构建数据模型的方法、装置、设备和介质与流程

本公开的实施例涉及计算机领域，并且更具体地涉及用于构建数据模型的方法、装置、设备和计算机可读存储介质。

背景技术：

知识图谱又称为知识库(knowledgebase)，其被用于描述真实世界中存在的各种实体和概念、它们之间的关系以及它们各自的属性。目前，知识图谱被广泛地应用于搜索、人工智能、深度学习等领域。在知识图谱中，使用schema来描述某个领域的数据模型，其包含该领域内的实体类型以及与该实体类型相关联的属性。例如，以实体类型“人物”为例，其属性可以包括身高、体重、年龄等。在此所述的“属性”也被称为“谓词(predicate)”。

为了构建某个领域的schema，需要从不同来源的数据中挖掘和归纳与实体类型相关联的属性。然而，由于数据的多源异构和表达方式的多样性，挖掘出的属性的表达方式可能是复杂且多样的。

技术实现要素：

根据本公开的示例实施例，提供了用于构建数据模型的方案。

在本公开的第一方面中，提供了一种用于构建数据模型的方法。该方法包括获取与实体类型相关联的第一属性集合。该方法还包括通过将第一属性集合中具有相同语义的多个属性对齐到同一属性，来生成与该实体类型相关联的第二属性集合，第二属性集合中的两个属性具有不同语义。该方法还包括基于该实体类型和第二属性集合，来构建与该实体类型相关联的数据模型。

在本公开的第二方面中，提供了一种用于构建数据模型的装置。该装置包括：属性获取模块，被配置为获取与实体类型相关联的第一属性集合；属性对齐模块，被配置为通过将第一属性集合中具有相同语义的多个属性对齐到同一属性，来生成与该实体类型相关联的第二属性集合，第二属性集合中的两个属性具有不同语义；以及模型构建模块，被配置为基于该实体类型和第二属性集合，来构建与该实体类型相关联的数据模型。

在本公开的第三方面中，提供了一种用于构建数据模型的设备。该设备包括：一个或多个处理器；以及存储装置，用于存储一个或多个程序，当该一个或多个程序被一个或多个处理器执行时，使得该一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本公开的实施例的示例系统的框图；

图2示出了根据本公开的实施例的用于构建数据模型的方法的流程图；

图3示出了根据本公开的实施例的用于确定第一类型属性对与第二类型属性对是否具有相同语义的示例模块的框图；

图4示出了根据本公开的实施例的用于构建数据模型的装置的框图；以及

图5示出了可以实施本公开实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如上所述，为了构建某个领域的知识图谱，需要构建该领域下的schema，因此需要从不同来源的数据中挖掘和归纳与实体类型相关联的属性。然而，由于数据的多源异构和表达方式的多样性，挖掘出的属性的表达方式可能是复杂且多样的。

一些传统解决方案利用人工方式对schema中的实体属性进行编辑，从而实现schema的构建。该方案效率低且无法适应数据量大和表达方式多样的情况。另一些传统解决方案利用机器学习模型来从大数据中挖掘和提炼与实体类型相关联的属性集合。然而，这类方案中所利用的特征通常较为单一，导致鲁棒性差且准确率低。

根据本公开的实施例，提出了一种用于构建数据模型的方案。该方案借助于机器学习模型来识别来自不同来源的数据中具有不同表达方式的同义属性。由于在同义属性的判定过程中使用了丰富的各种维度的特征，该方案能够实现较高的准确率和较高的鲁棒性。通过自动对齐同义属性，该方案能够在有效降低人力成本的情况下高效地构建数据模型。

以下将参照附图来具体描述本公开的实施例。其中，图1示出了根据本公开的实施例的示例系统100的框图。如图1所示，示例系统100总体上可以包括模型构建装置120。应当理解，在图1中仅出于示例性的目的描述系统100的结构和功能，而不暗示对于本公开的范围的任何限制。本公开的实施例还可以被应用到具有不同的结构和/或功能的环境中。

