针对日志型数据的自动特征在线加工方法、装置、机器可读介质及设备与流程

1.本发明涉及人工智能领域，具体涉及一种针对日志型数据的自动特征在线加工方法、装置、机器可读介质及设备。


背景技术：

2.在机器学习的具体实践任务中，选择一组具有代表性的特征用于构建模型是非常重要的问题。在现实世界中，数据通常是复杂冗余，富有变化的，有必要从原始数据发现有用的特性。人工选取出来的特征依赖人力和专业知识，不利于推广。于是我们需要通过机器来学习和抽取特征，促进特征工程的工作更加快速、有效。
3.特征工程，是指用一系列工程化的方式从原始数据中筛选出更好的数据特征，以提升模型的训练效果。业内有一句广为流传的话是：数据和特征决定了机器学习的上限，而模型和算法是在逼近这个上限而已。由此可见，好的数据和特征是模型和算法发挥更大的作用的前提。
4.然而在实际建模场景中，建模人员在进行特征工程工作时会面临如下问题：
5.1、数据形式无法建模：经常会拿到非常原始的日志型数据，即一个实体(人/物)对应多行记录(行为/事件/流水等)数据，无法直接进行模型训练，因此需要通过特征工程将日志型数据加工为特征数据后进行模型训练。
6.2、耗时较长：人工特征工程依赖于算法工程师的分析、观察，步骤冗长，耗时较长。
7.3、特征一致性差：人工特征工程依赖于算法工程师对数据的理解和创造力，不同算法工程师水平差异较大，导致结果不一致。
8.4、代码复用性差：人工特征工程依赖于具体问题，必须在每次建模前的特征工程操作时，为每个数据集重新编写代码，复用性差。


技术实现要素：

9.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种针对日志型数据的自动特征在线加工方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。
10.为实现上述目的及其他相关目的，本发明提供一种针对日志型数据的自动特征在线加工方法，包括：
11.获取目标对象的原始日志型数据，并对所述原始日志型数据进行特征提取，得到一个或多个原始特征列；
12.对所述一个或多个原始特征列进行特征处理，得到一个或多个目标特征列；
13.配置一个或多个约束规则；
14.通过规则树将所述一个或多个约束规则配置为一个或多个复合条件；
15.利用所述一个或多个复合条件对所述一个或多个目标特征列进行特征筛选。
16.可选地，所述特征处理包括以下至少之一：选择特征列、创建新特征列、删除特征
列。
17.可选地，通过数学计算或/和条件筛选创建新特征列；其中，通过数据计算创建新特征列，指将多个特征列中的至少两个特征列互相进行加、减、乘或除，或给某一特征列加、减、乘或除一个系数；通过条件筛选创建新特征列，指给某一列特征的值进行分类，并分别对分类后得到的每个值类型的特征进行赋值。
18.可选地，在配置约束规则时，通过onehot类型或/和expression类型配置约束规则；其中，onehot类型指将某个特征列中的多个值类型作为配置约束规则的条件；expression类型指将某个特征列中的一个或多个值作为配置约束规则的条件。
19.为实现上述目的及其他相关目的，本发明提供一种针对日志型数据的自动特征在线加工装置，包括：
20.数据获取模块，用于获取目标对象的原始日志型数据，并对所述原始日志型数据进行特征提取，得到一个或多个原始特征列；
21.特征处理模块，用于对所述一个或多个原始特征列进行特征处理，得到一个或多个目标特征列；
22.规则配置模块，用于配置一个或多个约束规则；
23.复合条件生成模块，用于通过规则树将所述一个或多个约束规则配置为一个或多个复合条件；
24.筛选模块，用于利用所述一个或多个复合条件对所述一个或多个目标特征列进行特征筛选。
25.可选地，所述特征处理包括以下至少之一：选择特征列、创建新特征列、删除特征列。
26.可选地，通过数学计算或/和条件筛选创建新特征列；其中，通过数据计算创建新特征列，指将多个特征列中的至少两个特征列互相进行加、减、乘或除，或给某一特征列加、减、乘或除一个系数；通过条件筛选创建新特征列，指给某一列特征的值进行分类，并分别对分类后得到的每个值类型的特征进行赋值。
27.可选地，在配置约束规则时，通过onehot类型或/和expression类型配置约束规则；其中，onehot类型指将某个特征列中的多个值类型作为配置约束规则的条件；expression类型指将某个特征列中的一个或多个值作为配置约束规则的条件。
28.为实现上述目的及其他相关目的，本发明还提供一种电子设备，包括：
29.一个或多个处理器；和
30.其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行前述的一个或多个所述的方法。
31.为实现上述目的及其他相关目的，本发明还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行前述的一个或多个所述的方法。
32.如上所述，本发明提供的一种针对日志型数据的自动特征加工方法、装置、机器可读介质及设备，具有以下有益效果：
33.本发明的一种针对日志型数据的自动特征在线加工方法，包括：获取目标对象的原始日志型数据，并对所述原始日志型数据进行特征提取，得到一个或多个原始特征列；对所述一个或多个原始特征列进行特征处理，得到一个或多个目标特征列；配置一个或多个
约束规则；通过规则树将所述一个或多个约束规则配置为一个或多个复合条件；利用所述一个或多个复合条件对所述一个或多个目标特征列进行特征筛选。本发明能替代人工特征工程的自动特征加工产品系统。该系统可以提升对日志型数据人工特征工程的效率，保证加工后的特征具有可解释性，且加工后的数据可以直接用于模型训练。
