阅读说明：本技术 语句处理方法和装置、以及电子设备和可读存储介质 (Statement processing method and device, electronic device and readable storage medium ) 是由 徐焕旻 何伯磊 刘准 和为 李雅楠 于 2020-06-22 设计创作，主要内容包括：本公开提供了一种语句处理方法,涉及深度学习和自然语言处理领域。该方法包括：获取请求语句；确定表示请求语句的词序列,词序列包括多个词；利用预定确定模型确定多个词中的每个词在请求语句中的重要度；根据每个词的重要度及所述词序列,生成针对请求语句的检索语句；以及根据检索语句,从信息池中确定针对请求语句的响应信息。本公开还提供了一种语句处理装置、一种电子设备以及一种计算机可读存储介质。(The disclosure provides a sentence processing method, and relates to the field of deep learning and natural language processing. The method comprises the following steps: acquiring a request statement; determining a word sequence representing a request sentence, the word sequence comprising a plurality of words; determining an importance of each of the plurality of words in the request sentence using a predetermined determination model; generating a retrieval statement aiming at the request statement according to the importance of each word and the word sequence; and determining response information for the request statement from the information pool according to the retrieval statement. The present disclosure also provides a sentence processing apparatus, an electronic device, and a computer-readable storage medium.)

语句处理方法和装置、以及电子设备和可读存储介质

技术领域

本公开涉及深度学习和自然语言处理领域，更具体地，涉及一种语句处理方法和装置、以及电子设备和可读存储介质。

背景技术

随着信息技术的发展，各领域的知识不断积累。当该些知识形成一定规模体系后，用户可以通过检索的方式来获取需求的信息。通过该方式，可以在一定程度上提高用户运用知识的效率，提高知识运用的传递速率。

在实现本公开构思的过程中，发明人发现相关技术中至少存在以下技术问题：现有的知识搜索技术，往往先对搜索请求语句进行分词处理，然后将分词与通过倒排索引的方式查找的信息进行匹配度计算。该些知识搜索技术在查找信息的过程中，搜索请求语句分词后得到的各个分词的重要度相等，在信息源资源量较少时，会存在查找的信息缺少与重要分词匹配的信息，而存在较多与不重要分词匹配的信息的情况。这在一定程度上会降低查找得到的信息的准确性，从而降低用户体验，降低知识运用传递的效率。

发明内容

有鉴于此，本公开提供了一种能够提高信息检索准确性、提高知识运用传递效率的语句处理方法和装置、以及电子设备和可读存储介质。

本公开的一个方面提供了一种语句处理方法，该方法包括：获取请求语句；确定表示请求语句的词序列，该词序列包括多个词；利用预定确定模型确定多个词中的每个词在请求语句中的重要度；根据每个词的重要度及词序列，生成针对请求语句的检索语句；以及根据检索语句，从信息池中确定针对请求语句的响应信息。

可选地，利用预定确定模型确定每个词的重要度包括：根据每个词与请求语句的语义之间的关联度，向每个词分配用于指示重要度的权重；生成针对请求语句的检索语句包括：将向每个词分配的权重，作为每个词与信息池中的多个信息彼此之间第一相似度的相似度权重；以及将相似度权重添加至词序列中，得到检索语句。

可选地，从信息池中确定针对请求语句的响应信息包括：根据相似度权重，确定检索语句与多个信息中每个信息之间的第二相似度；以及获取多个信息中与检索语句之间的第二相似度大于相似度阈值的信息，作为响应信息。

可选地，利用预定确定模型确定每个词的重要度包括：根据每个词与请求语句的语义之间的关联度及每个词的属性，将多个词划分为具有不同重要度级别的至少两个词组；生成针对请求语句的检索语句包括：向词序列中的目标词添加标签，得到检索语句，目标词包括多个词中被划分至重要度级别最高的词组的词，其中，标签用于指示响应信息中包括目标词。

可选地，从信息池中确定针对请求语句的响应信息包括：获取信息池包括的多个信息中包括目标词的信息，作为响应信息。

可选地，上述语句处理方法还包括：获取历史请求语句以及针对历史请求语句的多个历史响应信息；根据预定规则，确定多个历史响应信息中的目标信息；确定表示历史请求语句的词序列，作为包括多个历史词的历史词序列；以及根据多个历史词分别在历史请求语句中的重要度以及多个历史词在目标信息中的重要度，确定是否更新预定确定模型。

可选地，上述目标信息包括至少两个目标信息，至少两个目标信息包括与历史请求语句关联性较高的第一目标信息，以及与历史请求语句关联性较低的第二目标信息；确定是否更新所述预定确定模型包括：根据由预定确定模型确定的重要度自高至低，对多个历史词进行排序，得到第一排序结果；根据在第一目标信息中的词频自高至低，对多个历史词进行排序，得到第二排序结果；根据在第二目标信息中的词频自高至低，对多个历史词进行排序，得到第三排序结果；以及根据第一排序结果、第二排序结果以及第三排序结果，确定是否更新预定确定模型。

可选地，确定是否更新预定确定模型包括：在第一排序结果与第二排序结果不一致，且第一排序结果与第三排序结果一致的情况下，确定更新预定确定模型，以使得与利用更新前的预定确定模型确定的重要度相比较，利用更新后的预定确定模型确定的第一历史词的重要度提高，且确定的第二历史词的重要度降低，其中，第一历史词为在第二排序结果中的次序比在第一排序结果中的次序靠前的历史词；第二历史词为在第二排序结果中的次序比在第一排序结果中的次序靠后的历史词。

