一种海洋大数据文本分类方法及系统与流程

本发明涉及海洋数据
技术领域：
，具体涉及一种海洋大数据文本分类方法及海洋大数据文本分类系统。
背景技术：
：海洋大数据已成为我国大数据战略资源重要组成部分，建立科学的海洋数据智能管理服务具有深远的战略意义。在海洋大数据建设方面，数据的快速增长虽然使数据更全面，但是也出现了数据过载、数据噪声等问题影响数据的采集与利用。海量数据的多样性与异构性需要巨大的数据存储空间，数据的存储管理也比较困难。因此，如何提高海洋大数据资源的存储、管理与整合、快速有效地提取高价值的数据、科学地管理数据进行数据应用，是当前我国海洋大数据建设过程中所面临的挑战。互联网数据大部分都来源于网页，从结构化或半结构化的网页中提取正文信息、标题、文件或者其他有用信息对于数据挖掘、信息利用有很大的价值，而正文抽取确实是一个困惑性的难题。文本数据分类技术被广泛应用于不同的领域，其中包括邮件分类、主题跟踪等领域。文本数据分类技术能够自动解决海量数据的分类问题，从而提升数据利用效率。由于数据的多领域和多样性，对文本分类技术又提出一个新的需求，那就是个性化分类。对于海洋类文本数据而言,现有研究的困难在于：第一，对于海洋领域专业术语较为复杂其海洋领域词语的词向量质量尚未有较为完善的统一的衡量标准；第二，对于海洋领域词语的多语义数值化表示的研究仍处于起步阶段，现有关于领域词汇研究成果对于训练成本和训练质量难以两全，或者比较专注于一项自然语言处理任务或某一领域，缺少专业领域扩展性；第三，现有的海洋领域文本种类繁杂导致在数据处理的过程中会出现数据融合差的问题。因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个上述难点。技术实现要素：本发明的目的在于提供一种海洋大数据文本分类方法，来克服或至少减轻现有技术的至少一个上述缺陷。本发明的一个方面，提供一种海洋大数据文本分类方法，所述海洋大数据文本分类方法包括：获取待分类原始文本数据，所述待分类原始文本数据包括有效特征词数据以及无效词数据；对所述待分类原始文本数据进行预处理，从而获取有效特征词数据；根据有效特征词数据获取有效特征词向量模型，所述有效特征词向量模型包括关键词数据；生成加权关键词数据；根据所述加权关键词数据对所述有效特征词向量模型中的关键词数据进行权重分配处理，从而获得权重特征词数据；将所述权重特征词数据输入至训练后的海洋文本分类器，从而获取海洋文本分类结果。可选地，所述获取待分类原始文本数据包括：通过网页抽取的方式获取待分类原始文本数据。可选地，所述对所述待分类原始始文本数据进行预处理，从而生成有效特征词数据包括：获取获取去噪表，所述无效信息表包括停用词表以及无效信息表；根据去噪表对所述待分类原始文本数据进行去噪处理，从而去除所述待分类原始文本数据中无效词数据，从而获取有效特征词数据。可选地，所述根据有效特征词数据生成有效特征词向量模型包括：获取词向量表示模型，所述词向量表示模型包括连续词袋模型以及跳字模型中的一个；将所述有效特征词数据输入至所述词向量表示模型，从而获取有效特征词向量模型。可选地，所述获取加权关键词数据包括：获取海洋领域学科词汇信息，所述海洋领域学科词汇信息包括至少一个关键词；为每个关键词设置权重系数，从而生成加权关键词数据。可选地，所述为每个海洋词汇设置权重系数，从而生成加权关键词数据包括：生成学科词典；获取每个海洋词汇在学科词典中的词频以及类间特征值；根据每个海洋词汇的在学科词典中的词频以及类间特征值生成对应的每个海洋词汇设置权重系数，从而生成加权关键词数据。可选地，所述根据所述加权关键词数据对所述有效特征词向量模型进行权重分配处理，从而获得权重特征词数据包括：将有效特征词向量模型中的与加权关键词数据中有对应关系的关键词数据根据所述加权关键词数据设置权重系数；将所述根据所述加权关键词数据设置权重系数的关键词数据与有效特征词向量模型中的其他数据融合从而获得权重特征词数据。可选地，所述将所述权重特征词数据输入至训练后的海洋文本分类器，从而获取海洋文本分类结果包括：生成海洋文本分类器；训练所述海洋文本分类器，使海洋文本分类器能够根据输入的特征生成分类标签，所述分类标签代表输入的特征所对应的海洋文本分类结果，所述海洋文本分类结果包括物理海洋标签、海洋生物标签、海洋地质标签、海洋化学标签和其他类型标签；将所述权重特征词数据输入至训练后的海洋文本分类器，从而获取海洋文本分类结果。