本申請(qǐng)涉及文本處理領(lǐng)域，具體而言，涉及一種模型訓(xùn)練方法及裝置和錯(cuò)別字識(shí)別方法及裝置。

背景技術(shù)：

文本是記載信息的重要載體。由于文本大都是人工編輯的，而人工編輯難免會(huì)出現(xiàn)失誤，從而使得文本中出現(xiàn)錯(cuò)別字。對(duì)于文本中錯(cuò)別字的識(shí)別，目前通常采用人工建立正確的詞匯庫(kù)，并進(jìn)行文本匹配，來(lái)識(shí)別錯(cuò)別字的方式，然而這種很難找到全面、正確的詞匯庫(kù)，致使漏檢率較高，進(jìn)而導(dǎo)致文本中錯(cuò)別字的識(shí)別率低。

針對(duì)上述的問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

本申請(qǐng)實(shí)施例提供了一種模型訓(xùn)練方法及裝置和錯(cuò)別字識(shí)別方法及裝置，以至少解決現(xiàn)有技術(shù)中文本中錯(cuò)別字的識(shí)別率低的技術(shù)問題。

根據(jù)本申請(qǐng)實(shí)施例的一個(gè)方面，提供了一種模型訓(xùn)練方法，包括：從預(yù)設(shè)文本數(shù)據(jù)源中提取文本信息，其中，所述預(yù)設(shè)文本數(shù)據(jù)源中所包含的文本為不包含有錯(cuò)別字的文本；確定出所述文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，其中，所述詞向量為用于唯一表示詞語(yǔ)的多維數(shù)組；以文本信息中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)模型用于識(shí)別文本中的錯(cuò)別字。

進(jìn)一步地，在確定出所述文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量之前，所述模型訓(xùn)練方法還包括：獲取目標(biāo)文本庫(kù)，所述目標(biāo)文本庫(kù)所包含的文本為不包含有錯(cuò)別字的文本；利用詞向量模型對(duì)所述目標(biāo)文本庫(kù)進(jìn)行訓(xùn)練，以生成所述目標(biāo)文本庫(kù)中的詞語(yǔ)對(duì)應(yīng)的詞向量，得到第一訓(xùn)練集。

進(jìn)一步地，確定出所述文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量包括：對(duì)所述文本信息進(jìn)行分詞處理，得到第二訓(xùn)練集；從所述第一訓(xùn)練集中查找所述第二訓(xùn)練集中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量。

進(jìn)一步地，在將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)之前，所述模型訓(xùn)練方法還包括：將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量標(biāo)記為預(yù)設(shè)標(biāo)識(shí)，其中，所述預(yù)設(shè)標(biāo)識(shí)表示詞向量對(duì)應(yīng)的詞語(yǔ)為非錯(cuò)別字，以使得在利用所述神經(jīng)網(wǎng)絡(luò)模型識(shí)別出非錯(cuò)別字時(shí)，將非錯(cuò)別字的詞語(yǔ)標(biāo)記為所述預(yù)設(shè)標(biāo)識(shí)。

根據(jù)本申請(qǐng)實(shí)施例的另一方面，還提供了一種錯(cuò)別字識(shí)別方法，包括：對(duì)待測(cè)文本進(jìn)行分詞處理，確定出每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量；以所述待測(cè)文本中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到神經(jīng)網(wǎng)絡(luò)模型中，利用所述神經(jīng)網(wǎng)絡(luò)模型識(shí)別出所述待測(cè)文本中的錯(cuò)別字。

根據(jù)本申請(qǐng)實(shí)施例的另一方面，還提供了一種模型訓(xùn)練裝置，包括：提取單元，用于從預(yù)設(shè)文本數(shù)據(jù)源中提取文本信息，其中，所述預(yù)設(shè)文本數(shù)據(jù)源中所包含的文本為不包含有錯(cuò)別字的文本；確定單元，用于確定出所述文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，其中，所述詞向量為用于唯一表示詞語(yǔ)的多維數(shù)組；訓(xùn)練單元，用于以文本信息中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，其中，所述神經(jīng)網(wǎng)絡(luò)模型用于識(shí)別文本中的錯(cuò)別字。

進(jìn)一步地，所述模型訓(xùn)練裝置還包括：獲取單元，用于在確定出所述文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量之前，獲取目標(biāo)文本庫(kù)，所述目標(biāo)文本庫(kù)所包含的文本為不包含有錯(cuò)別字的文本；生成單元，用于利用詞向量模型對(duì)所述目標(biāo)文本庫(kù)進(jìn)行訓(xùn)練，以生成所述目標(biāo)文本庫(kù)中的詞語(yǔ)對(duì)應(yīng)的詞向量，得到第一訓(xùn)練集。

