标识转换方法、装置和计算机可读存储介质与流程

本发明涉及数据处理领域，特别涉及一种标识转换方法、装置和计算机可读存储介质。

背景技术：

物联网的发展需要解决两个基本问题：一个是万物互联的通信技术问题；另一个是联网物体的价值发现问题。而第二个问题是物联网发展的核心，即为什么万物互联，或是万物互联能产生什么价值。智能制造、工业互联网是物联网较为重要的组成部分，并且随着世界经济格局的变化越来越受到各国的重视，以中、美、德为代表的世界重要经济体都在该领域加大投入，期望利用先进技术改善传统制造业，提升生产效率，提升本国的基础制造业竞争力。

未来工业互联网关键技术及应用方向之一，如智能制造所涉及的各类割裂数据的理解及应用。而要理解数据，就要对数据的来源、流动过程、用途等进行了解掌握。目前，有望满足这个任务之一的是标识解析技术。因此，目前在工业互联网的各参与方中，标识解析技术越来越受到重视。

标识可以理解为用于识别不同物品、实体、物联网对象的名称标记，可以是由数字、字母、符号、文字等以一定的规则组成的字符串。目前主流的标识技术有handle(名称服务系统)、oid(objectidentifier，对象标识符)、ecode(entitycodeforiot，国家物联网标识体系)、epc(electronicproductcode，电子产品代码)、ucode(电子标签)等，分别由不同的组织机构提出，其出发点都是面向物品对象、数字对象等进行唯一标记及提供信息查询的功能，进而发展成一种底层的信息架构。

当前的标识解析技术，通过相应协议，可以找到相应的物品。在具体的业务应用中，如溯源、追溯等，就能获得物品当前的状态，进一步满足相关管理等的需求。

但由于存在不同的标识解析技术体系，因此在各个体系之间的应用存在难题；同时，标识技术一般只规定编码，对物品所对应的信息理解及应用支持不足；此外，互联网上的语义表达，与各行业的语义表达不同，行业之间针对同一物品的语义表达也不同。因此，相关技术中的标识解析技术难以对不同标识体系下的同一对象进行关联。

技术实现要素：

本发明实施例所要解决的一个技术问题是：如何对不同标识体系下的同一对象进行关联。

根据本发明一些实施例的第一个方面，提供一种标识转换方法，包括：根据第一标识所属的第一标识体系的转换规则，获得第一标识中的关键词；根据预先建立的语义标识体系，将第一标识转换为语义标识，其中，第一标识对应的语义标识包括第一标识中的每个关键词所属的主题词，语义标识体系中的每个标识包括一个或多个标识字段，每个标识字段对应一个或多个主题词；获得语义标识对应的第二标识，其中，第二标识属于第二标识体系；建立第一标识和第二标识之间的映射关系。

在一些实施例中，获得语义标识对应的第二标识包括：根据第二标识所属的第二标识体系的转换规则，获得第二标识中的关键词；根据预先建立的语义标识体系，将第二标识转换为语义标识，其中，第二标识对应的语义标识包括第二标识中的每个关键词所属的主题词。

在一些实施例中，语义标识体系包括每个类别下的主题分布信息和每个主题下的词语分布信息；根据预先建立的语义标识体系，将第一标识转换为语义标识包括：根据第一标识的类别下的主题分布信息和每个主题下的词语分布信息，确定第一标识中的每个关键词所属的主题词；基于第一标识中的每个关键词所属的主题词构建语义标识。

在一些实施例中，标识转换方法还包括：将文本库中的文本映射到向量空间、生成文本特征数据，其中，向量空间的特征项包括文本库中的词语，特征项的值为词语的权重；采用预先训练的分类模型预测文本特征数据的类别，获得文本库中文本的类别；对文本库中同一类别的文本进行主题分析，获得语义标识体系中同一类别下的主题分布信息和每个主题下的词语分布信息。

在一些实施例中，标识转换方法还包括：采用训练文本中的词语作为特征项构建向量空间，其中，每个特征项具有权重，每个训练文本具有预先标记的类别；将训练文本映射到向量空间，生成训练数据；采用训练数据和训练数据对应的预先标记的类别训练机器学习模型，获得分类模型。

