来电身份识别方法、装置、电子设备和可读存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及一种来电身份识别方法、装置、电子设备和可读存储介质。

背景技术

目前，相关技术多通过事先采集说话人的声纹信息，以构建声纹特征信息库，并在后续的来电场景中，将来电人的实时声纹信息与声纹特征信息库中的已有声纹信息进行匹配，实现对来电方的具体身份的判别。

应用中发现，相关技术仅能在来电过程中，完成对自然人的具体身份的识别，而无法实现对来电机器人的身份识别。

发明内容

本公开实施例的目的在于提供一种来电身份识别方法、装置、电子设备和可读存储介质，用于解决相关技术在来电过程中无法识别机器人的来电身份的问题。

第一方面，本公开实施例提供了一种来电身份识别方法，包括：

获取来电方的目标对话文本信息；

将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配和/或语义匹配，得到匹配结果；

根据所述匹配结果，确定所述来电方是机器人或自然人。

在一个实施例中，所述匹配结果包括文本匹配结果；

其中，将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配和/或语义匹配，得到匹配结果，包括：

将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配，得到文本匹配结果；

其中，所述根据所述匹配结果，确定所述来电方是机器人或自然人，包括：

若所述文本匹配结果满足第一条件，则确定所述来电方是机器人。

在一个实施例中，所述匹配结果还包括语义匹配结果；

其中，将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配和/或语义匹配，得到匹配结果，还包括：

将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行语义匹配，得到语义匹配结果；

其中，所述根据所述匹配结果，确定所述来电方是机器人或自然人，还包括：

若所述文本匹配结果不满足所述第一条件，且所述语义匹配结果满足第二条件，则确定所述来电方是机器人；

若所述文本匹配结果不满足所述第一条件，且所述语义匹配结果不满足所述第二条件，则确定所述来电方是自然人。

在一个实施例中，所述文本匹配结果包括下列的至少一项：

所述至少一个对话文本信息和所述目标对话文本信息的最长公共子串的长度，其中，所述第一条件为：所述最长公共子串的长度大于第一预设阈值；

所述至少一个对话文本信息对应的至少一个第一特征词和所述目标对话文本信息对应的至少一个第二特征词，其中，所述第一条件为：所述至少一个第一特征词和所述至少一个第二特征词相同。

在一个实施例中，所述语义匹配结果包括：所述至少一个对话文本信息和所述目标对话文本信息的文本语义相似度；

所述第二条件为：所述文本语义相似度大于第二预设阈值。

在一个实施例中，所述获取来电方的目标对话文本信息之前，所述方法还包括：

获取多个原始来电文本信息；

对所述多个原始来电文本信息进行聚类处理，得到至少一个聚类结果；

在所述至少一个聚类结果中确定至少一个目标聚类结果，其中，所述目标聚类结果为对应的聚类元素数量大于第三预设阈值的聚类结果；

基于所述至少一个目标聚类结果构建所述来电文本库。

在一个实施例中，对所述多个原始来电文本信息进行聚类处理，得到至少一个聚类结果，包括：

对所述多个原始来电文本信息进行文本聚类处理，得到至少一个文本聚类结果，以及，对所述多个原始来电文本信息进行语义聚类处理，得到至少一个语义聚类结果；

根据所述至少一个文本聚类结果和所述至少一个语义聚类结果，得到所述至少一个聚类结果。

第二方面，本公开实施例还提供一种来电身份识别装置，所述装置包括：

第一获取模块，用于获取来电方的目标对话文本信息；

匹配模块，用于将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配和/或语义匹配，得到匹配结果；

身份识别模块，用于根据所述匹配结果，确定所述来电方是机器人或自然人。

第三方面，本公开实施例还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的来电身份识别方法的步骤。

第四方面，本公开实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的来电身份识别方法的步骤。

在本公开实施例中，通过获取来电方的目标对话文本信息，并根据预设的来电文本库中的至少一个对话文本信息，对所述目标对话文本信息进行文本匹配和/或语义匹配，得到用于指示来电方身份的匹配结果，进而根据匹配结果，确定来电方是机器人或自然人，以完成对来电方的自然人身份或机器人身份的识别。

