CN111753029B 实体关系抽取方法、装置（腾讯科技（深圳）有限公司）

(19)国家知识产权局(12)发明专利地址518057广东省深圳市南山区高新区限公司44232GO6F16/28(20GO6F16/26(2GO6F40/216(2020.01)GO6F40/30(2020本申请的实施例提供了一种实体关系抽取中已标注分词的标签映射到所述每个文本对应词性序列中选择至少一个第二词性序列作为标2获取多个文本分别对应的第一词性序列，每个文本对应的第一词性序列包含所述每个文本的分词结果中的各个分词所对应的词性元素；将所述每个文本中已标注分词的标签映射到所述每个文本对应的第一词性序列的词性元素上，生成所述每个文本对应的第二词性序列，所述标签包含实体标签和实体关系标根据所述多个文本分别对应的第一词性序列，生成频繁序列模式，根据所述频繁序列模式从所述多个文本分别对应的第二词性序列中选择至少一个目标词性序列，所述至少一个目标词性序列包含有所述频繁序列模式中的词性元素，且包含的词性元素的位置顺序与在所述频繁序列模式中的位置顺序一致；获取所述每个目标词性序列中的标签在所述每个目标词性序列中对应的位置序号，对所述至少一个目标词性序列中不同位置序号的标签的个数进行求和，得到所述至少一个目标词性序列中的标签数量之和；计算每个目标词性序列中的标签数量与所述至少一个目标词性序列中的标签数量之和的比值，得到所述每个目标词性序列对应的置信度，将所述置信度大于第二阈值的目标词性序列作为标签序列模式；根据所述标签序列模式确定目标文本中未标注分词的标签，以根据所述目标文本中的标签生成所述目标文本的实体关系抽取结果。2.根据权利要求1所述的方法，其特征在于，根据所述多个文本分别对应的第一词性序从所述多个文本分别对应的第一词性序列中选择在所述多个文本中的第一支持度大于第一阈值的词性元素，得到所述多个文本分别对应的第三词性序列；对所述多个文本分别对应的第三词性序列进行序列模式挖掘，生成所述频繁序列模3.根据权利要求2所述的方法，其特征在于，所述方法还包根据所述多个文本分别对应的第一词性序列中的词性元素，在所述多个文本中统计包含各个词性元素的文本数量；计算包含所述各个词性元素的文本数量与所述多个文本的总数量之间的比值，得到所述各个词性元素在所述多个文本中的第一支持度。4.根据权利要求2所述的方法，其特征在于，对所述多个文本分别对应的第三词性序列从所述多个文本分别对应的第三词性序列中选择词性元素作为前缀，并确定与所述前缀对应的至少一个后缀，所述至少一个后缀包含有所述第三词性序列中位于所述前缀之后的词性元素，且包含的词性元素的位置顺序与在所述第三词性序列中的位置顺序一致；从所述至少一个后缀中选择在所述至少一个后缀中的第二支持度大于所述第一阈值的一个词性元素添加至所述前缀中，得到新的前缀，并继续确定与所述新的前缀对应的新的后缀，直至从确定出的新的后缀中无法选择出第二支持度大于所述阈值的词性元素为根据得到的多个前缀，生成所述频繁序列模式。35.根据权利要求4所述的方法，其特征在于，根据得到的多个前缀，生成所述频繁序列若所述多个前缀中存在包含有其他前缀中的词性元素，且包含的词性元素的位置顺序与在所述其他前缀中的位置顺序一致的目标前缀，则将所述目标前缀作为所述频繁序列模根据所述至少一个后缀中的词性元素，在所述至少一个后缀中统计包含各个词性元素的后缀数量；计算包含所述各个词性元素的后缀数量与所述多个文本的总数量之间的比值，得到所述各个词性元素在所述至少一个后缀中的第二支持度。7.根据权利要求1所述的方法，其特征在于，根据所述标签序列模式确定目标文本中未根据所述目标文本对应的第一词性序列，从所述标签序列模式中选择至少一个目标标签序列模式，其中，所述至少一个目标标签序列模式包含有所述目标文本对应的第一词性序列中的词性元素，且包含的词性元素的位置顺序与在所述目标文本对应的第一词性序列中的位置顺序一致；根据所述至少一个目标标签序列模式，确定目标文本中未标注分词的标签。获取单元，配置为获取多个文本分别对应的第一词性序列，每个文本对应的第一词性序列包含所述每个文本的分词结果中的各个分词所对应的词性元素；生成单元，配置为将所述每个文本中已标注分词的标签映射到所述每个文本对应的第一词性序列的词性元素上，生成所述每个文本对应的第二词性序列，所述标签包含实体标签和实体关系标签；选择单元，配置为根据所述多个文本分别对应的第一词性序列，生成频繁序列模式，根据所述频繁序列模式从所述多个文本分别对应的第二词性序列中选择至少一个目标词性序列，所述至少一个目标词性序列包含有所述频繁序列模式中的词性元素，且包含的词性元素的位置顺序与在所述频繁序列模式中的位置顺序一致；获取所述每个目标词性序列中的标签在所述每个目标词性序列中对应的位置序号，对所述至少一个目标词性序列中不同位置序号的标签的个数进行求和，得到所述至少一个目标词性序列中的标签数量之和；计算每个目标词性序列中的标签数量与所述至少一个目标词性序列中的标签数量之和的比值，得到所述每个目标词性序列对应的置信度，将所述置信度大于第二阈值的目标词性序列作为标签序列模式；确定单元，配置为根据所述标签序列模式确定目标文本中未标注分词的标签，以根据所述目标文本中的标签生成所述目标文本的实体关系抽取结果。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。4存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的方法。11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取并执行所述计算机程序，使得所述计算机设备执行权利要求1至7中任一项所述的方5实体关系抽取方法、装置技术领域[0001]本申请涉及文本处理与信息抽取领域，具体而言，涉及一种实体关系抽取方法、装背景技术[0002]实体关系抽取对于画像构建和图谱建设等都具有非常重要的意义，例如，通过挖掘和抽取金融类资讯、论坛观点等语料的实体关系，能够基于实体关系抽取构建企业画像、商户画像或行业画像，从而为行业分析、战略分析等应用创造价值；在社交画像挖掘和关系链构建上，通过抽取人名之间的实体关系，能够构建社交关系链和人物关系图谱，从而进行社交推荐、关系网营销等应用。