一种语料处理及意图识别的方法和装置与流程

本发明涉及自然语言意图识别领域，尤其涉及一种语料处理及意图识别的方法和装置。

背景技术：

意图识别是自然语言处理最重要的课题之一，是一种能够识别出用户输入信息的真实意图，进而满足用户意图进行相应处理的技术，在现有技术中越来越得到重视与应用。现有技术中一般采用神经网络、bert等深度学习方法来实现意图识别，然而在实践中训练一个高识别率的模型往往是困难的。首先训练数据方面，一、数据不充分，深度学习需要大量充分、特征完备、语义清晰的语料，才能学习到充分的语义特征，语料数据不充分就无法训练出一个识别率高的模型，这是困扰当前深度学习广泛应用的关键问题；二、数据不平衡，不同分类间数据不平衡，有的分类数据很多，有的很少，不利于算法的分类识别，需要尽可能减少不同分类间数据的不平衡。其次算法局限性方面，输入一个语句，算法给出一个概率列表，每个数值是一个该语句属于某个分类的概率值，取最大概率，并设定一个门槛值，最大概率大于门槛值的，则认为获得分类答案，否则失败。门槛线附近的识别，错误率较高。抬高门槛，漏识别增多，降低门槛，误识别增多。高于门槛线的可能是误识别，低于门槛线的可能是漏识别。现有技术中，采用单一算法进行处理，例如lstm、bert等单一算法，采用不同的内部结构，不同的计算方法处理数据，计算结果并不总是一致，准确率也不相同，这由语料、算法自身综合导致的。这种单一算法误识率、漏识率高，缺乏佐证。

技术实现要素：

针对上述技术问题，研究发现，虽然每一算法采用不同的内部结构，不同的计算方法处理数据，计算结果并不总是一致，准确率也不相同。但由不同方法共同确认、相互佐证将大大提高意图识别的确信度。为此，本发明提出了一种语料处理及意图识别的方法、装置及计算机可读存储介质。

本发明的第一方面，一种语料处理及意图识别的方法，包括：

s1：获取语料样本数据，用句型模板对语料样本数据进行处理；

s2：基于所述语料样本数据，采用至少两种算法进行模型训练，生成意图识别模型；

s3：输入待识别语句；

s4：利用所述意图识别模型，对所述待识别语句进行至少两种算法的意图识别，分别获得每种算法相应的识别结果；

s5：基于所述每种算法相应的识别结果，进行佐证分析，确定最终意图。

本发明的第二方面，一种语料处理及意图识别的装置，包括：

样本获取模块，用于获取语料样本数据，对语料样本数据进行处理；

意图识别模型生成模块，用于基于所述语料样本数据，采用至少两种算法进行模型训练，生成意图识别模型；

输入模块，用于输入待识别语句；

意图识别模块，用于利用所述意图识别模型，对所述待识别语句进行至少两种算法的意图识别，分别获得每种算法相应的识别结果；

分析模块，用于基于所述每种算法相应的识别结果，进行佐证分析，确定最终意图。

第三方面，本发明实施例提供一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行前述第一方面中的任一所述方法。

本发明公开了一种语料处理及意图识别的方法、装置和计算机可读存储介质。其中该语料处理及意图识别的方法，包括：获取语料样本数据，对语料样本数据进行处理；基于所述语料样本数据，采用至少两种算法进行模型训练，生成意图识别模型；输入待识别语句；利用所述意图识别模型，对所述待识别语句进行至少两种算法的意图识别，分别获得每种算法相应的识别结果；基于所述每种算法相应的识别结果，进行佐证分析，确定最终意图。

本申请针对现有技术一般的处理方式，即收集语料交给单一算法，因此训练出来的模型总是不准，两个原因，1是归咎于语料问题，发现有些字词句型没有识别，是因为这些字词或句子没有放到语料中，或放到语料中了，但是太稀疏没有强化，算法没有记住没有学会这些特征；2是算法本身的问题，不同算法处理同一份语料方式不同，结果也不一致。本申请提出针对性的解决办法，发明点强调，一是模板处理的思路和方法，针对当前行业内少有用模板的，大都是搜集语句就交给算法了。本申请强调语料的问题，用“句型模板”强化；二是针对算法本身的问题，不信任单一算法的结果，而是用多个方法相互佐证。

