样本生成方法、模型训练方法、实体识别方法及相关装置与流程

1.本文件涉及人工智能技术领域，尤其涉及一种样本生成方法、模型训练方法、实体识别方法及相关装置。


背景技术：

2.命名实体识别(named entity recognition，ner)是自然语言处理(natural language processing，nlp)中一项基本性的关键任务，是关系抽取、事件抽取、知识图谱、信息提取、问答系统、句法分析、机器翻译等诸多nlp任务的基础，被广泛应用在自然语言处理领域，同时在自然语言处理技术走向实用化的过程中占有重要地位。ner是指在一段文本中，将预先定义好的实体类型(人名、地名、机构名、日期时间、专有名词等)从文本中识别出来。
3.在现阶段的人工智能技术领域，无论是传统的分类、匹配、序列标注、文本生成任务，还是新近衍生的图像理解、音频情感分析等跨模态任务，凡是采用深度学习的地方都对标注数据有很高的依赖。ner在应用落地时，同样依赖大量有标签数据。
4.由于ner所使用的语料数据存在领域限制，无法适用于所有领域，所以为了使模型取得好的效果，往往需要大量标注人员进行人工标注，人力成本较大，标注样本生成获取困难。


技术实现要素：

5.本说明书一个或多个实施例的目的是提供一种样本生成方法、模型训练方法、实体识别方法及相关装置，以通过弱监督标注的方式解决标注样本获取困难的问题，提升标注样本生成效率，进而提升模型训练以及识别性能。
6.为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
7.第一方面，提出了一种样本生成方法，包括：
8.基于已标注的第一样本，对预设语言识别模型进行训练，得到初始模型；
9.获取实体词典，并基于所述初始模型对所述实体词典中每个实体数据分别进行识别，输出对应每个实体数据的识别结果，所述识别结果包含：至少一个预测实体以及与每个预测实体对应的预测实体类型；
10.分别判断每个实体数据的识别结果中预测实体类型，与该实体数据在实体词典中的真实实体类型是否存在重合；
11.针对实体类型不重合的识别结果，基于该识别结果对应的实体数据的真实实体类型对该识别结果进行实体类型修正，并将修正后的识别结果汇总为第二样本；
12.其中，每个修正后的识别结果包含对应的实体数据的真实实体类型，所述第二样本中样本数据的数目远大于所述第一样本中样本数据的数目。
13.第二方面，提出了一种模型训练方法，包括：
14.确定语料样本，所述语料样本采用第一方面所述的样本生成方法生成；
15.基于所述语料样本对待训练语言识别模型进行训练，得到实体识别模型。
16.第三方面，提出了一种实体识别方法，包括：
17.确定待识别语料数据；
18.基于已训练好的实体识别模型，对所述待识别语料数据进行实体识别；其中，所述实体识别模型采用第二方面所述的模型训练方法训练而成。
19.第四方面，提出了一种样本生成装置，包括：
20.训练模块，用于基于已标注的第一样本，对预设语言识别模型进行训练，得到初始模型；
21.识别模块，用于获取实体词典，并基于所述初始模型对所述实体词典中每个实体数据分别进行识别，输出对应每个实体数据的识别结果，所述识别结果包含：至少一个预测实体以及与每个预测实体对应的预测实体类型；
22.判断模块，用于分别判断每个实体数据的识别结果中预测实体类型，与该实体数据在实体词典中的真实实体类型是否存在重合；
23.修正模块，用于针对实体类型不重合的识别结果，基于该识别结果对应的实体数据的真实实体类型对该识别结果进行实体类型修正，并将修正后的识别结果汇总为第二样本；
24.其中，每个修正后的识别结果包含对应的实体数据的真实实体类型，所述第二样本中样本数据的数目远大于所述第一样本中样本数据的数目。
25.第五方面，提出了一种模型训练装置，包括：
26.确定模块，用于确定语料样本，所述语料样本采用第一方面所述的样本生成方法生成；
27.训练模块，用于基于所述语料样本对待训练语言识别模型进行训练，得到实体识别模型。
28.第六方面，提出了一种实体识别装置，包括：
29.确定模块，用于确定待识别语料数据；
30.识别模块，用于基于已训练好的实体识别模型，对所述待识别语料数据进行实体识别，所述实体识别模型采用第二方面所述的模型训练方法训练而成。
31.第七方面，提出了一种电子设备，包括：
32.处理器；以及
33.被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以上第一方面所述方法、第二方面所述方法和第三方面所述方法中的至少一种。
34.第八方面，提出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一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以上第一方面所述方法、第二方面所述方法和第三方面所述方法中的至少一种。
