一种实体关系的抽取和组合方法、装置、存储介质及设备

技术领域

本发明涉及自然语言处理技术领域，应用于医疗领域，尤其涉及一种实体关系的抽取和组合方法、装置、存储介质及设备。

背景技术

实体关系抽取是信息抽取的基本任务之一，主要是为了识别出文本实体中的目标关系，是构建知识图谱的重要技术环节。当前，在信息抽取技术方面，实体关系主要是通过三元组的方式进行呈现。实体关系三元组包含三个部分，即第一实体、第二实体以及第一实体和第二实体之间的关系。

然而，在一些特定领域，知识复杂程度较高，实体关系三元组的信息抽取方式无法保证特定领域中信息的全面性和准确性。因为，实体关系不仅仅只有一种，有可能包括多种。比如，在医疗领域，许多医疗知识都是在满足一定条件的情况下才能够应用，例如疾病用药情况、治疗方案等均与疾病程度相关，症状表现也与个人身体状况相关。然而，现有的实体关系三元组的信息抽取方式，无法完整体现医疗知识。因此，亟需一种技术方案，能够提高信息抽取的全面性和准确性，帮助构建较为全面和准确的知识图谱。

发明内容

本发明提供了一种实体关系的抽取和组合方法、装置、存储介质及设备，以解决现有技术中，实体关系的信息抽取方式无法全面、准确地表达信息的技术问题。

第一方面，提供了一种实体关系的抽取和组合方法，包括：

获取目标医疗文本，对目标医疗文本进行预处理；

将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量；

将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系，其中，所述目标医疗文本中至少包括两个实体，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项；

判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。

在一种可能的实现方式中，所述获取目标医疗文本，对目标医疗文本进行预处理之前，还包括：

获取医疗文本样本集，对医疗文本样本集中的数据进行标注，形成包含实体关系的多个实体对数据集，其中，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项；

基于深度学习算法，将所述实体对数据集进行训练，构建生成实体关系抽取模型。

在一种可能的实现方式中，所述将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系，包括：

根据双仿射注意力机制，生成目标医疗文本中多个文本字符之间的实体信息矩阵和实体关系信息矩阵；

根据所述实体信息矩阵，确定目标医疗文本中的所有实体；

根据所述实体关系信息矩阵，确定目标医疗文本中的所有实体关系。

在一种可能的实现方式中，所述根据所述实体信息矩阵，确定目标医疗文本中的所有实体，包括：

依次判断所述实体信息矩阵的矩阵元素中是否包含预定义的实体阈值；

如果包含，则根据所述矩阵元素的行列信息，依次确定目标医疗文本中的实体。

在一种可能的实现方式中，所述根据所述实体关系信息矩阵，确定目标医疗文本中的所有实体关系，包括：

依次判断所述实体关系信息矩阵的矩阵元素中是否包含预定义的实体关系阈值；

如果包含，则根据所述矩阵元素的行列信息，依次确定目标医疗文本中的实体关系。

在一种可能的实现方式中，所述实体关系信息矩阵包括实体关系实体头位置矩阵和实体关系实体尾位置矩阵，所述依次判断所述实体关系信息矩阵的矩阵元素中是否包含预定义的实体关系阈值，包括：

依次判断所述实体关系实体头位置矩阵的矩阵元素中是否包含预定义的实体关系阈值；

如果包含，则继续依次判断所述实体关系实体尾位置矩阵的矩阵元素中是否包含预定义的实体关系阈值。

在一种可能的实现方式中，所述判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合，包括：

判断所述实体关系中是否包括条件关系；

如果包括，则从条件关系中抽取出条件实体；

将条件实体和条件实体对应的其它实体关系进行组合，生成目标医疗文本的实体关系组合。

第二方面，提供了一种实体关系的抽取和组合装置，包括：

文本预处理模块：用于获取目标医疗文本，对目标医疗文本进行预处理；

文本特征向量生成模块：用于将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量；

实体关系抽取模块：用于将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系，其中，所述医疗文本中至少包括两个实体，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项；

实体关系组合模块：用于判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。

在一种可能的实现方式中，上述实体关系的抽取和组合装置还包括实体关系抽取模型构建模块，用于：

获取医疗文本样本集，对医疗文本样本集中的数据进行标注，形成包含实体关系的多个实体对数据集，其中，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项；

