一种基于人工智能的自然语言处理方法及系统

1.本发明涉及计算机处理技术领域，具体而言，涉及一种基于人工智能的自然语言处理方法及系统。


背景技术：

2.自然语言(natural language)是人类语言在一定条件下自然形成和使用的口头和书面语言，与人工语言(形式语言)相对。例如汉语、英语、西班牙语、俄语等等。自然语言表现为一些自然形成的语词指号体系，是语词指号和语词意义的统一体。
3.随着大数据时代的到来，计算机可处理的自然语言文本数量也空前增长，面向海量信息的文本挖掘、信息提取、跨语言信息处理、人机交互等应用需求急速增长。现有的自然语言处理方法只关注文字本身，还处于关键词匹配层面，并未针对不同语言类型，关注语言中的真实语义，以对自然语言进行处理。然而由于自然语言具有语言类型繁多、文本数量巨大、表达式的层次结构不够清晰、句子成分的语序不固定、语形和语义不对应等问题，仅关注文字本身会导致计算机不能针对不同语言类型，准确获取到自然语言中的文本信息，则为计算机的编译处理带来了偏差或者直接错误，进而影响用户与人工智能之间的交互。


技术实现要素：

4.本发明的目的在于提供一种基于人工智能的自然语言处理方法及系统，用以改善现有技术中不能针对不同语言类型，准确获取到自然语言中的文本信息，为计算机的编译处理带来了偏差或者直接错误的问题。
5.本发明的实施例是这样实现的：
6.第一方面，本技术实施例提供一种基于人工智能的自然语言处理方法，其包括如下步骤：
7.获取待处理语言语句，待处理语言语句至少使用一种语言类型；
8.将待处理语言语句输入至语言类型匹配模型中，得到该待处理语言语句使用的所有语言类型；
9.根据所有语言类型，对待处理语言语句进行划分，得到多个待处理字词句，其中，任一待处理字词句仅使用一种语言类型；
10.按照各个语言类型，依次将待处理语言语句转换为多个格式化语句，任一格式化语句仅使用一种语言类型且该格式化语句中包含对应语言类型的所有待处理字词句；
11.基于任一格式化语句使用的语言类型，将该格式化语句输入至对应的自然语言处理模型中，得到对应的语义解析结果，自然语言处理模型为利用语句内字词关系相似度和语句相似度对对应语言类型的基础字词匹配模型进行更新得到的模型；
12.根据所有格式化语句的语义解析结果，按照预置人工语言格式，将待处理语言语句转换为人工语言，得到自然语言处理结果。
13.在本发明的一些实施例中，上述基于任一格式化语句使用的语言类型，将该格式
化语句输入至对应的自然语言处理模型中，得到对应的语义解析结果的步骤之前，该方法还包括：
14.根据任一格式化语句使用的语言类型，获取多个第一训练样本和多个第二训练样本，第一训练样本包括语句间相似度高于第一相似度的多个语句，第二训练样本包括语句内字词间相似度高于第二相似度的多个语句；
15.基于该格式化语句使用的语言类型，获取训练好的基础字词匹配模型；
16.将多个第一训练样本输入至训练好的基础字词匹配模型，得到基础字词匹配模型的第一处理偏差值；
17.将多个第二训练样本输入至训练好的基础字词匹配模型，得到基础字词匹配模型的第二处理偏差值；
18.基于第一处理偏差值和第二处理偏差值，对训练好的基础字词匹配模型进行更新，得到该语言类型对应的自然语言处理模型。
19.在本发明的一些实施例中，上述基于第一处理偏差值和第二处理偏差值，对训练好的基础字词匹配模型进行更新，得到该语言类型对应的自然语言处理模型的步骤之后，该方法还包括：
20.获取与该语言类型相匹配的测试数据库；
21.利用测试数据库测试该语言类型对应的自然语言处理模型，生成测试报告；
22.根据测试报告，对自然语言处理模型进行调整优化。
23.在本发明的一些实施例中，上述基于该格式化语句使用的语言类型，获取训练好的基础字词匹配模型的步骤之前，该方法还包括：
24.根据所有语言类型，建立多个基础字词匹配模型，基础字词匹配模型与语言类型一一对应；
25.基于任一基础字词匹配模型对应的语言类型，获取多个第三训练样本，第三训练样本包括使用该语言类型的多个字词句；
26.利用多个第三训练样本训练基础字词匹配模型，得到训练好的基础字词匹配模型。
27.在本发明的一些实施例中，上述按照各个语言类型，依次将待处理语言语句转换为多个格式化语句的步骤包括：
28.针对任一语言类型，将待处理语言语句中使用该语言类型的待处理字词句进行保留，且将使用其他语言类型的待处理字词句替换为预设符号，以得到对应格式化语句。
29.在本发明的一些实施例中，上述将待处理语言语句输入至语言类型匹配模型中，得到该待处理语言语句使用的所有语言类型的步骤包括：
