基于需求识别的汽车传媒文章生成方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于需求识别的汽车传媒文章生成方法和装置。

背景技术

相关技术中的人工智能撰稿系统通常根据文本处理模型与一些关键词生成初稿，然后由写作人员进行大量的二次加工工作才可勉强使用。很多时候，模型生成的稿件没有逻辑性、出错概率大，且稿件不符合写作人员的需求，需要写作人员需要耗费大量精力去阅读模型生成的稿件，然后按照写作需求修改稿件，该工作费时费力，效率较低。

公开于本发明背景技术部分的信息仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种基于需求识别的汽车传媒文章生成方法和装置。

根据本发明的一方面，提供了一种基于需求识别的汽车传媒文章生成方法，包括：

采集多个汽车网站中的多种汽车的参数、文章及所述文章的热度数据，获得汽车信息库，其中，所述热度数据包括所述文章的阅读量数据以及互动量数据；

响应于接收到用户输入信息，根据所述用户输入信息、所述汽车信息库和预训练的语言转换模型，确定用户的第一需求信息，其中，所述第一需求信息用于描述用户对于生成汽车传媒文章的内容的需求；

根据所述第一需求信息和所述汽车信息库，通过预训练的语句生成模型，生成第1个输出语句；

根据接收到的用户对于所述第1个输出语句的修改信息，获得用户的第1个第二需求信息；

根据所述第一需求信息、第1至第i-1个第二需求信息以及对多个输出语句修改后的语句，通过所述预训练的语句生成模型，生成第i个语句输出信息，其中，i为大于1的正整数；

根据所述第一需求信息、多个第二需求信息以及对多个输出语句修改后的语句，确定需求匹配度；

在所述需求匹配度大于或等于预设阈值的情况下，获得输出文章。

在一种可能的实现方式中，响应于接收到用户输入信息，根据所述用户输入信息、所述汽车信息库和预训练的语言转换模型，确定用户的第一需求信息，包括：

对所述用户输入信息进行分词处理，获得所述用户输入信息的多个第一关键词；

通过所述预训练的语言转换模型，获得各个所述第一关键词的第一语义特征信息和第一词性特征信息；

通过所述预训练的语言转换模型，获得汽车的参数和各个文章的第二关键词的第二语义特征信息和第二词性特征信息；

根据所述第一语义特征信息、所述第一词性特征信息、所述第二语义特征信息和所述第二词性特征信息，在所述文章中确定出目标文章；

根据所述目标文章的目标关键词、所述第一关键词以及所述语句生成模型的启动关键词，获得所述第一需求信息，其中，所述语句生成模型的启动关键词用于表示所述语句生成模型生成语句的风格信息。

在一种可能的实现方式中，根据所述第一语义特征信息、所述第一词性特征信息、所述第二语义特征信息和所述第二词性特征信息，在所述文章中确定出目标文章，包括：

根据所述第一词性特征信息和所述第二词性特征信息，确定词性匹配度评分；

根据所述第一语义特征信息和所述第二语义特征信息，确定语义匹配度评分；

根据所述词性匹配度评分和所述语义匹配度评分，确定各个文章的匹配度评分；

根据所述匹配度评分，在多个文章中确定出所述目标文章。

在一种可能的实现方式中，根据所述第一语义特征信息、所述第一词性特征信息、所述第二语义特征信息和所述第二词性特征信息，在所述文章中确定出目标文章，还包括：

根据所述文章的热度数据，在多个文章中确定出待选文章；

其中，根据所述匹配度评分，在多个文章中确定出所述目标文章，包括：

根据所述待选文章的匹配度评分，在多个所述待选文章中确定出所述目标文章。

在一种可能的实现方式中，根据所述第一需求信息、第1至第i-1个第二需求信息以及对多个输出语句修改后的语句，通过所述预训练的语句生成模型，生成第i个语句输出信息包括：

根据公式

根据所述第一需求信息的预设权重，以及对各个输出语句修改后的语句的权重，对所述第一需求信息的词向量和对各个输出语句修改后的语句的词向量进行加权求和处理，获得第i个需求词向量；

