通信内容定制

技术领域

本发明总体上涉及一种用于个性化消息的方法，更具体地，涉及一种用于个性化要从发送者发送到接收者的消息的方法。本公开还涉及用于个性化发送者和接收者之间的消息的消息个性化系统和计算机程序产品。

背景技术

在电子通信系统中管理的数据量不断增加。这对于经典电子邮件消息、聊天消息、社交媒体消息和其它形式的现代通信平台是真实的。在商业通信和市场中使用诸如语音邮件的更非正式的电子通信机制也已经变得普遍。以上述任何方式发送的消息的数量也在增加，并且在许多情况下，单个消息的长度在减小。这可能导致使用电子媒体的误解和错误交流。另外，针对一个收件人定制的消息在发送者和一个收件人之间的上下文中可能“击中要害”，但是在发送者和另一个收件人之间的上下文中可能是完全无内容的。因此，消息应当被定制为适应于收件人的要求和上下文，以便实现适当的和最大的影响。

然而，许多消息由非集中的发送者发送。可替换地，可能向大量受众发送营销消息，其中每个接收个体在接收消息时具有独特的历史并且因此具有不同的上下文。因此，对于多个接收者的影响可能显著地不同。为了解决这个问题，在营销活动之前，通常执行高度复杂的情感分析，以便向各个接收者或接收者的小组发送上下文特定的消息。如果电子通信系统和平台用于营销，则这些情感分析是主要的努力。另外，在许多1:1消息中可能观察到相同的弱点，因为发送者不知道接收者的完整上下文或者接收者可能如何解释消息内容，因为这必然在发送者的上下文中生成。

为了解决这些问题进行了一些尝试。美国专利公开2012/0265528A1公开了一种虚拟助理，其使用上下文信息来补充来自用户的自然语言或手势检查输入。上下文有助于澄清用户的意图以减少用户输入的候选解释的数量，并且减少用户提供过度澄清输入的需要。

此外，美国专利公开2013/0253910Al公开了一种用于分析数字文档内的文本的方法。在一些情况下，分析可以包括利用处理电路接收和/或生成数字文档，并且基于文本样本内的文档术语的出现来确定多个文档术语中的每一个的分布。

然而，公知的技术没有考虑收件人的完整上下文，因此可能没有适当地定制消息以降低收件人误解的概率。因此，需要更好的消息个性化。

发明内容

根据本公开的一个方面，可以提供一种用于对发送者和接收者之间的消息进行个性化的方法。该方法可以包括在语义上分析发送者和接收者之间的通信历史，并且形成在标识发送者的发送者标识符和标识接收者的接收者标识符之间的知识图。此外，该方法可以包括使用第一被训练的机器学习模型从知识图导出发送者和接收者之间的形式等级值(formality level)，分析通信历史中的回复的参数值以确定接收者影响分数值，以及训练第二机器学习系统以生成模型来基于知识图和形式等级预测接收者影响分数值。

另外，该方法可以包括选择被起草的消息中的语言表达，确定所选择的语言表达的表达意图，以及基于形式等级和表达意图来修改语言表达，从而生成修改的语言表达。

该方法的一部分还可以是使用第三被训练的机器学习模型来测试经修改的语言表达是否具有导致更高的接收者影响分数值的增加的可能性，并且重复选择语言表达、确定表达意图、修改语言表达和测试的步骤，直到满足停止准则。

根据本公开的另一方面，可以提供一种用于对发送者和接收者之间的消息进行个性化的消息个性化系统。消息个性化系统可以包括：第一分析装置，其适于在语义上分析发送者和接收者之间的通信历史，并且适于在标识发送者的发送者标识符和标识接收者的接收者标识符之间形成知识图；导出装置，其适于使用第一被训练的机器学习模型从知识图导出发送者和接收者之间的形式等级值；第二分析装置，其适于分析通信历史中的回复的参数值以确定接收者影响分数值；以及训练装置，其适于训练第二机器学习系统以生成模型，以基于知识图和形式等级预测接收者影响分数值。

此外，消息个性化系统可以包括：选择装置，其适于选择被起草的消息中的语言表达；确定装置，其适于确定所选择的语言表达的表达意图；修改装置，其适于基于形式等级和表达意图来修改语言表达，从而生成修改的语言表达；以及测试装置，其适于使用第三训练的机器学习模型来测试修改的语言表达是否具有导致更高的接收者影响分数值的增加的可能性。

此外，消息个性化系统可以包括重复装置，其适于触发选择装置、确定装置、修改装置和测试装置，直到满足停止准则。

所提出的用于个性化发送者和接收者之间的消息的方法可以提供多个优点、技术效果、贡献和/或改进。

所提出的概念可以表示以最有效的方式帮助“传递消息”的工具。其可以克服应以不同的方式对消息封装七次以便真正地使消息通过的旧说法。这里提出的系统可以是刚刚提到的通信经验规则的捷径。在将主动发送消息之前，可以通过多个机器学习系统的交互来修改要起草(和要发送)的消息。

为了实现这一点，所提出的方法和相关系统可以检查和分析发送者与相关接收者或收件人之间的历史通信片段，以确定不同的参数，比如主题、对其的理解、特定主题、所使用的词汇、发送者与接收者之间的关系以及其他可用的上下文和元数据。基于这些经验数据，在可以发送消息之前，还可以在线动态分析要写入的消息，以预测以特定方式制定的消息可能对收件人产生什么类型的影响，例如什么类型的效果。这也可以取决于多个不同的参数，如果已知，则可以使用所有这些参数。

因此，所提出的概念可以帮助避免误解和耗时的来回问题，以便在正在进行的通信中实现真实、快速和有效的进展。特别地，它还可以允许在寻求使通信更平滑和更有效时克服文化、语言和个人障碍。

因此，因为可以针对单独的收件人或者针对具有例如可比较的通信历史的一组收件人而定制消息，所以所提出的概念不仅可以在一对一通信中工作，而且可以在一对多通信中工作。消息的定制也可以基于其它参数，如所选成员组特性。

可以看出，纯技术优点在于，在任何类型的电子通信系统中必须存储的消息更少，从而总共需要更少的存储容量。另外，由于来回发送更少的消息以回答问题，因此可以节省通信带宽。

下面将描述可应用于该方法以及该系统的附加实施例。

根据该方法的有利实施例，第三机器学习模型可以是例如基于强化学习系统的强化学习模型。这样，所涉及的软件代理可以以最大化奖励(例如奖励函数)的一些概念的方式来动作，并且在这种特殊情况下，最大化修改的消息对接收者的预期影响。

