地址解析方法、装置、计算机设备及计算机可读存储介质与流程

本公开涉及一种地址解析方法、地址解析装置、及计算机设备及计算机可读存储介质。

背景技术：

任务型人机对话系统已经被成功应用到多种类型的设备，例如：手机(如：出门问问手机app)、音箱(如：出门问问tichome智能音箱)、电视(如：微鲸电视)和可穿戴设备(如：出门问问ticpodsfree智能耳机)等。其通常包括一个或多个垂直领域，垂直领域表示自然语言文本所属领域，例如音乐领域、导航领域、天气领域等等。

目前的任务型人机对话系统中，导航/餐馆/酒店等垂直领域都是通过调用api(applicationprogramminginterface,应用程序编程接口)的方式进行查询，调用api仅填充粗粒度的地址语义槽时，例如海淀区新中关大厦7层、新中关大街和海淀大街交叉口、上海市浦东区、苏州街3号等，会导致api查询结果不精确，因此如何使得查询结果更加准确为需要解决的技术问题。并且现有技术中对每个垂直领域都有相应的训练语料用于训练垂直领域分类模型，这样会导致系统维护成本提高并且使得训练数据收集成本提高。

技术实现要素：

为了解决上述技术问题中的至少一个，本公开提供了一种地址解析方法、地址解析装置、及计算机设备及计算机可读存储介质。

根据本公开的一个方面，一种地址解析方法，包括：对获得的语料进行分词处理，以得到作为分词语料的词；根据地址划分方式对每个词分别标注一个语义槽；对每个词进行特征提取处理，包括通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征；以及根据处理后的分词语料进行训练以得到地址解析模型。

根据本公开的至少一个实施方式，该方法还包括：在对每个词进行特征提取处理后，对所得到的数据进行格式转换，以便根据处理后的分词语料进行训练。

根据本公开的至少一个实施方式，该方法还包括：对自然语音文本进行自然语言理解；当自然理解结果中存在地址相关语义槽时，对所述地址相关语义槽的文本进行分词处理；对分词后的每个词通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征；以及利用所述地址解析模型进行地址解析。

根据本公开的至少一个实施方式，对自然语音文本进行自然语言理解时，得到自然语言文本所属的垂直领域及语义槽；以及所述方法还包括，在利用地址解析模型进行地址解析之后，根据地址解析结果，在对应的所述垂直领域中进行后续处理。

根据本公开的至少一个实施方式，所述地址划方式中，对县级市或市辖区地址层级下的每个层级的地址均配置语义槽。

根据本公开的至少一个实施方式，县级市或市辖区地址层级下的地址，对于城市地址，为商圈、道路、建筑号、地点名称及详细地址分别配置语义槽，而对于农村地址，为乡镇、农村及详细地址分别配置语义槽。

根据本公开的至少一个实施方式，对不属于地址划分方式中的语义槽的词进行单独配置。

根据本公开的另一方面，一种地址解析装置，包括：分词模块，对获得的语料进行分词处理，以得到作为分词语料的词；标注模块，根据地址划分方式对每个词分别标注一个语义槽；提取模块，对每个词进行特征提取处理，包括通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征；以及训练模块，根据处理后的分词语料进行训练以得到地址解析模型。

根据本公开的再一方面，一种计算机设备，包括：存储器，所述存储器存储计算机执行指令；以及处理器，所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行上述的地址解析方法。

根据本公开的又一实施方式，计算机可读存储介质，其中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述任一项所述的地址解析方法。

