文本处理方法、装置、电子设备和存储介质与流程

1.本公开涉及数据处理技术领域，尤其涉及深度学习技术领域和语义匹配技术领域，具体涉及一种文本处理方法、装置、电子设备和存储介质。


背景技术：

2.在nlp(natural language processing，自然语言处理)的诸多应用中，有很多应用都有在语义上衡量文本相似度的需求，我们将这类需求统称为语义匹配，此外，语义匹配的应用范围非常广，例如在搜索、问答系统、电商等。但目前基于如何获得较好的语义匹配效果的技术问题，尚未有解决方案。


技术实现要素：

3.本公开提供了一种文本处理方法、装置、电子设备和存储介质。
4.根据本公开的第一方面，提供了一种文本处理方法，包括：获取待查询的第一文本；对第一文本进行特征处理，得到第一特征向量；将第一特征向量与多个第二特征向量进行对比，确定与第一特征向量匹配的目标特征向量，其中，多个第二特征向量通过对目标卡片的至少两组特征向量进行特征交叉计算而得到；基于目标特征向量确定与第一文本匹配的查询结果。
5.根据本公开的第二方面，提供了一种文本处理装置，包括：获取模块，用于获取待查询的第一文本；特征处理模块，用于对第一文本进行特征处理，得到第一特征向量；对比模块，用于将第一特征向量与多个第二特征向量进行对比，确定与第一特征向量匹配的目标特征向量，其中，多个第二特征向量通过对目标卡片的至少两组特征向量进行特征交叉计算而得到；确定模块，用于基于目标特征向量确定与第一文本匹配的查询结果。
6.根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提出的文本处理方法。
7.根据本公开的第四方面，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，计算机指令用于使计算机执行本公开提出的文本处理方法。
8.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行本公开提出的文本处理方法。
9.在本公开的实施例中，提供了一种可以用于语义匹配的文本处理方法、装置、电子设备和存储介质。
10.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
11.附图用于更好地理解本方案，不构成对本公开的限定。其中：
12.图1是根据本公开实施例的一种文本处理方法的流程图；
13.图2是卡片信息在终端的显示界面上的示意图；
14.图3是根据本公开优选实施例的一种文本处理方法的流程图；
15.图4是根据本公开实施例的一种文本处理装置的结构示意图；
16.图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。
具体实施方式
17.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。
18.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
19.在相关技术的语义匹配技术中，通常采用以下三种方案解决：
20.方案一：采用传统的文本匹配技术，例如tf-idf(term frequency-inverse document frequency)、bm25(best matching 25)、jaccord、simhash等算法，其中，bm25算法通过网络文本字段对查询字段的覆盖程度来计算两者间的匹配得分，得分越高的网页与查询的匹配度更好。上述传统的文本匹配技术，主要解决词汇层面的匹配问题，或者说词汇层面的相似度问题。但上述传统的文本匹配技术只局限于“字面”程度上的匹配，得到的匹配结果并不理想，例如，“的士”和“出租车”虽然字面上不相似，但实际为同一种交通工具；“苹果”在不同的语境下表示不同的东西，或为水果或为公司；“机器学习”和“学习机器”虽然词汇完全重合，但表达的意思不同；“秦始皇打dota”，这句话虽从词法和句法上看均没问题，但结合知识看这句话是不对的。
21.方案二：采用语义分析技术(latent sementic analysis，简称lsa)中无监督的主题模型进行语义匹配，将语句映射到等长的低维连续空间，然后在此隐式的潜在语义空间上进行相似度计算，例如，plsa(probabilistic latent semantic analysis，概率潜在语义分析)、lda(latent dirichlet allocation，隐含狄利克雷分布)等高级概率模型。但方案二所提供的方式本质上是基于共现信息的训练，所达到的技术效果不能取代传统的文本匹配技术，只能作为传统文本匹配技术的补充。
