一种图节点表征信息融合处理方法、装置、终端及介质

1.本技术涉及图神经网络技术领域，尤其涉及一种图节点表征信息融合处理方法、装置、终端及介质。


背景技术：

2.现实世界的数据很多都可以用图这种数据结构来表示，因此对图表示学习的研究得到了越来越多的关注，包括社交网络分析、生物网络研究和许多其他多媒体领域。图表示允许有效地存储和访问相互作用的实体的关系知识，同时图数据的分析可以为社区检测、行为分析和其他任务，如节点分类、链接预测和聚类等提供重要的解决方案。
3.图表示学习处理的目的是在保留固有图性质的同时，将原始图数据的高维向量转换为低维向量。通过学习图表示，可以采用机器学习工具来方便地执行下游任务。目前常用的图表示学习有基于远距离信息的捕获方法，如图1所示，该方法通过为每个节点设置一个对应的虚拟节点，如图中的uv，来使其聚合到目标节点v的高阶邻居的信息，再令目标节点聚合到此虚拟节点的信息，来间接提升目标节点表征的信息量和表达能力，从而提升下游任务的效果。但这种方法采用的聚合处理方式，仅仅停留在捕获图局部范围的信息，忽略了对非局部或具有远程依赖性的信息的提取，导致图表示学习能力受限制的技术问题。


技术实现要素：

4.本技术提供了一种图节点表征信息融合处理方法、装置、终端及介质，用于解决现有技术仅仅停留在捕获图局部范围的信息，忽略了对非局部或具有远程依赖性的信息的提取，导致图表示学习能力受限制的技术问题。
5.本技术第一方面提供了一种图节点表征信息融合处理方法，包括：
6.基于获取到的原始网络图，结合所述原始网络图的图结构拓扑关系，确定所述原始图数据中各个节点的位置感知角色属性，其中，所述节点的位置感知角色属性为用于指示在所述节点与邻近节点构成的导出子图中，所述节点的结构关系属性；
7.根据所述节点的位置感知角色属性，对所述原始网络图中的各个节点进行分类，得到多个角色属性节点集合；
8.基于目标节点以及所述目标节点所属的目标角色属性节点集合，通过预设的特征相似度计算方法，计算所述目标节点与相似节点间的节点特征相似度，其中，所述相似节点具体为所述目标角色属性节点集合中，除所述目标节点外的其余节点；
9.根据所述节点特征相似度，确定所述目标节点的非局部邻居节点，再根据所述目标节点与所述非局部邻居节点，构建非局部网络图；
10.根据所述目标节点以及所述非局部网络图，结合第一节点表示生成公式，得到所述目标节点的非局部表征信息，其中，所述第一节点表示生成公式具体包括：节点非局部表征信息计算公式以及注意力加权融合计算公式；
11.根据所述目标节点以及所述原始网络图，结合第二节点表示生成公式，得到所述
目标节点的局部表征信息，其中，所述第二节点表示生成公式具体包括：节点局部表征信息计算公式以及注意力加权融合计算公式；
12.根据所述非局部表征信息与所述局部表征信息，通过注意力系数加权求和计算，得到所述目标节点的最终表征信息。
13.优选地，所述目标节点所属的目标角色属性节点集合具体为一个或多个。
14.优选地，当所述目标节点所属的目标角色属性节点集合为多个时，所述通过预设的特征相似度计算方法，计算所述目标节点与相似节点间的节点特征相似度具体包括：
15.通过预设的特征相似度计算方法，计算所述目标节点与同一目标角色属性节点集合内的相似节点间的节点特征相似度。
16.优选地，当所述目标节点所属的目标角色属性节点集合为多个时，所述根据所述节点特征相似度，确定所述目标节点的非局部邻居节点，再根据所述目标节点与所述非局部邻居节点，构建非局部网络图具体包括：
17.根据所述节点特征相似度，分别确定各个目标角色属性节点集合中所述目标节点的非局部邻居节点，再根据所述目标节点与同一目标角色属性节点集合内的非局部邻居节点，构建多个非局部网络图。
18.优选地，当构建的非局部网络图为多个时，所述根据所述目标节点以及所述非局部网络图，结合第一节点表示生成公式，得到所述目标节点的非局部表征信息具体包括：
19.所述根据所述目标节点以及所述非局部网络图，结合第一节点表示生成公式，分别得到各个所述非局部网络图的第一非局部表征信息；
