本申請涉及網(wǎng)絡技術領域，尤其涉及一種基于深度學習的廣告展示方法和裝置。

背景技術：

隨著網(wǎng)絡技術的普及，越來越多的用戶通過網(wǎng)絡觀看視頻。在通過網(wǎng)絡向用戶播放視頻的同時，通常也會展示廣告。相關技術中，一種方式是在視頻播放之前將預先設定的廣告播放給用戶，這種方式播放的廣告內(nèi)容通常不能與視頻內(nèi)容相關。為了解決相關性問題，另一種方式是在視頻播放的同時，播放與視頻內(nèi)容相關的廣告，這種視頻內(nèi)容與廣告的關聯(lián)性是通過編輯人員以人工方式預先關聯(lián)的。但是，這種方式需要大量的人工操作。

技術實現(xiàn)要素：

本申請旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本申請的一個目的在于提出一種基于深度學習的廣告展示方法，該方法可以展示與播放的視頻內(nèi)容相關的廣告，并且能夠減少人工操作。

本申請的另一個目的在于提出一種基于深度學習的廣告展示裝置。

為達到上述目的，本申請第一方面實施例提出的基于深度學習的廣告展示方法，包括：對視頻內(nèi)容進行圖片采樣，得到視頻圖片序列；根據(jù)已生成的視頻和廣告匹配模型，確定與所述視頻圖片序列對應的廣告，所述視頻和廣告匹配模型基于深度學習訓練生成；展示所述廣告。

本申請第一方面實施例提出的基于深度學習的廣告展示方法，通過視頻和廣告匹配模型確定與視頻內(nèi)容相關的廣告，可以播放與視頻內(nèi)容相關的廣告，并且不需要大量的人工關聯(lián)操作，減少人工操作。

為達到上述目的，本申請第二方面實施例提出的基于深度學習的廣告展示裝置，包括：采樣模塊，用于對視頻內(nèi)容進行圖片采樣，得到視頻圖片序列；確定模塊，用于根據(jù)已生成的視頻和廣告匹配模型，確定與所述視頻圖片序列對應的廣告，所述視頻和廣告匹配模型基于深度學習訓練生成；展示模塊，用于展示所述廣告。

本申請第二方面實施例提出的基于深度學習的廣告展示裝置，通過視頻和廣告匹配模型確定與視頻內(nèi)容相關的廣告，可以播放與視頻內(nèi)容相關的廣告，并且不需要大量的人工關聯(lián)操作，減少人工操作。

本申請實施例還提出了一種基于深度學習的廣告展示裝置，包括：處理器；用于存儲處理器可執(zhí)行指令的存儲器；其中，所述處理器被配置為：對視頻內(nèi)容進行圖片采樣，得到視頻圖片序列；根據(jù)已生成的視頻和廣告匹配模型，確定與所述視頻圖片序列對應的廣告，所述視頻和廣告匹配模型基于深度學習訓練生成；展示所述廣告。

本申請實施例還提出了一種非臨時性計算機可讀存儲介質(zhì)，當所述存儲介質(zhì)中的指令由終端的處理器被執(zhí)行時，使得終端能夠執(zhí)行一種基于深度學習的廣告展示方法，所述方法包括：對視頻內(nèi)容進行圖片采樣，得到視頻圖片序列；根據(jù)已生成的視頻和廣告匹配模型，確定與所述視頻圖片序列對應的廣告，所述視頻和廣告匹配模型基于深度學習訓練生成；展示所述廣告。

本申請實施例還提出了一種計算機程序產(chǎn)品，當所述計算機程序產(chǎn)品中的指令處理器執(zhí)行時，執(zhí)行一種基于深度學習的廣告展示方法，所述方法包括：對視頻內(nèi)容進行圖片采樣，得到視頻圖片序列；根據(jù)已生成的視頻和廣告匹配模型，確定與所述視頻圖片序列對應的廣告，所述視頻和廣告匹配模型基于深度學習訓練生成；展示所述廣告。

