标的物分类方法、存储介质及计算机终端与流程

1.本技术涉及标的物的分类领域，具体而言，涉及一种标的物分类方法、存储介质及计算机终端。


背景技术：

2.目前，招投标推荐旨在为企业推荐感兴趣的有效招标机会，对标的物分类有利于筛选候选投标企业，提高推荐的准确率，一般是通过领域专家对标的物进行手工分类，其分类的效率较低。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术实施例提供了一种标的物分类方法、存储介质及计算机终端，以至少解决相关技术中对标的物进行分类的效率较低的技术问题。
5.根据本技术实施例的一个方面，提供了一种标的物分类方法，包括：获取目标标的物；利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别。
6.根据本技术实施例的另一个方面，提供了一种标的物分类方法，包括：获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别，原始类别属于预设行业分类中包含的多个层级的行业类别；利用目标数据集对分类模型进行训练，其中，分类模型用于对目标标的物进行层次分类，得到目标标的物的目标分类结果。
7.根据本技术实施例的另一个方面，提供了一种标的物分类装置，包括：获取模块，用于获取目标标的物；分类模块，用于利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别。
8.根据本技术实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一个的标的物分类方法。
9.根据本技术实施例的另一方面，还提供了一种计算机终端，包括：存储器和处理器，处理器用于运行存储器中存储的程序，其中，程序运行时执行上述任意一项的标的物分类方法。
10.在本技术实施例中，首先获取目标标的物，然后利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别，实现了提高分类效率的目的。容易注意到的是，利用分类模型可以对目标标的物进行层级分类，得到多个层级的目标类别，能够实现对标的物进行多个层次的分类，达到更好的分类效果，并且，由于是通过分类模型
对目标标的物进行分类，其分类效率也能够大大提升，进而解决了相关技术中对标的物进行分类的效率较低的技术问题。
附图说明
11.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
12.图1是根据本技术实施例的一种用于实现标的物分类方法的计算机终端(或移动设备)的硬件结构框图；
13.图2是根据本技术实施例的一种标的物分类方法的流程图；
14.图3是根据本技术实施例的一种标的物分类装置的示意图；
15.图4是根据本技术实施例的一种计算机终端的结构框图；
16.图5是根据本技术实施例的另一种标的物分类方法的流程图；
17.图6是根据本技术实施例的另一种标的物分类装置的示意图。
具体实施方式
18.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
19.需要说明的是，本技术的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。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。
20.首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
21.标的物：本技术中指招标的标书中诉求的产品或服务；
22.层次分类：待分类类别之间存在显示层次结构关系；
23.目前，短文本分类是自然语言识别领域中非常重要的分支，在经典模型中，关注短文本分类的模型有快速文本分类算法(fasttext)、文本卷积算法(textcnn)等，关注层次分类的有层级多标签分类(hft-cnn)等。不同于常规的短文本分类，在标的物层次分类任务中，存在两个核心特征a)输入为标的物名词，b)输入为层次结构，对于特征a),标的物通常为10字以内的短文本，为名词或者偏正短语，字位置越靠后重要性越强，例如“笔记本电脑”、“物业管理服务”等，对于特征b)，分类是层级的、上下层级约束的、以及同级不同类之间互斥。其中，非层级分类模型，例如fasttext可以直接预测末端类别，但是难以保证类间互斥和类内聚簇。
24.本技术中针对于更关注“右侧”字符的模型对层次分类支持均有不足的情况，可以基于语言模型对层次分类进行良好的支持，借用模型的参数共享机制，构造当前字符的“左1字符比左n字符更重要”的字符序列环境，训练模型关注右侧字符，从而实现语言模型对上述两个核心特点的兼容。
25.实施例1
26.根据本技术实施例，还提供了一种标的物分类方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
27.本技术实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现标的物分类方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为bus总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
28.应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
29.存储器104可用于存储应用软件的软件程序以及模块，如本技术实施例中的标的物分类方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的标的物分类方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。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。
