基于问答库的搜索方法、装置、电子设备及存储介质与流程

1.本发明涉及数据查询技术领域，尤其涉及一种基于问答库的搜索方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着搜索技术及深度学习技术的发展，问答系统的使用日益广泛。例如，百度知道、知乎等互联网问答系统，以及企事业单位常见的问题自助系统。
3.当前基于问答系统的相似文本搜索方法，较为普遍的是利用神经网络模型，提取待搜索文本的文本特征，计算待搜索文本的文本特征与问答系统中的问题文本的文本特征之间的相似度，得到相似度最高的问题文本，并将所述相似度最高的问题文本对应的答案作为搜索结果返回给用户。
4.这种相似文本搜索方法，需要将待搜索文本与问答系统中的每个问题文本进行计算，通常问答系统中的问题文本的数量是非常庞大的，这种相似文本搜索方法会带来大量的计算工作量，尤其是在搜索高峰期，可能会导致搜索产生一定的延时，不适用于低延时要求的搜索场景，例如，快速召回场景。


技术实现要素：

5.本发明提供一种基于问答库的搜索方法、装置及计算机可读存储介质，其主要目的在于提升问答库的问题搜索效率。
6.为实现上述目的，本发明提供的一种基于问答库的搜索方法，包括：
7.对预设的问答库中的问题文本进行词袋向量转换，得到每个所述问题文本对应的词袋向量；
8.利用所述词袋向量，构建所述问答库的二叉树；
9.获取待搜索文本，对所述待搜索文本执行词袋向量转换操作，得到所述待搜索文本的词袋向量；
10.在所述二叉树中，查询所述待搜索文本的词袋向量对应的叶子节点，识别每个所述叶子节点上的问题文本并作为参考文本，计算每个所述参考文本与所述待搜索文本之间的相似度，根据相似度计算结果推送相应的参考文本对应的答案。
11.可选地，所述对预设的问答库中的问题文本进行词袋向量转换，得到每个所述问题文本对应的词袋向量，包括：
12.对每个所述问题文本进行分词，并统计每个分词在对应的问题文本中出现的次数；
13.根据每个所述问题文本的分词及每个所述分词出现的次数，利用词袋模型算法，生成每个所述问题文本的词袋向量。
14.可选地，所述对每个所述问题文本进行分词，包括：
15.对每个所述问题文本执行至少一种分词操作，得到多个分词；
16.对每个所述分词进行词性标注；
17.根据每个所述分词的词性，对每个所述问题文本进行语法分析，并判断所述问题文本的语法是否正确；
18.若所述问题文本的语法不正确，则返回上述的对每个所述问题文本执行至少一种分词操作的步骤；
19.若所述问题文本的语法正确，则停止分词操作，将当前的分词作为所述问题文本的分词。
20.可选地，所述根据每个所述问题文本的分词及每个所述分词出现的次数，利用词袋模型算法，生成每个所述问题文本的词袋向量之后，所述方法还包括：
21.将所述问答库的所有分词汇集为分词词库；
22.逐个选取每条所述问题文本作为待分析问题文本，并从所述待分析问题文本对应的分词中选取一个分词作为目标分词；
23.统计所述目标分词在所述待分析问题文本对应的分词中的第一出现频率，及所述目标分词在所述分词词库中的第二出现频率；
24.计算所述第一出现频率与所述第二出现频率之间的比值，将所述比值作为所述分词在对应问题文本的中权重；
25.将每个所述分词的权重添加到对应的问题文本的词袋向量中。
26.可选地，所述利用所述词袋向量，构建所述问答库的二叉树，包括：
27.对所述问答库的所有词袋向量进行聚类，得到多个词袋向量子集；
28.提取每个所述词袋向量子集中每个所述词袋向量的特征，得到特征集合；
29.根据所述特征集合构建二叉树，汇集每个特征集合对应的二叉树得到所述问答库的二叉树。
30.可选地，所述根据所述特征集合构建二叉树，包括：
31.从所述特征集合中选取预设个数的特征作为根节点；
32.根据所述特征集合中特征的维度，随机产生一个切割点，利用所述切割点对所述特征集合执行切割操作，将所述切割操作得到的特征子集合作为子节点；
33.在所述子节点中生成切割点对对应的特征子集合执行切割操作，并将所述切割操作得到的特征子集合作为子节点，直至所述切割操作达到预设的条件时，汇总所述根节点及所有的子节点得到所述二叉树。
34.可选地，所述根据相似度计算结果推送相应的参考文本对应的答案，包括：
35.获取每个所述参考文本对应的答案；
36.根据所述相似度计算结果中每个相似度的大小对相应的答案进行排序；
37.根据所述排序推送相应的答案。
38.为了解决上述问题，本发明还提供一种基于问答库的搜索装置，所述装置包括：
39.问答库词袋向量生成模块，用于对预设的问答库中的问题文本进行词袋向量转换，得到每个所述问题文本对应的词袋向量；
