具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和机构的描述。

图1是根据本公开第一实施例的示意图。如图1所示，本实施例的翻译模型的训练方法，具体可以包括如下步骤：

S101、获取第一训练数据，所述第一训练数据中包含多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果；

S102、构建包含记忆模块、编码模块与解码模块的神经网络模型，所述记忆模块用于根据当前的记忆向量与所述编码模块得到的第一编码向量，输出更新后的记忆向量与用于输入所述解码模块的第二编码向量；

S103、使用多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果训练所述神经网络模型，得到翻译模型。

本实施例的翻译模型的训练方法，通过构建包含记忆模块的神经网络模型，使得该神经网络模型结合由记忆模块动态更新的记忆向量来翻译第一训练文本，由于编码模块的输入中还包含第一训练文本的前文文本，因此记忆模块会根据前文信息不断地对记忆向量进行更新，从而实现由该神经网络模型使用更新后的记忆向量对下一个第一训练文本进行翻译的目的，使得训练得到的翻译模型能够结合更新之后的记忆向量与直接输入的前文文本这两种前文信息来进行当前文本的翻译，保证了在进行翻译时最大化地利用前文信息，提升了翻译模型所得到的翻译结果的准确性。

本实施例在执行S101获取第一训练数据时，可以将从同一篇章中获取的不同文本作为多个第一训练文本，每个第一训练文本为训练过程中的待翻译文本；每个第一训练文本的前文文本，具体为篇章中位于该第一训练文本之前的全部文本或者部分文本，本实施例可以将位于第一训练文本之前的连续多个文本，作为该第一训练文本的前文文本；多个第一训练文本的译文标注结果是预先标注的，第一训练文本的译文标注结果即为第一训练文本的正确翻译结果。

其中，本实施例中的第一训练文本与译文标注结果分别对应于不同的语种，即本实施例执行S101获取的第一训练数据为篇章级平行语料。

另外，本实施例在执行S101获取第一训练数据时，也可以从不同的篇章中获取多个第一训练文本；为了确保神经网络模型的训练准确性，需要使用属于同一篇章的多个第一训练文本来完成神经网络模型的一次训练过程，进而经过多次训练过程来得到翻译模型。

本实施例在执行S101获取了包含多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果的第一训练数据之后，执行S102构建包含记忆模块、编码模块与解码模块的神经网络模型。

本实施例执行S102所构建的神经网络模型中，编码模块为基于Transformer结构的编码器，该编码模块用于根据输入的第一训练文本与第一训练文本的前文文本，分别输出对应于第一训练文本的编码向量与对应于前文文本的编码向量；其中，本实施例中对应于文本的编码向量，具体为由文本中的各分词结果的编码结果所组成的向量序列。

本实施例中的编码模块在根据第一训练文本与第一训练文本的前文文本得到第一编码向量时，可以将对应于第一训练文本的编码向量与对应于前文文本的编码向量进行拼接，将拼接结果作为第一编码向量；还可以根据对应于第一训练文本的编码向量与对应于前文文本的编码向量，计算编码向量的平均值，将计算结果作为第一编码向量。

但是，在将文本的编码向量的拼接结果作为第一编码向量时，存在第一编码向量较为冗长的问题；在将文本的编码向量的平均值作为第一编码向量时，存在第一编码向量丢失文本信息的问题。

因此，为了避免第一编码向量的冗长与丢失文本信息的问题，提升所得的第一编码向量的准确性，本实施例中的编码模块在得到第一编码向量时，可以采用的可选实现方式为：根据所输入的起始符、第一训练文本与第一训练文本的前文文本，分别输出对应于起始符的编码向量、对应于第一训练文本的编码向量与对应于第一训练文本的前文文本的编码向量；将对应于起始符的编码向量作为第一编码向量。

其中，本实施例中作为编码模块的输入的起始符，是一个特殊的字符，表示输入的开始；编码模块根据第一训练文本与前文文本来得到起始符所对应的编码向量，由于对应于起始符的编码向量中会包含所输入文本的文本信息，因此本实施例将对应于起始符的编码向量作为第一编码向量输入到记忆模块。

