推荐信息生成方法及装置、存储介质、计算设备与流程

1.本公开涉及计算机技术领域，尤其涉及一种推荐信息生成方法、推荐信息生成装置、存储介质及计算设备。


背景技术：

2.随着互联网技术的快速发展，互联网上的信息也越来越多样化。因此，对于商家或者业务提供者来说，将用户的注意力吸引到自己希望用户看到的对象上来已经成为近些年来关注和研究的方向。在该过程中，将不可避免地涉及到针对对象（例如，其可以是商家或者业务提供者提供的内容、服务、产品等）的推荐信息的生成。所述推荐信息例如可以广告、宣传语、视频弹幕等等。然而，面对海量的待推荐对象，通过人工来逐一生成对应的推荐信息是几乎是不可能的。而且，在以视频方式呈现待推荐对象的场景中，人工生成的有限推荐信息往往看起来也会比较单一，浪费视频动态多样性的展示条件。


技术实现要素：

3.提供一种能够自动快速地为待推荐对象生成准确且具有一定宣传性的丰富推荐信息的方法是期望的。典型地，自动地生成针对对象的推荐信息的技术典型地分为两种。第一种是基于人工智能模型的，其主要思路是预先根据大量对象的推荐信息语料，训练人工智能模型，然后再将待推荐对象的信息输入训练后的人工智能模型，以得到针对所述待推荐对象的推荐信息。第二种是从大量对象的推荐信息语料中学习（通常也利用人工智能模型）以得到推荐信息存在于对象信息中的规律，然后针对待推荐对象的信息，按照学习到的规律从待推荐对象的信息中提取推荐信息。然而，发明人研究发现，上述两种技术都面临着一定问题。首先，需要大量的推荐信息语料用于训练，然而训练用的推荐信息语料需要人工事先进行标注，而且对标注的准确度要求很高，导致很难获取到足够的推荐信息语料。其次，受制于人工智能模型本身、训练用的语料的多样性等问题，上述两种技术生成推荐信息的准确性都较低，导致最后生成的推荐信息很多不符合或不匹配待推荐对象，较难应用于实际。再者，上述两种技术生成推荐信息的字数和风格等也难以控制，不够灵活。
4.有鉴于此，本公开提供了推荐信息生成方法和装置，期望克服上面提到的部分或全部缺陷以及其它可能的缺陷。
5.根据本公开的第一方面，提供了一种推荐信息生成方法，包括：获取待推荐对象的类目；从多个预设类目中确定与所述待推荐对象的类目匹配的预设类目，所述多个预设类目中的每个预设类目具有对应的至少一个推荐信息模板；从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板；至少基于所获取的推荐信息模板，生成针对所述待推荐对象的推荐信息。
6.在一些实施例中，所述从多个预设类目中确定与所述待推荐对象的类目匹配的预设类目，包括：对所述待推荐对象的类目进行编码以得到第一编码向量；在所述多个预设类目中，将与所得到的第一编码向量距离最近的第二编码向量对应的预设类目确定为所述匹
配的预设类目，其中所述多个预设类目中的每个预设类目被预先编码为第二编码向量并且与待推荐对象的类目以相同方式被编码。
7.在一些实施例中，所述待推荐对象的类目包括多级类目。所述对所述待推荐对象的类目进行编码以得到第一编码向量包括：将所述多级类目中的至少两级类目按照预设顺序合成为全局类目名；对所述全局类目名进行编码以得到所述对应的第一编码向量。
8.在一些实施例中，在一些实施例中，所述将与所得到的第一编码向量距离最近的第二编码向量对应的预设类目确定为所述匹配的预设类目，包括：将与所得到的第一编码向量的余弦相似度最大的第二编码向量对应的预设类目确定为相匹配的预设类目。
9.在一些实施例中，所获取的推荐信息模板包括具有命名实体通配符的文本模板。所述方法还包括：获取待推荐对象的与所述命名实体通配符对应的目标属性词。所述至少基于所获取的推荐信息模板，生成针对所述待推荐对象的推荐信息包括：用所述目标属性词替代所述文本模板中的对应的命名实体通配符，以生成针对所述待推荐对象的推荐信息。
10.在一些实施例中，所述具有命名实体通配符的文本模板是通过如下步骤生成的：获取所述匹配的预设类目相对应的参考推荐对象的推荐页面；获取参考推荐对象的推荐页面中包含的文本信息；对所获取的文本信息进行筛选，得到符合预设文本条件的文本信息；对符合预设文本条件的文本信息执行命名实体识别以得到符合预设文本条件的文本信息中的预定命名实体；将所述符合预设文本条件的文本信息中的预定命名实体替换为相应的命名实体通配符，以生成所述具有命名实体通配符的文本模板。
11.在一些实施例中，所述对所获取的文本信息进行筛选，得到符合预设文本条件的文本信息，包括：对所获取的文本信息执行规则过滤，以滤除其中满足如下规则中的至少一个的文本信息，所述规则包括：文本信息中的字数大于第一预设字数阈值以及所述字数小于第二预设字数阈值，其中第一预设字数阈值小于第二预设字数阈值；对过滤后得到的文本信息执行情感分析，并去除情感色彩为贬义或中性的文本信息，以得到所述符合预设文本条件的文本信息。
12.在一些实施例中，对符合预设文本条件的文本信息执行命名实体识别以得到符合预设文本条件的文本信息中的预定命名实体，包括：对符合预设文本条件的文本信息进行分词；从分词后的文本信息中识别出所述符合预设文本条件的文本信息中的预定命名实体。
13.在一些实施例中，所获取的推荐信息模板包括推荐词。所述至少基于所获取的推荐信息模板，生成针对所述待推荐对象的推荐信息包括：将所述推荐词作为针对所述待推荐对象的推荐信息。
14.在一些实施例中，所述推荐词是通过如下步骤生成的：获取所述匹配的预设类目相对应的参考推荐对象的评论信息；对所述评论信息进行筛选，以得到符合预设评论条件的评论信息；基于所述符合预设评论条件的评论信息，生成所述推荐词。
15.在一些实施例中，所述对所述评论信息进行筛选，以得到符合预设评论条件的评论信息，包括：对所述评论信息进行分词，以得到多个评论词；对所述多个评论词进行情感分析，并从中去除情感色彩为贬义或中性的评论词，以得到所述符合预设评论条件的评论信息。
