词语重要性的分析方法及装置
技术领域
本说明书涉及文本处理技术领域,尤其涉及一种词语重要性的分析方法及装置。
背景技术
目前,对于文本中的词语的重要性,通常是基于大量标注数据的序列标注方法来确定的,但这种方法需要人工进行大量的标注数据,导致标注任务难度很大、成本很高、且主观性很强;此外,若要获取大量的标注数据做训练,也几乎很难实现。
发明内容
本说明书一个或多个实施例的目的是提供一种词语重要性的分析方法及装置,用以实现更加快速、准确地分析词语重要性的目的。
为解决上述技术问题,本说明书一个或多个实施例是这样实现的:
一方面,本说明书一个或多个实施例提供一种词语重要性的分析方法,包括:
获取第一文本中待分析的多个词语;
利用预先训练的特征识别模型对各所述词语进行特征识别,得到各所述词语分别对应的向量;
确定各所述向量分别对应的重要性分值;其中,所述重要性分值包括以下至少一项:根据各所述向量的长度所确定的第一分值、根据各所述向量在不同维度上的最大向量值所确定的第二分值;
根据各所述重要性分值的大小,确定各所述分值对应的各所述词语在所述第一文本中的重要程度。
在一个实施例中,所述重要性分值包括所述第一分值;
相应的,所述确定各所述向量分别对应的重要性分值,包括:
计算各所述向量的长度值;
对各所述向量的长度值进行归一化处理,得到各所述向量的归一化后的长度值;
将各所述向量的归一化后的长度值确定为各所述向量分别对应的所述第一分值。
在一个实施例中,所述重要性分值包括所述第二分值;
相应的,所述确定各所述向量分别对应的重要性分值,包括:
筛选出各所述向量在其各维度上的最大向量值;
根据各所述最大向量值为各所述来源向量进行赋值,得到各所述向量对应的所述第二分值。
在一个实施例中,所述根据各所述最大向量值为各所述来源向量进行赋值,得到各所述向量对应的所述第二分值,包括:
确定各所述最大向量值对应的来源向量;
确定所述来源向量对应的所述第二分值为所述最大向量值;及,确定各所述向量中除所述来源向量之外的其他向量对应的所述第二分值为零。
在一个实施例中,当所述重要性分值包括所述第一分值及所述第二分值时,所述确定各所述向量分别对应的重要性分值,包括:
计算所述第一分值及所述第二分值的平均值;
确定所述平均值为各所述向量分别对应的重要性分值。
在一个实施例中,所述方法还包括:
获取样本数据,所述样本数据包括多个样本文本及各所述样本文本中包含的样本词语;
利用多个指定模型对所述样本数据进行识别,得到所述样本文本和/或所述样本词语的特征信息;其中,所述指定模型包括分类模型、文本匹配模型、序列标注模型中的至少一项;
利用所述样本数据及对应的所述特征信息进行模型训练,得到所述特征识别模型。
另一方面,本说明书一个或多个实施例提供一种词语重要性的分析装置,包括:
获取模块,用于获取第一文本中待分析的多个词语;
第一识别模块,用于利用预先训练的特征识别模型对各所述词语进行特征识别,得到各所述词语分别对应的向量;
第一确定模块,用于确定各所述向量分别对应的重要性分值;其中,所述重要性分值包括以下至少一项:根据各所述向量的长度所确定的第一分值、根据各所述向量在不同维度上的最大向量值所确定的第二分值;
第二确定模块,用于根据各所述重要性分值的大小,确定各所述分值对应的各所述词语在所述第一文本中的重要程度。
在一个实施例中,所述重要性分值包括所述第一分值;
相应的,所述第一确定模块包括:
第一计算单元,用于计算各所述向量的长度值;
归一化单元,用于对各所述向量的长度值进行归一化处理,得到各所述向量的归一化后的长度值;
第一确定单元,用于将各所述向量的归一化后的长度值确定为各所述向量分别对应的所述第一分值。
在一个实施例中,所述重要性分值包括所述第二分值;
相应的,所述第一确定模块包括:
筛选单元,用于筛选出各所述向量在其各维度上的最大向量值;
赋值单元,用于根据各所述最大向量值为各所述来源向量进行赋值,得到各所述向量对应的所述第二分值。
在一个实施例中,所述赋值单元还用于:
确定各所述最大向量值对应的来源向量;
确定所述来源向量对应的所述第二分值为所述最大向量值;及,确定各所述向量中除所述来源向量之外的其他向量对应的所述第二分值为零。
在一个实施例中,所述第一确定模块包括:
第二计算单元,用于当所述重要性分值包括所述第一分值及所述第二分值时,计算所述第一分值及所述第二分值的平均值;
第二确定单元,用于确定所述平均值为各所述向量分别对应的重要性分值。