附图说明

附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。

图1是根据本公开的一个实施方式的地址解析模型生成方法的示意性流程图。

图2是根据本公开的一个实施方式的分词方式的示意性视图。

图3是根据本公开的一个实施方式的对话系统的细粒度地址划分方式的示意性视图。

图4是根据本公开的一个实施方式的细粒度地址划分协议的地址层级关系。

图5是根据本公开的一个实施方式的细粒度地址划分协议的地址层级关系的示意性视图。

图6是根据本公开的一个实施方式的命名实体识别及词性标签标注的示意性视图。

图7是根据本公开的一个实施方式的地址解析模型生成方法的示意性流程图。

图8是根据本公开的一个实施方式的格式转换而得到的数据格式的示意图。

图9是根据本公开的一个实施方式的地址解析方法的示意性流程图。

图10是根据本公开的一个实施方式的可复用的地址解析方法的示意性流程图。

图11是根据本公开的一个实施方式的可复用的地址解析方法的示例图。

图12是根据本公开的一个实施方式的地址解析模型生成装置的示意性框图。

图13是根据本公开的一个实施方式的地址解析装置的示意性框图。

图14是根据本公开的一个实施方式的可复用的地址解析装置的示意性框图。

图15是根据本公开的一个实施方式的计算机设备的示意图。

具体实施方式

下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。

诸如任务型的人机对话系统的对话系统可以包括语音识别模块、自然语言理解模块、对话管理模块、自然语言生成模块及语音合成模块等。

自然语言理解模块可以用于对语音识别模块输出的自然语言文本进行语义解析，将非结构化的自然语言文本解析为符合自然语言理解协议的结构化知识。

自然语言理解协议可以包括垂直领域，领域意图，语义槽三类信息。

对话系统可以包括一个或多个垂直领域，垂直领域表示自然语言文本所属领域，例如：自然语言文本“播放周杰伦的七里香”属于音乐领域、自然语言文本“查看明天北京的天气”属于天气领域、自然语言文本“导航去天安门”属于导航领域。每个垂直领域都有相应的训练语料用于训练垂直领域分类模型。

一个垂直领域可以包括一个或多个领域意图，领域意图表示在垂直领域内，自然语言文本的具体意图，例如，在天气领域中，自然语言文本“明天北京下雨吗”属于询问是否下雨的意图、自然语言文本“今天空气质量好不好”属于询问空气质量的意图、自然语言文本“北京刮风呢吗”属于询问是否有风的意图。

一个垂直领域包含一个或多个语义槽，语义槽表示在垂直领域内，自然语言文本限定的具体条件，例如，在天气领域中，一般包括“时间”和“地点”两种语义槽，自然语言文本“明天北京下雨吗”限定了“时间”条件为“明天”以及“地点”条件为“北京”、自然语言文本“今天空气质量好不好”限定了“时间”条件为“今天”、自然语言文本“北京刮风呢吗”限定了“地点”条件为“北京”。

很多垂直领域都包含地址相关语义槽，例如导航垂直领域，餐馆垂直领域，酒店垂直领域等，例如：在导航垂直领域中，“导航去[海淀区中关村大街9号location]”包含语义槽[海淀区中关村大街9号location]；在餐馆垂直领域，“找一下[新中关大街和海淀大街交叉口location]的餐馆”包含语义槽[新中关大街和海淀大街交叉口location]；在酒店垂直领域中，酒店：“查找[海淀区新中关大厦7层location]附近的酒店”包含语义槽[海淀区新中关大厦7层location]。

根据本公开的第一实施方式，提供了一种地址解析方法，如图1所示，包括：分词步骤s11、标注步骤s12、提取步骤s13及训练步骤s14。

在步骤s11中，对诸如原始语料等的获得的语料进行分词处理，以得到作为分词语料的词。其中，该获得的语料可以是语料库中的语料。例如，在该步骤之前还可以包括收集语料的步骤，其可以从语料库中获取文本格式的原始语料信息，例如“多福街与湖西路路口”、“北京朝阳区”、“北京市海淀区苏州街3号大恒科技大厦”等等。

图2中示出了上述示例情况下的分词的示例图。在图2中，将原始语料“多福街与湖西路路口”分词为分词语料“多福街”、“与”、“湖西路”、及“路口”四个词；将原始语料“北京朝阳区”分词为分词语料“北京”及“朝阳区”两个词；并且将原始语料“北京市海淀区苏州街3号大恒科技大厦”分词为分词语料“北京市”、“海淀区”、“苏州街”、“3”、“号”、及“大恒科技大厦”六个词。

