一种基于TextRank算法结合卷积神经网络模型的多源媒资知识图谱构建的方法与流程

一种基于textrank算法结合卷积神经网络模型的多源媒资知识图谱构建的方法
技术领域
1.本发明涉及人工智能领域，主要涉及媒资知识图谱技术。


背景技术：

2.2012年，google公司为了优化搜索引擎，提出了知识图谱。知识图谱的搜 索方式与传统搜索引擎不同，传统的搜索引擎是基于关键词搜索，而知识图谱 是基于实体间的关系，优化了搜索方式，提高了搜索质量。
3.随着大数据时代的到来，电视业务进入存量发展阶段，需进行专业化和精 细化运营能力提升。统一媒资是对媒资信息进行汇聚、整合、加工和输出的功 能，通过用户行为数据和媒资信息数据对用户观看行为进行深度挖掘，能够提 升业务使用感知，提高用户活跃度和粘性。但是在现有的媒资管理系统中，媒 资信息存在严重缺失或者错误的现象，人工校准匹配已经不能满足精准营销的 迫切需求。
4.专利“一种媒资合并方法及其装置”(cn202010128799.8)通过名称相似 度和主题相似度来进行媒资合并，但是其匹配效果较低，不具备自动学习能力， 分析主要依赖人工，自动化程度较低，结果展现方式传统。
5.专利“一种媒资数据整合方法及系统”(cn201610777461.9)采用字段逐 个比较的方法将待处理媒资与标准媒资匹配，缺乏媒资实体和属性的关联关系， 媒资数据之间呈弱关联，构建的媒资库不具备认知能力。
6.因此，需要一种能够高效、准确地对齐媒资实体，以构建媒资知识图谱的 方法。


技术实现要素：

7.提供本发明内容以便以简化形式介绍将在以下具体实施方式中进一步的 描述一些概念。本发明内容并非旨在标识所要求保护的主题的关键特征或必要 特征，也不旨在用于帮助确定所要求保护的主题的范围。
8.在本发明中，在媒资信息融合中，取代传统实体对齐方法，采用了人工干 预和机器学习算法结合的方法。首先引入textrank关键词提取算法，获取与实 体内容更相关的关键词作为媒资标签，一方面对实体对齐的语义进行补充，另 一方面也对抽取的属性值进行补充。然后根据实体属性，对实体进行详细二级 分类，缩小实体对齐范围，提前干预匹配结果，降低对齐算法复杂度。最后， 利用神经网络技术，学习实体和属性的深层语义关系，具备学习能力，自动学 习不同类型的实体与属性的特征；引入注意力机制，通过对局部特征向量进行 加权，在实现输入与输出的对齐的同时还能够利用更多的原始数据的上下文信 息，能够不断提升不同数据源的实体对齐准确率。
9.根据本方发明的一个实施例，公开了一种用于面向多源媒资数据的知识图 谱构建的方法，包括：从多源数据中抽取媒资信息，以形成以实体为中心的知 识图谱三元组，其中抽取媒资信息包括实体抽取、关系抽取和实体属性抽取， 所述多源数据来自包括半结构
化数据的网页和/或包括非结构化数据的网页，所 述三元组具有{实体，关系，属性}的形式；对所述媒资信息进行信息融合，以 形成经更新的三元组，其中，所述信息融合包括实体对齐和属性统一，其中所 述实体对齐采用基于注意力机制的卷积神经网络的实体匹配模型；基于经更新 的三元组来构建所述知识图谱。
10.根据本发明的另一个实施例，公开了一种用于面向多源媒资数据的知识图 谱构建的系统，包括：信息抽取模块，所述信息抽取模块被配置为：从多源数 据中抽取媒资信息，以形成以实体为中心的知识图谱三元组，其中抽取媒资信 息包括实体抽取、关系抽取和实体属性抽取，所述多源数据来自包括半结构化 数据的网页和/或包括非结构化数据的网页，所述三元组具有{实体，关系，属 性}的形式；信息融合模块，所述信息融合模块被配置为：对所述媒资信息进行 信息融合，以形成经更新的三元组，其中，所述信息融合包括实体对齐和属性 统一，其中所述实体对齐包括采用基于注意力机制的卷积神经网络的实体匹配 模型；知识图谱构建模块，所述知识图谱构建模块被配置为基于经更新的三元 组来构建所述知识图谱。
