从文本集中提取主题标签的方法、电子设备与流程

1.本技术涉及自然语言处理技术领域，特别涉及一种从文本集中提取主题标签的方法、电子设备。


背景技术：

2.主题是文本的中心思想，它概括和反应了文本内容的主体和核心。而主题标签是能通过少量的词语简明扼要地概括出文本的主要内容。在信息过载和数据快速增长的时代，企业会积累海量文本资源，在文本量大并且来源渠道广泛的情况下，数据集包含不同领域与种类的内容，实际面临从多个角度获取文本的主题以及理解这些文本之间的相对关系的问题。
3.对于大量文本的主题标签提取，可以直接使用主题模型的方式，如常见的潜在狄利克雷分配(latent dirichlet allocation，lda)、概率潜在语义分析(probabilistic latent semantic analysis,plas)等。但是存在当数据集中有短文本时学习效果不佳的问题，以及本身作为词袋模型，无法感知语序，语法，语义等高级特征，扩展性有限，无法引入较新的神经网络技术。
4.因数据集可能包含不同方向的文本内容，在没有事先了解的情况下无法知道不同文本是否在描述相似或不同的内容，首先应该采取的方式是使用分类或聚类算法将内容归类。分类算法作为有监督学习需要提前设置标签，也就是提取出来的主题词，方法属于本末倒置。采用聚类可以将文本预处理后进行向量化表示。算法将文本分为多个簇后再针对每一个簇单独进行进一步分析，进一步提取其中的主题词。但是该方法的切割主题需要根据向量表示的结果而定，很难针对性的进行操作。传统的k均值聚类算法等还需要实现确定聚类的簇数，在不确定数据集中分割数量的情况下难以确定。


技术实现要素：

5.本技术实施例提供了从文本集中提取主题标签的方法，降低了主题标签提取的难度。
6.本技术实施例还提供了一种从文本集中提取主题标签的方法，包括：
7.将文本集中的每个文本转换为文本向量；
8.将每个文本向量作为最底层的簇，执行自底向上的层级聚类，并确定每一层簇的主题标签；
9.针对任一词语，根据主题标签中包含所述词汇的簇，获得所述词语对应的簇集合；所述簇集合包括至少一个簇，每个簇包含至少一个文本；
10.根据不同词语对应的簇集合以及待提取的关键词，找出所述关键词映射的目标簇集合；
11.根据所述目标簇集合中每个簇对应的主题标签，得到从所述文本集中提取的与所述关键词相关的主题标签。
12.在一实施例中，所述将文本集中的每个文本转换为文本向量，包括：
13.将所述文本集中的每个文本进行分词处理；
14.根据每个文本包含的词语，通过已训练的编码器，将每个文本转换为文本向量。
15.在一实施例中，所述确定每一层簇的主题标签，包括：
16.针对每个簇，根据所述簇中每个词语的词频值，计算得到每个词语的重要程度值；
17.根据所述簇中每个词语的重要程度值，选取所述重要程度值最大的预设数量个词语，作为所述簇对应的主题标签。
18.在一实施例中，所述根据所述簇中每个词语的词频值，计算得到每个词语的重要程度值，包括：
19.针对所述簇中的每个词语，根据所述词语在所述文本集中的逆向文件频率值，以及在所述簇中的词频值，计算得到所述词语的重要程度值。
20.在一实施例中，所述根据所述词语在所述文本集中的逆向文件频率值，以及在所述簇中的词频值，计算得到所述词语的重要程度值，包括：
21.将所述词语在所述文本集中的逆向文件频率值和在所述簇中的词频值进行相乘，得到词频-逆文件频率值；
22.将所述词频-逆文件频率值作为所述词语的重要程度值。
23.在一实施例中，所述主题标签包括多个主题词，所述针对任一词语，根据主题标签中包含所述词汇的簇，获得所述词语对应的簇集合，包括：
24.针对每个主题词，将主题标签中包含所述主题词的簇，划分至同一个簇集合；
25.若任意两个子簇合并为一个新簇，且两个子簇的主题标签相同，根据所述主题标签包含的主题词，从所述主题词对应的簇集合中删除所述两个子簇。
26.在一实施例中，在所述获得所述词语对应的簇集合之后，所述方法还包括：
27.根据所述簇集合中每个簇包含的文本个数，按照降序对所述簇集合中的簇进行排序。
