聚类处理方法和装置

技术领域

本说明书一个或多个实施例涉及人工智能技术领域，尤其涉及一种聚类处理方法和装置。

背景技术

在多种应用场景下，常常会使用聚类方法将分析对象进行聚类，然后进一步对聚类结果进行分析。例如，对消费数据进行聚类，分析各消费群体的消费模式或习惯，从而有针对性地为其提供服务。再例如，对用户网络行为进行分析并进行聚类，从而进行风险识别。然而，随着大数据时代的到来，数据体量逐渐增加，亟待提供算法简单且收敛速度快的聚类处理方法。

发明内容

有鉴于此，本说明书一个或多个实施例描述了一种算法简单且收敛速度快的聚类处理方法。

根据第一方面，提供了一种聚类处理方法，包括：

获取利用被分析主体的相关数据构建的网络图，所述网络图包括节点和边，所述节点包括被分析主体，所述边的权重指示节点之间的相关性；

利用所述网络图得到一阶标签传播概率矩阵；

基于所述一阶标签传播概率矩阵得到N阶标签传播概率矩阵，所述N为2以上的正整数，所述N阶标签传播概率矩阵包括各节点之间通过N阶以下方式传播标签的概率；

利用所述N阶标签传播概率矩阵，进行节点之间的标签传播，直至满足预设的收敛条件；

利用所述标签传播的结果，确定所述被分析主体的聚类结果。

在一个实施例中，所述节点还包括与被分析主体存在关系的其他对象。

在另一个实施例中，利用所述网络图得到一阶标签传播概率矩阵包括：

利用网络图中节点及其一阶邻居节点之间边的权重、所有边中权重的最大值和最小值，确定各节点之间的一阶标签传播概率；

由各节点之间的一阶标签传播概率得到所述一阶标签传播概率矩阵。

在一个实施例中，所述利用网络图中节点及其一阶邻居节点之间边的权重、所有边中权重的最大值和最小值，确定各节点之间的一阶标签传播概率包括：

若节点i和节点j在网络图中不存在边，则确定节点i和节点j之间的一阶标签传播概率为0；

若节点i和节点j在网络图中存在边，则确定节点i和节点j之间的一阶标签传播概率p

在另一个实施例中，基于所述一阶标签传播概率矩阵得到N阶标签传播概率矩阵包括：

利用各节点之间的一阶标签传播概率，确定网络图中各节点之间所经过各路径的标签传播概率，所述路径包括N跳以内的所有路径；

利用各节点之间所经过各路径的标签传播概率以及所有节点之间所经过各路径的标签传播概率的最大值，确定各节点之间的N阶标签传播概率；

由各节点之间的N阶标签传播概率得到所述N阶标签传播概率矩阵。

在一个实施例中，所述N取2；

节点i和节点j之间的二阶标签传播概率q

其中，V为所述网络图中的节点集合，n为所述网络图中的节点数量，α为预设的距离衰减系数，所述p

在另一个实施例中，利用所述N阶标签传播概率矩阵，进行节点之间的标签传播包括：

利用所述网络图中各节点的标签构建标签矩阵；

每一轮传播中，利用所述N阶标签传播概率矩阵与标签矩阵的乘积，更新标签矩阵；

重复执行传播直至达到预设的收敛条件。

在一个实施例中，利用所述网络图中各节点的标签构建标签矩阵包括：利用所述网络图中各节点的第一标签构建标签矩阵；

利用所述标签传播的结果，确定所述被分析主体的聚类结果包括：将具有相同第一标签的节点划分为一类簇；将同一类簇中占比最高的被分析主体的第二标签作为该类簇的标签。

在另一个实施例中，利用所述网络图中各节点的标签构建标签矩阵包括：利用所述网络图中各节点被标注的第二标签和未标注标签构建标签矩阵；

在每一轮传播中所述更新标签矩阵之后，进一步包括利用初始被标注第二标签的节点对应的第二标签重置更新后的标签矩阵；

利用所述标签传播的结果，确定所述被分析主体的聚类结果包括：将具有相同第二标签的节点划分为一类簇，且将同一类簇的第二标签作为该类簇的标签。

根据第二方面，提供一种聚类处理装置，包括：

图获取单元，被配置为获取利用被分析主体的相关数据构建的网络图，所述网络图包括节点和边，所述节点包括被分析主体，所述边的权重指示节点之间的相关性；

第一矩阵获取单元，被配置为利用所述网络图得到一阶标签传播概率矩阵；

第二矩阵获取单元，被配置为基于所述一阶标签传播概率矩阵得到N阶标签传播概率矩阵，所述N为2以上的正整数，所述N阶标签传播概率矩阵包括各节点之间通过N阶以下方式传播标签的概率；

