基于注意力机制的关系抽取方法、系统、设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于注意力机制的关系抽取方法、系统、设备及存储介质。

背景技术

信息抽取主要是从文本中抽取出特定的事实信息，即实体，而实体关系抽取作为信息抽取的子任务，其主要目的是从非结构化的文本中抽取出结构化的关系信息。传统的关系抽取方法通常基于监督学习、半监督学习和无监督学习。基于监督学习的关系抽取方法需要充分手工标注的语料库作为训练集来训练关系抽取模型，因此需要耗费大量的人力和时间，并且对于训练集中没有的、新的实体关系预测能力差。基于半监督学习的关系抽取方法使用部分标注的语料库通过迭代训练的方式来抽取实体关系。这种方法虽然在一定程度上减少了人工标注成本，但仍需要部分标注数据。而基于无监督学习的关系抽取方法不要需要人工标注的语料库，通过聚类的方法自动将关系进行分类，这种方法通常会获得次优的结果。

远程监督结合了半监督和无监督方法的优势，通过将未标注语料和知识库中的实体对齐来自动标注实体关系，以便于从知识库中提取实体信息时大大提升实体关系抽取的性能，并减少人工成本，再通过计算领域本体中实体对之间的关系词与未标注文本中实体对之间的依存词的相似性来解决远程监督方法的噪声问题。

由于存在缺少主语、谓语或宾语等语义不完整的短句，如医疗领域中的电子病历、领域知识图片构建，情感分析，检索或预测，举例而言，正常语句表示为：胸片示右侧胸膜病变、主动脉结钙化，其中实体为：胸片、右侧胸膜病变、主动脉结钙化，关系为：(胸片，显示，右侧胸膜病变)、(胸片，显示，主动脉结钙化)，语义缺失的短句则表示为：考虑为支气管炎，实体为：支气管炎。由此可见，语义缺失的短句并不能体现出实体关系，以致其关系抽取的准确率较差。

发明内容

本发明提供一种基于注意力机制的关系抽取方法、系统、设备及存储介质，用以解决远程监督缺少主语、谓语或宾语等语义不完整的短句的关系抽取准确率较差的问题，提高了关系抽取效率。

本发明提供一种基于注意力机制的关系抽取方法，包括：对待处理文本进行预处理，形成第一语句；识别第一语句，并对第一语句进行语义补全，形成第二语句；提取所述第二语句中的特征向量，并将所述特征向量输入到关系抽取模型中，得到所述关系抽取模型输出的关系标签类型，其中，所述关系抽取模型是基于训练语料库中的语义补全句和正常语句训练得到的。

根据本发明提供的基于注意力机制的关系抽取方法，对待处理文本进行预处理，形成第一语句，包括：待处理文本中的未标注语料和知识库结合，并将所述未标注语料与知识库中的实体对齐以自动标注实体关系；根据结合后的知识库中包含的实体、标点符号、数字和空格符将第一语句切分成汉字字符串，并去除停用词，形成第一语句。

根据本发明提供的基于注意力机制的关系抽取方法，识别第一语句，并对第一语句进行语义补全，形成第二语句，包括：通过解析识别第一语句的句法结构及第一语句中的第一实体；学习第一语句中的第一实体在第一语句中的上下文特征，以得出第一语句缺失的语义信息；根据缺失的语义信息对第一语句进行语义补全处理，形成第二语句。

根据本发明提供的基于注意力机制的关系抽取方法，根据缺失的语义信息的类型对第一语句进行相应的语义补全处理，形成第二语句，包括：若缺失的语义信息为主语或宾语缺失，则找出包含所述第一语句缺失语义信息的实体作为目标实体，并将所述目标实体和所述第一语句拼接，形成第二语句；若缺失的语义信息为主语和谓语或谓语和宾语缺失，则找出包含第一语句缺失语义信息的正常句，并将第一语句和正常句，形成第二语句。

根据本发明提供的基于注意力机制的关系抽取方法，找出包含所述第一语句缺失语义信息的实体作为目标实体，并将所述目标实体和所述第一语句拼接，形成第二语句，包括：从知识库中的第一实体所在正常语句的上下文语句中提取与所述第一实体类型不同的实体作为候选实体；基于标签类型从所述上下文语句中提取与所述第一实体距离最近的触发词作为目标触发词，并采用词注意力机制提取所述目标触发词与所述第一实体之间的可行性关系类型；基于远程监督方法和所述可行性关系类型从所述候选实体中提取相似度最高的候选实体作为目标实体；将所述目标实体与所述第一语句拼接，形成第二语句；

