文本识别方法、模型的训练方法及装置与流程

1.本公开涉及人工智能技术中的图像处理、深度学习以及自然语言理解，尤其涉及一种文本识别方法、模型的训练方法及装置。


背景技术：

2.光学字符识别(optical character recognition，ocr)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。
3.在现有技术中，通常采用ocr识别技术实现对待识别图像中的文本内容的获取。
4.然而，ocr识别技术可能存在文字识别错误，从而导致获取到的文本内容的准确性偏低的技术问题。


技术实现要素：

5.本公开提供了一种用于提高文本识别的准确性的文本识别方法、模型的训练方法及装置。
6.根据本公开的第一方面，提供了一种文本识别方法，包括：
7.对获取到的待识别图像进行光学字符识别，得到所述待识别图像的初始的文字；
8.对所述初始的文字进行分析处理，得到所述初始的文字的类别属性，若所述初始的文字的类别属性表征所述初始的文字为错误的文字，则对所述错误的文字进行纠错处理，得到用于纠正所述错误的文字的正确的文字；
9.根据所述初始的文字和所述正确的文字，生成所述待识别图像的文本内容。
10.根据本公开的第二方面，提供了一种模型的训练方法，包括：
11.获取第一样本数据集，其中，所述第一样本数据集中包括初始的兴趣点名称文本、以及对所述初始的兴趣点名称文本进行修改得到的变体的兴趣点名称文本，所述变体的兴趣点名称文本中至少包括一个错误的文字；
12.根据所述第一样本数据集训练得到初始化模型参数，并根据所述初始化模型参数训练得到文字位判别器，其中，所述文字位判别器用于对待识别图像的初始文字进行分析处理，得到所述初始的文字的类别属性。
13.根据本公开的第三方面，提供了一种文本识别装置，包括：
14.识别单元，用于对获取到的待识别图像进行光学字符识别，得到所述待识别图像的初始的文字；
15.分析单元，用于对所述初始的文字进行分析处理，得到所述初始的文字的类别属性；
16.纠错单元，用于若所述初始的文字的类别属性表征所述初始的文字为错误的文字，则对所述错误的文字进行纠错处理，得到用于纠正所述错误的文字的正确的文字；
17.生成单元，用于根据所述初始的文字和所述正确的文字，生成所述待识别图像的
文本内容。
18.根据本公开的第四方面，提供了一种模型的训练装置，包括：
19.获取单元，用于获取第一样本数据集，其中，所述第一样本数据集中包括初始的兴趣点名称文本、以及对所述初始的兴趣点名称文本进行修改得到的变体的兴趣点名称文本，所述变体的兴趣点名称文本中至少包括一个错误的文字；
20.第一训练单元，用于根据所述第一样本数据集训练得到初始化模型参数；
21.第二训练单元，用于根据所述初始化模型参数训练得到文字位判别器，其中，所述文字位判别器用于对待识别图像的初始文字进行分析处理，得到所述初始的文字的类别属性。
22.根据本公开的第五方面，提供了一种电子设备，包括：
23.至少一个处理器；以及
24.与所述至少一个处理器通信连接的存储器；其中，
25.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第一方面或第二方面所述的方法。
26.根据本公开的第六方面，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第一方面或第二方面所述的方法。
27.根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。
28.本实施例提供了一种文本识别方法、模型的训练方法及装置，通过确定初始的文字的类别属性，以当初始的文字的类别属性表征初始的文字为错误的文字时，确定用于纠错错误的文字的正确的文字，以便结合正确的文字确定待识别图像的文本内容的技术特征，避免了基于ocr识别技术造成的文字错误的弊端，提高了文本识别的准确性和可靠性的技术效果。
29.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
30.附图用于更好地理解本方案，不构成对本公开的限定。其中：
31.图1是根据本公开第一实施例的示意图；
32.图2是根据本公开第二实施例的示意图；
33.图3是根据本公开实施例的文本识别方法的原理示意图；
34.图4是根据本公开第三实施例的示意图；
35.图5是根据本公开第四实施例的示意图；
36.图6是根据本公开第五实施例的示意图；
37.图7是根据本公开第六实施例的示意图；
38.图8是根据本公开第七实施例的示意图；
39.图9是根据本公开第八实施例的示意图；
40.图10是根据本公开第九实施例的示意图；
41.图11是用来实现本公开实施例的文本识别方法和模型的训练方法的电子设备的框图。
具体实施方式
42.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。
43.随着人工智能(artificial intelligence，ai)技术的发展，由人工对图像中的文本内容进行识别的方式已被人工智能技术取代，如可以采用ocr识别技术对图像进行识别，以得到图像中的文本内容。
44.可以理解的是，可以基于不同的维度对图像进行分类，如基于图像的形成方式，可以对图像进行分类，如将图像分为图片和照片等。基于图像的内容，也可以对图像进行分类，如将图像分为票据图像(如支票的图像、税票的图像等)，招牌图像(如饭店的招牌的图像、警示牌的图像等)等。
45.由于ocr识别技术受限于深度学习模型自身的限制，也受限于图像的质量的限制，因此，当基于ocr识别技术对图像进行识别，得到图像中的文本内容时，可能使得文本内容存在缺字或者多字的情况，也可能使得文本内容存在错字的情况。
