数据处理方法、装置及存储介质与流程

1.本发明实施例涉及互联网医疗技术领域，尤其涉及一种数据处理方法、装置及存储介质。


背景技术：

2.目前，在线医疗领域存有大量的医患会话数据，如何快速从中提取病人的生理指标数据，能够帮助医生有效分析病人的生理状况，提高医生工作效率，解决病人的问题。相关技术中，第一种方案是将医患会话数据先分词，再进行实体识别确定出生理指标数据，但是将医患会话数据进行先分词再识别的方法，会导致识别不准确。第二种方案是给病人佩戴相关检测设备，相关检测设备检测病人的生理指标数据，并在一定时间后传送给医生客户端，但是第二种方案所能检测的生理指标数据种类有限，而且这种先检测再过一定时间后传送的方案也导致医生客户端获取生理指标数据的效率较低。


技术实现要素：

3.本发明实施例提供的一种数据处理方法、装置及存储介质，可以提高识别生理指标数据的准确率及效率。
4.本发明的技术方案是这样实现的：
5.本发明实施例提供了一种数据处理方法，包括：
6.获取客户端发送的待测会话数据；
7.利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果，并将所述数据标注结果发送给所述客户端；所述数据标注结果包括：对应所述待测会话数据中已标注的预定类型的目标实体词；其中，
8.所述目标学习模型是通过多个样本会话数据训练得到的，所述多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。
9.上述方案中，所述利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果之前，所述方法还包括：
10.结合会话数据库中的所述多个基本会话数据的，所述词性特征和所述结构特征，对所述多个基本会话数据进行处理，得到多个实体词；所述会话数据库是预设的包括：所述多个基本会话数据的集合；
11.在所述多个基本会话数据中标注出所述多个实体词，以形成所述多个样本会话数据；
12.利用所述多个样本会话数据对初始学习模型进行训练，直至达到预定训练条件时停止，得到所述目标学习模型。
13.上述方案中，所述结合会话数据库中的所述多个基本会话数据的，所述词性特征和所述结构特征，对所述多个基本会话数据进行处理，得到多个实体词，包括：
14.对所述多个基本会话数据通过分词和去停用词处理，得到多个中间词段；
15.根据所述多个中间词段中的关键词的词性标签，提取出多个关键词；
16.利用预设规则程序，结合所述多个关键词的位置结构特征及上下文特征，将所述多个关键词组合成多个实体词；所述结构特征包括所述位置结构特征和所述上下文特征。
17.上述方案中，所述对所述多个基本会话数据通过分词和去停用词处理，得到多个中间词段，包括：
18.利用分词工具将所述多个基本会话数据分为多个第一词段；
19.对所述多个第一词段进行去停用词处理，得到多个中间词段。
20.上述方案中，所述根据所述多个中间词段中的关键词的词性标签，提取出多个关键词，包括：
21.在所述多个中间词段中提取出，词性标签为名词或者数词或者量词的所述多个关键词。
22.上述方案中，所述结合会话数据库中的所述多个基本会话数据的，所述词性特征和所述结构特征，对所述多个基本会话数据进行处理，得到多个实体词之前，所述方法还包括：
23.在本地平台的数据库中获取多个第一会话数据；
24.利用网络爬虫在第三方平台中爬取，多个第二会话数据；
25.将所述多个第一会话数据和所述多个第二会话数据组合，形成所述多个基本会话数据，并存储在所述会话数据库中。
26.上述方案中，所述利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果，包括：
27.将所述待测会话数据中的至少一批字符信息，分次输入到所述目标学习模型，得到所述至少一批字符信息分别对应的至少一个数据标注结果；
28.将所述至少一个数据标注结果组合，得到所述标注结果。
29.上述方案中，所述目标学习模型包括：第一网络层、第二网络层和第三网络层；
30.所述将所述待测会话数据中的至少一批字符信息，分次输入到所述目标学习模型，得到所述至少一批字符信息分别对应的至少一个数据标注结果，包括：
31.将每一批字符信息中的每个字符转化为特征向量后，得到所述每一批字符信息对应的多个特征向量；
32.将所述多个特征向量输入所述第一网络层，得到对应的特征矩阵；
33.将所述特征矩阵传送到所述第二网络层，得到对应所述每一批字符信息的多个概率值；
34.将所述多个概率值传送到所述第三网络层，利用所述多个概率值预设对应的多个序列特征计算出，所述每一批字符信息对应所述多个序列特征的多个条件概率；
35.利用最大条件概率对应的序列特征，标注出所述每一批字符信息的实体词，得到所述每一批字符信息对应的每个标注结果，进而得到所述至少一个标注结果。
36.上述方案中，所述方法还包括：
37.将已标注字符串信息输入所述目标学习模型，得到所述已标注字符串信息对应的预测标注结果；
38.利用所述已标注字符串信息中的多个第一实体词和多个第一非实体词，及所述预
测标注结果中的多个第二实体词和多个第二非实体词，确定出所述目标学习模型的识别效果值；所述识别效果值表征所述目标学习模型的识别准确率。
39.上述方案中，所述利用所述已标注字符串信息中的多个第一实体词和多个第一非实体词，及所述预测标注结果中的多个第二实体词和多个第二非实体词，确定出所述目标学习模型的识别效果值，包括:
40.确定出所述多个第一实体词与所述多个第二实体词中对应词匹配的第一个数，及所述多个第二实体词与所述多个第一非实体词中对应词匹配的第二个数，及所述多个第二非实体词与所述多个第一实体词中对应词匹配的第三个数；
41.求所述第一个数与，所述第一个数与所述第二个数的和之比，得到精确率；
42.求所述第一个数与，所述第一个数与所述第三个数的和之比，得到召回率；
43.求所述精确率与所述召回率及常数的乘积，再求所述乘积与，所述精确率与所述召回率之和的比，得到所述识别效果值。
44.本发明实施例还提供了一种数据处理方法，包括：
45.将获取的待测会话数据，发送给服务器，供所述服务器利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果；所述数据标注结果包括：对应所述待测会话数据中已标注的预定类型的目标实体词；其中，所述目标学习模型是通过多个样本会话数据训练得到的，所述多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的；
