一种检索方法、系统、设备及介质与流程

1.本公开涉及数据检索领域，具体地，涉及一种检索方法、系统、设备及介质。


背景技术：

2.在智能语音检索领域，例如语音助手、智能音箱等使用中，为了保证语音助手、智能音箱的准确度以体现其智能化，当用户发出检索指令后，对于一些意图模糊的指令，例如“来个送红包”，相关技术中会识别到闲聊，然后调用通用的检索模型去检索该指令相关的内容，由此可能会生成类似“我听不懂你在说什么”的回答，而实际中“送红包”是小品标题。利用通用的检索模型检索一些意图模糊的指令时，会极大降低检索的准确度，并且通用的检索模型在所有资源中进行检索，会降低检索速率。


技术实现要素：

3.本公开的主要目的在于提供一种检索方法、系统、设备及介质，以解决现有技术中，对于用户的模糊指令，根据通用的检索模板进行检索而影响检索准确度和检索速率的问题。
4.本公开实施例第一方面提供了一种检索方法，包括：获取检索指令；分析所述检索指令，得到所述检索指令所对应的检索类别；调用所述检索类别的检索方式；根据所述检索方式进行检索。
5.可选地，所述方法还包括：预先设置所述检索类别与检索方式的对应关系，其中，每种检索类别对应至少一种检索方式，每种检索方式对应一种检索类别。
6.可选地，所述检索方式包括至少一种检索要素，每种检索要素对应一种匹配方式，所述方法还包括：解析所述检索指令，得到一种及以上的检索字段，每种检索字段对应一种检索要素；所述根据所述检索方式进行检索，包括：根据所述一种及以上的检索字段所对应检索要素的匹配方式，对所述一种及以上的检索字段进行检索。
7.可选地，所述方法还包括：建立每种检索类别对应的资源列表，所述资源列表包括所述至少一种检索要素，以及包括每种检索要素对应的至少一个检索字段；对所述资源列表进行分片存储。
8.可选地，所述解析所述检索指令，得到一种及以上的检索字段，包括：提取所述检索指令中一种及以上的关键词；查询所述关键词的近义词；根据所述关键词以及对应的近义词，对所述检索类别所对应的资源列表进行索引，得到每种关键词对应的检索字段。
9.可选地，当所述检索类别的检索方式为一种以上时，所述根据所述检索方式进行检索，包括：依次根据所述一种以上的检索方式进行检索；所述方法还包括：当根据其中一种检索方式进行检索，得到的目标文件与所述检索指令之间的匹配分值大于一阈值时，执行所述目标文件。
10.可选地，所述分析所述检索指令，得到所述检索指令所对应的检索类别，包括：根据预置的神经网络模型分析所述检索指令，得到所述检索指令所对应的检索类别。
11.本公开实施例第二方面提供了一种检索系统，包括：获取模块，用于获取检索指令；分析模块，用于分析所述检索指令，得到所述检索指令所对应的检索类别；调用模块，用于调用所述检索类别的检索方式；检索模块，用于根据所述检索方式进行检索。
12.可选地，所述系统还包括：设置模块，用于预先设置所述检索类别与检索方式的对应关系，其中，每种检索类别对应至少一种检索方式，每种检索方式对应一种检索类别。
13.可选地，所述检索方式包括至少一种检索要素，每种检索要素对应一种匹配方式，所述系统还包括：解析模块，用于解析所述检索指令，得到一种及以上的检索字段，每种检索字段对应一种检索要素；所述检索模块还用于根据所述一种及以上的检索字段所对应检索要素的匹配方式，对所述一种及以上的检索字段进行检索。
14.可选地，所述系统还包括：建立模块，用于建立每种检索类别对应的资源列表，所述资源列表包括所述至少一种检索要素，以及包括每种检索要素对应的至少一个检索字段；存储模块，用于对所述资源列表进行分片存储。
15.可选地，所述解析模块包括：提取子模块，用于提取所述检索指令中一种及以上的关键词；查询子模块，用于查询所述关键词的近义词；索引子模块，用于根据所述关键词以及对应的近义词，对所述检索类别所对应的资源列表进行索引，得到每种关键词对应的检索字段。
16.本公开实施例第三方面提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行上述检索方法。
17.本公开实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述检索方法。
18.从上述本公开实施例可知，本公开提供的检索方法、系统、设备及介质，获取检索指令，分析检索指令，得到检索指令所对应的检索类别，调用该检索类别的检索方式，根据该检索方式进行检索。通过为每种检索类别自定义设置相应的检索方式，为检索指令调用相应检索类别的检索方式进行检索，提高了检索准确度以及可扩展性，提升了用户体验，并且为每种检索类别设置相应的资源列表，以及维护近义词文件，提高指令查询的性能，从而进一步提高了检索准确度。