附图说明
34.图1为本发明一实施例一种针对日志型数据的自动特征在线加工方法的流程图；
35.图2为本发明一实施例一种针对日志型数据的自动特征在线加工装置的结构示意图；
36.图3为本发明一实施例中终端设备的硬件结构示意图；
37.图4为本发明一实施例中终端设备的硬件结构示意图。
具体实施方式
38.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
39.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
40.如图1所示，本申请的实施例提供一种针对日志型数据的自动特征在线加工方法，包括：
41.s11获取目标对象的原始日志型数据，并对所述原始日志型数据进行特征提取，得到一个或多个原始特征列；
42.s12对所述一个或多个原始特征列进行特征处理，得到一个或多个目标特征列；
43.s13配置一个或多个约束规则；
44.s14通过规则树将所述一个或多个约束规则配置为一个或多个复合条件；
45.s15利用所述一个或多个复合条件对所述一个或多个目标特征列进行特征筛选。
46.本发明能替代人工特征工程的自动特征加工产品系统，可以提升对日志型数据人工特征工程的效率，保证加工后的特征具有可解释性，且加工后的数据可以直接用于模型训练。
47.本发明针对目前存在的问题，提供了一种针对日志型数据的自动特征在线加工方法，该方法能够直接从目标对象的原始日志型数据，即一个实体(人/物)对应多行记录(行为/事件/流水等)数据，自动加工为单实体(人/物)单行统计型特征数据，可大幅提高特征生成效率和标准化程度，缩减建模人员特征生成时间。其中，所述的原始日志型数据如表1所示，加工完成的单行统计型特征数据，即特征条件如表2所示。
48.表1目标对象的原始日志型数据
49.userid手机通话时间时间段通话类型通话时长12130****0232019/1/109:12白天主叫1012130****0232019/1/214:34白天被叫3412130****0232019/1/509:22夜晚未接012130****0232019/1/622:12白天主叫4312130****0232019/1/612:02夜晚被叫12
50.表2特征条件
[0051][0052][0053]
在一实施例中，所述特征处理包括以下至少之一：选择特征列、创建新特征列、删除特征列。其中，选择特征列指在一个或多个特征列中选择出其中的一个或多个特征列作为目标特征列；删除特征列可以指将一个或多个特征列中明显不符合要求的特征列进行删除。
[0054]
在一实施例中，可通过数学计算和条件筛选两种方式来创建新特征列。
[0055]
通过数据计算创建新特征列，指将多个特征列中的至少两个特征列互相进行加、减、乘或除，或给某一特征列加、减、乘或除一个系数；例如，如((a特征列+b特征列)*0.2+g特征列)/d特征列。
[0056]
通过条件筛选创建新特征列，指给某一列特征的值进行分类，并分别对分类后得到的每个值类型的特征进行赋值。例如，将b特征列中＝23的值赋值为1，≠23的值赋值为0。
[0057]
在一实施例中，在配置约束规则时，通过onehot类型或/和expression类型配置约束规则；其中，
[0058]
onehot类型指将某个特征列中的多个值类型作为配置约束规则的条件；如，将“还款状态列”的“0”、“1”值作为约束条件，经过该约束条件可以得到“还款状态列”的值“0”、“1”的两个特征条件。
[0059]
expression类型指将某个特征列中的一个或多个值作为配置约束规则的条件。；如，按“上期账单金额”列中的值>30作为约束条件，经过该约束条件可以得到“上期账单金额”列中的值>30的特征条件。
[0060]
在利用如图1所示的方法对原始日志型数据进行特征加工的时候，可以参考以下步骤：
[0061]
步骤s101，在特征加工任务管理页创建特征加工任务；所述特征加工任务管理页，起到统一发起和管理特征加工任务的作用。
[0062]
步骤s102，编辑任务名称；
[0063]
命名要创建的特征加工任务名称，用来区分不同特征加工任务的业务作用。其中任务可以包括流水线任务、评分卡任务等
[0064]
步骤s103，选择数据集；
[0065]
选择要进行特征加工的原始日志型数据，原始日志型数据包含样本和特征变量，选择完数据后可以对所述原始日志型数据进行特征提取，得到一个或多个原始特征列。
[0066]
对于评分卡任务来说，特征变量可以包括用户标识、银行标识、账单时间戳、上期账单金额、上期还款金额、本期账单金额、信用卡额度、还款状态等。
[0067]
步骤s104，特征处理；
[0068]
对一个或多个原始特征列进行特征处理，所述特征处理包括以下至少之一:选择特征列、创建新特征列、删除特征列。当然还可以对一个或多个特征列进行数据集概览、查询特征列、修改新特征列名称、修改特征列值类型、选择特征加工的特征列、查看新建特征列详情等操作。
[0069]
步骤s105，配置约束规则；
[0070]
步骤s106，通过规则树将所述一个或多个约束规则配置为一个或多个复合条件；
[0071]
步骤s107，启动特征加工任务；
[0072]
当以上配置项完成后，即可一键启动特征加工任务，利用所述一个或多个复合条件对所述一个或多个目标特征列进行特征筛选，通过特征筛选可以从原始日志型数据中筛选子表，建立高阶聚合后的统计特征。其中，在进行特征加工任务的过程中，可以查看加工进度。
[0073]