16.在一些实施例中，从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板，包括：以获取概率从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板，所述获取的推荐信息模板被获取的获取概率与其在历史上被浏览的次数正相关。
17.根据本公开的第二方面，提供了一种推荐信息生成装置，包括：类目获取模块，被配置成获取待推荐对象的类目；匹配类目确定模块，被配置成从多个预设类目中确定与所述待推荐对象的类目匹配的预设类目，所述多个预设类目中的每个预设类目具有对应的至少一个推荐信息模板；模板获取模块，被配置成从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板；推荐信息生成模块，被配置成至少基于所获取的推荐信息模板，生成针对所述待推荐对象的推荐信息。
18.根据本公开的第三方面，提供了一种计算设备，包括处理器；以及存储器，配置为在其上存储有计算机可执行指令，当计算机可执行指令被处理器执行时执行如上面所述的任意方法。
19.根据本公开的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，当所述计算机可执行指令被执行时，执行如上面所述的任意方法。
20.在本公开要求保护的推荐信息生成方法和装置中，可以基于待推荐对象的类目确定相匹配的预设类目，并获取到与该预设类目相对应的推荐信息模板，进而基于所获取的推荐信息模板来生成推荐信息。在这种推荐信息生成方法中，推荐信息模板的使用有助于保证所生成的推荐信息可以具有期望的宣传效果和风格，并且由于所获取的推荐信息模板与待推荐对象的类目有关，因此该方法也有助于提高所生成的推荐信息的准确性。此外，这种推荐信息生成方法允许自动快速地针对大量的待推荐对象生成推荐信息，有助于提高推荐信息的生成效率。
21.根据下文描述的实施例，本公开的这些和其它优点将变得清楚，并且参考下文描述的实施例来阐明本公开的这些和其它优点。
附图说明
22.现在将更详细并且参考附图来描述本公开的实施例，其中：图1图示了根据本公开的实施例的技术方案可以实施在其中的示例性应用场景；图2图示了根据本公开的一个实施例的一种推荐信息生成方法的示意性流程图；图3图示了根据本公开的一个实施例的一种生成推荐信息模板的方法的示意性流程图；图4图示了根据本公开的一个实施例的另一种生成推荐信息模板的方法的示意性流程图；图5图示了适合于应用在以视频方式呈现待推荐对象的场景下的推荐信息需要具备的特点的示意图；图6图示了根据本公开的实施例生成推荐信息的一种示例性流程架构图；图7a-7d图示了根据本公开的实施例的在以视频方式呈现待推荐对象时呈现所生成的多个推荐信息的示意图；图8图示了利用本公开的实施例所述的推荐信息生成方法生成的推荐信息与人工生成
的推荐信息的宣传性对比图；图9图示了根据本公开的一个实施例的推荐信息生成装置的示例性结构框图；图10图示了一个示例系统，其包括代表可以实现本文描述的各种技术的一个或多个系统和/或设备的示例计算设备。
具体实施方式
23.下面的描述提供了本公开的各种实施例的特定细节，以便本领域的技术人员能够充分理解和实施本公开的各种实施例。应当理解，本公开的技术方案可以在没有这些细节中的一些细节的情况下被实施。在某些情况下，本公开并没有示出或详细描述一些熟知的结构或功能，以避免这些不必要的描述使对本公开的实施例的描述模糊不清。在本公开中使用的术语应当以其最宽泛的合理方式来理解，即使其是结合本公开的特定实施例被使用的。
24.首先，对本技术实施例中涉及的部分用语进行说明，以便于本领域技术人员理解。
25.bert：全称为用于transformer模型的双向编码器表征(bidirectional encoder representations from transformers)，是一个预训练的语言表征模型。它强调了不再像以往一样采用传统的单向语言模型或者把两个单向语言模型进行浅层拼接的方法进行预训练，而是采用新的掩码语言模型(mlm)，以致能生成深度的双向语言表征。bert模型的根基就是transormer，transormer是神经语言程序学(neuro-linguistic programming，nlp)领域主流的特征抽取器。
26.词嵌入：全称为word embedding，其可以被理解为一种映射，其过程是：将文本空间中的某个词，通过一定的方法，映射或者说嵌入（embedding）到另一个数值向量空间，这种表示方法往往意味着一种降维。
27.人工智能(artificial intelligence, ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
28.自然语言处理(nature language processing, nlp)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
29.机器学习(machine learning, ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习
行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。
30.图1图示了根据本公开的实施例的技术方案可以实施在其中的示例性应用场景100。如图1所示，所述应用场景100包括服务器110、终端120、130以及网络140。终端120、130通过网络140与服务器110可通信地耦合在一起。终端120、130上可以安装有各种应用程序或客户端，例如购物类客户端、网页浏览器、社交平台软件等等。作为示例，用户可以通过终端120或130上的应用程序或客户端浏览服务器110提供的各种对象，所述对象例如可以是新闻页面、购物网站上的商品或产品等。应当指出，这里仅示出了两个终端，事实上可以存在三个或更多个终端。
