本發(fā)明涉及互聯(lián)網(wǎng)尤其是移動互聯(lián)網(wǎng)音頻媒體領(lǐng)域，涉及數(shù)據(jù)收集、存儲、處理和算法使用等技術(shù)。特別是涉及一種對用戶行為進行多維度分析，進而可以探索用戶與其他用戶的協(xié)同交互，用戶和音頻內(nèi)容的特征提取，綜合各種行為特征，計算用戶對音頻內(nèi)容的評分，從而可以向用戶進行個性化推薦的一種方法和系統(tǒng)。

背景技術(shù)：

近些年來，隨著互聯(lián)網(wǎng)技術(shù)和移動通訊的迅猛發(fā)展，移動互聯(lián)網(wǎng)為人們的生活提供了前所未有的高效和便利。人們可以用過具有上網(wǎng)功能移動設(shè)備迅速獲取所需生活，娛樂，學(xué)習等方方面面的信息。由于現(xiàn)代人工作繁忙，生活節(jié)奏快，“沒有時間”去讀報紙，看新聞，欣賞音樂等的現(xiàn)象已經(jīng)變得越來越常見。而移動音頻為人們提供一種最佳的利用如上下班路途，排隊等候，運動健身等零碎時間的媒介。但是，隨著數(shù)據(jù)技術(shù)的發(fā)展和用戶需求的提高，音頻的累積數(shù)據(jù)日益劇增,面對海量音頻內(nèi)容，要找到用戶真正感興趣的內(nèi)容成為提高用戶體驗的關(guān)鍵。

業(yè)界亟待開發(fā)一種系統(tǒng)，能夠為準確高效地從不同的角度為用戶推薦用戶所需要的音頻內(nèi)容。

技術(shù)實現(xiàn)要素：

以下給出一個或多個方面的簡要概述以提供對這些方面的基本理解。此概述不是所有構(gòu)想到的方面的詳盡綜覽，并且既非旨在指認出所有方面的關(guān)鍵性或決定性要素亦非試圖界定任何或所有方面的范圍。其唯一的目的是要以簡化形式給出一個或多個方面的一些概念以為稍后給出的更加詳細的描述之序。

本發(fā)明的目的在于解決上述問題，提供了一種基于用戶行為的音頻個性化推薦方法和系統(tǒng)，能把被海量音頻淹沒的優(yōu)質(zhì)內(nèi)容呈現(xiàn)給聽眾，為聽眾提供更好的個性化推薦服務(wù)。

本發(fā)明的技術(shù)方案為：本發(fā)明揭示了一種基于用戶行為的音頻個性化推薦方法，包括：

步驟1：收集用戶數(shù)據(jù)和音頻內(nèi)容的特征屬性，其中用戶數(shù)據(jù)包括用戶的人口學(xué)特征和用戶行為數(shù)據(jù)；

步驟2：對所收集的用戶行為數(shù)據(jù)進行清洗和整合；

步驟3：基于整合后的用戶行為數(shù)據(jù)，分析用戶之間的關(guān)系以及音頻內(nèi)容之間的相關(guān)性，計算用戶對音頻內(nèi)容的評分；

步驟4：基于音頻內(nèi)容的評分進行重新排序，將排序結(jié)果靠前的音頻內(nèi)容呈現(xiàn)給用戶。

根據(jù)本發(fā)明的基于用戶行為的音頻個性化推薦方法的一實施例，步驟1中，用戶的人口學(xué)特征包括用戶的性別、年齡和地域，用戶行為數(shù)據(jù)包括用戶的登錄行為數(shù)據(jù)、用戶收聽音頻內(nèi)容的時長和播放比例、用戶訂閱的音頻內(nèi)容、用戶評論的音頻內(nèi)容，音頻內(nèi)容的特征屬性包括音頻內(nèi)容的類別、簡介、標簽、發(fā)布規(guī)律和初始評分。

