用于自然语言处理领域中预训练模型的训练方法及其装置

技术领域

本公开涉及人工智能领域，具体涉及自然语言处理、深度学习技术，尤其涉及一种用于自然语言处理领域中预训练模型的训练方法及其装置，可应用在自然语言处理(如文本分类、文本识别等)下游任务场景下。

背景技术

近年来，以BERT(Bidirectional Encoder Representations fromTransformers，一种预训练语言模型)为代表的预训练模型提出了“预训练(Pre-training)+微调(Fine-tuning)”的范式，并大幅提升了各类自然语言处理任务的效果。目前主流的预训练模型通常是在海量无监督数据上通过生成式任务进行通用语义信息的学习，该类学习范式主导由数据生成数据，使模型在生成过程中学习到高级语义。

随着对比式任务被迁移至自然语言处理领域，研究者们发现了对比式任务在自然语言处理领域的巨大潜力。与生成式学习相比，对比式学习不需要关注实例上繁琐的细节，只需要在抽象语义级别的特征空间上学会对数据的区分即可，因此模型以及其优化变得更加简单，且泛化能力更强。

然而，相关技术中的对比学习会无形中增加了样本文本的长度，增加了模型训练的时间和成本。此外，当前主流的对比学习忽略了样本文本中的局部信息。

发明内容

本公开提供了一种用于自然语言处理领域中预训练模型的训练方法、装置、电子设备以及存储介质。

根据本公开的第一方面，提供了一种用于自然语言处理领域中预训练模型的训练方法，包括：

获取样本文本和所述样本文本的负例样本文本；

将所述样本文本按照字词混合粒度进行切分处理，获得第一切分文本和第二切分文本；其中，所述第一切分文本的字词混合粒度区别于所述第二切分文本的字词混合粒度；

基于所述负例样本文本、所述第一切分文本和所述第二切分文本，生成对比学习任务的正例对和负例对；

基于所述对比学习任务的正例对和负例对，对所述预训练模型进行对比学习训练。

根据本公开的第二方面，提供了一种用于自然语言处理领域中预训练模型的训练装置，包括：

获取模块，用于获取样本文本和所述样本文本的负例样本文本；

切分模块，用于将所述样本文本按照字词混合粒度进行切分处理，获得第一切分文本和第二切分文本；其中，所述第一切分文本的字词混合粒度区别于所述第二切分文本的字词混合粒度；

生成模块，用于基于所述负例样本文本、所述第一切分文本和所述第二切分文本，生成对比学习任务的正例对和负例对；

训练模块，用于基于所述对比学习任务的正例对和负例对，对所述预训练模型进行对比学习训练。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述本公开第一方面所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述本公开第一方面所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现前述本公开第一方面所述方法的步骤。

根据本公开的技术方案，实现了不改变文本的原始结构和原始语义的情况下构造出有效的对比正例。另外，本公开引入了词粒度信息，不仅可以带来更丰富的语义信息，还可以降低建模时的文本长度，减小模型训练时间和成本，从而可以降低资源占用。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开实施例提供的一种用于自然语言处理领域中预训练模型的训练方法的流程图；

图2是本公开实施例提供的另一种用于自然语言处理领域中预训练模型的训练方法的流程图；

图3是本公开实施例提供的用于自然语言处理领域中预训练模型的训练方法的示例图；

图4为本公开实施例提供的一种用于自然语言处理领域中预训练模型的训练装置的结构框图；

图5为本公开实施例提供的另一种用于自然语言处理领域中预训练模型的训练装置的结构框图

图6是用来实现本公开实施例的预训练模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

近年来，以BERT为代表的预训练模型提出了“预训练(Pre-training)+微调(Fine-tuning)”的范式，并大幅提升了各类自然语言处理任务的效果。目前主流的预训练模型通常是在海量无监督数据上通过生成式任务进行通用语义信息的学习，该类学习范式主导由数据生成数据，使模型在生成过程中学习到高级语义。

对比式学习是一种学习同类实例之间的共同特征，区分非同类实例之间的不同之处的任务范式，在CV(计算机视觉，Computer Vision)领域取得了巨大成功。随着对比式任务被迁移至自然语言处理领域，研究者们发现了其在自然语言处理领域的巨大潜力。与生成式学习相比，对比式学习不需要关注实例上繁琐的细节，只需要在抽象语义级别的特征空间上学会对数据的区分即可，因此模型以及其优化变得更加简单，且泛化能力更强。