46.接收所述服务器发送的所述数据标注结果，并进行展示。
47.本发明实施例还提供了一种数据处理装置，包括：
48.第一接收单元，用于获取客户端发送的待测会话数据；
49.处理单元，用于利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果，并将所述数据标注结果发送给所述客户端；所述数据标注结果包括：对应所述待测会话数据中已标注的预定类型的目标实体词；其中，
50.所述目标学习模型是通过多个样本会话数据训练得到的，所述多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。
51.本发明实施例还提供了一种数据处理装置，包括：
52.第二发送单元，用于将获取的待测会话数据，发送给服务器，供所述服务器利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果；所述数据标注结果包括：对应所述待测会话数据中已标注的预定类型的目标实体词；其中，所述目标学习模型是通过多个样本会话数据训练得到的，所述多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的；
53.接收展示单元，用于接收所述服务器发送的所述数据标注结果，并进行展示。
54.本发明实施例还提供了一种数据处理装置，包括第一存储器和第一处理器，所述第一存储器存储有可在第一处理器上运行的计算机程序，所述第一处理器执行所述程序时实现服务器一侧所述方法中的步骤。
55.本发明实施例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，该计算机程序被第一处理器执行时实现服务器所述方法中的步骤。
56.本发明实施例还提供了一种数据处理装置，包括第二存储器和第二处理器，所述
第二存储器存储有可在第二处理器上运行的计算机程序，所述第二处理器执行所述程序时实现客户端一侧所述方法中的步骤。
57.本发明实施例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，该计算机程序被第二处理器执行时实现客户端一侧所述方法中的步骤。
58.本发明实施例中，通过获取客户端发送的待测会话数据；利用训练好的目标学习模型对待测会话数据进行处理，得到待测会话数据的数据标注结果，并将数据标注结果发送给客户端；数据标注结果包括：对应待测会话数据中已标注的预定类型的目标实体词(生理指标数据)；其中，目标学习模型是通过多个样本会话数据训练得到的，多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。由于本方案在训练目标学习模型时充分考虑到了多个基本会话数据中关键词的词性特征和结构特征，而且在利用目标学习模型对待测会话数据进行处理也无需对待测会话数据进行分词，避免了先分词再进行命名实体识别造成的错误传播，提高了识别准确率。同时，本方案相对于给患者佩戴设备的方案，利用医患之间的会话数据进行识别，具有高效性，所以本方案提高识别生理指标数据的准确率及效率。
附图说明
59.图1为本发明实施例提供的数据处理方法的一个可选的流程示意图；
60.图2为本发明实施例提供的数据处理方法的一个可选的效果示意图；
61.图3为本发明实施例提供的数据处理方法的一个可选的效果示意图；
62.图4为本发明实施例提供的数据处理方法的一个可选的流程示意图；
63.图5为本发明实施例提供的数据处理方法的一个可选的流程示意图；
64.图6为本发明实施例提供的数据处理方法的一个可选的流程示意图；
65.图7为本发明实施例提供的数据处理方法的一个可选的流程示意图；
66.图8为本发明实施例提供的数据处理方法的一个可选的流程示意图；
67.图9为本发明实施例提供的数据处理方法的一个可选的流程示意图；
68.图10为本发明实施例提供的数据处理方法的一个可选的流程示意图；
69.图11为本发明实施例提供的数据处理方法的一个可选的流程示意图；
70.图12为本发明实施例提供的数据处理方法的一个可选的效果示意图；
71.图13为本发明实施例提供的数据处理方法的一个可选的效果示意图；
72.图14为本发明实施例提供的数据处理方法的一个可选的效果示意图；
73.图15为本发明实施例提供的数据处理方法的一个可选的流程示意图；
74.图16为本发明实施例提供的数据处理方法的一个可选的流程示意图；
75.图17为本发明实施例提供的数据处理方法的一个可选的流程示意图；
76.图18为本发明实施例提供的数据处理方法的交互示意图；
77.图19为本发明实施例提供的数据处理装置的结构示意图一；
78.图20为本发明实施例提供的数据处理装置的一种硬件实体示意图一；
79.图21为本发明实施例提供的数据处理装置的结构示意图二；
80.图22为本发明实施例提供的数据处理装置的一种硬件实体示意图二。
具体实施方式
81.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明的技术方案进一步详细阐述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
82.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
83.如果发明文件中出现“第一/第二”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
84.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
85.图1为本发明实施例提供的数据处理方法的一个可选的流程示意图，将结合图1示出的步骤进行说明。
86.s101、获取客户端发送的待测会话数据。
87.本发明实施例中，服务器获取客户端发送的待测会话数据。
88.本发明实施例中，服务器通过与多个客户端预先建立的通信线路，从多个客户端获取多个客户端分别对应的待测会话数据。
89.本发明实施例中，客户端对应的医生与病人通过客户端进行线上的交流沟通，病人通过患者客户端向客户端发送交流文本信息，最后形成了医生与病人的交流会话信息，也就是待测会话信息。医生触发客户端的操作指令，将待测会话数据发送给服务器。