20.根据各个所述第一非局部表征信息，通过注意力系数加权求和计算，得到第二非局部表征信息，以所述第二非局部表征信息作为所述目标节点的非局部表征信息。
21.优选地，还包括：
22.基于预设的神经网络模型，结合计算得到的各个节点的最终表征信息以及语义正则化公式，对所述神经网络模型进行模型训练，以得到训练好的图神经网络模型。
23.优选地，所述特征相似度计算方法具体包括：欧式距离相似度计算方法、热核相似度计算方法或余弦相似度计算方法。
24.本技术第二方面提供了一种图节点表征信息融合处理装置，包括：
25.节点属性确定单元，用于基于获取到的原始网络图，结合所述原始网络图的图结构拓扑关系，确定所述原始图数据中各个节点的位置感知角色属性，其中，所述节点的位置感知角色属性为用于指示在所述节点与邻近节点构成的导出子图中，所述节点的结构关系属性；
26.节点分类单元，用于根据所述节点的位置感知角色属性，对所述原始网络图中的各个节点进行分类，得到多个角色属性节点集合；
27.节点相似度计算单元，用于基于目标节点以及所述目标节点所属的目标角色属性节点集合，通过预设的特征相似度计算装置，计算所述目标节点与相似节点间的节点特征相似度，其中，所述相似节点具体为所述目标角色属性节点集合中，除所述目标节点外的其余节点；
28.非局部网络构建单元，用于根据所述节点特征相似度，确定所述目标节点的非局部邻居节点，再根据所述目标节点与所述非局部邻居节点，构建非局部网络图；
29.非局部表征信息计算单元，用于根据所述目标节点以及所述非局部网络图，结合第一节点表示生成公式，得到所述目标节点的非局部表征信息，其中，所述第一节点表示生成公式具体包括：节点非局部表征信息计算公式以及注意力加权融合计算公式；
30.局部表征信息计算单元，用于根据所述目标节点以及所述原始网络图，结合第二节点表示生成公式，得到所述目标节点的局部表征信息，其中，所述第二节点表示生成公式具体包括：节点局部表征信息计算公式以及注意力加权融合计算公式；
31.表征信息融合单元，用于根据所述非局部表征信息与所述局部表征信息，通过注意力系数加权求和计算，得到所述目标节点的最终表征信息。
32.本技术第三方面提供了一种图节点表征信息融合处理终端，包括：存储器和处理器；
33.所述存储器用于存储程序代码，所述程序代码与如本技术第一方面提供的图节点表征信息融合处理方法相对应；
34.所述处理器用于执行所述程序代码。
35.本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有与如本技术第一方面提供的图节点表征信息融合处理方法相对应的程序代码。
36.从以上技术方案可以看出，本技术实施例具有以下优点：
37.本技术结合结构相似性和特征相似性来生成对应的语义子图，先根据本发明中的结构相似性寻找和目标节点满足此相似性的其他节点，再通过特征相似性找到相似的节点作为其非局部邻居，并构造非局部图，同时考虑到局部信息和非局部信息的提取利用，同时在各个非局部图非局部表征信息和原始图中的局部表征信息，并通过注意力机制将二者的表征融合得到最终的表征信息，增加了模型的表达能力，从而解决现有技术仅仅停留在捕获图局部范围的信息，忽略了对非局部或具有远程依赖性的信息的提取，导致图表示学习能力受限制的技术问题。
附图说明
38.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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性的前提下，还可以根据这些附图获得其它的附图。
39.图1为现有的nlah捕获非局部信息的方式。
40.图2为本技术提供的一种图节点表征信息融合处理方法的一个实施例的流程示意图。
41.图3为本技术提供的一种图节点表征信息融合处理方法的列举的四种导出子图结构的示意图。
42.图4为本技术提供的一种图节点表征信息融合处理方法的导出子图结构与位置感知角色属性的关系示意图。
