用于预测体育运动中的队形的系统和方法与流程

用于预测体育运动中的队形的系统和方法
1.相关申请的交叉引用
2.本技术要求于2020年6月5日提交的美国临时申请no.63/035,137的优先权，通过引用将该申请的全部内容并入本文。
技术领域
3.本公开总体上涉及一种用于预测体育运动中的队形的系统和方法。


背景技术：

4.体育运动迷和数据分析者在体育运动分析中变得越来越根深蒂固。在一些情况下，尤其是在体育运动分析的团队侧和分析者侧，预测对手的队形可能对团队的进入比赛或竞赛的策略至关重要。然而，预测对手或团队的队形的动作并非微不足道的任务。在团队体育运动中存在固有的排列混乱，这增加了在给定有限信息的情况下系统可预测团队的形成或团队的运动员在比赛场地表面上的定位的难度。


技术实现要素：

5.在一些实施例中，本文公开了一种预测比赛场地表面上的团队的队形的方法。计算系统检索多个赛事的一个或更多个赛事数据集。每个赛事数据集对应于赛事的片段。深度神经网络基于一个或更多个赛事数据集学习以预测赛事的每个片段中的运动员的最佳排列。深度神经网络基于从数据存储检索的对应赛事数据和运动员的最佳排列来学习每个片段的运动员的分布。计算系统基于学习生成完全训练的预测模型。计算系统接收对应于目标赛事的目标赛事数据。目标赛事数据包括针对包括比赛场地表面上的多个运动员的团队的信息。计算系统基于目标赛事数据经由所训练的预测模型生成多个运动员中的每个运动员在比赛场地表面上的期望位置。
6.在一些实施例中，本文公开了一种用于预测比赛场地表面上的团队的队形的系统。该系统包括处理器和存储器。存储器具有存储在其上的编程指令，该编程指令在由处理器执行时，执行一个或更多个操作。一个或更多个操作包括：检索多个赛事的一个或更多个赛事数据集。每个赛事数据集对应于赛事的片段。一个或更多个操作还包括：由深度神经网络基于一个或更多个赛事数据集学习以预测赛事的每个片段中的运动员的最佳排列。一个或更多个操作还包括：由深度神经网络基于从数据存储检索的对应赛事数据和运动员的最佳排列来学习每个片段的运动员的分布。一个或更多个操作还包括：基于该学习生成完全训练的预测模型。一个或更多个操作还包括：接收对应于目标赛事的目标赛事数据。目标赛事数据包括针对包括在比赛场地表面上的多个运动员的团队的信息。该一个或更多个操作还包括：由所训练的预测模型基于目标赛事数据来生成多个运动员中的每个运动员在比赛场地表面上的期望位置。
7.在一些实施例中，本文公开了一种非暂时性计算机可读介质。非暂时性计算机可读介质包括一个或更多个指令序列，该一个或更多个指令序列在由一个或更多个处理器执
行时，执行一个或更多个操作。一个或更多个操作包括：检索多个赛事的一个或更多个赛事数据集。每个赛事数据集对应于赛事的片段。一个或更多个操作还包括：由深度神经网络基于一个或更多个赛事数据集学习以预测赛事的每个片段中的运动员的最佳排列。一个或更多个操作还包括：由深度神经网络基于从数据存储检索的对应赛事数据和运动员的最佳排列来学习每个片段的运动员的分布。一个或更多个操作还包括：基于该学习生成完全训练的预测模型。一个或更多个操作还包括：接收对应于目标赛事的目标赛事数据。目标赛事数据包括针对包括比赛场地表面上的多个运动员的团队的信息。一个或更多个操作还包括：由所训练的预测模型基于目标赛事数据来生成多个运动员中的每个运动员在比赛场地表面上的期望位置。
附图说明
8.为了可以详细理解本公开的上述特征的方式，可以参考实施例(在附图中展示了这些实施例中的一些实施例)得到以上简要概述的本公开的更具体描述。然而，应注意，附图仅说明本公开的典型实施例，因此不应视为限制其范围，因为本公开可允许其他等效实施例。
9.图1是示出根据示例实施例的计算环境的框图。
