本发明涉及计算机网络技术领域，尤其涉及一种广告物料推荐方法、装置及服务器。
背景技术：
互联网广告就是通过网络广告平台在网络上投放广告，利用网站上的广告横幅、文本链接、多媒体等方法，在互联网上刊登或发布广告，通过网络传递到互联网用户的一种高科技广告运作方式。互联网广告的运营人员要想实现通过互联网媒体最小的成本获取更多客户，就需要了解以下内容：(1)网民的需求有哪些，需求的强度有多大，需求的发展趋势是什么；(2)如何结合网民的需求，使业务卖点得到有效表达，明确精准投放人群；(3)如何优化广告物料，持续提升广告效果。
在实际的互联网广告运营中，广告运营人员过度依赖于从业者的经验和技术水平，主观性高，容易造成广告投放的效率低、成本高、资源浪费等问题。
技术实现要素：
本发明实施例提供一种广告物料推荐方法、装置及服务器，以解决或缓解背景技术中的一项或多项以上技术问题，至少提供一种有益的选择。
第一方面，本发明实施例提供了一种广告物料推荐方法，包括：根据广告投放对象确定各广告物料的效果指标；
确定影响广告库中的各广告物料的点击率的因素；
根据各广告物料的效果指标和影响各广告物料的点击率的因素，从广告库中确定出推荐的广告物料
结合第一方面，本发明在第一方面的第一种实施方式中，所述广告物料包括广告标题和广告图片，所述效果指标包括竞争激烈度、受众覆盖度和受众相关度中的至少一种。
结合第一方面，本发明在第一方面的第二实施方式中，确定影响广告库中的各广告物料的点击率的因素，包括：
根据循环神经网络分析模型对广告库中的各广告标题进行分析，确定各广告标题中影响广告点击率的话术因素；
根据深度卷积神经模型对广告库中的各广告图片进行分析，确定各广告图片中影响广告点击率的质量因素。
结合第一方面的第二种实施方式，本发明在第一方面的第三实施方式中，根据循环神经网络分析模型对广告库中的各广告标题进行分析，确定各广告标题中影响广告点击率的话术因素之前，所述方法还包括：
根据广告库中的各广告标题，采用循环神经网络算法构建循环神经网络分析模型。
结合第一方面的第二种实施方式，本发明在第一方面的第四实施方式中，根据深度卷积神经模型对广告库中的各广告图片进行分析，确定各广告图片影响广告点击率的质量因素之前，所述方法包括：
根据广告库中的各广告图片，采用卷积神经网络算法构建卷积神经网络分析模型。
结合第一方面、第一方面的第一种实施方式或第一方面的第二种实施方式或第一方面的第三种实施方式或第一方面的第四种实施方式，本发明在第一方面的第五种实施方式中，还包括：根据各广告物料的效果指标和影响各广告物料的点击率的因素，从广告库中确定出推荐的广告物料，包括：
获取广告投放的业务领域；
采用机器翻译方法翻译所述广告投放的业务领域，以获得所述广告投放的扩展业务领域；
根据所述广告投放的扩展业务领域、各广告物料的效果指标和影响各广告物料的点击率的因素，在广告库中确定出推荐的广告物料。
第二方面，本发明实施例提供了一种广告物料推荐装置，包括：第一确定模块，用于根据广告投放对象确定各广告物料的效果指标；
第二确定模块，用于确定影响广告库中的各广告物料的点击率的因素；
推荐模块，用于根据各广告物料的效果指标和影响各广告物料的点击率的因素，从广告库中确定出推荐的广告物料。
结合第二方面，本发明在第二方面的第一实施方式中，所述广告物料包括广告标题和广告图片，所述效果指标包括竞争激烈度、受众覆盖度和受众相关度中的至少一种。
结合第二方面，本发明在第二方面的第二实施方式中，所述第二确定模块包括：
第一确定子模块，用于根据循环神经网络分析模型对广告库中的各广告标题进行分析，确定各广告标题中影响广告点击率的话术因素；
第二确定子模块，用于根据深度卷积神经模型对广告库中的各广告图片进行分析，确定各广告图片中影响广告点击率的质量因素。
结合第二方面的第二种实施方式，本发明在第二方面的第三实施方式中，所述第二确定模块还包括：
第一分析子模块，用于根据循环神经网络分析模型对广告库中的各广告标题进行分析，确定各广告标题中影响广告点击率的话术因素之前，根据广告库中的各广告标题，采用循环神经网络算法构建循环神经网络分析模型。
结合第二方面的第二种实施方式，本发明在第二方面的第四实施方式中，，所述第二确定模块还包括：
第二分析子模块，根据深度卷积神经模型对广告库中的各广告图片进行分析，确定各广告图片影响广告点击率的质量因素之前，根据广告库中的各广告图片，采用卷积神经网络算法构建卷积神经网络分析模型。
