意图识别方法及装置与流程

1.本技术涉及文本处理技术领域，尤其涉及一种意图识别方法及装置。


背景技术：

2.意图识别，顾名思义是指判断用户要做什么，其具体是将句子或者问题分类到相应的意图种类中。在人工智能发展迅猛的时代，搜索引擎、对话系统、聊天机器人逐渐融入各个领域，准确识别用户意图有助于了解或者预测用户潜在需求，从而为用户提供准确的搜索结果或者回答。
3.目前常用的意图识别方法包括基于词典规则模板的方法、基于过往日志匹配的方法以及基于机器学习的方法等。其中，基于词典的规则模板方法针对符合某种规则的句子，通过规则解析的方式来识别句子包含的意图。在实际应用中，该方法仅仅适用于规则性强的询问方式，覆盖度低，例如，当用户对询问方式稍作变换时，将不能准确识别用户意图。基于过往日志匹配的方法适用于搜索引擎，主要是对过往问题对应的后续行为进行统计分类，得到每种意图对应的词表，当产生新的问题时，通过将新问题与词表匹配的方式来识别新问题的意图。该方法对于长尾问题容易出现识别错误，对新的问题无法正确识别，缺乏泛化能力。基于机器学习的方法，首先通过机器学习的方法训练意图分类模型，再利用训练好的意图分类模型识别用户意图。但因训练数据来源的匮乏，训练得到的意图分类模型的准确性及鲁棒性往往差强人意。


技术实现要素：

4.本技术提供一种意图识别方法及装置，该方法及装置准确性高，覆盖度高，且无需大量标注好的训练数据，因此不会受到数据匮乏因素的限制。
5.第一方面，本技术提供一种意图识别方法，所述方法包括：
6.获取第一问题文本；
7.根据所述第一问题文本生成问题向量，并从预设向量库中获取与所述问题向量匹配的多个意图向量，所述意图向量是根据已知意图的第二问题文本生成的；
8.利用至少两种相似度算法，计算所述第一问题文本与每一个所述意图向量对应的所述第二问题文本的相似度，并对得到的至少两个相似度计算结果进行加权融合；
9.将加权融合结果符合预设相似条件的第二问题文本对应的意图，确定为所述第一问题文本的候选意图。
10.第二方面，本技术还提供一种意图识别装置，所述装置包括：
11.获取模块，用于获取第一问题文本；
12.匹配模块，用于根据所述第一问题文本生成问题向量，并从预设向量库中获取与所述问题向量匹配的多个意图向量，所述意图向量是根据已知意图的第二问题文本生成的；
13.排序模块，用于利用至少两种相似度算法，计算所述第一问题文本与每一个所述
意图向量对应的所述第二问题文本的相似度，并对得到的至少两个相似度计算结果进行加权融合；
14.确定模块，用于将加权融合结果符合预设相似条件的第二问题文本对应的意图，确定为所述第一问题文本的候选意图。
15.由以上技术方案可知，本技术实施例提供一种意图识别方法及装置，该方法预先根据一个或者多个业务领域的多个已知意图的问题文本生成特征向量，并保存到预设向量库中。当产生待处理的第一问题文本时，首先根据第一问题文本生成问题向量，从上述预设向量库中获取与问题向量匹配的多个意图向量。由于这些意图向量与问题向量的特征匹配，因此意图向量与问题向量具有完全相同或者足够相似的意图。然后利用至少两种相似度算法，计算第一问题文本与每一个意图向量对应的第二问题文本的相似度，并对得到的至少两个相似度计算结果进行加权融合，最后将加权融合结果符合预设相似条件的第二问题文本对应的意图，确定为第一问题文本的候选意图。通过从多个算法维度来评估意图识别结果，使得意图识别结果更为准确。
附图说明
16.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
17.图1为本技术在一些实施例中示出的一种意图识别方法流程图；
18.图2为本技术在一些实施例中示出的一种意图识别装置框图。
具体实施方式
19.为了使本技术领域的人员更好地理解本技术中的技术方案，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，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。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，都应当属于本技术保护的范围。
