同义文本获取方法、装置、电子设备及存储介质与流程

本申请涉及计算机应用技术，特别涉及智能搜索及深度学习领域的同义文本获取方法、装置、电子设备及存储介质。

背景技术：

智能搜索技术中，搜索引擎通常会为商家(广告主)提供三种关键词匹配服务来满足不同的推广需求：精确匹配、短语匹配和宽泛匹配。其中，精确匹配是指查询(query)和关键词(keyword)或者其同义变体字面内容一致，短语匹配是指关键词或同义变体作为短语包含在query中，宽泛匹配是指query和keyword语义相关，即存在语义相关性。

其中精确匹配由于其精准的流量触达能力，至今仍是搜索引擎中非常重要的一种匹配模式。目前，通常采用查询预先构建的同义词表的方式，来确定出同义变体等，同义词表中可记录有各query与对应的同义keyword(如可为同义keywordlist)之间的对应关系。但这种方式完全受限于同义词表的覆盖程度，很难准确全面的获取到所需的内容。

技术实现要素：

本申请提供了同义文本获取方法、装置、电子设备及存储介质。

一种同义文本获取方法，包括：

针对待处理的第一文本，按照预定方式获取对应的模板形式的第一文本，所述预定方式包括：对文本进行实体识别，得到识别出的实体类型和实体值，并用识别出的实体类型作为槽位替换文本中的对应实体值；

利用预先训练得到的翻译模型生成所述模板形式的第一文本对应的同义的模板形式的第二文本；

利用识别出的所述待处理的第一文本的实体值替换所述模板形式的第二文本中的对应实体类型，得到所述待处理的第一文本的同义文本。

一种同义文本获取装置，包括：文本获取模块；

所述文本获取模块，用于针对待处理的第一文本，按照预定方式获取对应的模板形式的第一文本，所述预定方式包括：对文本进行实体识别，得到识别出的实体类型和实体值，并用识别出的实体类型作为槽位替换文本中的对应实体值；利用预先训练得到的翻译模型生成所述模板形式的第一文本对应的同义的模板形式的第二文本；利用识别出的所述待处理的第一文本的实体值替换所述模板形式的第二文本中的对应实体类型，得到所述待处理的第一文本的同义文本。

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能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如以上所述的方法。

上述申请中的一个实施例具有如下优点或有益效果：可获取待处理的第一文本对应的模板形式的第一文本，并利用翻译模型生成对应的同义的模板形式的第二文本，进而可利用从第一文本中识别出的实体值来替换生成的模板形式的第二文本中的对应实体类型，得到待处理的第一文本的同义文本，从而摆脱了现有方式中的同义词表的限制，提升了同义文本的召回能力，能够准确全面的获取到所需的同义文本。

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，不构成对本申请的限定。其中：

图1为本申请所述同义文本获取方法第一实施例的流程图；

图2为本申请所述前缀树的示意图；

图3为本申请所述同义文本获取方法第二实施例的流程图；

图4为本申请所述获取“上海哪里治疗头疼比较好”的同义keyword的过程示意图；

图5为本申请所述同义文本获取装置50实施例的组成结构示意图；

图6为根据本申请实施例所述方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本申请所述同义文本获取方法第一实施例的流程图。如图1所示，包括以下具体实现方式。

在101中，针对待处理的第一文本，按照预定方式获取对应的模板形式的第一文本，所述预定方式包括：对文本进行实体识别，得到识别出的实体类型和实体值，并用识别出的实体类型作为槽位替换文本中的对应实体值。

在102中，利用预先训练得到的翻译模型生成模板形式的第一文本对应的同义的模板形式的第二文本。

在103中，利用识别出的待处理的第一文本的实体值替换模板形式的第二文本中的对应实体类型，得到待处理的第一文本的同义文本。

可以看出，本实施例所述方案的实现需要依赖于预先训练得到的翻译模型，以下即首先对翻译模型的获取方式进行说明。

为训练得到翻译模型，需要首先获取训练数据，每个训练数据中可分别包括：两个同义的第一文本和第二文本，第一文本和第二文本为不同类型的文本。比如，第一文本可为query，第二文本可为keyword。但本申请所述方案并不局限于这两种文本。

针对每个训练数据中的每个文本，可分别按照所述预定方式获取对应的模板形式的文本，即针对任一文本，可分别对文本进行实体识别，得到识别出的实体类型和实体值，并用识别出的实体类型作为槽位替换文本中的对应实体值，从而得到模板形式的文本。

如何进行实体识别为现有技术。通过实体识别，可将文本中的地名、疾病、人物、机构、游戏名、医疗美容项目等类型的实体分别识别出来，并可获取对应的实体值，如实体类型为：地名，对应的实体值为：北京。