本申请还提供了一种海洋大数据文本分类系统，所述海洋大数据文本分类系统包括：原始文本获取模块，所述原始文本获取模块用于获取待分类原始文本数据，所述待分类原始文本数据包括有效特征词数据以及无效词数据；预处理模块，所述预处理模块用于对所述待分类原始文本数据进行预处理，从而获取有效特征词数据；向量模型生成模块，所述向量模型生成模块用于根据有效特征词数据获取有效特征词向量模型，所述有效特征词向量模型包括关键词数据；加权关键词数据生成模块，所述加权关键词数据生成模块用于生成加权关键词数据；权重分配模块，所述权重分配模块用于根据所述加权关键词数据对所述有效特征词向量模型中的关键词数据进行权重分配处理，从而获得权重特征词数据；海洋文本分类器，所述海洋文本分类器用于将所述权重特征词数据输入至训练后的海洋文本分类器，从而获取海洋文本分类结果。本申请还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述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如上所述的海洋大数据文本分类方法。有益效果本发明的海洋大数据文本分类方法通过对待分类原始文本数据的预处理、加权，从而能够获得更为准确的分类结果。附图说明图1为本发明第一实施例的海洋大数据文本分类方法的流程示意图。图2是本申请一个建立了海洋领域学科专业词典，包括物理海洋、海洋生物、海洋地质、海洋化学四大学科词典示示意图。图3是本申请一个bi-lstm+fe-attention算法模型结构示意图。图4是本申请在各文本分类方法实验结果对比示意图。具体实施方式为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，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，都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制。图1为本发明第一实施例的海洋大数据文本分类方法的流程示意图。如图1所示的海洋大数据文本分类方法包括：步骤1：获取待分类原始文本数据，待分类原始文本数据包括有效特征词数据以及无效词数据；步骤2：对待分类原始文本数据进行预处理，从而获取有效特征词数据；步骤3：根据有效特征词数据获取有效特征词向量模型，有效特征词向量模型包括关键词数据；步骤4：生成加权关键词数据；步骤5：根据加权关键词数据对有效特征词向量模型中的关键词数据进行权重分配处理，从而获得权重特征词数据；步骤6：将权重特征词数据输入至训练后的海洋文本分类器，从而获取海洋文本分类结果。本发明的海洋大数据文本分类方法通过对待分类原始文本数据的预处理、加权，从而能够获得更为准确的分类结果。在本实施例中，获取待分类原始文本数据包括通过网页抽取的方式获取待分类原始文本数据。可以理解的是，还可以是直接通过使用者提供的待分类原始文本数据，待分类原始文本数据可以是论文、书籍或者其他文字信息。在本实施例中，步骤2：对待分类原始始文本数据进行预处理，从而生成有效特征词数据包括：步骤21：获取去噪表，所述无效信息表包括停用词表以及无效信息表；步骤22：根据去噪表对待分类原始文本数据进行去噪处理，从而去除待分类原始文本数据中无效词数据，从而获取有效特征词数据。在本实施例中，步骤3：根据有效特征词数据生成有效特征词向量模型包括：步骤31：获取词向量表示模型，词向量表示模型包括连续词袋模型以及跳字模型中的一个；步骤32：将有效特征词数据输入至词向量表示模型，从而获取有效特征词向量模型。在本实施例中，步骤4：获取加权关键词数据包括：步骤41：获取海洋领域学科词汇信息，海洋领域学科词汇信息包括至少一个关键词；步骤42：为每个关键词设置权重系数，从而生成加权关键词数据。在本实施例中，步骤42：为每个关键词设置权重系数，从而生成加权关键词数据包括：步骤421：生成学科词典；步骤422：获取每个海洋词汇在学科词典中的词频以及类间特征值；步骤423：根据每个海洋词汇的在学科词典中的词频以及类间特征值生成对应的每个海洋词汇设置权重系数，从而生成加权关键词数据。在本实施例中，步骤5：根据加权关键词数据对有效特征词向量模型进行权重分配处理，从而获得权重特征词数据包括：步骤51：将有效特征词向量模型中的与加权关键词数据中有对应关系的关键词数据根据加权关键词数据设置权重系数；步骤52：将根据所述加权关键词数据设置权重系数的关键词数据与有效特征词向量模型中的其他数据使用tf-idf算法，使用该算法来评估一个字词在整个文本中的重要性，在对文本进行向量表示时，对词向量加权突出文本特征。字词的重要性随字词在文档出现频次增加而提高，同时字词的重要性随着其在整个语料库中出现的频次增加而降低。