一种商品推荐方法、装置和计算机可读存储介质与流程

本发明涉及资源推荐
技术领域：
，特别是涉及一种商品推荐方法、装置和计算机可读存储介质。
背景技术：
：随着信息技术和互联网技术的发展，人们从信息匮乏时代步入了信息过载时代，在这种时代背景下，人们越来越难从大量的信息中找到自身感兴趣的信息，而推荐系统的任务就是连接用户和信息，解决如何在海量信息中寻找关键点，为用户推送其感兴趣的信息，比如音乐，电影，游戏，新闻，图书等。每类信息都可以看作是一种商品，例如，一部电影、一本书或者是一首歌曲都可以看作是一个商品。当用户没有明确目标时，用户只能通过一些预先设定的类别或标签去寻找其可能感兴趣的商品，但面对如此之多商品，用户很难在短时间内找出真正感兴趣的。这时就需要一个自动化的工具，来分析用户历史行为记录，进而寻找出用户可能感兴趣的商品推荐给用户，这就是推荐系统的工作。传统的推荐系统往往采用相似度度量方法比如余弦相似度，皮尔森相关系数(pearsoncorrelationcoefficient，pcc)等，通过计算商品间的相似度来实现商品的推荐。然而随着用户和商品数量的不断增加，评分矩阵的稀疏性也越来越明显，共同评价的商品变少了，这就导致传统的相似度不能取得很好的推荐性能。可见，如何更加快速准确的向终端使用者推荐符合其喜好的商品，从而提高资源推荐的性能，是本领域技术人员亟待解决的问题。技术实现要素：本发明实施例的目的是提供一种商品推荐方法、装置和计算机可读存储介质，可以更加快速准确的向终端使用者推荐符合其喜好的商品，从而提高资源推荐的性能。为解决上述技术问题，本发明实施例提供一种商品推荐方法，包括：依据设定的分类规则，对获取的评分矩阵中的各元素进行分类，构建多个商品子空间；其中，在各所述商品子空间中包括用户对商品的评分信息；计算各商品子空间中目标用户与各剩余用户之间的评分支持度；其中，每个商品子空间的各剩余用户为每个商品子空间中包含的所有用户中除所述目标用户之外的其它用户；根据各所述评分支持度，确定出所述目标用户的近邻用户集；根据评分规则，从所述近邻用户集中各用户所对应的近邻商品中筛选出推荐商品。可选的，所述计算各商品子空间中目标用户与各剩余用户之间的评分支持度包括：根据如下公式，计算各商品子空间中目标用户与各剩余用户之间的评分支持度，其中，sup_co1(ug,ui)表示在第一商品子空间中用户ug和剩余用户ui的评分支持度，tg1表示用户ug在第一商品子空间中的评分商品集合；ti1表示用户ui在第一商品子空间中的评分商品集合；t1表示第一商品子空间中所有用户的评分商品集合；所述第一商品子空间为有所商品子空间中的任意一个商品子空间。可选的，所述根据各所述评分支持度，确定出所述目标用户的近邻用户集包括：根据各所述评分支持度，计算出所述目标用户与各剩余用户之间的共同评分值；按照所述共同评分值对各所述剩余用户进行排序，筛选出预设个数的用户作为所述目标用户的直接近邻用户集；统计所述直接近邻用户集中的各近邻用户所对应的直接近邻用户集作为所述目标用户的间接近邻用户集；将所述目标用户的直接近邻用户集和所述间接近邻用户集作为所述目标用户的近邻用户集。可选的，所述根据评分规则，从所述近邻用户集中各用户所对应的近邻商品中筛选出推荐商品包括：根据所述目标用户所对应的目标商品集和所述近邻用户集中各用户所对应的近邻商品集，确定出待推荐商品集；计算所述目标用户对所述待推荐商品集中各商品的预测评分；从所述待推荐商品集中筛选出预测评分高于评分平均值的商品作为推荐商品。