问题答案类型的确定方法、装置、设备及存储介质与流程

本发明实施例涉及信息处理技术领域，尤其涉及一种问题答案类型的确定方法、装置、设备及存储介质。

背景技术

互联网中在使用搜索引擎进行信息搜索时，用户输入的查询(query)语句可以分为问答类query语句和非问答类query语句。对于问答类查询语句，其问题答案类型(lexicalanswertype，lat)很多是实体(entity)类型。实体是客观世界中存在的且可互相区分的事物，实体可以是人也可以是物体实物，还可以是抽象概念。比如，一个可能的query语句为：换乳牙多少岁，该语句对应的lat结果为：年龄；另一个可能的query语句为：孕妇能吃什么水果，该语句对应的lat结果为：水果。

在搜索技术中，能够根据问答类query语句的lat结果，从搜索结果中进行实体答案定位，即从搜索结果中筛选出包含与lat结果对应的实体的结果，进而展示给用户。

目前，确定问答类query语句的lat结果的方法是基于分类模型实现的，该分类模型采用的算法包括支持向量机(supportvectormachine，svm)、最大熵、逻辑回归等机器学习算法，以及卷积神经网络(convolutionalneuralnetwork，cnn)等深度学习算法。

基于分类模型确定问答类query语句的lat结果，其结果粒度依赖于预构建的lat分类体系，容易造成粒度过粗、准确度较低的问题。

技术实现要素：

本发明实施例提供了一种问题答案类型的确定方法、装置、设备及存储介质，可以提高确定问答类查询语句的问题答案类型的准确度。

第一方面，本发明实施例提供了一种问题答案类型的确定方法，该方法包括：

提取输入的问答类查询语句的特征信息；

将所述特征信息输入预先建立的序列标注模型和分类模型，得到所述序列标注模型输出的第一问题答案类型lat结果和所述分类模型输出的第二lat结果；

根据第一lat结果和第二lat结果确定所述问答类查询语句对应的lat结果。

第二方面，本发明实施例还提供了一种问题答案类型的确定装置，该装置包括：

特征信息提取模块，用于提取输入的问答类查询语句的特征信息；

模型输入模块，用于将所述特征信息输入预先建立的序列标注模型和分类模型，得到所述序列标注模型输出的第一问题答案类型lat结果和所述分类模型输出的第二lat结果；

lat结果确定模块，用于根据第一lat结果和第二lat结果确定所述问答类查询语句对应的lat结果。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例所述的方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所述的方法。

本发明实施例，首先提取输入的问答类查询语句的特征信息，然后将特征信息输入预先建立的序列标注模型和分类模型，得到序列标注模型输出的第一问题答案类型lat结果和分类模型输出的第二lat结果，最后根据第一lat结果和第二lat结果确定问答类查询语句对应的lat结果。本发明实施例提供的问题答案类型的确定方法，利用序列标注模型和分类模型分别输出的lat结果来确定问答类查询语句最终的lat结果，可以提高确定lat结果的准确性。

附图说明

图1是本发明实施例一提供的一种问题答案类型的确定方法的流程图；

图2是本发明实施例二提供的一种问题答案类型的确定方法的流程图；

图3是本发明实施例三提供的一种问题答案类型的确定方法的流程图；

图4是本发明实施例四提供的一种问题答案类型的确定方法的流程图；

图5a是本发明实施例四提供的另一种问题答案类型的确定方法的流程图；

图5b是本发明实施例四提供的一种问题答案类型的确定方法的使用场景流程图；

图6是本发明实施例五提供的一种问题答案类型的确定装置的结构示意图；

图7是本发明实施例六提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种问题答案类型的确定方法的流程图，本实施例可适用于对问题答案类型进行确定的情况，该方法可以由答案类型的确定装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电脑、服务器以及所有包含答案类型确定功能的终端中。如图1所示，该方法具体包括如下步骤。

步骤110，提取输入的问答类查询语句的特征信息。

其中，特征信息可以包括切词信息、词性信息和依存关系信息中的至少一个。切词信息可以是采用切词算法将问答类查询语句切分成一个个单独的词；词性信息可以包括名词、动词、实词和虚词等；依存关系可以包括依存词和依存词词性。提取依存关系的方式可以是，使用基于依存语法的句法分析提取问答类查询语句中词语的依存关系，如主谓宾、数量关系、同位关系、前后附加关系及比拟关系等。

本实施例中，当用户向搜索框中输入查询类语句后，首先采用切词算法将问答类查询语句切分成一个个单独的词语，获得切词信息，然后对每一个词语的词性进行分析，获得每个词语的词性信息，最后使用基于依存语法的句法分析提取词语之间的依存关系，获得依存关系信息。