在本实施例中，步骤6：将权重特征词数据输入至训练后的海洋文本分类器，从而获取海洋文本分类结果包括：步骤61：生成海洋文本分类器；步骤62：训练海洋文本分类器，使海洋文本分类器能够根据输入的特征生成分类标签，分类标签代表输入的特征所对应的海洋文本分类结果，海洋文本分类结果包括物理海洋标签、海洋生物标签、海洋地质标签、海洋化学标签和其他类型标签；步骤63：将权重特征词数据输入至训练后的海洋文本分类器，从而获取海洋文本分类结果。在本实施例中，在训练海洋文本分类器之前，对海洋类文本数据进行表达，建立了海洋学科类的专业词典，实现了更准确的文本分词，从而更好地表达文本语义。自定义词典内容包括各专业的专业词汇表与专业分词软件相结合生成最优词表，对文本内容准确分割，正确表达文本语义。在每次使用时，通过tf-icf方法预计算词权重，将有效特征词增强表达，在进行文本分类计算时与attention机制相结合，使海洋类文本数据分类更加准确可用。本申请至少存在以下有益技术效果：1、本申请使用深度学习改进的算法对对海洋类文本数据进行多特征的融合识别，相比于传统的深度学习方法，具有更高的识别效率。2、识别方案可以与网页数据抽取功能融合，实现网页数据自动抽取与分类，大大减小了数据的存储压力也避免了增加额外的数据冗余，相对的节省了网页抽取的内存。3、实现特征增强(featureenhancement,fe)的海洋类文本数据分类，建立了海洋领域学科专业词典，包括物理海洋、海洋生物、海洋地质、海洋，化学四大学科。4、将海洋类文本数据输入bi-lstm模型，通过预生成的文本词权重与attention机制相结合，实现特征增强的海洋类文本数据智能识别与分类。在本实例中，进行文本分类时，计算机并不能直接对文本数据进行计算，需要将文本数据转换为向量(即有效特征词向量模型)表示才能够对文本进行表达。文本向量表达时，最重要的则是文本数据的正确分割，若词语进行了错误分割，则文本语义表达则受到影响。一个专业词典对于学科专业领域的文本分类、信息挖掘非常重要，所以在进行文本分类时先进行了学科词典建设。学科涵盖范围有物理海洋、海洋生物、海洋地质、海洋化学主要学科，保证了文本数据能够在词向量空间正确表达，使文本分类达到更好效果。在实际使用中，待分类原始文本数据会出现一些无效信息(去噪表中的无效信息表)，包括标点符号、数字等，这些信息在文本语义表达时并没有意义，只是文本描述时的规则，所以将这些符号进行删除，可以减少模型计算量(即对待分类原始文本数据进行预处理，从而获取有效特征词数据)。同时在文本中还会出现虚词、数词和助词等一些连接性词语，这些价值相对较低的词语被称之为停用词(去噪表中的停用词表)，如在中文中的一、有、个、吧、彼此等词语，这些词语在文本分类计算中并不会对分类结果产生决定性的影响，所以这些词语又被称为文本噪音。为了解决文本噪音，本课题汇总了多个网络停用词表。在本实例中通过去噪表对文本数据进行处理，保留有效文本信息，相当于文本去噪处理，即减少了计算量又保留了数据的强相关特征。在文本分类领域，通过停用词典对文本进行预处理后，能够很大程度地提高模型训练效率及模型分类准确率。在本实例中在完成文本预处理后，需要将分词后的词语转化为计算机能够理解的词向量(即有效特征词向量模型)表达。在本实施例中，通过word2vec模型进行转换，具体地，常用的词向量表示模型有两种，分别是连续词袋模型(continuousbagofwords,cbow)和跳字模型(skip-gram)。本申请根据需要结合或者单独使用上述两种模型。在本实例中，结合关键词(通常为专业词语)在文本分类中的重要性，提出了基于专业词典的词权重计算方式tf-icf。设一个词语在专业词典中出现在多类别中，那么该词语对于文本类别区分的贡献小，应赋予较低的权重。若该词语仅出现在某一类别的文本中，那么该词语对于文本类别区分的贡献大，所以就应该赋予该词语较高的权重系数。在本实例中提出了tf(词频)和icf(类间特征值)两种特征表达值。词频是该专业词语在文本中的词频，研究发现专业词汇在文章中出现的次数越多该词对于文本分类的影响越大。同时需要计算该词在多专业词典中出现的情况，如果该词出现在多类专业语料库中，那么该词的重要性应该相应降低。本文使用除法对权重进行削弱，该权重值被称为类间特征值，该词称为关键词。对于普通词语，保持其原有特征不变，对于专业词语结合词频和类间特征值得到专业特征词词语权重值ew，在文本分类过程中结合attention机制，为专业词汇放大词向量权重。ew＝1+tf*icf(1)词频(tf)计算过程为某个专业词汇ti在整个文本内容中出现的频率，频率越高词ti对整个文本的重要性越高，反之则越低。计算公式如式(2)所示。其中，ni，j为词ti在文档中的出现次数，∑knk，j,为预处理后文档中所有词的数量。