一种识别文件中的命名实体的方法和装置与流程

1.本公开实施例涉及机器学习技术领域和自然语言处理领域，尤其涉及一种识别文件中的命名实体的方法和装置。


背景技术：

2.目前，在很多行业中，企业或机构希望通过命名实体识别(named entity recognition，简称ner)技术，对其业务文件中的例如地名、机构名等命名实体(named entity)进行自动识别，并将识别结果在业务文件允许的应用范围内用于其业务流程中。例如，一些企业在招聘中会从各种渠道收集简历，为了更好的管理数据，通常希望对简历进行解析得到结构化的数据，如工作经历等，通过命名实体识别技术(named entity recognition,ner)，则能够自动化的对简历中的命名实体进行提取。
3.相关的命名实体识别技术，通常基于经过训练的神经网络识别模型来进行命名实体的识别。而在神经网络识别模型的训练中，通常依赖于高质量的标注数据，以取得较好的识别效果。但是，大量的高质量标注数据通常是难以获取的、或者获取的代价较高，这往往限制了通过神经网络识别模型进行命名实体识别的效果。


技术实现要素：

4.本公开实施例描述了一种识别文件中的命名实体的方法和装置。
5.根据第一方面，提供了一种识别文件中的命名实体的方法，包括：获取第一文件；基于预先训练的第一预测模型,获取对于第一文件中的命名实体的第一预测结果；基于预先构建的命名实体词典,获取对于第一文件中的命名实体的第二预测结果；所述命名实体词典，通过结合多个预训练模型对于包括实体词的样本语句进行命名实体识别的识别结果生成；结合第一和第二预测结果,确定对于第一文件中的命名实体的第三预测结果。
6.根据第一方面，提供了一种命名实体词典的构建方法，包括：获取多种语言的实体词，构建包含所述实体词的样本语句；将所述样本语句输入多个预训练模型中，获取对于所述样本语句中的命名实体的多个识别结果；根据所述多个识别结果，确定所述样本语句中的命名实体；将所述命名实体加入所述命名实体词典。
7.根据第三方面，提供了一种识别文件中的命名实体的装置，所述装置包括：
8.文件获取单元，配置为，获取第一文件；第一预测单元，配置为，基于预先训练的第一预测模型,获取对于第一文件中的命名实体的第一预测结果；第二预测单元，配置为，基于预先构建的命名实体词典,获取对于第一文件中的命名实体的第二预测结果；所述命名实体词典，通过结合多个预训练模型对于包括实体词的样本语句进行命名实体识别的识别结果生成；预测结果确定单元，配置为，结合第一和第二预测结果,确定对于第一文件中的命名实体的第三预测结果。
9.根据第四方面，提供了一种命名实体词典的构建装置，所述装置包括：
10.样本构建单元，配置为，获取多种语言的实体词，构建包含所述实体词的样本语
句；识别单元，配置为，将所述样本语句输入多个预训练模型中，获取对于所述样本语句中的命名实体的多个识别结果；词典添加单元，配置为，根据所述多个识别结果，确定所述样本语句中的命名实体；将所述命名实体加入所述命名实体词典。
11.根据第五方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序被处理器执行时实现如第一方面中任一项上述的方法。
12.根据第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当上述计算机程序在计算机中执行时，令上述计算机执行第一方面中任一项上述的方法。
13.根据第七方面，提供了一种电子设备，包括存储器和处理器，上述存储器中存储有可执行代码，上述处理器执行上述可执行代码时，实现第一方面中任一项上述的方法。
14.根据本公开实施例提供一种识别文件中的命名实体的方法和装置。首先，获取待识别的第一文件。然后，基于预先训练的第一预测模型,获取对于第一文件中的命名实体的第一预测结果，以及，基于预先构建的命名实体词典,获取对于第一文件中的命名实体的第二预测结果。其中，命名实体词典，通过结合多个预训练模型对于包括实体词的样本语句进行命名实体识别的识别结果生成。此后，结合第一和第二预测结果,确定对于第一文件中的命名实体的第三预测结果。利用该方法和装置，可以提高对于文件中的命名实体的识别准确率。
附图说明
15.图1示出了本公开实施例的一种识别文件中的命名实体的方法的原理示意图；
16.图2示出了根据一个实施例的一种识别文件中的命名实体的方法的流程示意图；
17.图3示出了一份英文简历的示意图；
18.图4示出了根据另一个实施例的一种识别文件中的命名实体的方法的流程示意图；
19.图5示出了根据另一个实施例的一种识别文件中的命名实体的方法的原理示意图；
20.图6示出了根据一个实施例的一种命名实体词典的构建方法的流程示意图；
21.图7示出了根据一个实施例的一种识别文件中的命名实体的装置的示意性框图；