31.所述服务器110可以是提供各种服务的服务器，例如新闻类网站或者购物类网站的后台服务器。服务器110可以自动非人工地为其上的海量对象（在本文中成为待推荐对象，例如商品等）生成推荐信息，以便用户在通过终端120或130上的应用程序或客户端浏览对象时能够快速关注到所述对象或者所述对象的一些属性，从而吸引用户的注意力。服务器110可以预先生成或者可以在用户浏览对象时实时生成这些推荐信息。在一些实施例中，服务器110可以获取待推荐对象的类目；从多个预设类目中确定与所述待推荐对象的类目匹配的预设类目，所述多个预设类目中的每个预设类目具有对应的至少一个推荐信息模板；从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板；至少基于所获取的推荐信息模板，生成针对所述待推荐对象的推荐信息。
32.可选地，服务器110可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。上述终端120、130可以包括但不限于以下至少之一：手机、平板电脑、笔记本电脑、台式pc机、数字电视等可以呈现内容的终端。所述网络140例如可以是广域网（wan）、局域网（lan）、无线网络、公用电话网、内联网以及本领域的技术人员熟知的任何其它类型的网络。还应当指出，上面描述的场景仅仅是本公开的实施例可以被实施在其中的一个示例，并不是限制性的。
33.应当指出，上面描述的场景仅仅是本公开的实施例可以被实施在其中的一个示例，并不是限制性的。例如，在一些实施例性场景中，也可能在特定终端上实现推荐信息的生成。
34.图2图示了根据本公开的一个实施例的一种推荐信息生成方法200的示意性流程图。所述方法200例如可以实施在诸如图1中的服务器110上，当然这不是限制性的。如图2所示，所述方法200包括如下步骤。
35.在步骤210，获取待推荐对象的类目。所述待推荐对象例如可以是可供浏览的新闻页面、购物网站上的商品或产品等等。所述待推荐对象可以保存在预设的对象库中，并且对象库中的每个对象都可以具有对应的类目。所述对象库可以例如被存储在服务器110中或与服务器110相关的装置中，并且例如可以是购物网站的产品库。所述类目可以是针对对象库中的对象预设的标准类目结构中的类目。在一些实施例中，所述类目可以包括单个类目
, , ,
ꢀ…
, ），预设类目被预先编码成的第二编码向量为预设类目被预先编码为x=（, , , ,
ꢀ…
,）,则两者的余弦相似度为 。
42.在步骤230，从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板。在一些实施例中，可以从与所述匹配的预设类目相对应的至少一个推荐信息模板中随机获取推荐信息模板。在另外一些实施例中，可以以获取概率从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板，所述获取的推荐信息模板的获取概率可以与所述获取的推荐信息模板历史上被浏览的次数正相关。即，一个推荐信息模板例如被用户在历史上浏览的次数越高，其被获取的概率也越高，因为这表明所述推荐信息模板更能吸引用户的注意力。
43.在一些实施例中，所获取的推荐信息模板可以包括具有命名实体通配符的文本模板。在一些实施例中，所获取的推荐信息模板替换地或者附件地可以包括推荐词，如在下面更详细地介绍的。应当指出，这里所述获取的推荐信息模板的个数可以为一个或多个。在获取的推荐信息模板的个数为多个的情况下，所述多个推荐信息模板中的一些可以是具有命名实体通配符的文本模板，另一些可以是推荐词。
44.在步骤240，至少基于所获取的推荐信息模板，生成针对所述待推荐对象的推荐信息。在一些实施例中，在获取到多个信息模板的情况下，可以生成针对所述待推荐对象的与所述多个信息模板的对应的多个推荐信息。所述多个推荐信息模板特别适合于以视频方式呈现或推广待推荐对象的场景中。例如，可以随着视频的播放，在预先设定的视频播放时间节点处随机地或者顺序地逐个呈现所生成的多个推荐信息。
45.在一些实施例中，所获取的推荐信息模板包括具有命名实体通配符的文本模板。在这种情况下，可以首先获取待推荐对象的与所述命名实体通配符对应的目标属性词，然后用所述目标属性词替代所述文本模板中的对应的命名实体通配符，以生成针对所述待推荐对象的推荐信息。待推荐对象的目标属性词指的是待推荐对象具有的属性所对应的描述性词语。例如，待推荐对象为商品时，所述商品的品牌名和商品名都可以是所述商品的目标属性词，当然这不是限制性的。目标属性词通常可以是对象库中每个待推荐对象都具有的属性所对应的描述性词语。所获取的对象的目标属性词通常与文本模板中的命名实体通配符相对应，当然这不是限制性的。
46.作为示例，所述文本模板可以是“{品牌名}{商品名}，喝得放心，美味无敌”，其中所述{品牌名}和{商品名}即为命名实体通配符，其可以被替换为具体的品牌名和商品名。作为示例，获取到的目标属性词为品牌名“蒙牛”、商品名“酸酸乳”，则基于所述目标属性词和所述目标推荐信息模板生成的推荐信息为“蒙牛酸酸乳，喝得放心，美味无敌”。
47.在一些实施例中，所获取的推荐信息模板包括推荐词。所述推荐词例如是不具有通配符的描述性文字。在这种情况下，可以直接将所述推荐词作为针对所述待推荐对象的推荐信息。作为示例，推荐词可以是“美味无敌”，则生成的推荐信息可以是“美味无敌”。或者，可以首先获取待推荐对象的一些目标属性词，例如，品牌名和商品名，然后将所述目标属性词与所述推荐词进行组合以生成针对所述待推荐对象的推荐信息。作为示例，推荐词可以是“美味无敌”，则生成的推荐信息可以是“蒙牛酸酸乳美味无敌”。
48.在本公开的实施例描述的推荐信息生成方法中，可以基于待推荐对象的类目确定
相匹配的预设类目，并获取到与该预设类目相对应的推荐信息模板，进而基于所获取的推荐信息模板以及可选性进一步基于目标词自动来生成推荐信息。在这种推荐信息生成方法中，推荐信息模板的使用有助于保证所生成的推荐信息可以具有期望的宣传效果和风格，并且由于所获取的推荐信息模板与待推荐对象的类目有关，因此该方法也有助于提高所生成的推荐信息的准确性。此外，这种推荐信息生成方法允许自动快速地针对大量的待推荐对象生成推荐信息，有助于提高推荐信息的生成效率。