根据该方法的增强实施例，第三机器学习模型的训练还可以包括使用双向变换器。这也可以看作是在此基于BERT(来自变换器的双向编码器表示)模型以预测表达意图的方法中涉及的第四机器学习模型和系统。因此，这里提出的方法可以使用最新的文本解释和NLP技术，其使用用于语言表示的无监督ML模型，该模型仅使用纯文本语料库来预训练。由此，BERT可以考虑给定单词或短语的每次出现的上下文。例如，尽管用于“running”的向量对于其在句子“He is running a company(他在经营公司)”和“He is running amarathon(他在跑马拉松)”中的两次出现可具有相同的word2vec向量表示，但是BERT可以提供根据句子而不同的情境化嵌入。

根据该方法的另一实施例，对双向变换器的训练可以包括将通信历史、知识图、所导出的形式等级和接收者影响分数值用作训练数据。因此，可以使可用和历史给定、导出和构建(例如，在知识图中)的数据的全部范围以及数据点中的所选数据点之间的依赖性可用于双向变换器，例如BERT模型。这可以允许或多或少的完整输入数据集，用于优化对接收者的最终消息公式化以获得最大影响。

根据该方法的进一步改进的实施例，接收者标识符可以是用于标识多个用户的多个接收者标识符，并且可以考虑所有接收者标识符的影响来构建修改的语言表达。因此，所提出的概念不仅在1:1通信任务中是有利的，而且在1对多通信任务中也是有利的。由此，建立与多个目标标识符相关的数据的平均值和/或还使用加权函数可能是有用的，例如基于形式等级值，对主题加权，例如使用权重和主题以及潜在地例如接收者ID的查找表。还可以针对不同的接收者或一组接收者创建修改的消息的不同版本。最后一个方面可能在大众通信和社交媒体广告中特别令人感兴趣。

根据该方法的一个先进实施例，语言表达的修改可以受到从形式等级分析、消息的保密性等级分析、消息主题分析和语气分析中选择的至少一个的结果的影响，例如，其修改版本，其可以被识别为友好、积极或协作等。影响可以基于影响函数，该影响函数的结果是分析结果，并且分析结果可以用作函数的自变量。

根据该方法的另一先进实施例，语言表达的修改可通过以下中选择的至少一个来执行：单词的替换、句子结构的旋转、内容的重新排序、单词的删除、消息块的顺序的重新组合、同义词的使用、接收者在过去的通信中使用的措辞、调整风格(尤其是使用来自接收者的个性洞悉简档来引导风格调整)、以及GPT2(基于Open AI的生成预训练模式)变换器转换，其中GPT2变换器转换包括部分句子创建，以通过为用户合成个性化文本来以个性化方式生成段落的其余部分。因此，可以解决消息修改的所有或大多数方面，这也将由意识和完全集中的用户使用。然而，许多消息可能仅被键入而没有发送者的完全注意。然而，使用这里描述的特征的这里提出的系统可以增加所发送的消息可展开的效果。

根据该方法的感兴趣的实施例，通信历史的语义分析可以包括利用潜在狄利克雷分布(LDA)主题模型来识别主题。因此，LDA主题模型的优点可以被并入这里提出的概念中，即，通过LDA的能力来通过由用户接收多个主题并且基于文档集合中的项的狄利克雷分布的多标称分布来识别主题的过程来对文档进行建模。

因此，所提出的方法还可以容易地在其中通信历史不仅围绕讨论话题循环而且包括多个不同话题的环境中工作。

根据该方法的许可实施例，可以利用词袋模型来获得形式等级，并且第一被训练的机器学习模型可以是高斯朴素贝叶斯分类器。由此，词袋模型是在自然语言处理和信息检索中常用的简化表示。在这个模型中，文本(例如句子或文档)可以被表示为其单词的包(多重集)，而不考虑语法甚至单词顺序，但保持多重性。另外，使用高斯朴素贝叶斯分类器可以是使用基于应用特征之间的具有强(朴素)独立假设的贝叶斯定理的相对简单的概率分类器的选项。这可以帮助保持所提出的概念的计算机实现的版本有效并且不太资源紧张。

根据本方法的有用实施例，还可以通过使用IoT(物联网)传感器和/或日历信息来预测消息被设置为到达的时间时的接收者的情绪或任务，来进一步细化语言表达。这可以通过获取传感器特定指令并将所取得的信息存储在私有(云)储存库中以运行模型来实现。因此，除了通信历史的使用之外，该方法还可以使用额外的数据源，而且还可以使用接收者的预期体验世界。

根据该方法的另一高级实施例，接收者影响分数可受到以下影响(在作为以下的函数的意义上)：从IoT传感器数据、可穿戴系统数据、计算机视觉数据、回复的存在/不存在、回复的定时、回复相对于相同收件人或不同收件人的其他回复的定时、回复相对于时区和日历的定时、不在办公室的消息的存在/不存在、回复的长度、回复的内容、发送者所请求的由接收者执行的任务(例如，经由回复和表情符号(例如，在电子消息中使用的表意符号和/或微笑状字符组合)中选择的至少一个。

这样，接收者的个人环境数据，如其心跳/血压数据、特定身体运动、面部表情、环境参数值(例如，温度、湿度、大气、压力等)可以用于更好地理解要发送的给定消息的影响。

根据所述方法的另一可选实施例，所述消息可以是书面消息，如电子邮件或聊天评论，或者语音消息。为此，话音通信历史也可用作历史通信数据的一部分。

根据所述方法的另一可选实施例，在分析可能导致不存在通信历史的情况下，接收者与另一发送者之间的通信历史替换发送者与接收者之间的通信历史。因此，所提出的概念也可以应用于不具有通信历史的发送者和接收者之间，因此应用于新的目标受众。这在营销电子邮件突发中可能特别有用，其中许多新的接收者可能被寻址。

此外，实施例可以采取可从计算机可用或计算机可读介质访问的相关计算机程序产品的形式，计算机可用或计算机可读介质提供由计算机或任何指令执行系统使用或与计算机或任何指令执行系统结合使用的程序代码。为了本说明书的目的，计算机可用或计算机可读介质可以是任何装置，其可以包含用于存储、传送、传播或传输程序的装置，该程序由指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用。

附图说明

本公开的各个方面从下文将描述的实施例的示例中是显而易见的，并且参考实施例的示例进行解释。本领域技术人员将认识到变更和修改；因此，本公开不限于所公开的实施例。将仅通过示例并参考以下附图来描述本公开的实施例。

