用户投诉行为预测方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种用户投诉行为预测方法、装置、设备及存储介质。

背景技术

随着客服系统的智能化发展，利用自动语音识别(Automatic SpeechRecognition，简称ASR)、自然语言处理(Natural Language Processing，简称NLP)等智能技术，当客户拨打电话呼入时，对客户的通话语音进行语义理解，了解呼入意图，以及时发现客户投诉风险，然后，将客户准确导航到对应的客服人员或者自助服务流程，有针对性的对客户投诉进行处理，达到提升服务质量的效果。

目前，主要是采用逻辑回归或随机森林模型构建客户投诉行为预测模型。其一，逻辑回归模型，不同维度的数据均需要在同一个数据空间进行标准化，且客户的投诉数据具有较为稀疏的特点，容易形成稀疏的特征矩阵，导致构建的模型存在欠拟合的问题；其二，通过随机森林构建的模型，可以有效的减少离散变量和稀疏特征对结果的影响，但从时间序列上存在一定的信息损失。

因此，采用现有技术的方法，均存在对客户投诉行为预测的准确性偏低的问题。

发明内容

本申请的目的在于，针对上述现有技术中的不足，提供一种用户投诉行为预测方法、装置、设备及存储介质，以便降低了用户的投诉数据在序列化过程中的信息损失，同时也达到提高用户投诉行为预测的准确率的目的。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种用户投诉行为预测方法，包括：

获取用户的多条历史通话数据；其中，各条所述历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔；

按照所述呼入时间，对所述多条历史通话数据进行序列化处理，得到所述用户的序列化数据；

基于所述用户的序列化数据，采用预先训练得到的投诉行为预测模型，预测得到所述用户下一次的通话意图，所述用户下一次的通话意图用于指示所述用户是否会发生投诉行为。

可选地，所述按照所述呼入时间，对所述多条历史通话数据进行序列化处理，得到所述用户的序列化数据，包括：

分别将各条所述历史通话数据串接为一个序列化子序列；

按照所述呼入时间，将各序列化子序列串接为所述用户的序列化数据。

可选地，所述分别将各条历史通话数据串接为一个序列化子序列，包括：

依次对所述各条历史通话数据中的通话意图、通话场景、通话时长以及与相邻下一次通话的时间间隔进行串接，得到所述序列化子序列。

可选地，所述分别将各条历史通话数据串接为一个序列化子序列之前，还包括：

按照取值分布，对所述多条历史通话数据中的通话时长以及与相邻下一次通话的时间间隔进行分箱处理。

可选地，所述基于所述用户的序列化数据，采用预先训练得到的投诉行为预测模型，预测得到所述用户下一次的通话意图，包括：

构建所述序列化数据对应的特征向量；

将所述特征向量输入所述投诉行为预测模型，预测得到所述用户下一次的通话意图。

可选地，所述获取用户的多条历史通话数据，包括：

获取所述用户的多条历史通话语音；

分别将各条所述历史通话语音转换为各文本数据；

对所述各文本数据进行自然语言处理，得到所述用户的多条历史通话数据。

可选地，在所述获取用户的多条历史通话数据之前；包括：

获取用户的多条历史通话数据，各条所述历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔；

按照所述呼入时间，对所述多条历史通话数据进行序列化处理，得到所述用户的序列化数据；

以所述用户的序列化数据作为训练样本，训练得到的投诉行为预测模型，所述投诉行为预测模型用于预测所述用户是否会发生投诉行为。

第二方面，本申请实施例还提供了一种用户投诉行为预测装置，所述装置包括：获取模块、处理模块、预测模块；

所述获取模块，用于获取用户的多条历史通话数据；其中，各条所述历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔；

所述处理模块，用于按照所述呼入时间，对所述多条历史通话数据进行序列化处理，得到所述用户的序列化数据；

所述预测模块，用于基于所述用户的序列化数据，采用预先训练得到的投诉行为预测模型，预测得到所述用户下一次的通话意图，所述用户下一次的通话意图用于指示所述用户是否会发生投诉行为。

