实体处理方法、装置、电子设备和存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及自然语言处理领域。

背景技术

在一些应用场景中，需要在信息中检测某些具有特定意义的实体，这些具有特定意义的实体可以称为目标实体。一般来说，检测方式包括词表检测和模型检测。其中，词表检测是指直接对照词表，在信息中查找词表中的实体。模型检测是指将信息输入模型，由模型输出信息中包含的目标实体。

发明内容

本公开提供了一种实体处理方法、装置、电子设备和存储介质。

根据本公开的一方面，提供了一种实体处理方法，包括：

对多个包含目标实体的第一信息进行聚类，得到N个信息簇；其中，N为大于等于1的整数；

基于所述N个信息簇，确定聚类效果；

根据所述聚类效果，确定所述目标实体的歧义性得分；

根据所述目标实体的歧义性得分，确定在第二信息中检测所述目标实体的方式。

根据本公开的另一方面，提供了一种实体处理装置，包括：

信息聚类模块，用于对多个包含目标实体的第一信息进行聚类，得到N个信息簇；其中，N为大于等于1的整数；

效果确定模块，用于基于所述N个信息簇，确定聚类效果；

分值确定模块，用于根据所述聚类效果，确定所述目标实体的歧义性得分；

方式确定模块，用于根据所述目标实体的歧义性得分，确定在第二信息中检测所述目标实体的方式。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术，提高了在第二信息中检测目标实体的效率和准确性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例的实体处理方法的示意图；

图2是根据本公开另一实施例的实体处理方法的示意图；

图3是根据本公开又一实施例的实体处理方法的示意图；

图4是根据本公开一实施例的实体处理装置的示意图；

图5是根据本公开另一实施例的实体处理装置的示意图；

图6是根据本公开又一实施例的实体处理装置的示意图；

图7是用来实现本公开实施例的实体处理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开一实施例的实体处理方法的示意图，该方法包括：

步骤S11，对多个包含目标实体的第一信息进行聚类，得到N个信息簇；其中，N为大于等于1的整数；

步骤S12，基于N个信息簇，确定聚类效果；

步骤S13，根据聚类效果，确定目标实体的歧义性得分；

步骤S14，根据目标实体的歧义性得分，确定在第二信息中检测目标实体的方式。

示例性地，本公开实施例中的信息，包括但不限于第一信息、第二信息和第三信息中的至少之一，可以是各类文本信息，例如广告、报纸、杂志、文献等。在不同的应用场景下，信息和其中的目标实体有不同的表现形式。例如，在广告领域，信息可以包括广告，目标实体可以包括品牌名称。在新闻传播领域，信息可以包括报纸、杂志等，目标实体可以包括一些特定的敏感词。

示例性地，可以采用预设的聚类算法对多个包含目标实体的第一信息进行聚类。其中，聚类算法包括但不限于K-Means(K-Means Clustering Algorithm，K均值聚类算法)、DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)或OPTICS(Ordering Points to identify the clusteringstructure，基于对点排序确定簇结构)等。

示例性地，在聚类得到N个信息簇后，可以采用传统的聚类效果评估方法确定聚类效果。聚类效果评估方法例如是CH指数(Calinski-Harabasz Index)。通过聚类，可以将多个第一信息中相似的第一信息聚为一类。在聚类得到的N个信息簇中，同一个信息簇中的第一信息相似，不同信息簇中的第一信息相异。因此，聚类效果可以体现多个第一信息之间的语义是否多样。例如，若聚类后得到的信息簇的数量N较小，则表明多个包含目标实体的第一信息的语义较为单一且明确，目标实体的歧义性越低。因此，根据聚类效果，确定目标实体的歧义性得分，可以使得歧义性得分准确反映目标实体的歧义性。

本公开实施例中，歧义性用于表征实体对应的文本在信息中可解读出的含义是否多样。例如，“笔记本”在不同信息中可以有不同的含义，例如在数码类信息中，一般指便携式计算机；在教育领域，一般指用于记录事情的纸质册子。因此，“笔记本”的歧义性高。又如，“联邦学习”在不同信息中的含义单一，一般均是指联合多方的数据进行机器学习，歧义性较低。

实际应用时，目标实体的歧义性会导致在信息中检测目标实体的结果不准确。例如，在目标实体为便携式计算机“笔记本”时，容易将纸质册子含义的笔记本检测出来。然而，为了提高准确性选用高精度方式进行检测，往往又会带来较大的计算开销。

