事件抽取方法、装置、计算机程序产品、存储介质及设备与流程

1.本技术涉及计算机技术领域，尤其涉及一种事件抽取方法、装置、计算机程序产品、存储介质及设备。


背景技术：

2.随着互联网的高速发展，越来越多的信息以电子文本的形式呈现给用户。为了帮助用户在海量信息中快速找到所需要的信息，提出了信息抽取的概念。信息抽取是指从自然语言文本中抽取事实信息，并且以结构化的形式描述信息。事件抽取是信息抽取中的一个重要研究方向，主要是指从含有事件信息的文本数据中抽取出感兴趣的事件信息，并且将用自然语言表达事件以结构化的形式呈现，比如，什么人、什么地方、什么时间、做了什么事。
3.可见，事件抽取在现今的海量信息时代具有极为广阔的应用前景。


技术实现要素：

4.本技术实施例提供的一种事件抽取方法、装置、计算机程序产品、存储介质及设备，实现了对目标文本的事件抽取。所述技术方案如下：
5.第一方面，本技术实施例提供了一种事件抽取方法，所述方法包括：
6.识别目标文本中的至少一个触发词，获取所述至少一个触发词中各触发词对应的触发词向量；
7.基于所述各触发词对应的触发词向量、所述各触发词对应的事件类型向量以及所述各触发词对应的相对位置向量，在所述目标文本中确定与各触发词对应的事件类型相关联的要素词信息，所述要素词信息包括至少一个要素词中各要素词对应的位置信息和所述各要素词之间的要素关系；
8.基于所述各要素词的位置信息以及所述各要素词之间的要素关系，生成所述目标文本对应的事件抽取结果；
9.其中，所述各触发词对应的事件类型向量用于表示所述目标触发词对应的事件类型，所述各触发词对应的相对位置向量用于表示所述目标文本中各单词和各触发词之间的相对位置关系。
10.第二方面，本技术实施例提供了一种事件抽取装置，所述装置包括：
11.触发词识别模块，用于识别目标文本中的至少一个触发词，获取所述至少一个触发词中各触发词对应的触发词向量；
12.要素词信息获取模块，用于基于所述各触发词对应的触发词向量、所述各触发词对应的事件类型向量以及所述各触发词对应的相对位置向量，在所述目标文本中确定与各触发词对应的事件类型相关联的要素词信息，所述要素词信息包括至少一个要素词中各要素词对应的位置信息和所述各要素词之间的要素关系；
13.事件抽取模块，用于基于所述各要素词的位置信息以及所述各要素词之间的要素
关系，生成所述目标文本对应的事件抽取结果；
14.其中，所述各触发词对应的事件类型向量用于表示所述目标触发词对应的事件类型，所述各触发词对应的相对位置向量用于表示所述目标文本中各单词和各触发词之间的相对位置关系。
15.第三方面，本技术实施例提供一种计算机程序产品，所述计算机程序产品存储有至少一条指令，所述至少一条指令适于由处理器加载并执行上述的方法步骤。
16.第四方面，本技术实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行上述的方法步骤。
17.第五方面，本技术实施例提供一种电子设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
18.本技术一些实施例提供的技术方案带来的有益效果至少包括：
19.采用本技术实施例，通过识别目标文本中的至少一个触发词，获取至少一个触发词中各触发词对应的触发词向量，然后基于各触发词对应的触发词向量、各触发词对应的事件类型向量以及各触发词对应的相对位置向量，在目标文本中确定与各触发词对应的事件类型相关联的要素词信息，要素词信息包括至少一个要素词中各要素词对应的位置信息和所述各要素词之间的要素关系，最后根据各要素词对应的位置信息和所述各要素词之间的要素关系，生成目标文本对应的事件抽取结果，实现了对目标文本的事件抽取，通过先确定触发词，根据触发词确定对应要素词信息的方式，有效的解决了现有技术中对重叠事件抽取困难，事件抽取结果无法令人满意的问题，提升了对重叠事件的事件抽取效果。
附图说明
20.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的一些实施例，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的附图。
21.图1为本技术实施例提供了一种事件抽取模型的模型架构图；
22.图2为本技术实施例提供的一种事件抽取方法的流程示意图；
23.图3为本技术实施例提供的一种事件抽取方法的流程示意图；
24.图4为本技术实施例提供的一种第二要素矩阵的举例示意图；
25.图5为本技术实施例提供的一种有向无环图的举例示意图；
26.图6为本技术实施例提供的一种事件抽取装置的结构示意图；
27.图7为本技术实施例提供的一种触发词识别模块的结构示意图；
28.图8为本技术实施例提供的一种要素词信息获取模块的结构示意图；
29.图9示出了本技术一个示例性实施例提供的电子设备的结构方框图。
具体实施方式
30.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，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于
本技术中的实施例，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，都属于本技术保护的范围。
31.在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本技术的描述中，需要说明的是，除非另有明确的规定和限定，“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
32.现有的事件抽取技术，在面对包含多个重叠事件的文本时，往往不能呈现较好的事件抽取效果，这类文本中往往因为事件触发词重叠或事件要素重叠，导致事件抽取较为困难，往往事件抽取结果差强人意。
33.目标文本中存在重叠事件的情况主要包含以下三种情况：