附图说明
19.为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
20.图1示意性示出了根据本公开实施例的检索方法的流程示意图；
21.图2示意性示出了根据本公开实施例的检索方法中存储的资源列表的示意图；
22.图3示意性示出了根据本公开实施例的检索系统的结构示意图；
23.图4示出了一种电子设备的硬件结构框图。
具体实施方式
24.为使得本公开目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。
25.参阅图1，图1示意性示出了根据本公开实施例的检索方法的流程示意图。该方法主要包括操作s101～操作s104。
26.s101，获取检索指令。
27.该检索指令可以是用户发出的用于搜索内容的语音指令。检索指令的具体内容例如为“来个送红包”、“播放周董的晴天”、“来个杜甫的赠李白”等等。
28.s102，分析检索指令，得到该检索指令所对应的检索类别。
29.具体地，根据预置的神经网络模型分析检索指令，得到该检索指令所对应的检索类别。检索类别例如为“音乐类”、“文学类”、“科技类”、“美食类”、“新闻类”、“历史类”、“影视剧类”等等。本领域技术人员可以根据本实施例的描述类推得到其它检索类别，进而可将各个检索类别预先配置。
30.以检索指令为“播放周董的晴天”为例，可通过预置的神经网络模型对指令“播放周董的晴天”进行分析，确定其对应的检索类别为“音乐类”。可以理解的是，检索指令也可能对应一种以上的检索类别，例如检索指令“李白”，其对应的检索类别可能为“文学类”，也可能为“音乐类”，此时例如可以根据用户的使用数据，例如播放记录，判断用户更感兴趣的检索类别，将该检索指令对应至用户更感兴趣的检索类别。
31.神经网络是由大量简单的神经元广泛地互相连接而形成进行分布式并行信息处理的算法数学模型，在系统辨别、模式识别、智能控制等领域有着广泛的应用前景。
32.本公开实施例中，可以利用大量已知检索类别的检索指令训练神经网络模型，训练过程中调整神经网络模型的参数，直至神经网络模型的分析准确度满足需求，此时得到的神经网络模型即为上述预置的神经网络模型。例如当调整得到的神经网络模型对检索指令的分析准确率达到99.99％时，将该调整得到的神经网络模型作为预置的神经网络模型。
33.s103，调用该检索类别的检索方式。
34.本公开实施例中每种检索方式包括至少一种检索要素，每种检索要素对应一种匹配方式。
35.检索要素为其所属检索方式进行检索时所需的检索内容所对应的类型，每种检索要素对应大量具体的检索内容。例如检索内容“周杰伦”、“李宇春”、“tfboys”等都为歌手名称，其对应的检索要素可以定义为“歌手名”。
36.以检索类别为“音乐类”为例，其检索方式的检索要素例如包括“歌名”、“歌手名”、“类型”等。本领域技术人员可以根据本实施例的描述得到“音乐类”检索类别的其它检索要素，以及得到其它检索类别的检索要素。
37.进一步地，可以根据每种检索要素在其检索类别中的相关程度，为每种检索要素设置相应的匹配方式。匹配方式例如为“must”、“should”、“no_must”匹配方式等，其中，检索要素对应“must”匹配方式表示必须与该检索要素完全匹配；检索要素对应“should”匹配方式表示与该检索要素的匹配度达到一定数值即可，例如达到80％即可；检索要素对应“no_must”匹配方式表示与该检索要素是否匹配都可以。本领域技术人员可以根据本实施例的描述得到其它匹配方式。
38.仍以检索类别为“音乐类”，检索要素为“歌名”、“歌手名”、“类型”为例，示例性说明“音乐类”检索类别的检索方式。例如检索要素“歌名”的匹配方式为“should”，最小匹配度为80％，对应分值(即权重)为400；检索要素“歌手名”的匹配方式为“no_must”，对应分值
为100，；检索要素“类型”的匹配方式为“must”，对应分值为200，这三种检索要素及其匹配方式组合起来即构成“音乐类”检索类别的检索方式，表示当资源与“歌名”达到80％匹配度时，得到400分，当与“类型”完全匹配时，得到200分，当与“歌手名”完全匹配时，得到100分，对得到的分值进行相加，即可得到最终的分值。可以理解的是，上述示例仅示例性说明本公开实施例中的检索方式，本领域技术人员可以根据本实施例的描述得到其它自定义的检索方式。
