一种语句处理的方法、设备和计算机可读存储介质

技术领域

本申请涉及文本处理领域，具有而言，涉及一种语句处理的方法、设备和计算机可读存储介质。

背景技术

随着科技的逐步发展，语音识别技术的应用也越来越广泛，比如智能机器人、智能音箱、智能手机在语音交互过程中，会对语音进行识别，识别过程中会将识别的语音转换为文本语句，然后进入下一步处理。为了保证语音交互的完整性以及流畅性，将语音转换成正确完整的文本语句就尤为重要。

在语音识别过程中，若由于线路的改造，采集的语音出现句首漏字或有噪音的情况，则经过语音识别模块识别后产生的语音识别文本语句容易出现句首漏字、漏词的情况，这会对后续的各个环节都产生影响，因此，对出现句首漏字或漏词的文本语句进行漏字补全及修正成为亟待解决的问题。

发明内容

本申请实施例的目的在于提供一种语句处理的方法、设备和计算机可读存储介质，用以对出现句首漏字或漏词的文本语句进行漏字补全及修正。

第一方面，本申请实施例提供了一种语句处理的方法，包括：对待处理语句进行分词处理，得到所述待处理语句的正常词序列；对所述正常词序列进行逆序转化，得到所述待处理语句的逆序词序列；利用训练好的逆序语言模型对所述逆序词序列中最后一个词的下一个词进行预测，生成预测逆序词序列；根据所述预测逆序词序列得到所述待处理语句对应的无漏词语句。

在上述实现过程中，通过将待处理语句的词序进行调换，便于利用语言模型对待处理语句的句首的词进行预测，进一步通过训练好的逆序语言模型对逆序词序中最后一个词的下一个词进行预测，并根据预测后的逆序词序列进行修正，从而有效地解决了语句的句首漏词或漏字的问题，进一步保证了语音交互过程中语音识别的准确性。

结合第一方面，在一种实施方式中，所述对待处理语句进行分词处理，得到所述待处理语句的正常词序列，包括：对所述待处理语句进行分词处理，得到所述待处理语句的初始词序列；用关键词标记对所述初始词序列中的关键词进行替换，得到所述正常词序列。

在上述实现过程中，通过对待处理语句中的关键词用关键词标记进行替换，在语音交互过程中，便于对识别出的关键词进行后续的确认，从而提高识别的精确性。

结合第一方面，在一另种实施方式中，在所述利用训练好的逆序语言模型对所述逆序词序列中最后一个词的下一个词进行预测之前，所述方法还包括：对语料库中的至少一个语句进行分词处理，得到所述至少一个语句中每个语句的初始训练词序列；用关键词标记对所述每个语句的初始训练词序列中的关键词进行替换，得到所述每个语句的训练词序列；在所述每个语句的训练词序列中的第一个词前添加起始标记，得到所述每个语句的标记后训练词序列；对所述每个语句的标记后训练词序列进行逆序转化，得到所述每个语句的逆序训练词序列；利用至少一个语句的逆序训练词序列训练统计语言模型，得到所述训练好的逆序语言模型。

在上述实现过程中，利用语料库对统计语言模型进行训练，得到逆序语言模型，能够根据已有的逆序语言实现对该逆序语言中的缺少末尾的词进行补全，进一步实现对正序语言中句首漏字或漏词进行补全。

结合第一方面，在一另种实施方式中，所述利用训练好的逆序语言模型对所述逆序词序列中最后一个词的下一个词进行预测，生成预测逆序词序列，包括：利用所述训练好的逆序语言模型计算所述语料库中所有的词作为所述逆序词序列中最后一个词的下一个词的概率；选择概率最大的词作为候选词；将所述候选词添加在所述逆序词序列后，生成所述预测逆序词序列。