图1示出了用于个性化发送者和接收者之间的消息的方法的实施例的框图。

图2示出了有助于用于个性化发送者和接收者之间的消息的方法的组件的概况的框图。

图3示出了用于个性化发送者和接收者之间的消息的方法的准备步骤的示例性流程图。

图4示出了知识图的一部分的示例性图。

图5示出了在分析阶段期间用于参与检测的选项的图。

图6示出了用于个性化发送者和接收者之间的消息的消息个性化系统的实施例的框图。

图7示出了包括根据图6的消息个性化系统的计算系统的实施例的框图。

图8描绘了根据本发明的实施例的云计算环境。

图9示出了根据本发明实施例的抽象模型层。

虽然本文所述的实施例可具有各种修改和替代形式，但其细节已在附图中以示例的方式示出并将详细描述。然而，可理解，所描述的特定实施例不应被理解为限制性的。相反，本发明将涵盖落入本公开的精神和范围内的所有修改、等效物和替代方案。

具体实施方式

应当注意，本公开的实施例是参考不同的主题来描述的。特别地，一些实施例是参考方法类型权利要求来描述的，而其他实施例是参考装置类型权利要求来描述的。然而，本领域技术人员将从以上和以下描述中了解到，除非另外指出，除了属于一种类型的主题的特征的任何组合之外，与不同主题相关的特征之间的任何组合(特别是方法类型权利要求的特征与装置类型权利要求的特征之间的任何组合)也被认为是在本文件内公开的。

在本说明书的上下文中，可以使用以下惯例、术语和/或表达。

在简单的情况下，术语“通信历史”可以表示在发送者和接收者之间关于一个主题的发送和接收的电子邮件。在更复杂的情况下，通信历史可涉及与发送者和接收者之间的多个主题有关的一组电子邮件，或者甚至涉及发送者和接收者之间的多个电子邮件系统上的所有电子邮件。另外，可以考虑到发送者和接收者的其他接收者的电子邮件。此外，其他形式的电子通信渠道(特别是聊天系统或其他协作工具)可提供用于通信历史的数据。此外，针对通信历史可使用语音和/或视频消息。

术语“发送者”可以表示要被起草和/或发送到指定收件人的消息的始发者。在电子邮件系统的简单情况下，指定的收件人是发送到电子邮件地址的电子邮件消息的读取者。发送者也可以使用其它通信系统发送消息。

术语“接收者”或“收件人”可以表示阅读由发送者发送的电子邮件的个人，该电子邮件被寻址到与阅读该电子邮件的同一个人相关的电子邮件地址。接收者可以经由其它电子通信渠道接收消息。

术语“知识图”可以表示包括节点和边的数据结构。节点通常存储事实，并且边选择性地链接节点。边可以存储关于事实之间的关系的信息；由于事实通常存储在节点中，因此边可以存储关于节点之间以及事实和节点之间的关系的信息。关于事实关系的信息还可以包括加权因子。

在神经系统的简单情况下，术语“发送者标识符”可以表示发送者的电子邮件地址。同样的情况可以应用于接收者/收件人和相关的接收者标识符：术语“接收者标识符”和“收件人标识符”可以表示在神经系统的简单情况下接收者/收件人的电子邮件地址。

术语“形式等级值”可以表示描述可以存在于发送者人员与接收者人员之间的形式关系的值。形式等级值通常是数字的；它们可以被表示为字母数字串。可将发送者人员和接收者人员之间的关系描述为朋友关系、雇员/雇主关系、官方/市民关系等等。形式等级值可能对使用电子通信系统来公式化消息的方式有影响。

术语“第一被训练的机器学习模型”可以表示用于基于通信历史导出(具体地，用于分类)形式等级值的被训练的模型。可以具体地训练第一被训练的机器学习模型以基于通信历史数据对形式等级值进行分类。底层机器学习系统可以是分类系统。底层机器学习系统可以基于监督学习方法。

术语“回复的参数值”可以表示表征影响分数值并与其直接相关的专用分析值。通常，回复的更高参数值可表示接收到的消息相对于接收者的更高影响。可以以不同的方式测量影响，例如响应速度、响应的决定性以及触发的响应动作的语气等。该响应可包括发送给另一人的电子邮件、打出的电话、打开的网页等。

术语“接收者影响分数值”可以表示所接收消息的影响的可测量值。可以从回复的参数值中导出接收者影响分数值。

术语“第二机器学习系统”可以表示用于基于可用信息来预测对新起草或修改的消息的接收者的影响分数值的被训练的机器学习模型。可用信息可以包括在发送者和接收者之间的知识图和导出的形式等级。第二机器学习系统可以使用监督学习方法。

术语“语言表达”可以表示包括一个或多个句子的较长消息中的短语。具体地，语言表达可以是一个、两个或若干直接相关的单词。

术语“表达意图”可以表示消息内的特定语言表达的内容的意图、目的或目标。

关于修改要起草的消息，术语“修改”可表示要被发送的消息的一个或多个语言表达可被改变、改写或修改而不改变表达意图。如果在表达意图的限制内修改了多于一个的语言表达，则也不应修改要起草的消息的总体意图。

术语“第三被训练的机器学习模型”可表示另一机器学习系统，其预测所修改的语言表达是否可导致所修改的语言表达或所修改的消息的更高影响分数值。如果是，则可以从发送者发出修改的消息；如果不是这种情况，则可以防止从发送者发出修改的消息。第三被训练的机器学习模型可使用相关的机器学习模型来预测在语言表达被修改时影响分数值的变化。

术语“强化学习”和基于强化学习的建模可以表示与软件代理可以如何在环境中采取动作以便最大化累积奖励的概念有关的机器学习领域。其中前两个基本机器学习范例是监督学习和非监督学习，强化学习是第三个基本机器学习范例。强化学习是当前最常用的范例。基本上，基础算法集中于寻找未分类领域的探索和当前知识的开发之间的平衡。在一个实施例中，未分类的领域可以是修改的语言表达，并且当前知识可以是从通信历史导出的信息。

术语“双向变换器”可以表示用于基于来自变换器的双向编码器表示(BERT)的自然语言处理的系统或技术。由Jacob Devlin等人开发并公布了BERT。BERT经常用于搜索引擎。

提供了附图的详细描述。图中的所有说明都是示意性的。第一附图示出了用于个性化发送者和接收者之间的消息的方法的实施例的框图。然后描述该方法的进一步实施例以及使用该方法的系统的实施例。具体地，所描述的系统是用于个性化发送者和接收者之间的消息的消息个性化系统。

图1示出了用于使发送者和接收者之间的消息个性化的方法100的优选实施例的框图。方法100可以被视为具有第一阶段(操作102-112)和第二阶段(操作114-120)。在第一阶段中，方法100包括在操作102语义分析发送者和接收者之间的来回通信历史。这可以包括在发送者和接收者之间发送的包括附属元数据的每个可用电子消息。电子消息的元数据可包括消息的时间、消息之间的时间段、环境数据、传感器数据、所采集的健康数据等。基于通信历史的语义分析，方法100还包括在操作104处，在标识发送者的发送者标识符和标识接收者的接收者标识符之间形成知识图。

