本申请属于人工智能技术领域,尤其涉及一种意图识别方法、装置、识别设备及计算机存储介质。
背景技术:
随着人工智能的出现,其衍生出智能服务应用于各个行业,例如保险客服行业,大大减缓了人们工作的压力、节省了人力成本。一般地,智能服务都是采用与用户之间进行多轮问答的方式进行,那么需要根据用户的问题识别出用户的意图,才可以准确的生成与用户的问题对应的回答。
但是,现有技术中一般都是对每轮用户问题进行单独意图识别,若历史轮次对话中对用户问题的意图识别错误时,会影响后续轮次对话中对用户问题的意图识别,导致对用户问题的意图识别准确率较低。
技术实现要素:
本申请实施例提供了一种意图识别方法、装置、识别设备及计算机存储介质,可以解决现有技术中对用户问题的意图识别准确率较低的问题。
第一方面,本申请实施例提供了一种意图识别方法,包括:
获取当前轮次对话中用户的当前问题文本信息;
根据所述当前问题文本信息的第一文本类型更新文本类型集合,其中,所述文本类型集合包括历史轮次对话中用户的历史问题文本信息对应的第二文本类型;
根据所述文本类型集合确定当前轮次对话中所述用户的意图类型。
在第一方面的一种可能的实现方式中,获取当前轮次对话中用户的当前问题文本信息之前,包括:
获取当前轮次对话中用户的当前问题语音信息;
将所述当前问题语音信息转换为当前问题文本信息。
在第一方面的一种可能的实现方式中,根据所述当前问题文本信息的第一文本类型更新文本类型集合,包括:
根据预设的分类模型确定出所述当前问题文本信息的第一文本类型;
将所述第一文本类型加入至文本类型集合,得到更新后的文本类型集合。
在第一方面的一种可能的实现方式中,根据所述当前问题文本信息更新文本类型集合之前,还包括:
获取问题文本样本信息;
根据所述问题文本样本信息,构建所述预设的分类模型。
在第一方面的一种可能的实现方式中,根据所述问题文本样本信息,构建所述预设的分类模型,包括:
标注所述问题文本样本信息的文本类型;
将所述文本类型输入至分类器中进行训练,得到所述预设的分类模型。
在第一方面的一种可能的实现方式中,标注所述问题文本样本信息的文本类型之后,还包括:
对所述标注的问题文本样本信息的文本类型进行校验;
若检验失败,则生成初始更改策略,并发出复核信号至维护人员;
根据所述维护人员返回的更改信号对所述文本类型进行更改,并根据所述更改信号对所述初始更改策略进行迭代。
在第一方面的一种可能的实现方式中,根据所述文本类型集合确定所述用户的意图类型,包括:
将文本类型集合中每个文本类型进行组合,得到文本类型子集合;
计算每个文本类型子集合对应的预测概率;
筛选出最大的预测概率对应的文本类型子集合中的文本类型,并将所述最大的预测概率对应的文本类型子集合中的文本类型作为当前轮次对话中所述用户的意图类型。
第二方面,本申请实施例提供了一种意图识别装置,包括:
获取模块,用于获取当前轮次对话中用户的当前问题文本信息;
更新模块,用于根据所述当前问题文本信息的第一文本类型更新文本类型集合,其中,所述文本类型集合包括历史轮次对话中用户的历史问题文本信息对应的第二文本类型;
确定模块,用于根据所述文本类型集合确定当前轮次对话中所述用户的意图类型。
在第二方面的一种可能的实现方式中,该装置还包括:
语音信息获取模块,用于获取当前轮次对话中用户的当前问题语音信息;
转换模块,用于将所述当前问题语音信息转换为当前问题文本信息。
在第二方面的一种可能的实现方式中,更新模块包括:
确定单元,用于根据预设的分类模型确定出所述当前问题文本信息的第一文本类型;
处理单元,用于将所述第一文本类型加入至文本类型集合,得到更新后的文本类型集合。
在第二方面的一种可能的实现方式中,该装置还包括:
样本获取模块,用于获取问题文本样本信息;
构建模块,用于根据所述问题文本样本信息,构建所述预设的分类模型。
在第二方面的一种可能的实现方式中,构建模块包括:
标注单元,用于标注所述问题文本样本信息的文本类型;
训练单元,用于将所述文本类型输入至分类器中进行训练,得到所述预设的分类模型。
在第二方面的一种可能的实现方式中,构建模块还包括:
校验模块,用于对所述标注的问题文本样本信息的文本类型进行校验;
更改模块,用于若检验失败,则生成初始更改策略,并发出复核信号至维护人员;
迭代模块,用于根据所述维护人员返回的更改信号对所述文本类型进行更改,并根据所述更改信号对所述初始更改策略进行迭代。
