机器翻译的校准优化方法、装置与电子设备与流程

本发明实施例涉及机器翻译
技术领域：
，更具体地，涉及一种机器翻译的校准优化方法、装置与电子设备。
背景技术：
：机器翻译是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。虽然当前机器翻译系统的总体翻译质量在不断地提高，但其质量的稳定性还无法得到保障。例如，对于一些特殊任务翻译的输入，其输出的质量有时无法满足一定标准。这种情况下，翻译人员在后编辑这些质量忽高忽低的译文时，往往需要花费大量的精力和时间去做审校，这无疑会影响译员的工作效率。机器翻译自动质量评估(qualityestimationformachinetranslation,qe)可以对机器翻译引擎输出句子的质量进行智能预测。通过显式的质量标注，翻译人员可以轻松地选择是在机器翻译结果的基础上做后编辑，还是自己从头开始翻译。然而，实际应用中往往希望智能辅助翻译能够更进一步地来协助翻译工作。这项任务即是自动后编辑(automaticpost-edit,ape)。自动后编辑任务并不是发生在机器翻译引擎的内部，而是将引擎系统视为一个黑盒，并对这个黑盒的输出在外部进行自动化的修正，以获得质量更好的译文。那么，如何将机器翻译自动质量评估和自动后编辑这两个相互独立的任务进行有效结合以更有效的提高翻译质量的问题，成为目前业界亟待解决的需要课题。技术实现要素：为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种机器翻译的校准优化方法、装置与电子设备，用以将机器翻译自动质量评估和自动后编辑进行有效的结合，从而能够更有效的提高后编辑效率及翻译质量。第一方面，本发明实施例提供一种机器翻译的校准优化方法，包括：基于目标文档的原文和机器译文，利用训练完成的多任务学习的神经网络模型，进行机器翻译质量评估，并对所述目标文档的所述机器译文进行自动后编辑；其中，所述训练完成的多任务学习的神经网络模型是事先利用一定量的训练样本，对基础多任务学习的神经网络模型进行迭代训练更新获取的，任一所述训练样本包括样本原文、样本机器译文、样本机器翻译质量标签和样本后编辑文。第二方面，本发明实施例提供一种机器翻译的校准优化装置，包括：数据获取模块，用于获取目标文档的原文和机器译文；评估与后编辑输出模块，用于基于所述目标文档的原文和机器译文，利用训练完成的多任务学习的神经网络模型，进行机器翻译质量评估，并对所述目标文档的所述机器译文进行自动后编辑；其中，所述训练完成的多任务学习的神经网络模型是事先利用一定量的训练样本，对基础多任务学习的神经网络模型进行迭代训练更新获取的，任一所述训练样本包括样本原文、样本机器译文、样本机器翻译质量标签和样本后编辑文。第三方面，本发明实施例提供一种电子设备，包括：至少一个存储器、至少一个处理器、通信接口和总线；所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信，所述通信接口用于所述电子设备与机器翻译设备之间的信息传输；所述存储器中存储有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，实现如上第一方面所述的机器翻译的校准优化方法。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，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如上第一方面所述的机器翻译的校准优化方法。本发明实施例提供的机器翻译的校准优化方法、装置与电子设备，通过采用多任务学习的神经网络模型，并事先利用包含样本机器翻译质量标签和样本后编辑文的训练样本对模型进行训练，能够有效的将机器翻译自动质量评估和自动后编辑这两个相互独立又密切相关的任务进行紧密结合，从而能够更有效的提高后编辑效率及翻译质量。