机器翻译及模型训练质量评估方法、电子设备及存储介质与流程

1.本技术实施例涉及机器学习技术领域，尤其涉及一种机器翻译质量评估方法、一种机器翻译模型训练质量评估方法、及对应的电子设备及计算机存储介质。


背景技术：

2.机器翻译又称为自动翻译，是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。目前，机器翻译大多通过基于机器学习的机器翻译模型实现。
3.目前，不管是在机器翻译模型的推理阶段还是在其训练阶段，对模型翻译质量的评估均需借助于人工或额外的翻译质量评估模型实现。由此，导致翻译质量评估的成本较高。


技术实现要素：

4.有鉴于此，本技术实施例提供一种机器翻译质量评估及其模型训练质量评估方案，以至少部分解决上述问题。
5.根据本技术实施例的第一方面，提供了一种机器翻译质量评估方法，包括：对待翻译的源语言数据进行编码，获得源语言编码数据；将所述源语言编码数据进行翻译解码，获得目标语言数据；并且，将所述目标语言数据再次进行重构解码，获得新生成的源语言重建数据；根据所述源语言数据和所述源语言重建数据，确定针对所述源语言数据的翻译质量。
6.根据本技术实施例的第二方面，提供了一种机器翻译模型训练质量评估方法，包括：获取无标注数据的源语言训练样本数据；将所述源语言训练样本数据输入机器翻译模型中的编码器进行编码，获得样本编码数据；将所述样本编码数据输入所述机器翻译模型中的第一解码器进行翻译解码，获得目标语言样本数据；将所述目标语言样本数据输入所述机器翻译模型中的第二解码器再次进行重构解码，获得新生成的源语言重建样本数据；根据所述源语言训练样本数据和所述源语言重建样本数据，对所述机器翻译模型的训练进行质量评估。
7.根据本技术实施例的第三方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面或第二方面所述方法对应的操作。
8.根据本技术实施例的第四方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或第二方面所述的方法。
9.根据本技术实施例提供的机器翻译质量评估方案，在获得了目标语言数据之后，还会对该目标语言数据再次进行重构解码，以实现对目标语言数据的反向翻译，再翻译回源语言，获得对应的源语言重建数据。进而，基于该源语言重建数据与原始的源语言数据，来确定本次翻译的翻译质量。若翻译获得的目标语言数据越准确，则根据反向翻译获得的源语言重建数据与原始的源语言数据确定的翻译质量也将越高。由此，可以通过该两个源
语言对应的数据，来确定目标语言数据的翻译准确度，进行翻译效果质量评估。由此，无需借助于人力或额外的翻译质量评估模型即可实现机器翻译模型通过其自身进行翻译质量评估的自我评估功能，降低了翻译质量评估的实现成本。
10.而根据本技术实施例提供的机器翻译模型的训练质量评估方案，借助于第二解码器对目标语言样本数据的反向翻译的结果（即重构解码的结果），与原始的源语言训练样本数据，即可确定机器翻译模型的本次迭代训练的效果，即本次训练的翻译质量。由此，本方案中，对训练样本的标注数据无要求，极大地拓展了训练样本的来源面，也无需对源语言训练样本数据进行特殊或额外的处理，模型自身即可输出翻译质量评估结果，从而降低了对模型训练进行质量评估的成本。
附图说明
11.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
12.图1为适用本技术实施例的机器翻译质量评估及模型训练质量评估的方法的示例性系统的示意图；图2a为根据本技术实施例一的一种机器翻译质量评估方法的步骤流程图；图2b为图2a所示实施例中的一种场景示例的示意图；图2c为图2a所示实施例中的另一种场景示例的示意图；图3a为根据本技术实施例二的一种机器翻译模型训练质量评估方法的步骤流程图；图3b为图3a所示实施例中的一种机器翻译模型的架构示意图；图4为根据本技术实施例三的一种电子设备的结构示意图。
具体实施方式
13.为了使本领域的人员更好地理解本技术实施例中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本技术实施例保护的范围。
