一种基于模型的情感预测方法、装置、设备及存储介质与流程

1.本技术涉及深度学习领域，尤其涉及一种基于模型的情感预测方法、装置、设备及存储介质。


背景技术：

2.目前，互联网民众已经习惯在网络上发表自己的建议和想法，例如，在网络上对某些商品、某项服务或者某些政策进行评价等等。这些评价对于厂商而言，蕴含着巨大的商业价值，如某些公司通过分析网络上民众对品牌的评价(例如，负面评价忽然增多)，即可以快速采取相应的行动，同时也可以分析商业伙伴的态度，以便更好地进行商业决策。这种带有倾向性的正、负面评价的分析就是情感分析。目前主要是采用基于语义的情感词典方法进行情感分析，其研究思路是先对文本进行分词和停用词处理等预处理，再利用预先构建好的情感词典对文本进行字符串匹配，从而挖掘正面和负面信息。该方法简单易行，但精度不高，而且词典构建需要较强的背景知识，在分析外语方面也有较大的限制，词典构建难度较大。


技术实现要素：

3.有鉴于此，本技术提供一种基于模型的情感预测方法、装置、设备及存储介质，以解决现有技术中基于语义的情感词典方法进行情感分析时，词典构建难度大、精度低的问题。
4.在本技术的一方面，提供一种基于模型的情感预测方法，该方法包括：
5.获取目标数据和情感预测模型；
6.根据情感预测模型确定目标数据的情感倾向；
7.其中，情感预测模型是基于训练规则训练后得到的模型，情感倾向包括正面情感或负面情感。
8.在本技术的一种示例性实施例中，基于训练规则训练情感预测模型的实现方式可以包括：
9.获取原始样本数据；
10.基于训练规则对原始样本数据进行处理，得到训练样本数据；
11.根据训练样本数据对情感预测模型进行训练。
12.在本技术的一种示例性实施例中，基于训练规则对原始样本数据进行处理，得到训练样本数据，可以包括：
13.获取原始样本数据的量化分值，将量化分值作为原始样本数据的评分标签；
14.根据原始样本数据的文本内容为原始样本数据标记情感标签；
15.其中，情感标签包括正向标签和负向标签；
16.根据评分标签和情感标签对原始样本数据进行筛选，得到正样本和负样本；
17.对正样本和负样本进行编码，得到训练样本数据。
18.在本技术的一种示例性实施例中，在根据评分标签和情感标签对原始样本数据进行筛选之前，本技术实施例还提供一种方法包括：
19.根据预设样本数据列表确定原始样本数据中与预设样本数据列表中内容相同的数据；
20.将内容相同的数据从原始样本数据中删除，得到更新后的原始样本数据。
21.在本技术的一种示例性实施例中，上述根据评分标签和情感标签对原始样本数据的进行筛选，得到正样本和负样本，可以包括：
22.将评分标签大于第一预设评分且情感标签为正向标签的原始样本数据，确定为正样本；
23.将评分标签小于第二预设评分且情感标签为负向标签的原始样本数据，确定为负样本。
24.在本技术的一种示例性实施例中，对正样本和负样本进行编码，得到训练样本数据，包括：
25.对正样本和负样本进行打分评估，得到样本评估分值；
26.在样本评估分值大于第三预设评分的情况下，对正样本和负样本进行编码，得到训练样本数据；
27.在样本评估分值小于或等于第三预设评分的情况下，基于训练规则对重新获取的原始样本数据进行处理，得到训练样本数据。
28.在本技术的一种示例性实施例中，基于训练规则训练得到情感预测模型之后，本技术实施例还提供一种方法包括：
29.获取混淆矩阵评估样本，混淆矩阵评估样本包括正确预测样本和错误预测样本；
30.根据混淆矩阵评估样本对情感预测模型进行评估。
31.在本技术的另一方面，提供一种基于模型的情感预测装置，该装置包括：
32.获取模块，用于获取目标数据和情感预测模型；
33.确定模块，用于根据情感预测模型确定目标数据的情感倾向；
34.其中，情感预测模型是基于训练规则训练后得到的模型，情感倾向包括正面情感或负面情感。
35.在本技术的另一方面，提供一种电子设备，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，当处理器执行程序时，实现如本技术任意实施例提供的基于模型的情感预测方法。
36.在本技术的另一方面，提供一种非瞬时性计算机可读存储介质，其特征在于，所述非瞬时性计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如本技术任意实施例提供的基于模型的情感预测方法的步骤。
37.本技术实施例提供了一种基于模型的情感预测方法、装置、设备及存储介质，其中，该方法包括：获取目标数据和情感预测模型；根据情感预测模型确定目标数据的情感倾向；其中，情感预测模型是基于训练规则训练后得到的模型，情感倾向包括正面情感或负面情感。在上述方案中，通过训练规则训练得到的情感预测模型对目标数据的情感倾向进行预测，摆脱了构建情感词典的约束，从而解决了现有技术中构建情感词典难度大、词典语种受限的问题，并且相较于现有技术中基于语义的情感词典进行情感分析的方法，本方案中
基于模型进行情感预测的精度也大幅提高。
附图说明
38.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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它的附图。