可选地，确定多个历史响应信息中的目标信息包括：向多个历史响应信息中的每个历史响应信息分配初始评估值；根据针对多个历史响应信息的操作记录，调整每个历史响应信息的初始评估值，以得到调整后评估值；以及根据每个历史响应信息的调整后评估值，确定多个历史响应信息中的目标信息。

可选地，调整每个历史响应信息的评估值包括以下至少之一：根据多个历史响应信息的访问记录，将多个历史响应信息中被访问的时刻较早的历史响应信息的评估值提高第一数值，将多个历史响应信息中被访问的时刻最晚的历史响应信息的评估值提高第二数值，第二数值大于所述第一数值；根据多个历史响应信息的访问记录及多个历史响应信息的展示位置，提高多个历史响应信息中展示位置较后且被访问的历史响应信息的评估值；根据多个历史响应信息的访问记录，提高多个历史响应信息中被访问的时长较长的历史响应信息的评估值。

可选地，确定多个历史响应信息中的目标信息还包括：根据多个历史响应信息的属性，调整每个历史响应信息的评估值，包括以下至少之一：根据多个历史响应信息的生成时刻，提高生成时刻较晚的历史响应信息的评估值；根据多个历史响应信息的信息源，提高信息源的置信度较高的历史响应信息的评估值。

可选地，根据多个历史响应信息的属性，调整每个历史响应信息的评估值还包括：确定历史请求语句的意图信息；根据意图信息，确定提高生成时刻较晚的历史响应信息的评估值的步长；以及根据意图信息，确定提高信息源的置信度较高的历史响应信息的评估值的步长。

可选地，预定确定模型包括字阶子模型和调整子模型；上述语句处理方法还包括：在确定更新预定确定模型的情况下，更新调整子模型。

本公开的另一方面提供了一种语句处理装置，该装置包括：获取模块，用于获取请求语句；词序列确定模块，用于确定表示请求语句的词序列，词序列包括多个词；重要度确定模块，用于根据预定确定模型确定多个词中的每个词在请求语句中的重要度；检索语句生成模块，用于根据每个词的重要度及词序列，生成针对请求语句的检索语句；以及信息确定模块，用于根据检索语句，从信息池中确定针对请求语句的响应信息。

本公开的另一方面提供了一种计算机系统，该计算机系统包括：一个或多个处理器；以及存储装置，用于存储一个或多个程序。其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行如上所述的语句处理方法。

本公开的另一方面提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的语句处理方法。

本公开的另一方面提供了一种计算机程序，该计算机程序包括计算机可执行指令，该指令在被执行时用于实现如上所述的语句处理方法。

根据本公开的实施例，可以至少部分地避免相关技术中信息查找准确性低，存在匹配到与不重要的词相关的信息的技术缺陷。并因此通过确定表示请求语句的词序列中的每个词的重要度，可以使得从信息池中确定的响应信息与请求信息更匹配。提高查找得到的信息的准确性，提高用户体验，并提高知识运用传递的效率。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的语句处理方法和装置、以及电子设备和可读存储介质的应用场景；

图2示意性示出了根据本公开实施例的语句处理方法的流程图；

图3示意性示出了根据本公开另一实施例的语句处理方法的流程图；

图4A示意性示出了根据本公开实施例的确定多个历史响应信息中的目标信息的流程图；

图4B示意性示出了根据本公开实施例的调整历史响应信息的评估值时所考虑因素的架构图；

图4C示意性示出了根据本公开实施例的依据意图信息调整每个历史响应信息的评估值的流程图；

图5A示意性示出了根据本公开实施例的确定是否更新预定确定模型的流程图；

图5B示意性示出了根据本公开实施例的第一排序结果、第二排序结果和第三排序结果的示意图；

图6示意性示出了根据本公开实施例的语句处理装置的结构框图；以及

图7示意性示出了根据本公开实施例的适于执行语句处理方法的计算机系统的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开实施例提供了一种用于提高信息检索的准确性的语句处理方法和装置。该语句处理方法可以先获取请求语句，然后确定表示请求语句的词序列，该词序列包括多个词。接下来利用预定确定模型确定多个词中的每个词在请求语句中的重要度。随后根据每个词的重要度及词序列，生成针对请求语句的检索语句。最后根据检索语句，从信息池中确定针对请求语句的响应信息。

图1示意性示出了根据本公开实施例的语句处理方法和装置、以及电子设备和可读存储介质的应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、或场景。

如图1所示，该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在服务器105和终端设备101、102、103之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线或无线通信链路等等。

终端设备101、102、103例如可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。该终端设备101、102、103可以响应于用户操作生成请求语句，并通过与服务器105的交互获取响应于该请求语句的响应信息，并将该响应信息展示给用户。

示例性地，终端设备101、102、103可以安装有各种客户端应用，例如文本编辑类应用、音频编辑类应用、视频编辑类应用、即时通信类应用、智能办公平台等(仅为示例)。

服务器105例如可以根据获取的信息维护有知识管理系统。其中，获取的信息例如可以包括从终端设备103、104、105安装的多个客户端平台获取的文本信息、视频信息和/或音频信息等。该服务器105例如可以采用Solr搭建有企业内部文档检索服务功能，以用于响应于终端设备101、102、103发送的请求语句，采用查询解析器eDismax对请求语句进行分析，生成对请求语句完成分词后的多个term及每个term的权重，并以生成的多个term与信息池中的各个信息进行匹配，将匹配成功的信息作为响应信息发送给终端设备101、102、103。其中，Solr是指独立的企业级搜索应用服务器，其能够提供一个完善的功能管理界面。Term是指对请求语句进行分词处理后得到的分词词语。

