一种特征项的选取方法、装置、设备、介质及产品

技术领域

本申请涉及文本分类技术领域，尤其涉及一种特征项的选取方法、装置、设备、介质及产品。

背景技术

在文本分类领域中，为了减少人力资源的消耗，提高分类效率，通常会基于文本分类模型对输入的文本进行分类，得到文本所属的文本类别。在利用文本分类模型进行文本分类时，需要预先对文本分类模型进行训练，例如可以提取样本文本的特征项，基于特征项训练文本分类模型。

特征项的选取结果会直接影响文本分类模型的准确度，进而影响文本分类结果的准确度。

目前采用的特征项选取方案中，选取的特征项准确性较差，导致在基于选取的特征项训练文本分类模型时，训练效果较差，进而影响后续的文本分类结果。

申请内容

本申请实施例提供一种特征项的选取方法、装置、设备、介质及产品，可以提高特征项选取结果的准确度。

第一方面，本申请实施例提供了一种特征项的选取方法，包括：

获取第一样本文本的N个第一特征项，第一样本文本属于M个样本文本类别，M为大于或等于2的整数，N为大于或等于2的整数；

针对每一个第一特征项，确定第一特征项在各样本文本类别的各第一样本文本中出现的词频数；

根据第一特征项的词频数，修正第一特征项的初始信息增益值，得到目标信息增益值，初始信息增益是根据第一样本文本中包含第一特征项的样本文本的第一概率确定的；

根据目标信息增益值，从N个第一特征项中选取目标特征项。

第二方面，本申请实施例提供了一种特征项的选取装置，包括：

获取模块，用于获取第一文本的N个第一特征项，第一文本属于M个文本类别，M为大于或等于2的整数，N为大于或等于2的整数；

确定模块，用于针对每一个第一特征项，确定第一特征项在各文本类别的各第一文本中出现的词频数；

修正模块，用于根据第一特征项的词频数，修正第一特征项的初始信息增益值，得到目标信息增益值，初始信息增益是根据第一文本中包含第一特征项的文本的第一概率确定的；

选取模块，用于根据目标信息增益值，从N个第一特征项中选取目标特征项。

第三方面，本申请实施例提供了一种电子设备，包括：

处理器；

存储器，用于存储计算机程序指令；

当计算机程序指令被处理器执行时，实现如第一方面的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如第一方面的方法。

第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面所述的方法。

本申请实施例提供的特征项的选取方法、装置、设备、介质及产品，通过获取第一样本文本的N个第一特征项，针对每一个第一特征项，确定第一特征项在各样本文本类别的各第一样本文本中出现的词频数，根据第一特征项的词频数，修正第一特征项的初始信息增益值，得到目标信息增益值，根据目标信息增益值，从N个第一特征项中选取目标特征项。即本申请实施例在初始信息增益值的基础上，利用特征项在各样本文本类别的各样本文本中出现的词频数，修正该特征项的初始信息增益值，不仅考虑了包含该特征项的样本文本在总的样本文本中的影响，还考虑了该特征项对各个样本文本的影响，即考虑信息更全面，如此，可以更准确地确定该特征项的信息增益值，如此在基于该信息增益值选取特征项时，可以更准确地选取特征项。

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，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的附图。

图1为本申请实施例提供的一种特征项的选取方法的流程图；

图2为本申请实施例提供的另一种特征项的选取方法的流程图；

图3为本申请实施例提供的一种特征项的选取装置的结构图；

图4为本申请实施例提供的一种电子设备的结构图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本申请，并不被配置为限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

还需要说明的是，本申请所有实施方式对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

如上所述，在基于样本文本的特征项训练文本分类模型时，特征项的准确性直接影响模型的训练效果，进而影响后续的文本分类结果。

在选取特征项时，可以基于特征项的信息增益值选取，例如可以选取信息增益值大于或等于预设阈值的特征项，作为目标特征项，用于训练文本分类模型。

其中，信息增益(Information Gain，IG)是一种基于信息熵的特征选择方法，它定义为一个特征能够为分类系统带来多少信息，带来的信息越多，说明该特征越重要，相应的信息增益也就越大。

