获取标注数据的方法、装置、电子设备及介质与流程

1.本技术中涉及数据处理技术，尤其是一种获取标注数据的方法、装置、电子设备及介质。


背景技术：

2.在自然语言处理相关领域的科研和产业活动中，文档数据尤其是有标注文档数据，是驱动nlp模型学习和优化的重要资源。因此，有标注文档数据的生产，也成为相关活动的重要组成部分。在诸多nlp任务类型中，机器阅读理解 (machine reading and comprehension,mrc)任务，所需要的训练数据标注工作，复杂程度高、人力资源消耗大，迫切需要引入一定的机制和工具。
3.然而，相关技术中的比如大部分数据标注工具不对待标注语料中各个样本的标注价值进行区分，标注了大量重复度较高的样本，形成了资源的浪费以及业务处理降低的弊端。


技术实现要素：

4.本技术实施例提供一种获取标注数据的方法、装置、电子设备及介质。用以解决相关技术中存在的，对待标注语料中的样本标注的重复度较高所导致的降低业务处理效率的问题。
5.其中，根据本技术实施例的一个方面，提供的一种获取标注数据的方法，包括：
6.获取待标注文档以及待标注对象，所述待标注对象包括待标注数据的数据类型以及数据属性；
7.利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合，其中所述第一标注数据集合与所述第二标注数据集合中的标注数据对应于相同的待标注对象；
8.将所述第一标注数据集合与所述第二标注数据集合中的相同标注数据作为所述待标注文档的目标标注数据。
9.可选地，在基于本技术上述方法的另一个实施例中，在所述利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合之后，还包括：
10.将所述待标注文档依次输入至所述nlp模型的bert、线性变换层和crf层，得到所述第一标注数据集合；
11.当检测到输入次数达到预设次数时，将所述待标注文档输入到所述问句生成模型进行数据标注，得到所述第二标注数据集合。
12.可选地，在基于本技术上述方法的另一个实施例中，所述利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合，包括：
13.基于所述问句生成模型中的领域知识识别功能，提取所述待标注文档中表征特定领域知识的连续字符串；
14.将满足特定词语条件的所述连续字符串作为所述第二标注数据集合。
15.可选地，在基于本技术上述方法的另一个实施例中，在所述将所述第一标注数据集合与所述第二标注数据集合中的相同标注数据作为所述待标注文档的目标标注数据之后，还包括：
16.对所述相同标注数据进行置信度评价值的计算，并将其中置信度评价值高于预设数值的相同标注数据作为所述待标注文档对应的目标标注数据。
17.可选地，在基于本技术上述方法的另一个实施例中，利用如下公式对所述相同标注数据进行置信度评价值的计算：
[0018][0019]
其中，t表示标注数据集合的长度，q标识标注数据集合的数据数量,|prob
t,q
为第一标注数据集第t个标注数据为第二标注数据集合第q个标注数据的相同概率大小。
[0020]
可选地，在基于本技术上述方法的另一个实施例中，在所述得到第二标注数据集合之后，还包括：
[0021]
提取所述第一标注数据集合包含的每个第一关键字段，以及提取所述第一标注数据集合包含的每个第二关键字段；
[0022]
计算所述第一关键字段与所述第二关键字段的余弦相似度值；
[0023]
基于所述第一关键字段与所述第二关键字段的余弦相似度值，确定所述第一标注数据集合与所述第二标注数据集合中的相同标注数据。
[0024]
可选地，在基于本技术上述方法的另一个实施例中，在所述获取待标注文档以及待标注对象之前，还包括：
[0025]
对所述待标注文档进行停用词消除，并利用聚类运算对所述消除停用词后的待标注文档进行噪音词去除。
[0026]
其中，根据本技术实施例的又一个方面，提供的一种获取标注数据的装置，其特征在于，包括：
[0027]
获取模块，被配置为获取待标注文档以及待标注对象，所述待标注对象包括待标注数据的数据类型以及数据属性；
[0028]
标注模块，被配置为利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合，其中所述第一标注数据集合与所述第二标注数据集合中的标注数据对应于相同的待标注对象；
[0029]
生成模块，被配置为将所述第一标注数据集合与所述第二标注数据集合中的相同标注数据作为所述待标注文档的目标标注数据。
[0030]
根据本技术实施例的又一个方面，提供的一种电子设备，包括：
[0031]
存储器，用于存储可执行指令；以及
[0032]
显示器，用于与所述存储器以执行所述可执行指令从而完成上述任一所述获取标注数据的方法的操作。
[0033]
根据本技术实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述获取标注数据的方法的操作。
[0034]
