医学文献的突发热点检测方法、装置、电子设备及相关产品

技术领域

本申请涉及文本识别技术领域，具体涉及一种医学文献的突发热点检测方法、装置、电子设备及相关产品。

背景技术

随着医学科技的进步，现今医学领域的医学文献的发表数量飞速增长，以及在某个医学领域，研究热点也会随着时间发生变化，比如，肿瘤领域近年新兴的免疫治疗和靶向治疗就是一个新出现的研究热点。随着研究热点的变化，医学文献的方向也在发生变化，所以，可以从某个医学领域的海量医学文献中挖掘出热点词汇，根据热点词汇梳理出疾病的历史研究脉络，以及预测出这个医学领域的未来发展趋势，为医生的医学研究提供研究方向。

然而，目前主要是对医学文献进行关键词识别来检测突发热点词汇，将出现频次较高的词汇作为热点词汇，这种识别方式的冗余性高，识别精度较低。

发明内容

本申请实施例提供了一种医学文献的突发热点检测方法、装置、电子设备及相关产品，提高对医学文献的突发热点的识别精度。

第一方面，本申请实施例提供一种医学文献的突发热点检测方法，包括：从医学数据库中获取与预设医学领域对应的多篇医学文献；

获取所述多篇医学文献中属于医学主题词表Mesh中的至少一个主题词；

构造所述至少一个主题词中每个主题词对应的隐马尔科夫模型的二状态机；

根据所述每个主题词对应的隐马尔科夫模型的二状态机，确定所述每个主题词的热点区间。

第二方面，本申请实施例提供一种医学文献的突发热点检测装置，包括：

收发单元，用于从医学数据库中获取与预设医学领域对应的多篇医学文献；

处理单元，用于获取所述多篇医学文献中属于医学主题词表Mesh中的至少一个主题词；

所述处理单元，还用于构造所述至少一个主题词中每个主题词对应的隐马尔科夫模型的二状态机；

所述处理单元，还用于根据所述每个主题词对应的隐马尔科夫模型的二状态机，确定所述每个主题词的热点区间。

第三方面，本申请实施例提供一种电子设备，包括：处理器，所述处理器与存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行如第一方面所述的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得计算机执行如第一方面所述的方法。

第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面所述的方法。

实施本申请实施例，具有如下有益效果：

可以看出，在本申请实施例中，首先从医学主题词表中获取主题词，从而避免出现冗余的关键词，降低了热点词汇的冗余度；另外，通过构造每个主题词对应的隐马尔科夫模型的二状态机，确定每个主题词的热点区间；从而可以根据每个主题词的热点区间，可以确定出每个年份的热点词汇，而不是简单的依据主题词的出现频次确定每年的热点词汇，提高了确定每年的热点词汇的精确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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附图。

图1为本申请实施例提供的一种医学文献的突发热点检测方法的流程示意图；

图2为本申请实施例提供的一种隐马尔科夫模型的二状态机的示意图；

图3为本申请实施例提供的另一种医学文献的突发热点检测方法的流程示意图；

图4为本申请实施例提供的一种医学文献的突发热点检测装置的功能单元组成框图；

图5为本申请实施例提供的一种医学文献的突发热点检测装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

参阅图1，图1为本申请实施例提供的一种医学文献的突发热点检测方法。该方法应用于医学文献的突发热点检测装置。该方法包括以下步骤：

101：从医学数据库中获取与预设医学领域对应的多篇医学文献。

示例性的，该医学数据库可以为公共医学(PublicMedicine，pubmed)数据库。该预设医学领域可以为任意一种医学领域，比如，可以为肺癌医学领域、肿瘤医学领域、高血压医学领域。

示例性的，可对该医学数据库中的每篇医学文献进行实体命名，得到每篇医学文献对应的实体，其中，每篇医学文献中的实体包括以下至少一种：疾病名称、药品名称、基因、手术名称、检查方式、检验方式；然后，通过实体匹配，确定该医学数据库中与该预设医学领域对应的多篇医学文献。比如，预设医学领域为肺癌领域，则将包含有肺癌领域的实体(比如，实体“肺癌”)的医学文献抽取出来，得到该多篇医学文献。

