数据处理方法、装置和计算机可读存储介质与流程

1.本公开涉及计算机技术领域，特别涉及一种数据处理方法、装置和计算机可读存储介质。


背景技术：

2.如今互联网的应用已深入人们的生活，用户通过网络平台进行购物、社交以及查看各种资料。
3.网络平台可以收集用户操作的大数据，根据用户的行为向用户推荐对象，例如，商品、视频、新闻等。


技术实现要素：

4.发明人发现：目前一些算法根据用户对对象的评分向用户推行相同类型的对象，但是，有些对象用户没有进行过相关操作，因此，对于没有相关操作的对象，无法准确推荐。进一步，网络平台上用户和对象的数据是海量的，目前对于评分矩阵一般作为整体进行处理，这样导致处理效率较低。
5.本公开所要解决的一个技术问题是：如何预测用户关于对象的评分，提高推荐准确率以及如何提高处理效率。
6.根据本公开的一些实施例，提供的一种数据处理方法，包括：将评分矩阵中的数据分配至各个节点；其中，评分矩阵的稠密度不为1，评分矩阵中的各个元素分别表示不同用户对不同对象的评分；0元素表示对应的用户和对象之间无评分；根据分配的评分矩阵的数据，在各个节点并行地确定对应的分解数据；根据各个节点对应的分解数据，确定评分矩阵分解成的两个分解矩阵；根据两个分解矩阵，确定评分预测矩阵；其中，评分预测矩阵包括：预测的各个用户对各个对象的评分；根据评分预测矩阵，确定向用户推荐的对象。
7.在一些实施例中，根据分配的评分矩阵的数据，在各个节点并行地确定对应的分解数据包括：在每个节点将分配的评分矩阵的数据划分到多个线程中；并行地在每个线程中根据划分到线程中的评分矩阵的数据确定线程对应的分解数据；根据各个线程对应的分解数据，确定节点对应的分解数据。
8.在一些实施例中，两个分解矩阵包括：第一矩阵和第二矩阵；根据分配的评分矩阵的数据，在各个节点并行地确定对应的分解数据包括：在每个节点中，根据分配的评分矩阵的数据，上一周期更新后的第一子矩阵，以及上一周期更新后的第二矩阵，确定当前周期更新后的第一子矩阵，作为该节点对应的分解数据；其中，上一周期更新后的第一子矩阵是将上一周期更新后的第一矩阵按照与评分矩阵相同的方式划分并分配至各个节点的。
9.在一些实施例中，根据各个节点对应的分解数据，确定评分矩阵分解成的两个分解矩阵包括：将各个节点得到的当前周期更新后的第一子矩阵组成当前周期更新后的第一矩阵；根据当前周期更新后的第一矩阵，上一周期更新后的第二矩阵，以及评分矩阵，确定当前周期更新后的第二矩阵；将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵
相乘得到乘积矩阵；并计算乘积矩阵与评分矩阵的误差；在误差满足预设条件的情况下，将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵，作为评分矩阵分解成的两个分解矩阵。
10.在一些实施例中，还包括：初始化两个分解矩阵，其中，第一矩阵的行数与评分矩阵的行数相等，第二矩阵的列数与评分矩阵的列数相等；将初始化第一矩阵的数据按照与评分矩阵相同的分配方式划分为多个初始化第一子矩阵，分配给各个节点；将初始化第二分解矩阵发送至各个节点；其中，上一周期更新后的第一子矩阵在初始时为初始化第一子矩阵，上一周期更新后的第二矩阵在初始时为初始化第二分解矩阵。
11.在一些实施例中，将评分矩阵中的数据分配至各个节点包括：根据评分矩阵的总行数与节点的数量比值，确定每个节点分配的行数；按照每个节点分配的行数，将评分矩阵的各行数据分别分配给每个节点。
12.在一些实施例中，根据两个分解矩阵，确定评分预测矩阵包括：将两个分解矩阵相乘得到乘积矩阵，将乘积矩阵作为评分预测矩阵。
13.在一些实施例中，根据评分预测矩阵，确定向用户推荐的对象包括：将评分预测矩阵中各个用户对各个对象的评分与阈值进行对比，在评分超过阈值的情况下，向评分对应的用户推荐评分对应的对象。
