语句所记述事件的发生时间推定方法、设备及存储介质

摘要

本发明公开了一种语句所记述事件的发生时间推定方法、设备及存储介质，通过获取文本中包含时间信息的时间语句并分类，计算各类别的第一特征向量，同时计算待推语句的第二特征向量，将第二特征向量与各第一特征向量进行匹配，根据匹配结果确定待推语句所记述事件的发生时间。这样，通过将语句进行数字化，就使得文本中不含有时间信息的待推语句可以通过数字化之后的向量匹配找到文本中内容最接近的时间语句，从而根据该时间语句推定该待推语句所记述的事件的发生时间。这就使得在对文本生成摘要的过程中，可以很大程度上避免对文本的关键信息造成的损失，保证摘要对文本关键信息提取的完整性。

说明书

技术领域

本发明涉及信息技术领域，更具体地说，涉及一种语句所记述事件的发生时间推定方法、设备及存储介质。

背景技术

随着社会的不断发展，人们日常生活中的信息交互也愈加频繁。文本，作为人们日常生活中一种重要的交互工具，其通过文字将信息传递给他人。在通过文本进行信息交互时，由于文本本身可能携带的大量信息，为便于其他人选择是否阅读，往往需要对文本进行归纳生成摘要。对于大多数文本而言，摘要需要体现出文本语句所记述的事件及其发生时间，尤其是对新闻等对于时间需求极为敏锐的文本而言，在摘要中准确体现出事件的发生时间极为关键。而在当前生成摘要的过程中，其采用的方式是抽取文本中含有时间信息的语句，过滤掉那些不含时间信息的语句，从而组成摘要。而在实际情况中，文本中不含时间信息的语句占大多数，而某些不含时间信息的语句中往往包含有重大信息。因此，简单的过滤掉那些不含时间信息的语句，而单纯采用含有时间信息的语句构成文本的摘要，在很大概率上会损失文本的关键信息，从而严重影响用户对该文本是否阅读的判断，因此，急需提出一种可以对文本语句所记述事件的发生时间进行推定的方法。

发明内容

本发明要解决的技术问题在于：在当前生成摘要的过程中，是简单的过滤掉那些不含时间信息的语句，而单纯采用含有时间信息的语句构成文本的摘要，这会在很大概率上会损失文本的关键信息，从而严重影响用户对该文本是否阅读的判断，用户体验差。针对该技术问题，本发明提供了一种语句所记述事件的发生时间推定方法、设备及存储介质。

为解决上述技术问题，本发明提供一种语句所记述事件的发生时间推定方法，所述语句所记述事件的发生时间推定方法包括：

获取文本中包含时间信息的语句作为时间语句，所述文本为需要推定时间的待推语句所在的文本；

根据所述时间信息对各所述时间语句进行分类，并基于各类别中的时间语句计算属于该类别的第一特征向量，所述第一特征向量为各所述类别中时间语句的数字化表征向量；

计算所述文本中需要推定时间的待推语句的第二特征向量，所述第二特征向量为所述待推语句的数字化表征向量；

将所述第二特征向量与各所述第一特征向量进行匹配，并根据匹配结果确定所述待推语句所记述事件的发生时间。

进一步地，所述获取文本中包含时间信息的语句作为时间语句包括：

获取包含明确时间信息的第一时间语句；

和/或，

获取包含时间推定信息的第二时间语句。

进一步地，所述根据所述时间信息对各所述时间语句进行分类包括：

针对获取到的所述第一时间语句：

根据各所述第一时间语句所包含的明确时间信息对各所述第一时间语句进行分类；

针对获取到的所述第二时间语句：

基于所述文本的发表时间或该第二时间语句的前一时间语句对应的时间，根据所述第二时间语句所包含的所述时间推定信息推定所述第二时间语句对应的时间；

根据所述第二时间语句对应的时间，对各所述第二时间语句进行分类。

进一步地，所述基于各类别中的时间语句计算属于该类别的第一特征向量包括：

调用分词器对各所述类别中的所述时间语句进行分词处理；

利用词向量算法计算各所述类别中的词语的词向量；

基于所述词向量计算各所述类别的第一特征向量；

所述计算所述文本中需要推定时间的待推语句的第二特征向量包括：

调用分词器对所述待推语句进行分词处理；

利用词向量算法计算所述待推语句中的词语的词向量；

基于所述词向量计算所述待推语句的第二特征向量。

进一步地，所述调用分词器对各所述类别中的所述时间语句进行分词处理之后还包括：

利用关键词抽取算法抽取进行分词处理的各词语中的关键词以及各所述关键词的权重；

利用词向量算法计算所述关键词的词向量；

根据各所述关键词的词向量和权重计算各所述类别的第一特征向量；

所述调用分词器对所述待推语句进行分词处理之后还包括：

利用关键词抽取算法抽取所述进行分词处理的各词语中的关键词以及各所述关键词的权重；

利用词向量算法计算所述关键词的词向量；

根据各所述关键词的词向量和权重计算所述待推语句的第二特征向量。

进一步地，所述根据各所述关键词的词向量和权重计算各所述类别的第一特征向量包括：

根据下述公式F(t)分别计算各所述类别的第一特征向量：

上式中，所述m表示所述类别中的时间语句的个数，所述num(Si)表示时间语句Si中抽取的关键词个数，所述Vec(keywordj)表示时间语句Si中第j个关键词的词向量，所述Wgt(keywordj)表示时间语句Si中第j个关键词的权重；

所述根据各所述关键词的词向量和权重计算所述待推语句的第二特征向量包括：

根据下述公式F(S)分别计算所述待推语句对应的第二特征向量：

上式中，所述k表示从待推语句S中抽取的关键词个数，Vec(keywordj)表示待推语句S中第j个关键词的词向量，Wgt(keywordj)表示待推语句S中第j个关键词的权重。

