1.本发明涉及模型训练领域，具体而言，涉及一种语音识别模型的语料扩充方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着人工智能的不断发展，数据量的不断增多，自然语言处理技术在各行各业得到了广泛应用，其中一个重要应用领域即为人机对话领域。
3.人机对话系统，一般由语音识别模型、对话管理模块及语音合成模块构成。其中语音识别模型负责将声音转化为文字，对话管理模块负责识别其中的含义，并给出相应的回复，语音合成模块负责将回复的文字转化为语音。通常对话管理模块，是基于一些预先标注过的语料，训练自然语言处理技术算法模型，并使用该模型对语音识别结果进行用户意图的识别，并决策下一步的回复。
4.由于环境噪声、方言、信道等各种音素的影响，语音识别模型识别的结果中往往含有各种错误，会影响到对话管理模块中的自然语言处理技术算法准确率，从而影响交互体验。
5.因而，在实践中，需要增加大量的语料，对整个语音识别系统进行重新训练，而目前语料的筛选需要基于人工观察，因此，高成本的高资源损耗成为了语料获取的难题之一。


技术实现要素：

6.本发明的目的在于提供一种语音识别模型的语料扩充方法、装置、电子设备及计算机可读存储介质，能够实现语料的扩充，避免人工的参与，从而节约成本。
7.为了实现上述目的，本技术实施例采用的技术方案如下：
8.第一方面，本技术实施例提供了一种语音识别模型的语料扩充方法，所述方法包括：
9.获取语音识别模型中的正确文本和错误文本；
10.对所述正确文本进行分词，得到多个正确词汇，将所述错误文本进行分词得到多个错误词汇，其中，各正确词汇与各错误词汇存在对应关系；
11.针对每个所述错误词汇，确定所述语音识别模型将正确词汇替换为该错误词汇的第一次数以及该错误词汇在错误文本中出现的第二次数；
12.确定所述错误词汇对应的错误文本的成句的第一概率和所述正确词汇对应的正确文本的成句的第二概率；
13.基于所述第一概率、所述第二概率、所述第一次数以及所述第二次数，确定正确词汇替换为错误词汇的概率；
14.在正确词汇替换为错误词汇的概率大于预设概率阈值时，将错误词汇添加至语音识别模型的语料中。
15.在可选的实施方式中，所述针对每个所述错误词汇，确定所述语音识别模型将正确词汇替换为该错误词汇的第一次数的步骤，包括：
16.确定每个错误词汇对应的正确词汇，基于编辑距离算法，计算每个错误词汇与对应的正确词汇之间的编辑距离；
17.基于编辑距离，确定由所述语音识别模型将正确词汇替换为错误词汇的第一次数。
18.在可选的实施方式中，所述确定所述错误词汇对应的错误文本的成句的第一概率和所述正确词汇对应的正确文本的成句的第二概率的步骤，包括：
19.将所述错误词汇对应的错误文本输入至所述语言模型中，得到所述错误词汇对应的错误文本的成句的第一概率；
20.将所述正确词汇对应的正确文本输入至所述语言模型中，得到所述正确词汇对应的正确文本的成句的第二概率。
21.在可选的实施方式中，通过以下公式，基于所述第一概率、所述第二概率、所述第一次数以及所述第二次数，确定正确词汇替换为错误词汇的概率：
22.正确词汇替换为错误词汇的概率＝p(x|y)*p(y)/p(x)；
23.其中，p(x|y)为所述第一次数与所述第二次数的比值，p(y)为第一概率，p(x)为第二概率。
24.在可选的实施方式中，所述方法还包括：
25.基于扩充的语料和所述语音识别模型的原始语料的总和，作为目标语料；
26.基于所述目标语料对所述语音识别模型进行训练。
27.在可选的实施方式中，所述基于所述目标语料，对所述语音识别模型进行训练的步骤，包括：
28.确定所述原始语料的第一权重；
29.确定所述扩充的语料的第二权重；
30.基于所述原始语料按照第一权重对所述语音识别模型进行训练；
31.基于所述扩充的语料按照所述第二权重对所述语音识别模型进行训练。
32.第二方面，本技术实施例提供了一种语音识别模型的语料扩充装置，所述装置包括：获取模块和处理模块；
33.所述获取模块，用于获取语音识别模型中的正确文本和错误文本；
34.所述处理模块，用于对所述正确文本进行分词，得到多个正确词汇，将所述错误文本进行分词得到多个错误词汇，其中，各正确词汇与各错误词汇存在对应关系；
35.针对每个所述错误词汇，确定所述语音识别模型将正确词汇替换为该错误词汇的第一次数以及该错误词汇在错误文本中出现的第二次数；
36.确定所述错误词汇对应的错误文本的成句的第一概率和所述正确词汇对应的正确文本的成句的第二概率；
37.基于所述第一概率、所述第二概率、所述第一次数以及所述第二次数，确定正确词汇替换为错误词汇的概率；
38.在正确词汇替换为错误词汇的概率大于预设概率阈值时，则将错误词汇添加至语音识别模型的语料中。