49.图3图示了根据本公开的一个实施例的一种生成推荐信息模板的方法300的示意性流程图。所述方法300例如可以用来生成如参照图2描述的实施例中的具有命名实体通配符的文本模板。所述方法300可以包括如下步骤。
50.在步骤310，获取预设类目相对应的参考推荐对象的推荐页面。所述预设类目例如可以是参照图2描述针对对象库中的对象预设的标准类目结构中的类目，或者可以通用的类目结构的类目，这不是限制性的。特别地，所述预设类目可以是步骤220中确定的匹配的预设类目。此外，在一些实施例中，可以遍历所述参照图2描述的多个预设类目中的每个预设类目，并获取所述每个预设类目相对应的参考推荐对象的推荐页面。
51.所述参考推荐对象可以为对象库中已有对象，例如商品库中已有商品。参考推荐对象的推荐页面可以是呈现所述参考推荐以及与参考推荐对象相关的各种文本信息的页面，例如web页面。作为示例，购物网站上呈现具体商品详情的页面即为该商品的推荐页面。
52.在步骤320，获取参考推荐对象的推荐页面中包含的文本信息。例如，在所述参考推荐对象为商品时，所述商品的推荐页面中的各种介绍商品的文字都是推荐页面中的文本信息。通常，推荐页面中包括的大部分为与待推荐对象有关的图片，所述图片中包括各种文本信息。在这种情况下，可以使用ocr （optical character recognition，光学字符识别）技术从这些图片中挖掘出其中包含的文本信息，特别是与待推荐对象相关的文本信息。ocr技术是光学字符识别技术，其能从图片中提取出文字的区域，并且识别出其中的文字，从而得到文字的位置和具体内容。
53.在步骤330，对所获取的文本信息进行筛选，得到符合预设文本条件的文本信息。由于所获取的文本信息通常包括很多无用的信息，因此有必要所获取的文本信息进行筛选，以得到符合预设文本条件的文本信息。所述预设文本条件例如可以指示文本信息的长度（例如，字数）、风格、字体（例如，英文、中文、数字）等。
54.在一些实施例中，在对所获取的文本信息进行筛选时，可以首先对所获取的文本信息执行规则过滤，以滤除其中满足如下规则中的至少一个的文本信息，所述规则包括：文本信息中的字数大于第一预设字数阈值以及所述字数小于第二预设字数阈值，其中第一预设字数阈值小于第二预设字数阈值；然后对过滤后的文本信息执行情感分析，并去除情感色彩为贬义或中性的文本信息，以得到所述符合预设文本条件的文本信息。
55.在推荐信息中不希望文字太多而影响阅读体验，对所获取的文本信息执行规则过滤以滤除字数大于第一预设字数阈值的文本信息，能够提高用户对最后生成的推荐信息模板的阅读体验和效率。在推荐信息中也不希望文字太少以不足以概括产品的特性，因此，对所获取的文本信息执行规则过滤以滤除字数小于第二预设字数阈值的文本信息，能够提高最后生成的推荐信息模板的准确性。此外，情感色彩通常包括褒义、中性和贬义三种，通过去除情感色彩为贬义或中性的文本信息，可以得到褒义的文本信息，能够使得最后得到的
推荐信息模板更加吸引用户的关注。作为示例，在实现对过滤后的文本信息执行情感分析时，可以通过使用经训练的神经网络或者关键词匹配算法等来识别过滤后的文本信息中各文本信息的情感色彩（例如，褒义、中性和贬义），然后去除情感色彩为贬义或中性的文本信息。
56.在步骤340，对符合预设文本条件的文本信息执行命名实体识别以得到符合预设文本条件的文本信息中的预定命名实体。命名实体指人名、机构名、地名、品牌名、商品名以及其他所有以名称为标识的实体。命名实体识别（ner）（也称为实体识别、实体分块和实体提取）是信息提取的一个子任务，旨在将文本中的命名实体定位并分类为预先定义的类别，如人员、组织、位置、时间表达式、数量、货币值、品牌名、商品名等。在本公开的实施例中，可以对符合预设文本条件的文本信息执行命名实体识别以得到预定的命名实体，例如得到其中的品牌名、商品名等。
57.在一些实施例中，对符合预设文本条件的文本信息执行命名实体识别时，可以首先对符合预设文本条件的文本信息进行分词，然后从分词后的文本信息中识别出所述符合预设文本条件的文本信息中的预定命名实体。作为示例，可以使用被预先训练的针对所述预定命名实体的ner模型识别出所述符合预设文本条件的文本信息中的预定命名实体。应当指出，可以使用各种分词技术来对对符合预设文本条件的文本信息进行分词。例如，当所述符合预设文本条件的文本信息为英文时，只需要以空格和标点符号为依据即可完成分词。当所述符合预设文本条件的文本信息为中文时，可以利用匹配和统计的方式对中文文本进行分词，常见的分词工具有ltp等。
58.在步骤350，将所述符合预设文本条件的文本信息中的预定命名实体替换为相应的命名实体通配符，以生成所述具有命名实体通配符的文本模板。
59.作为示例，有这样的符合预设文本条件的文本信息“蒙牛酸酸乳，喝得放心，美味无敌”。将所述文本信息分词可以得到：蒙牛、酸酸乳、喝、得、放心、美味无敌。然后可以使用被预先训练好的品牌名识别ner模型识别出其中的品牌名“蒙牛”，使用被预先训练好的商品名识别ner模型识别出其中的商品名“酸酸乳”。然后，将所述文本信息中的识别出的命名实体替换为相应的命名实体通配符，即可得到具有命名实体通配符的文本模板“{品牌名}{商品名}，喝得放心，美味无敌”。
60.在本公开的实施例描述的生成推荐信息模板的方法中，通过获取预设类目相对应的参考推荐对象的推荐页面，并从中提取文本信息，对文本信息进行筛选以及命名实体识别，可以得到具有命名实体通配符的文本模板。这提供了一种快捷地从现有的参考推荐对象的推荐页面获取丰富推荐信息模板的方法，所述方法避免了需要大量样本来训练用于生成推荐信息的机器学习模型，而且由于是按照类目来生成推荐信息模板，使得生成的推荐信息模板有较高的质量（即，准确性较高）和较高的灵活性（例如，推荐信息模板的长度和风格可以控制，其进一步可以决定最后生成的推荐信息的长度和风格），更容易吸引用户的关注。
