本公开提供了基于表格的问答方法、装置以及电子设备，涉及人工智能技术领域，尤其涉及自然语言处理、深度学习技术领域。具体实现方案为：确定待处理的问题文本以及用于问答的信息表格，其中，信息表格包括：至少一个属性名；根据问题文本以及至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；根据字符向量序列、位置向量序列以及类型向量序列，确定问题文本中的属性名片段和属性值片段；根据属性名片段、属性值片段以及信息表格，确定问题文本对应的答案，从而提高基于表格的问答的效率，提高基于表格的问答的准确度。
确定待处理的问题文本以及用于问答的信息表格，其中，所述信息表格包括：至少一个属性名；
根据所述问题文本以及所述至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；
根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中的属性名片段和属性值片段；
根据所述属性名片段、所述属性值片段以及所述信息表格，确定所述问题文本对应的答案，其中，将所述信息表格中与所述属性名片段和所述属性值片段对应的内容，确定为所述问题文本对应的答案；
所述根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中的属性名片段和属性值片段，包括：根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中各字符的概率信息，其中，所述概率信息包括：属于所述至少一个属性名的概率，属于所述至少一个属性名对应的属性值的概率；
根据所述问题文本中各字符的属于所述至少一个属性名的概率以及属于所述至少一个属性名对应的属性值的概率，确定所述问题文本中的属性名片段和属性值片段。
2.根据权利要求1所述的方法，其中，所述根据所述问题文本以及所述至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列，包括：根据所述问题文本中各字符，以及所述至少一个属性名中各字符，生成问题属性字符序列；
对所述问题属性字符序列中的各字符进行向量化处理，得到所述字符向量序列；
对所述问题属性字符序列中各字符的位置信息进行向量化处理，得到所述位置向量序列；
根据所述问题属性字符序列中各字符的类型信息进行向量化处理，得到所述类型向量序列，其中，所述类型信息表征所述字符属于所述问题文本或者所述至少一个属性名。
3.根据权利要求1所述的方法，其中，所述根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中各字符的概率信息，包括：对所述字符向量序列、所述位置向量序列以及所述类型向量序列进行加和处理，得到处理后向量序列；
对所述处理后向量序列进行语义表示提取处理，得到语义表示向量序列，其中，所述语义表示向量序列中包括：所述问题文本中各字符的语义表示向量，以及所述至少一个属性名中各字符的语义表示向量；
针对每个属性名，对所述属性名中各字符的语义表示向量进行加和求平均处理，确定所述属性名的语义表示向量；
针对任意一个字符属性名对，将所述字符属性名对中第一字符的语义表示向量以及所述字符属性名对中第一属性名的语义表示向量进行拼接处理，得到第一拼接向量；
根据所述第一拼接向量，确定所述第一字符属于所述第一属性名的概率，以及所述第一字符属于所述第一属性名对应的属性值的概率。
4.根据权利要求1所述的方法，其中，所述根据所述问题文本中各字符的属于所述至少一个属性名的概率以及属于所述至少一个属性名对应的属性值的概率，确定所述问题文本中的属性名片段和属性值片段，包括：针对所述问题文本中的每个字符，根据所述字符属于所述至少一个属性名的概率以及属于所述至少一个属性名对应的属性值的概率，确定所述字符所属的属性名或者所述字符所属的属性值；
根据所述问题文本中各字符所属的属性名或者所述字符所属的属性值，确定所述属性名片段和所述属性值片段。
5.根据权利要求1所述的方法，其中，所述信息表格还包括：每个所述属性名对应的至少一个属性值；
所述根据所述属性名片段、所述属性值片段以及所述信息表格，确定所述问题文本对应的答案，包括：根据所述属性名片段和所述属性值片段查询所述信息表格，获取与所述属性名片段和所述属性值片段对应的内容；
