自然语言推荐反馈的制作方法

本发明属于推荐器系统的领域，具体而言是基于对自然语言表述的解析来使用机器学习算法的推荐器系统。

背景技术：

人类语言是复杂的。无论是描述歌曲、电影、新故事、旅行目的地、网络搜索结果、要会见的人、要购买的产品、专利、还是任何其它事物，自然语言都有比项目的数据库所具有的用来对项目进行分类的方式多得多的方式来描述这些项目。所需要的是从人们的丰富且主观的自然语言描述学习项目并且在其它人做出类似的请求时提供这些项目的系统。

技术实现要素：

本公开描述了涉及从人们的丰富的描述学习项目并且在其它人做出类似的请求时提供这些项目的新颖的机器、机器实现的处理、以及非暂态计算机可读介质。

附图说明

图1示出了根据实施例的解析表述以提取并在数据库中存储项目属性值和偏好属性值并且使用这些数据来产生推荐。

图2示出了根据实施例的解析单个表述以提取并在数据库中存储项目属性值和偏好属性值并且使用这些数据产生推荐。

图3示出了根据实施例的解析口头自然语言表述。

图4示出了根据实施例的解析口头自然语言表述的流程图。

图5示出了根据实施例的解析文本自然语言表述。

图6示出了根据实施例的属性值的项目数据库。

图7示出根据实施例的项目数据库和相应的属性值的用户数据库。

图8示出根据实施例的参考另一项目的属性值的项目数据库。

图9示出根据实施例的解析表述以提取并在数据库中存储项目属性值，以及提取并在许多用户的数据库内存储特定用户的偏好属性值，并且使用这些数据产生推荐。

图10示出了根据实施例的使用众包来克服冷启动问题的处理的流程图。

图11示出了根据实施例的解析表述以提取并在数据库中存储项目属性值和偏好属性值，并且使用这些数据连同环境参数值一起来产生推荐。

图12示出了根据实施例的解析表述以提取和在数据库中存储项目属性值和偏好属性值，并且检测环境参数值，以及使用这些数据和环境参数值来调整解析并产生推荐。

图13示出了根据实施例的解析表述以提取和在数据库中存储项目属性值和偏好属性值，并且提取和存储环境参数值，以及使用这些数据产生推荐。

图14示出了根据实施例的解析表述以提取和在数据库中存储项目属性值和偏好属性值、并且提取和存储环境参数值、以及使用这些数据产生推荐的流程图。

图15示出了根据实施例的具有针对不同活动的不同值的集合的属性值的项目数据库。

图16示出了根据实施例的推荐引擎。

图17示出了根据实施例的向项目数据库添加新属性。

图18示出了根据实施例的具有自然语言反馈的人机对话。

图19示出了根据实施例的基于云的客户端-服务器系统。

图20示出了根据实施例的使用针对音乐、电影和产品购买推荐的自然语言推荐反馈的移动电话应用程序。

图21a图示了根据实施例的旋转磁性非暂态计算机可读介质。

图21b示出了根据实施例的封装的非易失性存储器类型的非暂态计算机可读介质。

图21c图示了根据实施例的球栅阵列侧可见的封装片上系统。

图21d示出了根据实施例的顶侧可见的封装片上系统。

图22示出了根据实施例的服务器系统。

图23示出了根据实施例的片上系统的框图。

图24示出了根据实施例的服务器计算机系统的框图。

具体实施方式

本文中记载原理、方面、和实施例及其具体示例的全部陈述旨在包括其结构上和功能上的等同物。此外，意图是这样的等同物既包括当前已知的等同物也包括将来开发的等同物，即，所开发的任何执行相同功能(无论结构如何)的元素。

要指出的是，如本文所使用的，除非上下文另外明确指出，否则单数形式“一”、“一个”、“该”包括复数的指示对象。在整个说明书中对“一个实施例”、“实施例”、“某个实施例”或类似语言的提及意味着结合该实施例描述的特定方面、特征、结构或特性被包括在至少一个实施例中。因此，在整个说明书中出现的短语“在一个实施例中”、“在至少一个实施例中”、“在实施例中”、“在某些实施例中”以及类似的语言可以但不一定全部指代相同实施例或类似实施例。

这里描述的本发明的实施例仅是示例性的，并且不应被解释为如本领域普通技术人员可能理解的那样限制本发明的范围或精神。所公开的发明在包括本文所述的任何新颖方面的任何实施例中被有效地制造或使用。本文中记载本发明的原理、方面和实施例的全部陈述旨在包括其结构上和功能上的等同物。意图是这样的等同物既包括当前已知的等同物也包括将来开发的等同物

此外，就具体实施方式和权利要求中所使用的术语“包括”、“包含”、“具有”、“有”、“带有”或其变体而言，这样的术语旨在以与术语“包括”类似的方式具有包容性。

一些实施例解析自然语言表述以识别：项目、项目的属性、以及属性的值。例如，对于红色的汽车，汽车是项目，其颜色是属性，红色是颜色属性的值。一些实施例在项目数据库中存储具体项目的标识符和项目的属性的值。例如，关于涂料颜色的数据库，如果用户说“淡黄色太亮”，则系统针对“淡黄色”涂料颜色项目存储“明亮”属性的值为“真”。对于运动鞋类型的数据库，如果用户说“但是那些玛丽珍(maryjane)鞋是给幼儿穿的”，则系统针对“玛丽珍”鞋项目存储“尺寸类别”属性的值为“幼儿”。

一些实施例解析自然语言表述以识别：用户；特定用户具有偏好的属性，以及偏好的值。一些实施例在用户数据库中存储特定用户的标识符和用户的偏好的值。例如，如果用户说“我最喜欢的颜色是黄绿色”，则系统针对该用户存储“最喜欢的颜色”属性的值为“黄绿色”。如果用户说“播放一些乡村音乐”，则系统针对该用户存储“偏爱的音乐流派”属性的值为“乡村”。

一些实施例在项目数据库上使用推荐器系统(“推荐引擎”)连同特定用户偏好的向量(比如，歌曲的播放列表)一起来进行推荐。

一些实施例从单个自然语言表述确定项目属性值和用户偏好值两者。例如，当从鞋类零售商看特定一双靴子时，关于用户表达“我喜欢大靴子”，系统针对特定一双靴子在鞋的数据库中存储“尺寸类别“属性的值为“大”，并且系统还针对用户在用户数据库中存储“偏爱的尺寸类别”属性的值为“大”。