步骤s108，特征加工结果存储；
[0074]
将特征加工结果以csv格式存储到服务器，便于下游工具/平台。如模型训练引擎/平台等作为标准输入使用；同时也便于建模人员将文件导出到本地来查看特征加工结果详情。
[0075]
在特征加工任务进行中时，可手动停止当前进行的任务，方便中途修改配置参数并重新进行特征加工或停止长期占用服务器资源无法完成加工的任务。
[0076]
步骤s109，导出数据；
[0077]
1、数据预览配置时，可将特征处理的结果以csv格式导出到本地；2、特征加工完成后，可将结果表以csv格式导出到本地。
[0078]
本发明从原始日志型数据到特征的一键生成，避免人工繁杂的重复劳动，将人工特征生成时间缩短了至少十倍以上；在数据集不变的前提下，不需要多次进行特征加工规则配置，同时该规则配置不仅在模型训练时使用，还可以复用到推理服务时对线上数据的特征加工。
[0079]
应该理解，上述各个实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0080]
如图2所示，本申请的实施例提供一种针对日志型数据的自动特征在线加工装置，包括：
[0081]
数据获取模块21，用于获取目标对象的原始日志型数据，并对所述原始日志型数据进行特征提取，得到一个或多个原始特征列；
[0082]
特征处理模块22，用于对所述一个或多个原始特征列进行特征处理，得到一个或多个目标特征列；
[0083]
规则配置模块23，用于配置一个或多个约束规则；
[0084]
复合条件生成模块24，用于通过规则树将所述一个或多个约束规则配置为一个或多个复合条件；
[0085]
筛选模块25，用于利用所述一个或多个复合条件对所述一个或多个目标特征列进行特征筛选。
[0086]
本发明能替代人工特征工程的自动特征加工产品系统，可以提升对日志型数据人工特征工程的效率，保证加工后的特征具有可解释性，且加工后的数据可以直接用于模型训练。
[0087]
本发明针对目前存在的问题，提供了一种针对日志型数据的自动特征在线加工装置，该装置能够直接从目标对象的原始日志型数据，即一个实体(人/物)对应多行记录(行为/事件/流水等)数据，自动加工为单实体(人/物)单行统计型特征数据，可大幅提高特征生成效率和标准化程度，缩减建模人员特征生成时间。其中，所述的原始日志型数据如表1所示，加工完成的单行统计型特征数据，即特征条件如表2所示。
[0088]
表1目标对象的原始日志型数据
[0089]
userid手机通话时间时间段通话类型通话时长12130****0232019/1/109:12白天主叫1012130****0232019/1/214:34白天被叫3412130****0232019/1/509:22夜晚未接012130****0232019/1/622:12白天主叫4312130****0232019/1/612:02夜晚被叫12
[0090]
表2特征条件
[0091][0092]
在一实施例中，所述特征处理包括以下至少之一：选择特征列、创建新特征列、删除特征列。其中，选择特征列指在一个或多个特征列中选择出其中的一个或多个特征列作为目标特征列；删除特征列可以指将一个或多个特征列中明显不符合要求的特征列进行删除。
[0093]
在一实施例中，可通过数学计算和条件筛选两种方式来创建新特征列。
[0094]
通过数据计算创建新特征列，指将多个特征列中的至少两个特征列互相进行加、减、乘或除，或给某一特征列加、减、乘或除一个系数；例如，如((a特征列+b特征列)*0.2+g特征列)/d特征列。
[0095]
通过条件筛选创建新特征列，指给某一列特征的值进行分类，并分别对分类后得到的每个值类型的特征进行赋值。例如，将b特征列中＝23的值赋值为1，≠23的值赋值为0。
[0096]
在一实施例中，在配置约束规则时，通过onehot类型或/和expression类型配置约束规则；其中，
[0097]
onehot类型指将某个特征列中的多个值类型作为配置约束规则的条件；如，将“还款状态列”的“0”、“1”值作为约束条件，经过该约束条件可以得到“还款状态列”的值“0”、
“
1”的两个特征条件。
[0098]
expression类型指将某个特征列中的一个或多个值作为配置约束规则的条件。；如，按“上期账单金额”列中的值>30作为约束条件，经过该约束条件可以得到“上期账单金额”列中的值>30的特征条件。
[0099]
在利用如图2所示的装置对原始日志型数据进行特征加工的时候，可以参考以下步骤：
[0100]
步骤s101，在特征加工任务管理页创建特征加工任务；特征加工任务管理页，起到统一发起和管理特征加工任务的作用。
[0101]
步骤s102，编辑任务名称；
[0102]
命名要创建的特征加工任务名称，用来区分不同特征加工任务的业务作用。命名要创建的特征加工任务名称，用来区分不同特征加工任务的业务作用。其中任务可以包括流水线任务、评分卡任务等
[0103]
步骤s103，选择数据集；
[0104]
选择要进行特征加工的原始日志型数据，原始日志型数据包含样本和特征变量，选择完数据后可以对所述原始日志型数据进行特征提取，得到一个或多个原始特征列。
[0105]
对于评分卡任务来说，特征变量可以包括用户标识、银行标识、账单时间戳、上期账单金额、上期还款金额、本期账单金额、信用卡额度、还款状态等。
[0106]
步骤s104，特征处理；
[0107]
对一个或多个原始特征列进行特征处理，所述特征处理包括以下至少之一:选择特征列、创建新特征列、删除特征列。当然还可以对一个或多个特征列进行数据集概览、查询特征列、修改新特征列名称、修改特征列值类型、选择特征加工的特征列、查看新建特征列详情等操作。