本公开实施例根据目标实体的歧义性得分，确定在第二信息中检测目标实体的方式，例如，在歧义性得分低的情况下，使用高效的方式在第二信息中检测目标实体。在歧义性得分高的情况下，采用准确性高的方式在第二信息中检测目标实体。如此，可以提高在第二信息中检测目标实体的效率和准确性。示例性地，可以将本公开实施例的方法应用于广告投放领域，用以在广告中识别品牌名称，以确认广告主使用的品牌名称是否经过授权。

示例性地，前述步骤S14，根据目标实体的歧义性得分，确定在第二信息中检测目标实体的方式，可以包括：

根据目标实体的歧义性得分和预设阈值，在词表检测方式和模型检测方式中选取在第二信息中检测目标实体的方式。

例如，在目标实体的歧义性得分大于等于预设阈值的情况下，选取模型检测方式作为在第二信息中检测目标实体的方式。又如，在目标实体的歧义性得分小于预设阈值的情况下，选取词表检测方式作为在第二信息中检测目标实体的方式。

由于词表检测是直接对照目标实体的词表在信息中查找与目标实体相同的文本，因此，效率最高。模型检测是基于神经网络模型对输入的信息进行分析，基于分析结果识别信息中是否存在目标实体，因此，具有高准确性。根据目标实体的歧义性得分和预设阈值，在这两种方式中选取在第二信息中检测目标实体的方式，可以更高效、准确地检测目标实体。

示例性地，可以基于多个第一信息的特征对多个第一信息进行聚类。在一个具体示例中，前述步骤S11，对多个包含目标实体的第一信息进行聚类，得到N个信息簇，包括：

对多个第一信息中的每个第一信息分别进行切词，得到每个第一信息的词序列；

基于预设组合方式对每个第一信息的词序列中的各词语进行组合，得到每个第一信息的特征集；

基于每个第一信息的特征集对多个第一信息进行聚类，得到N个信息簇。

以第一信息是广告，目标实体是品牌名称为例，包含品牌名称B的多个广告形成广告数据集

对于每一个广告，不失一般性地设为t′，对t′进行切词，可以得到词序列{t′

示例性地，预设组合方式可以是N-gram(n元)算法，在词序列中进行滑动窗口操作，基于各词语组合成预定长度的文本片段，作为第一信息的ngram特征，基于多个ngram特征可以得到特征集。具体地，给定参数ngram＝k，则针对广告t′的词序列{t′

f

例如，对广告“度假村B值得一游”进行切词，得到词序列为{度假村，B，值得，一游}，若k＝3，则得到的ngram特征集f

基于多个广告的特征集，可以得到品牌B在广告维度的特征集，表示为S

可见，根据上述步骤，基于多个包含目标实体的第一信息得到与目标实体相关的丰富的文本片段，基于此对多个第一信息进行聚类，可以提高聚类结果的准确性，从而提高聚类效果、歧义性得分的准确性。

示例性地，前述步骤S12，基于N个信息簇，确定聚类效果，包括：

根据N个信息簇中的每个信息簇中的簇内间距，确定聚类效果。

也就是说，根据每个信息簇中各第一信息与信息簇的中心点的距离，确定聚类效果。由于信息簇的簇内间距越小，表明包含目标实体的各信息语义明确，因此，根据簇内间距确定聚类效果，可以使簇内效果准确反映目标实体的歧义性。

示例性地，也可以根据信息簇的数量确定数量。具体地，基于N个信息簇，确定聚类效果，包括：

根据N，确定聚类效果；

或者，

根据N个信息簇中每个信息簇中的簇内间距以及N，确定聚类效果。

也就是说，本公开实施例中，可以根据每个信息簇中的簇内间距和/或信息簇的数量N，确定聚类效果。

示例性地，可以基于以下聚类效果评估函数确定聚类效果：

其中，

由于信息簇的数量越少，簇内间距越小，表明包含目标实体的各信息语义越单一且明确，因此，上述示例性方式基于簇内间距和N确定聚类效果，使得聚类效果可以准确反映目标实体的歧义性。

实际应用中，可以采用需要调参的聚类算法(如K-Means)进行聚类。对于多次调参聚类的情况，可以针对多次调参分别评估聚类效果，取最优的聚类效果用于确定歧义性得分。示例性地，可以将聚类效果确定为歧义性得分。具体地，歧义性得分可以基于以下公式表示：

其中，A

在存在多个目标实体的情况下，步骤S14，根据目标实体的歧义性得分，确定在第二信息中检测目标实体的方式，可以包括：基于多个目标实体的歧义性得分，对多个目标实体进行从小到大的排序；遍历多个目标实体，在遍历到的目标实体的歧义性得分小于预设阈值之前，确定在第二信息中检测遍历到的目标实体的方式为词表检测方式；在遍历到的目标实体的歧义性得分小于预设阈值之后，确定在第二信息中检测遍历到的目标实体的方式为词表检测方式。