本申請附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本申請的實踐了解到。

附圖說明

本申請上述的和/或附加的方面和優(yōu)點從下面結(jié)合附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1是本申請一個實施例提出的基于深度學習的廣告展示方法的流程示意圖；

圖2是本申請另一個實施例提出的基于深度學習的廣告展示方法的流程示意圖；

圖3是本申請實施例中構(gòu)造訓練數(shù)據(jù)的方法的流程示意圖；

圖4是本申請實施例中一種RNN結(jié)構(gòu)的示意圖；

圖5是本申請一個實施例提出的基于深度學習的廣告展示裝置的結(jié)構(gòu)示意圖；

圖6是本申請另一個實施例提出的基于深度學習的廣告展示裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面詳細描述本申請的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的模塊或具有相同或類似功能的模塊。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本申請，而不能理解為對本申請的限制。相反，本申請的實施例包括落入所附加權(quán)利要求書的精神和內(nèi)涵范圍內(nèi)的所有變化、修改和等同物。

如上所示，在展示與視頻內(nèi)容相關的廣告時，相關技術中采用人工關聯(lián)的方式，但是，這種方式需要大量的人工操作。為了解決這一問題，本申請將深度學習引入到廣告展示領域。

深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究。含多隱層的多層感知器就是一種深度學習結(jié)構(gòu)。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡，它模仿人腦的機制來解釋數(shù)據(jù)，例如圖像，聲音和文本。

圖1是本申請一個實施例提出的基于深度學習的廣告展示方法的流程示意圖。

如圖1所示，本實施例的方法包括：

S11：對視頻內(nèi)容進行圖片采樣，得到視頻圖片序列。

其中，視頻內(nèi)容是指待播放的視頻內(nèi)容，如一部電影、一部電視劇劇集等。

視頻內(nèi)容具體可以包括網(wǎng)絡視頻內(nèi)容，即通過網(wǎng)絡播放的視頻內(nèi)容。

網(wǎng)絡可以是個人電腦(Personal Computer，PC)接入的互聯(lián)網(wǎng)，或者，也可以是移動設備(如手機或平板電腦)接入的移動互聯(lián)網(wǎng)，相應的，網(wǎng)絡視頻內(nèi)容可以在PC上播放或者在移動設備上播放。

對視頻內(nèi)容進行圖片采樣時，可以以預設時間段對整個視頻內(nèi)容進行切分，得到切分后的多個時間段，在每個時間段內(nèi)選取一張視頻圖片作為相應時間段對應的視頻圖片，將切分后的所有時間段對應的視頻圖片組成視頻圖片序列。預設時間段例如為0.5秒。每個時間段內(nèi)的視頻圖片選取時，可以采用隨機選取一張的方式，或者，也可以采用已有或?qū)沓霈F(xiàn)的圖片采樣算法。

S12：根據(jù)已生成的視頻和廣告匹配模型，確定與所述視頻圖片序列對應的廣告，所述視頻和廣告匹配模型基于深度學習訓練生成。

視頻和廣告匹配模型可以在播放視頻內(nèi)容之前預先生成，具體流程可以參見后續(xù)描述。

視頻和廣告匹配模型的輸入是視頻圖片序列，輸出是與輸入對應的廣告信息，廣告信息具體可以是已有廣告類別中每種廣告類別的概率值。

例如，視頻圖片序列中包括T張視頻圖片，已有廣告類別共有M種，則視頻和廣告匹配模型的輸入節(jié)點為T個，每個輸入節(jié)點對應一張視頻圖片；視頻和廣告匹配模型的輸出節(jié)點也為T個，分別與一張視頻圖片對應；每個輸出節(jié)點的輸出為一個向量，向量的維度為M，向量的每個元素為M種廣告類別中每種廣告類別的概率值。

因此，在采用得到視頻圖片序列后，可以將視頻圖片序列作為視頻和廣告匹配模型的輸入，模型的每個輸出就是視頻圖片序列中每張視頻圖片對應的每種廣告類別的概率值組成的向量。

