语义分析模型的训练方法、装置、电子设备及存储介质

摘要

本申请公开了语义分析模型的训练方法、装置、电子设备及存储介质，涉及自然语言处理、深度学习、大数据处理等人工智能技术领域。具体实现方案为：获取多组训练数据，各组训练数据包括：搜索词、采用搜索词搜索得到的至少一个文本的信息，以及与文本对应的至少一个关联词；采用训练数据构建图模型，并根据图模型从多组训练数据之中确定出目标训练数据，目标训练数据包括：样本搜索词、样本信息，以及样本关联词；以及采用样本搜索词、样本信息，以及样本关联词训练语义分析模型，能够有效适用于搜索应用场景中的训练数据，提升语义分析模型在搜索应用场景中的模型表现效果。

说明书

技术领域

本申请涉及计算机技术领域，具体涉及自然语言处理、深度学习、大数据处理等人工智能技术领域，尤其涉及一种语义分析模型的训练方法、装置、电子设备及存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

相关技术中，通常采用大数据构造无监督任务进行语义分析模型的预训练。

发明内容

提供了一种语义分析模型的训练方法、装置、电子设备、存储介质及计算机程序产品。

根据第一方面，提供了一种语义分析模型的训练方法，包括：获取多组训练数据，各组所述训练数据包括：搜索词、采用所述搜索词搜索得到的至少一个文本的信息，以及与所述文本对应的至少一个关联词；采用所述训练数据构建图模型，并根据所述图模型从所述多组训练数据之中确定出目标训练数据，所述目标训练数据包括：样本搜索词、样本信息，以及样本关联词；以及采用所述样本搜索词、样本信息，以及样本关联词训练语义分析模型。

根据第二方面，提供了一种语义分析模型的训练装置，包括：获取模块，用于获取多组训练数据，各组所述训练数据包括：搜索词、采用所述搜索词搜索得到的至少一个文本的信息，以及与所述文本对应的至少一个关联词；确定模块，用于采用所述训练数据构建图模型，并根据所述图模型从所述多组训练数据之中确定出目标训练数据，所述目标训练数据包括：样本搜索词、样本信息，以及样本关联词；以及训练模块，用于采用所述样本搜索词、样本信息，以及样本关联词训练语义分析模型。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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申请实施例的语义分析模型的训练方法。

根据第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例公开的语义分析模型的训练方法。

根据第五方面，提出了一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时实现本申请实施例公开的语义分析模型的训练方法。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2为本申请实施例中的图模型示意图；

图3是根据本申请第二实施例的示意图；

图4是根据本申请第三实施例的示意图；

图5是根据本申请第四实施例的示意图；

图6是用来实现本申请实施例的语义分析模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请第一实施例的示意图。

其中，需要说明的是，本实施例的语义分析模型的训练方法的执行主体为语义分析模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本申请实施例涉及自然语言处理、深度学习、大数据处理等人工智能技术领域。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

自然语言处理，能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

而大数据处理，是指采用人工智能的方式对规模巨大的数据进行分析以及处理的过程，而大数据可以概括为5个V，数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值(Value)、真实性(Veracity)。

如图1所示，该语义分析模型的训练方法包括：

S101：获取多组训练数据，各组训练数据包括：搜索词、采用搜索词搜索得到的至少一个文本的信息，以及与文本对应的至少一个关联词。

本申请实施例中，可以预先在搜索引擎的辅助下，获取海量的训练数据，训练数据比如用户常用的搜索词、采用搜索词在搜索引擎中搜索得到的文本，文本的信息(信息比如文本的标题或者摘要，或者文本超链接，对此不做限制)，以及与该文本关联的其它的搜索词(与该文本关联的其它的搜索词，可以被称为与文本对应的关联词)。

本申请实施例通过预先在搜索引擎的辅助下，获取海量的训练数据之后，还可以对海量的训练数据进行分组，使得每组训练数据中包括一个或者一种类型的搜索词，采用该搜索词搜索得到的至少一个文本的信息，以及与文本对应的至少一个关联词，对此不做限制。

S102：采用训练数据构建图模型，并根据图模型从多组训练数据之中确定出目标训练数据，目标训练数据包括：样本搜索词、样本信息，以及样本关联词。

其中，根据图模型从多组训练数据之中确定出的与语义分析模型较相适配的一组或者多组的训练数据，可以被称为目标训练数据，也即是说，目标训练数据的组数量可以是一组或者多组，对此不作限制。