35.由以上本说明书一个或多个实施例提供的技术方案可见，通过已标注第一样本对预设语言识别模型进行预训练，得到初始模型；然后，基于该初始模型对实体词典中实体数据进行预测打分，输出识别结果；如果识别结果中预测实体类型与实体数据在实体词典中的真实实体类型无重合，则对识别结果进行实体类型修正，使得修正后的识别结果中包含
真实实体类型，进而将所有修正后的识别结果汇总为第二样本。该方案使用已标注第一样本即可通过弱监督标注的方式生成大量弱标注第二样本，在一定程度上缓解了标注样本获取困难的问题，提升了标注样本的生成效率。进一步，使用该弱监督标注方式生成的标注样本对预设语言识别模型进行训练，可以提升模型训练性能。再进一步，使用该弱监督标注方式生成的标注样本进行训练后得到的实体识别模型，对于实体识别性能也有所提升。
附图说明
36.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对一个或多个实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，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。
37.图1是本技术实施例提供的一种样本生成方法的步骤示意图。
38.图2是本技术实施例提供的一种模型训练方法的步骤示意图。
39.图3是本技术实施例提供的一种实体识别方法的步骤示意图。
40.图4是本技术实施例提供的一种样本生成装置的结构示意图。
41.图5是本技术实施例提供的一种模型训练装置的结构示意图。
42.图6是本技术实施例提供的一种实体识别装置的结构示意图。
43.图7是本说明书的一个实施例提供的电子设备的结构示意图。
具体实施方式
44.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的一个或多个实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，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，都应当属于本文件的保护范围。
45.鉴于现有技术中标注样本获取困难的问题，本技术实施例提出了一种采用弱监督标注方式生成样本的方案。通过小批量的已标注样本对预设语言识别模型进行预训练，得到初始模型；然后，基于该初始模型对实体词典中实体数据进行预测打分，输出识别结果；如果识别结果中预测实体类型与实体数据在实体词典中的真实实体类型无重合，则对识别结果进行实体类型修正，使得修正后的识别结果中包含真实实体类型，进而将所有修正后的识别结果汇总为所需语料标注样本。该方案仅使用小批量的已标注样本即可通过弱监督的方式生成大量标注样本，在一定程度上缓解了标注样本获取困难的问题，提升了标注样本的生成效率。进一步，使用该弱监督标注方式生成的标注样本对预设语言识别模型进行训练，可以提升模型训练性能。再进一步，使用该弱监督标注方式生成的标注样本进行训练后得到的实体识别模型，对于实体识别性能而言也有所提升。
46.实施例一
47.参照图1所示，为本技术实施例提供的一种样本生成方法的步骤示意图，该样本生成方法的执行主体可以是一种样本生成装置，该样本生成装置可以是具备计算机处理功能的硬件设备或是软件装置。本技术中样本生成方法可以包括以下步骤：
48.步骤101：基于已标注的第一样本，对预设语言识别模型进行训练，得到初始模型。
49.在本技术实施例中，第一样本可以是通过人工标注或其它方式标注的小批量的语料数据集，应理解，所述小批量是指不足以支撑模型准确训练所需的数据容量，例如2万条样本数据。
50.可选地，本技术实施例中所述预设语言识别模型，包括以下任意一种模型：
51.bert模型中的albert模型、roberta模型、bert-wwm模型；xlnet模型；ernie模型等。
52.本技术实施例通过使用该第一样本，对预设语言识别模型进行预训练，可以得到预测准确度不高的初始模型。应理解，在训练时所需要进行的样本特征提取等操作可以按照现有特征提取方式进行，在此不做赘述。
53.步骤102：获取实体词典，并基于所述初始模型对所述实体词典中每个实体数据分别进行识别，输出对应每个实体数据的识别结果，所述识别结果包含：至少一个预测实体以及与每个预测实体对应的预测实体类型。
54.在本技术实施例中，所述实体词典可以包含目前已有的一个或多个实体词典，每个实体词典的数据格式可以是：实体文本，实体类型。例如，周xx，歌手；张xx，歌手；周x，演员
……
等类似内容。该一个或多个实体词典中所包含的实体类型可以包括但不限于：歌手、歌曲、古诗、笑话、地名、人名等。
55.在该步骤102中，将实体词典中每个实体数据作为待识别实体数据，分别进行特定的特征提取后，输入所述初始模型进行预测打分，预测打分后可以得到一个或多个预测实体，以及，每个预测实体命中预设实体类型库中每个实体类型的概率打分，从中选择概率打分最高的实体类型作为每个预测实体对应的预测实体类型；最后，将得到的一个或多个预测实体以及每个预测实体对应的预测实体类型确定为每个实体数据基于该初始模型确定的识别结果。