在一些实施例中，训练文本为标准描述文本，标准描述文本包括物联网文本；标识转换方法还包括：对补充描述文本进行主题分析，构建包括补充描述文本中的主题的关键特征集，其中，补充描述文本包括互联网文本；提高向量空间中属于关键特征集的特征项的权重。

在一些实施例中，对补充描述文本进行主题分析，构建包括补充描述文本中的主题的关键特征集包括：对训练文本和补充描述文本进行主题分析，获得训练文本和补充描述文本中的主题和每个主题下的词语，以及训练文本和补充描述文本中每个词语的分布信息；从标准描述文本中提取分类关键词；采用补充描述文本中分布信息与分类关键词的分布信息的差距在预设程度内的词语、以及分类关键词构建关键特征集。

在一些实施例中，标识转换方法还包括：根据关键特征集中的词语所属的主题，将关键特征集中的词语添加到语义标识体系中的相应主题序列中，其中，所述主题序列表示一个或多个主题以及相应主题下的词语的关系集合。

根据本发明一些实施例的第二个方面，提供一种语义标识转换装置，包括：第一标识关键词获得模块，被配置为根据第一标识所属的第一标识体系的转换规则，获得第一标识中的关键词；语义标识转换模块，被配置为根据预先建立的语义标识体系，将第一标识转换为语义标识，其中，第一标识对应的语义标识包括第一标识中的每个关键词所属的主题词，语义标识体系中的每个标识包括一个或多个标识字段，每个标识字段对应一个或多个主题词；第二标识获得模块，被配置为获得语义标识对应的第二标识，其中，第二标识属于第二标识体系；映射关系建立模块，被配置为建立第一标识和第二标识之间的映射关系。

在一些实施例中，第二标识获得模块进一步被配置为根据第二标识所属的第二标识体系的转换规则，获得第二标识中的关键词；根据预先建立的语义标识体系，将第二标识转换为语义标识，其中，第二标识对应的语义标识包括第二标识中的每个关键词所属的主题词。

在一些实施例中，语义标识体系包括每个类别下的主题分布信息和每个主题下的词语分布信息；语义标识转换模块进一步被配置为根据第一标识的类别下的主题分布信息和每个主题下的词语分布信息，确定第一标识中的每个关键词所属的主题词；基于第一标识中的每个关键词所属的主题词构建语义标识。

在一些实施例中，标识转换装置还包括：语义标识体系构建模块，被配置为将文本库中的文本映射到向量空间、生成文本特征数据，其中，向量空间的特征项包括文本库中的词语，特征项的值为词语的权重；采用预先训练的分类模型预测文本特征数据的类别，获得文本库中文本的类别；对文本库中同一类别的文本进行主题分析，获得语义标识体系中同一类别下的主题分布信息和每个主题下的词语分布信息。

在一些实施例中，标识转换装置还包括：分类模型训练模块，被配置为采用训练文本中的词语作为特征项构建向量空间，其中，每个特征项具有权重，每个训练文本具有预先标记的类别；将训练文本映射到向量空间，生成训练数据；采用训练数据和训练数据对应的预先标记的类别训练机器学习模型，获得分类模型。

在一些实施例中，训练文本为标准描述文本，标准描述文本包括物联网文本；标识转换装置还包括：特征项权重更新模块，被配置为对补充描述文本进行主题分析，构建包括补充描述文本中的主题的关键特征集，其中，补充描述文本包括互联网文本；提高向量空间中属于关键特征集的特征项的权重。

在一些实施例中，特征项权重更新模块进一步被配置为对训练文本和补充描述文本进行主题分析，获得训练文本和补充描述文本中的主题和每个主题下的词语，以及训练文本和补充描述文本中每个词语的分布信息；从标准描述文本中提取分类关键词；采用补充描述文本中分布信息与分类关键词的分布信息的差距在预设程度内的词语、以及分类关键词构建关键特征集。