找出包含第一语句缺失语义信息的正常句，并将第一语句和正常句拼接为一个句子，包括：提取第一语句中包含的第一实体；找出上下文语句中与第一实体距离最近的上下文特征，计算上下文特征与第一实体的相似性，并选取相似性最高的上下文特征所在的正常语句作为目标正常语句；将第一语句与目标正常语句进行首尾拼接，形成第二语句。

根据本发明提供的基于注意力机制的关系抽取方法，在通过解析第一语句的句法结构识别第一语句之后，还包括：采用词性标签机制标注第一实体；在根据缺失的语义信息对第一语句进行语义补全处理之后，还包括：对第一实体标注的实体标签进行校对。

根据本发明提供的基于注意力机制的关系抽取方法，所述关系抽取模型包括卷积层、分段最大池化层、句子注意力层和分类层，其中：所述卷积层，用于对输入的特征向量进行卷积操作；所述分段最大池化层，根据所述第二语句中实体对的位置将经过所述卷积操作后的特征向量分成三个部分，对每个部分进行分段池化并分别计算其最大值，将所述三个部分的最大值结合以输出；句子注意力层，根据所述分段最大池化层的输出以及所述第二语句中的词和实体对之间的语义关系得出句子特征；分类层，用于输入所述句子特征，并根据所述句子特征进行计算，以输出关系标签类型。

根据本发明提供的基于注意力机制的关系抽取方法，所述特征向量包括实体特征、词特征和位置特征，所述提取第二语句中的特征向量，包括：通过将所述第二语句中第二实体的自身特征和类型特征相加以提取实体特征；采用word2vec模型将第二语句中的非实体词转化为词向量以提取词特征；通过计算所述第二语句中每个词向量与任意两个第二实体特征之间的相对距离以提取位置特征。

根据本发明提供的基于注意力机制的关系抽取方法，训练关系抽取模型包括：基于远程监督方法构建训练语料库，将训练语料库内的语句作为训练语句输入至关系抽取模型中，训练语料库包括正常语句和/或语义补全句；关系抽取模型根据输入的训练语句进行训练，以输出预测关系标签类型；根据预测关系标签类型和训练语句的真实关系标签类型获得损失函数，若损失函数保持稳定，则训练结束；否则，继续训练关系抽取模型。

本发明还提供一种基于注意力机制的关系抽取系统，该系统基于上述任一项的基于注意力机制的关系抽取方法实现，系统包括：数据预处理模块，用于对待处理的文本进行预处理，形成第一语句；短句处理模块，用于识别将第一语句，并将其进行语义补全，形成第二语句；特征提取模块，用于提取第二语句中的特征向量关系抽取模型模块，根据特征提取模块提取的特征向量，输出标签类型。

本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述基于注意力机制的关系抽取方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于注意力机制的关系抽取方法的步骤。

本发明提供的一种基于注意力机制的关系抽取方法及系统，通过对待处理文本进行预处理，以形成第一语句，以便于将未标注语料和知识库中的实体对齐来自动标注实体关系，从而提高标注效率；再对第一语句进行识别并进行语义补全，以形成第二语句，以便于后续对其进行关系抽取，避免直接对语义不全的短句进行关系抽取造成的错误关系提取以及人工标注这些语句造成的费时费力的问题；再提取第二语句中的特征向量并将其输入至训练好的关系抽取模型中，以得到关系标签类型，从而实现了对语义不完整的句子的关系抽取，提高了抽取效率及抽取的准确率，降低了关系抽取过程中噪声的影响。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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是本发明一实施例提供的基于注意力机制的关系抽取方法的流程示意图；

图2是本发明一实施例提供的短句语义补全阶段的流程示意图图；

图3是本发明一实施例提供的关系抽取阶段流程示意图；

图4是本发明一实施例提供的基于注意力机制的关系抽取系统的结构示意图；

图5是本发明提供的电子设备的结构示意图。

附图标记：

1：数据预处理模块； 2：短句处理模块； 3：特征提取模块；

4：关系抽取模型模块； 51：处理器； 52：通信接口；

53：存储器； 54：通信总线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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，都属于本发明保护的范围。

图1示例了一种基于注意力机制的关系抽取方法的流程示意图，如图1所示，包括：

S01：对待处理文本进行预处理，形成第一语句；

S02：识别第一语句，并对第一语句进行语义补全，形成第二语句；

S03：提取第二语句中的特征向量，并将特征向量输入到关系抽取模型中，得到关系抽取模型输出的关系标签类型，其中，关系抽取模型是基于训练语料库中的语义补全句和正常语句训练得到的。

