一种文本匹配的方法、装置、设备和可读存储介质与流程

1.本技术涉及文本关系匹配的领域，具体而言，涉及一种文本匹配的方法、装置、设备和可读存储介质。


背景技术：

2.目前大多数文本匹配主要常用的判别有语义逻辑度、语义关系推理、问答对等，比如搜索推荐的语义相关性、智能问答中的问题-问题、问题-答案匹配、知识图谱中的实体链接等。在文本匹配中用到的算法主要解决的都是基于词汇层面的匹配问题。
3.上述基于词汇重合度的匹配用到的算法有很大的局限性，在文本相似度匹配的过程中匹配到的结果不准确。
4.因此，如何提高文本匹配的准确性，成为亟需解决的技术问题。


技术实现要素：

5.本技术实施例的目的在于提供一种文本匹配的方法，通过本技术的实施例的技术方案可以提高文本匹配的准确性。
6.第一方面，本技术实施例提供了一种文本匹配的方法，包括：获取待匹配文本和候选文本集合；将待匹配文本输入匹配模型，获得处理结果；根据处理结果从候选本文集合中确定与待匹配文本匹配的目标文本，其中，匹配模型是根据训练样本两次输入基础模型后得到的输出结果对基础模型训练后得到的，其中，一个样本一次输入基础模型对应的输出结果包括所述一个样本对应的打孔向量和一个样本中的两个文本的相似度。
7.在上述过程中，可以将待匹配文本输入模型去匹配目标文本，基于模型的输出结果从候选文本集合中去找目标文本，由于本技术实施例中的匹配模型是通过样本两次输入模型得到的得到的向量和相似度训练得到的，可以有效的缓解模型过拟合的现象，因此，本技术实施例能够提高文本匹配的准确性。
8.可选的，当处理结果为待匹配文本和所述候选集合中的每一个候选文本的相似度，将待匹配文本输入匹配模型，包括：
9.将待匹配文本和候选集合中的每一个候选文本输入匹配模型；
10.根据处理结果从候选本文集合中确定与待匹配文本匹配的目标文本，包括：
11.将待匹配文本和候选集合中的每一个候选文本的相似度的值进行排序；
12.将相似度最大的值对应的候选文本确定为所述目标文本。
13.在上述过程中，可以直接将待匹配文本和候选文本集合同时输入模型，通过待匹配文本和每一个候选文本的相似度可以直接找出最大相似度对应的候选文本，此时的候选文本就是目标文本，这种方法更快捷有效。
14.可选的，处理结果为待匹配文本的向量，根据处理结果从候选本文集合中确定与待匹配文本匹配的目标文本，包括：
15.将待匹配文本的向量和候选集合中的每一个候选文本的向量进行余弦相似度的
计算，得到m个余弦相似度，m为大于等于2的正整数；
16.将m个余弦相似度中最大的余弦相似度的值对应的候选文本确定为目标文本。
17.在上述过程中，可以将待匹配文本单独输入模型，通过将待匹配文本的向量和每一个候选文本的向量进行余弦相似度的计算，相似度的值越大，说明对应的候选文本和待匹配文本的相似度就越大，进而更容易找出目标文本。
18.可选的，在获取待匹配文本和候选文本集合之前，所述方法还包括：
19.获取系统日志里的文本；
20.将文本进行人工标注相似文本；
21.将人工标注相似文本中每两个相似文本利用提前准备好的模板进行拼接，构成训练样本；
22.将训练样本两次输入基础模型后得到输出结果，并根据输出结果对所述基础模型训练后得到匹配模型，其中，一个样本一次输入基础模型对应的输出结果包括一个样本对应的打孔向量和一个样本中的两个文本的相似度。
23.在上述过程中，通过模型的训练，尤其是将样本两次的输入基础模型的训练方法，可以实现在文本匹配的过程中，减缓过拟合的效果。
24.可选的，在将每条样本都进行两次的输入基础模型，并利用训练模型的优化算法对现有基础模型进行训练之后，所述方法还包括：
25.将验证集中的验证样本两次输入匹配模型，得到验证样本的两个向量；
26.根据验证样本的两个向量计算余弦相似度；
27.根据余弦相似度的值验证所述匹配模型；
28.或者
29.将验证集中的验证样本输入匹配模型，得到验证样本中两个文本的相似度；
30.根据样本中两个文本的相似度验证匹配模型。
31.在上述过程中，通过验证集的验证，可以验证模型训练的好不好，如果多次验证之后发现是符合标准的，就说明模型可以使用，如果发现模型的验证结果不是符合标准的，就会利用样本继续对模型进行训练，直到模型训练符合标准。
32.可选的，在验证集对模型进行验证的过程中，根据余弦相似度的值验证匹配模型，包括：
33.将余弦相似度的值和阈值进行比较，得到比较结果；
34.根据比较结果验证匹配模型。
35.在上述过程中，通过余弦相似度的值和阈值进行比较就可以比较出模型训练是否符合标准。
36.可选的，在获取待匹配文本和候选文本集合之前，所述方法还包括：
37.将知识库中与待匹配文本的相似文本利用服务器中的文本相似度算法进行筛选得到候选文本集合。
