本發(fā)明涉及自然語言處理領(lǐng)域，特別是指一種語音文件的分析方法、裝置及系統(tǒng)。

背景技術(shù)：

目前用戶對產(chǎn)品的評價通常是通過文本來進行表達，但是在移動設(shè)備上輸入文字很不方便，因此，一部分客戶會因為輸入文字的不方便而放棄對產(chǎn)品進行評價或者對產(chǎn)品的評價字數(shù)很少，導致產(chǎn)品的評價信息不完整；還有一部分用戶因為不善于用文字來表達情緒而導致對產(chǎn)品的評價不精準，比如在用戶采用反諷的語氣對產(chǎn)品進行評價時，對文本的分析結(jié)果往往與用戶的真實意圖相反。綜上所述，采用文本進行表達的方式不能真實地反映用戶對產(chǎn)品的評價。

為了真實地反映用戶對產(chǎn)品的評價，用戶可以通過語音來發(fā)表對產(chǎn)品的評論，以及表達用戶此時的情緒，但是現(xiàn)有的語音分析技術(shù)只能簡單地分析出用戶的情緒，即用戶是高興還是憤怒等，而不能將用戶的情緒與產(chǎn)品的屬性結(jié)合起來，也就不能得到用戶對產(chǎn)品屬性的真實評價。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種語音文件的分析方法、裝置及系統(tǒng)，通過對語音文件進行分析，能夠得到用戶對產(chǎn)品屬性的真實評價。

為解決上述技術(shù)問題，本發(fā)明的實施例提供技術(shù)方案如下：

一方面，提供一種語音文件的分析方法，包括：

將語音文件轉(zhuǎn)換為文本信息，對所述文本信息進行分析至少得到評價對象以及評價對象的第一評價結(jié)果；

獲取所述語音文件中與所述第一評價結(jié)果對應的語音評價片段，對所述語 音評價片段進行語音分析，得到情感極性；

利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果。

進一步地，所述對所述文本信息進行分析得到評價對象以及評價對象的第一評價結(jié)果包括：

對文本信息進行分詞和句法分析，從分析結(jié)果中至少識別出評價對象、情感詞及情感詞的修飾詞，將情感詞及其修飾詞組成的情感短語作為所述評價對象的第一評價結(jié)果。