46.为了避免上述技术问题中的至少一种，本公开发明人经过创造性的劳动，得到了本公开的发明构思：基于ocr识别技术确定图像中的初始的文字，对初始的文字进行分析处理，以当初始的文字存在错误的文字时，对错误的文字进行纠错处理，从而得到正确的文字，并根据初始的文字以及正确的文字确定图像的文本内容。
47.基于上述发明构思，本公开提供一种文本识别方法、模型的训练方法及装置，应用于人工智能技术中的图像处理、深度学习以及自然语言理解，以达到提高文本识别的准确性。
48.图1是根据本公开第一实施例的示意图，如图1所示，本公开实施例的文本识别方法，包括：
49.s101：对获取到的待识别图像进行光学字符识别，得到待识别图像的初始的文字。
50.示例性的，本实施例的执行主体可以为文本识别装置，文本识别装置可以为服务器(如本地服务器，或者，云端服务器，也可以为服务器集群等)，也可以为终端设备，也可以为处理器，也可以为芯片等，本实施例不做限定。
51.其中，待识别图像中的“待识别”用于将待识别图像与其他图像进行区分，如用于与后文中的样本图像进行区分，而不能理解为对待识别图像的限定。且待识别图像可以理解为需要被识别的图像。
52.结合上述分析可知，图像的类型有多种，如票据图像，招牌图像等。相应的，在本实施例中，待识别图像可以为票据图像，也可以为招牌图像。
53.同理，图像可以为图片，也可以为照片。相应的，在本实施例中，待识别图像可以为图片，也可以为照片。
54.示例性的，待识别图像可以为票据的图片，也可以为票据的照片，也可以为招牌的照片，也可以为招牌的图片，等等，此处不再一一列举。
55.该步骤可以理解为：在获取到待识别图像之后，可以对待识别图像进行ocr识别，以得到待识别图像中的文字，为了将ocr识别得到的文字与后文中的文字(如正确的文字等)进行区分，将基于ocr识别得到的文字称为初始的文字。
56.值得说明的是，关于获取待识别图像的方式本实施例不做限定，例如，获取待识别图像可以采用下述示例实现：
57.一个示例中，文本识别装置可以与图像采集装置连接，并接收由图像采集装置发送的待识别图像。
58.其中，图像采集装置是指，可以为获取待识别图像的装置，如图像采集装置可以为摄像头等。
59.另一个示例中，文本识别装置可以提供载入图像的工具，用户可以通过该载入图像的工具将待识别图像传输至文本识别装置。
60.其中，载入图像的工具可以为用于与外接设备连接的接口，如用于与其他存储设备连接的接口，通过该接口获取外接设备传输的待识别图像；载入图像的工具也可以为显示装置，如文本识别装置可以在显示装置上输入载入图像功能的界面，用户可以通过该界面将待识别图像导入至文本识别装置，文本识别装置获取导入的待识别图像。
61.s102：对初始的文字进行分析处理，得到初始的文字的类别属性，若初始的文字的类别属性表征初始的文字为错误的文字，则对错误的文字进行纠错处理，得到用于纠正错误的文字的正确的文字。
62.示例性的，初始的文字的类别属性可以用于表征，初始的文字是否为错误的文字，如初始的文字的类别属性表征初始的文字为错误的文字，或者，初始的文字的类别属性表征初始的文字为非错误的文字。
63.本实施例对分析处理的方式不做限定，如可以采用网络模型的方式对初始的文字进行分析处理，以得到初始的文字的类别属性，且网络模型可以为分类网络模型。即分析处理可以为分类处理，如可以基于分类网络模型对初始的文字进行分类处理，以确定初始的文字是否为错误的文字(即得到初始的文字的类别属性)。
64.又如，也可以采用结合上下文的方式对初始的文字进行分析处理，以得到初始的文字的类别属性。如即分析处理可以为语义分析处理，如可以基于初始的文字的上下文之间的语义对初始的文字进行分析处理，以确定初始的文字是否为错误的文字(即得到初始的文字的类别属性)。
65.同理，本实施例对纠错处理的方式不做限定。
66.s103：根据初始的文字和正确的文字，生成待识别图像的文本内容。
67.结合上述分析，初始的文字中存在错误的文字，正确的文字为对错误的文字进行纠正的文字，因此，当基于初始的文字和正确的文字生成待识别图像的文本内容时，可以使得生成的待识别图像的文本内容具有较高的准确性和可靠性。
68.基于上述分析可知，本公开提供了一种文本识别方法，包括：对获取到的待识别图像进行光学字符识别，得到待识别图像的初始的文字，对初始的文字进行分析处理，得到初始的文字的类别属性，若初始的文字的类别属性表征初始的文字为错误的文字，则对错误
的文字进行纠错处理，得到用于纠正错误的文字的正确的文字，根据初始的文字和正确的文字，生成待识别图像的文本内容，在本实施例中，通过确定初始的文字的类别属性，以当初始的文字的类别属性表征初始的文字为错误的文字时，确定用于纠错错误的文字的正确的文字，以便结合正确的文字确定待识别图像的文本内容的技术特征，避免了基于ocr识别技术造成的文字错误的弊端，提高了文本识别的准确性和可靠性的技术效果。
69.图2是根据本公开第二实施例的示意图，如图2所示，本公开实施例的文本识别方法，包括：
70.s201：对获取到的待识别图像进行光学字符识别，得到待识别图像的初始的文字。
71.其中，初始的文字的数量为多个。
72.应该理解的是，为了避免冗余地陈述，关于本实施例与上述实施例相同的技术特征，本实施例不再赘述。
73.s202：对各初始的文字逐一进行分析处理，得到各初始的文字各自对应的类别属性。
74.示例性的，如图3所示，若待识别图像为招牌图像，在对招牌图像进行ocr识别后，得到招牌图像的初始的文字“海路快乐乐火锅”。即得到的初始的文字的数量为多个，且具体为七个。
75.相应的，对七个初始的文字逐一的进行分析处理，如对“海”字进行分析处理，得到“海”字的类别属性；而后对“路”字进行分析处理，得到“路”字的类别属性；以此类推，直至对“锅”字进行分析处理，得到“锅”字的类别属性。