本实施例还可以通过分隔符，将起始符、前文文本(包含前文文本中的不同文本)与第一训练文本进行分隔，从而根据所使用的分隔符，在解码模块的输出结果中确定与第一训练文本所对应的译文输出结果。

本实施例执行S102所构建的神经网络模型中，记忆模块可以基于循环神经网络(Recurrent Neural Network，RNN)实现，该记忆模块用于根据当前的记忆向量与编码模块得到的第一编码向量，输出更新后的记忆向量与用于输入解码模块的第二编码向量；其中，记忆模块使用的当前的记忆向量用于翻译当前的第一训练文本，输出的更新后的记忆向量用于翻译下一个第一训练文本。

也就是说，本实施例中的记忆模块根据当前输入的第一训练文本与第一训练文本的前文文本来更新当前所使用的记忆向量，通过更新记忆向量的方式来使得其不断地存储前文信息，进而实现充分地利用前文信息来进行翻译的目的，提升第一训练文本的翻译准确性。

可以理解的是，本实施例中对第一个第一训练文本进行翻译时，所使用的记忆向量可以为预设向量，该预设向量可以为零向量。

本实施例执行S102所构建的神经网络模型中，解码模块为基于Transformer结果的解码器，该解码模块用于根据记忆模块输出的第二解码向量与编码模块输出的对应于第一训练文本的编码向量与对应于前文文本的编码向量，输出对应于第一训练文本的译文输出结果。

本实施例在执行S102构建包含记忆模块、编码模块与解码模块的神经网络模型之后，执行S103使用多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果训练神经网络模型，得到翻译模型。

利用本实施例执行S103训练得到的翻译模型，在获取待翻译篇章之后，依次将待翻译篇章中的待翻译文本及其对应的前文文本作为翻译模型的输入，得到由翻译模型输出的对应每个待翻译文本的译文输出结果之后，即可得到该待翻译篇章的翻译结果。

具体地，本实施例在执行S103使用使用多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果训练神经网络模型，得到翻译模型时，可以采用的可选实现方式为：针对每个第一训练文本，将该第一训练文本与该第一训练文本的前文文本作为编码模块的输入，得到由编码模块输出的第一编码向量、对应于该第一训练文本的编码向量与对应于该前文文本的编码向量；将当前的记忆向量与第一编码向量作为记忆模块的输入，得到由记忆模块输出的更新后的记忆向量与第二编码向量，所输出的更新后的记忆向量用于下一个第一训练文本的翻译；将第二编码向量、对应于该第一训练文本的编码向量与对应于该前文文本的编码向量作为解码模块的输入，得到由解码模块输出的对应该第一训练文本的译文输出结果；使用该第一训练文本的译文标注结果与译文输出结果计算损失函数值，根据计算得到的损失函数值调整神经网络模型的参数，直至神经网络模型收敛，得到翻译模型。

本实施例通过上述方法，在利用第一训练文本的前文文本对神经网络模型进行训练的同时，通过神经网络模型中的记忆模块对存储有前文信息的记忆向量进行动态更新，实现了由该神经网络模型使用更新后的记忆向量对下一个第一训练文本进行翻译的目的，使得训练得到的翻译模型能够结合不断更新的记忆向量与直接输入的前文文本这两种前文信息来进行文本翻译，保证了在进行翻译时最大化地利用前文信息，提升了翻译模型所得到的翻译结果的准确性。

图2是根据本公开第二实施例的示意图。如图2所示，本实施例在执行S102“构建包含记忆模块、编码模块与解码模块的神经网络模型”时，具体可以包括如下步骤：

S201、获取第二训练数据，所述第二训练数据中包含多个第二训练文本；

S202、使用多个第二训练文本对目标模型进行预训练，得到预训练之后的目标模型中的目标编码模块的参数与目标解码模块的参数；

S203、构建包含记忆模块、编码模块与解码模块的神经网络模型，使用所述目标编码模块的参数对所述神经网络模型中的编码模块的参数进行初始化，使用所述目标解码模块的参数对所述神经网络模型中的解码模块的参数进行初始化。

第一训练数据的数量会影响翻译模型的翻译效果，由于篇章级平行语料较为稀少，因此本实施例采用预训练的方式，首先使用篇章级单语语料对目标模型进行预训练，然后再使用预训练之后的目标模型中的参数对神经网络模型中的参数进行初始化，从而实现在篇章级平行语料较少的情况下，提升翻译模型的翻译效果的目的。