進一步地，所述獲取所述語音文件中與所述第一評價結(jié)果對應的語音評價片段包括：

將所述語音文件與所述文本信息進行對齊，確定出所述情感短語對應的語音片段所在位置；

根據(jù)所述語音片段的所在位置從所述語音文件中截取語音評價片段，所述語音評價片段至少包括所述語音片段。

進一步地，所述語音評價片段的長度大于所述語音片段的長度。

進一步地，所述對所述語音評價片段進行語音分析，得到情感極性包括：

提取出所述語音評價片段的語音特征；

將所述提取的語音特征輸入預設(shè)的訓練模型中，得到情感極性。

進一步地，所述分析方法還包括：

對多組數(shù)據(jù)進行訓練生成所述訓練模型，每組數(shù)據(jù)包括語音特征及其對應的情感極性。

進一步地，所述語音特征包括：語音能量變化率和語音基頻變化率。

進一步地，所述提取出所述語音評價片段的語音特征包括：

通過滑動窗口對所述語音評價片段的語音能量E和語音基頻F0進行平滑，得到平滑后的語音基頻和語音能量

其中，滑動窗口的長度為w幀，F(xiàn)0(i)為所述語音評價片段中第i幀的語音 基頻，E(i)為所述語音評價片段中第i幀的語音能量，i不大于w；

利用平滑后的語音基頻和語音能量得到語音能量變化率和語音基頻變化率

進一步地，所述利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果包括：

在所述情感極性為正時，得到與所述第一評價結(jié)果相同的第二評價結(jié)果；

在所述情感極性為負時，得到與所述第一評價結(jié)果相反的第二評價結(jié)果。

本發(fā)明實施例還提供了一種語音文件的分析裝置，包括：

轉(zhuǎn)換模塊，用于將語音文件轉(zhuǎn)換為文本信息；

分析模塊，用于對所述文本信息進行分析至少得到評價對象以及評價對象的第一評價結(jié)果；

處理模塊，用于獲取所述語音文件中與所述第一評價結(jié)果對應的語音評價片段，對所述語音評價片段進行語音分析，得到情感極性；

校正模塊，用于利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果。

進一步地，所述分析模塊包括：

分詞和句法分析子模塊，用于對文本信息進行分詞和句法分析；

識別子模塊，用于從分析結(jié)果中至少識別出評價對象、情感詞及情感詞的修飾詞，將情感詞及其修飾詞組成的情感短語作為所述評價對象的第一評價結(jié)果。

進一步地，所述處理模塊包括：

對齊子模塊，用于將所述語音文件與所述文本信息進行對齊，確定出所述情感短語對應的語音片段所在位置；

截取子模塊，用于根據(jù)所述語音片段的所在位置從所述語音文件中截取語音評價片段，所述語音評價片段至少包括所述語音片段。

進一步地，所述處理模塊包括：

提取子模塊，用于提取出所述語音評價片段的語音特征；

輸入子模塊，用于將所述提取的語音特征輸入預設(shè)的訓練模型中，得到情感極性。

進一步地，所述裝置還包括：

模型訓練模塊，用于對多組數(shù)據(jù)進行訓練生成所述訓練模型，每組數(shù)據(jù)包括語音特征及其對應的情感極性。

進一步地，所述語音特征包括：語音能量變化率和語音基頻變化率。

進一步地，所述提取子模塊包括：

第一計算單元，用于通過滑動窗口對所述語音評價片段的語音能量E和語音基頻F0進行平滑，得到平滑后的語音基頻和語音能量

其中，滑動窗口的長度為w幀，F(xiàn)0(i)為所述語音評價片段中第i幀的語音基頻，E(i)為所述語音評價片段中第i幀的語音能量，i不大于w；

第二計算單元，用于利用平滑后的語音基頻和語音能量得到語音能量變化率和語音基頻變化率

進一步地，所述校正模塊具體用于在所述情感極性為正時，得到與所述第一評價結(jié)果相同的第二評價結(jié)果；在所述情感極性為負時，得到與所述第一評價結(jié)果相反的第二評價結(jié)果。

本發(fā)明實施例還提供了一種語音文件的分析系統(tǒng)，包括：

輸入設(shè)備，用于接收輸入的語音文件；

分析設(shè)備，用于將語音文件轉(zhuǎn)換為文本信息，對所述文本信息進行分析至少得到評價對象以及評價對象的第一評價結(jié)果，獲取所述語音文件中與所述第一評價結(jié)果對應的語音評價片段，對所述語音評價片段進行語音分析，得到情感極性，利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果；

輸出設(shè)備，用于輸出所述第二評價結(jié)果。

本發(fā)明的實施例具有以下有益效果：

上述方案中，將語音文件轉(zhuǎn)換為文本信息，對文本信息進行分析得到評價對象的第一評價結(jié)果，之后對與第一評價結(jié)果對應的語音評價片段進行語音分析，得到情感極性，再利用情感極性對第一評價結(jié)果進行校正，得到第二評價結(jié)果。本發(fā)明的技術(shù)方案不但能夠?qū)φZ音文件做細粒度的分析，得到評價對象及其對應的評價結(jié)果，還能夠?qū)⒄Z音分析與文本分析相結(jié)合，得到用戶對評價對象的真實評價。