标签传播单元，被配置为利用所述N阶标签传播概率矩阵，进行节点之间的标签传播，直至满足预设的收敛条件；

结果确定单元，被配置为利用所述标签传播的结果，确定所述被分析主体的聚类结果。

在一个实施例中，所述节点还包括与被分析主体存在关系的其他对象。

在另一个实施例中，所述第一矩阵获取单元，具体被配置为利用网络图中节点及其一阶邻居节点之间边的权重、所有边中权重的最大值和最小值，确定各节点之间的一阶标签传播概率；由各节点之间的一阶标签传播概率得到所述一阶标签传播概率矩阵。

在一个实施例中，所述第一矩阵获取单元，具体被配置为：

若节点i和节点j在网络图中不存在边，则确定节点i和节点j之间的一阶标签传播概率为0；

若节点i和节点j在网络图中存在边，则确定节点i和节点j之间的一阶标签传播概率p

在另一个实施例中，所述第二矩阵获取单元，具体被配置为：

利用各节点之间的一阶标签传播概率，确定网络图中各节点之间所经过各路径的标签传播概率，所述路径包括N跳以内的所有路径；

利用各节点之间所经过各路径的标签传播概率以及所有节点之间所经过各路径的标签传播概率的最大值，确定各节点之间的N阶标签传播概率；

由各节点之间的N阶标签传播概率得到所述N阶标签传播概率矩阵。

在一个实施例中，所述N取2；

节点i和节点j之间的二阶标签传播概率q

其中，V为所述网络图中的节点集合，n为所述网络图中的节点数量，α为预设的距离衰减系数，所述p

在另一个实施例中，所述标签传播单元，具体被配置为：利用所述网络图中各节点的标签构建标签矩阵；每一轮传播中，利用所述N阶标签传播概率矩阵与标签矩阵的乘积，更新标签矩阵；重复执行传播直至达到预设的收敛条件。

在一个实施例中，所述标签传播单元，具体被配置为利用所述网络图中各节点的第一标签构建标签矩阵；

所述结果确定单元，具体被配置为将具有相同第一标签的节点划分为一类簇；将同一类簇中占比最高的被分析主体的第二标签作为该类簇的标签。

在另一个实施例中，所述标签传播单元，具体被配置为利用所述网络图中各节点被标注的第二标签和未标注标签构建标签矩阵；

所述标签传播单元，进一步被配置为在每一轮传播中所述更新标签矩阵之后，利用初始被标注第二标签的节点对应的第二标签重置更新后的标签矩阵；

所述结果确定单元，具体被配置为将具有相同第二标签的节点划分为一类簇，且将同一类簇的第二标签作为该类簇的标签。

根据第三方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

根据本说明书实施例提供的方法和装置，基于标签传播的方式进行聚类，计算复杂度低，并且对标签传播算法进行改进，确定二阶以上的标签传播概率矩阵，基于二阶以上的标签传播概率矩阵进行标签传播，从而提高了收敛速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据一个实施例的聚类处理方法的流程图；

图2示出了根据一个实施例的节点连接关系示意图；

图3示出了根据一个实施例的聚类处理装置的结构图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

标签传播算法(LPA，Lable Propagation Algorithm)是目前已有的一种基于图的半监督学习方法，由于该算法简单易实现，且算法执行时间短、复杂度低且分类效果好，而逐渐引起关注并将其广泛应用于各种分类场景。传统的标签传播算法在标签传播的过程中会考虑节点的一阶关系节点的标签以及相连接的边，将边的权重以一定的方式转化为概率，并以这个概率决定是否将标签传播到一阶节点邻居节点。但传统的标签传播算法在节点数量非常大时，算法收敛速度很慢甚至无法收敛。有鉴于此，本说明书基于标签传播算法进行改进，以提高收敛速度。

下面描述以上构思的具体实现方式。

图1示出根据一个实施例的聚类处理方法的流程图。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图1所示，该方法包括:

步骤101，获取利用被分析主体的相关数据构建的网络图，网络图包括节点和边，节点包括被分析主体，边的权重指示节点之间的相关性。

步骤103，利用网络图得到一阶标签传播概率矩阵。

步骤105，基于一阶标签传播概率矩阵得到N阶标签传播概率矩阵，N为2以上的正整数，N阶标签传播概率矩阵包括各节点之间通过N阶以下方式传播标签的概率。

步骤107，利用N阶标签传播概率矩阵，进行节点之间的标签传播，直至满足预设的收敛条件；利用标签传播的结果，确定被分析主体的聚类结果。

可以看出，在图1所示的方法中基于标签传播的方式进行聚类，计算复杂度低，并且对标签传播算法进行改进，确定二阶以上的标签传播概率矩阵，基于二阶以上的标签传播概率矩阵进行标签传播，从而提高了收敛速度。

