实体类型推断方法、系统、装置、终端设备以及存储介质与流程

1.本发明涉及知识图谱技术领域，尤其涉及实体类型推断方法、系统、装置、终端设备以及存储介质。


背景技术：

2.随着人工智能的迅猛发展，自然语言处理技术越发成熟，知识图谱技术得到广泛应用。实体类型推断在知识库中具有非常重要的价值。传统的实体类型推断，需要投入大量人力进行数据标注，投入产出比严重失调。在源数据应用方面，传统的实体类型推断，由于实体内容描述过长，往往只使用实体名及标题信息进行推断，效果不佳。并且，目前的实体类型推断大多数还是基于单标签的技术，只能将某一类实体推断为某一特定的实体类型，无法解决某一类实体有多种实体类型的情况，故推断效果不佳。
3.因此，有必要提出一种改善实体类型推断效果的解决方案。


技术实现要素：

4.本发明的主要目的在于提供一种实体类型推断方法、系统、装置、终端设备以及存储介质，旨在改善实体类型推断的效果。
5.为实现上述目的，本发明提供一种实体类型推断方法，所述实体类型推断方法包括：
6.获取待推断数据；
7.提取所述待推断数据的主次特征；
8.将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；
9.根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。
10.可选地，所述获取待推断数据的步骤之前还包括：
11.建立所述实体类型推断模型，具体包括：
12.获取预先采集的数据集，并根据所述数据集得到初版模型；
13.基于所述初版模型与所述数据集，修正增强得到训练集；
14.提取所述训练集中各训练数据的主体特征，其中，各所述训练数据的主体特征包括实体名、实体标题以及实体描述文本；
15.对所述实体描述文本进行摘要抽取，得到补充特征；
16.通过预训练模型将所述主体特征与所述补充特征转化并融合为向量；
17.结合快速梯度上升对抗训练对所述向量进行多标签与单标签分类训练，得到各所述多标签分类模型与各所述单标签分类模型，由各所述多标签分类模型与各所述单标签分类模型构成所述实体类型推断模型。
18.可选地，所述获取预先采集的数据集，并根据所述数据集得到初版模型的步骤包括：
19.获取预先采集的数据集；
20.从所述数据集中随机选取若干条数据进行实体类型标注，得到标注数据；
21.根据所述标注数据训练得到所述初版模型。
22.可选地，所述基于所述初版模型与所述数据集，修正增强得到训练集的步骤包括：
23.从所述数据集中选取若干条实体数据；
24.基于所述初版模型对所述实体数据进行推断，得到推断结果；
25.对所述推断结果进行修正增强，得到所述训练集。
26.可选地，所述提取所述待推断数据的主次特征的步骤包括：
27.提取所述待推断数据的主体特征；
28.将所述待推断数据的主体特征与所述补充特征进行匹配，得到所述待推断数据的次要特征；
29.将所述待推断数据的主体特征与所述次要特征作为所述待推断数据的主次特征。
30.可选地，所述根据所述预测结果进行半数投票，得到所述待推断数据的类型结果的步骤包括：
31.判断所述预测结果是否为多个标签；
32.若所述预测结果为多个标签，则使用各所述多标签模型进行半数投票，得到所述待推断数据的类型结果；
33.若所述预测结果不为多个标签，即所述预测结果为单个标签，则使用各所述多标签模型与各所述单标签模型进行半数投票，得到所述待推断数据的类型结果。
34.此外，为实现上述目的，本发明还提供一种实体类型推断系统，所述实体类型推断系统包括：
35.数据处理层，用于获取待推断数据；
36.特征提取层，用于提取所述待推断数据的主次特征；
37.模型训练层，用于训练得到实体类型推断模型，以供将所述主次特征输入所述实体类型推断模型中进行推断，得到预测结果；
38.模型融合层，用于根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。
39.此外，为实现上述目的，本发明还提供一种实体类型推断装置，所述实体类型推断装置包括：
40.获取模块，用于获取待推断数据；
41.特征提取模块，用于提取所述待推断数据的主次特征；
42.预测模块，用于将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；
43.投票模块，用于根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。
44.此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的实体类型推断程序，所述实体类型推断程序被所述处理器执行时实现如上所述的实体类型推断方法的步骤。
45.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读
