一种设计理性知识网络的知识融合方法、装置及存储介质

摘要

本发明提供一种理性知识网络的知识融合方法、装置及存储介质，涉及文本挖掘技术领域，解决多篇技术文献知识融合的问题。包括：对理性知识网络中的多篇技术文献提取知识节点；对于单篇所述技术文献中提取的设计理性知识，对各个知识节点基于文档结构层次按照知识融合规则，对相同的知识节点进行合并；遍历每篇所述技术文献的各个知识节点，对多篇技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算，确定相同类别的知识节点之间的相似性关系，对相同或者相近的知识节点进行合并。可以根据语义相似性分析结果，消除不同来源的知识节点的冗余，从而实现多篇技术文献之间的知识融合。(56)对比文件Yu Zhang等.A semantic-based knowledgefusion model for solution-orientedinformation network development: a casestudy in intrusion detectionfield.Scientometrics.2018,第857-886页.

权利要求

1.一种设计理性知识网络的知识融合方法，其特征在于，包括：

获取多篇目标技术文献的知识节点；

分别对每篇所述目标技术文献的各个知识节点，基于文档结构层次按照知识融合规则，对相同的知识节点进行合并；

遍历每篇所述目标技术文献的合并后的各个知识节点，对多篇目标技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算，确定相同类别的知识节点之间的相似性关系，对相同或者相近的知识节点进行融合，相同类别的知识节点之间的相似性关系包括相同、相近或者无关；

根据融合后的多篇所述目标技术文献的各个知识节点之间的关联关系建立设计理性知识网络；

所述知识节点包括以下至少之一：技术文献信息、人工制品信息、设计问题信息、设计意图信息、设计论证信息，优缺点信息、持有立场信息、设计方案信息、备选方案信息；

基于文档结构层次按照知识融合规则，对相同的知识节点进行合并包括：

对于人工制品信息或优缺点信息，将所述目标技术文献中同一文档结构或者不同文档结构中的知识节点进行词汇语义比对或者叙词表比对，将相同含义或者相近含义的知识节点进行合并；

对于设计问题信息或持有立场信息，对所述目标技术文献中同一文档结构或者不同文档结构中的正面描述信息和负面描述信息进行分析，将相同含义或者相近含义的知识节点进行合并；

对于设计意图信息、设计论证信息、设计方案信息或备选方案信息，将所述目标技术文献中同一文档结构或者不同文档结构中的知识节点根据深度残差收缩网络的预设规则，将相同含义或者相近含义的知识节点进行合并；

对多篇目标技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算包括：对于不同目标技术文献中的第一知识节点A1和第二知识节点A2，所述第一知识节点A1和所述第二知识节点A2为相同类别的知识节点，分别对所述第一知识节点A1和第二知识节点A2提取文本得到第一文本T1和第二文本T2，对所述第一文本T1和第二文本T2分别进行预训练语言表征模型处理，再对处理后的数据分别进行池化操作，获得预设长度的第一句子嵌入向量Vt1和第二句子嵌入向量Vt2，对所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2进行余弦相似度计算，将余弦相似度计算结果与预设的阈值进行对比，确定相同类别的第一知识节点A1和第二知识节点A2之间的相似性关系。

2.根据权利要求1所述的知识融合方法，其特征在于，对所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2进行余弦相似度计算包括：所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2，通过如下表达式进行基于向量嵌入特征的余弦相似性计算：；

其中，θ为所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的夹角，Vt1i和Vt2i分别是所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的第i个组成元素，n为句子嵌入向量元素的数量，|| Vt1||和|| Vt2||分别是所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的模。

3.根据权利要求1所述的知识融合方法，其特征在于，预训练语言表征模型通过如下方式进行训练：获取预设数量的技术文献，对于不同技术文献中相同类别的知识节点，进行两两组队，逐一比对分析，采用基于预训练语言表征模型的句子转换器神经网络算法，将所述技术文献中的相同类别的知识节点对转化为嵌入向量对，利用文本语义的余弦相似度计算，确定所述预训练语言表征模型相似度系数。