10.图2是示出根据示例实施例的训练混合密度网络的方法的流程图。
11.图3是示出根据示例实施例的预测团队的队形的方法的流程图。
12.图4是示出根据示例实施例的示例性运动员分布的图表。
13.图5a是示出根据示例实施例的计算设备的框图。
14.图5b是示出根据示例实施例的计算设备的框图。
15.为了便于理解，在可能的情况下，使用相同的附图标记来表示附图中共有的相同元件。可以预期，在一个实施例中公开的元件可以有利地用于其他实施例而无需具体叙述。
具体实施方式
16.团队的队形在连续体育运动、特别是足球方面至关重要。然而，由于体育运动的固有排列混乱，从数据直接识别团队的队形是有挑战性的。常规系统已采取若干不同方法来消除排列噪声。例如，常规系统使用手动标记的角色的码本来消除排列角色。在另一示例中，常规系统已利用期望最大化来自动地确定每个运动员的角色分配。在这样的示例中，一旦排列噪声已经被消除，系统就观察队形。在另一示例中，常规系统已经将期望最大化方法与聚类算法组合，以在弱监督方法中识别诸如4-4-2队形和4-2-3-1队形的典型队形，该聚类算法对在每场比赛中观察到的队形(即，模板)进行聚类。在另一示例中，常规系统已经利用基于树的聚类方法来找到(例如，诸如在篮球中的)队形的层级并在进一步分割之前在树的每一层级将运动员对齐。
17.然而，在以上所有常规系统中，模板(或多个模板)是从训练集中学习的。然后将所有后续数据与这个模板或这些模板对齐。为了在给定背景中分析队形，常规系统应用滤波器来选择感兴趣的数据(例如，特定团队、比赛和分数线)，并且一旦排列已经被消除，通过观察每个角色的位置分布来获得队形。一旦排列混乱被去除，由于特定背景内的示例的数量有限，因此仍然难以找到背景特定(例如，在防御时、在防守反击时、在落后时等)的队形。
18.本文所描述的一种或更多种技术通过提供预测算法来改进常规技术，该预测算法可以学习(即，预测)特定背景下团队的队形而不是依赖于过滤方法。进一步，本文所描述的一种或更多种技术可以使用端到端方法，该端到端方法既消除排列混乱又可预测运动员的期望位置分布(即，队形)。这样的技术可以使用具有gumbel-sinkhorn(gs)层和混合密度网络的神经网络框架来实现。例如，可以训练gs层以学习最佳排列，同时可以训练混合密度网络以在给定输入背景(诸如但不限于团队、控球、球位置等)和gs层输出的排列的情况下预测运动员位置的分布。
19.通过本文描述的一种或更多种技术，预测引擎可以使得团队和组织能够生成更准确的队形分析。例如，本文中所描述的预测引擎可以允许团队或组织在高度特定的场景或甚至先前未观察到的场景中识别团队的队形，作为背景的函数找到队形的平滑变化，以及捕获运动员的共同移动，而不是将每个运动员作为独立实体对待。进一步地，通过预测引擎，可以量化团队的当前位置的位置混乱。总的来说，通过改进排列消除步骤，预测引擎可以能够提供更准确的下游预测。
20.图1是示出根据示例实施例的计算环境100的框图。计算环境100可包括：经由网络105通信的跟踪系统102、组织计算系统104、以及一个或更多个客户端设备108。
21.网络105可以是任何合适的类型，网络105包括经由互联网(诸如，蜂窝或wi-fi网络)的单独连接。在一些实施例中，网络105可以使用直接连接(诸如，无线射频识别(rfid)、近场通信(nfc)、蓝牙
tm
、低能量蓝牙
tm
(ble)、wi-fi
tm
、zigbee
tm
、环境后向散射通信(abc)协议、usb、wan或lan)来连接终端、服务和移动设备。由于所传输的信息可以是私密的或机密的，出于安全考虑可以指示这些类型的连接中的一个或更多个被加密或以其他方式被保护。然而，在一些实施例中，所传输的信息可能不太私密，因此，为了方便而不是安全，可选择网络连接。