附圖說明

圖1為本發(fā)明實施例一語音文件的分析方法的流程示意圖；

圖2為本發(fā)明實施例二語音文件的分析裝置的結(jié)構(gòu)框圖；

圖3為本發(fā)明實施例三語音文件的分析系統(tǒng)的結(jié)構(gòu)框圖；

圖4為本發(fā)明實施例四語音文件的分析方法的流程示意圖；

圖5為本發(fā)明實施例四截取語音評價片段的流程示意圖；

圖6為本發(fā)明實施例四截取語音評價片段的具體示例。

具體實施方式

為使本發(fā)明的實施例要解決的技術(shù)問題、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具體實施例進行詳細描述。

本發(fā)明的實施例針對現(xiàn)有技術(shù)中語音分析技術(shù)只能簡單地分析出用戶的情緒，不能得到用戶對產(chǎn)品屬性的真實評價的問題，提供一種語音文件的分析方法、裝置及系統(tǒng)，通過對語音文件進行分析，能夠得到用戶對產(chǎn)品屬性的真實評價。

實施例一

本實施例提供一種語音文件的分析方法，如圖1所示，包括：

步驟101：將語音文件轉(zhuǎn)換為文本信息；

步驟102：對所述文本信息進行分析至少得到評價對象以及評價對象的第 一評價結(jié)果；

步驟103：獲取所述語音文件中與所述第一評價結(jié)果對應的語音評價片段，對所述語音評價片段進行語音分析，得到情感極性；

步驟104：利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果。

本實施例將語音文件轉(zhuǎn)換為文本信息，對文本信息進行分析得到評價對象的第一評價結(jié)果，之后對與第一評價結(jié)果對應的語音評價片段進行語音分析，得到情感極性，再利用情感極性對第一評價結(jié)果進行校正，得到第二評價結(jié)果。本實施例的技術(shù)方案不但能夠?qū)φZ音文件做細粒度的分析，得到評價對象及其對應的評價結(jié)果，還能夠?qū)⒄Z音分析與文本分析相結(jié)合，得到用戶對評價對象的真實評價。

其中，評價對象可以是產(chǎn)品屬性，比如手機的拍照、手機的錄音、筆記本的音響等；可以是產(chǎn)品的品牌，比如三星手機、佳能相機等；還可以是服務機構(gòu)，比如英孚教育，新東方課程等；還可以是客觀現(xiàn)象，比如朝陽房價，回龍觀房價等等，總而言之，具體的事物或者現(xiàn)象都可作為評價對象。

進一步地，所述對所述文本信息進行分析得到評價對象以及評價對象的第一評價結(jié)果包括：

對文本信息進行分詞和句法分析，從分析結(jié)果中至少識別出評價對象、情感詞及情感詞的修飾詞，將情感詞及其修飾詞組成的情感短語作為所述評價對象的第一評價結(jié)果。