34.第一种，目标文本中存在共享触发词但不同事件类型的事件，例如：目标文本为“张三资本大举增持里斯股份600万股”，其中存在两种事件类型的事件：1)股票投资，其中“张三资本”为主体要素词，“里斯股份”为对象要素词，触发词为“增持”；2)股票购买，其中“张三资本”为主体要素词，“里斯股份”为对象要素词，触发词为“增持”，“600万股”数量要素词。可见，事件1和事件2为不同事件类型的两种事件，其共享触发词为“增持”。
35.第二种，同一个要素词在不同的事件类型中扮演不同的角色，例如：目标文本为“东方控股低价收购福利慈套现7亿后，转让给天海能源”，其中存在两种事件类型的事件：1)股票收购，其中“东方控股”为主体要素词，“福利慈”为对象要素词，触发词为“收购”；2)股票转让，其中“东方控股”为主体要素词，“天海能源”为对象要素词，触发词为“转让”，“7亿”数量要素词。可见，事件1和事件2为不同事件类型的两种事件，但两种事件中存在共有要素词“东方控股”。
36.第三种，同事件类型的多个事件共享一个触发词，例如：目标文本为“东方控股大手笔收购本地龙头企业天地源、华东天地”，其中存在相同事件类型的两种事件：1)股票收购，其中“东方控股”为主体要素词，“天地源”为对象要素词，触发词为“收购”；2)股票转让，其中“东方控股”为主体要素词，“华东天地”为对象要素词，触发词为“收购”。可见，事件1和事件2为相同事件类型的两种事件，但两种事件中存在共享触发词“收购”。
37.为提升如上述重叠事件的事件抽取效果，本技术实施例提出了一种事件抽取方法，首先识别目标文本中的至少一个触发词，获取至少一个触发词中各触发词对应的触发词向量，然后基于各触发词对应的触发词向量、各触发词对应的事件类型向量以及各触发词对应的相对位置向量，在目标文本中确定与各触发词对应的事件类型相关联的要素词信息，要素词信息包括至少一个要素词中各要素词对应的位置信息和所述各要素词之间的要素关系，最后根据各要素词对应的位置信息和所述各要素词之间的要素关系，生成目标文本对应的事件抽取结果，实现了对目标文本的事件抽取，通过先确定触发词，根据触发词确
定对应要素词信息的方式，有效的解决了现有技术中重叠事件抽取的事件抽取结果无法令人满意的问题，提升了对重叠事件的事件抽取效果。
38.请参见图1，为本技术实施例提供了一种事件抽取模型的模型架构图。如图1所示，所述事件抽取模型1为基于深度学习的神经网络模型，所述事件抽取模型1包括向量输入层11、触发词提取层12、要素信息提取层13。
39.向量输入层11用于将输入的目标文本进行向量化处理，生成目标文本中各单词分别对应的原始词向量，以原始词向量作为模型输入。
40.触发词提取层12包括多个二分类器，用于在原始词向量中识别并提取目标文本中的触发词，并生成触发词向量。
41.要素信息提取层13包括条件正则化模块131、事件类型编码模块132、相对位置编码模块133、多层感知机融合模块134以及要素词信息提取模块135，其中条件正则化模块131用于将触发词提取层12输出的触发词向量和目标文本中的各原始词向量分别进行融合得到各融合词向量，事件类型编码模块132用于将触发词对应的事件类型编码得到事件类型向量，相对位置编码模块133用于根据触发词在目标文本中的位置编码生成相对位置向量，多层感知机融合模块134用于将各融合词向量、事件类型向量、相对位置向量进行融合得到第一要素矩阵，要素词信息提取模块135用于在第一要素矩阵中提取各要素词的要素位置信息和各要素词之间的要素关系，以根据各要素词的要素位置信息和各要素词之间的要素关系生成目标文本对应的事件提取结果。
42.所述事件抽取模型基于训练样本集和验证样本集预训练生成，将训练样本集中的训练样本输入事件抽取模型中，事件抽取模型输出对应的事件抽取结果，根据事件抽取模型输出对应的事件抽取结果和验证样本集中的验证数据构建损失函数，基于损失函数调整模型参数，以改善事件抽取模型的事件抽取效果，最终训练完成得到满足要求的事件抽取模型。
43.根据图1所示的模型架构图，下面结合具体的实施例进行详细说明。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。附图中所示的流程图仅是示例性说明，不是必须按照所示步骤执行。例如，有的步骤是并列的，在逻辑上并没有严格的先后关系，因此实际执行顺序是可变的。
44.请参见图2，为本技术实施例提供的一种事件抽取方法的流程示意图，所述事件抽取方法具体可以包括以下步骤：
45.s102，识别目标文本中的至少一个触发词，获取所述至少一个触发词中各触发词对应的触发词向量；
46.具体的，将待进行事件抽取的目标文本输入至如图1所示的事件抽取模型中，由事件抽取模型中的向量输入层获取目标文本中各单词的向量表示，生成目标文本中各单词分别对应的原始词向量，在由触发词提取层根据各原始词向量识别目标文本中是否存在与预设事件类型相关的触发词，并获取各触发词对应的触发词向量。
47.所述触发词是指预设的、触发形成某事件、在事件中具有代表性的词语，一般为事件中的动词词语，例如，“张三资本大举增持里斯股份600万股”中包含增持事件，触发词为“增持”。
48.所述事件抽取模型可以为预训练的语言表征模型(bidirectional encoder representation from transformers，bert)。
49.一个实施例中，将预训练的语言表征模型(bidirectional encoder representation from transformers，bert)的encoder部分作为向量输入层，获取目标文本中各单词的向量表示，得到分别对应于各单词的各原始词向量，然后在触发词提取层通过预设的二分类器对各原始词向量进行二分类处理，在各原始词向量中识别得到至少一个触发词对应的触发词向量。
50.需要说明的是，本技术考虑到在包含重叠事件的目标文本中，可能包含多个触发词，因此采用二分类器对目标文本中所有单词分别进行识别，可以得到目标文本中包含的所有触发词。其中，二分类器的数量可以为多个，每个二分类器对应一种事件类型，每个二分类器可识别对应事件类型的触发词。