然而，在现有的实体关系抽取方法中仍然存在着抽取结果准发明内容[0003]本申请的实施例提供了一种实体关系抽取方法、装置，进而至少在一定程度上能够实现高效且准确地抽取实体关系。[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。[0005]根据本申请实施例的一个方面，提供了一种实体关系抽取方法，包括：获取多个文本分别对应的第一词性序列，每个文本对应的第一词性序列包含所述每个文本的分词结果中的各个分词所对应的词性元素；将所述每个文本中已标注分词的标签映射到所述每个文本对应的第一词性序列的词性元素上，生成所述每个文本对应的第二词性序列，所述标签包含实体标签和实体关系标签；根据所述多个文本分别对应的第一词性序列，从所述多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式；根据所述标签序列模式确定目标文本中未标注分词的标签，以根据所述目标文本中的标签生成所述目标文本的实体关系抽取结果。[0006]根据本申请实施例的一个方面，提供了一种实体关系抽取装置，包括：获取单元，配置为获取多个文本分别对应的第一词性序列，每个文本对应的第一词性序列包含所述每个文本的分词结果中的各个分词所对应的词性元素；生成单元，配置为将所述每个文本中已标注分词的标签映射到所述每个文本对应的第一词性序列的词性元素上，生成所述每个文本对应的第二词性序列，所述标签包含实体标签和实体关系标签；选择单元，配置为根据所述多个文本分别对应的第一词性序列，从所述多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式；确定单元，配置为根据所述标签序列模式确定目标文本中未标注分词的标签，以根据所述目标文本中的标签生成所述目标文本的实体关系抽取结果。[0007]在本申请的一些实施例中，基于前述方案，所述选择单元包括：第一选择子单元，配置为从所述多个文本分别对应的第一词性序列中选择在所述多个文本中的第一支持度6大于第一阈值的词性元素，得到所述多个文本分别对应的第三词性序列；挖掘子单元，配置为对所述多个文本分别对应的第三词性序列进行序列模式挖掘，生成频繁序列模式；第二选择子单元，配置为根据所述频繁序列模式，从所述多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为所述标签序列模式。[0008]在本申请的一些实施例中，基于前述方案，所述第一选择子单元还配置为：根据所述多个文本分别对应的第一词性序列中的词性元素，在所述多个文本中统计包含各个词性元素的文本数量；计算包含所述各个词性元素的文本数量与所述多个文本的总数量之间的比值，得到所述各个词性元素在所述多个文本中的第一支持度。[0009]在本申请的一些实施例中，基于前述方案，所述挖掘子单元还配置为：从所述多个文本分别对应的第三词性序列中选择词性元素作为前缀，并确定与所述前缀对应的至少一个后缀，所述至少一个后缀包含有所述第三词性序列中位于所述前缀之后的词性元素，且包含的词性元素的位置顺序与在所述第三词性序列中的位置顺序一致；从所述至少一个后缀中选择在所述至少一个后缀中的第二支持度大于所述第一阈值的一个词性元素添加至所述前缀中，得到新的前缀，并继续确定与所述新的前缀对应的新的后缀，直至从确定出的新的后缀中无法选择出第二支持度大于所述阈值的词性元素为止；根据得到的多个前缀，生成所述频繁序列模式。[0010]在本申请的一些实施例中，基于前述方案，所述挖掘子单元还配置为：若所述多个前缀中存在包含有其他前缀中的词性元素，且包含的词性元素的位置顺序与在所述其他前缀中的位置顺序一致的目标前缀，则将所述目标前缀作为所述频繁序列模式。[0011]在本申请的一些实施例中，基于前述方案，所述挖掘子单元还配置为：根据所述至少一个后缀中的词性元素，在所述至少一个后缀中统计包含各个词性元素的后缀数量；计算包含所述各个词性元素的后缀数量与所述多个文本的总数量之间的比值，得到所述各个词性元素在所述至少一个后缀中的第二支持度。[0012]在本申请的一些实施例中，基于前述方案，所述第二选择子单元还配置为：根据所述频繁序列模式从所述多个文本分别对应的第二词性序列中选择至少一个目标词性序列，所述至少一个目标词性序列包含有所述频繁序列模式中的词性元素，且包含的词性元素的位置顺序与在所述频繁序列模式中的位置顺序一致；计算每个目标词性序列中的标签数量与所述至少一个目标词性序列中的标签数量之和的比值，得到所述每个目标词性序列对应的置信度；将所述置信度大于第二阈值的目标词性序列作为所述标签序列模式。[0013]在本申请的一些实施例中，基于前述方案，所述第二选择子单元还配置为：获取所述每个目标词性序列中的标签在所述每个目标词性序列中对应的位置序号；对所述至少一个目标词性序列中不同位置序号的标签的个数进行求和，得到所述至少一个目标词性序列中的标签数量之和。[0014]在本申请的一些实施例中，基于前述方案，所述确定单元还配置为：根据所述目标文本对应的第一词性序列，从所述标签序列模式中选择至少一个目标标签序列模式，其中，所述至少一个目标标签序列模式包含有所述目标文本对应的第一词性序列中的词性元素，且包含的词性元素的位置顺序与在所述目标文本对应的第一词性序列中的位置顺序一致；根据所述至少一个目标标签序列模式，确定目标文本中未标注分词的标签。[0015]在本申请的一些实施例所提供的技术方案中，通过对多个文本进行分词和词性标7注处理，得到多个文本分别对应的第一词性序列，并将每个文本中已标注分词的标签映射到第一词性序列的词性元素上，生成每个文本对应的第二词性序列，根据第一词性序列中的词性元素，从每个文本对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式，最终根据标签序列模式确定目标文本中未标注分词的标签，结合目标文本中已标注分词的标签，生成目标文本的实体关系抽取结果。