22.方案三：采用深度语义匹配技术，包括：基于表示类型的模型(representation-based)，通过提取文本整体语义再进行匹配，双塔共享参数，将两文本映射到同一空间，才具有匹配意义，即在表整层进行编码，匹配层进行交互计算，例如siamese结构；基于交互类型的模型(interaction-based)，交互型模型摒弃后匹配的思路，在输入层就进行词语间的匹配，并将匹配的结果作为灰度图进行后续的建模，即交互层由两文本词与词构成交互矩
阵，表征层负责对交互矩阵进行抽象表征。但上述基于表示类型的模型虽然可以对文本预处理，构建索引，大幅度降低在线计算的耗时，但容易失去语义焦点，难以衡量词的上下文的重要性，造成语义漂移，而基于交互的模型虽然可以更好的把握语义交点，对上下文的重要性进行更好的建模，但容易忽视句法、句间对照等全局信息，无法由局部匹配信息刻画全局匹配信息。总的来说基于表示类型的模型处理效率更高，但语义匹配精度较低，基于交互类型的语义匹配精度较高，但由于建模更加细致，增加了大量的计算成本，导致处理效率较低。因此，相关技术中存在难以同时保证语义匹配精度和处理效率的技术问题。
23.为了解决上述技术问题，本公开提供了一种文本处理方法、装置、电子设备和存储介质，可以用于电商、问答系统、对话系统、机器翻译等可以根据用户需求进行动态内容推荐的场景中。
24.图1是根据本公开实施例的一种文本处理方法的流程图，如图1所示，该方法包括如下步骤：
25.步骤s101，获取待查询的第一文本。
26.具体地，第一文本可以是用户输入的文本信息，能够表征用户的需求的query。
27.步骤s102，对第一文本进行特征处理，得到第一特征向量。
28.具体地，可以使用百度文心(erine)模型对第一文本进行embedding(嵌入)抽取，得到与第一文本相应的embedding，再利用ploy encoder模型对上述与第一文本相应的embedding进行处理，基于每个与第一文本相应的embedding生成多个embedding，再根据第二特征向量动态的将上述多个embedding进行集成，得到第一特征向量。需要说明的是，第一特征向量可以根据用户输入的第一文本得到，因此，第一特征向量是用户侧向量。在一个可选实施例中，可以采用如下公式得到第一特征向量：
[0029][0030]
可以采用如下公式得到wi：
[0031][0032]
其中，第一特征向量yq，第二特征向量y
card
，每个与第一文本相应的embedding生成m个embedding，即wi是第二特征向量与第一文本相应的embedding生成的m个embedding中第i个embedding的attention(注意力)，m是一个大于0的整数。
[0033]
此外，poly encoder模型在实际部署时，可以离线计算所有第二特征向量，只需在线计算与第一文本相应的embedding生成m个embedding，再通过简单的dot product快速计算第一特征向量，因此，本公开可以达到提高处理处理效率的技术效果。
[0034]
步骤s103，将第一特征向量与多个第二特征向量进行对比，确定与第一特征向量匹配的目标特征向量，其中，多个第二特征向量通过对目标卡片的至少两组特征向量进行特征交叉计算而得到。
[0035]
具体地，用于生成向用户提供的信息的数据库中包括id(identity document，身份证件)类数据和文本类数据，需要对上述id类数据和文本类数据生成相应的embedding。其中，对于id类数据可以利用transformer encoder进行embedding抽取，生成与id类数据相应的embedding，对于文本类数据，可以利用百度文心(erine)模型对抽取与文本类数据相应的embedding，然后，在moe layer(mixtures of experts layer，混合专家层)对与id
类数据相应的embedding和与文本类数据相应的embedding进行特征混合，生成多个候选卡片的特征向量，即上述第二特征向量，再确定第一特征向量与多个第二特征向量的匹配分数，并基于匹配分数从多个第二特征向量中确定与第一特征向量对应的目标特征向量。
[0036]
需要说明的是，上述文本类数据属于待查询测的数据，可以是广告数据，也可以是用户需要的文本数据。
[0037]
步骤s104，基于目标特征向量确定与第一文本匹配的查询结果。
[0038]