目前，主要是通过下面的公式确定特征项的信息增益值：

其中，IG(t

可以看出，上述公式在确定特征项的信息增益值时，仅考虑了特征项所在文本的概率，并未考虑特征项对文本的影响，例如特征项1和特征项2在A类的大多数样本文本中出现，但在其他类别如B类、C类的样本文本中出现很少甚至没有出现，那么按照上述公式，得到的特征项1和特征项2的信息增益值是相近的，因为上述公式仅考虑了文本相对于整个文本的概率。

但实际上，如果在A类样本文本中，特征项1在每个样本文本中出现的词频数远大于特征项2的词频数，这就意味着特征项1比特征项2更能代表A类样本文本，信息增益值应该更大，但按照上述公式，特征项1和特征项2的信息增益值是相近的，因此容易将那种词频数较高，但在部分样本文本中频率较低的特征项选取出来，从而影响后续的模型训练效果。

为此，本申请实施例提供了一种特征项的选取方法、装置、设备、介质及产品，可以提高特征项选取结果的准确度。

下面结合具体的实施例对本申请实施例提供的特征项的选取方法进行说明，图1为本申请实施例提供的一种特征项的选取方法的流程图。该方法可以应用于电子设备，电子设备可以包括但不限于手机、平板电脑、笔记本电脑、掌上电脑等。

如图1所示，该特征项的选取方法可以包括如下步骤：

S110、获取第一样本文本的N个第一特征项。

其中，第一样本文本属于M个样本文本类别，M为大于或等于2的整数，N为大于或等于2的整数。

S120、针对每一个第一特征项，确定第一特征项在各样本文本类别的各第一样本文本中出现的词频数。

S130、根据第一特征项的词频数，修正第一特征项的初始信息增益值，得到目标信息增益值。

其中，初始信息增益是根据第一样本文本中包含第一特征项的样本文本的第一概率确定的。

S140、根据目标信息增益值，从N个第一特征项中选取目标特征项。

本申请实施例通过获取第一样本文本的N个第一特征项，针对每一个第一特征项，确定第一特征项在各样本文本类别的各第一样本文本中出现的词频数，根据第一特征项的词频数，修正第一特征项的初始信息增益值，得到目标信息增益值，根据目标信息增益值，从N个第一特征项中选取目标特征项。即本申请实施例在初始信息增益值的基础上，利用特征项在各样本文本类别的各样本文本中出现的词频数，修正该特征项的初始信息增益值，不仅考虑了包含该特征项的样本文本在总的样本文本中的影响，还考虑了该特征项对各个样本文本的影响，即考虑信息更全面，如此，可以更准确地确定该特征项的信息增益值，如此在基于该信息增益值选取特征项时，可以更准确地选取特征项。

下面对上述步骤进行详细说明，具体如下所示：

在S110中，样本文本类别可以包括至少两个类别，每一个类别可以包括多个第一样本文本。本申请实施例对第一样本文本的获取方式不进行限定，例如可以通过网络爬虫的方式，或者人工收集的方式从互联网上获取一定数量的第一样本文本。各样本文本类别包含的第一样本文本的数量可以相同，也可以不同。

第一特征项可以是第一样本文本包含的特征词，示例性地，可以对第一样本文本进行分词，将每一个分词记为一个第一特征项。本申请实施例对具体的分词方式不进行限定。

在S120中，针对每一个第一特征项，可以统计该第一特征项在各样本文本类别的各第一样本文本中出现的次数，得到词频数。

在S130中，初始信息增益可以是根据第一样本文本中包含第一特征项的样本文本的第一概率确定的，也即是基于传统方式确定的，确定过程可以参见上述实施例，为简洁描述，此处不再赘述。

为了使选取出来的特征项更具有代表性，本申请实施例可以基于第一特征项在各第一样本文本出现的词频数，修正第一特征项的初始信息增益值，如此可以避免将那些词频数较高，但在部分样本文本中频率较低的特征项，也即不具有代表性的特征项选取出来。

具体的修正过程可以参见下面的实施例。

在S140中，各第一特征项的目标信息增益值确定之后，即可根据目标信息增益值筛选第一特征项，得到目标特征项，用于后续的模型训练。目标特征项可以是具有高类别区分度的特征项。

