本发明涉及语义分析技术领域，尤其是涉及一种语义分析方法、装置及电子设备。
背景技术
随着科技的发展，智能技术在电子领域得到迅速发展和普及。语音识别技术是智能技术的重要一环，如何准确的识别用户的语音是智能技术的发展趋势。目前，语音识别技术的发展较大程度提高了人机交互的水平，而语义分析技术作为理解自然语言的关键部分，承载着如何充分分析和理解用户自然语言输入语义的重任，因此对于智能系统的智能化程度具有决定性的作用。然而，传统的语义分析在简单的语音输入的语义分析方面效果还是不错的，但是对于复杂的语音输入不具备系统化的语义分析能力，不能满足日益提高的人机交互智能化需求，如何提高复杂的语音输入的语义分析的准确性成为人机交互亟待解决的技术问题。
技术实现要素：
有鉴于此，本发明的目的在于提供语义分析方法、装置及电子设备，以缓解现有技术中存在的传统的语义分析方法不能系统化地进行复杂语义分析的技术问题。
第一方面，本发明实施例提供了一种语义分析方法，包括：
接收用户输入的第一语音信息；
将所述第一语音信息转化为文字信息；
利用文字模型对所述文字信息进行处理；
利用构建的深度学习模型对经过处理的文字信息进行语义分析生成文字信息的语义理解结果；
将文字信息的语义理解结果进行输出。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述将所述第一语音信息转化为文字信息，具体包括：
判断所述第一语音信息是否为标准语音信息；
若否，则将所述第一语音信息转换为标准语音信息；
将所述标准语音信息转化为文字信息。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述利用文字模型对所述文字信息进行处理，具体包括：
利用文字模型对文字信息进行文字切分、过滤、分类、词性分析、词性标注、提取标签，得到多个分词词组。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述利用构建的深度学习模型对经过处理的文字信息进行语义分析生成文字信息的语义理解结果，具体包括：
利用构建的深度学习模型结合应用场景对经过处理的文字信息进行上下文理解和语义消歧，生成文字信息的语义理解结果。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述利用构建的深度学习模型结合应用场景对经过处理的文字信息进行上下文理解和语义消歧，生成文字信息的语义理解结果，具体包括：
利用构建的深度学习模型对经过处理的文字信息的多个词组结合语境进行上下文理解、语义消歧；得到多个词组的语义结果；
将多个词组的语义结果分别与知识图谱的词组进行比对，得到每个词组的相似度值，将相似度值最高的词组作为每个词组的语义结果，得到多个词组的语义结果；
将多个词组的语义结果进行组合，生成文字信息的语义理解结果。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述利用构建的深度学习模型结合应用场景对经过处理的文字信息进行上下文理解和语义消歧，生成文字信息的语义理解结果，具体包括：
利用构建的深度学习模型对经过处理的文字信息的多个词组结合语境进行上下文理解、语义消歧；得到多个词组的语义结果；
将多个词组的语义结果结合知识图谱，分析多个词组的内在关系和/或逻辑关系，生成文字信息的语义理解结果。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述将文字信息的语义理解结果进行输出，具体包括：
将文字信息的语义理解结果以文字的形式进行输出；
和/或，将文字信息的语义理解结果以标准语音的形式进行输出；
和/或，将文字信息的语义理解结果以图片的形式进行输出；
和/或，将文字信息的语义理解结果以视频的形式进行输出；
和/或，将文字信息的语义理解结果以超链接的形式进行输出。
结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，还包括：
在所述深度学习模型的训练过程和/或应用过程中，通过人工干预进行辅助标记，以提高分词的理解准确度。
第二方面，本发明实施例还提供一种语义分析装置，包括：
接收模块，用于接收用户输入的第一语音信息；
转化模块，用于将所述第一语音信息转化为文字信息；
处理模块，用于利用文字模型对所述文字信息进行处理；
分析模块，用于利用构建的深度学习模型对经过处理的文字信息进行语义分析生成文字信息的语义理解结果；
输出模块，用于将文字信息的语义理解结果进行输出。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面及其可能的实施方式中任一项所述的语义分析方法的步骤。