20.意图识别是常见于搜索引擎、对话系统、聊天机器人等各类人工智能领域的自然语言处理技术。意图识别，顾名思义，即是通过处理用户输入的句子或者问题，判断用户的意图。示例性的，在应用聊天机器人的场景中，用户对机器人说：“我想购买车票”，那么，“我想购买车票”即为用户输入的句子，也可称其为问题文本，接下来，机器人通过意图识别，确定该问题文本对应的意图是“购买车票”，接着，便可围绕该意图，给出相应的回答或者提示语，如询问出行时间、目的地等信息，最后根据收集到的信息，完成订单确认、支付和下单订票等。可见，准确识别用户意图有助于了解或者预测用户潜在需求，其关系到是否可以为用户提供准确的搜索结果或者回答。
21.本技术实施例提供一种意图识别方法及装置，该方法基于特征向量匹配和文本相似度融合排序实现意图识别，准确性高，覆盖度高，且无需大量标注好的训练数据，因此不会受到数据匮乏因素的限制。图1为本技术示例性示出的意图识别方法流程图，如图1所示，该方法可以包括：
22.s101，获取第一问题文本。
23.第一问题文本具体可以为用户直接输入的句子，或者是用户输入的语音数据转换得到的句子。第一问题文本的意图是未知的。换句话说，第一问题文本是指本实施例中待处理的文本。
24.需要说明的是，第一问题文本所属的业务领域可以是已知的，也可以是未知的。这里的业务领域可以是根据应用场景类型和/或业务种类预先划分的，如订票系统应用领域、购物平台应用领域、移动支付业务领域等等。此外，本技术对第一问题文本的字符串长度不予限定。例如，第一问题文本可以短句子，也可以是长句子，或者是由多个句子组成的段落。
25.示例性的，第一问题文本具体可以为：
[0026]“请问我的订单最晚什么时候发货？”[0027]
可以看出，在该示例中，第一问题文本是在某个购物平台上输入的问题文本。
[0028]
s102，根据第一问题文本生成问题向量，并从预设向量库中获取与问题向量匹配的多个意图向量，意图向量是根据已知意图的第二问题文本生成的。
[0029]
在一些实施例中，预设向量库至少包括根据一个或者多个业务领域的多个已知意图的问题文本生成的特征向量，这些特征向量被预先保存到向量库中。
[0030]
具体实现时，首先获取某个业务领域的文本数据集，该文本数据集至少包括多组文本数据，每组文本数据至少包括已知意图的问题文本，还可以包括对应该问题文本的答案。为便于与s101中意图未知的问题文本进行区分，在下述实施例中，将前述文本数据集中意图已知的问题文本称为第二问题文本。
[0031]
示例性的，每组文本数据包括：
[0032]
《请问我的订单何时发货？》《下单后48小时内发货》
[0033]
在该示例中，《请问我的订单何时发货？》为第二问题文本，该问题文本对应的意图为“询问发货时间”，《下单后48小时内发货》为与该问题文本或者该意图对应的答案。
[0034]
接着，对文本数据集中的第二问题文本执行清洗操作，以去除文本中的无用信息，包括但不限于文本中的表情符号、缩写字符及停用词。再利用预设分词规则对清洗后的第二问题文本进行分词，得到每个第二问题文本对应的问题词序列。例如，对上述示例中的第二问题文本进行清洗操作后，得到《订单何时发货》，利用预设分词规则对该文本进行分词，得到的问题词序列为[订单何时发货]。
[0035]
在某些实施例中，预设分词规则具体可以为预先训练好的分词器，如lac分词器。其中，训练分词器所使用的训练数据除了包括常规词库外，还需要包括指定业务领域的专业词表和敏感词表，从而使分词器具有准确识别该业务领域专业词汇及敏感词汇的能力，保证分词器的准确率及其与业务领域的适配性。需要说明的是，本领域技术人员可以基于现有技术，完成对分词器的训练，训练终止条件可以根据实际需要自行设定，本文不予赘述。
[0036]
得到问题词序列后，利用预先训练好的词嵌入模型对问题词序列进行处理，以得到第二问题文本对应的特征向量。最后，将得到的已知意图的特征向量插入到预设向量库中。在某些实施例中，所使用的词嵌入模型可以是skip-gram模型。在针对skip-gram模型的训练过程中，每一轮的输入是中心词的n维one-hot向量，在窗口宽度为k的情况下，模型输出是k维向量，该k维向量中每一位置的元素值表示针对输入的中心词，词汇表中的单词出
