本发明涉及互联网技术领域，特别是涉及基于文本的相似度确定方法、装置、计算机可读存储介质及计算机设备。
背景技术：
目前，通过查找相似用户并对相似用户推送消息或发送广告等已经成为一种有效的营销方式。这种营销方式的前提是要精准地确定计算用户之间相似度。传统基于文本确定相似度的方法有k-means聚类等。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：传统确定相似度的方法或者不适用于基于词语来确定相似度；或者结果具有很大的随机性，导致每次对同一批用户进行聚类得出的结果不同。因此，有必要找到一种能通过文本的相关信息计算用户之间相似度的方法。
技术实现要素：
基于此，本发明提供了基于文本的相似度确定方法及装置，能基于文本的相关信息准确地计算用户之间的相似度，从而可以确定参考用户的相似用户。
本发明实施例的内容如下：
一种基于文本的相似度确定方法，包括：获取候选用户的历史网络浏览记录，根据所述历史网络浏览记录得到所述候选用户对应的文本集合；获取预先计算的所述文本集合中各文本落入参考用户对应的文本集合的条件概率；根据所述候选用户对应的文本集合以及其中各文本的条件概率，得到所述候选用户对应的第一文本特征向量；将所述候选用户的第一文本特征向量输入预先训练的随机森林模型，根据所述随机森林模型的输出得到所述候选用户与参考用户的相似度值。
在其中一个实施例中，所述将所述候选用户的第一文本特征向量输入预先训练的随机森林模型的步骤之前，还包括：构建样本用户集，所述样本用户集中包括参考用户以及非参考用户；获取样本用户集中各样本用户的历史网络浏览记录，得到各样本用户对应的文本集合；计算各样本用户的文本集合中各文本的所述条件概率；根据各样本用户对应的文本集合以及其中各文本的条件概率，得到样本用户集中各样本用户对应的第二文本特征向量；从所述第二文本特征向量中选取多个文本特征向量作为对应样本用户的训练文本特征向量；根据所述训练文本特征向量对随机森林模型进行训练。
在其中一个实施例中，所述从所述第二文本特征向量中选取多个文本特征向量作为对应样本用户的训练文本特征向量的步骤，包括：分别选取所述第二文本特征向量中按条件概率值大小排序在前的多个文本特征向量和排序在后的多个文本特征向量，作为对应样本用户的训练文本特征向量。
在其中一个实施例中，所述根据所述历史网络浏览记录得到所述候选用户对应的文本集合的步骤，包括：根据所述历史网络浏览记录得到所述候选用户对应的词语，去除所述词语中的停用词，得到所述候选用户对应的文本集合。
在其中一个实施例中，所述获取预先计算的所述文本集合中各文本落入参考用户对应的文本集合的条件概率的步骤之前，还包括：获取所述文本集合中各个词语的词频特征，根据所述词频特征分别计算各个词语落入参考用户对应的文本集合的条件概率。
在其中一个实施例中，通过如下公式计算各个词语落入参考用户对应的文本集合的条件概率：
其中，y为文本集合标签，0表示候选用户对应的文本集合，1表示参考用户对应的文本集合；i为词语的标识，表示第i个词语，词语总共有n个；θyi是第i个词语在文本集合y中出现的频繁度；nyi表示第i个词语在文本集合y中出现的次数，ny为所有词语在文本集合y中出现的次数；α为预设的平滑因子；λi是在第i个词语落入参考用户对应的文本集合的概率。
在其中一个实施例中，所述将所述候选用户的第一文本特征向量输入预先训练的随机森林模型，根据所述随机森林模型的输出得到所述候选用户与参考用户的相似度值的步骤之后，还包括：若所述候选用户对应的相似度值高于预设的阈值，则所述候选用户为所述参考用户的相似用户。
在其中一个实施例中，所述随机森林中的投票函数为：
其中，h(x)为投票函数；x为输入的文本特征向量；h为决策树，t为第t棵树，所述随机森林中总共有t颗树。
