中文命名实体识别方法、装置、设备及存储介质

1.本发明涉及自然语言处理技术领域，尤其涉及一种中文命名实体识别方法、装置、设备及存储介质。


背景技术：

2.命名实体识别(ner)是一项基础而又重要的自然语言处理词汇分析任务。ner在各种应用中应用频繁且广泛，包括关系提取、事件提取、问题回答等方向，由于中文句子没有自然分隔符，且在特定句子语境下，词语具有特定的含义，导致在进行中文命名实体识别时，一般是通过获取单个字符的特征信息进行而对句子进行命名实体识别，但是此种方法无法适应较为复杂的语境，识别准确率低。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种中文命名实体识别方法、装置、设备及存储介质，旨在解决现有技术中文命名实体识别的性能差，无法适应较为复杂的语境，识别准确率低的技术问题。
5.为实现上述目的，本发明提供了一种中文命名实体识别方法，所述方法包括以下步骤：
6.在接收到中文命名实体识别请求时，根据所述中文命名实体识别请求确定对应的文本信息；
7.提取所述文本信息中的单句文本，并确定所述单句文本对应的特征向量表示层；
8.将所述特征向量表示层通过预设中文命名实体识别模型进行实体识别，获得中文命名实体识别结果；
9.将所述中文命名实体识别结果发送至客户端进行展示。
10.可选地，所述将所述特征向量表示层通过预设中文命名实体识别模型进行实体识别，获得中文命名实体识别结果，包括：
11.将所述特征向量表示层通过预设评分模型进行标签评分，获得字符得分矩阵；
12.根据所述字符得分矩阵、转移分数矩阵以及预设标签序列确定所述单句文本的字符标签信息，并根据所述字符标签信息确定目标字符序列；
13.将所述目标字符序列记为中文命名实体识别结果。
14.可选地，所述将所述特征向量表示层通过预设评分模型进行标签评分，获得字符得分矩阵，包括：
15.将所述特征向量表示层进行解析，获得上下文表示向量；
16.对所述上下文表示向量进行非线性变换，获得字符得分矩阵。
17.可选地，所述根据所述字符得分矩阵、转移分数矩阵以及预设标签序列确定所述
单句文本的字符标签信息，并根据所述字符标签信息确定目标字符序列，包括：
18.根据所述字符得分矩阵、所述转移分数矩阵以及预设标签序列确定目标字符的标签转移得分；
19.预测所述标签转移得分的转移概率；
20.根据所述转移概率确定所述单句文本的字符标签信息，并根据所述字符标签信息确定目标字符序列。
21.可选地，所述预测所述标签转移得分的转移概率，包括：
22.获取初始标注序列与实际标注序列；
23.根据所述初始标注序列、实际标注序列以及所述标签转移得分确定转移概率。
24.可选地，所述确定所述单句文本对应的特征向量表示层，包括：
25.获取所述单句文本中的字符向量、二元词组向量、映射向量以及上下文特征向量；
26.根据所述字符向量、所述二元词组向量、所述映射向量以及所述上下文特征向量生成特征向量表示层。
27.可选地，所述获取所述单句文本中的字符向量、二元词组向量、映射向量以及上下文特征向量，包括：
28.获取所述单句文本中的字符信息；
29.根据预设字符向量映射表查询所述字符信息对应的字符向量；
30.获取所述字符信息的下一字符信息，并根据所述字符信息与所述下一字符信息通过二元词组向量映射表获得二元词组向量；
31.获取所述字符信息对应的单词集集合，并确定所述单词集集合对应的向量集合，根据所述向量集合生成映射向量；
32.将所述字符信息通过预设编码器获得所述字符信息对应的上下文特征向量。
33.此外，为实现上述目的，本发明还提出一种中文命名实体识别装置，所述中文命名实体识别装置包括：
34.信息获取模块，用于在接收到中文命名实体识别请求时，根据所述中文命名实体识别请求确定对应的文本信息；
35.向量获取模块，用于提取所述文本信息中的单句文本，并确定所述单句文本对应的特征向量表示层；
36.实体识别模块，用于将所述特征向量表示层通过预设中文命名实体识别模型进行实体识别，获得中文命名实体识别结果；
37.结果展示模块，用于将所述中文命名实体识别结果发送至客户端进行展示。
38.此外，为实现上述目的，本发明还提出一种中文命名实体识别设备，所述中文命名实体识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的中文命名实体识别程序，所述中文命名实体识别程序配置为实现如上文所述的中文命名实体识别方法的步骤。
39.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有中文命名实体识别程序，所述中文命名实体识别程序被处理器执行时实现如上文所述的中文命名实体识别方法的步骤。
40.本发明公开了一种中文命名实体识别方法，所述中文命名实体识别方法包括：在