28.在一实施例中，所述根据所述目标簇集合中每个簇对应的主题标签，得到从所述文本集中提取的与所述关键词相关的主题标签，包括：
29.根据所述目标簇集合中每个簇的排序先后，将排序最靠前的簇的主题标签，作为从所述文本集中提取的与所述关键词相关的主题标签。
30.在一实施例中，在找出所述关键词映射的目标簇集合之后，所述方法还包括：
31.根据所述目标簇集合中每个簇包含的文本，得到从所述文本集中提取的与所述关键词相关的文本内容。
32.本技术实施例还提供了一种电子设备，所述电子设备包括：
33.处理器；
34.用于存储处理器可执行指令的存储器；
35.其中，所述处理器被配置为执行上述从文本集中提取主题标签的方法。
36.本技术上述实施例提供的技术方案，将文本集中的每个文本转换成文本向量，采用层级聚类的方式，并确定每一层的簇的主题标签，针对每个词语，根据主题标签中包含该词汇的簇，构建了每个词语对应的簇集合，进而可以找出关键词映射的目标簇集合，根据目标簇集合中每个簇对应的主题标签，得到与关键词相关的主题标签。因长短文本均表示为
固定长度的语义向量，故短文本、长文本均可进行聚类方式处理和挖掘，没有传统主题模型面对短文本而存在的问题。采用自底向上的聚类方式，无需设定聚类的簇数，主题标签的计算方便，关键词映射的目标簇集合查找方便，可以得到多层级簇(即不同粒度)的主题标签，计算更加简便，适用范围更广。
附图说明
37.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍。
38.图1为本技术一实施例提供的电子设备的结构示意图；
39.图2是本技术实施例提供的一种从文本集中提取主题标签的方法的流程示意图；
40.图3是本技术实施例提供的层级聚类的原理示意图；
41.图4是图2对应实施例中步骤s220的细节流程图；
42.图5是本技术实施例提供的一种从文本集中提取主题标签的装置的框图。
具体实施方式
43.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
44.相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
45.图1是本技术实施例提供的电子设备的结构示意图。该电子设备100可以用于执行本技术实施例提供的从文本集中提取主题标签的方法。如图1所示，该电子设备100包括：一个或多个处理器102、一个或多个存储处理器可执行指令的存储器104。其中，所述处理器102被配置为执行本技术下述实施例提供的从文本集中提取主题标签的方法。
46.所述处理器102可以是网关，也可以为智能终端，或者是包含中央处理单元(cpu)、图像处理单元(gpu)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元的设备，可以对所述电子设备100中的其它组件的数据进行处理，还可以控制所述电子设备100中的其它组件以执行期望的功能。
47.所述存储器104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的从文本集中提取主题标签的方法。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
48.在一实施例中，图1示电子设备100还可以包括输入装置106、输出装置108以及数据采集装置110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备100也可以具有其他组件和结构。
49.所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦
克风和触摸屏等中的一个或多个。所述输出装置108可以向外部(例如，用户)输出各种信息(例如，图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。所述数据采集装置110可以采集对象的图像，并且将所采集的图像存储在所述存储器104中以供其它组件使用。示例性地，该数据采集装置110可以为摄像头。