通过所述语句生成模型对所述第i个需求词向量进行处理，获得第i个语句输出信息。

在一种可能的实现方式中，根据所述第一需求信息、多个第二需求信息以及对多个输出语句修改后的语句，确定需求匹配度，包括：

根据所述预训练的语言转换模型，获得所述第一需求信息的第三语义特征信息和第三词性特征信息；

根据所述第三语义特征信息和所述第三词性特征信息进行映射，获得映射空间中所述第一需求信息的第一特征位置；

根据所述预训练的语言转换模型，获得各个第二需求信息的第四语义特征信息和第四词性特征信息；

根据所述第四语义特征信息和所述第四词性特征信息进行映射，获得映射空间中各个第二需求信息的第二特征位置；

根据所述预训练的语言转换模型，获得对各个输出语句修改后的语句的第五语义特征信息和第五词性特征信息；

根据所述第五语义特征信息和所述第五词性特征信息进行映射，获得映射空间中对各个输出语句修改后的语句的第三特征位置；

对所述第一特征位置和所述第二特征位置进行多维拟合，获得需求特征曲线；

对所述第三特征位置进行多维拟合，获得文章特征曲线；

根据公式

将所述相似度确定为所述需求匹配度。

在一种可能的实现方式中，所述语言转换模型的训练步骤包括：

通过所述语言转换模型，获得语言输入样本的样本语义特征信息和样本词性特征信息；

通过所述语言转换模型，对所述样本语义特征信息、所述样本词性特征信息以及样本汽车信息库中各个样本文章进行处理，输出样本需求信息；

将所述样本需求信息输入所述预训练的语句生成模型，获得样本输出语句；

根据公式

确定所述语言转换模型的损失函数Loss，其中，β

根据所述损失函数，训练所述语言转换模型，获得训练后的语言转换模型。

根据本发明的一方面，提供了一种基于需求识别的汽车传媒文章生成装置，所述装置包括：

采集模块，用于采集多个汽车网站中的多种汽车的参数、文章及所述文章的热度数据，获得汽车信息库，其中，所述热度数据包括所述文章的阅读量数据以及互动量数据；

第一需求信息模块，用于响应于接收到用户输入信息，根据所述用户输入信息、所述汽车信息库和预训练的语言转换模型，确定用户的第一需求信息，其中，所述第一需求信息用于描述用户对于生成汽车传媒文章的内容的需求；

第一输出模块，用于根据所述第一需求信息和所述汽车信息库，通过预训练的语句生成模型，生成第1个输出语句；

第二需求信息模块，用于根据接收到的用户对于所述第1个输出语句的修改信息，获得用户的第1个第二需求信息；

第二输出模块，用于根据所述第一需求信息、第1至第i-1个第二需求信息以及对多个输出语句修改后的语句，通过所述预训练的语句生成模型，生成第i个语句输出信息，其中，i为大于1的正整数；

匹配模块，用于根据所述第一需求信息、多个第二需求信息以及对多个输出语句修改后的语句，确定需求匹配度；

文章输出模块，用于在所述需求匹配度大于或等于预设阈值的情况下，获得输出文章。

在一种可能的实现方式中，所述第一需求信息模块进一步用于：

对所述用户输入信息进行分词处理，获得所述用户输入信息的多个第一关键词；

通过所述预训练的语言转换模型，获得各个所述第一关键词的第一语义特征信息和第一词性特征信息；

通过所述预训练的语言转换模型，获得汽车的参数和各个文章的第二关键词的第二语义特征信息和第二词性特征信息；

根据所述第一语义特征信息、所述第一词性特征信息、所述第二语义特征信息和所述第二词性特征信息，在所述文章中确定出目标文章；

根据所述目标文章的目标关键词、所述第一关键词以及所述语句生成模型的启动关键词，获得所述第一需求信息，其中，所述语句生成模型的启动关键词用于表示所述语句生成模型生成语句的风格信息。

在一种可能的实现方式中，所述第一需求信息模块进一步用于：

根据所述第一词性特征信息和所述第二词性特征信息，确定词性匹配度评分；

根据所述第一语义特征信息和所述第二语义特征信息，确定语义匹配度评分；

根据所述词性匹配度评分和所述语义匹配度评分，确定各个文章的匹配度评分；

根据所述匹配度评分，在多个文章中确定出所述目标文章。

在一种可能的实现方式中，所述第一需求信息模块还用于：

根据所述文章的热度数据，在多个文章中确定出待选文章；

所述第一需求信息模块进一步用于：

根据所述待选文章的匹配度评分，在多个所述待选文章中确定出所述目标文章。

在一种可能的实现方式中，所述第二输出模块进一步用于：

根据公式

根据所述第一需求信息的预设权重，以及对各个输出语句修改后的语句的权重，对所述第一需求信息的词向量和对各个输出语句修改后的语句的词向量进行加权求和处理，获得第i个需求词向量；

