一种基于人工智能的热点话题数据处理方法及话题服务器

技术领域

本申请涉及人工智能和热点话题处理技术领域，特别涉及一种基于人工智能的热点话题数据处理方法及话题服务器。

背景技术

人工智能的不断发展在一定程度上给各类数据处理提供了应用基础。以话题数据处理为例，人工智能能够对话题数据进行文本情绪分析，从而实现热点话题的定位和追踪，还可以对话题数据进行会话用户需求分析，从而实现后续的服务推送。此外，随着大数据技术的不断优化，热点话题文本的多端使用已成为趋势，然而在实现热点话题文本的多端使用时，如何确保多端使用的兼容性是现目前需要改善的一个技术问题。

发明内容

本申请实施例之一提供一种基于人工智能的热点话题数据处理方法，应用于话题服务器，所述话题服务器与社群话题客户端通信，所述话题服务器事先存储有热点话题文本集，所述方法包括：

响应所述社群话题客户端上报的话题文本使用申请；

对热点话题文本集进行文本内容溯源处理获得原始话题文本溯源结果，并确定出与所述话题文本使用申请对应的使用需求识别情况，基于与所述话题文本使用申请对应的使用需求识别情况，确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本；

将所述待下发话题文本传输至所述社群话题客户端，并对所述社群话题客户端的话题文本使用情况进行跟进。

优选地，对热点话题文本集进行文本内容溯源处理获得原始话题文本溯源结果，并确定出与所述话题文本使用申请对应的使用需求识别情况，基于与所述话题文本使用申请对应的使用需求识别情况，确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本，包括：

对热点话题文本集进行文本内容溯源处理，获得原始话题文本溯源结果；对所述原始话题文本溯源结果进行溯源结果优化处理，获得阶段性话题文本溯源结果；根据所述阶段性话题文本溯源结果进行针对话题文本使用申请的第一使用需求识别处理，得到用于响应所述话题文本使用申请的原始使用需求识别情况；

对所述原始话题文本溯源结果和所述阶段性话题文本溯源结果进行溯源结果合并，并对合并后的话题文本溯源结果进行溯源结果优化处理，获得整体性话题文本溯源结果；获取所述原始使用需求识别情况中各使用需求识别情况对应的使用需求相关性；对所述使用需求相关性未达到预设相关性阈值的使用需求识别情况进行过滤，得到过滤后存留的使用需求识别情况；

根据所述过滤后存留的使用需求识别情况的话题文本关键词和所述阶段性话题文本溯源结果对应的话题文本关键词，对所述过滤后存留的使用需求识别情况进行挑选，得到挑选后的使用需求识别情况；

根据所述整体性话题文本溯源结果和所述挑选后的使用需求识别情况进行针对所述话题文本使用申请的第二使用需求识别处理，以刷新所述挑选后的使用需求识别情况，并根据刷新后的使用需求识别情况确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本。

优选地，所述对热点话题文本集进行文本内容溯源处理，获得原始话题文本溯源结果，包括：

通过目标话题文本处理模型的文本内容溯源处理子模型，对所述热点话题文本集进行多个预设本文传输轨迹的文本内容溯源处理，得到各所述预设本文传输轨迹对应的溯源结果集合；

通过所述目标话题文本处理模型的第一结果优化子模型，对所述溯源结果集合进行溯源结果优化处理，获得原始话题文本溯源结果；

其中，所述对所述原始话题文本溯源结果进行溯源结果优化处理，获得阶段性话题文本溯源结果，包括：

通过目标话题文本处理模型的第一文本应用识别子模型，根据预设会话操作参数对所述原始话题文本溯源结果进行文本使用情况识别，得到所述原始话题文本溯源结果的共性文本使用情况；

通过所述目标话题文本处理模型的第二结果优化子模型，对所述共性文本使用情况进行溯源结果优化处理，获得所述阶段性话题文本溯源结果；

其中，所述根据所述阶段性话题文本溯源结果进行针对话题文本使用申请的第一使用需求识别处理，得到用于响应所述话题文本使用申请的原始使用需求识别情况，包括：

通过目标话题文本处理模型的第一需求挖掘子模型，根据所述阶段性话题文本溯源结果挖掘所述热点话题文本集中针对话题文本使用申请的使用需求识别情况；

对所述话题文本使用申请的使用需求识别情况进行筛分，得到用于响应所述话题文本使用申请的原始使用需求识别情况；

其中，所述对所述原始话题文本溯源结果和所述阶段性话题文本溯源结果进行溯源结果合并，并对合并后的话题文本溯源结果进行溯源结果优化处理，获得整体性话题文本溯源结果，包括：

将所述原始话题文本溯源结果和所述阶段性话题文本溯源结果传入至目标话题文本处理模型的第二文本应用识别子模型；

根据所述原始话题文本溯源结果和所述阶段性话题文本溯源结果刷新所述第二文本应用识别子模型的会话操作参数，得到刷新后的会话操作参数；

对所述原始话题文本溯源结果和所述阶段性话题文本溯源结果进行溯源结果合并，得到合并后的话题文本溯源结果；

根据所述刷新后的会话操作参数，对所述合并后的话题文本溯源结果进行文本使用情况识别，得到所述合并后的话题文本溯源结果对应的共性文本使用情况；

通过所述目标话题文本处理模型的第三结果优化子模型，对所述共性文本使用情况进行溯源结果优化处理，得到整体性话题文本溯源结果。

优选地，所述阶段性话题文本溯源结果对应第一溯源结果集合；所述根据所述过滤后存留的使用需求识别情况的话题文本关键词和所述阶段性话题文本溯源结果对应的话题文本关键词，对所述过滤后存留的使用需求识别情况进行挑选，得到挑选后的使用需求识别情况，包括：

