文章作者身份识别及评估模型训练方法、装置及存储介质与流程
本发明涉及计算机应用技术，特别涉及文章作者身份识别及评估模型训练方法、装置及存储介质。
背景技术：
在考古、国防、舆情分析等各种领域，经常需要确定匿名作者的真实身份，即需要进行文章作者身份识别。
目前，通常采用如下识别方式：针对文章提取信息熵、词频、语言模型(n-gram)等信息，然后使用支持向量机等机器学习分类模型进行分类，但这种方式的可扩展性很差，作者身份识别时只能匹配模型训练时已有的作者，如果要新增作者，则需要重新训练。
技术实现要素：
有鉴于此，本发明提供了文章作者身份识别及评估模型训练方法、装置及存储介质。
具体技术方案如下：
一种文章作者身份识别方法，包括：
获取待识别的第一文章的词向量表示，并输入预先训练得到的评估模型，得到输出的所述第一文章的特征向量，所述特征为能够用于区分不同作者特点的特征；
针对已知作者的第二文章，获取所述第二文章的词向量表示，并输入预先训练得到的评估模型，得到输出的所述第二文章的特征向量；
通过比较所述第一文章的特征向量以及所述第二文章的特征向量确定出所述第一文章与所述第二文章是否属于同一作者。
根据本发明一优选实施例，针对任一文章，获取所述文章的词向量表示的方式包括：
对所述文章进行切词处理；
按照保留前l个切词结果的方式，对所述文章进行截断，l为大于一的正整数；
分别获取每个切词结果的n维词向量表示，n为大于一的正整数；
利用l个切词结果的词向量表示组成一个l行n列的词向量表示，将所述l行n列的词向量表示作为所述文章的词向量表示。
根据本发明一优选实施例，所述评估模型包括：基于卷积的深度学习模型；
所述基于卷积的深度学习模型使用误差函数tripletloss作为损失函数。
根据本发明一优选实施例，所述通过比较所述第一文章的特征向量以及所述第二文章的特征向量确定出所述第一文章与所述第二文章是否属于同一作者包括：
确定所述第一文章的特征向量与所述第二文章的特征向量之间的差别；
若所述差别小于预定阈值，则确定所述第一文章与所述第二文章属于同一作者，否则，确定所述第一文章与所述第二文章不属于同一作者。
一种评估模型训练方法，包括：
获取作为训练样本的各已知作者的文章，将属于同一作者的文章归为一类；
分别获取各文章的词向量表示；
根据各文章的词向量表示以及所属分类训练出评估模型，以便在进行文章作者身份识别时，利用所述评估模型分别评估出输入的第一文章的词向量表示对应的特征向量以及第二文章的词向量表示对应的特征向量，通过比较两个特征向量确定出所述第一文章与所述第二文章是否属于同一作者，所述特征为能够用于区分不同作者特点的特征。
根据本发明一优选实施例，针对任一文章，获取所述文章的词向量表示的方式包括：
对所述文章进行切词处理；
按照保留前l个切词结果的方式，对所述文章进行截断，l为大于一的正整数；
分别获取每个切词结果的n维词向量表示，n为大于一的正整数；
利用l个切词结果的词向量表示组成一个l行n列的词向量表示，将所述l行n列的词向量表示作为所述文章的词向量表示。
根据本发明一优选实施例，所述评估模型包括：基于卷积的深度学习模型；
所述基于卷积的深度学习模型使用误差函数tripletloss作为损失函数。
根据本发明一优选实施例，所述根据各文章的词向量表示以及所属分类训练出评估模型包括：
每次训练时，输入三篇文章的词向量表示，其中两篇文章属于同一分类，分别对应于所述tripletloss的锚示例和正示例，另外一篇文章属于另一分类，对应于所述tripletloss的负示例。
一种文章作者身份识别装置，包括：第一获取单元以及身份识别单元；
所述第一获取单元，用于获取待识别的第一文章的词向量表示，并输入预先训练得到的评估模型，得到输出的所述第一文章的特征向量，所述特征为能够用于区分不同作者特点的特征；针对已知作者的第二文章，获取所述第二文章的词向量表示，并输入预先训练得到的评估模型，得到输出的所述第二文章的特征向量；
所述身份识别单元，用于通过比较所述第一文章的特征向量以及所述第二文章的特征向量确定出所述第一文章与所述第二文章是否属于同一作者。
根据本发明一优选实施例，针对任一文章，所述第一获取单元按照以下方式获取所述文章的词向量表示：对所述文章进行切词处理；按照保留前l个切词结果的方式，对所述文章进行截断，l为大于一的正整数；分别获取每个切词结果的n维词向量表示，n为大于一的正整数；利用l个切词结果的词向量表示组成一个l行n列的词向量表示，将所述l行n列的词向量表示作为所述文章的词向量表示。
