基于符號網絡模型的社區挖掘方法及裝置與流程

本發明屬于網絡
技術領域：
，尤其涉及一種基于符號網絡模型的社區挖掘方法及裝置。
背景技術：
：與僅能表示個體間是否存在關系的的無符號網絡相比，符號網絡能夠將單一的存在關系擴展為正、負關系。比如，社交網絡中的正鏈接表示友好、喜歡、信任等關系，負鏈接表示敵對、不喜歡、不信任等關系；政治網絡中的正鏈接表示政治同盟關系、負鏈接表示政治敵對關系等。這些增加的符號信息有助于更深入地了解網絡背后隱含的規律。社區作為復雜網絡中普遍存在的一類重要結構模式，對于理解網絡/系統的功能及發展演化具有重要的意義。對于社區發現問題，現有技術基于不同的原理提出了大量的社區發現算法。比如基于介數的算法、基于信息論的算法、基于模塊度的算法、基于模型的算法等。然而，這些社區發現算法都是基于無符號網絡提出的，更多地關注鏈接的密度而忽視了鏈接的符號，難以直接應用于帶有正、負鏈接的符號網絡。此外，現有技術還提出了專門用于符號網絡的社區發現算法。比如：基于frustration的算法，通過最小化符號網絡社區內負鏈接與社區間正鏈接的數量之和進行社區劃分；基于改進模塊度(modularity)的算法，對適用于無符號網絡的模塊度函數進行改進使之可以處理網絡鏈接的符號；基于多目標優化的算法，通過同時優化多個目標函數實現對符號網絡的社區發現，等等。然而，上述符號網絡社區發現算法都歸屬于優化算法或啟發算法，其檢測精度依賴于所設計的優化目標函數或啟發策略的質量，未從符號網絡的社區結構的生成機制考慮，社區挖掘的準確度不高。技術實現要素：鑒于此，本發明實施例提供了一種基于符號網絡模型的社區挖掘方法及裝置，以提高對符號網絡進行社區挖掘的準確度。第一方面，提供了一種基于符號網絡模型的社區挖掘方法，所述方法包括：讀取符號網絡N的鄰接矩陣A，設置社區數K的變化范圍為[Kmin，Kmax]，并初始化社區數K＝Kmin，其中，所述符號網絡N的節點總數為n，Kmin和Kmax為n范圍內的整數；針對每一個社區數K，初始化對應的符號網絡模型SNMK，并將所述符號網絡模型SNMK與所述符號網絡N擬合，計算所述符號網絡模型SNMK的成本函數值HK；比較所有符號網絡模型SNMK的成本函數值HK，選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim；根據所述最優模型SNMoptim確定所述符號網絡N中每個節點i所屬的社區，0<i≤n。第二方面，提供了一種基于符號網絡模型的社區挖掘裝置，所述裝置包括：初始化模塊，用于讀取符號網絡N的鄰接矩陣A，設置社區數K的變化范圍為[Kmin，Kmax]，并初始化社區數K＝Kmin，其中，所述符號網絡N的節點總數為n，Kmin和Kmax為n范圍內的整數；擬合模塊，用于針對每一個社區數K，初始化對應的符號網絡模型SNMK，并將所述符號網絡模型SNMK與所述符號網絡N擬合，計算所述符號網絡模型SNMK的成本函數值HK；選取模塊，用于比較所有符號網絡模型SNMK的成本函數值HK，選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim；社區確定模塊，用于根據所述最優模型SNMoptim確定所述符號網絡N中每個節點i所屬的社區，0<i≤n。與現有技術相比，本發明實施例通過構建社區數K對應的符號網絡模型SNMK，所述SNMK＝(n，K，Z，π，θ)，并將所述符號網絡模型SNMK與所讀取的符號網絡N擬合，計算所述符號網絡模型SNMK的成本函數值HK，以學習出符號網絡N的社區結構；然后比較所有符號網絡模型SNMK的成本函數值HK，選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim，以確定社區的數目；最后根據所述最優模型SNMoptim確定所述符號網絡N中每個節點i所屬的社區，從而實現了對符號網絡的社區挖掘，且有效地提高了對符號網絡進行社區挖掘的準確度。