用于跨类型对话的方法、装置、设备以及计算机可读存储介质与流程

本公开的实施例总体上涉及人工智能领域，并且更具体地涉及用于跨类型对话的方法、装置、电子设备以及计算机可读存储介质。

背景技术

近年来，越来越多的网络产品和应用开始使用聊天机器人(也称为人机对话系统)。聊天机器人是指可以通过文字、语音或图片等实现人机交互的计算机程序或软件，其可以理解用户发出的内容，并且自动做出应答。聊天机器人在一定程度上可以取代真人进行对话，其可以被集成到系统中作为自动在线助理，以用于例如智能聊天、客户服务、信息询问等场景。

聊天机器人通常接收来自用户的消息，通过对用户消息的分析，自动提供回复内容。由于用户在对话过程中可能涉及多种目标或意图，例如可能一会儿在闲聊一会儿在进行提问，因而单任务类型的聊天机器人有时无法满足用户的需求。

技术实现要素：

根据本公开的示例实施例，提供了一种用于跨类型对话的方法、装置、电子设备以及计算机可读存储介质。

在本公开的第一方面中，提供了一种用于跨类型对话的方法。该方法包括：接收来自用户的消息；基于构建的图谱，确定用于回复消息的回复类型，其中图谱中的节点表示语义内容，并且图谱中的边表示节点之间的语义关联；以及基于回复类型，提供针对消息的回复。

在本公开的第二方面中，提供了一种用于跨类型对话的装置。该装置包括：消息接收模块，被配置为接收来自用户的消息；类型确定模块，被配置为基于构建的图谱，确定用于回复消息的回复类型，其中图谱中的节点表示语义内容，并且图谱中的边表示节点之间的语义关联；以及回复提供模块，被配置为基于回复类型，提供针对消息的回复。

在本公开的第三方面中，提供了一种电子设备，其包括一个或多个处理器以及存储装置，其中存储装置用于存储一个或多个程序。一个或多个程序当被一个或多个处理器执行，使得电子设备实现根据本公开的实施例的方法或过程。

在本公开的第四方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的实施例的方法或过程。

应当理解，本发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键特征或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的描述而变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了本公开的实施例能够实现在其中的示例环境的示意图；

图2示出了根据本公开的实施例的用于跨类型对话的方法的流程图；

图3示出了根据本公开的实施例的意图图谱的结构的示意图；

图4示出了根据本公开的实施例的用于生成针对消息的回复的方法的流程图；

图5a-5d示出了根据本公开的实施例的用户与聊天机器人之间的示例对话的图形用户界面(gui)的示图；

图6示出了根据本公开的实施例的用于跨类型对话的装置的框图；以及

图7示出了能够实施本公开的多个实施例的电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中示出了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“一些实施例”应当理解为“至少一些实施例”。下文还可能包括其他明确的和隐含的定义。

由于用户在对话过程中可能涉及多种目标或意图，而单任务(即仅支持单种回复类型)聊天机器人可能无法满足用户的需求，因而支持多任务(即支持多种回复类型)的跨类型聊天机器人成为技术发展的一个方向。在传统的聊天机器人中，所支持的回复类型的数目通常有限(例如通常仅支持两种回复类型)，并且传统技术通常依赖算法(例如前排序或后排序)或模版方式来解决回复类型的决策，而没有使用先验知识。因此，传统技术存在的问题是算法方案可干预性较差并且可解释性较差，并且需要大量的训练数据才能达到较好的效果，此外，传统的模版方式扩展性差并依赖大量的人工编写。

本公开的实施例提出了一种基于图谱的跨类型人机对话的方案。根据本公开的实施例，通过使用图谱中的先验知识来辅助确定回复类型，能够降低对话模型对于训练数据的依赖，使得聊天机器人能够主动地引导跨类型对话并且保持对话语义内容的逻辑性。因此，根据本公开的实施例的方案可干预较好并且可解释性也较好，而不需要完全依赖训练模型来决策回复类型和语义内容。此外，由于图谱数据是可干预的(边或者边的权重可以被改变)，因而还可以部分解决在线决策算法存在的问题。同时，由于图谱是可解释的，因而能够提升聊天机器人的可优化性。以下将参考附图1-7详细描述本公开的一些示例实施例。

