歌单生成方法、装置、电子设备及存储介质与流程

1.本公开实施例涉及互联网
技术领域：
，尤其涉及一种歌单生成方法、装置、电子设备及存储介质。
背景技术：
：2.当前，音乐类应用(application，app)和音乐平台向用户推荐歌曲的方式，不仅包括针对单首歌曲的推荐，还包括针对由多首歌曲组成的合集的推荐，即歌单推荐。3.现有技术中，推荐歌单的生成，主要是基于歌曲的音频特征对曲库内的歌曲进行分类，对具有相似音频特征的歌曲进行组合，从而生成推荐歌单。4.然而，在实际应用过程中，基于现有技术中的歌单生成方法生成歌单的过程中，存在歌单内的歌曲的内容、风格不统一的问题，影响歌单一致性，进而影响对歌单进行推荐的准确性以及用户收听感受。技术实现要素：5.本公开实施例提供一种歌单生成方法、装置、电子设备及存储介质，以克服歌单内的歌曲的内容、风格不统一的问题。6.第一方面，本公开实施例提供一种歌单生成方法，包括：7.获取候选曲库信息，所述候选曲库信息包括候选歌曲的特征表达，所述特征表达表征多个维度下的歌曲特征；根据所述候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，其中，所述目标特征表达为种子歌曲的特征表达，所述相似度评分表征所述候选歌曲与所述种子歌曲的相似度；基于所述候选歌曲的相似度评分，确定目标歌曲，并基于所述目标歌曲生成推荐歌单。8.第二方面，本公开实施例提供一种歌单生成装置，包括：9.获取模块，用于获取候选曲库信息，所述候选曲库信息包括候选歌曲的特征表达，所述特征表达表征多个维度下的歌曲特征；10.确定模块，用于根据所述候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，其中，所述目标特征表达为种子歌曲的特征表达，所述相似度评分表征所述候选歌曲与所述种子歌曲的相似度；11.生成模块，用于基于所述候选歌曲的相似度评分，确定目标歌曲，并基于所述目标歌曲生成推荐歌单。12.第三方面，本公开实施例提供一种电子设备，包括：13.处理器，以及与所述处理器通信连接的存储器；14.所述存储器存储计算机执行指令；15.所述处理器执行所述存储器存储的计算机执行指令，以实现如上第一方面以及第一方面各种可能的设计所述的歌单生成方法。16.第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的歌单生成方法。17.第五方面，本公开实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的歌单生成方法。18.本实施例提供的歌单生成方法、装置、电子设备及存储介质，通过获取候选曲库信息，所述候选曲库信息包括候选歌曲的特征表达，所述特征表达表征多个维度下的歌曲特征；根据所述候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，其中，所述目标特征表达为种子歌曲的特征表达，所述相似度评分表征所述候选歌曲与所述种子歌曲的相似度；基于所述候选歌曲的相似度评分，确定目标歌曲，并基于所述目标歌曲生成推荐歌单，由于在生成推荐歌单的过程中，使用表征多个维度下的歌曲特征的特征表达来对种子歌曲和候选歌曲的相似度进行评估，因此能够得到与种子歌曲更加一致的目标歌曲的集合，从而使基于目标歌曲生成的推荐歌单在内容、风格等方面具有更好的一致性，提高用户收听感受，并提高后续对推荐歌单进行推荐的准确性。附图说明19.为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。20.图1为本公开实施例提供的歌单生成方法的一种应用场景图；21.图2为本公开实施例提供的歌单生成方法的流程示意图一；22.图3为本公开实施例提供的一种候选曲库信息的数据结构示意图；23.图4为图2所示实施例中步骤s101的具体实现步骤流程图；24.图5为本公开实施例提供的一种目标特征表达和候选歌曲的特征表达的关系示意图；25.图6为图2所示实施例中步骤s102的具体实现步骤流程图；26.图7为本公开实施例提供的一种确定候选歌曲对应的相似度评分的示意图；27.图8为本公开实施例提供的歌单生成方法的流程示意图二；28.图9为图8所示实施例中步骤s203的具体实现步骤流程图；29.图10为本公开实施例提供的另一种目标特征表达和候选歌曲的特征表达的关系示意图；30.图11为本公开实施例提供的另一种确定候选歌曲对应的相似度评分的示意图；31.图12为本公开实施例提供的歌单生成装置的结构框图；32.图13为本公开实施例提供的一种电子设备的结构示意图；33.图14为本公开实施例提供的电子设备的硬件结构示意图。具体实施方式34.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。35.下面对本公开实施例的应用场景进行解释：36.图1为本公开实施例提供的歌单生成方法的一种应用场景图，本公开实施例提供的歌单生成方法，可以应用于歌单推荐的应用场景。更具体地，可以应用于基于音乐播放场景、用户喜好等定向歌单推荐的应用场景下。如图1所示，本公开实施例提供的方法，可以应用于服务器，例如音乐平台服务器，服务器与终端设备通信，其中，终端设备为由用户操作，用于运行音乐类app的设备，例如智能手机、平板电脑等。