数据分类标识方法、装置、计算机设备及可读存储介质与流程

本发明涉及计算机技术领域，特别是涉及一种数据集合分类标识方法、装置、计算机设备及可读存储介质。

背景技术：

当前机器学习技术方兴未艾，特别是深度学习技术在产业应用领域不断扩大，而通过学习能够自主的将数据进行合理的分类标识是机器进行深度学习技术的基础之一。

现有文本分类领域中，科研网站公开的开源语料库内容主要应用于科研目的，而无法训练出产业环境所需要的相应的分类模型，而可用于训练出产业环境所需要的相应的分类模型的商用机器学习算法大多数依赖于有标识的数据库，而有标识的数据库却建立在大量的人力采用人工方式收集并标识的基础之上，有标识的数据库越大，需要的人力成本越高，而采用较小的有标识数据库却无法保证训练出来的分类模型具有足够的精度和鲁棒性。

可见现有技术中，产业环境相应的分类模型存在着成本高、分类标识精度以及鲁棒性低的技术缺陷，无法满足当前机器分类标识的需求。

技术实现要素：

本发明实施例提供一种数据集合分类标识方法，使得机器能够根据现有的少量有标识的样本数据就能准确有效的将给出的待分类标识数据进行分类标识。相比于现有技术，本发明实施例提供的方法鲁棒性更高，且分类标识的结果更加精确。

本发明实施例提供一种数据集合分类标识方法，所述方法包括以下步骤：

获取待分类数据集合，所述待分类数据集合包括多个待分类数据；

通过分裂层次聚类算法将所述待分类数据集合分为多个待分类数据簇，每个所述待分类数据簇中的待分类数据的向量与所述待分类数据簇的中心向量之间的距离小于簇最大边界值，所述簇最大边界值由样本数据集合确定；

判断所述待分类数据簇中的第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离是否小于集合最大边界值，所述集合最大边界值由样本数据集合确定，所述样本数据集合包括多个样本数据簇，所述样本数据簇包括多个样本数据，每个样本数据簇对应一个分类标识；

当判断所述第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离大于或者等于集合最大边界值时，将所述第一待分类数据簇丢弃；

当判断所述第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离小于集合最大边界值时，根据所述第一待分类数据簇的中心向量与各样本数据簇的中心向量之间的距离确定与所述第一待分类数据簇关联性最大的分类标识；

用与所述第一待分类数据簇关联性最大的分类标识对所述第一待分类数据簇中的待分类数据进行标识。

本发明实施例还提供一种数据集合分类标识装置，所述数据集合分类标识装置包括：

待分类数据集合获取单元，用于获取待分类数据集合，所述待分类数据集合包括多个待分类数据；

待分类数据簇生成单元，用于通过分裂层次聚类算法将所述待分类数据集合分为多个待分类数据簇，每个所述待分类数据簇中的待分类数据的向量与所述待分类数据簇的中心向量之间的距离小于簇最大边界值，所述簇最大边界值由样本数据集合确定；

第一待分类数据簇判断单元，用于判断所述待分类数据簇中的第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离是否小于集合最大边界值，所述集合最大边界值由样本数据集合确定，所述样本数据集合包括多个样本数据簇，所述样本数据簇包括多个样本数据，每个样本数据簇对应一个分类标识；

无效待分类数据簇丢弃单元，用于当判断所述第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离大于或者等于集合最大边界值时，将所述第一待分类数据簇丢弃；

有效待分类数据簇确定单元，用于当判断所述第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离小于集合最大边界值时，根据所述第一待分类数据簇的中心向量与各样本数据簇的中心向量之间的距离确定与所述第一待分类数据簇关联性最大的分类标识；以及

有效待分类数据簇分类标识单元，用于用与所述第一待分类数据簇关联性最大的分类标识对所述第一待分类数据簇中的待分类数据进行标识。

本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述的数据集合分类标识方法的步骤。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述的数据集合分类标识方法的步骤

