CN116070711A - 数据处理方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了一种数据处理方法、装置、电子设备和存储介质，涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于OCR等场景。实现方案为：获得第一数据集，第一数据集包括多个数据子集，多个数据子集中的每一个数据子集包括第一数据和基于该第一数据进行数据增强获得的至少一个增强数据；利用预训练的第一模型，获得第一数据集中的每一个数据的第一预测标签；获得多个数据子集中的至少一个数据子集，其中，对于至少一个数据子集中的每一个数据子集，该数据子集中的各个数据对应于相同的第一预测标签；以及将至少一个数据子集中的每一个数据的第一预测标签确定为该数据的标注标签。

Description

数据处理方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，具体涉及一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

基于人工智能的深度学习中，采用数据训练深度学习模型，使得深度学习模型能够基于输入的数据，输出预测结果。其中，在深度学习模型的训练过程中，高质量的训练数据及其准确的标注标签是不可或缺的。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种数据处理方法，包括：获得第一数据集，所述第一数据集包括多个数据子集，所述多个数据子集中的每一个数据子集包括第一数据和基于该第一数据进行数据增强获得的至少一个增强数据；利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签；获得所述多个数据子集中的至少一个数据子集，其中，对于所述至少一个数据子集中的每一个数据子集，该数据子集中的各个数据对应于相同的第一预测标签；以及将所述至少一个数据子集中的每一个数据的第一预测标签确定为该数据的标注标签。

根据本公开的另一方面，提供了一种数据处理装置，包括：数据集获取单元，被配置用于获得第一数据集，所述第一数据集包括多个数据子集，所述多个数据子集中的每一个数据子集包括第一数据和基于该第一数据进行数据增强获得的至少一个增强数据；第一标签获取单元，被配置用于利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签；第一获取单元，被配置用于获得所述多个数据子集中的至少一个数据子集，其中，对于所述至少一个数据子集中的每一个数据子集，该数据子集中的各个数据对应于相同的第一预测标签；以及第一确定单元，被配置用于将所述至少一个数据子集中的每一个数据的第一预测标签确定为该数据的标注标签。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开的实施例所述的方法。

根据本公开的另一方面，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，所述计算机指令用于使所述计算机执行根据本公开的实施例所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的实施例所述的方法。

根据本公开的一个或多个实施例，可以提升所获得的数据的标注标签的准确率。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的一种数据处理方法的流程图；

图3示出了根据本公开的实施例的一种数据处理方法的流程图；

图4示出了根据本公开的实施例的一种数据处理方法中基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签的过程的流程图；

图5示出了根据本公开的实施例的一种数据处理方法中基于所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度，从所述其他数据子集中获得人工标注数据集的过程的流程图；

图6示出了根据本公开的实施例的一种数据处理方法中针对所述多个第二数据子集中的每一个第二数据子集，从该第二数据子集获得要进行人工标注的多个数据的过程的流程图；

图7示出了根据本公开的实施例的一种数据处理方法中基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签的过程的流程图；

图8示出了根据本公开的实施例的一种数据处理装置的结构框图；以及

图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行根据本公开的数据处理方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来接收根据本公开的数据处理方法中所说的的数据的标注标签。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

在相关技术中，往往使用已有的开源数据集或通过采集数据后，对数据进行标注以获得数据的标注标签，以进行模型训练。由于对数据进行标注的过程往往是通过人工的方式进行的，使得标注成本较高。在一些情况下，也通过基于模型的半自动方法对数据进行标注，其中，通过模型预测数据的预测标签，并将置信度高于预设值的预测标签作为其相应的标注标签，由于模型本身的泛化性能受限，使得获得标注标签不够准确，影响后续的模型训练过程。