本发明实施例还提供了一种商品推荐装置，包括分类单元、计算单元、确定单元和筛选单元；所述分类单元，用于依据设定的分类规则，对获取的评分矩阵中的各元素进行分类，构建多个商品子空间；其中，在各所述商品子空间中包括用户对商品的评分信息；所述计算单元，用于计算各商品子空间中目标用户与各剩余用户之间的评分支持度；其中，每个商品子空间的各剩余用户为每个商品子空间中包含的所有用户中除所述目标用户之外的其它用户；所述确定单元，用于根据各所述评分支持度，确定出所述目标用户的近邻用户集；所述筛选单元，用于根据评分规则，从所述近邻用户集中各用户所对应的近邻商品中筛选出推荐商品。可选的，所述计算单元具体用于根据如下公式，计算各商品子空间中目标用户与各剩余用户之间的评分支持度，其中，sup_co1(ug,ui)表示在第一商品子空间中用户ug和剩余用户ui的评分支持度，tg1表示用户ug在第一商品子空间中的评分商品集合；ti1表示用户ui在第一商品子空间中的评分商品集合；t1表示第一商品子空间中所有用户的评分商品集合；所述第一商品子空间为有所商品子空间中的任意一个商品子空间。可选的，所述确定单元包括计算子单元、筛选子单元、统计子单元和作为子单元；所述计算子单元，用于根据各所述评分支持度，计算出所述目标用户与各剩余用户之间的共同评分值；所述筛选子单元，用于按照所述共同评分值对各所述剩余用户进行排序，筛选出预设个数的用户作为所述目标用户的直接近邻用户集；所述统计子单元，用于统计所述直接近邻用户集中的各近邻用户所对应的直接近邻用户集作为所述目标用户的间接近邻用户集；所述作为子单元，用于将所述目标用户的直接近邻用户集和所述间接近邻用户集作为所述目标用户的近邻用户集。可选的，所述筛选单元包括确定子单元、计算子单元和作为子单元；所述确定子单元，用于根据所述目标用户所对应的目标商品集和所述近邻用户集中各用户所对应的近邻商品集，确定出待推荐商品集；所述计算子单元，用于计算所述目标用户对所述待推荐商品集中各商品的预测评分；所述作为子单元，用于从所述待推荐商品集中筛选出预测评分高于评分平均值的商品作为推荐商品。本发明实施例还提供了一种商品推荐装置，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上述商品推荐方法的步骤。本发明实施例还提供了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实现如上述商品推荐方法的步骤。由上述技术方案可以看出，依据设定的分类规则，对获取的评分矩阵中的各元素进行分类，构建多个商品子空间；在每个商品子空间中包括有用户对商品的评分信息；以所有用户中的任意一个用户即目标用户为例，可以将每个商品子空间中包含的所有用户中除目标用户之外的其它用户称作剩余用户，计算各商品子空间中目标用户与各剩余用户之间的评分支持度；根据各评分支持度，可以确定出目标用户的近邻用户集，在该近邻用户集中包含有与目标用户具有相同或相近兴趣爱好的近邻用户。确定出目标用户的近邻用户集后，可以根据评分规则，从近邻用户集中各用户所对应的近邻商品中筛选出推荐商品。在该技术方案中，通过计算评分支持度的方式，可以快速的确定出目标用户的近邻用户集，提升了商品推荐的处理效率。考虑到近邻用户集中包含的均是与目标用户兴趣爱好较为相近的用户，因此从近邻用户集所对应的商品中选取推荐商品，可以使得推荐的商品更加符合用户的实际需求，从而提高资源推荐的性能。附图说明为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，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的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种商品推荐方法的流程图；图2为本发明实施例提供的一种商品推荐装置的结构示意图；图3为本发明实施例提供的一种商品推荐装置的硬件结构示意图。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，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。为了使本