结合第二方面、第二方面的第一种实施方式或第二方面的第二种实施方式或第二方面的第三种实施方式或第二方面的第四种实施方式，所述推荐模块包括：
获取子模块，用于获取广告投放的业务领域；
扩展子模块，用于采用机器翻译方法翻译所述广告投放的业务领域，以获得所述广告投放的扩展业务领域；
推荐子模块，用于根据所述广告投放的扩展业务领域、各广告物料的效果指标和影响各广告物料的点击率的因素，在广告库中确定出推荐的广告物料；
第三方面，本发明实施例提供了一种服务器，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储广告物料推荐装置所用的计算机软件指令，其包括用于执行上述第一方面中广告物料推荐方法为广告物料推荐装置所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果：根据广告投放对象确定各广告物料的效果指标，确定影响广告库中的各广告物料的点击率的因素，然后根据各广告物料的效果指标和影响各广告物料的点击率的因素，从广告库中确定出推荐的广告物料，从效果指标和影响点击率的因素等多个维度对广告物料进行分析，实现自动向广告需求方等推荐广告物料。
上述技术方案中的另一个技术方案具有如下优点或有益效果：通过对广告投放的业务领域进行机器翻译得到扩展的业务领域，然后根据所述广告投放的扩展业务领域、各广告物料的效果指标和影响各广告物料的点击率的因素确定出推荐的广告物料，这样在保证广告物料与广告投放对象相关的同时，提供更多的创意。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1为本发明实施例一的广告物料推荐方法的流程图；
图2为本发明实施例二的广告物料推荐方法的流程图；
图3为本发明实施例二的广告物料推荐方法的采用流量预估模型预测流量的流程图；
图4为本发明实施例二的广告物料推荐方法的循环神经网络计算流程图；
图5为本发明实施例二的广告物料推荐方法的深度卷积神经计算流程图；
图6为本发明实施例二的广告物料推荐方法的机器翻译的过程示意图；
图7为本发明实施例三的广告物料推荐方法的系统架构示意图；
图8为本发明实施例四的广告物料推荐装置的示意图；
图9为本发明实施例五的广告物料推荐装置的示意图；
图10为本发明实施例六的服务器的示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
实施例一
如图1所示，为本发明实施例的广告物料推荐方法的流程图。该广告物料推荐方法包括：
s101，根据广告投放对象确定各广告物料的效果指标；
本发明实施例的广告物料的效果指标可以包括但不限于竞争激烈度、受众覆盖度和受众相关度中的至少一种。
其中，竞争激烈度可以衡量信息流广告在向一特定广告投放对象触发展现时，候选队列的拥挤程度，待展现的广告越多，竞争越激烈。
受众覆盖度可以衡量信息流广告的广告投放对象的规模。
受众相关度可以衡量信息流广告投放对象与历史广告投放对象的相似程度。
可见，以上三个指标均与广告投放对象相关，因此需要确定广告投放对象。
本发明实施例确定广告投放对象的方法可以包括：
一，由用户自行设定广告投放对象。例如，用户想在医疗美容业投放广告，对医疗美容感兴趣的对象范围一般在25岁至40岁之间，因此可以设定广告投放对象的范围是25岁至40岁的青年人。
二，根据用户的广告投放意图词的历史记录，确定广告投放对象。例如，广告投放意图词为“青年人”，这时可以确定广告投放对象的范围为25岁至40岁的青年人。
另外，本发明实施例在对广告投放对象进行分析获得效果指标后，还可以将效果指标发送给用户例如广告需求方、广告主等，使得用户能够根据效果指标及时调整经营策略，以获得更好的投放效果。
s102，确定影响广告库中的各广告物料的点击率的因素。
其中，所述广告物料可以包括但不限于广告标题和广告图片。
相应地，确定影响广告库中的各广告物料的点击率的因素可以包括但不限于：确定影响广告标题的点击率的因素，以及确定影响广告图片点击率的因素。
一般来说，影响标题点击率的因素与标题的话术相关。例如，某标题为“三天不见，她竟然变白了”，对于一些追求美白的广告投放对象具有很强的吸引力。再例如，另一标题为“要想美白，请服用美白丸”，对想美白的广告投放对象的吸引力就弱一些。而对于图片来说，影响图片点击率的一般为图片质量，例如，图片是否清晰，是否颜色鲜丽等。
s103，根据各广告物料的效果指标和影响各广告物料的点击率的因素，从广告库中确定出推荐的广告物料。
