模型训练方法、装置及电子设备与流程

1.本技术属于计算机技术领域，具体涉及一种模型训练方法、装置及电子设备。


背景技术：

2.随着互联网技术的快速发展，网络的功能越来越丰富，越来越多的用户选择使用网络来完成生活、工作和学习的需求。互联网用户每天使用网络会产生大量的用户行为数据，如果能够利用这些用户行为数据，训练推荐模型，基于推荐模型向用户推荐网络信息，无疑会为用户提供更好的服务。
3.按照数据的回流速率，可以将用户行为数据分为两类：回流慢的行为数据和无回流慢的行为数据，其中，回流慢的行为数据指的是1小时后才回传、超过1小时才能获取到的用户行为数据，例如，可以包括：注册行为数据和激活行为数据等；无回流慢的行为数据指的是1小时内可以回传、1小时内能获取到的用户行为数据，例如，可以包括：曝光行为数据和点击行为数据等。
4.在训练推荐模型时，需要同时利用以上两类用户行为数据，现有技术中，通过反复处理生成多份数据和版本控制，来处理回流慢的行为数据。具体地，每个小时生成前n天内的回流慢的行为数据，并增加一个版本号；如若n发生变化，需要每小时重新生成该每个小时生成前n天内的回流慢的行为数据，并增加一个版本号。这样处理会导致不同版本的行为数据之间存在大量的冗余数据以及大量冗余的数据处理、处理比较耗时且灵活性较差，导致整个模型训练过程效率较低。


技术实现要素：

5.本技术实施例的目的是提供一种模型训练方法、装置及电子设备，能够解决现有技术中存在的模型训练过程效率较低的问题。
6.第一方面，本技术实施例提供了一种模型训练方法，所述方法包括：
7.获取第一回流数据，将所述第一回流数据存储至第一文件中，其中，所述第一回流数据为从产生至回传的时间间隔超过预设时长的用户行为数据，所述第一回流数据中包含用户标识和对应的行为类型标签；
8.获取第二回流数据，将所述第二回流数据存储至第二文件中，其中，所述第二回流数据为从产生至回传的时间间隔未超过预设时长的用户行为数据，所述第二回流数据中包含用户标识和对应的用户行为特征；
9.加载最近m天的第一回流数据和最近m天的第二回流数据，并将所述最近m天的第一回流数据和第二回流数据通过用户标识关联，在关联完毕后，将所述最近m天的第一回流数据中的行为类型标签添加到所述最近m天的第二回流数据中，得到最近m天的训练数据，其中，m为正整数；
10.基于所述最近m天的训练数据，进行模型训练。
11.第二方面，本技术实施例提供了一种模型训练装置，所述装置包括：
12.第一获取模块，用于获取第一回流数据，其中，所述第一回流数据为从产生至回传的时间间隔超过预设时长的用户行为数据，所述第一回流数据中包含用户标识和对应的行为类型标签；
13.第一存储模块，用于将所述第一回流数据存储至第一文件中；
14.第二获取模块，用于获取第二回流数据，其中，所述第二回流数据为从产生至回传的时间间隔未超过预设时长的用户行为数据，所述第二回流数据中包含用户标识和对应的用户行为特征；
15.第二存储模块，用于将所述第二回流数据存储至第二文件中；
16.加载模块，用于加载最近m天的第一回流数据和最近m天的第二回流数据，并将所述最近m天的第一回流数据和第二回流数据通过用户标识关联，在关联完毕后，将所述最近m天的第一回流数据中的行为类型标签添加到所述最近m天的第二回流数据中，得到最近m天的训练数据，其中，m为正整数；
17.训练模块，用于基于所述最近m天的训练数据，进行模型训练。
18.第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
19.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
20.第五方面，本技术实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
21.在本技术实施例中，在每一次模型训练时，可以从存储的数据中加载最近m天的无回流慢的行为数据和回流慢的行为数据，通过用户标识进行实时关联，为最近m天内无回流慢的行为数据中的用户行为特征，增加对应的行为类型标签，从而得到用于模型训练的训练数据，继而进行模型训练。与现有技术相比，本技术实施例中，在处理回流慢的行为数据时，无需多次生成多版本数据，也不需要存储重复的数据，在模型训练时，无需离线反复处理多次数据，可以减少数据的存储空间以及数据的处理时间，灵活性较高，提高了整个模型训练过程的效率。
附图说明
22.图1是本技术实施例提供的一种模型训练方法的流程图；
23.图2是本技术实施例提供的一种模型训练装置的结构框图；
24.图3是本技术实施例提供的一种电子设备的结构示意图；
