字串关联性的计算方法、系统及电子设备与流程

1.本发明涉及字串关联性计算技术领域，尤其是涉及一种字串关联性的计算方法、系统及电子设备。


背景技术：

2.文本文件中的词汇关联性计算，在文本聚类、信息检索等领域中具有广泛应用，但现有技术中对于词汇关联性的计算过程只关注一对词汇之间的关联性，缺少与其它词汇的关联；导致对于跨时间、跨空间的相关词汇的关联性计算结果具有较大误差。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种字串关联性的计算方法、系统及电子设备，方法可通过筛选目标文本中的目标词汇，统计相同时间点目标词汇出现的频次，得到相同时间点并且相同维度的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果，提高了对其它词汇的关联，提升了跨时间、跨空间的相关词汇的关联性结果的计算精度。
4.第一方面，本发明实施例提供了一种字串关联性的计算方法，该方法包括：
5.从目标文本中获取待处理字串；
6.在预设时间段内统计待处理字串中词汇的种类和数量；
7.根据待处理字串中词汇的种类和数量，确定词汇的种类下的词汇统计曲线；其中，词汇统计曲线的横坐标为时间；词汇统计曲线的纵坐标为待处理字串中词汇的数量；
8.获取词汇统计曲线中词汇的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果。
9.在一些实施方式中，从目标文本中获取待处理字串的步骤，包括：
10.获取目标文本；其中，目标文本通过文本数据库、网络爬虫工具结果和日志文件中获得；
11.读取目标文本并遍历目标文本中的所有字串，获取目标文本中所有词汇对应的字串；
12.根据目标文本中所有词汇对应的字串，确定待处理字串。
13.在一些实施方式中，读取目标文本并遍历目标文本中的所有字串，获取目标文本中所有词汇对应的字串的步骤，包括：
14.获取屏蔽词汇列表；其中，屏蔽词汇列表用于对目标文本的词汇进行屏蔽；
15.遍历目标文本中的所有字串，将属于屏蔽词汇列表的字串进行屏蔽，确定目标文本中所有词汇对应的字串。
16.在一些实施方式中，根据待处理字串中词汇的种类和数量，确定词汇的种类下的词汇统计曲线的步骤，包括：
17.获取预设时间段内，待处理字串中词汇的种类和数量；
18.按照词汇的种类，统计预设时间段内词汇统计曲线。
19.在一些实施方式中，获取词汇统计曲线中词汇的特征向量，包括：
20.将词汇统计曲线进行平滑处理，得到词汇的连续平滑曲线；
21.对词汇的连续平滑曲线进行傅氏变换，得到连续平滑曲线的变换结果；其中，变换结果为复数形式；
22.计算变换结果的振幅，并根据变换结果的振幅确定词汇的特征向量。
23.在一些实施方式中，根据词汇的特征向量确定待处理字串的关联性计算结果，包括：
24.获取词汇的特征向量；
25.对词汇的特征向量进行聚类操作，确定词汇的聚类结果；
26.根据词汇的聚类结果，确定待处理字串的关联性计算结果。
27.在一些实施方式中，在预设时间段内统计待处理字串中词汇的种类和数量的步骤，包括：
28.获取预设时间段内的待处理字串；
29.将待处理字串输入至预设的词汇分割模型中，得到待处理字串中包含的所有词汇；
30.对待处理字串中包含的所有词汇进行统计，确定待处理字串中词汇的种类和数量。
31.第二方面，本发明实施例提供了一种字串关联性的计算系统，该系统包括：
32.待处理字串获取模块，用于从目标文本中获取待处理字串；
33.字串统计模块，用于在预设时间段内统计待处理字串中词汇的种类和数量；
34.词汇统计模块，用于根据待处理字串中词汇的种类和数量，确定词汇的种类下的词汇统计曲线；其中，词汇统计曲线的横坐标为时间；词汇统计曲线的纵坐标为待处理字串中词汇的数量；
35.关联性计算模块，用于获取词汇统计曲线中词汇的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果。
36.第三方面，本发明实施例还提供一种电子设备，包括：处理器和存储器；存储器上存储有计算机程序，计算机程序在被处理器运行时实现上述第一方面任意可能的实施方式中提到的字串关联性的计算方法的步骤。
37.第四方面，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其中，计算机程序被处理器运行时实现上述第一方面任意可能的实施方式中提到的字串关联性的计算方法的步骤。
38.本发明实施例带来了以下有益效果：
