生成关系图的方法和确定匹配关系的方法、装置

摘要

本公开提供了一种生成关系图的方法和确定匹配关系的方法、装置，涉及人工智能领域，具体涉及深度学习、智能医疗和知识图谱领域。生成方法的具体实现方案为：针对第一类对象和第二类对象，根据属于每类对象的多个对象之间的预定关联关系，确定针对每类对象的相似信息，相似信息指示多个对象彼此之间的相似度；根据属于第一类对象的多个第一对象与属于第二类对象的多个第二对象彼此之间的预定关联关系，确定第一类对象和第二类对象之间的关联信息；根据针对第一类对象的相似信息、针对第二类对象的相似信息和关联信息，确定初始邻接信息；根据关联信息，确定初始嵌入信息；以及根据初始邻接信息和初始嵌入信息，采用图神经网络生成关系图。

说明书

技术领域

本公开涉及人工智能领域，具体涉及深度学习、智能医疗和知识图谱领域，尤其涉及一种生成关系图的方法和确定匹配关系的方法、装置。

背景技术

随着计算机技术和网络技术的发展，深度学习技术在众多领域得到了广泛应用。例如，可以采用深度学习技术提取文本特征，采用深度学习技术预测对象之间的关联关系等。在对象之间的关联关系的预测中，预测结果的精度依赖于已有知识的完备性。

发明内容

本公开旨在提供一种生成关系图的方法和确定匹配关系的方法、装置、电子设备、存储介质，旨在对已有关系进行补全并提高匹配结果的准确性。

根据本公开的一个方面，提供了一种生成关系图的方法，包括：针对第一类对象和第二类对象中的每类对象，根据属于所述每类对象的多个对象之间的预定关联关系，确定针对所述每类对象的相似信息，所述相似信息指示所述多个对象彼此之间的相似度；根据属于所述第一类对象的多个第一对象与属于所述第二类对象的多个第二对象彼此之间的预定关联关系，确定所述第一类对象和所述第二类对象之间的关联信息；根据针对所述第一类对象的相似信息、针对所述第二类对象的相似信息和所述关联信息，确定针对关系图的初始邻接信息；根据所述关联信息，确定针对所述关系图的初始嵌入信息；以及根据所述初始邻接信息和所述初始嵌入信息，采用图神经网络生成所述关系图，其中，关系图指示所述多个第一对象和所述多个第二对象组成的对象集中任意两个对象之间的关联关系。

根据本公开的一个方面，提供了一种确定匹配关系的方法，包括：针对待匹配的对象对中的第一对象，根据所述第一对象查询预定关系图，得到与所述第一对象关联的第一目标对象；针对所述对象对中的第二对象，根据针对所述第二对象所属对象类中多个对象的关联关系，确定与所述第二对象关联的第二目标对象；针对所述第一对象和所述第二对象中的每个对象，根据所述每个对象的目标对象，确定针对所述每个对象的特征信息；以及根据针对所述第一对象的特征信息与针对所述第二对象的特征信息，确定所述第一对象和所述第二对象之间的匹配关系，其中，第一目标对象所属对象类包括所述第二对象所属对象类；所述预定关系图为本公开提供的关系图的方法生成的关系图。

根据本公开的一个方面，提供了一种生成关系图的装置，包括：相似度确定模块，用于针对第一类对象和第二类对象中的每类对象，根据属于所述每类对象的多个对象之间的预定关联关系，确定针对所述每类对象的相似信息，所述相似信息指示所述多个对象彼此之间的相似度；关联信息确定模块，用于根据属于所述第一类对象的多个第一对象与属于所述第二类对象的多个第二对象彼此之间的预定关联关系，确定所述第一类对象和所述第二类对象之间的关联信息；邻接信息确定模块，用于根据针对所述第一类对象的相似信息、针对所述第二类对象的相似信息和所述关联信息，确定针对关系图的初始邻接信息；嵌入信息确定模块，用于根据所述关联信息，确定针对所述关系图的初始嵌入信息；以及图生成模块，用于根据所述初始邻接信息和所述初始嵌入信息，采用图神经网络生成所述关系图；其中，关系图指示多个第一对象和多个第二对象组成的对象集中任意两个对象之间的关联关系。

根据本公开的一个方面，提供了一种确定匹配关系的装置，包括：图查询模块，用于针对待匹配的对象对中的第一对象，根据所述第一对象查询预定关系图，得到与所述第一对象关联的第一目标对象；对象确定模块，用于针对所述对象对中的第二对象，根据针对所述第二对象所属对象类中多个对象的关联关系，确定与所述第二对象关联的第二目标对象；特征确定模块，用于针对所述第一对象和所述第二对象中的每个对象，根据所述每个对象的目标对象，确定针对所述每个对象的特征信息；以及关系确定模块，用于根据针对所述第一对象的特征信息与针对所述第二对象的特征信息，确定所述第一对象和所述第二对象之间的匹配关系，其中，第一目标对象所属对象类包括所述第二对象所属对象类；所述预定关系图为本公开提供的生成关系图的装置生成的关系图。

根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的生成关系图的方法或确定匹配关系的方法。

根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的生成关系图的方法或确定匹配关系的方法。

根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现本公开提供的生成关系图的方法或确定匹配关系的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的生成关系图的方法和确定匹配关系的方法、装置的应用场景示意图；