90.本发明实施例中，病人通过患者客户端向客户端发送待测会话数据，此时待测会话数据包括了病人编撰的文本信息。客户端接收到待测会话数据之后，按照预设程序指令，将待测会话数据发送给服务器。
91.其中，待测会话数据可以为病人与医生之间的交流会话文本信息，也可以为病人编撰的文本信息。本发明实施例中，对待测会话数据的字符数量不做限制。
92.s102、利用训练好的目标学习模型对待测会话数据进行处理，得到待测会话数据的数据标注结果，并将数据标注结果发送给客户端；数据标注结果包括：对应待测会话数据中已标注的预定类型的目标实体词；其中，目标学习模型是通过多个样本会话数据训练得到的，多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。
93.本发明实施例中，服务器利用训练好的目标学习模型对待测会话数据进行处理，得到待测会话数据的数据标注结果，并将数据标注结果发送给客户端。
94.其中，数据标注结果包括：对应待测会话数据中已标注的预定类型的目标实体词。其中，目标学习模型是通过多个样本会话数据训练得到的，多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。
95.本发明实施例中，服务器可以将待测会话数据中的至少一批字符信息，分次输入到目标学习模型，得到至少一批字符信息分别对应的至少一个数据标注结果。将所述至少一个数据标注结果组合，得到标注结果。
96.示例性的，结合图3，图3为一个标注结果的效果示意图。可以看出待测会话数据为：
97.患者：身高182，体重75kg。
98.医生：属于正常发育情况。
99.患者：体温基本在37-37.4徘徊。
100.患者：下午又恢复36.8-37之间。
101.患者：这样属于正常吗？还是低烧？
102.医生：体温不高37.5就是正常的。
103.服务器将待测会话数据输入目标学习模型，可以得到的标注结果的目标实体词为图3中标注框内所示。其中包括：
104.文本：身高82、体重10.5kg、体温37-37.4、36.8-37.2、体温37.5。
105.位置：1-4、6-13、26-27，31-37、8-14、5-6，9-12。
106.类别：身高、体重、体温、体温、体温。
107.本发明实施例中，位置1-4表征身高182的实体词为所属段落的第1至4个字符，其余的位置信息以此类推。
108.示例性的，结合图2，服务器将多个基本会话数据，通过预处理和模板处理得到了多个样本会话数据。其中，预处理包括：分词去停用词处理和词性标注处理。模板处理包括：词典和正则表达式处理。得到多个样本会话数据之后，输入初始学习模型最终得到目标学习模型。目标学习模型包括：(bert：bidirectional encoder representation from transformers)，是一个预训练的语言表征模型。长短期记忆网络(long short-term memory，lstm)是一种特殊的循环神经网络结构，是为了解决循环神经网络模型中存在的长期依赖问题而专门设计的。条件随机场(conditional random field，crf)。服务器将每个样本会话数据转化为特征向量输入到bert，例如可以转化为x0至xn。
109.本发明实施例中，通过获取客户端发送的待测会话数据；利用训练好的目标学习模型对待测会话数据进行处理，得到待测会话数据的数据标注结果，并将数据标注结果发送给客户端；数据标注结果包括：对应待测会话数据中已标注的预定类型的目标实体词；其中，目标学习模型是通过多个样本会话数据训练得到的，多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。由于本方案在训练目标学习模型时充分考虑到了多个基本会话数据中关键词的词性特征和结构特征，而且在利用目标学习模型对待测会话数据进行处理也无需对待测会话数据进行分词，避免了先分词再进行命名实体识别造成的错误传播，提高了识别准确率。同时，本方案相对于给患者佩戴设备的方案，利用医患之间的会话数据进行识别，具有高效性，所以本方案提高识别生理指标数据的准确率及效率。
110.在一些实施例中，参见图4，图4为本发明实施例提供的数据处理方法的一个可选的流程示意图，图1示出的s102之前还包括s103至s105，将结合各步骤进行说明。
111.s103、结合会话数据库中的多个基本会话数据的，词性特征和结构特征，对多个基
本会话数据进行处理，得到多个实体词。
112.本发明实施例中，服务器结合会话数据库中的多个基本会话数据的，词性特征和结构特征，对多个基本会话数据进行处理，得到多个实体词。
113.本发明实施例中，服务器对多个基本会话数据进行分词和去停用词处理之后，再提取其中的预定词性的多个关键词，利用预设程序，结合多个关键词的词性特征和结构特征组成形成多个实体词。
114.示例性的，实体词可以为身高180，或者体重150等。
115.s104、在多个基本会话数据中标注出多个实体词，以形成多个样本会话数据。
116.本发明实施例中，服务器在多个基本会话数据中标注出多个实体词，以形成多个样本会话数据。
117.本发明实施例中，服务器在多个基本会话数据中查到到对应的多个实体词，并用预设的标记方式进行标记多个实体词，以形成多个样本会话数据。
118.其中，标记方式可以为给对应的实体词标记预定的颜色，或者将对应的实体词加粗，或者斜置，或者将对应的实体词用方框标记。
119.s105、利用多个样本会话数据对初始学习模型进行训练，直至达到预定训练条件时停止，得到目标学习模型。
120.本发明实施例中，服务器利用多个样本会话数据对初始学习模型进行训练，直至达到预定训练条件时停止，得到目标学习模型。
121.其中，达到预定训练条件可以为达到预定训练次数，或者是直至初始学习模型的函数收敛为止。
122.本发明实施例中，服务器可以将多个样本会话数据分批次输入到初始训练模型，直至达到上述训练条件时停止训练，得到目标学习模型。
123.由于本方案在训练目标学习模型时利用了多个基本会话数据中关键词的词性特征和结构特征，而且在利用目标学习模型对待测会话数据进行处理也无需对待测会话数据进行分词，避免了先分词再进行命名实体识别造成的错误传播，提高了识别准确率。同时，本方案有高效性，所以本方案提高识别生理指标数据的准确率及效率。
124.在一些实施例中，参见图5，图5为本发明实施例提供的数据处理方法的一个可选的流程示意图，图4示出的s103可以通过s106至s108实现，将结合各步骤进行说明。
