信息搜索方法、装置、终端设备及计算机可读存储介质与流程

1.本技术属于信息处理技术领域，尤其涉及一种信息搜索方法、装置、终端设备及计算机可读存储介质。


背景技术：

2.在很多线上平台，都为用户提供了智能客服的功能。通过该功能，用户输入搜索问题，平台系统即可自动为用户推荐相关的回答。现有智能客服的实现方法中，通常是比较用户搜索问题与候选问题之间的相似度，将相似度较大的候选问题对应的回答推荐给用户。但是往往候选问题的数量较大，现有的这种信息搜索方式，需要分别计算搜索问题与每个候选问题之间的相似度，数据处理量较大，导致智能客服的应答时间较长，降低了用户的体验度。


技术实现要素：

3.本技术实施例提供了一种信息搜索方法、装置、终端设备及计算机可读存储介质，可以保证信息搜索准确率的基础上，有效提高信息搜索的效率。
4.第一方面，本技术实施例提供了一种信息搜索方法，包括：
5.提取用户输入的搜索问题中的第一关键词；
6.根据所述第一关键词从预设知识库中获取k组候选问答对，所述k为正整数，每组候选问答对中包括一个问题和一个答案；
7.分别计算所述搜索问题与所述k组候选问答对中每个问题之间的问题相似度；
8.根据所述问题相似度从所述k组候选问答对中确定出目标问答对；
9.将所述目标问答对中的答案确定为所述搜索问题的目标答案。
10.本技术实施例中，先根据用户的搜索问题的关键词从预设知识库中筛选出候选问答对，再计算搜索问题与每个候选问答对中问题之间的相似度。相当于根据关键词进行粗筛选，再根据问题相似度进一步细筛选。由于问题之间的相似度的计算方式比关键词匹配的计算方式更为复杂，因此，通过上述方法，可以通过关键词筛选的步骤过滤掉不匹配的候选问答对，大大减少了细筛选的数据量，进而有效提高了信息搜索的效率。另外，由于上述方法中进行了两次筛选，可以有效保证信息搜索的准确率。
11.在第一方面的一种可能的实现方式中，所述预设知识库中包括m组预设问答对，每组预设问答对中包括一个问题和一个答案，且每组预设问答对中的问题对应一个关键词列表，m为大于k的整数；
12.所述根据所述第一关键词从预设知识库中获取k组候选问答对，包括：
13.计算每组所述预设问答对中问题对应的关键词列表与所述第一关键词之间的匹配值；
14.根据所述匹配值从大到小的顺序对所述预设问答对排序，获得第一序列；
15.将所述第一序列中前k组预设问答对确定为所述候选问答对。
16.在第一方面的一种可能的实现方式中，所述分别计算所述搜索问题与所述k组候选问答对中每个问题之间的问题相似度，包括：
17.对于每组所述候选问答对，计算所述搜索问题的第一关键词与所述候选问答对中问题对应的关键词列表之间的关键词相似度；
18.计算所述搜索问题与所述候选问答对中问题之间的语义相似度；
19.根据所述关键词相似度和所述语义相似度计算所述搜索问题与所述候选问答对中问题之间的问题相似度。
20.在第一方面的一种可能的实现方式中，所述计算所述搜索问题与所述候选问答对中问题之间的语义相似度，包括：
21.根据训练后的预设模型获取所述搜索问题的第一表示向量；
22.根据所述预设模型获取所述候选问答对中问题的第二表示向量；
23.计算所述第一表示向量和所述第二表示向量之间的向量相似度；
24.将所述向量相似度确定为所述语义相似度。
25.在第一方面的一种可能的实现方式中，所述计算所述搜索问题的第一关键词与所述候选问答对中问题对应的关键词列表之间的关键词相似度，包括：
26.通过公式计算所述关键词相似度，其中，a表示所述第一关键词的集合，b表示所述候选问答对中问题对应的关键词列表。
27.在第一方面的一种可能的实现方式中，所述根据所述关键词相似度和所述语义相似度计算所述搜索问题与所述候选问答对中问题之间的问题相似度，包括：
28.将所述关键词相似度和所述语义相似度加权求和，获得所述搜索问题与所述候选问答对中问题之间的所述问题相似度。
29.在第一方面的一种可能的实现方式中，在根据所述第一关键词从预设知识库中获取k组候选问答对之前，所述方法还包括：
30.利用训练语料训练所述预设模型，得到训练后的所述预设模型；
31.根据所述预设模型获取历史问答对中问题的第三表示向量；
32.生成所述历史问答对中问题的关键词列表；
33.根据所述历史问答对中问题的第三表示向量和关键词列表构建所述预设知识库。
34.在第一方面的一种可能的实现方式中，在利用训练语料训练所述预设模型，得到训练后的所述预设模型之前，所述方法还包括：
35.为所述历史问答对中的问题分别生成多个相似问题和多个不相似问题；
36.根据所述相似问题和所述不相似问题生成所述训练语料。
37.第二方面，本技术实施例提供了一种信息搜索装置，包括：
38.关键词提取单元，用于提取用户输入的搜索问题中的第一关键词；
39.问答对获取单元，用于根据所述第一关键词从预设知识库中获取k组候选问答对，所述k为正整数，每组候选问答对中包括一个问题和一个答案；
40.相似度计算单元，用于分别计算所述搜索问题与所述k组候选问答对中每个问题之间的问题相似度；