在上述实现过程中，通过逆序语言模型计算语料库中每个词作为预测词的概率，选择概率最大的词作为最终的预测词，实现了对逆序语句中漏词的预测。

结合第一方面，在一另种实施方式中，所述根据所述预测逆序词序列得到所述待处理语句对应的无漏词语句，包括：判断所述候选词是否是所述起始标记；若所述候选词是所述起始标记，删除所述预测逆序词序列中的所述起始标记后，对所述预测逆序词序列进行正序转化，得到所述待处理语句对应的无漏词语句；若所述候选词不是所述起始标记，判断所述候选词是否是关键词标记；若所述候选词是关键词标记，保留所述候选词在所述预测逆序词序列中，并利用所述训练好的逆序语言模型对所述预测逆序词序列中所述候选词的下一个词进行预测，得到下一个候选词，并重复上述过程；若所述候选词不是关键词标记，获取所述候选词中第一个字的拼音首字母，判断所述拼音首字母是否属于预设首字母集中的一个；若所述拼音首字母属于预设首字母集中的任意一个，保留所述候选词在所述预测逆序词序列中，并利用所述训练好的逆序语言模型对所述预测逆序词序列中所述候选词的下一个词进行预测，得到下一个候选词，并重复上述过程；若所述拼音首字母不属于预设首字母集中的任意一个，删除所述预测逆序词序列中的所述候选词后，对所述预测逆序词序列进行正序转化，得到所述待处理语句对应的无漏词语句。

在上述实现过程中，通过候选词中第一个字的拼音首字母判断候选词是否为过度补充的词，若为过度补充的词，删除该词后，对词序列进行转序转化，得到无漏词语句，从有效地避免了由于语音识别引擎本身的原因导致语句的过度补充。

第二方面，本申请实施例提供了一种语句处理的设备，所述设备包括：分词模块，用于对待处理语句进行分词处理，得到所述待处理语句的正常词序列；转化模块，用于对所述正常词序列进行逆序转化，得到所述待处理语句的逆序词序列；预测模块，用于利用训练好的逆序语言模型对所述逆序词序列中最后一个词的下一个词进行预测，生成预测逆序词序列；处理模块，用于根据所述预测逆序词序列得到所述待处理语句对应的无漏词语句。

结合第二方面，在一种实施方式中，所述分词模块具体用于：对所述待处理语句进行分词处理，得到所述待处理语句的初始词序列；用关键词标记对所述初始词序列中的关键词进行替换，得到所述正常词序列。

结合第二方面，在另一种实施方式中，所述预测模块还用于：对语料库中的至少一个语句进行分词处理，得到所述至少一个语句中每个语句的初始训练词序列；用关键词标记对所述每个语句的初始训练词序列中的关键词进行替换，得到所述每个语句的训练词序列；在所述每个语句的训练词序列中的第一个词前添加起始标记，得到所述每个语句的标记后训练词序列；对所述每个语句的标记后训练词序列进行逆序转化，得到所述每个语句的逆序训练词序列；利用至少一个语句的逆序训练词序列训练统计语言模型，得到所述训练好的逆序语言模型。

结合第二方面，在另一种实施方式中，所述预测模块具体用于：利用所述训练好的逆序语言模型计算所述语料库中所有的词作为所述逆序词序列中最后一个词的下一个词的概率；选择概率最大的词作为候选词；将所述候选词添加在所述逆序词序列后，生成所述预测逆序词序列。

结合第二方面，在另一种实施方式中，所述处理模块具体用于：判断所述候选词是否是所述起始标记；若所述候选词是所述起始标记，删除所述预测逆序词序列中的所述起始标记后，对所述预测逆序词序列进行正序转化，得到所述待处理语句对应的无漏词语句；若所述候选词不是所述起始标记，判断所述候选词是否是关键词标记；若所述候选词是关键词标记，保留所述候选词在所述预测逆序词序列中，并利用所述训练好的逆序语言模型对所述预测逆序词序列中所述候选词的下一个词进行预测，得到下一个候选词，并重复上述过程；若所述候选词不是关键词标记，获取所述候选词中第一个字的拼音首字母，判断所述拼音首字母是否属于预设首字母集中的一个；若所述拼音首字母属于预设首字母集中的任意一个，保留所述候选词在所述预测逆序词序列中，并利用所述训练好的逆序语言模型对所述预测逆序词序列中所述候选词的下一个词进行预测，得到下一个候选词，并重复上述过程；若所述拼音首字母不属于预设首字母集中的任意一个，删除所述预测逆序词序列中的所述候选词后，对所述预测逆序词序列进行正序转化，得到所述待处理语句对应的无漏词语句。