相应的，本发明实施例提供一种基于文本的相似度确定装置，包括：条件概率计算模块，用于获取候选用户的历史网络浏览记录，根据所述历史网络浏览记录得到所述候选用户对应的文本集合；获取预先计算的所述文本集合中各文本落入参考用户对应的文本集合的条件概率；第一特征向量获取模块，用于根据所述候选用户对应的文本集合以及其中各文本的条件概率，得到所述候选用户对应的第一文本特征向量；相似度值确定模块，用于将所述候选用户的第一文本特征向量输入预先训练的随机森林模型，根据所述随机森林模型的输出得到所述候选用户与参考用户的相似度值。
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实现上述所述方法的步骤，通过其存储的计算机程序。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上述所述方法的步骤。
上述技术方案，根据候选用户的历史网络浏览记录，得到该候选用户对应的文本集合；获取预先计算的所述文本集合中各文本落入参考用户对应的文本集合的条件概率；确定所述候选用户对应的第一文本特征向量，并将该第一文本特征向量输入预先训练的随机森林模型，得到所述候选用户与参考用户的相似度值。通过这样的方式能准确计算候选用户与参考用户的相似度，确定该候选用户是否为该参考用户的相似用户，进而有针对性地对相似用户进行相应的操作，防止对所有用户都进行该操作，能有效解决操作成本。
附图说明
图1为一个实施例中基于文本的相似度确定方法的示意性流程图；
图2为一实施例中基于文本的相似度确定方法的应用实例；
图3为一实施例中基于文本的相似度确定装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例以网络营销为例进行描述，但是本发明实施例的基于文本的相似度确定方法、装置、计算机设备和存储介质并不限于解决网络营销中的问题，还可以用于解决其他相似度确定的应用场景中的问题。
在进行某一网络营销时，往往通过网络用户的历史数据来确定投放广告的用户群。在这些网络用户中，有一部分属于经常进行特定网络操作的用户，如：对于投放电视广告的网络营销，某些用户经常观看某一与该广告对应的产品的网络视频，则这些用户属于这一产品的种子用户(参考用户)。对于某些与前述参考用户的网络操作过程类似的用户，属于比较有意向的用户，对这些用户投放相应的广告具有较强的针对性，回报率更高。例如：有一批少量的活跃游戏种子用户，对这批种子用户投放游戏广告消耗的成本较低，对与种子用户类似的用户大量地定向投放，可以获得较高的收益。因此，有必要计算用户之间的相似度，进而找出参考用户的相似用户，本发明实施例拟解决基于用户的文本信息计算用户之间相似度的问题。
传统确定参考用户的相似用户的方法有：
方法一：步骤1，将用户的安装包列表通过bag-of-words(bow)方法表达为1/0特征，通过该列表训练逻辑回归模型；步骤2，将逻辑回归模型的输出加上其他三种特征(安装的基本应用比例，付费应用数和平均付费价格)，作为输入来训练gbdt(gradientboostingdecisiontree，是一种迭代的决策树算法)分类模型，分类为1的即为相似用户。其中bow特征在文本类的应用效果并不理想，在实验中采用条件概率特征比bow特征的效果有明显的提升；此外，上述方法中采用的双层模型是基于额外的付费信息特征，不适用文本信息的任务。
方法二：步骤1，将视频媒体的视频标签映射为x维标签向量，之后通过将视频的所有标签向量累加并求平均值，得到每个视频的x维视频向量；步骤2，将视频进行聚类，得到相似视频聚类结果；步骤3，将相似视频聚类结果转换为相似用户聚类结果；步骤4，从种子用户中提取聚类结果，进行相似度排序，从而确定用户的排序。该方法先对视频聚类，再对用户聚类，由于k-means聚类对初始值的敏感性，初始值的选取有很大的随机性，每次聚类的结果是不相同的，导致同一批种子用户每次聚类出的结果均不同。
本发明实施例提供一种基于文本的相似度确定方法以及相应的基于文本的相似度确定装置。以下分别进行详细说明。