進一步地，所述獲取所述語音文件中與所述第一評價結(jié)果對應的語音評價片段包括：

將所述語音文件與所述文本信息進行對齊，確定出所述情感短語對應的語音片段所在位置；

根據(jù)所述語音片段的所在位置從所述語音文件中截取語音評價片段，所述語音評價片段至少包括所述語音片段。

進一步地，所述語音評價片段的長度大于所述語音片段的長度。

進一步地，所述對所述語音評價片段進行語音分析，得到情感極性包括：

提取出所述語音評價片段的語音特征；

將所述提取的語音特征輸入預設(shè)的訓練模型中，得到情感極性。

進一步地，所述分析方法還包括：

對多組數(shù)據(jù)進行訓練生成所述訓練模型，每組數(shù)據(jù)包括語音特征及其對應的情感極性。

進一步地，所述語音特征包括：語音能量變化率和語音基頻變化率。

進一步地，所述提取出所述語音評價片段的語音特征包括：

通過滑動窗口對所述語音評價片段的語音能量E和語音基頻F0進行平滑，得到平滑后的語音基頻和語音能量

其中，滑動窗口的長度為w幀，F(xiàn)0(i)為所述語音評價片段中第i幀的語音基頻，E(i)為所述語音評價片段中第i幀的語音能量，i不大于w；

利用平滑后的語音基頻和語音能量得到語音能量變化率和語音基頻變化率

進一步地，所述利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果包括：

在所述情感極性為正時，得到與所述第一評價結(jié)果相同的第二評價結(jié)果；

在所述情感極性為負時，得到與所述第一評價結(jié)果相反的第二評價結(jié)果。

實施例二

本實施例提供了一種語音文件的分析裝置，如圖2所示，包括：

轉(zhuǎn)換模塊20，用于將語音文件轉(zhuǎn)換為文本信息；

分析模塊21，用于對所述文本信息進行分析至少得到評價對象以及評價對象的第一評價結(jié)果；

處理模塊22，用于獲取所述語音文件中與所述第一評價結(jié)果對應的語音 評價片段，對所述語音評價片段進行語音分析，得到情感極性；

校正模塊23，用于利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果。

本實施例將語音文件轉(zhuǎn)換為文本信息，對文本信息進行分析得到評價對象的第一評價結(jié)果，之后對與第一評價結(jié)果對應的語音評價片段進行語音分析，得到情感極性，再利用情感極性對第一評價結(jié)果進行校正，得到第二評價結(jié)果。本實施例的技術(shù)方案不但能夠?qū)φZ音文件做細粒度的分析，得到評價對象及其對應的評價結(jié)果，還能夠?qū)⒄Z音分析與文本分析相結(jié)合，得到用戶對評價對象的真實評價。

進一步地，所述分析模塊包括：

分詞和句法分析子模塊，用于對文本信息進行分詞和句法分析；

識別子模塊，用于從分析結(jié)果中至少識別出評價對象、情感詞及情感詞的修飾詞，將情感詞及其修飾詞組成的情感短語作為所述評價對象的第一評價結(jié)果。

進一步地，所述處理模塊包括：

對齊子模塊，用于將所述語音文件與所述文本信息進行對齊，確定出所述情感短語對應的語音片段所在位置；

截取子模塊，用于根據(jù)所述語音片段的所在位置從所述語音文件中截取語音評價片段，所述語音評價片段至少包括所述語音片段。

進一步地，所述處理模塊包括：

提取子模塊，用于提取出所述語音評價片段的語音特征；

輸入子模塊，用于將所述提取的語音特征輸入預設(shè)的訓練模型中，得到情感極性。

進一步地，所述裝置還包括：

模型訓練模塊，用于對多組數(shù)據(jù)進行訓練生成所述訓練模型，每組數(shù)據(jù)包括語音特征及其對應的情感極性。

進一步地，所述語音特征包括：語音能量變化率和語音基頻變化率。

進一步地，所述提取子模塊包括：

第一計算單元，用于通過滑動窗口對所述語音評價片段的語音能量E和語音基頻F0進行平滑，得到平滑后的語音基頻和語音能量

其中，滑動窗口的長度為w幀，F(xiàn)0(i)為所述語音評價片段中第i幀的語音基頻，E(i)為所述語音評價片段中第i幀的語音能量，i不大于w；

第二計算單元，用于利用平滑后的語音基頻和語音能量得到語音能量變化率和語音基頻變化率

進一步地，所述校正模塊具體用于在所述情感極性為正時，得到與所述第一評價結(jié)果相同的第二評價結(jié)果；在所述情感極性為負時，得到與所述第一評價結(jié)果相反的第二評價結(jié)果。

實施例三

本實施例提供了一種語音文件的分析系統(tǒng)，如圖3所示，本實施例包括：

輸入設(shè)備14，用于接收輸入的語音文件；

分析設(shè)備，用于將語音文件轉(zhuǎn)換為文本信息，對所述文本信息進行分析至少得到評價對象以及評價對象的第一評價結(jié)果，獲取所述語音文件中與所述第一評價結(jié)果對應的語音評價片段，對所述語音評價片段進行語音分析，得到情感極性，利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果；