基于深度学习算法，将所述实体对数据集进行训练，构建生成实体关系抽取模型。

在一种可能的实现方式中，上述实体关系抽取模块，还用于：

根据双仿射注意力机制，生成目标医疗文本中多个文本字符之间的实体信息矩阵和实体关系信息矩阵；

根据所述实体信息矩阵，确定目标医疗文本中的所有实体；

根据所述实体关系信息矩阵，确定目标医疗文本中的所有实体关系。

在一种可能的实现方式中，上述实体关系抽取模块，还用于：

依次判断所述实体信息矩阵的矩阵元素中是否包含预定义的实体阈值；

如果包含，则根据所述矩阵元素的行列信息，依次确定目标医疗文本中的实体。

在一种可能的实现方式中，上述实体关系抽取模块，还用于：

依次判断所述实体关系信息矩阵的矩阵元素中是否包含预定义的实体关系阈值；

如果包含，则根据所述矩阵元素的行列信息，依次确定目标医疗文本中的实体关系。

在一种可能的实现方式中，所述实体关系信息矩阵包括实体关系实体头位置矩阵和实体关系实体尾位置矩阵，上述实体关系抽取模块，还用于：

依次判断所述实体关系实体头位置矩阵的矩阵元素中是否包含预定义的实体关系阈值；

如果包含，则继续依次判断所述实体关系实体尾位置矩阵的矩阵元素中是否包含预定义的实体关系阈值。

在一种可能的实现方式中，所述实体关系组合模块，还用于：

判断所述实体关系中是否包括条件关系；

如果包括，则从条件关系中抽取出条件实体；

将条件实体和条件实体对应的其它实体关系进行组合，生成目标医疗文本的实体关系组合。

第三方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述实体关系的抽取和组合方法的步骤。

第四方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实体关系的抽取和组合方法的步骤。

上述实体关系的抽取和组合方法、装置、存储介质及电子设备，通过获取目标医疗文本，对目标医疗文本进行预处理；然后，将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量；并将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系；最后，判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。本申请根据上述步骤，能够将带条件关系的医疗文本信息通过实体关系组合的方式进行呈现，进而帮助构建较为全面和准确的医疗知识图谱。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中实体关系的抽取和组合方法的一流程示意图；

图2是本发明一实施例中实体关系抽取模型的构建方法的一流程示意图；

图3是图1中步骤S30的一具体实施方式流程示意图；

图4是图1中步骤S40的一具体实施方式流程示意图；

图5是本发明一实施例中实体关系的抽取和组合装置的一结构示意图；

图6是本发明一实施例中计算机设备的一结构示意图。

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。

在对本申请实施例进行详细的解释说明之前，先对本申请实施例涉及的应用场景予以介绍。

在复杂的医疗领域的知识场景下，医疗实体之间存在多种实体关系。比如，两个实体之间存在因果关系的同时，还与另外一个实体存在条件关系。并且，医疗领域中的大部分因果关系都是基于特定条件下才能成立。为了更加全面、完整和准确地构建相关医疗知识的关系图谱，本发明实施例，将包含条件关系的实体关系进行组合。通过组合后的实体关系，全面地呈现了医疗领域的知识图谱，进而提高了医疗领域知识的应用效率。

本发明实施例中的技术方案，可以通过服务器端抽取目标医疗文本的实体关系，并对抽取后的实体关系进行组合。具体地，将获取的目标医疗文本输入服务器端，然后在服务器端对目标医疗文本进行预处理，将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量；同时，将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系；最后，判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。服务器端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。

请参阅图1所示，图1是本发明一实施例中实体关系的抽取和组合方法的一流程示意图，包括如下步骤：

S10：获取目标医疗文本，对目标医疗文本进行预处理。

本申请实施例中的目标医疗文本可以是一句话，一段文字或者一篇文章及多篇文章的集合。为了方便理解本申请实施例中的技术方案，目标医疗文本可以假设为“甲减会导致女性患者代谢缓慢”。对目标医疗文本进行预处理主要是指，删除目标医疗文本中的无意义字符，比如停顿词和标点符号等。

S20：将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量。

本申请实施例中的文本特征提取模型是指预训练后的模型，比如，可以采取基于Bert(Bidirectional Encoder Representations from Transformers)算法的预训练模型提取出目标医疗文本特征向量。Bert模型，是基于变压器的双向编码器表示模型，通常用来进行预训练语言。

S30:将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系，其中，所述目标医疗文本中至少包括两个实体，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项。

本申请实施例中的实体关系抽取模型，主要是用于抽取出目标医疗文本中的所有实体和实体关系。请参阅图2所示，图2是本发明一实施例中实体关系抽取模型的构建方法的一流程示意图，具体包括：

S101:获取医疗文本样本集，对医疗文本样本集中的数据进行标注，形成包含实体关系的多个实体对数据集，其中，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项；

