一种文本对话引导方法及装置、设备、存储介质与流程

1.本技术涉及计算机技术，涉及但不限于一种文本对话引导方法及装置、设备、存储介质。


背景技术：

2.智能问答系统通过文本对话形式与用户进行交互，定位用户所需要的提问知识，为用户提供信息服务。
3.目前，智能问答系统通常通过概率推理、知识推理或深度学习的方法，对历史问答文本进行分析，以生成对用户的发问文本。然而上述方法存在生成的发问文本与历史问答文本的关联不够紧密的问题。


技术实现要素：

4.有鉴于此，本技术提供一种文本对话引导方法及装置、设备、存储介质，能够提高所生成的发问文本和历史问答文本之间的关联度，进而为用户提供更具个性化的信息服务，用于解决发问文本与历史问答文本的关联不够紧密的问题。
5.第一方面，本技术实施例提供一种文本对话引导方法，所述方法包括：根据交互的历史问答文本确定目标动作模型；在所述目标动作模型中，将关注度满足第一条件的词组所属知识确定为候选知识，并确定每一所述候选知识的发散度；将发散度满足第二条件的候选知识确定为目标知识；基于所述目标知识和所述历史问答文本对应的目标知识图谱，生成发问文本。
6.在一些实施例中，所述根据交互的历史问答文本确定目标动作模型，包括：获取从交互的历史问答文本中确定出的待引导的目标词集；确定所述历史问答文本对应的目标动作图谱，其中所述目标动作图谱中包括至少一个动作模型；根据所述目标词集，从所述目标动作图谱中确定目标动作模型。通过确定所述历史问答文本对应的目标动作图谱，并根据所述目标词集，从所述目标动作图谱中确定目标动作模型，从而能够使得所确定的目标动作模型与历史问答文本的关联程度更紧密。
7.在一些实施例中，所述根据所述目标词集，从所述目标动作图谱中确定目标动作模型，包括：根据所述目标词集，确定所述目标动作图谱中每一所述动作模型中每一词组的关注度；根据每一所述词组的关注度，确定对应词组所属动作模型的触发度；将触发度满足第三条件的动作模型确定为目标动作模型。通过词组关注度来确定动作模型的触发度，能够准确且高效地确定出某一动作被触发的可能性。
8.在一些实施例中，所述根据每一所述词组的关注度，确定对应词组所属动作模型的触发度，包括：根据每一所述词组的关注度，确定对应词组所属知识的完整度；根据每一所述知识的完整度，确定对应知识所属动作模型的初始触发度；对每一所述动作模型的初始触发度进行排序，得到排序结果；根据所述排序结果和每一所述动作模型的初始触发度，确定每一所述动作模型的最终触发度；将每一所述动作模型的最终触发度确定为对应动作
模型的触发度。通过词组关注度、知识完整度来确定动作模型的触发度，能够准确且高效地确定出某一动作被触发的可能性。
9.在一些实施例中，所述词组的关注度为对应词组在所述目标词集中出现的次数；所述其他动作模型为所述目标动作图谱中除所述目标动作模型之外的动作模型。
10.在一些实施例中，所述获取从交互的历史问答文本中确定出的待引导的目标词集，包括：对所述历史问答文本进行文本分词，得到候选词集，其中所述候选词集包括至少一个词组；对所述候选词集中每一词组进行词性标注，得到候选词对集，其中所述候选词对集包括至少一个词组对；根据每一所述词组的词性，从所述候选词对集中筛选出具有候选词性的候选词组对，得到候选词对子集；根据所述候选词性，对所述候选词对子集进行同义词分析，得到候选更新词对子集；对所述候选更新词对子集中每一所述词组进行实例化标记，得到所述目标词集。通过对历史问答文本进行文本分词、词性标注、筛选、同义词分析和实例化标记等处理，得到目标词集，能够更准确且高效地获得目标词集，从而能够在后续利用目标词集生成发问文本时，更准确且高效地生成与历史问答文本关联紧密的发问文本，进而为用户提供更个性化的信息服务。
11.在一些实施例中，所述基于所述目标知识和所述历史问答文本对应的目标知识图谱，生成发问文本，包括：确定所述目标知识中词性满足第四条件的目标词组；在所述目标知识图谱中，确定所述目标词组的目标词性对应的目标文本生成规则；根据所述目标文本生成规则和所述目标知识中每一所述词组，生成发问文本。通过确定目标知识中目标词组的词性，并在目标知识图谱中调用与目标词组的词性对应的目标文本生成规则，从而能够使得生成的发问文本更贴合自然语言。
12.在一些实施例中，所述动作模型包括动作名和至少三个知识，每一所述知识包括至少一个词组；所述知识为参数表知识、前提条件知识、结果知识中的任意一种；所述参数表知识中包括与所述动作模型的参数和参数类型相关的词组；所述前提条件知识中包括与所述动作模型的前提条件相关的词组；所述结果知识中包括与所述动作模型的结果相关的词组。通过引入包含前提条件知识和结果知识的动作图谱，能够更准确地对用户行为的前因后果进行分析，从而更可靠地推断用户的潜在意图。
13.第二方面，本技术实施例提供一种文本对话引导装置，包括：第一确定单元，用于根据交互的历史问答文本确定目标动作模型；第二确定单元，用于在所述目标动作模型中，将关注度满足第一条件的词组所属知识确定为候选知识，并确定每一所述候选知识的发散度；第三确定单元，用于将发散度满足第二条件的候选知识确定为目标知识；生成单元，用于基于所述目标知识和所述历史问答文本对应的目标知识图谱，生成发问文本。
14.第三方面，本技术实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本技术实施例任一所述文本对话引导方法中的步骤。
15.第四方面，本技术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本技术实施例任一所述文本对话引导方法中的步骤。
16.本技术实施例中，通过根据历史问答文本确定目标动作模型，并基于目标动作模型中词组的关注度和知识的发散度，从目标动作模型中确定出目标知识，再根据目标知识和目标知识图谱生成发问文本，从而能够提高所生成的发问文本和历史问答文本之间的关
联度，进而能够引导用户聚焦其潜在意图，为用户提供更具个性化的信息服务。
附图说明
17.图1为本技术实施例文本对话的示意图；
18.图2为本技术实施例一种文本对话引导方法的流程示意图；
19.图3为本技术实施例另一种文本对话引导方法的流程示意图；