示例性地，上述S140可以包括以下步骤：

按照顺序排列各第一特征项的目标信息增益值，得到第一排序结果；

从第一排序结果中选取目标信息增益值大于预设阈值的第一特征项，作为目标特征项。

示例性地，可以按照由大到小的顺序排列各第一特征项的目标信息增益值，然后将前w个第一特征项，也即目标信息增益值大于预设阈值的第一特征项作为目标特征项。如此可以使选取出的第一特征项具有较高的类别区别度，更具有代表性。其中，预设阈值的大小可以根据实际需要设定。

在一些实施例中，在S140之后，该特征项的选取方法还可以包括以下步骤：

根据目标特征项训练第一文本分类模型，得到目标文本模型，目标文本分类模型用于对获取的第一文本进行分类，得到第一文本的分类结果。

通过上述方案选取出来的特征项准确性更高，如此在基于该特征项训练第一文本分类模型时，训练效果更好，今儿可以提高后续的文本分类结果。本申请实施例对模型的具体训练过程不进行限定。

其中，第一文本分类模型可以是选用的已有的网络模型，也可以是自行搭建的模型。

下面对初始信息增益值的修正过程进行描述，如图2所示，该特征项的选取方法可以包括以下步骤：

S210、获取第一样本文本的N个第一特征项。

S220、针对每一个第一特征项，确定第一特征项在各样本文本类别的各第一样本文本中出现的词频数。

S230、针对每一个第一样本文本类别，根据第一特征项在第一样本文本类别的各第一样本文本中出现的第一词频数，确定第一特征项在第一样本文本类别的第二概率。

其中，第一样本文本类别为M个样本文本类别中的任一样本文本类别。

S231、利用第二概率，修正第一特征项的初始信息增益值，得到第一信息增益值。

S232、从M个第一信息增益值中选取最大的第一信息增益值，作为第一特征项的目标信息增益值。

S240、针对每一个第一样本文本类别，根据第一特征项在第一样本文本类别的各第一样本文本中出现的第一词频数，以及第一特征项在第一样本文本类别中的平均词频数，确定第一特征项在第一样本文本类别的第一权重。

其中，第一权重用于表征第一特征项在第一样本文本类别中的各第一样本文本中词频分布的均匀程度，第一样本文本类别为M个样本文本类别中的任一样本文本类别。

S241、利用第一权重，修正第一特征项的初始信息增益值，得到第二信息增益值。

S242、从M个第二信息增益值中选取最大的第二信息增益值，作为第一特征项的目标信息增益值。

S250、针对每一个第一样本文本类别，根据第一特征项在第一样本文本类别的各第一样本文本中出现的第一词频数，确定第一特征项在第一样本文本类别的第二概率，以及根据第一词频数和第一特征项在第一样本文本类别中的平均词频数，确定第一特征项在第一样本文本类别的第一权重。

其中，第一权重用于表征第一特征项在第一样本文本类别中的各第一样本文本中词频分布的均匀程度，第一样本文本类别为M个样本文本类别中的任一样本文本类别。

S251、根据第二概率和第一权重，修正第一特征项的初始信息增益值，得到第三信息增益值。

S252、从M个第三信息增益值中选取最大的第三信息增益值，作为第一特征项的目标信息增益值。

S260、根据目标信息增益值，从N个第一特征项中选取目标特征项。

其中，S210-S220、S260的过程与S110-S120、S140的过程相同，具体可以参见S110-S120、S140的描述，为简洁描述，此处不再赘述。

下面对上述过程的其他步骤进行描述，具体如下所示：

在S230中，第一词频数为第一特征项在某个样本文本类别的各第一样本文本中出现的词频数，根据第一词频数，可以确定第一特征项在该样本文本类别的出现概率，也即第二概率。

示例性地，可以通过以下形式确定第二概率：

其中，α(t

通过上述公式，可以确定第一特征项在各个第一样本文本类别的概率，为后续修正初始信息增益值提供依据。

在S231中，示例性地，可以将第二概率与初始信息增益值的乘积，作为第一特征项的第一信息增益值，以实现对初始信息增益值的修正。

示例性地，IG′(t

在S232中，针对每一个第一样本文本类别，第一特征项均会对应一个第一信息增益值，例如M＝3，则第一特征项会对应3个第一信息增益值，示例性地，可以将最大的第一信息增益值作为第一特征项的目标信息增益值，作为后续选取目标特征项的依据。

