问题派发方法及装置与流程

本公开通常涉及计算机技术领域，更具体地，涉及用于派发用户问题的方法及装置。

背景技术：

在互联网企业，尤其是涉及商品交易的互联网企业，通常会提供客服系统来回答客户例如关于商品质量、商品交易流程、商品售后服务之类的咨询问题。由于客户所咨询的问题通常会涉及不同的业务或流程，不同的业务或流程需要由具有该业务或流程知识的专门客服人员或客服团队(问题处理方)来进行回复，否则会影响客服效果，从而需要提供一种将客户的咨询问题派发给合适的问题处理方的问题派发机制。

问题派发的传统做法是根据用户对需求描述进行分类。然而，很多用户并不喜欢对着机器去描述问题，或者并不清楚自己的问题重点，从而使得用户的问题描述并不准确和完善，由此导致问题派发的准确率不佳，严重地影响答复效果。

技术实现要素：

鉴于上述，本公开提供了一种问题派发方法及装置。利用该问题派发方法及装置，通过基于用户的问题描述文本、用户行为轨迹数据和用户特征数据来对用户问题进行分类，从而使得能够基于多模态多标签数据来进行问题分类，而不是基于单一的问题描述文本，由此可以提高问题分类预测的准确率，进而能够将用户问题派发到合适的问题处理方来进行处理，使得用户能够得到更为准确的问题答复，由此提升答复效果。

根据本公开的一个方面，提供了一种问题派发方法，包括：在接收到用户的问题后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类；以及基于所述问题分类结果来将所述问题派发给对应的问题处理方。

可选地，在上述方面的一个示例中，使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类包括：将所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据分别输入到所述神经网络模型的至少一个输入层来进行向量化处理，以分别得到所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的向量表示；将所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的向量表示分别输入到所述神经网络模型中的第一中间隐藏层、第二中间隐藏层和第三中间隐藏层，以分别得到所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量；将所得到的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量输入到所述神经网络模型中的拼接层进行拼接处理；以及将经过拼接处理后的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量输入到所述神经网络模型中的分类层来进行分类处理，以确定所述问题的问题分类结果。

可选地，在上述方面的一个示例中，所述第一中间隐藏层包括长短期记忆网络(Long Short-Term Memory，LSTM)层、循环神经网络(Recurrent Neural Network，RNN)层、门控循环单元(Gated Recurrent Unit，GRU)层、深度神经网络(Deep Neural Network，DNN)层和卷积神经网络(CNN)层中的至少一种，所述第二中间隐藏层包括DNN层，以及所述第三中间隐藏层包括LSTM层、RNN层或GRU层。

可选地，在上述方面的一个示例中，所述分类层是Softmax层。

可选地，在上述方面的一个示例中，获取所述问题的问题描述文本包括：在接收到用户的问题后，至少部分地基于所述用户的用户特征数据和用户行为轨迹数据，创建至少一个问答问题；以及至少部分地基于所述用户针对所创建的至少一个问答问题的答复，获取所述问题的问题描述文本。

根据本公开的另一方面，提供一种问题派发装置，包括：获取单元，被配置为在接收到用户的问题后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；问题分类单元，被配置为使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类；以及问题派发单元，被配置为基于所述问题分类结果来将所述问题派发给对应的问题处理方。

可选地，在上述方面的一个示例中，所述神经网络模型包括：至少一个输入层，被配置为分别对所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行向量化处理，以分别得到所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的向量表示；第一中间隐藏层，被配置为基于所述问题描述文本的向量表示，生成所述问题描述文本的中间向量；第二中间隐藏层，被配置为基于所述用户特征数据的向量表示，生成所述用户特征数据的中间向量；第三中间隐藏层，被配置为基于所述用户行为轨迹数据的向量表示，生成所述用户行为轨迹数据的中间向量；拼接层，被配置为对所得到的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量进行拼接处理；以及分类层，被配置为基于经过拼接处理后的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量来进行分类处理，以确定所述问题的问题分类结果。

