音频质检方法、装置、设备以及存储介质

技术领域

本申请实施例涉及计算机领域，具体涉及语音识别、自然语言处理、深度学习等人工智能领域，尤其涉及音频质检方法、装置、设备以及存储介质。

背景技术

在呼叫中心质检的主要目的是检测客服的工作质效，有效提升客服整体水平与质量。质检员是呼叫中心的标配岗位，肩负着监督服务、发现问题、总结经验、提出建议、督促改进的责任。

通常，质检员先对海量客户与客服的对话音频进行随机抽样，然后进行听辨，对于听到双方的对话内容按照给定的评分规则模板为客服的服务质量进行打分。

发明内容

本申请实施例提出了一种音频质检方法、装置、设备以及存储介质。

第一方面，本申请实施例提出了一种音频质检方法，包括：获取对话音频，其中，对话音频记录客户与客服之间的对话；对对话音频进行人声分离，得到第一音频和第二音频，其中，第一音频和第二音频仅包含一位说话人；对第一音频和第二音频进行语音识别，得到第一音频对应的第一文本和第二音频对应的第二文本；对第一文本和第二文本进行角色判定，选取客服对应的文本；对客服对应的文本进行文本内容语义分类，得到对话音频的质检结果。

第二方面，本申请实施例提出了一种音频质检装置，包括：获取模块，被配置成获取对话音频，其中，对话音频记录客户与客服之间的对话；分离模块，被配置成对对话音频进行人声分离，得到第一音频和第二音频，其中，第一音频和第二音频仅包含一位说话人；识别模块，被配置成对第一音频和第二音频进行语音识别，得到第一音频对应的第一文本和第二音频对应的第二文本；判定模块，被配置成对第一文本和第二文本进行角色判定，选取客服对应的文本；分类模块，被配置成对客服对应的文本进行文本内容语义分类，得到对话音频的质检结果。

第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

第五方面，本申请实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的音频质检方法、装置、设备以及存储介质，首先对获取到的对话音频进行人声分离，得到第一音频和第二音频；之后对第一音频和第二音频进行语音识别，得到第一音频对应的第一文本和第二音频对应的第二文本；然后对第一文本和第二文本进行角色判定，选取客服对应的文本；最后对客服对应的文本进行文本内容语义分类，得到对话音频的质检结果，能够实现完全自动化的音频质检。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的音频质检方法的一个实施例的流程图；

图3是根据本申请的音频质检方法的又一个实施例的流程图；

图4是可以实现本申请实施例的音频质检方法的应用场景图。

图5是根据本申请的音频质检装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的音频质检方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的音频质检方法或音频质检装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送视频帧等。终端设备101、102、103上可以安装有各种客户端应用，例如录音应用、音频质检应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取到的对话音频进行分析和处理，并生成处理结果(例如对话音频的质检结果)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的音频质检方法一般由服务器105执行，相应地，音频质检装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的音频质检方法的一个实施例的流程200。该音频质检方法包括以下步骤：

步骤201，获取对话音频。

在本实施例中，音频质检方法的执行主体(例如图1所示的服务器105)可以获取对话音频。其中，对话音频可以是记录客户与客服之间的对话的音频。

通常，当呼叫中心接收到客户的来电时，可以将其自动分配给客服。当客户与客服建立通话时，客服的终端设备(例如图1所示的终端设备101、102、103)可以启动录音功能录制客户与客服之间的对话，直至通话结束，即可得到对话音频。对于销售产品(如实体物品、虚拟服务等)的企业，通常会设置呼叫中心，以提供其产品的售前售后服务。企业为了提高客服的服务质量，需要对录制的对话音频进行质检。根据质检结果，对有利的方面，加以提炼推广，对于不利的方面，予以督促改正。对于快速发展的企业，其呼叫中心的业务量会连连攀升。若对全量对话音频进行质检，其工作量非常巨大。为了提高质检效率，需要按比例从全量对话音频中抽取部分对话音频进行质检。例如，对话音频的平均时长大约是6分钟，按照1％-2％的比例从全量对话音频中随机抽取对话音频进行质检。

