一种命名实体识别方法及装置与流程

本发明涉及语言处理技术领域，具体而言，涉及一种命名实体识别方法及装置。

背景技术：

命名实体识别(namedentityrecognition,ner)是自然语言处理中的一项基础的任务，是指从文本中识别出命名性指称项，为关系抽取等任务做铺垫。狭义上是识别出人名、地名和组织机构名等专有名词。在特定领域中，会相应地定义领域内的各种实体类型。命名实体识别是信息提取、问答系统、句法分析、机器翻译、面向semanticweb的元数据标注等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位。

目前已有的命名实体识别方法，主要分为三类：第一类是基于规则的方法，利用手工编写的规则，将文本与规则进行匹配来识别出命名实体。第二类是基于特征模板的方法，统计机器学习方法将命名实体识别视作序列标注任务，利用大规模语料来学习出标注模型，从而对句子的各个位置进行标注。第三类是基于神经网络的方法，基于神经网络的方法，随着词的分布式表示的出现，神经网络成为可以有效处理许多nlp序列标注任务的模型。这种方法使得模型的训练成为一个端到端的整体过程，不依赖特征工程，是一种数据驱动的方法，但该方法在对中文进行识别时，其准确度不是太高。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种命名实体识别方法及装置，以解决上述技术问题。

第一方面，本发明实施例提供了一种命名实体识别方法，包括：

获取待识别文本，所述待识别文本包括多个字；

将所述待识别文本输入字嵌入模型中获得所述待识别文本中每个字对应的字向量，以及将所述待识别文本输入拼音嵌入模型中，获得每个字对应的拼音向量；

将每个字向量和对应的拼音向量进行组合获得组合向量，将所有的字分别对应的组合向量输入双向长短时记忆网络bilstm中进行语义编码，获得所述待识别文本对应的语义信息特征；

根据所述语义信息特征获得所述待识别文本中对应的实体标签序列。

进一步地，所述根据所述语义信息特征获得所述待识别文本中对应的实体标签序列，包括：

对所述语义信息特征利用softmax函数进行归一化，获得所述待识别文本中每一个字为各个标签的发射概率值；

获取每个字对应的最大的发射概率值对应的标签，并根据所有的字对应的标签构成所述实体标签序列。

进一步地，所述将所述待识别文本输入字嵌入模型中获得所述待识别文本中每个字对应的字向量，包括：

将所述待识别文本输入所述字嵌入模型中，所述字嵌入模型对每个字进行onehot编码映射，获得每个字对应的字向量，所述字向量的长度为固定的。

进一步地，所述bilstm包括正向长短时记忆网络lstm和反向lstm；相应的，所述将所述组合向量输入双向长短时记忆网络bilstm中进行语义编码，获得所述待识别文本对应的语义信息特征，包括：

所述正向sltm对所述待识别文本进行特征提取，获得第一隐状态序列；

所述反向sltm对所述待识别文本进行特征提取，获得第二隐状态序列；

将所述第一隐状态序列和所述第二隐状态序列按照所述待识别文本中每个字的顺序进行拼接，获得所述语义信息特征。

进一步地，所述所述根据所述语义信息特征获得所述待识别文本中对应的实体标签序列，包括：

将所述语义信息利用softmax函数进行归一化，获得待识别文本中每个字为各个标签的发射概率值；

将所述发射概率值输入条件随机场crf中，根据各个标签的发射概率值和所述crf中的转移概率矩阵获得所述实体标签序列。

进一步地，所述将所述发射概率值输入条件随机场crf中，根据各个标签的发射概率值和所述crf中的转移概率矩阵获得所述实体标签序列，包括：

根据计算获得所述待识别文本的总概率值；

根据对所述总概率值进行归一化，获得所述实体标签序列；其中，为所述待识别文本中第i个字对应的发射概率值，n为所述待识别文本的字的个数，为所述待识别文本中第i个字的发射概率值对应的转移概率值；yx为预先设定的所有的标签序列，n和i均为正整数，且i≤n。

