文缩略词时，因为包含多种中文语义而发生解读混淆的情况。
53.在一种示例性实例中，本发明实施例第一模型包括：第一ernie层、双向长短时记忆(bi-lstm)层、全连接层以及归一化层；其中，
54.第一ernie层用于：对第一中文语句进行分词与嵌入编码，获得第一词向量表示；
55.bi-lstm层用于：对获得的第一词向量表示组成的进行特征映射，获得特征表示序列；
56.全连接层用于：将获得的特征表示序列转化为一维向量；
57.归一化层用于：根据全连接层转化获得的一维向量对第一中文语句中的英文缩略词的位置进行预测，以获得第一位置。
58.在一种示例性实例中，本发明实施例第一模型还包括第一输入层，用于将输入的第一中文语句发往第一ernie层。
59.需要说明的是，归一化层又称为softmax回归层，是本领域技术人员公知的分类器，属于黑箱模型，其获得第一位置的功能为softmax回归层本身具有的功能，在此不做赘述。
60.在一种示例性实例中，本发明实施例可以参照相关原理确定第一模型的参数。在一种示例性实例中，本发明实施例可以以英文缩略词在第一中文语句中的实际位置为标签，采用softmax回归层预测得到第一位置与上述实际位置的交叉熵为损失函数，调制第一ernie层的参数；在一种示例性实例中，本发明实施例对bi-lstm、全连接层与softmax回归层的参数进行迭代训练，以确定第一模型的相关参数。
61.在一种示例性实例中，本发明实施例第二ernie层用于：
62.根据第一位置掩码嵌入表示与第二词向量表示，对第一位置的中文语义进行嵌入表示预测，以获得第一中文语义嵌入表示。
63.在一种示例性实例中，本发明实施例第二模型还包括第二输入层，用于：接收第一位置掩码嵌入表示和第二词向量表示。
64.在一种示例性实例中，本发明实施例第二词向量表示可以包括采用独热(one-hot)编码获得的词向量表示，包括：对每个字母分别通过英文26个字母的位置构建one-hot编码，并对构建的one-hot编码进行拼接，以获得第二词向量表示。
65.在一种示例性实例中，本发明实施例第二模型还包括第二输出层，用于：输出第二ernie层获得的第一中文语义嵌入表示。
66.在一种示例性实例中，本发明实施例第三ernie层用于：
67.对中文语义被掩码的第一中文语句进行嵌入表示预测，以获得第二中文语义嵌入表示。
68.在一种示例性实例中，本发明实施例第三模型还包括第三输入层，用于：接收输入的中文语义被掩码的第一中文语句。
69.在一种示例性实例中，本发明实施例第三模型还包括第三输出层，用于：输出第二中文语义嵌入表示。
70.在一种示例性实例中，本发明实施例根据获得的第一中文语义嵌入表示与第二中文语义嵌入表示的相似度，对第二模型和第三模型进行优化，包括：
71.根据相似度设置损失函数；
72.根据设置的损失函数对第二模型和第三模型进行训练。
73.根据相似度设置损失函数；
74.对第二模型和第三模型进行迭代训练，以确定最小化的损失函数；
75.将确定最小化损失函数时第二模型和第三模型的参数，确定为第二模型和第三模型的参数。
76.需要说明的是，最小化损失函数的参数确定，可以参照相关技术实施，本发明实施例不做赘述。
77.在一种示例性实例中，本发明实施例根据构建的语义识别模型对待分析中文语句进行处理，包括：
78.根据第一中文语句中包含的英文缩略词，构建语料库；
79.判断出构建的语料库中包含待分析中文语句中的英文缩略词时，通过语义识别模型中的第一模型对待分析中文语句进行处理，获得待分析中文语句的第三词向量表示和待分析中文语句中的英文缩略词的第二位置；
80.根据获得的第二位置对待分析中文语句的英文缩略词进行掩码处理，获得第二位置被掩码后的第三中文语义嵌入表示；
81.将得到的第三中文语义嵌入表示与第三词向量表示进行拼接后，输入至语义识别模型中的第三模型，以确定待分析中文语句的第二位置的中文语义的第四中文语义嵌入表示；
82.对待分析中文语句中包含的英文缩略词，确定预先构建的嵌入表示库中包含的与该英文缩略词对应的所有第五中文语义嵌入表示；
83.计算确定的第四中文语义嵌入表示、与确定的每一个第五中文语义嵌入表示的相似度，并将相似度最大的第五中文语义确定为待分析中文语句中的英文缩略词的中文语义；
84.其中，嵌入表示库包括预先确定的：一个以上英文缩略词，及各英文缩略词对应的第五中文语义嵌入表示。
85.在一种示例性实例中，本发明实施例构建的语料库中不包含待分析中文语句中的英文缩略词时，本发明实施例方法还包括：存储待分析中文语句，根据存储的待分析中文语句对语义识别模型进行训练更新。