30.获取各个语言类型对应的语料库，并利用所有语料库构建语言类型匹配模型；
31.语言类型匹配模型将待处理语言语句中的每个字与所有语料库进行对比，以判断待处理语言语句中所有字的语言类型。
32.在本发明的一些实施例中，上述待处理语言语句包括口头语言和书面语言。
33.第二方面，本技术实施例提供一种基于人工智能的自然语言处理系统，其包括：
34.待处理语言语句获取模块，用于获取待处理语言语句，待处理语言语句至少使用一种语言类型；
35.语言类型匹配模块，用于将待处理语言语句输入至语言类型匹配模型中，得到该待处理语言语句使用的所有语言类型；
36.语句划分模块，用于根据所有语言类型，对待处理语言语句进行划分，得到多个待处理字词句，其中，任一待处理字词句仅使用一种语言类型；
37.格式化语句转换模块，用于按照各个语言类型，依次将待处理语言语句转换为多个格式化语句，任一格式化语句仅使用一种语言类型且该格式化语句中包含对应语言类型的所有待处理字词句；
38.语义解析模块，用于基于任一格式化语句使用的语言类型，将该格式化语句输入至对应的自然语言处理模型中，得到对应的语义解析结果，自然语言处理模型为利用语句内字词关系相似度和语句相似度对对应语言类型的基础字词匹配模型进行更新得到的模型；
39.语言转换模块，用于根据所有格式化语句的语义解析结果，按照预置人工语言格式，将待处理语言语句转换为人工语言，得到自然语言处理结果。
40.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
41.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
42.相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
43.本发明提供一种基于人工智能的自然语言处理方法及系统，其包括如下步骤：获取待处理语言语句，待处理语言语句至少使用一种语言类型。将待处理语言语句输入至语言类型匹配模型中，语言类型匹配模型将待处理语言语句中的每个字与所有语料库进行对比，得到该待处理语言语句使用的所有语言类型。然后根据所有语言类型，划分待处理语言语句，得到仅使用一种语言类型的多个待处理字词句。然后针对各个语言类型，将待处理语言语句转换为多个格式化语句。并基于任一格式化语句使用的语言类型，将该格式化语句输入至对应的自然语言处理模型中。由于各个语言类型对应的自然语言处理模型是针对各个语言类型，利用语句内字词关系相似度和语句相似度更新对应的基础字词匹配模型得到的，则自然语言处理模型可以根据格式化语句中语句内字词关系和语句关系对格式化语句进行语义分析处理，得到该格式化语句的语义解析结果。实现了针对不同语言类型，关注待处理语言语句中的真实语义，对待处理语言语句进行处理的目的。有效解决了自然语言中语言类型繁多、文本数量巨大、表达式的层次结构不够清晰、句子成分的语序不固定、语形和语义不对应等问题，从而较为准确获取到自然语言中的文本信息。最后根据所有格式化语句的语义解析结果，将待处理语言语句转换为人工语言得到的自然语言处理结果，以进一步避免计算机交互处理的偏差和错误，也就进一步使得计算机的编译处理更准确。
附图说明
44.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
45.图1为本发明实施例提供的一种基于人工智能的自然语言处理方法的流程图；
46.图2为本发明实施例提供的一种构建自然语言处理模型的流程图；
47.图3为本发明实施例提供的一种优化自然语言处理模型的流程图；
48.图4为本发明实施例提供的一种基于人工智能的自然语言处理系统的结构框图；
49.图5为本发明实施例提供的一种电子设备的示意性结构框图。
50.图标：100-基于人工智能的自然语言处理系统；110-待处理语言语句获取模块；120-语言类型匹配模块；130-语句划分模块；140-格式化语句转换模块；150-语义解析模块；160-语言转换模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
51.为使本技术实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
52.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