构建初始的问答模型，其中，所述问答模型包括：用于对问题文本以及信息表格中属性名进行向量提取，获取字符向量序列、位置向量序列以及类型向量序列提取的向量提取模块、用于提取语义表示向量序列的语义提取模块、用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行拼接并预测所述问题文本中的属性名片段和属性值片段；
获取训练数据，其中，所述训练数据包括：信息表格中至少一个属性名、样本问题文本、以及所述样本问题文本对应的样本属性名片段和样本属性值片段；
以所述样本问题文本、所述至少一个属性名为所述问答模型的输入、以所述样本属性名片段和所述样本属性值片段为所述问答模型的输出，对所述问答模型进行训练；
所述问答模型还包括：语义匹配模块，用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行语义匹配，确定语义匹配度；
其中，所述以所述样本问题文本、所述至少一个属性名为所述问答模型的输入、以所述样本属性名片段和所述样本属性值片段为所述问答模型的输出，对所述问答模型进行训练，包括：将所述样本问题文本、所述至少一个属性名输入所述问答模型，获取所述问答模型输出的预测属性名片段和预测属性值片段；
根据所述预测属性名片段、预测属性值片段、所述样本属性名片段和所述样本属性值片段，构建第一损失函数；
根据所述语义匹配模块输出的预测匹配度以及预设匹配度阈值，构建第二损失函数；
根据所述第一损失函数和所述第二损失函数，构建总损失函数；
根据所述总损失函数的值，对所述问答模型进行系数调整，实现训练。
7.根据权利要求6所述的方法，其中，所述以所述样本问题文本、所述至少一个属性名为所述问答模型的输入、以所述样本问题文本对应的所述属性名片段和所述属性值片段为所述问答模型的输出，对所述问答模型进行训练，包括：将所述样本问题文本、所述至少一个属性名输入所述问答模型，获取所述问答模型输出的预测属性名片段和预测属性值片段；
根据所述预测属性名片段、预测属性值片段、所述样本属性名片段和所述样本属性值片段，构建损失函数；
根据所述损失函数的值，对所述问答模型进行系数调整，实现训练。
第一确定模块，用于确定待处理的问题文本以及用于问答的信息表格，其中，所述信息表格包括：至少一个属性名；
第二确定模块，用于根据所述问题文本以及所述至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；
第三确定模块，用于根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中的属性名片段和属性值片段；
第四确定模块，用于根据所述属性名片段、所述属性值片段以及所述信息表格，确定所述问题文本对应的答案，其中，将所述信息表格中与所述属性名片段和所述属性值片段对应的内容，确定为所述问题文本对应的答案；
第一确定单元，用于根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中各字符的概率信息，其中，所述概率信息包括：属于所述至少一个属性名的概率，属于所述至少一个属性名对应的属性值的概率；
第二确定单元，用于根据所述问题文本中各字符的属于所述至少一个属性名的概率以及属于所述至少一个属性名对应的属性值的概率，确定所述问题文本中的属性名片段和属性值片段。
9.根据权利要求8所述的装置，其中，所述第二确定模块具体用于，根据所述问题文本中各字符，以及所述至少一个属性名中各字符，生成问题属性字符序列；
对所述问题属性字符序列中的各字符进行向量化处理，得到所述字符向量序列；
对所述问题属性字符序列中各字符的位置信息进行向量化处理，得到所述位置向量序列；
根据所述问题属性字符序列中各字符的类型信息进行向量化处理，得到所述类型向量序列，其中，所述类型信息表征所述字符属于所述问题文本或者所述至少一个属性名。
10.根据权利要求8所述的装置，其中，所述第一确定单元具体用于，对所述字符向量序列、所述位置向量序列以及所述类型向量序列进行加和处理，得到处理后向量序列；
对所述处理后向量序列进行语义表示提取处理，得到语义表示向量序列，其中，所述语义表示向量序列中包括：所述问题文本中各字符的语义表示向量，以及所述至少一个属性名中各字符的语义表示向量；
针对每个属性名，对所述属性名中各字符的语义表示向量进行加和求平均处理，确定所述属性名的语义表示向量；
针对任意一个字符属性名对，将所述字符属性名对中第一字符的语义表示向量以及所述字符属性名对中第一属性名的语义表示向量进行拼接处理，得到第一拼接向量；
根据所述第一拼接向量，确定所述第一字符属于所述第一属性名的概率，以及所述第一字符属于所述第一属性名对应的属性值的概率。
