数据处理方法、装置、电子设备及存储介质与流程

本公开涉及计算机
技术领域：
，具体涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术：
：随着互联网技术的发展，越来越多产品出现在了线上运营平台。为了能够很好的表达各种产品的共同点和不同点，线上运营平台通常会为产品生成画像数据，方便在各种场景如检索场景下对产品进行分类识别。但是由于产品种类繁多，同样的产品可能具有各种不同的文本描述如产品名称等，而不同产品也可能具有相同或者相似的文本描述，产品画像数据通常又是靠人工筛选关键词的方式给出，而人的抽象概括能力不同，所以误差也较大。因此产品画像数据的标注过程费时费力，而且准确度不高。技术实现要素：本公开实施例提供一种数据处理方法、装置、电子设备及存储介质。第一方面，本公开实施例中提供了一种数据处理方法。具体的，所述数据处理方法，包括：获取样本数据；其中，所述样本数据包括样本产品的文本描述以及所述样本产品所属类别；提取所述文本描述中的关键词；确定所述关键词的重要程度；利用所述样本产品的特征数据以及所述样本产品所属类别对产品识别模型进行训练；其中，所述特征数据包括所述样本产品对应的所述关键词的重要程度。结合第一方面，本公开在第一方面的第一种实现方式中，获取样本数据，包括：获取预设类别下多个样本产品的文本描述；对多个所述样本产品的文本描述进行去重处理。结合第一方面和/或第一方面的第一种实现方式，本公开在第一方面的第二种实现方式中，对多个所述样本产品的文本描述进行去重处理，包括：将同一所述样本产品对应的多个不同文本描述统一映射为相同的文本描述。结合第一方面、第一方面的第一种实现方式和/或第一方面的第二种实现方式，本公开在第一方面的第三种实现方式中，提取所述文本描述中的关键词，包括：对所述文本描述进行分词；将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词。结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和/或第一方面的第三种实现方式，本公开在第一方面的第四种实现方式中，将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词，包括：利用卡方独立检验方法确定所述分词与所述样本产品所属类别的相关性。结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和/或第一方面的第四种实现方式，本公开在第一方面的第五种实现方式中，确定所述关键词的重要程度，包括：将所述关键词的TD-IDF值确定为所述关键词的重要程度。结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式和/或第一方面的第五种实现方式，本公开在第一方面的第六种实现方式中，将所述关键词的TD-IDF值确定为所述关键词的重要程度，包括：确定所述关键词在所述样本产品所属类别下的TD-IDF值；在所述关键词对应有不同类别下的多个TD-IDF值时，选择最小的TD-IDF值作为所述关键词的重要程度。结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式和/或第一方面的第六种实现方式，本公开在第一方面的第七种实现方式中，确定所述关键词的重要程度，包括：在所述样本产品对应的所有分词与所述样本产品所属类别的相关性均低于预设阈值时，将默认值作为所述样本产品对应的关键词的重要程度。第二方面，本公开实施例中提供了一种产品识别方法。具体的，所述产品识别方法，包括：获取待识别产品的文本描述；提取所述文本描述的关键词；确定所述关键词的重要程度；将所述关键词的重要程度输入至预先训练好的产品识别模型中，以对所述待识别产品进行识别；其中，所述产品识别模型利用第一方面所述的方法训练得到。结合第二方面，本公开在第二方面的第一种实现方式中，提取所述文本描述中的关键词，包括：对所述文本描述进行分词；将所述分词与关键词集合进行匹配，确定所述分词是否为关键词。第三方面，本公开实施例中提供了一种数据处理装置。具体的，所述数据处理装置，包括：第一获取模块，被配置为获取样本数据；其中，所述样本数据包括样本产品的文本描述以及所述样本产品所属类别；第一提取模块，被配置为提取所述文本描述中的关键词；第一确定模块，被配置为确定所述关键词的重要程度；训练模块，被配置为利用所述样本产品的特征数据以及所述样本产品所属类别对产品识别模型进行训练；其中，所述特征数据包括所述样本产品对应的所述关键词的重要程度。第四方面，本公开实施例中提供了一种产品识别装置。具体的，所述产品识别装置，包括：第二获取模块，被配置为获取待识别产品的文本描述；第二提取模块，被配置为提取所述文本描述的关键词；第二确定模块，被配置为确定所述关键词的重要程度；识别模块，被配置为将所述关键词的重要程度输入至预先训练好的产品识别模型中，以对所述待识别产品进行识别；其中，所述产品识别模型利用第三方面所述的装置训练得到。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，数据处理装置和/或产品识别装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持数据处理装置和/或产品识别装置执行上述数据处理方法和/或产品识别方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述数据处理装置和/或产品识别装置还可以包括通信接口，用于数据处理装置和/或产品识别装置与其他设备或通信网络通信。第五方面，本公开实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下方法步骤：获取样本数据；其中，所述样本数据包括样本产品的文本描述以及所述样本产品所属类别；提取所述文本描述中的关键词；确定所述关键词的重要程度；利用所述样本产品的特征数据以及所述样本产品所属类别对产品识别模型进行训练；其中，所述特征数据包括所述样本产品对应的所述关键词的重要程度。