38.在上述过程中，利用相似度算法从知识库中找出与待匹配文本相似的文本，预先进行候选文本的集合之后，方便后续直接将所述候选文本集合直接放入模型当中，步骤简单，使匹配过程更高效。
39.第二方面，本技术实施例提供了一种文本匹配的装置，包括：
40.获取模块，用于获取待匹配文本和候选文本集合；
41.输入模块，用于将所述待匹配文本输入匹配模型，获得处理结果；
42.输出模块，用于根据所述处理结果从所述候选本文集合中确定与所述待匹配文本匹配的目标文本，其中，所述匹配模型是根据训练样本两次输入基础模型后得到的输出结果对所述基础模型训练后得到的，其中，一个样本一次输入所述基础模型对应的输出结果包括所述一个样本对应的打孔向量和所述一个样本中的两个文本的相似度。
43.可选的，输入模块具体用于：
44.将所述待匹配文本和所述候选集合中的每一个候选文本输入所述匹配模型；
45.输出模块具体用于：
46.将所述待匹配文本和所述候选集合中的每一个候选文本的相似度的值进行排序；
47.将相似度最大的值对应的候选文本确定为所述目标文本。
48.可选的，输出模块具体用于：
49.所述处理结果为所述待匹配文本的向量，将所述待匹配文本的向量和所述候选集合中的每一个候选文本的向量进行余弦相似度的计算，得到m个余弦相似度，m为大于等于2的正整数；
50.将所述m个余弦相似度中最大的余弦相似度的值对应的候选文本确定为所述目标文本。
51.可选的，所述装置还包括：
52.训练模块，用于在所述获取待匹配文本和候选文本集合之前：
53.获取系统日志里的文本；
54.将所述文本进行人工标注相似文本；
55.将所述人工标注相似文本中每两个所述相似文本利用提前准备好的模板进行拼接，构成训练样本；
56.将训练样本两次输入基础模型后得到输出结果，并根据输出结果对基础模型训练后得到匹配模型，其中，一个样本一次输入基础模型对应的输出结果包括所述一个样本对应的打孔向量和一个样本中的两个文本的相似度。
57.可选的，所述装置还包括：
58.验证模块，用于在所述将每条样本都进行两次的输入基础模型，并利用训练模型的优化算法对现有基础模型进行训练之后：
59.将验证集中的验证样本两次输入匹配模型，得到所述验证样本的两个向量；
60.根据所述验证样本的两个向量计算余弦相似度；
61.根据所述余弦相似度的值验证所述匹配模型；
62.或者
63.将验证集中的验证样本输入匹配模型，得到所述验证样本中两个文本的相似度；
64.根据所述样本中两个文本的相似度验证所述匹配模型。
65.可选的，验证模块具体用于：
66.将所述余弦相似度的值和阈值进行比较，得到比较结果；
67.根据所述比较结果验证所述匹配模型。
68.可选的，所述装置还包括：
69.筛选模块，用于在所述获取待匹配文本和候选文本集合之前，将知识库中与所述待匹配文本的相似文本利用服务器中的文本相似度算法进行筛选得到所述候选文本集合。
70.第三方面，本技术实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
71.第四方面，本技术实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
72.本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
73.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
74.图1为本技术实施例提供的一种文本匹配的方法的流程图；
75.图2为本技术实施例提供的一种文本匹配的装置的示意框图；
76.图3为本技术实施例提供的一种文本匹配的装置的结构示意图。
具体实施方式
77.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描述。
78.应注意到：逻辑的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
79.本技术应用于文本匹配的场景，具体场景为将输入的文本输入文本匹配模型当中，通过该文本找出与该文本相似的文本。
80.但是在目前的文本匹配技术有bow(信息搜索)、tf-idf(信息检索和挖掘)、bm25(相似性)、jaccord(样本之间相似和差异)、simhash(海量处理数据)等算法，如bm25算法通过网页对查询字词的覆盖程度来计算两者间的匹配得分，得分越高的网页与查询的匹配度更好，主要解决词汇层面的匹配问题。基于词汇重合度的匹配算法有很大的局限性，包括：词义局限：例如“的士”和“出租车”虽然字面上不相似，但实际为同一种交通工具；“苹果”在不同的语境下表示不同的东西，或为水果或为公司；结构局限：“机器学习”和“学习机器”虽然词汇完全重合，但表达的意思不同；知识局限；例如：“秦始皇玩手机”这句话虽从词法和句法上看均没问题，但结合知识看这句话是不对的。这表明，对于文本匹配任务，不能只停留在字面匹配层面，更需要语义层面的匹配。