现在该中心词附近的预测概率。可以看出，由于skip-gram模型是根据中心词预测上下词，相当于针对每一个中心词都有k个词作为输出，即对于文本中的每一个词都训练k次，因此能够更有效的学习到文本中的信息，针对低频词也具有较好的效果。
[0037]
在一些实施例中，预设向量库中的每个特征向量都具有一个向量id。通过该向量id可以区分不同的特征向量，进而可以基于指定向量id获取到特征向量数据。此外，每个特征向量与其对应的第二问题文本、意图及答案之间可以通过向量id实现关联，进而还可以根据指定向量id获取对应的第二问题文本、意图及答案。
[0038]
在一些实施例中，对于上述每组文本数据中与问题文本对应的答案，可以被保存在答案库中，并生成与对应问题文本、特征向量或者意图相关联的索引，从而可以基于索引从答案库中检索到与指定意图相对应的答案。
[0039]
在将某个特定业务领域的已知意图的特征向量保存到预设向量库后，当产生待处理的第一问题文本时，首先对第一问题文本执行清洗操作，以去除第一问题文本中的表情符号、缩写字符及停用词等无用信息；再利用上述预设分词规则对清洗后的第一问题文本进行分词，得到第一问题文本对应的问题词序列。然后利用预先训练好的词嵌入模型对问题词序列进行处理，得到第一问题文本对应的问题向量。接着，从上述预设向量库中获取与问题向量匹配的多个特征向量。为便于说明和区分，将从预设向量库中获取到的与问题向量相匹配的特征向量称为意图向量。由于这些意图向量与问题向量的特征匹配，因此意图向量与问题向量具有完全相同或者足够相似的意图。
[0040]
在一些实现方式中，与问题向量相匹配的意图向量为与问题向量的欧式距离小于预设距离值的特征向量。在这些实现方式中，首先计算问题向量与预设向量库中每个特征向量的欧式距离，然后判断每个特征向量对应的计算结果是否小于预设距离值，将对应计算结果小于预设距离值的特征向量确定为与问题向量相匹配的意图向量。这样一来，由于这些意图向量与问题向量足够相似，因此二者对应的意图也是相同或者相似的。
[0041]
在一些实施例中，上述预设向量库是milvus向量库。milvus向量库是一款开源的向量搜索引擎，支持针对tb级向量的增、删、改操作和近实时查询，具有高度灵活、稳定可靠以及高速查询等特点。milvus向量库集成了faiss(facebook ai similarity search)、nmslib(非度量空间库)、annoy(approximate nearest neighbors oh yeah)等广泛应用的向量索引库，其提供一整套简单直观的api，供用户可以针对不同场景选择不同的索引类型。在这些实施例中，从预设向量库中获取与问题向量匹配的多个意图向量，包括：在milvus向量库中检索问题向量，得到结果集，结果集至少包括多组特征向量数据，每组特征向量数据包括向量id和欧式距离，该欧式距离即为该向量id对应的特征向量与问题向量之间的欧式距离；从结果集中筛选出对应欧式距离小于预设距离的向量id，根据筛选出的向量id即可获取到对应的意图向量、第二问题文本、意图及答案。
[0042]
需要说明的是，在一些实施场景中，当在milvus向量库中检索问题向量时，召回的特征向量数据均是欧式距离小于预设距离的意图向量，从而节省进一步筛选过程。应理解的是，可以针对milvus向量库配置检索条件，使milvus向量库根据当前配置的检索条件召回检索结果。示例性的，检索条件包括检索时采用的匹配算法以及对检索结果的过滤条件等。其中，上述欧式距离算法即为匹配算法的一种，要求特征向量与问题向量的欧式距离小于预设距离即为过滤条件的一种。
[0043]
在上述实施例中，采用具有向量搜索引擎功能的milvus向量库，充分利用milvus向量库高度灵活、稳定可靠以及高速查询等特性，实现对意图向量的近实时搜索。
[0044]
s103，利用至少两种相似度算法，计算第一问题文本与每一个意图向量对应的第二问题文本的相似度，并对得到的至少两个相似度计算结果进行加权融合。
