确定文本中要素关系的方法、装置、设备和介质与流程

1.本公开涉及人工智能技术领域，尤其涉及深度学习、知识图谱、自然语言处理技术领域，具体涉及一种确定文本中要素关系的方法、装置、设备和介质。


背景技术：

2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.确定文本中两个要素之间的要素关系是自然语言处理领域中完成语义理解任务时的一个常见问题。但现有的依赖知识库和规则模板挖掘的方法的召回率低，泛化能力不足，并且建立知识库和规则模板的成本高昂。
4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

5.本公开提供了一种确定文本中要素关系的方法、装置、设备和介质。
6.根据本公开的一方面，提供了一种由计算机实现的利用神经网络模型确定文本中要素关系的方法，包括：获取待处理文本中的第一要素和第二要素；至少基于所述待处理文本、第一要素和第二要素构造模型输入；以及获取所述神经网络模型基于所述模型输入所输出的预测结果，所述预测结果能够表征第一要素和第二要素之间的要素关系。
7.根据本公开的另一方面，提供了一种由计算机实现的用于确定文本中要素关系的神经网络模型的训练方法，包括：获取样本文本所包括的第一样本要素和第二样本要素，并标注所述第一样本要素和第二样本要素之间的真实要素关系；至少基于所述样本文本和所述第一样本要素和所述第二样本要素，构建模型样本输入；以及利用所述模型样本输入对所述神经网络模型进行训练。
8.根据本公开的另一方面，提供了一种文本要素关系确定装置，包括：获取单元，被配置用于获取待处理文本中的第一要素和第二要素；构造单元，被配置用于至少基于所述待处理文本、第一要素和第二要素构造模型输入；以及神经网络，被配置用于基于所述模型输入，输出预测结果，所述预测结果能够表征第一要素和第二要素之间的要素关系。
9.根据本公开的另一方面，提供了一种神经网络模型训练装置，包括：标注单元，被配置用于获取样本文本所包括的第一样本要素和第二样本要素，并标注所述第一样本要素和第二样本要素之间的真实要素关系；构建单元，被配置用于至少基于所述样本文本和所述第一样本要素和所述第二样本要素，构建模型样本输入；以及训练单元，被配置用于利用
所述模型样本输入对所述神经网络模型进行训练。
10.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上述确定文本中要素关系的方法或神经网络模型的训练方法。
11.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，其中，所述计算机指令用于使所述计算机执行上述确定文本中要素关系的方法或神经网络模型的训练方法。
12.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，其中，所述计算机程序在被处理器执行时实现上述确定文本中要素关系的方法或神经网络模型的训练方法。
13.根据本公开的一个或多个实施例，通过至少基于待处理文本及其所包括的两个要素构造模型输入，并且将该模型输入输入训练好的神经网络模型，以输出能够表征待处理文本中的两个要素之间的要素关系的预测结果，从而使得神经网络模型能够在理解要素所在文本的上下文语义信息的情况下，结合要素来确定待处理文本中的两个要素之间的要素关系。此外，由于使用了神经网络模型，使得模型的召回率与泛化能力得到提升，并降低模型的构建成本。
14.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
15.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
16.图1示出了根据本公开的实施例的确定文本中要素关系的方法的流程图；
17.图2示出了根据本公开的实施例的神经网络模型的训练方法的流程图；
18.图3示出了根据本公开的实施例的文本要素关系确定装置的结构框图；
19.图4示出了根据本公开的实施例的神经网络模型训练装置的结构框图；以及
20.图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
21.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。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。
22.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
23.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
24.相关技术中，基于知识图谱或专家构造的规则模板确定文本中两个要素之间的要素关系的方法召回率低、泛化能力弱，并且由于预测结果非常依赖知识图谱和规则模板的完整度、丰富度和准确性，因此知识图谱和规则模板的构建成本高昂。