30.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称rf)模块，其用于通过无线方式与互联网进行通讯。
31.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
32.此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设
备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
33.在上述运行环境下，本技术提供了如图2所示的标的物分类方法。图2是根据本技术实施例的标的物分类方法的流程图。如图2所示，该方法可以包括如下步骤：
34.步骤s202，获取目标标的物。
35.上述的目标标的物可以是实物也可以是服务。
36.在一种可选的实施例中，可以获取目标标的物的短文本，例如名词或者偏正短语，其中，字位置靠后其重要性就越强，例如“笔记本电脑”、“物业管理服务”。
37.上述的目标标的物可以为《统计用产品分类目录》中包含的标的物。
38.步骤s204，利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果。
39.其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别。
40.上述的分类模型可以对目标标的物进行不同层次的分类，在一个行业分类中可以包含有不同层次的行业类别。
41.在一种可选的实施例中，可以通过分类模型对目标标的物进行多级分类，得到目标标的物在多个层级的目标类别，可以在第一层级上对目标标的物进行分类，得到目标标的物在第一层级上的类别，可以在第二层级上根据目标标的物和第一层级上的类别对目标标的物进行分类，得到目标标的物在第二层级上的类别，可以在第三层级上根据目标标的物和第二层级上的类别对目标标的物进行分类，以此类推，可以得到目标标的物在多个层级上的目标类别。
42.在另一种可选的实施例中，可以将《国民经济行业分类》作为分类体系，得到目标标的物在《国民经济行业分类》上多个层级的行业类别。其中，可以通过《统计用产品分类目录》对《国民经济行业分类》的末端子类进行扩充，建立目前存在的标的物与《国民经济行业分类》之间的关系，并将末端类作为“标的物”，末端类前序《国民经济行业分类》逐级的分类作为“标的物”的分类建立目标数据集，通过该目标数据集可以训练得到上述的分类模型。
43.通过上述步骤，首先获取目标标的物，然后利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别，实现了提高分类效率的目的。容易注意到的是，利用分类模型可以对目标标的物进行层级分类，得到多个层级的目标类别，能够实现对标的物进行多个层次的分类，达到更好的分类效果，并且，由于是通过分类模型对目标标的物进行分类，其分类效率也能够大大提升，进而解决了相关技术中对标的物进行分类的效率较低的技术问题。
44.本技术上述实施例中，利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，包括：基于目标标的物和预设类别构建第一输入数据；利用分类模型对第一输入数据进行分类，得到当前层级的类别；重复执行基于目标标的物和当前层级的类别构建第二输入数据，并利用分类模型对第二输入数据进行分类，得到下一层级的类别的步骤，直至分类次数达到预设次数；基于当前层级的类别和至少一个下一层级的类别，生成
目标分类结果。
45.上述的预设类别为空，用none表示。
46.上述的预设次数可以自行设定，例如，可以设置为4次，这样就可以得到目标标的物在4个层级上的类别。
47.在一种可选的实施例中，可以根据目标标的物和预设类别构建第一输入数据，将第一输入数据输入到分类模型中，通过分类模型得到目标标的物和预设类别在当前层级的类别，可以根据目标标的物和当前层级的类别构建第二输入数据，将第二输入数据输入到分类模型中，通过分类模型得到目标标的物和当前层级的类别在下一个层级的类别，直至分类次数达到4次，根据当前层级的类别和三个至少下一层级的类别，生成目标分类结果。
48.本技术上述实施例中，该方法还包括：获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别；基于目标数据集构建多个第一训练样本，其中，每个第一训练样本包括：输入样本和第一类别，输入样本包含原始标的物和当前层级的原始类别，或原始标的物和预设类别，第一类别为第一层级的原始类别，或当前层级的下一层级的原始类别；利用多个第一训练样本对分类模型进行训练。
49.上述的预设类别可以为none。
50.上述的原始标的物可以是现有标的物，其中，原始标的物可以从《统计用产品分类目录》得到。
51.在一种可选的实施例中，通过将“标的物，当前分类”作为输入，将“下一级分类”作为标签的数据组织形式来训练分类模型，对于任意标的物可以都属于[p1,p2,p3,p4]分类，不足4级时可以用none补齐，则对于该标的物可以构成四个第一训练样本。
[0052]
在另一种可选的实施例中，原始标的物可以为玻璃钢课桌，玻璃钢课桌可以属于[制造业，文教、工美、体育和娱乐用品制造业，文教办公用品制造，教学用模型及教具制造，则可以构建四个第一训练样本。其中，第一训练样本可以为玻璃钢课桌；none，其对应的第一类别可以为制造业，以此类推，第一训练样本还可以为玻璃钢课桌：制造业，其对应的第一类别可以为文教、工美、体育和娱乐用品制造业，第一训练样本还可以为玻璃钢课桌：文教、工美、体育和娱乐用品制造业，其对应的第一类别可以为文教办公用品制造，第一训练样本还可以为玻璃钢课桌：文教办公用品制造，其对应的第一类别可以为教学用模型以及教具制造。在获取到多个第一训练样本时，可以利用多个第一训练样本对分类模型进行训练，以便分类模型能够对目标标的物进行多层级的分类。