根據(jù)本發(fā)明的基于用戶行為的音頻個性化推薦方法的一實施例，步驟2進一步包括：

對用戶登錄時間低于預(yù)設(shè)值且收聽比例小于預(yù)設(shè)值的收聽行為標記為誤點擊，從用戶收聽記錄中刪除；

用戶對特定音頻內(nèi)容的收聽間隔進行劃分，小于指定間隔的將兩次收聽整合在一起，用于描述用戶特定時段的收聽新區(qū)，對用戶特定時段收聽的類別和標簽進行統(tǒng)計，取出出現(xiàn)頻率最高的標記為用戶時段偏好；

進行時段劃分，統(tǒng)計用戶收聽時段和時段偏好并做相應(yīng)的標記；

考察音頻內(nèi)容被收聽的時段，統(tǒng)計其出現(xiàn)頻率在前的時段并做相應(yīng)的標記，補充為音頻內(nèi)容的標簽；

將用戶當天對音頻內(nèi)容的收聽行為按照收聽時間和完播比例進行匯總，按照天數(shù)進行衰減，整合后的數(shù)據(jù)平衡考慮用戶長短期的興趣；

剔除用戶遠期訂閱行為數(shù)據(jù)。

根據(jù)本發(fā)明的基于用戶行為的音頻個性化推薦方法的一實施例，步驟3進一步包括：

指定用戶間互動較多的多個用戶最近收聽的音頻內(nèi)容作為給定用戶基于社交關(guān)系的推薦候選音頻內(nèi)容；

對用戶收聽歷史進行分析，根據(jù)收聽時間的長短，進行預(yù)評分；

將用戶收聽歷史相關(guān)性最大的多個音頻內(nèi)容選取為基于收聽行為的候選音頻內(nèi)容集合；

根據(jù)用戶收聽歷史音頻內(nèi)容評分，結(jié)合音頻內(nèi)容之間的相關(guān)性，計算對優(yōu)選音頻內(nèi)容的評分。

根據(jù)本發(fā)明的基于用戶行為的音頻個性化推薦方法的一實施例，步驟4進一步包括：

基于每一音頻內(nèi)容的評分，將評分達到預(yù)定閾值的音頻內(nèi)容進行排序，并過濾掉用戶最近收聽和訂閱的音頻內(nèi)容后，取得排名高于預(yù)設(shè)值的音頻內(nèi)容后，推送給用戶。

本發(fā)明還揭示了一種基于用戶行為的音頻個性化推薦系統(tǒng)，包括：

數(shù)據(jù)收集模塊，收集用戶數(shù)據(jù)和音頻內(nèi)容的特征屬性，其中用戶數(shù)據(jù)包括用戶的人口學(xué)特征和用戶行為數(shù)據(jù)；

數(shù)據(jù)處理模塊，對所收集的用戶行為數(shù)據(jù)進行清洗和整合；

特征分析模塊，基于整合后的用戶行為數(shù)據(jù)，分析用戶之間的關(guān)系以及音頻內(nèi)容之間的相關(guān)性，計算用戶對音頻內(nèi)容的評分；

混合推薦模塊，基于音頻內(nèi)容的評分進行重新排序，將排序結(jié)果靠前的音頻內(nèi)容呈現(xiàn)給用戶。

根據(jù)本發(fā)明的基于用戶行為的音頻個性化推薦系統(tǒng)的一實施例，數(shù)據(jù)收集模塊包括：

用戶注冊數(shù)據(jù)收集單元，收集用戶注冊時的用戶性別、興趣偏好、年齡、用戶標簽；

用戶收聽行為收集單元，收集用戶的收聽時長、收聽類別、收聽時段、登錄時間；

用戶社交行為收集單元，收集用戶的社交行為，包括訂閱、關(guān)注、私信、點贊、評論；

音頻特征收集單元，收集音頻和主播的特征、簡介和標簽。

根據(jù)本發(fā)明的基于用戶行為的音頻個性化推薦系統(tǒng)的一實施例，數(shù)據(jù)處理模塊包括：

數(shù)據(jù)清洗單元，統(tǒng)計用戶在線以剔除異常用戶，剔除用戶單次收聽時間小于預(yù)設(shè)值的收聽記錄，剔除用戶遠期的訂閱和關(guān)注記錄；

數(shù)據(jù)整合單元，將一天內(nèi)單個用戶對單個內(nèi)容的多次收聽進行整合，同時將用戶的訂閱、點贊、評論行為分別進行整合，然后對用戶中長期的行為關(guān)于時間進行衰減。

