题目推荐方法和题目推荐装置
技术领域
本发明涉及互联网技术领域,尤其涉及一种题目推荐方法和题目推荐装置。
背景技术
现有相关题目的推荐方法,主要有三种手段:一种是根据当前题目的描述文本,试图找到描述类似的其他题目,展现给用户一个列表,列表中根据文本相似性进行排序;第二种是根据当前题目的知识点信息,试图找到相同或相似知识点的其他题目;第三种是根据用户的检索和点击行为,找到用户经常顺序查看的两个或多个问题,通过挖掘行为的频繁项,建立题目之间的关联关系,展现给用户一个列表,列表中根据关联关系的强弱来进行排序。
但是,上述方法推荐的题目的相关性都较差,推荐效果不理想。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种题目推荐方法,该方法可以提高推荐题目与检索题目的相关性,提高推荐效果。
本发明的另一个目的在于提出一种题目推荐装置。
为达到上述目的,本发明第一方面实施例提出的题目推荐方法,包括:接收检索题目;获取所述检索题目的题目属性信息,并根据所述题目属性信息获取初步检索结果;获取用户的用户描述信息,并根据所述用户描述信息对所述初步检索结果进行排序,得到排序后的结果;从所述排序后的结果后选择预设个数的结果,确定为推荐题目。
本发明第一方面实施例提出的题目推荐方法,通过获取题目属性信息并根据题目属性信息获取初步检索结果,由于参考了题目属性信息,不仅仅是文本相似度,因此可以提升推荐题目与检索题目的相关性;另外,通过获取用户描述信息,并根据用户描述信息对初步检索结果进行排序,可以在推荐时参考用户信息,提升与用户的相关性,提高推荐效果。
为达到上述目的,本发明第二方面实施例提出的题目推荐装置,包括:接收模块,用于接收检索题目;获取模块,用于获取所述检索题目的题目属性信息,并根据所述题目属性信息获取初步检索结果;排序模块,用于获取用户的用户描述信息,并根据所述用户描述信息对所述初步检索结果进行排序,得到排序后的结果;确定模块,用于从所述排序后的结果后选择预设个数的结果,确定为推荐题目。
本发明第二方面实施例提出的题目推荐装置,通过获取题目属性信息并根据题目属性信息获取初步检索结果,由于参考了题目属性信息,不仅仅是文本相似度,因此可以提升推荐题目与检索题目的相关性;另外,通过获取用户描述信息,并根据用户描述信息对初步检索结果进行排序,可以在推荐时参考用户信息,提升与用户的相关性,提高推荐效果。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例提出的题目推荐方法的流程示意图;
图2是本发明实施例中获取题目属性信息的流程示意图;
图3是本发明实施例中线上实现流程示意图;
图4是本发明实施例中获取初步检索结果的流程示意图;
图5是本发明实施例中获取用户描述信息的流程示意图;
图6是本发明实施例中线下实现流程示意图;
图7是本发明实施例中建立题目结构化信息库的流程示意图;
图8是本发明实施例中建立用户模型的流程示意图;
图9是本发明另一实施例提出的题目推荐装置的结构示意图;
图10是本发明另一实施例提出的题目推荐装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反,本发明的实施例包括落入所附调权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的题目推荐方法的流程示意图,该方法包括:
S11:接收检索题目。
当用户需要检索题目时,可以在搜索框中输入检索题目。
可以理解的是,本实施例可以由服务器执行,当由服务器执行时,浏览器内的搜索框接收到用户输入的检索题目后,可以将该检索题目发送给服务器,由服务器接收浏览器发送的检索题目。或者,
本实施例也可以由具有搜索功能的web产品实现,该web产品包括前端与用户交互的部分以及后台处理部分,此时,可以由该web产品的前端接收到用户输入的检索题目,例如由搜索框接收到用户输入的检索题目。