本发明实施例提供的数据集合分类标识方法，首先通过分裂层次聚类算法将大量的待分类数据进行初步处理生成多个待分类数据簇，在此过程中结合并利用样本数据集合的特征信息如集合最大边界值、簇最大边界值等，使得初步处理的待分类数据簇有着与样本数据集合相似的特征信息，并能够快速而准确的丢弃与样本数据集合无关联性的无效数据，极大地提高了分类标识的效率，其次通过样本数据集合的内部聚集特征建立分类模型，并进一步的将待分类数据簇通过分类模型进行分类标识，利用样本数据集合的内部聚集特征建立的分离模型，具有更高的准确性及鲁棒性，使得最后的分类标识结果更加准确。

附图说明

图1为本发明实施例提供的一种数据集合分类标识方法的整体流程图；

图2为本发明实施例提供的一种由样本数据集合确定簇最大边界值的流程图；

图3为本发明实施例提供的一种通过分裂层次聚类算法将待分类数据集合分为多个待分类数据簇的流程图；

图4为本发明实施例提供的一种由样本数据集合确定集合最大边界值的流程图；

图5为本发明实施例提供的一种根据第一待分类数据簇的中心向量与各样本数据簇的中心向量之间的距离确定与所述第一待分类数据簇关联性最大的分类标识的流程图；

图6为本发明又一种实施例提供的一种数据集合分类标识方法的流程图；

图7为本发明实施例提供的一种数据集合分类标识装置的结构示意图。

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。

本发明实施例中，应当注意的是，数据集合分类标识方法不仅仅只适用于对纯数据集合进行分类标识，而是针对于所有能够通过现有计算机技术转化为多维数据的信息，包括且不限于文本、音频以及图像信息。

在本发明实施例中，数据集合分类标识方法可以应用于终端中；计算机设备，计算机设备可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和cdn等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。

本发明实施例根据当前现有技术中依赖于少量有标识数据库建立的分类模型存在的精确度以及鲁棒性不高的技术缺陷，通过对提供的少量样本数据集合进行特征分析，并将特征信息结合到待分类数据集合中，充分挖掘了样本数据的监督作用，提高了机器进行分类标识的效率与准确性，本发明实施例还通过分裂层次聚类算法将大量的待分类数据进行处理生成多个待分类数据簇，相比于处理大量的单个的待分类数据，处理待分类数据簇更加方便，而且待分类数据簇比单个待分类数据包含的特征信息更加全面，进一步提高了机器进行分类标识的准确性。

图1示出了本发明实施例提供一种数据集合分类标识方法的整体流程图，详述如下。

步骤s101，获取待分类数据集合。

本发明实施例中，待分类数据集合包含多个待分类数据。

步骤s102，通过分裂层次聚类算法将所述待分类数据集合分为多个待分类数据簇。

在本发明实施例中，所述任一待分类数据簇中的待分类数据的向量与所述待分类数据簇的中心向量之间的距离小于簇最大边界值。

在本发明实施例中，所述簇最大边界值由样本数据集合确定，属于样本数据集合的特征信息之一。

在本发明实施例中，将待分类数据簇的大小限定在样本数据集合中样本数据簇的大小之内，使得待分类数据簇初步相似于样本数据簇，充分利用样本数据集合的特征信息，提高了待分类数据的分类准确性。

在本发明实施例中，所述分裂层次聚类算法属于层次聚类算法的一种，层次聚类算法还包括有凝聚层次聚类算法。事实上，两种层次聚类算法都可以实现将待分类数据集合分为多个待分类数据簇，而分裂层次算法更加适应本技术方案。采用分裂层次算法生成的待分类数据簇更加接近于样本数据簇的特征信息。