进一步地，所述将所述第二特征向量与各所述第一特征向量进行匹配，并根据匹配结果确定所述待推语句所记述事件的发生时间包括：

通过相似度算法计算所述第二特征向量与各所述第一特征向量的相似度；

根据计算得到了相似度最大值的第一特征向量对应的类别确定所述待推语句所记述事件的发生时间。

进一步地，所述根据计算得到了相似度最大值的第一特征向量对应的类别确定所述待推语句所记述事件的发生时间包括：

判定计算得到的所述相似度最大值是否大于预设阈值；

若是，确定计算得到了所述相似度最大值的第一特征向量对应类别所表征的时间为所述待推语句所记述事件的发生时间。

进一步地，本发明还提供了一种语句所记述事件的发生时间推定设备，所述语句所记述事件的发生时间推定设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的语句所记述事件的发生时间推定程序；

所述处理器运行所述语句所记述事件的发生时间推定程序以实现上述语句所记述事件的发生时间推定方法的步骤。

进一步地，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有语句所记述事件的发生时间推定程序，所述语句所记述事件的发生时间推定程序被处理器执行时实现上述语句所记述事件的发生时间推定方法的步骤。

有益效果

本发明提供的一种语句所记述事件的发生时间推定方法、设备及存储介质，通过获取需要推定时间的待推语句所在的文本中包含时间信息的语句作为时间语句，再根据时间信息对各时间语句进行分类，并基于各类别中的时间语句计算属于该类别的第一特征向量(第一特征向量为各所述类别中时间语句的数字化表征向量)，同时计算待推语句的第二特征向量(第二特征向量为所述待推语句的数字化表征向量)，将第二特征向量与各第一特征向量进行匹配，根据匹配结果确定待推语句所记述事件的发生时间。这样，通过将文本中的语句进行数字化，就使得文本中不含有时间信息的待推语句可以通过数字化之后的向量匹配从而找到文本中与之内容最接近的含有时间信息的时间语句，从而根据该时间语句中时间推定该待推语句所记述的事件的发生时间。这就使得在对文本生成摘要的过程中，可以很大程度上避免对文本的关键信息造成的损失，保证摘要对文本关键信息提取的完整性，从而最大程度上保证用户可以客观地对是否阅读该文本进行判断，提升了用户体验。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为实现本发明各个实施例一个可选的服务器的硬件结构示意图；

图2为实现本发明各个实施例一个可选的终端的硬件结构示意图；

图3为本发明第一实施例提供的一种语句所记述事件的发生时间推定方法流程示意图；

图4为本发明第一实施例提供的一种针对获取到的第二时间语句进行分类的流程示意图；

图5为本发明第一实施例提供的一种基于各类别中的时间语句计算属于该类别的第一特征向量的具体流程示意图；

图6为本发明第一实施例提供的一种计算待推语句的第二特征向量的具体流程示意图；

图7为本发明第一实施例提供的一种确定待推语句所记述事件的发生时间的具体流程示意图；

图8为本发明第二实施例提供的一种具体的语句所记述事件的发生时间推定方法实施流程图；

图9为本发明第三实施例提供的一种语句所记述事件的发生时间推定设备的结构示意图；

图10为本发明第四实施例提供的一种新闻通知显示界面图；

图11为本发明第四实施例提供的一种服务器与用户终端的交互示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

如图1所示，为实现本发明各个实施例一个可选的服务器的硬件结构示意图，该服务器至少包括：输入输出(IO)总线11、处理器12、存储器13、内存14和通信装置15。其中，

输入输出(IO)总线11分别与自身所属的服务器的其它部件(处理器12、存储器13、内存14和通信装置15)连接，并且为其它部件提供传送线路。

处理器12通常控制自身所属的服务器的总体操作。例如，处理器12执行计算和确认等操作。其中，处理器12可以是中央处理器(CPU)。

存储器13存储处理器可读、处理器可执行的软件代码，其包含用于控制处理器12执行本文描述的功能的指令(即软件执行功能)。

其中，本发明提供的链接分享程序的软件代码可存储在存储器13中，并由处理器12执行或编译后执行。

内存14，一般采用半导体存储单元，包括随机存储器(RAM)，只读存储器(ROM)，以及高速缓存(CACHE)，RAM是其中最重要的存储器。内存14是计算机中重要的部件之一，它是与CPU12进行沟通的桥梁，计算机中所有程序的运行都是在内存中进行的，其作用是用于暂时存放CPU12中的运算数据，以及与硬盘等外部存储器交换的数据，只要计算机在运行中，CPU12就会把需要运算的数据调到内存中进行运算，当运算完成后CPU12再将结果传送出来。

通信装置15，通常包括一个或多个组件，其允许自身所属的服务器与无线通信系统或网络之间的无线电通信。

如图2所示，其为实现本发明各个实施例的一种终端的硬件结构示意图，本发明各个实施例中终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、可穿戴设备等移动终端，以及诸如数字TV、台式计算机等固定终端。

该终端200可以包括：RF(Radio Frequency，射频)单元201、WiFi模块202、音频输出单元203、A/V(音频/视频)输入单元204、传感器205、显示单元206、用户输入单元207、接口单元208、存储器209、处理器210、以及电源211等部件。本领域技术人员可以理解，图2中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图2对终端的各个部件进行具体的介绍：

射频单元201可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器210处理；另外，将上行的数据发送给基站。此外，射频单元201还可以通过无线通信与网络和其他设备通信。

终端通过WiFi模块202可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。

音频输出单元203可以在终端200处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元201或WiFi模块202接收的或者在存储器209中存储的音频数据转换成音频信号并且输出为声音。

A/V输入单元204用于接收音频或视频信号。A/V输入单元204可以包括图形处理器2041和麦克风2042，图形处理器2041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。麦克风2042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风2042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。

终端200还包括至少一种传感器205，比如光传感器、运动传感器、指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等。

显示单元206用于显示由用户输入的信息或提供给用户的信息。显示单元206可包括显示面板2061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板2061。