获取所述过滤后存留的使用需求识别情况的文本应用关键描述在所述第一溯源结果集合中的映射话题文本关键词；

根据所述映射话题文本关键词对所述过滤后存留的使用需求识别情况进行挑选，得到挑选后的使用需求识别情况；

其中，所述根据所述映射话题文本关键词对所述过滤后存留的使用需求识别情况进行挑选，得到挑选后的使用需求识别情况，包括：

当多个使用需求识别情况的文本应用关键描述在相同第一溯源结果集合的映射话题文本关键词相同时，从所述多个使用需求识别情况中选定其中一个使用需求识别情况；

根据不具有相同映射话题文本关键词的使用需求识别情况以及选定的所述使用需求识别情况，得到挑选后的使用需求识别情况。

优选地，所述根据所述整体性话题文本溯源结果和所述挑选后的使用需求识别情况进行针对所述话题文本使用申请的第二使用需求识别处理，以刷新所述挑选后的使用需求识别情况，并根据刷新后的使用需求识别情况确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本，包括：

通过目标话题文本处理模型的第二需求挖掘子模型，根据所述整体性话题文本溯源结果从所述原始使用需求识别情况中选定使用需求识别情况；

根据选定的所述使用需求识别情况进行针对所述话题文本使用申请的层次化识别处理，得到刷新后的使用需求识别情况，并根据刷新后的使用需求识别情况确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本；

其中，所述整体性话题文本溯源结果对应第二溯源结果集合；所述根据所述整体性话题文本溯源结果从所述原始使用需求识别情况中选定使用需求识别情况，包括：

获取所述原始使用需求识别情况的话题文本关键词在所述第二溯源结果集合中的映射话题文本关键词；

当多个原始使用需求识别情况的话题文本关键词在相同第二溯源结果集合中的映射话题文本关键词相同时，获取各个原始使用需求识别情况的使用需求相关性；

根据所述使用需求相关性从所述原始使用需求识别情况中选定最终使用需求相关性对应的使用需求识别情况，得到选定的使用需求识别情况。

优选地，根据刷新后的使用需求识别情况确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本，包括：

基于刷新后的使用需求识别情况获取第一话题文本使用日志集、第二话题文本使用日志集、以及网络参量设置一致的目标使用状态跟进网络和参考使用状态跟进网络；所述第一话题文本使用日志集中包括异常话题文本使用日志，所述第二话题文本使用日志集中不包括异常话题文本使用日志，所述异常话题文本使用日志是携带文本使用风险提示的使用日志；

采用所述第一话题文本使用日志集中的第一话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量改进；

将所述目标使用状态跟进网络的网络参量传递到所述参考使用状态跟进网络；

采用所述第二话题文本使用日志集中的第二话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度创建针对使用状态而言的阶段性训练样本集合训练所述参考使用状态跟进网络，对所述第一话题文本使用日志进行话题文本关注度刷新；

采用所述第一话题文本使用日志、并根据所述第一话题文本使用日志刷新后的话题文本关注度再次训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量的再次改进；

重复迭代进行所述网络参量改进、所述话题文本关注度刷新和所述网络参量的再次改进，直到符合训练完成条件时终止训练；

采用所述目标使用状态跟进网络识别出所述话题文本使用申请对应的使用状态预置信息，通过所述使用状态预置信息从所述热点话题文本集中确定出满足设定使用状态条件的待下发话题文本；

其中，所述采用所述第一话题文本使用日志集中的第一话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量改进，包括：

从所述第一话题文本使用日志集中选定至少两个第一话题文本使用日志；

将所述至少两个第一话题文本使用日志分别传入所述目标使用状态跟进网络，得到所述至少两个第一话题文本使用日志各自对应的目标阶段性训练样本集合；

将所述目标阶段性训练样本集合按照各自对应的第一话题文本使用日志的话题文本关注度，创建目标整体性训练样本集合；

按照基于文本应用反馈筛分所述目标整体性训练样本集合的训练样本集合标定指示，对所述目标使用状态跟进网络进行网络参量改进；

其中，所述采用所述第一话题文本使用日志、并根据所述第一话题文本使用日志刷新后的话题文本关注度再次训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量的再次改进，包括：

将所述至少两个第一话题文本使用日志分别传入网络参量改进后的所述目标使用状态跟进网络，得到所述至少两个第一话题文本使用日志各自对应的刷新后的目标阶段性训练样本集合；

将所述刷新后的目标阶段性训练样本集合按照各自对应的第一话题文本使用日志刷新后的话题文本关注度，刷新所述目标整体性训练样本集合；按照基于文本应用反馈筛分刷新后的目标整体性训练样本集合的训练样本集合标定指示，对所述目标使用状态跟进网络进行网络参量的再次改进；

其中，所述采用所述第一话题文本使用日志集中的第一话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量改进，包括：

获取所述第一话题文本使用日志集中的第一话题文本使用日志；

按照文本使用时段拆解所述第一话题文本使用日志得到话题文本应用项目对应的项目关键描述；将所述话题文本应用项目对应的项目关键描述传入所述目标使用状态跟进网络得到目标阶段性训练样本集合；