39.图1为本技术实施例提供的一种基于模型的情感预测方法的流程图；
40.图2是本技术实施例提供的一种基于训练规则训练情感预测模型的方法流程图；
41.图3是本技术实施例提供的一种评估情感预测模型的方法流程图；
42.图4是本技术实施例提供的一种基于模型的情感预测装置的结构示意图；
43.图5是本技术实施例提供的另一种基于模型的情感预测装置的结构示意图；
44.图6是本技术实施例提供的电子设备的结构示意图。
具体实施方式
45.下面结合附图对本技术实施例进行详细描述。
46.需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，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，都属于本公开保护的范围。
47.需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
48.另外，在本技术实施例中，“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本技术实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
49.为了便于更加清楚地理解本技术实施例提供的方案，在此对本技术实施例中涉及到的相关概念做进一步地详细解释。
50.情感分析：又称情感倾向性分析，指通过人们的发言文本或评论文章来挖掘分析人们对于关联的产品、服务、事件等的看法、态度、情感倾向。按照处理文本的粒度不同，情感分析可分为词语级、短语级、句子级、文档级以及对象级等几个研究层次。按照处理文本的类别不同，可分为基于新闻媒体评论的情感分析和基于产品评论的情感分析。
51.自然语言(natural language)：通常是指一种自然地随文化演化的语言。例如，汉语、英语、日语都是自然语言的例子。
52.自然语言处理(natural language processing，简称nlp)：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，是计算机科学领域与人工智能领域中的一个重
要方向，主要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。
53.机器学习(machine learning，简称ml)：是一门多领域交叉学科，涉及概率论、统计学、计算机科学等多门学科，能帮助机器从现有的复杂数据中学习规律，以预测未来的行为结果和趋势。
54.深度学习(deep learning，简称dl)：主要是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助，其最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习也是机器学习领域中一个新的研究方向。
55.bert：bidirectional encoderrepresentation fromtransformers，是一个预训练的语言表征模型。
56.roberta：是bert的改进版(arobustly optimizedbert，简单称为强力优化的bert模型)。
57.xlm-roberta：是一种基于roberta的规模化多语言预训练模型。
58.噪音样本：在机器学习的样本数据中，有些难以学习或与其他样本差异较大的异常数据称之为噪音样本。
59.etl工具(extract-transform-load，简写etl)：用于将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端，etl工具指处理这个过程的工具。
60.当前互联网环境中，各大厂商产品都积累了一定的用户发文数据，基于这些用户发文数据，可以分析出用户对产品的情感倾向。针对这类应用场景，本技术实施例提供了一种基于模型的情感预测方法，如图1所示，该方法能够在无需构建情感词典的前提下，基于训练好的模型对目标数据进行情感倾向预测，从而实现用户的情感倾向分析。该方法可以由本技术实施例提供的基于模型的情感预测装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在电子设备中，电子设备比如可以是服务器、个人计算机等。以下实施例将以该装置集成在电子设备中为例进行说明，如图1所示，该方法可以包括但不限于以下步骤：
61.s101、获取目标数据和情感预测模型。
62.本技术实施例中的目标数据即为待预测情感倾向的数据，例如，假设以本技术实施例应用于电商平台场景下为例，该目标数据即为用户对平台上某个商品的评价数据。进一步地，该目标数据可以为任何语言下的数据，即本技术实施例中对目标数据的语种不作任何限制。
63.可选地，本技术实施例中的情感预测模型可以采用xlm-roberta训练模型，进一步地，该情感预测模型是基于训练规则训练后得到的模型。可以理解的是，情感预测模型在训练之前和训练之后，模型结构并不会发生变化，训练过程仅是针对模型参数进行训练，可以使模型参数更加适用于当前应用场景，使得模型预测具有更高的精准度。