通过所述语句生成模型对所述第i个需求词向量进行处理，获得第i个语句输出信息。

在一种可能的实现方式中，所述匹配模块进一步用于：

根据所述预训练的语言转换模型，获得所述第一需求信息的第三语义特征信息和第三词性特征信息；

根据所述第三语义特征信息和所述第三词性特征信息进行映射，获得映射空间中所述第一需求信息的第一特征位置；

根据所述预训练的语言转换模型，获得各个第二需求信息的第四语义特征信息和第四词性特征信息；

根据所述第四语义特征信息和所述第四词性特征信息进行映射，获得映射空间中各个第二需求信息的第二特征位置；

根据所述预训练的语言转换模型，获得对各个输出语句修改后的语句的第五语义特征信息和第五词性特征信息；

根据所述第五语义特征信息和所述第五词性特征信息进行映射，获得映射空间中对各个输出语句修改后的语句的第三特征位置；

对所述第一特征位置和所述第二特征位置进行多维拟合，获得需求特征曲线；

对所述第三特征位置进行多维拟合，获得文章特征曲线；

根据公式

将所述相似度确定为所述需求匹配度。

在一种可能的实现方式中，所述装置还包括训练模块，用于：

通过所述语言转换模型，获得语言输入样本的样本语义特征信息和样本词性特征信息；

通过所述语言转换模型，对所述样本语义特征信息、所述样本词性特征信息以及样本汽车信息库中各个样本文章进行处理，输出样本需求信息；

将所述样本需求信息输入所述预训练的语句生成模型，获得样本输出语句；

根据公式

确定所述语言转换模型的损失函数Loss，其中，β

根据所述损失函数，训练所述语言转换模型，获得训练后的语言转换模型。

根据本发明的一方面，提供了一种基于需求识别的汽车传媒文章生成设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本发明的一方面，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，所述计算机程序指令被处理器执行时实现上述方法。

根据本公开的实施例的基于需求识别的汽车传媒文章生成方法，可通过语言转换模型将用户的输入转换为能够准确描述用户需求的信息，且在此过程中，可参考热度数据较高的文章生成用户需求信息，从而提升语句生成模型生成热度较高的文章的概率。在通过语句生成模型进行内容生成时，可基于修改记录不断明确用户需求，提升生成内容的准确性。并且，在获得全文后，可确定描述多个语句的文章特征曲线与描述用户的整体需求的需求特征曲线，并确定二者的需求匹配度，从而进一步提升内容与用户需求的匹配度，降低出错概率，提升撰稿效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本发明。根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将更清楚。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的实施例，

图1示出根据本发明实施例的基于需求识别的汽车传媒文章生成方法的流程图；

图2示出根据本发明实施例的需求特征曲线和文章特征曲线的示意图；

图3示出根据本发明实施例的基于需求识别的汽车传媒文章生成装置的框图；

图4示出根据本发明实施例的一种基于需求识别的汽车传媒文章生成设备的框图；

图5示出根据本发明实施例的一种电子设备的框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例仅仅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做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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本发明的各种实施例中，各过程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。

应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。

应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

在一种可能的实现方式中，针对相关技术中人工智能撰稿难以生成符合写作人员需要的稿件的问题，本发明提供一种基于需求识别的汽车传媒文章生成方法，可通过语言转换模型将用户的输入转换为能够准确描述用户需求的信息，从而提供给语句生成模型进行内容生成，且可基于修改记录不断明确用户需求，提升生成内容的准确性，并在获得全文后，可确定输出的多个语句与用户需求的需求匹配度，从而进一步提升内容与用户需求的匹配度，降低出错概率，提升撰稿效率。

图1示出根据本发明实施例的基于需求识别的汽车传媒文章生成方法的流程图，如图1所示，所述方法可包括：

步骤S11，采集多个汽车网站中的多种汽车的参数、文章及所述文章的热度数据，获得汽车信息库，其中，所述热度数据包括所述文章的阅读量数据以及互动量数据；

步骤S12，响应于接收到用户输入信息，根据所述用户输入信息、所述汽车信息库和预训练的语言转换模型，确定用户的第一需求信息，其中，所述第一需求信息用于描述用户对于生成汽车传媒文章的内容的需求；

步骤S13，根据所述第一需求信息和所述汽车信息库，通过预训练的语句生成模型，生成第1个输出语句；

步骤S14，根据接收到的用户对于所述第1个输出语句的修改信息，获得用户的第1个第二需求信息；

步骤S15，根据所述第一需求信息、第1至第i-1个第二需求信息以及对多个输出语句修改后的语句，通过所述预训练的语句生成模型，生成第i个语句输出信息，其中，i为大于1的正整数；

步骤S16，根据所述第一需求信息、多个第二需求信息以及对多个输出语句修改后的语句，确定需求匹配度；

步骤S17，在所述需求匹配度大于或等于预设阈值的情况下，获得输出文章。

在一种可能的实现方式中，在步骤S11中，可在多个汽车网站中的多种汽车的参数、文章及文章的热度数据，获得汽车信息库。在汽车信息库中，可包括多个品牌的多种型号的汽车的参数，以及关于该汽车的文章及文章的热度数据。进一步地，还可筛选出汽车的文章中的关键词存储在汽车信息库中。所述汽车的参数可包括外观参数（例如，长度、宽度、高度、轴距、颜色、外观风格等）、内饰参数（例如，座椅数量、内饰材质、音响品牌、音响数量、仪表盘尺寸、车机系统型号等）、动力参数（例如，发动机型号、发动机功率、发动机扭矩、发动机气缸数、电机功率、电机扭矩、电机数量、电池电量、变速器型号、变速器档位数等）、四驱参数（例如，四驱形式、差速器数量、差速器位置、差速器型号等）、安全参数（例如，气囊位置、气囊数量、车身强度、主动安全参数等）等。以上参数仅为示例，本发明不限于以上参数，还可包括其他汽车参数。