进一步地，所述方法，还包括：

通过卷积神经网络以及最大池化法构建所述拼音嵌入模型。

第二方面，本发明实施例提供了一种命名实体识别装置，包括：

获取模块，用于获取待识别文本，所述待识别文本包括多个字；

向量识别模块，用于将所述待识别文本输入字嵌入模型中获得所述待识别文本中每个字对应的字向量，以及将所述待识别文本输入拼音嵌入模型中，获得每个字对应的拼音向量；

语义编码模块，用于将每个字向量和对应的拼音向量进行组合获得组合向量，将所有的字分别对应的组合向量输入双向长短时记忆网络bilstm中进行语义编码，获得所述待识别文本对应的语义信息特征；

标注模块，用于根据所述语义信息特征获得所述待识别文本中对应的实体标签序列。

第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：

所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法步骤。

本发明实施例通过根据字嵌入模型和拼音向量模型分别得到待识别文本对应的字向量和拼音向量，并且将字向量和拼音向量进行组合输入到bilstm中进行识别，从而能够很好的弥补字向量表示的不足，使得识别的准确率大大提高。

本发明的其他特征和优点将在随后的说明书阐述，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实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的一种命名实体识别方法流程示意图；

图2为本发明实施例提供的命名实体识别模型示意图；

图3为本发明实施例提供的拼音嵌入模型示意图；

图4为本发明实施例提供的一种命名实体识别装置结构示意图；

图5为本发明实施例提供的电子设备的结构框图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

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。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1为本发明实施例提供的一种命名实体识别方法流程示意图，如图1所示，该方法，包括：

步骤101：获取待识别文本，所述待识别文本包括多个字；

在具体的实施过程中，首先识别装置获取待识别文本，应当说明的是，待识别文本可以是待识别的一段文本，文本中包括有多个汉字。所谓的命名实体识别是要将这段文本中属于预设标签的字识别出来，预设标签可以是：人名、地名、政府名称、或者武器名称等，可以根据实际情况预先进行定义标签。本发明实施例采用bieo的标注集，b表示实体的开始(begin)，i表示实体的中间(intermediate)，e表示实体的结束(end)，o表示非实体(other)。比如要做人名的实体识别，以“学习雷锋好榜样”为例，那么标注序列为“oobeooo”，这样就把名字“雷锋”提取出来了。

步骤102：将所述待识别文本输入字嵌入模型中获得所述待识别文本中每个字对应的字向量，以及将所述待识别文本输入拼音嵌入模型中，获得每个字对应的拼音向量；

在具体的实施过程中，装置中包括有一个识别模型，该识别模型中包括字嵌入模型、拼音嵌入模型和bilstm网络，还可以包括crf层，其中，字嵌入模型和拼音嵌入模型构成了嵌入层，bilstm网络构成了bilstm层。装置首先将待识别文本输入到字嵌入模型和拼音嵌入模型中，字嵌入模型生成待识别文本中每个字对应的字向量，拼音嵌入模型生成待识别文本中每个字对应的拼音向量。应当说明的是，字嵌入模型的工作原理是将接收到的待识别文本中的每个字进行onehot编码映射，获得低维稠密的字向量，且该字向量的长度是固定的。并且，拼音向量的长度也是固定的，假设通过拼音嵌入模型获得的每个字的拼音向量的长度小于设定的长度，则可以通过padding补齐，比如：<padding,w,a,n,g,padding>等。

步骤103：将每个字向量和对应的拼音向量进行组合获得组合向量，将所有的字分别对应的组合向量输入双向长短时记忆网络bilstm中进行语义编码，获得所述待识别文本对应的语义信息特征；

在具体的实施过程中，在获取到每个字对应的字向量和拼音向量后，将字向量和拼音向量进行连接，获得组合向量，具体可以为，将拼音向量接在字向量的后面。假设字向量的长度为p，拼音向量的长度为q，那么嵌入模型层的长度为w＝p||q。其中||表示向量连接。将组合向量作为bilstm的输入，在bilstm中进行语义编码，从而获得待识别文本对应的语义信息特征。应当说明的是，语义信息特征是指待识别本文中每个字为各个标签的的得分，该得分是未经过归一化处理的。