第四方面，本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行前述提及的语义分析方法。
本发明实施例带来了以下有益效果：
本发明实施例提供的语义分析方法、装置及电子设备中，其中，该语义分析方法包括：接收用户输入的第一语音信息；将第一语音信息转化为文字信息；利用文字模型对文字信息进行处理；利用构建的深度学习模型对经过处理的文字信息进行语义分析生成文字信息的语义理解结果；将文字信息的语义理解结果进行输出。因此，本发明实施例提供的技术方案，能够缓解现有技术中存在的传统的语义分析方法不能系统化地进行复杂语义分析的技术问题，提出了一种系统化的语义分析方案，可以提高复杂的语音输入的语义分析的准确性，促进人机交互智能化的发展。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种语义分析方法的流程图；
图2为本发明实施例提供的另一种语义分析方法的流程图；
图3为本发明实施例提供了一种语义分析装置的示意图；
图4为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，语音识别技术的发展较大程度提高了人机交互的水平，而语义分析技术作为理解自然语言的关键部分，承载着如何充分分析和理解用户自然语言输入语义的重任，因此对于智能系统的智能化程度具有决定性的作用。然而，传统的语义分析在简单的语音输入的语义分析方面效果还是不错的，但是对于复杂的语音输入不具备系统化的语义分析能力，不能满足日益提高的人机交互智能化需求，如何提高复杂的语音输入的语义分析的准确性成为人机交互亟待解决的技术问题，基于此，本发明实施例提供的一种语义分析方法、装置及电子设备，可以缓解现有技术中存在的传统的语义分析方法不能系统化地进行复杂语义分析的技术问题，能够提高复杂的语音输入的语义分析的准确性。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种语义分析方法进行详细介绍。
实施例一：
如图1所示，本发明实施例提供了一种语义分析方法，具体包括：
步骤s101：接收用户输入的第一语音信息；
这里的第一语音信息可以是标准语音信息，例如普通话，也可以是非标准语音信息，例如方言或者外语；还可以是包括非预设语言的语音信息，例如夹杂着外语或者方言的普通话等。
步骤s102：将第一语音信息转化为文字信息；
具体的，该步骤s102主要通过以下步骤实现：
1)判断所述第一语音信息是否为标准语音信息；
具体的，判断所述第一语音信息是否包括非预设语言；所述非预设语言包括方言或者外语；
2)若否，则将所述第一语音信息转换为标准语音信息；
该步骤2)主要通过以下步骤实现：
a若判定所述第一语音信息不是为标准语音信息；即判定所述第一语音信息包括非预设语言时，利用非标准语言模型对所述第一语音信息进行提取、划分，得到至少一个非预设语言词组；并记录非预设语言词组位于第一语音信息中的位置信息；
这里的非标准语言模型包括方言模型或外语模型等；非预设语言词组包括方言词组或者外语词组；
具体的，若判定所述第一语音信息不是为标准语音信息，则利用方言模型或外语模型等分别对所述第一语音信息进行提取、划分，得到至少一个方言词组或者外语词组；并记录方言词组或者外语词组位于第一语音信息中的位置信息；
b查找词组对应表并结合上下文进行语义消歧以得到与所述非预设语言词组对应的标准语言词组；
该步骤b具体包括以下步骤：
b1根据所述非预设语言词组在所述语音信息中的位置以判断所述非预设语言词组的词性；
b2基于所述词性查找词组对应表以得到与所述非预设语言词组对应的词义；
b3判断所述词义是否为多个；
这里的多个是指两个或两个以上。
该步骤b3具体包括：
b31当词义不为多个，则直接将词义作为与所述非预设语言词组对应的标准语言词组；
b32当词义为多个时，则执行判断多个词义是否是近义词，若多个词义是是近义词，从多个词义中选择使用频率最高的词义输出，将该词义作为与所述非预设语言词组对应的标准语言词组；若多个词义不是近义词，则根据上下文进行语义理解，生成语义理解结果；基于所述语义理解结果确定所述非预设语言词组的词义，该词义即为与所述非预设语言词组对应的标准语言词组；
需要指出的是，在另一个实施例中，若多个词义不是近义词，则根据上下文进行语义理解，生成语义理解结果；根据所述非预设语言词组的音量以判断情感信息；基于所述语义理解结果和情感信息确定所述非预设语言词组的词义，将该词义作为与所述非预设语言词组对应的标准语言词组；