基于知识图，方法100包括在操作106从知识图中导出在发送者和接收者之间的形式等级值。由此，使用第一被训练的机器学习模型，其是基于两个成员之间的所有可用信息被预先训练的。可从知识图导出的形式等级值可包括关系的表达、友谊、商业关系、关系的依赖、工作关系等等。

方法100还包括在操作108分析通信历史中的回复的参数值，以在操作110确定接收者影响分数值。接收者影响分数值可以是指示消息从接收者引发的反应的值。

方法100还包括在操作112训练第二机器学习系统以生成机器学习模型，以基于知识图和形式等级来预测接收者影响分数值。可以使用监督机器学习方法来训练第二机器学习系统。该步骤可以结束方法100的准备阶段(例如，第一阶段)。

方法100的第二阶段涉及发送者和接收者之间的特定消息。更具体地，方法100还包括在操作114处在起草的消息中选择语言表达，在操作116处确定所选择的语言表达的表达意图，以及在操作118处基于形式等级和表达意图来修改语言表达，从而生成修改的语言表达。因此，可以使用具有不同措辞和更好预期影响的相同消息来代替原始的消息草稿。被起草的消息可以由发送者起草。可以使用BERT模型来确定表达意图。

方法100还包括在操作120测试修改的语言表达。在操作120，使用训练的机器学习模型测试检查以查看修改的语言表达是否具有导致更高的接收者影响分数值的增加的可能性。在操作120，可以使用增强机器学习模型来进行测试。

为了处理较长的消息，方法100还可以包括重复122方法100的第二阶段(操作114-120)，直到满足停止准则。该停止准则的示例可以是从两次连续的模拟中没有测量到接收者影响分数的值的显著变化。

图2示出了用于实现方法100的组件200的概况的框图。组202中的元素与方法100的第一阶段有关，组204中的元素与方法100的第二阶段有关。简而言之，第一阶段的处理步骤使用通信历史、知识图和被训练的监督机器学习模型来预测消息影响接收者的可能性。在可替代的实施方式中，第一阶段的处理步骤可以使用社交媒体数据来代替通信历史。第二阶段是调整消息以增加对接收者的影响的强化学习模型。

然后，增强学习模型代理234可以利用通信的部分(诸如文本)，该增强学习模型代理可以自动地操纵原始消息并且测试调整后的版本是否具有由于对接收者的影响而导致更有利的动作的更高可能性。

因此，数据流如下：处理208输入数据206以构建知识图210。例如，输入数据可以是诸如电子邮件、聊天和/或社交媒体的通信历史的形式。执行对原始输入数据的分析。可以使用例如情感分析、语气分析器和/或个人洞察来执行分析。然后，将该原始数据加上分析结果摄取到知识图210中。知识图210可以被看作第一机器学习组件。

原始数据可包括消息数据218、元数据220、发送者数据222、接收者数据224和关系数据226。在进一步增强的实施方案中，可包括计算机视觉数据以及其它数据。该阶段的输出表示原始和分析数据。特别地，分析结果和知识图表示原始和分析数据。

然后，原始数据和分析数据分别被用于212和216，用于下一预处理步骤214以开发第二机器学习模型。监督机器学习方法被用于用附加信息来丰富已经预处理的数据。例如，形式分数可用于丰富被预处理的数据。

使用该第二机器学习模型228，计算230匹配分数，并且训练监督机器学习模型。监督机器学习模型的这种训练允许从监督机器学习模型输出通信片段的给定部分的匹配分数的预测。匹配分数的预测也可被表示为对影响的参与分数。

在该方法的下一步骤中，增强学习系统234迭代消息以形成定制的消息。作为强化学习232的奖励函数输入，可以使用以下组件：初始消息以及上述步骤的输入和输出。上述步骤的输入和输出可以包括原始数据、分析结果、知识图数据、形式分数、以及第二机器学习模型的输出，以计算匹配分数。一个或多个组件可以用于强化学习232的奖励函数输入的一次迭代。

作为一次迭代的输出，可以预期以下内容：修正的消息及其惩罚和奖励。可以以被修正的消息的匹配分数的形式来测量惩罚和奖励。

BERT模型掩码236用于生成迭代定制的消息。由此，进行针对消息238的动作，从而以更适合接收者的方式来使其适应。可以使用类似单词微调器(word spinner)、GPT2、变换器等方式。

当在整个过程中使用数据时，从适当的(多个)通信系统提取通信历史数据，以训练机器学习模型并帮助定制消息。消息数据可以包括消息的文本、文本的实体、文本的结构、文本的长度、情感分析数据、个人知识数据、内部数据、语气分析数据、表情符号、emoji、附加图、链接和其他数据。文本的结构可以包括问候语或开场语、主要部分或文本主体等等。文本的长度可以包括例如文本块的测量、单词中或消息整体中的字符数量、单词计数或通信中的段落数量。

也可以使用元数据。元数据可以包括消息的日期和时间、信道类型以及提供关于通信的信息的其它数据。信道的类型可以是例如电子邮件、聊天或电话呼叫。以下内容通常被视为相关的发送者数据：个人的简档、与文本有关的个人的专业知识水平、以及可以帮助发送者发送定制消息的其他信息。个人的简档可包括个人的性别、年龄、个性洞察简档等。与文本相关的人员的专业知识水平可以是基于实体提取的。

接收者数据可以包括个人的简档数据和与文本有关的个人的专业知识水平。个人的简档可包括个人的性别、年龄、个性洞察简档等。与文本相关的人员的专业知识水平可以是基于实体提取的。

此外，关系数据可以包括历史动作的数量、发送者和接收者之间的熟悉度、两者在给定主题上通信了多少的等级、确定接收者是否具有相同知识的实体分析数据、消息是否“匹配”以及其他因素。

另外，匹配值可以包括基于历史的来回通信计算的针对每个单独通信的在0％和100％之间变化的值。因此，表达两个通信伙伴之间的关系的所有可用通信和数据信道以及上下文信息可以用于定制和优化新起草的消息，而不改变意图。