一些实施例在其项目数据库中存储与属性值相关联的环境参数的值。环境参数的一些示例是位置、时间、当前活动(例如，烹饪或锻炼)、以及当前播放的歌曲。例如，关于音乐播放系统，如果在下午播放器以慢跑速度移动时，用户说“将音量增加到7”，则系统针对该用户存储首选的音量属性的值为“7”，相关联地存储时间参数的值为“下午”以及活动参数的值为“慢跑”。对于同一系统，如果深夜播放器在住宅楼内时，用户说“将音量降低到3”，则系统针对该用户存储首选的音量属性的值为“3”，相关联地存储时间参数的值为“晚上”以及活动参数的值为“在家中”。

一些实施例包括环境参数作为推荐引擎的输入以调整推荐。

一些实施例在其项目数据库中存储对与项目的属性的值相关联的其它项目的引用。这使得实施例能够存储相对值。例如，关于跑车的数据库，对于用户表达，“特斯拉模型s(teslamodels)加速比保时捷911卡雷拉s(porsche911carreras)能够制动更快”，对于“特斯拉模型s”项目，系统为“加速度”属性存储“大于”的值以及相关联的指向“保时捷911卡雷拉s”项目的“制动速度”参数的指针。一些实施例通过解析引用其它项目的属性的值的自然语言表述来确定不带有引用的属性的值。例如，关于山的数据库，对于用户表述“惠特尼山(mountwhitney)是珠穆朗玛峰(mounteverest)的高度的1/2”，针对“惠特尼山”项目，系统通过将“珠穆朗玛峰”项目的“高度”属性的值(8848米)乘以1/2来存储“4424米”作为“高度”属性的值。

一些实施例以稀疏用户偏好向量的形式来计算未知属性值的假设从而进行推荐。假设基于其它用户的已知偏好值，并且使用诸如分类器或回归之类的机器学习算法来计算。例如，对于一个对购物者进行特征分析(profiling)的系统，如果识别出100名女性购物者中有19名穿着粉红色衬衫，而100名男性购物者中有1名穿着粉红色衬衫，则当识别出一名新的购物者穿着粉色衬衫时，将计算购物者对于“性别”属性具有“男性”的值的概率为1/20，购物者对于“性别”属性具有“女性”值的概率为19/20。

一些实施例使用被表示为非布尔值的得分来表示属性值和偏好。例如，这样的实施例不是将快节奏的歌曲属性表示为真或假，而是存储每分钟115节拍的节奏值。如另一示例，这样的实施例不是将偏好值假设表示为真或假，而是将其表示为介于0和1之间的概率值。

一些实施例响应于自然语言命令。例如，关于用户数据库，响应于用户命令“导航到最近的浪漫餐馆”，系统为“首选的餐馆类型”属性存储值“浪漫”。响应于用户命令“播放具有较少暴力的不同电影”，系统为“优选的电影暴力的量”参数存储值“低”。

一些实施例响应于时间段的自然语言表述，比如，“在接下来的3小时内播放晚餐派对爵士歌曲”或“今天上午的歌曲都很无聊”。

一些实施例通过解析自然语言表述来确定环境参数的值。例如，响应于用户表述“只带素食食品到玛雅(maya)的房子”，系统为与“位置”环境参数的“玛雅的房子”的值相关联的“食物偏好”属性存储值“素食”。响应于用户表述“‘pumpupthejam’是极好的锻炼歌曲”，针对歌曲项目“pumpupthejam”，为与“活动”环境参数的“锻炼”值相关联的参数“极好”存储值“真”。

一些实施例根据诸如烹饪、训练、驾驶或睡眠之类的环境参数来确定活动，并且例如通过使用挂钟计时器、地理定位服务、加速度计、环境音频处理以及相机图像处理来将针对属性的用户偏好与活动相关联。

一些实施例当在自然语言表述中识别出在项目数据库或用户数据库中未知的属性时，添加该属性，从而学习描述项目和偏好的新方式。例如，关于音乐识别系统，响应于用户表述，“‘windbeneathmywings’具有如此得流行感伤味道”，新系统检测到它不将“味道”辨识为歌曲项目的属性。因此，系统开始创建一个新的属性“味道”，并且针对歌曲项目“windbeneathmywings”向新的“味道”属性赋值“流行感伤”。

一些实施例当在自然语言表述中识别出在项目数据库或用户数据库中未知的属性值时，将该值添加为属性的可能值，从而学习项目和偏好的新可能的描述。例如，关于音乐识别系统，响应于用户表达，“亚莉克莎(alexa)，我讨厌‘greenday’。停止播放那些无聊的垃圾！”，检测到“无聊”不被辨识为“流派”属性的现有值。因此，它将“无聊”定义为“流派”属性的经辨识值。

即使是推荐引擎的最具创造性和前瞻性的设计者也不能定义足够的属性以及那些属性的合法值来捕捉可以用自然语言来描述这些项目的所有方式。而且，语言也在不断发展。用户可以使用任何字典中都未知的词语。示例是通过组合其它形容词的部分而形成的俚语形容词，比如，由“fantastic(奇妙的)”、“fabulous(美妙的)”、“delicious(美味的)”的部分形成的“fantabulicious”。

发言者可以用不匹配通常所接受的类别的术语来指代项目，但是对于听众这些项目仍然是有意义的。例如，对音乐进行分类的系统倾向于包括诸如曲目名称、艺术家名称、流派、长度、专辑名称、作曲家名称以及节奏之类的属性。但是，人们将认识到有些歌曲有着非常未来主义的感觉，有些则具有稍微未来主义的感觉，有些则根本没有感觉到未来主义。对音乐进行分类的传统系统不具有“感觉”属性，并且如果他们具有，也不会将“未来主义的”辨识为合法值。这样的系统也不具有范围从“非常”到“稍微”到“根本没有”的“未来主义”属性。

此外，即使对于已知属性，人类也可以创建自定义的值。例如，有些人可能将音乐流派属性描述为具有“顿足爵士舞民谣(stompfolk)”的值。音乐推荐器系统不辨识该值，但是很多人即使以前从来没有听过也可以从名称中推断出音乐的风格。

即使推荐引擎可以具有充分描述性的属性和合法值，它们也将需要无尽的、费力的更新来适应不断发展的语言。

基本的实施例

图1示出了实施例。第一用户11做出包括标识和描述特定项目的信息的第一自然语言表述。解析器13解析第一表述以提取项目的至少一个标识符和项目的属性的至少一个值。与项目的标识符相关联的属性的值被存储在项目数据库15中。这些步骤可以针对多个项目和项目的多个属性重复地发生。一些实施例可辨识来自多个用户的表述。因此，项目数据库15扩展以包括许多项目的描述性属性值。