43.图5为本技术提供的一种图节点表征信息融合处理方法中非局部网络图的构建逻辑示意图。
44.图6为本技术提供的一种图节点表征信息融合处理装置的一个实施例的结构示意
图。
具体实施方式
45.本技术实施例提供了一种图节点表征信息融合处理方法、装置、终端及介质，用于解决现有技术仅仅停留在捕获图局部范围的信息，忽略了对非局部或具有远程依赖性的信息的提取，导致图表示学习能力受限制的技术问题。
46.为使得本技术的发明目的、特征、优点能够更加的明显和易懂，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、完整地描述，显然，下面所描述的实施例仅仅是本技术一部分实施例，而非全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
47.请参阅图2，本技术提供了一种图节点表征信息融合处理方法，包括：
48.步骤101、基于获取到的原始网络图，结合原始网络图的图结构拓扑关系，确定原始图数据中各个节点的位置感知角色属性。
49.需要说明的是，本实施例提及的节点的位置感知角色属性，其含义具体为用于指示在节点与邻近节点构成的motif，即导出子图中，节点的结构关系属性。
50.由于原图可能具有非常复杂的结构且不满足同配型假设，所以在步骤101中需要将原图进行处理，将原始网络图简化为多个motif组成的大型网络图，其中，本实施例通过图3中所示的几种高阶图结构-motif来定义结构相似性。如图3所示，本实施例列举了三个节点的motif和四个节点的motif，本实施例根据同构等价性(即交换图中两个节点的位置并不改变图中所有节点间的关系，那么这两个节点就满足同构等价性)来定义motif中的位置感知角色，如图4所示可以定义如上的六种角色属性，例如，当某节点与其它临近的节点共同构成图3和图4的闭环三角结构，组成这该闭环三角结构的三个节点均具备3号角色属性，。若两个节点都具有某个感知角色属性，则认为这两个节点在此感知角色下满足结构相似性，具有相同的语义信息。另外，由于更复杂的结构都可以由图4中的motif组合而成，故在此不列举更复杂的motif。
51.步骤102、根据节点的位置感知角色属性，对原始网络图中的各个节点进行分类，得到多个角色属性节点集合。
52.再接着，遍历每个节点的位置感知角色属性，把拥有此角色的节点放入到一个集合。若定义的位置感知角色有六种，则会有对应的六个集合，且每个集合中的节点都会满足在此角色下的结构相似性。
53.步骤103、基于目标节点以及目标节点所属的目标角色属性节点集合，通过预设的特征相似度计算方法，计算目标节点与相似节点间的节点特征相似度。
54.其中，相似节点具体为目标角色属性节点集合中，除目标节点外的其余节点。
55.更具体地，特征相似度计算方法具体包括：欧式距离相似度计算方法、热核相似度计算方法或余弦相似度计算方法，本实施例优选采用的是便于计算的余弦相似度来定义节点间的相似性。
56.需要说明的是，一个节点可以含有多种位置感知角色属性，当目标节点含有多种位置感知角色属性时，其所属的目标角色属性节点集合则为多个，此时，本实施例中的步骤
103具体包括：
57.通过预设的特征相似度计算方法，计算目标节点与同一目标角色属性节点集合内的相似节点间的节点特征相似度。
58.进一步地，根据节点特征相似度，确定目标节点的非局部邻居节点，再根据目标节点与非局部邻居节点，构建非局部网络图具体包括：
59.根据节点特征相似度，分别确定各个目标角色属性节点集合中目标节点的非局部邻居节点，再根据目标节点与同一目标角色属性节点集合内的非局部邻居节点，构建多个非局部网络图。
60.进一步地，当构建的非局部网络图为多个时，根据目标节点以及非局部网络图，结合第一节点表示生成公式，得到目标节点的非局部表征信息具体包括：
61.根据目标节点以及非局部网络图，结合第一节点表示生成公式，分别得到各个非局部网络图的第一非局部表征信息；
62.根据各个第一非局部表征信息，通过注意力系数加权求和计算，得到第二非局部表征信息，以第二非局部表征信息作为目标节点的非局部表征信息。
