文本分句方法及装置、电子设备及可读存储介质与流程

1.本发明涉及自然语言处理技术领域，具体而言，涉及一种文本分句方法及装置、电子设备及可读存储介质。


背景技术：

2.在自然语言处理技术领域，分句是词性标注、句法分析、文本分类等任务的基础。为了从用户评论中挖掘重要信息，分句往往是第一步也是最重要的一步，对后续任务的展开起着决定性的作用。
3.最简单的方法是使用“；”、“！”、“。”等标点符号对评论进行分句，但是由于存在标点符号多且杂、使用不规范等问题，比如评论全篇使用空格、逗号、句号、表情、换行进行分隔，甚至出现无标点符号的情况，直接根据标点符号进行分句，存在漏分、误分的问题，极容易出现“没头”、“没尾”、“多头”、“多尾”的句子，导致句子不通顺，影响用户理解。
4.为了解决上述问题，目前业界对内容进行分句的主要方法有：
5.(1)基于统计的方法
6.基于统计的方法主要是利用传统的统计学习模型，比如朴素贝叶斯等，根据训练语料中标点符号的搭配关系、标点前后词的词性等得到大量的特征向量和类标记，得到不同特征向量组合下的概率，据此计算待分句样本中的标点符号是否为结尾符的概率。
7.(2)基于模型的方法
8.基于模型的方法主要利用候选结尾符及其前后两个字符作为输入，使用长短时记忆模型lstm、循环神经网络rnn等深度学习模型，判断候选结尾符是否是真正的结尾符，进行句子边界识别。
9.申请人在实现本发明的过程中，发现相关技术中至少存在以下技术问题。
10.1)基于统计的方法：分句界限局限于标点符号，且特征空间有限，泛化能力差。
11.2)基于模型的方法：只考虑了当前符号以及相邻的单词，上下文信息不足，容易造成误分句。
12.可见，相关技术中针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

13.本发明实施例提供了一种文本分句方法及装置、电子设备及可读存储介质，以至少解决由于相关技术中无法适应用户复杂多变的书写内容，导致分句的准确率过低的技术问题。
14.根据本发明实施例的一个方面，提供了一种文本分句方法，包括：通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，所述第一分句模型是根据无标点样本对预设模型训练得到的；通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句文本，其中，所述第二分句模型是根据有标点样本对所述预设模型训练得到的。
15.进一步地，在所述通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本之前，还包括：去除训练样本中第一样本的标点符号，以得到第二样本；确定所述第二样本的分句界限，以得到所述无标点样本。
16.进一步地，在所述通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句结果之前，还包括：在训练样本中第一样本中随机插入标点符号，以得到第三样本；对所述第三样本中的原有标点符号进行随机替换，以得到所述有标点样本。
17.进一步地，所述通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，包括：通过所述第一分句模型，在所述目标文本中添加停顿符号，以得到所述第一文本。
18.进一步地，所述通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句结果，包括：通过所述第二分句模型，在所述第一文本中断句处添加标点符号，以得到所述分句文本。
19.根据本发明实施例的另一方面，还提供了一种文本分句装置，包括：第一分句模块，用于通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，所述第一分句模型是根据无标点样本对预设模型训练得到的；第二分句模块，用于通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句文本，其中，所述第二分句模型是根据有标点样本对所述预设模型训练得到的。
20.进一步地，还包括：第一处理模块，用于在所述通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本之前，去除训练样本中第一样本的标点符号，以得到第二样本；第一确定模块，用于确定所述第二样本的分句界限，以得到所述无标点样本。
21.进一步地，还包括：第二处理模块，用于在所述通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句结果之前，在训练样本中第一样本中随机插入标点符号，以得到第三样本；第三处理模块，用于对所述第三样本中的原有标点符号进行随机替换，以得到所述有标点样本。