39.第三方面，本技术实施例提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述语音识别模型的语料扩充方法的步骤。
40.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述语音识别模型的语料扩充方法的步骤。
41.本技术具有以下有益效果：
42.本技术通过获取语音识别模型中的正确文本和错误文本；对正确文本进行分词，得到多个正确词汇，将错误文本进行分词得到多个错误词汇，其中，各正确词汇与各错误词汇存在对应关系；针对每个错误词汇，确定语音识别模型将正确词汇替换为该错误词汇的第一次数以及该错误词汇在错误文本中出现的第二次数；确定错误词汇对应的错误文本的成句的第一概率和正确词汇对应的正确文本的成句的第二概率；基于第一概率、第二概率、第一次数以及第二次数，确定正确词汇替换为错误词汇的概率；在正确词汇替换为错误词汇的概率大于预设概率阈值时，将错误词汇添加至语音识别模型的语料中。本方法仅需在语音识别模型训练时，将正确文本及转写后的带错误文本进行统计，基于错误文本的成句概率和正确文本的成句概率，从而直接计算正确词汇替换为错误词汇的概率，将大于预设概率阈值的错误词汇进行扩充，无需进行人工对语料进行识别并扩充，节约成本。
附图说明
43.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
44.图1为本发明实施例提供的电子设备的方框示意图；
45.图2为本发明实施例提供的一种语音识别模型的语料扩充方法的步骤流程图之一；
46.图3为本发明实施例提供的一种语音识别模型的语料扩充方法的步骤流程图之二；
47.图4为本发明实施例提供的一种语音识别模型的语料扩充方法的步骤流程图之三；
48.图5为本发明实施例提供的一种语音识别模型的语料扩充装置的结构框图。
具体实施方式
49.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
50.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范
围。
51.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
52.在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
53.此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
54.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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。
55.经过发明人大量研究发现，由于环境噪声、方言、信道等各种音素的影响，语音识别模型识别的结果中往往含有各种错误，会影响到对话管理模块中的自然语言处理技术算法准确率，从而影响交互体验，为了避免上述情况的发生，需要增加训练集，即语料，对语音识别模型进行进一步的训练，从而提升语音识别模型的准确性。在现有技术中，增加语料往往需要人为对语料进行标注和筛选，因此，高成本的高资源损耗成为了语料获取的难题之一。
56.有鉴于对上述问题的发现，本实施例提供了一种语音识别模型的语料扩充方法、装置、电子设备及计算机可读存储介质，能够在语音识别模型训练时，将正确文本及转写后的带错误文本进行统计，基于错误文本的成句概率和正确文本的成句概率，从而直接计算正确词汇替换为错误词汇的概率，将大于预设概率阈值的错误词汇进行扩充，无需进行人工对语料进行识别并扩充，节约成本，下面对本实施例提供的方案进行详细阐述。
57.本实施例提供一种可以对语音识别模型的语料进行扩充的电子设备。在一种可能的实现方式中，所述电子设备可以为用户终端，例如，电子设备可以是，但不限于，服务器、智能手机、个人电脑(personalcomputer，pc)、平板电脑、个人数字助理(personaldigitalassistant，pda)、移动上网设备(mobile internet device，mid)。
58.请参照图1，图1是本技术实施例提供的电子设备100的结构示意图。所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
59.所述电子设备100包括语音识别模型的语料扩充装置110、存储器120及处理器130。