示例性地，Solr虽然能够结合qf、mm等参数来控制请求语句的分词效果，并能够指定响应于请求语句得到的响应信息需要与term具有多大的匹配度。但由于Solr无法判别请求语句分词后的词语在请求语句中的重要性，从而会导致基于Solr得到的响应信息无法侧重于与请求语句中的重要词语匹配度高，从而导致相应信息无法很好的满足用户的检索需求，降低用户体验。

为了使得响应信息与请求语句中的重要词语匹配度高，本公开实施例的服务器105例如可以在对请求语句分词后，先向请求语句中的词分配重要度，然后根据分配了重要度的词生成检索语句，并根据生成的检索语句来进行信息检索。

需要说明的是，本公开实施例所提供的语句处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的语句处理装置一般可以设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目和类型仅仅是示意性的。根据实现需要，可以具有任意数目和类型的终端设备、网络和服务器。

以下将基于图1的应用场景，结合图2～图5B对本公开实施例的语句处理方法进行详细描述。

图2示意性示出了根据本公开实施例的语句处理方法的流程图。

如图2所示，该实施例的语句处理方法200可以包括操作S210～操作S290。

在操作S210，获取请求语句。

根据本公开的实施例，请求语句例如可以是终端设备响应于用户操作生成的。终端设备在生成请求语句后，将该请求信息发送给服务器，以向服务器请求响应信息。

示例性地，用户操作例如可以为用户通过输入设备输入检索式的操作。或者，用户操作可以为用户向终端设备发出语音指令的操作等。终端设备生成的请求语句为能够指示检索式或语音指令、且服务器能够识别的信息。例如，该请求语句例如可以为一条query(查询)语句。

在操作S230，确定表示请求语句的词序列，该词序列包括多个词。

根据本公开的实施例，操作S230例如可以是对请求语句进行分词处理，来得到表示请求语句的词序列。对请求语句进行分词处理时，可以采用基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法中的任一种来实现分词处理。

示例性地，为了便于后续采用预定确定模型来确定分词得到的每个词的重要度，该实施例可以采用能够调用预定确定模型的分词器来对请求语句进行分词处理。以此，在通过分词器对请求语句进行分词处理后，即可通过调用预定确定模型来确定每个词在请求语句中的重要度。

在操作S250，利用预定确定模型确定多个词中的每个词在请求语句中的重要度。

根据本公开的实施例，为了便于确定每个词的重要度，例如可以采用tf-idf(termfrequency-inverse document frequency)模型来统计得到词序列中每个词的词频和反文档频率。然后根据每个词的词频和反文档频率，来计算得到每个词的权重。该每个词的权重用于反映每个词的重要度。

根据本公开的实施例，为了使得确定的每个词在请求语句中的重要度更准确，该实施例中每个词的重要度的确定例如可以区别于tf-idf模型的原理，在确定过程中更侧重于请求语句本身。例如，该实施例可以根据每个词与请求语句的语义之间的关联度，来向每个词分配权重。该权重用于指示每个词的重要度。词与请求语句的语义之间的关联度越高，则向词分配的权重越大。示例性地，向词序列中的每个词分配的权重之和例如可以为1。例如，若请求语句为“机械工程师手册”，通过分词处理得到的词序列可以为{机械，工程师，手册}，向词序列中的三个词分别分配的三个权重例如可以分别为0.4，0.27和0.33，该三个权重的和为1。

示例性地，每个词与请求语句的语义之间的关联度可以根据每个词在请求语句中的数量来定。若每个词在请求语句中的数量越多，则每个词的重要度就越高。

示例性地，每个词与请求语句的语义之间的关联度通过以下方式得到：将请求语句的向量作为主题分布向量，来确定请求语句生成词序列中每个词的概率。将该概率作为每个词与请求语句的语义之间的关联度。

示例性地，本公开实施例可以采用字阶(WordRank)模型来确定每个词在请求语句中的重要度。该字阶模型为对句子进行主干分析的开源工具，通过对句子的主干分析，可以识别得到词序列中指示请求语句中主干的词，并向该词分配较大的权重，以表征该词与请求语句的语义关联度高。与tfi-idf模型不同的是，该字阶模型得到的每个词的重要度是利用了统计信息和query迭代算法的，因此，使得在同一请求语句内部，词序列中各个词在请求语句中的相对重要度的确定，在信息推荐等领域中具有更高的价值性。且确定的单个词的重要度可用于检索系统的基础归并权值计算。

根据本公开的实施例，该操作S230和操作S250例如还可以采用预训练好的神经网络模型进行分词处理和权重分配。神经网络模型的架构可以根据实际需求进行设定，本公开对此不作限定。

在操作S270，根据每个词的重要度及词序列，生成针对请求语句的检索语句。

根据本公开的实施例，在得到每个词在请求语句中的重要度后，可以根据重要度，生成能够指示词序列中每个词的重要度的检索语句。其中，为了便于从信息池中获取与检索语句匹配的信息作为响应信息，该检索语句可以为能够表示请求信息的词向量，该词向量中的每个元素指示词序列中的一个词，且每个元素的权重根据其指示的词在请求语句中的重要度得到。每个元素的权重与重要度成正比。

根据本公开的实施例，在每个词在请求语句中的重要度通过向每个词分配的权重来指示时，操作S270例如可以包括：将向每个词分配的权重，作为每个词与信息池中的多个信息彼此之间的第一相似度的相似度权重。然后将相似度权重添加至词序列中，得到检索语句。