附图说明

图1是本公开实施例提供的一种来电身份识别方法的流程示意图；

图2是本公开实施例提供的一种基于精准匹配策略的聚类流程的示意图；

图3是本公开实施例提供的一种基于语义相似度策略的聚类流程的示意图；

图4是本公开实施例提供的一种身份识别方法的流程示意图；

图5是本公开实施例提供的一种来电身份识别装置的结构示意图；

图6是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

本公开实施例提供一种来电身份识别方法，参见图1，图1是本公开实施例提供的一种来电身份识别方法的流程图，如图1所示，包括以下步骤：

步骤101、获取来电方的目标对话文本信息。

其中，来电方可以为应答方已标记身份标识的来电用户，例如：应答方的通讯录中所记录的用户；也可以为应答方未标记身份标识的来电用户，例如：快递员、外卖员等应答方的通讯录中未记录的用户。

目标对话文本信息为在来电方与应答方进行通话时，基于来电方的语音信息转化得到的文本信息。

步骤102、将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配和/或语义匹配，得到匹配结果。

其中，预设的来电文本库用于表征机器人输出的文本信息，所述来电文本库包括至少一个对话文本信息。

文本匹配的方式用于计算待匹配的两个文本信息在字符层面的匹配程度，例如，计算待匹配的两个文本信息之间的最长公共子串的长度；而语义匹配的方式用于计算待匹配的两个文本信息在语义层面的匹配程度，例如：计算待匹配的两个文本信息的文本语义之间的语义相似度。

根据预设的来电文本库中的至少一个对话文本信息，对所述目标对话文本信息进行文本匹配和/或语义匹配，可以理解为：

将来电文本库中的每一对话文本信息与目标对话文本信息逐一进行文本匹配和/或语义匹配。

步骤103、根据所述匹配结果，确定所述来电方是机器人或自然人。

在获得所述匹配结果后，可以通过预设阈值对匹配结果加以分析，进而确定来电方是机器人或自然人。

在本公开实施例中，通过获取来电方的目标对话文本信息，并根据预设的来电文本库中的至少一个对话文本信息，对所述目标对话文本信息进行文本匹配和/或语义匹配，得到用于指示来电方身份的匹配结果，以完成对来电方的自然人身份或机器人身份的识别。

需要说明的是，在本公开中，应用文本信息而非声纹信息进行来电方身份的识别，可规避具备较强人声模拟性能的机器人输出的声纹信息的干扰，令识别得到的对来电方身份更加准确。

在本公开中，在将来电方身份识别为机器人后，可以自动执行电话应答结束指令，并在电话应答结束后，相应输出机器人电话提示信息，以向用户告知来电方的机器人身份，提升用户的使用体验。

在一个实施例中，所述匹配结果包括文本匹配结果；

其中，将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配和/或语义匹配，得到匹配结果，包括：

将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配，得到文本匹配结果；

其中，所述根据所述匹配结果，确定所述来电方是机器人或自然人，包括：

若所述文本匹配结果满足第一条件，则确定所述来电方是机器人。

该实施例中，通过文本匹配的方式，可快速准确完成对目标对话文本信息的语音内容识别，以完成对来电方的自然人身份或机器人身份的识别。

需要说明的是，该实施例中，若所述文本匹配结果不满足所述第一条件，可以直接将所述来电方确定为自然人，也可以利用其他匹配方式(如语义匹配的方式)对目标对话文本信息作进一步的内容识别，本公开对此不作限定。

在一个实施例中，所述匹配结果还包括语义匹配结果；

其中，将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配和/或语义匹配，得到匹配结果，还包括：

将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行语义匹配，得到语义匹配结果；

其中，所述根据所述匹配结果，确定所述来电方是机器人或自然人，还包括：

若所述文本匹配结果不满足所述第一条件，且所述语义匹配结果满足第二条件，则确定所述来电方是机器人；

若所述文本匹配结果不满足所述第一条件，且所述语义匹配结果不满足所述第二条件，则确定所述来电方是自然人。

该实施例中，通过文本匹配和语义匹配相结合的方式，能令所获得的身份识别结果更加准确。

其中，先基于抗噪声性能较弱的文本匹配对目标对话文本信息进行初次识别，得到文本匹配结果，并在文本匹配结果无法确定来电方身份时，基于抗噪声性能较强的语义匹配对目标对话文本信息进行二次识别，降低目标对话文本信息在语音转文字过程中所引入噪声带来的不利影响，并输出准确的身份识别结果，进而确定来电方的机器人身份或自然人身份。

在一个实施例中，所述文本匹配结果包括下列的至少一项：

所述至少一个对话文本信息和所述目标对话文本信息的最长公共子串的长度，其中，所述第一条件为：所述最长公共子串的长度大于第一预设阈值；

所述至少一个对话文本信息对应的至少一个第一特征词和所述目标对话文本信息对应的至少一个第二特征词，其中，所述第一条件为：所述至少一个第一特征词和所述至少一个第二特征词相同。

