一种用于语音识别的槽值填充方法、装置和电子设备与流程

2021-01-28 14:01:31|

304|

起点商标网

本发明涉及计算机信息处理领域，具体涉及一种用于语音识别的槽值填充方法、装置和电子设备。

背景技术：

随着互联网技术的发展，对话系统在电商、智能设备等方面有着广泛的应用，越来越引起人们的关注。常见的任务型对话系统有siri、echo、阿里小蜜等。任务型对话系统中，槽值填充技术是用户意图理解的常用技术，只有准确的识别对话中每个槽位的槽值，才能对用户的意图进行语义表示，后续的状态管理和生成回复，都是基于这个语义表示进行的。

现有槽值填充技术要取得好的效果，往往依赖大量的标注数据，同时很多槽位的槽值数量庞大，甚至不可枚举；而且当对话领域发生变化时，又要重新进行新领域下的数据标注，比较耗费人力。此外，现有的方法对数据不对齐的现象缺乏鲁棒性，这种数据不对齐常常表现为：语义相同的槽位采用不同字面名称，或者相同的槽位在不同领域的槽值不同。例如，两个公司的飞机票预定系统(a公司和b公司)，对航班降落的目的地点这个槽位，a公司系统显示的是“目的地”，b公司系统显示的是“到达地”，语义层面是一样的，但字面不一样，现有的槽位识别器在适用a公司系统的前提下，无法直接迁移到b公司系统，换言之，无法直接使用，需要人工再次进行标注，成本较高。此外，识别效果方面也仍存在很大改进空间。

因此，有必要提供一种用于语音识别的槽值填充方法，以解决数据不对齐导致的相关问题，并同时提高识别能力。

技术实现要素：

为了解决上述问题，本发明提供了一种用于语音识别的槽值填充方法，用于在任务型对话中识别用户输入的语音中包含的槽位以及与所述槽位对应的槽值，包括以下步骤：配置槽位描述文本和与该槽位对应的特定数量的示例槽值；获取任务型对话中的用户语音，识别该用户语音并得到与该用户语音对应的语音文本；将所述槽位描述文本、示例槽值和语音文本均转化为语义向量，分别得到槽位描述文本语义向量、示例槽值语义向量和语音文本语义向量；计算所述语音文本中各词的注意力权重系数，以得到与各词相对应的注意力语义向量；将所述语音文本语义向量、与各词相对应的注意力语义向量和槽位描述文本语义向量进行拼接得到组合语义向量；将所述组合语义向量输入序列标注器和序列分类器进行标注和bio分类，得到所述语音文本中的各词的bio分类，根据该bio分类确定该语音文本中包含的槽位以及与所述槽位对应的槽值。

优选地，所述计算所述语音文本中各词的注意力权重系数，以得到与各词相对应的注意力语义向量包括：将所述示例槽值语义向量与所述语音文本中的各词的语义向量进行注意力权重计算，得到注意力权重系数，通过权重系数加和得到与各词的语义向量相对应的注意力语义向量。

优选地，还包括：基于特定任务的历史对话数据，构建槽值数据库，所述槽值数据库包预设槽位、与预设槽位对应的特定数量的示例槽值、各预设槽位的描述文本信息、以及同语义的槽位对应关系。

优选地，所述示例槽值的数量在2至5个之间。

优选地，将所述槽位描述文本、示例槽值和语音文本均转化为语义向量的步骤包括：将所述槽位描述文本、示例槽值和语音文本输入bert预训练模型，以输出相应的语义向量。

优选地，所述序列标注模型是bi-lstm模型。

优选地，将所述组合语义向量输入序列标注器和序列分类器进行标注和bio分类，得到所述语音文本中的各词的bio分类包括：将所述组合语义向量输入训练好的bi-lstm模型，使用lstm层输出的隐向量输入softmax层，进行3-路bio序列分类。

此外，本发明还提供了一种用于语音识别的槽值填充装置，用于在任务型对话中识别用户输入的语音中包含的槽位以及与所述槽位对应的槽值，包括：配置模块，用于配置槽位描述文本和与该槽位对应的特定数量的示例槽值；数据获取模块，用于获取任务型对话中的用户语音，识别该用户语音并得到与该用户语音对应的语音文本；转化模块，用于将所述槽位描述文本、示例槽值和语音文本均转化为语义向量，分别得到槽位描述文本语义向量、示例槽值语义向量和语音文本语义向量；计算模块，用于计算所述语音文本中各词的注意力权重系数，以得到与各词相对应的注意力语义向量；处理模块，用于将所述语音文本语义向量、与各词相对应的注意力语义向量和槽位描述文本语义向量进行拼接得到组合语义向量；确定模块，用于将所述组合语义向量输入序列标注器和序列分类器进行标注和bio分类，得到所述语音文本中的各词的bio分类，根据该bio分类确定该语音文本中包含的槽位以及与所述槽位对应的槽值。

