基于知识图谱的话题推荐方法与流程
1.本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种基于知识图谱的话题推荐方法及装置。
背景技术：
2.随着计算机技术和网络技术的发展，人机交互的场景越来越广泛。人机问答系统是人机交互领域的重要课题，人机问答系统可以根据用户的输入的问题，自动的选择或者生成相应的回复。
3.在人机问答系统中，主流技术是基于“问答对”进行端对端的神经网络训练，利用大量的“问答对”自由生成问题的答案，而通过这种方式导致对话的内容比较发散，且无法结合用户输入的历史信息进行话题推荐。
技术实现要素：
4.有鉴于此，本说明书一个或多个实施例提供一种基于知识图谱的话题推荐方法及装置，以解决相关技术中存在的问题。
5.为实现上述目的，本说明书一个或多个实施例提供技术方案如下：
6.根据本说明书一个或多个实施例的第一方面，提出了一种基于知识图谱的话题推荐方法，应用于人机问答系统，所述人机问答系统维护了用于进行话题推荐的知识图谱，其中，所述知识图谱包含存在若干关系的话题节点；所述人机问答系统还维护了用户的历史问答信息，所述方法包括：
7.获取所述用户输入的话题；
8.确定所述用户输入的话题在所述知识图谱中对应的目标话题节点；
9.计算所述目标话题节点与所述知识图谱中的话题节点之间的语义相似度；所述语义相似度用于指示所述知识图谱中的话题节点与所述目标话题节点之间的关联程度；
10.基于所述语义相似度，以及所述用户的历史问答信息，从所述知识图谱中选择话题节点，向所述用户进行话题推荐。
11.可选的，所述知识图谱包括基于实时信息构建的实时信息知识图谱；其中，所述实时信息包括基于所述用户所在地理位置实时获取的信息。
12.可选的，所述人机问答系统维护了基于用户信息以及用户的历史问答信息构建的用户信息知识图谱，所述用户信息知识图谱包含若干已经向所述用户进行推荐过的话题节点；其中，所述话题节点具有时间特征值，所述时间特征值用于指示所述人机问答系统最后一次推荐所述话题节点的时间；
13.所述基于所述语义相似度，以及所述用户的历史问答信息，从所述知识图谱中选择话题节点，向所述用户进行话题推荐，包括：
14.基于所述用户信息知识图谱，确定所述知识图谱中话题节点的时间特征值；
15.基于所述时间特征值，计算所述知识图谱中的话题节点的时间权重；所述时间权
重用于指示所述知识图谱中的话题节点在预设时间段内被推荐的重要程度；
16.基于所述语义相似度，以及所述时间权重，从所述知识图谱中选择话题节点，向所述用户进行话题推荐。
17.可选的，计算所述目标话题节点与所述知识图谱中的话题节点之间的语义相似度，包括：
18.将所述知识图谱输入预先训练的图神经网络进行语义相似度计算，确定所述目标话题节点与所述知识图谱中其他话题节点之间的语义相似度。
19.可选的，所述方法还包括：
20.重复执行以下训练过程对所述图神经网络进行有监督训练：
21.从预设的知识图谱库中选择若干知识图谱作为训练样本，从所述训练样本中提取图节点以及图节点之间的关系；
22.分别对所述图节点进行编码得到图节点编码，分别对所述图节点之间的关系进行编码得到关系编码；
23.将所述图节点编码及所述关系编码进行组合，输入所述图神经网络，调整所述图神经网络的参数。
24.可选的，将所述知识图谱输入预先训练的图神经网络进行语义相似度计算，确定所述目标话题节点与所述知识图谱中其他话题节点之间的语义相似度，包括：
25.将所述知识图谱输入预先训练的图神经网络，得到所知识图谱中各个话题节点的编码；
26.将所述目标话题节点的编码与所述知识图谱中其他话题节点编码之间的距离作为目标话题节点与所述知识图谱中其他话题节点之间的语义相似度。
27.可选的，基于所述语义相似度，以及所述时间权重，从所述知识图谱中选择话题节点，向所述用户进行话题推荐，包括：
28.将所述语义相似度与所述时间权重进行加权计算，从所述知识图谱中选择语义相似度取值最高的话题节点，并向所述用户进行话题推荐。