根據(jù)本發(fā)明的基于用戶行為的音頻個性化推薦系統(tǒng)的一實施例，特征分析模塊包括：

特征提取單元，進行用戶特征分析和音頻內(nèi)容特征分析，用戶特征分析包括分析用戶的性別、年齡、時段偏好、類別偏好，建立用戶特征，音頻內(nèi)容特征分析包括對音頻內(nèi)容的簡介、標簽進行分析，并基于標簽建立音頻內(nèi)容之間的相關(guān)性；

相關(guān)性分析單元，計算用戶之間的關(guān)系以及音頻內(nèi)容之間的關(guān)系；

評分計算單元，計算用戶對各個音頻內(nèi)容的偏好度評分，當音頻內(nèi)容的評分達到預(yù)設(shè)閾值時，作為候選推薦集合進入混合推薦模塊。

根據(jù)本發(fā)明的基于用戶行為的音頻個性化推薦系統(tǒng)的一實施例，混合推薦模塊進一步包括：

用戶冷啟動單元，通過收集用戶的人口學(xué)數(shù)據(jù)，推薦符合特點的熱播音頻內(nèi)容為猜你喜歡的音頻；

評分綜合排序單元，將各種場景下的推薦候選音頻內(nèi)容進行綜合排序；

音頻內(nèi)容過濾單元，提出用戶不喜歡的音頻內(nèi)容以及最近收聽或訂閱的音頻內(nèi)容；

推薦展示單元，進行四個場景的推薦展示，包括猜你喜歡綜合推薦、收聽完成推薦、訂閱成功推薦、找聽友推薦。

本發(fā)明對比現(xiàn)有技術(shù)有如下的有益效果：本發(fā)明是從用戶的人口學(xué)特征和對音頻內(nèi)容的收聽、訂閱、點贊、評論等行為中挖掘用戶對音頻內(nèi)容的潛在興趣，并通過對音配內(nèi)容被收聽、訂閱中挖掘音頻內(nèi)容的關(guān)系，結(jié)合音頻內(nèi)容間基于簡介和標簽建立的相關(guān)性，把被海量音頻淹沒的優(yōu)質(zhì)內(nèi)容呈現(xiàn)給聽眾，為聽眾提供更好的個性化推薦服務(wù)?；趶挠脩魯?shù)據(jù)和音頻內(nèi)容中提取的特征，計算用戶對音頻內(nèi)容的評分，結(jié)合各種算法得出候選推薦項，并通過融合方法對推薦項進行重新排序，并對用戶近期行為進行過濾，提高了用戶對音頻內(nèi)容偏好度量的準確性。

附圖說明

圖1示出了本發(fā)明的基于用戶行為的音頻個性化推薦方法的較佳實施例的流程圖。

圖2示出了本發(fā)明的基于用戶行為的音頻個性化推薦系統(tǒng)的較佳實施例的流程圖。

圖3示出了計算音頻內(nèi)容的綜合相關(guān)系數(shù)需要綜合考慮的四種相關(guān)系數(shù)和相應(yīng)的流程的示意圖。

圖4示出了融合各場景的推薦結(jié)果，產(chǎn)生最終推薦結(jié)果的流程的示意圖。

具體實施方式

在結(jié)合以下附圖閱讀本公開的實施例的詳細描述之后，能夠更好地理解本發(fā)明的上述特征和優(yōu)點。在附圖中，各組件不一定是按比例繪制，并且具有類似的相關(guān)特性或特征的組件可能具有相同或相近的附圖標記。

圖1示出了本發(fā)明的基于用戶行為的音頻個性化推薦方法的較佳實施例的流程。請參見圖1，本實施例的基于用戶行為的音頻個性化推薦方法的詳細實現(xiàn)如下。

步驟S1：收集用戶數(shù)據(jù)和音頻內(nèi)容的特征屬性，其中用戶數(shù)據(jù)包括用戶的人口學(xué)特征和用戶行為數(shù)據(jù)。