[0045]
在一些实施例中，按照下式计算第一相似度、第二相似度、第三相似度及第四相似度中的至少两种：
[0046][0047]
式(1)中，a表示第一问题文本，i表示第一问题文本a中各个单词(即字符)的位序，b表示某个意图向量对应的第二问题文本，j表示第二问题文本b中各个单词(即字符)的位序，lev
a,b
表示第一问题文本a与第二问题文本b的编辑距离，即由第一问题文本a变化到第二问题文本b所需的步骤。应理解的是，lev
a,b
的值越小，第一问题文本a与第二问题文本b越相似，因此第一相似度p1越大。
[0048][0049]
值得注意的是，对于第一问题文本a，假设a对应的单词序列为a[a1,a2,a3,
……
，am]，对于与某个意图向量对应的第二问题文本b，假设b对应的单词序列为b[b1,b2,b3,
……
，bm]，那么针对单词序列为a及单词序列b划分子序列，得到单词序列a和单词序列b的子序列分别包括：
[0050]
a1[a1]，a2[a1,a2]，
……
，am[a1,a2,
……
,am]
[0051]
b1[b1]，b2[b1,b 2]，
……
，bn[b1,b2,
……
,bn]
[0052]
按照递推公式(2)，可依次求出a的每个子序列与b的每个子序列的最长公共子序列的长度num[i][j]，并记录在数组num[m][n]中，max num[i][j]则表示num[m][n]中的最大值，即a和b的最长公共子序列的长度。应理解的是，a和b的最长公共子序列的长度越长，a与b越相似，第二相似度p2越大。
[0053][0054]
式(3)中，a∩b表示第一问题文本a包含的单词与第二问题文本b包含的单词的交集，a∪b表示第一问题文本a包含的单词与第二问题文本b包含的单词的并集，j(a,b)表示前述交集中的单词在前述并集中的占比。应理解的是，j(a,b)越大，a与b越相似，第三相似度p3越高。
[0055][0056]
式(4)中，x表示第一问题文本a包含的单词集合，y表示第二问题文本b包含的单词集合，cov表示协方差，e表示数学期望，ρ
(x,y)
表示x与y的皮尔逊相关系数，p4表示第四相似
度。
[0057]
需要说明的是，可采用的相似度算法不仅限于上述列举出的四种算法，还可以是其他用于计算文本之间相似度的方法，如余弦相似度、欧几里德距离、曼哈顿距离等等。
[0058]
在一些实施例中，根据第一问题文本与第二问题文本之间的多种相似度计算结果计算第者之间的信息熵，从而实现对该多种相似度计算结果的加权融合。具体的，可以按照下式(5)计算第一问题文本与每一个所述意图向量对应的第二问题文本之间的信息熵：
[0059][0060]
其中，hs表示第一问题文本与第s个意图向量对应的第二问题文本对应的信息熵，pk表示第一问题文本与第s个意图向量对应的第二问题文本之间的m个相似度计算结果中的第k个，m≥2。
[0061]
在另一些实施例中，根据每种相似度算法预设的权重值对第一问题文本与第二问题文本之间的多种相似度计算结果进行加权计算，从而实现对该多种相似度计算结果的加权融合。具体的，可以按照下式(6)计算第一文本与每个意图向量对应的第二问题文本之间的加权相似度：
[0062][0063]
其中，ps表示第一问题文本与第s个意图向量对应的第二问题文本之间的加权相似度，pk表示第一问题文本与第s个意图向量对应的第二问题文本之间的m个相似度计算结果中的第k个，wk为第k个相似度计算结果对应的预设权重值。
[0064]
由s103可知，利用至少两种相似度算法，计算第一问题文本与第二问题文本的相似度，并对得到的至少两个相似度计算结果进行加权融合，可以从多个算法维度来评估意图识别结果，使得意图识别结果更为准确。
[0065]
s104，将加权融合结果符合预设相似条件的第二问题文本对应的意图，确定为第一问题文本的候选意图。
[0066]
在以第一问题文本与第二问题文本之间的信息熵作为加权融合结果的实施例中，由于信息熵越大意味着第一问题文本与第二问题文本具有相同意图的不确定性越小，因此可以按照信息熵升序，对所有第二问题文本进行排序，然后将位序靠前的预设个数个第二问题文本对应的意图确定为第一问题文本的候选意图，即取与第一问题文本之间信息熵较小的topn个第二问题文本，将该n个第二问题文本对应的意图，确定为第一问题文本的候选意图，n≥1。