61.图4图示了根据本公开的一个实施例的另一种生成推荐信息模板的方法400的示意性流程图。所述方法400例如可以用来生成如参照图2描述的实施例中的作为推荐信息模板的推荐词。所述方法400可以包括如下步骤。
62.在步骤410，获取预设类目相对应的参考推荐对象的评论信息。所述预设类目例如
可以是参照图2描述针对对象库中的对象预设的标准类目结构中的类目，或者可以通用的类目结构中的类目，这不是限制性的。特别地，所述预设类目可以是步骤220中确定的匹配的预设类目。在一些实施例中，可以遍历所述参照图2描述的多个预设类目中的每个预设类目，并获取所述每个预设类目相对应的参考推荐对象的评论信息。
63.所述参考推荐对象可以为对象库中已有对象，例如商品库中已有商品。参考推荐对象的评论信息可以是用户在呈现所述参考推荐以及与参考推荐对象相关的各种文本信息的页面中的评论。作为示例，购物网站上呈现具体商品详情的页面中用户评论部分包括的信息即为所述评论信息。
64.在步骤420，对所述评论信息进行筛选，以得到符合预设评论条件的评论信息。由于所获取的评论信息通常包括很多无用的信息，因此有必要所获取的评论信息进行筛选，以得到符合预设评论条件的评论信息。所述预设评论条件例如可以规定评论信息的长度（例如，字数）、风格、字体（例如，英文、中文、数字）等。
65.在一些实施例中，在对所获取的评论信息进行筛选时，可以对所述评论信息进行分词，以得到多个评论词；然后对所述多个评论词进行情感分析，并从中去除情感色彩为贬义或中性的评论词，以得到所述符合预设评论条件的评论信息。情感色彩通常包括褒义、中性和贬义三种，通过去除情感色彩为贬义或中性的评论信息，可以得到褒义的评论信息，能够使得最后得到的推荐信息模板更加吸引用户的关注。当然，在一些实施例中，在对所获取的评论信息进行筛选时，在对评论信息进行分词前还可以首先对所获取的评论信息执行规则过滤，以滤除其中满足如下规则中的至少一个的评论信息，所述规则包括：评论信息中的字数大于第一预设字数阈值以及所述字数小于第二预设字数阈值，其中第一预设字数阈值小于第二预设字数阈值。
66.在推荐信息中不希望文字太多而影响阅读体验，对所获取的评论信息执行规则过滤以滤除字数大于第一预设字数阈值的评论信息，能够提高用户对最后生成的推荐信息模板的阅读体验和效率。在推荐信息中也不希望文字太少以不足以概括产品的特性，因此，对所获取的评论信息执行规则过滤以滤除字数小于第二预设字数阈值的评论信息，能够提高最后生成的推荐信息模板的准确性。
67.在步骤430，基于所述符合预设评论条件的评论信息，生成所述推荐词。在一些实施例中，可以将所述符合预设评论条件的评论信息直接作为所述推荐词。当然，这不是限制性的，还可以从符合预设评论条件的评论信息中提取一些形容词（例如，美味、可口等）作为所述推荐词。
68.在本公开的实施例描述的生成推荐信息模板的方法中，通过获取预设类目相对应的参考推荐对象的评论信息，并从中筛选符合预设评论条件的评论信息，可以得到作为推荐信息模板的推荐词。这提供了一种快捷地从现有的参考推荐对象的评论信息获取丰富的推荐信息模板的方法，所述方法避免了需要大量样本来训练用于生成推荐信息的机器学习模型，而且由于是按照类目来生成推荐信息模板，使得生成的推荐信息模板有较高的质量（即，准确性较高）和较高的灵活性（例如，推荐信息模板的长度和风格可以控制，其进一步可以决定最后生成的推荐信息的长度和风格），更容易吸引用户的关注。
69.本公开的实施例描述的推荐信息生成方法同样非常适合于在以视频方式呈现的待推荐对象的场景中生成推荐信息。图5图示了适合于应用在以视频方式呈现待推荐对象
的场景下的推荐信息需要具备的特点的示意图。如图5所示，在以视频方式呈现待推荐对象的场景下，待推荐对象的推荐信息通常需要具备丰富性、宣传性以及美感。丰富性是要求动态多帧地展现多宣传语，宣传性是要求达到强宣传效果，美感是要求推荐信息有韵味、时尚经典。
70.此外，发明人发现，在以视频方式呈现待推荐对象的场景下，最好还要具备一个非常重要的特点就是简短（因为受限于视频显示场景），简短就是要求推荐信息简洁明了、字数少而精。此简短的特点直接影响和制约前3个特点（即，丰富性、宣传性以及美感），也决定着生成推荐信息的主要方向。在本公开的实施例中，可以通过具有命名实体通配符的文本模板的自动收集来实现推荐信息的丰富性以及宣传性，而且可以通过推荐词库的建立来实现推荐信息的丰富性、宣传性以及美感，并且进一步可以通过生成不同风格的推荐信息来实现所述美感的特点。
71.图6图示了根据本公开的实施例生成推荐信息的一种示例性流程架构图。所述流程架构可以用于实现上面所述的推荐信息的生成，并且特别可以适合用于在以视频方式呈现待推荐对象的场景下生成推荐信息，当然这不是限制性的。如图6所示，所述流程架构图包括三个主要部分，即文本模板和推荐词的自动收集、模板库的离线建立以及推荐信息在线生成。
72.如图6所示，在文本模板和推荐词的自动收集部分，可以获取对象库（例如，商品库）中的参考推荐对象（例如，商品）的推荐页面，以及从中获取包含文本信息的图片以及针对参考推荐对象的评论信息，如参照图3描述的步骤310和参照图4描述的步骤410中那样。作为示例，可以利用自动收集系统来获取包含文本信息的图片以及针对参考推荐对象的评论信息。
73.对于包含文本信息的图片，可以利用ocr技术来从包含文本信息的图片中获取文本信息，从而得到参考推荐对象的推荐页面中包含的文本信息，如参照图3描述的步骤320中那样。然后，可以对所获取的文本信息进行筛选（例如，规则过滤和情感分析等），得到符合预设文本条件的文本信息，如在步骤330中描述的那样；对符合预设文本条件的文本信息执行命名实体识别以得到预定命名实体，如该步骤340中描述的；将所述符合预设文本条件的文本信息中的预定命名实体替换为相应的命名实体通配符，以生成所述具有命名实体通配符的文本模板，如在步骤350中描述的那样。以这种方式，可以针对对象库中的参考推荐对象收集到大量的具有命名实体通配符的文本模板（即，文本模板库）。
