一种目标实体链接方法、装置、设备及存储介质与流程

本申请涉及计算机技术领域，尤其涉及一种目标实体链接方法、装置、设备及存储介质。

背景技术：

poi(pointofinterest，兴趣点)是地理信息系统中收集的地理信息表现形式，可以是一栋建筑物、一个商家、一个邮筒或者一个公交站等。每个poi实体的属性信息一般可以包括实体文本信息和地址信息。poi实体链接是指将地址文本中的poi实体文本信息链向poi实体库中实体文本信息，进而获取准确的地址信息的过程，在自然语言处理、信息检索等领域有着广泛的应用前景。

现有的poi实体链接技术大多采用计算文本相似度和候选排序的方案，具体的，可以根据目标实体文本信息的分词信息构建关键词；然后，通过关键词召回相关实体文本信息；接着，基于目标实体文本信息与相关实体文本信息间文本的相似度由高到低进行排序；选取排序最靠前的相关实体文本信息作为目标实体文本信息的链接实体文本信息，进而获取到目标实体文本信息的地址信息。但是上述现有的方案中仅仅考虑了实体文本信息间的文本相似度，往往无法准确的判断实体文本信息是否对应同一实体，这样就会导致链接的错误，并没有很好的解决实体歧义的问题，准确率较低。因此，需要提供更可靠或更有效的方案。

技术实现要素：

本申请提供了一种目标实体链接方法、装置、设备及存储介质，可以提高对实体文本信息的表征能力，进而提高确定的链接实体文本信息的准确性，基于该链接实体文本信息可以成功的实现目标实体的实体链接。

一方面，本申请提供了一种目标实体链接方法，所述方法包括：

对目标实体文本信息进行多维度文本分析处理，得到多维度文本信息，所述多维度文本信息包括词信息和词权重信息；

基于所述词信息从预设实体库中确定所述目标实体文本信息的候选实体文本信息，所述预设实体库包括实体文本信息的词信息和词权重信息；

将所述目标实体文本信息的词信息、词权重信息和所述候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息；

将所述关联实体文本信息作为所述目标实体文本信息的链接实体文本信息。

另一方面提供了一种目标实体链接装置，所述装置包括：

多维度文本分析处理模块，用于对目标实体文本信息进行多维度文本分析处理，得到多维度文本信息，所述多维度文本信息包括词信息和词权重信息；

候选实体文本信息确定模块，用于基于所述词信息从预设实体库中确定所述目标实体文本信息的候选实体文本信息，所述预设实体库包括实体文本信息的词信息和词权重信息；

语义关联模块，用于将所述目标实体文本信息的词信息、词权重信息和所述候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息；

链接实体文本信息确定模块，用于将所述关联实体文本信息作为所述目标实体文本信息的链接实体文本信息。

另一方面提供了一种目标实体链接设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的目标实体链接方法。

另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的目标实体链接方法。

本申请提供的目标实体链接方法、装置、设备及存储介质，具有如下技术效果：

本申请通过对目标实体文本信息进行多维度文本分析处理，得到可以从更多的维度来表征目标实体文本信息的多维度文本信息；然后，基于多维度文本信息中的词信息从预设实体库中筛选出的候选实体文本信息；接着，将目标实体文本信息和候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，通过在进行语义关联时，结合词权重，同时兼顾了实体文本信息间的关联的强弱程度和对每个实体文本信息中每个特征的重要程度的表征；可以准确的确定出目标实体文本信息的链接实体文本信息，成功将目标实体文本信息链接到预设实体库。利用本说明书实施例提供的技术方案可以大大提高对实体文本信息的表征能力，进而提高确定的链接实体文本信息的准确性，基于该链接实体文本信息可以成功的实现目标实体的实体链接。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它附图。

图1是本申请实施例提供的一种实体链接系统的示意图；

图2是本申请实施例提供的一种目标实体链接方法的流程示意图；

图3是本申请实施例提供的一种对目标实体文本信息进行多维度文本分析处理，得到多维度文本信息方法的流程示意图；

图4是本申请实施例提供的另一种对目标实体文本信息进行多维度文本分析处理，得到多维度文本信息方法的流程示意图；

图5是本申请实施例提供的一种语义关联模型训练方法的流程示意图；

图6是本申请实施例提供的一种将所述目标实体文本信息的词信息、词权重信息和所述候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息方法的流程示意图；

图7是本申请实施例基于语义关联模型进行语义关联，得到目标实体文本信息与候选实体文本信息的关联分值的一种示例的示意图；

图8是本申请实施例提供的另一种目标实体链接方法的流程示意图；

图9是本申请实施例提供的一种实体链接的场景示意图；

图10是本申请实施例提供的一种目标实体链接装置的结构示意图；

图11是本申请一种服务器的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

请参阅图1，图1是本申请实施例提供的一种实体链接系统的示意图，如图1所示，该系统至少可以包括实体库构建模块和实体链接模块。

具体的，本说明书实施例中，所述系统可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。

具体的，本说明书实施例中，所述实体库构建模块可以用于构建包括大量实体文本信息的文本索引和空间索引的实体库(即预设实体库)；具体的，所述空间索引可以包括大量实体文本信息(poi实体文本信息)与实体文本信息的地址信息的空间索引，具体的，所述地址信息可以包括但不限于路网数据、乡镇数据、村庄数据、以及门址库数据等。所述文本索引可以包括大量实体文本信息与该大量实体文本信息的词信息间的文本索引，具体的，所述词信息可以包括但不限于实体文本信息全称、别名、分词后的关键词、拼音、同义词、纠错词等信息。另外，文本索引还可以包括大量实体文本信息与该大量实体文本信息词权重、词角色信息、词层级信息和词功能信息的文本索引。