20.图4是本技术实施例文本对话引导方法的知识图谱示意图；
21.图5为本技术实施例文本对话引导装置的组成结构示意图；
22.图6为本技术实施例计算机设备的一种硬件实体示意图。
具体实施方式
23.文本对话引导是智能问答系统中的关键技术，其主要应用场景是在基于文本的智能问答过程中，根据已产生的多个问答引导用户提问新的问题，主动引导用户聚焦其潜在意图。文本对话过程涉及的问题基本分为7类：事实类问题、是非类问题、定义类问题、列表类问题、比较类问题、意见类问题和指导类问题。早期的智能问答系统仅针对单个问题的类型进行答案的提取，不考虑后续问题的引导(或推荐)。针对问答语境进行问答引导的问题，现有的技术方案主要有3大类型：基于概率推理的方法、基于知识推理的方法、基于深度学习的方法。这3类方案的思想概述如下。
24.基于概率推理的方法主要基于贝叶斯理论来评估与当前语境相关的问题的概率，推理的主要基础是因果关系之间的先验概率。其中一种具体的方法是依据观察到的动作推理可能发生的结果，将知识库组织成为贝叶斯网络，称为规划识别贝叶斯网络。基于该知识库和动作结构形成用于意图识别的贝叶斯网络集合，然后采用前向链式方式进行推理。由于基于概率推理的方法需要针对因果关系获取合理的先验概率，而这些概率很难准确获取，需要大量耗费人力和财力的试验和数据采样，因此，贝叶斯方法仅适用于比较容易获取先验概率的领域。
25.基于知识推理的方法基于对句子的理解，将每个句子表达为具有逻辑形式的知识，采用逻辑方法推理用户在已有问答中掌握的知识体系，进而对用户感兴趣的上位知识或下位知识进行筛选并引导用户问题。近年来，新出现了基于知识图谱的推理方法，建立事实类知识之间的联系，通过对已发生问答到知识图谱的映射，进行知识关联，根据关联程度引导用户提问。由于基于知识推理的方法，追求将句子表示为知识。而文本对话涉及的自然语言存在句法、句式变化繁多的特点，为句子级的知识表示形成了很难跨域的困难。对于采用知识图谱表示知识的形式，由于知识图谱只能存储和表示事实类知识，对于动作、因果关系等类型知识的表示能力欠缺，因此完全基于知识图谱的解决方案存在能力有限的不足。
26.基于深度学习的方法，多数运用词嵌入(词向量)技术形成句子嵌入(句子向量)，通过比较问答语境中的语句与知识库中语句条目的相近度，选择相近度最高的语句题目进行对话引导。一种具体的方案是基于前一个问答的语句判断其余知识库中每条知识的相近度，然后引导用户提问相近度最大的知识。另一种具体的方案是基于已发生的问答语句向量的综合表示，判断其余知识库中每条知识的相近度，然后引导用户提问相近度对大的知识。由于基于深度学习的方法，需要海量样本进行句子的向量模型训练，更重要的缺点在
于，其理解的层次为句子级别，对于句子之内词之间的语义关系并不能分离和关联。技术研究界普遍指出的文本向量表示技术本质的缺点是从文本到其数学向量的转化过程导致文本语义丢失的问题严重。
27.本技术实施例提出了一种不依赖于概率推理而能衡量问答知识之间关联程度的技术方案，既能分析事实类知识等静态知识也能分析行为模型(因果关系)等动态知识，关联程度的计算由词组关注度、知识发散度、动作触发度等指标进行推断，不需要基于海量数据的分析。本技术解决技术问题的技术方案包括：
28.1)针对历史问答文本(例如历史问答语句)的知识与知识库(知识图谱和动作图谱)中知识的相关性评估问题，采用自然语言理解技术，识别出历史问答文本中的概念词、实例词、属性词、关系词、动作词，每个词组在对话过程中的1次出现，使该词组在动作图谱中的关注度计数增长1次。
29.2)针对用户的意图识别问题，第一阶段：根据1)中的词组和动作图谱中的动作模型，计算每个动作模型的触发度。动作模型的触发度定义为其前提条件知识和结果知识的完整度之积，知识的完整度定义为其所包含词组的关注度之和。此外，动作词组对应的动作模型的触发度总是被赋予最高的关注度(即若某一动作模型的动作名出现在目标词集中，则可以将该动作模型的初始触发度确定为正无穷)。第二阶段，将动作模型的触发度进行发散式的触发度传播，传播的处理顺序依触发度从高到低排序。经过此两阶段的处理，确定知识库中每个动作模型的最终触发度。
30.3)针对用户问答的引导问题，从触发度最高的动作模型的前提条件知识中，选择未受关注的(即知识中存在关注度为0的词组)、且发散度最小的前提条件知识生成引导提问。前提条件知识的发散度通过与该前提条件知识关联的动作词组的数目进行评估。
31.4)根据知识生成发问语句的思路为：如果前提条件知识为概念知识，则生成某对象是某概念的回答。如果前提条件知识为属性类知识，则生成某对象具有某属性的回答。如果前提条件知识为关系类知识，则生成某对象和某对象具有某关系的回答。
32.下面结合附图和实施例对本技术的技术方案进一步详细阐述。
33.本实施例先提供一种文本对话应用场景，图1为本技术实施例文本对话的示意图，如图1所示，用户可以向计算机设备中的智能问答系统发送第一文本消息101“我喜欢披萨”，智能问答系统可以通过对第一文本消息101进行解析，并基于解析结果生成与第一文本消息101关联度较高的第二文本消息102“您对于披萨是认为美好吗？”34.一般来说，计算机设备在实施的过程中可以为各种类型的具有文本对话能力的设备，例如所述计算机设备可以包括手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、视频电话、电视机、传感设备等。
35.本技术实施例提出一种文本对话引导方法，该方法应用于计算机设备，该方法所实现的功能可以通过计算机设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算机设备至少包括处理器和存储介质。
36.图2为本技术实施例提供的文本对话引导方法的实现流程示意图，如图2所示，该方法包括：
37.步骤202：根据交互的历史问答文本确定目标动作模型；
38.其中，历史问答文本可以是当前时刻之前的一段时间内，用户向智能问答系统发
出的文本消息和智能问答系统回复用户的文本消息的总和；动作模型包括动作名和至少三个知识，每一所述知识包括至少一个词组。
39.步骤204：在所述目标动作模型中，将关注度满足第一条件的词组所属知识确定为候选知识，并确定每一所述候选知识的发散度；
