基于多维表征的问诊意图识别方法、装置、设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于多维表征的问诊意图识别方法、装置、电子设备及计算机可读存储介质。

背景技术

随着技术发展的多元化，中医问诊的场景已经发展到线上问诊，但为了给用户更好的消费者体验，提高问诊意图的精确度，需要对已有的问诊意图识别方法进行改进，以提升意图识别的精确度。

目前中医线上问诊的方法容易出现将患者的口语化表述识别为非问诊意图，出现问诊意图识别不精确的情况。业内通用解决方案是通过业务策略规则对关键词进行匹配完成对问诊意图的纠正，但是当患者的输入文本中没有症状关键词时，仍会产生意图识别不准确的情况，从而对问诊意图识别的精确度较低。

发明内容

本发明提供一种基于多维表征的问诊意图识别方法，其主要目的在于提高问诊意图识别的精确度。

为实现上述目的，本发明提供的一种基于多维表征的问诊意图识别方法，包括：

获取目标患者的病况信息，抽取所述病况信息的文本特征；

将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层，得到第一表征；

将所述文本特征利用所述表征向量投影至所述意图识别任务模型内的轮次片段信息表征层，得到第二表征；

利用预设的命名实体预测模型提取所述病况信息内的命名实体，并将所述命名实体利用所述表征向量投影至症状抽取任务模型内的传入症状表征层，得到第三表征；

将所述第一表征、所述第二表征和所述第三表征进行均值化处理，并根据均值化处理的结果确定所述病况信息的问诊意图。

可选地，所述抽取所述病况信息的文本特征，包括：

提取所述病况信息的特征词，得到文本信息；

将所述文本信息进行结构化处理，得到识别信息；

提取所述识别信息内的特征信息，并将所述特征信息作为所述病况信息的文本特征。

可选地，所述将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层，包括：

将所述文本特征进行聚合，得到聚合文本；

将所述聚合文本利用所述表征向量投影至所述意图表征层，得到所述第一表征。

可选地，所述利用所述预设的命名实体预测模型提取所述病况信息内的命名实体，包括：

利用预设的标注工具对所述病况信息进行标注；

对标注后的所述病况信息进行数据归并，得到归并数据；

通过预先训练的命名实体预测模型提取所述归并数据中包含的命名实体。

可选地，所述将所述第一表征、所述第二表征和所述第三表征进行均值化处理，包括：

将所述第一表征、所述第二表征、所述第三表征数据进行平均数计算，得到均值；

利用所述第一表征、所述第二表征、所述第三表征数据除以所述均值，得到均值化处理结果。

可选地，所述根据所述均值化处理的结果确定所述病况信息的问诊意图，包括：

通过全连接层将均值化处理的结果映射至预设的标记空间；

将所述标记空间内均值化处理的结果通过分类器进行分类，得到数值大小的分类结果；

将所述分类结果进行列向量输出，将输出结果作为所述问诊意图。

为了解决上述问题，本发明还提供一种基于多维表征的问诊意图识别装置，所述装置包括：

信息特征模块，用于获取目标患者的病况信息，抽取所述病况信息的文本特征；

第一表征模块，用于将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层；

第二表征模块，用于将所述文本特征利用所述表征向量投影至所述意图识别任务模型内的轮次片段信息表征层；

第三表征模块，用于将预设的命名实体预测模型提取所述病况信息内的命名实体，并将所述命名实体利用所述表征向量投影至症状抽取任务模型内的传入症状表征层；

均值处理模块，用于将所述第一表征、所述第二表征和所述第三表征进行均值化处理，并根据均值化处理的结果确定所述病况信息的问诊意图。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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上述所述的基于多维表征的问诊意图识别方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于多维表征的问诊意图识别方法。

本发明实施例通过对病况信息进行特征词提取、量化处理以及结构化处理，可实现对该病况信息的数值化处理，有利于提升提取出的文本特征的精确度，进而提升最终识别问诊意图的精确度；通过对文本进行聚类，根据长文本建立分类模型，可实现不用预先对文档手工标注类别，并且可以优化文本分类的结果，提高了文本信息处理的灵活性和能力，进而提升了意图识别模型对于意图识别的效率；通过将文本特征投影至轮次片段信息表征层，得到第二表征。可实现对单模型的训练优化，有利于提高意图识别任务模型的精度，进而缩短轮次片段的时间；通过分布向量表示，使用特征提取模型提取聚合文本的语义信息，提高了获取文本特征的效率，缩短了整个流程所需的时间，进而可以提高症状抽取的效率；采用均值化处理，不仅消除了指标量纲和数量的影响，而且能更加全面的反映所述数据中各指标的变异程度和相互影响程度的信息，进而有利于提升分析出的问诊意图的精确度，因此，本发明实施例提出的基于多维表征的问诊意图识别方法、装置、电子设备及计算机可读存储介质，可以解决问诊意图识别的精确度较低的问题。