29.根据本说明书一个或多个实施例的第二方面，提出了一种基于知识图谱的话题推荐装置，应用于人机问答系统，所述人机问答系统维护了用于进行话题推荐的知识图谱，其中，所述知识图谱包含存在若干关系的话题节点；所述人机问答系统还维护了用户的历史问答信息，所述装置包括：
30.话题获取单元，用于获取所述用户输入的话题；
31.节点确定单元，用于确定所述用户输入的话题在所述知识图谱中对应的目标话题节点；
32.相似度计算单元，用于计算所述目标话题节点与所述知识图谱中的话题节点之间的语义相似度；所述语义相似度用于指示所述知识图谱中的话题节点与所述目标话题节点之间的关联程度；
33.话题推荐单元，用于基于所述语义相似度，以及所述用户的历史问答信息，从所述知识图谱中选择话题节点，向所述用户进行话题推荐。
34.根据本说明书一个或多个实施例的第三方面，提出了一种电子设备，包括：
35.处理器；
36.用于存储处理器可执行指令的存储器；
37.其中，所述处理器通过运行所述可执行指令以实现如第一方面所述的方法。
38.根据本说明书一个或多个实施例的第四方面，提出了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。
39.本技术的有益效果：
40.本技术通过预先构建用于话题推荐的知识图谱，并确定用户输入的话题在所述知识图谱中的目标话题节点，计算目标话题节点与所述知识图谱中的话题节点之间的语义相似度；结合用户输入的历史问答信息，从实知识图谱中选择话题节点，向所述用户进行话题推荐。利用知识图谱进行话题推荐，可以提高话题推荐的连贯性及准确性，结合用户输入的历史问答信息，可以避免推荐重复的话题。
附图说明
41.图1是一示例性实施例提供的一种实时信息知识图谱的示意图。
42.图2是一示例性实施例提供的一种基于知识图谱的话题推荐方法的流程图。
43.图3是一示例性实施例提供的一种图神经网络模型训练的示意图。
44.图4是一示例性实施例提供的一种用户信息知识图谱的示意图。
45.图5是一示例性实施例提供的一种电子设备的示意结构图。
46.图6是一示例性实施例提供的一种基于知识图谱的话题推荐装置的框图。
具体实施方式
47.这里将详细地对示例性实施例进行说明，其示例表示在附图中。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说明书一个或多个实施例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、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
48.需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
49.人机问答系统，可以应用于诸多领域，例如电商平台的客服服务，智能汽车搭载的中控显示，智能音箱搭载的人工智能语音交互引擎等等，均可以作为一种人机问答系统。现有的人机问答系统通常是由用户提出问题，由人机问答系统识别用户输入的问题，再从预设的问答库中选择问题的答案；或是由人机问答系统识别用户输入的问题中的相关实体，再从预设的知识图谱中到与实体具有关系的其他实体，并基于自然语言处理技术组织为问题的答案。
50.现有技术中通常是基于“问答对”进行端到端的神经网络训练，利用大量的“问答对”生成问题的答案，利用神经网络的泛化性，再进行多轮话题进行推荐。这种方式由于神经网络存在泛化的不可控性，因此会导致人机对话的内容比较发散，出现对话时上下文不
连贯等情况。
51.而知识图谱可以很好的挖掘各个话题节点之间的语义相关性，因此基于知识图谱的话题推荐方法，可以很好的从语义的角度生成问题的答案并进一步进行话题推荐，但是由于基于知识图谱的话题推荐方法只考虑知识图谱中的话题节点，而没有结合用户的历史问答信息，所以相同的话题由于语义相似度较高可能会被多次提及。
52.有鉴于此，本说明书提出一种基于知识图谱的话题推荐方法，通过计算知识图谱中话题节点的语义相似度，结合用户的历史输入内容进行话题推荐的技术方案。
