輸入提示方法及裝置與流程
2023-05-29 21:27:31
本發明涉及通信技術領域，尤其涉及一種輸入提示方法及裝置。
背景技術：
目前，輸入自動提示是一種提升文本輸入效率的方式。它根據用戶當前已輸入的內容，生成對用戶即將輸入內容的若干個預測，以自動提示的方式展現給用戶，用戶可以從中直接選擇，不必手動打字輸入，從而提高輸入效率。輸入自動提示廣泛應用於各種需要手動輸入文字的場景，例如手機輸入法、搜尋引擎、客服系統等。
相關技術中的輸入自動提示方式一般是將用戶已輸入的文本作為關鍵字或者前綴，去匹配資料庫裡已有的條目，將命中的條目作為自動提示。如果有多個可返回的輸入條目時，還可以通過一定的排序方式(例如條目的使用頻次)對輸入條目進行排序，並返回排在前面的若干個。例如，當用戶在搜尋引擎中輸入「鐵達尼號」時，為了使得用戶完成快速輸入，可為用戶提供「鐵達尼號電影在線觀看」、「鐵達尼號主題曲」、「鐵達尼號下載」、「鐵達尼號女主角」等自動提示，以供用戶選擇完成快速輸入。
然而，上述基於關鍵字或者前綴匹配的輸入自動提示方式至少存在以下問題：1、當用戶已輸入的內容過長時，通過關鍵字或前綴匹配可能無法找到任何條目，導致該方法無法生成任何自動提示；2、該方式僅是使用用戶當前輸入的內容進行匹配，容易上下文信息之間的聯繫，所生成的自動提示可能缺乏相關性，導致用戶選擇機率偏低，無法滿足有上下文的輸入場景中(如聊天、客服等)中的輸入自動提示；3、該方式的自動提示完全來自於已有的資料庫。如果資料庫規模較小，會導致很多情況下無法生成自動提示。
技術實現要素：
本發明旨在至少在一定程度上解決相關技術中的技術問題之一。
為此，本發明的一個目的在於提出一種輸入提示方法，該方法結合上下文信息準確為用戶提供輸入提示信息，滿足了上下文輸入場景中用戶的輸入自動提示需求，方便了用戶根據輸入提示信息快速完成輸入，減少了用戶的輸入量，提高了用戶的輸入體驗度。
本發明的第二個目的在於提出一種輸入提示裝置。
為達上述目的，本發明第一方面實施例提出了一種輸入提示方法，包括：獲取用戶當前輸入的文本信息；獲取當前對話界面中的歷史對話信息；根據所述歷史對話信息和所述文本信息生成輸入提示信息，並顯示所述輸入提示信息。
根據本發明實施例的輸入提示方法，獲取用戶當前輸入的文本信息，並取當前對話界面中的歷史對話信息，以及根據歷史對話信息和文本信息生成輸入提示信息，並顯示輸入提示信息，由此，結合上下文信息準確為用戶提供輸入提示信息，滿足了上下文輸入場景中用戶的輸入自動提示需求，方便了用戶根據輸入提示信息快速完成輸入，減少了用戶的輸入量，提高了用戶的輸入體驗度。
優選的，所述根據所述歷史對話信息和所述文本信息生成輸入提示信息，包括：判斷所述歷史對話信息是否為空，若否，則生成與所述歷史對話信息對應的隱向量，否則獲取初始隱向量；對所述文本信息進行分詞處理，以生成所述文本信息的第一分詞結果；根據所述第一分詞結果生成所述文本信息中每個詞的第一詞向量；在所述歷史對話信息不為空時，根據所述隱向量和所述第一詞向量生成所述輸入提示信息；在所述歷史對話信息為空時，根據所述初始隱向量和所述第一詞向量生成所述輸入提示信息。
優選的，所述生成與所述歷史對話信息對應的隱向量，包括：對所述歷史對話信息進行分詞處理，以生成所述歷史對話信息的第二分詞結果；根據所述第二分詞結果生成所述歷史對話信息中每個詞的第二詞向量；根據所述第二詞向量生成所述歷史對話信息的隱向量。
優選的，所述根據所述第二詞向量生成所述歷史對話信息的隱向量，包括：
基於第一循環神經網絡模型，根據所述第二詞向量生成所述歷史對話信息的隱向量。
優選的，所述根據所述第一分詞結果生成所述文本信息中每個詞的第一詞向量，包括：將所述第一分詞結果輸入詞嵌入模型中，以通過所述詞嵌入模型生成所述文本信息中每個詞的第一詞向量。