示例性地，将相似度权重添加至词序列中，得到检索语句例如可以先将针对每个词的相似度权重添加至词序列中的每个词处，例如可以是将相似度权重以标签形式添加至每个词处。然后再将添加了相似度权重的词序列转换为词向量，得到检索语句。或者，可以先将词序列转换为词向量，再将相似度权重添加至词向量中，得到检索语句。

在操作S290，根据检索语句，从信息池中确定针对请求语句的响应信息。

根据本公开的实施例，可以先计算检索语句与信息池中每个信息之间的相似度。然后将与检索语句的相似度大于预定相似度的信息作为针对请求语句的响应信息。其中，预定相似度可以根据实际需求进行设定。示例性地，该预定相似度例如可以为大于0.5的任意值。

根据本公开的实施例，在作为检索语句的词向量中添加了相似度权重的情况下，可以先根据相似度权重，确定检索语句与多个信息中每个信息之间的第二相似度。然后获取多个信息中与检索语句之间的相似度大于相似度阈值的信息，作为响应信息。其中，可以先计算词向量中的每个元素与信息池中每个信息之间的相似度。在计算得到每个元素与每个信息之间的相似度后，根据词向量中各元素的相似度权重，对各元素与每个信息之间的相似度计算加权和。最后将得到的加权和作为检索语句与每个信息之间的相似度。

示例性地，信息池中存储的多个信息例如可以为多个文本。该实施例可以通过统计每个元素表示的词在每个信息中的出现频次来确定两者之间的相似度。或者，该实施例可以通过确定每个信息生成每个元素表示的词来确定两者之间的相似度。

根据本公开的实施例，在得到响应信息后，可以将响应信息推送给终端设备，使得终端设备将该响应信息展示给用户。在响应信息的数量为多个时，本公开实施例的语句处理方法还可以对多个响应信息进行排序，使得终端设备顺序展示多个响应信息。

示例性地，在对多个响应信息进行排序时，例如可以根据响应信息与检索语句之间的相似度自高至低，对多个响应信息进行排序。使得终端设备展示多个响应信息时，在较前位置展示的响应信息更能符合用户的需求。

综上可知，本公开实施例的语句处理方法，通过确定表示请求语句的词序列中的每个词的重要度，相较于相关技术，可以使得从信息池中确定的响应信息与请求信息更匹配。因此，可以提高查找得到的信息的准确性，提高用户体验，并提高知识运用传递的效率。

根据本公开的实施例，为了进一步避免相关技术中响应信息的确定过程中，执着于词序列中不重要的词的情况，该实施例在确定词序列中每个词的重要度时，例如还可以对词序列中的词进行分组，使得分组得到的每组词具有不同的重要度级别。并根据重要度级别，选择重要度级别高的词作为确定响应信息过程中的必中词。通过此方式，可以使得确定响应信息的过程中仅关注响应信息中是否有必中词，无需关注响应信息中是否具有词序列中除必中词外的其他词。

示例性地，前述图2描述的操作S250可以通过以下操作实现：根据每个词与请求语句的语义之间的关联强度及每个词的属性，将多个词划分为具有不同重要度级别的至少两个词组。其中，每个词与请求语句的语义之间的关联度可以根据前述方法来确定。词的属性例如可以表示词是否为强限定词、是否为可忽略的词、是否为冗余词。

示例性地，本公开实施例可以将与请求语句的语义之间的关联度大于等于关联度阈值的词、以及强限定的词划分至重要度级别相对较高的词组。将与请求语句的语义之间的关联度小于关联度阈值的词、可忽略的词和冗余词划分至重要度级别相对较低的词组。

示例性地，强限定的词例如包括对从信息池中获取的信息的生成时间进行限定的表示时间的词，对从信息池中获取的信息的来源(例如生成地点、作者、团队)等进行限定的词等。可忽略的词例如包括礼貌用词(例如“请”、“欢迎”)、表示程度的限定词(例如“较大”、“较小”)等。冗余的词例如可以包括停用词(例如“的”、“在”)、语气助词(例如“啊”，“呢”)等。

示例性地，本公开实施例在将多个词划分为至少两个词组时，例如可以采用前述的字阶模型来确定词序列中各个词之间的主干关系，并根据主干关系，将词序列中的词划分为四档，该四档的衡量标准可以根据前述词与请求语句的语义之间的关联度和每个词的属性来确定。例如，可以将前述的冗余词划分至最低档，将前述能忽略的词划分至次低档，将前述强限定的词划分至次高档，将与语义关联度大的词划分至最高档。在划分词组时，将最高档和次高档的词划分至重要度级别高的一个词组。将最低档和次低档的词划分至重要度级别低的一个词组。

根据本公开的实施例，为了在确定响应信息的过程中，能够从检索语句中识别必中词。前述操作S270例如可以通过以下操作来实现：向词序列中的目标词添加标签，得到检索语句。其中，目标词指在词序列包括的多个词中被划分至重要度级别最高的词组的词。通过该添加的标签，可以指示在确定响应信息的过程中，目标词是必中词。即添加的标签用于指示响应信息中包括目标词。相应地，前述操作S290可以获取信息池的多个信息中包括目标词的信息，并将该获取的信息作为响应信息。

在一实施例中，通过字阶模型，例如不仅可以向词序列中的词分配指示重要度的权重，还可以将词序列中的词的主干关系，将词序列中的词划分为四档。操作S290在确定响应信息时，可以先从信息池中获取包括目标词的m个信息。然后再根据m个信息中各信息与检索语句的相似度的大小，从m个信息中筛选得到与检索语句的相似度大于相似度阈值的n个信息。其中，m、n均为自然数，且m大于等于n。