如图1所示，为一实施例的基于文本的相似度确定方法的示意性流程图。所述实施例提供的基于文本的相似度确定方法主要包括步骤s110至步骤s130，详细说明如下：
s110、获取候选用户的历史网络浏览记录，根据所述历史网络浏览记录得到所述候选用户对应的文本集合；获取预先计算的所述文本集合中各文本落入参考用户对应的文本集合的条件概率。
可选地，样本用户为所有进行对应网络浏览操作的用户，这些用户中包括参考用户和非参考用户。其中，参考用户指的是种子用户，样本用户中除种子用户以外的为非种子用户；非参考用户可以指非种子用户，也可以指从非种子用户中选取的一部分用户。候选用户可以为该非参考用户中的部分用户，也可以为非参考用户中的所有用户，还可以是从整个样本用户中抽取的用户。若该候选用户指的是非参考用户中的所有用户，则本发明实施例可以确定参考用户以外的所有用户与参考用户的相似度，进而从这些用户中确定参考用户的相似用户。通过计算候选用户与参考用户的相似度可以确定该候选用户是否为该参考用户的相似用户。
历史网络浏览记录为用户进行网络操作后生成的记录。该网络操作可以为观看某个网络视频，也可以为搜索某个网页，还可以为玩网络游戏等网络操作。
可选地，文本集合为从样本用户的历史网络浏览记录中提取的样本用户所使用的文本，比如：用户观看某个视频所使用的搜索词、玩某个网络游戏所执行的某个操作对应的文本信息等。
可选地，还包括获取预先计算的所述文本集合中各文本落入非参考用户对应的文本集合的条件概率。
本步骤计算各文本是参考用户对应的文本的概率，本步骤也可以计算各文本是候选用户对应的文本的概率。
s120、根据所述候选用户对应的文本集合以及其中各文本的条件概率，得到所述候选用户对应的第一文本特征向量。
其中，第一文本特征向量指的是表征用户特征信息的列表，该列表由文本集合和各个文本对应的条件概率构成。第一文本特征向量中还可以包括其他参数，如用户的交易次数等信息。
s130、将所述候选用户的第一文本特征向量输入预先训练的随机森林模型，根据所述随机森林模型的输出得到所述候选用户与参考用户的相似度值。
其中，随机森林模型(randomforest)指的是利用多棵树对样本进行训练并预测的一种分类器。本发明实施例的随机森林模型采用bagging的方法，通过随机采样样本和随机采样特征的方式，同时训练多棵随机的决策树，通过这些随机的决策树来共同表决输入的第一文本特征向量是否属于参考用户对应的文本集合，并进一步得到候选用户与参考用户的相似度，根据该相似度能够确定该候选用户是否为该参考用户的相似用户。
本实施例计算候选用户对应的各文本的条件概率，将各文本以及对应的条件概率作为特征信息输入到已训练好的随机森林模型中，最终得到候选用户相对于参考用户的相似度。能根据用户的特征准确地计算候选用户与参考用户的相似度，进而可以确定该候选用户是否为该参考用户的相似用户。
在一实施例中，所述将所述候选用户的第一文本特征向量输入预先训练的随机森林模型的步骤之前，还包括：构建样本用户集，所述样本用户集中包括参考用户以及非参考用户；获取样本用户集中各样本用户的历史网络浏览记录，得到各样本用户对应的文本集合；计算各样本用户的文本集合中各文本的所述条件概率；根据各样本用户对应的文本集合以及其中各文本的条件概率，得到样本用户集中各样本用户对应的第二文本特征向量；从所述第二文本特征向量中选取多个文本特征向量作为对应样本用户的训练文本特征向量；根据所述训练文本特征向量对随机森林模型进行训练。
其中，样本用户可以指所有网络用户；也可以指满足某一条件的用户，如：需要从某一网络游戏的用户中确定该网络游戏的参考用户的相似用户，则该样本用户可以是玩过该网络游戏的用户。
本实施例根据样本用户集的文本信息计算各个文本对应的条件概率，得到第二本文特征向量，从第二本文特征向量中找出各样本用户中具有代表性的训练文本特征向量，通过该训练文本特征向量训练随机森林模型。该随机森林模块可以充分整合所有训练文本特征向量中的特征信息并得到能够合理地对候选用户进行判断的模型。
