语料类型的确定方法、装置、设备及存储介质与流程

1.本技术属于语料处理领域，尤其涉及一种语料类型的确定方法、装置、设备及存储介质。


背景技术：

2.随着业务的快速发展，运营商客服领域每日有海量的客户语音文本转化为文本数据，即客服语料，客服语料可以真实反应客户问题，有效利用可增加客户满意度并有利于后续对客户开展精准营销。但由于客服语料的文本不规范、且数据量巨大，很难将客服语料运用到实际业务运营过程中。
3.现有技术中已有利用文本算法处理客服语料的方法，但是由于客服语料的复杂性，现有文本算法对客服语料的分类结果准确性较差。


技术实现要素：

4.本技术实施例提供一种在语料类型的确定方法、装置、设备及存储介质，能够解决现有文本算法对客服语料的分类结果准确性较差的问题。
5.第一方面，本技术实施例提供一种语料类型的确定方法，该方法包括：
6.获取目标语料；
7.对目标语料进行分词，删除目标预料中的预设停用词，识别经删除预设停用词后的目标语料中的关键词，并进行同义词标注得到语料处理结果；
8.通过tf-idf算法对语料处理结果进行特征提取，得到第一特征值；
9.将语料处理结果输入文档矩阵以将语料处理结果中包含的所有词条转化为数值，输出第二特征值；
10.构建包含基于同一词条生成的第一特征值和第二特征值的关系数组；
11.将关系数组输入预先训练的语料分类模型，输出指示出目标语料相应的各主题类型权重的主题类型值；
12.将数值最大的主题类型值对应的主题类型确定为目标语料的类型。
13.进一步地，在一种实施例中，语料分类模型通过如下步骤训练得到：
14.将部分关系数组和目标语料的预设主题类型个数输入框架文档主题类型生成模型lda，输出语料分类模型；
15.语料分类模型记录了预设主题类型个数个主题类型、各个主题类型对应的关键词条、以及各个关键词条相应的第一权重。
16.进一步地，在一种实施例中，主题类型值等于主题类型对应的每个关键词条对应的第一特征值和第一权重的乘积和。
17.进一步地，在一种实施例中，对目标语料进行分词，删除目标预料中的预设停用词，识别经删除预设停用词后的目标语料中的关键词，并进行同义词标注得到语料处理结果，包括：
18.使用预设算法对目标语料进行分词，得到原始分词结果；
19.筛除原始分词结果中符合第一预设停用词表记录词汇类型的词汇，得到第一处理结果；
20.根据预设关键词表对第一处理结果进行关键词标注，得到第二处理结果；
21.筛除第二处理结果中符合第二预设停用词表记录词汇类型的词汇，得到第三处理结果；
22.根据预设同义词字典对第三处理结果进行同义词标注，得到语料处理结果。
23.进一步地，在一种实施例中，第一预设停用词表记录的词汇类型，包括：
24.标点符号、副词、助词；
25.第二预设停用词表记录的词汇类型，包括：
26.数字、单字、以及除标点符号外的其他符号。
27.进一步地，在一种实施例中，通过tf-idf对语料处理结果进行特征提取，输出第一特征值，包括：
28.对于语料处理结果包含的每个词条，分别执行以下操作：
29.计算词条的：词频和逆文本频率指数；
30.计算词频的标准差；
31.采用预设算法对词条进行词性标注，得到词性标注结果；
32.对词性标注结果进行赋权，得到词条对应的第二权重；
33.计算第一特征值，第一特征值等于词频、逆文本频率指数、标准差、第二权重的乘积。
34.第二方面，本技术实施例提供一种语料类型的确定装置，该装置包括：
35.获取模块，用于获取目标语料；
36.生成模块，用于对目标语料进行分词，删除目标预料中的预设停用词，识别经删除预设停用词后的目标语料中的关键词，并进行同义词标注得到语料处理结果；
37.输出模块，用于通过tf-idf对语料处理结果进行特征提取，输出第一特征值；
38.输出模块，还用于将语料处理结果输入文档矩阵以将语料处理结果中包含的所有词条转化为数值，输出第二特征值；
39.构建模块，用于构建包含基于同一词条生成的第一特征值和第二特征值的关系数组；
40.输出模块，还用于将关系数组输入预先训练的语料分类模型，输出指示出目标语料相应的各主题类型权重的主题类型值；
41.确定模块，用于将数值最大的主题类型值对应的主题类型确定为目标语料的类型。
42.进一步地，在一种实施例中，语料分类模型通过如下模块训练得到：
43.输出模块，用于将部分关系数组和目标语料的预设主题类型个数输入框架文档主题类型生成模型lda，输出语料分类模型；
44.语料分类模型记录了预设主题类型个数个主题类型、各个主题类型对应的关键词条、以及各个关键词条相应的第一权重。
45.进一步地，在一种实施例中，主题类型值等于主题类型对应的每个关键词条对应
的第一特征值和第一权重的乘积和。
46.进一步地，在一种实施例中，生成模块，具体用于：
47.使用预设算法对目标语料进行分词，得到原始分词结果；
48.筛除原始分词结果中符合第一预设停用词表记录词汇类型的词汇，得到第一处理结果；
49.根据预设关键词表对第一处理结果进行关键词标注，得到第二处理结果；
50.筛除第二处理结果中符合第二预设停用词表记录词汇类型的词汇，得到第三处理结果；