76.其中，“海”字的类别属性可以表征，“海”是否为正确的文字；“路”字的类别属性可以表征，“路”是否为正确的文字；以此类推，“锅”字的类别属性可以表征，“锅”是否为正确的文字。
77.在本实施例中，在初始的文字的数量为多个时，逐一的对每一初始的文字进行分析处理，以确定每一初始的文字对应的类别属性，即逐一的确定每一初始的文字是否为正确的文字，以对所有的初始的文字均进行分析处理，使得分析处理具有全面性和完整性的技术效果。
78.在一些实施例中，每一初始的文字具有位置属性，相应的，s202可以包括：根据各初始的文字各自对应的位置属性，依次确定各初始的文字各自对应的类别属性。
79.其中，位置属性可以为坐标信息，如像素坐标，即每一初始的文字具有像素坐标，根据各初始的文字各自对应的像素坐标，可以确定在招牌图像上，各初始的文字以图像坐标系为基础的先后顺序的关系，并基于该先后顺序的关系，依次对各初始的文字进行分析处理，从而得到各初始的文字各自对应的类别属性。
80.示例性的，结合上述分析和图3可知，“海”字具有像素坐标，“路”字也具有像素坐标，根据“海”字的像素坐标和“路”字的像素坐标，可以确定出“海”字和“路”字在招牌图像中的先后顺序的关系，即“海”字在“路”字之前，则先对“海”字进行分析处理，得到“海”字的类别属性，而后对“路”字进行分析处理，得到“路”字的类别属性，以此类推，此处不再一一列举。
81.值得说明的是，通过结合初始的文字的位置属性确定初始的文字的类别属性，由于位置属性具有唯一性，因此，基于位置属性确定出的初始的文字的类别属性具有较高的
准确性和可靠性的技术效果。
82.例如，当“海路快乐乐火锅”包括两个“乐”字，若两个“乐”字具有相同的位置属性，如两个“乐”字的像素坐标相同，则说明ocr识别的结果存在重复识别的弊端，则可以确定“乐”字的类别属性表征“乐”字为多余文字，则为了提高文本识别的准确性，可以将其中的一个“乐”字进行剔除处理。
83.在一些实施例中，可以结合网络模型确定初始的文字的类型属性，如可以预先训练文字位判别器，以基于文字位判别器对初始的文字进行判别处理，以得到初始的文字的类别属性。
84.其中，文字位判别器是基于初始化模型参数训练得到的，初始化模型参数是基于第一样本数据集训练得到的，第一样本数据集中包括初始的兴趣点名称文本、以及对初始的兴趣点名称文本进行修改得到的变体的兴趣点名称文本，变体的兴趣点名称文本中至少包括一个错误的文字。
85.同理，第一样本数据集中的“第一”用于，将第一样本数据集与其他样本数据集进行区分，如将第一样本数据集与后文中的第二样本数据集进行区分，而不能理解为对第一样本数据集的限定。
86.示例性的，可以获取初始的兴趣点(point of interest，poi)名称文本，对初始的兴趣点名称文本进行修改，如将初始的兴趣点名称文本中的一个文字或者多个文字修改为错误的文字，得到变体的兴趣点名称文本，基于初始的兴趣点名称文本和变体的兴趣点名称文本构建第一样本数据集。
87.其中，第一样本数据集中的初始的兴趣点名称文本和变体的兴趣点名称文本均可以被称为样本数据，即一个初始的兴趣点名称文本为一条样本数据，一个变体的兴趣点名称文本也为一条样本数据。
88.第一样本数据集中的样本数据的数量可以基于需求、历史记录、以及试验等方式进行确定，本实施例不做限定。且一个初始的兴趣点名称文本被修改为多少个变体的兴趣点名称文本，本实施例也不做限定。且一个初始的兴趣点名称文本被修改的文字的数量，以得到变体的兴趣点名称文本，本实施例也不做限定。
89.其中，兴趣点名称文本可以理解为被关注的文本为名称所对应的文本。在本实施例中，是采用兴趣点名称文本训练得到文字位判别器，相对于基于日常对话语料或者互联网上的文本语料，可以实现更具有针对性的训练，进而使得文字位判别器具有较高的准确性和可靠性。
90.尤其当待识别图像为招牌图像时，需要识别的招牌图像中的文本为招牌图像的名称所对应的文本，而基于本实施例的方法确定招牌图像的文本内容可以具有较强的针对性和可靠性的技术效果。
91.在本实施例中，通过采用文字位判别器确定初始的文字的类别属性，可以提高确定初始的文字的类别属性的效率，且由于文字位判别器是基于初始的兴趣点名称文本和变体的兴趣点名称文本训练得到的，因此，可以使得文字位判别器具有较高的准确性，即当采用文字位判别器确定初始的文字的类别属性时，还可以提高确定初始的文字的类别属性的准确性的技术效果。
92.示例性的，结合上述分析和图3，在对招牌图像进行ocr识别，得到“海路快乐乐火
锅”时，可以将“海路快乐乐火锅”输入至文字位判别器，输出“海路快乐乐火锅”各自对应的类别属性。
93.在一些实施例中，不同的类别属性可以通过不同的标志位表示，标志位w代表wrong，用于表征错误的文字；标志位d代表duplicate，用于表征多余文字；标志位r代表right，用于表征正确的文字。
94.如图3所示，输出“海路快乐乐火锅”各自对应的类别属性分别为rwrrdrr，即“海”字、“快”字、第一个“乐”字、“火”字、“锅”字的标志位均为r，即均为正确的文字；“路”字的标志位为w，即“路”字为错误的文字；第二个“乐”字的标志位为d，即第二个“乐”字为多余文字。
95.结合上述分析可知，每一初始的文字具有位置属性，相应的，标志位可以为表征位置属性的初始的文字的标志位。
96.s203：若初始的文字的类别属性表征初始的文字为多余文字，则对多余文字进行剔除处理。
97.示例性的，结合上述分析，若第二个“乐”字为多余文字，则对第二个“乐”字为多余文字进行剔除处理，即得到“海路快乐火锅”。
98.在本实施例中，在初始的文字的类别属性表征初始的文字为多余文字时，对该多余文字进行剔除处理，以避免文字重复，从而提高文本识别的准确性和可靠性的技术效果。