56.步骤103：分别判断每个实体数据的识别结果中预测实体类型，与该实体数据在实体词典中的真实实体类型是否存在重合。
57.考虑到初始模型仅是基于小批量标注样本进行训练得到，因此，该初始模型的识别准确率可能并不是特别乐观。换言之，实体词典中某些实体数据基于该初始模型输出的预测实体类型与该实体数据在实体词典中的真实实体类型可能存在差异。所以，在基于初始模型识别实体词典中实体数据之后，需要通过比较预测实体类型与真实实体类型有无重合来简单评估初始模型的识别效果。如果有重合，说明识别出部分或全部真实实体类型，模型识别效果好；如果无重合，则说明识别到的预测实体类型都不是真实的，模型识别效果不好。其实，在实际的识别处理过程中，该初始模型的识别准确率并不高，因此，大部分比对结果都是预测实体类型与真实实体类型不重合的情况。
58.在本技术实施例中，分别判断每个实体数据的识别结果中预测实体类型，与该实体数据在实体词典中的真实实体类型是否存在重合时，可以判断实体数据的识别结果所包含预测实体类型中是否存在该实体数据在实体词典中的一个或多个真实实体类型，如果识别结果中没有真实实体类型，则确定实体数据的识别结果中预测实体类型与该实体数据在实体词典中的真实实体类型不重合。
59.步骤104：针对实体类型不重合的识别结果，基于识别结果对应的实体数据的真实
实体类型对该识别结果进行实体类型修正，并将修正后的识别结果汇总为第二样本；其中，每个修正后的识别结果包含对应的实体数据的真实实体类型。
60.在本技术实施例中，基于该识别结果对应的实体数据的真实实体类型对识别结果进行实体类型修正，具体可以使用该识别结果对应的实体数据的真实实体类型，替换该识别结果中预测实体类型得到候选识别结果，并基于候选识别结果确定修正后的识别结果。
61.本技术实施例中一种较优的实现方式，所述第二样本中样本数据的数目远大于所述第一样本中样本数据的数目，这样，可以基于较少的已批注样本数据生成足以支撑模型训练所需的大批量弱标注样本数据，以极少人力投入获得较大批量弱标注样本数据。
62.其实，对识别结果进行实体类型修正，可以不限于使用上述替换的方式，还可以包含其它修正方式(例如，添加)以使得修正后的识别结果包含对应的实体数据的真实实体类型。
63.应理解，对于实体类型存在重合(部分重合或全部重合)的识别结果，本身是被初始模型识别出的，而且存在重合，说明识别效果较好，因此，这类识别结果不再适合作为有效标注样本对该初始模型进行精准训练。
64.本技术上述技术方案，通过小批量的已标注第一样本对预设语言识别模型进行预训练，得到初始模型；然后，基于该初始模型对实体词典中实体数据进行预测打分，输出识别结果；如果识别结果中预测实体类型与实体数据在实体词典中的真实实体类型无重合，则对识别结果进行实体类型修正，使得修正后的识别结果中包含真实实体类型，进而将所有修正后的识别结果汇总为第二样本。该方案仅使用小批量的已标注第一样本即可通过弱监督标注的方式生成大量弱标注第二样本，在一定程度上缓解了标注样本获取困难的问题，提升了标注样本的生成效率。
65.本技术实施例在使用真实实体类型替换预测实体类型时，可根据识别结果中预测实体的数目进行不同的操作：
66.1、如果该识别结果仅包含一个预测实体，则使用该识别结果对应的实体数据的真实实体类型，替换该识别结果中预测实体类型得到一个候选识别结果，并将所述一个候选识别结果确定为修正后的识别结果。
67.举例说明，实体词典中实体数据和真实实体类型是：“可可托海的牧羊人/歌曲名”；识别结果中预测实体和预测实体类型是：“可可托海的牧羊人/人名”。预测实体类型与真实实体类型不重合，使用真实实体类型“歌曲名”替换“人名”；得到一个候选识别结果“可可托海的牧羊人/歌曲名”，该候选识别结果即为修正后的识别结果。
68.2、如果该识别结果包含至少两个预测实体，则使用该识别结果对应的实体数据的真实实体类型，依次替换该识别结果中每个预测实体类型得到多个候选识别结果；分别计算每个候选识别结果的预测概率，并选取预测概率取值最大的候选识别结果作为修正后的识别结果。
69.进一步，所述初始模型进行实体预测打分时所使用的预设实体类型库，包含每个实体数据在实体词典中的真实实体类型；那么，第2种操作中，分别计算每个候选识别结果的预测概率具体可以包括以下步骤：
70.第1步，确定每个候选识别结果所包含的实体类型，在基于所述初始模型进行实体预测时的概率打分；
71.第2步，使用加权求和或加权乘积的方式计算每个候选识别结果中所有实体类型的概率打分，将计算结果确定为每个候选识别结果的预测概率。