具体地，将目标特征向量所表征的卡片信息组合，生成查询结果，并将该查询结果展示给输入第一文本的用户。
[0039]
在一个可选实施例中，用户输入的文本可以是一个关于疾病的问题，例如“肠胃病有什么症状”，需要展示给客户的卡片信息包括医生卡、疾病卡和文章卡。其中，医生卡中包括医生的名字、头像、标签以及该医生所精通的疾病与诊断手法；疾病卡中包括与疾病名称、该疾病相应的症状和相应的解决方案，文章卡中包括针对与该疾控相关的文章，需要说明的该文章中也可以包括相应的附图信息。目标特征向量中包含表征上述三种卡片信息的卡片向量，基于目标特征向量获取相应的卡片信息，按照预设的显示方式，将三种卡片信息显示给用户，如图2所示，图2是卡片信息在终端的显示界面上的示意图。
[0040]
在本公开上述实施例中，获取待查询的第一文本；对第一文本进行特征处理，得到第一特征向量；将第一特征向量与多个第二特征向量进行对比，确定与第一特征向量匹配的目标特征向量；基于目标特征向量确定与第一文本匹配的查询结果。容易注意到的是，第一特征向量是用户侧的特征，第二特征向量是查询侧的特征向量，本公开可以将查询侧的特征和内容侧的特征同时进行处理，可以进行全局处理，从而解决了难以同时保证语义匹配精度和处理效率的技术问题，进而达到了提高查询结果的精确度。
[0041]
可选地，对第一文本进行特征处理，得到第一特征向量，包括：对第一文本进行特征处理，得到多个第三特征向量，其中，多个第三特征向量的编码方式不同；对多个第三特征向量进行集成处理，得到第一特征向量。
[0042]
具体地，第三特征向量可以embedding，通过使用百度文心(erine)模型对第一文本进行embedding(嵌入)抽取，得到与第一文本相应的embedding，再利用ploy encoder模型对上述与第一文本相应的embedding进行处理，基于每个与第一文本相应的embedding所生成多个embedding。上述集成处理可以是得到基于单个第一文本得到的多个第三第三向量后，计算每个第三特征向量的attention，然后将第三特征向量于其相应的attention的乘积累加，得到第一特征向量。需要说明的是，第三特征向量可以是采用不同的编码器(即transformer)生成的。在一个可选实施例中，wi为基于单个第一文本所生成的第i个第三特征向量的attention，第一特征向量为yq，第三特征向量为可以采用公式：得到第一特征向量。
[0043]
在上述可选实施例中，采用多个第三特征向量进行集成处理，得到第一特征向量，相比于表示型模型仅采用单个向量表示用户侧特征向量，可以达到提高匹配精度的技术效果。
[0044]
可选地，第一文本进行特征处理，得到多个第三特征向量，其中，多个第三特征向量的编码方式不同，包括：利用第一模型对第一文本进行特征编码，得到多个第三特征向
量，其中，第一模型包括多个特征编码器，多个特征编码器中的每个特征编码器编码方式不同。
[0045]
具体地，第一模型可以是poly encoder模型，第一模型可以基于单个第一文本生成多个第三特征向量。特征编码器可以是transformer，在poly encoder模型中使用transformer，可以基于单个第一文本进行编码，生成多个第三特征向量。poly encoder可以包括多个transformer，并且poly encoder模型中的transformer可以以并联的方式连接，也可以以串联的方式连接。此外，transformer还可以是一个基于自注意力机制的深度学习模型。
[0046]
在上述可选实施例中，第一模型可以基于单个第一文本生成多个第三特征向量，相比于表示型模型仅采用单个向量表示用户侧特征向量，可以达到提高匹配精度的技术效果。
[0047]
可选地，该方法还包括：获取至少一个目标卡片，其中，目标卡片至少包括标识信息和文本信息，标识信息用于描述目标卡片的类别，文本信息用于描述目标卡片的内容；至少对标识信息和文本信息分别进行特征提取，得到目标卡片的至少两组特征向量；对目标卡片的至少两组特征向量进行特征交叉计算，并基于计算结果得到多个第二特征向量。
[0048]
