CN112100332B 词嵌入表示学习方法及装置、文本召回方法及装置 （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(72)发明人张雨春翁泽峰翟彬旭张东于范云霓限公司44232权利要求书3页说明书15页附图6页(57)摘要本公开提供了一种词嵌入表示学习方法及装置、文本召回方法及装置，涉及人工智能领域。对词嵌入表示模型进行训练以获取词嵌入查找词形学接近的词语在词嵌入空间中具有相近的题，提高了召回效率和召回质量，进而提升了用2获取文本语料，对所述文本语料进行分词处理；所述文本语料为中文文本，发音信息为所述中文文本经分词处理所得到的各分词中每个字对应的拼音；以与所述中文文本对应的分词和所述拼音为节点，以所述分词、所述分词中的单字以及所述单字对应的拼音之间的关系为边，根据所述节点和所述边构建无向无环图；按照各个节点对应的边的数量，将所述无向无环图中各个节点划分为高度节点和低度采用对边切分方式对所述无向无环图中的低度节点进行切分，并采用点切分方式对所述无向无环图中的高度节点进行切分，得到所述无向无环图的为多个子图，并对所述多个子图进行分别存储；以所述无向无环图中的各节点为初始节点，随机游走获取与所述初始节点对应的节点根据所述节点序列对词嵌入表示模型进行训练以获取词嵌入查找表；在词嵌入表示模型的每轮训练中，所述文本语料中的高频词语的处理结果是对多个子任务的处理结果进行整合得到的，所述多个子任务是对所述高频词语的处理任务进行划分得到的，每个子任务交由不同的机器同时执行；获取基于所述无向无环图构建的词表，并根据所述词表获取所述文本语料中的分词所对应的编码；根据所述编码在所述词嵌入查找表中确定与所述分词对应的词嵌入；根据所有所述分词对应的词嵌入确定与所述文本语料对应的词嵌入表示。2.根据权利要求1所述的方法，其特征在于，所述方法还包在构建所述无向无环图时，根据预设规则对各所述边设置权重。3.根据权利要求1所述的方法，其特征在于，所述边包括在拼音相同字不同以及拼音相近字相同的节点关系上建立的边。4.根据权利要求1所述的方法，其特征在于，所述以所述图结构中的各节点为初始节获取预设的第一参数和第二参数，根据当前节点、与所述当前节点相邻的历史节点和未来节点、所述第一参数和所述第二参数确定所述当前节点跳到所述历史节点以及所述当前节点跳到所述未来节点的游走概率；根据所述游走概率确定游走方向，并基于所述游走方向确定所述节点序列。5.根据权利要求1所述的方法，其特征在于，所述根据所述节点序列对词嵌入表示模型将所述节点序列输入至所述词嵌入表示模型，以获取预测信息；根据所述预测信息和所述节点序列对应的标记信息确定损失函数；基于所述损失函数对所述词嵌入表示模型的参数进行优化，以使所述损失函数的值达到最小，并将训练后的所述词嵌入表示模型中隐藏层所对应的嵌入矩阵作为所述词嵌入查获取搜索字符串，对所述搜索字符串进行分词处理，以获取搜索分词；3根据所述搜索分词在词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入，所述词嵌入查找表是根据权利要求1-5中任意一项所述的词嵌入表示学习方法所获取的词嵌入查找表；根据所有所述搜索分词对应的词嵌入获取与所述搜索字符串对应的搜索向量，并根据所述搜索向量和候选文本对应的文本向量确定召回文本。7.根据权利要求6所述的方法，其特征在于，所述根据所述搜索分词在词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入，包括：确定所述搜索字符串对应的业务场景，根据所述业务场景确定目标词嵌入查找表；根据所述搜索分词在所述目标词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入。8.根据权利要求6所述的方法，其特征在于，所述候选文本的数量为多个；所述根据所述搜索向量和候选文本对应的文本向量确定召回文本，包括：获取所述搜索向量与各所述候选文本对应的文本向量之间的第一相似度，根据所述第一相似度确定所述召回文本。9.根据权利要求8所述的方法，其特征在于，所述搜索字符串和所述候选文本包括多个不同属性的字段；所述获取所述搜索向量与各所述候选文本对应的文本向量之间的第一相似度，根据所述第一相似度确定所述召回文本，包括：根据所述候选文本及所述文本向量进行倒排索引，并确定所述搜索向量与各所述文本向量之间的第二相似度，根据所述第二相似度进行初始召回；获取所述搜索字符串与所述初始召回得到的候选文本中具有相同属性的字段所对应的向量之间的第三相似度，根据所述第三相似度在所述初始召回得到的候选文本中进行再召回，以获取所述召回文本。10.一种词嵌入表示学习装置，其特征在于，包括：图构建模块，用于获取文本语料，对所述文本语料进行分词处理，并基于得到的分词和所述分词对应的发音信息构建图结构；所述文本语料为中文文本，发音信息为所述中文文本经分词处理所得到的各分词中每个字对应的拼音；以与所述中文文本对应的分词和所述拼音为节点，以所述分词、所述分词中的单字以及所述单字对应的拼音之间的关系为边，根据所述节点和所述边构建无向无环图；按照各个节点对应的边的数量，将所述无向无环图中各个节点划分为高度节点和低度节点；采用对边切分方式对所述无向无环图中的低度节点进行切分，并采用点切分方式对所述无向无环图中的高度节点进行切分，得到所述无向无环图的为多个子图，并对所述多个子图进行分别存储；采样模块，用于以所述无向无环图中的各节点为初始节点，随机游走获取与所述初始节点对应的节点序列；词嵌入获取模块，用于根据所述节点序列对词嵌入表示模型进行训练以获取词嵌入查找表；在词嵌入表示模型的每轮训练中，所述文本语料中的高频词语的处理结果是对多个子任务的处理结果进行整合得到的，所述多个子任务是对所述高频词语的处理任务进行划4分得到的，每个子任务交由不同的机器同时执行；获取基于所述无向无环图构建的词表，并根据所述词表获取所述文本语料中的分词所对应的编码；根据所述编码在所述词嵌入查找表中确定与所述分词对应的词嵌入；根据所有所述分词对应的词嵌入确定与所述文本语料对应的词嵌入表示。