本申请实施例在初始信息增益值的基础上，考虑了第一特征项对各第一样本文本的影响，如此可以避免将那些词频数较高，但在部分样本文本中频率较低的特征项选取出来，提高了目标特征项的准确性。

在S240中，第一特征项在第一样本文本类别中的平均词频数＝第一特征项的总词频数/第一样本文本类别包含的第一样本文本的数量。

第一权重用于表征第一特征项在第一样本文本类别中的各第一样本文本中词频分布的均匀程度，例如第一权重越大，表示第一特征项在对应的第一样本文本类别中的各第一样本文本中词频分布越均匀。

应当理解，对于分布在同一个样本文本类别中的不同特征项，这些在类别内部分布相对均匀的特征项比在类别内部分布不均匀的特征项的类别区分度更高，基于这样的考虑，本申请实施例利用第一特征项在第一样本文本类别中词频分布的均匀程度，来修正第一特征项的初始信息增益值，可以使选取出的目标特征项更具有代表性。

示例性地，可以通过以下形式确定第一特征项在第一样本文本类别的权重：

其中，β(t

在S241中，根据第一权重，修正第一特征项的初始信息增益值，得到第二信息增益值。示例性地，IG″(t

在S242中，示例性地，可以将最大的第二信息增益值作为第一特征项的目标信息增益值。

在S250中，第二概率和第一权重的确定过程可以参见上述实施例，为简洁描述，此处不再赘述。

在S251中，利用第二概率和第一权重修正第一特征项的初始信息增益值，可以使得到的目标信息增益值更准确。

示例性地，IG″′(t

在S252中，与前面过程类似，此处也可以选取最大的第三信息增益值作为第一特征项的目标信息增益值。

本申请实施例利用第二概率和第一权重修正第一特征项的初始信息增益值，不仅考了第一特征项对单个第一样本文本的影响，还考虑了第一特征项在具体的某个第一样本文本类别中词频分布的均匀程度，考虑的信息更全面，如此可以提高目标信息增益值的准确性。

需要说明的是，上述S230、S240和S250的一些列过程可以择一执行，即可以按照S230-S232的过程，确定第一特征项的目标信息增益值，也可以按照S240-S242的过程，确定第一特征项的目标信息增益值，还可以按照S250-S252的过程，确定第一特征项的目标信息增益值。

基于相同的发明构思，本申请实施例还提供了一种特征项的选取装置，下面结合图3对本申请实施例提供的特征项的选取装置进行详细说明。

图3为本申请实施例提供的一种特征项的选取装置的结构图。

如图3所示，该特征项的选取装置可以包括：

获取模块310，用于获取第一样本文本的N个第一特征项，第一样本文本属于M个样本文本类别，M为大于或等于2的整数，N为大于或等于2的整数；

确定模块320，用于针对每一个第一特征项，确定第一特征项在各样本文本类别的各第一样本文本中出现的词频数；

修正模块330，用于根据第一特征项的词频数，修正第一特征项的初始信息增益值，得到目标信息增益值，初始信息增益是根据第一样本文本中包含第一特征项的样本文本的第一概率确定的；

选取模块340，用于根据目标信息增益值，从N个第一特征项中选取目标特征项。

本申请实施例通过获取第一样本文本的N个第一特征项，针对每一个第一特征项，确定第一特征项在各样本文本类别的各第一样本文本中出现的词频数，根据第一特征项的词频数，修正第一特征项的初始信息增益值，得到目标信息增益值，根据目标信息增益值，从N个第一特征项中选取目标特征项。即本申请实施例在初始信息增益值的基础上，利用特征项在各样本文本类别的各样本文本中出现的词频数，修正该特征项的初始信息增益值，不仅考虑了包含该特征项的样本文本在总的样本文本中的影响，还考虑了该特征项对各个样本文本的影响，即考虑信息更全面，如此，可以更准确地确定该特征项的信息增益值，如此在基于该信息增益值选取特征项时，可以更准确地选取特征项。