附图说明为了更清楚地说明本发明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发明的一些实施例，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机器翻译的校准优化方法的流程示意图；图2根据本发明一实施例提供的机器翻译的校准优化方法中多任务学习的神经网络模型的结构示意图；图3为本发明实施例提供的机器翻译的校准优化装置的结构示意图；图4为本发明实施例提供的电子设备的实体结构示意图。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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明实施例的一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通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，都属于本发明实施例保护的范围。本发明实施例针对现有技术中后编辑任务由人工完成，耗时耗力、效率低等的问题，通过采用多任务学习的神经网络模型，并事先利用包含样本机器翻译质量标签和样本后编辑文的训练样本对模型进行训练，能够有效的将机器翻译自动质量评估和自动后编辑这两个相互独立又密切相关的任务进行紧密结合，从而能够更有效的提高后编辑效率及翻译质量。以下将具体通过多个实施例对本发明实施例进行展开说明和介绍。图1为本发明实施例提供的机器翻译的校准优化方法的流程示意图，如图1所示，该方法包括：s101，获取目标文档的原文和机器译文。可以理解，对于待处理的目标文档，其通常是由某一种语种的语言表述的，即为原文。对该目标文档进行翻译，即是将其转换为相同语义的另外一种语种的语言表述，即为译文。在利用机器进行文档翻译的过程中，输入目标文档的原文，翻译机器可根据该原文输出对应的机器译文。由于机器翻译本身的局限性，机器翻译直接输出的机器译文的质量通常得不到保障。例如，对于原文“littlejohnfoundforthetoyboxinthepen”，利用机器翻译可能会得到机器译文“小约翰在笔中找到了玩具箱”，显然机器翻译的结果与现实场景存在差异。而后编辑是指对翻译机器直接输出的机器译文进行进一步校准和编辑，从而使翻译出的译文的语义与原文更相符合。因此在对机器译文进行后编辑之前，先要获取该原文和机器译文。例如，可以从机器翻译引擎获取该原文和机器译文，也可以从数据库中获取。s102，基于目标文档的原文和机器译文，利用训练完成的多任务学习的神经网络模型，进行机器翻译质量评估，并对目标文档的机器译文进行自动后编辑。其中，训练完成的多任务学习的神经网络模型是事先利用一定量的训练样本，对基础多任务学习的神经网络模型进行迭代训练更新获取的，任一训练样本包括样本原文、样本机器译文、样本机器翻译质量标签和样本后编辑文。可以理解，机器翻译自动质量评估和自动后编辑虽是两个独立的任务，但它们之间的相关度很大。首先，两个任务都是利用类似的数据集，并利用监督型机器学习算法训练模型来实现的，即待翻译的原文，机器翻译的译文和译员后编辑的译文；其次，两者通过一些策略进行组合往往能够提供更好的输出结果。因此，本发明实施例利用基于多任务学习(multi-tasklearning,mtl)神经网络模型，同时做(句子层面的)机器翻译质量评估和自动化后编辑这两项相关性较大的任务。具体而言，在根据上述步骤获取目标文档的原文和机器译文的基础上，以该原文和机器译文为数据基础，进行一系列变换，得到多任务学习的神经网络模型能够处理的数据类型。之后将变换结果输入多任务学习的神经网络模型，利用该模型内部的神经元运算和传递，可同时进行机器翻译质量评估和对机器译文进行自动后编辑。例如，对于上述机器译文“小约翰在笔中找到了玩具箱”，经自动后编辑后，可能输出自动后编辑文“小约翰在围栏中找到了玩具箱”。并同时可输出对该机器翻译的质量评估结果为质量一般。可以理解的是，为了准确的进行机器翻译质量评估运算和后编辑运算，事先需要初始化构建一个基础多任务学习的神经网络模型，并利用一定量的训练样本对该基础模型进行训练。