11.根据权利要求8所述的装置，其中，所述第二确定单元具体用于，针对所述问题文本中的每个字符，根据所述字符属于所述至少一个属性名的概率以及属于所述至少一个属性名对应的属性值的概率，确定所述字符所属的属性名或者所述字符所属的属性值；
根据所述问题文本中各字符所属的属性名或者所述字符所属的属性值，确定所述属性名片段和所述属性值片段。
12.根据权利要求8所述的装置，其中，所述信息表格还包括：每个所述属性名对应的至少一个属性值，所述第四确定模块具体用于，根据所述属性名片段和所述属性值片段查询所述信息表格，获取与所述属性名片段和所述属性值片段对应的内容；
构建模块，用于构建初始的问答模型，其中，所述问答模型包括：用于对问题文本以及信息表格中属性名进行向量提取，获取字符向量序列、位置向量序列以及类型向量序列提取的向量提取模块、用于提取语义表示向量序列的语义提取模块、用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行拼接并预测所述问题文本中的属性名片段和属性值片段；
获取模块，用于获取训练数据，其中，所述训练数据包括：信息表格中至少一个属性名、样本问题文本、以及所述样本问题文本对应的样本属性名片段和样本属性值片段；
训练模块，用于以所述样本问题文本、所述至少一个属性名为所述问答模型的输入、以所述样本属性名片段和所述样本属性值片段为所述问答模型的输出，对所述问答模型进行训练；
其中，所述问答模型还包括：语义匹配模块，用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行语义匹配，确定语义匹配度；
将所述样本问题文本、所述至少一个属性名输入所述问答模型，获取所述问答模型输出的预测属性名片段和预测属性值片段；
根据所述预测属性名片段、预测属性值片段、所述样本属性名片段和所述样本属性值片段，构建第一损失函数；
根据所述语义匹配模块输出的预测匹配度以及预设匹配度阈值，构建第二损失函数；
根据所述第一损失函数和所述第二损失函数，构建总损失函数；
根据所述总损失函数的值，对所述问答模型进行系数调整，实现训练。
14.根据权利要求13所述的装置，其中，所述训练模块具体用于，将所述样本问题文本、所述至少一个属性名输入所述问答模型，获取所述问答模型输出的预测属性名片段和预测属性值片段；
根据所述预测属性名片段、预测属性值片段、所述样本属性名片段和所述样本属性值片段，构建损失函数；
根据所述损失函数的值，对所述问答模型进行系数调整，实现训练。
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权利要求1‑5中任一项所述的基于表格的问答方法，或者，能够执行根据权利要求6‑7中任一项所述的问答模型的训练方法。
16.一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1‑5中任一项所述的基于表格的问答方法，或者，执行根据权利要求6‑7中任一项所述的问答模型的训练方法骤。
基于表格的问答方法、装置以及电子设备
技术领域
[0001] 本公开涉及人工智能技术领域，尤其涉及自然语言处理、深度学习技术领域，尤其涉及基于表格的问答方法、装置以及电子设备。
背景技术
[0002] 相关技术中的问答方法主要为，根据输入的问题，将问题中每个字符转化成字符向量，从而确定字符向量序列，根据字符向量序列计算问题中各个字符属于固定的多个类别的概率，而表格问答中的类别不固定，问答效率差，准确度低。
发明内容
[0003] 本公开提供了一种基于表格的问答方法、装置以及电子设备。
[0004] 根据本公开的一方面，提供了一种基于表格的问答方法，包括：确定待处理的问题文本以及用于问答的信息表格，其中，所述信息表格包括：至少一个属性名；根据所述问题文本以及所述至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中的属性名片段和属性值片段；根据所述属性名片段、所述属性值片段以及所述信息表格，确定所述问题文本对应的答案。
