文本抽取模型的训练与文本抽取的方法、装置与流程

本公开涉及人工智能技术领域，尤其涉及深度学习、知识图谱、自然语言处理技术领域。提供了一种文本抽取模型的训练与文本抽取的方法、装置、电子设备和可读存储介质。

背景技术：

文本中的实体词具有独立的语义，可以清晰地表达人、物品或者概念，而文本中与实体词对应的方面词用于刻画该实体词的一个方面。

现有技术已存在多种从文本中抽取与实体词对应的三元组的方案，但用于提取上述三元组的方案，无法解决从文本中抽取实体词及其对应的方面词所组成的二元组的技术问题。

技术实现要素：

根据本公开的第一方面，提供了一种文本抽取模型的训练方法，包括：获取训练数据，所述训练数据中包含多个文本与多个文本的方面词标注结果；构建包含第一抽取模型与第二抽取模型的神经网络模型，所述第一抽取模型的输出为所述第二抽取模型的输入；将多个文本分别输入所述第一抽取模型，得到所述第一抽取模型针对每个文本输出的实体词预测结果；使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛，将所述第一抽取模型与训练得到的第二抽取模型组成文本抽取模型。

根据本公开的第二方面，提供了一种文本抽取的方法，包括：获取待处理文本；将所述待处理文本输入文本抽取模型，将所述文本抽取模型的输出结果作为所述待处理文本的抽取结果。

根据本公开的第三方面，提供了一种文本抽取模型的训练装置，包括：第一获取单元，用于获取训练数据，所述训练数据中包含多个文本与多个文本的方面词标注结果；构建单元，用于构建包含第一抽取模型与第二抽取模型的神经网络模型，所述第一抽取模型的输出为所述第二抽取模型的输入；处理单元，用于将多个文本分别输入所述第一抽取模型，得到所述第一抽取模型针对每个文本输出的实体词预测结果；训练单元，用于使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛，将所述第一抽取模型与训练得到的第二抽取模型组成文本抽取模型。

根据本公开的第四方面，提供了一种文本抽取的装置，包括：第二获取单元，用于获取待处理文本；抽取单元，用于将所述待处理文本输入文本抽取模型，将所述文本抽取模型的输出结果作为所述待处理文本的抽取结果。

根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。

由以上技术方案可以看出，通过构建包含第一抽取模型与第二抽取模型的神经网络模型，使得神经网络模型中的第二抽取模型根据第一抽取模型的输出来得到与文本中的实体词对应的方面词，由于第二抽取模型将第一抽取模型所得到的实体词作为先验知识，因此本实施例提升了第二抽取模型在抽取方面词时的准确性，且本实施例不会限制输入的文本与输出的方面词的所属领域，使得训练得到的文本抽取模型具有更强的泛化能力。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是根据本公开第六实施例的示意图

图7是用来实现本公开实施例的文本抽取模型的训练与文本抽取的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和机构的描述。

图1是根据本公开第一实施例的示意图。如图1所示，本实施例的文本抽取模型的训练方法，具体可以包括如下步骤：

s101、获取训练数据，所述训练数据中包含多个文本与多个文本的方面词标注结果；

s102、构建包含第一抽取模型与第二抽取模型的神经网络模型，所述第一抽取模型的输出为所述第二抽取模型的输入；

s103、将多个文本分别输入所述第一抽取模型，得到所述第一抽取模型针对每个文本输出的实体词预测结果；

s104、使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛，将所述第一抽取模型与训练得到的第二抽取模型组成文本抽取模型。

本实施例的文本抽取模型的训练方法，通过构建包含第一抽取模型与第二抽取模型的神经网络模型，使得神经网络模型中的第二抽取模型根据第一抽取模型的输出来得到与文本中的实体词对应的方面词，由于第二抽取模型将第一抽取模型所得到的实体词作为先验知识，因此提升了第二抽取模型在抽取方面词时的准确性，且本实施例不会限制输入的文本与输出的方面词的所属领域，使得训练得到的文本抽取模型具有更强的泛化能力。