存储介质上存储有实体类型推断程序，所述实体类型推断程序被处理器执行时实现如上所述的实体类型推断方法的步骤。
46.本发明实施例提出的一种实体类型推断方法、系统、装置、终端设备以及存储介质，通过获取待推断数据；提取所述待推断数据的主次特征；将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。通过提取待推断数据的主次特征，提升了推断效果；通过预先建立的多标签分类模型与单标签分类模型，有效地支持多类型数据的推断；通过对预测结果进行半数投票，改善了实体类型推断的效果。
附图说明
47.图1为本发明实体类型推断装置所属终端设备的功能模块示意图；
48.图2为本发明实体类型推断方法一示例性实施例的流程示意图；
49.图3为本发明实体类型推断方法另一示例性实施例的流程示意图；
50.图4为本发明实施例中实体类型推断系统的原理示意图。
51.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
52.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。
53.本发明实施例的主要解决方案是：通过获取待推断数据；提取所述待推断数据的主次特征；将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。通过提取待推断数据的主次特征，提升了推断效果；通过预先建立的多标签分类模型与单标签分类模型，有效地支持多类型数据的推断；通过对预测结果进行半数投票，改善了实体类型推断的效果。
54.本发明实施例涉及的技术术语：
55.fgm(fast gradient method,快速梯度上升)：一种对抗训练方法；
56.ai(artificial intelligence，人工智能)：是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等；
57.nezha：一种预训练模型；
58.roberta：一种预训练模型；
59.global-pointer(全局指针)：一种分类训练方法；
60.softmax回归：一种分类训练方法；
61.textrank：一种摘要抽取算法。
62.具体地，参照图1，图1为本发明实体类型推断装置所属终端设备的功能模块示意图。该实体类型推断装置可以为独立于终端设备的、能够进行实体类型推断的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。
63.在本实施例中，该实体类型推断装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
64.存储器130中存储有操作系统以及实体类型推断程序，实体类型推断装置可以将获取的待推断数据、提取的所述待推断数据的主次特征、将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到的预测结果，以及根据所述预测结果进行半数投票，得到的所述待推断数据的类型结果等信息存储于该存储器130中；输出模块110可为显示屏等。通信模块140可以包括wifi模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
65.其中，存储器130中的实体类型推断程序被处理器执行时实现以下步骤：
66.获取待推断数据；
67.提取所述待推断数据的主次特征；
68.将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；
69.根据所述预测结果进行半数投票，得到所述待推断数据的类型结果
70.进一步地，存储器130中的实体类型推断程序被处理器执行时还实现以下步骤：
71.建立所述实体类型推断模型，具体包括：
72.获取预先采集的数据集，并根据所述数据集得到初版模型；
73.基于所述初版模型与所述数据集，修正增强得到训练集；
74.提取所述训练集中各训练数据的主体特征，其中，各所述训练数据的主体特征包括实体名、实体标题以及实体描述文本；
75.对所述实体描述文本进行摘要抽取，得到补充特征；
76.通过预训练模型将所述主体特征与所述补充特征转化并融合为向量；
77.结合快速梯度上升对抗训练对所述向量进行多标签与单标签分类训练，得到各所述多标签分类模型与各所述单标签分类模型，由各所述多标签分类模型与各所述单标签分类模型构成所述实体类型推断模型。
78.进一步地，存储器130中的实体类型推断程序被处理器执行时还实现以下步骤：
79.获取预先采集的数据集；
80.从所述数据集中随机选取若干条数据进行实体类型标注，得到标注数据；
81.根据所述标注数据训练得到所述初版模型。
82.进一步地，存储器130中的实体类型推断程序被处理器执行时还实现以下步骤：
83.从所述数据集中选取若干条实体数据；