在第二方面的一种可能的实现方式中,该装置还包括:
组合模块,用于将文本类型集合中每个文本类型进行组合,得到文本类型子集合;
计算模块,用于计算每个文本类型子集合对应的预测概率;
筛选模块,用于筛选出最大的预测概率对应的文本类型子集合中的文本类型,并将所述最大的预测概率对应的文本类型子集合中的文本类型作为当前轮次对话中所述用户的意图类型。
第三方面,本申请实施例提供了一种识别设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例通过获取当前轮次对话中用户的当前问题文本信息,根据当前问题文本信息更新文本类型集合,其中,文本类型集合包括历史轮次对话中用户的历史问题文本信息,根据文本类型集合确定用户的意图类型。可见,本申请实施例对当前轮次对话中用户的意图进行分析时,不仅考虑用户的当前问题,也考虑用户的历史问题,避免了历史轮次对话中对用户问题的意图识别错误时,会影响后续轮次对话中对用户问题的意图识别,达到提高用户意图识别准确率的效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它的附图。
图1是本申请实施例提供的一种意图识别方法的一种流程示意图;
图2是本申请实施例提供的一种意图识别方法的图1中步骤s101之前的一种流程示意图;
图3是本申请实施例提供的一种意图识别方法的图1中步骤s102的具体流程示意图;
图4是本申请实施例提供的一种意图识别方法的图1中步骤s102之前的一种流程示意图;
图5是本申请实施例提供的一种意图识别方法的图1中步骤s402的具体流程示意图;
图6是本申请实施例提供的一种意图识别方法的图4中步骤s501之后的一种流程示意图;
图7是本申请实施例提供的一种意图识别方法的图1中步骤s103的具体流程示意图;
图8是本申请实施例提供的意图识别装置的结构示意图;
图9是本申请实施例提供的识别设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其它一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其它方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其它方式另外特别强调。
需说明的是,本申请实施例的应用场景可以是任何需要进行多轮对话的应用场景,例如保险询问场景或者10086查询场景等。
下面根据具体实施例对本申请的技术方案进行详细说明。
参见图1,为本申请实施例提供的一种意图识别方法的一种流程示意图,该方法应用于识别设备,该识别设备包括终端设备或者服务器,其中,终端设备可以包括手机、笔记本电脑等计算设备,服务器可以包括云服务器等计算设备,该方法包括以下步骤:
步骤s101、获取当前轮次对话中用户的当前问题文本信息。
其中,当前问题文本信息是指在当前轮次对话中,用户发出的问题对应的文本信息,例如,当前问题文本信息可是是“您好,我想咨询下我的话费套餐月租是多少钱”。
在一些可选的方式中,参见图2,为本申请实施例提供的一种意图识别方法的图1中步骤s101之前的一种流程示意图,获取当前轮次对话中用户的当前问题文本信息之前,包括:
步骤s201、获取当前轮次对话中用户的当前问题语音信息。
其中,当前问题语音信息是指用户在当前轮次对话中的问题对应的语音信息。
步骤s202、将当前问题语音信息转换为当前问题文本信息。
具体地,通过以下步骤将当前问题语音信息转换为当前问题文本信息:
第一步、对当前问题文本信息进行语音切割,得到当前语音片段。
第二步、对当前语音片段进行特征向量化,得到当前语音片段对应的向量值。
第三步、将当前语音片段对应的向量值输入至预设声学模型中,得到当前语音片段对应的字母。
其中,预设声学模型可以是根据马尔科夫模型构建得到的。
第四步、将当前语音片段对应的字母输入至预设语言模型,得到当前文本片段,并根据当前文本片段形成当前问题语音信息。
可以理解的是,本申请实施例可以对用户问题的语音数据进行转换,得到用户问题的文本数据。
步骤s102、根据当前问题文本信息的第一文本类型更新文本类型集合。
其中,文本类型集合包括历史轮次对话中用户的历史问题文本信息对应的第二文本类型。