图3示出从另一角度来说明上述预处理方法300的流程图。在操作302，分析历史通信数据，并将其存储在知识图中。在操作302，这种分析、处理和知识图中的存储等同于在图1中的操作102在语义上分析通信历史以及在操作104形成知识图。知识图包括注释、或顶点，以及关系、或边，其还可具有标签和属性。知识图对于表示相应发送者和接收者之间的关系信息尤其有用；这可以被示为一对发送者/接收者或多对发送者/接收者。此外，可以向实体添加时间戳，以查看何时发生与特定主题相关的通信。知识图还可以包括可以从社交网络或其他信息源获得的关于用户的一般信息。该一般信息可以包括偏好、喜好、与其它用户的连接、以及其它数据。在另一实施例中，知识图还可以包括用户之间的来回通信；下面在图4中示出了一个示例。

然后在操作304处，处理通信以及来自知识图的信息以提供用于第二机器学习模型的记录。第二机器学习模型可以是监督学习模型。监督机器学习模型的每个记录可以来自从发送者向接收者发送的消息。

可以通过对形式性进行数字评分来对形式等级进行分类。在五层梯度系列中，“1”可指专业，“3”可指示半专业参与，而“5”可指完全非正式的会话等级。基于用户使用的语言的词袋算法来训练对话等级。词袋算法中可使用基线字典。正式和非正式基线字典可以首先被存储在数据存储或数据库中。在下表中示出了这种基线的示例以给出概念的想法：

表1：

个性化或定制的单词集合可被添加到词袋以将它们分类成分数对中。每对可以被评分。根据五层梯度，可以从一到五对此类对进行评分。在对训练集完成分类后，可以使用高斯朴素贝叶斯(GaussianNB)分类器来对形式等级进行分类，并以适当的方式导出响应的策略。

在分类器提供了形式分数后，在操作306处，将分数存储在知识图中，作为键值对{“用户”、“形式分数”}形式的依赖属性。该键值对以决策树的形式存储在知识图中，并且匹配值提供指示过去的通信交互在操作306处具有的影响的分数。

作为进一步个性化的一部分，可以使用具有GaussianNB分类器的词袋。可以分析消息的回复以导出形式分数，并将其存储在与附加的值相同的结构中。此外，元数据信息可以存储在用户的字典中，并被附加到知识图。可以通过因素的组合以输出图的形式来定义影响。影响因素可包括回复的存在或不存在、回复的定时、回复相对于同一收件人的其它回复的定时、回复相对于不同收件人的回复的定时、回复相对于时区和日历的定时、不在办公室消息的存在或不存在、回复的长度、回复的内容、确认由发送者所请求的由接收者执行的任务的回复、以及其它因素。注意，回复还可包括接收者的emoji反应、点赞、以及其他非正式通信指示。

在系统具有关于用户部分句子的部分意图的信息并从通信的先前部分检测到形式等级分数后，该信息可被馈送到双向变换器BERT模型中。然后，可以使用该信息基于部分句子结构和短语之间的掩码信息片段来训练所提出的底层系统。然后可以使用参与度算法的等级来训练部分句子结构和掩码信息片段。

作为训练步骤的一部分，在训练阶段隐藏掩码信息，并且将隐藏的信息用作要被预测的输出。输出预测基于先前的通信日志、参与等级和其他数据。这些预测可以训练变换器以通过预测掩蔽信息来基于部分话语预测意图。将预测洞察信息提供给RL模型以基于参与反馈对其进行微调。

BERT模型实现的附加细节还包括：

1.{“用户”：“参与分数(1-5，可以使用标准化区间[0，1)归一化)}导致从“词袋”用NB-分类器获得的信息。

2. json有效载荷用于将来自交互1的其他度量以列表的形式附加到脚本，例如：

a.{用户：参与_分数，附加_有效载荷：[收件人，时间戳，日历_上下文(前/下一个会议)]

b.来自先前步骤的日志文件分析也作为附加元数据被附加到有效载荷。

3.上述有效载荷作为评分度量被馈送。它作为加权向量从有效载荷中提取：例如，要馈送到BERT的新有效载荷包括：{User1_句子，收件人_交换，总_评分_度量：sigmoid(w0*参与_分数+w1*时间戳+w2*日历+w3*会议)

4.BERT模型可以采用句子1和句子2。句子1和句子2可以是信息交换的组合。(它也可以是一系列日志，但为了简单起见，这里仅考虑对话的过去交换)它可以如下被附加到分类输入向量中：

a.{句子1和句子2；整体_评分_度量}

i.现在，将句子1分开地加入BERT模型。当被训练时，输入序列通过变换器模型。

ii.在标记嵌入阶段期间，使用掩码特征向量对指示高分数度量的字进行掩码。高分度量可以是例如具有大于0.7的形式等级的度量。

iii.如果基于先前日志移除了掩码特征向量，则所使用的代码刮掉参与等级以查看分数变化。例如，与变化值比较的分数可以是具有和不具有那些关键片段的分数。可以使用各种编码语言；例如，Python代码可被用于抓取参与等级以标识分数变化。

iv.在句子内对不同的信息片段进行掩码。这反馈到词袋以输出分数概率。

v.重复该迭代。重复分析以数字特征向量的形式馈入RL模型，作为给定用户的状态输入。

vi.RL模型微调响应，并以反馈的形式再次返回到BERT模型，以提供关于什么信息或片断片段可以被添加到给定掩蔽片段以产生更大影响的更多信息。

vii.使用自然语言处理(NLP)来识别来自收件人的响应并提取情感是一种被反馈到RL循环中作为状态向量的使能技术。如果检测到正反馈，奖励函数不轮询BERT模型以执行另一掩蔽和预测操作。如果奖励函数检测到负面影响因子值，则再次应用BERT模型用于新的迭代。

viii.当通过句子进行迭代并掩蔽某些单词和/或短语时，现在以直接的方式使用BERT模型来预测句子2以最大化影响因子。

5.对调整后的消息进行评分。最佳版本可以与惩罚和/或奖励一起用于下一次迭代，直到质量满足标准或期望。惩罚和/或奖励可以是匹配值，或者可以要求满足或超过匹配值。

在另一实现中，对消息的影响的计算还可以考虑传感器和计算机视觉数据。可以由匹配值来表示消息的影响的计算。这种计算可以通过基于参与检测过程中用户所涉及的策略和类型将用于学习者参与检测的现有方法划分为类别来完成。可使用的三种主要类别类型是自动、半自动和手动。

与参与跟踪相关的方法可以按分类法分类为半自动的。自动类别中的方法可取决于每一方法处理以用于参与检测的信息而划分成基于计算机视觉的方法、传感器数据分析和日志文件分析。

这些步骤通常需要将该方法和使用该方法的系统投入生产。在初始迭代之后，可以有规律地重复这些步骤以重新训练系统。

关于强化学习系统，RL的目的是定制消息，使得其具有更大的影响。RL的每次迭代需要利用预先训练的监督ML模型进行至少一次评分以确定是否已经存在任何影响。

RL代理的状态可以基于消息、元数据、发送者、接收者、发送者和接收者之间的关系、分析结果和知识图的所有信息来确定。然而，它仅具有消息“匹配值”的预测影响作为其惩罚和/或奖励。因此，系统适于学习如何表现，并且还适于所涉及的特定内容和人。