39.本发明提供了一种字串关联性的计算方法、系统及电子设备，该方法首先从目标文本中获取待处理字串；然后在预设时间段内统计待处理字串中词汇的种类和数量；再根据待处理字串中词汇的种类和数量，确定词汇的种类下的词汇统计曲线；其中，词汇统计曲线的横坐标为时间；词汇统计曲线的纵坐标为待处理字串中词汇的数量；最后获取词汇统计曲线中词汇的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果。该方法可通过筛选目标文本中的目标词汇，统计相同时间点目标词汇出现的频次，得到相同
时间点并且相同维度的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果，提高了对其它词汇的关联，提升了跨时间、跨空间的相关词汇的关联性结果的计算精度。
40.本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。
41.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。
附图说明
42.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
43.图1为本发明实施例提供的一种字串关联性的计算方法的流程图；
44.图2为本发明实施例提供的一种字串关联性的计算方法中步骤s101的流程图；
45.图3为本发明实施例提供的一种字串关联性的计算方法中步骤s202的流程图；
46.图4为本发明实施例提供的一种字串关联性的计算方法中步骤s103的流程图；
47.图5为本发明实施例提供的一种字串关联性的计算方法中获取词汇统计曲线中词汇的特征向量的流程图；
48.图6为本发明实施例提供的一种字串关联性的计算方法中根据词汇的特征向量确定待处理字串的关联性计算结果的流程图；
49.图7为本发明实施例提供的一种字串关联性的计算方法中步骤s102的流程图；
50.图8为本发明实施例提供的另一种字串关联性的计算方法的流程图；
51.图9为本发明实施例提供的一种字串关联性的计算系统的结构示意图；
52.图10为本发明实施例提供的一种电子设备的结构示意图。
53.图标：
54.910
‑
待处理字串获取模块；920
‑
字串统计模块；930
‑
词汇统计模块；940
‑
关联性计算模块；101
‑
处理器；102
‑
存储器；103
‑
总线；104
‑
通信接口。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
56.词汇的相关性研究是在自然语言处理的一个基本研究课题，相关性计算水平的提高对文本聚类、语义消歧、语义web、信息检索等众多应用领域具有重要意义。文本文件中的词汇关联性计算，已在文本聚类、信息检索等领域中具有广泛应用。但现有技术中，大多关注一对词汇之间的相关性；并且大多都存在一个假设：即相关的词汇至少应该以“共同出现”为基础。对于跨时间，跨空间的相关词汇没有较好的效果，导致对于跨时间、跨空间的相
关词汇的关联性计算结果具有较大误差。
57.基于此，本发明实施例提供了一种字串关联性的计算方法、系统及电子设备，方法可通过筛选目标文本中的目标词汇，统计相同时间点目标词汇出现的频次，得到相同时间点并且相同维度的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果，提高了对其它词汇的关联，提升了跨时间、跨空间的相关词汇的关联性结果的计算精度。
58.为便于对本实施例进行理解，首先对本发明实施例所公开的一种字串关联性的计算方法进行详细介绍。
59.参见图1所示的一种字串关联性的计算方法的流程图，该方法包括以下步骤：
60.步骤s101，从目标文本中获取待处理字串。
61.对字串关联性的计算过程需要基于一定数量的目标文本，这里的目标文本包括大量不同时间的文本数据。不同类型的文本数据中，词汇之间的相关性也是存在区别的，因此，根据实际需求，目标文本可以是固定类型的文本数据集合，也可以是不同类型的文本数据集合。根据不同的文本数据样本，所确定的字串关联性结果也不同，但目标文本的数量越多，所确定的字串关联性结果的准确性也越高。
62.待处理字串可由字母、汉字、数字以及标点符号构成，一般来说主要为汉字。
63.步骤s102，在预设时间段内统计待处理字串中词汇的种类和数量。
64.该步骤主要实现在预设时间段内统计待处理字串中词汇的频次，在确定了目标文本之后，首先需要将目标文本中的词汇在预设时间段分离出来，也就是得到不同时间所出现的词汇的集合。预设时间段可设置为一小时、一分钟等。
65.步骤s103，根据待处理字串中词汇的种类和数量，确定词汇的种类下的词汇统计曲线。