根据本公开的一方面，提供了一种数据处理方法。如图2所示，根据本公开的一些实施例的数据处理方法200包括：

步骤S210：获得第一数据集，所述第一数据集包括多个数据子集，所述多个数据子集中的每一个数据子集包括第一数据和基于该第一数据进行数据增强获得的至少一个增强数据；

步骤S220：利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签；

步骤S230：获得所述多个数据子集中的至少一个数据子集，其中，对于所述至少一个数据子集中的每一个数据子集，该数据子集中的各个数据对应于相同的第一预测标签；以及

步骤S240：将所述至少一个数据子集中的每一个数据的第一预测标签确定为该数据的标注标签。

通过对第一数据集中的第一数据进行增强获得与该第一数据对应的至少一个增强数据，并通过预训练的第一模型获得包括多个数据子集的第一数据集中的每一个数据的第一预测标签，其中，该多个数据子集中的每一个数据子集包括第一数据和该第一数据对应的增强数据，获得其中的各个数据对应于相同的第一预测标签的数据子集，将该数据子集中的每一个数据的第一预测标签确定为该数据的标注标签，由于第一模型在对该数据子集进行预测的过程中，获得该数据子集中的每一个数据的第一预测标签相同，说明第一模型对该数据子集中的各个数据的预测效果是鲁棒的，其预测的结果是准确的，将该数据子集中的每一个数据的第一预测标签确定为该数据的标注标签，使得所获得的数据的标注标签是准确的，避免由于模型的泛化性能不好，预测结果鲁棒性较差，导致获得的数据的标注标签不准确。

在一些实施例中，在步骤S210中，可以从开源数据集获得的数据或者从网络上采集多个第一数据，并对每一个第一数据进行增强处理，以获得第一数据集。多个第一数据可以是用于任意模型训练的数据。例如，图像数据。

在一些实施例中，对第一数据进行增强处理包括对第一数据进行旋转、缩放比例、添加噪声等。

在一些实施例中，第一模型是任意预训练的模型。在一些示例中，对应于不同的任务，第一模型可以是不同的模型。在一些示例中，第一模型可以是专用于数据标注的模型，例如，用于文字识别任务的数据标注模型，经过该数据标注模型标注的数据，可以进行用于更细分的任务的模型的训练，更细分的任务的模型，例如可以是用于识别票据的识别模型。

在一些实施例中，第一模型可以是采用人工标注的数据进行初始训练的模型。

在一些实施例中，在步骤S220中，通过将第一数据集中的每一个数据输入到第一模型中，获得第一数据集中的每一个数据的第一预测标签。在一些实施例中，将数据输入到第一模型中后，第一模型输出预测结果，该预测结果指示该数据对应于多个类别中的每一个类别的置信度，其中，置信度最大的类别为该数据对应的第一预测标签。

在一些实施例中，在步骤S230中，针对第一数据集所包含的多个数据子集中的每一个数据子集，将各个数据对应的第一预测标签进行对比，获得其中各个数据对应的第一预测标签相同的数据子集。

在一些实施例中，在步骤S220中，利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签还包括：获得所述第一数据集中的每一个数据的第一预测标签对应的置信度；使得在步骤S230中，还根据第一数据集中的每一个数据的第一预测标签对应的置信度，获得该多个数据子集中的至少一个数据集。其中，在步骤S230中，所获得的至少一个数据子集中的每一个数据子集，该数据子集中的每一个数据的第一预测标签的置信度大于第一预设值，或者，与该数据子集中的多个数据对应的多个第一预测标签相应的多个置信度均值大于第一预设值。

在第一数据集的每一个数据的第一预测标签的过程中还获得该数据的第一预测标签对应的置信度，使得在获得第一数据集所包括的多个数据子集中的至少一个数据子集的过程中，还基于各个数据的第一预测标签对应的置信度获得，使所获得的至少一个数据子集中的每一个数据还是第一模型进行预测后获得第一预测标签的置信度高的数据，即所获得的至少一个数据子集中的数据的特征是模型可以准确识别并且识别效果更为鲁棒的，进一步提升所获得的至少一个数据子集的准确性，提升获得的至少一个数据子集中各个数据的标注标签的准确性。