[0005] 根据本公开的另一方面，提供了一种问答模型的训练方法，包括：构建初始的问答模型，其中，所述问答模型包括：用于对问题文本以及信息表格中属性名进行向量提取，获取字符向量序列、位置向量序列以及类型向量序列提取的向量提取模块、用于提取语义表示向量序列的语义提取模块、用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行拼接并预测所述问题文本中的属性名片段和属性值片段；获取训练数据，其中，所述训练数据包括：信息表格中至少一个属性名、样本问题文本、以及所述样本问题文本对应的样本属性名片段和样本属性值片段；以所述样本问题文本、所述至少一个属性名为所述问答模型的输入、以所述样本属性名片段和所述样本属性值片段为所述问答模型的输出，对所述问答模型进行训练。
[0006] 根据本公开的另一方面，提供了一种基于表格的问答装置，包括：第一确定模块，用于确定待处理的问题文本以及用于问答的信息表格，其中，所述信息表格包括：至少一个属性名；第二确定模块，用于根据所述问题文本以及所述至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；第三确定模块，用于根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中的属性名片段和属性值片段；第四确定模块，用于根据所述属性名片段、所述属性值片段以及所述信息表格，确定所述问题文本对应的答案。
[0007] 根据本公开的另一方面，提供了一种基于问答模型的训练装置，包括：构建模块，用于构建初始的问答模型，其中，所述问答模型包括：用于对问题文本以及信息表格中属性名进行向量提取，获取字符向量序列、位置向量序列以及类型向量序列提取的向量提取模块、用于提取语义表示向量序列的语义提取模块、用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行拼接并预测所述问题文本中的属性名片段和属性值片段；获取模块，用于获取训练数据，其中，所述训练数据包括：信息表格中至少一个属性名、样本问题文本、以及所述样本问题文本对应的样本属性名片段和样本属性值片段；训练模块，用于以所述样本问题文本、所述至少一个属性名为所述问答模型的输入、以所述样本属性名片段和所述样本属性值片段为所述问答模型的输出，对所述问答模型进行训练。
[0008] 根据本公开的又一方面，提供了一种电子设备，包括：
[0009] 至少一个处理器；以及
[0010] 与所述至少一个处理器通信连接的存储器；其中，
[0011] 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本公开上述一方面提出的基于表格的问答方法，或者，本公开上述另一方面提出的问答模型的训练方法。
[0012] 根据本公开的再一方面，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，所述计算机指令用于使所述计算机执行本公开上述一方面提出的基于表格的问答方法，或者，本公开上述另一方面提出的问答模型的训练方法。
[0013] 根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述一方面提出的基于表格的问答方法的步骤，或者，本公开上述另一方面提出的问答模型的训练方法的步骤。
[0014] 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
[0015] 附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0016] 图1是根据本公开第一实施例的示意图；
[0017] 图2为信息表格的示意图；
[0018] 图3是根据本公开第二实施例的示意图；
[0019] 图4是根据本公开第三实施例的示意图；
[0020] 图5为问答模型的结构示意图；
[0021] 图6是根据本公开第四实施例的示意图；
[0022] 图7是根据本公开第五实施例的示意图；
[0023] 图8是实施本公开的实施例的电子设备的框图。
具体实施方式
[0024] 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。
[0025] 相关技术中的问答方法主要为，根据输入的问题，将问题中每个字符转化成字符向量，从而确定字符向量序列，根据字符向量序列计算问题中各个字符属于固定的多个类别的概率，而表格问答中的类别不固定，问答效率差，准确度低。
[0026] 针对上述问题，本公开提出一种基于表格的问答方法、装置以及电子设备。
[0027] 图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的基于表格的问答方法可应用于基于表格的问答装置，该装置可被配置于电子设备中，以使该电子设备可以执行基于表格的问答功能。