在实际应用中，所述实体库还可以包括大量实体文本信息与其排名信息的排名索引。具体的，实体文本信息的排名信息可以包括基于实体文本信息的搜索量、点赞量等反应实体文本信息热度的信息所确定的排名，一般的，实体文本信息的热度越高，该实体文本信息的排名越靠前。

具体的，本说明书实施例中，所述实体链接模块可以用于对目标实体文本信息进行多维度文本分析处理；然后，基于多维度文本分析处理后的信息和实体库中的文本索引信息召回目标实体文本信息的候选实体文本信息；接着，结合语义关联模型进行实体关联，从候选实体文本信息中确定目标实体文本信息的关联实体文本信息；接着，可以结合实体库中的空间索引信息进行关联实体文本信息与目标实体文本信息地址匹配验证；在验证通过后，可以将关联实体文本信息作为目标实体文本信息的链接实体文本信息，进而基于该链接实体文本信息实现目标实体文本信息的实体链接。

以下介绍本申请一种目标实体链接方法的具体实施例，图2是本申请实施例提供的一种目标实体链接方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：

s201：对目标实体文本信息进行多维度文本分析处理，得到多维度文本信息。

本说明书实施例中，目标实体文本信息可以为某一目标实体的文本信息；本说明书实施例中，所述多维度文本信息可以包括词信息和词权重信息。具体的，所述词信息至少包括下述之一：原词信息、拼音信息、同义词信息、纠错词信息；

当所述词信息包括原词信息、拼音信息、同义词信息和纠错词信息时，如图3所示，所述对目标实体文本信息进行多维度文本分析处理，得到多维度文本信息可以包括：

s2011：对所述目标实体文本信息进行分词处理，得到所述目标实体文本信息的原词信息。

本说明书实施例中，可以结合自然语言处理算法对目标实体文本信息进行分词处理，得到的分词后的多个词语可以作为该目标实体文本信息的原词信息。

在一个具体的实施例中，例如目标实体文本信息为：中国技术交易大厦，相应的，分词处理后的原词信息可以包括中国、技术、交易、大厦四个词语。

此外，需要说明的是，在一些实施例中，分词处理后的原词信息中还可以包括单个的字。

s2013：将所述原词信息的拼音信息作为所述目标实体文本信息的拼音信息。

本说明书实施例中，可以获取原词信息中每个字的拼音信息，以得到目标实体文本信息的拼音信息。

在一个具体的实施例中，例如目标实体文本信息的原词信息为中国、技术、交易、大厦，相应的，目标实体文本信息的拼音信息可以包括：zhongguo、jishu、jiaoyi、dasha。

s2015：对所述原词信息进行同义转换处理，得到所述目标实体文本信息的同义词信息。

本说明书实施例中，可以结合同义转换模型来得到目标实体文本信息的同义词信息。具体的，可以将所述原词信息输入预先确定的同义转换模型进行同义转换处理，将所述原词信息中词语转换为同义词，得到目标实体文本信息的同义词信息。

具体的，所述同义转换模型包括采用下述方式确定：

1)获取待训练词对数据；

2)基于所述词对数据对第二深度学习模型进行同义转换训练，得到同义转换模型。

具体的，待训练词对数据可以包括多对标注有同语义或不同语义的词语对。

本说明书实施例中的第二深度学习模型可以包括但不限于卷积神经网络、逻辑回归，或递归神经网络等。

s2017：对所述原词信息进行纠错处理，得到所述目标实体文本信息的纠错词信息。

本说明书实施例中，对原词信息进行纠错处理可以包括但不限于结合原词信息中词语的拼音进行纠错或者原词信息中词语的字形进行纠错。

在一个具体的实施例中，以结合原词信息中词语的拼音进行纠错为例，可以基于一定规则进行纠错，具体的，可以通过提炼拼音词条的规则，对用户输入的拼音串执行规则检验以获取相应的纠错结果。具体的，例如对黄龙村进行纠错处理，得到纠错词：皇龙村。

s2019：基于词权重识别模型确定所述原词信息、拼音信息、同义词信息和纠错词信息中词语的词权重。

本说明书实施例中，所述词权重识别模型包括基于标注有词权重的词信息训练得到的模型。具体的，可以采集大量标注有词权重的词信息；基于标注有词权重的词信息对第三深度学习模型进行词权重识别训练，得到词权重识别模型。后续，将一个词信息输入到词权重识别模型就可以得到该词信息中词语的词权重。

本说明书实施例中的第三深度学习模型可以包括但不限于卷积神经网络、逻辑回归，或递归神经网络等。

具体的，所述标注有词权重的词信息中可以包括多个标注有词权重的词语，具体的，词语的词权重可以表征该词语在实体文本信息中的不可缺失性。具体的，词语在实体文本信息中的不可缺失性可以反映该词语在实体文本信息区别于其他实体文本信息时所起的作用大小。