在一些实施例中，如图3所示，根据本公开的数据处理方法还包括：

步骤S310：基于所述至少一个数据子集中的每一个数据和该数据的标注标签，训练所述第一模型，以获得第二模型；以及

步骤S320：基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签。

通过基于至少一个数据子集中的各个数据和其相应的标注标签，训练该第一模型，并基于该第二模型获得第一数据集中除至少一个数据子集的其他数据子集中的每一个数据的标注标签，由于第二模型是基于至少一个数据子集的数据训练而来的，其预测能力较第一模型增强，使得基于该第二模型，获得其他数据子集中的每一个数据的标注标签准确。

在一些实施例中，在步骤S310中，通过采用监督训练的方式，训练第一模型，以获得第二模型。其中，将至少一个数据子集中的每一个数据输入到第一模型，并且获得第一模型对该数据的预测标签，基于预测标签和其标注标签，计算损失，最后基于损失调整第一模型的参数。

根据本公开的实施例，在获得数据的标注标签的过程中，还能够实现对模型(第一模型)的优化，从而同时实现模型优化和数据标注。在后续获得区别于第一数据集的第二数据集时，针对第二数据集可以采用优化后的模型进行进一步的标注，进一步提升对第二数据集进行标注后所获得的标注标签的准确性的同时，减少对第二数据集进行标注的标注成本。

在一些实施例中，第二模型对至少一个数据子集中的每一个数据进行预测后，获得的预测标签的置信度大于第一模型对至少一个数据子集中的每一个数据进行预测后，获得的预测标签的置信度。

在一些实施例中，通过将第二模型确定为第一模型，并且将多个数据子集中的除上述至少一个数据子集以外的其他数据子集确定为第一数据集，以迭代执行步骤S210-S240，以实现步骤S320，基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签。

在一些实施例中，如图4所示，步骤S320、基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签包括：

步骤S410：利用所述第二模型，获得所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度；

步骤S420：基于所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度，从所述其他数据子集中获得人工标注数据集，以获得所述人工标注数据集中的每一个数据的人工标注标签；以及

步骤S430：将所述人工标注数据集中每一个数据的人工标注标签确定为该数据的标注标签。

通过利用第二模型，对其他数据子集中的每一个数据进行预测以获得该数据的第二预测标签和对应的置信度，并基于其他数据子集中的每一个数据的第二预测标签和相应的置信度获得人工标注数据集，由于第二模型是基于至少一个数据子集的数据训练而来的，其预测能力较第一模型增强，通过第二模型筛选出来的人工标注数据集的数据量更少，并且更可能是第一模型难以识别的难样本，将这一部分数据进行人工标注，减少人工标注数据量的同时，提升人工标注的数据的质量(即，人工标注的数据是难以通过模型进行标注的)。

在一些实施例中，在步骤S410中，通过将其他数据子集中的每一个输入到第二模型，以获得该数据的第二预测标签和相应的置信度。在一些实施例中，将数据输入到第二模型中后，第二模型输出预测结果，该预测结果指示该数据对应于多个类别中的每一个类别的置信度，其中，置信度最大的类别为该数据对应的第二预测标签。

在一些实施例中，在步骤S420中，将其数据对应的第二预测标签对应的置信度小于第二预设值的数据添加到人工标注数据集。

在一些实施例中，如图5所示，步骤S420、基于所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度，从所述其他数据子集中获得人工标注数据集包括：

步骤S510：将所述其他数据子集中具有相同的第二预测标签的数据，添加到第一数据子集，以获得多个第一数据子集；

步骤S520：获得所述多个第一数据子集中的多个第二数据子集，对于所述多个第二数据子集中的每一个第二数据子集，该第二数据子集中的每一个数据对应的第二预测标签小于第二预设值，或者，与该第二数据子集中的多个数据对应的多个第二预测标相应的多个置信度的均值小于所述第二预设值；

