本發(fā)明涉及互聯(lián)網技術，尤其涉及一種排序模型的訓練方法及裝置。

背景技術：

處理引擎是指根據一定的策略、運用特定的計算機程序從互聯(lián)網上搜集信息，在對信息進行組織和處理后，為用戶提供搜索服務，將用戶搜索相關的信息展示給用戶的系統(tǒng)。據國家統(tǒng)計局的報道，中國網民人數已經超過了4億，這個數據意味著中國已經超過美國成為世界上第一大網民國，且中國的網站總數量已經超過了200萬。因此，如何利用搜索服務最大限度滿足用戶需求，對于互聯(lián)網企業(yè)而言，始終是一個重要的課題。

搜索結果排序，是處理引擎的核心問題，現(xiàn)有排序算法新增特征之后需要重新訓練構建新的頁面排序模型，但模型重訓往往會帶來較大的性能差異，使得新特征的貢獻淹沒在模型重訓所帶來的更大的性能差異中，很難分析該特征的貢獻，從而導致了特征調研的可靠性的降低。

技術實現(xiàn)要素：

本發(fā)明的多個方面提供一種排序模型的訓練方法及裝置，用以提高特征調研的可靠性。

本發(fā)明的一方面，提供一種排序模型的訓練方法，包括：

獲取訓練樣本數據，所述訓練樣本數據包括至少一個搜索關鍵詞所對應的正例樣本頁面的特征數據和負例樣本頁面的特征數據；

獲取神經網絡的損失函數，所述損失函數中包含約束項；所述所述約束項用于對加入新特征數據之前的所述神經網絡與其在加入新特征數據之后的所述神經網絡中所對應的權重參數之間的差值進行二范數約束；

根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述損失函數中還包含第一調整因子和第二調整因子；所述第一調整因子用于調整所述正例樣本頁面的排序分數趨向于大于指定閾值；所述第二調整因子用于調整所述負例樣本頁面的排序分數趨向于小于指定閾值。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述第一調整因子，包括：

第一最大值與預先設置的第一常數的乘積；其中，所述第一最大值為所述指定閾值與第i組正例樣本頁面的排序分數的相反數中的最大值；i為大于或等于1且小于或等于n的整數，n為神經網絡的層數。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述第二調整因子，包括：

第二最大值與預先設置的第二常數的乘積；其中，所述第二最大值為所述指定閾值與第i組負例樣本頁面的排序分數中的最大值；i為大于或等于1且小于或等于n的整數，n為神經網絡的層數。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型，包括：

根據所述正例樣本頁面的特征數據和所述正例樣本頁面的特征調整權重，以及所述負例樣本頁面的特征數據和所述負例樣本頁面的特征調整權重，獲得所述正例樣本頁面的調整特征數據和所述負例樣本頁面的調整特征數據；

根據所述損失函數、所述正例樣本頁面的調整特征數據和所述負例樣本頁面的調整特征數據，構建所述頁面排序模型。

本發(fā)明的另一方面，提供一種排序模型的訓練裝置，包括：

數據獲取單元，用于獲取訓練樣本數據，所述訓練樣本數據包括至少一個搜索關鍵詞所對應的正例樣本頁面的特征數據和負例樣本頁面的特征數據；

函數獲取單元，用于獲取神經網絡的損失函數，所述損失函數中包含約束項；所述約束項用于對加入新特征數據之前的所述神經網絡與其在加入新特征數據之后的所述神經網絡中所對應的權重參數之間的差值進行二范數約束；

模型構建單元，用于根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述損失函數中還包含第一調整因子和第二調整因子；所述第一調整因子用于調整所述正例樣本頁面的排序分數趨向于大于指定閾值；所述第二調整因子用于調整所述負例樣本頁面的排序分數趨向于小于指定閾值。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述第一調整因子，包括：

第一最大值與預先設置的第一常數的乘積；其中，所述第一最大值為所述指定閾值與第i組正例樣本頁面的排序分數的相反數中的最大值；i為大于或等于1且小于或等于n的整數，n為神經網絡的層數。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述第二調整因子，包括：

第二最大值與預先設置的第二常數的乘積；其中，所述第二最大值為所述指定閾值與第i組負例樣本頁面的排序分數中的最大值；i為大于或等于1且小于或等于n的整數，n為神經網絡的層數。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述模型構建單元，具體用于