優選的，所述根據所述隱向量和所述第一詞向量生成所述輸入提示信息，包括：基於第二循環神經網絡模型，根據所述隱向量和所述第一詞向量生成所述輸入提示信息。
為達上述目的，本發明第二方面實施例提出了一種輸入提示裝置，包括：第一獲取模塊，用於獲取用戶當前輸入的文本信息；第二獲取模塊，用於獲取當前對話界面中的歷史對話信息；處理模塊，根據所述歷史對話信息和所述文本信息生成輸入提示信息，並顯示所述輸入提示信息。
根據本發明實施例的輸入提示裝置，獲取用戶當前輸入的文本信息，並取當前對話界面中的歷史對話信息，以及根據歷史對話信息和文本信息生成輸入提示信息，並顯示輸入提示信息，由此，結合上下文信息準確為用戶提供輸入提示信息，滿足了上下文輸入場景中用戶的輸入自動提示需求，方便了用戶根據輸入提示信息快速完成輸入，減少了用戶的輸入量，提高了用戶的輸入體驗度。
優選的，所述處理模塊，包括：判斷單元，用於判斷所述歷史對話信息是否為空；第一生成單元，用於在判斷所述歷史對話信息不為空時，生成與所述歷史對話信息對應的隱向量；獲取單元，用於在判斷所述歷史對話信息為空時，獲取初始隱向量；分詞單元，用於對所述文本信息進行分詞處理，以生成所述文本信息的第一分詞結果；第二生成單元，用於根據所述第一分詞結果生成所述文本信息中每個詞的第一詞向量；第三生成單元，用於在所述歷史對話信息不為空時，根據所述隱向量和所述第一詞向量生成所述輸入提示信息；第四生成單元，用於在所述歷史對話信息為空時，根據所述初始隱向量和所述第一詞向量生成所述輸入提示信息。
優選的，所述第一生成單元，具體用於：對所述歷史對話信息進行分詞處理，以生成所述歷史對話信息的第二分詞結果，並根據所述第二分詞結果生成所述歷史對話信息中每個詞的第二詞向量，以及根據所述第二詞向量生成所述歷史對話信息的隱向量。
優選的，所述第一生成單元，具體用於：基於第一循環神經網絡模型，根據所述第二詞向量生成所述歷史對話信息的隱向量。
優選的，所述第二生成單元，具體用於：將所述第一分詞結果輸入詞嵌入模型中，以通過所述詞嵌入模型生成所述文本信息中每個詞的第一詞向量。
優選的，所述第三生成單元，具體用於：基於第二循環神經網絡模型，根據所述隱向量和所述第一詞向量生成所述輸入提示信息。
本發明附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。
附圖說明
圖1是本發明一個實施例的輸入提示方法的流程圖；
圖2是本發明一個實施例的根據歷史對話信息和文本信息生成輸入提示信息的細化流程圖；
圖3是本發明一個實施例的輸入提示裝置的結構示意圖；
圖4是本發明另一個實施例的輸入提示裝置的結構示意圖。
具體實施方式
下面詳細描述本發明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用於解釋本發明，而不能理解為對本發明的限制。
下面參考附圖描述本發明實施例的輸入提示方法以及裝置。
圖1是本發明一個實施例的輸入提示方法的流程圖。
如圖1所示，該輸入提示方法可以包括以下幾個步驟：
s11，獲取用戶當前輸入的文本信息。
作為一種示例性的實施方式，在多輪對話的場景中，在用戶接收到對方發送的對話信息後，用戶需要針對該對話信息進行回復，在用戶在當前對話界面中的輸入框中輸入文本信息時，可獲取當前輸入的文本信息。
例如，在多輪對話場景中，用戶接收到顧客發過來的信息為「我要訂機票」，此時，用戶需要通過打字輸入的方式進行回復，以確定顧客的具體需求，假設用戶當前輸入的文本信息為「請問」，此時，所獲取的用戶當前輸入的文本信息即為「請問」。
s12，獲取當前對話界面中的歷史對話信息。
s13，根據歷史對話信息和文本信息生成輸入提示信息，並顯示輸入提示信息。