在一个具体的实施例中，假设词信息包括“中关村”、“大街”、“46号”三个词语；相应的，这里“中关村”、“大街”两个词语往往比“46号”出现的频率高，以现有的词频方式来确定词权重，“中关村”、“大街”两个词语的词权重比“46号”的词权重大；但从词语在实体文本信息中的不可缺失性来考虑，即“中关村”、“大街”“46号”对于实体文本信息“中关村大街46号”区别于其他实体文本信息时所起的作用大小来考虑，“46号”在“中关村大街46号”区别于其他实体文本信息时所起的作用大于“中关村”和“大街”。具体的，本说明书实施例中，可以将“中关村”、“大街”“46号”的词权重分别标注为0.66、0.77、0.94。

本说明书实施例中，通过获取多维度的词信息和表征词信息中词语在实体文本信息中不可缺失性的词权重，可以更好的表征目标实体文本信息，进而提高后续确定的链接实体文本信息的准确性。

在一些实施例中，所述多维度文本信息至少还可以包括下述之一：词角色信息、词层级信息和词功能信息。具体的，如图4所示，当所述多维度文本信息包括：词角色信息、词层级信息和词功能信息时，所述对目标实体文本信息进行多维度文本分析处理，得到多维度文本信息可以包括：

s20111：基于所述目标实体文本信息中词语的词性，确定所述目标实体文本信息的词角色信息。

本说明书实施例中，目标实体文本信息中不同的词语往往具有不同的词性，具体的，词语的词性可以指以词的特点作为划分词类的根据。

在一个具体的实施例中，例如目标实体文本信息为中国技术交易大厦，相应的，目标实体文本信息中的“中国”、“技术”、“交易”和“大厦”四个词语的中“中国”的词角色为国家名，“技术”的词角色为业务名词，“交易”的词角色为业务动词，“大厦”的词角色为类别词。

s20113：基于所述目标实体文本信息中词语间的结构关系，确定所述目标实体文本信息的词层级信息。

本说明书实施例中，目标实体文本信息中词语间往往存在一定的结构关系，例如词语间存在主从关系，相应的，对词语间的结构关系进行主从层次识别，从而确定目标实体文本信息中词层级信息，例如中国技术交易大厦b座，“b座”是“中国技术交易大厦”从属成分，相应的，“中国技术交易大厦”可以为主层级，“b座”从属层级。

s20115：对所述目标实体文本信息中词语进行功能分析，得到所述目标实体文本信息的词功能信息。

本说明书实施例中，对目标实体文本信息中词语进行功能分析可以包括将标实体文本信息中词语词映射到预设功能分组中，具体的，预设功能分组可以包括：核心词，即定位目标实体文本信息唯一性的专有名词、数量、方位等词；类别词，即定位目标实体文本信息是什么的业务、类别等词；附加词，即补充说明目标实体文本信息的附加信息(如分店、主点等)；其他词，即目标实体文本信息中除了核心词、类别词和附加词以外的词语。

本说明书实施例中，通过获取目标实体文本信息的词角色信息、词层级信息和词功能信息可以从更多的维度来表征目标实体文本信息，可以更好的表征目标实体文本信息，进而提高后续确定出的链接实体文本信息的准确性。

s203：基于所述词信息从预设实体库中确定所述目标实体文本信息的候选实体文本信息。

本说明书实施例中，所述预设实体库可以包括实体文本信息的词信息和词权重信息。具体的，预设实体库中实体文本信息的词信息和词权重的确定步骤可以参见商户目标实体文本信息的词信息和词权重的确定步骤，在此不再赘述。

在实际应用中，预设实体库中的所述词信息和词权重包含于预设实体库中的文本索引中，即词信息和词权重均与实体文本信息相对应。

具体的，基于所述词信息从预设实体库中确定所述目标实体文本信息的候选实体文本信息可以包括：

1)基于所述目标实体文本信息的词信息和所述预设实体库中实体文本信息的词信息确定所述目标实体文本信息与所述预设实体库中实体文本信息的文本相关性。

本说明书实施例中，所述文本相关性可以包括能够反映目标实体文本信息与预设实体库中实体文本信息之间的文本相关程度或趋势的字符化表征通过预设的规则量化的一特定值；当目标实体文本信息与预设实体库中实体文本信息之间的文本相关程度越好，文本相关性越大，该特定值越大；反之，当目标实体文本信息与预设实体库中实体文本信息之间的文本相关程度越差，文本相关性越小，该特定值越小。

本说明书实施例中，确定目标实体文本信息与预设实体库中实体文本信息的文本相关性可以包括但不限于采用bm25算法，具体的，可以将目标实体文本信息的词信息(这里的词信息可以包括但不限于原词信息、拼音信息、同义词信息和纠错词信息中的至少一种)中每个词语看作qi；然后，将预设实体库中实体文本信息的词信息(这里的词信息可以包括实体文本信息全称)看作d，计算每个qi与d的相关性得分，最后，将qi相对于实体文本信息的词信息d的相关性得分进行加权求和，从而得到目标实体文本信息与实体文本信息d的相关性得分(即文本相关性)。

bm25算法的一般性公式如下：

其中，q表示目标实体文本信息，qi表示目标实体文本信息中的第i个词语；d表示预设实体库中的任一实体文本信息的词信息；wi表示目标实体文本信息中第i个词语的权重；r(qi，d)表示第i个词语与实体文本信息的词信息d的相关性得分。

本说明书实施例中，wi可以结合词频－逆向文件频率(tf-idf)算法来确定。

本说明书实施例中，目标实体文本信息中每个词语qi与预设实体库中实体文本信息的相关性得分r(qi，d)可以结合如下两个公式计算：

其中，k1，k2，b为调节因子，通常根据实际应用情况进行设置，例如k1＝2，k2＝10，b＝0.75。fi为qi在d中的出现频率，qfi为qi在目标实体文本信息中的出现频率，dl为预设实体库中实体文本信息的词信息d的长度，avgdl为预设实体库中实体文本信息的词信息的长度。

