基于弱监督学习的电力行业专有词挖掘方法、装置及介质

摘要

本发明公开了一种基于弱监督学习的电力行业专有词挖掘方法、装置及介质，所述方法包括：获取电力文本语料并进行分词，得到若干字符串片段；根据预设的停用词表对若干字符串片段进行切分，得到候选词汇的正样本集合，并去除停用词；对去除停用词的若干字符串片段构建N‑gram词组，得到候选词汇的正、负样本集合；引入外部知识对正、负样本集合进行调整；根据正、负样本集合和特征信息对分类器进行自监督的学习训练，得到目标词汇及所述目标词汇的概率；根据统计数据规则过滤掉所述目标词汇中的不可信词汇，得到最终的电力行业专有词汇。本发明采用弱监督学习方法能够实现对电力行业专有词汇进行高效、精准地挖掘，且不需要人工干预，提高了自动化程度。

说明书

技术领域

本发明涉及自然语言处理技术领域，尤其涉及一种基于弱监督学习的电力行业专有词挖掘方法、装置及介质。

背景技术

随着我国人工智能产业的发展，人工智能技术作为新的动力不断赋能各个行业。能源和电力行业的不断发展，同时也给该技术的应用带来新的契机和场景。伴随着电力行业客户的不断增多和渴望得到多元化的服务体验，对客服的要求越来越高，然而现有的智能客服仍然不能满足广大客户的需求，还是需要大量人工客服来进行服务。

键盘输入法作为人机交互的重要手段之一，有着不可替代的作用。但是针对电力应用特殊场景，通用的键盘输入法存在识别准确率低的问题，导致客服人员的输入效率偏低，因此，非常有必要提高客服人员的输入效率，减少客户等待时间，提升服务效率。词库作为提升输入法体验的最重要的来源，同时，也是提升电力文本语义理解的基础，对电力行业知识图谱、智能客服都有着不可替代的促进作用，因此，构建电力行业的专有词汇变得十分重要。

现有的电力科技论文、项目报告、电力规程、操作手册等，为提取构建电力行业的专有词典奠定了基础。然而，现有的新词发现算法需要人工参与的程度较大，主要有基于分词的算法和基于信息熵的方法，前者主要依赖分词算法且分词粒度对结果的影响很大，存在识别精度不高的问题；后者存在资源占用率高、速度慢等问题。并且这两种方法都存在大量参数需要人工给定，参数的选取不同造成语料的值变化较大，存在普适性不强的缺点。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于弱监督学习的电力行业专有词挖掘方法、装置及介质，通过弱监督学习方法能够实现对电力行业专有词汇进行高效、精准地挖掘，且不需要人工干预，提高了自动化程度。

为了实现上述目的，本发明实施例提供了一种基于弱监督学习的电力行业专有词挖掘方法，包括：

获取电力文本语料，并对所述电力文本语料进行预处理；

采用分词器对预处理后的电力文本语料进行分词，将预处理后的电力文本语料转化为若干字符串片段；

根据预设的停用词表对所述若干字符串片段进行切分，得到若干候选词汇，将所述若干候选词汇放入正样本集合，并去除所述若干字符串片段中的停用词；

对去除停用词的若干字符串片段进行N-gram滑窗处理构建N-gram词组，将出现频次高于第一阈值的N-gram词组标记为候选词汇，并将该候选词汇放入正样本集合，将出现频次低于第一阈值的N-gram词组放入负样本集合；

分别计算正样本集合中每个候选词汇的特征，得到每个候选词汇的特征信息；

引入外部知识对正样本集合进行更新扩展，并对负样本集合进行调整；

根据正样本集合、负样本集合和所述特征信息对分类器进行自监督的学习训练，得到目标词汇及所述目标词汇的概率；

根据统计数据规则过滤掉所述目标词汇中的不可信词汇，得到最终的电力行业专有词汇。

作为上述方案的改进，所述获取电力文本语料，并对所述电力文本语料进行预处理，具体包括：

获取电力文本语料；

对所述电力文本语料进行数据清洗，去除所述电力文本语料中的个人信息、敏感信息以及机密信息；

对所述电力文本语料进行归一化处理，将所述电力文本语料中的数字作统一标识。

作为上述方案的改进，，所述根据预设的停用词表对所述若干字符串片段进行切分，得到若干候选词汇，将所述若干候选词汇放入正样本集合，并去除所述若干字符串片段中的停用词，具体包括：