在確定出視頻圖片序列中各個視頻圖片對應的向量后，可以對應每張視頻圖片，在向量中概率值最大的廣告類別中選擇一個廣告作為相應的視頻圖片對應的廣告，視頻圖片序列中所有視頻圖片對應的廣告可以組成視頻圖片序列對應的廣告序列。或者，

在確定出視頻圖片序列中各個視頻圖片對應的向量后，可以在所有視頻圖片對應的向量中選擇概率值較大的N(N為預設值，為1或大于1的自然數(shù))個概率值，并在選擇出的每個概率值對應的廣告類別中選擇一個廣告作為視頻圖片序列對應的廣告(共有N個)。

上述流程中，在廣告類別中選擇廣告可以采用隨機方式或者采用其他方式進行。

S13：展示所述廣告。

展示廣告可以是指在播放視頻內(nèi)容時，同時播放相應的廣告。

具體的，在確定廣告時，還可以確定各個廣告對應的播放時間，播放時間可以為廣告對應的視頻圖片所屬的時間段。例如，按照時間從先到后的順序采樣到的視頻圖片分別是視頻圖片-1、視頻圖片-2，…、視頻圖片-T，確定出的廣告序列包括廣告-1和廣告-2，且廣告-1和廣告-2分別與視頻圖片-1和視頻圖片-T對應，則分別在視頻圖片-1所在的視頻時間段(如整個視頻內(nèi)容的第一個0.5秒時間段)播放廣告-1，在視頻圖片-T所在的視頻時間段(如整個視頻內(nèi)容的最后一個0.5秒時間段)內(nèi)播放廣告-2。

進一步的，廣告可以展示在視頻內(nèi)容的內(nèi)部預設區(qū)域，或者展示在視頻內(nèi)容之外的區(qū)域。

進一步的，展示在視頻內(nèi)容之外的區(qū)域時，根據(jù)播放終端的不同可以將廣告展示在不同位置上。例如，如果播放終端為PC，則可以在視頻播放器的右側(cè)播放廣告；如果播放終端為移動設備，則在播放的視頻內(nèi)容的下方播放廣告。

本實施例中，通過視頻和廣告匹配模型確定與視頻內(nèi)容的視頻圖片序列對應的廣告序列，可以展示與視頻內(nèi)容相關的廣告，并且不需要大量的人工關聯(lián)操作，減少人工操作。

圖2是本申請另一個實施例提出的基于深度學習的廣告展示方法的流程示意圖。

如圖2所示，本實施例的方法包括：

S21：構(gòu)造訓練數(shù)據(jù)，并將訓練數(shù)據(jù)存儲到視頻和廣告日志庫中，所述訓練數(shù)據(jù)根據(jù)已有的包含字幕的視頻內(nèi)容構(gòu)造得到。

訓練數(shù)據(jù)用于訓練生成視頻和廣告匹配模型。

本實施例中，訓練數(shù)據(jù)采用構(gòu)造方式得到并存儲在視頻和廣告日志庫中，以便后續(xù)在生成視頻和廣告匹配模型時，直接從視頻和廣告日志庫中獲取訓練數(shù)據(jù)進行訓練。

訓練數(shù)據(jù)是根據(jù)包含字幕的視頻內(nèi)容構(gòu)造得到。包含字幕的視頻內(nèi)容可以通過收集方式從已有數(shù)據(jù)中收集到，并且盡可能收集到盡量多的包含字幕的視頻內(nèi)容，因此可以稱為收集到海量包含字幕的視頻內(nèi)容，并根據(jù)海量包含字幕的視頻內(nèi)容構(gòu)造得到訓練數(shù)據(jù)。