在一些实施例中，标识转换装置还包括：语义标识体系扩充模块，被配置为根据关键特征集中的词语所属的主题，将关键特征集中的词语添加到语义标识体系中的相应主题序列中，其中，所述主题序列表示一个或多个主题以及相应主题下的词语的关系集合。

根据本发明一些实施例的第三个方面，提供一种标识转换装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行前述任意一种标识转换方法。

根据本发明一些实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述任意一种标识转换方法。

上述发明中的一些实施例具有如下优点或有益效果：本发明的实施例可以根据第一标识和第二标识所直接对应的文本信息进行语义分析，获得第一标识对应的语义标识、以及语义标识对应的第二标识，以借助语义标识实现第一标识与第二标识的关联。从而，可以对不同标识体系下的同一对象进行关联，实现了物联网、工业互联网、互联网信息的融合，为未来的更多业务应用、人工智能应用打下了基础。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明一些实施例的标识转换方法的流程示意图。

图2为根据本发明一些实施例的语义标识转换方法的流程示意图。

图3为根据本发明一些实施例的语义标识体系构建方法的流程示意图。

图4为根据本发明一些实施例的分类模型训练方法的流程示意图。

图5为根据本发明一些实施例的向量空间构建方法的流程示意图。

图6为根据本发明一些实施例的关键特征集构建方法的流程示意图。

图7为根据本发明一些实施例的标识转换装置的结构示意图。

图8为根据本发明另一些实施例的标识转换装置的结构示意图。

图9为根据本发明又一些实施例的标识转换装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1为根据本发明一些实施例的标识转换方法的流程示意图。如图1所示，该实施例的标识转换方法包括步骤s102～s108。

在步骤s102中，根据第一标识所属的第一标识体系的转换规则，获得第一标识中的关键词。

例如，第一标识体系规定，标识的前两位代表国家码、第3～6位代表产品名称码、第7～8位代表型号码等等，并且规定了每种码中的不同数字的含义，则可以根据这些规则获得第一标识中各个码的值所对应的关键字。

在步骤s104中，根据预先建立的语义标识体系，将第一标识转换为语义标识。第一标识对应的语义标识包括第一标识中的每个关键词所属的主题词。

语义标识体系是采用自然语言表示的一种标识。语义标识体系中的每个标识包括一个或多个标识字段，每个标识字段对应一个或多个主题词。语义标识体系可以预先采用文本库中的文件进行构建。

在步骤s106中，获得语义标识对应的第二标识，其中，第二标识属于第二标识体系。

第二标识体系与第一标识体系属于不同的标识体系。将第二标识体系转换为语义标识的方法可以参考将第一标识体系转换为语义标识的方法。

在一些实施例中，可以根据第二标识所属的第二标识体系的转换规则，获得第二标识中的关键词；根据预先建立的语义标识体系，将第二标识转换为语义标识，其中，第二标识对应的语义标识包括第二标识中的每个关键词所属的主题词。

在步骤s108中，建立第一标识和第二标识之间的映射关系。通过该映射关系，可以完成不同标识体系中关于同一实体的映射。该映射关系可以包括标识或编码本身的映射关系，还可以包括标识或编码所关联的语义之间的对应关系。

第一标识体系和第二标识体系例如可以为handle、oid、ecode、epc、ucode等等，也可以泛指其他任意一种编码标识体系。本领域技术人员应当清楚，第一标识体系和第二标识体系中的“第一”、“第二”仅用于区分不同的标识体系，而不对本发明起任何限制性作用。

通过上述实施例的方法，可以根据第一标识和第二标识所直接对应的文本信息进行语义分析，获得第一标识对应的语义标识、以及语义标识对应的第二标识，以借助语义标识实现第一标识与第二标识的关联。从而，可以对不同标识体系下的同一对象进行关联，实现了物联网、工业互联网、互联网信息的融合，为未来的更多业务应用、人工智能应用打下了基础。

语义标识体系包括每个类别下的主题分布信息和每个主题下的词语分布信息。借助这些信息，可以实现第一标识或第二标识中关键字的转换过程。下面参考图2描述本发明语义标识转换方法的实施例。

