样本生成方法、装置、计算机可读存储介质和计算机设备与流程

本申请涉及人工智能技术领域，特别是涉及一种样本生成方法、装置、计算机可读存储介质和计算机设备。

背景技术：

目前，随着人工智能技术的快速发展，使用机器学习或深度学习等人工智能方法来解决实际问题已逐渐成为时代趋势。

然而，现有的机器学习模型建模过程中，往往容易出现特征穿越而导致模型线上效果非常差的情况，例如在模型训练时，错误地将结果当作原因来使用，不仅会导致模型训练所用数据的准确率较低，还会导致模型当前的学习规律与事实不符，进而导致最终的模型预测精度较差等问题。

因此，现有技术中的模型训练样本存在训练模型有效率低的问题。

技术实现要素：

基于此，有必要针对现有技术中模型训练样本存在训练模型有效率低的技术问题，提供一种样本生成方法、装置、计算机可读存储介质和计算机设备。

一方面，本发明实施例提供一种样本生成方法，包括：获取目标商品在网络媒介信息投放后的资源转移数据；资源转移数据包括资源转移时间；确定网络媒介信息的信息投放时间，并根据信息投放时间与资源转移时间，从预存的至少两组候选特征数据中确定目标特征数据；根据目标特征数据与资源转移数据，生成模型训练样本。

另一方面，本发明实施例提供一种样本生成装置，包括：数据获取模块，用于获取目标商品在网络媒介信息投放后的资源转移数据；资源转移数据包括资源转移时间；特征确定模块，用于确定网络媒介信息的信息投放时间，并根据信息投放时间与资源转移时间，从预存的至少两组候选特征数据中确定目标特征数据；样本生成模块，用于根据目标特征数据与资源转移数据，生成模型训练样本。

又一方面，本发明实施例提供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：获取目标商品在网络媒介信息投放后的资源转移数据；资源转移数据包括资源转移时间；确定网络媒介信息的信息投放时间，并根据信息投放时间与资源转移时间，从预存的至少两组候选特征数据中确定目标特征数据；根据目标特征数据与资源转移数据，生成模型训练样本。

再一方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取目标商品在网络媒介信息投放后的资源转移数据；资源转移数据包括资源转移时间；确定网络媒介信息的信息投放时间，并根据信息投放时间与资源转移时间，从预存的至少两组候选特征数据中确定目标特征数据；根据目标特征数据与资源转移数据，生成模型训练样本。

上述样本生成方法、装置、计算机可读存储介质和计算机设备，服务器可通过获取目标商品在网络媒介信息投放后的资源转移数据，得到资源转移数据中的资源转移时间，进而在确定网络媒介信息的信息投放时间后，利用信息投放时间与资源转移时间从预存的至少两组候选特征数据中确定目标特征数据，以便利用该目标特征数据和前序步骤得到资源转移数据组合生成模型训练样本。采用本方法，可通过获取特定时间的目标特征数据提高模型训练样本的有效率，进而增强模型预测能力，更能提高模型预测结果的准确率。

附图说明

图1为一个实施例中样本生成方法的应用环境图；

图2为一个实施例中计算机设备的结构框图；

图3为一个实施例中样本生成方法的流程示意图；

图4为一个实施例中目标特征数据确定步骤的流程示意图；

图5为一个实施例中资源转移数据获取步骤的流程示意图；

图6为一个实施例中预测结果获取步骤的流程示意图；

图7为一个具体实施例中模型训练数据构建的流程示意图；

图8为一个实施例中样本生成装置的结构框图。

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，此处所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。

首先需要说明的是，本申请所提出的样本生成方法实际可应用于延迟消费场景，该延迟消费场景具体是指一种针对于目标商品所设的网络媒介信息投放后，无法立即获取到该网络媒介信息的投放效果，但是可在一段预设时间内判定该网络媒介信息投放成功与否的场景，例如，发放优惠券的延迟消费场景、投放广告的延迟消费场景等，均有可能存在用户未在当前投放网络媒介信息之时进行消费，而是在一段时间之后使用该网络媒介信息进行消费。

图1为一个实施例中样本生成方法的应用环境图。本申请提供的样本生成方法可应用于如图1所示的应用环境中。其中，用户终端110通过网络与服务器120进行通信，用户终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种，服务器120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，网络包含但不限于是：广域网、城域网或局域网。