66.词汇统计曲线的横坐标为时间；词汇统计曲线的纵坐标为待处理字串中词汇的数量。在获取到待处理字串中词汇的种类和数量后，即可确定得到各时间内不同词汇分别出现的频次。然后以时间为横坐标、词汇数量为纵坐标形成直角坐标系，将目标文本中的不同词汇分别在该直角坐标系中表示出来，得到不同种类的词汇统计曲线。
67.步骤s104，获取词汇统计曲线中词汇的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果。
68.词汇统计曲线包含了该词汇的出现频次与时间变化的规律，实际操作过程中还需要对词汇统计曲线进行进一步量化即确定待处理字串的关联性，例如可通过获取词汇统计曲线中词汇的特征向量的方式来实现上述过程。具体的说，特征向量表征了待处理字串中词汇的特征，通过将词汇统计曲线转化成特征向量的方式，有利于对待处理字串的关联性计算结果进行精确计算。
69.实际操作过程中，可采用傅里叶变换的方式对各连续的词汇统计曲线分别进行处理，从而可以得到每条词汇统计曲线的振幅和相位，并将其作为每个词汇所对应的特征向量的参数。在获得特征向量后就可以对其进行聚类处理的方式来获得关联性计算结果。具体的说，聚类处理所采用的聚类方式可以根据实际需求进行设置，若聚类条件较多，则得到的聚类结果中各词汇的相关性就较强；若聚类条件较少，则得到的聚类结果中各词汇的相关性就较弱。根据特征向量的聚类结果就可以将聚类相同的词汇确定为相关词汇，从而确定待处理字串的关联性计算结果。
70.通过上述实施例中提供的字串关联性的计算方法可知，该方法可通过筛选目标文本中的目标词汇，统计相同时间点目标词汇出现的频次，得到相同时间点并且相同维度的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果，提高了对其它词汇的关联，提升了跨时间、跨空间的相关词汇的关联性结果的计算精度。
71.在一些实施方式中，从目标文本中获取待处理字串的步骤s101，如图2所示，包括：
72.步骤s201，获取目标文本；其中，目标文本通过文本数据库、网络爬虫工具结果和日志文件中获得。
73.目标文本可以是固定类型的文本数据集合，也可以是不同类型的文本数据集合。目标文本至少由文本数据库、网络爬虫工具和日志文件中获取得到，例如可通过文本数据库中获得相关的文本数据，并最终得到相关的目标文本；也可通过网络爬虫工具对页面进行抓取，获得相应的文本数据；还可利用相关日志文件直接作为目标文本。
74.步骤s202，读取目标文本并遍历目标文本中的所有字串，获取目标文本中所有词汇对应的字串。
75.在获得目标文本后需要对其进行读取操作，读取过程可按照文本大小来执行不同的读取策略，例如：当目标文本文件的大小超过预设阈值时，可对目标文本进行逐行读取，提高加载速度；如果目标文本没有换行符时，可按照预设读取范围对目标文本进行实时读取。当目标文本文件的大小没有超过预设阈值时，可将目标文本直接读取。
76.目标文本读取后获得目标文本中的所有字串，这些字串中包含了各类词汇，需要对这些词汇进行分割处理，最终得到该词汇对应的字串。
77.步骤s203，根据目标文本中所有词汇对应的字串，确定待处理字串。
78.获取目标文本中所有词汇对应的字串后，可结合分割处理的结果得到最终的待处理字串。分割处理的结果中可包含分割词汇的相应分隔符，例如“/n”、“/w”、“/q”等形式，不同的分隔符后的字母对应着该字串的关联性。
79.由于获得目标文本中的所有字串中通常会包含无用词汇，需要对这些无用词汇进行屏蔽。因此，在一些实施方式中，读取目标文本并遍历目标文本中的所有字串，获取目标文本中所有词汇对应的字串的步骤s202，如图3所示，包括：
80.步骤s301，获取屏蔽词汇列表；其中，屏蔽词汇列表用于对目标文本的词汇进行屏蔽。
81.屏蔽词汇列表作为词汇屏蔽的依据，通常包含着各行业的敏感词汇，具体可根据实际使用场景进行设置，再次不再赘述。
82.步骤s302，遍历目标文本中的所有字串，将属于屏蔽词汇列表的字串进行屏蔽，确定目标文本中所有词汇对应的字串。
83.该步骤可认为是查找过程，具体实施过程中可依次按照屏蔽词汇列表中的词汇，分别对目标文本中的所有字串进行遍历，如果目标文本中的词汇属于屏蔽词汇列表中，则将其删除，直至将目标文本中的所有字串中涉及屏蔽词汇列表的字串全部删除。
84.在一些实施方式中，根据待处理字串中词汇的种类和数量，确定词汇的种类下的词汇统计曲线的步骤s103，如图4所示，包括：
85.步骤s401，获取预设时间段内，待处理字串中词汇的种类和数量。
86.在确定了目标文本后需要对目标文本进行分词处理，才能得到各目标文本所对应
的词汇，然后需要在各目标文本所对应的词汇集合中进行统计不同词汇在不同时间的出现频次，最终得到待处理字串中词汇的种类和数量。
87.步骤s402，按照词汇的种类，统计预设时间段内词汇统计曲线。
