一种文档的分析方法、装置、电子设备及存储介质与流程

本申请涉及计算机技术领域，具体而言，涉及一种文档的分析方法、装置、电子设备及存储介质。

背景技术：

随着机器学习的发展进步，其已经可以实现利用机器学习进行qa问答。比如，模型利用自注意力机制处理问题以及问题所对应的文档，则可以从文档中确定出该问题所对应的答案。

但是这种技术的应用还比较粗糙，确定出的答案的准确度也不够，导致其实际应用受限。

技术实现要素：

本申请实施例的目的在于提供一种文档的分析方法、装置、电子设备及存储介质，用以实现提高机器oa问答的准确度，以提高其在实际中的适用性。

第一方面，本申请实施例提供了一种文档的分析方法，所述方法包括：获取问题以及用于回答所述问题的文档；利用预设的文档分析模型分析所述问题以及所述文档，从所述文档中确定出所述问题的初步答案；利用预设的答案处理模型处理所述初步答案，获得所述问题的最终答案。

在本申请实施例中，在通过文档分析模型确定出问题的初步答案后，再利用答案处理模型对初步答案做进一步处理，能够得到更精准的答案，故提高了机器oa问答的准确度，进而提高了其在实际中的适用性。

结合第一方面，在第一种可能的实现方式中，所述初步答案为多个，利用预设的答案处理模型处理所述初步答案，获得所述问题的最终答案，包括：利用所述答案处理模型将多个所述初步答案融合，获得所述最终答案；或者，利用所述答案处理模型基于所述问题对多个所述初步答案进行筛选，以从多个所述初步答案中选择出所述最终答案。

在本申请实施例中，针对实际应用场景的不同，其进一步处理的方式也有所不同，比如可以选择融合或者筛选，故进一步提高了方案在实际中的适用性。

结合第一方面，在第二种可能的实现方式中，利用预设的答案处理模型处理所述初步答案，获得所述问题的最终答案，包括：利用所述答案处理模型基于所述问题修正所述初步答案中的部分内容，获得所述最终答案。

在本申请实施例中，通过直接对初步答案中的部分内容进行修正，可直接将不准确的内容调整到准确，从而实现直接快速的修正答案。

结合第一方面，在第三种可能的实现方式中，所述方法应用于服务器，获取问题以及用于回答所述问题的文档，包括：所述服务器获取web端发送的所述问题以及所述文档的编号；所述服务器利用所述编号查询预设的数据库，以获得所述文档。

在本申请实施例中，由于获取的是问题以及文档的编号，其数据量很小，可以节约服务器与web端之间通信的带宽。

结合第一方面，在第四种可能的实现方式中，所述文档分析模型包括类型不同的多个子模型，利用预设的文档分析模型分析所述问题以及所述文档，从所述文档中确定出所述问题的初步答案，包括：利用每个所述子模型处理所述问题以及所述文档，获得每个所述子模型输出的所述问题的初步答案。

在本申请实施例中，由于子模型有多个，通过多个不同类型的子模型处理，则可以得到多个初步答案。而通过对多个初步答案进行进一步处理则可以得到更准确的最终答案。

结合第一方面，在第五种可能的实现方式中，利用预设的文档分析模型分析所述问题以及所述文档，从所述文档中确定出所述问题的初步答案，包括：将所述文档分割成多个部分；将每个所述部分均连同所述问题打包，获得一条打包数据；利用所述文档分析模型分析多条所述打包数据，获得所述初步答案。

在本申请实施例中，通过将每个部分均连同问题打包，使得文档分析模型处理的每个打包数据中都包含该问题，使得文档分析模型处理后能够输出的更准确的答案。

结合第一方面或前述的任一种可能的实现方式，在第六种可能的实现方式中，在获得所述最终答案之后，所述方法还包括：利用所述问题、所述文档以及所述最终答案，训练优化所述文档分析模型。