125.s106、对多个基本会话数据通过分词和去停用词处理，得到多个中间词段。
126.本发明实施例中，服务器对多个基本会话数据通过分词和去停用词处理，得到多个中间词段。
127.本发明实施例中，服务器可以利用分词效果较好的jieba工具进行多个基本会话数据的分词。分词是将一个连续的句子分成几个独立的词段，去停用词处理是指去除一些不影响语句解释的词语和标点符号等。去停用词处理可以采用种类较为全面的哈尔滨工业大学的停用词表去除停用词。
128.s107、根据多个中间词段中的关键词的词性标签，提取出多个关键词。
129.本发明实施例中，服务器根据多个中间词段中的关键词的词性标签，提取出多个关键词。
130.本发明实施例中，服务器首先标注出多个中间词段中各个关键词的词性，再提取
出预定词性的多个关键词。
131.本发明实施例中，去停用词后进行关键词提取有助于分析句中的其它词语成分，把握文本大意。
132.s108、利用预设规则程序，结合多个关键词的位置结构特征及上下文特征，将多个关键词组合成多个实体词。
133.本发明实施例中，服务器利用预设规则程序，结合多个关键词的位置结构特征及上下文特征，将多个关键词组合成多个实体词。
134.示例性的，服务器可以关键词:“身高”和关键词“180”组成实体词“身高180”。
135.示例性的，参见图6，图6为本发明实施例提供的数据处理方法的一个可选的流程示意图，图5示出的s106至s108可以通过s401至s406实现，将结合各步骤进行说明。
136.s401、分词。
137.s402、去停用词。。
138.s403、词性标注。
139.s404、词性特征。
140.s405、规则模板。
141.s406、实体词。
142.规则模板构建通过分析文本中关键词的词性特征、结构特征和上下文特征等，归纳总结出适用于某一实体类型的特征模板。规则模板构建依赖于数据预处理过程。词性特征是判断一个词是否是实体的重要特征，一般而言，名词中包含的实体的类别最多。规则模板多采用正则表达式的方法进行匹配。
143.本发明实施例中，服务器结合多个基本会话数据中的关键词的词性特征和结构特征提取出多个实体词，进而通过多个实体词确定出多个样本会话数据以进行目标学习模型的训练，进而提高了目标学习模型的识别准确率。
144.在一些实施例中，参见图7，图7为本发明实施例提供的数据处理方法的一个可选的流程示意图，图5示出的s106至s107可以通过s109至s111实现，将结合各步骤进行说明。
145.s109、利用分词工具将多个基本会话数据分为多个第一词段。
146.本发明实施例中，服务器利用分词工具将多个基本会话数据分为多个第一词段。
147.s110、对多个第一词段进行去停用词处理，得到多个中间词段。
148.本发明实施例中，服务器对多个第一词段进行去停用词处理，得到多个中间词段。
149.示例性的，某个第一词段可以为“身高也是180”，服务器对“身高也是180”进行去停用词处理可以得到中间词段“身高180”。
150.s111、在多个中间词段中提取出，词性标签为名词或者数词或者量词的多个关键词。
151.本发明实施例中，服务器在多个中间词段中提取出，词性标签为名词或者数词或者量词的多个关键词。
152.本发明实施例中，服务器可以按照词性标签表1中的词性特征，给多个中间词段中的关键词分别标注上词性标签。服务器再在多个中间词段中提取出词性为名词或者数词或者量词的多个关键词。
153.标签词性标签词性标签词性
a形容词m数词u助词b区别词n名词v动词c连词o拟声词w标点符号d副词p介词x字符串e叹词q量词y语气词f方位词r代词z状态词h前缀s处所词
ꢀꢀ
k后缀t时间词
ꢀꢀ
154.表1
155.本发明实施例中，服务器结合多个基本会话数据中的关键词的词性特征，提取出词性为名词或者数词或者量词的多个关键词，以形成多个实体词，进而通过多个实体词确定出多个样本会话数据以进行目标学习模型的训练，提高了目标学习模型的识别准确率。
156.在一些实施例中，参见图8，图8为本发明实施例提供的数据处理方法的一个可选的流程示意图，将结合各步骤进行说明。
157.s112、在本地平台的数据库中获取多个第一会话数据。
158.本发明实施例中，服务器再本地平台的数据库中获取多个第一会话数据。
159.多个第一会话数据可以从离线数据中读取。读取出的数据是嘈杂的，有很多干扰信息，需要进行数据处理，筛选过滤系统消息和测试数据，整合成一个个干净整洁的对话文本，也就是读个第一会话数据。
160.s113、利用网络爬虫在第三方平台中爬取，多个第二会话数据。
161.本发明实施例中，服务器利用网络爬虫在第三方平台中爬取，多个第二会话数据。
162.本发明实施例中，网络上存在着丰富的在线问诊数据，服务器通过搜集这些数据并处理，可以将这些数据作为多个第二会话数据，增强最终实体识别的准确率。
163.在一些实施例中，参见图9，图9为本发明实施例提供的数据处理方法的一个可选的流程示意图，图8示出的s113可以通过s407至s412实现，将结合各步骤进行说明。
164.s407、关键词，初始链接。
165.本发明实施例中，服务器可以通过预定的关键词结合第三方平台的初始链接形成检索请求。
166.s408、网站搜索，引擎服务器。
167.s409、目标统一资源定位系统队列。
168.本发明实施例中，服务器通过在网站搜索，或者引擎服务器上搜索解析数据得到目标统一资源定位系统队列。
169.s410、目标网页数据。
170.s411、问诊会话数据。
171.本发明实施例中，服务器在目标统一资源定位系统队列中获取网页得到目标网页数据，服务器在目标网页数据中解析网页得到问诊会话数据，也就是多个第二会话数据。
172.s412、会话数据库。
173.s114、将多个第一会话数据和多个第二会话数据组合，形成多个基本会话数据，并存储在会话数据库中。
174.本发明实施例中，服务器将多个第一会话数据和多个第二会话数据组合，形成多个基本会话数据，并存储在会话数据库中。
175.本发明实施例中，服务器通过在自身数据库中获取多个第一会话数据，并在第三方平台中爬取，多个第二会话数据，使会话数据库中的数据来源多种多样，给会话数据库提供了大量的基本会话数据，有利于样本会话数据的种类多样性，进而提高了目标学习模型的识别准确率。
176.在一些实施例中，参见图10，图10为本发明实施例提供的数据处理方法的一个可选的流程示意图，图1示出的s102可以通过s115至s116实现，将结合各步骤进行说明。
