一種基於網頁文本數據情感分類的指定信息推送方法與流程
2023-06-11 15:19:01
本發明涉及計算機應用技術領域，特別是指一種基於網頁文本數據情感分類的指定信息推送方法。
背景技術：
近年來，網際網路已經成為人們發表言論、查找信息以及進行信息交互的首選平臺，同時隨著網際網路廣告業、機器人對話系統以及網頁建設需求的日漸興起，需要在對網頁文本數據分析的基礎上，根據分析結果進行相關信息推薦，進而使得推薦的內容能夠適應用戶的需求。目前對於網頁信息推薦的方法大多都是利用歷史數據中的瀏覽記錄進行信息推薦，雖然這樣比較符合大數據分析的預測，但是並不能針對網頁文本數據對用戶實際產生的影響或者引起的興趣方面進行分析，因而無法正真把握用戶的實際需求，尤其是網頁文本數據對用戶情感方面的影響。因此，網頁文本數據的情感分類在網際網路廣告、機器人對話系統、個性化推薦等場景中，對提高用戶體驗方面有較大的幫助。
雖然，已有部分對於情感分類的研究結果，但是，一方面，目前針對網頁文本數據的情感分類都是對情感分類中的極性進行分類，例如好評、中評和差評；褒獎或貶低。這些情感分類是屬於用戶對文本的分類，與當前用戶的情感狀態關係不大，導致多數情況下並不能夠引起瀏覽者的情感共鳴，也即很難影響用戶去觀看推薦的信息。另一方面，現有的分類算法多是採用監督學習的方法，需要大量的訓練語料，而這些訓練語料和測試用的數據都是通過線下人工標註的。這不僅會造成大量的人力財力的浪費，且不能夠適應網際網路數據千變萬化的需求。此外，現有的分類算法不僅複雜度較高，計算量較大，不適合在線實時識別。而且單純根據人為判定的常規情感類別對網頁文本數據進行分類，並不能準確把握網頁文本數據對用戶產生的影響。
因此，在實現本發明的過程中發明人發現現有技術至少存在以下缺陷：網頁推薦的指定信息並不能完全適應用戶的需求，導致推薦的指定信息的點擊率不高；推薦信息大多數依據用戶的瀏覽記錄或者單純的對網頁文本信息的分析得到的，與用戶對指定信息的點擊的關聯性不高。
技術實現要素：
有鑑於此，本發明的目的在於提出一種基於網頁文本數據情感分類的指定信息推送方法，能夠適應用戶需求並且提高推薦的指定信息的點擊率。
基於上述目的本發明提供的一種基於網頁文本數據情感分類的指定信息推送方法，包括：
獲取當前網頁文本數據中帶有情感傾向的情緒詞，提取所述情緒詞作為特徵數據，並根據提取出的所述情緒詞生成特徵向量；
將所述特徵向量輸入預先構建的分類模型中，計算得到當前網頁文本數據的情感類型；其中，所述分類模型是指預先基於網頁文本數據中的情感詞對網頁文本的情感傾向進行分類的數據計算模型，且所述分類模型採用的訓練數據包括基於用戶對與網頁文本數據的情感類型匹配的指定信息的點擊率提高相關的網頁文本數據；
根據所述網頁文本數據的情感類型，向當前網頁推送與所述情感類型匹配的指定信息。
可選的，所述分類模型的構建方法為：
通過標註明顯帶有情緒傾向的文本數據，訓練得到一個初始分類模型；
利用所述初始分類模型對網頁文本數據進行情感傾向分類識別，初步判斷當前網頁文本數據的情感類型；
根據判斷結果，向當前網頁推送或者替換成與所述情感類型匹配的指定信息；
獲取用戶對當前網頁指定信息的點擊率，判斷點擊率是否提高；
若點擊率提高，則將當前網頁中的文本數據作為具有判斷結果中所述情感類型的訓練數據；
否則，將當前網頁中的文本數據作為具有正常情緒的訓練數據或者作為無效數據；
根據獲取得到的訓練數據對初始分類模型進行訓練，得到最終的用於情感分類的分類模型。
可選的，所述分類模型包括第一分類模型和第二分類模型；
所述第一分類模型用於對正常情緒和非正常情緒進行分類；
所述第二分類模型用於對非正常情緒中更為細緻的情緒類型進行分類。