進(jìn)一步地，所述確定單元包括：分詞模塊，用于對(duì)所述文本信息進(jìn)行分詞處理，得到第二訓(xùn)練集；查詢模塊，用于從所述第一訓(xùn)練集中查找所述第二訓(xùn)練集中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量。

進(jìn)一步地，所述模型訓(xùn)練裝置還包括：標(biāo)記單元，用于在將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)之前，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量標(biāo)記為預(yù)設(shè)標(biāo)識(shí)，其中，所述預(yù)設(shè)標(biāo)識(shí)表示詞向量對(duì)應(yīng)的詞語(yǔ)為非錯(cuò)別字，以使得在利用所述神經(jīng)網(wǎng)絡(luò)模型識(shí)別出非錯(cuò)別字時(shí)，將非錯(cuò)別字的詞語(yǔ)標(biāo)記為所述預(yù)設(shè)標(biāo)識(shí)。

根據(jù)本申請(qǐng)實(shí)施例的另一方面，還提供了一種錯(cuò)別字識(shí)別裝置，包括：向量確定單元，用于對(duì)待測(cè)文本進(jìn)行分詞處理，確定出每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量；識(shí)別單元，用于以所述待測(cè)文本中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到神經(jīng)網(wǎng)絡(luò)模型中，利用所述神經(jīng)網(wǎng)絡(luò)模型識(shí)別出所述待測(cè)文本中的錯(cuò)別字。

根據(jù)本申請(qǐng)實(shí)施例，通過從預(yù)設(shè)文本數(shù)據(jù)源中提取文本信息，其中，預(yù)設(shè)文本數(shù)據(jù)源中所包含的文本為不包含有錯(cuò)別字的文本，確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞 向量，其中，詞向量為用于唯一表示詞語(yǔ)的多維數(shù)組，以文本信息中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，以便于利用神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別文本中的錯(cuò)別字，提高了對(duì)文本中錯(cuò)別字的識(shí)別率，解決了現(xiàn)有技術(shù)中文本中錯(cuò)別字的識(shí)別率低的技術(shù)問題。

附圖說明

此處所說明的附圖用來(lái)提供對(duì)本申請(qǐng)的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，本申請(qǐng)的示意性實(shí)施例及其說明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。在附圖中：

圖1是根據(jù)本申請(qǐng)實(shí)施例的模型訓(xùn)練方法的流程圖；

圖2是根據(jù)本申請(qǐng)實(shí)施例的錯(cuò)別字識(shí)別方法的流程圖；

圖3是根據(jù)本申請(qǐng)實(shí)施例的模型訓(xùn)練裝置的示意圖；

圖4是根據(jù)本申請(qǐng)實(shí)施例的錯(cuò)別字識(shí)別裝置的示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本申請(qǐng)方案，下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本申請(qǐng)一部分的實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本申請(qǐng)保護(hù)的范圍。

需要說明的是，本申請(qǐng)的說明書和權(quán)利要求書及上述附圖中的術(shù)語(yǔ)“第一”、“第二”等是用于區(qū)別類似的對(duì)象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換，以便這里描述的本申請(qǐng)的實(shí)施例能夠以除了在這里圖示或描述的那些以外的順序?qū)嵤?。此外，術(shù)語(yǔ)“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

根據(jù)本申請(qǐng)實(shí)施例，提供了一種模型訓(xùn)練方法的方法實(shí)施例，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計(jì)算機(jī)可執(zhí)行指令的計(jì)算機(jī)系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序 執(zhí)行所示出或描述的步驟。

圖1是根據(jù)本申請(qǐng)實(shí)施例的模型訓(xùn)練方法的流程圖，如圖1所示，該方法包括如下步驟：

步驟S102，從預(yù)設(shè)文本數(shù)據(jù)源中提取文本信息，其中，預(yù)設(shè)文本數(shù)據(jù)源中所包含的文本為不包含有錯(cuò)別字的文本。

預(yù)設(shè)文本數(shù)據(jù)源可以是人民日?qǐng)?bào)、中國(guó)政府網(wǎng)等資源網(wǎng)站，可以是經(jīng)過糾正后不包含有錯(cuò)別字的文本數(shù)據(jù)源。該預(yù)設(shè)文本數(shù)據(jù)源中包含有大量的沒有錯(cuò)別字的文本，從中提取出這些文本信息。

步驟S104，確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，其中，詞向量為用于唯一表示詞語(yǔ)的多維數(shù)組。

對(duì)上述提取出的文本信息，確定出其中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，每個(gè)詞語(yǔ)的詞向量用一組多維數(shù)組來(lái)表示，不同的詞語(yǔ)對(duì)應(yīng)的詞向量各不相同。其中，詞語(yǔ)的詞向量可以是已經(jīng)預(yù)先定義好的，在提取出文本信息之后，從預(yù)先定義的詞向量中查詢出文本信息中每個(gè)詞語(yǔ)的向量。也可以按照預(yù)先設(shè)定的詞向量生成規(guī)則，生成每個(gè)詞語(yǔ)的詞向量。