本发明实施例可以在广告库中选择出符合所述效果指标且包括影响所述广告物料的点击率的因素的各广告物料，作为推荐的广告物料。例如，广告投放对象为25岁至40岁的青年人，投放业务领域为医疗美容行业。在广告库中检索广告物料，该广告物料能够覆盖25岁至40岁的青年人，且与这个年龄段的青年人相关，且竞争激烈度不大于预设阈值(竞争激烈度的取值范围为1-5，例如，不大于2.5)。然后，分析这些广告物料中的标题，如分析结果为有吸引力的话术包括“竟然”、“惊呆了”等词汇，同时从广告库中检索出的图片质量大于预设阈值的图片(图片质量的取值范围为1-5，例如，大于3)，然后将检索出的标题和图片推荐确定为推荐的广告物料并发送给用户。
本发明实施例根据广告投放对象确定各广告物料的效果指标，确定影响广告库中的各广告物料的点击率的因素，然后根据各广告物料的效果指标和影响各广告物料的点击率的因素，从广告库中确定出推荐的广告物料，从效果指标和影响点击率的因素等多个维度对广告物料进行分析，实现自动向广告需求方等推荐广告物料。
实施例二
在实施例一的基础上，如图2所示，为本发明实施例的广告物料推荐方法的流程图。该广告物料推荐方法可以包括：
s201，根据广告投放对象确定各广告物料的效果指标。
在确定效果指标中的受众覆盖度时，可以根据深度机器学习算法构建流量预估模型，来分析广告的投放流量，同时还可以采用流量预估模型分析广告投放到曝光的各个环节的相关情况，来分析流量流失的原因。如图3所示，首先在线下构建流量预估模型，过程如下：首先在线下获取广告投放的历史数据，并从中获取广告投放对象的特征。然后分析广告投放对象的历史点击行为。根据历史点击行为，在线上模拟广告投放。并模拟广告投放对象进行点击广告。根据所模拟的广告投放对象的点击情况，计算出一个初步出价。例如，该初步出价可以为能够获取50％-80％目标流量的建议价格。然后考虑过滤广告投放对象及预算限制等因素进行最终定价，给并向披露广告预估流量和最终报价。另一方面，在线下根据广告投放的历史数据采用机器学习算法构建流量预估模型，并获得该模型输出的预测意图、流量、区域和时间等数据。在线上实时投放设置情况后，可根据预测模型输出的以上数据来触发流量召回，其中，实时投放设置参数可以包括版位、投放对象、意图、设备及预算。
上述步骤s201对应实施例一的步骤s101。
s202，根据循环神经网络(recurrentneuralnetworks，rnn)分析模型对广告库中的各广告标题进行分析，确定各广告标题中影响广告点击率的话术因素。
其中，在步骤s202之前，所述方法还包括构建循环神经网络分析模型的步骤：根据广告库中的各广告标题，采用循环神经网络算法构建循环神经网络分析模型。
在广告优化中，标题的吸引力直接决定一条广告的点击率的高低，高点击率的标题容易获得更多的受众关注，从而带来更多转化，同时还能降低投放成本。在本发明实施例中，可以对广告标题的质量进行评估。例如，采用双层栈式循环神经网络技术，对海量的广告标题以及它们对应的点击率表现进行建模，从而捕捉种种影响广告点击的因素，从而能够通过模型来对一条从未投放过的广告准确地分析其标题是否具有吸引力，基于标题的文本信息学习到历史上所有广告的点击模式。如图4所示，双层双向栈式lstm(longshort-termmemory，长短期记忆)神经网络模型的建模过程可以包括softmax函数、fc函数、avg池化以及运算等。
s203，根据深度卷积神经模型对广告库中的各广告图片进行分析，确定各广告图片中影响广告点击率的质量因素。
其中，在步骤s203之前，还包括构建深度卷积神经模型的步骤：根据广告库中的各广告图片，采用卷积神经网络算法构建卷积神经网络分析模型。
例如，可以将图片点击倾向模型(是一种卷积神经网络分析模型，作用是分析图片点击倾向)应用于评估信息流上的图片质量评估。通过端到端对图片像素到后验点击效果进行建模，模型可以输入图片二进制文件，输出预估的质量分。经过线下模型评估，质量分与网民对图片的点击与否有较强的相关度。质量分高，则网民点击图片的概率高。如图5所示，深度卷积神经网络模型的建模可以包括softmax函数、fc函数、conv函数以及运算等。
上述步骤s202至步骤s203对应实施例一的步骤s102。
s204，获取广告投放的业务领域。
一则广告不可能对每一个业务领域均适用，每一则广告都有其投放的特定的业务领域，因此，本发明实施例在确定了标题的话术因素和图片的质量因素后，还需要进一步筛选，保留与投放的业务领域相关的广告物料。
