一种方面级情感分析方法及装置

技术领域

本说明书一个或多个实施例涉及自然语言处理技术领域，尤其涉及一种方面级情感分析方法及装置。

背景技术

随着人工智能技术的发展，从包含情感词的文本中挖掘出表达者所表达的情感，从而完成情感分析任务，具有广泛的应用场景，例如，商品评论分析、影评分析、热点事件观点分析等。方面级情感分析任务能够挖掘细粒度的情感表达，实现更为准确完整的情感分析，然而，目前的方面级情感分析方法存在动态方面表示不充分、上下文特征学习不全面的问题。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种方面级情感分析方法及装置。

基于上述目的，本说明书一个或多个实施例提供了一种方面级情感分类方法，包括：

对评论语句进行编码处理，生成句子对向量和评论向量；其中，所述句子对向量中对应评论语句的向量包括目标实体向量和上下文向量；

对预定方面类别进行编码处理，生成方面类别向量；

将所述评论向量输入预先训练的评论特征提取模型中，得到评论特征向量；

根据所述评论特征向量和所述方面类别向量，生成动态方面向量；

根据所述目标实体向量、上下文向量和动态方面向量，生成具有语义关系的评论向量；

将所述句子对向量和所述具有语义关系的评论向量输入情感分类器，得到预测的情感极性。

可选的，所述对评论语句进行编码处理之前，还包括：

对于所述评论语句中的每个词，检索预定数量的相关概念词；

根据所述相关概念词，构建解释语句；

根据所述评论语句和所述解释语句，生成扩展后的评论语句。

可选的，所述对评论语句进行编码处理，生成句子对向量和评论向量，包括：

利用预设的编码模型对所述扩展后的评论语句进行编码处理，得到所述评论向量；

根据所述评论语句中的目标实体和方面类别构造至少一个辅助句；

将所述评论语句和至少一个辅助句拼接为句子对；

利用所述编码模型对所述句子对进行编码处理，得到所述句子对向量。

可选的，根据所述评论特征向量和所述方面类别向量，生成动态方面向量，包括：

按照预设的动态比例系数，将所述评论特征向量和所述方面类别向量进行加权求和，得到所述动态方面向量。

可选的，根据所述目标实体向量、上下文向量和动态方面向量，生成具有语义关系的评论向量，包括：

根据所述目标实体向量和所述上下文向量，生成目标实体与上下文相互关注的第一评论向量；

根据所述第一评论向量和所述动态方面向量，生成所述具有语义关系的评论向量。

可选的，根据所述目标实体向量和所述上下文向量，生成目标实体与上下文相互关注的第一评论向量，包括：

根据所述目标实体向量和所述上下文向量，确定上下文关注目标实体的加权目标实体向量，以及目标实体关注上下文的加权上下文向量；

将所述加权目标实体向量和所述加权上下文向量拼接为所述第一评论向量。

可选的，根据所述目标实体向量和所述上下文向量，确定上下文关注目标实体的加权目标实体向量，包括：

根据所述上下文向量中的所有词向量，计算上下文平均向量；

根据所述上下文平均向量和所述目标实体向量，计算上下文对目标实体的第一注意力；

根据所述目标实体向量和所述第一注意力，确定所述加权目标实体向量。

可选的，根据所述目标实体向量和所述上下文向量，确定目标实体关注上下文的加权上下文向量，包括：

根据所述目标实体向量中的所有词向量，计算目标实体平均向量；

根据所述目标实体平均向量和所述上下文向量，计算目标实体对上下文的第二注意力；

根据所述上下文向量和所述第二注意力，确定所述加权上下文向量。

可选的，根据所述第一评论向量和所述动态方面向量，生成所述具有语义关系的评论向量，包括：

根据所述第一评论向量和所述动态方面向量，计算方面级注意力；

根据所述方面级注意力和所述第一评论向量，确定所述具有语义关系的评论向量。

本说明书实施例还提供一种方面级情感分类装置，包括：

第一编码模块，用于对评论语句进行编码处理，生成句子对向量和评论向量；其中，所述句子对向量中对应评论语句的向量包括目标实体向量和上下文向量；

第二编码模块，用于对预定方面类别进行编码处理，生成方面类别向量；

特征提取模块，用于将所述评论向量输入预先训练的评论特征提取模型中，得到评论特征向量；

动态方面模块，用于根据所述评论特征向量和所述方面类别向量，生成动态方面向量；