本说明书实施例中，考虑到因为实体文本信息大多为短文本，实体文本信息的词信息间的长度差别不大，原公式中将预设实体库中实体文本信息的词信息d的长度除以avgdl(所有实体文本信息的词信息的平均长度)没有意义，故直接将现有的公式中的avgdl参数设置为预设实体库中实体文本信息的词信息的长度，进而简化计算过程，提高计算效率。

2)基于所述文本相关性从预设实体库确定所述目标实体文本信息的候选实体文本信息。

本说明书实施例中，在得到文本相关性之后，可以将与目标实体文本信息的词信息的文本相关性大于等于第一预设阈值的实体文本信息作为所述目标实体文本信息的候选实体文本信息。

在另一些实施例中，在得到文本相关性之后，可以按照文本相关性的大小由大到小进行排序，将排名靠前第一预设位的实体文本信息作为所述目标实体文本信息的候选实体文本信息。

以上介绍的是结合文本相关性来进行候选实体文本信息选取的方案，在另一些实施例中，还可以结合语义相关性进行候选实体文本信息的选取，具体的，所述基于所述词信息从预设实体库中确定所述目标实体文本信息的候选实体文本信息可以包括：

1)确定所述目标实体文本信息和所述预设实体库中实体文本信息的词信息的语义相关性。

本说明书实施例中，在确定语义相关性时，所述目标实体文本信息和所述预设实体库中实体文本信息的词信息可以包括但不限于原词信息、拼音信息、同义词信息和纠错词信息中的至少一种。具体的，确定语义相关性的步骤可以如下：

1)确定目标实体文本信息和预设实体库中实体文本信息的词信息的词向量；

具体的，这里确定词向量的方式可以包括但不限于结合word2vector模型。

2)计算词向量间的相似度。

本说明书实施例中，通过词信息的词向量间的相似度来表征词语之间的语义相关性。具体的，这里的词向量间的相似度可以包括但不限于词向量间的余弦距离、欧式距离、曼哈顿距离等。

本说明书实施例中，所述语义相关性可以包括能够反映目标实体文本信息与预设实体库中实体文本信息之间的语义相关程度或趋势；当目标实体文本信息预设实体库中实体文本信息之间的语义相关程度越好，词向量间的相似度越大，语义相关性越大；反之，当目标实体文本信息的词信息与预设实体库中实体文本信息之间的语义相关程度越差。词向量间的相似度越小，语义相关性越小；

另外，当词信息包括多维度的信息(即多种词信息)时，可以分别求取每个维度的词信息的词向量，然后将多个维度的词向量进行加权平均，并基于目标实体文本信息和预设实体库中实体文本信息的加权平均后的词向量进行标实体文本信息和预设实体库中实体文本信息相似度的计算，进而得到目标实体文本信息和预设实体库中实体文本信息间的语义相关性。

2)基于所述语义相关性从预设实体库确定所述目标实体文本信息的候选实体文本信息。

本说明书实施例中，在得到语义相关性之后，可以将与目标实体文本信息的词信息的语义相关性大于等于第二预设阈值的实体文本信息作为所述目标实体文本信息的候选实体文本信息。

在另一些实施例中，在得到语义相关性之后，可以按照语义相关性的大小由大到小进行排序，将排名靠前第二预设位的实体文本信息作为所述目标实体文本信息的候选实体文本信息。

在实际应用中，实体文本信息往往对应着一个地址信息，相应的，在另一些实施例中，还可以结合地址信息来进行候选实体文本信息的选取。相应的，所述预设实体库还可以包括实体文本信息的地址信息，所述方法还可以包括：

1)获取所述目标实体文本信息的地址信息。

2)确定所述目标实体文本信息和候选实体文本信息的地址信息的相关性。

本说明书实施例中，所述地址信息间的相关性可以包括能够反映目标实体文本信息与预设实体库的地址信息匹配程度或趋势的字符化表征通过预设的规则量化的一特定值；当地址信息间匹配程度越好，地址信息间的相关性越大，该特定值越大；反之，当地址信息间匹配程度越差，地址信息间的相关性越小，该特定值越小。

具体的，所述地址信息可以包括但不限于路网数据、乡镇数据、村庄数据、以及门址库数据等；本说明书实施例中地址信息间的相关性可以包括对两个地址信息中路网数据、乡镇数据、村庄数据、以及门址库数据等进行两两比对，有一项相同，地址信息的相关性所对应的特定值加1，反之，不同，地址信息的相关性所对应的特定值不变。

3)基于所述地址信息的相关性从所述候选实体文本信息中确定所述目标实体文本信息的第一目标候选实体文本信息。

本说明书实施例中，在得到地址信息的相关性之后，可以将与目标实体文本信息的地址信息的相关性大于等于第三预设阈值的地址信息所对应的实体文本信息作为所述目标实体文本信息的候选实体文本信息。

此外，需要说明的是，在实际应用中，预设实体库中的所述地址信息包含于预设实体库中的空间索引中，即地址信息与实体文本信息相对应。

在另一些实施例中，在得到地址信息的相关性之后，可以按照地址信息的相关性的大小由大到小进行排序，将排名靠前第三预设位的实体文本信息作为所述目标实体文本信息的候选实体文本信息。