41.问答对筛选单元，用于根据所述问题相似度从所述k组候选问答对中确定出目标
等仅用于区分描述，而不能理解为指示或暗示相对重要性。
57.在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
58.首先介绍预设知识库的构建过程。
59.预设知识库中包括m组预设问答对，每组预设问答对中包括一个问题和一个答案，且每组预设问答对中的问题对应一个关键词列表，m为大于k的整数。
60.其中，预设问答对可以是系统中的历史问答对，也可以是人为预先设定的，还可以既包括历史问答对、又包括人为添加的问答对。
61.具体的，预设知识库的构建过程包括：
62.i、利用训练语料训练所述预设模型，得到训练后的所述预设模型。
63.本技术实施例中的预设模型用于将句子生成表示向量。预设模型可以采用如sentencebert、word2vec、lstm等模型。
64.在一个实施例中，训练语料的获取方式包括：
65.为历史问答对中的问题分别生成多个相似问题和多个不相似问题；根据所述相似问题和所述不相似问题生成所述训练语料。
66.在某些领域容易缺乏训练语料，人工整理非常耗时，且需要很强的专业知识。本技术实施例中，考虑针对已有的历史问题，生成多个相似问题；为了保证正负样本的平衡性，再针对该历史问题，生成多个不相似问题。
67.可选的，可以从历史问答对中随机选取与当前问题不相似的多个问题，作为当前问题的不相似问题。
68.可选的，本技术实施例中可以采用simbert模型生成训练语料。simbert模型的原理如下：
69.simbert属于有监督训练，训练语料是自行收集到的相似句对，通过一句来预测另一句的相似句生成任务来构建seq2seq部分，[cls]的向量事实上就代表着输入的句向量，所以可以同时用它来训练一个检索任务。参见图4，是本技术实施例提供的simbert训练的示意图。如图4所示，假设sent_a和sent_b是一组相似句，在同一个batch中，把[cls]sent_a[sep]sent_b[sep]和[cls]sent_b[sep]sent_a[sep]都加入训练，做一个相似句的生成任务，这是seq2seq部分。另一方面，把整个batch内的[cls]向量都拿出来，得到一个句向量矩阵(b是batch_size，d是hidden_size)，然后对d维度做了l2归一化，得到然后两两做内积，得到b
×
b的相似度矩阵vv
t
，接着乘以一个scale，并mask掉对角线部分，最后每一行进行softmax，作为一个分类任务训练，每个样本的目标标签是它的相似句(至于自身已经被mask掉)。总之，就是把batch内所有的非相似样本都当作负样本，借助softmax来增加相似样本的相似度，降低其余样本的相似度。最后的loss是seq2seq和相似句分类两部分loss之和。
[0070]
示例性的，为已有历史问答对a中的问题a1生成3个相似问题和3个不相似问题，其中，将相似问题表示为1，将不相似问题标注为0。相似问题和不相似问题的训练语料的格式
如下所示：
[0071]
('上市公司董事长是否可以在大股东公司任职总经理、副总经理职务？'，'上市公司董事长是否可以在大股东公司任职副总经理',1)；
[0072]
('上市公司签署募集资金三方监管协议需要董事会授权审议吗？'，'变更(增加)注册资本后是否要发布权益变动公告？'，0)。
[0073]
通过simbert模型自动生成训练语料，可以有效减少人工标注成本。
[0074]
可选的，可以对预设模型进行预训练；当训练语料构建完成后，将训练语料输入到预训练的预设模型中，用于进一步微调。
[0075]
ii、根据所述预设模型获取历史问答对中问题的第三表示向量。
[0076]
可选的，本技术实施例中，预设模型可以采用sentencebert模型。该模型的原理如下：
[0077]
sentencebert模型借鉴孪生网络模型的框架，将不同的句子输入到两个bert模型中(但这两个bert模型是参数共享的，也可以理解为是同一个bert模型)，获取到每个句子的句子表征向量；而最终获得的句子表征向量，可以用于语义相似度计算，也可以用于无监督的聚类任务。对于同样的10000个句子，想要找出最相似的句子对，只需要计算10000次，需要大约5秒就可计算完全。
[0078]
sentencebert在对bert模型进行微调时，设置了三个目标函数，用于不同任务的训练优化，本技术采用的是分类任务的目标优化。具体的，分别获得两句话的句子向量u和v，并将u、v和二者按位求差向量|u-v|进行拼接，再将拼接好的向量乘上一个可训练的权重
[0079]
o＝softmax(w
t
(u,v,|u-v|))；
[0080]
其中，n为句子向量维度，k为类别数。
[0081]
iii、生成所述历史问答对中问题的关键词列表。
[0082]
本技术实施例中，关键词列表的一种生成方式为：首先，基于jieba工具包，对历史问答对中的问题进行分词，选出带有名称和动词词性的词。然后，分别统计选择出的每个词的词频，过滤掉词频较低的词，将剩余的词生成当前问题的关键词列表。