11.根据本发明的又一个实施例，公开了一种用于面向多源媒资数据的知识图 谱构建的计算设备，包括：处理器；存储器，所述存储器存储有指令，所述指 令在被所述处理器执行时能执行如上所述的方法。
12.通过阅读下面的详细描述并参考相关联的附图，这些及其他特点和优点将 变得显而易见。应该理解，前面的概括说明和下面的详细描述只是说明性的， 不会对所要求保护的各方面形成限制。
附图说明
13.为了能详细地理解本发明的上述特征所用的方式，可以参照各实施例来 对以上简要概述的内容进行更具体的描述，其中一些方面在附图中示出。然 而应该注意，附图仅示出了本发明的某些典型方面，故不应被认为限定其范 围，因为该描述可以允许有其它等同有效的方面。
14.图1示出了根据本发明的一个实施例的用于面向多源媒资数据的知识图谱 构建的系统100的框图；
15.图2示出了根据本发明的一个实施例的基于注意力机制的卷积神经网络的 实体匹配模型200的示意图；
16.图3示出了根据本发明的一个实施例的用于面向多源媒资数据的知识图谱 构建的方法300的流程图；以及
17.图4出了根据本发明的一个实施例的示例性计算设备400的框图。
具体实施方式
18.下面结合附图详细描述本发明，本发明的特点将在以下的具体描述中得到 进一步的显现。
19.以下为在本发明中使用的术语的解释，其包括本领域的技术人员所熟知的 一般含义：
20.知识图谱：一种基于图的数据结构，每个节点表示“实体”(可以是具体 的人、事、
物体，也可以是抽象的概念)，每条边表示实体与实体之间的“关系”。
ꢀ“
实体”与“关系”都可以有各自的“属性”。因此，“实体”、“关系”和
ꢀ“
属性”构成知识图谱的组成三要素。
21.textrank算法：一种基于图的用于关键词抽取和文档摘要的排序算法，它 利用一篇文档内部的词语间的共现信息(语义)便可以抽取关键词，它能够从 一个给定的文本中抽取出该文本的关键词、关键词组，并使用抽取式的自动文 摘方法抽取出该文本的关键句。
22.neo4j：一种高性能的nosql图形数据库，它将结构化数据存储在网络上 而不是表中。neo4j底层会以图的方式把用户定义的节点以及关系存储起来， 通过这种方式，可是高效的实现从某个节点开始，通过节点与节点间关系，找 出两个节点间的联系。neo4j使用cypher查询图形数据，cypher是描述性的图 形查询语言。
23.d3技术：d3的全称是data-driven documents，即数据驱动文档，用来进 行数据可视化。
24.当前人工完成70万条节目媒资匹配一般需要5个工作日，为了实现媒资 内容自动关联，提高搜索、推荐精确性，为电视行业媒资信息管理提供媒资数 据赋能，本发明利用网络媒资信息数据，通过知识图谱技术构建面向多源头媒 资数据的知识图谱。
25.由于媒资数据的多源性，实体和属性信息存在差异和冗余现象，当前知识 图谱中的实体对齐采用的是一些通用的实体对齐方法，不能很好地理解媒资实 体和属性之间的语义关联，对多个数据源的媒资实体对齐准确率较低。本发明 在构建面向多源媒资数据的知识图谱时，在实体对齐中引入textrank关键词 提取算法、实体属性二级分类、卷积神经网络和注意力机制，能够更好地理解 实体和属性之间的语义关联，提高媒资实体对齐准确度。
