问答效果评估方法及系统与流程

1.本发明涉及计算机技术领域，具体涉及了一种问答效果评估方法及系统。


背景技术：

2.在问答效果评估中若问题与答案越匹配则说明问答效果评估的结果越好，问答的效果评估具有广泛的运用，例如，政务机构具有对市民的问题进行解答的服务与责任，量化地对这些服务的结果进行评估，不仅可以判断这些问答是否对市民起到了真正的帮助，同时也可以成为审核该机构能力的一种指标，以及通过该系统的判断，可以帮助政务机构更加规范的答复使命的问题。
3.现有的技术一般通过人工方式来判断问题与答案的匹配程度，例如，技术人员事先手工编写大量的匹配规则与逻辑，利用人工规则进行判断问题与答案的匹配程度的判断，实践发现，随着问答数据的增多，人工手段在应对当今大数据的时代显得望洋兴叹，如何针对大规模问答数据进行准确、快速的判断是待解决的问题


技术实现要素：

4.本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种问答效果评估方法及系统，能够准确、高效的评估问答效果。
5.本发明的技术方案包括一种问答效果评估方法及系统，所述问答效果评估方法包括：根据答复的评价结果，对所述答复的质量进行标注，生成问答数据的标签；将所述问答数据和所述问答数据的标签输入至改进的预训练语言表征模型进行训练；其中，通过所述改进的预训练语言表征模型的标记嵌入层、分割层和位置编码层得到所述问答数据对应的第一词向量；通过所述改进的预训练语言表征模型的自注意力机制提取所述第一词向量的文本语义特征，输入到所述改进的预训练语言表征模型的分类层得到答复质量评估结果。
6.根据所述问答效果评估方法，每条所述问答数据中包括至少一个的答复，筛选出一个所述答复作为第一答复，根据所述第一答复的评价结果，对所述答复的质量进行批注。
7.根据所述问答效果评估方法，获取所述答复的评价结果，根据预设的阈值确定所述答复的质量等级。
8.根据所述问答效果评估方法，所述对所述改进的预训练语言表征模型进行训练，包括：所述问答数据通过级联的所述标记嵌入层以及所述分割层得到第二词向量，对所述第二词向量进行填充后，通过卷积神经网络得到表征所述第二词向量的位置信息的第三词向量。
9.根据所述问答效果评估方法，所述对所述改进的预训练语言表征模型进行训练，包括：所述问答数据通过所述标记嵌入层得到第四词向量，通过计算所述第二词向量、所述第三词向量、所述第四词向量之和，得到所述第一词向量。
10.根据所述问答效果评估方法，所述对所述改进的预训练语言表征模型进行训练，包括：选取高斯核作为所述自注意力机制中的核函数，将输入的所述第一词向量映射到一
个高斯空间，以学习到各向同性的分布的所述第一词向量的文本语义特征。
11.根据所述问答效果评估方法，所述根据答复的评价结果，对所述答复的质量进行标注之前，还包括：根据所述问答数据对应的话题的热点程度，筛除预设数量的所述问答数据。
12.根据所述问答效果评估方法，所述答复的评价结果，包括点赞数、评分、满意与否的图案、数字或文字的形式。
13.本发明的技术方案还包括一种问答效果评估系统，用于实现上述任一的方法，包括标注模块，用于根据答复的评价结果，对所述答复的质量进行标注，生成问答数据的标签；训练模块，用于将所述问答数据和所述问答数据的标签输入至改进的预训练语言表征模型进行训练。
14.根据所述问答效果评估系统，所述训练模块还包括：词向量模块，用于通过标记嵌入层或分割层或位置编码层计算得到词向量；文本语义特征模块，用于选取高斯核作为自注意力机制中的核函数，将输入的所述第一词向量映射到一个高斯空间，以学习到各向同性的分布的所述第一词向量的文本语义特征；答复质量评估模块，用于通过所述改进的预训练语言表征模型的自注意力机制提取所述第一词向量的文本语义特征，输入到所述改进的预训练语言表征模型的分类层得到答复质量评估结果。
15.本发明的有益效果为：根据改进的预训练语言表征模型对问答数据进行评估，提高预训练语言表征模型的评估准确性；采用cnn绝对位置编码替换传统的位置编码方式，使得预训练语言表征模型能够学习文本的隐藏位置信息同时具有较低的计算复杂度；选取高斯核函数将词向量变换到各向同性的高斯空间，重新整化输入词向量分布，提取表征能力强的语义特征，从而提高预训练语言表征模型的评估准确性。
附图说明
16.下面结合附图和实施例对本发明进一步地说明；
17.图1所示为根据本发明实施方式的一种问答效果评估方法的流程图。
18.图2所示为根据本发明实施方式的一种问答效果评估方法的细节流程图。
19.图3所示为根据本发明实施方式的一种问答效果评估方法的又一流程图。
20.图4所示为根据本发明实施方式的一种问答效果评估方法的又一流程图。
