本發明涉及標簽處理技術，尤其涉及一種標簽的處理方法及裝置。
背景技術：
：：社會標簽(Socialtagging)簡稱為標簽，是一種更為靈活、有趣的分類方式，它允許用戶自由地標注各種資源，例如網頁、學術論文和多媒體等資源。社會標簽可以幫助用戶分類整理和查詢各類信息，廣泛應用于社會標簽網站(例如，Flickr、Picassa、YouTube、Plaxo等)、博客(例如，Blogger、WordPress、LiveJournal等)、百科(例如，Wikipedia、PBWiki等)、微博(例如，Twitter、Jaiku等)等系統。現有技術中，提供了對資源進行單一標簽分類的方法，以生成資源的一個標簽。然而，由于客觀事物本身的復雜性，一個資源可能同時具有多個不同的標簽，如何對資源進行多標簽分類，以生成資源的多個標簽，已經成為目前的一個研究熱點。技術實現要素：本發明的多個方面提供一種標簽的處理方法及裝置，用以獲得資源的多個標簽。本發明的一方面，提供一種標簽的處理方法，包括：獲取資源的語義特征數據；根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后 驗概率；根據所述后驗概率，選擇一個標簽序列，以作為所述資源的標簽集合。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述獲取資源的語義特征數據，包括：利用預先構建的卷積神經網絡，對所述資源進行處理，以獲得所述資源的語義特征數據。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述方法還包括：根據標簽在第一訓練樣本集中的出現情況，對所述第一訓練樣本集中每個第一訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述第一每個訓練樣本的樣本序列；根據所述第一每個訓練樣本的樣本序列，構建所述卷積神經網絡。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后驗概率，包括：根據所述資源的語義特征數據，利用預先構建的遞歸神經網絡，獲得所述資源的至少一個標簽序列的后驗概率。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述方法還包括：根據標簽在第二訓練樣本集中的出現情況，對所述第二訓練樣本集中每個第二訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述每個第二訓練樣本的樣本序列；獲取所述第二訓練樣本集中每個第二訓練樣本中所包含的一個資源的語 義特征數據；根據所述每個第二訓練樣本的樣本序列和所述每個第二訓練樣本中所包含的一個資源的語義特征數據，構建所述遞歸神經網絡。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述根據所述后驗概率，選擇一個標簽序列，包括：根據所述后驗概率，從所述資源的全部標簽序列中，選擇所述一個標簽序列；或者根據所述后驗概率，從所述資源的部分標簽序列中，選擇所述一個標簽序列。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述資源包括圖像。本發明的另一方面，提供一種標簽的處理裝置，包括：獲取單元，用于獲取資源的語義特征數據；處理單元，用于根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后驗概率；選擇單元，用于根據所述后驗概率，選擇一個標簽序列，以作為所述資源的標簽集合。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述獲取單元，具體用于利用預先構建的卷積神經網絡，對所述資源進行處理，以獲得所述資源的語義特征數據。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所 述獲取單元，還用于根據標簽在第一訓練樣本集中的出現情況，對所述第一訓練樣本集中每個第一訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述第一每個訓練樣本的樣本序列；以及根據所述第一每個訓練樣本的樣本序列，構建所述卷積神經網絡。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述處理單元，具體用于根據所述資源的語義特征數據，利用預先構建的遞歸神經網絡，獲得所述資源的至少一個標簽序列的后驗概率。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述處理單元，還用于根據標簽在第二訓練樣本集中的出現情況，對所述第二訓練樣本集中每個第二訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述每個第二訓練樣本的樣本序列；獲取所述第二訓練樣本集中每個第二訓練樣本中所包含的一個資源的語義特征數據；以及根據所述每個第二訓練樣本的樣本序列和所述每個第二訓練樣本中所包含的一個資源的語義特征數據，構建所述遞歸神經網絡。