语义分析模块，用于根据目标实体向量、上下文向量和动态方面向量，生成具有语义关系的评论向量；

预测模块，用于将所述句子对向量和所述具有语义关系的评论向量输入情感分类器，得到预测的情感极性。

从上面所述可以看出，本说明书一个或多个实施例提供的方面级情感分析方法及装置，通过对评论语句进行编码处理，生成句子对向量和评论向量；对预定方面类别进行编码处理，生成方面类别向量；将评论向量输入预先训练的评论特征提取模型中，得到评论特征向量；根据评论特征向量和方面类别向量，生成动态方面向量；根据目标实体向量、上下文向量和动态方面向量，生成具有语义关系的评论向量；将句子对向量和所述具有语义关系的评论向量输入情感分类器，得到预测的情感极性。本实施例的方法能够提高情感预测的准确性。

附图说明

为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例，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为本说明书一个或多个实施例的方法流程示意图；

图2为本说明书一个或多个实施例的生成动态方面向量示意图；

图3为本说明书一个或多个实施例的层级注意力机制示意图；

图4为本说明书一个或多个实施例的装置结构示意图；

图5为本说明书一个或多个实施例的电子设备结构示意图。

具体实施方式

为使本公开的目的、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，对本公开进一步详细说明。

需要说明的是，除非另外定义，本说明书一个或多个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。本说明书一个或多个实施例中使用的“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。

如背景技术部分所述，相关情感分析方法中，将评论语句的上下文融入静态方面表示中，使得不同语义的评论语句可以引导生成不同的方面向量，从而实现方面动态性。虽然考虑了方面表示与上下文之间的关联性，但一般利用注意力机制、阶跃函数等提取上下文特征，没有体现上下文词之间的关联性，存在上下文特征学习不全面、评论特征提取不充分的问题，生成的动态方面向量与评论语句的相关度不高，影响情感分析结果的准确性。

为解决上述问题，本申请提供一种方面级情感分析方法，在动态方面向量中融入有效的评论特征，所生成的动态方面向量提高了方面类别与评论的相关性，采用层级注意力机制充分挖掘目标实体、上下文及动态方面向量之间的语义关系，提高情感分析结果的准确性。

以下，通过具体的实施例进一步详细说明本申请的技术方案。

如图1所示，本说明书一个或多个实施例提供一种方面级情感分析方法，包括：

S101：对评论语句进行编码处理，生成句子对向量和评论向量；其中，句子对向量中对应评论语句的向量包括目标实体向量和上下文向量；

本实施例中，对于待分析的评论语句，先进行编码处理，将评论语句转换为向量表示，以便于进行后续处理。其中，评论语句中包括目标实体、方面词、情感词等内容，目标实体是评价的客体，方面词是目标实体的属性，情感词是对目标实体的属性的情感表达，可以分为正面情感词和负面情感词。例如，在某酒店的评论语句中，可提取出的目标实体为酒店，方面词例如为咖啡、汉堡、服务员、行李托运、电视、宽带等有关酒店的属性内容，情感词例如为表达情感倾向的咖啡好喝、服务好、体验佳、信号不好等等。

一些方式中，采用BERT模型对输入的评论语句进行编码处理，得到评论语句的向量表示，即评论向量。基于评论语句中的目标实体和方面类别构造辅助句，采用BERT模型对输入的评论语句和辅助句进行编码处理，得到句子对向量，利用句子对向量进行句子对相关性的预测。

S102：对预定方面类别进行编码处理，生成方面类别向量；

方面类别为方面词所属类别，例如，在上述所列方面词中，咖啡、汉堡属于食品类方面，服务员、行李托运属于服务类方面，电视、宽带属于设施类方面。在情感分析任务中，需要预测评论语句在预定方面类别的情感极性，由此，对预定方面类型进行编码处理，生成方面类别向量，以便于后续从评论语句中捕捉与预设方面类别更相关的情感倾向。