21.图5所示为根据本发明实施方式问答效果评估系统的结构图。
22.图6所示为根据本发明实施方式问答效果评估web服务示意图。
具体实施方式
23.本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
24.本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
25.如图1所示，一种问答效果评估方法，如图1所示，具体步骤如下：
26.s100，根据答复的评价结果，对答复的质量进行标注，生成问答数据的标签；
27.s200，将问答数据和问答数据的标签输入至改进的预训练语言表征模型进行训练；其中，通过改进的预训练语言表征模型的标记嵌入层、分割层和位置编码层得到问答数据对应的第一词向量；通过改进的预训练语言表征模型的自注意力机制提取所述第一词向量的文本语义特征，输入到改进的预训练语言表征模型的分类层得到答复质量评估结果。
28.下面结合图2所示的流程图，如图2所示，在多个实施例中描述上述步骤的细节实施方式。
29.对于神经网络而言普通预训练模型已使用大型数据集做训练，具备了提取浅层基础特征和深层抽象特征的能力，但可能存在模型不收敛，参数不够优化，准确率低，模型泛化能力低，容易过拟合等风险。为避免上述弊端，节省计算资源和计算时间，提高计算效率，本发明的评估模型训练分为预模型的训练和微调模型的训练两个阶段。
30.本发明的数据集主要包括预训练数据集和微调数据集，不同的数据集对应不同训练阶段，预训练数据集对应预模型的训练，微调数据集对应微调模型的训练。
31.预训练数据集采用第三方的问答质量评估数据集，例如，本发明采用webtext2019zh作为预训练数据集。其中预训练数据集中每条问答数据包含话题类型、问题描述、一个或多个答复，其中每个答复带有点赞数、答复id号、答复者的标签，如表1所示。
32.在一实施例中，将真实场景下的收集到的16万条政务问答数据作为微调数据集，微调数据集中每条问答数据包含诉求类型、事发的地点、诉求的标题、咨询的问题、对应答复处理部门、评价等信息，如表2所示。
33.表1.某条问答数据
[0034][0035]
s110，每条问答数据中包括至少一个的答复，筛选出一个答复作为第一答复，根据第一答复的评价结果，对答复的质量进行批注。
[0036]
在一实施例中，可以随机选择一个答复作为问题的第一答复，由于预训练数据集中每条问答数据中可能存在多个答复，不同的答复对应的不同的质量等级，为了使每条问答数据对应一个质量等级，可以随机选择一个答复作为问题的默认答复，使得每条问答数据对应一个质量等级。
[0037]
s120，获取答复的评价结果，根据预设的阈值确定答复的质量等级，具体包括：
[0038]
s121，将评价结果统一转化为数字表示，设定阈值，根据设定的阈值确定答复的质量等级，其中，问答数据中的评价结果包括点赞数、评分、满意与否的图案、数字或文字的形式。
[0039]
评价结果一般是问题答复后的反馈情况，评价结果可以以数字的形式例如，选择1-100，或者1-10，或者1-5中的某个数字进行答复评分，评价可以以图案的形式例如，点赞，给星等；评价可以以文字的形式例如，是/否，或者满意/不满意等。
[0040]
表2.某条问答数据
[0041][0042]
在一实施例中，评价以文字的形式例如，是/否，或者满意/不满意时，将评价结果统一转化为数字表示可采用离散数字分别表示是/否，满意/不满意，例如，1表示否或不满意；2表示是或满意。
[0043]
在一实施例中，评价以以图案的形式例如，点赞，给星等，将评价结果统一转化为数字表示可依据点赞或给星的数量进行统计。
[0044]
划分种类可以根据实际情况进行调整，本发明并未一一例举所有划分的情况，例举的，本发明将答复质量划分为高质量和差质量两类，其中，点赞数超过阈值h，认为答复质量较高，低于阈值h认为答复质量较差，阈值h可以在某一范围内选取，例如，阈值h可在1-50之间选取，当阈值h为3时，点赞数超过3，认为答复质量较高，低于3认为答复质量较差。
[0045]
s130，根据所述问答数据中评价结果的数字表示，筛除预设数量的所述问答数据。
[0046]
评价结果的数字表示越大说明该答复越能得到网友的认可，就越有可能是高质量的答复，根据问题的热度不同，答复质量的划分也难以统一，例如，在浏览热点问题时，往往能看到一些答复的点赞数超过100，对于冷门的问题，其答复的点赞数往往寥寥无几，几乎为0。为了得到更准确的评估模型，根据所述问答数据中评价结果的数字表示，筛除预设数量的所述问答数据。
[0047]