步骤S530：基于所述多个第二数据子集，获得所述人工标注数据集。

将其他数据子集中具有相同的第二预测标签的数据，添加到第一数据子集，从而获得多个第一数据子集，并且从多个第一数据子集中获得置信度小于第二预设值的数据添加到第二数据子集，或者将多个数据对应的多个第二预测标签的多个置信度均值小于第二预设值的数据添加到第二数据子集，最后基于所获得的多个第二数据子集，获得人工标注数据集，使得所获得的人工标注的数据是各个类别下，第二模型对其特征识别能力不够好的一部分数据，基于该部分数据进行人工标注，提升人工标注的数据的质量。

在一些实施例中，在步骤S530中，将该多个第二数据子集均确定为人工标注数据集。

在一些实施例中，在步骤S530中，基于所述多个第二数据子集，获得所述人工标注数据集包括：

针对所述多个第二数据子集中的每一个第二数据子集，从该第二数据子集获得要进行人工标注的多个数据，以添加到所述人工标注数据集，其中，该第二数据子集中要进行人工标注的多个数据中的每一个数据的第二预测标签的置信度小于区别于该多个数据中的每一个数据的其他数据。

将每个第二数据子集中置信度较小的多个数据，添加到人工标注数据集，使得人工标注的数据是第二模型对其特征识别的鲁棒性不好的数据，进一步减少人工标注的数据量的同时，提升人工标注的数据的质量。

在一些实施例中，如图6所示，针对所述多个第二数据子集中的每一个第二数据子集，从该第二数据子集获得要进行人工标注的多个数据包括：

步骤S610：针对所述多个第二数据子集中的每一个第二数据子集，确定与该第二数据子集中的多个数据对应的多个第二预测标签相应的多个置信度的平均置信度；

步骤S620：基于所述多个第二数据子集对应的多个平均置信度和所述第三预设值，确定所述多个第二数据子集中的每一个第二数据子集中的要进行人工标注的数据量；以及

步骤S630：基于所述多个第二数据子集中的每一个第二数据子集中的要进行人工标注的数据量和该第二数据子集中的每一个数据的第二预测标签对应的置信度，确定第二数据子集获得要进行人工标注的多个数据。

针对每一个第二数据子集，通过基于与该第二数据子集中的多个数据的多个第二预测标签相应的多个置信度的平均置信度，获得该第二数据子集中要进行人工标注的数据量，使得最终确定的人工标注数据集中的包含每一个第二数据子集中的部分数据量，进一步提升人工标注的数据的质量。

在一些实施例中，在步骤S620中，针对所述多个第二数据子集中的每一个第二数据子集，该第二数据子集中要进行人工标注的数据量与另一第二数据子集中要进行人工标注的数据量之间的比值与该第二数据子集对应的平均置信度与该另一第二数据子集置信度对应的均值成反比。使得对应的平均置信度越大的第二数据子集要进行人工标注的数据量越少，进而使得进行人工标注的人工标注数据集中是第二模型预测难以准确识别其特征的第二数据子集中的数据量较多，进一步提升人工标注的数据的质量。

在一些实施例中，在步骤S620中，通过公式(1)确定每一个第二数据子集中要进行人工标注的数据量N：

其中，M表示预先确定的人工标注数据集的数据量，Pi表示第i个第二数据子集对应的平均置信度，n表示第二数据子集的个数，M、i和n均为正整数。

在一些实施例中，如图7所示，步骤S420、基于所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度，从所述其他数据子集中获得人工标注数据集还包括：

步骤S710：基于所述人工标注数据集中的每一个数据和该数据的标注标签，训练所述第二模型，以获得第三模型；以及

步骤S720：基于所述第三模型，获得所述其他数据子集中的除所述人工标注数据集中的多个数据以外的其他多个数据中的每一个数据的标签。

在获得人工标注数据集的标注标签后，进一步基于人工标注数据集的标注标签，训练第二模型，以获得第三模型，并基于第三模型获得其他数据子集中除人工标注数据集中的多个数据以外的其他数据的标签，由于第三模型是采用人工标注数据集训练第二模型而获得的，较第二模型具有更好的预测能力，进一步提升所获得的标注标签的准确性。