40.其中，所述词组的关注度可以是对应词组在所述目标词集中出现的次数；所述知识的发散度可以是对应知识中动作词组在其他动作模型的知识中出现的次数，动作词组可以是对应知识中除名词词组和特殊符号“null”以外的词组；所述其他动作模型为除所述目标动作模型之外的动作模型；所述第一条件可以是知识中存在关注度为0的词组。
41.步骤206：将发散度满足第二条件的候选知识确定为目标知识；
42.其中，所述第二条件可以是发散度在知识所属目标动作模型中最小。
43.步骤208：基于所述目标知识和所述历史问答文本对应的目标知识图谱，生成发问文本。
44.其中，参见图4，知识图谱可以是显示知识发展进程与结构关系的一系列各种不同的图形。
45.在本技术实施例中，通过根据历史问答文本确定目标动作模型，并基于目标动作模型中词组的关注度和知识的发散度，从目标动作模型中确定出目标知识，再根据目标知识和目标知识图谱生成发问文本，从而能够提高所生成的发问文本和历史问答文本之间的关联度，进而能够引导用户聚焦其潜在意图，为用户提供更具个性化的信息服务。
46.本技术实施例再提供一种文本对话引导方法，所述方法可以包括步骤302至步骤316：
47.步骤302：获取从交互的历史问答文本中确定出的待引导的目标词集；
48.其中，目标词集可以是根据历史问答文本确定出的满足条件的词组的集合，目标词集包括但不限于历史问答文本中的词组。
49.步骤304：确定所述历史问答文本对应的目标动作图谱，其中所述目标动作图谱中包括至少一个动作模型；
50.其中，参见表1至表3组成的动作图谱，所述知识为参数表知识、前提条件知识、结果知识中的任意一种；所述参数表知识中包括与所述动作模型的参数和参数类型相关的词组；所述前提条件知识中包括与所述动作模型的前提条件相关的词组；所述结果知识中包括与所述动作模型的结果相关的词组。
51.具体的，动作名，可以是一个动词或动名词。如：“旅游”；参数表知识，如：{(t,时间)，(p,地点)}指出本动作模型包含2个参数，第一个参数的占位符为t、类型为“时间”，第二个参数的占位符为p，类型为“地点”；前提条件知识，用集合形式表示为{(p，term1，term2)|p为一个关系词，term1、term2为名词或特殊符号“null”}；结果知识，用集合形式表示为{(p，term1，term2)|p为一个关系词，term1、term2为名词或特殊符号“null”}。
52.表1
53.动作模型1好评参数表(？person
–
人，？pizza
–
披萨)前提条件1(认为美好？person？pizza)前提条件2(吃过？person？pizza)
结果1(喜爱？person？pizza)
54.表2
55.动作模型2品尝参数表(？person
–
人，？pizza
–
披萨，？place
–
披萨店)前提条件1(知道？person？place)结果1(吃过？person？pizza)
56.表3
[0057][0058]
表1至表3为历史问答文本：“我喜欢披萨”对应的目标动作图谱包括的三个动作模型；表1所示的动作模型包括动作名“好评”、一个参数表知识、两个前提条件知识和一个结果知识；表2所示的动作模型包括动作名“品尝”、一个参数表知识、一个前提条件知识和一个结果知识；表3所示的动作模型包括动作名“制作”、一个参数表知识、五个前提条件知识和一个结果知识。
[0059]
在本技术实施例中，通过引入包含前提条件知识和结果知识的动作图谱，能够更准确地对用户行为的前因后果进行分析，从而更可靠地推断用户的潜在意图。
[0060]
步骤306：根据所述目标词集，从所述目标动作图谱中确定目标动作模型。
[0061]
在本技术实施例中，通过确定所述历史问答文本对应的目标动作图谱，并根据所述目标词集，从所述目标动作图谱中确定目标动作模型，从而能够使得所确定的目标动作模型与历史问答文本的关联程度更紧密。
[0062]
步骤308：在所述目标动作模型中，将关注度满足第一条件的词组所属知识确定为候选知识，并确定每一所述候选知识的发散度；
[0063]
步骤310：将发散度满足第二条件的候选知识确定为目标知识；
[0064]
步骤312：确定所述目标知识中词性满足第四条件的目标词组；
[0065]
其中，所述第四条件可以是目标知识中词组的词性不是“名词”或“null”。
[0066]
步骤314：在所述历史问答文本对应的目标知识图谱中，确定所述目标词组的目标词性对应的目标文本生成规则；
[0067]
步骤316：根据所述目标文本生成规则和所述目标知识中每一所述词组，生成发问文本。
[0068]
在本技术实施例中，通过确定目标知识中目标词组的词性，并在目标知识图谱中调用与目标词组的词性对应的目标文本生成规则，从而能够使得生成的发问文本更贴合自然语言。
[0069]
本技术实施例再提供一种文本对话引导方法，所述方法可以包括步骤402至步骤424：
[0070]
步骤402：对所述历史问答文本进行文本分词，得到候选词集，其中所述候选词集包括至少一个词组；
[0071]
其中，文本分词可以是指将连续的字序列(句子、段落或篇章等)按照一定的规范拆分为多个词组的过程，可以使用word分词、简易中文分词系统、盘古分词、庖丁解牛分词等准确率经过验证的文本分词软件对文本进行文本分词。
[0072]
步骤404：对所述候选词集中每一词组进行词性标注，得到候选词对集，其中所述候选词对集包括至少一个词组对；
[0073]
其中，词性标注(part-of-speech tagging,pos tagging)也被称为语法标注或词类消疑，可以是指将词组按词性进行分类的过程，可以使用隐马尔可夫模型(hidden markov model,hmm)、条件随机场(conditional random fields,crfs)等准确率经过验证的词性标注算法对词组进行词性标注；每一所述词组对可以包括对应词组和对应词组的词性。
[0074]
步骤406：根据每一所述词组的词性，从所述候选词对集中筛选出具有候选词性的候选词组对，得到候选词对子集；
[0075]
其中，候选词性可以是“名词”、“代词”和“动词”。
[0076]
步骤408：根据所述候选词性，对所述候选词对子集进行同义词分析，得到候选更新词对子集；
