数据处理方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能技术领域，尤其涉及深度学习技术领域，具体涉及数据处理方法、装置、电子设备和存储介质。


背景技术：

2.近些年来，强化学习已经被应用于诸多领域，比如游戏、机器人、推荐系统等。但是，训练一个强化学习模型是耗时的，这是因为在训练的过程中强化学习模型需要和环境进行大量的交互，以确定匹配的动作，而这些代价是高昂的。同时，简单的探索策略使得模型的学习速度变慢甚至会导致模型做出对环境具有危害性的动作。因此，如何提高动作确定的准确性，是亟待解决的技术问题。


技术实现要素：

3.本公开提供了一种数据处理方法、装置、电子设备和存储介质。
4.根据本公开的一方面，提供了一种数据处理方法，包括：
5.获取目标对象所处环境的状态数据；
6.将所述状态数据输入强化模型的策略网络，以从动作集合中采样得到所述状态数据对应的多个动作；
7.将所述多个动作和所述状态数据，输入所述强化模型的引导网络，以输出各所述动作与所述状态数据之间的目标匹配度；
8.根据所述各动作与所述状态数据之间的目标匹配度，从所述采样得到的多个动作中确定所述目标对象的目标动作。
9.根据本公开的另一方面，提供了一种数据处理装置，包括：
10.获取模块，用于获取目标对象所处环境的状态数据；
11.第一确定模块，用于将所述状态数据输入强化模型的策略网络，以从动作集合中采样得到所述状态数据对应的多个动作；
12.第二确定模块，用于将所述多个动作和所述状态数据，输入所述强化模型的引导网络，以输出各所述动作与所述状态数据之间的目标匹配度；
13.第三确定模块，用于根据所述各动作与所述状态数据之间的目标匹配度，从所述采样得到的多个动作中确定所述目标对象的目标动作。
14.根据本公开的另一方面，提供了一种电子设备，包括：
15.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述一方面所述方法的步骤。
16.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述一方面所述方法的步骤。
17.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机指令，所述计算
机指令在被处理器执行时实现前述一方面所述方法的步骤。
18.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
19.附图用于更好地理解本方案，不构成对本公开的限定。其中：
20.图1为本公开实施例所提供的一种数据处理方法的流程示意图；
21.图2为本公开实施例提供的另一种数据处理方法的流程示意图；
22.图3为本公开实施例提供的一种强化网络的结构示意图；
23.图4为本公开实施例提供的另一种数据处理方法的流程示意图；
24.图5为本公开实施例提供的一种动作分布的示意图；
25.图6为本公开实施例提供的一种数据处理装置的结构示意图；
26.图7为本公开的实施例的示例电子设备的框图。
具体实施方式
27.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
28.下面参考附图描述本公开实施例的数据处理方法、装置、电子设备和存储介质。
29.图1为本公开实施例所提供的一种数据处理方法的流程示意图。
30.本公开实施例的数据处理方法的执行主体，可以为本公开实施例的数据处理装置，该数据处理装置可以设置在电子设备中，电子设备可以为机器人、手机或其它可穿戴设备，本实施例中不进行限定。
31.如图1所示，该方法包含以下步骤：
32.步骤101，获取目标对象所处环境的状态数据。
33.本公开实施例中，状态数据，可以指示目标对象所处环境的一种状态，例如，目标对象为机器人，机器人用于抓取目标物体，机器人的机械臂处于抬起状态；或者机器人处于目标跟随状态，或者机器人处于问答场景下的接收问题状态等等。目标对象也可以为智能驾驶场景下的车辆等，业务场景不同，目标对象不同，本实施例中不进行限定。其中，状态数据可以以图像数据、文本数据、语音数据，或者视频数据等方式呈现，本实施例中不进行限定。
34.其中，本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
35.步骤102，将状态数据输入强化模型的策略网络，以从动作集合中采样得到状态数据对应的多个动作。
36.其中，强化模型包含策略网络和引导网络，作为一种实现方式，强化模型可以为柔性动作-评价(soft actor-critic，sac)模型，其中，actor为策略网络，critic为引导网络。
