政策信息的处理方法、装置、及存储介质、电子装置与流程

本发明涉及数据检索领域，具体而言，涉及一种政策信息的处理方法、装置、及存储介质、电子装置。

背景技术：

目前政府的政策信息主要分布在不同政府的网站，网络是发布、查看、获取政府信息的最主要途径和手段。但是，由于各种政策的类型不同、发布时间不同、管理部门不同，导致政策信息非常分散，如果有需要的企业和个人需要了解需求的政策非常困难，需要花费大量的时间和精力在各个政府的网站上寻找，无法快速的找到需要的信息。

针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。

技术实现要素：

本发明实施例提供了一种政策信息的处理方法、装置、及存储介质、电子装置，以至少解决现有技术中的政策信息分布分散、检索困难的问题。

根据本发明的一个实施例，提供了一种政策信息的处理方法，包括：获取在多个数据来源中爬取到的政策信息；对政策信息进行预处理，得到目标文档，其中，目标文档中包括政策信息中的文字信息；提取目标文档中的关键词；将提取出的关键词输入第一模型，得到与政策信息匹配的主题分类标签，其中，第一模型为预先利用多个训练样本对进行训练得到的深度学习模型，每个训练样本对包括用于作为深度学习模型的输入数据的多个关键词、以及用于作为深度学习模型的输出数据的训练目标的至少一个主题分类标签；将政策信息与匹配的主题分类标签关联并存储至检索数据库。

进一步地，获取在多个数据来源中爬取到的政策信息，包括：从云服务器中下载预先配置的目标应用容器；执行目标应用容器中针对多个数据来源的爬取操作；提取爬取到的网址中的政策信息。

进一步地，提取目标文档中的关键词，包括：基于词频-逆向文件频率模型抽取目标文档中的关键词；利用预设的词向量对应关系，确定每个关键词的词嵌入向量。

进一步地，在将提取出的关键词输入第一模型，得到与政策信息匹配的主题分类标签之前，该方法还包括：获取用于作为初始模型的全连接神经网络分类模型；获取多个训练样本对；利用多个训练样本对训练全连接神经网络分类模型，得到第一模型。

进一步地，获取多个训练样本对，包括：获取多个政策文档；对每个政策文档进行预处理，得到对应于每个政策文档的词汇袋，其中，每个词汇袋中包括对应的政策文档中的词汇；将多个词汇袋输入文档主题生成模型，得到多个主题，以及每个主题对应的多个主题分类标签，其中，每个训练样本对包括用于作为输入的词汇袋和用于作为输出的训练目标的、与词汇袋对应的多个主题分类标签。

进一步地，在将政策信息与匹配的主题分类标签关联并存储至检索数据库之后，该方法还包括：获取待查询的主题分类标签；在检索数据库中确定待查询的主题分类标签对应的多个政策信息；在每个政策信息中提取指定属性的内容，其中，指定属性为待对比的属性；以预设显示方式，对比的显示多个政策信息的指定属性的内容。

进一步地，将政策信息与匹配的主题分类标签关联并存储至检索数据库，包括：在政策信息中提取立项时间；基于立项时间将政策信息插入主题分类标签对应的政策信息链表中，其中，政策信息链表中用于以立项时间的顺序存储对应的主题分类标签的政策信息；在检索数据库中确定待查询的主题分类标签对应的多个政策信息，包括：查找主题类型标签对应的链表的表头地址；以预设显示方式，对比的显示多个政策信息的指定属性的内容，包括：展示预设地图模板；从链表的表头地址起始，重复执行以下步骤直至预设地图模板上标示出链表中的每个政策信息：获取链表中当前轮询到的政策信息，在对应的政策信息中提取立项城市，并以预设标识标示在预设地图模板中立项城市对应的位置。

根据本发明的另一个实施例，提供了一种政策信息的处理装置，包括：该装置包括：第一获取模块，用于获取在多个数据来源中爬取到的政策信息；预处理模块，用于对政策信息进行预处理，得到目标文档，其中，目标文档中包括政策信息中的文字信息；提取模块，用于提取目标文档中的关键词；输入模块，用于将提取出的关键词输入第一模型，得到与政策信息匹配的主题分类标签，其中，第一模型为预先利用多个训练样本对进行训练得到的深度学习模型，每个训练样本对包括用于作为深度学习模型的输入数据的多个关键词、以及用于作为深度学习模型的输出数据的训练目标的至少一个主题分类标签；存储模块，用于将政策信息与匹配的主题分类标签关联并存储至检索数据库。