102：获取所述多篇医学文献中属于医学主题词表Mesh中的至少一个主题词。

示例性的，可对该多篇医学文献中的每篇医学文献的标题和摘要进行关键词识别，得到每篇医学文献中的关键词，比如，可以通过语自然言处理工具包(stanford NLP)从每篇医学文献中识别出每篇医学文献的关键词；然后，将每篇医学文献的关键词与医学主题词表(Medical Subject Heading，Mesh)中的主题词进行比对，得到该多篇医学文献中属于Mesh中的至少一个主题词，即确定每篇医学文献的关键词与该Mesh中的每个主题词的匹配值，并根据与每个主题词的匹配值，确定每篇医学文献的关键词对应的最大匹配值；在该最大匹配值大于阈值的情况下，则确定该篇医学文献的关键词属于该Mesh中的关键词。

103：构造所述至少一个主题词中每个主题词对应的隐马尔科夫模型的二状态机。

示例性的，获取该多篇医学文献中每篇医学文献的发表时间；根据每篇医学文献的发表时间确定该多篇医学文献中的最早发表时间和最晚发表时间，其中，每篇医学文献的发表时间是以年份为粒度的。

示例性的，根据该多篇医学文献，确定该多篇医学文献中在预设时间段中的每个年份所包含主题词w的医学文献的数量，其中，该预设时间段包括最早发表时间、最晚发表时间以及该最早发表时间和最晚发表时间之间的所有年份，该主题词w为该至少一个主题词中的任意一个主题词；将每个年份包含主题词w的医学文献的数量作为观测序列，构造与主题词w对应的隐马尔科夫模型的二状态机，即图2示出的[y(t)，y(t+1)，……，y(t+n)]为观测序列，其中，t为最早发表时间，t+n为最晚发表时间，其中，该隐马尔科夫模型的二状态机中的隐藏状态序列是由主题词w在每个年份的状态构成，即[x(t)，x(t+1)，……，x(t+n)]，且该主题词w在每个年份的状态包括突发状态或者普通状态。

104：根据所述每个主题词对应的隐马尔科夫模型的二状态机，确定所述每个主题词的热点区间。

示例性的，确定与该隐马尔科夫模型的二状态机对应的初始状态概率向量、状态转移概率矩阵以及观测概率矩阵；根据维比特算法、初始状态概率向量、状态转移概率矩阵、观测概率矩阵以及观测序列，确定每个主题词对应的隐藏状态序列，即根据观测序列找到最优的路径，也就是根据每个年份中包含主题词w的医学文献的数量，确定出每个年份中主题词w的最有可能的状态(即是突发状态，还是普通状态)，其中，该隐藏状态序列表征了该主题词w在预设时间段中的每个年份的状态；并根据每个主题词对应的隐藏状态序列确定该主题词对应的突发区间。

举例来说，主题词w的隐藏状态为(0,0,1,1,1)，其中，0表示普通状态，1表示突发状态，则可确定后三年是该主题词w的突发区间，也就是说，在后三年中医学文献中会频繁地出现该主题词w。

应理解，在某个主题词对应的隐藏态序列表征该主题词在每个年份的状态均为普通状态的情况下，则确定该主题不是热点词，也就是说该主题词在该预设时间段中没有出现过突发区间。

示例性的，设定主题词w具有两个状态，即突发状态和普通状态，其中，主题词w的突发状态的概率比普通状态的概率更大，也就是说，在该主题词w对应的突发区间内，会有更多的医学文献包含该主题词w。

示例性的，根据该多篇医学文献中包含该主题词w的医学文献的数量以及该多篇医学文献的数量，确定与该隐马尔科夫模型的二状态机对应的初始状态概率向量。示例性的，该初始状态概率向量为P＝[P0,P1]。

示例性的，如表1所示，P0和P1分别为普通状态和突发状态的概率。

表1：

其中，P0可以通过公式(1)表示：

其中，r

示例性的，P1＝β*P0，其中，β为预设参数，表征突发状态与普通状态的差异。

示例性的，根据该预设时间段中年份的数量，确定与该隐马尔科夫模型的二状态机对应的状态转移概率矩阵。示例性的，该状态转移概率矩阵可以通过表2表示。

表2：

其中，t为预设时间段内年份的数量。

具体的，状态转移概率矩阵

示例性的，确定出现该主题词的事件服从二项分布，则根据该主题词处于突发状态的概率以及处于普通状态的概率，以及该二项分布，确定与该隐马尔科夫模型的二状态机对应的观测概率矩阵。其中，该观测概率矩阵可通过表3表示。

表3：

其中，x表示在某个年份中包含该文献的数量为x。

具体的，该观测概率矩阵

可以看出，在本申请实施例中，首先从医学主题词表中获取主题词，从而避免出现冗余的关键词，降低了热点词汇的冗余度；另外，通过构造每个主题词对应的隐马尔科夫模型的二状态机，确定每个主题词的热点区间；从而可以根据每个主题词的热点区间，可以确定出每个年份的热点词汇，而不是简单的依据主题词的出现频次确定每年的热点词汇，提高了确定每年的热点词汇的精确度。