S12:获取所述检索题目的题目属性信息,并根据所述题目属性信息获取初步检索结果。
可选的,参见图2,所述获取所述检索题目的题目属性信息,包括:
S21:获取所述检索题目的标识信息;
例如,当用户输入的检索题目是图片形式时,可以先对图片进行光学字符识别(Optical Character Recognition,OCR)识别,得到识别结果,在预先保存的原题库中,查找与识别结果相同或者类似的题目,将查找到的相同或类似的题目的标识信息(id)作为当前的检索题目的标识信息(id)。
S22:在预先建立的题目结构化信息库中,获取与所述标识信息对应的题目属性信息,其中,所述题目结构化信息库中对应保存题目的标识信息与题目属性信息。
在获取检索题目的id后,可以在预先建立的题目结构化信息库获取与检索题目的id对应的题目属性信息。
题目结构化信息库中与题目的标识信息对应保存有题目属性信息,题目属性信息例如包括:题目类型,题目难度,题目结构,题目知识点,回答质量,归一化后的题目描述等。
具体的,根据用户输入的检索题目获取推荐题目是在线上***完成的。参见图3,线上***可以包括题目特征获取模块31,题目特征获取模块31获取到检索题目后,可以从题目结构化信息库中获取题目属性信息。
参见图3,线上***还可以包括:文本检索模块32,题目特征获取模块31获取到题目属性信息后,文本检索模块32可以根据题目属性信息获取初步检索结果。
可选的,参见图4,所述根据所述题目属性信息获取初步检索结果,包括:
S41:获取所述检索题目的关键词,并根据所述关键词进行文本检索,得到文本检索结果;
例如,可以采用通用的分词技术对检索题目进行分词,再根据预设规则从得到的分词中获取关键词。预设规则例如根据分词在检索题目中的位置,在题库中的重要程度,是否主题词等。
在获取关键词后,可以以关键词作为检索词(query),在已有的数据库中检索相关题目,得到文本描述相关的文本检索结果。
S42:根据所述题目属性信息对所述文本检索结果进行调权,得到调权后的检索结果;
例如,可以根据检索题目的知识点,类型,难度,回答质量等信息,对文本检索结果进行调权。具体的,可以限定文本检索结果与检索题目的知识点相同或相近,将类型,难度与检索题目相近的文本检索结果加权,回答质量高的文本检索结果加权等。具体的加权的数值可以根据实际需求预先设置。
通过调权,可以得到具有不同权重的文本检索结果。
另外,本实施例中采用的知识点可以是细粒度的知识点,具体的可以参见后续题目知识点抽取中的相关描述。
通过采用细粒度的知识点,可以提高推荐题目与当前的检索题目的相关性。
S43:获取所述题目属性信息中的知识点信息,对所述调权后的检索结果进行再次调权,其中,所述知识点信息包括:单一知识点或者混合知识点;
例如,如果检索题目是单一知识点,则对单一知识点的文本检索结果进行加权;或者,如果检索题目是混合知识点,则确定混合知识点中的每个知识点以及对应的权重,再根据每个知识点以及对应的权重确定文本检索结果的权重,将与检索题目相近的文本检索结果进行加权。
本实施例中,通过区分单一知识点和混合知识点,可以提升推荐题目与当前的检索题目的相关性。
S44:从再次调权后的检索结果中,选择预设个数的检索结果,确定为所述初步检索结果。
例如,根据权重信息,选择权重较大的预设个数的检索结果作为初步检索结果,预设个数例如为50个。
S13:获取用户的用户描述信息,并根据所述用户描述信息对所述初步检索结果进行排序,得到排序后的结果;
可选的,参见图5,所述获取用户的用户描述信息,包括:
S51:获取用户的标识信息;
其中,可以在每个用户注册时,为用户分配对应的标识信息,用户登录时,登录信息中携带用户自身的标识信息,***可以在登录信息中获取用户的标识信息(id)。
S52:在预设建立的用户模型中,获取与所述用户的标识信息对应的用户描述信息,其中,所述用户模型中对应保存用户的标识信息与用户描述信息。