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述選擇單元，具體用于根據所述后驗概率，從所述資源的全部標簽序列中，選擇所述一個標簽序列；或者根據所述后驗概率，從所述資源的部分標簽序列中，選擇所述一個標簽序列。如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述資源包括圖像。由上述技術方案可知，本發明實施例通過獲取資源的語義特征數據，進而根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后驗概率，使得能夠根據所述后驗概率，選擇一個標簽序列，以作為所述資源的標簽集合，從而實現了獲得資源的多個標簽的目的。另外，采用本發明所提供的技術方案，由于考慮了標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等，使得能夠獲得資源的一個標簽序列，而不是分別采用單標簽分類的方法，單獨地獲得資源的若干個相互獨立的標簽，因此，能夠有效提高資源的標簽獲得的可靠性。另外，采用本發明所提供的技術方案，通過利用卷積神經網絡，使得能夠獲得更為準確的資源的語義特征數據，因此，能夠有效提高資源的語義特征數據獲取的可靠性。另外，采用本發明所提供的技術方案，通過利用遞歸神經網絡，使得能夠將標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等表示出來，因此，能夠有效提高資源的標簽獲得的可靠性。另外，采用本發明所提供的技術方案，通過構建遞歸神經網絡，使得能夠快速地學習標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等，因此，能夠有效提高標簽序列的關聯關系學習的效率。【附圖說明】為了更清楚地說明本發明實施例中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發明一實施例提供的標簽的處理方法的流程示意圖；圖2為本發明另一實施例提供的標簽的處理裝置的結構示意圖。【具體實施方式】為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的全部其他實施例，都屬于本發明保護的范圍。需要說明的是，本發明實施例中所涉及的終端可以包括但不限于手機、個人數字助理(PersonalDigitalAssistant，PDA)、無線手持設備、平板電腦(TabletComputer)、個人電腦(PersonalComputer，PC)、MP3播放器、MP4播放器、可穿戴設備(例如，智能眼鏡、智能手表、智能手環等)等。另外，本文中術語“和/或”，僅僅是一種描述關聯對象的關聯關系，表示可以存在三種關系，例如，A和/或B，可以表示：單獨存在A，同時存在A和B，單獨存在B這三種情況。另外，本文中字符“/”，一般表示前后關聯對象是一種“或”的關系。圖1為本發明一實施例提供的標簽的處理方法的流程示意圖，如圖1所示。101、獲取資源的語義特征數據。102、根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后驗概率。103、根據所述后驗概率，選擇一個標簽序列，以作為所述資源的標簽集合。需要說明的是，101～103的執行主體的部分或全部可以為位于本地終端的應用，或者還可以為設置在位于本地終端的應用中的插件或軟件開發工具包(SoftwareDevelopmentKit，SDK)等功能單元，或者還可以為位于網絡側服務器中的處理引擎，或者還可以為位于網絡側的分布式系統，本實施例對此不進行特別限定。可以理解的是，所述應用可以是安裝在終端上的本地程序(nativeApp)，或者還可以是終端上的瀏覽器的一個網頁程序(webApp)，本實施例對此不進行特別限定。這樣，通過獲取資源的語義特征數據，進而根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后驗概率，使得能夠根據所述后驗概率，選擇一個標簽序列，以作為所述資源的標簽集合，從而實現了獲得資源的多個標簽的目的。本實施例中，所涉及的資源，可以是指網絡信息資源，是通過計算機網絡可以利用的各種信息資源的總和。具體地，可以是指所有以電子數據形式把文字、圖像、聲音、動畫等多種形式的信息存儲在光、磁等非紙介質的載體中，并通過網絡通信、計算機或終端等方式再現出來的資源。在一個優選的實現過程中，所述資源可以為圖像。所謂的圖像，可以是指采用一定的圖像格式，將圖像數據即圖像的像素按照一定的方式進行存儲，所形成的文件，又可以稱為圖像文件。