搜索引擎的数据更新方法、装置、设备以及存储介质与流程

1.本技术涉及人工智能领域，特别涉及一种搜索引擎的数据更新方法、装置、设备以及存储介质。


背景技术：

2.搜索引擎(search engine)是指根据一定的策略、运用特定的计算机程序从互联网上搜集信息，在对信息进行组织和处理后，为用户提供检索服务，将用户检索相关的信息展示给用户的系统。
3.目前，随着互联网的发展，搜索引擎受限于自身系统数据源数据不丰富，导致用户不能及时获取到最新的结果，从而导致用户在检索过程中出现查询结果存在偏差的问题。


技术实现要素：

4.本技术的主要目的为提供一种搜索引擎的数据更新方法、装置、设备以及存储介质，旨在解决受限于自身系统数据源数据不丰富，导致用户在检索过程中出现查询结果存在偏差的问题。
5.本技术提供了一种搜索引擎的数据更新方法，包括：
6.获取第一搜索引擎中多条未匹配对应正确文本内容的第一查询语句；
7.计算各个所述第一查询语句与第二搜索引擎的相关值；其中，所述第一搜索引擎与所述第二搜索引擎的类别不同；
8.将多个所述第一查询语句的相关值相加，得到所述第二搜索引擎的相关总和；其中，所述第二搜索引擎包括多个；
9.根据相关总和的数值从各个所述第二搜索引擎中选取第三搜索引擎；
10.提取所述第三搜索引擎的数据源；
11.获取所述数据源中的第二查询语句以及各所述第二查询语句对应的第一文本内容；
12.将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎的系统数据源中。
13.进一步地，所述将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎的系统数据源中的步骤，包括：
14.获取所述第一搜索引擎中的第三查询语句以及所述第三查询语句对应的第二文本内容；
15.提取各个所述第三查询语句与各个所述第二查询语句中相同的相同查询语句；
16.通过flink流识别所述相同查询语句与所述第一文本内容的第一匹配度，以及与所述第二文本内容的第二匹配度；
17.判断所述第二匹配度是否大于第一匹配度；
18.若是，则在所述系统数据源中将所述第二文本内容替换所述第一文本内容。
19.进一步地，所述获取所述第一搜索引擎中的第三查询语句以及对应的第二文本内容的步骤之后，还包括：
20.提取各个所述第二查询语句中与各个所述第三查询语句查询内容都不同的不同查询语句作为目标查询语句；
21.将所述目标查询语句、以及与所述目标查询语句对应的所述第一文本添加在所述第一搜索引擎的所述系统数据源中。
22.进一步地，所述将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎中的步骤之前，还包括：
23.获取所述第一搜索引擎中的第三查询语句以及对应的第二文本内容；
24.获取所述第一文本内容的第一维度信息，以及所述第二文本内容所对应的第二维度信息；其中，所述第一维度信息和所述第二维度信息分别包括多个维度；
25.比较所述第一维度信息和所述第二维度信息，得到所述第一文本内容中所不具备的目标维度；
26.基于所述目标维度从对应的所述第三搜索引擎中获取对应所述目标维度的维度内容；
27.将所述维度内容添加至所述第一文本内容中。
28.进一步地，所述计算各个所述第一查询语句与第二搜索引擎的相关值的步骤，包括：
29.获取各个所述第二搜索引擎的属性信息；
30.将各个所述第一查询语句和所述属性信息分别进行向量化，得到各个所述第一查询语句对应的语句向量xi＝(x
1i
，x
2i
，x
3i
…
x
ni
)，以及所述属性信息分别对应的属性向量yj＝(y
1j
，y
2j
，y
3j
…ynj
)；其中，xi表示第i个第一查询语句对应的语句向量，表示yj表示第j个第二搜索引擎对应的属性向量；
31.根据公式：
32.计算得到所述相关值；其中，sim
ij
表示第i个第一查询语句与第j个所述第二搜索引擎的相关值。
33.进一步地，所述根据相关总和的数值从各个所述第二搜索引擎中选取第三搜索引擎的步骤，包括：
34.从所述第二搜索引擎中提取所述相关总和大于相关阈值的第三搜索引擎；
35.获取各个所述第三搜索引擎的属性信息；
36.通过预设的相似度算法计算各个所述第三搜索引擎任意两个之间的相似度；
37.判断是否具有相似度大于相似度阈值的相似引擎组合；
38.若有，则根据预设的筛选方法将所述相似引擎组合中的搜索引擎记为相似搜索引擎；
39.将各个所述第三搜索引擎中除所述相似搜索引擎的以外搜索引擎记为第三搜索引擎。
40.进一步地，所述将所述第二查询语句以及各所述第二查询语句对应的第一文本内
容更新至所述第一搜索引擎的系统数据源中的步骤，包括：