接收到中文命名实体识别请求时，根据所述中文命名实体识别请求确定对应的文本信息；提取所述文本信息中的单句文本，并确定所述单句文本对应的特征向量表示层；将所述特征向量表示层通过预设中文命名实体识别模型进行实体识别，获得中文命名实体识别结果；将所述中文命名实体识别结果发送至客户端进行展示，与现有技术中通过对单个中文字符进行实体识别相比，本发明通过构建完整句子的特征向量表示层，并将特征向量表示层通过预设中文命名实体识别模型进行实体识别，进而获得中文命名实体识别结果，解决了现有技术中文命名实体识别的性能差，无法适应较为复杂的语境，识别准确率低的技术问题。
附图说明
41.图1是本发明实施例方案涉及的硬件运行环境的中文命名实体识别设备的结构示意图；
42.图2为本发明中文命名实体识别方法第一实施例的流程示意图；
43.图3为本发明中文命名实体识别方法第二实施例的流程示意图；
44.图4为本发明中文命名实体识别方法一实施例的字符得分矩阵示意图；
45.图5为本发明中文命名实体识别方法第三实施例的流程示意图；
46.图6为本发明中文命名实体识别方法一实施例的字符单词集示意图；
47.图7为本发明中文命名实体识别装置第一实施例的结构框图。
48.本发明目的的实现、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
49.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
50.参照图1，图1为本发明实施例方案涉及的硬件运行环境的中文命名实体识别设备结构示意图。
51.如图1所示，该中文命名实体识别设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
52.本领域技术人员可以理解，图1中示出的结构并不构成对中文命名实体识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
53.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及中文命名实体识别程序。
54.在图1所示的中文命名实体识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明中文命名实体识别设备中的处理器1001、存储器1005可以设置在中文命名实体识别设备中，所述中文命名实体识
别设备通过处理器1001调用存储器1005中存储的中文命名实体识别程序，并执行本发明实施例提供的中文命名实体识别方法。
55.本发明实施例提供了一种中文命名实体识别方法，参照图2，图2为本发明一种中文命名实体识别方法第一实施例的流程示意图。
56.本实施例中，所述中文命名实体识别方法包括以下步骤：
57.步骤s10：在接收到中文命名实体识别请求时，根据所述中文命名实体识别请求确定对应的文本信息。
58.需要说明的是，本实施例方法的执行主体可以是中文命名实体识别设备，其中，所述中文命名实体识别设备可以是电脑或者服务器等，还可以是其他具有相同或者相似功能的设备，本实施例对此不做具体限制，在本实施例以及下述实施例中，将会以服务器为例进行说明。
59.值得说明的是，中文命名实体识别请求可以是用户输入的请求指令，其中，中文命名实体识别请求用于进行信息抽取、信息检索、机器翻译以及问答系统等多种自然语言处理任务，本实施例对此不做具体限制。
60.可以理解的是，文本信息作为进行自然语言处理任务的输入项，其中，在本实施例中，文本信息的文字数量或者单句数量不做具体限制，且在本实施例中文本信息为中文信息。
61.步骤s20：提取所述文本信息中的单句文本，并确定所述单句文本对应的特征向量表示层。
62.应当说明的是，单句文本是指用户输入的文本信息中存在分隔符的一段中文文本，其中分隔符可以是句号，本实施例对此不做具体限制。
63.在具体实现中，若是文本信息中不存在分隔符，则获取到的文本信息作为一个单句文本进行命名实体识别，此外，由于本实施例是基于中文文本进行的命名实体识别，在输入的文本信息中存在英文文本时，还需要将该英文文本进行筛除，例如：文本信息为：“这里有one个挑战”，对应的单句文本为“这里有个挑战”。
64.应当理解的是，特征向量表示层是由字符向量、二元词组向量、映射向量以及上下文特征向量四种向量构建获得的向量表示层。
65.其中，字符向量、词汇信息对应的映射向量和通过预训练模型获取的上下文特征向量均接收字作为输入，二元词组特征层接收词作为输入，通过字或词的离散id获得对应的连续稠密的特征向量，词汇信息对应的映射向量通过对每个字符与词典匹配，将所有匹配词分为四类进行标记，之后以各类中每个单词的出现频率作为其权重的指标，每类都被压缩成一个固定维度的向量。最后将四类的向量拼接成一个固定维度的特征。然后，将字符向量、二元词组向量、映射向量以及上下文特征向量拼接以表示单字在特定语义空间下的特征表示层。