将所述第一话题文本使用日志的话题文本关注度匹配至所述目标阶段性训练样本集合后，按照基于文本应用反馈筛分所述目标阶段性训练样本集合的训练样本集合标定指示，对所述目标使用状态跟进网络进行网络参量改进。

优选地，所述目标话题文本处理模型通过训练步骤训练获得，所述训练步骤包括：

获取样本话题文本和样本文本应用日志；所述样本文本应用日志是所述样本话题文本中针对样本话题文本使用申请的文本应用日志；

基于所述样本话题文本和所述样本文本应用日志对待训练的目标话题文本处理模型进行训练，当满足设定判定条件时停止训练，得到完成训练的目标话题文本处理模型。

优选地，所述基于所述样本话题文本和所述样本文本应用日志对待训练的目标话题文本处理模型进行训练，当满足设定判定条件时停止训练，得到完成训练的目标话题文本处理模型，包括：

将所述样本话题文本传入待训练的目标话题文本处理模型，分析所述样本话题文本的原始样本话题文本溯源结果；

通过所述目标话题文本处理模型的第一文本应用识别子模型，对所述原始样本话题文本溯源结果进行溯源结果优化处理，获得第一样本话题文本溯源结果；

通过所述目标话题文本处理模型的第一需求挖掘子模型，根据所述第一样本话题文本溯源结果进行针对样本话题文本使用申请的第一使用需求识别处理，得到原始样本使用需求识别情况；

通过所述目标话题文本处理模型的第二文本应用识别子模型，对所述原始样本话题文本溯源结果和所述第一样本话题文本溯源结果进行溯源结果合并，并对合并后的样本话题文本溯源结果进行溯源结果优化处理，获得第二样本话题文本溯源结果；

通过所述目标话题文本处理模型的第二需求挖掘子模型，根据所述第二样本话题文本溯源结果和所述原始样本使用需求识别情况进行针对所述样本话题文本使用申请的第二使用需求识别处理，得到针对样本话题文本使用申请的样本使用需求识别情况；

基于所述样本使用需求识别情况与所述样本文本应用日志的比较分析情况，刷新所述目标话题文本处理模型的模型变量，并再次进行训练，直到符合设定判定条件时停止训练。

本申请实施例之一提供一种话题服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行上述的方法。

本申请实施例之一提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。

在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请的一些实施例所示的一种示例性基于人工智能的热点话题数据处理方法和/或过程的流程图；

图2是根据本申请的一些实施例所示的一种示例性基于人工智能的热点话题数据处理装置的框图；

图3是根据本申请的一些实施例所示的一种示例性基于人工智能的热点话题数据处理系统的框图，以及

图4是根据本申请的一些实施例所示的一种示例性话题服务器中硬件和软件组成的示意图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

鉴于背景技术所述的技术问题，发明人针对性地提出了一种基于人工智能的热点话题数据处理方法及话题服务器，能够对热点话题文本集进行文本内容溯源处理，同时对社群话题客户端上报的话题文本使用申请进行使用需求解析，这样能够将社群话题客户端的文本使用需求考虑在内，从而基于话题文本使用申请确定出待下发话题文本，这样能够确保待下发话题文本不会影响到话题文本拥有方的正常文本使用情况。同时，通过对社群话题客户端的话题文本使用情况进行跟进（持续性检测），能够避免社群话题客户端对待下发话题文本进行非法篡改和破坏。

首先，对一种基于人工智能的热点话题数据处理方法进行示例性的说明，请参阅图1，是根据本申请的一些实施例所示的一种示例性基于人工智能的热点话题数据处理方法和/或过程的流程图，基于人工智能的热点话题数据处理方法可以包括以下步骤S1-步骤S3所描述的技术方案。

步骤S1，响应所述社群话题客户端上报的话题文本使用申请。

在本申请实施例中，社群话题客户端与话题服务器通信，社群话题客户端可以是手机、平板电脑、笔记本电脑或者其他智能设备。进一步地，社群话题客户端可以在进行话题文本互动时向话题服务器发送话题文本使用申请。其中，社群话题客户端的话题文本互动。话题文本使用申请可以是“请求使用XXX热点话题文本以进行论文参考处理”。可以理解，XXX热点话题文本是社群话题客户端没有的，而话题服务器预存的热点话题文本集中包括XXX热点话题文本。

在本申请实施例中，话题服务器在响应话题文本使用申请时，可以对社群话题客户端进行身份验证，以确保社群话题客户端的合法性。

步骤S2，对热点话题文本集进行文本内容溯源处理获得原始话题文本溯源结果，并确定出与所述话题文本使用申请对应的使用需求识别情况，基于与所述话题文本使用申请对应的使用需求识别情况，确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本。

在本申请实施例中，通过对热点话题文本集进行文本内容溯源处理，能够将不同的话题文本对应的话题文本拥有方的实际文本使用情况考虑在内，从而确保确定出的待下发话题文本既能够满足社群话题客户端的文本使用需求，又能够确保待下发话题文本对应的话题文本拥有方的正常文本使用。进一步地，原始话题文本溯源结果可以表征不同的话题文本的溯源结果，比如热点话题文本集包括话题文本topic_textA、话题文本topic_textB、话题文本topic_textC和话题文本topic_textD，那么话题文本topic_textA的溯源结果可以是话题文本拥有方a，话题文本topic_textB的溯源结果可以是话题文本拥有方b，话题文本topic_textC的溯源结果可以是话题文本拥有方c，话题文本topic_textD的溯源结果可以是话题文本拥有方d。可以理解，使用需求识别情况可以用于表征社群话题客户端准备采用待下发话题文本进行何种处理。