实际应用中，服务器120可向用户终端110投放指定的网络媒介信息，用户终端110接收到该网络媒介信息后，可在一段预设时间内对该网络媒介信息进行操作，从而生成信息操作行为数据，服务器120获取到该信息操作行为数据后可将其转换为模型训练可用数据，即模型训练样本。其中，所指模型可以是机器学习模型，也可以是深度学习模型。

图2示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图2所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种样本生成方法。

本领域技术人员可以理解，图2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。

如图3所示，在一个实施例中，提供了一种样本生成方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明。参照图3，该样本生成方法具体包括如下步骤：

s302，获取目标商品在网络媒介信息投放后的资源转移数据；资源转移数据包括资源转移时间。

其中，目标商品可以是指一次样本生成过程中，需要被作为监控对象提取监控数据而生成模型训练样本的虚拟网络对象，该虚拟网络对象可以按商品属性分类，例如，车、食品、衣物等。

其中，网络媒介信息可以是指针对于目标商品的网络推广介质信息，例如，优惠券、广告等。

其中，资源转移数据可以是指用户通过网络媒介信息与目标商品之间发生数值转移、数值交换等情况时的资源转移关联数据，例如，数值交换时间(资源转移时间)、数值交换数额(资源转移数额)、数值转移订单号码(资源转移订单号)等。

其中，资源转移时间可称为采样时间(采集到样本的时间)，具体可指用户通过网络媒介信息与目标商品发生数值转移、数值交换时的时间，例如，用户在2019年10月10日使用优惠券购买了一辆车，则2019年10月10日即为资源转移时间。

具体地，服务器120可在获取目标商品的资源转移数据之前，首先构建该目标商品的网络媒介信息，进而对该网络媒介信息进行投放，即将网络媒介信息上传至互联网进行网络公开，以便用户通过该网络媒介信息与目标商品进行资源转移时，服务器120可进一步获取由目标商品发生资源转移而生成的资源转移数据。

例如，当前作为目标商品的汽车，服务器120控制将其广告于2019年9月25日上线，而用户在2019年10月10日购买了这辆车，则服务器120可确定该汽车的资源转移时间为2019年10月10日。

s304，确定网络媒介信息的信息投放时间，并根据信息投放时间与资源转移时间，从预存的至少两组候选特征数据中确定目标特征数据。

其中，信息投放时间可称为样本时间(构建待投放的网络媒介信息的时间)，具体可指针对目标商品生成网络媒介信息并投放的时间，例如，优惠券线上发放时间、广告播出时间等。

其中，候选特征数据可以是指预先设置并存储于服务器120数据库中的用户特征、商品特征以及活动关键词特征，例如，用户性别、用户年龄、商品被关注度、商品属性、购物节活动关键词(如节日关键词)等特征数据。

其中，目标特征数据可以是在一次样本生成过程中，作为样本生成原因且与信息投放时间相关联的候选特征数据。

具体地，服务器120获取到目标商品的资源转移数据之后，可进一步确定该目标商品对应网络媒介信息的信息投放时间，进而通过比较信息投放时间与资源转移时间，在预存的至少两组候选特征数据中确定当前所需生成模型训练所用样本的目标特征数据。

需要说明的是，服务器120预存的至少两组候选特征数据，分别具有对应的特征生成时间，即一组候选特征数据与一个特征生成时间存在映射关系，服务器120在确定得到网络媒介信息的信息投放时间之后，需进一步提取特征数据生成模型训练所用样本，则可通过比较信息投放时间与资源转移时间确定特征生成时间，进而利用特征生成时间进一步确定当前所用的目标特征数据。

例如，优惠券线上发放时间为2019年9月25日，目标商品的资源转移时间为2019年10月10日，则信息投放时间与资源转移时间不是同一时间点，此时样本生成方法应用于延迟消费场景构建预测模型，可利用信息投放时间(优惠券线上发放时间)，从服务器120预存的候选特征数据中确定目标特征数据，即该目标特征数据的特征生成时间与2019年9月25日存在映射关系。

s306，根据目标特征数据与资源转移数据，生成模型训练样本。

其中，模型训练样本可以是指模型训练所需使用的数据，即用户使用网络媒介信息与目标商品进行资源转移时生成的数据，例如，用户使用了优惠券购买了目标商品。

具体地，该模型训练样本实际可用于训练应用于延迟消费场景中的机器学习预测模型或深度学习预测模型，而生成该模型训练样本需要确定目标特征数据和资源转移数据，两者结合可得到模型训练所用数据。