根据预设的停用词表构建停用词附近的N-gram词组；

将出现频次高于第二阈值的N-gram词组标记为候选词汇，得到若干候选词汇，并将所述若干候选词汇放入正样本集合；

将出现频次低于第二阈值的N-gram词组标记为停用词并进行去除。

作为上述方案的改进，所述引入外部知识对正样本集合进行更新扩展，并对负样本集合进行调整，具体包括：

引入外部知识构建高质量的参考词汇库；

遍历负样本集合中的N-gram词组，将出现在所述参考词汇库中的负样本从负样本集合转移到正样本集合，以对正样本集合进行更新扩展，对负样本集合进行调整。

作为上述方案的改进，所述根据正样本集合、负样本集合和所述特征信息对分类器进行自监督的学习训练，得到目标词汇及所述目标词汇的概率，具体包括：

根据正样本集合、负样本集合和所述特征信息对分类器进行自监督学习迭代训练，得到训练好的分类器；

利用训练好的分类器对所述正样本集合进行候选词汇的预测，得到候选词汇及所述候选词汇属于目标词汇的概率；

通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值，重新调整正样本集合和负样本集合；

根据预设的迭代次数判断迭代是否结束；

若是，则得到目标词汇及所述目标词汇的概率；

若否，则更新重置正样本和负样本，返回步骤根据正样本集合、负样本集合和所述特征信息对分类器进行自监督学习迭代训练，得到训练好的分类器。

作为上述方案的改进，所述通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值，重新调整正样本集合和负样本集合，具体包括：

通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值；

若是，则将该候选词汇放入正样本集合，以对正样本集合进行更新；

若否，则将该候选词汇放入负样本集合，以对负样本集合进行更新。

作为上述方案的改进，所述特征信息包括N-gram词组的出现频次、N-gram词组的点互信息、文档出现频次tf特征、逆文档频次idf特征、tf-idf、左信息熵、右信息熵、首次出现在文档中的位置信息。

本发明实施例还提供了一种基于弱监督学习的电力行业专有词挖掘装置，包括：

获取模块，用于获取电力文本语料，并对所述电力文本语料进行预处理；

分词模块，用于采用分词器对预处理后的电力文本语料进行分词，将预处理后的电力文本语料转化为若干字符串片段；

切分模块，用于根据预设的停用词表对所述若干字符串片段进行切分，得到若干候选词汇，将所述若干候选词汇放入正样本集合，并去除所述若干字符串片段中的停用词；

处理模块，用于对去除停用词的若干字符串片段进行N-gram滑窗处理构建N-gram词组，将出现频次高于第一阈值的N-gram词组标记为候选词汇，并将该候选词汇放入正样本集合，将出现频次低于第一阈值的N-gram词组放入负样本集合；

计算模块，用于分别计算正样本集合中每个候选词汇的特征，得到每个候选词汇的特征信息；

更新模块，用于引入外部知识对正样本集合进行更新扩展，并对负样本集合进行调整；

训练模块，用于根据正样本集合、负样本集合和所述特征信息对分类器进行自监督的学习训练，得到目标词汇及所述目标词汇的概率；

挖掘模块，用于根据统计数据规则过滤掉所述目标词汇中的不可信词汇，得到最终的电力行业专有词汇。

本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的基于弱监督学习的电力行业专有词挖掘方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的基于弱监督学习的电力行业专有词挖掘方法。

相对于现有技术，本发明实施例提供的一种基于弱监督学习的电力行业专有词挖掘方法、装置及介质的有益效果在于：采用弱监督学习的方法，与现有主流技术相比，可以高效、精准地获取当前电力行业高质量的新词，具有实现简单、内存开销少等特点。对获取的语料数据进行分析和挖掘，并结合外部知识引入正负样本集，自动构造正负样本集并利用分类器进行训练，自监督地迭代更新调整正负样本集，进而实现对电力行业专有词汇的挖掘，不需要人工干预，提高了自动化程度。将挖掘到的最新的电力行业专有词汇，集成到输入法中可提高输入准确率，进而提高客服人员等的工作效率，并且挖掘出的专有词汇可对后续的电力行业的语义理解等任务起到铺垫作用。

附图说明

图1是本发明提供的一种基于弱监督学习的电力行业专有词挖掘方法的一个优选实施例的流程示意图；

图2是本发明提供的一种基于弱监督学习的电力行业专有词挖掘方法的一个优选实施例中分类器迭代训练的流程示意图；

图3是本发明提供的一种基于弱监督学习的电力行业专有词挖掘装置的一个优选实施例的结构示意图；

图4是本发明提供的一种终端设备的一个优选实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1是本发明提供的一种基于弱监督学习的电力行业专有词挖掘方法的一个优选实施例的流程示意图。所述基于弱监督学习的电力行业专有词挖掘方法，包括：

