一种基于深度网络和文本相似度的自动问答方法及装置

摘要

本说明书提供了一种基于深度网络和文本相似度的自动问答系统及装置，通过根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；判断所述提问语料集中问题与相似问题或非相似问题的固有关系，并确定问题与相似问题和问题与非相似问题的两对向量组合；根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；根据所述距离差设计损失函数，将所述距离差输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型，达到了在积累数据量不足的情况下，可以完成自动问答的功能，适应性高，泛化力强的技术效果。

权利要求

1.一种基于深度网络和文本相似度的自动问答方法，其特征在于，所述方法包括：根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；

根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；

当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；

根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；

根据所述距离差设计损失函数，并设置优化器最小化距离差的相反数，将所述距离差和所述最小化距离差的相反数输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。

2.如权利要求1所述的方法，其特征在于，所述根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量，包括：根据词嵌入层将所述提问语料集中的问题转换为词向量列表；

根据所述词向量列表和所述深度卷积神经网络以不同步长从字、词、短语的语义层面获得的语义特征；

根据所述语义特征对所述词向量列表中词向量编码，获得语义特征向量。

3.如权利要求1所述的方法，其特征在于，所述判断所述提问语料集中各个问题的固有关系，包括：根据所述提问语料集的语义特征向量确定所述提问语料集中包括问题、相似问题和非相似问题。

4.如权利要求2所述的方法，其特征在于，所述当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合，包括：根据所述语义特征对所述问题、所述相似问题和所述非相似问题编码确定所述问题、所述相似问题和所述非相似问题各自的语义向量；

对所述问题、所述相似问题和所述非相似问题各自的语义向量进行配对，获得所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合。

5.一种基于深度网络和文本相似度的自动问答装置，其特征在于，所述装置包括：第一获得单元，用于根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；

第一判断单元，用于根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；

第一确定单元，用于当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；

第二确定单元，用于根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；

第二获得单元，用于根据所述距离差设计损失函数，并设置优化器最小化距离差的相反数，将所述距离差和所述最小化距离差的相反数输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。

7.一种基于深度网络和文本相似度的自动问答装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任一项所述方法的步骤。

说明书

一种基于深度网络和文本相似度的自动问答方法及装置

技术领域

[0001] 本说明书实施例涉及计算机技术领域，尤其涉及一种基于深度网络和文本相似度的自动问答方法及装置。

背景技术

[0002] 目前自动问答方法主要分为两种，一种是基于海量聊天语料、采用端到端深度模型(seq2seq)实现的生成式聊天模型，该模型的特点是需要海量的聊天语料；另一种是基于模板匹配和知识图谱的检索式问答，该方式需要事先准备好比较庞大的知识图谱，知识图谱的构建不仅需要大量的数据，同样也需要大量的人力劳动，同时，基于模板匹配的用户提问意图识别需要不断的增加新的模板以适配不断出现的新的问法，是劳动密集型工作。

[0003] 但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

[0004] 现有技术中自动问答方法需要大量的数据做支撑，造成资源浪费，泛化能力差的技术问题。

发明内容

[0005] 本说明书实施例提供及一种基于深度网络和文本相似度的自动问答方法及装置，解决了现有技术中自动问答方法需要大量的数据做支撑，造成资源浪费，泛化能力差的技术问题，达到了在积累数据量不足的情况下，也可以完成自动问答的功能，适应性高，泛化力强，节约人力成本，节省资源的技术效果。

[0006] 鉴于上述问题，提出了本申请实施例以便提供一种基于深度网络和文本相似度的自动问答方法及装置。

[0007] 第一方面，本说明书实施例提供一种基于深度网络和文本相似度的自动问答方法，所述方法包括：根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；根据所述距离差设计损失函数，将所述距离差输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。

[0008] 优选地，所述根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量，包括：根据词嵌入层将所述提问语料集中的问题转换为词向量列表；根据所述词向量列表和所述深度卷积神经网络以不同步长从字、词、短语的语义层面获得的语义特征；根据所述语义特征对所述词向量列表中词向量编码，获得语义特征向量。