22.网络105可以包括用于交换数据或信息的任何类型的计算机网络装置。例如，网络105可以是互联网、专用数据网络、使用公共网络的虚拟专用网络和/或使得计算环境100中的组件能够在环境100的组件之间发送和接收信息的其他合适的连接。
23.跟踪系统102可以被定位在场地106中。例如，场地106可以被配置为举办包括一个或更多个主体112的体育赛事。跟踪系统102可被配置为记录比赛场地表面上的所有主体(即，运动员)以及一个或更多个其他相关对象(例如，球、裁判员等)的运动。在一些实施例中，跟踪系统102可以是使用例如多个固定相机的基于光学的系统。例如，可以使用具有六个静止的、校准的相机的系统，该系统将运动员和球的三维位置投影到球场的二维俯视图上。在一些实施例中，跟踪系统102可以是使用例如由运动员佩戴或嵌入待跟踪的对象中的射频识别(rfid)标签的基于无线电的系统。一般来说，跟踪系统102可以被配置为以高帧速率(例如，25hz)采样和记录。跟踪系统102可配置为针对比赛文件110中的每帧至少存储比赛场地表面上的所有主体和对象(例如，球、冰球等)的运动员身份和位置信息(例如，(x,y)位置)。
24.跟踪系统102可被配置为经由网络105与组织计算系统104通信。组织计算系统104可以被配置为管理和分析由跟踪系统102捕获的数据。组织计算系统104可以至少包括web客户端应用服务器114、预处理引擎116、数据存储118和预测引擎120。预处理引擎116和预测引擎120中的每一个可以包括一个或更多个软件模块。一个或更多个软件模块可以是存
储在介质(例如，组织计算系统104的存储器)上的代码或指令的集合，该代码或指令表示实现一个或更多个算法步骤的一系列机器指令(例如，程序代码)。这样的机器指令可以是组织计算系统104的处理器解释以实现指令的实际计算机代码，或者可替代地，可以是被解释以获得实际计算机代码的指令的更高级别的编码。一个或更多个软件模块还可以包括一个或更多个硬件组件。示例算法的一个或更多个方面可由硬件组件(例如，电路)本身执行，而不是作为指令的结果。
25.数据存储118可被配置为存储一个或更多个比赛文件124。每个比赛文件124可由跟踪系统102捕获和生成。在一些实施例中，一个或更多个比赛文件124中的每个均可包括从特定比赛或赛事捕获的所有原始数据。例如，从特定比赛或赛事捕获的原始数据可以包括比赛的x，y坐标。
26.预处理引擎116可以被配置为处理从数据存储118检索的数据。例如，预处理引擎116可以被配置为生成可以用于训练预测引擎120的与预测团队的队形相关联的组件的一个或更多个信息集。预处理引擎116可扫描存储在数据存储118中的一个或更多个比赛文件中的每个以识别一个或更多个度量，该一个或更多个度量包括但不限于控球的团队、对手、每个团队的运动员的数量、球(或冰球)的x，y坐标等。在一些实施例中，可提供比赛背景，诸如但不限于当前分数、比赛中剩余的时间、当前节/半场/局次/时段等。
27.预测引擎120可被配置为消除体育运动数据中固有的排列噪声并预测团队的基础队形。例如，给定输入集(例如，团队、对手、球位置、控球等)的情况下，预测引擎120可被配置为预测运动员的期望位置。在一些实施例中，运动员的期望位置可以由n个p维均值和(p
×
p)维协方差的集合(例如，混合)参数化，其中n可以表示混合的数量，p可以表示运动员的数量。作为输出，预测引擎120可以生成最佳排列或最佳队形。在一些实施例中，预测引擎120还可以输出与最佳队形相关联的语义标签。例如，预测引擎120可以输出“4-4-2队形”、“4-3-3队形”、“3-5-2队形”、“1-3-1队形”等。