25.为解决上述问题，本公开通过至少基于待处理文本及其所包括的两个要素构造输入，并获取神经网络模型基于该输入所输出的预测结果，使得神经网络模型能够在理解语义的情况下确定待处理文本中的两个要素间的要素关系。此外，由于使用了神经网络模型，使得模型的召回率与泛化能力得到提升，并降低模型的构建成本。
26.下面将结合附图详细描述本公开的实施例。
27.图1是示出根据本公开示例性实施例的确定文本中要素关系的方法的流程图。如图1所示，确定文本中要素关系的方法可以包括：步骤s101、获取待处理文本中的第一要素和第二要素；步骤s102、至少基于所述待处理文本、第一要素和第二要素构造模型输入；以及步骤s103、获取所述神经网络模型基于所述模型输入所输出的预测结果，所述预测结果能够表征第一要素和第二要素之间的要素关系。由此，通过至少基于待处理文本及其所包括的两个要素构造模型输入，并且将该模型输入输入训练好的神经网络模型，以输出能够表征待处理文本中的两个要素之间的要素关系的预测结果，从而使得神经网络模型能够在理解要素所在文本的上下文语义信息的情况下，结合要素来确定待处理文本中的两个要素之间的要素关系。此外，由于使用了神经网络模型，使得模型的召回率与泛化能力得到提升，并降低模型的构建成本。
28.根据一些实施例，待处理文本可以为医疗病历文本。要素例如可以为疾病、症状、检查项目、检查结果、手术和药物。要素关系例如可以为疾病和症状关系、疾病和检查关系、疾病和手术关系、疾病和药物关系和症状伴随关系。示例性的，在医疗病历文本“患者3天前无诱因出现面部发红，为双侧面颊部对称性红斑，平于皮面，脱屑、瘙痒，日晒后加重、反复口腔溃疡等，为进一步诊治，经门诊收住入院。”中，第一要素“双侧面颊部对称性红斑”为主要症状，第二要素“脱屑”为伴随症状，第一要素和第二要素之间的要素关系为伴随关系。
29.根据一些实施例，至少基于所述待处理文本、第一要素和第二要素构造模型输入可以包括：将待处理文本、第一要素和第二要素进行拼接，得到拼接文本。由此，通过使用上述拼接文本作为输入，能够得到神经网络模型输出的针对分类任务的结果。在拼接时，可以在待处理文本和第一要素间与第一要素和第二要素间插入分割符。示例性的，针对医疗病历文本“患者3天前无诱因出现面部发红，为双侧面颊部对称性红斑，平于皮面，脱屑、瘙痒，日晒后加重、反复口腔溃疡等，为进一步诊治，经门诊收住入院。”，输入可以为“患者3天前无诱因出现面部发红，为双侧面颊部对称性红斑，平于皮面，脱屑、瘙痒，日晒后加重、反复口腔溃疡等，为进一步诊治，经门诊收住入院。||双侧面颊部对称性红斑||脱屑”，则神经网络模型可以输出结果“伴随关系”。可以理解的是，可以以其他方式构造神经网络模型的输入，以使得神经网络模型能够解决分类问题。
30.根据一些实施例，至少基于所述待处理文本、第一要素和第二要素构造模型输入
可以包括：基于预设要素关系，按照预设规则构建针对第一要素和第二要素是否为所述预设要素关系的询问文本。模型输入包括待处理文本和询问文本，预测结果包括第一要素和第二要素是否为预设要素关系的确认结果。由此，通过使用上述包括待处理文本和询问文本的输入，能够得到神经网络模型输出的针对询问文本的结果。例如可以将待处理文本和询问文本进行拼接，并在待处理文本和询问文本之间插入分隔符。示例性的，针对医疗病例文本“患者3天前无诱因出现面部发红，为双侧面颊部对称性红斑，平于皮面，脱屑、瘙痒，日晒后加重、反复口腔溃疡等，为进一步诊治，经门诊收住入院。”，输入可以为“患者3天前无诱因出现面部发红，为双侧面颊部对称性红斑，平于皮面，脱屑、瘙痒，日晒后加重、反复口腔溃疡等，为进一步诊治，经门诊收住入院。||双侧面颊部对称性红斑与脱屑之间是否为伴随关系？”，则神经网络模型可以输出结果“是”。可以理解的是，可以以其他方式构造神经网络模型的输入，以使得神经网络模型能够解决阅读理解问题。
31.根据一些实施例，预测结果可以包括第一要素和第二要素之间的预测要素关系。例如当神经网络模型的输入为上述拼接文本时，预测结果可以是多个二分类或一个多分类结果，以表征拼接文本中包括的两个要素之间的要素关系；当神经网络模型的输入为上述询问文本时，预测结果可以是针对询问文本问句的答句。可以理解的是，可以针对以不同方式构造的神经网络模型的输入得到以不同方式表征第一要素和第二要素在当前文本中的预测要素关系的预测结果，在此不做限定。
32.根据一些实施例，确定文本中要素关系的方法还可以包括：在将所述模型输入输入神经网络模型之前，在知识图谱中查询所述第一要素和第二要素之间的要素关系。将所述模型输入输入神经网络模型为基于响应于确定在知识图谱中未查询到所述第一要素和第二要素之间的要素关系而执行。由此，通过先使用知识图谱查询再使用神经网络模型进行预测的方式，可以同时发挥知识图谱的高准确率和查询速度快的优势和神经网络模型的召回率高、泛化能力强的优势，进一步提升确定文本中要素关系的方法的效率等性能。可以理解的是，在将模型输入输入神经网络模型之前，还可以基于专家构造的规则模板进行边关系挖掘以得到文本中要素的关系。
