一种模型训练以及基于地图的分级推荐方法及装置与流程

1.本说明书涉及计算机技术领域，尤其涉及一种模型训练以及基于地图的分级推荐方法及装置。


背景技术：

2.目前，随着计算机技术的发展，如何从海量信息中选择最有价值的信息，从而为用户推荐合适的产品，已经成为服务提供方需要解决的问题之一。而基于地图的推荐方法因为可在不同的比例尺下，向用户推荐不同内容的特性，被广泛应用于服务提供方为用户提供服务的场景中。
3.在现有技术中，一种常用的基于地图的推荐方法，是针对不同的比例尺，确定该比例尺下向用户推荐的内容，并在用户缩放地图时，根据地图当前的比例尺，向用户展示该比例尺对应的推荐内容。其中，该推荐内容包含地标建筑、商场、美食等。
4.但是，现有技术在确定各比例尺下向用户推荐的内容时，针对每个比例尺，其推荐的内容是固定的，使得现有技术在进行推荐时，不够灵活，推荐效率较低。


技术实现要素：

5.本说明书提供一种模型训练以及基于地图的分级推荐方法及装置，以部分的解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：
7.本说明书提供一种点击率预估模型的训练方法，包括：
8.根据获取到的各用户数据、各地图层级数据和各推荐对象数据，确定各训练样本；
9.根据各用户在不同地图层级中的历史数据，确定各训练样本的标注；
10.将各训练样本作为输入，通过待训练的点击率预估模型，确定各训练样本对应的点击率；
11.根据各训练样本的点击率及其标注，对所述点击率预估模型进行训练，所述点击率预估模型用于确定各用户在各地图层级下对各推荐对象的点击率。
12.可选地，获取各地图层级数据，具体包括：
13.针对每个地图层级，确定该地图层级中各推荐对象所属区域的区域热度，并根据各区域热度，确定该地图层级的地图层级数据；
14.将各用户数据、各地图层级数据、各推荐对象数据进行组合，确定各训练样本。
15.可选地，获取各推荐对象数据，具体包括：
16.针对每个推荐对象，确定该推荐对象对应的点击距离，以及该推荐对象对应的热度，并根据所述点击距离和所述热度，确定该推荐对象对应的推荐对象数据，所述热度至少基于所述推荐对象的历史点击量确定。
17.可选地，根据获取到的各用户数据、各地图层级数据和各推荐对象数据，确定各训练样本，具体包括：
18.针对每个地图层级，确定各推荐对象分别对应的区域的区域热度，并针对每个推荐对象，根据该推荐对象对应的所述区域热度，确定该推荐对象对应的地图层级数据；
19.根据各用户数据、各推荐对象数据以及各推荐对象分别对应的地图层级数据，确定各训练样本。
20.可选地，根据各用户在不同地图层级中的历史数据，确定各训练样本的标注，具体包括：
21.针对每个用户，根据该用户在不同地图层级中的历史数据，确定该用户在不同地图层级中执行过点击操作的各推荐对象；
22.将包含该用户的用户数据、该用户执行过点击操作的推荐对象的推荐对象数据以及该用户点击所述推荐对象时的地图层级的地图层级数据的训练样本，标注为正样本。
23.本说明书提供一种基于地图的分级推荐方法，包括：
24.接收携带有用户数据和地图层级数据的推荐请求，并根据所述推荐请求，确定所述用户数据、所述地图层级数据和各推荐对象数据；
25.针对每个推荐对象数据，将该推荐对象数据、所述用户数据和所述地图层级数据作为输入，输入预先训练好的点击率预估模型中，确定所述点击率预估模型输出的，所述用户在所述地图层级下对该推荐对象数据的点击率；
26.根据确定出的各点击率，对各推荐对象数据进行排序；
27.根据所述排序，确定推荐内容。
28.本说明书提供一种点击率预估模型的训练装置，包括：
29.样本确定模块，用于根据获取到的各用户数据、各地图层级数据和各推荐对象数据，确定各训练样本；
30.标注确定模块，用于根据各用户在不同地图层级中的历史数据，确定各训练样本的标注；
31.点击率预估模块，用于将各训练样本作为输入，通过待训练的点击率预估模型，确定各训练样本对应的点击率；
32.训练模块，用于根据各训练样本的点击率及其标注，对所述点击率预估模型进行训练，所述点击率预估模型用于确定各用户在各地图层级下对各推荐对象的点击率。
33.本说明书提供一种点击率预估模型的训练装置，包括：