22.进一步地，所述第一分句模块包括：第一分句子模块，用于通过所述第一分句模型，在所述目标文本中添加停顿符号，以得到所述第一文本。
23.进一步地，所述第二分句模块包括：第二分句子模块，用于通过所述第二分句模型，在所述第一文本中断句处添加标点符号，以得到所述分句文本。
24.根据本发明实施例的另一方面，还提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上所述的文本分句方法的步骤。
25.根据本发明实施例的另一方面，还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的文本分句方法的步骤。
26.在本发明实施例中，通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，第一分句模型是根据无标点样本对预设模型训练得到的；通过预先训练完成的第二分句模型，对第一文本进行分句，以得到目标文本对应的分句文本，其中，第
二分句模型是根据有标点样本对预设模型训练得到的。本实施例针对无标点符号和有标点符号两种不同的场景，分别构造样本，训练第一分句模型以及第二分句模型，达到了分句界限不局限于标点符号的同时，又保证了分句后句子的通顺度的目的，从而实现了提高分句准确率的技术效果，进而解决了由于相关技术中无法适应用户复杂多变的书写内容，导致分句的准确率过低的技术问题。
附图说明
27.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
28.图1是根据本发明实施例的一种可选的文本分句方法的流程示意图；
29.图2是根据本发明实施例的一种可选的文本分句装置的结构示意图。
具体实施方式
30.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
31.需要说明的是，本发明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，以便这里描述的本发明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。
32.实施例1
33.根据本发明实施例，提供了一种文本分句方法，如图1所示，该方法包括：
34.s102，通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，第一分句模型是根据无标点样本对预设模型训练得到的；
35.s104，通过预先训练完成的第二分句模型，对第一文本进行分句，以得到目标文本对应的分句文本，其中，第二分句模型是根据有标点样本对预设模型训练得到的。
36.本实施例中的目标文本可以为地理位置、购物、服务等任何网络平台中的用户输入的文本，例如搜索词query、用户生成内容ugc以及文本文档doc等。
37.在本实施例中，目标文本包括但不限于任意文本，目标文本中可以包括标点符号以及其他字符，也可以不包括标点符号以及其他字符。
38.在本实施例中，通过第一分句模型以及第二分句模型逐次对目标文本进行分句，来确定目标文本对应的分句文本。
39.第一分句模型与第二分句模型的模型结构相同，区别在于，第一分句模型是针对无标点符号场景，用于确定文本句子中的停顿。第二分句模型针对有标点符号场景，用于通
过标点符号来区分文本句子的分句界限，通过第一分句模型以及第二分句模型来保证分句后文本句子的通顺度。
40.因此，在本实施例中，针对无标点符号和有标点符号场景，分别构造训练样本。通过构建无标点样本对预设模型进行训练，得到第一分句模型；通过构建有标点样本对预设模型进行训练，得到第二分句模型。
41.在一些实施例中，预设模型包括但不限于bert(bidirectional encoder representations from transformers)模型以及bert-crf(bert模型+crf条件随机场模型)模型。
42.以下对第一分句模型以及第二分句模型进行介绍：
43.在本实施例中，根据用户在预设网络平台中的用户生成数据、搜索词以及文本文档等，构建训练样本集，训练样本集中的每条训练样本包括：用户文本。其中，用户文本中包括一条或多条句子，文本中可以存在或不存在标点符号，表情等。
44.首先，获取网络平台中存储的用户生成数据、搜索词以及文本文档等用户文本数据。通常，用户在网络平台上每一次文本输入都会生成一条用户文本数据，平台上存储的用户文本数据至少包括以下之一：文字、标点以及表情等。
45.然后，基于用户文本数据构建训练样本。在一些实施例中，通过对上述用户文本数据进行处理，可以得到候选训练样本。每条候选训练样本包括用户文本以及文本的断句信息等。在一些实施例中，将每一个样本表示为一个二元组，包括《用户文本、断句信息》。