74.对于针对参考推荐对象的评论信息，对所述评论信息进行筛选（例如，规则过滤和情感分析等），以得到符合预设评论条件的评论信息，如在步骤420中描述的；然后基于所述符合预设评论条件的评论信息，生成所述推荐词，如在步骤430中描述的。以这种方式，可以针对对象库中的参考推荐对象收集到大量的推荐词（即，推荐词库）。
75.在模板库的离线建立部分，可以将前面收集的大量的具有命名实体通配符的文本模板和推荐词作为推荐信息模板，并按照参考推荐对象的类目（也即前面所述的预设类目）来对推荐信息模板进行分类，也即建立参考推荐对象的类目和推荐信息模板的对应关系，从而建立模板库。为了便于后续使用，可以将参考推荐对象的类目编码为向量（即，前面所述的第二编码向量），以建立第二编码向量与推荐信息模板的对应关系。
76.例如，假设第二编码向量的向量长度为n, 则可以将模板库中参考推荐对象的类
目编码为如下第二编码向量:类目1: (, , , ,
ꢀ…
, ) ;类目2: (, , , ,
ꢀ…
, ) ;类目3: (, , , ,
ꢀ…
, ) ;
…
类目m: (, , , ,
ꢀ…
, )。
77.根据上面所述，按照参考推荐对象的类目（也即前面所述的预设类目）对推荐信息模板进行分类后，每个预设类目可以对应一个或多个推荐信息模板（下面称为推荐信息模板组）。在得到上面的第二编码向量后，既可以建立预设类目的第二编码向量与推荐信息模板组的对应关系如下：(, , , ,
ꢀ…
, ) ：推荐信息模板组1;(, , , ,
ꢀ…
, ) ：推荐信息模板组2;(, , , ,
ꢀ…
, ) ：推荐信息模板组3;
…
(, , , ,
ꢀ…
, )：推荐信息模板组m。
78.在推荐信息在线生成部分，可以获取待推荐对象的类目，如在步骤210所述的；对所述待推荐对象的类目进行编码以得到第一编码向量，并且将与所得到的第一编码向量距离最近的第二编码向量对应的预设类目确定为所述匹配的预设类目，如在步骤220描述的。然后，从上面建立的模板库中获取所述匹配的预设类目（即，距离最近的第二编码向量）相对应的推荐信息模板组，从所述推荐信息模板组中选择推荐信息模板，如在步骤230所述的。最后，基于所选择的推荐信息模板，生成针对所述待推荐对象的推荐信息，如在步骤240所描述的。具体地，在选择的推荐信息模板为具有命名实体通配符的文本模板时，可以获取待推荐对象的与所述命名实体通配符对应的目标属性词（例如，具体的品牌名和商品名）；并且用所述目标属性词替代所述文本模板中的对应的命名实体通配符，以生成针对所述待推荐对象的推荐信息。在选择的推荐信息模板为推荐词时，可以将所述推荐词作为针对所述待推荐对象的推荐信息。
79.在以视频方式呈现待推荐对象的场景下，可以从所述推荐信息模板组中选择多个推荐信息模板，其例如既包括具有命名实体通配符的文本模板，也包括推荐词。然后在以视频方式呈现待推荐对象，可以随着视频的播放，在预先设定的视频播放时间节点处随机地或者顺序地逐个呈现所生成的多个推荐信息。
80.图7a-7d图示了根据本公开的实施例的在例如客户端上以视频方式呈现待推荐对象时呈现所生成的多个推荐信息的示意图。作为示例，如图7a-7d所示，分别在以视频方式呈现待推荐对象“品牌名为优女美的女款t恤”时的四个播放时间节点处呈现了不同的推荐信息。图7a示出了在视频播放的0-2秒内呈现的推荐信息“优女美，你的美”，其是通过具有命名实体通配符的文本模板生成的（品牌名“优女美”替换了文本模板中的关于品牌名的命名实体通配符）。图7b示出了在视频播放的2-4秒内呈现的推荐信息“青春时尚”，其是通过推荐词生成的。图7c示出了在视频播放的4-6秒内呈现的推荐信息“优女美，自由飞”，其是通过具有命名实体通配符的文本模板生成的（品牌名“优女美”替换了文本模板中的关于品牌名的命名实体通配符）。图7d示出了在视频播放的6-8秒内呈现的推荐信息“前卫窈窕”，
其是通过推荐词生成的。当然，应当指出，这仅仅是作为示例来描述的，并不是限制性的。应当理解，这里的推荐信息仅可以通过具有命名实体通配符的文本模板或者推荐词生成。
81.下表示出了利用本公开的实施例所述的推荐信息生成方法（下表中的本方法）生成的推荐信息与人工生成的推荐信息的效果分数的对比。方法/指标丰富性可读性宣传性美感本方法（服饰）4.04.70.950.81人工（服饰）4.55.01.00.97本方法（电器）3.84.50.920.84人工（电器）4.35.01.00.96本方法（家庭用具）3.94.40.960.90人工（家庭用具）4.65.01.00.98本方法（食物）4.24.50.940.88人工（食物）4.85.01.00.96表1。
82.上表中，分别示出了利用“本方法”和“人工”对四类待推荐对象（即，服饰、电器、家庭用具以及食物）生成的推荐信息的效果分数。表中的数字即是对两种方式得到的推荐信息进行评分得到的效果分数。丰富性表示针对某一类对象所产生的推荐信息是否丰富多彩和不单调，分值为1～5分，5分表示最丰富。可读性表示推荐信息是否简短、通顺和流畅，分值为1～5分，5分表示可读性最好。宣传性表示推荐信息对待推荐对象的宣传效果，0分表示完全没有起到宣传效果，1分表示宣传效果最好。美感表示推荐信息是否经典时尚有韵味，0分表示完全，1分表示美感最好。从上面统计结果中，可以看出，利用本公开的实施例所述的推荐信息生成方法生成的推荐信息与人工生成的推荐信息的效果已经十分接近。
83.图8图示了利用本公开的实施例所述的推荐信息生成方法（下表中的本方法）生成的推荐信息与人工生成的推荐信息的宣传性对比图，其基于表1中的数据形成。从图8可以看出，从宣传性来讲，本公开的实施例所述的推荐信息生成方法生成的推荐信息与人工生成的推荐信息的宣传性几乎无区别，因此本公开的实施例所述的推荐信息生成方法可以完美应用于自动且快速地为海量待推荐对象生成准确且具有一定宣传性的推荐信息。