81.为此本技术通过本专利提出一种基于对比学习的深度文本匹配方法，将对比学习应用到有监督学习范畴的深度文本匹配模型的训练过程中，具体的针对batch(批处理)内将每一个样本(文本对)，通过bert模型进行编码，输出的编码向量进行两次dropout(退出
机制)计算叠加全联接层得到的两个向量构造对比学习中的正例，随机采样两个向量中的一个与随机采样batch内其他样本输出的向量构造负例，计算余弦相似度损失，再结合文本对是否相似的人工标注标签计算交叉熵损失，构造多目标的训练任务，通过反向传播和梯度下降方法训练模型。该方法利用对比学习的自监督机制可以在更少的样本量下训练深度文本匹配模型，两次退出机制构造正例进行数据增强，既缓解深度模型过拟合现象，也能强化模型对退出机制退出机制的鲁棒性，使得不同的退出机制下模型的输出基本一致，解决退出机制的训练预测不一致问题，提升模型效果。
82.下面结合图1对本技术实施例的文本匹配的方法进行详细描述。
83.请参看图1，图1为本技术实施例提供的一种文本匹配的方法的流程图，如图1所示的文本匹配的方法包括：
84.110：获取待匹配文本和候选文本集合。
85.通过获取到的匹配文本和候选文本集合，可以方便后续直接输入模型或者是组合之后再输入模型。
86.其中，待匹配文本是输入的文本，候选文本是和输入文本进行相似度比较的文本。
87.可选的，在获取待匹配文本和候选文本集合之前，图1所示的方法还可以包括：
88.获取系统日志里的文本；
89.将文本进行人工标注相似文本；
90.将人工标注相似文本中每两个相似文本利用提前准备好的模板进行拼接，构成训练样本；
91.将训练样本两次输入基础模型后得到输出结果，并根据输出结果对所述基础模型训练后得到匹配模型，其中，一个样本一次输入基础模型对应的输出结果包括一个样本对应的打孔向量和一个样本中的两个文本的相似度。
92.通过模型的训练，尤其是将样本两次的输入基础模型的训练方法，可以实现在文本匹配的过程中，减缓过拟合的效果。
93.其中，基础模型可以是bert模型，也可以是其它可利用的模型，打孔向量可以是样本通过训练过程中两次退出机制的计算得到的，例如：每个打孔向量可以有300维的值，通过退出机制的计算之后可以去除其中的部分值，比如可以是30维的值，剩下的270维的值就可以组成一个新的向量，其中的30维的值是随机选取的，所以每次经过退出机制计算之后的向量都是不同的，但是我们通过对模型参数的调整可以让这两个或者多个向量相同，进而使模型的鲁棒性更强。
94.可选的，在将每条样本都进行两次的输入基础模型，并利用训练模型的优化算法对现有基础模型进行训练之后，图1所示的方法还可以包括：
95.将验证集中的验证样本两次输入匹配模型，得到验证样本的两个向量；
96.根据验证样本的两个向量计算余弦相似度；
97.根据余弦相似度的值验证所述匹配模型；
98.或者
99.将验证集中的验证样本输入匹配模型，得到验证样本中两个文本的相似度；
100.根据样本中两个文本的相似度验证匹配模型。
101.通过验证集的验证，可以验证模型训练的好不好，如果多次验证之后发现是符合
标准的，就说明模型可以使用，如果发现模型的验证结果不是符合标准的，就会利用样本继续对模型进行训练，直到模型训练符合标准。
102.其中，所述余弦相似度可以用来计算两个向量的相似程度的，进而判断两个样本的相似度。
103.可选的，在验证集对模型进行验证的过程中，根据余弦相似度的值验证匹配模型，包括：
104.将余弦相似度的值和阈值进行比较，得到比较结果；
105.根据比较结果验证匹配模型。
106.通过余弦相似度的值和阈值进行比较就可以比较出模型训练是否符合标准。
107.其中，可设定一定的范围值，例如：当有100条样本进行模型的验证，可设定超过95条样本通过模型之后得到的结果都是符合标准的，就可以认为模型是符合标准的，其中的阈值也是同样可以设定为0.95，当最后相似的结果大于0.95就可以认为模型是符合标准的。
108.可选的，在获取待匹配文本和候选文本集合之前，图1所示的方法还可以包括：
109.将知识库中与待匹配文本的相似文本利用服务器中的文本相似度算法进行筛选得到候选文本集合。
110.利用相似度算法从知识库中找出与待匹配文本相似的文本，预先进行候选文本的集合之后，方便后续直接将所述候选文本集合直接放入模型当中，步骤简单，使匹配过程更高效。
111.其中，在搜索相似文本的过程中也可以进行部分的搜索，减少了文本匹配过程中文本数量的范围缩小，进而减少了匹配的时间资源。
112.120：将待匹配文本输入匹配模型，获得处理结果。
113.应理解，本技术实施例中，处理结果的情况可以包括多种情形，例如：
