文本处理及其模型的训练方法、装置、设备和存储介质与流程

1.本公开涉及计算机技术领域，具体涉及深度学习、语音合成等人工智能领域，尤其涉及一种文本处理及其模型的训练方法、装置、设备和存储介质。


背景技术：

2.语音合成，又称文语转换(text to speech，tts)，是指将文本转换为语音的技术。
3.语音合成系统主要包括文本前端模块、声学模型和声码器，文本前端模块用于将文本转换为语言学特征或音素，声学模型用于将文本前端模块输出的语言学特征或音素转换为声学特征，声学特征比如为梅尔频谱特征，声码器用于将声学模型输出的声学特征转换为语音。


技术实现要素：

4.本公开提供了一种文本处理及其模型的训练方法、装置、设备和存储介质。
5.根据本公开的一方面，提供了一种文本处理方法，包括：对文本进行正则化处理，以获得正则化文本；提取所述正则化文本的表示特征；基于所述表示特征，并行执行多个任务，以获得所述多个任务中各个任务的任务结果。
6.根据本公开的另一方面，提供了一种文本处理模型的训练方法，所述文本处理模型包括：特征提取模型和多个任务处理模型，所述方法包括：采用所述特征提取模型，对输入的训练文本进行特征提取，以输出所述训练文本的表示特征；采用所述多个任务处理模型中各个任务处理模型，对所述表示特征进行处理，以输出各个任务的预测结果；基于所述预测结果和所述训练文本的标签数据，构建损失函数；基于所述损失函数，调整所述特征提取模型的模型参数和所述多个任务处理模型中至少一个任务处理模型的模型参数。
7.根据本公开的另一方面，提供了一种文本处理装置，包括：正则化模块，用于对文本进行正则化处理，以获得正则化文本；特征提取模块，用于提取所述正则化文本的表示特征；任务执行模块，用于基于所述表示特征，并行执行多个任务，以获得所述多个任务中各个任务的任务结果。
8.根据本公开的另一方面，提供了一种文本处理模型的训练装置，所述文本处理模型包括：特征提取模型和多个任务处理模型，所述装置包括：特征提取模块，用于采用所述特征提取模型，对输入的训练文本进行特征提取，以输出所述训练文本的表示特征；任务执行模块，用于采用所述多个任务处理模型中各个任务处理模型，对所述表示特征进行处理，以输出各个任务的预测结果；构建模块，用于基于所述预测结果和所述训练文本的标签数据，构建损失函数；调整模块，用于基于所述损失函数，调整所述特征提取模型的模型参数和所述多个任务处理模型中至少一个任务处理模型的模型参数。
9.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如
上述任一方面的任一项所述的方法。
10.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
11.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
12.根据本公开的技术方案，可以提高文本处理效果。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图用于更好地理解本方案，不构成对本公开的限定。其中：
15.图1是根据本公开第一实施例的示意图；
16.图2是根据本公开第二实施例的示意图；
17.图3是根据本公开第三实施例的示意图；
18.图4是根据本公开第四实施例的示意图；
19.图5是根据本公开第五实施例的示意图；
20.图6是根据本公开第六实施例的示意图；
21.图7是根据本公开第七实施例的示意图；
22.图8是根据本公开第八实施例的示意图；
23.图9是根据本公开第九实施例的示意图；
24.图10是用来实现本公开实施例的文本处理方法或文本处理模型的训练方法的电子设备的示意图。
具体实施方式
25.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
26.图1是根据本公开第一实施例的示意图。本实施例提供一种文本处理方法，包括：
27.101、对文本进行正则化处理，以获得正则化文本。
28.102、提取所述正则化文本的表示特征。
29.103、基于所述表示特征，并行执行多个任务，以获得所述多个任务中各个任务的任务结果。
30.本实施例提供的文本处理方法的执行主体可以称为文本处理装置，该装置可以为软件、硬件、或者软硬结合。该装置可以位于电子设备内，电子设备可以包括：终端设备或者服务器。终端设备可以包括移动设备(比如手机、便携式电脑等)、智能家居设备(比如，智能音箱、智能电视等)、智能可穿戴式设备(比如，智能手表、智能手环等)等。服务器可以为本地服务器或者云端服务器。