一些实施例的解析13识别代词并且剖析它们指代以确定项目标识符。例如，当在在线购物网站上看到具有项目标识符b00jkmub58的婚纱时，如果第一用户阿德里安娜(adrianne)说：“我喜欢精致的尚蒂伊(chantilly)花边材料”，数据库中与项目标识符“b00jkmub58”相关联的“布料”属性被赋值为“尚蒂伊花边”。

许多类型的数据库和在数据库内组织数据的方法是已知的并且可适用于各种实施例。

根据图1的实施例，第二用户12做出第二自然语言表述，该第二自然语言表述包括标识用户偏爱的属性的值的信息。用户可能是单独的和不相关的。解析器14解析第二表述以提取项目可以具有的至少一个属性、该属性的值，并且识别第二用户12偏爱具有该值的这样的项目。属性值被存储在与第二用户12相关联的用户数据库16中。一些实施例存储不喜欢以及偏好。例如，当讨论他喜欢还是不喜欢的时，如果第二用户希莱斯(jiles)说“尚蒂伊花边是我喜欢的”，则用户数据库16存储为与希莱斯相关联的“布料”偏好属性存储值“希莱斯”。尽管解析器13和解析器14被示出为两个不同的单元，但是根据本发明的一些方面和实施例，解析器13和解析器14可以是执行等同功能的相同逻辑单元。这对于一些对所有表述使用单一解析器处理的基于服务器的系统来说是有用的。

一些实施例提取第三用户的标识符，确定表述标识第三用户的偏好，并且将偏好与第三用户相关联地存储。这对第三方表述来说是有用的，比如“艾萨克(isaac)在圣诞节想要望远镜”，在这种情况下，人物“艾萨克”为“圣诞节想要(的礼物)”属性赋值“望远镜”。一些实施例提供属性值以成为列表。对于下面的用户表述，“他还想要棱镜、计算器和苹果”，系统向将“圣诞节想要(的礼物)”属性赋值“望远镜、棱镜、计算器、苹果”。

用户数据库16存储用于每个可识别的用户的用户偏好向量。在不同的实施例中，用户数据库包括一个全局数据库或多个较小的数据库。较小的数据库可以小到具有单一用户的向量。一些实施例使用诸如hadoop之类的分布式数据存储框架来协调对大型全局数据库的访问。用户偏好向量是所有可能的属性偏好的集合。偏好向量可能对于某些属性具有已知的值，而对于其它属性没有已知的值。包括具有未知值的某些属性的向量是稀疏向量。

根据图1的实施例，推荐引擎18使用来自用户数据库16的第二用户偏好向量和项目数据库15中的项目的属性值来产生推荐。存在许多已知类型的推荐引擎，这些推荐引擎大部分被实现为软件。从业者将认识到适合于不同应用的推荐引擎类型。

对于在线购物应用，如果希莱斯登录到网站来购买礼服作为礼物，则该网站将向他展示尚蒂伊花边连衣裙。

图2示出了另一实施例。用户11做出包括关于特定项目的属性的值以及对于该属性的偏好的信息的自然语言表述。解析器23提取所有的信息。与项目相关联的属性值被存储在项目数据库25中。偏好属性的值被存储在用户数据库26中。推荐引擎28使用来自用户数据库26的用户偏好信息和关于项目数据库25中的项目的信息来为用户11产生推荐。例如，在机器自动化鞋店中，如果购物者说“我喜欢这些蓝色绒面革鞋”，则项目数据库将与特定的一双鞋相关联地针对颜色属性存储值“蓝色”并且针对材料属性存储值“绒面革”。知道购物者喜欢蓝色和绒面革材料的鞋子，商店将从项目数据库中向购物者展示绒面革的其它鞋子和蓝色的其它鞋子。

一些实施例，比如一些服务器系统，具有单一解析器。一些服务器系统有多个解析器。一些实施例在不同的设备和位置中进行单独解析。在一些情形下，实施例从同一用户接收项目属性值和偏好属性值两者。在一些情形下，实施例从一个用户接收项目和属性值并且从第二用户接收偏好属性值。图2示出了向单一解析器23做出表述的第二用户22。用户22可以在一些情景下存在，而在其它情景下不存在。

一些实施例一次产生单个推荐。一些实施例提供推荐的列表。一些实施例存储布尔(真或假)型属性值，例如，具有方向盘的汽车或不具有方向盘的汽车。一些实施例存储枚举型属性值，例如，汽车是黑色、白色、灰色、红色、蓝色、黄色、或粉红色。一些实施例存储数值型属性值，比如，以每分钟的节拍为单位的歌曲的节奏。一些实施例将属性值存储为由浮点数表示的概率，例如，特定航班号准时到达的可能性。一些实施例将属性值存储为文本字符串，例如，歌曲感觉的描述为“轻爵士乐”。

解析

图3示出了根据实施例的解析。语音识别31接收包括口头自然语言表述的语音。语音识别31输出语音的文本转录。一些实施例输出多个转录假设，每个假设具有指示其正确的可能性的相关联的得分。解析器33接收转录假设并输出在自然语言表述中声明的实体、属性和值的列表。例如，对于表述，“约翰(john)喜欢香草，但他的冰淇淋甜筒是巧克力的。玛丽(marie)的冰淇淋甜筒是香草的，但她喜欢巧克力“，解析器输出具有四个元素的列表：{约翰，偏爱冰淇淋口味，香草}；{约翰的冰激凌甜筒，口味，巧克力}；{玛丽的冰激凌甜筒，口味，香草}；{玛丽，偏爱冰淇淋口味，巧克力}。

图3的实施例保持会话状态信息34。这包括诸如正在讨论的实体以及讨论项目的内容、时间、地点之类的信息。系统使用会话状态来消除代词的歧义。例如，如果机器说“10号公交车在20分钟内到达”，并且用户说“它什么时候离开？”，则分析器33通过阅读来自对话状态34的信息知道词语“它”指的是10号公交车。每当系统向用户提供信息时以及每当用户向系统提供信息时，解析器33将信息写入对话状态34。

图3的实施例维护同义词的数据库35。通过从同义词数据库35中的自然语言表述中搜索词语，解析器33能够解释具有否则未知含义的语句。例如，命令“收回20块钱(buck)”、“收回20元(clam)”、“收回20块现金(bone)”、“收回20块钢镚(smacker)”都被解释为“收回20美元(usdollar)”。通过用通用的同义词来代替术语，系统能够将表述与用不同的方言表达的等同含义相匹配。

