具体实施方式

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，提供这些示例实施方式使得本申请的描述将更加全面和完整，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。附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

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示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的示例实施方式的充分理解。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省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本申请的各方面变得模糊。

附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。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。

本申请提出了一种语义匹配方法，主要应用于人工智能领域中的自然语言处理。例如：将本申请所提出的语义匹配方法应用于自然语言处理相关的搜索引擎，使得搜索引擎可以根据该语义匹配方法向终端提供搜索服务。

其中，人工智能(Artificial Intelligence,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果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，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、推理与决策的功能。

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面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、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。

与本申请主要相关的，自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。

机器学习(Machine Learning,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。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

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，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

在详细展示本申请实施例的具体实施过程之前，首先对本申请所涉及的部分概念进行简要解释。

第一文本指的是被匹配的文本，在自然语言处理领域的应用中，一般为用户所输入的文本。例如：用户在终端的搜索框内输入文本“橘子”，文本“橘子”为第一文本；或者，用户向终端的语音助手发出语音“柚子”，语音转文本后得到的文本“柚子”为第一文本。

第二文本指的是用于与第一文本进行匹配，以确定其是否与第一文本所匹配的文本。其中，第二文本的数量大于等于二。例如：搜索引擎得到用户所输入的第一文本“橘子”后，将第二文本“橘子的种类”以及第二文本“秋季的水果中，苹果、石榴、柑橘哪一样最值得吃”分别与第一文本“橘子”进行匹配，以确定这两个第二文本中，具体哪一个第二文本与第一文本“橘子”所匹配。

第一关键词指的是第一文本所包含的关键词。

第二关键词指的是第二文本所包含的关键词。

图1示出了根据本申请一实施例的语义匹配的系统架构图。

参考图1所示，该实施例中，语义匹配的实施主要涉及到服务器10以及终端20。其中，服务器10可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端20可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

终端20作为第一文本的采集端，通过与外界的交互，采集包含第一文本信息的原始信息，并将该原始信息上传至服务器10。进而服务器10从该原始信息中提取出第一文本后，将该第一文本向预设的各第二文本进行命中得到第一命中结果，将第二文本分别向该第一文本进行命中得到第二命中结果，进而基于第一命中结果以及第二命中结果确定与该第一文本所匹配的第二文本。

其中，终端20所采集到的原始信息可以为外界通过点击或者其他交互方式所输入的文本信息，也可以为外界通过语音所输入的语音信息。

需要说明的是，该实施例只是示例性地展示了本申请可采用的系统架构，不应对本申请实施例的功能和范围造成限制。

需要说明的是，出于便于展示本申请实施例在实际应用中的具体实施过程的目的，均是以“搜索引擎根据本申请所提出的语义匹配方法向终端提供搜索服务”为应用场景详细展示后续的实施例。但并不代表本申请仅适用于该应用场景。

图2示出了根据本申请一实施例的语义匹配方法的流程图。

参考图2所示，本申请一实施例所提出的语义匹配方法包括：

步骤S310、获取第一文本以及待与第一文本进行匹配的至少两个第二文本；

步骤S320、基于文本语义，将第一文本向各第二文本进行命中，得到第一命中结果；

步骤S330、基于文本语义，将第二文本分别向第一文本进行命中，得到第二命中结果；

步骤S340、基于第一命中结果以及第二命中结果，确定与第一文本所匹配的第二文本。

本申请实施例中，对于被匹配的第一文本以及与第一文本进行匹配的第二文本，以第一文本与第二文本相互地、双向地进行命中的处理过程为基础，确定与第一文本所匹配的第二文本。通过这种方法，避免了单向语义匹配所导致的匹配偏差，提高了文本之间的相关性表达，从而提高了语义匹配的准确度。

在一实施例中，获取到待匹配的目标语音后，通过将该目标语音转换为文本得到该第一文本。

该实施例中，搜索引擎从终端获取到目标语音后，通过语音转文本组件(例如：预训练的语言模型组件)将该目标语音转换为文本，从而得到第一文本。

在一实施例中，通过关键词命中的方式进行命中处理。

该实施例中，搜索引擎将第一文本以及各第二文本分别进行分词后，得到各文本分别所包含的关键词。其中，文本所包含的关键词可以有多个。

针对当前进行命中处理的目标第二文本，搜索引擎确定第一文本所包含的第一关键词与该第二文本所包含的第二关键词的并集。进而通过将该并集中关键词的数目除以第一关键词的数目的方式，实现将第一文本向该目标第二文本进行命中，所得到的数值为第一命中结果。并且，通过将该并集中关键词的数目除以该第二关键词的数目的方式，实现将该目标第二文本向第一文本进行命中，所得到的数值为第二命中结果。