在一些实施例中，修正模块330，具体用于：

针对每一个第一样本文本类别，根据第一特征项在第一样本文本类别的各第一样本文本中出现的第一词频数，确定第一特征项在第一样本文本类别的第二概率，第一样本文本类别为M个样本文本类别中的任一样本文本类别；

利用第二概率，修正第一特征项的初始信息增益值，得到第一信息增益值；

从M个第一信息增益值中选取最大的第一信息增益值，作为第一特征项的目标信息增益值。

在一些实施例中，修正模块330，具体用于：

针对每一个第一样本文本类别，根据第一特征项在第一样本文本类别的各第一样本文本中出现的第一词频数，以及第一特征项在第一样本文本类别中的平均词频数，确定第一特征项在第一样本文本类别的第一权重，第一权重用于表征第一特征项在第一样本文本类别中的各第一样本文本中词频分布的均匀程度，第一样本文本类别为M个样本文本类别中的任一样本文本类别；

利用第一权重，修正第一特征项的初始信息增益值，得到第二信息增益值；

从M个第二信息增益值中选取最大的第二信息增益值，作为第一特征项的目标信息增益值。

在一些实施例中，修正模块330，具体用于：

针对每一个第一样本文本类别，根据第一特征项在第一样本文本类别的各第一样本文本中出现的第一词频数，确定第一特征项在第一样本文本类别的第二概率，以及根据第一词频数和第一特征项在第一样本文本类别中的平均词频数，确定第一特征项在第一样本文本类别的第一权重，第一权重用于表征第一特征项在第一样本文本类别中的各第一样本文本中词频分布的均匀程度，第一样本文本类别为M个样本文本类别中的任一样本文本类别；

根据第二概率和第一权重，修正第一特征项的初始信息增益值，得到第三信息增益值；

从M个第三信息增益值中选取最大的第三信息增益值，作为第一特征项的目标信息增益值。

在一些实施例中，选取模块340，具体用于：

按照顺序排列各第一特征项的目标信息增益值，得到第一排序结果；

从第一排序结果中选取目标信息增益值大于预设阈值的第一特征项，作为目标特征项。

在一些实施例中，该特征项的选取装置还可以包括：

训练模块，用于在选取模块340根据目标信息增益值，从N个第一特征项中选取目标特征项之后，根据目标特征项训练第一文本分类模型，得到目标文本模型，目标文本分类模型用于对获取的第一文本进行分类，得到第一文本的分类结果。

图3所示装置中的各个模块具有实现图1-图2中各个步骤的功能并能达到相应的技术效果，为简洁描述，此处不再赘述。

基于相同的发明构思，本申请实施例还提供了一种电子设备，该电子设备例如可以是手机、平板电脑、笔记本电脑、掌上电脑等。下面结合图4对本申请实施例提供的电子设备进行详细说明。

如图4所示，该电子设备可以包括处理器410以及用于存储计算机程序指令的存储器420。

处理器410可以包括中央处理器(Central Processing Unit，CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器420可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器420可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器420可以包括可移除或不可移除(或固定)的介质，或者存储器420是非易失性固态存储器。在一个实例中，存储器420可以是只读存储器(Read Only Memory，ROM)。在一个实例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器410通过读取并执行存储器420中存储的计算机程序指令，以实现图1-图2所示实施例中的方法，并达到图1-图2所示实施例执行其方法达到的相应技术效果，为简洁描述，在此不再赘述。

在一个示例中，该电子设备还可包括通信接口430和总线440。其中，如图4所示，处理器410、存储器420、通信接口430通过总线440连接并完成相互间的通信。

通信接口430，主要用于实现本申请实施例中各模块、装置和/或设备之间的通信。

总线440包括硬件、软件或两者，将电子设备的各部件彼此耦接在一起。举例来说而非限制，总线440可包括加速图形端(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(IndustryStandard Architecture，ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线440可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该电子设备在获取第一样本文本的N个第一特征项后可以执行本申请实施例中的特征项的选取方法，从而实现结合图1-图2描述的特征项的选取方法以及图3描述的特征项的选取装置。

另外，结合上述实施例中的特征项的选取方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种特征项的选取方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请实施例的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，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，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。