需要说明的是，本说明书中的S0N不代表关系抽取方法的先后顺序，下面结合图2-图3详细说明各步骤。

步骤S01，对待处理文本进行预处理，形成第一语句。

在本实施例中，对待处理文本进行预处理，形成第一语句，包括：将待处理文本中的未标注语料和知识库结合，并将未标注语料与知识库中的实体对齐以自动标注实体关系；根据结合后的知识库中包含的实体、标点符号、数字和空格符将待处理文本切分成汉字字符串，并去除停用词，形成第一语句S

步骤S02：识别第一语句，并对第一语句进行语义补全，形成第二语句。

在本实施例中，识别第一语句，并对第一语句进行语义补全，形成第二语句，包括：通过解析识别第一语句的句法结构及第一语句中的第一实体；学习第一实体在第一语句中的上下文特征，以得出第一语句缺失的语义信息；根据缺失的语义信息对第一语句进行语义补全处理，形成第二语句。

具体而言，通过解析第一语句的句法结构识别第一语句，包括：采用句法解析工具HIT LTP分析第一语句的句法结构。另外，采用skip-gram模型提取第一语句中各第一实体之间的依存路径特征，以便于增强词向量的表达，再采用word2vec模型将第一语句S

由于中文的写作习惯，第一语句中缺失的语义信息通常可以在其相邻的上下文特征中提取出来，因此可以通过学习第一语句中各第一实体的上下文特征，以得出第一语句缺失的语义信息。在本实施例中，可以采用长短时记忆网络(BILSTM)学习第一语句中每一个第一实体的上下文特征。比如，第一特征语句s

其中：

随后，根据上下文特征，得出缺失的语义信息，主要有两种：(1)主语或宾语缺失，(2)主语和谓语缺失，或谓语和宾语缺失。需要说明的是，主语或宾语缺失指该第一语句缺失一种主干成分，通常包括一个或多个实体且上述实体为同一种实体类型，其余两种主干成分每一种不仅限于一个，例如，该短句可能缺乏主语但有两个谓语或宾语。主语和谓语缺失，或谓语和宾语缺失指该第一语句只包含一个主干成分，该主干成分通常只包含一个或多个实体且为同一种实体类型。

在得出缺失的语义信息之后，根据缺失的语义信息对第一语句进行语义补全处理，若缺失的语义信息为主语或宾语缺失，则找出包含第一语句缺失语义信息的实体作为目标实体，并将目标实体和第一语句拼接，形成第二语句；若缺失的语义信息为主语和谓语或谓语和宾语缺失，则找出包含第一语句缺失语义信息的正常句，并将第一语句和正常句拼接，形成第二语句。

当第一语句为主语或宾语缺失时，找出包含第一语句缺失语义信息的实体作为目标实体，并将目标实体和第一语句拼接，形成第二语句，包括：

首先，从上下文语句中提取与第一实体类型不同的实体作为候选实体，如上下文语句H

基于pos标签从上下文语句中提取与第一实体距离最近的触发词作为目标触发词，包括：基于第一实体的标签类型从上下文语句中提取触发词作为候选触发词，本实施例中，可以基于pos标签提取谓语作为候选触发词，即{v

需要说明的是，在采用词注意力机制提目标取触发词与第一实体之间的可行性关系类型之前，需要先将知识库中的每一个关系实例表示为三元组形式，如有{W

由于目标触发词和第一实体可以共同存在于多种语义环境中，目标触发词和第一实体之间可能存在多种不同的关系类型，因此采用词注意力机制提取目标触发词与第一实体之间可能的关系类型，即可行性关系类型。需要说明的是，可行性关系类型可以是任意两个实体之间的细粒度关系类型和/或粗粒度关系类型，由于任意两个实体之间的细粒度关系类型的描述信息通常是由多个词组成的，因此本实施例中，可行性关系类型只包括粗粒度关系类型。采用词注意力机制提取目标触发词与第一实体之间的可行性关系类型，包括：先根据目标触发词v

u

f

其中：u

随后，基于远程监督方法和可行性关系类型从候选实体中提取相似度最高的候选实体作为目标实体。本实施例中，远程监督的假设为：在知识库中，在已知一个命名实体e

应当注意，由于第一语句中各第一实体标注的准确率不是完全正确的，错误的第一实体标签可能会带来噪声问题，此外，在后续对目标实体的提取过程中，目标实体的准确率也在很大程度上依赖第一实体的标签信息，错误的实体类型可能会导致错误的语义信息补全，因此在对第一语句中的各第一实体进行标注之后，在提取目标实体之前，还包括对第一实体标签进行校对。