服务器通过本公开实施例提供的歌单生成方法，生成不同类别的多个推荐歌单(图中示为歌单1、歌单2、歌单3)，之后，通过基于音乐播放场景、用户喜好等推荐规则，向终端设备推荐与其匹配的推荐歌单，完成歌单推荐的过程。37.在歌单推荐的应用场景中，大致包括歌单生成和歌单推荐两个过程，其中，歌单生成的过程，主要是基于曲库中的歌曲按特征进行分类，从而生成多个歌单，本公开实施例提供的歌单生成方法主要应用于该过程。而歌单推荐的过程，即将歌单生成过程中生成的歌单，基于预设规则推荐给用户。现有技术中，歌单生成的过程主要是基于歌曲的音频特征对曲库内的歌曲进行分类，对具有相似音频特征的歌曲进行组合，从而生成推荐歌单。例如，将音频节奏较快的多个歌曲，组合为一个类别，生成命名为“快歌”的推荐歌单，将音频节奏较慢的多个歌曲，组合为一个类别，生成命名为“慢歌”的推荐歌单。再例如，根据歌曲的标签，对歌曲进行分类，生成命名为“流行歌曲”、“80年代歌曲”的推荐歌单。38.然而，现有技术中此类歌单生成方法，(在后续歌单推荐的过程中)仅适用于简单的歌单推荐规则，例如，基于用户收听历史记录，将“快歌”歌单或“慢歌”歌单推荐给用户。但是对于复杂的歌单推荐规则，例如基于用户喜好、音乐场景进行歌单推荐(其中，用户喜好、音乐场景例如由音频、曲风、发布年代、语言等多个维度的特征共同决定)，现有技术中基于单一特征维度生成的歌单，则无法实现基于复杂的歌单推荐规则的准确歌单推荐，例如，“80年代老歌”歌单中，既有“快歌”，也有“慢歌”。从而，导致歌单内的歌曲的内容、风格不统一的问题，影响歌单推荐的准确性以及用户收听感受。39.本公开实施例提供一种歌单生成方法，通过获取候选歌曲的特征表达和种子歌曲的特征表达，来得到候选歌曲相似度，从而生成推荐歌单，以解决上述问题。40.参考图2，图2为本公开实施例提供的歌单生成方法的流程示意图一。本实施例的方法可以应用在服务器中，该歌单生成方法包括：41.步骤s101：获取候选曲库信息，候选曲库信息包括候选歌曲的特征表达，特征表达表征多个维度下的歌曲特征。42.示例性地，本实施例提供的方法的执行主体可以为服务器，具体地，例如音乐平台服务器。音乐平台或音乐app服务端基于其所拥有的曲库向终端设备(客户端)提供音乐服务，其中，候选曲库为全区块中的一部分或全部，候选曲库信息用于描述上述候选歌曲的特征表达(embedding)，即候选歌曲多个维度下的歌曲特征。候选歌曲的特征表达可以通过预设的算法模型，例如预训练的神经网络模型，对候选歌曲进行处理而获得。43.图3为本公开实施例提供的一种候选曲库信息的数据结构示意图，如图3所示，候选曲库信息对应n首候选歌曲(图中示为候选歌曲#1至#n)。每一候选歌曲对应一个特征表达(图中示为特征表达c01至cn)，示例性地，以候选歌曲a对应的特征表达c01为例(其他特征表达的数据结构相同)，特征表达中包括三个维度下的歌曲特征，图中示为歌曲特征a、歌曲特征b和歌曲特征c。其中，具体地，例如，歌曲特征a表征歌曲的曲风，由候选歌曲的标签信息确定；歌曲特征b表征歌曲的发布年代，由候选歌曲的标签信息确定；歌曲特征c表征歌曲的节奏，由候选歌曲的音频特征确定。每一歌曲特征对应一个特征值，表征该歌曲特征下具体的类别，更具体地，特征值例如可以为归一化值、预设的类别标识以及普通整型值等，此处不对特征值的具体实现方式进行限定。44.在一种可能的实现方式中，候选曲库信息是预生成的，即在获取候选曲库信息之前，还包括：45.通过预设的第一特征提取模型，对候选曲库内的候选歌曲进行处理，得到候选曲库信息，其中，第一特征提取模型用于提取歌曲的至少两个第一歌曲特征。46.示例性地，第一特征提取模型是一种用于提取歌曲多个歌曲特征的算法模型，例如为预训练的神经网络模型，通过第一特征提取模型对候选曲库内的候选歌曲进行特征提取后，即可得到各候选歌曲的特征表达，进而得到候选曲库信息。其中，候选曲库为全区块的部分或全部。第一歌曲特征为第一特征提取模型对应的歌曲特征，例如为歌曲语言、歌曲曲风、歌曲年代等。第一特征提取模型通过提取出至少两种歌曲特征，从而实现对候选歌曲的多维度评估，提高候选歌曲分类的准确性。47.进一步地，第一特征提取模型所提取的第一歌曲特征，通过第一特征提取模型的第一输入参数确定，在一种可能的实现方式中，第一输入参数是预设的固定值，从而使第一特征提取模型在默认状态下，对候选歌曲固定的几个维度的特征进行提取，生成对应的候选曲库信息。在一些具体地应用场景下，例如候选曲库庞大，候选歌曲数量很多时，对每一候选歌曲进行处理需要消耗服务器计算资源，因此无法实现候选曲库信息的实时生成。本实施例中，通过基于预设的第一输入参数实现的第一特征提取模型，预生成候选曲库信息，从而在执行本实施例提供的歌单生成方法时，可以直接读取已经生成的、表征候选曲库内数量众多的候选歌曲的特征表达的候选曲库信息，从而提高推荐歌单的生成速度和效率。48.示例性地，如图4所示，在基于第一特征提取模型，生成候选曲库信息之后，还包括：49.步骤s1011，响应于用户指令，获得种子歌曲。50.步骤s1012，获取候选曲库信息对应的第一特征提取模型，并基于第一特征提取模型处理种子歌曲，得到目标特征表达。