技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)信息處理技術(shù)領(lǐng)域，具體涉及一種基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的方法及裝置。

背景技術(shù)：

采用互聯(lián)網(wǎng)技術(shù)推廣法律服務(wù)，是解決當(dāng)前法律服務(wù)供給不足、覆蓋不全、發(fā)展不平衡等問題的一條有效途徑。經(jīng)過十多年發(fā)展，國(guó)內(nèi)的“互聯(lián)網(wǎng)+法律服務(wù)”領(lǐng)域已經(jīng)取得很大進(jìn)展，出現(xiàn)了一大批法律電商，產(chǎn)生了檢索類網(wǎng)站、律師背景介紹、聯(lián)系方式供客戶參考等互動(dòng)性更強(qiáng)的法律咨詢服務(wù)。

然而，這些法律咨詢服務(wù)大多采用常規(guī)的數(shù)據(jù)挖掘、專家系統(tǒng)、文本檢索等技術(shù)，并不足以支撐智能化、個(gè)性化的法律服務(wù)。

事實(shí)上，法律咨詢是咨詢主體將事件用語(yǔ)言（或文本）表述成一個(gè)客觀事實(shí)，再由律師根據(jù)先驗(yàn)知識(shí)將該客觀事實(shí)抽取為法律事實(shí)，接著依靠自身儲(chǔ)備的法律知識(shí)體系對(duì)法律事實(shí)加工并做出決策的過程。

“互聯(lián)網(wǎng)+法律服務(wù)”技術(shù)的一個(gè)重要目標(biāo)是通過計(jì)算機(jī)逐步取代律師，將律師從簡(jiǎn)單的咨詢服務(wù)中解放出來。因此，利用計(jì)算機(jī)自動(dòng)地將用戶描述文本抽取為客觀事實(shí)，再抽取為法律事實(shí)并做出決策這一過程，本質(zhì)上屬于自然語(yǔ)言處理（NLP）的問題。

長(zhǎng)期以來，機(jī)器學(xué)習(xí)一直都是NLP的主要工具。然而在NLP中，機(jī)器學(xué)習(xí)大多局限于針對(duì)從文本數(shù)據(jù)中所獲取特征的數(shù)值權(quán)重優(yōu)化。在最近的研究中，深度學(xué)習(xí)開始應(yīng)用在NLP領(lǐng)域，并取得顯著進(jìn)展。深度神經(jīng)網(wǎng)絡(luò)（DNN）的出現(xiàn)顯著降低了語(yǔ)言模型的困惑度，而困惑度是語(yǔ)言模型中一些基準(zhǔn)任務(wù)的性能指標(biāo)。通過引入“嵌入”（embedding）這個(gè)重要概念，DNN用連續(xù)實(shí)值向量來表示自然語(yǔ)言文本中詞級(jí)、短語(yǔ)級(jí)、句子級(jí)的符號(hào)信息，在語(yǔ)言模型、詞性標(biāo)注、淺層句法分析、語(yǔ)義角色標(biāo)注等任務(wù)中有著出色表現(xiàn)。Socher等人通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到“詞嵌入”較好解決同音異義和一詞多義問題。現(xiàn)有技術(shù)還給出從大量無(wú)標(biāo)注的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到內(nèi)在表征和“詞嵌入”的一般方法。在Mikolov等人的工作中，提出一種連續(xù)詞袋模型（CBOW），通過層次Softmax算法并結(jié)合Huffman編碼，使每個(gè)詞都可從樹的根結(jié)點(diǎn)沿著唯一路徑被訪問到，該路徑即是詞向量編碼。在Mikolov團(tuán)隊(duì)后續(xù)工作中，借助反演預(yù)測(cè)提出跳躍文法模型（skip-gram），利用負(fù)采樣提高了詞嵌入的學(xué)習(xí)效率。Huang等人在擴(kuò)展局部上下文模型的基礎(chǔ)上，利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）學(xué)習(xí)詞嵌入在語(yǔ)境中的語(yǔ)義信息。現(xiàn)有技術(shù)還采用復(fù)述檢測(cè)方法設(shè)計(jì)一種RNN來合并自然語(yǔ)言的處理能力，在句法分析上取得顯著效果。在一些現(xiàn)有技術(shù)中，還考慮了局部上下文和全局上下文模型，通過從訓(xùn)練的整體文檔中獲取全局語(yǔ)義向量，并將其作為原始局部上下文詞嵌入模型輸入的一部分，提高句法分析的準(zhǔn)確性。