根據所述正例樣本頁面的特征數據和所述正例樣本頁面的特征調整權重，以及所述負例樣本頁面的特征數據和所述負例樣本頁面的特征調整權重，獲得所述正例樣本頁面的調整特征數據和所述負例樣本頁面的調整特征數據；以及

根據所述損失函數、所述正例樣本頁面的調整特征數據和所述負例樣本頁面的調整特征數據，構建所述頁面排序模型。

由上述技術方案可知，本發(fā)明實施例通過獲取訓練樣本數據，所述訓練樣本數據包括至少一個搜索關鍵詞所對應的正例樣本頁面的特征數據和負例樣本頁面的特征數據，以及獲取神經網絡的損失函數，所述損失函數中包含約束項；所述約束項用于對加入新特征數據之前的所述神經網絡即舊神經網絡與其在加入新特征數據之后的所述神經網絡即新神經網絡中所對應的權重參數之間的差值進行二范數約束，使得能夠根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型，由于采用對舊神經網絡與其在新神經網絡中所對應的權重參數之間的差值進行二范數約束的約束項，使得這個差值會比較小，這樣，舊神經網絡與其在新神經網絡中所對應的權重參數趨于一致，能夠避免現(xiàn)有技術中由于模型重訓而導致的性能差異較大的技術問題，從而提高了特征調研的可靠性。

另外，采用本發(fā)明所提供的技術方案，通過采用調整所述正例樣本頁面的排序分數趨向于大于指定閾值，且調整所述負例樣本頁面的排序分數趨向于小于指定閾值的調整因子，使得基于Pairwise的排序算法中不同搜索關鍵詞所對應的頁面的排序分數具有可比性，從而提高了頁面的排序分數的可應用性。

【附圖說明】

為了更清楚地說明本發(fā)明實施例中的技術方案，下面將對實施例或現(xiàn)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(fā)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(chuàng)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(fā)明一實施例提供的排序模型的訓練方法的流程示意圖；

圖2為本發(fā)明另一實施例提供的排序模型的訓練裝置的結構示意圖。

【具體實施方式】

為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)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(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的全部其他實施例，都屬于本發(fā)明保護的范圍。

需要說明的是，本發(fā)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(Personal Digital Assistant，PDA)、無線手持設備、平板電腦(Tablet Computer)、個人電腦(Personal Computer，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(huán)等)等。

另外，本文中術語“和/或”，僅僅是一種描述關聯(lián)對象的關聯(lián)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(lián)對象是一種“或”的關系。

圖1為本發(fā)明一實施例提供的排序模型的訓練方法的流程示意圖，如圖1所示。

101、獲取訓練樣本數據，所述訓練樣本數據包括至少一個搜索關鍵詞所對應的正例樣本頁面的特征數據和負例樣本頁面的特征數據。

102、獲取神經網絡的損失函數，所述損失函數中包含約束項；所述約束項用于對加入新特征數據之前的所述神經網絡與其在加入新特征數據之后的所述神經網絡中所對應的權重參數之間的差值進行二范數約束。

103、根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型。

可以理解的是，101與102沒有固定的執(zhí)行順序，可以先執(zhí)行101，再執(zhí)行102，或者還可以先執(zhí)行102，再執(zhí)行101，或者還可以同時執(zhí)行101和102，本實施例對此不進行特別限定。

需要說明的是，101～103的執(zhí)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(fā)工具包(Software Development Kit，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(tǒng)，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，通過獲取訓練樣本數據，所述訓練樣本數據包括至少一個搜索關鍵詞所對應的正例樣本頁面的特征數據和負例樣本頁面的特征數據，以及獲取神經網絡的損失函數，所述損失函數中包含約束項；所述約束項用于對加入新特征數據之前的所述神經網絡即舊神經網絡與其在加入新特征數據之后的所述神經網絡即新神經網絡中所對應的權重參數之間的差值進行二范數約束，使得能夠根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型，由于采用對舊神經網絡與其在新神經網絡中所對應的權重參數之間的差值進行二范數約束的約束項，使得這個差值會比較小，這樣，舊神經網絡與其在新神經網絡中所對應的權重參數趨于一致，能夠避免現(xiàn)有技術中由于模型重訓而導致的性能差異較大的技術問題，從而提高了特征調研的可靠性。