4.根据权利要求2所述的知识融合方法，其特征在于，按照如下相似度取值范围确定相同类别的第一知识节点A1和第二知识节点A2之间的相似性关系：。

5.一种计算设备，包括：

至少一个处理器和存储有程序指令的存储器；

当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如权利要求1‑4中任一项所述的设计理性知识网络的知识融合方法。

6.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1‑4中任一项所述的设计理性知识网络的知识融合方法。

说明书

一种设计理性知识网络的知识融合方法、装置及存储介质

技术领域

[0001] 本申请涉及文本挖掘技术领域，尤其涉及一种设计理性知识网络的知识融合方法、装置及存储介质。

背景技术

[0002] 知识融合可以用于解决不同来源获取知识问题。针对数据收集的多维度、异构性和时间序列问题，可以利用知识融合对知识进行消歧、整合和推理，在消除一系列冗余和错误信息后得到高质量的知识。知识融合包括实体对齐，或实体、关系和属性的认知匹配，是构建知识网络的基本技术之一。同时，知识融合在不同的应用场景，知识融合技术和方法也不尽相同。对开放网络知识融合方法主要解决从互联网获取的知识与知识库中存在的知识之间的关联和合并计算问题，多知识库的知识融合主要解决多个知识库合并为一个知识库的问题。

[0003] 技术文献中往往存在重复表达的实体和关系，存在繁复和冗余问题，同时，对于计算机自动化解读来说，可能会产生二义性，导致错误。对于多篇文献之间的知识融合，知识融合的难度和计算量会呈几何倍数增长，其准确度也难以保证。

发明内容

[0004] 为了解决上述技术缺陷，本申请实施例提供了一种设计理性知识网络的知识融合方法、装置及存储介质。

[0005] 本申请实施例提供了一种设计理性知识网络的知识融合方法，包括：

[0006] 获取多篇目标技术文献的知识节点；

[0007] 分别对每篇所述目标技术文献的各个知识节点，基于文档结构层次按照知识融合规则，对相同的知识节点进行合并；

[0008] 遍历每篇所述目标技术文献的合并后的各个知识节点，对多篇目标技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算，确定相同类别的知识节点之间的相似性关系，对相同或者相近的知识节点进行融合，相同类别的知识节点之间的相似性关系包括相同、相近或者无关；

[0009] 根据融合后的多篇所述目标技术文献的各个知识节点之间的关联关系建立设计理性知识网络。

[0010] 可选地，所述知识节点包括以下至少之一：技术文献信息、人工制品信息、设计问题信息、设计意图信息、设计论证信息，优缺点信息、持有立场信息、设计方案信息、备选方案信息。

[0011] 可选地，对各个知识节点基于文档结构按照深度残差收缩网络知识融合规则，对相同的知识节点进行合并包括：

[0012] 对于人工制品信息或优缺点信息，将所述目标技术文献中同一文档结构或者不同文档结构中的知识节点进行词汇语义比对或者叙词表比对，将相同含义或者相近含义的知识节点进行合并；

[0013] 对于设计问题信息或持有立场信息，对所述目标技术文献中同一文档结构或者不同文档结构中的正面描述信息和负面描述信息进行分析，将相同含义或者相近含义的知识节点进行合并；

[0014] 对于设计意图信息、设计论证信息、设计方案信息或备选方案信息，将所述目标技术文献中同一文档结构或者不同文档结构中的知识节点根据深度残差收缩网络的预设规则，将相同含义或者相近含义的知识节点进行合并。

