差评信息分类方法及装置、存储介质、电子设备与流程

本公开涉及数据处理技术领域，具体而言，涉及一种差评信息分类方法、差评信息分类装置、计算机可读存储介质以及电子设备。

背景技术：

在一些电子商务的物流系统中，为了可以保护商品在快递过程中不收损坏，可以给商品增加一层外包装。但是在物流运送的过程中，由于各种原因会对增加的外包装起到一定的破坏；因此用户在收到商品以后，会在对商品的评论中增加对商品外包装问题的差评。

商品外包装的差评极大的影响了用户的购物体验；因此为了提升用户体验，可以对关于包装的差评进行抽取并对抽取出的包装差评进行分类，并根据分类结果以改善用户反应的包装问题。

但是在差评中，只有极少数评论属于包装差评评论；例如，在250万条差评中，大约会有10万条关于包装差评；因此会导致分类任务存在样本不均衡问题，样本不均衡将会导致分类器的训练存在“偏好”，对样本多的类别给与更大的关注；因此不能根据分类结果很好的对外包装进行调整以提升用户体验。

因此，需要提供一种新的差评信息分类方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种差评信息分类方法、差评信息分类装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种差评信息分类方法，包括：

获取多条差评信息并利用第一标识将各条所述差评信息划分为一个或多个短句；

判断各所述短句中是否包括预设分类词；

在判断各所述短句中包括所述预设分类词时，根据所述预设分类词对所述差评信息进行分类。

在本公开的一种示例性实施例中，利用第一标识将各条所述差评信息划分为一个或多个短句包括：

判断各条所述差评信息中是否包括预设标识；

在判断各条所述差评信息中包括所述预设标识后，在所述预设标识处利用第一标识将各条所述差评信息划分为一个或多个短句。

在本公开的一种示例性实施例中，所述预设分类词包括包装破损、包装简陋、包装脏污、商品本身问题、其他包装差评以及非包装差评中的多种。

在本公开的一种示例性实施例中，在判断各所述短句中是否包括预设分类词之前，所述差评信息分类方法还包括：

对各所述短句进行去噪处理。

在本公开的一种示例性实施例中，对各所述短句进行去噪处理包括：

利用词缀以及计算词相似度的方法从各所述短句中挖掘出多个疑似目标词；

判断各所述疑似目标词出现的次数是否大于预设次数；

在判断各所述疑似目标词出现的次数大于所述预设次数时，确定各所述疑似目标词为目标词；

判断各所述短句中是否包含各所述目标词；并在判断各所述短句中不包含任一所述目标词时，删除所述短句。

根据本公开的一个方面，提供一种差评信息分类装置，包括：

短句划分模块，用于获取多条差评信息并利用第一标识将各条所述差评信息划分为一个或多个短句；

判断模块，用于判断各所述短句中是否包括预设分类词；

分类模块，用于在判断各所述短句中包括所述预设分类词时，根据所述预设分类词对所述差评信息进行分类。

在本公开的一种示例性实施例中，利用第一标识将各条所述差评信息划分为一个或多个短句包括：

判断各条所述差评信息中是否包括预设标识；

在判断各条所述差评信息中包括所述预设标识后，在所述预设标识处利用第一标识将各条所述差评信息划分为一个或多个短句。

在本公开的一种示例性实施例中，所述预设分类词包括包装破损、包装简陋、包装脏污、商品本身问题、其他包装差评以及非包装差评中的多种。

在本公开的一种示例性实施例中，所述差评信息分类装置还包括：

去噪处理模块，用于对各所述短句进行去噪处理。

在本公开的一种示例性实施例中，对各所述短句进行去噪处理包括：

利用词缀以及计算词相似度的装置从各所述短句中挖掘出多个疑似目标词；

判断各所述疑似目标词出现的次数是否大于预设次数；

在判断各所述疑似目标词出现的次数大于所述预设次数时，确定各所述疑似目标词为目标词；

判断各所述短句中是否包含各所述目标词；并在判断各所述短句中不包含任一所述目标词时，删除所述短句。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的差评信息分类方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的差评信息分类方法。

