维吾尔语文本的情感分类方法及装置与流程

本发明涉及少数民族语言网络舆情分析领域，具体而言，涉及一种维吾尔语文本的情感分类方法及装置。

背景技术：

互联网发展迅速，全球各地的网民时刻会在网络中获取或发布信息，那么带有主观色彩的文本在网络中大范围传播。这种带有公众主观观点的文本对网络舆情以及社会舆论将会产生极大的影响，如果我们能对此进行深层次的研究，那必将会很有意义。

我国的少数民族呈现一个大杂居、小聚居的分布状态，并且多个民族都拥有自己的语言，为了更了解少数民族的心声，研究少数民族语言将对于民族团结和社会纠纷有重大作用。但又因很多少数民族拥有自己的语言，还不能很好的进行大范围的网络舆情研究，所以目前来看新疆地区各少数民族的网络舆情研究还处于初步阶段。维吾尔语在网络舆情的大范围传播，光依靠人工的方式处理是非常费时费力的，那么情感分析便能在这大显身手。

有监督学习的方法常用于情感分类方法需要人工标注的语料，如果没有一定量的已标注语料，分类器的效果便会降低。然而现有的少数民族语言的已标注语料还甚少，这就必然会使有监督学习捉襟见肘。

针对现有技术中维吾尔语文本的情感分类方法需要通过人工方式对大量维吾尔语文本进行情感标注，处理时间长且处理效率低的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种维吾尔语文本的情感分类方法及装置，以至少解决现有技术中维吾尔语文本的情感分类方法需要通过人工方式对大量维吾尔语文本进行情感标注，处理时间长且处理效率低的技术问题。

根据本发明实施例的一个方面，提供了一种维吾尔语文本的情感分类方法，包括：获取多条维吾尔语文本；对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合，其中，第一文本集合包括：第一数量的维吾尔语文本，第二文本集合包括：第二数量的维吾尔语文本，第一数量小于第二数量；基于第一文本集合和对应的标注信息，生成情感分类器；利用情感分类器对第二文本集合进行情感分类，得到情感分类结果。

进一步地，对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合包括：基于预设筛选策略，对多条维吾尔语文本进行筛选，得到第一文本集合；根据多条维吾尔语文本中除第一文本集合之外的其他维吾尔语文本，得到第二文本集合。

进一步地，基于预设筛选策略，对多条维吾尔语文本进行筛选，得到第一文本集合包括：从多条维吾尔语文本中筛选包含预设类型的情感词的文本，得到第一文本集合。

进一步地，在利用情感分类器对第二文本集合进行情感分类，得到情感分类结果之前，上述方法还包括：使用k-means聚类对第二文本集合进行聚合，得到多个第一集合簇；对多个第一集合簇进行层次聚类，得到多个第二集合簇；利用情感分类器对多个第二集合簇进行情感分类，得到情感分类结果。

进一步地，使用k-means聚类对第二文本集合进行聚合，得到多个第一集合簇包括：从第二文本集合中，获取预设数量的初始集合簇；计算第二文本集合中每个样本点与每个初始集合簇的中心点的距离，得到多个第一集合簇。

进一步地，计算第二文本集合中每个样本点与每个初始集合簇的中心点的距离，得到多个第一集合簇包括：步骤A1，计算当前样本点与每个初始集合簇的中心点的距离；步骤A2，根据当前样本点与每个初始集合簇的中心点的距离，将当前样本点存入对应的初始集合簇中，得到多个新的初始集合簇；步骤A3，计算每个新的初始集合簇的中心点；步骤A4，将当前样本点的下一个样本点作为当前样本点，并循环执行步骤A1至步骤A3，直至第二文本集合中所有样本点完成归类，得到多个第一集合簇。

进一步地，对多个第一集合簇进行层次聚类，得到多个第二集合簇包括：步骤B1，计算任意两个第一集合簇的距离，得到多个第一距离；步骤B2，从多个第一距离中获取最小距离对应的两个第一集合簇；步骤B3，将两个第一集合簇进行合并，得到多个新的第一集合簇；步骤B4，循环执行步骤B1至步骤B3，直至多个新的第一集合簇的数量与预设层次数相同，得到多个第二集合簇。

进一步地，利用情感分类器对第二文本集合进行情感分类，得到情感分类结果包括：利用情感分类器对第二文本集合进行情感分类，得到第一概率；对第二文本集合进行情感分类，得到第二概率；计算第一概率与第二概率的乘积，得到第二文本集合的最大后验概率。