图2为根据本发明一些实施例的语义标识转换方法的流程示意图。如图2所示，该实施例的语义标识转换方法包括步骤s202～s204。

在步骤s202中，根据第一标识的类别下的主题分布信息和每个主题下的词语分布信息，确定第一标识中的每个关键词所属的主题词。

在一些实施例中，分布信息是指出现概率。即，每个类别下的每个主题具有相应的出现概率，而每个主题下的每个词语也具有相应的出现概率。在确定了第一标识的类别后，例如可以查看第一标识中的关键词在该类别下的哪个主题中的出现概率最高；又例如，可以查看关键词所属的多个主题中，在该类别下出现概率最高的主题。然后可以将这些选定的主题作为语义标识的构成要素。

在步骤s204中，基于第一标识中的每个关键词所属的主题词构建语义标识。

通过上述实施例的方法，可以通过语义分析的方式确定与第一标识中的关键词关联性最强的主题，从而可以提升将第一标识转换为语义标识的准确率。

本发明可以根据采集的数据预先构建语义标识体系。下面参考图3描述本发明语义标识体系构建方法的实施例。

图3为根据本发明一些实施例的语义标识体系构建方法的流程示意图。如图3所示，该实施例的语义标识体系构建方法包括步骤s302～s306。

在步骤s302中，将文本库中的文本映射到向量空间、生成文本特征数据，其中，向量空间的特征项包括文本库中的词语，特征项的值为词语的权重。向量空间可以是预先构建的，例如可以根据训练数据预先构建，训练数据可以是文本库的子集、或者与文本库有交集。

在步骤s304中，采用预先训练的分类模型预测文本特征数据的类别，获得文本库中文本的类别。

在步骤s306中，对文本库中同一类别的文本进行主题分析，获得语义标识体系中同一类别下的主题分布信息和每个主题下的词语分布信息。进行主题分析时，例如可以采用lda(latentdirichletallocation，隐含狄利克雷主题分布)算法。

通过上述实施例的方法，可以以文本中的词语作为特征项对文本进行分类，从而可以提高文本分类的准确度，进而可以更准确地获得每个类别下的主题分布和词语分布，提高了标识转换的准确率。

在一些实施例中，还可以预先对分类模型进行训练。下面参考图4描述本发明分类模型训练方法的实施例。

图4为根据本发明一些实施例的分类模型训练方法的流程示意图。如图4所示，该实施例的分类模型训练方法包括步骤s402～s406。

在步骤s402中，采用训练文本中的词语作为特征项构建向量空间，其中，每个特征项具有权重，每个训练文本具有预先标记的类别。

在一些实施例中，可以将训练文本中的文本进行分词处理，并去除标点符号、助词、语气词等停用词，以构建词袋模型。为了进一步提高分类精度和计算效率，可以进行降维处理，例如可以采用特征选择算法。在一些实施例中，可以利用词频、信息增益、χ²统计、互信息、期望交叉熵等进行特征选择。

以根据期望交叉熵进行特征选择为例，设特征t和类别ci之间符合一阶自由度的χ²分布，则特征项词语t对于类别ci的χ²统计公式定义如公式(1)所示。

在公式(1)中，a表示包含t且属于ci的文档频数，b表示包含t但不属于ci的文档频数，c表示属于ci但是不包含t的文档频数，d表示既不属于ci也不包含t的文档频数，n表示文档总数。选取每个类别中χ²(t，ci)值在前预设百分比(例如前20～50％)的特征项，并形成新的词袋模型。从而，可以实现对词袋模型的降维处理，确定了向量空间中的特征项。

词语的权重可以是预设的，还可以根据词频信息或tf-idf等计算模型来确定。tf-idf算法的计算方法例如可以参考公式(2)。

在公式(2)中，dj为训练文本中第j个文本，ti为文本dj中的第i个特征项，tf(ti，dj)表示特征项ti在文本dj中的频数，n为文本总数，n(ti)为包含特征项ti的文本数量。然后，可以进行归一化处理，如公式(3)所示。