而在进行训练样本集的组建时，对于任一训练样本，其至少包含样本所对应的原文、机器译文、机器翻译质量标签和后编辑文，即样本原文、样本机器译文、样本机器翻译质量标签和样本后编辑文。其中机器翻译质量标签表征对进行机器翻译获取样本机器译文的翻译质量评估。本发明实施例提供的机器翻译的校准优化方法，通过采用多任务学习的神经网络模型，并事先利用包含样本机器翻译质量标签和样本后编辑文的训练样本对模型进行训练，能够有效的将机器翻译自动质量评估和自动后编辑这两个相互独立又密切相关的任务进行紧密结合，从而能够更有效的提高后编辑效率及翻译质量。其中，根据上述各实施例可选的，利用所述训练样本，训练获取所述训练完成的多任务学习的神经网络模型的步骤具体包括：对于任一训练样本，基于该训练样本，利用基础多任务学习的神经网络模型，输出该训练样本的预测机器翻译质量和预测后翻译文；分别将预测机器翻译质量与样本机器翻译质量标签、预测后翻译文和样本后编辑文进行比较，获取预测误差；基于预测误差，利用反向传播算法和梯度下降算法，更新基础多任务学习的神经网络模型的参数，并将更新后的基础多任务学习的神经网络模型作为下一训练样本的基础多任务学习的神经网络模型，直至获取训练完成的多任务学习的神经网络模型。可以理解，本发明实施例在对多任务学习的神经网络模型进行训练之前，先要搜集数据并做一些预处理，来得到一定规模的数据集。从该数据集中，可选取一定量的数据作为训练样本，逐个利用这些训练样本对构建的基础多任务学习的神经网络模型进行训练和更新，最终得到满足一定精度要求的模型即是训练完成的多任务学习的神经网络模型。在对数据进行搜集和处理时，对于每一条数据，需要搜集如下数据并进行处理：搜集待翻译的一条文档原文，并可对其进行分词；搜集上述待翻译的文档的机器翻译译文，并可对其进行分词；搜集译员对上述机器翻译译文的后编辑译文，并可对其进行分词；获取对上述机器翻译译文进行质量评估的质量标签。之后，可从整个数据集中随机选取t条数据，组成m集合用于模型的训练和测试，其中m集合可表示为：m＝{(m11,m12,m13,m14),…,…,(mt1,mt2,mt3,mt4)},其中(mi1,mi2,mi3,mi4)代表第i条数据的(已分词的原文，已分词的机器翻译译文，已分词的后编辑译文，质量标签)。之后需要对m的原始序列进行重新洗牌，可选取其中80％的数据形成训练集mtrain，剩余的20％形成验证集mtest。在逐一利用上述训练样本对模型进行训练的过程中，首先将训练样本的数据包括，变换成多任务学习的神经网络模型能够处理的数据类型，再将变换后的数据输入待训练的基础多任务学习的神经网络模型，利用基础多任务学习的神经网络模型进行前向运算，得到该训练样本的预测机器翻译质量和预测后翻译文。之后，将预测机器翻译质量与样本机器翻译质量标签进行比较，求取一个预测误差作为第一预测误差。同时，将预测后翻译文和样本后编辑文进行比较，求取另一个预测误差作为第二预测误差。然后根据这两个预测误差判断当前的多任务学习的神经网络模型是否已经达到了预测精度，若是，则训练完成，以当前的多任务学习的神经网络模型作为训练完成的多任务学习的神经网络模型。否则，将这两个预测误差在待训练的多任务学习的神经网络模型中反向传播，并利用梯度下降法对基础多任务学习的神经网络模型的参数进行更新。再之后，取出下一个训练样本，并将上述参数更新后的基础多任务学习的神经网络模型作为下一个训练样本的训练对象，重复执行上述训练更新过程，直至根据预测误差判断获知某次训练结束后的多任务学习的神经网络模型已经达到了预测精度，则确认训练完成，将此时的多任务学习的神经网络模型作为训练完成的多任务学习的神经网络模型。可以理解的是，在获取上述训练完成的多任务学习的神经网络模型的基础上，为进一步验证该模型的普适性，利用上述验证集中的数据对该模型进行验证。若验证获知其精度满足要求，则确认该模型可靠，可用于实际的机器翻译的校准优化应用。可以理解的是，在利用训练样本，训练获取训练完成的多任务学习的神经网络模型的步骤之前，本发明实施例的方法还可以包括：获取对样本机器译文的后编辑成本，并基于后编辑成本和样本原文，通过归一化处理和分段处理，获取样本机器翻译质量标签。后编辑成本表示对样本机器译文进行后编辑，获取样本后编辑文所花费的成本。