在一实施例中，所述从所述第二文本特征向量中选取多个文本特征向量作为对应样本用户的训练文本特征向量的步骤，包括：分别选取所述第二文本特征向量中按条件概率值大小排序在前的多个文本特征向量和排序在后的多个文本特征向量，作为对应样本用户的训练文本特征向量。
可选地，本实施例确定训练文本特征向量的步骤包括确定每个样本用户对应的训练文本特征向量。
可选地，本实施例从某一样本用户的第二文本特征向量中选取训练文本特征向量，对第二文本特征向量中的条件概率按大小进行排序，确定其中排序在前的k1个条件概率λ1和排序在后的k2个条件概率λ2，将条件概率λ1和条件概率λ2作为该候选用户对应的条件概率特征，将与这些条件概率特征对应的文本特征向量确定为该样本用户的训练文本特征向量。其中，k1和k2可以为大于0的任何整数。k1和k2可以相同，也可以不同。具体地，k1和k2均为20。可选地，各个样本用户的训练文本特征向量的个数可以不同。
本实施例根据条件概率的情况确定了各个样本用户的训练文本特征向量，这些训练文本特征向量代表了样本用户的特征信息(如：条件概率值越高表示对应的文本越有可能是参考用户使用的文本)，通过这些训练文本特征向量来训练随机森林模型可以得到经过训练的随机森林模型，该经过训练的随机森林能准确确定用户之间的相似度值。
在一实施例中，所述根据所述历史网络浏览记录得到所述候选用户对应的文本集合的步骤，包括：根据所述历史网络浏览记录得到所述候选用户对应的词语，去除所述词语中的停用词，得到所述候选用户对应的文本集合。
本步骤对所述历史网络浏览记录对应的文本信息进行分词，得到所述候选用户对应的词语，将其中并未包含用户信息的停用词去掉，进行整合后得到所述候选用户对应的文本集合。去除停用词后的文本集合可以更准确地代表用户的特征，同时，可以有效节省存储空间并提高处理效率。
在一实施例中，所述获取预先计算的所述文本集合中各文本落入参考用户对应的文本集合的条件概率的步骤之前，还包括：获取所述文本集合中各个词语的词频特征，根据所述词频特征分别计算各个词语落入参考用户对应的文本集合的条件概率。
可选地，各个词语的词频特征包括：各个词语在样本用户集对应的文本集合中出现的次数，各个词语在参考用户对应的文本集合中出现的次数，还包括各个词语在参考用户对应的文本集合中出现的频繁度(如：某个词语在参考用户对应的文本集合中出现的次数占所有词语在参考用户对应的文本集合中出现次数的比值)。
可选地，所述获取预先计算的所述文本集合中各文本落入参考用户对应的文本集合的条件概率的步骤之前，还包括：获取所述文本集合中各个词语的词频特征，根据所述词频特征分别计算各个词语落入非参考用户对应的文本集合的条件概率。
可选地，计算条件概率的过程属于训练阶段的步骤。其中，训练阶段指的是训练随机森林模型的过程。
本实施例根据各个词语的词频特征计算各个词语的条件概率，通过简单地计算能得出各个词语的条件概率，进而可以得出各个用户的特征信息。本实施例预先计算条件概率。因此，在对用户之间的相似度进行计算时，可以直接查询已计算好的条件概率，能够有效提高相似度计算过程的效率。
在一实施例中，通过如下公式计算各个词语落入参考用户对应的文本集合的条件概率：
其中，y为文本集合标签，0表示候选用户对应的文本集合，1表示参考用户对应的文本集合；i为词语的标识，表示第i个词语，词语总共有n个；θyi是第i个词语在文本集合y中出现的频繁度；nyi表示第i个词语在文本集合y中出现的次数，ny为所有词语在文本集合y中出现的次数；α为预设的平滑因子；λi是在第i个词语落入参考用户对应的文本集合的概率。
其中，平滑因子α取1时是常用的laplace平滑(拉普拉斯平滑)。当然α也可以取其他任何大于0的值。
本实施例通过公式计算各个词语落入参考用户对应的文本集合的条件概率，进而可以确定候选用户的第一特征文本向量，还可以确定用于训练随机森林模型的各个样本用户的训练文本特征向量。