114.情形1，所述处理结果为待匹配文本和所述候选集合中的每一个候选文本的相似度。
115.情形2，所述处理结果为待匹配文本的向量。
116.130：根据处理结果从候选本文集合中确定述待匹配文本匹配的目标文本。
117.因此，本技术实施例，可以将待匹配文本输入模型去匹配目标文本，基于模型的输出结果从候选文本集合中去找目标文本，由于本技术实施例中的匹配模型是通过样本两次输入模型得到的得到的向量和相似度训练得到的，可以有效的缓解模型过拟合的现象，因此，本技术实施例能够提高文本匹配的准确性。
118.具体而言，针对处理结果不同的情形，本技术确定目标文本的方式不同，例如，针对上述情形1，可选的，当处理结果为待匹配文本和所述候选集合中的每一个候选文本的相似度，将待匹配文本输入匹配模型，包括：
119.将待匹配文本和候选集合中的每一个候选文本输入匹配模型；
120.根据处理结果从候选本文集合中确定与待匹配文本匹配的目标文本，包括：
121.将待匹配文本和候选集合中的每一个候选文本的相似度的值进行排序；
122.将相似度最大的值对应的候选文本确定为所述目标文本。
123.可以直接将待匹配文本和候选文本集合同时输入模型，通过待匹配文本和每一个
候选文本的相似度可以直接找出最大相似度对应的候选文本，此时的候选文本就是目标文本，这种方法更快捷有效。
124.针对上述情形2，可选的，处理结果为待匹配文本的向量，根据处理结果从候选本文集合中确定与待匹配文本匹配的目标文本，包括：
125.将待匹配文本的向量和候选集合中的每一个候选文本的向量进行余弦相似度的计算，得到m个余弦相似度，m为大于等于2的正整数；
126.将m个余弦相似度中最大的余弦相似度的值对应的候选文本确定为目标文本。
127.可以将待匹配文本单独输入模型，通过将待匹配文本的向量和每一个候选文本的向量进行余弦相似度的计算，相似度的值越大，说明对应的候选文本和待匹配文本的相似度就越大，进而更容易找出目标文本。
128.其中，这些向量可以是预先获取的，可以是通过预先输入模型获得的，也可以是从第三方获取的，例如，由第三方设备预先通过将样本输入模块得到这些向量，然后本技术方法的执行主体从该第三方获取得到的；候选文本的向量可以是在执行本技术文本匹配方法的时候获取的，即在根据所述处理结果从所述候选本文集合中确定与所述待匹配文本匹配的目标文本，之前，该方法还包括将每一个候选集合文本输入匹配模型，得到每一个候选文本的向量。
129.前文通过图1描述了文本匹配的方法，下面结合图2-图3描述文本匹配的装置。
130.请参照图2，为本技术实施例中提供的一种文本匹配的装置200的示意框图，该装置200可以是电子设备上的模块、程序段或代码。该装置200与上述图1方法实施例对应，能够执行图1方法实施例涉及的各个步骤，该装置200具体的功能可以参见下文中的描述，为避免重复，此处适当省略详细描述。
131.可选的，所述装置200包括：
132.获取模块210，用于获取待匹配文本和候选文本集合；
133.输入模块220，用于将所述待匹配文本输入匹配模型，获得处理结果；
134.输出模块230，用于根据所述处理结果从所述候选本文集合中确定与所述待匹配文本匹配的目标文本，其中，所述匹配模型是根据训练样本两次输入基础模型后得到的输出结果对所述基础模型训练后得到的，其中，一个样本一次输入所述基础模型对应的输出结果包括所述一个样本对应的打孔向量和所述一个样本中的两个文本的相似度。
135.可选的，输入模块具体用于：
136.将所述待匹配文本和所述候选集合中的每一个候选文本输入所述匹配模型；
137.输出模块具体用于：
138.将所述待匹配文本和所述候选集合中的每一个候选文本的相似度的值进行排序；
139.将相似度最大的值对应的候选文本确定为所述目标文本。
140.可选的，输出模块具体用于：
141.所述处理结果为所述待匹配文本的向量，将所述待匹配文本的向量和所述候选集合中的每一个候选文本的向量进行余弦相似度的计算，得到m个余弦相似度，m为大于等于2的正整数；
142.将所述m个余弦相似度中最大的余弦相似度的值对应的候选文本确定为所述目标文本。
143.可选的，所述装置还包括：
144.训练模块，用于在所述获取待匹配文本和候选文本集合之前：
145.获取系统日志里的文本；
146.将所述文本进行人工标注相似文本；
147.将所述人工标注相似文本中每两个所述相似文本利用提前准备好的模板进行拼接，构成训练样本；
148.将训练样本两次输入基础模型后得到输出结果，并根据输出结果对基础模型训练后得到匹配模型，其中，一个样本一次输入基础模型对应的输出结果包括所述一个样本对应的打孔向量和一个样本中的两个文本的相似度。
149.可选的，所述装置还包括：
150.验证模块，用于在所述将每条样本都进行两次的输入基础模型，并利用训练模型的优化算法对现有基础模型进行训练之后：