盡管上述DNN技術(shù)爆發(fā)式地應(yīng)用于NLP鄰域獲得許多富有成效的結(jié)果，但DNN在NLP領(lǐng)域所表現(xiàn)出的優(yōu)勢(shì)并沒有超過其在語(yǔ)音或視覺目標(biāo)識(shí)別上體現(xiàn)的優(yōu)勢(shì)。其中一個(gè)重要原因在于缺乏系統(tǒng)性的方法來構(gòu)建語(yǔ)法樹。

此外，目前的研究大多數(shù)關(guān)注于英語(yǔ)等語(yǔ)言模型，對(duì)于中文，特別地在一些垂直領(lǐng)域，比如法律服務(wù)、醫(yī)療服務(wù)等領(lǐng)域所涉及的專業(yè)語(yǔ)言理解，國(guó)內(nèi)外的相關(guān)研究成果依然較少。

綜上，現(xiàn)有技術(shù)中沒有采用系統(tǒng)性的方法來構(gòu)建法律服務(wù)領(lǐng)域中專業(yè)語(yǔ)言理解的語(yǔ)法樹的方法，而且，現(xiàn)有的法律語(yǔ)言理解中存在很嚴(yán)重的語(yǔ)義偏差問題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的方法及裝置。

一種基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的方法，所述方法包括：

獲取法律服務(wù)的訓(xùn)練文本；

對(duì)所述訓(xùn)練文本進(jìn)行詞向量稀疏表示；

根據(jù)所述詞向量稀疏表示通過DNN對(duì)所述訓(xùn)練文本進(jìn)行語(yǔ)義標(biāo)注；

根據(jù)所述語(yǔ)義標(biāo)注對(duì)所述訓(xùn)練文本進(jìn)行依存描述，構(gòu)建得到法律文本語(yǔ)法樹。

優(yōu)選地，所述獲取法律服務(wù)的訓(xùn)練文本，包括：

由網(wǎng)絡(luò)爬蟲從互聯(lián)網(wǎng)獲取法律服務(wù)相關(guān)的數(shù)據(jù)；

去除所述數(shù)據(jù)中的非法律要素，得到訓(xùn)練文本。

優(yōu)選地，所述對(duì)所述訓(xùn)練文本進(jìn)行詞向量稀疏表示，包括：

將所述訓(xùn)練文本經(jīng)過分詞處理后提交給預(yù)設(shè)的CBOW模型轉(zhuǎn)化為詞向量的稀疏表示。

優(yōu)選地，所述轉(zhuǎn)化為詞向量的稀疏表示包括：

對(duì)所述訓(xùn)練文本中一段長(zhǎng)度為的詞序列，所述CDOW模型的輸入為：

；

其中， 表示目標(biāo)詞所處的上下文語(yǔ)境，表示以為中心，分別向前向后個(gè)詞構(gòu)成的詞序列，，一般取奇數(shù)；表示上下文語(yǔ)境中的第個(gè)詞，表示對(duì)應(yīng)的詞向量。

優(yōu)選地，所述CBOW模型的輸出層對(duì)應(yīng)一個(gè)二叉樹，通過哈弗曼編碼實(shí)現(xiàn)詞向量的稀疏表示。

優(yōu)選地，所述DNN的輸入層為所述訓(xùn)練文本中由個(gè)詞序列構(gòu)成的一個(gè)句子，表示為，以及該句子所對(duì)應(yīng)的詞性標(biāo)注序列和關(guān)系標(biāo)簽序列。