图2是根据本公开实施例的生成关系图的方法的流程示意图；

图3是根据本公开实施例的确定两个对象之间的相似度的方法的原理示意图；

图4是根据本公开实施例的生成关系图的原理示意图；

图5是根据本公开实施例的确定匹配关系的方法的流程示意图；

图6是根据本公开实施例的确定匹配关系的方法的原理示意图；

图7是根据本公开另一实施例的确定匹配关系的方法的原理示意图；

图8是根据本公开实施例的生成关系图的装置的结构框图；

图9是根据本公开实施例的确定匹配关系的装置的结构框图；以及

图10是用来实施本公开实施例的生成关系图的方法或确定匹配关系的方法的电子设备的框图。

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结构的描述。

通常可以采用人工检测的方式来确定两个对象是否匹配。例如，在医疗领域，可以通过人工检测的方式来确定处方中药品与诊断的疾病是否匹配，旨在提高用药合理性，减少医疗领域的纠纷。该人工检测的方式存在检测效率低下、检测结果容易受主观影响的问题。

随着人工智能技术的发展，大数据挖掘技术和深度学习技术在各个领域都展现出了显著的成效。例如可以将深度学习技术和大数据挖掘技术应用到智能医疗领域，用于对药品和诊断结果的关系进行预测。可以理解的是，上述的智能医疗领域仅作为示例，例如还可以将深度学习技术和大数据挖掘技术应用到任意的领域，以用于对该领域中有关联关系的两类对象中属于第一类的第一对象与属于第二类的第二对象之间的关系进行预测。其中，第一类的对象例如可以为演员，第二类的对象可以为影视剧等。为了方便理解本公开，以下将以医疗领域为例对关系预测的方法进行详细描述。

在一实施例中，可以采用知识检索的方式对关系进行预测。例如，可以根据权威医学书籍、药品说明书、公开且脱敏的诊断信息、公开且脱敏的医嘱数据等，采用机器学习的知识抽取技术进行知识抽取，并根据抽取到的知识构建知识库。随后，通过检索知识库来确定药品和诊断的疾病之间是否有匹配关系。该方法可以规避人为主观判断的干扰，可以保障预测结果的准确性。但该方法的实施依赖于知识来源的完备性和知识抽取策略的充分性。对于知识库中不存在需要预测关系的药品名称或疾病名称时，则无法有效预测关系。再者，该方法对构建知识库时所依赖的知识的权威性也有较高的要求。

在一实施例中，可以采用端到端的隐式模型来对药品和诊断结果中疾病之间的关系进行预测。在训练时，可以从权威书籍中抽取有匹配关系的药品和疾病，并将由药品名词和疾病名词构成的文本对作为正样本。同时对于没有匹配关系的药品和疾病，可以将由药品名称和疾病名称构成的文本对作为负样本。采用正样本和负样本共同构成的训练集来对端到端的隐式模型进行训练，通过不断优化损失，将训练好的模型作为药品-疾病的关系预测模型。在预测时，将待预测的药品名称和疾病名称输入该关系预测模型，该关系预测模型可以输出药品和疾病匹配的概率。其中，端到端的隐式模型例如可以包括DNN、CNN、LSTM或来自变换器的双向编码器表征模型(Bidirectional Encoder Representations fromTransformer，BERT)等。该方法能够编码文本形式的药品名称和疾病名称的语义特征。其中，模型的训练精度依赖于训练数据的数量和精度，且该方法不具备较好的可解释性。

在一实施例中，可以建立标签体系，并通过构建实体词标签映射算法来对实体词的特征进行标签化处理，最后根据标签来判断两个对象之间是否存在匹配关系。该方法可以理解文本的语义特征，且可解释性较强。但标签体系中标签特征的覆盖情况受标签体系的影响，该方法会存在无法从表示对象的名称中获得有效的标签特征的情况，这会限制匹配关系的预测。

文本匹配是自然语言处理领域中的重要基础技术。自然语言处理领域中的很多实际问题都可以抽象为文本匹配的任务。比如，网页搜索可以抽象为搜索query与网页内容之间的文本匹配问题。本公开旨在基于文本匹配的思路来实现对象之间的关系预测，以提高关系预测技术的泛化能力和可解释性，并充分理解表示对象的实体词的语义特征。

以下将结合图1对本公开提供的方法和装置的应用场景进行描述。

图1是根据本公开实施例的生成关系图的方法和确定匹配关系的方法、装置的应用场景示意图。

如图1所示，该实施例的应用场景100可以包括电子设备110，该电子设备110可以为具有处理功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和服务器等等。

该电子设备110例如可以对输入的第一对象名称121和第二对象名称122进行处理。例如，电子设备110可以根据每个对象名称查询知识库，查询得到该每个对象的关联信息等，并根据两个对象的关联信息等来预测第一对象与第二对象之间的匹配关系130。该匹配关系可以包括匹配与不匹配。

在一实施例中，可以根据从权威书籍等中抽取的对象之间的关联关系，构建知识库，以便于电子设备110在预测第一对象和第二对象的关系时进行知识查询。例如，可以根据抽取的关联关系构建关系图G，关系图G可以表示为G＝(V，E)。其中，V中元素为顶点(vertex)，一个顶点指示一个对象，E中元素为连接两个顶点的边(edge)，一条边指示其连接的两个顶点所指示的两个对象之间的关联关系。

在一实施例中，如图1所示，该应用场景100中还可以包括服务器150，该服务器150例如可以为支持电子设备110中客户端应用运行的后台管理服务器。电子设备110可以通过网络与服务器150通信连接，网络可以包括有线或无线通信链路。

例如，服务器150可以采用图神经网络模型来对从权威书籍等已有知识中抽取的对象关系进行补全，并根据补全的结果生成关系图140。该服务器150还可以响应于电子设备110的请求，查询关系图140，并将查询结果反馈给电子设备110。或者，服务器150可以将关系图140发送给电子设备110，以供电子设备110在预测对象的关系时查询。或者，电子设备110例如可以将接收到的第一对象名称121和第二对象名称122发送给服务器150，由服务器150根据查询关系图140得到的结果，来预测第一对象和第二对象之间的匹配关系130。

