一种信息提取方法、装置、设备及存储介质与流程

1.本发明实施例涉及人工智能技术领域，尤其涉及一种信息提取方法、装置、设备及存储介质。


背景技术：

2.银行承兑汇票业务是我国市场经济中使用范围最广的一种商业汇票，各银行产生了数量庞大的承兑汇票协议书，当前，文档信息结构化录入主要是通过基层工作人员人力录入，这使得基层人员承受着十分沉重的工作压力。


技术实现要素：

3.本发明实施例提供一种信息提取方法、装置、设备及存储介质，解决了由于协议书文本信息众多，人力提取信息压力大和表格文本提取信息串行或提取的信息不完善的问题，提高了协议书文本信息抽取的准确性。
4.根据本发明的一方面，提供了一种信息提取方法，该方法包括：
5.获取协议书文本；
6.若所述协议书文本中包括目标实体，则将所述协议书文本输入目标模型，得到目标实体。
7.根据本发明的另一方面，提供了一种信息提取装置，该装置包括：
8.协议书文本获取模块，用于获取协议书文本；
9.目标实体得到模块，若所述协议书文本中包括目标实体，则将所述协议书文本输入目标模型，得到目标实体。
10.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
11.至少一个处理器；以及
12.与所述至少一个处理器通信连接的存储器；其中，
13.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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本发明任一实施例所述的信息提取方法。
14.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信息提取方法。
15.本发明实施例通过获取协议书文本，若所述协议书文本中包括目标实体，则将所述协议书文本输入目标模型，得到目标实体的方式，对协议书文本信息进行自动化抽取，解决了由于协议书文本信息众多，人力提取信息压力大和表格文本提取信息串行或提取的信息不完善的问题，降低了基层人员工作压力，提高了协议书文本信息抽取的准确性。
16.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
17.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。
18.图1是本发明实施例一中的一种信息提取方法的流程图；
19.图2是本发明实施例一中的一种协议书文本示意图；
20.图3是本发明实施例一中的一种句子样本及序列标注示意图；
21.图4是本发明实施例二中的一种信息提取装置的结构示意图；
22.图5是本发明实施例三中的一种电子设备的结构示意图。
具体实施方式
23.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
24.需要说明的是，本发明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，以便这里描述的本发明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。
25.实施例一
26.图1是本发明实施例一中的一种信息提取方法的流程图，本实施例可适用于具有表格文本的协议书文本信息提取的情况，该方法可以由本发明实施例中的提醒装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
27.s110，获取协议书文本。
28.其中，协议书文本是社会生活中，协作的双方或数方，为保障各自的合法权益，经双方或数方共同协商达成一致意见后，签订的书面材料，例如可以是银行承兑汇票业务协议书，此协议书可以包含表格文本和文字文本，图2是本发明实施例一中的一种协议书文本示意图，如图2所示，在表格中的所有内容皆为表格文本，在表格外部如合同版本号等文字材料为文字文本。
29.s120，若协议书文本中包括目标实体，则将协议书文本输入目标模型，得到目标实体。
30.其中，实体可以为协议书中的要素对应的文本内容，例如可以是，实体为客户名称、申请日期、客户地址、电子邮箱、客户联系人、客户电话、合同版本号等，本发明实施例对此不进行限制。目标实体可以为客户名称对应的文本内容、申请日期对应的文本内容、客户
地址对应的文本内容、电子邮箱对应的文本内容、客户联系人对应的文本内容、客户电话对应的文本内容、合同版本号对应的文本内容中的至少一种，可以根据用户对样本的标注确定，例如可以是，若协议书样本对合同版本号进行标注，则目标实体为xxxxxxx(xxxxxxx为合同版本号)。其中，协议书样本为判断模型的训练样本。