可選的，所述非正常情緒包括：高興、憤怒和悲傷。
可選的，所述第一分類模型為SVM分類模型，所述第二分類模型為最大熵分類模型。
可選的，所述向當前網頁推送與所述情感類型匹配的指定信息的步驟之後還包括：
獲取推送的指定信息的點擊率；
判斷所述指定信息的點擊率是否提高，若是，則將網頁文本的情感類型作為新的訓練數據對分類模型進行再次訓練；
否則，將網頁文本的情感類型作為正常情緒對分類模型進行再次訓練或者將網頁文本作為無效數據。
可選的，所述根據提取出的所述情緒詞生成特徵向量的步驟還包括：
根據已有的情感極性詞典，篩選出帶有情緒特徵的詞作為情緒字典庫中的情緒詞；
獲取大量帶有明顯情緒的副詞、形容詞、名詞、動詞、標點符號和圖標；
獲取特定詞組合以及特定詞組合所代表的情緒；
根據帶有情緒傾向的特定詞組合以及相關帶有情緒特徵的情緒詞、副詞、形容詞、名詞、動詞、標點符號和圖標構建情緒字典庫；
將當前網頁文本數據中的文本進行分詞，根據所述情緒字典庫篩選出屬於情緒字典庫中的情緒詞，並記錄該情緒詞的位置信息，進而獲得當前網頁文本數據中情緒詞的集合；
獲取當前網頁文本數據中情緒詞出現的數量、情緒詞前後各n個詞以及該n個詞各自的詞性、情緒標點符號的數量、情緒標點符號前面n個詞和n個詞各自的詞性、情緒圖標的數量、情緒圖標前面n個詞和n個詞各自的詞性，按照預設的規則生成特徵向量；其中，n為預先設定的情緒詞前後詞的數量。
可選的，所述按照預設的規則生成特徵向量的步驟還包括：
針對不同的情緒詞、情緒標點符號和情緒圖標以及對應的特定詞組合，根據所代表情緒傾向程度的不同，分別賦予不同的權重；
將情緒詞、情緒標點符號和情緒圖標以及對應的特定詞組合所代表的情緒傾向分別與對應的權重相乘，作為特徵向量的組成部分。
可選的，獲取情緒詞前後預設數量的詞時，若遇到標點符號就停止，將已獲取的詞與情緒詞進行組合。
可選的，n為2。
從上面所述可以看出，本發明提供的基於網頁文本數據情感分類的指定信息推送方法通過將網頁文本數據中帶有情感傾向的情緒詞提取出來並生成相應的特徵向量，使得能夠依據情感詞對網頁文本數據進行情感分類。這樣，將會使得所述網頁文本數據的分類更加符合其對用戶或者瀏覽者情緒的影響，進而使得通過推送與這種方法分類得到的網頁文本數據的情感類型匹配的指定信息能夠更加適應用戶的需求。同時，通過將情緒詞生成特徵向量，使得不僅能夠考慮情緒詞對情感分類的影響，而且通過特徵向量，使得情緒詞的組合也會對情感分類起到較大作用，最終使得對網頁文本數據的情感分類更為準確。
此外，所述方法還通過將用戶對匹配的指定信息的點擊率提高的網頁文本數據作為訓練數據訓練得到分類模型，使得分類模型的分類結果將會直接與用戶對指定信息的點擊率有關，也即通過與所述分類模型分類得到的情感類型匹配的指定信息的進行推送後的點擊率將會提高。因此，所述基於網頁文本數據情感分類的指定信息推送方法能夠適應用戶需求，並且提高推薦的指定信息的點擊率，使得用戶需求、廣告主的利益及網絡平臺對用戶粘性三者之間得到有機的結合。
附圖說明
圖1為本發明提供的基於網頁文本數據情感分類的指定信息推送方法的一個實施例的流程圖；
圖2為本發明提供的基於網頁文本數據情感分類的指定信息推送方法中分類模型構建方法的一個實施例的流程圖；
圖3為本發明提供的基於網頁文本數據情感分類的指定信息推送方法的另一個實施例的流程圖。
具體實施方式
為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明進一步詳細說明。
需要說明的是，本發明實施例中所有使用「第一」和「第二」的表述均是為了區分兩個相同名稱非相同的實體或者非相同的參量，可見「第一」「第二」僅為了表述的方便，不應理解為對本發明實施例的限定，後續實施例對此不再一一說明。