根据本公开的实施例，通过前述根据确定的词序列中词的重要度来生成检索语句的技术方案，可以初步解决查找得到的信息准确性低的技术问题。但为了使得整体方案更加优化，保证预定确定模型的准确性是必不可少的。为了保证预定确定模型的准确性，可以通过回调机制来不断优化预定确定模型。

示例性地，在采用字阶模型来确定向词序列中每个词的重要度时，为了便于进行回调，预定确定模型例如可以包括字阶子模型和调整子模型。字阶子模型即为WordRank模型，调整子模型用于采用调整因子对字阶子模型为每个词分配的权重进行调整。通过该预定确定模型的设置，在通过回调机制优化预定确定模型时，可以仅对调整子模型中的调整因子进行优化更新，而无需对WorkRank模型进行调整。

图3示意性示出了根据本公开另一实施例的语句处理方法的流程图。

如图3所示，该实施例的信息处理方法300除了前述图2描述的操作S210～操作S290外，例如还可以包括操作S310～操作S370。

在操作S310，获取历史请求语句以及针对历史请求语句的多个历史响应信息。

根据本公开的实施例，历史请求语句及历史响应信息例如可以从终端设备中应用程序的运行log日志中获取。历史响应信息指已经通过终端设备展示给了用户，并响应于用户操作停止展示的信息。

示例性地，历史请求语句可以是用于通过终端设备安装的浏览器应用输入的检索式。针对历史请求语句的多个历史响应信息是响应于输入的检索式，向用户展示的多个检索结果。操作S310中，可以获取多个历史请求语句。

在操作S330，根据预定规则，确定多个历史响应信息中的目标信息。

根据本公开的实施例，在将多个响应信息展示给用户后，若其中一些响应信息未被用户点击浏览，则可以确定该些响应信息用户不感兴趣。在回调时该些响应信息是没有参考价值的。因此，该操作S330可以根据预定规则，将多个历史响应信息中未被用户点击浏览的信息滤掉，将被用户点击浏览的信息作为目标信息。

示例性地，为了进一步提高模型更新效率，还可以仅选择用户满意度高的历史响应信息作为目标信息。此种情况下，为了便于从多个响应信息中筛选到目标响应信息，例如可以向针对每个历史请求信息的多个响应信息分配评估值。该评估值可以用于指示用户的满意度。选择评估值高的历史响应信息作为目标响应信息。

根据本公开的实施例，在确定目标信息时，可以不仅保留作为正样本的历史响应信息，也可以保留作为负样本的历史响应信息，以此便于更全面的确定预定确定模型是否准确。相应地，可以选择评估值高的历史响应信息作为正样本，选择评估值低的历史响应信息作为负样本。其中，由于评估值可以指示用户的满意度，且用户满意度越高可以说明历史响应信息与历史请求语句的关联性越强。因此，作为正样本的历史响应信息为与历史请求语句的关联性较强的信息，作为负样本的历史响应信息为与历史请求语句的关联性较弱的信息。

示例性地，本公开例如可以通过后续图4描述的流程来确定目标信息，在此不再赘述。

在操作S350，确定表示历史请求语句的词序列，作为包括多个历史词的历史词序列。该操作S350与前述操作S230类似，在此不再赘述。

在操作S370，根据多个历史词分别在历史请求语句中的重要度以及多个历史词在目标信息中的重要度，确定是否更新预定确定模型。

根据本公开的实施例，该操作S370例如可以先采用预定确定模型来确定多个历史词中每个历史词在历史请求语句中的重要度。然后确定多个历史词在目标信息中的重要度。历史词在目标信息中的重要度可以通过统计历史词在目标信息中的词频来确定，词频与重要度成正比。在历史词在历史请求语句中的重要度与在目标信息中的重要度不相符的情况下，可以确定预定确定模型不准确，需要对预定确定模型进行更新。其中，历史词在历史请求语句中的重要度与在目标信息中的重要度是否相符，例如可以根据两个重要度的差值是否小于预定差值来确定。若差值小于预定差值，则重要度相符。或者，历史词在历史请求语句中的重要度与在目标信息中的重要度是否相符，例如可以根据在历史请求语句中当前历史词的重要度在多个历史词的重要度中的排序，与在目标信息中当前历史词的重要度在多个历史词的重要度中的排序是否一致来确定。若排序一致，则重要度相符。

示例性地，该操作S370例如可以通过后续图5A描述的流程来实现，在此不再赘述。

综上可知，本公开实施例通过根据历史请求信息对预定确定模型进行回调，可以在一定程度上提高预定确当模型的准确性。并因此可以进一步提高确定的响应信息的准确性，提高知识运用传递效率及用户体验。

图4A示意性示出了根据本公开实施例的确定多个历史响应信息中的目标信息的流程图。图4B示意性示出了根据本公开实施例的调整历史响应信息的评估值时所考虑因素的架构图。图4C示意性示出了根据本公开实施例的依据意图信息调整每个历史响应信息的评估值的流程图。

如图4A所示，确定多个历史响应信息中的目标信息的操作S330可以包括操作S431～操作S435。

在操作S431，向多个历史响应信息中的每个历史响应信息分配初始评估值。根据本公开的实施例，为每个历史响应信息分配的初始评估值例如可以相等。例如，该初始评估值可以设定为1。

根据本公开的实施例，对于不同的历史请求信息，用户对同一响应信息的满意度可能不同。因此，该实施例向每个历史响应信息分配初始评估值可以是向每个请求信息-响应信息对分配初始评估值。