在本公开的一个可选实施方式中，可以使用的分词工具为stanfordcorenlp。当然，本领域的技术人员应当理解也可以选用其他的分词工具，本公开对此不作限定。

在步骤s12中，根据地址划分方式对每个词分别标注一个语义槽。

图3中示出了一种适用于对话系统的细粒度地址划分方式的示例，例如可以适用于任务型人机对话系统。在图3中示例性地示出了将地址按照层级划分为11个类型“国家”、“省/自治区/自治州(西方国家)”、“一般城市/直辖市/特别行政区/台湾市县”、“县级市/县城/市辖区”、“商圈”、“街道/国道/省道”、“街道建筑号”、“地点/建筑/机构/店铺/小区具体名字”、“详细信息，门牌楼号，楼层，方位信息”、“乡镇”及“农村”。需要说明的是，该划分仅仅是示例性划分，本领域的技术人员可以根据实际情况来实现其他划分方式。在图3中示出了为划分后的地址分别匹配的语义槽，例如对于上述划分方式，分别匹配语义槽“country”、“province”、“city”、“county”、“business_district”、“street”、“street_number”、“name”、“detail”、“town”、“village”。当然语义槽的表示形式也可以采用其他方式表示。

与上述划分方式相对应的细粒度地址划分协议的地址层级关系可以参见图4。如图4所示，由上到下依次表示地址层级关系由高到低。并且根据对话系统的用户使用习惯，在县级市/县城/市辖区的下面的地址层级中，分为两个协议分支，分别是“business_district商圈”-“street街道/国道/省道”-“street_number街道建筑号”-“name地点/建筑/机构/店铺/小区具体名字”及“town乡镇”-“village农村”。

在本公开的一个实施方式中，可以根据上述地址划分协议来对每个词分别标注一个语义槽。如图5所示，将“多福街”的语义槽标注为“street”。另外对于不属于地址划分协议中所示语义槽的词也标注语义槽，例如图5中所示的“路口”并不属于在图3及4中划分的语义槽，对不属于地址划分方式中的语义槽的词进行单独标注，这时可以将这些不属于划分的语义槽的词标注为诸如“other”(图5中的词“号”也标注为“other”)。其中该标注可以采用人工标注方法或者自动标注方法。

在步骤s13中，对每个词进行特征提取处理，包括通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征。

根据本公开的一个可选实施方式，可以使用的命名实体识别工具及词性标注工具为stanfordcorenlp。例如使用stanfordcorenlp进行命名实体识别时，loc(地点)/num(数字)/o(该字不属于命名实体的一部分)”等为stanfordcorenlp命名实体标签体系中的标签，而在使用stanfordcorenlp进行词性标注时，nr(专有名词)/nn(其他名词)/lc(方位词)/cc(并列连接词)/od(序列词)等为stanfordcorenlp词性标签体系中的标签。如图6所示，“多福街”、“北京”、“北京市”等地址形式的词的命名实体标签为loc，“与”、“路口”、“号”、“大恒科技大厦”等不属于命名实体一部分的词的命名实体标签为o，而“3”等数字形式的词的命名实体标签为num；“多福街”、“北京”、“北京市”等专有名词形式的词的词性标签为nr，“与”等并列连接词形式的词的词性标签为cc，“路口”、“号”、“大恒科技大厦”等其他名词形式的词的词性标签为nn，“3”等序列词形式的词的词性标签为od等。

在步骤s14中，根据处理后的分词语料进行训练以得到地址解析模型。例如，在本公开中可以使用crf++开源工具，来根据步骤s13中处理后的训练语料进行训练，从而产生地址解析模型。

根据本公开的一个实施方式，如图7所示，地址解析方法包括分词步骤s71、标注步骤s72、提取步骤s73、转换步骤s74、及训练步骤s75。

与上述的地址解析方法相比，在该实施方式中增加了转换步骤s74。其余的分词步骤s71、标注步骤s72、提取步骤s73及训练步骤s75可以分别与上述的方法中的分词步骤s11、标注步骤s12、提取步骤s13及训练步骤s14相同。

在某些情况下，由于经过提取步骤处理后的语料的格式需要进行格式转换，以便生成符合训练步骤所需要的格式。

例如，在上述的示例中说明了本公开可以使用crf++开源工具来对分词语料进行训练以得到地址解析模型。此时，在步骤s74中，可以将步骤s73生成的数据转换成crf++所支持的格式。图8示出了将图6进行格式转换而得到的数据格式。在图8中，第一列为分词语料，第二列为命名实体标签，第三列为词性标签，第四列为标注的语义槽。

