一种基于模型融合的文章分类方法及装置与流程

1.本技术涉及互联网技术领域，特别涉及一种基于模型融合的文章分类方法及装置、计算设备和计算机可读存储介质。


背景技术：

2.随着互联网的发展，越来越多的文章被发布在网络上，为了便于用户有目的性的阅读，需要为文章进行分类。
3.现有的文章分类方法通常只对文章的文字内容进行识别分类，通过对文章中的文本信息进行识别分析，划分所述文章的类别，但有时文章中记载的文字内容较少，配有大量的图片，此时仅根据文字内容无法准确判断文章所述类别，对文章分类的准确率不高且分类效率较低。
4.因此如何提高文章分类的效率和准确率就成为技术人员亟待解决的问题。


技术实现要素：

5.有鉴于此，本技术实施例提供了一种基于模型融合的文章分类方法及装置、计算设备和计算机可读存储介质，以解决现有技术中存在的技术缺陷。
6.根据本技术实施例的第一方面，提供了一种基于模型融合的文章分类方法，包括：
7.获取待分类文章，其中，所述待分类文章包括文本信息和图片信息；
8.将所述文本信息输入至预先训练好的文本分类模型获得所述文本分类模型输出的文本分类信息，将所述图片信息输入至预先训练好的图片分类模型获得所述图片分类模型输出的图片分类信息；
9.根据所述文本分类信息和所述图片分类信息确定所述待分类文章的类别。
10.可选的，所述文本分类模型通过下述训练步骤获得，所述步骤包括：
11.获取文本训练数据和所述文本训练数据对应的文本标签；
12.将所述文本训练数据输入至文本分类模型，获得所述文本分类模型输出的文本类别信息；
13.根据所述文本类别信息和所述文本标签计算文本损失值；
14.根据所述文本损失值调整所述文本分类模型的参数以训练所述文本分类模型。
15.可选的，所述图片分类模型通过下述训练步骤获得，所述训练步骤包括：
16.获取图片训练数据和所述图片训练数据对应的图片标签；
17.将所述图片训练数据输入至图片分类模型，获得所述图片分类模型输出的图片类别信息；
18.根据所述图片类别信息和所述图片标签计算图片损失值；
19.根据所述图片损失值调整所述图片分类模型的参数以训练所述图片分类模型。
20.可选的，所述文本分类信息包括所述待分类文章对应的第一文章类别和第一文章类别概率，所述图片分类信息包括所述待分类文章对应的第二文章类别和第二文章类别概
率；
21.根据所述文本分类信息和所述图片分类信息确定所述待分类文章的类别，包括：
22.将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率通过预设的分类算法确定所述待分类文章的类别；或者
23.将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率输入至预先训练好的文章分类模型，获取所述文章分类模型输出的文章类别。
24.可选的，将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率通过预设的分类算法确定所述待分类文章的类别，包括：
25.确定所述文本分类模型和所述图片分类模型的权值；
26.通过对所述权值对所述第一文章类别、所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率进行加权求平均的方法确定所述待分类文章的类别。
27.可选的，所述文章分类模型通过下述训练步骤获得，所述训练步骤包括：
28.获取样本数据和所述样本数据对应的样本标签，其中，所述样本数据包括文本样本数据和图片样本数据；
29.将所述文本样本数据和所述图片样本数据输入至文章分类模型，获取所述文章分类模型输出的文章类别；
30.根据所述文章类别和所述样本标签计算损失值；
31.根据所述损失值调整所述文章分类模型的参数以训练所述文章分类模型。
32.根据本技术实施例的第二方面，提供了一种基于模型融合的文章分类装置，包括：
33.获取模块，被配置为获取待分类文章，其中，所述待分类文章包括文本信息和图片信息；
34.输入模块，被配置为将所述文本信息输入至预先训练好的文本分类模型获得所述文本分类模型输出的文本分类信息，将所述图片信息输入至预先训练好的图片分类模型获得所述图片分类模型输出的图片分类信息；
35.确定模块，被配置为根据所述文本分类信息和所述图片分类信息确定所述待分类文章的类别。
36.可选的，所述输入模块中的文本分类模型通过下述训练步骤获得，所述步骤包括：
37.获取文本训练数据和所述文本训练数据对应的文本标签；
38.将所述文本训练数据输入至文本分类模型，获得所述文本分类模型输出的文本类别信息；
39.根据所述文本类别信息和所述文本标签计算文本损失值；
40.根据所述文本损失值调整所述文本分类模型的参数以训练所述文本分类模型。
41.可选的，所述输入模块中的图片分类模型通过下述训练步骤获得，所述训练步骤包括：
42.获取图片训练数据和所述图片训练数据对应的图片标签；
43.将所述图片训练数据输入至图片分类模型，获得所述图片分类模型输出的图片类别信息；