优选地，所述计算模块还包括：将所述示例槽值语义向量与所述语音文本中的各词的语义向量进行注意力权重计算，得到注意力权重系数，通过权重系数加和得到与各词的语义向量相对应的注意力语义向量。

优选地，还包括构建模块，所述构建模块基于特定任务的历史对话数据，构建槽值数据库，所述槽值数据库包预设槽位、与预设槽位对应的特定数量的示例槽值、各预设槽位的描述文本信息、以及同语义的槽位对应关系。

优选地，所述示例槽值的数量在2至5个之间。

优选地，所述序列标注模型是bi-lstm模型。

优选地，还包括分类模块，所述分类模块将所述组合语义向量输入训练好的bi-lstm模型，使用lstm层输出的隐向量输入softmax层，进行3-路bio序列分类。

此外，本发明还提供了一种电子设备，其中，该电子设备包括：处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本发明所述的用于语音识别的槽值填充方法。

此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的用于语音识别的槽值填充方法。

有益效果

与现有技术相比，本发明的槽值填充方法基于预训练模型对槽位描述文本信息和槽值进行编码，能够识别语义近似但没有出现在训练数据中的槽位；通过注意力机制模型计算待识别的语音文本中各词的注意力权重系数，得到各词的注意力语义向量，进一步拼接得到组合语义向量，再进行标注分类，以获得识别结果，由此，提高了识别能力，并具备了跨领域迁移能力，提高了对齐鲁棒性；该方法只需要少量的标注样本，就可以实现与在大量训练数据上得到的槽值填充器大致相等的效果，不需要大量人工标注。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明的用于语音识别的槽值填充方法的一示例的流程图。

图2是本发明的用于语音识别的槽值填充方法的另一示例的流程图。

图3是本发明的用于语音识别的槽值填充方法的应用场景的一示例的结构框图。

图4是本发明的用于语音识别的槽值填充方法的又一示例的流程图。

图5是本发明的用于语音识别的槽值填充装置的一示例的示意性结构框图。

图6是本发明的用于语音识别的槽值填充装置的另一示例的示意性结构框图。

图7是本发明的用于语音识别的槽值填充装置的又一示例的示意性结构框图。

图8是根据本发明的一种电子设备的示例性实施例的结构框图。

图9是根据本发明的计算机可读介质的示例性实施例的结构框图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

为了解决数据不对齐、跨领域或跨业务的数据之间不能识别槽位的问题，为了实现在具有少量的标注样本等情况下能获得识别槽位进行槽值填充的良好效果，本发明提供了一种用于语音识别的槽值填充方法，该方法基于预训练模型对槽位描述文本信息和槽值进行编码，能够识别语义近似但没有出现在训练数据中的槽位；通过注意力机制模型计算待识别的语音文本中各词的注意力权重系数，得到各词的注意力语义向量，进一步拼接得到组合语义向量，再进行标注分类，以获得识别结果，由此，提高了识别能力，并具备了跨领域迁移能力，提高了对齐鲁棒性。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

实施例1

下面，将参照图1至图4描述本发明的用于语音识别的槽值填充方法的实施例。

图1是本发明的用于语音识别的槽值填充方法的一示例的流程图。

如图1所示，一种用于语音识别的槽值填充方法，该方法包括以下步骤。

步骤s101，配置槽位描述文本和与该槽位对应的特定数量的示例槽值。

步骤s102，获取任务型对话中的用户语音，识别该用户语音并得到与该用户语音对应的语音文本。

步骤s103，将所述槽位描述文本、示例槽值和语音文本均转化为语义向量，分别得到槽位描述文本语义向量、示例槽值语义向量和语音文本语义向量。

步骤s104，计算所述语音文本中各词的注意力权重系数，以得到与各词相对应的注意力语义向量。

步骤s105，将所述语音文本语义向量、与各词相对应的注意力语义向量和槽位描述文本语义向量进行拼接得到组合语义向量。

步骤s106，将所述组合语义向量输入序列标注器和序列分类器进行标注和bio分类，得到所述语音文本中的各词的bio分类，根据该bio分类确定该语音文本中包含的槽位以及与所述槽位对应的槽值。

在本示例中，本发明的方法应用于在任务型对话中识别用户输入的语音中包含的槽位以及与所述槽位对应的槽值，以下将详细说明具体识别过程。

首先，在步骤s101中，配置槽位描述文本和与该槽位对应的特定数量的示例槽值。

如图2所示，还包括构建槽值数据库的步骤s201。

在步骤s201中，构建槽值数据库，以用于查询或存储槽位及其对应的槽值信息数据。

优选地，基于特定任务的历史对话数据，构建槽值数据库，所述槽值数据库包预设槽位、与预设槽位对应的特定数量k的示例槽值、各预设槽位的描述文本信息、以及同语义的槽位对应关系。