33.利用本公开的技术方案，所确定的医疗病历文本中的伴随关系的精确率precision可达到0.95，召回率recall可达到0.92，f1值可达到0.93。其中，精确率表示正确预测正样本占实际预测为正样本的比例，召回率表示正确预测正样本占正样本的比例，f1值用于总和评估精确率和召回率，具体为召回率的倒数与精确率的倒数的和的倒数乘以二，即：
[0034][0035]
根据本公开的另一方面，提供了一种由计算机实现的用于确定文本中要素关系的神经网络模型的训练方法。如图2所示，训练方法可以包括：步骤s201、获取样本文本所包括的第一样本要素和第二样本要素，并标注所述第一样本要素和第二样本要素之间的真实要素关系；步骤s202、至少基于所述样本文本和所述第一样本要素和所述第二样本要素，构建模型样本输入；以及步骤s203、利用所述模型样本输入对所述神经网络模型进行训练。由此，通过上述训练方式，使得训练好的神经网络模型能够接收至少基于待处理文本及其所
包括的两个要素构建的模型样本输入，以输出能够表征待处理文本中的两个要素之间的要素关系的预测结果，并且能够在理解要素所在文本的上下文语义信息的情况下，结合要素来确定待处理文本中的两个要素之间的要素关系。
[0036]
根据一些实施例，样本文本可以为医疗病历文本。要素例如可以为疾病、症状、检查项目、检查结果、手术和药物。要素关系例如可以为疾病和症状关系、疾病和检查关系、疾病和手术关系、疾病和药物关系和症状伴随关系。
[0037]
根据一些实施例，标注所述第一样本要素和第二样本要素之间的真实要素关系可以包括：基于知识图谱确定所述第一样本要素和第二样本要素之间真实要素关系。由此，通过基于知识图谱确定两个样本要素之间的真实要素关系，能够自动生成大量的预标注正例训练样本，从而实现预标注的过程。可以理解的是，还可以基于专家构造的规则模板进行边关系挖掘以自动生成大量预标注正例训练样本。
[0038]
在基于知识图谱确定第一样本要素和第二样本要素之间的真实要素关系之前，可以先对要素进行识别。示例性的，样本文本为医疗病例文本，可以根据已有的医疗自然语言理解(natural language understanding,nlu)工具对样本文本进行要素识别，以得到样本文本中的多个要素。
[0039]
根据一些实施例，训练方法还可以包括：基于第一样本要素和第二样本要素之间的真实要素关系，生成相关的负样本文本。在使用基于知识图谱的方法和基于专家构造的规则模板的方法生成正例训练样本时，可以将包括两个或以上要素但要素之间的要素关系为“无关系”的文本作为预标注负例训练样本。由此，通过使用上述方法生成大量负例，能够使得训练数据集尽可能的均衡，从而避免由数据集不均衡带来的召回率低、泛化能力差等问题。
[0040]
根据一些实施例，在预标注阶段完成后，可以将上述预标注正例训练样本和预标注负例训练样本提供给标注人员进行进一步标注，以生成训练样本。由此，通过使用预标注和标注结合的方式对样本文本中所包括的要素之间的关系进行标注，能够在降低标注成本下生成大量准确标注的训练样本。示例性的，一共标注10,000条训练样本，并且正例训练样本和负例训练样本的比例约为1:1。
[0041]
根据一些实施例，至少基于所述样本文本和所述第一样本要素和所述第二样本要素，构建模型样本输入可以包括：将样本文本、第一样本要素和第二样本要素进行拼接，得到拼接文本。由此，通过利用使用上述方式构造的模型样本输入对神经网络模型进行训练，使得神经网络模型能够输出准确的针对分类任务的结果，从而使得神经网络模型能够解决分类问题。
[0042]
根据一些实施例，至少基于所述样本文本和所述第一样本要素和所述第二样本要素，构建模型样本输入可以包括：基于预设要素关系，按照预设规则构建针对第一样本要素和第二样本要素是否为所述预设要素关系的询问文本。模型输入包括所述样本文本和询问文本，神经网络模型基于所述模型样本输入所输出的预测结果包括第一样本要素和第二样本要素是否为预设要素关系的确认结果。由此，通过利用使用上述方式构造的模型样本输入对神经网络模型进行训练，使得神经网络模型能够输出准确的针对询问任务的结果，从而使得神经网络模型能够解决阅读理解问题。
[0043]
根据一些实施例，神经网络模型基于所述模型样本输入所输出的预测结果可以包
括第一要素和第二要素之间的预测要素关系。例如当神经网络模型的输入为上述拼接文本时，预测结果可以是多个二分类或一个多分类结果，以表征拼接文本中包括的两个要素之间的要素关系；当神经网络模型的输入为上述询问文本时，预测结果可以是针对询问文本问句的答句。可以理解的是，可以针对以不同方式构造的神经网络模型的输入得到以不同方式表征第一要素和第二要素在当前文本中的预测要素关系的预测结果，在此不做限定。
[0044]
根据一些实施例，步骤s203、利用所述模型样本输入对所述神经网络模型进行训练可以包括：利用所述模型样本输入对自然语言处理预训练模型进行微调，得到用于确定文本中要素关系的所述神经网络模型。由此，通过使用自然语言处理预训练模型，可以大幅提升神经网络模型处理文本、理解语义并判断要素关系的能力，而使用微调方法使得神经网络模型可以更有针对性地处理当前应用场景下的自然语言文本。此外，相比于特征集成的方法，微调能够直接在神经网络上进行训练，以针对性地修正与训练阶段获得的网络参数。