53.在实现时，可以获取所述用户输入的话题；确定所述用户输入的话题在所述知识图谱中对应的目标话题节点；计算所述目标话题与所述知识图谱中的话题节点之间的语义相似度；所述语义相似度用于指示所述知识图谱中的话题节点与所述话题之间的关联程度；基于所述语义相似度，以及所述用户的历史问答信息，从所述知识图谱中选择话题节点，向所述用户进行话题推荐。
54.下面结合附图对本说明书的基于知识图谱的话题推荐方法进行详细说明。
55.在本说明书中，人机问答系统可以维护预先构建的用于进行话题推荐的知识图谱，其中知识图谱可以包括若干个话题节点，每个话题节点之间存在关系。人机问答系统可以基于知识图谱中的话题节点对应的话题进行话题推荐。在本说明书中，构建知识图谱的具体方式不做具体限定，例如，可以通过多种渠道获取结构化数据源，构建用于进行话题推荐的知识图谱；也可以通过技术手段，从百科类网站或数据中心采集数据，构建知识库，再进一步构建进行话题推荐的知识图谱等等。
56.在一种实施方式中，上述知识图谱可以包括基于实时信息构建的实时信息知识图谱；其中，所述实时信息包括用户当前所在地理位置信息。具体的，实时信息可以包括用户当前所在地理位置信息附近的超市、美食、娱乐项目，还可以包括用户当前所在地理位置信息所在城市的热点新闻，以及用户当前所在地理位置信息所在城市的天气状况等等信息。上述人机问答系统可以通过自带的gps定位模块、或调用其他系统附加的gps定位模，自动获取用户所在地理位置信息，并通过用户所在地理位置信息通过地图或互联网采集实时信息，并基于实时信息构建实时信息知识图谱。
57.图1是一示例性实施例提供的一种实时信息知识图谱的示意图。如图1所示，该知识图谱可以包括用户当前所在地理位置信息获取的信息，例如图中的美食节点、娱乐节点，其中美食节点进一步可以包括川菜馆、湘菜馆以及其他美食的分类节点，并进一步具体到某家商铺，例如川菜馆a节点，川菜馆b节点。
58.上述人机问答系统可以基于如图1示出的实时信息知识图谱，针对用户输入的话题，进行话题推荐。
59.图2是一示例性实施例提供的一种基于知识图谱的话题推荐方法的流程图。如图2所示，该方法可以包括以下步骤：
60.步骤202，获取用户输入的话题。
61.在本说明书中，人机问答系统可以基于用户输入的内容，获取用户输入的话题；其中，用户可以输入文本形式的内容、音频形式的内容等等。针对文本形式的内容，人机问答系统可以基于语义分析等技术，从文本形式内容中提取出用户输入的话题；针对音频形式的内容，人机问答系统可以先将音频转化为文本，再从文本形式内容中提取出用户输入的
话题。人机问答系统还可以基于用户输入的内容，分析其所代表的语义并通过语义联想等方式确定用户输入的话题。
62.例如，当用户输入“附近的美食有哪些”，上述人机问答系统可以基于语义分析等技术，确定用户输入的话题为“美食”。又例如，当用户输入“今天中午吃什么？”，人机问答系统可以基于用户输入的“吃”的语义，确定用户输入的话题为“美食”。
63.步骤204，确定所述用户输入的话题在所述知识图谱中对应的目标话题节点；
64.在获取到用户输入的话题后，可以确定该话题在知识图谱中对应的目标话题节点。其中，可以遍历上述知识图谱中的全部话题节点，匹配与用户输入的话题相同的话题节点。在一种情况中，可能匹配不到与用户输入的话题完全相同的话题节点，因此，可以基于自然语言处理中的语义分析技术，匹配与用户输入的话题语义相似的话题节点。
65.例如，当用户输入“附近的美食有哪些”后，上述人机问答系统可以基于语义分析等技术，确定用户输入的话题为“美食”，因此可以确定目标话题节点为如图1示出的“美食”。
66.步骤206，计算所述目标话题节点与所述知识图谱中的话题节点之间的语义相似度；所述语义相似度用于指示所述知识图谱中的话题节点与所述目标话题节点之间的关联程度；
67.在确定目标话题后，可以计算目标话题节点与知识图谱中的其他话题节点之间的语义相似度。其中，计算目标话题节点与知识图谱中其他节点之间的语义相似度的具体方式，在说明书中不做具体限定。例如，可以通过将目标话题节点对应的文本以及指示图谱中其他节点对应的文本分别转化为文本向量，计算文本向量之间的相似度，以作为目标话题节点与所述知识图谱中的话题节点之间的语义相似度。又例如，可以将上述知识图谱输入预先训练的图神经网络模型中，通过图神经网络模型计算出目标话题节点与所述知识图谱中的话题节点之间的语义相似度。