本發明針對於目前具有海量信息交互的網際網路技術領域中，在進行海量數據交互的過程中將會產生大量含有情感信息的文本數據。例如：常見的網頁文本數據中含有較為明顯的情感傾向，從而使得閱讀者能夠通過閱讀這些網頁文本數據產生相應的情緒變化。對這些海量的情感信息文本數據，現有技術中大多數通過人工瀏覽的方法進行分類，導致分類的效率低、成本高、時效性差，已經不能滿足實際應用場景的要求。一方面，當前依據文本數據的屬性進行分類的方法也較難與用戶行為關聯起來，另一方面，當前在進行分類模型構建時，所有的訓練數據都是通過人工標註的方法獲得的，這樣不僅費時費力，而且準確性不高，尤其是在網頁信息推送相關領域。因此，本發明針對於上述問題，提出一種基於網頁文本數據情感分類的指定信息推送方法，能夠克服現有技術中存在的問題。
在本發明一些可選的實施例中，參照圖1所示，為本發明提供的基於網頁文本數據情感分類的指定信息推送方法的一個實施例的流程圖。所述基於網頁文本數據情感分類的指定信息推送方法包括：
步驟101，獲取當前網頁文本數據中帶有情感傾向的情緒詞，提取所述情緒詞作為特徵數據，並根據提取出的所述情緒詞生成特徵向量；其中，說是當前網頁文本數據是指當前用戶正在瀏覽的網頁中包含的文本數據信息，包括網頁中的文字信息。所述帶有情感傾向的情緒詞是指通常在使用過程中具有明顯的情感類別傾向的一類詞語，例如：「哭泣」一詞通常都表示悲傷。所述情緒詞通常是預先構建有一個情緒詞庫，然後將當前詞語與情緒詞庫中的詞進行檢索或者比較，進而判斷當前詞語是否屬於情緒詞，且帶有哪種情感類型的傾向。所述情緒詞既可以是單獨的詞語，也可以是一個詞組。通過將情緒詞作為特徵向量，使得對於當前網頁文本數據的分類是基於情感類型的不同進行的分類，從而能夠更多的反應用戶的情緒狀態，也即基於當前網頁文本數據中的情緒詞能夠一定程度上引起用戶的情緒反應，不僅能夠使得後續指定信息更加符合用戶的需求，而且這樣的情感共鳴也有利於用戶對指定信息的點擊。
步驟102，將所述特徵向量輸入預先構建的分類模型中，計算得到當前網頁文本數據的情感類型；其中，所述分類模型是指預先基於網頁文本數據中的情感詞對網頁文本的情感傾向進行分類的數據計算模型，且所述分類模型採用的訓練數據包括基於用戶對與網頁文本數據的情感類型匹配的指定信息的點擊率提高相關的網頁文本數據；通過將基於用戶對指定信息的點擊相關的網頁文本數據作為訓練數據，不僅節省了大量人工標註的工作量，而且這樣訓練出來的分類模型更加傾向於提高用戶對指定信息的點擊。
步驟103，根據所述網頁文本數據的情感類型，向當前網頁推送與所述情感類型匹配的指定信息。其中，所述指定信息為已知其情感類型或者情感傾向的數據信息。既可以是創建指定信息時就明確其情感類型是否與哪種情感類型匹配，也可以根據指定信息中包含的文字信息、圖片信息、符號信息等等確定是否與哪種情感類型匹配。所述指定信息包括：廣告、網頁連接、新聞、視頻推薦等等。
由上述實施例可知，本發明提供的基於網頁文本數據情感分類的指定信息推送方法通過將網頁文本數據中帶有情感傾向的情緒詞提取出來並生成相應的特徵向量，使得能夠依據情感詞對網頁文本數據進行情感分類，這樣，將會使得所述網頁文本數據的分類更加符合其對用戶或者瀏覽者情緒的影響，進而使得通過推送與這種方法分類得到的網頁文本數據的情感類型匹配的指定信息能夠更加適應用戶的需求。同時，通過將情緒詞生成特徵向量，使得不僅能夠考慮情緒詞對情感分類的影響，而且通過特徵向量，使得情緒詞的組合也會對情感分類起到較大作用，最終使得對網頁文本數據的情感分類更為準確。