在一种可能的实现方式中，在所述汽车信息库中，可将各种汽车的参数和文章分类保存，例如，可按照车型和/或品牌，对多种型号的汽车进行分类，并在汽车型号的目录下，保存关于该型号的汽车的参数、文章以及文章的热度数据、文章的关键字等信息。本发明对汽车信息库中的分类存储方式不做限制。

在一种可能的实现方式中，在步骤S12中，可接收用户输入信息，用户可以是上述写作人员，写作人员可通过用户输入信息来描述自己所需生成的文章，比如用户输入信息可包括“写一篇A牌汽车XX车型的文章”，然而，该用户输入信息所包含的信息量较少，语言也未必符合语句生成模型的输入格式，导致语言生成模型基于该用户输入信息难以生成有效的语句，更难以生成文章。因此，可通过语言转换模型对该用户输入信息进行处理，从而获得语言生成模型能够有效识别并有效运行第一需求信息，即，使得语句生成模型能够识别的标准化的语言。其中，所述语言转换模型和语句生成模型均可以是深度学习神经网络模型，例如，卷积神经网络模型，递归神经网络模型等，本发明对语言转换模型和语句生成模型的具体类型不做限制。

在一种可能的实现方式中，步骤S12可包括：对所述用户输入信息进行分词处理，获得所述用户输入信息的多个第一关键词；通过所述预训练的语言转换模型，获得各个所述第一关键词的第一语义特征信息和第一词性特征信息；通过所述预训练的语言转换模型，获得汽车的参数和各个文章的第二关键词的第二语义特征信息和第二词性特征信息；根据所述第一语义特征信息、所述第一词性特征信息、所述第二语义特征信息和所述第二词性特征信息，在所述文章中确定出目标文章；根据所述目标文章的目标关键词、所述第一关键词以及所述语句生成模型的启动关键词，获得所述第一需求信息，其中，所述语句生成模型的启动关键词用于表示所述语句生成模型生成语句的风格信息。

在一种可能的实现方式中，可基于用户输入信息确定用户的需求，从而通过语言转换模型，将用户需求转换为能够准确描述用户需求，且能够被语句生成模型识别的第一需求信息。可对用户输入信息进行分词处理，例如，可通过结巴分词等方法，对用户输入信息进行分词处理，并筛选出其中的第一关键词，例如，可将其中具有实际语义信息的词语作为第一关键词，例如，将“写一篇A牌汽车XX车型的文章”进行分词并进行筛选后，可获得“写”、“A品牌”、“XX车型”的第一关键词。

在一种可能的实现方式中，可通过语言转换模型来提取各第一关键词的第一语义特征信息和第一词性特征信息。在示例中，第一语义特征信息可以是第一关键词的词向量，可通过对第一关键词进行编码并在词库或词典中查询与第一关键词对应的向量信息来获得。第一词性信息可以是表示第一关键词为褒义词或贬义词的信息，例如，在第一关键词为褒义词或贬义词的情况下，所述第一词性特征信息均可由特定的元素组合形成的向量或矩阵来表示，且元素值可随形容褒义或贬义的程度不同而不同，例如，第一关键词为“好”或“卓越”两个褒义词，则两个第一关键词的第一词性特征信息的元素值可不同。如果第一关键词不含有褒贬的含义，例如，第一关键词为名词或动词（例如，“汽车”、“乘坐”等）则第一关键词的第一词性特征信息中各元素可为0或其他预设值。通过参考词性特征信息，有利于在后续生成语句时获得与用户需求的词性一致的语句，例如，可生成褒义的语句或贬义的语句。本发明对第一语义特征信息的获得方式以及第一词性特征信息的元素具体值不做限制。

在一种可能的实现方式中，可按照与第一关键词的处理类似的处理，获取各个汽车的参数和各个文章的第二关键词，并获得各个第二关键词的第二语义特征信息和第二词性特征信息。其中，汽车的参数自身即可作为第二关键词，以便于对汽车的参数进行查找和处理。

在一种可能的实现方式中，可基于以上获得的第一语义特征信息、第一词性特征信息、第二语义特征信息和第二词性特征信息，在多个文章中进行查找，选择出与用户输入信息所表达的用户需求相匹配的目标文章，例如，目标文章中出现的关键词与用户输入信息中出现的关键词的重合度较高，或者，目标文章所涉及的车辆品牌或车型与用户输入信息中包括的车辆品牌或车型相同等，本发明对目标文章的具体含义不做限制。

在一种可能的实现方式中，根据所述第一语义特征信息、所述第一词性特征信息、所述第二语义特征信息和所述第二词性特征信息，在所述文章中确定出目标文章，包括：根据所述第一词性特征信息和所述第二词性特征信息，确定词性匹配度评分；根据所述第一语义特征信息和所述第二语义特征信息，确定语义匹配度评分；根据所述词性匹配度评分和所述语义匹配度评分，确定各个文章的匹配度评分；根据所述匹配度评分，在多个文章中确定出所述目标文章。