66.步骤s30：将所述特征向量表示层通过预设中文命名实体识别模型进行实体识别，获得中文命名实体识别结果。
67.需要说明的是预设中文命名实体识别模型用于对文本信息中的单据文本对应的特征向量表示层进行中文命名实体识别，获得该单据文本对应的标签的识别结果，其中标签的类别可以由数据库中对字符定义的实体类别确定，例如：可以将字符属性分为：动词或
者名词等，本实施例对此不做具体限制。
68.在具体实现中，中文命名实体识别结果根据用户的实体识别用途确定，在进行检索时，中文命名实体识别结果输出的就是数据库中单据文本标签最相近的检索结果，且一个字符或者词组可能存在多个标签，例如：“跑步”的标签可以是动词，还可以是名词，本实施例对此不做具体限制。
69.步骤s40：将所述中文命名实体识别结果发送至客户端进行展示。
70.可以理解的是，客户端可以是用户用于输入中文命名实体识别请求的用户端，例如：电脑或者手机等，本实施例对此不做具体限制。
71.本实施例公开了一种中文命名实体识别方法，所述中文命名实体识别方法包括：在接收到中文命名实体识别请求时，根据所述中文命名实体识别请求确定对应的文本信息；提取所述文本信息中的单句文本，并确定所述单句文本对应的特征向量表示层；将所述特征向量表示层通过预设中文命名实体识别模型进行实体识别，获得中文命名实体识别结果；将所述中文命名实体识别结果发送至客户端进行展示，本实施例通过构建完整句子的特征向量表示层，并将特征向量表示层通过预设中文命名实体识别模型进行实体识别，进而获得中文命名实体识别结果，解决了现有技术中文命名实体识别的性能差，无法适应较为复杂的语境，识别准确率低的技术问题。
72.参考图3，图3为本发明一种中文命名实体识别方法第二实施例的流程示意图。
73.基于上述第一实施例，在本实施例中，所述步骤s30，包括：
74.步骤s301：将所述特征向量表示层通过预设评分模型进行标签评分，获得字符得分矩阵。
75.需要说明的是，预设评分模型可以是基于bilstm序列建模层的评分模型，还可以是其他具有相同或者相似功能的评分模型，本实施例的对此不做具体限制。
76.在具体实现中，通过bilstm序列建模层有效的建模字符前后向的序列信息。长短期记忆网络(long-short term memory，lstm),是循环神经网络(rnn)的一种变体。它解决了rnn训练时所产生的梯度爆炸或梯度消失。lstm巧妙地运用门控概念实现长期记忆。同时它也能够捕捉序列信息.每个词序列分别采取前向和后向lstm，然后将同一个时刻的输出进行合并。因此对于每一个时刻而言,都对应着前向与后向的信息。
77.进一步地，所述步骤s301，包括：
78.将所述特征向量表示层进行解析，获得上下文表示向量；
79.对所述上下文表示向量进行非线性变换，获得字符得分矩阵。
80.值得说明的是，字符得分矩阵是指每个字符在各个标签的得分值，参考图4，其中，对于一个单句文本{x1、x2、x3、x4}，将单句文本对应的特征向量表示层输入到lstm中，合并前后向lstm的隐藏状态，构成了每个字符xi的上下文表示这里的标签包括：起始标签s，结束标签e，以及一般标签l1，l2，l3。
81.在具体实现中，对每个字符分别采取前向和后向lstm，然后将同一个时刻的输出进行合并。因此对于每一个时刻而言,都对应着前向与后向的信息再通过对
上下文表示向量进行非线性变换，进而确定得分矩阵。
82.步骤s302：根据所述字符得分矩阵、转移分数矩阵以及预设标签序列确定所述单句文本的字符标签信息，并根据所述字符标签信息确定目标字符序列。
83.应当说明的是，转移分数矩阵是指由于文本中一个字的标注标签影响下一个字的标注标签信息，从而表示标注标签之间的转移性的评估得分。
84.进一步地，所述步骤s302，包括：
85.根据所述字符得分矩阵、所述转移分数矩阵以及预设标签序列确定目标字符的标签转移得分；
86.预测所述标签转移得分的转移概率；
87.根据所述转移概率确定所述单句文本的字符标签信息，并根据所述字符标签信息确定目标字符序列。
88.可以理解的是，标签转移得分的获取公式为：
[0089][0090]
其中，p
i,j
表示第i个词的第j个标签的分数，a表示转移分数矩阵,a
i,j
代表标签i转移为标签j的分数。
[0091]
需要说明的是，在获得标签转移得分之后，通过预测标签转移得分的每一个转移概率，并选取概率最大的标签，作为该字符的标签信息，进而确定单句文本的字符标签信息。
[0092]
进一步地，为了获取标签转移得分的转移概率，所述所述预测所述标签转移得分的转移概率，包括：
[0093]
获取初始标注序列与实际标注序列；
[0094]
根据所述初始标注序列、实际标注序列以及所述标签转移得分确定转移概率。
[0095]
其中，预测转移概率的获取公式为：
[0096][0097]
其中，表示真实的标注序列，y
