产品推荐方法、装置、电子设备和存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种产品推荐方法、装置、电子设备和存储介质。


背景技术：

2.随着科学与信息技术的迅猛发展，社会进入了一个高度信息化的时代，互联网的高速发展和物联网的出现，使得网络中的信息呈现指数级增长。电子商务和大数据概念受到了各界的普遍关注。作为一场新的技术革命，如何充分运用大数据，如何在大数据环境下快速有效地提取有价值的信息是当前比较热门的话题，而解决这个问题的最好工具便是推荐系统。
3.目前，传统的推荐算法，特别是基于知识图谱的推荐算法，都是属于静态推荐，即假设用户的偏好是长期不变的，并没有考虑用户的喜好变化。而现实生活中，用户的喜好和商品的流行度随着时间的推移是动态的而非静态的，用户的喜好或多或少都会受到短时间内的一些行为的影响，因此，现在的推荐算法并没有考虑到用户短期的偏好，推荐效果不佳。


技术实现要素：

4.为解决相关技术问题，本发明实施例提供一种产品推荐方法、装置、电子设备和存储介质。
5.本发明实施例的技术方案是这样实现的：
6.本发明实施例提供了一种产品推荐方法，方法包括：
7.确认目标用户和目标商品；
8.根据目标用户获取目标用户的商品浏览记录；
9.根据商品浏览记录生成目标用户的短期记忆向量和长期记忆向量；
10.基于短期记忆向量、长期记忆向量和目标商品，利用知识图谱，计算目标用户对目标商品的喜爱度；
11.根据喜爱度为目标用户推荐目标商品。
12.上述方案中，根据商品浏览记录生成目标用户的短期记忆向量和长期记忆向量包括：
13.根据所述商品浏览记录获取所述目标用户的点击记录向量；
14.根据所述点击记录向量，生成所述目标用户的短期记忆向量和所述目标用户的长期记忆向量。
15.上述方案中，根据点击记录向量，生成目标用户的短期记忆向量包括：
16.获取第一模型参数；
17.根据所述点击记录向量和所述第一模型参数，生成第一输入参数；
18.将所述第一输入参数输入至注意力机制中，获得第一输出结果；
19.利用模型的平均池化层对所述第一输出结果进行加权平均，获取短期记忆向量。
20.上述方案中，根据点击记录向量，生成目标用户的长期记忆向量包括：
21.获取第二模型参数；
22.根据所述点击记录向量和所述第二模型参数，生成第二输入参数；
23.将所述第二输入参数输入至注意力机制中，获得第二输出结果；
24.利用模型的平均池化层对所述第二输出结果进行加权平均，获取长期记忆向量。
25.上述方案中，基于短期记忆向量、长期记忆向量和目标商品，利用知识图谱，确定目标用户对目标商品的喜爱度包括：
26.获取目标商品对应的物品向量；
27.基于短期记忆向量、长期记忆向量和物品向量，利用知识图谱，获取用户短期物品向量和用户长期物品向量；
28.基于用户短期物品向量和用户长期物品向量，生成用户表示向量；
29.基于用户表示向量确定目标用户对目标商品的喜爱度。
30.上述方案中，基于短期记忆向量、长期记忆向量和物品向量，利用知识图谱，获取用户短期物品向量和用户长期物品向量包括：
31.将物品向量输入至知识图谱中，获取目标商品的三元组节点向量；
32.根据三元组节点向量、短期记忆向量和第三模型参数，利用注意力机制，获取用户短期物品向量；
33.根据三元组节点向量、长期记忆向量和第三模型参数，利用注意力机制，获取用户长期物品向量。
34.上述方案中，基于用户短期物品向量和用户长期物品向量，生成用户表示向量包括：
35.将用户短期物品向量和用户长期物品向量进行首尾拼接，生成用户表示向量。
36.本发明实施例还提供了一种产品推荐装置，产品推荐装置包括：
37.确认模块，用于确认目标用户和目标商品；
38.获取模块，用于根据目标用户获取目标用户的商品浏览记录；
39.生成模块，用于根据商品浏览记录生成目标用户的短期记忆向量和长期记忆向量；
40.计算模块，用于基于短期记忆向量、长期记忆向量和目标商品，利用知识图谱，计算目标用户对目标商品的喜爱度；
41.推荐模块，用于根据喜爱度为目标用户推荐目标商品。
42.本发明实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
43.处理器用于运行计算机程序时，执行上述任一方法的步骤。
44.本发明实施例还提供了一种存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一方法的步骤。
45.本发明实施例提供的产品推荐方法、装置、电子设备和存储介质，确认目标用户和目标商品；根据目标用户获取目标用户的商品浏览记录；根据商品浏览记录生成目标用户的短期记忆向量和长期记忆向量；基于短期记忆向量、长期记忆向量和目标商品，利用知识