分词模块，用于获取搜索字符串，对所述搜索字符词嵌入获取模块，用于根据所述搜索分词在词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入，所述词嵌入查找表是根据权利要求1-5中任意一项所述的词嵌入表示学习方法所获取的词嵌入查找表；召回模块，用于根据所有所述搜索分词对应的词嵌入获取与所述搜索字符串对应的搜索向量，并根据所述搜索向量和候选文本对应的文本向量确定召回文本。12.一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，所述程序被处理器执行时实现如权利要求1至5中任意一项所述的词嵌入表示学习方法和权利要求6至9中任意一项所述的文本召回方法。一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任意一项所述的词嵌入表示学习方法和权利要求6至9中任意一项所述的文本召回方法。14.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令适于被处理器加载并执行如权利要求1至5中任意一项所述的词嵌入表示学习方法和权利要求6至9中任意一项所述的文本召回方法。5词嵌入表示学习方法及装置、文本召回方法及装置技术领域[0001]本公开涉及自然语言处理技术领域，具体而言，涉及一种词嵌入表示学习方法、词嵌入表示学习装置、文本召回方法、文本召回装置背景技术[0002]词嵌入(wordembedding)又称词向量，词表征、文本表征等，是自然语言处理(NLP)中语言模型与表征学习技术的统称，它是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量。[0003]在根据搜索字符串进行信息召回时，用户可能会由于疏忽使得搜索字符串中存在错别字符，例如用户想要输入的搜索字符串是“新冠肺炎”,但是实际输入的搜索字符串是“新官肺炎”,如果严格按照包含错别字符的搜索字符串进行召回时，就会出现召回结果错误或者召回结果不完整的情况，缺少与正确的搜索字符串对应的召回结果，降低了用户体验。[0004]需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。发明内容[0005]本公开的实施例提供了一种词嵌入表示学习方法、词嵌入表示学习装置、文本召回方法、文本召回装置、计算机可读存储介质及电子设备，进而至少在一定程度上可以使词形学相近的词语在向量空间拥有相近的距离，进而提高召回的精准度和完整性。[0006]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。[0007]根据本公开实施例的一个方面，提供了一种词嵌入表示学习方法，包括：获取文本语料，对所述文本语料进行分词处理，并基于得到的分词和所述分词对应的发音信息构建图结构；以所述图结构中的各节点为初始节点，随机游走获取与所述初始节点对应的节点序列；根据所述节点序列对词嵌入表示模型进行训练以获取词嵌入查找表，并基于所述词嵌入查找表确定与所述文本语料对应的词嵌入表示。[0008]根据本公开实施例的一个方面，提供了一种词嵌入表示学习装置，包括：图构建模块，用于获取文本语料，对所述文本语料进行分词处理，并基于得到的分词和所述分词对应的发音信息构建图结构；采样模块，用于以所述图结构中的各节点为初始节点，随机游走获取与所述初始节点对应的节点序列；词嵌入获取模块，用于根据所述节点序列对词嵌入表示模型进行训练以获取词嵌入查找表，并基于所述词嵌入查找表确定与所述文本语料对应的词嵌入表示。[0009]根据本公开实施例的一个方面，提供了一种文本召回方法，包括：获取搜索字符串，对所述搜索字符串进行分词处理，以获取搜索分词；根据所述搜索分词在词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入，所述词嵌入查找表是根据上述实施例6中的词嵌入表示学习方法所获取的词嵌入查找表；根据所有所述搜索分词对应的词嵌入获取与所述搜索字符串对应的搜索向量，并根据所述搜索向量和候选文本对应的文本向量确定召回文本。[0010]根据本公开实施例的一个方面，提供了一种文本召回装置，包括：分词模块，用于获取搜索字符串，对所述搜索字符串进行分词处理，以获取搜索分词；词嵌入获取模块，用于根据所述搜索分词在词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入，所述词嵌入查找表是根据上述实施例中的词嵌入表示学习方法所获取的词嵌入查找表；召回模块，用于根据所有所述搜索分词对应的词嵌入获取与所述搜索字符串对应的搜索向量，并根据所述搜索向量和候选文本对应的文本向量确定召回文本。[0011]根据本公开实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的各种可选实现方式中提供的方法。[0012]根据本公开实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的各种可选实现方式中提供的方法。[0013]在本公开的一些实施例所提供的技术方案中，通过对文本语料进行分词处理并根据得到的分词和分词对应的发音信息构建图结构，然后基于图结构中的节点随机游走以获取多个节点序列，最后根据多个节点序列对词嵌入表示模型进行训练以获取词嵌入查找表，并基于词嵌入查找表确定与文本语料对应的词嵌入表示。本公开的技术方案一方面能够基于图结构训练词嵌入表示模型，并在图结构中引入了发音信息，提高了词嵌入表示模型的性能，使得词形上接近的字符在词嵌入空间中具有相近的向量表示，缓解了超出词表(OutofVocabulary,00V)问题；另一方面能够准确获取文本对应的词嵌入表示，并提高召回文本的质量。