一种情绪分析方法、系统、设备及可读存储介质

技术领域

本申请实施例涉及人工智能技术领域，具体涉及一种情绪分析方法、系统、设备及可读存储介质。

背景技术

现有市场上的技术主要通过声音转文字的技术对声音所包含的信息进行分析，很难识别出声音所代表的情绪情感；或者，即使通过一些关键字能识别部分情绪情感，但是换了其他的语种这种方式即失效；又或者当前已有的通过声音特征识别情绪情感的技术由于对于本质特征提取不全面，导致分析不准确。

发明内容

为此，本申请实施例提供一种情绪分析方法、系统、设备及可读存储介质，不通过声音转文字信息，而是通过提取声音的本质特征，利用AI技术对样本进行训练，从而形成情绪情感分析模型，并用该模型来分析声音所蕴含的情绪情感。

为了实现上述目的，本申请实施例提供如下技术方案：

根据本申请实施例的第一方面，提供了一种情绪分析方法，所述方法包括：

获取声音样本音频，对所述声音样本音频进行标准化处理，对标准化处理后的声音样本音频打上预先定义的情绪类别标签；

提取打过标签的所述声音样本音频的音频特征，所述音频特征包括MFCC特征矩阵、样本音频片段的过零率等声纹声学特征信息；再将所述音频特征转换为数学数据，所述数学数据包括声音样本音频的MFCC特征矩阵、过零率信息等声纹声学特征数据；

将所述数学数据的数据矩阵与所述情绪类别标签绑定形成集合，并将所述标签集合转换为数学矩阵；并将该数学矩阵的数据按照比例随机拆分为训练集和测试集。

使用tensorflow对上述训练集中数据进行训练，得到情绪分析模型；基于所述情绪分析模型通过程序脚本自动处理加人工辅助处理的方式对测试样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致。若不一致，分析所述测试样本数据和对应的情绪类别标签是否准确，若所述测试样本数据不准确，则舍弃所述测试样本；若所述对应的情绪类别标签不准确，则重新打标签；将重新打标签后的测试样本放入训练集，调整tensorflow训练参数，对上述调整后的训练集重新进行训练，并增加新的测试样本到测试集中以进行下一次测试，重复上述过程，直到测试集上样本的准确率满足设定阈值。

可选地，所述情绪类别标签包括高兴、悲伤、愤怒、恐惧、厌恶、惊喜、平静和忧伤等。情绪类别标签会根据业务需求进行适当调整。

可选地，所述情绪分析模型按照如下步骤进行训练：

设置训练参数，所述训练参数包括训练次数、层次结构、激活函数和代价函数、优化函数等；

将中间数据以图形化形式显示出来，在训练结束的时候，观察loss和acc中间参数；若loss和acc中间参数不符合预期，则修改参数重新训练，以使得loss和acc中间参数符合预期。

可选地，所述方法还包括：

利用所述情绪分析模型对测试音频样本进行分析，基于所述情绪分析模型通过程序脚本自动处理加人工辅助处理的方式检查所述测试音频样本的分析结果是否准确，对于不准确的音频数据如果是标签不准确，则重新打上正确标签，然后放入训练集中，以更新训练集。如果数据不准确的，则舍弃。

根据本申请实施例的第二方面，提供了一种情绪分析系统，所述系统包括：

样本初始处理模块，用于获取声音样本音频，对所述声音样本音频进行标准化处理，对标准化处理后的声音样本音频打上预先定义的情绪类别标签；

特征转换模块，用于提取打过标签的所述声音样本音频的音频特征，所述音频特征包括MFCC特征矩阵、样本音频片段的过零率等声纹声学特征信息；再将所述音频特征转换为数学数据，所述数学数据包括声音样本音频的MFCC特征矩阵、过零率信息等声纹声学特征数据；