40.问答库二叉树构建模块，用于利用所述词袋向量，构建所述问答库的二叉树；
41.待搜索文本处理模块，用于获取待搜索文本，对所述待搜索文本执行词袋向量转换操作，得到所述待搜索文本的词袋向量；
42.搜索结果获取模块，用于在所述二叉树中，查询所述待搜索文本的词袋向量对应的叶子节点，识别每个所述叶子节点上的问题文本并作为参考文本，计算每个所述参考文本与所述待搜索文本之间的相似度，根据相似度计算结果推送相应的参考文本对应的答案。
43.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
44.存储器，存储至少一个计算机程序；及
45.处理器，执行所述存储器中存储的程序以实现上述所述的基于问答库的搜索方法。
46.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于问答库的搜索方法。
47.本发明实施例利用预设问答库中的问题文本对应的词袋向量，构建所述问答库的二叉树，在所述二叉树中，查询所述待搜索文本对应的叶子节点，仅需计算所述待搜索文本与查询得到的叶子节点上的问题文本之间的相似度，无需将所述待搜索文本与所述问答库中的每个所述问题文本进行相似度计算，从而提升了问答库的问题搜索效率。
附图说明
48.图1为本发明一实施例提供的基于问答库的搜索方法的流程示意图；
49.图2为图1所示基于问答库的搜索方法中其中一个步骤的详细实施流程示意图；
50.图3为图1所示基于问答库的搜索方法中其中另一个步骤的详细实施流程示意图；
51.图4为本发明一实施例提供的基于问答库的搜索装置的功能模块图；
52.图5为本发明一实施例提供的实现所述基于问答库的搜索方法的电子设备的结构示意图。
53.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
54.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
55.本技术实施例提供一种基于问答库的搜索方法。所述基于问答库的搜索方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于问答库的搜索方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以是独立的服务器，也可以是提供云服务、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、内容分发网络(contentdelivery network，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。
56.参照图1所示，为本发明一实施例提供的基于问答库的搜索方法的流程示意图。在本实施例中，所述基于问答库的搜索方法包括：
57.s1、对预设的问答库中的问题文本进行词袋向量转换，得到每个所述问题文本对应的词袋向量；
58.本发明实施例中，所述预设的问答库可以是公开的问答知识库，也可以是企事业
单位的自助服务问答库。其中，所述预设的问答库包括大量的问题文本以及每个所述问题文本对应的答案文本。
59.本发明实施例中，采用词袋向量的形式表示所述问答库中每个所述问题文本。所述词袋向量是指通过一组具有特定含义的数字表示每个所述问题文本特征的一种向量。
60.示例性的，问题文本1为“孩子不喜欢吃蔬菜”，问题文本2为“孩子喜欢吃零食”。将所述问题文本1及所述问题文本2进行分词得到“孩子”、“不”、“喜欢”、“吃”、“蔬菜”及“零食”6个分词，分别对每个所述分词设置索引为“孩子”：1、“不”：2、“喜欢”：3、“吃”：4、“蔬菜”：5、“零食”：6，则所述问题文本1对应的词袋向量为[1,1,1,1,1,0]，所述问题文本2对应的词袋向量为[1,0,1,1,0,1]，其中，所述问题文本1的词袋向量中的“1”表示对应索引位置上的分词在所述问题文本1中出现，“0”表示对应索引位置上的分词在所述问题文本1中没有出现，如果一个分词在同一问题文本中出现多次，则在对应索引位置上使用出现次数表示对应的分词，例如，出现2次，则用数字2表示。
[0061]
详细地，所述对预设的问答库中的问题文本进行词袋向量转换，得到每个所述问题文本对应的词袋向量，包括：对每个所述问题文本进行分词，并统计每个分词在对应的问题文本中出现的次数；根据每个所述问题文本的分词及每个所述分词出现的次数，利用词袋模型算法，生成每个所述问题文本的词袋向量。
[0062]