[0015] 可选地，对多篇目标技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算包括：

[0016] 对于不同目标技术文献中的第一知识节点A1和第二知识节点A2，所述第一知识节点A1和所述第二知识节点A2为相同类别的知识节点，分别对所述第一知识节点A1和第二知识节点A2提取文本得到第一文本T1和第二文本T2，对所述第一文本T1和第二文本T2分别进行预训练语言表征模型处理，再对处理后的数据分别进行池化操作，获得预设长度的第一句子嵌入向量Vt1和第二句子嵌入向量Vt2，对所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2进行余弦相似度计算，将余弦相似度计算结果与预设的阈值进行对比，确定相同类别的第一知识节点A1和第二知识节点A2之间的相似性关系。

[0017] 可选地，对所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2进行余弦相似度计算包括：

[0018] 所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2，通过如下表达式进行基于向量嵌入特征的余弦相似性计算：

[0019]

[0020] 其中，θ为所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的夹角，Vt1i和Vt2i分别是所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的第i个组成元素，n为句子嵌入向量元素的数量，|| Vt1||和|| Vt2||分别是所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的模。

[0021] 可选地，预训练语言表征模型通过如下方式进行训练：

[0022] 获取预设数量的技术文献，对于不同技术文献中相同类别的知识节点，进行两两组队，逐一比对分析，采用基于预训练语言表征模型的句子转换器神经网络算法，将所述技术文献中的相同类别的知识节点对转化为嵌入向量对，利用文本语义的余弦相似度计算，确定所述预训练语言表征模型相似度系数。

[0023] 可选地，按照如下相似度取值范围确定相同类别的第一知识节点A1和第二知识节点A2之间的相似性关系：

[0024]

[0025] 第二方面，本发明还提供一种设计理性知识网络的知识融合装置，包括：

[0026] 提取模块，用于获取多篇目标技术文献的知识节点；

[0027] 内部融合模块，用于分别对每篇所述目标技术文献的各个知识节点，基于文档结构层次按照知识融合规则，对相同的知识节点进行合并；

[0028] 外部融合模块，用于遍历每篇所述目标技术文献的合并后的各个知识节点，对多篇目标技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算，确定相同类别的知识节点之间的相似性关系，对相同或者相近的知识节点进行融合，相同类别的知识节点之间的相似性关系包括相同、相近或者无关；

[0029] 构建模块，用于根据融合后的多篇所述目标技术文献的各个知识节点之间的关联关系建立设计理性知识网络。

[0030] 第三方面，本发明还提供一种计算设备，包括：

[0031] 至少一个处理器和存储有程序指令的存储器；

[0032] 当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如上所述的设计理性知识网络的知识融合方法。

[0033] 第四方面，本发明还提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如上所述的设计理性知识网络的知识融合方法。

[0034] 本申请实施例中提供的设计理性知识网络的知识融合方法、装置及存储介质，首先，对来自于同一篇技术文献知识节点进行合并和融合，消除冗余，消除不同的表达方式可能会产生的二义性，避免词语二义性导致的错误。其次，对于来自于不同来源的知识节点，根据语义相似性分析结果，将“相等”关系或“相似”关系融合不同来源的知识节点，消除不同来源的知识节点的冗余，从而实现多篇技术文献之间的知识融合，并根据融合后的多篇技术文献的各个知识节点建立设计理性知识网络。

附图说明

[0035] 图1为本申请实施例提供的一种设计理性知识网络的知识融合方法的流程图；

[0036] 图2为本申请实施例提供的利用余弦夹角计算文本向量的相似性的示意图；

[0037] 图3为本申请实施例中语义相似度计算过程的示意图；

[0038] 图4为本申请实施例提供的一种设计理性知识网络的知识融合方法装置的结构示意图。

具体实施方式

[0039] 为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

[0040] 如图1所示，本发明实施例提供一种理性知识网络的知识融合方法，包括步骤S101至步骤S104：

[0041] S101、获取多篇目标技术文献的知识节点；

[0042] S102、分别对每篇所述目标技术文献的各个知识节点，基于文档结构层次按照知识融合规则，对相同的知识节点进行合并；

[0043] S103、遍历每篇所述目标技术文献的合并后的各个知识节点，对多篇目标技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算，确定相同类别的知识节点之间的相似性关系，对相同或者相近的知识节点进行融合，相同类别的知识节点之间的相似性关系包括相同、相近或者无关；