此外，所述方法還通過將用戶對匹配的指定信息的點擊率提高的網頁文本數據作為訓練數據訓練得到分類模型，使得分類模型的分類結果將會直接與用戶對指定信息的點擊率有關，也即通過與所述分類模型分類得到的情感類型匹配的指定信息的進行推送後的點擊率將會提高。因此，所述基於網頁文本數據情感分類的指定信息推送方法能夠適應用戶需求並且提高推薦的指定信息的點擊率。
在本發明一些可選的實施例中，參照圖2所示，所述分類模型的構建方法為：
步驟201，通過標註明顯帶有情緒傾向的文本數據，訓練得到一個初始分類模型；其中，所述初始分類模型的構建與常見的分類模型構建方法原理相同。但是，所述初始分類模型所需要標註的數據遠遠小於現有技術中模型構建所需要的數據量。這是因為，網際網路數據千變萬化，初始分類模型所用的標註數據，只能反映了非常局限的數據情況，這樣的數據訓練出的模型並不能對整個網際網路數據進行準確的刻畫。因此，本發明中，用於訓練的數據都是基於後續與用戶點擊操作相關的網頁文本數據，而並不需要進行大量的人工標註。這樣，既節省了人力，使得分類模型更能準確的刻畫一些網絡數據。
步驟202，利用所述初始分類模型對網頁文本數據進行情感傾向分類識別，初步判斷當前網頁文本數據的情感類型；
步驟203，根據判斷結果，向當前網頁推送或者替換成與所述情感類型匹配的指定信息。這裡的指定信息的數量可以為多個，且對於當前網頁文本數據的判斷也可以分為不同的區域。例如：一個完整的網頁根據其功能區分為不同的區域，每個區域中均包含不同的網頁文本數據，因此，可以針對不同區域單獨判斷並且分別推薦不同的指定信息。
步驟204，獲取用戶對當前網頁指定信息的點擊率，判斷點擊率是否提高。其中，所述點擊率是否提高既可以是基於替換前後指定信息的點擊率進行判斷，也可以是依據設定的點擊率閾值進行判斷。進一步，所述點擊率判斷還包括設定一個提高閾值，當替換後的點擊率大於替換之前的點擊率與提高閾值之和時，才表示點擊率提高，否則判斷點擊率處於正常波動範圍。
步驟205，若點擊率提高，則將當前網頁中的文本數據作為具有判斷結果中所述情感類型的訓練數據；也即，將當前網頁文本數據作為情感類型已知的文本數據，且其情感類型為判斷結果中判定的情感類型。
步驟206，否則，將當前網頁中的文本數據作為具有正常情緒的訓練數據或者作為無效數據；對於不能引起用戶點擊率提高的網頁文本數據，既可以是作為具有正常情緒的訓練數據，也可以作為無效數據，即該網頁文本數據不能作為訓練數據。
步驟207，根據獲取得到的訓練數據對初始分類模型進行訓練，得到最終的用於情感分類的分類模型。其中，所述分類模型在使用過程中，是通過訓練數據不斷的更新訓練的，最終使分類模型更加符合實際的應用場景。
這樣，根據用戶對指定信息的點擊操作來選取訓練數據，進而使得訓練得到的分類模型將會提高用戶對指定信息的點擊，而且這樣獲得的訓練數據不需要進行大量的人工標註，節省了大量的人力物力。因此，通過上述構建分類模型的方法既可以提高訓練數據獲取的效率和準確性，而且基於訓練數據與用戶行為的相關性，使得得到的訓練模型將會更加適應用戶的實際需求。
在本發明一些可選的實施例中，所述分類模型包括第一分類模型和第二分類模型；所述第一分類模型用於對正常情緒和非正常情緒進行分類；所述第二分類模型用於對非正常情緒中更為細緻的情緒類型進行分類。本發明採用兩個分類模型是因為網頁文本數據中還存在大量不帶有任何情感傾向的描述性數據信息，在情感分類中作為正常情緒，而基於正常情緒包含的內容信息較為廣泛，因此，確定正常情緒將會需要更多的特徵數據，更多的訓練數據，若是採用同一個分類模型，將會使得訓練數據偏移，最終導致分類錯誤率提高。因此，本發明基於正常情緒與其他情緒訓練特點的不同，構建兩個分類模型，先用一個分類模型區分網頁文本數據屬於正常情緒還是非正常情緒，然後在非正常情緒中進一步區分更為細緻的情緒類別。這樣，能夠提高分類的效率和準確性。