本实施例在执行S201获取第二训练数据时，可以将同一篇章中的不同文本作为多个第二训练文本，即本实施例执行S201所获取的第二训练数据为篇章级单语语料。

本实施例中的目标模型包含目标编码模块与目标解码模块，目标模型可以为mBART模型；本实施例在执行S202时可以通过现有的预训练方式，使用多个第二训练文本对目标模型进行预训练，例如将第二训练文本进行掩码处理之后，使用掩码处理结果与第二训练文本来训练目标模型。

本实施例在执行S202完成对目标模型的预训练之后，即可得到预训练之后的目标模型中，目标编码模块的参数与目标解码模块的参数，进而在执行S203构建包含记忆模块、编码模块与解码模块的神经网络模型时，使用所得到的参数分别对神经网络模型中编码模块与解码模块的参数进行初始化。

图3是根据本公开第三实施例的示意图。如图3所示，本实施例的翻译方法，具体可以包括如下步骤：

S301、获取待翻译篇章，确定所述待翻译篇章中的待翻译文本与所述待翻译文本的前文文本；

S302、针对每个待翻译文本，将该待翻译文本与该待翻译文本的前文文本输入翻译模型，根据所述翻译模型的输出结果得到所述待翻译文本的译文输出结果；

S303、根据每个待翻译文本的译文输出结果，得到所述待翻译篇章的翻译结果。

本实施例的翻译方法，通过预先训练得到的翻译模型来对待翻译篇章进行翻译，由于该翻译模型能够结合不断更新的记忆向量与所输入的前文信息来进行待翻译文本的翻译，从而最大化地利用了前文信息，提升了所得到的翻译结果的准确性。

本实施例在执行S301获取待翻译篇章时，可以将用户输入的文档作为待翻译篇章，也可以将从网络上获取的文档作为待翻译篇章。

本实施例在执行S301确定待翻译篇章中的待翻译文本时，可以以句子为单位，将待翻译篇章中的全部句子作为待翻译文本；本实施例在执行S301确定待翻译文本的前文文本时，可以将待翻译篇章中位于待翻译文本之前的预设数量的文本作为前文文本，例如将位于待翻译文本之前的3个文本作为该待翻译文本的前文文本。

本实施例在执行S302针对每个待翻译文本，将该待翻译文本与该待翻译文本的前文文本输入翻译模型时，可以采用的可选实现方式为：将起始符、待翻译文本与待翻译文本的前文文本输入翻译模型，所输入的起始符用于翻译模型中的编码模块得到第一编码向量以输入记忆模块。

本实施例在执行S303根据每个待翻译文本的译文输出结果得到待翻译篇章的翻译结果时，可以按照待翻译文本在待翻译篇章中的顺序，依次拼接待翻译文本的译文输出结果，从而将译文输出结果的拼接结果作为待翻译篇章的翻译结果。

图4是根据本公开第四实施例的示意图。图4示出了本实施例的翻译流程图：将起始符、待翻译文本与待翻译文本的前文文本输入解码模块，得到解码模块输出的对应于起始符的第一编码向量、对应于待翻译文本的编码向量与对应于前文文本的编码向量；将当前的记忆向量与第一编码向量输入记忆模块，得到记忆模块输出的更新后的记忆向量与用于输入解码模块的第二编码向量；将第二解码向量、对应于待翻译文本的编码向量与对应于前文文本的编码向量作为编码信息输入解码模块，得到解码模块输出的对应于待翻译文本的译文输出结果。

图5是根据本公开第五实施例的示意图。如图5所示，本实施例的翻译模型的训练装置500，包括：

第一获取单元501、用于获取第一训练数据，所述第一训练数据中包含多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果；

构建单元502、用于构建包含记忆模块、编码模块与解码模块的神经网络模型，所述记忆模块用于根据当前的记忆向量与所述编码模块得到的第一编码向量，输出更新后的记忆向量与用于输入所述解码模块的第二编码向量；

训练单元503、用于使用多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果训练所述神经网络模型，得到翻译模型。