51.可选的，所述单词可以为对目标文本进行分词处理后的各单词词语，若所述单词为对所述目标文本进行分词处理后的单词词语，则可直接基于预设的与事件类型对应的二分类器分别对各原始词向量进行二分类处理，在各原始词向量中识别得到至少一个触发词对应的触发词向量。
52.可选的，所述单词还可以为目标文本中的单个字，若所述单词为目标文本中的单个字，所述原始词向量即为目标文本中单个词对应的向量，则在基于预设的与事件类型对应的二分类器分别对各原始词向量进行二分类处理的过程中，二分类器应该按照原始词向量在目标文本中的初始顺序依次对各原始词向量进行二分类处理，二分类器首先确定触发词中的起始词对应的起始词向量，再从起始词向量的位置开始，使用该二分类器依次对起始词向量之后的原始词向量进行二分类处理，识别确定触发词中结束词对应的结束词向量，最后将起始词向量与对应的结束词向量之间所包含的所有原始词向量组合生成该触发词对应的触发词向量。
53.一个实施例中，考虑到目标文本中可能存在与目标文本不相关的触发词，因此，在识别得到至少一个触发词之后，还可以对识别得到的至少一个触发词进行筛选处理，在识别得到的至少一个触发词中排除不属于目标文本的触发词。具体的，本技术实施例提出的事件抽取方法基于深度学习的事件抽取模型实现，因此，可以在事件抽取模型的训练环节，设置触发词约束函数，该约束函数用于约束事件抽取模型中的触发词提取层，避免触发词提取层提取不属于目标文本的触发词。
54.s104，基于所述各触发词对应的触发词向量、所述各触发词对应的事件类型向量以及所述各触发词对应的相对位置向量，在所述目标文本中确定与各触发词对应的事件类型相关联的要素词信息，所述要素词信息包括至少一个要素词中各要素词对应的位置信息和所述各要素词之间的要素关系；
55.具体的，在识别得到目标文本中的至少一个触发词，并得到个触发词对应的触发词向量之后，在各触发词向量中选定一个目标触发词向量，将目标文本向量化处理得到的至少一个原始词向量分别融合目标触发词向量，得到至少一个融合词向量，将至少一个融合词向量、目标触发词对应的事件类型向量、目标触发词对应的相对位置向量通过多层感知机融合生成第一要素矩阵，并在第一要素矩阵中确定与目标触发词对应事件类型相关联的要素词信息。
56.其中，事件类型向量用于表示目标触发词对应的事件类型，相对位置向量用于表示所述目标文本中各单词和目标触发词之间的相对位置关系。
57.所述要素词为目标文本中与对应事件类型相关联的字词，一件完整的事件既要包括触发词，也要包括要素词。要素词用于表示触发词对应事件中所应包含的要素，例如，“东方控股大手笔收购本地龙头企业天地源、华东天地”中包含收购事件，“东方控股”、“天地源”、“华东天地”均为该收购事件中的要素。
58.可以理解，触发词提取层的二分类器和事件类型为一一对应关系，二分类器只能识别对应事件类型对应的触发词，在识别得到触发词后，即可根据二分类器确定该触发词对应的事件类型，进而即可根据事件类型在目标文本中确定提取该事件类型的事件所需的要素词，最后才可根据各要素词对应的位置信息和各要素词之间的要素关系生成事件抽取结果。
59.一种可行的实施方式中，可以通过确定识别得到目标触发词向量的所采用的目标二分类器，根据目标二分类器和事件类型的一一对应关系，确定目标触发词对应的事件类型，然后由要素信息提取层中的事件类型编码模块对目标触发词对应的事件类型进行编码得到目标触发词对应的事件类型向量。
60.进一步的，由s102知，二分类器在识别触发词向量时，首先识别触发词向量对应的起始词向量，再识别触发词向量对应的结束词向量，因而，可以根据目标触发词向量对应的目标起始词向量以及目标结束词向量的位置信息确定目标触发词在目标文本中的位置信息，由要素信息提取层中的相对位置编码模块根据目标触发词在目标文本中的位置信息编码生成目标文本中各单词和所述目标触发词的相对位置向量。
61.更进一步的，将融合词向量、事件类型向量、相对位置向量通过多层感知机融合生成第一要素矩阵。可以理解，融合词向量为融合了触发词特征的各原始词向量，包含了目标文本中的所有文本信息，事件类型向量中包含了事件类型特征、相对位置向量中包含了各单词和目标触发词的相对位置关系特征，基于多层感知机将融合词向量、事件类型向量、相对位置向量进行融合，得到包含上述特征的第一要素矩阵。
62.在得到第一要素矩阵之后，再在第一要素矩阵中提取得到包含与事件类型相关联的各要素词的要素词位置信息的位置信息向量以及包含各要素词之间要素关系的要素关系向量，将位置信息向量以及要素关系向量进行双仿射变换，得到第二要素矩阵，对第二要素矩阵按照预设顺序进行解码，即可得到各要素词的位置信息以及各要素词之间的要素关系。
63.需要说明的是，对于包含重叠事件的目标文本，其中可能包含多个触发词，因此，在执行步骤s104时，要以触发词为维度，依次将各触发词中的其中一个触发词作为目标触发词，并对目标触发词执行以下步骤：将至少一个原始词向量分别融合目标触发词向量，得到至少一个融合词向量，基于二分类器确定目标触发词向量对应的事件类型向量，基于目标触发词向量对应的目标起始词向量的位置信息以及目标结束词向量的位置信息，生成目标触发词向量对应的相对位置向量，将至少一个融合词向量、事件类型向量、相对位置向量通过多层感知机融合生成第一要素矩阵，基于第一要素矩阵确定与目标触发词对应事件类型相关联的要素词信息；以找到各触发词对应的事件类型相关联的要素词信息。
64.s106，基于所述各要素词的位置信息以及所述各要素词之间的要素关系，生成所
述目标文本对应的事件抽取结果。
65.具体的，在得到各触发词对应的事件类型相关联的要素词信息之后，依次根据各触发词分别对应的各要素词的位置信息以及各要素词之间的要素关系，生成对应触发词对应的事件抽取结果，进而得到各触发词分别对应的事件抽取结果，最终得到目标文本对应的所有事件抽取结果。
66.需要说明的是，在目标文本中的触发词为多个时，以触发词为维度，依次根据各触发词对应的各要素词的位置信息以及各要素词之间的要素关系生成各触发词分别对应的事件抽取结果，最终得到目标文本中所有触发词对应的所有事件抽取结果。