在对比学习中，正例的构造方式和负例的数量是决定模型效果的两个关键因素。对于负例的数量，通常可以通过利用batch(批处理)内的其他样本、数据并行下其他batch内的样本，以及维护数据队列等，基本可以满足对比学习对负例数量的需求；对于正例的构造，业内主流的方式是通过删除、替换或修改文本中的部分字符形成对比正例，但上述方式往往会造成原始文本的语义改变，影响对比学习的效果。为了缓解上述问题，基于dropout随机性构造正样本的方式被提出，该类方式虽然能有效缓解上述问题，但会使得模型更趋向于建模同样长度的文本。此外，当前主流的对比学习主要基于句子粒度进行建模，而忽略了文本中的局部信息(例如字符粒度)。

为此，本公开提出了一种用于自然语言处理领域中预训练模型的训练方法及其装置，可以解决如何在不改变文本的原始语义的情况下构建无偏的正例，并实现多粒度联合对比学习建模。下面参考附图描述本公开实施例的预训练模型的训练方法及其装置。

图1是本公开实施例提供的一种用于自然语言处理领域中预训练模型的训练方法的流程图。如图1所示，该预训练模型的训练方法可以包括但不限于以下步骤。

在步骤101中，获取样本文本和样本文本的负例样本文本。

在一种实现方式中，可以从已公开的样本集中获取样本文本，将与该样本文本不同语义的其他样本文本作为该样本文本的负例样本文本。可选地，可以通过利用batch(批处理)内的其他样本、数据并行下其他batch内的样本作为该样本文本的负例样本文本。

例如，一个batch内包括样本文本1、样本文本2、样本文本3和样本文本4，对于样本文本1，样本文本2、样本文本3和样本文本4可以作为该样本文本1的负例样本文本；对于样本文本2，样本文本1、样本文本3和样本文本4可以作为该样本文本2的负例样本文本；对于样本文本3，样本文本1、样本文本2和样本文本4可以作为该样本文本3的负例样本文本；对于样本文本4，样本文本1、样本文本2和样本文本3可以作为该样本文本4的负例样本文本。

在步骤102中，将样本文本按照字词混合粒度进行切分处理，获得第一切分文本和第二切分文本。

其中，在本公开的实施例中，该第一切分文本的字词混合粒度区别于第二切分文本的字词混合粒度。其中，字词混合粒度可理解为一个文本中既包含字粒度的分词又包含词粒度的分词。

在一种可能的实现方式中，在实际训练过程中，通过在读取样本过程中加入n-gram切分逻辑，实现动态的字词混合粒度对比正例构造。举例而言，在自然语言处理领域中，同一段文本的不同粒度的字符切分并不会对原始语义产生影响。以样本文本为“张三是一名学生”为例，可以基于n-gram切分技术，对该样本文本按照字词混合粒度进行切分处理，获得第一切分文本和第二切分文本，例如，该第一切分文本为“张三/是/一名/学生”，第二切分文本为“张/三/是/一名/学生”。其中，在本示例中，字符“/”表示切分符号。由此可见，本公开通过采用n-gram切分逻辑，实现动态的字词混合粒度对比正例构造，可以在不改变原始语义的情况下，有效解决了“单词重复”所带来的缺陷。另外，词粒度信息的引入不仅带来了更丰富的语义信息，还可以降低建模时的文本长度，减小模型训练时间和成本。

在步骤103中，基于负例样本文本、第一切分文本和第二切分文本，生成对比学习任务的正例对和负例对。

在一种可能的实现方式中，可以将第一切分文本和第二切分文本构造对比学习任务的正例对，将负例样本文本和第一切分文本构造对比学习任务的负例对，并将负例样本文本和第二切分文本构造对比学习任务的负例对。

作为一种示例，可以将负例样本文本、第一切分文本和第二切分文本输入至预训练模型，获得第一切分文本的第一语义表示、第二切分文本的第二语义表示、负例样本文本的第三语义表示。根据第一语义表示和第二语义表示，将第一切分文本和第二切分文本，构造对比学习任务的正例对。根据第一语义表示和第三语义表示，将第一切分文本和负例样本文本，构造对比学习任务的负例对。根据第二语义表示和和第三语义表示，将第二切分文本和负例样本文本，构造对比学习任务的负例对。