53.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定义和解释。同时，在本技术的描述中，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
54.需要说明的是，在本文中，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，若出现术语“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。在没有更多限制的情况下，若出现由语句“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。
55.在本技术的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
56.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
57.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的
各个实施例及实施例中的各个特征可以相互组合。
58.实施例
59.请参照图1，图1所示为本发明实施例提供的一种基于人工智能的自然语言处理方法的流程图。本技术实施例提供一种基于人工智能的自然语言处理方法，其包括如下步骤：
60.s110：获取待处理语言语句，待处理语言语句至少使用一种语言类型；
61.示例性的，上述待处理语言语句可以为自然地随文化演化的口头语言和书面语言。上述语言类型至少包括汉语、英语、西班牙语、俄语和法语中的一种或多种。
62.上述待处理语言语句和语言类型的选择仅仅作为本实施例中的实施方式的选择，并不限定上述待处理语言语句和语言类型的选择。
63.s120：将待处理语言语句输入至语言类型匹配模型中，得到该待处理语言语句使用的所有语言类型；
64.其中，语言类型匹配模型包括多个语言类型对应的语料库。
65.具体的，将待处理语言语句输入至语言类型匹配模型中，语言类型匹配模型将待处理语言语句中的每个字与所有语料库进行对比，得到该待处理语言语句使用的所有语言类型。
66.作为本实施例的一种实施方式，若待处理语言语句中存在a字并未查询到其对应的语言类型。则可以利用浏览器对a字进行查找，以确定a字的语言类型。如果语言类型匹配模型中包含有a字的语言类型，则将a字保存至该语言类型对应的语料库中，如果语言类型匹配模型中不包含a字的语言类型，则根据a字的语言类型载入该语言类型对应的语料库至语言类型匹配模型中，从而丰富语言类型匹配模型中的语言类型。
67.s130：根据所有语言类型，对待处理语言语句进行划分，得到多个待处理字词句，其中，任一待处理字词句仅使用一种语言类型；
68.s140：按照各个语言类型，依次将待处理语言语句转换为多个格式化语句，任一格式化语句仅使用一种语言类型且该格式化语句中包含对应语言类型的所有待处理字词句；
69.示例性的，如果待处理语言语句为“hello是什么意思”，其中“hello”为英语，“是什么意思”为汉语，则根据步骤s130对待处理语言语句进行划分，得到待处理字词句为“hello”和“是什么意思”。然后根据步骤s140对待处理语言语句进行转换，得到格式化语句为“*是什么意思”和“hello#####”。实现了针对各个语言类型，对待处理语言语句进行转换的目的。
70.s150：基于任一格式化语句使用的语言类型，将该格式化语句输入至对应的自然语言处理模型中，得到对应的语义解析结果，自然语言处理模型为利用语句内字词关系相似度和语句相似度对对应语言类型的基础字词匹配模型进行更新得到的模型；
71.其中，基础字词匹配模型可以为深度学习神经网络模型。
72.具体的，针对各个语言类型，有着对应的基础字词匹配模型。进而针对各个语言类型，利用语句内字词关系相似度和语句相似度更新对应的基础字词匹配模型，从而得到与各个语言类型对应的自然语言处理模型。自然语言处理模型可以根据格式化语句中语句内字词关系和语句关系对格式化语句进行语义分析处理，得到该格式化语句的语义解析结果。实现了针对不同语言类型，关注待处理语言语句中的真实语义，对待处理语言语句进行处理的目的。有效解决了自然语言中语言类型繁多、文本数量巨大、表达式的层次结构不够
清晰、句子成分的语序不固定、语形和语义不对应等问题，从而较为准确获取到自然语言中的文本信息。
73.s160：根据所有格式化语句的语义解析结果，按照预置人工语言格式，将待处理语言语句转换为人工语言，得到自然语言处理结果。
