文本行业分类方法、装置、计算机可读存储介质及电子设备

摘要

本公开提供的一种文本行业分类方法、装置、计算机可读存储介质及电子设备，可以获得目标文本；基于预设层次注意力机制对目标文本进行特征提取，获得与目标文本对应的文本向量表示；利用文本向量表示，确定与目标文本对应的行业分类。本公开通过利用层次注意力机制对文本进行特征提取，获得文本具有关键行业信息的文本向量表示，利用该文本向量表示确定出文本对应的行业类型，从而对文本实现有效的行业分类。

说明书

技术领域

本公开涉及计算机技术领域，尤其涉及一种文本行业分类方法、装置、计算机可读存储介质及电子设备。

背景技术

互联网技术的迅速发展和普及，为人们工作生活带来了极大的便利。为了向用户提供有效的投资决策，需要收集各行业的资料进行分析处理。因为一个行业的文本资料能够分析出该行业的现状以及发展，所以对文本资料的行业分类就变得尤为重要。

因此，如何对文本进行有效的行业分类，成为本领域技术人员急需解决的技术问题。

发明内容

鉴于上述问题，本公开提供一种克服上述问题或者至少部分地解决上述问题的一种文本行业分类方法、装置、计算机可读存储介质及电子设备，技术方案如下：

一种文本行业分类方法，包括：

获得目标文本；

基于预设层次注意力机制对所述目标文本进行特征提取，获得与所述目标文本对应的文本向量表示；

利用所述文本向量表示，确定与所述目标文本对应的行业分类。

可选的，所述基于层次注意力机制对所述目标文本进行特征提取，获得与所述目标文本对应的文本向量表示，包括：

分别对所述目标文本中的各词语生成对应的词向量；

利用各所述词向量，依次基于预设层次注意力机制中不同层次的注意力机制对所述目标文本进行特征提取，获得与所述目标文本对应的文本向量表示。

可选的，所述预设层次注意力机制包括词语级注意力机制以及句子级注意力机制，所述利用各所述词向量，基于不同层次的注意力机制对所述目标文本依次进行特征提取，获得与所述目标文本对应的文本向量表示，包括：