在一实施例中，设评价结果的数字表示的第一阈值为h，评价结果的数字表示的第二阈值为l，对于评价结果的数字表示超过第一阈值为h或者评价结果的数字表示小于第二阈值为l进行筛除，例举的，设评价结果的数字表示的第一阈值为h为50，评价结果的数字表示的第二阈值为l为1，对于评价结果的数字表示超过50或者评价结果的数字表示小于1进行筛除。
[0048]
s140，对问答数据中敏感信息进行脱敏处理。例举的，微调数据集中的对话内容或者其他特征可能涉及隐私、信息安全等信息，需要对微调数据集进行脱敏处理，去除了涉及隐私、信息安全等信息。
[0049]
s150，按预设比例将数据集划分成训练集、测试集和验证集。本发明按照比例将数据集划分成训练集、测试集和验证集，以来对评估模型进行训练、测试和验证。
[0050]
将预训练数据集按照比例划分成预训练集、预测试集和预验证集，比例合理设定即可，本发明将比例设定为8:1:1，其中预训练集、预测试集和预验证集分别为412万，51.5万，51.5万。
[0051]
将微调数据集按照比例划分成微调训练集、微调测试集和微调验证集，例举的，本发明将比例设定为8:1:1，其中微调训练集、微调测试集和微调验证集分别为12.8万，1.6万，1.6万。
[0052]
由于transformer网络使用自注意力机制，无法捕捉序列中的位置信息，本发明采用改进的预训练语言表征模型进行特征的提取和答复效果的评价，与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不同，本发明的语言表征模型能够融合左右上下文信息的深层双向语言表征，提取到词与词之间关系更加全面的特征，其中，基于改进的预训练语言表征模型包括输入、标记嵌入层、分割层、位置编码层和分类器。
[0053]
s200将所述问答数据和所述问答数据的标签输入至改进的预训练语言表征模型进行训练；其中，通过所述改进的预训练语言表征模型的标记嵌入层、分割层和位置编码层得到所述问答数据对应的第一词向量；通过所述改进的预训练语言表征模型的自注意力机制提取所述第一词向量的文本语义特征，输入到所述改进的预训练语言表征模型的分类层得到答复质量评估结果。具体包括：
[0054]
s210，问答数据通过标记嵌入层得到第四词向量，通过计算所述第二词向量、所述第三词向量、所述第四词向量之和，得到所述第一词向量，如图3所述，
[0055]
具体包括：
[0056]
s211，问答数据的标记化处理。将多对问答数据x[n]输出至标记嵌入层之前要先进行标记化处理。文本标记化主要通过wordpiece进行分词。例如，将“阿法狗”切分成了“阿”，“法”，“狗”。此外，两个特殊的标记“[cls]”和“[sep]”会被插入到标记化结果的开头和结尾，其中“[cls]”又被称为“分类头”是一个无明显语义信息的符号，“[cls]”对应向量可以作为整句话的语义表示，从而用于下游的分类任务，“[sep]”即是一个分隔句子的符号也是一个表示输入结束的符号。例举的，输入一对问答文本x[1]被标记化处理后的结果如下所示：
[0057]
[cls]“阿”，“法”，“狗”，“只”，“会”，“下”，“象”，“棋”，“吗”，“？”，“能”，“写”，“小”，“说”，“吗”，“？”[sep]“我”，“相”，“信”，“阿”，“法”，“狗”，“会”，“超”，“越”，“人”，“类”[sep]。
[0058]
s212，问答数据通过所述标记嵌入层得到第四词向量。标记嵌入层用于将各个词转换成固定维度的向量，例举的，本发明中每个字符会被转换成768维的向量表示，上述例子中的30个token就被转换成了一个(30，768)的矩阵或者是(1，30，768)的张量，其中一个token表示一个字符。
[0059]
s213，所述问答数据通过级联的所述标记嵌入层以及所述分割层得到第二词向
量。其中，分割层用于辅助语言表征模型区别句子对中的两个句子的向量表示。例举的，上述例子中，分割层可以用一个(n，768)的矩阵或者是(1，n，768)的张量表示，其中n为30。
[0060]
s214，对第二词向量进行填充后，通过卷积神经网络得到表征所述第二词向量的位置信息的第三词向量。
[0061]
位置编码层用于学习输入的顺序属性，与传统预训练语言表征模型采用一个单层全连接网络进行映射的位置编码不同，本发明在位置编码层进行了改进，利用cnn卷积神经网络在位置信息上具有较强表征能力这一优势采用cnn作为位置信息的编码器，进一步减少了计算的工作量，并且能全面、准确地学习输入文本的位置信息，上述例子中，位置编码层可以用一个(n，768)的矩阵或者是(1，n，768)的张量表示，其中n为30。
[0062]