第一获取单元501在获取第一训练数据时，可以将从同一篇章中获取的不同文本作为多个第一训练文本，每个第一训练文本为训练过程中的待翻译文本；每个第一训练文本的前文文本，具体为篇章中位于该第一训练文本之前的全部文本或者部分文本；多个第一训练文本的译文标注结果是预先标注的，第一训练文本的译文标注结果即为第一训练文本的正确翻译结果。

其中，本实施例中的第一训练文本与译文标注结果分别对应于不同的语种，即第一获取单元501获取的第一训练数据为篇章级平行语料。

另外，第一获取单元501在获取第一训练数据时，也可以从不同的篇章中获取多个第一训练文本；为了确保神经网络模型的训练准确性，需要使用属于同一篇章的多个第一训练文本来完成神经网络模型的一次训练过程，进而经过多次训练过程来得到翻译模型。

本实施例在由第一获取单元501获取了包含多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果的第一训练数据之后，由构建单元502构建包含记忆模块、编码模块与解码模块的神经网络模型。

构建单元502所构建的神经网络模型中，编码模块为基于Transformer结构的编码器，该编码模块用于根据输入的第一训练文本与第一训练文本的前文文本，分别输出对应于第一训练文本的编码向量与对应于前文文本的编码向量；其中，本实施例中对应于文本的编码向量，具体为由文本中的各分词结果的编码结果所组成的向量序列。

构建单元502中的编码模块在根据第一训练文本与第一训练文本的前文文本得到第一编码向量时，可以将对应于第一训练文本的编码向量与对应于前文文本的编码向量进行拼接，将拼接结果作为第一编码向量；还可以根据对应于第一训练文本的编码向量与对应于前文文本的编码向量，计算编码向量的平均值，将计算结果作为第一编码向量。

为了避免第一编码向量的冗长与丢失文本信息的问题，提升所得的第一编码向量的准确性，构建单元502中的编码模块在得到第一编码向量时，可以采用的可选实现方式为：根据所输入的起始符、第一训练文本与第一训练文本的前文文本，分别输出对应于起始符的编码向量、对应于第一训练文本的编码向量与对应于第一训练文本的前文文本的编码向量；将对应于起始符的编码向量作为第一编码向量。

其中，本实施例中作为编码模块的输入的起始符，是一个特殊的字符，表示输入的开始；编码模块根据第一训练文本与前文文本来得到起始符所对应的编码向量，由于对应于起始符的编码向量中会包含所输入文本的文本信息，因此本实施例将对应于起始符的编码向量作为第一编码向量输入到记忆模块。

本实施例还可以通过分隔符，将起始符、前文文本(包含前文文本中的不同文本)与第一训练文本进行分隔，从而根据所使用的分隔符，在解码模块的输出结果中确定与第一训练文本所对应的译文输出结果。

构建单元502所构建的神经网络模型中，记忆模块可以基于循环神经网络(Recurrent Neural Network，RNN)实现，该记忆模块用于根据当前的记忆向量与编码模块得到的第一编码向量，输出更新后的记忆向量与用于输入解码模块的第二编码向量；其中，记忆模块使用的当前的记忆向量用于翻译当前的第一训练文本，输出的更新后的记忆向量用于翻译下一个第一训练文本。

也就是说，构建单元502所构建的记忆模块根据当前输入的第一训练文本与第一训练文本的前文文本来更新当前所使用的记忆向量，通过更新记忆向量的方式来使得其不断地存储前文信息，进而实现充分地利用前文信息来进行翻译的目的，提升第一训练文本的翻译准确性。

可以理解的是，本实施例中对第一个第一训练文本进行翻译时，所使用的记忆向量可以为预设向量，该预设向量可以为零向量。

构建单元502所构建的神经网络模型中，解码模块为基于Transformer结果的解码器，该解码模块用于根据记忆模块输出的第二解码向量与编码模块输出的对应于第一训练文本的编码向量与对应于前文文本的编码向量，输出对应于第一训练文本的译文输出结果。