模型构建装置120可以从多个数据来源获取与实体类型111相关联的输入数据110。如图1所示，输入数据110例如可以包括实体类型111、与实体类型111相关联的初始属性集合112、以及与实体类型111相关联的一组知识条目113。实体类型111的示例例如可以是人物、影视、电器或地点等。属性集合112例如可以包括与实体类型111相关联的未经分类或处理的一组属性。以实体类型人物为例，与其相关联的未经分类或处理的属性例如可以包括身高、高度、体重、重量、年龄、妻子、老婆等等，其中可能包括具有相同语义的多个属性(例如，人物的“身高”与“高度”、人物的“体重”与“重量”、人物的“妻子”与“老婆”等)。知识条目113可以包括与实体类型111相关联的、具有主谓宾(spo)结构的多个句子(以下也将具有spo结构的知识条目简称为“spo”)，例如“张三的妻子是李四”(其中，“张三”是主语，“妻子”是谓词并且“李四”是宾语)、“张三的老婆是李四”(其中，“张三”是主语，“老婆”是谓词并且“李四”是宾语)、“王五的身高是176cm”(其中，“王五”是主语，“身高”是谓词并且“176cm”是宾语)等等。

尽管图1中的输入数据110被示为仅与一种实体类型111相关联，应当理解，这仅仅出于说明的目的，而无意于限制本公开的范围。在一些实施例中，模型构建装置120可以从多个数据来源获取与多种实体类型相关联的相应输入数据。模型构建装置120可以将所获得的输入数据按照实体类型进行划分，以得到与每种实体类型相关联的输入数据。

如图1所示，模型构建装置120可以识别属性集合112中具有相同语义的多个属性(例如，“身高”与“高度”、人物的“体重”与“重量”、人物的“妻子”与“老婆”等)。通过将属性集合112中具有相同语义的多个属性对齐到同一属性(也即，利用同一属性来替代具有相同语义的多个属性)，模型构建装置120可以生成与实体类型111相关联的属性集合131，以使得属性集合131中的任意两个属性具有不同语义。例如，模型构建装置120可以将属性“身高”与属性“高度”对齐到同一属性“身高”，将属性“体重”与属性“重量”对齐到同一属性“体重”，将属性“妻子”与属性“老婆”对齐到同一属性“妻子”等。模型构建装置120可以进一步基于实体类型111和属性集合131中的每个属性来构建特定于实体类型111的数据模型130。

图2示出了根据本公开实施例的用于构建数据模型的方法200的流程图。例如，方法200可以由如图1所示的模型构建装置120来执行。以下将结合图1来详细描述方法200。应当理解，方法200还可以包括未示出的附加框和/或可以省略所示出的框。本公开的范围在此方面不受限制。

在框210处，模型构建装置120获取与实体类型相关联的第一属性集合。

在一些实施例中，第一属性集合例如可以是如图1所示的初始属性集合112，也即从多个数据源接收到的未经分类或处理的属性集合。附加地或备选地，在一些实施例中，模型构建装置120可以将如图1所示的初始属性集合112(本文中也称为“第三属性集合”)按照属性相似度进一步划分为多个子集，并且将多个子集之一作为第一属性集合。

在一些实施例中，模型构建装置120可以对初始属性集合112进行聚类，以将初始属性集合112划分成多个子集。例如，模型构建装置120可以利用诸如马尔可夫聚类算法的图聚类算法来对初始属性集合112进行聚类。与传统的文本聚类算法相比，图聚类算法利用更多维度的相似度特征，从而能够更好地解决针对长度较短的字符串的聚类问题。附加地或备选地，在一些实施例中，模型构建装置120例如可以层次聚类算法的图聚类算法来对初始属性集合112进行聚类。以上仅仅列举了模型构建装置120能够使用的聚类算法的若干示例。应当理解，模型构建装置120可以使用任何已有或将要开发的方法来将初始属性集合112划分成多个子集，而不仅仅限于以上示出的这些。

在框220处，模型构建装置120通过将第一属性集合中具有相同语义的多个属性对齐到同一属性，来生成与该实体类型相关联的第二属性集合，第二属性集合中的两个属性具有不同语义。

在一些实施例中，模型构建装置120可以将实体类型与第一属性集合中的每个属性进行组合，以生成多个类型属性对(type-predicate)。以实体类型人物为例，生成的类型属性对的示例例如为“人物-身高”、“人物-高度”、“人物-体重”、“人物-重量”等。针对多个类型属性对中的任意两个类型属性对(本文中也称为“第一类型属性对”和“第二类型属性对”，例如“人物-体重”和“人物-重量”)，模型构建装置120可以确定第一类型属性对与第二类型属性对是否具有相同语义。

图3示出了根据本公开的实施例的确定第一类型属性对与第二类型属性对是否具有相同语义的示例模块300的框图。在一些实施例中，模块300可以被实现为如图1所示的模型构建装置120的一部分。如图3所示，模块300总体上可以包括特征提取单元310和分类模型320。