[0014]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，并不能限制本公开。附图说明[0015]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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[0016]图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图；[0017]图2示意性示出了根据本公开的一个实施例的词嵌入表示学习方法的流程图；[0018]图3示意性示出了根据本公开的一个实施例的图结构的结构示意图；[0019]图4示意性示出了根据本公开的一个随机游走采样的结构示意图；[0020]图5示意性示出了根据本公开的一个实施例的文本召回方法的流程示意图；[0021]图6示意性示出了根据本公开的一个实施例的获取召回文本的流程示意图；[0022]图7A-7B示意性示出了根据本公开的一个实施例的企业搜索的界面示意图；7[0023]图8示意性示出了根据本公开的一个实施例的词嵌入表示学习装置的框图；[0024]图9示意性示出了根据本公开的一个实施例的文本召回装置的框图；[0025]图10示出了适于用来实现本公开实施例的词嵌入表示学习装置和文本召回装置的计算机系统的结构示意图。具体实施方式[0026]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公开将更加全面和完整，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。[0027]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公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开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[0028]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。[0029]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。[0030]图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图。述终端设备101可以是手机、便携式计算机、平板电脑、台式机等具有显示屏幕的终端设备；网络102为用以在终端设备101和服务器103之间提供通信链路的介质，网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等，在本公开实施例中务器103之间的网络102可以是无线通信链路，具体地可以是移动网络。[0032]应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络和服务器。比如服务器103可以是多个服务器组成的服务器集群等，可用于存储与搜索串处理相关的信息。[0033]在本公开的一个实施例中，用户通过终端设备101中内置或外设的输入装置输入搜索字符串，通过网络102可以将用户输入的搜索字符串发送至服务器103,服务器103接收到搜索字符串后，首先可以对其进行分词处理，以获取搜索分词，然后根据搜索分词在预先通过训练词嵌入表示模型所得到的词嵌入查找表中进行查找，以获取与搜索字符串对应的搜索向量，最后根据搜索字符串对应的搜索向量与候选文本的文本向量计算相似度，并根据相似度进行文本召回，以获取与搜索字符串对应的召回文本。在获取词嵌入查找表时，首先可以获取文本语料，通过对文本语料进行分词处理以获取分词，在获取分词后，可以根据分词和分词对应的发音信息构建图结构，例如文本语料为中文文本时，发音信息为组成分词的各个字的拼音，该拼音包括字的标准拼音以及与标准拼音相近的拼音；然后将图结构中的各个节点作为初始节点，通过随机游走的方式获取与各个初始节点对应的节点序列；8最后根据节点序列对词嵌入表示模型进行训练，在训练结束后可以获取词嵌入表示模型中隐藏层对应的嵌入矩阵作为词嵌入查找表，并基于词嵌入查找表确定与文本语料对应的词嵌入表示，以及与搜索分词对应的词嵌入表示。进一步地，为了提高词嵌入的准确率和缓解超出词表(00V)问题，可以根据常用字符及业务场景下的词库构建图结构，并根据基于图结构确定的节点序列训练词嵌入表示模型，以获取词嵌入查找表，进而在获取搜索字符串后，可以根据搜索字符串对应的业务场景选择对应该业务场景的词嵌入查找表，并获取与搜索字符串对应的词嵌入表示。[0034]需要说明的是，本公开实施例所提供的词嵌入表示学习方法和文本召回方法一般由服务器执行，相应地，词嵌入表示学习装置和文本召回方法装置一般设置于服务器中。但是，在本公开的其它实施例中，也可以由终端设备执行本公开实施例所提供的词嵌入表示学习方法和文本召回方法。[0035]在自然语言处理的高级任务中，使用机器学习的方法需要将词转化为数学表示，然后用数学表示进行计算，完成语义层面的任务。在统计学习模型中，使用词嵌入完成自然语言处理任务，是自然语言处理任务的一个关键技术。相关技术中，常见的词嵌入训练方法主要分为静态表征和动态表征两大类，静态表征包括通过词袋模型、主题模型、经典语言模型和优化语言模型进行词嵌入，动态表征包括通过ELMo(EmbeddingsfromLanguage于词袋模型忽略了文档的语法和语序等要素，将文档仅仅看成是若干无序单词的集合，并且每个词都是独立的，因此存在维数灾难问题，且词向量之间不存在关联关系，有语义鸿价大，工程实现难的问题。