附圖說明為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅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的前提下，還可以根據這些附圖獲得其他附圖。圖1是本發明實施例提供的基于符號網絡模型的社區挖掘方法的實現流程圖；圖2是本發明實施例提供的基于符號網絡模型的社區挖掘方法中步驟S102的具體實現流程；圖3是本發明實施例提供的將符號網絡模型SNMK與所述符號網絡N擬合的實現流程圖；圖4是本發明實施例提供的計算符號網絡模型SNMK的成本函數值HK的實現流程圖；圖5是本發明實施例提供的基于符號網絡模型的社區挖掘裝置的組成結構圖。具體實施方式為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。本發明實施例通過構建社區數K對應的符號網絡模型SNMK，所述SNMK＝(n，K，Z，π，θ)，并將所述符號網絡模型SNMK與所讀取的符號網絡N擬合，計算所述符號網絡模型SNMK的成本函數值HK，以學習出符號網絡N的社區結構；然后比較所有符號網絡模型SNMK的成本函數值HK，選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim，以確定社區的數目；最后根據所述最優模型SNMoptim確定所述符號網絡N中每個節點i所屬的社區，從而實現了對符號網絡的社區挖掘，且有效地提高了對符號網絡進行社區挖掘的準確度。本發明實施例還提供了相應的裝置，以下分別進行詳細的說明。圖1示出了本發明實施例提供的基于符號網絡模型的社區挖掘方法的實現流程。在本發明實施例中，所述基于符號網絡模型的社區挖掘方法應用于計算機、服務器等設備。參閱圖1，所述基于符號網絡模型的社區挖掘方法包括：在步驟S101中，讀取符號網絡N的鄰接矩陣A，設置社區數K的變化范圍為[Kmin，Kmax]，并初始化社區數K＝Kmin。在這里，本發明實施例通過讀取符號網絡N的鄰接矩陣A來表示所述符號網絡N中的節點以及節點之間的連接關系，有利于方便對復雜的符號網絡N進行處理。其中，所述符號網絡N的節點總數為n，所述鄰接矩陣A中的元素aij表示節點i到節點j之間的邊。所述1≤i≤n，1≤j≤n。當aij＝1時，表示節點i到節點j之間存在一條正邊；當aij＝-1時，表示節點i到節點j之間存在一條負邊；當aij＝0時，表示節點i到節點j之間不存在邊。所述社區數K表示符號網絡N所劃分的社區數量，本發明實施例預先設置了社區數K的取值范圍為[Kmin，Kmax]，并且初始化社區數K為Kmin，以從[Kmin，Kmax]中選取最優的社區數量。在這里，所述Kmin和Kmax為n范圍內的整數，K取[Kmin，Kmax]范圍內的整數。在步驟S102中，針對每一個社區數K，初始化對應的符號網絡模型SNMK，并將所述符號網絡模型SNMK與所述符號網絡N擬合，計算所述符號網絡模型SNMK的成本函數值HK。本發明實施例根據給定的社區數K初始化對應的符號網絡模型SNMK，所述符號網絡模型SNMK采用多項式分布表示符號網絡中的邊分布，有效地解決了現有模型無法建模符號網絡的問題。然后將初始化后的所述符號網絡模型SNMK與符號網絡N擬合，從而可以學習出符號網絡N的社區結構。作為本發明的一個優選示例，圖2示出了本發明實施例提供的基于符號網絡模型的社區挖掘方法中步驟S102的具體實現流程。參閱圖2，所述步驟S102包括：在步驟S201中，對于變化范圍[Kmin，Kmax]內的每一個社區數K，采用隨機方式初始化指示變量Z、參數π和參數θ，得到對應的符號網絡模型SNMK＝(n，K，Z，π，θ)。在步驟S202中，將所述符號網絡模型SNMK與所述符號網絡N擬合，計算所述符號網絡模型SNMK的參數π、參數θ以及指示變量Z的后驗分布q。在這里，所述指示變量Z為n×K維向量，用于指示每個節點i所屬的社區，每一行向量有且只有一個元素zik為1，其余元素zik為0。所述指示變量Z的后驗分布q為n×K維向量，每一行向量中所有元素qik之和為1，即所述元素qik表示節點i屬于社區k的后驗概率，即元素zik的后驗概率。