比如，某一训练数据中包括的两个文本分别为：“北京哪里治疗手指发麻比较好”和“北京治疗手指发麻医院推荐”，其中，“北京哪里治疗手指发麻比较好”对应的模板形式的文本为“【地名】哪里治疗【疾病】比较好”，即将“北京”替换为实体类型“地名”，将“手指发麻”替换为实体类型“疾病”，类似地，“北京治疗手指发麻医院推荐”对应的模板形式的文本为“【地名】治疗【疾病】医院推荐”。

按照上述方式，可分别对每个训练数据进行处理，从而得到由模板形式的文本组成的各训练数据。

针对任一由模板形式的文本组成的训练数据，还可分别确定其中的两个模板形式的文本中包含的实体类型是否相同，若否，则可过滤掉该训练数据，若是，则可保留该训练数据。

即可基于对齐关系对由模板形式的文本组成的训练数据进行过滤，过滤的方式是比较两个模板形式的文本(如分别为模板形式的文本a和模板形式的文本b)中的实体类型是否能够全部对齐，如模板形式的文本a中包含“地名”，那么模板形式的文本b中也必须包含“地名”，从而可过滤掉噪音数据，即提升了训练数据的质量，进而提升了后续模型的训练效果等。

完成上述处理后，即可利用由模板形式的文本组成的训练数据，利用深度学习方式训练翻译模型。

优选地，基于上述抽象处理后的平行语料，可训练得到一个序列到序列(sequence-to-sequence)深度神经网络(dnn，deepneuralnetworks)翻译模型，模型的结构不限，如可以是流行的循环神经网络(rnn，recurrentneuralnetwork)模型、长短期记忆网络(lstm，longshort-termmemory)模型、变换器(transformer)模型等任意一种。其中，可将“地名”、“疾病”等当成新的token加入到dnn训练的词典里面。如何训练为现有技术。

这样，针对待处理的第一文本，可首先按照预定方式获取对应的模板形式的第一文本，即对待处理的第一文本进行实体识别，得到识别出的实体类型和实体值，并用识别出的实体类型作为槽位替换待处理的第一文本中的对应实体值，之后，可利用翻译模型生成模板形式的第一文本对应的同义的模板形式的第二文本，模板形式的第一文本和模板形式的第二文本中包含的实体类型相同，进而可利用识别出的待处理的第一文本的实体值替换模板形式的第二文本中的对应实体类型，得到待处理的第一文本的同义文本。其中，生成的模板形式的第二文本的数量可以为一个，也可以为多个。

可以看出，采用上述处理方式，可借助于翻译模型来生成待处理的第一文本的同义文本，从而摆脱了现有方式中的同义词表的限制，提升了同义文本的召回能力，能够准确全面的获取到所需的同义文本。

优选地，翻译模型在生成模板形式的第一文本对应的模板形式的第二文本时，还可借助于预先生成的前缀树，以下对前缀树的生成方式进行说明。

按照所述预定方式，分别获取预先构建的第二文本库中的各第二文本对应的模板形式的第二文本，得到模板形式的第二文本库，分别对模板形式的第二文本库中的各文本(即模板形式的第二文本)进行分词处理，根据分词结果生成前缀树，其中，前缀树中的每个节点均为一个分词结果，每条路径上的节点依次组合后得到的文本均为模板形式的第二文本库中的一个文本，模板形式的第二文本库中的各文本均包含在前缀树中。

图2为本申请所述前缀树的示意图。如图2所示，其中<s>为开始符号，<e>为结束符号，如“【地名】”、“治疗”、“【疾病】”、“医院”、“推荐”、“英文”、“培训”等均为分词结果，图2所示最左侧的路径上的各节点“【地名】”、“治疗”、“【疾病】”、“医院”、“推荐”依次组合后可得到“【地名】治疗【疾病】医院推荐”的文本，类似地，还可组合得到其它路径对应的“【地名】治疗【疾病】医院哪家好”和“【地名】英文培训推荐”等文本，这些文本均为模板形式的第二文本库中的文本。

另外，在实际应用中，第一级节点并非一定要是实体类型的词，也可以是非实体类型的词，图2所示仅为举例说明，并不用于限制本申请的技术方案。

在利用翻译模型生成模板形式的第一文本对应的模板形式的第二文本时，可基于前缀树，利用翻译模型进行受限的定向翻译，从而得到模板形式的第一文本对应的模板形式的第二文本，模板形式的第一文本对应的模板形式的第二文本为模板形式的第二文本库中的文本。