可选地，在上述方面的一个示例中，所述第一中间隐藏层包括LSTM层、RNN层、GRU层、DNN层和CNN层中的至少一种，所述第二中间隐藏层包括DNN层，以及所述第三中间隐藏层包括LSTM层、RNN层或GRU层。

可选地，在上述方面的一个示例中，所述分类层是Softmax层。

可选地，在上述方面的一个示例中，所述装置还包括：问答问题创建单元，被配置为在接收到用户的问题后，至少部分地基于所述用户的用户特征数据和用户行为轨迹数据，创建至少一个问答问题，所述获取单元被配置为：至少部分地基于所述用户针对所创建的至少一个问答问题的答复，获取所述问题的问题描述文本。

根据本公开的另一方面，提供一种计算设备，包括：至少一个处理器，以及与所述至少一个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的问题派发方法。

根据本公开的另一方面，提供一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的问题派发方法。

附图说明

通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。

图1示出了根据本公开的实施例的问题派发方法的流程图；

图2示出了根据本公开的实施例的问题的一个示例示意图；

图3示出了根据本公开的实施例的神经网络模型的一个示例的示意图；

图4示出了根据本公开的实施例的问题描述文本获取过程的流程图；

图5示出了根据本公开的实施例的问题描述文本获取过程的一个示例示意图；

图6示出了根据本公开的实施例的问题派发装置的结构方框图；

图7示出了根据本公开的实施例的用于问题派发的计算设备的方框图。

具体实施方式

现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。

如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。

在本文中，术语“问题处理方”是指服务提供方(例如公司或企业等)为了处理用户问题而设立的专门问题处理机构，比如，服务提供方的客服系统中的各个客服技能组。通常，服务提供方会设立多个问题处理方，每个问题处理方专门处理某个业务(比如，支付宝应用包、理财线等)或某个处理流程(账号相关处理流程)所涉及的用户问题，并且该问题处理方具有该业务或流程所需的各种知识能力和/或处理技能。在本公开中，所述问题处理方可以是问题处理人或者问题处理组。

下面将结合附图来详细描述根据本公开的问题派发方法及装置的实施例。

图1示出了根据本公开的实施例的问题派发方法的流程图。所述方法由问题派发装置执行，下面以公司客服系统中的问题派发装置为例来进行说明。

如图1所示，在块110，接收用户的问题。在本公开中，用户可以例如通过语音对话的方式向客服系统发出问题，例如，通过电话或者语音聊天的方式，或者可以通过按键输入或屏幕输入的方式来向客服系统发出问题。所述问题可以是一个标准问题，也可以是针对问题的一段描述文字。所述问题的格式可以是文本格式、语音格式、图片格式或者其他合适的格式。图2示出了根据本公开的实施例的问题的一个示例示意图。

在接收到用户的问题后，在块120，获取所述问题的问题描述文本，并且从用户行为轨迹数据数据库130中获取该用户的用户行为轨迹数据以及从用户特征数据数据库140中获取该用户的用户特征数据。这里，问题描述文本是用于描述用户问题的文本描述信息。在问题的格式不是文本格式的情况下，可以采用合适的格式转换方式来将所述问题转换为文本格式的问题描述文本。此外，可选地，所述问题描述文本还可以是通过对用户所输入的文本格式的问题进行预处理后得到的文本描述信息，所述预处理例如可以是去除无效信息、提取关键分词等。

用户行为轨迹数据数据库130可以是通过经由服务提供方的内部网络和/或比如互联网、其它服务提供方的系统网络之类的外部网络收集用户的历史行为轨迹数据来创建的。例如，可以通过服务提供方的内部服务网络来收集用户的历史行为轨迹数据。所述用户的历史行为轨迹数据例如可以是用户所执行的与服务提供方所提供的服务相关联的操作序列数据，比如，针对支付宝服务，用户历史行为轨迹数据可以包括用户浏览支付宝APP次数、用户在支付宝上的操作行为序列等等。这里，所述用户行为轨迹数据是具有序列特征的数据。用户特征数据是指用于描述用户特征的各种信息的数据，比如年龄、身高、特征、消费偏好、性别、收入、职业、用户本月是否还清花呗等等。用户特征数据数据库140可以是通过经由服务提供方的内部网络和/或比如互联网、其它服务提供方的系统网络之类的外部网络收集用户的特征数据来创建的。例如，可以通过服务提供方的内部服务网络来收集用户的特征数据。这里，所述用户特征数据是具有离散特征的数据。用户行为轨迹数据数据库130和用户特征数据数据库140可以存储在问题派发装置中，也可以分布在问题派发装置之外的一个或多个设备中，比如客服系统中的其他设备中，并且与问题派发装置之间经由有线或无线的方式进行通信。