用户输入单元207可用于接收输入的数字或字符信息，以及产生与终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元207可包括触控面板2071以及其他输入设备2072。触控面板2071，也称为触控屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板2071上或在触控面板2071附近的操作)，并根据预先设定的程式驱动相应的连接装置。除了触控面板2071，用户输入单元207还可以包括其他输入设备2072。具体地，其他输入设备2072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种，具体此处不做限定。

进一步的，触控面板2071可覆盖显示面板2061，当触控面板2071检测到在其上或附近的触摸操作后，传送给处理器210以确定触摸事件的类型，随后处理器210根据触摸事件的类型在显示面板2061上提供相应的视觉输出。虽然在图2中，触控面板2071与显示面板2061是作为两个独立的部件来实现终端的输入和输出功能，但是在某些实施例中，可以将触控面板2071与显示面板2061集成而实现终端的输入和输出功能，具体此处不做限定。

接口单元208用作至少一个外部装置与终端200连接可以通过的接口。接口单元208可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到终端200内的一个或多个元件或者可以用于在终端200和外部装置之间传输数据。

存储器209可用于存储软件程序以及各种数据。存储器209可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器209可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器210是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器209内的软件程序和/或模块，以及调用存储在存储器209内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。处理器210可包括一个或多个处理单元；优选的，处理器210可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器210中。

终端200还可以包括给各个部件供电的电源211(比如电池)，优选的，电源211可以通过电源管理系统与处理器210逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管图2未示出，终端200还可以包括蓝牙模块等，在此不再赘述。

以下通过具体实施例进行详细说明。

第一实施例

本发明提供了一种语句所记述事件的发生时间推定方法，参照图3，图3为本发明第一实施例提供的语句所记述事件的发生时间推定方法流程示意图，包括：

S301:获取文本中包含时间信息的语句作为时间语句；

本实施例中的文本为需要推定时间的待推语句所在的文本。需要推定时间的待推语句包括：在文本中包含有关键信息的且不含时间信息的语句。

本市实施例中，可以通过提取关键句的方式来确定包含关键信息的语句，所提取的关键句中不含时间信息的部分语句即为需要推定时间的待推语句。例如，使用关键句抽取算法或新闻主角识别算法，找出直接或间接包含主角信息的语句，这些语句即为文本中的关键句，其中不含时间信息的语句即为需要推定时间的待推语句。

应当理解的是，对于自身含有时间信息的关键句，其所记述事件的发生时间即以该剧自身所包含的时间信息为准，不需要进行推定。基于自身含有时间信息的关键句，以及推定到时间的待推语句，可以组成文本摘要。应当理解的是，对于文本摘要而言，其具体构成并不限定于仅包含自身含有时间信息的关键句以及推定到时间的待推语句，其具体构成由文本摘要生成的具体规则决定。

S302:根据该时间信息对各时间语句进行分类；

在本实施例中，具体的，可以根据时间信息确定的各时间语句对应的时间，将对应时间相同或相近的时间语句归为一个类别。对于将对应时间相近的时间语句归为一个类别而言，其归类规则受限于待推语句需要推定时间的时间精度，例如待推语句需要推定时间的时间精度为具体某天时，可以将对应的时间为同一天的时间语句归为一个类别，如可以将对应时间分别为5月19号，5月19号17点，和5月19号18点的三个时间语句归为同一类别。

应当理解的是，本实施例中的类别可以通过时间戳或时间戳容器来表征。

S303:基于各类别中的时间语句计算属于该类别的第一特征向量；

本实施例中，第一特征向量为各类别中时间语句的数字化表征向量，是对各类别中时间语句的内容的数字化表示。具体的，可以根据各时间语句所包含的词语计算对应的词向量，从而进一步计算得到第一特征向量。应当理解的是，本实施例中根据各时间语句所包含的词语计算对应的词向量可以采用诸如Word2Vec模型等词向量算法来进行。

S304:计算文本中需要推定时间的待推语句的第二特征向量；

在本实施例中，第二特征向量为待推语句的数字化表征向量，是对待推语句的内容的数字化表示。具体的，可以根据待推语句所包含的词语计算对应的词向量，从而进一步计算得到第二特征向量。应当理解的是，本实施例中根据待推语句所包含的词语计算对应的词向量同样可以采用诸如Word2Vec模型等词向量算法来进行。

应当理解的是，本实施例中步骤S303和步骤S304之间不存在绝对的操作时序。

S305:将第二特征向量与各第一特征向量进行匹配，并根据匹配结果确定该待推语句所记述事件的发生时间。

应当理解的是，本实施例中，第二特征向量与第一特征向量的相似度越高，则表示该待推语句中的内容与第一特征向量对应的类别中的时间语句的内容越接近，即该待推语句所记述事件与第一特征向量对应的类别中的时间语句所记述事件越接近，即越匹配。

在本实施例中，是根据匹配到的相似度最高的第一特征向量对应类别所表征的时间作为推定的该待推语句所记述事件的发生时间。

值得注意的是，本实施例中时间语句中的时间信息可能包含有明确时间信息(例如X年X月X日等)，此时可直接根据该明确时间信息确定该时间语句对应的时间；本实施例中时间语句中的时间信息也可能不包含有明确时间信息，而是包含可供进行时间推定的时间推定信息(例如明天、后天、昨天、上周、去年等)，此时可以通过该时间推定信息在文本的发表时间间或该时间语句的前一时间语句对应的时间的基础上推定该时间语句对应的时间。