优化语言模型主要包括word2vec、FastText等针对性的优化模型，但是存在无法解决一词多义的问题。ELMo是基于双层双向LSTM进行双向语义特征提取的语言模型，存在的问题主要是LSTM特征提取能力有限，双向拼接的特征融合能力较弱。GPT为基于转换解码(Transformerdecoder)结果的单向语言模型，存在单向语义的问题。BERT为基于转换编码(Transformerencoder)结构的双向语言模型，存在训练代价大，样本量要求高的问题。[0036]鉴于相关技术中存在的问题，本公开实施例提供了一种词嵌入表示学习方法和文本召回方法，该词嵌入表示学习方法和文本召回方法是基于机器学习实现的，机器学习属于人工智能的一种，人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的[0037]人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机9视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。[0038]计算机视觉技术(ComputerVision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。[0039]机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。教学习等技术。[0040]随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如[0041]本公开实施例提供的方案涉及人工智能的自然语言处理技术，可以应用于信息搜索领域，具体通过如下实施例进行说明：[0042]图2示意性示出了根据本公开的一个实施例的词嵌入表示学习方法的流程图，该词嵌入表示学习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103。参照图2所示，该词嵌入表示学习方法至少包括步骤S210至步骤S230,详细介绍如下：[0043]在步骤S210中，获取文本语料，对所述文本语料进行分词处理，并基于得到的分词和所述分词对应的发音信息构建图结构。[0044]在本公开的一个实施例中，不同的国家和地区存在不同的语言，例如中文、英文、法语、德语等等，虽然语言种类不同但是将各种语言转化为词向量的思路是基本相同的。在本公开实施例中，首先可以获取大量的文本语料，该些文本语料可以是涉及某一具体业务场景的语料，例如文本语料可以是涉及企业工商信息的语料，具体为各个企业的工商注册名称，等等；也可以是涵盖多个相关业务场景的语料，例如可以是涉及保险及体检报告的语料，等等；当然还可以是其它的一些语料，根据[0045]在获取文本语料后，可以对文本语料进行预处理，具体地，可以对文本语料进词处理。对于不同语言种类的文本语料，分词处理的方法稍有差别，例如当文本语料为中文文本时可以采用基于词典的分词方法、基于统计的分词方法或基于深度学习的分词方法进行分词处理，具体地，基于词典的分词方法可以包括正向最大匹配法、逆向最大匹配法及双向最大匹配法，基于统计的分词方法是在给定大量已经分词的文本的前提下，利用统计机器学习模型学习词语切分的规律(称为训练),从而实现对未知文本的切分，主要的统计模型有：N元文法模型(N-gram),隐马尔可夫模型(HiddenMarkovModel,HMM),最大熵模型(ME),条件随机场模型(ConditionalRandomFields,CRF)等，基于统计的分词方法包括：N-最短路径方法、基于词的n元语法模型的分词方法、由字构词的汉语分词方法、基于词感知机算法的汉语分词方法、基于字的生成式模型和区分式模型相结合的汉语分词方法。当文本语料为非中文文本时可以采用n-gram切分和子词切分，通过n-gram切分获取非中文文本中词语的词干，通过子词切分获取词语的子词。[0046]在本公开的一个实施例中，以信息的搜索召回为例，用户在输入搜索字符串的时候会由于疏忽出现拼写错误或者出现错别字的情况，或者在对文本进行光学字符识别(OCR)时出现识别错误的情况，如果搜索召回系统严格按照获取的搜索字符串进行检索召回时，则可能无法获取召回信息或者出现召回信息存在错误、缺失的情况，因此为了提高信息召回质量，进一步提高用户体验，可以通过让词形学上相近的词语在向量空间中拥有相近的距离，以保证根据搜索字符串在大量候选信息中进行搜索召回时，不仅能够召回包含搜索字符串的信息，还能够对包含与搜索字符串在词形学上相近的词语的信息进行召回。词形学泛指词语的书写形式，是书面语言的主要元素之一。词形学上相近的词语通常具有信息都是xun,即使是非中文字符也会存在词形学上相近的词语，例如angel和angle,affect和effect,quite和quiet,等等，并且该些词形学上相近的词语在发音信息上也存在相近或相同的情况。为了便于对词形学相近的词语进行关联，进而使词形学相近的词语具有相近的词嵌入表示，可以根据词形学上相近的词语构建图，并基于图进行向量转化，以获取词语的词嵌入。[0047]在本公开的一个实施例中，在构建图结构时，可以以对文本语料进行分词处理得到的分词和分词对应的发音信息进行构建，具体地，将分词和发音信息作为节点，分词之间以及分词与发音信息之间的关系作为边，进而根据节点和边形成图结构。分词对应的发音信息与文本语料的种类相关，当文本语料为中文文本时，发音信息可以是拼音；当文本语料为非中文文本时，发音信息可以是音标。[0048]为了使本公开的技术方案更清晰，接下来以中文文本语料为例进行具体说明。[0049]在本公开的一个实施例中，可以根据中文文本语料经分词处理得到的分词和分词中各个字对应的拼音构建图结构，具体地，以与中文文本对应的分词和拼音为节点，以分词、分词中的单字以及单字对应的拼音之间的关系为边，根据节点和边构建无向无环图。