通过本实施例的方法，针对现有技术中采用单一算法预测，语料是收集一些句子堆积所存在的误识别、漏识别高的问题，采用多种算法进行意图测量与识别，多种意图识别方法相互佐证，最终的识别结果可信度、准确度大大提高。同时，采用句型模板方式描述训练语料，通过模板定义可选词、同义词扩展语料句子数量，丰富强化完善语义特征，克服语料不充分、不平衡问题。

上述说明仅是本发明技术方案的概述，为了能更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

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是本发明一个实施例的语料处理及意图识别的方法流程图；

图2是本发明一个实施例的语料模板处理及模型训练示意图；

图3是本发明一个实施例的语料结构图；

图4是本发明又一个实施例的语料处理及意图识别的计算机可读存储介质结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。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。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

图1为本发明实施例提供的语料处理及意图识别的方法流程图。该方法可以由一提供的语料处理及意图识别的装置来执行，该语料处理及意图识别的装置可以实现为软件，或者实现为软件和硬件的组合，该语料处理及意图识别的装置可以集成设置在数据处理系统中的某电子设备中，比如服务器或者终端设备中。如图1所示，该语料处理及意图识别的方法包括如下步骤：

步骤s1，获取语料样本数据，采用句型模板对语料样本数据进行处理。

通过可选词，同义词扩展语料数量强化语料特征。语料一般采用录音文件转录文字后挑选句子标注，或者人工编写句子标注方式，语料文件中包含大量：句子——分类名称，数据对。

采用语料模板定义语料，采用定义：可选词、同义词，做语句替换生成，强化分类的关键特征，扩展语句。结构如附图3所示。

在一个实施例中，模板文件可以采用json格式。同一个分类意图可以由多个文件组成。但模板文件格式以及文件数量不限于此，任何适应格式与文件数量形式都能够实现。

上述结构中，

intent：意图分类名称；

sentence：语句；

option_words：语句中哪些词是可选词；

synonym_words：语句中哪些词有同义词；

根据上述模板定义，句子：“算了吧我不会答应”，根据可选词、同义词扩展后为：

我不会答应

我不会接受

我不可能答应

我不可能接受

我绝对不会答应

我绝对不会接受

我肯定不会答应

我肯定不会接受

我确定不会答应

我确定不会接受

我不答应

我不接受

算了吧我不会答应

算了吧我不会接受

算了吧我不可能答应

算了吧我不可能接受

算了吧我绝对不会答应

算了吧我绝对不会接受

算了吧我肯定不会答应

算了吧我肯定不会接受

算了吧我确定不会答应

算了吧我确定不会接受

算了吧我不答应

算了吧我不接受

拉倒吧我不会答应

拉倒吧我不会接受

拉倒吧我不可能答应

拉倒吧我不可能接受

拉倒吧我绝对不会答应

拉倒吧我绝对不会接受

拉倒吧我肯定不会答应

拉倒吧我肯定不会接受

拉倒吧我确定不会答应

拉倒吧我确定不会接受

拉倒吧我不答应

拉倒吧我不接受

行了吧我不会答应

行了吧我不会接受

行了吧我不可能答应

行了吧我不可能接受

行了吧我绝对不会答应

行了吧我绝对不会接受

行了吧我肯定不会答应

行了吧我肯定不会接受

行了吧我确定不会答应

行了吧我确定不会接受

行了吧我不答应

行了吧我不接受

就这样吧我不会答应

就这样吧我不会接受

就这样吧我不可能答应

就这样吧我不可能接受

就这样吧我绝对不会答应

就这样吧我绝对不会接受

就这样吧我肯定不会答应

就这样吧我肯定不会接受

就这样吧我确定不会答应