步驟S106，以文本信息中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，其中，神經(jīng)網(wǎng)絡(luò)模型用于識(shí)別文本中的錯(cuò)別字。

本實(shí)施例中，在確定出文本信息中所包含的每個(gè)詞語(yǔ)的詞向量之后，以文本信息中的語(yǔ)句為單位，將文本信息中的語(yǔ)句依次輸入到記憶神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，輸入到記憶神經(jīng)網(wǎng)絡(luò)中的語(yǔ)句以其中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量來(lái)代替，即，將語(yǔ)句中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，該記憶神經(jīng)網(wǎng)絡(luò)可以優(yōu)選為基于循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(即LSTM+Bidirectional RNN)。通過記憶神經(jīng)網(wǎng)絡(luò)對(duì)提取的文本信息進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)模型。以語(yǔ)句為單位將其中的詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，機(jī)器可以記憶語(yǔ)句中的詞語(yǔ)及其組合形式，并以神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)(神經(jīng)網(wǎng)絡(luò)模型中參數(shù)確定，大部分為矩陣)記憶這些詞語(yǔ)及其組合。相對(duì)于現(xiàn)有技術(shù)中采用人工建立正確的詞匯庫(kù)，并進(jìn)行文本匹配，來(lái)識(shí)別錯(cuò)別字的方式，本實(shí)施例通過記憶神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)沒有錯(cuò)別字的文本進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)模型，再利用該神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別文本中的錯(cuò)別字，無(wú)需人工建立詞匯庫(kù)，即可根據(jù)詞語(yǔ)組合以及語(yǔ)句來(lái)識(shí)別其中的錯(cuò)別字，可以根據(jù)上下文語(yǔ)義，有效、快速地識(shí)別出文本中的錯(cuò)別字。

根據(jù)本申請(qǐng)實(shí)施例，通過從預(yù)設(shè)文本數(shù)據(jù)源中提取文本信息，其中，預(yù)設(shè)文本數(shù)據(jù)源中所包含的文本為不包含有錯(cuò)別字的文本，確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，其中，詞向量為用于唯一表示詞語(yǔ)的多維數(shù)組，以文本信息中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，以便于利用神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別文本中的錯(cuò)別字，提高了對(duì)文本中錯(cuò)別字的識(shí)別率，解決了現(xiàn)有技術(shù)中文本中錯(cuò)別字的識(shí)別率低的技術(shù)問題。

例如，對(duì)于文本中出現(xiàn)的詞語(yǔ)“憤然立場(chǎng)”，現(xiàn)有技術(shù)中建立的詞匯庫(kù)中包含有詞語(yǔ)“憤然離場(chǎng)”、“憤然”、“離場(chǎng)”和“立場(chǎng)”，因此在識(shí)別上述出現(xiàn)的詞語(yǔ)時(shí)，匹配到詞語(yǔ)“憤然”和“離場(chǎng)”，可能認(rèn)為該詞語(yǔ)中沒有錯(cuò)別字。而本申請(qǐng)實(shí)施例中，由于在訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型時(shí)，是以語(yǔ)句為單位，即以“憤然離場(chǎng)”作為整體，輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)模型中通過其參數(shù)記憶的“憤然離場(chǎng)”，因此，當(dāng)將“憤然立場(chǎng)”輸入到神經(jīng)網(wǎng)絡(luò)模型中，則會(huì)識(shí)別出其中“立”字為錯(cuò)別字。

優(yōu)選地，在確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量之前，模型訓(xùn)練方法還包括：獲取目標(biāo)文本庫(kù)，目標(biāo)文本庫(kù)所包含的文本為不包含有錯(cuò)別字的文本；利用詞向量模型對(duì)目標(biāo)文本庫(kù)進(jìn)行訓(xùn)練，以生成目標(biāo)文本庫(kù)中的詞語(yǔ)對(duì)應(yīng)的詞向量，得到第一訓(xùn)練集。

本實(shí)施例的目標(biāo)文本庫(kù)，可以是包含有各種詞語(yǔ)的詞庫(kù)，例如新華詞典、成語(yǔ)詞典、文章等不包含錯(cuò)別字的文本庫(kù)，獲取目標(biāo)文本庫(kù)用以作為詞向量訓(xùn)練集。詞向量模型可以是現(xiàn)有的成熟模型，該模型可以根據(jù)輸入文本，給每一個(gè)詞生成一個(gè)維數(shù)相同的多維數(shù)組，即詞向量，該詞向量的維數(shù)為可以根據(jù)詞向量訓(xùn)練集來(lái)定義，比如將“一”可能標(biāo)記為[1,0,0,……]，將“高興”可能標(biāo)記為[0,1,0,……]。

