情感分析方法及装置与流程

本发明涉及自然语言处理技术领域，特别是涉及一种情感分析方法及装置。

背景技术：

近些年来，情感分析技术已成为自然语言处理研究领域的热门话题，情感分析的目标是从文本中挖掘用户表达的观点以及情感极性，挖掘文本中情感倾向可用于帮助其他用户做决定。因此情感分析技术在自然语言处理研究领域得到了广大研究者的关注，具有很大的应用价值。

目前，根据训练文本中出现的所有词作为特征进行情感分析，而通过词特征进行的情感分析仅仅考虑句子的词信息，没有考虑句子本身的语义信息，这样会造成情感分析的结果不准确。例如，通过词特征计算句子“alibaba真有钱”和句子“马云发财啦”的相似度为0，但是实际上两个句子的语义是非常相近的。因此现有情感分析的准确率较低。

技术实现要素：

有鉴于此，本发明提供一种情感分析方法及装置，主要目的在于提高情感分析的准确率。

依据本发明一个方面，提供了一种情感分析方法，包括：

获取目标文本的语义特征向量及词义特征向量；

对所述目标文本的词义特征向量及语义特征向量进行融合得到目标特征向量；

根据预置分类模型对所述目标特征向量进行分类，得到相应的情感标记，所述预置分类模型中存储有目标特征向量与情感标记的对应关系；

将得到的情感标记作为所述目标文本的情感分析结果。

具体的，所述获取所述目标文本的语义特征向量包括：

对所述目标文本进行分词；

过滤目标文本分词结果中无意义的词；

通过所述预设词向量模型获取过滤结果中各词的词向量；

对所述过滤结果中所有词的词向量进行累加得到所述目标文本的语义特征向量。

具体的，所述获取所述目标文本的词义特征向量包括：

从所述目标文本的过滤结果中选取单个词特征和/或相邻词特征作为候选词特征集；

对所述候选词特征集中的词与词袋模型中的词进行同或计算，得到所述目标文本的词义特征向量。

具体的，所述预置分类模型采用下述方法设置：

根据预设词向量模型获取训练文本分别对应的目标特征向量，所述训练文本的目标特征向量是融合的训练文本的词义特征向量及语义特征向量；

根据各训练文本的特征向量及情感标记训练所述预置分类模型。

具体的，所述预设词向量模型采用下述方法设置：

对训练文本进行分词并过滤无意义的词；

设置所述预设词向量模型的维度信息；

根据分词并过滤后的训练文本训练所述预设词向量模型。

依据本发明另一个方面，提供了一种情感分析装置，包括：

第一获取单元，用于获取目标文本的语义特征向量及词义特征向量；

融合单元，用于对所述目标文本的词义特征向量及语义特征向量进行融合得到目标特征向量；

第二获取单元，用于根据预置分类模型对所述目标特征向量进行分类，得到相应的情感标记，所述预置分类模型中存储有目标特征向量与情感标记的对应关系；

确定单元，用于将得到的情感标记作为所述目标文本的情感分析结果。

具体的，所述第一获取单元包括：

分词模块，用于对所述目标文本进行分词；

过滤模块，用于过滤目标文本分词结果中无意义的词；

获取模块，用于通过所述预设词向量模型获取过滤结果中各词的词向量；

累加模块，用于对所述过滤结果中所有词的词向量进行累加得到所述目标文本的语义特征向量。

进一步地，所述第一获取单元还包括：

选取模块，用于从所述目标文本的过滤结果中选取单个词特征和/或相邻词特征作为候选词特征集；

所述获取模块，还用于对所述候选词特征集中的词与词袋模型中的词进行同或计算，得到所述目标文本的词义特征向量。

进一步地，所述装置还包括：训练单元；

所述第一获取单元，还用于根据预设词向量模型获取训练文本分别对应的目标特征向量，所述训练文本的目标特征向量是融合的训练文本的词义特征向量及语义特征向量；

训练单元，用于根据各训练文本的特征向量及情感标记训练所述预置分类模型。

进一步地，所述装置还包括：

分词单元，用于对训练文本进行分词并过滤无意义的词；

设置单元，用于设置所述预设词向量模型的维度信息；

所述训练单元，还用于根据分词并过滤后的训练文本训练所述预设词向量模型。

借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