[0083]
过滤词频较低的词的步骤为，将每个词的词频与预设阈值比较；若低于预设阈值，则过滤掉；若高于预设阈值，则保留。其中，词频的阈值可以根据实际需要预先设定。
[0084]
iv、根据所述历史问答对中问题的第三表示向量和关键词列表构建所述预设知识库。
[0085]
本技术实施例中，可以采用elasticsearch工具构建预设知识库。
[0086]
首先定义知识库中每一个问答对的格式，如下所示：
[0087]
[0088][0089]
其中，"question"和"answer"分别表示问答对的问题和答案；"keywords"表示问题对应的关键词列表；"question_vector"表示将问题输入sentencebert模型后输出得到的表示向量。
[0090]
示例性的，如下为一个问答对在elasticsearch中的存储格式：
[0091]
[0092][0093]
然后再将已有问答对，按照上述定义的json格式，存入到elasticsearch中，作为预设知识库。
[0094]
参见图1，是本技术实施例提供的信息搜索方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
[0095]
s101，提取用户输入的搜索问题中的第一关键词。
[0096]
与上述的生成历史问答对的关键词列表相同，在提取搜索问题中的第一关键词的过程中，首先将搜索问题进行分词，然后抽取搜索问题的第一关键词。该过程可以参见上述步骤iii中的描述，在此不再赘述。
[0097]
可选的，为了明确用户问题的意图，尽量使搜索问题说法保持统一，在对搜索问题向量化和关键词抽取前，对句子进行改写。具体如下：
[0098]
对句子进行改写主要分为两大块内容，一个是对现有说法进行替换，比如“减持到1％，是否需要停下来？
”→“
减持到1％，是否需要继续减持？”；持股5％以上的股东
→
大股东；参加股权激励
→
成为股权激励对象。
[0099]
还有一种是针对相似业务，补充关键词，比如一般问到“审议程序”的，答案往往会包含“披露程序”，所以当遇到“审议程序”时，会为问题补充“披露程序”，这样在问题中包含“披露程序”，会检索到“审议程序”相关的问题；交易日、工作日
→
时间；复牌公告披露
→
复牌申请。
[0100]
s102，根据所述第一关键词从预设知识库中获取k组候选问答对。
[0101]
所述k为正整数，每组候选问答对中包括一个问题和一个答案。
[0102]
在一个实施例中，获取候选问答对的方式为：
[0103]
计算每组所述预设问答对中问题对应的关键词列表与所述第一关键词之间的匹配值；根据所述匹配值从大到小的顺序对所述预设问答对排序，获得第一序列；将所述第一序列中前k组预设问答对确定为所述候选问答对。
[0104]
本技术实施例中，可以采用bm25算法，匹配第一关键词和预设问答对的关键词列表。bm25的原理如下：
[0105]
bm25算法，通常用来做搜索相关性平分：对query(搜索语句)进行语素解析，生成
语素qi；然后，对于每个搜索结果d，计算每个语素qi与d的相关性得分，最后，将qi相对于d的相关性得分进行加权求和，从而得到query与d的相关性得分。bm25算法的一般性公式如下：
[0106][0107]
其中，q表示query，qi表示q解析之后的一个语素(对中文而言，可以把对query的分词作为语素分析，每个词看成语素qi。)；d表示一个搜索结果文档；wi表示语素qi的权重；r(qi,d)表示语素qi与文档d的相关性得分。
[0108]
wi是判断一个词与一个文档的相关性的权重，方法有多种，较常用的是idf。这里以idf为例，公式如下：
[0109][0110]
其中，n为索引中的全部文档数，n(qi)为包含了qi的文档数。从公式可以看出，当很多文档都包含了qi时，qi的区分度就不高，因此使用qi来判断相关性时的重要度就较低。
[0111]
r(qi,d)为语素qi与文档d的相关性得分，公式如下：
[0112][0113][0114]
其中k、b为调节因子，fi为qi在d中的出现频率，dl为文档d的长度，avgdl为文档d中所有文档的平均长度。
[0115]
当文档较长时，包含的词语也就越多，那么相应地包含有qi这个词的可能性也就越大，但是虽然可能性要大一点，要是当qi的频率fi同等的情况下，长文档与qi的相关性就应该比短文档与qi的相关性弱。
[0116]
s103，分别计算所述搜索问题与所述k组候选问答对中每个问题之间的问题相似度。
[0117]
在一个实施例中，问题相似度的一种计算方式包括：计算搜索问题与候选问答对中每个问题之间的语义相似度，将该语义相似度确定为问题相似度。
[0118]
s102相当于第一步召回，s103相当于第二步召回。如上述s102所示，可以采用bm25算法匹配关键词。由于bm25算法在做匹配时，比较关注词频，忽略了词语语义之间的相关性。
[0119]
为了解决上述问题，在一个实施例中，问题相似度的另一种计算方式包括：