在公式(3)中，wij指向量空间中每个特征项的权重。m为向量空间的维度，也是特征总数。从而，获得了向量空间中每个特征项的权重。

在步骤s404中，将训练文本映射到向量空间，生成训练数据。

在步骤s406中，采用训练数据和训练数据对应的预先标记的类别训练机器学习模型，获得分类模型。

在一些实施例中，可以采用svm(supportvectormachine，支持向量机)模型。svm的泛化误差小，对噪声的敏感度较低，从而可以提高分类模型的预测准确性。

通过上述实施例的方法，可以根据训练数据预先构建向量空间并获得分类模型，从而可以提高文本分类的准确度，提高了标识转换的准确率。

在一些实施例中，训练文本可以是标准表述文本，例如物联网文本，包括产品说明书、产品规范文档等具有标准描述的文本，也可以包括互联网文本中描述标准的文本。虽然训练文本中的表述精炼、准确，但是由于互联网中的数据更为丰富，因此可以采用互联网文本数据的分析结果更新向量空间中特征项的权重。下面参考图5描述本发明向量空间构建方法的实施例。

图5为根据本发明一些实施例的向量空间构建方法的流程示意图。如图5所示，该实施例的向量空间构建方法包括步骤s502～s506。

在步骤s502中，采用训练文本中的词语作为特征项构建向量空间，其中，每个特征项具有权重，每个训练文本具有预先标记的类别。训练文本为标准描述文本，标准描述文本包括物联网文本。

在步骤s504中，对补充描述文本进行主题分析，构建包括补充描述文本中的主题的关键特征集，其中，补充描述文本包括互联网文本。关键特征集例如可以包括对补充描述文本的分类结果的影响程度较大的特征。

在步骤s506中，提高向量空间中属于关键特征集的特征项的权重。例如，可以采用公式(4)完成特征项的权重更新。

wnew＝w+λ·u(4)

在公式(4)中，wnew为更新后的特征项的权重，w为更新前的特征项的权重，u为向量空间中非零项的均值，λ为调节参数。

通过上述实施例的方法，可以借助补充描述文本对向量空间进行优化，从而提高了文本分类的准确性，进而提高了标识转换的准确率。

上述实施例的方法还可以包括步骤s508。在步骤s508中，根据关键特征集中的词语所属的主题，将关键特征集中的词语添加到语义标识体系中的相应主题序列中，其中，所述主题序列表示一个或多个主题以及相应主题下的词语的关系集合。这些主题或词语之间的关系例如可以是树状关系、网状关系等等。从而，可以采用互联网信息等补充描述文本对语义标识系统进行进一步的语义关系扩展，使得语义标识系统可以随着信息的增长而不断进行更新，提高了语义标识转换的准确性。

下面参考图6描述本发明构建关键特征集的实施例。

图6为根据本发明一些实施例的关键特征集构建方法的流程示意图。如图6所示，该实施例的关键特征集构建方法包括步骤s602～s606。

在步骤s602中，对训练文本和补充描述文本进行主题分析，获得训练文本和补充描述文本中的主题和每个主题下的词语，以及训练文本和补充描述文本中每个词语的分布信息。

在一些实施例中，可以利用lda算法对文本进行隐含主题分析，获得主题k中词汇的概率分布其中k∈[1，k]，k为主题的总个数，以及第n篇文本的主题分布θn，其中n∈[1，n]，n为文档总数。和θn服从dirichlet分布。可以采用吉布斯采样估计参数和θn，k值可借助模型的perplexity指标来确定。

在步骤s604中，从标准描述文本中提取分类关键词。分类关键词例如可以为类标签名，类标签名体现了对本类文本的归纳性描述，并且与其他类别的区分最明显。

在步骤s606中，采用补充描述文本中分布信息与分类关键词的分布信息的差距在预设程度内的词语、以及分类关键词构建关键特征集。

当两个词语的分布信息接近时，说明两个词语的含义也比较接近。从而，可以提取出对分类结果有较大影响的特征项，并提高特征项的权重，从而可以进一步提高分类的准确度。

下面参考图7描述本发明标识转换装置的实施例。

图7为根据本发明一些实施例的标识转换装置的结构示意图。如图7所示，该实施例的标识转换装置70包括：第一标识关键词获得模块710，被配置为根据第一标识所属的第一标识体系的转换规则，获得第一标识中的关键词；语义标识转换模块720，被配置为根据预先建立的语义标识体系，将第一标识转换为语义标识，其中，第一标识对应的语义标识包括第一标识中的每个关键词所属的主题词，语义标识体系中的每个标识包括一个或多个标识字段，每个标识字段对应一个或多个主题词；第二标识获得模块730，被配置为获得语义标识对应的第二标识，其中，第二标识属于第二标识体系；映射关系建立模块740，被配置为建立第一标识和第二标识之间的映射关系。