在本申请实施例中，在获得最终答案后则直接对文档分析模型进行优化分析，实现了实际使用与训练同步进行，提高了模型训练的效率。

第二方面，本申请实施例提供了一种文档的分析装置，所述装置包括：获取模块，用于获取问题以及用于回答所述问题的文档；处理模块，用于利用预设的文档分析模型分析所述问题以及所述文档，从所述文档中确定出所述问题的初步答案；利用预设的答案处理模型处理所述初步答案，获得所述问题的最终答案。

结合第二方面，在第一种可能的实现方式中，所述初步答案为多个，所述处理模块，用于利用所述答案处理模型将多个所述初步答案融合，获得所述最终答案；或者，利用所述答案处理模型基于所述问题对多个所述初步答案进行筛选，以从多个所述初步答案中选择出所述最终答案。

结合第二方面，在第二种可能的实现方式中，所述处理模块，用于利用所述答案处理模型基于所述问题修正所述初步答案中的部分内容，获得所述最终答案。

结合第二方面，在第三种可能的实现方式中，所述装置应用于服务器，所述处理模块，用于所述服务器获取web端发送的所述问题以及所述文档的编号；所述服务器利用所述编号查询预设的数据库，以获得所述文档。

结合第二方面，在第四种可能的实现方式中，所述文档分析模型包括类型不同的多个子模型，所述处理模块，用于利用每个所述子模型处理所述问题以及所述文档，获得每个所述子模型输出的所述问题的初步答案。

结合第二方面，在第五种可能的实现方式中，所述处理模块，用于将所述文档分割成多个部分；将每个所述部分均连同所述问题打包，获得一条打包数据；利用所述文档分析模型分析多条所述打包数据，获得所述初步答案。

结合第二方面或前述的任一种可能的实现方式，在第六种可能的实现方式中，在获得所述最终答案之后，所述处理模块，还用于利用所述问题、所述文档以及所述最终答案，训练优化所述文档分析模型。

第三方面，本申请实施例提供了一种电子设备，包括：总线；存储器，用于存储程序；处理器，通过所述总线连接所述存储器，用于调用所述程序，以执行如第一方面或第一方面的任一种可能的实现方式所述的文档的分析方法。

第四方面，本申请实施例提供了一种非易失计算机可读储存介质，存储有程序代码，当所述程序代码被计算机运行时执行如第一方面或第一方面的任一种可能的实现方式所述的文档的分析方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种文档的分析方法的流程图；

图2为本申请实施例提供的一种电子设备的结构框图；

图3为本申请实施例提供的一种文档的分析装置的结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

请参阅图1，本申请实施例提供了一种文档的分析方法，该文档的分析方法可以由电子设备执行，电子设备可以是终端或者服务器，该文档的分析方法的流程可以包括：

步骤s100：获取问题以及用于回答该问题的文档。

步骤s200：利用预设的文档分析模型分析该问题以及该文档，从该文档中确定出该问题的初步答案。

步骤s300：利用预设的答案处理模型处理该初步答案，获得该问题的最终答案。

下面将结合应用场景对上述流程进行详细介绍。

步骤s100：获取问题以及用于回答该问题的文档。

本实施例中，问题可以是开放式问题，比如问题可以是：找出xx文章中xxx内容，又比如问题可以是：xx文件中xxx金额是多少，再比如问题可以是：xxx文件中xx主体有哪些。此外，根据实际应用场景的不同，文档的类型也有所不同。比如，应用场景是对合同的分析，那么文档可以是合同文件；又比如，应用场景是对法律文件的分析，那么文档可以是法律文件；再比如，应用场景是对规章制度的分析，那么文档可以是规章制度文件。

本实施例中，根据实际应用场景的不同，电子设备获取问题以及文档的方式也有所不同。比如，用户可以先将问题发送给电子设备，电子设备再通过该问题从数据库中检索出与用于回答该问题的文档。又比如，用户可以将问题以及用于回答该问题的文档一并发送给电子设备，以便电子设备将该问题以及该文档一并获取。