此时，获取文本中包含时间信息的语句作为时间语句即包括：获取包含明确时间信息的第一时间语句；和/或，获取包含时间推定信息的第二时间语句。

而根据时间信息对各时间语句进行分类时，针对获取到的第一时间语句进行分类包括：

根据各第一时间语句所包含的明确时间信息对各第一时间语句进行分类。

参见图4，针对获取到的第二时间语句进行分类包括：

S401:基于文本的发表时间或该第二时间语句的前一时间语句对应的时间，根据该第二时间语句所包含的时间推定信息推定该第二时间语句对应的时间；

在本实施例中，一种可行的方式是：将所有的时间推定信息都基于文本的发表时间进行第二时间语句对应时间的推定。具体的，可以根据公式T＝t±Pattern(m)，调用时间信息模式库进行推定。其中，T表示计算得到的第二时间语句对应时间，t为文本的发表时间，m为时间推定信息，Pattern函数调用时间信息模式库，识别时间信息。当m描述的是“昨天”、“上周”、“去年”等时间模式时，公式的等号右边取“减号”，当m描述的是“明天”、“下周”等时间模式时，公式的等号右边取“加号”，函数Pattern(m)的具体取值取决于时间推定信息的偏移量。

在本实施例中，另一种可行的方式是：将部分第二时间语句的时间推定信息基于文本的发表时间进行时间推定，将部分第二时间语句的时间推定信息基于该第二时间语句的前一时间语句对应的时间进行时间推定。具体的，对于无前一时间语句的第二时间语句，基于文本的发表时间进行时间推定，方式与上段相同；对于有前一时间语句的第二时间语句，基于前一时间语句的对应的时间进行时间推定，采用公式T＝t₁±Pattern(m)进行计算，其中T表示计算得到的第二时间语句对应时间，t₁为该第二时间语句的前一时间语句对应的时间，m为时间推定信息，Pattern函数调用时间信息模式库，识别时间信息。

本实施例中，对于文本的发表时间的获取可以是通过对文本的标题及其附属信息进行提取从而得到。

S402:根据各第二时间语句对应的时间，对各第二时间语句进行分类。

应当理解的是，本实施例中进行时间语句分类时，是将时间相同或相近的时间语句归为同一类别，该类别中可能同时存在第一时间语句和第二时间语句。

在本实施例中，参见图5，一种基于各类别中的时间语句计算属于该类别的第一特征向量的具体方式是：

S501:调用分词器对各类别中的时间语句进行分词处理；

S502:利用词向量算法计算各类别中的词语的词向量；

S503:基于词向量计算各类别的第一特征向量。

应当理解的是，对于分词器分词得到的词语，在实际应用中，有很多词语实际上是不必要的，因此，可以利用关键词抽取算法抽取各类别的词语中的关键词以及各关键词的权重。应当理解的是，在采用关键词抽取算法抽取关键词时，关键词抽取算法本身即可对应生成各关键词的权重。例如可以采用textrank、TF-IDF、TF-IWF等算法。

在本实施例中，若对分词器分词得到的词语抽取了关键词以及各关键词的权重，则在步骤S502时，利用词向量算法计算的是各类别中的关键词的词向量，此时，步骤S503即为根据各关键词的词向量和权重计算各类别的第一特征向量。

具体的，可以采用下述公式F(t)分别计算各类别的第一特征向量：

上式中，m表示各类别中的时间语句的个数，num(S_i)表示时间语句S_i中抽取的关键词个数，Vec(keyword_j)表示时间语句S_i中第j个关键词的词向量，Wgt(keyword_j)表示时间语句S_i中第j个关键词的权重。

在本实施例中，参见图6，一种计算待推语句的第二特征向量的具体方式是：

S601:调用分词器对待推语句进行分词处理；

S602:利用词向量算法计算待推语句中的词语的词向量；

S603:基于词向量计算待推语句的第二特征向量。

应当理解的是，若对于各类别中时间语句的词语抽取了关键词以及各关键词的权重，则对于进行分词处理的待推语句的词语也需要对应抽取关键词以及各关键词的权重。应当理解的是，此时也可以采用如可以采用textrank、TF-IDF、TF-IWF等关键词抽取算法来抽取待推语句的词语中的关键词和各关键词的权重。

本实施例中，若对分词器分词得到的词语抽取了关键词以及各关键词的权重，则在步骤S602时，利用词向量算法计算的是待推语句中的关键词的词向量，此时，步骤S603即为根据各关键词的词向量和权重计算待推语句的第二特征向量。

具体的，可以采用下述公式F(S)计算待推语句的第二特征向量：

上式中，k表示从待推语句S中抽取的关键词个数，Vec(keyword_j)表示待推语句S中第j个关键词的词向量，Wgt(keyword_j)表示待推语句S中第j个关键词的权重。

值得注意的是，本实施例中，将第二特征向量与各第一特征向量进行匹配，以根据匹配结果确定待推语句所记述事件的发生时间的一种具体方式是，参见图7，包括：

S701:通过相似度算法计算第二特征向量与各第一特征向量的相似度；

具体的，可以采用余弦相似度算法计算第二特征向量与各第一特征向量的相似度。

S702:根据计算得到了相似度最大值的第一特征向量对应的类别确定待推语句所记述事件的发生时间。

例如，设与第二特征向量F(S)相似度相似度最大的第一特征向量为F(t₁)，则确定待推语句所记述事件的发生时间即为F(t₁)对应类别所表征的时间t₁。

在本实施例中，为保证根据匹配结果确定待推语句所记述事件的发生时间的准确性，可以在计算得到第二特征向量与各第一特征向量的相似度之后，判定计算得到相似度最大值是否大于预设阈值；若是，再确定计算得到了该相似度最大值的第一特征向量对应类别所表征的时间为待推语句所记述事件的发生时间；否则，表示无法推定该待推语句所记述事件的发生时间。

在本实施例中，推定出时间的待推语句及其对应时间可以作为摘要的一部分，从而尽可能避免生成的摘要损失有文本的关键信息。

在本实施例中，还可以不对提取到的时间语句进行分类，而是直接计算给时间语句对应的特征向量，其计算方法与计算待推语句的第二特征向量的计算方法相同。此后将待推语句的第二特征向量分别与各时间语句对应的特征向量进行匹配(匹配方式与将第二特征向量于各第一特征向量进行匹配的方式一致)，根据匹配结果确定待推语句所记述事件的发生时间。例如确定相似度最大值对应的时间语句中的时间即为待推语句所记述事件的发生时间；或者确定大于预设阈值的相似度最大值对应的时间语句中的时间即为待推语句所记述事件的发生时间。