与现有技术相比，本申请实施例的技术方案基于文本中词性元素以及文本中已标注分词的标签，生成标签序列模式，随着文本的更新，生成的标签序列模式也会变化，使得实体关系的抽取不依赖固定抽取规则，减少了人力维护规则的成本，同时，标签序列模式随着文本的变化而变化，考虑了文本的实际情况，保证了生成的标签序列模式的准确性，进而提高了实体关系抽取的准确性，并且本申请实施例的技术方案不需要神经网络模型等复杂网络训练，从而使得实体关系抽取的效率能够得以提高，实现了高效且灵活地抽取实体关系。[0016]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明[0017]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。在附图中：[0018]图1示出了可以应用本申请实施例的技术方案的一个示例性系统架构的示意图；[0019]图2示出了根据本申请的一个实施例的实体关系抽取方法的流程图；[0020]图3示出了根据本申请的一个实施例的实体关系抽取方法的流程图；[0021]图4示出了根据本申请的一个实施例的实体关系抽取方法的流程图；[0022]图5示出了根据本申请的一个实施例的实体关系抽取方法的流程图；[0023]图6示出了根据本申请的一个实施例的实体关系抽取方法的流程图；[0024]图7示出了根据本申请的一个实施例的实体关系抽取方法的流程图；[0025]图8示出了根据本申请的一个实施例的实体关系抽取方法的流程图；[0026]图9示出了根据本申请的一个实施例的实体关系抽取方法的流程图；[0027]图10示出了根据本申请的一个实施例的实体关系抽取装置的框图；[0028]图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。具体实施方式[0029]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。[0030]此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方8[0031]附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。[0032]附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。可以表示：只存在A,只存在B以及同时存在A和B三种情况，其中A,B可以是单数或者复数。[0034]对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。名称等。[0036]2)关系抽取：关系定义为两个或多个实体之间的联系，关系抽取就是通过学习文本中多实体之间的语义联系，来识别其关系。关系抽取的输入是一段或者一句文本，输出通[0037]图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。[0038]如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105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、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和意性的，根据实现需要，可以具有任意数目的终端设备、是多个服务器组成的服务器集群等。[0039]本申请实施例所提供的实体关系抽取方法一般由服务器105执行，相应地，实体关系抽取装置一般设置于服务器105中。但本领域技术人员容易理解的是，本申请实施例所提供的实体关系抽取方法也可以由终端设备101、102、103执行，相应地可以设置于终端设备101、102、103中，本示例性实施例中对此不一种示例性实施例中，可以是用户通过终端设备101、102、103将文本上传至服务器105,服务器105通过本申请实施例所提供的实体关系抽取方法对该文本进行处理，并将得到的实[0040]以下对本申请实施例的技术方案进行详细阐述：[0041]在信息抽取技术中，实体关系抽取是画像构建和图谱建设的必要环节，目前，实体关系抽取的方法主要包括基于词汇-语义的实体关系抽取方法、基于标注语料机器学习的实体关系抽取和基于模式挖掘和匹配的实体关系抽取方法。[0042]其中，基于词汇-语义的实体关系抽取方法先采用词向量方法从语料中提取概念同义词来构建概念词典，然后标注词汇信息、句法信息和语义信息，基于有限状态机理论设9计词汇-语义规则标注算法来进行自动化标注，从而识别句子中哪些成分构成实体关系的重要元素，然而，基于词汇-语义的关系抽取方法依赖于词向量模型的效果，在扩展同义词时往往会引入一些噪音词，而影响抽取结果的准确性。[0043]基于机器学习的实体关系抽取方法需要首先给出候选事件元素，将关系抽取作为分类问题来处理，通过支持向量机(SupportVectorMachine,SVM)等分类器来确定该候选关系元素是否为该关系的关系元素，该方法利用依存句法进行实体词句法关系抽取取决于句法分析的准确度，也依赖于分词结果的准确性，分词和句法分析两个子任务的错误累积会导致父任务关系抽取的错误叠加，在实际应用中往往很难提升。