S1，获取电力文本语料，并对所述电力文本语料进行预处理；

S2，采用分词器对预处理后的电力文本语料进行分词，将预处理后的电力文本语料转化为若干字符串片段；

S3，根据预设的停用词表对所述若干字符串片段进行切分，得到若干候选词汇，将所述若干候选词汇放入正样本集合，并去除所述若干字符串片段中的停用词；

S4，对去除停用词的若干字符串片段进行N-gram滑窗处理构建N-gram词组，将出现频次高于第一阈值的N-gram词组标记为候选词汇，并将该候选词汇放入正样本集合，将出现频次低于第一阈值的N-gram词组放入负样本集合；

S5，分别计算正样本集合中每个候选词汇的特征，得到每个候选词汇的特征信息；

S6，引入外部知识对正样本集合进行更新扩展，并对负样本集合进行调整；

S7，根据正样本集合、负样本集合和所述特征信息对分类器进行自监督的学习训练，得到目标词汇及所述目标词汇的概率；

S8，根据统计数据规则过滤掉所述目标词汇中的不可信词汇，得到最终的电力行业专有词汇。

具体的，获取电力文本语料，并对所述电力文本语料进行预处理。采用分词器对预处理后的电力文本语料进行分词，将预处理后的电力文本语料转化为若干字符串片段。根据预设的停用词表对所述若干字符串片段进行切分，得到若干候选词汇，将所述若干候选词汇放入正样本集合，并去除所述若干字符串片段中的停用词。对去除停用词的若干字符串片段进行N-gram滑窗处理构建N-gram词组，将出现频次高于第一阈值的N-gram词组标记为候选词汇，并将该候选词汇放入正样本集合，将出现频次低于第一阈值的N-gram词组放入负样本集合。分别计算正样本集合中每个候选词汇的特征，得到每个候选词汇的特征信息。引入外部知识对正样本集合进行更新扩展，并对负样本集合进行调整。根据正样本集合、负样本集合和所述特征信息对分类器进行自监督的学习训练，得到目标词汇及所述目标词汇的概率。根据统计数据规则过滤掉所述目标词汇中的不可信词汇，得到最终的电力行业专有词汇。

需要说明的是，本实施例中采用的分词器可选用开源的分词工具诸如jieba、LTP、小米MiNLP、百度LAC等，也可选用自己训练的电力行业专用分词器，能够达到更好的分词效果。

本实施例采用弱监督学习的方法，与现有主流技术相比，可以高效、精准地获取当前电力行业高质量的新词，具有实现简单、内存开销少等特点。对获取的语料数据进行分析和挖掘，并结合外部知识引入正负样本集，自动构造正负样本集并利用分类器进行训练，自监督地迭代更新调整正负样本集，进而实现对电力行业专有词汇的挖掘，不需要人工干预，提高了自动化程度。将挖掘到的最新的电力行业专有词汇，集成到输入法中可提高输入准确率，进而提高客服人员等的工作效率，并且挖掘出的专有词汇可对后续的电力行业的语义理解等任务起到铺垫作用。

在另一个优选实施例中，所述S1，获取电力文本语料，并对所述电力文本语料进行预处理，具体包括：

S101，获取电力文本语料；

S102，对所述电力文本语料进行数据清洗，去除所述电力文本语料中的个人信息、敏感信息以及机密信息；

S103，对所述电力文本语料进行归一化处理，将所述电力文本语料中的数字作统一标识。

具体的，通过搜集电力科技论文、项目报告、电力规程、操作手册等，或者在“中国电力设备网”等网站上爬取电力行业相关语料，获取电力文本语料。对所述电力文本语料进行数据清洗，去除所述电力文本语料中的个人信息、敏感信息以及机密信息；对所述电力文本语料进行归一化处理，将所述电力文本语料中的例如年份、金额等数字作统一标识。

在又一个优选实施例中，所述S3，根据预设的停用词表对所述若干字符串片段进行切分，得到若干候选词汇，将所述若干候选词汇放入正样本集合，并去除所述若干字符串片段中的停用词，具体包括：