进一步地，获取多条维吾尔语文本包括：通过网络爬虫爬取得到多条维吾尔语文本。

进一步地，在获取多条维吾尔语文本之后，上述方法还包括：对多条维吾尔语文本进行预处理，得到处理后的多条维吾尔语文本；对处理后的多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合。

根据本发明实施例的另一方面，还提供了一种维吾尔语文本的情感分类装置，包括：获取模块，用于获取多条维吾尔语文本；划分模块，用于对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合，其中，第一文本集合包括：第一数量的维吾尔语文本，第二文本集合包括：第二数量的维吾尔语文本，第一数量小于第二数量；生成模块，用于基于第一文本集合和对应的标注信息，生成情感分类器；分类模块，用于利用情感分类器对第二文本集合进行情感分类，得到情感分类结果。

在本发明实施例中，获取多条维吾尔语文本，对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合，基于第一文本集合和对应的标注信息，生成情感分类器，利用情感分类器对第二文本集合进行情感分类，得到情感分类结果。容易注意到的是，可以通过人工筛选出较少但能体现分类结果的语料进行标注，从而产生更好的分类器，并且，可以通过无监督学习的情感分析使杂乱无章的预料快速找到自己的类别，较为准确的划分出每个类别的特点，解决了现有技术中维吾尔语文本的情感分类方法需要通过人工方式对大量维吾尔语文本进行情感标注，处理时间长且处理效率低的技术问题。因此，通过本发明上述实施例提供的方案，可以通过有监督学习对情感不平衡现象有一定的抑制，有效的为半监督学习做铺垫，从而达到提升维吾尔语情感分析的准确度，有效节省人力，减少语料规模的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种维吾尔语文本的情感分类方法的流程图；

图2(a)是根据本发明实施例的一种可选的情感分类结果的示意图；

图2(b)是根据本发明实施例的另一种可选的情感分类结果的示意图；

图3是根据本发明实施例的一种可选的维吾尔语文本的情感分类方法的流程图；以及

图4是根据本发明实施例的一种维吾尔语文本的情感分类装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明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、产品或设备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。

实施例1

根据本发明实施例，提供了一种维吾尔语文本的情感分类方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种维吾尔语文本的情感分类方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取多条维吾尔语文本。

具体的，上述的维吾尔语文本可以是未进行人工标注的语料。

在一种可选的方案中，可以从网络中获取维吾尔族民众发布的维吾尔语信息，例如，可以从维吾尔族民众发布的微博中获取到维吾尔语文本，从网上获取到的维吾尔语文本都是未进行人工标注的预料。

步骤S104，对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合，其中，第一文本集合包括：第一数量的维吾尔语文本，第二文本集合包括：第二数量的维吾尔语文本，第一数量小于第二数量。

在一种可选的方案中，由于现有的已标注的维吾尔语料较难获取，对此可以从获取到的大量标注的语料中，筛选较少部分语料作为第一文本集合，即作为训练文本集合，并对训练文本集合中的语料进行人工标注，减少人为操作，并将剩下的大部分语料作为第二文本集合，即作为测试文本集合。

步骤S106，基于第一文本集合和对应的标注信息，生成情感分类器。

具体的，上述的标注信息可以是人工标注的情感类型。

在一种可选的方案中，可以对筛选出的较少部分语料进行人工标注，即对第一文本集合中的文本进行人工标注，标注第二文本集合中每个样本的情感类型，然后使用标注后的语料建立有监督学习的情感分类器。

步骤S108，利用情感分类器对第二文本集合进行情感分类，得到情感分类结果。

在一种可选的方案中，可以利用情感分类器对剩下的大量未标注语料进行无监督学习，即利用情感分类器对第二文本集合中的文本进行无监督学习，实现对获取到的大量维吾尔语文本进行情感分类。

根据本发明上述实施例，获取多条维吾尔语文本，对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合，基于第一文本集合和对应的标注信息，生成情感分类器，利用情感分类器对第二文本集合进行情感分类，得到情感分类结果。容易注意到的是，可以通过人工筛选出较少但能体现分类结果的语料进行标注，从而产生更好的分类器，并且，可以通过无监督学习的情感分析使杂乱无章的预料快速找到自己的类别，较为准确的划分出每个类别的特点，解决了现有技术中维吾尔语文本的情感分类方法需要通过人工方式对大量维吾尔语文本进行情感标注，处理时间长且处理效率低的技术问题。因此，通过本发明上述实施例提供的方案，可以通过有监督学习对情感不平衡现象有一定的抑制，有效的为半监督学习做铺垫，从而达到提升维吾尔语情感分析的准确度，有效节省人力，减少语料规模的效果。