41.获取所述第一搜索引擎中的第三查询语句以及对应的第二文本内容；
42.提取各个所述第三查询语句与各个所述第二查询语句中相同的相同查询语句；
43.通过flink流识别所述相同查询语句对应的所述第一文本内容以及第二文本内容，并获取所述第一文本内容的第一时间戳，以及所述第二文本内容的第二时间戳；
44.判断所述第二时间戳是否在所述第一时间戳之后；
45.若是，则在所述系统数据源中将所述第二文本内容替换所述第一文本内容。
46.本技术还提供了一种搜索引擎的数据更新装置，包括：
47.第一获取模块，用于获取第一搜索引擎中多条未匹配对应正确文本内容的第一查询语句；
48.第一计算模块，用于计算各个所述第一查询语句与第二搜索引擎的相关值；其中，所述第一搜索引擎与所述第二搜索引擎的类别不同；
49.第二计算模块，用于将多个所述第一查询语句的相关值相加，得到所述第二搜索引擎的相关总和；其中，所述第二搜索引擎包括多个；
50.选取模块，用于根据相关总和的数值从各个所述第二搜索引擎中选取第三搜索引擎；
51.提取模块，用于提取所述第三搜索引擎的数据源；
52.第二获取模块，用于获取所述数据源中的第二查询语句以及各所述第二查询语句对应的第一文本内容；
53.更新模块，用于将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎的系统数据源中。
54.本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
55.本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
56.本技术的有益效果：通过获取到第三搜索引擎的数据源对系统数据源进行更新，从而丰富了第一搜索引擎的系统数据源中的文本内容，有效减少了用户在检索过程中出现查询结果存在偏差的可能性。
附图说明
57.图1是本技术一实施例的一种搜索引擎的数据更新方法的流程示意图；
58.图2是本技术一实施例的一种搜索引擎的数据更新装置的结构示意框图；
59.图3为本技术一实施例的计算机设备的结构示意框图。
60.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
61.下面将结合本技术实施例中的附图，对本技术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技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其
他实施例，都属于本技术保护的范围。
62.需要说明，本技术实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
63.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
64.另外，在本技术中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
65.参照图1，本技术提出一种搜索引擎的数据更新方法，包括：
66.s1：获取第一搜索引擎中多条未匹配对应正确文本内容的第一查询语句；
67.s2：计算各个所述第一查询语句与第二搜索引擎的相关值；其中，所述第一搜索引擎与所述第二搜索引擎的类别不同；
68.s3：将多个所述第一查询语句的相关值相加，得到所述第二搜索引擎的相关总和；其中，所述第二搜索引擎包括多个；
69.s4：根据相关总和的数值从各个所述第二搜索引擎中选取第三搜索引擎；
70.s5：提取所述第三搜索引擎的数据源；
71.s6：获取所述数据源中的第二查询语句以及各所述第二查询语句对应的第一文本内容；
72.s7：将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎的系统数据源中。
73.如上述步骤s1所述，获取第一搜索引擎中多条未匹配对应正确文本内容的第一查询语句。其中，获取的方式可以是获取到用户未搜索到相关文本内容的语句，具体可以体现为，用户输入了查询语句，但是未对接下来反馈的文本内容点击，此时可以认为该文本内容为不正确的内容，即不是用户所需的文本内容，因此可以通过后台的日志系统将该第一查询语句进行记录，后续再从日志系统中获取即可，从而得到相对应的第一查询语句。另外第一搜索引擎可以是任意的搜索引擎，例如，搜索引擎可以是elasticsearch引擎，elasticsearch引擎是目前应用比较广泛的全文搜索引擎，在大数据搜索和分析领域有较为广泛的应用，可提供实时的搜索应用服务。另外第一查询语句可以是用户直接搜索的查询语句，也可以是用户输入的查询信息，然后通过抽取其中的关键词信息，得到的查询语句。