接着，在块150，使用神经网络模型来基于所获取的问题描述文本、用户特征数据和用户行为轨迹数据进行问题分类。如何使用神经网络模型来进行问题分类，将在下面结合图3进行描述。

在如上进行问题分类后，在块160，基于问题分类结果，将所述问题派发给对应的问题处理方。例如，将问题派发给客服系统中的与问题分类结果匹配的客服组来进行处理。

图3示出了根据本公开的实施例的神经网络模型300的一个示例的示意图。如图3所示，神经网络模型300包括至少一个输入层340、第一中间隐藏层350-1，350-2，350-3、第二中间隐藏层360、第三中间隐藏层370、拼接层380和分类层390。

在获取到用户问题的问题描述文本310、用户的用户特征数据320和用户行为轨迹数据330后，将所获取的问题描述文本310、用户特征数据320和用户行为轨迹数据330分别输入给至少一个输入层340。至少一个输入层340可以包括一个或多个输入层，如图3所示，问题描述文本310、用户特征数据320和用户行为轨迹数据330可以分别对应一个输入层。在本公开的其它示例，也可以是问题描述文本310、用户特征数据320和用户行为轨迹数据330中的至少两个对应于至少一个输入层340中的一个输入层。输入层340分别对问题描述文本310、用户特征数据320和用户行为轨迹数据330进行向量化处理，以得到问题描述文本310、用户特征数据320和用户行为轨迹数据330的向量表示。在本公开中，输入层340可以使用嵌入层来实现。

在如上得到问题描述文本310、用户特征数据320和用户行为轨迹数据330的向量表示后，将问题描述文本310的向量表示提供给第一中间隐藏层350-1，350-2，350-3，将用户特征数据320的向量表示提供给第二中间隐藏层360，以及将用户行为轨迹数据330的向量表示提供给第三中间隐藏层370。

第一中间隐藏层350-1，350-2，350-3基于问题描述文本310的向量表示，生成问题描述文本310的中间向量。第二中间隐藏层360基于用户特征数据320的向量表示，生成用户特征数据320的中间向量。第三中间隐藏层370基于用户行为轨迹数据330的向量表示，生成用户行为轨迹数据330的中间向量。然后，第一中间隐藏层350-1，350-2，350-3、第二中间隐藏层360和第三中间隐藏层370将所生成的问题描述文本310、用户特征数据320和用户行为轨迹数据330的中间向量提供给拼接层380。

在本公开中，第一中间隐藏层350可以利用LSTM层、RNN层、GRU层、DNN层和CNN层中的至少一种来实现。例如，如图3中所示，第一中间隐藏层350可以利用LSTM层350-1、DNN层350-2和RNN层350-3来实现。第二中间隐藏层360可以利用DNN层实现。第三中间隐藏层370可以利用LSTM层、RNN层或GRU层实现。优选地，第三中间隐藏层370利用LSTM层实现。

拼接层380被配置为对所得到的问题描述文本310、用户特征数据320和用户行为轨迹数据330的中间向量进行拼接处理，然后将经过拼接处理后的问题描述文本310、用户特征数据320和用户行为轨迹数据330的中间向量提供给分类层390。拼接层380例如可以利用全连接层以及dropout函数来实现。

在如上对问题描述文本310、用户特征数据320和用户行为轨迹数据330的中间向量进行拼接处理后，分类层390基于经过拼接处理后的问题描述文本310、用户特征数据320和用户行为轨迹数据330的中间向量来进行分类处理，以确定问题的问题分类结果。在本公开中，分类层390可以利用Softmax层实现。