结合第五方面，本公开在第五方面的第一种实现方式中，获取样本数据，包括：获取预设类别下多个样本产品的文本描述；对多个所述样本产品的文本描述进行去重处理。结合第五方面和/或第五方面的第一种实现方式，本公开在第五方面的第二种实现方式中，对多个所述样本产品的文本描述进行去重处理，包括：将同一所述样本产品对应的多个不同文本描述统一映射为相同的文本描述。结合第五方面、第五方面的第一种实现方式和/或第五方面的第二种实现方式，本公开在第五方面的第三种实现方式中，提取所述文本描述中的关键词，包括：对所述文本描述进行分词；将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词。结合第五方面、第五方面的第一种实现方式、第五方面的第二种实现方式和/或第五方面的第三种实现方式，本公开在第五方面的第四种实现方式中，将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词，包括：利用卡方独立检验电子设备确定所述分词与所述样本产品所属类别的相关性。结合第五方面、第五方面的第一种实现方式、第五方面的第二种实现方式、第五方面的第三种实现方式和/或第五方面的第四种实现方式，本公开在第五方面的第五种实现方式中，确定所述关键词的重要程度，包括：将所述关键词的TD-IDF值确定为所述关键词的重要程度。结合第五方面、第五方面的第一种实现方式、第五方面的第二种实现方式、第五方面的第三种实现方式、第五方面的第四种实现方式和/或第五方面的第五种实现方式，本公开在第五方面的第六种实现方式中，将所述关键词的TD-IDF值确定为所述关键词的重要程度，包括：确定所述关键词在所述样本产品所属类别下的TD-IDF值；在所述关键词对应有不同类别下的多个TD-IDF值时，选择最小的TD-IDF值作为所述关键词的重要程度。结合第五方面、第五方面的第一种实现方式、第五方面的第二种实现方式、第五方面的第三种实现方式、第五方面的第四种实现方式、第五方面的第五种实现方式和/或第五方面的第六种实现方式，本公开在第五方面的第七种实现方式中，确定所述关键词的重要程度，包括：在所述样本产品对应的所有分词与所述样本产品所属类别的相关性均低于预设阈值时，将默认值作为所述样本产品对应的关键词的重要程度。第六方面，本公开实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下方法步骤：获取待识别产品的文本描述；提取所述文本描述的关键词；确定所述关键词的重要程度；将所述关键词的重要程度输入至预先训练好的产品识别模型中，以对所述待识别产品进行识别；其中，所述产品识别模型利用第五方面所述的电子设备训练得到。结合第六方面，本公开在第六方面的第一种实现方式中，获取样本数据，包括：提取所述文本描述中的关键词，包括：对所述文本描述进行分词；将所述分词与关键词集合进行匹配，确定所述分词是否为关键词。第七方面，本公开实施例提供了一种计算机可读存储介质，用于存储数据处理装置和/或产品识别装置所用的计算机指令，其包含用于执行上述任一方法所涉及的计算机指令。本公开实施例提供的技术方案可以包括以下有益效果：本公开实施例的数据处理方法中，获取样本产品的文本描述以及产品所属类别，并提取文本描述的关键词，确定所提取的关键词该样本产品所属类别下的重要程度，进而根据包括关键词的重要程度的特征数据以及产品所属类别训练产品识别模型。通过这种方式训练得到的产品识别模型能够从产品的文本描述学习到文本描述中关键词在该产品类别下对产品识别的影响程度，能够提高产品类别识别的准确度，即使具有相似文本描述的不同产品也能够被产品识别模型所识别。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：图1示出根据本公开一实施方式的数据处理方法的流程图；图2示出根据图1所示实施方式的步骤S101的流程图；图3示出根据图1所示实施方式的步骤S102的流程图；图4示出根据图1所示实施方式中确定关键词重要程度部分的流程图；图5示出根据本公开一实施方式的产品识别方法的流程图；图6示出根据图5所示实施方式的步骤S502的流程图；图7示出根据本公开一实施方式的数据处理装置的结构框图；图8示出根据图7所示实施方式的第一获取模块701的结构框图；图9示出根据图7所示实施方式的第一提取模块702的结构框图；图10示出根据本公开一实施方式中确定关键词重要程度部分的结构框图；图11示出根据本公开一实施方式的产品识别装置的结构框图；图12示出根据图11所示实施方式的第二提取模块1102的结构框图；图13是适于用来实现根据本公开一实施方式的数据处理方法的电子设备的结构示意图。具体实施方式下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。图1示出根据本公开一实施方式的数据处理方法的流程图。如图1所示，所述数据处理方法包括以下步骤：在步骤S101中，获取样本数据；其中，所述样本数据包括样本产品的文本描述以及所述样本产品的类别；在步骤S102中，提取所述文本描述中的关键词；在步骤S103中，确定所述关键词在所述类别下的重要程度；在步骤S104中，利用所述样本产品的特征数据以及所述类别对产品识别模型进行训练；其中，所述特征数据包括所述样本产品对应的所述关键词在所述类别下的重要程度。本实施例中，样本产品可以是线上平台当前所涉及的产品，例如外卖点餐平台上的菜品、电商平台上的服装、生活用品、家居用品等等。样本产品的文本描述包括但不限于产品名称、产品材质、制作过程、功效、尺寸、量等属性的文字描述。例如外卖点餐平台上菜品的文本描述可以包括菜品名、菜品的食材、做法等。在一些实施例中，样本产品的文本描述还可以包括样本产品所属经营者的文本描述。