所述參數π為K維向量，表示節點屬于社區的先驗概率，其中，所述參數π中的元素πk滿足：所述參數θ為K×n維向量，表示社區與節點的連接概率。其中，所述參數θ中的每一個元素θki包括三個分量θ+ki、θ-ki、θ0ki，且所述θ+ki表示社區k與節點i之間存在一條正邊的概率、所述θ-ki表示社區k與節點i之間存在一條負邊的概率、所述θ0ki表示社區k與節點i之間不存在邊的概率。其中，0<k≤K，社區k表示符號網絡N劃分為K個社區時其中的一個社區。進一步地，圖3示出了上述步驟S202中提供的將符號網絡模型SNMK與所述符號網絡N擬合的具體實現流程。參閱圖3，所述將符號網絡模型SNMK與所述符號網絡N擬合的步驟包括：在步驟S301中，根據參數π和參數θ，計算指示變量Z的后驗分布q中的每一個元素qik。在這里，所述元素qik的計算公式為：qik=πkΠj(θk,j+)δ(aij,1)(θk,j-)δ(aij,-1)(θk,j0)δ(aij,0)Σr=1KπrΠj(θr,j+)δ(aij,1)(θr,j-)δ(aij,-1)(θr,j0)δ(aij,0).]]>在步驟S302中，根據所述元素qik更新參數π中的每一個元素πk和參數θ中的每一個元素θki的三個分量θ+ki、θ-ki、θ0ki。其中，所述元素πk的計算公式為：πk=1nΣiqik.]]>所述元素θki的三個分量θ+ki、θ-ki、θ0ki分別為：θkj+=Σiδ(aij,1)qikΣiqik(δ(aij,1)+δ(aij,-1)+δ(aij,0));]]>θkj-=Σiδ(aij,-1)qikΣiqik(δ(aij,1)+δ(aij,-1)+δ(aij,0));]]>θkj0=1-θkj+-θkj-.]]>在步驟S303中，根據所述后驗分布q以及更新后的參數π、參數θ計算對應的似然值L，并計算所述似然值L與上一次計算得到的似然值L之間的差值。在這里，所述似然值L的計算公式為：L=ΠiΣr=1KπrΠj(θr,j+)δ(aij,1)(θr,j-)δ(aij,-1)(θr,j0)δ(aij,0).]]>所述上一次計算得到的似然值L為上一次計算中根據更新后的參數π、參數θ以及后驗分布q按照上述似然值L的計算公式得到的似然值。在步驟S304中，比較所述差值與預設閾值。在步驟S305中，若所述差值小于所述預設閾值，則以本次更新的參數π、參數θ以及后驗分布q作為最優參數。在步驟S306中，若所述差值大于或等于所述預設閾值，返回步驟S301進行下一次計算。在這里，本發明實施通過設置比較閾值，若本次計算得到的似然值L與上一次計算得到的似然值L之間的差值小于所述預設閾值，則本次更新后的參數π、參數θ以及后驗分布q為所述符號網絡模型SNMK的最優參數，并輸出所述參數π、參數θ以及后驗分布q，從而有效地識別出了社區數為K時符號網絡中的社區結構。若本次計算得到的似然值L與上一次計算得到的似然值L之間的差值大于或等于所述預設閾值，則繼續進行下一次計算，繼續更新參數π、參數θ以及后驗分布q。在步驟S203中，根據計算得到的所述參數π和參數θ，計算所述符號網絡模型SNMK的成本函數值HK。在得到社區數為K時的符號網絡模型SNMK的最優參數后，根據所述最優參數中的參數π、參數θ以及所述最優參數對應的似然值L，按照預設公式計算所述符號網絡模型SNMK的成本函數值HK，成本函數值是評價符號網絡模型SNMK優劣的一個指標，成本函數值越低，符號網絡模型SNMK越優。作為本發明的一個優選示例，圖4示出了本發明實施例提供的計算符號網絡模型SNMK的成本函數值HK的實現流程。參閱圖4，所述符號網絡模型SNMK的成本函數值HK的計算流程包括：在步驟S401中，獲取最優參數中的參數π、參數θ，以及獲取所述最優參數對應的似然值L。在步驟S402中，根據所述參數π、參數θ以及似然值L，按照預設公式計算所述符號網絡模型SNMK的成本函數值HK。