步骤120，将特征信息输入预先建立的序列标注模型和分类模型，得到序列标注模型输出的第一lat结果和分类模型输出的第二lat结果。

其中，问题答案类型(lexicalanswertype，lat)结果可以是表示问答类查询语句的答案类型的词语。例如：问答类查询语句为：孕妇能吃什么水果，则lat结果为：水果，“水果”即为能够表示答案类型的词语。表示答案类型的词语可能存在于问答类查询语句中，也可能不存在于问答类查询语句中。

序列标注模型可以是条件随机场(conditionalrandomfields，crf)模型。序列标注模型可以是基于第一训练数据源，采用crf算法进行训练而得到的模型。第一训练数据源可以包括：多个随机问答类查询语句、所述多个随机问答类查询语句的特征信息以及对所述多个随机问答类查询语句标注的lat结果。本实施例中，序列标注模型的工作原理可以是，对输入的特征信息进行标注及分类，获得问答类查询语句的第一lat结果，并输出。

分类模型可以是基于第二训练数据源，采用卷积神经网络(convolutionalneuralnetwork，cnn)算法进行训练得到的模型。第二训练数据源可以包括：多个由随机问答类查询语句与随机问答类查询语句的lat结果组成的数据对、以及数据对中随机问答类查询语句的特征信息。本实施例中，分类模型的工作原理可以是，对输入的特征信息进行分类，获得问答类查询语句的第二lat结果，并输出。

具体的，在获得问答类查询语句的特征信息后，将特征信息分别输入至预先建立的序列标注模型和分类模型，两个模型分别对特征信息进行分析后，序列标注模型输出第一lat结果，分类模型输出第二lat结果。

步骤130，根据第一lat结果和第二lat结果确定问答类查询语句对应的lat结果。

具体的，根据第一lat结果和第二lat结果确定问答类查询语句对应的lat结果的方式可以是，若第一lat结果为空，则将第二lat结果作为问答类查询语句对应的lat结果；若第二lat结果为空，则将第一lat结果作为问答类查询语句对应的lat结果；若第一lat结果和第二lat结果都不为空，则将第一lat结果和第二lat结果输入决策树模型，得到决策树模型输出的lat整合结果，将lat整合结果作为问答类查询语句对应的lat结果；或者，无论第一lat结果和第二lat结果是否为空，都将第一lat结果和第二lat结果输入决策树模型，得到决策树模型输出的lat整合结果，将lat整合结果作为问答类查询语句对应的lat结果。

其中，整合结果可以是第一lat结果和第二lat结果中的一个、或第一lat结果和第二lat结果的交集、或第一lat结果和第二lat结果的并集。

决策树模型是一种分类器。本实施例中，决策树模型可以是基于第三训练数据源，采用梯度提升决策树(gradientboostingdecisiontree，gbdt)算法进行训练，获得的模型。其中，第三训练数据源可以包括：多个由随机问答类查询语句的两个不同的lat结果组成的数据对、以及针对数据对对应的随机问答类查询语句标注的正确lat结果。决策树模型的工作原理可以是，对输入的第一lat结果和第二lat结果进行分析，获得问答类查询语句对应的lat结果。

可选的，在根据第一lat结果和第二lat结果确定问答类查询语句对应的lat结果之后，还包括如下步骤：确定问答类查询语句对应的lat结果是否满足预设规则；若满足，则将lat结果进行输出，若不满足，则将lat结果进行删除。

其中，若lat结果属于预先设置的黑名单中的类型，或属于预先设定的黄色或反动内容，则不满足预设规则。具体的，在确定了问答类查询语句对应的lat结果后，对lat结果进行分析，判断lat结果是否属于预先设置的黑名单中的类型，或属于预先设定的黄色或反动内容，若属于，则删除，若不属于，则将lat结果输出。这样做的好处是可以净化网络环境。

本实施例的技术方案，首先提取输入的问答类查询语句的特征信息，然后将特征信息输入预先建立的序列标注模型和分类模型，得到序列标注模型输出的第一问题答案类型lat结果和分类模型输出的第二lat结果，最后根据第一lat结果和第二lat结果确定问答类查询语句对应的lat结果。本发明实施例提供的问题答案类型的确定方法，利用序列标注模型和分类模型分别输出的lat结果来确定问答类查询语句最终的lat结果，可以提高确定lat结果的准确性。