在本发明实施例中，所述分裂层次聚类算法有多种可行性算法，包括diana算法（divisiveanalysis，一种常见的分裂层次聚类算法），2-means算法（二均值算法）以及gradhc算法（gra-baseddivisivehierarchicalclustering，一种基于灰关联分析的分裂层次聚类算法）。其中优选diana算法，使用diana算法处理的流程更加简单，效率更高，且分类效果更佳，适用于绝大多数分类标识场景。

步骤s103，判断所述待分类数据簇中的第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离是否小于集合最大边界值。

在本发明实施例中，所述集合最大边界值由样本数据集合确定，属于样本数据集合的特征信息之一。

在本发明实施例中，每一个待分类数据簇都需要执行一次步骤s103。

在本发明实施例中，限定了与样本数据集合关联的最大边界值，能够将与样本数据集合距离较远，即关联性越弱的待分类数据簇整体丢弃，极大地提高了处理效率，此外将待分类数据簇作为一个整体，即使单个待分类数据出现错误时，对整个待分类数据簇的影响较小，因此，本申请文件公开的分类标识方法鲁棒性更高，更加稳定。

在本发明实施例中，当判断所述待分类数据簇中的第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离大于或者等于集合最大边界值时，则进入步骤s104；当判断所述待分类数据簇中的第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离小于集合最大边界值时，则进入步骤s105。

步骤s104，将所述第一待分类数据簇丢弃。

在本发明实施例中，将所述第一待分类数据簇作为一个整体处理，提高了处理的效率。

步骤s105，根据所述第一待分类数据簇的中心向量与各样本数据簇的中心向量之间的距离确定与所述第一待分类数据簇关联性最大的分类标识。

在本发明实施例中，同样的，待分类数据簇作为一个整体处理，提高了处理的效率，此外，待分类数据簇相比于单个样本数据包含的信息更加丰富全面，因此在进行分类标识时，准确性更好，分类标识的效果更佳。

步骤s106，用与所述第一待分类数据簇关联性最大的分类标识对所述第一待分类数据簇中的待分类数据进行标识。

本发明实施例提供的数据集合分类标识方法，首先通过分裂层次聚类算法将大量的待分类数据进行初步处理生成多个待分类数据簇，在此过程中结合并利用样本数据集合的特征信息如集合最大边界值、簇最大边界值等，使得初步处理的待分类数据簇有着与样本数据集合相似的特征信息，并能够快速而准确的丢弃与样本数据集合无关联性的无效数据，极大地提高了分类标识的效率，其次通过样本数据集合的内部聚集特征建立分类模型，并进一步的将待分类数据簇通过分类模型进行分类标识，利用样本数据集合的内部聚集特征建立的分离模型，具有更高的准确性及鲁棒性，使得最后的分类标识结果更加准确。

图2示出了本发明实施例提供的一种由样本数据集合确定簇最大边界值的流程图，详述如下。

步骤s201，计算所述各样本数据簇内样本数据的向量与所述样本数据簇的中心向量之间的距离。

步骤s202，将所述与所述样本数据簇的中心向量之间的距离最大的距离值记为所述样本数据簇的簇边界值。

步骤s203，计算所述各样本数据簇的簇边界值的平均值。

本发明实施例中，所述各样本数据簇的簇边界值的平均值即为簇最大边界值。

图3示出了本发明实施例提供的一种通过分裂层次聚类算法将待分类数据集合分为多个待分类数据簇的流程图，详述如下。

步骤s301，计算所述待分类数据集合内待分类数据的向量两两之间的距离。

步骤s302，根据所述待分类数据集合内各待分类数据与所述距离最大的两个待分类数据之间的距离大小关系，将所述待分类数据集合分为两个待分类数据中间簇。

步骤s303，判断所述待分类数据中间簇内是否存在第一待分类数据中间簇。

在本发明实施例中，所述第一待分类数据中间簇内存在待分类数据的向量与所述第一待分类数据中间簇的中心向量之间的距离大于或者等于簇最大边界值，即所述第一待分类数据中间簇不符合由样本数据簇限定的标准。