151.将验证集中的验证样本两次输入匹配模型，得到所述验证样本的两个向量；
152.根据所述验证样本的两个向量计算余弦相似度；
153.根据所述余弦相似度的值验证所述匹配模型；
154.或者
155.将验证集中的验证样本输入匹配模型，得到所述验证样本中两个文本的相似度；
156.根据所述样本中两个文本的相似度验证所述匹配模型。
157.可选的，验证模块具体用于：
158.将所述余弦相似度的值和阈值进行比较，得到比较结果；
159.根据所述比较结果验证所述匹配模型。
160.可选的，所述装置还包括：
161.筛选模块，用于在所述获取待匹配文本和候选文本集合之前，将知识库中与所述待匹配文本的相似文本利用服务器中的文本相似度算法进行筛选得到所述候选文本集合。
162.请参照图3为本技术实施例中提供的一种文本匹配的装置的结构示意图，该装置可以包括处理器310和存储器320。可选的，该装置还可以包括：通信接口330和通信总线340。该装置与上述图1方法实施例对应，能够执行图1方法实施例涉及的各个步骤，该装置具体的功能可以参见下文中的描述。
163.具体的，存储器320，用于存储计算机可读指令。
164.处理器310，用于处理存储器320中存储的指令，执行图1方法实施例110至130各个步骤。
165.通信接口330，用于与其他节点设备进行信令或数据的通信。例如：与服务器或者终端的通信，本技术实施例并不限于上述描述的节点设备。
166.通信总线340，用于实现上述组件直接的连接通信。
167.其中，本技术实施例中设备的通信接口330用于与其他节点设备进行信令或数据的通信。存储器320可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器320可选的还可以是至少一个位于远离前述处理器的存储装置。存储器320中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器310执行时，电子设备执行上述图1所示方法过程。处理器310可以用于装置200上，并
且用于执行本技术中的功能。示例性地，上述的处理器310可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，本技术实施例并不局限于此。
168.本技术实施例还提供一种可读存储介质，所述计算机程序被处理器执行时，执行如图1所示方法实施例中电子设备所执行的方法过程。
169.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
170.综上所述，本技术提供一种文本匹配的方法、装置、设备和可读存储介质，该方法通过获取待匹配文本和候选文本集合；将待匹配文本输入匹配模型，获得处理结果；根据处理结果从候选本文集合中确定与待匹配文本匹配的目标文本，其中，匹配模型是根据训练样本两次输入基础模型后得到的输出结果对基础模型训练后得到的，其中，一个样本一次输入基础模型对应的输出结果包括所述一个样本对应的打孔向量和一个样本中的两个文本的相似度。通过该方法可以提高文本匹配的准确性。
171.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
172.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
173.所述功能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，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，本技术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(可以是个人计算机，服务器，或者网络设备等)执行本技术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、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。
174.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，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保护范围之内。应注意到：逻辑的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
175.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
176.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。