图谱，计算目标用户对目标商品的喜爱度；根据喜爱度为目标用户推荐目标商品。采用本发明提供的方案能在为用户推荐产品时，考虑用户长期和短期的喜好，推荐更准确。
附图说明
46.图1为本发明实施例产品推荐方法的流程示意图；
47.图2为本发明应用实施例产品推荐过程示意图；
48.图3为本发明实施例产品推荐装置的结构示意图；
49.图4为本发明实施例计算机设备的内部结构图。
具体实施方式
50.下面将结合附图及实施例对本发明作进一步详细的描述。
51.本发明实施例提供了一种产品推荐方法，如图1所示，该方法包括：
52.步骤101：确认目标用户和目标商品；
53.步骤102：根据所述目标用户获取所述目标用户的商品浏览记录；
54.步骤103：根据所述商品浏览记录生成所述目标用户的短期记忆向量和长期记忆向量；
55.步骤104：基于所述短期记忆向量、所述长期记忆向量和所述目标商品，利用知识图谱，计算所述目标用户对所述目标商品的喜爱度；
56.步骤105：根据所述喜爱度为所述目标用户推荐所述目标商品。
57.具体地，在不同的应用场景下，目标商品的指代含义不同。例如，在短视频场景中，目标商品可以指代为用户能够进行观看的短视频。在电商场景中，目标商品可以指代为用户能够购买的商品。
58.这里，目标用户指推荐系统为其进行商品推荐的用户，目标商品指待确定是否对该目标用户进行推荐的商品。在确定目标用户和目标商品后，采用本实施例的方法能有效确定目标用户对目标商品的喜爱程序，从而基于目标用户对目标商品的喜爱程序，决定是否为该目标用户推荐该目标商品。例如，在短视频平台中，基于用户a对短视频b的喜爱程度，决定是否为该用户a推荐短视频b。再例如，在电商平台中，基于用户c对商品d的喜爱程度，决定是否为该用户c推荐商品d。
59.进一步地，在一实施例中，所述根据所述商品浏览记录生成所述目标用户的短期记忆向量和长期记忆向量包括：
60.根据所述商品浏览记录获取所述目标用户的点击记录向量；
61.根据所述点击记录向量，生成所述目标用户的短期记忆向量和所述目标用户的长期记忆向量。
62.这里，可以利用如下公式(1)根据所述商品浏览记录获取所述目标用户的点击记录向量：
63.s
short
＝(x1,x2,
…
,x
t
)公式(1)
64.其中，s
short
表示点击记录向量，t表示用户最近点击过的记录的长度，x
i
∈r
d
为其中第i条用户点击过的记录的特征表示向量，该向量通过一个单独的神经网络嵌入层(one
‑
hot embedding)获得。
65.进一步地，在一实施例中，所述根据所述点击记录向量，生成所述目标用户的短期记忆向量包括：
66.获取第一模型参数；
67.根据所述点击记录向量和所述第一模型参数，生成第一输入参数；
68.将所述第一输入参数输入至注意力机制中，获得第一输出结果；
69.利用模型的平均池化层对所述第一输出结果进行加权平均，获取短期记忆向量。
70.具体地，可以利用如下公式(2)获取短期记忆向量：
71.h
short
＝meanpooling(attention(q
short
,k
short
,v
short
))
72.where q
short
＝s
short
w
q
,，k
short
＝s
short
w
k
,，v
short
＝s
short
w
v
73.w
q
∈r
dxd
，w
v
∈r
dxd
，w
k
∈r
dxd
公式(2)
74.其中，h
short
∈r
d
表示短期记忆向量，为一个d维的向量，w
q
，w
v
，w
k
表示第一模型参数，为d
×
d维的矩阵，在模型训练过程中会被优化，q
short
，k
short
，v
short
表示第一输入参数，attention表示注意力机制函数，meanpooling表示平均池化层函数，s
short
表示点击记录向量。
75.这里，通过w
q
，w
v
，w
k
这三个矩阵分别计算出q
short
，k
short
，和v
short
作为注意力机制(attention)的输入。最后通过平均池化层(meanpooling)对注意力机制的输出进行加权平均，合并为一个d维的向量，称为h
short
。
76.在一实施例中，所述根据所述点击记录向量，生成所述目标用户的长期记忆向量包括：
77.获取第二模型参数；
78.根据所述点击记录向量和所述第二模型参数，生成第二输入参数；
79.将所述第二输入参数输入至注意力机制中，获得第二输出结果；
80.利用模型的平均池化层对所述第二输出结果进行加权平均，获取长期记忆向量。