该实施例中，在文本匹配过程中，通过计算来电文本库中对话文本信息和所述目标对话文本信息的最长公共子串的长度，和/或，对话文本信息对应的至少一个第一特征词和所述目标对话文本信息对应的至少一个第二特征词是否相同，以在字符层面完成目标对话文本信息和来电文本库中多个对话文本信息之间的相关性分析。

前述最长公共子串可以为来电文本库中的对话文本信息和所述目标对话文本信息之间共有、连续且长度最长的字符串，举例来说，若来电文本库中的对话文本信息为“请问您近期是否有买车的需求”，目标对话文本为“您近期有买车的需求吗”，则最长公共子串为“有买车的需求”。

前述至少一个第一特征词用于表征对应的对话文本信息的区别标识，基于该区别标识，使得对应的对话文本信息可以与其他文本信息相区别。同理，前述至少一个第二特征词用于表征所述目标对话文本信息的区别标识。需要指出的是，对于待比较的对话文本信息和目标对话文本信息来说，对话文本信息的第一特征词的数量和目标对话文本信息的第二特征词的数量相同。

所述至少一个第一特征词和所述至少一个第二特征词相同应理解为，所述至少一个第一特征词对应的特征词集合和所述至少一个第二特征词对应的特征词集合为同一集合。

在一示例中，若至少一个第一特征词对应的特征词集合为{特征词1、特征词2、特征词3}，至少一个第二特征词对应的特征词集合为{特征词1、特征词2、特征词4}，则所述至少一个第一特征词和所述至少一个第二特征词不相同。

在另一示例中，若至少一个第一特征词对应的特征词集合为{特征词1、特征词2、特征词3}，至少一个第二特征词对应的特征词集合为{特征词1、特征词2、特征词3}，则所述至少一个第一特征词和所述至少一个第二特征词相同。

示例性的，可以先去除目标对话文本信息/对话文本信息中的停用词和非中文字符，再应用jieba工具对目标对话文本信息/对话文本信息进行分词处理，并计算文本中各个分词对应的词频-逆向文件频率(term frequency–inverse document frequency，TF-IDF)值，并将前若干个TF-IDF值最大的分词组合起来作为所述至少一个第二特征词对应的特征词集合/至少一个第一特征词对应的特征词集合。

在一个可选的实施方式中，可以先判别所述最长公共子串的长度大于第一预设阈值；

若大于，则确定所述来电方是机器人；

若小于或等于，则继续判别所述至少一个第一特征词和所述至少一个第二特征词是否相同；

若相同，则确定所述来电方是机器人；

若不相同，则将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行语义匹配，得到语义匹配结果，并根据语义匹配结果最终确定来电方的自然人身份或机器人身份。

在一个实施例中，所述语义匹配结果包括：所述至少一个对话文本信息和所述目标对话文本信息的文本语义相似度；

所述第二条件为：所述文本语义相似度大于第二预设阈值。

该实施例中，可以使用预先训练好的语义识别模型对目标对话文本信息和对话文本信息分别进行识别，以得到目标对话文本信息对应的第一文本语义和对话文本信息对应的第二文本语义，随后通过计算第一文本语义和第二文本语义之间的距离，确定对话文本信息和所述目标对话文本信息的文本语义相似度。

示例性的，可以使用BERT、XLNet、RoBERTa等预训练模型，在收集得到的多个来电文本信息中进行无监督形式的预训练，以训练一个掩码语言模型作为优化目标，并将优化得到的最终模型确定为所述语义识别模型。

示例性的，可以通过计算余弦相似度的方式，计算第一文本语义和第二文本语义之间的距离，进而确定对话文本信息和所述目标对话文本信息的文本语义相似度。

由于语音识别(即语音转文字)过程中可能存在的识别错误，以及机器人的话术模板中可能对用户姓名、地址等部分信息进行针对性的替换，导致同一段来电文本或同一话术模板的来电文本在文本组成上可能存在细微的不同之处，这会降低前述文本匹配结果在复杂场景下的识别准确性，因此，本实施例通过应用语义相似度识别的手段对目标对话文本信息进行二次识别，可对目标对话文本信息与基于机器人话术模型输出的对话文本信息之间的共性进行深入挖掘，令最终识别的来电方身份更加准确可靠。