一些方式中，采用BERT模型对输入的预定方面类别进行编码处理，得到预定方面类别的向量表示，即方面类别向量。

S103：将评论向量输入预先训练的评论特征提取模型中，得到评论特征向量；

本实施例中，考虑到评论语句中包括丰富的情感词，但并未对情感词进行解释，由此，基于评论语句进行扩展，增加词的解释语句，基于扩展的评论语句，生成相应的评论向量，将该评论向量输入评论特征提取模型中，由模型输出评论特征向量。通过对评论语句进行外部知识的扩展，能够提高提取出的评论特征的准确性和完整性。

S104：根据评论特征向量和方面类别向量，生成动态方面向量；

本实施例中，通过融合静态的方面类别向量和动态的评论特征向量，得到动态的方面表示，即动态方面向量。为防止融合后的动态方面向量与原有方面类别的语义偏离较大，将评论特征向量和方面类别向量按照一定的权重相加，生成动态方面向量。

S105：根据目标实体向量、上下文向量和动态方面向量，生成具有语义关系的评论向量；

本实施例中，通过层级注意力机制，在目标实体与上下文的交互注意力层，建立目标实体向量与上下文向量之间的语义关系，在方面类别与评论语句之间的一般注意力层，建立方面类别向量与评论向量之间的语义关系，生成具有语义关系的评论向量。

S106：将句子对向量和具有语义关系的评论向量输入情感分类器，得到预测的情感极性。

本实施例中，基于句子对向量和具有语义关系的评论向量进行情感分类。将句子对向量中具有分类信息的分类向量和具有语义关系的评论向量进行拼接后输入情感分类器，由情感分类器输出预测的情感极性，从而得到评论语句在预定方面类别的情感极性。

本实施例提供的方面级情感分析方法，包括对评论语句进行编码处理，生成句子对向量和评论向量，对预定方面类别进行编码处理，生成方面类别向量，将评论向量输入预先训练的评论特征提取模型中，得到评论特征向量，根据评论特征向量和方面类别向量，生成动态方面向量，根据目标实体向量、上下文向量和动态方面向量，生成具有语义关系的评论向量，将句子对向量和具有语义关系的评论向量输入情感分类器，得到预测的情感极性。本实施例的方法，扩展的评论语句能够提取更为准确有效的评论特征，融合评论特征的动态方面向量与评论更为相关，使得评论语句在预定方面类别的情感预测更为准确。

以下结合具体实施例对本说明书实施例的方面级情感分析方法进行说明。

结合图1-3所示，给定由L个词组成的评论语句S的序列形式S＝{w

一些实施例中，对评论语句进行编码处理之前，先对评论语句进行扩展，扩展方法包括：

对于评论语句中的每个词，检索预定数量的相关概念词；

根据相关概念词，构建解释语句；

根据评论语句和解释语句，生成扩展后的评论语句。

本实施例中，基于原始的评论语句进行评论特征提取和情感分析，存在特征提取不准确完整，进而情感分析不准确的问题。由此，在对评论语句进行情感分析之前，先对评论语句进行扩展。具体的，对于评论语句中的每个词，检索已有知识库，获得与该词具有相似性的相关概念词，基于相关概念词构建相应的解释语句，然后基于评论语句和解释语句，生成扩展后的评论语句，后续基于扩展后的评论语句进行情感分析。

一些实施方式中，采用SenticNet情感词典作为常识知识库，对于评论语句中的每个词，从SenticNet情感词典中检索五个最相关的概念词

一些实施例中，对评论语句进行编码处理，生成句子对向量和评论向量，包括：

利用预设的编码模型对扩展后的评论语句进行编码处理，得到评论向量；

根据评论语句中的目标实体和方面类别构造至少一个辅助句；

将评论语句和至少一个辅助句拼接为句子对；

利用编码模型对句子对进行编码处理，得到句子对向量。

本实施例中，基于扩展后的评论语句进行编码处理，一方面，将扩展后的评论语句输入编码模型中，由编码模型输出相应的评论向量；另一方面，基于原有的评论语句构造辅助句，将评论语句和辅助句拼接成句子对输入编码模型中，由编码模型输出相应的句子对向量。