通常情况下，一个经营者会所经营的产品类别都会较为相近，甚至有些经营者只经营一种类别的产品，因此在训练产品识别模型时，将经营者的数据也作为输入数据，使得产品识别模型从经营者数据中学习到能够影响产品类别的特征，进一步提高了产品识别模型的识别准确率。样本产品所属经营者的数据可以包括但不限于经营者的名称、主要经营范围、经营者所经营产品所属的大范围(如餐饮行业中的菜系)等。样本产品的类别可以根据线上平台的已有数据确定，也可以人工对其进行标注。例如，样本数据可以从线上平台已有的产品进行收集，而线上平台通常会对产品有自己的分类，因此可以通过收集各个类别下的产品相关的文本描述，得到本次训练所需的样本数据。针对所获得的每个样本数据，可以从样本产品的文本描述中提取一个或多个关键词，进而确定该一个或多个关键词的重要程度，该重要程度用于表明该关键词对于产品识别所起的作用大小，如果在产品识别中该关键词能起到重要作用，则该关键词的重要程度较高，而如果在产品识别中该关键词不能起到很重要的作用，则该关键词的重要程度较低。关键词的重要程度可以预先通过统计该关键词在同一类别下所有样本产品的文本描述中出现的次数来确定，例如某个关键词在同一类别下所有样本产品的文本描述中出现次数较多，则可以认为该关键词的重要程度较高，而如果该关键词的出现次数较少，则可以认为该关键词的重要程度较低。产品识别模型可以采用xgboost模型、GBDT模型、神经网络模型等。一个样本产品可以对应多个关键词，而每个关键词对应一个重要程度，在训练产品识别模型的时候，可以将重要程度转化向量形式，并将这些多个关键词对应的多个向量进行组合形成模型的输入数据。每个迭代循环过程中，一个样本数据中的特征数据作为产品识别模型的输入，在得到产品识别模型的输出结果后，可以将该输出结果与该样本数据中样本产品所属的类别进行比较，进而更新该产品识别模型的模型参数，以使得产品识别模型的输出结果与样本产品所属类别更加接近。经过大量样本数据的训练，产品识别模型的模型参数被不断更新，在训练结束后，产品识别模型能够针对输入数据给出一个比较准确的输出结果。本公开实施例的数据处理方法中，获取样本产品的文本描述以及产品所属类别，并提取文本描述的关键词，确定所提取的关键词的重要程度，进而根据包括关键词的重要程度的特征数据以及产品所属类别训练产品识别模型。通过这种方式训练得到的产品识别模型能够从产品的文本描述学习到文本描述中的关键词在该产品类别下对产品识别的影响程度，能够提高产品识别的准确度，即使具有相似文本描述的不同产品也能够被产品识别模型所识别。在本实施例的一个可选实现方式中，如图2所示，所述步骤S101，即获取样本数据的步骤，进一步包括以下步骤：在步骤S201中，获取预设类别下多个样本产品的文本描述；在步骤S202中，对多个所述样本产品的文本描述进行去重处理。该可选的实现方式中，收集样本数据时，可以针对线上平台已经具有分类数据的多个预设类别，并分别从预设类别下获取多个样本产品的文本描述。该文本描述可以包括但不限于产品名称、产品材质、制作过程、功效、尺寸、量等属性的文字描述。为了避免收集到重复的样本产品，可以对文本描述进行去重。在本实施例的一个可选实现方式中，所述步骤S202，即对多个所述样本产品的文本描述进行去重处理的步骤，进一步包括以下步骤：将同一所述样本产品对应的多个不同文本描述统一映射为相同的文本描述。该可选的实现方式中，可能会存在同一预设类别下有多个样本产品，而这些样本产品虽然文本描述不同，但是属于同一产品。例如外卖点餐平台中，有的商户上传的菜单中有“西红柿炒鸡蛋”，而有的商户上传的菜单中有“番茄炒鸡蛋”，这两个实质上属于同一个产品，而采用了不同的名称，因此可以将这两个统一映射为同一个产品名称。当然，可以理解的是，文本描述中的其他内容也可以进行统一映射。在本实施例的一个可选实现方式中，如图3所示，所述步骤S102，即提取所述文本描述中的关键词的步骤，进一步包括以下步骤：在步骤S301中，对所述文本描述进行分词；在步骤S302中，将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词。该可选的实现方式中，提取文本描述中的关键词时，对文本描述分词后，可以根据这些分词与样本产品所属类别的相关性来确定关键词，例如外卖点餐平台中“西红柿炒鸡蛋”的其中一个分词“炒”，对于该菜品的类别识别并不重要，也即“炒”这个词与该菜品的识别相关性不高，可以将其从剔除，而不作为关键词。预设阈值可以根据实际情况设定，在此不做限制。从文本描述的分词结果中提取关键词，可以剔除相关性低的分词，能够避免后续训练产品识别模型的特征数据维数过大，导致训练效率低下的问题。在本实施例的一个可选实现方式中，所述步骤S302，即将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词的步骤，进一步包括以下步骤：利用卡方独立检验方法确定所述分词与所述样本产品所属类别的相关性。该可选的实现方式中，卡方独立性校验能够确定两类变量之间的关联性和依存性。因此，本公开实施例中收集了不同预设类别下样本产品的文本描述，并且对文本描述进行了分词之后，可以针对每个预设类别，利用卡方独立性校验方式确定该预设类别下，从所收集到的样本产品的文本描述中得到的分词结果与该预设类别的相关性，并且将相关性高于预设阈值的分词确定为关键词。本公开实施例在收集到大量样本数据以后，针对其中样本产品的文本描述，利用卡方独立性校验从中提取出不同预设类别下的关键词而形成关键词集合。卡方独立性校验为已有技术，在此不再赘述。在本实施例的一个可选实现方式中，所述步骤S103，即确定所述关键词的重要程度的步骤，进一步包括以下步骤：将所述关键词的TD-IDF值确定为所述关键词的重要程度。该可选的实现方式中，TF-IDF(termfrequency–inversedocumentfrequency)是一种用于信息检索与数据挖掘的常用加权技术，TF意思是词频(TermFrequency)，IDF意思是逆文本频率指数(InverseDocumentFrequency)。