14.下面结合本技术实施例附图进一步说明本技术实施例具体实现。
15.图1示出了一种适用本技术实施例的机器翻译质量评估及其模型训练质量评估方法的示例性系统。如图1所示，该系统100可以包括服务器102、通信网络104和/或一个或多个用户设备106，图1中示例为多个用户设备。
16.服务器102可以是用于存储信息、数据、程序、机器翻译模型和/或任何其他合适类型的内容的任何适当的服务器。在一些实施例中，服务器102可以执行任何适当的功能。例如，在一些实施例中，服务器102可以用于文本翻译及翻译质量评估。作为可选的示例，在一些实施例中，服务器102可以被用于将源语言数据翻译为目标语言数据；进而，将目标语言数据再反向翻译回源语言数据；进而，基于原始的源语言数据和重新翻译的源语言数据，确
定本次翻译的翻译质量。作为另一示例，在一些实施例中，服务器102可以被用于翻译结果及翻译质量发送到用户设备。此外，作为可选的示例，在一些实施例中，服务器102还可以被用于对部署于其中的机器翻译模型进行训练。
17.在一些实施例中，通信网络104可以是一个或多个有线和/或无线网络的任何适当的组合。例如，通信网络104能够包括以下各项中的任何一种或多种：互联网、内联网、广域网(wan)、局域网(lan)、无线网络、数字订户线路(dsl)网络、帧中继网络、异步转移模式(atm)网络、虚拟专用网(vpn)和/或任何其它合适的通信网络。用户设备106能够通过一个或多个通信链路(例如，通信链路112)连接到通信网络104，该通信网络104能够经由一个或多个通信链路(例如，通信链路114)被链接到服务器102。通信链路可以是适合于在用户设备106和服务器102之间传送数据的任何通信链路，诸如网络链路、拨号链路、无线链路、硬连线链路、任何其它合适的通信链路或此类链路的任何合适的组合。
18.用户设备106可以包括适合于呈现界面、接收输入如接收待翻译的源语言数据的输入、接收翻译结果并进行呈现的任何一个或多个用户设备。在一些实施例中，用户设备106可以包括任何合适类型的设备。例如，在一些实施例中，用户设备106可以包括移动设备、平板计算机、膝上型计算机、台式计算机、可穿戴计算机、游戏控制台、媒体播放器、车辆娱乐系统和/或任何其他合适类型的用户设备。
19.尽管将服务器102图示为一个设备，但是在一些实施例中，可以使用任何适当数量的设备来执行由服务器102执行的功能。例如，在一些实施例中，可以使用多个设备来实现由服务器102执行的功能。或者，可使用云服务实现服务器102的功能。
20.基于上述系统，本技术实施例提供了一种机器翻译质量评估及模型训练质量评估方案，以下通过多个实施例进行说明。
21.实施例一参照图2a，示出了根据本技术实施例一的一种机器翻译质量评估方法的步骤流程图。
22.本实施例的机器翻译质量评估方法包括以下步骤：步骤s202：对待翻译的源语言数据进行编码，获得源语言编码数据。
23.本实施例中，不同的机器翻译模型对应的源语言可能不同，但不管是何种源语言，在确定了源语言的语种后，找到与该语种相对应的机器翻译模型即可。也即，本技术实施例中的源语言可以为任意语种的语言。此外，一些机器翻译模型还可以实现多语种翻译，均可适用于本技术实施例的方案，也均在本技术的保护范围内。
24.在确定了待翻译的源语言数据后，即可对其进行编码，以获得源语言编码数据。其中，该编码可采用常规编码方式实现。在一种较优方案中，可采用基于注意力计算的编码方式实现，如采用基于transformer结构的编码器实现等。
25.步骤s204：将源语言编码数据进行翻译解码，获得目标语言数据；并且，将目标语言数据再次进行重构解码，获得新生成的源语言重建数据。
26.本步骤中，一方面，基于源语言编码数据进行解码获得目标语言数据，该过程可采用常规方式实现，在一种较优方案中，可采用基于注意力计算的解码方式实现，如采用基于transformer结构的解码器实现等。但另一方面，与常规的将该目标语言数据与源语言数据对应的标签数据进行损失计算不同，本技术实施例中，会将已经翻译获得的目标语言数据
