基于人工智能的信息推送方法、装置、计算机和存储介质与流程

本申请涉及信息推送技术领域，特别是涉及一种信息推送方法、装置、计算机和存储介质。

背景技术：

随着互联网的高速的发展，尤其是移动互联网的高速发展，移动互联网的各种应用极大丰富了人们的业余生活。人们可以足不出户地进行购物、娱乐和消费。

针对用户的惯常的消费习惯，为用户推送消费信息已成了各种应用的推送的主要方法，然而目前针对用户的喜欢进行推送消息时，仍然存在推送较为不准确的情况，给用户带来较大的困扰。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种基于人工智能的信息推送方法、装置、计算机和存储介质。

一种基于人工智能的信息推送方法，所述方法包括：

获取用户行为；

将所述用户行为导入用户模型进行学习，得到用户的多维特征；

获取待推送信息；

解析所述待推送信息，获得所述待推送信息的特征；

将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；

基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在其中一个实施例中，所述将所述用户行为导入用户模型进行学习，得到用户的多维特征的步骤包括：

将所述用户行为作为样本行为导入至所述用户模型；

对所述用于模型进行训练，得到训练后的用户模型；

将所述用户行为导入训练后的所述用户模型进行学习，得到用户的多维特征。

在其中一个实施例中，所述将所述用户行为导入用户模型进行学习，得到用户的多维特征的包括：

将所述用户行为导入用户模型进行学习，得到用户的至少一个多维特征；

获取多个所述多维特征之间的关联关系；

根据多个所述多维特征之间的关联关系以及至少一个多维特征，获得用户的多个所述多维特征。

在其中一个实施例中，所述基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息的步骤包括：

获取推送策略；

基于所述推送策略和所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在其中一个实施例中，所述基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息的步骤包括：

基于所述用户行为的种类和所述用户行为发生的频率，根据得到的所述预测概率向用户推送所述待推送信息。

一种基于人工智能的信息推送装置，所述装置包括：

用户行为获取模块，用于获取用户行为；

多维特征获取模块，用于将所述用户行为导入用户模型进行学习，得到用户的多维特征；

推送信息获取模块，用于获取待推送信息；

信息特征获取模块，用于解析所述待推送信息，获得所述待推送信息的特征；

预测模块，用于将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；

信息推送模块，用于基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在其中一个实施例中，所述多维特征获取模块包括：

导入单元，用于将所述用户行为作为样本行为导入至所述用户模型；

训练单元，用于对所述用于模型进行训练，得到训练后的用户模型；

多维特征获取单元，用于将所述用户行为导入训练后的所述用户模型进行学习，得到用户的多维特征。

在其中一个实施例中，所述多维特征获取模块包括：

第一特征获取单元，用于将所述用户行为导入用户模型进行学习，得到用户的至少一个多维特征；

关联关系获取单元，用于获取多个所述多维特征之间的关联关系；

第二特征获取单元，用于根据多个所述多维特征之间的关联关系以及至少一个多维特征，获得用户的多个所述多维特征。

一种计算机，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取用户行为；

将所述用户行为导入用户模型进行学习，得到用户的多维特征；

获取待推送信息；

解析所述待推送信息，获得所述待推送信息的特征；

将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；

基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

一种计算机可读存储介质，其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以下步骤：

获取用户行为；

将所述用户行为导入用户模型进行学习，得到用户的多维特征；

获取待推送信息；

解析所述待推送信息，获得所述待推送信息的特征；

将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；

基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

上述基于人工智能的信息推送方法、装置、计算机和存储介质，将用户的多维特征和推送信息的特征输入至神经网络模型中预测，得到预测概率，随后基于用户行为，根据预测概率向用户推送信息，由于推送信息是根据预测概率推送的，使得推送的信息能够有效符合用户的行为习惯，此外，推送信息还与用户行为相关，避免了对用户无操作时推送信息，有效避免对用户的使用造成困扰。

附图说明

图1为一个实施例中基于人工智能的信息推送方法的应用环境图；

图2为一个实施例中基于人工智能的信息推送方法的流程示意图；

图3为一个实施例中基于人工智能的信息推送装置的结构框图；

图4为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的基于人工智能的信息推送方法，可以应用于如图1所示的应用环境中。其中，终端102通过与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102上安装互联网应用程序，用户通过终端102上的互联网应用程序进行操作，该操作即为用户行为，并且用户通过终端102上的互联网应用程序操作并且访问服务器104，服务器104通过与终端102通信，获取用户行为，将所述用户行为导入用户模型进行学习，得到用户的多维特征；随后，获取待推送信息；解析所述待推送信息，获得所述待推送信息的特征；将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；基于所述用户行为，根据得到的所述预测概率向终端102推送所述待推送信息。