进一步地，第一获取模块包括：下载单元，用于从云服务器中下载预先配置的目标应用容器；执行单元，用于执行目标应用容器中针对多个数据来源的爬取操作；提取单元，用于提取爬取到的网址中的政策信息。

进一步地，提取模块包括：抽取单元，用于基于词频-逆向文件频率模型抽取目标文档中的关键词；确定单元，用于利用预设的词向量对应关系，确定每个关键词的词嵌入向量。

进一步地，该装置还包括：第二获取模块，用于在将提取出的关键词输入第一模型，得到与政策信息匹配的主题分类标签之前，获取用于作为初始模型的全连接神经网络分类模型；第三获取模块，用于获取多个训练样本对；训练模块，用于利用多个训练样本对训练全连接神经网络分类模型，得到第一模型。

进一步地，第三获取模块包括：第一获取单元，用于获取多个政策文档；预处理单元，用于对每个政策文档进行预处理，得到对应于每个政策文档的词汇袋，其中，每个词汇袋中包括对应的政策文档中的词汇；输入单元，用于将多个词汇袋输入文档主题生成模型，得到多个主题，以及每个主题对应的多个主题分类标签，其中，每个训练样本对包括用于作为输入的词汇袋和用于作为输出的训练目标的、与词汇袋对应的多个主题分类标签。

进一步地，该装置还包括：第四获取模块，用于在将政策信息与匹配的主题分类标签关联并存储至检索数据库之后，获取待查询的主题分类标签；确定模块，用于在检索数据库中确定待查询的主题分类标签对应的多个政策信息；第五获取模块，用于在每个政策信息中提取指定属性的内容，其中，指定属性为待对比的属性；显示模块，用于以预设显示方式，对比的显示多个政策信息的指定属性的内容。

进一步地，存储模块包括：第二获取单元，用于在政策信息中提取立项时间；插入单元，用于基于立项时间将政策信息插入主题分类标签对应的政策信息链表中，其中，政策信息链表中用于以立项时间的顺序存储对应的主题分类标签的政策信息；确定模块包括：查找单元，用于查找主题类型标签对应的链表的表头地址；显示模块包括：展示单元，用于展示预设地图模板；执行单元，用于从链表的表头地址起始，重复执行以下步骤直至预设地图模板上标示出链表中的每个政策信息：获取链表中当前轮询到的政策信息，在对应的政策信息中提取立项城市，并以预设标识标示在预设地图模板中立项城市对应的位置。

根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，通过爬取方式爬取政策信息，得到文字信息，进而通过提取关键词，以预设的训练模型得到政策信息对应的主题分类标签，解决了相关技术中现有技术中的政策信息分布分散、检索困难的技术问题，通过整合爬取到的政策信息，并利用预先训练的主题分类标签来对政策信息分类，达到了便于检索同主题类型的所有政策信息的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的政策信息的处理方法的流程图；

图2是根据本发明实施例的政策信息的处理装置的示意图；

图3是本发明实施例的一种移动终端的硬件结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

本实施例提供了一种政策信息的处理方法，可以应用于客户端侧，其中，客户端可以运行中移动终端、手持终端或类似的运算设备之中。运行在不同的运算设备仅是方案在执行主体上的差异，本领域人员可预见在不同运算设备中运行能够产生相同的技术效果。

本实施例提供的政策信息的处理方法，

如图1所示，本实施例提供的政策信息的处理方法包括如下步骤：

本发明实施例提供了一种政策信息的处理方法，包括如下步骤：

步骤101，获取在多个数据来源中爬取到的政策信息；

步骤102，对政策信息进行预处理，得到目标文档，其中，目标文档中包括政策信息中的文字信息；

步骤103，提取目标文档中的关键词；

步骤104，将提取出的关键词输入第一模型，得到与政策信息匹配的主题分类标签，其中，第一模型为预先利用多个训练样本对进行训练得到的深度学习模型，每个训练样本对包括用于作为深度学习模型的输入数据的多个关键词、以及用于作为深度学习模型的输出数据的训练目标的至少一个主题分类标签；