应当理解的是，在本实施例中，对于各类别的第一特征向量也可以计算两次，即计算各类别中仅包括第一时间语句时对应的第一特征向量，以及计算各类别中包括第一时间语句和第二时间语句时对应的第一特征向量，此后将待推语句的第二特征向量分别与各第一特征向量匹配(此时部分类别可能存在两个对应的第一特征向量)。

应当理解的是，本实施例中的各个步骤可以由如图1所示的服务器来独立实现，具体的，通过在存储器13内存储实现上述各个步骤的语句所记述事件的发生时间推定程序，并交由处理器12执行，由处理器12来获取文本中包含时间信息的时间语句，并根据时间信息对各时间语句进行分类；计算各类别的第一特征向量，以及计算文本中需要推定时间的待推语句的第二特征向量，并将第二特征向量与各第一特征向量进行匹配，根据匹配结果确定待推语句所记述事件的发生时间。

应当理解的是，本实施例中的各个步骤也可以由如图2所示的终端200来独立实现，具体的，通过终端200在存储器209内存储实现上述各个步骤的语句所记述事件的发生时间推定程序，并交由处理器210执行，由处理器210来获取文本中包含时间信息的时间语句，并根据时间信息对各时间语句进行分类；计算各类别的第一特征向量，以及计算文本中需要推定时间的待推语句的第二特征向量，并将第二特征向量与各第一特征向量进行匹配，根据匹配结果确定待推语句所记述事件的发生时间。

同时，本实施例中，还提供一种计算机可读存储介质，如软盘、光盘、硬盘、闪存、U盘、CF卡、SD卡、MMC卡等，在该计算机可读存储介质中存储有实现上述各个步骤的语句所记述事件的发生时间推定程序，语句所记述事件的发生时间推定设备(如服务器或终端等)的处理器可以读取并执行该计算机可读存储介质中存储的语句所记述事件的发生时间推定程序，从而实现上述语句所记述事件的发生时间推定方法的各个步骤。

本实施例提供的语句所记述事件的发生时间推定方法，通过获取需要推定时间的待推语句所在的文本中包含时间信息的语句作为时间语句，在根据时间信息对各时间语句进行分类，并基于各类别中的时间语句计算属于该类别的第一特征向量(第一特征向量为各所述类别中时间语句的数字化表征向量)，同时计算待推语句的第二特征向量(第二特征向量为所述待推语句的数字化表征向量)，将第二特征向量与各第一特征向量进行匹配，根据匹配结果确定待推语句所记述事件的发生时间。这样，通过将文本中的语句进行数字化，就使得文本中不含有时间信息的待推语句可以通过数字化之后的向量匹配从而找到文本中与之内容最接近的含有时间信息的时间语句，从而根据该时间语句中时间推定该待推语句所记述的事件的发生时间。这就使得在对文本生成摘要的过程中，可以很大程度上避免对文本的关键信息造成的损失，保证摘要对文本关键信息提取的完整性，从而最大程度上保证用户可以客观地对是否阅读该文本进行判断，提升了用户体验。

第二实施例

本实施例在第一实施例的基础上，以文本为新闻文本的情况为例，以一种具体的实施形式对本发明作进一步的示例说明。

参见图8，图8为本发明第二实施例提供的一种具体的语句所记述事件的发生时间推定方法实施流程图，包括：

S801：使用Word2Vec算法，预先训练出一个词向量模型；

应当理解的是，本步骤与步骤S802-S806之间并无严格的时序，只需在步骤S807之前执行即可。

S802：使用关键句抽取算法或新闻主角识别算法，找出直接或间接包含主角信息的语句作为新闻中的关键句；

例如，确定新闻主角之后，确定包含该主角信息的语句即为新闻中的关键句。

S803：根据新闻的标题和附属信息确定新闻的发表时间；

通常而言，在新闻的附属信息中含有新闻作者撰写或发表该新闻的时间信息。

S804：获取新闻中包含时间信息的语句作为时间语句；

应当理解的是，在本实施例中，获取到的关键句中可能存在时间语句，但新闻中的时间语句可能存在有非关键句。

S805：抽取时间语句中含有明确时间信息的第一时间语句的准确时间，并根据不同的时间建立时间戳容器，将具有相同时间的第一时间语句归类到同一时间戳容器中；

S806：调用分词器对各时间戳容器中的时间语句进行分词，并调用关键词抽取算法抽取关键词及各关键词的权重；

本实施例中，可以采用textrank算法来抽取关键词。

S807：通过预训练得到的词向量模型获取各关键词的词向量；

S808：计算各时间戳容器对应的第一特征向量；

计算公式为：

S809：利用公式T＝t±Pattern(m)计算时间语句中包含时间推定信息的第二时间语句的推定时间；

S810：将推定时间的第二时间语句加入到对应的时间戳容器中，并再次计算加入后的各时间戳容器对应的第一特征向量；

S811：计算不包含时间信息的关键句的第二特征向量；

计算公式为：

应当理解的是，在利用上述计算公式计算第二特征向量之前同样存在对不包含时间信息的关键句进行分词，并提取关键词以及各关键词权重，并计算各关键词的词向量的步骤。

S812：采用余弦相似度算法分别计算该第二特征向量与步骤S808计算得到的各第一特征向量的相似度，以及与步骤S810计算得到的各第一特征向量的相似度；

应当理解的是，此处某些时间戳容器可能对应两个不同的第一特征向量，这两个第一特征向量均会分别与第二特征向量进行相似度计算。

S813：判定计算得到的相似度最大值是否大于预设阈值；若是，转至S814；否则，结束。

S814：确定计算得到了相似度最大值的第一特征向量对应时间戳容器所表征的时间为该不包含时间信息的关键句所记述事件的发生时间，并将该不包含时间信息的关键句加入到对应的时间戳容器中；