37.本公开实施例中，将状态数据输入强化模型的策略网络，可以得到策略网络输出
的状态数据对应的多个动作组成的动作集合，并从动作集合中采样得到状态数据对应的多个动作，作为一种实现方式，从动作集合中，随机采样设定次数，得到设定数量的多个动作。作为第二种实现方式，可以基于设定条件，从动作集合中进行采样，采样得到状态数据对应的多个动作。其中，设定条件可以是动作和状态数据间的关联关系，或者是匹配关系，又或者是环境状态，例如，环境的突然变化等。
38.步骤103，将多个动作和状态数据，输入强化模型的引导网络，以输出各动作与状态数据之间的目标匹配度。
39.本公开实施例中，将多个动作和状态数据，转化为对应的动作向量和状态向量，将动作向量和状态向量进行融合得到融合向量，输入强化模型的引导网络，以输出各个动作与状态数据之间的目标匹配度，其中，目标匹配度指示了目标对象基于当前所处环境的状态数据，下一步选择对应的动作的可能行，而目标匹配度的值越高，对应的动作被选择的可能性则越高。
40.本公开实施例中，策略网络的训练依赖与引导网络的，所以基于引导网络选取的动作对应的累积期望值大于等于策略网络选取的动作对应的累积期望值，也就是说引导网络输出的各个动作和状态数据间的匹配度的准确性，高于策略网络输出的各个动作和状态间的匹配度，因此，将目标对象所处环境的状态数据和多个动作组合起来输入到引导网络中，计算出各个动作对应的目标匹配度，基于各个动作对应的目标匹配度去选择目标动作，可以提高目标动作确定的准确性。
41.步骤104，根据各动作与状态数据之间的目标匹配度，从采样得到的多个动作中确定目标对象的目标动作。
42.本公开实施例中，根据各动作与状态数据之间的目标匹配度，将匹配度满足设定阈值的动作作为目标对象的目标动作。例如，在问答场景中，状态数据为当前的问题，动作为对应的回答，则选择目标匹配度最高的回答作为目标回答。
43.本公开实施例的数据处理方法中，获取目标对象所处环境的状态数据，将状态数据输入强化模型的策略网络，以从动作集合中采样得到状态数据对应的多个动作，将多个动作和状态数据，输入强化模型的引导网络，以输出各动作与状态数据之间的目标匹配度，根据各动作与状态数据之间的目标匹配度，从采样得到的多个动作中确定目标对象的目标动作，通过从策略网络输出的动作集合中采样多个动作，提高了后续处理的效率，而将状态数据和多个动作组合起来输入到引导网络中，计算出各个动作对应的目标匹配度，该目标匹配度指示了各个动作和状态数据之间更强的关联性，从而基于各个动作对应的目标匹配度去选择目标动作，提高了目标动作确定的准确性。
44.基于上述实施例，本公开实施例提供了另一种数据处理方法，图2为本公开实施例提供的另一种数据处理方法的流程示意图，如图2所示，该方法包含以下步骤：
45.步骤201，获取目标对象所处环境的状态数据。
46.步骤202，将状态数据输入强化模型的策略网络，以从动作集合中采样得到状态数据对应的多个动作。
47.其中，步骤201和步骤202可参照前述实施例中的解释说明，原理相同，本实施例中不再赘述。
48.步骤203，将多个动作和状态数据，分别输入引导网络中的至少一个子网络，以得
到各子网络所输出的对应各动作的候选匹配度。
49.其中，引导网络包含至少一个子网络，例如，2个子网络，或者是3个子网络，本实施例中不进行限定。
50.本公开实施例中，将多个动作和状态数据，分别输入引导网络包含的至少一个子网络中，以得到各子网络所输出的对应各动作的候选匹配度。作为一种实力，图3为本公开实施例提供的一种强化网络的结构示意图，如图3所示，以引导网络包含2个子网络为例进行说明，为了便于区分，称为第一子网络和第二子网络，将多个动作数据和状态数据，分别输入第一子网络和第二子网络，得到第一子网络输出的各动作的候选匹配度，以及第二子网络输出的各动作的候选匹配度。
51.步骤204，根据各子网络所输出的对应各动作的候选匹配度，确定各动作对应的目标匹配度。
52.例如，仍以两个子网络为例进行说明。
53.作为一种实现方式，针对各动作，对第一子网络输出的该动作的候选匹配度和第二子网络输出的该动作候选匹配度取平均值，将平均值作为该动作对应的目标匹配度，实现了对最终输出的目标匹配度的均衡处理，提高了目标匹配度的准确性。
54.作为另一种实现方式，针对各动作，确定第一子网络输出的该动作的候选匹配度和第二子网络输出的该动作候选匹配度中的较小值，将较小值对应的候选匹配度作为该动作对应的候选匹配度。
55.本公开实施例中，通过设置引导网络包含多个子网络，根据各个子网络输出的对应各个动作的候选匹配度，确定各个动作对应的目标匹配度，例如，选择较小的候选匹配度作为各动作的候选匹配度，实现了防止单一引导网络输出的匹配度出现过估计，而设置多个子网络，提高了目标匹配度确定的可靠性。