67.一个实施例中，基于各要素词的位置信息以及各要素词之间的要素关系，生成包含各要素词的有向无环图，在有向无环图中确定任意两个要素词之间的所有要素路径，基于最长非蕴含原则在各所述要素路径中确定至少一个事件路径，基于事件路径生成目标文本对应的事件抽取结果。
68.在本技术实施例中，首先识别目标文本中的至少一个触发词，然后以触发词为维度，确定触发词对应的事件类型向量，确定触发词对应的相对位置向量以及目标文本中至少一个原始词向量分别融合触发词向量后的至少一个融合词向量，再根据事件类型向量、相对位置向量以及至少一个融合词向量，找到目标文本中与触发词对应事件类型相关联的各要素词的位置信息以及各要素词之间的要素关系，然后根据各要素词的位置信息以及各要素词之间的要素关系生成各触发词分别对应的事件抽取结果，最终得到目标文本中所有触发词对应的所有事件抽取结果，实现了对目标文本的事件抽取，通过先确定触发词，根据触发词确定对应要素词信息的方式，有效的解决了现有技术中对重叠事件抽取的事件抽取结果无法令人满意的问题，提升了对重叠事件的事件抽取效果。
69.请参见图3，为本技术实施例提供的一种事件抽取方法的流程示意图，所述事件抽取方法可以包括以下步骤：
70.s202，将目标文本中的各单词进行向量化处理，得到至少一个原始词向量；
71.具体的，基于事件抽取模型中的向量输入层对目标文本中的各单词进行向量转化处理，得到各单词分别对应的原始词向量。
72.所述单词是指目标文本中单个的字词，若目标文本为中文，则单词是指目标文本中的单个字，若目标文本为英文，则单词是指目标文本中的单个英文词语。
73.例如，目标文本为“张三资本大举增持里斯股份600万股”，基于事件抽取模型中的向量输入层对目标文本中的各单词进行向量转化处理后，即可得到目标文本中各单词分别对应的原始词向量，如单词“张”对应的原始词向量1、单词“三”对应的原始词向量2、单词“资”对应的原始词向量3、单词“本”对应的原始词向量4、单词“大”对应的原始词向量5、单词“举”对应的原始词向量6、单词“增”对应的原始词向量7、单词“持”对应的原始词向量8、单词“里”对应的原始词向量9、单词“斯”对应的原始词向量9、单词“股”对应的原始词向量10、单词“份”对应的原始词向量11、单词“600”对应的原始词向量12、单词“万”对应的原始词向量13、单词“股”对应的原始词向量14。
74.s204，基于预设的二分类器对所述至少一个原始词向量中的各原始词向量分别进行二分类处理，以确定所述至少一个触发词中各触发词对应的触发词向量；
75.所述二分类器为构建事件抽取模型指出，根据事件类型的类别预先设置的，不同
二分类器只能识别确定对应事件类型的触发词。若事件抽取模型抽取的事件类型为多个，则二分类器的数量为多个。
76.具体的，按照至少一个原始词向量中各原始词向量在目标文本中的初始顺序，利用二分类器依次对各原始词向量依次进行二分类处理，以确定至少一个起始词向量，按照原始词向量的在目标文本中的初始顺序分别从各起始词向量位置开始依次识别预设数量的原始词向量，确定与各起始词向量分别对应的结束词向量，分别将各起始词向量与对应的结束词向量之间所包含的所有原始词向量组合生成触发词向量，以得到至少一个触发词中各触发词对应的触发词向量。
77.所述利用二分类器依次对各原始词向量依次进行二分类处理，以确定至少一个起始词向量，包括：
[0078][0079]
其中，h为原始词向量的集合，为原始词向量集合中按照各原始词向量在目标文本中的初始顺序排列，第i个原始词向量为起始词向量的概率。
[0080]
所述按照原始词向量的在目标文本中的初始顺序分别从各起始词向量位置开始依次识别预设数量的原始词向量，确定与各起始词向量分别对应的结束词向量，包括：
[0081][0082]
其中，为第i个原始词向量为结束词向量的概率。
[0083]
一种具体的实施方式中，二分类器的数量为一个时，由该二分类器按照各原始词向量在目标文本中的初始顺序对各原始词向量进行二分类处理，查找各原始词向量中是否存在该二分类器对应事件类型的触发词的起始词向量，若存在，则由该二分类器从该起始词向量开始，继续识别预设数量的原始词向量，以确定该起始词向量对应的结束词向量，将起始词向量和结束词向量之间的所有原始词向量组合生成触发词向量，若不存在，则确定目标文本不存在事件抽取模型可抽取的事件。其中，起始词向量即为触发词中第一个字对应的原始词向量，结束词向量即为触发词中末尾字对应的原始词向量，例如，目标文本为“张三资本大举增持里斯股份600万股”，则该目标文本中存在的事件类型为增持事件，触发词即为“增持”，其中“增”即为触发词的起始词，“增”对应的原始词向量即为该触发词的起始词向量，“持”即为触发词的结束词，“持”对应的原始词向量即为该触发词的结束词向量，二分类器依照“张”、“三”、“资”、“本”、“大”、“举”、“增”、“持”、“里”、“斯”、“股”、“份”、“600”、“万”、“股”的顺序，依次对各单词的原始词向量进行二分类处理，识别到“增”对应的原始词向量为起始词向量，在由该二分类器继续从“增”开始，依次对预设数量的原始词向量进行二分类处理，识别到“持”对应的原始词向量为起始词向量，则由“增”对应的原始词向量和“持”对应的原始词向量融合生成触发词“增持”对应的触发词向量。
[0084]
需要说明的是，考虑到触发词的长度不会太长，若结束词向量和起始词向量相隔太远，可能是错误的识别结果，因此，在识别得到触发词对应的起始词向量之后，为减小误差，二分类器在识别结束词向量的过程中，加入了触发词长度约束，只需对起始词向量之后的预设数量的原始词向量进行二分类处理，即只在起始词向量之后预设数量个原始词向量中识别结束词向量。
[0085]
一种具体的实施方式中，二分类器的数量有多个时，可以给各二分类器设置执行
