一种识别文本地域属性的方法、装置、服务器及存储介质转让专利
申请号 : CN202010488420.4
文献号 : CN111611801B
文献日 : 2021-09-14
发明人 : 康战辉
申请人 : 腾讯科技(深圳)有限公司
摘要 :
权利要求 :
1.一种识别文本地域属性的方法,其特征在于,所述方法包括:对待识别文本进行分词处理,得到文本词语集,其中,待识别文本为需要进行地域属性识别的文本,地域属性为文本所属的地域分类;
根据所述文本词语集中词语对于所述待识别文本的重要程度,确定所述文本词语集中的第一关键词语;
将所述文本词语集中的词语与预置地域特征库中的地域特征进行匹配,确定所述文本词语集中的第二关键词语;
将所述第一关键词语和第二关键词语作为所述待识别文本的文本关键词语;
根据所述待识别文本的文本关键词语,确定用于表征所述待识别文本的特征词向量序列;
基于地域识别模型对所述特征词向量序列进行地域识别处理,得到所述待识别文本的地域属性;所述地域识别模型是基于训练文本以及所述训练文本对应的地域属性标签进行机器学习确定的。
2.根据权利要求1所述的识别文本地域属性的方法,其特征在于,所述地域特征包括从地域的地理名称、地域包含的标志性地点名称、地域包含的标识机构名称组成的群组中选择的至少一个。
3.根据权利要求1所述的识别文本地域属性的方法,其特征在于,所述根据所述待识别文本的文本关键词语,确定用于表征所述待识别文本的特征词向量序列包括:基于预先训练得到的关键词向量模型,将所述待识别文本的文本关键词语转换为词向量,得到所述文本关键词语对应的关键词向量;
根据所述文本关键词语对应的关键词向量,确定所述特征词向量序列;
其中,所述关键词向量模型是基于word2vector算法对包括不同地域属性文本的文本关键词语进行训练得到的。
4.根据权利要求3所述的识别文本地域属性的方法,其特征在于,所述根据所述文本关键词语对应的关键词向量,确定所述特征词向量序列包括:获取所述文本关键词语对应的同义词语;
基于预先训练得到的关键词向量模型,将所述同义词语转换为词向量,得到所述文本关键词语对应的同义词向量;
根据所述文本关键词语对应的关键词向量和所述同义词向量,确定所述特征词向量序列。
5.根据权利要求3所述的识别文本地域属性的方法,其特征在于,所述根据所述文本关键词语对应的关键词向量,确定所述特征词向量序列包括:确定所述待识别文本的文本关键词语之间的互信息特征值;
按照所述关键词向量的维度,将所述互信息特征值映射为互信息特征向量;
根据所述文本关键词语对应的关键词向量和所述互信息特征向量,确定所述特征词向量序列。
6.根据权利要求5所述的识别文本地域属性的方法,其特征在于,所述确定所述待识别文本的文本关键词语之间的互信息特征值包括:针对任意两个不同的文本关键词语,确定所述两个不同的文本关键词语在所述待识别文本中共同出现的概率,得到共现概率;
确定所述两个不同的文本关键词语中每个文本关键词语在所述待识别文本中的出现概率,分别得到第一出现概率和第二出现概率;
确定所述第一出现概率和第二出现概率的乘积;
根据所述共现概率与所述乘积结果的比值,确定所述两个不同的文本关键词语之间的互信息特征值。
7.根据权利要求1所述的识别文本地域属性的方法,其特征在于,所述方法还包括训练所述地域识别模型;所述训练所述地域识别模型包括:获取训练文本以及所述训练文本的地域属性标签;所述训练文本包括不同地域频道中的地域频道数据;所述地域属性标签是基于所述训练文本对应的地域频道确定的;
确定所述训练文本对应的文本关键词语;
根据所述训练文本对应的文本关键词语,确定用于表征所述训练文本的特征词向量序列;
构建卷积神经网络模型;
将所述训练文本的特征词向量序列输入所述卷积神经网络模型,对所述卷积神经网络模型进行机器学习训练,直至所述卷积神经网络模型的预测标签与所述训练文本的地域属性标签相匹配;
将所述预测标签与所述地域属性标签相匹配时的卷积神经网络模型作为所述地域识别模型。
8.根据权利要求1所述的识别文本地域属性的方法,其特征在于,所述根据所述文本词语集中词语对于所述待识别文本的重要程度,确定所述文本词语集中的第一关键词语包括:
确定所述文本词语集中每个词语的出现次数;
确定所述文本词语集中每个词语的逆向文件频率;
根据每个词语的出现次数和逆向文件频率,确定所述文本词语集中每个词语的重要程度因子;
将所述文本词语集中所述重要程度因子满足预设条件的词语,确定为第一关键词语。
9.根据权利要求1所述的识别文本地域属性的方法,其特征在于,在得到所述待识别文本的地域属性之后,所述方法还包括:将所述待识别文本的地域属性存储至区块链系统中。
10.一种识别文本地域属性的装置,其特征在于,所述装置包括:分词模块,用于对待识别文本进行分词处理,得到文本词语集,其中,待识别文本为需要进行地域属性识别的文本,地域属性为文本所属的地域分类;
第一关键词语确定模块,用于根据所述文本词语集中词语对于所述待识别文本的重要程度,确定所述文本词语集中的第一关键词语;
第二关键词语确定模块,用于将所述文本词语集中的词语与预置地域特征库中的地域特征进行匹配,确定所述文本词语集中的第二关键词语;
