一种基于深度学习的推荐方法及装置

技术领域

本发明涉及推荐技术领域，尤其涉及一种基于深度学习的推荐方法及装置。

背景技术

现有技术中提出了基于输入(使用内容信息的方法和没有内容信息的方法)和输出(评级和排名)的形式对这些模型进行分类。然而，随着新的研究成果的不断涌现，这种分类框架已不再适用，需要新的包容性框架来更好的理解这一研究领域，现有技术中通过计算目标用户与近似用户的相似度，确定相似度较高的近似用户作为推荐方向，再通过近似用户的喜好来向目标用户推荐物品，这是基于没用内容信息的推荐方法，基于内容信息的推荐方法就可想而知了，就是通过用户的个人喜好来推荐。但是对于推荐的对象没有进行筛选，也没有对用户是否接收这些推荐进行考量，这些都是导致推荐效率较低的原因，甚至也没有为用户的需求切身实地的去考量，挖掘用户潜在的需求，往往实现不了高准确率和高满意度的推荐。

发明内容

本发明提供的一种基于深度学习的推荐方法，旨在现有技术中营销推送大多依赖于短信、邮件推送，用户如果设置了短信拦截和垃圾邮件判断，使推送内容无法很好地让用户看到并实现转换，也无法让用户选择要不要接收这些信息，更不能精准筛选用户进行推送，不能满足用户和商家的需求，造成用户体验差等问题。

为实现上述目的，本发明采用以下技术方案：

本发明的一种基于深度学习的推荐方法，包括以下步骤：

获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户；

提取所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表；

利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述推荐列表的评分；

将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

获取多个用户画像，所述多个用户画像包括用户的行为特征和偏好特征，根据要推荐的方向锁定用户画像再锁定目标用户；提取所述目标用户的显特征和所述多个商品属性的显特征，所述显特征表示直观可见的，不需要进行二次挖掘的特征能直观反应除用户的特点以及商品的特点，根据显特征产生推荐列表；再利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述推荐列表的评分，所述隐特征是需要进行二次开发的数据，并不能直观反应出结果，需要进行计算所得；将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

作为优选，所述获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户，包括：

获取多个用户画像和多个商品属性，所述用户画像包括行为特征和偏好特征，所述商品属性包括商品基本属性和商品评价；

根据所述行为特征和偏好特征设置多维筛选项，并根据所述多维筛选项锁定目标用户。

作为优选，所述提取所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表，包括：

采集所述目标用户的行为特征及对所述多个商品的浏览记录和搜索记录，构建所述目标用户的偏好模型；

同时采集所述多个商品属性的显特征，并根据所述显特征查找近似商品；

将所述近似商品中和所述偏好模型存在映射关系的商品缓存入推荐列表。

作为优选，所述利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述推荐列表的评分，包括：

获取所述目标用户对所述多个商品属性的评论数据；

根据所述目标用户对所述多个商品属性的评论数据构建K个维度特征，并根据所述K个维度特征确定所述目标用户在所述K个维度特征上的K个近邻用户，其中K为大于1的整数；

获取所述K个近邻用户对所述多个商品属性的评论数据，根据所述所述K个近邻用户对所述多个商品属性的评论数据来预测所述目标用户对所述推荐列表的评分。

一种基于深度学习的推荐装置，包括：

获取模块：用于获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户；

提取模块：用于提取所述获取模块锁定的所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表；

评分模块：用于利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述提取模块得到的所述推荐列表的评分；

推荐模块：用于将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

作为优选，所述获取模块具体包括：

第一获取单元：用于获取多个用户画像和多个商品属性，所述用户画像包括行为特征和偏好特征，所述商品属性包括商品基本属性和商品评价；

锁定单元：用于根据所述第一获取单元获取的所述行为特征和偏好特征设置多维筛选项，并根据所述多维筛选项锁定目标用户。

作为优选，所述采集模块具体包括：

第一采集单元：用于采集所述目标用户的行为特征及对所述多个商品的浏览记录和搜索记录，构建所述目标用户的偏好模型；

第二采集单元：用于同时采集所述多个商品属性的显特征，并根据所述显特征查找近似商品；

缓存单元：用于将所述近似商品中和所述偏好模型存在映射关系的商品缓存入推荐列表。

作为优选，所述评分模块具体包括：

第二获取单元：用于获取所述目标用户对所述多个商品属性的评论数据；

构建单元：用于根据所述目标用户对所述多个商品属性的评论数据构建K个维度特征，并根据所述K个维度特征确定所述目标用户在所述K个维度特征上的K个近邻用户，其中K为大于1的整数；