在另一些实施例中，所述预设实体库还包括基于实体文本信息的热度信息所产生的实体文本信息的排名信息，实体文本信息的排名信息往往表征该实体文本信息的重要程度相应的，还可以结合排名信息来进行候选实体文本信息的选取，避免重要程度较高的候选实体不被过滤掉。具体的，所述方法还可以包括：

1)获取所述第一目标候选实体文本信息的排名信息。

具体的，这里第一目标候选实体文本信息的排名信息的确定可结合上述相关步骤，在此不再赘述。

2)基于所述排名信息从所述第一目标候选实体文本信息中确定所述目标实体文本信息的第二目标候选实体文本信息；

本说明书实施例中，在得到排名信息之后，可以按照排名信息由前到后进行排序，将排名靠前第四预设位的实体文本信息作为所述目标实体文本信息的候选实体文本信息。

此外，需要说明的是，在实际应用中，预设实体库中的所述排名信息包含于预设实体库中的排名索引中，即排名信息与实体文本信息相对应。

本说明书实施例中，第一预设阈值、第二预设阈值、第三预设阈值、第一预设位、第二预设位、第三预设位和第四预设位可以结合实际应用进行设置。

在另一些实施例中，在基于所述词信息从预设实体库中确定所述目标实体文本信息的候选实体文本信息之前，还可以结合模糊匹配算法和词信息从预设实体库召回部分实体文本信息，以便减少后续的计算量。

相应的，所述基于所述词信息从预设实体库中确定所述目标实体文本信息的候选实体文本信息可以包括基于所述词信息从部分实体文本信息中确定所述目标实体文本信息的候选实体文本信息。

本说明书实施例中，通过文本相关性、语义相关性、地址信息的相关性以及排名信息多角度进行目标实体文本信息的候选实体文本信息的筛选，可以大大提高筛选出的候选实体文本信息与目标实体文本信息间的关联性，进而保证后续确定出的链接实体文本信息的准确性。

此外，需要说明的是，上述多种确定候选实体文本信息的方案，在实际应用中可以并不仅限于上述的处理顺序，在实际应用中，例如还可以在基于地址信息的方案之前进行基于排名信息的方案，来确定候选实体文本信息；也可以多种方案结合来确定候选实体文本信息。

s205：将所述目标实体文本信息的词信息、词权重信息和所述候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息。

本说明书实施例中，可以预先训练好可以对两个实体文本信息进行语义关联的(即识别出两个实体文本信息是否为同一实体文本信息)语义关联模型，本说明书实施例中，所述语义关联模型可以包括基于设置有词权重的词信息训练得到的模型。本说明书实施例语义关联模型的训练过程中所采用的第一深度学习模型可以包括但不限于逻辑回归、深度语义匹配模型(matchpyramid)等。具体的，以深度语义匹配模型(matchpyramid)为例，如图5所示，所述语义关联模型包括采用下述方式确定：

s2051：获取正采样数据。

本说明书实施例中，正采样数据可以包括同簇关系的实体文本信息和/或主子关系的实体文本信息。具体的，所述同簇关系的实体文本信息可以包括同一实体文本信息的不同文本信息，例如北大和北京大学。具体的，所述主子关系的实体文本信息可以包括对应同一实体文本信息的不同层级的文本信息，例如北大图书馆(子)和北大(主)。

s2053：获取负采样数据。

本说明书实施例中，负采样数据可以包括地址信息错误的实体文本信息和/或两两不同的实体文本信息间的相关性满足预设条件的实体文本信息。

具体的，两两不同的实体文本信息间的相关性满足预设条件的实体文本信息可以包括两个不同的实体文本信息的相关程度大于设定的程度。

s2055：对所述正采样数据和所述负采样数据分别进行多维度文本分析处理，得到所述正采样数据和所述负采样数据的多维度文本信息，所述多维度文本信息包括词信息和词权重信息。

具体的，这里的多维度文本分析处理可以参见上述对目标实体文本信息的多维度文本分析的相关步骤，在此不再赘述。

s2057：将所述正采样数据的词信息和词权重信息，以及所述负采样数据的词信息和词权重信息输入第一深度学习模型进行语义关联训练，得到所述语义关联模型。

在一个具体的实施例中，第一深度学习模型可以包括关联矩阵构建层、卷积层、池化层、和多层感知器。

其中，所述关联矩阵构建层用于基于两个关联对象(正采样数据和负采样数据)的词信息构建关联矩阵；

所述卷积层可以用于基于关联矩阵构建层构建的关联矩阵确定相应的特征向量；

所述池化层可以用于对卷积层输出的特征向量进行降维处理；

所述多层感知器可以用于对池化层降维处理后的特征向量、结合词权重进行相似拟合处理，得到表征两个关联对象间关联程度的关联分值。

具体的，在语义关联模型训练过程中，将训练数据(正采样数据的词信息和词权重，以及负采样数据的词信息和词权重)输入到第一深度学习模型，关联矩阵构建层基于正采样数据中两个实体文本信息的是否一致，对关联矩阵进行赋值，一致的为1，不一致的为0；然后，经过卷积层、池化层的处理后，可以得到实体文本信息的词信息中每个词语的特征向量；接着，在多层感知器中在基于特征向量进行两个实体文本信息的词信息进行相似拟合处理时，即计算两个词信息的特征向量间的相似度(这里的相似度可以包括但不限于余弦距离、欧式距离、曼哈顿距离等)时，可以结合词信息中每个特征向量对应词语的词权重，输出的关联分值为训练数据为正采样本数据的概率p(p为0-1之间的数字)，而正采样数据和负采样数据的样本标签分别使y是1和0，将样本标签y与概率p的损失定义为(y-p)^2，相应的，训练过程中根据(y-p)^2可以得到误差error；使用梯度下降法，更新每个阈值，再次训练。修改完的阈值会使得下一次模型输出的概率p和样本标签y之间的误差变得更小，当该误差小于一定值时，可以将当前的第一深度学习模型作行语义关联模型。