步骤202，对对话音频进行人声分离，得到第一音频和第二音频。

在本实施例中，上述执行主体可以对对话音频进行人声分离，得到第一音频和第二音频。其中，第一音频和第二音频仅包含一位说话人。

由于对话音频记录客户与客服之间的对话，其中通常会包含客户与客服两位说话人。不同说话人的声纹不同，基于声纹对对话音频进行人声分离，可以分离出来仅包含一位说话人的第一音频和第二音频。其中，第一音频和第二音频仅包含客户与客服中的一位说话人。例如，第一音频是客户的音频，第二音频是客服的音频。

需要说明的是，对对话音频进行人声分离能够切分出仅包含一位说话人的音频，但并不能识别出音频所包含的具体说话人。

步骤203，对第一音频和第二音频进行语音识别，得到第一音频对应的第一文本和第二音频对应的第二文本。

在本实施例中，上述执行主体可以对第一音频和第二音频进行语音识别，得到第一音频对应的第一文本和第二音频对应的第二文本。

具体地，可以利用语音识别技术将第一音频和第二音频中的词汇内容转换为对应的文字，得到第一音频对应的第一文本和第二音频对应的第二文本。其中，第一文本可以包括第一音频中的词汇内容对应的文字。第二文本可以包括第二音频中的词汇内容对应的文字。

步骤204，对第一文本和第二文本进行角色判定，选取客服对应的文本。

在本实施例中，上述执行主体可以对第一文本和第二文本进行角色判定，标出第一文本和第二文本对应的角色，然后从中选取客服对应的文本。

具体地，可以对第一文本和第二文本中的内容进行分析，确定第一文本和第二文本对应的角色。例如，存在欢迎语或结束语的文本对应的角色通常是客服。又例如，存在较多对产品的询问内容的文本对应的角色通常是客户，存在较多对产品的解答内容的文本对应的角色通常是客服。

步骤205，对客服对应的文本进行文本内容语义分类，得到对话音频的质检结果。

在本实施例中，上述执行主体可以对客服对应的文本进行文本内容语义分类，得到对话音频的质检结果。其中，质检结果可以用于表征客服在本次对话中的服务质量。

在本实施例的一些可选的实现方式中，可以预设加分类别集合和扣分类别集合，对客服对应的文本进行文本内容语义分类，确定客服对应的文本所属的至少一个加分类别和至少一个扣分类别，进而得到对话音频的质检结果。其中，加分类别集合中的加分类别可以是积极的、值得推广的类别。扣分类别集合中的扣分类别可以是消极的、需要改正的类别。以对服务流程合规性和语言合规性进行质检为例，加分类别集合可以包括按标准说欢迎语、按标准说结束语、确认客户信息、安抚客户抱怨情绪等类别。扣分类别集合可以包括出现服务禁语、外呼消极推荐产品、强势推荐产品、诱导欺骗客户等类别。

其中，对话音频的质检结果是基于客服对应的文本所属的至少一个加分类别和至少一个扣分类别确定的。例如，将客服对应的文本所属的至少一个加分类别和至少一个扣分类别直接作为质检结果。对于至少一个加分类别，可以加以提炼推广，对于至少一个扣分类别，可以予以督促改正，从而提升客服的服务质量。又例如，加分类别集合中的加分类别标注有对应的加分数，扣分类别集合中的扣分类别标注有对应的扣分数。可以进一步计算至少一个加分类别对应的加分数之和与至少一个扣分类别对应的扣分数之和的差值，将得到的差值作为对话音频的质检结果。通常，差值越大，说明客服在本次对话中的服务质量越高，差值越小，说明客服在本次对话中的服务质量越低。对于服务质量较高的对话音频，可以加以提炼推广，对于服务质量较低的对话音频，可以予以督促改正，从而提升客服的服务质量。