值得注意的是，单字对应的拼音包括与该单字对应的标准拼音以及非标准拼音，该非标准拼音与标准拼音相近，主要是由于生活区域不同，口音不同而产生的，比如1和n的混淆，牛奶的标准拼音应该为niunai,但是由于发音不标准，有的人会拼成liulai等，在图结构中引入拼音相同字不同的节点和边、字相同拼音相近的节点和边，扩大了图结构中的信息量，最大程度地保证了将词形学相近的词语关联起来，并使其在向量空间具有相近的距离。[0050]图3示出了图结构的结构示意图，如图3所示，对文本语料进行分词处理获取分词相近的字，根据分词、分词中的单字、单字的拼音可以形成图3所示的图结构。在图3中虽然未示出拼音相近字相同的连接关系，但是应当理解的是，图结构所包含的数据量是相当大的，其中包含的节点和边的数量均可能是千万级别乃至亿级别的，因此在图结构中应当是包含了所有的连接关系，比如在重点关注的拼音相同字不同、拼音相近字相同的节点关系11上建立的边。[0051]在本公开的一个实施例中，在构建图结构的过程中，可以根据预设规则对各个节点之间的边赋予权重，该预设规则可以根据具体业务需求进行设置，例如在分词与分词中单字之间的边设置较高的第一权重，在单字和标准拼音之间设置低于第一权重的第二权重，在单字和非标准拼音之间设置低于第二权重的第三权重，或者根据字词在拼音或构成上的编辑距离确定权重，比如将编辑距离的倒数作为边的权重，当然还可以单独训练权重模型为边赋予权重，本公开实施例对预设规则的具体形式不作具体限定。[0052]通过根据分词和分词对应的发音信息构建图结构，并基于图结构学习得到各节点的词嵌入作为字符的分布式表征，能够获得高质量的词嵌入，使得词形学接近的词语在词嵌入空间拥有较高的相似性，并且由于拼音节点的加入，大大缓解了00V的问题，这是由于图结构中覆盖了大量相关的字词，使得搜索字符串中的字符基本都落在了图结构中，不会出现超出词表的情况。[0053]在步骤S220中，以所述图结构中的各节点为初始节点，随机游走获取与所述初始节点对应的节点序列。[0054]在本公开的一个实施例中，在完成图结构的构建后，可以基于图结构通过机器学习模型学习得到图结构中各节点的词嵌入。在学习得到各节点的词嵌入时，首先可以将图结构中的各个节点作为初始节点，通过随机游走的方式获取与初始节点对应的节点序列，然后再根据大量的节点序列训练词嵌入。[0055]在随机游走获取节点序列时，首先可以设定两个参数：第一参数p和第二参数q,p和q用于在广度优先搜索(Breadth-firstSearch,简称BFS)和深度优先搜索(Depth-firstSearch,简称DFS)中达到一个平衡，并考虑到局部和宏观的信息；然后根据第一参数p和第二参数q确定当前节点跳到与当前节点相邻的历史节点和未来节点的游走概率；最后根据游走概率确定游走方向，并基于游走方向确定节点序列。和x3,以及与各节点相连的边，当前节点为v,从边(t,v)过来，从图中分析可知，下一步采样时可以从当前节点v跳至节点t、x1、×2和x3,对应每个边的游走概率记为α(t,x),根据边连[0058]其中，d表示节点t到节点x直接的最短路径；d=0表示回到节点t;d=1表示节点t与节点x直接相连，但是在上一步却选择了节点v;d=2表示节点t不与节点x直接相连，但节点v与节点x直接相连。[0059]在确定参数p、q后，即可确定每条边对应的游走概率，在采样时通常不会返回至已经采集过的节点，因此第一参数p通常设置的较大，也就是沿着边(v,t)游走的概率很小。进一步地，在设置第一参数p和第二参数q的值时，可以根据采样需求进行设置，例如主要想在广度方向上搜索，那么可以将q设置为大于1的值，将p设置为大于q的值，这样采样时就沿着边(v,x₁)进行采样；若想在深度方向上搜索，那么可以将q设置为大于零小于1的值，将p设置为大于1的值，这样采样时就沿着边(v,x₂)、边(v,x₃)进行采样。[0060]在本公开的一个实施例中，在采样时，可以设置采样长度L,以获取多个以各个节点为初始节点且具有采样长度的节点序列，该采用长度L例如可以设置为2≤L≤5,当然还可以根据实际需要设置为其它的数值范围。[0061]在步骤S230中，根据所述节点序列对词嵌入表示模型进行训练以获取词嵌入查找表，并基于所述词嵌入查找表确定与所述文本语料对应的词嵌入表示。[0062]在本公开的一个实施例中，在获取以图结构中各个节点为初始节点的节点序列后，可以根据节点序列对词嵌入表示模型进行训练，以获取稳定的词嵌入表示模型以及词嵌入查找表。本公开中所采用的词嵌入表示模型具体可以为Node2vec模型等等，Node2vec模型是用来产生图结构中节点向量的模型，输入的是步骤S220中生成的图结构，输出是每个节点的向量，即每个节点对应的词语的词嵌入。Node2vec模型的结构中包含有Skip-gram对各个节点序列进行处理，得到预测结果。在根据节点序列对词嵌入表示模型进行训练时，具体地可以将节点序列输入至词嵌入表示模型中以获取词嵌入表示模型输出的预测信息，然后根据预测信息和节点序列对应的标记信息确定损失函数，最后基于损失函数对词嵌入表示模型的参数进行优化，当损失函数的值达到最小或者完成预设次数的训练后即可认为训练完成。Skip-gram模型是通过输入目标词预测其上下文的词，最大化词出现的概率，也就是节点共现的概率，其中目标词为节点序列中任意一个节点对应的词语。[0063]Skip-gram模型包括输入层、隐藏层和输出层，通过输入层将节点序列中的每个词语输入至模型中，输入层到隐藏层之间有一个权重矩阵，隐藏层得到的值是由权重矩阵对输入的词语作用得到的，同时隐藏层到输出层也有权重矩阵，输出层向量的每一个值就是隐藏层的向量点乘权重矩阵的每一列所得到的结果，最后对输出层向量进行归一化处理，即可得到每个词的预测概率，即词表中每个词成为目标词的上下文的概率，其中具有最大概率的词即为预测的词，也就是说预测的词是与输入的目标词共现概率最大、最有可能成[0064]从上述流程分析可知，获取词嵌入的关键在于获取输入层到隐藏层的权重矩阵，通过该权重矩阵作用即可得到词嵌入。