图3的实施例维护用户简档信息36。当解析器33需要个人信息来完成解析时，它从简档信息36中读取。例如，命令“在我的生日时向我的工作地址配送玫瑰，以使得我的同事认为我有秘密的爱慕者”，使用来自用户简档36中的生日参数来选择递送日期，并且使用用户简档36中的工作地址参数来选择递送地址。本实施例还为用户数据库中的“优选花型”属性写入值“玫瑰花”。系统使用个人参考标识符词语(例如“我”)来确定特定于用户简档的表述语义。

在图3的实施例中，解析器33接受并使用环境参数值来完成解析。例如，它使用当前位置参数和日期参数来解释作为对当前天和当前位置的天气报告的请求的表述“天气怎么样”。通过这样做，系统增加了隐含在环境参数中的含义解释信息。

尽管传统的自然语言处理系统可以巧妙地处理关于什么、何时、何地以及谁的表述，但是它们无法对关于为什么的表述做任何事情，这需要丰富的详细表述。通过使用语音识别用户界面，一些实施例使得用户能够精确地描述为什么喜欢或不喜欢项目或一类项目。同样，用户可以精确地说出他们想被推荐什么类别的项目。例如，关于音乐推荐，用户能够说：“我想要更加爵士风的音乐”、“我喜欢快歌”、“更少的旋律”，或者“我不喜欢这些歌词”。这些是项目类别的偏好的原因，这些原因被存储在用户数据库中并且允许基于项目数据库中所存储的丰富的描述性属性和属性值来实现更准确的推荐。

图4示出了根据实施例的语音识别和自然语言解析处理的流程图。在步骤41，该处理开始于接收语音并应用语音识别。在步骤42中，该处理进行到通过语音识别输出文本转录。在步骤43中，该处理在解析器处接收转录并开始解析处理。在步骤44中，该处理通过对话状态来消除代词的歧义。在步骤45中，该处理使用同义词数据库中的常见同义词来替换术语。在步骤46中，该处理从发言者的用户简档中剖析具有个人含义的术语。在步骤47中，该处理添加来自环境参数值的隐含信息。

图5示出根据使用文本自然语言表述的语料库的实施例的解析。这对于从书面信息的语料库构建项目数据库特别有用。例如，书籍和电影评论倾向于使用对项目的丰富的自然语言描述，这些描述可用于基于用户偏好的丰富描述来提高推荐的有用性。书面材料的不同语料库适用于不同的应用。有些使用维基百科、纽约时报报纸文章、博客文章、和推特简讯。

解析器53从语料库接收作为文本的自然语言表述，并输出在自然语言表述中声明的实体、属性和值的列表。实体和属性值被发送到项目数据库中。

图5的实施例维护讨论情境信息54。这包括诸如正在讨论的实体以及以及所讨论的项目的内容、时间、地点之类的信息。例如，如果电影评论说道“韦斯·克雷文(wescraven)是恐怖电影的大师”，然后是“在尖叫7(scream7)他传递了另一种”，则解析器53从阅读来自讨论情境54的信息知道电影实体“scream7”具有“导演”属性值“wescraven”和“类型”属性值“恐怖”。当实施例解析文本的语料库时，解析器53将其检测到的信息写入到讨论语境54。

图5的实施例维护同义词的数据库55，其像上述同义词数据库35那样并为相同的目的而进行操作。

图5的实施例维护作者简档信息56。当解析器53需要关于电影评论或博客帖子的个人信息以完成解析时，它从作者简档信息56中读取。

在图5的实施例中，解析器53接受并使用全局情境信息来完成解析。例如，解析器53使用2001年电影评论的发布日期来解释表述“去年的最佳电影是地球战场(battlefieldearth)”指的是从2000年起的电影。

数据库

图1和图2的解析器的输出被写入到项目数据库和用户数据库。不同类型的数据库适用于不同的应用。一些数据库是相关的，一些数据库是自援引的，一些数据库是分布式的(比如，使用hadoop的数据库)，一些数据库是自定义的，一些数据库使用行业标准，一些数据库存储项目信息，一些数据库存储用户信息，一些数据库存储项目信息和用户信息，一些数据库是分类的，有的则不是。

图6示出了项目数据库61的逻辑表示。每行表示特定项目。数据库61具有针对n个项目中的每个项目的行。数据库61具有针对多个属性中的每个属性的列。这个实施例仅有四个属性，命名为a0、a1、a2和a3。数据库61可以管理任意数量的项目和任意数量的属性，并且本发明的范围在这方面不做限制。

图7示出了与用户数据库72并置的项目数据库71的逻辑表示。用户数据库72具有针对u个用户中的每个用户的行。数据库71具有针对与项目数据库72的属性相同的属性中的每个属性的列。数据库72可以管理任意数量的用户，并且本发明的范围在这方面不做限制。

图8示出了具有相对参考的项目数据库81的逻辑表示。如果项目1是二年级的教室，项目2是三年级的教室，属性a1是学生的数量，而a2是课桌的数量，那么在回答表达“因为一年级教室的学生的数量比二年级教室的课桌的数量多一个，所以需要使至少一个一年级学生不及格”时，项目数据库81被更新以使得项目1的属性a1(一年级教室中的学生人数)的值包括到项目2的属性a2(二年级教室中的课桌的数量)的指针和相对值+1。

用户简档信息和众包

图9示出了实施例。第一用户91做出第一自然语言表述，该第一自然语言表述包括标识和描述特定项目的信息。解析器93解析第一表述以提取项目的至少一个标识符和项目的属性的至少一个值。该属性的值被与项目的标识符相关联地存储在项目数据库95中。第二用户92做出第二自然语言表述，该第二自然语言表述包括标识用户偏爱的属性的值的信息。解析器94解析第二表述以提取项目可以具有的至少一个属性、属性的值，并且标识第二用户92偏爱具有该值的这样的项目。该属性值被存储为与第二用户92相关联的用户数据96。

在图9的实施例中，以来自用户简档的信息对用户数据进行补充。例如，一些用户简档包括一个或多个参数：性别、出生日期、地址、收入、宗教信仰、政党、姓名、以及注册号码等等。一些用户简档参数稀疏地填充有已知的值。有些系统响应于从用户表述中提取值而将这些值添加到用户简档性质。

用户简档参数对于分类用户非常有用。例如，具有相同性别、出生日期、地区、收入、宗教信仰、和政党的任的消费偏好具有显着的共同点。然而，擅长仅仅基于简档性质对用户进行分类的传统系统缺乏个人偏好数据。其它用户的特定偏好数据，结合基于用户简档和偏好的分类，为推荐提供了出色的分类/预测精度。