在本实施例的一些可选的实现方式中，上述执行主体还可以统计同一客服的多个对话音频的质检结果，对该客服的服务质量进行跟踪分析，形成该客服的历史服务资料。此外，统计结果还可以用于该客服的绩效考核。

本申请实施例提供的音频质检方法，首先对获取到的对话音频进行人声分离，得到第一音频和第二音频；之后对第一音频和第二音频进行语音识别，得到第一音频对应的第一文本和第二音频对应的第二文本；然后对第一文本和第二文本进行角色判定，选取客服对应的文本；最后对客服对应的文本进行文本内容语义分类，得到对话音频的质检结果，能够实现完全自动化的音频质检。不管是人声分离，语音识别，角色判定，还是最终质检，都大大降低了人工成本，能够快速分析语音、精准定位存在问题，保障客服工作质量稳定、高效。与人工音频质检相比，降低了音频质检耗时，提升了音频质检效率，降低了音频质检成本，提升了音频质检精准度，排除了音频质检主观性。能够支撑大量繁杂的质检工作，以适应企业迅速成长的脚步。

进一步参考图3，其示出了根据本申请的音频质检方法的又一个实施例的流程300。该音频质检方法包括以下步骤：

步骤301，获取对话音频。

在本实施例中，步骤301具体操作已在图2所示的实施例中步骤201进行了详细的介绍，在此不再赘述。

步骤302，将对话音频输入至预先训练的人声分离模型，得到第一音频和第二音频。

在本实施例中，音频质检方法的执行主体(例如图1所示的服务器105)可以将对话音频输入至预先训练的人声分离模型，得到第一音频和第二音频。通过人声分离模型来切分不同角色的音频，降低了人工听辨标注的成本。其中，人声分离模型可以包括但不限于：Xvector-AHC(Xvector-Agglomerative Hierarchical Clustering，声纹模型-聚合层次聚类)、GMM(Gaussian Mixed Model，高斯混合模型)、HMM(Hyundai Merchant Marine，隐马尔科夫模型)等AI(Artificial Intelligence，人工智能)模型，是利用训练样本集对神经网络进行训练得到的。这里的训练样本集中的训练样本可以是标注有说话人的样本对话音频。

在本实施例的一些可选的实现方式中，人声分离模型是Xvector-AHC。其中，Xvector-AHC可以包括Xvector和AHC。对应的人声分离步骤可以包括：

首先，将对话音频划分为多个音频片段。

通常，可以将对话音频均匀分段。例如，对于一个10秒的对话音频，可以每隔500毫秒进行分段，得到20个音频片段。

之后，将多个音频片段分别输入至Xvector，得到多个音频片段的特征。

常见的Xvector的网络结构依次包括帧级别层(frame-level)、池化层(statistics pooling)、段级别层(segment-level)和激活函数层(softmax)。这里的Xvector去掉已经训练好的神经网络的激活函数层。段级别层输出的Xvector特征即为音频片段的特征。

然后，利用AHC对多个音频片段的特征进行聚类，以及基于聚类结果确定多个音频片段的类别。

通常，AHC可以根据聚类的方式分为两类：自上而下和自下而上。对于自下而上的聚类算法，起初假设每个样本都是一个单独的类别，然后相继的合并类别，直到最后只有一个类别。最终将得到一个类似于树的结构，树的根是一个类别，其包含所有的样本点，而叶子则是只有一个样本的集群。这里，基于距离度量方式合并类别。在每一次迭代过程中都会将两个类别合并为一个类别。其中，一个音频片段的特征是一个样本。利用AHC对多个音频片段的特征进行聚类所得到的树的根包括两个子节点。同一子节点中的音频片段的特征相似，不同子节点中的音频片段的特征相异。因此，一个子节点对应的音频片段属于一个类别，而另一个子节点对应的音频片段属于另一个类别。