84.基于所述初版模型对所述实体数据进行推断，得到推断结果；
85.对所述推断结果进行修正增强，得到所述训练集。
86.进一步地，存储器130中的实体类型推断程序被处理器执行时还实现以下步骤：
87.提取所述待推断数据的主体特征；
88.将所述待推断数据的主体特征与所述补充特征进行匹配，得到所述待推断数据的次要特征；
89.将所述待推断数据的主体特征与所述次要特征作为所述待推断数据的主次特征。
90.进一步地，存储器130中的实体类型推断程序被处理器执行时还实现以下步骤：
91.判断所述预测结果是否为多个标签；
92.若所述预测结果为多个标签，则使用各所述多标签模型进行半数投票，得到所述待推断数据的类型结果；
93.若所述预测结果不为多个标签，即所述预测结果为单个标签，则使用各所述多标签模型与各所述单标签模型进行半数投票，得到所述待推断数据的类型结果。
94.本实施例通过上述方案，具体通过获取待推断数据；提取所述待推断数据的主次特征；将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。通过提取待推断数据的主次特征，提升了推断效果；通过预先建立的多标签分类模型与单标签分类模型，有效地支持多类型数据的推断；通过对预测结果进行半数投票，改善了实体类型推断的效果。
95.基于上述终端设备架构但不限于上述架构，提出本发明方法实施例。
96.本实施例方法的执行主体可以为一种实体类型推断装置或终端设备等，本实施例以实体类型推断装置进行举例。
97.参照图2，图2为本发明实体类型推断方法一示例性实施例的流程示意图。所述实体类型推断方法包括：
98.步骤s10，获取待推断数据；
99.实体类型推断是知识图谱技术应用过程中的重要环节，例如维基百科知识库的构建、百度百科及搜狗百科知识图谱的构建，通过对语义信息中的类别信息进行挖掘，可以将类别信息用于查询理解和问答等应用中。用于抽取类别信息的数据源主要包括百科中的半结构化数据与文章摘要等，例如信息框、文章分类以及文本摘要等。对各类实体类型进行推断有助于在各类风险词不断变异的情况下提前发现风险问题，从而提早布防，以解决具有行业共性的风险治理难题。
100.步骤s20，提取所述待推断数据的主次特征；
101.提取所述待推断数据的主体特征；
102.将所述待推断数据的主体特征与所述补充特征进行匹配，得到所述待推断数据的次要特征；
103.将所述待推断数据的主体特征与所述次要特征作为所述待推断数据的主次特征。
104.在获取到待推断数据后，可以先进行特征准备，主要包括将实体数据中的实体名、实体标题、实体描述文本取出，作为所述待推断数据的主体特征，进而将所述主体特征与建立实体类型推断模型过程中确定的补充特征进行匹配，并将匹配到的补充特征作为待推断数据的次要特征，然后将所述主体特征与次要特征作为待推断数据的主次特征输入实体类型推断模型中进行推断。
105.步骤s30，将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；
106.在提取出待推断数据的主次特征后，将所述主次特征输入预先建立的实体类型推断模型中进行推断，即可得到预测结果，其中，所述实体类型推断模型包括多个多标签分类模型与多个单标签分类模型，根据所述预测结果采取多层次投票衰减策略可以对所述多标签分类模型与单标签分类模型进行模型融合，进而得到待推断数据的准确类型结果。
107.步骤s40，根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。
108.判断所述预测结果是否为多个标签；
109.若所述预测结果为多个标签，则使用各所述多标签模型进行半数投票，得到所述待推断数据的类型结果；
110.若所述预测结果不为多个标签，即所述预测结果为单个标签，则使用各所述多标签模型与各所述单标签模型进行半数投票，得到所述待推断数据的类型结果。
111.具体地，根据得到的预测结果使用不同的投票策略，如果预测结果为多个标签，则只使用多个多标签分类模型进行半数投票，如果预测结果为单个标签，则使用多标签分类模型结合单标签分类模型进行半数投票，最终得到待推断数据的类型结果。
112.在本实施例中，通过获取待推断数据；提取所述待推断数据的主次特征；将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。通过提取待推断数据的主次特征，提升了推断效果；通过预先建立的多标签分类模型与单标签分类模型，有效地支持多类型数据的推断；通过对预测结果进行半数投票，改善了实体类型推断的效果。
113.参照图3，图3为本发明实体类型推断方法另一示例性实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，在获取待推断数据的步骤之前，所述实体类型推断方法还包括：