图1示出了本公开的实施例能够实现在其中的示例环境100的示意图。在示例环境100中，用户110正在与聊天机器人120(也称为“人机对话系统”)进行聊天对话。可选地，用户110可以在聊天机器人120的本地，即用户110可以直接与聊天机器人120进行对话。备选地，用户110也可以使用其本地设备(诸如膝上型计算机、台式计算机、智能电话、平板电脑等)通过网络与聊天机器人120进行聊天对话，网络可以为任意的有线和/或无线网络。因此，聊天机器人120既可以被部署到本地的电子设备中，也可以被部署到远程服务器或云中，或者被分布式部署。

参考图1，环境100还包括预先构建的图谱130，图谱130可以包括子图谱135，其包括节点以及节点之间的有向边和/或无向边。根据本公开的实施例，图谱130中的节点可以表示语义内容，例如概念、实体等，而图谱130中的边可以表示节点之间的语义关联，以下参考图3示出了图谱的数据结构的示例实现。

根据本公开的实施例，在从用户110接收到消息121之后，聊天机器人120可以通过查询(如箭头125所示)图谱130来确定用于回复该消息121的回复类型，然后基于所确定的回复类型来生成回复122。根据本公开的实施例，回复类型可以为用于支持聊天的闲聊类型、用于完成任务的任务类型、用于提供知识的知识类型、或者用于回答问题的问答类型等。以下参考图2-6进一步描述了聊天机器人120基于图谱130生成针对消息121的回复122的示例实现。

图2示出了根据本公开的实施例的用于跨类型对话的方法200的流程图。应当理解，方法200可以由以上参考图1所描述的聊天机器人120来执行。

在框202，接收来自用户的消息。例如，图1所示的聊天机器人120从用户110接收消息121。消息121可以为各种类型的消息，例如闲聊消息“你好”、任务消息“导航到三里屯”、以及查询消息“明天天气怎么样”，等等。应当理解，聊天机器人从用户接收到的消息通常为自然语言的形式。

在框204，基于构建的图谱，确定用于回复消息的回复类型，其中图谱中的节点表示语义内容，并且图谱中的边表示节点之间的语义关联。例如，聊天机器人120可以通过查询图谱130，确定用于回复消息121的具体回复类型。在一些实施例中，可以从聊天机器人120所支持的多种回复类型中选择适合于回答消息121的回复类型，其中多种回复类型可以包括用于支持聊天的闲聊类型、用于完成任务的任务类型、用于提供知识的知识类型、以及用于回答问题的问答类型中的至少两种。在一些实施例中，多种回复类型可以同时包括闲聊类型、任务类型、知识类型以及问答类型这四种，其中闲聊类型的对话是无特定主题或目标(goal)的，而任务类型、知识类型以及问答类型的对话通常具有特定的主题或目标。

在框206，基于回复类型，提供针对消息的回复。例如，聊天机器人120基于所确定的回复类型，生成针对消息121的回复122，并且将回复122提供给用户。在一个实施例中，在基于用户消息确定回复类型为知识类型时，聊天机器人提供知识型的回复。因此，根据本公开的实施例的方法200，使用图谱中的先验知识来辅助确定回复类型，降低了对话模型对于训练数据的依赖。以这种方式，聊天机器人可以决策回复的类型，从而能够主动地引导跨类型对话并且保持对话语义内容的逻辑性

在一些实施例中，图谱可以是以意图为节点的意图图谱(intentgraph)，意图之间的关系可以体现对话的内在逻辑，其中意图可以包括对话中的语义点以及与对话相关的知识点。在一些实施例中，在用户与聊天机器人的第一轮对话之后，还可以接收来自用户的另一消息，并且可以基于图谱确定用于回复另一消息的另一回复类型，其中另一回复类型可以与先前确定的回复类型相同或者不同，这取决于聊天机器人基于图谱而做出的决策。

因此，根据本公开的实施例，借助于意图图谱将跨类型或跨领域的意图映射到同一空间内并且进行关联，使得聊天机器人能够在不同回复类型之间进行主动引导，同时保证对话的逻辑性。以这种方式，基于图谱的显式意图表示及关联可以提升聊天机器人的主动引导能力、逻辑性、可控性以及可解释性等。具体地，图谱中的先验知识降低了系统引导模型对训练数据的依赖并且支持模型的冷启动，意图间的关联降低了后续回复类型或语义决策错误的风险，进一步提升了系统主动引导的能力。因此，基于图谱内的节点关联而驱动的对话能够提升对话的逻辑性，意图之间的关联可以被干预以便提升系统的可控性，并且图谱的显式表示能够提升系统的可解释性。