技术领域：
的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。接下来，详细介绍本发明实施例所提供的一种商品推荐方法。图1为本发明实施例提供的一种商品推荐方法的流程图，该方法包括：s101：依据设定的分类规则，对获取的评分矩阵中的各元素进行分类，构建多个商品子空间。评分矩阵中包含有用户对商品的评分，在实际应用中可以根据收集的用户信息和商品信息，构建用户集合和商品集合，针对于每个用户对各个商品的评分，构建评分矩阵。例如，u＝{u1,…,ul}表示用户集合，l表示用户数量；m＝{m1,...,mn}表示商品集合，n表示商品数量。用户对各商品的评分可以直接从网络中爬取或者是依据公开数据集得到。以电影为例，一般设置1至10分这10个等级的整数值作为评分值，用户可以根据对电影的喜欢程度进行评分，用户对商品的评分越高，说明用户对商品的喜爱程度越高。当用户未对商品集合中某个或某些商品进行评分时，则可以将评分值设置为0。构建的评分矩阵中包含有多个元素，rij∈{0,s}表示用户ui对商品mj的评分，当rij取值为0时，则说明用户对商品未评价，若rij取值为1表示用户喜欢该商品的程度最低，以此类推，若rij取值为s表示用户喜欢该商品的程度最高。需要说明的是，本发明实施例中，构建的评分矩阵中所涉及的各商品均是指同一类别下或者是关联性较强的类别下的不同商品。以电影为例，一部电影即为一个商品，评分矩阵中包含有多个用户对不同电影的评分。对于某些电影或者电视剧可能改编自小说，构建电子书的评分矩阵时，如果缺乏相应的评分，则可以依据与该电子书相对应的电影或电视剧的评分作为该电子书的评分。在本发明实施例中，构建多个商品子空间是为了针对用户对商品的喜欢程度或者是感兴趣的程度划分出多个商品子空间。在本发明实施例中，可以划分3个商品子空间，依次为感兴趣商品子空间、无感商品子空间和不感兴趣商品子空间。其中，在各商品子空间中包括用户对商品的评分信息。为了方便介绍，在本发明实施例中，均以这3类商品子空间为例展开说明。在具体实现中，可以设置评分阈值，当用户对某个商品的评分值大于该评分阈值时，则将该商品划分到感兴趣商品子空间；当用户对某个商品的评分值等于该评分阈值时，则将该商品划分到无感商品子空间；当用户对某个商品的评分值小于该评分阈值时，则将该商品划分到不感兴趣商品子空间。在本发明实施例中，商品子空间相当于是商品集合的一个覆盖，并非单纯对商品进行划分，即在不同的商品子空间中往往包含有相同的商品，例如，用户1对商品a的评分大于评分阈值，则可以将用户1和商品a及其对应的评分记录到感兴趣商品子空间；用户2对商品a的评分等于评分阈值，则可以将用户2和商品a及其对应的评分记录到无感商品子空间；用户3对商品a的评分小于评分阈值，则可以将用户3和商品a及其对应的评分记录到不感兴趣商品子空间，此时这3个商品子空间中均包含有商品a。s102：计算各商品子空间中目标用户与各剩余用户之间的评分支持度。在本发明实施例中，为了提高资源推荐的性能，向终端使用者推荐更加符合用户喜好的商品，可以针对每个用户构建其对应的近邻用户集。各用户的近邻用户集的确定方式类似，在本发明实施例中以所有用户中的任意一个用户即目标用户为例展开说明，近邻用户集中包含有与目标用户具有相同或相近兴趣爱好的近邻用户。评分支持度用于表示目标用户与其它用户对相同商品的评分相关性，两个用户之间的评分支持度越高，则说明这两个用户的兴趣爱好较为相近。在本发明实施中，以评分支持度来作为目标用户的近邻用户的评选依据。