第三方面，本申请实施例提供一种语句处理的设备，包括：处理器、存储器和总线，所述处理器通过所述总线与所述存储器相连，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，用于实现如上述第一方面提供的所述的方法。

第四方面，本申请实施例提供一种可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被服务器执行时实现如上述第一方面提供的所述方法中的步骤。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种语句处理的方法流程图；

图2为本申请实施例提供的一种根据预测逆序词序列得到无漏词语句的方法流程图；

图3为本申请实施例提供的一种语句处理的设备结构框图；

图4为本申请实施例提供的另一种语句处理的设备结构框图。

具体实施方式

下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

随着数字化和智能化技术在各个领域的深入发展，更多的智能化设备在生活中发挥着重要作用。各种智能的语音设备，例如智能音箱、智能手机、智能机器人等设备都可以支持语音对话，并且可以通过语音对话控制设备完成订票、聊天以及其他客需功能。这些智能的语音设备上都基本上包含了语音识别(ASR，Automatic Speech Recognition)、自然语言理解(NLU，Natural Language Processing)，对话管理(DM，Dialog Management)，自然语言的生成(NLG，Natural Language Generation)和语音合成(TTS，Text To Speech)等模块。ASR模块在语音识别过程的最前沿进行语音识别工作，若由于线路的改造，采集的语音出现句首漏字或有噪音的情况，则经过语音识别模块识别后产生的语音识别文本语句容易出现句首漏字、漏词的情况，这会对下游的各个任务都产生影响，因此，提供一种文本语句处理的方法来补全出现漏词或漏字的文本成为亟待解决的问题。

下面结合图1描述本申请实施例提供的一种语句处理的方法。

请参照图1，图1为本申请实施例提供的一种语句处理的方法流程图，该方法可以应用于图3所示的一种语句处理的设备300中，具体的，图1所示的方法包括：

110，对待处理语句进行分词处理，得到待处理语句的正常词序列。

对待处理语句进行分词处理，得到待处理语句的正常词序列，包括：

对待处理语句进行分词处理，得到待处理语句的初始词序列；

用关键词标记对初始词序列中的关键词进行替换，得到正常词序列。

作为一种实施例，处理器获取到通过语音识别模块识别后生成的文本，将文本以句号、分号、问号或感叹号等标点符号进行句子划分，生成待处理语句。

在一些实施例中，通过语音识别模块识别后生成的文本仅包括一个句子，该句子即为待处理语句。

需要说明的是，本申请的待处理语句也可以是用户输入的需要处理的语句，也可以是其他终端或设备发送的需要处理的语句，但本申请不限于此。

作为一种实施例，待处理语句为sentence，将待处理语句sentence进行分词处理，生成待处理语句sentence的正常词序列{W

在一些实施例中，在数据库中预先设定需要替换的关键词的类型以及对应关键词标记，在进行关键词替换过程中，识别上述词序列中是否出现需要替换的关键词，若出现需要替换的关键词，则用对应的关键词标记进行替换；

若正常词序列中没有出现需要进行替换的关键词，则进行无需替换的步骤，直接进行接下来的相关操作。

需要说明的是，本申请实施例中的关键词可以是指句子中需要进一步确认的一类词，也可以是指句子中需要特别关注的一类词，但本申请不限于此。

作为一种实施例，若待处理语句为sentence中出现时间、数量、物品类型等类型的关键词，则用相应的标记进行替换。

作为一种实施例，关键词时间对应的关键词标记为TIME，关键词数量对应的关键词标记为NUM，关键词物品类型对应的关键词标记为TYPE；

作为一种实施例，用户实际发出的语音为“买3瓶矿泉水”，但是经过语音识别模块处理后生成的语句为：“3瓶矿泉水”，因此出现了句首漏词的情况，为了对出现句首漏词的语句进行漏词补全，将经过语音识别模块处理后生成的语句作为待处理语句sentence，即为待处理语句sentence为：“3瓶矿泉水”。

