数据处理方法、装置、可读存储介质及电子设备与流程

1.本公开涉及计算机技术领域，具体地，涉及一种数据处理方法、装置、可读存储介质及电子设备。


背景技术：

2.大型人群队列研究是解决目前医学和健康重大问题的有效方法之一，是医学逐步走向精准，提高效果的必经之路。人群队列研究通过对特定人群进行随访和纵向观察，评估暴露和终点的关系。即使研究同一临床问题，不同团队开展的人群队列研究从设计实施、变量定义、数据收集到整理等各个阶段的差异性，导致不同临床队列数据之间存在异质性，阻碍了数据的整合与共享。目前，业内各类专病人群队列研究与建设已取得重大进展，队列间融合交叉研究需求广泛，队列数据是高价值的医学科研资料，充分挖掘、共享利用队列数据等方面还存在诸多科学问题，如多源多模态队列数据难以汇聚融合、利用率低、检索困难等问题。


技术实现要素：

3.本公开的目的是提供一种数据处理方法、装置、电子设备及可读存储介质，用以解决多源多模态队列数据难以汇聚融合、利用率低、检索困难等问题。
4.根据本公开实施例的第一方面，提供一种数据处理方法，包括：获取基于不同设计规则的多个队列数据；将所述多个队列数据进行归一化处理后存入共享数据库中；获取用户的输入数据，及用户选择的检索模式；所述检索模式包括单模态检索模式和多模态检索模式；根据所述输入数据和所述检索模式从所述共享数据库中筛选检索结果。
5.可选地，所述将所述多个队列数据进行归一化处理后存入共享数据库中，包括：基于预先确定的归一化标签对所述多个队列数据进行归一化处理，去除重复数据；将去除所述重复数据后的所述多个队列数据映射为单模态向量和/或多模态向量；将所述多个队列数据的相关属性存入所述共享数据库中；所述多个队列数据的相关属性包括：队列标识、单模态向量、单模态向量类型、多模态向量、归一化标签、文本描述、图像地址中的至少一个。
6.可选地，所述输入数据包括输入文本和输入图像，所述根据所述输入数据和所述检索模式从所述共享数据库中筛选检索结果，包括：在所述检索模式为所述单模态检索模式的情况下，从所述共享数据库中筛选与所述输入文本语义相同或相近的文本作为所述检索结果，或筛选与所述输入图像语义相同或相近的图像作为所述检索结果；或在所述检索模式为所述多模态检索模式的情况下，从所述共享数据库中筛选与所述输入数据语义相同或相近的文本和/或图像作为所述检索结果。
7.可选地，所述从所述共享数据库中筛选与所述输入数据语义相同或相近的文本和/或图像作为所述检索结果，包括：通过多模态检索模型计算所述输入数据与所述共享数据库中的数据的相似度；按照所述相似度的大小将所述共享数据库中的数据进行降序排列，将排序在前面的预定数量个所述数据作为所述检索结果。
8.可选地，所述多模态检索模型的训练方法包括：获取多个样本数据对；所述样本数据对包含具有相同所述归一化标签的文本和图像；对于所述多个样本数据对中的每一个样本数据对：通过卷积神经网络获取所述样本数据对中的图像的第一向量表示，通过bert模型获取所述样本数据对中的文本的第二向量表示；通过多层全连接层分别提取所述第一向量表示的第一特征，和所述第二向量表示的第二特征；通过所述多个样本数据对的所述第一特征与所述第二特征的相同所述归一化标签得到损失函数；通过所述损失函数训练预训练模型得到所述多模态检索模型。
9.可选地，所述损失函数的计算公式包括：
[0010][0011]
其中，loss为所述损失函数，n为所述样本数据对的数量，p为多模态向量投影矩阵，u为所述样本数据对中的图像的表示矩阵，v为所述样本数据对中的文本的表示矩阵，y为所述归一化标签的标签矩阵，||
·
||f为求范数操作。
[0012]
根据本公开实施例的第二方面，提供一种数据处理装置，包括：获取模块，用于获取基于不同设计规则的多个队列数据；处理模块，用于将所述多个队列数据进行归一化处理后存入共享数据库中；所述获取模块，还用于获取用户的输入数据，及用户选择的检索模式；所述检索模式包括单模态检索模式和多模态检索模式；检索模块，用于根据所述输入数据和所述检索模式从所述共享数据库中筛选检索结果。
[0013]
可选地，所述处理模块，还用于基于预先确定的归一化标签对所述多个队列数据进行归一化处理，去除重复数据；将去除所述重复数据后的所述多个队列数据映射为单模态向量和/或多模态向量；将所述多个队列数据的相关属性存入所述共享数据库中；所述多个队列数据的相关属性包括：队列标识、单模态向量、单模态向量类型、多模态向量、归一化标签、文本描述、图像地址中的至少一个。