训练完成后得到的该权重矩阵的大小为N×M,其中N为词表规模，M为词嵌入长度，由于在根据图结构中的分词节点构建词表时，对各个词语均赋予了唯一的编号，比如从0到N对词语依次编号，那么在获取权重矩阵后，可以根据词语在词表中的编号在权重矩阵中查找对应行的向量即可获取与该词语对应的词嵌入，即权重矩阵中的第i行向量即为词表中第i个词语的词嵌入。相应地，在获取权重矩阵也就是词嵌入查找表后，可以根据文本语料对应的分词和词表确定分词的编号，并根据编号在词嵌入查找表中获取与各个分词对应的词嵌入，进而根据文本语料中所有分词的词嵌入即可得到与文本语料对应的词嵌入。[0065]值得注意的是，本公开实施例中的图结构包含词形学相近的词语，因此基于图结构进行词嵌入表示学习，能够使得词形学相近的词语所对应的词嵌入在向量空间也具有相近的距离，使得同音字的相似性度量成为可能，进而在进行信息召回时，不仅可以召回包含搜索字符串的信息，还可以召回包含与搜索字符串在词形学上相近的词语的信息，避免因输入错误导致的召回错误。[0066]在本公开的一个实施例中，在步骤S210构建图结构时，相连节点之间的边有赋予的权重，该权重在训练模型时可以作用于损失函数，以提高模型性能，损失函数表征了预测信息与标记信息之间的差异程度，当差异程度越低时，损失函数越小，模型性能越好。在计算损失函数的时候引入边的权重能够提高模型对存在较大差异的两节点的关注度，进而在反向调参的时候可以重点关注存在差异的节点，使得优化后的模型输出的预测信息与标注信息相近或相同。该损失函数具体可以是交叉熵损失函数，当然也可以是其它的损失函数，本公开对此不做具体限定。[0067]在本公开的一个实施例中，在训练词嵌入的过程中，由于文本语料以及图结构的数据量特别大，因此在工程上通常采用分布式计算spark方式进行数据处理，但是在算法运行过程中还是会存在以下三个问题：(1)图存储与机器节点I/0高；(2)数据倾斜；(3)多轮迭代数据依赖链过长。对于问题(1),图结构在存储的时候需要存储节点和边，如果在多台机器上进行存储就需要把图结构切分为多个子图进行存储，那么在切分的时候需要注意节点和边的数量，如果某台机器存储了大量的节点而裁剪了边，若该机器是对边进行处理时就需要去其它的机器拉取边的信息，这就使得数据处理效率很低。为了解决该问题，可以采用混合切分方法进行优化，该混合切分方法主要是根据图结构中的节点度数的高低采用不同的切分策略，具体地低度节点用边切分来保持局部性，高度节点用点切分来降低节点备份，使整个图结构在并行性和存储上达到平衡。对于问题(2),在文本语料中可能存在部分词语出现频率高，部分词语出现频率低，那么对出现频率高的词语进行处理的机器就需要耗费大量的时间，而对出现频率低的词语进行处理的机器则会很快完成数据处理，但是数据处理逻辑是必须等所有的机器都完成自身的任务才能进行下一轮处理，这样就使得数据处理效率很低，为了解决该问题，可以通过多阶段聚合操作和mapjoin的方式进行缓解，也就是将对出现频率高的词语进行处理的任务划分为多个子任务，由多个机器同时执行子任务，然后将多个机器的处理结果整合到一起作为一个任务进行处理。对于问题(3),由于模型训练过程是多轮迭代的过程，通过不断正向传播反向调参的过程使得模型性能达到最优，也就是说会使用同一文本语料进行多次重复的模型训练，这就可能导致随着训练次数的增加，用于执行模型训练算法的机器挂掉，导致训练过程失败，因此可以采用合理的中间变量缓存或将重要的数据结构持久化以缓解该问题，使整个运行更顺畅，具体地可以直接斩断数据的依赖链，将中间结果缓存起来，在进行下一次数据处理时直接从中间结果这里开始，而不重复执行之前的流程。[0068]通过词嵌入表示学习方法能够从图计算的角度解决词嵌入表示问题，特别是使得词形学相近的词语的词嵌入在向量空间也拥有相近的距离，使得中文中同音字的相似性度量成为可能，并且本公开实施例中的词嵌入表示学习方法在千万节点、亿级边上学习大规模词嵌入只需要较少计算资源，且可在分钟级完成，性能高效。[0069]本公开基于词嵌入表示学习方法还提供了一种文本召回方法，图5示出了文本召回方法的流程示意图，如图5所述，该方法至少包括步骤S510-S530,具体为：[0070]在步骤S510中，获取搜索字符串，对所述搜索字符串进行分词处理，以获取搜索分[0071]在本公开的一个实施例中，用户通过输入设备在终端界面中输入搜索字符串，该搜索字符串可以是中文的，也可以是英文的，也可以是其它类型的字符串。在本公开实施例中，仍以中文搜索字符串为例进行说明，该搜索字符串例如可以是人名，根据搜索字符串获取与其匹配的人名的信息；例如可以是企业名称，根据搜索字符串在工商企业注册平台查[0072]在本公开的一个实施例中，在根据搜索字符串进行搜索召回之前，需要对搜索字符串进行预处理，即对搜索字符串进行分词处理，以获取搜索分词，例如搜索字符串为企业名称“XX科技有限责任公司”,通过分词可以获取搜索分词为“XX科技有限责任公司”。在获取搜索分词后，可以基于词嵌入查找表确定与搜索分词对应的词嵌入。[0073]在步骤S520中，根据所述搜索分词在词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入表示，所述词嵌入查找表是根据上述实施例中的词嵌入表示学习方法所获取的词嵌入查找表。[0074]在本公开的一个实施例中，当词嵌入查找表中包含数量足够的词语的嵌入向量时，可以根据搜索分词从词嵌入查找表中获取其所对应的词嵌入，具体地，首先根据词表确定搜索分词的编码，然后以搜索分词的编码为索引，在词嵌入查找表中查找对应的嵌入向量，该嵌入向量即为搜索分词的词嵌入表示。