评分子单元：用于获取所述K个近邻用户对所述多个商品属性的评论数据，根据所述所述K个近邻用户对所述多个商品属性的评论数据来预测所述目标用户对所述推荐列表的评分。

一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上述中任一项所述的一种基于深度学习的推荐方法。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述中任一项所述的一种基于深度学习的推荐方法。

本发明具有如下有益效果：

实现了多维度个性化筛选，并通过网络平台让用户自主选择是否接收推送，进行有效精准推送营销内容，解决用户和商家的双重需求，基于深度学习的特征提取具有更好的抗噪性和有效性。

附图说明

图1是本发明实施例实现一种基于深度学习的推荐方法第一流程图；

图2是本发明实施例实现一种基于深度学习的推荐方法第二流程图；

图3是本发明实施例实现一种基于深度学习的推荐方法第三流程图

图4是本发明实施例实现一种基于深度学习的推荐方法第四流程图

图5是本发明实施例实现一种基于深度学习的推荐方法具体实施流程图；

图6是本发明实施例实现一种基于深度学习的推荐装置示意图；

图7是本发明实施例实现一种基于深度学习的推荐装置的获取模块示意图；

图8是本发明实施例实现一种基于深度学习的推荐装置的采集模块示意图；

图9是本发明实施例实现一种基于深度学习的推荐装置的评分模块示意图；

图10是本发明实施例实现一种基于深度学习的推荐装置的一种电子设备示意图。

具体实施方式

下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同，本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

实施例1

如图1所示，一种基于深度学习的推荐方法，包括以下步骤：

S110、获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户；

S120、提取所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表；

S130、利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述推荐列表的评分；

S140、将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

在实施例1中，获取多个用户画像，所述多个用户画像包括用户的偏好特征和行为特征，根据要推荐的方向锁定用户画像再锁定目标用户；根据深度学习模型提取所述目标用户的显特征和所述多个商品属性的显特征，所述显特征表示直观可见的，不需要进行二次挖掘的特征能直观反应除用户的特点以及商品的特点，根据显特征产生推荐列表；再利用神经网络模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述推荐列表的评分，所述隐特征是需要进行二次开发的数据，并不能直观反应出结果，需要进行计算所得；将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。实现了多维度个性化筛选，并通过网络平台让用户自主选择是否接收推送，进行有效精准推送营销内容，解决用户和商家的双重需求，基于深度学习的特征提取具有更好的抗噪性和有效性。

实施例2

如图2所示，一种基于深度学习的推荐方法，包括：

S210、获取多个用户画像和多个商品属性，所述用户画像包括行为特征和偏好特征，所述商品属性包括商品基本属性和商品评价；

S220、根据所述行为特征和偏好特征设置多维筛选项，并根据所述多维筛选项锁定目标用户；

S230、提取所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表；

S240、利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述推荐列表的评分；

S250、将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

由实施例2可知，获取多个用户画像和多个商品属性，所述用户画像包括行为特征和偏好特征，还包括静态特征，所述静态特征包括用户的职业、年龄、性别等，所述行为特征包括累计消费金额、平均消费金额、累计消费次数和未消费时长等，所述偏好特征指的是商品喜好包括消费过的商品等，每一个筛选项都有多维度的设置项，包含时间维度、金额区间、商品范围等；根据这些特征精确筛选想要推送的目标用户，例如想要推送消费能力比较强的用户，则设置筛选项：职业、累计消费金额、平均消费金额；再例如推送刚刚当上妈妈的用户，则设置筛选项：性别、年龄、金额区别、商品范围、时间维度等；再例如推送学生党，则设置筛选项：职业、年龄、时间维度等；基于有内容的推送方法，有目标向用户推送，这样再推荐效率上已经成功了一半，满足了商家的精准推送的需求，也在后续步骤为用户推荐高满意的商品创造前提。

实施例3

如图3所示，一种基于深度学习的推荐方法，包括：

S310、获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户；

S320、采集所述目标用户的行为特征及对所述多个商品的浏览记录和搜索记录，构建所述目标用户的偏好模型；

S330、同时采集所述多个商品属性的显特征，并根据所述显特征查找近似商品；

S340、将所述近似商品中和所述偏好模型存在映射关系的商品缓存入推荐列表；

S350、利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述推荐列表的评分；

S360、将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

在实施例3中，采集所述目标用户的行为特征及对所述多个商品的浏览记录和搜索记录，直接构建所述目标用户的偏好模型，所述偏好模型包括直接反应所述目标用户已经购买过的商品、或者未购买有购买欲望的偏好。同时采集所述多个商品属性的显特征，所述显特征直接反应商品的特征，比如商品类型、商品代言人、商品营养成分等，根据这类显特征查找近似商品，将商品按某一特征归类，形成商品的连接图谱，将所述近似商品中和所述偏好模型存在映射关系的一类商品缓存入推荐列表。