可选地，所述处理模块，还用于：

分别将各条所述历史通话数据串接为一个序列化子序列；

按照所述呼入时间，将各序列化子序列串接为所述用户的序列化数据。

可选地，所述处理模块，还用于：

依次对所述各条历史通话数据中的通话意图、通话场景、通话时长以及与相邻下一次通话的时间间隔进行串接，得到所述序列化子序列。

可选地，所述处理模块，还用于：

按照取值分布，对所述多条历史通话数据中的通话时长以及与相邻下一次通话的时间间隔进行分箱处理。

可选地，所述预测模块，还用于：

构建所述序列化数据对应的特征向量；

将所述特征向量输入所述投诉行为预测模型，预测得到所述用户下一次的通话意图。

可选地，所述获取模块，还用于：

获取所述用户的多条历史通话语音；

分别将各条所述历史通话语音转换为各文本数据；

对所述各文本数据进行自然语言处理，得到所述用户的多条历史通话数据。

可选地，所述装置还包括训练模块；所述训练模块，用于：

获取用户的多条历史通话数据，各条所述历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔；

按照所述呼入时间，对所述多条历史通话数据进行序列化处理，得到所述用户的序列化数据；

以所述用户的序列化数据作为训练样本，训练得到的投诉行为预测模型，所述投诉行为预测模型用于预测所述用户是否会发生投诉行为。

第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面提供的所述方法的步骤。

第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面提供的所述方法的步骤。

本申请的有益效果是：

本申请提供一种用户投诉行为预测方法、装置、设备及存储介质，该方法包括：获取用户的多条历史通话数据；各条历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔；按照呼入时间，对多条历史通话数据进行序列化处理，得到用户的序列化数据；基于用户的序列化数据，采用预先训练得到的投诉行为预测模型，预测得到用户下一次的通话的意图，用户下一次的通话的意图用于指示用户是否会发生投诉行为。在本方案中，通过将用户的多条历史通话数据特征化为序列数据，这样保留用户的每一次通话的内容特征和时序特征，降低了序列化过程中的信息损失，提高了用户投诉行为预测的准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种电子设备的结构示意图。

图2为本申请实施例提供的一种用户投诉行为预测方法的流程示意图；

图3为本申请实施例提供的另一种用户投诉行为预测方法的流程示意图；

图4为本申请实施例提供的又一种用户投诉行为预测方法的流程示意图；

图5为本申请实施例提供的另一种用户投诉行为预测方法的流程示意图；

图6为本申请实施例提供的又一种用户投诉行为预测方法的流程示意图；

图7为本申请实施例提供的一种用户投诉行为预测装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了使得本领域技术人员能够使用本申请内容，结合特定应用场景，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

在对本申请实施例进行详细解释之前，首先对本申请的应用场景予以介绍。该应用场景具体可以是保险业、物流业、互联网行业等多个领域，本申请不对其进行限定。

本申请主要是基于用户与客服系统以往的历史通话数据，预测用户在下一次通话时是否会发生投诉行为，使得在用户发起投诉之前就能够提前预测用户的投诉风险，以便于用户在下一次呼入时，将用户准确导航到对应的客服人员，进而有针对性的对用户投诉进行处理，提升企业的服务质量，同时也提升了用户的体验感。

图1为本申请实施例提供的一种电子设备的结构示意图；如图1所示，该电子设备100如可以是计算机、服务器等具有处理功能的电子设备，以用于实现本申请提供的用户投诉行为预测方法。

如图1所示，电子设备100包括：存储器101、处理器102。

存储器101、处理102器之间直接或间接地电性连接，以实现数据的传输或交互。例如，可通过一条或多条通信总线或信号线实现电性连接。

其中，存储器101可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

其中，处理器102可以是一种集成电路芯片，具有信号的处理能力。上述的处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器101用于存储程序，处理器102调用存储器101存储的程序，以执行下面实施例提供的用户投诉行为预测方法。

可以理解，图1所示的结构仅为示意，电子设备100还可包括比图1中所示更多或者更少的模块，或者具有与图1所示不同的配置。图1中所示的各模块可以采用硬件、软件或其组合实现。