具体的，若用户需要先将问题发送给电子设备，那么用户可通过web端将问题发送给电子设备。电子设备接收到该问题后，电子设备可以对该问题进行关键字提取，以提取出描述该问题的关键字。电子设备将关键字、预先记录的用户对文档的历史点击次数以及文档的录入时间等特征作为自身预设的搜索引擎的输入，从而利用该搜索引擎在预设的数据库中检索与该关键字相关的内容，从而查找到与该关键字相关的即也是与该问题相关的文档。

可以理解到，由于该相关的文档可以有多篇，为缩小分析范围，电子设备可以将相关的多篇文档推送到web端，以便用户从该多篇文档中选择出用于回答该问题的文档，而后续则直接针对用户选出的文档进行分析。其中，若不考虑带宽的消耗，电子设备可以将多篇文档整个推送到web端；若考虑带宽的消耗，电子设备可以仅将多篇文档各自的标题推送到web端。

当然，用户在确定出用于回答该问题的文档，若不考虑带宽的消耗，web端可以将该确定出的文档整个返回给电子设备，若考虑带宽的消耗，web端则可以将该确定出的文档的编号返回给电子设备，而电子设备再利用该编号去查询数据库，从而获取到该编号对应的完整文档，从而将该问题以及该文档用作后续处理。

举例来说，假设1：

用户通过web端的发送的问题为：用户a的保险合同中生效时间是多少。电子设备获取到该问题后，通过对该问题进行关键字提取，获得的关键字可以包括：用户a、保险合同、生效时间。电子设备利用这些关键字检索数据库，查询到与这些关键字相关的文件包括：用户a的保险合同a1、用户a的合作协议a2、用户b的保险合同b1、用户c的保险合同c1。电子设备将保险合同a1、合作协议a2、保险合同b1以及保险合同c1的名称推送给web端，由用户选出保险合同a1。这样，电子设备便可以确定出保险合同a1为回答该问题的文档，并从数据库中获取该保险合同a1的完整文件。

假设2：

用户通过web端发送的问题为：aa文件中关于33法条的内容有哪些。电子设备获取到该问题后，通过对该问题进行关键字提取，获得的关键字可以包括：aa文件、33法条。电子设备利用这些关键字检索数据库，查询到与这些关键字相关的文件包括：aa文件、aaa文件。电子设备将aa文件以及aaa文件的名称推送给web端，由用户选出aa文件。这样，电子设备便可以确定出aa文件为回答该问题的文档，并从数据库中获取该aa文件的完整文件。

本实施例中，若用户通过web端直接将问题以及用于回答该问题的文档发送给电子设备，电子设备则可直接将该问题以及该文档用作后续处理。当然，若用户发送的文档也是该文档的编号，那么电子设备也要先利用该编号去查询数据库，获取到该编号对应的完整文档，再将该问题以及该文档用作后续处理。

获取到问题以及文档后，电子设备便可以执行步骤s200。

步骤s200：利用预设的文档分析模型分析该问题以及该文档，从该文档中确定出该问题的初步答案。

本实施例中，电子设备获取到问题以及文档时，问题以及文档的格式通常无法满足文档分析模型的处理要求，因此要对问题以及文档进行预处理，使得处理后问题以及文档满足文档分析模型的处理要求。

作为预处理的示例性方式，电子设备可以以段为单位，先将文档分割成多个部分，每个部分可以是包含一段内容或者多段内容。电子设备再按照文档分析模型的格式要求，将每个部分均连同问题打包，从而获得对应的一条打包数据，并总共获得多条打包数据，且每条打包数据的格式都满足文档分析模型的格式要求。

例如，打包数据的格式可以如下所示：

其中，data表示一个完整的数据文件，这个数据文件中可以包含多条打包数据；version表示文档分析模型的格式要求版本；title表示文档标题；paragraphs表示打包的这部分在文档中的段落号；context表示打包的这部分的文档内容；qas表示答案列表，且一个问题对应一个答案，在训练时，其为实际的答案列表，而在实际预测时，其为空；answer_start表示答案在文档中的起始位置，在训练时，其为实际的起始位置，而在实际预测时，其为空；text表示答案的内容，在训练时，其为实际的内容，而在实际预测时，其为空；question表示问题的内容；id则表示问题的编号。