[0009] 优选地，所述判断所述提问语料集中各个问题的固有关系，包括：根据所述提问语料集的语义特征向量确定所述提问语料集中包括问题、相似问题和非相似问题。

[0010] 优选地，所述当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合，包括：根据所述语义特征对所述问题、所述相似问题和所述非相似问题编码确定所述问题、所述相似问题和所述非相似问题各自的语义向量；对所述问题、所述相似问题和所述非相似问题各自的语义向量进行配对，获得所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合。

[0011] 第二方面，本说明书实施例提供一种基于深度网络和文本相似度的自动问答装置，所述装置包括：

[0012] 第一获得单元，用于根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；

[0013] 第一判断单元，用于根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；

[0014] 第一确定单元，用于当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；

[0015] 第二确定单元，用于根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；

[0016] 第二获得单元，用于根据所述距离差设计损失函数，将所述距离差输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。

[0017] 优选地，所述第一获得单元中所述根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量，包括：

[0018] 第三确定单元，用于根据词嵌入层将所述提问语料集中的问题转换为词向量列表；

[0019] 第三获得单元，用于根据所述词向量列表和所述深度卷积神经网络以不同步长从字、词、短语的语义层面获得的语义特征；

[0020] 第四获得单元，用于根据所述语义特征对所述词向量列表中词向量编码，获得语义特征向量。

[0021] 优选地，所述第一判断单元中所述判断所述提问语料集中各个问题的固有关系，包括：

[0022] 第四确定单元，用于根据所述提问语料集的语义特征向量确定所述提问语料集中包括问题、相似问题和非相似问题。

[0023] 优选地，所述第一确定单元中所述当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合，包括：

[0024] 第五确定单元，用于根据所述语义特征对所述问题、所述相似问题和所述非相似问题编码确定所述问题、所述相似问题和所述非相似问题各自的语义向量；

[0025] 第五获得单元，用于对所述问题、所述相似问题和所述非相似问题各自的语义向量进行配对，获得所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合。

[0026] 第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

[0027] 第四方面，本说明书实施例提供一种基于深度网络和文本相似度的自动问答装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行上述任一项所述方法的步骤。

[0028] 本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

[0029] 本说明书实施例提供的基于深度网络和文本相似度的自动问答方法及装置，通过根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；根据所述距离差设计损失函数，将所述距离差输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。通过在小规模提问语料集上同时使用多个深度卷积网络提取提问语料集的语义特征，针对提问语料集中相似问法间存在的固有联系，分出问题与相似问题、问题与非相似问题两对向量组合，采用三角函数计算各个组合内部的向量距离，并以此设计损失函数训练整个提问语料集，得到可用于量化问法间相似度的模型，解决了自动问答方法需要大量的数据做支撑，造成资源浪费，泛化能力差的技术问题，达到了在积累数据量不足的情况下，也可以完成自动问答的功能，适应性高，泛化力强，节约人力成本，节省资源的技术效果。

附图说明

[0030] 图1为本说明书实施例中提供的一种基于深度网络和文本相似度的自动问答方法流程图；

[0031] 图2为本说明书实施例中提供的一种基于深度网络和文本相似度的自动问答装置示意图；

[0032] 图3为本说明书实施例中提供的另一种基于深度网络和文本相似度的自动问答装置示意图。

[0033] 附图标号说明：总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。

具体实施方式

[0034] 本发明实施例提供了一种基于深度网络和文本相似度的自动问答方法及装置，用于解决了现有技术中自动问答方法需要大量的数据做支撑，造成资源浪费，泛化能力差的技术问题，本发明提供的技术方案总体思路如下：

[0035] 在本发明实施例的技术方案中，通过根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；根据所述距离差设计损失函数，将所述距离差输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。解决了自动问答方法需要大量的数据做支撑，造成资源浪费，泛化能力差的技术问题，达到了在积累数据量不足的情况下，也可以完成自动问答的功能，适应性高，泛化力强，节约人力成本，节省资源的技术效果。

[0036] 为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。

[0037] 在本文公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本文公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