56.步骤205，根据各动作与状态数据之间的目标匹配度，从采样得到的多个动作中确定目标对象的目标动作。
57.具体，可参照签署实施例中的解释说明，原理相同，本实施例中不再赘述。
58.本公开实施例的数据确定方法中，通过设置引导网络包含多个子网络，根据各个子网络输出的对应各个动作的候选匹配度，确定各个动作对应的目标匹配度，例如，选择较小的候选匹配度作为各动作的候选匹配度，实现了防止单一引导网络输出的匹配度的值出现过估计，而设置多个子网络，提高了目标匹配度确定的可靠性。
59.基于上述实施例，本公开实施例提供了另一种数据处理方法，图4为本公开实施例提供的另一种数据处理方法的流程示意图，如图4所示，该方法包含以下步骤：
60.步骤401，获取目标对象所处环境的状态数据。
61.其中，步骤401可参照前述实施例中的解释说明，原理相同，本实施例中不再赘述。
62.步骤402，将状态数据输入策略网络，输出状态数据对应的初始动作分布。
63.其中，初始动作分布用于指示动作集合中各动作与状态数据之间的初始匹配度。其中，各个动作对应的初始匹配度，指示了目标对象所处环境的状态数据下一步选择对应动作的概率高低，或者说是选择该动作的期望度值。
64.步骤403，根据初始动作分布中各动作与状态数据之间的初始匹配度，从动作集合中采样得到状态数据对应的多个动作。
65.本公开实施例中，根据初始匹配度，从动作集合中采样得到状态数据对应的多个动作，实现了基于概率也就是初始匹配度进行采样，实现了采样的随机性，而初始匹配度越高的动作被采样到的可能性越高，又由于采样到的是设定数量的动作，其中，设定数量的值是根据场景需求进行调整的，例如，采样的设定数量通常为200个。而基于初始匹配度进行采样，采样数量太少，会导致具有较高匹配度的动作可能未采样到，而采样数量太多，会增加数据处理的难度，效率较低，因此，从初始分布中采样设定数量的动作，可以确保采样到的动作分布均匀性，提高了采样到的多个动作的可靠性，以提高后续确定目标动作的可靠性。
66.对于初始状态分布，作为一种示例，图5为本公开实施例提供的一种动作分布的示意图，如图5所示，p为初始动作分布，该分布是一种高斯分布，该分布中指示了动作集合中各个动作和状态数据间的初始匹配度。其中，水平轴上的各个白色的圆形点a指示了从动作集合中采样的各个采样点，每一个采样点对应一个动作。
67.步骤404，将多个动作和状态数据，输入强化模型的引导网络，以输出各动作与状态数据之间的目标匹配度。
68.其中，步骤404可参照前述实施例中的解释说明，原理相同，本实施例中不再赘述。
69.步骤405，根据各动作对应的目标匹配度，生成状态数据对应的目标动作分布。
70.其中，目标动作分布用于指示采样动作中各动作与状态数据之间的匹配度。
71.本公开实施例的一种实现方式中，将各动作对应的目标匹配度进行归一化处理，得到归一化处理后的各动作对应的匹配度，根据归一化处理后的各动作对应的匹配度，生成状态数据对应的目标动作分布，也就是说目标动作分布中指示了采样到的各动作，以及各动作和状态数据间的经归一化后的匹配度。通过将各动作对应的目标匹配度进行归一化处理，使得各动作对应的目标匹配度映射至同一数据区间中，例如为0-1之间的值，以便于后续进行数据处理或数据比较，提高了数据处理的效率。
72.其中，针对归一化处理的方式，作为一种实现方式，将采样得到的各动作对应的目标匹配度，采用归一化函数进行归一化处理，得到归一化处理后的各动作对应的匹配度，其中，归一化函数例如为softmax函数，通过归一化函数进行归一化处理得到的各个动作对应的匹配度，生成的目标动作分布，更加平滑，也就是说各个动作对应的匹配度分布更加均匀，可提高后续选择目标对象对应的目标动作的稳定性，从而提高目标动作确定的准确性。
73.作为另一种实现方式，可根据各个动作对应的目标匹配度的最大值和最小值做归一化处理得到归一化处理后的各动作对应的匹配度，基于归一化得到的匹配度，生成目标动作分布，从目标动作分布中选取和目标对象所处环境状态交互的目标动作。
74.如图5所示，根据各动作对应的目标匹配度，生成状态数据对应的目标动作分布，即p’，其中，初始动作分布p和目标动作分布p’中采样到的各动作对应的选择概率，也就是匹配度不同，也就是说采样到的各个动作和状态数据之间的初始匹配度和归一化得到的匹配度是不同的，其中，引导网络输出了各动作与状态数据之间的目标匹配度，该目标匹配度高于策略网络输出的各个动作和状态间的初始匹配度，从而基于各个动作对应的匹配度去选择目标动作，可以提高目标动作确定的准确性。
75.步骤406，根据目标动作分布中各动作与状态数据之间的匹配度，从采样得到的多个动作中确定目标对象的目标动作。
