多路二分网络链路预测方法及装置

1.本技术涉及机器学习及信息检索技术领域，特别涉及一种多路二分网络链路预测方法及装置。


背景技术：

2.相关技术中，多路二分图更贴近于现实物理世界中的关联建模，例如，在消费者-商品网络中，当一个消费者线上购物时，可以点击该商品，并将该商品加入购物车，最后购买该商品，在此环境下，该消费者与该商品间会产生多种关联，由此构建的网络称为多路二分网络。
3.然而，相关技术中，多路二分图中的关联较为复杂，难以精确建模多路二分图中的高阶复杂关联，尤其是由于网络学习过程中会结合多种关联进行学习，造成关联的分布相互干扰，从而影响链路预测的效果，降低了链路预测的精准性，亟待改进。


技术实现要素：

4.本技术是基于发明人对以下问题的认识和发现作出的：
5.随着信息时代的快速发展，图数据的数据量不断增长，针对图数据的应用也在不断发展，图数据又可以称为网络数据，是现实世界中最为常见的一种数据类型之一，图数据是结构化数据，常见的社交网络数据、电商购物数据、科研论文之间的引用数据、蛋白质与靶点间的连接数据等都属于图数据。
6.链路预测是图数据应用分析中的一项基本任务，其目的是预测网络中的两个节点是否存在链路(联系)，链路预测在现实世界中得到了广泛的应用，包括社交关系预测、蛋白质相互作用预测、产品推荐等，目前大部分链路预测方法是针对同质图(即所有节点为同种类型的节点)或二分图(节点可以分为两种类型且图中的边连接的两个节点类型不同)。其中，二分图上的链路预测方法得到了广泛的研究与应用。二分图可以自然地被应用于建模现实世界中两组实体间的关联，例如研究者-出版商网络、消费者-商品网络和疾病-基因网络。在二分图中，每两个节点最多只能由一条边连接，代表实体之间的一种类型的关系，因此，二分图难以描述在给定网络上的多路关系，而这种多路二分图更贴近于现实物理世界中的关联建模。
7.如图1所示，在消费者-商品网络中，当一个消费者线上购物时，可以：(1)点击该商品；(2)将该商品加入购物车；(3)购买该商品，在此环境下，该消费者与该商品间会产生多种关联，由此构建的网络称为多路二分网络。
8.然而，针对多路二分网络进行链路预测存在困难，首先，多路二分图中的关联复杂，难以精确建模其中的高阶复杂关联，其次，因为在网络学习过程中会结合多种关联进行学习，这些关联的分布会相互干扰，从而影响链路预测的效果。
9.本技术提供一种多路二分网络链路预测方法及装置，以解决相关技术中难以精确建模多路二分图网络的高阶复杂关联，从而多种关联进行学习时，造成关联的分布互相干
扰，影响链路预测的效果，进而降低了链路预测的精准性等问题。
10.本技术第一方面实施例提供一种多路二分网络链路预测方法，包括以下步骤：获取多路二分图网络数据数据，并基于所述多路二分图网络数据数据分别构建总体超图和多个对偶同质超图对；根据所述总体超图和所述多个对偶同质超图对构建多个超图关联矩阵；根据所述多个对偶同质超图对构建二分网络超图卷积网络，并优化所述二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络节点，以执行链路预测任务。
11.可选地，在本技术的一个实施例中，在根据所述总体超图和所述多个对偶同质超图对构建多个超图关联矩阵之前，还包括：从所述多路二分图网络数据数据采样出多个正样本对和多个负样本对。
12.可选地，在本技术的一个实施例中，在采样出所述多个正样本对和所述多个负样本对之后，还包括：利用由所述多路二分图网络数据数据表达为三元组形式的三元组数据初始化节点特征。
13.可选地，在本技术的一个实施例中，所述优化所述二分网络超图卷积网络，包括：基于所述多个正样本对和所述多个负样本对，估计每种边下样本节点的全局分布；根据所述全局分布促进节点间的关联特异性，直至达到预设条件；通过节点特定的多路融合学习节点间的关联协同性。
14.可选地，在本技术的一个实施例中，所述根据所述多个对偶同质超图对构建二分网络超图卷积网络，包括：学习所述多个对偶同质超图对中每个对偶同质超图对的嵌入；根据所述每个对偶同质超图对的嵌入生成网络的中间表示，构建所述二分网络超图卷积网络。
15.本技术第二方面实施例提供一种多路二分网络链路预测装置，包括：超图构建模块，用于获取多路二分图网络数据数据，并基于所述多路二分图网络数据数据分别构建总体超图和多个对偶同质超图对；矩阵构建模块，用于根据所述总体超图和所述多个对偶同质超图对构建多个超图关联矩阵；链路预测模块，用于根据所述多个对偶同质超图对构建二分网络超图卷积网络，并优化所述二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络节点，以执行链路预测任务。
