数据应用场景的推荐方法、装置、电子设备和存储介质与流程

1.本技术涉及计算机信息处理技术领域，尤其涉及一种数据应用场景的推荐方法、装置、电子设备和存储介质。


背景技术：

2.随着信息技术和大数据技术的不断发展，市场主题收集并掌握了大量的用户数据信息，但对于一般的市场主题来说，掌握大量的原生数据本身并没有价值，真正有价值的是对数据进行分析挖掘后得到的数据产品和具体的数据应用场景，因此如何从海量的数据中提取主题并得到其适配的应用场景是现阶段亟待解决的问题。
3.相关技术中大多通过主题模型(topic mode l)来得到数据信息中的主题信息，但主题模型是一种以非监督学习的方式对文档集中的隐含语义结构进行聚类的统计模型，其存在提取得到的主题与实际的主题不匹配的问题，因此得到的应用场景也不够准确。


技术实现要素：

4.本技术实施例的主要目的在于提出一种数据应用场景的推荐方法、装置、电子设备和存储介质，以提高得到的应用场景的准确性。
5.为实现上述目的，本技术实施例的第一方面提出了一种数据应用场景的推荐方法，包括：获取原始文本数据和对应所述原始文本数据的主题标签；对所述原始文本数据进行主题提取处理，得到第一主题信息；根据所述第一主题信息得到第一应用场景；根据所述主题标签得到第二应用场景；若所述第一应用场景与所述第二应用场景相同，则将所述第一应用场景或所述第二应用场景作为推荐应用场景；其中，所述第一应用场景、所述第二应用场景和所述推荐应用场景均包括：高保密场景、中保密场景和低保密场景。
6.本技术实施例提出的数据应用场景的推荐方法，通过主题模型对原始文本数据进行主题提取，并根据提取得到的主题信息得到对应的第一应用场景，再与根据主题标签得到的第二应用场景进行比较，在比较结果相同的情况下，才会得到对应的推荐应用场景。通过结合第一应用场景和第二应用场景的方式，对主题模型得到的应用场景进行准确性判断，提高了得到的推荐应用场景的准确性。
7.在一些实施例中，所述对所述原始文本数据进行主题提取处理，得到第一主题信息，包括：对所述原始文本数据进行分词处理，得到分词文本数据；对所述分词文本数据进行去停用词处理，得到关键文本数据；将所述关键文本数据输入主题模型中进行主题提取，得到所述第一主题信息。
8.在一些实施例中，所述将所述关键文本数据输入主题模型中进行主题提取，得到所述第一主题信息，包括：将所述关键文本数据分别输入多个主题数量不同的初始模型中，得到多个初始主题信息；计算所述初始主题信息中任意两个主题之间的相似度，得到模型相似度信息；根据多个所述模型相似度信息得到最优模型；将所述关键文本数据输入所述最优模型中，得到所述第一主题信息。
9.在一些实施例中，所述计算所述初始主题信息中任意两个主题之间的相似度，得到模型相似度信息，包括：获取所述主题中预设数量的关键词信息，得到对应的待比较信息；分别构建所述待比较信息的词频向量；计算任意两个所述词频向量之间的相似度，得到所述模型相似度信息。
10.在一些实施例中，所述根据多个所述模型相似度信息得到最优模型，包括：根据多个所述模型相似度信息，得到多个所述初始模型，将多个所述初始模型作为备选模型组；选择所述备选模型组中主题数量最小的初始模型，作为所述最优模型。
11.在一些实施例中，所述根据所述第一主题信息得到第一应用场景，包括：通过第一应用场景对照表对所述第一主题信息进行匹配处理，得到所述第一应用场景；其中，所述第一应用场景对照表包括主题信息和对应所述主题信息的应用场景。
12.在一些实施例中，所述根据所述主题标签得到第二应用场景，包括：通过第二应用场景对照表对所述主题标签进行匹配处理，得到所述第二应用场景；其中，所述第二应用场景对照表包括主题标签和对应所述主题标签的应用场景。
13.为实现上述目的，本技术的第二方面提出了一种数据应用场景的推荐装置，包括：数据获取模块，所述数据获取模块用于获取原始文本数据和对应所述原始文本数据的主题标签；主题提取模块，所述主题提取模块用于对所述原始文本数据进行主题提取处理，得到第一主题信息；应用场景获取模块，所述应用场景获取模块用于根据所述第一主题信息得到第一应用场景，并根据所述主题标签得到第二应用场景；比较模块，所述比较模块用于在所述第一应用场景与所述第二应用场景相同的情况下，将所述第一应用场景或所述第二应用场景作为推荐应用场景；其中，所述第一应用场景、所述第二应用场景和所述推荐应用场景包括：高保密场景、中保密场景和低保密场景。
14.为实现上述目的，本技术的第三方面提出了一种电子设备，包括：至少一个存储器；至少一个处理器；至少一个程序；所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本技术如上述第一方面所述的方法。
15.为实现上述目的，本技术的第四方面提出了一种存储介质，该存储介质是计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：如上述第一方面所述的方法。
附图说明
16.图1是本技术实施例提供的数据应用场景的推荐方法的流程图；
17.图2是本技术实施例应用场景的分类示意图；
18.图3是图1中s200的流程图；
19.图4是图3中s230的流程图；