S301，根据预设的停用词表构建停用词附近的N-gram词组；

S302，将出现频次高于第二阈值的N-gram词组标记为候选词汇，得到若干候选词汇，并将所述若干候选词汇放入正样本集合；

S303，将出现频次低于第二阈值的N-gram词组标记为停用词并进行去除。

具体的，根据预设的停用词表对所述若干字符串片段进行处理，进而获取部分候选词汇并去除停用词。为避免其他算法存在对于包含停用词的新词不能发现的问题，本发明实施例通过构建停用词附近的N-gram(其中N可以取1、2、3…等自然数，根据分词器和目标词汇的最大长度选定)词组，并统计其出现的频次，将出现频次高于第二阈值的N-gram词组标记为候选词汇，得到若干候选词汇，并将所述若干候选词汇放入正样本集合；将出现频次低于第二阈值的N-gram词组则直接当作停用词过滤掉。

在又一个优选实施例中，所述S6，引入外部知识对正样本集合进行更新扩展，并对负样本集合进行调整，具体包括：

S601，引入外部知识构建高质量的参考词汇库；

S602，遍历负样本集合中的N-gram词组，将出现在所述参考词汇库中的负样本从负样本集合转移到正样本集合，以对正样本集合进行更新扩展，对负样本集合进行调整。

具体的，利用远程监督方法、电力行业知识图谱、现有的电力专用词汇词库及搜狗公开的电力词汇库构建高质量的参考词汇库。然后，遍历候选词汇中的负样本集合，将出现在参考词汇库中的负样本移除并加入到候选集合中的正样本集合，以对正样本集合进行更新扩展，对负样本集合进行调整。

在又一个优选实施例中，所述S7，根据正样本集合、负样本集合和所述特征信息对分类器进行自监督的学习训练，得到目标词汇及所述目标词汇的概率，具体包括：

S701，根据正样本集合、负样本集合和所述特征信息对分类器进行自监督学习迭代训练，得到训练好的分类器；

S702，利用训练好的分类器对所述正样本集合进行候选词汇的预测，得到候选词汇及所述候选词汇属于目标词汇的概率；

S703，通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值，重新调整正样本集合和负样本集合；

S704，根据预设的迭代次数判断迭代是否结束；

S705，若是，则得到目标词汇及所述目标词汇的概率；

S706，若否，则更新重置正样本和负样本，返回步骤根据正样本集合、负样本集合和所述特征信息对分类器进行自监督学习迭代训练，得到训练好的分类器。

具体的，请参阅图2，图2是本发明提供的一种基于弱监督学习的电力行业专有词挖掘方法的一个优选实施例中分类器迭代训练的流程示意图。根据正样本集合、负样本集合和所述特征信息对分类器进行自监督学习迭代训练，得到训练好的分类器；利用训练好的分类器对所述正样本集合进行候选词汇的预测，得到候选词汇及所述候选词汇属于目标词汇的概率；通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值(第三阈值可取0.4)，重新调整正样本集合和负样本集合；根据预设的迭代次数判断迭代是否结束；若是，则得到目标词汇及所述目标词汇的概率；若否，则更新重置正样本和负样本，返回步骤S701，重复步骤S701至S706，直至迭代结束。

在又一个优选实施例中，S703，所述通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值，重新调整正样本集合和负样本集合，具体包括：

通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值；

若是，则将该候选词汇放入正样本集合，以对正样本集合进行更新；

若否，则将该候选词汇放入负样本集合，以对负样本集合进行更新。

作为优选方案，所述特征信息包括N-gram词组的出现频次、N-gram词组的点互信息、文档出现频次tf特征、逆文档频次idf特征、tf-idf、左信息熵、右信息熵、首次出现在文档中的位置信息。

相应地，本发明还提供一种基于弱监督学习的电力行业专有词挖掘装置，能够实现上述实施例中的基于弱监督学习的电力行业专有词挖掘方法的所有流程。

请参阅图3，图3是本发明提供的一种基于弱监督学习的电力行业专有词挖掘装置的一个优选实施例的结构示意图。所述基于弱监督学习的电力行业专有词挖掘装置，包括：

获取模块301，用于获取电力文本语料，并对所述电力文本语料进行预处理；

分词模块302，用于采用分词器对预处理后的电力文本语料进行分词，将预处理后的电力文本语料转化为若干字符串片段；

切分模块303，用于根据预设的停用词表对所述若干字符串片段进行切分，得到若干候选词汇，将所述若干候选词汇放入正样本集合，并去除所述若干字符串片段中的停用词；

处理模块304，用于对去除停用词的若干字符串片段进行N-gram滑窗处理构建N-gram词组，将出现频次高于第一阈值的N-gram词组标记为候选词汇，并将该候选词汇放入正样本集合，将出现频次低于第一阈值的N-gram词组放入负样本集合；