翻译模型通常都是基于条件概率从左到右逐个词来翻译的，翻译第n个词时会基于前面已经翻译出来的n-1个词来考虑生成结果，在前缀树的限制下，可要求翻译第n个词时，先去基于前n-1个词来查询前缀树，得到这n-1个词前缀下的可能候选词，从而保证了最后生成的模板形式的第二文本为模板形式的第二文本库中的文本。

即在翻译模板形式的第一文本对应的任一模板形式的第二文本中的第n个词时，n为大于一的正整数，可基于翻译得到的前n-1词查询前缀树，确定出前缀树中前n-1个词为翻译得到的前n-1个词的路径，将确定出的路径中的第n个词作为候选词，从候选词中确定出翻译得到的第n个词。

比如，模板形式的第二文本为“【地名】哪里治疗【疾病】不错”，可从左到右，逐个词即按照“【地名】”、“哪里”、“治疗”、“【疾病】”、“不错”的顺序来翻译，以翻译“【疾病】”为例，可基于前面的3个词，即“【地名】”、“哪里”和“治疗”，来查询前缀树，确定出以“【地名】哪里治疗”为前缀的路径，将确定出的路径中的“【地名】哪里治疗”的接下来的一个词作为候选词。

在翻译模板形式的第一文本对应的任一模板形式的第二文本中的第一个词时，如何处理不作限制，比如可将前缀树中的各第一级节点均作为候选词等。

通过构建前缀树并基于前缀树来进行翻译，可确保生成的模板形式的第二文本均为模板形式的第二文本库中的文本，以第二文本库为keyword库为例，可确保生成的模板形式的keyword均为模板形式的keyword库中的模板形式的keyword，使得生成的模板形式的keyword更为合理，更具针对性。

如前所述，在利用翻译模型生成模板形式的第一文本对应的模板形式的第二文本后，可利用识别出的待处理的第一文本的实体值替换模板形式的第二文本中的对应实体类型，从而得到待处理的第一文本的同义文本。

比如，模板形式的第一文本对应的一个模板形式的第二文本为“【地名】哪里治疗【疾病】不错”，可将其中的“【地名】”替换为对应的实体值如“北京”，将其中的“【疾病】”替换为对应的实体值如“手指发麻”，从而得到一个同义文本“北京哪里治疗手指发麻不错”。

进一步地，针对每个同义文本，还可分别确定该同义文本是否位于第二文本库中，若否，则可过滤掉该同义文本，若是，则可保留该同义文本。

比如，第二文本库为keyword库，针对每个同义文本，即同义keyword，可分别确定该同义keyword是否位于keyword库中，若否，则可过滤掉该同义keyword，若是，则可保留该同义keyword，从而使得最终保留下来的同义keyword均为keyword库中的keyword，进而可直接根据同义keyword进行搜索广告触发等。

图3为本申请所述同义文本获取方法第二实施例的流程图。本实施例中，以第一文本为query、第二文本为keyword为例进行说明。如图3所示，包括以下具体实现方式。

在301中，获取训练数据，任一训练数据中分别包括：query及与之同义的keyword。

在302中，分别按照预定方式对各训练数据中的query和keyword进行处理，得到由模板形式的query和keyword组成的各训练数据，其中，所述预定处理包括：对文本进行实体识别，得到识别出的实体类型和实体值，并用识别出的实体类型作为槽位替换文本中的对应实体值。

所述文本包括query和keyword。

针对任一由模板形式的query和keyword组成的训练数据，还可分别确定其中的模板形式的query和keyword中包含的实体类型是否相同，若否，则可过滤掉该训练数据。

在303中，利用由模板形式的query和keyword组成的训练数据训练翻译模型。

在304中，按照所述预定方式，分别获取预先构建的keyword库中的各keyword对应的模板形式的keyword，得到模板形式的keyword库。

在305中，分别对模板形式的keyword库中的各模板形式的keyword进行分词处理，根据分词结果生成前缀树，其中，前缀树中的每个节点均为一个分词结果，每条路径上的节点依次组合后得到的文本均为模板形式的keyword库中的一个模板形式的keyword，模板形式的keyword库中的各模板形式的keyword均包含在前缀树中。

在306中，针对待处理的query，按照所述预定方式获取对应的模板形式的query。

在307中，基于前缀树，利用翻译模型进行受限的定向翻译，得到模板形式的query对应的模板形式的keyword。

具体地，在翻译模板形式的query对应的任一模板形式的keyword中的第n个词时，n为大于一的正整数，可基于翻译得到的前n-1词查询前缀树，确定出前缀树中前n-1个词为翻译得到的前n-1个词的路径，将确定出的路径中的第n个词作为候选词，从候选词中确定出翻译得到的第n个词。