对于任一训练样本，本发明实施例首先会获取该训练样本从样本机器译文到样本后编辑文的后编辑过程的后编辑成本，该后编辑成本表征对样本机器译文进行后编辑获取样本后编辑文所花费的成本。例如，本发明实施例中获取对样本机器译文的后编辑成本的步骤具体可以包括：在对样本机器译文进行后编辑获取样本后编辑文的过程中，统计进行后编辑所敲击键盘的总次数，作为后编辑成本。之后，需要将后编辑成本转换为机器能够识别的机器翻译质量标签。可以理解的是，后编辑成本越大，说明机器翻译译文的质量越差，反之则质量越好。因此在转换的过程中，先根据后编辑成本和样本原文进行归一化计算，以消除不同样本原文之间的差异。另外，为了根据后编辑成本来评价机器翻译的好坏程度，对上述归一化计算的结果进行区域划分，即进行分段处理，并对各不同的分段区间定义不同的标签，即得到样本机器翻译质量标签。本发明实施例通过对不同机器翻译质量定义不同的质量标签，能够在利用多任务学习的神经网络模型进行质量评估训练过程中更准确的进行不同质量程度的分类，从而根据机器翻译的质量来更好的进行自动后编辑，使后编辑结果更准确。其中可选的，基于后编辑成本和样本原文，通过归一化处理和分段处理，获取样本机器翻译质量标签的步骤具体包括：对后编辑成本和样本原文的长度做相除运算，并对相除运算的结果进行归一化处理；基于归一化处理结果的取值，将归一化处理结果转换为不同等级的样本机器翻译质量标签。本发明实施例首先将后编辑成本除以目标文档的原文的长度(该长度可依据原文中词的总个数来确定)，以去除不同文档长短的影响。然后再对上述相除的计算结果进行归一化，如转化为0到1之间的一个值，即是归一化处理结果。最后，将0到1的区间划分为多个连续的子区间，再根据该归一化处理结果所处的子区间，将这个归一化处理结果对应转换为多个不同的质量标签。以将0到1的区间划分为四个连续的子区间为例，可得到如表1所示的归一化处理结果与质量标签转换对应表。表1，归一化处理结果与质量标签转换对应表归一化处理结果质量标签0<＝x<0.254(质量好)0.25<＝x<0.53(质量较好)0.5<＝x<0.752(质量一般)0.75<＝x<＝1.01(质量差)如表1所示，通过上述归一化处理和转换，将携带文档差异信息的后编辑成本转换成了消除了文档差异的质量标签，能够更快速准确的完成模型的训练与优化。其中，根据上述各实施例可选的，进行机器翻译质量评估，并对目标文档的机器译文进行自动后编辑的步骤具体包括：对目标文档的原文和机器译文分别进行分词处理，并将分词处理的结果输入训练好的原文和译文词向量模型，提取原文词向量和机器译文词向量；将原文词向量和机器译文词向量输入训练完成的多任务学习的神经网络模型，以输出机器翻译质量评估结果和对机器译文的自动后编辑文。根据上述各实施例可知，在将目标文档的原文和机器译文输入多任务学习的神经网络模型，先要以该原文和机器译文为数据基础，进行一系列变换，得到多任务学习的神经网络模型能够处理的数据类型。这个变换过程本发明实施例可以利用训练好的原文和译文词向量模型来实现。具体而言，首先需要对目标文档的原文和机器译文分别进行分词处理，得到已分词的原文和已分词的机器译文，即是分词处理的结果。之后，将分词处理的结果分别输入训练好的原文和译文词向量模型，来提取原文的词向量和机器译文的词向量，这些词向量能够清楚的表征原文或者机器译文的内容，并能够被多任务学习的神经网络模型识别。最后，将原文词向量和机器译文词向量输入训练完成的多任务学习的神经网络模型，通过该模型的前向运算，得到出机器翻译质量评估结果和对机器译文的自动后编辑文并输出。其中，在将分词处理的结果输入训练好的原文和译文词向量模型的步骤之前，本发明实施例的方法还可以包括：分别获取原文语种和译文语种的标准单语语料集，并分别对原文语种和译文语种的标准单语语料进行分词处理；基于分词处理的标准单语语料，采用skip-gram算法，训练基础原文和译文词向量模型，并设置模型超参数，获取训练好的原文和译文词向量模型；其中，原文语种是与目标文档的原文对应的语种，译文语种是与目标文档的机器译文对应的语种。