一种文本处理方法、装置、电子设备及存储介质

技术领域

本发明涉及数据处理技术领域，具体涉及一种文本处理方法、装置、电子设备及存储介质。

背景技术

随着人工智能不断发展，智能对话系统也越来越收到人们的关注，其中，多轮对话就是一个很重要的方向，如通过对话实现对智能设备的控制。但在实际场景中会出现对话文本内容中存在缺失信息，现有技术中直接对存在缺失信息的对话文本进行补全，补全结果的准确性差，导致智能设备无法做出正确的应答。故亟待提出一种文本处理方法以提升了智能对话交互结果的准确性。

发明内容

因此，本发明要解决的技术问题在于克服现有对话系统无法对缺失信息的对话做出正确的应答的缺陷，从而提供一种文本处理方法、装置、电子设备及存储介质。

根据第一方面，本发明实施例公开了一种文本处理方法，所述方法包括：响应于对语音文本的接收操作并根据接收到的语音文本以及历史语音文本确定当前对话场景是否为多轮对话场景；若当前对话场景为多轮对话场景，判断所述多轮对话场景中包含的语音文本内容是否存在缺失信息；若存在缺失信息，将多轮对话场景中包含的语音文本内容输入到预先训练好的文本处理模型中，使得所述文本处理模型对存在缺失信息的语音文本内容进行补全处理，所述文本处理模型包括指针网络模型。

可选地，所述文本处理模型包括CPT预训练模型；所述若存在缺失信息，将多轮对话场景中包含的语音文本内容输入到预先训练好的文本处理模型中，使得所述文本处理模型对存在缺失信息的语音文本内容进行补全处理，包括：利用所述CPT预训练模型，将多轮对话场景中包含的语音文本内容进行向量转换；对于存在缺失信息的待改写语音文本，利用所述CPT预训练模型将所述待改写语音文本对应的向量结合所有语音文本内容对应的向量进行改写生成语义完整的语音文本对应的向量集合；将所述向量集合中的第一个向量输入到所述指针网络模型，使得所述指针网络模型对接收到的向量进行文本转换得到对应的文字并将转换后得到的文字输入到所述CPT预训练模型；根据接收到的转换后的文字，利用所述CPT预训练模型从所述向量集合中输出下一个向量并将下一个向量输入到所述指针网络模型；重复利用所述指针网络模型对接收到的向量进行文本转换得到对应的文字并将转换后得到的文字输入到所述CPT预训练模型的步骤，直至将所述存在缺失信息的待改写语音文本形成完整的语音文本。

可选地，所述对于存在缺失信息的待改写语音文本，利用所述CPT预训练模型将所述待改写语音文本对应的向量结合所有语音文本内容对应的向量进行改写生成语义完整的待改写语音文本对应的向量集合之前，所述方法还包括：根据转换后得到的所述多轮对话场景中包含的语音文本内容对应的向量再次进行对话场景判定；当判定为多轮对话场景时，响应对多轮对话场景中存在缺失信息的待改写语音文本的内容进行补全处理。

可选地，所述指针网络通过下述步骤确定接收到的向量对应的文字：确定所述接收到的向量与所述多轮对话场景中包含的语音文本向量的关联程度；基于每一个关联程度构建概率分布；从所述概率分布中选取最大概率的向量对应的文字作为确定接收到的向量对应的文字。

可选地，所述利用所述CPT预训练模型将所述待改写语音文本对应的向量结合所有语音文本内容对应的向量进行改写生成语义完整的语音文本对应的向量集合，包括：结合预设文本表达规则确定所述待改写语音文本中缺失信息的位置以及缺失的信息类型；根据所述待改写语音文本中缺失信息的位置以及缺失的信息类型，从所述所有语音文本内容对应的向量中找出缺失信息对应的向量与待改写语音文本对应的向量结合生成语义完整的语音文本对应的向量集合。

根据第二方面，本发明实施例还公开了一种文本处理装置，所述装置包括：多轮判断模块，用于响应于对语音文本的接收操作并根据接收到的语音文本以及历史语音文本确定当前场景是否为多轮对话场景；缺失信息判断模块，用于若当前场景为多轮对话场景，判断所述多轮对话场景中包含的语音文本内容是否存在缺失信息；文本处理模块，用于若存在缺失信息，将多轮对话场景中包含的语音文本内容输入到预先训练好的文本处理模型中，使得所述文本处理模型对存在缺失信息的语音文本内容进行补全处理，所述文本处理模型包括指针网络模型。

