一种基于大图聚类的观点演化分析方法、设备及存储介质

1.本发明属于文本主题提取、观点演化分析领域，尤其涉及一种基于大图 聚类的观点演化分析方法、设备及存储介质。


背景技术：

2.在对舆情事件进行观点演化的过程中，通过预训练模型获得文档表征 只包含语义特征，不适合观点提取和观点演化的任务，此外大量舆情数据也 给模型训练带来了困难，目前观点演化分析方法由如下几种：
3.1.一种用户评论观点提取和观点标签生成的方法
4.该发明公开了一种用户评论观点提取和观点标签生成的方法。该方法 首先基于用户评论构建初始的观点词性规则库，然后通过不断迭代的方法 自动发现新的用户观点词性规则，通过词性规则匹配的方法得到用户评论 观点。对抽取到的观点，基于类目树结构自顶向下地生成商品的属性词词库， 并按照观点极性汇聚生成每款商品的用户评论观点标签。本发明通过自动 发现评论观点词性规则的方法，提升了抽取用户观点的召回率；词的层次化 聚类和极性分析提升了观点聚类的准确率，使得得到的用户评论观点标签 更全面和准确。但该发明通过词性规则库提取观点存在准确率低和人工工 作量大的缺点，同时无法分析观点的动态演化过程。
5.2.一种基于生成对抗网络的在线评论商品特征观点提取方法
6.该发明公开了一种基于生成对抗网络的在线评论商品特征观点提取方 法，涉及在线评论文本挖掘领域。包括步骤：1)用网络爬虫爬取商品评论数 据和电商平台已有的对评论数据进行分类的标签数据；2)将标签数据人工标 注为特征观点词形式；3)建立生成对抗网络，包含一个生成网络和一个判别 网络；4)建立演员——评论家强化学习模型的评论家网络；5)交替训练生成 网络，判别网络和评论家网络，直到收敛；6)用所得生成网络对商品在线评 论进行特征及观点提取。本发明应用生成对抗网络实现在线评论商品特征 和观点的自动提取，不依赖于语法规则，无需特征处理，人工干预少，领域 扩展性好。但该发明无法处理大批量的网络数据，只能处理小批量的数据， 同时模型存在难以收敛的难题。
7.3.评论文本的观点提取方法以及电子设备
8.该发明提供一种评论文本的观点提取方法及电子设备，该方法包括：对 待处理评论文本进行断句，得到多个待处理句子；通过已训练的标签分类模 型对每个待处理句子的分类标签进行预测；针对存在分类标签的待处理句 子，以每个分类标签以及待处理句子作为已训练的情绪分类模型的输入，获 得情绪分类模型输出的待处理句子在分类标签下的情绪类别；根据每个待 处理句子在不同分类标签下的情绪类别，得到待处理评论文本的观点信息。 该发明采用自动挖掘分类标签的方式，提取观点信息，无需人工事先定义标 签，但该发明基于情绪分类对评论观点进行提取，无法区分一些中性情感的 评论，同时无法对文本中的观点进行一个动态分析。


技术实现要素：

9.针对上述问题，本发明第一方面提供了一种基于大图聚类的观点演化 分析方法，并包括以下步骤：
10.s1，针对某个舆情事件m，基于scrapy-redis框架爬取该事件的相关博 文d，并进行预处理，预处理的操作为去除url、表情，但不对内容去重；
11.s2，将d按照“天”进行分组，形成d1,d2,d3,
…
,dn，n为数据的天数；
12.s2，针对每一天的数据，使用bertopic模型对博文d进行主体聚类分 析，分别设置聚类数量为5，10，15，20，25；
13.s3，对于每一天的数据，在不同的聚类数量下，bertopic得到不同的 聚类结果t
ic
，i表示天数，c表示聚类数量，对t
ic
按照聚合规则得到第i天 的舆情观点oi和主题词ki；
14.s4，基于主题词ki主题词和文档di之间共现关系，构建当天的图结构 数据gi；
15.s5，使用大图聚类模型对图结构数据gi进行聚类训练，获得当天的文 档表征ei和聚类结果cg；
16.s6，使用文档表征ei和聚类结果cg获取当天的观点表征e
io
；
17.s7，在获取的每天的观点表征后，通过计算e
io
之间的余玄相似度来判 断观点间的演化情况；
18.在一种可能的设计中，所述步骤s3中对于每一天的数据，在不同的聚 类数量下，bertopic得到不同的聚类结果t
ic
，i表示天数，c表示聚类数 量，对t
ic
按照聚合规则得到第i天的舆情观点oi和主题词ki，聚合规则具 体为：
19.s31，首先统计出t
ic
中每个t
ic
包含的文档的数量和index；
20.s32，计算在不同的聚类类别c下，每个主题的间的相似度，如t
i5
和t
i10
间的相似度，相似度计算公式为其中same表示两者相同文档 的数量，n
i5
表示聚类类别为5时，第i个主题包含的文档数量；
21.s33，如果两个主题之间的相似度大于阈值p，则认为则两个主题为同 一个主题，对这两个主题进行合并，并根据这两个主题的关键词，结合实时 得出观点。
22.在一种可能的设计中，所述步骤s5中使用大图聚类算法对图结构数据gi进行聚类训练，获得当天的文档表征ei；大图聚类模型的具体结构包括 encoder层和cluster层，其中encoder层由两个gatlayer聚合而成，用以 生成每个文档的表征，cluster使得文档表征向聚类目标靠近，使得文本表 征更适合聚类和观点演化任务