本发明实施例中，所述词袋模型算法可以利用公开的“countvectorizer”函数实现。在所述词袋模型算法中，会统计每个所述问题文本对应的分词有哪些，以及每个所述分词在同一问题文本中出现的次数，但不会考虑每个所述问题文本中每个分词的语法、位置以及上下文关系，每个所述分词都是独立的。可以理解的是，使用所述词袋模型算法，缺乏对每个所述问题文本的语义的理解。因此，本发明实施例中，为了确保每个所述问题文本的词袋向量的准确性，需要进一步地保障分词的准确性。
[0063]
详细地，所述对每个所述问题文本进行分词，包括：对每个所述问题文本执行至少一种分词操作，得到多个分词；对每个所述分词进行词性标注；根据每个所述分词的词性，对每个所述问题文本进行语法分析，并判断所述问题文本的语法是否正确；若所述问题文本的语法不正确，则返回上述的对每个所述问题文本执行至少一种分词操作的步骤；若所述问题文本的语法正确，则停止分词操作，将当前的分词作为所述问题文本的分词。
[0064]
本发明实施例中，可以采用基于词典分词算法中任一种分词方法，例如，正向最大匹配法、逆向最大匹配算法和双向匹配分词法等，也可以采用基于统计的机器学习算法的任一种分词工具，例如，stanford、hanlp分词工具。
[0065]
本发明实施例中，可以采用crf(conditional random field,条件随机场)模型对每个所述问题文本的分词进行词性标注，所述词性包括名词，动词、关联词、介词、助词等词性。
[0066]
通过对每个所述分词进行词性标注以及对标注后的问题文本进行语法分析，可以保障分词的准确性，进而提升了每个所述问题文本的词袋向量的准确性。
[0067]
本发明实施例中，在所述词袋模型算法中，通常将一个分词在问题文本中的出现频率作为所述分词在对应问题文本中的权重大小的依据。可以理解的是，一些分词尽管在问题文本中的出现频率较高，但是这些分词实际作用并不大，例如，分词“的”、“了”、“吗”等。因此，需要对上述的每个所述问题文本的词袋向量进行权重的纠正。
[0068]
详细地，所述对上述的每个所述问题文本的词袋向量进行权重的纠正，包括：将所述问答库的所有分词汇集为分词词库；逐个选取每条所述问题文本作为待分析问题文本，并从所述待分析问题文本对应的分词中选取一个分词作为目标分词；统计所述目标分词在所述待分析问题文本对应的分词中的第一出现频率，及所述目标分词在所述分词词库中的第二出现频率；计算所述第一出现频率与所述第二出现频率之间的比值，将所述比值作为所述分词在对应问题文本的中权重；将每个所述分词的权重添加到对应的问题文本的词袋向量中。
[0069]
本发明实施例中，可以理解的是，当一个分词在一个问题文本对应的多个分词中的出现频率高，而在所有问题文本对应的分词词库中出现频率低时，可以认为所述分词在对应的问题文本中的价值也就越高，相应的权重也就越高。
[0070]
s2、利用所述词袋向量，构建所述问答库的二叉树；
[0071]
本发明实施例中，基于所述词袋向量所表示的问题文本的特征，构建所述问答库的二叉树，所述二叉树可以采用knn(k-nearest neighbor,最邻近分类)算法或者kd(k-dimensional,k-d树)算法构建得到。
[0072]
可以理解的是，所述问答库对应的问题文本数量非常庞大，相应的词袋向量的数据量也比较大。如果直接随机选择其中一个词袋向量作为根节点进行二叉树的构建，需要进行大量的分类计算，会降低二叉树的生成效率，因此，本发明实施例中，可以通过聚类算法将所述词袋向量进行分类，利用每一类词袋向量单独构建二叉树，最后汇集所有二叉树得到所述问题库的二叉树。
[0073]
详细地，参阅图2所示，所述s2，包括：
[0074]
s21、对所述问答库的所有词袋向量进行聚类，得到多个词袋向量子集；
[0075]
s22、提取每个所述词袋向量子集中每个所述词袋向量的特征，得到特征集合；
[0076]
s23、根据所述特征集合构建二叉树，汇集每个特征集合对应的二叉树得到所述问答库的二叉树。
[0077]
本发明实施例中，可以采用k-means聚类算法或者基于密度的聚类方法实现对所有所述词袋向量的聚类。
[0078]
详细地，参阅图3所示，所述s23中根据所述特征集合构建二叉树，包括：
[0079]
s231、从所述特征集合中选取预设个数的特征作为根节点；
[0080]
s232、根据所述特征集合中特征的维度，随机产生一个切割点，利用所述切割点对所述特征集合执行切割操作，将所述切割操作得到的特征子集合作为子节点；
[0081]
s233、在所述子节点中生成切割点对对应的特征子集合执行切割操作，并将所述切割操作得到的特征子集合作为子节点，直至所述切割操作达到预设的条件时，汇总所述根节点及所有的子节点得到所述二叉树。
[0082]
本发明实施例中，例如，特征集合为x＝{x_(1,)x_(2,)x_(3,
…