72.举例说明，实体词典中实体数据和真实实体类型是：“可可托海的牧羊人/歌曲名”；识别结果中预测实体和预测实体类型是：“可可托海/地名的牧羊人/人名”；识别结果中包含两个预测实体，以及对应的预测实体类型。预测实体类型与真实实体类型不重合，使用真实实体类型“歌曲名”分别替换“地名”和“人名”；得到两个候选识别结果“可可托海/歌曲名的牧羊人/人名”以及“可可托海/地名的牧羊人/歌曲名”。需要从这两个候选识别结果中选择概率打分最高的候选识别结果作为修正后的识别结果。假设，“可可托海”这一预测实体在实体预测时，命中“歌曲名”这一实体类型的概率打分为0.5，命中“地名”这一实体类型的概率打分为0.8；“牧羊人”这一预测实体在实体预测时，命中“歌曲名”这一实体类型的概率打分为0.6，命中“人名”这一实体类型的概率打分为0.7；则“可可托海/歌曲名的牧羊人/人名”的概率打分为：0.5 0.7＝1.2；“可可托海/地名的牧羊人/歌曲名”的概率打分为：0.8 0.6＝1.4；其中加权值默认均可以设置为1，在其它实施例中可以根据需求进行设定修改。由此确定，“可可托海/地名的牧羊人/歌曲名”这一候选识别结果的概率打分较高，则将该候选识别结果确定为修正后的识别结果。即，作为弱标注样本数据。
73.通过上述修正方式，不需要人工直接标注所有样本数据，完全采用机器学习结合处理算法即可自动生成所需第二样本，而且可以保证得到的第二样本中样本数据是弱标注语料数据，节省人力成本，提升样本生成效率。
74.实施例二
75.参照图2所示，为本技术实施例提供的一种模型训练方法的步骤示意图，该模型训练方法的执行主体可以是一种模型训练装置，该模型训练装置可以是具备计算机处理功能的硬件设备或是软件装置。本技术中模型训练方法可以包括以下步骤：
76.步骤201：确定语料样本，所述语料样本采用步骤101至步骤104的样本生成方法生成。
77.步骤201的具体实现可参照实施例一中相关步骤，在此不作赘述。
78.步骤202：基于所述语料样本对待训练语言识别模型进行训练，得到实体识别模型。
79.可选地，在该实施例二中，待训练语言识别模型可以是基于步骤101确定的初始模型，那么，在基于所述语料样本对预设语言识别模型进行训练时，具体可以基于所述语料样本对初始模型进行微调。这样，将人工标注的样本数据与弱监督标注的样本数据分开训练，避免数据间互相影响。
80.通过上述模型训练方法训练得到的识别模型，可以较为准确识别语料数据，经实验验证，尤其针对命名实体任务，其模型识别性能可提升至少2％。而且，鉴于语料样本的获取便利性提升，整个模型训练阶段的训练效率也随之提升。
81.实施例三
82.参照图3所示，为本技术实施例提供的一种实体识别方法的步骤示意图，该实体识别方法的执行主体可以是一种实体识别装置，该实体识别装置可以是具备计算机处理功能的硬件设备或是软件装置。本技术中实体识别方法可以包括以下步骤：
83.步骤301：确定待识别语料数据。
84.步骤302：基于已训练好的实体识别模型，对所述待识别语料数据进行实体识别；其中，所述实体识别模型采用步骤201至步骤202的模型训练方法训练而成。
85.步骤302的具体实现可参照实施例一及实施例二中相关步骤，在此不作赘述。
86.通过上述实体识别方法，可以较为准确识别语料数据，经实验验证，尤其针对命名实体任务，其模型识别性能可提升至少2％。
87.实施例四
88.参照图4所示，为本说明书实施例提供的一种样本生成装置结构示意图，该样本生成装置可以包括：
89.训练模块401，用于基于已标注的第一样本，对预设语言识别模型进行训练，得到初始模型；
90.识别模块402，用于获取实体词典，并基于所述初始模型对所述实体词典中每个实体数据分别进行识别，输出对应每个实体数据的识别结果，所述识别结果包含：至少一个预测实体以及与每个预测实体对应的预测实体类型；
91.判断模块403，用于分别判断每个实体数据的识别结果中预测实体类型，与该实体数据在实体词典中的真实实体类型是否存在重合；
92.修正模块404，用于针对实体类型不重合的识别结果，基于该识别结果对应的实体数据的真实实体类型对该识别结果进行实体类型修正，并将修正后的识别结果汇总为第二样本；
93.其中，每个修正后的识别结果包含对应的实体数据的真实实体类型。
94.可选地，所述修正模块404，具体用于使用该识别结果对应的实体数据的真实实体类型，替换该识别结果中预测实体类型得到候选识别结果，并基于候选识别结果确定修正后的识别结果。
95.可选地，如果该识别结果仅包含一个预测实体，则所述修正模块404，具体用于使用该识别结果对应的实体数据的真实实体类型，替换该识别结果中预测实体类型得到一个候选识别结果，并将所述一个候选识别结果确定为修正后的识别结果。
96.可选地，如果该识别结果包含至少两个预测实体，则所述修正模块404，具体用于使用该识别结果对应的实体数据的真实实体类型，依次替换该识别结果中部分以及全部预测实体类型得到多个候选识别结果；分别计算每个候选识别结果的预测概率，并选取预测概率取值最大的候选识别结果作为修正后的识别结果。
97.可选地，所述初始模型进行实体预测打分时所使用的预设实体类型库，包含每个实体数据在实体词典中的真实实体类型；则所述修正模块404在分别计算每个候选识别结果的预测概率时，具体用于：
98.确定每个候选识别结果所包含的实体类型，在基于所述初始模型进行实体预测时的概率打分；
99.使用加权求和或加权乘积的方式计算每个候选识别结果中所有实体类型的概率打分，将计算结果确定为每个候选识别结果的预测概率。