51.示例性地，种子歌曲包括一首或多首歌曲，该歌曲可以不包括在候选曲库内(即不为候选歌曲)，种子歌曲基于用户指令确定，更具体地，例如，用户通过向服务器输入指令，选择一首或多首全曲库内的歌曲为种子歌曲。再例如，用户通过向服务器输入指令，随机获取一首或多首全曲库或者特定类别的曲库内的歌曲为种子歌曲。52.进一步地，获取之前步骤中用于生成候选曲库信息的第一特征提取模型，并基于该第一特征提取模型处理种子歌曲，得到种子歌曲对应的特征表达，即目标特征表达。其中，由于使用相同的第一特征提取模型进行处理，因此目标特征表达与候选曲库信息中候选歌曲的特征表达具有相同的数据结构，表征相同的歌曲特征。具体地，例如，目标特征表达与候选曲库信息中候选歌曲的特征表达，均包含为歌曲特征a、歌曲特征b和歌曲特征c(但特征值可能不同)。53.图5为本公开实施例提供的一种目标特征表达和候选歌曲的特征表达的关系示意图，如图5所示，目标特征表达和候选歌曲(图中示例性的示出了候选歌曲a、候选歌曲b、候选歌曲c)的特征表达，均是基于预设的第一特征提取模型分别对种子歌曲和候选歌曲进行处理后得到的，因此，目标特征表达和候选歌曲的特征表达的数据结构相同，从而实现在后续步骤中对二者进行多维度的相似度评估，提高生成的推荐歌单与种子歌曲在多维度下的匹配程度。54.步骤s102：根据候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，其中，目标特征表达为种子歌曲的特征表达，相似度评分表征候选歌曲与种子歌曲的相似度。55.示例性地，在得到目标特征表达后，基于候选曲库信息中包括的各候选歌曲的特征表达与目标特征表达相同的数据结构，在各特征维度上进行特征对比，得到候选歌曲的相似度评分。56.在一种可能的实现方式中，如图6所示，步骤s102的具体实现步骤包括：57.步骤s1021：根据各候选歌曲的特征表达，获得各候选歌曲的多个目标歌曲特征对应的第一特征评分。58.步骤s1022：根据目标特征表达，获得种子歌曲的多个目标歌曲特征对应的第二特征评分。59.步骤s1023：计算每一候选歌曲对应的各第一特征评分，与种子歌曲对应的各第二特征评分的距离，得到各候选歌曲对应的相似度评分。60.示例性地，其中，基于候选歌曲的特征表达和目标特征表达二者相同的数据结构，候选歌曲和种子歌曲分别对应多个目标歌曲特征，例如歌曲特征a、歌曲特征b、歌曲特征c、歌曲特征d。进一步地，每一歌曲特征对应的特征值，即特征评分。具体地，各候选歌曲的多个目标歌曲特征对应的特征评分，为第一特征评分；种子歌曲的多个目标歌曲特征对应的特征评分，为第二特征评分；若种子歌曲有多个，则取各种子歌曲的目标歌曲特征的特征评分的平均值，为第二特征评分。其中，对于每一个候选歌曲和种子歌曲，各第一特征评分与各第二特征评分一一对应。因此，基于一一对应的第一特征评分和第二特征评分进行距离计算，并得到总的距离和，即该候选歌曲对于的相似度评分。61.示例性地，图7为本公开实施例提供的一种确定候选歌曲对应的相似度评分的示意图，如图7所示，基于候选歌曲的特征表达和目标特征表达，计算每一候选歌曲(图中示为候选歌曲a、候选歌曲b、候选歌曲c)与种子歌曲的距离值，具体地，候选歌曲a(候选歌曲b、候选歌曲c相同，不再赘述)的目标歌曲特征为歌曲特征c1、歌曲特征c2、歌曲特征c3，其中，歌曲特征c1对应的第一特征评分为1，歌曲特征c2对应的第一特征评分为3，歌曲特征c3对应的第一特征评分为5。种子歌曲的目标歌曲特征也为歌曲特征c1、歌曲特征c2、歌曲特征c3，其中，种子歌曲的歌曲特征c1对应的第二特征评分为3，歌曲特征c2对应的第二特征评分为2，歌曲特征c3对应的第二特征评分为2。之后，分别计算歌曲特征c1、歌曲特征c2、歌曲特征c3下的第一特征评分和第二特征评分的差值绝对值，即候选歌曲a与种子歌曲针对歌曲特征c1的距离值为2，针对歌曲特征c2的距离值为1，针对歌曲特征c3的距离值为3。进而计算候选歌曲a与种子歌曲的距离和为6，之后，基于预设的映射关系，对该距离和进行映射，即得到相似度评分。例如，相似度评分取值(0,1]，当距离和为0时，相似度评分为1；当距离和为1时，相似度评分为0.95，以次类推，示例性地，如图所示，当距离和为6时，对应的相似度评分为0.65。其中，映射关系的具体实现方式可以根据需要设置，此处不再赘述。62.步骤s103：基于候选歌曲的相似度评分，确定目标歌曲，并基于目标歌曲生成推荐歌单。63.示例性地，获得各候选歌曲的相似度评分后，各基于各相似度评分，可以得到各候选歌曲相对于种子歌曲的相似度，该相似度是综合多个歌曲特征维度进行评估的结果，可以更好地评估与种子歌曲的一致性。之后，在一种可能的实现方式中，可以将相似度评分大于预设相似度阈值的候选歌曲，作为目标歌曲。在另一种可能的实现方式中，对所有候选歌曲的相似度评分进行排序，将排名前n位的候选歌曲作为目标歌曲。进一步地，基于确定的目标歌曲，生成对应的推荐歌单。64.