99.s204：若初始的文字的类别属性表征初始的文字为错误的文字，则对初始的文字中的错误的文字进行掩码(mask)处理。
100.示例性的，结合上述分析可知，“路”字为错误的文字，相应的，对“路”字进行掩码处理，如图3所示。
101.s205：对掩码处理后的初始的文字进行预测，得到候选集，并从候选集中获取正确的文字。
102.其中，候选集中包括用于替换错误的文字的纠错文字。
103.示例性的，结合上述分析和图3，在对“路”字进行掩码处理，掩码处理后的初始的文字为“海【mask】快乐火锅”，根据“海快乐火锅”对“【mask】”进行预测，即对“路”字进行预测，得到包括用于替换“路”字的纠错文字的候选集。
104.也就是说，候选集中包括一个或多个纠错文字，若纠错文字为一个，可以将该纠错文字确定为正确的文字，若纠错文字为多个，则可以从多个纠错文字中获取一个纠错文字，并将该获取到的纠错文字确定为正确的文字，以基于该正确的文字替换错误的文字“路”。
105.在本实施例中，通过结合“掩码处理 预测”，以得到候选集，以基于候选集获取用于纠正错误的文字的正确的文字，可以提高文本识别的准确性和可靠性的技术效果。
106.在一些实施例中，可以结合网络模型的方式获取候选集，如预先训练掩码语言召回模型(masked language model，mlm)，将掩码处理后的初始文字输入至掩码语言召回模型，输出候选集。
107.示例性的，结合上述实施例和图3，将掩码处理后的初始的文字为“海【mask】快乐火锅”输入至掩码语言召回模型，得到候选集：{鲜，洋，盗，南}。即，候选集中包括“鲜，洋，盗，南”四个纠错文字。
108.其中，掩码语言召回模型是基于第二样本数据集训练生成的，第二样本数据集中
包括样本兴趣点名称文本。
109.同理，在本实施例中，通过结合网络模型的方式获取候选集，可以提高候选集的效率和准确性的技术效果。
110.第二样本数据集中的样本数据与第一样本数据集中的样本数据可能相同，也可能不同，本实施例不做限定。
111.在一些实施例中，训练掩码语言召回模型包括如下步骤：
112.第一步骤：获取第二样本数据集，其中，第二样本数据集中包括样本兴趣点名称文本。
113.同理，在实施例中，样本兴趣点名称文本的数量可以基于需求、历史记录、以及试验等方式进行确定，本实施例不做限定。
114.第二步骤：对样本兴趣点名称文本中的任一文字进行掩码处理，得到掩码处理后的样本兴趣点名称文本。
115.第三步骤：基于预设的基础网络模型对掩码处理后的样本兴趣点名称文本中被掩码处理的文字进行预测，得到预测文字。
116.第四步骤：计算预测文字以及标注文字(即预先标注的真实文字)的损失值mlm
loss
，并根据损失值对基础网络模型的参数进行调整，训练得到训练掩码语言召回模型。
117.若被掩码处理的文字为y，则可以通过式1计算损失值mlm
loss
，式1：
118.mlm
loss
＝-log(p
mask_yi
)
119.其中，mask_yi为文字y的真实文字的预测(softmax)概率。
120.值得说明的是，在本实施例中，用于训练掩码语言召回模型是样本兴趣点名称文本，可以避免繁琐的损失值的计算，从而可以提高训练的效率和可靠性的技术效果。
121.在一些实施例中，基础网络模型可以为transformers，transformers包括编码器(encoder)，由于采样样本兴趣点名称样本训练掩码语言召回模型，相对而言，损失值的计算量减少，因此，transformers中的编码器的结构可以为六层结构，以在模型参数和推理性能上获取最优的组合。
122.在一些实施例中，纠错文字的数量为多个，从候选集中获取正确的文字，包括如下步骤：
123.第一步骤：获取错误的文字的字体结构属性，并获取每一纠错文字的字体结构属性。
124.其中，字体结构属性用于表征文字的笔画内容和/或笔画顺序。
125.第二步骤：根据错误的文字的字体结构属性、以及各纠错文字各自对应的字体结构属性，从各纠错文字中确定正确的文字。
126.示例性的，结合上述分析，错误的文字为“路”，纠错文字为“鲜，洋，盗，南”，则获取“路”字的字体结构属性，并获取“鲜，洋，盗，南”字各自对应的字体结构属性，以便从“鲜，洋，盗，南”中确定正确的文字。
127.例如，可以获取“路”字的笔画内容，并获取“鲜”字的笔画内容、“洋”字的笔画内容、“盗”字的笔画内容、“南”字的笔画内容，以根据“路，鲜，洋，盗，南”各自对应的笔画内容，从“鲜，洋，盗，南”中确定正确的文字。
128.又如，可以获取“路”字的笔画顺序，并获取“鲜”字的笔画顺序、“洋”字的笔画顺
序、“盗”字的笔画顺序、“南”字的笔画顺序，以根据“路，鲜，洋，盗，南”各自对应的笔画顺序，从“鲜，洋，盗，南”中确定正确的文字。
129.再如，又如，可以获取“路”字的笔画内容和笔画顺序，并获取“鲜”字的笔画内容和笔画顺序、“洋”字的笔画内容和笔画顺序、“盗”字的笔画内容和笔画顺序、“南”字的笔画内容和笔画顺序，以根据“路，鲜，洋，盗，南”各自对应的笔画内容和笔画顺序，从“鲜，洋，盗，南”中确定正确的文字。
130.值得说明的是，不同的文字具有不同的字体结构属性，在本实施例中，通过结合字体结构属性确定正确的文字，可以提高确定出的正确的文字的准确性和可靠性的技术效果。
131.在一些实施例中，第二步骤可以包括如下子步骤：
132.第一子步骤：针对每一纠错文字的字体结构属性，计算该纠错文字的字体结构属性与错误的文字的字体结构属性之间的相似度。
133.第二子步骤：根据各相似度从各纠错文字中确定正确的文字。