88.具体实现过程中，可将每天的文本整合，利用文本分词技术对当天的所有文本进行分词处理，统计所有词汇在当天出现的种类和数量，并确定该词汇出现的频次。例如，统计数据为400天，这样每个词汇在每一天都对应一个频次值。利用坐标轴的横轴表示时间(天)，纵轴表示词汇的频次，将词汇对应的400天的频次在直角坐标系中展示出来，对应了400个离散的点，通过这些离散点最终得到预设时间段内词汇统计曲线。
89.在一些实施方式中，获取词汇统计曲线中词汇的特征向量，如图5所示，包括：
90.步骤s501，将词汇统计曲线进行平滑处理，得到词汇的连续平滑曲线。
91.由于获得的词汇统计曲线是由离散点组成的，通过对词汇统计曲线进行平滑处理，使其曲线更加平滑，有利于提升后续计算精度。具体实施过程中可采用滑动平均值进行平滑处理。
92.步骤s502，对词汇的连续平滑曲线进行傅氏变换，得到连续平滑曲线的变换结果；其中，变换结果为复数形式。
93.对连续平滑曲线进行傅氏变换，得到复数形式的变换结果；例如统计数据为400天，此时对应着词汇在400天的频次数据，共400个离散点，最终得到400个复数。
94.步骤s503，计算变换结果的振幅，并根据变换结果的振幅确定词汇的特征向量。
95.由于这400个复数为傅氏变换的分量，可通过计算该复数的实部和虚部计算得到该傅里叶变换分量的振幅及相位，并根据振幅作为该分量的特征，最终确定词汇的特征向量。
96.在一些实施方式中，根据词汇的特征向量确定待处理字串的关联性计算结果，如图6所示，包括：
97.步骤s601，获取词汇的特征向量。
98.具体实施过程中，可利用上述傅氏变换剔除的振幅结果作为该词汇的特征向量。
99.步骤s602，对词汇的特征向量进行聚类操作，确定词汇的聚类结果。
100.对特征向量进行聚合操作，可采用k
‑
means聚类操作等相关模型，也可对不同词汇特征向量的振幅进行比对，将相似度大于预设阈值的词汇作为聚类结果。
101.步骤s603，根据词汇的聚类结果，确定待处理字串的关联性计算结果。
102.在一些实施方式中，在预设时间段内统计待处理字串中词汇的种类和数量的步骤s102还可利用相关人工智能模型的方式来实现，如图7所示，包括：
103.步骤s701，获取预设时间段内的待处理字串。
104.步骤s702，将待处理字串输入至预设的词汇分割模型中，得到待处理字串中包含的所有词汇。
105.该步骤中的词汇分割模型为人工智能模型，通过将待处理字串输入至该模型后即可直接输出分词结果。该人工智能模型可利用现有的卷积神经网络训练得到，在此不再赘述。
106.步骤s703，对待处理字串中包含的所有词汇进行统计，确定待处理字串中词汇的种类和数量。
107.下面通过图8所示的另一种字串关联性的计算方法的流程图，来对字串关联性的计算过程进行详细描述，具体的，该方法包括：
108.步骤s801，输入待处理字串。
109.该步骤为初始化步骤，待处理字串从目标文本中获得。例如，该目标文本来自网络爬虫程序获取连续400天的文本数据，并将数据按照日期存储，以天为单位。
110.步骤s802，统计词汇的频次。
111.将每天的待处理字串进行整合，利用文本分词技术对当天的所有目待处理字串进行分词处理，得到该词汇在当天出现的频次。由于统计数据为400天，因此词汇在每一天都对应一个频次值；如果某个词汇在某一天没有出现时，则当天频次为0。
112.步骤s803，判断该词汇是否为停用词。
113.如果该词汇是停用词，则退出该词汇的处理过程，执行下一个词汇；如果该词汇不是停用词，则执行步骤s804。
114.步骤s804，确定该词汇的词汇统计曲线。
115.利用坐标轴的横轴表示时间，单位为：天数；纵轴表示词汇的频次，单位为：次数。将词汇对应的400天的频次在直角坐标系中展示出来，对应了400个离散的点。对着400个离散点进行连接，即可获得该词汇的词汇统计曲线。
116.步骤s805，对词汇统计曲线进行平滑处理。
117.利用平滑处理技术对直角坐标系中400个离散的频次点进行平滑处理，使其成为连续的曲线，便于利用处理波形的工具进行进一步分析。
118.步骤s806，对平滑后的词汇统计曲线进行傅里叶变换，得到特征向量。
119.利用傅里叶变换对上述的词汇波形进行处理，得到的结果为400维的复数，形如a bi。这400个复数为傅里叶变换的分量，其中a为该复数的实部，b为复数的虚部，可以通过复数的实部和虚部，求出该傅里叶变换分量的振幅和相位。具体实施过程中，可选取振幅作为该分量的特征，最终得到该词汇的特征向量。
120.步骤s807，对特征向量进行聚类操作。
121.利用上述的傅里叶分量提取出的振幅特征作为特征向量，根据特征向量进行聚类操作，聚为同一类的为相关性词汇。具体结果如下：