[0053]
本技术上述实施例中，分类模型包括：依次连接的自编码语言模块、防止过拟合层和至少一个全连接层；使用交叉熵损失函数对分类模型进行训练。
[0054]
上述的自编码语言模块可以为自编码语言模型(bidirectional encoder representations from transformers，简称bert)。
[0055]
上述的防止过拟合层(dropout)是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃以防止出现过拟合的情况。
[0056]
在一种可选的实施例中，可以使用使用bert dropout 全连接层(fc)与交叉熵损失函数(crossentropyloss)作为分类模型的基本网络机构。也即，可以将bert分类任务的输出接dropout层，将dropout接全链接层，使用交叉熵损失函数对模型进行训练。其中，可以使用3层fc，每层隐藏节点数可以为128。
[0057]
本技术上述实施例中，分类模型包含语言模型，其中，利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，包括：基于预设长度、预设深度、目标标的物和预设值构建输入序列；利用语言模型对输入序列进行层次分类，得到输出序列，其中，输出序列包含目标标的物和目标标识信息，其中，目标标识信息用于标识多个层级的目标类别；提取输出序列包含的目标标识信息；获取目标标识信息对应的类别，得到目标分类结果。
[0058]
上述的预设长度可以为定义序列的最大长度，上述的预设深度可以为层级分类的最大深度，上述的预设值可以为none，其用于在分类层级难以达到预设深度时，将分类层级补全至预设深度。
[0059]
目前更关注“右侧”字符模型，其对层次分类的支持均有不足，本技术中可以基于语言模型对层次分类进行良好的支持，可以借用模型的参数共享机制，构造当前字符的“左1字符比左n字符更重要”的字符序列环境，以便模型能够更关注右侧字符，并且可以对层次分类具有更好的兼容。
[0060]
上述的目标标识信息可以在p1、p2、p3、p4的位置中显示，上述的多个层级的目标类别可以为制造业,文教、工美、体育和娱乐用品制造业,文教办公用品制造,教学用模型及教具制造。
[0061]
在一种可选的实施例中，以预测玻璃钢课桌的分类结果为例进行说明，可以设置预设深度t为5，预设长度m为15。当标的物实际类别层级不足t级时用预设值补齐至t级；输入数据左侧的补全值(padding)可以将数据补全至长度m-1；输入数据左侧补齐开始符号[s]。当m＝15，t＝5时，可以构建输入序列如下：[s][pad][pad][pad]玻璃钢课桌:p1 p2 p3 p4 none。
[0062]
上述的数据构造方法中，由于相对于更远的信息(如标的物名称)，类别层次部分p2更关注p1，p3更关注p2，依次类推，且层次部分序列占比较大，所以模型训练完成够更倾向于关注序列中右侧的字符。因而模型在标的物部分相对“玻”、“璃”、“钢”也会更关注“课”、“桌”。例如，当m＝15，t＝5时，玻璃钢课桌属于[制造业,文教、工美、体育和娱乐用品制造业,文教办公用品制造,教学用模型及教具制造]，对应token_id为[p1 p2 p3 p4]，也即，最终输出的输出序列可以为[s][pad][pad][pad]玻璃钢课桌:p1 p2 p3 p4 none，其中，p1 p2 p3 p4可以为目标标识信息，通过对目标标识信息进行映射，可以得到目标分类结果，也即玻璃钢课桌属于[制造业,文教、工美、体育和娱乐用品制造业,文教办公用品制造,教学用模型及教具制造]。
[0063]
在另一种可选的实施例中，在预测分类结果时，可以对输出序列进行字符串截取，可以只截取“：”后部分的内容，剔除none，可以根据目标标识信息映射回层级分类名称，即为该目标标的物对应的层次分类。
[0064]
本技术上述实施例中，基于预设长度、预设深度、目标标的物和预设值构建输入序列，包括：基于预设值构建第一子序列，第一子序列对应的分类深度为预设深度；基于第一预设符号、预设填充数据、目标标的物和第二预设符号构建第二子序列，其中，预设填充数据位于目标标的物的左侧，第一预设符号位于预设填充数据的左侧，第二预设符号位于目标标的物的右侧；将第一子序列和第二子序列进行拼接，构建输入序列，其中，输入序列的长度为预设长度。
[0065]
在一种可选的实施例中，可以根据需要得到的目标标的物的分类层级数来确定预设深度，若需要5个分类层级，则可以设置预设深度为5，但是目标标的物实际只有4个分类层级，则可以通过none将第一子序列的4个分类层级进行补全至5个分类层级。
[0066]
上述的第一预设符号可以为开始符号，例如[s]。上述的预设填充数据可以为补全值，例如[pad]。上述的目标标的物可以为目标标的物的名称。上述的第二预设符号可以为分隔符号，例如“：”。上述的预设长度可以为预先设置的长度，其中，预设长度可以根据常用的标的物的名称长度和分类层级确定。
[0067]
在一种可选的实施例中，可以根据预设长度将第一子序列和第二子序列进行拼接，在拼接的过程中，可以通过增加或减少预设填充数据使得最终的输入序列长度能够达到预设长度。
[0068]
本技术上述实施例中，提取输出序列包含的目标标识信息，包括：获取输出序列中位于第二预设符号之后的字符串；剔除字符串中包含的预设值，得到目标字符串；提取目标字符串包含的目标标识信息。
[0069]
在一种可选的实施例中，可以获取输出序列中位于第二预设符号之后的字符串，该字符串中包含了目标分类结果对应的目标标识信息，在获取到字符串之后，可以将字符串中的none剔除，剩余的字符串则为目标字符串，可以提取目标字符串中包含的目标标识信息，并将该目标标识信息映射回层级分类名称，最终得到目标标的物对应的目标分类结果。
