文本语料筛选方法、装置、设备及存储介质

技术领域

本公开涉及语音识别技术领域，尤其涉及一种文本语料筛选方法、装置、设备及存储介质。

背景技术

随着数字化和智能化技术在各个领域的深入发展，更多的智能化设备在生活中发挥作用。各种智能的语音设备，如智能音箱、智能手机、智能机器人等设备都已经支持语音的对话。语音识别（ASR）已经得到了广泛的应用，并且达到了较高的准确率。但是在一些有口音的说话人身上，识别的结果并不理想，因此常常需要个性化的针对某些特定的说话人进行定制化的语音识别。

现有技术中，通过已有的预训练模型，在此基础上利用目标说话人的数据进行特定调优，即要求特定的说话人根据提供的文本语料数据，录制若干时长的语音，在一个预训练模型上进行参数的训练优化。这种对模型训练调优的方式需要目标说话人要依据文本录制语音，因此语音录制所依赖的文本语料对模型训练调优来说至关重要。目前用于语音录制的文本语料采用通用语料，无法针对目标说话人进行个性化定制，导致目标说话人对语料的录音效果较差，且利用通用语料所得到的文本录制语音进行模型训练调优时，所得到的模型参数不够准确，模型训练调优效果较差。

发明内容

有鉴于此，本公开实施例提供了一种文本语料筛选方法、装置、设备及存储介质，以解决现有技术存在的无法针对目标说话人生成个性化的文本语料，导致目标说话人对文本语料的录音效果差，降低模型训练调优效果的问题。

本公开实施例的第一方面，提供了一种文本语料筛选方法，包括：获取基础文本语料库以及目标对象的录音语料，其中录音语料中包含语音数据以及语音数据对应的语音文本；利用预设的语音识别模型对语音数据进行识别，得到语音数据对应的第一音素序列，对语音数据对应的语音文本执行音素转换操作，得到语音文本对应的第二音素序列；根据第一音素序列以及第二音素序列生成评价序列，基于评价序列生成评价训练数据集，利用评价训练数据集对评价模型进行训练，得到训练后的评价模型；依次选取基础文本语料库中的每个语料，计算每个语料添加到目标语料集合时对应的增益，并利用训练后的评价模型对每个语料对应的音素序列进行预测，根据增益以及评价模型的预测结果，对每个语料进行打分；根据每个语料对应的打分结果以及预设的筛选条件，将符合筛选条件时的语料添加到目标语料集合中，以得到筛选后的目标语料集合。

本公开实施例的第二方面，提供了一种文本语料筛选装置，包括：获取模块，被配置为获取基础文本语料库以及目标对象的录音语料，其中录音语料中包含语音数据以及语音数据对应的语音文本；识别模块，被配置为利用预设的语音识别模型对语音数据进行识别，得到语音数据对应的第一音素序列，对语音数据对应的语音文本执行音素转换操作，得到语音文本对应的第二音素序列；训练模块，被配置为根据第一音素序列以及第二音素序列生成评价序列，基于评价序列生成评价训练数据集，利用评价训练数据集对评价模型进行训练，得到训练后的评价模型；预测模块，被配置为依次选取基础文本语料库中的每个语料，计算每个语料添加到目标语料集合时对应的增益，并利用训练后的评价模型对每个语料对应的音素序列进行预测，根据增益以及评价模型的预测结果，对每个语料进行打分；筛选模块，被配置为根据每个语料对应的打分结果以及预设的筛选条件，将符合筛选条件时的语料添加到目标语料集合中，以得到筛选后的目标语料集合。