34.第一确定模块，用于接收携带有用户数据和地图层级数据的推荐请求，并根据所述推荐请求，确定所述用户数据、所述地图层级数据和各推荐对象数据；
35.第二确定模块，用于针对每个推荐对象数据，将该推荐对象数据、所述用户数据和所述地图层级数据作为输入，输入预先训练好的点击率预估模型中，确定所述点击率预估模型输出的，所述用户在所述地图层级下对该推荐对象数据的点击率；
36.排序模块，用于根据确定出的各点击率，对各推荐对象数据进行排序；
37.推荐模块，用于根据所述排序，确定推荐内容。
38.本说明书提供的计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现任一上述的点击率预估模型的训练方法或基于地图的分级推荐方法。
39.本说明书提供的电子设备，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，所述处理器执行所述程序时实现任一上述的点击率预估模型的训练方法或基于地图的分级推荐方法。
40.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
41.在本说明书提供的点击率预估模型的训练方法中，根据获取到的用户数据、地图层级数据和各推荐对象数据确定训练样本，并基于用户在不同地图层级中的历史数据，确定训练样本的标注，将各训练样本输入待训练的点击率预估模型，确定各训练样本的点击率，基于各训练样本的点击率和标注对点击率预估模型进行训练。
42.从上述方法中可见，本方法基于各地图层级数据确定不同地图层级对应的训练样本，使得训练得到的点击率预估模型可基于不同的比例尺向用户推荐不同内容，更加灵活，推荐效率更高。
附图说明
43.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
44.图1为本说明书提供的点击率预估模型的训练方法的流程示意图；
45.图2为本说明书提供的基于地图的分级推荐方法的流程示意图；
46.图3为本说明书提供的点击率预估模型的训练装置示意图；
47.图4为本说明书提供的基于地图的分层推荐装置示意图；
48.图5为本说明书提供的对应于图1或图2的电子设备示意图。
具体实施方式
49.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
50.以下结合附图，详细说明本说明书各实施例提供的技术方案。
51.图1为本说明书中提供的点击率预估模型的训练方法的流程示意图，具体包括以下步骤：
52.s100：根据获取到的各用户数据、各地图层级数据和各推荐对象数据，确定各训练样本。
53.通常，点击率预估模型是由用于训练模型的服务器，基于训练样本预先训练得到的。而本说明书提供了一种点击率预估模型的训练方法，同样的，可由用于训练模型的服务器执行该训练点击率预估模型的过程。
54.训练模型可以分为样本生成阶段以及训练模型阶段，在样本生成阶段可根据模型需要以及训练需要，确定用于训练模型的样本。在本说明书中，该服务器首先可确定用于训练点击率预估模型的训练样本，并且由于通常点击率预估模型是基于各用户的用户数据和各推荐对象的对象数据，确定推荐对象的点击率的，因此，该服务器可首先确定用户数据、各地图层级数据和各推荐对象数据，以确定训练样本。
55.基于此，该服务器可获取各用户数据、各地图层级数据和各推荐对象数据。其中，各用户数据可为各用户的画像数据，也可为各用户对于各产品的评论等数据。各推荐对象为各商户，推荐对象数据为商户的评论、点赞数、热度、地理位置等数据，各地图层级为地图对应的不同比例尺的层级，不同层级对应于不同的比例尺，且通常层级越高，比例尺越小。
56.然后，该服务器可将各用户数据、各地图层级数据、以及各推荐对象数据进行组合，确定各训练样本。也就是说，一个训练样本中包含一个用户的用户数据、一个地图层级数据以及一个推荐对象数据。
57.另外，各用户的用户数据可为该服务器根据该用户的用户画像等确定的。各地图层级信息，可为该服务器针对每个地图层级，确定该地图层级中各推荐对象所属区域的区域热度，并根据各区域热度确定的。各推荐对象数据可为该服务器针对每个推荐对象，确定该推荐对象与各用户的距离，以及该推荐对象对应的推荐热度，并根据该距离和该推荐热度确定的。该推荐热度至少基于该推荐对象的历史点击量确定，且该推荐热度和历史点击量正相关。
