信息搜索方法、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，尤其涉及一种信息搜索方法、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。其中问答类query语句的答案类型可以分为实体类、描述类和是非类等类别。比如，一种可能的其答案为是非类的问答类query语句为：孕妇能吃苹果吗；其答案为：孕妇可以吃苹果。

目前，对于答案为是非类的问答类query语句，预先使用观点聚合的技术基于问答对资源离线建立问题观点库，该问题观点库中存储有大量的问题以及问题所对应的观点集合，该观点集合包括每种观点的比例，比如答案为“是”的比例、答案为“否”的比例，还包括支持每种观点的网页内容。在线上接收到用户输入的是非类的问答类query语句后，通过查询问题观点库，可以获得该问答类query语句对应的每种观点的比例、支持每种观点的网页内容，并将获得信息作为搜索结果展现给用户。

上述方案的缺陷在于：一方面，问题观点库的更新迟缓，使得问答类query语句对应的搜索结果的准确性较低；另一方面，问题观点库的建立基于问答对资源，使得问答类query语句对应的搜索结果的准确性也依赖于问答对资源，问答类query语句对应的搜索结果的准确性无法得到保证。

技术实现要素：

本发明实施例提供一种信息搜索方法、装置、设备及存储介质，可以提高是非类查询语句对应的搜索结果的准确性。

第一方面，本发明实施例提供了一种信息搜索方法，该方法包括：

在确定输入的问答类查询语句的答案类型为是非类后，获取所述问答类查询语句对应的搜索结果；

提取所述搜索结果中的语句，确定所述语句对应的答案观点分类和所述语句与所述问答类查询语句的相关度信息；

对于每种答案观点分类，根据属于当前答案观点分类的语句与所述问答类查询语句的相关度信息，从属于当前答案观点分类的语句中选取至少一条语句作为当前答案观点分类对应的观点片段，并确定当前答案观点分类对应的搜索结果的比例信息；

将所述比例信息和所述观点片段展现给用户。

第二方面，本发明实施例还提供了一种信息搜索装置，该装置包括：

搜索结果获取模块，用于在确定输入的问答类查询语句的答案类型为是非类后，获取所述问答类查询语句对应的搜索结果；

相关度信息确定模块，用于提取所述搜索结果中的语句，确定所述语句对应的答案观点分类和所述语句与所述问答类查询语句的相关度信息；

观点片段确定模块，用于对于每种答案观点分类，根据属于当前答案观点分类的语句与所述问答类查询语句的相关度信息，从属于当前答案观点分类的语句中选取至少一条语句作为当前答案观点分类对应的观点片段，并确定当前答案观点分类对应的搜索结果的比例信息；

观点片段展示模块，用于将所述比例信息和所述观点片段展现给用户。

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，在确定输入的问答类查询语句的答案类型为是非类后，首先获取问答类查询语句对应的搜索结果，然后提取搜索结果中的语句，确定语句对应的答案观点分类和语句与问答类查询语句的相关度信息，再然后对于每种答案观点分类，根据属于当前答案观点分类的语句与问答类查询语句的相关度信息，从属于当前答案观点分类的语句中选取至少一条语句作为当前答案观点分类对应的观点片段，并确定当前答案观点分类对应的搜索结果的比例信息，最后将比例信息和观点片段展现给用户。本发明实施例提供的信息搜索方法，根据搜索结果的语句和问答类查询语句的相关度信息，确定答案类型为是非类的问答类查询语句的各个答案观点分类对应的观点片段，并确定每种答案观点分类对应的搜索结果的比例，可以提高答案类型为是非类的问答类查询语句对应的搜索结果的准确性。

附图说明

图1是本发明实施例一中的一种信息搜索方法的流程图；

图2是本发明实施例二中的一种信息搜索方法的流程图；

图3是本发明实施例三中的一种信息搜索方法的流程图；

图4是本发明实施例三中的另一种信息搜索方法的流程图；

图5是本发明实施例四中的一种信息搜索装置的结构示意图。

图6是本发明实施例五中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信息搜索方法的流程图，本实施例可适用于对答案类型为是非类的问答类查询语句进行信息搜索的情况，该方法可以由信息搜索装置来执行，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信息搜索功能的终端中。如图1所示，该方法具体包括如下步骤。