[0070]
本技术上述实施例中，获取目标数据集包括：获取第一数据集和第二数据集，其中，第一数据集包含行业类别，第二数据集包含预设统计分类中的多个预设标的物和多个统计类别；将第二数据集扩展至第一数据集，生成增广分类；基于增广分类构建目标数据集。
[0071]
上述的第一数据集可以为《国民经济行业分类》，其中，《国民经济行业分类》是国家统计局依据经济活动的同质性原则对国民经济行业进行的划分，共4级20大类57543小类。
[0072]
上述的第二数据集可以为《统计用产品分类目录》，其中，《统计用产品分类目录》是对社会经济活动中的实物类产品和服务类产品进行的统一分类和编码，具有5级36148小类，与《国民经济行业分类》的小类具有明显的对应关系。《统计用产品分类目录》的子类是具体实物和服务，例如如玻璃钢课桌和林木种植管理服务，常见于教具采购招标和绿化服务招标。为简化描述，下称《国民经济行业分类》为行业分类，称《统计用产品分类目录》为统计分类。
[0073]
在一种可选的实施例中，可以将第二数据集扩展到第一数据集中，生成增广分类，可以根据增广分类构建目标数据集，可以将统计分类的各级分类按照扩充步骤对应关系扩充到行业类别中。
[0074]
本技术上述实施例中，将第二数据集扩展至第一数据集，生成增广分类，包括：获取第一数据集中多个层级的行业类别，构建第一列表，其中，第一列表包含多个第一数据项；基于第二数据集中多个层级的统计类别，构建第二列表，其中，第二列表包含多个第二数据项；基于每个第一数据项和每个第二数据项的连接关系，确定每个第一数据项的适合度；确定最大适合度对应的第一数据项在第一列表中的目标序号；在目标序号不是预设序
号的情况下，将第二数据集中其他统计类别绑定至第一列表中目标序号对应的目标行业类别之下。
[0075]
上述的预设序号可以为0。
[0076]
在一种可选的实施例中，在将第二数据集扩展至第一数据集，生成增广分类时，首先可以对行业分类，删除20个只有1级大类的子类，然后取行业分类第2-4级组成q列表，也即上述的第一列表，可以取统计分类第1-3级组成p列表，对任意p分类属于p列表，也即上述的第二列表，从q中按上述类别匹配方法匹配较优的关联分类，也即确定每个第一数据项的适合度，可以确定最大适合度对应的第一数据项在第一列表中的目标序号，在目标序号不是0的情况下，则将当前p分类4-5级绑定到q的1-4级下，否则不绑定。该绑定逻辑会出现行业分类-统计分类一绑多的情况。在将p分类绑定到q之后，可以得到的扩充后的行业分类，即为增广分类。
[0077]
本技术上述实施例中，将第二数据集扩展至第一数据集，生成增广分类，包括：确定增广分类中末端类别为原始标的物；确定增广分类中末端类别对应的多个层级的目标前序类别为原始类别，其中，目标前序类别为属于行业类别的前序类别。
[0078]
在一种可选的实施例中，可以将增广分类的末端类别名作为“标的物”，末端类前序类别中行业分类部分可以作为“标的物”的分类，可以构建“标的物-多级分类”的数据。
[0079]
上述的目标前序类别为行业类别中与行业类别匹配度较高的前序类别。
[0080]
在一种可选的实施例中，可以将统计分类的各级分类按照下述扩充步骤对应关系扩充到行业的末端类别上，可以定义类别匹配方法为输入统计分类序列p，行业分类序列列表q＝[q1,
…
qm]，得到输出为与统计分类匹配度较高的行业分类序号idx；可选的，可以通过下步骤确定出行业分类序号idx：
[0081]
1)对统计分类序列p＝[pn1,pn2,pn3]三个类别名称，若存在，则删除类别名称字符串尾端“产品”/“服务”二字，得到p’＝[pn1’,pn2’,pn3’]；
[0082]
2)对q中第k项qk，qk＝[qkn1,qkn2,qkn3]，计算fitness数值，可以通过如下公式确定：
[0083][0084]
其中，issubstr(pni',qkni)在pni'为qkni的连续子串时为1，否则为0。
[0085]
3)从k＝1到k＝m循环执行第(2)项，取fitness_k中非零最大者，返回下标idx。如果最大为0，则返回0，可以通过如下公式计算得到下标idx：
[0086][0087]
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
[0088]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知
悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
[0089]
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根据上述实施例的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，或者网络设备等)执行本技术各个实施例的方法。
[0090]
实施例2
[0091]
根据本技术实施例，还提供了一种用于实施上述标的物分类方法的标的物分类装置，如图3所示，该装置300包括：获取模块302、分类模块304。
[0092]
其中，获取模块302用于获取目标标的物；分类模块304用于利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别。
[0093]
此处需要说明的是，上述获取模块402、分类模块404对应于实施例1中的步骤s202至步骤s204。两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
[0094]
本技术上述实施例中，分类模块包括：第一构建单元、分类单元、生成单元。
[0095]
