本发明涉及软件应用技术领域，尤其涉及一种多媒体文件的预测方法和装置。
背景技术：
近年来，深度学习在视频图像、语音识别、自然语言处理等领域得到了广泛应用。例如，对于视频图像而言，采用图像识别算法进行内容识别；对于语音数据，采用语音识别算法进行内容识别；对于文本数据，采用自然语音处理进行内容识别。
而在实际应用中，单独采用一种算法进行识别，往往无法准确的识别内容。例如，对于典型的ugc平台(usergeneratedcontent，用户原创内容平台)，每天均会有大量用户上传各种各样的视频，这些记录用户生活的视频包括自拍、跳舞、美食等内容。当要从数以亿计的视频中筛选出“美食教程”的视频时，若仅采用图像分类算法，虽然可以识别出“美食”视频，但无法识别出“教程”视频；若使用自然语言处理算法，虽然可以从文本中分离出“教程”以识别出“教程”视频，但无法识别图像中的“美食”；若把这个两个算法简单联合起来，虽然可以筛选出一定的“美食教程”视频，但并不是所有“美食教程”视频都包括“教程”字样，用户描述视频的文字很可能是“葱”、“姜”、“蒜”等食材。从而仅靠简单的算法融合无法准确识别内容。
技术实现要素：
本发明实施例提供的多媒体文件的预测方法和装置，可解决单独采用语音识别算法、图像识别算法或自然语言处理算法进行内容识别，准确性较差的问题。
一方面，本发明实施例公开了一种多媒体文件的预测方法，包括：
对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集；
根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率；
根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到；
按照所述得分对所述各目标多媒体文件进行排序。
另一方面，本发明实施例还公开了一种多媒体文件的预测装置，包括：
标签获取模块，用于对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集；
主题划分模块，用于根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率；
得分预测模块，用于根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到；
排序模块，用于按照所述得分对所述各目标多媒体文件进行排序。
在本发明实施例中，对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集；根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率；根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到；按照所述得分对所述各目标多媒体文件进行排序。从而可以解决单独采用语音识别算法、图像识别算法或自然语言处理算法进行内容识别，准确性较差的问题，取得了提高多媒体文件内容识别的准确性的有益效果。
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
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，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示出了本发明实施例一中的一种多媒体文件的预测方法的步骤流程图；
图2示出了本发明实施例二中的一种多媒体文件的预测方法的步骤流程图；
图3示出了本发明实施例三中的一种多媒体文件的预测装置的结构框图；
图4示出了本发明实施例四中的一种多媒体文件的预测装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
下面通过列举几个具体的实施例详细介绍本发明提供的一种多媒体文件的预测方法和装置。
实施例一
参照图1，示出了本发明实施例一的一种多媒体文件的预测方法的步骤流程图，具体可以包括如下步骤：
步骤101，对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集。
本发明实施例针对多媒体文件进行分类。其中，多媒体文件至少包括视频、动图等。
语音识别算法通过语音信号的预处理、特征提取、模式匹配，识别内容。预处理包括预滤波、采样和量化、加窗、端点检测、预加重等过程。
图像识别算法通过图像处理、分析和理解，以识别图像内容。图像识别主要以图像的主要特征为基础。例如，字母a都有个尖、p有个圈、y的中心有个锐角等。
自然语言处理算法通过语法、语义等进行解析，识别内容。
本发明实施例可以综合三种算法对目标多媒体文件进行识别，从而更加准确的对目标多媒体文件进行分类。
在实际应用中，为了区别三种算法生成的标签，对各算法生成的标签设置唯一的标识。具体地，语音识别算法生成的标签标识采用前缀a，图像识别算法生成的标签标识采用前缀i，自然语言处理算法生成的标签采用前缀t。例如，对于同一多媒体文件的标签1，对应三种算法分别生成标识为a-1、i-1、t-1的标签。对于目标多媒体文件集，按照上述方法生成的第一标签集为a-1、a-2、a-3、…、a-m，第二标签集为i-1、i-2、i-3、…、i-n，第三标签集为t-1、t-2、t-3、…、t-l。
可以理解，一个目标多媒体文件按照一种算法可以对应多个标签。
步骤102，根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率。
其中，预设主题集可以根据当前任务设定，可以与当前任务的主题相关。例如，当前任务是对多媒体文件识别出“美食教程”，则需要设置与美食教程相关的主题。可以理解，主题数目可以根据实际应用场景设定，本发明实施例对其不加以限制。
具体地，采用lda模型将目标多媒体文件划分至预设主题集中的各主题中。lda(latentdirichletallocation，潜藏狄利克雷分配)是一种文档主题生成模型，也称为三层贝叶斯概率模型，包含词、主题和文档三层结构。生成模型认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”。其中，文档到主题服从多项式分布，主题到词服从多项式分布。