本公开一种差评信息分类方法及装置，通过利用第一标识将各条差评信息划分为一个或多个短句并判断各短句中是否包括预设分类词；然后在判断各短句中包括预设分类词时，根据预设分类词对差评信息进行分类；一方面，可以在判断各短句中包括预设分类词时，再根据预设分类词对差评信息进行分类，避免了分类任务存在样本不均衡导致分类结果不准确的问题，提升了差评信息分类的准确性；另一方面，可以根据预设分类词对差评信息进行分类，然后运维人员可以根据具体的分类结果对差评信息产生的原因进行事先处理以减少差评的产生，进一步的提升了用户体验，也可以提升产品的销量。

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

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图。

图1示意性示出一种差评信息分类方法的流程图。

图2示意性示出一种去噪处理的方法流程图。

图3示意性示出一种分类表格示例图。

图4示意性示出另一种分类表格示例图。

图5示意性示出一种分类结果示例图。

图6示意性示出一种算法模型示例图。

图7示意性示出一种模型训练示例图。

图8示意性示出一种差评信息分类装置的框图。

图9示意性示出一种用于实现上述差评信息分类方法的电子设备。

图10示意性示出一种用于实现上述差评信息分类方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中首先提供了一种差评信息分类方法。参考图1所示，该差评信息可以包括以下步骤：

步骤s110.获取多条差评信息并利用第一标识将各条所述差评信息划分为一个或多个短句。

步骤s120.判断各所述短句中是否包括预设分类词。

步骤s130.在判断各所述短句中包括所述预设分类词时，根据所述预设分类词对所述差评信息进行分类。

在上述差评信息分类方法中，一方面，可以在判断各短句中包括预设分类词时，再根据预设分类词对差评信息进行分类，避免了分类任务存在样本不均衡导致分类结果不准确的问题，提升了差评信息分类的准确性；另一方面，可以根据预设分类词对差评信息进行分类，然后运维人员可以根据具体的分类结果对差评信息产生的原因进行事先处理以减少差评的产生，进一步的提升了用户体验，也可以提升产品的销量。

下面，将对本示例实施方式中差评信息分类方法中的各步骤进行详细的解释以及说明。

在步骤s110中，获取多条差评信息并利用第一标识将各条所述差评信息划分为一个或多个短句。

在本示例实施方式中，上述差评信息例如可以包括：a、衣服大了点，还可以，京东快递还不错。b、国庆闪购买的，收到的第一天盒子固定手表的宽松带就断了，当时也有想质量也太差了，但手表应该没问题，因为是京东自营的。现在带了一个星期的时间，就上班的时候佩戴，表带居然已经磨损严重汽贸。退货时间也已过，申请维修，客服告诉我表带不保修，叫我用火机烧一下表带；原价接近一千的东西用了一个星期产生这种问题，就叫我用火烧解决。如果坚决维修，表带维修或者更换的钱都是要我自费。后悔当时没退货，我一星都不想给。c、质量很一般，不值这个价位。d、连定了三次才到货，负责这产品的人员都是垃圾，京东有你们这样的人真是可悲啊。e、衣服还是只用一个塑料袋装着，基本没包装。但是衣服质量还不错，贴身穿感觉还不错，希望不起球。进一步的，将上述各条差评信息划分为一个或多个短句可以包括：判断各条所述差评信息中是否包括预设标识；在判断各条所述差评信息中包括所述预设标识后，在所述预设标识处利用第一标识将各条所述差评信息划分为一个或多个短句。详细而言：