76.其中，步骤406可参照前述实施例中的解释说明，原理相同，此处不再赘述。
77.本公开实施例的数据处理方法中，获取目标对象所处环境的状态数据，将状态数据输入强化模型的策略网络，以从动作集合中采样得到状态数据对应的多个动作，将多个动作和状态数据，输入强化模型的引导网络，以输出各动作与状态数据之间的目标匹配度，根据各动作与状态数据之间的目标匹配度，从采样得到的多个动作中确定目标对象的目标动作，通过从策略网络输出的动作集合中采样多个动作，提高了后续处理的效率，而将状态数据和多个动作组合起来输入到引导网络中，计算出各个动作对应的目标匹配度，该目标匹配度指示了各个动作和状态数据之间更强的关联性，从而基于各个动作对应的目标匹配度去选择目标动作，提高了目标动作确定的准确性。
78.为了实现上述实施例，本实施例提供了一种数据处理装置。
79.图6为本公开实施例提供的一种数据处理装置的结构示意图，如图6所示，该装置包含：
80.获取模块61，用于获取目标对象所处环境的状态数据。
81.第一确定模块62，用于将所述状态数据输入强化模型的策略网络，以从动作集合中采样得到所述状态数据对应的多个动作。
82.第二确定模块63，用于将所述多个动作和所述状态数据，输入所述强化模型的引导网络，以输出各所述动作与所述状态数据之间的目标匹配度。
83.第三确定模块64，用于根据所述各动作与所述状态数据之间的目标匹配度，从所述采样得到的多个动作中确定所述目标对象的目标动作。
84.进一步，在本公开实施例的一种实现方式中，第二确定模块63，具体用于：
85.将所述多个动作和所述状态数据，输入所述引导网络中的至少一个子网络，以得到各所述子网络所输出的对应各所述动作的候选匹配度；
86.根据各所述子网络所输出的对应各所述动作的候选匹配度，确定各所述动作对应的目标匹配度。
87.在本公开实施例的一种实现方式中，第一确定模块62，具体用于：
88.将所述状态数据输入所述策略网络，输出所述状态数据对应的初始动作分布；其中，所述初始动作分布用于指示所述动作集合中各动作与所述状态数据之间的初始匹配度；
89.根据所述初始动作分布中各动作与所述状态数据之间的初始匹配度，从动作集合中采样得到所述状态数据对应的多个动作。
90.在本公开实施例的一种实现方式中，第三确定模块64，具体用于：
91.根据各所述动作对应的目标匹配度，生成所述状态数据对应的目标动作分布，其中，所述目标动作分布用于指示所述采样得到的各所述动作与所述状态数据之间的匹配度；
92.根据所述目标动作分布中各所述动作与所述状态数据之间的匹配度，从所述采样得到的多个动作中确定所述目标对象的目标动作。
93.在本公开实施例的一种实现方式中，第三确定模块64，具体还用于：
94.将各所述动作对应的目标匹配度进行归一化处理，得到归一化处理后的各所述动作对应的匹配度；
95.根据归一化处理后的各所述动作对应的匹配度，生成所述状态数据对应的目标动作分布。
96.在本公开实施例的一种实现方式中，第三确定模块64，具体还用于：
97.将各所述动作对应的匹配度，采用归一化函数进行归一化处理，得到归一化处理后的各所述动作对应的匹配度。
98.需要理解的是，前述方法实施例中的解释说明也适用于本实施例的中的装置，原理相同，本实施例中不再赘述。
99.本公开实施例的数据处理装置中，获取目标对象所处环境的状态数据，将状态数据输入强化模型的策略网络，以从动作集合中采样得到状态数据对应的多个动作，将多个动作和状态数据，输入强化模型的引导网络，以输出各动作与状态数据之间的目标匹配度，根据各动作与状态数据之间的目标匹配度，从采样得到的多个动作中确定目标对象的目标动作，通过从策略网络输出的动作集合中采样多个动作，提高了后续处理的效率，而将状态数据和多个动作组合起来输入到引导网络中，计算出各个动作对应的目标匹配度，该目标匹配度指示了各个动作和状态数据之间更强的关联性，从而基于各个动作对应的目标匹配度去选择目标动作，提高了目标动作确定的准确性。
100.为了实现上述实施例，本公开实施例还提供了一种电子设备，包括：
101.至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述方法实施例所述方法的步骤。
102.为了实现上述实施例，本公开实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述方法实施例所述方法的步骤。
103.为了实现上述实施例，本公开实施例还提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现前述方法实施例所述方法的步骤。
104.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