[0044] S104、根据融合后的多篇所述目标技术文献的各个知识节点之间的关联关系建立设计理性知识网络。

[0045] 本发明实施例中，所述知识节点包括以下至少之一：技术文献信息、人工制品信息、设计问题信息、设计意图信息、设计论证信息，优缺点信息、持有立场信息、设计方案信息、备选方案信息，其中，技术文献信息包括：名称信息、编号信息、创作者信息、创作者机构信息等。

[0046] 本发明实施例中，首先，对来自于同一篇技术文献知识节点进行合并和融合。在同一篇技术文献会存在重复表达的实体和关系，通常不同的表达方式，或者用不同的句式、语法或同义词是重复表述同一个意思。这种自然语言表达的多样性，在同一篇技术文献中多重表达从语义内容上不存在知识矛盾冲突问题，也不影响设计人员概念上的混淆，存在只是繁复和冗余问题，但是，对于计算机自动化解读来说，可能会产生二义性，导致错误。

[0047] 本发明实施例中解决这一问题，步骤S102中基于文档结构层次按照知识融合规则，对相同的知识节点进行合并包括：

[0048] 对于人工制品信息或优缺点信息，将所述目标技术文献中同一文档结构或者不同文档结构中的知识节点进行词汇语义比对或者叙词表比对，将相同含义或者相近含义的知识节点进行合并；

[0049] 对于设计问题信息或持有立场信息，对所述目标技术文献中同一文档结构或者不同文档结构中的正面描述信息和负面描述信息进行分析，将相同含义或者相近含义的知识节点进行合并；

[0050] 对于设计意图信息、设计论证信息、设计方案信息或备选方案信息，将所述目标技术文献中同一文档结构或者不同文档结构中的知识节点根据深度残差收缩网络的预设规则，将相同含义或者相近含义的知识节点进行合并。

[0051] 本发明实施例中，采用基于文档结构按照深度残差收缩网络（DRSN，Deep Residual Networks）知识融合规则对设计意图信息、设计论证信息、设计方案信息或备选方案信息等相同的实体和关系的进行合并，消除知识冗余，消除二义性。例如，对于专利文献等技术文献来说，相同的语义内容经常在同一篇文献中多次出现。从同一篇技术文献中提取的知识节点也存在知识冗余问题。在专利文献中可能存在冗余的实体包括问题（句子）、意图（短语、子句或句子）、方案（句子）、优缺点（单词）、人工制品（单词）等。本发明实施例中在重复实体之间建立“相当于”关系，实现知识节点合并。对于同一篇技术文献内部，对于设计意图信息、设计论证信息、设计方案信息或备选方案信息等知识节点，根据DRSN的知识融合规则，判定两个知识节点是否存在冗余。

[0052] 对于设计意图信息、设计论证信息、设计方案信息或备选方案信息的融合，根据DRSN的预定义规则，在同一篇技术文献内，如果语句 T1 和语句T2包含相同的元素和相同的设计意图，则语句T1 等同于语句T2，将两个语句之间建立“相等”关系。

[0053] 对于设计问题、持有立场的融合，在同一篇技术文献的某一部分或者段落通常只描述一个核心问题。提取对应的语句，对于设计问题和持有立场，负面描述可以看作是对对应语句的详细描述。因此将相同文档结构或不同文档结构中出现的正面或者负面语句可以被认为是“相等”的。

[0054] 对于人工制品（包括人工制品实体、人工制品元素）、优缺点信息的融合。通过合并同一技术文献中同一文档结构内部和不同文档结构之间的实体和对象元素，通过词汇语义比对方法或借助于叙词表方法实现知识融合。