177.s115、将待测会话数据中的至少一批字符信息，分次输入到目标学习模型，得到至少一批字符信息分别对应的至少一个数据标注结果。
178.本发明实施例中，服务器将待测会话数据中的至少一批字符信息，分次输入到目标学习模型，得到至少一批字符信息分别对应的至少一个数据标注结果。
179.s116、将至少一个数据标注结果组合，得到标注结果。
180.本发明实施例中，服务器将至少一个数据标注结果组合，得到标注结果。
181.在一些实施例中，参见图11，图11为本发明实施例提供的数据处理方法的一个可选的流程示意图，图10示出的s115可以通过s117至s121实现，将结合各步骤进行说明。
182.s117、将每一批字符信息中的每个字符转化为特征向量后，得到每一批字符信息对应的多个特征向量。
183.本发明实施例中，服务器将将每一批字符信息中的每个字符转化为特征向量后，得到每一批字符信息对应的多个特征向量。
184.本发明实施例中，服务器可以通过向量转化模型将每个字符转化为对应的特征向量。向量转化模型可以为：word2vec模型。其中，word2vec模型包括：(continuous bag-of-word model,cbow model)和skip-gram模型)。
185.s118、将多个特征向量输入第一网络层，得到对应的特征矩阵。
186.本发明实施例中，服务器将多个特征向量输入第一网络层，得到对应的特征矩阵。
187.本发明实施例中，目标学习模型，包括三个网络层，分别是字符嵌入层、特征提取层和输出控制层。其中，第一网络层也就是字符嵌入层。字符嵌入层，采用了bert预训练语言模型将输入的字符的特征向量进行嵌入。bert输入的特征向量是3个嵌入特征的单位和，这三个嵌入特征分别是词嵌入、位置嵌入和段嵌入。bert能够充分提取字符级特征，得到特征矩阵。bert预训练语言模型的网络结构如图12所示，由多个transformer块堆叠而成。
188.s119、将特征矩阵传送到第二网络层，得到对应每一批字符信息的多个概率值。
189.本发明实施例中，服务器将特征矩阵传送到第二网络层，得到对应每一批字符信息的多个概率值。
190.其中，第二网络层也就是特征提取层。特征提取层，采用了bi-lstm结构提取全局信息。bi-lstm是一种双向lstm结构，可以更好的捕捉双向的语义依赖，同时能够克服普通循环神经网络网络所带来的梯度爆炸和梯度消失问题。lstm模型的框架图如图13所示。
191.lstm模型的具体计算公式如公式(1)至式(7)：
192.forget
gate
＝sigmod(matmul(x
t
,w1)+sigmod(matmul(h
t-1
,w2)+b
12
)
ꢀꢀꢀꢀꢀꢀꢀ
(1)
193.input
gate
＝sigmod(matmul(x
t
,w3)+sigmod(matmul(h
t-1
,w4)+b
34
)
ꢀꢀꢀꢀꢀ
(2)
194.middle
memory
＝tanh(matmul(x
t
,w5)+sigmod(matmul(h
t-1
,w6)+b
56
)
ꢀꢀ
(3)
195.output
gate
＝sigmod(matmul(x
t
,w7)+sigmod(matmul(h
t-1
,w8)+b
78
)
ꢀꢀꢀꢀ
(4)
196.c
t
＝c
t-1
*forget
gate
+input
gate
*middle
memory
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
197.h
t
＝tanh(c
t
)*output
gate
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
198.y
t
＝softmax(h
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
199.其中sigmod、tanh和softmax是非线性的神经网络的激活函数，matmul是矩阵乘法操作，xt表示当前网络的输入特征，w代表三个门的权重矩阵，w1-w8，表征权重矩阵，b分别代表三个门的偏置项。forgetgate：决定了上一时刻的单元状态ct-1有多少保留到当前时刻c
t
；inputgate：决定了当前时刻网络的输入xt有多少保存到单元状态ct。outputgate：控制单元状态ct有多少输出到lstm的当前输出值ht。最终的输出包括当前的单元状态ct、当前输出值ht和经过softmax函数得到的当前预测yt(概率值)。
200.s121、将多个概率值传送到第三网络层，利用多个概率值对应的多个序列特征计算出，每一批字符信息对应多个序列特征的多个条件概率。
201.本发明实施例中，服务器将多个概率值传送到第三网络层，利用多个概率值对应的多个序列特征计算出，每一批字符信息对应多个序列特征的多个条件概率。
202.s122、利用最大条件概率对应的序列特征，标注出每一批字符信息的实体词，得到每一批字符信息对应的每个标注结果，进而得到至少一个标注结果。
203.本发明实施例中，服务器利用最大条件概率对应的序列特征，标注出每一批字符信息的实体词，得到每一批字符信息对应的每个标注结果，进而得到至少一个标注结果。
204.本发明实施例中，输出控制层也就是第三网络层，采用了crf模型来控制最终标记结果的合理性。crf模型能够充分利用句子级别的序列特征，融合上下文信息，在对序列标注的结果进行标签预测时加入了一些约束来保证输出标签的合法性。数据训练过程中，crf层能够自动学习获得这些约束信息。
205.在给定待测会话数据集x和对应的序列特征y，k个特征函数f
x
(x，y)需要学习线性crf的模型参数wk和条件概率pw(y|x)，其中条件概率pw(y|x)和模型参数wk满足如公式(8)所示关系：
[0206][0207]
其中，待测会话数据集x(x1、x2......xn)，序列特征y(y1、y2......yn)。特征函数f
x
(x，y)在训练时获取。模型参数wk也是在训练时获取。
[0208]
示例性的，结合图14，服务器将“我体重是145”输入到bret层，得到中间矩阵，其中中间矩阵由多个字向量构成。服务器再将中间矩阵输入双向stm层，得到多个概率值，服务器再将多个概率值输入crf层，得到多个概率值对应的多个条件概率。服务器利用最大条件概率对应的序列特征，标注出每一批字符信息的实体词，得到每一批字符信息对应的每个标注结果，进而得到标注结果。