可选地，所述文本处理模型包括CPT预训练模型；文本处理模块，包括：向量转换子模块，由于利用所述CPT预训练模型，将多轮对话场景中包含的语音文本内容进行向量转换；文本改写子模块，用于对于存在缺失信息的待改写语音文本，利用所述CPT预训练模型将所述待改写语音文本对应的向量结合所有语音文本内容对应的向量进行改写生成语义完整的语音文本对应的向量集合；向量转换文字子模块，用于将所述向量集合中的第一个向量输入到所述指针网络模型，使得所述指针网络模型对接收到的向量进行文本转换得到对应的文字并将转换后得到的文字输入到所述CPT预训练模型；文字输入模型子模块，用于根据接收到的转换后的文字，利用所述CPT预训练模型从所述向量集合中输出下一个向量并将下一个向量输入到所述指针网络模型；步骤重复子模块，用于重复利用所述指针网络模型对接收到的向量进行文本转换得到对应的文字并将转换后得到的文字输入到所述CPT预训练模型的步骤，直至将所述存在缺失信息的待改写语音文本形成语义完整的语音文本。

可选地，所述装置还包括：多轮判定模块，用于根据转换后得到的所述多轮对话场景中包含的语音文本内容对应的向量再次进行对话场景判定；文本补全模块，用于当判定为多轮对话场景时，响应对多轮对话场景中存在缺失信息的待改写语音文本的内容进行补全处理。

根据第三方面，本发明实施例还公开了一种电子设备，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执行如第一方面或第一方面任一可选实施方式所述的文本处理方法的步骤。

根据第四方面，本发明实施方式还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式所述的文本处理方法的步骤。

本发明技术方案，具有如下优点：

本发明提供的文本处理方法，通过确定当前对话场景为多轮对话场景以及该多轮对话场景中包含的语音文本内容中存在缺失信息，将该对话场景中所有的语音文本内容输入到预先训练好的文本处理模型，使得文本处理模型对存在缺失信息的语音文本内容进行补全处理，得到语义完整的语音文本内容，即结合对多轮场景的判定以及相应的多轮对话场景下的历史语音文本进行缺失信息的补全，提高了文本补全结果的准确性继而提升了智能对话的交互效果，同时本申请在进行补全处理的前提是基于对多轮对话场景的判定并在判定为多轮对话场景时进行补全，提高了对需要进行补全操作的场景判定的准确性，可以防止过度改写的问题。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中文本处理方法的一个具体示例的流程图；

图2为本发明实施例中文本处理装置的一个具体示例的原理框图；

图3为本发明实施例中电子设备的一个具体示例图。

具体实施方式

下面将结合附图对本发明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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

随着物联网技术和人工智能技术的发展，基于语音控制的智能设备越来越多，用户可以通过与智能设备之间进行语音交互来实现对智能设备的控制，但当用户发出的语音控制指令不完整时，智能设备可能不能准确识别出用户意图并做出准确的反应，使得用户需要多次向智能设备重复发出语音控制指令，导致智能控制的交互结果准确性差、智能化程度低。

本发明实施例公开了一种文本处理方法，如图1所示，该方法包括如下步骤：

步骤S101，响应于对语音文本的接收操作并根据接收到的语音文本以及历史语音文本确定当前场景是否为多轮对话场景；示例性地，本申请实施例中用户的对话可以是音频形式或文本形式，若是音频形式可以通过自动语音识别技术asr转换为文本，接收到语音文本后需要判断当前的对话之前是否有历史语音文本，其中，历史语音与当前语音的对话间隔时间不能超过一定时间，比如两个对话之间的时间间隔不能超过1分钟，仅作为举例，若判断在当前对话之前有历史语音文本则确定当前对话场景为多轮对话场景，若判断在当前对话之前无历史语音文本则直接保持用户的原对话文本输出。