在本实施例中，通过获取候选曲库信息，候选曲库信息包括候选歌曲的特征表达，特征表达表征多个维度下的歌曲特征；根据候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，其中，目标特征表达为种子歌曲的特征表达，相似度评分表征候选歌曲与种子歌曲的相似度；基于候选歌曲的相似度评分，确定目标歌曲，并基于目标歌曲生成推荐歌单，由于在生成推荐歌单的过程中，使用表征多个维度下的歌曲特征的特征表达来对种子歌曲和候选歌曲的相似度进行评估，因此能够得到与种子歌曲更加一致的目标歌曲的集合，从而使基于目标歌曲生成的推荐歌单在内容、风格等方面具有更好的一致性，提高用户收听感受，并提高后续对推荐歌单进行推荐的准确性。65.参考图8，图8为本公开实施例提供的歌单生成方法的流程示意图二。本实施例在图2所示实施例的基础上，增加了确定候选曲库信息和目标特征表达的步骤，并对步骤s102进行细化，该歌单生成方法包括：66.步骤s201：响应于用户指令，获取种子歌曲。67.步骤s202：获取种子歌曲对应的第二特征提取模型，并基于第二特征提取模型处理种子歌曲，得到目标特征表达，其中，第二特征提取模型用于提取至少两个第二歌曲特征。68.示例性地，种子歌曲可以包括一首或多首歌曲，种子歌曲基于用户指令确定，更具体地，例如，用户通过向服务器输入指令，选择一首或多首全曲库内的歌曲为种子歌曲。再例如，用户通过向服务器输入指令，随机获取一首或多首全曲库或者特定类别的曲库内的歌曲为种子歌曲。69.进一步地，在确定种子歌曲后，基于种子歌曲具体的特征信息，获取一个与之匹配的第二特征提取模型，其中，第二特征提取模型用于提取至少两个第二歌曲特征。具体的，例如，基于种子歌曲的发行方式(例如包括专辑歌曲或网络歌曲)，确定对应的第二特征提取模型，若种子歌曲为专辑歌曲，则确定对应的第二特征提取模型为特征提取模型a、若种子歌曲为网络歌曲，则确定对应的第二特征提取模型为特征提取模型b。70.对于曲库中存储的不同的种子歌曲，通常存在标签信息不统一的问题，例如，若种子歌曲为专辑歌曲，则在曲库中存储有例如该歌曲的发行商、编曲人信息、乐队信息等较为详细的标签信息，但若种子歌曲为网络歌曲，则在曲库中存储仅存储有该歌曲的演唱者信息、作曲者信息等较为简单的标签信息。本实施例中，在提取种子歌曲的歌曲特征时，当种子歌曲不同时，对应提取不同的歌曲特征作为目标歌曲特征进行后续的相似度评估，提高种子歌曲的特征描述准确性，从而避免出现特征缺失、特征描述不准确的问题，影响基于种子歌曲生成的推荐歌单的准确性。71.步骤s203：确定候选曲库，候选曲库中包括多个候选歌曲。72.示例性地，候选曲库即后续参与相似度评估的候选歌曲的集合。候选曲库可以为全曲库的部分或全部。可选地，候选曲库可以为全曲库的一部分，对于音乐平台或音乐app的服务端，其所拥有的曲库是非常庞大的，本实施例中，需要基于算法模型对候选曲库进行处理，从而得到对应的特征表达(即候选曲库信息)，因此，过多的候选歌曲会造成耗时增加，增加服务器计算负载，影响服务器运行稳定性。73.示例性地，如图9所示，步骤s203的具体实现步骤包括：74.步骤s2031：根据推荐歌单对应的歌单内曲目数量，确定候选歌曲的数量。75.步骤s2032：根据候选歌曲的数量，对预设的全曲库进行过滤，确定确述候选曲库信息对应的候选曲库。76.在一种可能的实现方式中，生成的推荐歌单具有对应的歌单内曲目数量，该歌单内曲目数量可以是基于需要预设的，例如30首歌曲。在具体实践中，当歌单内曲目数量越多时，所形成的歌单通常具有较高稳定性和持续播放量的，例如内容为“90年代经典情歌”的歌单，同时歌单稳定，生成后不会频繁变更。而当歌单内曲目数量越少时，所形成的歌单通常是聚焦当前高热度的歌曲，但是歌单持续播放量和稳定性很低，例如内容“今日最受欢迎的情歌”的歌单。基于上述介绍，由于候选曲库内的候选歌曲数量越多，相应的会造成越大的服务器负载压力，因此，本实施例中，根据推荐歌单对应的歌单内曲目数量，来评估歌单的类型，从而确定对应的候选歌曲，当歌单内曲目数量较少时，针对此类推荐歌单，使用容量较小的候选曲库(较少数量的候选歌曲)来进行后续的歌单生成步骤，在满足业务需求的同时，降低服务器负载；而当歌单内曲目数量较多时，针对此类推荐歌单，使用容量较大的候选曲库(较多数量的候选歌曲)来进行后续的歌单生成步骤，从而提高此类推荐歌单内歌曲的推荐准确性，提高歌单品质。77.步骤s204：基于第二特征提取模型，处理候选曲库中的候选歌曲，得到候选曲库信息。78.示例性地，在确定候选曲库后，基于种子歌曲对应的第二特征提取模型对候选曲库内的候选歌曲进行处理，提取各候选歌曲的特征表达，即可得到表征各候选歌曲的歌曲特征的候选曲库信息。其中，基于第二特征提取模型提取歌曲的特征表达，生成候选曲库信息的具体实现方式，与图2所示实施例中基于第一特征提取模型提取歌曲的特征表达，生成候选曲库信息的具体实现方式类似，此处不再赘述。示例性地，第一特征提取模型和第二特征提取模型可以通过调整输入参数实现转换。例如，第一特征提取模型和第二特征提取模型使用相同的基础特征提取模型，当基础特征提取模型使用第一输入参数时，为第一特征提取模型，用于提取歌曲的第一歌曲特征；当基础特征提取模型使用第二输入参数时，为第二特征提取模型，用于提取歌曲的第二歌曲特征。79.其中，需要说明的是，第二特征提取模型是通过种子歌曲确定，更具体地，例如，第二特征提取模型所提取的第二歌曲特征，通过第二特征提取模型的第二输入参数确定。