[0077]
其中，若候选词性为“名词”、“代词”和“动词”，则同义词分析可以包括对代词的共指消解和对名词及动词的同义词扩展；在一次会话(例如可以是文本对话)中，多个指称(例如可以是代词词组)可能指向的是同一实体对象，共指消解可以是指将这些指称项合并到正确的实体对象的过程，可以使用hobbs算法、向心理论等共指消解算法对代词词组进行共指消解；同义词扩展可以是将每一词组扩展为对应词组、对应词组的同义词和对应词组的近义词的过程，可以使用lucene和solr等同义词分析器分别对名词词组和动词词组进行同义词扩展。
[0078]
步骤410：对所述候选更新词对子集中每一所述词组进行实例化标记，得到所述目标词集；
[0079]
其中，实例化标记可以是指为每一词组添加数字后缀，不同词组的数字后缀不同，同一词组的数字后缀相同。
[0080]
在本技术实施例中，通过对历史问答文本进行文本分词、词性标注、筛选、同义词分析和实例化标记等处理，得到目标词集，能够更准确且高效地获得目标词集，从而能够在后续利用目标词集生成发问文本时，更准确且高效地生成与历史问答文本关联紧密的发问文本，进而为用户提供更个性化的信息服务。
[0081]
步骤412：确定所述历史问答文本对应的目标动作图谱，其中所述目标动作图谱中包括至少一个动作模型；
[0082]
步骤414：根据所述目标词集，确定所述目标动作图谱中每一所述动作模型中每一词组的关注度；
[0083]
步骤416：根据每一所述词组的关注度，确定对应词组所属动作模型的触发度；
[0084]
其中，所述触发度可以是动作模型可能被触发的程度。
[0085]
步骤418：将触发度满足第三条件的动作模型确定为目标动作模型。
[0086]
其中，第三条件可以是动作模型的触发度在所属目标动作图谱中最大。
[0087]
步骤420：在所述目标动作模型中，将关注度满足第一条件的词组所属知识确定为候选知识，并确定每一所述候选知识的发散度；
[0088]
步骤422：将发散度满足第二条件的候选知识确定为目标知识；
[0089]
步骤424：基于所述目标知识和所述历史问答文本对应的目标知识图谱，生成发问文本。
[0090]
在本技术实施例中，通过词组关注度来确定动作模型的触发度，能够准确且高效地确定出某一动作被触发的可能性。
[0091]
本技术实施例再提供一种文本对话引导方法，所述方法可以包括步骤502至步骤524：
[0092]
步骤502：获取从交互的历史问答文本中确定出的待引导的目标词集；
[0093]
步骤504：确定所述历史问答文本对应的目标动作图谱，其中所述目标动作图谱中包括至少一个动作模型；
[0094]
步骤506：根据所述目标词集，确定所述目标动作图谱中每一所述动作模型中每一词组的关注度；
[0095]
步骤508：根据每一所述词组的关注度，确定对应词组所属知识的完整度；
[0096]
步骤510：根据每一所述知识的完整度，确定对应知识所属动作模型的初始触发度；
[0097]
步骤512：对每一所述动作模型的初始触发度进行排序，得到排序结果；
[0098]
步骤514：根据所述排序结果和每一所述动作模型的初始触发度，确定每一所述动作模型的最终触发度；
[0099]
步骤516：将每一所述动作模型的最终触发度确定为对应动作模型的触发度。
[0100]
步骤518：将触发度满足第三条件的动作模型确定为目标动作模型。
[0101]
步骤520：在所述目标动作模型中，将关注度满足第一条件的词组所属知识确定为候选知识，并确定每一所述候选知识的发散度；
[0102]
步骤522：将发散度满足第二条件的候选知识确定为目标知识；
[0103]
步骤524：基于所述目标知识和所述历史问答文本对应的目标知识图谱，生成发问文本。
[0104]
在本技术实施例中，通过词组关注度、知识完整度来确定动作模型的触发度，能够准确且高效地确定出某一动作被触发的可能性。
[0105]
图3本技术实施例提供的文本对话引导方法的实现流程示意图，如图3所示，该方法包括：
[0106]
步骤602：对历史问答文本进行文本分词；
[0107]
对所述历史问答文本进行文本分词，得到候选词集，其中所述候选词集包括至少一个词组；
[0108]
步骤604：对候选词集进行词性标注；
[0109]
对所述候选词集中每一词组进行词性标注，得到候选词对集，其中所述候选词对集包括至少一个词组对；
[0110]
步骤606：对候选词对集进行筛选；
[0111]
根据每一所述词组的词性，从所述候选词对集中筛选出具有候选词性的候选词组对，得到候选词对子集；
[0112]
步骤608：对候选词对子集进行同义词分析；
[0113]
根据所述候选词性，对所述候选词对子集进行同义词分析，得到候选更新词对子集；
[0114]
步骤610：对候选更新词对子集进行实例化标记，得到目标词集；
[0115]
对所述候选更新词对子集中每一所述词组进行实例化标记，得到所述目标词集。
[0116]
步骤612：确定所述历史问答文本对应的目标动作图谱；
[0117]
确定所述历史问答文本对应的目标动作图谱，其中所述目标动作图谱中包括至少一个动作模型；
[0118]
步骤614：根据目标词集，确定目标动作图谱中词组的关注度；
[0119]
根据所述目标词集，确定所述目标动作图谱中每一所述动作模型中每一词组的关注度；
[0120]
步骤616：根据词组关注度，确定知识完整度；
[0121]
根据每一所述词组的关注度，确定对应词组所属知识的完整度；
[0122]
步骤618：根据知识完整度，确定动作模型的初始触发度；
[0123]
根据每一所述知识的完整度，确定对应知识所属动作模型的初始触发度；
[0124]
步骤620：对动作模型的初始触发度进行排序；
[0125]
对每一所述动作模型的初始触发度进行排序，得到排序结果；
[0126]
步骤622：根据排序结果和初始触发度，确定动作模型的最终触发度，将最终触发度确定为动作模型的触发度；
[0127]
根据所述排序结果和每一所述动作模型的初始触发度，确定每一所述动作模型的最终触发度，并将每一所述动作模型的最终触发度确定为对应动作模型的触发度。
[0128]
步骤624：根据触发度，确定目标动作模型；