50.在一实施例中，用于实现本技术实施例的从文本集中提取主题标签的方法的示例电子设备100中的各器件可以集成设置，也可以分散设置，诸如将处理器102、存储器104、输入装置106和输出装置108集成设置于一体，而将数据采集装置110分离设置。
51.在一实施例中，用于实现本技术实施例的从文本集中提取主题标签的方法的示例电子设备100可以被实现为诸如智能手机、平板电脑、台式电脑、服务器等智能终端。
52.图2是本技术实施例提供的一种从文本集中提取主题标签的方法的流程示意图。如图2所示，该方法包括以下步骤s210-步骤s250。
53.步骤s210：将文本集中的每个文本转换为文本向量。
54.从文本集中提取主题标签，以实际应用举例来说，可以是对某电脑配件店电商评价进行主题标签的提取，从而确定用户针对不同产品，以及销售沟通的评价，进一步提高自身服务质量。
55.文本集是指大量文本的集合。举例来说，一个文本可以是一条评价。假设上述电脑配件店出售不同品牌的cpu、主板、显卡、内存等配件，其中分为好评和差评，一共有10万条评价，则文本集可以是这10万条评价。
56.文本向量用于表征每个文本的文本特征，一个文本可以得到对应的文本向量。具体的，可以选择一种能将文本编码为固定长度向量的算法，例如基于词袋的doc2vec，或是基于深度学习的rnn(循环神经网络)、attention(注意力)模型等，从而将文本转换为文本向量。
57.在一实施例中，可以先将文本集中的每个文本进行分词处理，之后根据每个文本包含的词语，通过已训练的编码器，将每个文本转换为文本向量。
58.分词可以采用现有的分词器对文本进行分词处理。编码器可以是基于词袋的doc2vec，或是基于深度学习的rnn(循环神经网络)、attention(注意力)等算法训练得到的。训练数据集可以基于通用或者行业预训练的词向量，数据集带有标签时使用标签，无标签可以通过对比学习或者自编码器算法。将数据集中所有文本进行编号，使用编码器将每个文本单独表示成一个向量，可以得到所有文本向量的集合，假设文本集有n篇文本，则文本向量可以由n个。
59.步骤s220：将每个文本向量作为最底层的簇，执行自底向上的层级聚类，并确定每一层簇的主题标签。
60.层级聚类也可以称为层次聚类，每个文本向量看做最底层的一个独立的簇，如图3所示，1,2,3,4,5可以分别代表一个文本的文本向量，分别是一个独立的簇。计算两两类簇之间的距离，找出距离最小的两个簇，例如1和2，4和5，簇1和簇2合并为一个新簇6，簇4和簇5合并为一个新簇7，这样得到三个簇3、6、7，可以继续进行合并，直到达到距离阈值的条件或者达到设定的分类数。
61.在层级聚类过程中，可以不断保存每个簇包含的文本编号，最终得到一个树状的聚类结构t，类似图3所示，根节点9包含所有的文本。在层级聚类开始时以及每次合并簇的
时候，可以确定每一层簇的主题标签。以图3为例，簇1、簇2、簇3、簇4和簇5分别代表文本a、文本b、文本c、文本d、文本e的文本向量，故簇1的主题标签也就是文本1的主题标签，簇2的主题标签也就是文本2的主题标签以此类推。簇6是簇1和簇2的合并，簇6包含文本1和文本2，故簇6的主题标签是文本1和文本2共同的主题标签。簇7包含文本4和文本5，故簇7的主题标签是文本4和文本5共同的主题标签，以此类推。主题标签由k个主题词构成，k为超参数，可以根据想要提取的主题词的数量进行调节，一般为5-10。例如主题标签可以是[cpu，主板，内存，客服，优秀]。
[0062]
需要说明的是，在聚类结构t中，每个节点是文本集合的簇，附带k个主题词，这几个主题词在这里实际上就描述了数篇文本的主题核心，可以用来描述这一个集合内文本所表达的内容。根节点的簇代表整个文本集，其中的主题词也就是所有文本代表性的主题词。故根据需要，在一实施例中，可以直接提取根节点的主题标签，作为整个文本集的主题标签。
[0063]
步骤s230：针对任一词语，根据主题标签中包含所述词汇的簇，获得所述词语对应的簇集合；所述簇集合包括至少一个簇，每个簇包含至少一个文本。