一些实施方式中，将扩展后的评论语句S`输入BERT模型，由BERT模型对输入数据进行编码处理，得到扩展后的评论语句S`的评论向量

基于评论语句S中所包含的目标实体和方面词所属方面类别构造辅助句，方法为：若评论语句S包括n

其中，句子对向量中对应评论语句S的向量包括目标实体向量

经过分析，情感分析任务存在两个特点，其一是任务的独特性，对于未经情感分类任务训练的特征提取器，不能准确有效的提取评论语句的特征；其二，评论语句包含丰富的情感词，但不包含情感词的解释，特征提取器对这些情感词也没有先验情感知识。基于此，本实施例中，一方面选用常识知识库对评论语句进行扩展，另一方面利用有监督学习方法预先训练评论特征提取模型，基于扩展后的评论语句进行评论特征提取，提高提取特征的准确性。

一些实施例中，利用文档级评论数据样本对CNN(Convolutional NeuralNetworks)网络模型和分类器进行有监督训练，得到评论特征提取模型。

记文档级评论数据样本对应的评论向量为X

v

其中，CNN()表示为在CNN网络模型中采用多个卷积核，并以步长为1进行卷积。对于每个卷积核，都会在文档评论向量中进行卷积操作。对评论向量X

其中，

第j个卷积核在评论向量X

对多个卷积核提取的特征进行拼接，输出文档级评论数据样本的特征向量：

将文档评论特征向量v

p

其中，W表示情感分类器的权重，b表示偏置。

根据文档级评论数据样本的真实情感极性和情感分类器输出的预测结果对CNN网络模型和情感分类器进行训练，训练之后得到评论特征提取模型的参数θ

将扩展后的评论向量输入评论特征提取模型中，由评论特征提取模型输出提取的评论特征向量v

v

其中，X

一些实施例中，根据评论特征向量和方面类别向量，生成动态方面向量，包括：

按照预设的动态比例系数，将评论特征向量和方面类别向量进行加权求和，得到动态方面向量。

本实施例中，利用评论特征提取模型提取评论特征向量v

v

其中，δ为设置的动态比例系数。通过将评论特征向量v

一些实施例中，根据目标实体向量、上下文向量和动态方面向量，生成具有语义关系的评论向量，包括：

根据目标实体向量和上下文向量，生成目标实体与上下文相互关注的第一评论向量；

根据第一评论向量和动态方面向量，生成具有语义关系的评论向量。

本实施例中，利用两层注意力机制生成具有语义关系的评论向量。其中一层为目标实体与上下文相互关注的交互注意力层，由交互注意力层输出目标实体与上下文相互关注的第一评论向量；第二层为动态方面表示与评论的一般注意力层，由一般注意力层输出具有语义关系的评论向量，充分分析目标实体与上下文之间的语义关系，动态方面表示与评论之间的语义关系，提高情感预测的准确性。

一些实施例中，根据目标实体向量和上下文向量，生成目标实体与上下文相互关注的第一评论向量，包括：

根据目标实体向量和上下文向量，确定上下文关注目标实体的加权目标实体向量，以及目标实体关注上下文的加权上下文向量；

将加权目标实体向量和加权上下文向量拼接为第一评论向量。

本实施例中，在目标实体与上下文之间的交互注意力层，分别确定上下文关注目标实体的加权目标实体向量，和目标实体关注上下文的加权上下文向量，得到二者相互关注的向量之后，将加权目标实体向量与加权上下文向量相拼接作为交互注意力层输出的第一评论向量。

对于目标实体与上下文的交互注意力层，在实际的评论语句中，一些上下文词与目标实体的联系较为紧密，这些上下文词的情感表达更为明显，即目标实体与不同上下文词的相关性不同，目标实体对不同上下文词的关注程度不同。另一方面，当目标实体为较为复杂的词组时，例如“Universal Studio Hollywood”，其中的词“Studio”与上下文中描述电影的词高度相关，而词“Universal”与上下文的相关性不高，即同一目标实体的不同词与上下文的相关性也不同，上下文词对目标实体的不同词的关注程度不同。因此，本实施例提出了目标实体与上下文的交互注意力机制，将目标实体向量与上下文向量相互关注，得到二者相互关注的第一评论向量。

一些实施例中，根据目标实体向量和上下文向量，确定上下文关注目标实体的加权目标实体向量，包括：

根据上下文向量中的所有词向量，计算上下文平均向量；

根据上下文平均向量和目标实体向量，计算上下文对目标实体的第一注意力；

根据目标实体向量和第一注意力，确定加权目标实体向量。

本实施例中，对于上下文关注目标实体的加权目标实体向量，首先根据上下文向量中所有的词向量，计算所有词向量的平均向量作为上下文平均向量，然后根据上下文平均向量和目标实体向量，计算上下文对目标实体的第一注意力，再根据目标实体向量和第一注意力，计算加权目标实体向量。