[0014]
根据本公开实施例的第三方面，提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前述的数据处理方法的步骤。
[0015]
根据本公开实施例的第四方面，提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现前述的数据处理方法的步骤。
[0016]
本公开的实施例提供的技术方案可以包括以下有益效果：能够获取基于不同设计规则的多个队列数据；将多个队列数据进行归一化处理后存入共享数据库中；获取用户的输入数据，及用户选择的检索模式；检索模式包括单模态检索模式和多模态检索模式；根据输入数据和检索模式从共享数据库中筛选检索结果。通过将各个研究团队基于不同设计规则得到的多个队列数据进行归一化处理，去除多个队列数据中的重复数据后存入共享数据库中，从而实现了不同队列数据的交叉融合，便于用户后期通过单模态检索模式或多模态检索模式对多个队列数据进行检索、利用。
[0017]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0018]
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
[0019]
图1是本公开示例性实施例示出的计算机系统的结构示意图。
[0020]
图2是本公开示例性实施例示出的一种数据处理方法的流程图。
[0021]
图3是本公开示例性实施例示出的一种多模态数据存储的示意图。
[0022]
图4是本公开示例性实施例示出的一种映射单模态向量的示意图。
[0023]
图5是本公开示例性实施例示出的一种映射多模态向量的示意图。
[0024]
图6是本公开示例性实施例示出的一种数据处理装置框图。
[0025]
图7是本公开示例性实施例示出的一种电子设备的框图。
[0026]
图8是本公开示例性实施例示出的另一种电子设备的框图。
[0027]
附图标记说明
[0028]
120-终端；140-服务器；20-数据处理装置；201-获取模块；202-处理模块；203-检索模块；400-电子设备；401-处理器；402-存储器；403-多媒体组件；404-i/o接口；405-通信组件；500-电子设备；522-处理器；532-存储器；526-电源组件；550-通信组件；558-i/o接口。
具体实施方式
[0029]
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
[0030]
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0031]
图1是本公开示例性实施例示出的计算机系统的结构示意图，该计算机系统包括终端120和服务器140。
[0032]
终端120与服务器140之间通过有线或者无线网络相互连接。
[0033]
终端120可以包括智能手机、笔记本电脑、台式电脑、平板电脑、智能音箱、智能机器人中的至少一种。
[0034]
终端120包括显示器；显示器可以用于显示单模态检索结果和多模态检索结果。
[0035]
终端120包括第一存储器和第一处理器。第一存储器中存储有第一程序；上述第一程序被第一处理器调用执行以实现本公开提供的数据处理方法。第一存储器可以包括但不限于以下几种：随机存取存储器(random access memory，ram)、只读存储器(read only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦除只读存储器(erasable programmable read-only memory，eprom)、以及电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)。
[0036]
第一处理器可以是一个或者多个集成电路芯片组成。可选地，第一处理器可以是通用处理器，比如，中央处理器(central processing unit，cpu)或者网络处理器(network processor，np)。
[0037]