其中，通过这种方式得到的命中结果大于等于0且小于等于1，反映了命中程度。

例如：用于与第一文本进行匹配的两个第二文本分别记为第二文本A以及第二文本B。第一文本所包含的第一关键词有“橘子”以及“营养”，第二文本A所包含的第二关键词有“橘子”以及“产地”，第二文本B所包含的第二关键词有“橘子”、“柚子”以及“秋天”。

针对第二文本A，其第二关键词的数目为2，其第二关键词与第一关键词的并集为“橘子”。从而确定第一文本向第二文本A进行命中所得到的第一命中结果为1/2＝0.50，第二文本A向第一文本进行命中所得到的第二命中结果为1/2＝0.50。

针对第二文本B，其第二关键词的数目为3，其第二关键词与第一关键词的并集为“橘子”。从而确定第一文本向第二文本B进行命中所得到的第一命中结果为1/2＝0.50，第二文本B向第一文本进行命中所得到的第二命中结果为1/3＝0.33。

可以将命中结果的平均值作为对应的第二文本与第一文本的匹配度，则第二文本A与第一文本的匹配度为(0.50+0.50)/2＝0.50，第二文本B与第一文本的匹配度为(0.50+0.33)/2＝0.415。由此可见，相比于第二文本B，第二文本A与第一文本更为匹配。若采取将匹配度最高的第二文本作为与第一文本所匹配的第二文本的选取方式，则将第二文本A确定为与第一文本所匹配的第二文本。

该实施例的优点在于，通过在词汇维度上对关键词进行命中处理，快速高效地实现文本之间的双向命中。

在一实施例中，通过相似度矩阵以同时实现第一文本与第二文本之间的双向命中处理。

该实施例中，搜索引擎获取第一文本与各第二文本的相似度。其中，相似度所描述的可以为在文本的全文维度上，第一文本与对应的第二文本之间的语义相似程度；也可以为在组成文本的词汇维度上，第一文本所包含的关键词与对应的第二文本所包含的关键词之间的语义相似程度。

进而建立以相似度为矩阵元素的相似度矩阵。其中，当该相似度矩阵的行代表第一文本时，该相似度矩阵的列代表第二文本；当该相似度矩阵的行代表第二文本时，该相似度矩阵的列代表第一文本。

进而通过对该相似度矩阵进行矩阵变换，将第一文本向各第二文本进行命中的同时，将第二文本分别向第一文本进行命中，同时得到第一命中结果以及第二命中结果。

在一实施例中，用于与第一文本进行匹配的两个第二文本分别记为第二文本A以及第二文本B。第一文本包含两个关键词，分别记为q1，q2；第二文本A包含三个关键词，分别记为d1，d2，d3；第二文本B包含两个关键词，分别记为d4，d5。

将各关键词分别进行向量化处理后，得到各关键词分别对应的词向量。进而将词向量之间的向量距离作为关键词之间的相似度。进而以所得到的相似度为矩阵元素，建立如下所示的相似度矩阵MA以及MB。

相似度矩阵MA中，第一行以及第二行分别代表第一文本的q1以及q2；第一列、第二列以及第三列分别代表第二文本A的d1，d2，d3。

相似度矩阵MB中，第一行以及第二行分别代表第一文本的q1以及q2；第一列以及第二列分别代表第二文本B的d4以及d5。

q1d1代表q1与d1之间的相似度，q1d2代表q1与d2之间的相似度，同理，其他矩阵元素所代表含义在此不再赘述。

针对MA以及MB分别建立如下的参考矩阵MA0以及MB0。

进而，通过基于参考矩阵MA0对相似度矩阵MA进行变换，实现第一文本向第二文本A进行命中的同时，将第二文本A向第一文本进行命中。同理，通过基于参考矩阵MB0对相似度矩阵MB进行变换，实现第一文本向第二文本B进行命中的同时，将第二文本B向第一文本进行命中。