再次进行解码，该次解码用于对目标语言数据进行反向翻译，再翻译回源语言的数据，本技术实施例中称为源语言重建数据。理论上来说，如果目标语言数据为较为准确的翻译结果，那么反向翻译后的源语言重建数据就应当与原始的源语言数据相同或具有较小差别。基于此，可进行下述步骤s206。
27.步骤s206：根据源语言数据和源语言重建数据，确定针对源语言数据的翻译质量。
28.如前所述，如果源语言数据和源语言重建数据之间的差别较小，则表征目标语言数据较为准确，反之，则准确度较差。
29.在一种可选实现方案中，可将源语言重建数据输入编码器，获得重建编码数据；根据重建编码数据和源语言编码数据，确定针对源语言数据的翻译质量。例如，对重建编码数据和源语言编码数据进行成对余弦相似度计算，根据计算结果获得两者之间的相似度；根据该相似度，确定针对源语言数据的翻译质量。或者，对重建编码数据和源语言编码数据进行交叉熵损失计算，根据计算结果确定针对源语言数据的翻译质量。
30.在此基础上，在一种可行方式中，本实施例的机器翻译质量评估方法还可以包括：若翻译质量大于预设质量阈值，则确定翻译质量较高，可将目标语言数据确定为源语言数据的翻译结果；若翻译质量不大于预设质量阈值，则表明翻译质量不满足质量要求，进一步地，后续可对目标语言数据进行校正，根据校正结果确定源语言数据的翻译结果。其中，预设质量阈值可由本领域技术人员根据实际需求灵活设定，如0.8-0.9等，本技术实施例对此不作限制。
31.若根据源语言数据和源语言重建数据确定的翻译质量不大于预设质量阈值时，则可对目标语言数据进行校正，如，可通过人工进行再次校正，或者，通过校正模型进行校正，该校正模型可以源语言数据和目标语言数据为输入，输出经过校正后的目标语言数据。当然，其它校正方式也同样适用于本技术实施例的方案。
32.如前所述，本技术实施例中的机器翻译质量评估可通过机器翻译模型实现，以下以机器翻译模型进行翻译及质量评估为示例，对上述过程的实现进行示例性说明，分别如图2b和图2c所示。
33.图2b和图2c中所示的机器翻译模型均包括编码器（图中示意为enc）、第一解码器（图中示意为dec1）和第二解码器（图中示意为dec2），从而形成“编码器-解码器-解码器”结构。
34.其中，编码器用于对输入的源语言数据进行编码，输出编码后的源语言编码向量；第一解码器用于以编码器输出的源语言编码向量为输入，进行翻译解码后输出目标语言数据；第二解码器，用于以第一解码器输出的目标语言数据为输入，进行重构解码后，输出源语言重建数据。
35.由图2b和图2c中可见，待翻译的源语言数据x首先通过编码器和第一解码器的处理，被翻译为目标语言数据y’；接着，第一解码器的输出被输入第二解码器以重构回仍为源语言的新的数据，即源语言重建数据x’(图2b)，图2c中示意为x
shift
。
36.进而，在一种可行方式中，可以将源语言重建数据x’输入编码器，获得重建编码数据enc(x’)；再基于重建编码数据enc(x’)和源语言编码数据enc(x)，确定针对源语言数据x的翻译质量。通过这种方式，充分利用了机器翻译模型的编码器可输出编码向量的特点，且编码向量可携带有效的语义信息，从而可以基于编码器输出的重建编码数据和源语言编码
数据对翻译质量进行质量评估，有效利用了机器翻译模型自身的资源。
37.其中，在确定翻译质量的一种具体实现方案中，可以对重建编码数据和源语言编码数据进行成对余弦相似度（pairwise cosine similarity）计算，根据计算结果获得两者之间的相似度；根据该相似度，确定针对源语言数据的翻译质量。这种方式实现简单，确定翻译质量的速度较快。该种方式如图2b中所示。
38.在具体计算时，不管是源语言数据还是源语言重建数据，其中的每个字的标识符表达通过编码器的处理后，生成对应的向量序列。例如，对于源语言数据x，其对应的原始字符序列为，其对应的向量序列可表示为：；对于源语言重建数据x’，其对应的原始字符序列为x’=《x1’
,
…
，x
k’》，对应的向量序列可表示为：。则对两者进行成对余弦相似度计算的公式可表示为：其中，q
p
表示召回率得分，qr表示精确度得分，qf表示f1度量；i为计数值，范围从1至的所有元素的数量；j也为计数值，范围从1至的所有元素的数量；表示x的标量，表示x’的标量。