44.根据所述图片类别信息和所述图片标签计算图片损失值；
45.根据所述图片损失值调整所述图片分类模型的参数以训练所述图片分类模型。
46.可选的，所述文本分类信息包括所述待分类文章对应的第一文章类别和第一文章类别概率，所述图片分类信息包括所述待分类文章对应的第二文章类别和第二文章类别概率；
47.所述确定模块，进一步被配置为将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率通过预设的分类算法确定所述待分类文章的类别；或者将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率输入至预先训练好的文章分类模型，获取所述文章分类模型输出的文章类别。
48.可选的，所述确定模块，进一步被配置为确定所述文本分类模型和所述图片分类模型的权值；通过对所述权值对所述第一文章类别、所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率进行加权求平均的方法确定所述待分类文章的类别。
49.可选的，所述确定模块中的文章分类模型通过下述训练步骤获得，所述训练步骤包括：获取样本数据和所述样本数据对应的样本标签，其中，所述样本数据包括文本样本数据和图片样本数据；将所述文本样本数据和所述图片样本数据输入至文章分类模型，获取所述文章分类模型输出的文章类别；根据所述文章类别和所述样本标签计算损失值；根据所述损失值调整所述文章分类模型的参数以训练所述文章分类模型。
50.根据本技术实施例的第三方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现所述基于模型融合的文章分类方法的步骤。
51.根据本技术实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现所述基于模型融合的文章分类方法的步骤。
52.根据本技术实施例的第五方面，提供了一种芯片，其存储有计算机指令，该指令被芯片执行时实现所述基于模型融合的文章分类方法的步骤。
53.本技术实施例中，将文章中的文本信息经过文本分类模型处理获得所述文章对应的类别和概率，将文章中的图片信息经过图片分类模型处理获得所述文章对应的类别和概率，获得一篇文章从文本信息的视角和图片信息的视角的文章分类概率，再将两个模型的类别和概率融合获得所述文章最终的类别，即利用了文章中的文本信息，又利用了文章中的图片信息，同时参考多个维度的信息，可以有效提高文章分类的准确率。
附图说明
54.图1是本技术实施例提供的计算设备的结构框图；
55.图2是本技术实施例提供的基于模型融合的文章分类方法的流程图；
56.图3是本技术实施例提供的待分类文章中的图片信息；
57.图4本技术实施例提供的文本分类模型的训练方法流程图；
58.图5本技术实施例提供的图片分类模型的训练方法流程图；
59.图6是本技术另一实施例提供的基于模型融合的文章分类方法的流程图；
60.图7是本技术另一实施例提供的待分类文章中的图片信息示意图；
61.图8是本技术实施例提供的stacking方法的整体结构示意图；
62.图9是本技术实施例提供的基于模型融合的文章分类装置的结构示意图。
具体实施方式
63.在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施的限制。
64.在本技术一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术一个或多个实施例。在本技术一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本技术一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
65.应当理解，尽管在本技术一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“响应于确定”。
66.首先，对本发明一个或多个实施例涉及的名词术语进行解释。
67.待分类文章：需要被分类的文章。
68.文本信息：待分类文章中的文字内容。
69.图片信息：待分类文章中的图片内容。
70.文本分类模型：一种处理文本的神经网络模型，目的是根据输入的文本信息可以获取所述文本信息对应的文本分类信息。
71.图片分类模型：一种处理图片的神经网络模型，目的是根据输入的图片信息获取所述图片信息对应的图片分类信息。
72.第一文章类别：文本分类模型输出的文本信息对应的文章类别，如文本分类模型输出的第一文章类别为人事任免、高层动态等。
73.第一文章类别概率：第一文章类别对应的概率，如人事任免-60％、高层动态-20％。
74.第二文章类别图片分类模型输出的图片信息对应的文章类别，如图片分类模型输出的第二文章类别为足球、羽毛球、篮球、乒乓球等。
75.第二文章类别概率：第二文章类别对应的概率，如足球-80％、羽毛球-10％、篮球-5％、乒乓球-5％。