需要说明的是，本公开提供的生成关系图的方法可以由服务器150执行。相应地，本公开提供的生成关系图的装置可以设置在服务器150中。本公开提供的确定匹配关系的方法可以由电子设备110执行，也可以由服务器150执行。相应地，本公开提供的确定匹配关系的装置可以设置在电子设备110中，也可以设置在服务器150中。

应该理解，图1中的电子设备110和服务器150的数目和类型仅仅是示意性的。根据实现需要，可以具有任意数目和类型的电子设备110和服务器150。

以下将结合图1，通过图2～图4对本公开提供的生成关系图的方法进行详细描述。

图2是根据本公开实施例的生成关系图的方法的流程示意图。

如图2所示，该实施例的生成关系图的方法200可以包括操作S210～操作S250。

在操作S210，针对第一类对象和第二类对象中的每类对象，根据属于每类对象的多个对象之间的预定关联关系，确定针对每类对象的相似信息。

根据本公开的实施例，对象的类别可以根据实际需求来选择。例如，在智能医疗领域，第一类对象可以为药品类对象，该第一类对象可以由药品名称来表示；第二类对象可以为疾病类对象和症状类对象，该第二类对象可以由疾病名称和症状名来表示。例如，在视频领域，第一类对象可以为演员，第一类对象可以由演员名来表示；第二类对象可以为影视剧，第二类对象可以由影视剧剧名来表示。

根据本公开的实施例，每类对象包括的多个对象及该多个对象彼此之间的预定关联关系可以从知识库中获取。例如，在视频领域，每类对象中两个对象之间的关联关系可以从百科知识库中获取。例如，在智能医疗领域，每类对象中两个对象之间的关联关系可以从权威书籍知识库中获取。例如，针对药品类，两个对象之间的关联关系可以从《基本医疗保险、工伤保险和生育保险药品目录》中抽取得到。针对疾病类和症状类，两个对象之间的关联关系可以从国际疾病分类结果中抽取得到。

该实施例可以根据预定关联关系，针对属于每类对象的每个对象，确定该每个对象与其自身的相似度，以及该每个对象与多个对象中其他对象彼此之间的相似度，将所有相似度以矩阵形式排列，从而得到针对该每类对象的相似信息。其中，例如可以将表示两个对象的两个对象名称之间的字符相似度作为该两个对象的相似度。如此，针对每类对象的相似信息可以指示属于该每类对象的多个对象彼此之间的相似度。

设定从知识库中抽取的第一类对象的个数为M个，则针对该第一类对象的相似信息可以表示为M行M列的第一矩阵，第一矩阵中第i行第j列元素的取值表示M个第一类对象中第i个对象与第j个对象之间的相似度。类似地，设定从知识库中抽取的第二类对象的个数为N个，则针对该第二类对象的相似信息可以表示为N行N列的第二矩阵，第二矩阵中第k行第l列元素的取值表示N个第二类对象中第k个对象与第l个对象之间的相似度。其中，M、N均为取值大于1的整数。i、j的取值为属于取值区间[1，M]的任意整数，k、l的取值为属于取值区间[1，N]的任意整数。

在操作S220，根据属于第一类对象的多个第一对象与属于第二类对象的多个第二对象彼此之间的预定关联关系，确定第一类对象和第二类对象之间的关联信息。

根据本公开的实施例，在智能医疗领域，第一对象与第二对象之间的预定关联关系可以从药品说明书和/或公开且脱敏的病例信息等构成的知识库中抽取。例如，针对前述的M个第一对象的每个第一对象，可以先从知识库中抽取与该每个第一对象具有关联关系的对象，得到对象集。随后确定前述的N个第二对象中是否有属于该对象集的第二对象。若有，则确定属于对象集的第二对象与该每个第一对象具有关联关系。或者，还可以针对N个第二对象中的每个第二对象，先从知识库中抽取与该每个第二对象具有关联关系的对象，得到对象集。随后确定前述的M个第一对象中是否有属于该对象集的第一对象。若有，则确定属于对象集的第一对象与该每个第二对象具有关联关系。

若第一对象与第二对象之间有关联关系，则确定该第一对象和第二对象之间的关联信息为1等非零的值，否则确定该第一对象和第二对象之间的关联信息为零。通过将每个第一对象分别与N个第二对象之间的关联信息构成信息向量，可以得到M个信息向量。通过在列方向上拼接该M个信息向量，可以得到第一类对象和第二类对象之间的关联信息。具体地，该关联信息可以由M行N列的矩阵来表示。矩阵中第i行第j列的元素的取值表示M个第一对象中第i个对象与N个第二对象中第j个对象之间的关联信息。若确定有关联关系的第一对象与第二对象之间的关联信息取值为1，则关联信息可以由一个二元矩阵{0，1}

在操作S230，根据针对第一类对象的相似信息、针对第二类对象的相似信息和关联信息，确定针对关系图的初始邻接信息。

根据本公开的实施例，关系图G的初始结构中，V中包括的顶点例如可以为M+N个，每个顶点指示M个第一对象和N个第二对象构成的对象集中的一个对象。该关系图G的初始结构中，E包括的边的个数例如可以与关联信息中非零值的元素个数相等。

根据本公开的实施例，关系图的初始邻接信息例如可以为关系图G的初始结构的邻接矩阵。该初始邻接矩阵表示关系图G的初始结构中顶点间的关系，图中顶点个数为M+N个，则该邻接矩阵的尺寸为(M+N)*(M+N)。邻接矩阵中第i行第j列的元素的取值能够指示(M+N)个顶点中第i个顶点与第j个顶点之间是否有连接的边。在该实施例中，i、j的取值为属于取值区间[1，(M+N)]的任意整数。