可以理解，基于使用需求识别情况确定出的待下发话题文本不仅能够尽可能满足社群话题客户端的文本使用需求，还能够避免待下发话题文本处于共享状态时对话题文本拥有方的正常文本使用情况的影响。

在实际实施过程中，如何保证社群话题客户端和话题文本拥有方之间的文本使用兼容性是非常重要的，如果倾向话题文本拥有方，可能导致社群话题客户端难以获得完整的话题文本，如果倾向社群话题客户端，可能会影响话题文本拥有方的正常文本使用，因此，为改善上述问题，步骤S2可以通过以下步骤S21-步骤S24所描述的内容实现。

步骤S21，对热点话题文本集进行文本内容溯源处理，获得原始话题文本溯源结果；对所述原始话题文本溯源结果进行溯源结果优化处理，获得阶段性话题文本溯源结果；根据所述阶段性话题文本溯源结果进行针对话题文本使用申请的第一使用需求识别处理，得到用于响应所述话题文本使用申请的原始使用需求识别情况。在本申请实施例中，通过对原始话题文本溯源结果进行溯源结果优化处理，能够将一些干扰性溯源结果过滤，从而确保阶段性话题文本溯源结果的准确性。通过对话题文本使用申请进行第一使用需求识别处理，能够确保得到的原始使用需求识别情况涵盖话题文本使用申请对应的尽可能多的使用需求。

在一些可能的实施例中，所述对热点话题文本集进行文本内容溯源处理，获得原始话题文本溯源结果，包括：通过目标话题文本处理模型的文本内容溯源处理子模型，对所述热点话题文本集进行多个预设本文传输轨迹的文本内容溯源处理，得到各所述预设本文传输轨迹对应的溯源结果集合；通过所述目标话题文本处理模型的第一结果优化子模型，对所述溯源结果集合进行溯源结果优化处理，获得原始话题文本溯源结果。

在另一些示例中，所述对所述原始话题文本溯源结果进行溯源结果优化处理，获得阶段性话题文本溯源结果，包括：通过目标话题文本处理模型的第一文本应用识别子模型，根据预设会话操作参数对所述原始话题文本溯源结果进行文本使用情况识别，得到所述原始话题文本溯源结果的共性文本使用情况；通过所述目标话题文本处理模型的第二结果优化子模型，对所述共性文本使用情况进行溯源结果优化处理，获得所述阶段性话题文本溯源结果。

在又一示例中，所述根据所述阶段性话题文本溯源结果进行针对话题文本使用申请的第一使用需求识别处理，得到用于响应所述话题文本使用申请的原始使用需求识别情况，包括：通过目标话题文本处理模型的第一需求挖掘子模型，根据所述阶段性话题文本溯源结果挖掘所述热点话题文本集中针对话题文本使用申请的使用需求识别情况；对所述话题文本使用申请的使用需求识别情况进行筛分，得到用于响应所述话题文本使用申请的原始使用需求识别情况。

在本申请实施例中，目标话题文本处理模型可以是机器学习模型，例如卷积神经网络模型和分类器模型等，在此不作限定。进一步地，目标话题文本处理模型中可以包括多个不同的功能网络层，例如上述提到的文本内容溯源处理子模型、文本应用识别子模型、结果优化子模型、需求挖掘子模型等，这些子模型也可以理解为网络层，目标话题文本处理模型及其网络层可以通过训练得到，进一步地，对于目标话题文本处理模型的训练，可以通过以下步骤a和步骤b实现。

步骤a，获取样本话题文本和样本文本应用日志；所述样本文本应用日志是所述样本话题文本中针对样本话题文本使用申请的文本应用日志。在本申请实施例中，样本话题文本和样本文本应用日志可以是之前的某个时间段内的。

步骤b，基于所述样本话题文本和所述样本文本应用日志对待训练的目标话题文本处理模型进行训练，当满足设定判定条件时停止训练，得到完成训练的目标话题文本处理模型。

进一步地，对于步骤b而言，还可以通过以下方式实现：将所述样本话题文本传入待训练的目标话题文本处理模型，分析所述样本话题文本的原始样本话题文本溯源结果；通过所述目标话题文本处理模型的第一文本应用识别子模型，对所述原始样本话题文本溯源结果进行溯源结果优化处理，获得第一样本话题文本溯源结果；通过所述目标话题文本处理模型的第一需求挖掘子模型，根据所述第一样本话题文本溯源结果进行针对样本话题文本使用申请的第一使用需求识别处理，得到原始样本使用需求识别情况；通过所述目标话题文本处理模型的第二文本应用识别子模型，对所述原始样本话题文本溯源结果和所述第一样本话题文本溯源结果进行溯源结果合并，并对合并后的样本话题文本溯源结果进行溯源结果优化处理，获得第二样本话题文本溯源结果；通过所述目标话题文本处理模型的第二需求挖掘子模型，根据所述第二样本话题文本溯源结果和所述原始样本使用需求识别情况进行针对所述样本话题文本使用申请的第二使用需求识别处理，得到针对样本话题文本使用申请的样本使用需求识别情况；基于所述样本使用需求识别情况与所述样本文本应用日志的比较分析情况，刷新所述目标话题文本处理模型的模型变量，并再次进行训练，直到符合设定判定条件时停止训练。