在本發明的一個實施例中，在獲取當前對話界面中的歷史對話信息後，可判斷歷史對話信息是否為空，若歷史對話信息為空，即，不存在歷史對話信息，此時，可獲取初始隱向量，然後，根據對文本信息進行分詞處理，以生成文本信息的第一分詞結果，之後，根據第一分詞結果生成文本信息中每個詞的第一詞向量，以及根據初始隱向量和第一詞向量生成輸入提示信息。
在本發明的一個實施例中，根據初始隱向量和第一詞向量生成輸入提示信息可以包括將初始隱向量和第一詞向量輸入至第二循環神經網絡模型，以通過第二循環神經網絡模型生成輸入提示信息。
其中，初始隱向量為全零向量。
若歷史對話信息不為空，則生成與歷史對話信息對應的隱向量，然後，根據對文本信息進行分詞處理，以生成文本信息的第一分詞結果，之後，根據第一分詞結果生成文本信息中每個詞的第一詞向量，以及根據隱向量和第一詞向量生成輸入提示信息。
其中，在歷史對話信息不為空時，歷史對話信息可以為一條或者多條。
其中，需要說明的是，歷史對話信息可以是用戶輸入的對話，還可以是接收到聊天對方的對話。
其中，需要說明的是，初始隱向量和歷史對話信息對應的隱向量的維度是相同的。
綜上，可以看出，該實施例在歷史對話信息不為空時，根據隱向量和第一詞向量生成輸入提示信息；在歷史對話信息不為空時，根據隱向量和第一詞向量生成輸入提示信息。
在本發明的一個實施例中，在歷史對話信息不為空時，根據歷史對話信息和文本信息生成輸入提示信息的過程，如圖2所示，可以包括：
s231，生成與歷史對話信息對應的隱向量。
在本發明的一個實施例中，為了可以生成輸入提示信息，在獲取歷史對話信息後，可對歷史對話信息進行分詞處理，以生成歷史對話信息中每個詞的第二分詞結果，然後，根據第二分詞結果生成歷史對話信息中每個詞的第二詞向量，以及根據第二詞向量生成歷史對話信息的隱向量。
作為一種示例性的實施方式，可通過分詞器對歷史對話信息進行分詞處理。
在本發明的一個實施例中，在得到歷史對話信息的第二分詞結果後，可將第二分詞結果輸入詞嵌入模型中，以通過詞嵌入模型生成歷史對話信息中每個詞的詞向量。
舉例而言，假設獲取的歷史對話信息為「我要訂機票」，且詞向量為二維向量，在將該歷史對話信息輸入分詞器，得到的分詞結果為「我要」、「訂」、「機票」，可將該分詞結果輸入至詞嵌入模型中，詞嵌入模型將輸出「我要」的詞向量(0.1，0.9)、「訂」的詞向量(0.8，0.7)和「機票」的詞向量(0.6，0.2)。
在本發明的一個實施例中，在獲取歷史對話信息中每個詞的詞向量後，可基於第一循環神經網絡模型，根據第二詞向量生成歷史對話信息的隱向量。
其中，隱向量的維度是固定的。其中，需要理解的是，通常在不同的上下文場景下，輸入文本的長度是不固定的，因此，為了可以對不同長度的上下文信息進行處理，可以通過第一神經網絡模型將詞向量轉換為固定長度的隱向量。
也就是說，可以通過第一神經網絡模型將不同長度的詞向量轉換為相同長度的隱向量。
其中，需要理解的是，第一神經網絡模型是預先訓練的，第一神經網絡模型用於編碼器中。
具體地，在獲得歷史對話信息中每個詞的第二詞向量後，可將第二詞向量依次輸入至第一循環神經網絡模型，以通過第一循環神經網絡模型獲得歷史對話信息的隱向量。
s232，對文本信息進行分詞處理，以生成文本信息的第一分詞結果。
作為一種示例性的實施方式，可通過分詞器對當前輸入的文本信息進行分詞處理，以獲得該文本信息的第一分詞結果。
s233，根據第一分詞結果生成文本信息中每個詞的第一詞向量。
在本發明的一個實施例中，在獲得當前輸入的文本信息的分詞結果後，可將第一分詞結果輸入詞嵌入模型中，以通過詞嵌入模型生成文本信息中每個詞的第一詞向量。
舉例而言，假設用戶當前輸入的文本信息為「請問」，可將「請問」輸入至分詞器中，得到分詞結果「請問」，然後將分詞結果「請問」輸入至詞嵌入模型，得到每個詞對應的詞向量(0.2，0.4)。
s234，根據隱向量和第一詞向量生成輸入提示信息。
其中，輸入提示信息均是以當前輸入的文本信息為前綴的語句。
其中，需要理解的是，輸入提示信息可以為一個或者多個。