[0044]基于模式匹配和挖掘的实体关系抽取方法首先需要将句子中的关系元素和触发词进行标注，然后构建关系元素和触发词在句法树中的关系，依照句法关系存在的规律进行模式挖掘和构建，从而抽取得到关系元素信息，基于模式匹配和挖掘的关系元素的方法[0045]对此，本申请实施例提供一种实体关系抽取方法，可以高效且准确地抽取实体关[0046]参见图2,图2示出了根据本申请的一个实施例的实体关系抽取方法的流程图，该实体关系抽取方法可以由服务器来执行，该服务器可以是图1中所示的服务器105,当然该实体关系抽取方法也可以由终端设备来执行，比如可以由图1中所示的终端101、102、103来[0047]步骤S210、获取多个文本分别对应的第一词性序列，每个文本对应的第一词性序列包含所述每个文本的分词结果中的各个分词所对应的词性元素；[0048]步骤S220、将所述每个文本中已标注分词的标签映射到所述每个文本对应的第一词性序列的词性元素上，生成所述每个文本对应的第二词性序列，所述标签包含实体标签和实体关系标签；[0049]步骤S230、根据所述多个文本分别对应的第一词性序列，从所述多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式；[0050]步骤S240、根据所述标签序列模式确定目标文本中未标注分词的标签，以根据所述目标文本中的标签生成所述目标文本的实体关系抽取结果。[0051]下面对这些步骤进行详细描述。[0052]在步骤S210中，获取多个文本分别对应的第一词性序列，每个文本对应的第一词性序列包含所述每个文本的分词结果中的各个分词所对应的词性元素。[0053]服务器获取到多个文本后，可以先对多个文本分别进行预处理，预处理包括分词处理和去停用词处理，得到多个文本分别对应的分词序列，去停用词，例如，可以过滤掉标点符号；进而，针对分词序列中的每个分词进行词性标注处理，得到多个文本分别对应的第一词性序列，第一词性序列包含每个文本的分词结果中的各个分词所对应的词性元素，且每个词性元素是按顺序进行有序排列的。例如，对于文本“歌曲a的作曲是歌手A”,通过分词处理可以得到分词序列“歌曲a/的/作曲/是/歌手A”,通过词性标注处理可以得到的第一词性序列“/n/u/n/v/nr”,第一词性序列中词性元素是按照顺序进行有序排列的，第一位置的[0054]需要说明的是，相关技术中已有较为成熟的分词处理方法和词性标注方法，此处可以直接采用相关技术中的分词处理方法对目标文本进行分词处理，以及采用相关技术中的词性标注方法对分词处理得到的分词序列进行词性标注处理，本申请在此不对具体采用的分词处理方法以及词性标注方法做任何限定。[0055]步骤S220、将所述每个文本中已标注分词的标签映射到所述每个文本对应的第一词性序列的词性元素上，生成所述每个文本对应的第二词性序列，所述标签包含实体标签和实体关系标签。[0057]本申请实施例中，多个文本中存在部分分词标注有标签，其中，属于实体的分词对应实体标签，属于实体关系的分词对应实体关系标签，在对多个文本分别进行分词处理和词性标注处理得到第一词性序列后，可以将已标注分词的标签映射到每个文本对应的第一词性序列的词性元素上，从而得到第二词性序列。[0058]步骤S230、根据所述多个文本分别对应的第一词性序列，从所述多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式。[0059]本申请实施例中，标签序列模式可以通过从第二词性序列中进行选择得到，具体地，可以根据第一词性序列，从多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式。[0060]示例性地，可以将第一词性序列作为挖掘对象，基于算法挖掘第一词性序列的频繁序列模式，然后根据频繁序列模式在第二词性序列中选择满足频繁序列模式的第二词性序列作为标签序列模式。[0061]步骤S240、根据所述标签序列模式确定目标文本中未标注分词的标签，以根据所述目标文本中的标签生成所述目标文本的实体关系抽取结果。[0062]目标文本是待抽取实体关系的文本，目标文本可以是多个文本中的任意一个文本或任意多个文本，在对多个文本进行处理得到标签序列模式后，可以利用标签序列模式确定目标文本中未标注分词的标签。[0063]示例性地，可以通过获取目标文本对应的标签序列模式，将目标文本对应的标签序列模式中的标签全部召回，例如，假设目标文本对应的标签序列模式包括标签序列模式A和标签序列模式B,则可以召回标签序列模式A中的标签和标签序列模式B中的标签，从而得到目标文本的标签，通过召回的标签对目标文本中未标注分词进行标注，得到目标文本中的新标签，同时结合目标文本已标注分词的标签，生成目标文本的实体关系抽取结果。[0064]本申请实施例的实体关系抽取方法，通过对多个文本进行分词和词性标注处理，得到多个文本分别对应的第一词性序列，并将每个文本中已标注分词的标签映射到第一词性序列的词性元素上，生成每个文本对应的第二词性序列，根据第一词性序列中的词性元素，从每个文本对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式，最终根据标签序列模式确定目标文本中未标注分词的标签，结合目标文本中已标注分词的标签，生成目标文本的实体关系抽取结果，可以实现高效且准确地抽取实体关系，灵活性好，可操作性好。11[0065]在本申请的一个实施例中，可以基于序列模式挖掘方法对多个文本分别对应的第一词性序列进行挖掘，获取频繁序列模式，然后，根据频繁序列模式从多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式，参见图3,步骤S230可以具体包括步骤S2301-步骤S2303,现详细说明如下：[0066]步骤S2301、从所述多个文本分别对应的第一词性序列中选择在所述多个文本中的第一支持度大于第一阈值的词性元素，得到所述多个文本分别对应的第三词性序列。[0067]序列模式挖掘是在给定序列数据库和用户给定的最小支持度阈值的情况下，挖掘序列数据库中支持度大于最小支持度阈值的所有频繁序列，旨在发现序列数据库中频繁序列模式。[0068]其中，序列的支持度是指序列α在序列数据库S中的支持度，是指序列数据库S中包含序列α的序列个数与序列数据库S中序列的总数之比，记为support(a),若序列s的支持度大于或等于最小支持度阈值min_sup,则称序列s是一个序列模式(频繁序列),例如，最小支持度阈值为2,则序列超过两次即认为是频繁的，是需要挖掘出来的序列。