74.如上述步骤s2所述，计计算各个所述第一查询语句与第二搜索引擎的相关值；其中，所述第一搜索引擎与所述第二搜索引擎的类别不同；具体地，第二搜索引擎与第一搜索引擎为使用场景不同的搜索引擎，例如百度的搜索引擎以及京东的搜索引擎，也还可以是微博的搜索引擎，本技术对此不作限定，需要说明的是，第二搜索引擎与第一搜索引擎的架
构优选为相同的架构，例如都是elasticsearch引擎的架构，可以便于后续数据的更新。另外，相关值的计算方式后续有详细说明，此处不再赘述。
75.如上述步骤s3所述，将多个所述第一查询语句的相关值相加，得到所述第二搜索引擎的相关总和；其中，所述第二搜索引擎包括多个。其中，第二搜索引擎以及对应的第一查询语句的相关值已经计算得到，因此可以求出对于每个第二搜索引擎与各个第一查询语句的相关值之和。
76.如上述步骤s4所述，根据相关总和的数值从各个所述第二搜索引擎中选取第三搜索引擎。由于第一查询语句为未匹配正确文本内容的查询语句，可见该第一搜索引擎的系统数据源在这些查询语句所对应的文本内容有所缺失，因此，当相关值之和越大，表明对应的第三搜索引擎与第一查询语句更相匹配，也因此基于该相关值之和，可以找出与各个第一查询语句更相匹配的第三搜索引擎。从而可以获取第三搜索引擎对应的数据源对第一搜索引擎的系统数据源进行更新。
77.如上述步骤s5所述，提取所述第三搜索引擎的数据源。其中，提取的方式可以是直接从对应的第三搜索引擎对应的数据库中进行获取。从而完成对第三搜索引擎的数据源的获取。
78.如上述步骤s6所述，获取所述数据源中的第二查询语句以及各所述第二查询语句对应的第一文本内容。其中，数据源中存储有对应的第二查询语句以及对应的第一文本内容，故而可以从数据源中直接获取得到。
79.如上述步骤s7所述，将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎的系统数据源中。其中，更新的方式包括替换、删除以及增加，具体地更新方式后续有实施例进行说明，此处不再赘述。从而解决了搜索引擎受限与自身系统数据源数据不丰富的问题，通过获取到第三搜索引擎的数据源对系统数据源进行更新，从而丰富了第一搜索引擎的系统数据源中的文本内容，有效减少了用户在检索过程中出现查询结果存在偏差的可能性。
80.在一个实施例中，所述将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎的系统数据源中的步骤s7，包括：
81.s701：获取所述第一搜索引擎中的第三查询语句以及所述第三查询语句对应的第二文本内容；
82.s702：提取各个所述第三查询语句与各个所述第二查询语句中相同的相同查询语句；
83.s703：通过flink流识别所述相同查询语句与所述第一文本内容的第一匹配度，以及与所述第二文本内容的第二匹配度；
84.s704：判断所述第二匹配度是否大于第一匹配度；
85.s705：若是，则在所述系统数据源中将所述第二文本内容替换所述第一文本内容。
86.如上述步骤s701-s705所述，实现了对系统数据源中的数据更新。具体地，获取到对应的第三查询语句以及对应的第二文本内容，需要说明的是，第三查询语句中包含有第一查询语句，由于在系统数据源中可能包含有与第二查询语句相同的相同查询语句，此时有两种情况，第一种是第一搜索引擎与对应的第三搜索引擎基于该相同的查询语句反馈的是相同的文本内容，第二种反馈是不同的文本内容，对于第二种情况，需要通过flink流识
别所述相同查询语句与所述第一文本内容的第一匹配度，以及与所述第二文本内容的第二匹配度。flink流是一个开源的基于流的有状态计算框架，其是分布式地执行的，具有低延迟、高吞吐的优秀性能，并且非常擅长处理有状态的复杂计算逻辑场景，因此通过flik流可以计算得到对应的匹配度，该匹配度可以根据用户电机该相同查询语句所对应文本内容的次数得到，也可以是根据实时的热点，获取到对应的匹配度，从而得到对应的第一匹配度和第二匹配度，后续再基于第二匹配度与第一匹配度的大小决定是否将所述第二文本内容替换所述第一文本内容，从而完成对系统数据源的更新。
87.在一个实施例中，所述获取所述第一搜索引擎中的第三查询语句以及对应的第二文本内容的步骤s701之后，还包括：
88.s7021：提取各个所述第二查询语句中与各个所述第三查询语句查询内容都不同的不同查询语句作为目标查询语句；
89.s7022：将所述目标查询语句、以及与所述目标查询语句对应的所述第一文本添加在所述第一搜索引擎的所述系统数据源中。
90.如上述步骤s7021-s7022所述，实现了对第一文本的添加。具体地，由于存在系统数据源中并没有相对应的查询语句，因此可以将对应的不同查询语句直接添加到系统数据源中，从而对系统数据源中的文本内容进行补充。