在操作S433，根据针对多个历史响应信息的操作记录，调整每个历史响应信息的初始评估值，以得到调整后评估值。

根据本公开的实施例，如图4B所示，影响每个历史响应信息的满意度的因素包括三个维度的因素。该三个维度的因素分别为用户对历史响应信息的操作信息维度、历史请求信息属性维度和响应信息维度。在对初始评估值进行调整时，可以从该三个维度中的至少一个维度进行调整。

示例性地，操作信息维度考虑的因素可以包括：操作信息中是否包括对历史响应信息的点击操作。若包括对历史响应信息的点击操作，则可以适当提高该历史响应信息的评估值。在一实施例中，考虑到针对同一历史请求语句的多个历史响应信息是展示于终端设备展示的同一页面或相邻的几个页面的。用户在浏览该多个历史响应信息时，会通过对响应信息执行点击操作来访问浏览响应信息。若用户访问了响应信息，可以在一定程度说明该响应信息的满意度较高。因此，该实施例可以根据多个历史响应信息的访问记录，提高被访问的历史响应信息的评估值。

示例性地，考虑到多个历史响应信息是按先后顺序进行排序展示的，且排在较后的历史响应信息在被访问时，说明该排在较后的历史响应信息的满意度与排列位置是不相符的。为了使得满意度与排列位置相符，应提高该历史响应信息的反映满意度的评估值。此时，不仅要考虑操作信息维度中对历史响应信息的点击操作，还要考虑响应信息维度的展示位置。本公开实施例对历史响应信息的评估值的调整应包括：根据多个历史响应信息的访问记录及多个历史响应信息的展示位置，提高多个历史响应信息中展示位置较后且被访问的历史响应信息的评估值。

示例性地，用户往往会优先访问直观上较为满意的响应信息，且在访问浏览到满意度高的响应信息后不会再点击其他响应信息。因此，在操作信息维度考虑的因素还可以包括：点击操作的次序。因此，该实施例在调整每个响应信息的评估值时，可以根据多个历史响应信息的访问记录，确定多个历史响应信息的点击操作的次序。然后将多个历史响应信息中被访问的时刻较早的历史响应信息的评估值提高第一数值，将多个历史响应信息中被访问的时刻最晚的历史响应信息的评估值提高第二数值，且第二数值大于第一数值。

示例性地，考虑到在历史响应信息被访问后，浏览时长越长，可以在一定程度上反映出满意度较高。因此，应在初始评估值的基础上，提高该历史响应信息的评估值。在操作信息维度考虑的因素还可以包括：点击操作后响应信息的访问时长。本公开实施例对历史响应信息的评估值的调整应包括：根据多个历史响应信息的访问记录，确定对历史响应信息执行点击操作后的访问时长。然后提高多个历史响应信息中被访问的时长较长的历史响应信息的评估值。需要说明的是，在确定访问时长时，应注意在对多个历史响应信息中的某个历史响应信息执行点击操作后，不再执行操作的情况。此时，为了提高确定的该某个历史响应信息被访问的时长的准确性，可以将该某个历史响应信息被访问的时长设定为预定时长。该预定时长例如可以大于各历史响应信息被访问的时长中的最短时长，但小于各历史响应信息被访问的时长中的最长时长。

示例性地，在多个历史响应信息较多，在展示于终端设备时需要设置多个页面进行展示。在用户浏览当前页面的响应信息时，若当前页面中没有满意的响应信息，用户会执行换页操作。因此，由于当前页面中的响应信息满意度低，应降低该当前页面中的响应信息的评估值。该实施例在调整每个响应信息的评估值时，可以在确定访问历史响应信息的过程中接收到换页指令时，降低接收到换页指令时展示页面中的历史响应信息的评估值。

示例性地，在用户浏览展示的多个响应信息时，若多个响应信息中没有满意的响应信息，用户会执行重新输入检索式，以使得终端设备执行换请求信息的操作。因此，由于展示的多个响应信息的满意度低，应降低该多个响应信息的评估值。因此，在操作信息维度考虑的因素还可以包括：换请求信息的操作。因此，该实施例在调整每个响应信息的评估值时，可以在确定展示多个响应信息的过程中终端设备接收到换请求信息的操作时，降低终端设备展示的多个历史响应信息的评估值。

根据本公开的实施例，考虑到历史响应信息的满意度在一定程度上受响应信息的属性的影响。因此，在调整每个历史响应信息的评估值时，还可以根据多个历史相应信息的属性来进行调整。响应信息的属性例如可以包括信息的时效性和信息的权威性。相应地，响应信息维度考虑的因素还应包括响应信息的权威性和响应信息的新鲜度。新鲜度高的响应信息的满意度一般较高，权威性高的响应信息的满意度一般较高。因此，该实施例在调整多个历史响应信息中每个历史响应信息的评估值时，还可以根据多个历史响应信息的生成时刻，提高生成时刻较晚(新鲜度高)的历史响应信息的评估值。并且/或者，还可以根据多个历史响应信息的信息源，提高信息源的置信度较高的历史响应信息的评估值。其中，信息源指响应信息的来源，信息源的置信度越高，响应信息的权威性越高。

根据本公开的实施例，根据请求信息的意图信息一般可以确定请求信息对响应信息的时效性和权威性是否有要求。例如，在请求信息的意图是获取八卦新闻时，对响应信息的时效性的要求高，但对权威性的要求较低。在请求信息的意图是获取专业知识时，对响应信息的时效性的要求和权威性的要求都较高。为了根据响应信息的新鲜度和权威性来准确地调整响应信息的评估值。该实施例可以根据历史请求语句的意图信息，来确定调整评估值的步长。

示例性地，如图4C所示，在通过操作S433调整每个历史响应信息的评估值时，可以先通过执行操作S4331来确定历史请求语句的意图信息。在确定意图信息后，再通过执行操作S4333来根据意图信息，确定根据生成时刻和/或信息源的置信度调整评估值的步长。