基于所述词语级注意力机制，分别根据所述目标文本中各句子包含的词语对应的各所述词向量，获得所述目标文本中各句子对应的句子向量；

基于所述句子级注意力机制，根据所述目标文本中各句子对应的所述句子向量，获得与所述目标文本对应的文本向量表示。

可选的，所述基于所述词语级注意力机制，分别根据所述目标文本中各句子包含的词语对应的各所述词向量，获得与所述目标文本中各句子对应的句子向量，包括：

对所述目标文本中任一句子包含的词语对应的各所述词向量：利用第一多头注意力机制进行编码，分别获得与各所述词向量对应的词语级表示向量；

利用所述词语级注意力机制将各所述词向量对应的所述词语级表示向量进行融合，获得与所述目标文本中各句子对应的句子向量。

可选的，所述利用所述词语级注意力机制将各所述词向量对应的所述词语级表示向量进行融合，获得与所述目标文本中各句子对应的句子向量，包括：

将各所述词向量对应的所述词语级表示向量与预设词语级注意力向量进行内积计算，获得第一内积向量；

将所述第一内积向量输入至第一预设Softmax函数中，获得各所述词语级表示向量对应的第一注意力权重；

根据各所述词语级表示向量对应的所述第一注意力权重，对各所述词语级表示向量进行加权求和，获得该句子对应的句子向量。

可选的，所述基于所述句子级注意力机制，根据所述目标文本中各句子对应的所述句子向量，获得与所述目标文本对应的文本向量表示，包括：

利用第二多头注意力机制对所述目标文本中各句子对应的所述句子向量进行编码，分别获得与各所述句子向量对应的句子级表示向量；

利用所述句子级注意力机制分别将各所述句子向量对应的所述句子级表示向量进行融合，获得与所述目标文本对应的文本向量表示。

可选的，所述利用所述句子级注意力机制分别将各所述句子向量对应的所述句子级表示向量进行融合，获得与所述目标文本对应的文本向量表示，包括：

将各所述句子向量对应的所述句子级表示向量与预设句子级注意力向量进行内积计算，获得第二内积向量；

将所述第二内积向量输入至第二预设Softmax函数中，获得各所述句子级表示向量对应的第二注意力权重；

根据各所述句子级表示向量对应的所述第二注意力权重，对各所述句子级向量进行加权求和，获得与所述目标文本对应的文本向量表示。

一种文本行业分类装置，包括：目标文本获得单元、文本向量标识获得单元以及行业分类确定单元，

所述目标文本获得单元，用于获得目标文本；

所述文本向量标识获得单元，用于基于预设层次注意力机制对所述目标文本进行特征提取，获得与所述目标文本对应的文本向量表示；

所述行业分类确定单元，用于利用所述文本向量表示，确定与所述目标文本对应的行业分类。

一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现如上述任一项所述的文本行业分类方法。

一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述任一项所述的文本行业分类方法。

借由上述技术方案，本公开提供的一种文本行业分类方法、装置、计算机可读存储介质及电子设备，可以获得目标文本；基于预设层次注意力机制对目标文本进行特征提取，获得与目标文本对应的文本向量表示；利用文本向量表示，确定与目标文本对应的行业分类。本公开通过利用层次注意力机制对文本进行特征提取，获得文本具有关键行业信息的文本向量表示，利用该文本向量表示确定出文本对应的行业类型，从而对文本实现有效的行业分类。

上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本公开的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本公开实施例提供的文本行业分类方法的一种实施方式的流程示意图；

图2示出了本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图；

图3示出了本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图；

图4示出了本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图；

图5示出了本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图；

图6示出了本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图；

图7示出了本公开实施例提供的文本行业分类装置的结构示意图；

图8示出了本公开实施例提供的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1所示，本公开实施例提供的文本行业分类方法的一种实施方式的流程示意图，该文本行业分类方法可以包括：

S100、获得目标文本。

其中，目标文本可以是任一行业的文本资料。

可选的，基于图1所示方法，如图2所示，本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图，步骤S100可以包括：

S110、获得原始文本。

S120、对原始文本进行预设标准化处理，获得目标文本。

具体的，本公开实施例可以通过预设标准化处理对原始文本中的目标字符进行替换，获得目标文本。例如：预设标准化处理可以包括对原始文本中的数字替换为“#NUM”和对原始文本中的URL链接替换为“#URL”。本公开实施例通过对原始文本进行预设标准化处理得到目标文本，可以提高对目标文本的行业分类的准确率和效率。

S200、基于预设层次注意力机制对目标文本进行特征提取，获得与目标文本对应的文本向量表示。

其中，预设层次注意力机制可以包括多层注意力机制，通过堆叠多个注意力模型，形成多层次注意力。预设层次注意力机制可以根据实际需求进行设置。本公开实施例通过将目标文本经多个注意力模型进行特征提取，可以获得目标文本中具有关键行业信息的文本向量表示。

可选的，基于图1所示的方法，如图3所示，本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图，步骤S200可以包括：

S210、分别对目标文本中的各词语生成对应的词向量。

可选的，本公开实施例可以利用预先训练好的Word2vec工具，对目标文本中的各词语生成对应的词向量。本公开实施例通过预先训练好的Word2vec工具，可以生成计算机可识别、可计算的词向量。

S220、利用各词向量，依次基于预设层次注意力机制中不同层次的注意力机制对目标文本进行特征提取，获得与目标文本对应的文本向量表示。

可选的，预设层次注意力机制可以包括词语级注意力机制以及句子级注意力机制。

可选的，基于图3所示的方法，如图4所示，本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图，步骤S220可以包括：