[0209]
本发明实施例中，服务器利用目标学习模型对待测会话数据进行处理，由于目标学习模型学习了多个样本会话数据的字符级特征和上下文特征，而且目标学习模型具有较强的泛化性，进而通过该目标学习模型进行处理可以提高生理数据的识别准确率。
[0210]
在一些实施例中，参见图15，图15为本发明实施例提供的数据处理方法的一个可选的流程示意图，将结合各步骤进行说明。
[0211]
s122、将已标注字符串信息输入目标学习模型，得到已标注字符串信息对应的预测标注结果。
[0212]
本发明实施例中，服务器将已标注字符串信息输入目标学习模型，得到已标注字符串信息对应的预测标注结果。
[0213]
本发明实施例中，已标注字符串信息包括已经标注的多个第一实体词和多个第一非实体词。
[0214]
本发明实施例中，预测标注结果包括多个第二实体词，和多个第二非实体词。
[0215]
示例性的，已标注字符串信息可以为“的体温37.5”，其中，第一实体词包括：体温和37.5。第一非实体词包括：其中，第一实体词包括：体温和37.5。第一非实体词包括：和。
[0216]
预测标注结果“的体温37.5正常的”，第二实体词包括：体温和37.5。第二非实体词包括：和。
[0217]
s123、利用已标注字符串信息中的多个第一实体词和多个第一非实体词，及预测标注结果中的多个第二实体词和多个第二非实体词，确定出目标学习模型的识别效果值；识别效果值表征目标学习模型的识别准确率。
[0218]
本发明实施例中，服务器利用已标注字符串信息中的多个第一实体词和多个第一非实体词，及预测标注结果中的多个第二实体词和多个第二非实体词，确定出目标学习模型的识别效果值；识别效果值表征目标学习模型的识别准确率。
[0219]
在一些实施例中，参见图16，图16为本发明实施例提供的数据处理方法的一个可选的流程示意图，图15示出的s123可以通过s124至s127实现，将结合各步骤进行说明。
[0220]
s124、确定出多个第一实体词与多个第二实体词中对应词匹配的第一个数，及多个第二实体词与多个第一非实体词中对应词匹配的第二个数，及多个第二非实体词与多个第一实体词中对应词匹配的第三个数。
[0221]
本发明实施例中，服务器确定出多个第一实体词与多个第二实体词中对应词匹配的第一个数，及多个第二实体词与多个第一非实体词中对应词匹配的第二个数，及多个第二非实体词与多个第一实体词中对应词匹配的第三个数。
[0222]
本发明实施例中，表2可以表示已标注字符串信息和预测标注结果中实体词和非实体词的匹配情况。
[0223][0224]
表2
[0225]
其中，tp比表征多个第一实体词和多个第二实体词中对应词匹配的第一个数，fp表征多个第一非实体词和多个第二实体词中对应词匹配的第二个数，fn表征多个第二非实体词和多个第一实体词中对应词匹配的第三个数，tn表征多个第二非实体词和多个第一非实体词中对应词匹配的第四个数。
[0226]
s125、求第一个数与，第一个数和第二个数的和之比，得到精确率。
[0227]
本发明实施例中，服务器求第一个数与，第一个数和第二个数的和之比，得到精确率。
[0228]
本发明实施例中，服务器可以将tp比上，tp和fp之和，进而得到精确率p。
[0229]
s126、求第一个数与，第一个数和第三个数的和之比，得到召回率。
[0230]
本发明实施例中，服务器求第一个数与，第一个数和第三个数的和之比，得到召回率。
[0231]
本发明实施例中，服务器可以将tp比上，tp和fn之和，进而得到召回率r。
[0232]
s127、求精确率与召回率及常数的乘积，再求乘积与，精确率和召回率之和的比，得到识别效果值。
[0233]
本发明实施例中，服务器求精确率与召回率及常数的乘积，再求乘积与，精确率和召回率之和的比，得到识别效果值。
[0234]
其中，常数可以为2，常数也可以为其他数值。
[0235]
本发明实施例中，服务器可以将2与p、r的乘积，比上p、r之和，得到识别效果值f1。f1值是准确率和召回率之间的平衡。f1值越大，整体识别效果越好。
[0236]
基于特征模板的方法输出结果是识别出的具体的生理指标数据，深度学习模型方法输出的是全部文本的标注结果，需要经过筛选和过滤，才能得到生理指标数据。特征模板的方法具有很强的召回率，深度学习模型具有较强的泛化性，两者相结合，能够较大提升最后的生理指标的f1值。
[0237]
在一些实施例中，参见图17，图17为本发明实施例提供的数据处理方法的一个可选的流程示意图，将结合各步骤进行说明。
[0238]
s201、将获取的待测会话数据，发送给服务器，供服务器利用训练好的目标学习模型对待测会话数据进行处理，得到待测会话数据的数据标注结果；数据标注结果包括：对应待测会话数据中已标注的预定类型的目标实体词；其中，目标学习模型是通过多个样本会话数据训练得到的，多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和
结构特征确定出来的。
[0239]
本发明实施例中，客户端将获取的待测会话数据，发送给服务器，供服务器利用训练好的目标学习模型对待测会话数据进行处理，得到待测会话数据的数据标注结果；数据标注结果包括：对应待测会话数据中已标注的预定类型的目标实体词；其中，目标学习模型是通过多个样本会话数据训练得到的，多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。
[0240]
待测会话数据可以为患者客户端发送给本客户端的，也可以为病人通过患者客户端与医生的客户端进行会话获取的。
[0241]
s202、接收服务器发送的数据标注结果，并进行展示。
[0242]
本发明实施例中，客户端接收服务器发送的数据标注结果，并进行展示。供医生对数据标注结果进行审核。
[0243]
由于本方案在训练目标学习模型时充分考虑到了多个基本会话数据中关键词的词性特征和结构特征，而且在利用目标学习模型对待测会话数据进行处理也无需对待测会话数据进行分词，避免了先分词再进行命名实体识别造成的错误传播，提高了识别准确率。同时，本方案相对于给患者佩戴设备的方案，利用医患之间的会话数据进行识别，具有高效性，所以本方案提高识别生理指标数据的准确率及效率。
[0244]
在一些实施例中，参见图18，图18为本发明实施例提供的数据处理方法的交互示意图，将结合各步骤进行说明。
[0245]