其中，构建单元用于基于目标标的物和预设类别构建第一输入数据；分类单元用于利用分类模型对第一输入数据进行分类，得到当前层级的类别；分类单元还用于重复执行基于目标标的物和当前层级的类别构建第二输入数据，并利用分类模型对第二输入数据进行分类，得到下一层级的类别的步骤，直至分类次数达到预设次数；生成单元用于基于当前层级的类别和至少一个下一层级的类别，生成目标分类结果。
[0096]
本技术上述实施例中，该装置还包括：构建模块、训练模块。
[0097]
其中，获取模块还用于获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别；构建模块用于基于目标数据集构建多个第一训练样本，其中，每个第一训练样本包括：输入样本和第一类别，输入样本包含原始标的物和当前层级的原始类别，或原始标的物和预设类别，第一类别为第一层级的原始类别，或当前层级的下一层级的原始类别；训练模块还用于利用多个第一训练样本对分类模型进行训练。
[0098]
本技术上述实施例中，分类模型包括：依次连接的自编码语言模块、防止过拟合层和至少一个全连接层；训练模块还用于使用交叉熵损失函数对分类模型进行训练。
[0099]
本技术上述实施例中，分类模型包含语言模型，其中，分类模块还包括：提取单元、第一获取单元。
[0100]
其中，构建单元还用于基于预设长度、预设深度、目标标的物和预设值构建输入序列；分类单元还用途利用语言模型对输入序列进行层次分类，得到输出序列，其中，输出序列包含目标标的物和目标标识信息，其中，目标标识信息用于标识多个层级的目标类别；提取单元还用于提取输出序列包含的目标标识信息；第一获取单元用于获取目标标识信息对应的类别，得到目标分类结果。
[0101]
本技术上述实施例中，构建单元包括：第一构建子单元、拼接子单元。
[0102]
其中构建子单元用于基于预设值构建第一子序列，第一子序列对应的分类深度为预设深度；第一构建子单元还用于基于第一预设符号、预设填充数据、目标标的物和第二预设符号构建第二子序列，其中，预设填充数据位于目标标的物的左侧，第一预设符号位于预设填充数据的左侧，第二预设符号位于目标标的物的右侧；拼接子单元还用于将第一子序列和第二子序列进行拼接，构建输入序列，其中，输入序列的长度为预设长度。
[0103]
本技术上述实施例中，该装置还包括：确定模块、构建模块。
[0104]
其中，获取模块还用于获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别；确定模块用于确定原始类别对应的原始标识信息；构建模块还用于基于目标数据集构建第二训练样本，其中，第二训练样本基于预设长度、预设深度、原始标的物和原始标识信息生成；训练模块还用于利用第二训练样本对语言模型进行训练。
[0105]
本技术上述实施例中，提取单元包括：获取子单元、剔除子单元、提取子单元。
[0106]
其中，获取子单元用于获取输出序列中位于第二预设符号之后的字符串；剔除子单元用于剔除字符串中包含的预设值，得到目标字符串；提取子单元用于提取目标字符串包含的目标标识信息。
[0107]
本技术上述实施例中，获取模块还包括：第二获取单元、扩展单元、第二构建单元。
[0108]
其中，第二获取单元用于获取第一数据集和第二数据集，其中，第一数据集包含行业类别，第二数据集包含预设统计分类中的多个预设标的物和多个统计类别；扩展单元用于将第二数据集扩展至第一数据集，生成增广分类；第二构建单元用于基于增广分类构建目标数据集。
[0109]
本技术上述实施例中，扩展单元包括：第二构建子单元、第一确定子单元、绑定子单元。
[0110]
其中，第二构建子单元用于获取第一数据集中多个层级的行业类别，构建第一列表，其中，第一列表包含多个第一数据项；第二构建子单元还用于基于第二数据集中多个层级的统计类别，构建第二列表，其中，第二列表包含多个第二数据项；第一确定子单元用于基于每个第一数据项和每个第二数据项的连接关系，确定每个第一数据项的适合度；确定子单元还用于确定最大适合度对应的第一数据项在第一列表中的目标序号；绑定子单元用于在目标序号不是预设序号的情况下，将第二数据集中其他统计类别绑定至第一列表中目标序号对应的目标行业类别之下。
[0111]
本技术上述实施例中，扩展单元还包括：第二确定子单元。
[0112]
其中，第二确定子单元用于确定增广分类中末端类别为原始标的物；第二确定子单元还用于确定增广分类中末端类别对应的多个层级的目标前序类别为原始类别，其中，目标前序类别为属于行业类别的前序类别。
[0113]
需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
[0114]
实施例3
[0115]
本技术的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终
端等终端设备。
[0116]
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
[0117]
在本实施例中，上述计算机终端可以执行标的物分类方法中以下步骤的程序代码：获取目标标的物；利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别。
[0118]
可选地，图4是根据本技术实施例的一种计算机终端的结构框图。如图4所示，该计算机终端a可以包括：一个或多个(图中仅示出一个)处理器、存储器。
[0119]
其中，存储器可用于存储软件程序以及模块，如本技术实施例中的标的物分类方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的标的物分类方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步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终端a。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。
[0120]