在一个实施例中，所述获取来电方的目标对话文本信息之前，所述方法还包括：

获取多个原始来电文本信息；

对所述多个原始来电文本信息进行聚类处理，得到至少一个聚类结果；

在所述至少一个聚类结果中确定至少一个目标聚类结果，其中，所述目标聚类结果为对应的聚类元素数量大于第三预设阈值的聚类结果；

基于所述至少一个目标聚类结果构建所述来电文本库。

其中，原始来电文本信息可以为：基于语音识别技术对历史时期中采集的来电语音进行转化而得到的文本信息。

该实施例中，通过对所述原始来电文本信息进行聚类处理的方式，得到至少一个聚类结果，并根据所述至少一个聚类结果，构建所述来电文本库，这能有效降低对原始来电文本信息的身份识别工作量，提升来电文本库的构建效率。

这其中，第三预设阈值的设置，则是为了匹配机器人输出的对话文本信息存在的高频特性，以保障用于指示机器人语音文本内容的来电文本库得以准确构建。

示例性的，在得到至少一个聚类结果后，可以通过对每一聚类结果中对应聚类中心点的原始来电文本信息进行身份识别，以相应确定每一聚类结果对应的来电身份，或者，也可以通过对每一聚类结果进行抽样的方式，并对抽样得到的多个原始来电文本信息进行身份识别，以相应确定每一聚类结果对应的来电身份。

需要说明的是，对原始来电文本信息所进行的身份识别操作，可以基于人工判别的方式完成，也可以根据预设的身份识别程序完成，本公开对此不作限定。

在一个实施例中，对所述多个原始来电文本信息进行聚类处理，得到至少一个聚类结果，包括：

对所述多个原始来电文本信息进行文本聚类处理，得到至少一个文本聚类结果，以及，对所述多个原始来电文本信息进行语义聚类处理，得到至少一个语义聚类结果；

根据所述至少一个文本聚类结果和所述至少一个语义聚类结果，得到所述至少一个聚类结果。

该实施例中，基于文本聚类处理的方式，对多个原始来电文本信息进行一次聚类处理；并且，基于语义聚类处理的方式，对多个原始来电文本信息进行一次聚类处理；通过汇总上述两次聚类处理的文本聚类结果和语义聚类结果，形成所述至少一个聚类结果，可提升最终得到的聚类结果的准确性。

举例来说，若设定机器人输出的文本信息包括原始来电文本信息1、原始来电文本信息2、原始来电文本信息3、原始来电文本信息4、原始来电文本信息5、原始来电文本信息6；

在经过文本聚类处理后，原始来电文本信息1、原始来电文本信息2、原始来电文本信息3、原始来电文本信息4、原始来电文本信息5形成一个类簇1。

在经过语义聚类处理后，原始来电文本信息2、原始来电文本信息3、原始来电文本信息4、原始来电文本信息5、原始来电文本信息6形成一个类簇2。

该示例中，仅采用文本聚类处理或语义聚类处理，会出现机器人输出的文本信息未被正确聚类的问题，并导致构建得到的来电文本库的语料丰富度降低，而在采用文本聚类处理和语义聚类处理相结合的方式后，则能降低机器人输出的文本信息未被正确聚类的概率，这能提升构建得到的来电文本库的语料丰富度，并最终提升应用过程中对目标对话文本信息的身份识别的准确性。

为方便理解，示例说明如下：

在来电对话场景中，为判断来电方的身份加以识别，可以预先通过专业人员的先验知识构建一个机器人来电文本库，并将来电文本与机器人来电文本库中的数据进行对比，从而判断来电对象为机器人或自然人。

其中，可以通过对历史时期内收集到的来电文本数据集进行聚类操作，以将相同文本或对应同一类话术模板的文本归为一类，随后将其中出现频率超过频率阈值的类簇标记为可疑文本类簇，辅助专业人员对可疑文本类簇中的部分文本进行判断，以形成前述机器人来电文本库。

应用中，可以采用基于精准匹配的策略和基于语义相似度的匹配策略相结合的方式，完成对来电文本数据集进行聚类操作。

其中，如图2所示，基于精准匹配的策略所进行的聚类操作可以为：对来电文本两两之间计算最长公共子串，若计算得到的最长公共子串长度大于第四预设阈值，将对应的两个来电文本归为同一类文本。

同时针对语音识别过程中可能存在的噪声错误，若来电文本两两之间的最长公共子串长度未大于阈值，额外通过特征关键词组合匹配的方式作进一步判断，若来电文本两两之间的特征关键词组合，则将对应的两个来电文本归为同一类文本。