步骤S102，若当前场景为多轮对话场景，判断所述多轮对话场景中包含的语音文本内容是否存在缺失信息；示例性地，本申请实施例中若判断当前的对话场景为多轮对话场景后，判断当前多轮对话场景中包含的语音文本内容是否存在缺失信息，若不存在，直接按照用户的原对话文本输出，若存在缺失信息，表示该多轮对话场景中存在待改写语音文本，需要将当前多轮对话场景中的所有语音文本内容输入到预先训练好的文本处理模型中，其中，所有语音文本内容中当前轮次接收到的语音文件包为待改写的语音文本内容，将待改写的语音文本内容与和之前轮次的语音文本内容进行比对以确定当前轮次接收到的语音文本的缺失信息，比如之前轮次的语音文本内容为“北京今天下雨吗”，当前轮次的语音文本内容为“为什么总是下雨”，可以判断出当前轮次的语音文本中存在缺失信息，所以需要将“北京今天下雨吗”和“为什么总是下雨”输入到预先训练好的文本处理模型中进行缺失信息的补全处理，仅作为举例。

步骤S103，若存在缺失信息，将多轮对话场景中包含的语音文本内容输入到预先训练好的文本处理模型中，使得所述文本处理模型对存在缺失信息的语音文本内容进行补全处理，所述文本处理模型包括指针网络模型；

示例性地，本申请实施例中在确定当前多轮对话场景中包含的语音文本内容中存在缺失信息后，将当前多轮对话内容中的所有语音文本内容输入到预先训练好的文本处理模型中，使得文本处理模型将待改写的语音文本根据之前轮次的文本内容进行补全处理得到语义完整的语音文本。其中，预先训练好的文本处理模型包括指针网络模型(pointernetwork)，可以控制信息来源和输入信息的范围，可以只选择之前轮次的语音文本内容作为信息来源补全待改写的语音文本中信息缺少的部分，降低生成难度的同时又使生成结果可控。

本发明提供的文本处理方法，通过确定当前对话场景为多轮对话场景以及该多轮对话场景中包含的语音文本内容中存在缺失信息，将该对话场景中所有的语音文本内容输入到预先训练好的文本处理模型，使得文本处理模型对存在缺失信息的语音文本内容进行补全处理，得到语义完整的语音文本内容，即结合对多轮场景的判定以及相应的多轮对话场景下的历史语音文本进行缺失信息的补全，提高了文本补全结果的准确性继而提升了智能对话的交互效果，同时本申请在进行补全处理的前提是基于对多轮对话场景的判定并在判定为多轮对话场景时进行补全，提高了对需要进行补全操作的场景判定的准确性，可以防止过度改写的问题。

作为本发明一个可选实施方式，所述文本处理模型包括CPT预训练模型；所述若存在缺失信息，步骤103，包括：利用所述CPT预训练模型，将多轮对话场景中包含的语音文本内容进行向量转换；对于存在缺失信息的待改写语音文本，利用所述CPT预训练模型将所述待改写语音文本对应的向量结合所有语音文本内容对应的向量进行改写生成语义完整的语音文本对应的向量集合；将所述向量集合中的第一个向量输入到所述指针网络模型，使得所述指针网络模型对接收到的向量进行文本转换得到对应的文字并将转换后得到的文字输入到所述CPT预训练模型；根据接收到的转换后的文字，利用所述CPT预训练模型从所述向量集合中输出下一个向量并将下一个向量输入到所述指针网络模型重复利用所述指针网络模型对接收到的向量进行文本转换得到对应的文字并将转换后得到的文字输入到所述CPT预训练模型的步骤，直至将所述存在缺失信息的待改写语音文本形成完整的语音文本。

示例性地，本申请实施例中预先训练好的文本处理模型包括CPT预训练模型和指针网络模型，将当前多轮对话场景中的所有语音文本内容输入到CPT预训练模型中，其中，CPT预训练模型分为向量转换部分S-Enc、分类判断部分U-Dec、文本改写部分G-Dec三部分，其中，U-Dec可以用于一些序列标注和对话场景分类任务，G-Dec可以用于生成任务，仅作为举例。将当前多轮对话场景中的所有语音文本内容输入到CPT预训练模型中的向量转换部分S-Enc中后，进行编码将所有语音文本内容转换成对应的向量，将所有转换的向量输入到文本改写部分G-Dec中，G-Dec将待改写语音文本对应的向量结合之前轮次对应的向量，基于标准的文本表达规则进行改写生成语义完整的语音文本对应的向量集合，文本改写部分G-Dec将生成的完整的向量集合中包含的第一个向量输出，进而输入到指针网络模型中，指针网络模型将该接收到的第一个向量与所有转换的向量进行匹配得到该接收到的向量对应的字，将转换得到的文字输入到G-Dec中，G-Dec集成在变换编码块transformer block中，本申请实施例中，用G-Dec根据生成的完整的向量集合输出第二个向量并输入到指针网络模型中将该向量转换为对应的字，重复以上所述的步骤，直至待改写的语音文本形成语义完整的语音文本。