步骤105，将政策信息与匹配的主题分类标签关联并存储至检索数据库。

政策信息是利用爬虫技术在网络中爬取到的，例如，每隔预设周期在网络中爬取指定的网站列表(如指定的招标公示网站和搜索引擎等)，得到政策信息。

为了确定政策信息的主题分类标签，提取爬取到的网址中的文字信息，文字信息可以包括政策的标题和政策内容等信息，对政策信息进行预处理，得到目标文档。预处理可以包括对文字信息进行分词(如利用带有针对政策信息的特定词汇的词库导入的结巴分词方法)，去除停用词、去除标点符号等等，得到的目标文档包括该政策信息的词汇组合。

在得到目标文档之后，在目标文档中提取关键词，提取关键词可以利用词频-逆向文件频率(tf-idf)或textrank等提取关键词算法，抽取目标文档中的关键词。

在提取关键词之后，输入第一模型之前，还需要将关键词处理为第一模型的输入格式，例如，采用word2vec模型(预设的词向量对应关系)确定每个关键词的词嵌入向量，将所有的词嵌入向量输入第一模型。

第一模型被预先训练为能够根据输入的关键词输出匹配的主题分类标签，在第一模型接收到词嵌入向量进行计算之后，能够输出与政策信息匹配的至少一个主题分类标签，进而，将政策信息与匹配的主题分类标签关联并存储至检索数据库中，以供后续检索使用。

检索数据库用于存储多个政策信息，例如，政策信息的标题、发布时间、作者、正文、类目(级别关系)等信息，每个信息可以是根据标题、发布时间、作者、正文、类目关系(级别关系)、主题等不同的属性进行存储，并且，通过主题分类标签与政策信息的所有属性的内容索引起来，在检索数据库中检索主题分类标签，即可得到所有关联的政策信息。

可选的，获取在多个数据来源中爬取到的政策信息的步骤，可以包括：

步骤21，从云服务器中下载预先配置的目标应用容器；

步骤22，执行目标应用容器中针对多个数据来源的爬取操作；

步骤23，提取爬取到的网址中的政策信息。

目标应用容器可以是docker容器，docker容器可以通过预先配置代码，使指定的代码执行针对指定数据来源的爬取操作。在从云服务器中下载预设应用容器之前，将针对多个数据来源的爬取操作打包至目标应用容器中，并将目标应用容器存储至云服务器中。

由于目标应用容器存储于云服务器中，在使用时可以下载，且目标应用容器中针对每个数据来源的爬取操作是可以独立执行的，从而，可以利用这一特点，通过计算机集群在网络中爬取项目的信息。

具体的，通过计算机集群中的每个计算机从云服务器中下载目标应用容器，为计算机集群中的每个计算机分配指定的数据来源，每个计算机分别独立的执行目标应用容器中针对对应的指定数据来源的爬取操作。

在各个计算机执行爬取操作之后，整合计算机集群爬取到的网址，并提取所有网址中指定数据类型的信息，实现了部署于多机器上的爬取操作。

可选的，得到第一模型的训练过程可以采用如下步骤：

步骤31，获取用于作为初始模型的全连接神经网络分类模型；

步骤32，获取多个训练样本对；

步骤33，利用多个训练样本对训练初始模型，得到第一模型。

在本可选的实施方式中，第一模型是基于深度神经网络(dnn)的全连接神经网络分类模型，首先获取用于作为初始模型的全连接神经网络分类模型和多个训练样本，从而利用多个训练样本对训练初始模型，其中，模型的输入是关键词的词向量，输出的是多个(m个)主题分类标签，以及各个主题分类标签的概率，将概率值最大n个(n≤m)主题分类标签作为输出的主题分类标签。