31.可选的，目标实体在银行承兑汇票业务协议书文本中可以为客户名称对应的文本内容、客户地址对应的文本内容、客户电话对应的文本内容、客户联系人对应的文本内容、申请日期对应的文本内容等。
32.其中，目标模型可以为bilstm(bi-directional long short-term memory，双向长短时记忆)模型，也可以为bilstm模型与图概率模型共同组成的模型。目标实体为协议书文本中需要提取出的目标信息。
33.具体的，所述协议书中是否包括目标实体的判断的方式可以为：对协议书文本进行分句处理，基于svm(support vector machine，支持向量机)模型对每一个句子进行判断，进而确定每个句子是否包括目标实体。所述协议书中包括目标实体的判断的方式还可以为：基于特征信息对文本的每个句子进行匹配，判断句子中是否包括目标实体，特征信息可以包括：关键字符、字符长度、字符类型中的至少一种。
34.需要说明的是，协议书中是否包括目标实体的判断的方式不拘于svm模型，若句子中包括目标实体，则根据目标实体将此句提取出来；若句子中不包括目标实体，则不提取。
35.具体的，将所述协议书文本输入目标模型，得到目标实体的方式可以为：对协议书中的每个句子进行判断，将包括目标实体的句子输入到bilstm模型，根据bilstm模型的输出结果得到目标实体(bilstm模型的输出结果包括：至少一个实体和每个实体对应的目标实体概率，比较每个实体对应的目标实体概率的大小，直接选取最大目标实体概率对应的实体作为目标实体输出)。将所述协议书文本输入目标模型，得到目标实体的方式还可以为：对协议书中的每个句子进行判断，将包括目标实体的句子输入到bilstm模型与图概率模型共同构成的模型中，根据bilstm模型和图概率模型的输出结果确定目标实体。
36.可选的，将所述协议书文本输入目标模型，得到目标实体，包括：
37.将所述协议书文本输入bilstm模型，得到目标输出向量，所述目标输出向量包括：至少一个实体和每个实体对应的目标实体概率；
38.将所述目标输出向量输入图概率模型，得到所述协议书文本中每个字符的标签；
39.根据所述协议书文本中每个字符的标签提取目标实体。
40.其中，bilstm模型是由前向lstm(long short-term memory，长短时记忆网络)与后向lstm组合而成，适合做上下存在关系的序列标注任务，可以用来建模上下文信息。目标输出向量是协议书文本通过bilstm模型后所获得的模型输出结果，主要包括：至少一个实体和每个实体对应的目标实体概率。
41.其中，图概率模型可用图来表示变量概率依赖关系，可选的，图概率模型可以为crf(conditional random field，条件随机场)，是一种以输入序列为基础，建立起输出序列的模型，可以解决序列标注问题。需要注意的是，crf模型中含有特征函数集，特征函数集中包含多个特征函数，对于特定的一个句子，让特征函数集中的每个特征函数对该句子的每种标注序列分别进行评判，最终把各个特征函数的评判结果进行汇总，就能得到该句子最优的标注序列。标签为协议书文本通过图概率模型为每一个字符添加的标注。
42.具体的，将所述协议书文本输入bilstm模型，得到目标输出向量的方式可以为：将协议书文本中所有句子先按照字符进行划分，根据每个字符对应字符向量，将所有字符向量作为bilstm模型的输入，bilstm模型为双向输入，即前向的向量序列和后向的向量序列均要输入，最后得到输出向量为至少一个实体和每个实体对应的目标实体概率。
43.具体的，将所述目标输出向量输入图概率模型，得到所述协议书文本中每个字符的标签的方式可以为：基于bilstm模型得到至少一个实体和每个实体对应的目标实体概率，将至少一个实体和每个实体对应的目标实体概率输入crf模型中，crf模型中的转移矩阵在训练中更新转移分数，通过crf模型和转移分数对协议书文本中的句子进行评判，对每个字符的评判结果进行汇总得到最佳结果，得到协议书文本中每个字符的标签。
44.具体的，根据所述协议书文本中每个字符的标签提取目标实体的方式可以为：根据bilstm模型和图概率模型得到协议书中每个字符的标签，提取标签为目标标签的实体，并将标签为目标标签的实体确定为目标实体。
45.通过将协议书文本输入目标模型，结合图概率模型，可获取目标实体和目标实体对应的概率，提高每个字符标注的准确性，提升获得目标实体的准确度。示例性的，图3是本发明实施例一中的一种句子样本及序列标注示意图。如图3所示，图概率模型主要是用来输入序列的关联关系的模型，在图概率模型中，若当前输出的标签是0，那么下一个标签一定不会是i-bank，因为标签0后的标签为0或b-bank，正确的目标实体应该是标签为0或b-bank对应的内容。
46.可选的，还包括：
47.获取目标实体的特征信息，其中，所述特征信息包括：位置信息、属性信息以及目标关键字符中的至少一种；