28.预测引擎120可包括深度神经网络，诸如但不限于混合密度网络122。混合密度网络122可被训练为在给定输入集(例如，团队、对手、球位置、控球等)的情况下，预测运动员的最佳排列或最佳队形。混合密度网络122可以包括gumbel-sinkhorn(gs)层126和混合密度上限128。
29.可以训练gs层126以学习最佳排列。例如，给定输入集，可以训练gs层126以执行每个运动员到每个角色的软分配。这可以允许反向传播，从而使得预测引擎120能够在排列学习步骤而不是排列消除步骤方面抛出问题。因为现在的任务是要预测运动员位置的可能分布，所以更多预测(即，良好队形和类似于模板)的那些帧可能对整体预测贡献更多。使用每个运动员到每个角色的软分配和反向传播，gs层126可以学习从可能的排列集中识别最佳排列。
30.通常，gs层126可以包括sinkhorn算子，该sinkhorn算子允许计算运动员顺序的排列是有利的排列的可能性。然而，为了对混合密度网络应用排列，混合密度网络122可能需要对排列的可能性设置阈值(例如，argmax)。然而，这不是简单的过程，因为argmax是不可微分的。换言之，来自混合密度层的损失不能传播到排列学习层(例如，gs层126)。为了绕过argmax，可以在训练期间使用gumbel softmax以允许端到端学习。
31.在一些实施例中，gs层126可以通过迭代地标准化数据的矩阵表示的行和列直到
矩阵是等同softmax激活函数的排列矩阵为止来工作。
32.在一些实施例中，为了应用sinkhorn算子(即，为了建立排列等变的网络)，可以使用具有n个输出的神经网络，每个输出具有n个特征，其中n是运动员的数量。每个输出可以是矩阵的行，gs层126可以将sinkhorn算子应用于该矩阵。
33.混合密度上限128可以被配置为学习在给定输入背景(例如，团队、对手、控球、球位置等)和来自gs层126的排列输出的情况下如何预测运动员位置的分布。例如，混合密度上限128可以被训练以通过预测基础分布来学习队形，这可以对运动员位置进行建模。通过学习这些分布，混合密度上限128可以预测高度特定的背景或者甚至未知的背景中的队形。这是优于常规方法的重要成就。例如，在常规方法中，随着背景变得越来越具体(例如，当球处于比赛场地表面上的特定位置时)，示例的数量被严重减少并且所观察到的“队形”变得不敏感。
34.在一些实施例中，混合密度上限128可以被配置为将所有运动员位置的可能性预测为具有混合权重πi、平均值μi和方差σi的高斯的混合。为了找到π、μ、和σ的最佳值，混合密度网络122可以预测πs、μs、σs集，并且可以计算一批真实样本的可能性。这通常需要知道运动员的排列。照此，必须应用在gs层126中学习的排列。通过使用混合密度上限128，混合密度网络122可在很少的背景特定数据的限制下被正则化。
35.给定最佳排列或最佳队形的情况下，预测引擎120可以使用该信息来预测缺失的运动员的角色或位置。例如，当利用广播视频信息时，由于相机角度和比赛的整体运动，当前在比赛场地表面上的一个或更多个运动员可能超出相机的标志线。预测引擎120可以利用最佳队形预测来识别在相机的视野之外的运动员的角色和/或位置。预测引擎120可以通过将当前队形预测变换成运动员位置分布来生成这样的预测，由此可以预测每个运动员位置的位置。预测引擎120可利用该信息来估计那些缺失的运动员和/或校正计算机视觉系统中的假阳性识别。
36.在一些实施例中，可以向预测引擎120提供关于团队的当前队形的先验知识。例如，可以向预测引擎120提供人类注释的或机器注释的输入数据。给定该先验信息的情况下，预测引擎120可以预测该队形内的运动员位置。以此方式，预测引擎120可以被配置为估计从广播流中缺失的运动员的运动员位置。