39.在确定翻译质量的另一种具体实现方案中，可以对重建编码数据和源语言编码数据进行交叉熵损失计算，根据计算结果确定针对源语言数据的翻译质量。这种方式虽然稍显复杂，但计算精度高，可以更为准确地基于重建编码数据和源语言编码数据确定翻译质量。该种方式如图2c中所示。
40.在具体计算时，可采用以下交叉熵损失函数计算交叉熵损失：其中，y’表示源语言重建数据；x表示源语言数据；表示源语言数据的长度；表示质量评估得分；表示编码器的参数；表示第一解码器的参数；表示第二解码器的参数；x表示源语言数据x对应的原始字符序列中的字符；i为计数值，其范围从1至x中的所有元素的数量。
41.需要说明的是，在如图2c所示的方式中，第一解码器的解码可采用自由解码（包括但不限于beam search算法），而第二解码器的解码则可采用强制解码（以模型自身生成的前一词的翻译结果为基准进行后序的词的翻译）。
42.此外，在一种可行方案中，上述编码器的编码、第一解码器的解码和第二解码器的
解码在具体实现时，可采用波束搜索算法实现，以提高翻译效率。
43.如前所述，若翻译质量大于预设质量阈值，则可将目标语言数据确定为源语言数据的翻译结果；若翻译质量不大于预设质量阈值，则对目标语言数据进行校正，根据校正结果确定源语言数据的翻译结果。
44.由上可见，在基于上述机器翻译模型进行机器翻译质量评估的方案中，通过采用“翻译-重建-评估”的策略，使得机器翻译模型通过自身即可评估翻译质量，无需依赖于额外的数据，简化了针对机器翻译模型的翻译质量评估的实现。
45.通过本实施例，在获得了目标语言数据之后，还会对该目标语言数据再次进行重构解码，以实现对目标语言数据的反向翻译，再翻译回源语言，获得对应的源语言重建数据。进而，基于该源语言重建数据与原始的源语言数据，来确定本次翻译的翻译质量。若翻译获得的目标语言数据越准确，则根据反向翻译获得的源语言重建数据与原始的源语言数据确定的翻译质量也将越高。由此，可以通过该两个源语言对应的数据，来确定目标语言数据的翻译准确度，进行翻译效果评估。由此，无需借助于人力或额外的翻译质量评估模型即可实现机器翻译模型通过其自身进行翻译质量评估的自我质量评估功能，降低了翻译质量评估的实现成本。
46.实施例二参照图3a，示出了根据本技术实施例二的一种机器翻译模型训练质量评估方法的步骤流程图。
47.本实施例着重对上述实施例中的机器翻译模型的训练质量评估进行说明，该机器翻译模型训练质量评估方法包括以下步骤：步骤s302：获取无标注数据的源语言训练样本数据。
48.本技术实施例中的训练样本数据无需对应的标注数据，因此无需对训练样本进行额外的处理，极大地扩展了训练样本数据的可用范围。例如，可以仅基于中英文平行语料的数据进行英文到中文的机器翻译模型的训练，而无需对该平行语料的翻译准确度或翻译质量进行标注。
49.本实施例中，对源语言的具体语种不作限制。
50.步骤s304：将源语言训练样本数据输入机器翻译模型中的编码器进行编码，获得样本编码数据。
51.为便于说明，以下首先结合图3b，对本实施例中的机器翻译模型的架构进行说明。
52.图3b中，包括编码器enc、第一解码器dec1、和第二解码器dec2。
53.由图中可见，编码器enc基于transformer结构，包括n1个编码模块，每个编码模块至少包括自注意力计算层（self attention）和前向反馈层（feed forward）。n1为正整数第一解码器dec1包括n2个解码模块，每个解码模块中均包括第一分支（图中dec1的实线部分所示）和第二分支（图中dec1的虚线部分所示），第一分支和第二分支共享参数（parameters shared），以实现两端（目标语言端和源语言重建端）的参数共享。n2为正整数，n2的具体数量可以与n1相同，也可不同。
54.其中，第一分支为主要用于翻译（translation）的分支，至少包括：掩码自注意力计算层（masked self attention）、联合注意力计算层（joint attention）、和前向反馈层（feed forward）。其中，联合注意力计算层的输入来自的编码器的前向反馈层的输出。除此