本申請(qǐng)實(shí)施例中，可以根據(jù)預(yù)先訓(xùn)練得到的詞向量訓(xùn)練集中每個(gè)詞語(yǔ)的詞向量，以便于從中查詢對(duì)用于進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的文本信息中每個(gè)詞語(yǔ)的詞向量。

需要說明的是，本申請(qǐng)實(shí)施例還可以是生成每個(gè)標(biāo)點(diǎn)符號(hào)對(duì)應(yīng)的詞向量。

進(jìn)一步地，確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量包括：對(duì)文本信息進(jìn)行分詞處理，得到第二訓(xùn)練集；從第一訓(xùn)練集中查找第二訓(xùn)練集中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量。

對(duì)于用于進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的文本信息，先對(duì)其進(jìn)行分詞處理，得到詞語(yǔ)集合即第二訓(xùn)練集，從上述中得到的第一訓(xùn)練集中查詢第二訓(xùn)練集中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，從而確定出上述文本信息的每條語(yǔ)句中每個(gè)詞語(yǔ)的詞向量。

具體地，可以利用現(xiàn)有分詞工具，對(duì)上述文本信息進(jìn)行分詞處理，其中，分詞后 的文本由詞組成，如將“我是一個(gè)中國(guó)人”分詞為“我是一個(gè)中國(guó)”或者“我是一個(gè)中國(guó)”。

優(yōu)選地，在將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)之前，模型訓(xùn)練方法還包括：將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量標(biāo)記為預(yù)設(shè)標(biāo)識(shí)，其中，預(yù)設(shè)標(biāo)識(shí)表示詞向量對(duì)應(yīng)的詞語(yǔ)為非錯(cuò)別字，以使得在利用神經(jīng)網(wǎng)絡(luò)模型識(shí)別出非錯(cuò)別字時(shí)，將非錯(cuò)別字的詞語(yǔ)標(biāo)記為預(yù)設(shè)標(biāo)識(shí)。

本申請(qǐng)實(shí)施例中，輸入到記憶神經(jīng)網(wǎng)絡(luò)的每條語(yǔ)句中每個(gè)詞語(yǔ)均標(biāo)記為預(yù)設(shè)標(biāo)識(shí)，例如“1”，這樣，在對(duì)文本進(jìn)行訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型時(shí)，神經(jīng)網(wǎng)絡(luò)模型中參數(shù)會(huì)記憶這些詞語(yǔ)標(biāo)識(shí)為預(yù)設(shè)標(biāo)識(shí)。當(dāng)利用神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別待測(cè)文本時(shí)，其輸出結(jié)果中會(huì)將待測(cè)文本中沒有錯(cuò)別字的詞語(yǔ)標(biāo)記為該預(yù)設(shè)標(biāo)識(shí)，而出現(xiàn)錯(cuò)別字的詞語(yǔ)則不標(biāo)記，或者標(biāo)記為其他標(biāo)識(shí)，以便于快速篩選出待測(cè)文本中的錯(cuò)別字。

本申請(qǐng)實(shí)施例的模型訓(xùn)練方法的一種可選方式包括：

步驟一、獲取可靠的文本庫(kù)(如新華詞典、成語(yǔ)詞典、文章等不包含錯(cuò)別字的文本庫(kù))即目標(biāo)文本庫(kù)，作為詞向量的訓(xùn)練集1即第一訓(xùn)練集。

步驟二、使用詞向量模型訓(xùn)練訓(xùn)練集1，得到訓(xùn)練集1中每個(gè)詞(包括標(biāo)點(diǎn)符號(hào))的詞向量。其中，詞向量模型可利用現(xiàn)有的成熟模型，該模型可以根據(jù)輸入文本，給每一個(gè)詞生成一個(gè)維數(shù)相同的唯一的多維數(shù)組，即詞向量，該詞向量的維數(shù)可以預(yù)先定義，比如將“一”可能標(biāo)記為[1,0,0,…….]，將“高興”可能標(biāo)記為[0,1,0,…….]。

步驟三、從可靠的由大量句子組成的文本數(shù)據(jù)源中提取文本信息，作為文本訓(xùn)練集。其中，可靠的大量句子組成的文本數(shù)據(jù)源表示：沒有錯(cuò)別字的文本數(shù)據(jù)源，如從人民日?qǐng)?bào)、中國(guó)政府網(wǎng)等渠道獲取。

步驟四、利用現(xiàn)有分詞工具，對(duì)上述文本訓(xùn)練集進(jìn)行分詞處理，得到訓(xùn)練集2即第二訓(xùn)練集。其中，分詞后的文本為詞組成，如可能將“我是一個(gè)中國(guó)人”分詞為“我是一個(gè)中國(guó)”或者“我是一個(gè)中國(guó)”。