31.本实施例提供的文本处理方法可以具体应用到中文语音合成系统的文本前端模块中。
32.如图2所示，语音合成系统200可以包括：文本前端模块201、声学模型202和声码器203。
33.文本前端模块201用于将文本转换为语言学特征或音素，声学模型202用于将文本前端模块输出的语言学特征或音素转换为声学特征，声学特征比如为梅尔频谱特征，声码器203用于将声学模型输出的声学特征转换为语音。
34.文本前端模块主要包括如下模块：
35.文本正则化模块、分词(分词还可以包括词性标注)模块、字音转换模块(grapheme-to-phoneme，g2p)、韵律预测模块，其中，字音转换模块可以包括多音字预测模块和变调模块。
36.结合下面的示例，对文本前端模块中的各个模块的功能进行说明如下：
37.文本：全国一共有112所211高校
38.文本正则化：全国一共有一百一十二所二一一高校
39.分词：全国/一共/有/一百一十二/所/二一一/高校/
40.字音转换(注意此句中“一”的读音)：
41.quan2 guo2 yi2 gong4 you3 yi4 bai3 yi1 shi2 er4 suo3 er4 yao1 yao1gao1 xiao4
42.其中，字音转换时，还可以进一步把声母和韵母分开，或者，把音调和声韵母分开。
43.韵律预测(韵律词#1，韵律短语#2，语调短语#3，句子#4)：
44.全国#2一共有#2一百#1一十二所#2二一一#1高校#4
45.相关技术中，可以采用纯语言学规则设计，但是，这要求开发者具有专业的语言学知识，容易出错，人力耗费极高且跨语言的应用性不强。或者，针对分词、字音转换等采用串行方式，在串行方式下，每个模块(分词、字音转换等)对应一个模型。串行方式下，各个模型之间相互依赖，在准确度、效率等方面存在问题。
46.为了至少在一定程度上解决上述至少一个问题，本公开实施例中，可以并行执行多个任务，多个是指至少两个。每个任务是指文本前端中可以采用独立的单个模型执行的任务，比如包括：分词、词性标注、韵律预测、多音字预测、变调等。
47.通过上述的分词、词性标注等任务，可以适用于文本前端模块。
48.在并行执行多个任务之前，可以先提取文本的表示特征，即，可以将文本从文本形式转换为向量形式，以便后续采用深度学习模型对向量进行处理。
49.比如，参见图3，假设共有n个任务，n为大于1的正整数。
50.可以采用正则化模块，对文本进行正则化处理，以获得正则化文本，其中，正则化模块可以基于规则执行，比如，可以预先设定正则化规则，基于正则化规则进行正则化处理。
51.可以采用特征提取模块，提取正则化文本的表示特征，其中，特征提取模块可以为预训练模型，比如，双向transformer的encoder(bidirectional encoder representations from transformers，bert)模型、知识增强语义表示(enhanced representation from knowledge integration，ernie)模型等预训练模型。
52.可以采用各个任务的任务处理模块，对表示特征进行处理，输出各个任务的任务结果，比如，分词结果、韵律预测结果等。各个任务的任务处理模块可以具体为分类网络模型，分类网络模型比如为全连接(full connection，fc)网络模型。
53.本实施例中，通过提取正则化文本的表示特征，基于表示特征并行执行多个任务，由于提取了表示特征并基于表示特征处理，可以不需要纯语言学设计，避免纯语言学设计引起的问题。另外，通过并行执行多个任务，相对于串行方式，可以避免任务间的相互依赖，在准确度、效率等方面得以提升。因此，本实施例可以提高文本处理效果。
54.图4是根据本公开第四实施例的示意图。本实施例提供一种文本处理方法，并结合图5所示的结构图，本实施例的方法包括：
55.401、对文本进行正则化处理，以获得正则化文本。
56.其中，正则化处理也可以称为文本正则化(text normalization，tn)，是将非标准词(non-standard words，nsw)转化为口语词(spoken-form words,sfw)。
57.语音合成系统的原始输入可能包含复杂的多种输入类型，如编号、基数词、序数词、数值范围、日期、时间、温度、分数、小数、百分数和电话号码等。在语音合成系统中，需要先使用文本正则化模块将上述的复杂输入转换为纯文本输入，再用转换后的纯文本作为后续模块，如分词、变调、多音字预测和韵律预测的输入。
