视频热度预测方法、装置、计算设备及存储介质与流程

1.本技术涉及数据处理技术领域，具体涉及一种视频热度预测方法、装置、计算设备及存储介质。


背景技术：

2.视频热度反映了视频的受欢迎程度，对视频热度进行量化便于对视频分析以及开展后续工作。目前存在多种针对视频热度的量化方式，不同的量化方式在量化特征和时间粒度等方面存在差异。不同的量化特征和时间粒度并不存在绝对的优劣，根据使用场景的不同各自有优缺点，因此应当根据实际业务场景调整视频热度的量化方式。
3.在一些业务场景中，需要预判一个视频是否会成为热门视频以便决策是否对视频提前做处理，而不是等到视频热度已经比较高的时候再做处理，但是，现有技术无法快速且准确地预测视频热度。


技术实现要素：

4.本技术实施例的目的是提供一种视频热度预测方法、装置、计算设备及存储介质，以解决现有技术无法快速且准确地预测视频热度的问题。
5.根据本技术的一个方面，提供了一种视频热度预测方法，包括：
6.获取待测视频在当前时间片内的播放特征数据；
7.根据当前时间片的播放特征数据及当前时间片对应的热度模型，确定待测视频在当前时间片的热度得分；其中，任一时间片对应的热度模型通过该时间片的样本数据预先训练得到；
8.根据至少一个时间片的热度得分与热度阈值的比较结果，确定待测视频的热度预测结果，确定待测视频的热度预测结果。
9.可选地，根据至少一个时间片的热度得分与热度阈值的比较结果，确定待测视频的热度预测结果，确定待测视频的热度预测结果包括：
10.若连续预设数量的时间片的比较结果均为热度得分超过热度阈值，得到标识待测视频为热门视频的热度预测结果。
11.可选地，方法进一步包括：
12.若待测视频的热度预测结果标识待测视频为热门视频，对待测视频进行转码处理。
13.可选地，获取待测视频在当前时间片内的播放特征数据包括：
14.若当前时间片处于待测视频发布之后的预设时段内，获取待测视频在当前时间片内的播放特征数据。
15.可选地，方法进一步包括：
16.采集样本视频，对样本视频进行热度标签的样本标定处理；
17.获取样本视频在发布后预设时段内各个时间片的播放特征样本数据；
18.根据每个时间片的播放特征样本数据和样本视频的样本标定结果，进行机器学习训练，得到训练后的每个时间片对应的热度模型。
19.可选地，在得到训练后的每个时间片对应的热度模型之后，方法还包括：
20.提取热度标签为正值的多个正样本视频；
21.对于任一时间片，获取该时间片对应的热度模型中各个特征维度的参数权重；
22.根据该时间片对应的各个特征维度的参数权重以及多个正样本视频在该时间片内的各个特征维度的播放特征均值数据，进行加权计算，得到该时间片的热度阈值。
23.可选地，根据当前时间片的播放特征数据及当前时间片对应的热度模型，确定待测视频在当前时间片的热度得分包括：
24.根据当前时间片对应的热度模型中各个特征维度的参数权重以及待测视频在当前时间片内的各个特征维度的播放特征数据，进行加权计算，得到待测视频在当前时间片的热度得分。
25.可选地，方法进一步包括：
26.将各个样本视频的任一特征维度组合所包含的至少一个特征维度的播放特征样本数据进行聚类处理，确定聚类结果满足预设条件时所对应的目标特征维度组合；
27.获取待测视频在当前时间片内的播放特征数据进一步包括：
28.获取待测视频在当前时间片内的目标特征维度组合所包含的至少一个特征维度的播放特征数据。
29.可选地，预设条件具体为：聚类结果中的第一分类和第二分类的类内距离最小且类间距离最大。
30.可选地，至少一个特征维度包括以下中的至少一个：播放数据维度、点赞数据维度、转发数据维度、收藏数据维度、奖励数据维度。
31.可选地，方法进一步包括：记录待测视频在当前时间片的热度得分与当前时间片的热度阈值的比较结果。
32.根据本技术的另一方面，提供了一种视频热度预测装置，装置包括：
33.数据获取模块，适于获取待测视频在当前时间片内的播放特征数据；
34.热度处理模块，适于根据当前时间片的播放特征数据及当前时间片对应的热度模型，确定待测视频在当前时间片的热度得分；其中，任一时间片对应的热度模型通过时间片的样本数据预先训练得到；