可以理解到，本实施例采用以部分为单位进行打包的方式仅为本实施例的一种示例性方式，并不作为本实施例的限定。比如，其也可以采用不对文档进行分割，直接将整个文档与问题一并打包成一条数据。

进一步的，在获得多条打包数据后，电子设备便可以利用文档分析模型对多条打包数据进行分析处理。

本实施例中，文档分析模型可以是一个完整的模型，或者其也可以包括类型不同的多个子模型，下面分别进行介绍。

若文档分析模型是一个完整的模型，文档分析模型可以采用自注意力机制的模型，比如开源的ernie1.0模型，其中，ernie1.0模型的batchsize可以设置为48(即一批次最多处理48个打包数据)、earning_rage(学习率)可以设置为5.00e-06、以及epoch(迭代次数)可以设置为20，以便在训练该模型时能够快速实现收敛。该文档分析模型可以封装为docker容器部署到电子设备中。这样，电子设备将文档分析模型一次性加载到内存中实例化，便可方便调用该文档分析模型。

电子设备将多条打包数据均输入到该文档分析模型中处理，文档分析模型便可确定初步答案在文档中的位置，文档分析模型再主动根据该位置将初步答案从文档中提取出，从而将初步答案输出。这样，电子设备便可以获得该初步答案。当然，文档分析模型直接将初步答案作为结果输出的方式仅为本实施例的一种示例性方式，并不作为限定，比如，电子设备将多条打包数据均输入到该文档分析模型中处理，文档分析模型可以直接输出初步答案在文档中的位置，而电子设备再根据该位置将初步答案从文档中提取出，从而获得该初步答案。

可以理解到，文档分析模型的原理是计算文档中各位置处的内容各自与问题的相关性。这样，通过对文档分析模型的输出条件进行设置，便可以控制文档分析模型输出一个或者多个结果。比如，设置文档分析模型的输出条件为输出相关性最高的结果，那么文档分析模型便可将相关性最高的初步答案。又比如，设置文档分析模型的输出条件为按相关性从高到低输出10个结果，那么文档分析模型便可将10个初步答案输出。

继续对前述假设1进行说明：电子设备将“用户a的保险合同中生效时间是多少”以及将“保险合同a1”分割打包成三条打包数据，再将三条打包数据均输入到文档分析模型进行输出，那么文档分析模型输出的结果可以是：“应当属于第一类情况，保险的生效时间：2020年1月1日”。

若文档分析模型包含类型不同的子模型，比如文档分析模型包含2个子模型，第一个子模型为ernie1.0模型以及第二个子模型为bert-base模型，其中，bert-base模型的batchsize可以设置为32、earning_rage可以设置为5.00e-05、以及epoch可以设置为4，以便在训练该模型时能够快速实现收敛。其中，每个子模型都可以封装为docker容器部署到电子设备中，并对外提供resful微服务。这样，电子设备将每个子模型一次性加载到内存中实例化，便可方便调用每个子模型。

本实施例中，电子设备可以将多条打包数据均输入到每个子模型中处理，每个子模型都可确定初步答案在文档中的位置，且每个子模型再主动根据该位置将初步答案从文档中提取出，从而将初步答案输出。这样，电子设备便可以获得多个初步答案。当然，每个子模型直接将初步答案作为结果输出的方式仅为本实施例的一种示例性方式，并不作为限定，比如，电子设备将多条打包数据均输入到每个子模型中处理，每个子模型可以直接输出初步答案在文档中的位置，而电子设备再根据该位置将初步答案从文档中提取出，从而获得该初步答案。

继续对前述假设1进行说明：电子设备将“用户a的保险合同中生效时间是多少”以及将“保险合同a1”分割打包成三条打包数据，再将三条打包数据分别输入到子模型1、子模型2以及子模型3中处理，从而获得子模型1输出的结果可以是：“保险生效时间：2020年1月1日”；子模型2输出的结果可以是：“保险到期时间：2020年12月31日”；子模型3输出的结果可以是：“时间：2020年1月1日”。