60.所述存储器120及处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述语音识别模型的语料扩充装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(operating system，os)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块，例如所
述基于语音识别模型的语料扩充装置110所包括的软件功能模块及计算机程序等。
61.其中，所述存储器120可以是，但不限于，随机存取存储器(randomaccess memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read
‑
only memory，prom)，可擦除只读存储器(erasable programmableread
‑
only memory，eprom)，电可擦除只读存储器(electric erasable programmableread
‑
only memory，eeprom)等。其中，存储器120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。
62.请参照图2，图2为应用于图1的电子设备100的一种语音识别模型的语料扩充方法的流程图，以下将方法包括各个步骤进行详细阐述。
63.步骤201：获取语音识别模型中的正确文本和错误文本。
64.步骤202：对正确文本进行分词，得到多个正确词汇，将错误文本进行分词得到多个错误词汇。
65.其中，各正确词汇与各错误词汇存在对应关系。
66.步骤203：针对每个错误词汇，确定语音识别模型将正确词汇替换为该错误词汇的第一次数以及该错误词汇在错误文本中出现的第二次数。
67.步骤204：确定错误词汇对应的错误文本的成句的第一概率和正确词汇对应的正确文本的成句的第二概率。
68.步骤205：基于第一概率、第二概率、第一次数以及第二次数，确定正确词汇替换为错误词汇的概率。
69.步骤206：在正确词汇替换为错误词汇的概率大于预设概率阈值时，将错误词汇添加至语音识别模型的语料中。
70.需要说明的是，正确文本和错误文本是对应的，在对语音识别模型进行预训练时，语音识别模型在识别语音的过程中，会将语音进行正确识别和错误识别。
71.例如：一个语音为“我肚子饿了”，将该语音输入至语音识别模型中，在语音识别模型的识别准确性较高的情况下，会将该语音正确识别为“我肚子饿了”的正确文本，当然语音识别模型的识别准确率并不是百分之百的准确，因此，语音识别模型会将“我肚子饿了”的语音识别为其他的文本，例如：将语音识别为“我独自饿了”、“我独资饿了”等，那么“我肚子饿了”的文本即为正确文本，“我独自饿了”、“我独资饿了”等文本即为错误文本。
72.当然，不同语音对应不同的文本，因此，从语音识别模型中获取的正确文本和错误文本并不是个别几条，而是存在大量的正确文本和错误文本。
73.由于是语音识别模型对语音的识别过程中出现的错误，因此，正确文本和错误文本是对应的。且，需要说明的是，正确文本对应的错误文本，错误文本并不是全部识别错误，错误文本仅仅是存在错误，例如个别词语识别错误。
74.对所有正确文本和错误文本进行分词，并统计出所有词出现的次数。假设正确文本为x，错误文本为y，对正确文本分词后得到的所有正确词汇为x＝[x1,x2,
…
,xn]，错误文本y分词后得到的所有错误词汇为y＝[y1,y2,
…
,yn]。
[0075]
针对每个错误词汇，确定由正确词汇替换为该错误词汇的第一次数，例如：正确文本为“我肚子饿了”，错误文本为“我独自饿了”，且，在大量的正确文本和错误文本中，将正确词汇“肚子”，在识别过程中，识别为“独自”的次数，即为由正确词汇替换为该错误词汇的第一次数。并确定该错误词汇在所有错误文本中出现的第二次数。
[0076]
示例性的，例如错误文本包括1.我独自饿了。2.我独自圣火。3。我独自快了。4
…5…
等五条错误文本。
[0077]
确定“我独自饿了”中的错误词汇“独自”在错误文本中的出现次数，则该错误词汇在错误文本中出现的第二次数为3次。
[0078]
基于语言模型，确定该错误词汇对应的错误文本对应的第一概率和与该错误词汇相关联的正确词汇对应的正确文本的第二概率。
[0079]
简单地说，语言模型就是用来计算一个句子的概率的模型，也就是判断一句话是否是人话的概率。根据语料计算概率和条件概率，根据计算得到的概率，计算句子的联合概率。
[0080]
具体生成第一概率和第二概率的步骤为：
[0081]
将错误词汇对应的错误文本输入至语言模型中，语言模型基于输入的错误文本，输出错误词汇对应的错误文本的成句的第一概率。错误文本的成句的第一概率即为识别该错误词汇对应的错误文本是否为人话的概率。
[0082]