,)x_n}，每个特征的维度为d，为了构建一棵二叉树，需要随机选择一个特征维度q及其分割值p，递归地分割特征集合x，每一步分割，都包含特征维度q和分割值p，将q《p的数据分到左边的子节点(tl)，将q≥p的数据分到右边的子节点(tr)，直到满足以下任意一个预设的条件：
[0083]
1、二叉树达到了限制的深度；
[0084]
2、子节点上只有一个特征；
[0085]
3、子节点上的样本所有特征都相同。
[0086]
本发明实施例中，实现了利用所述二叉树的树型结构，表示所述问答库中每个所述问题文本的分布情况。
[0087]
s3、获取待搜索文本，对所述待搜索文本执行词袋向量转换操作，得到所述待搜索文本的词袋向量；
[0088]
本发明实施例中，所述待搜索文本是指待检索的问题文本，可通过具有数据抓取功能的计算机语句(java语句、python语句等)从搜索栏中获取所述待搜索文本，或者从其他指定途径获取所述待搜索文本。
[0089]
本发明实施例中，所述获取待搜索文本，对所述待搜索文本执行词袋向量转换操作的方法与所述s1的方法相同，这里不再赘述。
[0090]
s4、在所述二叉树中，查询所述待搜索文本的词袋向量对应的叶子节点，识别每个所述叶子节点上的问题文本并作为参考文本，计算每个所述参考文本与所述待搜索文本之间的相似度，根据相似度计算结果推送相应的参考文本对应的答案。
[0091]
本发明实施例中，可以通过递归算法或者先序遍历、中序遍历、后序遍历等二叉树遍历算法，查询得到所述待搜索文本的词袋向量对应的叶子节点，可以理解的是，通常同一待搜索文本对应的叶子节点会存在多个，例如，所述待搜索文本为“平安福”，可能存在问题文本分别是“平安是福”、“集平安福的方法”、“平安福在哪里扫”等多个叶子节点。针对这种情况，需要进一步地，将所述待搜索文本与每个所述叶子节点上的问题文本进行相似度计算，根据相似度计算结果对搜索结果进行处理。
[0092]
本发明实施例中，可以利用基于神经网络的语言学习模型计算每个所述参考文本与所述待搜索文本之间的相似度。
[0093]
本发明实施例中，所述根据相似度计算结果推送相应的参考文本对应的答案，包括，获取每个所述参考文本对应的答案；根据所述相似度计算结果中每个相似度的大小对相应的答案进行排序；根据所述排序推送相应的答案。
[0094]
本发明另一可选实施例中，所述根据相似度计算结果推送相应的参考文本对应的答案，包括，筛选所述相似度大于预设相似度阈值的参考文本；获取筛选得到的参考文本对应的答案，将所述答案作为搜索结果进行推送。
[0095]
本发明实施例利用预设问答库中的问题文本对应的词袋向量，构建所述问答库的二叉树，在所述二叉树中，查询所述待搜索文本对应的叶子节点，仅需计算所述待搜索文本与查询得到的叶子节点上的问题文本之间的相似度，无需将所述待搜索文本与所述问答库中的每个所述问题文本进行相似度计算，从而提升了问答库的问题搜索效率。
[0096]
如图4所示，是本发明一实施例提供的基于问答库的搜索装置的功能模块图。
[0097]
本发明所述基于问答库的搜索装置100可以安装于电子设备中。根据实现的功能，所述基于问答库的搜索装置100可以包括问答库词袋向量生成模块101、问答库二叉树构建模块102、待搜索文本处理模块103及搜索结果获取模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0098]
在本实施例中，关于各模块/单元的功能如下：
[0099]
所述问答库词袋向量生成模块101，用于对预设的问答库中的问题文本进行词袋
向量转换，得到每个所述问题文本对应的词袋向量；
[0100]
所述问答库二叉树构建模块102，用于利用所述词袋向量，构建所述问答库的二叉树；
[0101]
所述待搜索文本处理模块103，用于获取待搜索文本，对所述待搜索文本执行词袋向量转换操作，得到所述待搜索文本的词袋向量；
[0102]
所述搜索结果获取模块104，用于在所述二叉树中，查询所述待搜索文本的词袋向量对应的叶子节点，识别每个所述叶子节点上的问题文本并作为参考文本，计算每个所述参考文本与所述待搜索文本之间的相似度，根据相似度计算结果推送相应的参考文本对应的答案。
[0103]
详细地，本发明实施例中所述基于问答库的搜索装置100中的各个模块在使用时采用与上述的图1至图3中所述的基于问答库的搜索方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0104]
如图5所示，是本发明一实施例提供的实现基于问答库的搜索方法的电子设备的结构示意图。
[0105]
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于问答库的搜索程序。