历史响应信息的意图信息例如可以采用预训练得到的机器学习模型来得到。该机器学习模型的输入为历史响应信息，输出可以包括历史响应信息被归类为预定的多个类别中各类别的几率，多个类别中的每个类别指示一种意图信息。将几率最大的类别指示的意图信息作为历史响应信息的意图信息。其中，多个类别中的每个类别例如可以指示以下意图信息中的一种：八卦意图、知识学习意图、购物意图等。可以理解的时，该意图信息的类别仅作为示例以利于理解本公开，本公开对此不作限定。

示例性地，在根据多个历史响应信息的生成时刻，提高生成时刻较晚(新鲜度高)的历史响应信息的评估值时，操作S4333可以根据意图信息，确定提高生成时刻较晚的历史响应信息的评估值的步长。在意图信息为八卦意图等对响应信息的时效性要求高的意图时，确定的步长较大。

示例性地，在根据多个历史响应信息的信息源，提高信息源的置信度较高的历史响应信息的评估值时，操作S4333可以根据意图信息，确定提高信息源的置信度较高的历史响应信息的评估值的步长。在意图信息为知识学习意图等对响应信息的权威性要求高的意图时，确定的步长较大。

在操作S435，根据每个历史响应信息的调整后评估值，确定多个历史响应信息中的目标信息。

根据本公开的实施例，可以确定多个历史响应信息中调整后评估值大于评估值阈值的信息作为目标信息。

根据本公开的实施例，在需要有作为正样本的历史响应信息，以及作为负样本的历史响应信息时，该操作S435可以将调整后评估值最高的k个历史响应信息作为第一目标信息，将调整后评估值最低的k个历史响应信息作为第二目标信息。第一目标信息作为正样本，第二目标信息作为负样本。其中，k为自然数。

示例性地，考虑到在针对某个历史请求信息的历史响应信息较多时，终端设备会分页展示该较多的历史响应信息，且页数较大的页面展示的历史响应信息参考价值一般较小。该实施例在确定第二目标信息时，例如可以选择在第一页展示的历史响应信息中，调整后评估值最低的k个历史响应信息。

图5A示意性示出了根据本公开实施例的确定是否更新预定确定模型的流程图。图5B示意性示出了根据本公开实施例的更新预定确定模型前与更新预定确定模型后相比，三个排序结果的对比图。

如图5A所示，确定是否更新预定操作模型的操作S370例如可以包括操作S571～操作S579。

在操作S571，根据由预定确定模型确定的重要度自高至低，对多个历史词进行排序，得到第一排序结果。

该操作S571可以先采用预定确定模型来确定操作S350中多个历史词在历史请求语句中的重要度。然后将多个词根据重要度自高至低排序，得到第一排序结果。

示例性地，在历史请求语句为“采用神经网络，根据语句的语义从语句中提取关键词”，确定的表示该历史请求语句的词序列例如可以为{神经网络，语句，语义，关键词}。通过预定确定模型得到的该词序列中各个词的重要度例如分别为：0.3、0.4、0.1、0.2。则第一排序结果如图5B中的排序结果501所示，自前向后排序的四个历史词分别为：语句、神经网络、关键词、语义。

在操作S573，根据在第一目标信息中的词频自高至低，对多个历史词进行排序，得到第二排序结果。

根据本公开的实施例，第一目标信息例如可以为文章，且第一目标信息为通过操作S330确定的与历史请求语句的关联性较高的历史响应信息。可以先对第一目标信息的标题和内容进行分词处理。然后统计多个历史词中，每个历史词在第一目标信息中出现的次数，并将该次数作为词频的取值。最后将多个历史词根据词频自高至低排序，得到第二排序结果。

示例性地，在第一目标信息为多个时，可以统计每个历史词在多个第一目标信息中出现的总次数，并将该总次数作为词频的取值。在一实施例中，第二排序结果例如可以如图5B中的排序结果502所示，自前向后排序的四个历史词分别为：语义、语句、关键词、神经网络。

在操作S575，根据在第二目标信息中的词频自高至低，对多个历史词进行排序，得到第三排序结果。

根据本公开的实施例，第二目标信息例如可以为文章，且第二目标信息为通过操作S330确定的与历史请求语句的关联性较弱的历史响应信息。通过与操作S573类似的方法可以得到多个历史词在第二目标信息中的词频。最后将多个历史词根据词频自高至低排序，得到第三排序结果。

示例性地，在第二目标信息为多个时，可以统计每个历史词在多个第二目标信息中出现的总次数，并将该总次数作为词频的取值。在一实施例中，第三排序结果例如可以如图5B中的排序结果503所示，自前向后排序的四个历史词分别为：语句、神经网络、关键词、语义。

在操作S577，判断第一排序结果是否与第二排序结果不一致，且与第三排序结果一致。

该操作S577可以是判断排序结果501是否与排序结果502不一致以及排序结果501是否与排序结果503一致。其中，一致是指多个历史词中的每个历史词在两个排序结果中位于相同位置。

如图5B所示，在排序结果501与排序结果502不一致，且排序结果501与排序结果503一致的情况下，表明匹配了预定确定模型分配的重要度高的词的响应信息已被用户的历史行为证实满意度低，预定确定模型的算法不准确，则执行操作S579，确定更新预定确定模型。

在第一排序结果与第二排序结果一致，且第一排序结果与第三排序结果不一致的情况下，表明匹配了预定确定模型分配的重要度高的词的响应信息已被用户的历史行为证实满意度高，预定确定模型的算法准确，无需更新预定确定模型，结束当前流程。

