一种面向互联网评论的用户需求分类方法

技术领域

本发明涉及计算机技术领域，特别是指一种面向互联网评论的用户需求分类方法。

背景技术

随着信息技术的发展以及移动互联网的普及，越来越多的用户在购物网站、社交网络等互联网平台上发布与产品使用体验相关的反馈信息，这为开展信息时代下的产品需求分析提供了大数据支撑，有利于提高用户需求获取与分析的效率和智能化水平。然而，传统的基于调研的需求分析方法在数据输入和数据输出等方面均与目前基于互联网评论数据的需求分析方法存在明显差异。例如，Kano模型(卡诺模型)通过问卷调查的方式收集客户数据，根据需求被满足和未被满足情况下的客户满意度，将客户需求划分基本需求(Must-be requirements，MR)、期望需求(One-dimensional requirements，OR)、魅力需求(Attractive requirements，AR)、无差异需求(Indifferent requirements，IR)和反向型需求(Reversal requirements，RR)，如图1所示。但考虑到互联网评论数据的新特征，传统Kano模型不能完全照搬应用到基于互联网评论数据的用户需求分析中，而应设计与互联网评论数据特征相适应的需求分析方法。

因此，有必要提供一种可以基于互联网评论数据进行用户需求分析的方法，实现从互联网评论中自动化提取用户需求信息，并结合Kano模型对用户需求进行分类，从而促进产品开发方对用户需求的深入了解与把握，对产品特征进行相应的后续规划与改进，以适应用户需求。

发明内容

有鉴于此，本发明的目的在于提出一种面向互联网评论的用户需求分类方法，可以应用于互联网评论数据对产品特征进行用户需求分析，并利用Kano模型针对产品特征划分不同用户需求类型，从而促进产品开发方对用户需求的深入了解与把握，可以对产品特征进行相应的后续规划与改进，快速适应用户需求。

基于上述目的，本发明提供一种面向互联网评论的用户需求分类方法，包括：

从互联网评论数据中提取用户需求信息，包括：产品特征的名称、用户观点词、否定词；

基于产品特征的用户观点词、否定词，计算所述产品特征的用户态度和讨论热度；

基于产品特征的用户态度和讨论热度，通过Kano模型得到所述产品特征的用户需求分类结果。

较佳地，所述基于产品特征的用户态度和讨论热度，通过Kano模型得到所述产品特征的用户需求分类结果，具体包括：

若所述产品特征的用户态度为消极，所述产品特征的讨论热度为中等，则通过Kano模型得到所述产品特征的用户需求分类结果为基本需求；

若所述产品特征的用户态度为积极，所述产品特征的讨论热度为高，则通过Kano模型得到所述产品特征的用户需求分类结果为期望需求；

若所述产品特征的用户态度为积极，所述产品特征的讨论热度为低，则通过Kano模型得到所述产品特征的用户需求分类结果为魅力需求；

若所述产品特征的用户态度为中等且中性评论较多，所述产品特征的讨论热度为低，则通过Kano模型得到所述产品特征的用户需求分类结果为无差异需求；

若所述产品特征的用户态度为中等且中性评论较少，所述产品特征的讨论热度为低，则通过Kano模型得到所述产品特征的用户需求分类结果为反向型需求。

较佳地，所述基于产品特征的用户观点词、否定词，计算所述产品特征的用户态度，具体包括：

用户i对产品特征j的用户态度css

式3中，N

较佳地，所述产品特征的讨论热度具体根据如下方法计算：

用户i对产品p的产品特征j的讨论热度ca

式6中，k为产品p的产品特征总数。

较佳地，在所述从互联网评论数据中提取用户需求信息后，还包括：

对产品特征进行聚类，得到若干个产品特征类别。

较佳地，在所述基于产品特征的用户观点词、否定词，计算所述产品特征的用户态度后，还包括：

根据如下式5计算产品特征类别的用户态度：

式5中，css

较佳地，在所述基于产品特征的用户观点词、否定词，计算所述产品特征的用户态度和讨论热度后，还包括：

根据如下式7计算产品特征类别的讨论热度：

其中，ca

本发明还提供一种电子设备，包括中央处理单元、信号处理和存储单元，以及存储在信号处理和存储单元上并可在中央处理单元上运行的计算机程序，其中所述中央处理单元执行所述程序时实现如上所述的面向互联网评论的用户需求分类方法。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的面向互联网评论的用户需求分类方法的步骤。

本发明的技术方案中，从互联网评论数据中提取用户需求信息，包括：产品特征的名称、用户观点词、否定词；基于产品特征的用户观点词、否定词，计算所述产品特征的用户态度和讨论热度；基于产品特征的用户态度和讨论热度，通过Kano模型得到所述产品特征的用户需求分类结果。从而可以应用互联网评论数据对产品特征进行用户需求分析，并利用Kano模型针对产品特征划分不同用户需求类型，从而促进产品开发方对用户需求的深入了解与把握，可以对产品特征进行相应的后续规划与处理，快速适应用户需求。