将正确词汇对应的正确文本输入至语言模型中，语言模型基于输入的正确文本，输出正确词汇对应的正确文本的成句的第二概率，正确文本的成句的第二概率即为识别该正确词汇对应的正确文本是否为人话的概率。
[0083]
示例性的，错误词汇为“独自”，将该错误词汇对应的错误文本“我独自饿了”输入至语言模型中，输出“我独自饿了”为人说出的话的概率。
[0084]
确定错误词汇“独自”对应的正确词汇“肚子”，确定正确词汇“肚子”对应的正确文本“我肚子饿了”，输入至语言模型中，输出“我肚子饿了”为人说出的话的概率。
[0085]
最终基于第一概率、第二概率、第一次数以及第二次数，确定正确词汇替换为错误词汇的概率。当正确词汇替换为错误词汇的概率较高，即正确词汇替换为错误词汇的概率高于预设概率阈值时，将错误词汇扩充至语音识别模型的语料中。
[0086]
需要说明的是，预设概率阈值可以设置为70％、80％、90％等，本发明实施例对此不做具体限制。
[0087]
本技术通过获取语音识别模型中的正确文本和错误文本；对正确文本进行分词，得到多个正确词汇，将错误文本进行分词得到多个错误词汇，其中，各正确词汇与各错误词汇存在对应关系；针对每个错误词汇，确定语音识别模型将正确词汇替换为该错误词汇的第一次数以及该错误词汇在错误文本中出现的第二次数；确定错误词汇对应的错误文本的成句的第一概率和正确词汇对应的正确文本的成句的第二概率；基于第一概率、第二概率、第一次数以及第二次数，确定正确词汇替换为错误词汇的概率；在正确词汇替换为错误词汇的概率大于预设概率阈值时，将错误词汇添加至语音识别模型的语料中。本方法仅需在语音识别模型训练时，将正确文本及转写后的带错误文本进行统计，基于错误文本的成句概率和正确文本的成句概率，从而直接计算正确词汇替换为错误词汇的概率，将大于预设概率阈值的错误词汇进行扩充，无需进行人工对语料进行识别并扩充，节约成本。
[0088]
针对确定将正确词汇替换为错误词汇的第一次数，针对上述步骤203，如图3所示，为本技术实施例提供的一种语音识别模型的语料扩充方法的流程示意图，具体包括以下步骤：
[0089]
步骤203
‑
1：确定每个错误词汇对应的正确词汇，基于编辑距离算法，计算每个错
误词汇与对应的正确词汇之间的编辑距离。
[0090]
步骤203
‑
2：基于编辑距离，确定由语音识别模型将正确词汇替换为错误词汇的第一次数。
[0091]
编辑距离算法通过统计转写文本转成模本文本所需的最少编辑操作的次数来计算转成文本与模板文本的相似度。编辑操作包括：将一个字符替换成另外一个字符，插入一个字符、删除一个字符等。
[0092]
基于编辑距离，确定由正确词汇替换为错误词汇的第一次数。
[0093]
针对确定正确词汇替换为错误词汇的概率，针对上述步骤205，具体包括：
[0094]
通过以下公式，基于第一概率、第二概率、第一次数以及第二次数，确定正确词汇替换为错误词汇的概率：
[0095]
正确词汇替换为错误词汇的概率＝p(x|y)*p(y)/p(x)；
[0096]
其中，p(x|y)为第一次数与第二次数的比值，p(y)为第一概率，p(x)为第二概率。
[0097]
语音识别模型的语料数据中统计p(x|y)，由正确文本推测可能的错误的条件概率p(x|y)。p(x)和p(y)由语言模型给出。值得注意的是，由于条件概率p(x|y)与语言模型得分p(y)往往不在一个量级，对p(y)进行一定程度的指数缩放，使得p(x|y)与p(y)较为接近。
[0098]
在实际使用过程中，可以选择最有可能的若干个错误词汇对语音识别模型的语料进行扩充。或者设定预设概率阈值，仅扩充得分超过预设概率阈值的错误词汇至语音识别模型的语料中。
[0099]
基于扩充的语料和语音识别模型中的原始语料的总和，即为目标语料，基于目标语料对语音识别模型进行训练。
[0100]
扩充的语料是从语音识别模型的训练结果中获取到的，因此，基于扩充的语料和语音识别模型的原始预料，对语音识别模型进行训练，无需增加任何新的标注语料，即可提升语音识别模型的准确性。
[0101]
针对语音识别模型的训练，如图4所示，为本技术实施例提供的一种语音识别模型的语料扩充方法的流程示意图，具体包括以下步骤：
[0102]
步骤301：确定原始语料的第一权重。
[0103]
步骤302：确定扩充的语料的第二权重。
[0104]
步骤303：基于原始语料按照第一权重对语音识别模型进行训练。
[0105]
步骤304：基于扩充的语料按照第二权重对语音识别模型进行训练。
[0106]
在训练过程中，对扩充的语料的梯度反馈结果进行一定的权重调整，从而减少扩充的语料导致的负面影响。
[0107]
为原始语料和扩充的语料设定不同的权重值，例如：为原始语料设置的第一权重，高于扩充的语料的第二权重，从而避免扩充的语料导致语音识别模型识别不准确的问题。
[0108]