步骤104：根据所述语义信息特征获得所述待识别文本中对应的实体标签序列。

在具体的实施过程中，装置在获取到语义信息特征后，针对每个字来说，从中获取得分最高的标签作为这个字的标签，从而能够获得待识别文本中对应的实体标签序列。

本发明实施例通过根据字嵌入模型和拼音向量模型分别得到待识别文本对应的字向量和拼音向量，并且将字向量和拼音向量进行组合输入到bilstm中进行识别，从而能够很好的弥补字向量表示的不足，使得识别的准确率大大提高。

在上述实施例的基础上，所述根据所述语义信息特征获得所述待识别文本中对应的实体标签序列，包括：

对所述语义信息特征利用softmax函数进行归一化，获得所述待识别文本中每一个字为各个标签的发射概率值；

获取每个字对应的最大的发射概率值对应的标签，并根据所有的字对应的标签构成所述实体标签序列。

在具体的实施过程中，根据获得的语义特征信息利用softmax函数进行归一化，获得待识别文本中每一个字是各个标签的发射概率值，并使得语义特征信息中的每个字对应的得分均在[0,1]之间。对于每个字来说，将发射概率值最大的标签作为这个字的标签，待识别文本中的所有的字对应的标签构成了实体标签序列。应当说明的是，也可以直接从语义信息特征中将得分最高的标签作为这个字的标签，然后所有的字的标签构成实体标签序列。

在上述实施例的基础上，所述bilstm包括正向长短时记忆网络lstm和反向lstm；相应的，所述将所述组合向量输入双向长短时记忆网络bilstm中进行语义编码，获得所述待识别文本对应的语义信息特征，包括：

所述正向sltm对所述待识别文本进行特征提取，获得第一隐状态序列；所述反向sltm对所述待识别文本进行特征提取，获得第二隐状态序列；将所述第一隐状态序列和所述第二隐状态序列按照所述待识别文本中每个字的顺序进行拼接，获得所述语义信息特征。

在具体的实施过程中，bilstm包括正向长短时记忆网络lstm和反向lstm，将组合向量(x1,x2,…,xn)输入bilstm之后，正向lstm对组合向量进行运算，获得第一隐状态序列反向lstm对组合向量进行运算，获得第二隐状态序列将和在各个位置输出的隐状态进行按位置拼接，获得语义信息特征应当说明的是，位置是指每个字在待识别文本中的位置。

在上述实施例的基础上，所述所述根据所述语义信息特征获得所述待识别文本中对应的实体标签序列，包括：

将所述语义信息利用softmax函数进行归一化，获得待识别文本中每个字为各个标签的发射概率值；将所述发射概率值输入条件随机场crf中，根据各个标签的发射概率值和所述crf中的转移概率矩阵获得所述实体标签序列。

在具体的实施过程中，通过bilstm获得的待识别文本的识别结果可能会出现无效的情况，例如：当连续两个字对应的标签的是b，则说明识别无效。此时，可以根据获得的语义特征信息利用softmax函数进行归一化，获得待识别文本中每一个字是各个标签的发射概率值，并使得语义特征信息中的每个字对应的得分均在[0,1]之间。将发射概率值输入到crf中，crf中包括的参数是一个(k+2)×(k+2)的矩阵a，k为预先设定的标签的个数，aij表示的是从第i个标签到第j个标签的转移得分，加2是因为要为句子首部添加一个起始状态以及为句子尾部添加一个终止状态。记对应待识别文本的长度的标签序列为y＝(y1,y2,...,yn)，那么crf模型对于待识别文本x的标签等于y的评分为整个待识别文本的总概率值等于各个位置的评分之和，每个位置的评分由两部分组成，一部分是由bilstm输出的pi决定，其中pi是根据bilstm得到的语义信息特征通过softmax计算得到，另一部分由crf的状态转移矩阵a决定。利用softmax归一化后的概率为其中yx表示所有的标签序列，包括可能出现和不可能出现的标签序列。其中，为待识别文本中第i个字对应的发射概率值，n为待识别文本的字的个数，为待识别文本中第i个字的发射概率值对应的转移概率值；yx为预先设定的所有的标签序列，n和i均为正整数，且i≤n。