需要说明的是，本申请实施例中出现句首漏词的情况可以是句首漏一个词，也可以是句首漏两个词，也可以是句首漏三个词，但本申请不限于此。

对待处理语句sentence“3瓶矿泉水”经过分词处理，生成的正常词序列为：“{3，瓶，矿泉水}”，其中第一个词为表示数量的关键词“3”，则用表示数量的关键词标记“NUM”进行替换，替换后生成的词序列为：“{NUM，瓶，矿泉水}”，即，替换后的词序序列为：“{NUM，W

作为一种实施例，在后续的语音交互过程中，若智能设备识别到语句中的关键词标记，则智能设备会进行进一步的轮询工作；

作为一种实施例，进一步的轮询工作可以是智能设备再次发出语音，询问用户：“请说出需要矿泉水的数量”；也可以是智能设备以文字的形式在显示界面提示用户：“请输入需要矿泉水的数量”，并显示输入窗口；也可以是智能设备以文字和语音的形式同时提示用户：“请输入需要矿泉水的数量”，并显示输入窗口；进一步地，智能设备会根据用户的回答或者用户输入的信息确认相应的数量。

在上述实现过程中，通过对待处理语句中的关键词用关键词标记进行替换，在后续语音交互过程中，便于智能设备对识别出的关键词进行后续的确认，从而提高识别的精确性。

120，对正常词序列进行逆序转化，得到待处理语句的逆序词序列。

作为一种实施例，若正常词序列中没有出现需要进行替换的关键词，对正常词序列{W

作为一种实施例，若正常词序列中出现需要替换的关键词，且在步骤110中进行关键词替换后生成的词序列为：“{NUM，W

130，利用训练好的逆序语言模型对逆序词序列中最后一个词的下一个词进行预测，生成预测逆序词序列。

在利用训练好的逆序语言模型对逆序词序列中最后一个词的下一个词进行预测之前，方法还包括：

对语料库中的至少一个语句进行分词处理，得到至少一个语句中每个语句的初始训练词序列；

用关键词标记对每个语句的初始训练词序列中的关键词进行替换，得到每个语句的训练词序列；

在每个语句的训练词序列中的第一个词前添加起始标记，得到每个语句的标记后训练词序列；

对每个语句的标记后训练词序列进行逆序转化，得到每个语句的逆序训练词序列；

利用至少一个语句的逆序训练词序列训练统计语言模型，得到训练好的逆序语言模型。

利用训练好的逆序语言模型对逆序词序列中最后一个词的下一个词进行预测，生成预测逆序词序列，包括：

利用训练好的逆序语言模型计算语料库中所有的词作为逆序词序列中最后一个词的下一个词的概率；

选择概率最大的词作为候选词；

将候选词添加在逆序词序列后，生成预测逆序词序列。

作为一种实施例，利用训练好的逆序语言模型对所述逆序词序列中最后一个词的下一个词进行预测之前，需要对文本语料进行训练，得到逆序语言模型。

需要说明的是训练文本语料，得到逆序语言模型的过程可以是在步骤120之后且步骤130之前，也可以是在步骤110之后且步骤120之前，也可以是在步骤110之前，即在应用逆序语言模型之前，得到该逆序语言模型即可，对该逆序语言模型的训练过程所处的阶段不限定。

作为一种实施例，该逆序语言模型的训练过程在步骤110之前，且逆序语言模型的训练过程具体如下：

生成标准文本语料数据集Corpus

需要说明的是，标准文本语料数据集Corpus

作为一种实施例，标准文本语料数据集Corpus

对标准文本语料数据集Corpus

需要说明的是，训练采用的语句可以是标准文本语料数据集Corpus

作为一种实施例，训练采用的语句是标准文本语料数据集Corpus

对标准文本语料数据集Corpus

进一步地，用关键词标记对语句中出现的关键词进行替换，若语句sentence

在语句sentence

对标记后的训练词序列为

并标准文本语料数据集Corpus

利用训练语料的集合Corpus

需要说明的是，本申请实施例中，统计语言模型可以是3-gram语言模型，也可以是2-gram语言模型，也可以是神经网络语言模型，但本申请不限于此。

作为一种实施例，本申请中的统计语言模型是3-gram语言模型，利用训练语料的集合Corpus

在上述实现过程中，利用语料库对统计语言模型进行训练，得到逆序语言模型，能够根据已有的逆序语言实现对该逆序语言中的缺少末尾的词进行补全，进一步实现对正序语言中句首漏字或漏词进行补全。