位置编码器包括输入层、卷积层、池化层、全连接层，其中位置编码层输入层是一个(n，d)大小的矩阵，由于本发明主要是基于文本数据进行特征提取，只对宽度进行卷积，对高度不卷积，故使用一维为卷积核进行卷积，例举的，本发明卷积层采用大小分别为(1，n/3)，(1，n/4)，(1，n/5)的一维卷积核进行卷积，得到j个特征图，其中，每种卷积数目为k，j＝3*k(n-n/3+1)+3*k(n-n/4+1)+3*k(n-n/5+1)，对上述特征图进行zero-padding操作，即在首尾添加0，再使用同一套卷积核进行卷积，获得新的特征图；池化层采用maxpooling对新的特征图进行池化操作拼接得到(1，3k)的特征向量，全连接层采用一个大小为(3k，d)的全连接层做映射得到(1，d)的位置编码向量，其中，激活函数采用sigmoid，最后将(1，d)的位置编码向扩张为(n，d)大小的嵌入矩阵，与输入层矩阵(n，d)相加，实现位置信息的嵌入。
[0063]
上述例子中，位置编码层可以用一个(30，768)的矩阵表示，位置编码层输入是一个(30，768)大小的矩阵，卷积层分别设置大小为(1，10)，(1，7)，(1，6)的一维卷积核进行卷积，得到360个特征图，其中，设每种卷积数目k＝2，j＝360，对上述特征图进行zero-padding操作，即在首尾添加0，再次进行卷积，其中卷积核的大小同样分别为(1，10)，(1，7)，(1，6)，得到新的特征图；池化层使用maxpooling对新的特征图进行池化操作，拼接得到(1，6)的特征向量；全连接层采用一个大小为(6，768)矩阵，与特征向量进行映射得到(1，768)的位置编码向量，其中，激活函数采用sigmoid；最后，将(1，768)的位置编码向量扩张为(30，768)大小的嵌入矩阵，与输入矩阵(30,768)相加，实现位置信息的嵌入。
[0064]
s215，通过计算第二词向量、第三词向量、第四词向量之和，得到第一词向量。其中，第一词向量记为x
′
[n]。
[0065]
采用cnn作为位置信息的编码器主要是运用了cnn中的隐式位置编码机制，学习到隐式位置的信息在文本处理中具有重要作用，能够准确的对答复质量划分，此外与传统预训练语言表征模型的相对位置信息编码相比拥有更低的计算复杂度。
[0066]
s220，通过所述改进的预训练语言表征模型的自注意力机制提取所述第一词向量的文本语义特征。
[0067]
通过所述改进的预训练语言表征模型的自注意力机制提取所述第一词向量的文本语义特征，能够融合左右上下文信息的深层双向语言表征，提取得到词之间关系更加全面的特征，其中，自注意力机制网络包括多头自注意力子层和前馈神经网络子层和残差连接层。例举的，通过基于transformer的特征提取器对进行处理，本发明采用自注意力机制提取所述第一词向量x
′
[n]的文本语义特征x
*
[n]，如图4所示，具体包括：
[0068]
s221，选取高斯核作为所述自注意力机制中的核函数，将输入的所述第一词向量
映射到一个高斯空间，以学习到各向同性的分布的所述第一词向量的文本语义特征。
[0069]
由于特征提取器的输入的词向量其空间具有各向异性，使得transformer最后学习出来的词向量是语义不平滑的，在空间中的某些地方并不能表征语义，导致答复质量分类的准确性较低。为消除词向量的各向异性，本发明采用高斯核替代自注意力机制中的线性核，将输入的词向量映射到一个高斯空间，使得映射后的词向量直接呈平滑的、各向同性的高斯分布，提取到的特征能够较好的表征语义，从而提高答复质量分类准确性。
[0070]
s222，多头自注意力子层通过自注意力机制将输入x
′
[n]转换为矩阵注意力特征向量a[n]。其中，多头自注意力的输入首先进过一个高斯核变换，然后输入到放缩点积，重复多次，然后将多次的放缩点积结果进行拼接，再进行一次线性变换得到的值作为多头的输出，使得特征提取器在不同的子空间里学习到更多关于词之间信息。
[0071]
s223，将第一词向量与矩阵注意力特征向量相加后进行层的标准得到注意力子层标准化后的输出向量。例举的，将输入x
′
[n]与注意力特征向量a[n]相加后进行层的标准后得到向量b[n]，其中，在编码器的一个网络块中，由一个多头自注意力子层和一个前馈神经网络子层组成，将子层输出与子层输入相加再做标准化作为子层标准化后的输出，如公式(1)所示；
[0072]
output＝input+sublayer(input)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0073]
其中，output表示子层的标准化后的输出，inpu表示子层的输入，sublayer(input)为子层的输出。