35.结果检测模块，适于根据至少一个时间片的热度得分与热度阈值的比较结果，确定待测视频的热度预测结果，确定待测视频的热度预测结果。
36.可选地，结果检测模块进一步适于：若连续预设数量的时间片的比较结果均为热度得分超过热度阈值，得到标识待测视频为热门视频的热度预测结果。
37.可选地，装置还包括：转码模块，适于若待测视频的热度预测结果标识待测视频为热门视频，对待测视频进行转码处理。
38.可选地，数据获取模块进一步适于：若当前时间片处于待测视频发布之后的预设时段内，获取待测视频在当前时间片内的播放特征数据。
39.可选地，装置还包括：模型训练模块，适于采集样本视频，对样本视频进行热度标签的样本标定处理；获取样本视频在发布后预设时段内各个时间片的播放特征样本数据；
根据每个时间片的播放特征样本数据和样本视频的样本标定结果，进行机器学习训练，得到训练后的每个时间片对应的热度模型。
40.可选地，装置还包括：阈值处理模块，适于提取热度标签为正值的多个正样本视频；对于任一时间片，获取该时间片对应的热度模型中各个特征维度的参数权重；根据该时间片对应的各个特征维度的参数权重以及多个正样本视频在该时间片内的各个特征维度的播放特征均值数据，进行加权计算，得到该时间片的热度阈值。
41.可选地，热度处理模块进一步适于：根据当前时间片对应的热度模型中各个特征维度的参数权重以及待测视频在当前时间片内的各个特征维度的播放特征数据，进行加权计算，得到待测视频在当前时间片的热度得分。
42.可选地，装置还包括：聚类模块，适于将各个样本视频的任一特征维度组合所包含的至少一个特征维度的播放特征样本数据进行聚类处理，确定聚类结果满足预设条件时所对应的目标特征维度组合；
43.则数据获取模块进一步适于：获取待测视频在当前时间片内的目标特征维度组合所包含的至少一个特征维度的播放特征数据。
44.可选地，预设条件具体为：聚类结果中的第一分类和第二分类的类内距离最小且类间距离最大。
45.可选地，至少一个特征维度包括以下中的至少一个：播放数据维度、点赞数据维度、转发数据维度、收藏数据维度、奖励数据维度。
46.可选地，装置进一步包括：记录模块，适于记录待测视频在当前时间片的热度得分与当前时间片的热度阈值的比较结果。
47.根据本技术的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
48.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述视频热度预测方法对应的操作。
49.根据本技术的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述视频热度预测方法对应的操作。
50.根据本技术的视频热度预测方法、装置、计算设备及存储介质，提供了一种基于机器学习与统计学的实时预测视频热度的方法，一方面，通过对样本视频的各个特征维度的播放特征数据组合成不同特征维度组合的播放特征数据，在每一个特征维度组合下，对各个样本视频的相应特征维度的播放特征数据进行聚类处理，衡量各个特征维度组合下的聚类效果，确定聚类效果最好的特征维度组合，即得到区分视频热门与不热门的有效特征组合，有助于提升视频热度量化的准确性；再一方面，获取样本视频的播放特征样本数据并对样本视频标定热度标签，针对于每一个时间片，利用该时间片内的播放样本特征数据以及相应样本视频的热度标签标定结果训练得到该时间片对应的热度模型，根据热度模型中各个特征维度的参数权重以及各个样本视频在各个特征维度的播放特征均值，进行加权计算，得到该时间片的热度阈值，能够准确地设定个时间片上的热度阈值；进一步地，利用热度模型中各个特征维度的参数权重以及待测视频的各个维度的播放特征数据，进行加权计算，得到待测视频在该时间片的热度得分，能够实现以时间片为粒度的、实时的视频热度量化；进一步地，结合多个时间片的热度阈值和热度得分的比较结果，最终确定待测视频是否