之外，第一分支还具有翻译输出层softmax，以输出翻译结果，即目标语言样本数据。可见，通过第一分支，可以对样本编码数据依次进行掩码自注意力计算、联合注意力计算和前向传播，进而获得第一分支的目标语言样本数据。
55.第二分支为主要用于语言重建（reconstruction）的分支，至少包括：自注意力计算层（self attention）、和前向反馈层（feed forward）。通过第二分支，可以对样本编码数据依次进行自注意力计算和前向传播，获得第二分支的目标语言样本数据，并将第二分支的目标语言样本数据传输给第二解码器dec2。与第一分支不同的是，首先，第二分支不具有联合注意力计算层（joint attention），也即其跳过了编码器对源语言数据的编码输出，从而避免了因信息漏露而无法对第二解码器进行更好地训练；其次，第二分支采用了自注意力计算层（self attention），而非掩码自注意力计算层（masked self attention），从而可以学习到更全面的特征，达到更好的训练效果。由图中可见，第二分支的前向反馈层（feed forward）的输出通过第二解码器的联合注意力计算层传输出第二解码器，在其中发挥作用。
56.其中，第二解码器dec2包括n3个解码模块，n3为正整数，n3的具体数量可以与n1或n2相同，也可不同。对于每个解码模块来说，其均至少包括：掩码自注意力计算层（masked self attention）、联合注意力计算层（joint attention）、和前向反馈层（feed forward）。其中，联合注意力计算层接收第一解码器的第二分支的输出，由此将第二解码器植入原来由编码器和第一解码器形成的“编码器-解码器”结构中。
57.由上可见，本实施例的机器翻译模型的编码器为基于注意力处理的编码器，第一解码器和第二解码器均为基于注意力处理的解码器。
58.则本步骤中，可以将源语言训练样本数据输入图3b所示的机器翻译模型中的编码器，通过该编码器进行编码，以获得样本编码数据。
59.步骤s306：将样本编码数据输入机器翻译模型中的第一解码器进行翻译解码，获得目标语言样本数据。
60.如上所述，本实施例中，可以将编码器输出的样本编码数据输入到第一解码器中，一方面，可获得目标语言样本数据；另一方面，该目标语言样本数据还可被进一步输入第二解码器中，如步骤s308中所述。
61.步骤s308：将目标语言样本数据输入机器翻译模型中的第二解码器再次进行重构解码，获得新生成的源语言重建样本数据。
62.在获得目标语言数据后，将其再输入第二解码器中进行反向翻译即重构解码，获得新的源语言重建样本数据。该源语言重建样本数据的语种与源语言样本数据的语种相同，但是由目标语言样本数据翻译而来。
63.步骤s310：根据源语言训练样本数据和源语言重建样本数据，对机器翻译模型的训练进行质量评估。
64.在一种可行方式中，可以对样本编码数据和源语言重建样本数据对应的编码数据进行成对余弦相似度计算，根据计算结果获得两者之间的相似度；根据该相似度，对机器翻译模型的训练进行质量评估。此种方式中，先将源语言重建样本数据输入机器翻译模型的编码器，获得源语言重建样本数据对应的编码数据，再将该编码数据与源语言训练样本数据对应的编码数据即样本编码数据进行成对余弦相似度计算，由此获得两者之间的相似
度，基于该相似度进行训练质量评估，确定翻译质量。其具体计算方式可参考前述实施例一中相关部分的描述，在此不再赘述。在确定了该翻译质量后，即可评估本次训练的翻译质量情况。在一种可行方式中，获得的翻译质量可仅用于参考或信息展示；在另一种可行方式中，还可以基于该翻译质量对机器翻译模型的参数进行调整，并继续进行训练，直至达到训练终止条件，如达到预设的训练次数等。
65.在另一种可行方式中，可以对样本编码数据和源语言重建样本数据对应的编码数据进行交叉熵损失计算，根据计算结果对机器翻译模型的训练进行质量评估。此种方式中，先将源语言重建样本数据输入机器翻译模型的编码器，获得源语言重建样本数据对应的编码数据，再将该编码数据与源语言训练样本数据对应的编码数据即样本编码数据进行交叉熵损失计算，获得计算结果，基于该计算结果获得本次训练的翻译质量。其中，交叉熵损失计算的具体计算方式可参考前述实施例一中相关部分的描述，在此不再赘述。在确定了翻译质量后，即可基于该翻译质量对机器翻译模型的参数进行调整，并继续进行训练，直至达到训练终止条件，如达到预设的训练次数等。