就这样吧我确定不会接受

就这样吧我不答应

就这样吧我不接受

可以看出，模板中的一条语句，扩展后为60句，扩展后句子表达的语义特征更加鲜明、完备，强化了句型结构、同义词、可选词都充分呈现给算法。

采用句型模板方式描述训练语料，包含可选词、同义词的描述，可以强化各个分类的语句特征，扩展句子，克服语料不充分、不平衡问题。

步骤s2：基于语料样本数据，采用至少两种算法进行模型训练，生成意图识别模型。

在一个实施例中，如图2所示，采用深度学习算法，基于上述句型模板来训练模型，采用至少两个深度学习算法进行意图识别模型训练，例如，bert、bi-lstm是当前主流的意图识别方法，有较高的识别率，将上述句型模板扩展后的语料依次输入bert子模型、bi-lstm子模型分别进行训练，最终生成的意图识别模型包含至少两个算法的识别计算。参数系数训练的好，预测的准确性就高。定义了哪些意图分类，每个分类有哪些语料对应。语料的完备与否直接影响训练的结果。好的模型其意图识别率较高。

模型训练时采用的算法不限于bert、bi-lstm等主流意图识别算法，其他任何适应于意图识别的算法，例如cnn等，都适用于本发明。

步骤s3：输入待识别语句sen，进行预处理。

在一个实施例中，预处理包括去停用词，建立停用词字典，停用词主要包括一些副词、形容词及连接词。通过维护一个停用词表，进行特征提取的过程，实现停用词的去除，提取出核心词。

预处理不限于去停用词，也包括数据标准化、句式正则化处理等其他任意数据预处理。

步骤s4：对待识别语句sen进行至少两种算法的意图识别，分别获得每种算法相应的识别结果。

在一个实施例中，对待识别语句sen进行多种算法的意图识别，包括如下具体步骤：

步骤s4.1：意图相关性测量，判断识别出输入语句所有相关的意图分类。

在一个实施例中，运用综合性技术对待识别语句sen进行意图相关性测量。例如综合运用关键词正则、疑问类型和/或否定判断等测量方式，分析待识别语句sen与哪些具体意图类相关，得到相关意图类的结果，可以采用多种形式组织存储相关意图结果，例如相关意图列表list等。

在一个实施例中，建立意图数据库，存储基于上述语料模板，由上述意图识别模型训练而获得的所有意图和意图类。

在一个实施例中，可以采用意图模板描述、组织和存储所述意图及意图类别。

在一个实施例中，采用相关性测量识别文件，执行所述意图相关性测量，识别计算出所述待识别语句sen的所有意图分类。例如：

所述测量识别文件中通过关键词、关键词的组合、是否疑问句等定义每一个意图分类的关键特征。

如：

<regexintent="不对"pattern="[错|错误]"andnot="[不|无|没]"/>，表示句子中含有关键词：‘错’或‘错误’，同时不含有：‘不’、‘无’、‘没’的，跟意图：‘不对’相关。

<regexintent="询问联系方式"pattern="[找你]"and="[哪|怎|如何]"questionintent="疑问句"/>，表示句子中包含有关键词：找你，并且包含：哪、怎、如何的，同时句子是疑问句的，跟意图‘询问联系方式’相关。疑问句的判别用独立模型完成。

意图相关性测量不是用于判别是哪一个意图分类，而是判别所述待识别语句sen跟哪些分类相关。用作后续佐证分析。

在一个实施例中，意图分类包括肯定，否定，请求重复解释，询问身份四个类。

步骤s4.2：基于上述步骤s2中训练的意图识别模型，对待识别语句sen进行意图预测。

在一个实施例中，所述意图识别模型中包括至少两种意图识别子模型，例如bert子模型、bi-lstm子模型；分别调用所述bert子模型、bi-lstm子模型对所述待识别语句sen进行意图预测。

在一个实施例中，对待识别语句sen进行bert子模型意图预测，例如预测的意图为：询问身份：95%，肯定：3%，否定：1%，请求重复解释1%。门槛线85%，那么bert子模型预测获得的意图就是：询问身份。同样，对待识别语句sen进行bi-lstm子模型意图预测，获得一个意图概率，预测获得一个意图结果。