16.可选地，在本技术的一个实施例中，所述矩阵构建模块包括：采样单元，用于从所述多路二分图网络数据数据采样出多个正样本对和多个负样本对。
17.可选地，在本技术的一个实施例中，所述采样单元进一步用于利用由所述多路二分图网络数据数据表达为三元组形式的三元组数据初始化节点特征。
18.可选地，在本技术的一个实施例中，所述链路预测模块包括：估计单元，用于基于所述多个正样本对和所述多个负样本对，估计每种边下样本节点的全局分布；处理单元，用于根据所述全局分布促进节点间的关联特异性，直至达到预设条件；融合单元，用于通过节点特定的多路融合学习节点间的关联协同性。
19.可选地，在本技术的一个实施例中，所述链路预测模块还包括：学习单元，用于学习所述多个对偶同质超图对中每个对偶同质超图对的嵌入；构建单元，用于根据所述每个对偶同质超图对的嵌入生成网络的中间表示，构建所述二分网络超图卷积网络。
20.本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存
储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的多路二分网络链路预测方法。
21.本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的多路二分网络链路预测方法。
22.本技术实施例可以根据总体超图和多个对偶同质超图对构建多个超图关联矩阵，并根据多个对偶同质超图对构建二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络节点，从而执行链路预测任务，即基于超图建模可以精准建模多路二分网络中的高阶复杂关联，并使用局部紧致对比学习保留每种关联的特异性，从而降低关联分布的互相干扰，有效提升了链路预测的效果。由此，解决了相关技术中难以精确建模多路二分图网络的高阶复杂关联，从而多种关联进行学习时造成关联的分布互相干扰，影响链路预测的效果，进而降低了链路预测的精准性等问题。
23.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
24.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
25.图1为根据本技术一个实施例提供的消费者-商品网络多路二分网络的示意图；
26.图2为根据本技术实施例提供的一种多路二分网络链路预测方法的流程图；
27.图3为根据本技术一个具体实施例的基于超图建模的多路二分网络链路预测方法的流程图；
28.图4为根据本技术实施例的多路二分网络链路预测装置的结构示意图；
29.图5为根据本技术实施例提供的电子设备的结构示意图。
具体实施方式
30.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
31.下面参考附图描述本技术实施例的多路二分网络链路预测方法及装置。针对上述背景技术中心提到的相关技术中难以精确建模多路二分图网络的高阶复杂关联，从而多种关联进行学习时，造成关联的分布互相干扰，影响链路预测的效果，进而降低了链路预测的精准性的问题，本技术提供了一种多路二分网络链路预测方法，在该方法中，可以根据总体超图和多个对偶同质超图对构建多个超图关联矩阵，并根据多个对偶同质超图对构建二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络节点，以执行链路预测任务，即基于超图建模可以精准建模多路二分网络中的高阶复杂关联，并使用局部紧致对比学习保留每种关联的特异性，从而降低关联分布的互相干扰，有效提升了链路预测的效果。由此，解决了相关技术中难以精确建模多路二分图网络的高阶复杂关联，从而多种关联进行学习时，造成关联的分布互相干扰，影响链路预测的效果，进而降低了链
路预测的精准性等问题。
32.具体而言，图2为本技术实施例所提供的一种多路二分网络链路预测方法的流程示意图。
33.如图2所示，该多路二分网络链路预测方法包括以下步骤：
34.在步骤s201中，获取多路二分图网络数据数据，并基于多路二分图网络数据数据分别构建总体超图和多个对偶同质超图对。
35.可以理解的是，本技术实施例可以获取多路二分图网络数据数据，如从多路二分图网络数据数据采样出多个正样本对和多个负样本对，从而基于多路二分图网络数据数据分别构建总体超图和多个对偶同质超图对，进而实现对于多路二分网络的精准建模。
36.作为一种可能实现的方式，本技术实施例可以获取多路二分图网络数据数据，并通过数据预处理，将获取的多路二分图网络数据数据处理成三元组的形式，从而构建超图，基于多路二分图网络数据分别构建总体超图g和多个对偶同质超图对，即：