顺序，首先由执行顺序靠前的二分类器按照各原始词向量在目标文本中的初始顺序对各原始词向量进行二分类处理，若该二分类器找到其对应事件类型的触发词的起始词向量，则由该二分类器从该起始词向量开始，继续识别预设数量的原始词向量，以确定该起始词向量对应的结束词向量，将起始词向量和结束词向量之间的所有原始词向量组合生成触发词向量(即该二分类器对应事件类型的触发词的向量表示)，若该二分类器未找到其对应事件类型的触发词的起始词向量，则由执行顺序靠后一个的二分类器继续按照各原始词向量在目标文本中的初始顺序对各原始词向量进行二分类处理，识别对应事件类型的触发词的起始词向量以及结束词向量，以得到该二分类器对应事件类型的触发词向量的步骤。最终，各个二分类器均识别完毕之后，即可得到目标文本中所有触发词分别对应的触发词向量。
[0086]
s206，将所述至少一个原始词向量分别融合目标触发词向量，得到至少一个融合词向量，所述目标触发词向量为所述至少一个触发词中的任意一个触发词对应的触发词向量；
[0087]
具体的，由事件抽取模型的要素信息提取层中的条件正则化模块将目标文本中各单词分别对应的原始词向量融合目标触发词向量，得到各单词分别对应的融合词向量，目标触发词向量为步骤s204中识别得到的触发词向量中的其中一个。
[0088]
一种可行的实施方式中，目标触发词向量可以为步骤s204中识别得到的第一个触发词向量。前文提到，在当目标文本中的触发词有多个时，为各二分类器设置执行顺序，按照执行顺序由各二分类器依次在目标文本中识别触发词向量，因此，目标触发词向量可以为各二分类器在目标文本中识别到的第一个触发词向量，在各二分类器在目标文本中识别到的第一个触发词向量之后，将该触发词向量作为目标触发词向量，并执行步骤s206～步骤s222，在各二分类器在目标文本中识别到的第二个触发词向量之后，将第二个触发词向量作为目标触发词向量，继续执行步骤s206～步骤s222，直到将目标文本中各触发词对应的事件抽取完成。
[0089]
s208，基于所述二分类器确定所述目标触发词向量对应中事件类型向量；
[0090]
具体的，二分类器为预设的与事件类型一一对应的二分类器，基于目标触发词向量对应的目标二分类器确定目标触发词对应的事件类型，目标二分类器为识别得到目标触发词向量所采用的二分类器，由事件抽取模型的要素信息提取层中的事件类型编码模块对事件类型进行编码处理，得到目标触发词向量对应的事件类型向量。
[0091]
s210，基于所述目标触发词向量对应的目标起始词向量的位置信息以及目标结束词向量的位置信息，生成所述目标触发词向量对应的相对位置向量；
[0092]
具体的，确定目标触发词向量对应的目标起始词向量以及目标结束词向量，基于目标起始词向量的位置信息以及目标结束词向量的位置信息确定目标触发词在目标文本中的位置信息，由事件抽取模型的要素信息提取层中的相对位置编码模块基于目标触发词在目标文本中的位置信息生成目标文本中各单词和目标触发词的相对位置向量。
[0093]
相对位置向量用于表示目标文本中各单词和目标触发词之间的相对位置关系。
[0094]
s212，将所述至少一个融合词向量、所述事件类型向量、所述相对位置向量通过多层感知机融合生成第一要素矩阵；
[0095]
具体的，由事件抽取模型的要素信息提取层中的多层感知机融合模块将目标触发词对应的至少一个融合词向量、事件类型向量、相对位置向量融合生成第一要素矩阵。
[0096]
s214，基于所述第一要素矩阵确定与所述目标触发词对应事件类型相关联的要素词信息；
[0097]
要素词为目标文本中与对应事件类型相关联的字词，所述要素词信息包括与目标触发词对应的至少一个要素词中各要素词对应的位置信息和各要素词之间的要素关系。
[0098]
具体的，由事件抽取模型的要素信息提取层中的要素词信息提取模块在第一要素矩阵中提取目标触发词对应事件类型相关联的各要素词的位置信息向量以及各要素词之间的要素关系向量，将位置信息向量以及要素关系向量进行双仿射变换，得到第二要素矩阵，对第二要素矩阵按照预设顺序进行解码，得到各要素词的位置信息以及各要素词之间的要素关系。
[0099]
一种可行的实施方式中，第一要素矩阵基于至少一个融合词向量、事件类型向量、相对位置向量融合生成，其中包含了目标触发词和目标文本中各单词的相对位置关系特征、事件类型特征、目标触发词特征，所述在第一要素矩阵中提取目标触发词对应事件类型相关联的各要素词的位置信息向量，可以为：
[0100]aend
＝softmax(mlp(a))
[0101]
其中，a
end
为某要素词的结尾字的向量表示，a为至少一个融合词向量、事件类型向量、相对位置向量融合生成第一要素矩阵。在第一要素矩阵中提取要素词的结尾字的向量表示。
[0102]
s＝mlp([a；a
end
])
[0103]
其中，s要素词对应的位置信息向量。根据要素词的结尾字的向量表示编码产生该要素词对应的位置信息向量。
[0104]
所述在第一要素矩阵中提取目标触发词对应事件类型相关联的各要素词的要素关系向量，可以包括：
[0105]
r＝σ(a
t
wa)
[0106]
r＝mlp([a；r])
[0107]
其中，r为各要素词的要素关系向量。
[0108]
所述将位置信息向量以及要素关系向量进行双仿射变换，得到第二要素矩阵，可以为：
[0109][0110]
其中，si为第i个位置信息向量，rj为第j个要素关系向量，y
ij
为将位置信息向量以及要素关系向量进行双仿射变换后得到的第二要素矩阵中第i列第j行的向量表示。
[0111]
所述对第二要素矩阵按照预设顺序进行解码，得到各要素词的位置信息以及各要素词之间的要素关系，可以为：
[0112]
对第二要素矩阵，沿列从上至下解码，得到各要素词的位置信息，沿行从左至右解码，得到各要素词之间的要素关系。
[0113]
请参见图4，为本技术实施例提供的一种第二要素矩阵的举例示意图。如图4所示，所示为对某目标文本进行事件抽取的过程中，生成的第二要素矩阵举例示意图。如图所示，所示虚线框内每一个方格即为一个向量y
ij
，虚线框内所有的向量y
ij