图2是根据本公开另一实施例的实体处理方法的示意图，该方法包括：

步骤S21，获取多个待处理实体以及与多个待处理实体分别对应的多个第三信息集合；

步骤S22，基于多个第三信息集合，对多个待处理实体进行聚类，得到至少一个实体簇；

步骤S23，遍历至少一个实体簇，对遍历到的实体簇中的至少一个待处理实体进行批量纠正，得到目标实体。

其中，第三信息集合包括多个第三信息，每个第三信息均包含对应的待处理实体。

需要说明的是，图2所示的实体处理方法与图1所示的实体处理方法，可以分别独立地实施，也可以关联地实施。例如可以仅实施图2所示的方法或仅实施图1所示的方法，也可以先实施图1所示的方法得到目标实体，再实施图1所示的方法针对目标实体确定在第二信息中检测目标实体的方式。

示例性地，多个待处理实体可以是在特定领域的各类信息中识别出的实体名词。例如，多个待处理实体可以是采用模板挖掘、命名体识别(Name Entity Recognition，NER)等技术在各类广告中识别出的的品牌名称。

由于采用模板挖掘、NER等技术识别出的待处理实体，往往会存在边界识别错误，因此，需要对待处理实体进行人工纠正。人工逐一对多个待处理实体进行纠正往往存在效率低下的问题。

根据上述方法，可以基于待处理实体对应的第三信息，对多个待处理实体进行聚类，使得具有相似特性的待处理实体聚为一个实体簇。在对多个待处理实体进行纠正时，遍历至少一个实体簇，对遍历到的实体簇中的待处理实体进行批量纠正，也就是说，对不同实体簇中的待处理实体分开进行纠正，对同一实体簇中的待处理实体集中进行纠正，如此，由于同一实体簇中的待处理实体特性相似，因此集中纠正有利于提高人工纠正的效率。

示例性地，可以基于第三信息集合，得到待处理实体的边界特征，基于待处理实体的边界特征进行聚类。具体地，在一些可选的示例性的实施方式中，步骤S22，基于多个第三信息集合，对多个待处理实体进行聚类，得到至少一个实体簇，包括：

基于多个第三信息集合，得到与多个待处理实体分别对应的多个边界特征集；

基于多个边界特征集，对多个待处理实体进行聚类，得到至少一个实体簇。

示例性地，基于多个边界特征集，对多个待处理实体进行聚类

由于基于边界特征进行聚类，可以使得同一实体簇中的各待处理实体的边界特性类似，从而针对边界识别错误问题，更有效地提高人工纠正的效率。

示例性地，基于多个第三信息集合，得到与多个待处理实体分别对应的多个边界特征集，包括：

基于多个待处理实体中的第k个待处理实体，对多个第三信息集合中的第k个第三信息集合中的每个第三信息进行切分，得到与每个第三信息对应的多个文本片段；其中，k为大于等于1的整数；

基于多个文本片段中与第k个待处理实体相邻的词语，得到与每个第三信息分别对应的边界特征子集；

基于与每个第三信息分别对应的边界特征子集，得到与第k个待处理实体对应的边界特征集。

以待处理实体是品牌名称，第三信息是广告，第三信息集合是广告数据集为例，基于广告数据集中的多个广告得到待处理实体的边界特征集的过程如下：

设包含品牌名称B的广告数据集为

每一个包含B的广告，不失一般性地设为t′，可以被B切分为若干个文本片段，若干个文本片段的集合为{t′

对于每一个形如{t′

给定参数ngram＝k，则针对每个形如{t′

对基于广告t′中所有形如{t′

例如，广告t′为“某地温泉度假村B值得大家一游”。首先，基于B将广告t′切分为{某地温泉度假村，B，值得大家一游}。然后，对“某地温泉度假村”和“值得大家一游”分别进行切词，得到两个词序列{某地，温泉，度假村}和{值得，大家，一游}。若k＝2，则生成的边界特征集包括词序列{某地，温泉，度假村}中的最后两个词语组成的文本片段“温泉度假村”、最后一个词语组成的文本片段“度假村”，以及词序列{值得，大家，一游}中的前两个词语组成的文本片段“值得大家”、第一个词语组成的文本片段“值得”。由于该广告中仅出现一次B，因此与该广告对应的B的边界特征子集为{温泉度假村，度假村，值得，值得大家}。