图3示出了根据本公开的实施例的意图图谱300的结构的示意图。应当理解，意图图谱300可以为以上参考图1所描述的图谱130中的一部分。如图3所示，所构建的意图图谱300可以具有多层结构，多层结构包括用于在语义上关联各种回复类型的统一层以及用于支持各种回复类型的子类层。以这种方式，子类层能够具体支持某种类型回复，提升对话的语义逻辑性；而统一层负责将子类型中的节点进行语义级别的关联，提升聊天机器人跨类型主动引导的能力。

如图3所示，子类层包含多个子图谱，每个子图谱对应于不同类型的对话，例如闲聊类型、任务类型、知识类型、以及问答类型。每个子图谱的节点与边的含义可以不完全相同，例如，在闲聊类型子图谱下，存在两种节点：输入节点(例如节点301)和输出节点(例如节点303)，他们之间存在有向边(例如边302)，而在其他类型的子图谱下，大部分节点可以都是作为输出节点存在。在一些实施例中，可以对任务类型、知识类型以及问答类型的子图谱中的节点进行语义归一化处理，以便减少节点的数目。

继续参考图3，统一层可以包括实体、场景和目标等类型的节点，其中实体节点偏语义维度，场景/目标节点偏对话逻辑维度。此外，目标节点可以是对场景节点的细化。在图3的意图图谱300中，实线边(例如边304)可以表示引导关系，即从节点301可以引导到节点305，而虚线边(例如边306)可以表示从属关系，即节点307是节点305的具体实例。在一些实施例中，可以对统一层中的节点进行语义上的归一化处理。应当理解，图3中所示出的意图图谱300仅仅是作为根据本公开的实施例的图谱的示例实现，其不用于限制本公开的范围。

针对用户消息，如果选取不同的回复类型，则将使用不同的对话逻辑。例如，如果用户消息被映射到闲聊类型的节点，然后通过边跳转到任务类型的节点并作为回复节点，那么对应的对话逻辑为“任务引导”。再例如，如果用户消息被映射到闲聊节点，然后通过边跳转到知识类型节点并作为回复节点，那么对应的对话逻辑为“知识推荐”。

在一些实施例中，可以分别构建图3中所示出的意图图谱300中的各个子图谱。例如，针对统一层子图谱，实体集合可以从网络百科中获取，场景和目标节点集合依赖自动挖掘和人工梳理。节点以及边的构建可以依赖算法自动完成或人工标注，其中实体维度的边大部分可以通过算法而自动完成。例如，针对闲聊类型子图谱，可以依赖于人工整理的对话语料库；针对任务类型子图谱，可以依赖于人工整理；针对知识类型子图谱和问答类型子图谱，可以依赖于知识的挖掘(例如，从网络上收集特定类型的知识)，并进行适当的人工整理，以生成知识库或者问答对(q&apair)。

图4示出了根据本公开的实施例的用于生成针对消息的回复的方法400的流程图。应当理解，方法400可以由以上参考图1所描述的聊天机器人120来执行，并且方法400可以为以上参考图2所描述的动作204和206的示例实现。

在框402，将消息映射到图谱中的一个或多个节点以获得输入节点集合。例如，聊天机器人120对从用户110接收到的消息121进行自然语言理解(nlu)，以将消息121映射到图谱的节点(称为“输入节点”)中。例如，可以将消息映射到各种类型的子图谱中的节点和/或统一层中的节点。在一些实施例中，针对消息，可以确定输入节点集合中的每个输入节点的置信度，置信度可以表示消息与节点的关联程度。例如，基于参考以上图3所描述的图谱300，用户输入的消息“我周末准备出去玩”可以被映射到2个节点，例如闲聊类型的节点311“准备出去玩玩”以及统一层的节点315“场景：旅行”。

在框404，基于图谱，获得与输入节点集合在语义上相关联的输出节点集合，其中输出节点集合中的每个输出节点具有相应的回复类型。在一些实施例中，可以从输入节点集合中的任一节点出发，沿着图谱中的边跳转到周边节点，直到跳转后的节点落在子类层(并且不是某些特殊类型节点，例如任务名节点、知识领域节点，这类节点无法作为回复内容)则停止跳转。将这些跳转后的节点表示为输出节点集合，输出节点集合通常大于输入节点集合。例如，从输入节点311“准备出去玩玩”可以跳转到节点313“你很闲”、节点317“任务：确定旅行路线”、节点319“任务：酒店预定”、以及节点307“旅行路线问答”等。接下来，可以继续进行跳转，例如，从节点317“任务：确定旅行路线”进一步跳转到节点321“目的地”，从节点319“任务：酒店预定”进一步跳转到节点323“酒店名”，从节点307“旅行路线问答”进一步跳转到节点308“api”。通过基于意图图谱中的边的跳转，可以获得输出节点集合，例如闲聊类型的节点313“你很闲”、任务类型的节点321“目的地”和节点323“酒店名”、以及知识类型的节点308“api”。应当理解，从输入节点到输出节点可以经历一次边的跳转，也可以经历多次边的跳转。