更具体地，利用模型训练样本实现对机器学习预测模型或深度学习预测模型的模型训练之后，在延迟消费场景下，可通过该训练好的预测模型获得目标商品对应网络媒介信息的用户需求度，从而利用用户需求度实现网络媒介信息的准确投放。

本实施例中，服务器可通过获取目标商品在网络媒介信息投放后的资源转移数据，得到资源转移数据中的资源转移时间，进而在确定网络媒介信息的信息投放时间后，利用信息投放时间与资源转移时间从预存的至少两组候选特征数据中确定目标特征数据，以便利用该目标特征数据和前序步骤得到资源转移数据组合生成模型训练样本。采用本方法，可通过获取特定时间的目标特征数据提高模型训练样本的有效率，进而增强模型预测能力，更能提高模型预测结果的准确率。

如图4所示，在一个实施例中，步骤s304中确定网络媒介信息的信息投放时间，并根据信息投放时间与资源转移时间，从预存的至少两组候选特征数据中确定目标特征数据，具体包括如下步骤：

s3042，确定网络媒介信息的信息投放时间。

具体地，服务器120可通过获取目标商品确定后的历史日志数据，来获取其网络媒介信息的信息投放时间，即历史日志数据中记录有针对于目标商品相关操作的信息数据，该信息数据中包括有网络媒介信息的信息投放时间。

s3044，将信息投放时间与资源转移时间进行匹配。

具体地，服务器120可将信息投放时间与资源转移时间进行时间比较，来实现信息投放时间与资源转移时间的匹配任务。

例如，比较信息投放时间2019年9月25日与资源转移时间2019年10月10日之间的时间关系。

s3046，若信息投放时间与资源转移时间不匹配，则根据信息投放时间，从预存的至少两组候选特征数据中确定目标特征数据。

具体地，服务器120若判定信息投放时间与资源转移时间不匹配，即采样时间(资源转移时间)与样本时间(信息投放时间)不是同一时间点，则在构建样本数据时可使用样本时间(信息投放时间)提取目标特征数据，进而生成模型训练样本。

例如，当前所需构建生成模型训练样本的信息投放时间为2019年9月25日、资源转移时间2019年10月10日，两者不在同一个时间点，则选取信息投放时间2019年9月25日作为目标特征数据的确定时间，在预存的候选特征数据中获取与2019年9月25日存在映射关系的数据作为目标特征数据。

本实施例中，通过匹配信息投放时间与资源转移时间来确定目标特征数据，可避免在模型训练过程中发生特征穿越，即可避免在模型训练时错误地将结果当作原因使用，不仅可进一步复现模型预测时的情形，使得模型训练所用数据与事实相匹配，还可进一步提高模型预测能力，更能提高模型预测结果的准确率。

在一个实施例中，步骤s3046中若信息投放时间与资源转移时间不匹配，则根据信息投放时间，从预存的至少两组候选特征数据中确定目标特征数据，具体包括如下步骤：

s30462，若信息投放时间与资源转移时间不匹配，则从预存的至少两组候选特征数据中，确定与信息投放时间相匹配的候选特征数据，作为目标特征数据。

具体地，服务器120进一步确定与信息投放时间相匹配的候选特征数据作为目标特征数据，可以是首先确定各个候选特征数据的特征生成时间，进而将各个特征生成时间与信息投放时间相匹配，确定与信息投放时间相匹配特征生成时间对应的候选特征数据，作为目标特征数据，用于在当前信息投放时间与资源转移时间不匹配的情况下生成模型训练样本。

本实施例中，服务器判定当信息投放时间与资源转移时间不匹配时，利用信息投放时间来确定目标特征数据，不仅可进一步提高模型训练样本的有效率，还可利用有效的模型训练样本提高模型预测能力，更能提高模型预测结果的准确率。

如图5所示，在一个实施例中，步骤s302中获取目标商品在网络媒介信息投放后的资源转移数据，具体包括如下步骤：

s3022，获取目标商品在网络媒介信息投放后的历史日志数据。

其中，历史日志数据可以是指目标商品的实时状态数据。

具体地，目标商品的资源转移数据生成于目标商品发生资源转移时，且该资源转移动作包括网络媒介信息的作用，而服务器120获取目标商品在网络媒介信息投放后的资源转移数据，可通过获取并监控目标商品在网络媒介信息投放后的历史日志数据执行。