46.之后，对候选训练样本进行筛选，过滤掉标点符号的位置不是断句或无法识别断句位置的候选训练样本，剩下的候选训练样本作为训练样本，构成训练样本集。
47.然后，基于训练样本集中的训练样本分别构建有标点样本以及无标点样本。基于无标点样本对预设模型进行训练，以用户文本作为模型输入，断句位置作为模型目标，训练预设模型，直至模型收敛或迭代至预设次数，得到第一分句模型；基于有标点样本对预设模型进行训练，以用户文本作为模型输入，断句位置的标点符号作为模型目标，训练预设模型，直至模型收敛或迭代至预设次数，得到第二分句模型；
48.在接收到用户输入的目标文本之后，首先通过第一分句模型对目标文本进行断句，以确定目标文本中的停顿位置，得到第一文本。然后基于第二分句模型对第一文本进行断句，通过标点符号对第一文本进行断句，区分目标文本中的分句界限，剔除错误位置的标点符号或其他字符，以得到目标文本对应的分局文本。
49.需要说明的是，在本实施例中，通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，第一分句模型是根据无标点样本对预设模型训练得到的；通过预先训练完成的第二分句模型，对第一文本进行分句，以得到目标文本对应的分句文本，其中，第二分句模型是根据有标点样本对预设模型训练得到的。本实施例针对无标点符号和有标点符号两种不同的场景，分别构造样本，训练第一分句模型以及第二分句模型，达到了分句界限不局限于标点符号的同时，又保证了分句后句子的通顺度的目的，从而实现了提高分句准确率的技术效果，进而解决了由于相关技术中无法适应用户复杂多变的书写内容，导致分句的准确率过低的技术问题。
50.可选地，在本实施例中，在通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本之前，还包括但不限于：去除训练样本中第一样本的标点符号，以得到
第二样本；确定第二样本的分句界限，以得到无标点样本。
51.具体地，在获取到训练样本后，选取分句规范的用户文本作为第一样本，即用户文本中的通过标点符号分句规范的用户文本。例如，“菜品很精致，服务态度很好。”、“包子个头蛮大，好吃的！”以及“巧克力有点苦！不好吃。”等。通过去除训练样本中第一样本的标点符号，得到没有标点符号的第二样本，将每句的句尾词作为分句界限。例如，用户文本“包子个头蛮大，好吃的！”中“大”为分句界限；用户文本“巧克力有点苦！不好吃。”中“苦”为分局界限。
52.在一个例子中，从所有用户文本中，选择分句规范的用户评论作为训练样本，挖掘包含“，”、“。”、“！”等标点符号的用户文本，且根据这三个标点进行文本分割，将分割得到的没有其他标点且文本长度又比较短的用户文本作为无标点样本。
53.例如，若存在用户评论“菜品很精致，服务态度很好。”，对该用户评论进行处理，则可以得到无标点样本为“菜品很精致服务态度很好”，且分句界限为“致”。
54.在通过无标点样本对预设模型进行训练的过程中，每条无标点样本包括“用户文本，分句文本”，其中，用户文本为无标点存在的文本，分句文本为无标点存在，但存在句尾词的文本。
55.基于构建的无标点样本对应的无标点样本集训练第一分句模型，以用户文本作为模型输入，以分句文本作为模型目标，训练第一分句模型。
56.通过上述实施例，去除训练样本中第一样本的标点符号，以得到第二样本；确定第二样本的分句界限，以得到无标点样本。无标点样本中分句界限为中文字符，可以增加用户文本中的停顿，降低用户理解成本。
57.可选地，在本实施例中，在通过预先训练完成的第二分句模型，对第一文本进行分句，以得到目标文本对应的分句结果之前，还包括但不限于：在训练样本中第一样本中随机插入标点符号，以得到第三样本；对第三样本中的原有标点符号进行随机替换，以得到有标点样本。
58.具体地，在获取到训练样本后，选取分句规范的用户文本作为第一样本，即用户文本中的通过标点符号分句规范的用户文本。在第一样本中，为通过所有标点符号进行分割的句子，第一样本的句子较短、且第一样本中每个短句都已通过语言质量模型审核，每个短句都为通顺的评论。例如，“菜品很精致，服务态度很好。”、“包子个头蛮大，好吃的！”以及“巧克力有点苦！不好吃。”等。
59.然后，通过在第一样本中随机插入标点符号，得到第三样本。针对有标点符号场景的第一样本，认为标点符号处是应该断句的地方，短句中随机插入其他标点符号，为不应该断句的地方，为避免模型只学到在特定标点处断句，将第三样本中的标点符号随机替换成其他符号，以得到有标点样本。
60.在一个例子中，对用户评论“菜品很精致，服务态度很好。”进行处理，得到有标点样本为“菜品很？精致；服务态。度很好，”。