例如，该实施例可以先确定关联信息的转置信息，即确定上文描述的二元矩阵{0，1}

在操作S240，根据关联信息，确定针对关系图的初始嵌入信息。

根据本公开的实施例，关系图的嵌入信息包括关系图中每个顶点的嵌入表示。初始嵌入信息可以为关系图G的初始结构中所有顶点的嵌入表示构成。设定每个顶点的嵌入表示由尺寸为K的向量表示，则初始嵌入信息可以由(M+N)行K列的矩阵表示。该初始嵌入信息可以作为图卷积神经网络中隐藏层的初始状态信息。

在一实施例中，例如可以将M个第一对象和N个第二对象构成的对象集中，每个对象的对象名称的嵌入表示作为表示该每个对象的顶点的嵌入表示。将对象集中(M+N)个对象的嵌入表示在列方向拼接，从而得到初始嵌入信息。

在一实施例中，例如可以先确定关联信息的转置信息。随后将根据转置信息和关联信息构成的(M+N)行(M+N)列的矩阵作为初始嵌入信息。例如，在该初始嵌入信息中，关联信息和转置信息可以位于主对角线或副对角线上。例如，初始嵌入信息H

通过设定该矩阵H

在操作S250，根据初始邻接信息和初始嵌入信息，采用图神经网络生成关系图。

根据本公开的实施例，图神经网络(Graph Neural Network，GNN)是使用神经网络来学习图结构数据，从而提取和发掘图结构数据中的特征的。图结构数据中的特征可以包括图中顶点之间的关联关系。该图中顶点之间的关联关系即为顶点指示的对象之间的关联关系。

在一实施例中，图神经网络可以采用图卷积网络(Graph ConvolutionalNetwork，GCN)，该图卷积网络的输入包括特征矩阵X和邻接矩阵。其中，特征矩阵X可以为上文描述的初始嵌入信息，邻接矩阵可以为上文描述的初始邻接信息。该实施例可以将初始嵌入信息和初始邻接信息输入图卷积网络，该图卷积网络的输出与特征矩阵X的尺寸相等。例如，若特征矩阵X为初始嵌入信息，则图卷积网络的输出为(M+N)行(M+N)列的矩阵。

例如，该实施例可以通过GCN进行前向传播，并通过反向更新来实现对对象之间关系的预测，前向传播中所采用的计算公式可以为以下GCN卷积公式(3)：

其中，H

可以理解的是，该操作S250实质上为图重构的过程，该实施例可以将GCN来作为编码器，随后将编码器的输出作为解码器的输入，由解码器计算图的初始结构中每两个顶点之间存在边的概率，根据该概率，即可得到关系图。例如，若两个顶点之间存在边的概率大于概率阈值，则确定预测结果为该两个顶点指示的两个对象具有关联关系。将预测得到的所有指示具有关联关系的两个对象的两个顶点连接，即可得到关系图G中的E，将指示(M+N)个对象的顶点构成关系图G中的V。

本公开实施例可以将生成的关系图作为先验知识，以作为预测两个对象之间的匹配关系的查询基础。本公开实施例通过将查询知识库得到的信息构成图的初始结构，并采用图神经网络来对图的结构进行重构，得到关系图的技术方案，可以在知识库中已有知识的基础上对对象之间的关联关系进行挖掘，从而补全知识库中缺乏的知识，对对象之间的关联关系进行充分理解。如此，为匹配关系的预测提供了更为完整的先验知识，利于提高确定的对象之间的匹配关系的精度。

图3是根据本公开实施例的确定两个对象之间的相似度的方法的原理示意图。

根据本公开的实施例，可以根据每类对象中两个对象与其他对象之间的关联关系，及两个对象关联的对象中相同对象的个数等，来确定两个对象之间的相似度。相较于仅根据名称之间的字符相似度来确定两个对象的相似度的方法，可以在一定程度上提高确定的相似度的精度，也可以更为准确地挖掘出该两个对象之间的关联关系。

根据本公开的实施例，可以先根据属于每个类别的多个对象彼此之间的关联关系，构建针对该多个对象的树状图。例如，对于该每个类别的多个对象，可以构建得到如图3所示的树状图300。该树状图300中的每个结点指示多个对象中的一个对象。例如，树状图300中的根结点301指示药品A，根结点的子结点包括指示药品a的结点302。结点302的子节点包括结点303～结点306，分别用于指示药品a-1～药品a-4。结点303的子节点包括结点307，结点307用于指示药品a-1-1，结点305的子节点包括结点308～结点310，结点308～结点310分别用于指示药品a-3-1～药品a-3-3。结点310的子节点包括结点311和结点312，结点311和结点312分别用于指示药品a-3-3-1和药品a-3-3-2。

针对多个对象，该实施例还可以将该多个对象两两组合，构成多个对象对。例如，对于树状图300指示的12个药品，可以两两组合得到66个对象对。该构成多个对象对的操作可以与构建树状图的操作同步执行。在得到多个对象对和树状图后，可以针对每个对象对包括的每个对象，先确定树状图中指示该每个对象的结点与树状图的根结点之间的连接结点，得到针对该每个对象的一组父结点，该一组父结点包括确定的连接结点和根结点。例如，对于树状图300中指示药品a-1-1的结点307，得到的一组父节点包括结点303、结点302和结点301。对于树状图300中指示药品a-3-3-1的结点311，得到的一组父节点包括节点310、节点305、节点302和结点301。

随后，该实施例可以根据针对每个对象对包括的两个对象的两组父结点和两组父结点的交集，来确定两个对象之间的相似度。例如，该实施例可以统计该两组父结点的交集中结点的个数m1，并统计该两组父结点的并集中结点的个数m