本发明实施例提供的一种情感分析方法及装置，首先获取目标文本的语义特征向量及词义特征向量，并对所述目标文本的词义特征向量及语义特征向量进行融合得到目标特征向量，然后根据预置分类模型对所述目标特征向量进行分类，得到相应的情感标记，所述预置分类模型中存储有目标特征向量与情感标记的对应关系，最后将得到的情感标记作为所述目标文本的情感分析结果。与目前根据训练文本中出现的所有词作为特征进行情感分析相比，本发明实施例中的语义特征向量可充分的表示目标文本的语义特征，因此通过融合的目标特征向量既可表示目标文本的语义特征也可表示目标文本的词义特征，从而根据目标特征向量可准确度获取到与目标文本对应的情感标记，进而通过本发明实施例提高了情感分析的准确率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种情感分析方法流程图；

图2示出了本发明实施例提供的一种情感分析装置的结构框图；

图3示出了本发明实施例提供的另一种情感分析装置的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种情感分析方法，如图1所示，具体步骤包括：

101、获取目标文本的语义特征向量及词义特征向量。

其中，目标文本的语义特征向量用于表示目标文本的语义特征，目标文本的词义特征向量用于表示目标文本的词义特征。目标文本具体可以为微博、新闻、博客等文本信息，本发明实施例不做具体限定。

在本发明实施例中，具体可以通过目标文本中的词向量获取目标文本的语义特征向量，即对目标文本中所有词的词向量进行相加求和，得到目标文本的语义特征向量，而目标文本的词义特征向量则是根据预置词袋模型得到的，即将目标文本中的词分别与预置词袋模型中的词进行匹配得到目标文本的词义特征向量。其中，本发明实施例中目标文本的词向量是根据训练好的词向量模型获得的，即首先对目标文本进行分词，然后对得到分词结果去除停用词、标点等无用信息，最后根据训练好的词向量模型查找目标文本中各词对应的词向量。

需要说明的是，训练词向量模型的过程具体为：首先搜集大量未标注的新闻，微博等训练文本，然后对搜集到的训练文本进行词法分析，得到分词结果，并去除分词结果中的停用词、标点等无用信息，设定好词向量模型的词向量维度以及其他参数，最后根据分词后的文本训练词向量模型。

102、对所述目标文本的词义特征向量及语义特征向量进行融合得到目标特征向量。

在本发明实施例中，根据目标文本的词义特征向量及语义特征向量融合得到的目标特征向量既可表示目标文本的语义特征，又可以表示目标文本的词义特征。融合目标特征向量即由目标文本的词义特征向量和目标文本的语义特征向量拼接得到的，例如，若目标文本的语义特征向量为X₁，…，X_n，目标文本的词义特征向量为B₁，B₂，…，B_n，则通过拼接目标文本的词义特征向量及语义特征向量得到的目标特征向量为：X₁，…，X_n，B₁，B₂，…，B_n。

103、根据预置分类模型对所述目标特征向量进行分类，得到相应的情感标记。

其中，所述预置分类模型中存储有有目标特征向量与情感标记的对应关系，预置分类模型中的目标特征向量是根据融合训练文本的语义特征向量及词义特征向量得到的，即预置分类模型中的目标特征向量既可以可表示训练文本的语义特征，又可以表示训练文本的词义特征，与目标特征向量对应的情感标记用于表示训练文本的情感极性，情感标记是由后台人员根据训练文本的实际情感极性设置的，所述情感标记具体可以为：痛苦、鄙视、仇恨、嫉妒、愉快、信任、感激、庆幸等，本发明实施例不做具体限定。

在本发明实施例中，根据预置分类模型对目标特征向量进行分类得到相应的情感标记具体过程可以：首先从预置分类模型中查找与目标特征向量相似度最高的第一向量，然后第一向量对应的情感标记作为所述目标文本的情感分析结果。例如，从预置分类模型中获取与目标特征向量相似度最高的第一向量是根据训练文本A得到的，即第一向量是由训练文本A的语义特征向量和词义特征向量融合得到的，若训练文本A对应的情感标记为“高兴”，则获取到第一向量对应情感标记为“高兴”，即得到目标特征向量的情感标记为“高兴”。