在一些实施例中，特征提取单元310可以获取第一类型属性对301-1和第二类型属性对301-2，并且从如图1所示的具有spo结构的知识条目113中获取与第一类型属性对301-1有关的第一组知识条目302-1和与第二类型属性对301-2有关的第二组知识条目302-2。为了确定第一类型属性对301-1和第二类型属性对301-2是否具有相同语义，特征提取单元310可以提取第一类型属性对301-1与第二类型属性对301-2的多个相似度特征303。例如，多个相似度特征303可以包括以下至少一项：指示第一类型属性对301-1与第二类型属性对301-2的文本相似度的第一相似度特征303-1；指示第一类型属性对301-1与第二类型属性对301-2在语义词典中是否为同义词的第二相似度特征303-2；指示第一类型属性对301-1与第二类型属性对301-2的语义相似度的第三相似度特征303-3；以及针对与第一类型属性对301-1相关联的第一组知识条目和与第二类型属性对相关联的第二组知识条目进行统计而得到的第四相似度特征303-4。

在一些实施例中，第一类型属性对301-1与第二类型属性对301-2的文本相似度可以利用两者的jaccard相似度系数来衡量。例如，当jaccard系数值越大时，指示两者的相似度越高。在一些实施例中，第二相似度特征303-2例如可以指示第一类型属性对301-1与第二类型属性对301-2在一个或多个语义词典中(例如，wordnet词典)中是否为同义词。

第一类型属性对301-1与第二类型属性对301-2的语义相似度可以通过多种方式来被衡量。在一些实施例中，特征提取单元310可以确定第一类型属性对301-1中的第一属性与第二类型属性对301-2中的第二属性的搜索相似度，以作为衡量第一类型属性对301-1与第二类型属性对301-2的语义相似度的第三相似度特征303-3。例如，特征提取单元310可以把第一属性和第二属性作为搜索关键词，并且通过确定两者的搜索结果之间的相似度来确定第一属性和第二属性的搜索相似度。附加地或备选地，在一些实施例中，特征提取单元310可以利用词袋(bagofword)模型将第一类型属性对301-1与第二类型属性对301-2转换成两个向量，并且通过计算两个向量的余弦距离来确定两者的语义相似度。附加地或备选地，在一些实施例中，特征提取单元310可以通过利用广义回归神经网络(grnn)模型将第一类型属性对301-1与第二类型属性对301-2转换成两个向量，并且通过计算两个向量的余弦距离来确定两者的语义相似度。附加地或备选地，在一些实施例中，特征提取单元310可以基于与第一类型属性对301-1中的第一属性相关联的搜索点击特征和与第二类型属性对中的第二属性相关联的搜索点击特征来将第一类型属性对301-1与第二类型属性对301-2转换成两个向量，并且通过计算两个向量的余弦距离来确定两者的语义相似度。附加地或备选地，在一些实施例中，特征提取单元310可以使用基于有监督学习方法而训练的语义分类模型来确定第一类型属性对301-1与第二类型属性对301-2的语义相似度。附加地或备选地，在一些实施例中，特征提取单元310可以利用skip-gram模型将第一类型属性对301-1与第二类型属性对301-2转换成两个向量，并且通过计算两个向量的余弦距离来确定两者的语义相似度。

以上仅仅列举了用于确定指示第一类型属性对301-1与第二类型属性对301-2的语义相似度的第三相似度特征303-3的若干示例方式。应当理解，特征提取单元310可以使用任何已有或将要开发的方法来确定指示第一类型属性对301-1与第二类型属性对301-2的语义相似度的第三相似度特征303-3，而不仅仅限于以上示出的这些。

在一些实施例中，特征提取单元310还可以通过针对与第一类型属性对301-1相关联的第一组知识条目302-1和与第二类型属性对301-2相关联的第二组知识条目302-2进行统计，来得到第一类型属性对301-1与第二类型属性对的第四相似度特征303-4。例如，特征提取单元310可以基于与第一类型属性对301-1相关联的第一组知识条目302-1和与第二类型属性对301-2相关联的第二组知识条目302-2来确定各种统计信息。统计信息例如可以包括主语-宾语共现信息。在此所述的“主语-宾语共现”是指两个spo中的主语(s)和宾语(o)相同，例如“张三的妻子是李四”和“张三的老婆是李四”。主语-宾语共现通常可以指示两个spo中的两个谓词(也即，“妻子”和“老婆”)有较高可能性具有相同语义。附加地或备选地，统计信息例如还可以包括宾语类型信息。在此所述的“宾语类型”指代spo中的宾语的上位词。当两个spo中的宾语类型相同时，可以指示这两个spo中的两个谓词有较高可能性具有相同语义。附加地或备选地，统计信息例如还可以包括宾语关键词信息。也即，通过比较两个spo中的未经上位的宾语而得到的结果。附加地或备选地，统计信息例如还可以包括同源信息。例如，如果两个spo来自相同数据源且涉及同一实体，则可能指示这两个spo中的两个谓词(p)有较高可能性具有不同语义。模型构建装置120可以基于这些统计信息来确定第一类型属性对301-1与第二类型属性对301-2的第四相似度特征303-4。