[0064]
针对每个词语可以构建一个对应的簇集合。该词语可以在主题标签中出现过的词汇。针对一个词语，如果某个簇的主题标签中包含该词语，则这个簇就会被加入这个词语对应的簇集合中。簇集合可以认为是若干簇的集合，这次簇的主题标签包含了同一个主题词。
[0065]
举例来说，假设一个簇c1具有主题标签[a,b,c,d，e]，一个簇c2具有主题标签[a,c,d，e，f]，一个簇c3具有主题标签[a,c,e，f、g]，一个簇c4具有主题标签[a,b,e，f、g]。针对词语a，主题标签包含词语a的有簇c1、c2、c3、c4，故可以构建簇集合(c1、c2、c3、c4)，针对词语b，可以构建簇集合(c1、c4)；针对词语c，可以构建簇集合(c1、c2、c3)；针对词语d，可以构建簇集合(c1、c2)，以此类推，针对每个词语，构建其对应的簇集合。
[0066]
步骤s240：根据不同词语对应的簇集合以及待提取的关键词，找出所述关键词映射的目标簇集合。
[0067]
关键词可以由用户输入或者其他设备发送的，用户希望了解的相关信息中关键词。当店主想要了解cpu相关评价时，关键词可以是“cpu”。计算机接收到待提取的关键词，根据不同词语对应的簇集合，可以找到关键词对应的簇集合。为进行区分，关键词对应的簇集合，可以称为目标簇集合。
[0068]
步骤s250：根据所述目标簇集合中每个簇对应的主题标签，得到从所述文本集中提取的与所述关键词相关的主题标签。
[0069]
假设目标簇集合c＝[c_1,c_2,...,c_n]。对于任意节点簇c_i均包括k个主题词，除开查询的关键词，还可以返回剩余k-1个主题词，剩余的k-1个主题词为对关键词的补充说明。故最终可以提取出n组与关键词相关的主题标签。
[0070]
由于在层级聚类阶段，可以保存每个簇包含的文本编号，故根据目标簇集合中每个簇包含的文本，还可以得到从文本集中提取的与所述关键词相关的文本内容。此文本内容可以包括目标簇集合中每个簇包含的文本。
[0071]
由于每个簇的主题标签描述了该簇的核心内容。当目标簇集合|c|＝0时，说明文本集中没有描述与关键词相关信息的文本。目标簇集合c不为0时，c中每一个簇可以获得对同一关键词不同粒度的描述。
[0072]
一般来说，聚类本身切割的主题由生成的句向量来决定，编码器算法一般保证相似的文本会有更近的距离，但不同主题之间的维度却难以操作。比如一数据集同时涵盖[中文阅读，中文写作，英文阅读，英文写作]四种内容，假设四类中包含的文本数量接近。当将数据集聚类为两类时，很难保证结果为[中文阅读 中文写作，英文阅读 英文写作]还是[中文阅读 英文阅读，中文写作 英文写作]。保留层级聚类的各层结果可以一定程度上解决该问题。比如聚类结果为[中文阅读 中文写作，英文阅读 英文写作]的情况希望将『阅读』作为主题关键词进行查询，仍然能在树结构相对深的位置查询到两个簇集合[中文阅读,英文阅读]，而中英文则作为辅助主题词对簇内文本进行补充说明。
[0073]
本技术上述实施例提供的技术方案，将文本集中的每个文本转换成文本向量，采用层级聚类的方式，并确定每一层的簇的主题标签，针对每个词语，根据主题标签中包含该词汇的簇，构建了每个词语对应的簇集合，进而可以找出关键词映射的目标簇集合，根据目标簇集合中每个簇对应的主题标签，得到与关键词相关的主题标签。因长短文本均表示为固定长度的语义向量，故短文本、长文本均可进行聚类方式处理和挖掘，没有传统主题模型面对短文本而存在的问题。采用自底向上的聚类方式，无需设定聚类的簇数，主题标签的计算方便，关键词映射的目标簇集合查找方便，可以得到多层级簇(即不同粒度)的主题标签，计算更加简便，适用范围更广。
[0074]
在一实施例中，在上述步骤230构建每个词语对应的簇集合之后，还可以根据簇集合中每个簇包含的文本个数，按照降序对簇集合中的簇进行排序。
[0075]