可选地，在本发明上述实施例中，步骤S104，对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合包括：

步骤S1042，基于预设筛选策略，对多条维吾尔语文本进行筛选，得到第一文本集合。

具体的，上述的预设筛选策略可以包括多种主动学习策略，例如，分类不确定性、样本差异性和聚类代表性，可以通过分类不确定性对获取到的大量维吾尔语料进行筛选，筛选出不容易确定情感类型的语料；可以通过样本差异性对获取到的大量维吾尔语料进行筛选，筛选出情感类型差异较大的语料，例如，筛选出正面情感类型的语料和负面情感类型的语料；可以通过聚类代表性对获取到的大量维吾尔语料进行筛选，筛选出情感类型差异较大的语料，例如，当筛选出正面情感类型的语料时，可以筛选出包含“喜欢”文本的语料，包含“喜欢”文本的语料时正面情感类型中较为常见，且具有代表性的语料。

在一种可选的方案中，有监督学习加入的主动学习一般都会迭代多次，可以把需要进行人工标注的训练文本筛选出来，加入训练文本集合，即第一文本集合，再次选择使用何种策略进行下一轮筛选，每次迭代可能会因为当前第一文本集合的数据信息改变策略的使用，当满足一定第一文本集合语料量时，则停止迭代。

步骤S1044，根据多条维吾尔语文本中除第一文本集合之外的其他维吾尔语文本，得到第二文本集合。

在一种可选的方案中，在确定第一文本集合中的语料之后，可以将获取到的大量未标注语料中，未筛选出的语料作为测试文本集合，即第二文本集合。

可选地，在本发明上述实施例中，步骤S1042，基于预设筛选策略，对多条维吾尔语文本进行筛选，得到第一文本集合包括：

步骤S10422，从多条维吾尔语文本中筛选包含预设类型的情感词的文本，得到第一文本集合。

具体的，由于维吾尔语的黏着性特性，会导致情感词通过加各种词缀改变其原本意思。如果只是轻微改变情感词的程度，还可以接受，但是如果加入否定词缀，那么会完全改变其意思，例如，我不喜欢为我不想笑为由这两句可以看出本来是带有正面情感的词因为加了否定词缀会得到完全相反的情感。上述这两种情况是对原词加否定词缀，还可以直接加否定词表示否定效果，例如，使用了两个维吾尔语单词表示了否定。

在一种可选的方案中，可以从获取到的大量维吾尔语语料中，筛选出包含否定词缀或者否定词的语料，存入第一文本集合中，即在构建空间向量前可以把这种带有否定后缀的情感词提出，单独构建空间向量。

可选地，在本发明上述实施例中，在步骤S108，利用情感分类器对第二文本集合进行情感分类，得到情感分类结果之前，该方法还包括：

步骤S110，使用k-means聚类对第二文本集合进行聚合，得到多个第一集合簇。

步骤S112，对多个第一集合簇进行层次聚类，得到多个第二集合簇。

步骤S114，利用情感分类器对多个第二集合簇进行情感分类，得到情感分类结果。

在一种可选的方案中，可以对第二文本集合中的数据进行k-means聚类，产生k个第一集合簇，然后使用凝聚式层次聚类对k个第一集合簇依循自下而上的方法凝聚为k＝k-1，对已经进行k-means聚类进行聚合，把集合簇中最近(最相近)的集合簇进行凝聚，产生一个新的集合簇，得到多个第二集合簇，最后利用有监督学习建立的情感分类器对第二集合簇进行情感分类，得到分类结果。

通过上述步骤S110至步骤S114，可以使用凝聚式层次k-means聚类，将第二文本集合

可选地，在本发明上述实施例中，步骤S110，使用k-means聚类对第二文本集合进行聚合，得到多个第一集合簇包括：

步骤S1102，从第二文本集合中，获取预设数量的初始集合簇。

具体的，上述的预设数量可以是k-means聚类算法中预先设置的目标类簇数目k。

步骤S1104，计算第二文本集合中每个样本点与每个初始集合簇的中心点的距离，得到多个第一集合簇。

在一种可选的方案中，可以将第二文本集合中所有语料分别当成一个类簇以进行k-means聚类，首先在所有语料中找到k个初始点，这些点作为k-means聚类的最初集合簇，将其他语料会向这些初始点靠拢，在所有的语料都进行归类之后，可以得到k个第一集合簇。