会成为热门视频，能够提升视频热度预测的速度和准确度，有利于提高带宽收益以及降低算力成本；进一步地，一旦判定待测视频为热门视频，则对该待测视频进行转码处理，相比于等到待测视频的实际热度较高再进行转码的方式，能够快速地对热门视频进行转码，避免热度较高时再进行转码导致拉流速度慢等问题。
51.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
52.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
53.图1示出了本技术实施例提供的视频热度预测方法的流程图；
54.图2示出了本技术另一实施例提供的视频热度预测方法的流程图；
55.图3示出了本技术实施例提供的视频热度预测装置的结构示意图；
56.图4示出了本技术实施例提供的计算设备的结构示意图。
具体实施方式
57.下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
58.首先，对本技术一个或多个实施例涉及的名词术语进行解释。
59.视频热度：视频受欢迎程度的量化结果。
60.时间片：指定时间长度的时段。
61.机器学习：一门致力于如何通过计算的手段，利用经验来改善系统自身性能的学科，所研究的主要内容是关于在计算机上从数据中产生“模型”的算法，即学习算法。
62.视频转码：对视频进行编码，实现视频数据压缩，常见的编码标准有jpeg、mjpeg、h264、h265、av1等等。
63.图1示出了本技术实施例提供的视频热度预测方法的流程图，该方法应用于任意具有计算能力的设备中。如图1所示，该方法包括以下步骤：
64.步骤s110，获取待测视频在当前时间片内的播放特征数据。
65.在待测视频发布之后，以时间片为粒度，获取待测视频在每一个时间片内的播放特征数据。时间片是具有指定时长的时段，比如，假设时间片的时间长度为t分钟，待测视频发布之后的第一个t分钟时段则为第一个时间片、第二个t分钟时段则为第二个时间片
…
以此类推，当然除了以固定时段划分等长时间片的方式之外，还可以采取其他方式划分时间片，比如划定距离视频发布时间越近的时间片的时长越短、距离视频发布时间越远的时间片的时长越长，本技术对此不做限定。
66.其中，播放特征数据是指能够表征视频的受欢迎程度的特征数据，具体是根据视
频的各个类型的用户交互记录数据而确定，例如统计播放记录而确定播放量、统计点赞记录而确定的点赞量、统计转发记录而确定的转发量等等，本实施例中可以获取一个或多个特征维度的播放特征数据用于预测待测视频是否为热门视频。
67.通过获取待测视频在当前时间片内的播放特征数据，预测待测视频在当前时间片的热度得分，能够实现以时间片为粒度、实时的视频热度预测。
68.步骤s120，根据当前时间片的播放特征数据及当前时间片对应的热度模型，确定待测视频在当前时间片的热度得分。
69.其中，任一时间片对应的热度模型通过该时间片的样本数据预先训练得到。每一个时间片都具有相应的热度模型，预先通过该时间片内的正负样本数据采用机器学习算法训练得到。
70.若获取到待测视频发布之后的第n个时间片内的播放特征数据，则根据第n个时间片内的播放特征数据以及第n个时间片对应的热度模型，确定待测视频在第n个时间片的热度得分，比如，将播放特征数据作为热度模型的输入，热度模型计算后输出热度得分。
71.步骤s130，根据至少一个时间片的热度得分与热度阈值的比较结果，确定待测视频的热度预测结果，确定待测视频的热度预测结果。
72.每一个时间片具有相应的热度阈值，热度阈值是根据样本数据而设定的。比较待测视频在当前时间片的热度得分与当前时间片的热度阈值的大小，比较结果为热度得分超过热度阈值或者热度得分未超过热度阈值。
73.根据至少一个时间片的热度得分与热度阈值的比较结果，确定用于标识待测视频是否为热门视频的热度预测结果。比如，连续多个时间片的比较结果均为热度得分超过热度阈值，则判定待测视频为热门视频。