实施例二

图2为本发明实施例二提供的一种问题答案类型的确定方法的流程图，作为对上述实施例的进一步解释，如图2所示，该方法包括如下步骤。

步骤210，获取第一训练数据源。

其中，第一训练数据源可以包括：多个随机问答类查询语句、多个随机问答类查询语句的特征信息以及对多个随机问答类查询语句标注的lat结果。

本实施例中，第一训练数据源的数据规模可以达到几十万，例如：80万。对随机问答类查询语句的lat结果进行标注的方式可以是：人工标注，或者采用bie标签对多个随机问答类查询语句标注的lat结果进行标签化处理。

bie标签为begininend便签。对lat结果进行标签化处理的方式可以是对lat结果的词语添加标签。示例性的，假设问答类查询语句为“护理专业可以报考什么事业单位”，对应的lat结果为“事业单位”，那么对“事业单位”进行标签化处理的结果是，“事业”添加“b”便签，“单位”添加“e”便签。具体的，将第一训练数据源中的每个随机问答类查询语句标注的lat结果添加bie标签。

步骤220，基于第一训练数据源，采用crf算法进行模型训练，得到序列标注模型。

具体的，在获得第一训练数据源后，采用crf算法不断进行模型训练，在训练过程中，不断调整crf算法中的参数，直到模型具有准确输出第一lat结果的能力，从而获得序列标注模型。

步骤230，提取输入的问答类查询语句的特征信息。

步骤240，将特征信息输入预先建立的序列标注模型和分类模型，得到序列标注模型输出的第一lat结果和分类模型输出的第二lat结果。

可选的，得到序列标注模型输出的第一lat结果的方式可以是：将序列标注模型输出的bie标签化的lat结果进行拼接处理，对拼接出的多个lat结果按照得分进行排序，选出得分最高的lat结果作为第一lat结果。

将bie标签化的lat结果进行拼接的方式可以是，将相邻的添加“b”便签、“i”标签和“e”标签的词拼接在一起，形成一个lat结果。lat结果得分的获取方式可以是，将添加“b”便签、“i”标签和“e”标签的词中的最高分做为当前lat结果的得分。例如，某个lat结果中添加“b”便签的词的得分为3分，添加“i”标签的词的得分为3.5分，添加“e”标签的词的得分为5分，则该lat结果的得分为5分。

步骤250，根据第一lat结果和第二lat结果确定问答类查询语句对应的lat结果。

本实施例的技术方案，基于第一训练数据源，采用条件随机场crf算法进行模型训练，得到序列标注模型，可以提高序列标注模型确定第一lat结果的准确性。

实施例三

图3为本发明实施例三提供的一种问题答案类型的确定方法的流程图，作为对上述实施例的进一步解释，如图3所示，该方法包括如下步骤。

步骤310，获取第二训练数据源。

其中，第二训练数据源可以包括：多个由随机问答类查询语句与随机问答类查询语句的lat结果组成的数据对、以及数据对中随机问答类查询语句的特征信息。

可选的，获取第二训练数据源可通过下述方式实施：获取多个随机问答类查询语句；对于每个随机问答类查询语句：将当前随机问答类查询语句输入序列标注模型，得到序列标注模型输出的当前随机问答类查询语句的lat结果，根据搜索日志查找与当前随机问答类查询语句对应相同被点击搜索结果的查询语句，将当前随机问答类查询语句与当前随机问答类查询语句的lat结果组成的数据对、以及查找到的查询语句与当前随机问答类查询语句的lat结果组成的数据对，作为第二训练数据源；其中，数据对中包含对应查询语句的特征信息。

具体的，将当前随机问答类查询语句输入序列标注模型获得当前随机问答类查询语句的lat结果，以及，针对当前随机问答类查询语句，根据搜索日志查找满足以下条件的其他查询语句：该其他查询语句与当前随机问答类查询语句具有相同的被用户点击过的搜索结果，若查找到，则将当前随机问答类查询语句与当前随机问答类查询语句的lat结果组成的数据对、以及查找到的查询语句与当前随机问答类查询语句的lat结果组成的数据对，作为第二训练数据源。示例性的，假设将随机问答类查询语句a输入序列标注模型后，输出lat结果为a1，根据搜索日志查找其他查询语句b和c与随机问答类查询语句a具有相同的被用户点击过的搜索结果，则将a和a1组成数据对、b和a1组成数据对、以及c和a1组成数据对，作为第二训练数据源。

可选的，将上述数据对中的lat结果映射到预先构建的lat体系中的分类，映射后的lat结果对应的分类应该存在于lat体系中。其中，lat体系包含一级分类或二级分类。

示例性的，某个lat结果为“事业单位”，在lat体系中并没有“事业单位”这一分类，在lat体系中与“事业单位”最接近的分类是“机构”，则将“事业单位”映射至“机构”。