作为一种实施例，利用上述训练好的逆序语言模型预测逆序词序列为{W

利用逆序语言模型计算语料集合Corpus

在一种实施例中，利用上述训练好的逆序语言模型预测逆序词序列为{矿泉水，瓶，NUM}中“NUM”的下一个词的概率，选择概率最大的词w

在上述实现过程中，通过逆序语言模型计算语料库中每个词作为预测词的概率，选择概率最大的词作为最终的预测词，实现了对逆序语句中漏词的预测。

140，根据预测逆序词序列得到待处理语句对应的无漏词语句。

根据预测逆序词序列得到待处理语句对应的无漏词语句，包括：

判断候选词是否是起始标记；

若候选词是起始标记，删除预测逆序词序列中的起始标记后，对预测逆序词序列进行正序转化，得到待处理语句对应的无漏词语句；

若候选词不是起始标记，判断候选词是否是关键词标记；

若候选词是关键词标记，保留候选词在预测逆序词序列中，并利用训练好的逆序语言模型对预测逆序词序列中候选词的下一个词进行预测，得到下一个候选词，并重复上述过程；

若候选词不是关键词标记，获取候选词中第一个字的拼音首字母，判断拼音首字母是否属于预设首字母集中的一个；

若拼音首字母属于预设首字母集中的任意一个，保留候选词在预测逆序词序列中，并利用训练好的逆序语言模型对预测逆序词序列中候选词的下一个词进行预测，得到下一个候选词，并重复上述过程；

若拼音首字母不属于预设首字母集中的任意一个，删除预测逆序词序列中的候选词后，对预测逆序词序列进行正序转化，得到待处理语句对应的无漏词语句。

为了防止逆序语言模型对语句进行过度的补全，需要对补全后的预测逆序词序列进行进一步的修正。

在上述实现过程中，通过将待处理语句的词序进行调换，便于利用语言模型对待处理语句的句首的词进行预测，进一步通过训练好的逆序语言模型对逆序词序中最后一个词的下一个词进行预测，并根据预测后的逆序词序列进行修正，从而有效地解决了语句的句首漏词或漏字的问题，进一步保证了语音交互过程中语音识别的准确性。

作为一种实施例，根据预测逆序词序列中的候选词得到待处理语句对应的无漏词语句，如图2所示，图2为本申请实施例提供的一种根据预测逆序词序列得到无漏词语句的方法流程图，具体的，图2所示的方法包括：

210，利用逆序语言模型预测出候选词。

在步骤130中，利用逆序语言模型预测出逆序词序列{W

220，判断候选词是否为起始标记。

通过逆序语言模型预测出候选词w

若候选词w

230，判断候选词是否为关键词标记。

若候选词w

若候选词w

240，判断候选词拼音首字母是否属于预设字母集中的任意一个。

在一些实施例中，由于语音识别引擎本身的原因，会对一些声带不振动发出的声音会有一定概率的丢失，即在语音识别时，本身就无需补充该类词，因此，通过逆序语言模型预测出的这类词是过度补充的，为了判断候选词是否为过度补充的词，则通过候选词的拼音进行判断。

若候选词w

需要说明的是，本申请实施例中的预设首字母集可以表示为由发音时声带振动的字母组成的集合，例如f，s，x，h，m，n等字母，但本申请不限于此。

若候选词w

作为一种实施例，待处理语句sentence“3瓶矿泉水”经过逆序语言模型预测出的候选词w

250，删除候选词，并进行正序转化，得到无漏词语句。

若候选词w

在上述实现过程中，通过候选词中第一个字的拼音首字母判断候选词是否为过度补充的词，若为过度补充的词，删除该词后，对词序列进行转序转化，得到无漏词语句，从有效地避免了由于语音识别引擎本身的原因导致语句的过度补充。