图9的实施例包括用户的偏好向量97的整个数据库。用户数据96是与用户92相关联的一个用户偏好向量(数据库72的一行)和用户简档性质值的单一集合。

在图9的实施例中，推荐引擎98通过对用户数据库97和用户的简档向量96使用机器学习算法以计算未知用户偏好属性值的假设，来对用户的可能偏好进行分类。然后，推荐引擎98找到项目数据库95中具有最接近地匹配已知和假设的用户偏好向量值的属性值的项目。

将人工智能应用于众包的数据使得系统能够非常准确地预测用户偏好，并产生非常有用的推荐，即使对于主张相同偏好但对于其含义具有不同想法的用户也是如此。例如，针对美国16岁男性的“慢舞音乐”推荐通常与针对德国40岁女性的“慢舞音乐”推荐不同。

然而，预测任何用户偏好的分类算法需要知道至少一些用户的其它偏好。如果用户第一次请求推荐，系统不知道任何个人偏好，则系统不能提供有用的推荐。这被称为冷启动问题。

图10示出了解决冷启动问题的实施例的流程图。该流程图从判定101开始，判定101确定对推荐的请求是否是不具有已知使用偏好的第一次请求。如果是，则系统进行到步骤102，在步骤102中，该系统为用户确定群组并使用该群组的平均或典型偏好。例如，知道防晒品是海滩上的用户购买最频繁的产品的系统，响应于新用户到达购物场所，确定用户位置，将用户分配给海滩上的用户的群组，并且进行到步骤105，系统在步骤105中计算推荐。该推荐是关于防晒产品。

如另一示例，一些实施例通过用户多快地说出他们的姓名和他们的语音的频谱成分来对用户进行分组。语音频谱成分通常受到性别和年龄的高度影响。因此，对于第一次说话的用户交互，系统自动地做出比随机地相关推荐好得多的推荐。

根据图10的实施例，如果请求不是第一次请求，则系统进行到步骤103，在步骤103中，系统使用来自用户的偏好向量的已知值，进行到步骤104，在步骤104中，它基于无监管的机器学习算法计算其它用户偏好属性值的假设，然后进行到步骤105，在步骤105中，它计算来自项目数据库的对应于已知和计算得出的用户偏好属性值的推荐。

环境参数

图11示出了使用环境参数来调整推荐的实施例。用户91做出第一自然语言表述，该第一自然语言表述包括标识和描述特定项目的信息。解析器93解析第一表述以提取项目的至少一个标识符和项目的属性的至少一个值。该属性的值被与项目的标识符相关联地存储在项目数据库95中。第二用户92做出第二自然语言表述，该第二自然语言表述包括标识该用户偏爱的属性的值的信息。解析器94解析第二表述以提取项目可以具有的至少一个属性、属性的值，并且标识第二用户92偏爱具有该值的这样的项目。属性值被存储在与第二用户92相关联的用户数据106中。用户数据116被放置在用户的偏好向量97的整个数据库内。

在图11的实施例中，推荐引擎118通过对用户数据库97和用户的简档向量116使用机器学习算法以计算未知用户偏好属性值的假设，来对用户的可能偏好进行分类。然后，推荐引擎108找到项目数据库95中具有最接近地匹配已知和假设的用户偏好向量值的属性值的项目。

推荐引擎118进一步考虑环境参数值。环境参数值的一些示例是当天的时间、地理位置、周围环境(例如，车辆或建筑物；以及家庭或工作场所或零售场所)、以及活动(例如，烹饪、锻炼或驾驶)。这对于提高推荐的相关性也是有价值的。

例如，当在机场环境中时推荐广告的系统有利于酒店的广告，因为乘飞机旅行的人们可能住在酒店中。在雨天时推荐广告的系统有利于推荐雨伞广告。当检测到儿童声音的声学性质时推荐歌曲的系统会推荐儿童歌曲。推荐食品的系统，如果检测到用户已经慢跑了5个小时则会推荐能量棒，如果几乎一整天都没有检测到用户运动则推荐能量棒芹菜。因此，系统可以收集一段时间内(从短期到长期)关于用户的信息，并基于所收集的信息提供推荐。

有许多适当的方式来收集环境参数的值。一些示例通过集成到移动或可穿戴设备中的传感器，例如，麦克风、相机、加速度计、地理定位设备、wifi存在检测、以及时钟。也可以在固定设备上检测环境参数，例如通过rfid存在检测、温度计、麦克风、相机、激光束光探测器、以及其它专用传感器。一些环境参数的值可以直接从传感器或输入设备读取。一些环境参数被例如通过软件功能计算。例如，特定人员的存在需要面部识别算法和用户面部图像的数据库。

一些实施例通过环境参数值来对自然语言解析进行加权。图12示出了这样的实施例。用户91做出第一自然语言表述，该第一自然语言表述包括标识和描述特定项目的信息。解析器93解析第一表述以提取项目的至少一个标识符和项目的属性的至少一个值。该属性的值被与项目的标识符相关联地存储在项目数据库95中。第二用户92做出第二自然语言表述，该第二自然语言表述包括标识该用户偏爱的属性的值的信息。解析器124解析第二表述以提取项目可以具有的至少一个属性、属性的值，并且标识第二用户92偏爱具有该值的这样的项目。属性值被存储为与第二用户92相关联的用户数据116。用户数据116被放置在用户的偏好向量97的整个数据库内。推荐引擎118通过对用户数据库97和用户的简档向量116使用机器学习算法以计算未知用户偏好属性值的假设，来对用户的可能偏好进行分类。然后，推荐引擎108找到项目数据库95中具有最接近地匹配已知和假设的用户偏好向量值的属性值的项目，从而产生推荐。

解析器124将环境参数值作为输入。解析器124使用环境参数值作为权重来重新给解析假设打分。例如，如果用户在农产品商店中说“我想买苹果”，则解析器输出“食品类型”偏好值“苹果”。如果同一个用户在电子产品商店中说“我想买苹果”，则解析器输出“计算机类型”偏好值“苹果”。如果用户在服装店中说“我想买苹果”，则解析器输出“食品类型”偏好值“苹果”。如果同一个用户在电子产品商店中说“我想买桔子”，则解析器输出“食品类型”偏好值“橘子”。

如另一示例，如果用户在早晨说“我不喜欢外面变得那么黑”，则解析器输出“云量”的偏好值“轻度”，但是如果用户在秋季傍晚时分说“我不喜欢外面变得那么黑”，则解析器输出“夏令时”的偏好值“真”。