74.其中，人工语言可以为计算机更能交互、识别的一种逻辑语言。
75.具体的，根据所有格式化语句的语义解析结果，将待处理语言语句转换为人工语言得到的自然语言处理结果可以进一步避免计算机交互处理的偏差和错误，也就进一步使得计算机的编译处理更准确。
76.请参照图2，图2所示为本发明实施例提供的一种构建自然语言处理模型的流程图。在本实施例的一些实施方式中，上述基于任一格式化语句使用的语言类型，将该格式化语句输入至对应的自然语言处理模型中，得到对应的语义解析结果的步骤之前，该方法还包括：
77.根据任一格式化语句使用的语言类型，获取多个第一训练样本和多个第二训练样本，第一训练样本包括语句间相似度高于第一相似度的多个语句，第二训练样本包括语句内字词间相似度高于第二相似度的多个语句；
78.基于该格式化语句使用的语言类型，获取训练好的基础字词匹配模型；
79.将多个第一训练样本输入至训练好的基础字词匹配模型，得到基础字词匹配模型的第一处理偏差值；
80.将多个第二训练样本输入至训练好的基础字词匹配模型，得到基础字词匹配模型的第二处理偏差值；
81.基于第一处理偏差值和第二处理偏差值，对训练好的基础字词匹配模型进行更新，得到该语言类型对应的自然语言处理模型。
82.具体的，根据任一格式化语句使用的语言类型，获取对应的训练好的基础字词匹配模型、多个第一训练样本和多个第二训练样本。利用多个第一训练样本可以分析基础字词匹配模型在语句关系方面需要调整的参数即第一处理偏差值。利用多个第二训练样本可以分析基础字词匹配模型在语句内字词关系方面需要调整的参数即第二处理偏差值。则通过第一处理偏差值和第二处理偏差值更新训练好的基础字词匹配模型，实现了利用语句内字词关系相似度和语句相似度更新对应的基础字词匹配模型，得到与各个语言类型对应的自然语言处理模型的目的。
83.请参照图3，图3所示为本发明实施例提供的一种优化自然语言处理模型的流程图。在本实施例的一些实施方式中，上述基于第一处理偏差值和第二处理偏差值，对训练好的基础字词匹配模型进行更新，得到该语言类型对应的自然语言处理模型的步骤之后，该方法还包括：
84.获取与该语言类型相匹配的测试数据库；
85.利用测试数据库测试该语言类型对应的自然语言处理模型，生成测试报告；
86.根据测试报告，对自然语言处理模型进行调整优化。从而进一步保证自然语言处理模型识别的准确性。
87.在本实施例的一些实施方式中，上述基于该格式化语句使用的语言类型，获取训练好的基础字词匹配模型的步骤之前，该方法还包括：
88.根据所有语言类型，建立多个基础字词匹配模型，基础字词匹配模型与语言类型一一对应；
89.基于任一基础字词匹配模型对应的语言类型，获取多个第三训练样本，第三训练样本包括使用该语言类型的多个字词句；
90.利用多个第三训练样本训练基础字词匹配模型，得到训练好的基础字词匹配模型。
91.具体的，针对各个语言类型，建立对应的基础字词匹配模型并获取多个第三训练样本，从而通过多个第三训练样本训练基础字词匹配模型，使得得到的训练好的基础字词匹配模型与该第三训练样本的语言类型对应。从而得到各个语言类型对应的训练好的基础字词匹配模型。
92.在本实施例的一些实施方式中，上述按照各个语言类型，依次将待处理语言语句转换为多个格式化语句的步骤包括：
93.针对任一语言类型，将待处理语言语句中使用该语言类型的待处理字词句进行保留，且将使用其他语言类型的待处理字词句替换为预设符号，以得到对应格式化语句。
94.示例性的，如果待处理语言语句为“hello是什么意思”，则针对待处理语言语句中的英语语言类型，格式化语句为“hello#####”。
95.在本实施例的一些实施方式中，上述将待处理语言语句输入至语言类型匹配模型中，得到该待处理语言语句使用的所有语言类型的步骤包括：
96.获取各个语言类型对应的语料库，并利用所有语料库构建语言类型匹配模型；
97.语言类型匹配模型将待处理语言语句中的每个字与所有语料库进行对比，以判断待处理语言语句中所有字的语言类型。
98.具体的，通过各个语言类型对应的语料库构建语言类型匹配模型，可以使得语言类型匹配模型中的语言类型多样，从而通过语言类型匹配模型对待处理语言语句中每个字的语言类型进行判断，得到该待处理语言语句使用的所有语言类型。
99.在本实施例的一些实施方式中，上述待处理语言语句包括口头语言和书面语言。具体的，口头语言和书面语言都属于自然语言。
100.请参照图4，图4所示为本发明实施例提供的一种基于人工智能的自然语言处理系统100的结构框图。本技术实施例提供一种基于人工智能的自然语言处理系统100，其包括：