[0038] 实施例一

[0039] 图1为本发明实施例中一种基于深度网络和文本相似度的自动问答方法的流程示意图。如图1所示。所述方法应用于一基于深度网络和文本相似度的自动问答设备，所述基于深度网络和文本相似度的自动问答处理设备包括一输入设备和一显示设备，所述输入设备内部具有文字输入模块、文字处理模块、存储器、信号输入模块，所述输入设备可以与键盘等产生输出信号的设备进行连接，所述显示设备与所述输入设备连接，能够将所述键盘等输入设备处理的文字显示出来的显示屏等设备。该方法包括步骤S101-S105。

[0040] S101：根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；

[0041] 进一步的，所述根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量，包括：根据词嵌入层将所述提问语料集中的问题转换为词向量列表；根据所述词向量列表和所述深度卷积神经网络以不同步长从字、词、短语的语义层面获得的语义特征；根据所述语义特征对所述词向量列表中词向量编码，获得语义特征向量。

[0042] 具体而言，本申请实施例提供了一种基于深度网络和文本相似度的自动问答方法，如图1，该方法是涉及在小规模提问语料集上同时使用多个深度卷积网络提取提问语料集的语义特征，针对提问语料集中相似问法间存在的固有联系，分出问题与相似问题、问题与非相似问题两对向量组合，采用三角函数计算各个组合内部的向量距离，并以此设计损失函数训练整个提问语料集，得到可用于量化问法间相似度的模型，该模型针对训练小规模提问语料集，故该模型在积累数据量不足的情况下，也可以完成自动问答的功能，该模型能够替代传统自动问答的索引方法，当用户提问时，通过计算用户提问与答案库中所存的标准提问法的相似度，找到用户所需答案。本申请实施例具体阐述了该模型的构建过程，首先，根据词嵌入层将所述提问语料集中的问题转换为词向量列表，即提取所述问题中的关键词语经过所述词嵌入层构成所述词向量列表。根据所述词向量列表和所述深度卷积神经网络以不同步长从字、词、短语的语义层面获得的语义特征；根据所述语义特征对所述词向量列表中词向量编码，获得语义特征向量，如将所述问题中的语句当做词向量维度为宽，语句中字数为高的图像，设置卷积窗口宽度为词向量维度，其中高度分别为2、3、5、7，以此覆盖字、词、短语、子句这4种不同层面的语义，再组合多个卷积核的输出作为语义特征向量，该过程对问题、相似问题、非相似问题同等对待，均输出各自的语义特征向量，但参数设置为各自独立，互不共用。在深度卷积神经网络中，采用了按比例抛参数、批正则化等方法提高深度卷积神经网络模型的泛化能力。

[0043] S102：根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；

[0044] 进一步的，所述判断所述提问语料集中各个问题的固有关系，包括：根据所述提问语料集的语义特征向量确定所述提问语料集中包括问题、相似问题和非相似问题。

[0045] 具体而言，根据所述提问语料集中确定所述问题的语义特征向量，可以获得所述提问语料集中与所述问题的语义特征向量相近的相似问题，否则，则为所述提问语料集中的非相似问题。

[0046] S103：当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；

[0047] 进一步的，所述当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合，包括：根据所述语义特征对所述问题、所述相似问题和所述非相似问题编码确定所述问题、所述相似问题和所述非相似问题各自的语义向量；对所述问题、所述相似问题和所述非相似问题各自的语义向量进行配对，获得所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合。

[0048] 具体而言，通过步骤S102判断所述提问语料集中问题与相似问题或非相似问题存在的固有关系，根据所述语义特征对所述问题、所述相似问题和所述非相似问题编码确定所述问题、所述相似问题和所述非相似问题各自的语义向量，对所述问题、所述相似问题和所述非相似问题各自的语义向量进行配对，获得所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合，即将所述问题与所述相似问题为一组组合向量，所述问题与所述非相似问题为一组组合向量。

[0049] S104：根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；

[0050] S105：根据所述距离差设计损失函数，将所述距离差输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。