在一种可能的实现方式中，如上所述，各个文章可按照汽车的品牌和型号进行分类存储，因此，可在筛选目标文章时，仅筛选与用户输入信息中包括的汽车的品牌和型号一致的汽车的文章，从而减小运算量。也可筛选出与用户输入信息中包括的汽车的品牌和型号一致的汽车的参数。

在一种可能的实现方式中，第一词性特征信息可以是向量形式的信息，多个第一词性特征信息可构成第一词性特征信息的向量集，按照类似的方式，每个文章的第二关键词的第二词性特征信息，可构成与该文章对应的向量集。可利用两个向量集来确定词性匹配度评分，例如，将两个向量集中的向量逐个确定相似度，并将各个相似度输入语言转换模型的全连接层，或者进行求平均等处理，获得词性匹配度评分。

在一种可能的实现方式中，第一语义特征信息可以是向量形式的信息，多个第一语义特征信息可构成第一语义特征信息的向量集，按照类似的方式，每个文章的第二关键词的第二语义特征信息，可构成与该文章对应的向量集。可利用两个向量集来确定语义匹配度评分，例如，将两个向量集中的向量逐个确定相似度，并将各个相似度输入语言转换模型的全连接层，或者进行求平均等处理，获得语义匹配度评分。

在一种可能的实现方式中，可将各个文章的语义匹配度品跟和词性匹配度评分进行加权求和，获得各个文章的匹配度评分。并可按照匹配度评分在与用户输入信息中包括的汽车的品牌和型号一致的汽车的多个文章中，筛选出目标文章。

在一种可能的实现方式中，还可利用文章的热度数据来筛选目标文章，在示例中，以上筛选方法为在选定的车型分类的文章中筛选目标文章，而利用文章热度数据来筛选目标文章则可无需限制车型分类。根据所述第一语义特征信息、所述第一词性特征信息、所述第二语义特征信息和所述第二词性特征信息，在所述文章中确定出目标文章，还包括：根据所述文章的热度数据，在多个文章中确定出待选文章。在示例中，热度数据可包括文章的阅读量数据和互动量数据，所述互动量数据可表示文章被评论的数量、被点赞的数量和/或阅读付费的数量等，本发明对互动量数据的涵盖范围不做限制。热度数据可表示该文章的受关注程度，即，该文章提及的话题受关注的程度较高，因此，可将这些文章作为目标文章，并引用这些文章中的话题的关键词来构成第一需求信息，从而在输入语句生成模型在生成语句时，使语句生成模型可查询到网络中的热度较高的文章，并可引用其中的语句或话题等，从而更易生成新的热度较高的文章。

在一种可能的实现方式中，根据所述匹配度评分，在多个文章中确定出所述目标文章，包括：根据所述待选文章的匹配度评分，在多个所述待选文章中确定出所述目标文章。即，可按照上述方式计算热度较高的待选文章的匹配度评分，并在待选文章中选择出匹配度较高的一个或多个目标文章。

在一种可能的实现方式中，在获得目标文章后，可确定出目标文章的目标关键词，并基于第一关键词所表达的用户需求，通过语言转换模型生成第一需求信息，并且，在第一需求信息中可包括语句生成模型的启动关键词，从而使得语句生成模型按照启动关键词所描述的风格信息来生成文章的各个语句。在示例中，启动关键词可表示生成的语句的风格，例如，启动关键词为“技术性”，则语句生成模型可生成技术性较强的语句，例如，在语句中包含更多的参数，技术用语以及各种汽车结构的运行原理等。又例如，启动关键词为“趣味性”，则语句生成模型可生成趣味性较强，通俗易懂的语句，例如，语句中包含较少的参数和技术用语，而生成更多的比喻句，或更多的故事性的语句。

在一种可能的实现方式中，在获得第一需求信息后，可在步骤S13中，通过语句生成模型，基于以上获得的第一需求信息来生成第1个输出语句。第一个输出语句可用做文章的标题、摘要、主旨段落等，本发明对第1个输出语句的用途不作限制。

在一种可能的实现方式中，如果第1个输出语句中存在不符合用户需求之处，例如，其中的某个或某些词语不符合用户的需求，则用户可对这些词语进行修改，在步骤S14中，可保存用户的修改信息，作为第二需求信息。用户修改后的词语和语句是更符合用户需求的，因此，可将修改过程和修改后的词语和语句作为第二需求信息进行存储。

在一种可能的实现方式中，在步骤S15中，后续生成的每个语句时，都可以将对之前生成的语句的修改信息、修改后的语句作为参考，当然，也可将第一需求信息作为参考。即，不论第一需求信息，还是对之前生成的语句进行修改的第二需求信息，以及修改后的语句，均可表达用户的需求，因此，可基于之前确定的用户需求，来生成当前的语句。

在一种可能的实现方式中，步骤S15可包括：根据公式（1）确定对第t个输出语句修改后的语句的权重α

（1）

其中，N

根据所述第一需求信息的预设权重，以及对各个输出语句修改后的语句的权重，对所述第一需求信息的词向量和对各个输出语句修改后的语句的词向量进行加权求和处理，获得第i个需求词向量；