81.具体地，可以利用如下公式(3)获取长期记忆向量：
[0082][0083]
其中，h
long
∈r
d
表示长期记忆向量，为一个d维的向量，为三个的矩阵，在模型训练过程中会被优化，m
u
∈r
k
×
d
为用户长期记忆矩阵，为一个k行d列的矩阵，也会在模型训练过程中被优化，和m
u
∈r
k
×
d
表示第二模型参数，attention表示注意力机制函数，meanpooling表示平均池化层函数，s
short
表示点击记录向量。
[0084]
进一步地，通过上述方式在获取目标用户的短期记忆向量和长期记忆向量后，可以利用知识图谱，判断目标用户对目标商品的喜爱程度。
[0085]
在一实施例中，所述基于所述短期记忆向量、所述长期记忆向量和所述目标商品，利用知识图谱，确定所述目标用户对所述目标商品的喜爱度包括：
[0086]
获取所述目标商品对应的物品向量；
[0087]
基于所述短期记忆向量、所述长期记忆向量和所述物品向量，利用知识图谱，获取用户短期物品向量和用户长期物品向量；
[0088]
基于所述用户短期物品向量和所述用户长期物品向量，生成用户表示向量；
[0089]
基于所述用户表示向量确定所述目标用户对所述目标商品的喜爱度。
[0090]
这里，可以将目标商品对应的物品向量表示为q
i
∈r
d
，为一个d维的向量，该向量可以通过一个单独的神经网络嵌入层(one
‑
hot embedding)获得。
[0091]
具体地，在一实施例中，所述基于所述短期记忆向量、所述长期记忆向量和所述物品向量，利用知识图谱，获取用户短期物品向量和用户长期物品向量包括：
[0092]
将所述物品向量输入至知识图谱中，获取所述目标商品的三元组节点向量；
[0093]
根据所述三元组节点向量、所述短期记忆向量和第三模型参数，利用注意力机制，获取用户短期物品向量；
[0094]
根据所述三元组节点向量、所述长期记忆向量和第三模型参数，利用注意力机制，获取用户长期物品向量。
[0095]
进一步地，将所述物品向量输入至知识图谱中，从物品i节点出发，在知识图谱周围抽样一跳以内的三元组节点，获取目标商品的三元组节点向量。这里，可将该三元组节点向量可以表示为：
[0096]
n
i
＝{(h,r,t)∈g，h为头节点向量，r为关系向量，t为尾节点向量}。
[0097]
在获取三元组节点向量后，可利用三元组节点向量、短期记忆向量和第三模型参数，使用注意力机制，获取用户短期物品向量；利用三元组节点向量、长期记忆向量和第三模型参数，使用注意力机制，获取用户长期物品向量。
[0098]
具体地，可以利用如下公式(4)获取用户短期物品向量和用户长期物品向量：
[0099][0100][0101]
其中，表示用户长期物品向量，表示用户短期物品向量，h
short
表示短期记忆向量，h
long
表示长期记忆向量，w
q
′
，w
k
′
，w
v
′
表示第三模型参数，为三个d
×
d的矩阵，在模型训练过程中会被优化，为一个包含所有物品i周围的节点(|n
i
|表示的是节点的数量)的向量的矩阵,是一个|n
i
|行d列的矩阵，在模型训练中会被优化，attention表示注意力机制函数。
[0102]
在获取用户短期物品向量和所述用户长期物品向量后，可利用用户短期物品向量和所述用户长期物品向量生成用户表示向量。
[0103]
在一实施例中，所述基于所述用户短期物品向量和所述用户长期物品向量，生成用户表示向量包括：
[0104]
将所述用户短期物品向量和所述用户长期物品向量进行首尾拼接，生成用户表示向量。
[0105]
这里，可将用户短期物品向量和所述用户长期物品向量首尾拼接，生成用户表示向量用户表示向量的数值大小能表征目标用户对目标商品的喜爱程度。
[0106]
这里，知识图谱包含丰富的实体和关系，通过知识图谱的结构来显示学习的物品与物品、用户与用户之间的关系，并且通过丰富的知识给用户和物品提供大量的额外特征来辅助算法。使用知识图谱来增强推荐系统是一种有效地解决推荐系统冷启动的方法。
[0107]
另外，需要说明的是，上述中的有关参数能在模型训练过程中被优化。具体地，可通过bpr损失函数来优化。该bpr损失函数可以利用如下公式(5)表示：
[0108][0109]
其中，l表示bpr损失函数，o＝{(u,i,j)|(u,i)∈r
+
,(u,j)∈r
‑
}，r
+
表示反馈为正的用户物品对，即用户u曾经点击(可理解为浏览)过的物品i，r
‑
表示反馈为负的用户物品对，即用户u从未点击(可理解为浏览)过的物品j。为用户u对物品i的偏好分数，为用户u对物品j的偏好分数，σ为sigmoid函数。