作为本发明一个可选实施方式，所述对于存在缺失信息的待改写语音文本，利用所述CPT预训练模型将所述待改写语音文本对应的向量结合所有语音文本内容对应的向量进行改写生成语义完整的待改写语音文本对应的向量集合之前，所述方法还包括：根据转换后得到的所述多轮对话场景中包含的语音文本内容对应的向量再次进行对话场景判定；当判定为多轮对话场景时，响应对多轮对话场景中存在缺失信息的待改写语音文本的内容进行补全处理。

示例性地，本申请实施例中将当前多轮对话场景中的所有语音文本内容输入到CPT预训练模型中的向量转换部分S-Enc中后，将所有的向量输入到分类判断部分U-Dec中再次进行对话场景的多轮判断，如经过分类判断部分U-Dec对在预设时长内接收到的所有语音文本对应的向量进行关联性或上下文分析，根据分析结果确定预设时长内接收到的所有语音文本是否构成多轮对话场景并输出判定结果，如当输出两个不同判断结果中多轮场景对应的概率为0.7和不是多轮场景对应概率为0.3，从而确定该对话场景为多轮对话场景，仅作为举例。通过CPT预训练模型中的分类判断部分U-Dec再次进行多轮对话场景判定，保证了语音文本补全操作的准确性。

作为本发明一个可选实施方式，所述指针网络通过下述步骤确定接收到的向量对应的文字：确定所述接收到的向量与所述多轮对话场景中包含的语音文本向量的关联程度；基于每一个关联程度构建概率分布；从所述概率分布中选取最大概率的向量对应的文字作为确定接收到的向量对应的文字。

示例性地，具体实施例中指针网络模型中引入了一个可训练参数λ，在将向量转换为对应的字的过程中，用文本改写部分确定接收到的向量与所有语音文本内容的语音文本向量计算关联程度(关联程度可以通过确定两个向量的相似度来确定)比对构建得到注意力矩阵，并基于注意力矩阵得到所有语音文本内容中对应的每一个向量与接收到的向量对应的最终概率分布，选择概率最大的向量对应的文字作为所述接收到的向量对应的文字，定义输入的之前轮次的语音文本内容对应的所有向量为

其中，l表示S-Enc的层数；L表示G-Dec的层数。

通过下式将注意力向量进行连接得到注意力矩阵：

通过下式求训练参数λ：

其中，σ为激活函数，将求得训练参数的值限制在0-1之间；

通过下式求：

其中，a′表示之前轮次的语音文本内容对应的每一个向量与接收到的向量之间的关联程度概率；a表示待改写语音文本对应的每一个向量与接收到的向量之间的关联程度概率。

通过下式求所有语音文本内容对应的每一个向量与接收到的向量对应的概率分布：

其中，R

作为本发明一个可选实施方式，所述利用所述CPT预训练模型将所述待改写语音文本对应的向量结合所有语音文本内容对应的向量进行改写生成语义完整的语音文本对应的向量集合，包括：结合预设文本表达规则确定所述待改写语音文本中缺失信息的位置以及缺失的信息类型；根据所述待改写语音文本中缺失信息的位置以及缺失的信息类型，从所述所有语音文本内容对应的向量中找出缺失信息对应的向量与待改写语音文本对应的向量结合生成语义完整的语音文本对应的向量集合。

示例性地，本申请实施例中文本处理模型中的文本改写部分G-Dec接收到所有转换的向量后，基于文本表达规则比如完整语句中应具备主谓宾等规则确定待改写语音文本中缺失信息的位置和缺失的信息类型，比如之前轮次的语音文本内容为“北京今天下雨吗”，当前的待改写语音文本内容为“为什么总是下雨”，可判断待改写语音文本中缺少信息，将这两个所有的文字转换为向量后，文本改写部分确定待改写语句中缺失信息的位置和缺失信息的类型，比如确定待改写语句中缺少主语“北京”且“北京”这两个字应该放在“为什么”的后面，所以需要从“北京今天下雨吗”文本对应的向量中找到缺失的“北京”对应的向量，并放在“为什么”对应的向量之后进而形成“为什么北京总是下雨”对应的向量集合，仅作为举例。

