一种动漫推荐方法、装置、设备及存储介质

1.本发明属于人工智能及自然语言处理技术领域，涉及一种动漫推荐方法、装置、设备及存储介质。


背景技术：

2.随着信息技术和互联网的发展，逐渐从信息匮乏的时代走入了信息过载的时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情；作为信息生产者，如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。而推荐系统正是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。人们在满足生活需求的同时，也更加注重精神层面的追求，读书，看电影，追动漫等都成了丰富业余生活的选择。因此，随着动漫越来越多的出现在大众视野，对于动漫推荐系统的研究越来越受重视。如何将知识图谱与图像特征融入推荐系统，向用户提供更为精准的推荐成为当前研究的主要方向。目前极少有针对动漫推荐方法，现有技术中，往往是根据用户的历史交互记录，计算用户与物品的相似度或者朋友的推荐来进行，这种推荐方式往往存在一定的项目冷启动和数据稀疏问题，不能准确地针对用户做出个性化推荐，使得用户体验感极为不理想。


技术实现要素：

3.本发明的目的在于解决现有技术中的动漫推荐方法存在一定的项目冷启动和数据稀疏缺陷，不能准确地针对用户做出个性化推荐，使得用户体验感极为不理想的问题，提供一种动漫推荐方法、装置、设备及存储介质，有效弥补了传统推荐系统中的项目冷启动以及数据稀疏性缺陷，为我们用户提供精确的个性化推荐，提升用户的体验感。
4.为达到上述目的，本发明采用以下技术方案予以实现：
5.本发明提供一种动漫推荐方法，包括以下步骤：
6.获取数据集信息，并构建动漫知识图谱；
7.根据数据集信息及动漫知识图谱，构建用户-项目交互矩阵；
8.根据动漫知识图谱和用户-项目交互矩阵，提取用户特征向量和知识图谱三元组中关系实体的特征向量；
9.根据数据集信息，获取图像特征向量；
10.根据动漫知识图谱、用户特征向量、知识图谱三元组中关系实体的特征向量和图像特征向量，建立基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型，进行动漫推荐。
11.优选地，所述数据集信息包括用户偏好信息和动漫属性及属性值，所述动漫属性及属性值包括动漫id、动漫名称、动漫题材、动漫集数、动漫类型、加入动漫社区的人数、动
漫图像和动漫评分情况。
12.优选地，获取数据集信息，并构建动漫知识图谱的方法为：
13.获取数据集信息，分析所需数据信息，定义数据信息中的实体、属性和属性值；
14.使用anime公共数据集，并且利用python中的网络爬虫技术爬取动漫网站上与anime公共数据集中动漫相关的数据信息，进一步丰富项目属性；
15.对爬取的数据集信息进行整理、清洗，确保数据的完整性；
16.将整理、清洗后的数据集信息与公共数据集anime进行融合；
17.将数据集信息中的实体导入neo4j图数据库，设置各个实体之间的关系；
18.将数据按照实体-关系-实体导出，以文档的形式进行存储，构建动漫知识图谱。
19.优选地，构建用户-项目交互矩阵的方法为：
20.根据数据集信息，获取用户-项目评分数据信息；
21.根据用户-项目评分数据信息，将用户作为矩阵的列，动漫id作为矩阵的行，构造动漫用户-动漫id的评分矩阵；
22.用户给出评分的动漫记为1，未给出评分的记为0，获得每个动漫基于每个用户评分的交互矩阵。
23.优选地，根据动漫知识图谱和用户-项目交互矩阵，提取用户特征向量和知识图谱三元组中关系实体的特征向量的方法为：
24.根据动漫知识图谱和用户-项目交互矩阵，分别建立sdae模型，利用sdae模型分别对用户和知识图谱三元组中的关系实体进行嵌入；
25.初始化sdae网络参数；
26.训练网络参数，获取用户特征向量和知识图谱三元组中关系实体的特征向量。
27.优选地，根据数据集信息，获取图像特征向量的方法为：
28.根据数据集信息，获取动漫海报图像；
29.对动漫海报图像做均值预处理；
30.利用vgg-16卷积神经网络提取预处理后的动漫海报图像特征，获取图像特征向量。
31.优选地，根据动漫知识图谱、用户特征向量、知识图谱三元组中关系实体的特征向量和图像特征向量，建立基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型，进行动漫推荐的方法为：
32.建立基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型；
33.利用sdae提取用户特征和项目特征；
34.将项目特征与对应图像特征向量进行拼接；