64.s102、根据情感预测模型确定目标数据的情感倾向。
65.本技术实施例中的情感预测模型主要用于对目标数据的情感倾向进行预测，例如，用户对电商平台下某个商品的评价是正面的(如，好评)或者是负面的(如，差评)。相应地，在本技术实施例中，可以将情感预测模型预测的目标数据的情感倾向分为正面情感或负面情感。
66.本技术实施例提供了一种基于模型的情感预测方法，该方法包括：获取目标数据和情感预测模型；根据情感预测模型确定目标数据的情感倾向；其中，情感预测模型是基于训练规则训练后得到的模型，情感倾向包括正面情感或负面情感。在上述方案中，通过训练规则训练得到的情感预测模型对目标数据的情感倾向进行预测，摆脱了构建情感词典的约束，从而解决了现有技术中构建情感词典难度大、词典语种受限的问题，并且相较于现有技术中基于语义的情感词典进行情感分析的方法，本方案中基于模型进行情感预测的精度也大幅提高。
67.在一种示例中，本技术实施例还提供了一种基于训练规则训练情感预测模型的实施方法，如图2所示，该方法可以包括但不限于以下步骤：
68.s201、获取原始样本数据。
69.本步骤中的原始样本数据即为用户对相应场景下某类信息的评价数据，例如，用户对电商平台下某商品的评价数据，或者，用户对政策网站上某个政策的评价数据，或者，用户对电影网站上某部电影的评价数据等等。
70.s202、基于训练规则对原始样本数据进行处理，得到训练样本数据。
71.示例性地，本步骤的实现方式可以包括获取原始样本数据的量化分值，将量化分值作为原始样本数据的评分标签，根据原始样本数据的文本内容为原始样本数据标记情感标签，其中，情感标签包括正向标签和负向标签。例如，以电商平台场景下，用户对某个产品的评价为例，若用户对某个产品的打分为8分(最高10分，最低1分)，并给予文字评价，那么该8分的量化分值即可作为相应原始样本数据的评分标签，该文字评价即可作为相应原始样本数据的情感标签。
72.根据上述评分标签和情感标签对原始样本数据进行筛选，得到正样本和负样本。可选地，该筛选过程可以包括：将评分标签大于第一预设评分且情感标签为正向标签的原始样本数据，确定为正样本；将评分标签小于第二预设评分且情感标签为负向标签的原始样本数据，确定为负样本。例如，将评分标签大于6分且情感标签为正向标签的原始样本数据确定为正样本，将评分标签小于4分且情感标签为负向标签的原始样本数据确定为负样本。通过这一筛选方式，可以避免将用户打分高，但评价情感倾向于负面评价(即情感标签为负向标签)的数据纳入到训练样本数据中，导致训练样本数据质量不佳。基于上述方式筛选出正样本和负样本后，可以对正样本和负样本进行编码，进而得到训练样本数据。
73.需要说明的是，在上述实施过程中，可以通过爬虫软件等方式获取原始样本数据的量化分值和文本内容，进而利用现有的具有筛选功能的模型对上述量化分值和文本内容进行初筛，将初筛后的量化分值和文本内容分别作为对应原始样本数据的评分标签和情感标签。
74.本领域技术人员可以理解的是，在进行模型训练时，训练样本中存在噪音样本数据是非常有必要的，因此，上述具有筛选功能的模型可以选用识别准确度较低的模型，这样不仅可以解决人工手动选择样本的弊端，还可以由于该模型的识别准确度较低，在训练样本集中保留一部分噪音样本数据，从而有助于模型训练。
75.可选地，在本技术实施例中，在上述获取原始样本数据的量化分值之前，还可以使用正则表达式等方式剔除原始样本数据中的错误数据，例如乱码、特殊字符，以及非文本数据等，这样可以保证原始样本数据的有效性和实用性。
76.s203、根据训练样本数据对情感预测模型进行训练。
77.基于上述步骤获取到训练样本数据后，可以将训练样本数据输入至xlm-roberta训练模型中，训练该模型的参数。
78.在一种示例中，在上述根据评分标签和情感标签对原始样本数据进行筛选之前，还可以根据预设样本数据列表确定原始样本数据中与预设样本数据列表中内容相同的数据，进而将内容相同的数据从原始样本数据中删除，得到更新后的原始样本数据。例如，假设以电商平台为例，若用户未及时对购买的某商品进行评价，那么在一段时间(例如，自动确认收货)之后，平台自动对该商品进行好评，并打分为最高分，这种情况下的好评内容和对应的分值即可设置在预设样本数据列表中，并且若判断出某一条数据存在于预设样本数据列表中，那么认为该条数据为平台自动评价的数据，并非是用户的主观评价，从而将该条数据从原始样本数据中剔除。通过这种方式可以保证获取的原始样本数据均为用户带有主观情感评价后的数据，而并非是设置的自动回复的评价数据，这样可以保证原始样本数据的有效性和实用性。
79.可选地，在一种示例中，上述步骤s202中，对正样本和负样本进行编码，得到训练样本数据的实现方式可以包括但不限于如下方式：对正样本和负样本进行打分评估，得到样本评估分值。例如，通过etl工具对正样本和负样本数据进行处理，得到各样本的评估分值。在样本评估分值大于第三预设评分的情况下，对正样本和负样本进行编码，得到训练样本数据；在样本评估分值小于或等于第三预设评分的情况下，基于训练规则对重新获取的原始样本数据进行处理，得到训练样本数据。设置第三预设评分可以衡量当前正样本和负样本的数据质量，若当前评分估值大于第三预设评分，则认为确定出的正样本和负样本的样本质量较高，可以作为训练样本数据，用于进行模型训练。相反，若当前评分估值小于或等于第三预设评分，则认为确定出的正样本和负样本的样本质量较低，若将其作为训练样本数据进行模型训练，可能训练后得到的模型预测精度较低。因此，在这种情况下，可以重新获取新的原始样本数据，并基于上述训练规则重新对获取的新的原始样本数据进行处理，以保证得到评分估值大于第三预设评分的正样本和负样本，从而保证用于模型训练的训练样本数据的质量。