20.图5是图4中s232的流程图；
21.图6是图4中s233的流程图；
22.图7是本技术实施例模型相似度与主题数量的关系图；
23.图8是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
24.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
25.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
26.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
27.首先，对本技术中涉及的若干名词进行解析：
28.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
29.隐含狄利克雷分布(latent dirichlet allocation，lda)：lda是一种主题模型(topic model)，是一类无监督学习算法，在训练时不需要手工标注的训练集，仅需要文档集以及指定主题的数量，它可以将文档集中每篇文档的主题按照概率分布的形式给出，且对于每一个主题均可以找出一些词语来进行描述。lda在自然语言处理领域，包括文本挖掘及其下属的文本主题识别、文本分类以及文本相似度计算方面具有广泛的应用。
30.应用场景：本技术的数据应用场景为对数据的保密性进行分类，得到数据适用的应用环境。应用场景可以包括高保密场景、中保密场景和低保密场景。当数据属于高保密场景时，对数据的处理和应用即需要在高保密的环境中进行，当数据属于低保密环境时，对数据的处理和应用即不需要很高的保密环境要求。
31.相关技术中仅使用主题模型来得到数据信息中的主题信息，但主题模型是一种以非监督学习的方式对文档集中的隐含语义结构进行聚类的统计模型，其存在提取得到的主题与实际的主题不匹配的问题，因此得到的应用场景也不够准确。
32.基于此，本技术实施例提供一种数据应用场景的推荐方法、装置、电子设备和存储介质，可以提高得到的推荐应用场景的准确性。
33.本技术实施例提供一种数据应用场景的推荐方法、装置、电子设备和存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的数据应用场景的推荐方法。
34.本技术实施例提供的数据应用场景的推荐方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成
提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现数据应用场景的推荐方法的应用等，但并不局限于以上形式。
35.图1是本技术实施例提供的数据应用场景的推荐方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s100至步骤s500。
36.s100，获取原始文本数据和对应原始文本数据的主题标签；
37.s200，对原始文本数据进行主题提取处理，得到第一主题信息；
38.s300，根据第一主题信息得到第一应用场景；
39.s400，根据主题标签得到第二应用场景；
40.s500，若第一应用场景与第二应用场景相同，则将第一应用场景或第二应用场景作为推荐应用场景。
41.具体的，首先通过步骤s100，获取用户输入的原始文本数据，其中，原始文本数据是包括至少一个文档的文档集。例如，原始文本数据是某一个商品的全部评论，则将每一条评论作为一个文档，全部的评论组成一个文档集，根据此文档集进行应用场景的推荐。
42.获取到原始文本数据后，需要对原始文本数据进行主题标签的标记，以得到标记文本数据。例如，使用人工标注的方式对文档集中的每一篇文档进行主题标注，以得到主题标签。可以理解的是，本技术中的主题为描述文档主题内容的关键词，因此主题标注为将文档中的关键词进行标注，且在标注过程中，一篇文档中可以有多个主题，不同的文档中的主题也可以相同。标记完成后，即可获得对应原始文本数据的主题标签。
43.然后通过步骤s200，使用主题模型对原始文本数据进行主题提取处理，以得到第一主题信息。具体的，可以使用lda主题模型进行主题提取，lda主题模型在使用时仅仅需要设置需要从文档集中提取出来的主题数量，得到的第一主题信息包括：每一篇文档属于特定主题的概率，和特定主题中主题词的分布，由此即可得到每一篇文档的主题词分布，从而得到每一篇文档的主题。
44.得到第一主题信息后，通过步骤s300，根据第一主题信息得到第一应用场景。可以理解的是，当原始文本数据中只有一篇文档时，得到的第一应用场景即为对应此文档的应用场景，当原始文本数据中有多篇文档时，得到的第一应用场景中，即包括分别对应每篇文档的应用场景。
45.同时获取标记文本数据中的主题标签，通过步骤s400，根据主题标签得到对应文档的第二应用场景。第二应用场景可以根据主题标签与应用场景的对应关系得到，也可以在上述人工对原始文本数据进行主题标签标记的同时，人工标记对应文档的应用场景，从而得到对应原始文本数据的第二应用场景。