当说明的是，crf是预先训练好的，在训练时，crf模型通过最大化对数似然函数进行训练，模型在预测时使用动态规划的viterbi算法来求解最优路径。

本发明实施例通过将发射概率值输入crf中进行标注，从而解决了bilstm输出无效的情况，进一步提高了识别的准确性。

图2为本发明实施例提供的命名实体识别模型示意图，如图2所示，该模型包括字嵌入模型、拼音嵌入模型、bilstm模型和crf层，其中bilstm模型又包括前向lstm和后向lstm，以待识别文本为“我爱中国”为例，首先将“我爱中国”输入字嵌入模型中，获得每个字的字向量，然后将“我爱中国”输入到拼音嵌入模型中，获得每个字的拼音向量，将每个字的字向量和拼音向量进行组合，获得组合向量，然后将组合向量输入前向lstm和后向lstm，分别获得第一隐状态序列和第二隐状态序列，将第一隐状态序列和第二隐状态序列进行拼接，获得语义信息特征，然后将语义信息特征输入到crf中，以实现对待识别文本的标注，获得实体标签序列。

在上述实施例的基础上，所述方法，还包括：

通过卷积神经网络以及最大池化法构建所述拼音嵌入模型。

在具体的实施过程中，在进行识别之前，需要预先构建拼音嵌入模型，

图3为本发明实施例提供的拼音嵌入模型示意图，如图3所示，以“网络”为例，“网络”的拼音为“wangluo”，由于“wangluo”的长度小于预设长度，因此前后均用padding进行补齐，然后将“wangluo”输入到字嵌入模型中，经过卷积层对“wangluo”进行卷积计算，为了避免卷积神经网络过拟合，在卷基层后面增加池化层，经过最大池化后获得拼音向量。

本发明实施例通过卷积神经网络和最大池化法构建拼音嵌入模型，防止了卷积神经网络过拟合，从而得到适中的拼音向量。

图4为本发明实施例提供的一种命名实体识别装置结构示意图，如图4所示，该装置，包括：获取模块401、向量识别模块402、语义编码模块403和标注模块404，其中，

获取模块401用于获取待识别文本，所述待识别文本包括多个字；向量识别模块402用于将所述待识别文本输入字嵌入模型中获得所述待识别文本中每个字对应的字向量，以及将所述待识别文本输入拼音嵌入模型中，获得每个字对应的拼音向量；语义编码模块403用于将每个字向量和对应的拼音向量进行组合获得组合向量，将所有的字分别对应的组合向量输入双向长短时记忆网络bilstm中进行语义编码，获得所述待识别文本对应的语义信息特征；标注模块404用于根据所述语义信息特征获得所述待识别文本中对应的实体标签序列。