[0028] 其中，电子设备可以为任一具有计算能力的设备。其中，具有计算能力的设备例如可以为个人电脑(Personal Computer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
[0029] 如图1所示，该基于表格的问答方法可以包括如下步骤：
[0030] 步骤101，确定待处理的问题文本以及用于问答的信息表格，其中，信息表格包括：至少一个属性名。
[0031] 在本公开实施例中，待处理的问题文本为用户提问的问题的文本，待处理的问题文本可以为一个，也可以为多个。问题文本例如可以为，“我想知道帕萨特多少钱”、“哈弗H6的排气量是多少”、“哈弗H6是多少钱”等。
[0032] 在本公开实施例中，信息表格包括属性名和属性值，属性名和属性值相对应，信息表格包括至少一个属性名，每个属性名对应至少一个属性值。图2为信息表格的示意图，如图2所示，信息表格包括的属性名例如可以为，“车型”、“价格”、“排量”，属性名为“车型”时，对应的属性值例如可以为，“帕萨特”、“CR‑V”、“A4L”、“哈弗H6”；属性名为“价格”时，对应的属性值例如可以为，“15.49”、“27.66”、“34.94”、“13.4”；属性名为“排量”时，对应的属性值例如可以为，“2.0”、“1.4”、“1.5”。
[0033] 步骤102，根据问题文本以及至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列。
[0034] 在本公开实施例中，基于表格的问答装置执行步骤102的过程例如可以为，根据问题文本中各字符，以及至少一个属性名中各字符，生成问题属性字符序列；对问题属性字符序列中的各字符进行向量化处理，得到字符向量序列；对问题属性字符序列中各字符的位置信息进行向量化处理，得到位置向量序列；根据问题属性字符序列中各字符的类型信息进行向量化处理，得到类型向量序列，其中，类型信息表征字符属于问题文本或者至少一个属性名。
[0035] 其中，字符向量序列包括问题属性字符序列中各字符的字符向量。其中，字符的字符向量，为对字符进行one‑hot向量算法、词向量算法(word2vec)等向量化处理得到，用于将不同的字符通过字符向量区别开。实际选择哪种算法，可以根据需要进行设置。
[0036] 其中，位置向量序列包括问题属性字符序列中各字符的位置向量。其中，字符的位置向量，表征字符在问题属性字符序列中的位置，不同的位置向量，表征不同的位置。
[0037] 其中，类型向量序列包括问题属性字符序列中各字符的类型向量。其中，字符的类型向量，表征字符属于问题文本或者至少一个属性名。类型向量总共有两种，第一种表示字符属于问题文本；第二种表示字符属于至少一个属性名。
[0038] 在本公开实施例中，对问题文本中各字符以及至少一个属性中各字符，生成问题属性字符序列，从而能够确定问题文本中各字符属于哪一个属性名，或者属于哪一个属性名对应的属性值，其中，属性名可以根据需要进行变动，从而使得本公开中的基于表格的问答方法，不限定属性名的数量以及种类，能够适用于不同场景下的不同信息表格，且能够采用具体场景下的信息表格，确定问题文本对应的答案，从而降低基于表格的问答的成本，提高基于表格的问答的效率，提高基于表格的问答的准确度。
[0039] 步骤103，根据字符向量序列、位置向量序列以及类型向量序列，确定问题文本中的属性名片段和属性值片段。
[0040] 在本公开实施例中，根据字符向量序列、位置向量序列以及类型向量序列，确定问题文本中各字符属于哪一种属性名，或者，属于哪一种属性名对应的哪个属性值；进而将所属于的属性名，确定为属性名片段；将所属于的属性名对应的某个属性值，确定为属性值片段。
[0041] 步骤104，根据属性名片段、属性值片段以及信息表格，确定问题文本对应的答案。
[0042] 在本公开实施例中，基于表格的问答装置执行步骤104的过程例如可以为，根据属性名片段和属性值片段查询信息表格，获取与属性名片段和属性值片段对应的内容；将该内容，确定为问题文本对应的答案。
[0043] 其中，以问题文本为“我想知道帕萨特多少钱”，信息表格为图2所示的信息表格为例，问题文本中“帕萨特”对应图2中的属性值片段“帕萨特”，问题文本中“多少钱”对应图2中的属性名片段“价格”；根据该属性名片段和属性值片段，查询图2所示的信息表格，即得到与属性名片段和属性值片段对应的内容“15.49”，作为上述问题文本对应的答案。