35.将用户特征与项目特征一起送入基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型中的mlp，给定用户-项目交互矩阵和动漫知识图谱，利用mlp模型预测用户参与项目的可能性，进行动漫推荐。
36.一种动漫推荐装置，包括：
37.数据获取及知识图谱构建模块：用于获取数据集信息，并构建动漫知识图谱；
38.用户-项目交互矩阵构建模块：用于根据数据集信息，构建用户-项目交互矩阵；
39.用户特征向量和知识图谱三元组中关系实体的特征向量提取模块：用于根据动漫
知识图谱和用户-项目交互矩阵，提取用户特征向量和知识图谱三元组中关系实体的特征向量；
40.图像特征向量获取模块：用于根据数据集信息，获取图像特征向量；
41.动漫推荐模块：用于根据动漫知识图谱、用户特征向量、知识图谱三元组中关系实体的特征向量和图像特征向量，建立基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型，进行动漫推荐。
42.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
43.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述方法的步骤。
44.与现有技术相比，本发明具有以下有益效果：
45.本发明提供一种视觉嵌入与知识图谱增强的动漫推荐方法，该方法通过将将知识图谱作为辅助信息嵌入推荐模型中，可有有效缓解传统推荐方式存在的项目冷启动和数据稀疏的问题；通过将获取的数据集应用到基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型推荐框架，将视觉信息加以考虑，并将用户-项目特征与图像特征的融合，利用视觉信息给人以更大的感官刺激的特点，更好的考虑了用户的个人偏好，进而实现对用户的个性化动漫推荐。
46.本发明提出在利用动漫知识图谱和用户-项目交互矩阵，通过建立堆叠降噪自动编码器(sdae)模型将获取用户特征向量和知识图谱三元组中关系实体的特征向量，进一步增强了实体嵌入的鲁棒性。
47.因海报中包含了大量的潜在信息，通过对动漫海报图像特征的提取，对于用户推荐来说，可以进一步反应出用户的个性化偏好，以此达到了优化动漫推荐系统的目的。
附图说明
48.为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
49.图1为本发明的动漫推荐方法流程图。
50.图2为本发明的动漫推荐装置结构图。
51.图3为本发明实施例中获取数据集信息并构建动漫知识图谱的流程图。
52.图4为本发明实施例中构建的知识图谱示意图。
53.图5为本发明实施例中卷积神经网络vgg-16卷积图片示意图。
54.图6为本发明实施例中sdae示意图。
55.图7为本发明实施例中基于交叉压缩单元与视觉嵌入的推荐模型图。
具体实施方式
56.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例
中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
57.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
58.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
59.在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”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，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，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发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
60.此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
61.在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
62.下面结合附图对本发明做进一步详细描述：
63.参见图1，本发明提供一种动漫推荐方法，包括以下步骤：
64.s1：获取数据集信息，并构建动漫知识图谱：所述数据集信息包括用户偏好信息和动漫属性及属性值，所述动漫属性及属性值包括动漫id、动漫名称、动漫题材、动漫集数、动漫类型、加入动漫社区的人数、动漫图像和动漫评分情况。
65.参见图3，首先，获取数据集信息，分析所需数据信息，定义数据信息中的实体、属性和属性值；