然后通过训练步骤s73对格式转换后的数据进行训练。例如在转换成crf++支持的数据格式的情况下，使用crf++来进行训练。

根据本公开的第二实施方式，还提供了一种地址解析方法。如图9所示，该方法可以包括：理解步骤s91、分词步骤s92、提取步骤s93及解析步骤s94。

在步骤s91中，对自然语音文本进行自然语言理解。

判断自然语言理解结果中是否涉及了地址相关语义槽，例如location，如果涉及了地址相关语义槽，则进行后续的地址解析处理。如果没涉及，则不进行后续的地址解析处理。例如，自然语言理解结果为“导航去[海淀区中国关村大街9号location]”则认为涉及了地址相关语义槽，而语言理解结果为“现在几点了”，这时则不涉及地址相关语义槽。

在步骤s92中，对涉及地址相关语义槽的文本进行分词处理。对于该分词处理的具体操作，可以参照上述的步骤s11的方式来进行。

在步骤s93中，对分词后的每个词通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征。提取命名实体特征及提取词性标签特征的具体处理方式，可以参照上述步骤s13中的方式来进行。

在步骤s94中，利用地址解析模型进行地址解析，其中地址解析模型中根据地址划分方式将地址相关语义槽的文本的每个词均标注有一个语义槽。该地址解析模型可以是根据本公开的第一实施方式所生成的地址解析模型，也就是说根据适合任务型人机对话系统的细粒度地址划分协议而生成的地址解析模型。

最后，则是输出地址解析结果。

根据本公开的第三实施方式，还提供了一种地址解析方法。如图10所示，该方法包括步骤s101、s102、s103、s104及s105。

在步骤s101中，对自然语音文本进行自然语言理解，得到自然语言文本所属的垂直领域及语义槽。

如果自然理解结果中存在地址相关语义槽时，则进行步骤s102，在步骤s102中，对地址相关语义槽的文本进行分词处理。对于该分词处理的具体操作，可以参照上述的步骤s11的方式来进行。

在步骤s103中，对分词后的每个词通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征。对于提取命名实体特征及提取词性标签特征的具体处理方式，可以参照上述步骤s13中的方式来进行。

在步骤s104中，利用地址解析模型进行地址解析，其中所述地址解析模型中根据地址划分方式将所述地址相关语义槽的文本的每个词均标注有一个语义槽。该地址解析模型可以是根据本公开的第一实施方式所生成的地址解析模型，也就是说根据适合任务型人机对话系统的细粒度地址划分协议而生成的地址解析模型。

在步骤s105中，根据地址解析结果，在对应的垂直领域中进行后续处理。

下面将结合具体示例，参见图11，来对第三实施方式进行详细的说明。

首先参照实线箭头所标出的流程，用户说出“导航去海淀区中关村大街9号”，通过语音识别技术，识别出用户的自然语言文本为“导航去海淀区中关村大街9号”。使用自然语言理解nlu(naturallanguageunderstanding)得到该自然语言文本的所属垂直领域及地址相关语义槽。这时的垂直领域为[导航垂直领域]，地址相关语义槽为[海淀区中关村大街9号location]，将自然语言理解的结果输入到通用地址解析模块中，依次经过如上所述的分词、命名实体识别及词性标注处理，将处理后的结果输入至通用地址解析模型中。通用地址解析模型可以为根据第一实施方式生成的模型。通过通用地址解析模型的解析处理来输出解析结果，此时的解析结果是输入至相应的垂直领域中，例如导航相关app等。

如图11中虚线所示，当用户说出“找一下新中关大街和海淀大街交叉口的餐馆”，通过语音识别技术，识别出用户的自然语言文本为“找一下新中关大街和海淀大街交叉口的餐馆”。使用nlu得到该自然语言文本的所属垂直领域为[餐馆垂直领域]以及地址相关语义槽为[新中关大街和海淀大街交叉口location]，将自然语言理解的结果输入到通用地址解析模块中，依次经过如上所述的分词、命名实体识别及词性标注处理，将处理后的结果输入至通用地址解析模型中。通过通用地址解析模型的解析处理来输出解析结果，此时的解析结果是输入至相应的垂直领域中，例如餐馆相关app等。

从图11中可以清楚的理解，导航垂直领域及餐馆垂直领域均使用了同一个通用地址解析模块。图11仅为示例，多个垂直领域或所有垂直领域均可以使用同一个通用地址解析模块，这样可以避免为每个垂直领域单独维护地址解析模块，这样可以降低系统的维护成本。