其中，圖像的圖像格式即圖像存儲的格式，可以包括但不限于位圖(Bitmap，BMP)格式、可移植網絡圖像格式(PortableNetworkGraphicFormat，PNG)、聯合圖像專家組(JointPhotographicExpertsGroup，JPEG)格式、可交換圖像文件格式(ExchangeableImageFileFormat，EXIF)，本 實施例對此不進行特別限定。可選地，在本實施例的一個可能的實現方式中，在101中，具體可以利用預先構建的卷積神經網絡，對所述資源進行處理，以獲得所述資源的語義特征數據。在一個具體的實現過程中，還可以進一步預先構建一個卷積神經網絡。具體地，具體可以根據標簽在第一訓練樣本集中的出現情況，對所述第一訓練樣本集中每個第一訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述第一每個訓練樣本的樣本序列。然后，則可以根據所述第一每個訓練樣本的樣本序列，構建所述卷積神經網絡。該卷積神經網絡，可以有效地表示出資源到語義特征數據之間的映射關系。所謂的卷積神經網絡是一種使用卷積的前向神經網絡，可以有效的模擬人腦中圖像理解的過程，因此非常適合用來處理與理解圖像。例如，具體可以根據標簽在第一訓練樣本集中的出現次數，按照從大到小的順序，對所述第一訓練樣本集中每個第一訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述第一每個訓練樣本的樣本序列。或者，具體可以根據標簽在第一訓練樣本集中的最近出現時間，按照從距離當前時間最近到距離當前時間最遠的順序，對所述第一訓練樣本集中每個第一訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述第一每個訓練樣本的樣本序列。需要說明的是，每個第一訓練樣本集中所包含的第一訓練樣本，可以為經過標注的已知樣本即標注了標簽的資源，這樣，可以直接利用這些已知樣本進行訓練，以構建目標卷積神經網絡；或者還可以一部分為經過標注的已知樣本，另一部分為沒有經過標注的未知樣本，那么，則可以先利用已知樣本進行訓練，以構建初始卷積神經網絡，然后，再利用初始卷積神經網絡對未知樣本進行預測，以獲得標簽分類結果，進而則可以根據未知樣本的標簽分類結果，對未知樣本進行標注，以形成已知樣本，作為新增加的已知樣本，利用新增加的已知樣本，以及原始的已知樣本重新進行訓練，以構建新的卷 積神經網絡，直到所構建的卷積神經網絡或已知樣本滿足目標卷積神經網絡的截止條件為止，如分類準確率大于或等于預先設置的準確率閾值或已知樣本的數量大于或等于預先設置的數量閾值等，本實施例對此不進行特別限定。此外，除了利用上述的卷積神經網絡之外，還可以采用各種手動設計的圖像特征，獲取所述資源的語義特征數據，例如，尺度不變特征轉換(Scale-InvariantFeatureTransform，SIFT)、梯度方向直方圖(HistogramofOrientedGradients，HOG)。與卷積神經網絡相比，這種方法存在如下缺陷：過程完全是手動設計，在實際應用中需要仔細調整相關的參數；在進行圖像處理的過程中，損失了大量的圖像信息。因此，通過利用卷積神經網絡，使得能夠獲得更為準確的資源的語義特征數據，因此，能夠有效提高資源的語義特征數據獲取的可靠性。可選地，在本實施例的一個可能的實現方式中，在102中，具體可以根據所述資源的語義特征數據，利用預先構建的遞歸神經網絡，獲得所述資源的至少一個標簽序列的后驗概率。所謂的標簽序列的后驗概率，可以是指在得到結果的信息(即圖像和圖像的標簽序列)后重新修正的概率。在一個具體的實現過程中，還可以進一步預先構建一個遞歸神經網絡。具體地，具體可以根據標簽在第二訓練樣本集中的出現情況，對所述第二訓練樣本集中每個第二訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述每個第二訓練樣本的樣本序列。以及獲取所述第二訓練樣本集中每個第二訓練樣本中所包含的一個資源的語義特征數據。然后，則可以根據所述每個第二訓練樣本的樣本序列和所述每個第二訓練樣本中所包含的一個資源的語義特征數據，構建所述遞歸神經網絡。該遞歸神經網絡，可以有效表示出語義特征數據到標簽序列間的相互關系之間的映射關系。所謂的遞歸神經網絡是一種具有環路的神經網絡，可以通過更新其內部的狀態來表示出時間序列的動態特性，可以處理任意長度的序列，因此，非 常適合用來對序列數據(如本發明中的標簽序列)中各個元素之間的關系進行建模，例如，自然語音、語音、手寫識別等。此處構建遞歸神經網絡所采用的第二訓練樣本集與之前構建卷積神經網絡所采用的第一訓練樣本集，可以是同一個訓練樣本集，或者還可以分別是兩個不同的訓練樣本集，本實施例對此不進行特別限定。