在本申请实施例中，设定判定条件可以是目标话题文本处理模型对测试集的处理耗时低于设定耗时，或者目标话题文本处理模型的训练迭代次数达到设定次数，在此不作限定，进一步地，对目标话题文本处理模型的模型变量的刷新（更新优化）的底层内容在此不作赘述。

如此设计，基于之前的样本话题文本和样本文本应用日志能够实现对目标话题文本处理模型的精准化训练，从而能够确保目标话题文本处理模型的模型性能，便于将目标话题文本处理模型应用到当前的话题会话环境下，此外，通过上述迭代训练，能够基于所述样本使用需求识别情况与所述样本文本应用日志的比较分析情况尽可能地提高目标话题文本处理模型的泛化能力。

步骤S22，对所述原始话题文本溯源结果和所述阶段性话题文本溯源结果进行溯源结果合并，并对合并后的话题文本溯源结果进行溯源结果优化处理，获得整体性话题文本溯源结果；获取所述原始使用需求识别情况中各使用需求识别情况对应的使用需求相关性；对所述使用需求相关性未达到预设相关性阈值的使用需求识别情况进行过滤，得到过滤后存留的使用需求识别情况。在本申请实施例中，通过进行溯源结果合并，能够从整体性层面确定热点话题文本集的资源溯源结果，使用需求相关性可以用于表征各使用需求识别情况与其他使用需求识别情况之间的需求相似度，使用需求相关性的取值范围可以是0~1，预设相关性阈值可以是0.8，也可以是0.7，在此不作限定。如此设计，通过对使用需求识别情况进行筛分，能够确保过滤后存留的使用需求识别情况具有较高的使用需求相关性，从而便于后续进行整体性性的使用需求分析。

在一些可能的实施例中，所述对所述原始话题文本溯源结果和所述阶段性话题文本溯源结果进行溯源结果合并，并对合并后的话题文本溯源结果进行溯源结果优化处理，获得整体性话题文本溯源结果，包括：将所述原始话题文本溯源结果和所述阶段性话题文本溯源结果传入至目标话题文本处理模型的第二文本应用识别子模型；根据所述原始话题文本溯源结果和所述阶段性话题文本溯源结果刷新所述第二文本应用识别子模型的会话操作参数，得到刷新后的会话操作参数；对所述原始话题文本溯源结果和所述阶段性话题文本溯源结果进行溯源结果合并，得到合并后的话题文本溯源结果；根据所述刷新后的会话操作参数，对所述合并后的话题文本溯源结果进行文本使用情况识别，得到所述合并后的话题文本溯源结果对应的共性文本使用情况；通过所述目标话题文本处理模型的第三结果优化子模型，对所述共性文本使用情况进行溯源结果优化处理，得到整体性话题文本溯源结果。

在本申请实施例中，会话操作参数可以是相关的执行函数。刷新会话操作参数可以理解为对会话动作数据的传递情况进行调整。可以理解，基于会话操作参数层面进行溯源结果优化处理，能够确保整体性话题文本溯源结果与用户的文本使用情况高度相关，从而尽可能确保社群话题客户端和话题文本拥有方之间的文本使用情况的平衡。

步骤S23，根据所述过滤后存留的使用需求识别情况的话题文本关键词和所述阶段性话题文本溯源结果对应的话题文本关键词，对所述过滤后存留的使用需求识别情况进行挑选，得到挑选后的使用需求识别情况。在本申请实施例中，话题文本关键词用于对使用需求识别情况以及阶段性话题文本溯源结果进行区分，通过话题文本关键词对使用需求识别情况进行挑选，能够确保挑选后的使用需求识别情况具有较高的关键词热度，从而尽可能考虑到更多的话题文本拥有方的正常文本使用情况需求。

在一些可能的实施例中，所述阶段性话题文本溯源结果对应第一溯源结果集合，基于此，所述根据所述过滤后存留的使用需求识别情况的话题文本关键词和所述阶段性话题文本溯源结果对应的话题文本关键词，对所述过滤后存留的使用需求识别情况进行挑选，得到挑选后的使用需求识别情况，包括：获取所述过滤后存留的使用需求识别情况的文本应用关键描述在所述第一溯源结果集合中的映射话题文本关键词；根据所述映射话题文本关键词对所述过滤后存留的使用需求识别情况进行挑选，得到挑选后的使用需求识别情况。在本申请实施例中，映射话题文本关键词可以是文本应用关键描述映射到第一溯源结果集合中对应的标签，而文本应用关键描述可以用于区分不同的使用需求识别情况。进一步地，所述根据所述映射话题文本关键词对所述过滤后存留的使用需求识别情况进行挑选，得到挑选后的使用需求识别情况，包括：当多个使用需求识别情况的文本应用关键描述在相同第一溯源结果集合的映射话题文本关键词相同时，从所述多个使用需求识别情况中选定其中一个使用需求识别情况；根据不具有相同映射话题文本关键词的使用需求识别情况以及选定的所述使用需求识别情况，得到挑选后的使用需求识别情况。

步骤S24，根据所述整体性话题文本溯源结果和所述挑选后的使用需求识别情况进行针对所述话题文本使用申请的第二使用需求识别处理，以刷新所述挑选后的使用需求识别情况，并根据刷新后的使用需求识别情况确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本。在本申请实施例中，通过进行第二使用需求识别处理，能够确保刷新后的使用需求识别情况可以平衡社群话题客户端和话题文本拥有方之间的文本使用需求冲突。