26.图1示出了根据本发明的一个实施例的用于面向多源媒资数据的知识图谱 构建的系统100的框图。如图1中所示的，该系统100按模块进行划分，各模 块之间通过本领域已知的方式进行通信和数据交换。在本发明中，各模块可通 过软件或硬件或其组合的方式来实现。如图1所示，该系统100包括信息抽取 模块101、信息融合模块102以及知识图谱构建模块103。
27.一般而言，媒资知识图谱的构建主要包括：选择合适的多源数据，从多源 数据中抽取媒资信息，对抽取的媒资信息进行数据处理，基于处理后的媒资信 息构建知识图谱，并在实际应用中(例如，搜索、呈现等)进行发布展示。
28.具体而言，参考图1，信息抽取模块101从不同的数据源进行媒资信息的 抽取，主要包括实体抽取、关系抽取、属性抽取。信息融合模块102将信息抽 取模块101抽取的媒资信息进行融合。知识图谱构建模块103根据融合后的媒 资信息来构建知识图谱。
29.根据本发明的一个实施例，信息抽取模块101被配置为从多源数据104中 抽取媒资信息，例如，实体抽取、关系抽取、属性抽取，以形成以实体为中心 的知识图谱三元组。
30.如本领域的技术人员所知，媒资信息主要包括媒体资源的信息，例如电视 剧、电影、综艺、动漫、儿童、纪录片、音乐、教育、母婴、体育、演员、明 星。综合考虑媒资信息数据的规模、质量和数据获取的难易程度，本发明的多 源数据104来自两种不同类别的数据源，即主要包括非结构化数据的数据源以 及主要包括半结构化数据的数据源。举例而言，非结构化数据的数据源可为百 度百科，其是一个内容开放，自由的网络平台，几乎涵盖所有行
业知识领域， 对媒资信息数据描述比较丰富、完整，且更新实时，但是由于人工编辑的原因， 信息结构的一致性较差，特别是影视类媒资信息，质量差异也较大。为此，为 提高例如影视类媒资信息质量，同时选取半结构化数据的数据源，例如，豆瓣 电影，作为影视类媒资信息的补充，豆瓣电影是拥有最新的影视信息的影视评 论网站，其数据结构较好。当然，以上的网站仅仅是出于示例性目的而给出的， 本领域的技术人员完全可以采用其他的数据源来获取媒资信息。当然，也可以 仅采用一种类别的数据源来获取媒资信息。
31.根据本发明的一个实施例，从多源数据104中抽取媒资信息主要包括(1) 利用python语言制定爬虫程序，以获取媒资数据知识图谱数据源；(2)通过 网页解析来获取媒资标签和结构化信息；以及(3)从获取的结构化信息中抽取 构建知识图谱的三元组。
32.根据本发明的一个实施例，继续上述百度百科和豆瓣电影的示例，(1)利 用python语言制定爬虫程序，以获取媒资数据知识图谱数据源包括：1.1)按基 础条件定向爬取网页词条(例如，百度百科词条)。具体而言，可根据类别特 征词来搜索网页内容，其中，类别特征词是指能够区分各类媒资数据(例如， 十类)的词汇。例如，对于电视剧类媒资数据，类别特征词选取“剧集”、“分 集”、“电视剧”，对于教育类媒资数据，类别特征词选取“教育”、“学前”、
ꢀ“
小学”、“中学”等；1.2)根据影视类别，包括电影、电视剧、综艺、动漫、 纪录片，爬取豆瓣电影网页数据。
33.根据本发明的一个实施例，(2)通过网页解析来获取媒资标签和结构化信 息可进一步包括：2.1)从媒资数据知识图谱数据源中提取关键字以构建媒资标 签库；2.2)从媒资数据知识图谱数据源中抽取结构化信息。
34.根据本发明的一个实施例，2.1)从媒资数据知识图谱数据源中提取关键字 以构建媒资标签库可进一步包括利用textrank算法对网页的文本(比如百度 百科的简介)进行关键词提取。该关键词提取可包括以下几个步骤：
35.①
首先采用jieba分词工具对网页提取的文本进行分词，同时进行词性标 注，并过滤掉停用词，只保留名词、动词和形容词词性的单词。
36.②
将分词后的词语构建候选关键词图g＝(v,e)，其中v为