[0045]
根据一些实施例，自然语言处理预训练模型可以选择以下模型中任意一个：文心(ernie)、文心—健康(ernie
‑
health)、bert、gpt和transformer。自然语言处理模型也可以选择这些模型的改进、演化版本，例如ernie 2.0、roberta、gpt
‑
2、gpt
‑
3等等，还可以使用其他的预训练模型，在此不做限定。
[0046]
根据本公开的另一方面，提供了一种文本要素关系确定装置。如图3所示，文本要素关系确定300可以包括：获取单元301，被配置用于获取待处理文本中的第一要素和第二要素；构造单元302，被配置用于至少基于所述待处理文本、第一要素和第二要素构造模型输入；以及神经网络303，被配置用于基于所述模型输入，输出预测结果，所述预测结果能够表征第一要素和第二要素之间的要素关系。
[0047]
文本要素关系确定装置300的单元301
‑
单元303的操作分别与前面描述的步骤s101
‑
步骤s103的操作类似，在此不做赘述。
[0048]
根据本公开的另一方面，提供了一种神经网络模型训练装置。如图4所示，神经网络模型训练装置400包括：标注单元401，被配置用于获取样本文本所包括的第一样本要素和第二样本要素，并标注所述第一样本要素和第二样本要素之间的真实要素关系；构建单元402，被配置用于至少基于所述样本文本和所述第一样本要素和所述第二样本要素，构建模型样本输入；以及训练单元403，被配置用于利用所述模型样本输入对所述神经网络模型进行训练。
[0049]
神经网络模型训练装置400的单元401
‑
单元403的操作分别与前面描述的步骤s201
‑
步骤s203的操作类似，在此不做赘述。
[0050]
根据本公开的实施例，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。
[0051]
参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。
[0052]
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0053]
设备500中的多个部件连接至i/o接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备，输入单元506可以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和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、1302.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
[0054]
计算单元501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501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501执行上文所描述的各个方法和处理，例如确定文本中要素关系的方法或神经网络模型的训练方法。例如，在一些实施例中，确定文本中要素关系的方法或神经网络模型的训练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508。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram 503并由计算单元501执行时，可以执行上文描述的确定文本中要素关系的方法或神经网络模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定文本中要素关系的方法或神经网络模型的训练方法。
[0055]
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。
[0056]
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。
[0057]
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。
[0058]
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。
[0059]
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。
[0060]
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。
[0061]
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、也可以顺序地或以不同的次序执行，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。
[0062]
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。