134.示例性的，结合上述分析，计算“路”字的字体结构属性与“鲜”字的字体结构属性之间的相似度(为便于区分，将该相似度称为第一相似度)；计算“路”字的字体结构属性与“洋”字的字体结构属性之间的相似度(同理，为便于区分，将该相似度称为第二相似度)；计算“路”字的字体结构属性与“盗”字的字体结构属性之间的相似度(同理，为便于区分，将该相似度称为第三相似度)；计算“路”字的字体结构属性与“南”字的字体结构属性之间的相似度(同理，为便于区分，将该相似度称为第四相似度)；并根据第一相似度、第二相似度、第三相似度、以及第四相似度确定正确的文字。
135.其中，计算的方法可以采用最短编辑距离算法。
136.在本实施例中，通过基于字体结构属性计算相似度，以基于相似度确定正确的文字，可以实现通过相似度相对较为贴切的表征两个文字之间的相似性，从而使得基于相似度确定出的正确的文字具有较高的可靠性和准确性的技术效果。
137.在一些实施例中，第二子步骤可以包括如下细化步骤：
138.第一细化步骤：从各相似度中确定最大的相似度。
139.第二细化步骤：从候选集中提取最大的相似度对应的纠错文字，并将最大的相似度对应的纠错文字确定为正确的文字。
140.示例性的，结合上述分析，在计算得到第一相似度、第二相似度、第三相似度、以及第四相似度之后，可以从第一相似度、第二相似度、第三相似度、以及第四相似度中确定出最大的相似度，从而确定出正确的文字。
141.例如，若第三相似度为四个相似度中的最大的相似度，则说明“盗”字与“路”字的相似性越大，则将“盗”字确定为正确的文字。
142.s206：根据剔除了多余文字的初始的文字、以及正确的文字，生成待识别图像的文本内容。
143.示例性的，结合上述分析和图3，被剔除了多余文字的初始的文字为“海路快乐火锅”，错误的文字为“路”，正确的文字为“盗”，则待识别图像的文本内容为“海盗快乐火锅”。
144.也就是说，可以将正确的文字替换初始的文字中的错误的文字，从而得到待识别图像的文本内容，以避免基于ocr识别造成的文字错误或重复等弊端，从而提高文本识别的
准确性和可靠性的技术效果。
145.结合上述分析可知，可以预先分别训练ocr识别模型、文字位判别器、掩码语言召回模型，并结合用于确定相似度的计算模块，对待识别图像进行识别，以得到待识别图像的文本内容，各模块(即ocr识别模型、文字位判别器、掩码语言召回模型、计算模块)之间相互解耦，可以对识别失败(如识别错误等)进行追溯，以使得文本识别具有较高的准确性和可靠性的技术效果。
146.且可以将文字位判别器、掩码语言召回模型、计算模块作为一个整体，如纠错模块，以对ocr识别模型的识别结果进行纠错，从而得到精确的待识别图像的文本内容。
147.图4是根据本公开第三实施例的示意图，如图4所示，本公开实施例的模型的训练方法，包括：
148.s401：获取第一样本数据集。
149.其中，第一样本数据集中包括初始的兴趣点名称文本、以及对初始的兴趣点名称文本进行修改得到的变体的兴趣点名称文本，变体的兴趣点名称文本中至少包括一个错误的文字。
150.示例性的，本实施例的执行主体可以为模型的训练装置，模型的训练装置可以为服务器(如本地服务器，或者，云端服务器，也可以为服务器集群等)，也可以为终端设备，也可以为处理器，也可以为芯片等，本实施例不做限定。
151.结合上述分析可知，模型的训练装置可以为与文本识别装置相同的装置，也可以为不同的装置，本实施例不做限定。
152.若模型的训练装置与文本识别装置为不同的装置，则在模型的训练装置训练得到文字位判别器之后，可以将文字位判别器传输给文本识别装置，以便文本识别装置对文字位判别器进行部署，并对待识别图像进行识别，得到待识别图像的文本内容。
153.或者，在模型的训练装置训练得到文字位判别器之后，若文本识别装置需要对待识别图像进行识别时，可以调用模型的训练装置训练得到的文字位判别器，从而得到待识别图像的文本内容。
154.同理，为了避免冗余的陈述，关于本实施例与上述实施例相同的技术特征，本实施例不再赘述。
155.s402：根据第一样本数据集训练得到初始化模型参数，并根据初始化模型参数训练得到文字位判别器。
156.其中，文字位判别器用于对待识别图像的初始文字进行分析处理，得到初始的文字的类别属性。
157.图5是根据本公开第四实施例的示意图，如图5所示，本公开实施例的模型的训练方法，包括：
158.s501：获取初始的兴趣点名称文本，并对初始的兴趣点名称文本进行修改，得到变体的兴趣点名称文本。
159.一个示例中，可以对初始的兴趣点名称文本中的文字的偏旁部首进行修改，得到与之对应的变体的兴趣点名称文本。
160.例如，初始的兴趣点名称文本中包括文字“杨”，则可以对“杨”字的偏旁部首进行修改，得到文字“扬”，则在变体的兴趣点名称文本中，包括文字“扬”。
161.另一个示例中，可以对初始的兴趣点名称文本中的文字进行冗余处理，得到与之对应的变体的兴趣点名称文本。
162.例如，初始的兴趣点名称文本中包括文字“国”，则可以对“国”字进行冗余处理，得到文字“国”，则在变体的兴趣点名称文本中，包括两个重复的文字“国”。
163.应该理解的是，上述示例只是用于示范性地说明，可能基于初始的兴趣点名称文本得到变体的兴趣点名称文本的方式，而不能理解为得到变体的兴趣点名称文本的方式的限定。
164.s502：构建包括初始的兴趣点名称文本、以及变体的兴趣点名称文本的第一样本数据集。
165.s503：将第一样本数据集输入至初始的语言判别器模型，以对初始的语言判别器模型进行分类训练，得到初始化模型参数。
166.在本实施例中，是采用第一样本数据集对初始的语言判别器模型进行分类训练，以得到初始化模型参数，以便后续基于初始化模型参数对ocr识别模型进行训练，通过两阶段的训练得到文字位判别器，以使得文字位判别器具有较高的判别能力，从而提高基于文字位判别器确定初始的文字的类别属性的准确性和可靠性的技术效果。
167.同理，在一些实施例中，初始的语言判别器模型也包括编码器，编码器为六层结构的编码器。
168.在一些实施例中，s503可以包括如下步骤：