根据本公开的第四实施方式，提供了一种地址解析装置。如图12所示，地址解析模型生成装置120可以包括分词模块121、标注模块122、提取模块123及训练模块124。

分词模块121，对获得的语料进行分词处理，以得到作为分词语料的词。标注模块122，根据地址划分方式对每个词分别标注一个语义槽。提取模块123，对每个词进行特征提取处理，包括通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征。训练模块124，根据处理后的分词语料进行训练以得到地址解析模型。

根据本公开的一个可选实施方式，还可以包括格式转换模块，对于提取模块123输出的数据进行格式转换以符合训练模块124的格式要求。

其中上述各个模块中所进行的具体操作与第一实施方式所描述的方法可以相同。为了简明起见，在此不再赘述。

根据本公开的第五实施方式，提供了一种地址解析装置。如图13所示，该地址解析模块130可以包括：

理解模块131，对自然语音文本进行自然语言理解；

分词模块132，当自然理解结果中存在地址相关语义槽时，对地址相关语义槽进行分词处理；

提取模块133，对分词后的每个词通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征；以及

解析模块134，利用地址解析模型进行地址解析，其中地址解析模型中根据地址划分方式将地址相关语义槽的文本的每个词均标注有一个语义槽。

其中上述各个模块中所进行的具体操作与第二实施方式所描述的方法可以相同。为了简明起见，在此不再赘述。

根据本公开的第六实施方式，提供了一种地址解析装置。如图14所示，该可复用的地址解析装置140可以包括：

理解模块141，对自然语音文本进行自然语言理解，得到自然语言文本所属的垂直领域及语义槽；

分词模块142，当自然理解结果中存在地址相关语义槽时，对地址相关语义槽进行分词处理；

提取模块143，对分词后的每个词通过命名实体识别提取命名实体特征及通过词性标注提取词性标签特征；

解析模块144，利用地址解析模型进行地址解析，其中地址解析模型中根据地址划分方式将地址相关语义槽的文本的每个词均标注有一个语义槽；以及

处理模块145，根据地址解析结果，在对应的垂直领域中进行后续处理。

其中上述各个模块中所进行的具体操作与第三实施方式所描述的方法可以相同。为了简明起见，在此不再赘述。

综上，根据本公开的对话系统的通用地址划分协议，能够兼容涉及地址参数的主流api，并且根据本公开的基于crfs(conditionalrandomfields，条件随机场)的可复用的通用地址解析装置，能够避免在每个垂直领域单独维护一个地址解析模块，降低了系统维护成本。

另外，需要说明的是，除了本公开举例提到的餐馆、酒店、导航等垂直领域，也适用于搜地图、找影院、查公交、飞机票、火车票等涉及地点语义槽的垂直领域。

本公开还提供一种计算机设备，如图15所示，该设备包括：通信接口1000、存储器2000和处理器3000。通信接口1000用于与外界设备进行通信，进行数据交互传输。存储器2000内存储有可在处理器3000上运行的计算机程序。处理器3000执行所述计算机程序时实现上述实施方式中方法。所述存储器2000和处理器3000的数量可以为一个或多个。

存储器2000可以包括高速ram存储器，也可以还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

如果通信接口1000、存储器2000及处理器3000独立实现，则通信接口1000、存储器2000及处理器3000可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(isa，industrystandardarchitecture)总线、外部设备互连(pci，peripheralcomponent)总线或扩展工业标准体系结构(eisa，extendedindustrystandardcomponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果通信接口1000、存储器2000、及处理器3000集成在一块芯片上，则通信接口1000、存储器2000、及处理器3000可以通过内部接口完成相互间的通信。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如，本公开中的方法实施方式可以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，例如存储器。在一些实施方式中，计算机软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当计算机软件程序加载到存储器并由处理器执行时，可以执行上文描述的方法中的一个或多个步骤。备选地，在其他实施方式中，处理器可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法之一。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。

就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本公开的各部分可以用硬件、软件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施方式方法的全部或部分步骤是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，该程序在执行时，包括方法实施方式的步骤之一或其组合。

此外，在本公开各个实施方式中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施方式/方式”、“一些实施方式/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施方式/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施方式/方式或示例以及不同实施方式/方式或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。