具体地，目标卡片可以是内容侧信息存储的一种形式，每张卡片中包含相应的文本信息与标识信息，其中，标识信息可以是id类特征，标识信息包括但不限于userid、categoryid与cardid，其中，userid可以标识广告主，categoryid可以标识该卡片所属的类别，cardid可以标识该卡片。文本信息包括卡片上的内容信息，例如，若该卡片是医生卡，则该卡片上的文本信息可以是对一名医生进行介绍的介绍文本。一组特征向量可以是基于标识信息，利用transformer encoder进行embedding抽取，所生成的与标识信息相应的embedding，也可以是基于文本信息，利用百度文心(erine)模型对抽取与文本信息相应的embedding。然后，将上述至少两组特征向量传输至在moe layer(mixtures of experts layer，混合专家层)中，在moe layer对上述至少两组特征向量进行特征混合，针对高频出现的卡片重记忆，针对低频/没出现的卡片重泛化，得到多个候选卡片向量，即上述第二特征向量。
[0049]
在上述可选实施例中，使用专家混合模型对大量特征数据进行特征混合，进而达到了高匹配精度的技术效果。
[0050]
可选地，对目标卡片的至少两组特征向量进行特征交叉，并基于计算结果得到多个第二特征向量，包括：利用多个第二模型对至少两组特征向量进行特征交叉，得到多个输出结果，其中，多个输出结果与多个第二模型对应；获取多个输出结果对应的多个目标权重值；基于门控函数和多个目标权重值确定多个输出结果中的目标输出结果；基于目标输出结果确定多个第二特征向量。
[0051]
具体地，一组特征向量可以是基于标识信息，利用transformer encoder进行embedding抽取，所生成的与标识信息相应的embedding，也可以是基于文本信息，利用百度文心(erine)模型对抽取与文本信息相应的embedding。然后，将上述至少两组特征向量传输至在moe layer(mixtures of experts layer，混合专家层)中，在moe layer对上述至少两组特征向量进行特征混合，得到多个输出结果。需要说明的是，moe layer中包含多个专家模型，第二模型可以是moe layer中的专家模型。每个专家模型处理至少一组数据，多个
专家模型处理多组数据，得到多个输出结果，该输出结果中包括权重值。然后，基于门控函数和输出结果中的权重值计算出第二特征向量。
[0052]
在一个可选实施例中，门控函数的结构可以是一个维度为n的softmax函数。此外，若将moe结构应用到transformer中，则将transformer(transformer是一种seq2seq模型)中的每一层fnn(feed-forward neural network，前馈神经网络)模块替换为多个fnn模块作为专家模型，以及加上gating门控。
[0053]
在上述可选实施例中，使用专家混合模型对大量特征数据进行特征混合，进而达到了提高匹配精度的技术效果。
[0054]
可选地，该方法还包括：基于目标特征向量确定与第一文本匹配的查询结果，包括：利用第三模型基于目标特征向量确定与第一文本对应的查询结果，其中，第三模型使用训练样本通过机器学习训练得到，训练样本包括：查询样本数据、查询样本数据对应的查询结果。
[0055]
具体地，第三模型可以是训练后成熟的匹配模型，用于基于第一文本所生成的第一特征向量从多个第二特征向量中确定目标特征向量，上述查询结果为目标特征向量所表征的信息。此外，可以通过listwise构建训练样本，使用该训练样本训练该匹配模型，得到训练后的成熟的匹配模型，即第三模型。然后，利用第三模型确定与第一文本匹配的查询结果。
[0056]
在一个可选实施例中，查询样本数据可以文本信息，查询样本数据可以是多张卡片信息，查询结果是需要需要展示给客户的卡片信息，例如，文本信息是“肠胃病有什么症状”，卡片信息包括多张医生卡、疾病卡和文章卡，最终得到的查询结果是与“肠胃病有什么症状”相应的医生卡、疾病卡和文章卡。在上述可选实施例中，采用listwise训练得到的匹配模型确定第一文本的查询结果，达到了提高匹配精度的技术效果。
[0057]
可选地，该方法还包括：获取查询样本数据和查询样本数据对应的查询结果，其中，查询结果包括至少一个样本卡片；对查询结果中的至少一个样本卡片进行评分，得到评分结果，其中，评分结果用于确定至少一个样本卡片中待展示的样本卡片；基于评分结果更新第三模型的模型参数。
[0058]
在一个可选实施例中，listwise是将每个第一文本对应的所有卡片结果列表作为一个训练样例，即上述样本数据，根据训练样例训练得到最优评分函数f，然后，在接收到新待查询的第一文本后，利用评分函数f对该新的待查询的第一文本的所有卡片打分，得到上述评分结果。
[0059]
在上述可选实施例中，采用listwise训练得到的匹配模型确定第一文本的查询结果，达到了提高匹配精度的技术效果。
[0060]