在本發明的一個實施例中，為了避免依賴於特定的資料庫有時會出現無法自動提示情況的發生，可基於第二循環神經網絡模型，根據隱向量和第一詞向量生成輸入提示信息。
其中，第二循環神經網絡模型是預先訓練得到的，第二循環神經網絡模型用於解碼器中。
具體地，在獲取歷史對話信息中每個詞的隱向量，以及當前輸入的文本信息中每個詞的第一詞向量後，可將歷史對話信息中每個詞的隱向量作為第二神經網絡模型的隱向量的初始值，並將詞向量依次輸入至第二神經網絡模型中，以通過第二神經網絡模型中獲取與當前輸入的文本信息對應的輸入提示信息。
具體而言，通過第二神經網絡模型可計算出在歷史對話信息中每個詞的隱向量和當前輸入的文本信息中每個詞的第一詞向量條件下，對應的候選語句對應的條件概率，並基於條件概率對對應的候選語句進行排序，並將條件概率最大的候選語句作為輸入提示信息，或者，將條件概率排序在前幾名的候選語句作為輸入提示信息。
作為一種示例性的實施方式，假設用戶已經輸入了k個詞，用w1,w2,…,wk來表示。以這k個詞為前綴，生成長度為n(n>k)個詞的自動提示，那麼解碼器需要生成從k+1開始的剩下n-k個詞，用wk+1,wk+2,…,wn來表示。假設隱向量v表示歷史對話信息對應的隱向量，在隱向量v和已輸入文本w1,w2,…,wk的條件下，生成wk+1,wk+2,…,wn的概率，如下所示：
p(wk+1,wk+2,…,wn|v,w1,w2,…,wk)
最後，將解碼器返回的條件概率值最高的若干個條目作為自動提示返回給用戶選擇。
舉例而言，在對話場景中，假設獲取的歷史對話信息為「我要訂機票」，用戶當前輸入的文本信息為「請問」，可為用戶提供的輸入提示信息為「請問您要從哪裡飛哪裡？」、「請問您想面哪天的機票？」、「請問乘機人是誰？」，以方便用戶根據輸入提示信息快速完成輸入，減少用戶的輸入量，提高用戶體驗度，由此，可以看出，該實施例生成的輸入提示信息均是上下文相關的，即，輸入提示信息均是與買飛機票相關的問題。
綜上可以看出，該實施的輸入提示方法通過當前對話界面中的歷史對話信息和當前輸入的文本信息生成對應的輸入提示信息，並將所生成的輸入提示信息提供給用戶，由此，結合上下文信息準確為用戶提供輸入提示信息，滿足了上下文輸入場景中用戶的輸入自動提示需求，方便了用戶根據輸入提示信息快速完成輸入，減少了用戶的輸入量，提高了用戶的輸入體驗度。
其中，需要說明的是，該實施例的輸入提示方法基於歷史對話信息和當前輸入的文本信息生成輸入提示信息，也就是說，該實施例在生成輸入提示信息時，同時考慮上下文信息之間的相關性，因此，該實施例的方法適用於聊天、對話等上下文多輪對話的場景中。
根據本發明實施例的輸入提示方法，獲取用戶當前輸入的文本信息，並取當前對話界面中的歷史對話信息，以及根據歷史對話信息和文本信息生成輸入提示信息，並顯示輸入提示信息，由此，結合上下文信息準確為用戶提供輸入提示信息，滿足了上下文輸入場景中用戶的輸入自動提示需求，方便了用戶根據輸入提示信息快速完成輸入，減少了用戶的輸入量，提高了用戶的輸入體驗度。
在本發明的一個實施例中，在多輪對話場景中，在確定當前界面中的歷史對話信息不為空，且用戶當前輸入的文本信息為空時，也就是說，在當前界面中存在一條或者多條歷史對話，而用戶還沒有輸入文本時，可根據歷史對話信息生成輸入提示。
具體地，在確定當前界面中的歷史對話信息不為空，且用戶當前輸入的文本信息為空時，可對歷史對話信息進行分詞處理，以生成歷史對話信息的第二分詞結果；根據第二分詞結果生成歷史對話信息中每個詞的第二詞向量；根據第二詞向量生成歷史對話信息的隱向量。
由於生成輸入提示信息的第二循環神經網絡模型必須包含兩個輸入參數，即，隱向量或者一個或者多個當前輸入文本對應的詞向量。為此，在本發明的一個實施例中可定義兩個標識，第一標識例如和第二標識分別表示一句文本的開始和結束。