進一步，還可以設置更多的分類模型進行不同層次的分類。
在本發明一些可選的實施例中，所述非正常情緒包括：高興、憤怒和悲傷。
在本發明一些可選的實施例中，所述第一分類模型為SVM分類模型，所述第二分類模型為最大熵分類模型。針對不同類型情感類別進行區分的特點以及不同分類模型的特點，採用SVM分類模型區分正常情緒和非正常情緒，採用最大熵分類模型區分高興、憤怒和悲傷等更為細緻的情感類型將會提高分類的效率和準確性。
在本發明一些可選的實施例中，參照圖3所示，為本發明提供的基於網頁文本數據情感分類的指定信息推送方法的另一個實施例的流程圖。所述基於網頁文本數據情感分類的指定信息推送方法包括：
步驟301，獲取當前網頁文本數據中帶有情感傾向的情緒詞，提取所述情緒詞作為特徵數據，並根據提取出的所述情緒詞生成特徵向量；
步驟302，將所述特徵向量輸入預先構建的分類模型中，計算得到當前網頁文本數據的情感類型；
步驟303，根據所述網頁文本數據的情感類型，向當前網頁推送與所述情感類型匹配的指定信息。
步驟304，獲取推送的指定信息的點擊率；
步驟305，判斷所述指定信息的點擊率是否提高，若是，則執行步驟306，否則，執行步驟307；
步驟306，將網頁文本的情感類型作為新的訓練數據對分類模型進行再次訓練；
步驟307，將網頁文本的情感類型作為正常情緒對分類模型進行再次訓練或者將網頁文本作為無效數據。
這樣，通過利用後續網頁文本數據作為訓練數據進一步對分類模型進行訓練，使得分類模型能夠不斷的根據用戶的點擊結果進行分類的優化和學習，逐漸提高分類的準確性和可靠性，也即使得分類模型越來越準確，最終使得推薦的指定信息的點擊率提高更為準確和可靠。
在本發明一些可選的實施例中，所述根據提取出的所述情緒詞生成特徵向量的步驟還包括：
首先，根據已有的情感極性詞典，篩選出帶有情緒特徵的詞作為情緒字典庫中的情緒詞；其中，所述情緒字典庫是基於本發明實施例中特徵向量的特點而建立的，所述情緒字典庫用於篩選文本數據中的情緒詞。已有的情感極性詞典包括臺灣大學的NTUSD-簡體中文情感極性詞典。
其次，獲取大量帶有明顯情緒的副詞、形容詞、名詞、動詞、標點符號和圖標；其中，這裡獲取各類詞以及標點符號、圖標的途徑可以是所有已知能夠獲取的途徑，例如：網絡、教材等等。
最後，獲取特定詞組合以及特定詞組合所代表的情緒；例如兩個動詞組合+感嘆號通常表示憤怒，完成情緒字典的建立。
然後在情緒字典庫的基礎上，生成特徵數據，步驟如下：
將當前網頁文本數據中的文本進行分詞，根據所述情緒字典庫篩選出屬於情緒字典庫中的情緒詞，並記錄該情緒詞的位置信息，進而獲得當前網頁文本數據中情緒詞的集合；其中，需要依次判斷每一個詞是否在情緒字典庫裡，如果存在，就記錄下來，同時記錄這個詞的在文本中的位置信息；否則，就跳過。這樣，就得到文本數據的情緒詞集合。
獲取當前網頁文本數據中情緒詞出現的數量、情緒詞前後各n個詞以及該n個詞各自的詞性、情緒標點符號的數量、情緒標點符號前面n個詞和n個詞各自的詞性、情緒圖標的數量、情緒圖標前面n個詞和n個詞各自的詞性，按照預設的規則生成特徵向量；其中，n為預先設定的情緒詞前後詞的數量。其中，所述情緒詞前後的詞、情緒標點符號以及情緒圖標前面的詞包括非情緒詞，而情緒詞、情緒標點符號、情緒圖標以及非情緒詞，經過特定組合後，形成帶有情緒特徵的詞組，如「開門開門！」，「走開走開！」，這些都是表示生氣情緒的正常動詞組合後構成帶有情緒特徵的詞組。這樣能夠進一步精確體現文本數據的特徵。