48.根据所述目标实体的特征信息从所述协议书文本中提取第一实体；
49.根据所述目标实体和所述第一实体确定第二实体。
50.其中，目标实体的特征信息是在提取目标实体时必不可少的、基本的、最能反映目标实体特征的信息，包括位置信息、属性信息以及目标关键字符中的至少一种。所述位置信息可以为处于协议书文本的某一页或者处于某一页中的某一位置；所述属性信息可以为长度信息和/或字符类型；所述字符类型可以为数字、英文字母、数学字符以及特殊字符中的至少一种；所述目标关键字符可以为日期中的年月日、某一个字或目标实体对应的固定字符。第一实体为根据特征信息在协议书文本中提取的目标实体。第二实体为第一实体和根据目标模型所获得的目标实体进行结果融合的最终结果。
51.具体的，获取目标实体的特征信息方式可以为：获取协议书文本，基于信息增益和pca(principal component analysis，主成分分析)的方法，对特征权重进行评判，其中特征权重计算功能可使用tf-idf(term frequency
–
inverse document frequency，词频-逆向文件频率)，通过词性、位置、句法结构和专业词库等多个维度对协议书文本中的词语特征进行权重的计算，从而找出特征信息。
52.具体的，根据所述目标实体的特征信息从所述协议书文本中提取第一实体的方式可以为：根据特征信息对协议书文本进行关键字定位、正则匹配或利用最长公共子序列的方式做字符串的匹配，从协议书文本中提取目标实体作为第一实体。
53.具体的，根据所述目标实体和所述第一实体确定第二实体的方式可以为：根据将
协议书文本输入目标模型得到目标实体，根据特征信息从协议书文本中提取第一实体，对目标实体和第一实体进行融合操作，操作过程可以为对两者的结果进行判断，若目标实体的结果正确，而第一实体的结果存在错误，则将目标实体确定为第二实体；若目标实体结果存在错误，而第一实体的结果正确，则将第一实体确定为第二实体；若目标实体和第一实体的结果融合后为正确结果，则根据目标实体和第一实体确定第二实体。
54.需要说明的是，可以在获取到目标实体的特征信息时，优先选择，根据目标实体的特征信息从协议书文本中提取第一实体，在未获取到目标实体的特征信息时，优先选择，根据目标模型从协议书中提取目标实体。
55.通过目标实体对应的特征信息对协议书文本进行目标实体提取的结果，与通过目标模型输出的目标实体结果进行比较，可丰富提取目标实体的方式，提高提取目标实体的准确性。
56.可选的，获取协议书文本，包括：
57.获取协议书图像；
58.对所述协议书图像进行划分，得到协议书图像中的表格区域和文本区域；
59.对所述协议书图像中的表格区域进行识别，得到每个单元格对应的第一文本；
60.对所述协议书图像中的文本区域进行识别，得到第二文本；
61.根据所述每个单元格对应的第一文本和所述第二文本生成协议书文本。
62.其中，第一文本为协议书图像中对表格中每个单元格识别的文本内容，第二文本为协议书图像中对文本进行识别的文本内容，协议书文本为协议书图像按照表格区域和文本区域进行分割识别后生成的协议书。
63.具体的，对所述协议书图像进行划分，得到协议书图像中的表格区域和文本区域的方式可以为：根据目标检测的方式，基于目标几何和统计特征进行图像分割，识别协议书图像中的表格区域，基于边缘方法或者纹理特征识别文本区域。对所述协议书图像进行划分，得到协议书图像中的表格区域和文本区域的方式还可以为：采用预先训练的区域识别模型，识别出协议书图像中的表格区域和文本区域。
64.具体的，对所述协议书图像中的表格区域进行识别，得到每个单元格对应的第一文本的方式可以为：从协议书图像中分割已划分的表格区域，根据opencv像素点识别、segment线条检测的方式，判断表格的区域中的线条，根据表格线检测行列表格线，包括全线框、非全线框、无线框，对表格结构进行分解，根据行列关键字规则去定位单元格，抽取每个单元格对应的内容作为第一文本。
65.具体的，对所述协议书图像中的文本区域进行识别，得到第二文本的方式可以为：从协议书图像中分割已划分的文本区域，根据光学字符识别技术进行文本行识别，根据nlp(natural language processing，自然语言处理)相关算法对文字识别结果进行矫正，将矫正的识别结果作为第二文本。
66.具体的，根据所述每个单元格对应的第一文本和所述第二文本生成协议书文本的方式可以为：根据已分割的表格区域识别出每个单元格对应的第一文本，根据已分割的文本区域识别出第二文本，根据第一文本和第二文本生成协议书文本。
67.通过对协议书图像的划分，表格区域和文本区域可以按照最合适最准确的识别方式进行识别，避免了在表格区域中进行识别时将同一单元格中的不同行的内容识别为不同
单元格内容的问题，提高了文本识别的准确性，为后续协议书文本信息提取提供便利。