步骤110，在确定输入的问答类查询语句的答案类型为是非类后，获取问答类查询语句对应的搜索结果。

问答类查询语句的答案类型包括实体类、描述类以及是非类等。其中，是非类查询语句可以是答案包括不同观点分类的查询语句，例如，一个是非类查询语句为“西红柿好吃吗？”，其答案可以包括“好吃”、“不好吃”以及“中立”这三个观点。搜索结果可以是搜索引擎针对输入的问答类查询语句反馈的结果，搜索结果可以是网页的形式，每个搜索结果可以包含搜索结果网页的标题和搜索结果网页的链接等。搜索引擎可以是百度等。

具体的，当用户向搜索引擎的搜索框输入问答类查询语句后，首先判断问答类查询语句的答案类型是否为是非类，若是是非类，则继续获取搜索引擎针对问答类查询语句反馈的搜索结果，若不是是非类，则不继续任何操作。

步骤120，提取搜索结果中的语句，确定语句对应的答案观点分类和语句与问答类查询语句的相关度信息。

其中，搜索结果中的语句可以是搜索结果网页的标题中的语句或者搜索结果网页的文档中的语句。答案观点分类可以包括正向观点、中性观点以及负向观点。语句与问答类查询语句的相关度信息可以包括语句与问答类查询语句的观点对齐概率值、语句所在搜索结果的网页标题与问答类查询语句的匹配度值、以及语句与问答类查询语句的语义相似度值中的至少一个。

可选的，确定语句对应的答案观点分类的方式可以是，对每个语句通过文本情感倾向提取工具提取对应的答案观点分类(包括正向观点、负向观点、中性观点答；或者，对提取到的搜索结果中的语句进行语义分析，获得语句对应的答案观点分类。

可选的，确定语句与问答类查询语句的观点对齐概率值可通过下述方式实施：根据预先建立的对齐概率矩阵，确定问答类查询语句中的焦点词与语句中的每个词的对齐概率值；将最大的对齐概率值作为语句与问答类查询语句的观点对齐概率值。

其中，对齐概率矩阵可以是由问答类查询语句中的焦点词和搜索结果中语句中的每个词的对齐概率值组成的矩阵。问答类查询语句中包含主题词、疑问词和焦点词，示例性的，对于问答类查询语句“西红柿好吃吗”，“西红柿”是主题词，“吗”是疑问词，“好吃”是焦点吃。

具体的，在获得搜索结果中的语句后，首先对语句中包含的词语进行分离并获取问答类查询语句中的焦点词，然后在预先建立的对齐概率矩阵中查找焦点词与语句中每个词的对齐概率值，最后将最大的对齐概率值作为语句与问答类查询语句的观点对齐概率值。示例性的，对于“西红柿好吃吗”，其中一个搜索结果的语句是“太酸了，不好吃”，语句包含的词有“太酸了”和“不好吃”，其中，“太酸了”与焦点词的对齐概率值为8％，“不好吃”与焦点词的对齐概率值为10％，则“太酸了，不好吃”与“西红柿好吃吗”的观点对齐概率值为10％。

可选的，在根据预先建立的对齐概率矩阵，确定问答类查询语句中的焦点词与语句中的每个词的对齐概率值之前，还包括如下步骤：获取焦点词相同的多个随机问答类查询语句对应的搜索结果；统计搜索结果中每个词出现的频率值，将统计得到的频率值作为随机问答类查询语句的焦点词与对应词的对齐概率值，保存在对齐概率矩阵中。

具体的，将焦点词相同的多个随机问答类查询语句分别输入搜索引擎，获得每个随机问答类查询语句对应的搜索结果，提取每个搜索结果的语句中的词语，并统计每个词在所有搜索结果中出现的频率值，最后将统计得到的频率值作为随机问答类查询语句的焦点词与对应词的对齐概率值，保存在对齐概率矩阵中。示例性的，“西红柿好吃吗”的焦点词是“好吃”，那么获取包含“好吃”的多个随机答类查询语句对应的搜索结果，并统计搜索结果语句中每个词出现的频率值，将统计得到的频率值作为“好吃”与对应词的对齐概率值，保存在对齐概率矩阵中。比如，搜索结果语句中某个词出现的频率值即该词出现的次数与搜索结果所包含词的总数目的比值为80％，那么“好吃”与该词的对齐概率值即为80％。

