一种节点信息聚合的方法、装置、电子设备及存储介质

1.本技术涉及图神经网络领域，尤其涉及一种节点信息聚合的方法、装置、电子设备及存储介质。


背景技术：

2.图注意力神经网络(graph attention network，gat)的特点是将注意力机制引入图神经网络(graph neural network，gnn)，目前gat的注意力机制都是基于节点信息的，因为参考的特征有限，所以得到的结果也不够准确。比如通过对比节点信息的相似性确定节点间的相对权重，节点信息相似度越大分配的权重也越大，反之越小，之后gat会利用学到的权重进行节点信息聚合，获得新的节点特征，于是就可以用所学到的特征进行相关任务。


技术实现要素：

3.本技术实施例提供了一种节点信息聚合的方法、装置、电子设备及存储介质，用于注意力机制中考虑了节点信息和拓扑结构信息，使得学习获得的权重更有效，能更好地进行节点信息聚合操作。
4.本技术第一方面提供一种节点信息聚合的方法，可以包括：
5.根据基于节点信息的注意力机制，生成基于节点信息的权重；
6.根据基于拓扑结构信息的注意力机制，生成基于拓扑结构信息的权重；
7.根据所述基于节点信息的权重和所述基于拓扑结构信息的权重，计算整体注意力权重；
8.根据所述整体注意力权重，进行节点信息聚合。
9.本技术第二方面提供一种节点信息聚合的装置，可以包括：
10.生成模块，用于根据基于节点信息的注意力机制，生成基于节点信息的权重；根据基于拓扑结构信息的注意力机制，生成基于拓扑结构信息的权重；
11.处理模块，用于根据所述基于节点信息的权重和所述基于拓扑结构信息的权重，计算整体注意力权重；根据所述整体注意力权重，进行节点信息聚合。
12.本技术第三方面提供一种电子设备，可以包括本技术第二方面所述的节点信息聚合的装置。
13.本技术第四方面提供一种电子设备，可以包括：
14.存储有可执行程序代码的存储器；
15.与所述存储器耦合的处理器；
16.所述处理器用于对应执行如本技术第一方面所述的方法。
17.本技术实施例又一方面提供一种计算机可读存储介质，包括指令，当其在处理器上运行时，使得处理器执行本技术第一方面所述的方法。
18.本技术实施例又一方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本技术第一方面所述的方法。
19.本技术实施例又一方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本技术第一方面所述的方法。
20.从以上技术方案可以看出，本技术实施例具有以下优点：
21.在本技术实施例中，根据基于节点信息的注意力机制，生成基于节点信息的权重；根据基于拓扑结构信息的注意力机制，生成基于拓扑结构信息的权重；根据所述基于节点信息的权重和所述基于拓扑结构信息的权重，计算整体注意力权重；根据所述整体注意力权重，进行节点信息聚合。在注意力机制中考虑了节点信息和拓扑结构信息，使得学习获得的权重更有效，能更好地进行节点信息聚合操作。
附图说明
22.为了更清楚地说明本技术实施例技术方案，下面将对实施例和现有技术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技术的一些实施例，还可以根据这些附图获得其它的附图。
23.图1为本技术实施例中节点信息聚合的方法的一个实施例示意图；
24.图2a为本技术实施例中基于节点信息的注意力机制的一个示意图；
25.图2b为本技术实施例中拓扑结构系数向量生成的一个示意图；
26.图2c为本技术实施例中整体注意力机制的加权过程的示意图；
27.图2d为本技术实施例中节点信息聚合的示意图；
28.图2e为本技术实施例中模型整体框架的一个示意图；
29.图3为本技术ngat和传统gat性能对比的一个示意图
30.图4为本技术实施例中节点信息聚合的装置的一个实施例示意图；
31.图5为本技术实施例中电子设备的一个实施例示意图；
32.图6为本技术实施例中电子设备的另一个实施例示意图。
具体实施方式
33.本技术实施例提供了一种节点信息聚合的方法、装置、电子设备及存储介质，用于注意力机制中考虑了节点信息和拓扑结构信息，使得学习获得的权重更有效，能更好地进行节点信息聚合操作。