86.本发明实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机程序，计算机程序被处理器执行时实现上述确定中文语义的方法。
87.本发明实施例还提供一种终端，包括：存储器和处理器，存储器中保存有计算机程序；其中，
88.处理器被配置为执行存储器中的计算机程序；
89.计算机程序被处理器执行时实现如上述确定中文语义的方法。
90.图2为本发明实施例确定中文语义的装置的结构框图，如图2所示，包括：第一模型单元、掩码处理单元、第二模型单元、第三模型单元、协同训练单元、构建单元和确定单元；其中，
91.第一模型单元设置为：通过预设的第一模型对包含英文缩略词的第一中文语句进行处理，获得第一中文语句的第一词向量表示和其中英文缩略词的第一位置，以及，确定英文缩略词的第二词向量表示；
92.掩码处理单元设置为：根据第一位置对第一中文语句的进行掩码，并根据第一词向量表示确定第一位置被掩码后的第一中文语句的第一位置掩码嵌入表示；
93.第二模型单元设置为：通过预设的第二模型第一位置掩码嵌入表示与第二词向量表示进行处理，获得第一位置的英文对应的中文语义的第一中文语义嵌入表示；
94.第三模型单元设置为：通过预设的第三模型对预先获得的中文语义被掩码的第一中文语句进行处理，获得中文语义位置对应的第二中文语义嵌入表示；
95.协同训练单元设置为：根据第一中文语义嵌入表示与第二中文语义嵌入表示的相似度，对第二模型和第三模型进行优化；
96.构建单元设置为：根据第一模型、优化后的第二模型和第三模型，构建的语义识别模型；
97.确定单元设置为：根据构建的语义识别模型对待分析中文语句进行处理，以确定待分析中文语句中英文缩略词的中文语义；
98.其中，第一位置掩码嵌入表示为词向量表示中第一位置被掩码后的嵌入表示。
99.本发明实施例由第一模型、第二模型和第三模型，构建了用于语义识别的语义识别模型，基于构建的语义识别模型实现了对待分析中文语句中的英文缩略词的中文语义分析，避免了解读待分析中文语句中的英文缩略词时，因为包含多种中文语义而发生解读混淆的情况。
100.在一种示例性实例中，本发明实施例第一模型包括由第一知识增强语义表示模型(ernie)组成的第一ernie层。
101.在一种示例性实例中，本发明实施例第二模型包括由第二ernie组成的第二ernie层。
102.在一种示例性实例中，本发明实施例第三模型包括由第三ernie组成的第三ernie层。
103.在一种示例性实例中，本发明实施例第一模型包括：第一ernie层、双向长短时记忆(bi-lstm)层、全连接层以及归一化层；其中，
104.第一ernie层用于：对第一中文语句进行分词与嵌入编码，获得第一词向量表示；
105.bi-lstm层用于：对获得的第一词向量表示组成的进行特征映射，获得特征表示序列；
106.全连接层用于：将获得的特征表示序列转化为一维向量；
107.归一化层用于：根据全连接层转化获得的一维向量对第一中文语句中的英文缩略词的位置进行预测，以获得第一位置。
108.在一种示例性实例中，本发明实施例第一模型还包括第一输入层，用于将输入的第一中文语句发往第一ernie层。
109.在一种示例性实例中，本发明实施例第二ernie层用于：
110.根据第一位置掩码嵌入表示与第二词向量表示，对第一位置的中文语义进行嵌入表示预测，以获得第一中文语义嵌入表示。
111.在一种示例性实例中，本发明实施例第二模型还包括第二输入层，用于：接收第一位置掩码嵌入表示和第二词向量表示。
112.在一种示例性实例中，本发明实施例第二模型还包括第二输出层，用于：输出第二ernie层获得的第一中文语义嵌入表示。
113.在一种示例性实例中，本发明实施例第三ernie层用于：
114.对中文语义被掩码的第一中文语句进行嵌入表示预测，以获得第二中文语义嵌入表示。
115.在一种示例性实例中，本发明实施例第三模型还包括第三输入层，用于：接收输入的中文语义被掩码的第一中文语句。
116.在一种示例性实例中，本发明实施例第三模型还包括第三输出层，用于：输出第二中文语义嵌入表示。
117.在一种示例性实例中，本发明实施例协同训练单元是设置为：
118.根据相似度设置损失函数；
119.对第二模型和第三模型进行迭代训练，以确定最小化的损失函数；
120.将确定最小化损失函数时第二模型和第三模型的参数，确定为第二模型和第三模型的参数。