[0037][0038]
其中，i为第i种类型的边。
[0039]
对于超图：
[0040][0041]
其中，u表示节点集合，表示超边，可以通过构建。对偶超图可以类似地定义，总体超图g中则包含所有类型的边。
[0042]
在本技术的实施例中，通过获取多路二分图网络数据数据，并将获取的多路二分图网络数据数据处理成三元组的形式，即(u,v,e)，其中u是多路二分网络中第一种类型的节点集合，v是多路二分网络中第二种类型的节点集合，e是多路二分网络中的边集合，有效提升了多路之间的数据传输效率，从而可以描述给定网络上的多路关系，进而可以基于超图建模，实现对于多路二分网络的精准建模。
[0043]
在步骤s202中，根据总体超图和多个对偶同质超图对构建多个超图关联矩阵。
[0044]
在实际执行过程中，本技术实施例可以根据总体超图g和多个对偶同质超图对构建多个超图关联矩阵h和从而实现精确建模多路二分网络中的高阶复杂关联，降低关联分布的互相干扰，进而学习准确的节点嵌入并用于链路预测任务。
[0045]
可选地，在本技术的一个实施例中，在根据总体超图和多个对偶同质超图对构建多个超图关联矩阵之前，还包括：从多路二分图网络数据数据采样出多个正样本对和多个负样本对。
[0046]
可以理解是，本技术实施例可以从多路二分图网络数据数据中采样出多个正样本对和多个负样本对，其中，正样本可以直接通过在三元组(u,v,e)中采样选取，负样本对选取中，对集合u中的每个节点，在该节点未连接的节点中采样选取负样本对，从而根据总体超图和多个对偶同质超图对构建多个超图关联矩阵。
[0047]
进一步地，在本技术的一个实施例中，在采样出多个正样本对和多个负样本对之后，还包括：利用由多路二分图网络数据数据表达为三元组形式的三元组数据初始化节点特征。
[0048]
在部分实施例中，本技术实施例可以利用由多路二分图网络数据数据表达为三元组形式的三元组数据初始化节点特征，从而将节点集合u和v中的节点使用tied自编码器初始化节点特征，节点特征的维度为32维，进而可以根据下述的全局分布促进节点间的关联特异性，并使用下述的节点特定的多路融合方法，嵌入并用于链路预测任务。
[0049]
在步骤s203中，根据多个对偶同质超图对构建二分网络超图卷积网络，并优化二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络节点，以执行链路预测任务。
[0050]
具体而言，本技术实施例可以基于超图建模，实现对于多路二分网络的精准建模，从而根据多个对偶同质超图对构建二分网络超图卷积网络，并优化二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络节点，利用局部紧致对比学习保留每种关联的特异性，同时使用下述的节点特定的多路融合方法，学习准确的节点嵌入并用于链路预测任务，进而提升了链路预测的精准性。
[0051]
其中，在本技术的一个实施例中，根据多个对偶同质超图对构建二分网络超图卷积网络，包括：学习多个对偶同质超图对中每个对偶同质超图对的嵌入；根据每个对偶同质超图对的嵌入生成网络的中间表示，构建二分网络超图卷积网络。
[0052]
在一些实施例中，本技术实施例可以学习多个对偶同质超图对中每个对偶同质超图对的嵌入，并根据每个对偶同质超图对的嵌入生成网络的中间表示和从而构建二分网络超图卷积网络，其中，网络层数为2层，隐藏层特征维度为32维。
[0053]
其中，在本技术的一个实施例中，优化二分网络超图卷积网络，包括：基于多个正样本对和多个负样本对，估计每种边下样本节点的全局分布；根据全局分布促进节点间的关联特异性，直至达到预设条件；通过节点特定的多路融合学习节点间的关联协同性。
[0054]
可以理解的是，本技术实施例基于超图建模，可以精准建模多路二分网络中的高阶复杂关联，如估计每种边下样本节点的全局分布，并利用局部紧致对比学习方法促进节点间的关联特异性的同时，通过节点特定的多路融合学习节点间的关联协同性，进而提升了链路预测的效果。
[0055]
作为一种可能实现的方式，本技术实施例首先通过一个全局分布估计函数ge(
·
)，从而估计节点集合u中每种边下样本节点的全局分布和节点集合v中每种边下样本节点的全局分布然后使用局部紧致对比学习方法来促进节点间的关联特异性，并通过节点特定的多路融合来学习节点间的关联协同性，进而生成优化后的最终多路二分图网络节点，将其嵌入并用于链路预测任务。
[0056]
如图3所示，以一个具体实施例对基于超图建模的多路二分网络链路预测方法的工作原理进行详细赘述。