34.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，都应当属于本技术保护的范围。
35.当前图神经网络(graph neural network，gnn)在图结构数据的处理方式上主要分为谱方法和非谱方法。谱方法是基于图的谱表征，通过图拉普拉斯算子的特征分解，在傅里叶域中定义的卷积运算，需要进行密集的矩阵计算和非局部空间的滤波计算。非谱方法是直接在图上进行卷积而不是在图的谱上。这种方法的挑战之一是如何定义一个运算来确定采样领域大小，并学习两两节点的相对权重，保证参数共享机制。最常见的就是图注意力神经网络(graph attention network，gat)，其定义了一个一阶采样领域，通过注意力机制对比节点信息确定两两节点的相对权重，再进行节点信息聚合生成新特征，新特征则可以
进行各种相关任务，例如节点分类、节点聚类、链接预测等。而目前注意力机制对权重的判定主要是基于节点信息，而忽视了图的拓扑结构信息，这对图数据的表征学习是不利的。
36.图注意力神经网络(gat)的特点是将注意力机制引入图神经网络(gnn)，目前gat的注意力机制都是基于节点信息的机制。比如通过对比节点信息的相似性确定节点间的相对权重，节点信息相似度越大分配的权重也越大，反之越小，之后gat会利用学到的权重进行节点信息聚合，获得新的节点特征，于是就可以用所学到新的节点特征进行相关任务。但是，基于节点信息的注意力机制有很多的弊端，最重要的一点就是忽视了拓扑结构信息，所以导致节点信息聚合结果不够准确。
37.传统的gat的注意力机制是基于节点信息的，这种注意力机制没用充分利用图结构数据。图结构数据中蕴含着丰富的拓扑结构信息，而传统gat却没有利用，导致传统gat的性能不够高。
38.本技术中的电子设备可称之服务器、用户设备(user equipment，ue)、移动台(mobile station，ms)、移动终端(mobile terminal)、智能终端等，所述电子设备可以经无线接入网(radio access network，ran)与一个或多个核心网进行通信。例如，电子设备可以是移动电话(或称为“蜂窝”电话)、具有移动终端的计算机等，电子设备还可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置以及未来新无线(new radio，nr)网络中的电子设备，它们与无线接入网交换语音或数据。对电子设备的说明：本技术中，电子设备还可以包括中继relay，和基站可以进行数据通信的都可以看为电子设备，本技术中将以一般意义上的ue来介绍。
39.在本技术实施例中，电子设备可以是手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，vr)电子设备、增强现实(augmented reality，ar)电子设备、工业控制(industrial control)中的无线电子设备、无人驾驶(self driving)中的无线电子设备、远程医疗(remote medical)中的无线电子设备、智能电网(smart grid)中的无线电子设备、运输安全(transportation safety)中的无线电子设备、智慧城市(smart city)中的无线电子设备或智慧家庭(smart home)中的无线电子设备等。
40.作为示例而非限定，在本技术实施例中，该电子设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，例如：智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。
41.本技术提出新的图注意力神经网络(new graph attention network，ngat)使用全新的注意力机制，不同于传统的gat，此申请比传统gat在多个数据集上获得了更优秀的性能。
42.本技术要解决的问题是：设计了一种利用拓扑结构信息的算法，使gnn能充分利用图结构数据提供的信息。通过利用基于拓扑结构信息和节点信息的注意力机制，获得更有
