一种投资管理方法、装置、计算机设备及存储介质与流程

1.本发明涉及计算机软件技术领域，特别涉及一种投资管理方法、装置、计算机设备及存储介质。


背景技术：

2.投资是指国家或企业以及个人，为了特定目的，与对方签订协议，促进社会发展，实现互惠互利，输送资金的过程。又是特定经济主体为了在未来可预见的时期内获得收益或是资金增值，在一定时期内向一定领域投放足够数额的资金或实物的货币等价物的经济行为。可分为实物投资、资本投资和证券投资等。前者是以货币投入企业，通过生产经营活动取得一定利润，后者是以货币购买企业发行的股票和公司债券，间接参与企业的利润分配。
3.而由于在投资过程中，各方主体会运用多种投资手段，导致投资过程存在或多或少的不可控因素，例如投资合同中的条款设定、期限设定等内容都是需要反复核查的对象。因此，如何提高投资管控能力，保障投资收益是本领域技术人员需要解决的问题。


技术实现要素：

4.本发明实施例提供了一种投资管理方法、装置、计算机设备及存储介质，旨在提高投资管理能力，保障投资收益。
5.第一方面，本发明实施例提供了一种投资管理方法，包括：
6.获取投资主体的投资信息和合同文件，并对所述投资信息和合同文件进行预处理；
7.利用自然语言处理技术对所述投资信息进行投资信息识别，以及利用文字识别技术对所述合同文件进行合同文件识别；
8.基于所述投资信息识别的结果和合同文件识别的结果，输出本次投资的投资管理系数。
9.第二方面，本发明实施例提供了一种投资管理装置，包括：
10.预处理单元，用于获取投资主体的投资信息和合同文件，并对所述投资信息和合同文件进行预处理；
11.投资识别单元，用于利用自然语言处理技术对所述投资信息进行投资信息识别，以及利用文字识别技术对所述合同文件进行合同文件识别；
12.系数输出单元，用于基于所述投资信息识别的结果和合同文件识别的结果，输出本次投资的投资管理系数。
13.第三方面，本发明实施例提供了一种计算机设备，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计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的投资管理方法。
14.第四方面，本发明实施例提供了一种计算机可读存储介质，其特征在于，所述计算
机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的投资管理方法。
15.本发明实施例提供了一种投资管理方法、装置、计算机设备及存储介质，该方法包括：获取投资主体的投资信息和合同文件，并对所述投资信息和合同文件进行预处理；利用自然语言处理技术对所述投资信息进行投资信息识别，以及利用文字识别技术对所述合同文件进行合同文件识别；基于所述投资信息识别的结果和合同文件识别的结果，输出本次投资的投资管理系数。本发明实施例通过对投资过程中的的投资信息和合同文件进行识别，获得本次投资对应的投资管理系数，根据该投资管理系数即可对投资进行管理，从而提高投资能力，保障投资收益。
附图说明
16.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为本发明实施例提供的一种投资管理方法的流程示意图；
18.图2为本发明实施例提供的一种投资管理方法的第一子流程示意图；
19.图3为本发明实施例提供的一种投资管理方法的第二子流程示意图；
20.图4为本发明实施例提供的一种投资管理方法的第三子流程示意图；
21.图5为本发明实施例提供的一种投资管理方法的第四子流程示意图；
22.图6为本发明实施例提供的一种投资管理方法的第五子流程示意图；
23.图7为本发明实施例提供的一种投资管理装置的示意性框图；
24.图8为本发明实施例提供的一种投资管理装置的第一子示意性框图；
25.图9为本发明实施例提供的一种投资管理装置的第二子示意性框图；
26.图10为本发明实施例提供的一种投资管理装置的第三子示意性框图；
27.图11为本发明实施例提供的一种投资管理装置的第四子示意性框图；