具體的，參見圖3，構(gòu)造訓練數(shù)據(jù)的方法的流程可以包括：

S31：將收集的各個包含字幕的視頻內(nèi)容分別作為當前視頻內(nèi)容。

對應各個當前視頻內(nèi)容可以執(zhí)行如下流程：

S32：對當前視頻內(nèi)容進行采樣，得到視頻圖片序列。

圖片采樣方式可以參見上述實施例相關內(nèi)容，在此不再詳述。

S33：提取視頻圖片序列中各個視頻圖片的字幕，并采用文本串相似度匹配方式，確定與提取出的字幕匹配的廣告，作為各個視頻圖片匹配的廣告。

提取圖片中的字幕可以采用已有或?qū)沓霈F(xiàn)的文本提取技術。

文本串相似度匹配方式可以采用多種方式實現(xiàn)，一種具體方式包括：分別將提取出的字幕的內(nèi)容(簡稱為字幕內(nèi)容)和每個待匹配的廣告的內(nèi)容(簡稱為廣告內(nèi)容)轉(zhuǎn)換為向量，再計算兩個向量之間的相似度數(shù)值，選取相似度數(shù)值最大的廣告內(nèi)容對應的廣告作為匹配的廣告。其中，字幕內(nèi)容和廣告內(nèi)容轉(zhuǎn)換為向量的方式可以采用各種已有或?qū)沓霈F(xiàn)的將文本轉(zhuǎn)換為向量的技術，例如采用word2vec算法。向量之間的相似度數(shù)值的計算方式例如：將向量之間的距離(如余弦距離)作為向量之間的相似度數(shù)值。

S34：根據(jù)各個視頻圖片匹配的廣告確定各個視頻圖片對應的廣告信息，并將視頻圖片序列及對應的廣告信息序列作為一組訓練數(shù)據(jù)，所述廣告信息序列由視頻圖片序列中各個視頻圖片對應的廣告信息組成。

各個視頻圖片對應的廣告信息可以是視頻圖片匹配的廣告所屬的廣告類別，從而由視頻圖片序列和廣告類別序列組成訓練數(shù)據(jù)。

因此，對應每個包含字幕的視頻內(nèi)容，都可以得到一組訓練數(shù)據(jù)，通過對大量的包含字幕的視頻內(nèi)容進行上述處理，可以得到大量的訓練數(shù)據(jù)。

S22：在需要訓練生成視頻和廣告匹配模型時，從視頻和廣告日志庫中獲取訓練數(shù)據(jù)。

其中，可以預先構(gòu)造訓練數(shù)據(jù)并存儲在視頻和廣告匹配模型中。在需要訓練生成視頻和廣告匹配模型時，可以直接從上述的日志庫中獲取訓練數(shù)據(jù)，以提高訓練數(shù)據(jù)的獲取速度。另外，將訓練數(shù)據(jù)存儲到視頻和廣告日志庫中，可以積累大量的數(shù)據(jù)，滿足后續(xù)使用需求。

S23：確定模型結(jié)構(gòu)。

本實施例中，采用深度學習方式，因此模型結(jié)構(gòu)具體是深度學習網(wǎng)絡結(jié)構(gòu)。

一個具體的深度學習網(wǎng)絡結(jié)構(gòu)是循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Networks，RNN)結(jié)構(gòu)。

RNN包括：簡單RNN，門控RNN(GatedRNN)或者長短時存儲(Long Short-Term Memory，LSTM)等。

S24：根據(jù)所述訓練數(shù)據(jù)和所述模型結(jié)構(gòu)進行訓練，生成視頻和廣告匹配模型。

如圖4所示，一種RNN結(jié)構(gòu)包括：輸入層、卷積和池化(pooling)層、隱藏層和輸出層。

本實施例中，輸入層用于輸入視頻圖片序列，按時間排列可以表示為Image1,Image2,…,ImageT。卷積和池化層用于將視頻圖片序列中的各個視頻圖片分別轉(zhuǎn)換為圖片表示Rep1,Rep2,…,RepT。隱藏層用于將圖片表示轉(zhuǎn)換為隱層表示h1,h2,…,hT。輸出層用于輸出視頻圖片序列對應的廣告信息序列output1,output2,…,outputT。