23.gatlayer运用了一种局部注意力机制，大图g分解为ng个子图，其 维度从ng×
ng变为ng×
k,，然而由于子图gi的节点数量并不固定，所以我们 重新定义k为子图gi中最大的节点数量。k由下列公式所确定。
24.m＝(b b2
…
b
t
)/t
ꢀꢀ
(1)
[0025][0026]
其中，b为转移矩阵，where b
i,j
＝1/d
i if e
i,j
∈e else b
i,j
＝0，di表示节点i的度，b
t
＝b
t-1
*b。m
i,j
为节点i和节点j的拓扑相关性，如果节点i 是节点j的t-order邻居，则m
i,j
》0。bool(m)
i,j
＝1 if m
i,j
》0else 0，其 中k《《n。
[0027]
最后注意力的计算方式如下所示：
[0028][0029][0030]
其中hs表示隐藏层大小，ws,wh∈r1×
hs
分别为自注意力权重和邻居注 意力权重，其目的是提前降低h的维度，降低存储资源的开销，使得大图聚 类得以在低显存设备运行。
[0031]
cluster层调整节点表征使其更适合聚类任务，使得当前分布q向目标 分布p靠近，如下列公式所示：
[0032][0033][0034][0035]
其中q
iu
为节点表征zi和聚类中心表征μu的相似性，通过student's t
‑ꢀ
distribution计算；μu为通过kmeans计算出来的聚类中心；p
iu
为节点i的目 标分布。
[0036]
此外对图进行训练的过程中，提出一种缩略的图重构方法，在训练的 过程中只重建一个缩略图，而不是全图，因此构造了索引矩阵a'，用来代 替图g邻接矩阵a，如公式(9)所示。只需要重构ng×
k个节点，而非 ng×
ng个节点，这在降低存储资源的开销的同时也降低了计算复杂度。此外 在每次训练的过程中，将重新对bool(m)等0的节点进行随机采样，以便 于覆盖全部节点，来弥补没有重构全部节点所造成的损失。
[0037]a′
i,j
＝j,if boll(m)
i,j
＝1 else random(n),i∈[1,ng],j∈[1,k]
ꢀꢀ
(8)
[0038]
在一种可能的设计中，所述步骤s5中使用大图聚类模型对图结构数据 gi进行聚类训练，获得当天的文档表征ei；大图聚类模型的训练过程如下 所示：
[0039]
s51，基于构建好的图结构数据集gi，构建缩略的邻接矩阵，计算公式 如公式(8)所示，其中k由公式(2)确定，
[0040]
s52，将图gi中每个节点(文档)的内容输入到sentence transformer中， 获取文档表征e；
[0041]
s53，使用knn聚类算法对文档表征e进行初步聚类，获取聚类结果 rk；
[0042]
s54，初始化大图聚类模型，设置学习率为10e-4，将μu设置为rk；
[0043]
s54，将文档表征e、缩略邻接矩阵输入到大图聚类模型中，获取模型 的输出，包括模型的聚类结果和对缩略邻接矩阵的重构；
[0044]
s55，基于公式(5)计算模型的聚类损失，基于公式(9)计算模型的 重构损失，两个损失相加后，采用adamw优化器更新模型；
[0045]
s56，但迭代m次时，基于现有的文档表征更新rk和μu；
[0046]
s57，完成m次迭代后，结束模型的训练。
[0047]
在一种可能的设计中，所述步骤s6中使用文档表征ei和聚类结果cg获取当天的观点表征e
io
，获取观点表征e
io
的具体过程为：
[0048]
s61，首先根据聚类结果cg，将属于同一类的结果放在一块，形成c
g1
, c
g2
,
…
,c
gf
，f表示主题的数量；
[0049]
s62，对于属于c
ga
的文档，在ei中获取相应的文档表征集合e
ia
；
[0050]
s63，对文档表征集合e
ia
进行累加就平局，从而获得观点表征e
ia
；
[0051]
本发明第二方面提供了一种基于大图聚类的观点演化分析设备，所述 设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合； 所述存储器中存储有如第一方面所述的阐述的基于大图聚类的观点演化分 析的计算机程序；所述处理器执行所述存储器存储的计算机程序时，使得所 述设备实现观点演化分析。
[0052]
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存 储介质中存储有如第一方面所述的阐述的基于大图聚类的观点演化分析的 程序或指令，所述程序或指令被处理器执行时，使得计算机实现观点演化分 析。
[0053]
有益效果：与现有技术相比，本发明提供了一种基于大图聚类的观点演 化分析方法、设备及存储介质，能够实现观点的动态演化分析，并产生了如 下的有益效果：
[0054]
1.为降低大型图的高计算复杂度的开销，本发明通过局部注意力和缩略 的图重构机制，降低注意矩阵和邻接矩阵的维数，从而使得模型对存储资源 的消耗得以减少，同时降低了模型的计算复杂度。
[0055]
2.为了使生成的文档表征更适合观点提取和观点聚类任务，我们引入一 个聚类损失，使得模型能够以聚类为目标，同时基于生成的文档表征，获取 观点表征，进行观点间的演化分析。
[0056]