S102:基于深度学习算法，将所述实体对数据集进行训练，构建生成实体关系抽取模型。

医疗文本样本集主要是大量的医疗文本数据。比如，“头癣是浅部真菌引起的,浅部真菌可以感染很多的部位,足癣、手癣、股癣都是常见部位。当感染头皮时,很多患者可能因为感染真菌,感觉到痒,通过抓挠以后就造成自体的传播”为医疗文本数据的一段内容。对医疗文本样本集中的数据进行标注包括：对实体进行标注，对实体之间的实体关系进行标注。比如，上述文本数据中的内容，“头癣”被标注为一个实体，“浅部真菌”被标注为一个实体，两者之间的“因果关系”被标注为一个实体关系。同时，对实体进行标注还包括：标注实体在文本数据中的位置。比如，“头癣”的起始位置为0，终点位置为2。上述“头癣是浅部真菌引起”的实体及实体关系的标注为一个实体对的数据标注。同样地，可以对“当感染头皮时,很多患者可能因为感染真菌,感觉到痒”中的实体及实体关系进行标注，形成另外一个实体对的数据标注。

对医疗文本样本集中的数据进行标注后，可以基于深度学习算法，将所述实体对数据集进行训练，构建生成实体关系抽取模型。比如，可以采取Bert算法，对数据集进行训练，构建生成实体关系抽取模型，用于抽取出目标医疗文本中的所有实体和实体关系。请参阅图3所示，图3是图1中步骤S30的一具体实施方式流程示意图，包括如下步骤：

S31:根据双仿射注意力机制，生成目标医疗文本中多个文本字符之间的实体信息矩阵和实体关系信息矩阵；

S32:根据所述实体信息矩阵，确定目标医疗文本中的所有实体；

Bert模型中的双仿射注意力机制(Biaffine Attention)，主要是用于将实体识别和关系抽取联系在一起。首先，抽取实体标签；然后，通过实体标签信息与其他实体特征进行交互抽取关系。需要说明的是，双仿射注意力机制可以让实体头尾的token进行信息交互，进而识别出重叠、嵌套及不连续的实体，提高信息抽取的全面和准确性。

具体地，实体信息矩阵和实体关系信息矩阵均为目标医疗文本中多个文本字符之间的信息交互矩阵。其中，通过所述实体信息矩阵，确定目标医疗文本中的所有实体，具体包括如下步骤：

A1：依次判断所述实体信息矩阵的矩阵元素中是否包含预定义的实体阈值；

A2：如果包含，则根据所述矩阵元素的行列信息，依次确定目标医疗文本中的实体。

对于实体的抽取，如表格1中的实体信息矩阵所示，在抽取实体片段时，会构建L*L*N

/>

表格1

S33:根据所述实体关系信息矩阵，确定目标医疗文本中的所有实体关系。具体地，包括如下步骤：

B1：依次判断所述实体关系信息矩阵的矩阵元素中是否包含预定义的实体关系阈值；

B2：如果包含，则根据所述矩阵元素的行列信息，依次确定目标医疗文本中的实体关系。

对于实体关系的抽取，采取上述实体抽取的相同方式，构建L*L*(N

C1:依次判断所述实体关系实体头位置矩阵的矩阵元素中是否包含预定义的实体关系阈值；

C2:如果包含，则继续依次判断所述实体关系实体尾位置矩阵的矩阵元素中是否包含预定义的实体关系阈值。

如表格2中的因果关系实体头位置矩阵所示，R

/>

表格2

/>

表格3

条件关系信息矩阵如表格4中的条件关系实体头位置矩阵所示，R

/>

表格4

表格5

S40:判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。请参阅图4所示，图4是图1中步骤S40的一具体实施方式流程示意图，包括：

S41:判断所述实体关系中是否包括条件关系；

S42:如果包括，则从条件关系中抽取出条件实体；

S43:将条件实体和条件实体对应的其它实体关系进行组合，生成目标医疗文本的实体关系组合。

比如，上述“甲减会导致女性患者代谢缓慢”的目标医疗文本中，根据条件关系信息矩阵，判断出所述实体关系中包括条件关系。那么从“甲减”与“女性患者”以及“代谢缓慢”与“女性患者”的条件关系中，抽取出条件实体“女性患者”。然后，将条件实体“女性患者”和对应的“甲减”与“代谢缓慢”之间的因果关系进行组合，生成目标医疗文本的实体关系组合。组合后的实体关系为四元组，如表格6所示，其中，S代表第一实体；O代表第二实体；P代表实体关系；C代表条件实体。