63.步骤104、根据节点特征相似度，确定目标节点的非局部邻居节点，再根据目标节点与非局部邻居节点，构建非局部网络图。
64.需要说明的是，在步骤102之后，基于选定的目标节点以及目标节点所属的目标角色属性节点集合，通过预设的特征相似度计算方法，分别对各集合中的所有节点两两计算余弦相似度，并根据计算结果为每个节点找到与其最相似的前k个节点，作为目标节点的非局部邻居节点。非局部图的构建逻辑过程可参考图5，图中展示的是，以5号感知角色为例，图中的中心节点为目标节点，第一步是从全图范围内找到具有5号角色的其他节点，第二步是计算目标节点和这些节点的特征相似度，并把和目标节点最相似的前k个节点作为所构成的非局部图中的邻居节点，即非局部邻居节点。
65.然后，在目标节点与其非局部邻居节点之间构一条边，作为此集合对应角色下的新的非局部图。
66.步骤105、根据目标节点以及非局部网络图，结合第一节点表示生成公式，得到目标节点的非局部表征信息。
67.其中，第一节点表示生成公式具体包括：节点非局部表征信息计算公式以及注意力加权融合计算公式。
68.需要说明的是，构完若干非局部图之后就可以使用各种图模型来提取信息，为各个节点生成其表示。在本发明中，我们采用运用最的图卷积网络gcn(graph convolutional network)来生成节点表示。具体公式如下：
[0069][0070]
其中σ代表激活函数，如relu,a
rk
代表加入自环的对应于位置感知角色rk下的非局部图邻接矩阵，d
rk
代表a
rk
的度矩阵，代表第l层的权重矩阵，代表所有节点在语义rk下的第l层非局部性表示，大小为n
×
f，其中n是图中的节点数，f是节点表征的维数。
[0071]
基于以上的节点表示生成公式，以节点i为例，阐述非局部语义信息的融合，首先
以神经网络的形式来计算注意力系数，公式如下：
[0072][0073][0074][0075]
其中是的第i行元素，大小为1
×
f,w为权重矩阵，b为偏置矩阵，w为可训练参数，p是所有定义的位置感知角色的总数，为角色语义rk的注意力系数，越大，表示角色语义rk越重要。在得到注意力系数后，通过加权的方式将各个语义下的节点表征融合起来，得到节点最终的非局部语义表征：
[0076][0077]
类似地可以得到全部节点的非局部语义表征，将其沿维度堆叠起来的矩阵记作e
nl
。
[0078]
步骤106、根据目标节点以及原始网络图，结合第二节点表示生成公式，得到目标节点的局部表征信息。
[0079]
其中，第二节点表示生成公式具体包括：节点局部表征信息计算公式以及注意力加权融合计算公式。
[0080]
需要说明的是，除了在非局部图上提取节点信息以外，原图中的信息也可以被利用，类似地：
[0081][0082]
其中ao代表原图的邻接矩阵，do代表ao的度矩阵，代表第l层的权重矩阵，代表所有图中节点在第l层下的局部性表示。
[0083]
得到节点的非局部表征之后，本实施例将把节点局部表征和非局部表征进行融合，如此就可以全面的考虑到节点的局部和非局部信息，公式如下：
[0084][0085][0086][0087]
式中，其中w
′
为权重矩阵，b
′
为偏置矩阵，q为可训练参数，e
*
∈{eo,e
nl
}，为第i个节点的表示，即e
*
的第i行元素。
[0088]
步骤107、根据非局部表征信息与局部表征信息，通过注意力系数加权求和计算，得到目标节点的最终表征信息。
[0089]
需要说明的是，在得到注意力系数之后，可以把节点的局部表征和非局部表征融
合起来，得到节点i的最终表征：
[0090][0091]
需要说明的是，按照上述实施例提及的步骤流程，通过循环执行，从而会其余节点的最终表征信息，当得到足够的节点的最终表征信息后，可以进一步利用经过上述融合处理后的节点，进行图神经网络学习训练，以进一步增加模型的表达能力。
[0092]
进一步地，本实施例的方法还可以包括：
[0093]