其中，可以通过确定相似度矩阵与对应的参考矩阵之间的相似度的方式，实现双向的命中处理。具体的，通过确定相似度矩阵MA与参考矩阵MA0之间的相似度，实现针对第二文本A的双向的命中处理；通过确定相似度矩阵MB与参考矩阵MB0之间的相似度，实现针对第二文本B的双向的命中处理。

还可以通过对相似度矩阵的行向量进行合并以及列向量进行合并，进而与对应参考矩阵的合并后行向量或者合并后列向量进行匹配的方式，实现双向的命中处理。具体的，针对相似度矩阵MA，将行向量(q1d1,q1d2,q1d3)以及行向量(q2d1,q2d2,q2d3)进行合并，得到相似度矩阵MA的合并后行向量(q1d1+q2d1,q1d2+q2d2,q1d3+q2d3)。将列向量(q1d1,q2d1)、列向量(q1d2,q2d2)以及列向量(q1d3,q2d3)进行合并，得到相似度矩阵MA的合并后列向量(q1d1+q1d2+q1d3,q2d1+q2d2+q2d3)。通过将相似度矩阵MA的合并后行向量(q1d1+q2d1,q1d2+q2d2,q1d3+q2d3)与参考矩阵MA0的合并后行向量(2,2,2)进行匹配，并且将相似度矩阵MA的合并后列向量(q1d1+q1d2+q1d3,q2d1+q2d2+q2d3)与参考矩阵MA0的合并后列向量(3,3,3)进行匹配，实现针对第二文本A的双向的命中处理。同理，在此不再赘述针对第二文本B的双向的命中处理。

该实施例的优点在于，通过在矩阵维度上实现文本之间的双向命中，丰富了语义信息，从而提高了语义匹配的准确度。

在一实施例中，通过对相似度矩阵进行池化处理，以同时实现第一文本与第二文本之间的双向命中处理。

该实施例中，搜索引擎采用预设的高斯核对相似度矩阵进行池化处理，得到池化后矩阵。相比于未进行池化处理前的相似度矩阵，池化后矩阵提高了感受视野，降低了优化难度。

进而当池化后矩阵的行代表第一文本时，基于池化后矩阵的行向量集合得到第一命中结果，基于池化后矩阵的列向量集合得到第二命中结果；当池化后矩阵的行代表第二文本时，基于池化后矩阵的列向量集合得到第一命中结果，基于池化后矩阵的行向量集合得到第二命中结果。

在一实施例中，采用多种高斯核分别对相似度矩阵进行池化处理，从而得到多种尺度下的第一命中结果以及第二命中结果。

该实施例的优点在于，通过多尺度下的命中处理，丰富了语义信息，从而提高了语义匹配的准确度。

在一实施例中，通过机器学习模型实现本申请所提出的语义匹配方法。

该实施例中，预先训练得到机器学习模型。该机器学习模型以第一文本以及各第二文本为输入，通过预训练得到的模型参数的处理，将第一文本向各第二文本进行命中得到第一命中结果，将第二文本分别向第一文本进行命中得到第二命中结果，进而在第一命中结果以及第二命中结果的基础上，确定与第一文本所匹配的第二文本。

该实施例的优点在于，通过机器学习模型实现本申请所提出的语义匹配方法，提高了语义匹配的处理集成度与模块化。

在一实施例中，用于实现本申请所提出的语义匹配方法的机器学习模型包括编码器层、命中处理层以及全连接层。

该实施例中，编码器层用于对输入模型的文本进行编码处理，得到第一文本对应的第一编码以及第二文本分别对应的第二编码。

编码器层输出的第一编码以及第二编码被输入命中处理层。命中处理层用于并行地实现第一文本与第二文本之间的双向命中处理。将第一编码向各第二编码进行命中，得到第一命中结果；并且，将第二编码分别向第一编码进行命中，得到第二命中结果。

命中处理层输出的第一命中结果以及第二命中结果被输入全连接层。全连接层用于基于该第一命中结果以及该第二命中结果，确定与第一文本所匹配的第二文本。具体的，全连接层通过分类器(例如：softmax函数)对该第一命中结果以及该第二命中结果进行分类处理，输出各第二文本与第一文本相匹配的概率，进而根据概率高低确定出与第一文本所匹配的第二文本。