58.需要说明的是，针对每个训练样本，该训练样本可为用户数据、地图层级数据以及推荐对象数据融合确定出的特征。融合方式可为拼接、相加等，多个特征进行融合确定一个特征已经是较为成熟的技术，本说明书对此不做限制。
59.s102：根据各用户在不同地图层级中的历史数据，确定各训练样本的标注。
60.在本说明书提供的一个或多个实施例中，基于训练样本及其标注，可进行模型训练，因此，在确定出训练样本后，该服务器可基于各用户在不同地图层级中的历史数据，确定各训练样本的标注。
61.具体的，该服务器可针对每个地图层级，确定各用户在该地图层级中的历史数据。
62.之后，该服务器可根据确定出的各用户在该地图层级中的历史数据，确定各用户在该地图层级中对于各推荐对象的历史点击操作。
63.最后，该服务器可根据确定出的各用户在该地图层级中对于各推荐对象的历史点击操作，将该地图层级对应的各训练样本中，各用户与其点击过的推荐对象组成的训练样本作为正样本。将其他训练样本作为负样本。其中，正样本的标注为已点击、负样本的标注为未点击。
64.当然，训练样本的标注可为已点击、未点击、也可为用数字进行表征，如，1表示已点击，0表示未点击。则后续可基于数字标注，确定损失。
65.另外，在确定训练样本的标注时，还可为该服务器将确定出的层级数据、各用户及其已点击的推荐对象和各训练样本进行匹配，确定包含各用户在层级下点击的推荐对象的训练样本，作为正样本。即，确定其标注为已点击。
66.s104：将各训练样本作为输入，通过待训练的点击率预估模型，确定各训练样本对应的点击率。
67.在本说明书提供的一个或多个实施例中，该点击率预估模型可为深度学习模型，则该服务器可通过各训练样本对应的点击率以及各训练样本的标注，对该点击率预估模型进行训练。基于此，在确定出各训练样本及其标注后，则该服务器可确定各训练样本对应的点击率，以基于各训练样本的点击率对模型进行训练。
68.具体的，在本说明书中，针对每个训练样本，该服务器可将该训练样本作为输入，
输入到待训练的点击率预估模型中，确定该训练样本的点击率。
69.其中，该点击率预估模型的模型结构可包括卷积神经网络、循环神经网络等多种网络层，当然，具体的模型结构以及模型参数可根据需要进行设置，本说明书对此不做限制。
70.s106：根据各训练样本的点击率及其标注，对所述点击率预估模型进行训练，所述点击率预估模型用于确定各用户在各地图层级下对各推荐对象的点击率。
71.在本说明书提供的一个或多个实施例中，在确定出各训练样本的点击率后，该服务器可基于各训练样本的点击率及其标注，对该点击率预估模型进行训练。
72.具体的，该服务器可针对每个训练样本，确定该训练样本的点击率，以及该训练样本的标注，并以该训练样本的标注和点击率之间的差值最小为优化目标，调整模型参数，以训练该点击率预估模型。当然，具体采用何种损失函数，可以根据需要设置。
73.另外，该点击率预估模型还可为线性模型和树模型，则当该点击率预估模型为线性模型时，该服务器可基于用户数据、地图层级数据、推荐对象数据等构建线性回归模型中的各变量。当该点击率预估模型为树模型时，该服务器可基于用户数据、地图层级数据、推荐对象数据等构建决策树。当然，具体的点击率预估模型的结构以及训练方式可根据需要进行设置，本说明书对此不做限制。
74.基于图1的点击率预估模型的训练方法，根据获取到的用户数据、地图层级数据和各推荐对象数据确定训练样本，并基于用户在不同地图层级中的历史数据，确定训练样本的标注，将各训练样本输入待训练的点击率预估模型，确定各训练样本的点击率，基于各训练样本的点击率和标注对点击率预估模型进行训练。本方法基于各地图层级数据确定不同地图层级对应的训练样本，使得训练得到的点击率预估模型可基于不同的比例尺向用户推荐不同内容，更加灵活，推荐效率更高。
75.进一步的，通常用户画像信息中的点击距离对各推荐对象的点击率影响较大，因此，为了训练得到准确的点击率预估模型。在步骤s100中，确定各用户的用户特征时，还可针对每个用户，确定该用户的历史点击数据，并根据历史点击数据，确定该用户的平均历史点击距离，并基于该点击距离，确定该用户的用户数据。