上述在获取多组训练数据之后，可以是采用训练数据构建图模型，并根据图模型从多组训练数据之中确定出目标训练数据，能够快速地确定出的与语义分析模型较相适配的一组或者多组的训练数据，提升模型训练效率，保障模型训练效果。

其中图模型，可以是深度学习中的图模型，或者也可以是人工智能技术领域中其他任意可能架构形式的图模型，对此不做限制。

本申请实施例中采用的图模型为概率分布的图形表示，一个图由结点和它们之间的链接组成，在概率图模型中，每个结点表示一个随机变量(或一组随机变量)，链接表示这些变量之间的概率关系。这样，图模型描述了联合概率分布在所有随机变量上能够分解为一组因子乘积的方式，每个因子只依赖于随机变量的一个子集。

可选地，一些实施例中，目标图模型包括：多条路径，各条路径连接多个结点，结点对应一个搜索词，或者对应一个关联词，或者对应一个信息，路径描述其所连接结点对应内容之间的搜索关联权重，从而能够清晰地、高效地呈现出多组训练数据中的搜索关联权重的分布，辅助将搜索应用场景中的训练数据与语义分析模型相融合。

也即是说，本申请实施例中可以首先基于多组训练数据构建图模型，并根据图模型从多组训练数据之中确定出目标训练数据，目标训练数据包括：样本搜索词、样本信息，以及样本关联词，从而触发后续采用所确定出的样本搜索词、样本信息，以及样本关联词训练语义分析模型，使得语义分析模型能够更好地学习到搜索应用场景中的训练数据之间的上下文语义关系。

可选地，一些实施例中，采用训练数据构建图模型，并根据图模型从多组训练数据之中确定出目标训练数据，可以获取训练数据中搜索词、信息，以及关联词之间的搜索关联权重；采用多组训练数据构建初始的图模型，并根据搜索关联权重对初始的图模型进行迭代训练，得到目标图模型；根据目标图模型从多组训练数据之中确定出目标训练数据，能够有效提升图模型的训练效果，使得训练得到的目标图模型具有更好的目标训练数据筛选能力。

举例而言，上述的搜索关联权重，可以是预先配置的，比如搜索词A，采用搜索词A在搜索应用场景中进行搜索得到文本A1、文本A2，则采用搜索词A搜索得到文本A1的搜索关联权重可以为1、采用搜索词A搜索得到文本A2的搜索关联权重可以为2、而与文本A1对应的关联词1，文本A1与关联词1之间的搜索关联权重可以为11，则假设一个路径连接搜索词A和文本A1，则该路径描述的搜索关联权重即为1，假设一个路径连接搜索词A和文本A2，则该路径描述的搜索关联权重即为2，假设一个路径连接文本A1和关联词1，则该路径描述的搜索关联权重即为11，以此类推。

参见图2，图2为本申请实施例中的图模型示意图，其中，q0表示一个搜索词，t1表示采用搜索词q0搜索得到的文本(该文本可以具体为被点击的文本)的信息，q2表示与文本t1对应的关联词，t3表示采用关联词q2搜索得到的文本，以此类推，可以构建一个初始的图模型，而后，可以根据搜索关联权重对初始的图模型进行迭代训练，得到目标图模型；根据目标图模型从多组训练数据之中确定出目标训练数据。

比如上述构建得到初始的图模型之后，可以依据初始的图模型之中所包含的各个路径描述的搜索关联权重计算一个损失值，并根据该损失值迭代训练初始的图模型，直至初始的图模型输出的损失值满足设定值时，则将训练得到的图模型作为目标图模型，对此不做限制。

而后采用该目标图模型辅助确定出目标训练数据，具体参见下述实施例。

S103：采用样本搜索词、样本信息，以及样本关联词训练语义分析模型。

上述在采用训练数据构建图模型，并根据图模型从多组训练数据之中确定出目标训练数据之后，可以执行采用目标训练数据中的样本搜索词、样本信息，以及样本关联词训练语义分析模型的步骤。

本申请实施例中的语义分析模型是基于机器翻译的双向编码表示(BidirectionalEncoder Representations from Transformer，BERT)模型，或者，也可以为人工智能领域中其它任意可能的神经网络模型，对此不做限制。

当采用样本搜索词、样本信息，以及样本关联词训练基于机器翻译的双向编码表示BERT模型，使得训练得到的BERT模型能够获得较好的语义分析能力，并且通常BERT模型应用在其他的一些模型训练中的预训练任务当中，从而能够有效提升基于BERT模型的预训练任务在搜索应用场景中的模型表现。