28.图12为本发明实施例提供的一种投资管理装置的第五子示意性框图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
30.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
31.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
32.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是
指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
33.下面请参见图1，图1为本发明实施例提供的一种投资管理方法流程示意图，具体包括：步骤s101～s103。
34.s101、获取投资主体的投资信息和合同文件，并对所述投资信息和合同文件进行预处理；
35.s102、利用自然语言处理技术对所述投资信息进行投资信息识别，以及利用文字识别技术对所述合同文件进行合同文件识别；
36.s103、基于所述投资信息识别的结果和合同文件识别的结果，输出本次投资的投资管理系数。
37.本实施例中，在对投资进行管理时，获取投资主体的投资信息和合同文件，即主要对投资信息和合同文件进行投资管理，并根据投资信息和合同文件的投资管理结果，为本次投资输出相应的投资管理系数，从而为投资主体提供投资参考，以判断是否继续本次投资。当然，可以理解的是，本实施例中的投资主体，在实际的应用场景中，可以是投资双方，例如投方和被投方，也可以是投资多方，即存在多个投资主体，例如投方、被投方、中间方等，当然，不论是投资双方还是投资多方，投资主体即可以是企事业单位，也可以群体个人等。
38.本发明实施例通过对投资过程中的的投资信息和合同文件进行识别，获得本次投资对应的投资管理系数，根据该投资管理系数即可对投资进行管理，从而提高投资能力，保障投资收益。。
39.在一实施例中，如图2所示，所述步骤s102包括：步骤s201～s204。
40.s201、利用预置的投资语言文本对所述投资信息中的非投资语言信息进行过滤；
41.s202、根据投资信息中的标点属性以及标点上下文分布构造决策树，并通过所述决策树对过滤后的投资信息进行分词分段处理；
42.s203、以及，将所述合同文件转化为图像格式，得到合同图像文件，并对所述合同图像文件进行矫正处理和增强处理；
43.s204、采用目标检测算法对所述合同图像文件中的印章和水印进行检测，并采用生成式对抗网络对检测到的印章和水印进行去除。
44.本实施例中，针对所述投资信息和合同文件采取不同的预处理方式，具体为：针对所述投资信息，首先过滤其中的非投资语言信息，如此可以减少整体的识别压力，在这里，所述预置的投资语言文本可以是预先根据历史经验构造的包含投资术语(例如投资动词、投资名词等等)的一种投资语言文本。接着通过构造一决策树对投资信息进行分词分段处理，即将投资信息划分为多个部分，后续可以针对不同部分采取不同的识别手段。
45.针对所述合同文件，将其转化为图像格式，即将合同文件的识别转化为对图像内容的识别，如此可以提高识别效率以及准确率。同时，考虑到合同文件中可能存在一些印章和/或水印等容易影响图像识别精度的影响因素，故本实施例通过目标检测算法对这些影响因素进行检测确定，并对检测到的印章和水印通过生成式对抗网络进行去除。在一具体实施例中，所述目标检测算法为yolov5算法，即将所述合同图像文件依次输入至yolov5网络模型中的骨干网络进行特征提取，得到不同尺寸的合同特征图；其中，所述骨干网络依次包括focus模块、瓶颈csp层、cbl模块和spp层；利用neck层对不同尺寸的合同特征图进行串
联和整合，得到不同大小的语义信息；基于所述语义信息，通过预测层输出所述合同图像文件中的类别信息和坐标信息；根据所述类别信息和坐标信息便可以筛选得到印章和水印等内容。
46.在一实施例中，如图3所示，所述步骤s102包括：步骤s301～s305。