在一个实施例中,所述装置还包括:
获取模块,用于获取样本数据,所述样本数据包括多个样本文本及各所述样本文本中包含的样本词语;
第二识别模块,用于利用多个指定模型对所述样本数据进行识别,得到所述样本文本和/或所述样本词语的特征信息;其中,所述指定模型包括分类模型、文本匹配模型、序列标注模型中的至少一项;
训练模块,用于利用所述样本数据及对应的所述特征信息进行模型训练,得到所述特征识别模型。
再一方面,本说明书一个或多个实施例提供一种词语重要性的分析设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取第一文本中待分析的多个词语;
利用预先训练的特征识别模型对各所述词语进行特征识别,得到各所述词语分别对应的向量;
确定各所述向量分别对应的重要性分值;其中,所述重要性分值包括以下至少一项:根据各所述向量的长度所确定的第一分值、根据各所述向量在不同维度上的最大向量值所确定的第二分值;
根据各所述重要性分值的大小,确定各所述分值对应的各所述词语在所述第一文本中的重要程度。
再一方面,本申请实施例提供一种存储介质,用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
获取第一文本中待分析的多个词语;
利用预先训练的特征识别模型对各所述词语进行特征识别,得到各所述词语分别对应的向量;
确定各所述向量分别对应的重要性分值;其中,所述重要性分值包括以下至少一项:根据各所述向量的长度所确定的第一分值、根据各所述向量在不同维度上的最大向量值所确定的第二分值;
根据各所述重要性分值的大小,确定各所述分值对应的各所述词语在所述第一文本中的重要程度。
采用本说明书一个或多个实施例的技术方案,能够利用预先训练的特征识别模型识别出第一文本中各词语的特征向量,并确定各向量分别对应的重要性分值,该重要性分值包括根据各向量的长度所确定的第一分值、根据各向量在不同维度上的最大向量值所确定的第二分值中的至少一项;进而根据各向量分别对应的重要性分值确定各词语在第一文本中的重要程度。可见,该技术方案在分析各词语在文本中的重要程度时,无需对文本中的各词语进行标注,而只需分析各词语对应的特征向量即可,因此可节省大量的标注成本,且相对于主观性的标注任务而言,这种智能化的向量分析方法能够更准确地分析出各词语在文本中的重要程度。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或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说明书一个或多个实施例中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本说明书一实施例的一种词语重要性的分析方法的示意性流程图;
图2是根据本说明书一实施例的一种词语重要性的分析装置的示意性框图;
图3是根据本说明书一实施例的一种词语重要性的分析设备的示意性框图。
具体实施方式
本说明书一个或多个实施例提供一种词语重要性的分析方法及装置,用以实现更加快速、准确地分析词语重要性的目的。
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书一个或多个实施例保护的范围。
图1是根据本说明书一实施例的一种词语重要性的分析方法的示意性流程图,如图1所示,该方法包括:
S102,获取第一文本中待分析的多个词语。
该步骤中,各采用现有的分词技术对第一文本进行分词处理,从而得到第一文本中待分析的多个词语。
S104,利用预先训练的特征识别模型对各词语进行特征识别,得到各词语分别对应的向量。
S106,确定各向量分别对应的重要性分值。
其中,重要性分值包括以下至少一项:根据各向量的长度所确定的第一分值、根据各向量在不同维度上的最大向量值所确定的第二分值。
S108,根据各重要性分值的大小,确定各分值对应的各词语在第一文本中的重要程度。
在一个实施例中,向量所对应的重要性分值越大,该向量对应的词语在第一文本中的重要程度越高。