另外，由于上述聚类处理方法在标签传播过程中考虑了2阶以上的邻居节点，因此不易陷入局部最优解。

下面描述图1所示的各个步骤的执行方式。

首先结合实施例对上述步骤101即“获取利用被分析主体的相关数据构建的网络图”进行详细描述。

本步骤是根据实际的应用场景确定被分析主体，然后利用被分析主体的相关数据构建网络图。例如，在针对用户的风险识别场景下，被分析主体就是用户，可以利用用户的相关数据构建网络图。再例如，在针对商品进行聚类的场景下，被分析主体就是商品，可以利用商品的相关数据构建网络图。

在本说明书中构建的网络图可以是同构网络图，即网络中的节点均为同一种类型。例如，节点均为用户，节点之间的边指示用户之间存在关联，边的权重用以指示用户之间的相关性，权重越高说明相关性越大。该相关性可以通过用户之间的交易行为、通讯录关系等进行体现。

除此之外，本说明书中构建的网络图也可以是异构网络图，即网络中的节点的类型大于一种或者边的类型大于一种。例如，节点包括用户、用户设备、网络(例如wifi标识)。若用户使用过某用户设备，则两个对应节点之间存在边，边的权重可以依据使用次数或频率确定。若用户使用过某wifi，则两个对应节点之间存在边，边的权重可以依据使用次数或频率确定。若用户与用户之间存在关联，则两个对应节点之间存在边，边的权重可以依据用户之间的交易行为、通讯录关系等进行体现。

以异构网络为例，被分析主体的节点集合表示为

下面结合实施例对上述步骤103即“利用网络图得到一阶标签传播概率矩阵”进行详细描述。

一阶标签传播概率矩阵描述的是网络图中任意两个节点之间标签传播的概率，以上面描述的G(V,E,W)异构网络图为例，其中节点的数量为n

作为其中可以实现的方式是，可以利用网络图中节点及其一阶邻居节点之间边的权重、所有边中权重的最大值和最小值，确定各节点之间的一阶标签传播概率；由各节点之间的一阶标签传播概率得到一阶标签传播概率矩阵。

在此提供一种优选的实施方式，若节点i和节点j在网络图中不存在边(本申请实施例中涉及的边指的是两个节点之间直接连接的边)，也就是说，节点i和节点j不是一阶邻居，中间没有直接连接两个节点的边，则确定节点i和节点j之间的一阶标签传播概率为0。

若节点i和节点j在网络图中存在边，则确定节点i和节点j之间的一阶标签传播概率p

其中，w

w

w

需要说明的是，上述公式(1)仅仅是一个优选的例子，在此公式(1)思路或基础上进行的改动或替换均在本公开的保护范围内。

下面结合实施例对上述步骤105即“基于一阶标签传播概率矩阵得到N阶标签传播概率矩阵”进行详细描述。

本说明书中涉及的N为2以上的正整数，N阶标签传播概率矩阵包括各节点之间通过N阶以下方式传播标签的概率。所谓N阶代表的是标签传播经过了N跳节点。在N阶标签传播概率矩阵中的各值为节点之间的N阶标签传播概率，优选地，N取2。例如，节点i和节点j之间的二阶标签传播概率q

在获取N阶标签传播概率矩阵时，可以利用各节点之间的一阶标签传播概率，确定网络图中各节点之间所经过各路径的标签传播概率，其中路径包括N跳以内的所有路径。然后利用各节点之间所经过各路径的标签传播概率以及所有节点之间所经过各路径的标签传播概率的最大值，确定各节点之间的N阶标签传播概率。最终由各节点之间的N阶标签传播概率得到N阶标签传播概率矩阵。

以N取2即二阶标签传播概率矩阵为例，确定节点i和节点j之间的二阶标签传播概率q

其中，V为网络图中的节点集合。n为网络图中的节点数量，例如上面所提及异构网络中的n

在上述公式(4)中，p

为了方便理解，举一个例子。假设在关系图中节点1和节点2的连接关系如图2中所示，在确定节点1和节点2之间的二阶标签传播概率q

其中，“节点1-节点4-节点2”路径的传播概率为p

那么公式(4)的分子即为：α(p

采用类似的方式可以计算得到关系图中所有节点之间两跳路径的标签传播概率和一跳路径的标签传播概率，取其中的最大值作为上述公式(4)的分母。

从该例子中可以看出，本说明书实施例中所提供的方式确定的二阶标签传播概率矩阵不仅纳入了节点之间的一跳路径，即节点与节点之间直接的关系，还进一步纳入了节点之间的两跳路径，即节点与节点之间间接的关系。