实施例4

如图4所示，一种基于深度学习的推荐方法，包括：

S410、获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户；

S420、提取所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表；

S430、获取所述目标用户对所述多个商品属性的评论数据；

S440、根据所述目标用户对所述多个商品属性的评论数据构建K个维度特征，并根据所述K个维度特征确定所述目标用户在所述K个维度特征上的K个近邻用户，其中K为大于1的整数；

S450、获取所述K个近邻用户对所述多个商品属性的评论数据，根据所述所述K个近邻用户对所述多个商品属性的评论数据来预测所述目标用户对所述推荐列表的评分；

S460、将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

在实施例4中，获取目标用户对多个商品属性的所有评论数据，其中，所述多个商品中存在有所述目标用户购买过的，也存在用户未购买过的，两者存在比例不限，所有评论数据包括目标用户在单个购买过的商品下的评论，也包括在单个未购买过的商品下的评论。例如用户已经购买了某个抽纸，并在抽纸下评论“这个抽纸不好用，还不如某某”、“这个抽纸吸附性好差”、“这个抽纸不适合用于宝宝”等等，根据多个商品可见属性和多个商品的隐特征，确立和评论的映射关系，从而将“某某”、“吸附性好的抽纸”、“适合用于宝宝”的抽纸加入推荐列表，其中，可见属性表示直观的特点，比如价格、形状、颜色等，隐特征表示不太关注的特征，比如吸附性、用的什么材料等。所述偏好模型还记录用户的行为特征比如消费行为，例如消费能力强则将目标用户的行为特征定义为价格高、质量高，消费能力若则将目标用户的行为特征定义为质量适中价格较低，再例如目标用户对某一类商品特别偏好，比如运动商品，则将用户的行为特征定义为运动类。同时采集除所述目标用户外的用户对所述多个商品属性的评论数据，其他用户对所述多个商品属性的评论数据对某个商品构成评分，并结合所述多个商品属性，形成商品特征模型，例如定义一款抽纸的特征为“价格较高、吸附性好、适用于宝宝”，评分是其他使用该抽纸的用户留下的评价，或者是其他没有使用过但了解该抽纸的用户留下的评价，这样推荐给目标用户的商品不仅仅是用户可能需求的商品，也是评分较高的商品。

用深度学习模型对训练数据进行输入，并利用无监督学习的方法训练深度网络，该深度模型一共有四层，包括可见层v1，隐含层h1、隐含层h2和隐含层h3，而顶层与隐含层h3形成无向的关联记忆层。当数据通过深度结构进行深层映射后，从原来的M维(M为输入数据的维度)变成了最顶层的K维数(K为深度模型最顶层神经元的维度)，这样我们认为原来高维数据通过特征探测群进行映射后，将数据内部隐含的特征映射到K维空间中。比如，对于商品打分数据，我们将映射后的K维空间可以理解成该用户对M个商品的偏好特征，1-K个维度分别代表用户喜爱商品中某个成分的程度、喜欢某个代言人的程度、喜欢某种类型商品的程度等等，在这K个维度上我们对每个用户的数据进行聚类或者相似度比较，则相似度比较的结果往往比用原始数据进行比较的准确度要高。

实施例5

如图5所示，一种具体的实施方式可为：

S510、获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户；

在商超会员的管理后台中，我们加入了会员精准营销功能，商家可以选择指定会员，或者筛选会员的消费行为和商品喜好，消费行为包括累计消费金额、平均消费金额、累计消费次数和未消费时长等，商品喜好包括消费过的商品等，每一个筛选项都有多维度的设置项，包含时间维度、金额区间、商品范围等。

S520、提取所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表；

S530、利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述推荐列表的评分；

S540、将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

因为基于数字商超系统，会员的基本信息、消费行为和商品喜好都是已存数据，通过系统筛选后即可查询到目标会员，不过要想推送触达用户，需用户在网络平台上主动选择接收消息，这个依据网络平台规定，用户可自行决定，例如微信平台上的小程序消息可由用户决定是仅接收一次或者长期接收。

系统在筛选出会员信息后，再结合是否是可接收推送用户，进一步精准筛选。商家添加商家指定的优惠券，通过系统设定好的消息模板，进行推送。

用户通过网络平台接收到推送消息，点击即可跳转至商超线上商城的用户优惠券中心界面，然后可操作使用优惠券，实现商家营销目的。

上述过程不仅实现了营销推送的目的，而且由于打通了商超系统的会员、商品、优惠券等独立信息库，实现了商家整体的良好营销运转，又因为是用户主动接收推送，可以精准可持续地触达目标用户，提高用户体验度。