效的权重，进行节点信息聚合，这样可以达到更优的性能。
43.下面以实施例的方式，对本技术技术方案做进一步的说明，如图1所示，为本技术实施例中节点信息聚合的方法的一个实施例示意图，可以包括：
44.101、根据基于节点信息的注意力机制，生成基于节点信息的权重。
45.可选的，所述基于节点信息的权重衡量两个节点之间节点信息的相关性；所述基于节点信息的权重越大，表明节点信息相似度越高；所述基于节点信息的权重越小，表明节点信息相似度越低。
46.示例性的，如图2a所示，为本技术实施例中基于节点信息的注意力机制的一个示意图。基于节点信息的注意力机制学习其对应的权重，可根据公式1得到。其中，输入的是邻接矩阵a和节点特征矩阵h。
[0047][0048]
其中，{hi}
i＝1,...n
为节点i的特征向量，且hi∈rd，α∈r
2d
为映射向量，||为连接函数，w是节点特征映射参数，σ()为leakyrelu激活函数，ni表示节点i的邻居节点集合(包含其自身)，α
t
为对α映射向量进行转置，hj为节点j的特征向量，hk为节点k的特征向量。并且运用了softmax函数进行归一化操作。f
ij
为基于节点信息的权重，衡量了两个节点之间节点信息的相关性，数值越大表明节点信息相似度越高，数值越小则表明节点信息相似度越低。即f
ij
意味着节点j对节点i在节点信息上的重要性。
[0049]
102、根据基于拓扑结构信息的注意力机制，生成基于拓扑结构信息的权重。
[0050]
可选的，所述根据基于拓扑结构信息的注意力机制，生成基于拓扑结构信息的权重，可以包括：利用拓扑结构信息，通过邻接向量和邻接矩阵相乘，得到两两节点之间对应的权重。
[0051]
可以理解的是，本技术所述ngat的重点在于利用拓扑结构信息，即关键是发现隐藏在拓扑网络中的拓扑结构信息，通过邻接向量与邻接矩阵相乘，能获得对应节点对应于各节点的拓扑结构系数向量。
[0052]
示例性的，如图2b所示，为本技术实施例中拓扑结构系数向量生成的一个示意图。在图2b所示中，生成了一个包含8个节点的邻接矩阵，还有1号节点与其它节点的邻接向量，阴影代表存在连接，白色代表没有连接。通过邻接向量和邻接矩阵的点乘操作，可以得到1号节点与其它节点的拓扑结构系数向量。阴影颜色越深代表该节点的邻居集合所包含的1号节点的邻居数越多，如1号节点的邻居节点集合与7号节点的邻居节点集合完全相同，说明这两个节点的1—hop邻居子图之间有着很强的拓扑结构相关性，即两个节点很可能在一个社区之中。反之，当其它节点的邻居节点集合所包含的1号节点的邻居节点数目越少其阴影颜色越浅。同样，阴影颜色深浅可以用标量进行量化，以衡量其它节点与1号节点的拓扑结构信息相似度。相同类别的节点往往比不同类别的节点拥有更多的交互，即其拓扑网络更加复杂，这就意味着这些连接所形成的拓扑结构信息非常重要。通过拓扑结构信息发掘，获得节点之间的拓扑结构信息相似度，能为图神经网络的表征学习提供有意义的信息。
[0053]
基于拓扑结构信息的注意力机制运用了以上方法，可根据公式2得到两两节点之间的对应权重。其中，输入的是邻接矩阵a，是a进行归一化后获得的对应归一化矩阵。
[0054][0055]
其中，ai则是节点i对应的邻接向量，aj是节点j对应的邻接向量，为对aj进行转置；当a
ij
＞0时，则节点i、j之间存在边连接，反之，当a
ij
＝0时，则节点i、j之间不存在边连接。s为拓扑结构下，节点之间对应的权重。s
ij
为s中的对应的元素，代表节点i、j的基于拓扑结构信息相似度，即权重。数值越大表明两节点在拓扑结构下有很强的交互作用，s
ij
＝0则表示两节点之间不存在直接连接或互为2-hop邻居。即s
ij
意味着节点j对节点i在拓扑结构信息上重要性。
[0056]
需要说明的是，步骤101和102的时序不做限定。
[0057]
103、根据所述基于节点信息的权重和所述基于拓扑结构信息的权重，计算整体注意力权重。
[0058]
可选的，所述根据所述基于节点信息的权重和所述基于拓扑结构信息的权重，计算整体注意力权重，可以包括：获取所述基于节点信息的权重和所述基于拓扑结构信息的权重之间的权衡参数；根据所述基于节点信息的权重、所述基于拓扑结构信息的权重，及所述权衡参数，计算整体注意力权重。