根据本发明一优选实施例，所述评估模型包括：基于卷积的深度学习模型；
所述基于卷积的深度学习模型使用误差函数tripletloss作为损失函数。
根据本发明一优选实施例，所述身份识别单元确定所述第一文章的特征向量与所述第二文章的特征向量之间的差别，若所述差别小于预定阈值，则确定所述第一文章与所述第二文章属于同一作者，否则，确定所述第一文章与所述第二文章不属于同一作者。
一种评估模型训练装置，包括：第二获取单元以及模型训练单元；
所述第二获取单元，用于获取作为训练样本的各已知作者的文章，并将属于同一作者的文章归为一类；分别获取各文章的词向量表示；
所述模型训练单元，用于根据各文章的词向量表示以及所属分类训练出评估模型，以便在进行文章作者身份识别时，利用所述评估模型分别评估出输入的第一文章的词向量表示对应的特征向量以及第二文章的词向量表示对应的特征向量，通过比较两个特征向量确定出所述第一文章与所述第二文章是否属于同一作者，所述特征为能够用于区分不同作者特点的特征。
根据本发明一优选实施例，针对任一文章，所述第二获取单元按照以下方式获取所述文章的词向量表示：对所述文章进行切词处理；按照保留前l个切词结果的方式，对所述文章进行截断，l为大于一的正整数；分别获取每个切词结果的n维词向量表示，n为大于一的正整数；利用l个切词结果的词向量表示组成一个l行n列的词向量表示，将所述l行n列的词向量表示作为所述文章的词向量表示。
根据本发明一优选实施例，所述评估模型包括：基于卷积的深度学习模型；
所述基于卷积的深度学习模型使用误差函数tripletloss作为损失函数。
根据本发明一优选实施例，所述模型训练单元在每次训练时，输入三篇文章的词向量表示，其中两篇文章属于同一分类，分别对应于所述tripletloss的锚示例和正示例，另外一篇文章属于另一分类，对应于所述tripletloss的负示例。
一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出，采用本发明所述方案，针对待识别的第一文章以及已知作者的第二文章，可分别获取其词向量表示，并可分别将两篇文章的词向量表示输入评估模型，从而分别得到两篇文章的特征向量，进而可通过比较两篇文章的特征向量确定出两篇文章是否属于同一作者，相比于现有方式，本发明所述方案对于新增作者同样适用，无需重新进行模型训练等，具有很强的可扩展性，并相应的提高了识别效率等。
【附图说明】
图1为本发明所述评估模型训练方法实施例的流程图。
图2为本发明所述距离优化方式示意图。
图3为本发明所述文章作者身份识别方法实施例的流程图。
图4为本发明所述文章作者身份识别装置实施例的组成结构示意图。
图5为本发明所述评估模型训练装置实施例的组成结构示意图。
图6示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
为了使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案进行进一步说明。
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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明中提出了一种文章作者身份识别方法，可获取待识别的第一文章的词向量表示，并可将第一文章的词向量表示输入预先训练得到的评估模型，从而得到输出的第一文章的特征向量，所述特征为能够用于区分不同作者特点的特征，另外，针对已知作者的第二文章，可获取第二文章的词向量表示，并可将第二文章的词向量表示输入预先训练得到的评估模型，从而得到输出的第二文章的特征向量，进而可通过比较第一文章的特征向量以及第二文章的特征向量确定出第一文章与第二文章是否属于同一作者。
可以看出，为实现本发明所述方法，需要首先进行评估模型的训练。
图1为本发明所述评估模型训练方法实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，获取作为训练样本的各已知作者的文章，并将属于同一作者的文章归为一类。