通过所述语句生成模型对所述第i个需求词向量进行处理，获得第i个语句输出信息。

在一种可能的实现方式中，公式（1）的真数中，分子部分中作为指数部分的三项中，第一项为

在一种可能的实现方式中，公式（1）的真数中，分子部分中作为指数部分的第二项为

在一种可能的实现方式中，公式（1）的真数中，分子部分中作为指数部分的第三项为

在一种可能的实现方式中，公式（1）的真数中，分母部分作为指数的项为i-t，即，第t个修改后的语句距离当前要输出的语句的距离。距离越远，则两句话的含义的差距越大，从而可更少地参考距离较远的语句。因此，该项较大的修改后的语句的权值较小。

在一种可能的实现方式中，以上通过公式（1），可获得各个输出语句修改后的语句的权重，并可为表示用户的总体需求的第一需求信息设置较高的预设权重，例如，预设权重可大于各个输出语句修改后的语句的权重。在确定第一需求信息的权重以及各个修改后的语句的权重后，可对第一需求信息的词向量和对各个输出语句修改后的语句的词向量进行加权求和，从而获得可表示用户当前需求的第i个需求词向量。通过语句生成模型对所述第i个需求词向量进行处理，获得第i个语句输出信息。

在一种可能的实现方式中，可基于以上方式生成各个语句输出信息，并通过人工修改，确定更准确的用户需求，进而获得更加符合用户需求的语句，最终可形成文章。以上生成方式可通过较小的修改量，即可获得更符合用户需求的语句和文章。

在一种可能的实现方式中，在生成多个语句，并已对多个语句进行修改后，还可确定多个语句形成的文章整体与用户需求是否匹配。在步骤S16中，可第一需求信息、多个第二需求信息以及对多个输出语句修改后的语句，确定需求匹配度。在示例中，可通过多个修改后的语句中关键词与第一需求信息的重合度来确定需求匹配度，例如，确定与第一需求信息的关键词重合的关键词的数量，并基于该数量确定需求匹配度。本发明对需求匹配度的求解方式不做限制。

在一种可能的实现方式中，步骤S16可包括：根据所述预训练的语言转换模型，获得所述第一需求信息的第三语义特征信息和第三词性特征信息；根据所述第三语义特征信息和所述第三词性特征信息进行映射，获得映射空间中所述第一需求信息的第一特征位置；根据所述预训练的语言转换模型，获得各个第二需求信息的第四语义特征信息和第四词性特征信息；根据所述第四语义特征信息和所述第四词性特征信息进行映射，获得映射空间中各个第二需求信息的第二特征位置；根据所述预训练的语言转换模型，获得对各个输出语句修改后的语句的第五语义特征信息和第五词性特征信息；根据所述第五语义特征信息和所述第五词性特征信息进行映射，获得映射空间中对各个输出语句修改后的语句的第三特征位置；对所述第一特征位置和所述第二特征位置进行多维拟合，获得需求特征曲线；对所述第三特征位置进行多维拟合，获得文章特征曲线；根据公式（2），确定需求特征曲线和文章特征曲线的相似度S

（2）

其中，m为输出语句的总数，f

在一种可能的实现方式中，第一需求信息的第三语义特征信息和第三词性特征信息，各个第二需求信息的第四语义特征信息和第四词性特征信息，以及对各个输出语句修改后的语句的第五语义特征信息和第五词性特征信息的获取方式与以上第一语义特征信息和第一词性特征信息的获取方式相似，在此不再赘述。

在一种可能的实现方式中，在以上多个特征信息中，第三语义特征信息和第三词性特征信息以及第四语义特征信息和第四词性特征信息可表示用户的需求，第五语义特征信息和第五词性特征信息则表示多个修改后的语句的含义。

在一种可能的实现方式中，可对表示用户需求的第三语义特征信息和第三词性特征信息以及第四语义特征信息和第四词性特征信息映射至所述映射空间，所述映射可包括线性映射或非线性映射，本发明对映射方式不做限制。在映射过程中，可将语义特征作为映射空间的一个或多个维度，将词性特征作为映射空间的另外的一个或多个维度，从而在映射空间中，可获得第一需求信息和第二需求信息在映射空间中的位置，即，第一需求信息的第一特征位置和各个第二需求信息的第二特征位置。进一步地，可对第一特征位置和各个第二特征位置进行多维拟合，获得需求特征曲线。

在一种可能的实现方式中，类似地，在映射空间中还可确定各个修改后的语句的第三特征位置，并可将多个第三特征位置进行多维拟合，可获得文章特征曲线。

图2示出根据本发明实施例的需求特征曲线和文章特征曲线的示意图，由于映射空间的维度可能较高，可能无法直接显示映射空间与上述两条特征曲线，因此，可将上述两条特征曲线按照相同的映射方式映射为二维或三维曲线，如图2所示，为将上述两条特征曲线按照相同的映射方式映射为二维曲线的示意图，图中的横坐标为上述自变量z，纵坐标为高维度的映射空间中，除了自变量z的维度外，其他维度映射至二维空间的映射量y，例如，仅保留高维度的映射空间中的除自变量z的维度外的一个特定维度，从而将高维度的映射空间映射为二维空间，该二维空间的两个维度的坐标轴分别为z轴和y轴。