文本关键词语确定模块,用于将所述第一关键词语和第二关键词语作为所述待识别文本的文本关键词语;
特征序列确定模块,用于根据所述待识别文本的文本关键词语,确定用于表征所述待识别文本的特征词向量序列;
地域识别模块,用于基于地域识别模型对所述特征词向量序列进行地域识别处理,得到所述待识别文本的地域属性;所述地域识别模型是基于训练文本以及所述训练文本对应的地域属性标签进行机器学习确定的。
11.一种服务器,其特征在于,包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1~9中任一项所述的识别文本地域属性的方法。
12.一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至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1~9任一项所述的识别文本地域属性的方法。
说明书 :
一种识别文本地域属性的方法、装置、服务器及存储介质
技术领域
背景技术
讯本身也越来越有地域性特点。目前的很多信息流应用中会进行本地化资讯推荐,也即根
据信息流应用用户的地域来推荐具有该地域属性的资讯,因此,对于资讯所属地域分类的
准确性将对本地化资讯推荐的准确性产生很大影响。
行粗略判定,判定结果的准确性差,进而导致本地化资讯推荐的准确性大大降低。
发明内容
进行机器学习确定的。
本对应的地域属性标签进行机器学习确定的。
地域频道确定的;
与所述训练文本的地域属性标签相匹配;将所述预测标签与所述地域属性标签相匹配时的
卷积神经网络模型作为所述地域识别模型。
以实现上述识别文本地域属性的方法。
行以实现如上述的识别文本地域属性的方法。
用于表征待识别文本的特征词向量序列,以及基于地域识别模型对特征词向量序列进行地
域识别处理,得到待识别文本的地域属性,其中,地域识别模型是基于训练文本以及训练文
本对应的地域属性标签进行机器学习确定的,从而通过多特征融合的地域识别模型提高了
对于待识别文本地域属性识别的准确性。当待识别文本为类似公众号资讯时,可以提高该
资讯所属地域分类的准确性,进而提高信息流应用中本地化资讯推荐的准确性。
附图说明
本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他
的附图。
具体实施方式
本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其
他实施例,都属于本发明保护的范围。
的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆
盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限
于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产
品或设备固有的其它步骤或单元。
型便携计算机等。第二终端140可以是智能手机、台式计算机、平板电脑和膝上型便携计算
机等。推荐服务器110和地域识别服务器120均可以是一个独立运行的服务器,也可以是由
多个服务器组成的服务器集群。
微信公众号,终端用户可以通过自媒体平台发布相关资讯。可以理解的,图1A中将信息流应
用和自媒体平台分别示意在两个不同的终端中,实际应用中,每个终端可以同时配置有信
息流应用和自媒体平台,也即,图1A中的第一终端130也可以配置有自媒体平台,第一终端
130的用户也可以通过其配置的自媒体平台发布相关资讯。图1A中的第二终端140也可以配
置有信息流应用,第二终端140的用户可以通过其配置的信息流应用获取推荐的资讯。
120。地域识别服务器120对接收的资讯进行分词处理得到文本词语集,并根据文本词语集
中词语对于该资讯的重要程度确定出第一关键词语,以及将文本词语集中的词语与预置地
域特征库中的地域特征进行匹配确定出第二关键词语,将该第一关键词语和第二关键词语
作为该资讯的文本关键词语,并根据该文本关键词语确定用于表征该资讯的特征词向量序
列,基于地域识别模型对该特征词向量序列进行地域识别处理,得到该资讯的地域属性,其
中,地域识别模型是基于训练文本以及训练文本对应的地域属性标签进行机器学习确定
的。资讯的地域属性用于表征资讯所属的某一个地域。
荐服务器110还可以根据该资讯的地域属性将该资讯划分到与其地域属性相匹配的待推荐
资讯组中。例如,识别出资讯的地域属性为“北京”,则可以将该资讯划分到北京资讯组中,
该北京资讯组中资讯的地域属性均为北京。推荐服务器110在向第一终端130的用户进行本
地化资讯推荐时,可以根据第一终端130的当前地域确定地域属性与之相匹配的目标资讯,
然后推送该目标资讯,实现了本地化资讯推荐。
限定。
提高信息流应用中本地化资讯推荐的准确性。
块链系统中的其他节点设备,实现多个节点设备之间的信息共享。
客户端。每个节点101在进行正常工作时可以接收到输入信息,并基于接收到的输入信息维
护该区块链系统内的共享数据。为了保证区块链系统内的信息互通,区块链系统中的每个