101.待处理语言语句获取模块110，用于获取待处理语言语句，待处理语言语句至少使用一种语言类型；
102.语言类型匹配模块120，用于将待处理语言语句输入至语言类型匹配模型中，得到该待处理语言语句使用的所有语言类型；
103.语句划分模块130，用于根据所有语言类型，对待处理语言语句进行划分，得到多个待处理字词句，其中，任一待处理字词句仅使用一种语言类型；
104.格式化语句转换模块140，用于按照各个语言类型，依次将待处理语言语句转换为多个格式化语句，任一格式化语句仅使用一种语言类型且该格式化语句中包含对应语言类型的所有待处理字词句；
105.语义解析模块150，用于基于任一格式化语句使用的语言类型，将该格式化语句输入至对应的自然语言处理模型中，得到对应的语义解析结果，自然语言处理模型为利用语
句内字词关系相似度和语句相似度对对应语言类型的基础字词匹配模型进行更新得到的模型；
106.语言转换模块160，用于根据所有格式化语句的语义解析结果，按照预置人工语言格式，将待处理语言语句转换为人工语言，得到自然语言处理结果。
107.上述实现过程中，该系统首先将待处理语言语句输入至语言类型匹配模型中，语言类型匹配模型将待处理语言语句中的每个字与所有语料库进行对比，得到该待处理语言语句使用的所有语言类型。然后根据所有语言类型，划分待处理语言语句，得到仅使用一种语言类型的多个待处理字词句。然后针对各个语言类型，将待处理语言语句转换为多个格式化语句。并基于任一格式化语句使用的语言类型，将该格式化语句输入至对应的自然语言处理模型中。由于各个语言类型对应的自然语言处理模型是针对各个语言类型，利用语句内字词关系相似度和语句相似度更新对应的基础字词匹配模型得到的，则自然语言处理模型可以根据格式化语句中语句内字词关系和语句关系对格式化语句进行语义分析处理，得到该格式化语句的语义解析结果。实现了针对不同语言类型，关注待处理语言语句中的真实语义，对待处理语言语句进行处理的目的。有效解决了自然语言中语言类型繁多、文本数量巨大、表达式的层次结构不够清晰、句子成分的语序不固定、语形和语义不对应等问题，从而较为准确获取到自然语言中的文本信息。最后根据所有格式化语句的语义解析结果，将待处理语言语句转换为人工语言得到的自然语言处理结果，以进一步避免计算机交互处理的偏差和错误，也就进一步使得计算机的编译处理更准确。
108.请参照图5，图5为本技术实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本技术实施例所提供的一种基于人工智能的自然语言处理系统100对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
109.其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
110.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(appl ication 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。
111.可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
112.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它
的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
113.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
114.所述功能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(可以是个人计算机，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、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，randomaccess memory)、磁碟或者光盘等各种可以存储程序代码的介质。
115.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
116.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。