14.根据本公开的另一些实施例，提供的一种数据处理装置，包括：数据分配模块，分解模块，预测模块，推荐模块以及多个节点；数据分配模块用于将评分矩阵中的数据分配至各个节点；其中，评分矩阵的稠密度不为1，评分矩阵中的各个元素分别表示不同用户对不同对象的评分；0元素表示对应的用户和对象之间无评分；每个节点用于根据分配的评分矩阵的数据，并行地确定对应的分解数据；分解模块用于根据各个节点对应的分解数据，确定评分矩阵分解成的两个分解矩阵；预测模块用于根据两个分解矩阵，确定评分预测矩阵；其中，评分预测矩阵包括：预测的各个用户对各个对象的评分；推荐模块用于根据评分预测矩阵，确定向用户推荐的对象。
15.在一些实施例中，每个节点用于将分配的评分矩阵的数据划分到多个线程中；并行地在每个线程中根据划分到线程中的评分矩阵的数据确定线程对应的分解数据；根据各个线程对应的分解数据，确定节点对应的分解数据。
16.在一些实施例中，两个分解矩阵包括：第一矩阵和第二矩阵；每个节点用于根据分配的评分矩阵的数据，上一周期更新后的第一子矩阵，以及上一周期更新后的第二矩阵，确定当前周期更新后的第一子矩阵，作为该节点对应的分解数据；其中，上一周期更新后的第一子矩阵是将上一周期更新后的第一矩阵按照与评分矩阵相同的方式划分并分配至各个节点的。
17.在一些实施例中，分解模块用于将各个节点得到的当前周期更新后的第一子矩阵组成当前周期更新后的第一矩阵；根据当前周期更新后的第一矩阵，上一周期更新后的第二矩阵，以及评分矩阵，确定当前周期更新后的第二矩阵；将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵相乘得到乘积矩阵；并计算乘积矩阵与评分矩阵的误差；在误差满足预设条件的情况下，将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵，作为评分矩阵分解成的两个分解矩阵。
18.在一些实施例中，还包括：初始化模块，用于初始化两个分解矩阵，其中，第一矩阵
的行数与评分矩阵的行数相等，第二矩阵的列数与评分矩阵的列数相等；将初始化第一矩阵的数据按照与评分矩阵相同的分配方式划分为多个初始化第一子矩阵，分配给各个节点；将初始化第二分解矩阵发送至各个节点；其中，上一周期更新后的第一子矩阵在初始时为初始化第一子矩阵，上一周期更新后的第二矩阵在初始时为初始化第二分解矩阵。
19.在一些实施例中，数据分配模块用于根据评分矩阵的总行数与节点的数量比值，确定每个节点分配的行数；按照每个节点分配的行数，将评分矩阵的各行数据分别分配给每个节点。
20.在一些实施例中，预测模块用于将两个分解矩阵相乘得到乘积矩阵，将乘积矩阵作为评分预测矩阵。
21.在一些实施例中，推荐模块用于将评分预测矩阵中各个用户对各个对象的评分与阈值进行对比，在评分超过阈值的情况下，向评分对应的用户推荐评分对应的对象。
22.根据本公开的又一些实施例，提供的一种数据处理装置，包括：处理器；以及耦接至处理器的存储器，用于存储指令，指令被处理器执行时，使处理器执行如前述任意实施例的数据处理方法。
23.根据本公开的再一些实施例，提供的一种非瞬时性计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现前述任意实施例的数据处理方法。
24.本公开中对评分矩阵进行分解，分解后的两个矩阵分别表示用户在若干因素的偏好，和对象被偏好的隐藏因素，基于两个分解矩阵，可以对评分矩阵中0元素对应的用户和对象之间的评分进行预测。因此，即使用户关于某些对象没有进行过相关操作，也可以通过海量用户的数据，预测用户对没有操作过的对象的评分，进而更加准确的向用户推荐对象。在数据处理过程中，评分矩阵的数据被分配到多个节点，多个节点并行对分配的评分矩阵的数据进行处理得到分解数据，根据各个节点的对应的分解数据，确定评分矩阵分解成的两个分解矩阵。因此，本公开多节点并行的数据处理方式提高了处理效率。