首先判断各条差评信息中是否包括预设标识；其中，预设标识可以是“。”，也可以是其他符号，例如可以是“！”等等，本示例对此不做特殊限制；进一步的，在判断各条差评信息中包括预设标识“。”时，利用第一标识在预设标识“。”处将各条差评信息划分一个或多个短句。其中，第一标识可以是“︱︳”，也可以是其他标识，例如可以是“□”或者“◇”等等，本示例对此不做特殊限制。更进一步的，将上述各条差评信息划分为一个或多个短句可以如下所示：

a、衣服大了点，还可以，京东快递还不错︱︳

b1、国庆闪购买的，收到的第一天盒子固定手表的宽松带就断了，当时也有想质量也太差了，但手表应该没问题，因为是京东自营的︱︳b2、现在带了一个星期的时间，就上班的时候佩戴，表带居然已经磨损严重汽贸︱︳b3、退货时间也已过，申请维修，客服告诉我表带不保修，叫我用火机烧一下表带；原价接近一千的东西用了一个星期产生这种问题，就叫我用火烧解决︱︳b4、如果坚决维修，表带维修或者更换的钱都是要我自费︱︳b5、后悔当时没退货，我一星都不想给︱︳

c、质量很一般，不值这个价位︱︳

d、连定了三次才到货，负责这产品的人员都是垃圾，京东有你们这样的人真是可悲啊︱︳

e1、衣服还是只用一个塑料袋装着，基本没包装︱︳e2、但是衣服质量还不错，贴身穿感觉还不错，希望不起球︱︳

在步骤s120中，判断各所述短句中是否包括预设分类词。

在本示例实施方式中，上述预设分类词可以包括包装破损(没封口，开的)、包装简陋(包装太破(差)，只有一个塑料袋)、包装脏污、商品本身问题、其他包装差评(包装缺失，运输问题，包装尺寸，包装内部较乱)以及非包装差评等等，也可以包括含包装词但是并非关于包装的差评等等，本示例对此不做特殊限制。其中，判断上述各短句中是否包括预设分类词可以得到如下结果：

e1、衣服还是只用一个塑料袋装着，基本没包装︱︳

进一步的，为了可以判断各短句中是否有预设分类词的判断时间，还可以对各短句进行预先处理，具体的可以包括：对各所述短句进行去噪处理。参考图2所示，对各短句进行去噪处理可以包括步骤s210-步骤s240。其中：

在步骤s210中，利用词缀以及计算词相似度的方法从各所述短句中挖掘出多个疑似目标词。详细而言：

抽取多条差评信息并挖掘包装词。可以通过词缀以及计算词相似度的方式，从多条差评信息中挖掘出多个(例如可以包括1000各，也可以是其他多个，例如可以是1500个等等，本示例对此不做特殊限制)疑似包装词。

在步骤s220中，判断各所述疑似目标词出现的次数是否大于预设次数。详细而言：

当挖掘到上述多个疑似包装词以后，可以对该多个疑似包装词进行审核，具体的可包括：根据各疑似包装词出现的次数是否大于一预设次数(该预设次数例如可以是500，也可以是其他数字，例如可以是480或者450等等，本示例对此不做特殊限制)来进行判断。

在步骤s230中，在判断各所述疑似目标词出现的次数大于所述预设次数时，确定各所述疑似目标词为目标词。详细而言：

当上述疑似包装词出现的次数大于上述预设次数(500)时，可以认为该疑似包装词为包装词，最终得到的部分包装词可以包括：塑料袋12284；包装袋4443；开箱2117；口袋1733；手提袋1668；冰袋1065；小袋878；整箱774；装箱650；外盒623；外箱573；礼品袋532；纸袋510；个袋504；其中，各包装词出现的次数均是大于上述预设次数的。

在步骤s240中，判断各所述短句中是否包含各所述目标词；并在判断各所述短句中不包含任一所述目标词时，删除所述短句。详细而言：

首先，判断上述各短句中是否包含上述包装词；如果包含上述任一包装词，则可以认为该短句为疑似包装差评，然后再进行进一步的审核并根据审核结果对各差评进行分类(分类表可以参考图3以及图4所示)。举例而言：