91.在一个实施例中，所述将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎中的步骤s7之前，还包括：
92.s601：获取所述第一搜索引擎中的第三查询语句以及对应的第二文本内容；
93.s602：获取所述第一文本内容的第一维度信息，以及所述第二文本内容所对应的第二维度信息；其中，所述第一维度信息和所述第二维度信息分别包括多个维度；
94.s603：比较所述第一维度信息和所述第二维度信息，得到所述第一文本内容中所不具备的目标维度；
95.s604：基于所述目标维度从对应的所述第三搜索引擎中获取对应所述目标维度的维度内容；
96.s605：将所述维度内容添加至所述第一文本内容中。
97.如上述步骤s601-s605所述，实现了对第一文本内容的完善。具体地，由于搜索引擎的不同，其对应的文本内容可能包含有的维度信息也是不同的，例如第一文本内容中没有对应的文本内容出处，而第二文本内容中含有对应的文本内容出处，此时，为了使第一搜索引擎中的文本内容保持一致，需要获取到缺失的信息，具体为先获取所述第一文本内容的第一维度信息，以及所述第二文本内容所对应的第二维度信息，该维度信息分别为文本内容的各种维度，再找出第一文本内容中所不具备的目标维度，基于该目标维度获取到对应的维度内容，再对第一文本内容进行补全，使第一文本内容具有维度信息中的所有维度，从而实现了对第一文本内容进行补全，使其与第二文本内容所包含的维度信息相一致，保证了第一搜索引擎的一致性。
98.在一个实施例中，所述计算各个所述第一查询语句与各个预设的第二搜索引擎的相关值的步骤s2，包括：
99.s201：获取各个所述第二搜索引擎的属性信息；
100.s202：将各个所述第一查询语句和所述属性信息分别进行向量化，得到各个所述
第一查询语句对应的语句向量xi＝(x
1i
，x
2i
，x
3i
…
x
ni
)，以及所述属性信息分别对应的属性向量yj＝(y
1j
，y
2j
，y
3j
…ynj
)；其中，xi表示第i个第一查询语句对应的语句向量，表示yj表示第j个第二搜索引擎对应的属性向量；
101.s203：根据公式：
102.计算得到所述相关值；其中，sim
ij
表示第i个第一查询语句与第j个所述第二搜索引擎的相关值。
103.如上述步骤s202-s203所述，实现了相关值的计算。具体地，可以采用开源免费的python libshorttext文本分类器，并自定义替换为中文分词器，对各个所述第一查询语句和各个所述属性信息中的文字进行分词，分词可以通过决策树、多层感知器、朴素贝叶斯(包括伯努利贝叶斯、高斯贝叶斯和多项式贝叶斯)、随机森林、adaboost、前馈神经网络和lstm等任一种算法计算得到。将分词后的各个所述第一查询语句和各个所述属性信息向量化，得到目标向量的多维坐标以便于后续进行计算。向量化的方式可以是通过google word2vec工具向量化。
104.根据公式：
105.计算得到所述相关值，可以设置一个相关度阈值，当大于相关度阈值时，可以认为所述第一查询语句和所述属性信息相似；当小于或等于相关度阈值时，可以认为所述第一查询语句和所述属性信息不相似。
106.在一个实施例中，所述基于各个所述相关总和从各个所述第二搜索引擎中选取一个或者多个第三搜索引擎的步骤s4，包括：
107.s401：从所述第二搜索引擎中提取所述相关总和大于相关阈值的第三搜索引擎；
108.s402：获取各个所述第三搜索引擎的属性信息；
109.s403：通过预设的相似度算法计算各个所述第三搜索引擎任意两个之间的相似度；
110.s404：判断是否具有相似度大于相似度阈值的相似引擎组合；
111.s405：若有，则根据预设的筛选方法将所述相似引擎组合中的搜索引擎记为相似搜索引擎；
112.s406：将各个所述第三搜索引擎中除所述相似搜索引擎的以外搜索引擎记为第三搜索引擎。
113.如上述步骤s401-s406所述，实现了对第三搜索引擎的筛选，由于部分的第三搜索引擎相似，例如百度文库的搜索引擎和知网的搜索引擎相类似，因此需要通过预设的相似度算法计算各个所述第三搜索引擎任意两个之间的相似度。预设的相似度算法可以是余弦相似度算法，欧式距离等算法，得到相似搜索引擎的相似度，然后判断其中否具有相似度大于相似度阈值的相似引擎组合，其中相似引擎组合中含有两个相似度大于相似度阈值的两个第三搜索引擎，然后再根据预设的筛选方法将所述相似引擎组合中的搜索引擎记为相似搜索引擎。其中，预设的筛选方法可以是根据两个第三引擎的搜索热度进行筛选，选取其中一个使用热度较低的第三引擎记为相似搜索引擎，并排出在外，也可以是根据其数据源的
