使用社交网络分析在在线社交媒体平台中推断用户的位置

摘要

所描述的是一种用于使用社交网络分析在线社交媒体平台中推断用户的位置的系统，首先从来自至少一个社交媒体平台的数据提取社交网络。在社交网络中，生成从每个用户到该用户的估计地理位置的映射，产生估计位置映射。如果用户的地理位置已知，则生成从每个用户到该用户的已知地理位置的映射，产生已知位置映射。将估计位置映射更新为匹配已知位置映射。在当前的估计位置映射中更新在已知位置映射中针对每个用户j的位置。使用几何中值度量来估计与j连接的用户的最终地理位置。最后，将与j连接的用户的最终估计地理位置映射到社交网络中。

说明书

政府许可权

本发明在美国政府法案号BFL1OSI,IARPA开放源指示器下获得政府支持而做 出。政府对本发明具有特定权利。

相关申请的交叉引用

这是于2013年4月5日在美国提交的题为“InferringtheLocationofUsersin OnlineSocialMediaPlatformsUsingSocialNetworkAnalysis”的美国临时专利申请第 61/809,160号的非临时专利申请。

技术领域

本发明涉及一种用于在在线社交媒体平台中推断用户的位置的系统，且更具体 地，涉及一种用于使用社交网络分析在在线社交媒体平台中推断用户的位置的系统。

背景技术

社交媒体提供了一种用于观察快速变化的公众兴趣焦点的新的数据源。检测消息 发出的位置提供了一种在空间上聚集内容的强大的方法。该空间集中能实现检测区域 差异、检测区域特定的新兴趋势、或者甚至测量信息流。然而，几乎没有内容与地面 真实位置数据相关联。

一些工作已在Twitter^TM社交媒体平台上研究位置推断。Cheng等(参见合并引 用的文献参考列表、文献参考号1)、Mahmud等(参见文献参考号6)和Ikawa等(参 见文献参考号5)已研究使用由用户产生的文本内容来推断其位置。尽管这已经产生 良好的结果，但是该方法仅受限于生成包括地理参考的文本的那些用户。另外，他们 的方法仅对英文进行测试。

Sadilek等(参见文献参考号9)执行社交网络推断以估计用户的真实位置。然而， 他们的方法需要知晓两个用户的位置以便估计社交关系，这将该方法限制于仅那些具 有已知位置的个人。

DavisJr.等(参照文献参考号2)在Twitter^TM中使用用户的跟随者的网络来执行 位置推断。他们仅使用一圈标准标签传播来推断位置，这可能导致有限的覆盖范围。 另外，他们的工作仅对小用户组进行测试，因此他们的工作是否能推广至大用户组还 仍然未被测试。

Hetch等(参见文献参考号4)和Pontes等(参照文献参考号8)分别从Twitter^TM和FourSquare^TM中自身提供的位置信息推断用户位置。尽管Pontes等(参照文献参 考号8)报道了采用该方法的超过90％的用户覆盖范围，但是尚未进行尝试来推断其 余用户的位置。Hetch等(参见文献参考号4)在Twitter^TM中发现具有高误差率的显 著少的信息。

上述每个现有方法均表现出使其不完善的限制。因此，对于用于使用被设计为最 大化位置推断准确度的推断社交网络从用户的社交网络和少量地面真实数据来推断 用户位置的方法而言，存在持续的需求。

发明内容

本发明涉及用于在在线社交媒体平台中推断用户的位置的系统，且更具体地，涉 及一种用于使用社交网络分析在在线社交媒体平台中推断用户的位置的系统。

该系统包括一个或更多个处理器和具有指令的存储器，使得当所述指令被执行 时，所述一个或更多个处理器执行多个操作。该系统从来自至少一个社交媒体平台的 数据提取社交网络，其中，所述社交网络包括通过社交关系连接的多个用户，且其中， 所述多个用户中的每个用户均在每个社交媒体平台上具有身份。在所述社交网络中生 成从所述多个用户中的每个用户到所述用户的估计的地理位置的映射，产生估计位置 映射Est。随后，在所述社交网络中生成从所述多个用户中具有已知地理位置数据的 每个用户到所述用户的已知地理位置的映射，产生已知位置映射SL。将所述估计位 置映射Est更新为具有与所述已知位置映射SL相同的映射，直至满足预定收敛标准。 针对所述多个用户中的在所述已知位置映射SL中具有映射的每个用户j，将j在当前 的估计位置映射Est’中的位置更新为在所述已知位置映射SL中的位置。针对所述多 个用户中的在具有与j的社交关系且在所述估计位置映射Est中具有映射的用户组N 中的每个用户，将N中的所述用户的所估计的地理位置添加到位置集合NL。使用几 何中值度量来估计N中的所述用户的最终地理位置的集合。在所述社交网络中将N 中的所述用户映射至所述用户的最终估计地理位置。