74.根据本实施例所提供的视频热度预测方法，获取待测视频在当前时间片内的播放特征数据，并根据当前时间片内的播放特征数据及当前时间片的热度模型，确定待测视频在当前时间片的热度得分，通过上述方式，能够实现以时间片为粒度的、实时的视频热度量化；根据至少一个时间片的热度得分与热度阈值的比较结果综合判定待测视频是否为热门视频，通过发布之后短时间内的播放特征数据预测待测视频是否会是热门视频，能够提升视频热度预测的速度和准确度，能够尽早且准确地完成视频热度预测。
75.图2示出了本技术另一实施例提供的视频热度预测方法的流程图，该方法应用于任意具有计算能力的设备中。如图2所示，该方法包括以下步骤：
76.步骤s210，采集样本视频，对样本视频进行热度标签的样本标定处理。
77.采集多个样本视频，具体可以从发布到视频平台的视频中筛选样本视频。根据每一个样本视频是否为热门视频进行热度标签的样本标定处理，具体地，若样本视频为热门视频，则将其标定为正样本视频、热度标签标定为正值1，若样本视频不是热门视频，则将其标定为负样本视频、热度标签标定为0。
78.步骤s220，获取样本视频在发布后预设时段内各个时间片的播放特征样本数据。
79.预设时段以样本视频的发布时间为起始时间，时长为预设时长，并且，预设时段包含连续的多个指定时长的时间片。
80.获取样本视频在发布之后预设时段的每一个时间片内的播放特征样本数据，具体获取多个特征维度的播放特征数据，特征维度有：播放数据维度、点赞数据维度、转发数据
维度、收藏数据维度、奖励数据维度。
81.在一种可选的方式中，在步骤s220之前还包括如下步骤：将各个样本视频的任一特征维度组合所包含的至少一个特征维度的播放特征样本数据进行聚类处理，确定聚类结果满足预设条件时所对应的目标特征维度组合。该步骤中，划分得到多个特征维度组合，每一个特征维度组合包含至少一个特征维度。针对于任一特征维度组合，获取各个样本视频的该特征维度组合所包含的各个特征维度的播放特征样本数据进行聚类处理，例如采用k-means算法进行聚类处理，然后评估每一个特征维度组合下播放特征样本数据的聚类效果，确定聚类效果满足预设条件时对应的目标特征维度组合，该特征维度组合也就是区分视频热门与否的有效特征组合。通过上述方式，采用聚类处理方式能够确定影响视频是否为热门视频的有效特征组合，后续获取有效特征组合下的特征数据进行训练模型、量化视频热度等处理，有助于提升视频热度量化的准确性。相应地，在步骤s220中，获取样本视频在发布后预设时段内各个时间片的目标特征维度组合所包含的至少一个特征维度的播放特征样本数据。
82.具体地，预设条件具体为：聚类结果中的第一分类和第二分类的类内距离最小且类间距离最大。
83.举例来说，特征维度组合a：[播放、点赞、转发]，特征维度组合b：[播放、点赞、转发、收藏]，特征维度组合c：[播放、点赞、转发、收藏、奖励]，对于特征维度组合a，获取各个样本视频的播放特征样本数据(播放量、点赞量以及转发量)进行聚类处理，得到第一聚类结果；对于特征维度组合b，获取各个样本视频的播放特征样本数据(播放量、点赞量、转发量以及收藏量)进行聚类处理，得到第二聚类结果；对应特征维度组合c，获取各个样本视频的播放特征样本数据(播放量、点赞量、转发量、收藏量以及奖励量)进行聚类处理，得到第三聚类结果，通过对三个聚类结果进行比较，第二聚类结果中的两个分类之间类内距离最小且类间距离最大，则确定特征维度组合b为目标特征维度组合。简单来讲，相较于其他两个特征维度组合，通过视频的播放量、点赞量、转发量以及收藏量能够更好地区分视频是热门视频还是非热门视频。
[0084]
在一种可选的方式中，根据满足预设条件的聚类结果完成样本视频的样本标定处理，具体地，提取聚类结果的第一分类的第一类心以及第二分类的第二类心，对第一类心和第二类心分别进行热度标签的样本标定处理，根据第一类心的标定结果确定第一分类中的其他样本视频的标定结果，根据第二类心的标定结果确定第二分类中的其他样本视频的标定结果。该方式中，无需分别对每一个样本视频均进行标定，只需对聚类结果中的类心进行标定，然后将标定结果推及类心所属分类的其他样本视频，即可完成该分类的所有样本视频的标定工作，极大地提升了样本标定效率。
[0085]
步骤s230，根据每个时间片的播放特征样本数据和样本视频的样本标定结果，进行机器学习训练，得到训练后的每个时间片对应的热度模型。