114.步骤s00，建立所述实体类型推断模型。本实施例以步骤s00在步骤s10之前实施，在其他实施例中，步骤s00也可以在步骤s10与步骤s20之间实施。
115.相比上述图2所示的实施例，本实施例还包括建立所述实体类型推断模型的方案。
116.具体地，建立所述实体类型推断模型的步骤可以包括：
117.步骤s001，获取预先采集的数据集，并根据所述数据集得到初版模型；
118.获取预先采集的数据集；
119.从所述数据集中随机选取若干条数据进行实体类型标注，得到标注数据；
120.根据所述标注数据训练得到所述初版模型。
121.本发明实施例中，采集20万条数据作为数据集，从所述数据集的20万条数据中随机挑选2000条数据进行实体类型标注，用于进行初版模型训练。根据得到的标注数据，基于nezha预训练模型结合global-pointer全局指针进行训练，得到初版模型。
122.步骤s002，基于所述初版模型与所述数据集，修正增强得到训练集；
123.从所述数据集中选取若干条实体数据；
124.基于所述初版模型对所述实体数据进行推断，得到推断结果；
125.对所述推断结果进行修正增强，得到所述训练集。
126.具体地，随机从预先采集的数据集中选取4000条数据，基于初版模型对选取的4000条数据进行推断，得到推断结果，进而对推断结果进行粗筛后加入训练集。
127.步骤s003，提取所述训练集中各训练数据的主体特征，其中，各所述训练数据的主体特征包括实体名、实体标题以及实体描述文本；
128.将训练集中各训练数据中的实体名、实体标题、实体描述文本取出，再基于textrank摘要抽取算法对实体描述文本进行摘要抽取，得到包含关键信息的摘要。将实体
名、实体标题、实体摘要作为各训练数据的主体特征。
129.步骤s004，对所述实体描述文本进行摘要抽取，得到补充特征；
130.进一步地，基于textrank关键词抽取算法对实体描述文本进行关键词抽取，得到600余个关键词，对所述关键词进行粗筛后确定474关键词作为补充特征。
131.步骤s005，通过预训练模型将所述主体特征与所述补充特征转化并融合为向量；
132.具体地，使用nezha及roberta预训练模型将实体名、实体标题、实体摘要、关键词转化为向量表示，其中，预训练模型也可以采用bert，albert,electra，macbert等预训练模型，将向量融合为一个向量，步骤s006，结合快速梯度上升对抗训练对所述向量进行多标签与单标签分类训练，得到各所述多标签分类模型与各所述单标签分类模型，由各所述多标签分类模型与各所述单标签分类模型构成所述实体类型推断模型。
133.再使用global-pointer全局指针及softmax回归对向量进行多标签及单标签分类训练并且在训练过程中添加fgm快速梯度上升对抗训练，得到多个多标签分类模型与多个单标签分类模型，由各多标签分类模型与各单标签分类模型构成实体类型推断模型。
134.本实施例通过上述方案，具体通过获取预先采集的数据集，并根据所述数据集得到初版模型；基于所述初版模型与所述数据集，修正增强得到训练集；提取所述训练集中各训练数据的主体特征，其中，各所述训练数据的主体特征包括实体名、实体标题以及实体描述文本；对所述实体描述文本进行摘要抽取，得到补充特征；通过预训练模型将所述主体特征与所述补充特征转化并融合为向量；结合快速梯度上升对抗训练对所述向量进行多标签与单标签分类训练，得到各所述多标签分类模型与各所述单标签分类模型，由各所述多标签分类模型与各所述单标签分类模型构成所述实体类型推断模型。通过特征提取实现了实体名、标题、内容信息的有效融合，提升了整体推断效果，所建立的模型可进行功能解耦，安全稳定且易于维护，可以有效的支持多类型实体类型推断，提升实体类型推断的效果。
135.此外，本发明实施例还提出一种实体类型推断系统，所述实体类型推断系统包括：
136.数据处理层，用于获取待推断数据；
137.特征提取层，用于提取所述待推断数据的主次特征；
138.模型训练层，用于训练得到实体类型推断模型，以供将所述主次特征输入所述实体类型推断模型中进行推断，得到预测结果；
139.模型融合层，用于根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。
140.参照图4，图4为本发明实施例中实体类型推断系统的原理示意图，如图4所示，实体类型推断系统由数据处理层、特征提取层、模型训练层、模型融合层四层架构实现。数据处理层通过迁移学习结合人工的方法构造数据。特征提取层通过预训练语言模型提取主次特征。模型训练层使用global-pointer与softmax结合对抗训练的方式进行类型推断模型训练，模型融合层采用投票策略进行模型融合。
141.该方法处理步骤如下：
142.1)数据准备：随机挑选2000条数据进行标注，训练初版模型；
143.2)迁移学习：基于初版模型结合修正增强数据集到4000；