在一些实施例中，例如图12的实施例，解析器和推荐引擎都使用环境信息来调整它们的输出。

一些实施例从用户表述收集环境信息。一些这样的实施例存储这样的环境信息并且使用它来调整推荐。图13示出了这样的实施例。用户91做出第一自然语言表述，该第一自然语言表述包括标识和描述特定项目的信息。解析器93解析第一表述以提取项目的至少一个标识符和项目的属性的至少一个值。该属性的值被与项目的标识符相关联地存储在项目数据库95中。第二用户92做出第二自然语言表述，该第二自然语言表述包括标识该用户偏爱的属性的值的信息。解析器134解析第二表述以提取项目可以具有的至少一个属性、属性的值，并且标识第二用户92偏爱具有该值的这样的项目。属性值被存储为与第二用户92相关联的用户数据106。用户数据106被放置在用户的偏好向量97的整个数据库内。推荐引擎118通过对用户数据库97和用户的简档向量116使用机器学习算法以计算未知用户偏好属性值的假设，来对用户的可能偏好进行分类。然后，推荐引擎108找到项目数据库95中具有最接近地匹配已知和假设的用户偏好向量值的属性值的项目，从而产生推荐。

图14示出了图13的实施例的处理的流程图。在步骤141中，该处理通过接收诸如来自互联网的文本表述或来自语音识别的文本表述之类的文本表述开始。在步骤142中，该处理解析表述以提取标识项目的信息并确定项目的属性的值，然后将该属性值与项目相关联地存储在项目数据库。在步骤143中，该处理接收第二文本表述。在步骤144中，该处理解析第二表述以提取标识已知用户的项目属性的优选值的信息，并将该信息存储在用户偏好数据库中。在步骤145中，该该处理使用机器学习分类算法来计算对其而言实际偏好未知的属性的优选值的假设。在步骤146中，该处理在项目数据库中搜索具有与假设的优选属性值相匹配的属性值的项目。在步骤147中，该处理向用户提供具有假设的属性值的项目作为推荐。

在图13的实施例中，如果解析器134在用户表达中检测到环境信息，则它输出该环境信息。例如，如果用户说“今天真热呀”，则系统为在存储装置139中存储“天气温度”参数的值“热”。推荐引擎118使用“天气温度”参数值来选择特定层的用户偏好值。例如，系统确定只要“天气温度”环境参数为“热”时用户都表示出对于“饮用温度”属性值为“冷”的饮品的偏好，但是当“天气温度”参数值为“冷”时，用户表示出对于“饮料温度”属性为“热”的饮品的偏好。当推荐引擎118产生饮品推荐时，就环境参数“天气温度”具有值“热”还是“冷”而言，其从项目数据库95中选择具有“饮料温度”属性值“冷”或“热”的项目。

除了从自然语言表述中解析语义信息值外，一些实施例使用表述的声学、语音、或语言属性来检测(或至少假设)环境信息的值。例如，一些实施例分析用户语音中的语调以确定用户的情绪。如果系统确定用户心情愉快，则推荐具有“心情”属性值“开心”的音乐项目，并且如果用户处于悲伤情绪中，则系统推荐具有“开心”的“心情”属性的音乐项目，但是如果用户处于过度刺激的情绪中，则系统推荐具有“悲伤”的“心情”属性的音乐项目。

图15示出了与用户数据库152并置的项目数据库151的逻辑表示。用户数据库152具有三个逻辑层：层0152a、层1152b和层2152c。每层具有针对数量为u的用户中的每个用户的行。数据库151具有针对与项目数据库152的那些属性相同的属性中的每个属性的列。数据库152可能是稀疏的(许多用户偏好属性值未知)。存储稀疏数据库的各种已知方法有效地适用于实施例。

在环境参数的不同组合的情形下，采用不同的用户属性偏好层。例如，当“天气温度”参数具有值“热”时使用第一层；当“天气温度”参数具有值“冷”而“降水”参数具有值“真”时使用第二层；当“天气温度”参数具有值“冷”而“降水”参数具有值“假”时使用第三层。例如，对于第一层，用户0属性0具有值“t恤”。对于第二层，用户0属性0具有值“派克大衣”。对于第三层，用户0属性0具有值“雨衣”。

一些系统规定用户偏好属性和项目属性中的一者或两者的个体值可被表示为环境参数值的条件。例如，如果用户在环境参数“位置”等于“学习大厅”时说“播放一些莫扎特(mozart)”，则识别用户的位置的音乐播放系统针对该用户的“音乐偏好”属性写入值“如果(位置＝＝学习大厅)则莫扎特(if(location＝＝studyhall)mozart)。如果用户在环境参数“位置”等于“道路”并且环境参数“日”等于“星期六”时说“播放一些ac/dc”，则系统将该用户的“音乐偏好”属性的值更新为“如果(位置＝＝学习大厅)则莫扎特；如果(位置＝＝道路且日＝＝星期六)则ac/dc(if(location＝＝road&day＝＝saturday)ac/dc)。

根据这样的实施例，推荐引擎如果计算稀疏用户偏好向量的假设值并且在计算分类或回归时选择在当前环境条件下有效的值，否则丢弃所有值。

使用环境参数值选择的偏好值的层的实施例是有用的，因为在一些条件下非常多的用户属性偏好值发生改变。例如，天气温度倾向于改变用户的饮品温度偏好，还有购物项目、着装项目、期望的度假目的地、会话主题等等。使用单个属性值的条件定义可能需要较少的存储空间来在数据库中表示，但需要以各个属性值的粒度进行更多的处理。

表示除文本串以外的条件和条件值的各种方式是适用的。字符串为任何意发言者选择的最丰富的自然语言表述的类型提供了灵活性，但是如果不同的用户使用同义词，则提供较少的可能有用的匹配。一些实施例采用同义词检测算法来减轻该缺点。一些实施例使用枚举值，其中属性或环境参数的每个可能值具有唯一的id。例如，在一个实施例中，家具商店项目的数据库对于“椅子”项目具有参数“椅子腿材料”，该参数可具有值“1”、“2”、“3”或“4”，其中“1”表示金属，“2”表示木材，“3”表示塑料，“4”表示任意其它类型的材料。类似地，购物者偏好的数据库对于用户存储具有相同的可能值的“椅子腿材料”偏好。使用枚举值提高了用户之间或用户与项目之间可能匹配的数量，从而提高了分类算法的准确性。但是，可能的椅子腿型的解决方案仅限于系统设计者选择枚举的那些。就本示例而言，偏爱深色木造型或轻木造型的购物者将得到基于具有对木质椅子腿型的偏好所有其它用户的推荐，而不论这些其它用户的木材颜色偏好如何。