25.图4是实现本技术各个实施例的一种电子设备的硬件结构示意图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
27.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
28.目前，用户在上网产生的行为数据中，一些行为数据回传时间比较短，例如曝光行为数据(如用户打开浏览器浏览页面，浏览器的一次页面刷新，即为一次曝光行为，或者用户打开app，app播放一次广告，即为一次曝光行为，曝光行为数据回传时间比较短，通常不超过1小时)、点击行为数据等。而另一些行为数据回传时间比较久，例如激活行为数据(由于用户在下载app之后，可能不会立马激活，可能会隔几天之后才激活，因此激活行为数据的回传时间比较久，通常回传超过1小时)、注册行为数据等。为了便于描述，将上述前者行为数据称为“无回流慢的行为数据”，将上述后者行为数据称为“回流慢的行为数据”。
29.虽然无回流慢的行为数据不存在回流慢的问题，但仅利用无回流慢的行为数据进行模型训练，由于数据量较少，因此训练得到的模型泛化能力较差。为了提高模型的泛化能力，会加入回流慢的行为数据。
30.现有技术中，通过版本控制，来获取回流慢的行为数据。具体地，每个小时生成前n天内的回流慢的行为数据，并增加一个版本号，依次类推。例如，设置n为3，2021-9-26早上8:00-9:00生成2021-9-23早上8:00至2021-9-26早上8:00这3天的行为数据，并为该行为数据设置一个版本号，在1小时之后，也就是2021-9-26早上9:00-10:00生成2021-9-23早上9:00至2021-9-26早上9:00这3天的行为数据，该行为数据的版本后在上一版本号的基础上加1，以此类推。可见，版本号临近的行为数据之间存在数据的冗余重复，在生成时耗时较高，在存储时占用较多的存储空间。此外，在模型训练时，只能基于3天内的行为数据进行训练，如果想要基于2天内的行为数据进行训练，则需要重新生成n＝2的行为数据，灵活性比较差。综上所述，现有技术会导致整个模型训练过程效率较低。
31.为了解决上述技术问题，本技术实施例提供了一种模型训练方法、装置及电子设备。
32.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的模型训练方法进行详细地说明。
33.图1是本技术实施例提供的一种模型训练方法的流程图，如图1所示，该方法可以包括以下步骤：步骤101、步骤102、步骤103和步骤104，其中，
34.在步骤101中，获取第一回流数据，将第一回流数据存储至第一文件中，其中，第一回流数据为从产生至回传的时间间隔超过预设时长的用户行为数据，第一回流数据中包含用户标识和对应的行为类型标签。
35.本技术实施例中，预设时长可以为1小时。
36.本技术实施例中，第一回流数据为：背景技术中提到的回流慢的行为数据。第二回流数据为背景技术中提到的无回流慢的行为数据。为了便于描述和理解，后续以“回流慢的行为数据”代替“第一回流数据”，以“无回流慢的行为数据”代替“第二回流数据”进行描述。
37.为了尽可能快速地获取回流慢的行为数据，确保模型训练时加载的回流慢的行为
数据实时性更高，可以更好地掌握用户行为的偏好，本技术实施例中，可以实时地从在线服务器中获取回流慢的行为数据。
38.具体地，在本技术提供的一个实施方式中，上述步骤101可以包括以下步骤(图中未示出)：步骤1011和步骤1012，其中，
39.在步骤1011中，实时从在线服务器中读取转化行为日志数据；
40.在步骤1012中，从转化行为日志数据中抽取用户标识和对应的转化行为类型标签。
41.本技术实施例中，转化行为日志数据中包含用户已经完成的转换行为，例如激活行为、注册行为、下载行为、购买行为等等。
42.本技术实施例中，用户标识用于将回流慢的行为数据与无回流慢的行为数据进行关联，转化行为类型标签用于更新无回流慢的行为数据中训练数据的标签。
43.本技术实施例中，为提高数据存储的效率，第一文件可以为小时级文件或天级文件，并将第一文件存储至分布式文件系统中。
44.在一个例子中，第一文件为天级文件，可以实时读取转化行为日志数据，抽取用户标识和转化行为类型标签，将其实时地逐条写入分布式文件系统中，当天的数据自动写入到当天对应的天级文件中，到达第二天零点时，自动切换写入第二天对应的天级文件中，便于后续模型可以按天加载训练数据。
45.在步骤102中，获取第二回流数据，将第二回流数据存储至第二文件中，其中，第二回流数据为从产生至回传的时间间隔未超过预设时长的用户行为数据，第二回流数据中包含用户标识和对应的用户行为特征。