144.3)主要特征：实体名，实体标题，实体描述文本，针对实体描述正文过长，使用texkrank抽取摘要后再融入模型；
145.4)补充特征：基于标注语料，使用texrank算法抽取关键词并筛选474个关键词作为特征；
146.5)模型训练：基于nezha global-pointer训练多标签分类模型、基于roberta softmax的单标签分类模型；
147.6)对抗训练：fgm对抗训练；
148.7)模型融合：多层投票衰减策略。
149.具体地，数据准备是从20万条数据中随机挑选2000条数据进行实体类型标注，基于nezha预训练模型结合global-pointer训练多标签推断模型初版。
150.然后随机从20万条数据中挑选4000条数据基于初版模型进行预测，对结果进行粗筛后加入训练集，将数据增强到4000条左右。
151.特征准备，将实体数据中的实体名、实体标题、实体描述文本取出。再基于textrank摘要抽取算法对实体描述文本进行摘要抽取，得到包含关键信息的摘要。将实体名、实体标题、实体摘要作为主要特征。
152.然后基于textrank关键词抽取算法对实体描述文本进行关键词抽取，得到600 关键词，对关键词进行粗筛后确定474关键词作为补充特征。
153.模型训练使用nezha及roberta预训练模型将实体名、实体标题、实体摘要、关键词转化为向量表示,将向量融合为一个向量，再使用global-pointer及softmax对向量进行多标签及单标签分类训练并且在训练过程中添加fgm对抗训练。
154.模型融合根据多标签模型的预测结果使用不同的投票策略：如果结果为多个标签，则只使用多个多标签模型进行半数投票，如果结果为单个标签，则使用多标签模型结合单标签模型进行半数投票。
155.在本实施例中，所述实体类型推断系统的各模块可实现功能解耦，安全稳定易于维护；通过迁移学习的方式，大大降低实体类型推断的人力成本，标注少量数据进行训练，使用模型预测剩余数据再经过人工审核即可大量扩充数据，提升标注效率；通过融合实体名、标题、内容信息，实现实体类型推断效果提升；通过多标签推断层，解决一个实体属于多种实体类型的问题，提升实体类型推断效果，改善用户体验；基于预训练模型进行微调，全局指针多标签分类层的模型架构，有效的支持多类型实体类型推断，提升整体系统效果。
156.此外，本发明实施例还提出一种实体类型推断装置，所述实体类型推断装置包括：
157.获取模块，用于获取待推断数据；
158.特征提取模块，用于提取所述待推断数据的主次特征；
159.预测模块，用于将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；
160.投票模块，用于根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。
161.本实施例实现实体类型推断的原理及实施过程，请参照上述各实施例，在此不再赘述。
162.此外，本发明实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的实体类型推断程序，所述实体类型推断程序被所述处理器执行时实现如上所述的实体类型推断方法的步骤。
163.由于本实体类型推断程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
164.此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有实体类型推断程序，所述实体类型推断程序被处理器执行时实现如上所述的实体类型推断方法的步骤。
165.由于本实体类型推断程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
166.相比现有技术，本发明实施例提出的实体类型推断方法、系统、装置、终端设备以及存储介质，通过获取待推断数据；提取所述待推断数据的主次特征；将所述主次特征输入预先建立的实体类型推断模型中进行推断，得到预测结果，其中，所述实体类型推断模型包括多标签分类模型与单标签分类模型；根据所述预测结果进行半数投票，得到所述待推断数据的类型结果。通过提取待推断数据的主次特征，提升了推断效果；通过预先建立的多标签分类模型与单标签分类模型，有效地支持多类型数据的推断；通过对预测结果进行半数投票，改善了实体类型推断的效果。
167.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
168.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
169.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本技术每个实施例的方法。
170.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。