通常，搜索引擎在獲取到用戶所提供的輸入關鍵詞之后，可以采用現(xiàn)有的搜索方法，獲得與所述搜索關鍵詞，對應的若干個頁面，進而根據這些頁面生成包含頁面摘要等內容的搜索結果，并將搜索結果提供給用戶。詳細描述可以參見現(xiàn)有技術中的相關內容，此處不在贅述。

可以理解的是，本發(fā)明所涉及的頁面，也可以稱為Web頁面或網頁，可以是基于超文本標記語言(HyperText Markup Language，HTML)編寫的網頁(Web Page)，即HTML頁面，或者還可以是基于HTML和Java語言編寫的網頁，即Java服務器頁面(Java Server Page，JSP)，或者還可以為其他語言編寫的網頁，本實施例對此不進行特別限定。頁面可以包括由一個或者多個頁面標簽例如，超文本標記語言(HyperText Markup Language，HTML)標簽、JSP標簽等，定義的一個顯示區(qū)塊，稱為頁面元素，例如，文字、圖片、超鏈接、按鈕、編輯框、下拉框等。

在完成一次搜索之后，可以將該搜索相關的數據記錄下來，形成用戶歷史行為數據?；谒涗浀挠脩魵v史行為數據，則可以獲得同一個搜索關鍵詞(query)所對應的正例樣本頁面和負例樣本頁面，并將同一個搜索關鍵詞所對應的正例樣本頁面與負例樣本頁面兩兩組合，組成配對樣本<<Q,T,1><Q,T,0>>(Q表示query，T表示樣本數據，0表示負例，1表示正例)，以作為訓練樣本數據。進而，則可以利用所述訓練樣本數據，執(zhí)行101～103，構建神經網絡即頁面排序模型。其中，所述神經網絡可以包括但不限于深度神經網絡(Deep Neural Network，DNN)，本實施例對此不進行特別限定。

所謂的正例樣本頁面，是指點擊過的頁面；所謂的負例樣本頁面，是指未點擊過的頁面。對于同一個query，一個正例樣本和一個負例樣本就組成了一個訓練用的數據樣本即訓練樣本數據。這里的點擊過的頁面與未點擊過的頁面，具體可以是指在搜索引擎的點擊日志當中所記錄的，當某個用戶搜索了一個query之后，選擇了其中的某個搜索結果進行進一步瀏覽，則可以稱該搜索結果所對應的頁面為點擊過的頁面，稱未選擇的其他搜索結果所對應的頁面為未點擊的頁面。

通常而言，損失函數可以由損失項(loss term)和正則項(regularization term)組成。本發(fā)明中，所采用的損失項可以交叉熵損失函數，或者還可以為Hinge loss損失函數，本實施例對此不進行特別限定。本發(fā)明中所采用的損失函數還進一步包含一個約束項，對舊神經網絡與其在新神經網絡中所對應的權重參數之間的差值進行二范數約束的約束項?？蛇x地，在本實施例的一個可能的實現(xiàn)方式中，在102中，所獲取的神經網絡的損失函數中所包含的約束項r(W)可以為其中，表示加入新特征數據之后的所述神經網絡即新神經網絡第j層的權重參數，j為大于或等于1且小于或等于n的整數；表示加入新特征數據之前的所述神經網絡即舊神經網絡的權重參數；c表示預先設置的一個常數。由于采用對舊神經網絡與其在新神經網絡中所對應的權重參數之間的差值進行二范數約束的約束項，使得這個差值會比較小，這樣，舊神經網絡與其在新神經網絡中所對應的權重參數趨于一致，能夠避免現(xiàn)有技術中由于模型重訓而導致的性能差異較大的技術問題，從而提高了特征調研的可靠性。在保證舊神經網絡與其在新神經網絡中所對應的權重參數趨于一致的情況之下，能夠最大限度地發(fā)揮新特征數據地效用。

可選地，在本實施例的一個可能的實現(xiàn)方式中，在102中，所獲取的神經網絡的損失函數中還可以進一步包含第一調整因子和第二調整因子，對損失函數中的損失項進行調整優(yōu)化。其中，所述第一調整因子用于調整所述正例樣本頁面的排序分數趨向于大于指定閾值；所述第二調整因子用于調整所述負例樣本頁面的排序分數趨向于小于指定閾值。