[0051] 具体而言，根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，通过数学运算确定所述第一向量距离与所述第二向量距离的距离差。根据所述距离差设计损失函数，并设置优化器最小化距离差的相反数，将所述距离差和最小化距离差的相反数输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型，不需要用大量的数据做支撑，在积累数据量不足的情况下，也可以完成自动问答的功能，适应性高，泛化力强。

[0052] 实施例二

[0053] 基于与前述实施例中一种基于深度网络和文本相似度的自动问答方法同样的发明构思，本发明还提供一种基于深度网络和文本相似度的自动问答装置，如图2所示，包括：

[0054] 第一获得单元11，用于根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；

[0055] 第一判断单元12，用于根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；

[0056] 第一确定单元13，用于当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；

[0057] 第二确定单元14，用于根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；

[0058] 第二获得单元15，用于根据所述距离差设计损失函数，将所述距离差输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。

[0059] 进一步的，所述第一获得单元中所述根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量，包括：

[0060] 第三确定单元，用于根据词嵌入层将所述提问语料集中的问题转换为词向量列表；

[0061] 第三获得单元，用于根据所述词向量列表和所述深度卷积神经网络以不同步长从字、词、短语的语义层面获得的语义特征；

[0062] 第四获得单元，用于根据所述语义特征对所述词向量列表中词向量编码，获得语义特征向量。

[0063] 进一步的，所述第一判断单元中所述判断所述提问语料集中各个问题的固有关系，包括：

[0064] 第四确定单元，用于根据所述提问语料集的语义特征向量确定所述提问语料集中包括问题、相似问题和非相似问题。

[0065] 进一步的，所述第一确定单元中所述当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合，包括：

[0066] 第五确定单元，用于根据所述语义特征对所述问题、所述相似问题和所述非相似问题编码确定所述问题、所述相似问题和所述非相似问题各自的语义向量；

[0067] 第五获得单元，用于对所述问题、所述相似问题和所述非相似问题各自的语义向量进行配对，获得所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合。

[0068] 前述图1实施例一中的一种基于深度网络和文本相似度的自动问答方法的各种变化方式和具体实例同样适用于本实施例的一种基于深度网络和文本相似度的自动问答装置，通过前述对一种基于深度网络和文本相似度的自动问答方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于深度网络和文本相似度的自动问答装置的实施方法，所以为了说明书的简洁，在此不再详述。

[0069] 实施例三

[0070] 基于与前述实施例一中一种基于深度网络和文本相似度的自动问答方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于深度网络和文本相似度的自动问答方法的任一方法的步骤。

[0071] 其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

[0072] 本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

[0073] 本说明书实施例提供的基于深度网络和文本相似度的自动问答方法及装置，通过根据多个深度卷积神经网络对提问语料集进行编码，获得所述提问语料集的语义特征向量；根据所述提问语料集的语义特征向量判断所述提问语料集中各个问题的固有关系；当所述提问语料集中问题与相似问题或非相似问题存在固有关系时，确定所述问题与所述相似问题和所述问题与所述非相似问题的两对向量组合；根据三角函数计算所述问题与所述相似问题的第一向量距离和所述问题与所述非相似问题的第二向量距离，确定所述第一向量距离与所述第二向量距离的距离差；根据所述距离差设计损失函数，将所述距离差输入所述损失函数训练所述提问语料集，获得量化问法间相似度模型。通过在小规模提问语料集上同时使用多个深度卷积网络提取提问语料集的语义特征，针对提问语料集中相似问法间存在的固有联系，分出问题与相似问题、问题与非相似问题两对向量组合，采用三角函数计算各个组合内部的向量距离，并以此设计损失函数训练整个提问语料集，得到可用于量化问法间相似度的模型，解决了自动问答方法需要大量的数据做支撑，造成资源浪费，泛化能力差的技术问题，达到了在积累数据量不足的情况下，也可以完成自动问答的功能，适应性高，泛化力强，节约人力成本，节省资源的技术效果。

[0074] 本领域内的技术人员应明白，本发明的实施例可提供为方法、方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

[0075] 本说明书是参照根据本说明书实施例的方法、设备(方法)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。

[0076] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0077] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0078] 尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。

[0079] 显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。