采用本说明书一个或多个实施例的技术方案,能够利用预先训练的特征识别模型识别出第一文本中各词语的特征向量,并确定各向量分别对应的重要性分值,该重要性分值包括根据各向量的长度所确定的第一分值、根据各向量在不同维度上的最大向量值所确定的第二分值中的至少一项;进而根据各向量分别对应的重要性分值确定各词语在第一文本中的重要程度。可见,该技术方案在分析各词语在文本中的重要程度时,无需对文本中的各词语进行标注,而只需分析各词语对应的特征向量即可,因此可节省大量的标注成本,且相对于主观性的标注任务而言,这种智能化的向量分析方法能够更准确地分析出各词语在文本中的重要程度。
在一个实施例中,利用预先训练的特征识别模型对各词语进行特征识别,得到各词语分别对应的向量之后,可采用特定编码器对各词语分别对应的向量进行编码,并输出最后一个隐藏层。由于最后一个隐藏层对于各词语重要程度的分析结果非常重要,因此上述实施例中的S106可针对所输出的最后一个隐藏层来执行。其中,特定编码器可以是现有的任一种编码器,如CNN编码器、LSTM编码器等。
上述实施例中,各向量分别对应的重要性分值可通过多种方式来确定。以下详细说明两种确定各向量分别对应的重要性分值的方法。
在一个实施例中,可通过以下方式确定各向量分别对应的重要性分值:
首先,计算各向量的长度值。
其中,向量的长度值即为向量的模值,
其次,对各向量的长度值进行归一化处理,得到各向量的归一化后的长度值。
该步骤中,对各向量的长度值进行归一化处理时,可先计算各向量的长度值的总和,然后将各向量的长度值分别除以该总和值,即可得到各向量的归一化后的长度值。
再次,将各向量的归一化后的长度值确定为各向量分别对应的第一分值。
本实施例中,向量对应的第一分值越大,该向量所对应的词语在第一文本中的重要程度越高。将各向量的长度值作为对应向量所对应的第一分值,即,每个向量的模值决定了向量所对应的词语的重要程度。
例如,第一文本“我没有挂失支付宝,短信怎么提示我挂失呢?”包括以下待分析的词语:我、没有、挂失、短信等。假设通过计算各词语对应的向量的长度值,确定出词语“挂失”对应的向量的长度值为3,词语“短信”对应的向量的长度值为9;所有词语对应的向量的长度值总和为20。那么通过进行归一化处理,可确定出词语“挂失”对应的归一化后的长度值为3/20,即0.15,词语“短信”对应的归一化后的长度值为9/20,即0.45。因此,词语“挂失”对应的第一分值为0.15,词语“短信”对应的第一分值为0.45。显然,词语“短信”在第一文本中的重要程度高于词语“挂失”。
在一个实施例中,可通过以下方式确定各向量分别对应的重要性分值:
首先,筛选出各向量在其各维度上的最大向量值。
其次,根据各最大向量值为各来源向量进行赋值,得到各向量对应的第二分值。
具体的,可先确定各向量在其各维度上的最大向量值对应的来源向量,然后确定来源向量对应的第二分值即为最大向量值,并确定各向量中除来源向量之外的其他向量对应的第二分值为零。
沿用上述举例,第一文本“我没有挂失支付宝,短信怎么提示我挂失呢?”包括以下待分析的词语:我、没有、挂失、短信等,这些词语对应的向量为二维向量,实际应用中,各词语对应的向量可以是任一维度的多维向量。假设各词语对应的向量在第一维度上的最大向量值为0.2,在第二维度上的最大向量值为0.8。其中,第一维度上的最大向量值0.2对应的来源向量为词语“挂失”对应的向量,第二维度上的最大向量值0.8对应的来源向量为词语“短信”对应的向量。因此,可将最大向量值0.2赋值给词语“挂失”对应的向量,并将最大向量值0.8赋值给词语“短语”对应的向量,并且,除词语“挂失”及“短语”之外的其他词语对应的向量被赋值为0。即,词语“挂失”对应的向量的第二分值为0.2,词语“短语”对应的向量的第二分值为0.8,其他词语对应的向量的第二分值为0。
本实施例中,向量对应的第二分值越大,则该向量对应的词语在第一文本中的重要程度越高。因此上述例子中,词语“短语”在第一文本中的重要程度最高,词语“挂失”在第一文本中的重要程度次高,其他词语在第一文本中的重要程度较低。
此外,上述例子中,假设第一维度上的最大向量值0.2及第二维度上的最大向量值0.8对应的来源向量相同,均为词语“挂失”对应的向量,那么可将0.2及0.8均赋值给词语“挂失”对应的向量,同时也说明词语“挂失”在第一文本中的重要程度非常高。
在一个实施例中,若重要性分值包括第一分值及第二分值,则可计算第一分值及第二分值的平均值,并确定第一分值及第二分值的平均值为各向量分别对应的重要性分值。
在一个实施例中,若重要性分值包括第一分值及第二分值,可确定第一分值及第二分值分别对应的权重,进而根据第一分值及第二分值分别对应的权重对第一分值及第二分值进行加权计算,从而计算出各向量分别对应的重要性分值。