通過用戶授權(quán)收集用戶的人口學(xué)特征，包括用戶的性別、年齡和地域。收集用戶行為數(shù)據(jù)，包括用戶的登錄行為數(shù)據(jù)、用戶收聽音頻內(nèi)容的時長和播放比例、用戶訂閱的音頻內(nèi)容、用戶評論的音頻內(nèi)容。收集音頻內(nèi)容的特征屬性，包括音頻內(nèi)容的類別、簡介、標簽、發(fā)布規(guī)律和初始評分。

步驟S2：對所收集的用戶行為數(shù)據(jù)進行清洗和整合。

在這一步驟的清洗和整合，具體包括：

統(tǒng)計用戶在線時間，剔除異常用戶。

對用戶登錄時間低于預(yù)設(shè)值(比如小于30秒)且收聽比例小于預(yù)設(shè)值(比如10％)的收聽行為標記為誤點擊，從用戶收聽記錄中刪除。

用戶對特定音頻內(nèi)容的收聽間隔進行劃分，小于指定間隔(例如1小時)的將兩次收聽整合在一起，用于描述用戶特定時段的收聽興趣，對用戶特定時段收聽的類別和標簽進行統(tǒng)計，取出出現(xiàn)頻率最高的標記為用戶時段偏好。

進行時段劃分，具體可以分為6個時段：如早上、上下班地鐵、工作時間、午休、睡前、凌晨等時間段，統(tǒng)計用戶收聽時段和時段偏好并做相應(yīng)的標記。

考察音頻內(nèi)容被收聽的時段，統(tǒng)計其出現(xiàn)頻率在前的時段并做相應(yīng)的標記，補充為音頻內(nèi)容的標簽。

將用戶當天對音頻內(nèi)容的收聽行為按照收聽時間和完播比例進行匯總，按照天數(shù)進行衰減，整合后的數(shù)據(jù)平衡考慮用戶長短期的興趣。

訂閱數(shù)據(jù)的整合：剔除用戶遠期訂閱行為數(shù)據(jù)，特別是很早訂閱近期沒有更新或沒有收聽的數(shù)據(jù)。

步驟S3：基于整合后的用戶行為數(shù)據(jù)，分析用戶之間的關(guān)系以及音頻內(nèi)容之間的相關(guān)性，計算用戶對音頻內(nèi)容的評分。

在這一步驟中，具體包括：指定用戶間互動較多的多個用戶最近收聽的音頻內(nèi)容作為給定用戶基于社交關(guān)系的推薦候選音頻內(nèi)容，社交關(guān)系推薦是標準的機器學(xué)習算法，這里不再贅述。

對用戶收聽歷史進行分析，根據(jù)收聽時間的長短，進行預(yù)評分。

將用戶收聽歷史相關(guān)性最大的多個音頻內(nèi)容選取為基于收聽行為的候選音頻內(nèi)容集合。

根據(jù)用戶收聽歷史音頻內(nèi)容評分，結(jié)合音頻內(nèi)容之間的相關(guān)性，計算對優(yōu)選音頻內(nèi)容的評分，對評分達到預(yù)定閾值的音頻內(nèi)容，進入推薦模塊。

如圖3所示，音頻內(nèi)容之間的相關(guān)性計算考慮了用戶收聽、訂閱行為、點贊和評論行為，以及基于音頻內(nèi)容簡介和標簽的信息，具體兩個音頻內(nèi)容的相關(guān)系數(shù)的混合機制可參考圖3。

考慮兩個音頻內(nèi)容的被收聽數(shù)據(jù)，基于收聽數(shù)據(jù)可以構(gòu)建音頻內(nèi)容之間的相關(guān)系數(shù)ρListen；考慮兩個音頻內(nèi)容被訂閱的數(shù)據(jù)，基于訂閱數(shù)據(jù)可以構(gòu)建音頻內(nèi)容之間的相關(guān)系數(shù)ρSub；考慮兩個音頻內(nèi)容被點贊、評論和轉(zhuǎn)發(fā)數(shù)據(jù)，基于點贊、評論轉(zhuǎn)發(fā)數(shù)據(jù)可以得出兩個音頻內(nèi)容的相關(guān)系數(shù)ρComment；考慮兩個音頻內(nèi)容簡介中關(guān)鍵詞的匹配度和標簽的匹配度，標準化到0-1之間，作為音頻內(nèi)容基于標簽的相關(guān)系數(shù)ρTag。