参见图3,线上***还可以包括:用户特征获取模块33,用户特征获取模块33可以根据用户的标识信息,在用户模型中获取与用户的标识信息对应的用户描述信息。
用户描述信息例如包括:用户偏好难度,用户偏好类型,用户教材版本,用户对题目的浏览,点击,收藏情况等。
在获取到用户描述信息后,可以对初步检索结果进行排序,例如,参见图3,线上***还包括:高级排序模块34,高级排序模块34用于根据用户的属性信息对初步检索结果进行排序。
具体的,高级排序流程可以包括:对与用户描述信息一致的初步检索结果进行加权,并根据加权后的权重,对初步检索结果进行排序。
例如,对如下的初步检索结果进行加权:
题目难度等级与用户偏好难度等级一致的,进行加权;
题目类型与用户偏好类型一致的,进行加权;
题目来源与用户教材版本一致的,进行加权。
题目年级信息与用户当前年级一致的,进行加权。
当前知识点用户历史行为分析,根据用户历史上对当前知识点的浏览难度和次数,进行调整,例如,略高于当前难度等级的题目,进行加权。
在进行上述加权后,按照权重从大到小的顺序对检索结果进行排序,例如,得到50个排序后的结果。
S14:从所述排序后的结果后选择预设个数的结果,确定为推荐题目。
其中,预设个数可以是用户指定或者***默认设置的,之后,可以在上步排序后得到的结果中,按照从前到后的顺序,选择预设个数的结果。
进一步的,当执行本实施例的主体是web产品时,该web产品还可以向用户展示推荐题目。
例如,参见图3,高级排序后可以向用户展示与检索题目相关的推荐结果。
上述的题目结构化信息库和用户模型可以是在线下建立的。
在建立题目结构化信息库时,参见图6,线下***可以包括特征提取分发模块61和题目特征提取模块62,题目特征提取模块62可以具体包括:题目类型分类模块621,题目难度分级模块622,题目结构拆分模块623,题目知识点抽取模块624,回答质量分级模块625和题目描述归一模块626。
参见图7,所述建立题目结构化信息库,包括:
S71:获取历史题目。
其中,历史题目是指建立题目结构化信息库时输入的题目,由于是在当前的检索题目之前输入的,为了与当前的检索题目区分,可以称为历史题目。
参见图6,每个新增的历史题目用新增题目表示。
S72:将所述历史题目分发到不同的分类模块中。
例如,参见图6,特征提取分发模块将每个新增题目分别分发到题目类型分类模块,题目难度分级模块等分类模块中。
S73:对所述历史题目进行题目特征提取,获取每个分类模块对应的题目属性信息。
具体的,题目特征提取的流程可以包括:
(1)题目类型分类
经过题目类型分类,可以获取的题目属性信息包括:学科类型和题目的类型。
例如,采用支持向量机(Support Vector Machine,SVM)构建的分类模型。采用n-gram为主的特征,进行题目类型的分类,包括题目的学科类型(语文、数学、物理、化学等),以及题目的类型(选择、填空、简答等)。
(2)题目难度分级
经过题目难度分级,得到的题目属性信息可以包括:每个新增题目属于的难度级别,可以预先设置难度级别的个数。
具体的,可以采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)构建的分类模型,划分题目的难度值,产出一个难度级别分类。在分类模块中,采用的主要特征包括:解析内容的描述关键词,回答的长度,该知识点被提问的次数与解决数之比,该问题在用户生成内容(User Generated Content,UGC)平台获取的回答个数,回答者等级,回答耗时信息等。
(3)题目结构拆分
经过题目结构拆分,得到的题目属性信息可以包括:提干,提问,选项,填空项等结构。
具体的,可以先按照句子粒度进行分类,再根据句子的序列进行片划分,从而拆分为题干(背景描述片段,条件片段),提问,选项,填空项等多种结构。
(4)题目知识点抽取
通过题目知识点抽取,获取的题目属性信息包括:知识点,知识点可以用标签(tag)表示。