[0044] 在本公开实施例中，属性名片段和属性值片段，根据问题文本以及信息表格中的至少一个属性名确定，从而根据上述属性名片段和属性值片段查询上述信息表格，能够得到与属性名片段和属性值片段对应的内容，从而进一步提高基于表格的问答的效率，进一步提高基于表格的问答的准确度。
[0045] 综上，通过确定待处理的问题文本以及用于问答的信息表格，其中，信息表格包括：至少一个属性名；根据问题文本以及至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；根据字符向量序列、位置向量序列以及类型向量序列，确定问题文本中的属性名片段和属性值片段；根据属性名片段、属性值片段以及信息表格，确定问题文本对应的答案，从而提高基于表格的问答的效率，提高基于表格的问答的准确度。
[0046] 为了准确确定问题文本中的属性名片段和属性值片段，提高基于表格的问答的效率，提高基于表格的问答的准确度，需要确定问题文本中各字符的概率信息，如图3所示，图3是根据本公开第二实施例的示意图，在本公开实施例中，先根据字符向量序列、位置向量序列以及类型向量序列确定问题文本中各字符的概率信息，包括属于至少一个属性名的概率，属于至少一个属性名对应的属性值的概率，进而确定问题文本中的属性名片段和属性值片段。图3所示实施例可包括如下步骤：
[0047] 步骤301，确定待处理的问题文本以及用于问答的信息表格，其中，信息表格包括：至少一个属性名。
[0048] 步骤302，根据问题文本以及至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列。
[0049] 步骤303，根据字符向量序列、位置向量序列以及类型向量序列，确定问题文本中各字符的概率信息，其中，概率信息包括：属于至少一个属性名的概率，属于至少一个属性名对应的属性值的概率。
[0050] 在本公开实施例中，基于表格的问答装置执行步骤303的过程例如可以为，对字符向量序列、位置向量序列以及类型向量序列进行加和处理，得到处理后向量序列；对处理后向量序列进行语义表示提取处理，得到语义表示向量序列，其中，语义表示向量序列中包括：问题文本中各字符的语义表示向量，以及至少一个属性名中各字符的语义表示向量；针对每个属性名，对属性名中各字符的语义表示向量进行加和求平均处理，确定属性名的语义表示向量；针对任意一个字符属性名对，将字符属性名对中第一字符的语义表示向量以及字符属性名对中第一属性名的语义表示向量进行拼接处理，得到第一拼接向量；根据第一拼接向量，确定第一字符属于第一属性名的概率，以及第一字符属于第一属性名对应的属性值的概率。
[0051] 在本公开实施例中，通过对字符向量序列、位置向量序列以及类型向量序列进行加和处理，对加和处理后向量序列进行语义表示处理，得到语义表示向量序列，进而确定文本中字符属于属性名、属性值的概率，能够提高问题文本中字符的语义表示向量的准确度，提高属性名中字符的语义表示向量的准确度，从而提高概率信息的准确度，进而提高确定得到的属性名片段和属性值片段的准确度，进一步提高表格的问答的准确度。
[0052] 步骤304，根据问题文本中各字符的属于至少一个属性名的概率以及属于至少一个属性名对应的属性值的概率，确定问题文本中的属性名片段和属性值片段。
[0053] 在本公开实施例中，基于表格的问答装置执行步骤304的过程例如可以为，针对问题文本中的每个字符，根据字符属于至少一个属性名的概率以及属于至少一个属性名对应的属性值的概率，确定字符所属的属性名或者字符所属的属性值；根据问题文本中各字符所属的属性名或者字符所属的属性值，确定属性名片段和属性值片段。
[0054] 在本公开实施例中，确定字符属于至少一个属性名的概率以及属于至少一个属性名对应的属性值的概率之后，可以确定其中的最大概率；若最大概率对应的是某一个属性名，则将该属性名确定为字符所属的属性名，将该属性名作为属性名片段；若最大概率对应的是某一个属性名的某一个属性值，则将该属性值确定为字符所属的属性值，将该属性值作为属性值片段。
[0055] 在本公开实施例中，通过确定问题文本中各字符属于属性名及属性名对应的属性值的概率，从而提高字符所属的属性名或者字符所属的属性值的准确度，进一步提高确定得到的属性名片段和属性值片段的准确度，进一步提高基于表格的问答的准确度。
[0056] 步骤305，根据属性名片段、属性值片段以及信息表格，确定问题文本对应的答案。