大小进行选取，本技术对此不做限定，可以实现对第三搜索引擎的筛选，避免重复更新即可。
114.在一个实施例中，所述将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎的系统数据源中的步骤s7，包括：
115.s711：获取所述第一搜索引擎中的第三查询语句以及对应的第二文本内容；
116.s712：提取各个所述第三查询语句与各个所述第二查询语句中相同的相同查询语句；
117.s713：通过flink流识别所述相同查询语句对应的所述第一文本内容以及第二文本内容，并获取所述第一文本内容的第一时间戳，以及所述第二文本内容的第二时间戳；
118.s714：判断所述第二时间戳是否在所述第一时间戳之后；
119.s715：若是，则在所述系统数据源中将所述第二文本内容替换所述第一文本内容。
120.如上述步骤s711-s715所述，实现了对系统数据源中的数据更新。具体地，获取到对应的第三查询语句以及对应的第二文本内容，需要说明的是，第三查询语句中包含有第一查询语句，由于在系统数据源中可能包含有与第二查询语句相同的相同查询语句，此时有两种情况，第一种是第一搜索引擎与对应的第三搜索引擎基于该相同的查询语句反馈的是相同的文本内容，第二种反馈是不同的文本内容，对于第二种情况，需要通过flink流识别所述相同查询语句与所述第一文本内容的第一时间戳，以及与所述第二文本内容的第二时间戳。flink流是一个开源的基于流的有状态计算框架，其是分布式地执行的，具有低延迟、高吞吐的优秀性能，并且非常擅长处理有状态的复杂计算逻辑场景，因此通过flik流可以计算得到对应的时间戳，该时间戳可以根据用户点击该相同查询语句最后一次的时间得到，也可以根据点击该相同查询语句的热点时间确定，即点击的次数大于设定值的最近的时间点，从而得到对应的第一时间戳和第二时间戳，后续再基于第二时间戳与第一时间戳的大小决定是否将所述第二文本内容替换所述第一文本内容，从而完成对系统数据源的更新。
121.参照图2，本技术还提供了一种搜索引擎的数据更新装置，包括：
122.第一获取模块10，用于获取第一搜索引擎中多条未匹配对应正确文本内容的第一查询语句；
123.第一计算模块20，用于计算各个所述第一查询语句与第二搜索引擎的相关值；其中，所述第一搜索引擎与所述第二搜索引擎的类别不同；
124.第二计算模块30，用于将多个所述第一查询语句的相关值相加，得到所述第二搜索引擎的相关总和；其中，所述第二搜索引擎包括多个；
125.选取模块40，用于根据相关总和的数值从各个所述第二搜索引擎中选取第三搜索引擎；
126.提取模块50，用于提取所述第三搜索引擎的数据源；
127.第二获取模块60，用于获取所述数据源中的第二查询语句以及各所述第二查询语句对应的第一文本内容；
128.更新模块70，用于将所述第二查询语句以及各所述第二查询语句对应的第一文本内容更新至所述第一搜索引擎的系统数据源中。
129.本技术的有益效果：通过获取到第三搜索引擎的数据源对系统数据源进行更新，
从而丰富了第一搜索引擎的系统数据源中的文本内容，有效减少了用户在检索过程中出现查询结果存在偏差的可能性。
130.参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种文本内容等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的搜索引擎的数据更新方法。
131.本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定。
132.本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时可以实现上述任一实施例所述的搜索引擎的数据更新方法。
133.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram一多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
134.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
135.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
136.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
137.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本技术的权利要求范围之内。