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，下面描述中的附图仅仅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为本发明实施例提供的一种面向互联网评论的用户需求分类方法流程图；

图2为本发明实施例提供的一种基于Bi-LSTM的需求信息提取模型的框架示意图；

图3为本发明实施例提供的一种基于Bi-LSTM的需求信息提取模型提取的需求信息的展示示意图；

图4为本发明实施例提供的一种基于层次聚类算法对产品特征进行聚类的方法流程图；

图5为本发明实施例提供的一种基于层次聚类算法的需求分类结果树状图的示意图；

图6为本发明实施例提供的一种产品特征类别的用户态度和讨论热度分布情况示意图；

图7为本发明实施例提供的一种基于评论数据和Kano模型的用户需求分析模型的示意图；

图8为本发明实施例提供的一种电子设备硬件结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

本发明的发明人考虑到，互联网评论数据中蕴含着用户对所购产品或服务的反馈信息，这些有用信息可以反映用户对产品或服务的需求，从而为产品改进提供方向和参考。本发明的技术方案可以从大量非结构化的互联网评论文本中自动化提取用户需求相关信息，包括产品特征词、用户观点词和否定词，并基于Kano模型将用户需求划分为基本需求、期望需求、魅力需求、无差异需求和反向型需求，从而促进产品开发方对用户需求的深入了解与把握，可以对产品特征进行相应的后续规划与改进，快速适应用户需求。

下面结合附图详细说明本发明实施例的技术方案。

本发明实施例提供的一种面向互联网评论的用户需求分类方法，具体流程如图1所示，包括如下步骤：

步骤S101：从互联网评论数据中提取用户需求信息；

具体地，互联网评论数据中的用户需求信息可以用产品特征的名称、用户观点和否定词来反映。

在一个示例性的实施方式中，可以利用预先训练得到的基于Bi-LSTM(Bi-directional Long Short-Term Memory，双向长短期记忆网络)的需求信息提取模型从互联网评论数据中提取的用户需求信息包括：F(产品特征的名称)、E(产品特征的用户观点词)、N(产品特征的否定词)和O(其他词)。

基于Bi-LSTM的需求信息提取模型框架如图2所示，包括嵌入层、Bi-LSTM层、Softmax层和输出层。给定一个输入句X＝{x

利用由标注了标签{F,N,E,O}的词语组成的输入句，对基于Bi-LSTM的需求信息提取模型进行训练；基于训练好的需求信息提取模型从N条用户评论句中自动提取产品特征的名称、产品特征的用户观点词和否定词，汇总整理后分别记为产品特征的名称集合F＝{w

例如，将从汽车之家网站上采集到的针对新能源汽车BYD Tang NEV的2198条用户评论作为数据来源，首先进行如下数据预处理操作：1)根据“，。；！？”等标点符号将2198条评论拆分为148527条评论句；2)利用Python Jieba分词(结巴分词)工具对每条评论子句进行分词处理；3)在2198条评论构成的语料库的基础上，利用word2vec(词向量)模型训练每条评论句的词向量表示。然后，随机选择2183条评论句进行人工标注，即标记句中每个词的标签为F(产品特征的名称)、N(产品特征的否定词)、E(产品特征的观点词)或O(其他)。接着，利用Python Scikit-learn模块在2183条评论句的基础上训练上述的基于Bi-LSTM的需求信息提取模型，模型主要参数设置如表1所示，训练集、验证集和测试集的评论句数量(比例)分别为1528(70％)、327(15％)和328(15％)。最后，利用训练好的模型预测剩余146344条评论句的词标签。

表1

采用3个常用的机器学习模型评价指标进行验证，即精确率(Precision)、召回率(Recall)和F1值(F-measure)，如下式所示：

上述式中，TP表示算法预测为正例实际上也是正例的样本个数；FP表示算法预测为正例实际上为负例的样本个数；FN表示算法预测为负例实际上为正例的样本个数。

结果显示(见表2)，基于Bi-LSTM的需求信息提取模型的提取精确率为96％，其中产品特征的名称提取精确率为87％，观点词提取精确率为88％。

表2

使用训练好的基于Bi-LSTM的需求信息提取模型，最终从2198条评论(共148527条评论句)中共提取出23644条需求信息，涉及657个唯一产品特征词，17个唯一否定词，1843个唯一观点词，如图3所示。其中，使用较多的特征词主要包括“动力”、“空间”、“内饰”、“座椅”、“方向盘”、“性价比”等，大部分为汽车之家网站中建议用户进行针对性评论的产品特征标签(即空间、动力、操控、能耗、舒适性、外观、内饰、性价比)；使用较多的否定词主要包括“不”、“不是”、“没有”、“不够”等；观点词内容丰富，既有常用的“好”、“不错”、“大”等，也有较为书面化的“精准”、“轻盈”、“强劲”等。