本说明书实施例中，通过词权重的方式在进行语义关联模型建立时，保证了同时兼顾关联对象间的关联的强弱程度和对每个关联对象中每个特征(词信息中每个词语)的重要程度的表征。

具体的，如图6所示，将所述目标实体文本信息的词信息、词权重信息和所述候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息可以包括：

s2059：在所述语义关联模型的关联矩阵构建层中，基于所述目标实体文本信息和所述候选实体文本信息的词信息构建关联矩阵。

s20511：在所述语义关联模型的卷积层中，基于所述关联矩阵确定所述目标实体文本信息和所述候选实体文本信息的特征向量。

s20513：在所述语义关联模型的池化层中，对所述目标实体文本信息和所述候选实体文本信息的特征向量进行降维处理。

s20515：在所述语义关联模型的多层感知器中，对降维处理后的所述目标实体文本信息的特征向量、词权重和所述候选实体文本信息的特征向量、词权重进行相似拟合处理，得到表征所述目标实体文本信息与所述候选实体文本信息间关联程度的关联分值。

s20517：基于所述关联分值从所述候选实体文本信息中确定所述目标实体文本信息的关联实体文本信息。

本说明书实施例中，可以将关联分值最高的候选实体文本信息作为目标实体文本信息的关联实体文本信息。

在一个具体的实施例，如图7所示，图7是本申请实施例基于语义关联模型进行语义关联，得到目标实体文本信息与候选实体文本信息的关联分值的一种示例的示意图。

此外，需要说明的是，图7仅仅是第一深度学习模型的一种示例，在实际应用中，第一深度学习模型可以包括更多层，例如卷积层为三层。

此外，需要说明书的是，当词信息包括多个维度的词信息时，可以对每个维度的词信息进行相似拟合处理时，结合该维度词信息中每个词语的词权重计算得到每个维度所对应的相似度，然后对多个维度进行加权平均，作为最终的关联分值。

本说明书实施例中，将所述目标实体文本信息的词信息、词权重信息和所述候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息可以包括：将所述目标实体文本信息和所述第一目标候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息；或，将目标实体文本信息和第二目标候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息；

在另一些实施例中，所述预设实体库还可以包括实体文本信息的词角色信息、词层级信息和词功能信息；在实际应用中，预设实体库中的所述词角色信息、词层级信息和词功能信息包含于预设实体库中的文本索引中，即词角色信息、词层级信息和词功能信息均与实体文本信息相对应。

相应的，将所述目标实体文本信息的词信息、词权重信息和所述候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息可以包括：将所述目标实体文本信息和所述候选实体文本信息的词信息、词权重信息、词角色信息、词层级信息以及词功能信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息。

具体的，考虑到词信息、词权重信息、词角色信息、词层级信息以及词功能信息对应着实体文本信息不同维度的特征向量，可以对每个维度的特征向量进行相似拟合处理时，然后对多个维度进行加权平均，作为最终的关联分值。

本说明书实施例中，在两个实体文本信息进行语义关联处理时，结合词权重同时兼顾了实体文本信息间的关联的强弱程度和对每个实体文本信息中每个特征的重要程度的表征，另外，通过多个维度的信息来表征实体文本信息，可以大大提高实体文本信息的特征向量对实体文本信息的表征能力，进而提高后续确定链接实体文本信息的准确性。

s207：将所述关联实体文本信息作为所述目标实体文本信息的链接实体文本信息。

本说明书实施例中，在确定关联实体文本信息之后，可以直接将所述关联实体文本信息作为所述目标实体文本信息的链接实体文本信息。本说明书实施例中，目标实体文本信息的链接实体文本信息与该目标实体文本信息为同一实体文本信息。

在另一些实施例中，为了更好的保证链接实体文本信息的准确性，在将所述关联实体文本信息作为所述目标实体文本信息的链接实体文本信息之前，如图8所示，所述方法还可以包括：

s209：对所述目标实体文本信息和所述关联实体文本信息的地址信息进行匹配验证；

本说明书实施例中，实体文本信息的地址信息可以包括某一实体所对应的地址信息。相应的，当所述关联实体文本信息的地址信息与所述目标实体文本信息的地址信息匹配时，执行将所述关联实体文本信息作为所述目标实体文本信息的链接实体文本信息的步骤。

由以上本说明书实施例提供的技术方案可见，本说明书实施例通过对目标实体文本信息进行多维度文本分析处理，得到可以从更多的维度来表征目标实体文本信息的多维度文本信息；然后，基于多维度文本信息中的词信息从预设实体库中筛选出的候选实体文本信息；接着，将目标实体文本信息和候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，通过在进行语义关联时，结合词权重，同时兼顾了实体文本信息间的关联的强弱程度和对每个实体文本信息中每个特征的重要程度的表征，进而可以准确的确定出目标实体文本信息的关联实体文本信息；接着，另外，还通过目标实体文本信息和所述关联实体文本信息的地址信息进行匹配验证，可以更好的保证确定出目标实体文本信息的链接实体文本信息的准确性，成功将目标实体文本信息链接到预设实体库。利用本说明书实施例提供的技术方案可以大大提高对实体文本信息的表征能力，进而提高确定的链接实体文本信息的准确性，基于该链接实体文本信息可以成功的实现目标实体的实体链接。