3.为了对舆情事件进行观点演化分析，我们对舆情数据按天分类，然后 使用bertopic在不同的聚合类别下获取了不同聚类主题，并提出了一种主 题聚合策略，最终确定当天的聚类主题，最后通过计算每天的聚类主题间的 相似性来分析主题间的演化关系。
附图说明
[0057]
图1为本发明基于大图聚类的观点演化分析方法的流程图，其中包含 了模型的结构图。
[0058]
图2为本发明基于大图聚类的观点演化分析设备的简易结构示意图。
具体实施方式
[0059]
本发明中的基于大图聚类的观点演化分析方法提出了一种局部注意力 机制和一种缩略的图重构方法，降低了在处理大量数据时的计算复杂度，能 够对舆情事件中的观点进行动态演化分析。
[0060]
下面结合具体实施例对发明进行进一步说明。
[0061]
实施例1：
[0062]
如图1所示，首先我们将舆情数据按天分类，基于每天的舆情数据，我 们使用bertopic在不同的聚类类别下进行聚类，按照主题聚类规则确定当 天观点，同时得到话题和话题关键词。之后，我们根据观点关键词和文档之 间的共现关系构建图，并提出一种简
略的大图聚类(algc)算法来获得文 档表征，计算后得到观点表征，最后计算不同时期下的不同主题间的演化系 数，实现对主题间的演化分析。
[0063]
本实施例以某一舆情事件e为例，结合图1，对本发明一种基于大图聚 类的观点演化分析方法具体工作流程进行说明：
[0064]
s1，针对舆情事件e，基于scrapy-redis框架爬取该事件的相关博文d， 并进行预处理，预处理的操作为去除url、表情，但不对内容去重；
[0065]
s2，将d按照“天”进行分组，形成d1,d2,d3,
…
,dn，n为数据的天数；
[0066]
s2，针对每一天的数据，使用bertopic模型对博文d进行主体聚类分 析，分别设置聚类数量为5，10，15，20，25；
[0067]
s3，对于每一天的数据，在不同的聚类数量下，bertopic得到不同的 聚类结果t
ic
，i表示天数，c表示聚类数量，对t
ic
按照聚合规则得到第i天 的舆情观点oi和主题词ki；
[0068]
s4，基于主题词ki主题词和文档di之间共现关系，构建当天的图结构 数据gi；
[0069]
s5，使用大图聚类模型对图结构数据gi进行聚类训练，获得当天的文 档表征ei和聚类结果cg；
[0070]
s6，使用文档表征ei和聚类结果cg获取当天的观点表征e
io
；
[0071]
s7，在获取的每天的观点表征后，通过计算e
io
之间的余玄相似度来判 断观点间的演化情况；
[0072]
步骤s3中对于每一天的数据，在不同的聚类数量下，bertopic得到不 同的聚类结果t
ic
，i表示天数，c表示聚类数量，对t
ic
按照聚合规则得到第 i天的舆情观点oi和主题词ki，聚合规则具体为：
[0073]
s31，首先统计出t
ic
中每个t
ic
包含的文档的数量和index；
[0074]
s32，计算在不同的聚类类别c下，每个主题的间的相似度，如t
i5
和t
i10
间的相似度，相似度计算公式为其中same表示两者相同文档 的数量，n
i5
表示聚类类别为5时，第i个主题包含的文档数量；
[0075]
s33，如果两个主题之间的相似度大于阈值p，则认为则两个主题为同 一个主题，对这两个主题进行合并，并根据这两个主题的关键词，结合实时 得出观点。
[0076]
步骤s5中使用大图聚类算法对图结构数据gi进行聚类训练，获得当 天的文档表征ei；大图聚类模型的具体结构包括encoder层和cluster层， 其中encoder层由两个gatlayer聚合而成，用以生成每个文档的表征， cluster使得文档表征向聚类目标靠近，使得文本表征更适合聚类和观点演 化任务
[0077]
gatlayer运用了一种局部注意力机制，大图g分解为ng个子图，其 维度从ng×
ng变为ng×
k,，然而由于子图gi的节点数量并不固定，所以我们 重新定义k为子图gi中最大的节点数量。k由下列公式所确定。
[0078]
m＝(b b2
…
b
t
)/t
ꢀꢀ
(1)
[0079][0080]
其中，b为转移矩阵，where b
i,j
＝1/d
i if e
i,j
∈e else b
i,j
＝0，di表示节点i的度，b
t
＝b
t-1
*b。m
i,j
为节点i和节点j的拓扑相关性，如果节点i 是节点j的t-order邻居，则mi,j
》0。bool(m)
i,j
＝1 if m
i,j
》0 else 0，其 中k《《n。
[0081]
最后注意力的计算方式如下所示：
[0082][0083][0084]
其中hs表示隐藏层大小，ws,wh∈r1×
hs
分别为自注意力权重和邻居注 意力权重，其目的是提前降低h的维度，降低存储资源的开销，使得大图聚 类得以在低显存设备运行。
[0085]
cluster层调整节点表征使其更适合聚类任务，使得当前分布q向目标 分布p靠近，如下列公式所示：
[0086][0087][0088][0089]
其中q
iu
为节点表征zi和聚类中心表征μu的相似性，通过student's t
‑ꢀ
distribution计算；μu为通过kmeans计算出来的聚类中心；p
iu