46.本技术实施例中，为提高数据存储的效率，第二文件可以为小时级文件或天级文件，并将第二文件存储至分布式文件系统中。
47.在本技术提供的一个实施方式中，上述步骤102可以包括以下步骤(图中未示出)：步骤1021、步骤1022和步骤1023，其中，
48.在步骤1021中，从服务器中读取曝光点击日志数据。其中，该服务器可以为在线服务器，也可以为离线服务器。
49.在步骤1022中，从曝光点击日志数据中抽取用户标识和以下至少一种特征：用户特征、物品特征、交叉特征和场景特征。
50.在步骤1023中，对抽取到的特征进行拼接，得到用户行为特征。
51.本技术实施例中，曝光点击日志数据中包含用户在上网时的曝光行为和点击行为的特征。
52.在步骤103中，加载最近m天的第一回流数据和最近m天的第二回流数据，并将最近m天的第一回流数据和第二回流数据通过用户标识关联，在关联完毕后，将最近m天的第一回流数据中的行为类型标签添加到最近m天的第二回流数据中，得到最近m天的训练数据，其中，m为正整数。
53.本技术实施例中，由于无回流慢的行为数据中包含用户行为特征，不包含用户行为类型标签，回流慢的行为数据中包含行为类型标签，而模型训练数据用户特征和标签缺一不可，因此需要借助于回流慢的行为数据为无回流慢的行为数据添加训练标签。
54.本技术实施例中，最近m天的训练数据中包括：最近m天的用户行为特征和对应的
训练标签。
55.本技术实施例中，在模型训练时，可以从分布式文件系统中，加载最近m天的无回流慢的行为数据和最近m天的回流慢的行为数据至训练机器的内存中，以便更新最近m天内无回流慢的行为数据中用户行为特征的标签，即训练数据的标签。
56.本技术实施例中，在模型训练时，加载的最近m天无回流慢的行为数据和最近m天回流慢的行为数据通过用户标识关联，如果关联成功，则更新最近m天内无回流慢的行为数据中用户行为特征的标签；如果关联失败，则不更新。
57.本技术实施例中，最近m天数据中m值的选取，可以由推荐场景效果按几日计算指标来决定。
58.可见，本技术实施例中，一次模型训练时，只需加载无回流慢的行为数据和回流慢的行为数据，通过用户的唯一标识码进行实时关联，并更新无回流慢的行为数据中的训练标签，此方式使用数据灵活，按需获取相应数据即可，无需多次关联生成多版本数据，使得不需要离线反复进行数据处理，也不需要存储多份数据，可以减少数据的存储空间以及数据的处理和生成时间灵活性强，并且模型可以灵活地选取最近m天数据进行关联。
59.在步骤104中，基于最近m天的训练数据，进行模型训练。
60.为确保训练数据的正确性，本技术实施例中，还可以增加监控功能，此时，第一回流数据中还包含请求响应时间，其中，请求响应时间为用户发起一次请求的时间，例如用户点击广告请求时间就是用户发起一次广告请求的时间；
61.相应地，上述监控功能可以根据请求响应时间，计算最近m天内第一回流数据中行为类型标签的第一数据量；计算离线数仓表中行为类型标签的第二数据量，其中，最近m天的第一回流数据通过预设渠道存储于离线数仓表中；若第一数据量与第二数据量无差异，则基于最近m天的训练数据，进行模型训练。若第一数据量与第二数据量有差异，则输出差异信息，并发送告警信息，不进行模型训练。
62.本技术实施例中，每次模型训练时都会去调用监控功能的相关接口，此接口会返回模型训练加载的用户行为数据量是否正常，确认模型加载的最近m天数据无问题后，才开始训练。
63.本技术实施例中，模型使用最近m天的训练数据进行模型训练，用户行为数据多，模型泛化强提高，可以精准地掌握用户行为的偏好，输出推荐排序结果，最终推荐的资讯或者视频等更符合用户喜好，从而优化用户体验。
64.由上述实施例可见，该实施例中，在每一次模型训练时，可以从存储的数据中加载最近m天的无回流慢的行为数据和回流慢的行为数据，通过用户标识进行实时关联，为最近m天内无回流慢的行为数据中的用户行为特征，增加对应的行为类型标签，从而得到用于模型训练的训练数据，继而进行模型训练。与现有技术相比，本技术实施例中，在处理回流慢的行为数据时，无需多次生成多版本数据，也不需要存储重复的数据，在模型训练时，无需离线反复处理多次数据，可以减少数据的存储空间以及数据的处理时间，灵活性较高，提高了整个模型训练过程的效率。
65.需要说明的是，本技术实施例提供的模型训练方法，执行主体可以为模型训练装置，或者该模型训练装置中的用于执行加载模型训练方法的控制模块。本技术实施例中以模型训练装置执行加载模型训练方法为例，说明本技术实施例提供的模型训练装置。
66.图2是本技术实施例提供的一种模型训练装置的结构框图，如图2所示，模型训练装置200，可以包括：第一获取模块201、第一存储模块202、第二获取模块203、第二存储模块204、加载模块205和训练模块206，其中，