一種基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的裝置，所述裝置包括：

獲取模塊，用于獲取法律服務(wù)的訓(xùn)練文本；

處理模塊，用于對(duì)所述訓(xùn)練文本進(jìn)行詞向量稀疏表示；

標(biāo)注模塊，用于根據(jù)所述詞向量稀疏表示通過DNN對(duì)所述訓(xùn)練文本進(jìn)行語(yǔ)義標(biāo)注；

構(gòu)建模塊，用于根據(jù)所述語(yǔ)義標(biāo)注對(duì)所述訓(xùn)練文本進(jìn)行依存描述，構(gòu)建得到法律文本語(yǔ)法樹。

由上述技術(shù)方案可知，本發(fā)明提出一種系統(tǒng)性的方法來構(gòu)建法律服務(wù)領(lǐng)域中專業(yè)語(yǔ)言理解的語(yǔ)法樹，并利用全局-局部訓(xùn)練解決法律語(yǔ)言理解中語(yǔ)義偏差的問題。

附圖說明

為了更清楚地說明本發(fā)明具體實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)具體實(shí)施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹。在所有附圖中，類似的元件或部分一般由類似的附圖標(biāo)記標(biāo)識(shí)。附圖中，各元件或部分并不一定按照實(shí)際的比例繪制。

圖1示出了生成法律文本稀疏詞向量的CDOW模型；

圖2示出了語(yǔ)義標(biāo)注深度神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)；

圖3示出了本發(fā)明實(shí)施例一種基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的方法的流程圖；

圖4示出了本發(fā)明實(shí)施例一種基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的裝置的結(jié)構(gòu)圖。

具體實(shí)施方式

下面將結(jié)合附圖對(duì)本發(fā)明技術(shù)方案的實(shí)施例進(jìn)行詳細(xì)的描述。以下實(shí)施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，因此只是作為示例，而不能以此來限制本發(fā)明的保護(hù)范圍。

本發(fā)明提出一種在深度學(xué)習(xí)下的法律文本語(yǔ)法樹訓(xùn)練方法。該方法將數(shù)據(jù)清洗后的法律文本利用word2vec轉(zhuǎn)換為詞向量，接著將這些詞向量提交給連續(xù)詞袋模型以獲取文本在分詞級(jí)別下的稀疏詞嵌入表征。接著根據(jù)稀疏詞設(shè)計(jì)一種基于標(biāo)準(zhǔn)轉(zhuǎn)換的神經(jīng)網(wǎng)絡(luò)模型，該模型能完成詞類/詞性標(biāo)注（根據(jù)詞在上下文中的功能進(jìn)行劃分，詞包括名詞、代詞、動(dòng)詞、形容詞、副詞、介詞、連詞、感嘆詞和冠詞），根據(jù)依存關(guān)系進(jìn)行句法分析（把句子分解成各個(gè)組成詞類，并從形式、功能和各部分的句法關(guān)系上加以說明），以及句子壓縮。

本發(fā)明能夠通過一個(gè)比局部轉(zhuǎn)換模型在表達(dá)方式上更加嚴(yán)格且豐富的全局轉(zhuǎn)換模型來克服語(yǔ)義標(biāo)簽的偏差問題。

下面對(duì)本發(fā)明提供的基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的方法和裝置的一種實(shí)施例進(jìn)行詳細(xì)介紹。

首先，對(duì)法律文本進(jìn)行詞向量稀疏表示。

具體的，法律服務(wù)的訓(xùn)練文本由網(wǎng)絡(luò)爬蟲從互聯(lián)網(wǎng)獲取，經(jīng)過數(shù)據(jù)清洗，在去掉文本中的鏈接、圖像、廣告等無(wú)關(guān)要素之后得到純凈文本。

法律服務(wù)的測(cè)試文本由用戶直接輸入，并限定為文檔錄入。訓(xùn)練文本經(jīng)過分詞處理后提交給如圖2所示的CBOW模型轉(zhuǎn)化為詞向量的稀疏表示。