76.更进一步的，不同推荐对象的热度通常会影响各推荐对象的点击率。因此，在步骤s100中，针对每个推荐对象，该服务器可确定该推荐对象的历史点击数、历史点击率、评论数、点赞数、曝光度等数据，确定该推荐对象对应的热度，并基于该热度，确定推荐对象数据。
77.另外，推荐对象的点击距离对推荐对象的点击率的影响较高，因此，在确定各推荐对象数据时，该服务器还可基于各推荐对象的点击距离，确定各推荐对象数据。
78.其中，推荐对象的点击距离，可根据点击过该推荐对象的用户在点击该推荐对象时与该推荐对象之间的距离确定。例如，用户a在点击推荐对象b时与该推荐对象b之间的距离为2km，则该推荐对象的点击距离为2km。当然，在有多个用户点击过该推荐对象的情况中，该服务器可分别确定该推荐对象的各点击距离，并将确定出的各点击距离中的最大值、最小值、中位数、平均数等，作为该推荐对象的点击率。该点击距离的具体确定方式可根据需要进行设置，本说明书对此不做限制。
79.进一步的，推荐对象的热度与点击距离之间存在对应关系，因此，在确定推荐对象
的推荐对象的数据时，该服务器可首先对各推荐对象的热度和点击距离分别进行确定，并建立各推荐对象分别对应的热度和点击距离之间的对应关系。然后，该服务器可对各对应关系进行统计，确定各热度分别对应的点击距离。则针对每个推荐对象，该服务器可基于该推荐对象对应的热度，以及该热度对应的点击距离，确定各推荐对象数据。其中，热度的形式可包括为数值、也可为热度所属范围，当然，具体的热度的形式可根据需要进行设置，本说明书对此不做限制。
80.更进一步的，推荐对象的类型与其对应的点击距离之间也存在对应关系。因此，该服务器可首先对各推荐对象所属类型和点击距离分别进行确定，并建立各推荐对象分别对应的所属类型和点击距离之间的对应关系。然后，该服务器可对各对应关系进行统计，确定各所述类型分别对应的点击距离。则针对每个推荐对象，该服务器可基于该推荐对象所属类型，以及该类型对应的点击距离，确定各推荐对象数据。其中，推荐对象所属类型可包括景点、交通设施、酒店、美食、宠物、健身等多种类型，当然，具体的类型可根据需要进行设置，本说明书对此不做限制。
81.另外，推荐对象的点击率通常还受周围区域的影响，即使同一地图层级，同一类型的不同区域的推荐对象的点击率通常不同。如，景区周围的便利店和小区周围的便利店，点击率也不尽相同。因此，在步骤s100中，该服务器可针对每个地图层级，将该地图层级划分为不同区域，并在确定训练样本时，基于该地图层级以及训练样本中包含的推荐对象所属的区域的区域热度和区域商户点击率等，确定该训练样本。
82.其中，区域热度为该区域中包含的各推荐对象的热度总和或平均热度，区域商户点击率为该区域中包含的各推荐对象的点击率总和或平均点击率，当然，该区域热度、区域商户点击率的确定方式可根据需要进行设置，且区域的划分方式可为根据预设形状，或根据“县、区、街道”等方式，具体的划分方式可根据需要进行设置，本说明书对此不做限制。
83.当然，在确定训练样本时，还可直接针对每个地图层级，确定该地图层级中各推荐对象所属区域的区域热度，并根据各区域热度，确定该地图层级的地图层级数据。进而将各用户数据、各地图层级数据、各推荐对象数据进行组合，确定各训练样本。也就是说，针对每个地图层级，根据该地图层级中包含的各区域，确定该地图层级数据。
84.另外，热度高的推荐对象，在比例尺较小的情况下向用户进行推荐，其对应的推荐效率可能较高。因此，为了精准推荐，该服务器还可针对每个地图层级，确定各推荐对象分别对应的区域的区域热度。
85.然后，该服务器可针对每个推荐对象，根据该推荐对象对应的区域热度，以及预先确定出的区域热度和点击距离的对应关系，确定该推荐对象对应的地图层级数据。其中，点击距离和地图层级正相关，也就是说，点击距离越远，地图层级越高，比例尺越小
86.最后，该服务器可根据各用户、各推荐对象数据以及各推荐对象分别对应的地图层级数据，确定各训练样本。
87.基于图1所示的点击率预估模型的训练方法，本说明书还提供一种基于地图的分级推荐方法，如图2所示。
88.图2为本说明书提供的基于地图的分级推荐方法的流程示意图，包括：