步驟五、以訓(xùn)練集2的語(yǔ)句為單位，從訓(xùn)練集1找出該語(yǔ)句中每個(gè)詞的詞向量，并將每個(gè)詞語(yǔ)標(biāo)記為非錯(cuò)別字(如用“1”表示非錯(cuò)別字)，將得到的詞向量輸入基于循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(即LSTM+Bidirectional RNN)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型(模型中參數(shù)確定，大部分為矩陣)。其中，以語(yǔ)句為單位輸入神經(jīng)網(wǎng)絡(luò)，機(jī)器可以記憶句子中的詞及其組合形式，并以模型中的參數(shù)記憶這些組合。

通過利用神經(jīng)網(wǎng)絡(luò)模型，能夠根據(jù)詞語(yǔ)組合、文章句子及段落進(jìn)行分析，進(jìn)而提高識(shí)別準(zhǔn)確率、降低漏檢率。

根據(jù)本申請(qǐng)實(shí)施例還提供了一種錯(cuò)別字識(shí)別方法，該錯(cuò)別字識(shí)別方法可以用于通過本申請(qǐng)上述實(shí)施例的模型訓(xùn)練方法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別錯(cuò)別字。如圖2所示，該錯(cuò)別字識(shí)別方法包括：

步驟S202，對(duì)待測(cè)文本進(jìn)行分詞處理，確定出每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量。

分詞處理后的每個(gè)詞語(yǔ)可以從本申請(qǐng)實(shí)施例中的第一訓(xùn)練集中查詢其相應(yīng)的詞向量。

步驟S204，以待測(cè)文本中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到神經(jīng)網(wǎng)絡(luò)模型中，利用神經(jīng)網(wǎng)絡(luò)模型識(shí)別出待測(cè)文本中的錯(cuò)別字。

本實(shí)施例中的神經(jīng)網(wǎng)絡(luò)模型為本申請(qǐng)上述實(shí)施例的模型訓(xùn)練方法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型。

由于該神經(jīng)網(wǎng)絡(luò)模型是通過記憶神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)沒有錯(cuò)別字的文本進(jìn)行訓(xùn)練得到，神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)(神經(jīng)網(wǎng)絡(luò)模型中參數(shù)確定，大部分為矩陣)可以記憶訓(xùn)練文本中沒有錯(cuò)別字的詞語(yǔ)及其組合，無(wú)需人工建立詞匯庫(kù)，即可根據(jù)詞語(yǔ)組合以及語(yǔ)句來(lái)識(shí)別其中的錯(cuò)別字，可以根據(jù)上下文語(yǔ)義，有效、快速地識(shí)別出文本中的錯(cuò)別字。

將待測(cè)文本的詞向量輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，通過神經(jīng)網(wǎng)絡(luò)模型的計(jì)算，將輸出結(jié)果中每個(gè)詞語(yǔ)進(jìn)行標(biāo)記，比如非錯(cuò)別字標(biāo)為：1，錯(cuò)別字標(biāo)為：-1，進(jìn)而可篩選出錯(cuò)別字。

本申請(qǐng)實(shí)施例還提供了一種模型訓(xùn)練裝置，該裝置可以用于執(zhí)行本申請(qǐng)實(shí)施例的模型訓(xùn)練方法，如圖3所示，該模型訓(xùn)練裝置包括：提取單元301、確定單元303和訓(xùn)練單元305。

提取單元301用于從預(yù)設(shè)文本數(shù)據(jù)源中提取文本信息，其中，預(yù)設(shè)文本數(shù)據(jù)源中所包含的文本為不包含有錯(cuò)別字的文本。

預(yù)設(shè)文本數(shù)據(jù)源可以是人民日?qǐng)?bào)、中國(guó)政府網(wǎng)等資源網(wǎng)站，可以是經(jīng)過糾正后不包含有錯(cuò)別字的文本數(shù)據(jù)源。該預(yù)設(shè)文本數(shù)據(jù)源中包含有大量的沒有錯(cuò)別字的文本，從中提取出這些文本信息。

確定單元303用于確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，其中，詞向量為用于唯一表示詞語(yǔ)的多維數(shù)組。

對(duì)上述提取出的文本信息，確定出其中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，每個(gè)詞語(yǔ)的詞向量用一組多維數(shù)組來(lái)表示，不同的詞語(yǔ)對(duì)應(yīng)的詞向量各不相同。其中，詞語(yǔ)的詞向量可以是已經(jīng)預(yù)先定義好的，在提取出文本信息之后，從預(yù)先定義的詞向量中查詢出文本信息中每個(gè)詞語(yǔ)的向量。也可以按照預(yù)先設(shè)定的詞向量生成規(guī)則，生成每個(gè)詞語(yǔ)的詞向量。