在本发明实施例中，当判断所述待分类数据中间簇内不存在所述第一待分类数据中间簇时，执行步骤s304；当判断所述待分类数据中间簇内存在所述第一待分类数据中间簇时，执行步骤s305。

步骤s304，输出所述待分类数据中间簇。

在本发明实施例中，当判断所述待分类数据中间簇内不存在所述第一待分类数据中间簇时，即所有待分类数据中间簇均符合由样本数据簇限定的标准时，所述所有待分类数据中间簇即为符合要求的多个数据中间簇。

步骤s305，计算所述第一待分类数据中间簇内待分类数据的向量两两之间的距离。

在本发明实施例中，当判断所述待分类数据中间簇内存在所述第一待分类数据中间簇时，即存在待分类数据中间簇不符合由样本数据簇限定的标准时，需要对所述不符合标准的待分类数据中间簇进行进一步的处理。

步骤s306，根据所述第一待分类数据中间簇内各待分类数据与所述距离最大的两个待分类数据之间的距离大小关系，将所述第一待分类数据中间簇内分为两个新的待分类数据中间簇，并返回步骤s303。

在本发明实施例中，可以看出，所述对所述第一待分类数据中间簇进行进一步的处理步骤与前述步骤s301、s302给出的对待分类数据集合进行处理的步骤相同。

图4示出了本发明实施例提供的一种由样本数据集合确定集合最大边界值的流程图，详述如下。

步骤s401，计算所述样本数据集合中每个样本数据的向量与样本数据集合的中心向量之间的距离。

步骤s402，将所述所有距离中的最大值确定为集合最大边界值。

在本发明实施例中，所述集合最大边界值属于样本数据集合的特征信息之一，限定了与样本数据集合关联的最大边界值，对于超过了所述最大边界值的待分类数据视为与所述样本数据集合关联较小或者无关联。

图5示出了本发明实施例提供的一种根据第一待分类数据簇的中心向量与各样本数据簇的中心向量之间的距离确定与所述第一待分类数据簇关联性最大的分类标识的流程图，详述如下。

步骤s501，计算所述样本数据集合中各样本数据的向量与各样本数据簇的中心向量之间的距离。

步骤s502，将所述样本数据的向量到各样本数据簇的中心向量之间的距离按照预设的顺序排序，并根据预设的归一化处理方式生成样本输入特征向量。

在本发明实施例中，所述归一化处理包括离差标准化、z-score标准化方式。其中，优选z-score标准化，利用z-score标准化处理的数据符合标准正态分布，生成的样本输入特征向量更具有代表性。

步骤s503，根据所述各样本数据对应的样本输入特征向量与对应的分类标识利用机器学习算法建立分类模型。

在本发明实施例中，所述机器学习算法包括cnn（convolutionneuralnetwork，卷积神经网络）、dnn（deepneuralnetwork，深度神经网络）以及rnn（recurrentneuralnetwork，循环神经网络）等，在所述机器学习算法中，cnn、dnn、rnn有着各自的优势，用户可以根据需求自由选择。

在本发明实施例中，所述步骤s501、s502以及s503用于根据样本数据集合确定分类模型。其中所述分类模型的确定依赖于所有的样本数据，因此，极大程度上提高了分类模型的准确性，同时在确定分类模型的过程里，利用归一化处理以及机器学习算法，将离散的样本输入特征向量与分类标识的对应关系合理有效的扩充为连续的样本输出特征向量与分类标识的对应关系。