s3024，读取历史日志数据中的资源转移状态。

其中，资源转移状态可以是指目标商品的数值转移存储状态，例如，已转移状态、未转移状态。

具体地，服务器120可通过实时监控历史日志数据中资源转移状态的变化，来获取目标商品的资源转移数据。

s3026，当资源转移状态为已转移状态时，确定历史日志数据，作为资源转移数据。

具体地，服务器120可在读取并监控到资源转移状态为已转移状态时，确定当前存在的历史日志数据作为目标商品的资源转移数据。

本实施例中，服务器可通过获取目标商品的资源转移状态，判定资源转移数据的获取时机，进而获取目标商品在网络媒介信息投放后的资源转移数据，不仅可提高资源转移数据的获取效率，还可进一步提高模型训练样本的有效率，进而提高模型预测能力，更能提高模型预测结果的准确率。

如图6所示，在一个实施例中，步骤s306中根据目标特征数据与资源转移数据，生成模型训练样本之后，具体包括如下步骤：

s3082，将模型训练样本输入至用户需求度预测模型。

其中，用户需求度预测模型可以是指用于计算用户对当前所投网络媒介信息需求度的算法模型，该模型可应用于延迟消费场景中，实现对目标商品对应的网络媒介信息进行用户需求度预测。

具体地，服务器120利用目标特征数据与资源转移数据生成模型训练样本之后，可将该模型训练样本输入至用户需求度预测模型，用以计算用户对当前所测网络媒介信息的需求度。

例如，预测用户对某一张优惠券是否感兴趣。

s3084，获取用户需求度预测模型输出的预测结果，得到网络媒介信息的用户需求度。

具体地，用户需求度预测模型的输出结果，即包括当前针对目标商品所投网络媒介信息的用户需求度，得到该用户需求度，可对定向用户群进行信息投放，用以提高实际应用场景的业务指标。

本实施例中，服务器可将当前生成的模型训练样本输入至用户需求度预测模型，用以获取网络媒介信息的用户需求度，从而利用该用户需求度确定网络媒介信息的定向投放人群，以此提高实际应用场景的业务指标，更可满足用户需求。

在一个实施例中，步骤s3084中获取用户需求度预测模型输出的预测结果，得到目标商品在网络媒介信息投放后的用户需求度，具体包括如下步骤：

s30842，通过预设的推荐算法，获取用户需求度预测模型输出的预测结果，得到网络媒介信息的用户需求度。

具体地，通过预设的推荐算法，可提高服务器120对网络媒介信息用户需求度的预测能力，便于服务器120计算用户对目标商品所对应网络媒介信息的真实需求。

本实施例中，服务器可通过预设的推荐算法计算得到网络媒介信息的用户需求度，从而提高模型预测能力，更能提高模型预测结果的准确率。

在一个实施例中，预设的推荐算法包括基于内容推荐算法、协同过滤算法、基于规则推荐算法、基于效用推荐算法、基于知识推荐算法中的任意一项。

其中，基于内容推荐算法可以是指根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似物品的算法。

其中，协同过滤算法可以是指仅通过了解用户与物品之间的关系进行推荐，而无需考虑物品本身属性的算法。

其中，基于规则推荐算法可以是基于关联规则的推荐算法，即以关联规则为基础，将己购商品作为规则头，规则体作为推荐对象的算法。

其中，基于效用推荐算法可以是指建立在对用户使用项目的效用情况上计算的，其核心问题是怎样为每一个用户去创建一个效用函数，因此，用户资料模型很大程度上是由系统所采用的效用函数决定的。

其中，基于知识推荐算法可以是指一种推理技术。

具体地，在实际应用中，服务器120可根据项目需求确定使用上述推荐算法中的任意一项，来计算目标商品所对应网络媒介信息的用户需求度。

本实施例中，提供了多种推荐算法供服务器在控制模型实际计算预测时进行使用，可进一步提高模型预测效率及准确率。

为了便于本领域技术人员深入理解本申请实施例，以下将结合图7说明一个具体示例。图7是本申请实施例中一种模型训练数据构建的流程示意图，应用于延迟消费场景中的“微信支付的券推荐业务场景”。

从图7中可见，包括有模型建模的三个阶段：数据准备、模型训练以及模型预测。其中，本申请主要提供了在数据准备阶段的模型训练数据构建方案，即如何生成可供模型训练的样本数据。首先说明该图7中的时间线内容，包括2019年9月25日“微信支付侧指定券投放计划”(构建了一种优惠券的投放计划)、2019年9月30日“向某一用户曝光优惠券用户领取”(网络媒介信息-优惠券的曝光)、2019年10月10日“用户在某一门店核销领取到的券”(用户使用优惠券进行了一笔交易)、2019年10月11日“构建模型训练数据”。