39.本公开实施例中，预先设置有每种检索类别与检索方式的对应关系，其中，每种检索类别对应至少一种检索方式，每种检索方式对应一种检索类别。可以理解的是，一种检索类别也可以对应多种检索方式，多种检索方式之间侧重不同的检索要素。每种检索方式包含的检索要素可能存在区别，相同检索要素对应的匹配方式也会不同，以此从不同侧重点进行检索。
40.此外，本公开实施例中，在调用检索方式时，对检查该检索方式是否为json格式，并在检索方式不是json格式时，拒绝调用该检索方式，并输出相应的反馈结果，以使得维护人员根据反馈结果对检索方式进行改正及上传。
41.s104，根据该检索方式进行检索。
42.本公开实施例中，操作s104可以包括操作s104a～操作s104b。
43.s104a，解析检索指令，得到一种及以上的检索字段，每种检索字段对应一种检索要素。
44.检索字段是根据检索指令得到的具体内容，例如为“周杰伦”、“晴天”、“李白”、“摇滚”等。检索字段“周杰伦”例如对应检索要素“歌手名”，检索字段“晴天”对应检索要素“歌名”等等。本领域技术人员可以根据本实施例的描述得到其它检索字段的内容。
45.本公开实施例中，预先建立有每种检索类别对应的资源列表，该资源列表包括上述至少一种检索要素，以及包括每种检索要素对应的至少一个检索字段，并对资源列表进行分片存储。
46.图2示意性示出了根据本公开实施例的检索方法中存储的资源列表的示意图。参阅图2，每种检索类别都对应存储有其资源列表，以“音乐类”检索类别为例，其资源列表例如包括检索要素“歌名”、“歌手名”、“类型”、“歌词”等等，每种检索要素下包括大量的检索字段，例如检索要素“歌手名”下包括检索字段“周杰伦”、“tfboys”、“janis joplin”等等。可以实时新增检索字段至该资源列表中。针对检索类别建立资源列表，有利于后期维护，并且在对检索指令进行索引时，无需建立巨大的索引，提高检索效率。
47.本公开实施例中，可以将资源列表分片存储在elastic search(简称es)服务器中。es是一个基于lucene的搜索服务器，提供了分布式多用户能力的全文搜索引擎。可以通过分布式的es服务器对资源列表进行分片存储及调度。由于es集群是分布式搜索引擎，分布在es集群不同节点的资源列表就是分片，分片的大小和数量影响搜索性能开销。本公开实施例中，采用的分片原则例如为：确保每个节点的分片数量低于每gb堆内存配置20至25个分片；或者考虑到资源列表中数据增长过快，先限制分片容量，再限制分片数，例如估计资源列表能达到100gb，对于最大堆内存为32gb的es集群，可以将分片的最大容量限制在30gb，由此100gb的资源列表应设置4～5个分片较为合理。
48.本公开实施例中，还预先建立有近义词词表，该近义词词表存储有大量具有相同
实体含义的字段。近义词是指具有相同实体含义的词，即指向同一实体的词，例如“李白”、“李太白”、“诗仙”、“青莲居士”等等。
49.进一步地，操作s104a包括：提取检索指令中一种及以上的关键词，查询每种关键词的近义词，根据每种关键词以及对应的近义词，对该检索类别所对应的资源列表进行索引，得到每种关键词对应的检索字段。
50.具体地，首先，例如利用jieba分词的index模式提取检索指令中一种及以上的关键词。关键词例如为检索指令中具有实体含义的字段。以检索指令为“想听中华人民共和国国歌”为例，提取出的关键词例如为{“中华”、“中华人民共和国”、“华人”、“人民”、“共和”、“共和国”、“国歌”}。
51.其次，根据提取出的关键词，查询近义词词表，得到每种关键词对应的近义词，例如“中华人民共和国”对应的近义词“中国”，“华人”对应的近义词“中国人”，“国歌”对应的近义词为“义勇军进行曲”等等。
52.然后，例如利用jieba分词的search模式，根据获得的每种关键词以及关键词对应的近义词，对其检索类别所对应的资源列表进行查询，得到检索字段“义勇军进行曲”，该检索字段对应的检索要素为“歌名”。可以理解的是，由于资源列表中存储的是对检索结果有影响的检索要素，因此，检索指令中并非每个字段均对应一检索要素。
53.本公开实施例中，并非对所有的检索指令都执行上述操作s104a，即也存在不拆分字段的检索指令。例如对于“播放电影盗墓笔记”这种有明确资源类型的指令，无需进行拆分，直接进行检索，由此可以节省存储空间，并提升检索性能。