s301、服务器获取客户端发送的待测会话数据。
[0246]
本发明实施例中，实施步骤与s101中的步骤相同，在此不一一赘述。
[0247]
s302、服务器利用训练好的目标学习模型对待测会话数据进行处理，得到待测会话数据的数据标注结果，并将数据标注结果发送给客户端；数据标注结果包括：对应待测会话数据中已标注的预定类型的目标实体词；其中，目标学习模型是通过多个样本会话数据训练得到的，多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。
[0248]
本发明实施例中，实施步骤与s102中的步骤相同，在此不一一赘述。
[0249]
请参见图18，图18为本发明实施例提供的数据处理装置的结构示意图一。
[0250]
本发明实施例还提供了一种数据处理装置800，其特征在于，包括：第一接收单元803和处理单元804。
[0251]
第一接收单元803，用于获取客户端发送的待测会话数据；
[0252]
处理单元804，用于利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果，并将所述数据标注结果发送给所述客户端；所述数据标注结果包括：对应所述待测会话数据中已标注的预定类型的目标实体词；其中，
[0253]
所述目标学习模型是通过多个样本会话数据训练得到的，所述多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。
[0254]
本发明实施例中的数据处理装置800用于结合会话数据库中的所述多个基本会话数据的，所述词性特征和所述结构特征，对所述多个基本会话数据进行处理，得到多个实体词；所述会话数据库是预设的包括：所述多个基本会话数据的集合；在所述多个基本会话数据中标注出所述多个实体词，以形成所述多个样本会话数据；利用所述多个样本会话数据
对初始学习模型进行训练，直至达到预定训练条件时停止，得到所述目标学习模型。
[0255]
本发明实施例中的数据处理装置800用于对所述多个基本会话数据通过分词和去停用词处理，得到多个中间词段；根据所述多个中间词段中的关键词的词性标签，提取出多个关键词；利用预设规则程序，结合所述多个关键词的位置结构特征及上下文特征，将所述多个关键词组合成多个实体词；所述结构特征包括所述位置结构特征和所述上下文特征。
[0256]
本发明实施例中的数据处理装置800用于利用分词工具将所述多个基本会话数据分为多个第一词段；对所述多个第一词段进行去停用词处理，得到多个中间词段。
[0257]
本发明实施例中的数据处理装置800用于在所述多个中间词段中提取出，词性标签为名词或者数词或者量词的所述多个关键词。
[0258]
本发明实施例中的数据处理装置800用于在本地平台的数据库中获取多个第一会话数据；利用网络爬虫在第三方平台中爬取，多个第二会话数据；将所述多个第一会话数据和所述多个第二会话数据组合，形成所述多个基本会话数据，并存储在所述会话数据库中。
[0259]
本发明实施例中的数据处理装置800用于将所述待测会话数据中的至少一批字符信息，分次输入到所述目标学习模型，得到所述至少一批字符信息分别对应的至少一个数据标注结果；将所述至少一个数据标注结果组合，得到所述标注结果。
[0260]
本发明实施例中，所述目标学习模型包括：第一网络层、第二网络层和第三网络层；数据处理装置800用于将每一批字符信息中的每个字符转化为特征向量后，得到所述每一批字符信息对应的多个特征向量；将所述多个特征向量输入所述第一网络层，得到对应的特征矩阵；将所述特征矩阵传送到所述第二网络层，得到对应所述每一批字符信息的多个概率值；将所述多个概率值传送到所述第三网络层，利用所述多个概率值预设对应的多个序列特征计算出，所述每一批字符信息对应所述多个序列特征的多个条件概率；利用最大条件概率对应的序列特征，标注出所述每一批字符信息的实体词，得到所述每一批字符信息对应的每个标注结果，进而得到所述至少一个标注结果。
[0261]
本发明实施例中的数据处理装置800用于将已标注字符串信息输入所述目标学习模型，得到所述已标注字符串信息对应的预测标注结果；利用所述已标注字符串信息中的多个第一实体词和多个第一非实体词，及所述预测标注结果中的多个第二实体词和多个第二非实体词，确定出所述目标学习模型的识别效果值；所述识别效果值表征所述目标学习模型的识别准确率。
[0262]
本发明实施例中的数据处理装置800用于确定出所述多个第一实体词与所述多个第二实体词中对应词匹配的第一个数，及所述多个第二实体词与所述多个第一非实体词中对应词匹配的第二个数，及所述多个第二非实体词与所述多个第一实体词中对应词匹配的第三个数；求所述第一个数与，所述第一个数与所述第二个数的和之比，得到精确率；求所述第一个数与，所述第一个数与所述第三个数的和之比，得到召回率；求所述精确率与所述召回率及常数的乘积，再求所述乘积与，所述精确率与所述召回率之和的比，得到所述识别效果值。
[0263]
本发明实施例中，通过第一接收单元803获取客户端发送的待测会话数据；通过处理单元对应804利用训练好的目标学习模型对待测会话数据进行处理，得到待测会话数据的数据标注结果，并将数据标注结果发送给客户端；数据标注结果包括：对应待测会话数据中已标注的预定类型的目标实体词；其中，目标学习模型是通过多个样本会话数据训练得
到的，多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的。由于本方案在训练目标学习模型时充分考虑到了多个基本会话数据中关键词的词性特征和结构特征，而且在利用目标学习模型对待测会话数据进行处理也无需对待测会话数据进行分词，避免了先分词再进行命名实体识别造成的错误传播，提高了识别准确率。同时，本方案相对于给患者佩戴设备的方案，利用医患之间的会话数据进行识别，具有高效性，所以本方案提高识别生理指标数据的准确率及效率。
[0264]
对应地，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的步骤。
[0265]
对应地，本发明实施例提供一种数据处理装置800，包括第一存储器802和第一处理器801，所述第一存储器802存储有可在第一处理器801上运行的计算机程序，所述第一处理器801执行所述程序时实现上述方法中的步骤。
[0266]
这里需要指出的是：以上存储介质和装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