22.图8示出了根据一个实施例的一种命名实体词典的构建装置的示意性框图；
23.图9示出了适于用来实现本技术实施例的电子设备的结构示意图；
24.图10示出了适于用来实现本技术实施例的存储介质的结构示意图。
具体实施方式
25.下面结合附图和实施例，对本说明书提供的技术方案做进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
26.如前所述，目前很多企业或机构希望通过命名实体识别(named entity recognition，简称ner)技术，对其业务流程中获取的业务文件中的例如人名、地名、机构名等命名实体(named entity)进行自动识别。例如一些企业希望对于接收的简历，通过命名
实体识别技术(named entity recognition,ner)，自动识别和提取其中的例如人名、机构名、公司名等命名实体。
27.但是，相关的命名实体识别方案均存在着技术上的不足。例如，一种常规的命名实体识别方案，通过训练的基于神经网络的识别模型来进行命名实体的识别。但是，识别模型的训练，通常依赖于大量的高质量的标注数据(训练样本)，而大量的高质量标注数据获取的成本通常较高。因此，大量的高质量标注数据在很多训练场景下可能是不充足的，这限制了通过训练后的识别模型进行命名实体识别的效果。
28.另一种命名实体识别方案，通过从各种公开的信息渠道或媒介，获取各种领域的实体词，构建实体词典。并根据构建的实体词典，对于文件中的命名实体进行识别。但是，在实际应用中，由于不同来源的实体词往往存在着差异或错误，导致构造的实体词典不够准确，进而使得利用实体词典进行的识别的效果不够准确的问题。
29.为了解决上述的技术问题，本公开实施例提出了一种识别文件中的命名实体的方法。在一些实施例中，可以根据命名实体词典对于待测文件中的命名实体进行预测，其中，命名实体词典中的词典项，是通过结合多个预训练模型对于相同样本语句中的命名实体的识别结果获取，在该样本语句中可以包括混合有若干语言的实体词。在另一些实施例中，还可以分别通过基于神经网络的预测模型、以及根据命名实体词典对于待测文件中的命名实体进行预测。然后，结合两者的检测结果获取对于待测文件中的命名实体的最终预测结果。图1示出了本公开实施例的一种识别文件中的命名实体的方法的原理示意图。如图1所示，例如可以对于简历文件，分别利用基于神经网络的第一预测模型、以及利用已构建的命名实体词典(具体的例如可以采用ac自动机算法)分别获取两种命名实体预测结果(例如，分别为实体预测结果a和实体预测结果b)，然后结合两种预测结果，确定最终的预测结果(例如，为实体预测结果f)。在不同的实施例中，可以采用不同的具体方式确定最终的预测结果。例如，可以在两种预测结果中均包含相同的公司名称，例如“x公司”时，才将该公司名确定为该简历中包含的命名实体。
30.而该命名实体词典则通过以下方法预先构建：通过多个预训练模型对于样本语句中的命名实体取得多个识别结果，然后结合多个识别结果，确定命名实体词典中词典项(即实体词)，并添加到命名实体词典中。在图1所示的例子中，例如可以当多个预训练模型，即预训练模型1、预训练模型2、预训练模型3从相同样本语句中识别出相同实体词时，才将该实体词添加到实体词典中。
31.利用该方法，具有如下优点：一方面，实体词典的词典项，需要通过多种预训练模型对样本中的实体进行的多个识别结果的确定，本质上是利用多种模型的识别结果对词典进行清洗，使得该实体词典中的词典项更为精准，进而使得基于的该实体词典的ner的识别结果更为精确。尤其当作为词典项的实体词来源于不同语言的、不同的公开信息源或媒介时，使用该方法对词典进行清洗后，对于基于词典的ner的识别准确率的提高尤为显著。另一方面，在一些实施例中，还可以结合基于神经网络模型的ner和基于实体词典的ner的识别结果确定最终命名实体识别结果，从而减少单一方式识别中出现的识别疏漏和错误，提高命名实体识别的准确率。
32.下面进一步描述该方法的详细过程。
33.图2示出了根据一个实施例的一种识别文件中的命名实体的方法的流程示意图。
如图2所示，该方法至少包括如下步骤：
34.首先，在步骤21，获取第一文件。
35.该步骤中，获取命名实体识别的目标文件(第一文件)，即希望对其中的命名实体进行识别的文件，或称待识别文件。
36.在不同的实施例中，第一文件可以是不同具体类型的文件，本说明书对此不作限制。在一种实施例中，第一文件可以为简历文件。在不同的具体实施例中，可以是不同语言的简历文件。在一个例子中，例如可以是英语简历(例如图3所示)，或拉丁语简历。在一个具体实施例中，还可以是混合语言的简历。例如，包括简历基础语言之外的其他语言的实体词的简历，例如，英文简历中包括拉丁语实体词汇的简历。
37.然后，在步骤23，基于预先构建的命名实体词典,获取对于第一文件中的命名实体的第一预测结果。该命名实体词典，可以通过结合多个预训练模型对于包括实体词的样本语句进行命名实体识别的识别结果生成。