[0129]
将触发度满足第三条件的动作模型确定为目标动作模型。
[0130]
步骤626：确定目标动作模型中的候选知识，并确定候选知识的发散度；
[0131]
在所述目标动作模型中，将关注度满足第一条件的词组所属知识确定为候选知识，并确定每一所述候选知识的发散度；
[0132]
步骤628：根据候选知识发散度，确定目标知识；
[0133]
将发散度满足第二条件的候选知识确定为目标知识；
[0134]
步骤630：基于目标知识和目标知识图谱，生成发问文本。
[0135]
基于所述目标知识和所述历史问答文本对应的目标知识图谱，生成发问文本。
[0136]
在本技术实施例中，通过对历史问答文本进行文本分词、词性标注、筛选、同义词分析和实例化标记等处理，得到目标词集，能够更准确且高效地获得目标词集；通过目标动作图谱的词组关注度、知识完整度来确定动作模型的触发度，并根据触发度确定目标动作模型，从而能够使得所确定的目标动作模型与历史问答文本的关联程度更紧密；通过知识的发散度确定出目标知识，并根据目标知识和目标知识图谱，生成发问文本，更准确且高效地生成与历史问答文本关联紧密的发问文本，进而为用户提供更个性化的信息服务。
[0137]
本技术实施例再提供一种文本对话引导方法，令历史问答文本为二元组(q，a)，q为用户发出的文本，a为智能问答系统回复的文本：所述方法可以包括步骤702至步骤734：
[0138]
步骤702：对文本q进行文本分词，得到第一候选词集words(q)＝{wq1,wq2,
…
wqk},对文本a进行文本分词，得到第二候选词集words(a)＝{wa1,wa2,
…
wam}；
[0139]
步骤704：对第一候选词集进行词性标注，得到第一候选词对集，words-type(q)＝{(wq1,tq1),(wq2,ta2),
…
,(wqk,tqk)}，对第二候选词集进行词性标注，得到第二候选词对集words-type(a)＝{(wa1,ta1),(wa2,ta2),
…
,(wam,tam)}；
[0140]
步骤706：从第一候选词对集和第二候选词对集的并集(候选词对集)中筛选出具有候选词性(例如可以是名词、代词和动词)的候选词组对，得到候选词对子集candidate-words＝{(w1,t1),..,(wn,tn)}；
[0141]
步骤708：对候选词对子集中的代词wi，使用自然语言理解中的共指消解算法：hobbs算法，识别出wi所对应的词组n，用n替换w，得到第一候选更新词对子集；
[0142]
步骤710：对于第一候选更新词对子集中的动词wj及其词性tj，使用自然语言理解中的同义词器：lucene同义词分析器，得到wj的所有同义词{ws1,
…
，wsm}，将(wsu,tj)(u取1..m)加入第一候选更新词对子集，得到第二候选更新词对子集；
[0143]
步骤712：对于第二候选更新词对子集中的名词wp及其词性tp，使用自然语言理解中的同义词分析器：solr同义词分析器，得到wp的所有同义词{ws1,
…
，wsq}，将(wsu,tp)(u取1..q)加入第二候选更新词对子集，得到第三候选更新词对子集；
[0144]
步骤714：对第三候选更新词对子集中每一不同词组，添加
“-
n”后缀，得到目标词集，其中n为从1开始递增的数字，且相同词组的后缀n相同。
[0145]
步骤716：将目标词集中的词组根据词性与目标动作图谱中进行匹配：
[0146]
步骤718：计算目标动作图谱中每一动作模型中每一词组w的关注度attention-degree(w)，计算规则为：初始化将每个词组w的关注度attention-degree(w)＝0；如果w在目标词集中出现了k次，则attention-degree(w)＝k。
[0147]
步骤720：计算每一动作模型中前提条件知识和结果知识的完整度，以前提条件知识为例，若前提条件知识为(p,term1,term2)，p词组的关注度为0，term1词组和term2词组的关注度分别为1，完整度的计算公式为：知识中所有词组的关注度之和与知识中词组个数的比值，则前提条件知识(p,term1,term2)的完整度为(0 1 1)/3；同理可计算其他知识的完整度。
[0148]
步骤722：计算每一动作模型的初始触发度，可将每一动作模型中包含的所有前提条件知识和结果知识的完整度的乘积作为对应动作模型的初始触发度fire-degree；若某一动作模型的动作名出现在目标词集中，则将该动作模型的初始触发度确定为正无穷。
[0149]
步骤724：对每一动作模型的初始触发度fire-degree按照降序(即初始触发度由
大到小)排序。
[0150]
步骤726：确定每一动作模型的最终触发度,假设动作模型1、动作模型2和动作模型3的初始触发度排序为：动作模型1
→
动作模型2
→
动作模型3,则如果排序在前的动作模型(例如可以是动作模型1)的某个结果知识/前提条件知识(pa,term1,term2)与排序在后的动作模型(例如可以是动作模型2)的某个前提条件知识/结果知识(pb,term1,term2)存在pa词组与pb词组是相同的关系，则fire-degree(b)＝fire-degree(b) fire-degree(a)/[a的前提条件数目 a的结果数目]，最终确定每一动作模型的触发度“fire-degree”。
[0151]
步骤728：将最终触发度最大的动作模型确定为目标动作模型。
[0152]
步骤730：考察最终触发度最大的动作模型a，若动作模型a的某个前提条件知识(p，term1，term2)的某个词组p、term1或term2的关注度attention-degree为0，则将(p,term1,term2)确定为候选知识；假设词组p的关注度为0，则将p在其他动作模型的知识中出现的次数确定为候选知识(p,term1,term2)的发散度。
[0153]
步骤732：可将发散度最小的候选知识作为目标知识，如果k个候选知识具有相同的最小发散度，则可以通过生成[1,k]之间的随机数进行选择。
[0154]