25.通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
26.为了更清楚地说明本公开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。
27.图1示出本公开的一些实施例的数据处理方法的流程示意图。
28.图2示出本公开的另一些实施例的数据处理方法的流程示意图。
29.图3示出本公开的一些实施例的数据处理装置的结构示意图。
30.图4示出本公开的另一些实施例的数据处理装置的结构示意图。
31.图5示出本公开的又一些实施例的数据处理装置的结构示意图。
具体实施方式
32.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，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他实施例，都属于本公开保护的范围。
33.本公开提出一种数据处理方法，可以提高向用户推荐对象的准确率和效率，下面结合图1描述本公开数据处理方法的一些实施例。
34.图1为本公开数据处理方法一些实施例的流程图。如图1所示，该实施例的方法包括：步骤s102～s110。
35.在步骤s102中，将评分矩阵中的数据分配至各个节点。
36.可以获取网络平台中各个用户对各个对象的评分，例如用户对电影的评分，用户对商品的评分等。对象可以是同一类型的对象。将各个用户对各个对象的评分组成评分矩阵，例如评分矩阵中各行对于各个用户，各列对应各个对象，如果用户关于对象没有评分可以用预设元素代替，例如，预设元素为0。这些预设元素是后续待预测的元素，对这些待预测的元素确定预测值，即相应的用户和对象之间的评分。评分矩阵的稠密度不为1，评分矩阵中的各个元素分别表示不同用户对不同对象的评分；0元素表示对应的用户和对象之间无评分。
37.可以针对网络平台的所有用户获取用户画像信息，根据用户画像信息获取相似的用户，利用这些相似的用户对各个对象的评分，生成评分矩阵。例如，用户画像信息包括：年龄、性别、爱好等。采用相似的用户确定评分矩阵，能够提高预测准确率。
38.在一些实施例中，可以将评分矩阵中的数据平均分配到各个节点。根据评分矩阵的总行数与节点的数量比值，确定每个节点分配的行数；按照每个节点分配的行数，将评分矩阵的各行数据分别分配给每个节点。即评分矩阵按行平均分配给各个节点。可以采用mpi(信息传递接口)技术，将评分矩阵按行平分成多份，然后每个进程利用分配的数据进行计算。
39.在步骤s104中，根据分配的评分矩阵的数据，在各个节点并行地确定对应的分解数据。
40.在一些实施例中，在每个节点将分配的评分矩阵的数据划分到多个线程中；并行地在每个线程中根据划分到线程中的评分矩阵的数据确定线程对应的分解数据；根据各个线程对应的分解数据，确定节点对应的分解数据。
41.在每个节点可以采用cuda(统一计算设备架构)技术加速矩阵的运算，cuda中的kernel函数可以将数据平均划分到多个线程，每个线程并行进行相应的运算。采用多个节点并行运算，在每个节点中多个线程并行运算的混合并行处理方式，可以极大的提高运算效率。
42.在一些实施例中，该方法还包括：初始化两个分解矩阵，其中，第一矩阵的行数与评分矩阵的行数相等，第二矩阵的列数与评分矩阵的列数相等；将初始化第一矩阵的数据按照与评分矩阵相同的分配方式划分为多个初始化第一子矩阵，分配给各个节点。将初始化第二分解矩阵发送至各个节点。
43.在每个节点中可以采用梯度下降方法，根据分配的评分矩阵的数据对初始化第一子矩阵进行迭代更新，每次更新得到当前周期更新后的第一子矩阵，作为该节点对应的分
解数据。
44.在步骤s106中，根据各个节点对应的分解数据，确定评分矩阵分解成的两个分解矩阵。