节点之间可以存在信息连接,节点之间可以通过上述信息连接进行信息传输。例如,当区块
链系统中的任意节点接收到输入信息时,区块链系统中的其他节点便根据共识算法获取该
输入信息,将该输入信息作为共享数据中的数据进行存储,使得区块链系统中全部节点上
存储的数据均一致。对于区块链系统中的每个节点,均具有与其对应的节点标识,而且区块
链系统中的每个节点均可以存储有区块链系统中其他节点的节点标识,以便后续根据其他
节点的节点标识,将生成的区块广播至区块链系统中的其他节点。
息特征值、版本号、时间戳和难度值,区块主体中存储有输入信息;创始块的下一区块以创
始块为父区块,下一区块中同样包括区块头和区块主体,区块头中存储有当前区块的输入
信息特征值、父区块的区块头特征值、版本号、时间戳和难度值,并以此类推,使得区块链中
每个区块中存储的区块数据均与父区块中存储的区块数据存在关联,保证了区块中输入信
息的安全性。在生成区块链中的各个区块时,参见图1D,区块链所在的节点在接收到输入信
息时,对输入信息进行校验,完成校验后,将输入信息存储至内存池中,并更新其用于记录
输入信息的哈希树;之后,将更新时间戳更新为接收到输入信息的时间,并尝试不同的随机
数,多次进行特征值计算,使得计算得到的特征值可以满足下述公式:
入信息的特征值;ntime为更新时间戳的更新时间;nbits为当前难度,在一段时间内为定
值,并在超出固定时间段后再次进行确定;x为随机数;TARGET为特征值阈值,该特征值阈值
可以根据nbits确定得到。
将新生成的区块分别发送给其所在的区块链系统中的其他节点,由其他节点对新生成的区
块进行校验,并在完成校验后将新生成的区块添加至其存储的区块链中。
获取该识别结果。
和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用
系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产
出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能
机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综
合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术,其中,人工智能软件技
术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等
几大方向。
论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,
重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计
算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包
括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
域识别服务器120。
仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或产品执
行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者
多线程处理的环境)。具体如图2所示,所述方法可以包括:
更多、更细划分的城市。
求,该资讯发布请求中可以携带将要发布的资讯,推荐服务器从资讯发布请求中提取资讯,
并将该资讯作为待识别文本发送给地域识别服务器,相应的地域识别服务器接收到待识别
文本。
发布请求,并从资讯发布请求中提取资讯,将该资讯作为待识别文本。
测到该发布入口的触发操作时,发布资讯的终端接收到资讯发布指令,并根据资讯编辑界
面的资讯内容生成资讯发布请求。
定。例如,发布资讯的终端检测到发布入口的触发操作的情况可以是该终端检测到发布入
口的压力触控操作,也可以是该终端检测到发布入口的点击操作等。其中,点击操作可以是
指通过鼠标进行的点击操作,也可以是指通过键盘以输入快捷键的方式进行的点击操作
等。
词语集。具体的分词可以采用如jieba、THULAC、SnowNLP、pynlpir、CoreNLP以及pyLTP等分
词工具,也可以采用第三方平台接口,比如人工智能平台(Artificial Intelligence
Laboratory,AiLab)进行分词,本发明实施例对此不作具体限定。
程度。
章中出现的频率tf高,并且在其他文章中很少出现,则认为该词语具有很好的类别区分能
力,适合用来分类。而逆向文件频率idf是一个词语普遍重要性的度量,主要是指如果包含
某个词语的文档越少,idf越大,则说明该词语具有很好的类别区分能力。由此,使用词频‑
逆向文件频率可以计算某个词语在某篇文章里面的重要性。
可以通过以下公式计算:
中词语的逆向文件频率确定时,从语料库对应的词语集中匹配待识别文本的文本词语集中
的词语,然后将匹配的词语对应的逆向文件频率作为待识别文本的文本词语集中词语的逆