在一些实施例中，在步骤S710中，通过采用监督训练的方式，训练第二模型，以获得第三模型。其中，将人工标注数据集中的每一个数据输入到第一模型，并且获得第二模型对该数据的预测标签，基于预测标签和其标注标签，计算损失，最后基于损失调整第二模型的参数。

在一些实施例中，通过将第三模型确定为第一模型，并且将其他数据子集中除人工标注数据集中的多个数据以外的其他数据构成的数据集确定为第一数据集，以迭代执行步骤S210-S240，以实现步骤S720，基于所述第三模型，获得所述其他数据子集中的除所述人工标注数据集中的多个数据以外的其他多个数据中的每一个数据的标签。

可以理解，还可以将第三模型确定为第二模型，并且将其他数据子集中除人工标注数据集中的多个数据以外的其他数据构成的数据集确定为其他数据子集，以迭代执行步骤S320，以实现步骤S720，基于所述第三模型，获得所述其他数据子集中的除所述人工标注数据集中的多个数据以外的其他多个数据中的每一个数据的标签。

通过迭代执行步骤，在获得数据标签的同时，实现对模型的优化，提升所获得的数据标注标签的准确性的同时，也提升模型的预测能力，在后续基于根据本案优化后的模型进行半自动标注的过程中，进一步提升所获得的数据标注标签的准确性。

根据本公开的另一方面，还提供一种数据处理装置，如图8所示，装置800包括：数据集获取单元810，被配置用于获得第一数据集，所述第一数据集包括多个数据子集，所述多个数据子集中的每一个数据子集包括第一数据和基于该第一数据进行数据增强获得的至少一个增强数据；第一标签获取单元820，被配置用于利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签；第一获取单元830，被配置用于获得所述多个数据子集中的至少一个数据子集，其中，对于所述至少一个数据子集中的每一个数据子集，该数据子集中的各个数据对应于相同的第一预测标签；以及第一确定单元840，被配置用于将所述至少一个数据子集中的每一个数据的第一预测标签确定为该数据的标注标签。

在一些实施例中，所述第一标签获取820包括：置信度获取单元，被配置用于获得所述第一数据集中的每一个数据的第一预测标签对应的置信度；以及其中，对于所述至少一个数据子集中的每一个数据子集，该数据子集中的每一个数据的第一预测标签的置信度大于第一预设值，或者，与该数据子集中的多个数据对应的多个第一预测标签相应的多个置信度均值大于第一预设值。

在一些实施例中，装置800还包括：第一训练单元，被配置用于基于所述至少一个数据子集中的每一个数据和该数据的标注标签，训练所述第一模型，以获得第二模型；以及第二标签获取单元，被配置用于基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签。

在一些实施例中，所述第二标签获取单元包括：第二标签获取子单元，被配置用于利用所述第二模型，获得所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度；人工标注数据集获取单元，被配置用于基于所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度，从所述其他数据子集中获得人工标注数据集，以获得所述人工标注数据集中的每一个数据的人工标注标签；以及第二确定单元，被配置用于将所述人工标注数据集中每一个数据的人工标注标签确定为该数据的标注标签。

在一些实施例中，所述人工标注数据集获取单元包括：第一数据子集获取单元，被配置用于将所述其他数据子集中具有相同的第二预测标签的数据，添加到第一数据子集，以获得多个第一数据子集；第二数据子集获取单元，被配置用于获得所述多个第一数据子集中的多个第二数据子集，对于所述多个第二数据子集中的每一个第二数据子集，该第二数据子集中的每一个数据对应的第二预测标签小于第二预设值，或者，与该第二数据子集中的多个数据对应的多个第二预测标相应的多个置信度的均值小于所述第二预设值；人工标注数据集获取子单元，被配置用于基于所述多个第二数据子集，获得所述人工标注数据集。