RL可以利用以下技术交互地操纵消息：

-使用单词替换、句子结构旋转、内容重新排序和内容删除，

-重新组合消息块的顺序，

-使用同义词，

-包括接收者在过去的通信中使用的单词或短语，

-调整可以用来自接收者的个性洞察简档来引导的风格，

-使用GPT2变换器，

-以及更多。

对被调整的消息进行评分。可一起使用最佳版本与惩罚和/或奖励来进行下一次迭代，直到质量满足标准。处罚和/或奖励可以是，或可能需要满足或超过设定的匹配值。

还可以实现以下扩展和增强。

可以使用颜色来向发送者显示消息还不是最佳的。颜色也可以指导来自发送者的输入和/或调整。颜色指示符可以包括例如绿色、黄色和/或红色，以分别指示前进、注意和停止。

系统可以识别消息是否没有足够的对接收者的解释。系统可以添加上下文或定义以进行补偿。上下文和定义可以来自外部源。例如，信息可以直接从网站导入。

可以使用像IBM Debater/Speech by Crowd的模型来提出收件人可能具有的问题，以便优化通信；这样的模型可以在问题被提出之前帮助回答问题以避免来回交流。

该系统可以利用两个竞争模型的GAN类(生成性对抗性网络)设置来重新创建文本；微分器将是模型评分(绿色/黄色/红色)，生成器将创建电子邮件的修改版本。

在另一实施例中，该方法可被实现为扩展和完成文本的一部分，而不是从完整的消息开始并创建不同的版本。

在一个实施例中，可以执行通信的实时分析，以建议如何通过除内容之外的附加手段来获得特定消息。例如，其他手段可以包括使用某些音调提示和/或非口头通信。通信的实时分析可以包括经由电子邮件、通过即时消息传送平台、经由电话和/或面对面的对话。可以在虚拟现实设置中提供建议。

图4示出了知识图400的一部分的示例性图。知识图400表示具有可解释的推理的样本会话。知识图400反映了增强的知识图上的对话流。通信伙伴之一可以声明：“我更喜欢由导演指导的“影片”的结尾”。他的通信伙伴可能已经回答了：“三部影片实质上试图破坏影片；“第二影片”是远远更原始的。如所描绘的，知识图400可以分析通信，并标识影片具有演员为“明星”，然而，知识图400可以认识到演员不会导致影片与第二影片之间的逻辑(例如，在神经系统的意义上)交叉，因此知识图400可以将影片的绘图识别为包括机器人。在一些实施例中，知识图400可以同时分析第二影片之后的含义，并且识别第二影片是从作者为作家的小说改编而来的。知识图400可以实现这样的链，其不会导致逻辑交叉，并且进一步实现了与第二影片有关的注释(例如，网站提要、评论等)，其识别影片2中的人工智能。致使图400可识别连接影片到第二影片的逻辑交叉是机器人和人工智能一般相关。

图5示出了可以在分析阶段期间用于参与检测502以便开发知识图400的选项500的图。例如，可以以自动、半自动和/或手动方式执行。树状结构中的较低分支示出了要实现的技术选项。例如，基于计算机视觉的方法可能需要多个复杂的传感器；这种复杂的传感器可以是光学传感器，例如照相机。

图6示出了用于个性化发送者和接收者之间的消息的消息个性化系统600的组件的框图。消息个性化系统600包括第一分析装置，其适于在语义上分析发送者和接收者之间的通信历史。第一分析装置还适于在标识发送者的发送者标识符和标识接收者的接收者标识符之间形成知识图。如所描述的，第一分析装置是第一分析单元602。

消息个性化系统600还包括导出装置，其适于从发送者和接收者之间的知识图导出形式等级值。如所描述的，导出装置是导出单元604。消息个性化系统600使用第一被训练的机器学习模型和第二分析装置，第二分析装置适于分析通信历史中的回复的参数值以确定接收者影响分数值。如所描述的，第二分析装置为第二分析单元606。

此外，消息个性化系统600包括训练装置，其适于训练第二机器学习系统以生成模型，该模型基于知识图和形式等级来预测接收者影响分数值。如所描述的，训练装置是训练模块608。消息个性化系统600还包括选择装置，其适于选择在被起草的消息中的语言表达。如所描绘的，选择装置是选择模块610。消息个性化系统600还包括适于确定所选择的语言表达的表达意图的确定装置。如所描绘的，确定装置是确定模块612。消息个性化系统600还包括修改装置，其适于基于形式等级和表达意图来修改语言表达，从而生成修改的语言表达。如所描述的，修改装置是修改模块614。

此外，消息个性化系统600包括测试装置，该测试装置适于使用第三被训练的机器学习模型来测试经修改的语言表达是否具有导致更高的接收者影响分数值的增加的可能性。如所描述的，测试装置是测试单元616。消息个性化系统600还包括重复装置，其适于触发选择装置、确定装置、修改装置和测试装置，直到满足停止准则。如所描述的，重复装置是重复触发单元618。

第一分析单元602、导出单元604、第二分析单元606、训练模块608、选择模块610、确定模块612、修改模块614、测试单元616和重复触发单元618通信地耦合以交换信号和消息。或者，对于1:1连接模式或消息个性化系统600，内部总线系统620可以用于单元和模块之间的信号和消息传送。

本公开的实施例可以与几乎任何类型的计算机一起实现，而不管用于存储和/或执行程序代码的平台适用性。图7示出了作为示例的适于执行与所提出的方法相关的程序代码的计算系统700。计算系统700可以是例如服务器。

计算系统700仅是合适的计算机系统的一个示例，并且不旨在对本文所描述的本公开的各实施例的使用范围或功能提出任何限制。在计算机系统700中，存在可与许多其它通用或专用计算系统环境或配置一起操作的组件。适合与计算机系统700一起使用的公知的计算系统、环境和/或配置的示例包括但不限于，个人计算机系统、服务器计算机系统、瘦客户端、胖客户端、手持式设备、膝上型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机系统、大型计算机系统、包括任何上述系统或设备的分布式云计算环境等。计算机系统700可以在诸如程序模块的计算机系统可执行指令的一般上下文中描述。该计算机系统可执行指令能够由计算机系统700执行。通常，程序模块可以包括例程、程序、对象、组件、逻辑、数据结构等。该模块执行特定任务或实现特定抽象数据类型。计算机系统700可以在分布式云计算环境中实践，其中任务由通过通信网络链接的远程处理设备执行。在分布式云计算环境中，程序模块可以位于本地和远程计算机系统存储介质中，包括存储器存储设备。