80.如图3所示，在一种示例中，在基于上述训练规则训练得到情感预测模型之后，本技术实施例还提供了一种实施方式包括：
81.s301、获取混淆矩阵评估样本。
82.上述混淆矩阵评估样本包括正确预测样本和错误预测样本，进一步地，正确预测样本可以包括“真实好评，预测也为好评”和“真实差评，预测也为差评”这两种情况；错误预测样本可以包括“真实好评，预测为差评”和“真实差评，预测为好评”这两种情况。例如，该混淆矩阵评估样本可以如表1所示：
83.表1
[0084][0085]
其中，表格中的正例可以理解为好评或正面情感，反例可以理解为差评或负面情感，真正例(true positive，tp)表示将正例预测为正例的样本数值，即上述“真实好评，预测也为好评”；伪反例(false negative，fn)表示将正例预测为反例的样本数值，即上述“真实好评，预测为差评”；伪正例(false positive，fp)表示将反例预测为正例的样本数值，即上述“真实差评，预测为好评”；真反例(true negative，tn)表示将反例预测为反例的样本数值，即上述“真实差评，预测也为差评”的情况。
[0086]
s302、根据混淆矩阵评估样本对情感预测模型进行评估。
[0087]
示例性地，可以基于混淆矩阵评估样本评估该情感预测模型的预测准确率，例如采用如下公式进行计算：
[0088]
准确率＝(tp+tn)/(tp+fn+fp+tn)
[0089]
即预测结果为正确预测样本的数值在所有预测结果中所占的比重。
[0090]
例如，假设混淆矩阵评估样本总数为1000，其中，正例有800个，反例有200个，通过情感预测模型预测，得到的结果为tp＝790、fn＝10、fp＝4、tn＝196，那么该情感预测模型的预测准确率为：(790+196)/(790+10+4+196)＝98.6％。
[0091]
通过上述评估可以更好地了解情感预测模型的预测准确率，从而为后续的模型使用提供参考依据，例如，在评估结果为模型预测准确率较低的情况下，可以通过微调的方式进一步优化模型参数，或者，增加模型的训练次数等等。
[0092]
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
[0093]
图4为本技术实施例提供的一种基于模型的情感预测装置，如图4所示，该装置可以包括：获取模块401、确定模块402；
[0094]
其中，获取模块，用于获取目标数据和情感预测模型；
[0095]
确定模块，用于根据情感预测模型确定目标数据的情感倾向；
[0096]
其中，情感预测模型是基于训练规则训练后得到的模型，情感倾向包括正面情感或负面情感。
[0097]
如图5所示，在一种示例中，上述装置还可以包括处理模块403和训练模块404；
[0098]
上述获取模块还可以用于获取原始样本数据；
[0099]
处理模块，可以用于基于训练规则对原始样本数据进行处理，得到训练样本数据；
[0100]
训练模块，可以用于根据训练样本数据对情感预测模型进行训练。
[0101]
在一种示例中，上述处理模块可以包括获取单元、标记单元、筛选单元和编码单元；
[0102]
其中，获取单元，具体用于获取原始样本数据的量化分值；
[0103]
标记单元，用于将量化分值作为原始样本数据的评分标签，以及，根据原始样本数据的文本内容为原始样本数据标记情感标签；
[0104]
其中，情感标签包括正向标签和负向标签；
[0105]
筛选单元，用于根据评分标签和情感标签对原始样本数据进行筛选，得到正样本和负样本；
[0106]
编码单元，用于对正样本和负样本进行编码，得到训练样本数据。
[0107]
在一种示例中，上述处理模块还可以包括确定单元；
[0108]
其中，确定单元用于根据预设样本数据列表确定原始样本数据中与预设样本数据列表中内容相同的数据；
[0109]
筛选单元，用于将内容相同的数据从原始样本数据中删除，得到更新后的原始样本数据。
[0110]
在一种示例中，上述筛选单元，用于将评分标签大于第一预设评分且情感标签为正向标签的原始样本数据，确定为正样本；将评分标签小于第二预设评分且情感标签为负向标签的原始样本数据，确定为负样本。
[0111]
在一种示例中，上述确定单元，用于对正样本和负样本进行打分评估，得到样本评估分值；
[0112]
编码单元，用于在样本评估分值大于第三预设评分的情况下，对正样本和负样本进行编码，得到训练样本数据；
[0113]
处理模块，还可以用于在样本评估分值小于或等于第三预设评分的情况下，基于训练规则对重新获取的原始样本数据进行处理，得到训练样本数据。
[0114]
在一种示例中，上述获取模块，还可以用于获取混淆矩阵评估样本，其中，该混淆矩阵评估样本包括正确预测样本和错误预测样本；