將上述4個相似度融合為兩個音頻內(nèi)容之間的相似度，此相似度和兩個音頻內(nèi)容被收聽，被收藏，被點贊、評論、轉(zhuǎn)發(fā)的人數(shù)有關(guān)，如果用戶行為較少，會自動增加基于標簽和簡介的相似度，這樣可以自動優(yōu)化相似度的計算。

步驟S4：基于音頻內(nèi)容的評分進行重新排序，將排序結(jié)果靠前的音頻內(nèi)容呈現(xiàn)給用戶。

在這一步驟中，具體包括：基于每一音頻內(nèi)容的評分，將評分達到預(yù)定閾值的音頻內(nèi)容進行排序，并過濾掉用戶最近收聽和訂閱的音頻內(nèi)容后，取得排名高于預(yù)設(shè)值的音頻內(nèi)容后，推送給用戶。

音頻內(nèi)容的訂閱歷史評分是對用戶訂閱音頻內(nèi)容的歷史按照音頻內(nèi)容訂閱時間進行衰減。根據(jù)用戶訂閱歷史音頻內(nèi)容，找出每個訂閱音頻內(nèi)容最相關(guān)的音頻內(nèi)容，根據(jù)用戶訂閱歷史音頻內(nèi)容的評分和前述音頻內(nèi)容相關(guān)性，計算用戶對候選音頻內(nèi)容評分，評分達到預(yù)定預(yù)置的進入推薦模塊。

統(tǒng)計用戶的時段偏好和類別偏好，統(tǒng)計音頻內(nèi)容的時段分布。剔除候選音頻內(nèi)容中用戶近期收聽和訂閱的音頻內(nèi)容。根據(jù)用戶時段和類別偏好，取相應(yīng)類別的評分高的音頻內(nèi)容在選定時段推薦給用戶。

個性化推薦展示：當用戶打開應(yīng)用時單獨頁面展示該時段類別中評分較高的音頻內(nèi)容為猜你喜歡音頻內(nèi)容。

相關(guān)推薦展示：當用戶瀏覽，收聽音頻內(nèi)容時展示與當前音頻內(nèi)容相關(guān)的其他音頻內(nèi)容，其中音頻內(nèi)容相關(guān)性來源于音頻內(nèi)容綜合相關(guān)系數(shù)。

某用戶收聽音頻內(nèi)容"英語口語"(時段:早上),"糗事播報"(時段:上下班)，"羅輯思維"(時段:睡前)，"最后一個道士"(時段:睡前)，"今晚80后脫口秀"(時段:睡前)，其中"羅輯思維"有點贊，"今晚80后脫口秀"有評論。

通過用戶時段分析，分析該用戶"上下班"時段的類別偏好為"娛樂","睡前"時段偏好為"有聲小說和娛樂",早上時段偏好為"外語"。

在相應(yīng)的時段，分別推薦滿足類別的音頻內(nèi)容展示給用戶。

圖4示出了融合各場景的推薦結(jié)果，產(chǎn)生最終推薦結(jié)果的流程。

圖2示出了本發(fā)明的基于用戶行為的音頻個性化推薦系統(tǒng)的較佳實施例的原理。請參見圖2，本實施例的基于用戶行為的音頻個性化推薦系統(tǒng)的詳細實現(xiàn)如下。

本實施例的基于用戶行為的音頻個性化推薦系統(tǒng)包括：數(shù)據(jù)收集模塊1、數(shù)據(jù)處理模塊2、特征分析模塊3、混合推薦模塊4。

數(shù)據(jù)收集模塊1收集用戶數(shù)據(jù)和音頻內(nèi)容的特征屬性，其中用戶數(shù)據(jù)包括用戶的人口學(xué)特征和用戶行為數(shù)據(jù)。