①
生成的候选 关键词组成，然后采用共现关系构造任两点之间的边。两个节点之间存在边 仅当它们对应的词汇在长度为k的窗口中共现，k表示窗口大小，即最多共 现k个单词。
37.③
迭代传播各节点的权重，直至收敛。
38.④
对节点权重进行倒序排序，从而得到最重要的t个单词，作为候选关 键词。
39.⑤
由
④
得到最重要的t个单词，在原始文本中进行标记，若形成相邻词 组，则组合成多词关键词，作为媒资标签。
40.根据本发明的一个实施例，2.2)从媒资数据知识图谱数据源中抽取结构化 信息可进一步包括根据字体特性来抓取网页的词条名，即实体名称。例如，可 以根据抓取网页url的标题数据格式(标题位于类lemmawgt-lemmatitle-title下 的h1子标签)来抓取实体名称。
41.一般而言，在媒资领域，实体主要分为视听类实体(例如，视频、音频等)、 非视听类实体(例如，书籍、展览等)和人物实体。实体名称为该实体的名称， 例如电视机的剧名、电影的电影名、书籍的名称等等。实体的属性主要包括描 述该实体的信息。例如，视听类实体的属性主要包括中文名、别名、类型、出 品公司、首播时间、导演、主演等。非视听属性主
要包括中文名、别名、举办 地点、举办时间、主办机构等。人物实体属性主要包括中文名、别名、国籍、 民族、血型、身高、星座、代表作品、主要成就、职业等。
42.例如，百度百科词条主要由视频、图片、文本和图表组成，本发明主要提 取网页中的表格数据。表格中的字段名和字段值的对应关系正好对应知识图谱 中的实体、关系和属性。实体间的关系主要包括人物实体和视听/非视听实体之 间的“参演/导演/编剧/主办/参加”关系。对豆瓣电影网页的解析与以上描述的 方式是类似的。例如，可以在网页的源代码中找到存放实体(例如，影片)信 息的源代码，根据标题、实体(例如，影片)信息的标签数据格式来解析网页 词条名称和对应的字段名、字段值。举例而言，可以通过标识网页源代码中的
ꢀ“
$$”来解析网页的网页词条名称和对应的字段名、字段值。
43.根据本方发明的一个实施例，(3)从获取的结构化信息中抽取构建知识图 谱的三元组进一步包括根据(2)中抽取的实体、关系和属性来构建以实体为中 心的{实体，关系，属性}的三元组。
44.根据本发明的一个实施例，信息融合模块102被配置为基于信息抽取模块 101形成的知识图谱的三元组，对媒资信息进行融合。
45.根据本发明的一个实施例，对媒资信息进行融合进一步包括(1)将媒资实 体进行对齐；(2)对不同、异构数据源中的属性词汇进行统一以及(3)将实 体关键词(即，媒资标签)纳入属性值作为补充。
46.根据本发明的一个实施例，针对不同数据源提取的相同实体可能存在名称 不同的情况，需对实体和对应属性进行相似度比较，(1)媒资实体对齐可包括 实体分类和实体匹配。
47.根据本发明的一个实施例，在实体分类中，根据信息抽取模块101抽取的 实体属性对实体进行二级分类，从而有效缩小实体匹配范围。在本发明的上述 示例中，按照以下来进行二级分类，分类结果类别如下：
48.49.[0050][0051][0052]
当然，以上的一级和二级分类仅仅是示例性的，本领域的技术人员完全可 以根据不同的媒资来定义不同的多级分类。
[0053]
根据本发明的一个实施例，在实体匹配中，基于各个类别下的实体，通过 一种基于注意力机制的卷积神经网络的实体匹配模型对实体、实体属性和实体 关键词(即，信息抽取模块101获取的媒资关键词)来进行语义匹配。图2示 出了根据本发明的一个实施例的基于注意力机制的卷积神经网络的实体匹配 模型200的示意图。参考图2可见，实体匹配可包括以下步骤：
[0054]