在另一种可能的实现方式中，可以将第一切分文本和第二切分文本构造文本之间的第一正例对，将负例样本文本分别与第一切分文本和第二切分文本构造文本之间的第一负例对，并将第一切分文本中的各分词与第二切分文本中的分词构造分词之间的第二正例对和分词之间的第二负例对。根据第一正例对和第二正例对生成对比学习任务的正例对，并根据第一负例对和第二负例对生成对比学习任务的负例对。

在步骤104中，基于对比学习任务的正例对和负例对，对预训练模型进行对比学习训练。

在一种可能的实现方式中，对于对比学习任务的正例对是基于第一切分文本和第二切分文本构造的，对比学习任务的负例对是基于负例样本文本和第一切分文本，以及负例样本文本和第二切分文本构造的情况下，可以将正例对中各正例的语义表示和负例对之中各负例的语义表示均映射到对比学习损失空间，并获取正例对的相似度和负例对的相似度，根据正例对的相似度和负例对的相似度，计算模型损失，基于该模型损失对预训练模型的参数进行调整，以达到预训练模型的对比学习训练的目的。

在另一种可能的实现方式中，对于对比学习任务的正例对是基于第一切分文本和第二切分文本，以及第一切分文本中的各分词和第二切分文本中的分词构造的，对于对比学习任务的负例对是基于负例样本文本和第一切分文本，负例样本文本和第二切分文本，以及第一切分文本中的各分词和第二切分文本中的分词构造的情况下，可以将获得所有正例对的相似度和所有负例对的相似度，基于所有正例对的相似度和所有负例对的相似度获取模型损失，基于该模型损失对预训练模型的参数进行调整，以达到预训练模型的对比学习训练的目的。

需要说明的是，本公开的实施例中的预训练模型可应用在自然语言处理下游任务场景下，例如可应用在文本分类场景或文本识别场景等。

根据本公开实施例的预训练模型的训练方法，通过将样本文本按照字词混合粒度进行切分处理，获得第一切分文本和第二切分文本，并利用负例样本文本、第一切分文本和第二切分文本，生成对比学习任务的正例对和负例对，实现了不改变文本的原始结构和原始语义的情况下构造出有效的对比正例。另外，本公开引入了词粒度信息，不仅可以带来更丰富的语义信息，还可以降低建模时的文本长度，减小模型训练时间和成本，从而可以降低资源占用。

图2是本公开实施例提供的另一种用于自然语言处理领域中预训练模型的训练方法的流程图。如图2所示，该预训练模型的训练方法可以包括但不限于以下步骤。

在步骤201中，获取样本文本和样本文本的负例样本文本。

可选地，步骤201可以分布采用本公开的各实施例中的任一种实现方式实现，本公开实施例并不对此作出限定，也不再赘述。

在步骤202中，将样本文本按照字词混合粒度进行切分处理，获得第一切分文本和第二切分文本。

可选地，步骤201可以分布采用本公开的各实施例中的任一种实现方式实现，本公开实施例并不对此作出限定，也不再赘述。

在步骤203中，将负例样本文本、第一切分文本和第二切分文本分别输入至预训练模型，获得第一切分文本的第一语义表示、第二切分文本的第二语义表示、负例样本文本的第三语义表示、第一切分文本中各分词的第四语义表示和第二切分文本中各分词的第五语义表示。

可选地，在本公开的实施例中，预训练模型可以将文本转换成对应的语义表示。作为一种示例，预训练模型可以是BERT模型，可选地，该预训练模型可以采用无监督SimCSE(Simple Contrastive Learning of Sentence Embeddings)技术对文本以及切分文本中各分词进行数据增强处理，以得到文本的语义表示以及切分文本中各分词的语义表示。

在本公开的实施例中，可以将负例样本文本、第一切分文本和第二切分文本分别输入至预训练模型，获得预训练模型的输出结果。该输出结果可以包括第一切分文本的第一语义表示、第二切分文本的第二语义表示、负例样本文本的第三语义表示、第一切分文本中各分词的第四语义表示和第二切分文本中各分词的第五语义表示。

在步骤204中，根据第一语义表示和第二语义表示，将第一切分文本和第二切分文本，构造文本之间的第一正例对。

在一种可能的实现方式中，通过预训练模型中的多层感知机对第一语义表示进行映射处理，得到第一映射处理结果，并对第二语义表示进行映射处理，得到第二映射处理结果，将第一映射处理结果和第二映射处理结果作为文本之间的第一正例对。