在一个实施例中,S104中,对各词语进行特征识别的特征识别模型可采用以下方法进行训练:
首先,获取样本数据,该样本数据包括多个样本文本及各样本文本中包含的样本词语。
其中,各采用现有的分词技术对样本文本进行分词处理,从而得到样本文本中包含的样本词语。
其次,利用多个指定模型对样本数据进行识别,得到样本文本和/或样本词语的特征信息。
其中,指定模型包括分类模型、文本匹配模型、序列标注模型中的至少一项。
再次,利用样本数据及对应的特征信息进行模型训练,得到特征识别模型。
例如,利用分类模型识别出样本文本的文本类型为新闻类文本、娱乐类文本、体育类文本等;利用文本匹配模型识别出各样本文本与不同类型文本之间的相似度信息;利用序列标注模型识别出样本文本中各词语的词性(如动词、名词等)。利用这些指定模型识别出的特征信息进一步用于训练特征识别模型,可使得训练出的特征识别模型具有很高的通用性。并且,指定模型数量越多,特征识别模型的通用性也就越强。
综上,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同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,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
以上为本说明书一个或多个实施例提供的词语重要性的分析方法,基于同样的思路,本说明书一个或多个实施例还提供一种词语重要性的分析装置。
图2是根据本说明书一实施例的一种词语重要性的分析装置的示意性框图,如图2所示,词语重要性的分析装置200包括:
获取模块210,用于获取第一文本中待分析的多个词语;
第一识别模块220,用于利用预先训练的特征识别模型对各词语进行特征识别,得到各词语分别对应的向量;
第一确定模块230,用于确定各向量分别对应的重要性分值;其中,重要性分值包括以下至少一项:根据各向量的长度所确定的第一分值、根据各向量在不同维度上的最大向量值所确定的第二分值;
第二确定模块240,用于根据各重要性分值的大小,确定各分值对应的各词语在第一文本中的重要程度。
在一个实施例中,重要性分值包括第一分值;
相应的,第一确定模块230包括:
第一计算单元,用于计算各向量的长度值;
归一化单元,用于对各向量的长度值进行归一化处理,得到各向量的归一化后的长度值;
第一确定单元,用于将各向量的归一化后的长度值确定为各向量分别对应的第一分值。
在一个实施例中,重要性分值包括第二分值;
相应的,第一确定模块230包括:
筛选单元,用于筛选出各向量在其各维度上的最大向量值;
赋值单元,用于根据各最大向量值为各来源向量进行赋值,得到各向量对应的第二分值。
在一个实施例中,赋值单元还用于:
确定各最大向量值对应的来源向量;
确定来源向量对应的第二分值为最大向量值;及,确定各向量中除来源向量之外的其他向量对应的第二分值为零。
在一个实施例中,第一确定模块230包括:
第二计算单元,用于当重要性分值包括第一分值及第二分值时,计算第一分值及第二分值的平均值;
第二确定单元,用于确定平均值为各向量分别对应的重要性分值。
在一个实施例中,装置200还包括:
获取模块,用于获取样本数据,样本数据包括多个样本文本及各样本文本中包含的样本词语;
第二识别模块,用于利用多个指定模型对样本数据进行识别,得到样本文本和/或样本词语的特征信息;其中,指定模型包括分类模型、文本匹配模型、序列标注模型中的至少一项;
训练模块,用于利用样本数据及对应的特征信息进行模型训练,得到特征识别模型。
采用本说明书一个或多个实施例的装置,能够利用预先训练的特征识别模型识别出第一文本中各词语的特征向量,并确定各向量分别对应的重要性分值,该重要性分值包括根据各向量的长度所确定的第一分值、根据各向量在不同维度上的最大向量值所确定的第二分值中的至少一项;进而根据各向量分别对应的重要性分值确定各词语在第一文本中的重要程度。可见,该装置在分析各词语在文本中的重要程度时,无需对文本中的各词语进行标注,而只需分析各词语对应的特征向量即可,因此可节省大量的标注成本,且相对于主观性的标注任务而言,这种智能化的向量分析方法能够更准确地分析出各词语在文本中的重要程度。