38.该步骤中，可以利用预先构建的命名实体词典,对于第一文件中的命名实体进行匹配，获取对于命名实体的第一预测结果。在不同的实施例中，可以采用不同的具体匹配算法，获取该预测结果，本说明书对此不作限制。在一个实施例中，所述匹配算法例如可以是ac自动机(aho-corasick automaton)算法。
39.根据不同的实施方式，命名实体词典的具体的预先构建方式可以不同。根据一种实施方式，命名实体词典可以通过如下步骤生成：获取多种语言的实体词，构建包含所述实体词的样本语句；将所述样本语句输入多个预训练模型中，获取对于所述样本语句中的命名实体的多个识别结果；根据所述多个识别结果，确定所述样本语句中的命名实体；将所述命名实体加入所述命名实体词典。在不同的具体实施例中，所述的多种语言可以是多种不同的具体语言。在一个具体的实施例中，多种语言可以包括英语、非英语中的一种或多种，例如拼写中包含拉丁字母的语言。
40.在不同的实施例中，多种预训练模型可以是多种不同的具体模型。在一个实施例中，多个预训练模型可以包括以下模型中的至少两个：基于roberta模型的第一预训练模型，基于distillbert模型的第二预训练模型，基于跨域语言模型(xlm，cross-lingual language model)的第三预训练模型。
41.此外，在不同的实施例中，根据多个识别结果，确定所述样本语句中的命名实体的具体方式也可以不同。在一个实施例中，可以在多个识别结果中均包括第一待定实体时，确定第一待定命名实体为命名实体。例如在图1所示的例子中，可以在预训练模型1、预训练模型2、预训练模型3分别对于输入样本的识别结果1、识别结果2、识别结果3均包括同一实体词时，将该实体词加入词典。在一个实施例中，可以在多个识别结果中超过预定数量的识别结果中包括第一待定实体时，确定第一待定实体为命名实体。例如在图1所示的例子中，可以预训练模型1、预训练模型2、预训练模型3分别对于输入样本的识别结果1、识别结果2、识别结果3中超过多数中包括同一实体词时，将该实体词加入词典。
42.并且，在步骤25，基于预先训练的第一预测模型,获取对于第一文件中的命名实体的第二预测结果。
43.该步骤中，可以通过预先训练的预测模型，获取步骤21中获取的第一文件中的命名实体的第二预测结果。预测模型通常可以基于神经网络模型，在不同实施例中，预测模型
可以基于不同的神经网络模型，或具有不同的具体网络结构，本说明书对此不作限制。
44.在一个实施例中，第一预测模型，可以包括bert(bidirectional encoder representations from transformer，基于transformer的双向编码器表示模型)子模型和crf(条件随机场，conditional random field)子模型。具体的，可以对所述第一文件进行分词，获取词序列；将所述词序列输入bert子模型，获取词序列中各个词的语义向量；将所述语义向量输入crf子模型，获取第一识别结果，所述第一识别结果用于确定所述语义向量对应的词是否用于表示命名实体。在具体的一个实施例中，第一识别结果还可以包括用于表示命名实体的词在简历中的位置。在一个具体的实施例中，还可以将第一文件中的多行文本划分多个批次，对于各个批次的文本分别进行分词，以及获取该批次对应的词序列，并将该批次对应的词序列输入bert子模型；从crf子模型，获取该批次的文本中用于表示命名实体的词。
45.常规bert模型中通常包括12层叠加的transformer层。为了提高预测模型的运算速度，以及解决因预测模型的预测结果过度拟合训练样本，从而导致实际预测中识别效果反而下降的问题，在一个实施例中，可以减少transformer层的数量。在一个例子中，例如可以将bert子模型中的transformer层减少到4～8层，以解决预测结果的过拟合问题。
46.在不同的实施例中，在预先进行对于第一预测模型的训练过程中，可以采用不同的具体训练方式和训练样本，本说明书对此不限制。在一个实施例中，可以用已收集的历史英文简历作为所述训练样本。
47.需要注意的是，步骤23、25并不限定顺序执行。例如，在一个实施例中，步骤23、25可以并行执行。在另一个实施例中，步骤23、25也可以以任何次序执行。
48.最后，在步骤27，结合第一和第二预测结果,确定对于第一文件中的命名实体的第三预测结果。
49.该步骤中，可以结合步骤23中获取的第一预测结果、以及步骤25中获取的第二预测结果,对于第一文件中的命名实体的最终预测结果(即第三预测结果)。
50.在不同的实施例中，可以采用不同的具体方式结合第一和第二预测结果，以确定第三预测结果，本说明书对此不作限制。例如，在一个实施例中，可以以第一和第二预测结果中分别包含的实体词集合的并集，作为第三预测结果。在另一个实施例中，可以以第一和第二预测结果中分别包含的实体词集合的交集，作为第三预测结果。