66.使用anime公共数据集，并且利用python中的网络爬虫技术爬取动漫网站上与anime公共数据集中动漫相关的数据信息，进一步丰富项目属性：使用anime公共数据集，并且利用python中的网络爬虫技术爬取动漫网站如myanimelist网站上与anime公共数据集中动漫相关的数据信息，进一步丰富项目属性，保存到csv文件中；
67.对爬取的数据集信息进行整理、清洗，确保数据的完整性：对爬取的数据集信息进行整理、清洗，确保数据的完整性；对整合得到的csv文件中信息进行清洗，整合，删除爬取过程中出现的错误或者不匹配的信息，并将空值进行二次爬取再填充，将存储在不同文件中的信息按照属性、属性值进行整合，补充文件中某些实体缺少的属性或者属性值。
68.将整理、清洗后的数据集信息与公共数据集anime进行融合：将整理、清洗后的数据集信息与公共数据集anime进行融合；分析数据需求，分析推荐过程中需要的实体，属性
以及属性值，比如动漫的id、名称、题材、集数，类型，加入动漫社区的人数，图片，评分情况等。
69.将数据集信息中的实体导入neo4j图数据库，设置各个实体之间的关系：将数据集信息中的实体导入neo4j图数据库，将整理好的数据信息分别按照实体、关系、属性导入neo4j数据库中。
70.参见图4，将数据按照实体-关系-实体导出，以文档的形式进行存储，构建动漫知识图谱：设置实体之间的关系属性和属性值，构建“实体-属性-实体”结构化知识的三元组动漫知识图谱，即根据实体之间的实际联系建立实体之间的关系，构建动漫知识图谱。
71.s2：根据数据集信息及动漫知识图谱，构建用户-项目交互矩阵：
72.根据数据集信息，获取用户-项目评分数据信息；
73.根据用户-项目评分数据信息，将用户作为矩阵的列，动漫id作为矩阵的行，构造动漫用户-动漫id的评分矩阵；
74.用户给出评分的动漫记为1，未给出评分的记为0，获得每个动漫基于每个用户评分的交互矩阵。构建交互矩阵见下表，表中i
1-im代表各个动漫名称，u
1-un代表各个用户：
[0075] i1i2i3...imu1101...1u2100...1u3011...0..................un011...1
[0076]
s3：根据动漫知识图谱和用户-项目交互矩阵，提取用户特征向量和知识图谱三元组中关系实体的特征向量：
[0077]
根据动漫知识图谱和用户-项目交互矩阵，分别建立sdae模型，利用sdae模型分别对用户-项目交互矩阵中的用户和知识图谱三元组中的关系实体进行嵌入，参见图6，sdae的基本原理为：设输入的数据为x，对输入的数据x增加了一些噪声后得到x1，加噪过程qd，加噪声的方法是舍弃了几个神经元，即神经元随机置0，然后进行f
θ
矩阵变换，得到y，对y再进行g
θ
矩阵变换，得到z，损失函数l就是原始信号x和z之间的距离。将知识图谱中的三元组数据，关系实体数据以及用户-项目交互矩阵中的用户数据送入sdae模型
[0078]
初始化sdae网络参数；预训练的时候是每次只训练一层，每层都作为一个去噪自编码器(dae)训练，然后训练完了一层再训练下一层，然后通过最小化输入和输出的误差l(x，z)来求权重w，用矩阵x0代表噪声干扰矩阵(即神经元随机置0)。w
l
和b
l
分别是第l层的权重参数和偏置参数。
[0079]
训练网络参数，获取用户特征向量和知识图谱三元组中关系实体的特征向量：本实施例的训练的循环次数取决于网络的层数，可以取2层网络，每次进入循环，循环的次数可自行设定，numepochs代表每层网络均需训练的次数，batch_x是从训练集中随机取100行。这样做的原因是：比一次全部输入所有行数据能够大大降低权重w的参数数量，降低内存消耗，加快执行时间。对batch_x添加噪声，这里batch_x添加的噪声方法是随机的将一部分元素置0，其余不变；batch_y是未加噪的batch_x。训练完成后得到新权重w，然后再用新权重w训练下一个batchsize的数据，直到所有数据训练完得到最终的权重w。
[0080]
第一层网络，对batch_x加一列全为1的bias，将其值乘以权重w1，再取sigmoid激活函数，再加一列全1的bias，再乘以权重w2，再取sigmoid函数，加一列全1的bias即输出z，每层网络都要训练三次.误差是原始未加噪输入batch_y和训练后的输出z的差，误差函数见公式(1)：
[0081]
l(batch_y,z)＝0.5*∑(batch_y-z)2ꢀꢀꢀ
(1)
[0082]
使用随机梯度下降法得到目标函数的最优解。对于第二层网络，将第一层网络训练好的权重w乘以train_x，得到第二层网络的原始输入，与第一层网络训练步骤一致，最终输出z，误差函数同上。
[0083]
对网络进行fine-tuning的微调；
[0084]
训练网络和微调网络结束，网络已训练好，将训练数据输入网络，最终的输出z即为特征向量。
[0085]