标签绑定模块，用于所述数学数据的数据矩阵与所述情绪类别标签绑定形成集合，并将所述标签集合转换为数学矩阵；并将该数学矩阵的数据按照比例随机拆分为训练集和测试集；

模型训练模块，用于使用tensorflow对上述训练集数据进行训练，得到情绪分析模型；

模型测试模块，用于基于所述情绪分析模型对测试样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致，若不一致，判断所述测试样本数据和对应的情绪类别标签是否准确，若所述测试样本数据不准确，则舍弃所述测试样本；若所述对应的情绪类别标签不准确，则重新打标签；将重新打标签后的测试样本放入训练集，调整tensorflow训练参数，对上述训练集重新进行训练，并补充新的测试样本到测试集中，用于下一次测试。重复上述过程，直到测试集上样本的准确率满足设定阈值。

可选地，所述情绪类别标签包括高兴、悲伤、愤怒、恐惧、厌恶、惊喜、平静和忧伤等。情绪类别标签会根据业务需求进行适当调整。

可选地，所述模型训练模块具体用于：

设置训练参数，所述训练参数包括训练次数、层次结构、激活函数和代价函数、优化函数等；

将中间数据以图形化形式显示出来，在训练结束的时候，观察loss和acc中间参数；若loss和acc中间参数不符合预期，则修改参数重新训练，以使得loss和acc中间参数符合预期。

可选地，所述系统还包括：

模型测试模块，用于利用所述情绪分析模型对测试音频样本进行分析，基于所述情绪分析模型通过程序脚本自动处理加人工辅助处理的方式对测试样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致，若不一致，判断所述测试样本数据和对应的情绪类别标签是否准确，若所述测试样本数据不准确，则舍弃所述测试样本；若所述对应的情绪类别标签不准确，则重新打标签；将重新打标签后的测试样本放入训练集，调整tensorflow训练参数，对上述调整后的训练集重新进行训练，并增加新的测试样本到测试集中以进行下一次测试，重复上述过程，直到测试集上样本的准确率满足设定阈值。

根据本申请实施例的第三方面，提供了一种设备，所述设备包括：数据采集装置、处理器和存储器；所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行第一方面任一项所述的方法。

根据本申请实施例的第四方面，提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如第一方面任一项所述的方法。

综上所述，本申请实施例提供了一种情绪分析方法、系统、设备及可读存储介质，通过获取声音样本音频，对所述声音样本音频进行标准化处理，对标准化处理后的声音样本音频打上预先定义的情绪类别标签；提取打过标签的所述样本音频的音频特征，所述音频特征包括MFCC特征矩阵、样本音频片段的过零率等声纹声学特征信息；再将所述音频特征转换为数学数据，所述数学数据包括声音样本音频的MFCC特征矩阵、过零率信息等声纹声学特征数据；将所述数学数据的数据矩阵与所述情绪类别标签绑定形成集合，并将所述标签集合转换为数学矩阵；并将该数学矩阵的数据按照比例随机拆分为训练集和测试集；使用tensorflow对上述训练集进行训练，得到情绪分析模型；基于所述情绪分析模型通过程序脚本自动处理加人工辅助处理的方式对测试样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致。如果不一致，判断所述测试样本数据和对应的情绪类别标签是否准确，若所述测试样本数据不准确，则舍弃所述测试样本；若所述对应的情绪类别标签不准确，则重新打标签；将重新打标签后的测试样本放入训练集，调整tensorflow训练参数，对上述调整后的训练集重新进行训练，并增加新的测试样本到测试集中，以进行下一次测试。重复上述过程，直到测试集上样本的准确率满足设定阈值。利用本模型可以准确又快捷的分析声音所蕴含的情绪。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

图1为本申请实施例提供的一种情绪分析方法流程示意图；

图2为本申请实施例提供的情绪分析实施例示意图；

图3为本申请实施例提供的情绪分析系统框图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了本申请实施例提供的一种情绪分析方法流程示意图，不通过声音转文字信息，而是通过提取声音的本质特征，利用AI技术对样本进行训练，从而形成情绪情感分析模型，并用该模型来分析声音所蕴含的情绪情感。利用识别出的情绪情感来对业务进行针对性的处理。