以通用计算设备的形式示出计算机系统/服务器700。计算机系统700的组件可以包括但不限于一个或多个处理器或处理单元702、系统存储器704以及将各种系统组件耦合到处理器702的总线706。总线706表示若干类型的总线结构中的任何的一个或多个，包括存储器总线、存储器控制器、外围总线、加速图形端口、处理器、以及使用各种总线体系结构中的任何一种的局部总线。作为示例，该体系结构可包括工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、增强型ISA(EISA)总线、视频电子技术标准协会(VESA)局部总线和外围部件互连(PCI)总线。计算机系统/服务器700通常包括各种计算机系统可读介质。该介质可以是计算机系统700可访问的任何可用介质。该介质包括易失性和非易失性介质以及可移动和不可移动介质。

系统存储器704可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)708和/或高速缓冲存储器710。计算机系统700还可以包括其它可移动和/或不可移动、易失性和/或非易失性计算机系统存储介质。仅作为示例，存储系统712可被提供用于从不可移动、非易失性磁介质(未示出)读取和向其写入。该不可移动、非易失性磁介质通常被称为硬盘驱动器。尽管未示出，但是可以提供用于从可移动、非易失性磁盘读取和向其写入的磁盘驱动器和/或用于从可移动、非易失性光盘和/或其它光学介质读取和向其写入的光盘驱动器。可移动、非易失性磁盘的示例是软盘。可移动、非易失性光盘的示例是CD-ROM和DVD-ROM。在该实例中，每个可以通过一个或多个数据介质接口连接到总线706。如下文将进一步描绘及描述，存储器704可包括具有经配置以执行本发明的实施例的功能的至少一个程序模块的至少一个程序产品。一个或多个程序模块可被描述为是一组，而不管是单个模块还是多个模块。

程序/实用程序具有程序模块集716。程序/实用程序可以存储在存储器704中。操作系统、一个或多个应用程序、其它程序模块和程序数据也可存储在存储器704中。操作系统、一个或多个应用程序、其它程序模块和程序数据中的每一个或其某种组合可包括联网环境的实现。程序模块集716通常执行如本文所述的本公开的实施例的功能和/或方法。

计算机系统700还可以与一个或多个外部设备718通信，例如键盘、指示设备、显示器720和其他计算机外围设备。计算机系统700还可以与一个或多个设备通信，该一个或多个设备可以使得用户能够与计算机系统700交互。计算机系统700还可以与使计算机系统700能够与一个或多个其他计算设备通信的任何设备通信；该设备可以包括网卡、调制解调器和其它电信设备和/或组件。该通信可以经由输入/输出(I/O)接口714发生。计算机系统700还可以经由网络适配器722与诸如局域网(LAN)、通用广域网(WAN)和/或公共网络的一个或多个网络通信。公共网络可以包括例如因特网。如所描绘的，网络适配器722可以经由总线706与计算机系统700的其他组件通信。尽管未示出，但是可以结合计算机系统700使用其他硬件和/或软件组件。可以与计算机系统700一起使用的其他硬件和/或软件的示例包括但不限于：微码、设备驱动器、冗余处理单元、外部磁盘驱动器阵列、RAID系统、磁带驱动器和数据档案存储系统。

此外，用于个性化发送者和接收者之间的消息的消息个性化系统600可以连接到总线系统706。

可理解，尽管本公开包括关于云计算的详细描述，但是本文所陈述的教导的实现不限于云计算环境。相反，本发明的实施例能够结合现在已知或以后开发的任何其它类型的计算环境来实现。

云计算是一种服务递送模型，用于实现对可配置计算资源(例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务)的共享池的方便的按需网络访问，该可配置计算资源可以以最小的管理努力或与服务的提供者的交互来快速供应和释放。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。

特征如下：

按需自助：云消费者可以单方面地自动地根据需要提供计算能力，诸如服务器时间和网络存储，而不需要与服务的提供者进行人工交互。

广域网接入：能力在网络上可用，并且通过促进由异构的瘦或厚客户端平台(例如，移动电话、膝上型计算机和PDA)使用的标准机制来访问。

资源池化：供应商的计算资源被集中以使用多租户模型来服务多个消费者，其中不同的物理和虚拟资源根据需求被动态地分配和重新分配。存在位置无关的意义，因为消费者通常不控制或不知道所提供的资源的确切位置，但是能够在较高抽象级别(例如国家、州或数据中心)指定位置。

快速弹性：在一些情况下，可以快速且弹性地提供快速向外扩展的能力和快速向内扩展的能力。对于消费者，可用于提供的能力通常看起来不受限制，并且可以在任何时间以任何数量购买。

测量服务：云系统通过利用在适合于服务类型(例如，存储、处理、带宽和活动用户账户)的某一抽象级别的计量能力来自动地控制和优化资源使用。可以监视、控制和报告资源使用，从而为所利用服务的提供者和消费者两者提供透明性。

服务模型如下：

软件即服务(SaaS)：提供给消费者的能力是使用在云基础设施上运行的提供者的应用。应用程序可通过诸如web浏览器(例如，基于web的电子邮件)等瘦客户机界面从各种客户机设备访问。消费者不管理或控制包括网络、服务器、操作系统、存储、或甚至个别应用能力的底层云基础结构，可能的例外是有限的用户专用应用配置设置。

平台即服务(PaaS)：提供给消费者的能力是将消费者创建或获取的应用部署到云基础设施上，该消费者创建或获取的应用是使用由提供商支持的编程语言和工具创建的。消费者不管理或控制包括网络、服务器、操作系统或存储的底层云基础设施，但具有对部署的应用和可能的应用托管环境配置的控制。

基础设施即服务(IaaS)：提供给消费者的能力是提供处理、存储、网络和消费者能够部署和运行任意软件的其它基本计算资源，所述软件可以包括操作系统和应用。消费者不管理或控制底层云基础设施，但具有对操作系统、存储、部署的应用的控制，以及可能对选择的联网组件(例如，主机防火墙)的有限控制。

部署模型如下：

私有云：云基础设施仅为组织操作。它可以由组织或第三方管理，并且可以存在于建筑物内或建筑物外。

社区云：云基础设施由若干组织共享，并且支持具有共享关注(例如，任务、安全要求、策略和合规性考虑)的特定社区。它可以由组织或第三方管理，并且可以存在于场所内或场所外。