S221、基于词语级注意力机制，分别根据目标文本中各句子包含的词语对应的各词向量，获得目标文本中各句子对应的句子向量。

其中，词语级注意力机制为词语级别的注意力机制。本公开实施例通过词语级注意力机制可关注到重要的词语级的行业特征信息，从而提高对目标文本的行业分类的准确率和效率。

S222、基于句子级注意力机制，根据目标文本中各句子对应的句子向量，获得与目标文本对应的文本向量表示。

其中，句子级注意力机制为句子级别的注意力机制。本公开实施例通过句子级注意力机制可关注到重要的句子级的行业特征信息，从而提高对目标文本的行业分类的准确率和效率。

S300、利用文本向量表示，确定与目标文本对应的行业分类。

可选的，本公开实施例可以将文本向量表示与预设输出权重矩阵相乘，计算获得行业类别向量，将行业类别向量与预设偏置向量相加，计算获得目标向量，根据该目标向量确定与目标文本对应的行业分类。

可选的，本公开实施例可以确定目标向量中的最大值对应的目标索引。根据目标索引，查找确定出目标文本对应的行业类别，输出与目标文本对应的行业分类结果。

具体的，本公开实施例可以根据目标索引，在行业类别词典中查找到该目标索引指向的行业类别，从而确定目标文本对应的行业类别。

本公开实施例使用词语级和句子级的注意力机制抽取目标文本中关键的行业特征信息，可以提高对目标文本的行业分类的准确率和效率。

在实际应用过程中，本公开实施例可以基于预设层次注意力机制构建层次注意力机制行业分类模型，将目标文本输入至该层次注意力机制行业分类模型中，获得该层次注意力机制行业分类模型输出的与目标文本对应的行业分类结果。

本公开实施例可以预先对层次注意力机制行业分类模型进行训练。具体的，本公开实施例可以使用爬虫技术采集互联网上多个行业的文本资料，根据行业常用词构建行业类别词典，使用行业类别词典对该多个行业的文本资料进行行业类别标记。将携带有行业类别标记的该多个行业的文本资料进行数据集构建，得到训练集、验证集以及测试集。本公开实施例基于交叉熵损失函数，使用训练集对层次注意力机制行业分类模型进行训练，使用验证集对层次注意力机制行业分类模型进行参数调整，获得调整后的层次注意力机制行业分类模型，最后使用测试集验证调整后的层次注意力机制行业分类模型的性能。

可选的，预设层次注意力机制分类模型可以包括：词向量层、词语级注意力机制处理层、句子级注意力机制处理层以及行业分类输出层。

词向量层，用于分别对目标文本中的各词语生成对应的词向量。

其中，词向量层的输入为文本，输出为文本中各词语对应的词向量。

本公开实施例可以在对层次注意力机制行业分类模型进行训练时，使用一个随机初始化的矩阵作为Word2vec工具中的词向量权重矩阵，在层次注意力机制行业分类模型的训练过程中，对该词向量权重矩阵进行自动调优，从而获得预先训练好的Word2vec工具。可以理解的是，词向量权重矩阵与词向量字典表和词向量维度有关。本公开实施例可以根据实际情况确定词向量维度。

词语级注意力机制处理层，用于基于词语级注意力机制，分别根据目标文本中各句子包含的词语对应的各词向量，获得目标文本中各句子对应的句子向量。

其中，词语级注意力机制处理层的输入为词向量，输出为句子向量。

可选的，基于图4所示的方法，如图5所示，本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图，步骤S221可以包括：

S221a、对目标文本中任一句子包含的词语对应的各词向量：利用第一多头注意力机制进行编码，分别获得与各词向量对应的词语级表示向量。

其中，多头注意力机制(Muti-head Attention Mechanism)是利用多个查询，来平行地计算从输入信息中选取多个信息。每个注意力关注输入信息的不同部分。

S221b、利用词语级注意力机制将各词向量对应的词语级表示向量进行融合，获得与目标文本中各句子对应的句子向量。

本公开实施例通过词语级别的注意力机制对词语级表示进行建模，可关注到重要的词语级的行业特征信息，从而提高对目标文本的行业分类的准确率和效率。

具体的，本公开实施例利用词语级注意力机制对词语级表示向量进行融合的过程可以包括：将各词向量对应的词语级表示向量与预设词语级注意力向量进行内积计算，获得第一内积向量。将第一内积向量输入至第一预设Softmax函数中，获得各词语级表示向量对应的第一注意力权重。根据各词语级表示向量对应的第一注意力权重，对各词语级表示向量进行加权求和，获得该句子对应的句子向量。