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标标的物；利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别。
[0121]
可选的，上述处理器还可以执行如下步骤的程序代码：本技术上述实施例中，利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，包括：基于目标标的物和预设类别构建第一输入数据；利用分类模型对第一输入数据进行分类，得到当前层级的类别；重复执行基于目标标的物和当前层级的类别构建第二输入数据，并利用分类模型对第二输入数据进行分类，得到下一层级的类别的步骤，直至分类次数达到预设次数；基于当前层级的类别和至少一个下一层级的类别，生成目标分类结果。
[0122]
可选的，上述处理器还可以执行如下步骤的程序代码：获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别；基于目标数据集构建多个第一训练样本，其中，每个第一训练样本包括：输入样本和第一类别，输入样本包含原始标的物和当前层级的原始类别，或原始标的物和预设类别，第一类别为第一层级的原始类别，或当前层级的下一层级的原始类别；利用多个第一训练样本对分类模型进行训练。
[0123]
可选的，上述处理器还可以执行如下步骤的程序代码：分类模型包括：依次连接的自编码语言模块、防止过拟合层和至少一个全连接层；使用交叉熵损失函数对分类模型进行训练。
[0124]
可选的，上述处理器还可以执行如下步骤的程序代码：基于预设长度、预设深度、目标标的物和预设值构建输入序列；利用语言模型对输入序列进行层次分类，得到输出序列，其中，输出序列包含目标标的物和目标标识信息，其中，目标标识信息用于标识多个层级的目标类别；提取输出序列包含的目标标识信息；获取目标标识信息对应的类别，得到目
标分类结果。
[0125]
可选的，上述处理器还可以执行如下步骤的程序代码：基于预设值构建第一子序列，第一子序列对应的分类深度为预设深度；基于第一预设符号、预设填充数据、目标标的物和第二预设符号构建第二子序列，其中，预设填充数据位于目标标的物的左侧，第一预设符号位于预设填充数据的左侧，第二预设符号位于目标标的物的右侧；将第一子序列和第二子序列进行拼接，构建输入序列，其中，输入序列的长度为预设长度。
[0126]
可选的，上述处理器还可以执行如下步骤的程序代码：获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别；确定原始类别对应的原始标识信息；基于目标数据集构建第二训练样本，其中，第二训练样本基于预设长度、预设深度、原始标的物和原始标识信息生成；利用第二训练样本对语言模型进行训练。
[0127]
可选的，上述处理器还可以执行如下步骤的程序代码：获取输出序列中位于第二预设符号之后的字符串；剔除字符串中包含的预设值，得到目标字符串；提取目标字符串包含的目标标识信息。
[0128]
可选的，上述处理器还可以执行如下步骤的程序代码：获取第一数据集和第二数据集，其中，第一数据集包含行业类别，第二数据集包含预设统计分类中的多个预设标的物和多个统计类别；将第二数据集扩展至第一数据集，生成增广分类；基于增广分类构建目标数据集。
[0129]
可选的，上述处理器还可以执行如下步骤的程序代码：获取第一数据集中多个层级的行业类别，构建第一列表，其中，第一列表包含多个第一数据项；基于第二数据集中多个层级的统计类别，构建第二列表，其中，第二列表包含多个第二数据项；基于每个第一数据项和每个第二数据项的连接关系，确定每个第一数据项的适合度；确定最大适合度对应的第一数据项在第一列表中的目标序号；在目标序号不是预设序号的情况下，将第二数据集中其他统计类别绑定至第一列表中目标序号对应的目标行业类别之下。
[0130]
可选的，上述处理器还可以执行如下步骤的程序代码：确定增广分类中末端类别为原始标的物；确定增广分类中末端类别对应的多个层级的目标前序类别为原始类别，其中，目标前序类别为属于行业类别的前序类别。
[0131]
采用本技术实施例，提供了一种标的物分类方法，首先获取目标标的物，然后利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别，实现了提高分类效率的目的。容易注意到的是，利用分类模型可以对目标标的物进行层级分类，得到多个层级的目标类别，能够实现对标的物进行多个层次的分类，达到更好的分类效果，并且，由于是通过分类模型对目标标的物进行分类，其分类效率也能够大大提升，进而解决了相关技术中对标的物进行分类的效率较低的技术问题。
[0132]
本领域普通技术人员可以理解，图4所示的结构仅为示意，计算机终端也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图4其并不对上述电子装置的结构造成限定。例如，计算机终端a还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图4所示不同的配置。
[0133]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可
以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0134]
实施例4
[0135]
本技术的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例所提供的标的物分类方法所执行的程序代码。
[0136]
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
[0137]