可选地，基于评分结果更新第三模型的模型参数，包括：基于评分结果对待展示的样本卡片进行排序，得到排序结果，其中，排序结果用于确定待展示的样本卡片中每个样本卡片的展示顺序；基于排序结果更新第三模型的模型参数。
[0061]
在一个可选实施例中，卡片根据卡片得分由高到低排序，得到最终的排序结果。即使用cvr(conversion rate，转化率)作为卡片列表list中的排序指标，将卡片list中的卡片按照cvr从高到低排列。此外，在该模型的排序过程中，将list中cvr归一化后的值作为label(标签)，使用预测结果softmax(softmax是一个归一化函数)后的值作为predict(预
测值)，优化两者之间的k-l散度(kullback-leibler divergence，相对熵)，同时使用ndcg(normailazed discounted cumulative gain，归一化折损累计增益)作为优化指标。
[0062]
在上述可选实施例中，达到了提高匹配精度的技术效果。
[0063]
在本公开的一个优选实施例中，如图3所述，图3左侧为对用户侧的处理，可以从用户端获取待查询文本后，emb1、emb2
……
embn所表征的是基于待查询文本所生成的多个embedding，其中，每基于一个query，生成m(m是一个大于0的整数)个embedding，由于可以从用户端接收多个query，得到多个embedding，但每次处理时，仅从基于query生成的多个embedding中抽取基于一个query生成的m个embedding传输至注意力模块进行处理。图3的右侧为对内容侧的处理，内容侧包括id类信息和文本类信息，图3中所示的userid、categoryid与cardid为id类信息，cardtext为文本类信息，利用百度文心模型抽取文本类信息对应的embedding，采用transformer模型中的emb layer层抽取id类信息的embedding。再将所抽取的特征传输至moe层中，进行特征混合，得到候选卡片向量，其中ffn1、ffn2……
ffnn可以是transformer的中多个ffn模块，其中每个ffn模块标识moe中的一个expert，图3中所示gating为门控函数。然后，利用候选卡片向量传输至注意力模块，在注意力模块中，基于一个待查询文本生成的m个embedding和候选卡片向量，得到相应的注意力值，即attention，再得到用户动态特征向量，最终基于用户动态特征向量和候选卡片向量得到选卡片向量与用户特征向量的匹配分数。
[0064]
根据本公开实施例，还提供了一种文本处理装置的实施例，本实施例中具体的实施方式与可选的实施例与上述实施例中相似或者相同，在此不做赘述。
[0065]
图4是根据本公开实施例的一种文本处理装置的结构示意图，如图4所示，该装置包括：
[0066]
获取模块41，用于获取待查询的第一文本。
[0067]
特征处理模块42，用于对第一文本进行特征处理，得到第一特征向量。
[0068]
对比模块43，用于将第一特征向量与多个第二特征向量进行对比，确定与第一特征向量匹配的目标特征向量，其中，多个第二特征向量通过对目标卡片的至少两组特征向量进行特征交叉计算而得到。
[0069]
确定模块44，用于基于目标特征向量确定与第一文本匹配的查询结果。
[0070]
本公开上述实施例中，获取待查询的第一文本；对第一文本进行特征处理，得到第一特征向量；将第一特征向量与多个第二特征向量进行对比，确定与第一特征向量匹配的目标特征向量；基于目标特征向量确定与第一文本匹配的查询结果。容易注意到的是，第一特征向量是用户侧的特征，第二特征向量是查询侧的特征向量，本公开可以将查询侧的特征和内容侧的特征同时进行处理，可以进行全局处理，从而解决了难以同时保证语义匹配精度和处理效率的技术问题，进而达到了提高查询结果的精确度。
[0071]
可选地，特征处理模块42包括：
[0072]
处理子模块，用于对第一文本进行特征处理，得到多个第三特征向量，其中，多个第三特征向量的编码方式不同
[0073]
集成子模块，用于对多个第三特征向量进行集成处理，得到第一特征向量。
[0074]
可选地，处理子模块还用于利用第一模型对第一文本进行特征编码，得到多个第三特征向量，其中，第一模型包括多个特征编码器，多个特征编码器中的每个特征编码器编
码方式不同。
[0075]
可选地，该装置还包括：
[0076]
卡片获取模块，用于获取至少一个目标卡片，其中，所述目标卡片至少包括标识信息和文本信息，所述标识信息用于描述所述目标卡片的类别，所述文本信息用于描述所述目标卡片的内容。