在本示例中，基于订票或订餐等的对话任务的历史对话数据，设定地点、时间等预设槽位，并对应设定与预设槽位对应的特定数量的示例槽值。

例如每个预设槽位都有一个描述文本来刻画该槽位的语义信息，例如“到达地”等的地点槽位对应的描述信息可以是“要去的目的地”。

进一步地，对于“到达地”等的地点槽位有对应的槽值信息，如“北京”、“上海”、“南京”等。

例如，在a业务领域中，地点槽位为“到达地”，而在b业务领域中，地点槽位为“目的地”。对于上述这种语义相同的地点槽位，将语义相同或者语义向量相似的槽位设定关联对应关系，以解决数据不对齐、跨领域或跨业务的数据之间不能识别槽位的问题，由此，确保能够在不同领域或业务中识别并使用上述类型的槽位及其相关数据信息。

优选地，示例槽值的数量为在2至5个之间，在本示例中，为3个。

接下来，在步骤s102中，获取任务型对话中的用户语音，识别该用户语音并得到与该用户语音对应的语音文本。

具体地，将所获取的用户语音进行语音文本转换，以识别并得到改用户语音的语音文本，该语音文本例如为“飞北京的航班”。

接下来，在步骤s102中，将所述槽位描述文本、示例槽值和语音文本均转化为语义向量，分别得到槽位描述文本语义向量、示例槽值语义向量和语音文本语义向量。

在本示例中，将所述槽位描述文本、示例槽值和语音文本输入bert预训练模型，以输出相应的语义向量。

具体地，将所获取的用户的语音文本s进行拆分处理，拆分成t个词，该语音文本表示为s＝{ui,1≤i≤t},将s输入到bert预训练模型中，输出每个词的语义向量表示，h＝{hi∈r^d,1≤i≤t}。

进一步地，将预设槽位的槽位描述文本输入到bert预训练模型中，输出该描述文本的语义向量表示，d^s∈r^d。

更进一步地，将每个预设槽位对应的k个槽值，在本示例中，k的取值为3个，分别输入到bert预训练模型中，分别得到3个语义向量表示，{ek,1≤k≤k}。

由此，基于预训练模型对槽位描述文本信息和槽值进行编码，能够识别语义近似但没有出现在训练数据中的槽位。

需要说明的是，对于语义向量的转化，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他示例中，还可以使用roberta模型或调参后的bert模型等。

接下来，在步骤s104中，计算所述语音文本中各词的注意力权重系数，以得到与各词相对应的注意力语义向量。

优选地，构建注意力机制模型，使用该注意力机制模型计算所述语音文本中各词的注意力权重系数。

具体地，还包括使用样本标签数据训练注意力机制模型。所述样本标签数据包括历史任务型对话中的槽位、与槽位对应的槽值等信息数据，其中，槽值的标注信息较少，换言之，使用少量标注样本数据进行训练。

具体地，将所述示例槽值语义向量与所述语音文本中的各词的语义向量进行注意力权重计算，得到注意力权重系数，通过权重系数加和得到与各词的语义向量相对应的注意力语义向量。

进一步地，3个槽值与所述语音文本中的各词ui进行注意力权重计算，得到注意力权重系数αi，最后通过权重加和得到各词ui对应的注意力语义向量ei^α，具体参见公式(1)。

其中，αi为注意力权重系数；hi为第i词的语义向量表示；wα为神经网络中每个词对应的权重系数；ek为示例槽值的语义向量表示；k为示例槽值的设定数量(特定数量)。

其中，ei^α为各词ui对应的注意力语义向量；αik为与k个示例槽值相对应的注意力权重系数；ek为示例槽值的语义向量表示；k为示例槽值的设定数量(特定数量)。

通过公式(1)和(2)，计算所述语音文本的每一个词所对应的注意力语义向量ei^α。

需要说明的是，注意力机制模型可以用来为这些不同词的语义向量表示分配重要权重，这些权重可以确定所述语音文本中的各词与所述示例槽值的隐在相关度，而忽略输入中的噪声和冗余，由此，提高了识别能力，并具备了跨领域迁移能力，提高了对齐鲁棒性。

接下来，在步骤s105中，将所述语音文本语义向量、与各词相对应的注意力语义向量和槽位描述文本语义向量进行拼接得到组合语义向量。

如图3所示，将得到的各词的语义向量hi、槽位描述文本向量d^s、每个词的注意力化后的向量ei^α进行拼接处理，以得到组合语义向量，并将该组合语义向量作为序列标注器和序列分类器的输入特征。