169.第一步骤：将第一样本数据集输入至初始的语言判别器模型，得到第一样本数据集中各文字各自对应的预测类别属性。
170.第二步骤：根据各文字各自对应的预测类别属性、以及各文字各自对应的标注类别属性，确定初始化模型参数。
171.其中，预测类别属性可以理解为，基于初始的语言判别器模型的参数对第一样本数据集中各文字各自对应的类型属性进行预测而得到的预测结果。如预测得到某文字的类型属性为错误的文字等。
172.标注类别属性可以理解为，预先标注的文字的真实的类型属性，可以为人工标注，也可以为其他方式标注，本实施例不做限定。如基于人工标注的方式将某文字的类型属性标注为错误的文字等。
173.通过结合预测类别属性和标注类别属性对初始的语言判别器模型进行训练，如对初始的语言判别器模型的参数进行调整，以使得同一文字的预测类型属性和标注类型属性之间的差异值小于预设阈值，从而得到优化后的语言判别器模型，并将优化后的语言判别器模型的参数确定为初始化模型参数，以使得基于初始化模型参数训练得到文字位判别器具有较为准确和可靠的预测能力，即可以使得基于文字位判别器确定出的初始的文字的类别属性的准确性和可靠性的技术效果。
174.在一些实施例中，第一步骤可以包括如下子步骤：
175.第一子步骤：针对每一样本数据，样本数据为初始的兴趣点名称文本或者变体的兴趣点名称文本，确定该样本数据中的各文字各自对应的位置属性。
176.第二子步骤：根据该样本数据中的各文字各自对应的位置属性，逐一确定该样本数据中的各文字各自对应的预测类别属性。
177.示例性的，若样本数据为“扬aab店”，其中，“a”为任意文字，“b”也为任意文字，则将“扬aab店”输入至初始的语言判别器模型，语言判别器模型可以“扬aab店”中每一文字对应的位置属性，并根据确定出的各位置属性，依次对“扬aab店”中的每一文字进行预测。
178.例如，对“扬”字进行预测，得到“扬”字对应的预测类别属性w，即“扬”为错误的文字；对第一个“a”字进行预测，得到第一个“a”字对应的预测类别属性r，即第一个“a”字为正确的文字；对第二个“a”字进行预测，得到第二个“a”字对应的预测类别属性d，即第二个“a”字为多余文字；对第“b”字进行预测，得到“b”字对应的预测类别属性r，即“b”字为正确的文字；对“店”字进行预测，得到“店”字对应的预测类别属性r，即“店”字为正确的文字。
179.在本实施例中，通过结合位置属性确定预测类别属性，可以训练初始的语言判别器模型精准识别多余文字的能力，即可以提高识别多余文字的有效性和可靠性的技术效果。
180.s504：将初始化模型参数确定为预设光学字符识别模型的模型参数。
181.s505：根据获取到的第三样本数据集对光学字符识别模型进行训练，得到文字位判别器。
182.其中，第三样本数据集中包括样本图像文本。
183.也就是说，在本实施例中，在对初始的语言判别器模型进行训练，得到优化的语言判别器模型之后，将优化的语言判别器模型的参数确定为初始化模型参数，并将该初始化模型参数确定为ocr识别模型的模型参数，以对ocr识别模型进行训练，从而得到文字位判别器。
184.样本图像文本可以理解为采集到的样本图像中的文本。同理，样本图像文本的数量可以基于需求、历史记录、以及试验等方式进行确定，本实施例不做限定。
185.在本实施例中，通过结合初始化模型参数对ocr识别模型进行训练，可以便于对ocr识别模型训练的收敛，以提高训练得到文字位判别器的效率。且可以将训练得到文字位判别器的过程理解为两个阶段的训练，第一个阶段的训练为对初始的语言判别器模型的分类训练，以使得文字位判别器具有较高的分类性能；第二阶段的训练为对ocr识别模型的识别训练，以使得文字位判别器具有较强的识别性能，从而使得文字位判别器具有较高的准确性和可靠性的技术效果。
186.在一些实施例中，s505包括：根据第三样本数据集对ocr识别模型的模型参数进行调整，得到文字位判别器。
187.同理，ocr识别模型具有模型参数，采用具有模型参数的ocr识别模型对样本图像文本进行识别，得到样本图像文本的预测文本内容，并预先对样本图像文本的文本内容进行标注，得到样本图像文本的标注文本内容，基于预测文本内容与标注文本内容之间的损失值对ocr识别模型的模型参数进行调整，得到文字位判别器。
188.在一些实施例中，样本图像文本为基于ocr识别模型样本图像进行识别，得到错误的识别结果的图像文本。
189.在本实施例中，通过将错误的识别结果的图像文本作为样本图像文本，可以提高ocr识别模型的识别能力，从而使得文字位判别器具有较高的准确性和可靠性的技术效果。
190.图6是根据本公开第五实施例的示意图，如图6所示，本公开实施例的文本识别装置600，包括：
191.识别单元601，用于对获取到的待识别图像进行光学字符识别，得到待识别图像的初始的文字。
192.分析单元602，用于对初始的文字进行分析处理，得到初始的文字的类别属性。
193.纠错单元603，用于若初始的文字的类别属性表征初始的文字为错误的文字，则对错误的文字进行纠错处理，得到用于纠正所述错误的文字的正确的文字。
194.生成单元604，用于根据初始的文字和正确的文字，生成待识别图像的文本内容。
195.图7是根据本公开第六实施例的示意图，如图7所示，本公开实施例的文本识别装置700，包括：
196.识别单元701，用于对获取到的待识别图像进行光学字符识别，得到待识别图像的初始的文字。
197.分析单元702，用于对初始的文字进行分析处理，得到初始的文字的类别属性。
198.在一些实施例中，初始的文字的数量为多个；分析单元702用于，对各初始的文字逐一进行分析处理，得到各初始的文字各自对应的类别属性。
199.在一些实施例中，每一初始的文字具有位置属性；分析单元702用于，根据各初始的文字各自对应的位置属性，依次确定各初始的文字各自对应的类别属性。