本实施例中，通过将训练数据构建成一个图模型，采用图模型确定出目标训练数据，并且目标训练数据包括了样本搜索词、搜索得到的文本的样本信息，以及与文本对应的样本关联词，使得训练得到的语义分析模型能够有效适用于搜索应用场景中的训练数据，提升语义分析模型在搜索应用场景中的模型表现效果。

图3是根据本申请第二实施例的示意图。

如图3所示，该语义分析模型的训练方法包括：

S301：获取多组训练数据，各组训练数据包括：搜索词、采用搜索词搜索得到的至少一个文本的信息，以及与文本对应的至少一个关联词。

S302：获取训练数据中搜索词、信息，以及关联词之间的搜索关联权重。

S303：采用多组训练数据构建初始的图模型，并根据搜索关联权重对初始的图模型进行迭代训练，得到目标图模型。

步骤S301-S303的描述可以参见上述实施例，在此不再赘述。

S304：从目标图模型中确定出目标路径，目标路径连接多个目标结点。

可选地，一些实施例中，从目标图模型中确定出目标路径，包括：采用随机游走方式，从目标图模型中确定出目标路径；或者采用广度优先搜索方式，从目标图模型中确定出目标路径。

举例而言，结合上述图2所呈现的图模型结构，当采用随机游走方式，从目标图模型中确定出目标路径时，得到的目标路径上的训练数据可以表示为S＝[q0，t1，…，qN-1，tN]；当采用广度优先搜索方式，从目标图模型中确定出目标路径时，得到的目标路径上的训练数据可以表示为S＝[q0，t1，…，tN]。

当然，也可以采用其它任意可能的选取方式，从目标图模型中确定出目标路径，比如采用建模的方式、工程的方式等等，对此不做限制。

S305：将与目标结点对应的搜索词作为样本搜索词，并将与目标结点对应的关联词作为样本关联词，以及将与目标结点对应的信息作为样本信息。

上述通过采用随机游走方式，从目标图模型中确定出目标路径；或者采用广度优先搜索方式，从目标图模型中确定出目标路径，目标路径连接多个目标结点，可以将与目标结点对应的搜索词作为样本搜索词，并将与目标结点对应的关联词作为样本关联词，以及将与目标结点对应的信息作为样本信息，在使得训练得到的语义分析模型能够有效适用于搜索应用场景中的训练数据的同时，能够提升模型数据获取的完整性，提升模型数据的获取效率，并且有效降低整体模型训练的时间成本。

S306：将样本搜索词、样本信息、样本关联词，以及样本搜索词、样本信息、样本关联词之间的搜索关联权重输入至语义分析模型中，得到语义分析模型输出的预测上下文语义。

S307：根据预测上下文语义和标注上下文语义对语义分析模型进行训练。

结合上述示例，由于确定出了一组或者多组的目标训练数据，每组训练数据由样本搜索词、样本信息、样本关联词构成，而每组训练数据对应的目标路径上各个搜索关联权重的加和值，可以被作为样本搜索词、样本信息、样本关联词之间的搜索关联权重。

由此，可以将样本搜索词、样本信息、样本关联词，以及样本搜索词、样本信息、样本关联词之间的搜索关联权重输入至基于机器翻译的双向编码表示BERT模型中，得到BERT模型输出的预测上下文语义，而后，确定预测上下文语义和标注上下文语义之间的损失值；如果损失值满足参考损失值，则语义分析模型训练完成，提升语义分析模型的训练效率和训练准确性。

比如，可以针对基于机器翻译的双向编码表示BERT模型配置相应的损失函数，基于该损失函数计算输入样本搜索词、样本信息、样本关联词，以及搜索关联权重之后，得到的预测上下文语义和标注上下文语义之间的损失值，从而将损失值与一个预先标定的参考损失值进行比对，如果损失值满足参考损失值，则语义分析模型训练完成。