在一实施例中，针对每个对象的一组父结点，该可以根据其中每个结点与指示该每个对象的结点之间的距离，为该每个结点赋予权重，基于该权重来计算两个对象之间的相似度。与指示该每个对象的结点距离越远，则该每个节点的权重越小。该权重例如可以表示该每个结点指示的对象与该每个对象之间的相似关系。通过该方式，可以充分考虑多个对象之间的关联关系，使得确定地相似度能够在一定程度上体现出对象之间的树状连接关系，利于提高确定的相似度的准确性。

具体地，该实施例可以针对每个对象，根据针对该每个对象的一组父结点和预定相似系数，确定树状图中一组父结点指示的对象与该每个对象之间的相似值，作为针对该每个对象的第一相似值。其中，预定相似系数例如可以相当于为一组父结点中每个结点赋予权重的基数，该预定相似系数为小于1的任意值。例如，该实施例可以根据以下公式(4)来计算一组父节点指示的对象与每个对象之间的相似值DV(d

其中，d

例如，对于药品a-1-1，设定预定相似系数为0.5，药品a-1-1的一组父结点指示的药品与药品a-1-1之间的相似度的取值为0.5+0.5

确定第一相似度的同时，该实施例还可以针对两组父结点的交集中的每个结点，确定树状图中位于该每个结点与指示每个对象的结点之间的目标结点。随后根据目标结点和预定相似系数，确定每个结点指示的对象与每个对象之间的相似值，作为针对每个对象的第二相似值。

例如，每个结点指示的对象与每个对象之间的相似度可以表示为Δ

例如，每个结点指示的对象与每个对象之间的相似度还可以采用以下公式(5)所示的递归方式计算得到：

其中，g表示两组父结点的交集中的结点，g′为g的子节点，C

例如，对于药品a-1-1和药品a-3-3-1，两组父结点的交集包括结点302和结点301，位于结点302与指示药品a-1-1的结点307之间的目标结点包括结点303。位于结点301与指示药品a-1-1的结点307之间的目标结点包括结点303和结点302，通过以上公式(5)，可以计算得到结点302指示的药品a与药品a-1-1之间的相似度为0.5*0.5*1＝0.25，结点301指示的药品A与药品a-1-1之间的相似度为0.5*0.5*0.5*1＝0.125。

根据本公开的实施例，可以将两组父结点的交集中结点指示的对象与每个对象之间的相似度累加，将累加得到的值作为第二相似值。

在得到针对两个对象的两个第一相似值和两个第二相似值后，可以根据该两个第一相似值和两个第二相似值，来确定两个对象之间的相似度。例如，该实施例可以将两个第二相似值的和与两个第一相似值的和的比值，作为两个对象之间的相似度。例如，对象d

其中，G(d

例如，对于药品a-1-1与药品a-3-3-1，两者之间的相似度约为0.31。对于药品a-3-3-1与药品a-3-3-2，两者之间的相似度约为1。

图4是根据本公开实施例的生成关系图的原理示意图。

如图4所示，在该实施例400中，在生成关系图470时，可以先根据第一类对象中多个第一对象401之间的预定关联关系和第二类对象中多个第二对象402之间的预定关联关系，确定相似信息420。该相似信息420可以由针对第一类对象的相似信息和针对第二类对象的相似信息构成。同时，该实施例还可以根据多个第一对象401与多个第二对象402之间的预定关联关系，确定关联信息410。

随后，根据该关联信息410和相似信息420，构建针对关系图的异构图430，该异构图430可以表示关系图的初始结构。该异构图430可以由上文描述的初始邻接信息表示。

在得到异构图430后，该实施例可以将异构图430作为编码器440的输入，以使得编码器440以上文记载的初始嵌入信息为隐层状态的初始值对该异构图430进行编码，从而得到针对异构图430的嵌入信息450。随后，将该嵌入信息450作为解码器460的输入，经由解码器460对嵌入信息450处理后，可以输出概率矩阵，该概率矩阵的尺寸与表示初始邻接信息的邻接矩阵的尺寸相同。通过将概率矩阵中各个元素与概率阈值进行比较来对概率矩阵进行二值化处理，二值化处理后得到的矩阵即为关系图470的邻接矩阵，根据该邻接矩阵，可以重构得到关系图470。

例如，编码器可以采用上文描述的GCN，解码器可以采用变分图自编码器(Variational Graph Auto-Encoders，VGAE)模型或图自编码器(Graph Auto-Encoders，GAE)模型中的解码器。

在一实施例中，在构建异构图430时(即得到初始邻接信息时)，可以先对每类对象的相似信息进行规范化处理，随后根据规范化处理后的规范化相似信息来构建初始邻接信息。以此消除量纲对两类对象的相似信息的影响，使第一类对象的相似信息和第二类对象的相似信息具有可比性，利于提高得到的初始邻接矩阵的表达能力，利于提高重构得到的关系图的精度。

其中，例如可以分别采用以下公式(7)和(8)来对表示第一类对象的相似信息的矩阵S

其中，～S

在得到规范化相似信息后，该实施例可以根据规范化相似信息、关联信息和关联信息的转置信息，来确定关系图的初始邻接信息。例如，在该实施例中，表示初始邻接信息的矩阵A

在一实施例中，还可以对针对每类对象的相似信息添加惩罚因子，以调节该相似信息在关系图生成过程中的重要性，使得生成的关系图更为符合实际需求。例如，该惩罚因子可以为图神经网络训练过程中的可调参数，在图神经网络的训练过程中，根据测试结果来确定惩罚因子的取值。

例如，可以根据惩罚因子来调整针对每类对象的规范化相似信息，得到针对该每类对象的调整后规范信息。随后依次拼接针对第一类对象的调整后规范信息、关联信息、针对第二类对象的调整后规范信息和转置信息，得到初始邻接信息。例如，在该实施例中，表示初始邻接信息的矩阵A