对于本发明实施例，通过融合目标文本的词义特征向量及目标文本的语义特征向量得到目标特征向量，然后从预置分类模型中查找目标特征向量相似度最高的第一向量，即查找与目标文本语义及词义最为相似的文本对应的第一向量，最后将第一向量对应的情感标记作为目标文本的情感分析结果。因此，本发明实施例在做情感分析过程中，充分的考虑了目标文本的词义特征与语义特征，从而通过本发明实施例可以提高情感分析的准确度。

具体的，所述预置分类模型采用下述方法设置：获取各训练文本分别对应的目标特征向量，所述训练文本的目标特征向量是融合的训练文本的词义特征向量及语义特征向量；根据各训练文本的特征向量及情感标记训练所述预置分类模型。需要说明的是，预置分类模型中的语义特征向量是根据词向量模型得到的，即首先获取训练文本中所有词的向量，然后对同一训练文本中所有词的向量进行相加得到该训练文本的语义特征向量。

104、将得到的情感标记作为所述目标文本的情感分析结果。

本发明实施例提供一种情感分析方法，首先获取目标文本的语义特征向量及词义特征向量，并对所述目标文本的词义特征向量及语义特征向量进行融合得到目标特征向量，然后从预置分类模型中查找与目标特征向量相似度最高的第一向量，最后将第一向量对应的情感标记作为所述目标文本的情感分析结果。由于从预置分类模型中获取的第一向量是与目标特征向量相似度最高的向量，即第一向量对应的语义内容及词义内容与目标文本的语义内容及词义内容相似度最高，而语义内容及词义内容相似度较高的两个文本之间的情感倾向大致相同，因此通过第一向量对应的情感标记就可以表达目标文本的情感极性，从而根据目标特征向量可准确度获取到与目标文本对应的情感标记，进而通过本发明实施例提高了情感分析的准确率。

为了更好的对本发明实施例提供的情感分析方法进行说明，以下实施例将针对上述各步骤进行细化和扩展。

具体的，所述获取所述目标文本的语义特征向量包括：对所述目标文本进行分词；过滤目标文本分词结果中无意义的词；通过所述预设词向量模型获取过滤结果中各词的词向量；对所述过滤结果中所有词的词向量进行累加得到所述目标文本的语义特征向量。其中，所述无意义的词可以为停用词、标点等无用信息，本发明实施例不做具体限定。

具体的，所述获取所述目标文本的词义特征向量包括：从所述目标文本的过滤结果中选取单个词特征和/或相邻词特征作为候选词特征集；对所述候选词特征集中的词与词袋模型中的词进行同或计算，得到所述目标文本的词义特征向量。需要说明的是，本发明实施例中的词袋模型是根据训练文本得到的，即首先对训练文本进行分词，然后将分词结果中词频较小的词和无意义的词过滤掉，并去除重复的词，最后根据剩下的词组成词袋模型。

例如，候选词特征集中的词为：马云，真，有钱；词袋模型中的词为：马云，发财，啦；则将候选词特征集中的词与词袋模型中的词进行同或计算得到目标文本的词义特征向量为(1,0,0)，即将候选词特征集中“马云”与词袋模型中的“马云”进行同或运算得到1；将候选词特征集中“真”与词袋模型中的“发财”进行同或运算得到0；将候选词特征集中“有钱”与词袋模型中的“啦”进行同或运算得到0。

在本发明实施例中，获取目标文本的词义特征向量的具体过程为：首先需要对目标文本进行分词，并去除目标文本分词结果中的停用词、标点等无用信息，然后选择单个词特征和/或相邻词特征作为情感分析的候选词特征集，根据词频过滤等方法对候选词特征集进行过滤选择有用的词特征，最后根据词袋模型获取目标文本的词义特征向量。

在本发明实施例中，通过累加过滤结果中所有词的向量得到目标文本的语义特征向量，然后融合目标文本的词义特征向量及语义特征向量得到目标文本的特征向量。

例如，过滤结果中的包括词向量：W₁，W₂，…，W_j。其中

W₁：x₁，…，x_n；

W₂：x₁，…，x_n；

…

W_j：x₁，…，x_n。

则通过累加过滤结果中所有词的向量W₁+W₂+…+W_j得到目标文本的语义特征向量X₁，…，X_n。若目标文本对应的词义特征向量为B₁，B₂，…，B_n，则通过融合目标文本的词义特征向量及语义特征向量得到目标文本的特征向量为：X₁，…，X_n，B₁，B₂，…，B_n。