本公开实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过获取基础文本语料库以及目标对象的录音语料，其中录音语料中包含语音数据以及语音数据对应的语音文本；利用预设的语音识别模型对语音数据进行识别，得到语音数据对应的第一音素序列，对语音数据对应的语音文本执行音素转换操作，得到语音文本对应的第二音素序列；根据第一音素序列以及第二音素序列生成评价序列，基于评价序列生成评价训练数据集，利用评价训练数据集对评价模型进行训练，得到训练后的评价模型；依次选取基础文本语料库中的每个语料，计算每个语料添加到目标语料集合时对应的增益，并利用训练后的评价模型对每个语料对应的音素序列进行预测，根据增益以及评价模型的预测结果，对每个语料进行打分；根据每个语料对应的打分结果以及预设的筛选条件，将符合筛选条件时的语料添加到目标语料集合中，以得到筛选后的目标语料集合。本公开能够针对目标说话人生成个性化的文本语料，提高目标说话人对文本语料的录音效果，提升利用文本录制语音进行模型训练调优时模型参数的准确性，从而提升模型训练调优的效果。

附图说明

为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，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它的附图。

图1是本公开实施例提供的文本语料筛选方法的流程示意图；

图2是本公开实施例提供的文本语料筛选装置的结构示意图；

图3是本公开实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

如前述背景技术的内容，随着人工智能的不断发展，语音识别（ASR）已经得到了广泛的应用，并且达到了较高的准确率。语音识别是一种能够让机器通过识别和理解过程把语音信号转变为相应的文本或命令的人工智能技术。虽然语音识别在普通话较为标准的使用者身上能够具有较高的识别精度，但是针对一些特定目标（比如有口音的说话人），语音识别的效果并不理想，因此通常情况下需要针对某特定的说话人进行定制化的语音识别。

目前常用的方法是利用一个通用的已有的预训练模型，在此基础上利用目标说话人的录音数据对模型进行特定的训练调优。即要求特定的说话人根据提供的文本语料数据，录制若干时长的语音，并利用录制的语音在一个预训练的模型（比如深度学习模型）上进行参数的训练优化。在这个过程中，特定说话人需要依据筛选出来的文本语料进行语音录制，由于该过程对于目标说话人来说比较费时费力，因此如何筛选出紧凑有效的用于语音录制的文本语料，使目标说话人能够尽量省时省力的完成语音录制，是目前语音识别领域中亟需解决的问题之一。

在现有技术中，通常从已有的文本语料库中随机抽取一些语料组成用于语音录制的通用语料，并基于通用语料对不同的目标说话人进行语音录制，但是这种采用通用语料进行语音录制的方式，无法针对目标说话人进行个性化的语料定制，导致目标说话人对通用语料的录音效果较差，且利用通用语料所得到的文本录制语音进行模型训练调优时，所得到的模型参数也不够准确，导致模型训练调优效果降低。

鉴于以上现有技术中的问题，本公开提出一种文本语料筛选方法，本公开通过获取目标说话人的部分日常录音，利用预训练模型对语音数据进行识别，并将语音数据对应的语音文本转换为音素序列，通过得到的语音标注数据训练评价模型，利用评价模型以及选择函数，联合对基础文本语料库中的每个语料依次进行评分，根据对每个语料的打分筛选出符合预设条件的语料，将这些语料添加到目标语料集合中，从而得到包含固定数量文本语料的集合，以便后续利用目标语料集合对目标说话人进行定制化的语音录制，从而提升模型训练调优时的效果。

图1是本公开实施例提供的文本语料筛选方法的流程示意图。图1的文本语料筛选方法可以由服务器执行。如图1所示，该文本语料筛选方法具体可以包括：

S101，获取基础文本语料库以及目标对象的录音语料，其中录音语料中包含语音数据以及语音数据对应的语音文本；

S102，利用预设的语音识别模型对语音数据进行识别，得到语音数据对应的第一音素序列，对语音数据对应的语音文本执行音素转换操作，得到语音文本对应的第二音素序列；

S103，根据第一音素序列以及第二音素序列生成评价序列，基于评价序列生成评价训练数据集，利用评价训练数据集对评价模型进行训练，得到训练后的评价模型；

S104，依次选取基础文本语料库中的每个语料，计算每个语料添加到目标语料集合时对应的增益，并利用训练后的评价模型对每个语料对应的音素序列进行预测，根据增益以及评价模型的预测结果，对每个语料进行打分；