47.s301、根据所述投资信息的分词分段处理结果将所述投资信息划分为规则信息和不规则信息，同时构造一目标词类向量，并利用规则表达式对所述所述目标词类向量设置词类判断规则；
48.s302、通过所述词类判断规则对所述投资信息中的规则信息进行词类判断；
49.s303、将所述词类判断规则嵌入至马尔科夫模型，对所述投资信息中的不规则信息进行词类判断；
50.s304、根据所述词类判断结果，对所述投资信息进行段落补全操作；
51.s305、对段落补全后的投资信息提取词类特征，并采用概率图模型对所述词类特征进行向量化建模，以对所述投资信息实现全局识别，并将全局识别结果作为所述投资信息识别结果输出。
52.本实施例中，在所述投资信息的分词分段处理结果的基础上，将投资信息划分为规则信息和不规则信息，规则信息即是指段落字词完整、不规则信息则是段落和/或字词不完整。对于规则信息，可以通过由规则表达式构造得到的词类判断规则直接进行判断，即判断规则信息中的词类信息；对于不规则信息，则将词类判断规则和马尔科夫模型结合起来进行判断，得到不规则信息中的词类信息。对规则信息和不规则信息的词类结果进行汇总，以此对投资信息(主要为不规则信息)进行段落补全。接着从投资信息中提取词类特征，然后通过概率图模型对该词类特征进行向量化建模，从而实现对投资信息的全局识别。
53.在一具体实施例中，在将所述词类判断规则嵌入至马尔科夫模型，对所述投资信息中的不规则信息进行词类判断过程中，采用预先构造的字符串游标对不规则信息中的每一字符依次吃进，并记录每一字符在字符串游标的始末位置，同时通过欧式距离计算各字符之间的距离关系，以此连接所有字符，得到不规则信息对应的局部条件代价距离。另外，根据字符的字段字长构造一字符矩阵，利用局部条件代价距离依次替换字符矩阵中对应的始末位置的坐标距离值；基于该坐标距离值，再次通过欧式距离计算字符矩阵的最短路径，并将该最短路径上的目标字作为最终分词结果。进一步的，根据最终分词结果，对目标词类向量进行上下文距离计算，以此对不规则信息进行段落分离处理。
54.在一实施例中，所述合同文件识别包括日期识别和条款识别；
55.如图4所示，所述步骤s102还包括：步骤s401～s404。
56.s401、对所述合同图像文件进行扫描，得到包含日期数据的第一目标文件和未包含日期数据的第二目标文件；
57.s402、通过bert模型提取所述所述第一目标文件中的文本特征，并通过独热编码对所述文本特征提取实体识别所需的目标特征；
58.s403、采用seq2seq算法对所述目标特征进行解码处理，得到对应的日期标注序列，并将所述日期标注序列作为所述所述第一目标文件的日期识别结果输出；
59.s404、通过ocr识别技术对所述第二目标文件进行文字识别，并将所述文字识别的结果与预置的合同条款规定进行对照，以得到条款识别结果。
60.本实施例中，对合同文件进行识别，即是对转换为图像格式的合同图像文件进行识别。具体来说，首先通过扫描合同图像文件，根据是否包含日期数据将其划分为第一目标文件和第二目标文件。对于包含日期数据的第一目标文件，采用bert模型对其提取文本特征，并结合独热编码对该文本特征进一步提取得到目标特征，接着采用seq2seq算法解码该目标特征，并输出相应的日期标注序列，由此可以提取得到合同图像文件中的日期数据。对于未包含日期数据的第二目标文件，便可以通过ocr识别技术直接对其进行文字识别，并将识别到的内容与预置的合同条款规定(例如违约条款等)进行对照，从而得到对于合同图像文件的条款识别结果。
61.进一步的，在提取到日期数据后，利用n-grams模型计算日期数据的纠错得分概率值，并基于所述纠错得分概率值对所述日期数据进行修正。n-gram是一种基于统计语言模型的算法，其基本思想是将日期文本里面的内容按照字节进行大小为n的滑动窗口操作，形成了长度是n的字节片段序列。每一个字节片段称为gram，对所有gram的出现频度进行统计，并且按照事先设定好的阈值进行过滤，形成关键gram列表，也就是日期数据的向量特征空间，列表中的每一种gram就是一个特征向量维度。第n个词的出现只与前面n-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计n个词同时出现的次数得到。