68.可选的，若所述协议书文本中包括目标实体，则将所述协议书文本输入目标模型，得到目标实体，包括：
69.基于判断模型对每个单元格对应的第一文本进行判断，筛选出包括目标实体的第一文本；
70.基于判断模型对第二文本进行判断，筛选出包括目标实体的第二文本；
71.将所述包括目标实体的第一文本和所述包括目标实体的第二文本输入目标模型，得到第一实体。
72.其中，判断模型是直接学习判别的函数或者条件概率分布，是根据训练数据不同类别之间的特征差异来学习决策边界的。可选的，判断模型可以是svm(support vector machine，支持向量机)模型，也可以是lr(logistic regression，逻辑斯谛回归)模型，需要注意的是，svm模型在vc维理论和结构风险最小化原理基础上建立起来的机器学习方法，它的基本模型是在特征空间中寻找间隔最大化的分离超平面的线性分类器，在解决小样本、非线性和高维模式识别问题方面表现出特有优势，在对每个句子进行判断时，可将无用的句子直接筛除，使得包含需要实体的句子中进行进一步的标注训练可以保持训练数据的平衡。
73.具体的，基于判断模型对每个单元格对应的第一文本进行判断，筛选出包括目标实体的第一文本的方式可以为：根据每个单元格获取第一文本，将第一文本中的内容进行分句处理，基于判断模型(例如可以是svm模型)对每一句话进行判断，筛选出含有目标实体的句子，并将这些句子确定为含有目标实体的第一文本。
74.具体的，基于判断模型对第二文本进行判断，筛选出包括目标实体的第二文本的方式可以为：根据文本识别方式获取第二文本，将第二文本中的内容进行分句处理，基于判断模型(例如可以是svm模型)对每一句话进行判断，筛选出含有目标实体的句子，并将这些句子确定为含有目标实体的第二文本。
75.具体的，将所述包括目标实体的第一文本和所述包括目标实体的第二文本输入目标模型，得到第一实体的方式可以为：根据判断模型对第一文本进行筛选出包括目标实体的句子，根据判断模型对第二文本进行筛选出包括目标实体的句子，将所有包括目标实体的句子表示为向量，输入目标模型，将目标模型的输出结果确定为第一实体。
76.通过判断模型筛选包含目标实体的文本，分类效果更优，直接面对预测学习准确度更高。根据包含目标实体的文本进行向量计算，计算量更少，目标实体对应内容更精准。
77.可选的，在基于判断模型对每个单元格对应的第一文本进行判断，筛选出包括目标实体的第一文本之前，还包括：
78.构建第一模型；
79.获取第一样本集，其中，所述第一样本集包括：句子样本，所述句子样本携带第一标签，其中，所述第一标签为包括目标实体的标签，或者，不包括目标实体的标签；
80.将所述句子样本输入所述第一模型，得到预测信息；
81.根据所述预测信息和所述句子样本携带的第一标签生成的目标函数训练所述第一模型的参数；
82.重复执行将所述句子样本输入所述第一模型，得到预测信息的操作，直至得到判
断模型。
83.其中，第一模型可以为判断模型的初始模型，例如可以是分类器，具体的可根据用户的需求进行分类器选择。所述句子样本携带第一标签可以为句子样本中要贴标签，例如标签可以为0或者bank1。预测信息可以为判断句子样本中是否含有目标实体，若句子样本中含有目标实体，为正样本，则可以为句子样本添加含有目标实体的标签，例如可以贴标签为1；若不含有目标实体，为负样本，则贴标签为0。所述预测信息和所述句子样本携带的第一标签生成的目标函数可以为损失函数，一般通过最小化损失函数求解和评估模型，是分类准确度的度量。重复将句子样本输入到分类器中，一遍遍获取预测信息，最终得到判断模型。
84.本实施例的技术方案，通过获取协议书文本，若所述协议书文本中包括目标实体，则将所述协议书文本输入目标模型，得到目标实体，能够自动化抽取协议书文本信息，提高了对协议书文本信息提取的准确度。
85.实施例二
86.图4是本发明实施例二中的一种信息提取装置的结构示意图。本实施例可适用于协议书文本信息自动化抽取的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供信息提取的功能的设备中，如图4所示，所述信息提取的装置具体包括：协议书文本获取模块210和目标实体得到模块220。
87.其中，协议书文本获取模块210，用于获取协议书文本；
88.目标实体得到模块220，用于若所述协议书文本中包括目标实体，则将所述协议书文本输入目标模型，得到目标实体。
89.可选的，所述目标实体得到模块具体用于：
90.将所述协议书文本输入bilstm模型，得到目标输出向量，所述目标输出向量包括：至少一个实体和每个实体对应的目标实体概率；
91.将所述目标输出向量输入图概率模型，得到所述协议书文本中每个字符的标签；
92.根据所述协议书文本中每个字符的标签提取目标实体。