参阅图3，图3为本申请实施例提供的另一种医学文献的突发热点检测方法。该方法应用于医学文献的突发热点检测装置。该实施例中与图1所示的实施例相同的内容，此处不再重复描述。本实施例的方法包括以下步骤：

301：从医学数据库中获取与预设医学领域对应的多篇医学文献。

302：对所述多篇医学文献中的每篇医学文献的标题和摘要进行关键词识别，得到所述每篇医学文献中的第一关键词。

303：对所述每篇医学文献中的第一关键词进行全称映射，得到所述每篇医学文献中的第二关键词。

示例性的，可以通过scispacy工具包中的缩写检测算法将缩写短语映射成全称，比如，可将非小细胞肺癌“NSCLC”映射成“Non-small cell lung cancer”。

304：将所述每篇医学文献中的第二关键词与Mesh中的主题词进行比对，得到所述多篇医学文献中属于医学主题词表Mesh中的至少一个主题词。

305：构造所述至少一个主题词中每个主题词对应的隐马尔科夫模型的二状态机。

306：根据所述每个主题词对应的隐马尔科夫模型的二状态机，确定所述每个主题词的热点区间。

307：对所述至少一个主题词对应的突发区间进行合并，得到所述多篇医学文献在所述预设时间段的每个年份中处于突发状态的主题词，并根据在所述每个年份中处于突发状态的主题词确定所述预设医学领域的历史研究脉络以及未来发展趋势。

示例性的，可根据每个主题词的隐藏状态序列，将该至少一个主题词对应的突发区间进行合并，得到每个年份的热点词汇；即将每个年份的隐藏状态为1的主题词作为该年份的热点词汇。比如，主题词w的隐藏状态序列为(0,0,1,1,1)，主题词q的隐藏状态序列为(1,0,1,1,1)，则可以确定出第一年的热点词汇是主题词q，第三年到第四年的热点词汇均包括主题词w和主题词q。

进一步的，根据每个年份的热点词汇确定预设医学领域的历史研究脉络以及未来发展趋势。比如，在第三年到第六年主题词“靶向治疗”都是热点词汇，则可以确定在第三年到第六年之间，“靶向治疗”是历史研究脉络。而且，可以距离当前时间最近的热点词汇，预测未来的发展趋势。具体的，获取距离当前时间在预设时长内的年份中的热点词汇，示例性的，该预设时长可以为1年、2年、3年，等等；然后，根据这些热点词汇确定出在预设时长内的研究方向；根据这些研究方向以及每个研究方向的攻克难度，确定这些研究方向在未来时间段内仍然需要继续研究的研究方向，并将这些需要继续研究的研究反向作为该预设医学领域的未来的发展趋势，其中，每个研究方向的攻克难度由该研究方向的研发投入、医学研究者的数量、医疗器械的完善程度决定的。

可以看出，在本申请实施例中，首先从医学主题词表中获取主题词，从而避免出现冗余的关键词，降低了热点词汇的冗余度；并且，在识别出关键词之后，对每个关键词进行全称映射，由于获取到完整的关键词，进而提高了主题词的匹配精度；另外，通过构造每个主题词对应的隐马尔科夫模型的二状态机，确定每个主题词的热点区间；从而可以根据每个主题词的热点区间，可以确定出每个年份的热点词汇，而不是简单的依据主题词的出现频次确定每年的热点词汇，提高了确定每年的热点词汇的精确度；最后，根据每个主题词汇的热点区间，确定出该预设医学领域的历史研究脉络和未来发展趋势，进而为医学研究者提供数据参考，推动医疗科技的进步。

参阅图4，图4本申请实施例提供的一种医学文献的突发热点检测装置的功能单元组成框图。医学文献的突发热点检测装置400包括：收发单元401和处理单元402，其中：

收发单元401，用于从医学数据库中获取与预设医学领域对应的多篇医学文献；

处理单元402，用于获取所述多篇医学文献中属于医学主题词表Mesh中的至少一个主题词；

处理单元402，还用于构造所述至少一个主题词中每个主题词对应的隐马尔科夫模型的二状态机；

处理单元402，还用于根据所述每个主题词对应的隐马尔科夫模型的二状态机，确定所述每个主题词的热点区间。

在一些可能的实施方式中，在获取所述多篇医学文献中属于医学主题词表Mesh中的至少一个主题词方面，处理单元402，具体用于：

对所述多篇医学文献中的每篇医学文献的标题和摘要进行关键词识别，得到所述每篇医学文献中的关键词；

将所述每篇医学文献的关键词与所述Mesh中的主题词进行比对，得到所述多篇医学文献中属于Mesh中的至少一个主题词。

在一些可能的实施方式中，在将所述每篇医学文献的关键词与所述Mesh中的主题词进行比对，得到所述多篇医学文献中属于Mesh中的至少一个主题词方面，处理单元402，具体用于：