知识点标签可以由如下两个主要过程进行融合而得到。
(I)进行题目关键词抽取:在题目结构拆分的情况下,主要从条件片段和提问片段中,进行关键词抽取。关键词抽取使用一个SVM分类模型来做。所采用的特征,包括词性,在句子中的位置,在题库中的重要程度,是否主题词等特征。将词分类为关键词和非关键词。在每个题目中,可以选择达到阈值的关键词,同时可以限定选择的关键词的最大值,例如最多选择5个关键词。
在抽取得到关键词后,可以从关键词直接获取标签,例如,将关键词确定为标签等。
(II)相似片段比对:利用相似片段比对的方法,将当前题目中的重要部分(条件片段、提问片段、选项片段),与题库中已经打上标签的其他题目重要片段进行相似度比对。通过K最近邻(k-NearestNeighbor,KNN)的方法,为当前待处理的题目打上相应的标签。
(III)标签融合:融合第一标签和第二标签,例如,将第一标签和第二标签去重后组成一个集合,其中,第一标签是通过关键词抽取得到的标签,第二标签是通过相似片段比对得到的标签。另外,在确定标签时还可以确定每个标签对应的置信度,最终根据置信度,选择置信度较大的预设个数的标签作为题目的知识点标签,预设个数例如为10个。
(5)回答质量分级
经过回答质量分级,获取的题目属性信息包括回答质量所处的级别,例如,高质量答案,一般质量答案,低质量答案等。
具体的,可以使用SVM模型,对回答质量进行分级,分为高质量、一般质量和低质量答案。在回答质量分级时采用的特征主要有:答案与题目的语义关联、来源、长度、格式化信息、用户点击浏览行为等特征。
(6)题目描述归一
题目描述归一得到的题目属性信息例如包括:归一化后的描述。
具体的,多个不同来源的题目,描述方式(尤其是公式)是不一致的。根据定义,对描述方式进行归一化以后,加入数据库中。
可以理解的是,上述的分类模型以SVM,GBDT为例,还可以是其余的分类模型,例如,逻辑斯蒂回归、线性回归、随机森林、神经网络、朴素贝叶斯等具有分类能力的算法模型。
S74:获取所述历史题目的标识信息,并对应保存题目的标识信息与题目属性信息。
其中,可以为每个历史题目分配唯一的标识信息,在获取该历史题目的题目属性信息后,可以在题目结构化信息库中对应保存该历史题目的标识信息与题目属性信息。
现有技术在根据当前题目的描述文本获取推荐题目时,由于对题目的结构化解析程度不够,没有有效区分题目类型,条件,提问内容的语义场景等,造成检索相关性较低。而本实施例中,在保存不同的题目属性信息时,不同的题目属性信息例如题目类型,题目难度,题目结构,题目知识点等,采用结构化信息形式进行保存,使得各题目属性信息有层级关系和互联关联,从而提高检索相关性。
在建立用户模型时,参见图6,线下***还包括:用户建模模块63,用户建模模块63用于根据用户行为日志,用户属性信息,题目结构化信息库,建立用户模型。
可选的,参见图8,所述建立用户模型,包括:
S81:获取用户行为日志,以及获取用户属性信息。
其中,用户行为日志可以记录用户在题库中浏览,点击,收藏的题目。
用户属性信息是指关于用户的一些元属性,例如性别,类型(家长/学生/老师),地区,年级,学校等信息。
S82:根据题目结构化信息库,以及所述用户行为日志和用户属性信息,进行用户建模,得到用户模型。
例如,通过用户行为日志,可以获知用户浏览,点击或收藏的题目,根据题目结构化信息库,可以获知相应题目的题目属性信息,从而可以获知用户偏好信息,例如,可以获知用户关注的科目、知识点信息、题目信息、知识点难度等级、题目类型信息等。以及,获取用户属性信息后,也可以记录在用户模型中。
另外,用户注册时可以分配用户标识信息,在用户模型中,可以对应保存用户标识信息与上述的用户偏好信息以及用户属性信息。