數(shù)據(jù)收集模塊1包括用戶注冊數(shù)據(jù)收集單元11、用戶收聽行為收集單元12、用戶社交行為收集單元13、音頻特征收集單元14。

用戶注冊數(shù)據(jù)收集單元11收集用戶注冊時的用戶性別、興趣偏好、年齡、用戶標簽。用戶收聽行為收集單元12收集用戶的收聽時長、收聽類別、收聽時段、登錄時間。用戶社交行為收集單元13收集用戶的社交行為，包括訂閱、關(guān)注、私信、點贊、評論。音頻特征收集單元14收集專輯和主播的特征、簡介和標簽。

數(shù)據(jù)處理模塊2對所收集的用戶行為數(shù)據(jù)進行清洗和整合。

數(shù)據(jù)處理模塊2包括：數(shù)據(jù)清洗單元21和數(shù)據(jù)整合單元22。

數(shù)據(jù)清洗單元21統(tǒng)計用戶在線以剔除異常用戶，剔除用戶單次收聽時間小于預(yù)設(shè)值的收聽記錄，剔除用戶遠期的訂閱和關(guān)注記錄。

數(shù)據(jù)整合單元22將一天內(nèi)單個用戶對單個內(nèi)容的多次收聽進行整合，同時將用戶的訂閱、點贊、評論行為分別進行整合，然后對用戶中長期的行為關(guān)于時間進行衰減。

特征分析模塊3基于整合后的用戶行為數(shù)據(jù)，分析用戶之間的關(guān)系以及音頻內(nèi)容之間的相關(guān)性，計算用戶對音頻內(nèi)容的評分。

特征分析模塊3包括：特征提取單元31、相關(guān)性分析單元32、評分計算單元33。

特征提取單元31進行用戶特征分析和音頻內(nèi)容特征分析，用戶特征分析包括分析用戶的性別、年齡、時段偏好、類別偏好，建立用戶特征，音頻內(nèi)容特征分析包括對音頻內(nèi)容的簡介、標簽進行分析，并基于標簽建立音頻內(nèi)容之間的相關(guān)性。

相關(guān)性分析單元32計算用戶之間的關(guān)系以及音頻內(nèi)容之間的關(guān)系。

評分計算單元33計算用戶對各個音頻內(nèi)容的偏好度評分，當音頻內(nèi)容的評分達到預(yù)設(shè)閾值時，作為候選推薦集合進入混合推薦模塊。

混合推薦模塊4基于音頻內(nèi)容的評分進行重新排序，將排序結(jié)果靠前的音頻內(nèi)容呈現(xiàn)給用戶。

混合推薦模塊4包括：用戶冷啟動單元41、評分綜合排序單元42、音頻內(nèi)容過濾單元43、推薦展示單元44。

用戶冷啟動單元41通過收集用戶的人口學(xué)數(shù)據(jù)，推薦符合特點的熱播音頻內(nèi)容為猜你喜歡的音頻。

評分綜合排序單元42將各種場景下的推薦候選音頻內(nèi)容進行綜合排序。

音頻內(nèi)容過濾單元43提出用戶不喜歡的音頻內(nèi)容以及最近收聽或訂閱的音頻內(nèi)容。

推薦展示單元44進行四個場景的推薦展示，包括猜你喜歡綜合推薦、收聽完成推薦、訂閱成功推薦、找聽友推薦。

盡管為使解釋簡單化將上述方法圖示并描述為一系列動作，但是應(yīng)理解并領(lǐng)會，這些方法不受動作的次序所限，因為根據(jù)一個或多個實施例，一些動作可按 不同次序發(fā)生和/或與來自本文中圖示和描述或本文中未圖示和描述但本領(lǐng)域技術(shù)人員可以理解的其他動作并發(fā)地發(fā)生。

本領(lǐng)域技術(shù)人員將進一步領(lǐng)會，結(jié)合本文中所公開的實施例來描述的各種解說性邏輯板塊、模塊、電路、和算法步驟可實現(xiàn)為電子硬件、計算機軟件、或這兩者的組合。為清楚地解說硬件與軟件的這一可互換性，各種解說性組件、框、模塊、電路、和步驟在上面是以其功能性的形式作一般化描述的。此類功能性是被實現(xiàn)為硬件還是軟件取決于具體應(yīng)用和施加于整體系統(tǒng)的設(shè)計約束。技術(shù)人員對于每種特定應(yīng)用可用不同的方式來實現(xiàn)所描述的功能性，但這樣的實現(xiàn)決策不應(yīng)被解讀成導(dǎo)致脫離了本發(fā)明的范圍。