对于本发明实施例，所述预设词向量模型采用下述方法设置：对训练文本进行分词并过滤无意义的词；设置所述预设词向量模型的维度信息；根据分词并过滤后的训练文本训练所述预设词向量模型。其中，训练文本为大量未标注的新闻，微博文本等数据。

进一步地，本发明实施例提供一种情感分析装置，如图2所示，所述装置包括：第一获取单元21、融合单元22、第二获取单元23、确定单元24。

第一获取单元21，用于获取目标文本的语义特征向量及词义特征向量；

其中，目标文本的语义特征向量用于表示目标文本的语义特征，目标文本的词义特征向量用于表示目标文本的词义特征。目标文本具体可以为微博、新闻、博客等文本信息，本发明实施例不做具体限定。

在本发明实施例中，具体可以通过目标文本中的词向量获取目标文本的语义特征向量，即对目标文本中所有词的词向量进行相加求和，得到目标文本的语义特征向量，而目标文本的词义特征向量则是根据预置词袋模型得到的，即将目标文本中的词分别与预置词袋模型中的词进行匹配得到目标文本的词义特征向量。其中，本发明实施例中目标文本的词向量是根据训练好的词向量模型获得的，即首先对目标文本进行分词，然后对得到分词结果去除停用词、标点等无用信息，最后根据训练好的词向量模型查找目标文本中各词对应的词向量。

需要说明的是，训练词向量模型的过程具体为：首先搜集大量未标注的新闻，微博等训练文本，然后对搜集到的训练文本进行词法分析，得到分词结果，并去除分词结果中的停用词、标点等无用信息，设定好词向量模型的词向量维度以及其他参数，最后根据分词后的文本训练词向量模型。

融合单元22，用于对所述目标文本的词义特征向量及语义特征向量进行融合得到目标特征向量；

在本发明实施例中，根据目标文本的词义特征向量及语义特征向量融合得到的目标特征向量既可表示目标文本的语义特征，又可以表示目标文本的词义特征。融合目标特征向量即由目标文本的词义特征向量和目标文本的语义特征向量拼接得到的，例如，若目标文本的语义特征向量为X₁，…，X_n，目标文本的词义特征向量为B₁，B₂，…，B_n，则通过拼接目标文本的词义特征向量及语义特征向量得到的目标特征向量为：X₁，…，X_n，B₁，B₂，…，B_n。

第二获取单元23，用于根据预置分类模型对所述目标特征向量进行分类，得到相应的情感标记，所述预置分类模型中存储有目标特征向量与情感标记的对应关系；

其中，所述预置分类模型中存储有特征向量与情感标记的对应关系，预置分类模型中的特征向量是根据融合训练文本的语义特征向量及词义特征向量得到的，即预置分类模型中的特征向量既可以可表示训练文本的语义特征，又可以表示训练文本的词义特征，与特征向量对应的情感标记用于表示训练文本的情感极性，情感标记是由后台人员根据训练文本的实际情感极性设置的，所述情感标记具体可以为：痛苦、鄙视、仇恨、嫉妒、愉快、信任、感激、庆幸等，本发明实施例不做具体限定。

在本发明实施例中，根据预置分类模型对目标文本的特征向量进行分类得到相应的情感标记具体过程可以：首先从预置分类模型中查找与目标特征向量相似度最高的第一向量，然后第一向量对应的情感标记作为所述目标文本的情感分析结果。例如，从预置分类模型中获取与目标特征向量相似度最高的第一向量是根据训练文本A得到的，即第一向量是由训练文本A的语义特征向量和词义特征向量融合得到的，若训练文本A对应的情感标记为“高兴”，则获取到第一向量对应情感标记为“高兴”，即得到目标特征向量的情感标记为“高兴”。

对于本发明实施例，通过融合目标文本的词义特征向量及目标文本的语义特征向量得到目标特征向量，然后从预置分类模型中查找目标特征向量相似度最高的第一向量，即查找与目标文本语义及词义最为相似的文本对应的第一向量，最后将第一向量对应的情感标记作为目标文本的情感分析结果。因此，本发明实施例在做情感分析过程中，充分的考虑了目标文本的词义特征与语义特征，从而通过本发明实施例可以提高情感分析的准确度。