需要說明的是，每個第二訓練樣本集中所包含的第二訓練樣本，可以為經過標注的已知樣本即標注了標簽的資源，這樣，可以直接利用這些已知樣本進行訓練，以構建目標卷積神經網絡；或者還可以一部分為經過標注的已知樣本，另一部分為沒有經過標注的未知樣本，那么，則可以先利用已知樣本進行訓練，以構建初始卷積神經網絡，然后，再利用初始卷積神經網絡對未知樣本進行預測，以獲得標簽分類結果，進而則可以根據未知樣本的標簽分類結果，對未知樣本進行標注，以形成已知樣本，作為新增加的已知樣本，利用新增加的已知樣本，以及原始的已知樣本重新進行訓練，以構建新的卷積神經網絡，直到所構建的卷積神經網絡或已知樣本滿足目標卷積神經網絡的截止條件為止，如分類準確率大于或等于預先設置的準確率閾值或已知樣本的數量大于或等于預先設置的數量閾值等，本實施例對此不進行特別限定。此外，除了利用上述的卷積神經網絡之外，還可以采用其他方法，對標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等，進行學習，例如，條件隨機場模型、馬爾科夫場模型等基于模型的方法，這種方法只能表示出兩兩標簽之間的關聯關系，并且學習過程的運算速度較慢，再例如，將多個標簽組合成一個標簽的方法，等等，這種方法學習過程比較復雜，并且運算亮較大，運算速度慢。因此，通過利用遞歸神經網絡，使得能夠將標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等表示出來，因此，能夠有效提高資源的標簽獲得的可靠性。另外，通過構建遞歸神經網絡，其學習過程的運算量較小，使得能夠快速地學習標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等， 因此，能夠有效提高標簽序列的關聯關系學習的效率。可選地，在本實施例的一個可能的實現方式中，在103中，具體可以根據所述后驗概率，從所述資源的全部標簽序列中，選擇后驗概率最大的一個標簽序列，作為所述一個標簽序列。可選地，在本實施例的一個可能的實現方式中，在103中，具體可以根據所述后驗概率，從所述資源的部分標簽序列中，選擇后驗概率最大的一個標簽序列，作為所述一個標簽序列。在一個具體的實現過程中，可以進一步預先設置一個概率閾值，在所獲得的所述資源的全部標簽序列中，利用概率閾值，將后驗概率小于該概率閾值的標簽序列直接過濾掉，在剩下的標簽序列中，選擇后驗概率最大的一個標簽序列，作為所述一個標簽序列。本實施例中，通過獲取資源的語義特征數據，進而根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后驗概率，使得能夠根據所述后驗概率，選擇一個標簽序列，以作為所述資源的標簽集合，從而實現了獲得資源的多個標簽的目的。另外，采用本發明所提供的技術方案，由于考慮了標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等，使得能夠獲得資源的一個標簽序列，而不是分別采用單標簽分類的方法，單獨地獲得資源的若干個相互獨立的標簽，因此，能夠有效提高資源的標簽獲得的可靠性。另外，采用本發明所提供的技術方案，通過利用卷積神經網絡，使得能夠獲得更為準確的資源的語義特征數據，因此，能夠有效提高資源的語義特征數據獲取的可靠性。另外，采用本發明所提供的技術方案，通過利用遞歸神經網絡，使得能夠將標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等表示出來，因此，能夠有效提高資源的標簽獲得的可靠性。另外，采用本發明所提供的技術方案，通過構建遞歸神經網絡，使得能夠快速地學習標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性 等，因此，能夠有效提高標簽序列的關聯關系學習的效率。需要說明的是，對于前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明并不受所描述的動作順序的限制，因為依據本發明，某些步驟可以采用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬于優選實施例，所涉及的動作和模塊并不一定是本發明所必須的。在上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關描述。圖2為本發明另一實施例提供的標簽的處理裝置的結構示意圖，如圖2所示。本實施例的標簽的處理裝置可以包括獲取單元21、處理單元22和選擇單元23。其中，獲取單元21，用于獲取資源的語義特征數據；處理單元22，用于根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后驗概率；選擇單元23，用于根據所述后驗概率，選擇一個標簽序列，以作為所述資源的標簽集合。需要說明的是，本實施例所提供的標簽的處理裝置的部分或全部可以為位于本地終端的應用，或者還可以為設置在位于本地終端的應用中的插件或軟件開發工具包(SoftwareDevelopmentKit，SDK)等功能單元，或者還可以為位于網絡側服務器中的處理引擎，或者還可以為位于網絡側的分布式系統，本實施例對此不進行特別限定。