[0074]
s224，将注意力子层标准化后的输出向量输入到前馈神经网络中得到前馈向量，将注意力子层标准化后的输出向量和前馈向量相加后进行层标准化得到文本语义特征。例举的，将注意力子层标准化后的输出向量b[n]输入到前馈神经网络中得到前馈向量c[n]，将注意力子层标准化后的输出向量b[n]和前馈向量c[n]相加后进行层标准化提取到文本语义特征x
*
[n]。
[0075]
在一实施例中，n＝1，本采用3层transformer网络构建文本语义特征提取模型，因此3层注意力子层加上3层前馈神经网络子层共6个子层，输入为(30,768)矩阵，提取器的输出即文本语义特征x
*
[n]的维度为30*768，其中，语义特征的第一个特征维度为cls最后一特征维度为sep。
[0076]
深度残差网络由n个稠密连接层和拼接层组成，稠密连接层之间通过残差连接，稠密连接层用于将(n-2，d)的词向量映射为(n-2，1)的一维特征向量，拼接层用于将cls向量拼接到一维特征向量(n-2，1)中组成新的特征向量(n-1,1)。去除语义特征中第一个特征维度和最后一特征维度组成新的词向量(n-2，d)，将新的词向量作为深度残差网络的输入；通过dropout对输入的词向量进行正则化，采用relu作为激活函数，最后输出为一维特征向量(n-2，1)；拼接层沿轴拼接将cls向量拼接到一维特征向量(n-2，1)中组成新的特征向量(n-1,1)。
[0077]
s230，第一词向量的文本语义特征输入到所述改进的预训练语言表征模型的分类层得到答复质量评估结果。
[0078]
将文本语义特征输入到全连接层进行答复质量的划分。分类层包括全连接层，新的特征向量(n-1,1)作为分类层的输入，通过一个softmax全连接层进行分类操作，答复质量分类的结果即为问答答复效果评估的结果。
[0079]
本发明采用改进的预训练语言表征模型对问答效果进行评估，采用cnn绝对位置编码替换传统的位置编码方式，能够学习文本的隐藏位置信息同时具有较低的计算复杂度，选取高斯核函数将词向量变换到各向同性的高斯空间，重整化输入词向量分布，提取表征能力强的语义特征，从而提高预训练语言表征模型的评估准确性。
[0080]
第二方面，本发明的实施例还提供一种问答效果评估系统，如图5所示，包括：
[0081]
标注模块，用于根据答复的评价结果，对答复的质量进行标注，生成问答数据的标签；
[0082]
训练模块，用于将问答数据和所述问答数据的标签输入至改进的预训练语言表征模型进行训练。
[0083]
其中，训练模块还包括：
[0084]
词向量模块，用于通过标记嵌入层或分割层或位置编码层计算得到词向量；
[0085]
文本语义特征模块，用于选取高斯核作为自注意力机制中的核函数，将输入的所述第一词向量映射到一个高斯空间，以学习到各向同性的分布的所述第一词向量的文本语义特征；
[0086]
答复质量评估模块，用于通过所述改进的预训练语言表征模型的自注意力机制提取所述第一词向量的文本语义特征，输入到所述改进的预训练语言表征模型的分类层得到答复质量评估结果。
[0087]
在一实施例中，如图6所示，问答效果评估系统提供一种推理服务，其中推理服务包括后端应用程序部分和页面展示部分构成。用户在页面端传入比对的两句文本到后端，后端基于问答效果评估系统对问答效果进行评估，并评估将模型的结果返回到web前端进行展示。
[0088]
例如：
[0089]
文本1：“最适合懒人的减肥方法是什么？”[0090]
文本2：“不知道这个懒，是什么程度的懒。如果只是不想运动的懒，那么可以通过改变饮食习惯来达到减肥的效果。”[0091]
评价结果：质量低
[0092]
通过本发明的一种问答效果评估系统，能够让计算机自动识别哪些是高质量的问题和答案,自动地、大规模地对问答系统中的信息进行高效、准确的质量评估。
[0093]
应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0094]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0095]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包
括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
[0096]
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0097]
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。