如图1所示，所述方法包括如下步骤：

步骤101：获取声音样本音频，对所述声音样本音频进行标准化处理，对标准化处理后的声音样本音频打上预先定义的情绪类别标签。

步骤102：提取打过标签的所述声音样本音频的音频特征，所述音频特征包括MFCC特征矩阵、样本音频片段的过零率等声纹声学特征信息；再将所述音频特征转换为数学数据，所述数学数据包括声音样本音频的MFCC特征矩阵、过零率信息等声纹声学特征数据。

步骤103：将所述数学数据的数据矩阵与所述情绪类别标签绑定形成集合，并将所述标签集合转换为数学矩阵；并将该数学矩阵的数据按照比例随机拆分为训练集和测试集。

步骤104：使用tensorflow对上述训练集数据进行训练，得到情绪分析模型。

步骤105：基于所述情绪分析模型对测试样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致，若不一致，判断所述测试样本数据和对应的情绪类别标签是否准确，若所述测试样本数据不准确，则舍弃所述测试样本；若所述对应的情绪类别标签不准确，则重新打标签；将重新打标签后的测试样本放入训练集，调整tensorflow训练参数，对上述训练集重新进行训练，并补充新的测试样本到测试集中，用于下一次测试。重复上述过程，直到测试集上样本的准确率满足设定阈值。

在一种可能的实施方式中，所述情绪类别标签包括但不限于高兴、悲伤、愤怒、恐惧、厌恶、惊喜、平静和忧伤等。情绪类别标签会根据业务需求进行适当调整。

在一种可能的实施方式中，所述情绪分析模型按照如下步骤进行训练：设置训练参数，所述训练参数包括训练次数、层次结构、激活函数和代价函数、优化函数等；将中间数据以图形化形式显示出来，在训练结束的时候，观察loss和acc中间参数；若loss和acc中间参数不符合预期，则修改参数重新训练，以使得loss和acc中间参数符合预期。

在一种可能的实施方式中，所述方法还包括：

利用所述情绪分析模型对测试音频样本进行分析，使用程序脚本自动处理加人工辅助处理的方式检查所述测试音频样本的分析结果是否正确，对于不正确的音频数据分析原因。对比较典型的音频数据进行标准化标签化处理，然后放入训练集中，以更新训练集。

本申请实施例提供的方法，不受语种(中文、英文等)方言(普通话、闽南话等)的影响，不需要提取声音所包含的文字信息，能够比较准确的识别出声音所蕴含的情绪。

本技术主要利用当前的AI技术(tensorflow)训练出情绪情感模型，然后再利用模型对语音进行情绪情感分析。下面结合图2对本申请实施例提供的方法的主要步骤进行进一步描述：

步骤1：准备声音样本，并对样本进行标准化处理(例如每个样本时长2.5s，采样率16000，单声道。此标准可以根据业务需要调整)。

步骤2：对样本进行打标签工作。首先根据需求将声音中所蕴含的情绪分为高兴、悲伤、愤怒、恐惧、厌恶、惊喜、平静，忧伤等多种情绪(情绪类别分类可根据业务需求进行适当调整)；然后采取人工处理的方式，对音频样本打上对应的情绪标签。打标签的过程中，要求打的标签必须准确无误，同时样本必须要具有很强的代表性和区分性，对于达不到要求的样本，直接舍弃。打标签的过程始终要遵循宁缺毋滥的原则。

步骤3：对样本音频提取其本质特征，这些特征包含但不限于声音的MFCC特征矩阵、声音片段的过零率等声纹声学特征数据。并将这些特征转换为数学上的数据，所述数学数据包括声音样本音频的MFCC特征矩阵、过零率信息等声纹声学特征数据。然后再将所述数学数据的数据矩阵与所述情绪类别标签绑定形成集合，并将所述标签集合转换为数学矩阵；并将该数学矩阵的数据按照比例随机拆分为训练集和测试集。