类间特征值(icf)为该专业词语在多类文本中的特征表达，设基值为1，计算公式如式(3)所示。icf＝1/cn(3)其中，cn为该专业词语出现的类别数量。本实例中运用编码器和解码器以文本翻译进行解释，编码器-解码器是自然语言处理领域的一种基本的序列到序列(seq2seq)模型框架，是一种常见的深度学习模型框架，编码器-解码器模型就是将遇到的现实问题转化为数学表示，从而得到解决。编码器的作用就是将现实问题转为数学的向量表示，解码器的作用就是将问题的数学向量表示求解，转化为现实解决方案。本专利将编码器和解码器以文本翻译进行解释，模型输入的句子序列为x(x1，x2,...,xn)，期望得到输出序列y(y1,y2,...,yn)，使同一句话转换为不同语言表达。编码器的作用就是将待翻译文本x通过非线性转换使用中间语c＝f(x1，x2,...,xn)，解码器作用则是根据待翻译文本的中间语义表达c和生成的输出单词序列y1,y2,...,yn预测下一个输出单词yn，将输出单词序列组成翻译文本yn，其预测(通过输入句子的序列x和非线性转换c来预测输出的单词)计算表达式如式(4)所示。yn＝g(c,y1,y2,...,yn-1)(4)普通的编码器-解码器模型将输入序列使用固定长度的中间语义c表示，所以使该模型在输入序列较长时，模型性能会受到影响变差。对于文本翻译，在输入较长的文本时，由于中间语义c的长度固定，输入文本的每个单词对每个目标单词影响力相同，所以等到的翻译结果质量差，为了解决这一问题在本实例引入了attention机制对目标单词进行预测，将不重要的信息进行忽略，对重要信息加强注意力，也就是通过权重系数表示，越重要的信息，则权重系数越大，更好的保留原有数据的特征信息。本申请的海洋文本分类器采用bi-lstm神经网络与attention机制结合的深度学习模型结构，通过特征增强(featureenhancement,fe)算法，将文本中的特征关键词进行加权处理，然后对原文本数据进行加权表示，使文本分类结果更加准确。算法的具体操作是，首先将待分类文本数据进行预处理，通过tf-icf算法进行词权重计算，文本经过bi-lstm神经网络进行计算得到融合文本上下文信息的特征表达后，将预计算词语权重与attention机制结合，增强特征词权重，得到加权后的文本特征表示，通过特征增强提升文本分类准确度。bi-lstm+fe-attention模型结构如图3所示。实例实现的过程：首先需要将预处理后的文本数据映射为低维度的词向量x(x1，x2,...,xn)表示，输入bi-lstm神经网络层提取文本上下文语义信息，然后将ew特征值与attention权重计算进行融合，对有效特征进行强化，得到更具有区分度的文本语义特征表示，最终输入softmax层对文本进行分类计算，得到文本分类结果y。在本实例中，fe-attention机制是将有效特征词权重与传统attention权重相融合，强化有效特征，从而实现文本特征增强。传统的attention机制在文本分类中的应用原理是将bi-lstm输出的文本语义表达使用激活函数做非线性转换，进行注意力权重分配，该过程完全由模型训练完成，会丢失一部分强相关特征词的特征权重。本文将词权重ew与注意力权重分配计算相融合，计算出特征增强的注意力权重分配，通过归一化处理得到词语语义权重，最后得到加权文本语义表达。计算公式如计算公式过程如式(5)-式(7)所示。m＝tanh(h)(5)a＝softmax(wtmew)(6)r＝hat(7)其中h[h1，h2,...,hn]为bi-lstm的输出，m为语义向量，wtm表示注意力得分，ew为预计算词权重，a为归一化后的语义权重，r为合并后的最终文本语义表达。softmax层在得到具有增强语义特征的文本特征表达数据后，将其输入softmax层进行分类计算，得到原有数据所对应的文本类别，其计算公式如式(8)所示。p＝softmax(wr+b)(8)其中w，b表示模型训练所学习的权重矩阵和偏置项。模型训练目标为将训练样本的正确标签与预测标签的交叉熵损失值降到最小，在模型训练过程中使用了l2正则化防止模型过拟合，保证模型的普适性。其计算公式如式(9)所示。其中i为训练样本数量,j为类别数量,为样本正确标签，为样本预测标签，λ为l2正则化系数，为模型参数集合。在对本申请的海洋文本分类器进行训练时，数据选择时主要选择了物理海洋、海洋生物、海洋地质、海洋化学和其他类型五个类别的文本数据，数据的来源主要为网页资讯、文章摘要、学术报告等文本数据。为了保证数据的准确性与可靠性，在研究实施阶段共挑选和标注各类数据各2000条共计10000条数据。