[0067]
在另一些实现方式中，可对每个第二问题文本对应的信息熵取倒数，得到第一问题文本与第二问题文本之间的权重值，每个第二问题文本对应的权重值即可表征其与第一问题文本的相似程度。换句话说，第二问题文本对应的该权重值越高，认为其与第二问题文本越相似。基于此，则可以按照权重值降序，对所有第二问题文本进行排序，然后将位序靠前的预设个数个第二问题文本对应的意图确定为第一问题文本的候选意图，即取与权重值较大的topn个第二问题文本，将该n个第二问题文本对应的意图，确定为第一问题文本的候选意图，n≥1。
[0068]
在以第一问题文本与第二问题文本之间的加权相似度为加权融合结果的实施例中，由于加权相似度的值越大，意味着第一问题文本与第二问题文本越相似，也即第一问题
文本与第二问题文本具有相同意图的可能性越高，因此可以按照加权相似度降序，对所有第二问题文本进行排序，然后将位序靠前的预设个数个第二问题文本对应的意图确定为第一问题文本的候选意图，即取加权相似度较大的topn个第二问题文本，将该n个第二问题文本对应的意图，确定为第一问题文本的候选意图，n≥1。
[0069]
示例性的，加权融合结果符合预设相似条件的第二问题文本可以是信息熵较小的top3个第二问题文本，或者是加权相似度较大的top3个第二问题文本，进而确定出第一问题文本的三个候选意图分别为该top3个第二问题文本对应的意图。
[0070]
在一些实施例中，获取每个候选意图对应的答案，例如，可以从答案库中获取每个候选意图对应的答案。当确定出的第一问题文本的候选意图数量为1时，则将该候选意图确定为目标意图，并将该意图对应的答案作为目标答案反馈给用户；当确定出的第一问题文本的候选意图数量大于1时，则将该多个候选意图中的某一个确定为目标意图，将目标意图对应的答案作为目标答案反馈给用户，同时将其余候选意图对应的答案作为候选答案反馈给用户。例如，当产生多个候选意图时，则可基于每个候选意图对应的加权融合结果，将与第一问题文本最为相似的第二问题文本对应的意图确定为目标意图。
[0071]
由上述实施例可知，本技术实施例提供一种意图识别方法，该方法预先根据一个或者多个业务领域的多个已知意图的问题文本生成特征向量，并保存到预设向量库中。当产生待处理的第一问题文本时，首先根据第一问题文本生成问题向量，从上述预设向量库中获取与问题向量匹配的多个意图向量。由于这些意图向量与问题向量的特征匹配，因此意图向量与问题向量具有完全相同或者足够相似的意图。然后利用至少两种相似度算法，计算第一问题文本与每一个意图向量对应的第二问题文本的相似度，并对得到的至少两个相似度计算结果进行加权融合，最后将加权融合结果符合预设相似条件的第二问题文本对应的意图，确定为第一问题文本的候选意图。通过从多个算法维度来评估意图识别结果，使得意图识别结果更为准确。
[0072]
值得注意的是，不同于如基于词典规则模板的方法、基于过往日志匹配的方法以及基于机器学习的方法等传统的意图识别方法，本技术实施例提供的意图识别方法是基于特征向量匹配和文本相似度融合排序实现意图识别，准确性高，覆盖度高，且无需大量标注好的训练数据，因此不会受到数据匮乏因素的限制。
[0073]
根据上述实施例提供的意图识别方法，本技术实施例还提供一种意图识别装置，如图2所示，该装置可以包括：
[0074]
获取模块201，用于获取第一问题文本。匹配模块202，用于根据所述第一问题文本生成问题向量，并从预设向量库中获取与所述问题向量匹配的多个意图向量，所述意图向量是根据已知意图的第二问题文本生成的。排序模块203，用于利用至少两种相似度算法，计算所述第一问题文本与每一个所述意图向量对应的所述第二问题文本的相似度，并对得到的至少两个相似度计算结果进行加权融合。确定模块204，用于将加权融合结果符合预设相似条件的第二问题文本对应的意图，确定为所述第一问题文本的候选意图。
[0075]