[0120]
对于每组所述候选问答对，计算所述搜索问题的第一关键词与所述候选问答对中问题对应的关键词列表之间的关键词相似度；计算所述搜索问题与所述候选问答对中问题之间的语义相似度；根据所述关键词相似度和所述语义相似度计算所述搜索问题与所述候选问答对中问题之间的问题相似度。
[0121]
通过上述方法，既考虑了词频，又考虑了语义，可以有效提高匹配精度。
[0122]
可选的，可以采用jaccard相似度计算关键词相似度。具体的，通过公式
计算所述关键词相似度，其中，a表示所述第一关键词的集合，b表示所述候选问答对中问题对应的关键词列表。
[0123]
可选的，语义相似度的计算方式为：
[0124]
根据训练后的预设模型获取所述搜索问题的第一表示向量；
[0125]
根据所述预设模型获取所述候选问答对中问题的第二表示向量；
[0126]
计算所述第一表示向量和所述第二表示向量之间的向量相似度；
[0127]
将所述向量相似度确定为所述语义相似度。
[0128]
可以采用cosine相似度计算向量相似度。具体的，可以通过公式实现上述计算方式。其中，a表示搜索问题的第一表示向量，b表示候选问答对中问题的第二表示向量。
[0129]
相应的，问题相似度的计算方式为：将所述关键词相似度和所述语义相似度加权求和，获得所述搜索问题与所述候选问答对中问题之间的所述问题相似度。具体的，可以通过公式score＝α
·
sim(keywords) β
·
sim(semantic)实现。其中，α和β为预设权重。
[0130]
在s103中，第二步召回的目的是为了调整候选问答对的得分，比如“公司”这个词，如果在候选问答对中出现次数较多，bm25计算出的得分会比较高。因此，bm25算法会将一些词频较高，但没有区分度的无关紧要的词语排在前面；而jaccard相似度，不考虑词频的影响，计算jaccard相似度，会把包含出现频率较高、区分度较低的关键词的候选问答对排在后面，同时把出现频率较低、但区分度较高的关键词的候选问答对排在前面。因此，通过上述方法，综合考虑了bm25的结果和jaccard的结果，可以有效提高相似度的计算精度。
[0131]
s104，根据所述问题相似度从所述k组候选问答对中确定出目标问答对。
[0132]
s105，将所述目标问答对中的答案确定为所述搜索问题的目标答案。
[0133]
具体的，可以按照问题相似度对k组候选问答对进行排序，将序列中前t组候选问答对确定为目标问答对，再将目标问答对中的答案确定为搜索问题的目标答案，t为小于k的正整数。
[0134]
本技术实施例中，先根据用户的搜索问题的关键词从预设知识库中筛选出候选问答对，再计算搜索问题与每个候选问答对中问题之间的相似度。相当于根据关键词进行粗筛选，再根据问题相似度进一步细筛选。由于问题之间的相似度的计算方式比关键词匹配的计算方式更为复杂，因此，通过上述方法，可以通过关键词筛选的步骤过滤掉不匹配的候选问答对，大大减少了细筛选的数据量，进而有效提高了信息搜索的效率。另外，由于上述方法中进行了两次筛选，可以有效保证信息搜索的准确率。
[0135]
应理解，上述实施例中各步骤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。
[0136]
对应于上文实施例所述的信息搜索方法，图2是本技术实施例提供的信息搜索装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0137]
参照图2，该装置包括：
[0138]
关键词提取单元21，用于提取用户输入的搜索问题中的第一关键词。
[0139]
问答对获取单元22，用于根据所述第一关键词从预设知识库中获取k组候选问答对，所述k为正整数，每组候选问答对中包括一个问题和一个答案。
[0140]
相似度计算单元23，用于分别计算所述搜索问题与所述k组候选问答对中每个问题之间的问题相似度。
[0141]
问答对筛选单元24，用于根据所述问题相似度从所述k组候选问答对中确定出目标问答对。
[0142]
信息确定单元25，用于将所述目标问答对中的答案确定为所述搜索问题的目标答案。
[0143]
可选的，所述预设知识库中包括m组预设问答对，每组预设问答对中包括一个问题和一个答案，且每组预设问答对中的问题对应一个关键词列表，m为大于k的整数。
[0144]
相应的，问答对获取单元22还用于：
[0145]
计算每组所述预设问答对中问题对应的关键词列表与所述第一关键词之间的匹配值；
[0146]
根据所述匹配值从大到小的顺序对所述预设问答对排序，获得第一序列；
[0147]
将所述第一序列中前k组预设问答对确定为所述候选问答对。
[0148]
可选的，相似度计算单元23还用于：
[0149]
对于每组所述候选问答对，计算所述搜索问题的第一关键词与所述候选问答对中问题对应的关键词列表之间的关键词相似度；
[0150]
计算所述搜索问题与所述候选问答对中问题之间的语义相似度；
[0151]