在本实施例中，采用实体标签类型校对方法以及贝叶斯概率在识别第一实体的基础上进一步验证第一实体标签的准确性。实体标签类型校对方法包括：输入第一语句中的第一实体e

若第一实体e

若概率e

最后将提取的目标实体与第一语句拼接，形成第二语句。

参考图2，当第一语句为主语和谓语缺失，或谓语和宾语缺失时，找出包含第一语句缺失语义信息的正常句，并将第一语句和正常句拼接为一个句子，具体包括：

首先，提取第一语句中包含的第一实体，并通过双向长短时记忆网络找出上下文语句中与第一实体距离最近的上下文特征。比如第一语句特征s

其次，计算该上下文特征与第一实体的相似性，并选取相似性最高的上下文特征所在的正常语句作为目标正常语句。本实施例中，如果g

最后，将第一语句与目标正常语句进行首尾拼接，形成第二语句。

步骤S03：提取第二语句中的特征向量，并将特征向量输入到关系抽取模型中，得到关系抽取模型输出的关系标签类型，其中，关系抽取模型是基于训练语料库中的语义补全句和正常语句训练得到的，参考图3。

在本实施例中，特征向量包括实体特征、词特征和位置特征，提取第二语句中的特征向量，包括：通过将第二语句中第二实体的自身特征和类型特征相加以提取实体特征，如g

在本实施例中，基于分段卷积神经网络(PCNN模型)训练关系抽取模型，并将提取的特征向量输入至训练好后的关系抽取模型中，以输出关系标签类型。关系抽取模型包括卷积层、分段最大池化层、句子注意力层和分类层，其中：

卷积层，用于对输入的特征向量进行卷积操作。具体而言，第二语句S

分段最大池化层，根据第二语句中任意两个第二实体特征即第二实体对的位置将卷积后的特征图c

句子注意力层，根据分段最大池化层的输出以及第二语句中的词和实体对之间的语义关系得出句子特征，包括：

首先，计算第二语句中的词向量和任意两个第二实体特征的语义距离和位置距离。

词向量与第二实体对的语义距离计算方法包括：

词向量与第二实体对的位置距离计算方法包括：

其中g

其次，根据语义距离和位置距离，分别计算每个词向量w

之后，基于每个词向量的权重矩阵α

再基于所有词向量对应的基于权重的词向量WE

再根据分段池化最大层的输出p得到偏置项b

最后，根据句子向量s’以及PCCN模型提取偏置项b

分类层，用于输入句子特征s，并根据句子特征s进行计算，以输出关系标签类型，具体为：将句子特征s放入PCNN模型的softmax分类层中预测关系标签进行计算，以输出预测出来的关系标签类型

其中，

本发明还提供了一种关系抽取模型的训练方法，应用于上述基于注意力机制的关系抽取方法，该关系抽取模型的训练方法包括：

首先，基于远程监督方法构建训练语料库，所述训练语料库包括正常语句和/或语义补全句。需要说明的是，语义补全句为语义缺失的语句经过语义补全后形成的正常语句。

其次，关系抽取模型根据输入的训练语句进行训练，以输出预测关系标签类型。应当注意，训练语句输入至关系抽取模型内的具体实施方式可参照前文所述第二语句输入至关系抽取模型内的具体实施方式，此处不再赘述。

最后，根据预测关系标签类型和训练语句的真实关系标签类型获得损失函数，若所述损失函数保持稳定，则训练结束；否则，继续训练所述关系抽取模型。应当注意，当关系抽取模型输出预测标签类型之后，分类层根据训练语句对应的真实关系标签类型和关系抽取模型输出的预测标签类型计算损失函数，损失函数的计算方式如下：

其中，n表示关系类型标签的种类i∈[1,n]，y

损失函数

综上所述，本发明实施例通过对待处理文本进行预处理，以形成第一语句，以便于将未标注语料和知识库中的实体对齐来自动标注实体关系，从而提高标注效率；再对第一语句进行识别并进行语义补全，以形成第二语句，以便于后续对其进行关系抽取，避免直接对语义不全的短句进行关系抽取造成的错误关系提取以及人工标注这些语句造成的费时费力的问题；再提取第二语句中的特征向量并将其输入至训练好的关系抽取模型中，以得到关系标签类型，从而实现了对语义不完整的句子的关系抽取，提高了抽取效率及抽取的准确率，降低了关系抽取过程中噪声的影响，扩大了远程监督的应用领域。