輸出設(shè)備15，用于輸出所述第二評價結(jié)果。

本實施例的語音文件的分析系統(tǒng)可以利用計算機系統(tǒng)來實現(xiàn)，如圖3所示，在語音文件的分析系統(tǒng)利用計算機系統(tǒng)實現(xiàn)時，分析設(shè)備包括CPU10、隨機存取存儲器11、只讀內(nèi)存12和硬盤13。其中，CPU10將語音文件轉(zhuǎn)換為文本信息，對文本信息進行分析至少得到評價對象以及評價對象的第一評價結(jié)果，獲取語音文件中與第一評價結(jié)果對應的語音評價片段，對語音評價片段進行語音分析，得到情感極性，利用情感極性對第一評價結(jié)果進行校正，得到 第二評價結(jié)果。計算過程中的中間結(jié)果可以存儲在隨機存取存儲器11和只讀內(nèi)存12上，最終得到的第二評價結(jié)果可以存儲在硬盤13上。

本實施例將語音文件轉(zhuǎn)換為文本信息，對文本信息進行分析得到評價對象的第一評價結(jié)果，之后對與第一評價結(jié)果對應的語音評價片段進行語音分析，得到情感極性，再利用情感極性對第一評價結(jié)果進行校正，得到第二評價結(jié)果。本實施例的技術(shù)方案不但能夠?qū)φZ音文件做細粒度的分析，得到評價對象及其對應的評價結(jié)果，還能夠?qū)⒄Z音分析與文本分析相結(jié)合，得到用戶對評價對象的真實評價。

實施例四

下面以評價對象為產(chǎn)品屬性為例，對本發(fā)明的語音文件的分析方法進行進一步地介紹，如圖4所示，本實施例的語音文件的分析方法具體包括以下步驟：

步驟1：將語音文件轉(zhuǎn)換為文本信息；

本實施例的輸入是用戶的語音文件，具體地，可以通過移動終端、固定設(shè)備的麥克風等進行語音數(shù)據(jù)的采集并上傳到服務器上，再使用現(xiàn)有的成熟技術(shù)，比如語音識別引擎將用戶輸入的語音文件轉(zhuǎn)換為文本信息。其中，在轉(zhuǎn)換語音文件之前，可以對語音文件進行降噪和端點檢測等預處理，這樣可以提高轉(zhuǎn)換的準確率。

步驟2：對文本信息進行分析得到產(chǎn)品屬性以及產(chǎn)品屬性的第一評價結(jié)果；

對轉(zhuǎn)換后得到的文本信息進行細粒度的分析，提取出產(chǎn)品、屬性、情感詞及其修飾詞等特征，具體地，可以首先對文本信息進行分詞及句法分析，識別特征詞、關(guān)鍵詞、情感詞等，之后對提取出的特征詞、關(guān)鍵詞、情感詞等進行CRFs(組合參考頻率系統(tǒng))識別，獲取識別結(jié)果。識別結(jié)果中包括有產(chǎn)品，屬性情感詞及情感詞的修飾詞等，將情感詞及其修飾詞組成情感短語。例如語音文件轉(zhuǎn)換后的文本信息為：XXX手機拍照很不錯的，那么文本信息的分析結(jié)果為，產(chǎn)品：XXX手機；屬性：拍照；情感：不錯；修飾詞：很；情感短語為：“很不錯”。

步驟3：截取語音評價片段；

如圖5所示，截取語音評價片段具體包括以下步驟：

步驟31：將所述語音文件與所述文本信息進行對齊，確定出所述情感短語對應的語音片段所在位置；

具體地，可以利用現(xiàn)有的強對齊工具將語音文件與轉(zhuǎn)換后的文本信息進行語音對齊，找出每個字或者詞對應的語音時間信息，進而確定出情感短語對應的語音片段所在的窗口位置。如圖6所示，定位出“很不錯”的窗口位置。