在框406，对输出节点集合中的输出节点进行排序，以便挑选最优的输出节点。例如可以采用逻辑回归模型、梯度提升决策树等排序模型对候选的输出节点进行排序，排序模型所使用的特征可以包括输入节点与输出节点之间的语义关联度、输入节点与输出节点之间的路径的权重之和、输出节点在语料库中出现的频率、和/或输出节点在与用户的对话上下文中是否已被使用，等等。

在框408，基于排序，生成针对消息的回复。例如，可以基于排序，从输出节点集合选择目标输出节点，从而确定回复类型及语义内容，然后执行自然语言生成(nlg)过程。针对不同的回复类型，可以采用不同的回复生成方式，其中针对特殊类型节点(例如api节点)会采用特定流程处理。例如，如果回复类型为任务类型，则可以使用预定义的模板来生成回复；而如果回复类型为闲聊类型，可以直接使用输出节点的内容作为回复；如果回复类型为问答api类型，则需要调用对应的查询接口获取执行结果。

在一些实施例中，还可以使用对话分类器来判断用户消息的对话类型，并且与上一轮的对话类型相比较，确定当前对话轮是否已经结束。例如，在任务对话场景中，如果用户已经为所有词槽提供信息，则认为当前对话轮已经结束；在问答对话场景中，如果用户对于聊天机器人提供的答案进行了确认或简单评价，也可认为当前对话轮已经结束。

如果判断当前对话轮尚未结束，则可以继续进行当前对话类型的对话，并且进行回复节点排序。例如，在框406，仅对输出节点集合中与当前对话的类型一致的输出节点进行排序，从而输出用于回复的最优输出节点。如果判断当前对话轮已经结束，则可以执行与当前对话类型不同类型的对话的引导，并且进行引导节点排序。例如，在框406，仅对输出节点集合中与当前对话的类型不一致的输出节点进行排序，从而输出用于引导的最优输出节点。

在一些实施例中，在获得用于引导的最优输出节点之后，可以进一步确定是否需要执行对话引导。对话引导决策可以基于预定的规则而被执行，规则的示例实现可以为：(1)如果最优输出节点的得分较低，则不进行引导，否则判断规则(2)；(2)在当前对话类型为任务类型或问答类型时，如果任务或者问答还没结束，则不进行引导，否则可以进行引导；如果当前对话类型不是任务类型或问答类型，执行规则(3)；(3)如果当前对话类型为闲聊类型，则可以进行引导，否则执行规则(4)；(4)如果当前对话类型为知识类型，则可以进行引导。以这种方式，在输出用于引导的最优输出节点，进一步判断是否需要引导，从而提升用户的对话体验。

图5示出了根据本公开的实施例的用户与聊天机器人之间的示例对话的示例gui510、530、550以及570的示图，例如，gui510、530、550以及570中示出的聊天对话可以为以上参考图1所描述的用户110与聊天机器人120之间的聊天对话，这些gui包括用于输入用户消息的输入框501和用于发送消息的发送按钮502。

如图5a的gui510所示，用户110向聊天机器人120发送闲聊消息511“我周末准备出去玩”，聊天机器人通过将消息511映射到图谱(例如图3所描述的意图图谱300)，可以确定是闲聊对话，因而生成闲聊类型的回复512“你很闲啊。去哪玩呢？”接下来，用户110发出消息521“不知道，求推荐。”聊天机器人基于意图图谱300，确定与消息521的输入节点301相关联的目标输出节点为节点307，其为知识类型的节点，因而可以确定针对消息521的回复类型为知识类型。相应地，聊天机器人输出针对消息521的回复522，其为关于厦门3日游的旅游线路知识推荐。以这种方式，聊天机器人可以基于意图图谱实现跨类型的对话引导。

如图5b的gui530所示，用户110对于聊天机器人120的旅游推荐表示认可，因而发出消息531“厦门不错”。针对消息531，聊天机器人120可以跳转到任务类型的对话，其可以通过回复532“确定去厦门？”来确认用户的意图，并且在得到用户的肯定回答541“是的”之后，跳转到任务类型的对话，开始确定旅行路线的任务。例如，聊天机器人提供询问回复542“什么时候出发并返回呢？”，以用于后续的旅行线路确定任务。