本技术中，可以获取待标注文档以及待标注对象，待标注对象包括待标注数据的数据类型以及数据属性；利用nlp模型对待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合；将第一标注数据集合与第二标注数据集合中的相同标注数据作为待标注文档的目标标注数据。通过应用本技术的技术方案，可以基于nlp模型以及问句生成模块共同实施对文档的标注，并将其中的重复标注数据再次进行置信度评价值的计算，以选取其中的高价值标注数据作为最终的结果。进而解决相关技术中存在的，对待标注语料中的样本标注的重复度较高所导致的降低业务处理效率的问题。
[0035]
下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。
附图说明
[0036]
构成说明书的一部分的附图描述了本技术的实施例，并且连同描述一起用于解释本技术的原理。
[0037]
参照附图，根据下面的详细描述，可以更加清楚地理解本技术，其中：
[0038]
图1为本技术提出的一种获取标注数据的方法示意图；
[0039]
图2为本技术提出的利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合的流程示意图；
[0040]
图3为本技术提出的利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合的流程示意图；
[0041]
图4为本技术提出的一种获取标注数据的电子装置的结构示意图；
[0042]
图5为本技术提出的一种获取标注数据的电子设备的结构示意图。
具体实施方式
[0043]
现在将参照附图来详细描述本技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。
[0044]
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0045]
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本技术及其应用或使用的任何限制。
[0046]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0047]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0048]
另外，本技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
[0049]
需要说明的是，本技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如
果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0050]
下面结合图1-图3来描述根据本技术示例性实施方式的用于进行获取标注数据的方法。需要注意的是，下述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。相反，本技术的实施方式可以应用于适用的任何场景。
[0051]
本技术还提出一种获取标注数据的方法、装置、电子设备及介质。
[0052]
图1示意性地示出了根据本技术实施方式的一种获取标注数据的方法的流程示意图。如图1所示，该方法包括：
[0053]
s101,获取待标注文档以及待标注对象，待标注对象包括待标注数据的数据类型以及数据属性。
[0054]
s102,利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对待标注文档进行数据标注，得到第二标注数据集合，其中第一标注数据集合与第二标注数据集合中的标注数据对应于相同的待标注对象。
[0055]
s103,将第一标注数据集合与第二标注数据集合中的相同标注数据作为待标注文档的目标标注数据。
[0056]
其中，在自然语言处理相关领域的科研和产业活动中，文档数据尤其是有标注文档数据，是驱动nlp模型学习和优化的重要资源。因此，有标注文档数据的生产，也成为相关活动的重要组成部分。在诸多nlp任务类型中，机器阅读理解(machine reading and comprehension,mrc)任务，所需要的训练数据标注工作，复杂程度高、人力资源消耗大，迫切需要引入一定的机制和工具。
[0057]
相关的解决方案主要聚焦于数据标注任务中的三个方面：(1)基于可视化界面，简化标注动作；(2)基于nlp模型加速数据标注进程；(3)引入管理机制，保障数据标注质量。
[0058]
其中，在文档数据标注界面方面，目前已有的信息抽取模型训练数据标注工具都提供了一个标注界面，支持数据标注员以点击鼠标、键盘的方式完成数据标注。相比在文档编辑器、excel等软件，这些数据标注工具简化和规范了数据标注员的任务和动作，显著地提升了数据标注工作的速度和质量。
[0059]
一部分文档数据标注工具，采用了一种新的数据生产策略，即使用已有数据训练特定的nlp模型，然后在新的数据生产任务中使用nlp模型对文档进行预标注。这样，数据标注员的任务从“标注”变为“校验与修正”，由“无中生有”变为“修正现有”、脑力工作量下降了。在实体识别、关系抽取等标签体系复杂、标注难度大的任务中，这类标注工具可以极大地提升数据标注员的工作效率和质量。