s4：根据数据集信息，获取图像特征向量：根据数据集信息，获取动漫海报图像，对动漫海报图像做均值预处理；vgg的输入为224
×
224
×
3的图像，分别为彩色图片宽度以及高度为224，3为彩色图片通道数，黑白图片为1，本文通过python程序设计语言从myanimelist网站爬取了12294张动漫的彩色海报，以此为输入。对图像做均值预处理，每个像素中减去在训练集上计算的rgb均值；
[0086]
参见图5，利用vgg-16卷积神经网络提取预处理后的动漫海报图像特征，获取图像特征向量：vgg-16网络结构分为两部分，第一部分为卷积池化操作共计31层，网络使用连续的小卷积核(3
×
3)做连续卷积，卷积的固定步长为1，并在图像的边缘填充1个像素，使卷积后图像的分辨率不变；一层卷积层后接relu激活函数再接第二层卷积层和relu函数，之后接最大池化层，连续的卷积层会接着一个池化层，降低图像的分辨率，在2
×
2像素窗口上进行最大池化，步长为2；以此基础结构一直构建到31层；
[0087]
第二部分为全连接层主要有7层，分别为前连接层后接relu激活函数再接dropout，防止过拟合，以此结构重复三层，最后得到图片的特征向量，维度为514
×
14
×
14。
[0088]
s5：根据动漫知识图谱、用户特征向量、知识图谱三元组中关系实体的特征向量和图像特征向量，建立基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型，进行动漫推荐：
[0089]
参见图7，建立基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型；基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型由三个主要部分组成：推荐模块、kge模块、交叉压缩单元。
[0090]
利用sdae提取用户特征和项目特征：kge模块，将一个头实体h和关系实体r作为输入，使用交叉压缩单元和上步骤所示的sdae分别提取头实体h和关系实体r的特征，使用头实体h
l
和关系实体r
l
计算出预测尾实体的表示，然后使用函数f计算预测尾实体和实际尾实体t的相似度，作为kge链路预测的能力分数。具体来说：
[0091]
对于给定的知识三元组(h,r,t)，利用交叉压缩单元和堆叠去噪编码器(sdae)分别从原始的头实体h和关系实体r提取特征。
[0092]
将头实体h
l
和关系实体r
l
对应的向量进行拼接，经过多层神经网络，得到一个尾实体t对应的预测尾实体公式见(2)和公式(3)：
[0093]hl
＝e
ν～s(h)
[c
l
(v,h)[e]]
ꢀꢀꢀ
(2)
[0094][0095]
其中，s(h)是和实体h的关联项合集；r
l
为经过堆叠去噪编码器后得到的关系实体嵌入向量；m为多层感知机；l，k为网络层数，[e]用来区分是头实体向量；v为item(项目)的向量；c为交叉压缩单元。
[0096]
知识图谱嵌入模块希望预测尾实体向量和真实的尾实体向量t相近，最后三元组(h，r，t)的分数由相似度函数f
kg
计算得到，f
kg
函数可以是t和的内积之后取sigmoid公式见(4)和(5)：
[0097][0098][0099]
其中，σ是激活函数；score为得分函数
[0100]
交叉特征共享单元是一个可以让两个任务交换信息的模块。由于物品向量和实体向量实际上是对同一个对象的两种描述，他们之间的信息交叉共享可以让两者都获得来自对方的额外信息，从而弥补了自身的信息稀疏性的不足，具体的实现步骤为：
[0101]
cross operation：构造v
l
∈rd和e
l
∈rd的d*d的交互矩阵公式(6)如下：
[0102][0103]
其中，v
l
为item的向量，el为头实体的向量。
[0104]
compress operation：w
l
∈rd和b
l
∈rd是训练权重和偏差向量，权重向量将交叉特征矩阵从r
d*d
压缩为rd，v
l+1
与e
l+1
表示如公式(7)和(8)所示：
[0105]vl+1
＝c
lwlvv
+c
l晻wlev
+b
lv
＝v
lel w
lvv
+e
lvl？wlev
+b
lv
ꢀꢀꢀ
(7)
[0106]el+1
＝c
lwlve
+c
l晻wlee
+b
le
＝v
lel w
lve
+e
lvl？wlee
+b
l
ꢀꢀꢀ
(8)
[0107]
交叉压缩单元表示为公式(9)：
[0108]
[v
l+1
,e
l+1
]＝c(v
l
,e
l
)
ꢀꢀꢀ
(9)
[0109]
其中，l为网络层数，w
l
为训练权重向量，b
l
为偏差向量
[0110]
将项目特征与对应图像特征向量进行拼接：推荐模块，是点击率预估模型具体实现步骤如下：
[0111]
给定用户u的原始特征向量u，使用上述步骤的堆叠去噪编码器(sdae)提取用户的潜在特征u