在步骤205中，根据第一语义表示、第二语义表示和第三语义表示，将负例样本文本分别与第一切分文本和第二切分文本，构造文本之间的第一负例对。

在一种可能的实现方式中，通过预训练模型中的多层感知机对第三语义表示进行映射处理，得到第三映射处理结果，将第一映射处理结果与第三映射处理结果作为文本之间的第一负例对，并将第二映射处理结果与第三映射处理结果作为文本之间的第一负例对。

在步骤206中，基于第一切分文本中各分词的第四语义表示和第二切分文本中各分词的第五语义表示，构造分词之间的第二正例对和分词之间的第二负例对。

在一种实现方式中，通过预训练模型中的多层感知机对第一切分文本中各分词的第四语义表示进行映射处理，得到第四映射处理结果，通过预训练模型中的多层感知机对第二切分文本中各分词的第五语义表示进行映射处理，得到第五映射处理结果，根据第四映射处理结果和第五映射处理结果构建分词之间的第二正例对和分词之间的第二负例对。

在一种可能的实现方式，根据第四语义表示和第五语义表示，将第一切分文本中的分词与第二切分文本中具备相同字符的分词，构造分词之间的第二正例对；根据第四语义表示和第五语义表示，将第一切分文本中的分词与第二切分文本中不具备相同字符的分词，构造分词之间的第二负例对。

在步骤207中，根据第一正例对和第二正例对生成对比学习任务的正例对，并根据第一负例对和第二负例对生成对比学习任务的负例对。

在步骤208中，将正例对之中各正例的语义表示和负例对之中各负例的语义表示均映射到对比学习损失空间，并获取第一正例对的相似度、第二正例对的相似度、第一负例对的相似度和第二负例对的相似度。

在步骤209中，根据第一正例对的相似度、第二正例对的相似度、第一负例对的相似度和第二负例对的相似度，获取模型损失。

可选地，在本公开的实施例中，可以根据第一正例对的相似度获取第一损失；根据第二正例对的相似度获取第二损失；根据第一负例对的相似度获取第三损失；根据第二负例对的相似度获取第四损失；根据第一损失、第二损失、第三损失和第四损失，获取模型损失。

在步骤210中，基于模型损失对预训练模型的参数进行调整。

作为一种可能的实现方式，本公开是对无监督SimCSE的进一步优化，采用的是in-step的方式形成对比负例，并采用基于字词混合粒度构建正例，基于构建的负例对(包括文本之间的负例对以及字词之间的负例对)和正例对(包括文本之间的正例对以及字词之间的正例对)进行对比学习训练预训练模型。

举例而言，如图3所示，以样本文本为“张三是一名学生”为例，可以基于n-gram切分技术，对该样本文本按照字词混合粒度进行切分处理，获得第一切分文本“张三/是/一名/学生”和第二切分文本“张/三/是/一名/学生”。将样本文本的负例样本文本、第一切分文本和第二切分文本输入至预训练模型，获得第一切分文本的第一语义表示、第二切分文本的第二语义表示、负例样本文本的第三语义表示、第一切分文本中各分词的第四语义表示和第二切分文本中各分词的第五语义表示。

对于同一段文本，不同字词混合粒度切分的文本中，相同的字符为正例，不同的字符为负例。在本公开的实施例中，可以将负例样本文本与第一切分文本“张三/是/一名/学生”构建文本之间的第一负例对，并将负例样本文本与第二切分文本“张/三/是/一名/学生”构建文本之间的第一负例对。将第一切分文本“张三/是/一名/学生”与第二切分文本“张/三/是/一名/学生”构建文本之间的第一正例对，并将第一切分文本“张三/是/一名/学生”中的分词与第二切分文本“张/三/是/一名/学生”中具备相同字符的分词构造分词之间的第二正例对，将第一切分文本“张三/是/一名/学生”中的分词与第二切分文本“张/三/是/一名/学生”中不具备相同字符的分词，构造分词之间的第二负例对。例如，第一切分文本中的“是”与第二切分文本中的“是”互为正例，第一切分文本中的“是”与第二切分文本中的其他字符(如“张”、“三”、“一名”、“学生”)互为负例。然后，利用所述正例对之中各正例的语义表示和所述负例对之中各负例的语义表示均映射到对比学习损失空间，并获取所有正例对的相似度和所有负例对的相似度，根据所有正例对的相似度和所有负例对的相似度获取模型损失，基于模型损失对预训练模型的参数进行调整。由此，本公开在原始句子级别的对比任务中引入字词级别的对比任务，增加了更细粒度的局部信息学习。