[0077]
特征提取模块，用于至少对所述标识信息和所述文本信息分别进行特征提取，得到所述目标卡片的至少两组特征向量。
[0078]
特征交叉模块，用于对目标卡片的至少两组特征向量进行特征交叉计算，并基于计算结果得到多个第二特征向量。
[0079]
可选地，特征交叉模块包括：
[0080]
第一输出子模块，用于利用多个第二模型对至少两组特征向量进行特征交叉，得到多个输出结果，其中，多个输出结果与多个第二模型对应。
[0081]
权重获取子模块，用于获取多个输出结果对应的多个目标权重值。
[0082]
目标确定子模块，用于基于门控函数和多个目标权重值确定多个输出结果中的目标输出结果。
[0083]
向量确定子模块，用于基于目标输出结果确定多个第二特征向量。
[0084]
可选地，确定模块44还用于利用第三模型基于目标特征向量确定与第一文本对应的查询结果，其中，第三模型使用训练样本通过机器学习训练得到，训练样本包括：查询样本数据、查询样本数据对应的查询结果。
[0085]
可选地，该装置还包括：
[0086]
查询获取模块，用于获取查询样本数据和查询样本数据对应的查询结果，其中，查询结果包括至少一个样本卡片。
[0087]
评分模块，用于对查询结果中的至少一个样本卡片进行评分，得到评分结果，其中，评分结果用于确定至少一个样本卡片中待展示的样本卡片。
[0088]
更新模块，用于基于评分结果更新第三模型的模型参数。
[0089]
可选地，更新模块包括：
[0090]
排序子模块，用于基于评分结果对待展示的样本卡片进行排序，得到排序结果，其中，排序结果用于确定待展示的样本卡片中每个样本卡片的展示顺序。
[0091]
参数更新单元，用于基于排序结果更新第三模型的模型参数。
[0092]
根据本公开的实施例，本公开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。
[0093]
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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/或者要求的本公开的实现。
[0094]
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。
[0095]
设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。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。
[0096]
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，例如数据处理方法。例如，在一些实施例中，数据处理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数据处理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)而被配置为执行数据处理方法。
[0097]
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。
[0098]
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。
[0099]
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。
[0100]
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。
[0101]
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。
[0102]
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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0103]
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，本发公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0104]
上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。