向文件频率。其中,针对语料库,确定语料库对应的词语集合中各个词语的逆向文本频率可
以通过以下公式计算:
idfi。
逆向文件频率大于预置阈值的所有词语确定为第一关键词语;预设条件还可以是词频‑逆
向文件频率大于预设阈值的前预设数量个,也即将文本词语集中词频‑逆向文件频率大于
预置阈值的前预设数量个词语确定为第一关键词语;其中,前预设数量个可以是前10个、前
20个等等。
关键词语。其中,预置阈值可以根据实际需要或者历史经验进行设定。
中,该地理区域可以为某个城市,该城市所属的行政区等级不受限制,例如,地理区域可以
是地级以上的城市,也可以是县级以上的城市等等。
理名称可以但不限于是城市名称,如“北京”、“上海”、“深圳”等等;地域包含的标志性地点
名称可以是标志性的景点名称,如“鼓浪屿”、“山海关”、“八达岭长城”、“凤凰古城”等等,还
可以是标志性的建筑物名称,如“世贸大厦”、“广州新电视塔”等等,还可以是标志性的河
流、山川的名称等等;地域包含的标识机构名称可以但不限于是公司名称,如“甲骨文”、“华
为总部”等等。
确定为第二关键词语;反之,若某个词语在预置地域特征库中不存在相匹配的地域特征,则
确定该词语不是第二关键词语,从而可以得到至少一个第二关键词语。
语。
基于文本关键词语对应的关键词向量,确定用于表征待识别文本的特征词向量序列。
中的地域频道数据得到,例如,爬取不同地域频道中的新闻,得到不同地域属性的资讯。
属性的文本对应的文本关键词语进行学习训练,最终可以得到关键词向量模型。其中,
word2vector算法是由Google的Mikolov等人提出的一个词向量计算模型,该算法的具体实
现过程在此不再赘述,可以参见现有技术中对该算法的相关描述。
本。其中,关键词向量序列可以基于文本关键词在待识别文本中的前后顺序来确定各关键
词向量的顺序得到。
向量序列可以包括:
配到地域特征的第二关键词语,因此预先形成的同义词语词典中可以包括各个地域特征的
同义词语,例如,地域特征“上海”的同义词语可以包括“沪”、“申城”等等。
基于word2vector算法对不同地域属性的文本对应的文本关键词以及相应的同义词语进行
学习训练,最终可以得到关键词向量模型,该关键词向量模型即可以实现文本关键词语的
向量转换,也可以实现文本关键词语的同义词语的向量转换。可以理解的,同义词向量的维
度与关键词向量的维度相一致。
征值具体可以通过以下公式计算:
关键词语x和文本关键词语y在待识别文本中共同出现次数在待识别文本的文本词语集中
所有词语总出现次数的比例;p(x)表示文本关键词语x在待识别文本中的出现概率,其计算
方式为文本关键词语x在待识别文本中的出现次数与待识别文本的文本词语集中所有词语
总出现次数的比值;p(y)表示文本关键词语y在待识别文本中的出现概率,其计算方式为文
本关键词语y在待识别文本中的出现次数与待识别文本的文本词语集中所有词语总出现次
数的比值;PMI(x,y)表示文本关键词语x和文本关键词语y的互信息特征值。
列。
序列表示为{
征向量序列进行拼接。
向量和/或互信息特征向量。该嵌入矩阵可以是静态(static)固定的,也可以是非静态
(non‑static)的,当为非静态时可以根据反向传播进行更新。
征词向量的维度,高度为超参数,可以根据需要进行设置。在卷积核进行卷积运算的过程
中,该扫描窗口可以按照目标步长扫描嵌入矩阵。以一个卷积核为例,该卷积核的扫描窗口
是一个宽度为d,高度为h的矩阵w,那么该矩阵w有h*d个参数需要被更新。嵌入矩阵A是一个
s行d列的矩阵(即A∈Rs×d),A[i:j]表示A的第i行到底j行,那么卷积操作可以用如下公式
表示:Oi=w·A[i:i+h‑1],i=1,2,...,s‑h+1;为了提高模型的表达能力,还可以在Oi的基
础上叠加偏置b,并通过加入激活函数f()来加入非线性因素,最终得到所需的卷积特征
(feature map),具体卷积特征Ci=f(Oi+b)。
达。
核对应卷积特征中的最大值,得到池化特征。
softmax函数中包含的是一个非线性分类器,对全连接层送入的特征向量进行地域属性识
别训练(即识别出特征向量所对应的地域属性标签)。具体的,可以确定特征向量与各个地
域属性标签匹配的概率值,将与特征向量匹配的概率值最高的地域属性标签确定为特征向
量的地域属性,得到待识别文本的地域属性。
以被抓取作为训练文本,该训练文本的地域属性标签即为地域频道“咸阳”。
对于每个地域频道可以得到至少一个正样本训练文本和至少一个负样本训练文本。
等。
层的嵌入矩阵进行卷积处理,得到卷积特征,在卷积处理时可以使用一维卷积也即只在垂
直方向做卷积。卷积层可以有多个尺寸不同的卷积核,例如有6个卷积核,尺寸分别为(2×
5),(3×5)和(4×5),每个尺寸各包含2个卷积核;池化层可以对卷积处理得到的卷积特征
进行池化处理,以使得各个卷积核对应的卷积特征的维度相同,一般可以进行最大值池化,
池化处理得到各个卷积核对应的池化特征;池化特征可以通过全连接层级联得到一个特征
向量,该特征向量被送入分类器进行分类训练,该分类器可以是softmax分类器。
的地域属性标签相匹配。