68.所述语义相似度用于指示所述知识图谱中的话题节点与所述目标话题节点之间的关联程度；其中，语义相似度的取值越大，说明知识图谱中的话题节点与目标话题节点之间的关联程度越高。
69.在一种实施方式中，本技术还提供了一种图神经网络的训练方法，图3是一示例性实施例提供的一种图神经网络训练的流程图。如图3所示，该方法可以包括以下步骤：
70.步骤302，从预设的知识图谱库中选择若干知识图谱作为训练样本，从所述训练样本中提取图节点以及图节点之间的关系；
71.在本说明书中，可以预先构建知识图谱库，其中知识图谱库中的知识图谱可以为人机问答系统收录的各个用户实时信息创建的知识图谱，也可以是人为的创建的用于模型训练的知识图谱，还可以从互联网中获取相关的知识图谱，本说明书对此不作限定。
72.构建知识图谱库后，可以从知识图谱库中选择若干指示图谱作为图神经网络的训练样本。其中，选择方式在本说明书中不做具体限定，例如，可以从知识图谱库中随机选择若干知识图谱，也可以人工的从知识图谱库中进行筛选作为训练样本的知识图谱。
73.在选择训练样本后，可以分别从每个训练样本中提取知识图谱中的图节点，以及图节点之间的关系。其中，图节点可以为知识图谱中一个实体对应的数据，图节点之间的关系可以为知识图谱中两个具有关系的实体之间关系对应的数据。
74.步骤304，分别对所述图节点进行编码得到图节点编码，分别对所述图节点之间的关系进行编码得到关系编码；
75.针对一个知识图谱训练样本，可以分别对该知识图谱中的图节点进行编码，以及分别对图节点之间的关系进行编码。其中编码的方式本说明书中对此不作限定。例如，可以用一组基向量的加权组合，表示图节点的数据，以及图节点之间的关系的数据。
76.步骤306，将所述图节点编码及所述关系编码进行组合，输入所述图神经网络，调整所述图神经网络的参数。
77.在本说明书中，需要训练的图神经网络模型核心公式为：
[0078][0079]
其中，u代表图节点，r代表关系，代表图节点关系的编码，代表图节点的编码，代表与具有关系的图节点的编码，为映射权重，也即图神经网络训练得到的参数。表示上述图节点之间的关系编码以及图节点的编码的组合方式，其中图节点之间的关系编码以及图节点的编码组合方式如下所示：
[0080][0081][0082]
其中，上述编码不同的组合方式对应不同的准则函数的训练方式，可以由用户自定义选择。
[0083]
在将上述训练样本输入图神经网络后，每一次迭代还需要对关系的编码进行更新，其中更新公式为：
[0084][0085]
在经过多次迭代训练后，调整映射权重w，即可完成所述图神经网络的训练。
[0086]
在一种实施方式中，可以将人机对话系统构建的知识图谱，输入上述预先训练的神经网络，可以得到该知识图谱中各个话题节点的编码，在得到所述编码后，可以将目标话题节点的编码与所述知识图谱中其他话题节点编码之间的距离作为目标话题节点与所述知识图谱中其他话题节点之间的语义相似度。
[0087]
步骤208，基于所述语义相似度，以及所述用户的历史问答信息，从所述知识图谱中选择话题节点，向所述用户进行话题推荐。
[0088]
在计算目标话题加点与其他话题节点之间的语义相似度后，可以基于语义相似度取值的大小，从知识图谱中选择与目标话题节点之间的关联程度较高的话题节点。
[0089]
同时，人机问答系统还可以记录用户的历史问答信息，其中，所述历史问答信息可以包括在预设时间段内人机问答系统已经向用户推荐过的话题。在进行话题推荐时，可以由人机问答系统针对语义相似度较高的话题节点，从历史问答信息中进行匹配，确定该话题节点是否被推荐过，如果在预设时间段内该话题节点已经被推荐过，可以重新选择语义相似度较高的话题节点。
[0090]
例如，例如，当用户输入“我想吃川菜。”后，上述人机问答系统确定目标话题节点为“川菜馆”后。基于语义相似度计算，可以确定“川菜馆a”节点以及“川菜馆b”节点与目标