[0069]具体到本步骤中，为了对多个文本分别对应的第一词性序列进行序列模式挖掘，生成频繁序列模式，首先，可以从多个文本分别对应的第一词性序列中选择在多个文本中的第一支持度大于第一阈值的词性元素，得到多个文本分别对应的第三词性序列，第三词性序列中不包括不满足第一阈值的词性元素，这样一来，对多个第一词性序列进行序列模式挖掘，不仅可以挖掘多个第一词性序列中支持度大于第一阈值的频繁序列，而且频繁序列中的词性元素的支持度也满足了第一阈值的要求。[0070]在本申请的一个实施例中，多个文本分别对应的第一词性序列中的词性元素在多个文本中的支持度可以通过文本数量占比进行计算得到，在该实施例中，如图4所示，所述方法还包括步骤S410-步骤S420,现详细说明如下：[0071]步骤S410、根据所述多个文本分别对应的第一词性序列中的词性元素，在所述多个文本中统计包含各个词性元素的文本数量；[0072]步骤S420、计算包含所述各个词性元素的文本数量与所述多个文本的总数量之间的比值，得到所述各个词性元素在所述多个文本中的第一支持度。[0073]在该实施例中，对于各个词性元素，可以在多个文本中统计包含各个词性元素的文本数量，然后，计算包含各个词性元素的文本数量与多个文本的总数量之间的比值，得到各个词性元素在多个文本中的第一支持度。[0074]举例说明，假设存在四个文本，四个文本分别对应的第一词性序列为“/n/u/n/v/以统计得到包含词性元素n的文本数量为4,包含词性元素u的文本数量为4,包含词性元素v的文本数量为4,包含词性元素nr的文本数量为2,包含词性元素ns的文本数量为2,包含词性元素p的文本数量为2,包含词性元素f的文本数量为1,包含词性元素a的文本数量为1,包含词性元素d的文本数量为1,包含词性元素r的文本数量为1。[0075]在统计得到包含各个词性元素的文本数量后，可以计算得到词性元素n的第一支持度为1,词性元素u的第一支持度为1,词性元素v的第一支持度为1,词性元素nr的第一支持度为1/2,词性元素ns的第一支持度为1/2,词性元素p的第一支持度为1/2,词性元素f的第一支持度为1/4,词性元素a的第一支持度为1/4,词性元素d的第一支持度为1/4,词性元素r的第一支持度为1/4。[0076]继续参见图3,在步骤S2302中，对所述多个文本分别对应的第三词性序列进行序[0077]序列模式挖掘可以挖掘序列数据库中支持度大于最小支持度阈值的所有频繁序列，经过序列模式挖掘之后会产生数以万计的序列模式，因此，需要对每一个频繁序列进行分析，以发现序列数据库中频繁序列模式。[0078]在本实施例中，可以基于序列模式挖掘算法对多个文本分别对应的第三词性序列进行序列模式挖掘，对于序列模式挖掘算法本申请实施例在此不做具体限定。[0079]在本申请的一个实施例中，可以基于PrefixSpan算法对多个文本分别对应的第三词性序列进行序列模式挖掘，生成频繁序列模式，PrefixSpan算法是序列模式挖掘算法的一种，以下对PrefixSpan算法流程进行介绍：[0081]输出：所有满足支持度要求的频繁序列集[0082](1)找出所有长度为1的前缀和对应的投影数据库；[0083](2)对长度为1的前缀进行计数，将支持度低于阈值α的前缀对应的项从数据集S删[0084](3)对于每个长度为i满足支持度要求的前缀进行递归挖掘：[0086]b)统计对应投影数据库中各项的支持度计数。如果所有项的支持度计数都低于阈[0087]c)将满足支持度计数的各个单项和当前的前缀进行合并，得到若干新的前缀；[0088]d)令i=i+1,前缀为合并单项后的各个前缀，分别递归执行第c)步。[0089]具体到本实施例中，参见图5,步骤S2302可以具体包括步骤S23021-步骤S23023,现详细说明如下：[0090]步骤S23021、从所述多个文本分别对应的第三词性序列中选择词性元素作为前缀，并确定与所述前缀对应的至少一个后缀，所述至少一个后缀包含有所述第三词性序列中位于所述前缀之后的词性元素，且包含的词性元素的位置顺序与在所述第三词性序列中的位置顺序一致；[0091]步骤S23022、从所述至少一个后缀中选择在所述至少一个后缀中的第二支持度大于所述第一阈值的一个词性元素添加至所述前缀中，得到新的前缀，并继续确定与所述新的前缀对应的新的后缀，直至从确定出的新的后缀中无法选择出第二支持度大于所述阈值的词性元素为止；[0092]步骤S23023、根据得到的多个前缀，生成所述频繁序列模式。[0093]下面举例说明该实施例中的步骤S23021-步骤S23022:[0094]假设给定三个文本分别对应的第三词性序列为下表1所示：[0095]三个文本分别对应的第三词性序列三项前缀对应后缀[0108]对于表4中的前缀“/n/u/v”,其对应的后缀中不存在第二支持度大于第一阈值的[0109]在本申请的一个实施例中，词性元素在至少一个后缀中的第二支持度可以通过后缀数量与文本总数量计算得到，如图6所示，包括步骤S610-步骤S620,现详细说明如下：[0110]步骤S610、根据所述至少一个后缀中的词性元素，在所述至少一个后缀中统计包含各个词性元素的后缀数量；[0111]步骤S620、计算包含所述各个词性元素的后缀数量与所述多个文本的总数量之间的比值，得到所述各个词性元素在所述至少一个后缀中的第二支持度。[0112]在该实施例中，对于后缀中的各个词性元素，可以在至少一个后缀中统计包含各个词性元素的后缀数量，并计算包含各个词性元素的后缀数量与多个文本的总数量之间的比值，得到各个词性元素在至少一个后缀中的第二支持度。缀中的词性元素有“u”、“n”、“v”和“nr”,其中，包含词性元素“u”的后缀数量为2,包含词性为1,在统计包含各个词性元素的后缀数量后，可以计算得到词性元素“u”的第二支持度为2/4,词性元素“n”的第二支持度为1/4,词性元素“√”的第二支持度为2/4,词性元素“nr”的第二支持度为1/4,若第一阈值为0.4,则可以得到第二支持度大于所述第一阈值的词性元[0114]继续参见图5,在步骤S23023中，根据得到的多个前缀，生成所述频繁序列模式。