1)构建语料集。利用影视类词条名称、属性值和提取的媒资标签构建媒资 实体匹配训练集，首先根据属性名称对待匹配的不同来源实体的属性值做对齐， 利用word2vec模型对训练集中的实体名称、实体属性值和实体关键词进行向 量化处理，以得到实体、属性和关键词的词向量表示；
[0055]
2)基于注意力机制的卷积神经网络的实体匹配模型进行实体匹配。实体 匹配模型由输入层、卷积层、注意力层、池化层、输出层组成。
[0056]
·
输入层。对实体、属性值和关键词进行预处理获得序列词向量表示 x＝(x1,x2,
…
,xi,
…
,xn)，xi∈rd表示序列向量中第i个词向量，输入的词向 量根据实体名称、属性、关键词顺序依次从上到下排列，每个词向量的 维数为k，则生成的矩阵维度为n*k，对于未登录词用0填充；
[0057]
·
卷积层。通过卷积操作获取输入矩阵的局部特征和位置特征，卷积公式 如下：
[0058][0059]
其中，w∈r
d*k
为过滤器，b∈r为偏置，f是非线性函数relu，k为卷积 卷积核大小，表示纵向卷积操作词语个数，本发明采用长度为3、4、5三种卷 积核长度，计算得到的该窗口的局部语义特征向量hi，最终输出三个序列局部 语义特征向量矩阵。
[0060]
·
注意力层。引入注意力机制对通过三个卷积核得到的序列局部语义特征 向量矩阵进行计算。将序列局部语义特征向量的均值作为辅助信息：
[0061][0062]
采用注意力机制：
[0063]
mj＝v
t
tanh(w
shj
+whh
′
+b)
[0064][0065]
c＝∑
laihj
[0066]
通过上述的注意力机制得到一系列特征信息码ci，其中ai表示局部语 义特征向量
的注意力权重，ws和wh为权重矩阵，b为偏置，hj为局部语义 特征向量，mj表示sj和h’之间的匹配得分。
[0067]
·
池化层。对注意力层输出的特征信息码c采用max-pooling(最大池化) 方法，丢弃一些与主题弱相关的特征，得到每个序列特征信息码的最大 值，这样可以有效避免两个输入词个数不一致问题，最终池化层输出各 个特征信息码的最大值，连接后得到一个一维向量的最终语义表示向量；
[0068]
·
输出层。输出层主要实现余弦相似度匹配，通过池化层得到待匹配序列 的最终语义表示向量，根据以下公式来计算余弦相似度得到匹配得分l， 阈值设置为0.85，计算所得匹配得分l大于0.85则认为匹配成功，表示 是同一种实体，小于0.85则认为匹配失败，表示是两种实体。
[0069][0070]
当然，以上的阈值仅仅是示例性的，完全可以按需采用其他阈值来进行概 率匹配。
[0071]
根据本发明的一个实施例，在(2)对不同、异构数据源中的属性词汇进行 统一中，如果目标数据源中存在匹配成功的媒资实体，则对其属性进行更新； 若匹配失败，则说明目标数据源中不存在该媒资实体，需将该实体添加到目标 数据源中。在实体匹配成功后进行属性值对齐更新的时候，存在属性值歧义的 情况，保留最新更新的属性值。具体而言，在属性统一中，对三元组中的“属性
”ꢀ
值进行更新。
[0072]
举例而言，如果某个视频a既存在于百度百科，也存在于豆瓣电影，在进 行如上所述的实体对齐后，可将来自百度百科和豆瓣电影两者的针对视频a的 属性进行统一，并更新针对视频a的三元组中的属性值。即，如果该三元组是 基于来自百度百科的词条所构建的，则用豆瓣电影中的数据对该百度词条属性 进行更新。
[0073]
根据本发明的一个实施例，在进行实体对齐和属性统一后，可将实体关键 词(媒资标签)纳入属性值作为补充，以进一步更新针对实体的三元组。例如， 三元组中的属性值将通过纳入媒资标签来被进一步更新。