51.根据预设同义词字典对第三处理结果进行同义词标注，得到语料处理结果。
52.第三方面，本技术实施例提供一种语料分类设备，该设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现本技术实施例提供的语料类型的确定方法。
53.第四方面，本技术实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有信息传递的实现程序，程序被处理器执行时实现本技术实施例提供的语料类型的确定方法。
54.本技术实施例的语料类型的确定方法、装置、设备及存储介质，直接使用处清理后的客服语料文本输入tf-idf算法，不需要提前对客服语料文本进行人工标注。输出能够指示出语料中词条词性和词条词频的关系数组，再基于关系数组对语料进行分类，提升了客服语料的识别效率、分类效率、以及分类准确率。
附图说明
55.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，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。
56.图1是本技术实施例提供的一种语料类型的确定方法的流程示意图；
57.图2是本技术实施例提供的一种语料类型的确定装置的结构示意图；
58.图3是本技术实施例提供的一种语料分类设备的结构示意图。
具体实施方式
59.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本技术，并不被配置为限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
60.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，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，由语句“包括
……”
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。
61.文本关键词识别和文本聚类在英文领域已比较成熟，但在中文方面仍有许多问题有待优化加强。tf-idf(term frequency
–
inverse document frequency)作为一种比较成熟和常见的用于信息检索和数据挖掘的特征加权算法，存在一定的局限性，传统的tf-idf算法无法准确的对特定类别的同类语料进行分词。而在聚类过程中，不同算法适用于不同的应用场景，需要根据语料特征进行选择。
62.现有技术中已有应用tf-idf算法识别分类语料的方法，公开号为cn106528642b的专利申请公开了一种基于tf-idf特征提取的短文本分类方法：首先根据分类需求对抽取的数据进行分类标注，然后进行分词；再将短文本合并成长文本，计算长文本的tf-idf特征矩阵；降维生成特征词列表和特征词字典；将训练集和测试集对应的数据生成的文本特征向量，进行svm分类器的训练，记录总体分类准确率和每一类的分类准确率；调节参数直至分类准确率不再提升，使用此参数进行后续总体数据集的分类。该方法需要对采集的数据进行标注，需使用已标注的数据进行训练，而在实际应用过程中，已标注数据难获取，人工标注需耗费大量时间，不具备很好的推广性。
63.公开号为cn104142918b的专利申请公开了一种基于tf-idf特征的短文本聚类以及热点主题提取方法：首先对短文本样本进行中文分词，并筛选出高频词汇；接着，基于筛选出的高频词汇自动地对每一个短文本样本进行tf-idf特征提取和生成，建立整个样本特征向量空间模型；然后运用奇异值(singular value decomposition，svd)分解进行样本空间维度的约减；最后，结合余弦定理和k-means方法对短文本样本进行聚类，并通过可视化的分析手段找出每一个类簇中潜在的热点主题。该方法在进行tf-idf特征提取前根据词频筛选高频词汇，这个过程会对后续tf-idf计算产生影响，且不适用于客服预料中；同时，奇异值计算非常耗时，不适用于文本量较大的情况。
64.现有的文本分类方法在处理电信运营商客服语料时有如下弊端：
65.现有的文本分类方法在文本预处理阶段没有针对电信运营商客服语料的专用词表，对于部分电信运营商的专有词汇如“魔百和”、“大流量套餐”、“保底消费”等词语无法进行准确分割，而这些新词对客服文本分类的正确性起到重要作用。
66.目前各类文本分类和关键词提取大多针对网页、论坛或没有明确的文本指向，而如果要提升中文文本分类准确性，不同领域将有其特殊的专有名词和特殊语料，目前缺少针对电信运营商以及客服领域的特定文本分类算法。
67.现有的短文本分类算法中，使用svm分类器处理客服语料需要提前对部分文本进行人工标注。
68.为了解决现有技术问题，本技术实施例提供了一种语料类型的确定方法、装置、设备及存储介质。本技术实施例直接使用处清理后的客服语料文本输入tf-idf算法，不需要提前对客服语料文本进行人工标注。输出能够指示出语料中词条词性和词条词频的关系数组，再基于关系数组对语料进行分类，提升了客服语料的识别效率和分类效率。下面首先对本技术实施例所提供的语料类型的确定方法进行介绍。