[0110]
这里，通过将样本集o中的样本带入bpr损失函数l中，当bpr损失函数l最小时的参数为训练完成被优化后的参数。
[0111]
本发明实施例提供的产品推荐方法，确认目标用户和目标商品；根据目标用户获取目标用户的商品浏览记录；根据商品浏览记录生成目标用户的短期记忆向量和长期记忆向量；基于短期记忆向量、长期记忆向量和目标商品，利用知识图谱，计算目标用户对目标商品的喜爱度；根据喜爱度为目标用户推荐目标商品。采用本发明提供的方案能在为用户推荐产品时，考虑用户长期和短期的喜好，推荐更准确。
[0112]
下面结合应用实施例对本发明再作进一步详细的描述。
[0113]
目前，现有的结合推荐系统和知识图谱的算法有ripplenet，mkr，kgat等。但这些算法都是假设用户的偏好是静止的，是在这个假设基础上再结合知识图谱的语义和关系辅助推荐算法为用户进行推荐。然而，在大多数场景下，用户的偏好是有短期和长期偏好的。因此，现有的推荐算法并不准确。
[0114]
基于此，本应用实施例提供了一种结合使用知识图谱技术和用户长短期偏好算法来实现动态的冷启动推荐。
[0115]
具体算法原理为：
[0116]
构建两个模块分别抽取用户长期记忆和短期记忆向量。然后将这两个向量分别和知识图谱结合形成两个新的向量(用户短期物品向量和用户长期物品向量)。具体步骤如下：
[0117]
1)抽取用户短期记忆向量模块：
[0118]
输入用户点击记录向量，用户点击记录向量可利用上述公式(1)获取。
[0119]
根据输入的点击记录向量计算用户短期记忆向量h
short
∈r
d
，h
short
可通过上述公式(2)计算获得。
[0120]
2)抽取用户长期记忆向量模块：
[0121]
输入用户点击记录向量，用户点击记录向量可利用上述公式(1)获取。
[0122]
根据输入的点击记录向量计算用户长期记忆向量h
long
∈r
d
，h
long
可通过上述公式(3)计算获得。
[0123]
3)使用上述的短期记忆向量和长期记忆向量分别对知识图谱的信息进行结合。步骤如下：
[0124]
输入：用户向量h
long
和h
short
,以及用户待预测的物品向量q
i
∈r
d
(该向量通过一个单独的神经网络嵌入层(one
‑
hot embedding)得到)。
[0125]
从物品i节点出发，在知识图谱周围抽样一跳以内的三元组节点，设其为
[0126]
n
i
＝{(h,r,t)∈g,h为头节点向量,r为关系向量,t为尾节点向量}
[0127]
使用注意力(attention)机制获取最终的用户物品向量表示(用户长期物品向量和用户短期物品向量)，最终的用户物品向量表示可通过上述公式(4)计算获得。
[0128]
4)最终将两个向量和拼接输出最后通过bpr损失函数来优化模型。bpr损失函数可通过上述公式(5)获得。
[0129]
另外，参见图2，本应用实施例的具体计算过程为：
[0130]
输入用户u、物品i，根据输入的用户u获取用户短期点击记录，根据用户短期点击抽取用户短期记忆向量和用户长期记忆向量。根据输入的物品i获取物品表示向量，并从知识图谱中抽取物品的一跳信息(三元节点组)。根据抽取的三元节点组、短期记忆向量、长期记忆向量获取用户结合知识图片的短期记忆向量和用户结合知识图谱的长期记忆向量。将获取的这两个向量合并得到用户表示向量。根据用户表示向量和物品表示向量计算用户u对物品i的偏好表示。基于该偏好表示，在训练阶段，可用于训练时，通过bpr损失函数进行优化，获得模型参数；在预测阶段，可用于预测时，根据该偏好表示对待推荐物品进行排序。
[0131]
本实施例提出了一种结合知识图谱和动态推荐的方法。这种方式可以结合知识图谱推荐的多种优点，可以根据用户不断变动的偏好有效的利用知识图谱中的知识结构，为用户进行推荐，并且还可以提升推荐系统的性能。本实施例的推荐方法即可以利用到知识图谱的优势，即推荐多样性、可解释性和准确性，又可以同时通过用户实时的偏好来学习到知识图谱在不同阶段对用户的不同的影响力。另外，本实施例采用记忆网络、attention机制、和知识图谱相关的attention机制等技术，推荐更加准确。
[0132]
为了实现本发明实施例的方法，本发明实施例还提供了一种产品推荐装置，如图3所示，产品推荐装置300包括：确认模块301、获取模块302、生成模块303、计算模块304和推荐模块305；其中，
[0133]
确认模块301，用于确认目标用户和目标商品；
[0134]
获取模块302，用于根据目标用户获取目标用户的商品浏览记录；
[0135]
生成模块303，用于根据商品浏览记录生成目标商品的短期记忆向量和长期记忆向量；