公有云：云基础设施可用于一般公众或大型工业群体，并且由销售云服务的组织拥有。

混合云：云基础设施是两个或更多云(私有、共同体或公共)的组合，所述云保持唯一实体，但是通过使数据和应用能够移植的标准化或私有技术(例如，用于云之间的负载平衡的云突发)绑定在一起。

云计算环境是面向服务的，其焦点在于无状态、低耦合、模块性和语义互操作性。在云计算的核心是包括互连节点的网络的基础设施。

现在参考图8，描绘了说明性云计算环境50。如图所示，云计算环境50包括云消费者使用的本地计算设备可以与其通信的一个或多个云计算节点10，所述本地计算设备例如个人数字助理(PDA)或蜂窝电话54A、台式计算机54B、膝上型计算机54C和/或汽车计算机系统54N。节点10可以彼此通信。它们可以被物理地或虚拟地分组(未示出)在一个或多个网络中，诸如如上文描述的私有云、社区云、公共云或混合云或其组合。这允许云计算环境50提供基础设施、平台和/或软件作为服务，云消费者不需要为其维护本地计算设备上的资源。可理解，图8中所示的计算设备54A-N的类型仅旨在说明，并且计算节点10和云计算环境50可以在任何类型的网络和/或网络可寻址连接上(例如，使用web浏览器)与任何类型的计算设备通信。

现在参考图9，示出了由云计算环境50(图8)提供的一组功能抽象层。可预先理解，图9中所示的组件、层和功能仅旨在说明，并且本发明的实施例不限于此。如所描绘的，提供了以下层和相应的功能：

硬件和软件层60包括硬件和软件组件。硬件组件的示例包括：主机61；基于RISC(精简指令集计算机)架构的服务器62；服务器63；刀片服务器64；存储装置65；以及网络和网络组件66.在一些实施例中，软件组件包括网络应用服务器软件67和数据库软件68。

虚拟化层70提供抽象层，从该抽象层可以提供虚拟实体的以下示例：虚拟服务器71；虚拟存储器72；虚拟网络73，包括虚拟专用网络；虚拟应用和操作系统74；以及虚拟客户机75。

在一个示例中，管理层80可以提供以下描述的功能。资源供应81提供用于在云计算环境内执行任务的计算资源和其它资源的动态采购。计量和定价82提供了在云计算环境中利用资源时的成本跟踪，以及用于消耗这些资源的开帐单或发票。在一个示例中，这些资源可以包括应用软件许可证。安全性为云消费者和任务提供身份验证，以及为数据和其他资源提供保护。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务级别管理84提供云计算资源分配和管理，使得满足所需的服务级别。服务水平协议(SLA)规划和履行85提供对云计算资源的预安排和采购，其中根据SLA预期未来需求。

工作负载层90提供了可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括：绘图和导航91；软件开发和生命周期管理92；虚拟教室教育传送93；数据分析处理94；交易处理95；以及通信内容定制96。

为了说明的目的，已经给出了本公开的各种实施例的描述。这些描述不是穷举性的或局限于所公开的实施例。在不背离所描述的实施例的范围和精神的情况下，许多修改和变化对于本领域的普通技术人员将是显而易见的。选择本文所使用的术语以最好地解释实施例的原理、实际应用或对市场上存在的技术改进，或使本领域的其他普通技术人员能够理解本文所公开的实施例。

本公开可以被实现为系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的一个或多个计算机可读存储介质，所述计算机可读程序指令用于使处理器执行本公开的方面。

该介质可以是用于传播介质的电子、磁、光、电磁、红外或半导体系统。计算机可读介质的示例可以包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。光盘的当前示例包括光盘只读存储器(CD-ROM)、光盘读/写(CD-R/W)、DVD和蓝光盘。

计算机可读存储介质可以是能够保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下：便携式计算机磁盘、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或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、诸如上面记录有指令的打孔卡或凹槽中的凸起结构的机械编码装置，以及上述的任何适当组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身，诸如无线电波或其他自由传播的电磁波、通过波导传播的电磁波、或诸如通过光纤电缆的光脉冲或通过导线传输的电信号的其他传输介质。

本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络下载到外部计算机或外部存储设备。网络的示例包括因特网、局域网、广域网和/或无线网络。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。

用于执行本公开的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、源代码和/或目标代码。源代码和/或目标代码可以以一种或多种编程语言的任意组合来编写，编程语言包括面向对象的编程语言，诸如Smalltalk和C++，和/或常规的过程编程语言，诸如“C”编程语言。

计算机可读程序指令可以完全在用户的计算机上执行，部分地在用户的计算机上作为独立软件包执行，部分地在用户的计算机上并且部分地在远程计算机上执行，或者完全在远程计算机/服务器上执行。在完全在远程计算机/服务器上执行的场景中，远程计算机可以通过任何类型的网络连接到用户的计算机；或者，可以进行到外部计算机的连接。该网络选项包括局域网(LAN)和广域网(WAN)。例如，可以使用因特网服务提供商通过因特网建立连接。在一些实施例中，电子电路包括可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以个性化电子电路，以便执行本公开的方面。电子电路的示例包括例如可编程逻辑电路、现场可编程门阵列(FPGA)和可编程逻辑阵列(PLA)。

本文参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图来描述本公开的方面。将理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机可读程序指令来实现。

这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质中，其可以引导计算机、可编程数据处理装置和/或其他设备以特定方式工作。其中存储有指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图的一个或多个框中指定的功能和/或动作的各方面的指令。

计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或另一设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程。在这种情况下，在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能和/或动作。

附图中的流程图和/或框图示出了根据本公开的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上，流程图或框图中的每个框可以表示包括用于实现指定的逻辑功能(多个)的一个或多个可执行指令的模块、段或部分。在一些替代实施方案中，框中所提及的功能可不按图中所提及的次序发生。例如，连续示出的两个框实际上可以基本上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的专用的基于硬件的系统来实现。

本文所使用的术语仅用于描述特定实施例的目的，且不希望限制本发明。如本文所用，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确指示。还将理解，术语“包括”和/或“包含”在本说明书中使用时，指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在，但不排除一个或多个其它特征、整数、步骤、操作、元件、组件和/或其群组的存在或添加。

在以下权利要求中的所有装置或步骤加功能元件的对应结构、材料、动作和等同物旨在包括用于与如具体要求保护的其它要求保护的元件组合执行功能的任何结构、材料或动作。出于说明和描述的目的呈现了本公开的描述；其不是穷举的或限于所公开形式的公开内容。在不背离本公开的范围和精神的情况下，许多修改和变化对于本领域普通技术人员将是显而易见的。选择和描述实施例是为了最好地解释本公开的原理和实际应用，并且使得本领域的其他普通技术人员能够理解具有各种修改的各种实施例的公开，因为这样的修改适合于预期的特定使用。