如下将通过多个具体实施例对本申请的用户投诉行为预测方法的实现原理和对应产生的有益效果进行说明。

图2为本申请实施例提供的一种用户投诉行为预测方法的流程示意图；该方法的执行主体可以是上述的电子设备，如图2所示，该方法包括：

S201、获取用户的多条历史通话数据。

其中，各条历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔。

其中，呼入时间是指用户A每一次呼入客服系统的时间。

例如，用户A在第一次呼入客服系统的呼入时间是2020/7/15 8:15:50、通话意图是道路救援、通话场景是人工、通话时长15s、与相邻下一次通话的时间间隔是180s。

在本实施例中，主要是基于用户与客服系统以往的历史通话数据，预测用户在下一次通话时是否会发生投诉行为。

例如，需要预测用户A在第4次呼入客服系统时是否会发生投诉行为，则可以获取用户A前3次呼入的3条历史通话数据，比如，获取到的3条历史通话数据分别包括：用户A的编号、呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔。其中，用户A的客户编号作为识别不同用户的唯一标识。

具体的可如下表1所示：

表1用户A呼入的多条历史通话数据

S202、按照呼入时间，对多条历史通话数据进行序列化处理，得到用户的序列化数据。

例如，可以按照表1中用户A每一次的呼入时间顺序，将用户A的3条历史通话数据进行序列化处理，比如，用户的序列化数据：通话数据1->通话数据2->通话数据3，且其中每一条的历史通话数据中分别包含：意图->场景->通话时长->相邻下一次通话的时间间隔，以得到用户A之前呼入的3条历史通话数据的序列化数据。

经过此序列化处理后，用户A的多条历史通话数据被特征化为不定长的序列数据，这样既可以保留用户A的每一次通话的内容特征，又体现了不同通话间的时间顺序，降低了序列化过程中的信息损失，以便于提高用户投诉行为预测的准确率。

S203、基于用户的序列化数据，采用预先训练得到的投诉行为预测模型，预测得到用户下一次的通话意图。

其中，用户下一次的通话意图用于指示用户是否会发生投诉行为。

投诉行为预测模型是基于多个用户以往的多条历史通话数据，训练得到的神经网络模型，如可以是循环神经网络模型(Recurrent Neural Network，简称RNN)。

例如，在上述实施例的基础上，将用户A之前呼入的3条历史通话数据的序列化数据输入至预先训练得到的投诉行为预测模型，获取预测得到用户A在第4次呼入客服系统时通话意图的分类标签，即发生或者不发生投诉行为，若预测到用户A在第4次呼入客服系统时会发生投诉行为，则可以提前预警投诉并提醒相关管理人员和客服人员，以提升服务质量。

综上所述，本申请实施例提供一种用户投诉行为预测方法，包括：获取用户的多条历史通话数据；其中，各条历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔；按照呼入时间，对多条历史通话数据进行序列化处理，得到用户的序列化数据；基于用户的序列化数据，采用预先训练得到的投诉行为预测模型，预测得到用户下一次的通话的意图，用户下一次的通话的意图用于指示用户是否会发生投诉行为。在本方案中，通过将用户A的多条历史通话数据特征化为不定长的序列数据，这样既可以保留用户的每一次通话的内容特征和时序特征，降低了序列化过程中的信息损失，从而有效地提高用户投诉行为预测的准确率。

图3为本申请实施例提供的另一种用户投诉行为预测方法的流程示意图；如图3所示，上述步骤S202：按照呼入时间，对多条历史通话数据进行序列化处理，得到用户的序列化数据，包括：

S301、分别将各条历史通话数据串接为一个序列化子序列。

可选地，可以依次对各条历史通话数据中的通话意图、通话场景、通话时长以及与相邻下一次通话的时间间隔进行串接，得到序列化子序列。

例如，可以将表1中所示的3条历史通话数据分别串接为多个序列化子序列，如第1条历史通话数据的子序列是：道路救援-人工-15s-200s，如第2条历史通话数据的子序列是：车险报案-人工-20s-100s，第3条历史通话数据的子序列是：理赔查询-自助-20s-180s。同理，若还获取到用户A的第4条历史通话数据，则还可以得到第4条历史通话数据的子序列，这样可以将用户A的多条历史通话数据序列化为不定长的序列数据，有效避免了序列化过程中的信息损失。