同一个商品子空间中，用户对各商品的评分值较为相近，因此，在计算评分支持度时，可以以每个商品子空间为处理单元，计算每个商品子空间中目标用户和剩余用户之间的评分支持度。其中，剩余用户为该商品子空间中包含的所有用户中除目标用户之外的其它用户。在本发明实施例中，可以根据目标用户与各剩余用户所对应的评分商品的个数，计算目标用户与各剩余用户之间的评分支持度。在具体实现中，可以根据如下公式，计算各商品子空间中目标用户与各剩余用户之间的评分支持度，其中，sup_co1(ug,ui)表示在第一商品子空间中用户ug和剩余用户ui的评分支持度，tg1表示用户ug在第一商品子空间中的评分商品集合；ti1表示用户ui在第一商品子空间中的评分商品集合；t1表示第一商品子空间中所有用户的评分商品集合；第一商品子空间为有所商品子空间中的任意一个商品子空间。以上述s101中介绍的3个商品子空间：感兴趣商品子空间、无感商品子空间和不感兴趣商品子空间为例，可以依次用符号int、nint和unt区分这3个商品子空间，相应的，根据上述计算评分支持度的公式，确定出目标用户ug和剩余用户ui分别在这3个商品子空间中的评分支持度，可以依次用sup_coint(ug,ui)、sup_conint(ug,ui)和sup_count(ug,ui)表示。s103：根据各评分支持度，确定出目标用户的近邻用户集。两个用户之间的评分支持度越高，说明这两个用户的兴趣爱好越相近，在本发明实施例中，可以将目标用户在各商品子空间中的评分支持度进行综合，从而筛选出目标用户的近邻用户。在具体实现中，可以根据各评分支持度，计算出目标用户与各剩余用户之间的共同评分值；按照共同评分值对各剩余用户进行排序，筛选出预设个数的用户作为目标用户的直接近邻用户集。以目标用户ug和剩余用户ui为例，可以将sup_coint(ug,ui)、sup_conint(ug,ui)和sup_count(ug,ui)的平均值作为目标用户ug和剩余用户ui的共同评分值。具体的，可以根据如下公式，计算目标用户ug和剩余用户ui的共同评分值pro_co(ug,ui)，参照目标用户ug和剩余用户ui的共同评分值的确定方式，可以确定出目标用户与各个剩余用户之间的共同评分值。以目标用户为例，在本发明实施例中，可以将各剩余用户共同评分值按照从大到小的顺序排序，筛选出预设个数的剩余用户作为目标用户的直接近邻用户集。预设个数的取值可以根据实际需求进行设定，在此不做限定。参照s102和s103的处理方式，可以确定出每个用户的直接近邻用户。考虑到目标用户的直接近邻用户个数往往较少，因此，在确定目标用户的近邻用户集时可以从其对应的直接近邻用户集和间接近邻用户集中筛选，具体的，可以统计直接近邻用户集中的各近邻用户所对应的直接近邻用户集作为目标用户的间接近邻用户集；将目标用户的直接近邻用户集和间接近邻用户集作为目标用户的近邻用户集。以目标用户为例，可以确定出其对应的直接近邻用户集，该直接近邻用户集中的各用户又有其各自对应的直接近邻用户集，目标用户的间接近邻用户指的是目标用户的直接近邻用户集中的用户所对应的直接近邻用户。在本发明实施例中，可以将目标用户的直接近邻用户集和间接近邻用户集作为目标用户的近邻用户集，从而扩充了目标用户的近邻用户集中用户的个数，从而达到扩充推荐商品的目的。s104：根据评分规则，从近邻用户集中各用户所对应的近邻商品中筛选出推荐商品。近邻用户集中每个用户都有其评价过的商品，在向目标用户推荐商品时，目标用户已经评价过的商品应该排除在外，在具体实现中，可以根据目标用户所对应的目标商品集和近邻用户集中各用户所对应的近邻商品集，确定出待推荐商品集。目标商品集用于表示目标用户进行过评分的商品，近邻商品集用于表示各近邻用户进行过评分的商品。