[0122]“实/a,拍/v,巴西/ns,男子/n,骑/v,摩托/n,被/p,小车/n,撞/v,落/v,天桥/n竟/d,奇迹/n,生还/v”。
[0123]“驾驶/v,机动车/n,违反/v,道路/n,交通/n,信号灯/n,通行/v,的/u,(/w,罚款/v,150/m,元/q,，/w,记/v,6/m,分/q,)/w”。
[0124]
上述相关词汇的特征向量提取结果中，/a表示；/n表示名词；/v表示动词；/ns表示国家；/p表示关系词；/d表示语气词；/u表示文字“的”；/w表示符号；/q表示单位。因此根据提取结果，可方便对字串进行关联。
[0125]
通过上述实施例中提供的字串关联性的计算方法可知，该方法可通过筛选目标文本中的目标词汇，统计相同时间点目标词汇出现的频次，得到相同时间点并且相同维度的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果，提高了对其它词汇的关联，提升了跨时间、跨空间的相关词汇的关联性结果的计算精度。
[0126]
对应于上述方法实施例，本发明实施例还提供了一种字串关联性的计算系统，其
结构示意图如图9所示，该系统包括：
[0127]
待处理字串获取模块910，用于从目标文本中获取待处理字串；
[0128]
字串统计模块920，用于在预设时间段内统计待处理字串中词汇的种类和数量；
[0129]
词汇统计模块930，用于根据待处理字串中词汇的种类和数量，确定词汇的种类下的词汇统计曲线；其中，词汇统计曲线的横坐标为时间；词汇统计曲线的纵坐标为待处理字串中词汇的数量；
[0130]
关联性计算模块940，用于获取词汇统计曲线中词汇的特征向量，并根据词汇的特征向量确定待处理字串的关联性计算结果。
[0131]
本发明实施例提供的字串关联性的计算系统，与上述实施例提供的字串关联性的计算方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0132]
本实施例还提供一种电子设备，为该电子设备的结构示意图如图10所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述字串关联性的计算方法。
[0133]
图10所示的电子设备还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。
[0134]
其中，存储器102可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。总线103可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0135]
通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的ipv4报文或ipv4报文通过网络接口发送至用户终端。
[0136]
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digitalsignalprocessor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field
‑
programmable gate array，简称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。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。
[0137]
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。
[0138]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0139]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
[0140]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0141]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案的部分可以用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)执行本发明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。
[0142]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。