可选的，确定语句所在搜索结果的网页标题与问答类查询语句的匹配度值，可通过下述方式是实施：将问答类查询语句和语句所在搜索结果的网页标题输入内容匹配度确定模型，得到内容匹配度确定模型输出的语句与问答类查询语句的匹配度值。

其中，匹配度可以利用语句所在搜索结果的网页的点击量来表征。内容匹配度确定模型可以是基于第一训练数据源，采用深度神经网络(deepneuralnetwork，dnn)算法进行训练获得的模型。其中，第一训练数据源可以包括：多条随机问答类查询语句和每条随机问答类查询语句对应的被用户点击的来自问答站的搜索结果的网页主题、以及被用户点击的来自问答站的搜索结果的点击量。本实施例中，将问答类查询语句和语句所在搜索结果的网页标题输入内容匹配度确定模型后，内容匹配度模型对问答类查询语句和语句所在搜索结果的网页标题进行分析，获得语句与问答类查询语句的匹配度值。

可选的，确定语句与问答类查询语句的语义相似度值的方式可以是，将语句与问答类查询语句输入语义相似度模型，得到语义相似度模型输出的语义相似度值。其中，语义相似度模型可以是基于训练数据源，采用深度语义匹配(deepstructuredsemanticmodels，dssm)算法进行训练获得的模型。其中，训练数据源可以包括多组数据对，每组数据对包括随机问答类查询语句、与该随机问答类查询语句对应的搜索结果中的语句、以及利用余弦相似度算法计算的随机问答类语句与搜索结果中的语句的语义相似度值。

步骤130，对于每种答案观点分类，根据属于当前答案观点分类的语句与问答类查询语句的相关度信息，从属于当前答案观点分类的语句中选取至少一条语句作为当前答案观点分类对应的观点片段，并确定当前答案观点分类对应的搜索结果的比例信息。

可选的，根据属于当前答案观点分类的语句与所述问答类查询语句的相关度信息，从属于当前答案观点分类的语句中选取至少一条语句作为当前答案观点分类对应的观点片段，可通过下述方式实施：将属于当前答案观点分类的语句与问答类查询语句的相关度信息，输入预先建立的分类模型；得到分类模型输出的对应语句被选择的概率值；将概率值最高的语句作为当前答案观点分类对应的观点片段。

其中，分类模型可以是基于第二训练数据源，采用支持向量机(supportvectormachine，svm)算法进行训练获得的模型。第二训练数据源可以包括多组数据对，每组数据对包括随机问答类查询语句、与该随机问答类查询语句对应的搜索结果中的语句、该语句与该随机问答类查询语句的相关度信息、以及该语句是否被选作观点片段的标注信息。本实施例中，获得当前答案观点分类的语句与问答类查询语句的相关度信息后，将相关度信息输入分类模型中，分类模型对相关度信息进行分析，获得对应语句被选择的概率值，最后将概率值最大的语句最为当前答案观点分类对应的观点片段。示例性的，对于“西红柿好吃吗”，正向观点答案的搜索结果的语句有3个“不错，维生素很高”、“酸酸的，口感很好”以及“好吃，营养价值高”，将这3个语句与“西红柿好吃吗”的相关度信息分别输入分类模型，获得“不错，维生素很高”被选择的概率值为25％，“酸酸的，口感很好”被选择的概率值为40％，“好吃，营养价值高”被选择的概率为35％，则将“酸酸的，口感很好”作为正向观点答案对应的观点片段。

可选的，确定当前答案观点分类对应的搜索结果的比例信息的方式可以是，根据搜索结果的总数与当前答案观点分类对应的搜索结果的数量计算比例信息。例如：某问答类查询语句的搜索结果有100条，其中正向观点答案有60条，负向观点答案有30条，中立观点答案有10条，则正向观点答案对应的搜索结果的比例信息为60％，负向观点答案对应的搜索结果的比例信息为30％，中立观点答案对应的搜索结果的比例信息为10％。