l
。
[0112]
对于项目v使用l个交叉压缩单元提取他的特征(其中s(v)是与项目v相关的实体，[v]用来表示是项目向量见公式(10)：
[0113]vl
＝e
e～s(v)
[c
l
(v,e)[v]]
ꢀꢀꢀ
(10)
[0114]
得到经过交叉压缩单元提取到的项目特征之后，将用vgg-16卷积神经网络提取到的海报特征v
p
与其进行拼接，形成新的ve。
[0115]
得到u
l
特征向量和融合后的ve特征向量后，通过预测函数f
rs
(f
rs
可为取内积或者h层mlp)将其连接在一起，可计算用户u参与项v的可能性见公式(11)：
[0116][0117]
将用户特征与项目特征一起送入mkr模型中的mlp，给定用户-项目交互矩阵和动漫知识图谱，利用mlp模型预测用户参与项目的可能性，进行动漫推荐：将用户特征与项目特征一起送入mkr模型中的mlp，给定用户-项目交互矩阵y和动漫知识图谱，利用mlp模型预测用户参与项目的可能性，进行动漫推荐。
[0118]
参见图2，本发明提供一种动漫推荐装置，包括：
[0119]
数据获取及知识图谱构建模块：用于获取数据集信息，并构建动漫知识图谱；
[0120]
用户-项目交互矩阵构建模块：用于根据数据集信息，构建用户-项目交互矩阵；
[0121]
用户特征向量和知识图谱三元组中关系实体的特征向量提取模块：用于根据动漫知识图谱和用户-项目交互矩阵，提取用户特征向量和知识图谱三元组中关系实体的特征向量；
[0122]
图像特征向量获取模块：用于根据数据集信息，获取图像特征向量；
[0123]
动漫推荐模块：用于根据动漫知识图谱、用户特征向量、知识图谱三元组中关系实体的特征向量和图像特征向量，建立基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型，进行动漫推荐。
[0124]
综上，mkr是一个通用的、端对端的深度推荐框架，旨在利用知识图谱嵌入(kge)去协助推荐任务。两个任务是相互独立的，但是由于推荐模块中的项目和知识图谱中的实体相互联系而高度相关。整个框架可以通过交替优化两个任务来被训练，赋予了mkr在真实推荐场景中高度的灵活性和适应性，本发明首次将动漫数据集应用到mkr推荐框架，建立基于多任务特征学习视觉嵌入与知识图谱增强的推荐模型将视觉信息加以考虑，通过卷积神经网络进行嵌入，扩增了项目嵌入的维度，因海报中包含了大量的潜在信息，对于用户推荐来说，可以进一步反应出用户的个性化偏好，以此达到了优化动漫推荐系统的目的。在嵌入方面，本发明首次提出将用户嵌入以及关系实体嵌入采用堆叠去噪编码器(sdae)进行嵌入，目的在于，数据中会存在噪音以及误差数据，采用sdae进行嵌入，会先进行加噪处理，而后通过神经网络输出净化后的数据，进一步增强了实体嵌入的鲁棒性。
[0125]
本发明提供一种终端设备包括：处理器、存储器以及存储在所述存储器中并可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上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
[0126]
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
[0127]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
[0128]
所述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。
[0129]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述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，实现所述终端设备的各种功能。
[0130]
所述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，所述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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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，所述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，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0131]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。