也就是说，对一个簇集合而言，可以将文本个数较多的簇排在前面，文本个数较少的簇排在后面。举例来说，假设有m个词语，可以得到m个簇集合[c_1,c_2,...,c_m]，c_i代表词语i对应的簇集合。对于任一簇集合c_i＝[c_i1,c_i2,...,c_il]，依据c_ij所包含的文本个数进行降序排序。即簇c_i1的文本个数最多，c_il的文本个数最少。
[0076]
在目标簇集合c中较为靠前的簇包含更加多的文本个数，故其主题标签带有更强的概括性语义，而靠后的簇会从更细致的角度对簇集合所包含的内容进行阐释。故在一实施例中，可以根据目标簇集合中每个簇的排序先后，将排序最靠前的簇的主题标签，作为从所述文本集中提取的与所述关键词相关的主题标签。排序最靠前的簇可以认为是目标簇集合中包含文本个数最多的簇。该簇的主题标签更具概括性，可以作为关键词相关的主题标签。根据需要，也可以选择靠后的簇的主题标签，从而根据需要从相应的粒度上获得关键词相关的主题标签。
[0077]
为了简化簇集合，上述步骤s230具体包括：针对每个主题词，将主题标签中包含所述主题词的簇，划分至同一个簇集合；若任意两个子簇合并为一个新簇，且两个子簇的主题标签相同，根据此主题标签包含的主题词，可以从该主题词对应的簇集合中删除这两个子簇。
[0078]
仍以图3举例来说，假设簇1和2合并为簇6，簇1和簇2可以称为子簇，簇6可以称为新簇。如果簇1和簇2提取出的主题标签完全相同，说明簇1和簇2分别都是描述完全相同的内容，而本来簇1和簇2会合并成一个更大的簇6，簇6的主题标签也会与簇1和簇2完全一样的，故只需保留簇6即可，可以删除簇1和簇2。
[0079]
在一实施例中，如图4所示，上述步骤s220确定每一层簇的主题标签，具体包括步骤s221-步骤s222。
[0080]
步骤s221：针对每个簇，根据所述簇中每个词语的词频值，计算得到每个词语的重要程度值。
[0081]
其中，词语的词频值是指该词语在该簇包含的文本中出现的频率，即该词出现的次数除以文本中词汇的总数。重要程度值用于表征词语在簇中的重要程度，词频值越大，重要程度值越大。在一实施例中，可以直接用词频值表示重要程度值。在另一实施例中，也可以针对簇中的每个词语，根据该词语在文本集中的逆向文件频率值(idf值)，以及在该簇中的词频值(tf值)，计算得到该词语的重要程度值。具体的，可以将该词语在文本集中的逆向文件频率值和在该簇中的词频值进行相乘，得到词频-逆文件频率值(tf-idf值)。将该词语的词频-逆文件频率值作为该词语在该簇中的重要程度值。
[0082]
步骤s222：根据所述簇中每个词语的重要程度值，选取所述重要程度值最大的预设数量个词语，作为所述簇对应的主题标签。
[0083]
预设数量可以根据想要提取的主题词的数量进行调节，一般为5-10个。一个簇中重要程度值最大的5-10个词语可以作为该簇的主题标签。在一实施例中，可以将该簇中tf-idf值最大的5-10个词语作为该簇的主题标签。在层级聚类过程中，针对每个簇，可以选取tf-idf最大的k个词语，作为该簇的主题标签，一并保存到聚类结构t的每个节点当中。因使用自底向上的聚类方式，在计算tf值过程中计算某个词语出现的次数只需将两个子簇中该词语出现的次数相加，总词语数量为子簇集合取并即可，故簇的主题标签的计算方便。
[0084]
下面以实际应用场景举例来说。
[0085]
对某电脑配件店电商评价进行主题标签的提取。分析用户针对不同产品，以及销售沟通的评价进一步提高自身服务质量。
[0086]
假设，该店拥有10万条评价，出售不同品牌的cpu、主板、显卡、内存等配件，其中分为好评和差评。采用doc2vec无监督训练构造编码器，设定提取主题词数量k＝5。通过上述步骤s210-步骤s230得到树状的聚类结构t以及每个词语对应的簇集合(即映射m)。
[0087]
此时t中可以发现根节点抽取出主题词[cpu，主板，内存，客服，优秀]。通过这些概括性最强的主题词，可以分析得到所有评价主要包含在产品层面的是cpu、主板与内存的评价，也有很多在评价讨论客服行为的内容，总体可以感受都是好评。当然，买家不一定会直接在评价内容中输入好评，差评两字，只能从侧面感受分析，比如本例中的『优秀』一词代表了买家对产品的整体感受。