步骤108、基于预设的神经网络模型，结合计算得到的各个节点的最终表征信息以及语义正则化公式，对神经网络模型进行模型训练，以得到训练好的图神经网络模型。
[0094]
模型的训练和下游任务息息相关，这里以半监督节点分类任务为例，阐述节点表征如何运用到此任务中。首先使用神经网络作为分类器，公式如下：
[0095]
y＝softmax(e
final
*wf+bf)
[0096]
其中，wf是权重矩阵，bf是偏置矩阵，y是类别预测矩阵，大小为n
×
c，其中，n是节点数，c是类别数。对于分类问题，可以使用交叉熵损失函数进行优化训练，具体地：
[0097][0098]
其中n
l
代表有标签节点的集合，y
l
代表节点l的真实类别，代表分类器预测出的节点l的类别。除此之外，本发明还提出了语义正则化项，用于约束局部表示和非局部表示的差异：
[0099][0100]
其中θ是自定义的超参数。当原始网络图为同配图时，应设置较大的θ，使非局部图的语义表示接近原始网络图的表示；当原始网络图为非同配图时，应设置较小的θ，使非局部图的表征更加差异化。因此，语义正则化项增加了模型的灵活性和可靠性。综上，最终的损失函数为：
[0101]
l＝l
ce
+lc[0102]
基于此损失函数，就可以用梯度下降等优化方法不断更新模型参数，直至模型训练完成。
[0103]
综上，本实施例提供的方案具备的有益技术效果如下：
[0104]
1.不受同质性假设的约束，故本技术比现有技术的应用范围大大增加。
[0105]
2.本技术的结构相似性显式地考虑到了结构位置，并定义了位置感知角色的感念，使模型能够捕获到不同角色对应的图中的语义信息，提升了模型效果和表征信息量。
[0106]
3.本技术同时考虑到了角色语义图中的非局部信息和原始网络图中的局部信息，并通过所提出的双重注意力机制将二者的表征融合，增加了模型的表达能力。
[0107]
4.本技术根据结构相似性和特征相似性将原始网络图转换为若干满足同配性的非局部图，如此一来即使浅层的图神经网络也可以聚合到全局性信息，避免了过平滑的问题。
[0108]
5.本技术提出的语义正则化项可以控制非局部表征和局部表征间的差异，因此增加了模型在处理不同图时的灵活性。
[0109]
以上内容便是本技术通过的一种图节点表征信息融合处理方法的详细说明，下面
为本技术提供的一种与上述提供的方法一一对应的图节点表征信息融合处理装置的一个实施例的详细说明。
[0110]
请参阅图6，本技术第二个实施例提供了一种图节点表征信息融合处理装置，包括：
[0111]
节点属性确定单元201，用于基于获取到的原始网络图，结合原始网络图的图结构拓扑关系，确定原始图数据中各个节点的位置感知角色属性，其中，节点的位置感知角色属性为用于指示在节点与邻近节点构成的导出子图中，节点的结构关系属性；
[0112]
节点分类单元202，用于根据节点的位置感知角色属性，对原始网络图中的各个节点进行分类，得到多个角色属性节点集合；
[0113]
节点相似度计算单元203，用于基于目标节点以及目标节点所属的目标角色属性节点集合，通过预设的特征相似度计算装置，计算目标节点与相似节点间的节点特征相似度，其中，相似节点具体为目标角色属性节点集合中，除目标节点外的其余节点；
[0114]
非局部网络构建单元204，用于根据节点特征相似度，确定目标节点的非局部邻居节点，再根据目标节点与非局部邻居节点，构建非局部网络图；
[0115]
非局部表征信息计算单元205，用于根据目标节点以及非局部网络图，结合第一节点表示生成公式，得到目标节点的非局部表征信息，其中，第一节点表示生成公式具体包括：节点非局部表征信息计算公式以及注意力加权融合计算公式；
[0116]
局部表征信息计算单元206，用于根据目标节点以及原始网络图，结合第二节点表示生成公式，得到目标节点的局部表征信息，其中，第二节点表示生成公式具体包括：节点局部表征信息计算公式以及注意力加权融合计算公式；
[0117]
表征信息融合单元207，用于根据非局部表征信息与局部表征信息，通过注意力系数加权求和计算，得到目标节点的最终表征信息。