[0055] 本发明实施例对同一篇技术文献内部的知识节点的知识融合可以减少冗余信息，更便于理解和使用。

[0056] 本发明实施例中，步骤S103中，对多篇目标技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算包括：

[0057] 对于不同目标技术文献中的第一知识节点A1和第二知识节点A2，所述第一知识节点A1和所述第二知识节点A2为相同类别的知识节点，分别对所述第一知识节点A1和第二知识节点A2提取文本得到第一文本T1和第二文本T2，对所述第一文本T1和第二文本T2分别进行预训练语言表征模型处理，再对处理后的数据分别进行池化操作，获得预设长度的第一句子嵌入向量Vt1和第二句子嵌入向量Vt2，对所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2进行余弦相似度计算，将余弦相似度计算结果与预设的阈值进行对比，确定相同类别的第一知识节点A1和第二知识节点A2之间的相似性关系。

[0058] 本发明实施例中，对于来自于不同来源的知识节点，需要集成不同的知识碎片。通过语义相似度计算分析两个知识节点是否重复，语义相似度分析是自然语言处理领域的一个研究分支，目标就是为了确定两个词、短语、句子、或段落文本的所表达语义的相似性。本发明实施例中知识融合的对象主要是句子、短文本和词，采用基于深度学习的语义相似性计算来分析这种短文本的语义相似度。例如，对于专利文献等技术文献来说，知识融合的对象包括人工制品句、论证句、意图句、问题句、方案句等，均由短语节点或词节点（人工制品信息包括人工制品实体和人工制品元素、优缺点信息、意图信息）构成。通过计算相应知识节点的语义相似性，可以分析两篇专利文献是否针对同一个技术问题，提出的技术方案是否围绕相同的人工制品，或者是否具有相同/相似的设计意图，从而实现专利技术文献的知识融合。通过逐个分析相同类别的知识节点之间是否存在关联关系来实现。

[0059] 本发明实施例中，对所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2进行余弦相似度计算包括：

[0060] 所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2，通过如下表达式进行基于向量嵌入特征的余弦相似性计算：

[0061]

[0062] 其中，θ为所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的夹角，Vt1i和Vt2i分别是所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的第i个组成元素，n为句子嵌入向量元素的数量，|| Vt1||和|| Vt2||分别是所述第一句子嵌入向量Vt1和所述第二句子嵌入向量Vt2的模。

[0063] 本发明实施例中，预训练语言表征模型通过如下方式进行训练：

[0064] 获取预设数量的技术文献，对于不同技术文献中相同类别的知识节点，进行两两组队，逐一比对分析，采用基于预训练语言表征模型的句子转换器神经网络算法，将所述技术文献中的相同类别的知识节点对转化为嵌入向量对，利用文本语义的余弦相似度计算，确定所述预训练语言表征模型相似度系数。

[0065] 本发明实施例中，按照如下相似度取值范围确定相同类别的第一知识节点A1和第二知识节点A2之间的相似性关系：

[0066]

[0067] 如图2所示，本发明实施例中，采用深度神经网络模型计算两个文本向量的余弦相似性。将拟比对的两个文本定义为T1和T2，文本对（T1，T2）由相应的文本嵌入（embeding）向量（Vt1，Vt2）表示。每个文本对（T1，T2）之间的语义相似性，通过余弦相似性计算来分析。

[0068] 图2中，Vt1和Vt2是文本T1和T2在向量空间的嵌入向量，其语义相似性体现在两个向量的夹角θ。夹角越小，说明两个文本相似度越高。文本相似性通过使用如下表达式基于向量嵌入特征的余弦相似性进行计算：

[0069]

[0070] 式中，Vt1i和Vt2i分别是 Vt1 和 Vt2向量的第i个组成元素。

[0071] 本发明实施例采用了基于BERT模型的深度神经网络模型，计算两个文本的语义相似度，如图3所示。图3中，输入为文本T1和T2，首先经过BERT处理，再进行池化（pooling）操作，这样可以产生一个固定大小的句子嵌入向量Vt1和Vt2。然后，再对两个句子嵌入向量进行余弦相似度计算。根据余弦相似度计算结果，与预设的阈值进行对比。输出结果分别为“相同”、“相似”和“无关”。