200.在一些实施例中，分析单元702用于，将初始的文字输入至预先训练的文字位判别器，输出初始的文字的类别属性。
201.其中，文字位判别器是基于初始化模型参数训练得到的，初始化模型参数是基于第一样本数据集训练得到的，第一样本数据集中包括初始的兴趣点名称文本、以及对初始的兴趣点名称文本进行修改得到的变体的兴趣点名称文本，变体的兴趣点名称文本中至少包括一个错误的文字。
202.纠错单元703，用于若初始的文字的类别属性表征初始的文字为错误的文字，则对错误的文字进行纠错处理，得到用于纠正所述错误的文字的正确的文字。
203.结合图7可知，在一些实施例中，纠错单元703，包括：
204.掩码子单元7031，用于对初始的文字中的错误的文字进行掩码处理。
205.预测子单元7032，用于对掩码处理后的初始的文字进行预测，得到候选集。
206.在一些实施例中，预测子单元7032用于，将掩码处理后的初始的文字输入至预先训练的掩码语言召回模型，输出候选集。
207.其中，掩码语言召回模型是基于第二样本数据集训练生成的，第二样本数据集中包括样本兴趣点名称文本。
208.第一获取子单元7033，用于从候选集中获取正确的文字；其中，候选集中包括用于替换错误的文字的纠错文字。
209.在一些实施例中，纠错文字的数量为多个；第一获取子单元7033，包括：
210.获取模块，用于获取错误的文字的字体结构属性，并获取每一纠错文字的字体结构属性，其中，字体结构属性用于表征文字的笔画内容和/或笔画顺序。
211.第一确定模块，用于根据错误的文字的字体结构属性、以及各纠错文字各自对应的字体结构属性，从各纠错文字中确定正确的文字。
212.在一些实施例中，第一确定模块，包括：
213.计算子模块，用于针对每一纠错文字的字体结构属性，计算该纠错文字的字体结
构属性与错误的文字的字体结构属性之间的相似度。
214.确定子模块，用于根据各相似度从各纠错文字中确定正确的文字。
215.在一些实施例中，确定子模块用于，从各相似度中确定最大的相似度，并从候选集中提取最大的相似度对应的纠错文字，并将最大的相似度对应的纠错文字确定为正确的文字。
216.剔除单元704，用于若初始的文字的类别属性表征初始的文字为多余文字，则对多余文字进行剔除处理，以得到待识别图像的文本内容。
217.生成单元705，用于根据初始的文字和正确的文字，生成待识别图像的文本内容。
218.结合图7可知，在一些实施例中，生成单元705用于，将正确的文字替换初始的文字中的错误的文字，得到待识别图像的文本内容。
219.图8是根据本公开第七实施例的示意图，如图8所示，本公开实施例的模型的训练装置800，包括：
220.获取单元801，用于获取第一样本数据集，其中，第一样本数据集中包括初始的兴趣点名称文本、以及对初始的兴趣点名称文本进行修改得到的变体的兴趣点名称文本，变体的兴趣点名称文本中至少包括一个错误的文字。
221.第一训练单元802，用于根据第一样本数据集训练得到初始化模型参数。
222.第二训练单元803，用于根据初始化模型参数训练得到文字位判别器，其中，文字位判别器用于对待识别图像的初始文字进行分析处理，得到初始的文字的类别属性。
223.图9是根据本公开第八实施例的示意图，如图9所示，本公开实施例的模型的训练装置900，包括：
224.获取单元901，用于获取第一样本数据集，其中，第一样本数据集中包括初始的兴趣点名称文本、以及对初始的兴趣点名称文本进行修改得到的变体的兴趣点名称文本，变体的兴趣点名称文本中至少包括一个错误的文字。
225.结合图9可知，在一些实施例中，获取单元901，包括：
226.第二获取子单元9011，用于获取初始的兴趣点名称文本。
227.修改子单元9012，用于对初始的兴趣点名称文本进行修改，得到变体的兴趣点名称文本。
228.第一训练单元902，用于根据第一样本数据集训练得到初始化模型参数。
229.在一些实施例中，第一训练单元902，用于将第一样本数据集输入至初始的语言判别器模型，以对初始的语言判别器模型进行分类训练，得到初始化模型参数。
230.结合图9可知，在一些实施例中，第一训练单元902，包括：
231.输入子单元9021，用于将第一样本数据集输入至初始的语言判别器模型，得到第一样本数据集中各文字各自对应的预测类别属性。
232.在一些实施例中，输入子单元9021，包括：
233.第二确定模块，用于针对每一样本数据，样本数据为初始的兴趣点名称文本或者变体的兴趣点名称文本，确定该样本数据中的各文字各自对应的位置属性。
234.第三确定模块，用于根据该样本数据中的各文字各自对应的位置属性，逐一确定该样本数据中的各文字各自对应的预测类别属性。
235.第一确定子单元9022，用于根据各文字各自对应的预测类别属性、以及各文字各
自对应的标注类别属性，确定初始化模型参数。
236.第二训练单元903，用于根据初始化模型参数训练得到文字位判别器，其中，文字位判别器用于对待识别图像的初始文字进行分析处理，得到初始的文字的类别属性。
237.结合图9可知，在一些实施例中，第二训练单元903，包括：
238.第二确定子单元9031，用于将初始化模型参数确定为预设光学字符识别模型的模型参数。
239.训练子单元9032，用于根据获取到的第三样本数据集对光学字符识别模型进行训练，得到文字位判别器，其中，第三样本数据集中包括样本图像文本。
240.在一些实施例中，训练子单元9032用于，根据第三样本数据集对光学字符识别模型的模型参数进行调整，得到文字位判别器。
241.在一些实施例中，样本图像文本为基于光学字符识别模型样本图像进行识别，得到错误的识别结果的图像文本。
242.图10是根据本公开第九实施例的示意图，如图10所示，本公开中的电子设备1000可以包括：处理器1001和存储器1002。