105.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
106.图7为本公开的实施例的示例电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
107.如图7所示，电子设备700包括计算单元701，其可以根据存储在rom(read-only memory，只读存储器)702中的计算机程序或者从存储单元708加载到ram(random access memory，随机访问/存取存储器)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。i/o(input/output，输入/输出)接口705也连接至总线704。
108.电子设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
109.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于cpu(central processing unit，中央处理单元)、gpu(graphic processing units，图形处理单元)、各种专用的ai(artificial intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、dsp(digital signal processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如数据处理方法。例如，在一些实施例中，数据处理方法可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，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。
110.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、fpga(field programmable gate array，现场可编程门阵列)、asic(application-specific integrated circuit，专用集成电路)、assp(application specific standard product，专用标准产品)、soc(system on chip，芯片上系统的系统)、cpld(complex programmable logic device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
111.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
112.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、ram、rom、eprom(electrically programmable read-only-memory，可擦除可编程只读存储器)或快闪存储器、光纤、cd-rom(compact disc read-only memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
113.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机
具有：用于向用户显示信息的显示装置(例如，crt(cathode-ray tube，阴极射线管)或者lcd(liquid crystal display，液晶显示器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
114.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：lan(local area network，局域网)、wan(wide area network，广域网)、互联网和区块链网络。
115.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
116.其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
117.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
118.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。