121.在一种示例性实例中，本发明实施例确定单元是设置为：
122.根据第一中文语句中包含的英文缩略词，构建语料库；
123.判断出构建的语料库中包含待分析中文语句中的英文缩略词时，通过语义识别模型中的第一模型对待分析中文语句进行处理，获得待分析中文语句的第三词向量表示和待分析中文语句中的英文缩略词的第二位置；
124.根据获得的第二位置对待分析中文语句的英文缩略词进行掩码处理，获得第二位置被掩码后的第三中文语义嵌入表示；
125.将得到的第三中文语义嵌入表示与第三词向量表示进行拼接后，输入至语义识别模型中的第三模型，以确定待分析中文语句的第二位置的中文语义的第四中文语义嵌入表示；
126.对待分析中文语句中包含的英文缩略词，确定预先构建的嵌入表示库中包含的与该英文缩略词对应的所有第五中文语义嵌入表示；
127.计算确定的第四中文语义嵌入表示、与确定的每一个第五中文语义嵌入表示的相似度，并将相似度最大的第五中文语义确定为待分析中文语句中的英文缩略词的中文语义；
128.其中，嵌入表示库包括预先确定的：一个以上英文缩略词，及各英文缩略词对应的第五中文语义嵌入表示。
129.以下通过应用示例对本发明实施例进行简要说明，应用示例仅用于陈述本发明实施例，并不用于限定本发明实施例的保护范围。
130.应用示例
131.本应用示例提供了一种基于深度学习的英文缩略词中文语义识别方法，该方法基于ernie对带有英文缩略词的中文语句进行embedding编码获得词向量表示、构建英文缩略词对应位置识别模型(本发明实施例中的第一模型)、构建英文缩略词对应位置的中文语义embedding表示模型(本发明实施例中的第二模型)以及构建英文缩略词对应的中文语义embedding表示模型(本发明实施例中的第二模型)；基于预先构建英文缩写对应中文语义的embedding表示库(本发明实施例中的嵌入表示库)，通过相似度计算匹配对不同待分析中文语句中的英文缩略词进行中文语义识别。本应用示例能够对相同的英文缩略词根据其在原句中上下文语义进行不同中文语义的识别，以解决在不同领域采用相同的英文缩略词时造成的中文语义混淆的问题。
132.图3为本发明应用示例中文语义识别的处理流程图，如图3所示，包括：
133.构建语料库；包括：根据第一中文语句中包含的英文缩略词，构建语料库，语料库中中各英文缩略词对应一个以上中文语义；本发明实施例第一中文语句包括从预先确定的
一个以上渠道收集文本数据，同一英文缩略词在不同应用场景会对应的不同的中文语义解释。
134.构建英文缩略词对应位置识别模型；本应用示例第一中文语句输入英文缩略词对应位置识别模型，对输入的第一中文语句进行处理，可以获得第一词向量表示和第一中文语句中的英文缩略词的第一位置；
135.构建英文缩略词对应位置的中文语义embedding表示模型；本应用示例英文缩略词对应位置的中文语义embedding表示模型的输入包括：第一位置被掩码后的第一位置掩码嵌入表示和预先确定的第一中文语句中的英文缩略词的第二词向量表示；经由第二ernie处理后，获得第一位置的中文语义的第一中文语义嵌入表示；其中，第一位置被掩码后的第一位置掩码嵌入表示根据英文缩略词对应位置识别器获得的第一词向量表示和第一位置处理获得；
136.构建英文缩略词对应的中文语义embedding表示模型；本应用示例英文缩略词对应的中文语义embedding表示模型的输入为：预先获得的中文语义被掩码的第一中文语句，输出为：中文语义位置对应的第二中文语义嵌入表示；
137.协同训练构建英文缩写对应位置的中文语义embedding表示模型和构建英文缩略词对应的中文语义embedding表示模型；本应用示例根据第一中文语义嵌入表示与第二中文语义嵌入表示进行协同训练；
138.在一种示例性实例中，本应用示例上述处理通过离线训练方式实施。
139.构建英文缩略词对应中文语义的embedding表示库；在一种示例性实例中，本应用示例可以由本领域技术人员根据英文缩略词和英文缩略词在各应用场景中对应的中文语义，构建embedding表示库。
140.对待分析中文语句中的英文缩略词进行中文语义识别。本应用示例获得由第一模型、参数确定的第二模型和第三模型组成的语义识别模型之后，将待分析中文语句输入语义识别模型中进行处理，获得待分析中文语句中包含的英文缩略词的中文语义。
141.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。