步骤4：使用tensorflow对以上样本数据进行训练，得到分析模型。训练的过程包括但不仅限于下面这个过程：设置训练次数，选择层级结构，选择激活函数，选择代价函数，选择优化函数等等。训练的过程中，需要将各种中间数据以图形化形式显示出来，在训练结束的时候，观察loss和acc等各种中间参数。如果loss和acc等参数不符合预期，则修改各种参数重新训练，以使得loss和acc参数符合预期。在理想的状况下，loss一般趋近于0，acc一般趋近于1。

步骤5：利用分析模型对上述测试集上的样本进行测试和验证。利用训练出来的模型通过程序脚本自动处理加人工辅助的方式对测试样本进行测试，得到测试样本的的分析结果。然后比较结果和测试样本自身的标签，如果结果和原来的打好的情绪标签一致，则认为该样本符合预期。如果样本不符合预期，首先检查该样本的数据是否准确，然后再检查该样本的标签是否准确。如果样本的数据不准确，则舍弃该样本；如果标签不准确，则重新打标签。将上述重新打过标签的样本重新放入训练集中，然后调整tensorflow训练参数，重复步骤4，重新训练，直到达到预期目标为止。(一般来讲，测试样本集的准确率要求达到95％以上)。

步骤6：试运行。利用模型对生产环境的音频文件进行分析。利用程序脚本自动处理加人工辅助处理的方式检查生产环境的音频文件的分析结果是否准确。上线初期，需要百分百检查，并计算准确率，错误率等指标。对于上述检查中发现的分析不准确的音频数据做重点处理，包括但不限于采用步骤1步骤2，将该类音频标准化标签化，然后放入训练集中，更新训练集。

步骤7：利用更新的训练集，重复上述1到6步骤，进行迭代。一直到训练集中包含的有代表性的样本越来越丰富，分析越来越准确(人工抽查准确率95％以上)，符合业务要求为止。

总的来说，首先收集样本数据，然后将样本数据统一处理成标准样本(例如时长2.5s，采样率16000，单声道16位。样本标准可根据业务需求调整)。然后对标准化的音频样本进行打标签的工作。然后再对已经打好标签的音频样本数据提取MFCC、过零率等声纹声学特征数据，并与已经打好的标签数据关联形成数据集。对于上述数据集，根据设置的比例将数据集随机划分为训练集和测试集。利用tensorflow进行训练，并记录中间结果数据。当训练批次完成，对中间结果数据进行作图展示。当中间结果acc和loss参数符合我们的预期时，停止训练；否则调整tensorflow的训练参数，继续训练。

使用已经训练好的模型，对新的音频文件进行分析。对于一些分析不准确的典型的音频文件，分析原因。如果该音频文件非常典型，则将该类型音频文件进行标准化操作，并放入训练集中，重新训练，以得到迭代后的更好的模型。重复上述步骤，对模型进行反复迭代，以得到最准确的模型。

可以看出，本申请实施例提供的情绪分析方法，不涉及到音频转文字信息，因此可以跨语种跨方言。提取的声音基本特征，不仅包含MFCC，还包括过零率信息等声纹声学特征数据，从而避免了单一特征导致的特征提取不全面等问题。采用当前最流行的tensorflow进行训练，并能对训练模型进行反复修正，从而达到最优的效果。