在另一方面中，该系统为N和所述位置集合NL提供所述社交网络的子图。利用 N中的所述用户的所述最终估计地理位置更新所述当前的估计位置映射Est’，以及利 用在所述当前的估计位置映射Est’中的映射替换在所述估计位置映射Est中的映射。

在另一方面中，该系统结合来自所有社交媒体平台的用户身份，使得每个用户被 表示为在所述社交网络中的单个个人。

在另一方面中，为用户合并估计地理位置数据与来自所有社交媒体平台的已知地 理位置数据。

在另一方面中，为使用所述几何中值度量的地理位置估计仅选择N中彼此之间 也具有社交关系的那些用户。

在另一方面中，本发明还包括用于使处理器执行本文所述的操作的方法。

在又一方面中，本发明还包括计算机程序产品，其包括存储在非临时性计算机可 读介质上的能够由具有处理器的计算机执行的用于使所述处理器执行本文中所述的 操作的计算机可读指令。

附图说明

结合参照附图根据对本发明的各个方面的以下详细描述，本发明的目的、特征和 优势将是显而易见的，其中：

图1是根据本发明的原理的用于使用社交网络分析在在线社交媒体平台中推断 用户的位置的流程图；

图2是根据本发明的原理的用于用户位置推断的性能度量的列表；

图3是根据本发明的原理的数据处理系统的示图；以及

图4根据本发明的原理的计算机程序产品的示图。

具体实施方式

本发明涉及一种用于在在线社交媒体平台中推断用户的位置的系统，且更具体 地，涉及一种用于使用社交网络分析在在线社交媒体平台中推断用户位置的系统。

提出以下描述以便能使本领域普通技术人员制造和使用本发明，并且将其结合到 具体应用的背景下。在不同应用中的各种修改以及各种使用对于本领域技术人员而言 将显然是显而易见的，且本文中限定的一般性原理可以被应用于宽范围的实施方式。 因此，本发明并不旨在受限于所提出的实施方式，而是符合与本文中所公开的原理和 新特征相一致的最宽范围。

在以下详细描述中，陈述了许多具体细节以提供对本发明的更加全面的理解。然 而，对于本领域技术人员而言，显而易见的将是可以不必受限于这些具体细节来实践 本发明。在其它情况下，以框图形式(而不是详细地)示出了已知结构和装置，以避 免模糊本发明。

将读者的注意力引导至与本说明书同时提交的且被开放给公众审阅本说明书的 所有论文和文献，且将所有这些论文和文献的内容结合于此供参考。本说明书(包括 任何所附权利要求、摘要和附图)中公开的所有特征均可以被用于相同、等同或类似 目的的替代特征替代，除非另外明确规定。因此，除非另外明确规定，否则所公开的 每个特征均仅是一般性的一系列等同或类似特征的一个实例。

另外，权利要求中并未明确说明“用于”执行专用功能的“装置”或者“用于” 执行专用功能的“步骤”的任何元素并不能被解释为如在35U.S.C.第112节第6段 中所规定的“装置”或“步骤”条款。具体地，在本文的权利要求中的“…的步骤” 或“…的动作”的使用并不旨在援引35U.S.C.112第6段的规定。

请注意，如果使用，那么仅为方便的目的而使用术语“左”、“右”、“前”、“后”、 “上”、“下”、“正”、“反”、“顺时针”和“逆时针”，且并不旨在暗示任何具体的固 定方向。相反，它们被用于反映各种对象部分之间的相对位置和/或方向。因此，当 本发明被改变时，上述术语可能会改变其取向。

在详细描述本发明之前，首先提供在本说明书中使用的引用文献参考的列表。接 下来，提供对本发明的各种原理方面的描述。最后，提供本发明的具体细节以给出对 具体方面的理解。

(1)结合的引用文献参考的列表

遍及整个本申请引用以下参考。为清晰和方便起见，本文中列出这些参考以作为 读者的中心资源。以下参考被结合于此供参考，正如被全部包括在本文中。参照相应 的文献参考号在本申请中引用该参考如下：

1.Cheng,Z.；Caverlee,J.；andLee,K.2010.Youarewhereyoutweet:a content-basedapproachtogeo-locatingtwitterusers.InProceedingsofthe19thACM internationalconferenceonInformationandknowledgemanagement,759–768.ACM.