69.图1示出了本技术一个实施例提供的语料类型的确定方法的流程示意图。如图1所
示，该方法可以包括以下步骤：
70.s110，获取目标语料。
71.目标语料即待分类的客服语料，可以从运营商网络中直接获取。
72.s112，对目标语料进行分词，删除目标预料中的预设停用词，识别经删除预设停用词后的目标语料中的关键词，并进行同义词标注得到语料处理结果。
73.在一种实施例中，s112可以包括：
74.使用预设算法对目标语料进行分词，得到原始分词结果。
75.该预设算法可以是结巴算法。
76.筛除原始分词结果中符合第一预设停用词表记录词汇类型的词汇，得到第一处理结果。
77.在一种实施例中，第一预设停用词表记录的词汇类型，可以包括：
78.标点符号、副词、助词。
79.根据预设关键词表对第一处理结果进行关键词标注，得到第二处理结果。
80.其中，预设关键词表是基于运营商客服语料特性预先建立的。
81.筛除第二处理结果中符合第二预设停用词表记录词汇类型的词汇，得到第三处理结果。
82.在一种实施例中，第二预设停用词表记录的词汇类型，可以包括：
83.数字、单字、以及除标点符号外的其他符号。
84.根据预设同义词字典对第三处理结果进行同义词标注，生成语料处理结果。
85.在一种实施例中，预设同义词词典可以是基于哈工大同义词词林构建的。
86.s114，通过tf-idf对语料处理结果进行特征提取，输出第一特征值。
87.在一种实施例中，s114可以包括：
88.对于语料处理结果包含的每个词条，分别执行以下操作：
89.计算词条的：词频和逆文本频率指数。
90.词频(term frequency，tf)表示词条在语料处理结果中的文档d中出现的频率，对词频进行归一化，使分母保持大于分母，以防止词频倾向于词数较多的样本。词频通过如下公式计算得到：
[0091][0092]
其中，n
i,j
是单个词条在d中的出现的次数，分母是d中所有词条数目之和。
[0093]
对于逆文本频率指数(inverse document frequency，idf)，如果包含词条n
i,j
的文档d在整个语料处理结果中数量越少，则逆向文件频率值越大，idf计算指示出每个词条在不同类别中的区分能力，识别出关键词语。逆文本频率指数通过如下公式计算得到：
[0094][0095]
其中，|d|是语料处理结果中所有文档的总条数。|{j:ti∈dj}|表示包含某一词条ti的所有文档数目(即n
i,j
≠0的文件数目)。即语料库中总文档数目除以含有ti的文档的总数，对所得商取对数。
[0096]
计算词频的标准差。
[0097]
在一种实施例中，可以基于每一个词条在文档d中出现的频率tf，计算其标准差tf_stdi，tf_stdi能够衡量词条的离散程度。标准差可以通过如下公式计算得出：
[0098][0099]
采用预设算法对词条进行词性标注，得到词性标注结果。
[0100]
在一种实施例中，该预设算法可以是jieba.posseg.cut算法。
[0101]
对词性标注结果进行赋权，得到词条对应的第二权重weighti。
[0102]
计算第一特征值tf-idf
i，f
，第一特征值等于词频、逆文本频率指数、标准差、第二权重的乘积。
[0103]
表达式如下：tf-idf
i,j
＝tf
ij
×
idfi×
tf_stdi×
weighti。
[0104]
s116，将语料处理结果输入文档矩阵(term-document matrix)以将语料处理结果中包含的所有词条转化为数值，输出第二特征值id。
[0105]
其中，每个词条对应唯一的一个第二特征值。
[0106]
s118，构建包含基于同一词条生成的第一特征值和第二特征值的关系数组。
[0107]
该关系数组格式可以为[(id1,tf-idf1),(id2,tf-idf2)
……
(idk,tf-idfk)]，其中，k为关系数组总数。
[0108]
s120，将关系数组输入预先训练的语料分类模型，输出指示出目标语料相应的各主题类型权重的主题类型值。
[0109]
s122，将数值最大的主题类型值对应的主题类型确定为目标语料的类型。
[0110]
在一种实施例中，本技术实施例提供的语料分类模型可以通过如下步骤训练得到：
[0111]
将部分关系数组和目标语料的预设主题类型个数输入框架文档主题类型生成模型lda，输出语料分类模型。
[0112]
其中，语料分类模型记录了预设主题类型个数个主题类型、各个主题类型对应的关键词条、以及各个关键词条相应的第一权重。
[0113]
在一种实施例中，主题类型值等于主题类型对应的每个关键词条对应的第一特征值和第一权重的乘积和，主题类型值的计算表达式如下：
[0114]
topici＝w
i1
×
word
i1
w
i2
×
word
i2

…
w
in
×
word
in
[0115]
其中topici为第i个预设主题类型的主题类型值，w
ij
第i个主题的第j个关键词条的第一权重，word