[0136]
计算模块304，用于基于短期记忆向量和长期记忆向量，计算目标用户对目标商品的喜爱度；
[0137]
推荐模块305，用于根据喜爱度为目标用户推荐目标商品。
[0138]
实际应用时，确认模块301、获取模块302、生成模块303、计算模块304和推荐模块305可由产品推荐装置中的处理器实现。
[0139]
需要说明的是：上述实施例提供的上述装置在执行时，仅以上述各程序模块的划分进行举例说明，实际应用时，可以根据需要而将上述处理分配由不同的程序模块完成，即将终端的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的上述装置与上述方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0140]
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供了一种电子设备(计算机设备)。具体地，在一个实施例中，该计算机设备可以是终
端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器a01、网络接口a02、显示屏a04、输入装置a05和存储器(图中未示出)。其中，该计算机设备的处理器a01用于提供计算和控制能力。该计算机设备的存储器包括内存储器a03和非易失性存储介质a06。该非易失性存储介质a06存储有操作系统b01和计算机程序b02。该内存储器a03为非易失性存储介质a06中的操作系统b01和计算机程序b02的运行提供环境。该计算机设备的网络接口a02用于与外部的终端通过网络连接通信。该计算机程序被处理器a01执行时以实现上述任意一项实施例的方法。该计算机设备的显示屏a04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置a05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0141]
本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0142]
本发明实施例提供的设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述任意一项实施例的方法。
[0143]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0144]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0145]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0146]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0147]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0148]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。存储器是计算机可读介质的示例。
[0149]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法
或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
[0150]
可以理解，本发明实施例的存储器可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read
‑
only memory)、可擦除可编程只读存储器(eprom，erasable programmable read
‑
only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read
‑
only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd
‑
rom，compact disc read
‑
only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0151]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0152]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。