其中，μ为惩罚因子。

基于本公开提供的生成关系图的方法，本公开还提供了一种确定匹配关系的方法。以下将结合图5～图7对该确定匹配关系的方法进行详细描述。

图5是根据本公开实施例的确定匹配关系的方法的流程示意图。

如图5所示，该实施例的确定匹配关系的方法500可以包括操作S510～操作S540。

在操作S510，针对待匹配的对象对中的第一对象，根据第一对象查询预定关系图，得到与第一对象关联的第一目标对象。

根据本公开的实施例，第一目标对象所属对象类包括第二对象所属对象类。以智能医疗领域为例，若第一对象为药品，则查询得到与药品关联的症状或诊断结果，诊断结果可以包括疾病等。

根据本公开的实施例，预定关系图为上文描述的生成关系图的方法所生成的关系图。该实施例可以先确定预定关系图中指示第一对象的顶点。随后，将与该指示第一对象的顶点之间经由边连接的顶点所指示的症状或疾病作为第一目标对象。

例如，若与指示第一对象的顶点之间经由边连接的顶点所指示的对象不包括症状或疾病，该实施例还可以将指示第一对象的顶点作为出发点，沿着边向周边逐步地扩散，直至扩散到指示症状或疾病的顶点，并将该顶点指示的症状或疾病作为第一目标对象。在一实施例中，还可以为扩散的步数设定上限值，以避免扩散得到的症状或疾病与药品关联度低、会对匹配关系的预测带来干扰的情况。其中，上限值例如可以为2或3等任意大于1的值，本公开对此不做限定。

可以理解的是，若第一对象为症状或疾病，则可以通过与以上类似的方法，确定作为第一目标对象的药品。

在操作S520，针对对象对中的第二对象，根据针对第二对象所属对象类中多个对象的关联关系，确定与第二对象关联的第二目标对象。

根据本公开的实施例，可以根据上文描述的多个第二对象彼此之间的关联关系，来确定第二目标对象。例如，若第二对象为疾病，则可以遍历针对第二类对象的树状图，将与指示该疾病的结点位于同一分支的结点所指示的信息中的症状作为第二目标对象。

可以理解的是，若第二对象为药品，则可以采用类似的方式确定与该药品具有关联关系的药品为第二目标对象。

在一实施例中，在确定第二目标对象时，例如也可以借助预先构建的映射关系等，该映射关系可以为疾病与症状之间的映射关系。该实施例可以将与疾病具有映射关系的症状作为第二目标对象。

其中，该实施例在根据映射关系确定第二目标对象之前，可以先从映射关系中查找第二对象的名称。若没查找到，则将映射关系中与第二对象的名称匹配的疾病名称替代第二对象的名称，随后再确定与替换后的第二对象的名称具有映射关系的症状。该方式可以考虑到不同地区对相同疾病的表述可能不同的情况。其中，匹配名称时，可以先根据树状图确定与该第二对象具有包含或被包含关系的对象，将该包含或被包含关系的对象的名称作为匹配的对象名称。若树状图中不具有包含或被包含关系的对象，在可以根据两个对象名称之间的文本相似度来确定匹配的名称。其中，文本相似度可以采用Dice距离等来表示。

在操作S530，针对第一对象和第二对象中的每个对象，根据每个对象的目标对象，确定针对每个对象的特征信息。

根据本公开的实施例，针对每个对象，可以对上文确定的与该每个对象关联的目标对象的名称进行文本处理，将得到的文本特征作为该每个对象的特征信息。其中，文本处理例如可以包括先对目标对象的名称进行嵌入表示，以转换为具有全局信息的低维稠密的语义向量。例如，可以采用词袋模型等来对目标对象的名称进行嵌入表示。在得到嵌入表示后，可以采用CNN、RNN等模型来对低维稠密的语义向量进行处理，从而得到特征信息。

在一实施例中，可以采用LSTM构建特征表示层，以对名称的嵌入表示进行处理，得到特征信息。在对文本进行处理时，可以先采用隐马尔科夫模型来对文本进行分词处理，随后根据分词后的结果以及预先定义的词表中词语与索引号之间的对应关系来对文本进行编码，得到嵌入处理的基础数据。随后对该基础数据进行嵌入处理，以将基础数据映射到固定维度。

在操作S540，根据针对第一对象的特征信息与针对第二对象的特征信息，确定第一对象和第二对象之间的匹配关系。

根据本公开的实施例，可以先计算第一对象的特征信息与第二对象的特征信息之间的相似度，该相似度可以由余弦相似度、杰卡德相似系数等来表示。若两个特征信息之间的相似度大于相似度阈值，则可以确定第一对象和第二对象之间的匹配关系为匹配。

在一实施例中，在确定两个特征信息之间的相似度之前，例如先可以采用全连接层和激活层对两个特征信息进行处理，随后计算处理后的两个特征信息之间的相似度。

本公开实施例在确定两个对象之间的匹配关系时，通过查询上文生成的关系图，并将查询得到的目标对象作为确定匹配关系的考虑因素提取特征信息，可以使得预测结果不受主观因素的影响，也可以挖掘两个对象之间的潜在关系，利于提高确定的匹配关系的精度。

图6是根据本公开实施例的确定匹配关系的方法的原理示意图。

根据本公开的实施例，在确定匹配关系时，除了考虑与对象关联的目标对象外，例如还可以考虑对象的描述文本，以在确定匹配关系时更为充分地理解对象，并因此提高确定的匹配关系的精度。