66.通过本实施例的机器翻译模型的训练质量评估方案，借助于第二解码器对目标语言样本数据的反向翻译的结果（即重构解码的结果），与原始的源语言训练样本数据，即可确定机器翻译模型的本次迭代训练的效果，即本次训练的翻译质量。由此，本方案中，对训练样本的标注数据无要求，极大地拓展了训练样本的来源面，也无需对源语言训练样本数据进行特殊或额外的处理，模型自身即可输出翻译质量评估结果，从而降低了对模型训练进行质量评估的成本。
67.实施例三参照图4，示出了根据本技术实施例三的一种电子设备的结构示意图，本技术具体实施例并不对电子设备的具体实现做限定。
68.如图4所示，该电子设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
69.其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
70.通信接口404，用于与其它电子设备或服务器进行通信。
71.处理器402，用于执行程序410，具体可以执行上述方法实施例中的相关步骤。
72.具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
73.处理器402可能是cpu，或者是特定集成电路asic（application specific integrated circuit），或者是被配置成实施本技术实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
74.存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
75.程序410具体可以用于使得处理器402执行前述多个方法实施例中任一实施例所描述的方法对应的操作。
76.程序410中各步骤的具体实现可以参见上述方法实施例中的相应步骤和单元中对应的描述，并具有相应的有益效果，在此不赘述。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，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
77.本技术实施例还提供了一种计算机程序产品，包括计算机指令，该计算机指令指示计算设备执行上述多个方法实施例中的任一方法对应的操作。
78.需要指出，根据实施的需要，可将本技术实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本技术实施例的目的。
79.上述根据本技术实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质（诸如cd rom、ram、软盘、硬盘或磁光盘）中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件（诸如asic或fpga）的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件（例如，ram、rom、闪存等），当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的方法。此外，当通用计算机访问用于实现在此示出的方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
80.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术实施例的范围。
81.以上实施方式仅用于说明本技术实施例，而并非对本技术实施例的限制，有关技术领域的普通技术人员，在不脱离本技术实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本技术实施例的范畴，本技术实施例的专利保护范围应由权利要求限定。