步骤734：如果目标知识(p,term1,term2)中termi(i＝1,2)的关注度为0，则在目标知识图谱中检索termi的标记为p的边，如果目标知识(p，term1，term2)中p的关注度为0，则在目标知识图谱中检索标记为p的边及其两端点；假设该边的目的节点标记词为target，则根据p的类型生成回答。生成规则有三种(1)若p为概念词，则生成回答：你知道“termi”是“p”吗？；(2)若p为属性词，则生成回答：你知道“termi”的“p”特征为“target”吗？。(3)若p为关系词，则生成回答：“termi”对于“target”是“p”？。
[0155]
在本技术实施例中，通过对历史问答文本进行文本分词、词性标注、筛选、同义词扩展和实例化标记等处理，得到目标词集，通过与历史问答文本对应的目标动作图谱中词组的关注度，确定目标动作图谱中各动作模型的触发度，从触发度最大的动作模型中筛选出未受关注的候选知识，并将发散度较小的候选知识确定为目标知识，根据目标知识和目标知识图谱，生成发问文本，从而既能根据触发度推断出最有可能被触发、与历史问答文本最有关联的动作，又能根据发散度避免生成与历史问答文本重复或相似的发问文本，进而能够引导用户聚焦其潜在意图，为用户提供更准确、更高效、更具个性化的信息服务。
[0156]
本技术实施例再提供一种文本对话引导方法，令历史问答文本为“我喜欢披萨”，所述方法可以包括步骤802至步骤834：
[0157]
步骤802：使用盘古分词对历史问答文本进行文本分词，得到候选词集：{我，喜欢，披萨}；
[0158]
步骤804：使用隐马尔可夫模型算法对候选词集中的词组进行词性标注，得到候选词对集：{(我，代词)，(喜欢，动词)，(披萨，名词)}；
[0159]
步骤806：从候选词对集中筛选出具有名词词性、代词词性和动词词性的词组对，得到候选词对子集{(我，代词)，(喜欢，动词)，(披萨，名词)}；
[0160]
步骤808：对候选词对子集中的代词“我”，使用自然语言理解中的共指消解算法：hobbs算法，识别出“我”所对应的词组“用户”，用“用户”替换“我”，得到第一候选更新词对子集{(用户，代词)，(喜欢，动词)，(披萨，名词)}；
[0161]
步骤810：对于第一候选更新词对子集中的动词“喜欢”及其词性“动词”，使用自然
语言理解中的同义词器：lucene同义词分析器，得到“喜欢”的同义词“喜爱”,将(喜爱，动词)加入第一候选更新词对子集，得到第二候选更新词对子集{(用户，代词)，(喜欢，动词)，(喜爱，动词)，(披萨，名词)}；
[0162]
步骤812：对于第二候选更新词对子集中的名词“披萨”及其词性“名词”，使用自然语言理解中的同义词分析器：solr同义词分析器，得到“披萨”的所有同义词{比萨，pizza},将(比萨，名词)和(pizza，名词)加入第二候选更新词对子集，得到第三候选更新词对子集{(用户，代词)，(喜欢，动词)，(喜爱，动词)，(披萨，名词)，(比萨，名词)，(pizza，名词)}；
[0163]
步骤814：对第三候选更新词对子集中每一不同词组，添加
“-
n”后缀，得到目标词集{(用户-1，代词)，(喜欢-2，动词)，(喜爱-3，动词)，(披萨-4，名词)，(比萨-5，名词)，(pizza-6，名词)}。
[0164]
步骤816：参见表4至表6，将目标词集中的词组{(用户-1，代词)，(喜欢-2，动词)，(喜爱-3，动词)，(披萨-4，名词)，(比萨-5，名词)，(pizza-6，名词)}根据词性与目标动作图谱中进行匹配：
[0165]
步骤818：计算目标动作图谱中每一动作模型中每一词组的关注度，例如动作模型1中的前提条件1知识中的“认为美好”在目标词集中没有出现，则动作模型1中词组“认为美好”的关注度为0；而动作模型3中的前提条件1知识中的“喜爱”在目标词集中出现了1次，则动作模型3中词组“喜爱”的关注度为0；同理可计算每一动作模型中每一词组的关注度。
[0166]
步骤820：计算每一动作模型中前提条件知识和结果知识的完整度，例如动作模型1中前提条件2知识的词组“吃过”、“用户-1”和“披萨-4”的关注度分别为0、1、1，词组个数为3，则动作模型1中前提条件2知识的完整度为(0 1 1)/3＝2/3；同理可计算每一动作模型中前提条件知识和结果知识的完整度。
[0167]
步骤822：计算每一动作模型的初始触发度，例如动作模型1中的前提知识和结果知识的完整度分别为2/3、2/3和3/3，则动作模型1的初始触发度为：2/3
×
2/3
×
3/3＝4/9；同理可计算动作模型2的初始触发度为1/3
×
2/3＝2/9，动作模型3的初始触发度为3/3
×
1/3
×
1/3
×
1/3
×
1/3
×
2/3＝2/243。
[0168]
步骤824：对每一动作模型的初始触发度fire-degree按照降序(即初始触发度由大到小)排序，可知动作模型1、动作模型2和动作模型3按初始触发度排序的排序结果为：动作模型1
→
动作模型2
→
动作模型3。
[0169]
步骤826：确定每一动作模型的最终触发度，由于动作模型1(排序在前)的“吃过”前提知识出现在动作模型2(排序在后)的结果知识中，因此，将动作模型1的初始触发度向动作模型2传播，确定动作模型2的最终触发度fire-degree(动作模型2)＝fire-degree(动作模型2) fire-degree动作模型1)/[动作模型1的前提知识与结果知识数目]＝2/9 4/9/3＝10/27＝0.3703。类似的，由于动作模型1的“喜爱”结果知识出现在动作模型3的前提知识中；动作模型1的初始触发度向动作模型3传播，确定动作模型2的最终触发度fire-degree(动作模型3)＝2/243 4/9/3＝0.008 0.148＝0.156。
[0170]
步骤828：将最终触发度最大的动作模型1确定为目标动作模型。
[0171]
表4
[0172][0173]
表5
[0174][0175]
表6
[0176][0177]
步骤830：参见表4至表6，目标动作模型(触发度最大的动作模型1)中前提条件1知识(认为美好，用户-1，披萨-4)和前提条件2知识(吃过，用户-1，披萨-4)中都存在关注度为0的词，分别为“认为美好”，“吃过”，则将前提条件1知识和前提条件2知识都确定为候选知识；由于“认为美好”在其他动作模型的知识中出现的次数为0，“吃过”在其他动作模型的知识中出现的次数为1，则前提条件1知识的发散度为0，前提条件2知识的发散度为1。