lda是一种非监督机器学习技术，可以用来识别大规模文档集或语料库中潜藏的主题信息，采用词袋方法，将每篇文档视为一个词频向量，从而将文本信息转化为易于建模的数字信息。但是，词袋方法没有考虑词与词之间的顺序，从而简化了复杂性，同时也为模型的改进提供了契机。每一篇文档代表了一些主题所构成的一个概率分布，而每一个主题又代表了很多单词所构成的一个概率分布。
步骤103，根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到。
其中，各主题中目标主题对应的条件分布概率对应划分至该主题中的多媒体文件中，属于目标主题的概率。
多媒体文件的得分代表多媒体文件属于目标主题的概率。得分越高，多媒体文件属于目标主题的概率越大；得分越低，多媒体文件属于目标主题的概率越小。
可以理解，条件分布概率相当于多各主题进行了加权。条件分布概率越大，表明该主题的加权值越大；条件分布概率越小，表明该主题的加权值越小。从而对于条件概率越大的主题，若多媒体文件被划分至该主题的分布概率越大，多媒体文件的得分越大；对于条件概率越小的主题，若多媒体文件被划分至该主题的分布概率越小，多媒体文件的得分越小。
步骤104，按照所述得分对所述各目标多媒体文件进行排序。
具体地，将目标多媒体文件按照排序进行降序排列，从而排序越靠前的多媒体文件属于目标主题的概率越大；排序越靠后的多媒体文件属于目标主题的概率越小。
在本发明实施例中，对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集；根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率；根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到；按照所述得分对所述各目标多媒体文件进行排序。从而可以解决单独采用语音识别算法、图像识别算法或自然语言处理算法进行内容识别，准确性较差的问题，取得了提高多媒体文件内容识别的准确性的有益效果。
实施例二
参照图2，示出了本发明实施例二的一种多媒体文件的预测方法的步骤流程图，具体可以包括如下步骤：
步骤201，对训练多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一训练标签集、第二训练标签集及第三训练标签集。
其中，训练多媒体文件集中的各多媒体文件被标注。例如，当前任务是筛选“美食教程”的多媒体文件，标注各训练多媒体文件是否为“美食教程”。但在将训练多媒体文件划分至预设主题集中时，该标注信息不可见，从而不采用标注信息进行划分。
可以理解，由于训练多媒体文件集与目标多媒体文件集的文件内容不同，第一训练标签集合、第二训练标签集及第三训练标签集与第一标签集合、第二标签集及第三标签集的内容也不同。
在实际应用中，为了提高训练结果的准确度，训练多媒体文件的数目越多越好。
步骤202，根据所述第一训练标签集、第二训练标签集及第三训练标签集，将所述训练多媒体文件集中的各训练多媒体文件划分至预设主题集的各主题中。
该步骤可以参照步骤102的详细说明，在此不再赘述。
步骤203，根据所述各训练多媒体文件的标注信息，统计各主题中的训练多媒体文件属于目标主题的概率，得到各主题中目标主题对应的条件分布概率。
其中，目标主题对应当前任务不同而不同。例如，当前任务为确定“美食教程”的视频，则目标主题为美食教程。
可以理解，条件分布概率对应主题，表明该主题中出现目标主题的概率。例如，对于一主题，确定该主题中为“美食教程”的视频概率。
可选地，在本发明的另一种实施例中，步骤203包括子步骤2031：
子步骤2031，根据所述各训练多媒体文件的标注信息，统计各主题中属于目标主题的训练多媒体文件的数目，得到第一数值。
在实际应用中，由于标注信息指明多媒体文件的主题，从而将标注的主题是否与目标主题一致，判断多媒体文件是否为目标主题。若一致，则确定多媒体文件属于目标主题；若不一致，则确定多媒体文件不属于目标主题。
子步骤2032，统计所述各主题中的训练多媒体文件的总数目，得到第二数值。
第二数值对应划分至一主题的多媒体文件的总数。
子步骤2033，计算所述第一数值与第二数值的比值，得到各主题中目标主题对应的条件分布概率。
在实际应用中，可以适当保留小数点后几位。通常情况下，保留小数点后两位。
步骤204，对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集。
该步骤可以参照步骤101的详细说明，在此不再赘述。
步骤205，对于所述目标多媒体文件集中的各目标多媒体文件，根据所述目标多媒体文件在第一标签集中对应的第一标签、第二标签集中的第二标签以及第三标签集中的第三标签，进行综合判断以将所述目标多媒体文件划分至预设主题集中的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率。
在实际应用中，对于一多媒体文件，根据三种算法得到第一标签、第二标签、第三标签，从而根据该三种标签进行综合判断，将多媒体文件划分至预设主题中。
步骤206，对于每个目标多媒体文件，将所述目标多媒体文件在各主题中的分布概率和各主题中目标主题对应的条件分布概率分别相乘，得到所述目标多媒体文件在各主题中的目标概率；所述条件分布概率通过对训练多媒体文件集进行训练得到。
其中，条件分布概率为步骤201至203得到的概率。
具体地，第i个多媒体文件在第j个主题中的目标概率可以通过如下公式计算：
si,j＝di,j·rj(1)
其中，di,j为第i个多媒体文件在第j个主题中的分布概率，rj为第j个主题中目标主题对应的条件分布概率。
步骤207，将所述目标多媒体文件在各主题中的目标概率相加，得到所述目标多媒体文件的得分。
具体地，第i个多媒体文件属于目标主题的得分可以按照如下公式计算：
其中，τ为预设主题集中包括的主题数目，可以根据实际应用场景设定。
步骤208，按照所述得分对所述各目标多媒体文件进行排序。
该步骤可以参照步骤104的详细说明，在此不再赘述。