[0086]
在每个时间片上，根据各个样本视频在该时间片内的播放特征样本数据及各个样本视频的标定结果，采用机器学习线上模型进行训练，得到训练后的该时间片的热度模型，训练后的热度模型中每一个参数都具有特定的参数权重，每一个参数对应一个特征维度。
[0087]
步骤s240，提取热度标签为正值的多个正样本视频；对于任一时间片，获取该时间片对应的热度模型中各个特征维度的参数权重；根据该时间片对应的各个特征维度的参数
权重以及多个正样本视频在该时间片内的各个特征维度的播放特征均值数据，进行加权计算，得到该时间片的热度阈值。
[0088]
根据热度标签为正值的所有正样本视频，针对于任一时间片，计算多个正样本视频在该时间片上任一特征维度的播放特征均值，并根据该时间片对应的热度模型中各个特征维度的参数权重以及上述各个特征维度的播放特征均值，进行加权计算，得到该时间片的热度阈值。
[0089]
举例来说，对于第i个时间片对应的热度模型，播放量维度、点赞量维度、转发量维度以及收藏量维度的参数权重分别为：w1、w2、w3、w4，各个正样本视频在该时间片上播放量均值为b、点赞量均值为d、转发量均值为z、收藏量均值为s，则该时间片的热度阈值的计算方式具体为：b*w1 d*w2 z*w3 s*w4。
[0090]
步骤s250，获取待测视频在当前时间片内的目标特征维度组合所包含的至少一个特征维度的播放特征数据。
[0091]
其中，待测视频的各个维度的播放特征数据根据待测视频的各个类型的用户交互记录数据而确定，具体获取目标特征维度所包含的各个特征维度的播放特征数据。
[0092]
在一种可选的方式中，将待测视频的播放特征数据与时间片标识相关联进行存储，或者，将每一个时间片内的播放特征数据分片进行存储，从而方便管理和获取时间片内的播放特征数据。
[0093]
具体地，若当前时间片处于待测视频发布之后的预设时段内，则获取待测视频在当前时间片内的目标特征度组合所包含的至少一个特征维度的播放特征数据，其中，预设时段可以根据实际业务需要进行灵活设置。也即，仅仅获取待测视频在发布之后一段时间内的播放特征数据用于量化待测视频的热度，通过合理设置预设时段的时长，能够尽早地完成视频热度预测。
[0094]
在一种可选的方式中，若当前时间片超出待测视频发布之后的预设时段，则停止预测待测视频的热度，也即，依据待测视频发布后的指定时间内的播放特征数据无法判定是否为热门视频，则不再继续监控播放特征数据进行热度预测，避免资源浪费。
[0095]
步骤s260，根据当前时间片对应的热度模型中各个特征维度的参数权重以及待测视频在当前时间片内的各个特征维度的播放特征数据，进行加权计算，得到待测视频在该时间片的热度得分。
[0096]
沿用上述示例，当前时间片对应的热度模型中各个特征维度的参数权重分别为：w1、w2、w3、w4，待测视频在当前时间片内的播放量为b1、点赞量为d1、转发量为z1、收藏量为s1，则待测视频在当前时间片的热度得分的计算方式具体为：b1*w1 d1*w2 z1*w3 s1*w4。
[0097]
步骤s270，记录待测视频在当前时间片的热度得分与当前时间片的热度阈值的比较结果；根据至少一个时间片的比较结果，确定待测视频的热度预测结果。
[0098]
比较待测视频在当前时间片的热度得分与当前时间片的热度阈值的大小，比较结果为热度得分超过热度阈值或者热度得分未超过热度阈值，并记录比较结果，以供后续确定热度预测结果。具体分析至少一个时间片的热度阈值与热度得分的比较结果，确定待测视频的热度预测结果。
[0099]
在一种可选的方式中，若连续预设数量的时间片的比较结果均为热度得分超过热度阈值，得到标识待测视频为热门视频的热度预测结果。比如，预设数量为3，若连续3个时
间片的比较结果均为热度得分超过热度阈值，则确定待测视频会成为热门视频，得到标识待测视频为热门视频的热度预测结果。
[0100]
在另一种可选的方式中，若比较结果为热度得分超过热度阈值的时间片占已记录比较结果的全部时间片的比例超过预设值，则确定待测视频会成为热门视频，得到标识待测视频为热门视频的热度预测结果。