步骤s504，计算所述第一待分类数据簇的中心向量与各样本数据簇的中心向量之间的距离。

步骤s505，将所述第一待分类数据簇的中心向量到各样本数据簇的中心向量之间的距离按照预设的顺序排序，并根据预设的归一化处理方式生成簇输入特征向量。

在本发明实施例中，采取的归一化处理方式与前述步骤s502使用的归一化处理方式相同。

步骤s506，根据所述分类模型确定与所述第一待分类数据簇关联性最大的分类标识。

在本发明实施例中，所述步骤s504、s505以及s506用于根据前述步骤s501、s502、s503确定的分类模型对第一待分类数据簇进行分类。

在本发明实施例中，对第一待分类数据簇进行分类，相比于对单个待分类数据一一进行分类，既极大地提高了分类的效率，同时分类的鲁棒性更高，即使所述第一待分类数据簇中单个数据出现异常，对整个第一待分类数据簇的整体影响却较小，此外，待分类数据簇中包含的特征信息更加全面、广泛，在进行分类时更加准确。

在本发明实施例中，通过建立更加标准的分类模型以及采用更加合理的分类方式，从样本数据集合以及待分类数据集合两者本身同时对分类改进，共同提高了分类的效率、准确率以及鲁棒性。

图6示出本发明又一种实施例提供的一种数据集合分类标识方法的流程图，详述如下。

本发明实施例中，所述图6示出的数据集合分类标识方法与所述图1示出的数据集合分类标识方法其不同之处在于，所述图6示出的又一种实施例提供的一种数据集合分类标识方法还包括：

步骤s601，根据所述第一待分类数据簇的各待分类数据的向量与各样本数据簇的中心向量之间的距离确定与所述待分类数据关联性最大的分类标识。

本发明提供的又一种实施例中，还对第一待分类数据簇的各待分类数据单独进行分类标识。

步骤s602，根据所述与所述第一待分类数据簇中的各待分类数据关联性最大的分类标识以及与所述第一待分类数据簇关联性最大的分类标识确定第一分类准确率。

在本发明实施例中，将第一待分类数据簇的各待分类数据单独进行分类标识的结果与作为第一待分类数据簇的整体进行分类标识的结果相比较，确定第一分类准确率。以下述为例：

所述第一待分类数据簇内包含有100个待分类数据，与所述第一待分类数据簇对应的分类标识为a。而与所述第一待分类数据簇内各待分类数据对应的分类标识可能为a或者b或者c，若100个待分类数据中有96个待分类数据对应的分类标识为a，有3个待分类数据对应的分类标识为b，有1个待分类数据对应的分类标识为c，则所述第一分类准确率为96%。

在本发明实施例中，第一分类准确率初步明了反应出分类标识的准确率。

步骤s603，用所述第一待分类数据簇替换样本数据集合中相同分类标识对应的样品数据簇，生成样品数据簇以及新样本数据集合。

在本发明实施例中，将所述第一待分类数据簇与样本数据集合中相同分类标识对应的样品数据簇进行替换，用于检验第一待分类数据簇与样本数据集合中相同分类标识对应的样品数据簇之间的等效性。

步骤s604，根据所述样品数据簇的各样品数据的向量与新样本数据集合中的各样本数据簇的中心向量之间的距离确定与所述样品数据关联性最大的分类标识。

在本发明实施例中，与前述步骤s601、s602相似，确定样本数据簇内各样本数据以及样本数据簇在所述由第一待分类数据簇重新生成的新样本数据集合下对应的分类标识。

步骤s605，根据所述与所述样本数据簇中的各样品数据关联性最大的分类标识以及与所述样本数据簇对应的分类标识确定第二分类准确率。

在本发明实施例中，所述第二分类准确率用于表征第一待分类数据簇与样本数据集合中相同分类标识对应的样品数据簇之间的等效性。

步骤s606，将所述第一分类准确率与所述第二分类准确率根据预设的加权方式求加权平均值，并判断所述加权平均值是否大于预设的阈值。

在本发明实施例中，通过正向检测以及利用替换进行反向检测，双向的验证分类结果的准确率，对分类结果进行把关，保证了待分类数据最终分类标识结果的质量。

本发明实施例中，所述第一分类准确率能够更加直接明了的表明分类标识结果的准确性，所述第二分类准确率则对一些较为特殊的数据较敏感，用户可根据自身需要设定加权方式，一般的，优选第一分类准确率的权重稍大于第二分类准确率的权重。

在本发明实施例中，若判断所述加权平均值大于预设的阈值，则执行步骤s607；若判断所述加权平均值不大于预设的阈值，则执行步骤s608.