可以理解的是，所述應用可以是安裝在終端上的本地程序(nativeApp)，或者還可以是終端上的瀏覽器的一個網頁程序(webApp)，本實施例對此不進行特別限定。本實施例中，所涉及的資源，可以是指網絡信息資源，是通過計算機網絡可以利用的各種信息資源的總和。具體地，可以是指所有以電子數據形式把文字、圖像、聲音、動畫等多種形式的信息存儲在光、磁等非紙介質的載體中，并通過網絡通信、計算機或終端等方式再現出來的資源。在一個優選的實現過程中，所述資源可以為圖像。所謂的圖像，可以是 指采用一定的圖像格式，將圖像數據即圖像的像素按照一定的方式進行存儲，所形成的文件，又可以稱為圖像文件。可選地，在本實施例的一個可能的實現方式中，所述獲取單元21，具體可以用于利用預先構建的卷積神經網絡，對所述資源進行處理，以獲得所述資源的語義特征數據。在一個具體的實現過程中，所述獲取單元21，還可以進一步用于根據標簽在第一訓練樣本集中的出現情況，對所述第一訓練樣本集中每個第一訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述第一每個訓練樣本的樣本序列；以及根據所述第一每個訓練樣本的樣本序列，構建所述卷積神經網絡。可選地，在本實施例的一個可能的實現方式中，所述處理單元22，具體可以用于根據所述資源的語義特征數據，利用預先構建的遞歸神經網絡，獲得所述資源的至少一個標簽序列的后驗概率。在一個具體的實現過程中，所述處理單元22，還可以進一步用于根據標簽在第二訓練樣本集中的出現情況，對所述第二訓練樣本集中每個第二訓練樣本中所包含的至少一個標簽進行排序處理，以獲得所述每個第二訓練樣本的樣本序列；獲取所述第二訓練樣本集中每個第二訓練樣本中所包含的一個資源的語義特征數據；以及根據所述每個第二訓練樣本的樣本序列和所述每個第二訓練樣本中所包含的一個資源的語義特征數據，構建所述遞歸神經網絡。可選地，在本實施例的一個可能的實現方式中，所述選擇單元23，具體可以用于根據所述后驗概率，從所述資源的全部標簽序列中，選擇所述一個標簽序列。可選地，在本實施例的一個可能的實現方式中，所述選擇單元23，具體可以用于根據所述后驗概率，從所述資源的部分標簽序列中，選擇所述一個標簽序列。需要說明的是，圖1對應的實施例中方法，可以由本實施例提供的標簽 的處理裝置實現。詳細描述可以參見圖1對應的實施例中的關聯資源，此處不再贅述。本實施例中，通過獲取單元獲取資源的語義特征數據，進而由處理單元根據所述資源的語義特征數據，獲得所述資源的至少一個標簽序列的后驗概率，使得選擇單元能夠根據所述后驗概率，選擇一個標簽序列，以作為所述資源的標簽集合，從而實現了獲得資源的多個標簽的目的。另外，采用本發明所提供的技術方案，由于考慮了標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等，使得能夠獲得資源的一個標簽序列，而不是分別采用單標簽分類的方法，單獨地獲得資源的若干個相互獨立的標簽，因此，能夠有效提高資源的標簽獲得的可靠性。另外，采用本發明所提供的技術方案，通過利用卷積神經網絡，使得能夠獲得更為準確的資源的語義特征數據，因此，能夠有效提高資源的語義特征數據獲取的可靠性。另外，采用本發明所提供的技術方案，通過利用遞歸神經網絡，使得能夠將標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等表示出來，因此，能夠有效提高資源的標簽獲得的可靠性。另外，采用本發明所提供的技術方案，通過構建遞歸神經網絡，使得能夠快速地學習標簽序列中每個標簽之間的關聯關系，例如，相關性、共線性等，因此，能夠有效提高標簽序列的關聯關系學習的效率。所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。在本發明所提供的幾個實施例中，應該理解到，所揭露的系統，裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特征可以忽略，或不執行。另一點，所顯示或討論的相互之間 的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現，也可以采用硬件加軟件功能單元的形式實現。上述以軟件功能單元的形式實現的集成的單元，可以存儲在一個計算機可讀取存儲介質中。上述軟件功能單元存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)或處理器(processor)執行本發明各個實施例所述方法的部分步驟。而前述的存儲介質包括：U盤、移動硬盤、只讀存儲器(Read-OnlyMemory，ROM)、隨機存取存儲器(RandomAccessMemory，RAM)、磁碟或者光盤等各種可以存儲程序代碼的介質。最后應說明的是：以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。當前第1頁1 2 3 當前第1頁1 2 3