活动

诸如烹饪和锻炼之类的活动是一种环境参数。不同的用户偏好数据库层可用于不同的活动。例如，用户可能希望听与某个活动或某种心情匹配的音乐。例如，用户可能希望听“晚饭的放松音乐”或“90年代主题派对的音乐”。

人工智能系统应用机器学习算法来提高基于先前的用户表述的推荐的质量。一些实施例通过在针对特定心情或活动进行推荐之后接受关于该推荐是否合意的用户反馈来学习特定用户偏好。一些实施例征求反馈，一些被动地观察反馈指示。一些实施例捕获可以改进推荐的特定方式的用户表述，并使用该信息来更新或添加用户属性偏好值。例如，用户可能说，“晚餐音乐应该更像飞向月球”，或者“你昨晚晚餐时播放的音乐更合适”，或者“我喜欢上一首歌，但是这首歌太过爵士了”。人工智能系统进一步在分类算法中使用用户的具体反馈来为具有一些已知匹配偏好属性值的其它用户计算用户偏好向量的假设。

推荐引擎

本领域已知有许多类型的推荐引擎，并且从业者将辨识适合于特定应用的推荐引擎。图16示出了推荐引擎118的实施例。它从由环境参数值指示的数据库层中选择用户偏好向量116。用户偏好向量116具有至少一个未知的感兴趣的属性偏好值以及至少一个(优选地不止几个)已知的其它属性偏好值。推荐引擎118还从环境参数值所指示的层读取来自用户数据库97的大量其它用户偏好向量，其中每个具有针对用户偏好向量的未知属性的已知值。推荐引擎118对具有连续值的参数执行回归分析或对具有可枚举的值的参数进行分类。回归或分类161产生具有针对用户偏好向量中的未知属性值的假设值的分配的偏好向量。

选择阶段162从项目数据库95读取项目，这些项目具有对应于已知和假设的用户偏好属性的属性的值。选择阶段162计算每个项目的属性值向量与用户偏好向量之间的相似性，但是通过假设的属性值的值的概率来加权相似性比较。选择阶段162然后根据相似性得分对数据库项目进行排序，并输出具有最高相似性得分的项目的列表。推荐引擎118还输出与列表中的每个项目相对应的得分。

创建属性和值

在一些情景下，用户将项目或用户偏好描述为具有系统未知的属性值。例如，如果一个用户说“我曾经喜欢绿日(greenday)，直到他们成为这样的伪朋克(pseudopunktaculous)畅销品”，但是大多数系统都不会将“pseudopunktaculous”理解为“流派”属性的值。

一些实施例在从自然语言表述解析出已知属性的未知值时将该值添加到属性的已知值的列表。添加新的值使得系统能够具有更高的分类算法处理粒度，从而改进推荐结果，即使对于其它用户和其它项目也是如此。

因此，如果另一用户稍后说“播放一些伪朋克音乐”，系统将播放播放greenday的音乐。该系统还将更新第二用户的用户数据库条目以使得“音乐流派”属性偏好具有值“伪朋克”。

图17示出了项目数据库171的逻辑表示。每行表示特定项目。数据库171具有针对数量为n的项目中的每个项目的行。数据库171具有针对多个属性中的每个属性的列。该实施例以命名为a0、a1、a2和a3四个属性开始。本实施例检测从自然语言表述解析的未知属性。作为响应，数据库将新的属性a4添加为列173，它具有针对数据库中的每个项目的可能值。类似地，该实施例将新的列173添加到相应的用户偏好数据库172。除了在自然语言表述中指示为具有属性的值的任意用户偏好和项目将使得该值被赋给其属性a4字段外，对于所有项目和用户而言，所有属性a4字段的值是未知的。

在一些情景下，用户将项目或用户偏好描述为具有系统未知的属性。例如，如果用户说“银河soho建筑像大钢琴盖一样弯曲”，大多数系统将不会将“弯曲”理解为建筑物的属性。响应于该表述，图15的实施例将为数据库项目添加属性“弯曲”，并为“银河soho建筑”项目的属性“弯曲”赋值“大钢琴”。

情景和物理实施例

图18示出了用户181和语音控制的音乐播放设备183之间的会话182的实施例。用户做出自然语言表述“嘿，这首歌太慢了”。音乐播放器183解析该表述以确定：项目属性“歌曲速度”的值“太慢”；和对于“歌曲速度”属性的“不慢”的用户偏好。音乐播放器183将这些值分别存储在项目数据库和用户偏好数据库中。

在一些实施例中，诸如音乐播放器或汽车之类的设备将用户偏好存储在本地数据库中。在一些实施例中，设备在服务器上远程地存储用户偏好。一些实施例在本地缓存用户偏好，并在访问可用时与远程服务器同步。这对于可能在某些时间连接到互联网但在其它时间断开的实施例(例如，汽车)是有用的。

音乐播放器183继续执行推荐，该推荐产生古典音乐的快速片段“野蜂飞舞(flightofthebumblebee)”。音乐播放器183以语音回应用户181并播放歌曲。该用户回应：“很好，它真的有些提神”。音乐播放器183解析该自然语言表述并确定“提神”是歌曲的未知属性。系统为其项目数据库和用户数据库增加“提神”属性字段，并向歌曲项目“野蜂飞舞”的“提神”属性赋值“真”。

一些实施例是执行自然语言处理并存储项目和用户偏好数据库的服务器。图19示出了这样的实施例。用户191与客户端设备192接口连接。客户端设备192可以是包括发送和接收信息的能力的任何设备。客户端设备192的一些示例是移动电话、其它便携式设备、智能扬声器、机器人、车辆和远程服务器。一些客户端设备是独立的机器，一些客户端设备是运行适当的软件的耦合服务器的系统。各种类型的客户端设备(例如，客户端设备192)通过各种输入方法从用户接收话语。一些这样的输入方法是在键盘上打字、移动和点击鼠标、敲击触摸屏、在触摸屏上滑动、在相机前做手势、以及神经活动感测。各种类型的客户端设备(比如，客户端设备192)通过各种输出方法向用户提供响应或反馈或推荐，比如，屏幕上的文本、屏幕上的图标、图像、音频音调、合成语音、振动、以及神经刺激。

客户端设备192通过网络193与服务器194进行通信。服务器194执行自然语言处理、存储项目和用户偏好、以及产生建议。服务器194通过网络193向客户端192传送响应，客户端192向用户191提供接口。