2.DavisJr,C.；Pappa,G.；deOliveira,D.；anddeLArcanjo,F.2011.Inferringthe locationoftwittermessagesbasedonuserrelationships.TransactionsinGIS 15(6):735–751.

3.Goldenberg,J.,andLevy,M.2009.Distanceisnotdead:Socialinteractionand geographicaldistanceintheinternetera.arXivpreprintarXiv:0906.3202.

4.Hecht,B.；Hong,L.；Suh,B.；andChi,E.2011.TweetsfromJustinBieber’sheart: thedynamicsofthelocationfieldinuserprofiles.InProceedingsofthe2011annual conferenceonHumanfactorsincomputingsystems,237–246.ACM.

5.Ikawa,Y.；Enoki,M.；andTatsubori,M.2012.Locationinferenceusingmicroblog messages.InProceedingsofthe21stinternationalconferencecompaniononWorldWide Web,687–690.ACM.

6.Mahmud,J.；Nichols,J.；andDrews,C.2012.Whereisthistweetfrom？inferring homelocationsoftwitterusers.ProcAAAIICWSM12.

7.Mok,D.；Wellman,B.；andCarrasco,J.2010.Doesdistancematterintheageof theinternet？UrbanStudies47(13):2747–2783.

8.Pontes,T.；Vasconcelos,M.；Almeida,J.；Kumaraguru,P.；andAlmeida,V.2012. Weknowwhereyoulive:Privacycharacterizationoffoursquarebehavior.In UbiComp’12.

9.Sadilek,A.；Kautz,H.；andBigham,J.2012.Findingyourfriendsandfollowing themtowhereyouare.InProceedingsofthefifthACMinternationalconferenceonWeb searchanddatamining,723–732.ACM.

10.Zhu,Xiaojin,andZoubinGhahramani.Learningfromlabeledandunlabeleddata withlabelpropagation.TechnicalReportCMU-CALD-02-107,CarnegieMellon University,2002.

11.Vincenty,Thaddeus.Directandinversesolutionsofgeodesicsontheellipsoid withapplicationofnestedequations.Surveyreview23.176(1975):88-93.

12.Ronkainen,Oja,andOrponen.2003.ComputationofthemultivariateOjamedian. DevelopmentsinRobustStatistics,344-359.

13.VardiandZhang.2000.ThemultivariateL1-medianandassociateddatadepth. ProceedingsoftheNationalAcademyofSciences.97(4):1423-6.

(2)原理方面

本发明具有三个“原理”方面。第一个是用于在在线社交媒体平台中推断用户位 置的系统。该系统通常是以计算机系统、计算机组件或计算机网络操作软件的形式， 或者以“硬编码”指令集的形式。该系统可以采用具有各种硬件装置的各种形式，并 且可以包括计算机网络、手持计算装置、蜂窝网络、卫星网络和其它通信装置。如本 领域技术人员可以理解，该系统可以被结合到提供不同功能的宽泛的各种装置中。第 二原理方面是用于在在线社交媒体平台中推断用户的位置的方法。第三原理方面是计 算机程序产品。该计算机程序产品通常表示存储在非易失性计算机可读介质(诸如光 学存储装置，例如，致密盘(CD)或数字多功能盘(DVD)或磁存储装置(诸如软 盘或磁带))上的计算机可读指令方法(指令)。其它，计算机可读介质的非限制性实 例包括硬盘、只读存储器(ROM)和闪型存储器。

如参照本发明使用的术语“指令”通常是指要在计算机上被执行的操作集，并且 可以表示整个程序的片段或单个可分离的软件模块。“指令”的非限制性实例包括计 算机程序代码(源或目标代码)，以及“硬编码”电子装置(即，被编码为计算机芯 片的计算机操作)。该“指令”可以被存储在诸如软盘、CD-ROM、闪盘驱动器的任 何非临时性计算机可读介质上，以及被存储在计算机的存储器中。