46.在得到第一应用场景和第二应用场景后，通过步骤s500，将第一应用场景与第二应用场景进行比较，若比较结果为相同，则说明主题模型提取得到的主题与经过人工标注得到的主题相同或相似，因此得到的应用场景才相同，通过相互验证判断，提高了得到的推荐应用场景的准确性。若比较结果为不相同，则可以将系统计算得到的第一应用场景作为推荐应用场景，或向用户输出相关原始数据在对应的应用场景中的匹配度，以向用户提供参考。
47.本技术中的第一应用场景、第二应用场景和推荐应用场景均包括：高保密场景、中
保密场景和低保密场景。参照图2，为具体确定应用场景的一个示意图。当原始文本数据需要存储在私有云且数据不出库的情况下，为高保密场景；当数据需要存储在私有云且数据出库的情况下，为中保密场景；当数据需要存储在公有云上且数据出库的情况下，为低保密场景；当数据需要存储在公有云上且数据不出库的情况下，为中保密场景。例如，用户输入的原始文本数据为某一商品的评论文档集，通过主题提取与主题标记得到的文档主题为“满意”、“好用”、“发货”等关键词，此时根据主题即可判断对应的文档集中都为评论数据，而商品的评论数据一般存储在公有云且数据出库，用于供用户查看，属于低保密场景。在一些其他实施例中，也可以通过主题的含义等信息，确定其应用场景，可以根据具体的需求进行设置。
48.通过使用本技术的数据应用场景的推荐方法，用户通过输入原始文本数据，即可得到符合数据具体内容的推荐应用场景，便于用户根据推荐应用场景选择不同的数据处理方式。例如，当推荐应用场景为高保密场景时，用户在使用数据时即要注意保护数据使用环境的保密性与安全性，防止数据泄漏；当推荐应用场景为低保密场景时，用户即可以将数据公开使用，降低因数据保密而产生的成本。
49.在一些实施例中，参照图3，对原始文本数据进行主题提取处理，得到第一主题信息的步骤，具体包括：
50.s210，对原始文本数据进行分词处理，得到分词文本数据；
51.s220，对分词文本数据进行去停用词处理，得到关键文本数据；
52.s230，将关键文本数据输入主题模型中进行主题提取，得到第一主题信息。
53.输入至主题模型中的数据需要先经过自然语言处理。具体的，步骤s210中，首先将获取的原始文本数据进行分词处理，当原始文本数据具有多个文档时，分别对每个文档进行分词处理。分词的方法可以采用基于词典的分词方法(如最大正向匹配法、逆向最大匹配法等)、基于统计的分词方法和基于知识理解的分词方法(通过机器学习训练分词模型)等。
54.通过分词处理，得到分词文本数据，由于经过分词后，分词文本数据中会存在诸如“的”、“得”等无意义的词语，因此通过步骤s220，使用停用词表对分词文本数据进行去停用词处理，去除掉分词文本数据中无意义的词语，得到关键文本数据。最后通过步骤s230，将处理完成的关键文本数据输入至主题模型中进行主题提取，从而得到第一主题信息。
55.在一些实施例中，参照图4，将关键文本数据输入主题模型中进行主题提取，得到第一主题信息的步骤，包括：
56.s231，将关键文本数据分别输入多个主题数量不同的初始模型中，得到多个初始主题信息；
57.s232，计算初始主题信息中任意两个主题之间的相似度，得到模型相似度信息；
58.s233，根据多个模型相似度信息得到最优模型；
59.s234，将关键文本数据输入最优模型中，得到第一主题信息。
60.由于不同主题数量的主题模型提取得到的主题都不同，因此在进行主题提取时，需要选择最佳主题数量的主题模型进行主题提取。通过步骤s231，生成多个主题数量不同的主题模型，作为初始模型。例如，根据输入的文档集的数量大小，选择主题数量为1至10的共计十个主题模型作为初始模型。然后将关键文本数据分别输入至初始模型中，得到对应的10个初始主题信息。例如，主题数量为2的初始模型，其得到的初始主题信息包括两类主
题，及其对应的关键词信息。
61.然后通过步骤s232，分别计算初始主题信息中任意两个主题之间的相似度，以得到模型相似度信息。本技术中的相似度可以采用余弦相似度来计算，可以理解的是，当初始模型的主题数量为1时，其得到的主题只有一个，因此得到的模型相似度信息即为1；当初始模型的主题数量为3时，其得到的主题有3个，因此需要计算任意两个主题之间的相似度，然后取其平均值作为模型相似度信息。
62.然后通过步骤s233，根据得到的多个模型相似度信息得到最优模型。当主题模型的主题数量较小时，得到的多个主题之间的区别程度不够，因此主题之间也较为相似，因此需要选择合适的主题数量的初始模型作为最优模型。当采用余弦相似度计算主题之间的相似度时，计算结果越小，表明主题之间越不相似，此时不同的主题之间具有明显的区别。因此选取初始模型中，主题之间最不相似的模型，作为最优模型，来对关键文本数据进行主题提取。
63.在一些实施例中，参照图5，计算初始主题信息中任意两个主题之间的相似度，得到模型相似度信息的步骤，包括：
64.s235，获取主题中预设数量的关键词信息，得到对应的待比较信息；
65.s236，分别构建待比较信息的词频向量；
66.s237，计算任意两个词频向量之间的相似度，得到模型相似度信息。