[0115]经过序列模式挖掘之后会产生数以万计的前缀，需要对每一个前缀进行分析。在得到的多个前缀中，大量的前缀是冗余的，因此，可以去掉冗余的前缀，将保留下来的前缀作为频繁序列模式。[0116]在一个实施例中，步骤S23023可以具体包括：[0117]若所述多个前缀中存在包含有其他前缀中的词性元素，且包含的词性元素的位置顺序与在所述其他前缀中的位置顺序一致的目标前缀，则将所述目标前缀作为所述频繁序列模式。[0118]如果某个序列A所有的项集在序列B中的项集都可以找到，则A就是B的子序列。根据该定义，对于序列A={a₁,a₂,...a}和序列B={b₁,b₂,...b},n≤m,如果存在数字序列1[0119]具体到本实施例中，对于挖掘得到的前缀，如果多个前缀中存在包含其他有其他前缀中的词性元素，且包含的词性元素的位置顺序与在其他前缀中的位置顺序一致的目标前缀，则将目标前缀作为频繁序列模式。[0120]继续参见图3,在步骤S2303中，根据所述频繁序列模式，从所述多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为所述标签序列模式。[0121]频繁序列模式是通过对多个文本分别对应的第一词性序列进行序列模式挖掘得到的，在得到频繁序列模式后，可以进一步根据频繁序列模式从多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为所述标签序列模式。[0122]在本申请的一个实施例中，如图7所示，步骤S2303可以具体包括步骤S23031-步骤S23033,现详细说明如下：[0123]步骤S23031、根据所述频繁序列模式从所述多个文本分别对应的第二词性序列中选择至少一个目标词性序列，所述至少一个目标词性序列包含有所述频繁序列模式中的词性元素，且包含的词性元素的位置顺序与在所述频繁序列模式中的位置顺序一致。[0124]具体的，从多个文本分别对应的第二词性序列中选择至少一个目标词性序列，所选择的目标词性序列包含有频繁序列模式中的词性元素，且包含的词性元素的位置顺序与在频繁序列模式中的位置顺序一致。[0125]步骤S23032、计算每个目标词性序列中的标签数量与所述至少一个目标词性序列中的标签数量之和的比值，得到所述每个目标词性序列对应的置信度。[0126]在从多个文本分别对应的第二词性序列中选择至少一个目标词性序列后，可以计算每个目标词性序列中的标签数量与至少一个目标词性序列中的标签数量之和的比值，将计算得到的比值作为每个目标词性序列对应的置信度。[0127]步骤S23033、将所述置信度大于第二阈值的目标词性序列作为所述标签序列模[0128]在该步骤中，选择置信度大于第二阈值的目标词性序列作为所述标签序列模式。[0129]以上实施例中的技术方案，在对多个文本分别对应的第一词性序列进行序列模式挖掘过程中，利用“滚雪球”的思路在多轮迭代进行序列模式挖掘，并设定词性元素在多个文本中的第一支持度，最终确保了挖掘得到频繁序列模式的准确率，在得到频繁序列模式后，可以根据频繁序列模式，从多个文本分别对应的第二词性序列中选择至少一个目标词性序列，并结合目标词性序列的置信度，最终生成标签序列模式，保证了生成的标签序列模式的可靠性。[0130]在本申请的一个实施例中，如图8所示，计算至少一个目标词性序列中的标签数量之和是通过不同位置序号的标签的个数获得，在该实施例中，具体包括步骤S810-步骤[0131]步骤S810、获取所述每个目标词性序列中的标签在所述每个目标词性序列中对应的位置序号；[0132]步骤S820、对所述至少一个目标词性序列中不同位置序号的标签的个数进行求和，得到所述至少一个目标词性序列中的标签数量之和。[0134]假设目标词性序列包括两个，分别为“#/其中，目标词性序列“#/n/u/n/v#/nr”u*/n/n/n/v/nr”中标签“#”的位置序号为1,标签“*”的位置序号为3,则可以得到目标词性序列“#/n/u/n/v#/nr”和目标词性序列“#/n/u*/n/n/n[0135]在本申请的一个实施例中，如图9所示，根据标签序列模式确定目标文本中未标注分词的标签可以具体包括步骤S2401-步骤S2402,现详细说明如下：[0136]步骤S2401、根据所述目标文本对应的第一词性序列，从所述标签序列模式中选择至少一个目标标签序列模式，其中，所述至少一个目标标签序列模式包含有所述目标文本对应的第一词性序列中的词性元素，且包含的词性元素的位置顺序与在所述目标文本对应的第一词性序列中的位置顺序一致。[0137]目标文本是待抽取实体关系的文本，目标文本可以是多个文本中的任意一个文本或任意多个文本，在对多个文本进行处理得到标签序列模式后，可以利用标签序列模式确定目标文本中未标注分词的标签。[0138]具体的，根据目标文本对应的第一词性序列，从标签序列模式中选择至少一个目标标签序列模式，选择的至少一个目标标签序列模式包含有目标文本对应的第一词性序列中的词性元素，且包含的词性元素的位置顺序与在目标文本对应的第一词性序列中的位置顺序一致。[0139]步骤S2402、根据所述至少一个目标标签序列模式，确定目标文本中未标注分词的标签。[0140]具体而言，可以根据至少一个目标标签序列模式中的标签，确定出目标文本中未n/n/n/v/nr”,目标标签序列模式“#/n/u/n/v#/nr”在第一位置签为“*”,而目标文本中第一位置的分词和第五位置的分词都已标注标签，因此，可以确定[0141]下面以四句具体文本为例对本申请实施例的技术方案的实现细节进行详细说明：[0142]第一，服务器获取到如下表5所示的四个文本，通过对四个文本分别进行分词处理和去停用词处理，可以得到如下表6所示的分词序列，进而，针对分词序列中的每个分词进行词性标注处理，可以得到如下表7所示的多个文本分别对应的第一词性序列。