对与多个广告分别对应的关于品牌B的边界特征子集进行合并，得到品牌B的整体边界特征集：

f

示例性地，在得到各待处理实体的边界特征集后，可以采用任一聚类算法基于多个边界特征集，对多个待处理实体进行聚类。聚类算法包括但不限于K-Means、DBSCAN、OPTICS等。

以下采用一个具体示例说明本公开实施例的实现方式。图3是该具体示例的示意图。如图3所示，首先，基于识别技术例如NER等，在海量广告中识别得到品牌实体识别结果列表310，其中包含多个待处理品牌(相当于待处理实体)，待处理品牌可能存在边界错误，需要进行人工纠正。

然后，针对每个待处理品牌，在广告库320中查找包含待处理品牌的广告，得到各品牌广告抽样结果330(相当于与多个待处理实体分别对应的多个第三信息集合)。

在得到各品牌广告抽样结果330，利用品牌边界识别错误纠正模块340，基于各品牌广告抽样结果330对各个待处理品牌进行纠正。纠正过程包括：

针对各品牌，实现品牌维度特征集生成。品牌维度特征集例如是边界特征集；

基于品牌维度特征集实现品牌维度聚类，得到至少一个品牌簇(相当于实体簇)；

对至少一个品牌簇进行遍历，对遍历到的品牌簇中的至少一个品牌进行批量纠正边界识别错误。

对于多个待处理品牌进行纠正后，可以得到多个相对准确的品牌，将其添加到品牌库中。利用品牌歧义性排序模块350，可以对品牌库中的各品牌(相当于目标实体)进行排序，以根据排序结果确定后续在广告中检测各品牌的方式是词表检测还是模型检测。具体地，排序过程包括：

针对各品牌，分别实现广告维度特征集生成，即针对某个品牌，生成包含该品牌的多个广告(相当于第一信息)的特征集；

针对各品牌在广告维度聚类，评估歧义性得分；具体地，对每个品牌，分别基于该品牌的多个广告进行聚类，得到多个广告簇，基于广告簇的聚类效果评估歧义性得分；

根据歧义性得分对品牌进行排序。

可见，本公开实施例的方法，根据目标实体的歧义性得分，确定在第二信息中检测目标实体的方式。如此，可以提高在第二信息中检测目标实体的效率和准确性。在一些应用示例中，对采用模板挖掘、NER等技术识别出的待处理实体进行聚类，对不同实体簇中的待处理实体分开进行纠正，对同一实体簇中的待处理实体集中进行纠正，如此，由于同一实体簇中的待处理实体特性相似，因此，可以提高人工纠正的效率。

作为上述各方法的实现，本公开还提供一种实体处理装置。图4是根据本公开一实施例的实体处理装置的示意图，该装置包括：

信息聚类模块410，用于对多个包含目标实体的第一信息进行聚类，得到N个信息簇；其中，N为大于等于1的整数；

效果确定模块420，用于基于N个信息簇，确定聚类效果；

分值确定模块430，用于根据聚类效果，确定目标实体的歧义性得分；

方式确定模块440，用于根据目标实体的歧义性得分，确定在第二信息中检测目标实体的方式。

示例性地，如图5所示，信息聚类模块410包括：

切词单元411，用于对多个第一信息中的每个第一信息分别进行切词，得到每个第一信息的词序列；

组合单元412，用于基于预设组合方式对每个第一信息的词序列中的各词语进行组合，得到每个第一信息的特征集；

第一聚类单元413，基于每个第一信息的特征集对多个第一信息进行聚类，得到N个信息簇。

示例性地，效果确定模块420用于：

根据N个信息簇中的每个信息簇中的簇内间距，确定聚类效果。

示例性地，分值确定模块430用于：

根据目标实体的歧义性得分和预设阈值，在词表检测方式和模型检测方式中选取在第二信息中检测目标实体的方式。

图6是根据本公开另一实施例的实体处理装置的示意图，该装置包括：

获取模块610，用于获取多个待处理实体以及与多个待处理实体分别对应的多个第三信息集合；

实体聚类模块620，用于基于多个第三信息集合，对多个待处理实体进行聚类，得到至少一个实体簇；

纠正模块630，用于遍历至少一个实体簇，对遍历到的实体簇中的至少一个待处理实体进行批量纠正，得到目标实体。

示例性地，如图6所示，实体聚类模块620包括：

边界确定单元621，用于基于多个第三信息集合，得到与多个待处理实体分别对应的多个边界特征集；

第二聚类单元622，用于基于多个边界特征集，对多个待处理实体进行聚类，得到至少一个实体簇。

本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如实体处理方法。例如，在一些实施例中，实体处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的实体处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行实体处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。