在一实施例中，所述将所述候选用户的第一文本特征向量输入预先训练的随机森林模型，根据所述随机森林模型的输出得到所述候选用户与参考用户的相似度值的步骤之后，还包括：若所述候选用户对应的相似度值高于预设的阈值，则所述候选用户为所述参考用户的相似用户。
其中，所述预设的阈值一般为0.5-1.0，当然，阈值也可以取该范围之外的其他值。当该阈值取1时，该候选用户为非常相似的用户，也可能就是参考用户。
可选地，可通过调整该预设的阈值0.5的大小，来相应地调整的相似用户数量。
本实施通过将相似度与预设的阈值进行比较的结果来确定相似用户，确定相似用户后可以有针对性地对相似用户进行相应的操作，减少对非相似用户执行操作造成的成本浪费。
在一实施例中，所述随机森林中的投票函数为：
其中，h(x)为投票函数，即输入文本特征向量x后得到的对该文本特征向量x是否属于参考用户的投票；x为输入的文本特征向量；h为决策树，t为第t棵树，所述随机森林中总共有t颗树。
本实施例中随机森林通过投票函数对输入的文本特征向量进行投票，得到该文本特征向量是否属于参考用户对应的文本集合的投票结果，随机森林根据这些投票结果可以得到对应的候选用户与参考用户的相似度，进而可以确定该候选用户是否为该参考用户的相似用户。
为了更好地理解上述方法，以下详细阐述一个本发明基于文本的相似度确定方法的应用实例。如图2所示，图2为基于文本的相似度确定方法的应用实例。
dsp(demand-sideplatform)是为广告主服务的需求方平台，dsp的目标是通过尽可能少的成本带来尽可能多的转化用户。可以简单地理解为dsp是连接广告主和流量方的平台，可以为广告主在各种流量(如爱奇艺、今日头条等)上投放广告。
有少量的活跃游戏种子用户，对这批种子用户投放游戏广告消耗的成本较低，dsp希望对这类用户大量地定向投放，因此从非种子用户中选择相似用户，确定相似用户的过程如下：
1)获取种子用户和非种子用户看过的视频的标题列表，对该视频标题做分词(词语化)，得到所有用户对应的词语，去除这些词语中的停用词；
2)计算每个用户对应的每个词的词频特征(词频化)；对每个种子用户词频化后得到参考用户对应的文本集合，对每个非种子用户词频化后得到非参考用户集对应的文本集合，从该非参考用户集对应的文本集合中采样可以得到非参考用户对应的文本集合。
3)对某一用户，计算各个词语的条件概率特征，将所有词语映射成对应的条件概率，对这些条件概率进行排序，从中选取条件概率排序在前的20个和排序在后的20个条件概率，将这40个条件概率以及对应的词语作为该用户的特征向量；确所有用户对应的特征向量；
4)将这些用户的特征向量作为训练随机森林(randomforest)的训练集，得到训练好的随机森林模型；
5)用训练好的模型来分类非种子用户，得到该非种子用户与种子用户的相似度，将相似度值大于0.5的非种子用户归类为相似用户。
对一批活跃的游戏用户进行实际扩展后，对几款dsp实际投放的游戏进行离线测试。对照组为实际投放覆盖的流量，测试组1为扩展的相似用户覆盖的流量，测试组2为种子用户覆盖的流量。测试组1的cpa(平均每个转化所消耗的成本)相比对照组的cpa平均降低约40％，测试组2的cpa相比对照组平均降低约70％；测试组1的转化用户数量是测试组2的5-10倍。根据该测试的结果可知，本发明实施例的基于文本的相似度确定方法能在仅知道用户观看视频标题下，准确地计算种子用户与非种子用户的相似度，准确地找出相似用户。
需要说明的是，对于前述的各方法实施例，为了简便描述，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。
基于与上述实施例中的基于文本的相似度确定方法相同的思想，本发明还提供基于文本的相似度确定装置，该装置可用于执行上述基于文本的相似度确定方法。为了便于说明，基于文本的相似度确定装置实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所述，基于文本的相似度确定装置包括条件概率计算模块310、第一特征向量获取模块320和相似度值确定模块330，详细说明如下：