[0059]
可选的，所述根据所述基于节点信息的权重、所述基于拓扑结构信息的权重，及所述权衡参数，计算整体注意力权重，可以包括：
[0060]
根据所述第一公式，计算整体注意力权重；
[0061]
所述第一公式为：
[0062]
其中，a
ij
为所述整体注意力权重，rf与rs为所述权衡参数，f
ij
为节点i的邻居节点j对于节点i的基于节点信息的权重，s
ij
为节点i的邻居节点j对于节点i的基于拓扑结构信息的权重，f
ik
为节点i的邻居节点k对于节点i的基于节点信息的权重，s
ik
为节点i的邻居节点k对于节点i的基于拓扑结构信息的权重，表示对遍历节点i的所有邻居节点进行求和。
[0063]
示例性的，如图2c所示，为本技术实施例中整体注意力机制的加权过程的示意图。在图2c所示中，是整体注意力机制的加权过程，上面的虚线框内是基于节点信息的注意力机制；下面的虚线框内是基于拓扑结构信息的注意力机制；输入为邻接矩阵a和节点特征矩阵h。基于节点信息的注意力机制会生成基于节点信息的权重f
ij
，基于拓扑结构信息的注意力机制会生成基于拓扑结构信息的权重s
ij
。对获得的s
ij
与f
ij
可以引入了两个可学习的参数gf和gs，以确定s
ij
与f
ij
的相对重要性，其中，对gf和gs运用了softmax函数，使之更易于训练。gf和gs是随机初始的，在模型训练过程中，会进行优化。
[0064][0065][0066]
其中，rf与rs用来在f
ij
与s
ij
之间充当权衡参数。利用f
ij
与s
ij
可以通过公式5来计算最终的注意力权重，也可以称为整体注意力权重。
[0067][0068]
其中，a
ij
意味着节点j对节点i的重要性。这里只计算j∈ni的a
ij
，其中ni表示节点i的邻居节点集合(包含其自身)，并且依旧运用了softmax函数进行归一化操作。另外，需要注意的是，注意力权重f
ij
、s
ij
、a
ij
是不对称的，这意味着相连节点对彼此有不同的重要性。
[0069]
104、根据所述整体注意力权重，进行节点信息聚合。
[0070]
可选的，所述根据所述整体注意力权重，进行节点信息聚合，可以包括：根据所述整体注意力权重、节点特征映射参数，及l层神经网络中节点i的输入特征，进行节点信息聚合，得到聚合更新结果。
[0071]
可选的，所述根据所述整体注意力权重、节点特征映射参数，及l层神经网络中节点i的输入特征，进行节点信息聚合，得到聚合更新结果，可以包括：
[0072]
根据第二公式，进行节点信息聚合，得到聚合更新结果；
[0073]
所述第二公式为：
[0074]
其中，a
ij
为所述整体注意力权重、w为节点特征映射参数、为l层神经网络中节点i的输入特征，σ()为leakyrelu激活函数，ni表示节点i的邻居节点集合。
[0075]
示例性的，如图2d所示，为本技术实施例中节点信息聚合的示意图。在图2d所示中，利用所获得的整体注意力权重进行节点信息聚合，聚合过程依靠之前获得的整体注意力权重与特征矩阵h，可根据公式6进行聚合，如下所示：
[0076][0077]
其中，a
ij
为所述整体注意力权重、w为节点特征映射参数、ni表示节点i的邻居节点集合，为l层神经网络中节点i的输入特征，σ()为leakyrelu激活函数。为聚合更新结果，即节点i通过学习获得的新特征。以此对节点信息进行更新，最终会获得迭代后的节点特征。每一个信息汇聚过程的完成都是一个图注意力层的完整实现。
[0078]
如图2e所示，为本技术实施例中模型整体框架的一个示意图。在图2e所示中，展示了模型整体框架，模型为2-layer结构，将邻接矩阵a和节点特征矩阵h作为输入信息，本技术由两层注意力神经网络构成。首先，在第一层网络中运用了k个注意力机制，即多头注意力机制，期望不同的每个注意力机制能聚焦不同的信息点，例如设置k＝8，即在模型的第一层网络中由8个注意力机制构成。然后对第一层网络的输出信息进行拼接，并将其输入第二层网络。第二层网络由单个注意力网络构成，其最终的输出将被用来进行节点分类任务。
[0079]