[0178]
步骤832：可将发散度最小的前提条件1知识作为目标知识。
[0179]
步骤834：参见表4至表6，确定出目标知识(认为美好，用户-1，披萨-4)中词性不为名词的词组是“认为美好”，确定出“认为美好”的词性是关系词，在图4所示的目标知识图谱
中，确定出关系词对应的文本规则为：
“’
termi’对于’target’是’p’？”，将用户-1替换为“您”，将“披萨-4”替换为其类概念词“披萨”，生成发问文本：“您”对于“披萨”是“认为美好”吗？
[0180]
在本技术实施例中，通过对历史问答文本进行文本分词、词性标注、筛选、同义词扩展和实例化标记等处理，得到目标词集，通过与历史问答文本对应的目标动作图谱中词组的关注度，确定目标动作图谱中各动作模型的触发度，从触发度最大的动作模型中筛选出未受关注的候选知识，并将发散度较小的候选知识确定为目标知识，根据目标知识和目标知识图谱，生成发问文本，从而既能根据触发度推断出最有可能被触发、与历史问答文本最有关联的动作，又能根据发散度避免生成与历史问答文本重复或相似的发问文本，进而能够引导用户聚焦其潜在意图，为用户提供更准确、更高效、更具个性化的信息服务。
[0181]
本技术实施例中，通过创造性的设计解决了多轮对话过程中的用户意图转移识别问题，根据词语关注度和行为触发度的等概念，动态预测用户意图的转移。
[0182]
本技术实施例中，将对话引导方法对应的4个功能模块：对话理解模块，行为预测模块，问答预测模块，问答生成模块，其中：对话理解模块将用户问答词组的关注度评估结果传递给行为预测模块。行为预测模块通过动作模型的前提条件知识和动作模型的结果知识的完整程度计算其动作模型的触发度，而且进一步根据动作之间的前提条件知识与动作之间的关系进行触发度的发散式传播。从目标动作模型的前提条件知识或者结果知识中，选择未受关注的词组所在的知识作为候选知识，并通过对候选知识的发散度评估该问答涉及的动作数目，选取涉及动作数目尽可能少的候选知识、旨在聚焦问答。问答生成模块根据候选问答知识和回答生成模板生成最终的回答实例(即发问文本)。
[0183]
本技术实施例中，对话理解模块基于词组的出现次数的统计分析，评估该词组受用户问答关注程度的方法。
[0184]
本技术实施例中，行为预测模块根据动作前提和动作结果的词组受关注程度和每个条目(动作前提条件知识、动作结果知识)受关注的完整程度，评估行为可能被触发的程度的方法。
[0185]
本技术实施例中，在行为的前提条件知识或动作效果(结果知识)中，为了聚焦对话主题而选择引发最小数目的行为的知识作为候选知识的方法。
[0186]
本技术实施例中，将知识图谱的静态知识与动作图谱构成的动态知识关联结合，基于多类型知识进行用户对话理解或对话引导的方法。
[0187]
与相关技术相比，本技术实施例具有以下技术优点：
[0188]
1)与基于先验概率的贝叶斯方法相比，本提案通过用户问答中知识(词组)的出现频率来近似建模用户对该知识的关注概率。优点为：不需要系统提供大量的先验概率。
[0189]
2)本技术实施例中的对话理解的方法，是基于词组匹配和同义词扩展将用户对话与知识库(动作图谱和知识图谱)中的知识匹配，优点为：不需要系统进行词组和语句(历史问答文本)的向量表示的训练；匹配结果精确，避免了基于词向量方法进行词匹配而出现的不精确情况。
[0190]
3)本技术实施例的行为预测方法能够基于当前的用户对话对用户意图转移进行预测与分析，相比于使用深度学习预测用户意图转移的方法，本技术实施例的优点为：不需要大规模训练数据，意图转移的预测过程具有可给予直观解释。
[0191]
基于前述的实施例，本技术实施例提供一种文本对话引导装置，该装置包括所包括的各单元、以及各单元所包括的各模块，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(cpu)、微处理器(mpu)、数字信号处理器(dsp)或现场可编程门阵列(fpga)等。
[0192]
图5为本技术实施例文本对话引导装置的组成结构示意图，如图5所示，所述装置500包括第一确定单元501、第二确定单元502、第三确定单元503和生成单元504，其中：
[0193]
第一确定单元501，用于根据交互的历史问答文本确定目标动作模型；第二确定单元502，用于在所述目标动作模型中，将关注度满足第一条件的词组所属知识确定为候选知识，并确定每一所述候选知识的发散度；第三确定单元503，用于将发散度满足第二条件的候选知识确定为目标知识；生成单元504，用于基于所述目标知识和所述历史问答文本对应的目标知识图谱，生成发问文本；其中，所述知识的发散度为对应知识中动作词组在其他动作模型的知识中出现的次数。
[0194]
在一些实施例中，第一确定单元501包括第一确定子单元，所述第一确定子单元用于：获取从交互的历史问答文本中确定出的待引导的目标词集；确定所述历史问答文本对应的目标动作图谱，其中所述目标动作图谱中包括至少一个动作模型；根据所述目标词集，从所述目标动作图谱中确定目标动作模型。
[0195]
在一些实施例中，第一确定子单元包括获取电路，所述获取电路用于:对所述历史问答文本进行文本分词，得到候选词集，其中所述候选词集包括至少一个词组；对所述候选词集中每一词组进行词性标注，得到候选词对集，其中所述候选词对集包括至少一个词组对；根据每一所述词组的词性，从所述候选词对集中筛选出具有候选词性的候选词组对，得到候选词对子集；根据所述候选词性，对所述候选词对子集进行同义词分析，得到候选更新词对子集；对所述候选更新词对子集中每一所述词组进行实例化标记，得到所述目标词集。
[0196]
在一些实施例中，第一确定子单元还包括第一确定电路，所述第一确定电路用于：根据所述目标词集，确定所述目标动作图谱中每一所述动作模型中每一词组的关注度；根据每一所述词组的关注度，确定对应词组所属动作模型的触发度；将触发度满足第三条件的动作模型确定为目标动作模型。
[0197]