[0075]想要词嵌入查找表包含数量足够的词语的嵌入向量，一方面需要搜集近乎可以覆盖所有业务场景的语料，另一方面需要根据语料构建庞大的图结构，这对机器的存储及处理效率都是很大的挑战，因此为了进一步提高数据处理效率，避免00V问题，可以根据不同业务场景的文本语料构建图结构并进行词嵌入训练，以获取对应不同业务场景的词嵌入查找表，当获取搜索字符串后，可以确定搜索字符串对应的业务场景，并根据该业务场景在对应不同业务场景的词嵌入查找表中确定对应的目标词嵌入查找表，然后可以根据搜索分词在目标词嵌入查找表中查询获取与搜索分词对应的词嵌入，这样既可以提高模型训练效率和质量，又可以提高将搜索字符串转化为向量的效率。[0076]在步骤S530中，根据所有所述搜索分词对应的词嵌入获取与所述搜索字符串对应的搜索向量，并根据所述搜索向量和候选文本对应的文本向量确定召回文本。[0077]在本公开的一个实施例中，在获取与搜索字符串中各搜索分词对应的词嵌入后，可以将所有搜索分词对应的词嵌入按序拼接得到搜索字符串对应的搜索向量，进而根据该搜索向量与候选文本对应的文本向量进行匹配，以获取召回文本。[0078]在本公开的一个实施例中，文本召回时，候选文本的数量通常为多个，那么在根据搜索向量与候选文本对应的文本向量确定召回文本时，可以计算搜索向量与各候选文本的文本向量的第一相似度，并根据第一相似度确定召回文本，当第一相似度大于或等于预设相似度阈值时则将该候选文本作为召回文本进行召回，当第一相似度小于预设相似度阈值时则过滤掉该候选文本。第一相似度可以通过计算搜索向量与文本向量之间的余弦距离、欧式距离、汉明距离等距离确定，第一相似度越高表明对应的候选文本与搜索字符串越匹配。由于在词嵌入表示学习过程中，词形学相近的词语对应的词嵌入在向量空间具有相近的距离，因此根据第一相似度确定召回文本时，不仅能够召回包含搜索字符串的文本，还能召回包含与搜索字符串在词形学上相近的词语的文本，避免了因搜索字符串中存在错别字等原因导致的召回文本错误或召回文本缺失的情况，进而提高了用户体验。[0079]在本公开的一个实施例中，当搜索字符串及候选文本中仅包含词形学相近的词语时，可以通过上述实施例中的方式进行召回，例如人名召回、产品召回等，通过根据本公开实施例中的方法得到搜索人名及候选人名的词嵌入、搜索产品名及候选产品名的词嵌入，然后通过计算搜索人名的词嵌入与候选人名的词嵌入之间的相似度进行人名召回，或者通过计算搜索产品名的词嵌入与候选产品名的词嵌入之间的相似度进行产品召回。但是当搜索字符串及候选文本中包含多个不同属性的字段时，就需要根据不同属性的字段分别进行召回，例如搜索字符串除了包含词形学相近的词语，还包含语义相近的词语，那么就不能仅仅通过本公开实施例中的方法获取词嵌入然后计算相似度以进行召回。图6示出了获取召回文本的流程示意图，如图6所示，在步骤S601中，对候选文本及候选文本对应的文本向量进行倒排索引，并确定搜索向量与各文本向量之间的第二相似度，根据第二相似度进行初始召回；在步骤S602中，获取搜索字符串与初始召回得到的候选文本中具有相同属性的字段所对应的向量之间的第三相似度，根据第三相似度在初始召回得到的候选文本中进行再召回，以获取召回文本。其中，第二相似度和第三相似度与第一相似度的计算方式可以相[0080]以企业搜索为例，图7A-7B示出了企业搜索的界面示意图，如图7A所示，用户在终端的显示界面中输入所要查询的搜索企业名称，例如用户输入“腾迅科技(北京)有限公司”。在接收到该搜索企业名称后，首先可以通过序列标注模型将该企业名称分为四段：腾理位置属性，有限公司为企业的基本属性，那么在查询与该企业名称对应的企业信息时，就需要从这四个属性出发进行查询召回，而在这四个字段中只有企业字号涉及到词形学相近科技(北京)有限公司”,至于行业属性、基本属性则主要涉及语义问题，例如科技和技术在语义上是相近的，有限公司和有限责任公司在语义上是相近的。接着可以通过不同的向量转化方式对企业名称中不同属性的字段进行编码，其中对企业字号进行词嵌入转换可以采用本公开实施例中的词嵌入表示学习方法获取与企业搜索业务场景相关的词嵌入查找表，然后根据企业字号在词表中的编码在词嵌入查找表中确定其对应的词嵌入。在确定各个字段对应的向量后，即可获得搜索企业名称对应的搜索向量。在企业信息查询平台中进行查询时，可以根据搜索企业名称对应的搜索向量和数据库中存储的候选企业名称对应的文本向量进行匹配，并将匹配得到的候选企业名称返回至终端，供用户点击查看企业详情。[0081]其中，获取候选企业名称对应的文本向量的方法与搜索向量的方法相同，在此不再赘述。在将搜索向量和候选企业名称对应的文本向量进行匹配时，先在全量空间进行匹配，具体地先将候选企业名称以及对应的文本向量进行倒排索引，然后确定搜索企业名称对应的搜索向量与各个候选企业名称对应的文本向量的相似度，并将相似度大于预设阈值的候选企业名称召回，实现初始召回。初始召回后，可以确定搜索企业名称和初始召回的候选企业名称中具有相同属性的字段所对应的向量之间的相似度，然后将对应各个属性的相似度排序，根据预设的相似度阈值获取对应各个属性的候选企业名称，并将其中共有的候[0082]基于本公开中的词嵌入表示学习方法和文本召回方法能够召回包含搜索字符串的文本，还能召回包含与搜索字符串在词形学上相近的字符的文本，提高了召回数量和召回质量，避免了搜索字符串输入错误或识别错误导致的召回信息不准确、不完整的情况，进一步提高了用户体验。[0083]以下介绍本公开的装置实施例，可以用于执行本公开上述实施例中的词嵌入表示学习方法和文本召回方法。对于本公开装置实施例中未披露的细节，请参照本公开上述的词嵌入表示学习方法和文本召回方法的实施例。[0084]图8示意性示出了根据本公开的一个实施例的词嵌入表示学习装置的框图。[0085]参照图8所示，根据本公开的一个实施例的词嵌入表示学习装置800,包括：图构建模块801、采样模块802和词嵌入获取模块803。[0086]其中，图构建模块801,用于获取文本语料，对所述文本语料进行分词处理，并基于得到的分词和所述分词对应的发音信息构建图结构；采样模块802,用于以所述图结构中的各节点为初始节点，随机游走获取与所述初始节点对应的节点序列；词嵌入获取模块803,用于根据所述节点序列对词嵌入表示模型进行训练以获取词嵌入查找表，并基于所述词嵌入查找表确定与所述文本语料对应的词嵌入表示。