例如差评可以包括下述短句：

1、鞋子码数严重不匹配，然后退货还收8块的费用

2、盒子都烂了

3、很差，垃圾

4、面料不是很好的，有点粗糙，总的一分钱一分货

5、摸上去还行，但和图片差距太大，建议不买

则利用包装词词表检查，可以得出：2、“盒子都烂了”中，包含包装词“盒子”。对于其他不包含包装词的差评则可以删除。

在步骤s130中，在判断各所述短句中包括所述预设分类词时，根据所述预设分类词对所述差评信息进行分类。详细而言：

当检查出疑似包装差评后，可以对该疑似差评进行审核并分类。其中，分类的类别参考可以包括：

(1)包装破损：

包装破损可以包括包装封口不齐、封口开过、包装破损、包装烂掉等问题。

(2)包装简陋：

有形容包装简陋的问题(如：只有个破塑料袋包装)或只有包装的差评次(如：包装破/烂/不好/差)。

(3)包装脏污：

出现包装词，且有某些表现包装脏的形容词，如脏/脏的/进灰。

(4)商品本身问题

出现能体现是商品本身包装(非京东包装)的词，如原包装/手机盒。

(5)其他

根据和业务方沟通和总结，其他类可以分为：包装缺失、运输问题(压扁、压坏等)、包装尺寸(盒子过大或过小)、包装内摆放凌乱。

则根据上述分类表，可以得到上述“2、盒子都烂了”的差评类别属于第一类“包装破损”，则可以根据该分类结果对包装进行进一步的改进，以使得下一次不再出现包装破损的情况以提高用户的体验，提升商品的销量。此处需要补充说明的是，更多的分类结果可以参考图5所示，此处不再进行赘述。

下面，对实现上述差评信息分类方法的算法进行简单的解释以及说明。

首先，由于算法需要作用于整个差评数据，而目标是希望得到包装差评及其类别。因此，需要在类别体系中加入背景类，具体的可以参考图4所示。实际算法的分类体系可以包括：

加入背景类后，如果采用平行的分类体系，将存在样本不均衡问题。在实际的250万差评长句数据中，属于包装差评的只有10万的短句。如直接对全部差评分成短句，做多分类，将导致样本不均衡问题。例如，对250万长句拆成600万短句，直接用softmaxregression进行多分类。则非包装差评不包含包装词(类别6)将有590万样本，而类别1到5则只有10万样本。这在训练过程中，类别6将会受到分类器的特别关注，而真正需要的结果(类1到5)则得不到足够的训练。

因此，设计算法可以包括：首先，先抽取模型，抽取出包装差评；然后，对抽取出的包装差评进行多分类，分出具体属于哪种包装差评。上述分类可以通过两个分类器实现：首先，可以通过一个二分类分类器，分出是否为包装差评；然后，可以在二分类器后接一个多分类器，对包装差评对应到具体的类别(1到5)。

其中，在上述算法中，用到的模型可以包括如下几个：

lstms:(long-shorttermmemory)，是一种时间递归神经网络(rnn)，lstm适合于处理和预测时间序列中间隔和延迟非常长的重要事件。

embedding:将字/词转化成连续向量表示，embedding可以计算字/词之间的相似度。

svm:支持向量机(supportvectormachine)是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。

n-gram模型：n-gram模型的基本思想，它作了一个n-1阶markov假设，即认为一个词的出现概率就只与它前面的n-1个词相关。简单来说,n-gram模型可以理解为:在一个句子中，在前n-1个词出现的情况下，第n个词出现的概率。

word2vec：word2vec可以理解为n-gram模型的工具包，但它学习参数的方法是通过极大似然估计得到损失函数，再通过神经网络方法学习参数。

word2vec通过n-gram模型计算两个词的相似度。举个例子，有a,b,c,d四个词，就可以计算句子中：先出现词a,再出现词b，记为ab。就可以计算p(c|ab)，p(c|ab)可以理解为ab发生，ab后紧跟着的词是c的概率。

word2vec通过计算p(c|ab)，p(d|ab)；若p(c|ab)和p(d|ab)都较大，则可认为词c、d较相似。若p(c|ab)较大，p(d|ab)较小，则c、d不相似。比如：1.我/爱/爸爸；2.我/爱/妈妈；3.我/爱/坏人；通过计算我/爱/出现后，后面的词出现的概率。1,2的概率较高，则可认为爸爸、妈妈两个词相似；3的概率较低，则可得到坏人这个词，和爸爸、妈妈均不相似。word2vec将词转化为200维向量，词间的相似度通过计算向量余弦相似度得到。