在上述实施例的基础上，标注模块404，具体用于：

对所述语义信息特征利用softmax函数进行归一化，获得所述待识别文本中每一个字为各个标签的发射概率值；

获取每个字对应的最大的发射概率值对应的标签，并根据所有的字对应的标签构成所述实体标签序列。

在上述实施例的基础上，向量识别模块402，具体用于：

将所述待识别文本输入所述字嵌入模型中，所述字嵌入模型对每个字进行onehot编码映射，获得每个字对应的字向量，所述字向量的长度为固定的。

在上述实施例的基础上，所述bilstm包括正向长短时记忆网络lstm和反向lstm；相应的，语义编码模块403，具体用于：

所述正向sltm对所述待识别文本进行特征提取，获得第一隐状态序列；

所述反向sltm对所述待识别文本进行特征提取，获得第二隐状态序列；

将所述第一隐状态序列和所述第二隐状态序列按照所述待识别文本中每个字的顺序进行拼接，获得所述语义信息特征。

在上述实施例的基础上，标注模块404，具体用于：

将所述语义信息利用softmax函数进行归一化，获得待识别文本中每个字为各个标签的发射概率值；

将所述发射概率值输入条件随机场crf中，根据各个标签的发射概率值和所述crf中的转移概率矩阵获得所述实体标签序列。

在上述实施例的基础上，标注模块404，具体用于：

根据计算获得所述待识别文本的总概率值；

根据对所述总概率值进行归一化，获得所述实体标签序列；其中，为所述待识别文本中第i个字对应的发射概率值，n为所述待识别文本的字的个数，为所述待识别文本中第i个字的发射概率值对应的转移概率值；yx为预先设定的所有的标签序列，n和i均为正整数，且i≤n。

在上述实施例的基础上，装置还包括：

拼音模型建立模块，用于通过卷积神经网络以及最大池化法构建所述拼音嵌入模型。

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，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本发明实施例通过根据字嵌入模型和拼音向量模型分别得到待识别文本对应的字向量和拼音向量，并且将字向量和拼音向量进行组合输入到bilstm中进行识别，从而能够很好的弥补字向量表示的不足，使得识别的准确率大大提高。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待识别文本，所述待识别文本包括多个字；将所述待识别文本输入字嵌入模型中获得所述待识别文本中每个字对应的字向量，以及将所述待识别文本输入拼音嵌入模型中，获得每个字对应的拼音向量；将每个字向量和对应的拼音向量进行组合获得组合向量，将所有的字分别对应的组合向量输入双向长短时记忆网络bilstm中进行语义编码，获得所述待识别文本对应的语义信息特征；根据所述语义信息特征获得所述待识别文本中对应的实体标签序列。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待识别文本，所述待识别文本包括多个字；将所述待识别文本输入字嵌入模型中获得所述待识别文本中每个字对应的字向量，以及将所述待识别文本输入拼音嵌入模型中，获得每个字对应的拼音向量；将每个字向量和对应的拼音向量进行组合获得组合向量，将所有的字分别对应的组合向量输入双向长短时记忆网络bilstm中进行语义编码，获得所述待识别文本对应的语义信息特征；根据所述语义信息特征获得所述待识别文本中对应的实体标签序列。

请参照图5，图5为本发明实施例提供的电子设备的结构框图。电子设备可以包括识别模型501、存储器502、存储控制器503、处理器504、外设接口505、输入输出单元506、音频单元507、显示单元508。

所述存储器502、存储控制器503、处理器504、外设接口505、输入输出单元506、音频单元507、显示单元508各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述识别模型501包括至少一个可以软件或固件(firmware)的形式存储于所述存储器502中或固化在识别模型501的操作系统(operatingsystem，os)中的软件功能模块。所述处理器504用于执行存储器502中存储的可执行模块，例如识别模型501包括的软件功能模块或计算机程序。

其中，存储器502可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器502用于存储程序，所述处理器504在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器504中，或者由处理器504实现。

处理器504可以是一种集成电路芯片，具有信号的处理能力。上述的处理器504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(dsp)、专用集成电路(asic)、现成可编程门阵列(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504也可以是任何常规的处理器等。

所述外设接口505将各种输入/输出装置耦合至处理器504以及存储器502。在一些实施例中，外设接口505，处理器504以及存储控制器503可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元506用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元506可以是，但不限于，鼠标和键盘等。

音频单元507向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元508在所述电子设备与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元508可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器504进行计算和处理。

所述外设接口505将各种输入/输入装置耦合至处理器504以及存储器502。在一些实施例中，外设接口505，处理器504以及存储控制器503可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元506用于提供给用户输入数据实现用户与处理终端的交互。所述输入输出单元506可以是，但不限于，鼠标和键盘等。

可以理解，图5所示的结构仅为示意，所述电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，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装置、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方式中，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，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到变化或替换，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。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。