本发明实施例在根据上述实施例进行词向量提取的处理之前，需要先利用词向量模型训练样本对词向量模型进行训练。首先需要初始化构建一对基础原文和译文词向量模型，还需要在原文语种和译文语种语料库中获取具有对应关系的标准单语语料集。该对应关系表示，按照标准翻译，在原文语料库和译文语料库中具有相同语义的单语语料间的对应关系。之后，对这些具有对应关系的标准单语语料分别进行分词处理。例如，可以分别下载最新的维基百科的原文语种和译文语种的单语语料集并进行分词。接下来，利用skip-gram算法，分别进行基础原文和译文词向量模型的训练。对于其中一些重要的超参数，还需要单独进行设置。例如，词向量的维度设为300，上下文窗口设为5。本发明实施例利用标准单语语料对基础原文和译文词向量模型进行训练，使得所建立的模型准确度更高。图2示出了根据本发明一实施例提供的机器翻译的校准优化方法中多任务学习的神经网络模型的结构示意图，其中原文语种为英文，译文语种为中文。模型的输入为原文“littlejohnfoundforthetoyboxinthepen.”和机器译文“小约翰在笔中找到了玩具箱。”经过模型内部两个并列算法，即机器翻译质量评估算法和自动后编辑算法的处理，最终输出机器翻译质量评估结果(质量标签)和自动后编辑译文。如表2所示，显示了图2中所示处理过程的输入和输出数据。表2，图2中所示处理过程的输入和输出数据表如表2所示，在向模型输入待翻译的原文“littlejohnfoundforthetoyboxinthepen.”和机器翻译的译文“小约翰在笔中找到了玩具箱。”之后，模型可据此对机器翻译的质量进行评估，评估结果为质量一般2，同时还对机器译文进行自动后编辑，输出后编辑结果“小约翰在围栏中找到了玩具箱。”显然后编辑的结果更符合实际场景，语义更准确。作为本发明实施例的另一个方面，本发明实施例根据上述各实施例提供一种机器翻译的校准优化装置，该装置用于在上述各实施例中实现机器翻译的校准优化。因此，在上述各实施例的机器翻译的校准优化方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，具体可参考上述实施例，此处不在赘述。根据本发明实施例的一个实施例，机器翻译的校准优化装置的结构如图3所示，为本发明实施例提供的机器翻译的校准优化装置的结构示意图，该装置可以用于实现上述各方法实施例中机器翻译的校准优化，该装置包括：数据获取模块301和评估与后编辑输出模块302。其中：数据获取模块301用于获取目标文档的原文和机器译文；评估与后编辑输出模块302用于基于目标文档的原文和机器译文，利用训练完成的多任务学习的神经网络模型，进行机器翻译质量评估，并对目标文档的机器译文进行自动后编辑；其中，训练完成的多任务学习的神经网络模型是事先利用一定量的训练样本，对基础多任务学习的神经网络模型进行迭代训练更新获取的，任一训练样本包括样本原文、样本机器译文、样本机器翻译质量标签和样本后编辑文。具体而言，由于机器翻译本身的局限性，机器翻译直接输出的机器译文的质量通常得不到保障。而后编辑是指对翻译机器直接输出的机器译文进行进一步校准和编辑，从而使翻译出的译文的语义与原文更相符合。因此在对机器译文进行后编辑之前，数据获取模块301先要获取该原文和机器译文。例如，可以从机器翻译引擎获取该原文和机器译文，也可以从数据库中获取。之后，后编辑输出模块302则以上述原文和机器译文为数据基础，进行一系列变换，得到多任务学习的神经网络模型能够处理的数据类型。然后，后编辑输出模块302将变换结果输入多任务学习的神经网络模型，利用该模型内部的神经元运算和传递，可同时进行机器翻译质量评估和对机器译文进行自动后编辑。可以理解的是，为了准确的进行机器翻译质量评估运算和后编辑运算，事先需要初始化构建一个基础多任务学习的神经网络模型，并利用一定量的训练样本对该基础模型进行训练。而在进行训练样本集的组建时，对于任一训练样本，其至少包含样本所对应的原文、机器译文、机器翻译质量标签和后编辑文，即样本原文、样本机器译文、样本机器翻译质量标签和样本后编辑文。其中机器翻译质量标签表征对进行机器翻译获取样本机器译文的翻译质量评估。