61.在通过有标点样本对预设模型进行训练的过程中，每条有标点样本包括“用户文本，分句文本”，其中，用户文本为有标点存在，且经过标点混淆或替换的文本，分句文本为经过标点正常分句的文本。
62.基于构建的有标点样本对应的有标点样本集训练第二分句模型，以用户文本作为
模型输入，以分句文本作为模型目标，训练第二分句模型。
63.通过上述实施例，在训练样本中第一样本中随机插入标点符号，以得到第三样本；对第三样本中的原有标点符号进行随机替换，以得到有标点样本，避免模型的拟合度过高的问题。
64.可选地，在本实施例中，通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，包括但不限于：通过第一分句模型，在目标文本中添加停顿符号，以得到第一文本。
65.具体地，在本实施例中，通过训练完成的第一分句模型，对目标文本内容中基于所有标点符号分句后仍比较长的句子进行细分，增加句中停顿符号，或在目标文本中标识出断句的句尾词。
66.在一个例子中，对于目标文本“五花肉中规中矩，la牛排好评本来准备点牛排肉的点错了骨头的地方还是很好咬的不会吃不动”，通过第一分句模型bert-crf模型完成对目标文本的局部细分，在目标文本中增加停顿符号，标识出句尾词，以得到第一文本为“五花肉中规中矩，la牛排好(评)本来准备点牛排肉的点错(了)骨头的地方还是很好咬(的)不会吃不动”，其中，括号为停顿符号，括号中的字为句尾词。
67.在上述实施例中，通过第一分句模型，在目标文本中添加停顿符号，以得到第一文本，实现了在目标文本中增加句中停顿，降低了用户理解成本。
68.可选地，在本实施例中，通过预先训练完成的第二分句模型，对第一文本进行分句，以得到目标文本对应的分句结果，包括但不限于：通过第二分句模型，在第一文本中断句处添加标点符号，以得到分句文本。
69.具体地，在经过第一分句模型对目标文本进行局部细分之后，增加了句中停顿，然后，经过第二分句模型，对第一文本中的标点符号进行筛选，确定分句界限对应的标点符号，进行标点分句。对句子中的标点符号进行纠正，以得到分句文本。
70.仍以上述的第一文本，肉中规中矩，la牛排好(评)本来准备点牛排肉的点错(了)骨头的地方还是很好咬(的)不会吃不动”为例，进行说明，经过第二分句模型bert-crf模型处理后，可以得到分句文本为“五花肉中规中矩，la牛排好评，本来准备点牛排肉的点错了，骨头的地方还是很好咬的，不会吃不动”。
71.在上述实施例中，通过第二分句模型，在第一文本中断句处添加标点符号，以得到分句文本，在进行了第一分句模型无标点分句后，再进行有标点分句，让分句界限不局限于标点符号的同时，又保证了分句后句子的通顺度。
72.在本实施例中，通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，第一分句模型是根据无标点样本对预设模型训练得到的；通过预先训练完成的第二分句模型，对第一文本进行分句，以得到目标文本对应的分句文本，其中，第二分句模型是根据有标点样本对预设模型训练得到的。本实施例针对无标点符号和有标点符号两种不同的场景，分别构造样本，训练第一分句模型以及第二分句模型，达到了分句界限不局限于标点符号的同时，又保证了分句后句子的通顺度的目的，从而实现了提高分句准确率的技术效果，进而解决了由于相关技术中无法适应用户复杂多变的书写内容，导致分句的准确率过低的技术问题。
73.需要说明的是，对于前述的各方法实施例，为了简单描述，故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，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。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发明所必须的。
74.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
75.实施例2
76.根据本发明实施例，还提供了一种用于实施上述文本分句方法的文本分句装置，如图2所示，该装置包括：
77.1)第一分句模块20，用于通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，所述第一分句模型是根据无标点样本对预设模型训练得到的；
78.2)第二分句模块22，用于通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句文本，其中，所述第二分句模型是根据有标点样本对所述预设模型训练得到的。
79.可选地，在本实施例中，还包括：