可选的，上述获取多个训练样本对的步骤，可以通过如下步骤获取：

步骤41，获取多个政策文档；

步骤42，对每个政策文档进行预处理，得到对应于每个政策文档的词汇袋，其中，每个词汇袋中包括对应的政策文档中的词汇；

步骤43，将多个词汇袋输入文档主题生成模型，得到多个主题，以及每个主题对应的多个主题分类标签。

多个政策文档可以是通过任意方式获取的，本发明实施例对此不做具体限定。在获取多个政策文档之后，对每个政策文档进行预处理，预处理至少包括分词操作，例如结巴分词，得到每个政策文档的多个词汇，形成每个政策文档对应的词汇袋，词汇袋中的各个词汇没有顺序关系，只是词汇的集合，将词汇袋输入文档主题生成模型(如lda模型)中，得到的输出为每个词汇袋对应的多个主题，以及每个主题对应的相关关键词，和每个关键词与对应主题的关联概率，提取关联概率较大的部分关键词作为主题分类标签，将词汇袋与对应的多个关键词作为一个训练样本对，词汇袋作为全连接神经网络模型的输入，对应的多个关键词作为全连接神经网络模型的输出。

对采用上述步骤获取一个训练样本对的过程进行举例如下，获取一个政策文档，执行结巴分词、去除停用词、去除标点符号等处理，得到该政策文档的词汇袋，将词汇袋输入lda模型中，得到的输出包括主题“农业”、“经济”，每个主题对应有多个关键词及其与主题的关联概率，例如，主题“农业”对应的概率最高的两个关键词为“农作物”、“农业机器”，主题“经济”对应的概率最高的关键词为“消费”，将关键词“农作物”、“农业机器”、“消费”作为该政策文档的词汇袋对应的主题分类标签，得到一个训练样本对。

可选的，在将政策信息与匹配的主题分类标签关联并存储至检索数据库之后，还可以基于用户查询的主题分类标签对比的显示多个政策信息，从多个属性进行展示，例如，从地域、发布时间等属性对比的显示多个政策信息。具体而言，包括如下步骤：

步骤51，获取待查询的主题分类标签；

步骤52，在检索数据库中确定待查询的主题分类标签对应的多个政策信息；

步骤53，在每个政策信息中提取指定属性的内容，其中，指定属性为待对比的属性；

步骤54，以预设显示方式，对比的显示多个政策信息的指定属性的内容。

可选的，在以预设显示方式显示检索的结果时，可以基于时间属性，在地图上逐个展示某一类政策在不同地理位置立项的时间传导链，每个政策为一个节点，可以用预设的元素来表示，例如，在检索出某一时期内建立的农业政策之后，按照时间顺序逐个的在地图中显示各个政策节点，显示的位置为政策对应的城市，以优化检索结果的可视化效果。相应地，在数据库中，各政策的存储方式为链表的形式，链表的每个数据单元包括了链表单元id、政策的城市、政策内容、政策id、政策发布时间等。存储链接的时间，是根据政策立项时间早晚来定的。每个链链表存储的是指定投资政策领域的政策信息链表。

下面以基于立项时间建立链表的实施方式为例进行详细说明。

在执行步骤105将政策信息与匹配的主题分类标签关联并存储至检索数据库时，执行如下步骤：

步骤61，在政策信息中提取立项时间；

步骤62，基于立项时间将政策信息插入主题分类标签对应的政策信息链表中，其中，政策信息链表中用于以立项时间的顺序存储对应的主题分类标签的政策信息；

步骤63，在检索数据库中确定待查询的主题分类标签对应的多个政策信息，查找主题类型标签对应的链表的表头地址；

步骤54，以预设显示方式，对比的显示多个政策信息的指定属性的内容，执行如下步骤：

步骤64，展示预设地图模板；

步骤65，从链表的表头地址起始，重复执行以下步骤直至预设地图模板上标示出链表中的每个政策信息：

获取链表中当前轮询到的政策信息，在对应的政策信息中提取立项城市，并以预设标识标示在预设地图模板中立项城市对应的位置。

可选的，可以对已存在与数据库中的政策更新舆情监控的数据，具体的，可以通过各新闻门户网站，爬取针对指定政策的新闻内容的评论列表，在评论列表中选取少量条数的评论作为样本数据，通过人工标注情感类型，其中，样本数据又再分为两部分，一部分作为训练对评论进行情感类型标注的神经网络模型的训练样本，另一部分作为验证集，以验证神经网络模型标注情感类型的效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