[0087]在本公开的一个实施例中，所述文本语料为中文文本，所述发音信息为所述中文文本经分词处理所得到的各分词中每个字对应的拼音；所述图构建模块801配置为：以与所述中文文本对应的分词和所述拼音为节点，以所述分词、所述分词中的单字以及所述单字对应的拼音之间的关系为边，根据所述节点和所述边构建无向无环图。[0088]在本公开的一个实施例中，所述图构建模块801还配置为：在构建所述无向无环图时，根据预设规则对各所述边设置权重。[0089]在本公开的一个实施例中，所述边包括在拼音相同字不同以及拼音相近字相同的节点关系上建立的边。[0090]在本公开的一个实施例中，所述采样模块802配置为：获取预设的第一参数和第二参数，根据当前节点、与所述当前节点相邻的历史节点和未来节点、所述第一参数和所述第二参数确定所述当前节点跳到所述历史节点以及所述当前节点跳到所述未来节点的游走概率；根据所述游走概率确定游走方向，并基于所述游走方向确定所述节点序列。[0091]在本公开的一个实施例中，所述词嵌入获取模块803包括：预测信息获取单元，用于将所述节点序列输入至所述词嵌入表示模型，以获取预测信息；损失函数确定单元，用于根据所述预测信息和所述节点序列对应的标记信息确定损失函数；参数优化单元，用于基于所述损失函数对所述词嵌入表示模型的参数进行优化，以使所述损失函数的值达到最小，并将训练后的所述词嵌入表示模型中隐藏层所对应的嵌入矩阵作为所述词嵌入查找表。[0092]在本公开的一个实施例中，所述词嵌入获取模块803配置为：获取基于所述图结构构建的词表，并根据所述词表获取所述文本语料中的分词所对应的编码；根据所述编码在所述词嵌入查找表中确定与所述分词对应的词嵌入；根据所有所述分词对应的词嵌入确定与所述文本语料对应的词嵌入表示。[0093]图9示意性示出了根据本公开的一个实施例的文本召回装置的框图。[0094]参照图9所示，根据本公开的一个实施例的文本召回装置900,包括：分词模块901、词嵌入获取模块902和召回模块903。[0095]其中，分词模块901,用于获取搜索字符串，对所述搜索字符串进行分词处理，以获取搜索分词；词嵌入获取模块902,用于根据所述搜索分词在词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入，所述词嵌入查找表是根据上述实施例中的词嵌入表示学习方法所获取的词嵌入查找表；召回模块903,用于根据所有所述搜索分词对应的词嵌入获取与所述搜索字符串对应的搜索向量，并根据所述搜索向量和候选文本对应的文本向量确定召回文本。[0096]在本公开的一个实施例中，所述词嵌入获取模块902配置为：确定所述搜索字符串对应的业务场景，根据所述业务场景确定目标词嵌入查找表；根据所述搜索分词在所述目标词嵌入查找表中进行查询，以获取与所述搜索分词对应的词嵌入。[0097]在本公开的一个实施例中，所述候选文本的数量为多个；所述召回模块903包括：召回单元，用于获取所述搜索向量与各所述候选文本对应的文本向量之间的第一相似度，根据所述第一相似度确定所述召回文本。[0098]在本公开的一个实施例中，所述搜索字符串和所述候选文本包括多个不同属性的字段；所述召回单元配置为：根据所述候选文本及所述文本向量进行倒排索引，并确定所述搜索向量与各所述文本向量之间的第二相似度，根据所述第二相似度进行初始召回；获取所述搜索字符串与所述初始召回得到的候选文本中具有相同属性的字段所对应的向量之间的第三相似度，根据所述第三相似度在所述初始召回的结果中进行再召回，以获取所述[0099]图10示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。[0100]需要说明的是，图10示出的电子设备的计算机系统1000仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。[0101]如图10所示，计算机系统1000包括中央处理单元(CentralProcessingUnit,CPU)1001,其可以根据存储在只读存储器(Read-OnlyMemory,ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RandomAccessMemory,RAM)1003中的程序而执行各系统操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(Input/Output,I/O)接口1005也连接至总线1004。[0102]以下部件连接至I/0接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极器等的输出部分1007;包括硬盘等的存储部分1008;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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/0接口1005。可拆卸介质从其上读出的计算机程序根据需要被安装入存储部分1008。[0103]特别地，根据本公开的实施例，下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，本公开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程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本公开的系统中限定的各种功能。[0104]需要说明的是，本公开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