(3)具体细节

所描述的是在在线社交媒体平台中利用社交关系的系统。最近的工作已说明社交 关系的位置仍将朝着与附近的个人具有在线社交关系的强偏爱遍布在线空间(参见文 献参考号3和7)。因此，当聚集用户关系的位置时，它们表现出可以推断出用户位 置的有噪声的、但有用的数据源。

图1示出了根据本发明的原理的信息流。该方法开始于一个或更多个社交网络平 台。图1示出了多个社交媒体平台100，尽管该方法可从单个平台到任何数目的平台 概括。所有需要的是社交媒体平台100具有一些明确声明或暗示性可见的社交关系。

一旦已选择了社交媒体平台100，则两个阶段并行出现。社交网络推断阶段102 负责从来自社交媒体平台100的可用数据提取社交网络。作为非限制性实例和在使用 根据本发明的原理的系统的实验研究中，使用Twitter^TM和FourSquare^TM社交媒体平 台。

Twitter^TM网络提供隐式和显式的网络。发现通过观察已彼此通信至少一次的用户 来产生隐式的网络。该隐式的网络被称为提及网络(mentionnetwork)。相反， FourSquare^TM允许用户明确声明他们彼此的关系。可以使用FourSquare^TM应用程序接 口(API)访问这些关系。如本领域技术人员可以理解，本发明也可概括为具有不同 社交网络限制的其它类型的社交媒体平台。例如，本发明也使用生成良好性能但不高 于提及网络的性能的Twitter^TM跟随网络来测试。

与社交网络推断阶段102同时，社交媒体平台100的数据被挖掘以便为用户获得 地面真实位置的列表。这些位置形成可以在确切位置提取阶段104中推断其他用户的 位置的种子位置。对于Twitter^TM平台，全球定位系统(GPS)标记的消息被用作地 面真实信息的源。这些消息罕见地出现，占所有消息的约0.7％。对于具有GPS标记 的推客(tweet)的每个用户，选择具有全部在彼此30千米(km)距离内发生的至少 五条消息的那些用户。这有效地去除了具有太少推客的个人和频繁旅行并从许多位置 发推客的那些用户。根据其余用户，每个用户的位置被估计为作为在他们的推客的位 置中的L1多元中值(即，几何多元均值)的位置，如将在下文详细描述。

在FourSquare^TM平台中，用户可以在他们的简介中指定他们的位置。文献参考号 8报道了该位置是可靠的，且该信息源覆盖超过90％的用户。通过测试，确认该自报 告的位置匹配为该用户从非FourSquare^TM数据计算的位置。因此，该位置数据被选择 为用于根据本发明的原理的系统中。该数据本身是以随后必须被转换为具体坐标位置 的文本名称的形式。由Google^TM开发的Google^TMGeocodingAPI以及GeoNames地 理数据库被用于将每个名称映射至标准维度和经度。

参照图1，单个个人可以在不同社交媒体平台100上具有多个身份。社交网络合 并阶段106将那些身份结合在一起，使得个人仅被表示为在推断的社交网络中的单个 节点。在一个方面，根据本发明的原理的系统使用由用户提供的元数据来链接他们的 FourSquare^TM和Twitter^TM账户。该方法可概括为在诸如LinkedIn^TM和Tumblr^TM的其 它社交媒体平台上工作。然而，另外的方法可以被使用，以根据用户的简介或讨论的 内容来推断公共的身份。

多个社交媒体平台100可以为相同用户报告不同的位置数据。确切位置合并阶段 108使用来自不同的社交媒体平台100的所有可用位置数据以及在那些社交媒体平台 100上发现的个人的多个身份将所结合的信息合并在一起。使用基于优先权的排序， 报告从来自Twitter^TM的GPS数据提取的位置，且如果不可用，则使用在FourSquare^TM上报告的位置。进一步的工作可以将此概括为基于可用的GPS数据的量将这二者融 合，或者当从GPS数据计算位置时使用FourSquare^TM位置以作为优选。