在102中，分别获取各文章的词向量表示。
在103中，根据各文章的词向量表示以及所属分类训练出评估模型，以便在进行文章作者身份识别时，利用评估模型分别评估出输入的第一文章的词向量表示对应的特征向量以及第二文章的词向量表示对应的特征向量，通过比较两个特征向量确定出第一文章与第二文章是否属于同一作者，所述特征为能够用于区分不同作者特点的特征。
如何获取作为训练样本的各已知作者的文章不作限制，比如，可从主流媒体如人民日报、人民网、新京报上爬取各已知作者的文章，并可将属于同一作者的文章归为一类。
针对作为训练样本的每篇文章，可分别获取其词向量表示。
具体地，针对任一文章，可首先对该文章进行切词处理，之后可按照保留前l个切词结果的方式，对该文章进行截断，l为大于一的正整数，并可分别获取每个切词结果的n维词向量表示，n为大于一的正整数，进而可利用l个切词结果的词向量表示组成一个l行n列的词向量表示，将该l行n列的词向量表示作为该文章的词向量表示。
可采用常用的切词方法对文章进行切词处理。之后可仅保留文章中的前l个切词结果，即对文章进行截断，将之后的内容丢弃，l的具体取值可根据实际需要而定。可使用基于大量语料训练好的词向量，如单词到向量(word2vec，wordtovector)等，分别得到每个切词结果的n维词向量表示，n的具体取值同样可根据实际需要而定。这样，即可利用l个切词结果的词向量表示组成一个l行n列的词向量表示，每一行分别为一个切词结果的词向量表示，其中，第一行可为第一个切词结果的词向量表示，第二行可为第二个切词结果的词向量表示，依此类推，可将该l行n列的词向量表示作为文章的词向量表示。
在分别获取到每篇文章的词向量表示之后，可根据各篇文章的词向量表示以及所属分类训练出评估模型。
本实施例中所述的评估模型可为基于卷积的深度学习模型，并可使用误差函数(tripletloss)作为损失函数。
相应地，在每次训练时，可输入三篇文章的词向量表示，其中两篇文章属于同一分类，分别对应于tripletloss的锚(anchor)示例和正(positive)示例，另外一篇文章属于另一分类，对应于tripletloss的负(negative)示例。
tripletloss是深度学习中的一种损失函数，用于训练差异性较小的样本，triplet是一个三元组，这个三元组是这样构成的：从训练数据集中随机选取一个样本，该样本称为anchor，然后再随机选取一个和anchor属于同一分类的样本positive以及一个和anchor不属于同一分类的样本negative，由此构成一个(anchor，positive，negative)三元组，即以上所述的anchor示例、positive示例和negative示例。
针对三元组中的每个元素(样本)，训练一个参数共享或不共享的网络，得到三个元素的特征表达，可分别记为：
对应到本实施例中，损失函数使用tripletloss，可确保同一作者的文章的深度学习网络输出值的欧几里得距离越来越小，反之不同作者的文章的深度学习网络输出值的欧几里得距离越来越大。即通过优化anchor示例与positive示例的距离小于anchor示例与negative示例的距离，实现样本的相似性计算。如图2所示，图2为本发明所述距离优化方式示意图。
本实施例中，在每次训练时，可输入三篇文章的词向量表示，其中两篇文章属于同一分类，分别对应于anchor示例和positive示例，另外一篇文章属于另一分类，对应于negative示例。通过评估模型训练过程，可以让评估模型学习到可以用哪些特征来区分不同的作者。这样，后续在利用评估模型进行文章作者身份识别时，即可利用评估模型评估出输入的词向量表示对应的文章的特征向量，所述特征为能够用于区分不同作者特点的特征。如何进行评估模型训练为现有技术。
基于上述介绍，图3为本发明所述文章作者身份识别方法实施例的流程图。如图3所示，包括以下具体实现方式。
在301中，获取待识别的第一文章的词向量表示，将第一文章的词向量表示输入预先训练得到的评估模型，得到输出的第一文章的特征向量，所述特征为能够用于区分不同作者特点的特征。
在302中，针对已知作者的第二文章，获取第二文章的词向量表示，将第二文章的词向量表示输入预先训练得到的评估模型，得到输出的第二文章的特征向量。
在303中，通过比较第一文章的特征向量以及第二文章的特征向量确定出第一文章与第二文章是否属于同一作者。