本公开实施例可以在对层次注意力机制行业分类模型进行训练时，使用一个随机初始化的向量作为初始词语级注意力向量。在层次注意力机制行业分类模型的训练过程中，对该初始词语级注意力向量进行自动调优，从而获得该预设词语级注意力向量。其中，预设词语级注意力向量的维度与词语级表示向量的维度相同。

本公开实施例在采用第一多头注意力机制对词向量进行编码得到词语级表示向量之后，将词语级表示向量与该预设词语级注意力向量进行内积计算，得到第一内积向量。

句子级注意力机制处理层，用于基于所述句子级注意力机制，根据目标文本中各句子对应的句子向量，获得与目标文本对应的文本向量表示。

其中，句子级注意力机制处理层的输入为句子向量，输出为与文本对应的文本向量表示。

可选的，基于图4所示的方法，如图6所示，本公开实施例提供的文本行业分类方法的另一种实施方式的流程示意图，步骤S222可以包括：

S222a、利用第二多头注意力机制对目标文本中各句子对应的句子向量进行编码，分别获得与各句子向量对应的句子级表示向量。

S222b、利用句子级注意力机制分别将各句子向量对应的句子级表示向量进行融合，获得与目标文本对应的文本向量表示。

本公开实施例通过句子级别的注意力机制对句子级表示进行建模，可关注到重要的句子级的行业特征信息，从而提高对目标文本的行业分类的准确率和效率。

具体的，本公开实施例利用句子级注意力机制对句子级表示向量进行融合的过程可以包括：将各句子向量对应的句子级表示向量与预设句子级注意力向量进行内积计算，获得第二内积向量。将第二内积向量输入至第二预设Softmax函数中，获得各句子级表示向量对应的第二注意力权重。根据各句子级表示向量对应的第二注意力权重，对各句子级向量进行加权求和，获得与目标文本对应的文本向量表示。

本公开实施例可以在对层次注意力机制行业分类模型进行训练时，使用一个随机初始化的向量作为初始句子级注意力向量。在层次注意力机制行业分类模型的训练过程中，对该初始句子级注意力向量进行自动调优，从而获得该预设句子级注意力向量。其中，预设句子级注意力向量的维度与句子级表示向量的维度相同。

本公开实施例在采用第二多头注意力机制对句子向量进行编码得到句子级表示向量之后，将句子级表示向量与该预设句子级注意力向量进行内积计算，获得第二内积向量。

行业分类输出层，用于利用文本向量表示，确定与目标文本对应的行业分类。

其中，行业分类输出层为线性变换层，该行业分类输出层输入为文本向量表示，输出为文本对应的行业分类结果。行业分类输出层包括预设输出权重矩阵和预设偏置向量。其中，预设输出权重矩阵与行业类别的维度有关。预设输出权重矩阵与预设偏置向量的维度相同。

本公开实施例可以在对层次注意力机制行业分类模型进行训练时，使用一个随机初始化的矩阵作为初始输出权重矩阵以及使用一个随机初始化的向量作为初始偏置向量。在层次注意力机制行业分类模型的训练过程中，对初始输出权重矩阵和初始偏置向量进行自动调优，从而获得该预设输出权重矩阵和该预设偏置向量。

本公开提供的一种文本行业分类方法，可以获得目标文本；基于预设层次注意力机制对目标文本进行特征提取，获得与目标文本对应的文本向量表示；利用文本向量表示，确定与目标文本对应的行业分类。本公开通过利用层次注意力机制对文本进行特征提取，获得文本具有关键行业信息的文本向量表示，利用该文本向量表示确定出文本对应的行业类型，从而对文本实现有效的行业分类。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

与上述方法实施例相对应，本公开实施例还提供了一种文本行业分类装置，其结构如图7所示，可以包括：目标文本获得单元100、文本向量标识获得单元200以及行业分类确定单元300。