93.可选的，还包括：
94.特征信息获取模块，用于获取目标实体的特征信息，其中，所述特征信息包括：位置信息、属性信息以及目标关键字符中的至少一种；
95.第一实体提取模块，用于根据所述目标实体的特征信息从所述协议书文本中提取第一实体；
96.第二实体确定模块，用于根据所述目标实体和所述第一实体确定第二实体。
97.可选的，所述协议书文本获取模块具体用于：
98.获取协议书图像；
99.对所述协议书图像进行划分，得到协议书图像中的表格区域和文本区域；
100.对所述协议书图像中的表格区域进行识别，得到每个单元格对应的第一文本；
101.对所述协议书图像中的文本区域进行识别，得到第二文本；
102.根据所述每个单元格对应的第一文本和所述第二文本生成协议书文本。
103.可选的，所述目标实体得到模块具体用于：
104.基于判断模型对每个单元格对应的第一文本进行判断，筛选出包括目标实体的第
一文本；
105.基于判断模型对第二文本进行判断，筛选出包括目标实体的第二文本；
106.将所述包括目标实体的第一文本和所述包括目标实体的第二文本输入目标模型，得到第一实体。
107.可选的，所述第一实体得到模块具体用于：
108.将所述第一前向向量序列、第一后向向量序列、第二前向向量序列和第二后向向量序列输入目标模型，得到第一实体。
109.可选的，所述第一实体得到模块还用于：
110.构建第一模型；
111.获取第一样本集，其中，所述第一样本集包括：句子样本，所述句子样本携带第一标签，其中，所述第一标签为包括目标实体的标签，或者，不包括目标实体的标签；
112.将所述句子样本输入所述第一模型，得到预测信息；
113.根据所述预测信息和所述句子样本携带的第一标签生成的目标函数训练所述第一模型的参数；
114.重复执行将所述句子样本输入所述第一模型，得到预测信息的操作，直至得到判断模型。
115.上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
116.实施例三
117.图5是本发明实施例三中的一种电子设备的结构示意图。电子设备10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，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
118.如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
119.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
120.处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如信息
提取方法。
121.在一些实施例中，信息提取方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的信息提取方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息提取方法。
122.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)、负载可编程逻辑设备(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。
123.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
124.在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。
125.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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。
126.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)、区块链网络和互联网。
127.计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。
128.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，本发明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，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
129.上述具体实施方式，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。