以一組訓練數(shù)據(jù)為例(其余組訓練數(shù)據(jù)可以參照執(zhí)行)，如上所示，一組訓練數(shù)據(jù)包括：視頻圖片序列和視頻圖片序列對應的廣告類別序列，在訓練時，將訓練數(shù)據(jù)中的視頻圖片序列作為輸入層的數(shù)據(jù)，經(jīng)過圖4所示結(jié)構(gòu)的網(wǎng)絡后得到模型輸出，該輸出為經(jīng)過模型后的預測向量，預測向量是視頻圖片對應的向量，向量由廣告類別概率值組成；另外，訓練數(shù)據(jù)中的廣告類別序列為真實值，真實值是每個視頻圖片匹配的廣告類別。

根據(jù)預測值和真實值可以確定損失(loss)函數(shù)，損失函數(shù)J(θ)的公式可以表示為：

其中，P(AD＝ad_i|image_i)表示對應第i個視頻圖片image_i，其對應的經(jīng)過模型后的預測向量AD在該視頻圖片對應的真實值ad_i的位置上的概率值。

訓練目標是：最小化損失函數(shù)，得到損失函數(shù)值最小時的模型參數(shù)。具體的，可以采用基于梯度的優(yōu)化算法進行最小化損失函數(shù)運算。進一步的，基于梯度的優(yōu)化算法中，可以采用通過時間的反向傳播(Backpropagation Through Time，BPTT)算法計算參數(shù)的梯度。

基于梯度的優(yōu)化算法，其思想是通過計算某一組(稱為mini-batch size)訓練樣本的梯度(參數(shù)的偏導數(shù))，來迭代更新隨機初始化過的參數(shù)，從而在多次迭代之后可以讓深度學習網(wǎng)絡根據(jù)參數(shù)所計算出的值，與實際值之間的差在所定義的loss函數(shù)上最小化。

BPTT算法是在RNN網(wǎng)絡中的一種有效的計算參數(shù)的梯度的方法。

在模型參數(shù)確定后，就得到了具有確定出的模型參數(shù)和采用的模型結(jié)構(gòu)的視頻和廣告匹配模型。

在生成視頻和廣告匹配模型后，就可以在播放視頻內(nèi)容時，播放相應的廣告。

S25：對視頻內(nèi)容進行圖片采樣，得到視頻圖片序列。

S26：根據(jù)已生成的視頻和廣告匹配模型，確定與所述視頻圖片序列對應的廣告，所述視頻和廣告匹配模型基于深度學習訓練生成。

S27：展示所述廣告。

S25-S27的具體內(nèi)容可以參見S11-S13，在此不再詳細說明。

本實施例中，通過視頻和廣告匹配模型確定與視頻內(nèi)容的視頻圖片序列對應的廣告序列，可以展示與視頻內(nèi)容相關的廣告，并且不需要大量的人工關聯(lián)操作，減少人工操作。通過帶有字幕的視頻內(nèi)容構(gòu)造訓練數(shù)據(jù)，可以構(gòu)造弱標注的訓練數(shù)據(jù)，降低人工標注的工作量。

圖5是本申請一個實施例提出的基于深度學習的廣告展示裝置的結(jié)構(gòu)示意圖。

如圖5所示，本實施例的裝置50包括：采樣模塊51、確定模塊52和展示模塊53。

采樣模塊51，用于對視頻內(nèi)容進行圖片采樣，得到視頻圖片序列；

確定模塊52，用于根據(jù)已生成的視頻和廣告匹配模型，確定與所述視頻圖片序列對應的廣告，所述視頻和廣告匹配模型基于深度學習訓練生成；

展示模塊53，用于展示所述廣告。

一些實施例中，參見圖6，該裝置50還包括：用于訓練生成視頻和廣告匹配模型的訓練模塊54，所述訓練模塊54包括：

獲取子模塊541，用于從已有的視頻和廣告日志庫中獲取訓練數(shù)據(jù)，所述視頻和廣告日志庫用于存儲訓練數(shù)據(jù)，所述訓練數(shù)據(jù)根據(jù)已有的包含字幕的視頻內(nèi)容構(gòu)造得到；