[0057] 需要说明的是，步骤301、302和305的详细内容，可以参考图1所示实施例中的步骤101、步骤102和步骤104，此处不再进行详细说明。
[0058] 综上，通过确定待处理的问题文本以及用于问答的信息表格，其中，信息表格包括：至少一个属性名；根据问题文本以及至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；根据字符向量序列、位置向量序列以及类型向量序列，确定问题文本中各字符的概率信息，其中，概率信息包括：属于至少一个属性名的概率，属于至少一个属性名对应的属性值的概率；根据问题文本中各字符的属于至少一个属性名的概率以及属于至少一个属性名对应的属性值的概率，确定问题文本中的属性名片段和属性值片段；根据属性名片段、属性值片段以及信息表格，确定问题文本对应的答案，从而提高基于表格的问答的效率，提高基于表格的问答的准确度。
[0059] 图4是根据本公开第三实施例的示意图。需要说明的是，本公开实施例的问答模型的训练方法应用于问答模型的训练装置，该问答模型的训练装置可被配置于任一电子设备中，以使该电子设备可以执行问答模型的训练功能。
[0060] 其中，电子设备可以为任一具有计算能力的设备。其中，具有计算能力的设备例如可以为个人电脑(Personal Computer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
[0061] 如图4所示，该问答模型的训练方法可以包括以下步骤：
[0062] 步骤401，构建初始的问答模型，其中，问答模型包括：用于对问题文本以及信息表格中属性名进行向量提取，获取字符向量序列、位置向量序列以及类型向量序列提取的向量提取模块、用于提取语义表示向量序列的语义提取模块、用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行拼接并预测问题文本中的属性名片段和属性值片段。
[0063] 在本申请实施例中，语义提取模块例如可以为语义表示模型(Enhanced Representation from kNowledge IntEgration，ERNIE)中的编码模块。
[0064] 步骤402，获取训练数据，其中，训练数据包括：信息表格中至少一个属性名、样本问题文本、以及样本问题文本对应的样本属性名片段和样本属性值片段。
[0065] 步骤403，以样本问题文本、至少一个属性名为问答模型的输入、以样本属性名片段和样本属性值片段为问答模型的输出，对问答模型进行训练。
[0066] 在本公开实施例中，在一种示例中，为了提高训练得到的问答模型的准确度，问答模型的训练装置执行步骤403的过程例如可以为，将样本问题文本、至少一个属性名输入问答模型，获取问答模型输出的预测属性名片段和预测属性值片段；根据预测属性名片段、预测属性值片段、样本属性名片段和样本属性值片段，构建损失函数；根据损失函数的值，对问答模型进行系数调整，实现训练。
[0067] 在本公开实施例中，在另一种示例中，为了进一步提高训练得到的问答模型的准确度，可以结合问题文本中字符与属性名中字符之间的匹配度，构建损失函数。因此，问答模型还包括：语义匹配模块，用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行语义匹配，确定语义匹配度。问答模型的训练装置执行步骤403的过程例如可以为，将样本问题文本、至少一个属性名输入问答模型，获取问答模型输出的预测属性名片段和预测属性值片段；根据预测属性名片段、预测属性值片段、样本属性名片段和样本属性值片段，构建第一损失函数；根据语义匹配模块输出的预测匹配度以及预设匹配度阈值，构建第二损失函数；根据第一损失函数和第二损失函数，构建总损失函数；根据总损失函数的值，对问答模型进行系数调整，实现训练。
[0068] 在本公开实施例中，通过语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量的语义匹配度，来构建损失函数，能够提高训练得到的问答模型的准确度，加快问答模型的训练速度。
[0069] 综上，通过构建初始的问答模型，其中，问答模型包括：用于对问题文本以及信息表格中属性名进行向量提取，获取字符向量序列、位置向量序列以及类型向量序列提取的向量提取模块、用于提取语义表示向量序列的语义提取模块、用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行拼接并预测问题文本中的属性名片段和属性值片段；获取训练数据，其中，训练数据包括：信息表格中至少一个属性名、样本问题文本、以及样本问题文本对应的样本属性名片段和样本属性值片段；以样本问题文本、至少一个属性名为问答模型的输入、以样本属性名片段和样本属性值片段为问答模型的输出，对问答模型进行训练，从而提高基于表格的问答的效率，提高基于表格的问答的准确度。