服务器140包括第二存储器和第二处理器。第二存储器中存储有第二程序，上述第二程序被第二处理器调用来实现本公开提供的数据处理方法。可选地，第二存储器可以包括但不限于以下几种：ram、rom、prom、eprom、eeprom。可选地，第二处理器可以是通用处理器，比如，cpu或者np。
[0038]
服务器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(content delivery network，内容分发网络)、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。
[0039]
终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。
[0040]
数据是人工智能(artificial intelligence，ai)的基础，不同行业领域的数据来源广泛、形式多样，其每一种来源或形式都可以看作是一种模态，例如视频、图片、语音以及工业场景下的传感数据，红外线、声谱等。
[0041]
数据分为单模态数据和多模态数据；单模态表示对单个模态信息进行线性或非线性映射，产生单个模态信息的高阶语义特征表示；多模态表示基于单模态向量表示，并对单模态向量表示进行线性或非线性约束，采用不同模态数据的共同语义表示，对各模态数据的向量表示进行特征提取，使得包含相同或相近语义的不同模态信息具有相同或相近的向量表示结果。
[0042]
由于不同团队开展的人群队列研究从设计实施、变量定义、数据收集到整理等各个阶段存在的差异，导致不同队列数据之间存在差异，阻碍了数据的整合与共享。基于这个问题，本公开提出一种数据处理方法，用于实现跨队列多模态数据的存储与检索。
[0043]
请参阅图2，图2是本公开示例性实施例示出的一种数据处理方法的流程图。该方法由计算机设备来执行，例如，由图1所示的计算机系统中的终端或服务器来执行。图2所示的数据处理方法包括以下步骤：
[0044]
在步骤s11中，获取基于不同设计规则的多个队列数据。
[0045]
人群队列研究是指通过对一定人群进行随访和纵向观察，评估暴露和终点的关系，人群队列研究过程中，不同亚组间的不同因素，比如两个队列其他条件都一样，一个用了药品a，另一个用了药品b，不同的药品就是评估暴露，终点就是两个人群队列的结局。
[0046]
本公开以各个医疗团队设计的临床医学相关的队列数据为例来进行说明。
[0047]
临床医学相关的队列数据中包括医学文本和医学影像，如图3所示，图3是本公开示例性实施例示出的一种多模态数据存储的示意图。来源于各个医疗团队的队列数据从设计实施、变量定义、数据收集到整理等各个阶段存在一定的差异性，因此将各个医疗团队收集整理得到的队列数据称为多模态数据源，并对各个队列数据进行编号，如图3，分为队列数据1、队列数据2
…
队列数据n。
[0048]
在步骤s12中，将多个队列数据进行归一化处理后存入共享数据库中。
[0049]
队列数据存储之前需要进行归一化处理，具体是指通过制定数据标准，将具有相同医学业务含义的数据项进行整合，如“实验室检验”和“实验室检验指标”可以共同使用“实验室检验”这个归一化标签来描述，归一化处理旨在去除各个队列数据中的重复数据，
归一化标签为描述不同数据的相同或相近语义特征的标签。
[0050]
将去除重复数据后的多个队列数据映射为单模态向量和/或多模态向量，示例性的，将医学文本映射为文本类的单模态向量，将医学影像映射为图像类的单模态向量，以及将包含相同或相近语义特征的医学文本和医学影像映射为多模态向量，这个多模态向量既能表示医学文本的语义特征，也能表示医学影像的语义特征。例如，人群队列中的某个病例的病历报告中包含医学文本“特殊类型早期胃癌的大体分型为浅表扩散型，肿瘤最大径≥4cm，为浅表扩散性”，和通过超声内镜方式获取的该病例胃部的医学影像，可以将病历报告中的医学文本映射为文本模态的向量，将该病例胃部的医学影像映射为图像模态的向量，该病例的病历报告中的医学文本和胃部的医学影像具有相同的语义特征，因此可以根据这个相同的语义特征将医学文本和医学影像映射为多模态向量。在一种实施方式中，可以使用bert模型获取文本模态的向量，使用vggnet19获取图像模态的向量，并且不同模态的向量采用相同的维度，如图4所示，图4是本公开示例性实施例示出的一种映射单模态向量的示意图。需要说明的是，vggnet19是一种用于处理图像的卷积神经网络。
[0051]