步骤S102：对产品特征进行聚类；

本步骤中，针对提取出来的各产品特征的名称，采用层次聚类算法将其划分为具有层次结构的不同产品特征类别(即聚类后的产品特征)，同一产品特征类别中包含了若干相似或相关的产品特征；

将每个提取的产品特征的名称的向量表示作为层次聚类算法的输入，层次聚类算法将输出产品特征的名称的树状层次结构，并通常用树状图来表示，原始数据点位于聚类树的最底层，聚类的根节点为聚类树的顶点。假设有N个待聚类的数据点，层次聚类将“自下而上”地将小类合并为大类，先将每个数据点看成一个不同的簇，通过重复将最近的一对簇进行合并，直到最后所有的数据点都属于同一个簇为止，基本流程如图4所示，包括如下子步骤：

子步骤S401：初始化每个提取的产品特征的名称(即数据点)为一个独立的类；

子步骤S402：计算每个类之间的距离，将距离最近的两个类合并为同一类，直到所有类均被划分为同一类；

在本子步骤中，两个数据点a,b之间的距离||a-b||

式1中a

两个类A,B之间距离Δ(A,B)采用Ward方法来度量，如式2所示：

其中，

子步骤S403：返回所有数据点分类后的树状结构。

基于树状层次结构，选取若干聚类后的产品特征类别。

例如，根据出现频率对上述提取的产品特征的名称进行从高到低排序后，选择出现频率最高的80个产品特征的名称(见表3)，采用层次聚类算法对其进行聚类，得到结果如表4和图5所示，80个产品特征词被分为4个大类，9个小类。

表3

/>

表4

步骤S103：计算产品特征的用户态度。

具体地，给定用户i撰写的针对某产品p的一条评论r，该产品p包含k个产品特征，用户对各产品特征的意见(由否定词和观点词组成)可通过前文基于Bi-LSTM的需求信息提取模型获得，由此，用户i对产品特征j(1≤j≤k)的用户态度css

式3中，N

针对m个已标记的训练样本

其中，α

在式3的基础上，用户i对产品p的用户态度为该用户对该产品所有k个产品特征的用户态度的平均值，或者，用户i对某个产品特征类别中所有k个产品特征的用户态度的平均值，可以如式5所示：

由此，用户态度的取值范围在0～1之间，用户态度越趋近0表示用户对该产品特征或该产品特征类别持消极/负面态度，越趋近1表示用户对该产品特征或该产品特征类别持积极/正面态度，越趋近0.5则表示用户对该产品特征或该产品特征类别持中立态度。

步骤S104：计算产品特征的讨论热度。

具体地，讨论热度反映用户讨论产品特征的热度。若用户对某产品特征的评论内容越长，则表明用户对该产品特征越重视，由此，我们可以认为被用户广泛讨论的产品特征是已经在很大程度上被满足的需求(如用户对其赞不绝口)或者是一个迫切有待改进的需求(如用户对其抱怨连连)。

根据以上假设，给定用户i撰写的针对某产品p的一条评论r，该产品p包含k个产品特征，定义用户i对产品特征j的讨论热度ca

式6中，N

在式6的基础上，用户i对产品p的讨论热度为该用户对该产品所有k个产品特征的讨论热度的平均值，或者，用户i对某个产品特征类别中所有k个产品特征的讨论热度的平均值，如式7所示：

由此，讨论热度反映了产品特征被用户广泛讨论的程度，其取值范围在0～1之间，讨论热度越趋近于1表示用户对该产品特征或该产品特征类别的关注程度越高，从侧面也反映出用户对该产品特征或该产品特征类别越重视；越趋近于0则表示用户对产品特征或该产品特征类别的关注程度越低。

例如，针对以上得到的空间、动力、操控、能耗、舒适性、外观、内饰、性价比和车身等9类产品特征，计算其平均用户态度和平均讨论热度，并按照表5将用户评论划分为正面评论、中性评论和负面评论，最终得到各产品特征的用户态度和讨论热度的统计结果如表6和图6所示。

表5

表6

步骤S105：基于产品特征的用户态度和讨论热度，通过Kano模型得到所述产品特征的用户需求分类结果。

具体地，传统的Kano模型通过问卷调查的方式收集客户数据，在此基础上根据需求被满足和未被满足情况下的客户满意度，将用户需求划分基本需求、期望需求、魅力需求、无差异需求和反向型需求，如表7所示。