c根据记录的非预设语言词组位于第一语音信息中的位置信息将所述标准语言词组返回至所述第一语音信息中的位置，生成标准语音信息；
d将所述标准语音信息转化为文字信息。
3)若是，即所述第一语音信息不包括非预设语言；则直接执行将所述第一语音信息转化为文字信息。
需要指出的是，用户也可以直接输入文字信息，此时，接收到用户的的文字信息后直接执行步骤s103。
步骤s103：利用文字模型对所述文字信息进行处理；
这里的处理包括文字切分、过滤、分类、词性分析、词性标注、提取标签的至少一种。其中，文字切分是指分词以得到多个词组，过滤是指停用词或无意义词(如“的、等”)过滤。分类包括按照语法规则分为主谓宾；词性分析包括实词、分词区分；动词、名词划分；词性标准及根据词性分析的结果标注信息，生成标签。
具体的，利用文字模型对文字信息进行文字切分、停用词或无意义的词过滤、分类、词性分析、词性标注、提取标签，得到多个分词词组。
步骤s104：利用构建的深度学习模型对经过处理的文字信息进行语义分析生成文字信息的语义理解结果；
具体实施时，该步骤s104包括：
(1)利用构建的深度学习模型结合应用场景对经过处理的文字信息进行上下文理解和语义消歧，生成文字信息的语义理解结果。
具体的，该步骤(1)可以通过以下方式之一实现：
第一种方式：
1、利用构建的深度学习模型对经过处理的文字信息的多个词组结合语境进行上下文理解、语义消歧(多义词)；得到多个词组的语义结果；
上述语义消歧主要针对具有多个含义的词组(包括标准语言词组)进行的，以确定该具有多个含义的词组在文字信息中的具体含义。
2、将多个词组的语义结果分别与知识图谱的词组进行比对，得到每个词组的相似度值，将相似度值最高的词组作为每个词组的语义结果，得到多个词组的语义结果；
这里的知识图谱是各个领域的专业词汇及其含义的词向量图谱，以医学领域为例，知识图谱可以是医学专业词汇及其含义的词向量图谱，也可以是疾病词汇与其含义、影响因素、治疗要素的相关的诊疗图谱。
3、将多个词组的语义结果进行组合。
具体的，将多个词组的语义结果返回文字信息的原位置，还可以利用将所述标准语言词组按照汉语规则进行组合，得到标准语句；利用预设的标准语言模型对所述标准语句进行分析，理解标准语句的含义，生成文字信息的语义理解结果。
通过按照汉语规则进行组合，即确定文字信息的主谓宾，防止倒装，同时方便机器识别理解，建立并统一识别标准，提高理解速度和效率。
第二种方式：
a利用构建的深度学习模型对经过处理的文字信息的多个词组结合语境进行上下文理解、语义消歧；得到多个词组的语义结果；
b将多个词组的语义结果结合知识图谱，分析多个词组的内在关系和/或逻辑关系(因果关系)，生成文字信息的语义理解结果。这里的内在关系包括多个词组之间的相应联系，逻辑关系包括因果关系。
例如输入的信息是“男孩a的妈妈的儿子是谁”，经过上述步骤得到的多个词组：男孩、a、妈妈、儿子、是、谁，通过知识图谱对多个词组的内在关系和逻辑关系进行分析，推断得到文字信息的含义以及结果，即答案是“a”。
步骤s105：将文字信息的语义理解结果进行输出。
具体的，该步骤s105主要通过以下方式中的至少一种实现：
方式一、将文字信息的语义理解结果以文字的形式进行输出；
方式二、将文字信息的语义理解结果以标准语音的形式进行输出；
具体的，利用标准语音模型，调取声纹转换为标准语音并输出；
进一步的，还可以将标准语音进行二次转换，转换为第二语音信息输出，上述的第二语音信息可以是方言或者其他语言，提高用户体验度和亲切度；
方式三、将文字信息的语义理解结果以图片的形式进行输出。
方式四、将文字信息的语义理解结果以视频的形式进行输出。
方式五、将文字信息的语义理解结果以超链接的形式进行输出。
方式六、将上述方式中的任意两种甚至两种以上以组合的形式输出。例如图文输出或者语音文字输出等。
本发明实施例提供的语义分析方法，包括：接收用户输入的第一语音信息；将第一语音信息转化为文字信息；利用文字模型对文字信息进行处理；利用构建的深度学习模型对经过处理的文字信息进行语义分析生成文字信息的语义理解结果；将文字信息的语义理解结果进行输出。因此，本发明实施例提供的技术方案，能够缓解现有技术中存在的传统的语义分析方法不能系统化地进行复杂语义分析的技术问题，提出了一种系统化的语义分析方案，可以提高复杂的语音输入的语义分析的准确性，促进人机交互智能化的发展。
实施例二：
如图2所示，在实施例一的基础上，本发明实施提供了另一种语义分析方法，与实施例一的区别在于，该方法还包括：
步骤s201：基于神经网络构建深度学习模型；