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别；基于目标数据集构建多个第一训练样本，其中，每个第一训练样本包括：输入样本和第一类别，输入样本包含原始标的物和当前层级的原始类别，或原始标的物和预设类别，第一类别为第一层级的原始类别，或当前层级的下一层级的原始类别；利用多个第一训练样本对分类模型进行训练。
[0138]
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：分类模型包括：依次连接的自编码语言模块、防止过拟合层和至少一个全连接层；使用交叉熵损失函数对分类模型进行训练。
[0139]
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于预设长度、预设深度、目标标的物和预设值构建输入序列；利用语言模型对输入序列进行层次分类，得到输出序列，其中，输出序列包含目标标的物和目标标识信息，其中，目标标识信息用于标识多个层级的目标类别；提取输出序列包含的目标标识信息；获取目标标识信息对应的类别，得到目标分类结果。
[0140]
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于预设值构建第一子序列，第一子序列对应的分类深度为预设深度；基于第一预设符号、预设填充数据、目标标的物和第二预设符号构建第二子序列，其中，预设填充数据位于目标标的物的左侧，第一预设符号位于预设填充数据的左侧，第二预设符号位于目标标的物的右侧；将第一子序列和第二子序列进行拼接，构建输入序列，其中，输入序列的长度为预设长度。
[0141]
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别；确定原始类别对应的原始标识信息；基于目标数据集构建第二训练样本，其中，第二训练样本基于预设长度、预设深度、原始标的物和原始标识信息生成；利用第二训练样本对gpt-2模型进行训练。
[0142]
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取输出序列中位于第二预设符号之后的字符串；剔除字符串中包含的预设值，得到目标字符串；提取目标字符串包含的目标标识信息。
[0143]
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取第一数据集和第二数据集，其中，第一数据集包含行业类别，第二数据集包含预设统计分类中的多个预设标的物和多个统计类别；将第二数据集扩展至第一数据集，生成增广分类；基于增广分类构建目标数据集。
[0144]
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取第一数据集中多个层级的行业类别，构建第一列表，其中，第一列表包含多个第一数据项；基于第二数据集中多个层级的统计类别，构建第二列表，其中，第二列表包含多个第二数据项；基于每个第一数据项和每个第二数据项的连接关系，确定每个第一数据项的适合度；确定最大适合度对应的第一数据项在第一列表中的目标序号；在目标序号不是预设序号的情况下，将第二数据集中其他统计类别绑定至第一列表中目标序号对应的目标行业类别之下。
[0145]
可选的，上述存储介质还被设置为存储用于执行以下步骤的程序代码：确定增广分类中末端类别为原始标的物；确定增广分类中末端类别对应的多个层级的目标前序类别为原始类别，其中，目标前序类别为属于行业类别的前序类别。
[0146]
采用本技术实施例，提供了一种标的物分类方法，首先获取目标标的物，然后利用分类模型对目标标的物进行层次分类，得到目标标的物的目标分类结果，其中，目标分类结果包括：多个层级的目标类别，类别属于预设行业分类中包含的多个层级的行业类别，实现了提高分类效率的目的。容易注意到的是，利用分类模型可以对目标标的物进行层级分类，得到多个层级的目标类别，能够实现对标的物进行多个层次的分类，达到更好的分类效果，并且，由于是通过分类模型对目标标的物进行分类，其分类效率也能够大大提升，进而解决了相关技术中对标的物进行分类的效率较低的技术问题。
[0147]
实施例5
[0148]
根据本技术实施例，还提供了一种标的物分类方法实施例，需要说明的是，在附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0149]
图5是本技术实施例的一种标的物分类方法的流程图，如图5所示，该方法可以包括如下步骤：
[0150]
步骤s502，获取目标数据集。
[0151]
其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别，原始类别属于预设行业分类中包含的多个层级的行业类别。
[0152]
步骤s504，利用目标数据集对分类模型进行训练。
[0153]
其中，分类模型用于对目标标的物进行层次分类，得到目标标的物的目标分类结果。
[0154]
本技术上述实施例中，利用目标数据集对分类模型进行训练包括：基于目标数据集构建多个第一训练样本，其中，每个第一训练样本包括：输入样本和第一类别，输入样本包含原始标的物和当前层级的原始类别，或原始标的物和预设类别，第一类别为第一层级的原始类别，或当前层级的下一层级的原始类别；利用多个第一训练样本对分类模型进行训练。
[0155]
本技术上述实施例中，分类模型包括：依次连接的自编码语言模块、防止过拟合层和至少一个全连接层；使用交叉熵损失函数对分类模型进行训练。
[0156]
本技术上述实施例中，分类模型包含语言模型，其中，该方法还包括：确定原始类别对应的原始标识信息；基于目标数据集构建第二训练样本，其中，第二训练样本基于预设长度、预设深度、原始标的物和原始标识信息生成；利用第二训练样本对语言模型进行训
练，其中，语言模型用于对输入序列进行层次分类，得到输出序列，输入序列基于预设长度、预设深度、目标标的物和预设值构建，目标分类结果基于输出序列包含的目标标识信息对应的类别得到。
[0157]