关键词的TF-IDF值可以有如下含义：当前关键词在当前预设类别下所有样本产品的文本描述中出现的频率TF高，并且在其他预设类别下所有样本产品的文本描述中很少出现，则可以认为该关键词具有很好的类别区分能力，适合用来分类，因此可以认为该关键词相对于当前预设类别而言较为重要，其TD-IDF值可以用于衡量该关键词的重要性。关键词的TD-IDF值可以预先通过统计线上平台已有预设类别下所有样本产品的文本描述，进而从这些文本描述中提取出关键词，并确定出关键词在这些文本描述中的TD-IDF值。如上所述，针对样本数据所形成的关键词集合，每个关键词还可以对应相应的TD-IDF值，这样在线识别时，可以直接利用关键词集合和对应的TD-IDF值得到待识别产品对应的关键词以及TD-IDF值。本实施例中，一个关键词的TF值可以通过该关键词在预设类别下所有样本产品的文本描述中所出现的次数除以文本描述的数量(也即该预设类别下所有样本产品的数量)得到；而该关键词的IDF可以通过该关键词所出现的文本描述对应的样本产品所属预设类别的个数以及预设类别的总数来确定，计算公式为IDF＝log(n/m)，其中，n为预设类别总数，m为该关键词所出现的预设类别的个数。例如，关键词A在预设类别1、预设类别2、和预设类别3下的样本产品的文本描述中出现过，而预设类别总共有5个，则该关键词出现在了三个预设类别下，因此该关键词的IDF＝log(5/3)。关键词的TD-IDF值为该关键词的TD值和IDF值的乘积。例如，一个外卖点餐平台中收集到的样本数据中各预设类别下各关键词的TD-IDF值如下所示：[″炒鸡蛋"，″红烧″，″红烧肉″，″家常″，″凉拌″，″烧茄子″，″宫保鸡″，″丁″，″糖醋″，″鱼香肉丝″，″木耳″，″土豆″，″木须肉″，″豆腐″，″豆角″，″番茄″，"里脊″，″拼″，″菜″，″小″]家常菜[0.34，033，0.28，0.26，0.22，0.19，0.17，0.13，0.12，0.1，0.07，0.08，0.05，0.07，0.06，0.07，0.05，0.05，0.05，0.06][″啤酒″，″米酒″，″燕京″，″燕京啤酒″，″雪花″，″小麦″，"哈尔滨″，″听"，″天涯″，″原浆″，″青岛″，″蛋酒″，″勇闯″，″比利时″，″清爽″，″王″，″白″，″桂花″，"小″，″甜酒″]酒[1.68，0.42，0.37，0.37，0.22，0.19，0.18，0.17，0.14，0.14，0.14，0.14，0.14，0.13，0.13，0.12，0.1，0.1，0.11，0.07][″烤肉″，"脆皮″，″烤″，″炒″，″馕″，″肉肠"，″烤肉串″，″奥尔良″，″巴西″，″筋″，″孜然″，″红柳″，″蜜汁″，″沙拉″，″新奥尔良″，″鸡″，″筋串″，″肉夹馍″，″炙子″，"土耳其″]烤肉[1.57，0.21，0.19，0.18，0.15，0.14，0.11，0.12，0.1，0.1，0.1，0.08，0.08，0.09，0.07，0.08，0.06，0.08，0.06，0.05][″黄焖"，″鸡″，″米饭″，″特辣″，″豆皮"，″金针菇"，"吴记″，″鲍汁″，″的″，"鸡饭″，″十″，″木耳″，″鸡鸡″，″鸡小分″，″土豆块″，″不代″，″沙锅″，″干锅″，"大辣″，″赠豆皮″]黄焖鸡米饭[1.81，1.26，0.4，0.14，0.13，0.12，0.1，0.09，0.1，0.08，0.07，0.07，0.05，0.05，0.05，0.05，0.05，0.05，0.05，0.05][″铁板烧″，″肉串″，″须″，″辣度″，″大鸡排″，″选择″，″鱿鱼″，″老干妈″，″炒饼″，″铁板″，″鱼″，″茄子″，″汁″，″豆腐″，″烧饼″，″鸡蛋″]铁板烧[2.94，0.43，043，0.41，0.4，037，0.33，032，0.32，0.29，0.28，0.27，0.25，0.25，0.23，0.21][″丸子″，″牛肉丸″，″小丸子″，″肉丸″，″白菜″，″炖″，″汤″，″丸″，″撒尿″，″冬瓜″，″砂锅″，″烧″，″章鱼″，″炸丸子″，″潮州″，″手打″，″四喜″，″素″，″粉条″，″肉丸子″]丸子[1.14，0.35，0.19，0.19，0.18，0.16，0.14，0.12，0.11，0.1，0.11，0.1，0.09，0.07，0.07，0.07，0.06，0.07，0.06，0.05]["甜品″，″外交官″，″双诗″，″马卡龙″，″礼盒″，″下午茶″，″瑞±″，″覆盆子″，″布朗″，″尼″，″黄油″，″卷″]甜品[2.82，0.66，0.66，0.62，0.6，0.6，0.58，0.55，0.54，0.53，0.5，0.42]其中，每段内容中，前一部分为菜品类别下提取出来的多个关键词，如“炒鸡蛋”、“红烧肉”等，中间是该菜品类别的名称，如“家常菜”；后半部分为这些关键词对应的TD—IDF值，如“0.34、0.33”等。例如，针对“宫保鸡丁盖饭”这一菜品，可以从相关文本描述中提取出如下表所示的关键词以及特征数据：菜品名：宫保鸡丁盖饭，餐馆：金百万，菜系：京菜，主营：快餐小吃宫保鸡丁.......快餐小吃.......0.30.51其中，表中第一行为关键词，第二行为“宫保鸡丁盖饭”这一菜品对应的特征数据，也即各个关键词对应的TD-IDF值。在本实施例的一个可选实现方式中，如图4所示，将所述关键词的TD-IDF值确定为所述关键词的重要程度的步骤，进一步包括以下步骤：在步骤S401中，确定所述关键词在所述样本产品所属类别下的TD-IDF值；在步骤S402中，在所述关键词对应有不同类别下的多个TD-IDF值时，选择最小的TD-IDF值作为所述关键词的重要程度。在该可选的实现方式章，假如同一个关键词出现在了多个预设类别下，那么针对该多个预设类别均可以计算得到该关键词的一个TD-IDF值，为了统一起见，该关键词的重要程度可以选取最小的TD-IDF值。在本实施例的一个可选实现方式中，所述步骤S103，即确定所述关键词的重要程度的步骤，进一步包括以下步骤：在所述样本产品对应的所有分词与所述样本产品所属类别的相关性均低于预设阈值时，将默认值作为所述样本产品对应的关键词的重要程度。