[0060]
当然，目前我们对nlp模型的使用还不够充分，比如大部分数据标注工具不对待标注语料中各个样本的标注价值进行区分，标注了大量价值较低的样本，形成了资源的浪费。
[0061]
进一步的，为了解决上述存在的问题，本技术提出一种可以基于nlp模型以及问句生成模型实施标注的方法。对适合特定nlp任务的未标注数据(生语料) 进行标注，在较短的时间内形成数量和质量较高的有标注文档数据。
[0062]
其中，本技术可以获取待标注文档以及文档中包含的对应于各个数据类型以及数据属性的待标注数据。以使后续利用nlp模型以及利用问句生成模型同样对该待标注文档进行数据标注，并将二者分别标注的标注数据中存在的相同数据作为待标注文档的最终输出的目标标注数据。
[0063]
具体的，标注用户可以从原始数据中随机抽取m个样本，分发给领域专家。领域专家对这部分数据进行标注，形成测试集。
[0064]
系统数据标注任务划分为若干轮。在数据标注员的第t轮标注任务开始前，系统会自动地使用预先配置的问句生成模块(quesiton generation,qg)基于生语料构造问答对。当t《3时，系统使用预先配置的历史nlp模型，即基于开源语料、历史积累语料训练得到的qg模型，对这些样本进行预标注；当t≥3时，系统基于t-1轮训练的qg模型对这些样本进行预标注。
[0065]
进一步的，对于利用nlp模型对所述待标注文档进行第一数据标注，得到第一标注数据来说，具体可以为：
[0066]
如图2所示，领域知识识别nlp模型实际上是由规则模块和序列标注模型组合而成的。其中规则模块支持人工编写正则表达式来将模式比较简单的领域知识标注出来。由bert、线性变换层和crf构成的序列标注模型。
[0067]
进一步的，如图3所示，对于利用问句生成模型对所述待标注文档进行第二数据标注，得到第二标注数据来说，具体可以为：
[0068]
使用qg模块基于生语料构造问答对的过程，如图3所示：系统首先基于领域知识识别功能，将文档中表示了特定领域知识的连续子字符串标注出来；然后基于问句生成模型，以领域知识为答案、文档为上下文，构造问句，从而产生问答对。
[0069]
进一步的，本技术实施例中对所述目标标注数据进行置信度评价值的计算的过程来说，可以为：
[0070]
在预标注的同时，系统会在qg模型的计算结果基础上，计算得到模型预标注动作的置信度。
[0071]
其中，计算结果置信度的方式为：
[0072]
如果分类器输出的概率值接近0或者1，说明模型对样本属于某个类别或者不属于某个类别的判断，非常有信心；
[0073]
如果分类器输出的概率值接近0.5，说明模型不太确定样本应该属于哪个类别。通常来说，模型预测时信息不高的样本，在空间中的位置接近分类边界，因此成为“困难样本”。这类样本作为训练数据时，会带来较多的信息，相比其他位置的样本更有利于提升模型的分类能力。
[0074]
系统计算实体识别模型对一个样本的预测结果置信度，计算方式为：
[0075][0076]
式中，t表示文本的长度，q为词汇表的大小,prob
t,q
为第t个token为词汇表第q个type的概率大小。
[0077]
进一步的，对于计算将第一标注数据与第二标注数据中的重复标注数据的目标标注数据来说，可以为：
[0078]
每轮抽取的k个待标注样本中，用于计算一致性的样本个数为l。假设预标注模块在这l个样本中构造了h个问答对。这l个样本会存在于分发到每一个数据标注员的样本集中，即一个数据标注员每轮需要标注的样本个数为：
或者“tony”。
[0094]
同样的，第二关键字段可以为第二标注数据集合包含的对应标注数据，也可以为第二标注数据集合包含的对应标注数据中的部分数据。例如当第二标注数据集合中存在标注数据为“托尼tony”时，第二关键字段可以为“托尼tony”，也可以为“托尼”或者“tony”。
[0095]
本技术中，可以获取待标注文档以及待标注对象，待标注对象包括待标注数据的数据类型以及数据属性；利用nlp模型对待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合；将第一标注数据集合与第二标注数据集合中的相同标注数据作为待标注文档的目标标注数据。通过应用本技术的技术方案，可以基于nlp模型以及问句生成模块共同实施对文档的标注，并将其中的重复标注数据再次进行置信度评价值的计算，以选取其中的高价值标注数据作为最终的结果。进而解决相关技术中存在的，对待标注语料中的样本标注的重复度较高所导致的降低业务处理效率的问题。
[0096]
可选地，在基于本技术上述方法的另一个实施例中，在所述利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合之后，还包括：
[0097]
将所述待标注文档依次输入至所述nlp模型的bert、线性变换层和crf层，得到所述第一标注数据集合；
[0098]
当检测到输入次数达到预设次数时，将所述待标注文档输入到所述问句生成模型进行数据标注，得到所述第二标注数据集合。