数据集按照文本数据类别进行比例划分，80％数据用于训练模型，20％数据用于模型实验。本实例使用了文本分类常用的结果评价标准，通过精确率、召回率和f1-score衡量模型对海洋类文本数据的分类效果。本实例为了验证本文提出的海洋大数据文本分类方法的分类效果，本文使用不同文本分类算法在相同数据集进行模型训练和实验对比。复现了目前主流的文本分类算法：基于bi-lstm模型的文本分类算法与attention-bi-lstm模型的文本分类算法，通过对各类模型进行实验分析，得到了bi-lstm、attention-bi-lstm、bi-lstm+fe-attention模型的相关评价参数，各模型实验结果如表1所示，对比图如图4所示。表1各文本分类方法实验结果方法/标准precision(％)recall(％)f1-score(％)bi-lstm87.1486.1386.63attention-bi-lstm89.4388.8689.14bi-lstm+fe-attention93.2792.5292.89本实例通过对比实验发现，本申请的海洋大数据文本分类方法能够更好地对专业领域的文本数据进行分类，分类效果得到明显提升。本申请还提供了一种海洋大数据文本分类系统，所述海洋大数据文本分类系统包括原始文本获取模块、预处理模块、向量模型生成模块、加权关键词数据生成模块、权重分配模块以及海洋文本分类器，原始文本获取模块用于获取待分类原始文本数据，待分类原始文本数据包括有效特征词数据以及无效词数据；预处理模块用于对所述待分类原始文本数据进行预处理，从而获取有效特征词数据；向量模型生成模块用于根据有效特征词数据获取有效特征词向量模型，所述有效特征词向量模型包括关键词数据；加权关键词数据生成模块用于生成加权关键词数据；权重分配模块用于根据所述加权关键词数据对所述有效特征词向量模型中的关键词数据进行权重分配处理，从而获得权重特征词数据；海洋文本分类器用于将所述权重特征词数据输入至训练后的海洋文本分类器，从而获取海洋文本分类结果。需要说明的是，前述对方法实施例的解释说明也适用于本实施例的装置，此处不再赘述。本申请还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并能够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如上的海洋大数据文本分类方法。举例来说，电子设备包括输入设备、输入接口、中央处理器、存储器、输出接口以及输出设备。其中，输入接口、中央处理器、存储器以及输出接口通过总线相互连接，输入设备和输出设备分别通过输入接口和输出接口与总线连接，进而与计算设备的其他组件连接。具体地，输入设备接收来自外部的输入信息，并通过输入接口将输入信息传送到中央处理器；中央处理器基于存储器中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器中，然后通过输出接口将输出信息传送到输出设备；输出设备将输出信息输出到计算设备的外部供用户使用。本申请还提供了一种计算机可读存储介质，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能够实现如上的海洋大数据文本分类方法。本申请虽然以较佳实施例公开如上，但其实并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此，本申请的保护范围应当以本申请权利要求所界定的范围为准。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动，媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数据多功能光盘(dvd)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。此外，显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称，而不标识任何特定的顺序。附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地标识的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。在本实施例中所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。在本实施例中，装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。当前第1页12