x
表示所有可能的标注序列，s(x,y)表示标签转移得分。
[0098]
在具体实现中，根据所述字符标签信息确定目标字符序列的公式为：
[0099][0100]
其中，y
*
为目标字符序列。
[0101]
在具体实现中，通过将得分矩阵输入至crf层中，crf层综合考虑得分矩阵和标签的转移得分矩阵，输出序列标注结果。
[0102]
需要说明的是，通过crf层来获取全局最优的预测序列。在命名实体识别任务中，bilstm善于处理长距离的文本信息，但无法处理相邻标签之间的依赖关系，而crf能通过邻
近标签的关系获得一个最优的预测序列，可以弥补bilstm的缺点。
[0103]
步骤s303：将所述目标字符序列记为中文命名实体识别结果。
[0104]
在具体实现中，在确定单句文本中的每一个字符对应的标签后，将单句文本对应的标签序列作为中文命名实体识别结果输出值客户端，以向用户进行展示。
[0105]
本实施例公开了将所述特征向量表示层通过预设评分模型进行标签评分，获得字符得分矩阵；根据所述字符得分矩阵、转移分数矩阵以及预设标签序列确定所述单句文本的字符标签信息，并根据所述字符标签信息确定目标字符序列；将所述目标字符序列记为中文命名实体识别结果，本实施例通过将单句文本对应的特征向量表示层通过建立好的bilstm序列建模层中，以确定单句文本中的每一个字符对应的标签信息，从而确定字符序列，并将该字符序列作为中文命名实体识别结果，提高了中文命名实体识别的效率，并减少了语义、语境等对于识别结果的影响。
[0106]
参考图5，图5为本发明一种中文命名实体识别方法第三实施例的流程示意图。
[0107]
基于上述第二实施例，在本实施例中，所述步骤s20，包括：
[0108]
步骤s201：获取所述单句文本中的字符向量、二元词组向量、映射向量以及上下文特征向量。
[0109]
需要说明的是，字符向量是通过字符向量查找表确定的单个字符对应的向量值；二元词组向量是通过对当前字符与当前字符对应的下一个字符通过二元词组向量映射表确定的二元向量值；映射向量是指单句文本内的词汇信息对应的映射向量，其中，需要先获取当前字符的单词集集合，进而确定所述单词集集合对应的向量集合，根据所述向量集合生成映射向量，在本实施例中，单词集集合可以为四种。
[0110]
此外，由于上文中的字符会对下一个字符的标签造成影响，因此在确定当前字符的向量值时，还需要结合上下文对于当前字符的影响，在本实施例中，可以是通过预设编码器获得所述字符信息对应的上下文特征向量。
[0111]
进一步地，所述步骤s201，包括：
[0112]
获取所述单句文本中的字符信息；
[0113]
根据预设字符向量映射表查询所述字符信息对应的字符向量；
[0114]
获取所述字符信息的下一字符信息，并根据所述字符信息与所述下一字符信息通过二元词组向量映射表获得二元词组向量；
[0115]
获取所述字符信息对应的单词集集合，并确定所述单词集集合对应的向量集合，根据所述向量集合生成映射向量；
[0116]
将所述字符信息通过预设编码器获得所述字符信息对应的上下文特征向量。
[0117]
可以理解的是，预设字符向量映射表可以是预先训练好的用于进行字符向量查找的映射表。
[0118]
获取字符向量的公式为：
[0119][0120]
其中，ec为预设字符向量映射表。
[0121]
获取二元词组向量的公式为：
[0122]
[0123]
其中，eb为二元词组向量映射表，x
i+1
是字符xi的后面的字符。
[0124]
获取词汇信息对应的映射向量公式为：
[0125][0126]
其中，b,m,e,s代表四类单词集，ew就是指把四个词集的向量加起来的到最后这个字符的融入词汇信息的向量。
[0127]
在具体实现中，参考图6，对于一个单句文本的“中山西路”为例，以字符b,m,e,s可以分别代表句子中以这个字开头的词“山西”，这个字为中间的词“中山西路”，这个字为结尾的词“中山”，和这个字符“山”。
[0128]
获取上下文特征向量的公式为：
[0129][0130]
其中，r表示预设编码器，在本实施例中，预设编码器可以是roberta编码器，还可以是其他具有相同或者相似功能的编码器。
[0131]
步骤s202：根据所述字符向量、所述二元词组向量、所述映射向量以及所述上下文特征向量生成特征向量表示层。
[0132]
需要说明的是，以输入句子x＝{x1,x2,
…
,xn}为例，在获得每一个字符对应的向量信息，进而获得该单句文本对应的特征向量表示层的公式为：
[0133][0134]
其中，为字符向量，为二元词组向量，为映射向量,为上下文特征向量，为特征向量表示层。
[0135]
本实施例通过获取单句文本的字符向量、二元词组向量、映射向量以及上下文特征向量构建特征向量表示层，通过这些向量集合构成的特征向量表示层可以更准确的进行中文命名实体识别，提高识别效率。