多个队列数据被映射为单模态向量和/或多模态向量后，将多个队列数据的相关属性存入共享数据库中，如下表所示，多个队列数据的相关属性包括：队列标识、单模态向量、单模态向量类型、多模态向量、归一化标签、文本描述、图像地址中的至少一个，队列标识为队列数据的编号或id，单模态向量类型可以是但不限于文本类型、图像类型，归一化标签为描述不同数据的相同或相近语义特征的标签，文本描述为队列数据中的文本，如，病历报告中的病历文本描述，图像地址可以是图像定位符(uniform resource locator，url)，图像url为存储图像的位置。
[0052][0053]
需要说明的是，队列数据的创建者拥有发布、共享与删除队列数据的控制权。队列创建者，即设计队列数据的各个医疗团队，在创建好队列数据之后，可以自主选择是否发布来控制队列数据是否传入共享数据库中保存，对于已经存在与共享数据库中的队列数据，队列创建者可以选择使用数据删除功能，例如，通过共享数据库中的队列数据id定位该队列的对应数据，并永久删除该数据。
[0054]
在步骤s13中，获取用户的输入数据，及用户选择的检索模式。
[0055]
输入数据为用户输入的、用于从共享数据库中检索与输入对应的结果的数据，包括输入文本和输入图像，例如，输入文本可以是“特殊类型早期胃癌分型包括哪些？”、“超声内镜可以确定分期吗”等，输入图像可以是通过超声内镜方式获取的病例胃部的医学影像。
[0056]
检索模式包括单模态检索模式和多模态检索模式，单模态检索模式是指，用户输入某一模态的数据进行检索查询时，系统对该指定模态的数据进行检索，如用户输入医学文本进行检索，系统只对医学文本进行检索，用户输入医学影像进行检索，系统只对医学影像进行检索；多模态检索模式是指，用户输入数据进行检索查询时，不仅要检索与输入数据相同模态的数据，还要查询与输入数据语义相同或相近的其他模态数据，如用户输入一段
腹部增强断层扫描(computed tomography，ct)的检查报告文本，系统不仅要检索与该检查报告文本相似的其他文本报告，还要检索与该检查报告文本语义相近的医学影像数据。
[0057]
用户在输入数据查询时，可以选择单模态检索模式或多模态检索模式。
[0058]
在步骤s14中，根据输入数据和检索模式从共享数据库中筛选检索结果。
[0059]
根据输入数据和检索模式从共享数据库中筛选检索结果包括以下两种情况：
[0060]
在检索模式为单模态检索模式的情况下，从共享数据库中筛选与输入文本语义相同或相近的文本作为检索结果，或筛选与输入图像语义相同或相近的图像作为检索结果；示例性的，用户输入医学文本进行检索，并选择了单模态检索模式，那么系统只对医学文本进行检索，通过bert模型从共享数据库中筛选与输入医学文本语义相同或相近的文本作为检索结果，或者用户输入医学影像进行检索，并选择了单模态检索模式，那么系统只对医学影像进行检索，通过vggnet19从共享数据库中筛选与输入医学影像语义相同或相近的文本作为检索结果。
[0061]
在检索模式为多模态检索模式的情况下，从共享数据库中筛选与输入数据语义相同或相近的文本和/或图像作为检索结果。示例性的，用户输入数据进行检索查询时，不仅要检索与输入数据相同模态的数据，还要查询与输入数据语义相同或相近的其他模态数据，如用户输入一段腹部ct的检查报告文本，系统不仅要检索与该检查报告文本相似的其他文本报告，还要检索与该检查报告文本语义相近的医学影像数据。
[0062]
需要说明的是，从共享数据库中筛选与输入数据语义相同或相近的文本和/或图像作为检索结果包括：通过多模态检索模型计算输入数据与共享数据库中的数据的相似度，按照相似度的大小将共享数据库中的数据进行降序排列，将排序在前面的预定数量个数据作为检索结果。在一种实施方式中，预定数量可以是但不限于10个。
[0063]
通过本公开提供的数据处理方法，实现了面向跨队列多模态数据的存储与检索，及实现了不同队列数据间的数据交换、共享和高质量整合存储。
[0064]
需要说明的是，多模态检索模型的训练方法包括以下步骤：
[0065]
步骤一：获取多个样本数据对。
[0066]
每个样本数据对包含具有相同归一化标签的文本和图像，归一化标签为描述不同数据的相同或相近语义特征的标签，因此每一个样本数据对中的文本和图像都具有相同或相近语义特征。
[0067]
步骤二：对于多个样本数据对中的每一个样本数据对：通过卷积神经网络获取样本数据对中的图像的第一向量表示，通过bert模型获取样本数据对中的文本的第二向量表示。