[0115]
确定模块，用于根据混淆矩阵评估样本对情感预测模型进行评估。
[0116]
上述基于模型的情感预测装置可以执行图1-图3所提供的基于模型的情感预测方法，具备该方法中相应的器件和有益效果。
[0117]
所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0118]
图6为本技术实施例提供的一种电子设备的结构示意图，如图6所示，该电子设备包括控制器601、存储器602、输入装置603、输出装置604；电子设备中控制器601的数量可以是一个或多个，图6中以一个控制器601为例；电子设备中的控制器601、存储器602、输入装置603和输出装置604可以通过总线或其他方式连接，图6中以通过总线连接为例。
[0119]
存储器602作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及单元，如图1实施例中的基于模型的情感预测方法对应的程序指令/模块(例如，基于模型的情感预测装置中的获取模块401、确定模块402、处理模块403和训练模块404)。控制器601通过运行存储在存储器602中的软件程序、指令以及模块，从而执行电子设备的各种功能以及数据处理，即实现上述的基于模型的情感预测方法。
[0120]
存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序，可只读；存储数据区可存储根据计算机的使用所创建的数据等，可读写。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器602可进一步包括相对于控制器601远程设置的存储器，这些远程存储器可以通过网络连接至终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0121]
输入装置603可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置604可包括显示屏等显示装置。
[0122]
根据本技术的这种实施方式的电子设备。电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0123]
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：上述至少一个处理器、上述至少一个储存器、连接不同系统组件(包括储存器和处理器)的总线。
[0124]
其中，所述储存器存储有程序代码，所述程序代码可以被所述处理器执行，使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种示例性实施方式的步骤。
[0125]
储存器可以包括易失性储存器形式的可读介质，例如随机存取储存器(ram)和/或高速缓存储存器，还可以进一步包括只读储存器(rom)。
[0126]
储存器还可以包括具有一组(至少一个)程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0127]
总线可以为表示几类总线结构中的一种或多种，包括储存器总线或者储存器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
[0128]
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器通过总线与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0129]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
[0130]
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能
够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本技术的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本技术各种示例性实施方式的步骤。
[0131]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0132]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0133]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0134]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0135]
此外，上述附图仅是根据本技术示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0136]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0137]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。