ij
为第j个关键词条对应的tf-idf。
[0116]
本技术实施例在现有tf-idf算法基础上，通过同义词合并、词性标注、运营商停用词表以及关键词表的预先构建、tf离散程度度量进行客服语料的识别优化以生产关系数组，无需人工标注语料；再基于lda主题分类模型处理关系数组以实现客服语料的分类，提升了客服语料的识别效率、分类效率、以及分类准确率。
[0117]
图1描述了本技术实施例提供的语料类型的确定方法，下面结合附图2和附图3描述本技术实施例提供的装置。
[0118]
图2示出了本技术一个实施例提供的语料类型的确定装置的结构示意图，图2所示
装置中各模块具有实现图1中各个步骤的功能，并能达到其相应技术效果。如图2所示，该装置可以包括：
[0119]
获取模块200，用于获取目标语料。
[0120]
目标语料即待分类的客服语料，可以从运营商网络中直接获取。
[0121]
生成模块202，对目标语料进行分词，删除目标预料中的预设停用词，识别经删除预设停用词后的目标语料中的关键词，并进行同义词标注得到语料处理结果。
[0122]
在一种实施例中，生成模块202可以具体用于：
[0123]
使用预设算法对目标语料进行分词，得到原始分词结果。
[0124]
该预设算法可以是结巴算法。
[0125]
筛除原始分词结果中符合第一预设停用词表记录词汇类型的词汇，得到第一处理结果。
[0126]
在一种实施例中，第一预设停用词表记录的词汇类型，可以包括：标点符号、副词、助词。
[0127]
根据预设关键词表对第一处理结果进行关键词标注，得到第二处理结果。
[0128]
其中，预设关键词表是基于运营商客服语料特性预先建立的。
[0129]
筛除第二处理结果中符合第二预设停用词表记录词汇类型的词汇，得到第三处理结果。
[0130]
在一种实施例中，第二预设停用词表记录的词汇类型，可以包括：
[0131]
数字、单字、以及除标点符号外的其他符号。
[0132]
根据预设同义词字典对第三处理结果进行同义词标注，生成语料处理结果。
[0133]
在一种实施例中，预设同义词词典可以是基于哈工大同义词词林构建的。
[0134]
输出模块204，用于通过tf-idf对语料处理结果进行特征提取，输出第一特征值。
[0135]
在一种实施例中，输出模块204可以具体用于：
[0136]
对于语料处理结果包含的每个词条，分别执行以下操作：
[0137]
计算词条的：词频和逆文本频率指数。
[0138]
词频(term frequency，tf)表示词条在语料处理结果中的文档d中出现的频率，对词频进行归一化，使分母保持大于分母，以防止词频倾向于词数较多的样本。词频通过如下公式计算得到：
[0139][0140]
其中，n
i,j
是单个词条在d中的出现的次数，分母是d中所有词条数目之和。
[0141]
对于逆文本频率指数(inverse document frequency，idf)，如果包含词条n
i,j
的文档d在整个语料处理结果中数量越少，则逆向文件频率值越大，idf计算指示出每个词条在不同类别中的区分能力，识别出关键词语。逆文本频率指数通过如下公式计算得到：
[0142][0143]
其中，|d|是语料处理结果中所有文档的总条数。|{j:ti∈dj}|表示包含某一词条ti的所有文档数目(即n
i,j
≠0的文件数目)。即语料库中总文档数目除以含有ti的文档的总
数，对所得商取对数。
[0144]
计算词频的标准差。
[0145]
在一种实施例中，可以基于每一个词条在文档d中出现的频率tf，计算其标准差tf_stdi，tf_stdi能够衡量词条的离散程度。标准差可以通过如下公式计算得出：
[0146][0147]
采用预设算法对词条进行词性标注，得到词性标注结果。
[0148]
在一种实施例中，该预设算法可以是jieba.posseg.cut算法。
[0149]
对词性标注结果进行赋权，得到词条对应的第二权重weighti。
[0150]
计算第一特征值tf-idf
i，f
，第一特征值等于词频、逆文本频率指数、标准差、第二权重的乘积。
[0151]
表达式如下：tf-idf
i,j
＝tf
ij
×
idfi×
tf_stdi×
weighti。
[0152]
输出模块204，还用于将语料处理结果输入文档矩阵(term-document matrix)以将语料处理结果中包含的所有词条转化为数值，输出第二特征值id。
[0153]
其中，每个词条对应唯一的一个第二特征值。
[0154]
构建模块206，用于构建包含基于同一词条生成的第一特征值和第二特征值的关系数组。
[0155]
该关系数组格式可以为[(id1,tf-idf1),(id2,tf-idf2)
……
(idk,tf-idfk)]，其中，k为关系数组总数。
[0156]
输出模块204，还用于将关系数组输入预先训练的语料分类模型，输出指示出目标语料相应的各主题类型权重的主题类型值。
[0157]
确定模块208，用于将数值最大的主题类型值对应的主题类型确定为目标语料的类型。
[0158]