S302、按照呼入时间，将各序列化子序列串接为用户的序列化数据。

例如，根据表1中所示的3条历史通话数据中的呼入时间，将上述得到的3个子序列串接为用户的序列化数据，具体如下所示：

道路救援-人工-15s-200s-车险报案-人工-20s-100s-理赔查询-自助-20s-180s。

在本实施例中，按照多条历史通话数据中呼入时间的变化特性，将多条历史通话数据的多个子序列做线性序列化处理，并利用投诉行为预测模型对线性时序序列的处理特性，更好的拟合时序数据，提高了对用户下一次的通话意图预测的准确率。

可选地，在上述步骤S301：分别将各条历史通话数据串接为一个序列化子序列之前，还包括：按照取值分布，对多条历史通话数据中的通话时长以及与相邻下一次通话的时间间隔进行分箱处理。

其中，分箱处理包括：等距离分箱和等频度分箱。在本实施例中，采取的是等距离分箱处理，也可以称为等宽度分箱，设有K个空间，则每个空间的间距I＝(Max-Min)/K。

例如，可以将表1中所示的用户A的通话时长的间距设置为10，划分得到的分箱空间可以是：10s以下分类为1、11～20之间分类为2、21～30分之间分类为3。

将相邻下一次通话的时间间隔的间距设置为100，划分得到的分箱空间可以是：100s以下分类为1、101～200之间分类为2、201～300之间分类为3。

上述划分的分箱空间的间隔设置还可以根据实际情况重新定义，在此不做具体限制。

这样可以将表1中所示的3条历史通话数据中的“通话时长”以及“与相邻下一次通话的时间间隔”进行分箱处理，得到3个子序列可以分别是：道路救援-人工-2-2、车险报案-人工-2-1、理赔查询-自助-2-2。

此外，将上述得到的3个子序列串接为用户A的序列化数据，具体如下所示：道路救援-人工-2-2-车险报案-人工-2-1-理赔查询-自助-2-2。

在本实施例中，对通话时长和相邻下一次通话的时间间隔进行分箱离散化处理，这样可以提高对用户下一次的通话意图预测的效率。

图4为本申请实施例提供的又一种用户投诉行为预测方法的流程示意图；如图4所示，上述步骤S203：基于用户的序列化数据，采用预先训练得到的投诉行为预测模型，预测得到用户下一次的通话意图，包括：

S401、构建序列化数据对应的特征向量。

其中，特征向量可以包括为多个，多个特征向量可以组成一个多维特征向量矩阵。

例如，可以将用户A的序列化数据：“道路救援-人工-15s-200s-车险报案-人工-20s-100s-理赔查询-自助-20s-180s”，生成一个3行4列的多维特征向量矩阵，具体如下所示：

S402、将特征向量输入投诉行为预测模型，预测得到用户下一次的通话意图。

在本实施例中，例如，可以把上述根据用户A的序列化数据生成的多维特征向量矩阵，作为投诉行为预测模型的输入特征，经过投诉行为预测模型的处理，输出用户A在第4次呼入客户系统通话意图的预测结果，如预测到用户A在第4次呼入客户系统会发生投诉行为。

图5为本申请实施例提供的另一种用户投诉行为预测方法的流程示意图；如图5所示，上述步骤S201、获取用户的多条历史通话数据，包括：

S501、获取用户的多条历史通话语音。

例如，在用户A呼入某保险公司或者某物流公司的客服系统时，就可以开始获取用户A与客服系统之间的通话语音数据。

S502、分别将各条历史通话语音转换为各文本数据。

示例性的，当用户A需要案件信息查询业务时，在呼入客服系统之后，并根据客服系统中的语言提示信息，进入人工服务平台后与客服1进行连线，在用户A对客服1说“查询某案件当前的进度情况”，在客服1向用户A汇报了这一案件的进度情况之后，用户A又说“这个进度太慢了”。

在用户A与客服1的进行通话的整个过程中，可以使用自动语音识别技术(Automatic Speech Recognition，简称ASR)将用户A的通话语音数据“查询某案件当前的进度情况”、“这个进度太慢了”转译成对应的文本数据。