[0057]
步骤s301：数据预处理，将获取的多路二分图网络数据数据处理成三元组的形式，记(u,v,e)。其中u是多路二分网络中第一种类型的节点集合，v是多路二分网络中第二种类型的节点集合，e是多路二分网络中的边集合，其中包含多种类型的边，有e＝{e1∪e2∪
…
∪eb}；
[0058]
步骤s302：构建超图，基于多路二分网络数据分别构建总体超图g和多个对偶同质超图对，即：
[0059][0060]
其中，i为第i种类型的边。
[0061]
对于超图：
[0062][0063]
其中，u表示节点集合，表示超边，可以通过可以通过构建。对偶超图可以类似地定义，总体超图g中则包含所有类型的边。
[0064]
步骤s303：正负样本对采样，从数据中采样出多个正样本对和多个负样本对。其中，正样本可以直接通过在三元组(u,v,e)中采样选取，负样本对选取中，对集合u中的每个节点，在该节点未连接的节点中采样选取负样本对。
[0065]
步骤s304：初始化节点特征，对节点集合u和v中的节点使用tied自编码器初始化节点特征，节点特征的维度为32维。
[0066]
步骤s305：构建超图关联矩阵，根据步骤s302中所构建的总体超图g和多个对偶同质超图对分别构建多个超图关联矩阵h和构造方式如下：
[0067][0068]
其中，v表示节点，e表示超边。
[0069]
步骤s306：构建二分网络超图卷积网络，学习每个对偶超图对的嵌入，生成网络的中间表示和因为传统的超图卷积网络无法直接适用于二分网络数据上，所以构建了适用于二分网络的超图卷积网络。
[0070]
具体而言，首先基于步骤s305构建的超图关联矩阵计算超图拉普拉斯矩阵对
[0071][0072]
其中，分别表示节点集合u的节点度数矩阵和超边度数矩阵，分别表示节点集合v的节点度数矩阵和超边度数矩阵。
[0073]
在构建拉普拉斯矩阵之后，定义二分网络超图卷积网络如下：
[0074][0075]
其中，表示第l层集合u的节点特征，表示第l层节点集合v的节点特征，θ为可学习参数。
[0076]
在进行l层二分网络超图卷积后，可以获得节点特征和记为中间节点嵌入。
[0077]
步骤s307：局部紧致对比学习，首先通过一个全局分布估计函数ge(
·
)估计节点集合u中每种边下样本节点的全局分布和节点集合v中每种边下样本节点的全局分布然后使用局部紧致对比学习方法来促进节点间的关联特异性。
[0078]
该步骤中，局部紧致对比学习通过优化对比学习目标函数来进行，即：
[0079][0080]
其中，表示节点uj的中间节点嵌入，表示vj的中间节点嵌入。
[0081]
步骤s308：节点特定的多路融合，通过节点特定的多路融合来学习节点间的关联协同性。首先针对每个节点计算关联-偏差分数(rbs)。以节点uj为例，首先计算uj与第i种关联的rbs，即：
[0082][0083]
其中，exp表示以自然常数e为底的指数函数，ri表示第i种关联的表示。
[0084]
所有通过rbs学习的节点表示最终被拼接起来形成最终的节点表示为：
[0085]
z＝{zu,zv}，
[0086]
其中，zu表示节点集合u的最终节点表示，zv表示节点集合v的最终节点表示。
[0087]
步骤s309：链路预测，从步骤s308中生成优化后的最终多路二分图网络节点嵌入并进行链路预测。
[0088]
根据本技术实施例提出的多路二分网络链路预测方法，可以根据总体超图和多个对偶同质超图对构建多个超图关联矩阵，并根据多个对偶同质超图对构建二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络节点，以执行链路预测任务，即基于超图建模可以精准建模多路二分网络中的高阶复杂关联，并使用局部紧致对比学习保留每种关联的特异性，从而降低关联分布的互相干扰，有效提升了链路预测的效果。
[0089]
其次参照附图描述根据本技术实施例提出的多路二分网络链路预测装置。
[0090]
图4是本技术实施例的多路二分网络链路预测装置的方框示意图。
[0091]
如图4所示，该多路二分网络链路预测装置10包括：超图构建模块100、矩阵构建模块200和链路预测模块300。
[0092]
具体地，超图构建模块100，用于获取多路二分图网络数据数据，并基于多路二分图网络数据数据分别构建总体超图和多个对偶同质超图对。
[0093]
矩阵构建模块200，用于根据总体超图和多个对偶同质超图对构建多个超图关联矩阵。
[0094]
链路预测模块300，用于根据多个对偶同质超图对构建二分网络超图卷积网络，并优化二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络