在一些实施例中，所述人工标注数据集获取子单元包括：数据添加单元，被配置用于针对所述多个第二数据子集中的每一个第二数据子集，从该第二数据子集获得要进行人工标注的多个数据，以添加到所述人工标注数据集，其中，该第二数据子集中要进行人工标注的多个数据中的每一个数据的第二预测标签的置信度小于区别于该多个数据中的每一个数据的其他数据。

在一些实施例中，所述数据添加单元包括：平均置信度获取单元，被配置用于针对所述多个第二数据子集中的每一个第二数据子集，确定与该第二数据子集中的多个数据对应的多个第二预测标签相应的多个置信度的平均置信度；数据量确定单元，被配置用于基于所述多个第二数据子集对应的多个平均置信度和所述第三预设值，确定所述多个第二数据子集中的每一个第二数据子集中的要进行人工标注的数据量；以及第三确定单元，被配置用于基于所述多个第二数据子集中的每一个第二数据子集中的要进行人工标注的数据量和该第二数据子集中的每一个数据的第二预测标签对应的置信度，确定第二数据子集获得要进行人工标注的多个数据。

在一些实施例中，针对所述多个第二数据子集中的每一个第二数据子集，该第二数据子集中要进行人工标注的数据量与另一第二数据子集中要进行人工标注的数据量之间的比值与该第二数据子集对应的平均置信度与该另一第二数据子集置信度对应的均值成反比。

在一些实施例中，所述第二标签获取单元包括：第二训练单元，被配置用于基于所述人工标注数据集中的每一个数据和该数据的标注标签，训练所述第二模型，以获得第三模型；以及第三标签获取单元，被配置用于基于所述第三模型，获得所述其他数据子集中的除所述人工标注数据集中的多个数据以外的其他多个数据中的每一个数据的标签。

在一些实施例中，所述第三标签获取单元包括：第四确定单元，被配置用于将所述第三模型确定为所述第一模型，并且将所述其他多个数据构成的数据集确定为所述第一数据集，以执行所述利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签。

根据本公开的实施例，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。

参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

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，例如方法XXX。例如，在一些实施例中，方法XXX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/或安装到电子设备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方法XXX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)而被配置为执行方法XXX。

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。服务器可以是云服务器，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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (23)

1.一种数据处理方法，包括：

获得第一数据集，所述第一数据集包括多个数据子集，所述多个数据子集中的每一个数据子集包括第一数据和基于该第一数据进行数据增强获得的至少一个增强数据；

利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签；

获得所述多个数据子集中的至少一个数据子集，其中，对于所述至少一个数据子集中的每一个数据子集，该数据子集中的各个数据对应于相同的第一预测标签；以及

将所述至少一个数据子集中的每一个数据的第一预测标签确定为该数据的标注标签。

2.根据权利要求1所述的方法，其中，所述利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签还包括：

获得所述第一数据集中的每一个数据的第一预测标签对应的置信度；以及其中，

对于所述至少一个数据子集中的每一个数据子集，该数据子集中的每一个数据的第一预测标签的置信度大于第一预设值，或者，与该数据子集中的多个数据对应的多个第一预测标签相应的多个置信度均值大于第一预设值。

3.根据权利要求1或2所述的方法，还包括：

基于所述至少一个数据子集中的每一个数据和该数据的标注标签，训练所述第一模型，以获得第二模型；以及

基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签。

4.根据权利要求3所述的方法，其中，所述基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签包括：

利用所述第二模型，获得所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度；

基于所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度，从所述其他数据子集中获得人工标注数据集，以获得所述人工标注数据集中的每一个数据的人工标注标签；以及

将所述人工标注数据集中每一个数据的人工标注标签确定为该数据的标注标签。

5.根据权利要求4所述的方法，其中，所述基于所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度，从所述其他数据子集中获得人工标注数据集包括：