具体的，所述预置分类模型采用下述方法设置：获取各训练文本分别对应的特征向量，所述训练文本的特征向量是融合的训练文本的词义特征向量及语义特征向量；根据各训练文本的特征向量及情感标记训练所述预置分类模型。需要说明的是，预置分类模型中的语义特征向量是根据词向量模型得到的，即首先获取训练文本中所有词的向量，然后对同一训练文本中所有词的向量进行相加得到该训练文本的语义特征向量。

确定单元24，用于将得到的情感标记作为所述目标文本的情感分析结果。

本发明实施例提供一种情感分析装置，首先获取目标文本的语义特征向量及词义特征向量，并对所述目标文本的词义特征向量及语义特征向量进行融合得到目标特征向量，然后从预置分类模型中查找与目标特征向量相似度最高的第一向量，最后将第一向量对应的情感标记作为所述目标文本的情感分析结果。由于从预置分类模型中获取的第一向量是与目标特征向量相似度最高的向量，即第一向量对应的语义内容及词义内容与目标文本的语义内容及词义内容相似度最高，而语义内容及词义内容相似度较高的两个文本之间的情感倾向大致相同，因此通过第一向量对应的情感标记就可以表达目标文本的情感极性，从而根据目标特征向量可准确度获取到与目标文本对应的情感标记，进而通过本发明实施例提高了情感分析的准确率。

进一步地，如图3所示，所述第一获取单元21包括：

分词模块211，用于对所述目标文本进行分词；

过滤模块212，用于过滤目标文本分词结果中无意义的词；其中，所述无意义的词可以为停用词、标点等无用信息，本发明实施例不做具体限定。

获取模块213，用于通过所述预设词向量模型获取过滤结果中各词的词向量；

累加模块214，用于对所述过滤结果中所有词的词向量进行累加得到所述目标文本的语义特征向量。

进一步地，所述第一获取单元21还包括：

选取模块215，用于从所述目标文本的过滤结果中选取单个词特征和/或相邻词特征作为候选词特征集；

所述获取模块213，还用于对所述候选词特征集中的词与词袋模型中的词进行同或计算，得到所述目标文本的词义特征向量。

需要说明的是，本发明实施例中的词袋模型是根据训练文本得到的，即首先对训练文本进行分词，然后将分词结果中词频较小的词和无意义的词过滤掉，并去除重复的词，最后根据剩下的词组成词袋模型。

例如，候选词特征集中的词为：马云，真，有钱；词袋模型中的词为：马云，发财，啦；则将候选词特征集中的词与词袋模型中的词进行同或计算得到目标文本的词义特征向量为(1,0,0)，即将候选词特征集中“马云”与词袋模型中的“马云”进行同或运算得到1；将候选词特征集中“真”与词袋模型中的“发财”进行同或运算得到0；将候选词特征集中“有钱”与词袋模型中的“啦”进行同或运算得到0。

在本发明实施例中，通过累加过滤结果中所有词的向量得到目标文本的语义特征向量，然后融合目标文本的词义特征向量及语义特征向量得到目标文本的特征向量。

例如，过滤结果中的包括词向量：W₁，W₂，…，W_j。其中

W₁：x₁，…，x_n；

W₂：x₁，…，x_n；

…

W_j：x₁，…，x_n。

则通过累加过滤结果中所有词的向量W₁+W₂+…+W_j得到目标文本的语义特征向量X₁，…，X_n。若目标文本对应的词义特征向量为B₁，B₂，…，B_n，则通过融合目标文本的词义特征向量及语义特征向量得到目标文本的特征向量为：X₁，…，X_n，B₁，B₂，…，B_n。

进一步地，如图3所示，所述装置还包括：训练单元25；

所述第一获取单元21，还用于根据预设词向量模型获取训练文本分别对应的目标特征向量，所述训练文本的目标特征向量是融合的训练文本的词义特征向量及语义特征向量；

训练单元25，用于根据各训练文本的目标特征向量及情感标记训练所述预置分类模型。

进一步地，所述装置还包括：

分词单元26，用于对训练文本进行分词并过滤无意义的词；

设置单元27，用于设置所述预设词向量模型的维度信息；

所述训练单元24，还用于根据分词并过滤后的训练文本训练所述预设词向量模型。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的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基于在此的示教一起使用。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最佳实施方式。

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。

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的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

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。

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。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的情感分析方法及装置(如确定网站内链接等级的装置)中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。