实施例6

如图6所示，一种基于深度学习的推荐装置，包括：

获取模块10：获取模块：用于获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户；

提取模块20：用于提取所述获取模块10锁定的所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表；

评分模块30：用于利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述提取模块20得到的所述推荐列表的评分；

推荐模块40：用于将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

上述装置的一种实施方式可为：获取模块10：获取模块获取多个用户画像和多个商品属性，根据所述多个用户画像锁定目标用户；提取模块20提取所述获取模块10锁定的所述目标用户的显特征和所述多个商品属性的显特征，再处理产生推荐列表；评分模块30利用深度学习模型学习所述目标用户的隐特征和所述多个商品属性的隐特征，并根据所述隐特征来预测所述目标用户对所述提取模块20得到的所述推荐列表的评分；推荐模块40将所述推荐列表的商品对所述目标用户进行预推荐，确定所述目标用户是否接收推荐，若是，则根据所述推荐列表的评分按优先级推荐所述商品的相关信息。

实施例7

如图7所示，一种基于深度学习的推荐装置的获取模块10包括：

第一获取单元12：用于获取多个用户画像和多个商品属性，所述用户画像包括行为特征和偏好特征，所述商品属性包括商品基本属性和商品评价；

锁定单元14：用于根据所述第一获取单元获取的所述行为特征和偏好特征设置多维筛选项，并根据所述多维筛选项锁定目标用户。

上述装置的获取模块10的一种实施方式可为：第一获取单元12获取多个用户画像和多个商品属性，所述用户画像包括行为特征和偏好特征，所述商品属性包括商品基本属性和商品评价；锁定单元14根据所述第一获取单元获取的所述行为特征和偏好特征设置多维筛选项，并根据所述多维筛选项锁定目标用户。

实施例8

如图8所示，一种基于深度学习的推荐装置的采集模块20包括：

第一采集单元22：用于采集所述目标用户的行为特征及对所述多个商品的浏览记录和搜索记录，构建所述目标用户的偏好模型；

第二采集单元24：用于同时采集所述多个商品属性的显特征，并根据所述显特征查找近似商品；

缓存单元26：用于将所述近似商品中和所述偏好模型存在映射关系的商品缓存入推荐列表。

上述装置的获取模块10的一种实施方式可为：第一采集单元22采集所述目标用户的行为特征及对所述多个商品的浏览记录和搜索记录，构建所述目标用户的偏好模型；第二采集单元24同时采集所述多个商品属性的显特征，并根据所述显特征查找近似商品；缓存单元26将所述近似商品中和所述偏好模型存在映射关系的商品缓存入推荐列表。

实施例9

如图9所示，一种基于深度学习的推荐装置的评分模块30包括：

第二获取单元32：用于获取所述目标用户对所述多个商品属性的评论数据；

构建单元34：用于根据所述目标用户对所述多个商品属性的评论数据构建K个维度特征，并根据所述K个维度特征确定所述目标用户在所述K个维度特征上的K个近邻用户，其中K为大于1的整数；

评分子单元36：用于获取所述K个近邻用户对所述多个商品属性的评论数据，根据所述所述K个近邻用户对所述多个商品属性的评论数据来预测所述目标用户对所述推荐列表的评分。

上述装置的评分模块30的一种实施方式可为：第二获取单元32获取所述目标用户对所述多个商品属性的评论数据；构建单元34根据所述目标用户对所述多个商品属性的评论数据构建K个维度特征，并根据所述K个维度特征确定所述目标用户在所述K个维度特征上的K个近邻用户，其中K为大于1的整数；评分子单元36获取所述K个近邻用户对所述多个商品属性的评论数据，根据所述所述K个近邻用户对所述多个商品属性的评论数据来预测所述目标用户对所述推荐列表的评分。

实施例10

如图10所示，一种电子设备，包括存储器1001和处理器1002，所述存储器1001用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器1002执行以实现上述的一种基于深度学习的推荐方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种基于深度学习的推荐方法。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1001中，并由处理器1002执行，并由输入接口1005和输出接口1006完成数据的I/O接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器1001、处理器1002,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器1007、网络接入设备、总线等。

处理器1002可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器1002、数字信号处理器1002(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgRAM503mableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器1002可以是微处理器1002或者该处理器1002也可以是任何常规的处理器1002等。

存储器1001可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器1001也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等,进一步地，存储器1001还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器1001用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器1001还可以用于暂时地存储在输出器1008，而前述的存储介质包括U盘、移动硬盘、只读存储器ROM1003、随机存储器RAM1004、碟盘或光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。