进一步的，两个分类器的方式，由于两个分类器分别训练，得到的结果是两个分类器的各自最优解。对于整体目标来讲，这是一种局部最优解。而且两个分类属于同一问题，但特征却是各自提取。因此针对该问题，可以设计一个同时优化两个分类器的深度学习模型(基于lstms)。同时，模型在多分类是共享两部分特征(抽取特征和分类特征)。详细而言：

模型包含两部分输入，输入均为评论文本序列(两部分数据相同)；其中，两部分输入(input1、input2)均经过两层lstm，将文本序列转成”句子向量”；不同的是，input1由两个损失(二分类和多分类)进行优化，input2只由多分类模型优化；并且，在merge层，input1和input2的输入特征被合并，用于进行多分类。因此，抽取部分的特征仍被保留到多分类。

进一步的，在测试集中，对1w测试样本进行预测。对比了本文中的hierarchicallstms模型和两分类器(n-gram+skip-gram+softmax)模型，单次对比结果可以如下表1所示：

表1

通过商标可以看出，在随机生成的不同验证集(valid)上，本算法可以稳定提升一个点的准确率。此处需要补充说明的是，上述模型以及模型训练过程可以参考图6以及图7所示，此处不再赘述。

本公开还提供一种差评信息分类装置。参考图8所示，该差评信息分类装置可以包括短句划分模块810、判断模块820以及分类模块830。其中：

短句划分模块810可以用于获取多条差评信息并利用第一标识将各条所述差评信息划分为一个或多个短句。

判断模块820可以用于判断各所述短句中是否包括预设分类词。

分类模块830可以用于在判断各所述短句中包括所述预设分类词时，根据所述预设分类词对所述差评信息进行分类。

在本公开的一种示例实施方式中，利用第一标识将各条所述差评信息划分为一个或多个短句包括：判断各条所述差评信息中是否包括预设标识；在判断各条所述差评信息中包括所述预设标识后，在所述预设标识处利用第一标识将各条所述差评信息划分为一个或多个短句。

在本公开的一种示例实施方式中，所述预设分类词包括包装破损、包装简陋、包装脏污、商品本身问题、其他包装差评以及非包装差评中的多种。

在本公开的一种示例实施方式中，所述差评信息分类装置还包括：去噪处理模块可以用于对各所述短句进行去噪处理。

在本公开的一种示例实施方式中，对各所述短句进行去噪处理包括：利用词缀以及计算词相似度的装置从各所述短句中挖掘出多个疑似目标词；判断各所述疑似目标词出现的次数是否大于预设次数；在判断各所述疑似目标词出现的次数大于所述预设次数时，确定各所述疑似目标词为目标词；判断各所述短句中是否包含各所述目标词；并在判断各所述短句中不包含任一所述目标词时，删除所述短句。

上述差评信息分类装置中各模块的具体细节已经在对应的差评信息分类方法中进行了详细想描述，因此此处不再赘述。

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。

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。

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、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明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”。

下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤s110：获取多条差评信息并利用第一标识将各条所述差评信息划分为一个或多个短句；步骤s120：判断各所述短句中是否包括预设分类词；步骤s130：在判断各所述短句中包括所述预设分类词时，根据所述预设分类词对所述差评信息进行分类。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(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600交互的设备通信，和/或与使得该电子设备600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650进行。并且，电子设备600还可以通过网络适配器660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。如图所示，网络适配器660通过总线630与电子设备600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600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、冗余处理单元、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。

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。

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，本发明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发明各种示例性实施方式的步骤。

参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

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。

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。

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。

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发明操作的程序代码，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)。

此外，上述附图仅是根据本发明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。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。