以上仅仅列举了用于确定指示第一类型属性对与第二类型属性对之间的spo统计相似度的第四相似度特征303-4的若干示例方式。应当理解，模型构建装置120可以使用任何已有或将要开发的方法来确定指示第一类型属性对301-1与第二类型属性对301-2的spo统计相似度的第四相似度特征303-4，而不仅仅限于以上示出的这些。

在一些实施例中，所提取的第一类型属性对301-1与第二类型属性对301-2的多个相似度特征303可以被提供给经训练的分类模型320，以确定第一类型属性对301-1与第二类型属性对301-2是否具有相同语义。例如，分类模型320可以是支持向量机(svm)模型。

在一些实施例中，用于确定第一类型属性对301-1与第二类型属性对301-2是否具有相同语义的svm模型320可以被预先训练并提供给模型构建装置120。用于训练svm模型的训练数据集可以通过聚类和人工标注相结合的方式来得到。例如，可以选择若干特定实体类型(诸如，人物、电器、地点等)的类型属性对来作为训练svm模型的训练数据。在针对这些类型属性对进行人工标注之前，可以利用聚类算法对这些类型属性对进行聚类。在进行人工标注时，可以将经聚类的训练数据集分别提供给多个标注人员以标注出其中具有相同语义的类型属性对。以此方式，可以通过综合来自多个标注人员的标注结果来保证标注的准确性。在训练svm模型时，所选择的特征可以是如上所述的那些相似度特征，包括但不限于：文本相似度特征、同义词特征、语义相似度特征(包括搜索相似度、bow相似度、grnn相似度、搜索点击相似度、由语义相似度模型得到的语义相似度、skip-gram相似度等)、统计相似度(通过对spo数据进行统计而得到)等。

以此方式，经训练的分类模型320能够基于第一类型属性对301-1与第二类型属性对301-2的多个相似度特征303来确定第一类型属性对301-1与第二类型属性对301-2是否具有相同语义，如由图3中的分类结果304所示。

附加地或备选地，在一些实施例中，模型构建装置120可以进一步基于预定规则对分类模型320的分类结果304进行优化。例如，当分类模型320将第一类型属性对301-1与第二类型属性对301-2确定为具有相同语义时，模型构建装置120可以进一步确定第一类型属性对301-1与第二类型属性对301-2的语义相似度得分(例如，上述第三相似度特征所指示的)是否超过预定阈值。当分类模型320将第一类型属性对301-1与第二类型属性对301-2确定为具有相同语义且两者的语义相似度得分超过预定阈值时，模型构建装置120才将第一类型属性对301-1与第二类型属性对301-2确定为具有相同语义。在一些实施例中，模型构建装置120可以基于一个或多个预定规则的组合来对分类结果304进行过滤，从而进一步提高分类结果的准确率。附加地或备选地，在一些实施例中，模型构建装置120可以将分类结果304提供给用户进行校验，并且基于用户反馈的校验结果对分类结果304进行优化，从而进一步提高分类结果的准确率。

在一些实施例中，如果第一类型属性对与第二类型属性对被确定为具有相同语义，则模型构建装置120可以将第一类型属性对(例如，“人物-身高”)中的第一属性(也即，“身高”)与第二类型属性对(例如，“人物-高度”)中的第二属性(也即，“高度”)对齐到同一属性。例如，模型构建装置120可以将具有相同语义的第一属性和第二属性对齐到第一属性和第二属性之一。备选地，模型构建装置120也可以将具有相同语义的第一属性和第二属性对齐到预定的另一属性，例如，其可以与第一属性和第二属性不同。以此方式，模型构建装置120能够生成与实体类型相关联的第二属性集合(例如，如图1所示的属性集合131)，以保证第二属性集合中的任意两个属性具有不同语义。