以下结合图9，介绍物流业务中需要将用户填写的物流信息与实体库中的实体进行链接的场景，具体的，介绍用户填写的物流信息包括北京市xx区xx路xx号中国xxxxx大厦a座xx层xx公司；其中，“中国xxxxx大厦a座”为目标实体文本信息；“北京市xx区xx路xx号”为地址信息。相应的，可以通过对“中国xxxxx大厦a座”的多维度文本分析，得到“中国xxxxx大厦a座”的多维度文本信息；然后，基于多维度文本分析处理后的词信息从实体库召回“中国xxxxx大厦a座”的候选实体文本信息；接着，结合语义关联模型进行实体关联，从候选实体文本信息中确定“中国xxxxx大厦a座”的关联实体文本信息；接着，可以结合实体库中的空间索引进行关联实体文本信息与“中国xxxxx大厦a座”的地址信息“北京市xx区xx路xx号”的匹配验证；在验证通过后，可以将关联实体文本信息作为“中国xxxxx大厦a座”的链接实体文本信息，进而基于该链接实体文本信息实现“中国xxxxx大厦a座”的实体链接，将目标实体文本信息成功链接到实体库，进而可以获取实体库中该链接实体文本信息的坐标，实现对用户物流信息的准确定位。

此外，需要说明的是，实体库中实体文本信息的坐标等实体文本信息的相关详细信息可以存储于实体库，也可以存储在其他数据库。

本申请实施例还提供了一种目标实体链接装置，如图10所示，所述装置包括：

多维度文本分析处理模块1010，可以用于对目标实体文本信息进行多维度文本分析处理，得到多维度文本信息，所述多维度文本信息包括词信息和词权重信息；

候选实体文本信息确定模块1020，可以用于基于所述词信息从预设实体库中确定所述目标实体文本信息的候选实体文本信息，所述预设实体库包括实体文本信息的词信息和词权重信息；

语义关联模块1030，可以用于将所述目标实体文本信息的词信息、词权重信息和所述候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息；

链接实体文本信息确定模块1040，可以用于将所述关联实体文本信息作为所述目标实体文本信息的链接实体文本信息。

在一些实施例中，所述语义关联模块1030可以包括：

关联矩阵构建单元，用于在所述语义关联模型的关联矩阵构建层中，基于所述目标实体文本信息和所述候选实体文本信息的词信息构建关联矩阵；

特征向量确定单元，用于在所述语义关联模型的卷积层中，基于所述关联矩阵确定所述目标实体文本信息和所述候选实体文本信息的特征向量；

降维处理单元，用于在所述语义关联模型的池化层中，对所述目标实体文本信息和所述候选实体文本信息的特征向量进行降维处理；

相似拟合处理单元，用于在所述语义关联模型的多层感知器中，对降维处理后的所述目标实体文本信息的特征向量、词权重和所述候选实体文本信息的特征向量、词权重进行相似拟合处理，得到表征所述目标实体文本信息与所述候选实体文本信息间关联程度的关联分值；

关联实体文本信息确定单元，用于基于所述关联分值从所述候选实体文本信息中确定所述目标实体文本信息的关联实体文本信息。

在一些实施例中，所述语义关联模型包括采用下述单元确定：

正采样数据获取单元，用于获取正采样数据，所述正采样数据包括同簇关系的实体文本信息和/或主子关系的实体文本信息；

负采样数据获取单元，用于获取负采样数据，所述负采样数据包括地址信息错误的实体文本信息和/或两两不同的实体文本信息间的相关性满足预设条件的实体文本信息。

多维度文本分析处理单元，用于对所述正采样数据和所述负采样数据分别进行多维度文本分析处理，得到所述正采样数据和所述负采样数据的多维度文本信息，所述多维度文本信息包括词信息和词权重信息；

语义关联训练单元，用于将所述正采样数据的词信息和词权重信息，以及所述负采样数据的词信息和词权重信息输入第一深度学习模型进行语义关联训练，得到所述语义关联模型。

在一些实施例中，所述词信息至少包括下述之一：原词信息、拼音信息、同义词信息、纠错词信息；

当所述词信息包括原词信息、拼音信息、同义词信息和纠错词信息时，所述多维度文本分析处理模块1010包括：

分词处理单元，用于对所述目标实体文本信息进行分词处理，得到所述目标实体文本信息的原词信息；

拼音信息确定单元，用于将所述原词信息的拼音信息作为所述目标实体文本信息的拼音信息；

同义转换处理单元，用于对所述原词信息进行同义转换处理，得到所述目标实体文本信息的同义词信息；

纠错处理单元，用于对所述原词信息进行纠错处理，得到所述目标实体文本信息的纠错词信息；

词权重确定单元，用于基于词权重识别模型确定所述原词信息、拼音信息、同义词信息和纠错词信息中词语的词权重，所述词权重识别模型包括基于标注有词权重的词信息训练得到的模型；