步骤s5：基于所述每种算法相应的识别结果，进行佐证分析，确定所述待识别语句的最终意图。

在一个实施例中，所述步骤s4.1的意图相关性测量，判断识别出待识别语句sen所有相关的意图分类，获得第一意图识别结果；

所述步骤s4.2的基于bert子模型、bi-lstm子模型对所述待识别语句sen进行意图预测，分别获得第二意图识别结果和第三意图识别结果；

在一个实施例中，基于上述第一、二、三意图识别结果，进行相互佐证分析，识别出最终的结果。例如，确信的意图为上述三个意图识别结果中至少两个意图识别结果一致的意图；如第二、三意图识别结果的最高概率的意图都超过门槛值，并且相同一致，且属于第一意图识别结果所确定的意图类范围，则相互佐证所确定的该意图确信。

在一个实施例中，基于上述第一、二、三意图识别结果，进行相互佐证分析，识别出最终的结果的具体过程为：

1）对待识别语句sen进行意图相关性测量获得的所述第一意图识别结果，包括一个语句相关的意图列表list，其中的每个意图计数为1；

2）对待识别语句sen进行bert子模型的意图预测获得的所述第二意图识别结果，取概率最大的前两个，高于门槛值的计数1，低于门槛值但高于0.6的计数0.5。

3）对待识别语句sen进行bi-lstm子模型的意图预测获得的所述第三意图识别结果，取概率最大的前两个，高于门槛值的计数1，低于门槛值但高于0.6的计数0.5。

4）累加意图计数，定义：

确信意图=计数最大的意图只有一个and该意图计数==2或3；

再决断意图=计数最大的意图有两个and这两个意图的计数==2；

通过相互佐证分析来解决误识别问题，低于门槛值但高于0.6的计数0.5，这种佐证分析是为解决漏识别问题，例如第二、三意图识别结果中的最高概率的意图都低于门槛，但高于0.6，并且一致相等，且都属于第一意图识别结果所确定的意图类范围，此时该意图的计数值=2，也是确信的意图。

步骤s6：在所述佐证分析确定的意图结果为多个时，进行决断判断处理；

在一个实施例中，在步骤s5佐证分析中，确定出两个意图都具有较高的确信度，例如，第二、三意图识别结果中最高概率的意图都超过了门槛，但不一致，且都属于第一意图识别结果所确定的意图类范围，需要二选一再决断，决断采用短语匹配方法，在两个意图内的所有语句中匹配语义相同的短句，匹配到则确认意图。在有限的两个意图内的所有语句中两两比较，查找匹配语义最相似的句子，能找到则确认意图。此种操作防止比较过多的语句，采用词索引方式，先挑出跟输入语句相关的句子。其中，句句语义比较采用独立模型。

通过本实施例的方法，针对现有技术中采用单一算法预测，语料是收集一些句子堆积所存在的误识别、漏识别高的问题，采用多种算法进行意图测量与识别，多种意图识别方法相互佐证，最终的识别结果可信度、准确度大大提高。同时，采用句型模板方式描述训练语料，通过可选词、同义词扩展语料句子数量，丰富强化完善语义特征，克服语料不充分、不平衡问题。

本发明又一个实施例提供了一种语料处理及意图识别的方法流程图。在该实施例中，基于上述第一、二、三意图识别结果，进行相互佐证分析，识别出最终的结果。例如，确信的意图为上述三个意图识别结果中至少两个意图识别结果一致的意图；如第二、三意图识别结果的最高概率的意图都超过门槛值，并且相同一致，且属于第一意图识别结果所确定的意图类范围，则相互佐证所确定的该意图确信。