58.其中，可以采用纯规则的方式完成了文本正则模块，示例输入输出如表1所示：
59.表1
[0060][0061][0062]
通过对文本进行正则化处理，可以实现文本的标准化，便于后续处理。
[0063]
402、采用预训练语言模型，对输入的所述正则化文本进行特征提取，以输出所述正则化文本的表示特征。
[0064]
其中，预训练语言模型可以为bert模型或者ernie模型等。预训练语言模型一般是采用大数据量的语料训练得到的，比如，亿级别文本语料训练得到的，因此，预训练语言模
型的准确度、泛化性等方面的性能均较好。
[0065]
通过采用预训练语言模型提取正则化文本的表示特征，可以获得表达能力更好的表示特征。
[0066]
403、采用多个任务中各个任务对应的单个深度学习模型，对输入的所述表示特征进行处理，以输出所述各个任务的任务结果。
[0067]
其中，深度学习模块可以为分类网络模型，比如，fc网络模型。
[0068]
对于某个或某些任务，也可以采用非深度学习模型进行处理，比如，针对分词，可以采用jieba分词。
[0069]
但是，为了提高精确度，可以采用深度学习模型进行处理。
[0070]
进一步地，深度学习模型采用分类网络模型，可以简化实现。
[0071]
以多个任务包括：分词-词性标注(即完成分词和词性标注)、韵律预测、变调、多音字预测为例，如图5所示，多个任务可以采用并行结构，多个任务中各个任务的输入均为预训练模型输出的表示特征。
[0072]
本实施例中，通过对文本进行正则化，提取正则化文本的表示特征，基于表示特征并行执行多个任务，可以实现基于规则和深度学习的文本前端处理过程。由于不是纯语言学设计方案，避免了传统基于纯规则的文本前端模块需要语言学专家参与研发和跨语言迁移困难的问题。多个任务的深度学习模型采用并行结构，各模型独立，只依赖统一的预训练语言模型，各模型之间的误差不再传递；预训练语言模块的表示特征(如，字向量)是上下文相关的表达，且预训练语言模型的训练数据近乎无限；通过各模型的并行处理，整体的预测速度更快。
[0073]
上述涉及了模型的应用过程，针对模型的训练过程，可以参见下面的实施例。
[0074]
图6是根据本公开第六实施例的示意图。本实施例提供一种文本处理模型的训练方法，所述文本处理模型包括：特征提取模型和多个任务处理模型，所述方法包括：
[0075]
601、采用所述特征提取模型，对输入的训练文本进行特征提取，以输出所述训练文本的表示特征。
[0076]
602、采用所述多个任务处理模型中各个任务处理模型，对所述表示特征进行处理，以输出各个任务的预测结果。
[0077]
603、基于所述预测结果和所述训练文本的标签数据，构建损失函数。
[0078]
604、基于所述损失函数，调整所述特征提取模型的模型参数和所述多个任务处理模型中至少一个任务处理模型的模型参数。
[0079]
其中，本实施例训练的文本处理模型，可以应用到中文语音合成系统的文本前端模块中。
[0080]
如图7所示，文本处理模型700可以包括特征提取模型701和多个任务处理模型702，图7中分别用第一任务处理模型～第四任务处理模型表示。
[0081]
所述多个任务处理模型用于执行如下任务中的至少两项：分词、词性标注、韵律预测、多音字预测、变调中的至少两项。
[0082]
通过上述的分词、词性标注等任务，可以适用于文本前端模块。
[0083]
上述的训练文本可以是预先收集的，具体可以为正则化文本。
[0084]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提
供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0085]
其中，所述特征提取模型可以为预训练预言模型；和/或，所述各个任务处理模型可以为分类网络模型。
[0086]
其中，预训练语言模型可以为bert模型或者ernie模型等。预训练语言模型一般是采用大数据量的语料训练得到的，比如，亿级别文本语料训练得到的，因此，预训练语言模型的准确度、泛化性等方面的性能均较好。
[0087]
通过采用预训练语言模型提取训练文本的表示特征，可以获得表达能力更好的表示特征。
[0088]
深度学习模型采用fc网络模型，可以简化实现。
[0089]