100.本技术上述技术方案，通过小批量的已标注第一样本对预设语言识别模型进行预训练，得到初始模型；然后，基于该初始模型对实体词典中实体数据进行预测打分，输出识别结果；如果识别结果中预测实体类型与实体数据在实体词典中的真实实体类型无重合，
则对识别结果进行实体类型修正，使得修正后的识别结果中包含真实实体类型，进而将所有修正后的识别结果汇总为第二样本。该方案仅使用小批量的已标注第一样本即可通过弱监督标注的方式生成大量弱标注第二样本，在一定程度上缓解了标注样本获取困难的问题，提升了标注样本的生成效率。
101.实施例五
102.参照图5所示，为本说明书实施例提供的一种模型训练装置结构示意图，该模型训练装置可以包括：
103.确定模块501，用于确定语料样本，所述语料样本采用步骤101-步骤104的样本生成方法生成；
104.训练模块502，用于基于所述语料样本对预设语言识别模型进行训练，得到实体识别模型。
105.通过上述模型训练装置训练得到的识别模型，可以较为准确识别语料数据，经实验验证，尤其针对命名实体任务，其模型识别性能可提升至少2％。而且，鉴于语料样本的获取便利性提升，整个模型训练阶段的训练效率也随之提升。
106.实施例六
107.参照图6所示，为本说明书实施例提供的一种实体识别装置结构示意图，该实体识别装置可以包括：
108.确定模块601，用于确定待识别语料数据；
109.识别模块602，用于基于已训练好的实体识别模型，对所述待识别语料数据进行实体识别，所述实体识别模型采用步骤201-步骤202的模型训练方法训练而成。
110.通过上述实体识别装置，可以较为准确识别语料数据，经实验验证，尤其针对命名实体任务，其模型识别性能可提升至少2％。
111.实施例七
112.图7是本说明书的一个实施例电子设备的结构示意图。请参考图7，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
113.处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
114.存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
115.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成处理装置，该处理装置可以是样本生成装置、模型训练装置和实体识别装置中的一种或多种。处理器，执行存储器所存放的程序。
116.上述如本说明书图1-图3所示实施例揭示的装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，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 processor，dsp)、专用集成电路(application 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。可以实现或者执行本说明书一个或多个实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
117.该电子设备还可执行图1-图3的方法，并实现相应装置在图1-图3所示实施例的功能，本说明书实施例在此不再赘述。
118.当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
119.实施例八
120.本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1-图3所示实施例的方法。
121.总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
122.上述一个或多个实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
123.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
124.还需要说明的是，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、商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、商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“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
125.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，对于系统实施例而言，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的部分说明即可。
126.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。