最后，对同一类别的音频片段进行组合，得到第一音频和第二音频。

通常，对于同一类别的音频片段，可以按照其在对话音频中的顺序进行组合，得到相应的音频。一个子节点对应的音频片段可以组合成第一音频，而另一个子节点对应的音频片段可以组合成第二音频。

步骤303，将第一音频和第二音频分别输入预先训练的语音识别模型，得到第一文本和第二文本。

在本实施例中，上述执行主体可以将第一音频和第二音频分别输入预先训练的语音识别模型，得到第一文本和第二文本。通过端到端的语音识别模型将音频内容识别出来，极大地提升了内容获取的效率。其中，语音识别模型可以包括但不限于包括：LSTM-CTC(Long Short-Term Memory-Connectionist Temporal Classifier，长短期记忆网络-联接时间分类器)、GMM、HMM等AI模型，是利用训练样本集对神经网络进行训练得到的。这里的训练样本集中的训练样本可以包括样本音频和对应的样本文本。

在本实施例的一些可选的实现方式中，语音识别模型是LSTM-CTC。其中，LSTM-CTC可以包括LSTM和CTC。对应的语音识别步骤包括：

首先，将第一音频和第二音频分别输入至LSTM，得到第一音频和第二音频的特征。

其中，LSTM是一种时间循环神经网络，能够避免普通循环神经网络中梯度消失和梯度爆炸的问题，其主要的核心思想是：采用叫“细胞状态”(state)的通道贯穿整个时间序列。通过设计“门”的结构来去除或者增加信息到细胞状态。其中，LSTM中有三个门，分别是“忘记门”、“输入门”和“输出门”。

然后，将第一音频和第二音频的特征分别输入至CTC，得到第一文本和第二文本。

其中，CTC主要用于解决输入特征与输出标签的对齐问题。

步骤304，将第一文本和第二文本分别输入至预先训练的角色判定模型，得到第一文本对应的角色和第二文本对应的角色，选取客服对应的文本。

在本实施例中，上述执行主体可以将第一文本和第二文本分别输入至预先训练的角色判定模型，得到第一文本对应的角色和第二文本对应的角色，选取客服对应的文本。通过角色判定模型判定角色，比采用关键词匹配的效果更好，鲁棒性更高。其中，角色判定模型可以包括但不限于：TextCNN(Text Convolutional Neural Network，文本级卷积神经网络)、CharCNN(Char Convolutional Neural Network，字符级卷积神经网络)、RCNN(Region-based Convolutional Neural Network，区域卷积神经网络)、Transformer(转换器)、ELMO(Embeddings from Language Model，深层语境词表示模型)、BERT(Bidirectional Encoder Representation from Transformers，转换器输出式双向编码器)表示等AI模型，是利用训练样本集对神经网络进行训练得到的。这里的训练样本集中的训练样本可以是标注角色的样本文本。

步骤305，将客服对应的文本输入至预先训练的语义分类模型，得到质检结果。

在本实施例中，上述执行主体可以将客服对应的文本输入至预先训练的语义分类模型，得到质检结果。通过语义分类模型进行内容分类判定，能够达到质检的效果。其中，语义分类模型可以包括但不限于：BERT、ELMO、TextCNN、CharCNN、RCNN、Transformer等AI模型，是利用训练样本集对神经网络进行训练得到的。这里的训练样本集中的训练样本可以包括标注质检结果的样本客服文本。

在本实施例的一些可选的首先方式中，语义分类模型可以是BERT。BERT是双向Transformer模型，精细刻画上下文之间的语义关系，更好的得出语义的分类结果，即达到质检的目的。

本申请实施例提供的音频质检方法，首先通过人声分离模型来切分不同角色的音频，降低了人工听辨标注的成本；之后通过端到端的语音识别模型将音频内容识别出来，极大地提升了内容获取的效率；然后通过角色判定模型判定角色，比采用关键词匹配的效果更好，鲁棒性更高；通过语义分类模型进行内容分类判定，能够达到质检的效果。