一旦已构建网络且已计算种子位置，则可以在位置推断阶段110中推断出在社交 网络中的其余个人的位置。可以在位置推断阶段110中估计在社交网络中的其余个人 的位置以产生位置估计。随后在最终的位置估计阶段112中使用位置估计。本发明包 括从标准标签传播框架获得的处理，但是当选择新标签时考虑地理位置。文献参考号 10提供对标准标签传播框架的描述。根据本发明的原理的处理如下进行：

1.假设SN为社交网络

2.假设Est为从个人到他们的估计位置的映射

3.假设SL为从个人到他们的已知位置(种子位置)的映射

4.将Est更新为具有与SL相同的映射

5.重复，直至满足一些收敛标准

a)假设Est’为针对该迭代(iteration)，更新的个人->位置映射

b)针对每个个人j

i.如果j在SL中具有映射

1.将Est’中的j的位置更新为SL中的位置

2.在步骤(b)中继续到下一个个人

ii.假设N为具有与j的社交关系的个人集

iii.假设NL为位置集

iv.针对N中的每个个人k

1.如果k具有Est中的映射

a.将Est中的k的位置增加至NL

v.使用几何中值估计j的位置，为N和位置NL提供社交网络的子 图

vi.采用j的新位置更新Est’

c)采用Est’中的映射替换Est中的映射

对个人j的位置的估计是j的邻居位置的几何中值，其中，k被用于表示邻居， 以及j表示在以上步骤b)中估计的用户。

以上列出的处理的关键是在(5.b.v)中的估计步骤。传统的标签传播将为个人k 选择新位置以作为在其邻居中最频繁出现的位置。然而，这忽略了标签相关的事实。 由于该标签实际上是位置，所以它们可以在空间上被比较以揭示关于个人可能位于哪 里的更多信息。因此，根据本发明的原理的系统使用几何中值来估计新位置。另外， 采用两种策略：(1)仅使用几何多元中值；以及(2)首先应用新的启发法，这被称 为“社交三角形中值”。给定空间中的点集，该几何多元中值被 限定为：

$m=\underset{x\in M}{\min }\underset{i=1}{\overset{n}{\Sigma }}{w}_{i}d(x,x_i),$

其中，w_i是点i的权重(或乘数)，d是距离函数，以及x和x_i是空间M中的两 个点。由于是测量球面上的距离，所以不能应用欧式距离。相反，根据地球曲率使用 Vincenty公式(参见文献参考号11)来计算大地测量距离。

对于第二启发法，建议个人社交组的最接近部分的社交理论上的工作应当表现出 权衡三元闭包(即，如果A与B和C是朋友，则B和C也将是朋友)。因此，给定 根据本发明的原理的在推断网络中个人与其他人的关系，在估计该距离之前，对该网 络过滤，使得仅彼此也是朋友(即，表现三元闭包)的那些连接的个人将使他们的位 置被用于推断。该“社交三角形中值”类似于其它处使用的几何中值。本发明的区别 在于去除并非是封闭三角形的一部分的来自社交网络的边。

(由上述几何多元中值限定的)位置推断处理并不被期望收敛，且因此，需要一 些停止标准。作为非限制性实例，一种标准可以是固定数目的迭代、已被定位的用户 数量或者具有新位置的用户的百分比变化。在实验性研究中，发现在一些迭代(通常 四次)之后该网络被充分覆盖，在此之后性能并不提高。

参照图1，在最终位置估计阶段112中，发出如由几何多元中值确定的个人位置， 且个人被映射到最终的估计位置。这些位置可以用作用户消息来自的位置的强优选。

本文所述的方法使用从2012年4月到2012年11月的10％样本的Twitter^TM消息 来测试。该样本产生具有47,760,573个用户和具有在这些用户之间的254,263,081个 推断社交关系的双向用户提及的网络。使用FourSquare^TMAPI，获取用户简介和用户 的朋友，产生具有3,976,819个用户和在这些用户之间的17,619,191个关系的网络。 使用与具有两个社交媒体平台的链接的账户相关的信息，这些网络被结合为具有 50,741,905个唯一用户的单个社交网络，且约1.6百万(M)个用户在两个平台中均 具有身份。网络的结合也用来确认在Twitter^TM上的社交关系推断，具有约7.5M个用 户，所述约7.5M个用户在Twitter^TM提及网络中具有边，还在FourSquare^TM社交网络 中已明确表示为朋友关系。为大约为网络的5％的Twitter^TM中的2,554,064个用户提 取位置。