S815：根据各时间戳容器中的语句，组成带有精确时间戳信息的新闻摘要。

在本实施例中，可以将上述整个过程或部分过程编写成模块代码，以在服务器或终端上实现。

在本实施例中，这种具体的语句所记述事件的发生时间推定方法的一种具体应用场景是：可以在新闻类APP的服务端，结合各用户可能感兴趣的新闻内容(可以通过采用推荐算法得到用户偏好)，将经由本方法处理后的新闻摘要，通过网络推送到用户的手机通知栏，让用户在手机通知栏上看到的是他可能感兴趣的新闻及该新闻事件的发生时间。

本实施例提供的应用于新闻文本中的语句所记述事件的发生时间推定方法，能够对新闻中不含时间信息的语句所记述的事件进行发生时间推定，使得在对新闻摘要的生成过程中，可以很大程度上避免关键信息的损失，保证摘要对文本关键信息提取的完整性。

第三实施例

本发明提供了一种语句所记述事件的发生时间推定设备。参照图9，图9为本发明第三实施例提供的一种语句所记述事件的发生时间推定设备的结构示意图，包括：存储器91、处理器92和内部通信总线93。其中：

内部通信总线93用于实现处理器92和存储器91之间的连接通信；

存储器91中存储有可在处理器92上运行的语句所记述事件的发生时间推定程序；

处理器92可以运行该语句所记述事件的发生时间推定程序以执行下述操作：

获取文本中包含时间信息的语句作为时间语句；

根据该时间信息对各时间语句进行分类；

基于各类别中的时间语句计算属于该类别的第一特征向量；

计算文本中需要推定时间的待推语句的第二特征向量；

将第二特征向量与各第一特征向量进行匹配，并根据匹配结果确定该待推语句所记述事件的发生时间。

值得注意的是，本实施例中的文本为需要推定时间的待推语句所在的文本。需要推定时间的待推语句包括：在文本中包含有关键信息的且不含时间信息的语句。

本实施例中，处理器92可以通过提取关键句的方式来确定包含关键信息的语句，处理器92所提取的关键句中不含时间信息的部分语句即为需要推定时间的待推语句。例如，处理器92调用关键句抽取算法或新闻主角识别算法，找出直接或间接包含主角信息的语句，这些语句即为文本中的关键句，其中不含时间信息的语句即为需要推定时间的待推语句。

应当理解的是，对于自身含有时间信息的关键句，其所记述事件的发生时间即以该剧自身所包含的时间信息为准，处理器92不需要进行推定。处理器92基于自身含有时间信息的关键句，以及推定到时间的待推语句，可以组成文本摘要。应当理解的是，对于文本摘要而言，其具体构成并不限定于仅包含自身含有时间信息的关键句以及推定到时间的待推语句，其具体构成由文本摘要生成的具体规则决定。

在本实施例中，具体的，处理器92可以根据时间信息确定的各时间语句对应的时间，将对应时间相同或相近的时间语句归为一个类别。对于将对应时间相近的时间语句归为一个类别而言，其归类规则受限于待推语句需要推定时间的时间精度，例如待推语句需要推定时间的时间精度为具体某天时，处理器92可以将对应的时间为同一天的时间语句归为一个类别。

应当理解的是，本实施例中的类别可以通过时间戳或时间戳容器来表征。

本实施例中，第一特征向量为各类别中时间语句的数字化表征向量，是对各类别中时间语句的内容的数字化表示。具体的，处理器92可以根据各时间语句所包含的词语计算对应的词向量，从而进一步计算得到第一特征向量。应当理解的是，本实施例中处理器92根据各时间语句所包含的词语计算对应的词向量可以采用诸如Word2Vec模型等词向量算法来进行。

在本实施例中，第二特征向量为待推语句的数字化表征向量，是对待推语句的内容的数字化表示。具体的，处理器92可以根据待推语句所包含的词语计算对应的词向量，从而进一步计算得到第二特征向量。应当理解的是，本实施例中处理器92根据待推语句所包含的词语计算对应的词向量同样可以采用诸如Word2Vec模型等词向量算法来进行。

应当理解的是，本实施例中，处理器92计算得到的第二特征向量与第一特征向量的相似度越高，则表示该待推语句中的内容与第一特征向量对应的类别中的时间语句的内容越接近，即该待推语句所记述事件与第一特征向量对应的类别中的时间语句所记述事件越接近，即越匹配。

在本实施例中，处理器92是根据匹配到的相似度最高的第一特征向量对应类别所表征的时间作为推定的该待推语句所记述事件的发生时间。

值得注意的是，本实施例中时间语句中的时间信息可能包含有明确时间信息(例如X年X月X日等)，此时处理器92可直接根据该明确时间信息确定该时间语句对应的时间；本实施例中时间语句中的时间信息也可能不包含有明确时间信息，而是包含可供进行时间推定的时间推定信息(例如明天、后天、昨天、上周、去年等)，此时处理器92可以通过该时间推定信息在文本的发表时间间或该时间语句的前一时间语句对应的时间的基础上推定该时间语句对应的时间。

此时，处理器92获取文本中包含时间信息的语句作为时间语句即包括：处理器92获取包含明确时间信息的第一时间语句；和/或，获取包含时间推定信息的第二时间语句。

而处理器92根据时间信息对各时间语句进行分类时，针对获取到的第一时间语句进行分类包括：根据各第一时间语句所包含的明确时间信息对各第一时间语句进行分类。

处理器92针对获取到的第二时间语句进行分类包括：基于文本的发表时间或该第二时间语句的前一时间语句对应的时间，根据该第二时间语句所包含的时间推定信息推定该第二时间语句对应的时间；根据各第二时间语句对应的时间，对各第二时间语句进行分类。