[0106]
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、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11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于问答库的搜索程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0107]
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于问答库的搜索程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
[0108]
所述总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0109]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0110]
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0111]
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
[0112]
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
[0113]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0114]
所述电子设备1中的所述存储器11存储的基于问答库的搜索程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0115]
对预设的问答库中的问题文本进行词袋向量转换，得到每个所述问题文本对应的词袋向量；
[0116]
利用所述词袋向量，构建所述问答库的二叉树；
[0117]
获取待搜索文本，对所述待搜索文本执行词袋向量转换操作，得到所述待搜索文本的词袋向量；
[0118]
在所述二叉树中，查询所述待搜索文本的词袋向量对应的叶子节点，识别每个所述叶子节点上的问题文本并作为参考文本，计算每个所述参考文本与所述待搜索文本之间的相似度，根据相似度计算结果推送相应的参考文本对应的答案。
[0119]
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0120]
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
[0121]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0122]
对预设的问答库中的问题文本进行词袋向量转换，得到每个所述问题文本对应的词袋向量；
[0123]
利用所述词袋向量，构建所述问答库的二叉树；
[0124]
获取待搜索文本，对所述待搜索文本执行词袋向量转换操作，得到所述待搜索文
本的词袋向量；
[0125]
在所述二叉树中，查询所述待搜索文本的词袋向量对应的叶子节点，识别每个所述叶子节点上的问题文本并作为参考文本，计算每个所述参考文本与所述待搜索文本之间的相似度，根据相似度计算结果推送相应的参考文本对应的答案。
[0126]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
[0127]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
[0128]
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
[0129]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0130]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0131]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0132]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0133]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
[0134]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。