67.第一获取模块201，用于获取第一回流数据，其中，所述第一回流数据为从产生至回传的时间间隔超过预设时长的用户行为数据，所述第一回流数据中包含用户标识和对应的行为类型标签；
68.第一存储模块202，用于将所述第一回流数据存储至第一文件中；
69.第二获取模块203，用于获取第二回流数据，其中，所述第二回流数据为从产生至回传的时间间隔未超过预设时长的用户行为数据，所述第二回流数据中包含用户标识和对应的用户行为特征；
70.第二存储模块204，用于将所述第二回流数据存储至第二文件中；
71.加载模块205，用于加载最近m天的第一回流数据和最近m天的第二回流数据，并将所述最近m天的第一回流数据和第二回流数据通过用户标识关联，在关联完毕后，将所述最近m天的第一回流数据中的行为类型标签添加到所述最近m天的第二回流数据中，得到最近m天的训练数据，其中，m为正整数；
72.训练模块206，用于基于所述最近m天的训练数据，进行模型训练。
73.由上述实施例可见，该实施例中，在每一次模型训练时，可以从存储的数据中加载最近m天的无回流慢的行为数据和回流慢的行为数据，通过用户标识进行实时关联，为最近m天内无回流慢的行为数据中的用户行为特征，增加对应的行为类型标签，从而得到用于模型训练的训练数据，继而进行模型训练。与现有技术相比，本技术实施例中，在处理回流慢的行为数据时，无需多次生成多版本数据，也不需要存储重复的数据，在模型训练时，无需离线反复处理多次数据，可以减少数据的存储空间以及数据的处理时间，灵活性较高，提高了整个模型训练过程的效率。
74.可选地，作为一个实施例，所述第一获取模块201，可以包括：
75.第一读取子模块，用于实时从在线服务器中读取转化行为日志数据；
76.第一抽取子模块，用于从所述转化行为日志数据中抽取用户标识和对应的转化行为类型标签。
77.可选地，作为一个实施例，所述第二获取模块203，可以包括：
78.第二读取子模块，用于从服务器中读取曝光点击日志数据；
79.第二抽取子模块，用于从所述曝光点击日志数据中抽取用户标识和以下至少一种特征：用户特征、物品特征、交叉特征和场景特征；
80.拼接子模块，用于对所述抽取到的特征进行拼接，得到用户行为特征。
81.可选地，作为一个实施例，所述第一回流数据中还包含请求响应时间，其中，所述请求响应时间为用户发起一次请求的时间；
82.所述模型训练装置200，还可以包括：
83.第一计算模块，用于根据所述请求响应时间，计算所述最近m天内第一回流数据中行为类型标签的第一数据量；
84.第二计算模块，用于计算离线数仓表中行为类型标签的第二数据量，其中，所述最近m天的第一回流数据通过预设渠道存储于所述离线数仓表中；
85.所述训练模块206，用于在所述第一数据量与所述第二数据量无差异的情况下，基于所述最近m天的训练数据，进行模型训练。
86.可选地，作为一个实施例，所述第一文件为小时级文件或天级文件；所述第二文件为小时级文件或天级文件；所述第一文件和所述第二文件均存储于分布式文件系统中。
87.本技术实施例中的模型训练装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
88.本技术实施例中的模型训练装置可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
89.本技术实施例提供的模型训练装置能够实现图1方法实施例实现的各个过程，为避免重复，这里不再赘述。
90.可选地，如图3所示，本技术实施例还提供一种电子设备300，包括处理器301，存储器302，存储在存储器302上并可在所述处理器301上运行的程序或指令，该程序或指令被处理器301执行时实现上述模型训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
91.需要说明的是，本技术实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
92.图4是实现本技术各个实施例的一种电子设备的硬件结构示意图。
93.该电子设备400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、以及处理器410等部件。
94.本领域技术人员可以理解，电子设备400还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图4中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