四个文本除了公司a的股东公司b外，其他公司也纷纷入股四个文本分别对应的分词序列除了/公司a/的/股东/公司b/外/其他/公司/也/纷纷/入股四个文本分别对应的第一词性序列[0148]表7曲a、歌手A、公司b和公司c的实体标签映射到对应的第一词性序列的词性元素上，将作词和股东的实体关系标签映射到对应的第一词性序列的词性元素上，实体标签用“#”进行表示，实体关系标签用“*”进行表示，那么可以得到如下表8所示的第二词性序列。四个文本分别对应的第二词性序列[0152]第三，统计包含第一词性序列中的词性元素的文本数量与四个文本的总数量之间的比值，得到各个词性元素在四个文本中的第一支持度，如表9所示，并选择第一支持度大于第一阈值的词性元素，第一阈值为0.4,得到四个文本分别对应的第三词性序列，如表10所示。词性元素第一支持度四个文本分别对应的第三词性序列表10对四个文本分别对应的第三词性序列进行序列模式挖掘，具体为：首先，可以将第三词性序列中的词性元素构造一项前缀与其对应的后缀，得到的结果如表11所示。[0160]表11[0161]以表11中的一项前缀为“/n”和“/p”为例，从“/n”和“/p”对应后缀中选择在后缀中的第二支持度大于第一阈值的一个词性元素添加到“/n”和“/p”中，可以得到如表12所示的结果。[0163]表12[0164]以表12中的二项前缀为“/n/u”和“/p/ns”为例，从“/n/u”和“/p/ns”中选择在后缀中的第二支持度大于第一阈值的一个词性元素添加到“/n/u”和“/p/ns”中，可以得到如表13所示的结果。[0166]表13择在后缀中的第二支持度大于第一阈值的一个词性元素添加到“/n/u/n”和“/p/ns/u”中，可以得到如表14所示的结果。[0169]表14[0170]以表14中的四项前缀为“/n/u/n/v”ns/u/ns”中选择在后缀中的第二支持度大于第一阈值的一个词性元素添加到“/n/u/n/v”和“/p/ns/u/ns”中，可以得到如表15所示的结果。[0172]表15[0173]从表15可知，只有“/p/ns/u/n/ns”对应后缀中第二支持度大于第一阈值的词性元素，因此进一步可以得到如表16所示的结果。[0175]表16[0176]根据一项前缀、二项前缀、三项前缀、四项前缀、五项前缀以及六项前缀，可以最终得到如表17所示的频繁序列模式。频繁序列模式[0178]表17[0179]第四，在得到频繁序列模式后，从表4所示的四个文本分别对应的第二词性序列中选择至少一个目标词性序列，目标词性序列包含有频繁序列模式中的词性元素，且包含的词性元素的位置顺序与在频繁序列模式中的位置顺序一致，例如，对于频繁序列模式“/n/u/n/v/nr”,可以确定目标词性序列为“#/n/u/n/v#/nr”和“#/n/u*/n/n/n/v/nr”。[0180]进一步，可以计算得到目标词性序列对应的置信度，若置信度大于第二阈值，则可以将目标词性序列作为标签序列模式，例如，对于频繁序列模式“/n/u/n/v/nr”,选择的目标词性序列“#/n/u/n/v#/nr”的置信度为2/3,选择的目标词性序列“#/n/u*/n/n/n/v/nr”的置信度为2/3,若第二阈值为1/3,则可以将目标词性序列“#/n/u/n/v#/nr”和目标词性序列“#/n/u*/n/n/n/v/nr”作为标签序列模式。[0181]通过上述方法，最终得到标签序列模式如表18所示。标签序列模式[0183]表18[0184]第五，根据标签序列模式确定目标文本中未标注分词的标签，以根据所述目标文本中的标签生成所述目标文本的实体关系抽取结果。[0185]目标文本可以为表1所示的四个文本，从标签序列模式中选择至少一个目标标签序列模式，至少一个目标标签序列模式包含有目标文本对应的第一词性序列中的词性元素，且包含的词性元素的位置顺序与在目标文本对应的第一词性序列中的位置顺序一致。[0186]根据至少一个目标标签序列模式的标签，获取目标文本未标注分词的标签，以生成目标文本的实体关系抽取结果。[0187]例如，对于目标文本“歌曲a的作曲是歌手A”,该目标文本对应的第一词性序列为“/n/u/n/v/nr”,而根据该第一词性序列选择得到的目标标签序列模式为“#/n/u/n/v#/nr”和“#/n/u*/n/n/n/v/nr”,由于该目标文本第一位置上的分词和第五位置上的分词已标注标签，而根据目标标签序列模式还可以对该目标文本未标注标签的第三位置的分词进行标[0188]通过上述过程，可以实现对四个文本中未标注分词标注标签，对“作曲”标注实体签，对“公司d”标注实体标签，结合已标注分词的标签，最终可以得到四个文本的实体关系抽取结果如下[0189]表19所示。关系实体关系关系实体作曲作词歌手B公司a股东公司b公司c投资方公司d[0192]以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的实体关系抽取方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的实体关系抽取方法的实施例。[0193]图10示出了根据本申请的一个实施例的实体关系抽取装置的框图，参照图10所示，根据本申请的一个实施例的实体关系抽取装置1000,包括：获取单元1002、生成单元1004、选择单元1006和确定单元1008。[0194]其中，获取单元1002,配置为获取多个文本分别对应的第一词性序列，每个文本对应的第一词性序列包含所述每个文本的分词结果中的各个分词所对应的词性元素；生成单元1004,配置为将所述每个文本中已标注分词的标签映射到所述每个文本对应的第一词性序列的词性元素上，生成所述每个文本对应的第二词性序列，所述标签包含实体标签和实体关系标签；选择单元1006,配置为根据所述多个文本分别对应的第一词性序列，从所述多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为标签序列模式；确定单元1008,配置为根据所述标签序列模式确定目标文本中未标注分词的标签，以根据所述目标文本中的标签生成所述目标文本的实体关系抽取结果。