在本技术实施例中，利用拓扑结构系数生成方法，提取图结构数据的拓扑结构信息；利用新注意力机制，生成更优的权重，进行节点信息聚合。本技术可以充分利用图结构数据提供的信息，如节点信息、拓扑结构信息。同时，本技术运用了新的注意力机制，其加权过程考虑了节点信息和拓扑结构信息。因为现有技术中gat的注意力机制加权过程只考虑了节点信息，因此性能不高。但本技术的注意力机制考虑了节点信息和拓扑结构信息，使得学习获得权重更有效，能更好地进行节点信息聚合操作。所以，本技术对比gat在节点分类任务上拥有更优秀的性能。本技术属于图神经网络领域，可以提升对图结构数据的表征学
习能力。
[0080]
在本技术实施例中，根据基于节点信息的注意力机制，生成基于节点信息的权重；根据基于拓扑结构信息的注意力机制，生成基于拓扑结构信息的权重；根据所述基于节点信息的权重和所述基于拓扑结构信息的权重，计算整体注意力权重；根据所述整体注意力权重，进行节点信息聚合。在注意力机制中考虑了节点信息和拓扑结构信息，使得学习获得的权重更有效，能更好地进行节点信息聚合操作。
[0081]
示例性的，如图3所示，为本技术ngat和传统gat性能对比的一个示意图。在数据集cora、citeseer、acm上，进行节点分类任务的准确度(accuracy)对比，可以看到ngat在所有数据集上均达到了更高的性能。
[0082]
如图4所示，为本技术实施例中节点信息聚合的装置的一个实施例示意图，可以包括：
[0083]
生成模块401，用于根据基于节点信息的注意力机制，生成基于节点信息的权重；根据基于拓扑结构信息的注意力机制，生成基于拓扑结构信息的权重；
[0084]
处理模块402，用于根据所述基于节点信息的权重和所述基于拓扑结构信息的权重，计算整体注意力权重；根据所述整体注意力权重，进行节点信息聚合。
[0085]
可选的，处理模块402，具体用于利用拓扑结构信息，通过邻接向量和邻接矩阵相乘，得到两两节点之间对应的权重。
[0086]
可选的，所述基于节点信息的权重衡量两个节点之间节点信息的相关性；所述基于节点信息的权重越大，表明节点信息相似度越高；所述基于节点信息的权重越小，表明节点信息相似度越低。
[0087]
可选的，处理模块402，具体用于获取所述基于节点信息的权重和所述基于拓扑结构信息的权重之间的权衡参数；根据所述基于节点信息的权重、所述基于拓扑结构信息的权重，及所述权衡参数，计算整体注意力权重。
[0088]
可选的，处理模块402，具体用于根据所述第一公式，计算整体注意力权重；
[0089]
所述第一公式为：
[0090]
其中，a
ij
为所述整体注意力权重，rf与rs为所述权衡参数，f
ij
为节点i的邻居节点j对于节点i的基于节点信息的权重，s
ij
为节点i的邻居节点j对于节点i的基于拓扑结构信息的权重，f
ik
为节点i的邻居节点k对于节点i的基于节点信息的权重，s
ik
为节点i的邻居节点k对于节点i的基于拓扑结构信息的权重，表示对遍历节点i的所有邻居节点进行求和。
[0091]
可选的，处理模块402，具体用于根据所述整体注意力权重、节点特征映射参数，及l层神经网络中节点i的输入特征，进行节点信息聚合，得到聚合更新结果。
[0092]
可选的，处理模块402，具体用于根据第二公式，进行节点信息聚合，得到聚合更新结果；
[0093]
所述第二公式为：
[0094]
其中，a
ij
为所述整体注意力权重、w为节点特征映射参数、为l层神经网络中节点
i的输入特征，σ()为leakyrelu激活函数，ni表示节点i的邻居节点集合。
[0095]
如图5所示，为本技术实施例中电子设备的一个实施例示意图，可以包括如图4所示的节点信息聚合的装置。
[0096]
如图6所示，为本技术实施例中电子设备的另一个实施例示意图，可以包括：
[0097]
存储有可执行程序代码的存储器601；
[0098]
与存储器601耦合的处理器602；
[0099]
处理器602用于执行以下步骤：
[0100]
根据基于节点信息的注意力机制，生成基于节点信息的权重；根据基于拓扑结构信息的注意力机制，生成基于拓扑结构信息的权重；根据所述基于节点信息的权重和所述基于拓扑结构信息的权重，计算整体注意力权重；根据所述整体注意力权重，进行节点信息聚合。
[0101]
可选的，处理器602具体用于执行以下步骤：