以智能医疗领域为例，如图6所示，该实施例600在确定实体对<药品名称，疾病名称>表示的药品和疾病之间的匹配关系时，可以先根据药品名称601查询上文描述的关系图，得到与药品关联的关联诊断结果604和关联症状信息605。同时，还可以根据药品名称601查询预先构建的药品-功效映射信息，从而得到药品的功效描述信息603(即药品的功效描述文本)。随后，该实施例600可以将功效描述信息603、关联诊断信息604(即关联的疾病名称)和关联症状信息605作为输入层611的输入，以经由输入层611来得到该些信息的嵌入表示。随后，将该嵌入表示输入特征提取层621，即可得到针对药品的特征信息。其中，特征提取层621可以为上文描述的LSTM。

本公开例如可以预先维护有针对第一类对象的描述文本库，该描述文本库包括多个描述文本，每个描述文本以其描述的第一对象的名称为索引。如此，该实施例还可以根据第一对象的名称查询该描述文本库，从而得到第一对象的描述文本。在第一对象为药品时，描述文本可以为功效描述文本。

可以理解的是，本公开例如可以采用双塔模型来确定匹配关系。该双塔模型的两个分支中输入层和特征提取层的参数共享。

在该实施例中，除了根据查询得到的作为第二目标对象的症状信息606来确定疾病的特征信息外，还可以考虑疾病名称602。如此，可以提高得到的针对第二对象的特征信息的表达能力，利于提高确定的匹配关系的精度。具体地，可以将症状信息606和疾病名称602作为输入层612的输入，由输入层612得到症状信息606和疾病名称602的嵌入表示，将该嵌入表示输入特征提取层622后，可以由特征提取层622输出针对第二对象的特征信息。

随后，该实施例可以将两个特征信息输入匹配层630，由匹配层630输出匹配得分607，该匹配得分607表示药品和疾病匹配的概率。若该匹配得分607大于前文描述的相似度阈值，则可以确定药品和疾病的匹配关系为匹配。

根据本公开的实施例，匹配层630例如也可以包括两个分支，该两个分支中的每个分支包括上文描述的全连接层和激活层，且该两个分支的参数共享。匹配层630还可以包括计算相似度的处理层，用于计算两个分支处理得到的特征信息之间的相似度，将该相似度归一化后得到匹配得分607。

图7是根据本公开另一实施例的确定匹配关系的方法的原理示意图。

如图7所示，在一实施例700中，在得到针对第一对象的特征信息701和针对第二对象的特征信息702后，该实施例可以将特征信息701和特征信息702进行拼接，随后将拼接后的信息输入多层感知器网络中，由多层感知器网络输出匹配得分703。

其中，多层感知器网络可以包括全连接层731、激活层732和全连接层733。全连接层731用于作为输入层，该输入层中的每个输入神经元连接激活层732中的至少一个表示潜在变量的隐藏层。其中，输入层可以理解为一个映射层。全连接层733用于作为输出层，用于将激活层732输出的数据映射到匹配得分维度上。

可以理解的是，该实施例700中得到的匹配得分可以表示第一对象和第二对象匹配的概率值，也可以表示两个特征信息之间的相似度。若该匹配得分大于得分阈值，则可以确定第一对象与第二对象之间的匹配关系为匹配。否则，确定第一对象与第二对象之间的匹配关系为不匹配。

该实施例通过先拼接两个特征信息，随后再采用多层感知机来确定匹配关系，可以使得匹配关系的确定更为灵活且利于充分学习两个特征信息，利于提高模型的拟合能力，提高确定的匹配关系的精度。

根据本公开的实施例，可以将确定匹配关系时所用到的输入层、特征提取层和匹配层集成为一个匹配关系预测模型。在训练该匹配关系预测模型时，例如可以采用包括正样本和负样本的训练集来进行训练。其中，训练集中正负样本的比例可以为1∶1，在训练过程中使用的超参数例如可以根据实际需求进行设定。例如，训练过程中的超参数及超参数的取值可以如下表所示。

其中，beta_1和beta_2例如可以为反向传播时使用到的参数，batch_size为迭代训练过程中单个轮次所使用的样本个数。Epsilon为模型的收敛条件中的参数。weight_decay为权重下降值，emb_dim为输入层得到的嵌入表示的数据维度。dropout_rate指隐层节点失效的比例。

基于本公开提供的生成关系图的方法，本公开还提供了一种生成关系图的装置，以下将结合图8对该装置进行详细描述。

图8是根据本公开实施例的生成关系图的装置的结构框图。

如图8所示，该实施例的生成关系图的装置800可以包括相似度确定模块810、关联信息确定模块820、邻接信息确定模块830、嵌入信息确定模块840和图生成模块850。

相似度确定模块810用于针对第一类对象和第二类对象中的每类对象，根据属于每类对象的多个对象之间的预定关联关系，确定针对每类对象的相似信息，相似信息指示多个对象彼此之间的相似度。在一实施例中，相似度确定模块810可以用于执行上文描述的操作S210，在此不再赘述。

关联信息确定模块820用于根据属于第一类对象的多个第一对象与属于第二类对象的多个第二对象彼此之间的预定关联关系，确定第一类对象和第二类对象之间的关联信息。在一实施例中，关联信息确定模块820可以用于执行上文描述的操作S220，在此不再赘述。

邻接信息确定模块830用于根据针对第一类对象的相似信息、针对第二类对象的相似信息和关联信息，确定针对关系图的初始邻接信息。在一实施例中，邻接信息确定模块830可以用于执行上文描述的操作S230，在此不再赘述。

嵌入信息确定模块840用于根据关联信息，确定针对关系图的初始嵌入信息。在一实施例中，嵌入信息确定模块840可以用于执行上文描述的操作S240，在此不再赘述。

图生成模块850用于根据初始邻接信息和初始嵌入信息，采用图神经网络生成关系图。其中，关系图指示多个第一对象和多个第二对象组成的对象集中任意两个对象之间的关联关系。在一实施例中，图生成模块850可以用于执行上文描述的操作S250，在此不再赘述。