其中，第二输入参数是基于种子歌曲确定的，具体实现方式参见步骤s202的相关介绍，此处不再赘述。80.图10为本公开实施例提供的另一种目标特征表达和候选歌曲的特征表达的关系示意图，如图10所示，本实施例提供的歌单生成方法，是以由种子歌曲作为起点的触发的，即通过用户确定的种子歌曲，从多个预设特征提取模型(图中示为特征提取模型m2、特征提取模型m3等)中确定对应的第二特征提取模型(图中示为特征提取模型m1)，之后再基于第二特征提取模型对种子歌曲和候选歌曲进行处理，得到相应的目标特征表达和候选歌曲的特征表达，在实现目标特征表达和候选歌曲的特征表达的数据结构相同的同时，进一步提高了特征提取模型(第二特征提取模型)与种子歌曲的匹配度，因此，基于该第二特征提取模型对候选歌曲进行处理，得到的候选歌曲的特征表达能够更好与出种子歌曲的特征表达相匹配，进而使基于特征表达进行的相似度评估，能够更好的反应候选歌曲与种子歌曲的相似度，使推荐歌单中的歌曲，与种子歌曲的一致性更高。81.步骤s205：根据各候选歌曲的特征表达，获得各候选歌曲的多个目标歌曲特征对应的第一特征评分。82.步骤s206：根据目标特征表达，获得种子歌曲的多个目标歌曲特征对应的第二特征评分。83.步骤s205-s206为计算第一特征评分和第二特征评分的步骤，具体实现方式可参见如图6所示实施例中相关说明，此处不再赘述。84.步骤s207：根据种子歌曲，确定各目标歌曲特征对应的特征权重系数。85.步骤s208：基于各目标歌曲特征对应的特征权重系数，计算每一候选歌曲对应的各第一特征评分与种子歌曲对应的各第二特征评分的加权距离，得到各候选歌曲对应的相似度评分。86.示例性地，对于不同的种子歌曲，多个目标歌曲特征的重要性是不相同的，例如，对于歌剧音乐(目标歌曲a)，歌曲年份(目标歌曲特征c1)对其影响较小，而歌曲语言(目标歌曲特征c2)对其影响较大；而对于流行音乐(目标歌曲b)，歌曲年份(目标歌曲特征c1)对其影响较大，而歌曲语言(目标歌曲特征c2)对其影响较小。因此，对于不同的种子音乐，为其对应的目标歌曲特征，匹配合适的权重系数，即确定各目标歌曲特征对应的特征权重系数。87.进一步地，在确定各目标歌曲特征对应的特征权重系数后，在基于第一特征评分和第二特征评分计算各候选歌曲与种子歌曲的相似度评分时，在得到各候选歌曲与种子歌曲的距离后，基于各目标歌曲特征对应的特征权重系数，对距离进行加权，得到各目标歌曲特征对应的加权距离。之后，再计算各目标歌曲特征对应的加权距离的和，得到相似度评分。图11为本公开实施例提供的另一种确定候选歌曲对应的相似度评分的示意图，如图11所示，基于候选歌曲的特征表达、目标特征表达和特征权重系数，计算每一候选歌曲，(例如候选歌曲a、b、c，图中仅示出候选歌曲a)与种子歌曲的距离值，具体地，候选歌曲a(候选歌曲b、c相同，不再赘述)的目标歌曲特征为歌曲特征c1、歌曲特征c2、歌曲特征c3，其中，歌曲特征c1对应的第一特征评分为1，歌曲特征c2对应的第一特征评分为3，歌曲特征c3对应的第一特征评分为5。种子歌曲的目标歌曲特征也为歌曲特征c1、歌曲特征c2、歌曲特征c3，其中，种子歌曲的歌曲特征c1对应的第二特征评分为3，歌曲特征c2对应的第二特征评分为2，歌曲特征c3对应的第二特征评分为2。之后，分别计算歌曲特征c1、歌曲特征c2、歌曲特征c3下的第一特征评分和第二特征评分的差值绝对值，即候选歌曲a与种子歌曲针对歌曲特征c1的距离值为2，针对歌曲特征c2的距离值为1，针对歌曲特征c3的距离值为3。进而计算候选歌曲a与种子歌曲的距离和为6，之后，基于种子歌曲确定的特征权重系数[0.5，0.3，0.2](图中示为cof1＝0.5，cof2＝0.3,cof3＝0.2)，分别对c1的距离值为2、c2的距离值为1、c3的距离值为3进行加权，得到加权距离值[1，0.3，0.6]。进一步地，可得到加权距离和为1.9。之后，基于预设的映射关系，对该距离和进行映射，即得到相似度评分。示例性地，如图所示，当距离和为1.9时，对应的相似度评分为0.84。其中，其中，映射关系的具体实现方式可以根据需要设置，此处不再赘述。[0088]本实施例中，通过种子歌曲，确定对应的特征权重系数，并基于特征权重系数计算各候选歌曲与种子歌曲的加权距离值，从而得到各候选歌曲对应的相似度评分，由于特征权重系数是由种子歌曲确定的，因此基于特征权重系数对各特征维度的距离进行加权后，可以更好的体现出种子歌曲本身的特征，从而使得到的相似度评分更加准确，使最终得到的推荐歌单中的歌曲，在歌曲一致性高的同时，进一步提高与种子歌曲的相似度。[0089]步骤s209：基于候选歌曲的相似度评分，确定目标歌曲。[0090]步骤s210：基于第三歌曲特征，对目标歌曲进行过滤，得到第一优化歌曲。[0091]示例性地，在确定目标歌曲后，本实施例中，为了进一步的生成的推荐歌单的准确性，基于第三歌曲特征，进一步对目标歌曲进一步进行过滤，得到第一优化歌曲，并在后续步骤中基于第一优化歌曲生成推荐歌单。其中，示例性的，第三歌曲特征包括以下至少一种：歌曲语言、歌曲曲风、歌曲年代、歌曲存在重复、歌手存在重复。其中，“歌曲存在重复”是目标歌曲的歌曲特征之一，是指生成的多个目标歌曲中，若某一目标歌曲与另一目标歌曲重复，则该目标歌曲的“歌曲存在重复”的歌曲特征为1，反之则为0。