附图说明

图1为本发明一实施例提供的基于多维表征的问诊意图识别方法的流程示意图；

图2为本发明一实施例提供的利用预设的命名实体预测模型提取所述病况信息内的命名实体的流程示意图；

图3为本发明一实施例提供的抽取所述病况信息的文本特征的流程示意图；

图4为本发明一实施例提供的基于多维表征的问诊意图识别装置的功能模块图；

图5为本发明一实施例提供的实现所述基于多维表征的问诊意图识别方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于多维表征的问诊意图识别方法。所述基于多维表征的问诊意图识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于多维表征的问诊意图识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于多维表征的问诊意图识别方法的流程示意图。在本实施例中，所述基于多维表征的问诊意图识别方法包括：

S1、获取目标患者的病况信息，抽取所述病况信息的文本特征；

本发明实施例中，所述病况信息包括目标病患的姓名、年龄、症状、过往病史等信息。

详细地，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的数据存储内获取预先存储的病况信息，其中，所述数据存储包括但不限于数据库、区块链、网络缓存等。

本发明其中一个实际应用场景中，由于所述病况信息中包含大量数据，若直接对所述病况信息进行分析，会导致分析的效率低下，因此，可对所述病况信息进行文本特征的抽取，以实现对所述病况信息中无用信息的筛除，有利于提升后续分析的效率和精确度。

本发明实施例中，参图2所示，所述抽取所述病况信息的文本特征，包括：

S21、提取所述病况信息的特征词，得到文本信息；

S22、将所述文本信息进行结构化处理，得到识别信息；

S23、提取所述识别信息内的特征信息，并将所述特征信息作为所述病况信息的文本特征。

详细地，利用TF-IDF算法提取所述病况信息的特征词，其中，TF将某词在所述病况信息内出现的次数除以所述病况信息的总次数，得到词频；IDF利用语料库的文档总数除以包含所述某词的文档数加一的结果取对数，得到逆文档频率；将所述词频与所述逆文档频率相乘，得到TF-IDF的值；将所述TF-IDF的值进行降序排列，取排在最前面预设的数量的词，得到所述特征词。其中，文本提取算法包括但不限于基于词图模型的关键词提取算法、基于统计特征的关键词提取算法、TextRank算法等。

本发明实施例中，所述语料库是用于语言分析和预料分析的系统化和计算机化的真实语言合集，即自然语言处理相关的应用需要大量的数据进行构建，大规模的数据就可以称为语料库。

本发明实施例中，所述将文本信息进行结构化处理，得到识别信息，包括：

根据所述文本信息调用相应的正则表达式匹配模式；

利用所述正则表达式匹配模式对所述文本信息进行结构化处理，得到所述识别信息。

其中，所示正则表达式匹配模式有三种：贪婪模式、非贪婪模式、独占模式。

本发明实施例中，所述提取所述识别信息内的特征信息，包括：将所述识别信息按照预设的字节流大小划分为字节片段序列；对每个所述字节片段的出现频率进行统计，得到统计结果；筛选出所述出现频率大于预设阈值的统计结果为所述特征信息。

通过对病况信息进行特征词提取、量化处理以及结构化处理，可实现对该病况信息的数值化处理，有利于提升提取出的文本特征的精确度，进而提升最终识别问诊意图的精确度。

S2、将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层，得到第一表征；

本发明实施例中，所述将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层，包括：将所述文本特征进行聚合，得到聚合文本；将所述聚合文本利用所述表征向量投影至所述意图表征层，得到所述第一表征。

其中，所述第一表征即意图识别任务模型中所述意图表征层的预测结果，该预测结果用于表示识别出的意图。

详细地，所述将所述文本特征进行聚合，得到聚合文本，包括：

对所述文本特征进行聚类；

提取聚类后的文本特征的摘要以及聚类后的文本特征对应的实体集合；

利用所述摘要以及所述实体集合建立映射集；

将所述映射集输入至预先训练的文本聚合模型，得到所述文本聚合模型输出的聚合文本。

其中，文本聚合模型包括但不限于中文短文本聚合模型、比较聚合模型、特征拓扑聚合模型等。

详细地，所述聚类是利用single-pass算法对文本进行聚类，获得所述聚类结果。利用所述预先训练的文本聚合模型建立模块，通过TextTeaser算法对所述聚类结果生成聚类结果摘要，以及利用命名实体识别算法获取所述聚类结果的摘要对应的实体集合。将属于相同的所述聚类结果以及所述聚类结果的摘要对应的实体集合，随机一一匹配后组合得到所述映射集。