在本实施例中，处理器92运行的一种可行程序所执行的步骤是：将所有的时间推定信息都基于文本的发表时间进行第二时间语句对应时间的推定。具体的，处理器92可以根据公式T＝t±Pattern(m)，调用时间信息模式库进行推定。其中，T表示计算得到的第二时间语句对应时间，t为文本的发表时间，m为时间推定信息，Pattern函数调用时间信息模式库，识别时间信息。当m描述的是“昨天”、“上周”、“去年”等时间模式时，公式的等号右边取“减号”，当m描述的是“明天”、“下周”等时间模式时，公式的等号右边取“加号”，函数Pattern(m)的具体取值取决于时间推定信息的偏移量。

在本实施例中，处理器92运行的另一种可行程序所执行的步骤是：将部分第二时间语句的时间推定信息基于文本的发表时间进行时间推定，将部分第二时间语句的时间推定信息基于该第二时间语句的前一时间语句对应的时间进行时间推定。具体的，对于无前一时间语句的第二时间语句，处理器92基于文本的发表时间进行时间推定，方式与上段相同；对于有前一时间语句的第二时间语句，处理器92基于前一时间语句的对应的时间进行时间推定，采用公式T＝t₁±Pattern(m)进行计算，其中T表示计算得到的第二时间语句对应时间，t1为该第二时间语句的前一时间语句对应的时间，m为时间推定信息，Pattern函数调用时间信息模式库，识别时间信息。

本实施例中，处理器92对于文本的发表时间的获取可以是通过对文本的标题及其附属信息进行提取从而得到。

应当理解的是，处理器92进行时间语句分类时，是将时间相同或相近的时间语句归为同一类别，该类别中可能同时存在第一时间语句和第二时间语句。

在本实施例中，处理器92计算基于各类别中的时间语句计算属于该类别的第一特征向量的具体方式是：调用分词器对各类别中的时间语句进行分词处理，再利用词向量算法计算各类别中的词语的词向量，最后基于词向量计算各类别的第一特征向量。

应当理解的是，对于分词器分词得到的词语，在实际应用中，有很多词语实际上是不必要的，因此，处理器92可以利用关键词抽取算法抽取各类别的词语中的关键词以及各关键词的权重。应当理解的是，处理器92在采用关键词抽取算法抽取关键词时，关键词抽取算法本身即可对应生成各关键词的权重。本实施例中处理器92可以采用textrank、TF-IDF、TF-IWF等算法。

在本实施例中，若处理器92对分词器分词得到的词语抽取了关键词以及各关键词的权重，则处理器92利用词向量算法计算的是各类别中的关键词的词向量，此后，处理器92会根据各关键词的词向量和权重计算各类别的第一特征向量。

具体的，处理器92可以采用下述公式F(t)分别计算各类别的第一特征向量：

上式中，m表示各类别中的时间语句的个数，num(S_i)表示时间语句S_i中抽取的关键词个数，Vec(keyword_j)表示时间语句S_i中第j个关键词的词向量，Wgt(keyword_j)表示时间语句S_i中第j个关键词的权重。

在本实施例中，处理器92计算待推语句的第二特征向量的具体方式是：调用分词器对待推语句进行分词处理，再利用词向量算法计算待推语句中的词语的词向量，最后基于词向量计算待推语句的第二特征向量。

应当理解的是，若处理器92对于各类别中时间语句的词语抽取了关键词以及各关键词的权重，则处理器92对于进行分词处理的待推语句的词语也需要对应抽取关键词以及各关键词的权重。应当理解的是，此时处理器92也可以采用如可以采用textrank、TF-IDF、TF-IWF等关键词抽取算法来抽取待推语句的词语中的关键词和各关键词的权重。

本实施例中，若处理器92对分词器分词得到的词语抽取了关键词以及各关键词的权重，则处理器92利用词向量算法计算的是待推语句中的关键词的词向量，此后，处理器92会根据各关键词的词向量和权重计算待推语句的第二特征向量。

具体的，处理器92可以采用下述公式F(S)计算待推语句的第二特征向量：

上式中，k表示从待推语句S中抽取的关键词个数，Vec(keyword_j)表示待推语句S中第j个关键词的词向量，Wgt(keyword_j)表示待推语句S中第j个关键词的权重。

值得注意的是，本实施例中，处理器92将第二特征向量与各第一特征向量进行匹配，以根据匹配结果确定待推语句所记述事件的发生时间的一种具体方式是：通过相似度算法计算第二特征向量与各第一特征向量的相似度，并根据计算得到了相似度最大值的第一特征向量对应的类别确定待推语句所记述事件的发生时间。

具体的，处理器92可以采用余弦相似度算法计算第二特征向量与各第一特征向量的相似度。

在本实施例中，为保证处理器92根据匹配结果确定待推语句所记述事件的发生时间的准确性，处理器92可以在计算得到第二特征向量与各第一特征向量的相似度之后，判定计算得到相似度最大值是否大于预设阈值；若是，再确定计算得到了该相似度最大值的第一特征向量对应类别所表征的时间为待推语句所记述事件的发生时间。

在本实施例中，推定出时间的待推语句及其对应时间可以作为摘要的一部分，从而尽可能避免生成的摘要损失有文本的关键信息。

在本实施例中，处理器92还可以不对提取到的时间语句进行分类，而是直接计算给时间语句对应的特征向量，其计算方法与计算待推语句的第二特征向量的计算方法相同。此后处理器92将待推语句的第二特征向量分别与各时间语句对应的特征向量进行匹配(匹配方式与将第二特征向量于各第一特征向量进行匹配的方式一致)，根据匹配结果确定待推语句所记述事件的发生时间。例如确定相似度最大值对应的时间语句中的时间即为待推语句所记述事件的发生时间；或者确定大于预设阈值的相似度最大值对应的时间语句中的时间即为待推语句所记述事件的发生时间。