为节点i的目 标分布。
[0090]
此外对图进行训练的过程中，提出一种缩略的图重构方法，在训练的 过程中只重建一个缩略图，而不是全图，因此构造了索引矩阵a'，用来代 替图g邻接矩阵a，如公式(9)所示。只需要重构ng×
k个节点，而非 ng×
ng个节点，这在降低存储资源的开销的同时也降低了计算复杂度。此外 在每次训练的过程中，将重新对bool(m)等0的节点进行随机采样，以便 于覆盖全部节点，来弥补没有重构全部节点所造成的损失。
[0091]a′
i,j
＝j,if bool(m)
i,j
＝1 else random(n),i∈[1,ng],j∈[1,k]
ꢀꢀ
(8)
[0092]
步骤s5中使用大图聚类模型对图结构数据gi进行聚类训练，获得当 天的文档表征ei；大图聚类模型的训练过程如下所示：
[0093]
s51，基于构建好的图结构数据集gi，构建缩略的邻接矩阵，计算公式 如公式(8)所示，其中k由公式(2)确定，
[0094]
s52，将图gi中每个节点(文档)的内容输入到sentence transformer中， 获取文档表征e；
[0095]
s53，使用knn聚类算法对文档表征e进行初步聚类，获取聚类结果 rk；
[0096]
s54，初始化大图聚类模型，设置学习率为10e-4，将μu设置为rk；
[0097]
s54，将文档表征e、缩略邻接矩阵输入到大图聚类模型中，获取模型 的输出，包括模型的聚类结果和对缩略邻接矩阵的重构；
[0098]
s55，基于公式(5)计算模型的聚类损失，基于公式(9)计算模型的 重构损失，两个损失相加后，采用adamw优化器更新模型；
[0099]
s56，但迭代m次时，基于现有的文档表征更新rk和μu；
[0100]
s57，完成m次迭代后，结束模型的训练。
[0101]
步骤s6中使用文档表征ei和聚类结果cg获取当天的观点表征e
io
，获 取观点表征e
io
的具体过程为：
[0102]
s61，首先根据聚类结果cg，将属于同一类的结果放在一块，形成c
g1
, c
g2
,
…
,c
gf
，f表示主题的数量；
[0103]
s62，对于属于c
ga
的文档，在ei中获取相应的文档表征集合e
ia
；
[0104]
s63，对文档表征集合e
ia
进行累加就平局，从而获得观点表征e
ia
；
[0105]
本发明一种基于大图聚类的观点演化分析方法，通过将舆情事件的数 据按天进行分组，并提出一种大图聚类算法，设计了一种局部注意力机制和 缩略的图重构方法来降低计算复杂性和对计算机存储资源的消耗，通过以 聚类目标为导向生成文档表征，使其适合文档聚类任务和观点演化任务。在 获取文档表征后计算每个主题的表征，能够有效实现主题间的动态演化分 析。
[0106]
实施例2：
[0107]
如图2所示，本发明同时提供了一种基于大图聚类的观点演化分析方 法，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器 相耦合；所述存储器中存储有如实施例1所述搭建的基于大图聚类的观点 演化分析的计算机程序；所述处理器执行所述存储器存储的计算机程序时， 使得所述设备实现观点演化分析。其中内部总线可以是工业标准体系结构 (industry standard architecture，isa)总线、外部设备互连(peripheral component，pci)总线或扩展工业标准体系结构(xtendedindustry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线 等。为便于表示，本技术附图中的总线并不限定仅有一根总线或一种类型的 总线。其中存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、 磁盘或光盘等。
[0108]
设备可以被提供为终端、服务器或其它形态的设备。
[0109]
图2是为示例性示出的一种设备的框图。设备可以包括以下一个或多 个组件：处理组件，存储器，电源组件，多媒体组件，音频组件，输入/输出 (i/o)的接口，传感器组件，以及通信组件。处理组件通常控制电子设备的整 体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的 操作。处理组件可以包括一个或多个处理器来执行指令，以完成上述的方法 的全部或部分步骤。此外，处理组件可以包括一个或多个模块，便于处理组 件和其他组件之间的交互。例如，处理组件可以包括多媒体模块，以方便多 媒体组件和处理组件之间的交互。
[0110]
存储器被配置为存储各种类型的数据以支持在电子设备的操作。这些 数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联 系人数据，电话簿数据，消息，图片，视频等。存储器可以由任何类型的易 失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器 (sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储 器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器， 快闪存储器，磁盘或光盘。