S503、对各文本数据进行自然语言处理，得到用户的多条历史通话数据。

例如，在上述实施例的基础上，可以使用自然语言处理算法模型(NaturalLanguage Processing，简称NLP)对上述转译得到的各文本数据进行分类识别处理，准确识别到用户A呼入客服系统的通话意图和办理业务的场景等信息，这样即可得到用户A每一条历史通话数据中的通话意图和通话场景等信息。

图6为本申请实施例提供的又一种用户投诉行为预测方法的流程示意图；如图6所示，在上述步骤S201、获取用户的多条历史通话数据之前，包括：

S601、获取用户的多条历史通话数据。

其中，各条历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔。

示例性的，可以获取用户A前3次呼入的3条历史通话数据，如获取到用户A的3条历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔。具体的可如参见上述表1所示。

S602、按照呼入时间，对多条历史通话数据进行序列化处理，得到用户的序列化数据。

在本实施例中，可以按照表1中每一次用户A呼入客服系统的呼入时间，将表1中所示的3条历史通话数据进行序列化处理，得到用户A的序列化数据，具体是：通话数据1->通话数据2->通话数据3，且其中每一条的历史通话数据中分别包含：意图->场景->通话时长->相邻下一次通话的时间间隔等，这样使用序列化处理的方法把用户A的3条历史通话数据连接成数据链，能够可以充分挖掘用户A的3条历史通话数据中的通话内容及时序信息，同时保留了每一次通话的内容特征和时序特征，达到了降低了对通话数据进行特征量化处理过程中的信息损失的目的，进而能够提高训练得到的投诉行为预测模型的预测准确率。

S603、以用户的序列化数据作为训练样本，训练得到投诉行为预测模型。

其中，投诉行为预测模型用于预测用户是否会发生投诉行为。

在上述实施例的基础上，为了基于用户A的序列化数据训练得到投诉行为预测模型，如可以将RNN模型作为初始的投诉行为预测模型，将用户A的序列化数据作为训练样本，输入至初始的投诉行为预测模型中，对初始投诉行为预测模型进行多次训练之后，得到识别投诉/未投诉的二分类模型，即得到训练好的投诉行为预测模型。

这样就可以通过获取到的用户以往的历史通话数据，采用训练好的投诉行为预测模型，预测用户在下一次呼入客服系统时发生投诉行为的概率，有效的处理用户意见。

下述对用以执行本申请所提供的用户投诉行为预测方法对应的装置及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。

图7为本申请实施例提供的一种用户投诉行为预测装置的结构示意图；如图7所示，该装置包括：获取模块701、处理模块702、预测模块703；

获取模块701，用于获取用户的多条历史通话数据；其中，各条历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔；

处理模块702，用于按照呼入时间，对多条历史通话数据进行序列化处理，得到用户的序列化数据；

预测模块703，用于基于用户的序列化数据，采用预先训练得到的投诉行为预测模型，预测得到用户下一次的通话意图，用户下一次的通话意图用于指示用户是否会发生投诉行为。

可选地，处理模块702，还用于：

分别将各条历史通话数据串接为一个序列化子序列；

按照呼入时间，将各序列化子序列串接为用户的序列化数据。

可选地，处理模块702，还用于：

依次对各条历史通话数据中的通话意图、通话场景、通话时长以及与相邻下一次通话的时间间隔进行串接，得到序列化子序列。

可选地，处理模块702，还用于：

按照取值分布，对多条历史通话数据中的通话时长以及与相邻下一次通话的时间间隔进行分箱处理。

可选地，预测模块703，还用于：

构建序列化数据对应的特征向量；

将特征向量输入投诉行为预测模型，预测得到用户下一次的通话意图。

可选地，获取模块701，还用于：

获取用户的多条历史通话语音；

分别将各条历史通话语音转换为各文本数据；

对各文本数据进行自然语言处理，得到用户的多条历史通话数据。

可选地，该装置还包括：训练模块；训练模块用于：

获取用户的多条历史通话数据，各条历史通话数据分别包括：呼入时间、通话意图、通话场景、通话时长、与相邻下一次通话的时间间隔；

按照呼入时间，对多条历史通话数据进行序列化处理，得到用户的序列化数据；

以用户的序列化数据作为训练样本，训练得到的投诉行为预测模型，投诉行为预测模型用于预测用户是否会发生投诉行为。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。

可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，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，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。