在本发明实施例中，对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集；根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率；根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到；按照所述得分对所述各目标多媒体文件进行排序。从而可以解决单独采用语音识别算法、图像识别算法或自然语言处理算法进行内容识别，准确性较差的问题，取得了提高多媒体文件内容识别的准确性的有益效果。此外，还可以通过预先训练确定预设主题中目标主题对应的条件分布概率，从而提高多媒体文件的预测效率的有益效果。
实施例三
参照图3，示出了本发明实施例三的一种多媒体文件的预测装置的结构框图，具体包括如下模块：
标签获取模块301，用于对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集。
主题划分模块302，用于根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率。
得分预测模块303，用于根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到。
排序模块304，用于按照所述得分对所述各目标多媒体文件进行排序。
在本发明实施例中，对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集；根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率；根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到；按照所述得分对所述各目标多媒体文件进行排序。从而可以解决单独采用语音识别算法、图像识别算法或自然语言处理算法进行内容识别，准确性较差的问题，取得了提高多媒体文件内容识别的准确性的有益效果。
实施例三是方法实施例一对应的装置实施例，详细说明可以参照实施例一，在此不再赘述。
实施例四
参照图4，示出了本发明实施例四的一种多媒体文件的预测装置的结构框图，具体包括如下模块：
训练标签获取模块401，用于对训练多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一训练标签集、第二训练标签集及第三训练标签集。
训练主题划分模块402，用于根据所述第一训练标签集、第二训练标签集及第三训练标签集，将所述训练多媒体文件集中的各训练多媒体文件划分至预设主题集的各主题中。
条件分布概率统计模块403，用于根据所述各训练多媒体文件的标注信息，统计各主题中的训练多媒体文件属于目标主题的概率，得到各主题中目标主题对应的条件分布概率。
标签获取模块404，用于对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集。
主题划分模块405，用于根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率。可选地，在本发明实施例中，上述主题划分模块405，包括:
主题划分子模块4051，用于对于所述目标多媒体文件集中的各目标多媒体文件，根据所述目标多媒体文件在第一标签集中对应的第一标签、第二标签集中的第二标签以及第三标签集中的第三标签，进行综合判断以将所述目标多媒体文件划分至预设主题集中的各主题中。
得分预测模块406，用于根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到。可选地，在本发明实施例中，上述得分预测模块406，包括：
目标概率统计子模块4061，用于对于每个目标多媒体文件，将所述目标多媒体文件在各主题中的分布概率和各主题中目标主题对应的条件分布概率分别相乘，得到所述目标多媒体文件在各主题中的目标概率。
得分预测子模块4062，用于将所述目标多媒体文件在各主题中的目标概率相加，得到所述目标多媒体文件的得分。
排序模块407，用于按照所述得分对所述各目标多媒体文件进行排序。
可选地，在本发明的另一种实施例中，上述条件分布概率统计模块403，包括：
第一数值统计子模块，用于根据所述各训练多媒体文件的标注信息，统计各主题中属于目标主题的训练多媒体文件的数目，得到第一数值。
第二数值统计子模块，用于统计所述各主题中的训练多媒体文件的总数目，得到第二数值。
条件分布概率计算子模块，用于计算所述第一数值与第二数值的比值，得到各主题中目标主题对应的条件分布概率。
在本发明实施例中，对目标多媒体文件集分别通过语音识别算法、图像识别算法及自然语言处理算法，识别得到第一标签集、第二标签集及第三标签集；根据所述第一标签集、第二标签集及第三标签集，将所述目标多媒体文件集中的各目标多媒体文件划分至预设主题集的各主题中，并统计所述各目标多媒体文件在各主题中的分布概率；根据所述各目标多媒体文件在各主题中的分布概率以及各主题中目标主题对应的条件分布概率，预测所述各目标多媒体文件的得分；所述条件分布概率通过对训练多媒体文件集进行训练得到；按照所述得分对所述各目标多媒体文件进行排序。从而可以解决单独采用语音识别算法、图像识别算法或自然语言处理算法进行内容识别，准确性较差的问题，取得了提高多媒体文件内容识别的准确性的有益效果。此外，还可以通过预先训练确定预设主题中目标主题对应的条件分布概率，从而提高多媒体文件的预测效率的有益效果。
实施例四是方法实施例二对应的装置实施例，详细说明可以参照实施例二，在此不再赘述。
对于装置实施例而言，由于其与方法实施例基本相似，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。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
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移动终端设备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。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，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单元中，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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。