话题节点之间的语义相似度较高。由于人机问答系统保存了用户的历史问答信息，且人机问答系统在一个月内向该用户推荐的了“川菜馆a”，因此可以重新选择话题节点，将“川菜馆b”向用户进行推荐。
[0091]
在一种实施方式中，所述人机问答系统维护了基于用户信息以及用户的历史问答信息构建的用户信息知识图谱，所述用户信息知识图谱包含若干已经向所述用户进行推荐过的话题节点；其中，所述话题节点具有时间特征值，所述时间特征值用于指示所述人机问答系统最后一次推荐所述话题节点的时间；
[0092]
例如，图4是一示例性提供的用户信息知识图谱的示意图。如图4所示，该知识图谱中可以包括已经向用户进行推荐过的话题节点，例如图4中示出的“川菜馆a”及“湘菜馆b”，同时针对每个话题节点记录了时间特征值，用于指示人机问答系统最后一次推荐所述话题节点的时间。
[0093]
需要说明的是，当经过预设时间后，针对用户信息知识图谱中已经被推荐过的话题节点，当人机问答系统没有再次推荐话题节点后，人机问答系统可以删除用户信息知识图谱中已经推荐过的话题节点。
[0094]
在进行话题推荐时，可以基于用户信息知识图谱，确定用于进行话题推荐的知识图谱中话题节点的时间特征值。需要说明的是，由于用于进行话题推荐的知识图谱中存在没有被推荐过的话题节点，因此这部分话题节点的时间特征值可以设置为0或者空。
[0095]
由于用于进行话题推荐的知识图谱中话题节点可能较多，因此可以计算目标话题节点与知识图谱中话题节点的语义相似度，可以选择相似度较高的部分话题节点，针对这部分话题节点，再基于用户信息知识图谱，确定这部分话题节点的时间特征值。
[0096]
在确定时间特征值后，可以基于时间特征值，计算时间权重。所述时间权重用于指示所述知识图谱中的话题节点在预设时间段内被推荐的重要程度；其中，时间权重越高，相应的该话题节点被推荐的概率越低。其中，计算时间权重的公式，本说明书对此不作限定，例如，用户可以使用当前时间减去时间特征值得到的数值大小，作为时间权重。
[0097]
在本说明书，还提供了时间权重的计算公式1-e^(-t)，其中t＝(当前时间-时间特征值)/360。当(当前时间-时间特征值)＞360时，(当前时间-时间特征值)的值记为360，基于上述时间权重，话题节点在一年内最后一次被推荐的时间越短，其相应的权重则越小。
[0098]
在计算上述语义相似度及时间权重后，可以结合语义相似度以及时间权重，从知识图谱中选择话题节点，并向所述用户进行话题推荐。其中，可以从知识图谱中选择语义相似度较高的话题节点，并进一步将语义相似度与时间权重进行加权计算，将加权计算后语义相似度取值最高的话题节点，向所述用户进行话题推荐。
[0099]
图5是一示例性实施例提供的一种电子设备的示意结构图。请参考图5，在硬件层面，该设备包括处理器502、内部总线504、网络接口506、内存508以及非易失性存储器510，当然还可能包括其他任务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现，比如由处理器502从非易失性存储器510中读取对应的计算机程序到内存508中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件亦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。
[0100]
请参考图6，图6是一示例性实施例提供的一种基于知识图谱的话题推荐装置的框
图，所述装置包括：
[0101]
话题获取单元602，用于获取所述用户输入的话题；
[0102]
节点确定单元604，用于确定所述用户输入的话题在所述知识图谱中对应的目标话题节点；
[0103]
相似度计算单元606，用于计算所述目标话题节点与所述知识图谱中的话题节点之间的语义相似度；所述语义相似度用于指示所述知识图谱中的话题节点与所述目标话题节点之间的关联程度；
[0104]