在一种可能的实现方式中，可通过公式（2）来确定两条曲线的相似度。其中，f

通过这种方式，可通过对生成的文章中的所有语句，以及所有描述用户需求的信息在映射空间中进行拟合，获得描述用户整体需求的需求特征曲线和描述文章的整体特征的文章特征曲线，并确定二者的相似度，从而确定生成的文章与用户整体需求是否匹配，可提升生成文章与用户整体需求的匹配度。

在一种可能的实现方式中，在步骤S17中，如果需求匹配度大于或等于预设阈值，即，生成的文章与用户整体需求匹配，则可获得输出文章，即，将生成的文章作为输出文章。反之，如果需求匹配度小于预设阈值，则可确定造成需求匹配度较低的原因，例如，可确定出上述两条曲线中差距较大的位置，从而确定出对应的语句，进而对该语句进行调整，从而获得匹配性更高的文章。

在一种可能的实现方式中，以上语句生成模型可使用已训练的开源模型，例如，ChatGPT模型、ERNIE模型等自然语言处理模型，本公开对模型的类型不做限制。而对于语言转换模型，可在使用前进行训练，所述语言转换模型的训练步骤包括：通过所述语言转换模型，获得语言输入样本的样本语义特征信息和样本词性特征信息；通过所述语言转换模型，对所述样本语义特征信息、所述样本词性特征信息以及样本汽车信息库中各个样本文章进行处理，输出样本需求信息；将所述样本需求信息输入所述预训练的语句生成模型，获得样本输出语句；

根据公式（3），确定所述语言转换模型的损失函数Loss：

（3）

其中，β

在一种可能的实现方式中，获得样本语义特征信息和样本词性特征信息的过程与以上第一语义特征信息和第一词性特征信息的过程相似，输出样本需求信息的过程也与上述获得第一需求信息的过程类似，在此不再赘述。进一步地，可通过语句生成模型对样本需求信息进行处理，获得样本输出语句。从而可基于样本输出语句、样本需求信息样本语义特征信息和样本词性特征信息来确定语言转换模型的损失函数Loss。

在一种可能的实现方式中，在确定损失函数时，公式（3）表示的损失函数Loss的第一项为

在一种可能的实现方式中，公式（3）的第二项为

在一种可能的实现方式中，公式（3）的第三项为

在一种可能的实现方式中，公式（3）的第四项为

在一种可能的实现方式中，对上述公式（3）的四项进行相加，可获得语言转换模型的损失函数Loss，并利用该损失函数训练语言转换模型，即，调整语言转换模型的参数，使得损失函数减小。在迭代训练多次后，可获得训练后的语言转换模型，以用于以上输出表示用户需求的第一需求信息的处理。

根据本公开的实施例的基于需求识别的汽车传媒文章生成方法，可通过语言转换模型将用户的输入转换为能够准确描述用户需求的信息，且在此过程中，可参考热度较高的文章生成用户需求信息，从而提升语句生成模型生成热度较高的文章的概率。在通过语句生成模型进行内容生成时，可基于修改记录不断明确用户需求，提升生成内容的准确性。并且，在获得全文后，可确定描述多个语句的文章特征曲线与描述用户的整体需求的需求特征曲线，并确定二者的需求匹配度，从而进一步提升内容与用户需求的匹配度，降低出错概率，提升撰稿效率。

图3示出根据本发明实施例的基于需求识别的汽车传媒文章生成装置的框图，如图3所示，所述装置包括：

采集模块11，用于采集多个汽车网站中的多种汽车的参数、文章及所述文章的热度数据，获得汽车信息库，其中，所述热度数据包括所述文章的阅读量数据以及互动量数据；

第一需求信息模块12，用于响应于接收到用户输入信息，根据所述用户输入信息、所述汽车信息库和预训练的语言转换模型，确定用户的第一需求信息，其中，所述第一需求信息用于描述用户对于生成汽车传媒文章的内容的需求；

第一输出模块13，用于根据所述第一需求信息和所述汽车信息库，通过预训练的语句生成模型，生成第1个输出语句；

第二需求信息模块14，用于根据接收到的用户对于所述第1个输出语句的修改信息，获得用户的第1个第二需求信息；

第二输出模块15，用于根据所述第一需求信息、第1至第i-1个第二需求信息以及对多个输出语句修改后的语句，通过所述预训练的语句生成模型，生成第i个语句输出信息，其中，i为大于1的正整数；