[0074]
根据本发明的一个实施例，知识图谱构建模块103被配置成根据融合后的 媒资信息来构建知识图谱。具体而言，知识图谱构建模块103被配置成根据最 终得到的以实体为中心的三元组用图数据库neo4j来存储和构建媒资知识图谱。 本领域的技术人员完全可以理解如何利用图数据库neo4j来构建知识图谱，此 构建方式不在本发明的保护范围之内。
[0075]
在实践中，在构建媒资知识图谱之后，可以利用d3技术实现媒资数据知 识图谱网页的可视化。具体而言，可以根据网页输入(例如，来自用户)的关 键词进行cypher语句查询，将neo4j查询的结果封装成json，传递给d3完 成画图并在网页上展示。
[0076]
图3示出了根据本发明的一个实施例的用于面向多源媒资数据的知识图谱 构建的方法300的流程图。在本发明的上下文中，多源媒资数据可例如来自半 结构化的网页和/或非结构化的网页。当然，多源媒资数据还可来自于其他类型 的源，诸如特定的媒体库等。
[0077]
在步骤301，从多源数据中抽取媒资信息，以形成以实体为中心的知识图 谱三元组。根据本发明的一个实施例，抽取媒资信息包括实体抽取、关系抽取 和属性抽取。根据本发明的一个实施例，抽取媒资信息还包括对网页进行解析， 以提取用于建立媒资标签库的
关键词和抽取结构化信息。
[0078]
具体而言，通过textrank算法提取网页关键词作为媒资标签库；根据字体 特性抓取网页的词条名，也就是实体名称。根据本发明的一个实施例，针对电 视行业媒资信息特点，将媒资实体划分为视听类实体、非视听类实体和人物实 体，通过这三类实体间的关联关系确定各实体之间的关系，并获取与实体和关 系对应的属性。接着，从获取的结构化信息中抽取构建知识图谱的三元组，以 形成以实体为中心的三元组{实体，关系，属性}。
[0079]
在步骤302，对步骤301抽取的媒资信息的进行信息融合，以形成经更新 的三元组。根据本发明的一个实施例，步骤302进一步包括实体对齐和属性统 一。在实体对齐中，根据实体属性，对实体进行二级分类，缩小实体匹配范围。 并且，通过一种基于注意力机制的卷积神经网络的实体匹配模型对实体、实体 属性、实体关键词进行语义匹配，以将实体对齐。在实体对齐之后，对来自不 同数据源的属性词汇进行统一，同时将媒资标签作为属性词汇补充，以更新以 实体为中心的三元组。
[0080]
在步骤303，基于经更新的三元组来构建媒资知识图谱。根据本发明的一 个实施例，利用图数据库neo4j来存储和构建媒资知识图谱。
[0081]
综上，本发明和现有技术相比，主要优势在于：
[0082]
1.具备高效性：相对于人工匹配的媒资管理系统，使用知识图谱算法能实 现媒资内容自动关联，提高搜索、推荐精确性；
[0083]
2.具备通用性：媒资数据来自一般的网页，例如百度百科和豆瓣电影，数 据完整、实时，适用于各种应用场景的媒资业务平台；
[0084]
3.具备学习能力：在实体对齐中使用textrank算法和神经网络技术，能够 通过训练不断自动调优，最终实体匹配的准确性不断提高；
[0085]
4.具备人工经验纠正能力：在实体对齐中利用实体属性，对实体进行二级 分类，缩小实体匹配范围，能够基于人工经验有效降低无监督机器学习算法匹 配错误率。
[0086]