其中，第一標識例如用於控制輸入，任何已輸入文本的第一個詞都是第一標識例如。
其中，任何已輸入文本的最後一個詞都是第二標識例如。
該實施例通過第一標識和第二標識對輸入文本的開始和結束進行標識，由此，使得即便沒有已輸入的文本，模型依然可以正常工作。
其中，需要理解的是，向第二循環神經網絡模型輸入的第一個詞向量為第一標識對應的詞向量，輸入的最後一個詞向量的為第二標識對應的詞向量。
其中，第一標識和第二標識對應的詞向量是通過詞嵌入模型預先生成的。
舉例而言，假設第一標識為，第二標識為，且獲取的歷史對話信息為「我要訂機票」，且詞向量為二維向量，在將該歷史對話信息輸入分詞器，得到的分詞結果為「我要」、「訂」、「機票」，在通過詞嵌入模型分別獲取「我要」、「訂」、「機票」對應的詞向量，並且，以及獲取「我要訂機票」的隱向量後，將「我要訂機票」的隱向量作為第二循環神經網絡模型的隱向量的初始值，並將詞向量依次輸入至第二循環神經網絡模型。其中，需要理解的是，在向第二循環神經網絡模型輸入的第一詞向量為對應的詞向量，最後一個詞向量為對應的詞向量。
為了實現上述實施例，本發明還提出了一種輸入提示裝置。
圖3是本發明一個實施例的輸入提示裝置的結構示意圖。
如圖3所示，該輸入提示裝置包括第一獲取模塊110、第二獲取模塊120和處理模塊130，其中：
第一獲取模塊110用於獲取用戶當前輸入的文本信息。
第二獲取模塊120用於獲取當前對話界面中的歷史對話信息。
其中，歷史對話信息可以為一條或者多條。
其中，需要說明的是，歷史對話信息可以是用戶輸入的對話，還可以是接收到聊天對方的對話。
處理模塊130根據歷史對話信息和文本信息生成輸入提示信息，並顯示輸入提示信息。
其中，輸入提示信息均是以當前輸入的文本信息為前綴的語句。
其中，需要理解的是，輸入提示信息可以為一個或者多個。
在本發明的一個實施中，在圖3所示的基礎上，如圖4所示，該處理模塊130可以包括判斷單元131、第一生成單元132、獲取單元133、分詞單元134、第二生成單元135、第三生成單元136和第四生成單元137，其中：
判斷單元131用於判斷歷史對話信息是否為空。
第一生成單元132用於在判斷歷史對話信息不為空時，生成與歷史對話信息對應的隱向量。
獲取單元133用於在判斷歷史對話信息為空時，獲取初始隱向量。
其中，初始隱向量為全零向量。
分詞單元134用於對文本信息進行分詞處理，以生成文本信息的第一分詞結果。
第二生成單元135用於根據第一分詞結果生成文本信息中每個詞的第一詞向量。
第三生成單元136用於根據隱向量和第一詞向量生成輸入提示信息。
第四生成單元137用於在歷史對話信息為空時，根據初始隱向量和第一詞向量生成輸入提示信息。在本發明的一個實施例中，第一生成單元132具體用於：對歷史對話信息進行分詞處理，以生成歷史對話信息的第二分詞結果，並根據第二分詞結果生成歷史對話信息中每個詞的第二詞向量，以及根據第二詞向量生成歷史對話信息的隱向量。
在本發明的一個實施例中，第一生成單元132具體用於：基於第一循環神經網絡模型，根據第二詞向量生成歷史對話信息的隱向量。
在本發明的一個實施例中，第二生成單元135具體用於：將第一分詞結果輸入詞嵌入模型中，以通過詞嵌入模型生成文本信息中每個詞的第一詞向量。
在本發明的一個實施例中，第三生成單元136具體用於：基於第二循環神經網絡模型，根據隱向量和第一詞向量生成輸入提示信息。
其中，第二循環神經網絡模型是預先訓練得到的，第二循環神經網絡模型用於解碼器中。
具體地，第三生成單元136通過第二神經網絡模型可計算出在歷史對話信息中每個詞的隱向量和當前輸入的文本信息中每個詞的第一詞向量條件下，對應的候選語句對應的條件概率，並基於條件概率對對應的候選語句進行排序，並將條件概率最大的候選語句作為輸入提示信息，或者，將條件概率排序在前幾名的候選語句作為輸入提示信息。