[0108]
步骤s105，配置约束规则；
[0109]
步骤s106，通过规则树将所述一个或多个约束规则配置为一个或多个复合条件；
[0110]
步骤s107，启动特征加工任务；
[0111]
当以上配置项完成后，即可一键启动特征加工任务，利用所述一个或多个复合条件对所述一个或多个目标特征列进行特征筛选，通过特征筛选可以从原始日志型数据中筛选子表，建立高阶聚合后的统计特征。其中，在进行特征加工任务的过程中，可以查看加工进度。
[0112]
步骤s108，特征加工结果存储；
[0113]
将特征加工结果以csv格式存储到服务器，便于下游工具/平台。如模型训练引擎/平台等作为标准输入使用；同时也便于建模人员将文件导出到本地来查看特征加工结果详情。
[0114]
在特征加工任务进行中时，可手动停止当前进行的任务，方便中途修改配置参数并重新进行特征加工或停止长期占用服务器资源无法完成加工的任务。
[0115]
步骤s109，导出数据；
[0116]
1、数据预览配置时，可将特征处理的结果以csv格式导出到本地；2、特征加工完成后，可将结果表以csv格式导出到本地。
[0117]
本发明从原始日志型数据到特征的一键生成，避免人工繁杂的重复劳动，将人工
特征生成时间缩短了至少十倍以上；在数据集不变的前提下，不需要多次进行特征加工规则配置，同时该规则配置不仅在模型训练时使用，还可以复用到推理服务时对线上数据的特征加工。
[0118]
本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、mp3(动态影像专家压缩标准语音层面3，moving picture experts group audio layer iii)播放器、mp4(动态影像专家压缩标准语音层面4，moving picture experts group audio layer iv)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
[0119]
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中方法所包含步骤的指令(instructions)。
[0120]
图3为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
[0121]
可选的，上述第一处理器1101例如可以为中央处理器(central processing unit，简称cpu)、应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
[0122]
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如usb接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
[0123]
在本实施例中，该终端设备的处理器包括用于执行各设备中各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
[0124]
图4为本申请的一个实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
[0125]
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
[0126]
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
[0127]
可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
[0128]
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
[0129]
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
[0130]
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(lcd)和触摸面板(tp)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
[0131]
语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(mic)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。
[0132]
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
[0133]
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
[0134]
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个实施例中，该终端设备中可以包括sim卡插槽，该sim卡插槽用于插入sim卡，使得终端设备可以登录gprs网络，通过互联网与服务器建立通信。
[0135]
由上可知，在图4实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图3实施例中的输入设备的实现方式。
[0136]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。