具體地，對(duì)訓(xùn)練文本中一段長(zhǎng)度為的詞序列，CDOW模型的輸入為：

（1）

其中， 表示目標(biāo)詞所處的上下文語(yǔ)境，即以為中心，分別向前向后個(gè)詞構(gòu)成的詞序列，，一般取奇數(shù)。表示上下文語(yǔ)境中的第個(gè)詞，表示對(duì)應(yīng)的詞向量。目標(biāo)詞出現(xiàn)的概率可表示為：

（2）

這里，表示長(zhǎng)度為的詞序列所對(duì)應(yīng)的詞匯表。對(duì)于整個(gè)訓(xùn)練文本而言，CBOW的目標(biāo)函數(shù)為：

（3）

其中，表示訓(xùn)練文本對(duì)應(yīng)的字典，即文本中所有詞及其上下文語(yǔ)境構(gòu)成的集合。

CBOW模型輸出層對(duì)應(yīng)一個(gè)二叉樹，通過哈弗曼編碼實(shí)現(xiàn)詞向量的稀疏表示。哈弗曼樹中的葉子結(jié)對(duì)應(yīng)訓(xùn)練文本字典中的詞向量，以表示，共個(gè)。非葉子結(jié)點(diǎn)對(duì)應(yīng)一個(gè)向量，該向量代表一個(gè)詞類，而不是具體的詞向量，以表示，共個(gè)。對(duì)中的，當(dāng)從根節(jié)點(diǎn)搜索到其對(duì)應(yīng)的葉子節(jié)點(diǎn)所經(jīng)過的路徑為，長(zhǎng)度為。該路徑經(jīng)歷的非葉子節(jié)點(diǎn)為，除根節(jié)點(diǎn)之外的所有節(jié)點(diǎn)對(duì)應(yīng)的編碼為，且。也就是說，于中的的唯一路徑有個(gè)分支，且每個(gè)分支可看作一次二分類，該二分類的概率為：

（4）

其中，。由此，CBOW的目標(biāo)參數(shù)為

（5）

記，則CBOW在學(xué)習(xí)率為時(shí)，關(guān)于參數(shù)與的學(xué)習(xí)規(guī)則分別可表示為：

（6）

（7）

通過上述學(xué)習(xí)規(guī)則，神經(jīng)網(wǎng)絡(luò)便能自動(dòng)更新參數(shù)與，每次更新就完成一次對(duì)的搜索。當(dāng)搜索到目標(biāo)詞時(shí)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成，此時(shí)記錄下相關(guān)的編碼，即是目標(biāo)詞的稀疏詞向量。

接著，對(duì)法律描述文本進(jìn)行語(yǔ)義標(biāo)注。

具體的，假設(shè)由CBOW模型獲得目標(biāo)詞對(duì)應(yīng)的稀疏表示（詞嵌入）為一個(gè)維的向量，詞嵌入矩陣為。目標(biāo)詞對(duì)應(yīng)的詞性標(biāo)注向量為，關(guān)系標(biāo)簽向量為。相應(yīng)地，由個(gè)詞性向量構(gòu)成的詞性矩陣為，由個(gè)關(guān)系標(biāo)簽向量構(gòu)成的關(guān)系標(biāo)簽矩陣為。此外，對(duì)法律訓(xùn)練文本定義三個(gè)屬性狀態(tài)集合，即各個(gè)詞向量自身的狀態(tài)集，詞性狀態(tài)集={名詞，代詞，動(dòng)詞，……}，關(guān)系標(biāo)簽集={限定關(guān)系，動(dòng)賓關(guān)系，主謂關(guān)系，……}。