37.客户端设备108可以经由网络105与组织计算系统104通信。客户端设备108可以由用户操作。例如，客户端设备108可以是移动设备、平板电脑、台式计算机或具有本文描述的能力的任何计算系统。用户可包括但不限于诸如与组织计算系统104相关联的实体的订阅者、客户、预期客户或顾客的个人，诸如已从与组织计算系统104相关联的实体获得、将从与组织计算系统104相关联的实体获得、或可从与组织计算系统104相关联的实体获得产品、服务或咨询的个人。
38.客户端设备108可以至少包括应用132。应用132可以表示允许访问网站的web浏览器或独立应用。客户端设备108可以访问应用132以访问组织计算系统104的一个或更多个功能。客户端设备108可以通过网络105通信以例如从组织计算系统104的web客户端应用服务器114请求网页。例如，客户端设备108可以被配置为执行应用132以访问由web客户端应用服务器114管理的内容。显示给客户端设备108的内容可以从web客户端应用服务器114传输到客户端设备108，并且随后由应用132处理以通过客户端设备108的图形用户界面(gui)
显示。
39.图2是示出根据示例实施例的训练混合密度网络122的方法200的流程图。方法200可在步骤202处开始。
40.在步骤202处，组织计算系统104可以从数据存储118检索一个或更多个赛事数据集。例如，预处理引擎116可以从数据存储118检索一个或更多个赛事数据集。在一些实施例中，赛事数据可以包括与给定竞赛的每次控球相关联的信息。例如，赛事数据可以包括控球的团队、对手、球的x，y坐标等。如本领域技术人员认识到的，每场比赛或竞赛可以包括多个数据集，每个数据集对应于相应控球或部分控球。
41.在步骤204处，组织计算系统104可基于一个或更多个数据集来将混合密度网络122参数化。例如，预处理引擎116可以通过n个p维均值和(p x p)维协方差的集合(即，混合)来参数化混合密度网络122，其中n可以表示混合的数量，p可以表示运动员的数量。
42.在步骤206处，组织计算系统104可以基于一个或更多个数据集来学习以预测运动员的最佳队形。例如，gs层126可以学习以基于控球的团队、对手、以及球或冰球的x，y坐标中的至少一个或更多个来执行每个运动员到每个角色的软分配。每个运动员到每个角色的软分配可以导致生成可能的排列集。使用反向传播，gs层126可以学习如何从可能的排列集中识别最佳排列。
43.在一些实施例中，预测引擎120可以学习与每个最佳队形相关联的语义标签。例如，预测引擎120可以学习生成语义标签，诸如但不限于，“4-4-2队形”、“4-3-3队形”、“3-5-2队形”、“1-3-1队形”等。
44.在步骤208处，组织计算系统104可以基于一个或更多个数据集和最佳排列来学习运动员的分布。例如，混合密度上限128可以被训练以通过预测基础分布来学习队形，这可以对运动员位置进行建模。通过学习这些分布，混合密度上限128可以预测高度特定的背景或者甚至未知的背景中的队形。
45.在步骤210处，组织计算系统104可输出完全训练的预测模型。例如，组织计算系统104可输出被配置为预测团队的队形的完全训练的混合密度网络122。
46.图3是示出根据示例实施例的预测团队的队形的方法300的流程图。方法300可在步骤302处开始。
47.在步骤302处，组织计算系统104可接收给定竞赛或控球的赛事信息。例如，组织计算系统104可以从客户端设备108接收赛事信息。在一些实施例中，赛事信息可以至少包括与具有球的团队、对手、以及球或冰球的x，y坐标中的一个或更多个相关的数据。
48.在步骤304处，组织计算系统104可将赛事信息输入到预测引擎120中。在一些实施例中，将赛事信息输入到预测引擎120可以包括基于赛事数据来参数化混合密度网络122。例如，预处理引擎116可以通过n个p维均值和(p x p)维协方差的集合(即，混合)来参数化混合密度网络122，其中n可以表示混合的数量，p可以表示在赛事数据中描述的运动员的数量。