表7

为从海量的互联网评论数据中获取用户需求，提高用户需求获取与分析的效率，本发明从互联网评论数据中自动化提取出了用户需求相关信息，包括产品特征词、用户观点词和否定词，并计算了产品特征的用户态度和讨论热度。其中，产品特征的名称表示用户在互联网评论中的评价对象，例如产品属性、功能或服务等；用户观点词和否定词共同反映了用户对该产品特征的态度、观点和评价，以此反映了用户对该产品的需求；用户态度css体现了用户对产品特征的情绪态度；讨论热度ca反映了产品特征被用户广泛讨论的程度。在此基础上，为进一步分析用户对产品特征的整体满意程度，本发明提出用户满意度指标cs，其为用户态度与讨论热度的加权和，计算公式如式8：

cs＝w

其中，权重w

式9中，n表示产品的评论用户数量，k表示产品的产品特征数量。

因此，结合Kano模型内涵以及互联网评论特征，可见，用户态度可以侧面反映出用户对产品特征的满意程度，用户的正面态度、负面态度和中性态度可以对应转化为Kano模型(表7)中的“喜欢”、“不喜欢”和“无所谓”；讨论热度则可以侧面反映用户对产品特征的重视程度，即产品特征重要性。对此，通过系统分析得到基于互联网评论数据的用户需求类型划分思路如表8所示。

表8

最终，基于产品特征(或产品特征类别)的用户态度、讨论热度和用户满意度指标，设计基于互联网评论数据和Kano模型的用户需求分类模型如图7所示，各指标值与用户需求类型的对应关系如表9所示，从而可以确定该产品特征(该产品特征类别)的需求分类结果：

1)基本需求(MR)：所述产品特征(所述产品特征类别)的讨论热度中等，所述产品特征(所述产品特征类别)用户态度消极，该类需求对应迫切需要解决的产品问题，用户评论内容的主观性较强且情感色彩浓烈；

2)期望需求(OR)：所述产品特征(所述产品特征类别)的讨论热度高，所述产品特征(所述产品特征类别)的用户态度积极，该类需求的非负面评论较多，用户满意度对该类需求的满足状态比较敏感；

3)魅力需求(AR)：所述产品特征(所述产品特征类别)的讨论热度低，所述产品特征(所述产品特征类别)的用户态度积极，该类需求的正面评论较多，用户较少关注该类需求的满足状态，但该类需求得到满足时，用户态度会显著上升；

4)无差异需求(IR)：所述产品特征(所述产品特征类别)的讨论热度低，所述产品特征(所述产品特征类别)的用户态度中等，该类需求的中性评论较多，用户评论内容的情感色彩不浓；

5)反向型需求(RR)：所述产品特征(所述产品特征类别)的讨论热度低，所述产品特征(所述产品特征类别)的用户态度中等，该类需求的中性评论较少，用户对该类需求要么满意度高，要么满意度低。

表9

例如，根据表5中的计算结果，并参考表8和表9，得到基于互联网评论数据的需求分类结果如表10所示，其中，能耗和操控为新能源汽车用户的基本需求，该类需求的用户态度消极、讨论热度较高、负面评论较多，只有该类需求得到满足时，用户才会满意；动力、舒适性和内饰是新能源汽车用户的期望需求，该类需求的用户态度积极、讨论热度高、非负面评论多，这类需求是否被满足将会显著影响用户的满意程度；外观是新能源汽车用户的魅力需求，该类需求的用户态度积极、讨论热度低、正面评论多，如果这类需求被满足，用户满意度将会显著提升；空间是新能源汽车用户的无差异需求，该类需求的用户态度中等、讨论热度低、中性评论较多(即中性评论的数量大于或等于正面评论或负面评论的数量)，该类需求是否被满足对用户的满意度影响不大；性价比和车身则是新能源汽车用户的反向型需求，该类需求的用户态度中等、讨论热度低、中性评论较少(即中性评论的数量不足正面评论或负面评论数量的一半)，该类需求的满足程度越高，用户的满意程度越低。

表10

图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理单元)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的面向互联网评论的用户需求分类方法。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，可以与非线性接收机相连，从非线性接收机接收信息，实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质其上存储有计算机程序，计算机程序被处理器执行时实现实施例中的面向互联网评论的用户需求分类方法的步骤。

本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，计算机可读存储介质可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，计算机可读存储介质也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例中面向互联网评论的用户需求分类方法的程序代码等。此外，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。

本发明的技术方案中，从互联网评论数据中提取用户需求信息，包括：产品特征的名称、用户观点词、否定词；基于产品特征的用户观点词、否定词，计算所述产品特征的用户态度和讨论热度；基于产品特征的用户态度和讨论热度，通过Kano模型得到所述产品特征的用户需求分类结果。从而可以应用互联网评论数据对产品特征进行需求分析，并利用Kano模型针对产品特征划分不同用户需求类型，从而促进产品开发方对用户需求的深入了解与把握，可以对产品特征进行相应的后续规划与改进，快速适应用户需求。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。