本实施例执行s101获取的训练数据中，文本的方面词标注结果包含文本中的实体词以及与实体词对应的方面词。另外，本实施例执行s101获取的训练数据中还可以进一步包括，文本的实体词标注结果，该实体词标注结果中包含文本中所包含的实体词。

本实施例中的实体词为文本中能够清晰地表达人、物品或者概念的词语；本实施例中的方面词与文本中不同的实体词相对应，用于刻画与其对应的实体词的一个方面(aspect)，文本中的一个实体词也可以为与其他实体词对应的方面词。

举例来说，若文本为“张三主演了电影《xx》”，若该文本中的实体词为“张三”与“xx”，若该文本中与实体词“张三”对应的方面词为“电影”，与实体词“xx”对应的方面词为“主演”；本实施例将“张三”与“xx”作为该文本的实体词标注结果，将“张三，电影”与“主演，xx”作为该文本的方面词标注结果。

本实施例在执行s101获取了多个文本与多个文本的实体词标注结果、方面词标注结果之后，执行s102构建包含第一抽取模型与第二抽取模型的神经网络模型，其中，神经网络模型将第一抽取模型的输出作为第二抽取模型的输入。

可以理解的是，本实施例中神经网络模型的第一抽取模型用于对文本进行第一次抽取，以得到文本中的实体词；神经网络模型的第二抽取模型用于根据第一抽取模型的抽取结果对文本进行第二次抽取，以得到文本中与实体词对应的方面词。

由于本实施例在进行文本抽取模型的训练时，将第一抽取模型所得到的抽取结果作为第二抽取模型的输入，因此第二抽取模型在得到文本中的实体词信息之后，会更加专注于抽取文本中与实体词对应的方面词，从而提升了第二抽取模型在抽取方面词时的准确性。

本实施例中的第一抽取模型为能够从文本中抽取实体词的神经网络模型，包含第一编码层、第二编码层与第一分类层；第一编码层可以为预训练语言模型，例如ernie模型，用于对文本中的每个字符(token)进行编码，得到每个字符的语义表示向量；第二编码层可以为lstm(longshort-termmemory，长短期记忆网络)，例如bilstm，用于对每个字符的语义表示向量进行编码，得到每个字符富含上下文和字符顺序的句子表示向量；第一分类层用于根据每个字符的句子表示向量，对文本中实体词的头或者尾进行标注，例如，若某个字符为实体词的头或者尾，则第一分类层将该字符的分类结果标注为1，否则标注为0。

本实施例中的第二抽取模型为能够从文本中抽取与实体词对应的方面词的神经网络模型，包含第三编码层、第四编码层与第二分类层；第三编码层可以为预训练语言模型，例如ernie模型，用于对添加了实体词信息的文本中的每个字符(token)进行编码，得到每个字符的语义表示向量；第四编码层可以为lstm，例如bilstm，用于对每个字符的语义表示向量进行编码，得到每个字符富含上下文和字符顺序的句子表示向量；第二分类层用于根据每个字符的句子表示向量，对文本中方面词的头或者尾进行标注，例如，若某个字符为方面词的头或者尾，则第二分类层将该字符的分类结果标注为1，否则标注为0。

本实施例在执行s102构建包含第一抽取模型与第二抽取模型的神经网络模型之后，执行s103将多个文本分别输入第一抽取模型，得到第一抽取模型针对每个文本输出的实体词预测结果。

其中，本实施例执行s103所得到的实体词预测结果，可以为文本中实体词的头与尾的位置，也可以直接为文本中的实体词。

本实施例在执行s103得到第一抽取模型针对每个文本输出的实体词预测结果之后，执行s104使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对第二抽取模型进行训练，直至第二抽取模型收敛，将第一抽取模型与训练得到的第二抽取模型组成文本抽取模型。

也就是说，本实施例可以仅对神经网络模型中的第二抽取模型进行训练，而不会对第一抽取模型进行训练，在将第二抽取模型训练至收敛之后，即完成了对整个神经网络模型的训练，得到文本抽取模型。利用本实施例所得到的文本抽取模型，能够根据所输入的文本，输出该文本中的实体词以及与实体词对应的方面词。

具体地，本实施例在执行s104使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对第二抽取模型进行训练时，可以采用的可选实现方式为：将多个文本与多个文本的实体词预测结果进行融合；使用多个文本的融合结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛。