话题推荐单元606，用于基于所述语义相似度，以及所述用户的历史问答信息，从所述知识图谱中选择话题节点，向所述用户进行话题推荐。
[0105]
可选的，所述知识图谱包括基于实时信息构建的实时信息知识图谱；其中，所述实时信息包括基于所述用户所在地理位置实时获取的信息。
[0106]
可选的，所述人机问答系统维护了基于用户信息以及用户的历史问答信息构建的用户信息知识图谱，所述用户信息知识图谱包含若干已经向所述用户进行推荐过的话题节点；其中，所述话题节点具有时间特征值，所述时间特征值用于指示所述人机问答系统最后一次推荐所述话题节点的时间；
[0107]
所述节点确定单元604，进一步用于基于所述用户信息知识图谱，确定所述知识图谱中话题节点的时间特征值；
[0108]
基于所述时间特征值，计算所述知识图谱中的话题节点的时间权重；所述时间权重用于指示所述知识图谱中的话题节点在预设时间段内被推荐的重要程度；
[0109]
基于所述语义相似度，以及所述时间权重，从所述知识图谱中选择话题节点，向所述用户进行话题推荐。
[0110]
可选的，相似度计算单元606，进一步用于将所述知识图谱输入预先训练的图神经网络进行语义相似度计算，确定所述目标话题节点与所述知识图谱中其他话题节点之间的语义相似度。
[0111]
可选的，所述装置还包括：
[0112]
模型训练单元，用于重复执行以下训练过程对所述图神经网络进行有监督训练：
[0113]
从预设的知识图谱库中选择若干知识图谱作为训练样本，从所述训练样本中提取图节点以及图节点之间的关系；
[0114]
分别对所述图节点进行编码得到图节点编码，分别对所述图节点之间的关系进行编码得到关系编码；
[0115]
将所述图节点编码及所述关系编码进行组合，输入所述图神经网络，调整所述图神经网络的参数。
[0116]
可选的，所述相似度计算单元606，进一步用于将所述知识图谱输入预先训练的图神经网络，得到所知识图谱中各个话题节点的编码；
[0117]
将所述目标话题节点的编码与所述知识图谱中其他话题节点编码之间的距离作为目标话题节点与所述知识图谱中其他话题节点之间的语义相似度。
[0118]
可选的，相似度计算单元606，进一步用于将所述语义相似度与所述时间权重进行加权计算，从所述知识图谱中选择语义相似度取值最高的话题节点，并向所述用户进行话题推荐。
[0119]
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，计算机的具体形式可以是个人计算机、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、收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
[0120]
在一个典型的配置中，计算机包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0121]
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。
[0122]
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、磁盘存储、量子存储器、基于石墨烯的存储介质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。
[0123]
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。
[0124]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0125]
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0126]
应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0127]
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。