本技术上述实施例中，获取目标数据集包括：获取第一数据集和第二数据集，其中，第一数据集包含行业类别，第二数据集包含预设统计分类中的多个预设标的物和多个统计类别；将第二数据集扩展至第一数据集，生成增广分类；基于增广分类构建目标数据集。
[0158]
本技术上述实施例中，将第二数据集扩展至第一数据集，生成增广分类，包括：获取第一数据集中多个层级的行业类别，构建第一列表，其中，第一列表包含多个第一数据项；基于第二数据集中多个层级的统计类别，构建第二列表，其中，第二列表包含多个第二数据项；基于每个第一数据项和每个第二数据项的连接关系，确定每个第一数据项的适合度；确定最大适合度对应的第一数据项在第一列表中的目标序号；在目标序号不是预设序号的情况下，将第二数据集中其他统计类别绑定至第一列表中目标序号对应的目标行业类别之下。
[0159]
本技术上述实施例中，将第二数据集扩展至第一数据集，生成增广分类，包括：确定增广分类中末端类别为原始标的物；确定增广分类中末端类别对应的多个层级的目标前序类别为原始类别，其中，目标前序类别为属于行业类别的前序类别。
[0160]
需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
[0161]
实施例6
[0162]
根据本技术实施例，还提供了一种用于上述标的物分类方法的标的物分类装置，如图6所示，该装置600包括：获取模块602、训练模块604。
[0163]
其中，获取模块用于获取目标数据集，其中，目标数据集包含原始标的物，以及原始标的物对应的多个层级的原始类别，原始类别属于预设行业分类中包含的多个层级的行业类别；利用目标数据集对分类模型进行训练，其中，分类模型用于对目标标的物进行层次分类，得到目标标的物的目标分类结果。
[0164]
此处需要说明的是，上述获取模块602、训练模块604对应于实施例5中的步骤s502至步骤s504。两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
[0165]
本技术上述实施例中，训练模块包括：构建单元、训练单元。
[0166]
其中，构建单元用于基于目标数据集构建多个第一训练样本，其中，每个第一训练样本包括：输入样本和第一类别，输入样本包含原始标的物和当前层级的原始类别，或原始标的物和预设类别，第一类别为第一层级的原始类别，或当前层级的下一层级的原始类别；训练单元用于利用多个第一训练样本对分类模型进行训练。
[0167]
本技术上述实施例中，分类模型包括：依次连接的自编码语言模块、防止过拟合层和至少一个全连接层；使用交叉熵损失函数对分类模型进行训练。
[0168]
本技术上述实施例中，该装置还包括：确定模块、构建模块。
[0169]
其中，确定模块用于确定原始类别对应的原始标识信息；构建模块用于基于目标
数据集构建第二训练样本，其中，第二训练样本基于预设长度、预设深度、原始标的物和原始标识信息生成；训练模块还用于利用第二训练样本对语言模型进行训练，其中，语言模型用于对输入序列进行层次分类，得到输出序列，输入序列基于预设长度、预设深度、目标标的物和预设值构建，目标分类结果基于输出序列包含的目标标识信息对应的类别得到。
[0170]
本技术上述实施例中，获取模块包括：获取单元、扩展单元、构建单元。
[0171]
其中，获取单元用于获取第一数据集和第二数据集，其中，第一数据集包含行业类别，第二数据集包含预设统计分类中的多个预设标的物和多个统计类别；扩展单元用于将第二数据集扩展至第一数据集，生成增广分类；构建单元用于基于增广分类构建目标数据集。
[0172]
本技术上述实施例中，扩展单元包括：构建子单元、第一确定子单元、绑定子单元。
[0173]
其中，构建子单元用于获取第一数据集中多个层级的行业类别，构建第一列表，其中，第一列表包含多个第一数据项；构建子单元还用于基于第二数据集中多个层级的统计类别，构建第二列表，其中，第二列表包含多个第二数据项；确定子单元用于基于每个第一数据项和每个第二数据项的连接关系，确定每个第一数据项的适合度；确定子单元还用于确定最大适合度对应的第一数据项在第一列表中的目标序号；绑定子单元还用于在目标序号不是预设序号的情况下，将第二数据集中其他统计类别绑定至第一列表中目标序号对应的目标行业类别之下。
[0174]
本技术上述实施例中，扩展单元还包括：第二确定子单元。
[0175]
其中，第二确定子单元还用于确定增广分类中末端类别为原始标的物；第二确定子单元还用于确定增广分类中末端类别对应的多个层级的目标前序类别为原始类别，其中，目标前序类别为属于行业类别的前序类别。
[0176]
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。
[0177]
在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0178]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0179]
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。
[0180]
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。
[0181]
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，包括若干指令用以使得一台计算机设备(可为个人计算机、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、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0182]
以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。