步骤s607，将所述第一待分类数据簇加入到对应相同分类标识的样本数据簇中形成新的样本数据簇。

本发明实施例中，当判断所述加权平均值大于预设的阈值时，则说明所述待分类数据簇与样本数据簇可以等效替换。

本发明实施例中，优选的，将所述第一待分类数据簇加入到对应相同分类标识的样本数据簇中形成新的样本数据簇，用于提高样本数据集合的大小。

步骤s608，将所述第一待分类数据簇删除。

本发明实施例中，当判断所述加权平均值大于预设的阈值时，则说明分类标识的结果有真实结果可能存在较大误差，应当及时删去所述第一待分类数据簇，避免对后续产生影响。

图7示出了本发明实施例的一种数据集合分类标识装置的结构示意图，为了便于说明，仅示出了于本发明实施例相关的部分。

所述数据集合分类标识装置包括：

待分类数据集合获取单元701，用于获取待分类数据集合，所述待分类数据集合包括多个待分类数据。

待分类数据簇生成单元702，用于通过分裂层次聚类算法将所述待分类数据集合分为多个待分类数据簇，每个所述待分类数据簇中的待分类数据的向量与所述待分类数据簇的中心向量之间的距离小于簇最大边界值，所述簇最大边界值由样本数据集合确定。

第一待分类数据簇判断单元703，用于判断所述待分类数据簇中的第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离是否小于集合最大边界值，所述集合最大边界值由样本数据集合确定，所述样本数据集合包括多个样本数据簇，所述样本数据簇包括多个样本数据，每个样本数据簇对应一个分类标识。

无效待分类数据簇丢弃单元704，用于当判断所述第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离大于或者等于集合最大边界值时，将所述待分类数据簇丢弃

有效待分类数据簇确定单元705，用于当判断所述第一待分类数据簇的中心向量与样本数据集合的中心向量之间的距离小于集合最大边界值时，根据所述第一待分类数据簇的中心向量与各样本数据簇的中心向量之间的距离确定与所述第一待分类数据簇关联性最大的分类标识。以及

有效待分类数据簇分类标识单元706，用于用与所述第一待分类数据簇关联性最大的分类标识对所述第一待分类数据簇中的待分类数据进行标识。

本发明实施例提供的数据集合分类标识方法，首先通过分裂层次聚类算法将大量的待分类数据进行初步处理生成多个待分类数据簇，在此过程中结合并利用样本数据集合的特征信息如集合最大边界值、簇最大边界值等，使得初步处理的待分类数据簇有着与样本数据集合相似的特征信息，并能够快速而准确的丢弃与样本数据集合无关联性的无效数据，极大地提高了分类标识的效率，其次通过样本数据集合的内部聚集特征建立分类模型，并进一步的将待分类数据簇通过分类模型进行分类标识，利用样本数据集合的内部聚集特征建立的分离模型，具有更高的准确性及鲁棒性，使得最后的分类标识结果更加准确。

本发明实施例提供一种计算机装置，该计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现上述图1至图6所示出的实施例所提供的数据集合分类标识方法的步骤。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。例如，计算机程序可以被分割成上述各个方法实施例提供的数据集合分类标识方法的步骤。

本领域技术人员可以理解，上述计算机装置的描述仅仅是示例，并不构成对计算机装置的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smartmediacard,smc），安全数字（securedigital,sd）卡，闪存卡（flashcard）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、电载波信号、电信号以及软件分发介质等。

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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。