请参照图5，本技术实施例还提供了一种应用于图1所述电子设备100的语音识别模型的语料扩充装置110，所述语音识别模型的语料扩充装置110包括：获取模块111和处理模块112；
[0109]
所述获取模块111，用于获取语音识别模型中的正确文本和错误文本；
[0110]
所述处理模块112，用于对所述正确文本进行分词，得到多个正确词汇，将所述错误文本进行分词得到多个错误词汇，其中，各正确词汇与各错误词汇存在对应关系；
[0111]
针对每个所述错误词汇，确定所述语音识别模型将正确词汇替换为该错误词汇的第一次数以及该错误词汇在错误文本中出现的第二次数；
[0112]
确定所述错误词汇对应的错误文本的成句的第一概率和所述正确词汇对应的正确文本的成句的第二概率；
[0113]
基于所述第一概率、所述第二概率、所述第一次数以及所述第二次数，确定正确词汇替换为错误词汇的概率；
[0114]
在正确词汇替换为错误词汇的概率大于预设概率阈值时，则将错误词汇添加至语音识别模型的语料中。
[0115]
在可选的实施方式中，所述处理模块112还用于：
[0116]
确定每个错误词汇对应的正确词汇，基于编辑距离算法，计算每个错误词汇与对应的正确词汇之间的编辑距离；
[0117]
基于编辑距离，确定由所述语音识别模型将正确词汇替换为错误词汇的第一次数。
[0118]
在可选的实施方式中，所述处理模块112还用于：
[0119]
将所述错误词汇对应的错误文本输入至所述语言模型中，得到所述错误词汇对应的错误文本的成句的第一概率；
[0120]
将所述正确词汇对应的正确文本输入至所述语言模型中，得到所述正确词汇对应的正确文本的成句的第二概率。
[0121]
可选地，通过以下公式，基于所述第一概率、所述第二概率、所述第一次数以及所述第二次数，确定正确词汇替换为错误词汇的概率：
[0122]
正确词汇替换为错误词汇的概率＝p(x|y)*p(y)/p(x)；
[0123]
其中，p(x|y)为所述第一次数与所述第二次数的比值，p(y)为第一概率，p(x)为第二概率。
[0124]
在可选的实施方式中，所述处理模块112还用于：
[0125]
基于扩充的语料和所述语音识别模型的原始语料的总和，作为目标语料；
[0126]
基于所述目标语料对所述语音识别模型进行训练。
[0127]
在可选的实施方式中，所述处理模块112还用于：
[0128]
确定所述原始语料的第一权重；
[0129]
确定所述扩充的语料的第二权重；
[0130]
基于所述原始语料按照第一权重对所述语音识别模型进行训练；
[0131]
基于所述扩充的语料按照所述第二权重对所述语音识别模型进行训练。
[0132]
综上所述，通过获取语音识别模型中的正确文本和错误文本；对正确文本进行分词，得到多个正确词汇，将错误文本进行分词得到多个错误词汇，其中，各正确词汇与各错误词汇存在对应关系；针对每个错误词汇，确定语音识别模型将正确词汇替换为该错误词汇的第一次数以及该错误词汇在错误文本中出现的第二次数；确定错误词汇对应的错误文本的成句的第一概率和正确词汇对应的正确文本的成句的第二概率；基于第一概率、第二概率、第一次数以及第二次数，确定正确词汇替换为错误词汇的概率；在正确词汇替换为错误词汇的概率大于预设概率阈值时，将错误词汇添加至语音识别模型的语料中。本方法仅需在语音识别模型训练时，将正确文本及转写后的带错误文本进行统计，基于错误文本的
成句概率和正确文本的成句概率，从而直接计算正确词汇替换为错误词汇的概率，将大于预设概率阈值的错误词汇进行扩充，无需进行人工对语料进行识别并扩充，节约成本。
[0133]
本技术还提供一种电子设备100，电子设备100包括处理器130以及存储器120。存储器120存储有计算机可执行指令，计算机可执行指令被处理器130执行时，实现该语音识别模型的语料扩充方法。
[0134]
本技术实施例还提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序被处理器130执行时，实现该语音识别模型的语料扩充方法。
[0135]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、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，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
[0136]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0138]
以上所述，仅为本技术的各种实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。