在本發明的一個實施例中，第四生成模塊137具體用於：基於第二循環神經網絡模型，根據初始隱向量和第一詞向量生成輸入提示信息。
其中，需要說明的是，前述對輸入提示方法實施例的解釋說明也適用於該實施例的輸入提示裝置，其實現原理類似，此處不再贅述。
根據本發明實施例的輸入提示裝置，獲取用戶當前輸入的文本信息，並取當前對話界面中的歷史對話信息，以及根據歷史對話信息和文本信息生成輸入提示信息，並顯示輸入提示信息，由此，結合上下文信息準確為用戶提供輸入提示信息，滿足了上下文輸入場景中用戶的輸入自動提示需求，方便了用戶根據輸入提示信息快速完成輸入，減少了用戶的輸入量，提高了用戶的輸入體驗度。
在本發明的一個實施例中，在多輪對話場景中，在確定當前界面中的歷史對話信息不為空，且用戶當前輸入的文本信息為空時，也就是說，在當前界面中存在一條或者多條歷史對話，而用戶還沒有輸入文本時，處理模塊130可根據歷史對話信息生成輸入提示。
具體地，在確定當前界面中的歷史對話信息不為空，且用戶當前輸入的文本信息為空時，可通過處理模塊130對歷史對話信息進行分詞處理，以生成歷史對話信息的第二分詞結果，之後，根據第二分詞結果生成歷史對話信息中每個詞的第二詞向量，以及根據第二詞向量生成歷史對話信息的隱向量。
由於生成輸入提示信息的第二循環神經網絡模型必須包含兩個輸入參數，即，隱向量或者一個或者多個當前輸入文本對應的詞向量。為此，在本發明的一個實施例中可定義兩個標識，第一標識例如和第二標識分別表示一句文本的開始和結束。
其中，第一標識例如用於控制輸入，任何已輸入文本的第一個詞都是第一標識例如。
其中，任何已輸入文本的最後一個詞都是第二標識例如。
該實施例通過第一標識和第二標識對輸入文本的開始和結束進行標識，由此，使得即便沒有已輸入的文本，模型依然可以正常工作。
其中，需要理解的是，向第二循環神經網絡模型輸入的第一個詞向量為第一標識對應的詞向量，輸入的最後一個詞向量的為第二標識對應的詞向量。
其中，第一標識和第二標識對應的詞向量是通過詞嵌入模型預先生成的。
舉例而言，假設第一標識為，第二標識為，且獲取的歷史對話信息為「我要訂機票」，且詞向量為二維向量，在將該歷史對話信息輸入分詞器，得到的分詞結果為「我要」、「訂」、「機票」，在通過詞嵌入模型分別獲取「我要」、「訂」、「機票」對應的詞向量，並且，以及獲取「我要訂機票」的隱向量後，將「我要訂機票」的隱向量作為第二循環神經網絡模型的隱向量的初始值，並將詞向量依次輸入至第二循環神經網絡模型。其中，需要理解的是，在向第二循環神經網絡模型輸入的第一詞向量為對應的詞向量，最後一個詞向量為對應的詞向量。
關於上述實施例中的裝置，其中各個模塊執行操作的具體方式已經在有關該方法的實施例中進行了詳細描述，此處將不做詳細闡述說明。
對於裝置實施例而言，由於其基本對應於方法實施例，所以相關之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中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，即可以位於一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本公開方案的目的。本領域普通技術人員在不付出創造性勞動的情況下，即可以理解並實施。
在本說明書的描述中，參考術語「一個實施例」、「一些實施例」、「示例」、「具體示例」、或「一些示例」等的描述意指結合該實施例或示例描述的具體特徵、結構、材料或者特點包含於本發明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特徵、結構、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結合。此外，在不相互矛盾的情況下，本領域的技術人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特徵進行結合和組合。