实施例2

在本实施例中还提供了一种政策信息的处理装置，该装置用于实现上述实施例1及其优选实施方式，对于本实施例中未详述的术语或实现方式，可参见实施例1中的相关说明，已经进行过说明的不再赘述。

如以下所使用的术语“模块”，是可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可以被构想的。

图2是根据本发明实施例的政策信息的处理装置的示意图，如图2所示，该装置包括：第一获取模块10，预处理模块20，提取模块30，输入模块40和存储模块50。

其中，第一获取模块10用于获取在多个数据来源中爬取到的政策信息；预处理模块20用于对政策信息进行预处理，得到目标文档，其中，目标文档中包括政策信息中的文字信息；提取模块30用于提取目标文档中的关键词；输入模块40用于将提取出的关键词输入第一模型，得到与政策信息匹配的主题分类标签，其中，第一模型为预先利用多个训练样本对进行训练得到的深度学习模型，每个训练样本对包括用于作为深度学习模型的输入数据的多个关键词、以及用于作为深度学习模型的输出数据的训练目标的至少一个主题分类标签；存储模块50用于将政策信息与匹配的主题分类标签关联并存储至检索数据库。

可选地，第一获取模块包括：下载单元，用于从云服务器中下载预先配置的目标应用容器；执行单元，用于执行目标应用容器中针对多个数据来源的爬取操作；提取单元，用于提取爬取到的网址中的政策信息。

可选地，提取模块包括：抽取单元，用于基于词频-逆向文件频率模型抽取目标文档中的关键词；确定单元，用于利用预设的词向量对应关系，确定每个关键词的词嵌入向量。

可选地，该装置还包括：第二获取模块，用于在将提取出的关键词输入第一模型，得到与政策信息匹配的主题分类标签之前，获取用于作为初始模型的全连接神经网络分类模型；第三获取模块，用于获取多个训练样本对；训练模块，用于利用多个训练样本对训练全连接神经网络分类模型，得到第一模型。

可选地，第三获取模块包括：第一获取单元，用于获取多个政策文档；预处理单元，用于对每个政策文档进行预处理，得到对应于每个政策文档的词汇袋，其中，每个词汇袋中包括对应的政策文档中的词汇；输入单元，用于将多个词汇袋输入文档主题生成模型，得到多个主题，以及每个主题对应的多个主题分类标签，其中，每个训练样本对包括用于作为输入的词汇袋和用于作为输出的训练目标的、与词汇袋对应的多个主题分类标签。

可选地，该装置还包括：第四获取模块，用于在将政策信息与匹配的主题分类标签关联并存储至检索数据库之后，获取待查询的主题分类标签；确定模块，用于在检索数据库中确定待查询的主题分类标签对应的多个政策信息；第五获取模块，用于在每个政策信息中提取指定属性的内容，其中，指定属性为待对比的属性；显示模块，用于以预设显示方式，对比的显示多个政策信息的指定属性的内容。

可选地，存储模块包括：第二获取单元，用于在政策信息中提取立项时间；插入单元，用于基于立项时间将政策信息插入主题分类标签对应的政策信息链表中，其中，政策信息链表中用于以立项时间的顺序存储对应的主题分类标签的政策信息；确定模块包括：查找单元，用于查找主题类型标签对应的链表的表头地址；显示模块包括：展示单元，用于展示预设地图模板；执行单元，用于从链表的表头地址起始，重复执行以下步骤直至预设地图模板上标示出链表中的每个政策信息：获取链表中当前轮询到的政策信息，在对应的政策信息中提取立项城市，并以预设标识标示在预设地图模板中立项城市对应的位置。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

实施例3

本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-onlymemory，简称为rom)、随机存取存储器(randomaccessmemory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

实施例4

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。以电子装置为移动终端为例，图3是本发明实施例的一种移动终端的硬件结构框图。如图3所示，移动终端可以包括一个或多个(图3中仅示出一个)处理器302(处理器302可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器304，可选地，上述移动终端还可以包括用于通信功能的传输设备306以及输入输出设备308。本领域普通技术人员可以理解，图3所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。

存储器304可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的图像的识别方法对应的计算机程序，处理器302通过运行存储在存储器304内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器304可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器304可进一步包括相对于处理器302远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置306用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置306包括一个网络适配器(networkinterfacecontroller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置306可以为射频(radiofrequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。