確定子模塊542，用于確定模型結(jié)構(gòu)；

訓練子模塊543，用于根據(jù)所述訓練數(shù)據(jù)和所述模型結(jié)構(gòu)進行訓練，生成視頻和廣告匹配模型。

一些實施例中，參見圖6，該裝置50還包括：用于構(gòu)造訓練數(shù)據(jù)的構(gòu)造模塊55，所述構(gòu)造模塊55具體用于：

將收集的各個包含字幕的視頻內(nèi)容分別作為當前視頻內(nèi)容，并對應各個當前視頻內(nèi)容執(zhí)行：

對當前視頻內(nèi)容進行采樣，得到視頻圖片序列；

提取視頻圖片序列中各個視頻圖片的字幕，并采用文本串相似度匹配方式，確定與提取出的字幕匹配的廣告，作為各個視頻圖片匹配的廣告；

根據(jù)各個視頻圖片匹配的廣告確定各個視頻圖片對應的廣告信息，并將視頻圖片序列及對應的廣告信息序列作為一組訓練數(shù)據(jù)，所述廣告信息序列由視頻圖片序列中各個視頻圖片對應的廣告信息組成。

一些實施例中，所述確定子模塊542確定的所述模型結(jié)構(gòu)包括：深度學習網(wǎng)絡結(jié)構(gòu)。

一些實施例中，所述深度學習網(wǎng)絡結(jié)構(gòu)包括：RNN結(jié)構(gòu)。

一些實施例中，所述訓練子模塊543具體用于：

根據(jù)所述訓練數(shù)據(jù)和所述模型結(jié)構(gòu)確定損失函數(shù)，所述損失函數(shù)中的參數(shù)包括模型參數(shù)；

采用基于梯度的優(yōu)化算法最小化損失函數(shù)，以確定出模型參數(shù)，其中采用BPTT算法計算參數(shù)的梯度；

在模型參數(shù)確定后，得到具有所述模型參數(shù)和所述模型結(jié)構(gòu)的視頻和廣告匹配模型。

可以理解的是，本實施例的裝置與上述方法實施例對應，具體內(nèi)容可以參見方法實施例的相關描述，在此不再詳細說明。

本實施例中，通過視頻和廣告匹配模型確定與視頻內(nèi)容相關的廣告，可以播放與視頻內(nèi)容相關的廣告，并且不需要大量的人工關聯(lián)操作，減少人工操作。

可以理解的是，上述各實施例中相同或相似部分可以相互參考，在一些實施例中未詳細說明的內(nèi)容可以參見其他實施例中相同或相似的內(nèi)容。

需要說明的是，在本申請的描述中，術語“第一”、“第二”等僅用于描述目的，而不能理解為指示或暗示相對重要性。此外，在本申請的描述中，除非另有說明，“多個”的含義是指至少兩個。

流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用于實現(xiàn)特定邏輯功能或過程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本申請的優(yōu)選實施方式的范圍包括另外的實現(xiàn)，其中可以不按所示出或討論的順序，包括根據(jù)所涉及的功能按基本同時的方式或按相反的順序，來執(zhí)行功能，這應被本申請的實施例所屬技術領域的技術人員所理解。

應當理解，本申請的各部分可以用硬件、軟件、固件或它們的組合來實現(xiàn)。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現(xiàn)。例如，如果用硬件來實現(xiàn)，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現(xiàn)：具有用于對數(shù)據(jù)信號實現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(PGA)，現(xiàn)場可編程門陣列(FPGA)等。

本技術領域的普通技術人員可以理解實現(xiàn)上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質(zhì)中，該程序在執(zhí)行時，包括方法實施例的步驟之一或其組合。

此外，在本申請各個實施例中的各功能單元可以集成在一個處理模塊中，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模塊中。上述集成的模塊既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。所述集成的模塊如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質(zhì)中。

上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。

在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本申請的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結(jié)合。

盡管上面已經(jīng)示出和描述了本申請的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本申請的限制，本領域的普通技術人員在本申請的范圍內(nèi)可以對上述實施例進行變化、修改、替換和變型。