54.s104b，根据上述一种及以上的检索字段所对应检索要素的匹配方式，对该一种及以上的检索字段进行检索。
55.以操作s104a中得到的检索字段为“义勇军进行曲”、“群星”为例，将检索方式中检索要素“歌名”对应的属性替换为“义勇军进行曲”，将检索要素“歌手名”对应的属性替换为“群星”，其它检索要素对应的属性替换为“*”，其中“*”表示任意匹配，根据相应的匹配方式对“义勇军进行曲”、“群星”进行复合检索，即在该检索类别对应的资源中进行复合检索。进一步地，可以得到每一资源对应的分值，分值越高，资源与检索字段的综合匹配度越高，还可以依次输出分值最高的若干资源。
56.本公开实施例中，当该检索指令对应检索类别包括一种以上的检索方式时，操作s104b具体包括：依次根据该一种以上的检索方式进行检索，例如，预先设置好上述一种以上检索方式的检索顺序，按照顺序依次利用该一种以上的检索方式进行检索；并当根据其中一种检索方式进行检索，得到的目标文件与检索指令之间的匹配分值大于一阈值时，执行目标文件。该阈值用于保证目标文件的准确度，例如为500等。
57.此外，本实施例中的检索方法可以采用log4j2日志，具有速度快、异步写入、压缩好等优点，并在采用异步写入时，性能直线增长，使得在频繁检索及高并发访问下，保证日志系统的流畅。
58.在本公开实施例中，获取检索指令，分析检索指令，得到检索指令所对应的检索类别，调用该检索类别的检索方式，根据该检索方式进行检索。通过为每种检索类别自定义设置相应的检索方式，为检索指令调用相应检索类别的检索方式进行检索，提高了检索准确度以及可扩展性，提升了用户体验，并且为每种检索类别设置相应的资源列表，以及维护近
义词文件，提高指令查询的性能，从而进一步提高了检索准确度。
59.参阅图3，图3示意性示出了根据本公开实施例的检索系统的结构示意图。该系统主要包括获取模块301、分析模块302、调用模块303以及检索模块304。
60.获取模块301，用于获取检索指令。
61.该检索指令可以是用户发出的用于搜索内容的语音指令。检索指令的具体内容例如为“来个送红包”、“播放周董的晴天”、“来个杜甫的赠李白”等等。
62.分析模块302，用于分析检索指令，得到该检索指令所对应的检索类别。
63.具体地，根据预置的神经网络模型分析检索指令，得到该检索指令所对应的检索类别。检索类别例如为“音乐类”、“文学类”、“科技类”、“美食类”、“新闻类”、“历史类”、“影视剧类”等等。本领域技术人员可以根据本实施例的描述类推得到其它检索类别，进而可将各个检索类别预先配置。
64.以检索指令为“播放周董的晴天”为例，可通过预置的神经网络模型对指令“播放周董的晴天”进行分析，确定其对应的检索类别为“音乐类”。可以理解的是，检索指令也可能对应一种以上的检索类别，例如检索指令“李白”，其对应的检索类别可能为“文学类”，也可能为“音乐类”，此时例如可以根据用户的使用数据，例如播放记录，判断用户更感兴趣的检索类别，将该检索指令对应至用户更感兴趣的检索类别。
65.本公开实施例中，可以利用大量已知检索类别的检索指令训练神经网络模型，训练过程中调整神经网络模型的参数，直至神经网络模型的分析准确度满足需求，此时得到的神经网络模型即为上述预置的神经网络模型。例如当调整得到的神经网络模型对检索指令的分析准确率达到99.99％时，将该调整得到的神经网络模型作为预置的神经网络模型。
66.调用模块303，用于调用该检索类别的检索方式。
67.本公开实施例中每种检索方式包括至少一种检索要素，每种检索要素对应一种匹配方式。
68.检索要素为其所属检索方式进行检索时所需的检索内容所对应的类型，每种检索要素对应大量具体的检索内容。例如检索内容“周杰伦”、“李宇春”、“tfboys”等都为歌手名称，其对应的检索要素可以定义为“歌手名”。
69.以检索类别为“音乐类”为例，其检索方式的检索要素例如包括“歌名”、“歌手名”、“类型”等。本领域技术人员可以根据本实施例的描述得到“音乐类”检索类别的其它检索要素，以及得到其它检索类别的检索要素。
70.进一步地，可以根据每种检索要素在其检索类别中的相关程度，为每种检索要素设置相应的匹配方式。匹配方式例如为“must”、“should”、“no_must”匹配方式等，其中，检索要素对应“must”匹配方式表示必须与该检索要素完全匹配；检索要素对应“should”匹配方式表示与该检索要素的匹配度达到一定数值即可，例如达到80％即可；检索要素对应“no_must”匹配方式表示与该检索要素是否匹配都可以。本领域技术人员可以根据本实施例的描述得到其它匹配方式。