组成了第二要素矩阵。从图中不难看出，沿列方向，由上而下解码，每解码到要素词的最后一个字时，即可得到要素词的位置信息，如图所示的第一位置信息为要素词“天音控股”的位置信息，以及第二位
置信息、第三位置信息、第四位置信息、第五位置信息分别代表对应要素词的位置信息。沿行方向，由左而右解码，每解码到要素词的第一个字时，即可得到行方向的要素词和列方向的要素词的要素关系，如图所示的第一要素关系为要素词“天音控股”和要素词“天音控股”的要素关系，e表示要素词相同，第二要素关系为要素词“天音控股”和要素词“东莞维科”的要素关系，sub表示“天音控股”为“东莞维科”主体，以及第三要素关系、第四要素关系、第五要素关系分别代表对应要素词之间的要素关系。
[0114]
s216，基于所述各要素词的位置信息以及所述各要素词之间的要素关系，生成包含各要素词的有向无环图；
[0115]
s218，在所述有向无环图中确定任意两个要素词之间的所有要素路径；
[0116]
步骤s216和步骤s218具体的，在得到各要素词的位置信息以及各要素词之间的要素关系之后，根据各要素词的位置信息以及各要素词之间的要素关系，生成包含各要素词的有向无环图，并在有向无环图中确定任意两个要素词之间的所有要素路径。
[0117]
请参见图5，为本技术实施例提供的一种有向无环图的举例示意图。图5为根据图4所示的第二要素矩阵，提取各要素词对应的位置信息和各要素词之间的要素关系之后，生成的有向无环图。如图5所示，在所示的有向无环图，包含“天音控股”、“东莞维科”、“天珑移动”、“20％”、“30％”等要素词，按照如图所示的有向无环图，可以确定两两要素之间的要素路径包括：“天音控股”》“东莞维科”、“天音控股”》“东莞维科”》“20％”、“东莞维科”》“20％”、“天音控股”》“20％”、“天音控股”》“天珑移动”、天音控股”》“天珑移动”》“30％”、“天珑移动”》“30％”、天音控股”》“30％”。
[0118]
s220，基于最长非蕴含原则在各所述要素路径中确定至少一个事件路径；
[0119]
具体的，在各要素路径中，找出两两要素之间最长的要素路径，并将被其它要素路径包含的要素路径丢弃。
[0120]
例如，在如图5所示有向无环图所包含的要素路径中，“天音控股”和“20％”之间最长的要素路径为：“天音控股”》“东莞维科”》“20％”，“天音控股”和“东莞维科”之间最长的要素路径为：“天音控股”》“东莞维科”，而路径“天音控股”》“东莞维科”》“20％”包含了路径“天音控股”》“东莞维科”，因此将路径“天音控股”》“东莞维科”丢弃，仅保留路径“天音控股”》“东莞维科”》“20％”。
[0121]
s222，基于所述事件路径生成所述目标文本对应的事件抽取结果。
[0122]
具体的，根据步骤s220基于最长非蕴含原则保留的事件路径生成事件抽取结果。例如，路径“天音控股”》“东莞维科”》“20％”被保留，该路径对应的触发词为“收购”，因此，可得事件抽取结果为：天音控股收购东莞维科20％的股份。
[0123]
在本技术实施例中，首先识别目标文本中的至少一个触发词，然后以触发词为维度，确定触发词对应的事件类型向量，确定触发词对应的相对位置向量以及目标文本中至少一个原始词向量分别融合触发词向量后的至少一个融合词向量，再将事件类型向量、相对位置向量以及至少一个融合词向量通过多层感知机融合生成第一要素矩阵，再第一要素矩阵中依次提取事件类型对应各要素词的位置信息向量以及要素关系向量，并将各要素词的位置信息向量以及要素关系向量进行双仿射变换得到一个双仿射网络的第二要素矩阵，在第二要素矩阵中找到目标文本中与触发词对应事件类型相关联的各要素词的位置信息以及各要素词之间的要素关系，然后根据各要素词的位置信息以及各要素词之间的要素关
系生成有向无环图，再基于最长非蕴含原则在有向无环图中找到合适的事件路径，最终根据事件路径得到对应的事件抽取结果，实现了对目标文本的事件抽取，通过先确定触发词，根据触发词确定对应要素词信息的方式，有效的解决了现有技术中对重叠事件抽取的事件抽取结果无法令人满意的问题，提升了对重叠事件的事件抽取效果，基于双仿射得到的第二要素矩阵保证了对各种重叠事件的抽取效果，大大提高了事件抽取的稳定性。
[0124]
在本技术一个或多个实施例中，可以理解，事件抽取模型为针对特定的几种事件类型的事件而设计的基于深度学习的神经网络模型，它可以从目标文本中抽取所述特定的几种事件类型对应的事件。若目标文本中不存在事件抽取模型所能抽取的事件类型对应的事件，事件抽取模型无法从目标文本中抽取得到相应的事件抽取结果，则输出“目标文本中不存在事件”的提示信息。
[0125]
在一种可能的实现方式中，目标文本中不存在事件抽取模型所能抽取的事件类型对应的事件时，事件抽取模型在目标文本中未识别得到至少一个触发词，输出“未能在目标文本中识别到触发词、目标文本中不存在事件”的提示信息。
[0126]
在一种可能的实现方式中，目标文本中不存在事件抽取模型所能抽取的事件类型对应的事件时，事件抽取模型在目标文本中识别得到至少一个触发词，未能根据触发词提取得到对应的要素词信息，输出“未能在目标文本中识别到要素词信息，目标文本中不存在事件”的提示信息。
[0127]
因此，只有在目标文本中存在事件抽取模型所能抽取的事件类型对应的事件时，事件抽取模型通过执行如图2、图3所示实施例中的方法步骤，才可以在目标文本中抽取得到相对应的事件抽取结果。
[0128]
请参见图6，为本技术实施例提供的一种事件抽取装置的结构示意图。如图6所示，该事件抽取装置2可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。根据一些实施例，该事件抽取装置2包括触发词识别模块21、要素词信息获取模块22以及事件抽取模块23，具体包括：
[0129]
触发词识别模块21，用于识别目标文本中的至少一个触发词，获取所述至少一个触发词中各触发词对应的触发词向量；
[0130]