也就是说，本实施例通过将文本与文本的实体词预测结果所得到的融合结果，由于该融合结果中包含了实体词的先验知识，使得第二抽取模型更专注于抽取文本中的方面词，提升了第二抽取模型在抽取方面词时的准确性。

其中，本实施例在执行s104使用多个文本的融合结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛时，可以采用的可选实现方式为：将多个文本的融合结果分别输入第二抽取模型，得到第二抽取模型针对每个文本输出的方面词预测结果；根据多个文本的方面词预测结果与多个文本的方面词标注结果计算第一损失函数值，根据计算得到的第一损失函数值调整第二抽取模型中的参数，直至第二抽取模型收敛。

另外，本实施例中的第二抽取模型除了使用由第一抽取模型输出的实体词预测结果之外，还能够获取通过其他方式从文本中所抽取的实体词来预测文本中的方面词，例如在神经网络模型之外，通过使用预设词典得到的实体词抽取结果。

可以理解的是，本实施例执行s104所得到的方面词预测结果，可以为文本中的实体词以及与实体词对应的方面词的头与尾的位置，也可以为由文本中的实体词以及与实体词对应的方面词所组成的二元组。

本实施例在执行s104将文本与文本的实体词预测结果进行融合时，可以根据实体词预测结果对文本中的实体词进行标注，例如将表示实体的头或者尾的标签插入文本中，将标注之后的文本作为文本的融合结果。

举例来说，若文本为“张三主演了电影《xx》”，若第一抽取模型得到的实体词预测结果为“张三”与“xx”；本实施例在将文本与文本的实体词预测结果进行融合时，可以将表示实体词的头的标签“<e>”插入到“张”与“x”之前，将表示实体词的尾的标签“</e>”插入到“三”与“x”之后，从而将所得到的融合结果为“<e>张三</e>主演了电影《<e>xx</e>》”输入第二抽取模型，以得到方面词预测结果。

本实施例根据上述方法，通过构建包含第一抽取模型与第二抽取模型的神经网络模型，使得神经网络模型中的第二抽取模型根据第一抽取模型的输出来得到与文本中的实体词对应的方面词，由于第二抽取模型将第一抽取模型所得到的实体词作为先验知识，因此提升了第二抽取模型在抽取方面词时的准确性，且本实施例不会限制输入的文本与输出的方面词的所属领域，使得训练得到的文本抽取模型具有更强的泛化能力。

图2根据本公开第二实施例的示意图。如图2所示，本实施例在执行s104“使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛，将所述第一抽取模型与训练得到的第二抽取模型组成文本抽取模型”时，具体可以包括如下步骤：

s201、根据多个文本的实体词预测结果与多个文本的实体词标注结果对所述第一抽取模型进行训练，直至所述第一抽取模型收敛；

s202、将训练得到的第一抽取模型与训练得到的第二抽取模型组成文本抽取模型。

也就是说，本实施例在对第二抽取模型进行训练的同时，还会对第一抽取模型进行训练，从而在确定两个抽取模型均收敛的情况下，将训练得到的两个抽取模型组成文本抽取模型，由于训练得到的第一抽取模型会确保实体词预测具有较高的准确性，因此进一步提升了文本抽取模型在抽取文本中与实体词对应的方面词的准确性。

本实施例在执行s201根据多个文本的实体词预测结果与多个文本的实体词标注结果对第一抽取模型进行训练，直至第一抽取模型收敛时，可以采用的可选实现方式为：根据多个文本的实体词预测结果与多个文本的实体词标注结果计算第二损失函数值，根据计算得到的第二损失函数值调整第一抽取模型中的参数，直至第一抽取模型收敛。

图3根据本公开第三实施例的示意图。如图3所示，图3中左侧为文本抽取模型中的第一抽取模型，右侧为第二抽取模型。

其中，第一抽取模型根据输入文本“张三主演了电影《xx》”，输出文本中实体词“张三”、“xx”的头与尾；第二抽取模型根据输入文本与第一抽取模型输出的实体词的头与尾所得到的“<e>张三</e>主演了电影《<e>xx</e>》”，输出文本中与实体词“张三”对应的方面词“电影”，与实体词“xx”对应的方面词“主演”。