S105，根据每个语料对应的打分结果以及预设的筛选条件，将符合筛选条件时的语料添加到目标语料集合中，以得到筛选后的目标语料集合。

具体地，本公开实施例的基础文本语料库是指基于已有的文本语料所生成的包含大量语料的文本语料库，本公开实施例不对基础文本语料库中的语料内容进行具体限制，现有的一些常用句子和短语均可以作为基础文本语料库中的语料来使用。本公开实施例的目标对象可以指某一个或某一些特定的目标说话人，一个或多个特定的目标说话人通常具有相似的发音习惯和说话口音，本公开实施例正是针对这些特定的目标说话人生成个性化的用于语音录制的文本语料。

进一步地，本公开实施例所采用的语音识别模型可以是已有的语音识别模型，比如DeepSpeech模型等，本公开实施例不对语音识别模型本身做改进，因此任何常用的语音识别模型均可用于本方案。音素是指根据语音的自然属性划分出来的最小语音单位，从声学性质来看，音素是从音质角度划分出来的最小语音单位；音素序列可以认为是组成文本的音素所形成的一串序列。在语音识别技术中，通常需要将文本的字符序列转换为对应的发音音素序列，这一转换过程又被称为TTS技术中的前端处理。

根据本公开实施例提供的技术方案，本公开通过获取基础文本语料库以及目标对象的录音语料，其中录音语料中包含语音数据以及语音数据对应的语音文本；利用预设的语音识别模型对语音数据进行识别，得到语音数据对应的第一音素序列，对语音数据对应的语音文本执行音素转换操作，得到语音文本对应的第二音素序列；根据第一音素序列以及第二音素序列生成评价序列，基于评价序列生成评价训练数据集，利用评价训练数据集对评价模型进行训练，得到训练后的评价模型；依次选取基础文本语料库中的每个语料，计算每个语料添加到目标语料集合时对应的增益，并利用训练后的评价模型对每个语料对应的音素序列进行预测，根据增益以及评价模型的预测结果，对每个语料进行打分；根据每个语料对应的打分结果以及预设的筛选条件，将符合筛选条件时的语料添加到目标语料集合中，以得到筛选后的目标语料集合。本公开能够针对目标说话人生成个性化的文本语料，提高目标说话人对文本语料的录音效果，提升利用文本录制语音进行模型训练调优时模型参数的准确性，从而提升模型训练调优的效果。

在一些实施例中，获取基础文本语料库以及目标对象的录音语料，包括：获取预先配置的基础文本语料库，基础文本语料库中包含若干个语料，每个语料中包含文本以及文本对应的音素序列；向目标对象发送录音获取请求，响应于目标对象对录音获取请求的确认操作，从目标对象的移动终端中采集录音文件，并对录音文件进行标注处理得到录音语料。

具体地，基础文本语料库

进一步地，除了获取基础文本语料库之外，还需要获取目标对象的录音语料，本公开实施例的目标对象可以认为是目标说话人，即个性化语料定制的对象。在实际应用中，为了对目标说话人的语音有初步的认识，并且为后一步的评价模型做准备，需要获得目标说话人的部分日常说话录音。获取的方式可以是在取得用户许可之后，从用户的电话、手机、APP、智能音箱等渠道采集录音文件，录音文件的格式可以是16kHz、16bit、wav、单声道等。对录音文件进行标注出对应的文本得到录音语料，这份录音语料可以记为

在一些实施例中，利用预设的语音识别模型对语音数据进行识别，得到语音数据对应的第一音素序列，包括：获取经预训练得到的语音识别模型，将录音语料中的语音数据作为语音识别模型的输入，利用语音识别模型对语音数据进行识别，得到每个语音数据对应的第一音素序列。

具体地，在训练面向特定的目标说话人的个性化语音识别模型之前，一般而言需要一个基础的预训练模型（即语音识别模型），再结合上述针对目标说话人生成的少量语音标注数据，完成语音识别模型的训练。在实际应用中，预训练的语音识别模型被称为