示例性地,当应用场景是10086查询场景式,第一文本类型可以是话费业务、流量业务、宽带业务、短信业务以及其它业务等,相应的,第二文本类型也可以是话费业务、流量业务、宽带业务、短信业务以及其它业务等。
可以理解的是,本申请实施例识别出当前轮次对话中用户的意图的方式是根据当前问题文本信息的文本类型以及历史问题文本信息的文本类型。
作为示例而非限定,参见图3,为本申请实施例提供的一种意图识别方法的图1中步骤s102的具体流程示意图,根据当前问题文本信息的第一文本类型更新文本类型集合,包括:
步骤s301、根据预设的分类模型确定出当前问题文本信息的第一文本类型。
其中,预设的分类模型是指可以对当前问题文本信息进行分类,得到当前问题文本信息的第一文本类型的模型。
步骤s302、将第一文本类型加入至文本类型集合,得到更新后的文本类型集合。
可以理解的是,每轮对话中需要根据当前问题文本信息的文本类型对文本类型集合进行更新。
在一种可选的方式中,参见图4,为本申请实施例提供的一种意图识别方法的图1中步骤s102之前的一种流程示意图,根据当前问题文本信息更新文本类型集合之前,还包括:
步骤s401、获取问题文本样本信息。
其中,问题文本样本信息可以是指通过大数据方式获取的对应每个应用场景下的文本样本信息,或者是,通过爬虫的方式获取的对应每个应用场景下的文本样本信息,例如,应该场景是保险咨询场景,那么问题文本样本信息,可以是保险咨询场景下客户的咨询问题。
步骤s402、根据问题文本样本信息,构建预设的分类模型。
具体地,参见图5,为本申请实施例提供的一种意图识别方法的图1中步骤s402的具体流程示意图,根据问题文本样本信息,构建预设的分类模型,包括:
步骤s501、标注问题文本样本信息的文本类型。
其中,标注方式可以是先通过实体命名识别得到文本类型。
步骤s502、将文本类型输入至分类模型进行训练,得到预设的分类模型。
具体应用中,得到预设的分类模型的具体过程包括:
(1)、将标注问题文本样本信息的文本类型进行中文分词,去掉停用词并进行词频统计;
(2)、利用词做特征,进行特征选择,特征维度一般在1000到5000维,特征选择的方法有文档频率、信息增益、熵等方法;
(3)、根据(2)中的特征数据利用分类器,构造分类模型,常用的分类器方法有支持向量机,贝叶斯算法,深度学习等方法。
(4)、对构造的模型进行性能评估,当性能评估满足需求后则完成模型训练,否则跳转到(3),进行模型优化。
可以理解的是,本申请实施例得到的预设的分类模型分类性能较好。
示例性地,参见图6,为本申请实施例提供的一种意图识别方法的图4中步骤s501之后的一种流程示意图,标注问题文本样本信息的文本类型之后,还包括:
步骤s601、对标注的问题文本样本信息的文本类型进行校验。
具体地,对标注的问题文本样本信息的文本类型进行校验的方式可以是关键词和正则表达式的方式识别到问题文本样本信息的内容多次出现流量套餐,但是标记的文本类型是话费业务,那么,则表示校验失败。
步骤s602、若检验失败,则生成初始更改策略,并发出复核信号至维护人员。
具体地,初始更改策略可以是先根据问题文本样本信息作相似性扩展,基于编辑距离或者关键词权重的加权词向量等方式扩展问题文本样本信息,然后根据关键词和正则表达式,找出扩展后的问题文本样本信息的文本类型,将扩展后的问题文本样本信息的文本类型作为候选文本类型。
步骤s603、根据维护人员返回的更改信号对文本类型进行更改,并根据更改信号对初始更改策略进行迭代。
可以理解的是,根据维护人员返回的更改信号对初始更改策略得到的候选文本类型进行对比,若匹配度大于匹配度阈值,则增加该初始更改策略的权重,若匹配度小于匹配度阈值,则减少该初始更改策略的权重,经过不断的迭代之后,直接可以根据初始更改策略对标注的问题文本样本信息进行校验。
步骤s103、根据文本类型集合确定当前轮次对话中用户的意图类型。
示例性地,在10086查询场景下,意图类型可以是ø、{话费业务}、{流量业务}、{宽带业务}、{短信业务}、{其它业务}、{话费业务,流量业务}、{话费业务,宽带业务}、{话费业务,其它业务}、{流量业务,宽带业务}、{流量业务,其它业务}、{宽带业务,其它业务}、{话费业务、短信业务}、{流量业务、短信业务}、{宽带业务、短信业务}、{话费业务、短信业务}、{话费业务,流量业务,宽带业务}、{话费业务,流量业务,其它业务}、{其它业务,话费业务,宽带业务}、{其它业务,流量业务,宽带业务}或者{话费业务、流量业务、宽带业务、其它业务}},例如,意图类型为{话费业务},那么生成与{话费业务}相对应的回答并返回该回答给用户。