此外，術語「第一」、「第二」僅用於描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術特徵的數量。由此，限定有「第一」、「第二」的特徵可以明示或者隱含地包括至少一個該特徵。在本發明的描述中，「多個」的含義是至少兩個，例如兩個，三個等，除非另有明確具體的限定。
流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用於實現特定邏輯功能或過程的步驟的可執行指令的代碼的模塊、片段或部分，並且本發明的優選實施方式的範圍包括另外的實現，其中可以不按所示出或討論的順序，包括根據所涉及的功能按基本同時的方式或按相反的順序，來執行功能，這應被本發明的實施例所屬技術領域的技術人員所理解。
在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認為是用於實現邏輯功能的可執行指令的定序列表，可以具體實現在任何計算機可讀介質中，以供指令執行系統、裝置或設備(如基於計算機的系統、包括處理器的系統或其他可以從指令執行系統、裝置或設備取指令並執行指令的系統)使用，或結合這些指令執行系統、裝置或設備而使用。就本說明書而言，"計算機可讀介質"可以是任何可以包含、存儲、通信、傳播或傳輸程序以供指令執行系統、裝置或設備或結合這些指令執行系統、裝置或設備而使用的裝置。計算機可讀介質的更具體的示例(非窮盡性列表)包括以下：具有一個或多個布線的電連接部(電子裝置)，可攜式計算機盤盒(磁裝置)，隨機存取存儲器(ram)，只讀存儲器(rom)，可擦除可編輯只讀存儲器(eprom或閃速存儲器)，光纖裝置，以及可攜式光碟只讀存儲器(cdrom)。另外，計算機可讀介質甚至可以是可在其上列印所述程序的紙或其他合適的介質，因為可以例如通過對紙或其他介質進行光學掃描，接著進行編輯、解譯或必要時以其他合適方式進行處理來以電子方式獲得所述程序，然後將其存儲在計算機存儲器中。
應當理解，本發明的各部分可以用硬體、軟體、固件或它們的組合來實現。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執行系統執行的軟體或固件來實現。例如，如果用硬體來實現，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現：具有用於對數據信號實現邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現場可編程門陣列(fpga)等。
本技術領域的普通技術人員可以理解實現上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關的硬體完成，所述的程序可以存儲於一種計算機可讀存儲介質中，該程序在執行時，包括方法實施例的步驟之一或其組合。
此外，在本發明各個實施例中的各功能單元可以集成在一個處理模塊中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個模塊中。上述集成的模塊既可以採用硬體的形式實現，也可以採用軟體功能模塊的形式實現。所述集成的模塊如果以軟體功能模塊的形式實現並作為獨立的產品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質中。
上述提到的存儲介質可以是只讀存儲器，磁碟或光碟等。儘管上面已經示出和描述了本發明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發明的限制，本領域的普通技術人員在本發明的範圍內可以對上述實施例進行變化、修改、替換和變型。