[0068]
示例的，如图5所示，图5是本公开示例性实施例示出的一种映射多模态向量的示意图，使用vggnet19获取样本数据对中的图像的向量表示，记为第一向量表示，通过bert模型获取样本数据对中的文本的向量表示，记为第二向量表示。
[0069]
步骤三：通过多层全连接层分别提取第一向量表示的第一特征，和第二向量表示的第二特征。
[0070]
在分别获取样本数据对中的文本和图像的向量表示后，在第一向量表示和第二向量表示之后各接入多层全连接层，分别用于提取第一向量表示的第一特征，和第二向量表示的第二特征，需要说明的是，两个向量各接入的多层全连接层的参数相同。
[0071]
步骤四：通过多个样本数据对的第一特征与第二特征的相同归一化标签得到损失函数。
[0072]
示例性的，通过bert模型将每个样本数据对的归一化标签进行向量表示，其中第i个样本数据对的标签向量记做：yi＝[y
1i
,y
2i
,...,y
ci
]，其中，c为向量维度。然后，预先定义样本数据对中的图像的表示矩阵u＝[u1,u2,...,un]，样本数据对中的文本的表示矩阵v＝[v1,v2,...,vn]，归一化标签的标签矩阵y＝[y1,y2,...,yn]，多模态向量投影矩阵p，其中，n为样本数据对的数量，那么可以得到损失函数的计算公式包括：
[0073][0074]
其中，||
·
||f为求范数操作。
[0075]
步骤五：通过损失函数训练预训练模型得到多模态检索模型。
[0076]
通过上述的损失函数训练预训练模型，即通过归一化标签进行约束，使得样本数据对中的文本向量表示和图像向量表示在映射空间中的距离小于预定阈值，记录该距离小于预定阈值时的多模态向量投影矩阵p，作为多模态检索模型的最终投影矩阵。
[0077]
综上所述，本公开提供的数据处理方法，包括获取基于不同设计规则的多个队列数据；将多个队列数据进行归一化处理后存入共享数据库中；获取用户的输入数据，及用户选择的检索模式；检索模式包括单模态检索模式和多模态检索模式；根据输入数据和检索模式从共享数据库中筛选检索结果。通过将各个研究团队基于不同设计规则得到的多个队列数据进行归一化处理，去除多个队列数据中的重复数据后存入共享数据库中，从而实现了不同队列数据的交叉融合，便于用户后期通过单模态检索模式或多模态检索模式对多个队列数据进行检索、利用。
[0078]
图6是本公开示例性实施例示出的一种数据处理装置框图。参照图6，数据处理装置20包括获取模块201、处理模块202和检索模块203。
[0079]
该获取模块201，用于获取基于不同设计规则的多个队列数据；
[0080]
该处理模块202，用于将所述多个队列数据进行归一化处理后存入共享数据库中；
[0081]
该获取模块201，还用于获取用户的输入数据，及用户选择的检索模式；所述检索模式包括单模态检索模式和多模态检索模式；
[0082]
该检索模块203，用于根据所述输入数据和所述检索模式从所述共享数据库中筛选检索结果。
[0083]
可选地，该处理模块202，还用于基于预先确定的归一化标签对所述多个队列数据进行归一化处理，去除重复数据；
[0084]
将去除所述重复数据后的所述多个队列数据映射为单模态向量和/或多模态向量；
[0085]
将所述多个队列数据的相关属性存入所述共享数据库中；所述多个队列数据的相关属性包括：队列标识、单模态向量、单模态向量类型、多模态向量、归一化标签、文本描述、图像地址中的至少一个。
[0086]
可选地，该检索模块203，还用于在所述检索模式为所述单模态检索模式的情况下，从所述共享数据库中筛选与所述输入文本语义相同或相近的文本作为所述检索结果，或筛选与所述输入图像语义相同或相近的图像作为所述检索结果；
[0087]
或在所述检索模式为所述多模态检索模式的情况下，从所述共享数据库中筛选与所述输入数据语义相同或相近的文本和/或图像作为所述检索结果。
[0088]
可选地，该检索模块203，还用于通过多模态检索模型计算所述输入数据与所述共享数据库中的数据的相似度；
[0089]
按照所述相似度的大小将所述共享数据库中的数据进行降序排列，将排序在前面的预定数量个所述数据作为所述检索结果。
[0090]
可选地，该处理模块202，还用于获取多个样本数据对；所述样本数据对包含具有相同所述归一化标签的文本和图像；