可选地，在本发明上述实施例中，步骤S1104，计算第二文本集合中每个样本点与每个初始集合簇的中心点的距离，得到多个第一集合簇包括：

步骤A1，计算当前样本点与每个初始集合簇的中心点的距离。

步骤A2，根据当前样本点与每个初始集合簇的中心点的距离，将当前样本点存入对应的初始集合簇中，得到多个新的初始集合簇。

步骤A3，计算每个新的初始集合簇的中心点。

步骤A4，将当前样本点的下一个样本点作为当前样本点，并循环执行步骤A1至步骤A3，直至第二文本集合中所有样本点完成归类，得到多个第一集合簇。

在一种可选的方案中，在所有语料中找到k个初始点之后，可以将这些点作为k-means聚类的最初集合簇，依次计算每个样本类和这K个初始点的距离，找到合适位置，放入所在的集合簇，这样初始点便生成新的集合簇，依次对生成的集合簇重新计算中心点，以便下次计算距离，如果样本未归类完，则重复上述操作，完成所有语料的归类，得到最终的k个集合簇。

可选地，在本发明上述实施例中，步骤S112，对多个第一集合簇进行层次聚类，得到多个第二集合簇包括：

步骤B1，计算任意两个第一集合簇的距离，得到多个第一距离。

步骤B2，从多个第一距离中获取最小距离对应的两个第一集合簇。

步骤B3，将两个第一集合簇进行合并，得到多个新的第一集合簇。

步骤B4，循环执行步骤B1至步骤B3，直至多个新的第一集合簇的数量与预设层次数相同，得到多个第二集合簇。

具体的，上述的预设层次数可以是预设的层级聚类方法的层次数N。

在一种可选的方案中，可以对已经划分的k个集合簇执行层次聚类，即再次把现有集合簇当成个别类，分别计算每个类别的距离，找到最近距离的类别即最相似的类别，以这两对样本为代表生成一个新的集合簇，即将两个第一集合簇进行合并，得到多个新的第一集合簇。判断新的第一集合簇的数量是否为层次数N，如果第一集合簇的数量＝N，则得到最终的第二集合簇；如果第一集合簇的数量不为N，则重复上述的过程。

可选地，在本发明上述实施例中，步骤S108，利用情感分类器对第二文本集合进行情感分类，得到情感分类结果包括：

步骤S1082，利用情感分类器对第二文本集合进行情感分类，得到第一概率。

步骤S1084，对第二文本集合进行情感分类，得到第二概率。

步骤S1086，计算第一概率与第二概率的乘积，得到第二文本集合的最大后验概率。

此处需要说明的是，如图2(a)和图2(b)所示，+号表示正面情感类型的语料，-号表示负面情感类型的语料，*号为未标注需要进行情感分类的语料，如图2(a)所示，通过人工标注，可以将*号的语料与+号的语料分在同一类，即将*号分类为正面情感类型的语料；如图2(b)所示，通过情感分类器可以将*号的语料与-号的语料分在同一类，即将*号分类为负面情感类型的语料，因此，需要对情感分类器进行优化，提高分类准确度。

在一种可选的方案中，可以通过有监督分类结合无监督分析的记过进行半监督处理，假设一般把有标记得数据和无标记的数据混合在一起当做N个混合分布，则可以通过情感分类器对第二文本集合进行情感分类，得到第一概率P(y|Nj，x)，并通过人工标注方式对第二文本集合进行情感分类，通过未标注数据估算出第二概率P(Nj|x)，然后将第一概率P(y|Nj，x)和第二概率P(Nj|x)相乘得到最大后验概率，其中Nj代表第j个混合成分。