本实施例中,通过获取题目属性信息并根据题目属性信息获取初步检索结果,由于参考了题目属性信息,不仅仅是文本相似度,因此可以提升推荐题目与检索题目的相关性;另外,通过获取用户描述信息,并根据用户描述信息对初步检索结果进行排序,可以在推荐时参考用户信息,提升与用户的相关性,提高推荐效果。本实施例在知识点抽取上,做了细粒度处理,同时考虑了单一知识点和混合知识点的不同,有效提升了推荐的相关题目与当前检索的题目的相关性。本实施例引入了更多的题目属性信息,如难度,类型等,这些信息从文本相似度角度是无法处理的,这些属性信息的引入,提升了推荐题目与检索题目的相关性。本实施例通过参考用户属性信息,可以支持用户的个性化推荐,可以实现不同用户看到不同的相关题目,提升用户体验。
图9是本发明另一实施例提出的题目推荐装置的结构示意图,该装置90包括接收模块91,获取模块92,排序模块93和确定模块94。
接收模块91,用于接收检索题目;
当用户需要检索题目时,可以在搜索框中输入检索题目。
可以理解的是,本实施例可以是服务器,此时的接收模块用于接收浏览器发送的检索题目,浏览器可以从搜索框中获取用户输入的检索题目。或者,
本实施例也可以是具有搜索功能的web产品装置,此时的接收模块用于接收用户输入的检索题目。
获取模块92,用于获取所述检索题目的题目属性信息,并根据所述题目属性信息获取初步检索结果;
可选的,所述获取模块92用于获取所述检索题目的题目属性信息,包括:
获取所述检索题目的标识信息;
在预先建立的题目结构化信息库中,获取与所述标识信息对应的题目属性信息,其中,所述题目结构化信息库中对应保存题目的标识信息与题目属性信息。
例如,当用户输入的检索题目是图片形式时,可以先对图片进行光学字符识别(Optical Character Recognition,OCR)识别,得到识别结果,在预先保存的原题库中,查找与识别结果相同或者类似的题目,将查找到的相同或类似的题目的标识信息(id)作为当前的检索题目的标识信息(id)。
在获取检索题目的id后,可以在预先建立的题目结构化信息库获取与检索题目的id对应的题目属性信息。
题目结构化信息库中与题目的标识信息对应保存有题目属性信息,题目属性信息例如包括:题目类型,题目难度,题目结构,题目知识点,回答质量,归一化后的题目描述等。
可选的,参见图10,该装置90还包括:第一建立模块95,用于建立题目结构化信息库,所述第一建立模块95具体用于:
获取历史题目;
将所述历史题目分发到不同的分类模块中;
对所述历史题目进行题目特征提取,获取每个分类模块对应的题目属性信息;
获取所述历史题目的标识信息,并对应保存题目的标识信息与题目属性信息。
其中,建立题目结构化信息库的流程可以参见方法实施例中的相关描述,在此不再赘述。
可选的,所述第一建立模块95用于对所述历史题目进行题目特征提取,获取每个分类模块对应的题目属性信息,包括:
当所述分类模块是题目知识点抽取模块时,进行题目关键词抽取,以及,相似片断比对,并根据题目关键词抽取获取第一标签,根据相似片断比对得到第二标签,以及,对所述第一标签和所述第二标签进行融合,从融合后的标签中,选择预设个数的标签,确定为知识点标签。
可选的,所述获取模块92用于根据所述题目属性信息获取初步检索结果,包括:
获取所述检索题目的关键词,并根据所述关键词进行文本检索,得到文本检索结果;
根据所述题目属性信息对所述文本检索结果进行调权,得到调权后的检索结果;
获取所述题目属性信息中的知识点信息,对所述调权后的检索结果进行再次调权,其中,所述知识点信息包括:单一知识点或者混合知识点;
从再次调权后的检索结果中,选择预设个数的检索结果,确定为所述初步检索结果。
例如,可以采用通用的分词技术对检索题目进行分词,再根据预设规则从得到的分词中获取关键词。预设规则例如根据分词在检索题目中的位置,在题库中的重要程度,是否主题词等。
在获取关键词后,可以以关键词作为检索词(query),在已有的数据库中检索相关题目,得到文本描述相关的文本检索结果。
例如,可以根据检索题目的知识点,类型,难度,回答质量等信息,对文本检索结果进行调权。具体的,可以限定文本检索结果与检索题目的知识点相同或相近,将类型,难度与检索题目相近的文本检索结果加权,回答质量高的文本检索结果加权等。具体的加权的数值可以根据实际需求预先设置。