步骤140，将比例信息和观点片段展现给用户。

具体的，在获得观点片段以及答案观点分类对应的搜索结果的比例信息后，将比例信息和观点片段展现给用户。展现的方式可以是在搜索结果页面的顶端进行展示。

本实施例的技术方案，在确定输入的问答类查询语句的答案类型为是非类后，首先获取问答类查询语句对应的搜索结果，然后提取搜索结果中的语句，确定语句对应的答案观点分类和语句与问答类查询语句的相关度信息，再然后对于每种答案观点分类，根据属于当前答案观点分类的语句与问答类查询语句的相关度信息，从属于当前答案观点分类的语句中选取至少一条语句作为当前答案观点分类对应的观点片段，并确定当前答案观点分类对应的搜索结果的比例信息，最后将比例信息和观点片段展现给用户。本发明实施例提供的信息搜索方法，根据搜索结果的语句和问答类查询语句的相关度信息，确定答案类型为是非类的问答类查询语句的各个答案观点分类对应的观点片段，并确定每种答案观点分类对应的搜索结果的比例，可以提高答案类型为是非类的问答类查询语句对应的搜索结果的准确性。

实施例二

图2为本发明实施例二提供的一种信息搜索方法的流程图，以上述实施例为基础，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，第一训练数据源包括：多条随机问答类查询语句和每条随机问答类查询语句对应的被用户点击的来自问答站的搜索结果的网页主题、以及被用户点击的来自问答站的搜索结果的点击量。

获取第一训练数据源的方式是可以是，在问答站中获取多条答案类型为是非类的随机问答类查询语句和每条随机问答类查询语句对应的被用户点击的搜索结果的网页主题、以及被用户点击的来自问答站的搜索结果的点击量，并且将点击量标注为搜索结果的语句与问答类查询语句的匹配度值。

步骤220，基于第一训练数据源，采用dnn算法进行模型训练，得到内容匹配度确定模型。

具体的，在获得第一训练数据源后，采用dnn算法不断进行模型训练，在训练过程中，不断调整dnn算法中的参数，直到模型具有准确输出匹配度值的能力，从而获得内容匹配度确定模型。

步骤230，将问答类查询语句和语句所在搜索结果的网页标题输入内容匹配度确定模型，得到内容匹配度确定模型输出的语句与问答类查询语句的匹配度值。

本实施例的技术方案，基于第一训练数据源，采用dnn算法进行模型训练，得到内容匹配度确定模型。可以提高内容匹配度模型确定问答类查询语句和语句所在搜索结果的网页标题匹配度值的准确性。

实施例三

图3为本发明实施例三提供的一种信息搜索方法的流程图，以上述实施例为基础，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，第二训练数据源包括：多组数据对，每组数据对包括随机问答类查询语句、与该随机问答类查询语句对应的搜索结果中的语句、该语句与该随机问答类查询语句的相关度信息、以及该语句是否被选作观点片段的标注信息。

具体的，若语句不被选作观点片段，则对语句标注为不被选作观点片段，若语句被选作观点片段，则对语句标注为被选作观点片段。本实施例中，获取第二训练数据源的方式可以是，在搜索引擎的问答站中获取多条答案类型为是非类的随机问答类查询语句、每条随机问答类查询语句对应的搜索结果中的语句，并获取搜索结果中的语句与随机问答类查询语句的相关度信息、以及语句是否被选作观点片段的标注信息。

步骤320，基于第二训练数据源，采用svm算法进行模型训练，得到分类模型。

具体的，在获得第二训练数据源后，采用svm算法不断进行模型训练，在训练过程中，不断调整svm算法中的参数，直到模型具有准确输出概率值的能力，从而获得分类模型。

步骤330，将属于当前答案观点分类的语句与问答类查询语句的相关度信息，输入预先建立的分类模型，得到分类模型输出的对应语句被选择的概率值。

步骤340，将概率值最高的语句作为当前答案观点分类对应的观点片段。

本实施例的技术方案，基于第二训练数据源，采用svm算法进行模型训练，得到分类模型。可以提高分类模型确定语句被选择的概率值的准确性。

图4为本发明实施例三提供的另一种信息搜索方法的流程图，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，在确定输入的问答类查询语句的答案类型为是非类后，获取问答类查询语句对应的搜索结果。