表格6

可见，本申请实施例，通过获取目标医疗文本，对目标医疗文本进行预处理；然后，将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量；并将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系；最后，判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。本申请实施例根据上述步骤，能够将带条件关系的医疗文本信息通过实体关系组合的方式进行呈现，进而帮助构建较为全面和准确的医疗知识图谱。同时，本申请实施例基于双仿射注意力机制抽取实体，可以让实体的头尾进行信息交互，进而识别出重叠、嵌套及不连续的实体，提高信息抽取的全面和准确性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。此外，术语“包括”及其变体要被解读为“包括但不限于”的开放式术语。

在一实施例中，提供一种实体关系的抽取和组合装置，该抽取和组合装置与上述实施例中实体关系的抽取和组合方法一一对应。如图5所示，该抽取和组合装置包括：实体关系抽取模型构建模块201、文本预处理模块202和文本特征向量生成模块203、实体关系抽取模块204和实体关系组合模块205。各功能模块详细说明如下：

实体关系抽取模型构建模块201：用于获取医疗文本样本集，对医疗文本样本集中的数据进行标注，形成包含实体关系的多个实体对数据集，其中，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项；

基于深度学习算法，将所述实体对数据集进行训练，构建生成实体关系抽取模型。

文本预处理模块202：用于获取目标医疗文本，对目标医疗文本进行预处理。

文本特征向量生成模块203：用于将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量。

实体关系抽取模块204：用于将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系，其中，所述目标医疗文本中至少包括两个实体，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项。

实体关系组合模块205：用于判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。

本申请实施例中提供了一种可能的实现方式，上述实体关系抽取模块204还用于：

根据双仿射注意力机制，生成目标医疗文本中多个文本字符之间的实体信息矩阵和实体关系信息矩阵；

根据所述实体信息矩阵，确定目标医疗文本中的所有实体；

根据所述实体关系信息矩阵，确定目标医疗文本中的所有实体关系。

本申请实施例中提供了一种可能的实现方式，上述实体关系抽取模块204还用于：

依次判断所述实体信息矩阵的矩阵元素中是否包含预定义的实体阈值；

如果包含，则根据所述矩阵元素的行列信息，依次确定目标医疗文本中的实体。

本申请实施例中提供了一种可能的实现方式，上述实体关系抽取模块204还用于：

依次判断所述实体关系信息矩阵的矩阵元素中是否包含预定义的实体关系阈值；

如果包含，则根据所述矩阵元素的行列信息，依次确定目标医疗文本中的实体关系。

本申请实施例中提供了一种可能的实现方式，所述实体关系信息矩阵包括实体关系实体头位置矩阵和实体关系实体尾位置矩阵，上述实体关系抽取模块204还用于：

依次判断所述实体关系实体头位置矩阵的矩阵元素中是否包含预定义的实体关系阈值；

如果包含，则继续依次判断所述实体关系实体尾位置矩阵的矩阵元素中是否包含预定义的实体关系阈值。

本申请实施例中提供了一种可能的实现方式，上述实体关系组合模块205还用于：

判断所述实体关系中是否包括条件关系；

如果包括，则从条件关系中抽取出条件实体；

将条件实体和条件实体对应的其它实体关系进行组合，生成目标医疗文本的实体关系组合。

本发明提供了一种实体关系的抽取和组合装置，通过获取目标医疗文本，对目标医疗文本进行预处理；然后，将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量；并将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系；最后，判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。本发明根据上述步骤，能够将带条件关系的医疗文本信息通过实体关系组合的方式进行呈现，进而帮助构建较为全面和准确的医疗知识图谱。同时，本发明基于双仿射注意力机制抽取实体，可以让实体的头尾进行信息交互，进而识别出重叠、嵌套及不连续的实体，提高信息抽取的全面和准确性。

关于实体关系的抽取和组合装置的具体限定可以参见上文中实体关系的抽取和组合方法的限定，在此不再赘述。上述实体关系的抽取和组合装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种实体关系的抽取和组合方法的功能或步骤。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取目标医疗文本，对目标医疗文本进行预处理；

将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量；

将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系，其中，所述目标医疗文本中至少包括两个实体，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项；

判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取目标医疗文本，对目标医疗文本进行预处理；

将预处理后的目标医疗文本输入至文本特征提取模型中，生成目标医疗文本特征向量；

将目标医疗文本特征向量输入至实体关系抽取模型，确定目标医疗文本中所有实体及实体关系，其中，所述目标医疗文本中至少包括两个实体，所述实体关系包括：因果关系、条件关系和上下文关系中的一项或多项；

判断所述实体关系是否包括条件关系，如果包括，则生成目标医疗文本的实体关系组合。

需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中的相关描述，为避免重复，这里不再一一描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。