[0118]
进一步地，目标节点所属的目标角色属性节点集合具体为一个或多个。
[0119]
进一步地，当目标节点所属的目标角色属性节点集合为多个时，通过预设的特征相似度计算方法，计算目标节点与相似节点间的节点特征相似度具体包括：
[0120]
通过预设的特征相似度计算方法，计算目标节点与同一目标角色属性节点集合内的相似节点间的节点特征相似度。
[0121]
进一步地，当目标节点所属的目标角色属性节点集合为多个时，根据节点特征相似度，确定目标节点的非局部邻居节点，再根据目标节点与非局部邻居节点，构建非局部网络图具体包括：
[0122]
根据节点特征相似度，分别确定各个目标角色属性节点集合中目标节点的非局部邻居节点，再根据目标节点与同一目标角色属性节点集合内的非局部邻居节点，构建多个非局部网络图。
[0123]
进一步地，当构建的非局部网络图为多个时，根据目标节点以及非局部网络图，结合第一节点表示生成公式，得到目标节点的非局部表征信息具体包括：
[0124]
根据目标节点以及非局部网络图，结合第一节点表示生成公式，分别得到各个非局部网络图的第一非局部表征信息；
[0125]
根据各个第一非局部表征信息，通过注意力系数加权求和计算，得到第二非局部表征信息，以第二非局部表征信息作为目标节点的非局部表征信息。
[0126]
进一步地，还可以包括：
[0127]
模型训练单元208，用于基于预设的神经网络模型，结合计算得到的各个节点的最终表征信息以及语义正则化公式，对神经网络模型进行模型训练，以得到训练好的图神经网络模型。
[0128]
进一步地，特征相似度计算方法具体包括：欧式距离相似度计算方法、热核相似度计算方法或余弦相似度计算方法。
[0129]
此外，本技术还提供了一种图节点表征信息融合处理终端
[0130]
本技术第三个实施例提供了一种图节点表征信息融合处理终端，可以是pc主机，也可以是服务器主机等，该终端包括：存储器和处理器；
[0131]
存储器用于存储程序代码，程序代码与如本技术第一方面提供的图节点表征信息融合处理方法相对应；
[0132]
处理器用于执行程序代码，以实现如本技术第一个实施例提及的一种图节点表征信息融合处理方法的相关功能。
[0133]
本技术第四个实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有与如本技术第一个实施例提供的图节点表征信息融合处理方法相对应的程序代码。
[0134]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的终端，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0135]
在本技术所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0136]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必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，以便这里描述的本技术的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0137]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0138]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0139]
所述集成的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，本发明的技术方案本质上
或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0140]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。