本申请实施例提供了一种智能质检方式，以AI技术作为应用核心，使用AI技术替代标准化工作。以质检的工作内容来看，监听海量对话音频，根据既定规则评分，产出标准化分析文档，还可以精准定位存在问题的对话音频。并且，短时间内可以达成全量无死角质检所有对话音频。以质检员的工作要求来看，满足公平公正、质量管控、结合业务知识等要求。智能质检比人工质检更具优势，工作质量稳定、高效，同时降低了质检员分析基础数据的工作量。因此，应用AI技术的全量质检和实时质检比人工质检员的优势更为凸显。

为了便于理解，图4示出了可以实现本申请实施例的音频质检方法的应用场景图。如图4所示，首先，将对话音频输入至Xvector-AHC进行人声分离，得到第一音频和第二音频。之后，将第一音频和第二音频分别输入至LSTM-CTC进行语音识别，得到第一音频对应的第一文本和第二音频对应的第二文本。然后，将第一文本和第二文本分别输入至TextCNN进行角色判定，选取客服对应的文本。最后，将客服对应的文本输入至BERT进行智能质检，得到质检结果。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种音频质检装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的音频质检装置500可以包括：获取模块501、分离模块502、识别模块503、判定模块504和分类模块505。其中，获取模块501，被配置成获取对话音频，其中，对话音频记录客户与客服之间的对话；分离模块502，被配置成对对话音频进行人声分离，得到第一音频和第二音频，其中，第一音频和第二音频仅包含一位说话人；识别模块503，被配置成对第一音频和第二音频进行语音识别，得到第一音频对应的第一文本和第二音频对应的第二文本；判定模块504，被配置成对第一文本和第二文本进行角色判定，选取客服对应的文本；分类模块505，被配置成对客服对应的文本进行文本内容语义分类，得到对话音频的质检结果。

在本实施例中，音频质检装置500中：获取模块501、分离模块502、识别模块503、判定模块504和分类模块505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，分离模块502包括：分离子模块，被配置成将对话音频输入至预先训练的人声分离模型，得到第一音频和第二音频，其中，人声分离模型包括以下一项：声纹模型-聚合层次聚类Xvector-AHC、高斯混合模型GMM、隐马尔科夫模型HMM。

在本实施例的一些可选的实现方式中，人声分离模型是Xvector-AHC，Xvector-AHC包括Xvector和AHC；以及分离子模块进一步被配置成：将对话音频划分为多个音频片段；将多个音频片段分别输入至Xvector，得到多个音频片段的特征；利用AHC对多个音频片段的特征进行聚类，以及基于聚类结果确定多个音频片段的类别；对同一类别的音频片段进行组合，得到第一音频和第二音频。

在本实施例的一些可选的实现方式中，识别模块503进一步被配置成：将第一音频和第二音频分别输入预先训练的语音识别模型，得到第一文本和第二文本，其中，语音识别模型包括以下一项：长短期记忆网络-联接时间分类器LSTM-CTC、GMM、HMM。

在本实施例的一些可选的实现方式中，判定模块504进一步被配置成：将第一文本和第二文本分别输入至预先训练的角色判定模型，得到第一文本对应的角色和第二文本对应的角色，其中，角色判定模型包括以下一项：文本级卷积神经网络TextCNN、字符级卷积神经网络CharCNN、区域卷积神经网络RCNN、转换器Transformer、深层语境词表示模型ELMO、转换器输出式双向编码器表示BERT。

在本实施例的一些可选的实现方式中，分类模块505进一步被配置成：将客服对应的文本输入至预先训练的语义分类模型，得到质检结果，其中，语义分类模型包括以下一项：BERT、ELMO、TextCNN、CharCNN、RCNN、Transformer。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如音频质检方法。例如，在一些实施例中，音频质检方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的音频质检方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行音频质检方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。