76.文本分类信息：文本分类模型输出的模型结果，包括第一文章类别和第一文章类别概率。
77.图片分类信息：图片分类模型输出的模型结果，包括第二文章类别和第二文章类别概率。
78.在本技术中，提供了一种基于模型融合的文章分类方法及装置、计算设备和计算机可读存储介质，在下面的实施例中逐一进行详细说明。
79.图1示出了根据本技术一实施例的计算设备100的结构框图。该计算设备 100的部件包括但不限于存储器110和处理器120。处理器120与存储器110 通过总线130相连接，数据库150用于保存数据。
80.计算设备100还包括接入设备140，接入设备140使得计算设备100能够经由一个或多个网络160通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备140可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan) 无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线 (usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。
81.在本技术的一个实施例中，计算设备100的上述部件以及图1中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图1所示的计算设备结构框图仅仅是出于示例的目的，而不是对本技术范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
82.计算设备100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc 的静止计算设备。计算设备100还可以是移动式或静止式的服务器。
83.其中，处理器120可以执行图2所示基于模型融合的文章分类方法中的步骤。图2示出了根据本技术一实施例的基于模型融合的文章分类方法的流程图，包括步骤202至步骤206。
84.步骤202：获取待分类文章，其中，所述待分类文章包括文本信息和图片信息。
85.待分类文章为需要被分类的文章，待分类文章可以为发布到互联网、公众号等媒体传播的文章，待分类文章中包括文本信息和图片信息。
86.在本技术提供的一具体实施方式中，从互联网的新闻中获取待分类文章，待分类文章中包括的文本信息为“近日，有网友在社交媒体上发布了一张a战斗机的图片。虽然这架飞机与之前的所谓b并没有什么区别，但也让不少不明真相的网友和自媒体看图之后惊呼：a官宣了。”；待分类文章中的图片信息参见图3，图3示出了本技术一实施例提供的待分类文章中的图片信息。
87.步骤204：将所述文本信息输入至预先训练好的文本分类模型获得所述文本分类模型输出的文本分类信息，将所述图片信息输入至预先训练好的图片分类模型获得所述图片分类模型输出的图片分类信息。
88.文本分类模型为经过预先训练的根据输入的文本信息获得所述文本信息对应的文本分类信息的神经网络模型，文本分类模型可以为chinese-bert模型、 transformer模型、双向长短期记忆网络模型等，在本技术中不对文本分类模型的做限制。
89.可选的，参见图4，图4示出了本技术中文本分类模型的训练方法流程图，文本分类模型的训练方法包括步骤402至步骤408。
90.步骤402：获取文本训练数据和所述文本训练数据对应的文本标签。
91.在本技术提供一实施例中，获取文本训练数据t和所述文本训练数据t 对应的文本标签b。
92.步骤404：将所述文本训练数据输入至文本分类模型，获得所述文本分类模型输出的文本类别信息。
10％，教育-10％”。
112.步骤206：根据所述文本分类信息和所述图片分类信息确定所述待分类文章的类别。
113.所述文本分类信息包括所述待分类文章对应的第一文章类别和第一文章类别概率，所述图片分类信息包括所述待分类文章对应的第二文章类别和第二文章类别概率。
114.在本技术提供的实施例中，文本分类信息为“军事-70％，民航-15％，科技
ꢀ-
10％，教育-5％”，其中，军事、民航、科技、教育为所述分类文章对应的第一文章类别，每个第一文章类别对应的概率即第一文章类别概率。
115.图片分类信息为“军事-55％，民航-25％，科技-10％，教育-10％”，其中军事、民航、科技、教育为所述分类文章对应的第二文章类别，每个第二文章类别对应的概率为第二文章类别概率。
116.可选的，根据所述文本分类信息和所述图片分类信息确定所述待分类文章的类别，包括：将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率通过预设的分类算法确定所述待分类文章的类别。
117.具体的，在实际应用中，可以根据文本分类模型和图片分类模型各自的权重值，对第一文章类别和第一文章类别概率、第二文章类别和第二文章类别概率进行加权求平均的方法确定所述待分类文章的类别。