此外，可选地，在使用神经网络模型来执行问题分类处理时，还可以引入注意力(Attention)机制。如何在神经网络模型中引入Attention机制，在本领域中是公知的，在此不再详细描述。

在本公开中，神经网络模型是利用经过各个问题处理方的类目标注处理后的问题描述文本以及对应的用户行为轨迹数据和用户特征数据来训练的。

如上参照图1到图3描述了根据本公开的实施例的问题派发方法。利用该问题派发方法，通过基于用户的问题描述文本、用户行为轨迹数据和用户特征数据来对用户问题进行分类，从而使得能够基于多模态多标签数据来进行问题分类，而不是基于单一的问题描述文本，由此可以提高问题分类预测的准确率，进而能够将用户问题派发到合适的问题处理方来进行处理，使得用户能够得到更为准确的问题答复，由此提升答复效果。

此外，在上述问题派发方法中，针对问题描述文本、用户行为轨迹数据和用户特征数据，基于问题描述文本、用户行为轨迹数据和用户特征数据各自的数据特征，分别采用对应的合适隐藏层来进行处理，由此使得针对问题描述文本、用户行为轨迹数据和用户特征数据的中间向量处理效率更高，从而进一步提升问题分类的准确率。

在本公开中，在一些应用场景下，用户并不喜欢对着客服系统去描述问题，或者并不清楚自己的问题重点，从而使得客服系统所接收的问题描述并不准确和完善，由此导致客服系统所获取的问题描述文本并不能准确地反映出用户的咨询意图，进而使得无法对问题进行准确地分类并将该问题派发到合适的问题处理方来进行解答。

为了获取用户问题的更多有效信息，针对问题描述文本获取过程，本公开提供了一种通过基于用户行为轨迹数据和用户特征数据来创建至少一个问答问题，并基于用户的答复来获取关于用户问题的更多有效信息的问题描述文本获取方案。

图4示出了根据本公开的实施例的问题描述文本获取过程的流程图，以及图5示出了根据本公开的实施例的问题描述文本获取过程的一个示例示意图。

如图4所示，在块410，接收用户的问题，例如，用户可以仅仅拨通一个电话，或者用户发送关于问题的问题描述，例如，用户所提供的问题描述为“我手机号丢失，然后重新补办，然后再登录支付宝，与以前的就不是同一个支付宝账号了”，如图5中所示。这里，如果所接收的问题描述是非文本格式的，则还需要执行从非文本格式到文本格式的转换操作，以得到文本格式的问题描述。

在接收到用户的问题后，在块420，至少部分地基于用户的用户行为轨迹数据和用户特征数据，创建一个问答问题并推送给用户。例如，“是想找回原先的支付宝账号吗？”，如图5中所示。此外，在所接收的问题包含问题描述时，至少部分地基于用户的用户行为轨迹数据和用户特征数据，创建一个问答问题并推送给用户可以包括：至少部分地基于所接收到的问题的问题描述、用户的用户行为轨迹数据和用户特征数据，创建一个问答问题并推送给用户。

在接收到用户的肯定答复后，流程进行到块480。如果接收到用户的否定答复，则在块440，至少部分地基于用户的用户行为轨迹数据和用户特征数据，创建另一问答问题并推送给用户。例如，“是担心原来支付宝账号找那个的资金安全吗？”，如图5中所示。在本公开的另一示例中，至少部分地基于用户的用户行为轨迹数据和用户特征数据，创建另一问答问题并推送给用户可以包括：至少部分地基于用户的用户行为轨迹数据、用户特征数据以及用户针对上一问题的答复，创建另一问答问题并推送给用户。其中，所述用户的答复可以包括用户的肯定答复或者否定答复。在一些情况下，所述用户的答复还可以包括用户的补充问题描述。