训练得到的语义分析模型可以被用于对一段输入文本进行语义分析，确定出该段文本中的遮盖词，或者，分析该段文本是否来源于特定文章，对此不做限制。

本实施例中，通过将训练数据构建成一个图模型，采用图模型确定出目标训练数据，并且目标训练数据包括了样本搜索词、搜索得到的文本的样本信息，以及与文本对应的样本关联词，使得训练得到的语义分析模型能够有效适用于搜索应用场景中的训练数据，提升语义分析模型在搜索应用场景中的模型表现效果。在使得训练得到的语义分析模型能够有效适用于搜索应用场景中的训练数据的同时，能够提升模型数据获取的完整性，提升模型数据的获取效率，并且有效降低整体模型训练的时间成本。通过将样本搜索词、样本信息、样本关联词，以及样本搜索词、样本信息、样本关联词之间的搜索关联权重输入至语义分析模型中，得到语义分析模型输出的预测上下文语义，并根据预测上下文语义和标注上下文语义对语义分析模型进行训练，能够有效提升语义分析模型的训练效果，进一步保障语义分析模型在搜索应用场景中的适用性。

图4是根据本申请第三实施例的示意图。

如图4所示，该语义分析模型的训练装置40，包括：

获取模块401，用于获取多组训练数据，各组训练数据包括：搜索词、采用搜索词搜索得到的至少一个文本的信息，以及与文本对应的至少一个关联词。

确定模块402，用于采用训练数据构建图模型，并根据图模型从多组训练数据之中确定出目标训练数据，目标训练数据包括：样本搜索词、样本信息，以及样本关联词。

训练模块403，用于采用样本搜索词、样本信息，以及样本关联词训练语义分析模型。

在本申请的一些实施例中，参见图5，图5是根据本申请第四实施例的示意图，图5中，该语义分析模型的训练装置50，包括：获取模块501、确定模块502、训练模块503，其中，确定模块502，包括：

获取子模块5021，用于获取训练数据中搜索词、信息，以及关联词之间的搜索关联权重；

构建子模块5022，用于采用多组训练数据构建初始的图模型，并根据搜索关联权重对初始的图模型进行迭代训练，得到目标图模型；

确定子模块5023，用于根据目标图模型从多组训练数据之中确定出目标训练数据。

在本申请的一些实施例中，目标图模型包括：多条路径，各条路径连接多个结点，结点对应一个搜索词，或者对应一个关联词，或者对应一个信息，路径描述其所连接结点对应内容之间的搜索关联权重。

在本申请的一些实施例中，其中，确定子模块5023，具体用于：

从目标图模型中确定出目标路径，目标路径连接多个目标结点；

将与目标结点对应的搜索词作为样本搜索词，并将与目标结点对应的关联词作为样本关联词，以及将与目标结点对应的信息作为样本信息。

在本申请的一些实施例中，其中，确定子模块5023，还用于：

采用随机游走方式，从目标图模型中确定出目标路径；或者

采用广度优先搜索方式，从目标图模型中确定出目标路径。

在本申请的一些实施例中，其中，训练模块503，具体用于：

将样本搜索词、样本信息、样本关联词，以及样本搜索词、样本信息、样本关联词之间的搜索关联权重输入至语义分析模型中，得到语义分析模型输出的预测上下文语义；

根据预测上下文语义和标注上下文语义对语义分析模型进行训练。

在本申请的一些实施例中，其中，训练模块503，还用于：

确定预测上下文语义和标注上下文语义之间的损失值；

如果损失值满足参考损失值，则语义分析模型训练完成。

在本申请的一些实施例中，语义分析模型是基于机器翻译的双向编码表示BERT模型。

可以理解的是，本实施例附图5中的语义分析模型的训练装置50与上述实施例中的语义分析模型的训练装置40，获取模块501与上述实施例中的获取模块401，确定模块502与上述实施例中的确定模块402，训练模块503与上述实施例中的训练模块403，可以具有相同的功能和结构。

需要说明的是，前述对语义分析模型的训练方法的解释说明也适用于本实施例的语义分析模型的训练装置，此处不再赘述。

本实施例中，通过将训练数据构建成一个图模型，采用图模型确定出目标训练数据，并且目标训练数据包括了样本搜索词、搜索得到的文本的样本信息，以及与文本对应的样本关联词，使得训练得到的语义分析模型能够有效适用于搜索应用场景中的训练数据，提升语义分析模型在搜索应用场景中的模型表现效果。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6是用来实现本申请实施例的语义分析模型的训练方法的电子设备的框图。电子设备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/或者要求的本申请的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。

计算单元601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。计算单元601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计算单元、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。计算单元601执行上文所描述的各个方法和处理，例如，语义分析模型的训练方法。

例如，在一些实施例中，语义分析模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的语义分析模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语义分析模型的训练方法。

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。

用于实施本申请的语义分析模型的训练方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。

在本申请的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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。

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)、互联网及区块链网络。

计算机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("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本发公开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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。