89.s200：接收携带有用户数据和地图层级数据的推荐请求，并根据所述推荐请求，确定所述用户数据、所述地图层级数据和各推荐对象数据。
90.一般的，在内容推荐领域，可通过推荐方法，基于接收到的推荐请求中的用户数据，从各推荐对象中，选择能够吸引用户点击的推荐对象展示给用户，向用户进行推荐。基于此，可首先接收用户的推荐请求。
91.则在接收到用户的推荐请求后，该服务器可确定该推荐请求中携带的用户数据、地图层级数据和各推荐对象数据。其中，该推荐请求为用户缩放地图时，终端向服务器发送的，该用户数数、地图层级数据和推荐对象数据的描述可参考上述点击率预估模型的训练方法中对于用户数据地图层级数据和推荐对象数据的描述，本说明书对此不再赘述。
92.s202：针对每个推荐对象数据，将该推荐对象数据、所述用户数据和所述地图层级数据作为输入，输入预先训练好的点击率预估模型中，确定所述点击率预估模型输出的，所述用户在所述地图层级下对该推荐对象数据的点击率。
93.s204：根据确定出的各点击率，对各推荐对象进行排序。
94.s206：根据所述排序，确定推荐内容。
95.在本说明书提供的一个或多个实施例中，确定用户在地图层级下对推荐对象的点击率的步骤，可参考上述点击率预估模型的训练方法中的描述。
96.在确定出各推荐对象的点击率后，该服务器可对各推荐对象进行排序，并根据确定出的排序，确定推荐内容，向用户进行推荐。其中，推荐内容的数量可根据需要进行设置，本说明书对此不做限制。
97.本说明书中的点击率预估模型，是预估不同的地图层级下，用户点击推荐对象的概率。而由于终端的视野有限，因此，该点击率预估模型实际上预估的是，以终端使用者的位置为中心，以预设的尺寸和形状确定的不同地图层级下终端使用者周围的各推荐对象的推荐概率。例如，用户a持有终端，距离用户a100米处有推荐对象1，距离用户a1000米处有推荐对象2。假设当前地图层级下确定的是用户a500米范围内的各推荐对象的概率，则仅需要确定推荐对象1的概率即可。因此，该服务器还可确定地图层级与，推荐对象和用户之间的距离的关系。
98.则在确定推荐对象数据时，可根据地图层级，确定用户周围的推荐对象数据，并在用户移动或缩放地图时，重新确定推荐对象数据。
99.以上为本说明书的一个或多个实施例提供的点击率预估模型的训练方法和基于地图的分级推荐方法，基于同样的思路，本说明书还提供了相应的点击率预估模型的训练装置和基于地图的分层推荐装置，如图3和图4所示。
100.图3为本说明书提供的点击率预估模型的训练装置示意图，具体包括：
101.样本确定模块300，用于根据获取到的各用户数据、各地图层级数据和各推荐对象数据，确定各训练样本。
102.标注确定模块302，用于根据各用户在不同地图层级中的历史数据，确定各训练样本的标注。
103.点击率预估模块304，用于将各训练样本作为输入，通过待训练的点击率预估模型，确定各训练样本对应的点击率。
104.训练模块306，用于根据各训练样本的点击率及其标注，对所述点击率预估模型进行训练，所述点击率预估模型用于确定各用户在各地图层级下对各推荐对象的点击率。
105.可选地，所述样本确定模块300，用于针对每个地图层级，确定该地图层级中各推
荐对象所属区域的区域热度，并根据各区域热度，确定该地图层级的地图层级数据，将各用户数据、各地图层级数据、各推荐对象数据进行组合，确定各训练样本。
106.可选地，所述样本确定模块300，用于针对每个推荐对象，确定该推荐对象对应的点击距离，以及该推荐对象对应的热度，并根据所述点击距离和所述热度，确定该推荐对象对应的推荐对象数据，所述热度至少基于所述推荐对象的历史点击量确定。
107.可选地，所述样本确定模块300，用于针对每个地图层级，确定各推荐对象分别对应的区域的区域热度，并针对每个推荐对象，根据该推荐对象对应的所述区域热度，确定该推荐对象对应的地图层级数据，根据各用户数据、各推荐对象数据以及各推荐对象分别对应的地图层级数据，确定各训练样本。
108.可选地，标注确定模块302，用于针对每个用户，根据该用户在不同地图层级中的历史数据，确定该用户在不同地图层级中执行过点击操作的各推荐对象，将包含该用户的用户数据、该用户执行过点击操作的推荐对象的推荐对象数据以及该用户点击所述推荐对象时的地图层级的地图层级数据的训练样本，标注为正样本。
109.图4为本说明书提供的基于地图的分层推荐装置示意图，包括：
110.第一确定模块400，用于接收携带有用户数据和地图层级数据的推荐请求，并根据所述推荐请求，确定所述用户数据、所述地图层级数据和各推荐对象数据。
111.第二确定模块402，用于针对每个推荐对象数据，将该推荐对象数据、所述用户数据和所述地图层级数据作为输入，输入预先训练好的点击率预估模型中，确定所述点击率预估模型输出的，所述用户在所述地图层级下对该推荐对象数据的点击率。
112.排序模块404，用于根据确定出的各点击率，对各推荐对象数据进行排序。
113.推荐模块406，用于根据所述排序，确定推荐内容。
114.本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的点击率预估模型的训练方法和上述图2提供的基于地图的分级推荐方法中的至少一种。
115.本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的点击率预估模型的训练方法和上述图2提供的基于地图的分级推荐方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
116.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作
专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
117.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
118.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
119.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
120.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
121.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
122.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
123.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
124.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。
125.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(flash ram)。内存是计算机可读介质的示例。
126.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)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
127.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
128.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。
129.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序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、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
130.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实
施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
131.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。