该可选的实现方式中，在提取文本描述中的关键词时，会将与样本产品所属类别的相关性低的分词剔除出去，假如一个样本产品的文本描述中，所有分词与该样本产品所属类别的相关性都低于预设阈值，那么可以将该样本产品的特征数据中关键词的重要程度设置成一个默认值。默认值的大小可以根据实际情况而定，在此不做限制。图5示出根据本公开一实施方式的产品识别方法的流程图。如图5所示，所述产品识别方法包括以下步骤：在步骤S501中，获取待识别产品的文本描述；在步骤S502中，提取所述文本描述的关键词；在步骤S503中，确定所述关键词的重要程度；在步骤S504中，将所述关键词的重要程度输入至预先训练好的产品识别模型中，以对所述待识别产品进行识别；其中，所述产品识别模型利用上述数据处理方法训练得到。本实施例中，待识别产品可以是线上平台当前所涉及的产品，例如外卖点餐平台上的菜品、电商平台上的服装、生活用品、家居用品等等。待识别产品的文本描述包括但不限于产品名称、产品材质、制作过程、功效、尺寸、量等属性的文字描述。例如外卖点餐平台上菜品的文本描述可以包括菜品名、菜品的食材、做法等。在一些实施例中，待识别产品的文本描述还可以包括待识别产品所属经营者的文本描述。通常情况下，一个经营者会所经营的产品类别都会较为相近，甚至有些经营者只经营一种类别的产品，因此在训练产品识别模型时，将经营者的数据也作为输入数据，使得产品识别模型从经营者数据中学习到能够影响产品类别的特征，进一步提高了产品识别模型的识别准确率。待识别产品所属经营者的数据可以包括但不限于经营者的名称、主要经营范围、经营者所经营产品所属的大范围(如餐饮行业中的菜系)等。针对待识别产品，可以从待识别产品的文本描述中提取一个或多个关键词，进而确定该一个或多个关键词的重要程度，该重要程度用于表明该关键词对于产品识别所起的作用大小，如果在产品识别中该关键词能起到重要作用，则该关键词的重要程度较高，而如果在产品识别中该关键词不能起到很重要的作用，则该关键词的重要程度较低。产品识别模型是通过上述数据处理方法训练得到的，因此产品识别模型的具体细节可参见上述对数据处理方法的相关描述，在此不再赘述。在本实施例的一个可选实现方式中，如图6所示，所述步骤S502，即提取所述文本描述中的关键词的步骤，进一步包括以下步骤：在步骤S601中，对所述文本描述进行分词；在步骤S602中，将所述分词与关键词集合进行匹配，确定所述分词是否为关键词。该可选的实现方式中，如上述数据处理方法所述，在训练过程中，会针对收集到的所有样本产品，提取对应的文本描述中的关键词，并且形成样本产品对应的关键词集合，并且在后续步骤中还确定了这些关键词的重要程度。因此，在产品识别模型训练完成后，可以保留该关键词集合，并且在获取了待识别产品的文本描述中的分词之后，将这些分词与关键词集合进行匹配，如果匹配成功则该分词可以确定为该待识别产品对应的关键词，并且这些关键词的重要程度也能够直接确定出来。关键词的确定以及重要程度的确定可以参见上述对数据处理方法的描述，在此不再赘述。需要说明的是，待识别产品的文本描述中不存在与上述关键词集合匹配的关键词时，可以将该识别产品对应的关键词的重要程度设置为一个默认值。下述为本公开装置实施例，可以用于执行本公开方法实施例。图7示出根据本公开一实施方式的数据处理装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图7所示，所述数据处理装置包括：第一获取模块701，被配置为获取样本数据；其中，所述样本数据包括样本产品的文本描述以及所述样本产品所属类别；第一提取模块702，被配置为提取所述文本描述中的关键词；第一确定模块703，被配置为确定所述关键词的重要程度；训练模块704，被配置为利用所述样本产品的特征数据以及所述样本产品所属类别对产品识别模型进行训练；其中，所述特征数据包括所述样本产品对应的所述关键词的重要程度。本实施例中，样本产品可以是线上平台当前所涉及的产品，例如外卖点餐平台上的菜品、电商平台上的服装、生活用品、家居用品等等。样本产品的文本描述包括但不限于产品名称、产品材质、制作过程、功效、尺寸、量等属性的文字描述。例如外卖点餐平台上菜品的文本描述可以包括菜品名、菜品的食材、做法等。在一些实施例中，样本产品的文本描述还可以包括样本产品所属经营者的文本描述。通常情况下，一个经营者会所经营的产品类别都会较为相近，甚至有些经营者只经营一种类别的产品，因此在训练产品识别模型时，将经营者的数据也作为输入数据，使得产品识别模型从经营者数据中学习到能够影响产品类别的特征，进一步提高了产品识别模型的识别准确率。样本产品所属经营者的数据可以包括但不限于经营者的名称、主要经营范围、经营者所经营产品所属的大范围(如餐饮行业中的菜系)等。样本产品的类别可以根据线上平台的已有数据确定，也可以人工对其进行标注。例如，样本数据可以从线上平台已有的产品进行收集，而线上平台通常会对产品有自己的分类，因此可以通过收集各个类别下的产品相关的文本描述，得到本次训练所需的样本数据。针对所获得的每个样本数据，可以从样本产品的文本描述中提取一个或多个关键词，进而确定该一个或多个关键词的重要程度，该重要程度用于表明该关键词对于产品识别所起的作用大小，如果在产品识别中该关键词能起到重要作用，则该关键词的重要程度较高，而如果在产品识别中该关键词不能起到很重要的作用，则该关键词的重要程度较低。关键词的重要程度可以预先通过统计该关键词在同一类别下所有样本产品的文本描述中出现的次数来确定，例如某个关键词在同一类别下所有样本产品的文本描述中出现次数较多，则可以认为该关键词的重要程度较高，而如果该关键词的出现次数较少，则可以认为该关键词的重要程度较低。产品识别模型可以采用xgboost模型、GBDT模型、神经网络模型等。一个样本产品可以对应多个关键词，而每个关键词对应一个重要程度，在训练产品识别模型的时候，可以将重要程度转化向量形式，并将这些多个关键词对应的多个向量进行组合形成模型的输入数据。