在一种实施例中，本技术实施例提供的语料分类模型可以通过如下模块训练得到：
[0159]
输出模块204，用于将部分关系数组和目标语料的预设主题类型个数输入框架文档主题类型生成模型lda，输出语料分类模型。
[0160]
其中，语料分类模型记录了预设主题类型个数个主题类型、各个主题类型对应的关键词条、以及各个关键词条相应的第一权重。
[0161]
在一种实施例中，主题类型值等于主题类型对应的每个关键词条对应的第一特征值和第一权重的乘积和，主题类型值的计算表达式如下：
[0162]
topici＝w
i1
×
word
i1
w
i2
×
word
i2

…
w
in
×
word
in
[0163]
其中topici为第i个预设主题类型的主题类型值，w
ij
第i个主题的第j个关键词条的第一权重，word
ij
为第j个关键词条对应的tf-idf。
[0164]
本技术实施例在现有tf-idf算法基础上，通过同义词合并、词性标注、运营商停用词表以及关键词表的预先构建、tf离散程度度量进行客服语料的识别优化以生产关系数组，无需人工标注语料；再基于lda主题分类模型处理关系数组以实现客服语料的分类，提升了客服语料的识别效率、分类效率、以及分类准确率。
[0165]
图3示出了本技术一个实施例提供的语料分类设备的结构示意图。如图3所示，该设备可以包括处理器301以及存储有计算机程序指令的存储器302。
[0166]
具体地，上述处理器301可以包括中央处理器(central processing unit，cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0167]
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器302可以包括可移除或不可移除(或固定)的介质，或者存储器302是非易失性固态存储器。存储器302可在综合网关容灾设备的内部或外部。
[0168]
在一个实例中，存储器302可以是只读存储器(read only memory，rom)。在一个实例中，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
[0169]
处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现图1所示实施例中的方法，并达到图1所示实例执行其方法达到的相应技术效果，为简洁描述在此不再赘述。
[0170]
在一个示例中，该语料分类设备还可包括通信接口303和总线310。其中，如图3所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
[0171]
通信接口303，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
[0172]
总线310包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industry standard architecture，isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0173]
该语料分类设备可以执行本技术实施例中的语料类型的确定方法，从而实现图1描述的语料类型的确定方法的相应技术效果。
[0174]
另外，结合上述实施例中的语料类型的确定方法，本技术实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种语料类型的确定方法。
[0175]
需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤确定为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0176]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(application specific integrated circuit，asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(radio frequency，rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0177]
还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0178]
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，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，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0179]
以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。