在一个实施例中，如图2所示，提供了一种基于人工智能的信息推送方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤201，获取用户行为。

具体地，用户行为即用户通过应用程序进行的操作，该操作包括点击、滑动、指纹验证、人脸验证、摄像等。比如，点击应用程序中的图标、按钮，滑动应用程序中的滑动按钮。该用户行为用于匹配应用程序中的预设规则，进而获得应用程序的预设反馈。比如，该应用程序为消费商城的应用，该用户行为可以是对消费商城中的商品的查看、收藏、转发、付款、购买等。

步骤203，将所述用户行为导入用户模型进行学习，得到用户的多维特征。

具体地，该用户模型为基于用户行为进行训练获得的模型，该用户模型为预先训练得到的。通过该用户模型对用户行为的学习，能够得到用户的多维特征。该多维特征包括用户行为的特征和用户的个人特征，比如，该多维特征包括用户支付金额、用户浏览的商品种类、用户收藏的商品种类、收藏的商品品牌。该用户的多维特征为构成用户行为的主要因素，根据该多维特征，能够获得用户的惯常的消费习惯或者消费倾向。

该多维特征还可以包括用户群体特征、信息(商品)可配送范围、信息有效期、包装特征、唯一性标识、其他信息关联性特征等。这些多维特征都可以从用户的用户行为中学习得到。

步骤205，获取待推送信息。

具体地，该待推送消息可视为待推送的页面，该待推送消息可视为广告消息。值得一提的是，待推送消息可以是一个或者是多个。本实施例中，待推送消息为多个，多个待推送消息可针对不同的用户，不同的用户行为进行分别推送，提高推送精度。

步骤207，解析所述待推送信息，获得所述待推送信息的特征。

具体地，待推送信息的特征与用户的多维特征匹配，即待推送信息的特征与用户的多维特征具有相同属性，或者种类相同。待推送信息的特征包括商品价格、商品种类、商品的品牌等，例如，待推送信息的特征中的商品价格能够与用户的多维特征中的支付金额对应，待推送信息的特征中的商品种类能够与用户的多维特征中的收藏或者浏览的商品种类对应，待推送信息的特征中的商品的品牌能够与用户的多维特征中的收藏的商品品牌对应。这样，待推送信息的特征与用户的多维特征对应，便于待推送信息与用户行为的匹配，进而使得待推送信息能够精确推送。

步骤209，将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率。

具体地，该构建的深度神经网络模型能够对待推送信息的特征和用户的多维特征的匹配度进行预测，从而计算得到每个待推送信息的预测概率。本实施例中，预先构建一个深度神经网络(dnn)模型，利用大量的样本数据对构建的深度神经网络模型进行训练，训练完成后可以得到一个训练好的深度神经网络模型。该样本数据即为用户行为。

值得一提的是，构建深度神经网络模型可采用现有技术实现，并且该深度神经网络模型的架构也可以采用现有技术。比如，该深度神经网络模型可采用如中国专利201611228253.x中公开的方式进行构建，且该深度神经网络模型的结构也可采用如中国专利201611228253.x中公开的架构。本实施例中对此不累赘描述。

步骤211，基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

具体地，根据得到的预测概率由大至小的顺序，向用户推送所述待推送信息，也就是说，优先将预测概率较大对应的待推送信息至用户。本实施例中，基于用户行为向用户推送于预测概率较大对应的待推送信息，这样，能够使得待推送信息匹配用户的行为，比如，用户在浏览时，向用户推送消息，又比如，用户在收藏时，向用户推送消息，使得用户能够在浏览或者收藏时，收到推送消息，而不会在支付、转发的时候收到推送消息，使得推送消息更为符合用户当前的行为，避免对用户的操作造成影响，使得用户的使用感知更佳。

上述实施例中，将用户的多维特征和推送信息的特征输入至神经网络模型中预测，得到预测概率，随后基于用户行为，根据预测概率向用户推送信息，由于推送信息是根据预测概率推送的，使得推送的信息能够有效符合用户的行为习惯，此外，推送信息还与用户行为相关，避免了对用户无操作时推送信息，有效避免对用户的使用造成困扰。

在一个实施例中，所述将所述用户行为导入用户模型进行学习，得到用户的多维特征的步骤包括：将所述用户行为作为样本行为导入至所述用户模型；对所述用于模型进行训练，得到训练后的用户模型；将所述用户行为导入训练后的所述用户模型进行学习，得到用户的多维特征。