将所述其他数据子集中具有相同的第二预测标签的数据，添加到第一数据子集，以获得多个第一数据子集；

获得所述多个第一数据子集中的多个第二数据子集，对于所述多个第二数据子集中的每一个第二数据子集，该第二数据子集中的每一个数据对应的第二预测标签小于第二预设值，或者，与该第二数据子集中的多个数据对应的多个第二预测标相应的多个置信度的均值小于所述第二预设值；以及

基于所述多个第二数据子集，获得所述人工标注数据集。

6.根据权利要求5所述的方法，其中，所述基于所述多个第二数据子集，获得所述人工标注数据集包括：

针对所述多个第二数据子集中的每一个第二数据子集，从该第二数据子集获得要进行人工标注的多个数据，以添加到所述人工标注数据集，其中，该第二数据子集中要进行人工标注的多个数据中的每一个数据的第二预测标签的置信度小于区别于该多个数据中的每一个数据的其他数据。

7.根据权利要求6所述的方法，其中，所述针对所述多个第二数据子集中的每一个第二数据子集，从该第二数据子集获得要进行人工标注的多个数据包括：

针对所述多个第二数据子集中的每一个第二数据子集，确定与该第二数据子集中的多个数据对应的多个第二预测标签相应的多个置信度的平均置信度；

基于所述多个第二数据子集对应的多个平均置信度和所述第三预设值，确定所述多个第二数据子集中的每一个第二数据子集中的要进行人工标注的数据量；以及

基于所述多个第二数据子集中的每一个第二数据子集中的要进行人工标注的数据量和该第二数据子集中的每一个数据的第二预测标签对应的置信度，确定第二数据子集获得要进行人工标注的多个数据。

8.根据权利要求7所述的方法，其中，针对所述多个第二数据子集中的每一个第二数据子集，该第二数据子集中要进行人工标注的数据量与另一第二数据子集中要进行人工标注的数据量之间的比值与该第二数据子集对应的平均置信度与该另一第二数据子集置信度对应的均值成反比。

9.根据权利要求4所述的方法，其中，所述基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签还包括：

基于所述人工标注数据集中的每一个数据和该数据的标注标签，训练所述第二模型，以获得第三模型；以及

基于所述第三模型，获得所述其他数据子集中的除所述人工标注数据集中的多个数据以外的其他多个数据中的每一个数据的标签。

10.根据权利要求9所述的方法，其中，所述基于所述第三模型，获得所述其他数据子集中的除所述至少一个第一数据子集中的多个数据以外的其他多个数据中的每一个数据的标签包括：

将所述第三模型确定为所述第一模型，并且将所述其他多个数据构成的数据集确定为所述第一数据集，以执行所述利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签。

11.一种数据处理装置，包括：

数据集获取单元，被配置用于获得第一数据集，所述第一数据集包括多个数据子集，所述多个数据子集中的每一个数据子集包括第一数据和基于该第一数据进行数据增强获得的至少一个增强数据；

第一标签获取单元，被配置用于利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签；

第一获取单元，被配置用于获得所述多个数据子集中的至少一个数据子集，其中，对于所述至少一个数据子集中的每一个数据子集，该数据子集中的各个数据对应于相同的第一预测标签；以及

第一确定单元，被配置用于将所述至少一个数据子集中的每一个数据的第一预测标签确定为该数据的标注标签。

12.根据权利要求11所述的装置，其中，所述第一标签获取单元包括：

置信度获取单元，被配置用于获得所述第一数据集中的每一个数据的第一预测标签对应的置信度；以及其中，

对于所述至少一个数据子集中的每一个数据子集，该数据子集中的每一个数据的第一预测标签的置信度大于第一预设值，或者，与该数据子集中的多个数据对应的多个第一预测标签相应的多个置信度均值大于第一预设值。