在一些实施例中，第二标识获得模块730进一步被配置为根据第二标识所属的第二标识体系的转换规则，获得第二标识中的关键词；根据预先建立的语义标识体系，将第二标识转换为语义标识，其中，第二标识对应的语义标识包括第二标识中的每个关键词所属的主题词。

在一些实施例中，语义标识体系包括每个类别下的主题分布信息和每个主题下的词语分布信息；语义标识转换模块720进一步被配置为根据第一标识的类别下的主题分布信息和每个主题下的词语分布信息，确定第一标识中的每个关键词所属的主题词；基于第一标识中的每个关键词所属的主题词构建语义标识。

在一些实施例中，标识转换装置70还包括：语义标识体系构建模块750，被配置为将文本库中的文本映射到向量空间、生成文本特征数据，其中，向量空间的特征项包括文本库中的词语，特征项的值为词语的权重；采用预先训练的分类模型预测文本特征数据的类别，获得文本库中文本的类别；对文本库中同一类别的文本进行主题分析，获得语义标识体系中同一类别下的主题分布信息和每个主题下的词语分布信息。

在一些实施例中，标识转换装置70还包括：分类模型训练模块760，被配置为采用训练文本中的词语作为特征项构建向量空间，其中，每个特征项具有权重，每个训练文本具有预先标记的类别；将训练文本映射到向量空间，生成训练数据；采用训练数据和训练数据对应的预先标记的类别训练机器学习模型，获得分类模型。

在一些实施例中，训练文本为标准描述文本，标准描述文本包括物联网文本；标识转换装置70还包括：特征项权重更新模块770，被配置为对补充描述文本进行主题分析，构建包括补充描述文本中的主题的关键特征集，其中，补充描述文本包括互联网文本；提高向量空间中属于关键特征集的特征项的权重。

在一些实施例中，特征项权重更新模块770进一步被配置为对训练文本和补充描述文本进行主题分析，获得训练文本和补充描述文本中的主题和每个主题下的词语，以及训练文本和补充描述文本中每个词语的分布信息；从标准描述文本中提取分类关键词；采用补充描述文本中分布信息与分类关键词的分布信息的差距在预设程度内的词语、以及分类关键词构建关键特征集。

在一些实施例中，标识转换装置70还包括：语义标识体系扩充模块780，被配置为根据关键特征集中的词语所属的主题，将关键特征集中的词语添加到语义标识体系中的相应主题序列中，其中，所述主题序列表示一个或多个主题以及相应主题下的词语的关系集合。

图8为根据本发明另一些实施例的标识转换装置的结构示意图。如图8所示，该实施例的标识转换装置800包括：存储器810以及耦接至该存储器810的处理器820，处理器820被配置为基于存储在存储器810中的指令，执行前述任意一个实施例中的标识转换方法。

其中，存储器810例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(bootloader)以及其他程序等。

图9为根据本发明又一些实施例的标识转换装置的结构示意图。如图9所示，该实施例的标识转换装置900包括：存储器910以及处理器920，还可以包括输入输出接口930、网络接口940、存储接口950等。这些接口930，940，950以及存储器910和处理器920之间例如可以通过总线960连接。其中，输入输出接口930为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口940为各种联网设备提供连接接口。存储接口950为sd卡、u盘等外置存储设备提供连接接口。

本发明的实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述任意一种标识转换方法。

本领域内的技术人员应当明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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非瞬时性存储介质(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。

本发明是参照根据本发明实施例的方法、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。应理解为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。

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。

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。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。