匹配模块16，用于根据所述第一需求信息、多个第二需求信息以及对多个输出语句修改后的语句，确定需求匹配度；

文章输出模块17，用于在所述需求匹配度大于或等于预设阈值的情况下，获得输出文章。

在一种可能的实现方式中，所述第一需求信息模块进一步用于：

对所述用户输入信息进行分词处理，获得所述用户输入信息的多个第一关键词；

通过所述预训练的语言转换模型，获得各个所述第一关键词的第一语义特征信息和第一词性特征信息；

通过所述预训练的语言转换模型，获得汽车的参数和各个文章的第二关键词的第二语义特征信息和第二词性特征信息；

根据所述第一语义特征信息、所述第一词性特征信息、所述第二语义特征信息和所述第二词性特征信息，在所述文章中确定出目标文章；

根据所述目标文章的目标关键词、所述第一关键词以及所述语句生成模型的启动关键词，获得所述第一需求信息，其中，所述语句生成模型的启动关键词用于表示所述语句生成模型生成语句的风格信息。

在一种可能的实现方式中，所述第一需求信息模块进一步用于：

根据所述第一词性特征信息和所述第二词性特征信息，确定词性匹配度评分；

根据所述第一语义特征信息和所述第二语义特征信息，确定语义匹配度评分；

根据所述词性匹配度评分和所述语义匹配度评分，确定各个文章的匹配度评分；

根据所述匹配度评分，在多个文章中确定出所述目标文章。

在一种可能的实现方式中，所述第一需求信息模块还用于：

根据所述文章的热度数据，在多个文章中确定出待选文章；

所述第一需求信息模块进一步用于：

根据所述待选文章的匹配度评分，在多个所述待选文章中确定出所述目标文章。

在一种可能的实现方式中，所述第二输出模块进一步用于：

根据公式

根据所述第一需求信息的预设权重，以及对各个输出语句修改后的语句的权重，对所述第一需求信息的词向量和对各个输出语句修改后的语句的词向量进行加权求和处理，获得第i个需求词向量；

通过所述语句生成模型对所述第i个需求词向量进行处理，获得第i个语句输出信息。

在一种可能的实现方式中，所述匹配模块进一步用于：

根据所述预训练的语言转换模型，获得所述第一需求信息的第三语义特征信息和第三词性特征信息；

根据所述第三语义特征信息和所述第三词性特征信息进行映射，获得映射空间中所述第一需求信息的第一特征位置；

根据所述预训练的语言转换模型，获得各个第二需求信息的第四语义特征信息和第四词性特征信息；

根据所述第四语义特征信息和所述第四词性特征信息进行映射，获得映射空间中各个第二需求信息的第二特征位置；

根据所述预训练的语言转换模型，获得对各个输出语句修改后的语句的第五语义特征信息和第五词性特征信息；

根据所述第五语义特征信息和所述第五词性特征信息进行映射，获得映射空间中对各个输出语句修改后的语句的第三特征位置；

对所述第一特征位置和所述第二特征位置进行多维拟合，获得需求特征曲线；

对所述第三特征位置进行多维拟合，获得文章特征曲线；

根据公式

将所述相似度确定为所述需求匹配度。

在一种可能的实现方式中，所述装置还包括训练模块，用于：

通过所述语言转换模型，获得语言输入样本的样本语义特征信息和样本词性特征信息；

通过所述语言转换模型，对所述样本语义特征信息、所述样本词性特征信息以及样本汽车信息库中各个样本文章进行处理，输出样本需求信息；

将所述样本需求信息输入所述预训练的语句生成模型，获得样本输出语句；

根据公式

确定所述语言转换模型的损失函数Loss，其中，β

根据所述损失函数，训练所述语言转换模型，获得训练后的语言转换模型。

在一些实施例中，本发明实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本发明实施例还提出一种基于需求识别的汽车传媒文章生成设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本发明实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的云应用管理方法的指令。

本发明实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的云应用管理方法的操作。

设备可以被提供为终端、服务器或其它形态的设备。

图4示出根据本发明实施例的一种基于需求识别的汽车传媒文章生成设备800的框图。例如，设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端设备。

参照图4，设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。

处理组件802通常控制设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。

电源组件806为设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边缘，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风（MIC），当设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为设备800的显示器和小键盘，传感器组件814还可以检测设备800或设备800一个组件的位置改变，用户与设备800接触的存在或不存在，设备800方位或加速/减速和设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于设备800和其他设备之间有线或无线方式的通信。设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。

在示例性实施例中，设备800可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由设备800的处理器820执行以完成上述方法。

图5示出根据本发明实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器或终端。参照图5，电子设备1900包括处理单元1922，其进一步包括一个或多个处理器，以及由存储单元1932所代表的存储器资源，用于存储可由处理单元1922的执行的指令，例如应用程序。存储单元1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理单元1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源单元1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出接口1958。电子设备1900可以操作基于存储在存储单元1932的操作系统，例如WindowsServer

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储单元1932，上述计算机程序指令可由电子设备1900的处理单元1922执行以完成上述方法。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、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）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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服务器上执行。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）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

可以理解，本发明提及的上述实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本发明不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。

本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。