118.在本技术提供的实施例中，沿用上例，获取文本分类模型的权重为0.6，图片分类模型的权重为0.4，根据加权求平均的方法，确定军事类别的概率为 70％*0.6 55％*0.4＝64％，依次类推，民航类别的概率为19％，科技类别的概率为10％，教育类别的概率为7％，从而确定文章的类别为概率最高的“军事”。
119.本技术提供的基于模型融合的文章分类方法，将文章中的文本信息经过文本分类模型处理获得所述文章对应的类别和概率，将文章中的图片信息经过图片分类模型处理获得所述文章对应的类别和概率，再将两个模型的类别和概率融合获得所述文章最终的类别，即利用了文章中的文本信息，又利用了文章中的图片信息，可以有效提高文章分类的准确率。
120.图6示出了本技术一实施例的基于模型融合的文章分类方法，该基于模型融合的文章分类方法以对政务文章进行分类为例进行描述，在政务领域的文章中，文章的配图都是精挑细选的，通常通过图片就能在一定程度上判断文章的类别，即图片可以给文章的分类提供准确的帮助，所述方法包括步骤602至步骤606。
121.步骤602：获取待分类文章，其中，所述待分类文章包括文本信息和图片信息。
122.在本技术提供的实施例中，待分类文章的文本信息为“****年**月*日，b 市第*届m会议选取l为b市领导，l同志简历如下：******。”待分类文章的图片信息参见图7，图7示出了本技术实施例提供的图片信息的示意图，图 7为l同志的证件照的示意图。
123.步骤604：将所述文本信息输入至预先训练好的文本分类模型获得所述文本分类模型输出的第一文章类别和第一文章类别概率，将所述图片信息输入至预先训练好的图片分类模型获得所述图片分类模型输出的第二文章类别和第二文章类别概率。
124.在本技术提供的实施例中，将文本信息“****年**月*日，b市第*届m会议选取l为b市领导，l同志简历如下：******。”输入至预先训练好的文本分类模型进行处理，文本分类
模型对所述文本信息进行识别分析，获取并输出文本信息对应的第一文章类别和第一文章类别概率为“人事任免-60％，会议速报-20％，时事解读-10％，高层动态-10％”。
125.将图7的图片信息输入至预先训练好的图片分类模型进行处理，图片分类模型对输入的图片信息进行分析识别，获取并输出所述图片信息对应的第二文章类别和第二文章类别概率为“人事任免-50％，会议速报-25％，时事解读-10％，高层动态-15％”。
126.步骤606：将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率输入至预先训练好的文章分类模型，获取所述文章分类模型输出的文章类别。
127.文章分类模型采用多模型stacking融合策略对文章分类模型的预测结果和图片分类模型的预测结果进行模型融合，通过融合多个不同的模型，可以提升机器学习的性能。
128.stacking模型的本质是一种分层的结构，用了大量的基分类器，将其预测的结果作为下一层输入的特征，这样的结构使得它比相互独立训练模型能获得更多的特征，参见图8，图8示出了本技术实施例提供的stacking方法的整体结构示意图；在stacking方法中，将训练集分为5份，对每一个基模型来说，将4份训练集用来训练，将未使用的训练集进行预测，然后改变所选的用来训练的训练集合用来验证的训练集进行训练，直到获得完整的训练集的预测结果。
129.对于每个基模型，分别进行上述操作，获得对应的训练好的模型，以及每个模型通过交叉验证获得的训练集预测结果p。将每个模型分别对测试集进行预测，得到每个模型的预测结果t，再将每个p和t作为训练集和测试集对 stacking模型进行训练。
130.在本技术提供的实施例中，将第一文章类别和第一文章类别概率、第二文章类别和第二文章类别概率输入至预先训练好的文章分类模型中进行处理，文章分类模型采用多模型stacking融合策略根据文本分类模型预测的第一文章类别和第一文章类别概率、图片分类模型预测的第二文章类别和第二文章类别概率对所述待分类文章进行预测，获得最终的预测结果为“人事任免”。
131.本技术实施例提供的基于模型融合的文章分类方法，应用于政务文章领域，在政务领域的文章中，文章的配图都是精挑细选的，通常通过图片就能在一定程度上判断文章的类别，基于此，将政务文章中的文本信息经过文本分类模型处理获得所述政务文章对应的类别和概率，将政务文章中的图片信息经过图片分类模型处理获得所述政务文章对应的类别和概率，获得一篇政务文章从文本信息的视角和图片信息的视角的政务文章分类概率，再将两个模型的类别和概率融合获得所述政务文章最终的类别，即利用了政务文章中的文本信息，又利用了政务文章中的图片信息，同时参考多个维度的信息，可以有效提高政务文章分类的准确率。
132.与上述方法实施例相对应，本技术还提供了基于模型融合的文章分类装置实施例，图9示出了本技术一个实施例的基于模型融合的文章分类装置的结构示意图。如图9所示，该装置包括：
133.获取模块902，被配置为获取待分类文章，其中，所述待分类文章包括文本信息和图片信息；