71.仍以检索类别为“音乐类”，检索要素为“歌名”、“歌手名”、“类型”为例，示例性说明“音乐类”检索类别的检索方式。例如检索要素“歌名”的匹配方式为“should”，最小匹配度为80％，对应分值(即权重)为400；检索要素“歌手名”的匹配方式为“no_must”，对应分值为100，；检索要素“类型”的匹配方式为“must”，对应分值为200，这三种检索要素及其匹配
方式组合起来即构成“音乐类”检索类别的检索方式，表示当资源与“歌名”达到80％匹配度时，得到400分，当与“类型”完全匹配时，得到200分，当与“歌手名”完全匹配时，得到100分，对得到的分值进行相加，即可得到最终的分值。可以理解的是，上述示例仅示例性说明本公开实施例中的检索方式，本领域技术人员可以根据本实施例的描述得到其它自定义的检索方式。
72.本公开实施例中，该检索系统还包括设置模块，用于预先设置有每种检索类别与检索方式的对应关系，其中，每种检索类别对应至少一种检索方式，每种检索方式对应一种检索类别。可以理解的是，一种检索类别也可以对应多种检索方式，多种检索方式之间侧重不同的检索要素。每种检索方式包含的检索要素可能存在区别，相同检索要素对应的匹配方式也会不同，以此从不同侧重点进行检索。
73.检索模块304，用于根据该检索方式进行检索。
74.本公开实施例中，该检索系统还包括解析模块，用于解析检索指令，得到一种及以上的检索字段，每种检索字段对应一种检索要素。
75.检索字段是根据检索指令得到的具体内容，例如为“周杰伦”、“晴天”、“李白”、“摇滚”等。检索字段“周杰伦”例如对应检索要素“歌手名”，检索字段“晴天”对应检索要素“歌名”等等。本领域技术人员可以根据本实施例的描述得到其它检索字段的内容。
76.本公开实施例中，该检索系统还包括建立模块和存储模块，建立模块用于预先建立有每种检索类别对应的资源列表，该资源列表包括上述至少一种检索要素，以及包括每种检索要素对应的至少一个检索字段，存储模块用于对资源列表进行分片存储。存储模块存储的资源存储列表例如如图2所示。
77.本公开实施例中，存储模块可以将资源列表分片存储在elastic search(简称es)服务器中。es是一个基于lucene的搜索服务器，提供了分布式多用户能力的全文搜索引擎。可以通过分布式的es服务器对资源列表进行分片存储及调度。由于es集群是分布式搜索引擎，分布在es集群不同节点的资源列表就是分片，分片的大小和数量影响搜索性能开销。
78.本公开实施例中，建立模块还用于预先建立近义词词表，该近义词词表存储有大量具有相同实体含义的字段。近义词是指具有相同实体含义的词，即指向同一实体的词，例如“李白”、“李太白”、“诗仙”、“青莲居士”等等。
79.进一步地，解析模块包括提取子模块、查询子模块和索引子模块。
80.提取子模块用于提取检索指令中一种及以上的关键词。具体地，提取子模块例如利用jieba分词的index模式提取检索指令中一种及以上的关键词。关键词例如为检索指令中具有实体含义的字段。以检索指令为“想听中华人民共和国国歌”为例，提取出的关键词例如为{“中华”、“中华人民共和国”、“华人”、“人民”、“共和”、“共和国”、“国歌”}。
81.查询子模块用于查询每种关键词的近义词。具体地，查询子模块根据提取出的关键词，查询近义词词表，得到每种关键词对应的近义词，例如“中华人民共和国”对应的近义词“中国”，“华人”对应的近义词“中国人”，“国歌”对应的近义词为“义勇军进行曲”等等。
82.索引子模块用于根据每种关键词以及对应的近义词，对该检索类别所对应的资源列表进行索引，得到每种关键词对应的检索字段。具体地，索引子模块例如利用jieba分词的search模式，根据获得的每种关键词以及关键词对应的近义词，对其检索类别所对应的资源列表进行查询，得到检索字段“义勇军进行曲”，该检索字段对应的检索要素为“歌名”。
可以理解的是，由于资源列表中存储的是对检索结果有影响的检索要素，因此，检索指令中并非每个字段均对应一检索要素。
83.本公开实施例中，并非对所有的检索指令都执行上述解析模块，即也存在不拆分字段的检索指令。例如对于“播放电影盗墓笔记”这种有明确资源类型的指令，无需进行拆分，直接进行检索，由此可以节省存储空间，并提升检索性能。
84.本公开实施例中，检索模块304还用于根据上述一种及以上的检索字段所对应检索要素的匹配方式，对该一种及以上的检索字段进行检索。