[0091]
对于所述多个样本数据对中的每一个样本数据对：通过卷积神经网络获取所述样本数据对中的图像的第一向量表示，通过bert模型获取所述样本数据对中的文本的第二向量表示；通过多层全连接层分别提取所述第一向量表示的第一特征，和所述第二向量表示的第二特征；
[0092]
通过所述多个样本数据对的所述第一特征与所述第二特征的相同所述归一化标签得到损失函数；
[0093]
通过所述损失函数训练预训练模型得到所述多模态检索模型。
[0094]
可选地，所述损失函数的计算公式包括：
[0095][0096]
其中，loss为所述损失函数，n为所述样本数据对的数量，p为多模态向量投影矩阵，u为所述样本数据对中的图像的表示矩阵，v为所述样本数据对中的文本的表示矩阵，y为所述归一化标签的标签矩阵，||
·
||f为求范数操作。
[0097]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0098]
图7是根据一示例性实施例示出的一种电子设备的框图。如图7所示，该电子设备400可以为图1所示的终端，包括：处理器401，存储器402。该电子设备400还可以包括多媒体组件403，输入/输出(i/o)接口404，以及通信组件405中的一者或多者。
[0099]
其中，处理器401用于控制该电子设备400的整体操作，以完成上述的数据处理方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作，这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o
接口404为处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g、4g、nb-iot、emtc、或其他5g等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件405可以包括：wi-fi模块，蓝牙模块，nfc模块等等。
[0100]
在一示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的数据处理方法。
[0101]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的数据处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器402，上述程序指令可由电子设备400的处理器401执行以完成上述的数据处理方法。
[0102]
图8是根据一示例性实施例示出的另一种电子设备的框图。例如，电子设备500可以被提供为一服务器。参照图8，电子设备500包括处理器522，其数量可以为一个或多个，以及存储器532，用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器522可以被配置为执行该计算机程序，以执行上述的数据处理方法。
[0103]
另外，电子设备500还可以包括电源组件526和通信组件550，该电源组件526可以被配置为执行电子设备500的电源管理，该通信组件550可以被配置为实现电子设备500的通信，例如，有线或无线通信。此外，该电子设备500还可以包括输入/输出(i/o)接口558。电子设备500可以操作基于存储在存储器532的操作系统。
[0104]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的数据处理方法的步骤。例如，该非临时性计算机可读存储介质可以为上述包括程序指令的存储器532，上述程序指令可由电子设备500的处理器522执行以完成上述的数据处理方法。
[0105]
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的数据处理方法的代码部分。
[0106]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0107]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0108]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本
公开的思想，其同样应当视为本公开所公开的内容。