详细地，将所述聚合文本通过语言模型转化成词向量，将所述词向量利用投影至所述意图表征层。投影是将投射线通过点或其他物体，向选定的投射面投射，并在该面上得到图形。

例如，太阳光或探照灯光的一束光中的光线。由平行光线形成的投影是平行投影。由同一点形成的投影叫做中心投影。投影线垂直于投影面产生的投影叫做正投影。投影线不垂直于投影面产生的投影叫做斜投影。

通过对文本进行聚类，根据长文本建立分类模型，可实现不用预先对文档手工标注类别，并且可以优化文本分类的结果，提高了文本信息处理的灵活性和能力，进而提升了意图识别模型对于意图识别的效率。

S3、将所述文本特征利用所述表征向量投影至所述意图识别任务模型内的轮次片段信息表征层，得到第二表征；

本发明实施例中，所述将所述文本特征利用所述表征向量投影至意图识别任务模型内的轮次片段信息表征层，包括：将所述聚合文本投影至所述轮次片段信息表征层，得到第二表征。其中，所述第二表征即意图识别任务模型中所述伦次片段信息表征层的预测结果，该预测结果用于表示识别出的意图。

本发明实施例中，所述将所述文本特征利用所述表征向量投影至所述意图识别任务模型内的轮次片段信息表征层的步骤，与S2中将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层的步骤一致，在此不做赘述。

通过将文本特征投影至轮次片段信息表征层，得到第二表征。可实现对单模型的训练优化，有利于提高意图识别任务模型的精度，进而缩短轮次片段的时间。

S4、利用预设的命名实体预测模型提取所述病况信息内的命名实体，并将所述命名实体利用所述表征向量投影至症状抽取任务模型内的症状表征层，得到第三表征；

本发明实施例中，参图3所示，所述利用所述预设的命名实体预测模型提取所述病况信息内的命名实体，包括：

S31、利用预设的标注工具对所述病况信息进行标注；

S32、对标注后的所述病况信息进行数据归并，得到归并数据；

S33、通过预先训练的命名实体预测模型提取所述归并数据中包含的命名实体。

详细地，标注文本数据的标注工具包括但不限于brat工具、Doccano工具等。所述构建数据集使用TensorFlow 2.0直接从内存中读取数据创建数据集，将所述数据从磁盘中预加载到所述内存中，使用Python的元组、列表、或字典等方式进行存储。

本发明实施例中，所述将所述命名实体利用所述表征向量投影至症状抽取任务模型内的症状表征层，得到第三表征，包括：将所述聚合文本投影至所述症状表征层，得到第三表征。所述第三表征即症状抽取任务模型中所述症状表征层的预测结果，该预测结果用于表示识别出的意图。

本发明实施例中，所述将所述预设的文本特征进行聚合，得到聚合文本的步骤，与S2中将所述预设的文本特征进行聚合，得到聚合文本的步骤一致，在此不做赘述。

本发明实施例中，将所述聚合文本投影至所述症状表征层，包括：对所述聚合文本进行分布向量表示，得到分布向量；从所述分布向量中提取所述聚合文本的语义信息；识别所述语义信息的标签类别，将所述标签类别作为投影向量；将所述投影向量投影至所述症状表征层。

详细地，可利用CBOW(continuous bag of words，连续词袋模型)模型从所述分布向量中提取所述聚合文本的语义信息，所述CBOW模型在所述聚合文本中选定一个中心词，将其他词作为所述中心词的上下文，通过上下文的词向量预测所述中心词，将所述中心词的语义传递到所述上下文的词向量中，得到所述语义信息。所述分布向量可以使用WordEmbedding、Char Embedding等方式。所述特征提取模型包括但不限于CNN模型、RNN模型、Transformer模型等。

详细地，将所述语义信息通过词向量的方法，将具有语义相关的类似词向量通过分类器进行语义分类，得到所述标签类别。

通过分布向量表示，使用特征提取模型提取聚合文本的语义信息，提高了获取文本特征的效率，缩短了整个流程所需的时间，进而可以提高症状抽取的效率。

S5、将所述第一表征、所述第二表征和所述第三表征进行均值化处理，并根据均值化处理的结果确定所述病况信息的问诊意图。

本发明实施例中，将所述第一表征、所述第二表征和所述第三表征进行均值化处理，包括：将所述第一表征、所述第二表征、所述第三表征数据进行平均数计算，得到均值；利用所述第一表征、所述第二表征、所述第三表征数据除以所述均值，得到均值化处理结果。