62.在一实施例中，如图5所示，所述步骤s102还包括：步骤s501～s505。
63.s501、选取所述合同图像文件中的表格区域，所述表格区域包括有线表格和无线表格；
64.s502、采用深度残差卷积神经网络提取所述表格区域对应的图像特征；
65.s503、通过卷积循环神经网络识别所述图像特征中的行文本区域及其坐标位置；
66.s504、根据所述坐标位置计算各行文本区域之间的距离，并根据距离计算结果判断是否对各行文本区域进行融合，从而提取得到所述合同图像文件中的表格文件；
67.s505、对所述表格文件进行日期识别和条款识别。
68.本实施例中，考虑到合同文件中可能存在表格内容，例如有线表格或者无线表格，对于表格中的内容，通过文字识别技术可能只是识别到其中的文字内容，而缺乏行列体现，因此本实施例对合同文件中的表格进行提取，以完整展现表格内容。具体来说，首先确定合同图像文件中的表格区域，然后通过深度残差卷积神经网络对表格区域提取图像特征。在这里，本实施例采用深度残差卷积神经网络resnet50作为backbone(骨干网络)提取图像特征，其中resnet50由一系列包含卷积、非线性变换及残差连接等操作的残差单元组成，输入图像经resnet50网络降采样、扩充通道后可以得到不同的特征图(feature map)，为后续更准确预测二值分割图像提供丰富的特征信息；当resnet50提取输入图像特征得到特征图后，再经过卷积操作压缩图像通道并上采样得到与输入图像大小一致的单通道图像。另外，在模型训练阶段，以正常表格图像(有线或者无线)作为模型输入，以二值图像作为模型的标签，通过分割思想指导模型训练，当模型拟合后，即可在推理阶段实现输入无线表格图像，预测得到二值分割图像，并通过传统方法对二值图像提取边缘，得到表格内每块行文本区域在整张图像内的绝对位置坐标信息。
69.接着，通过深度残差卷积神经网络和卷积循环神经网络(convolutional recurrent neural network，crnn)，可以实现行文本的识别。crnn模型主要由卷积层(cnn)
和循环层(rnn)组成，其中卷积层负责从输入的行文本图像中提取得到宽度为单个像素的特征序列，而循环层以卷积层输出的特征序列作为输入，输出预测的字符。在训练阶段，以行文本图像作为输入，以行文本图像的文本内容作为标签，模型训练一定阶段收敛后，即可在推理阶段实现对行文本的识别。
70.通过深度残差卷积神经网络与卷积循环神经网络可以得到表格内的行文本区域坐标位置信息及其文本内容，但由于每个文本区域并非一定就是一个单元格，可能某一个单元格内检测出多个行文本区域，因此需要对行文本区域进行融合，得到相应的单元格。通常情况下，同属于一个单元格的文本区域彼此相邻，且相距较近，故可以通过计算每个行文本区域之间的距离来判断是否需要进行融合，融合行文本区域后即可得到每个单元格的信息。
71.进一步的，当获取到单元格信息后，还可以继续对单元格与单元格之间的行列关系进行判断，以得到完整的表格结构。在一具体实施例中，通过提取单元格的绝对位置信息，来预测单元格与单元格之间的相对位置信息，其中单元格与单元格的相对位置信息包括是否属于同一行以及是否属于同一列，优选的，采用seq2seq网络结构对相对位置信息进行预测，所述seq2seq网络结构由编码器和解码器两部分组成，其中编码器提取输入单元格绝对位置坐标的特征信息，解码器将编码器提取到的绝对位置坐标的特征信息加以利用，并预测出单元格与单元格之间的相对位置信息。
72.在一实施例中，如图6所示，所述投资管理方法还包括：步骤s601～s604。
73.s601、当所述投资主体为跨境双方时，基于fix协议对跨境双方的投资指令进行消息格式转换；
74.s602、采用消息队列服务搭建至少一个存储队列，并通过cas技术对每一存储队列设置入口指针和出口指针；
75.s603、将转换消息格式的投资指令缓存于所述存储队列中；
76.s604、采用加密算法对所述投资指令按序映射加密，以及采用protobuf技术对加密后的投资指令进行解码。