在第一排序结果与第二排序结果不一致，且第一排序结果与第三排序结果不一致的情况下，考虑到可能是由于词的常见程度的差异导致的不一致，则暂时不更新预定确定模型，而是继续进行语句处理，并根据最新生成的响应信息的点击操作等再次确定是否更新预定确定模型。

在确定更新预定确定模型的情况下，可以对预定确定模型中调整子模型的调整因子进行调整。例如，可以先将调整子模型中的调整因子乘以一个大于1的权重，随后在对乘以权重后得到的调整因子进行归一化处理，得到更新后的调整因子，得到调整后的预定确定模型。通过该调整因子的更新，可以使得与利用更新前的预定确定模型确定的重要度相比较，利用更新后的预定确定模型确定的第一历史词的重要度提高，且确定的第二词的重要度降低。

第一历史词为在第二排序结果中的次序比在第一排序结果中的次序靠前的历史词，示例性地，该第一历史词可以包括图5B中的语义。第二历史词为在第二排序结果中的次序比在第一排序结果中的次序靠后的历史词，示例性地，该第二历史词可以包括图5B中的神经网络。在调整调整子模型中的调整因子后，用于确定第一历史词的调整因子所乘的大于1的第一权重应大于用于确定第二历史词的调整因子所乘的大于1的第二权重。示例性地，在使用更新后的预定确定模型来确定操作S350中的多个历史词在历史请求语句中的重要度后，并对多个历史词根据重要度自高至低排序后，得到的第一排序结果例如可以由图5B中的排序结果501更新为排序结果504。该排序结果504与排序结果502一致，与排序结果503不一致。

综上可知，本公开实施例通过前述图3、图4A、图4C及图5A描述的流程，可以实现对预定确定模型确定重要度的算法进行回调，从而可以使得在用户后续进行信息查找时，进一步提高查找得到的信息的准确性，进一步提高用户体验，提高知识运用传递的效率。

图6示意性示出了根据本公开实施例的语句处理装置的结构框图。

如图6所示，本公开实施例的语句处理装置600例如可以包括获取模块610、词序列确定模块630、重要度确定模块650、检索语句生成模块670和信息确定模块690。

获取模块610用于获取请求语句。在一实施例中，获取模块610例如可以用于执行图2描述的操作S210，在此不再赘述。

词序列确定模块630用于确定表示请求语句的词序列，该词序列包括多个词。在一实施例中，词序列确定模块630例如可以用于执行图2描述的操作S230，在此不再赘述。

重要度确定模块650用于根据预定确定模型确定多个词中的每个词在请求语句中的重要度。在一实施例中，重要度确定模块650例如可以用于执行图2描述的操作S250，在此不再赘述。

检索语句生成模块670用于根据每个词的重要度及词序列，生成针对请求语句的检索语句。在一实施例中，检索语句生成模块670例如可以用于执行图2描述的操作S270，在此不再赘述。

信息确定模块690用于根据检索语句，从信息池中确定针对请求语句的响应信息。在一实施例中，检索语句生成模块670例如可以用于执行图2描述的操作S290，在此不再赘述。

根据本公开的实施例，上述重要度确定模块650例如可以根据每个词与请求语句的语义之间的关联度，向每个词分配用于指示重要度的权重。检索语句生成模块670用于将向每个词分配的权重，作为每个词与信息池中的多个信息彼此之间第一相似度的相似度权重；以及将相似度权重添加至词序列中，得到检索语句。

根据本公开的实施例，信息确定模块690用于根据相似度权重，确定检索语句与多个信息中每个信息之间的第二相似度；以及获取多个信息中与检索语句之间的第二相似度大于相似度阈值的信息，作为响应信息。

根据本公开的实施例，上述重要度确定模块650例如可以根据每个词与请求语句的语义之间的关联度及每个词的属性，将多个词划分为具有不同重要度级别的至少两个词组。检索语句生成模块670用于向词序列中的目标词添加标签，得到检索语句，目标词包括多个词中被划分至重要度级别最高的词组的词。其中，标签用于指示响应信息中包括目标词。

根据本公开的实施例，信息确定模块690用于获取信息池包括的多个信息中包括目标词的信息，作为响应信息。

根据本公开的实施例，上述获取模块610例如还可以用于获取历史请求语句以及针对历史请求语句的多个历史响应信息。语句处理装置600例如还可以包括目标信息确定模块和更新确定模块。目标信息确定模块用于根据预定规则，确定多个历史响应信息中的目标信息。词序列确定模块630还用于确定表示历史请求语句的词序列，作为包括多个历史词的历史词序列。更新确定模块用于根据多个历史词分别在历史请求语句中的重要度以及多个历史词在目标信息中的重要度，确定是否更新预定确定模型。

根据本公开的实施例，目标信息包括至少两个目标信息，至少两个目标信息包括与历史请求语句关联性较高的第一目标信息，以及与历史请求语句关联性较低的第二目标信息。上述更新确定模块例如可以用于执行前述图5A描述的方法，其中，在此不再赘述。

根据本公开的实施例，目标信息确定模块例如可以通过执行图4A描述的方法来确定多个历史响应信息中的目标信息。在一实施例中，目标信息确定模块例如可以通过执行图4C描述的方法来调整每个历史相应信息的评估值。

根据本公开的实施例，预定确定模型包括字阶子模型和调整子模型；更新确定模块用于在确定更新预定确定模型的情况下，更新调整子模型。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于执行语句处理方法的计算机系统的方框图。

如图7所示，根据本公开实施例的计算机系统700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有系统700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。