具體來說，所述第一調整因子，可以為第一最大值與預先設置的第一常數的乘積；其中，所述第一最大值為所述指定閾值與第i組正例樣本頁面的排序分數的相反數中的最大值；i為大于或等于1且小于或等于n的整數，n為神經網絡的層數，即：

其中，α表示預先設置的第一常數；θ表示所述指定閾值；表示第i組正例樣本頁面的特征數據，i為大于或等于1且小于或等于n的整數，n為神經網絡的層數；表示第i組正例樣本頁面的排序分數。這樣，則可以調整所述正例樣本頁面的排序分數趨向于大于指定閾值。

所述第二調整因子，可以為第二最大值與預先設置的第二常數的乘積；其中，所述第二最大值為所述指定閾值與第i組負例樣本頁面的排序分數中的最大值；i為大于或等于1且小于或等于n的整數，n為神經網絡的層數，即：

其中，β表示預先設置的第二常數；θ表示所述指定閾值；表示第i組負例樣本頁面的特征數據，i為大于或等于1且小于或等于n的整數，n為神經網絡的層數；表示第i組負例樣本頁面的排序分數。這樣，則可以調整所述負例樣本頁面的排序分數趨向于小于指定閾值。

可選地，在本實施例的一個可能的實現(xiàn)方式中，在103中，具體可以根據所述正例樣本頁面的特征數據和所述正例樣本頁面的特征調整權重，以及所述負例樣本頁面的特征數據和所述負例樣本頁面的特征調整權重，獲得所述正例樣本頁面的調整特征數據和所述負例樣本頁面的調整特征數據，進而，則可以根據所述損失函數、所述正例樣本頁面的調整特征數據和所述負例樣本頁面的調整特征數據，構建一個神經網絡，以作為頁面排序模型。

一般來說，多個特征輸入的用于頁面排序的神經網絡(即RankNet網絡)的網絡結構為即輸入特征逐層經過矩陣向量乘積和非線性變換的作用后輸出。但是，由于全部輸入特征都直接接入神經網絡，并不能顯示地控制特征效果，從而會限制某些特征的效果。例如，涉及輸入特征所依賴的數據與頁面排序模型訓練所用的數據不匹配的情況下，輸入特征往往只有較小的權重占比，其貢獻的效果也會被削弱。為了特征權重調整的便捷性，可以讓輸入特征輸入神經網絡之前乘以一個正對角陣，即每個特征數據乘以一個大于0的權重參數即特征調整權重。這樣，通過設置正對角陣對應元素的值，就能夠為每一個輸入特征增加一個權重先驗，在保持其他輸入特征的權重先驗取值不變的情況下，提升某一個輸入特征的權重先驗取值將會提升該輸入特征最終的權重占比。

本實施例中，通過獲取訓練樣本數據，所述訓練樣本數據包括至少一個搜索關鍵詞所對應的正例樣本頁面的特征數據和負例樣本頁面的特征數據，以及獲取神經網絡的損失函數，所述損失函數中包含約束項；所述約束項用于對加入新特征數據之前的所述神經網絡即舊神經網絡與其在加入新特征數據之后的所述神經網絡即新神經網絡中所對應的權重參數之間的差值進行二范數約束，使得能夠根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型，由于采用對舊神經網絡與其在新神經網絡中所對應的權重參數之間的差值進行二范數約束的約束項，使得這個差值會比較小，這樣，舊神經網絡與其在新神經網絡中所對應的權重參數趨于一致，能夠避免現(xiàn)有技術中由于模型重訓而導致的性能差異較大的技術問題，從而提高了特征調研的可靠性。

另外，采用本發(fā)明所提供的技術方案，通過采用調整所述正例樣本頁面的排序分數趨向于大于指定閾值，且調整所述負例樣本頁面的排序分數趨向于小于指定閾值的調整因子，使得基于Pairwise的排序算法中不同搜索關鍵詞所對應的頁面的排序分數具有可比性，從而提高了頁面的排序分數的可應用性。

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(fā)明并不受所描述的動作順序的限制，因為依據本發(fā)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(yōu)選實施例，所涉及的動作和模塊并不一定是本發(fā)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(fā)明另一實施例提供的排序模型的訓練裝置的結構示意圖，如圖2所示。本實施例的排序模型的訓練裝置可以包括數據獲取單元21、函數獲取單元22和模型構建單元23。其中，數據獲取單元21，用于獲取訓練樣本數據，所述訓練樣本數據包括至少一個搜索關鍵詞所對應的正例樣本頁面的特征數據和負例樣本頁面的特征數據；函數獲取單元22，用于獲取神經網絡的損失函數，所述損失函數中包含約束項；所述約束項用于對加入新特征數據之前的所述神經網絡與其在加入新特征數據之后的所述神經網絡中所對應的權重參數之間的差值進行二范數約束；模型構建單元23，用于根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型。