[0099]
可选地，在基于本技术上述方法的另一个实施例中，所述利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合，包括：
[0100]
基于所述问句生成模型中的领域知识识别功能，提取所述待标注文档中表征特定领域知识的连续字符串；
[0101]
将满足特定词语条件的所述连续字符串作为所述第二标注数据集合。
[0102]
可选地，在基于本技术上述方法的另一个实施例中，在所述将所述第一标注数据集合与所述第二标注数据集合中的相同标注数据作为所述待标注文档的目标标注数据之后，还包括：
[0103]
对所述相同标注数据进行置信度评价值的计算，并将其中置信度评价值高于预设数值的相同标注数据作为所述待标注文档对应的目标标注数据。
[0104]
可选地，在基于本技术上述方法的另一个实施例中，利用如下公式对所述相同标注数据进行置信度评价值的计算：
[0105][0106]
其中，t表示标注数据集合的长度，q标识标注数据集合的数据数量,|prob
t,
为第一标注数据集第t个标注数据为第二标注数据集合第q个标注数据的相同概率大小。
[0107]
可选地，在基于本技术上述方法的另一个实施例中，在所述得到第二标注数据集合之后，还包括：
[0108]
提取所述第一标注数据集合包含的每个第一关键字段，以及提取所述第一标注数据集合包含的每个第二关键字段；
[0109]
计算所述第一关键字段与所述第二关键字段的余弦相似度值；
[0110]
基于所述第一关键字段与所述第二关键字段的余弦相似度值，确定所述第一标注数据集合与所述第二标注数据集合中的相同标注数据。
[0111]
可选地，在基于本技术上述方法的另一个实施例中，在所述获取待标注文档以及待标注对象之前，还包括：
[0112]
对所述待标注文档进行停用词消除，并利用聚类运算对所述消除停用词后的待标注文档进行噪音词去除。
[0113]
进一步的，申请在对待标注文档进行预处理的过程中，可以包括对待标注文档进行分词，得到停用词，其中该停用词至少包括介词、助词、连词、感叹词的至少一种。
[0114]
可以理解的，上述词性的词很难成为标注数据，因此可以将其进行消除，进而得到消除词性后的待标注文档。
[0115]
进一步的，本技术还可以利用密度聚类算法对消除词性后的待标注文档进行处理，例如可以取邻域距离阈值和样本数(∈,minpts)，并通过聚类运算后得到主成分关键词和噪音词，进而再将噪音词进行消除。
[0116]
通过应用本技术的技术方案，可以基于nlp模型以及问句生成模块共同实施对文档的标注，并将其中的重复标注数据再次进行置信度评价值的计算，以选取其中的高价值标注数据作为最终的结果。进而解决相关技术中存在的，对待标注语料中的样本标注的重复度较高所导致的降低业务处理效率的问题。
[0117]
可选的，在本技术的另外一种实施方式中，如图4所示，本技术还提供一种获取标注数据的装置。其中包括：
[0118]
获取模块201，被配置为获取待标注文档以及待标注对象，所述待标注对象包括待标注数据的数据类型以及数据属性；
[0119]
标注模块202，被配置为利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合，其中所述第一标注数据集合与所述第二标注数据集合中的标注数据对应于相同的待标注对象；
[0120]
生成模块203，被配置为将所述第一标注数据集合与所述第二标注数据集合中的相同标注数据作为所述待标注文档的目标标注数据。
[0121]
本技术中，可以获取待标注文档以及待标注对象，待标注对象包括待标注数据的数据类型以及数据属性；利用nlp模型对待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合；将第一标注数据集合与第二标注数据集合中的相同标注数据作为待标注文档的目标标注数据。通过应用本技术的技术方案，可以基于nlp模型以及问句生成模块共同实施对文档的标注，并将其中的重复标注数据再次进行置信度评价值的计算，以选取其中的高价值标注数据作为最终的结果。进而解决相关技术中存在的，对待标注语料中的样本标注的重复度较高所导致的降低业务处理效率的问题。
[0122]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0123]
将所述待标注文档依次输入至所述nlp模型的bert、线性变换层和crf层，得到所述第一标注数据集合；
[0124]
当检测到输入次数达到预设次数时，将所述待标注文档输入到所述问句生成模型
进行数据标注，得到所述第二标注数据集合。
[0125]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0126]
基于所述问句生成模型中的领域知识识别功能，提取所述待标注文档中表征特定领域知识的连续字符串；
[0127]
将满足特定词语条件的所述连续字符串作为所述第二标注数据集合。
[0128]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0129]