在一些可能的实施例中，步骤S24可以包括以下内容：通过目标话题文本处理模型的第二需求挖掘子模型，根据所述整体性话题文本溯源结果从所述原始使用需求识别情况中选定使用需求识别情况；根据选定的所述使用需求识别情况进行针对所述话题文本使用申请的层次化识别处理，得到刷新后的使用需求识别情况，并根据刷新后的使用需求识别情况确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本。在本申请实施例中，层次化识别处理可以理解为按照设定时间步长进行解析。

进一步地，所述整体性话题文本溯源结果对应第二溯源结果集合，基于此，所述根据所述整体性话题文本溯源结果从所述原始使用需求识别情况中选定使用需求识别情况，包括：获取所述原始使用需求识别情况的话题文本关键词在所述第二溯源结果集合中的映射话题文本关键词；当多个原始使用需求识别情况的话题文本关键词在相同第二溯源结果集合中的映射话题文本关键词相同时，获取各个原始使用需求识别情况的使用需求相关性；根据所述使用需求相关性从所述原始使用需求识别情况中选定最终使用需求相关性对应的使用需求识别情况，得到选定的使用需求识别情况。

在上述内容的基础上，为了确保待下发话题文本能够尽可能同时满足社群话题客户端和话题文本拥有方的文本使用需求，在上述步骤S24的进一步内容中，根据刷新后的使用需求识别情况确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本，可以包括以下步骤S241-步骤S247。

步骤S241，基于刷新后的使用需求识别情况获取第一话题文本使用日志集、第二话题文本使用日志集、以及网络参量设置一致的目标使用状态跟进网络和参考使用状态跟进网络；所述第一话题文本使用日志集中包括异常话题文本使用日志，所述第二话题文本使用日志集中不包括异常话题文本使用日志，所述异常话题文本使用日志是携带文本使用风险提示的使用日志。在本申请实施例中，目标使用状态跟进网络和参考使用状态跟进网络同样可以是机器学习模型。文本使用风险提示可以是话题文本拥有方发出的，例如话题文本拥有方在进行文本段落调用过程中发现文本段落缺失而发出的文本使用风险提示。

步骤S242，采用所述第一话题文本使用日志集中的第一话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量改进。在本申请实施例中，话题文本关注度可以理解为第一话题文本使用日志在一定时间段内被使用的累计次数，例如话题文本关注度attention=n/t，其中n为第一话题文本使用日志在时间段t内被使用的累计次数。

在一些可能的实施例中，所述采用所述第一话题文本使用日志集中的第一话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量改进，包括：从所述第一话题文本使用日志集中选定至少两个第一话题文本使用日志；将所述至少两个第一话题文本使用日志分别传入所述目标使用状态跟进网络，得到所述至少两个第一话题文本使用日志各自对应的目标阶段性训练样本集合；将所述目标阶段性训练样本集合按照各自对应的第一话题文本使用日志的话题文本关注度，创建目标整体性训练样本集合；按照基于文本应用反馈筛分所述目标整体性训练样本集合的训练样本集合标定指示，对所述目标使用状态跟进网络进行网络参量改进。

在另外的一些示例中，所述采用所述第一话题文本使用日志集中的第一话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量改进，包括：获取所述第一话题文本使用日志集中的第一话题文本使用日志；按照文本使用时段拆解所述第一话题文本使用日志得到话题文本应用项目对应的项目关键描述；将所述话题文本应用项目对应的项目关键描述传入所述目标使用状态跟进网络得到目标阶段性训练样本集合；将所述第一话题文本使用日志的话题文本关注度匹配至所述目标阶段性训练样本集合后，按照基于文本应用反馈筛分所述目标阶段性训练样本集合的训练样本集合标定指示，对所述目标使用状态跟进网络进行网络参量改进。

步骤S243，将所述目标使用状态跟进网络的网络参量传递到所述参考使用状态跟进网络。在本申请实施例中，网络参量传递可以理解为目标使用状态跟进网络和参考使用状态跟进网络都使用相同的网络参量。

步骤S244，采用所述第二话题文本使用日志集中的第二话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度创建针对使用状态而言的阶段性训练样本集合训练所述参考使用状态跟进网络，对所述第一话题文本使用日志进行话题文本关注度刷新。在本申请实施例中，通过对第一话题文本使用日志进行话题文本关注度刷新，能够确保第一话题文本使用日志进行话题文本关注度的时效性。

在一个可选的实施例中，所述采用所述第二话题文本使用日志集中的第二话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度创建针对使用状态而言的阶段性训练样本集合训练所述参考使用状态跟进网络，对所述第一话题文本使用日志进行话题文本关注度刷新，包括：获取所述第二话题文本使用日志集中的第二话题文本使用日志；将所述第二话题文本使用日志传入所述参考使用状态跟进网络，得到所述第二话题文本使用日志对应的、且以所述第一话题文本使用日志的话题文本关注度为参考变量的针对使用状态而言的阶段性训练样本集合；所述针对使用状态而言的阶段性训练样本集合以所述参考使用状态跟进网络的网络参量为参考变量；所述参考使用状态跟进网络的网络参量与所述目标使用状态跟进网络的网络参量相一致；所述目标使用状态跟进网络的网络参量以所述第一话题文本使用日志的话题文本关注度为参考变量；按照基于文本应用反馈筛分所述针对使用状态而言的阶段性训练样本集合的训练样本集合标定指示，对所述第一话题文本使用日志进行话题文本关注度刷新。