在实际应用中，从近邻商品集中删除目标商品集中所包含的商品后，此时近邻商品集中只包含目标用户未作出评分的商品，可以将这些商品作为待推荐商品。待推荐商品集中包含的各商品既可能是近邻用户评分较高的商品，也有可能是近邻用户评分较低的商品。为了向目标用户推荐更加符合其兴趣爱好的商品，可以计算目标用户对待推荐商品集中各商品的预测评分；从待推荐商品集中筛选出预测评分高于评分平均值的商品作为推荐商品。其中，评分平均值为目标用户所评价的商品所对应的评分的平均值。以待推荐商品集中的一个待推荐商品ma为例，可以按照如下公式(1)，计算目标用户ug对待推荐商品ma的预测评分其中，ria表示用户ui对商品ma的评分，表示用户ui对商品非零评分的平均值，表示目标用户ug对商品非零评分的平均值，neig表示目标用户ug的近邻用户集合且neig＝ng∪inug，ng表示目标用户ug的直接近邻用户集，inug表示目标用户ug的间接近邻用户集，即s(ug,ui)表示目标用户ug和近邻用户ui的相似性，计算公式如(1a)所示，其中，是目标用户ug已经评过分的商品集合，即是用户ui已经评过分的商品集合，即s2(ug,ui)表示目标用户ug和近邻用户ui不对称的程度，计算方式如公式(1b)所示，s3(ug,ui)表示用户的评分喜好程度，计算方式如公式(1c)所示，其中，σg是目标用户ug非零评分的标准差。sitem(mj,mq)是商品mj和商品mq之间的相似度，计算方式如公式(1d)所示，其中ds(mj,mq)是j散度。s1(rgj,riq)表示目标用户ug对商品mj评分与用户ui对商品mq评分的相似度，计算方式如公式(1e)所示，其中，rmed是所有非零评分的中值，μj代表对商品mj有评分的平均值。为了验证本发明实施例提供的商品推荐方法的推荐效果，可以将本发明实施例提供的商品推荐方法和基于用户pearson相似度、基于商品pearson相似度的算法(ucf_per，mcf_per)以及与近邻树(utaos，nusccf)方法进行比较，采用绝对值误差指标(mae)和平方误差指标(rmse)还有召回率(recall)对推荐效果进行评估。其中，绝对值误差指标的计算方式如公式(2)所示，平方误差指标的计算方式如公式(3)所示，召回率的计算方式如公式(4)所示，在具体验证时，可以对数据集随机划分5次训练集和测试集。其中，l'是测试集上的用户数，n'是测试集上的商品数量，irgt是测试集上用户喜欢的商品集合，irgp是推荐给用户喜欢的商品集合。推荐结果如表1所示：三种算法的推荐结果对比推荐maermserecall商品推荐方法0.73991.03110.6799ucf_per0.98381.11740.2607mcf_per0.87161.01960.0571utaos0.86381.08520.4393nusccf0.98081.22810.1248表1从表1中可以看出，依据本发明提供的商品推荐方式，其对应的推荐性能好于其他方法。由上述技术方案可以看出，依据设定的分类规则，对获取的评分矩阵中的各元素进行分类，构建多个商品子空间；在每个商品子空间中包括有用户对商品的评分信息；以所有用户中的任意一个用户即目标用户为例，可以将每个商品子空间中包含的所有用户中除目标用户之外的其它用户称作剩余用户，计算各商品子空间中目标用户与各剩余用户之间的评分支持度；根据各评分支持度，可以确定出目标用户的近邻用户集，在该近邻用户集中包含有与目标用户具有相同或相近兴趣爱好的近邻用户。确定出目标用户的近邻用户集后，可以根据评分规则，从近邻用户集中各用户所对应的近邻商品中筛选出推荐商品。在该技术方案中，通过计算评分支持度的方式，可以快速的确定出目标用户的近邻用户集，提升了商品推荐的处理效率。考虑到近邻用户集中包含的均是与目标用户兴趣爱好较为相近的用户，因此从近邻用户集所对应的商品中选取推荐商品，可以使得推荐的商品更加符合用户的实际需求，从而提高资源推荐的性能。