作为示例而非限定,参见图7,为本申请实施例提供的一种意图识别方法的图1中步骤s103的具体流程示意图,根据文本类型集合确定当前轮次对话中用户的意图类型包括:
步骤s701、将文本类型集合中每个文本类型进行组合,得到文本类型子集合。
例如,在10086查询场景下,文本类型子集合包括ø、{话费业务}、{流量业务}、{宽带业务}、{其它业务}、{话费业务,流量业务}、{话费业务、宽带业务}、{话费业务,其它业务}、{流量业务,宽带业务}、{流量业务,其它业务}、{宽带业务,其它业务}、{话费业务,流量业务,宽带业务}、{话费业务,流量业务,其它业务}、{其它业务,话费业务,宽带业务}、{其它业务,流量业务,宽带业务}、{话费业务、流量业务、宽带业务、其它业务}}。
实例性地,第一轮用户的问题对应的文本类型可以是{话费业务},文本类型子集合包括ø、{话费业务};
第二轮用户的问题对应的文本类型可以是{流量业务},文本类型子集合包括ø、{话费业务}、{流量业务}、{话费业务,流量业务};
第三轮用户的问题对应的文本类型可以是{宽带业务},文本类型子集合包括ø、{话费业务}、{流量业务}、{话费业务,流量业务}、{话费业务,宽带业务}、{流量业务}、{宽带业务}、{话费业务,流量业务,宽带业务};
第四轮用户的问题对应的文本类型可以是{短信业务},文本类型子集合包括ø、{话费业务}、{流量业务}、{短信业务}、{话费业务,流量业务}、{话费业务,宽带业务}、{流量业务}、{宽带业务}、{话费业务,短信业务}、{流量业务,短信业务}、{宽带业务,短信业务}、{话费业务,流量业务,宽带业务}、{话费业务,流量业务,短信业务}、{短信业务、流量业务,宽带业务};
第五轮用户的问题对应的文本类型可以是{其它业务},文本类型子集合包括ø、{话费业务}、{流量业务}、{短信业务}、{话费业务,流量业务}、{话费业务,宽带业务}、{流量业务}、{宽带业务}、{话费业务,短信业务}、{流量业务,短信业务}、{宽带业务,短信业务}、{话费业务,流量业务,宽带业务}、{话费业务,流量业务,短信业务}、{短信业务、流量业务,宽带业务}、{其它业务}、{其它业务,话费业务}、{其它业务,流量业务}、{其它业务,宽带业务}、{话费业务,流量业务,其它业务}、{其它业务,流量业务,宽带业务}、{话费业务,其它业务,宽带业务}、{话费业务,流量业务,宽带业务,其它业务}。
步骤s702、计算每个文本类型子集合对应的预测概率。
可以理解的是,在不确定文本类型子集合的情况下,先计算每个文本类型子集合对应的预测概率。
示例性地,计算每个文本类型子集合对应的预测概率的过程可以是:
(1)、根据下列函数得到每个文本类型子集合的置信度:
a=2x→[0,1],
其中,a表示文本类型集合中每个文本类型子集合的假设,x表示文本类型集合,例如,x={话费业务、流量业务、宽带业务、短信业务、其它业务}。
(2)、然后根据下式计算每个文本类型子集合的信任函数:
bel(a)=∑b≤am(b),
其中,b表示文本类型集合中的全部假设。
(3)、根据下式计算每个文本类型子集合的似然函数:
pl(a)=1-bel(-a)。
(4)、得到a的信任区间为[bel(a),pl(a)]。
(5)、根据下式计算每个文本类型子集合的预测概率:
步骤s703、筛选出最大的预测概率对应的文本类型子集合中的文本类型,并将最大的预测概率对应的文本类型子集合中的文本类型作为当前轮次对话中用户的意图类型。
可以理解的是,本申请实施例可以计算出每个文本类型子集合对应的预测概率,将最大的预测概率对应的文本类型子集合中的文本类型作为当前轮次对话中用户的意图,高效果的利用输入间的关系,进一步推断出用户的真实意图,有效的利用了多轮问题之间的相关性,提高了意图识别的效果。
本申请实施例通过获取当前轮次对话中用户的当前问题文本信息,根据当前问题文本信息更新文本类型集合,其中,文本类型集合包括历史轮次对话中用户的历史问题文本信息,根据文本类型集合确定用户的意图类型。可见,本申请实施例对当前轮次对话中用户的意图进行分析时,不仅考虑用户的当前问题,也考虑用户的历史问题,避免了历史轮次对话中对用户问题的意图识别错误时,会影响后续轮次对话中对用户问题的意图识别,达到提高用户意图识别准确率的效果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的意图识别方法,图8示出了本申请实施例提供的意图识别装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图8,该装置包括:
获取模块81,用于获取当前轮次对话中用户的当前问题文本信息;
更新模块82,用于根据所述当前问题文本信息的第一文本类型更新文本类型集合,其中,所述文本类型集合包括历史轮次对话中用户的历史问题文本信息对应的第二文本类型;
确定模块83,用于根据所述文本类型集合确定当前轮次对话中所述用户的意图类型。
在一种可能的实现方式中,该装置还包括:
语音信息获取模块,用于获取当前轮次对话中用户的当前问题语音信息;
转换模块,用于将所述当前问题语音信息转换为当前问题文本信息。
在一种可能的实现方式中,更新模块包括:
确定单元,用于根据预设的分类模型确定出所述当前问题文本信息的第一文本类型;
处理单元,用于将所述第一文本类型加入至文本类型集合,得到更新后的文本类型集合。
在一种可能的实现方式中,该装置还包括:
样本获取模块,用于获取问题文本样本信息;
构建模块,用于根据所述问题文本样本信息,构建所述预设的分类模型。
在一种可能的实现方式中,构建模块包括:
标注单元,用于标注所述问题文本样本信息的文本类型;
训练单元,用于将所述文本类型输入至分类器中进行训练,得到所述预设的分类模型。
在一种可能的实现方式中,构建模块还包括:
校验模块,用于对所述标注的问题文本样本信息的文本类型进行校验;
更改模块,用于若检验失败,则生成初始更改策略,并发出复核信号至维护人员;
迭代模块,用于根据所述维护人员返回的更改信号对所述文本类型进行更改,并根据所述更改信号对所述初始更改策略进行迭代。
在一种可能的实现方式中,该装置还包括:
组合模块,用于将文本类型集合中每个文本类型进行组合,得到文本类型子集合;
计算模块,用于计算每个文本类型子集合对应的预测概率;
筛选模块,用于筛选出最大的预测概率对应的文本类型子集合中的文本类型,并将所述最大的预测概率对应的文本类型子集合中的文本类型作为当前轮次对话中所述用户的意图类型。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图9为本申请一实施例提供的识别设备的结构示意图。如图9所示,该实施例的识别设备9包括:至少一个处理器90、存储器91以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92,所述处理器90执行所述计算机程序92时实现上述任意方法实施例中的各个步骤。
所述识别设备9包括终端设备或者服务器,终端设备可以是桌上型计算机、笔记本、掌上电脑等计算设备,服务器可以是云端服务器等计算设备。该识别设备可包括,但不仅限于,处理器90、存储91。本领域技术人员可以理解,图9仅仅是识别设备9的举例,并不构成对识别设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器90可以是中央处理单元(centralprocessingunit,cpu),该处理器90还可以是其它通用处理器、数字信号处理器(digitalsignalprocessor,dsp)、专用集成电路(applicationspecificintegratedcircuit,asic)、现成可编程门阵列(field-programmablegatearray,fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是识别设备9的内部存储单元,例如识别设备9的硬盘或内存。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种可读存储介质,其中,可读存储介质是指计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述方法实施例中的各个步骤。
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或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。