要素词信息获取模块22，用于基于所述各触发词对应的触发词向量、所述各触发词对应的事件类型向量以及所述各触发词对应的相对位置向量，在所述目标文本中确定与各触发词对应的事件类型相关联的要素词信息，所述要素词信息包括至少一个要素词中各要素词对应的位置信息和所述各要素词之间的要素关系；
[0131]
事件抽取模块23，用于基于所述各要素词的位置信息以及所述各要素词之间的要素关系，生成所述目标文本对应的事件抽取结果；
[0132]
其中，所述各触发词对应的事件类型向量用于表示所述目标触发词对应的事件类型，所述各触发词对应的相对位置向量用于表示所述目标文本中各单词和各触发词之间的相对位置关系。
[0133]
可选的，请参见图7，为本技术实施例提供的一种触发词识别模块的结构示意图。如图7所示，所述触发词识别模块21，包括：
[0134]
原始词向量获取单元211，用于将目标文本中的各单词进行向量化处理，得到至少一个原始词向量；
[0135]
触发词向量获取单元212，用于基于预设的二分类器对所述至少一个原始词向量中的各原始词向量分别进行二分类处理，以确定所述至少一个触发词中各触发词对应的触发词向量。
[0136]
可选的，所述触发词向量获取单元212，具体用于：
[0137]
按照所述至少一个原始词向量中各原始词向量在目标文本中的初始顺序，对所述各原始词向量依次进行二分类处理，以确定至少一个起始词向量；
[0138]
按照原始词向量的在目标文本中的初始顺序分别从各起始词向量位置开始依次识别预设数量的原始词向量，确定与各起始词向量分别对应的结束词向量；
[0139]
分别将各起始词向量与对应的结束词向量之间所包含的所有原始词向量组合生成触发词向量，以所述至少一个触发词中各触发词对应的触发词向量。
[0140]
可选的，所述触发词向量获取单元212，还用于：
[0141]
基于预设的至少一个二分类器对所述至少一个原始词向量中各原始词向量分别进行二分类处理，以确定至少一个初始触发词向量；
[0142]
在所述至少一个初始触发词向量中筛选出与所述目标文本对应的至少一个触发词中各触发词对应的触发词向量。
[0143]
可选的，请参见图8，为本技术实施例提供的一种要素词信息获取模块的结构示意图。如图8所示，所述要素词信息获取模块22，包括：
[0144]
第一向量获取单元221，用于将所述至少一个原始词向量分别融合目标触发词向量，得到至少一个融合词向量，所述目标触发词向量为所述至少一个触发词中的任意一个触发词对应的触发词向量；
[0145]
第二向量获取单元222，用于基于所述二分类器确定所述目标触发词向量对应的事件类型向量；
[0146]
第三向量获取单元223，用于基于所述目标触发词向量对应的目标起始词向量的位置信息以及目标结束词向量的位置信息，生成所述目标触发词向量对应的相对位置向量；
[0147]
要素矩阵生成单元224，用于将所述至少一个融合词向量、所述事件类型向量、所述相对位置向量通过多层感知机融合生成第一要素矩阵；
[0148]
要素词信息获取单元225，用于基于所述第一要素矩阵确定与所述目标触发词对应事件类型相关联的要素词信息。
[0149]
可选的，所述第二向量获取单元222，具体用于：
[0150]
基于所述目标触发词向量对应的目标二分类器确定所述目标触发词对应的事件类型，所述目标二分类器为识别得到目标触发词向量所采用的二分类器；
[0151]
对所述事件类型进行编码处理，得到所述目标触发词向量对应的事件类型向量。
[0152]
可选的，所述第三向量获取单元223，具体用于：
[0153]
确定所述目标触发词向量对应的目标起始词向量以及目标结束词向量；
[0154]
基于所述目标起始词向量的位置信息以及所述目标结束词向量的位置信息确定目标触发词在目标文本中的位置信息；
[0155]
基于所述目标触发词在目标文本中的位置信息生成目标文本中各单词和所述目标触发词的相对位置向量。
[0156]
可选的，所述要素词信息获取单元225，具体用于：
[0157]
在所述第一要素矩阵中提取所述目标触发词对应事件类型对应的至少要素词的位置信息向量以及各要素词之间的要素关系向量；
[0158]
将所述位置信息向量以及所述要素关系向量进行双仿射变换，得到第二要素矩阵；
[0159]
对所述第二要素矩阵按照预设顺序进行解码，得到各要素词的位置信息以及各要素词之间的要素关系。
[0160]
可选的，所述事件抽取模块23，具体用于：
[0161]
基于所述各要素词的位置信息以及所述各要素词之间的要素关系，生成包含各要素词的有向无环图；
[0162]
在所述有向无环图中确定任意两个要素词之间的所有要素路径；
[0163]
基于最长非蕴含原则在各所述要素路径中确定至少一个事件路径；
[0164]
基于所述事件路径生成所述目标文本对应的事件抽取结果。
[0165]
采用本技术实施例提供的事件抽取装置，首先识别目标文本中的至少一个触发词，然后以触发词为维度，确定触发词对应的事件类型向量，确定触发词对应的相对位置向量以及目标文本中至少一个原始词向量分别融合触发词向量后的至少一个融合词向量，再将事件类型向量、相对位置向量以及至少一个融合词向量通过多层感知机融合生成第一要素矩阵，再第一要素矩阵中依次提取事件类型对应各要素词的位置信息向量以及要素关系向量，并将各要素词的位置信息向量以及要素关系向量进行双仿射变换得到一个双仿射网络的第二要素矩阵，在第二要素矩阵中找到目标文本中与触发词对应事件类型相关联的各要素词的位置信息以及各要素词之间的要素关系，然后根据各要素词的位置信息以及各要素词之间的要素关系生成有向无环图，再基于最长非蕴含原则在有向无环图中找到合适的事件路径，最终根据事件路径得到对应的事件抽取结果，实现了对目标文本的事件抽取，通过先确定触发词，根据触发词确定对应要素词信息的方式，有效的解决了现有技术中对重叠事件抽取的事件抽取结果无法令人满意的问题，提升了对重叠事件的事件抽取效果，基于双仿射得到的第二要素矩阵保证了对各种重叠事件的抽取效果，大大提高了事件抽取的稳定性。
[0166]