类似的，“歌手存在重复”也是目标歌曲的歌曲特征之一，是指生成的多个目标歌曲中，若某一目标歌曲的歌手与另一目标歌曲的歌手重复，则该目标歌曲的“歌手存在重复”的歌曲特征为1，反之则为0。[0092]其中，需要说明的是，本实施例步骤中的第三歌曲特征，是歌曲的标签信息中包含的特征，即不需要通过算法模型对歌曲进行处理，而可以直接基于曲库中的候选歌曲的标签信息进行读取而获得。因此，本实施例步骤中，通过后过滤的方式，对目标歌曲进一步筛选，可以以较低的计算资源消耗，快速的实现对目标歌曲的进一步筛选，进一步提高生成的推荐歌单的准确性。[0093]步骤s211：基于第一优化歌曲，生成推荐歌单。[0094]本实施例中，步骤s211的实现方式与本公开图2所示实施例中的步骤s103的实现方式相同，在此不再一一赘述。[0095]对应于上文实施例的歌单生成方法，图12为本公开实施例提供的歌单生成装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。[0096]参照图12，歌单生成装置3包括：[0097]获取模块31，用于获取候选曲库信息，候选曲库信息包括候选歌曲的特征表达，特征表达表征多个维度下的歌曲特征；[0098]确定模块32，用于根据候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，其中，目标特征表达为种子歌曲的特征表达，相似度评分表征候选歌曲与种子歌曲的相似度；[0099]生成模块33，用于基于候选歌曲的相似度评分，确定目标歌曲，并基于目标歌曲生成推荐歌单。[0100]在本公开的一个实施例中，在获取候选曲库信息之后，获取模块31，还用于：响应于用户指令，获得种子歌曲；获取候选曲库信息对应的第一特征提取模型，并基于第一特征提取模型处理种子歌曲，得到目标特征表达，第一特征提取模型用于提取至少两个第一歌曲特征，第一歌曲特征用于生成候选曲库信息。[0101]在本公开的一个实施例中，在获取候选曲库信息之前，获取模块31，还用于：响应于用户指令，获取种子歌曲；获取种子歌曲对应的第二特征提取模型，并基于第二特征提取模型处理种子歌曲，得到目标特征表达，其中，第二特征提取模型用于提取至少两个第二歌曲特征。[0102]在本公开的一个实施例中，获取模块31在获取候选曲库信息时，具体用于：获取种子歌曲对应的第二特征提取模型；基于第二特征提取模型，处理候选歌曲，得到候选曲库信息。[0103]在本公开的一个实施例中，确定模块32，具体用于：根据各候选歌曲的特征表达，获得各候选歌曲的多个目标歌曲特征对应的第一特征评分；根据目标特征表达，获得种子歌曲的多个目标歌曲特征对应的第二特征评分；计算每一候选歌曲对应的各第一特征评分，与种子歌曲对应的各第二特征评分的距离，得到各候选歌曲对应的相似度评分。[0104]在本公开的一个实施例中，确定模块32在计算每一候选歌曲对应的各第一特征评分，与种子歌曲对应的各第二特征评分的距离，得到各候选歌曲对应的相似度评分时，具体用于：根据种子歌曲，确定各目标歌曲特征对应的特征权重系数；基于各目标歌曲特征对应的特征权重系数，计算每一候选歌曲对应的各第一特征评分与种子歌曲对应的各第二特征评分的加权距离，得到各候选歌曲对应的相似度评分。[0105]在本公开的一个实施例中，在基于候选歌曲的相似度评分，确定目标歌曲之后，生成模块33，还用于：基于第三歌曲特征，对目标歌曲进行过滤，得到第一优化歌曲；生成模块33在基于目标歌曲生成推荐歌单时，具体用于：基于第一优化歌曲，生成推荐歌单；其中，第三歌曲特征包括以下至少一种：歌曲语言、歌曲曲风、歌曲年代、歌曲存在重复、歌手存在重复。[0106]在本公开的一个实施例中，获取模块31在获取候选曲库信息之前，还用于：根据推荐歌单对应的歌单内曲目数量，确定候选歌曲的数量；根据候选歌曲的数量，对预设的全曲库进行过滤，确定确述候选曲库信息对应的候选歌曲。[0107]其中，获取模块31、确定模块32、生成模块33依次连接。本实施例提供的歌单生成装置3可以执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。[0108]图13为本公开实施例提供的一种电子设备的结构示意图，如图13所示，该电子设备4包括：[0109]处理器41，以及与处理器41通信连接的存储器42；[0110]存储器42存储计算机执行指令；[0111]处理器41执行存储器42存储的计算机执行指令，以实现如图2-图11所示实施例中的歌单生成方法。[0112]其中，可选地，处理器41和存储器42通过总线43连接。[0113]相关说明可以对应参见图2-图11所对应的实施例中的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。[0114]参考图14，其示出了适于用来实现本公开实施例的电子设备900的结构示意图，该电子设备900可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(personaldigitalassistant，简称pda)、平板电脑(portableandroiddevice，简称pad)、便携式多媒体播放器(portablemediaplayer，简称pmp)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图14示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。