訓(xùn)練單元305用于以文本信息中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，其中，神經(jīng)網(wǎng)絡(luò)模型用于識(shí)別文本中的錯(cuò)別字。

本實(shí)施例中，在確定出文本信息中所包含的每個(gè)詞語(yǔ)的詞向量之后，以文本信息中的語(yǔ)句為單位，將文本信息中的語(yǔ)句依次輸入到記憶神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，輸入到記憶神經(jīng)網(wǎng)絡(luò)中的語(yǔ)句以其中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量來(lái)代替，即，將語(yǔ)句中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，該記憶神經(jīng)網(wǎng)絡(luò)可以優(yōu)選為基于循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(即LSTM+Bidirectional RNN)。通過記憶神經(jīng)網(wǎng)絡(luò)對(duì)提取的文本信息進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)模型。以語(yǔ)句為單位將其中的詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，機(jī)器可以記憶語(yǔ)句中的詞語(yǔ)及其組合形式，并以神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)(神經(jīng)網(wǎng)絡(luò)模型中參數(shù)確定，大部分為矩陣)記憶這些詞語(yǔ)及其組合。相對(duì)于現(xiàn)有技術(shù)中采用人工建立正確的詞匯庫(kù)，并進(jìn)行文本匹配，來(lái)識(shí)別錯(cuò)別字的方式，本實(shí)施例通過記憶神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)沒有錯(cuò)別字的文本進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)模型，再利用該神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別文本中的錯(cuò)別字，無(wú)需人工建立詞匯庫(kù)，即可根據(jù)詞語(yǔ)組合以及語(yǔ)句來(lái)識(shí)別其中的錯(cuò)別字，可以根據(jù)上下文語(yǔ)義，有效、快速地識(shí)別出文本中的錯(cuò)別字。

根據(jù)本申請(qǐng)實(shí)施例，通過從預(yù)設(shè)文本數(shù)據(jù)源中提取文本信息，其中，預(yù)設(shè)文本數(shù)據(jù)源中所包含的文本為不包含有錯(cuò)別字的文本，確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，其中，詞向量為用于唯一表示詞語(yǔ)的多維數(shù)組，以文本信息中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，以便于利用神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別文本中的錯(cuò)別字，提高了對(duì)文本中錯(cuò)別字的識(shí)別率，解決了現(xiàn)有技術(shù)中文本中錯(cuò)別字的識(shí)別率低的技術(shù)問題。

例如，對(duì)于文本中出現(xiàn)的詞語(yǔ)“憤然立場(chǎng)”，現(xiàn)有技術(shù)中建立的詞匯庫(kù)中包含有詞語(yǔ)“憤然離場(chǎng)”、“憤然”、“離場(chǎng)”和“立場(chǎng)”，因此在識(shí)別上述出現(xiàn)的詞語(yǔ)時(shí)，匹配到詞語(yǔ)“憤然”和“離場(chǎng)”，可能認(rèn)為該詞語(yǔ)中沒有錯(cuò)別字。而本申請(qǐng)實(shí)施例中，由于在訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型時(shí)，是以語(yǔ)句為單位，即以“憤然離場(chǎng)”作為整體，輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)模型中通過其參數(shù)記憶的“憤然離場(chǎng)”，因此，當(dāng)將“憤 然立場(chǎng)”輸入到神經(jīng)網(wǎng)絡(luò)模型中，則會(huì)識(shí)別出其中“立”字為錯(cuò)別字。

優(yōu)選地，模型訓(xùn)練裝置還包括：獲取單元，用于在確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量之前，獲取目標(biāo)文本庫(kù)，目標(biāo)文本庫(kù)所包含的文本為不包含有錯(cuò)別字的文本；生成單元，用于利用詞向量模型對(duì)目標(biāo)文本庫(kù)進(jìn)行訓(xùn)練，以生成目標(biāo)文本庫(kù)中的詞語(yǔ)對(duì)應(yīng)的詞向量，得到第一訓(xùn)練集。

本實(shí)施例的目標(biāo)文本庫(kù)，可以是包含有各種詞語(yǔ)的詞庫(kù)，例如新華詞典、成語(yǔ)詞典、文章等不包含錯(cuò)別字的文本庫(kù)，獲取目標(biāo)文本庫(kù)用以作為詞向量訓(xùn)練集。詞向量模型可以是現(xiàn)有的成熟模型，該模型可以根據(jù)輸入文本，給每一個(gè)詞生成一個(gè)維數(shù)相同的多維數(shù)組，即詞向量，該詞向量的維數(shù)為可以根據(jù)詞向量訓(xùn)練集來(lái)定義，比如將“一”可能標(biāo)記為[1,0,0,……]，將“高興”可能標(biāo)記為[0,1,0,……]。