優選的，n取值為2。
將獲取的情緒詞、情緒標點符號和情緒圖標以及對應的特定詞組合，按照預設的規則生成特徵向量。
最後，情緒字典庫的構建和更新，步驟如下：
首先，由於現有的情緒詞庫，通常都是對正負極性判斷的詞，不能直接使用。需要從中篩選出一些帶有明顯情緒的詞，寫入情緒詞庫。
其次，根據一些常見表示情緒的圖標、標點符號等，設計相應的規則，篩選出一些詞，寫入情緒詞庫。
最後，根據系統的實際使用中，發現一些出現頻率比較的高且影響用戶的情緒的詞，寫入情緒詞庫，不斷的豐富情緒詞庫。這樣，通過對情緒詞的預先構建情緒字典庫，使得對網頁文本數據中情緒詞的提取更為準確，且構建的情緒字典庫是通用的，也即構建的情緒字典庫可以無限次使用。
在本發明一些可選的實施例中，所述按照預設的規則生成特徵向量的步驟還包括：
針對不同的情緒詞、情緒標點符號和情緒圖標以及對應的特定詞組合，根據所代表情緒傾向程度的不同，分別賦予不同的權重；
將情緒詞、情緒標點符號和情緒圖標以及對應的特定詞組合所代表的情緒傾向分別與對應的權重相乘，作為特徵向量的組成部分。
通過對不同的情緒詞賦予不同的權重，使得能夠對同一情感類別中的不同情緒詞進行區分，是的情感分類更為準確。而且，基於不同情緒詞具有不同的值，即使同一個網頁文本數據中包含不同情感類型的情緒詞，也能夠準確對其具有的情感類別傾向進行分類。
在本發明一些可選的實施例中，獲取情緒詞前後預設數量的詞時，若遇到標點符號就停止，將已獲取的詞與情緒詞進行組合。例如：「辛辣味嗆得我直翻白眼，恨得牙根直發麻，手指骨節癢，想揍他一頓。」在這個句子中，「白眼」、「恨」、「發麻」、「癢」、「揍」，是情感詞。情感詞為5個，加上各自前後面的2個詞，就能夠組成一個特徵向量：「5，直翻白眼+副詞+動詞，恨得牙根+連詞+名詞，牙根直發麻+名詞+副詞，手指關節癢+名詞+名詞，想揍他一頓+動詞+人稱代詞+量詞」。而對於「恨」這個情感詞，前面是標點符號「，」，所以，它對應前面的2個特徵詞就沒有，只有後面的2個特徵詞，即為「恨得牙根」。
需要說明的是，本發明並不限於網頁文本數據中指定信息的推薦，也包括其他類型的具有文本數據多媒體上的信息推薦。
所屬領域的普通技術人員應當理解：以上任何實施例的討論僅為示例性的，並非旨在暗示本公開的範圍(包括權利要求)被限於這些例子；在本發明的思路下，以上實施例或者不同實施例中的技術特徵之間也可以進行組合，步驟可以以任意順序實現，並存在如上所述的本發明的不同方面的許多其它變化，為了簡明它們沒有在細節中提供。
另外，為簡化說明和討論，並且為了不會使本發明難以理解，在所提供的附圖中可以示出或可以不示出與集成電路(IC)晶片和其它部件的公知的電源/接地連接。此外，可以以框圖的形式示出裝置，以便避免使本發明難以理解，並且這也考慮了以下事實，即關於這些框圖裝置的實施方式的細節是高度取決於將要實施本發明的平臺的(即，這些細節應當完全處於本領域技術人員的理解範圍內)。在闡述了具體細節(例如，電路)以描述本發明的示例性實施例的情況下，對本領域技術人員來說顯而易見的是，可以在沒有這些具體細節的情況下或者這些具體細節有變化的情況下實施本發明。因此，這些描述應被認為是說明性的而不是限制性的。
儘管已經結合了本發明的具體實施例對本發明進行了描述，但是根據前面的描述，這些實施例的很多替換、修改和變型對本領域普通技術人員來說將是顯而易見的。例如，其它存儲器架構(例如，動態RAM(DRAM))可以使用所討論的實施例。
本發明的實施例旨在涵蓋落入所附權利要求的寬泛範圍之內的所有這樣的替換、修改和變型。因此，凡在本發明的精神和原則之內，所做的任何省略、修改、等同替換、改進等，均應包含在本發明的保護範圍之內。