[0136]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有中文命名实体识别程序，所述中文命名实体识别程序被处理器执行时实现如上文所述的中文命名实体识别方法的步骤。
[0137]
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
[0138]
参照图7，图7为本发明中文命名实体识别装置第一实施例的结构框图。
[0139]
如图7所示，本发明实施例提出的中文命名实体识别装置包括：
[0140]
信息获取模块10，用于在接收到中文命名实体识别请求时，根据所述中文命名实体识别请求确定对应的文本信息。
[0141]
向量获取模块20，用于提取所述文本信息中的单句文本，并确定所述单句文本对应的特征向量表示层。
[0142]
实体识别模块30，用于将所述特征向量表示层通过预设中文命名实体识别模型进行实体识别，获得中文命名实体识别结果。
[0143]
结果展示模块40，用于将所述中文命名实体识别结果发送至客户端进行展示。
[0144]
本实施例公开了一种中文命名实体识别方法，所述中文命名实体识别方法包括：
在接收到中文命名实体识别请求时，根据所述中文命名实体识别请求确定对应的文本信息；提取所述文本信息中的单句文本，并确定所述单句文本对应的特征向量表示层；将所述特征向量表示层通过预设中文命名实体识别模型进行实体识别，获得中文命名实体识别结果；将所述中文命名实体识别结果发送至客户端进行展示，本实施例通过构建完整句子的特征向量表示层，并将特征向量表示层通过预设中文命名实体识别模型进行实体识别，进而获得中文命名实体识别结果，解决了现有技术中文命名实体识别的性能差，无法适应较为复杂的语境，识别准确率低的技术问题。
[0145]
在一实施例中，所述实体识别模块30，还用于将所述特征向量表示层通过预设评分模型进行标签评分，获得字符得分矩阵；根据所述字符得分矩阵、转移分数矩阵以及预设标签序列确定所述单句文本的字符标签信息，并根据所述字符标签信息确定目标字符序列；将所述目标字符序列记为中文命名实体识别结果。
[0146]
在一实施例中，所述实体识别模块30，还用于将所述特征向量表示层进行解析，获得上下文表示向量；对所述上下文表示向量进行非线性变换，获得字符得分矩阵。
[0147]
在一实施例中，所述实体识别模块30，还用于根据所述字符得分矩阵、所述转移分数矩阵以及预设标签序列确定目标字符的标签转移得分；预测所述标签转移得分的转移概率；根据所述转移概率确定所述单句文本的字符标签信息，并根据所述字符标签信息确定目标字符序列。
[0148]
在一实施例中，所述实体识别模块30，还用于获取初始标注序列与实际标注序列；根据所述初始标注序列、实际标注序列以及所述标签转移得分确定转移概率。
[0149]
在一实施例中，所述向量获取模块20，还用于获取所述单句文本中的字符向量、二元词组向量、映射向量以及上下文特征向量；根据所述字符向量、所述二元词组向量、所述映射向量以及所述上下文特征向量生成特征向量表示层。
[0150]
在一实施例中，所述向量获取模块20，还用于获取所述单句文本中的字符信息；根据预设字符向量映射表查询所述字符信息对应的字符向量；获取所述字符信息的下一字符信息，并根据所述字符信息与所述下一字符信息通过二元词组向量映射表获得二元词组向量；获取所述字符信息对应的单词集集合，并确定所述单词集集合对应的向量集合，根据所述向量集合生成映射向量；将所述字符信息通过预设编码器获得所述字符信息对应的上下文特征向量。
[0151]
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
[0152]
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0153]
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的中文命名实体识别方法，此处不再赘述。
[0154]
此外，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
[0155]
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。
[0156]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有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(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0157]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。