构建单元502在构建包含记忆模块、编码模块与解码模块的神经网络模型时，还可以采用以下方式：获取第二训练数据，所获取的第二训练数据中包含多个第二训练文本；使用多个第二训练文本对目标模型进行预训练，得到预训练之后的目标模型中的目标编码模块的参数与目标解码模块的参数；构建包含记忆模块、编码模块与解码模块的神经网络模型，使用目标编码模块的参数对神经网络模型中的编码模块的参数进行初始化，使用目标解码模块的参数对神经网络模型中的解码模块的参数进行初始化。

构建单元502在获取第二训练数据时，可以将同一篇章中的不同文本作为多个第二训练文本，即构建单元502所获取的第二训练数据为篇章级单语语料。

本实施例中的目标模型包含目标编码模块与目标解码模块，目标模型可以为mBART模型；构建单元502可以通过现有的预训练方式，使用多个第二训练文本对目标模型进行预训练，例如将第二训练文本进行掩码处理之后，使用掩码处理结果与第二训练文本来训练目标模型。

本实施例在由构建单元502构建包含记忆模块、编码模块与解码模块的神经网络模型之后，由训练单元503使用多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果训练神经网络模型，得到翻译模型。

利用训练单元503训练得到的翻译模型，在获取待翻译篇章之后，依次将待翻译篇章中的待翻译文本及其对应的前文文本作为翻译模型的输入，得到由翻译模型输出的对应每个待翻译文本的译文输出结果之后，即可得到该待翻译篇章的翻译结果。

具体地，训练单元503在使用使用多个第一训练文本、多个第一训练文本的前文文本与多个第一训练文本的译文标注结果训练神经网络模型，得到翻译模型时，可以采用的可选实现方式为：针对每个第一训练文本，将该第一训练文本与该第一训练文本的前文文本作为编码模块的输入，得到由编码模块输出的第一编码向量、对应于该第一训练文本的编码向量与对应于该前文文本的编码向量；将当前的记忆向量与第一编码向量作为记忆模块的输入，得到由记忆模块输出的更新后的记忆向量与第二编码向量；将第二编码向量、对应于该第一训练文本的编码向量与对应于该前文文本的编码向量作为解码模块的输入，得到由解码模块输出的对应该第一训练文本的译文输出结果；使用该第一训练文本的译文标注结果与译文输出结果计算损失函数值，根据计算得到的损失函数值调整神经网络模型的参数，直至神经网络模型收敛，得到翻译模型。

图6是根据本公开第六实施例的示意图。如图6所示，本实施例的翻译装置600，包括：

第二获取单元601、用于获取待翻译篇章，确定所述待翻译篇章中的待翻译文本与所述待翻译文本的前文文本；

翻译单元602、用于针对每个待翻译文本，将该待翻译文本与该待翻译文本的前文文本输入翻译模型，根据所述翻译模型的输出结果得到所述待翻译文本的译文输出结果；

处理单元603、用于根据每个待翻译文本的译文输出结果，得到所述待翻译篇章的翻译结果。

第二获取单元601在获取待翻译篇章时，可以将用户输入的文档作为待翻译篇章，也可以将从网络上获取的文档作为待翻译篇章。

第二获取单元601确定待翻译篇章中的待翻译文本时，可以以句子为单位，将待翻译篇章中的全部句子作为待翻译文本；第二获取单元601在确定待翻译文本的前文文本时，可以将待翻译篇章中位于待翻译文本之前的预设数量的文本作为前文文本。

翻译单元602在针对每个待翻译文本，将该待翻译文本与该待翻译文本的前文文本输入翻译模型时，可以采用的可选实现方式为：将起始符、待翻译文本与待翻译文本的前文文本输入翻译模型，所输入的起始符用于翻译模型中的编码模块得到第一编码向量以输入记忆模块。

处理单元603在根据每个待翻译文本的译文输出结果得到待翻译篇章的翻译结果时，可以按照待翻译文本在待翻译篇章中的顺序，依次拼接待翻译文本的译文输出结果，从而将译文输出结果的拼接结果作为待翻译篇章的翻译结果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

如图7所示，是根据本公开实施例的翻译模型的训练与翻译方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如翻译模型的训练与翻译方法。例如，在一些实施例中，翻译模型的训练与翻译方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。

在一些实施例中，计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的翻译模型的训练与翻译方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行翻译模型的训练与翻译方法。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。