s205，采用机器翻译方法翻译所述广告投放的业务领域，以获得所述广告投放的扩展业务领域。
下面参照如图6所示的示例介绍机器翻译的过程。如图6所示，关键词为“儿童好习惯培养”在机器翻译时，首先对输入用户设定的关键词“如何培养孩子的良好习惯”，进行分词获得“如何”、“培养”、“孩子”、“的”、“良好”、“习惯”这些词汇。然后根据双向循环神经网络算法对以上词汇进行语义分析，获得与分词相关的翻译结果“儿童”、“好”、“习惯”、“培养”。可见机器翻译方法可以对词汇进行精准的提取与扩展，本发明实施例为能够多提供一些广告创意。采用机器翻译方法对业务领域进行扩展，例如，对客户设定的关键词为“怎样美白”一词进行翻译可以得到“美白”或“美容”等词汇。
s206，根据所述广告投放的扩展业务领域、各广告物料的效果指标和影响各广告物料的点击率的因素，在广告库中确定出推荐的广告物料。
具体地，可以根据扩展的业务领域，筛选出符合效果指标，且标题包含有话术因素、图片包含有质量因素的广告物料，推荐给用户。
例如，广告的基本元素包括受众定向、标题、创意等几个部分。使用推荐系统和机器翻译模型针对客户(例如广告主)已经设定的关键词来拓展与其业务紧密相关的流量，推荐系统能尽可能多的召回业务相关的关键词，而机器翻译模型能够联想和生成更多精准的关键词。通过流量预估、相关性模型和竞争数据能够保留那些流量更大更精准且价格较低的关键词并推荐给客户。与关键词推荐类似，在生成推荐标题时，使用检索系统和机器翻译模型，在保证业务相关性的同时，推荐给客户更高质量的创意候选，使客户不必绞尽脑汁的思考创意的编写。
上述步骤s204至步骤s206对应实施例一的步骤s103。
本发明实施例通过对广告投放的业务领域进行机器翻译，得到扩展的业务领域，然后根据所述广告投放的扩展业务领域、各广告物料的效果指标和影响各广告物料的点击率的因素确定出推荐的广告物料，这样在保证广告物料与广告投放对象相关的同时，提供更多的创意。
进一步地，支持信息流广告物料在展现、点击、转化等各个环节的质量评估及问题分析，能够披露数据给广告主优化物料，同时可供其他客户优化算法调用来进行推荐的排序剪枝和评价。
进一步地，为了给客户提供更多优质的广告关键词、标题和图片等推荐的广告物料，节省客户在撰写创意时的时间，结合物料质量评估模型来进行排序和剪枝，能够为客户推荐高质量的广告物料。
实施例三
如图7所示，为本发明实施例的广告物料推荐方法的系统架构示意图。本发明实施例在具体实施时，可以通过四层架构来实现，这四层架构包括数据层、系统层、算法层和产品层。
其中数据层可以包括上文所述的广告库，其中包括广告曝光日志、广告标题库、新闻标题库和图片素材库。其中广告曝光日志中记录了广告展现次数与效果数据。
系统层可以包括数据接口，数据接口的作用包括在数据层和算法层进行数据传递。数据层可以采用传统的一些产品，例如采用百度的远程程序调用(remoteprocedurecall，rpc)框架作为接口。
算法层，用于根据广告投放对象确定各广告物料的效果指标，以及确定影响广告库中的各广告物料的点击率的因素，如标题话术因素和图片质量因素，然后确定推荐优质物料，并分析营销策略。
产品层，用于在当用户推荐物料后，同时根据披露的信息，例如效果指标，用户可以进行账户诊断，如确定广告意图是否存在偏差，以及根据披露的信息确定广告投放对象和广告物料；用户还可以在推荐的物料中选取优选创意，还根据预测的流量分析流量流失的原因，以对广告投放进行优化。
本发明的技术方案根据广告投放对象确定各广告物料的效果指标和影响广告库中的各广告物料的点击率的因素，然后根据各广告物料的效果指标和影响各广告物料的点击率的因素，从广告库中确定出推荐的广告物料，从效果指标和影响点击率的因素等多个维度对广告物料进行分析，然后实现自动推荐广告物料。
本发明使用了深度神经网络技术、海量日志回放以及协同过滤等人工智能和机器学习领域的新技术来准确的评估广告物料质量、进行曝光漏斗的预估和分析、自动生成和推荐适合广告主的投放关键词以及优质创意，对广告曝光、点击获取再到实际的转化的全流程进行分阶段的评估和推荐，让客户或客服能知道当前广告物料的问题所在以及优化方向，帮助他们优化投放效果。
实施例四
如图8所示，为本发明实施例的广告物料推荐装置的示意图。该广告物料推荐装置包括：
第一确定模块81，用于根据广告投放对象确定各广告物料的效果指标；
第二确定模块82，用于确定影响广告库中的各广告物料的点击率的因素；