134.输入模块904，被配置为将所述文本信息输入至预先训练好的文本分类模型获得所述文本分类模型输出的文本分类信息，将所述图片信息输入至预先训练好的图片分类模
型获得所述图片分类模型输出的图片分类信息；
135.确定模块906，被配置为根据所述文本分类信息和所述图片分类信息确定所述待分类文章的类别。
136.可选的，所述输入模块中的文本分类模型通过下述训练步骤获得，所述步骤包括：
137.获取文本训练数据和所述文本训练数据对应的文本标签；
138.将所述文本训练数据输入至文本分类模型，获得所述文本分类模型输出的文本类别信息；
139.根据所述文本类别信息和所述文本标签计算文本损失值；
140.根据所述文本损失值调整所述文本分类模型的参数以训练所述文本分类模型。
141.可选的，所述输入模块中的图片分类模型通过下述训练步骤获得，所述训练步骤包括：
142.获取图片训练数据和所述图片训练数据对应的图片标签；
143.将所述图片训练数据输入至图片分类模型，获得所述图片分类模型输出的图片类别信息；
144.根据所述图片类别信息和所述图片标签计算图片损失值；
145.根据所述图片损失值调整所述图片分类模型的参数以训练所述图片分类模型。
146.可选的，所述文本分类信息包括所述待分类文章对应的第一文章类别和第一文章类别概率，所述图片分类信息包括所述待分类文章对应的第二文章类别和第二文章类别概率；
147.所述确定模块906，进一步被配置为将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率通过预设的分类算法确定所述待分类文章的类别；或者将所述第一文章类别和所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率输入至预先训练好的文章分类模型，获取所述文章分类模型输出的文章类别。
148.可选的，所述确定模块906，进一步被配置为确定所述文本分类模型和所述图片分类模型的权值；通过对所述权值对所述第一文章类别、所述第一文章类别概率、所述第二文章类别和所述第二文章类别概率进行加权求平均的方法确定所述待分类文章的类别。
149.可选的，所述确定模块中的文章分类模型通过下述训练步骤获得，所述训练步骤包括：获取样本数据和所述样本数据对应的样本标签，其中，所述样本数据包括文本样本数据和图片样本数据；将所述文本样本数据和所述图片样本数据输入至文章分类模型，获取所述文章分类模型输出的文章类别；根据所述文章类别和所述样本标签计算损失值；根据所述损失值调整所述文章分类模型的参数以训练所述文章分类模型。
150.本技术提供的基于模型融合的文章分类装置，将文章中的文本信息经过文本分类模型处理获得所述文章对应的类别和概率，将文章中的图片信息经过图片分类模型处理获得所述文章对应的类别和概率，获得一篇文章从文本信息的视角和图片信息的视角的文章分类概率，再将两个模型的类别和概率融合获得所述文章最终的类别，即利用了文章中的文本信息，又利用了文章中的图片信息，同时参考多个维度的信息，可以有效提高文章分类的准确率。
151.本技术一实施例中还提供一种计算设备，包括存储器、处理器及存储在存储器上
并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现所述的基于模型融合的文章分类方法的步骤。
152.本技术一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如前所述基于模型融合的文章分类方法的步骤。
153.上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的基于模型融合的文章分类方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述基于模型融合的文章分类方法的技术方案的描述。
154.本技术实施例公开了一种芯片，其存储有计算机指令，该指令被处理器执行时实现如前所述基于模型融合的文章分类方法的步骤。
155.上述对本技术特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
156.所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
157.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本技术所必须的。
158.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
159.以上公开的本技术优选实施例只是用于帮助阐述本技术。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本技术的内容，可作很多的修改和变化。本技术选取并具体描述这些实施例，是为了更好地解释本技术的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本技术。本技术仅受权利要求书及其全部范围和等效物的限制。