其中，所述預設公式為：HK=-L+Σk=1Kln(πk1/3n)δ(πk≥1/3n)+Σk=1KΣi=1n(ln(θki+1/3n)δ(θki+≥1/3n)+ln(θki01/3n)δ(θki0≥1/3n)+ln(θki-1/3n)δ(θki-≥1/3n))]]>在這里，所述函數δ(πk≥1/3n)表示若πk大于或等于1/3n則函數值為1，否則函數值為0；函數表示若θ+ki大于或等于1/3n則函數值為1，否則函數值為0；函數表示若θ0ki大于或等于1/3n則函數值為1，否則函數值為0；函數表示若θ-ki大于或等于1/3n則函數值為1，否則函數值為0。在步驟S103中，比較所有符號網絡模型SNMK的成本函數值HK，選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim。在獲取到每一個社區數K對應的符號網絡模型SNMK及其對應的成本函數值HK后，比較所有符號網絡模型SNMK的成本函數值HK，從中選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim。本發明實施例中模型選擇的標準是基于最小描述長度準則并結合符號網絡模型SNMK推理獲得的，可對零先驗知識的符號網絡進行自動的社區挖掘，有效地提高了對符號網絡進行社區挖掘的準確度。在步驟S104中，根據所述最優模型SNMoptim確定所述符號網絡N中每個節點i所屬的社區，0<i≤n。在這里，指示變量Z為n×K維向量。對于每一個節點i，0<i≤n，本發明實施例從所述最優模型SNMoptim的指示變量Z的后驗分布q中獲取所述節點i屬于社區k的后驗概率，0<k≤K；然后選取后驗概率最大的社區作為所述節點i所屬的社區，即節點i屬于具有最大后驗概率的社區，從而確定每一個節點i所屬的社區，完成對符號網絡N的社區挖掘。綜上所述，本發明實施例通過構建社區數K對應的符號網絡模型SNMK，所述SNMK＝(n，K，Z，π，θ)，并將所述符號網絡模型SNMK與所讀取的符號網絡N擬合，計算所述符號網絡模型SNMK的成本函數值HK，以學習出符號網絡N的社區結構；然后比較所有符號網絡模型SNMK的成本函數值HK，選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim，以確定社區的數目；最后根據所述最優模型SNMoptim的指示變量Z的后驗分布q，確定所述符號網絡N中每個節點i所屬的社區，從而實現對符號網絡的社區挖掘，有效地提高了對符號網絡進行社區挖掘的準確度。圖5示出了本發明實施例提供的基于符號網絡模型的社區挖掘裝置的組成結構，為了便于說明，僅示出了與本發明實施例相關的部分。在本發明實施例中，所述裝置用于實現上述圖1至圖4實施例中所述的基于符號網絡模型的社區挖掘方法，可以是內置與計算機、服務器內的軟件單元、硬件單元或者軟硬件結合的單元。參閱圖5，所述裝置包括：初始化模塊51，用于讀取符號網絡N的鄰接矩陣A，并初始化社區數K＝Kmin，設置社區數K的變化范圍為[Kmin，Kmax]，其中，所述符號網絡N的節點總數為n，Kmin和Kmax為n范圍內的整數；擬合模塊52，用于針對每一個社區數K，初始化對應的符號網絡模型SNMK，并將所述符號網絡模型SNMK與所述符號網絡N擬合，計算所述符號網絡模型SNMK的成本函數值HK；選取模塊53，用于比較所有符號網絡模型SNMK的成本函數值HK，選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim；社區確定模塊54，用于根據所述最優模型SNMoptim確定所述符號網絡N中每個節點i所屬的社區，0<i≤n。本發明實施例根據給定的社區數K初始化對應的符號網絡模型SNMK，所述符號網絡模型SNMK采用多項式分布表示符號網絡中的邊分布。通過將所述符號網絡模型SNMK與符號網絡N擬合，從而可以學習出符號網絡N的社區結構。