45.得到各个节点当前周期更新后的第一子矩阵，根据各个节点当前周期更新后的第一子矩阵确定当前周期更新后的第二矩阵。因此，第二矩阵的更新也是迭代进行的，也可以采用梯度下降方法。例如，将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵相乘得到乘积矩阵；并计算乘积矩阵与评分矩阵的误差；在误差满足预设条件的情况下，将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵，作为评分矩阵分解成的两个分解矩阵。
46.在一些实施例中，在每个节点中，根据分配的评分矩阵的数据，上一周期更新后的第一子矩阵，以及上一周期更新后的第二矩阵，确定当前周期更新后的第一子矩阵，作为该节点对应的分解数据；其中，上一周期更新后的第一子矩阵是将上一周期更新后的第一矩阵按照与评分矩阵相同的方式划分并分配至各个节点的。上一周期更新后的第一子矩阵在初始时为初始化第一子矩阵，上一周期更新后的第二矩阵在初始时为初始化第二分解矩阵。
47.进一步，将各个节点得到的当前周期更新后的第一子矩阵组成当前周期更新后的第一矩阵；根据当前周期更新后的第一矩阵，上一周期更新后的第二矩阵，以及评分矩阵，确定当前周期更新后的第二矩阵；将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵相乘得到乘积矩阵；并计算乘积矩阵与评分矩阵的误差；在误差满足预设条件的情况下，将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵，作为评分矩阵分解成的两个分解矩阵。
48.在步骤s108中，根据两个分解矩阵，确定评分预测矩阵。
49.评分预测矩阵包括：预测的各个用户对各个对象的评分。例如，将两个分解矩阵相乘得到乘积矩阵，将乘积矩阵作为评分预测矩阵。评分预测矩阵与评分矩阵的行数和列数相同，与评分矩阵中的预设元素位置相对应的评分预测矩阵中的元素，则是相应的用户和对象之间预测的评分。
50.在步骤s110中，根据评分预测矩阵，确定向用户推荐的对象。
51.在一些实施例中，将评分预测矩阵中各个用户对各个对象的评分与阈值进行对比，在评分超过阈值的情况下，向评分对应的用户推荐评分对应的对象。
52.上述实施例中对评分矩阵进行分解，分解后的两个矩阵分别表示用户在若干因素的偏好，和对象被偏好的隐藏因素，基于两个分解矩阵，可以对评分矩阵中0元素对应的用户和对象之间的评分进行预测。因此，即使用户关于某些对象没有进行过相关操作，也可以通过海量用户的数据，预测用户对没有操作过的对象的评分，进而更加准确的向用户推荐对象。在数据处理过程中，评分矩阵的数据被分配到多个节点，多个节点并行对分配的评分矩阵的数据进行处理得到分解数据，根据各个节点的对应的分解数据，确定评分矩阵分解成的两个分解矩阵。因此，上述实施例中多节点并行的数据处理方式提高了处理效率。此外，采用多个节点并行运算，在每个节点中多个线程并行运算的混合并行处理方式，进一步提高运算效率。
53.下面结合图2描述具体如何将评分矩阵分解为两个分解矩阵。
54.图2为本公开数据处理方法另一些实施例的流程图。如图2所示，该实施例的方法包括：步骤s202～s218。
55.在步骤s202中，根节点获取评分矩阵，确定用户数量和对象数量。
56.评分矩阵例如为r
m
×
n
，m表示用户数量，n表示对象数量。
57.在步骤s204中，根节点根据用户数量和对象数量初始化第一矩阵和第二矩阵，初始化随机梯度下降算法的相关参数。
58.第一矩阵p
m
×
k
的行数等于用户数量m，列数为特征个数k，第二矩阵q
k
×
n
的行数为特征个数k，列数为对象数量n。随机梯度下降算法的相关参数例如包括：α、β、迭代次数阈值iters。α、β为随机梯度下降算法中的权重值。
59.在步骤s206中，根节点按照节点个数将评分矩阵的数据划分为多份，将初始化第一矩阵的数据按照与评分矩阵相同的分配方式划分为多个初始化第一子矩阵。
60.在步骤s208中，根节点将对应各份评分矩阵的数据，初始化第一子矩阵，初始化第二矩阵和初始化的相关参数发送至各个节点。