图2为本发明实施例提供的一种商品推荐装置的结构示意图，包括分类单元21、计算单元22、确定单元23和筛选单元24；分类单元21，用于依据设定的分类规则，对获取的评分矩阵中的各元素进行分类，构建多个商品子空间；其中，在各商品子空间中包括用户对商品的评分信息；计算单元22，用于计算各商品子空间中目标用户与各剩余用户之间的评分支持度；其中，每个商品子空间的各剩余用户为每个商品子空间中包含的所有用户中除目标用户之外的其它用户；确定单元23，用于根据各评分支持度，确定出目标用户的近邻用户集；筛选单元24，用于根据评分规则，从近邻用户集中各用户所对应的近邻商品中筛选出推荐商品。可选的，计算单元具体用于根据如下公式，计算各商品子空间中目标用户与各剩余用户之间的评分支持度，其中，sup_co1(ug,ui)表示在第一商品子空间中用户ug和剩余用户ui的评分支持度，tg1表示用户ug在第一商品子空间中的评分商品集合；ti1表示用户ui在第一商品子空间中的评分商品集合；t1表示第一商品子空间中所有用户的评分商品集合；第一商品子空间为有所商品子空间中的任意一个商品子空间。可选的，确定单元包括计算子单元、筛选子单元、统计子单元和作为子单元；计算子单元，用于根据各评分支持度，计算出目标用户与各剩余用户之间的共同评分值；筛选子单元，用于按照共同评分值对各剩余用户进行排序，筛选出预设个数的用户作为目标用户的直接近邻用户集；统计子单元，用于统计直接近邻用户集中的各近邻用户所对应的直接近邻用户集作为目标用户的间接近邻用户集；作为子单元，用于将目标用户的直接近邻用户集和间接近邻用户集作为目标用户的近邻用户集。可选的，筛选单元包括确定子单元、计算子单元和作为子单元；确定子单元，用于根据目标用户所对应的目标商品集和近邻用户集中各用户所对应的近邻商品集，确定出待推荐商品集；计算子单元，用于计算目标用户对待推荐商品集中各商品的预测评分；作为子单元，用于从待推荐商品集中筛选出预测评分高于评分平均值的商品作为推荐商品。图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。由上述技术方案可以看出，依据设定的分类规则，对获取的评分矩阵中的各元素进行分类，构建多个商品子空间；在每个商品子空间中包括有用户对商品的评分信息；以所有用户中的任意一个用户即目标用户为例，可以将每个商品子空间中包含的所有用户中除目标用户之外的其它用户称作剩余用户，计算各商品子空间中目标用户与各剩余用户之间的评分支持度；根据各评分支持度，可以确定出目标用户的近邻用户集，在该近邻用户集中包含有与目标用户具有相同或相近兴趣爱好的近邻用户。确定出目标用户的近邻用户集后，可以根据评分规则，从近邻用户集中各用户所对应的近邻商品中筛选出推荐商品。在该技术方案中，通过计算评分支持度的方式，可以快速的确定出目标用户的近邻用户集，提升了商品推荐的处理效率。考虑到近邻用户集中包含的均是与目标用户兴趣爱好较为相近的用户，因此从近邻用户集所对应的商品中选取推荐商品，可以使得推荐的商品更加符合用户的实际需求，从而提高资源推荐的性能。图3为本发明实施例提供的一种商品推荐装置30的硬件结构示意图，包括：存储器31，用于存储计算机程序；处理器32，用于执行计算机程序以实现如上述商品推荐方法的步骤。本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述商品推荐方法的步骤。以上对本发明实施例所提供的一种商品推荐方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或
技术领域：
内所公知的任意其它形式的存储介质中。当前第1页12