需要說明的是，本實施例所提供的排序模型的訓練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(fā)工具包(Software Development Kit，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(tǒng)，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。

可選地，在本實施例的一個可能的實現(xiàn)方式中，所述損失函數中還可以進一步包含第一調整因子和第二調整因子；所述第一調整因子用于調整所述正例樣本頁面的排序分數趨向于大于指定閾值；所述第二調整因子用于調整所述負例樣本頁面的排序分數趨向于小于指定閾值。

其中，所述第一調整因子，具體可以包括：

第一最大值與預先設置的第一常數的乘積；其中，所述第一最大值為所述指定閾值與第i組正例樣本頁面的排序分數的相反數中的最大值；i為大于或等于1且小于或等于n的整數，n為神經網絡的層數。

所述第二調整因子，具體可以包括：

第二最大值與預先設置的第二常數的乘積；其中，所述第二最大值為所述指定閾值與第i組負例樣本頁面的排序分數中的最大值；i為大于或等于1且小于或等于n的整數，n為神經網絡的層數。

可選地，在本實施例的一個可能的實現(xiàn)方式中，所述模型構建單元23，具體可以用于根據所述正例樣本頁面的特征數據和所述正例樣本頁面的特征調整權重，以及所述負例樣本頁面的特征數據和所述負例樣本頁面的特征調整權重，獲得所述正例樣本頁面的調整特征數據和所述負例樣本頁面的調整特征數據；以及根據所述損失函數、所述正例樣本頁面的調整特征數據和所述負例樣本頁面的調整特征數據，構建所述頁面排序模型。

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排序模型的訓練裝置實現(xiàn)。詳細描述可以參見圖1對應的實施例中的相關內容，此處不再贅述。

本實施例中，通過數據獲取單元獲取訓練樣本數據，所述訓練樣本數據包括至少一個搜索關鍵詞所對應的正例樣本頁面的特征數據和負例樣本頁面的特征數據，以及函數獲取單元獲取神經網絡的損失函數，所述損失函數中包含約束項；所述約束項用于對加入新特征數據之前的所述神經網絡即舊神經網絡與其在加入新特征數據之后的所述神經網絡即新神經網絡中所對應的權重參數之間的差值進行二范數約束，使得模型構建單元能夠根據所述損失函數、所述正例樣本頁面的特征數據和所述負例樣本頁面的特征數據，構建頁面排序模型，由于采用對舊神經網絡與其在新神經網絡中所對應的權重參數之間的差值進行二范數約束的約束項，使得這個差值會比較小，這樣，舊神經網絡與其在新神經網絡中所對應的權重參數趨于一致，能夠避免現(xiàn)有技術中由于模型重訓而導致的性能差異較大的技術問題，從而提高了特征調研的可靠性。

另外，采用本發(fā)明所提供的技術方案，通過采用調整所述正例樣本頁面的排序分數趨向于大于指定閾值，且調整所述負例樣本頁面的排序分數趨向于小于指定閾值的調整因子，使得基于Pairwise的排序算法中不同搜索關鍵詞所對應的頁面的排序分數具有可比性，從而提高了頁面的排序分數的可應用性。

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(tǒng)，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(fā)明所提供的幾個實施例中，應該理解到，所揭露的系統(tǒng)，裝置和方法，可以通過其它的方式實現(xiàn)。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(xiàn)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(tǒng)，或一些特征可以忽略，或不執(zhí)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?？梢愿鶕嶋H的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)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(xiàn)，也可以采用硬件加軟件功能單元的形式實現(xiàn)。

上述以軟件功能單元的形式實現(xiàn)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裝置(可以是個人計算機，服務器，或者網絡裝置等)或處理器(processor)執(zhí)行本發(fā)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-Only Memory，ROM)、隨機存取存儲器(Random Access Memory，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(fā)明的技術方案，而非對其限制；盡管參照前述實施例對本發(fā)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(fā)明各實施例技術方案的精神和范圍。