每个迭代循环过程中，一个样本数据中的特征数据作为产品识别模型的输入，在得到产品识别模型的输出结果后，可以将该输出结果与该样本数据中样本产品所属的类别进行比较，进而更新该产品识别模型的模型参数，以使得产品识别模型的输出结果与样本产品所属类别更加接近。经过大量样本数据的训练，产品识别模型的模型参数被不断更新，在训练结束后，产品识别模型能够针对输入数据给出一个比较准确的输出结果。本公开实施例的数据处理装置中，获取样本产品的文本描述以及产品所属类别，并提取文本描述的关键词，确定所提取的关键词的重要程度，进而根据包括关键词的重要程度的特征数据以及产品所属类别训练产品识别模型。通过这种方式训练得到的产品识别模型能够从产品的文本描述学习到文本描述中的关键词在该产品类别下对产品识别的影响程度，能够提高产品识别的准确度，即使具有相似文本描述的不同产品也能够被产品识别模型所识别。在本实施例的一个可选实现方式中，如图8所示，所述第一获取模块701，包括：第一获取子模块801，被配置为获取预设类别下多个样本产品的文本描述；去重子模块802，被配置为对多个所述样本产品的文本描述进行去重处理。该可选的实现方式中，收集样本数据时，可以针对线上平台已经具有分类数据的多个预设类别，并分别从预设类别下获取多个样本产品的文本描述。该文本描述可以包括但不限于产品名称、产品材质、制作过程、功效、尺寸、量等属性的文字描述。为了避免收集到重复的样本产品，可以对文本描述进行去重。在本实施例的一个可选实现方式中，所述去重子模块802，包括：映射子模块，被配置为将同一所述样本产品对应的多个不同文本描述统一映射为相同的文本描述。该可选的实现方式中，可能会存在同一预设类别下有多个样本产品，而这些样本产品虽然文本描述不同，但是属于同一产品。例如外卖点餐平台中，有的商户上传的菜单中有“西红柿炒鸡蛋”，而有的商户上传的菜单中有“番茄炒鸡蛋”，这两个实质上属于同一个产品，而采用了不同的名称，因此可以将这两个统一映射为同一个产品名称。当然，可以理解的是，文本描述中的其他内容也可以进行统一映射。在本实施例的一个可选实现方式中，如图9所示，所述第一提取模块702，包括：第一分词子模块901，被配置为对所述文本描述进行分词；第一确定子模块902，被配置为将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词。该可选的实现方式中，提取文本描述中的关键词时，对文本描述分词后，可以根据这些分词与样本产品所属类别的相关性来确定关键词，例如外卖点餐平台中“西红柿炒鸡蛋”的其中一个分词“炒”，对于该菜品的类别识别并不重要，也即“炒”这个词与该菜品的识别相关性不高，可以将其从剔除，而不作为关键词。预设阈值可以根据实际情况设定，在此不做限制。从文本描述的分词结果中提取关键词，可以剔除相关性低的分词，能够避免后续训练产品识别模型的特征数据维数过大，导致训练效率低下的问题。在本实施例的一个可选实现方式中，所述第一确定子模块902，包括：第二确定子模块，被配置为利用卡方独立检验装置确定所述分词与所述样本产品所属类别的相关性。该可选的实现方式中，卡方独立性校验能够确定两类变量之间的关联性和依存性。因此，本公开实施例中收集了不同预设类别下样本产品的文本描述，并且对文本描述进行了分词之后，可以针对每个预设类别，利用卡方独立性校验方式确定该预设类别下，从所收集到的样本产品的文本描述中得到的分词结果与该预设类别的相关性，并且将相关性高于预设阈值的分词确定为关键词。本公开实施例在收集到大量样本数据以后，针对其中样本产品的文本描述，利用卡方独立性校验从中提取出不同预设类别下的关键词而形成关键词集合。卡方独立性校验为已有技术，在此不再赘述。在本实施例的一个可选实现方式中，所述第一确定模块703，包括：第三确定子模块，被配置为将所述关键词的TD-IDF值确定为所述关键词的重要程度。该可选的实现方式中，TF-IDF(termfrequency–inversedocumentfrequency)是一种用于信息检索与数据挖掘的常用加权技术，TF意思是词频(TermFrequency)，IDF意思是逆文本频率指数(InverseDocumentFrequency)。关键词的TF-IDF值可以有如下含义：当前关键词在当前预设类别下所有样本产品的文本描述中出现的频率TF高，并且在其他预设类别下所有样本产品的文本描述中很少出现，则可以认为该关键词具有很好的类别区分能力，适合用来分类，因此可以认为该关键词相对于当前预设类别而言较为重要，其TD-IDF值可以用于衡量该关键词的重要性。关键词的TD-IDF值可以预先通过统计线上平台已有预设类别下所有样本产品的文本描述，进而从这些文本描述中提取出关键词，并确定出关键词在这些文本描述中的TD-IDF值。如上所述，针对样本数据所形成的关键词集合，每个关键词还可以对应相应的TD-IDF值，这样在线识别时，可以直接利用关键词集合和对应的TD-IDF值得到待识别产品对应的关键词以及TD-IDF值。本实施例中，一个关键词的TF值可以通过该关键词在预设类别下所有样本产品的文本描述中所出现的次数除以文本描述的数量(也即该预设类别下所有样本产品的数量)得到；而该关键词的IDF可以通过该关键词所出现的文本描述对应的样本产品所属预设类别的个数以及预设类别的总数来确定，计算公式为IDF＝log(n/m)，其中，n为预设类别总数，m为该关键词所出现的预设类别的个数。例如，关键词A在预设类别1、预设类别2、和预设类别3下的样本产品的文本描述中出现过，而预设类别总共有5个，则该关键词出现在了三个预设类别下，因此该关键词的IDF＝log(5/3)。关键词的TD-IDF值为该关键词的TD值和IDF值的乘积。