77.本实施例中，如果投资主体为跨境双方，则会存在消息协议的差异，因此需要对跨境双方的投资指令(在这里，投资指令既可以表示投资信息，也可以表示投资主体相互传送的合同文件)进行消息格式转换，以适配各自对应的融资系统或者管理平台等。即采用fix协议(金融信息交换协议)对跨境双方的投资指令进行消息格式转换，fix协议是由国际fix协会组织提供的一个开放式协议，目的是推动国际贸易电子化的进程，在各类参与者之间，包括投资经理、经纪人，买方、卖方建立起实时的电子化通讯协议。接着通过消息队列服务搭建多个存储队列，例如可以针对投资信息、合同文件分别搭建存储队列，还可以为投资信息的识别结果和合同文件的识别结果分别搭建存储队列。将投资指令缓存在存储队列中，等待需要使用时便可以从存储队列中提取，在这里，通过cas技术对存储队列设置入口指针和出口指针，可以便于投资指令的存入和取出。同时，对投资指令进行加密，可以提高投资指令的安全性。
78.在具体的实施例中，投资指令缓存至存储队列后会成为一个二进制数据流，该二进制数据流中的数据为一系列的key-value。protobuf采用varint编码、zigzag编码技术，对key-pair结构无需使用分隔符来分割不同的field。对于可选的field，如果不存在该
field，那么在最终的message buffer中就没有该field，这些特性都有助于节约消息本身的大小，protobuf利用巧妙的编码技术，压缩传输的字节数，可大大的提升网络传输效率。
79.在一实施例中，所述投资管理方法还包括：
80.基于区块链技术搭建多个投资管控链，并将所述投资信息及对应的投资信息识别结果、合同文件及对应合同文件识别的结果存储于投资管控链中；
81.利用所述投资管控链中的投资信息及对应的投资信息识别结果、合同文件及对应合同文件识别的结果，对预置的投资语言文本和合同条款规定进行更新。
82.本实施例中，通过区块链技术对投资过程进行上链保存，例如将投资信息和合同文件保存于区块链上，便于日后追溯，还可以将投资信息的投资信息识别结果和合同文件的合同文件识别结果保存在区块链上，用于当作历史识别记录数据对以后的投资管理进行反馈更新。在具体实施例中，通过区块链技术搭建投资管控链的步骤包括：(1)根据达成的规则部署节点，具体的包括：获取链源代码；将源代码编译成二进制代码；通过seeds参数配置p2p网络；节点部署完成，加入链网络；(2)根据预设搭建分类规则对节点进行分组，几个节点可以组成一个节点集群，相当于节点们组成一个小组；(3)所有节点同步信息维护，选定中间件网关路由，提供对外接口。
83.图7为本发明实施例提供的一种投资管理装置700示意性框图，该装置700包括：
84.预处理单元701，用于获取投资主体的投资信息和合同文件，并对所述投资信息和合同文件进行预处理；
85.投资识别单元702，用于利用自然语言处理技术对所述投资信息进行投资信息识别，以及利用文字识别技术对所述合同文件进行合同文件识别；
86.系数输出单元703，用于基于所述投资信息识别的结果和合同文件识别的结果，输出本次投资的投资管理系数。
87.在一实施例中，如图8所示，所述预处理单元701包括：
88.信息过滤单元801，用于利用预置的投资语言文本对所述投资信息中的非投资语言信息进行过滤；
89.分词分段单元802，用于根据投资信息中的标点属性以及标点上下文分布构造决策树，并通过所述决策树对过滤后的投资信息进行分词分段处理；
90.图像处理单元803，用于以及，将所述合同文件转化为图像格式，得到合同图像文件，并对所述合同图像文件进行矫正处理和增强处理；
91.水印去除单元804，用于采用目标检测算法对所述合同图像文件中的印章和水印进行检测，并采用生成式对抗网络对检测到的印章和水印进行去除。
92.在一实施例中，如图9所示，所述投资识别单元702包括：
93.规则设置单元901，用于根据所述投资信息的分词分段处理结果将所述投资信息划分为规则信息和不规则信息，同时构造一目标词类向量，并利用规则表达式对所述所述目标词类向量设置词类判断规则；