本发明实施例中，所述根据所述均值化处理的结果确定所述病况信息的问诊意图，包括：通过全连接层将均值化处理的结果映射至预设的标记空间；将所述标记空间内均值化处理的结果通过分类器进行分类，得到数值大小的分类结果；将所述分类结果进行列向量输出，将输出结果作为所述问诊意图。

详细地，全连接层就是将经过卷积、激励、池化后的元素一个个串联起来，作为判决的值，得出判决结果，将所述判决结果传入分类器，得到所述分类结果。其中，映射就是将两个对象对应起来，对应的对象叫做象，被对应的对象叫做原象。

本发明其中一个实际应用场景中，采用均值化处理，不仅消除了指标量纲和数量的影响，而且能更加全面的反映所述数据中各指标的变异程度和相互影响程度的信息，进而有利于提升分析出的问诊意图的精确度。

本发明实施例通过对病况信息进行特征词提取、量化处理以及结构化处理，可实现对该病况信息的数值化处理，有利于提升提取出的文本特征的精确度，进而提升最终识别问诊意图的精确度；通过对文本进行聚类，根据长文本建立分类模型，可实现不用预先对文档手工标注类别，并且可以优化文本分类的结果，提高了文本信息处理的灵活性和能力，进而提升了意图识别模型对于意图识别的效率；通过将文本特征投影至轮次片段信息表征层，得到第二表征。可实现对单模型的训练优化，有利于提高意图识别任务模型的精度，进而缩短轮次片段的时间；通过分布向量表示，使用特征提取模型提取聚合文本的语义信息，提高了获取文本特征的效率，缩短了整个流程所需的时间，进而可以提高症状抽取的效率；采用均值化处理，不仅消除了指标量纲和数量的影响，而且能更加全面的反映所述数据中各指标的变异程度和相互影响程度的信息，进而有利于提升分析出的问诊意图的精确度，因此，本发明实施例提出的基于多维表征的问诊意图识别方法，可以解决问诊意图识别的精确度较低的问题。

如图4所示，是本发明一实施例提供的基于多维表征的问诊意图识别装置的功能模块图。

本发明所述基于多维表征的问诊意图识别装置100可以安装于电子设备中。根据实现的功能，所述基于多维表征的问诊意图识别装置100可以包括信息特征模块101、第一表征模块102、第二表征模块103、第三表征模块104及均值处理模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述信息特征模块101，用于获取目标患者的病况信息，抽取所述病况信息的文本特征；

所述第一表征模块102，用于根据所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层；

所述第二表征模块103，用于将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层；

所述第三表征模块104，用于根据预设的命名实体预测模型提取所述病况信息内的命名实体，并将所述命名实体利用所述表征向量投影至症状抽取任务模型内的传入症状表征层；

所述均值处理模块105，用于将所述第一表征、所述第二表征和所述第三表征进行均值化处理，并根据均值化处理的结果确定所述病况信息的问诊意图。

详细地，本发明实施例中所述基于多维表征的问诊意图识别装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于多维表征的问诊意图识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现基于多维表征的问诊意图识别方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于多维表征的问诊意图识别程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于多维表征的问诊意图识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于多维表征的问诊意图识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于多维表征的问诊意图识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取目标患者的病况信息，抽取所述病况信息的文本特征；

将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层，得到第一表征；

将所述文本特征利用所述表征向量投影至所述意图识别任务模型内的轮次片段信息表征层，得到第二表征；

利用预设的命名实体预测模型提取所述病况信息内的命名实体，并将所述命名实体利用所述表征向量投影至症状抽取任务模型内的传入症状表征层，得到第三表征；

将所述第一表征、所述第二表征和所述第三表征进行均值化处理，并根据均值化处理的结果确定所述病况信息的问诊意图。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取目标患者的病况信息，抽取所述病况信息的文本特征；

将所述文本特征利用预设的表征向量投影至预设的意图识别任务模型内的意图表征层，得到第一表征；

将所述文本特征利用所述表征向量投影至所述意图识别任务模型内的轮次片段信息表征层，得到第二表征；

利用预设的命名实体预测模型提取所述病况信息内的命名实体，并将所述命名实体利用所述表征向量投影至症状抽取任务模型内的传入症状表征层，得到第三表征；

将所述第一表征、所述第二表征和所述第三表征进行均值化处理，并根据均值化处理的结果确定所述病况信息的问诊意图。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以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，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。