13.根据权利要求11或12所述的装置，还包括：

第一训练单元，被配置用于基于所述至少一个数据子集中的每一个数据和该数据的标注标签，训练所述第一模型，以获得第二模型；以及

第二标签获取单元，被配置用于基于所述第二模型，获得所述多个数据子集中的除所述至少一个数据子集以外的其他数据子集中的每一个数据的标注标签。

14.根据权利要求13所述的装置，其中，所述第二标签获取单元包括：

第二标签获取子单元，被配置用于利用所述第二模型，获得所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度；

人工标注数据集获取单元，被配置用于基于所述其他数据子集中的每一个数据的第二预测标签和该第二预测标签对应的置信度，从所述其他数据子集中获得人工标注数据集，以获得所述人工标注数据集中的每一个数据的人工标注标签；以及

第二确定单元，被配置用于将所述人工标注数据集中每一个数据的人工标注标签确定为该数据的标注标签。

15.根据权利要求14所述的装置，其中，所述人工标注数据集获取单元包括：

第一数据子集获取单元，被配置用于将所述其他数据子集中具有相同的第二预测标签的数据，添加到第一数据子集，以获得多个第一数据子集；

第二数据子集获取单元，被配置用于获得所述多个第一数据子集中的多个第二数据子集，对于所述多个第二数据子集中的每一个第二数据子集，该第二数据子集中的每一个数据对应的第二预测标签小于第二预设值，或者，与该第二数据子集中的多个数据对应的多个第二预测标相应的多个置信度的均值小于所述第二预设值；以及

人工标注数据集获取子单元，被配置用于基于所述多个第二数据子集，获得所述人工标注数据集。

16.根据权利要求15所述的装置，其中，所述人工标注数据集获取子单元包括：

数据添加单元，被配置用于针对所述多个第二数据子集中的每一个第二数据子集，从该第二数据子集获得要进行人工标注的多个数据，以添加到所述人工标注数据集，其中，该第二数据子集中要进行人工标注的多个数据中的每一个数据的第二预测标签的置信度小于区别于该多个数据中的每一个数据的其他数据。

17.根据权利要求16所述的装置，其中，所述数据添加单元包括：

平均置信度获取单元，被配置用于针对所述多个第二数据子集中的每一个第二数据子集，确定与该第二数据子集中的多个数据对应的多个第二预测标签相应的多个置信度的平均置信度；

数据量确定单元，被配置用于基于所述多个第二数据子集对应的多个平均置信度和所述第三预设值，确定所述多个第二数据子集中的每一个第二数据子集中的要进行人工标注的数据量；以及

第三确定单元，被配置用于基于所述多个第二数据子集中的每一个第二数据子集中的要进行人工标注的数据量和该第二数据子集中的每一个数据的第二预测标签对应的置信度，确定第二数据子集获得要进行人工标注的多个数据。

18.根据权利要求17所述的装置，其中，针对所述多个第二数据子集中的每一个第二数据子集，该第二数据子集中要进行人工标注的数据量与另一第二数据子集中要进行人工标注的数据量之间的比值与该第二数据子集对应的平均置信度与该另一第二数据子集置信度对应的均值成反比。

19.根据权利要求14所述的装置，其中，所述第二标签获取单元包括：

第二训练单元，被配置用于基于所述人工标注数据集中的每一个数据和该数据的标注标签，训练所述第二模型，以获得第三模型；以及

第三标签获取单元，被配置用于基于所述第三模型，获得所述其他数据子集中的除所述人工标注数据集中的多个数据以外的其他多个数据中的每一个数据的标签。

20.根据权利要求19所述的装置，其中，所述第三标签获取单元包括：

第四确定单元，被配置用于将所述第三模型确定为所述第一模型，并且将所述其他多个数据构成的数据集确定为所述第一数据集，以执行所述利用预训练的第一模型，获得所述第一数据集中的每一个数据的第一预测标签。

21.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。

23.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。

Images