步骤320，基于所述第二训练数据源，采用cnn算法进行模型训练，得到所述分类模型。

其中，cnn是一种前馈神经网络，包括卷积层和池化层。具体的，在获得第二训练数据源后，采用cnn算法不断进行模型训练，在训练过程中，不断调整cnn算法中的参数，直到模型具有准确输出第二lat结果的能力，从而获得分类模型。

步骤330，提取输入的问答类查询语句的特征信息。

步骤340，将特征信息输入预先建立的序列标注模型和分类模型，得到序列标注模型输出的第一lat结果和分类模型输出的第二lat结果。

步骤350，根据第一lat结果和第二lat结果确定问答类查询语句对应的lat结果。

本实施例的技术方案，基于所述第二训练数据源，采用cnn算法进行模型训练，得到所述分类模型，可以提高分类模型确定lat结果的准确性。

实施例四

图4为本发明实施例四提供的一种问题答案类型的确定方法的流程图，作为对上述实施例的进一步解释，如图4所示，该方法包括如下步骤。

步骤410，获取第三训练数据源。

其中，第三训练数据源包括：多个由随机问答类查询语句的两个不同的lat结果组成的数据对、以及针对数据对对应的随机问答类查询语句标注的正确lat结果。

可选的，获取第三训练数据源可通过下述方式实施：获取多个随机问答类查询语句；对于每个随机问答类查询语句：将当前随机问答类查询语句分别输入序列标注模型和分类模型，若序列标注模型和分类模型分别输出的lat结果不一致，则将序列标注模型和分类模型分别输出的lat结果以及预先针对当前随机问答类查询语句标注的正确lat结果，作为第三训练数据源。

步骤420，基于第三训练数据源，采用gbdt算法进行模型训练，得到决策树模型。

其中，gbdt算法是一种迭代的决策树算法，该算法由多棵决策树组成，所有决策树的结果累加起来确定为最终输出结果。具体的，具体的，在获得第三训练数据源后，采用gbdt算法不断进行模型训练，在训练过程中，不断调整gbdt算法中的参数，直到模型具有准确输出lat结果的能力，从而获得决策树模型。

步骤430，提取输入的问答类查询语句的特征信息。

步骤440，将特征信息输入预先建立的序列标注模型和分类模型，得到序列标注模型输出的第一lat结果和分类模型输出的第二lat结果。

步骤450，将第一lat结果和第二lat结果输入决策树模型，得到决策树模型输出的lat整合结果，将lat整合结果作为问答类查询语句对应的lat结果。

本实施例的技术方案，基于第三训练数据源，采用gbdt算法进行模型训练，得到决策树模型，可以提高决策树确定lat结果的准确性。

可选的，图5a为本发明实施例四提供的另一种问题答案类型的确定方法的流程图，作为对上述实施例的进一步解释，如图5a所示，该方法包括如下步骤。

步骤510，提取输入的问答类查询语句的特征信息。

步骤520，将特征信息输入预先建立的序列标注模型，得到序列标注模型输出的第一lat结果。

步骤530，将特征信息输入预先建立的分类模型，得到分类模型输出的第二lat结果。

步骤540，将第一lat结果和第二lat结果输入决策树模型，得到决策树模型输出的lat整合结果，将lat整合结果作为问答类查询语句对应的lat结果。

步骤550，确定问答类查询语句对应的lat结果是否满足预设规则，若满足，则将lat结果进行输出，若不满足，则将lat结果进行删除。

图5b为本发明实施例四提供的一种问题答案类型的确定方法的使用场景流程图。在确定问答类查询语句的问题答案类型时，基于问答类查询语句的特征提取、序列标注及分类等技术，对于一个问答类查询语句可以使用序列标注技术标注出lat结果，然后将标注出的lat结果映射至lat体系中。对于lat结果不在问答类查询语句中的情况，采用分类技术，可以将lat结果映射至三级lat体系中的二级体系和一级体系中。其中二级体系包含3000类，一级体系包含34类。如图5b所述，该流程包括如下步骤。