图4是根据本公开第四实施例的示意图。如图4所示，本实施例的文本抽取的方法，具体可以包括如下步骤：

s401、获取待处理文本；

s402、将所述待处理文本输入文本抽取模型，将所述文本抽取模型的输出结果作为所述待处理文本的抽取结果。

本实施例的文本抽取的方法，使用上述实施例预先训练得到的文本抽取模型来得到抽取结果，由于该文本抽取模型中包含第一抽取模型与第二抽取模型，从而实现了按照先抽取文本中的实体词，然后再根据实体词来抽取文本中的方面词的步骤来得到文本的抽取结果，进一步提升了所得到的抽取结果的准确性。

虽然本实施例所使用的文本抽取模型中的第一抽取模型能够对属于不同领域的文本中的实体词进行抽取，但是对于文本中所出现的一些作为专有名词的实体词来说，抽取的准确性较低。

为了确保文本中实体词的抽取准确性，且保证文本抽取模型能够抽取得到与用户所关注的实体词对应的方面词，本实施例在执行s401将待处理文本输入文本抽取模型时，可以采用的可选实现方式为：将待处理文本中位于预设词典中的实体词作为目标实体词，本实施例中的预设词典是通过用户自定义得到的，包含多个词语；将待处理文本与目标实体词输入文本抽取模型。

本实施例执行s402得到的抽取结果，包含由待处理文本中的每个实体词及其对应的方面词所组成的二元组。

图5是根据本公开第五实施例的示意图。如图5所示，本实施例的文本抽取模型的训练装置500，包括：

第一获取单元501、用于获取训练数据，所述训练数据中包含多个文本与多个文本的方面词标注结果；

构建单元502、用于构建包含第一抽取模型与第二抽取模型的神经网络模型，所述第一抽取模型的输出为所述第二抽取模型的输入；

处理单元503、用于将多个文本分别输入所述第一抽取模型，得到所述第一抽取模型针对每个文本输出的实体词预测结果；

训练单元504、用于使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛，将所述第一抽取模型与训练得到的第二抽取模型组成文本抽取模型。

第一获取单元501获取的训练数据中，文本的方面词标注结果包含文本中的实体词以及与实体词对应的方面词。另外，第一获取单元501获取的训练数据中还可以进一步包括，文本的实体词标注结果，该实体词标注结果中包含文本中所包含的实体词。

本实施例在由第一获取单元501获取了多个文本与多个文本的实体词标注结果、方面词标注结果之后，由构建单元502构建包含第一抽取模型与第二抽取模型的神经网络模型，其中，神经网络模型将第一抽取模型的输出作为第二抽取模型的输入。

构建单元502所构建的第一抽取模型为能够从文本中抽取实体词的神经网络模型，包含第一编码层、第二编码层与第一分类层；第一编码层可以为预训练语言模型，用于对文本中的每个字符(token)进行编码，得到每个字符的语义表示向量；第二编码层可以为lstm(longshort-termmemory，长短期记忆网络)，用于对每个字符的语义表示向量进行编码，得到每个字符富含上下文和字符顺序的句子表示向量；第一分类层用于根据每个字符的句子表示向量，对文本中实体词的头或者尾进行标注。

构建单元502所构建的第二抽取模型为能够从文本中抽取与实体词对应的方面词的神经网络模型，包含第三编码层、第四编码层与第二分类层；第三编码层可以为预训练语言模型，用于对添加了实体词信息的文本中的每个字符(token)进行编码，得到每个字符的语义表示向量；第四编码层可以为lstm，用于对每个字符的语义表示向量进行编码，得到每个字符富含上下文和字符顺序的句子表示向量；第二分类层用于根据每个字符的句子表示向量，对文本中方面词的头或者尾进行标注，。

本实施例在由构建单元502构建包含第一抽取模型与第二抽取模型的神经网络模型之后，由处理单元503将多个文本分别输入第一抽取模型，得到第一抽取模型针对每个文本输出的实体词预测结果。