下面结合实施例对上述步骤107即“利用N阶标签传播概率矩阵，进行节点之间的标签传播，直至满足预设的收敛条件；利用标签传播的结果，确定被分析主体的聚类结果”进行详细描述。

在本步骤中可以利用网络图中各节点的标签构建标签矩阵；每一轮传播中，利用N阶标签传播概率矩阵与标签矩阵的乘积，更新标签矩阵；重复执行传播直至达到预设的收敛条件。

在上面的过程中，利用N阶标签传播概率矩阵与标签矩阵的乘积，更新标签矩阵实际上就是标签传播的过程。即每个节点以标签传播概率矩阵中对应的概率将标签传播到N阶以下的邻居节点。这种传播方式显然加快了标签传播的收敛速度。

作为其中一种可实现的方式，可以利用网络图中各节点的第一标签构建标签矩阵，假设表示为F。其中采用的第一标签可以是节点标识、编号等，通常是节点特有的标签。以二阶标签传播为例，在每一轮传播中，利用二阶标签传播概率矩阵Q与标签矩阵F的乘积来更新标签矩阵F，也就是说，利用QF作为更新后的F。该传播过程中，如果两个节点之间相关度越高，越容易传播标签，每个节点以一定的概率将标签传播到一阶邻居和二阶邻居，从而加快标签传播的收敛速度。

在此需要说明的是，本说明书中涉及的“第一标签”、“第二标签”中的“第一”和“第二”并不具备数量、顺序、大小等方面的限制，仅仅用以在名称上对不同表达的表现进行区分。

重复传播过程，直至达到预设的收敛条件。其中收敛条件可以是诸如标签停止传播或者聚类模块度不再增加，等等。

其中标签停止传播可以理解为所有节点的标签不再变化，或者达到一定比例(例如99.9％)的节点标签不再变化。

模块度(Modularity)是目前比较常用的一种衡量网络社区结构强度的方法，本说明书中的各社区对应的就是各类簇。其值越接近1，表示各类簇的强度越强，划分质量越好。模块度可以由得到的各类簇之间边的数量和类簇内边的数量来衡量，例如模块度M可以表示为：

其中，e

经过算法收敛后，将具有相同第一标签的节点划分为一类簇。也就是说，每个类簇内的节点的第一标签均相同，不同类簇的节点的第一标签不同。

在经过聚类之后，由于一些节点带有第二标签，该第二标签通常是对节点额外标注的。以风险识别场景为例，可以是对部分用户标注的是否是风险用户的标签，也可以是对部分用户标注的风险类别标签等。在这种场景下，可以将同一类簇中占比最高的被分析主体的第二标签作为该类簇的标签。例如，如果一个类簇中被标注为高风险用户的占比高，那么可以标注该类簇为高风险，认为该类簇中的用户均为高风险用户。

作为另一种可实现的方式，可以直接利用对部分节点标注的第二标签进行标签传播和聚类。由于第二标签通常是对节点预先标注的，第二标签的标签种类是已知的，假设有C个种类的第二标签，被标注有第二标签的节点有L个。被标注第二标签的节点的标签矩阵可以表示为一个L×C的矩阵，表示为YL。YL中的第i行表示第i个节点的标签指示向量，如果该第i个节点的第二标签为第j个类别，则YL中第i行的第j个元素为1，第i行的其他元素为0。同样，也给U个未标注第二标签的节点表示为一个U×C的矩阵，表示为YU。YU中的初始值可以随机设置。那么对于网络图而言，标签矩阵F实际上就等于YL和YU的合并。

在每一轮传播时，首先利用N阶标签传播概率矩阵Q与标签矩阵F的乘积来更新标签矩阵F，也就是说，利用QF作为更新后的F。该传播过程中，如果两个节点之间相关度越高，越容易传播标签，每个节点以一定的概率将标签传播到一阶邻居、二阶邻居…N阶邻居，从而加快标签传播的收敛速度。

更进一步地，由于被标注第二标签的节点是已经明确了标签的，不能在传播过程中被带跑偏，因此，在每一轮传播中，利用QF作为更新后的F之后，都需要利用初始被标注第二标签的节点对应的第二标签重置更新后的标签矩阵F。即按照YL重置更新后的F中对应位置的标签。