对所述相同标注数据进行置信度评价值的计算，并将其中置信度评价值高于预设数值的相同标注数据作为所述待标注文档对应的目标标注数据。
[0130]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0131]
利用如下公式对所述相同标注数据进行置信度评价值的计算：
[0132][0133]
其中，t表示标注数据集合的长度，q标识标注数据集合的数据数量,|prob
t,q
为第一标注数据集第t个标注数据为第二标注数据集合第q个标注数据的相同概率大小。
[0134]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0135]
提取所述第一标注数据集合包含的每个第一关键字段，以及提取所述第一标注数据集合包含的每个第二关键字段；
[0136]
计算所述第一关键字段与所述第二关键字段的余弦相似度值；
[0137]
基于所述第一关键字段与所述第二关键字段的余弦相似度值，确定所述第一标注数据集合与所述第二标注数据集合中的相同标注数据。
[0138]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0139]
对所述待标注文档进行停用词消除，并利用聚类运算对所述消除停用词后的待标注文档进行噪音词去除。
[0140]
图5是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如，电子设备300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0141]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由电子设备处理器执行以完成上述获取标注数据的方法，该方法包括：获取待标注文档以及待标注对象，所述待标注对象包括待标注数据的数据类型以及数据属性；利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合，其中所述第一标注数据集合与所述第二标注数据集合中的标注数据对应于相同的待标注对象；将所述第一标注数据集合与所述第二标注数据集合中的相同标注数据作为所述待标注文档的目标标注数据。可选地，上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0142]
在示例性实施例中，还提供了一种应用程序/计算机程序产品，包括一条或多条指令，该一条或多条指令可以由电子设备的处理器执行，以完成上述获取标注数据的方法，该方法包括：获取待标注文档以及待标注对象，所述待标注对象包括待标注数据的数据类型
以及数据属性；利用nlp模型对所述待标注文档进行数据标注，得到第一标注数据集合；以及，利用问句生成模型对所述待标注文档进行数据标注，得到第二标注数据集合，其中所述第一标注数据集合与所述第二标注数据集合中的标注数据对应于相同的待标注对象；将所述第一标注数据集合与所述第二标注数据集合中的相同标注数据作为所述待标注文档的目标标注数据。可选地，上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。
[0143]
本领域技术人员可以理解，示意图5仅仅是电子设备300的示例，并不构成对电子设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备300还可以包括输入输出设备、网络接入设备、总线等。
[0144]
所称处理器302可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，处理器302是电子设备300的控制中心，利用各种接口和线路连接整个电子设备300的各个部分。
[0145]
存储器301可用于存储计算机可读指令，处理器302通过运行或执行存储在存储器301内的计算机可读指令或模块，以及调用存储在存储器301内的数据，实现电子设备300的各种功能。存储器301可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备300 的使用所创建的数据等。此外，存储器301可以包括硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd) 卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、只读存储器 (read-only memory，rom)、随机存取存储器(random access memory，ram) 或其他非易失性/易失性存储器件。
[0146]
电子设备300集成的模块如果以软件功能模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
[0147]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求指出。
[0148]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。