继续对前述假设2进行说明：电子设备将“aa文件中关于33法条的内容有哪些”以及将“aa文件”分割打包成三条打包数据，再将三条打包数据分别输入到子模型1、子模型2以及子模型3中处理，从而获得子模型1输出的结果可以是：“申请人可以对其专利申请文件进行修改，但是，对aa和bbb专利申请文件的修改不得超出原xx和xxxx记载的范围，对外观”；子模型2输出的结果可以是：“对aa和bbb专利申请文件的修改不得超出原xx和xxxx记载的范围，对外观设计专利申请文件的修改不得超出原图片或者照片表示的范围”；子模型3输出的结果可以是：“申请人可以对其专利申请文件进行修改，对aa和bbb专利申请文件的修改不得超出原xx范围，对外观设计专利申请文件的修改不得超出原图片或者照片表示的范围”。

本实施例中，电子设备获得初步答案后，电子设备可以执行步骤s300，对初步答案做进一步处理。

步骤s300：利用预设的答案处理模型处理该初步答案，获得该问题的最终答案。

本实施例中，由于应用场景的不同或者初步答案的数量的不同，答案处理模型的类型也有所不同，并且答案处理模型对初步答案的处理方式也有所不同。总体来说，不同答案处理模型采用何种类型，其对初步答案的处理方式可以包括：融合、筛选以及调整，下面将分别进行介绍。

1.关于融合处理。

在初步答案为多个，但每个初步答案可能不是很全面的基础上，则可以利用答案处理模型对多个初步答案进行融合处理。

具体的，电子设备可以将多个初步答案输入到答案处理模型中，答案处理模型可以通过取多个初步答案并集的方式对多个初步答案进行融合，从而获得融合后的最终答案。

继续对前述假设2进行说明：

电子设备将初步答案1：“申请人可以对其专利申请文件进行修改，但是，对aa和bbb专利申请文件的修改不得超出原xx和xxxx记载的范围，对外观”；初步答案2：“对aa和bbb专利申请文件的修改不得超出原xx和xxxx记载的范围，对外观设计专利申请文件的修改不得超出原图片或者照片表示的范围”；以及初步答案3：“申请人可以对其专利申请文件进行修改，对aa和bbb专利申请文件的修改不得超出原xx范围，对外观设计专利申请文件的修改不得超出原图片或者照片表示的范围”输入到答案处理模型进行融合，从而电子设备可以获得的最终答案则为：“申请人可以对其专利申请文件进行修改，但是，对aa和bbb专利申请文件的修改不得超出原xx和xxxx记载的范围，对外观设计专利申请文件的修改不得超出原图片或者照片表示的范围”。

可以理解到，关于答案的融合，其除了取并集以外，根据实际应用的需要，其还可以取各初步答案的交集。

2.关于筛选处理。

在初步答案为多个，且有部分初步答案不是很准确的基础上，则可以利用答案处理模型对多个初步答案进行筛选处理。

具体的，电子设备可以将多个初步答案以及问题输入到答案处理模型中，答案处理模型则基于该问题对多个初步答案进行筛选，从而获得融合后的最终答案。

继续对前述假设1进行说明：

电子设备将“用户a的保险合同中生效时间是多少”、初步答案1“保险生效时间：2020年1月1日”、初步答案2“保险到期时间：2020年12月31日”、以及初步答案3“时间：2020年1月1日”输入到答案处理模型。答案处理模型基于这一问题，对三个初步答案进行筛选，则可以确定出“保险生效时间：2020年1月1日”为最终答案。