[0267]
需要说明的是，图20为本发明实施例提供的数据处理装置的一种硬件实体示意图一，如图20所示，该数据处理装置800的硬件实体包括：第一处理器801和第一存储器802，其中；
[0268]
第一处理器801通常控制数据处理装置800的总体操作。
[0269]
第一存储器802配置为存储由第一处理器801可执行的指令和应用，还可以缓存待第一处理器801以及数据处理装置800中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器(random access memory，ram)实现。
[0270]
请参阅图21为本发明实施例提供的数据处理装置的结构示意图二。
[0271]
本发明实施例还提供了一种数据处理装置，包括：第二发送单元903和接收展示单元904。
[0272]
第二发送单元903，用于将获取的待测会话数据，发送给服务器，供所述服务器利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果；所述数据标注结果包括：对应所述待测会话数据中已标注的预定类型的目标实体词；其中，所述目标学习模型是通过多个样本会话数据训练得到的，所述多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的；
[0273]
接收展示单元904，用于接收所述服务器发送的所述数据标注结果，并进行展示。
[0274]
本发明实施例中，通过第二发送单元903将获取的待测会话数据，发送给服务器，供所述服务器利用训练好的目标学习模型对所述待测会话数据进行处理，得到所述待测会话数据的数据标注结果；所述数据标注结果包括：对应所述待测会话数据中已标注的预定类型的目标实体词；其中，所述目标学习模型是通过多个样本会话数据训练得到的，所述多个样本会话数据是，结合多个基会话数据中的关键词的词性特征和结构特征确定出来的；再通过接收展示单元904接收所述服务器发送的所述数据标注结果，并进行展示。由于本方案在训练目标学习模型时充分考虑到了多个基本会话数据中关键词的词性特征和结构特征，而且在利用目标学习模型对待测会话数据进行处理也无需对待测会话数据进行分词，
避免了先分词再进行命名实体识别造成的错误传播，提高了识别准确率。同时，本方案相对于给患者佩戴设备的方案，利用医患之间的会话数据进行识别，具有高效性，所以本方案提高识别生理指标数据的准确率及效率。
[0275]
对应地，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的步骤。
[0276]
对应地，本发明实施例提供一种数据处理装置900，包括第二存储器902和第二处理器901，所述第二存储器902存储有可在第二处理器901上运行的计算机程序，所述第二处理器901执行所述程序时实现上述方法中的步骤。
[0277]
这里需要指出的是：以上存储介质和装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
[0278]
需要说明的是，图22为本发明实施例提供的数据处理装置的一种硬件实体示意图二，如图22所示，该数据处理装置900的硬件实体包括：第二处理器901和第二存储器902，其中；
[0279]
第二处理器901通常控制数据处理装置900的总体操作。
[0280]
第二存储器902配置为存储由第二处理器901可执行的指令和应用，还可以缓存待第二处理器901以及数据处理装置900中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(flash)或随机访问存储器(random access memory，ram)实现。
[0281]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程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，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0282]
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、方法、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、方法、物品或者装置中还存在另外的相同要素。
[0283]
在本发明所提供的几个实施例中，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。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0284]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单
元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0285]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
[0286]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储装置、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0287]
或者，本发明上述集成的单元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，也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，本发明实施例的技术方案本质上或者说对相关技术做出贡献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装置(可以是个人计算机、服务器、或者网络装置等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储装置、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0288]
以上所述，仅为本发明的实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。