67.具体的，由于根据步骤s231计算得到的初始主题信息中存在不同数量的主题，每个主题还有对应的多个关键词，因此通过步骤s235获取主题中预设数量的关键词信息，将关键词作为待比较信息。例如，分别获取每个主题中前100个关键词，并将其分别合并为一个集合，将此集合作为待比较信息。可以理解的是，待比较信息的数量与模型的主题数量相同。关键词的获取可以根据文档集的大小等参数进行改变。
68.然后通过步骤s236，根据待比较信息中，关键词出现的频率，构建待比较信息的词频向量。最后通过步骤s237计算得到的多个词频向量之间的相似度，从而得到模型的相似度信息。例如，采用余弦相似度计算词频向量之间的相似度。
69.在一些实施例中，参照图6，根据多个模型相似度信息得到最优模型的步骤，包括：
70.s238，根据多个模型相似度信息，得到多个初始模型，将多个初始模型作为备选模型组；
71.s239，选择备选模型组中主题数量最小的初始模型，作为最优模型。
72.当初始模型的主题数量选择范围较大时，可能会出现根据模型相似度信息得到多个初始模型的情况。例如，模型数量分别为3和4的两个初始模型的模型相似度相同，且计算结果都为最小(由余弦相似度求得)，此时将模型数量分别为3和4的两个初始模型放入备选模型组中。在模型的主题数量较大的情况下，其在进行主题提取时的计算量也较大，为了减少主题模型在主题提取时的计算量，因此选取主题数量最小的初始模型，作为后续主题提取时的最优模型。
73.参照图7，为本技术一实施例，模型相似度与主题数量的关系图，其中模型相似度为通过余弦相似度计算得到，当主题数量超过3个时，模型相似度即为多个余弦相似度的平均值。由图中可得，当初始模型的主题数量为2时，其模型相似度最小，即主题数量为2的主题模型所得到的主题间的区别最大，同时与其它主题数量更大的主题模型相比，此时主题
模型的主题数量较小，在计算量较少的情况下，具有较佳的主题分辨能力。其中，计算余弦相似度可以通过式(1)来计算，假设有两个n维向量，分别由ai和bi表示，则ai与bi的余弦相似度为：
[0074][0075]
其中，cosθ表示余弦相似度，n表示向量的维度，i表示n维向量中的第i个数据。
[0076]
在一些实施例中，根据第一主题信息得到第一应用场景的步骤，包括：通过第一应用场景对照表对第一主题信息进行匹配处理，得到第一应用场景；其中，第一应用场景对照表包括主题信息和对应主题信息的应用场景。本技术的第一应用场景对照表为预先设置的，通过对经过主题提取后得到的第一主题信息进行匹配对照，可以识别出原始文本数据中，对应文档所适用的应用场景，提高了识别得到应用场景的效率。
[0077]
在一些实施例中，根据主题标签得到第二应用场景的步骤，包括：通过第二应用场景对照表对主题标签进行匹配处理，得到第二应用场景；其中，第二应用场景对照表包括主题标签和对应主题标签的应用场景。本技术的第二应用场景对照表为预先设置的，通过对主题标签进行匹配对照，可以快速得到原始文本数据中，对应文档的所适用的应用场景，提高了识别得到应用场景的效率。可以理解的是，在主题标签与第一主题信息的关键词库相同的情况下，第一应用场景对照表和第二应用场景对照表可以合并。
[0078]
本技术实施例还提供了一种数据应用场景的推荐装置，包括：
[0079]
数据获取模块，数据获取模块用于获取原始文本数据和对应原始文本数据的主题标签；
[0080]
主题提取模块，主题提取模块用于对原始文本数据进行主题提取处理，得到第一主题信息；
[0081]
应用场景获取模块，应用场景获取模块用于根据第一主题信息得到第一应用场景，并根据主题标签得到第二应用场景；
[0082]
比较模块，比较模块用于在第一应用场景与第二应用场景相同的情况下，将第一应用场景或第二应用场景作为推荐应用场景；
[0083]
其中，第一应用场景、第二应用场景和推荐应用场景包括：高保密场景、中保密场景和低保密场景。
[0084]
在一些实施例中，主题提取模块对原始文本数据进行主题提取处理，得到第一主题信息的过程，包括：对原始文本数据进行分词处理，得到分词文本数据；对分词文本数据进行去停用词处理，得到关键文本数据；将关键文本数据输入主题模型中进行主题提取，得到第一主题信息。
[0085]
在一些实施例中，主题提取模块将关键文本数据输入主题模型中进行主题提取，得到第一主题信息的过程，包括：将关键文本数据分别输入多个主题数量不同的初始模型中，得到多个初始主题信息；计算初始主题信息中任意两个主题之间的相似度，得到模型相似度信息；根据多个模型相似度信息得到最优模型；将关键文本数据输入最优模型中，得到第一主题信息。
[0086]
在一些实施例中，主题提取模块计算初始主题信息中任意两个主题之间的相似
度，得到模型相似度信息的过程，包括：获取主题中预设数量的关键词信息，得到对应的待比较信息；分别构建待比较信息的词频向量；计算任意两个词频向量之间的相似度，得到模型相似度信息。
[0087]
在一些实施例中，主题提取模块根据多个模型相似度信息得到最优模型的过程，包括：根据多个模型相似度信息，得到多个初始模型，将多个初始模型作为备选模型组；选择备选模型组中主题数量最小的初始模型，作为最优模型。
[0088]
在一些实施例中，应用场景获取模块根据第一主题信息得到第一应用场景的过程，包括：通过第一应用场景对照表对第一主题信息进行匹配处理，得到第一应用场景；其中，第一应用场景对照表包括主题信息和对应主题信息的应用场景。