计算模块305，用于分别计算正样本集合中每个候选词汇的特征，得到每个候选词汇的特征信息；

更新模块306，用于引入外部知识对正样本集合进行更新扩展，并对负样本集合进行调整；

训练模块307，用于根据正样本集合、负样本集合和所述特征信息对分类器进行自监督的学习训练，得到目标词汇及所述目标词汇的概率；

挖掘模块308，用于根据统计数据规则过滤掉所述目标词汇中的不可信词汇，得到最终的电力行业专有词汇。

优选地，所述获取模块301，具体用于：

获取电力文本语料；

对所述电力文本语料进行数据清洗，去除所述电力文本语料中的个人信息、敏感信息以及机密信息；

对所述电力文本语料进行归一化处理，将所述电力文本语料中的数字作统一标识。

优选地，所述切分模块303，具体用于：

根据预设的停用词表构建停用词附近的N-gram词组；

将出现频次高于第二阈值的N-gram词组标记为候选词汇，得到若干候选词汇，并将所述若干候选词汇放入正样本集合；

将出现频次低于第二阈值的N-gram词组标记为停用词并进行去除。

优选地，所述更新模块306，具体用于：

引入外部知识构建高质量的参考词汇库；

遍历负样本集合中的N-gram词组，将出现在所述参考词汇库中的负样本从负样本集合转移到正样本集合，以对正样本集合进行更新扩展，对负样本集合进行调整。

优选地，所述训练模块307，具体用于：

根据正样本集合、负样本集合和所述特征信息对分类器进行自监督学习迭代训练，得到训练好的分类器；

利用训练好的分类器对所述正样本集合进行候选词汇的预测，得到候选词汇及所述候选词汇属于目标词汇的概率；

通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值，重新调整正样本集合和负样本集合；

根据预设的迭代次数判断迭代是否结束；

若是，则得到目标词汇及所述目标词汇的概率；

若否，则更新重置正样本和负样本，返回步骤根据正样本集合、负样本集合和所述特征信息对分类器进行自监督学习迭代训练，得到训练好的分类器。

优选地，所述通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值，重新调整正样本集合和负样本集合，具体包括：

通过分类器判断所述候选词汇属于目标词汇的概率是否大于第三阈值；

若是，则将该候选词汇放入正样本集合，以对正样本集合进行更新；

若否，则将该候选词汇放入负样本集合，以对负样本集合进行更新。

优选地，所述特征包括N-gram词组的出现频次、N-gram词组的点互信息、文档出现频次tf特征、逆文档频次idf特征、tf-idf、左信息熵、右信息熵、首次出现在文档中的位置信息。

在具体实施当中，本发明实施例提供的基于弱监督学习的电力行业专有词挖掘装置的工作原理、控制流程及实现的技术效果，与上述实施例中的基于弱监督学习的电力行业专有词挖掘方法对应相同，在此不再赘述。

请参阅图4，图4是本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器401、存储器402以及存储在所述存储器402中且被配置为由所述处理器401执行的计算机程序，所述处理器401执行所述计算机程序时实现上述任一实施例所述的基于弱监督学习的电力行业专有词挖掘方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……)，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器401也可以是任何常规的处理器，所述处理器401是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器402主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器402可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器402也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图4的结构示意图仅仅是上述终端设备的示例，并不构成对上述终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的基于弱监督学习的电力行业专有词挖掘方法。

本发明实施例提供了一种基于弱监督学习的电力行业专有词挖掘方法、装置及介质，采用弱监督学习的方法，与现有主流技术相比，可以高效、精准地获取当前电力行业高质量的新词，具有实现简单、内存开销少等特点。对获取的语料数据进行分析和挖掘，并结合外部知识引入正负样本集，自动构造正负样本集并利用分类器进行训练，自监督地迭代更新调整正负样本集，进而实现对电力行业专有词汇的挖掘，不需要人工干预，提高了自动化程度。将挖掘到的最新的电力行业专有词汇，集成到输入法中可提高输入准确率，进而提高客服人员等的工作效率，并且挖掘出的专有词汇可对后续的电力行业的语义理解等任务起到铺垫作用。

需说明的是，以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的系统实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。