推荐模块83，用于根据各广告物料的效果指标和影响各广告物料的点击率的因素，从广告库中确定出推荐的广告物料。
本发明实施例的有益效果与实施例一相同，在此不再赘述。
实施例五
如图9所示，为本发明实施例的广告物料推荐装置的示意图。
其中，所述广告物料包括广告标题和广告图片，所述效果指标包括竞争激烈度、受众覆盖度和受众相关度中的至少一种。
进一步地，所述第二确定模块82包括：
第一确定子模块821，用于根据循环神经网络分析模型对广告库中的各广告标题进行分析，确定各广告标题中影响广告点击率的话术因素；
第二确定子模块822，用于根据深度卷积神经模型对广告库中的各广告图片进行分析，确定各广告图片中影响广告点击率的质量因素。
进一步地，所述第二确定模块82还包括：
第一分析子模块823，用于根据循环神经网络分析模型对广告库中的各广告标题进行分析，确定各广告标题中影响广告点击率的话术因素之前，根据广告库中的各广告标题，采用循环神经网络算法构建循环神经网络分析模型。
进一步地，所述第二确定模块82还包括：
第二分析子模块824，根据深度卷积神经模型对广告库中的各广告图片进行分析，确定各广告图片影响广告点击率的质量因素之前，根据广告库中的各广告图片，采用卷积神经网络算法构建卷积神经网络分析模型。
进一步地，所述推荐模块83包括：
获取子模块831，用于获取广告投放的业务领域；
扩展子模块832，用于采用机器翻译方法翻译所述广告投放的业务领域，以获得所述广告投放的扩展业务领域；
推荐子模块833，用于根据所述广告投放的扩展业务领域、各广告物料的效果指标和影响各广告物料的点击率的因素，在广告库中确定出推荐的广告物料；
实施例六
本发明实施例五提供一种信息分类设备，如图10所示，该设备包括：存储器101和处理器102，存储器101内存储有可在处理器102上运行的计算机程序。处理器102执行所述计算机程序时实现上述实施例中的信息分类方法。存储器101和处理器102的数量可以为一个或多个。
该设备还包括：
通信接口103，用于存储器101和处理器102与外部设备之间的通信。
存储器101可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
如果存储器101、处理器102和通信接口103独立实现，则存储器101、处理器102和通信接口103可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(isa，industrystandardarchitecture)总线、外部设备互连(pci，peripheralcomponent)总线或扩展工业标准体系结构(eisa，extendedindustrystandardcomponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器101、处理器102及通信接口103集成在一块芯片上，则存储器101、处理器101及通信接口103可以通过内部接口完成相互间的通信。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
本发明实施例所述的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或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(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，以及便携式只读存储器(cdrom)。另外，计算机可读存储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。
在本发明实施例中，计算机可读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、传播或者传输用于指令执行系统、输入法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、射频(radiofrequency，rf)等等，或者上述的任意合适的组合。
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。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。