请参照图3，图3为本申请实施例提供的一种语句处理的设备结构框图，图3所提供的语句处理的设备300与图1所示的方法对应，具有实现图1所示方法的功能模块。

作为一种实施例，语句处理的设备300包括：

分词模块310，用于对待处理语句进行分词处理，得到待处理语句的正常词序列；

转化模块320，用于对正常词序列进行逆序转化，得到待处理语句的逆序词序列；

预测模块330，用于利用训练好的逆序语言模型对逆序词序列中最后一个词的下一个词进行预测，生成预测逆序词序列；

处理模块340，用于根据预测逆序词序列得到待处理语句对应的无漏词语句。

在一种实施方式中，分词模块具体用于：对待处理语句进行分词处理，得到待处理语句的初始词序列；用关键词标记对初始词序列中的关键词进行替换，得到正常词序列。

在另一种实施方式中，预测模块还用于：对语料库中的至少一个语句进行分词处理，得到至少一个语句中每个语句的初始训练词序列；用关键词标记对每个语句的初始训练词序列中的关键词进行替换，得到每个语句的训练词序列；在每个语句的训练词序列中的第一个词前添加起始标记，得到每个语句的标记后训练词序列；对每个语句的标记后训练词序列进行逆序转化，得到每个语句的逆序训练词序列；利用至少一个语句的逆序训练词序列训练统计语言模型，得到训练好的逆序语言模型。

在另一种实施方式中，预测模块具体用于：利用训练好的逆序语言模型计算语料库中所有的词作为逆序词序列中最后一个词的下一个词的概率；选择概率最大的词作为候选词；将候选词添加在逆序词序列后，生成预测逆序词序列。

在另一种实施方式中，处理模块具体用于：判断候选词是否是起始标记；若候选词是起始标记，删除预测逆序词序列中的起始标记后，对预测逆序词序列进行正序转化，得到待处理语句对应的无漏词语句；若候选词不是起始标记，判断候选词是否是关键词标记；若候选词是关键词标记，保留候选词在预测逆序词序列中，并利用训练好的逆序语言模型对预测逆序词序列中候选词的下一个词进行预测，得到下一个候选词，并重复上述过程；若候选词不是关键词标记，获取候选词中第一个字的拼音首字母，判断拼音首字母是否属于预设首字母集中的一个；若拼音首字母属于预设首字母集中的任意一个，保留候选词在预测逆序词序列中，并利用训练好的逆序语言模型对预测逆序词序列中候选词的下一个词进行预测，得到下一个候选词，并重复上述过程；若拼音首字母不属于预设首字母集中的任意一个，删除预逆序测词序列中的候选词后，对预测逆序词序列进行正序转化，得到待处理语句对应的无漏词语句。

需要说明的是，图3所提供的语句处理的设备300，能够实现图1方法实施例中涉及语句处理方法的各个过程。语句处理的设备300中的各个模块的操作和/或功能，分别为了实现图1中的方法实施例中的相应流程。具体可参见上述方法实施例中的描述，为避免重复，此处适当省略详细描述。

请参照图4，图4为本申请实施例提供的另一种语句处理的设备结构框图，图4所提供的另一种语句处理的设备400可以包括：至少一个处理器410，处理器410可以是CPU(中央处理器，Central Processing Unit)，也可以是GPU(图形处理器，Graphics ProcessingUnit)，也可以是CPU和GPU，本申请实施例不限于此，至少一个通信接口420，至少一个存储器430和至少一个通信总线440。其中，通信总线440用于实现这些组件直接的连接通信。其中，本申请实施例中设备的通信接口420用于与其他节点设备进行信令或数据的通信。存储器430可以是高速RAM(随机存取存储器，random access memory)存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器430可选的还可以是至少一个位于远离前述处理器的存储装置。存储器430中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器410执行时，用于执行图1所示方法过程。

本申请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计算机程序，该计算机程序被服务器执行时实现图1所示的方法过程。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述系统装置的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个装置或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

另外，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单元来实现本实施例方案的目的。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。