本申請(qǐng)實(shí)施例中，可以根據(jù)預(yù)先訓(xùn)練得到的詞向量訓(xùn)練集中每個(gè)詞語(yǔ)的詞向量，以便于從中查詢對(duì)用于進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的文本信息中每個(gè)詞語(yǔ)的詞向量。

需要說明的是，本申請(qǐng)實(shí)施例還可以是生成每個(gè)標(biāo)點(diǎn)符號(hào)對(duì)應(yīng)的詞向量。

優(yōu)選地，確定單元包括：分詞模塊，用于對(duì)文本信息進(jìn)行分詞處理，得到第二訓(xùn)練集；查詢模塊，用于從第一訓(xùn)練集中查找第二訓(xùn)練集中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量。

對(duì)于用于進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的文本信息，先對(duì)其進(jìn)行分詞處理，得到詞語(yǔ)集合即第二訓(xùn)練集，從上述中得到的第一訓(xùn)練集中查詢第二訓(xùn)練集中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，從而確定出上述文本信息的每條語(yǔ)句中每個(gè)詞語(yǔ)的詞向量。

具體地，可以利用現(xiàn)有分詞工具，對(duì)上述文本信息進(jìn)行分詞處理，其中，分詞后的文本由詞組成，如將“我是一個(gè)中國(guó)人”分詞為“我是一個(gè)中國(guó)”或者“我是一個(gè)中國(guó)”。

優(yōu)選地，模型訓(xùn)練裝置還包括：標(biāo)記單元，用于在將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)之前，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量標(biāo)記為預(yù)設(shè)標(biāo)識(shí)，其中，預(yù)設(shè)標(biāo)識(shí)表示詞向量對(duì)應(yīng)的詞語(yǔ)為非錯(cuò)別字，以使得在利用神經(jīng)網(wǎng)絡(luò)模型識(shí)別出非錯(cuò)別字時(shí)，將非錯(cuò)別字的詞語(yǔ)標(biāo)記為預(yù)設(shè)標(biāo)識(shí)。

本申請(qǐng)實(shí)施例中，輸入到記憶神經(jīng)網(wǎng)絡(luò)的每條語(yǔ)句中每個(gè)詞語(yǔ)均標(biāo)記為預(yù)設(shè)標(biāo)識(shí)，例如“1”，這樣，在對(duì)文本進(jìn)行訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型時(shí)，神經(jīng)網(wǎng)絡(luò)模型中參數(shù)會(huì)記憶這些詞語(yǔ)標(biāo)識(shí)為預(yù)設(shè)標(biāo)識(shí)。當(dāng)利用神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別待測(cè)文本時(shí)，其輸出結(jié)果中會(huì)將待測(cè)文本中沒有錯(cuò)別字的詞語(yǔ)標(biāo)記為該預(yù)設(shè)標(biāo)識(shí)，而出現(xiàn)錯(cuò)別字的詞語(yǔ)則不標(biāo)記，或者標(biāo)記為其他標(biāo)識(shí)，以便于快速篩選出待測(cè)文本中的錯(cuò)別字。

所述模型訓(xùn)練裝置包括處理器和存儲(chǔ)器，上述提取單元301、確定單元303和訓(xùn)練單元305等均作為程序單元存儲(chǔ)在存儲(chǔ)器中，由處理器執(zhí)行存儲(chǔ)在存儲(chǔ)器中的上述程序單元。

處理器中包含內(nèi)核，由內(nèi)核去存儲(chǔ)器中調(diào)取相應(yīng)的程序單元。內(nèi)核可以設(shè)置一個(gè)或以上，通過調(diào)整內(nèi)核參數(shù)來(lái)訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型。

存儲(chǔ)器可能包括計(jì)算機(jī)可讀介質(zhì)中的非永久性存儲(chǔ)器，隨機(jī)存取存儲(chǔ)器(RAM)和/或非易失性內(nèi)存等形式，如只讀存儲(chǔ)器(ROM)或閃存(flash RAM)，存儲(chǔ)器包括至少一個(gè)存儲(chǔ)芯片。

本申請(qǐng)還提供了一種計(jì)算機(jī)程序產(chǎn)品的實(shí)施例，當(dāng)在數(shù)據(jù)處理設(shè)備上執(zhí)行時(shí)，適于執(zhí)行初始化有如下方法步驟的程序代碼：從預(yù)設(shè)文本數(shù)據(jù)源中提取文本信息，其中，預(yù)設(shè)文本數(shù)據(jù)源中所包含的文本為不包含有錯(cuò)別字的文本；確定出文本信息中每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量，其中，詞向量為用于唯一表示詞語(yǔ)的多維數(shù)組；以文本信息中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到記憶神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型，其中，神經(jīng)網(wǎng)絡(luò)模型用于識(shí)別文本中的錯(cuò)別字。