在另一个可选的实施例中，所述采用所述第二话题文本使用日志集中的第二话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度创建针对使用状态而言的阶段性训练样本集合训练所述参考使用状态跟进网络，对所述第一话题文本使用日志进行话题文本关注度刷新，包括：获取所述第二话题文本使用日志集中的第二话题文本使用日志；将所述第二话题文本使用日志传入所述参考使用状态跟进网络，得到所述第二话题文本使用日志对应的、且以所述第一话题文本使用日志的话题文本关注度为参考变量的针对使用状态而言的阶段性训练样本集合；所述针对使用状态而言的阶段性训练样本集合以所述参考使用状态跟进网络的网络参量为参考变量；所述参考使用状态跟进网络的网络参量与所述目标使用状态跟进网络的网络参量相一致；所述目标使用状态跟进网络的网络参量以所述第一话题文本使用日志的话题文本关注度为参考变量；按照基于文本应用反馈筛分所述针对使用状态而言的阶段性训练样本集合的训练样本集合标定指示，对所述第一话题文本使用日志进行话题文本关注度刷新。

其中，按照基于文本应用反馈筛分所述针对使用状态而言的阶段性训练样本集合的训练样本集合标定指示，对所述第一话题文本使用日志进行话题文本关注度刷新，可以通过以下两种实施方式实现。

第一种实施方式，通过所述针对使用状态而言的阶段性训练样本集合对所述第一话题文本使用日志的话题文本关注度进行关注度波动情况的识别，得到文本关注度波动轨迹；查询所述目标使用状态跟进网络的状态跟进耗时；根据所述文本关注度波动轨迹和所述状态跟进耗时生成所述第一话题文本使用日志刷新后的话题文本关注度。

针对第二种实施方式，首先对所述采用所述第一话题文本使用日志集中的第一话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量改进进行说明：从所述第一话题文本使用日志集中选定至少两个第一话题文本使用日志；采用所述至少两个第一话题文本使用日志、并根据所述至少两个第一话题文本使用日志的话题文本关注度训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量改进。在此基础上，所述按照基于文本应用反馈筛分所述针对使用状态而言的阶段性训练样本集合的训练样本集合标定指示，对所述第一话题文本使用日志进行话题文本关注度刷新，包括：将所述至少两个第一话题文本使用日志依次作为当前待刷新记录；按照基于文本应用反馈筛分所述针对使用状态而言的阶段性训练样本集合的训练样本集合标定指示，对所述当前待刷新记录进行话题文本关注度刷新。

此外，对于采用所述第二话题文本使用日志集中的第二话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度创建针对使用状态而言的阶段性训练样本集合训练所述参考使用状态跟进网络，对所述第一话题文本使用日志进行话题文本关注度刷新的步骤而言，还可以包括：从所述第二话题文本使用日志集中选定至少两个第二话题文本使用日志；将所述至少两个第二话题文本使用日志分别传入所述参考使用状态跟进网络，得到所述至少两个第二话题文本使用日志各自对应的、且以所述第一话题文本使用日志的话题文本关注度为参考变量的针对使用状态而言的阶段性训练样本集合；所述针对使用状态而言的阶段性训练样本集合以所述参考使用状态跟进网络的网络参量为参考变量；所述参考使用状态跟进网络的网络参量与所述目标使用状态跟进网络的网络参量相一致；所述目标使用状态跟进网络的网络参量以所述第一话题文本使用日志的话题文本关注度为参考变量；基于各所述针对使用状态而言的阶段性训练样本集合，得到针对使用状态而言的整体性训练样本集合；按照基于文本应用反馈筛分所述针对使用状态而言的整体性训练样本集合的训练样本集合标定指示，对所述第一话题文本使用日志进行话题文本关注度刷新。

由此可见，在实施采用所述第二话题文本使用日志集中的第二话题文本使用日志、并根据所述第一话题文本使用日志的话题文本关注度创建针对使用状态而言的阶段性训练样本集合训练所述参考使用状态跟进网络，对所述第一话题文本使用日志进行话题文本关注度刷新的实施方式时，可以选用上述任意一种方式进行，在此不作限定，从而能够灵活地实现话题文本关注度的刷新，从而确保上述方案的灵活实施，避免受到限制。

步骤S245，采用所述第一话题文本使用日志、并根据所述第一话题文本使用日志刷新后的话题文本关注度再次训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量的再次改进。可以理解，通过对目标使用状态跟进网络进行网络参量的再次改进，能够确保目标使用状态跟进网络的时效性，从而确保后续应用目标使用状态跟进网络时能够快速、准确地识别出话题文本使用申请对应的使用状态预置信息。

在一些可能的实施例中，所述采用所述第一话题文本使用日志、并根据所述第一话题文本使用日志刷新后的话题文本关注度再次训练所述目标使用状态跟进网络，对所述目标使用状态跟进网络进行网络参量的再次改进，包括：将所述至少两个第一话题文本使用日志分别传入网络参量改进后的所述目标使用状态跟进网络，得到所述至少两个第一话题文本使用日志各自对应的刷新后的目标阶段性训练样本集合；将所述刷新后的目标阶段性训练样本集合按照各自对应的第一话题文本使用日志刷新后的话题文本关注度，刷新所述目标整体性训练样本集合；按照基于文本应用反馈筛分刷新后的目标整体性训练样本集合的训练样本集合标定指示，对所述目标使用状态跟进网络进行网络参量的再次改进。