51.根据一种实施方式，除了结合基于模型预测和基于实体词典的对于命名实体的预测结果，确定最终预测结果之外，还可以结合基于正则表示式设立的预设规则进行分类识别。图4示出了根据另一个实施例的一种识别文件中的命名实体的方法的流程示意图。如图4所示，该方法至少包括如下步骤：
52.首先，在步骤41，获取第一文件。
53.对于该步骤的详细描述，参看对于图2所示实施例中步骤21的描述，这里不再赘述。
54.然后，在步骤43，基于预先构建的命名实体词典,获取对于第一文件中的命名实体的第一预测结果。
55.对于该步骤的详细描述，参看对于图2所示实施例中步骤23的描述，这里不再赘述。
56.并且，在步骤45，基于预先训练的第一预测模型,获取对于第一文件中的命名实体的第二预测结果。
57.对于该步骤的详细描述，参看对于图2所示实施例中步骤25的描述，这里不再赘述。
58.并且，在步骤46，根据预先制定的正则表达式，确定对于第一文件中的命名实体的第四预测结果。
59.该步骤中，可以根据预先制定的正则表达式，对于第一文件中的命名实体进行匹配，得到第四预测结果。正则表达式(regular expression)，又称规则表达式，通常包括普通字符(例如，a到z之间的字母)和特殊字符，正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串，可以用来检索符合某个模式(规则)的文本。
60.在不同的实施例中，可以预先制定不同的具体正则表达式，以匹配出第一文件中的命名实体，获取对于第一文件中的命名实体的第四预测结果。本说明书对此不作限制。
61.需要注意的是，步骤43、45、46并不限定顺序执行。例如，在一个实施例中，步骤43、45、46可以并行执行。在另一个实施例中，步骤43、45、46也可以以任何次序执行。
62.最后，在步骤47，结合第一、第二和第四预测结果,确定对于第一文件中的命名实体的第三预测结果。
63.该步骤中，可以结合步骤43中获取的第一预测结果、步骤45中获取的第二预测结果、以及步骤46中获取的第四预测结果,对于第一文件中的命名实体的最终预测结果(即第三预测结果)。
64.在不同的实施例中，第一预测模型、命名实体词典和正则表达式还可以分别用于识别不同类型的部分命名实体，并结合各自的识别结果，确定对于整个文件中全部命名实体的最终识别结果。例如，在一个实施例中，命名实体包括可以第一类命名实体和第二类命名实体。可以，基于预先构建的命名实体词典,获取对于第一类命名实体的第一预测结果；基于预先训练的第一预测模型,获取对于第一类命名实体的第二预测结果；根据预先制定的正则表达式，确定对于第二类命名实体的第四预测结果。在不同的具体实施例中，第一类命名实体和第二类命名实体可以是不同的。在一个具体的实施例中，第一类命名实体可以包括预定种类实体的名称，例如可以包括姓名、学校名称、专业名称、公司名称、职业名称中的一种或多种。在另一个具体的实施例中，第二类命名实体可以包括具有预定文本模式的实体词，例如可以包括邮箱名、座机号码、手机号码中的一种或多种。
65.在不同的实施例中，可以采用不同的具体方式结合第一、第二和第四预测结果，以确定第三预测结果，本说明书对此不作限制。在一个例子中，例如可以用第一、第二预测结果中包括的实体词集合的交集，与第四预测结果包括的实体词集合的合集，作为第三预测结果。
66.图5示出了根据另一个实施例的一种识别文件中的命名实体的方法的原理示意图。如图5所示，例如可以对于简历文件，分别利用基于神经网络的第一预测模型、已构建的命名实体词典(具体的例如可以采用ac自动机算法)、以及基于正则表达式的识别规则，分别获取三种命名实体预测结果(例如，分别为实体预测结果a、实体预测结果b和实体预测结果c)。然后结合两种预测结果，确定最终的预测结果(例如，为实体预测结果f)。
67.本公开另一部份实施例还提供一种命名实体词典的构建方法。图6示出了根据一
个实施例的一种命名实体词典的构建方法的流程示意图，如图6所示，该方法包括如下步骤：
68.在步骤61，获取多种语言的实体词，构建包含所述实体词的样本语句；
69.在步骤63，将所述样本语句输入多个预训练模型中，获取对于所述样本语句中的命名实体的多个识别结果；
70.在步骤65，根据所述多个识别结果，确定所述样本语句中的命名实体；将所述命名实体加入所述命名实体词典。
71.本公开另一部份实施例还提供一种识别文件中的命名实体的装置。图7示出了根据一个实施例的一种识别文件中的命名实体的装置的示意性框图。如图7所示，该装置700包括：
72.文件获取单元71，配置为，获取第一文件；
73.第一预测单元72，配置为，基于预先训练的第一预测模型,获取对于第一文件中的命名实体的第一预测结果；