对所述每篇医学文献中的关键词进行全称映射；

使用映射后的所述每篇医学文献的关键词，与所述Mesh中的主题词进行比对，得到所述多篇医学文献中属于Mesh中的至少一个主题词。

在一些可能的实施方式中，在构造所述至少一个主题词中每个主题词对应的隐马尔科夫模型的二状态机方面，处理单元402，具体用于：

获取所述多篇医学文献中每篇医学文献的发表时间；

根据所述每篇医学文献的发表时间，确定所述多篇医学文献中的最早发表时间和最晚发表时间；

确定所述多篇医学文献中在预设时间段中的每个年份包含主题词w的医学文献的数量，其中，所述预设时间段包括所述最早发表时间、所述最晚发表时间以及所述最早发表时间和所述最晚发表时间之间的年份，所述主题词w为所述至少一个主题词中的任意一个主题词；

将所述每个年份包含主题词w的医学文献的数量作为观测序列，构造与所述主题词w对应的隐马尔科夫模型的二状态机，其中，所述隐马尔科夫模型的二状态机中的隐藏状态序列是由所述主题词w在所述每个年份的状态构成，所述主题词w在所述每个年份的状态包括突发状态或普通状态。

在一些可能的实施方式中，在根据所述每个主题词对应的隐马尔科夫模型的二状态机，确定所述每个主题词的热点区间方面，处理单元402，具体用于：

确定所述每个主题词的隐马尔科夫模型的二状态机对应的初始状态概率向量、状态转移概率矩阵以及观测概率矩阵；

根据维比特算法、所述初始状态概率向量、所述状态转移概率矩阵、所述观测概率矩阵以及所述观测序列，确定所述每个主题词对应的隐藏状态序列；

根据所述每个主题词对应的隐藏状态序列，确定所述每个主题词对应的突发区间。

在一些可能的实施方式中，在确定所述每个主题词的隐马尔科夫模型的二状态机对应的初始状态概率向量、状态转移概率矩阵以及观测概率矩阵方面，处理单元402，具体用于：

根据所述多篇医学文献中包含所述每个主题词的医学文献的数量以及所述多篇医学文献的数量，确定所述每个主题词处于突发状态的概率以及处于普通状态的概率；

根据所述每个主题词处于突发状态的概率以及处于普通状态的概率，确定与所述每个主题词的隐马尔科夫模型的二状态机对应的初始状态概率向量；

确定所述每个主题词的出现事件服从二项分布，并根据所述每个主题词处于突发状态的概率以及处于普通状态的概率以及所述二项分布，确定与所述每个主题词的隐马尔科夫模型的二状态机对应的观测概率矩阵；

根据所述预设时间段的长度，确定与所述每个主题词的隐马尔科夫模型的二状态机对应的状态转移概率矩阵。

在一些可能的实施方式中，处理单元402，还用于：

对所述至少一个主题词中每个主题词对应的突发区间进行合并，得到在所述预设时间段的每个年份中处于突发状态的主题词；

根据在所述每个年份中处于突发状态的主题词确定所述预设医学领域的历史研究脉络以及未来发展趋势。

参阅图5，图5为本申请实施例提供的一种电子设备的结构示意图。如图5所示，电子设备500包括收发器501、处理器502和存储器503。它们之间通过总线504连接。存储器503用于存储计算机程序和数据，并可以将存储503存储的数据传输给处理器502。