步骤S246，重复迭代进行所述网络参量改进、所述话题文本关注度刷新和所述网络参量的再次改进，直到符合训练完成条件时终止训练。在本申请实施例中，训练完成条件可以根据实际话题互动情况进行设定，在此不作限定。

步骤S247，采用所述目标使用状态跟进网络识别出所述话题文本使用申请对应的使用状态预置信息，通过所述使用状态预置信息从所述热点话题文本集中确定出满足设定使用状态条件的待下发话题文本。在本申请实施例中，使用状态预置信息用于表征社群话题客户端和话题文本拥有方各自对应的使用状态的配置情况，而通过使用状态预置信息确定待下发话题文本，能够确保待下发话题文本尽可能同时满足社群话题客户端和话题文本拥有方的文本使用需求。因此，在本申请实施例中，设定使用状态条件可以是针对社群话题客户端和话题文本拥有方的文本使用需求共同设计的，比如社群话题客户端的话题匹配度和话题文本拥有方的话题文本互动异常率之间的加权和，当然也可以是其他的非数值类型的指标，在此不作限定。

步骤S3，将所述待下发话题文本传输至所述社群话题客户端，并对所述社群话题客户端的话题文本使用情况进行跟进。

在本申请实施例中，话题服务器在将待下发话题文本下发后，能够实时跟进社群话题客户端的话题文本使用情况，从而确保社群话题客户端的话题文本使用情况的安全性和合法性，可以在跟进到社群话题客户端可能存在异常话题文本使用行为时及时进行制止，避免因待下发话题文本被蓄意破坏而导致话题文本拥有方的文本使用出现异常。

综上，通过实施上述步骤S1-步骤S3，在响应了社群话题客户端上报的话题文本使用申请之后能够对热点话题文本集进行文本内容溯源处理获得原始话题文本溯源结果，进而确定出话题文本使用申请对应的使用需求识别情况，这样可以确定出热点话题文本集中的话题文本使用申请对应的待下发话题文本。如此设计，能够将不同的话题文本对应的话题文本拥有方的实际文本使用情况考虑在内，从而确保确定出的待下发话题文本既能够满足社群话题客户端的文本使用需求，又能够确保待下发话题文本对应的话题文本拥有方的正常文本使用。进一步地，对社群话题客户端的话题文本使用情况进行跟进，确保社群话题客户端的话题文本使用情况的安全性和合法性，可以在跟进到社群话题客户端可能存在异常话题文本使用行为时及时进行制止，避免因待下发话题文本被蓄意破坏而导致话题文本拥有方的文本使用出现异常。

当然，在实际实施过程中，还可以仅实施上述步骤S1和步骤S2，步骤S3可以选择性实施，在此不作限定。

其次，针对上述基于人工智能的热点话题数据处理方法，本申请实施例还提出了一种示例性的基于人工智能的热点话题数据处理装置，如图2所示，基于人工智能的热点话题数据处理装置200可以包括以下的功能模块。

使用申请响应模块210，用于响应所述社群话题客户端上报的话题文本使用申请。

话题文本确定模块220，用于对热点话题文本集进行文本内容溯源处理获得原始话题文本溯源结果，并确定出与所述话题文本使用申请对应的使用需求识别情况，基于与所述话题文本使用申请对应的使用需求识别情况，确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本。

话题文本传输模块230，用于将所述待下发话题文本传输至所述社群话题客户端，并对所述社群话题客户端的话题文本使用情况进行跟进。

然后，基于上述的方法实施例和装置实施例，本申请实施例还提出了一种系统实施例，也即基于人工智能的热点话题数据处理系统，请结合参阅图3，基于人工智能的热点话题数据处理系统30可以包括话题服务器10和社群话题客户端20。其中，话题服务器10和社群话题客户端20通信用以实施上述方法，进一步地，基于人工智能的热点话题数据处理系统30的功能性描述如下。

一种基于人工智能的热点话题数据处理系统，包括互相之间通信的话题服务器和社群话题客户端，所述话题服务器事先存储有热点话题文本集，所述话题服务器用于：响应所述社群话题客户端上报的话题文本使用申请；对热点话题文本集进行文本内容溯源处理获得原始话题文本溯源结果，并确定出与所述话题文本使用申请对应的使用需求识别情况，基于与所述话题文本使用申请对应的使用需求识别情况，确定出所述热点话题文本集中的所述话题文本使用申请对应的待下发话题文本；将所述待下发话题文本传输至所述社群话题客户端，并对所述社群话题客户端的话题文本使用情况进行跟进。

进一步地，请结合参阅图4，话题服务器10可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。

处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。

网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网络模块120可以包括有线或无线网路接入点，如基站和/或网路接入点。

存储器130可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。

可以理解，图4所示的结构仅为示意，话题服务器10还可包括比图2中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

需要理解的是，针对上述内容，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定相关技术术语所指代的含义，例如针对一些值、系数、权重、指数、因子等术语，本领域技术人员可以根据前后的逻辑关系进行推导和确定，这些数值的取值范围可以根据实际情况进行选定，例如0~1，又例如1~10，再例如50~100，在此均不作限定。

本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及目标的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“上一个”、“下一个”、“前一个”、“后一个”、“当前”、“历史”、“最新”、“最佳”、“目标”、“指定”和“实时”等，可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀，例如“列表”、“特征”、“序列”、“集合”、“矩阵”、“单元”、“元素”、“轨迹”和“清单”等，也可以根据前后文进行毫无疑义地推导和确定。

本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。

应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些可能的实施例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数存留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。