其中，处理单元503所得到的实体词预测结果，可以为文本中实体词的头与尾的位置，也可以直接为文本中的实体词。

本实施例在由处理单元503得到第一抽取模型针对每个文本输出的实体词预测结果之后，由训练单元504使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对第二抽取模型进行训练，直至第二抽取模型收敛，将第一抽取模型与训练得到的第二抽取模型组成文本抽取模型。

具体地，训练单元504在使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对第二抽取模型进行训练时，可以采用的可选实现方式为：将多个文本与多个文本的实体词预测结果进行融合；使用多个文本的融合结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛。

其中，训练单元504在使用多个文本的融合结果与多个文本的方面词标注结果对所述第二抽取模型进行训练，直至所述第二抽取模型收敛时，可以采用的可选实现方式为：将多个文本的融合结果分别输入第二抽取模型，得到第二抽取模型针对每个文本输出的方面词预测结果；根据多个文本的方面词预测结果与多个文本的方面词标注结果计算第一损失函数值，根据计算得到的第一损失函数值调整第二抽取模型中的参数，直至第二抽取模型收敛。

另外，训练单元504在对第二抽取模型进行训练时，除了使用由第一抽取模型输出的实体词预测结果之外，还能够获取通过其他方式从文本中所抽取的实体词来预测文本中的方面词。

可以理解的是，训练单元504所得到的方面词预测结果，可以为文本中的实体词以及与实体词对应的方面词的头与尾的位置，也可以为由文本中的实体词以及与实体词对应的方面词所组成的二元组。

训练单元504在将文本与文本的实体词预测结果进行融合时，可以根据实体词预测结果对文本中的实体词进行标注，将标注之后的文本作为文本的融合结果。

另外，训练单元504在使用多个文本、多个文本的实体词预测结果与多个文本的方面词标注结果对第二抽取模型进行训练，直至第二抽取模型收敛，将第一抽取模型与训练得到的第二抽取模型组成文本抽取模型时，可以采用的可选实现方式为：根据多个文本的实体词预测结果与多个文本的实体词标注结果对第一抽取模型进行训练，直至第一抽取模型收敛；将训练得到的第一抽取模型与训练得到的第二抽取模型组成文本抽取模型。

也就是说，训练单元504在对第二抽取模型进行训练的同时，还会对第一抽取模型进行训练，从而在确定两个抽取模型均收敛的情况下，将训练得到的两个抽取模型组成文本抽取模型，由于训练得到的第一抽取模型会确保实体词预测具有较高的准确性，因此进一步提升了文本抽取模型在抽取文本中与实体词对应的方面词的准确性。

训练单元504在根据多个文本的实体词预测结果与多个文本的实体词标注结果对第一抽取模型进行训练，直至第一抽取模型收敛时，可以采用的可选实现方式为：根据多个文本的实体词预测结果与多个文本的实体词标注结果计算第二损失函数值，根据计算得到的第二损失函数值调整第一抽取模型中的参数，直至第一抽取模型收敛。

图6是根据本公开第六实施例的示意图。如图6所示，本实施例的文本抽取的装置600，包括：

第二获取单元601、用于获取待处理文本；

抽取单元602、用于将所述待处理文本输入文本抽取模型，将所述文本抽取模型的输出结果作为所述待处理文本的抽取结果。

为了确保文本中实体词的抽取准确性，且保证文本抽取模型能够抽取得到与用户所关注的实体词对应的方面词，抽取单元602在将待处理文本输入文本抽取模型时，可以采用的可选实现方式为：将待处理文本中位于预设词典中的实体词作为目标实体词；将待处理文本与目标实体词输入文本抽取模型。

抽取单元602得到的抽取结果，包含由待处理文本中的每个实体词及其对应的方面词所组成的二元组。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

如图7所示，是根据本公开实施例的文本抽取模型的训练与文本标注的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如文本抽取模型的训练与文本标注的方法。例如，在一些实施例中，文本抽取模型的训练与文本标注的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。

在一些实施例中，计算机程序的部分或者全部可以经由rom702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的文本抽取模型的训练与文本标注的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本抽取模型的训练与文本标注的方法。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务(“virtualprivateserver”，或简称“vps”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。