根据本公开的实施例，相似度确定模块810可以包括树状图确定子模块、对象对构成子模块、父结点获得子模块和相似度确定子模块。树状图确定子模块用于根据多个对象彼此之间的关联关系，确定针对多个对象的树状图；树状图中的每个结点指示多个对象中的一个对象。对象对构成子模块用于将多个对象两两组合，构成多个对象对。父结点获得子模块用于针对多个对象对中每个对象对包括的每个对象，确定树状图中指示每个对象的结点与树状图的根结点之间的连接结点，得到针对每个对象的一组父结点；一组父结点包括连接结点和根节点。相似度确定子模块用于根据针对每个对象对包括的两个对象的两组父结点和两组父结点的交集，确定两个对象之间的相似度。

根据本公开的实施例，相似度确定子模块可以包括第一值确定单元、目标结点确定单元、第二值确定单元和相似度确定单元。第一值确定单元用于针对两个对象中的每个对象，根据针对每个对象的一组父结点和预定相似系数，确定针对每个对象的一组父结点指示的对象与每个对象之间的相似值，作为针对每个对象的第一相似值。目标结点确定单元用于针对两组父结点的交集中的每个结点，确定树状图中位于每个结点与指示每个对象的结点之间的目标结点。第二值确定单元用于根据目标结点和预定相似系数，确定每个结点指示的对象与每个对象之间的相似值，作为针对每个对象的第二相似值。相似度确定单元用于根据针对两个对象的两个第一相似值和两个第二相似值，确定两个对象之间的相似度。

根据本公开的实施例，邻接信息确定模块830可以包括规范化子模块、第一转置子模块和邻接信息确定子模块。规范化子模块用于对针对每类对象的相似信息进行规范化处理，得到针对每类对象的规范化相似信息。第一转置子模块用于确定关联信息的转置信息。邻接信息确定子模块用于根据针对第一类对象的规范化相似信息、针对第二类对象的规范化相似信息、关联信息和转置信息，确定针对关系图的初始邻接信息。

根据本公开的实施例，邻接信息确定子模块可以包括信息调整单元和信息拼接单元。信息调整单元用于根据预定惩罚因子调整针对每类对象的规范化相似信息，得到针对每类对象的调整后规范信息。信息拼接单元用于拼接针对第一类对象的调整后规范信息、关联信息、针对第二类对象的调整后规范信息和转置信息，得到初始邻接信息。

根据本公开的实施例，嵌入信息确定模块840可以包括第二转置子模块和信息构成子模块。第二转置子模块用于确定关联信息的转置信息。信息构成子模块用于根据转置信息和关联信息，构成初始嵌入信息。其中，在初始嵌入信息中，转置信息和关联信息为副对角线上的信息。

基于本公开提供的确定匹配关系的方法，本公开还提供了一种确定匹配关系的装置，以下将结合图9对该装置进行详细描述。

图9是根据本公开实施例的确定匹配关系的装置的结构框图。

如图9所示，该实施例的确定匹配关系的装置900可以包括图查询模块910、对象确定模块920、特征确定模块930和关系确定模块940。

图查询模块910用于针对待匹配的对象对中的第一对象，根据第一对象查询预定关系图，得到与第一对象关联的第一目标对象。其中，第一目标对象所属对象类包括第二对象所属对象类。预定关系图为本公开提供的生成关系图的装置生成的关系图。在一实施例中，图查询模块910可以用于执行上文描述的操作S510，在此不再赘述。

对象确定模块920用于针对对象对中的第二对象，根据针对第二对象所属对象类中多个对象的关联关系，确定与第二对象关联的第二目标对象。在一实施例中，对象确定模块920可以用于执行上文描述的操作S520，在此不再赘述。

特征确定模块930用于针对第一对象和第二对象中的每个对象，根据每个对象的目标对象，确定针对每个对象的特征信息。在一实施例中，特征确定模块930可以用于执行上文描述的操作S530，在此不再赘述。

关系确定模块940用于根据针对第一对象的特征信息与针对第二对象的特征信息，确定第一对象和第二对象之间的匹配关系。在一实施例中，关系确定模块940可以用于执行上文描述的操作S540，在此不再赘述。

根据本公开的实施例，上述确定匹配关系的装置900还可以包括描述文本查询模块，用于根据第一对象查询针对第一对象所属对象类的描述文本库，得到第一对象的描述文本。上述特征确定模块930可以用于在每个对象为第一对象的情况下，根据第一目标对象和第一对象的描述文本，确定针对第一对象的特征信息。

根据本公开的实施例，上述特征确定模块930可以用于在每个对象为第二对象的情况下，根据第二目标对象和第二对象，确定针对第二对象的特征信息。

根据本公开的实施例，上述关系确定模块940可以包括拼接子模块、概率确定子模块和关系确定子模块。拼接子模块用于拼接针对第一对象的特征信息和针对第二对象的特征信息，得到拼接特征信息。概率确定子模块用于根据拼接特征信息，确定第一对象与第二对象匹配的概率值。关系确定子模块用于根据概率值，确定第一对象和第二对象之间的匹配关系。

需要说明的是，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

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。

图10示出了可以用来实施本公开实施例的生成关系图的方法或确定匹配关系的方法的示例电子设备1000的示意性框图。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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如生成关系图的方法或确定匹配关系的方法。例如，在一些实施例中，生成关系图的方法或确定匹配关系的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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的生成关系图的方法或确定匹配关系的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行生成关系图的方法或确定匹配关系的方法。

本文中以上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)、复杂可编程逻辑设备(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。程序代码可以完全在机器上执行、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。其中，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，本发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。