61.在步骤s210，每个节点中分为多个线程，并行地根据分配的评分矩阵的数据，上一周期更新后的第一子矩阵，上一周期更新后的第二矩阵和上一周期更新后的相关参数，确定当前周期更新后的第一子矩阵。
62.在第一次迭代过程中，上一周期更新后的第一子矩阵，上一周期更新后的第二矩阵和上一周期更新后的相关参数分别为初始化第一子矩阵，初始化第二矩阵和初始化的相关参数。
63.例如，每个节点可以根据以下公式，确定当前周期更新后的第一子矩阵。
[0064][0065][0066]
公式(1)和(2)中，r
i,j
表示分配到该节点的评分矩阵的子矩阵中第i行第j列的元素，p
i,k
表示上一周期更新后的第一子矩阵中第i行第k列的元素，q
k,j
表示上一周期更新后的第二矩阵中第k行第j列的元素，i，j和k为正整数。表示当前周期更新后的第一子矩阵中第i行第k列的元素，α和β表示上一周期更新后的权重。
[0067]
在步骤s212，每个节点将对应的当前周期更新后的第一子矩阵发送至根节点。
[0068]
在步骤s214，根节点将各个节点将对应的当前周期更新后的第一子矩阵组成当前周期更新后的第一矩阵，根据评分矩阵，当前周期更新后的第一矩阵，上一周期更新后的第二矩阵和上一周期更新后的相关参数，确定当前周期更新后的第二矩阵。
[0069]
例如，根节点可以根据公式以下公式，确定当前周期更新后的第二矩阵。
[0070][0071][0072]
表示当前周期更新后的第二矩阵中第k行第j列的元素，其他参数与前述公式相同。
[0073]
在步骤s216，根节点将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵
相乘得到乘积矩阵；并计算乘积矩阵与评分矩阵的误差，确定误差是否满足预设条件或者是否达到迭代次数阈值。如果误差满足预设条件或者达到迭代次数阈值，则执行步骤s218，否则执行步骤s217。
[0074]
在步骤s217，根节点将当前周期更新后的第二矩阵发送至各个节点，各个节点将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵分别作为上一周期更新后的第一矩阵和上一周期更新后的第二矩阵，并返回步骤s210重新开始执行。
[0075]
在步骤s218，将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵，作为评分矩阵分解成的两个分解矩阵。
[0076]
本公开还提供一种数据处理装置，下面结合图3进行描述。
[0077]
图3为本公开数据处理装置的一些实施例的结构图。如图3所示，该实施例的装置30包括：数据分配模块310，分解模块320，预测模块330，推荐模块340以及多个节点350；数据分配模块310，分解模块320，预测模块330，推荐模块340可以设置于根节点，根节点不同于节点350。
[0078]
数据分配模块310用于将评分矩阵中的数据分配至各个节点；其中，评分矩阵的稠密度不为1，评分矩阵中的各个元素分别表示不同用户对不同对象的评分；0元素表示对应的用户和对象之间无评分。
[0079]
在一些实施例中，数据分配模块310用于根据评分矩阵的总行数与节点的数量比值，确定每个节点分配的行数；按照每个节点分配的行数，将评分矩阵的各行数据分别分配给每个节点。
[0080]
每个节点350用于根据分配的评分矩阵的数据，并行地确定对应的分解数据。
[0081]
在一些实施例中，每个节点350用于将分配的评分矩阵的数据划分到多个线程中；并行地在每个线程中根据划分到线程中的评分矩阵的数据确定线程对应的分解数据；根据各个线程对应的分解数据，确定节点对应的分解数据。
[0082]