85.以解析模块中得到的检索字段为“义勇军进行曲”、“群星”为例，将检索方式中检索要素“歌名”对应的属性替换为“义勇军进行曲”，将检索要素“歌手名”对应的属性替换为“群星”，其它检索要素对应的属性替换为“*”，其中“*”表示任意匹配，根据相应的匹配方式对“义勇军进行曲”、“群星”进行复合检索，即在该检索类别对应的资源中进行复合检索。进一步地，可以得到每一资源对应的分值，分值越高，资源与检索字段的综合匹配度越高，还可以依次输出分值最高的若干资源。
86.本公开实施例中，当该检索指令对应检索类别包括一种以上的检索方式时，检索模块304还用于依次根据该一种以上的检索方式进行检索，例如，预先设置好上述一种以上检索方式的检索顺序，按照顺序依次利用该一种以上的检索方式进行检索；并当根据其中一种检索方式进行检索，得到的目标文件与检索指令之间的匹配分值大于一阈值时，执行目标文件。该阈值用于保证目标文件的准确度，例如为500等。
87.在本公开实施例中，获取模块301获取检索指令，分析模块302分析检索指令，得到检索指令所对应的检索类别，调用模块303调用该检索类别的检索方式，检索模块304根据该检索方式进行检索。通过为每种检索类别自定义设置相应的检索方式，为检索指令调用相应检索类别的检索方式进行检索，提高了检索准确度以及可扩展性，提升了用户体验，并且为每种检索类别设置相应的资源列表，以及维护近义词文件，提高指令查询的性能，从而进一步提高了检索准确度。
88.参阅图4，图4示出了一种电子设备的硬件结构图。
89.本实施例中所描述的电子设备，包括：
90.存储器41、处理器42及存储在存储器41上并可在处理器上运行的计算机程序，处理器执行该程序时实现前述图1所示实施例中描述的检索方法。
91.进一步地，该电子设备还包括：
92.至少一个输入设备43；至少一个输出设备44。
93.上述存储器41、处理器42输入设备43和输出设备44通过总线45连接。
94.其中，输入设备43具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备44具体可为显示屏。
95.存储器41可以是高速随机存取记忆体(ram，random access memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器41用于存储一组可执行程序代码，处理器42与存储器41耦合。
96.进一步地，本公开实施例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设置于上述各实施例中的终端中，该计算机可读存储介质可以是前述图4所示实施例中的存储器。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时
实现前述图1所示实施例中描述的检索方法。进一步地，该计算机可存储介质还可以是u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
97.在本申请所提供的多个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块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链接可以是通过一些接口，模块的间接耦合或通信链接，可以是电性，机械或其它的形式。
98.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
99.另外，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。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。
100.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本公开所必须的。
101.在上述实施例中，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，可以参见其它实施例的相关描述。
102.以上为对本公开所提供的检索方法、系统、设备及介质的描述，对于本领域的一般技术人员，依据本公开实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本公开的限制。