本实施例中，在对用户行为进行学习得到多维特征之前，首先将用户行为作为样本数据导入至用户模型，使得用户模型能够得到训练。值得一提的是，该用户模型是通过大量的样本数据训练得到，该样本数据即为用户行为，也就是说，本实施例中，首先将最新获得的用户行为输入至用户模型，对用户模型进行训练，得到训练后的用户模型后，在对用户行为进行学习，得到该用户行为的多维特征，这样，能够使得用户模型得到再一次训练，使得用户模型更为准确。在每一次获得用户行为时，均首先对用户模型进行一次训练，不断修正用户模型，并且在每一次训练后对该次获得的用户行为进行学习，得到对应的多维特征，使得该多维特征是在训练后的用户模型学习的来，进而使得每一次获得的多维特征都能够更为精确。

在一个实施例中，所述将所述用户行为导入用户模型进行学习，得到用户的多维特征的包括：将所述用户行为导入用户模型进行学习，得到用户的至少一个多维特征；获取多个所述多维特征之间的关联关系；根据多个所述多维特征之间的关联关系以及至少一个多维特征，获得用户的多个所述多维特征。

具体地，多维特征指的是多个维度的特征，本实施例中，多维特征之间存在关联，也就是关联关系。多维特征之间的关联关系可以是用户模型学习得到，也可以是用户输入的。本实施例中，用户行为在用户模型中学习，将会得到一个多维特征，而根据这个多维特征与其他多维特征的关联关系，可以获得更多的与之关联的多维特征，这样，能够有效提高多个多维特征的获得效率，以及精确度。

根据关联关系获得的其他多维特征，能够广泛地适应用户兴趣或者消费习惯。

应该理解的是，关于关联关系的获得，可以是用户手动设置，比如，用户设置待推送商品或信息的关联性，比如婴儿用品与婴儿奶粉的关联，如用户购买婴儿用品，则购买婴儿奶粉的可能性比较大，也可以是用户模型学习得到的，比如推送后，用户有购买，则判断用户有这方面的需求；再比如商品优惠劵，比如按用户的其他特征可能对某商品有需求，但用户点开了某商品却一直没有购买，或一直没有搜索某商品，可能是因为价格高于用户预期值，可以推送商品优惠卷，本实施例中，优惠券即为与用户搜索商品具有关联关系的多维特诊该；如用户使用了优惠券购买，则可能是因为商品价格相对于其他途径购买的商品价格略高，可继续推送商品优惠劵，或适当做商品活动和调价；此外，还能够将一些营销策略植入信息特征模型，则该营销策略为与用户行为的多维特征具有关联关系的多维特征。

本实施例中，基于人工智能技术，向用户推送用户偏好的信息，或将用户不感兴趣的信息通过用户需求测试模型的植入营销手段，使得与用户行为相关联的推送信息能够发送至用户，调动用户的参与度或消费热诚，更全面的服务于目标用户，更精准地向用户推送信息，可用于电商平台，信息平台，或大型论坛平台等。

在一个实施例中，所述基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息的步骤包括：获取推送策略；基于所述推送策略和所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

本实施例中，推送策略为控制推送消息的策略，比如，推送的时间、推送的时长、推送的方式、推送的频率等。根据推送策略向用户推送消息，能够更为有效地适应用户的操作习惯和消费习惯，避免对用户造成困扰。

为了获得推送策略，一个实施例是，根据用户行为获得推送策略，一个实施例是，根据用户模型学习得到的多维特征，获得与多维特征对应的推送策略，本实施例中，根据不同的用户行为，或者根据不同的用户多维特征预先设置不同的多个推送策略，这样，推送策略能够更为符合用户的行为，符合用户的操作习惯以及消费习惯，这样，能够有效避免对用户的造成困扰。本实施例中，预先设置多个推送策略，随后根据用户行为的多为特征获得对应的推送策略，使得推送策略更为符合用户的习惯。

比如，用户行为发生在夜晚的23：00以后，并且用户购买商品为台灯，则通过用户模型学习，可得到用户的多维特征为夜晚休闲娱乐、需要照明灯，则推送时间则选择在夜晚22：00至24：00推送。避免了在白天用户工作时向用户推送，有效避免对用户造成困扰。

此外，还多维特征还包括：用户群体特征、信息(商品)可配送范围、信息有效期、包装特征、唯一性标识、其他信息关联性特征等。用户群体特征可包括用户年龄、性别、工作性质、活跃时段等，这样，可以根据用户群体特征，获得对应的推送策略，进而更为贴合用户的浏览习惯、消费习惯向用户推送消息。

值得一提的是，多个多维特征分别对应不同的推送策略，并且不同的用户的多维特征组合对应一个推送策略，也就是说，不同的多维特征将获得不同的推送策略，并且不同的多维特征组合也将获得不同的推送策略，这样，将多维特征组合来对应推送策略，能够使得推送策略能够更为符合用户的习惯，避免对用户造成困扰。

在一个实施例中，所述基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息的步骤包括：基于所述用户行为的种类和所述用户行为发生的频率，根据得到的所述预测概率向用户推送所述待推送信息。