49.在步骤306处，组织计算系统104可以基于赛事信息生成每个运动员的期望位置。gs层126可以基于赛事数据生成最佳排列。例如，使用基于赛事信息的每个运动员到每个角色的软分配，gs层126可以生成多个可能的排列。根据多个可能的排列，gs层126可以识别最佳排列。混合密度上限128可以基于赛事信息和来自gs层126的输出来预测每个运动员的基
础分布。然后，混合物密度上限128可以预测运动员的队形。
50.在一些实施例中，预测引擎120还可以输出与最佳队形相关联的语义标签。例如，预测引擎120可以输出“4-4-2队形”、“4-3-3队形”、“3-5-2队形”、“1-3-1队形”等。
51.如本领域技术人员认识到的，混合密度网络122提供了优于常规系统的许多优点。首先，混合密度网络122可被配置为生成可能的运动员位置的多模态分布。由于团队很少在他们的确切队形中被发现，因此这样的功能有助于捕获体育运动队形的不确定性和可变性。其次，混合密度网络122能够同时建模所有运动员的交互。例如，混合密度网络122可生成2p维分布作为输出，该2p维分布描述运动员的定位，其中p可表示运动员的数量，因子2可基于x，y坐标。这允许混合密度网络122不仅建模运动员的期望位置，还建模一个运动员的位置的变化可如何影响另一个运动员的位置。相反，常规方法将其视为二维、p维分布，因此不能识别或捕获运动员之间的交互。
52.图4示出了根据示例实施例的示例性运动员分布的图表400。如图所示，图表400可以包括球位置402
1-4024(通常为“球位置402”)和运动员分布404。每个运动员分布可以对应于运动员的分布，颜色可以对应于生成该分布的球位置402。如图所示，团队处于基础4-3-2-1队形中，但团队的精确形状和运动员的定位随着球的位置变化而变化。
53.图5a示出了根据示例实施例的计算系统500的架构。系统500可以表示组织计算系统104的至少一部分。系统500的一个或更多个组件可以使用总线505彼此电通信。系统500可包括处理单元(cpu或处理器)510和系统总线505，该系统总线505将包括系统存储器515(诸如只读存储器(rom)520和随机存取存储器(ram)525)的不同系统组件耦接至处理器510。系统500可以包括与处理器510直接连接、紧密接近处理器510或集成为处理器510的一部分的高速存储器的高速缓存。系统500可以将数据从存储器515和/或存储设备530复制到高速缓存512以供处理器510快速访问。以此方式，高速缓存512可提供避免处理器510在等待数据时延迟的性能提升。这些和其他模块可以控制或被配置为控制处理器510以执行不同动作。其他系统存储器515也可用于使用。存储器515可以包括具有不同性能特性的多个不同类型的存储器。处理器510可包括任何通用处理器和硬件模块或软件模块，诸如存储在存储设备530中的服务1 532、服务2 534和服务3 536，硬件模块或软件模块被配置为控制处理器510以及专用处理器，其中软件指令被并入到实际处理器设计中。处理器510本质上可以是完全独立的计算系统，包含多个核或处理器、总线、存储器控制器、高速缓存等。多核处理器可以是对称的或非对称的。
54.为了实现与计算系统500的用户交互，输入设备545可以表示任何数量的输入机构，诸如用于语音的麦克风、用于手势或图形输入的触敏屏、键盘、鼠标、运动输入、语音等等。输出设备535(例如，显示器)还可以是本领域技术人员已知的多个输出机构中的一个或更多个。在一些实例中，多模式系统可以使得用户能够提供多种类型的输入来与计算系统500通信。通信接口540通常可以控制和管理用户输入和系统输出。在任何特定硬件装置上操作没有限制，因此当改进的硬件或固件装置被开发时此处的基本特征可以容易地被它们替代。