95.其中，处理器410，用于获取第一回流数据，将所述第一回流数据存储至第一文件中，其中，所述第一回流数据为从产生至回传的时间间隔超过预设时长的用户行为数据，所述第一回流数据中包含用户标识和对应的行为类型标签；获取第二回流数据，将所述第二回流数据存储至第二文件中，其中，所述第二回流数据为从产生至回传的时间间隔未超过预设时长的用户行为数据，所述第二回流数据中包含用户标识和对应的用户行为特征；加载最近m天的第一回流数据和最近m天的第二回流数据，并将所述最近m天的第一回流数据和第二回流数据通过用户标识关联，在关联完毕后，将所述最近m天的第一回流数据中的行为类型标签添加到所述最近m天的第二回流数据中，得到最近m天的训练数据，其中，m为正
整数；基于所述最近m天的训练数据，进行模型训练。
96.可见，本技术实施例中，在每一次模型训练时，可以从存储的数据中加载最近m天的无回流慢的行为数据和回流慢的行为数据，通过用户标识进行实时关联，为最近m天内无回流慢的行为数据中的用户行为特征，增加对应的行为类型标签，从而得到用于模型训练的训练数据，继而进行模型训练。与现有技术相比，本技术实施例中，在处理回流慢的行为数据时，无需多次生成多版本数据，也不需要存储重复的数据，在模型训练时，无需离线反复处理多次数据，可以减少数据的存储空间以及数据的处理时间，灵活性较高，提高了整个模型训练过程的效率。
97.可选地，作为一个实施例，处理器410，还用于实时从在线服务器中读取转化行为日志数据；从所述转化行为日志数据中抽取用户标识和对应的转化行为类型标签。
98.可选地，作为一个实施例，处理器410，还用于从服务器中读取曝光点击日志数据；从所述曝光点击日志数据中抽取用户标识和以下至少一种特征：用户特征、物品特征、交叉特征和场景特征；对所述抽取到的特征进行拼接，得到用户行为特征。
99.可选地，作为一个实施例，所述第一回流数据中还包含请求响应时间，其中，所述请求响应时间为用户发起一次请求的时间；
100.处理器410，还用于根据所述请求响应时间，计算所述最近m天内第一回流数据中行为类型标签的第一数据量；计算离线数仓表中行为类型标签的第二数据量，其中，所述最近m天的第一回流数据通过预设渠道存储于所述离线数仓表中；若所述第一数据量与所述第二数据量无差异，则基于所述最近m天的训练数据，进行模型训练。
101.可选地，作为一个实施例，所述第一文件为小时级文件或天级文件；所述第二文件为小时级文件或天级文件；所述第一文件和所述第二文件均存储于分布式文件系统中。
102.应理解的是，本技术实施例中，输入单元404可以包括图形处理器(graphics processing unit，gpu)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元406可包括显示面板4061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板4061。用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071，也称为触摸屏。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器409可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。
103.本技术实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述模型训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
104.其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
105.本技术实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接
口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述模型训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
106.应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
107.需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
108.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
109.上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。