[0115]如图14所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(readonlymemory，简称rom)902中的程序或者从存储装置908加载到随机访问存储器(randomaccessmemory，简称ram)903中的程序而执行各种适当的动作和处理。在ram903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。[0116]通常，以下装置可以连接至i/o接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(liquidcrystaldisplay，简称lcd)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图14示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。[0117]特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从rom902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。[0118]需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。[0119]上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。[0120]上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。[0121]可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(localareanetwork，简称lan)或广域网(wideareanetwork，简称wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。[0122]附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。[0123]描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。[0124]本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。[0125]在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。[0126]第一方面，根据本公开的一个或多个实施例，提供了一种歌单生成方法，包括：[0127]获取候选曲库信息，所述候选曲库信息包括候选歌曲的特征表达，所述特征表达表征多个维度下的歌曲特征；根据所述候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，其中，所述目标特征表达为种子歌曲的特征表达，所述相似度评分表征所述候选歌曲与所述种子歌曲的相似度；基于所述候选歌曲的相似度评分，确定目标歌曲，并基于所述目标歌曲生成推荐歌单。[0128]根据本公开的一个或多个实施例，在所述获取候选曲库信息之后，还包括：响应于用户指令，获得种子歌曲；获取所述候选曲库信息对应的第一特征提取模型，并基于所述第一特征提取模型处理所述种子歌曲，得到所述目标特征表达，所述第一特征提取模型用于提取至少两个第一歌曲特征，所述第一歌曲特征用于生成所述候选曲库信息。[0129]根据本公开的一个或多个实施例，在所述获取候选曲库信息之前，还包括：响应于用户指令，获取种子歌曲；获取所述种子歌曲对应的第二特征提取模型，并基于所述第二特征提取模型处理所述种子歌曲，得到所述目标特征表达，其中，所述第二特征提取模型用于提取至少两个第二歌曲特征。[0130]根据本公开的一个或多个实施例，所述获取候选曲库信息，包括：获取所述种子歌曲对应的第二特征提取模型；基于所述第二特征提取模型，处理所述候选歌曲，得到候选曲库信息。[0131]根据本公开的一个或多个实施例，所述根据所述候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，包括：根据各所述候选歌曲的特征表达，获得各候选歌曲的多个目标歌曲特征对应的第一特征评分；根据所述目标特征表达，获得所述种子歌曲的多个目标歌曲特征对应的第二特征评分；计算每一候选歌曲对应的各所述第一特征评分，与所述种子歌曲对应的各所述第二特征评分的距离，得到各所述候选歌曲对应的所述相似度评分。[0132]根据本公开的一个或多个实施例，所述计算每一候选歌曲对应的各所述第一特征评分，与所述种子歌曲对应的各所述第二特征评分的距离，得到各所述候选歌曲对应的所述相似度评分，包括：根据所述种子歌曲，确定各所述目标歌曲特征对应的特征权重系数；基于各所述目标歌曲特征对应的特征权重系数，计算每一候选歌曲对应的各所述第一特征评分与所述种子歌曲对应的各所述第二特征评分的加权距离，得到各所述候选歌曲对应的所述相似度评分。