所述词语的词权重表征所述词语在实体文本信息中的不可缺失性。

在一些实施例中，所述候选实体文本信息确定模块1020包括：

文本相关性确定单元，用于基于所述目标实体文本信息的词信息和所述预设实体库中实体文本信息的词信息确定所述目标实体文本信息与所述预设实体库中实体文本信息的文本相关性；

第一候选实体文本信息确定单元，用于基于所述文本相关性从预设实体库确定所述目标实体文本信息的候选实体文本信息。

在一些实施例中，所述候选实体文本信息确定模块1020包括：

语义相关性确定单元，用于确定所述目标实体文本信息和所述预设实体库中实体文本信息的词信息的语义相关性；

第二候选实体文本信息确定单元，用于基于所述语义相关性从预设实体库确定所述目标实体文本信息的候选实体文本信息。

在一些实施例中，所述预设实体库还可以包括实体文本信息的地址信息，所述候选实体文本信息确定模块1020还包括：

地址信息获取单元，用于获取所述目标实体文本信息的地址信息；

相关性确定单元，用于确定所述目标实体文本信息和候选实体文本信息的地址信息的相关性；

第三候选实体文本信息确定单元，用于基于所述地址信息的相关性从所述候选实体文本信息中确定所述目标实体文本信息的第一目标候选实体文本信息；

相应的，所述语义关联模块1030具体用于将所述目标实体文本信息和所述第一目标候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息。

在一些实施例中，所述预设实体库还可以包括实体文本信息的排名信息，所述候选实体文本信息确定模块1020还包括：

排名信息获取单元，用于获取所述第一目标候选实体文本信息的排名信息；

第四候选实体文本信息确定单元，用于基于所述排名信息从所述第一目标候选实体文本信息中确定所述目标实体文本信息的第二目标候选实体文本信息；

相应的，所述语义关联模块1030具体用于将所述目标实体文本信息和所述第二目标候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息。

在一些实施例中，所述多维度文本信息至少还可以包括下述之一：词角色信息、词层级信息和词功能信息；

当所述多维度文本信息包括：词角色信息、词层级信息和词功能信息时，所述多维度文本分析处理模块1010可以包括：

词角色信息确定单元，用于基于所述目标实体文本信息中词语的词性，确定所述目标实体文本信息的词角色信息；

词层级信息确定单元，用于基于所述目标实体文本信息中词语间的结构关系，确定所述目标实体文本信息的词层级信息；

功能分析单元，用于对所述目标实体文本信息中词语进行功能分析，得到所述目标实体文本信息的词功能信息。

在一些实施例中，所述预设实体库还可以包括实体文本信息的词角色信息、词层级信息和词功能信息；

所述语义关联模块1030可以具体用于将所述目标实体文本信息和所述候选实体文本信息的词信息、词权重信息、词角色信息、词层级信息以及词功能信息输入语义关联模型进行语义关联，得到所述目标实体文本信息的关联实体文本信息。

在一些实施例中，所述装置还包括：

匹配验证模块，用于对所述目标实体文本信息和所述关联实体文本信息的地址信息进行匹配验证；

相应的，链接实体文本信息确定模块1040还用于当所述关联实体文本信息的地址信息与所述目标实体文本信息的地址信息匹配时，将所述关联实体文本信息作为所述目标实体文本信息的链接实体文本信息。

所述的装置实施例中的装置与方法实施例基于同样地申请构思。

本申请实施例提供了一种目标实体链接设备，该目标实体链接设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的目标实体链接方法。

存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要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、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器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、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。

本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图11是本申请实施例提供的一种目标实体链接方法的服务器的硬件结构框图。如图11所示，该服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessingunits，cpu)1110(处理器1110可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器1130，一个或一个以上存储应用程序1123或数据1122的存储介质1120(例如一个或一个以上海量存储设备)。其中，存储器1130和存储介质1120可以是短暂存储或持久存储。存储在存储介质1120的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1110可以设置为与存储介质1120通信，在服务器1100上执行存储介质1120中的一系列指令操作。服务器1100还可以包括一个或一个以上电源1160，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1140，和/或，一个或一个以上操作系统1121，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。

输入输出接口1140可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1100的通信供应商提供的无线网络。在一个实例中，输入输出接口1140包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1140可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

本领域普通技术人员可以理解，图11所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器1100还可包括比图11中所示更多或者更少的组件，或者具有与图11所示不同的配置。

本申请的实施例还提供了一种存储介质，所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种目标实体链接方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的目标实体链接方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

由上述本申请提供的目标实体链接方法、装置、设备或存储介质的实施例可见，本申请中通过对目标实体文本信息进行多维度文本分析处理，得到可以从更多的维度来表征目标实体文本信息的多维度文本信息；然后，基于多维度文本信息中的词信息从预设实体库中筛选出的候选实体文本信息；接着，将目标实体文本信息和候选实体文本信息的词信息、词权重信息输入语义关联模型进行语义关联，通过在进行语义关联时，结合词权重，同时兼顾了实体文本信息间的关联的强弱程度和对每个实体文本信息中每个特征的重要程度的表征，进而可以准确的确定出目标实体文本信息的关联实体文本信息；接着，另外，还通过目标实体文本信息和所述关联实体文本信息的地址信息进行匹配验证，可以更好的保证确定出目标实体文本信息的链接实体文本信息的准确性，成功将目标实体文本信息链接到预设实体库。利用本说明书实施例提供的技术方案可以大大提高对实体文本信息的表征能力，进而提高确定的链接实体文本信息的准确性，基于该链接实体文本信息可以成功的实现目标实体的实体链接。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。