具体的，对于上下文对目标实体的第一注意力，先对上下文向量h

之后，根据上下文平均向量和目标实体向量计算第一注意力α，即利用上下文引导目标实体计算第一注意力，计算方法为：

其中，score()是一般点积注意力的对齐分数，W

α

然后，根据第一注意力α和目标实体向量，计算加权目标实体向量v

其中，

一些实施例中，根据目标实体向量和上下文向量，确定目标实体关注上下文的加权上下文向量，包括：

根据目标实体向量中的所有词向量，计算目标实体平均向量；

根据目标实体平均向量和上下文向量，计算目标实体对上下文的第二注意力；

根据上下文向量和第二注意力，确定加权上下文向量。

本实施例中，对于目标实体关注上下文的加权上下文向量，首先根据目标实体向量中所有的词向量，计算所有词向量的平均向量作为目标实体平均向量，然后根据目标实体平均向量和上下文向量，计算目标实体对上下文的第二注意力，再根据上下文向量和第二注意力，计算加权上下文向量。

具体的，对于目标实体对上下文的第二注意力，先对目标实体向量h

之后，根据目标实体平均向量

其中，score()是一般点积注意力的对齐分数，W

β

然后，根据第二注意力β和上下文向量，计算加权上下文向量v

其中，

最后，将加权目标实体向量v

v

一些实施例中，根据第一评论向量和动态方面向量，生成具有语义关系的评论向量，包括：

根据第一评论向量和动态方面向量，计算方面级注意力；

根据方面级注意力和第一评论向量，确定具有语义关系的评论向量。

本实施例中，基于交互注意力层输出的第一评论向量，一般注意力层根据第一评论向量和动态方面向量，计算方面级注意力，之后根据方面级注意力和第一评论向量，计算得到具有语义关系的评论向量。

对于方面类别与评论语句之间的一般注意力层，由于评论语句中一般会出现具体的方面词，而不会出现方面类别，本实施例使用方面级注意力，计算方面类别对评论语句的注意力。

具体的，根据交互注意力层输出的第一评论向量v

其中，γ

γ

之后，根据方面级注意力γ和第一评论向量v

本实施例中，在获得句子对向量和具有语义关系的评论向量之后，可基于句子对向量和具有语义关系的评论向量

本说明书一个或多个实施例提供一种方面级情感分析方法，对于待分析的评论语句进行外部知识的扩展，通过增加词的解释增强语句的情感倾向程度；对评论特征提取模型进行相似任务的有监督学习，基于扩展后的评论向量提取特征，有利于充分理解评论语句的语义关系，提高提取特征的准确性和完整性；将动态的评论特征向量和静态的方面类别向量融合，得到动态方面向量，能够提高方面类别与评论语句的相关性，提高情感预测准确性；利用层级注意力机制充分挖掘目标实体、上下文及动态方面向量之间的语义关系，提高情感预测的准确性。

需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

如图4所示，本说明书实施例还提供一种方面级情感分类装置，包括：

第一编码模块，用于对评论语句进行编码处理，生成句子对向量和评论向量；其中，句子对向量中对应评论语句的向量包括目标实体向量和上下文向量；

第二编码模块，用于对预定方面类别进行编码处理，生成方面类别向量；

特征提取模块，用于将评论向量输入预先训练的评论特征提取模型中，得到评论特征向量；

动态方面模块，用于根据评论特征向量和所述方面类别向量，生成动态方面向量；

语义分析模块，用于根据目标实体向量、上下文向量和动态方面向量，生成具有语义关系的评论向量；

预测模块，用于将句子对向量和所述具有语义关系的评论向量输入情感分类器，得到预测的情感极性。

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，在实施本说明书一个或多个实施例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。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

图5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，中央处理器)、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技术方案。

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，以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。

上述实施例的电子设备用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

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；在本公开的思路下，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说明书一个或多个实施例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，并且为了不会使本说明书一个或多个实施例难以理解，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，以便避免使本说明书一个或多个实施例难以理解，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说明书一个或多个实施例的平台的(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)以描述本公开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说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，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。

本说明书一个或多个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，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。