本技术实施例还提供的一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1～图5所示实施例的所述事件抽取方法，具体执行过程可以参见图1～图5所示实施例的具体说明，在此不进行赘述。
[0167]
本技术还提供的一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行如上述图1～图5所示实施例的所述事件抽取方法，具体执行过程可以参见图1～图5所示实施例的具体说明，在此不进行赘述。
[0168]
请参考图9，示出了本技术一个示例性实施例提供的电子设备的结构方框图。本技术中的电子设备可以包括一个或多个如下部件：处理器110、存储器120、输入装置130、输出装置140和总线150。处理器110、存储器120、输入装置130和输出装置140之间可以通过总线150连接。
[0169]
处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令
集，以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器110可集成中心处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器110中，单独通过一块通信芯片进行实现。
[0170]
存储器120可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory，rom)。可选地，该存储器120包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器120可用于存储指令、程序、代码、代码集或指令集。
[0171]
其中，输入装置130用于接收输入的指令或数据，输入装置130包括但不限于键盘、鼠标、摄像头、麦克风或触控设备。输出装置140用于输出指令或数据，输出装置140包括但不限于显示设备和扬声器等。在本技术实施例中，输入装置130可以为温度传感器，用于获取终端的运行温度。输出装置140可以为扬声器，用于输出音频信号。
[0172]
除此之外，本领域技术人员可以理解，上述附图所示出的终端的结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、无线保真(wireless fidelity，wifi)模块、电源、蓝牙模块等部件，在此不再赘述。
[0173]
在本技术实施例中，各步骤的执行主体可以是上文介绍的终端。可选地，各步骤的执行主体为终端的操作系统。操作系统可以是安卓系统，也可以是ios系统，或者其它操作系统，本技术实施例对此不作限定。
[0174]
在图9的电子设备中，处理器110可以用于调用存储器120中存储的事件抽取程序，并执行以实现如本技术各个方法实施例所述的事件抽取方法。
[0175]
在本技术实施例中，首先识别目标文本中的至少一个触发词，然后以触发词为维度，确定触发词对应的事件类型向量，确定触发词对应的相对位置向量以及目标文本中至少一个原始词向量分别融合触发词向量后的至少一个融合词向量，再将事件类型向量、相对位置向量以及至少一个融合词向量通过多层感知机融合生成第一要素矩阵，再第一要素矩阵中依次提取事件类型对应各要素词的位置信息向量以及要素关系向量，并将各要素词的位置信息向量以及要素关系向量进行双仿射变换得到一个双仿射网络的第二要素矩阵，在第二要素矩阵中找到目标文本中与触发词对应事件类型相关联的各要素词的位置信息以及各要素词之间的要素关系，然后根据各要素词的位置信息以及各要素词之间的要素关系生成有向无环图，再基于最长非蕴含原则在有向无环图中找到合适的事件路径，最终根据事件路径得到对应的事件抽取结果，实现了对目标文本的事件抽取，通过先确定触发词，根据触发词确定对应要素词信息的方式，有效的解决了现有技术中对重叠事件抽取的事件抽取结果无法令人满意的问题，提升了对重叠事件的事件抽取效果，基于双仿射得到的第二要素矩阵保证了对各种重叠事件的抽取效果，大大提高了事件抽取的稳定性。
[0176]
本领域的技术人员可以清楚地了解到本技术的技术方案可借助软件和/或硬件来
实现。本技术中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(field－programmable gate array，fpga)、集成电路(integrated circuit，ic)等。
[0177]
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，本技术并不受所描述的动作顺序的限制，因为依据本技术，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技术所必须的。
[0178]
在上述实施例中，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。
[0179]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，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服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0180]
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。
[0181]
另外，在本技术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。
[0182]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0183]
以上所述者，仅为本技术的示例性实施例，不能以此限定本技术的范围。即但凡依本技术教导所作的等效变化与修饰，皆仍属本技术涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的范围和精神由权利要求限定。