[0072] 本发明实施例训练和验证基于深度神经网络算法、通过语义相似度分析，验证知识融合的性能和效果，其中，训练过程分为：数据准备、嵌入文本向量构建、相似度计算及知识融合分析、建立相等/相似关系等步骤。

[0073] 1.数据准备

[0074] 以预设数量的专利文献中提取的知识节点为原始数据。这些提取的知识节点，依托专利文献元数据初步构建了不同文献之间的理性知识网络，包括相同申请人、相同发明人等关联关系。原始数据中包含人工制品，关系，以及问题等知识节点。

[0075] 2.嵌入文本向量构建

[0076] 针对知识节点“问题”，进行两两组对、嵌套循环，逐一比对分析，采用基于BERT的句子转换器（sentence transformer, SBERT）神经网络算法，更具体的采用了“all_MiniLM‑L12‑V2”的模型，将提取出问题对（T1，T2）转化为嵌入向量对（Vt1，Vt2）。该模型是在微软预训练模型microsoft/MiniLM‑L12‑H384‑uncased基础上进行的微调，将句子和段落映射到384维的密集向量空间，更适合用于文本语义的余弦相似度计算。

[0077] 3.相似度计算分析

[0078] 采用SBERT(句子转换器)的余弦相似度计算模块，相似度系数大于0.8认为是相等，为两个问题建立“issueIdenticalto”关系；相似度系数大于0.6，同时小于0.8认为是相似关系，为两个问题建立“issueSimilarto”关系。逐一循环进行比对分析，进行知识融合。

[0079] 本发明实施例的相似度分析可以用于专利导航。通过检索某一类相似问题，可同时用于分析该技术领域相关申请人分布示意图，通过相似专利可以快速的发现关注该领域的相关公司或机构，以及该公司机构还关注的其他相关技术问题。

[0080] 如图4所示，本发明实施例还提供一种设计理性知识网络的知识融合装置，包括：

[0081] 提取模块401，用于获取多篇目标技术文献的知识节点；

[0082] 内部融合模块402，用于分别对每篇所述目标技术文献的各个知识节点，基于文档结构层次按照知识融合规则，对相同的知识节点进行合并；

[0083] 外部融合模块403，用于遍历每篇所述目标技术文献的合并后的各个知识节点，对多篇目标技术文献中相同类别的知识节点逐对进行基于深度学习方法的语义相似度计算，确定相同类别的知识节点之间的相似性关系，对相同或者相近的知识节点进行融合，相同类别的知识节点之间的相似性关系包括相同、相近或者无关；

[0084] 构建模块404，用于根据融合后的多篇所述目标技术文献的各个知识节点之间的关联关系建立设计理性知识网络。

[0085] 本发明实施例还提供一种计算设备，包括：

[0086] 至少一个处理器和存储有程序指令的存储器；

[0087] 当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行上述的设计理性知识网络的知识融合方法。

[0088] 本发明实施例还提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行上述的设计理性知识网络的知识融合方法。

[0089] 这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD‑ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

[0090] 在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。

[0091] 以示例而非限制的方式，可读介质括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

[0092] 在此处所提供的说明书中，算法和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本发明的示例一起使用。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，本发明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发明的内容，并且上面对特定语言所做的描述是为了披露本发明的优选实施方式。

[0093] 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，本发明的实施例可以在没有这些具体细节的情况下被实践。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。

[0094] 类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明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：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。

[0095] 本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

[0096] 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。

[0097] 此外，本领域的技术人员能够理解，尽管在此所述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发明的范围之内并且形成不同的实施例。

[0098] 此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

[0099] 如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

[0100] 尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。