84.图9示出了根据本公开的一个实施例的推荐信息生成装置900的示例性结构框图。如图9所示，所述推荐信息生成装置900包括类目获取模块910，匹配类目确定模块920，模板获取模块930、推荐信息生成模块940。
85.所述类目获取模块910被配置成获取待推荐对象的类目。所述待推荐对象例如可以是可供浏览的新闻页面、购物网站上的商品或产品等等。所述待推荐对象可以保存在预设的对象库中，并且对象库中的每个对象都可以具有对应的类目。所述对象库可以例如被存储在服务器110中或与服务器110相关的装置中，并且例如可以是购物网站的产品库。所述类目可以是针对对象库中的对象预设的标准类目结构中的类目。
86.所述匹配类目确定模块920被配置成从多个预设类目中确定与所述待推荐对象的类目匹配的预设类目，所述多个预设类目中的每个预设类目具有对应的至少一个推荐信息模板。在一些实施例中，述匹配类目确定模块920可以被配置成首先对所述待推荐对象的类目进行编码以得到第一编码向量；然后，在所述多个预设类目中，将与所得到的第一编码向
量距离最近的第二编码向量对应的预设类目确定为所述匹配的预设类目，其中所述多个预设类目中的每个预设类目被预先编码为第二编码向量并且与待推荐对象的类目以相同方式被编码。
87.所述模板获取模块930被配置成从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板。在一些实施例中，所述模板获取模块930可以被配置成从与所述匹配的预设类目相对应的至少一个推荐信息模板中随机获取推荐信息模板。在另外一些实施例中，所述模板获取模块930可以被配置成以获取概率从与所述匹配的预设类目相对应的至少一个推荐信息模板中获取推荐信息模板，所述获取的推荐信息模板的获取概率可以与所述获取的推荐信息模板历史上被浏览的次数正相关。
88.所述推荐信息生成模块940被配置成至少基于所获取的推荐信息模板，生成针对所述待推荐对象的推荐信息。在一些实施例中，所获取的推荐信息模板包括具有命名实体通配符的文本模板。在这种情况下，所述推荐信息生成模块940可以被配置成首先获取待推荐对象的与所述命名实体通配符对应的目标属性词，然后用所述目标属性词替代所述文本模板中的对应的命名实体通配符，以生成针对所述待推荐对象的推荐信息。在一些实施例中，所获取的推荐信息模板包括推荐词。所述推荐词例如是不具有通配符的描述性文字。在这种情况下，所述推荐信息生成模块940可以被配置成直接将所述推荐词作为针对所述待推荐对象的推荐信息。
89.图10图示了示例系统1000，其包括代表可以实现本文描述的各种技术的一个或多个系统和/或设备的示例计算设备1010。计算设备1010可以是例如服务提供商的服务器、与服务器相关联的设备、片上系统、和/或任何其它合适的计算设备或计算系统。上面参照图9描述的推荐信息生成装置900可以采取计算设备1010的形式。替换地，推荐信息生成装置900可以以应用1016的形式被实现为计算机程序。
90.如图示的示例计算设备1010包括彼此通信耦合的处理系统1011、一个或多个计算机可读介质1012以及一个或多个i/o接口1013。尽管未示出，但是计算设备1010还可以包括系统总线或其他数据和命令传送系统，其将各种组件彼此耦合。系统总线可以包括不同总线结构的任何一个或组合，所述总线结构诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线架构中的任何一种的处理器或局部总线。还构思了各种其他示例，诸如控制和数据线。
91.处理系统1011代表使用硬件执行一个或多个操作的功能。因此，处理系统1011被图示为包括可被配置为处理器、功能块等的硬件元件1014。这可以包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其它逻辑器件。硬件元件1014不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由（多个）半导体和/或晶体管（例如，电子集成电路（ic））组成。在这样的上下文中，处理器可执行指令可以是电子可执行指令。
92.计算机可读介质1012被图示为包括存储器/存储装置1015。存储器/存储装置1015表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置1015可以包括易失性介质（诸如随机存取存储器（ram））和/或非易失性介质（诸如只读存储器（rom）、闪存、光盘、磁盘等）。存储器/存储装置1015可以包括固定介质（例如，ram、rom、固定硬盘驱动器等）以及可移动介质（例如，闪存、可移动硬盘驱动器、光盘等）。计算机可读介质1012可以以下面进一步描述的各种其他方式进行配置。
93.一个或多个i/o接口1013代表允许用户使用各种输入设备向计算设备1010输入命令和信息并且可选地还允许使用各种输出设备将信息呈现给用户和/或其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备（例如，鼠标）、麦克风（例如，用于语音输入）、扫描仪、触摸功能（例如，被配置为检测物理触摸的容性或其他传感器）、相机（例如，可以采用可见或不可见的波长（诸如红外频率）将不涉及触摸的运动检测为手势）等等。输出设备的示例包括显示设备（例如，监视器或投影仪）、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备1010可以以下面进一步描述的各种方式进行配置以支持用户交互。
94.计算设备1010还包括应用1016。应用1016可以例如是推荐信息生成装置900的软件实例，并且与计算设备1010中的其他元件相组合地实现本文描述的技术。