[0102]
利用拓扑结构信息，通过邻接向量和邻接矩阵相乘，得到两两节点之间对应的权重。
[0103]
可选的，所述基于节点信息的权重衡量两个节点之间节点信息的相关性；所述基于节点信息的权重越大，表明节点信息相似度越高；所述基于节点信息的权重越小，表明节点信息相似度越低。
[0104]
可选的，可选的，处理器602具体用于执行以下步骤：
[0105]
获取所述基于节点信息的权重和所述基于拓扑结构信息的权重之间的权衡参数；根据所述基于节点信息的权重、所述基于拓扑结构信息的权重，及所述权衡参数，计算整体注意力权重。
[0106]
可选的，可选的，处理器602具体用于执行以下步骤：
[0107]
根据所述第一公式，计算整体注意力权重；
[0108]
所述第一公式为：
[0109]
其中，a
ij
为所述整体注意力权重，rf与rs为所述权衡参数，f
ij
为节点i的邻居节点j对于节点i的基于节点信息的权重，s
ij
为节点i的邻居节点j对于节点i的基于拓扑结构信息的权重，f
ik
为节点i的邻居节点k对于节点i的基于节点信息的权重，s
ik
为节点i的邻居节点k对于节点i的基于拓扑结构信息的权重，表示对遍历节点i的所有邻居节点进行求和。
[0110]
可选的，可选的，处理器602具体用于执行以下步骤：
[0111]
根据所述整体注意力权重、节点特征映射参数，及l层神经网络中节点i的输入特征，进行节点信息聚合，得到聚合更新结果。
[0112]
可选的，可选的，处理器602具体用于执行以下步骤：
[0113]
根据第二公式，进行节点信息聚合，得到聚合更新结果；
[0114]
所述第二公式为：
[0115]
其中，a
ij
为所述整体注意力权重、w为节点特征映射参数、为l层神经网络中节点
i的输入特征，σ()为leakyrelu激活函数，ni表示节点i的邻居节点集合。
[0116]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，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。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、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(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)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储的任何可用介质或者是包含一个或多个可用介质集成的服务器、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(例如固态硬盘(solid state disk，ssd))等。
[0117]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0118]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，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。
[0119]
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。
[0120]
另外，在本技术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存在，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，也可以采用软件功能单元的形式实现。
[0121]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0122]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些
修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。