243.存储器1002，用于存储程序；存储器1002，可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)，如静态随机存取存储器(英文：static random-access memory，缩写：sram)，双倍数据率同步动态随机存取存储器(英文：double data rate synchronous dynamic random access memory，缩写：ddr sdram)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器1002用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1002中。并且上述的计算机程序、计算机指令、数据等可以被处理器1001调用。
244.上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1002中。并且上述的计算机程序、计算机指据等可以被处理器1001调用。
245.处理器1001，用于执行存储器1002存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
246.具体可以参见前面方法实施例中的相关描述。
247.处理器1001和存储器1002可以是独立结构，也可以是集成在一起的集成结构。当处理器1001和存储器1002是独立结构时，存储器1002、处理器1001可以通过总线1003耦合连接。
248.本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
249.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。
250.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。
251.根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可
读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
252.图11示出了可以用来实施本公开的实施例的示例电子设备1100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、个人数字助理、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。
253.如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(rom)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(ram)1103中的计算机程序，来执行各种适当的动作和处理。在ram 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输出(i/o)接口1105也连接至总线1104。
254.设备1100中的多个部件连接至i/o接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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。
255.计算单元1101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1101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1101执行上文所描述的各个方法和处理，例如文本识别方法和模型的训练方法。例如，在一些实施例中，文本识别方法和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1108。在一些实施例中，计算机程序的部分或者全部可以经由rom 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到ram 1103并由计算单元1101执行时，可以执行上文描述的文本识别方法和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1101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识别方法和模型的训练方法。
256.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)、芯片上系统的系统(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。
257.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。
258.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。
259.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。
260.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。
261.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。
262.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。
263.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。