节点，以执行链路预测任务。
[0095]
可选地，在本技术的一个实施例中，矩阵构建模块200包括：采样单元。
[0096]
其中，采样单元，用于从多路二分图网络数据数据采样出多个正样本对和多个负样本对。
[0097]
可选地，在本技术的一个实施例中，采样单元进一步用于利用由多路二分图网络数据数据表达为三元组形式的三元组数据初始化节点特征。
[0098]
可选地，在本技术的一个实施例中，链路预测模块300包括：估计单元、处理单元和融合单元。
[0099]
其中，估计单元，用于基于多个正样本对和多个负样本对，估计每种边下样本节点的全局分布。
[0100]
处理单元，用于根据全局分布促进节点间的关联特异性，直至达到预设条件。
[0101]
融合单元，用于通过节点特定的多路融合学习节点间的关联协同性。
[0102]
可选地，在本技术的一个实施例中，链路预测模块300还包括：学习单元和构建单元。
[0103]
其中，学习单元，用于学习多个对偶同质超图对中每个对偶同质超图对的嵌入。
[0104]
构建单元，用于根据每个对偶同质超图对的嵌入生成网络的中间表示，构建二分网络超图卷积网络。
[0105]
需要说明的是，前述对多路二分网络链路预测方法实施例的解释说明也适用于该实施例的多路二分网络链路预测装置，此处不再赘述。
[0106]
根据本技术实施例提出的多路二分网络链路预测装置，可以根据总体超图和多个对偶同质超图对构建多个超图关联矩阵，并根据多个对偶同质超图对构建二分网络超图卷积网络，嵌入优化后的二分网络超图卷积网络的最终多路二分图网络节点，以执行链路预测任务，即基于超图建模可以精准建模多路二分网络中的高阶复杂关联，并使用局部紧致对比学习保留每种关联的特异性，从而降低关联分布的互相干扰，有效提升了链路预测的效果。
[0107]
图5为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0108]
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
[0109]
处理器502执行程序时实现上述实施例中提供的多路二分网络链路预测方法。
[0110]
进一步地，电子设备还包括：
[0111]
通信接口503，用于存储器501和处理器502之间的通信。
[0112]
存储器501，用于存放可在处理器502上运行的计算机程序。
[0113]
存储器501可能包含高速ram存储器，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。
[0114]
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便
于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0115]
可选地，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
[0116]
处理器502可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0117]
本实施例还提供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如上的多路二分网络链路预测方法。
[0118]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0119]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0120]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0121]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0122]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技
术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0123]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0124]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0125]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。