[0133]根据本公开的一个或多个实施例，在所述基于所述候选歌曲的相似度评分，确定目标歌曲之后，还包括：基于第三歌曲特征，对所述目标歌曲进行过滤，得到第一优化歌曲；所述基于所述目标歌曲生成推荐歌单，包括：基于所述第一优化歌曲，生成推荐歌单；其中，所述第三歌曲特征包括以下至少一种：歌曲语言、歌曲曲风、歌曲年代、歌曲存在重复、歌手存在重复。[0134]根据本公开的一个或多个实施例，在所述获取候选曲库信息之前，还包括：根据所述推荐歌单对应的歌单内曲目数量，确定候选歌曲的数量；根据所述候选歌曲的数量，对预设的全曲库进行过滤，确定确述候选曲库信息对应的候选歌曲。[0135]第二方面，根据本公开的一个或多个实施例，提供了一种歌单生成装置，包括：[0136]获取模块，用于获取候选曲库信息，所述候选曲库信息包括候选歌曲的特征表达，所述特征表达表征多个维度下的歌曲特征；[0137]确定模块，用于根据所述候选曲库信息和目标特征表达，确定至少一个候选歌曲的相似度评分，其中，所述目标特征表达为种子歌曲的特征表达，所述相似度评分表征所述候选歌曲与所述种子歌曲的相似度；[0138]生成模块，用于基于所述候选歌曲的相似度评分，确定目标歌曲，并基于所述目标歌曲生成推荐歌单。[0139]根据本公开的一个或多个实施例，在所述获取候选曲库信息之后，所述获取模块，还用于：响应于用户指令，获得种子歌曲；获取所述候选曲库信息对应的第一特征提取模型，并基于所述第一特征提取模型处理所述种子歌曲，得到所述目标特征表达，所述第一特征提取模型用于提取至少两个第一歌曲特征，所述第一歌曲特征用于生成所述候选曲库信息。[0140]根据本公开的一个或多个实施例，在所述获取候选曲库信息之前，所述获取模块，还用于：响应于用户指令，获取种子歌曲；获取所述种子歌曲对应的第二特征提取模型，并基于所述第二特征提取模型处理所述种子歌曲，得到所述目标特征表达，其中，所述第二特征提取模型用于提取至少两个第二歌曲特征。[0141]根据本公开的一个或多个实施例，所述获取模块在获取候选曲库信息时，具体用于：获取所述种子歌曲对应的第二特征提取模型；基于所述第二特征提取模型，处理所述候选歌曲，得到候选曲库信息。[0142]根据本公开的一个或多个实施例，所述确定模块，具体用于：根据各所述候选歌曲的特征表达，获得各候选歌曲的多个目标歌曲特征对应的第一特征评分；根据所述目标特征表达，获得所述种子歌曲的多个目标歌曲特征对应的第二特征评分；计算每一候选歌曲对应的各所述第一特征评分，与所述种子歌曲对应的各所述第二特征评分的距离，得到各所述候选歌曲对应的所述相似度评分。[0143]根据本公开的一个或多个实施例，所述确定模块在计算每一候选歌曲对应的各所述第一特征评分，与所述种子歌曲对应的各所述第二特征评分的距离，得到各所述候选歌曲对应的所述相似度评分时，具体用于：根据所述种子歌曲，确定各所述目标歌曲特征对应的特征权重系数；基于各所述目标歌曲特征对应的特征权重系数，计算每一候选歌曲对应的各所述第一特征评分与所述种子歌曲对应的各所述第二特征评分的加权距离，得到各所述候选歌曲对应的所述相似度评分。[0144]根据本公开的一个或多个实施例，在所述基于所述候选歌曲的相似度评分，确定目标歌曲之后，所述生成模块，还用于：基于第三歌曲特征，对所述目标歌曲进行过滤，得到第一优化歌曲；所述生成模块在基于所述目标歌曲生成推荐歌单时，具体用于：基于所述第一优化歌曲，生成推荐歌单；其中，所述第三歌曲特征包括以下至少一种：歌曲语言、歌曲曲风、歌曲年代、歌曲存在重复、歌手存在重复。[0145]根据本公开的一个或多个实施例，所述获取模块在所述获取候选曲库信息之前，还用于：根据所述推荐歌单对应的歌单内曲目数量，确定候选歌曲的数量；根据所述候选歌曲的数量，对预设的全曲库进行过滤，确定确述候选曲库信息对应的候选歌曲。[0146]第三方面，根据本公开的一个或多个实施例，提供了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；[0147]所述存储器存储计算机执行指令；[0148]所述处理器执行所述存储器存储的计算机执行指令，以实现如上第一方面以及第一方面各种可能的设计所述的歌单生成方法。[0149]第四方面，根据本公开的一个或多个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的歌单生成方法。[0150]第五方面，本公开实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的歌单生成方法。[0151]以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。[0152]此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。[0153]尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。当前第1页12