可选地，在本发明上述实施例中，步骤S102，获取多条维吾尔语文本包括：

步骤S1022，通过网络爬虫爬取得到多条维吾尔语文本。

在一种可选的方案中，可以从上述Guduk微博中用爬虫软件进行抓取，得到多条维吾尔语文本。

可选地，在本发明上述实施例中，在步骤S102，获取多条维吾尔语文本之后，该方法还包括：

步骤S116，对多条维吾尔语文本进行预处理，得到处理后的多条维吾尔语文本。

步骤S118，对处理后的多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合。

在一种可选的方案中，可以将通过爬虫软件抓取到的维吾尔语文本，然后去除图像、域名等非文本符号，只保留含有评论以及用户发表的微博言论文本。

图3是根据本发明实施例的一种可选的维吾尔语文本的情感分类方法的流程图，下面结合图3对本发明一种优选的实施例进行详细说明，如图3所示，可以首先通过网络爬虫爬取微博中的评论来爬取未标注语料，筛选部分语料进行人工标注，并对语料的情感进行平衡处理。然后使用少部分已标注语料建立有监督学习的情感分类器，即图3中的SVM分类器，然后对剩下未标注语料进行无监督学习。通过结合无监督和有监督学习的方法，能够有效的对维吾尔语进行情感分类。半监督学习是介于有监督和无监督学习之间的，它可以从大量没有标注的语料选出更值得人工标注的部分进行样本标注，如主动学习的策略筛选出最值得训练的语料进行分类器的构建。也可以结合有监督和无监督学习，一个辅助一个进行学习。

通过本发明上述实施例提供的方案，可以通过有监督学习对情感不平衡的现象有一定的抑制；通过无监督学习的情感分析使杂乱无章的语料快速找到自己的类别，也能较为准确的划分出每个类别的特点，有效的为半监督学习做铺垫。因此，基于半监督学习的维吾尔语情感分析能够较为准确的对微博情感进行分类，并能有效的节省人力，减少语料的规模。

实施例2

根据本发明实施例，提供了一种维吾尔语文本的情感分类装置的实施例。

图4是根据本发明实施例的一种维吾尔语文本的情感分类装置的示意图，如图4所示，该装置包括：

获取模块41，用于获取多条维吾尔语文本。

具体的，上述的维吾尔语文本可以是未进行人工标注的语料。

在一种可选的方案中，可以从网络中获取维吾尔族民众发布的维吾尔语信息，例如，可以从维吾尔族民众发布的微博中获取到维吾尔语文本，从网上获取到的维吾尔语文本都是未进行人工标注的预料。

划分模块43，用于对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合，其中，第一文本集合包括：第一数量的维吾尔语文本，第二文本集合包括：第二数量的维吾尔语文本，第一数量小于第二数量。

在一种可选的方案中，由于现有的已标注的维吾尔语料较难获取，对此可以从获取到的大量标注的语料中，筛选较少部分语料作为第一文本集合，即作为训练文本集合，并对训练文本集合中的语料进行人工标注，减少人为操作，并将剩下的大部分语料作为第二文本集合，即作为测试文本集合。

生成模块45，用于基于第一文本集合和对应的标注信息，生成情感分类器。

具体的，上述的标注信息可以是人工标注的情感类型。

在一种可选的方案中，可以对筛选出的较少部分语料进行人工标注，即对第一文本集合中的文本进行人工标注，标注第二文本集合中每个样本的情感类型，然后使用标注后的语料建立有监督学习的情感分类器。

分类模块47，用于利用情感分类器对第二文本集合进行情感分类，得到情感分类结果。

在一种可选的方案中，可以利用情感分类器对剩下的大量未标注语料进行无监督学习，即利用情感分类器对第二文本集合中的文本进行无监督学习，实现对获取到的大量维吾尔语文本进行情感分类。

根据本发明上述实施例，获取多条维吾尔语文本，对多条维吾尔语文本进行拆分，得到第一文本集合和第二文本集合，基于第一文本集合和对应的标注信息，生成情感分类器，利用情感分类器对第二文本集合进行情感分类，得到情感分类结果。容易注意到的是，可以通过人工筛选出较少但能体现分类结果的语料进行标注，从而产生更好的分类器，并且，可以通过无监督学习的情感分析使杂乱无章的预料快速找到自己的类别，较为准确的划分出每个类别的特点，解决了现有技术中维吾尔语文本的情感分类方法需要通过人工方式对大量维吾尔语文本进行情感标注，处理时间长且处理效率低的技术问题。因此，通过本发明上述实施例提供的方案，可以通过有监督学习对情感不平衡现象有一定的抑制，有效的为半监督学习做铺垫，从而达到提升维吾尔语情感分析的准确度，有效节省人力，减少语料规模的效果。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述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，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。