其中，针对任一文章，获取该文章的词向量表示的方式可包括：对该文章进行切词处理；按照保留前l个切词结果的方式，对该文章进行截断，l为大于一的正整数；分别获取每个切词结果的n维词向量表示，n为大于一的正整数；利用l个切词结果的词向量表示组成一个l行n列的词向量表示，将该l行n列的词向量表示作为该文章的词向量表示。
针对待识别的第一文章，在获取到其词向量表示之后，可将第一文章的词向量表示输入预先训练得到的评估模型，从而得到输出的第一文章的特征向量，同样地，针对已知作者的第二文章，在获取到其词向量表示之后，可将第二文章的词向量表示输入预先训练得到的评估模型，从而得到输出的第二文章的特征向量，所述特征为能够用于区分不同作者特点的特征。
优选地，评估模型可为基于卷积的深度学习模型。基于卷积的深度学习模型可使用tripletloss作为损失函数。
之后，可通过比较第一文章的特征向量以及第二文章的特征向量确定出第一文章与第二文章是否属于同一作者。
具体地，可首先确定出第一文章的特征向量与第二文章的特征向量之间的差别，之后可将该差别与预先设定的阈值进行比较，若该差别小于阈值，则可确定第一文章与第二文章属于同一作者，否则，可确定第一文章与第二文章不属于同一作者。所述阈值的具体取值可根据实际需要而定。
比如，可计算第一文章的特征向量与第二文章的特征向量之间的欧几里得距离，若该距离小于阈值，则可确定第一文章与第二文章属于同一作者，否则，可确定第一文章与第二文章不属于同一作者。距离越小，两篇文章属于同一作者的概率越大。
在实际应用中，当需要对第一文章进行作者身份识别时，为减少后续处理的工作量，可首先根据预知的一些信息，从已知的各作者中筛选掉一些作者，然后针对保留下来的各作者，可分别将该作者的任一文章作为第二文章，与第一文章进行比较等。
需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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，可以参见其它实施例的相关描述。
总之，采用本发明方法实施例所述方案，针对待识别的第一文章以及已知作者的第二文章，可分别获取其词向量表示，并可分别将两篇文章的词向量表示输入评估模型，从而分别得到两篇文章的特征向量，进而可通过比较两篇文章的特征向量确定出两篇文章是否属于同一作者，相比于现有方式，本发明方法实施例所述方案对于新增作者同样适用，无需重新进行模型训练等，具有很强的可扩展性，并相应的提高了识别效率等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图4为本发明所述文章作者身份识别装置实施例的组成结构示意图。如图4所示，包括：第一获取单元401以及身份识别单元402。
第一获取单元401，用于获取待识别的第一文章的词向量表示，并输入预先训练得到的评估模型，得到输出的第一文章的特征向量，所述特征为能够用于区分不同作者特点的特征；针对已知作者的第二文章，获取第二文章的词向量表示，并输入预先训练得到的评估模型，得到输出的第二文章的特征向量。
身份识别单元402，用于通过比较第一文章的特征向量以及第二文章的特征向量确定出第一文章与第二文章是否属于同一作者。
针对任一文章，第一获取单元401可按照以下方式获取该文章的词向量表示：对该文章进行切词处理；按照保留前l个切词结果的方式，对该文章进行截断，l为大于一的正整数；分别获取每个切词结果的n维词向量表示，n为大于一的正整数；利用l个切词结果的词向量表示组成一个l行n列的词向量表示，将该l行n列的词向量表示作为该文章的词向量表示。
针对第一文章，在获取到其词向量表示之后，第一获取单元401可将第一文章的词向量表示输入预先训练得到的评估模型，从而得到输出的第一文章的特征向量，同样地，针对已知作者的第二文章，第一获取单元401在获取到其词向量表示之后，可将第二文章的词向量表示输入预先训练得到的评估模型，从而得到输出的第二文章的特征向量，所述特征为能够用于区分不同作者特点的特征。
优选地，所述评估模型可为基于卷积的深度学习模型，并可使用tripletloss作为损失函数。
身份识别单元402可通过比较第一文章的特征向量以及第二文章的特征向量确定出第一文章与第二文章是否属于同一作者。