[0088]
当店主想要了解cpu相关评价时，在映射m中找到cpu对应的簇集合c(c＝[c_1,c_2,...,c_n])后，其中c_1是相对最浅层的簇，可以通过该节点包含的文本编号得到绝大部分cpu相关的评价。发现簇c_1对应的主题标签为[cpu，主板，客服，优秀，intel]。分析可以发现，大部分带有cpu的评价同时带有主板一词，毕竟电商经常出售的是cpu 主板的套装。店家出售的cpu当然是包括amd与intel的产品。这里观察簇c_2主题标签为[cpu，主板，客服，优秀，amd]，amd的评价大部分就都在这里面，只是因为相对intel销量较低而被排序置后。
[0089]
一部分的关键词可以直接观察到这样的层级关系，但这里可以发现电商出售的产品其实也有显卡产品，但没有在最浅层的主题标签中出现。实际上，包括上述c_1，c_2簇中，均是包含一部分显卡或是其他配件评论的，但是大部分仍然是对cpu相关，故可以认为提取出来的仍然是对cpu进行的描述。可以进一步查询『显卡』所对应的簇集合，发现其第一个簇
的主题标签为[显卡，华硕，有货，难买，电源]，可以侧面分析出华硕产品的显卡销量较高，但现在显卡市场货源较少。
[0090]
发现现在主要信息都是在好评里面，当店家想了解差评对自身产品服务等进行改善的时候，可以根据经验将一些常见的差评词作为关键词进行搜索。例如直接搜索『破损』，如发现簇集合中第一个簇的主题标签为[机箱，破损，差评，包装，问题]，虽然不知道数量，可以知道某些机箱的包装有破损，根据这个簇包含的文本编号，可以直接定位这些评价文本。同时可以查看剩余的簇，得知其他有破损的商品以及相应的评价。
[0091]
下述为本技术装置实施例，可以用于执行本技术上述从文本集中提取主题标签的方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术从文本集中提取主题标签的方法实施例。
[0092]
图5为本技术一实施例示出的一种从文本集中提取主题标签的装置，该装置包括：向量转换模块510、层级聚类模块520、映射确定模块530、簇集合确定模块540以及标签提取模块550。
[0093]
向量转换模块510，用于将文本集中的每个文本转换为文本向量；
[0094]
层级聚类模块520，用于将每个文本向量作为最底层的簇，执行自底向上的层级聚类，并确定每一层簇的主题标签；
[0095]
映射确定模块530，用于针对任一词语，根据主题标签中包含所述词汇的簇，获得所述词语对应的簇集合；所述簇集合包括至少一个簇，每个簇包含至少一个文本；
[0096]
簇集合确定模块540，用于根据不同词语对应的簇集合以及待提取的关键词，找出所述关键词映射的目标簇集合；
[0097]
标签提取模块550，用于根据所述目标簇集合中每个簇对应的主题标签，得到从所述文本集中提取的与所述关键词相关的主题标签。
[0098]
上述装置中各个模块的功能和作用的实现过程具体详见上述从文本集中提取主题标签的方法中对应步骤的实现过程，在此不再赘述。
[0099]
在本技术所提供的几个实施例中，所揭露的装置和方法，也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，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0100]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0101]
功能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，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设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例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。