根据所述关键词相似度和所述语义相似度计算所述搜索问题与所述候选问答对中问题之间的问题相似度。
[0152]
可选的，相似度计算单元23还用于：
[0153]
根据训练后的预设模型获取所述搜索问题的第一表示向量；
[0154]
根据所述预设模型获取所述候选问答对中问题的第二表示向量；
[0155]
计算所述第一表示向量和所述第二表示向量之间的向量相似度；
[0156]
将所述向量相似度确定为所述语义相似度。
[0157]
可选的，相似度计算单元23还用于：
[0158]
通过公式计算所述关键词相似度，其中，a表示所述第一关键词的集合，b表示所述候选问答对中问题对应的关键词列表。
[0159]
可选的，相似度计算单元23还用于：
[0160]
将所述关键词相似度和所述语义相似度加权求和，获得所述搜索问题与所述候选问答对中问题之间的所述问题相似度。
[0161]
可选的，装置2还包括：
[0162]
模型训练单元26，用于利用训练语料训练所述预设模型，得到训练后的所述预设模型；根据所述预设模型获取历史问答对中问题的第三表示向量；生成所述历史问答对中问题的关键词列表；根据所述历史问答对中问题的第三表示向量和关键词列表构建所述预设知识库。
[0163]
可选的，装置2还包括：
[0164]
语料构建单元27，用于为所述历史问答对中的问题分别生成多个相似问题和多个不相似问题；根据所述相似问题和所述不相似问题生成所述训练语料。
[0165]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0166]
另外，图2所示的信息搜索装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
[0167]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0168]
图3是本技术实施例提供的终端设备的结构示意图。如图3所示，该实施例的终端设备3包括：至少一个处理器30(图3中仅示出一个)处理器、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意各个信息搜索方法实施例中的步骤。
[0169]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图3仅仅是终端设备3的举例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0170]
所称处理器30可以是中央处理单元(central processing unit，cpu)，该处理器30还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
[0171]
所述存储器31在一些实施例中可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(boot loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
[0172]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储
有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0173]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
[0174]
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，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序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至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、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。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0175]
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或记载的部分，可以参见其它实施例的相关描述。
[0176]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0177]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0178]
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。
[0179]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。