处理器502用于读取存储器503中的计算机程序执行以下操作：

控制收发器501从医学数据库中获取与预设医学领域对应的多篇医学文献；

获取所述多篇医学文献中属于医学主题词表Mesh中的至少一个主题词；

构造所述至少一个主题词中每个主题词对应的隐马尔科夫模型的二状态机；

根据所述每个主题词对应的隐马尔科夫模型的二状态机，确定所述每个主题词的热点区间。

在一些可能的实施方式中，在获取所述多篇医学文献中属于医学主题词表Mesh中的至少一个主题词方面，处理器502，具体用于执行以下操作：

对所述多篇医学文献中的每篇医学文献的标题和摘要进行关键词识别，得到所述每篇医学文献中的关键词；

将所述每篇医学文献的关键词与所述Mesh中的主题词进行比对，得到所述多篇医学文献中属于Mesh中的至少一个主题词。

在一些可能的实施方式中，在将所述每篇医学文献的关键词与所述Mesh中的主题词进行比对，得到所述多篇医学文献中属于Mesh中的至少一个主题词方面，处理器502，具体用于执行以下操作：

对所述每篇医学文献中的关键词进行全称映射；

使用映射后的所述每篇医学文献的关键词，与所述Mesh中的主题词进行比对，得到所述多篇医学文献中属于Mesh中的至少一个主题词。

在一些可能的实施方式中，在构造所述至少一个主题词中每个主题词对应的隐马尔科夫模型的二状态机方面，处理器502，具体用于执行以下操作：

获取所述多篇医学文献中每篇医学文献的发表时间；

根据所述每篇医学文献的发表时间，确定所述多篇医学文献中的最早发表时间和最晚发表时间；

确定所述多篇医学文献中在预设时间段中的每个年份包含主题词w的医学文献的数量，其中，所述预设时间段包括所述最早发表时间、所述最晚发表时间以及所述最早发表时间和所述最晚发表时间之间的年份，所述主题词w为所述至少一个主题词中的任意一个主题词；

将所述每个年份包含主题词w的医学文献的数量作为观测序列，构造与所述主题词w对应的隐马尔科夫模型的二状态机，其中，所述隐马尔科夫模型的二状态机中的隐藏状态序列是由所述主题词w在所述每个年份的状态构成，所述主题词w在所述每个年份的状态包括突发状态或普通状态。

在一些可能的实施方式中，在根据所述每个主题词对应的隐马尔科夫模型的二状态机，确定所述每个主题词的热点区间方面，处理器502，具体用于执行以下操作：

确定所述每个主题词的隐马尔科夫模型的二状态机对应的初始状态概率向量、状态转移概率矩阵以及观测概率矩阵；

根据维比特算法、所述初始状态概率向量、所述状态转移概率矩阵、所述观测概率矩阵以及所述观测序列，确定所述每个主题词对应的隐藏状态序列；

根据所述每个主题词对应的隐藏状态序列，确定所述每个主题词对应的突发区间。

在一些可能的实施方式中，在确定所述每个主题词的隐马尔科夫模型的二状态机对应的初始状态概率向量、状态转移概率矩阵以及观测概率矩阵方面，处理器502，具体用于执行以下操作：

根据所述多篇医学文献中包含所述每个主题词的医学文献的数量以及所述多篇医学文献的数量，确定所述每个主题词处于突发状态的概率以及处于普通状态的概率；

根据所述每个主题词处于突发状态的概率以及处于普通状态的概率，确定与所述每个主题词的隐马尔科夫模型的二状态机对应的初始状态概率向量；

确定所述每个主题词的出现事件服从二项分布，并根据所述每个主题词处于突发状态的概率以及处于普通状态的概率以及所述二项分布，确定与所述每个主题词的隐马尔科夫模型的二状态机对应的观测概率矩阵；

根据所述预设时间段的长度，确定与所述每个主题词的隐马尔科夫模型的二状态机对应的状态转移概率矩阵。

在一些可能的实施方式中，处理器502，还用于读取存储器503中的计算机程序执行以下操作：

对所述至少一个主题词中每个主题词对应的突发区间进行合并，得到在所述预设时间段的每个年份中处于突发状态的主题词；

根据在所述每个年份中处于突发状态的主题词确定所述预设医学领域的历史研究脉络以及未来发展趋势。

具体地，上述收发器501可为图4所述的实施例的医学文献的突发热点检测装置400的收发单元401，上述处理器502可以为图4所述的实施例的医学文献的突发热点检测装置400的处理单元402。

应理解，本申请中的医学文献的突发热点检测装置可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile Internet Devices，简称：MID)或穿戴式设备等。上述医学文献的突发热点检测装置仅是举例，而非穷举，包含但不限于上述医学文献的突发热点检测装置。在实际应用中，上述医学文献的突发热点检测装置还可以包括：智能车载终端、计算机设备等等。

本申请实施例还提供一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种医学文献的突发热点检测方法的部分或全部步骤。

本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种医学文献的突发热点检测方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。

所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。