在训练时，多个任务中各个任务可以有不同的数据集，有些数据集的标签可以同时用于多个任务，有的数据集的标签仅可以用于一个任务，在数据预处理阶段，可以把所有任务的所有数据集所有标签都整合起来，对数据进行随机排序，在训练时，模型根据每一条数据的标签，判断是否将该条数据用于某一个子任务损失函数的计算，例如，若某条数据中仅包含韵律预测任务的标签，那么该条数据仅用于韵律预测相关损失函数的计算，若某条数据同时包含多音字预测和韵律预测的标签，那么该条数据同时用于多音字预测和韵律预测相关标签的计算。
[0090]
假设多个任务有4个任务，可以分别称为第一任务～第四任务，则损失函数l＝l1 l2 l3 l4，其中，l1～l4是根据各个任务的预测结果和标签数据构建的，比如，某条训练文本及其标签数据用《text,label》表示，假设label可以用于第一任务(对应l1)和第二任务(对应l2)，则可以将text输入到图7所示的文本处理模型中，从第一任务处理模型输出的结果可以称为第一预测结果，从第二任务处理模型输出的结果可以称为第二预测结果，则可以基于第一预测结果和label构建l1，基于第二预测结果和label构建l2，由于label没有用于第三任务和第四任务，则l3＝l4＝0，此时的l＝l1 l2。之后，可以采用反向传播(back propagation，bp)算法等进行模型参数的调整。其中，涉及参数调整的模型可以包括预训练语言模型和标签数据所对应的任务处理模型，比如，上述的标签数据用于第一任务和第二任务，则可以基于此时的损失函数l更新第一任务处理模型和第二任务处理模型。
[0091]
本实施例中，通过提取训练文本的表示特征，基于表示特征并行执行多个任务，由于提取了表示特征并基于表示特征处理，可以不需要纯语言学设计，避免纯语言学设计引起的问题。另外，通过并行执行多个任务，相对于串行方式，可以避免任务间的相互依赖，在准确度、效率等方面得以提升。因此，本实施例可以提高文本处理模型的训练效果。
[0092]
另外，在训练时是多个任务处理模型联合训练，比如，损失函数是所涉及的各个任务处理模型对应的损失函数之和，能个更有效地使用各任务处理模型的训练数据。各个任务处理模型之间不再相互依赖，训练数据不存在耦合，训练数据不需要依次提取，训练更容易维护。通过并行执行各个任务处理模型，可以加速训练速度。
[0093]
图8是根据本公开第八实施例的示意图，本实施例提供一种文本处理装置。如图8所示，文本处理装置800包括：正则化模块801、特征提取模块802和任务执行模块803。
[0094]
正则化模块801用于对文本进行正则化处理，以获得正则化文本；特征提取模块802用于提取所述正则化文本的表示特征；任务执行模块803用于基于所述表示特征，并行执行多个任务，以获得所述多个任务中各个任务的任务结果。
[0095]
本实施例中，通过提取正则化文本的表示特征，基于表示特征并行执行多个任务，由于提取了表示特征并基于表示特征处理，可以不需要纯语言学设计，避免纯语言学设计引起的问题。另外，通过并行执行多个任务，相对于串行方式，可以避免任务间的相互依赖，在准确度、效率等方面得以提升。因此，本实施例可以提高文本处理效果。
[0096]
一些实施例中，所述多个任务包括：分词、词性标注、韵律预测、多音字预测、变调中的至少两项。
[0097]
通过上述的分词、词性标注等任务，可以适用于文本前端模块。
[0098]
一些实施例中，所述特征提取模块802进一步用于：采用预训练语言模型，对输入的所述正则化文本进行特征提取，以输出所述正则化文本的表示特征。
[0099]
通过采用预训练语言模型提取正则化文本的表示特征，可以获得表达能力更好的表示特征。
[0100]
一些实施例中，所述任务执行模块803进一步用于：采用所述各个任务对应的单个深度学习模型，对输入的所述表示特征进行处理，以输出所述各个任务的任务结果。
[0101]
通过采用深度学习模型进行处理，可以提高精确度。
[0102]
一些实施例中，所述深度学习模型为分类网络模型。
[0103]
深度学习模型采用fc网络模型，可以简化实现。
[0104]
图9是根据本公开第九实施例的示意图，本实施例提供一种文本处理模型的训练装置。如图9所示，文本处理模型的训练装置900包括：特征提取模块901、任务执行模块902、构建模块903和调整模块904。
[0105]
所述文本处理模型包括：特征提取模型和多个任务处理模型。
[0106]
特征提取模块901用于采用所述特征提取模型，对输入的训练文本进行特征提取，以输出所述训练文本的表示特征；任务执行模块902用于采用所述多个任务处理模型中各个任务处理模型，对所述表示特征进行处理，以输出各个任务的预测结果；构建模块903用于基于所述预测结果和所述训练文本的标签数据，构建损失函数；调整模块904用于基于所述损失函数，调整所述特征提取模型的模型参数和所述多个任务处理模型中至少一个任务处理模型的模型参数。