重复上述传播过程(每一轮包括更新标签矩阵和重置标签矩阵)，直至达到预设的收敛条件。其中收敛条件可以是诸如标签停止传播或者聚类模块度不再增加，等等。

经过算法收敛后，将具有相同第二标签的节点划分为一类簇。也就是说，每个类簇内的节点的第二标签均相同，不同类簇的节点的第二标签不同。并且将同一类簇的第二标签作为该类簇的标签。通过上述算法就将未标注第二标签的节点也传播上了第二标签。

从上面实施例中所述的方式可以看出，标签传播算法仅涉及线性计算，计算复杂度低，采用N阶标签传播概率矩阵提高了收敛速度，且不易陷入局部最优解。在处理上亿级别以上节点和边的网络图时，依然有良好的表现。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上是对本公开所提供方法进行的详细描述，下面结合实施例对本公开所提供装置进行详细描述。

图3示出根据一个实施例的聚类处理装置的结构图，如图3中所示，该装置300可以包括：图获取单元301、第一矩阵获取单元302、第二矩阵获取单元303、标签传播单元304和结果确定单元305。其中各组成单元的主要功能如下：

图获取单元301，被配置为获取利用被分析主体的相关数据构建的网络图，网络图包括节点和边，节点包括被分析主体，边的权重指示节点之间的相关性。

第一矩阵获取单元302，被配置为利用网络图得到一阶标签传播概率矩阵。

第二矩阵获取单元303，被配置为基于一阶标签传播概率矩阵得到N阶标签传播概率矩阵，N为2以上的正整数，N阶标签传播概率矩阵包括各节点之间通过N阶以下方式传播标签的概率。

标签传播单元304，被配置为利用N阶标签传播概率矩阵，进行节点之间的标签传播，直至满足预设的收敛条件。

结果确定单元305，被配置为利用标签传播的结果，确定被分析主体的聚类结果。

其中，图获取单元301获取的网络图可以是同构网络图，即网络中的节点均为同一种类型。也可以是异构网络图，即网络中的节点的类型大于一种或者边的类型大于一种。在异构网络图中，节点还包括与被分析主体存在关系的其他对象。

作为其中一种可以实现的方式，第一矩阵获取单元302，可以具体被配置为利用网络图中节点及其一阶邻居节点之间边的权重、所有边中权重的最大值和最小值，确定各节点之间的一阶标签传播概率；由各节点之间的一阶标签传播概率得到一阶标签传播概率矩阵。

例如，若节点i和节点j在网络图中不存在边，则第一矩阵获取单元302确定节点i和节点j之间的一阶标签传播概率为0。

若节点i和节点j在网络图中存在边，则第一矩阵获取单元302可以确定节点i和节点j之间的一阶标签传播概率p

作为一种可实现的方式，第二矩阵获取单元303，可以具体被配置为：

利用各节点之间的一阶标签传播概率，确定网络图中各节点之间所经过各路径的标签传播概率，路径包括N跳以内的所有路径；

利用各节点之间所经过各路径的标签传播概率以及所有节点之间所经过各路径的标签传播概率的最大值，确定各节点之间的N阶标签传播概率；

由各节点之间的N阶标签传播概率得到N阶标签传播概率矩阵。

作为一种优选的情况，N取2。节点i和节点j之间的二阶标签传播概率q

其中，V为网络图中的节点集合，n为网络图中的节点数量，α为预设的距离衰减系数，p

标签传播单元304，可以具体被配置为：利用网络图中各节点的标签构建标签矩阵；每一轮传播中，利用N阶标签传播概率矩阵与标签矩阵的乘积，更新标签矩阵；重复执行传播直至达到预设的收敛条件。

作为其中一种可实现的方式，标签传播单元304，具体被配置为利用网络图中各节点的第一标签构建标签矩阵。

结果确定单元305，具体被配置为将具有相同第一标签的节点划分为一类簇；将同一类簇中占比最高的被分析主体的第二标签作为该类簇的标签。

作为另外一种可实现的方式，标签传播单元304，具体被配置为利用网络图中各节点被标注的第二标签和未标注标签构建标签矩阵。

标签传播单元304，进一步被配置为在每一轮传播中更新标签矩阵之后，利用初始被标注第二标签的节点对应的第二标签重置更新后的标签矩阵。

结果确定单元305，具体被配置为将具有相同第二标签的节点划分为一类簇，且将同一类簇的第二标签作为该类簇的标签。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图1所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图1所述的方法。

随着时间、技术的发展，计算机可读存储介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本说明书中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

上述的处理器可包括一个或多个单核处理器或多核处理器。处理器可包括任何一般用途处理器或专用处理器(如图像处理器、应用处理器基带处理器等)的组合。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。