进一步地，将录音语料

在一些实施例中，对语音数据对应的语音文本执行音素转换操作，得到语音文本对应的第二音素序列，包括：获取录音语料中每个语音数据对应的语音文本，利用文本音素转化工具对每个语音文本分别进行转换，得到每个语音文本对应的第二音素序列。

具体地，将录音语料

在一些实施例中，根据第一音素序列以及第二音素序列生成评价序列，基于评价序列生成评价训练数据集，包括：利用编辑距离算法计算每个第一音素序列与第二音素序列之间的编辑距离，根据编辑距离将第一音素序列与第二音素序列之间进行对齐，根据对齐结果确定第二音素序列中每个音素对应的识别结果，根据识别结果生成评价序列，利用第二音素序列以及评价序列生成评价训练数据集。

具体地，在利用语音识别模型

进一步地，本公开实施例基于编辑距离算法，计算第二音素序列

在实际应用中，结合前述实施例，上述实施例中的第一音素序列“n iy a”与第二音素序列“n i h a o”相比，显然第一音素序列的识别存在错误，此时需要通过替换字符y为字符h，并且增加一个字符o才能转换为“n i h a o”。

进一步地，根据由以上编辑距离所确定的对齐结果，通过判断第二音素序列

进一步地，根据以上操作可以得到一个数据集合

在一些实施例中，依次选取基础文本语料库中的每个语料，计算每个语料添加到目标语料集合时对应的增益，包括：在初始状态下目标语料集合为空集合，从基础文本语料库中依次选取一个语料，确定语料中每个音素在目标语料集合中的出现次数，根据出现次数利用预设的增益计算公式对语料添加到目标语料集合时的增益进行计算。

具体地，在训练个性化的针对于目标说话人的语音识别模型时，需要目标说话人的语音训练数据，并且期望该数据能尽量全面，能够针对预训练模型（语音识别模型）的不足，使语料更具区分性。此外，限于采集和应用的成本，无法要求目标说话人录制更多的语音数据。为此，本公开实施例通过定义一个评价公式，利用评价公式对所选的句子进行打分判断，得到紧凑有效的文本语料，提供给模型训练调优使用。

进一步地，从基础文本语料库

进一步地，综合考虑上述两点内容，在利用评价公式对所选的句子进行打分判断之前，通过定义一个函数表示语料y添加到目标语料集合Yset中时所产生的增益，即判断一个新增语料y，对于原来的目标语料集合Yset带来的增益情况，从而控制音素的平衡，增益计算函数表示如下：

其中，函数

在一些实施例中，利用训练后的评价模型对每个语料对应的音素序列进行预测，根据增益以及评价模型的预测结果，对每个语料进行打分，包括：将从基础文本语料库中选取出的语料对应的音素序列作为评价模型的输入，利用评价模型预测音素序列中每个位置所对应音素的错误概率；根据音素序列中每个位置所对应音素的错误概率以及语料对应的增益对语料进行打分，得到语料对应的打分结果。

具体地，在对语料y添加到目标语料集合时的增益进行计算之后，利用上述训练后的评价模型对语料y所对应的音素序列进行预测，得到音素序列中每个音素的错误概率，最后基于增益计算的结果以及评价模型的输出对语料y进行打分，即利用评价模型以及增益计算函数，联合进行评分，从基础文本语料库

其中，y表示从基础文本语料库

进一步地，基于上述评价公式，通过遍历基础文本语料库

首先初始化目标语料集合Yset，将目标语料集合Yset设置为空集；对于基础文本语料库

根据本公开实施例提供的技术方案，本公开提供一种个性化的文本语料筛选处理方法，通过合理的筛选评分设计，可以得到紧凑有效的文本语料集合，将其提供给模型训练调优使用。本公开通过获取目标说话人的部分日常录音，利用预训练模型对语音数据进行识别，并将语音数据对应的语音文本转换为音素序列，通过得到的语音标注数据训练评价模型，利用评价模型以及选择函数，联合对基础文本语料库中的每个语料依次进行评分，根据对每个语料的打分筛选出符合预设条件的语料，将这些语料添加到目标语料集合中，从而得到包含固定数量文本语料的集合，以便后续利用目标语料集合对目标说话人进行定制化的语音录制，从而提升模型训练调优时的效果。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图2是本公开实施例提供的文本语料筛选装置的结构示意图。如图2所示，该文本语料筛选装置包括：