步驟32：根據(jù)所述語音片段的所在位置從所述語音文件中截取語音評價片段

情感短語對應的窗口位置的語音片段就是即將截取的語音評價片段。為了獲取更優(yōu)的語音質(zhì)量，可以對情感短語對應的窗口位置向左或者向右移動幾幀，再進行截取得到語音評價片段，這樣可以保證獲得足夠的語音數(shù)據(jù)。

步驟4：對語音評價片段進行語音分析，得到情感極性；

語音信號的特征及其種類很多，包括：能量，基頻，共振峰，語調(diào)等等。從語音信號中可以提取與情緒相關(guān)的特征，用于判斷文字之外的情緒信息——弦外之音。語音信號的基頻和能量信息的變化被認為與人的情緒有較大的相關(guān)性，因此本實施例中抽取這兩種語音特征進行情感傾向的判斷，其中，語音能量即聲音聲量的大小，主要體現(xiàn)用戶發(fā)音時聲音的大小，以及情感短語的發(fā)音變化和主語，謂語等聲音大小的變化；而語音基頻，主要體現(xiàn)在語音語調(diào)的變化，漢語中的一二三四聲，在本實施例中主要考慮在情感短語部分是否有語音語調(diào)的變化或者重音等。

假設(shè)語音評價片段長度為L幀，定義F0(i)為第i幀的基頻，E(i)為第i幀的能量。先通過滑動窗口對基頻和能量進行平滑處理，以濾除噪聲對結(jié)果的影響。

假設(shè)滑動窗口長度為w，則經(jīng)過平滑的基頻和能量可表示為：

經(jīng)過平滑處理后，將語音能量變化率和語音基頻變化率作為語 音評價片段的語音特征：

在情感極性識別之前，需要對多組數(shù)據(jù)進行訓練生成訓練模型，生成的訓練模型應用于情感極性識別，將語音特征輸入訓練模型即可得到對應的情感極性。訓練模型的好壞將直接影響最后的識別結(jié)果，因此，需要使用盡可能多的數(shù)據(jù)來進行訓練，模型訓練時的每一組輸入數(shù)據(jù)包括：語音能量變化率特征，語音基頻變化率特征和對應的人工標注的結(jié)果。

目前常用的訓練模型比較突出的有:基于隱馬爾科夫模型(HMM)的情感識別方法和基于支持向量機(SVM)的情感識別方法。HMM訓練器和SVM訓練器側(cè)重點不同，HMM訓練器處理連續(xù)信號更優(yōu)，但類別區(qū)分能力較弱；SVM訓練器更適合分類，但具有只適合少量樣本和訓練時間長等缺點。本實施例中，可以將兩者結(jié)合得到訓練模型，在訓練時，可以先將包括語音能量變化率特征，語音基頻變化率特征和對應的人工標注的結(jié)果的多組數(shù)據(jù)輸入HMM訓練器進行訓練，得到多個n維向量，再將多個n維向量輸入SVM訓練器進行訓練，得到訓練模型。

本實施例中，將語音特征輸入訓練好的訓練模型，得到的情感極性結(jié)果可以為0或1，其中0表示情感極性為負，則最終的第二評價結(jié)果將與對文本信息進行分析得到的第一評價結(jié)果相反；1表示情感極性為正，則最終的第二評價結(jié)果將與對文本信息進行分析得到的第一評價結(jié)果相同。