步骤420，提取搜索结果中的语句，确定语句对应的答案观点分类。

步骤430，确定语句与问答类查询语句的观点对齐概率值。

步骤440，确定语句所在搜索结果的网页标题与问答类查询语句的匹配度值。

步骤450，确定语句与问答类查询语句的语义相似度值。

步骤460，对于每种答案观点分类，根据属于当前答案观点分类的语句与问答类查询语句的相关度信息，从属于当前答案观点分类的语句中选取至少一条语句作为当前答案观点分类对应的观点片段。

步骤470，确定答案观点分类对应的搜索结果的比例信息。

步骤480，将比例信息和观点片段展现给用户。

实施例四

图5为本发明实施例四提供的一种信息搜索装置的结构示意图。如图5所示，该装置包括：搜索结果获取模块510，相关度信息确定模块520，观点片段确定模块530和观点片段展示模块540。

搜索结果获取模块510，用于在确定输入的问答类查询语句的答案类型为是非类后，获取问答类查询语句对应的搜索结果；

相关度信息确定模块520，用于提取搜索结果中的语句，确定语句对应的答案观点分类和语句与问答类查询语句的相关度信息；

观点片段确定模块530，用于对于每种答案观点分类，根据属于当前答案观点分类的语句与问答类查询语句的相关度信息，从属于当前答案观点分类的语句中选取至少一条语句作为当前答案观点分类对应的观点片段，并确定当前答案观点分类对应的搜索结果的比例信息；

观点片段展示模块540，用于将比例信息和观点片段展现给用户。

可选的，语句与问答类查询语句的相关度信息包括：

语句与问答类查询语句的观点对齐概率值、语句所在搜索结果的网页标题与问答类查询语句的匹配度值、以及语句与问答类查询语句的语义相似度值中的至少一个。

可选的，相关度信息确定模块520，还用于：

根据预先建立的对齐概率矩阵，确定问答类查询语句中的焦点词与语句中的每个词的对齐概率值；

将最大的对齐概率值作为语句与问答类查询语句的观点对齐概率值。

可选的，还包括：

搜索结果获取子模块，用于获取焦点词相同的多个随机问答类查询语句对应的搜索结果；

对齐概率矩阵获取模块，用于统计搜索结果中每个词出现的频率值，将统计得到的频率值作为随机问答类查询语句的焦点词与对应词的对齐概率值，保存在对齐概率矩阵中。

可选的，相关度信息确定模块520，还用于：

将问答类查询语句和语句所在搜索结果的网页标题输入内容匹配度确定模型，得到内容匹配度确定模型输出的语句与问答类查询语句的匹配度值。

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：多条随机问答类查询语句和每条随机问答类查询语句对应的被用户点击的来自问答站的搜索结果的网页主题、以及被用户点击的来自问答站的搜索结果的点击量；

内容匹配度确定模型获取模块，用于基于第一训练数据源，采用深度神经网络dnn算法进行模型训练，得到内容匹配度确定模型。

观点片段确定模块530，还用于：

将属于当前答案观点分类的语句与问答类查询语句的相关度信息，输入预先建立的分类模型；得到分类模型输出的对应语句被选择的概率值；

将概率值最高的语句作为当前答案观点分类对应的观点片段。

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：多组数据对，每组数据对包括随机问答类查询语句、与该随机问答类查询语句对应的搜索结果中的语句、该语句与该随机问答类查询语句的相关度信息、以及该语句是否被选作观点片段的标注信息；

分类模型获取模块，用于基于第二训练数据源，采用支持向量机svm算法进行模型训练，得到分类模型。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

实施例五

图6为本发明实施例五提供的一种计算机设备的结构示意图，如图6所示，本实施例提供的一种计算机设备，包括：处理器61和存储器62。该计算机设备中的处理器可以是一个或多个，图6中以一个处理器61为例，所述计算机设备中的处理器61和存储器62可以通过总线或其他方式连接，图6中以通过总线连接为例。

本实施例中计算机设备的处理器61中集成了上述实施例提供的信息搜索装置。此外，该计算机设备中的存储器62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，如本发明实施例中信息搜索方法对应的程序指令/模块。处理器61通过运行存储在存储器62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信息搜索方法。

存储器62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62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62可进一步包括相对于处理器61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61通过运行存储在存储器62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信息搜索方法。

实施例六

本发明实施例六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信息搜索方法。

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信息搜索方法中的相关操作。

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。