具体地，身份识别单元402可确定出第一文章的特征向量与第二文章的特征向量之间的差别，若该差别小于预定阈值，则可确定第一文章与第二文章属于同一作者，否则，可确定第一文章与第二文章不属于同一作者。
比如，可计算第一文章的特征向量与第二文章的特征向量之间的欧几里得距离，若该距离小于阈值，则可确定第一文章与第二文章属于同一作者，否则，可确定第一文章与第二文章不属于同一作者。距离越小，两篇文章属于同一作者的概率越大。
图5为本发明所述评估模型训练装置实施例的组成结构示意图。如图5所示，包括：第二获取单元501以及模型训练单元502。
第二获取单元501，用于获取作为训练样本的各已知作者的文章，并将属于同一作者的文章归为一类，分别获取各文章的词向量表示。
模型训练单元502，用于根据各文章的词向量表示以及所属分类训练出评估模型，以便在进行文章作者身份识别时，利用评估模型分别评估出输入的第一文章的词向量表示对应的特征向量以及第二文章的词向量表示对应的特征向量，通过比较两个特征向量确定出第一文章与第二文章是否属于同一作者，所述特征为能够用于区分不同作者特点的特征。
第二获取单元501如何获取作为训练样本的各已知作者的文章不作限制，比如，可从主流媒体如人民日报、人民网、新京报上爬取各已知作者的文章，并可将属于同一作者的文章归为一类。
针对作为训练样本的每篇文章，第二获取单元501可分别获取其词向量表示，如可按照以下方式获取每篇文章的词向量表示：对该文章进行切词处理；按照保留前l个切词结果的方式，对该文章进行截断，l为大于一的正整数；分别获取每个切词结果的n维词向量表示，n为大于一的正整数；利用l个切词结果的词向量表示组成一个l行n列的词向量表示，将该l行n列的词向量表示作为该文章的词向量表示。
在分别获取到每篇文章的词向量表示之后，可由模型训练单元502根据各篇文章的词向量表示以及所属分类训练出评估模型。
优选地，所述评估模型可为基于卷积的深度学习模型，并可使用tripletloss作为损失函数。
相应地，模型训练单元502在每次训练时，可输入三篇文章的词向量表示，其中两篇文章属于同一分类，分别对应于tripletloss的锚示例和正示例，另外一篇文章属于另一分类，对应于tripletloss的负示例。通过评估模型训练过程，可以让评估模型学习到可以用哪些特征来区分不同的作者。这样，后续在利用评估模型进行文章作者身份识别时，即可利用评估模型评估出输入的词向量表示对应的文章的特征向量。如何进行评估模型训练为现有技术。
图4和图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。在实际应用中，图4和图5所示装置可分别为独立的装置，也可合并为一个装置。
图6示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图6显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器(处理单元)16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图6所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1或图3所示实施例中的方法。
本发明同时公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时将实现如图1或图3所示实施例中的方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法等，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。
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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、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较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
- 还没有人留言评论。精彩留言会获得点赞！