可以确定的是，2019年10月10日，用户使用优惠券针对目标商品进行资源转移操作时，模型训练样本生成，但是该样本生成时间实际为采样时间，使用采样时间生成的特征数据易出现特征穿越问题，则需进一步获取样本时间生成的目标特征数据，即与2019年9月25日所示样本时间相关联时间生成的特征数据。

而在确定2019年9月25日为样本时间之后，实际采用2019年9月24日生成的目标特征数据，原因在于2019年9月25日“微信支付侧指定券投放计划”(构建了一种优惠券的投放计划)之前，服务器120实际已预存有该时间点的特征数据。由此，服务器120当前构建模型训练数据采用的是“t+n”组合特征样本模式，即使用t时刻(2019年9月24日)的特征、t+n时刻(2019年10月10日)的样本构建模型训练数据，而并非是“t+1”组合特征样本模式：t时刻(2019年10月9日)的特征、t+1时刻(2019年10月10日)的样本。

上述实施例中，可通过获取特定时间的目标特征数据提高模型训练样本的有效率，进而增强模型预测能力，更能提高模型预测结果的准确率。

应该理解的是，虽然图3-6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3-6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。

如图8所示，在一个实施例中，提供了一种样本生成装置800，该装置800可设置于样本生成系统中，用于执行上述样本生成方法，样本生成装置800具体包括：数据获取模块802、特征确定模块804以及样本生成模块806，其中：

数据获取模块802，用于获取目标商品在网络媒介信息投放后的资源转移数据；资源转移数据包括资源转移时间；

特征确定模块804，用于确定网络媒介信息的信息投放时间，并根据信息投放时间与资源转移时间，从预存的至少两组候选特征数据中确定目标特征数据；

样本生成模块806，用于根据目标特征数据与资源转移数据，生成模型训练样本。

在一个实施例中，特征确定模块804还用于确定网络媒介信息的信息投放时间；将信息投放时间与资源转移时间进行匹配；若信息投放时间与资源转移时间不匹配，则根据信息投放时间，从预存的至少两组候选特征数据中确定目标特征数据。

在一个实施例中，特征确定模块804还用于若信息投放时间与资源转移时间不匹配，则从预存的至少两组候选特征数据中，确定与信息投放时间相匹配的候选特征数据，作为目标特征数据。

在一个实施例中，数据获取模块802还用于获取目标商品在网络媒介信息投放后的历史日志数据；读取历史日志数据中的资源转移状态；当资源转移状态为已转移状态时，确定历史日志数据，作为资源转移数据。

在一个实施例中，样本生成装置800还包括预测结果获取模块，用于将模型训练样本输入至用户需求度预测模型；获取用户需求度预测模型输出的预测结果，得到网络媒介信息的用户需求度。

在一个实施例中，预测结果获取模块还用于通过预设的推荐算法，获取用户需求度预测模型输出的预测结果，得到网络媒介信息的用户需求度。

本实施例中，服务器可通过获取目标商品在网络媒介信息投放后的资源转移数据，得到资源转移数据中的资源转移时间，进而在确定网络媒介信息的信息投放时间后，利用信息投放时间与资源转移时间从预存的至少两组候选特征数据中确定目标特征数据，以便利用该目标特征数据和前序步骤得到资源转移数据组合生成模型训练样本。采用本方案，可通过获取特定时间的目标特征数据提高模型训练样本的有效率，进而增强模型预测能力，更能提高模型预测结果的准确率。

在一个实施例中，本申请提供的样本生成装置可以实现为一种计算机程序的形式，计算机程序可在如图2所示的计算机设备上运行。计算机设备的存储器中可存储组成该样本生成装置的各个程序模块，比如，图8所示的数据获取模块802、特征确定模块804以及样本生成模块806。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的样本生成方法中的步骤。

例如，图2所示的计算机设备可以通过如图8所示的样本生成装置中的数据获取模块802执行步骤s302。计算机设备可通过特征确定模块804执行步骤s304。计算机设备可通过样本生成模块806执行步骤s306。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述样本生成方法的步骤。此处样本生成方法的步骤可以是上述各个实施例的样本生成方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述样本生成方法的步骤。此处样本生成方法的步骤可以是上述各个实施例的样本生成方法中的步骤。

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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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本申请专利范围的限制。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。