本發(fā)明通過構(gòu)建如圖3所示的一個(gè)DNN來實(shí)現(xiàn)對(duì)法律訓(xùn)練文本的語(yǔ)義標(biāo)注。神經(jīng)網(wǎng)絡(luò)的輸入層為訓(xùn)練樣本中由個(gè)詞序列構(gòu)成的一個(gè)句子，即，以及該句子所對(duì)應(yīng)的詞性標(biāo)注序列和關(guān)系標(biāo)簽序列。此時(shí)的狀態(tài)屬性集為。網(wǎng)絡(luò)的隱藏層含有 個(gè)子隱藏層。其中第1隱藏層節(jié)點(diǎn)數(shù)為，其輸出為立方激活函數(shù)映射輸出，即：

（8）

其中，第1隱藏層與稀疏詞向量、詞性標(biāo)注向量、關(guān)系標(biāo)簽向量相連接的權(quán)值矩陣分別為、、，相應(yīng)的偏置為。第2隱藏層為第1隱藏層的擴(kuò)張輸出為，即：

（9）

其中，為第2隱藏層偏置。第隱藏層中第個(gè)隱藏層輸出為：

（10）

其中，是被選中作為層輸入的神經(jīng)元矩陣，為卷積核元素，為隱藏層共用偏置。第隱藏層對(duì)應(yīng)的向下采樣層靈敏度為：

（11）

其中，為向下采樣權(quán)重，為向下采樣層激活函數(shù)，表示向上采樣操作，即通過卷積操作實(shí)現(xiàn)。輸出層為：

（11）

其中，，為目標(biāo)語(yǔ)義文本，為最后隱藏層神經(jīng)元個(gè)數(shù)。

接著,對(duì)法律文本進(jìn)行依存描述。

具體的，對(duì)于法律文本中給定的一句話，以表示。定義一個(gè)關(guān)于狀態(tài)集，初始狀態(tài)集，決策集，，轉(zhuǎn)換函數(shù)，。則句子與文本中其他句子的依存關(guān)系用在狀態(tài)下決策的得分函數(shù)計(jì)算，且對(duì)模型參數(shù)可導(dǎo)。與對(duì)應(yīng)的決策數(shù)量用表示，對(duì)于長(zhǎng)度為的句子，要完整地分析其依存關(guān)系，所需的決策數(shù)量為。

那么，法律文本中的目標(biāo)句子與其他句子的依存關(guān)系可用一系列數(shù)組對(duì)加以描述，即。其中

（12）

（13）

（14）

約定，假設(shè)為一一映射，即一個(gè)狀態(tài)編碼了整個(gè)決策歷史軌跡。因此，每一個(gè)狀態(tài)都能通過一個(gè)唯一的，且由開始的決策序列達(dá)到。那么，決策序列與狀態(tài)是可以互換的，則有：

（15）

上述得分函數(shù)可用一個(gè)神經(jīng)網(wǎng)絡(luò)表示，即：

（16）

其中，是神經(jīng)網(wǎng)絡(luò)除了輸出層之外的所有參數(shù)，且是線性表達(dá)，為神經(jīng)網(wǎng)絡(luò)輸出層的參數(shù)。表示狀態(tài)，且該狀態(tài)由神經(jīng)網(wǎng)絡(luò)參數(shù)計(jì)算得到。在下的條件概率分布為：

（17）

其中，剖分函數(shù)為：

（18）

每一個(gè)就是一個(gè)局部的標(biāo)準(zhǔn)量。決策序列的概率為：

（19）

通過定向搜索就可找到中的最大值。

類似地，定義一個(gè)全局標(biāo)準(zhǔn)量下的決策序列的概率分布為：

（20）

其中，

（21）

是訓(xùn)練文本中所有長(zhǎng)度為的決策序列集合。通過定向搜索依然可以找到在全局標(biāo)準(zhǔn)量的最大值，即：

（22）

下面結(jié)合圖3對(duì)本發(fā)明提供的一種基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的方法進(jìn)行介紹。