在一些实施例中，排序模块203具体用于，按照下式计算所述第一问题文本与每一个所述意图向量对应的第二问题文本之间的信息熵：
[0076][0077]
其中，hs表示第一问题文本与第s个意图向量对应的第二问题文本对应的信息熵，pk表示第一问题文本与第s个意图向量对应的第二问题文本之间的m个相似度计算结果中的第k个，m≥2。
[0078]
在一些实施例中，排序模块203具体用于，按照信息熵升序，对所有所述第二问题文本进行排序；将位序靠前的预设个数个第二问题文本对应的意图确定为所述第一问题文本的候选意图。
[0079]
在一些实施例中，匹配模块202具体用于，从预设向量库中获取与所述问题向量之间的欧式距离小于预设距离的特征向量。
[0080]
在一些实施例中，匹配模块202具体为milvus向量库，milvus向量库包括所述预设向量库，milvus向量库具体用于，在milvus向量库中检索所述问题向量，得到结果集，所述结果集至少包括多组特征向量数据，每组所述特征向量数据包括向量id和所述向量id对应的特征向量与所述问题向量的欧式距离；从所述结果集中筛选出对应欧式距离小于预设距离的向量id，所述向量id用于获取对应的特征向量及对应的第二问题文本。
[0081]
在一些实施例中，排序模块203具体用于，按照下式计算第一相似度、第二相似度、第三相似度及第四相似度中的至少两种：
[0082][0083]
式(1)中，a表示第一问题文本，i表示第一问题文本a中字符的位序，b表示第二问题文本，j表示第二问题文本b中字符的位序，为指示函数，p1表示第一相似度；
[0084][0085]
式(2)中，num[i][j]表示第一问题文本a对应的单词序列与第二问题文本b对应的单词序列的最长公共子序列，p2表示第二相似度；
[0086][0087]
式(3)中，a∩b表示第一问题文本a包含的单词与第二问题文本b包含的单词的交集，a∪b表示第一问题文本a包含的单词与第二问题文本b包含的单词的并集，p3表示第三相似度；
[0088][0089]
式(4)中，x表示第一问题文本a包含的单词集合，y表示第二问题文本b包含的单词集合，e表示数学期望，p4表示第四相似度。
[0090]
在一些实施例中，匹配模块202具体用于，清洗所述第一问题文本；利用预设分词规则对清洗后的第一问题文本进行分词，得到问题词序列；利用预先训练的skip-gram模型对所述问题词序列进行处理，得到所述问题向量。
[0091]
本技术实施例提供的意图识别装置，预先根据一个或者多个业务领域的多个已知意图的问题文本生成特征向量，并保存到预设向量库中。当产生待处理的第一问题文本时，首先根据第一问题文本生成问题向量，从上述预设向量库中获取与问题向量匹配的多个意图向量。由于这些意图向量与问题向量的特征匹配，因此意图向量与问题向量具有完全相同或者足够相似的意图。然后利用至少两种相似度算法，计算第一问题文本与每一个意图向量对应的第二问题文本的相似度，并对得到的至少两个相似度计算结果进行加权融合，最后将加权融合结果符合预设相似条件的第二问题文本对应的意图，确定为第一问题文本的候选意图。通过从多个算法维度来评估意图识别结果，使得意图识别结果更为准确。
[0092]
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的意图识别方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：rom)或随机存储记忆体(英文：random access memory，简称：ram)等。
[0093]
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，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)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0094]
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
[0095]
以上所述的本发明实施方式并不构成对本发明保护范围的限定。