步驟5：利用所述情感極性對所述第一評價結(jié)果進行校正，得到第二評價結(jié)果。

通過對文本信息進行分析到產(chǎn)品屬性及其對應的第一評價結(jié)果，第一評價結(jié)果可以為POS或NEG，其中POS表示對產(chǎn)品屬性認可，NEG表示對產(chǎn)品屬性不認可。通過對語音評價片段進行分析可以得到情感極性結(jié)果1或者0，兩者結(jié)合會得到產(chǎn)品屬性最后的第二評價結(jié)果。如果文本信息分析的第一評價結(jié)果為POS，情感極性結(jié)果為1，那么最終的第二評價結(jié)果為POS；如果文本信息分析的第一評價結(jié)果為POS，情感極性結(jié)果為0，那么最終的第二評價結(jié) 果為NEG；如果文本信息分析的第一評價結(jié)果為NEG，情感極性結(jié)果為1，那么最終的第二評價結(jié)果為NEG；如果文本信息分析的第一評價結(jié)果為NEG，情感極性結(jié)果為0，那么最終的第二評價結(jié)果為POS。

比如上文中“XX手機的拍照’很’不錯”,如果其中’很’特意的加強了音調(diào)及語氣，那么得到的情感極性為0，最后的第二評價結(jié)果與文本信息分析得到的第一評價結(jié)果相反，就是用戶對手機的拍照不滿意。

本實施例在語音分析的基礎(chǔ)上，更細化的分析語音所描述的內(nèi)容，是與內(nèi)容相關(guān)的語音分析，在獲得用戶情感的同時更能知道用戶所描述的產(chǎn)品及屬性等；另一方面，相對于傳統(tǒng)的文本評論，可以解決文本分析不能識別反諷現(xiàn)象的問題，更能反映用戶的真實情感，得到用戶對產(chǎn)品屬性的真實評價。

此說明書中所描述的許多功能部件都被稱為模塊，以便更加特別地強調(diào)其實現(xiàn)方式的獨立性。

本發(fā)明實施例中，模塊可以用軟件實現(xiàn)，以便由各種類型的處理器執(zhí)行。舉例來說，一個標識的可執(zhí)行代碼模塊可以包括計算機指令的一個或多個物理或者邏輯塊，舉例來說，其可以被構(gòu)建為對象、過程或函數(shù)。盡管如此，所標識模塊的可執(zhí)行代碼無需物理地位于一起，而是可以包括存儲在不同物理上的不同的指令，當這些指令邏輯上結(jié)合在一起時，其構(gòu)成模塊并且實現(xiàn)該模塊的規(guī)定目的。

實際上，可執(zhí)行代碼模塊可以是單條指令或者是許多條指令，并且甚至可以分布在多個不同的代碼段上，分布在不同程序當中，以及跨越多個存儲器設(shè)備分布。同樣地，操作數(shù)據(jù)可以在模塊內(nèi)被識別，并且可以依照任何適當?shù)男问綄崿F(xiàn)并且被組織在任何適當類型的數(shù)據(jù)結(jié)構(gòu)內(nèi)。所述操作數(shù)據(jù)可以作為單個數(shù)據(jù)集被收集，或者可以分布在不同位置上(包括在不同存儲設(shè)備上)，并且至少部分地可以僅作為電子信號存在于系統(tǒng)或網(wǎng)絡(luò)上。

在模塊可以利用軟件實現(xiàn)時，考慮到現(xiàn)有硬件工藝的水平，所以可以以軟件實現(xiàn)的模塊，在不考慮成本的情況下，本領(lǐng)域技術(shù)人員都可以搭建對應的硬件電路來實現(xiàn)對應的功能，所述硬件電路包括常規(guī)的超大規(guī)模集成(VLSI)電路或者門陣列以及諸如邏輯芯片、晶體管之類的現(xiàn)有半導體或者是其它分立 的元件。模塊還可以用可編程硬件設(shè)備，諸如現(xiàn)場可編程門陣列、可編程陣列邏輯、可編程邏輯設(shè)備等實現(xiàn)。

在本發(fā)明各方法實施例中，所述各步驟的序號并不能用于限定各步驟的先后順序，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，對各步驟的先后變化也在本發(fā)明的保護范圍之內(nèi)。

以上所述是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。