[0111]
电源组件为电子设备的各种组件提供电力。电源组件可以包括电源管 理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关 联的组件。多媒体组件包括在所述电子设备和用户之间的提供一个输出接 口的屏幕。在一些实施例中，屏幕可以包
括液晶显示器(lcd)和触摸面板 (tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户 的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸 面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且 还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多 媒体组件包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式， 如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多 媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统 或具有焦距和光学变焦能力。
[0112]
音频组件被配置为输出和/或输入音频信号。例如，音频组件包括一个 麦克风(mic)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识 别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进 一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括 一个扬声器，用于输出音频信号。i/o接口为处理组件和外围接口模块之间 提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包 括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0113]
传感器组件包括一个或多个传感器，用于为电子设备提供各个方面的 状态评估。例如，传感器组件可以检测到电子设备的打开/关闭状态，组件 的相对定位，例如所述组件为电子设备的显示器和小键盘，传感器组件还可 以检测电子设备或电子设备一个组件的位置改变，用户与电子设备接触的 存在或不存在，电子设备方位或加速/减速和电子设备的温度变化。传感器 组件可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近 物体的存在。传感器组件还可以包括光传感器，如cmos或ccd图像传感 器，用于在成像应用中使用。在一些实施例中，该传感器组件还可以包括加 速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0114]
通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通 信。电子设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或 它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部 广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通 信组件还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可 基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术， 蓝牙(bt)技术和其他技术来实现。
[0115]
在示例性实施例中，电子设备可以被一个或多个应用专用集成电路 (asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器 件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他 电子元件实现，用于执行上述方法。
[0116]
实施例3：
[0117]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质 中存储有如实施例1所述阐述的基于大图聚类的观点演化分析的程序或指 令，所述程序或指令被处理器执行时，使得计算机实现观点演化分析。
[0118]
具体地，可以提供配有可读存储介质的系统、装置或设备，在该可读存 储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且 使该系统、装置或设备的计算机或处理器读出并执行存储在该可读存储介 质中的指令。在这种情况下，从可读介质读取的程序代码本身可实现上述实 施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的 可读存储介质构成了本发明的一部分。
[0119]
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它 们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储 器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器 (prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘(如cd
‑ꢀ
rom、cd-r、cd-rw、dvd-20rom、dvd-ram、dvd-rw、dvd-rw)、 磁带等。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0120]
应理解，上述处理器可以是中央处理单元(英文：central processing unit， 简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)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。结合发明所公开的方法的步骤可以直接体现为硬 件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0121]
应理解存储介质耦合至处理器，从而使处理器能够从该存储介质读取 信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成 部分。处理器和存储介质可以位于专用集成电路(application specific integrated circuits，简称：asic)中。当然，处理器和存储介质也可以作为分 立组件存在于终端或服务器中。
[0122]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到 各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无 线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传 输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每 个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序 指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的 计算机可读存储介质中。
[0123]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数 据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所 述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规 的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指 令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一 个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或 者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程 计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连 接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供 商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的 状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵 列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序 指令，从而实现本公开的各个方面。
[0124]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本 领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和 原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护 范围之内。
[0125]
上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护 范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上， 本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本 发明的保护范围以内。