進一步地，所述擬合模塊52包括：初始化單元521，用于對于變化范圍[Kmin，Kmax]內的每一個社區數K，采用隨機方式初始化指示變量Z、參數π和參數θ，得到對應的符號網絡模型SNMK＝(n，K，Z，π，θ)；擬合單元522，用于將所述符號網絡模型SNMK與所述符號網絡N擬合，計算所述符號網絡模型SNMK的參數π、參數θ以及指示變量Z的后驗分布q；計算單元523，用于根據計算得到的所述參數π和參數θ，計算所述符號網絡模型SNMK的成本函數值HK；其中，所述指示變量Z為n×K維向量，用于指示每個節點i所屬的社區，每一行向量有且只有一個元素zik為1，其余元素zik為0；所述指示變量Z的后驗分布q為n×K維向量，每一行向量中所有元素qik之和為1，即在這里，所述元素qik表示節點i屬于社區k的后驗概率，即元素zik的后驗概率。所述參數π為K維向量，表示節點屬于社區的先驗概率，所述參數π中的元素πk滿足：所述參數θ為K×n維向量，表示社區與節點的連接概率，所述參數θ中的每一個元素θki包括三個分量θ+ki、θ-ki、θ0ki，且所述θ+ki表示社區k與節點i之間存在一條正邊的概率、所述θ-ki表示社區k與節點i之間存在一條負邊的概率、所述θ0ki表示社區k與節點i之間不存在邊的概率，0<k≤K。進一步地，所述擬合單元522具體包括：第一計算子單元5221，用于根據參數π和參數θ，計算指示變量Z的后驗分布q中的每一個元素qik。在這里，所述元素qik的計算公式為：qik=πkΠj(θk,j+)δ(aij,1)(θk,j-)δ(aij,-1)(θk,j0)δ(aij,0)Σr=1KπrΠj(θr,j+)δ(aij,1)(θr,j-)δ(aij,-1)(θr,j0)δ(aij,0).]]>第二計算子單元5222，用于根據所述元素qik更新參數π中的每一個元素πk和參數θ中的每一個元素θki的三個分量θ+ki、θ-ki、θ0ki。其中，所述元素πk的計算公式為：πk=1nΣiqik.]]>所述元素θki的三個分量θ+ki、θ-ki、θ0ki分別為：θkj+=Σiδ(aij,1)qikΣiqik(δ(aij,1)+δ(aij,-1)+δ(aij,0));]]>θkj-=Σiδ(aij,-1)qikΣiqik(δ(aij,1)+δ(aij,-1)+δ(aij,0));]]>θkj0=1-θkj+-θkj-.]]>第三計算子單元5223，用于根據所述后驗分布q以及更新后的參數π、參數θ計算對應的似然值L，并計算所述似然值L與上一次計算得到的似然值L之間的差值。在這里，所述似然值L的計算公式為：L=ΠiΣr=1KπrΠj(θr,j+)δ(aij,1)(θr,j-)δ(aij,-1)(θr,j0)δ(aij,0).]]>比較子單元5224，用于比較所述差值與預設閾值，若所述差值小于所述預設閾值，則以本次更新的參數π、參數θ以及后驗分布q作為最優參數；否則，返回第一計算子單元進行下一次計算。在這里，本發明實施通過設置比較閾值，若本次計算得到的似然值L與上一次計算得到的似然值L之間的差值小于所述預設閾值，則本次更新后的參數π、參數θ以及后驗分布q為所述符號網絡模型SNMK的最優參數，并輸出所述參數π、參數θ以及后驗分布q，從而有效地識別出了社區數為K時符號網絡中的社區結構。若本次計算得到的似然值L與上一次計算得到的似然值L之間的差值大于或等于所述預設閾值，則繼續進行下一次計算，繼續更新參數π、參數θ以及后驗分布q。進一步地，所述計算單元523具體用于：根據所述最優參數中的參數π、參數θ以及所述最優參數對應的似然值L，按照預設公式計算所述符號網絡模型SNMK的成本函數值HK；其中，所述預設公式為：HK=-L+Σk=1Kln(πk1/3n)δ(πk≥1/3n)+Σk=1KΣi=1n(ln(θki+1/3n)δ(θki+≥1/3n)+ln(θki01/3n)δ(θki0≥1/3n)+ln(θki-1/3n)δ(θki-≥1/3n))]]>所述函數δ(πk≥1/3n)表示若πk大于或等于1/3n則函數值為1，否則函數值為0；所述函數表示若θ+ki大于或等于1/3n則函數值為1，否則函數值為0；所述函數表示若θ0ki大于或等于1/3n則函數值為1，否則函數值為0；所述函數表示若θ-ki大于或等于1/3n則函數值為1，否則函數值為0。