返回到图2，在框230处，模型构建装置120基于该实体类型和第二属性集合，来构建与该实体类型相关联的数据模型。例如，模型构建装置120可以将实体类型与第二属性集合中的属性相结合以得到相应的类型属性对，其中的每个类型属性对对应于与该实体类型相关联的schema。

通过以上描述能够看出，本公开的实施例借助于机器学习模型来识别来自不同来源的数据中具有不同表达方式的同义属性。由于在同义属性的判定过程中使用了丰富的各种维度的特征，本公开的实施例能够实现较高的准确率和较高的鲁棒性。通过自动对齐同义属性，本公开的实施例能够在有效降低人力成本的情况下高效地构建数据模型。

图4示出了根据本公开实施例的用于构建数据模型的装置400的示意性框图。该装置400可以被用于实现如图1所示的模型构建装置120。如图4所示，装置400可以包括属性获取模块410，被配置为获取与实体类型相关联的第一属性集合；属性对齐模块420，被配置为通过将第一属性集合中具有相同语义的多个属性对齐到同一属性，来生成与该实体类型相关联的第二属性集合，第二属性集合中的两个属性具有不同语义；以及模型构建模块430，被配置为基于该实体类型和第二属性集合，来构建与该实体类型相关联的数据模型。

在一些实施例中，属性获取模块410包括：属性获取单元，被配置为获取与实体类型相关联的第三属性集合；子集划分单元，被配置为按照属性相似度将第三属性集合划分为多个子集；以及第一确定单元，被配置为将多个子集之一确定为第一属性集合。

在一些实施例中，子集划分单元还被配置为：对第三属性集合进行聚类，以将第三属性集合划分为多个子集。

在一些实施例中，属性对齐模块420包括：第一组合单元，被配置为将实体类型与第一属性集合中的第一属性进行组合，以得到第一类型属性对；第二组合单元，被配置为将实体类型与第一属性集合中不同于第一属性的第二属性进行组合，以得到第二类型属性对；第二确定单元，被配置为确定第一类型属性对与第二类型属性对是否具有相同语义；以及属性对齐单元，被配置为响应于确定第一类型属性对与第二类型属性对具有相同语义，将第一属性与第二属性对齐到同一属性。

在一些实施例中，第二确定单元还被配置为：提取第一类型属性对与第二类型属性对的多个相似度特征；以及基于提取的多个相似度特征，来确定第一类型属性对与第二类型属性对是否具有相同语义。

在一些实施例中，多个相似度特征包括以下至少一项：指示第一类型属性对与第二类型属性对的文本相似度的第一相似度特征；指示第一类型属性对与第二类型属性对在语义词典中是否为同义词的第二相似度特征；指示第一类型属性对与第二类型属性对的语义相似度的第三相似度特征；以及针对与第一类型属性对相关联的第一组知识条目和与第二类型属性对相关联的第二组知识条目进行统计而得到的第四相似度特征。

在一些实施例中，第二确定单元还被配置为：利用经训练的分类模型来确定第一类型属性对与第二类型属性对是否具有相同语义。

在一些实施例中，分类模型为支持向量机(svm)模型。

应当理解，装置400中记载的每个模块分别与参考图2描述的方法200中的每个步骤相对应，并且与方法200中的相应操作和特征具有同样的效果，具体细节不再赘述。

此外，装置400中所包括的模块和/或单元可以利用各种方式来实现，包括软件、硬件、固件或其任意组合。在一些实施例中，一个或多个单元可以使用软件和/或固件来实现，例如存储在存储介质上的机器可执行指令。除了机器可执行指令之外或者作为替代，装置400中的部分或者全部单元可以至少部分地由一个或多个硬件逻辑组件来实现。作为示例而非限制，可以使用的示范类型的硬件逻辑组件包括现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准品(assp)、片上系统(soc)、复杂可编程逻辑器件(cpld)，等等。

图4中所示的这些模块和/或单元可以部分或者全部地实现为硬件模块、软件模块、固件模块或者其任意组合。特别地，在某些实施例中，上文描述的流程、方法或过程可以由存储系统或与存储系统对应的主机或独立于存储系统的其它计算设备中的硬件来实现。

图5示出了可以用来实施本公开的实施例的示例设备500的示意性框图。设备500可以用于实现如图1所示的模型构建装置120。如图所示，设备500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序指令，来执行各种适当的动作和处理。在ram503中，还可存储设备500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram503并由cpu501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，cpu501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。