[0101]
步骤s280，若待测视频的热度预测结果标识待测视频为热门视频，对待测视频进行转码处理。
[0102]
本实施例的方法是量化待测视频的实时热度，每当得到时间片的比较结果时就进行一次比较结果分析，从而能够尽早地预测视频是否会成为热门视频，并且，通过预测待测视频是否为需要转码的热门视频，能够有针对性地进行视频转码，并且能够尽早地转码热门视频。
[0103]
根据本实施例所提供的视频热度预测方法，一方面，通过对样本视频的各个特征维度的播放特征数据组合成不同特征维度组合的播放特征数据，在每一个特征维度组合下，对各个样本视频的相应特征维度的播放特征数据进行聚类处理，衡量各个特征维度组合下的聚类效果，确定聚类效果最好的特征维度组合，即得到区分视频热门与不热门的有效特征组合，有助于提升视频热度量化的准确性；再一方面，获取样本视频的播放特征样本数据并对样本视频标定热度标签，针对于每一个时间片，利用该时间片内的播放样本特征数据以及相应样本视频的热度标签标定结果训练得到该时间片对应的热度模型，根据热度模型中各个特征维度的参数权重以及各个样本视频在各个特征维度的播放特征均值，进行加权计算，得到该时间片的热度阈值，能够准确地设定个时间片上的热度阈值；进一步地，利用热度模型中各个特征维度的参数权重以及待测视频的各个维度的播放特征数据，进行加权计算，得到待测视频在该时间片的热度得分，能够实现以时间片为粒度的、实时的视频热度量化；进一步地，结合记录的多个时间片的热度阈值和热度得分的比较结果，最终确定待测视频是否会成为热门视频，能够提升视频热度预测的速度和准确度，能够尽早且准确地完成视频热度预测，有利于提高带宽收益以及降低算力成本；进一步地，一旦判定待测视频为热门视频，则对该待测视频进行转码处理，相比于等到待测视频的实际热度较高再进行转码的方式，能够快速地对热门视频进行转码，避免热度较高时再进行转码导致拉流速度慢等问题。
[0104]
图3示出了本技术实施例提供的视频热度预测装置的结构示意图。如图3所示，该装置包括：
[0105]
数据获取模块31，适于获取待测视频在当前时间片内的播放特征数据；
[0106]
热度处理模块32，适于根据当前时间片的播放特征数据及当前时间片对应的热度模型，确定待测视频在当前时间片的热度得分；其中，任一时间片对应的热度模型通过时间片的样本数据预先训练得到；
[0107]
结果检测模块33，适于根据至少一个时间片的热度得分与热度阈值的比较结果，确定待测视频的热度预测结果，确定待测视频的热度预测结果。
[0108]
在一种可选的方式中，结果检测模块32进一步适于：若记录的连续预设数量的时间片的比较结果均为热度得分超过热度阈值，得到标识待测视频为热门视频的热度预测结果。
specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0125]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0126]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本技术实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
[0127]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0128]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0129]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0130]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0131]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0132]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。