应当理解的是，在本实施例中，处理器92对于各类别的第一特征向量也可以计算两次，即计算各类别中仅包括第一时间语句时对应的第一特征向量，以及计算各类别中包括第一时间语句和第二时间语句时对应的第一特征向量，此后处理器92将待推语句的第二特征向量分别与各第一特征向量匹配(此时部分类别可能存在两个对应的第一特征向量)。

应当理解的是，本实施例中的各个步骤可以由如图1所示的服务器来独立实现，具体的，通过在存储器12内存储实现上述各个步骤的语句所记述事件的发生时间推定程序，并交由处理器12执行，由处理器12来获取文本中包含时间信息的时间语句，并根据时间信息对各时间语句进行分类；计算各类别的第一特征向量，以及计算文本中需要推定时间的待推语句的第二特征向量，并将第二特征向量与各第一特征向量进行匹配，根据匹配结果确定待推语句所记述事件的发生时间。

应当理解的是，本实施例中的语句所记述事件的发生时间推定设备可以由如图1所示的服务器或如图2所示的终端200来独立实现，具体的，可以通过图1所示的服务器的存储器13或内存14或如图2所示的终端200的存储器209实现本实施例中的语句所记述事件的发生时间推定设备的存储器91的功能，通过图1所示的服务器的处理器12或如图2所示的终端200的处理器210实现本实施例中的语句所记述事件的发生时间推定设备的处理器92的功能。

本实施例提供的语句所记述事件的发生时间推定设备，通过处理器获取需要推定时间的待推语句所在的文本中包含时间信息的语句作为时间语句，在根据时间信息对各时间语句进行分类，并基于各类别中的时间语句计算属于该类别的第一特征向量(第一特征向量为各所述类别中时间语句的数字化表征向量)，同时计算待推语句的第二特征向量(第二特征向量为所述待推语句的数字化表征向量)，将第二特征向量与各第一特征向量进行匹配，根据匹配结果确定待推语句所记述事件的发生时间。这样，通过将文本中的语句进行数字化，就使得文本中不含有时间信息的待推语句可以通过数字化之后的向量匹配从而找到文本中与之内容最接近的含有时间信息的时间语句，从而根据该时间语句中时间推定该待推语句所记述的事件的发生时间。这就使得在对文本生成摘要的过程中，可以很大程度上避免对文本的关键信息造成的损失，保证摘要对文本关键信息提取的完整性，从而最大程度上保证用户可以客观地对是否阅读该文本进行判断，提升了用户体验。

第四实施例

本实施例是在第三实施例的基础上，以文本为新闻文本的情况为例对本发明作进一步的示例说明。

仍旧参见图9所示的语句所记述事件的发生时间推定设备，处理器92运行存储器91中存储的语句所记述事件的发生时间推定程序后，执行以下操作：

使用Word2Vec算法，预先训练出一个词向量模型；

使用关键句抽取算法或新闻主角识别算法，找出直接或间接包含主角信息的语句作为新闻中的关键句；

根据新闻的标题和附属信息确定新闻的发表时间(通常而言，在新闻的附属信息中含有新闻作者撰写或发表该新闻的时间信息)；

获取新闻中包含时间信息的语句作为时间语句；

应当理解的是，在本实施例中，处理器92获取到的关键句中可能存在时间语句，但新闻中的时间语句可能存在有非关键句。

抽取时间语句中含有明确时间信息的第一时间语句的准确时间，并根据不同的时间建立时间戳容器，将具有相同时间的第一时间语句归类到同一时间戳容器中；

调用分词器对各时间戳容器中的时间语句进行分词，并调用关键词抽取算法(例如textrank算法)抽取关键词及各关键词的权重；

利用预训练得到的词向量模型获取各关键词的词向量；

计算各时间戳容器对应的第一特征向量；计算公式为：

利用公式T＝t±Pattern(m)计算时间语句中包含时间推定信息的第二时间语句的推定时间；

将推定时间的第二时间语句加入到对应的时间戳容器中，并再次计算加入后的各时间戳容器对应的第一特征向量；

计算不包含时间信息的关键句的第二特征向量；计算公式为：

应当理解的是，处理器92在利用上述计算公式计算第二特征向量之前同样存在对不包含时间信息的关键句进行分词，并提取关键词以及各关键词权重，并计算各关键词的词向量的处理。

采用余弦相似度算法分别计算该第二特征向量与时间戳容器中仅含第一时间语句时的各第一特征向量的相似度，以及与时间戳容器中含有第二时间语句时的各第一特征向量的相似度；

判定计算得到的相似度最大值是否大于预设阈值；若是，确定计算得到了相似度最大值的第一特征向量对应时间戳容器所表征的时间为该不包含时间信息的关键句所记述事件的发生时间，并将该不包含时间信息的关键句加入到对应的时间戳容器中；

根据各时间戳容器中的语句，组成带有精确时间戳信息的新闻摘要。

在本实施例中，该程序被处理器92运行时的一种具体应用场景是：例如参见图10，可以在新闻类APP的服务端，结合各用户可能感兴趣的新闻内容(可以通过采用推荐算法得到用户偏好)，并将本实施例中的新闻摘要，通过网络推送到用户的手机通知栏，让用户在手机通知栏上看到的是他可能感兴趣的新闻及该新闻事件的发生时间。应当理解的是，上述应用情景对应的是语句所记述事件的发生时间推定设备为服务器，服务器通过网络将新闻摘要推送到用户的手机，例如参见图11。应当理解的是，本实施例中还可以由用户手机自身的处理器来运行程序来实现上述操作。

本实施例提供的语句所记述事件的发生时间推定设备，能够对新闻中不含时间信息的语句所记述的事件进行发生时间推定，使得在对新闻摘要的生成过程中，可以很大程度上避免关键信息的损失，保证摘要对文本关键信息提取的完整性。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器9，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。