通过交叉熵函数对卷积神经网络模型中的参数进行更新。
网络模型中进行反向传播,以更新卷积神经网络模型中的各项参数。
神经网络模型中的参数进行更新。
率趋近于某一个较低值(比如趋近于0)。
文本关键词,并根据文本关键词语确定用于表征待识别文本的特征词向量序列,以及基于
地域识别模型对特征词向量序列进行地域识别处理,得到待识别文本的地域属性,其中,地
域识别模型是基于训练文本以及训练文本对应的地域属性标签进行机器学习确定的,从而
通过多特征融合的地域识别模型提高了对于待识别文本地域属性识别的准确性。当待识别
文本为类似公众号资讯时,可以提高该资讯所属地域分类的准确性,进而提高信息流应用
中本地化资讯推荐的准确性。
几种实施例提供的识别文本地域属性的方法相对应,因此前述识别文本地域属性的方法的
实施方式也适用于本实施例提供的识别文本地域属性的装置,在本实施例中不再详细描
述。
以由硬件实现,也可以由硬件执行相应的软件实现。如图6所示,该装置可以包括:
文本对应的地域属性标签进行机器学习确定的。
地域频道确定的;
与所述训练文本的地域属性标签相匹配;将所述预测标签与所述地域属性标签相匹配时的
卷积神经网络模型作为所述地域识别模型。
即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,
上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这
里不再赘述。
根据文本关键词语确定用于表征待识别文本的特征词向量序列,以及基于地域识别模型对
特征词向量序列进行地域识别处理,得到待识别文本的地域属性,其中,地域识别模型是基
于训练文本以及训练文本对应的地域属性标签进行机器学习确定的,从而通过多特征融合
的地域识别模型提高了对于待识别文本地域属性识别的准确性。当待识别文本为类似公众
号资讯时,可以提高该资讯所属地域分类的准确性,进而提高信息流应用中本地化资讯推
荐的准确性。
执行以实现如上述方法实施例所提供的识别文本地域属性的方法。
区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区
可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,
还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存
储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
的方法的服务器的硬件结构框图,如图7所示,该服务器700可因配置或性能不同而产生比
较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)710
(处理器710可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存
储数据的存储器730,一个或一个以上存储应用程序723或数据722的存储介质720(例如一
个或一个以上海量存储设备)。其中,存储器730和存储介质720可以是短暂存储或持久存
储。存储在存储介质720的程序可以包括一个或一个以上模块,每个模块可以包括对服务器
中的一系列指令操作。更进一步地,中央处理器710可以设置为与存储介质720通信,在服务
器700上执行存储介质720中的一系列指令操作。服务器700还可以包括一个或一个以上电
源760,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口740,和/
或,一个或一个以上操作系统721,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,
FreeBSDTM等等。
一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相
连从而可与互联网进行通讯。在一个实例中,输入输出接口740可以为射频(Radio
Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
图7所示不同的配置。
序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供
的识别文本地域属性的方法。
光盘等各种可以存储程序代码的介质。
些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且
仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连
续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者
可能是有利的。
施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例
的部分说明即可。
存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。