例如，一个外卖点餐平台中收集到的样本数据中各预设类别下各关键词的TD-IDF值如下所示：["炒鸡蛋″，"红烧"，"红烧肉″，"家常″，"凉拌"，"烧茄子"，"宫保鸡"，"丁"，"糖醋″，″鱼香肉丝″，″木耳"，″土豆″，″木须肉″，″豆腐″，″豆角″，″番茄″，″里脊″，″拼″，″菜″，″小″]家常菜[0.34，0.33，0.28，0.26，0.22，0.19，0.17，0.13，0.12，0.1，0.07，0.08，0.05，0.07，0.06，0.07，0.05，0.05，0.05，0.06]["啤酒"，″米酒"，"燕京"，"燕京啤酒"，"雪花""小麦"，"哈尔滨″，″听"，″天涯″，″原浆″，″青岛″，"蛋酒″，″勇闯"，″比利时″，″清爽″，″王″，"白″，″桂花″，″小″，″甜酒″]酒[1.68，0.42，0.37，0.37，0.22，0.19，0.18，0.17，0.14，0.14，0.14，0.14，0.14，0.13，0.13，0.12，0.1，0.1，0.11，0.07][″烤肉"，″脆皮″，"烤"，"炒"，"馕"，″肉肠″，"烤肉串"，"奥尔良"，"巴西″，″筋"，″孜然″，″红柳″，″蜜汁″，″沙拉″，″新奥尔良″，″鸡″，″筋串″，″肉夹馍″，″炙子″，″土耳其″]烤肉[1.57，0.21，0.19，0.18，0.15，0.14，0.11，0.12，0.1，0.1，0.1，0.08，0.08，0.09，0.07，0.08，0.06，0.08，0.06，0.05][″黄焖″，″鸡″，″米饭″，″特辣″，″豆皮″，″金针菇″，″吴记″，″鲍汁″，″的″，″鸡饭″，″十″，″木耳″，″鸡鸡″，″鸡小分″，″土豆块″，″不代"，″沙锅″，"千锅″，″大辣″，″赠豆皮″]黄焖鸡米饭[1.81，1.26，0.4，0.14，0.13，0.12，0.1，0.09，0.1，0.08，0.07，0.07，0.05，0.05，0.05，0.05，0.05，0.05，0.05，0.05][″铁板烧″，″肉串″，″须″，″辣度″，″大鸡排″，″选择″，″鱿鱼″，″老干妈″，″炒饼″，″铁板″，″鱼″，″茄子″，″汁″，″豆腐″，″烧饼″，″鸡蛋″]铁板烧[2.94，0.43，0.43，0.41，0.4，0.37，0.33，0.32，0.32，0.29，0.28，0.27，0.25，0.25，0.23，0.21][″丸子″，″牛肉丸″，″小丸子″，″肉丸″，″白菜″，″炖″，″汤″，"丸"，″撒尿"，″冬瓜″，"砂锅″，″烧″，″章鱼".″炸丸子″，″潮州″，″手打″，″四喜″，″素″，″粉条″，″肉丸子″]丸子[1.14，0.35，0.19，0.19，0.18，0.16，0.14，0.12，0.11，0.1，0.110.1，0.09，0.07，0.07，0.07，0.06，0.07，0.06，0.05][″甜品″，″外交官″，″双诗″″马卡龙″，″礼盒″，″下午茶"，″瑞±″，"覆盆子″，″布朗″，″尼″，″黄油″，″卷″]甜品[2.82，0.66，0.66，0.62，0.6，0.6，0.58，0.55，0.54，0.53，0.5，0.42]其中，每段内容中，前一部分为菜品类别下提取出来的多个关键词，如“炒鸡蛋”、“红烧肉”等，中间是该菜品类别的名称，如“家常菜”；后半部分为这些关键词对应的TD-IDF值，如“0.34、0.33”等。例如，针对“宫保鸡丁盖饭”这一菜品，可以从相关文本描述中提取出如下表所示的关键词以及特征数据：菜品名：宫保鸡丁盖饭，餐馆：金百万，菜系：京菜，主营：快餐小吃宫保鸡丁.......快餐小吃.......0.30.51其中，表中第一行为关键词，第二行为“宫保鸡丁盖饭”这一菜品对应的特征数据，也即各个关键词对应的TD-IDF值。在本实施例的一个可选实现方式中，如图10所示，所述第三确定子模块，包括：第四确定子模块1001，被配置为确定所述关键词在所述样本产品所属类别下的TD-IDF值；选择子模块1002，被配置为在所述关键词对应有不同类别下的多个TD-IDF值时，选择最小的TD-IDF值作为所述关键词的重要程度。在该可选的实现方式章，假如同一个关键词出现在了多个预设类别下，那么针对该多个预设类别均可以计算得到该关键词的一个TD-IDF值，为了统一起见，该关键词的重要程度可以选取最小的TD-IDF值。在本实施例的一个可选实现方式中，所述第一确定模块703，包括：第五确定子模块，被配置为在所述样本产品对应的所有分词与所述样本产品所属类别的相关性均低于预设阈值时，将默认值作为所述样本产品对应的关键词的重要程度。该可选的实现方式中，在提取文本描述中的关键词时，会将与样本产品所属类别的相关性低的分词剔除出去，假如一个样本产品的文本描述中，所有分词与该样本产品所属类别的相关性都低于预设阈值，那么可以将该样本产品的特征数据中关键词的重要程度设置成一个默认值。默认值的大小可以根据实际情况而定，在此不做限制。图11示出根据本公开一实施方式的产品识别装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图11所示，所述产品识别装置包括：第二获取模块1101，被配置为获取待识别产品的文本描述；第二提取模块1102，被配置为提取所述文本描述的关键词；第二确定模块1103，被配置为确定所述关键词的重要程度；识别模块1104，被配置为将所述关键词的重要程度输入至预先训练好的产品识别模型中，以对所述待识别产品进行识别；其中，所述产品识别模型利用如上所述的数据处理装置训练得到。本实施例中，待识别产品可以是线上平台当前所涉及的产品，例如外卖点餐平台上的菜品、电商平台上的服装、生活用品、家居用品等等。待识别产品的文本描述包括但不限于产品名称、产品材质、制作过程、功效、尺寸、量等属性的文字描述。例如外卖点餐平台上菜品的文本描述可以包括菜品名、菜品的食材、做法等。在一些实施例中，待识别产品的文本描述还可以包括待识别产品所属经营者的文本描述。通常情况下，一个经营者会所经营的产品类别都会较为相近，甚至有些经营者只经营一种类别的产品，因此在训练产品识别模型时，将经营者的数据也作为输入数据，使得产品识别模型从经营者数据中学习到能够影响产品类别的特征，进一步提高了产品识别模型的识别准确率。待识别产品所属经营者的数据可以包括但不限于经营者的名称、主要经营范围、经营者所经营产品所属的大范围(如餐饮行业中的菜系)等。