[0107]
本实施例中，通过提取训练文本的表示特征，基于表示特征并行执行多个任务，由于提取了表示特征并基于表示特征处理，可以不需要纯语言学设计，避免纯语言学设计引起的问题。另外，通过并行执行多个任务，相对于串行方式，可以避免任务间的相互依赖，在准确度、效率等方面得以提升。因此，本实施例可以提高文本处理模型的训练效果。
[0108]
另外，在训练时是多个任务处理模型联合训练，比如，损失函数是所涉及的各个任务处理模型对应的损失函数之和，能个更有效地使用各任务处理模型的训练数据。各个任务处理模型之间不再相互依赖，训练数据不存在耦合，训练数据不需要依次提取，训练更容易维护。通过并行执行各个任务处理模型，可以加速训练速度。
[0109]
一些实施例中，所述多个任务处理模型用于执行如下任务中的至少两项：
[0110]
分词、词性标注、韵律预测、多音字预测、变调中的至少两项。
[0111]
通过上述的分词、词性标注等任务，可以适用于文本前端模块。
[0112]
一些实施例中，所述特征提取模型为预训练语言模型；和/或，所述各个任务处理模型为分类网络模型。
[0113]
通过采用预训练语言模型提取训练文本的表示特征，可以获得表达能力更好的表示特征。
[0114]
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
[0115]
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
[0116]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0117]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0118]
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0119]
如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元10010加载到随机访问存储器(ram)1003中的计算机程序，来执行各种适当的动作和处理。在ram 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
[0120]
电子设备1000中的多个部件连接至i/o接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0121]
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如文本处理方法。例如，在一些实施例中，文本处理方法或文本处理模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由rom 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到ram 1003并由计算单元1001执行时，可以执行上文描述的文本处理方法或文本处理模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本处理方法或文本处理模型的训练方法。
[0122]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程
序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0123]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0124]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0125]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0126]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0127]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0128]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0129]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。