在一些实施例中，两个分解矩阵包括：第一矩阵和第二矩阵；每个节点350用于根据分配的评分矩阵的数据，上一周期更新后的第一子矩阵，以及上一周期更新后的第二矩阵，确定当前周期更新后的第一子矩阵，作为该节点对应的分解数据；其中，上一周期更新后的第一子矩阵是将上一周期更新后的第一矩阵按照与评分矩阵相同的方式划分并分配至各个节点的。
[0083]
分解模块320用于根据各个节点对应的分解数据，确定评分矩阵分解成的两个分解矩阵。
[0084]
在一些实施例中，分解模块320用于将各个节点得到的当前周期更新后的第一子矩阵组成当前周期更新后的第一矩阵；根据当前周期更新后的第一矩阵，上一周期更新后的第二矩阵，以及评分矩阵，确定当前周期更新后的第二矩阵；将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵相乘得到乘积矩阵；并计算乘积矩阵与评分矩阵的误差；在误差满足预设条件的情况下，将当前周期更新后的第一矩阵和当前周期更新后的第二矩阵，作为评分矩阵分解成的两个分解矩阵。
[0085]
预测模块330用于根据两个分解矩阵，确定评分预测矩阵；其中，评分预测矩阵包括：预测的各个用户对各个对象的评分。
[0086]
在一些实施例中，预测模块330用于将两个分解矩阵相乘得到乘积矩阵，将乘积矩
阵作为评分预测矩阵。
[0087]
推荐模块340用于根据评分预测矩阵，确定向用户推荐的对象。
[0088]
在一些实施例中，推荐模块340用于将评分预测矩阵中各个用户对各个对象的评分与阈值进行对比，在评分超过阈值的情况下，向评分对应的用户推荐评分对应的对象。
[0089]
在一些实施例中，装置30还包括：初始化模块360，用于初始化两个分解矩阵，其中，第一矩阵的行数与评分矩阵的行数相等，第二矩阵的列数与评分矩阵的列数相等；将初始化第一矩阵的数据按照与评分矩阵相同的分配方式划分为多个初始化第一子矩阵，分配给各个节点；将初始化第二分解矩阵发送至各个节点；其中，上一周期更新后的第一子矩阵在初始时为初始化第一子矩阵，上一周期更新后的第二矩阵在初始时为初始化第二分解矩阵。
[0090]
本公开的实施例中的数据处理装置可各由各种计算设备或计算机系统来实现，下面结合图4以及图5进行描述。
[0091]
图4为本公开数据处理装置的一些实施例的结构图。如图4所示，该实施例的装置40包括：存储器410以及耦接至该存储器410的处理器420，处理器420被配置为基于存储在存储器410中的指令，执行本公开中任意一些实施例中的数据处理方法。
[0092]
其中，存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)、数据库以及其他程序等。
[0093]
图5为本公开数据处理装置的另一些实施例的结构图。如图5所示，该实施例的装置50包括：存储器510以及处理器520，分别与存储器410以及处理器420类似。还可以包括输入输出接口530、网络接口540、存储接口550等。这些接口530，540，550以及存储器510和处理器520之间例如可以通过总线560连接。其中，输入输出接口530为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口540为各种联网设备提供连接接口，例如可以连接到数据库服务器或者云端存储服务器等。存储接口550为sd卡、u盘等外置存储设备提供连接接口。
[0094]
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0095]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0096]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0097]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0098]
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。