95.本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本文所使用的术语“模块”，“功能”和“组件”一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。
96.所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备1010访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。
97.与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息（诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据）的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于ram、rom、eeprom、闪存或其它存储器技术、cd-rom、数字通用盘（dvd）或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。
[0098]“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备1010的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指这样的信号，该信号的特征中的一个或多个被设置或改变，从而将信息编码到该信号中。作为示例而非限制，通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、rf、红外和其它无线介质的无线介质。
[0099]
如前所述，硬件元件1014和计算机可读介质1012代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路（asic）、现场可编程门阵列（fpga）、复杂可编程逻辑器件（cpld）以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。
[0100]
前述的组合也可以用于实现本文所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件1014体现的一个或多个指令和/或逻辑。计算设备1010可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件1014，可以至少部分地以硬件来实现将模块实现为可由计算设备1010作为软件执行的模块。指令和/或功能可以由一个或多个制品（例如，一个或多个计算设备1010和/或处理系统1011）可执行/可操作以实现本文所述的技术、模块和示例。
[0101]
在各种实施方式中，计算设备1010可以采用各种不同的配置。例如，计算设备1010可以被实现为包括个人计算机、台式计算机、多屏幕计算机、膝上型计算机、上网本等的计算机类设备。计算设备1010还可以被实现为包括诸如移动电话、便携式音乐播放器、便携式游戏设备、平板计算机、多屏幕计算机等移动设备的移动装置类设备。计算设备1010还可以实现为电视类设备，其包括具有或连接到休闲观看环境中的一般地较大屏幕的设备。这些设备包括电视、机顶盒、游戏机等。
[0102]
本文描述的技术可以由计算设备1010的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。功能还可以通过使用分布式系统、诸如通过如下所述的平台1022而在“云”1020上全部或部分地实现。
[0103]
云1020包括和/或代表用于资源1024的平台1022。平台1022抽象云1020的硬件（例如，服务器）和软件资源的底层功能。资源1024可以包括在远离计算设备1010的服务器上执行计算机处理时可以使用的应用和/或数据。资源1024还可以包括通过因特网和/或通过诸如蜂窝或wi-fi网络的订户网络提供的服务。
[0104]
平台1022可以抽象资源和功能以将计算设备1010与其他计算设备连接。平台1022还可以用于抽象资源的分级以提供遇到的对于经由平台1022实现的资源1024的需求的相应水平的分级。因此，在互连设备实施例中，本文描述的功能的实现可以分布在整个系统1000内。例如，功能可以部分地在计算设备1010上以及通过抽象云1020的功能的平台1022来实现。
[0105]
应当理解，为清楚起见，参考不同的功能单元对本公开的实施例进行了描述。然而，将明显的是，在不偏离本公开的情况下，每个功能单元的功能性可以被实施在单个单元中、实施在多个单元中或作为其它功能单元的一部分被实施。例如，被说明成由单个单元执行的功能性可以由多个不同的单元来执行。因此，对特定功能单元的参考仅被视为对用于提供所描述的功能性的适当单元的参考，而不是表明严格的逻辑或物理结构或组织。因此，本公开可以被实施在单个单元中，或者可以在物理上和功能上被分布在不同的单元和电路之间。
[0106]
将理解的是，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、部件或部分，但是这些设备、元件、部件或部分不应当由这些术语限制。这些术语仅用来将一个设备、元件、部件或部分与另一个设备、元件、部件或部分相区分。
[0107]
尽管已经结合一些实施例描述了本公开，但是其不旨在被限于在本文中所阐述的特定形式。相反，本公开的范围仅由所附权利要求来限制。附加地，尽管单独的特征可以被包括在不同的权利要求中，但是这些可以可能地被有利地组合，并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须
以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且术语“一”或“一个”不排除多个。权利要求中的附图标记仅作为明确的例子被提供，不应该被解释为以任何方式限制权利要求的范围。