如图5c的gui550所示，用户回答聊天机器人的询问542，并且发出消息551“本周五出发，周日回吧。”接下来，聊天机器人120可以基于意图图谱来继续引导对话，例如跳转到酒店预订任务，发出询问552“需要订酒店吗？”，并且在得到用户的肯定回答561“可以啊，有什么推荐吗？”之后，依赖于意图图谱300，确定回复类型为问答类型，并且提供知识类型的回复562“为您推荐‘鼓浪屿沙滩假日酒店’，网络评分为4.9分，每晚价格为680。”

如图5d的gui570所示，在确认用户110同意聊天机器人120的知识推荐(即用户发出消息571“还可以，订这个吧。”)之后，跳转到任务类型对话，开始执行预定酒店的任务，并且生成确认回复572“已为您预定‘鼓浪屿沙滩假日酒店’2晚，周五入住，周日退房。”接下来，用户发出确认消息581“好的”，聊天机器人120可以继续引导问答类型的回复，并发出回复582“为您推荐厦门天气信息：周五，多云，15-25度…”。以这种方式，聊天机器人120可以借助于意图图谱300引导用户进行跨类型对话，实现不同类型的对话的灵活切换，从而满足用户需求并提升用户体验。

图6示出了根据本公开的实施例的用于跨类型对话的装置600的框图。如图6所示，装置600包括：消息接收模块610，被配置为接收来自用户的消息；类型确定模块620，被配置为基于构建的图谱，确定用于回复消息的回复类型，图谱中的节点表示语义内容，并且图谱中的边表示节点之间的语义关联；以及回复提供模块630，被配置为基于回复类型，提供针对消息的回复。

在一些实施例中，其中类型确定模块620包括：回复类型选择模块，被配置为从多种回复类型中选择回复类型，多种回复类型包括用于提供闲聊的闲聊类型、用于完成任务的任务类型、用于提供知识的知识类型、以及用于回答问题的问答类型中的至少两种。

在一些实施例中，其中图谱是以意图为节点的意图图谱，并且装置600还包括：图谱构建模块，被配置为构建具有多层结构的意图图谱，多层结构包括用于提供跨类型引导的统一层以及用于支持各种回复类型的子类层。

在一些实施例中，其中类型确定模块620包括：消息映射模块，被配置为将消息映射到图谱中的一个或多个节点；以及输入节点确定模块，被配置为将一个或多个节点确定为输入节点集合。

在一些实施例中，其中输入节点确定模块包括：置信度确定模块，被配置为针对消息，确定输入节点集合中的输入节点的置信度。

在一些实施例中，其中类型确定模块620包括：输出节点确定模块，被配置为基于图谱，确定与输入节点集合在语义上相关联的输出节点集合，输出节点集合中的输出节点指示相应的回复类型。

在一些实施例中，其中类型确定模块620包括：输出节点排序模块，被配置为基于以下各项中的一项或多项，对输出节点集合中的输出节点进行排序：输入节点与输出节点之间的语义关联度、输入节点与输出节点之间的路径的权重之和、输出节点在语料库中出现的频次、以及输出节点在对话上下文中是否已被使用；目标节点选择模块，被配置为基于排序，从输出节点集合选择目标输出节点；以及回复类型确定模块，被配置为基于目标输出节点，确定回复类型。

在一些实施例中，其中所述消息为第一消息，所述回复类型为第一回复类型，并且装置600还包括：第二消息接收模块，被配置为接收来自用户的第二消息；以及第二类型确定模块，被配置为基于图谱，确定用于回复第二消息的第二回复类型，第二回复类型不同于第一回复类型。

应当理解，图6中所示出的消息接收模块610、类型确定模块620以及回复提供模块630可以被包括在参考图1所描述的聊天机器人120中。而且，应当理解，图6中所示出的模块可以执行参考本公开的实施例的方法或过程中的步骤或动作。

图7示出了可以用来实施本公开的实施例的示例设备700的示意性框图。应当理解，设备700可以用于实现本公开所描述的用于跨类型对话的装置600或者聊天机器人120。如图所示，设备700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序指令，来执行各种适当的动作和处理。在ram703中，还可存储设备700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元701执行上文所描述的各个方法和过程，例如方法200、方法400。例如，在一些实施例中，方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram703并由cpu701执行时，可以执行上文描述的方法的一个或多个动作或步骤。备选地，在其他实施例中，cpu701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)，等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各动作或步骤，但是这应当理解为要求这样动作或步骤以所示出的特定次序或以顺序次序执行，或者要求所有图示的动作或步骤应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本公开的实施例，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。