图4出了根据本发明的一个实施例的示例性计算设备400的框图，该计算 设备400是可应用于本发明的各方面的硬件设备的一个示例。计算设备400可 以是可被配置成用于实现处理和/或计算的任何机器，可以是但并不局限于工作 站、服务器、桌面型计算机、膝上型计算机、平板计算机、个人数字处理、智 能手机、车载计算机或者它们的任何组合。计算设备400可包括可经由一个或 多个接口和总线402连接或通信的组件。例如，计算设备400可包括总线402、 一个或多个处理器404、一个或多个输入设备406以及一个或多个输出设备408。 该一个或多个处理器404可以是任何类型的处理器并且可包括但不限于一个或 多个通用处理器和/或一个或多个专用处理器(例如，专门的处理芯片)。输入 设备406可以是任何类型的能够向计算设备输入信息的设备并且可以包括但不 限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备408可以是任何 类型的能够呈现信息的设备并且可以包括但不限于显示器、扬声器、视频/音频 输出终端、振动器和/或打印机。计算设备400也可以包括非瞬态存储设备410 或者与所述非瞬态存储设备相连接，所述非瞬态存储设备可以是非瞬态的并且 能够实现数据存储的任何存储设备，并且所述非瞬态存储设备可以包括但不限 于磁盘驱动器、光存储设备、固态存储器、软盘、软磁盘、硬盘、磁带或任何 其它磁介质、光盘或任何其它光介质、rom(只读存储器)、ram(随机存取 存储器)、高速缓冲存储器和/或任何存储芯片或盒式磁带、和/或计算机可从其 读取数据、指令和/或代码的任
何其它介质。非瞬态存储设备410可从接口分离。 非瞬态存储设备410可具有用于实施上述方法和步骤的数据/指令/代码。计算 设备400也可包括通信设备412。通信设备412可以是任何类型的能够实现与 内部装置通信和/或与网络通信的设备或系统并且可以包括但不限于调制解调 器、网卡、红外通信设备、无线通信设备和/或芯片组，例如蓝牙设备、ieee 1302.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似设备。
[0087]
总线402可以包括但不限于工业标准结构(isa)总线、微通道结构(mca) 总线、增强型isa(eisa)总线、视频电子标准协会(vesa)局部总线和外部 设备互连(pci)总线。
[0088]
计算设备400还可包括工作存储器414，该工作存储器414可以是任何类 型的能够存储有利于处理器404的工作的指令和/或数据的工作存储器并且可 以包括但不限于随机存取存储器和/或只读存储设备。
[0089]
软件组件可位于工作存储器414中，这些软件组件包括但不限于操作系统 416、一个或多个应用程序418、驱动程序和/或其它数据和代码。用于实现本发 明上述方法和步骤的指令可包含在所述一个或多个应用程序418中，并且可通 过处理器404读取和执行所述一个或多个应用程序418的指令来实现本发明的 上述方法300。
[0090]
也应该认识到可根据具体需求而做出变化。例如，也可使用定制硬件、和 /或特定组件可在硬件、软件、固件、中间件、微代码、硬件描述语音或其任何 组合中实现。此外，可采用与其它计算设备、例如网络输入/输出设备等的连接。 例如，可通过具有汇编语言或硬件编程语言(例如，verilog、vhdl、c++) 的编程硬件(例如，包括现场可编程门阵列(fpga)和/或可编程逻辑阵列(pla) 的可编程逻辑电路)利用根据本发明的逻辑和算法来实现所公开的方法和设备 的部分或全部。
[0091]
尽管目前为止已经参考附图描述了本发明的各方面，但是上述方法和设备 仅是示例，并且本发明的范围不限于这些方面，而是仅由所附权利要求及其等 同物来限定。各种组件可被省略或者也可被等同组件替代。另外，也可以在与 本发明中描述的顺序不同的顺序实现所述步骤。此外，可以按各种方式组合各 种组件。也重要的是，随着技术的发展，所描述的组件中的许多组件可被之后 出现的等同组件所替代。