综上所述，本申请实施例提供了一种情绪分析方法，通过获取声音样本音频，对所述声音样本音频进行标准化处理，对标准化处理后的声音样本音频打上预先定义的情绪类别标签；提取打过标签的所述声音样本音频的音频特征，所述音频特征包括MFCC特征矩阵、样本音频片段的过零率等声纹声学特征信息；再将所述音频特征转换为数学数据，所述数学数据包括声音样本音频的MFCC特征矩阵、过零率信息等声纹声学特征数据；将所述数学数据的数据矩阵与所述情绪类别标签绑定形成集合，并将所述标签集合转换为数学矩阵；并将该数学矩阵的数据按照比例随机拆分为训练集和测试集。使用tensorflow对上述训练集的样本进行训练，得到情绪分析模型；基于所述情绪分析模型对测试集上的样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致，若不一致，判断所述测试样本数据和对应的情绪类别标签是否准确，若所述测试样本数据不准确，则舍弃所述测试样本；若所述样本对应的情绪类别标签不准确，则重新打标签；将重新打标签后的测试样本放入训练集，调整tensorflow训练参数，对上述变动后的训练集重新进行训练，并补充新的测试样本到测试集中，以用于下一次验证，直到测试集上的样本准确率满足设定阈值。利用本模型可以准确又快捷的分析声音所蕴含的情绪。

基于相同的技术构思，本申请实施例还提供了一种情绪分析系统，如图3所示，所述系统包括：

样本初始处理模块301，用于获取声音样本音频，对所述声音样本音频进行标准化处理，对标准化处理后的声音样本音频打上预先定义的情绪类别标签。

特征转换模块302，用于提取打过标签的所述声音样本音频的音频特征，所述音频特征包括MFCC特征矩阵、样本音频片段的过零率等声纹声学特征信息；再将所述音频特征转换为数学数据，所述数学数据包括声音样本音频的MFCC特征矩阵、过零率信息等声纹声学特征数据。

标签绑定模块303，用于将所述数学数据的数据矩阵与所述情绪类别标签绑定形成标签集合，并将所述标签集合转换为数学矩阵，并将该数学矩阵的数据按照比例随机拆分为训练集和测试集。

模型训练模块304，用于使用tensorflow对上述训练集数据进行训练，得到情绪分析模型。

模型测试模块305，用于基于所述情绪分析模型对测试集上的样本进行测试验证，得到所述测试样本的分析结果，比较所述分析结果和所述测试样本的情绪类别标签是否一致。如果不一致，判断所述测试样本数据和对应的情绪类别标签是否准确。若所述测试样本数据不准确，则舍弃所述测试样本；若所述对应的情绪类别标签不准确，则重新打标签；将重新打标签后的测试样本放入训练集，调整tensorflow训练参数，对上述变动后的训练集进行训练，并补充新的测试样本到测试集中，以用于下一次验证。重复上述过程，直到测试集上样本的准确率满足设定阈值。

在一种可能的实施方式中，所述情绪类别标签包括高兴、悲伤、愤怒、恐惧、厌恶、惊喜、平静和忧伤等。情绪类别标签会根据业务需求进行适当调整。

在一种可能的实施方式中，所述模型训练模块具体用于：

设设置训练参数，所述训练参数包括训练次数、层次结构、激活函数和代价函数、优化函数等；将中间数据以图形化形式显示出来，在训练结束的时候，观察loss和acc中间参数；若loss和acc中间参数不符合预期，则修改参数重新训练，以使得loss和acc中间参数符合预期。

在一种可能的实施方式中，所述系统还包括：

测试验证模块，用于利用所述情绪分析模型对测试音频样本进行分析，使用程序脚本自动处理加人工辅助处理的方式检查所述测试音频样本的分析结果是否准确，对于不准确的音频数据分析原因。如果是音频数据本身的问题，则舍弃该音频；如果是标签不准确，则对该音频文件进行标准化标签化处理，然后放入训练集中，以更新训练集。

基于相同的技术构思，本申请实施例还提供了一种设备，所述设备包括：数据采集装置、处理器和存储器；所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行所述的方法。

基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行所述的方法。

本说明书中上述方法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。相关之处参见方法实施例的部分说明即可。

需要说明的是，尽管在附图中以特定顺序描述了本发明方法的操作，但这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。

上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或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。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

以上所述的具体实施例，对本申请的目的、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，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。