74.第二预测单元73，配置为，基于预先构建的命名实体词典,获取对于第一文件中的命名实体的第二预测结果；所述命名实体词典，通过结合多个预训练模型对于包括实体词的样本语句进行命名实体识别的识别结果生成；
75.预测结果确定单元74，配置为，结合第一和第二预测结果,确定对于第一文件中的命名实体的第三预测结果。
76.本公开另一部份实施例还提供一种命名实体词典的构建装置。图8示出了根据一个实施例的一种命名实体词典的构建装置的示意性框图。如图8所示，该装置800包括：
77.样本构建单元81，配置为，获取多种语言的实体词，构建包含所述实体词的样本语句；
78.识别单元82，配置为，将所述样本语句输入多个预训练模型中，获取对于所述样本语句中的命名实体的多个识别结果；
79.词典添加单元83，配置为，根据所述多个识别结果，确定所述样本语句中的命名实体；将所述命名实体加入所述命名实体词典。
80.下面还可以参考图9，其示出了适于用来实现本技术实施例的电子设备900的结构示意图。图9示出的电子设备900仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
81.如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储装置908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
82.通常，以下装置可以连接至i/o接口905：包括例如触摸屏、触摸板、键盘、鼠标等的输入装置906；包括例如液晶显示器(lcd，liquid crystal display)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实
施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
83.特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从rom902被安装。在该计算机程序被处理装置901执行时，执行本技术的实施例的方法中限定的上述功能。
84.本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书所提供的所述方法。图10为实现本技术实施例的一种存储介质的示意图。例如，如图10所示，存储介质1000可以为非暂时性计算机可读存储介质，用于存储非暂时性计算机可执行指令1001。当非暂时性计算机可执行指令1001由处理器执行时可以实现本公开实施例所述的识别文件中的命名实体的方法，例如，当非暂时性计算机可执行指令1001由处理器执行时，可以执行根据上文所述识别文件中的命名实体的方法中的一个或多个步骤。例如，该存储介质1000可以应用于上述电子设备中，例如，该存储介质1000可以包括电子设备中的存储器。例如，存储介质可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、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)、便携式紧致盘只读存储器(cd-rom)、闪存、或者上述存储介质的任意组合，也可以为其他适用的存储介质。例如，关于存储介质1000的说明可以参考电子设备的实施例中对于存储器的描述，重复之处不再赘述。存储介质1000的具体功能和技术效果可以参考上文中关于识别文件中的命名实体的方法的描述，此处不再赘述。
85.需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(radio frequency，射频)等等，或者上述的任意合适的组合。
86.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多
个程序被该服务器执行时，使得该电子设备实现本公开实施例提供的识别文件中的命名实体的方法。
87.可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
88.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于存储介质和计算设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
89.本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
90.以上所述的具体实施方式，对本发明实施例的目的、技术方案和有益效果进行了进一步的详细说明。所应理解的是，以上所述仅为本发明实施例的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。