一些实施例由用户191和客户端设备192之间的语音接口来服务。一些实施例由诸如键盘或触摸屏之类的手动接口来服务。一些实施例由认知通信设备(ccd)来服务。ccd利用了人类思维是一种形式的自然语言表述这一事实。从业者已知各种其它人机界面。

图20示出了包括触摸屏显示界面202的移动电话201的实施例。电话201运行播放音乐的应用程序。当音乐正在播放时，电话201显示当前正在播放的音乐的标题和艺术家。基于电话用户先前表达的偏好和关于该歌曲已知的属性的值，来选择该歌曲作为推荐。

电话201还显示其它歌曲和艺术家的列表204。歌曲和艺术家是来自推荐的列表的歌曲和艺术家。这些歌曲具有全部与电话用户的属性偏好值十分匹配的相似的属性值。

电话201还显示电影链接205。虽然电影是与歌曲不同类型的项目，但是电影和歌曲具有一些共同的属性，比如包括但不限于“创建年份”。电影链接205是基于其属性值及其与电话用户的偏好属性值的相似度的推荐结果。

电话201还显示广告206。广告项目与歌曲或电影鲜少具有共同的属性，但是广告206是基于电话用户的用户属性偏好值与在相同的广告上进行点击的其它用户的用户属性偏好之间的相似性的推荐的结果的。

音乐、电影和广告的存储以及推荐的计算和产生可以在由不同运营商操作的不同服务器上，并且每个实施例有着它们自己的风格。

一些实施例是存储代码的非暂态计算机可读介质，所述代码如果由计算机系统执行将使得计算机系统执行所体现的功能和处理。图21a示出了作为旋转磁盘211的非暂态计算机可读介质的实施例。图21b示出了作为闪速ram芯片212的非暂态计算机可读介质的实施例。

一些实施例是具有执行适当的功能和处理的处理器的计算机芯片。图。图21c示出了具有用于附着到印刷电路板的焊球的球栅阵列的封装片上系统(soc)213的实施例。图21d示出了soc213的正面。

图22示出了机架式服务器系统221的实施例。它包括多个处理器，这些处理器并行地运行软件以同时处理多个自然语言表述，同时存储和取回用户偏好属性值和项目值，并同时运行推荐算法。

图23示出了片上系统230的框图。该片上系统230包括计算机处理器(cpu)核心231集群和图形处理器(gpu)核心232集群。处理器通过片上网络233连接到片外动态随机存取存储器(dram)接口234和闪存接口235。片上系统230还具有耦合到存储器接口的显示接口236和i/o接口模块237。i/o接口使得触摸屏接口、麦克风、扬声器和usb设备(例如，键盘和鼠标等)能够访问存储器接口。片上系统230还包括网络接口238以允许处理器通过有线或无线连接访问互联网。通过经由接口235执行存储在ram设备中的指令或者通过接口235执行存储在闪存设备中的指令，cpu231和gpu232执行适当的功能和处理。

图24示出了服务器系统240的框图。该服务器系统240包括通过板级互连243连接到ram244和网络接口245的cpu241的阵列和gpu242的阵列。通过执行存储在ram244中的指令，cpu241和gpu242执行适当的功能和处理。

虽然本发明已经关于一个或多个特定优选的实施例进行了显示和描述，但明显地，本领域技术人员在阅读和理解本说明书和附图的基础上将会想到等同的改变和修改。特别是关于由上述组件(装配、设备、系统等)执行的各种功能，除非另有说明，否则用于描述这样的组件的术语(包括对“装置”的引用)旨在与即使在结构上不等同于执行本文所示的本发明的示例性实施例中的功能的所公开的结构但是执行所述组件的指定功能(即，功能上等同)的任意组件相对应。另外，虽然可能已经仅关于若干实施例中的一个实施例公开了本发明的特定特征，但是这样的特征可以与其它实施例的一个或多个其它特征组合，因为这对于任意给定的或特定的应用可能是期望的或有利的。

人和机器中任一者的行为或其组合的行为(指令，当由一个或多个计算机执行时，将使得一个或多个计算机执行根据所描述和要求保护的发明的方法，以及被布置为存储这样的指令的一个或多个非暂态计算机可读介质)体现本文所描述和要求保护的方法。实施本文所描述和要求保护的发明所需的不止一个非暂态计算机可读介质中的每个非暂态计算机可读介质单独体现本发明。

本文所描述和要求保护的物理机的一些实施例可以多个变量来进行编程，这些变量的组合提供了基本上无限多种操作行为。本文的一些实施例是由提供大量参数的软件工具来配置的，这些参数的组合提供了所描述和要求保护的本发明的基本上无限多种物理机实施例。使用这种软件工具来配置硬件描述语言表示的方法体现了所描述和要求保护的发明。物理机可以体现本文描述和要求保护的机器，比如，半导体芯片；根据所描述和要求保护的本发明的机器的逻辑或功能行为的硬件描述语言表示；以及被布置为存储这样的硬件描述语言表示的一个或多个非暂态计算机可读介质。

根据本发明的教导，客户端设备、计算机和计算设备是制造品。制造品的其它示例包括：驻留在主板上的电子组件、服务器、大型计算机、或其它专用计算机，它们各自具有一个或多个处理器(例如，中央处理单元、图形处理单元、或微处理器)，这些处理器被配置为执行计算机可读程序代码(例如，算法、硬件、固件和/或软件)以接收数据、发送数据、存储数据、或执行方法。

根据本发明的各个方面的制造品或系统以各种方式来实现：利用一个或多个不同的处理器或微处理器、易失性和/或非易失性存储器、以及外设或外设控制器；利用具有处理器、本地易失性和非易失性存储器、外设和输入/输出引脚的集成微控制器；实现制造品或系统的固定版本的离散逻辑；以及实现可以通过本地或远程接口重新编程的制造品或系统的版本的可编程逻辑。这样的逻辑可以以逻辑方式或通过由处理器执行的一组命令来实现控制系统。

此外，本文记载的所有示例和条件性语言主要旨在帮助读者理解本发明的原理和发明人为促进本领域而贡献的概念，并且应被解释为不限于这样的明确记载的示例和条件。而且，本文的记载本发明的原理、方面和实施例的所有陈述以及其具体示例旨在涵盖其结构和功能上的等同物。此外，意图是这样的等同物包括当前已知的等同物和将来开发的等同物，即，所开发的执行相同功能的任意元件，而不管其结构如何。

因此，本发明的范围不旨在限于本文所示出和描述的示例性实施例。反而，本发明的范围和精神由所附权利要求来体现。