在接收到用户的肯定答复后，流程进行到块480。如果接收到用户的否定答复，则在块460，至少部分地基于用户的用户行为轨迹数据和用户特征数据，创建另一个问答问题并推送给用户。同样，在本公开的另一示例中，至少部分地基于用户的用户行为轨迹数据和用户特征数据，创建另一问答问题并推送给用户可以包括：至少部分地基于用户的用户行为轨迹数据、用户特征数据以及用户针对上一问题的答复，创建另一问答问题并推送给用户。其中，所述用户的答复可以包括用户的肯定答复或者否定答复。在一些情况下，所述用户的答复还可以包括用户的补充问题描述。如此循环执行上述问答过程，直到得到肯定答复，或者在创建了预定数目个问答问题并且得到用户答复后停止。优选地，所创建的问答问题的数目不超过三个。

在块480，至少部分地基于所述用户针对所创建的至少一个问答问题的答复，获取问题的问题描述文本。这里，用户的答复可以包括针对问题的肯定或否定答复。或者，在本公开的其它示例中，用户的答复还可以包括其它补充描述，比如图5中的“资金安全”等。在本公开的另一示例中，在用户所发出的问题包括问题描述的情况下，至少部分地基于所述用户针对所创建的至少一个问答问题的答复，获取问题的问题描述文本可以包括：至少部分地基于所述用户的问题的问题描述以及所述用户针对所创建的至少一个问答问题的答复，获取问题的问题描述文本。

此外，针对所创建的至少一个问答问题，如果用户没有答复，则可以视为“肯定”答复或者“否定”答复，并且按照“肯定”答复或者“否定”答复来执行后续操作。具体是视为“肯定”答复还是“否定”答复，可以根据具体情况来由系统设定。

利用图4中示出的问题描述文本获取过程，可以在用户不喜欢对着客服系统描述问题或者不清楚自己的问题重点的情况下，尤其是用户采用比如电话或对话聊天的方式来语音输入问题描述的情形，获取包含关于用户问题的更多有效信息的问题描述文本。

图6示出了根据本公开的实施例的问题派发装置600的结构方框图。

如图6所示，问题派发装置600包括获取单元610、问题分类单元620和问题派发单元630。

获取单元610被配置为在接收到用户的问题的问题描述后，获取所述问题的问题描述文本、用户的用户特征数据和用户行为轨迹数据。获取单元610的操作可以参考上面参照图1、图4和图5描述的块120的操作。

问题分类单元620被配置为使用神经网络模型来基于问题描述文本、用户特征数据和用户行为轨迹数据进行问题分类。问题分类单元620的操作可以参考上面参照图1以及图3描述的块150的操作。

问题派发单元630被配置为基于问题分类结果来将所述问题派发给对应的问题处理方。问题派发单元630的操作可以参考上面参照图1描述的块160的操作。

此外，可选地，问题派发装置600还可以包括问答问题创建单元640。问题创建单元640被配置为在接收到用户的问题后，至少部分地基于用户的用户行为轨迹数据和用户特征数据，创建至少一个问答问题。相应地，获取单元610被配置为至少部分地基于所述用户针对所创建的至少一个问答问题的答复，获取所述问题的问题描述文本。

如上参照图1到图6，对根据本公开的问题派发方法及装置的实施例进行了描述。上面的问题派发装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。

图7示出了根据本公开的实施例的用于问题派发的计算设备700的方框图。如图7所示，计算设备700可以包括至少一个处理器710、存储器720、内存730和通信接口740，并且至少一个处理器710、存储器720、内存730和通信接口740经由总线760连接在一起。至少一个处理器710执行在存储器中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。

在一个实施例中，在存储器中存储计算机可执行指令，其当执行时使得至少一个处理器710：在接收到用户的问题的问题描述后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类；以及基于所述问题分类结果来将所述问题派发给对应的问题处理方。

应该理解，在存储器中存储的计算机可执行指令当执行时使得至少一个处理器710进行本公开的各个实施例中以上结合图1-6描述的各种操作和功能。

在本公开中，计算设备700可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。

根据一个实施例，提供了一种比如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本公开的各个实施例中以上结合图1-6描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。

根据一个实施例，提供了一种比如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本公开的各个实施例中以上结合图1-6描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。

在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。

可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。

本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附的权利要求书来限定。

需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。

上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。

本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。