目标文本获得单元100，用于获得目标文本。

文本向量标识获得单元200，用于基于预设层次注意力机制对目标文本进行特征提取，获得与目标文本对应的文本向量表示。

行业分类确定单元300，用于利用文本向量表示，确定与目标文本对应的行业分类。

可选的，文本向量标识获得单元200可以包括：词向量生成子单元和文本向量表示获得子单元。

词向量生成子单元，用于分别对目标文本中的各词语生成对应的词向量。

文本向量表示获得子单元，用于利用各词向量，依次基于预设层次注意力机制中不同层次的注意力机制对目标文本进行特征提取，获得与目标文本对应的文本向量表示。

可选的，预设层次注意力机制包括词语级注意力机制以及句子级注意力机制。

可选的，文本向量表示获得子单元可以包括：词语级注意力机制子单元和句子级注意力机制子单元。

词语级注意力机制子单元，用于基于词语级注意力机制，分别根据目标文本中各句子包含的词语对应的各词向量，获得目标文本中各句子对应的句子向量。

句子级注意力机制子单元，用于基于句子级注意力机制，根据目标文本中各句子对应的句子向量，获得与目标文本对应的文本向量表示。

可选的，词语级注意力机制子单元，具体用于对目标文本中任一句子包含的词语对应的各词向量：利用第一多头注意力机制进行编码，分别获得与各词向量对应的词语级表示向量；利用词语级注意力机制将各词向量对应的词语级表示向量进行融合，获得与目标文本中各句子对应的句子向量。

可选的，本公开实施例可以将各词向量对应的词语级表示向量与预设词语级注意力向量进行内积计算，获得第一内积向量；将第一内积向量输入至第一预设Softmax函数中，获得各词语级表示向量对应的第一注意力权重；根据各词语级表示向量对应的第一注意力权重，对各词语级表示向量进行加权求和，获得该句子对应的句子向量。

可选的，句子级注意力机制子单元，具体用于利用第二多头注意力机制对目标文本中各句子对应的句子向量进行编码，分别获得与各句子向量对应的句子级表示向量；利用句子级注意力机制分别将各句子向量对应的句子级表示向量进行融合，获得与目标文本对应的文本向量表示。

可选的，本公开实施例可以将各句子向量对应的句子级表示向量与预设句子级注意力向量进行内积计算，获得第二内积向量；将第二内积向量输入至第二预设Softmax函数中，获得各句子级表示向量对应的第二注意力权重；根据各句子级表示向量对应的第二注意力权重，对各句子级向量进行加权求和，获得与目标文本对应的文本向量表示。

本公开提供的一种文本行业分类装置，可以获得目标文本；基于预设层次注意力机制对目标文本进行特征提取，获得与目标文本对应的文本向量表示；利用文本向量表示，确定与目标文本对应的行业分类。本公开通过利用层次注意力机制对文本进行特征提取，获得文本具有关键行业信息的文本向量表示，利用该文本向量表示确定出文本对应的行业类型，从而对文本实现有效的行业分类。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

所述文本行业分类装置包括处理器和存储器，上述目标文本获得单元100、文本向量标识获得单元200以及行业分类确定单元300等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来通过利用层次注意力机制对文本进行特征提取，获得文本具有关键行业信息的文本向量表示，利用该文本向量表示确定出文本对应的行业类型，从而对文本实现有效的行业分类。

本公开实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述文本行业分类方法。

本公开实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述文本行业分类方法。

如图8所示，本公开实施例提供了一种电子设备1000，电子设备1000包括至少一个处理器1001、以及与处理器1001连接的至少一个存储器1002、总线1003；其中，处理器1001、存储器1002通过总线1003完成相互间的通信；处理器1001用于调用存储器1002中的程序指令，以执行上述的文本行业分类方法。本文中的电子设备可以是服务器、PC、PAD、手机等。

本公开还提供了一种计算机程序产品，当在电子设备上执行时，适于执行初始化有文本行业分类方法步骤的程序。

本公开是参照根据本公开实施例的方法、装置、电子设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，电子设备包括一个或多个处理器(CPU)、存储器和总线。电子设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

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。

在本公开的描述中，需要理解的是，如若涉及术语“上”、“下”、“前”、“后”、“左”和“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的位置或元件必须具有特定方位、以特定的方位构成和操作，因此不能理解为本公开的限制。

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。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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本公开的实施例而已，并不用于限制本公开。对于本领域技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的权利要求范围之内。