步驟301、獲取法律服務(wù)的訓(xùn)練文本；

步驟302、對(duì)所述訓(xùn)練文本進(jìn)行詞向量稀疏表示；

步驟303、根據(jù)所述詞向量稀疏表示通過DNN對(duì)所述訓(xùn)練文本進(jìn)行語(yǔ)義標(biāo)注；

步驟304、根據(jù)所述語(yǔ)義標(biāo)注對(duì)所述訓(xùn)練文本進(jìn)行依存描述，構(gòu)建得到法律文本語(yǔ)法樹。

在一實(shí)施例中，所述獲取法律服務(wù)的訓(xùn)練文本，包括：

由網(wǎng)絡(luò)爬蟲從互聯(lián)網(wǎng)獲取法律服務(wù)相關(guān)的數(shù)據(jù)；

去除所述數(shù)據(jù)中的非法律要素，得到訓(xùn)練文本。

在一實(shí)施例中，所述對(duì)所述訓(xùn)練文本進(jìn)行詞向量稀疏表示，包括：

將所述訓(xùn)練文本經(jīng)過分詞處理后提交給預(yù)設(shè)的CBOW模型轉(zhuǎn)化為詞向量的稀疏表示。

在一實(shí)施例中，所述轉(zhuǎn)化為詞向量的稀疏表示包括：

對(duì)所述訓(xùn)練文本中一段長(zhǎng)度為的詞序列，所述CDOW模型的輸入為：

；

其中， 表示目標(biāo)詞所處的上下文語(yǔ)境，表示以為中心，分別向前向后個(gè)詞構(gòu)成的詞序列，，一般取奇數(shù)；表示上下文語(yǔ)境中的第個(gè)詞，表示對(duì)應(yīng)的詞向量。

在一實(shí)施例中，所述CBOW模型的輸出層對(duì)應(yīng)一個(gè)二叉樹，通過哈弗曼編碼實(shí)現(xiàn)詞向量的稀疏表示。

在一實(shí)施例中，所述DNN的輸入層為所述訓(xùn)練文本中由個(gè)詞序列構(gòu)成的一個(gè)句子，表示為，以及該句子所對(duì)應(yīng)的詞性標(biāo)注序列和關(guān)系標(biāo)簽序列。

本發(fā)明提供的一種基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的裝置，如圖4所示，所述裝置包括：

獲取模塊401，用于獲取法律服務(wù)的訓(xùn)練文本；

處理模塊402，用于對(duì)所述訓(xùn)練文本進(jìn)行詞向量稀疏表示；

標(biāo)注模塊403，用于根據(jù)所述詞向量稀疏表示通過DNN對(duì)所述訓(xùn)練文本進(jìn)行語(yǔ)義標(biāo)注；

構(gòu)建模塊404，用于根據(jù)所述語(yǔ)義標(biāo)注對(duì)所述訓(xùn)練文本進(jìn)行依存描述，構(gòu)建得到法律文本語(yǔ)法樹。

需要注意的是，除非另有說明，本發(fā)明使用的技術(shù)術(shù)語(yǔ)或者科學(xué)術(shù)語(yǔ)應(yīng)當(dāng)為本發(fā)明所屬領(lǐng)域技術(shù)人員所理解的通常意義。

本發(fā)明實(shí)施例所提供的基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建法律文本語(yǔ)法樹的計(jì)算機(jī)程序產(chǎn)品，包括存儲(chǔ)了程序代碼的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述程序代碼包括的指令可用于執(zhí)行前面方法實(shí)施例中所述的方法，具體實(shí)現(xiàn)可參見方法實(shí)施例，在此不再贅述。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)、裝置和單元的具體工作過程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過程，在此不再贅述。

在本發(fā)明所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的系統(tǒng)、裝置和方法，可以通過其它的方式實(shí)現(xiàn)。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，僅僅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，又例如，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通信接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

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)網(wǎng)絡(luò)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實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(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。

所述功能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。基于這樣的理解，本發(fā)明的技術(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)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，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（可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等）執(zhí)行本發(fā)明各個(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、移動(dòng)硬盤、只讀存儲(chǔ)器（ROM，Read-Only Memory）、隨機(jī)存取存儲(chǔ)器（RAM，Random Access Memory）、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

最后應(yīng)說明的是：以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求和說明書的范圍當(dāng)中。