对于评估，使用五倍交叉验证。给定种子位置的集合，使用这些位置的80％，且 执行图1中所示的全推断处理，在四次迭代之后停止。随后将维持的20％的位置与它 们的真实位置相比较。使用用于每一倍的有区别的20％的维持集来重复该处理，使得 所有用户被评估一次。

五个度量被用于评估。首先，考虑所估计的距离的中值误差。误差的分布遵循幂 律分布，且因此，与均值相比，该中值是优选的性能估计。第二，考虑在四次迭代之 后发现的网络的百分比。这宽松地对应于查全率度量(recallmetrics)，但是由于停止 标准而表示关于可以被定位的用户数量的软上界限。其余的三个度量全部基于名称匹 配。每个维度和经度使用逆地理编码处理被映射至城市、州和国家名称。逆地理编码 是点位置(维度，经度)到可读地址或场所名称的逆编码处理。关于名称是否被映射 至匹配那些真实位置的推断位置进行比较。该评估由于命名位置的性质而变得困难； 命名界限的不规则可能导致距离上非常接近的位置具有不同的名称。另外，逆地理编 码并不是确切的处理并且可能引入噪声。

图2中的表200报道了实验性研究的性能。具体地，表200强调性能上的三种趋 势。社交三角形202启发法产生了关于匹配度量204和中值误差度量206的最高性能。 通过将推断仅限制为被估计为在更紧密的社交圈中的那些个人，噪声被降低且精确度 提高。然而，由于用户必须具有与三元靠近者的关系的限制，该方法经受最低查全率 (即，百分比定位208)，仅估计54％网络的用户。另外的实验揭示了增加迭代数量 基本上并不增加该百分比。

在第二趋势下，仅使用几何中值210(也被称为几何多元中值)在定位更多用户 (即，百分比定位208)上比在应用社交三角形202时产生显著更好的性能。这说明 尽管有噪声，但是具有单人朋友关系的另外的用户位置仍可以提供足够的数据来估计 个人的真实位置。采用其它中值(诸如Oja的单一中值(SimplexMedian)(参见针对 Oja的单一中值的描述的文献参考号12))的另外的实验和标准标签传播示出了几何 中值提供关于匹配度量和中值误差度量的最好性能。

最后，虽然性能上仅引起小的下降，但FourSquare^TM关系的增加(几何中值 +FourSquare^TM212)将查全率增大了0.7％。虽然百分比小幅增加，但这表示超过 335,000的新个人的覆盖范围的增加。另外的实验包括增加来自FourSquare^TM简介的 位置信息。然而，846,000的另外的个人的位置并不会显著改变该性能。

对于比较，将根据本发明的原理的系统与总是将个人的位置估计为他们最接近的 邻居的位置的基于oracle的方法(上边界栏214)比较。由于邻居中存在噪声，所以 这不应被认为是关于性能的真实上边界；然而，它表示如果在算法初始化时间最接近 的位置总是从近邻位置中选择，则将期望什么性能。

总之，根据本发明的原理的系统在用户通过推断或明确声明的社交关系被连接且 至少少量用户共享他们真实或估计的位置的任意的在线社交媒体平台中推断用户的 位置。本发明通过(1)提供比使用当前方法可用的更好的数据覆盖范围以及(2)能 能够从如下用户的推断位置，即，在社交媒体平台中的关联内容不提供所述用户的地 理位置附近的指示，显著领先于现有技术。

根据一个方面的计算机系统300的实例被示出在图3中。该计算机系统300被配 置为执行计算、处理、操作和/或与程序或算法相关联的功能。在一个方面，本文中 讨论的特定的处理和步骤被实现为在计算机可读存储单元内驻留的且被计算机系统 300的一个或更多个处理器执行的一系列指令(例如，软件程序)。在被执行时，该 指令使计算机系统300执行特定动作并且表现出特定行为，诸如本文中所述。

计算机系统300可以包括被配置为传输信息的地址/数据总线302。另外，诸如处 理器304的一个或更多个数据处理单元与地址/数据总线302连接。该处理器304被 配置为处理信息和指令。在一个方面，处理器304是微处理器。可替代地，处理器 304可以是诸如并行处理器的不同类型的处理器，或者是现场可编程门阵列。