获取模块201，被配置为获取基础文本语料库以及目标对象的录音语料，其中录音语料中包含语音数据以及语音数据对应的语音文本；

识别模块202，被配置为利用预设的语音识别模型对语音数据进行识别，得到语音数据对应的第一音素序列，对语音数据对应的语音文本执行音素转换操作，得到语音文本对应的第二音素序列；

训练模块203，被配置为根据第一音素序列以及第二音素序列生成评价序列，基于评价序列生成评价训练数据集，利用评价训练数据集对评价模型进行训练，得到训练后的评价模型；

预测模块204，被配置为依次选取基础文本语料库中的每个语料，计算每个语料添加到目标语料集合时对应的增益，并利用训练后的评价模型对每个语料对应的音素序列进行预测，根据增益以及评价模型的预测结果，对每个语料进行打分；

筛选模块205，被配置为根据每个语料对应的打分结果以及预设的筛选条件，将符合筛选条件时的语料添加到目标语料集合中，以得到筛选后的目标语料集合。

在一些实施例中，图2的获取模块201获取预先配置的基础文本语料库，基础文本语料库中包含若干个语料，每个语料中包含文本以及文本对应的音素序列；向目标对象发送录音获取请求，响应于目标对象对录音获取请求的确认操作，从目标对象的移动终端中采集录音文件，并对录音文件进行标注处理得到录音语料。

在一些实施例中，图2的识别模块202获取经预训练得到的语音识别模型，将录音语料中的语音数据作为语音识别模型的输入，利用语音识别模型对语音数据进行识别，得到每个语音数据对应的第一音素序列。

在一些实施例中，图2的识别模块202获取录音语料中每个语音数据对应的语音文本，利用文本音素转化工具对每个语音文本分别进行转换，得到每个语音文本对应的第二音素序列。

在一些实施例中，图2的训练模块203利用编辑距离算法计算每个第一音素序列与第二音素序列之间的编辑距离，根据编辑距离将第一音素序列与第二音素序列之间进行对齐，根据对齐结果确定第二音素序列中每个音素对应的识别结果，根据识别结果生成评价序列，利用第二音素序列以及评价序列生成评价训练数据集。

在一些实施例中，图2的预测模块204在初始状态下目标语料集合为空集合，从基础文本语料库中依次选取一个语料，确定语料中每个音素在目标语料集合中的出现次数，根据出现次数利用预设的增益计算公式对语料添加到目标语料集合时的增益进行计算。

在一些实施例中，图2的预测模块204将从基础文本语料库中选取出的语料对应的音素序列作为评价模型的输入，利用评价模型预测音素序列中每个位置所对应音素的错误概率；根据音素序列中每个位置所对应音素的错误概率以及语料对应的增益对语料进行打分，得到语料对应的打分结果。

应理解，上述实施例中各步骤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，而不应对本公开实施例的实施过程构成任何限定。

图3是本公开实施例提供的电子设备3的结构示意图。如图3所示，该实施例的电子设备3包括：处理器301、存储器302以及存储在该存储器302中并且可以在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者，处理器301执行计算机程序303时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序303可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器302中，并由处理器301执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序303在电子设备3中的执行过程。

电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器301可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、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）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器302可以是电子设备3的内部存储单元，例如，电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备，例如，电子设备3上配备的插接式硬盘，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，存储器302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及电子设备所需的其它程序和数据。存储器302还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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，在本公开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，也可以采用软件功能单元的形式实现。

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。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带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（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。