其中，神经网络可以是卷积神经网络(convolutionalneuralnetwork，cnn)、深度神经网络(deepneuralnetworks，dnn)、人工神经网络等。
具体的，通过大量数据对人工神经网络进行训练，构建得到深度学习模型。
步骤s202：在深度学习模型的训练过程和/或应用过程中，通过人工干预进行辅助标记，以提高分词的理解准确度。
在实施例一的步骤s101之后，该方法还可以包括：
步骤s203：对所述第一语音信息进行记录备份并进行降速处理；
步骤s204：对第一语音信息进行断句；
具体的，可以基于端点检测对第一语音信息进断句。
本发明实施例提供的语义分析方法，通过人工干预、降速处理以及断句等步骤，有助于提高语义分析的准确性，同时方便记录对比，对深度学习模型进行校正、反馈，提高深度学习模型的适用性。
实施例三：
如图3所示，本发明实施例提供了一种语义分析装置，包括：
接收模块301，用于接收用户输入的第一语音信息；
转化模块302，用于将所述第一语音信息转化为文字信息；
处理模块303，用于利用文字模型对所述文字信息进行处理；
分析模块304，用于利用构建的深度学习模型对经过处理的文字信息进行语义分析生成文字信息的语义理解结果；
输出模块305，用于将文字信息的语义理解结果进行输出。
进一步的，所述转化模块302具体用于：判断所述第一语音信息是否为标准语音信息；若否，则将所述第一语音信息转换为标准语音信息；将所述标准语音信息转化为文字信息。
进一步的，所述处理模块303具体用于：利用文字模型对文字信息进行文字切分、过滤、分类、词性分析、词性标注、提取标签，得到多个分词词组。
进一步的，所述分析模块304具体用于：利用构建的深度学习模型结合应用场景对经过处理的文字信息进行上下文理解和语义消歧，生成文字信息的语义理解结果。具体的，利用构建的深度学习模型对经过处理的文字信息的多个词组结合语境进行上下文理解、语义消歧；得到多个词组的语义结果；将多个词组的语义结果分别与知识图谱的词组进行比对，得到每个词组的相似度值，将相似度值最高的词组作为每个词组的语义结果，得到多个词组的语义结果；将多个词组的语义结果进行组合，生成文字信息的语义理解结果；或者，利用构建的深度学习模型对经过处理的文字信息的多个词组结合语境进行上下文理解、语义消歧；得到多个词组的语义结果；将多个词组的语义结果结合知识图谱，分析多个词组的内在关系和/或逻辑关系，生成文字信息的语义理解结果。
进一步的，所述输出模块305具体用于：将文字信息的语义理解结果以文字的形式进行输出；和/或，将文字信息的语义理解结果以标准语音的形式进行输出；和/或，将文字信息的语义理解结果以图案的形式进行输出。
进一步的，该装置还可以包括：训练模块306，用于在深度学习模型的训练过程和/或应用过程中，通过人工干预进行辅助标记，以提高分词的理解准确度。
本发明实施例提供的语义分析装置，与上述实施例提供的语义分析方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述的各种模型，包括非标准语言模型、文字模型、深度学习模型等均可以通过神经网络学习训练生成，具体可以参照神经网络的学习过程，在此不再赘述。
参见图4，本发明实施例还提供一种电子设备100，包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非易失性的存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序401，所述处理器40在接收到执行指令后，执行所述程序401，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行前述实施例任一所述的方法。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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，所述模块、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，两个连续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动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。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明实施例所提供的进行语义分析方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。