55.存储设备530可以是非暂时性存储器并且可以是硬盘或可以存储可由计算机访问的数据的其他类型的计算机可读介质，诸如磁带盒、闪存卡、固态存储器设备、数字通用盘、盒式磁带、随机存取存储器(ram)525、只读存储器(rom)520、以及其混合。
56.存储设备530可以包括用于控制处理器510的服务532、534和536。构想了其他硬件或软件模块。存储设备530可以连接到系统总线505。在一个方面中，执行特定功能的硬件模块可包括与必要硬件组件(诸如，处理器510、总线505、输出设备535等)结合的存储在计算机可读介质中以实施功能的软件组件。
57.图5b示出了具有芯片组架构的计算机系统550，该芯片组架构可以表示组织计算系统104的至少一部分。计算机系统550可以是可用于实现所公开的技术的计算机硬件、软件和固件的示例。系统550可包含处理器555，其表示能够执行被配置为执行所识别的计算的软件、固件和硬件的任何数量的物理和/或逻辑上不同的资源。处理器555可与芯片组560通信，芯片组560可控制到处理器555的输入和来自处理器555的输出。在该示例中，芯片组560将信息输出到输出565(例如，显示器等)，且可将信息读取和写入到存储设备570，存储设备570可包含例如磁性介质和固态介质。芯片组560还可以从ram 575读取数据和向ram 575写入数据。可以提供用于与各种用户接口组件585接口连接的桥580以用于与芯片组560接口连接。这样的用户接口组件585可以包括键盘、麦克风、触摸检测和处理电路、诸如鼠标之类的定点设备等。一般而言，给系统550的输入可来自机器生成和/或人类生成的各种源中的任何一种源。
58.芯片组560还可以与具有不同物理接口的一个或更多个通信接口590接口连接。这样的通信接口可以包括用于有线和无线局域网、用于宽带无线网络以及个人局域网的接口。本文公开的用于生成、显示和使用gui的方法的一些应用可包括：通过物理接口接收经排序的数据集，或者由机器本身通过处理器555分析存储在存储设备570或ram 575中的数据来生成。进一步地，机器可通过用户接口组件585从用户接收输入，并通过使用处理器555解释这些输入来执行适当的功能，诸如浏览功能。
59.可以理解，示例系统500和550可以具有多于一个处理器510或是联网在一起以提供更大处理能力的计算设备组或群集的一部分。
60.虽然前述内容是针对本文描述的实施例，但是在不背离其基本范围的情况下，可以设计其他和进一步的实施例。例如，本公开的各方面可用硬件或软件或硬件和软件的组合来实现。本文描述的实施例可以实现为与计算机系统一起使用的程序产品。程序产品的程序定义实施例(包括本文描述的方法)的功能，并且可以被包含在各种计算机可读存储介质上。说明性计算机可读存储介质包括但不限于：(i)其上永久地存储信息的非可写存储介质(例如，计算机内的只读存储器(rom)设备，诸如可由cd-rom驱动器读取的cd-rom盘、闪存、rom芯片或任何类型的固态非暂时性存储器)；以及(ii)其上存储有可变信息的可写存储介质(例如，硬盘驱动器或磁盘驱动器内的软盘或任何类型的固态随机存取存储器)。当携带指导所公开的实施例的功能的计算机可读指令时，这样的计算机可读存储介质是本公开的实施例。
61.本领域的技术人员将了解的是，前述示例是示例性的而非限制性的。在阅读说明书和研究附图之后，所有置换、增强、等同物、及其改进对于本领域技术人员而言都是显而易见的，都被包括在本公开的真实精神和范围内。因此，所附权利要求旨在包含落入这些教导的真实精神和范围内的所有这些修改、置换和等同物。