接下来，在步骤s106中，将所述组合语义向量输入序列标注器和序列分类器进行标注和bio分类，得到所述语音文本中的各词的bio分类，根据该bio分类确定该语音文本中包含的槽位以及与所述槽位对应的槽值。

在本示例中，序列标注模型是bi-lstm模型(即双向lstm模型)。使用bi-lstm模型进行本文分类。

需要说明的是，在本示例中，分别建立注意力机制模型和bi-lstm模型，不限于此，在其他示例中，还可以仅建立bi-lstm模型，在bi-lstm模型上加入attention层，再进行softmax分类。上述仅作为示例进行说明，不能理解成对本发明的限制。

具体地，将拼接后的组合语义向量输入训练好的bi-lstm模型，使用lstm层输出的隐向量xi输入softmax层，采用3-路bio的形式来标注所述语音文本中的各词，以进行序列分类。

例如，“飞北京的航班”经过行3-路bio序列分类之后，根据该bio分类确定该语音文本中包含的槽位以及与所述槽位对应的槽值，由此，能识别出槽位及对应的槽值，并用这些槽值对用户的意图进行语义表示，作为对话系统后续模块(用户状态管理、回复生成)的输入。

需要说明的是，使用序列标注器对所述语音文本中各词做一个标记，或者打一个标签。其中，3-路bio：序列标注中标签的表示方式，b(begin)表示当前词是待识别槽值的首部，i(middle)表示当前词是待识别槽值的内部，o(out)表示当前词不属于待识别槽值的内容。

上述槽值填充方法的过程仅用于对本发明的说明，其中，步骤的顺序和数量没有特别的限制。此外，上述方法中的步骤还可以拆分成两个、三个(例如，将步骤s106拆成步骤s401和步骤s106，具体参见图4)，或者有些步骤也可以合并成一个步骤，根据实际示例进行调整。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、rom、ram等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

下面描述本发明的装置的实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

实施例2

参照图5、图6和图7，本发明还提供了一种用于语音识别的槽值填充装置500，用于在任务型对话中识别用户输入的语音中包含的槽位以及与所述槽位对应的槽值，包括：配置模块501，用于配置槽位描述文本和与该槽位对应的特定数量的示例槽值；数据获取模块502，用于获取任务型对话中的用户语音，识别该用户语音并得到与该用户语音对应的语音文本；转化模块503，用于将所述槽位描述文本、示例槽值和语音文本均转化为语义向量，分别得到槽位描述文本语义向量、示例槽值语义向量和语音文本语义向量；计算模块504，用于计算所述语音文本中各词的注意力权重系数，以得到与各词相对应的注意力语义向量；处理模块505，用于将所述语音文本语义向量、与各词相对应的注意力语义向量和槽位描述文本语义向量进行拼接得到组合语义向量；确定模块506，用于将所述组合语义向量输入序列标注器和序列分类器进行标注和bio分类，得到所述语音文本中的各词的bio分类，根据该bio分类确定该语音文本中包含的槽位以及与所述槽位对应的槽值。

优选地，所述计算模块504还包括：将所述示例槽值语义向量与所述语音文本中的各词的语义向量进行注意力权重计算，得到注意力权重系数，通过权重系数加和得到与各词的语义向量相对应的注意力语义向量。

如图6所示，还包括构建模块601，所述构建模块601基于特定任务的历史对话数据，构建槽值数据库，所述槽值数据库包预设槽位、与预设槽位对应的特定数量的示例槽值、各预设槽位的描述文本信息、以及同语义的槽位对应关系。

优选地，所述示例槽值的数量在2至5个之间。

优选地，所述序列标注模型是bi-lstm模型。

如图7所示，还包括分类模块701，所述分类模块701将所述组合语义向量输入训练好的bi-lstm模型，使用lstm层输出的隐向量输入softmax层，进行3-路bio序列分类。

需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。

与现有技术相比，本发明的槽值填充装置基于预训练模型对槽位描述文本信息和槽值进行编码，能够识别语义近似但没有出现在训练数据中的槽位；通过注意力机制模型计算待识别的语音文本中各词的注意力权重系数，得到各词的注意力语义向量，进一步拼接得到组合语义向量，再进行标注分类，以获得识别结果，由此，提高了识别能力，并具备了跨领域迁移能力，提高了对齐鲁棒性；该方法只需要少量的标注样本，就可以实现与在大量训练数据上得到的槽值填充器大致相等的效果，不需要大量人工标注。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

实施例3

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图8是根据本发明的一种电子设备的示例性实施例的结构框图。下面将参照图8来描述根据本发明的电子设备200。图8显示的电子设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书的上述电子设备处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。

所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(rom)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。

如图9所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击【在线咨询】或添加微信【19522093243】与客服一对一沟通，为大家解决相关问题。