94.第一词类判断单元902，用于通过所述词类判断规则对所述投资信息中的规则信息进行词类判断；
95.第二词类判断单元903，用于将所述词类判断规则嵌入至马尔科夫模型，对所述投资信息中的不规则信息进行词类判断；
96.段落补全单元904，用于根据所述词类判断结果，对所述投资信息进行段落补全操作；
97.全局识别单元905，用于对段落补全后的投资信息提取词类特征，并采用概率图模型对所述词类特征进行向量化建模，以对所述投资信息实现全局识别，并将全局识别结果作为所述投资信息识别结果输出。
98.在一实施例中，所述合同文件识别包括日期识别和条款识别；
99.如图10所示，所述投资识别单元702包括：
100.文件扫描单元1001，用于对所述合同图像文件进行扫描，得到包含日期数据的第一目标文件和未包含日期数据的第二目标文件；
101.文本特征提取单元1002，用于通过bert模型提取所述所述第一目标文件中的文本特征，并通过独热编码对所述文本特征提取实体识别所需的目标特征；
102.序列标注单元1003，用于采用seq2seq算法对所述目标特征进行解码处理，得到对应的日期标注序列，并将所述日期标注序列作为所述所述第一目标文件的日期识别结果输出；
103.文字识别单元1004，用于通过ocr识别技术对所述第二目标文件进行文字识别，并将所述文字识别的结果与预置的合同条款规定进行对照，以得到条款识别结果。
104.在一实施例中，如图11所示，所述投资识别单元702还包括：
105.区域选取单元1101，用于选取所述合同图像文件中的表格区域，所述表格区域包括有线表格和无线表格；
106.图像特征提取单元1102，用于采用深度残差卷积神经网络提取所述表格区域对应的图像特征；
107.区域识别单元1103，用于通过卷积循环神经网络识别所述图像特征中的行文本区域及其坐标位置；
108.区域融合单元1104，用于根据所述坐标位置计算各行文本区域之间的距离，并根据距离计算结果判断是否对各行文本区域进行融合，从而提取得到所述合同图像文件中的表格文件；
109.表格识别单元1105，用于对所述表格文件进行日期识别和条款识别。
110.在一实施例中，如图12所示，所述投资管理装置700还包括：
111.格式转换单元1201，用于当所述投资主体为跨境双方时，基于fix协议对跨境双方的投资指令进行消息格式转换；
112.队列搭建单元1202，用于采用消息队列服务搭建至少一个存储队列，并通过cas技术对每一存储队列设置入口指针和出口指针；
113.指令缓存单元1203，用于将转换消息格式的投资指令缓存于所述存储队列中；
114.加密解码单元1204，用于采用加密算法对所述投资指令按序映射加密，以及采用protobuf技术对加密后的投资指令进行解码。
115.在一实施例中，所述投资管理装置700还包括：
116.管控链搭建单元，用于基于区块链技术搭建多个投资管控链，并将所述投资信息及对应的投资信息识别结果、合同文件及对应合同文件识别的结果存储于投资管控链中；
117.预置更新单元，用于利用所述投资管控链中的投资信息及对应的投资信息识别结
果、合同文件及对应合同文件识别的结果，对预置的投资语言文本和合同条款规定进行更新。
118.由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
119.本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
120.本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
121.说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。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，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
122.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。