通过调权,可以得到具有不同权重的文本检索结果。
另外,本实施例中采用的知识点可以是细粒度的知识点,具体的可以参见后续题目知识点抽取中的相关描述。
通过采用细粒度的知识点,可以提高推荐题目与当前的检索题目的相关性。
例如,如果检索题目是单一知识点,则对单一知识点的文本检索结果进行加权;或者,如果检索题目是混合知识点,则确定混合知识点中的每个知识点以及对应的权重,再根据每个知识点以及对应的权重确定文本检索结果的权重,将与检索题目相近的文本检索结果进行加权。
本实施例中,通过区分单一知识点和混合知识点,可以提升推荐题目与当前的检索题目的相关性。
例如,根据权重信息,选择权重较大的预设个数的检索结果作为初步检索结果,预设个数例如为50个。
排序模块93,用于获取所述用户的用户描述信息,并根据所述用户描述信息对所述初步检索结果进行排序,得到排序后的结果;
可选的,所述排序模块93用于获取用户的用户描述信息,包括:
获取用户的标识信息;
在预设建立的用户模型中,获取与所述用户的标识信息对应的用户描述信息,其中,所述用户模型中对应保存用户的标识信息与用户描述信息。
其中,可以在每个用户注册时,为用户分配对应的标识信息,用户登录时,登录信息中携带用户自身的标识信息,***可以在登录信息中获取用户的标识信息(id)。
用户描述信息例如包括:用户偏好难度,用户偏好类型,用户教材版本,用户对题目的浏览,点击,收藏情况等。
可选的,参见图10,该装置90还包括:第二建立模块96,用于建立用户模型,所述第二建立模块96具体用于:
获取用户行为日志,以及获取用户属性信息;
根据题目结构化信息库,以及所述用户行为日志和用户属性信息,进行用户建模,得到用户模型。
其中,建立用户模型的流程可以参见方法实施例中的相关描述,在此不再赘述。
可选的,所述排序模块93用于根据所述用户描述信息对所述初步检索结果进行排序,包括:
对与用户描述信息一致的初步检索结果进行加权,并根据加权后的权重,对初步检索结果进行排序。
例如,对如下的初步检索结果进行加权:
题目难度等级与用户偏好难度等级一致的,进行加权;
题目类型与用户偏好类型一致的,进行加权;
题目来源与用户教材版本一致的,进行加权。
题目年级信息与用户当前年级一致的,进行加权。
当前知识点用户历史行为分析,根据用户历史上对当前知识点的浏览难度和次数,进行调整,例如,略高于当前难度等级的题目,进行加权。
在进行上述加权后,按照权重从大到小的顺序对检索结果进行排序,例如,得到50个排序后的结果。
确定模块94,用于从所述排序后的结果后选择预设个数的结果,确定为推荐题目。
其中,预设个数可以是用户指定或者***默认设置的,之后,可以在上步排序后得到的结果中,按照从前到后的顺序,选择预设个数的结果。
进一步的,当该装置是web产品装置时,参见图10,所述检索题目是由所述用户输入的,该装置包括:
展示模块97,用于向所述用户展示所述推荐题目。
本实施例中,通过获取题目属性信息并根据题目属性信息获取初步检索结果,由于参考了题目属性信息,不仅仅是文本相似度,因此可以提升推荐题目与检索题目的相关性;另外,通过获取用户描述信息,并根据用户描述信息对初步检索结果进行排序,可以在推荐时参考用户信息,提升与用户的相关性,提高推荐效果。本实施例在知识点抽取上,做了细粒度处理,同时考虑了单一知识点和混合知识点的不同,有效提升了推荐的相关题目与当前检索的题目的相关性。本实施例引入了更多的题目属性信息,如难度,类型等,这些信息从文本相似度角度是无法处理的,这些属性信息的引入,提升了推荐题目与检索题目的相关性。本实施例通过参考用户属性信息,可以支持用户的个性化推荐,可以实现不同用户看到不同的相关题目,提升用户体验。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。