在一个实施例中，基于上述第一、二、三意图识别结果，进行相互佐证分析，识别出最终的结果的具体过程为：

5）对待识别语句sen进行意图相关性测量获得的所述第一意图识别结果，包括一个语句相关的意图列表list，其中的每个意图计数为1；

6）对待识别语句sen进行bert子模型的意图预测获得的所述第二意图识别结果，取概率最大的前两个，高于门槛值的计数1，低于门槛值但高于0.6的计数0.5。

7）对待识别语句sen进行bi-lstm子模型的意图预测获得的所述第三意图识别结果，取概率最大的前两个，高于门槛值的计数1，低于门槛值但高于0.6的计数0.5。

8）累加意图计数，定义：

确信意图=计数最大的意图只有一个and该意图计数==2或3；

再决断意图=计数最大的意图有两个and这两个意图的计数==2；

通过相互佐证分析来解决误识别问题，低于门槛值但高于0.6的计数0.5，这种佐证分析是为解决漏识别问题，例如第二、三意图识别结果中的最高概率的意图都低于门槛，但高于0.6，并且一致相等，且都属于第一意图识别结果所确定的意图类范围，此时该意图的计数值=2，也是确信的意图。

进一步包括决断判断模块，用于在所述佐证分析确定的意图结果为多个时，进行决断判断处理；

在一个实施例中，在佐证分析中，确定出两个意图都具有较高的确信度，例如，第二、三意图识别结果中最高概率的意图都超过了门槛，但不一致，且都属于第一意图识别结果所确定的意图类范围，需要二选一再决断，决断采用短语匹配方法，在两个意图内的所有语句中匹配语义相同的短句，匹配到则确认意图。在有限的两个意图内的所有语句中两两比较，查找匹配语义最相似的句子，能找到则确认意图。此种操作防止比较过多的语句，采用词索引方式，先挑出跟输入语句相关的句子。其中，句句语义比较采用独立模型。

本申请针对现有技术一般的处理方式，即收集语料交给单一算法，因此训练出来的模型总是不准，两个原因，1是归咎于语料问题，发现有些字词放到语料中了，但是没有强化，算法没有记住这些特征；2是算法本身的问题。本申请提出针对性的解决办法，发明点强调，一是模板处理的思路和方法，针对当前行业内少有用模板的，大都是搜集语句就交给算法了。本申请强调语料的问题，用“句型模板”强化，而；二是针对算法本身的问题，不信任单一算法的结果，而是用多个方法相互佐证。

通过本实施例的方法，针对现有技术中采用单一算法预测，语料是收集一些句子堆积所存在的误识别、漏识别高的问题，采用多种算法进行意图测量与识别，多种意图识别方法相互佐证，最终的识别结果可信度、准确度大大提高。同时，采用句型模板方式描述训练语料，通过可选词、同义词扩展语料句子数量，丰富强化完善语义特征，克服语料不充分、不平衡问题。

图4是根据本发明的实施例的计算机可读存储介质的示意图。如图4所示，根据本发明实施例的计算机可读存储介质40，其上存储有非暂时性计算机可读指令41。当该非暂时性计算机可读指令41由处理器运行时，执行前述的本发明各实施例的基于人工智能双向绿波的最优交通信号控制方法的全部或部分步骤。

需要说明的是，本发明上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（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。在本发明中，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。而在本发明中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf（射频）等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建基础页面，所述基础页面的页面代码用于搭建所述业务页面运行所需的环境和/或实现同类业务场景中抽象出的相同的工作流程；构建一个或多个页面模板，所述页面模板用于提供业务场景中实现业务功能的代码模板；基于相应的所述页面模板，通过业务场景的每一个页面的具体功能的代码转换，生成业务场景的每一个页面的最终页面代码；将生成的所述每一个页面的最终页面代码合并入所述基础页面的页面代码，生成所述业务页面的代码。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建基础页面，所述基础页面的页面代码用于搭建所述业务页面运行所需的环境和/或实现同类业务场景中抽象出的相同的工作流程；构建一个或多个页面模板，所述页面模板用于提供业务场景中实现业务功能的代码模板；基于相应的所述页面模板，通过业务场景的每一个页面的具体功能的代码转换，生成业务场景的每一个页面的最终页面代码；将生成的所述每一个页面的最终页面代码合并入所述基础页面的页面代码，生成所述业务页面的代码。

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的操作的计算机程序代码，上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）。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，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，该模块、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。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

以上描述仅为本发明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，本发明中所涉及的公开范围，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上述公开构思的情况下，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。例如上述特征与本发明中公开的（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。