在308中，利用识别出的待处理的query的实体值替换模板形式的keyword中的对应实体类型，得到待处理的query的同义keyword。

在309中，针对任一同义keyword，若确定该同义keyword没有位于keyword库中，则过滤掉该同义keyword。

以待处理的query为“上海哪里治疗头疼比较好”为例，图4为本申请所述获取“上海哪里治疗头疼比较好”的同义keyword的过程示意图。

如图4所示，通过实体识别，可得到“上海哪里治疗头疼比较好”对应的模板形式的query，即“【地名】哪里治疗【疾病】比较好”，其中，“【地名】”对应的实体值为“上海”，“【疾病】”对应的实体值为“头疼”，基于翻译模型对“【地名】哪里治疗【疾病】比较好”进行翻译，得到以下模板形式的同义keyword：“【地名】哪里治疗【疾病】不错”、“【地名】治疗【疾病】医院推荐”和“【地名】治疗【疾病】哪家靠谱”，用实体值“上海”和“头疼”分别替换各同义keyword中的“【地名】”和“【疾病】”，从而得到“上海哪里治疗头疼比较好”的各同义keyword如下：“上海哪里治疗头疼不错”、“上海治疗头疼医院推荐”和“上海治疗头疼哪家靠谱”。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。

以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。

图5为本申请所述同义文本获取装置50实施例的组成结构示意图。如图5所示，包括：文本获取模块501。

文本获取模块501，用于针对待处理的第一文本，按照预定方式获取对应的模板形式的第一文本，所述预定方式包括：对文本进行实体识别，得到识别出的实体类型和实体值，并用识别出的实体类型作为槽位替换文本中的对应实体值；利用预先训练得到的翻译模型生成模板形式的第一文本对应的同义的模板形式的第二文本；利用识别出的待处理的第一文本的实体值替换模板形式的第二文本中的对应实体类型，得到待处理的第一文本的同义文本。

图5所示装置中还可进一步包括：预处理模块500，用于获取训练数据，任一训练数据中分别包括：两个同义的第一文本和第二文本，第一文本和第二文本为不同类型的文本，针对任一训练数据中的任一文本，分别按照预定方式获取对应的模板形式的文本，利用由模板形式的文本组成的训练数据训练翻译模型。

在利用由模板形式的文本组成的训练数据训练翻译模型之前，针对任一由模板形式的文本组成的训练数据，预处理模块500若确定其中的两个模板形式的文本中包含的实体类型不同，则可过滤掉该训练数据。

另外，预处理模块500还可按照预定方式，分别获取预先构建的第二文本库中的各第二文本对应的模板形式的第二文本，得到模板形式的第二文本库，并分别对模板形式的第二文本库中的各文本进行分词处理，根据分词结果生成前缀树，其中，前缀树中的每个节点均为一个分词结果，每条路径上的节点依次组合后得到的文本均为模板形式的第二文本库中的一个文本，模板形式的第二文本库中的各文本均包含在前缀树中。

相应地，文本获取模块501可基于前缀树，利用翻译模型进行受限的定向翻译，从而得到模板形式的第一文本对应的模板形式的第二文本，模板形式的第一文本对应的模板形式的第二文本为模板形式的第二文本库中的文本。

具体地，文本获取模块501在翻译模板形式的第一文本对应的任一模板形式的第二文本中的第n个词时，n为大于一的正整数，可基于翻译得到的前n-1词查询前缀树，确定出前缀树中前n-1个词为翻译得到的前n-1个词的路径，将确定出的路径中的第n个词作为候选词，从候选词中确定出翻译得到的第n个词。

文本获取模块501还可进一步进行以下处理：针对待处理的第一文本的任一同义文本，若确定该同义文本没有位于第二文本库中，则可过滤掉该同义文本。

图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本申请装置实施例所述方案，可借助于翻译模型来生成待处理的第一文本的同义文本，从而摆脱了现有方式中的同义词表的限制，提升了同义文本的召回能力，能够准确全面的获取到所需的同义文本等；另外，通过构建前缀树并基于前缀树来进行翻译，可确保翻译模型生成的模板形式的第二文本均为指定的模板形式的第二文本库中的文本，从而使得生成的模板形式的第二文本更为合理，更具针对性等。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例所述方法的电子设备的框图。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/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器y01、存储器y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器y01为例。

存储器y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。

存储器y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器y01通过运行存储在存储器y02中的非瞬时软件程序、指令以及模块，从而执行服务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方法。

存储器y02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；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器y02可选包括相对于处理器y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。

电子设备还可以包括：输入装置y03和输出装置y04。处理器y01、存储器y02、输入装置y03和输出装置y04可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处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、专用集成电路、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。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

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，阴极射线管或者液晶显示器监视器)；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、广域网、区块链网络和互联网。

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，本申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。