[0089]
在一些实施例中，应用场景获取模块根据主题标签得到第二应用场景的过程，包括：通过第二应用场景对照表对主题标签进行匹配处理，得到第二应用场景；其中，第二应用场景对照表包括主题标签和对应主题标签的应用场景。
[0090]
本技术提出的数据应用场景的推荐装置用于实施上述实施例中的数据应用场景的推荐方法，其具体实现过程与数据应用场景的推荐方法相同，此处不再一一赘述。
[0091]
本技术实施例还提供了一种电子设备，包括：
[0092]
至少一个存储器；
[0093]
至少一个处理器；
[0094]
至少一个程序；
[0095]
所述程序被存储在存储器中，处理器执行所述至少一个程序以实现本技术实施上述的数据应用场景的推荐方法。该电子设备可以为包括手机、平板电脑、个人数字助理(personal digital assistant，简称pda)、车载电脑等任意智能终端。
[0096]
请参阅图8，图8示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0097]
处理器，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0098]
存储器，可以采用rom(readonlymemory，只读存储器)、静态存储设备、动态存储设备或者ram(randomaccessmemory，随机存取存储器)等形式实现。存储器可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器中，并由处理器来调用执行本技术实施例的数据应用场景的推荐方法；
[0099]
输入/输出接口，用于实现信息输入及输出；
[0100]
输入/通信接口，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0101]
总线，在设备的各个组件(例如处理器、存储器、输入/输出接口和输入/通信接口)之间传输信息；
[0102]
其中处理器、存储器、输入/输出接口和输入/通信接口通过总线实现彼此之间在设备内部的通信连接。
[0103]
本技术实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述
数据应用场景的推荐方法。
[0104]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0105]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0106]
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0107]
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
[0108]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0109]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0110]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0111]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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，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接口，装置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。
[0112]
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。
[0113]
另外，在本技术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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0114]
所述集成的单元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全部或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，包括多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(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0115]
上面结合附图对本技术实施例作了详细说明，但是本技术不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本技术宗旨的前提下作出各种变化。此外，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。