本发明实施例还公开了一种文本处理装置，如图2所示，该装置包括：多轮判断模块201，用于响应于对语音文本的接收操作并根据接收到的语音文本以及历史语音文本确定当前场景是否为多轮对话场景；缺失信息判断模块202，用于若当前场景为多轮对话场景，判断所述多轮对话场景中包含的语音文本内容是否存在缺失信息；文本处理模块203，用于若存在缺失信息，将多轮对话场景中包含的语音文本内容输入到预先训练好的文本处理模型中，使得所述文本处理模型对存在缺失信息的语音文本内容进行补全处理，所述文本处理模型包括指针网络模型。

本发明提供的文本处理装置，通过确定当前对话场景为多轮对话场景以及该多轮对话场景中包含的语音文本内容中存在缺失信息，将该对话场景中所有的语音文本内容输入到预先训练好的文本处理模型，使得文本处理模型对存在缺失信息的语音文本内容进行补全处理，得到语义完整的语音文本内容，即结合对多轮场景的判定以及相应的多轮对话场景下的历史语音文本进行缺失信息的补全，提高了文本补全结果的准确性继而提升了智能对话的交互效果，同时本申请在进行补全处理的前提是基于对多轮对话场景的判定并在判定为多轮对话场景时进行补全，提高了对需要进行补全操作的场景判定的准确性，可以防止过度改写的问题。

作为本发明一个可选实施方式，所述文本处理模型包括CPT预训练模型；文本处理模块，包括：向量转换子模块，由于利用所述CPT预训练模型，将多轮对话场景中包含的语音文本内容进行向量转换；文本改写子模块，用于对于存在缺失信息的待改写语音文本，利用所述CPT预训练模型将所述待改写语音文本对应的向量结合所有语音文本内容对应的向量进行改写生成语义完整的语音文本对应的向量集合；向量转换文字子模块，用于将所述向量集合中的第一个向量输入到所述指针网络模型，使得所述指针网络模型对接收到的向量进行文本转换得到对应的文字并将转换后得到的文字输入到所述CPT预训练模型；文字输入模型子模块，用于根据接收到的转换后的文字，利用所述CPT预训练模型从所述向量集合中输出下一个向量并将下一个向量输入到所述指针网络模型；步骤重复子模块，用于重复利用所述指针网络模型对接收到的向量进行文本转换得到对应的文字并将转换后得到的文字输入到所述CPT预训练模型的步骤，直至将所述存在缺失信息的待改写语音文本形成语义完整的语音文本。

作为本发明一个可选实施方式，所述装置还包括：多轮判定模块，用于根据转换后得到的所述多轮对话场景中包含的语音文本内容对应的向量再次进行对话场景判定；文本补全模块，用于当判定为多轮对话场景时，响应对多轮对话场景中存在缺失信息的待改写语音文本的内容进行补全处理。

作为本发明一个可选实施方式，所述指针网络通过下述装置确定接收到的向量对应的文字：关联程度确定子模块，用于确定所述接收到的向量与所述多轮对话场景中包含的语音文本向量的关联程度；概率分布构建子模块，用于基于每一个关联程度构建概率分布；文字转换子模块，用于从所述概率分布中选取最大概率的向量对应的文字作为确定接收到的向量对应的文字。

作为本发明一个可选实施方式，文本改写子模块，包括：信息缺失确定子模块，用于结合预设文本表达规则确定所述待改写语音文本中缺失信息的位置以及缺失的信息类型；缺失补全子模块，用于根据所述待改写语音文本中缺失信息的位置以及缺失的信息类型，从所述所有语音文本内容对应的向量中找出缺失信息对应的向量与待改写语音文本对应的向量结合生成语义完整的语音文本对应的向量集合。

本发明实施例还提供了一种电子设备，如图3所示，该电子设备可以包括处理器401和存储器402，其中处理器401和存储器402可以通过总线或者其他方式连接，图3中以通过总线连接为例。

处理器401可以为中央处理器(Central Processing Unit，CPU)。处理器401还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器402作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的文本处理方法对应的程序指令/模块。处理器401通过运行存储在存储器402中的非暂态软件程序、指令以及模块，从而执行处理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文本处理方法。

存储器402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；存储数据区可存储处理器401所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至处理器401。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。

所述一个或者多个模块存储在所述存储器402中，当被所述处理器401执行时，执行如图1所示实施例中的文本处理方法。

上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入所限定的范围之内。