在一实施例中，采用BERT作为本申请所提出的机器学习模型中的编码器层。

需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。

在一实施例中，采用矩阵化实现相似度矩阵的神经网络作为本申请所提出的机器学习模型中的命中处理层。

图3示出了根据本申请一实施例的机器学习模型结构示意图。

参考图3所示，该实施例中，用以实现语义匹配的机器学习模型包括由BERT组成的解码器层、由矩阵化实现相似度矩阵的神经网络组成的命中处理层以及通过分类器输出概率的全连接层。

该实施例中，输入BERT的第一文本Query(图中所示的q1到qm)与第二文本Doc(图中所示的d1到dn)被分隔符SEP所区分。通过对所输入的文本进行编码处理，BERT输出文本中每个词的token序列。

命中处理层将token序列进行平均，得到每个词的token embedding，进而在此基础上建立相似度矩阵，并根据预设的高斯核进行池化处理。

池化处理后得到的行向量以及列向量被输入全连接层。在分类器的处理下，输出第二文本Doc与第一文本Query相匹配的概率，进而在此基础上确定出与第一文本Query相匹配的第二文本Doc。

需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。

图4示出了根据本申请一实施例的语义匹配装置，所述装置包括：

获取模块410，配置为获取第一文本以及待与所述第一文本进行匹配的至少两个第二文本；

第一命中模块420，配置为基于文本语义，将所述第一文本向各所述第二文本进行命中，得到第一命中结果；

第二命中模块430，配置为基于文本语义，将所述第二文本分别向所述第一文本进行命中，得到第二命中结果；

匹配模块440，配置为基于所述第一命中结果以及所述第二命中结果，确定与所述第一文本所匹配的第二文本。

在本申请的一示例性实施例中，所述装置配置为：

获取所述第一文本与各所述第二文本的相似度；

建立以所述相似度为矩阵元素的相似度矩阵；

基于对所述相似度矩阵的变换处理，将所述第一文本向各所述第二文本进行命中的同时，将所述第二文本分别向所述第一文本进行命中，同时得到所述第一命中结果以及所述第二命中结果。

在本申请的一示例性实施例中，所述装置配置为：

采用预设的高斯核对所述相似度矩阵进行池化处理，得到池化后矩阵；

基于所述池化后矩阵的列向量集合以及行向量集合，得到所述第一命中结果以及所述第二命中结果。

在本申请的一示例性实施例中，所述装置配置为：

将所述第一文本以及目标第二文本进行分词，得到所述第一文本所包含的第一关键词以及所述目标第二文本所包含的第二关键词；

确定所述第一关键词与所述第二关键词的并集；

将所述并集中关键词的数目除以所述第一关键词的数目，得到所述第一命中结果；

将所述并集中关键词的数目除以所述第二关键词的数目，得到所述第二命中结果。

在本申请的一示例性实施例中，所述装置配置为：

将所述第一文本以及所述第二文本输入预设的机器学习模型；

通过所述机器学习模型将所述第一文本向各所述第二文本进行命中，得到所述第一命中结果；

通过所述机器学习模型将所述第二文本分别向所述第一文本进行命中，得到所述第二命中结果；

通过所述机器学习模型基于所述第一命中结果以及所述第二命中结果，确定与所述第一文本所匹配的第二文本。

在本申请的一示例性实施例中，所述装置配置为：

对作为输入的所述第一文本以及所述第二文本进行编码，得到所述第一文本对应的第一编码以及所述第二文本分别对应的第二编码；

将所述第一编码向各所述第二编码进行命中，得到所述第一命中结果；

将所述第二编码分别向所述第一编码进行命中，得到所述第二命中结果；

基于所述第一命中结果以及所述第二命中结果，确定与所述第一文本所匹配的第二文本。

在本申请的一示例性实施例中，所述装置配置为：采用BERT作为所述编码器层。

下面参考图5来描述根据本申请实施例的电子设备50。图5显示的电子设备50仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，电子设备50以通用计算设备的形式表现。电子设备50的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2中所示的各个步骤。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备50也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备50交互的设备通信，和/或与使得该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。输入/输出(I/O)接口550与显示单元540相连。并且，电子设备50还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备50的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。

在本申请的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述方法实施例部分描述的方法。

根据本申请的一个实施例，还提供了一种用于实现上述方法实施例中的方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由所附的权利要求指出。