条件概率计算模块310，用于获取候选用户的历史网络浏览记录，根据所述历史网络浏览记录得到所述候选用户对应的文本集合；获取预先计算的所述文本集合中各文本落入参考用户对应的文本集合的条件概率。
第一特征向量获取模块320，用于根据所述候选用户对应的文本集合以及其中各文本的条件概率，得到所述候选用户对应的第一文本特征向量。
以及，相似度值确定模块330，用于将所述候选用户的第一文本特征向量输入预先训练的随机森林模型，根据所述随机森林模型的输出得到所述候选用户与参考用户的相似度值。
在一实施例中，所述基于文本的相似度确定装置还包括：样本用户集构建模块，用于构建样本用户集，所述样本用户集中包括参考用户以及非参考用户；第二特征向量获取模块，用于获取样本用户集中各样本用户的历史网络浏览记录，得到各样本用户对应的文本集合；计算各样本用户的文本集合中各文本的所述条件概率；根据各样本用户对应的文本集合以及其中各文本的条件概率，得到样本用户集中各样本用户对应的第二文本特征向量；随机森林训练模块，用于分别选取所述第二文本特征向量中按条件概率值大小排序在前的多个文本特征向量和排序在后的多个文本特征向量，作为对应样本用户的训练文本特征向量。
在一实施例中，所述随机森林训练模块，还用于将所述第二文本特征向量按条件概率值从大到小和从小到大排序，分别确定排序在前的多个文本特征向量，作为对应样本用户的训练文本特征向量。
在一实施例中，所述条件概率计算模块310，还用于根据所述历史网络浏览记录得到所述候选用户对应的词语，去除所述词语中的停用词，得到所述候选用户对应的文本集合。
在一实施例中，所述条件概率计算模块310，还用于获取所述文本集合中各个词语的词频特征，根据所述词频特征分别计算各个词语落入参考用户对应的文本集合的条件概率。
在一实施例中，所述条件概率计算模块310，还用于通过如下公式计算各个词语落入参考用户对应的文本集合的条件概率：
其中，y为文本集合标签，0表示候选用户对应的文本集合，1表示参考用户对应的文本集合；i为词语的标识，表示第i个词语，词语总共有n个；θyi是第i个词语在文本集合y中出现的频繁度；n为次数，nyi表示第i个词语在文本集合y中出现的次数，ny为所有词语在文本集合y中出现的次数；α为预设的平滑因子；λi是在第i个词语出现的情况下，该词语落入参考用户对应的文本集合的概率。
在一实施例中，所述基于文本的相似度确定装置还包括相似用户确定模块，用于若所述候选用户对应的相似度值高于预设的阈值，则所述候选用户为所述参考用户的相似用户。
在一实施例中，所述随机森林中的投票函数为：
其中，h(x)为投票函数；x为输入的文本特征向量；h为决策树，t为第t棵树，所述随机森林中总共有t颗树。
需要说明的是，本发明的基于文本的相似度确定装置与本发明的基于文本的相似度确定方法一一对应，在上述基于文本的相似度确定方法的实施例阐述的技术特征及其有益效果均适用于基于文本的相似度确定装置的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述示例的基于文本的相似度确定装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述基于文本的相似度确定装置的内部结
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，作为独立的产品销售或使用。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明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。
本发明实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。