在一些实施例中，第一确定电路包括第一确定子电路，所述第一确定子电路用于根据每一所述词组的关注度，确定对应词组所属知识的完整度；根据每一所述知识的完整度，确定对应知识所属动作模型的初始触发度；对每一所述动作模型的初始触发度进行排序，得到排序结果；根据所述排序结果和每一所述动作模型的初始触发度，确定每一所述动作模型的最终触发度；将每一所述动作模型的最终触发度确定为对应动作模型的触发度。
[0198]
在一些实施例中，所述词组的关注度为对应词组在所述目标词集中出现的次数；所述知识的发散度为对应知识中动作词组在其他动作模型的知识中出现的次数；所述其他动作模型为所述目标动作图谱中除所述目标动作模型之外的动作模型。
[0199]
在一些实施例中，生成单元504包括生成子单元，所述生成子单元用于：确定所述目标知识中词性满足第四条件的目标词组；在所述目标知识图谱中，确定所述目标词组的目标词性对应的目标文本生成规则；根据所述目标文本生成规则和所述目标知识中每一所述词组，生成发问文本。
[0200]
在一些实施例中，所述动作模型包括动作名和至少三个知识，每一所述知识包括
至少一个词组；所述知识为参数表知识、前提条件知识、结果知识中的任意一种；所述参数表知识中包括与所述动作模型的参数和参数类型相关的词组；所述前提条件知识中包括与所述动作模型的前提条件相关的词组；所述结果知识中包括与所述动作模型的结果相关的词组。
[0201]
以上装置实施例的描述，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。对于本技术装置实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
[0202]
需要说明的是，本技术实施例中，如果以软件功能模块的形式实现上述的文本对话引导方法，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，本技术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计算机设备(可以是手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、视频电话、电视机、传感设备等)执行本技术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：u盘、移动硬盘、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。这样，本技术实施例不限制于任何特定的硬件和软件结合。
[0203]
对应地，本技术实施例提供一种计算机设备，图6为本技术实施例计算机设备的一种硬件实体示意图，如图6所示，该计算机设备600的硬件实体包括：包括存储器601和处理器602，所述存储器601存储有可在处理器602上运行的计算机程序，所述处理器602执行所述程序时实现上述实施例中提供的文本对话引导方法中的步骤。
[0204]
存储器601配置为存储由处理器602可执行的指令和应用，还可以缓存待处理器602以及计算机设备600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。
[0205]
对应地，本技术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实施例中提供的文本对话引导方法中的步骤。
[0206]
这里需要指出的是：以上存储介质和设备实施例的描述，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。对于本技术存储介质和设备实施例中未披露的技术细节，请参照本技术方法实施例的描述而理解。
[0207]
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技术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，在本技术的各种实施例中，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，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0208]
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。
[0209]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，设备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。
[0210]
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。另外，在本技术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。
[0211]
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：移动存储设备、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。或者，本技术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，本技术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计算机设备(可以是手机、平板电脑、台式机、个人数字助理、导航仪、数字电话、视频电话、电视机、传感设备等)执行本技术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：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0212]
本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0213]
以上所述，仅为本技术的实施方式，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以所述权利要求的保护范围为准。