本发明实施例提供的机器翻译的校准优化装置，通过设置相应的执行模块，采用多任务学习的神经网络模型，并事先利用包含样本机器翻译质量标签和样本后编辑文的训练样本对模型进行训练，能够有效的将机器翻译自动质量评估和自动后编辑这两个相互独立又密切相关的任务进行紧密结合，从而能够更有效的提高后编辑效率及翻译质量。可以理解的是，本发明实施例中可以通过硬件处理器(hardwareprocessor)来实现上述各实施例的装置中的各相关程序模块。并且，本发明实施例的机器翻译的校准优化装置利用上述各程序模块，能够实现上述各方法实施例的机器翻译的校准优化流程，在用于实现上述各方法实施例中机器翻译的校准优化时，本发明实施例的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。作为本发明实施例的又一个方面，本实施例根据上述各实施例提供一种电子设备，参考图4，为本发明实施例提供的电子设备的实体结构示意图，包括：至少一个存储器401、至少一个处理器402、通信接口403和总线404。其中，存储器401、处理器402和通信接口403通过总线404完成相互间的通信，通信接口403用于该电子设备与机器翻译设备之间的信息传输；存储器401中存储有可在处理器402上运行的计算机程序，处理器402执行该计算机程序时，实现如上述各实施例所述的机器翻译的校准优化方法。可以理解为，该电子设备中至少包含存储器401、处理器402、通信接口403和总线404，且存储器401、处理器402和通信接口403通过总线404形成相互间的通信连接，并可完成相互间的通信，如处理器402从存储器401中读取机器翻译的校准优化方法的程序指令等。另外，通信接口403还可以实现该电子设备与机器翻译设备之间的通信连接，并可完成相互间信息传输，如通过通信接口403实现机器翻译的校准优化等。电子设备运行时，处理器402调用存储器401中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：基于目标文档的原文和机器译文，利用训练完成的多任务学习的神经网络模型，进行机器翻译质量评估，并对目标文档的机器译文进行自动后编辑等。上述的存储器401中的程序指令可以通过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，可以存储在一个计算机可读取存储介质中。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。本发明实施例还根据上述各实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行如上述各实施例所述的机器翻译的校准优化方法，例如包括：基于目标文档的原文和机器译文，利用训练完成的多任务学习的神经网络模型，进行机器翻译质量评估，并对目标文档的机器译文进行自动后编辑等。本发明实施例提供的电子设备和非暂态计算机可读存储介质，通过执行上述各实施例所述的机器翻译的校准优化方法，采用多任务学习的神经网络模型，并事先利用包含样本机器翻译质量标签和样本后编辑文的训练样本对模型进行训练，能够有效的将机器翻译自动质量评估和自动后编辑这两个相互独立又密切相关的任务进行紧密结合，从而能够更有效的提高后编辑效率及翻译质量。可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中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，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备(如个人计算机，服务器，或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，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。本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。当前第1页12