针对待识别产品，可以从待识别产品的文本描述中提取一个或多个关键词，进而确定该一个或多个关键词的重要程度，该重要程度用于表明该关键词对于产品识别所起的作用大小，如果在产品识别中该关键词能起到重要作用，则该关键词的重要程度较高，而如果在产品识别中该关键词不能起到很重要的作用，则该关键词的重要程度较低。产品识别模型是通过上述数据处理装置训练得到的，因此产品识别模型的具体细节可参见上述对数据处理装置的相关描述，在此不再赘述。在本实施例的一个可选实现方式中，如图12所示，所述第二提取模块1102，包括：第二分词子模块1201，被配置为对所述文本描述进行分词；匹配子模块1202，被配置为将所述分词与关键词集合进行匹配，确定所述分词是否为关键词。该可选的实现方式中，如上述数据处理装置所述，在训练过程中，会针对收集到的所有样本产品，提取对应的文本描述中的关键词，并且形成样本产品对应的关键词集合，并且在后续步骤中还确定了这些关键词的重要程度。因此，在产品识别模型训练完成后，可以保留该关键词集合，并且在获取了待识别产品的文本描述中的分词之后，将这些分词与关键词集合进行匹配，如果匹配成功则该分词可以确定为该待识别产品对应的关键词，并且这些关键词的重要程度也能够直接确定出来。关键词的确定以及重要程度的确定可以参见上述对数据处理装置的描述，在此不再赘述。需要说明的是，待识别产品的文本描述中不存在与上述关键词集合匹配的关键词时，可以将该识别产品对应的关键词的重要程度设置为一个默认值。本公开实施方式还提供了一种电子设备，如图13所示，包括处理器1301；以及与处理器1301通信连接的存储器1302；其中，存储器1302存储有可被处理器1301执行的指令，指令被处理器1301执行以实现：获取样本数据；其中，所述样本数据包括样本产品的文本描述以及所述样本产品所属类别；提取所述文本描述中的关键词；确定所述关键词的重要程度；利用所述样本产品的特征数据以及所述样本产品所属类别对产品识别模型进行训练；其中，所述特征数据包括所述样本产品对应的所述关键词的重要程度。其中，获取样本数据，包括：获取预设类别下多个样本产品的文本描述；对多个所述样本产品的文本描述进行去重处理。其中，对多个所述样本产品的文本描述进行去重处理，包括：将同一所述样本产品对应的多个不同文本描述统一映射为相同的文本描述。其中，提取所述文本描述中的关键词，包括：对所述文本描述进行分词；将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词。其中，将与所述样本产品所属类别的相关性高于预设阈值的分词确定为所述关键词，包括：利用卡方独立检验电子设备确定所述分词与所述样本产品所属类别其中，确定所述关键词的重要程度，包括：将所述关键词的TD-IDF值确定为所述关键词的重要程度。其中，将所述关键词的TD-IDF值确定为所述关键词的重要程度，包括：确定所述关键词在所述样本产品所属类别下的TD-IDF值；在所述关键词对应有不同类别下的多个TD-IDF值时，选择最小的TD-IDF值作为所述关键词的重要程度。其中，确定所述关键词的重要程度，包括：在所述样本产品对应的所有分词与所述样本产品所属类别的相关性均低于预设阈值时，将默认值作为所述样本产品对应的关键词的重要程度。本实施还提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下方法步骤：获取待识别产品的文本描述；提取所述文本描述的关键词；确定所述关键词的重要程度；将所述关键词的重要程度输入至预先训练好的产品识别模型中，以对所述待识别产品进行识别；其中，所述产品识别模型利用图13所示的电子设备训练得到。其中，提取所述文本描述中的关键词，包括：对所述文本描述进行分词；将所述分词与关键词集合进行匹配，确定所述分词是否为关键词。具体地，处理器1301、存储器1302可以通过总线或者其他方式连接，图13中以通过总线连接为例。存储器1302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器1301通过运行存储在存储器1302中的非易失性软件程序、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，即实现本公开实施例中的上述方法。存储器1302可以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、功能所需要的应用程序；存储数据区可存储航运网络运输的历史数据等。此外，存储器1302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。在一些实施方式中，电子设备可选地包括通信组件1303，存储器1302可选地包括相对于处理器1301远程设置的存储器，这些远程存储器可以通过通信组件1303连接至外接设备。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。一个或者多个模块存储在存储器1302中，当被一个或者多个处理器1301执行时，执行本公开实施例中的上述方法。上述产品可执行本公开实施方式所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施方式中详尽描述的技术细节，可参见本公开实施方式所提供的方法。附图中的流程图和框图，图示了按照本公开各种实施方式的系统、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，路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，两个接连地表示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操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。描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。当前第1页1 2 3