根据本公开实施例的预训练模型的训练方法，可以实现了不改变文本的原始结构和原始语义的情况下构造出了有效的对比正例，同时词粒度信息的引入不仅带来了更丰富的语义信息，还可以降低建模时的文本长度，减小模型训练时间和成本，从而可以降低资源占用。另外，本公开通过在原始句子级别的对比任务中引入字词级别的对比任务，增加了更细粒度的局部信息学习。

为了实现上述实施例，本公开还提出了一种用于自然语言处理领域中预训练模型的训练装置。图4为本公开实施例提供的一种用于自然语言处理领域中预训练模型的训练装置的结构框图。如图4所示，该预训练模型的训练装置可以包括获取模块410、切分模块420、生成模块430和训练模块440。

其中，获取模块410用于获取样本文本和样本文本的负例样本文本。

切分模块420用于将样本文本按照字词混合粒度进行切分处理，获得第一切分文本和第二切分文本。其中，第一切分文本的字词混合粒度区别于第二切分文本的字词混合粒度。

生成模块430用于基于负例样本文本、第一切分文本和第二切分文本，生成对比学习任务的正例对和负例对。

训练模块440用于基于对比学习任务的正例对和负例对，对预训练模型进行对比学习训练。

可选地，在本公开的一些实施例中，如图5，该生成模块530可以包括获取单元531、第一构造单元532、第二构造单元533、第三构造单元534和生成单元535。

其中，获取单元531用于将负例样本文本、第一切分文本和第二切分文本分别输入至预训练模型，获得第一切分文本的第一语义表示、第二切分文本的第二语义表示、负例样本文本的第三语义表示、第一切分文本中各分词的第四语义表示和第二切分文本中各分词的第五语义表示；第一构造单元532用于根据第一语义表示和第二语义表示，将第一切分文本和第二切分文本，构造文本之间的第一正例对；第二构造单元533用于根据第一语义表示、第二语义表示和第三语义表示，将负例样本文本分别与第一切分文本和第二切分文本，构造文本之间的第一负例对；第三构造单元534用于基于第一切分文本中各分词的第四语义表示和第二切分文本中各分词的第五语义表示，构造分词之间的第二正例对和分词之间的第二负例对；生成单元535用于根据第一正例对和第二正例对生成对比学习任务的正例对，并根据第一负例对和第二负例对生成对比学习任务的负例对。

在一种可能的实现方式中，第三构造单元534具体用于：根据第四语义表示和第五语义表示，将第一切分文本中的分词与第二切分文本中具备相同字符的分词，构造分词之间的第二正例对；根据第四语义表示和第五语义表示，将第一切分文本中的分词与第二切分文本中不具备相同字符的分词，构造分词之间的第二负例对。

在一种实现方式中，训练模块540具体用于：将正例对之中各正例的语义表示和负例对之中各负例的语义表示均映射到对比学习损失空间，并获取第一正例对的相似度、第二正例对的相似度、第一负例对的相似度和第二负例对的相似度；根据第一正例对的相似度、第二正例对的相似度、第一负例对的相似度和第二负例对的相似度，获取模型损失；基于模型损失对预训练模型的参数进行调整。

在一种可能的实现方式中，训练模块540根据第一正例对的相似度、第二正例对的相似度、第一负例对的相似度和第二负例对的相似度，获取模型损失的实现方式可如下：根据第一正例对的相似度获取第一损失；根据第二正例对的相似度获取第二损失；根据第一负例对的相似度获取第三损失；根据第二负例对的相似度获取第四损失；根据第一损失、第二损失、第三损失和第四损失，获取模型损失。

其中，图5中510、520和540，与图4中410、420和440具有相同功能和结构。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本公开实施例的预训练模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本公开所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本公开所提供的预训练模型的训练方法。本公开的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本公开所提供的预训练模型的训练方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本公开实施例中的预训练模型的训练方法对应的程序指令/模块。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的预训练模型的训练方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。