本领域的技术人员应可理解,上述词语重要性的分析装置能够用来实现前文所述的词语重要性的分析方法,其中的细节描述应与前文方法部分描述类似,为避免繁琐,此处不另赘述。
基于同样的思路,本说明书一个或多个实施例还提供一种词语重要性的分析设备,如图3所示。词语重要性的分析设备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的处理器301和存储器302,存储器302中可以存储有一个或一个以上存储应用程序或数据。其中,存储器302可以是短暂存储或持久存储。存储在存储器302的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对词语重要性的分析设备中的一系列计算机可执行指令。更进一步地,处理器301可以设置为与存储器302通信,在词语重要性的分析设备上执行存储器302中的一系列计算机可执行指令。词语重要性的分析设备还可以包括一个或一个以上电源303,一个或一个以上有线或无线网络接口304,一个或一个以上输入输出接口305,一个或一个以上键盘306。
具体在本实施例中,词语重要性的分析设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对词语重要性的分析设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取第一文本中待分析的多个词语;
利用预先训练的特征识别模型对各所述词语进行特征识别,得到各所述词语分别对应的向量;
确定各所述向量分别对应的重要性分值;其中,所述重要性分值包括以下至少一项:根据各所述向量的长度所确定的第一分值、根据各所述向量在不同维度上的最大向量值所确定的第二分值;
根据各所述重要性分值的大小,确定各所述分值对应的各所述词语在所述第一文本中的重要程度。
可选地,所述重要性分值包括所述第一分值;
相应的,计算机可执行指令在被执行时,还可以使所述处理器:
计算各所述向量的长度值;
对各所述向量的长度值进行归一化处理,得到各所述向量的归一化后的长度值;
将各所述向量的归一化后的长度值确定为各所述向量分别对应的所述第一分值。
可选地,所述重要性分值包括所述第二分值;
相应的,计算机可执行指令在被执行时,还可以使所述处理器:
筛选出各所述向量在其各维度上的最大向量值;
根据各所述最大向量值为各所述来源向量进行赋值,得到各所述向量对应的所述第二分值。
可选地,计算机可执行指令在被执行时,还可以使所述处理器:
确定各所述最大向量值对应的来源向量;
确定所述来源向量对应的所述第二分值为所述最大向量值;及,确定各所述向量中除所述来源向量之外的其他向量对应的所述第二分值为零。
可选地,计算机可执行指令在被执行时,还可以使所述处理器:
当所述重要性分值包括所述第一分值及所述第二分值时,计算所述第一分值及所述第二分值的平均值;
确定所述平均值为各所述向量分别对应的重要性分值。
可选地,计算机可执行指令在被执行时,还可以使所述处理器:
获取样本数据,所述样本数据包括多个样本文本及各所述样本文本中包含的样本词语;
利用多个指定模型对所述样本数据进行识别,得到所述样本文本和/或所述样本词语的特征信息;其中,所述指定模型包括分类模型、文本匹配模型、序列标注模型中的至少一项;
利用所述样本数据及对应的所述特征信息进行模型训练,得到所述特征识别模型。
本说明书一个或多个实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行上述词语重要性的分析方法,并具体用于执行:
获取第一文本中待分析的多个词语;
利用预先训练的特征识别模型对各所述词语进行特征识别,得到各所述词语分别对应的向量;
确定各所述向量分别对应的重要性分值;其中,所述重要性分值包括以下至少一项:根据各所述向量的长度所确定的第一分值、根据各所述向量在不同维度上的最大向量值所确定的第二分值;
根据各所述重要性分值的大小,确定各所述分值对应的各所述词语在所述第一文本中的重要程度。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,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。
以上所述仅为本说明书一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的权利要求范围之内。