根據(jù)本申請(qǐng)實(shí)施例還提供了一種錯(cuò)別字識(shí)別裝置，該錯(cuò)別字識(shí)別裝置可以用于執(zhí)行本申請(qǐng)實(shí)施例提供的錯(cuò)別字識(shí)別方法。如圖4所示，該錯(cuò)別字識(shí)別裝置包括：向量確定單元401和識(shí)別單元403。

向量確定單元401用于對(duì)待測(cè)文本進(jìn)行分詞處理，確定出每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量；

分詞處理后的每個(gè)詞語(yǔ)可以從本申請(qǐng)實(shí)施例中的第一訓(xùn)練集中查詢其相應(yīng)的詞向量。

識(shí)別單元403用于以待測(cè)文本中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到神經(jīng)網(wǎng)絡(luò)模型中，利用神經(jīng)網(wǎng)絡(luò)模型識(shí)別出待測(cè)文本中的錯(cuò)別字。

本實(shí)施例中的神經(jīng)網(wǎng)絡(luò)模型為本申請(qǐng)上述實(shí)施例的模型訓(xùn)練方法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型。

由于該神經(jīng)網(wǎng)絡(luò)模型是通過記憶神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)沒有錯(cuò)別字的文本進(jìn)行訓(xùn)練得到，神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)(神經(jīng)網(wǎng)絡(luò)模型中參數(shù)確定，大部分為矩陣)可以記憶訓(xùn)練文本中沒有錯(cuò)別字的詞語(yǔ)及其組合，無(wú)需人工建立詞匯庫(kù)，即可根據(jù)詞語(yǔ)組合以及語(yǔ)句來(lái)識(shí)別其中的錯(cuò)別字，可以根據(jù)上下文語(yǔ)義，有效、快速地識(shí)別出文本中的錯(cuò)別字。

將待測(cè)文本的詞向量輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，通過神經(jīng)網(wǎng)絡(luò)模型的計(jì)算，將輸出結(jié)果中每個(gè)詞語(yǔ)進(jìn)行標(biāo)記，比如非錯(cuò)別字標(biāo)為：1，錯(cuò)別字標(biāo)為：-1，進(jìn)而可篩選 出錯(cuò)別字。

所述錯(cuò)別字識(shí)別裝置包括處理器和存儲(chǔ)器，上述向量確定單元401和識(shí)別單元403等均作為程序單元存儲(chǔ)在存儲(chǔ)器中，由處理器執(zhí)行存儲(chǔ)在存儲(chǔ)器中的上述程序單元。

處理器中包含內(nèi)核，由內(nèi)核去存儲(chǔ)器中調(diào)取相應(yīng)的程序單元。內(nèi)核可以設(shè)置一個(gè)或以上，通過調(diào)整內(nèi)核參數(shù)來(lái)識(shí)別文本中的錯(cuò)別字。

存儲(chǔ)器可能包括計(jì)算機(jī)可讀介質(zhì)中的非永久性存儲(chǔ)器，隨機(jī)存取存儲(chǔ)器(RAM)和/或非易失性內(nèi)存等形式，如只讀存儲(chǔ)器(ROM)或閃存(flash RAM)，存儲(chǔ)器包括至少一個(gè)存儲(chǔ)芯片。

本申請(qǐng)還提供了一種計(jì)算機(jī)程序產(chǎn)品的實(shí)施例，當(dāng)在數(shù)據(jù)處理設(shè)備上執(zhí)行時(shí)，適于執(zhí)行初始化有如下方法步驟的程序代碼：對(duì)待測(cè)文本進(jìn)行分詞處理，確定出每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量；以待測(cè)文本中的語(yǔ)句為單位，將每條語(yǔ)句中的每個(gè)詞語(yǔ)對(duì)應(yīng)的詞向量輸入到神經(jīng)網(wǎng)絡(luò)模型中，利用神經(jīng)網(wǎng)絡(luò)模型識(shí)別出待測(cè)文本中的錯(cuò)別字。

上述本申請(qǐng)實(shí)施例序號(hào)僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

在本申請(qǐng)的上述實(shí)施例中，對(duì)各個(gè)實(shí)施例的描述都各有側(cè)重，某個(gè)實(shí)施例中沒有詳述的部分，可以參見其他實(shí)施例的相關(guān)描述。

在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的技術(shù)內(nèi)容，可通過其它的方式實(shí)現(xiàn)。其中，以上所描述的裝置實(shí)施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本申請(qǐng)各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本申請(qǐng)的技術(shù)方案本質(zhì) 上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可為個(gè)人計(jì)算機(jī)、服務(wù)器或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本申請(qǐng)各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、移動(dòng)硬盤、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述僅是本申請(qǐng)的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說，在不脫離本申請(qǐng)?jiān)淼那疤嵯拢€可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本申請(qǐng)的保護(hù)范圍。