本实施例中，基于用户行为的种类和用户行为的发生频率，向用户推送消息，能够更为贴合用户的行为，能够有效避免对用户造成困扰。具体地，用户行为的种类包括滑动屏幕、点击屏幕、点击按钮等，这样，推送消息的操作方式则根据用户行为种类进行推送，以使得该推送消息的打开或者浏览符合用户的操作方式。一个实施例是，基于用户行为的种类，根据得到的预测概率向用户推送该待推送消息，其中，该待推送消息的操作方式与用户行为的种类匹配。这样，能够使得待推送消息的操作更为符合用户的操作习惯，有效提高用户感知。

具体地，用户行为发生频率较高，则对应以该用户行为对应的方式推送消息，比如，用户行为为滑动屏幕，且滑动屏幕的频率较高，则使得待推送消息的操作方式为滑动。一个实施例是，基于发生的频率较高的用户行为，根据得到的所述预测概率向用户推送所述待推送信息，其中，待推送消息的操作方式与发生的频率较高的用户行为对应。这样，能够更为契合用户的行为习惯，使得推送消息的操作更为符合用户的行为习惯。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

值得一提的是，各实施例中，基于人工智能的信息推送方法也可以称为信息推送方法，基于人工智能的信息推送装置也可以称为信息推送装置。

在一个实施例中，如图3所示，提供了一种基于人工智能的信息推送装置，包括：用户行为获取模块301、多维特征获取模块303、推送信息获取模块305、信息特征获取模块307、预测模块309和信息推送模块311，其中：

用户行为获取模块，用于获取用户行为；

多维特征获取模块，用于将所述用户行为导入用户模型进行学习，得到用户的多维特征；

推送信息获取模块，用于获取待推送信息；

信息特征获取模块，用于解析所述待推送信息，获得所述待推送信息的特征；

预测模块，用于将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；

信息推送模块，用于基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在一个实施例中，所述多维特征获取模块包括：

导入单元，用于将所述用户行为作为样本行为导入至所述用户模型；

训练单元，用于对所述用于模型进行训练，得到训练后的用户模型；

多维特征获取单元，用于将所述用户行为导入训练后的所述用户模型进行学习，得到用户的多维特征。

在一个实施例中，所述多维特征获取模块包括：

第一特征获取单元，用于将所述用户行为导入用户模型进行学习，得到用户的至少一个多维特征；

关联关系获取单元，用于获取多个所述多维特征之间的关联关系；

第二特征获取单元，用于根据多个所述多维特征之间的关联关系以及至少一个多维特征，获得用户的多个所述多维特征。

在一个实施例中，信息推送模块包括：

推送策略获取单元，用于获取推送策略；

信息推送单元，用于基于所述推送策略和所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在一个实施例中，所述信息推送模块还用于基于所述用户行为的种类和所述用户行为发生的频率，根据得到的所述预测概率向用户推送所述待推送信息。

关于信息推送装置的具体限定可以参见上文中对于信息推送方法的限定，在此不再赘述。上述信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备即计算机，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户模型、深度神经网络模型和推送消息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信息推送方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取用户行为；

将所述用户行为导入用户模型进行学习，得到用户的多维特征；

获取待推送信息；

解析所述待推送信息，获得所述待推送信息的特征；

将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；

基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述用户行为作为样本行为导入至所述用户模型；

对所述用于模型进行训练，得到训练后的用户模型；

将所述用户行为导入训练后的所述用户模型进行学习，得到用户的多维特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述用户行为导入用户模型进行学习，得到用户的至少一个多维特征；

获取多个所述多维特征之间的关联关系；

根据多个所述多维特征之间的关联关系以及至少一个多维特征，获得用户的多个所述多维特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取推送策略；

基于所述推送策略和所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

基于所述用户行为的种类和所述用户行为发生的频率，根据得到的所述预测概率向用户推送所述待推送信息。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取用户行为；

将所述用户行为导入用户模型进行学习，得到用户的多维特征；

获取待推送信息；

解析所述待推送信息，获得所述待推送信息的特征；

将所述待推送信息的特征和用户的所述多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；

基于所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将所述用户行为作为样本行为导入至所述用户模型；

对所述用于模型进行训练，得到训练后的用户模型；

将所述用户行为导入训练后的所述用户模型进行学习，得到用户的多维特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将所述用户行为导入用户模型进行学习，得到用户的至少一个多维特征；

获取多个所述多维特征之间的关联关系；

根据多个所述多维特征之间的关联关系以及至少一个多维特征，获得用户的多个所述多维特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取推送策略；

基于所述推送策略和所述用户行为，根据得到的所述预测概率向用户推送所述待推送信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

基于所述用户行为的种类和所述用户行为发生的频率，根据得到的所述预测概率向用户推送所述待推送信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。