本發明實施例在獲取到每一個社區數K對應的符號網絡模型SNMK及其對應的成本函數值HK后，比較所有符號網絡模型SNMK的成本函數值HK，從中選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim。本發明實施例中模型選擇的標準是基于最小描述長度準則并結合符號網絡模型SNMK推理獲得的，可對零先驗知識的符號網絡進行自動的社區挖掘，有效地提高了對符號網絡進行社區挖掘的準確度。進一步地，所述社區確定模塊54具體用于：根據所述最優模型SNMoptim的指示變量Z的后驗分布q，確定所述符號網絡N中每個節點i所屬的社區，0<i≤n；其中，所述節點i屬于具有最大后驗概率的社區。在這里，指示變量Z為n×K維向量。對于每一個節點i，0<i≤n，本發明實施例從所述最優模型SNMoptim的指示變量Z的后驗分布q中獲取所述節點i屬于社區k的后驗概率，0<k≤K；然后選取后驗概率最小的社區作為所述節點i所屬的社區，即節點i屬于具有最大后驗概率的社區，從而確定每一個節點i所屬的社區，完成對符號網絡N的社區挖掘。需要說明的是，本發明實施例中的裝置可以用于實現上述方法實施例中的全部技術方案，其各個功能模塊的功能可以根據上述方法實施例中的方法具體實現，其具體實現過程可參照上述實例中的相關描述，此處不再贅述。綜上所述，本發明實施例通過構建社區數K對應的符號網絡模型SNMK，所述SNMK＝(n，K，Z，π，θ)，并將所述符號網絡模型SNMK與所讀取的符號網絡N擬合，計算所述符號網絡模型SNMK的成本函數值HK，以學習出符號網絡N的社區結構；然后比較所有符號網絡模型SNMK的成本函數值HK，選取成本函數值HK最小的符號網絡模型SNMK作為最優模型SNMoptim，以確定社區的數目；最后根據所述最優模型SNMoptim的指示變量Z的后驗分布q，確定所述符號網絡N中每個節點i所屬的社區，從而實現對符號網絡的社區挖掘，有效地提高了對符號網絡進行社區挖掘的準確度。本領域普通技術人員可以意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機軟件和電子硬件的結合來實現。這些功能究竟以硬件還是軟件方式來執行，取決于技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的范圍。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。在本申請所提供的幾個實施例中，應該理解到，所揭露的基于符號網絡的社區挖掘方法及裝置，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，所述模塊、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、模塊可以集成在一個處理單元中，也可以是各個單元、模塊單獨物理存在，也可以兩個或兩個以上單元、模塊集成在一個單元中。所述功能如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的部分可以以軟件產品的形式體現出來，該計算機軟件產品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)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬盤、只讀存儲器(ROM，Read-OnlyMemory)、隨機存取存儲器(RAM，RandomAccessMemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。以上所述，僅為本發明的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本
技術領域：
的技術人員在本發明揭露的技術范圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應所述以權利要求的保護范圍為準。當前第1頁1 2 3