图4示例了一种基于注意力机制的关系抽取系统，该系统基于上述基于注意力机制的关系抽取方法实现，系统包括：

数据预处理模块1，用于对待处理的文本进行预处理，形成第一语句；

短句处理模块2，用于识别将第一语句，并将其进行语义补全，形成第二语句；

特征提取模块3，用于提取第二语句中的特征向量；

关系抽取模型模块4，根据特征提取模块提取的特征向量，输出关系标签类型。

在本实施例中，先通过数据预处理模块1对待处理文本进行预处理，预处理包括：根据未标注的语料和知识库中包含的实体、标点符号、数字和空格符将待处理的文本切分成汉字字符串，并去除停用词，以形成第一语句。

再通过短句处理模块2包括识别单元和语义补全单元，识别单元用于解析第一语句句法结构并学习第一语句中的第一实体在第一语句中的上下文特征，从而得到第一语句缺失的语义信息，语义补全单元根据缺失的语义信息对第一语句进行语义补全处理，形成第二语句。

应当注意，在形成第二语句之后，将第二语句和正常语句构建形成训练语料库。特征提取模块3从训练语料库中提取训练语句特征向量，特征向量包括实体特征、词特征和位置特征。

随后，关系抽取模型模块4，关系抽取模型模块4包括关系卷积层、分段最大池化层、句子注意力层和分类层，其中，卷积层，用于对输入的特征向量进行卷积操作；分段最大池化层，根据第二语句中第二实体对的位置将卷积后的特征图分为三个部分，计算并提取每一部分的最大值，以获得第二语句中最重要的特征向量，然后将三个部分的特征向量结合起来作为分段最大池化层的输出；句子注意力层，根据第二语句中的词和实体对之间的语义和位置距离计算提取与关系表达相关的重要语义信息，并根据所述重要语义信息得出句子特征；分类层，用于输入句子特征，并根据句子特征进行计算，以输出关系标签类型。应当注意，在训练关系抽取模型模块阶段，分类层还用于将输出的关系标签类型和真实标签类型计算得出损失函数，并根据损失函数是否保持稳定以判断是否结束训练。具体方法可参照前文方法实施例，此处不再赘述。

综上所述，本发明实施例通过数据预处理模块对待处理文本进行预处理，以形成第一语句，以便于将未标注语料和知识库中的实体对齐来自动标注实体关系，从而提高标注效率；再通过短句处理模块识别第一语句，并对其进行语义补全，形成第二语句，以便于后续对其进行关系抽取，避免直接对语义不全的短句进行关系抽取造成的错误关系提取以及人工标注这些语句造成的费时费力的问题；再通过特征提取模块从第二语句和正常语句中提取特征向量，并将其输入至关系抽取模型模块，以输出关系标签类型，从而便于对语义缺失的短句进行关系抽取，提高了抽取效率以及抽取的准确率，降低了关系抽取过程中噪声的影响。

图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)51、通信接口(Communications Interface)52、存储器(memory)53和通信总线54，其中，处理器51，通信接口52，存储器53通过通信总线54完成相互间的通信。处理器51可以调用存储器53中的逻辑指令，以执行基于注意力机制的关系抽取方法，该方法包括：对待处理文本进行预处理，形成第一语句；识别第一语句，并对第一语句进行语义补全，形成第二语句；提取第二语句中的特征向量，并将特征向量输入到预先训练好的关系抽取模型中，得到关系抽取模型输出的关系标签类型，其中，关系抽取模型基于训练语料库中的语义补全句和正常语句训练得到。

此外，上述的存储器53中的逻辑指令可以通过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取存储介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明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在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于注意力机制的关系抽取方法，该方法包括：对待处理文本进行预处理，形成第一语句；识别第一语句，并对第一语句进行语义补全，形成第二语句；提取第二语句中的特征向量，并将特征向量输入到预先训练好的关系抽取模型中，得到关系抽取模型输出的关系标签类型，其中，关系抽取模型基于训练语料库中的语义补全句和正常语句训练得到。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于注意力机制的关系抽取方法，该方法包括：对待处理文本进行预处理，形成第一语句；识别第一语句，并对第一语句进行语义补全，形成第二语句；提取第二语句中的特征向量，并将特征向量输入到预先训练好的关系抽取模型中，得到关系抽取模型输出的关系标签类型，其中，关系抽取模型基于训练语料库中的语义补全句和正常语句训练得到。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。