80.1)第一处理模块，用于在所述通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本之前，去除训练样本中第一样本的标点符号，以得到第二样本；
81.2)第一确定模块，用于确定所述第二样本的分句界限，以得到所述无标点样本。
82.可选地，在本实施例中，还包括：
83.1)第二处理模块，用于在所述通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句结果之前，在训练样本中第一样本中随机插入标点符号，以得到第三样本；
84.2)第三处理模块，用于对所述第三样本中的原有标点符号进行随机替换，以得到所述有标点样本。
85.可选地，在本实施例中，所述第一分句模块20包括：
86.1)第一分句子模块，用于通过所述第一分句模型，在所述目标文本中添加停顿符号，以得到所述第一文本。
87.可选地，在本实施例中，所述第二分句模块22包括：
88.1)第二分句子模块，用于通过所述第二分句模型，在所述第一文本中断句处添加标点符号，以得到所述分句文本。
89.在本实施例中，通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，第一分句模型是根据无标点样本对预设模型训练得到的；通过预先训练完成的第二分句模型，对第一文本进行分句，以得到目标文本对应的分句文本，其中，第二分句模型是根据有标点样本对预设模型训练得到的。本实施例针对无标点符号和有标点符号两种不同的场景，分别构造样本，训练第一分句模型以及第二分句模型，达到了分句界限不
局限于标点符号的同时，又保证了分句后句子的通顺度的目的，从而实现了提高分句准确率的技术效果，进而解决了由于相关技术中无法适应用户复杂多变的书写内容，导致分句的准确率过低的技术问题。
90.实施例3
91.根据本发明实施例，还提供了一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上所述的文本分句方法的步骤。
92.可选地，在本实施例中，存储器被设置为存储用于执行以下步骤的程序代码：
93.s1，通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，所述第一分句模型是根据无标点样本对预设模型训练得到的；
94.s2，通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句文本，其中，所述第二分句模型是根据有标点样本对所述预设模型训练得到的。
95.可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。
96.实施例4
97.本发明的实施例还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如上所述的文本分句方法的步骤。
98.可选地，在本实施例中，可读存储介质被设置为存储用于执行以下步骤的程序代码：
99.s1，通过预先训练完成的第一分句模型，对目标文本进行分句，以得到第一文本，其中，所述第一分句模型是根据无标点样本对预设模型训练得到的；
100.s2，通过预先训练完成的第二分句模型，对所述第一文本进行分句，以得到所述目标文本对应的分句文本，其中，所述第二分句模型是根据有标点样本对所述预设模型训练得到的。
101.可选地，可读存储介质还被设置为存储用于执行上述实施例1中的方法中所包括的步骤的程序代码，本实施例中对此不再赘述。
102.可选地，在本实施例中，上述可读存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
103.可选地，本实施例中的具体示例可以参考上述实施例1中所描述的示例，本实施例在此不再赘述。
104.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
105.上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
106.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
107.在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
108.所述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。
109.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
110.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。