[0195]在本申请的一些实施例中，所述选择单元1006包括：第一选择子单元，配置为从所述多个文本分别对应的第一词性序列中选择在所述多个文本中的第一支持度大于第一阈值的词性元素，得到所述多个文本分别对应的第三词性序列；挖掘子单元，配置为对所述多个文本分别对应的第三词性序列进行序列模式挖掘，生成频繁序列模式；第二选择子单元，配置为根据所述频繁序列模式，从所述多个文本分别对应的第二词性序列中选择至少一个第二词性序列作为所述标签序列模式。[0196]在本申请的一些实施例中，所述第一选择子单元还配置为：根据所述多个文本分别对应的第一词性序列中的词性元素，在所述多个文本中统计包含各个词性元素的文本数量；计算包含所述各个词性元素的文本数量与所述多个文本的总数量之间的比值，得到所述各个词性元素在所述多个文本中的第一支持度。[0197]在本申请的一些实施例中，所述挖掘子单元还配置为：从所述多个文本分别对应的第三词性序列中选择词性元素作为前缀，并确定与所述前缀对应的至少一个后缀，所述至少一个后缀包含有所述第三词性序列中位于所述前缀之后的词性元素，且包含的词性元素的位置顺序与在所述第三词性序列中的位置顺序一致；从所述至少一个后缀中选择在所述至少一个后缀中的第二支持度大于所述第一阈值的一个词性元素添加至所述前缀中，得到新的前缀，并继续确定与所述新的前缀对应的新的后缀，直至从确定出的新的后缀中无法选择出第二支持度大于所述阈值的词性元素为止；根据得到的多个前缀，生成所述频繁序列模式。[0198]在本申请的一些实施例中，所述挖掘子单元还配置为：若所述多个前缀中存在包含有其他前缀中的词性元素，且包含的词性元素的位置顺序与在所述其他前缀中的位置顺序一致的目标前缀，则将所述目标前缀作为所述频繁序列模式。[0199]在本申请的一些实施例中，所述挖掘子单元还配置为：根据所述至少一个后缀中的词性元素，在所述至少一个后缀中统计包含各个词性元素的后缀数量；计算包含所述各个词性元素的后缀数量与所述多个文本的总数量之间的比值，得到所述各个词性元素在所述至少一个后缀中的第二支持度。[0200]在本申请的一些实施例中，所述第二选择子单元还配置为：根据所述频繁序列模式从所述多个文本分别对应的第二词性序列中选择至少一个目标词性序列，所述至少一个目标词性序列包含有所述频繁序列模式中的词性元素，且包含的词性元素的位置顺序与在所述频繁序列模式中的位置顺序一致；计算每个目标词性序列中的标签数量与所述至少一个目标词性序列中的标签数量之和的比值，得到所述每个目标词性序列对应的置信度；将所述置信度大于第二阈值的目标词性序列作为所述标签序列模式。[0201]在本申请的一些实施例中，所述第二选择子单元还配置为：获取所述每个目标词性序列中的标签在所述每个目标词性序列中对应的位置序号；对所述至少一个目标词性序列中不同位置序号的标签的个数进行求和，得到所述至少一个目标词性序列中的标签数量之和。[0202]在本申请的一些实施例中，所述确定单元1008还配置为：根据所述目标文本对应的第一词性序列，从所述标签序列模式中选择至少一个目标标签序列模式，其中，所述至少一个目标标签序列模式包含有所述目标文本对应的第一词性序列中的词性元素，且包含的词性元素的位置顺序与在所述目标文本对应的第一词性序列中的位置顺序一致；根据所述至少一个目标标签序列模式，确定目标文本中未标注分词的标签。[0203]图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。[0204]需要说明的是，图11示出的电子设备的计算机系统1100仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。[0205]如图11所示，计算机系统1100包括中央处理单元(CentralProcessingUnit,CPU)1101,其可以根据存储在只读存储器(Read-OnlyMemory,ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(RandomAccessMemory,RAM)1103中的程序而执行各作所需的各种程序和数据。CPU1101、ROM1102以及RAM1103通过总线1104彼此相连。输入/输出(Input/Output,I/0)接口1105也连接至总线1104。[0206]以下部件连接至I/0接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极器等的输出部分1107;包括硬盘等的储存部分1108;以及包括诸如LAN(LocalAreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/0接口1105。可拆卸介质从其上读出的计算机程序根据需要被安装入储存部分1108。[0207]特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请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计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本申请的系统中限定的各种功能。[0208]需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的者上述的任意合适的组合。在本申请中，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。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。[0209]附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，流程图或框图中的每个方框可以代表一实现规定的逻辑功能的可执行指令。也应当注意，在