特征关键词组合的获取过程可以为：

对各来电文本去除停用词和非中文字符，并使用jieba工具分词后，对来电文本中各个分词计算对应的TF-IDF值，取前k个值最大的分词组合起来作为文本的特征关键词组合，k为正整数。

如图3所示，基于语义相似度的策略所进行的聚类操作可以为：

使用BERT、XLNet、RoBERTa等预训练模型，在来电文本数据集上进行无监督形式的预训练，以训练一个掩码语言模型作为优化目标，之后，基于训练好的模型对每个来电文本进行语义识别，计算得到每一来电文本对应的语句表示(utterance representation)，并以余弦相似度的方式度量对话文本两两之间的语义相似度得分。当相似度得分大于阈值时，将对应的两个对话文本归为同一类文本。

如图4所示，在机器人来电文本库构建完成后，对于任一来电方的对话文本，先通过对来电方的对话文本与机器人来电文本库中的文本进行精确匹配，若匹配成功，则判定该来电方为机器人；若匹配失败，则进一步计算来电方的对话文本与机器人来电文本库中的文本之间的相似度得分，若相似度得分大于事先设定的相似度阈值，则判定该来电方为机器人，否则判断该来电方为自然人。

如图5所示，本公开实施例还提供一种来电身份识别装置500，来电身份识别装置500包括：

第一获取模块501，用于获取来电方的目标对话文本信息；

匹配模块502，用于将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配和/或语义匹配，得到匹配结果；

身份识别模块503，用于根据所述匹配结果，确定所述来电方是机器人或自然人。

在一个实施例中，所述匹配结果包括文本匹配结果；

所述匹配模块502，具体用于：

将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行文本匹配，得到文本匹配结果；

所述身份识别模块503，具体用于：

在所述文本匹配结果满足第一条件的情况下，确定所述来电方是机器人。

在一个实施例中，所述匹配结果还包括语义匹配结果；

所述匹配模块502，还用于：

将所述目标对话文本信息与预设的来电文本库中的至少一个对话文本信息进行语义匹配，得到语义匹配结果；

所述身份识别模块503，还用于：

在所述文本匹配结果不满足所述第一条件，且所述语义匹配结果满足第二条件的情况下，确定所述来电方是机器人；

在所述文本匹配结果不满足所述第一条件，且所述语义匹配结果不满足所述第二条件的情况下，确定所述来电方是自然人。

在一个实施例中，所述文本匹配结果包括下列的至少一项：

所述至少一个对话文本信息和所述目标对话文本信息的最长公共子串的长度，其中，所述第一条件为：所述最长公共子串的长度大于第一预设阈值；

所述至少一个对话文本信息对应的至少一个第一特征词和所述目标对话文本信息对应的至少一个第二特征词，其中，所述第一条件为：所述至少一个第一特征词和所述至少一个第二特征词相同。

在一个实施例中，所述语义匹配结果包括：所述至少一个对话文本信息和所述目标对话文本信息的文本语义相似度；

所述第二条件为：所述文本语义相似度大于第二预设阈值。

在一个实施例中，所述装置500还包括：

第二获取模块，用于获取多个原始来电文本信息；

聚类模块，用于对所述多个原始来电文本信息进行聚类处理，得到至少一个聚类结果；

结果确定模块，用于在所述至少一个聚类结果中确定至少一个目标聚类结果，其中，所述目标聚类结果为对应的聚类元素数量大于第三预设阈值的所述聚类结果；

建库模块，根据所述至少一个目标聚类结果，构建所述来电文本库。

在一个实施例中，所述聚类模块，包括：

聚类单元，用于对所述多个原始来电文本信息进行文本聚类处理，得到至少一个文本聚类结果，以及，对所述多个原始来电文本信息进行语义聚类处理，得到至少一个语义聚类结果；

汇总单元，用于根据所述至少一个文本聚类结果和所述至少一个语义聚类结果，得到所述至少一个聚类结果。

本公开实施例提供的来电身份识别装置500能够实现上述方法实施例中的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

请参见图6，图6是本公开实施例提供的一种电子设备的结构示意图，如图6所示，电子设备包括：可以包括处理器601、存储器602及存储在存储器602上并可在处理器601上运行的程序6021。

程序6021被处理器601执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。

本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。

本公开实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时可实现上述图1对应的方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

本公开实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

以上所述是本公开实施例的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。