3.关于调整处理。

在初步答案为一个或者多个，且有初步答案中的部分内容不是很准确或者冗余的基础上，则可以利用答案处理模型对多个初步答案进行调整处理。

具体的，电子设备可以将初步答案以及问题输入到答案处理模型中，答案处理模型则基于该问题对修正初步答案中的部分内容，比如将部分内容修改或者删除，从而获得最终答案。

可以理解到，调整处理也可以与前述的筛选以及融合处理相结合，即先进行调整，再进行筛选或者融合。

继续对前述假设1进行说明：

电子设备将“用户a的保险合同中生效时间是多少”以及初步答案为“应当属于第一类情况，保险的生效时间：2020年1月1日”输入到答案处理模型中处理，那么答案处理模型基于该问题则可以将初步答案中“应当属于第一类情况，”这一冗余内容删除，从而获得“保险的生效时间：2020年1月1日”这一最终答案。

本实施例中，确定出最终答案后，电子设备可以将最终答案推送给web端，以便用户查阅。

当然，若用户查阅后，对最终答案无修改，电子设备便可以利用问题、文档以及最终答案训练优化文档分析模型。即将问题、文档以及最终答案按照前述方式转换成打包数据，再将打包数据输入到文档分析模型中处理以训练该模型，其中，最终答案写入到打包数据中对应的答案一栏。

而若用户查阅后，对最终答案有修改，web端可以将修改后的最终答案反馈给电子设备。一方面，电子设备可以利用问题、文档以及修改后的最终答案训练优化文档分析模型；另一方面，电子设备可以利用问题、初步答案以及修改后的最终答案训练优化答案处理模型。

当然，对初步答案的处理方式也不限于上述例举的方式，根据实际应用场景的不同，其也可以采用其它方式。比如，答案处理模型可以对每个子模型输出的多个初步答案进行相似去重，再将去重后剩余的初步答案按照取交集的方式进行筛选，从而得到并输出最终答案。例如：对于一个问题，ernie模型和bert模型都输出3个结果，分别是e1，e2和e3，以及b1，b2和b3。答案处理模型通过相似度方法例如采用rouge-l和语义相似度两种方式进行计算，通过rouge-l计算后进行去重得到结果e1，b2，b3；而通过语义相似度计算后去重得到e1，e2，b2。最后将筛选的结果进行并集，最终结果为e1、e2、b2、b3。

本实施例中，电子设备还可以部署摘要生成模型，该摘要生成模型可以是transformer模型。在获得问题以及文档的同时，电子设备还可以将文档输入到摘要生成模型中处理，以便摘要生成模型可以基于该文档，生成描述该文档的摘要，然后将摘要与最终答案一并推送给web端。

当然，在用户查阅后，若对摘要有修改，web端可以将修改后的摘要反馈给电子设备。一方面，电子设备可以利用修改后的摘要以及文档训练优化摘要生成模型。

请参阅图2，基于同一aa构思，本申请实施例提供了一种电子设备10，该电子设备10可以包括连接到网络的通信接口11、用于执行程序指令的一个或多个处理器12、总线13、和不同形式的存储器14，例如，磁盘、rom、或ram，或其任意组合。示例性地，计算机平台还可以包括存储在rom、ram、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。

存储器14用于存储程序，处理器12用于调用并运行存储器14中的程序以执行前述的文档的分析方法。

请参阅图3，基于同一aa构思，本申请实施例提供了一种文档的分析装置100，该文档的分析装置100应用于电子设备，该文档的分析装置100包括：

获取模块110，用于获取问题以及用于回答所述问题的文档。

处理模块120，用于利用预设的文档分析模型分析所述问题以及所述文档，从所述文档中确定出所述问题的初步答案；利用预设的答案处理模型处理所述初步答案，获得所述问题的最终答案。

需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该计算机可读存储介质上存储有程序代码，该程序代码被计算机运行时执行上述任一实施方式的文档的分析方法的步骤。

本申请实施例所提供的文档的分析方法的程序代码产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

综上所述，在通过文档分析模型确定出问题的初步答案后，再利用答案处理模型对初步答案做进一步处理，能够得到更精准的答案，故提高了机器oa问答的准确度，进而提高了其在实际中的适用性。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，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单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。