結(jié)合本文所公開的實施例描述的各種解說性邏輯板塊、模塊、和電路可用通用處理器、數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)場可編程門陣列(FPGA)或其它可編程邏輯器件、分立的門或晶體管邏輯、分立的硬件組件、或其設(shè)計成執(zhí)行本文所描述功能的任何組合來實現(xiàn)或執(zhí)行。通用處理器可以是微處理器，但在替換方案中，該處理器可以是任何常規(guī)的處理器、控制器、微控制器、或狀態(tài)機。處理器還可以被實現(xiàn)為計算設(shè)備的組合，例如DSP與微處理器的組合、多個微處理器、與DSP核心協(xié)作的一個或多個微處理器、或任何其他此類配置。

結(jié)合本文中公開的實施例描述的方法或算法的步驟可直接在硬件中、在由處理器執(zhí)行的軟件模塊中、或在這兩者的組合中體現(xiàn)。軟件模塊可駐留在RAM存儲器、閃存、ROM存儲器、EPROM存儲器、EEPROM存儲器、寄存器、硬盤、可移動盤、CD-ROM、或本領(lǐng)域中所知的任何其他形式的存儲介質(zhì)中。示例性存儲介質(zhì)耦合到處理器以使得該處理器能從/向該存儲介質(zhì)讀取和寫入信息。在替換方案中，存儲介質(zhì)可以被整合到處理器。處理器和存儲介質(zhì)可駐留在ASIC中。ASIC可駐留在用戶終端中。在替換方案中，處理器和存儲介質(zhì)可作為分立組件駐留在用戶終端中。

在一個或多個示例性實施例中，所描述的功能可在硬件、軟件、固件或其任何組合中實現(xiàn)。如果在軟件中實現(xiàn)為計算機程序產(chǎn)品，則各功能可以作為一條或更多條指令或代碼存儲在計算機可讀介質(zhì)上或藉其進行傳送。計算機可讀介質(zhì)包括計算機存儲介質(zhì)和通信介質(zhì)兩者，其包括促成計算機程序從一地向另一地轉(zhuǎn)移的任何介質(zhì)。存儲介質(zhì)可以是能被計算機訪問的任何可用介質(zhì)。作為示例而非限 定，這樣的計算機可讀介質(zhì)可包括RAM、ROM、EEPROM、CD-ROM或其它光盤存儲、磁盤存儲或其它磁存儲設(shè)備、或能被用來攜帶或存儲指令或數(shù)據(jù)結(jié)構(gòu)形式的合意程序代碼且能被計算機訪問的任何其它介質(zhì)。任何連接也被正當?shù)胤Q為計算機可讀介質(zhì)。例如，如果軟件是使用同軸電纜、光纖電纜、雙絞線、數(shù)字訂戶線(DSL)、或諸如紅外、無線電、以及微波之類的無線技術(shù)從web網(wǎng)站、服務(wù)器、或其它遠程源傳送而來，則該同軸電纜、光纖電纜、雙絞線、DSL、或諸如紅外、無線電、以及微波之類的無線技術(shù)就被包括在介質(zhì)的定義之中。如本文中所使用的盤(disk)和碟(disc)包括壓縮碟(CD)、激光碟、光碟、數(shù)字多用碟(DVD)、軟盤和藍光碟，其中盤(disk)往往以磁的方式再現(xiàn)數(shù)據(jù)，而碟(disc)用激光以光學(xué)方式再現(xiàn)數(shù)據(jù)。上述的組合也應(yīng)被包括在計算機可讀介質(zhì)的范圍內(nèi)。

提供對本公開的先前描述是為使得本領(lǐng)域任何技術(shù)人員皆能夠制作或使用本公開。對本公開的各種修改對本領(lǐng)域技術(shù)人員來說都將是顯而易見的，且本文中所定義的普適原理可被應(yīng)用到其他變體而不會脫離本公開的精神或范圍。由此，本公開并非旨在被限定于本文中所描述的示例和設(shè)計，而是應(yīng)被授予與本文中所公開的原理和新穎性特征相一致的最廣范圍。