该计算机系统300被配置为利用一个或更多个数据存储单元。计算机系统300 可以包括与地址/数据总线302连接的易失性存储单元306(例如，随机存取存储器 (“RAM”)、静态RAM、动态RAM等)，其中，易失性存储单元306被配置为为处 理器304存储信息和指令。计算机系统300还可以包括与地址/数据总线302连接的 非易失性存储单元308(例如，只读存储器(“ROM”)、可编程ROM(“PROM”)、 可擦除可编程ROM(“EPROM”)、电可擦除可编程ROM(“EEPROM”)、闪存等)， 其中，非易失性存储单元308被配置为为处理器304存储静态信息和指令。可替代地， 计算机系统300诸如在“云”计算中可以执行从在线数据存储单元中检索的指令。在 一种实施方式中，计算机系统300还可以包括与地址/数据总线302连接的一个或更 多个接口，诸如接口310。该一个或更多个接口被配置为能使计算机系统300与其它 电子装置和计算机系统接口连接。由一个或更多个接口实施的通信接口可以包括有线 (例如，串行电缆、调制解调器、网络适配器等)和/或无线(例如，无线调制解调 器、无线网络适配器等)通信技术。

在一个方面，计算机系统300可以包括与地址/数据总线302连接的输入装置312， 其中，该输入装置312被配置为向处理器300传输信息和命令选择。根据一个方面， 输入装置312是可以包括字母数字和/或功能键的字母数字输入装置，诸如键盘。可 替代地，输入装置312可以是除了字母数字输入装置之外的输入装置。在一个方面， 计算机系统300可以包括与地址/数据总线302连接的光标控制装置314，其中，该光 标控制装置314被配置为向处理器300传输用户输入信息和/或命令选择。在一个方 面，光标控制装置314使用诸如鼠标、轨迹球、跟踪板、光学跟踪装置或触摸屏的装 置来实施。前述尽管如此，但在一个方面，该光标控制装置314经由来自输入装置 312的输入诸如响应于用户的特定按键和与输入装置312相关联的按键序列命令而被 引导和/或激活。在替代方面，该光标控制装置314被配置为由语音命令引导或指导。

在一个方面，计算机系统300还可以包括与地址/数据总线302连接的一个或更 多个可选的计算机可用数据存储装置，诸如存储装置316。该存储装置316被配置为 存储信息和/或计算机可执行指令。在一个方面，该存储装置316是诸如磁性或光学 盘驱动器(例如，硬盘驱动器(“HDD”)、软盘、致密盘只读存储器(“CD-ROM”)、 数字多功能盘(“DVD”))的存储装置。根据一个方面，显示装置318与地址/数据总 线302连接，其中，该显示装置318被配置为显示视频和/或图片。在一个方面，该 显示装置318可以包括阴极射线管(“CRT”)、液晶显示器(“LCD”)、场发射显示器 (“FED”)、等离子体显示器或适于显示视频和/或图片图像以及用户可识别的字母数 字字符的任何其它显示装置。

本文中提出的计算机系统300是根据一个方面的示例性计算环境。然而，该计算 机系统300的非限制性实例并不严格限于是计算机系统。例如，一个方面提供了该计 算机系统300表示可以根据本文所述的各个方面来使用的数据处理分析的类型。此 外，其它计算系统也可以被实施。事实上，本技术的精神和范围并不限于任何单一的 数据处理环境。因此，在一个方面，使用被计算机执行的计算机可执行指令(诸如程 序模块)来控制或实施本技术的各个方面的一个或更多个操作。在一种实施中，该程 序模块包括被配置为执行具体任务或实施具体抽象数据类型的例程、程序、对象、组 件和/或数据结构。另外，一个方面提供了通过利用诸如由通过通信网络链接的远程 处理装置执行任务或诸如各种程序模块位于包括存储器存储装置的本地和远程计算 机存储介质中的一个或更多个分布式计算环境来实施本发明技术的一个或更多个方 面。

实现本发明的计算机程序产品的示例性示图被示出在图4中。作为非限制性实 例，计算机程序产品被示出为软盘400或光盘402。然而，如之前所提及的，该计算 机程序产品通常表示存储在任何兼容的非临时性计算机可读介质上的计算机可读代 码(即，指令方式或指令)。