步骤501，采用特征提取技术提取输入的问答类查询语句中的特征信息；

步骤502，获取问答类查询语句对应的搜索结果；

步骤503，采用序列标注技术及分类技术获取问答类查询语句的lat结果；

步骤504，根据lat结果确定搜索结果中的目标搜索结果；

步骤505，将目标搜索结果输出并展示。

实施例五

图6为本发明实施例五提供的一种问题答案类型的确定装置的结构示意图。如图6所示，该装置包括：特征信息提取模块610，模型输入模块620和lat结果确定模块630。

特征信息提取模块610，用于提取输入的问答类查询语句的特征信息；

模型输入模块620，用于将特征信息输入预先建立的序列标注模型和分类模型，得到序列标注模型输出的第一问题答案类型lat结果和分类模型输出的第二lat结果；

lat结果确定模块630，用于根据第一lat结果和第二lat结果确定问答类查询语句对应的lat结果。

可选的，lat结果确定模块630，还用于：

将第一lat结果和第二lat结果输入决策树模型，得到决策树模型输出的lat整合结果，将lat整合结果作为问答类查询语句对应的lat结果；

其中，lat整合结果为第一lat结果和第二lat结果中的一个、或第一lat结果和第二lat结果的交集、或第一lat结果和第二lat结果的并集。

可选的，还包括：

满足预设规则确定模块，用于确定问答类查询语句对应的lat结果是否满足预设规则；若满足，则将lat结果进行输出，若不满足，则将lat结果进行删除。

可选的，还包括：

第一训练数据源获取模块，用于获取第一训练数据源；第一训练数据源包括：多个随机问答类查询语句、多个随机问答类查询语句的特征信息以及对多个随机问答类查询语句标注的lat结果；

序列标注模型获取模块，用于基于第一训练数据源，采用条件随机场crf算法进行模型训练，得到序列标注模型。

可选的，还包括：

标签化处理模块，用于采用bie标签对多个随机问答类查询语句标注的lat结果进行标签化处理；

相应的，得到序列标注模型输出的第一lat结果，包括：

将序列标注模型输出的bie标签化的lat结果进行拼接处理，对拼接出的多个lat结果按照得分进行排序，选出得分最高的lat结果作为第一lat结果。

可选的，还包括：

第二训练数据源获取模块，用于获取第二训练数据源；第二训练数据源包括：多个由随机问答类查询语句与随机问答类查询语句的lat结果组成的数据对、以及数据对中随机问答类查询语句的特征信息；

分类模型获取模块，用于基于第二训练数据源，采用卷积神经网络cnn算法进行模型训练，得到分类模型。

可选的，第二训练数据源获取模块，还用于：

获取多个随机问答类查询语句；

对于每个随机问答类查询语句：将当前随机问答类查询语句输入序列标注模型，得到序列标注模型输出的当前随机问答类查询语句的lat结果，根据搜索日志查找与当前随机问答类查询语句对应相同被点击搜索结果的查询语句，将当前随机问答类查询语句与当前随机问答类查询语句的lat结果组成的数据对、以及查找到的查询语句与当前随机问答类查询语句的lat结果组成的数据对，作为第二训练数据源；其中，数据对中包含对应查询语句的特征信息。

可选的，还包括：

第三训练数据源获取模块，用于获取第三训练数据源；第三训练数据源包括：多个由随机问答类查询语句的两个不同的lat结果组成的数据对、以及针对数据对对应的随机问答类查询语句标注的正确lat结果；

决策树模型获取模块，用于基于第三训练数据源，采用梯度提升决策树gbdt算法进行模型训练，得到决策树模型。

可选的，第三训练数据源获取模块，还用于：

获取多个随机问答类查询语句；

对于每个随机问答类查询语句：将当前随机问答类查询语句分别输入序列标注模型和分类模型，若序列标注模型和分类模型分别输出的lat结果不一致，则将序列标注模型和分类模型分别输出的lat结果以及预先针对当前随机问答类查询语句标注的正确lat结果，作为第三训练数据源。

可选的，特征信息包括：

切词信息、词性信息、依存关系信息中的至少一个；其中，依存关系信息包括依存词和依存词词性。

实施例六

图7为本发明实施例六提供的一种计算机设备的结构示意图，如图7所示，本实施例提供的一种计算机设备，包括：处理器71和存储器72。该计算机设备中的处理器可以是一个或多个，图7中以一个处理器71为例，所述计算机设备中的处理器71和存储器72可以通过总线或其他方式连接，图7中以通过总线连接为例。

本实施例中计算机设备的处理器71中集成了上述实施例提供的问题答案类型的确定装置。此外，该计算机设备中的存储器72作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中问题答案类型的确定方法对应的程序指令/模块。处理器71通过运行存储在存储器72中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例中问题答案类型的确定方法。

存储器72可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器72可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器72可进一步包括相对于处理器71远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器71通过运行存储在存储器72中的程序，从而执行各种功能应用以及数据处理，实现例本发明实施例提供的问题答案类型的确定方法。

实施例七

本发明实施例七还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的问题答案类型的确定方法。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的问题答案类型的确定方法中的相关操作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

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发明操作的计算机程序代码，所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(lan)或广域网(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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。