[0070] 举例说明，图5为问答模型的结构示意图，如图5所示，样本问题文本、至少一个属性名为问答模型的输入，具体的输入格式如下：[CLS]Q1,Q2,...[SEP]C11,C12...[SEP]C21,C22,...[SEP]...[SEP]，其中，Qi为样本问题文本中第i个字符，Cjk为信息表格中第j个属性名中的第k个字符。样本问题文本和属性名之间、属性名和属性名之间使用语义表示模型内部分隔符“[SEP]”进行分隔。将样本问题文本中字符和信息表格的属性名中字符进行拼接，得到问题属性字符序列；对问题属性字符序列中的各字符、各字符的位置信息、各字符的类型信息进行向量化处理，得到字符向量序列、位置向量序列、类型向量序列；对字符向量序列(token embedding)、位置向量序列(position embedding)以及类型向量序列(type embedding)进行加和处理，得到处理后向量序列(输入序列)，送入语义提取模块(语义表示模型的编码模块)中，进行语义表示提取处理，得到语义表示向量序列。其中，字符向量序列、位置向量序列以及类型向量序列分别编码了每个字符的语义信息、位置信息、类别信息。hqi为样本问题文本中第i个字符的语义表示向量，hcjk为第j个属性名中第k个字符的语义表示向量。
[0071] 在图5中，对语义表示向量序列包括的每个属性名的所有字符的语义表示向量进行向量求均值(average pooling)，即进行平均池化(加和平均)，可以得到每个属性名的语义表示向量，将第j个属性名的语义表示向量记为vcj。例如，“价格”是输入序列的第二个属性，其两个字符的语义表示向量为hc21和hc22，将两个语义表示向量求平均，可以得到价格属性的语义表示向量vc2。
[0072] 在图5中，将样本问题文本中每个字符的语义表示向量和每个属性名的语义表示向量进行拼接，得到第一拼接向量[hqi；vcj]。然后使用第一拼接向量[hqi；vcj]计算概率pqicj。pqicj为三维向量，可以表示为，(pname,pvalue,pothers)，pname表示样本问题文本中第i个字符属于第j个属性的属性名的概率，pvalue表示样本问题文本中第i个字符属于第j个属性的属性值的概率、pothers表示样本问题文本中第i个字符属于第j个属性的非属性名属性值的概率，三个概率之和为1。例如，根据样本问题文本中第一个字符“帕”与第一个属性“车型”计算出为(0.1,0.9,0)，表示“帕”有10％的概率为车型属性的属性名，90％为车型属性的属性值，0％与车型属性无关，进而得到样本问题文本对应的预测属性名片段和预测属性值片段，根据预测属性名片段、预测属性值片段、样本属性名片段和所述样本属性值片段，构建第一损失函数。
[0073] 在图5中，针对每个样本片段，例如样本属性名片段或者样本属性值片段，进行语义表示向量提取处理。其中，以样本属性名片段为例，对样本问题文本中所属的属性名片段为该样本属性名片段的字符的语义表示向量进行拼接处理，得到第二拼接向量u；将第二拼接向量u和每一个属性名的语义表示向量vcj进行相减、相乘后与原始的u、vcj进行拼接，得到拼接向量[u；vcj；u‑vcj；u⊙vcj]，然后使用拼接向量计算该样本属性名片段与第j个属性的匹配程度pmatch。pmatch为取值范围0～1的标量，越接近0表示匹配程度越低，越接近1表示匹配程度越高。其中，样本属性名片段与预测属性名片段之间的匹配程度越高越好，样本属性值片段与预测属性值片段之间的匹配程度越高越好，其他片段之间的匹配程度越低越好。进而根据任意片段之间的匹配程度、KL散度构建第二损失函数。根据第一损失函数和第二损失函数，构建总损失函数；根据总损失函数的值，对问答模型进行系数调整，实现训练。
[0074] 为了实现上述实施例，本公开还提出一种基于表格的问答装置。
[0075] 如图6所示，图6根据本公开第四实施例的示意图。该基于表格的问答装置600包括：第一确定模块610、第二确定模块620、第三确定模块630和第四确定模块640。
[0076] 其中，第一确定模块610，用于确定待处理的问题文本以及用于问答的信息表格，其中，所述信息表格包括：至少一个属性名；
[0077] 第二确定模块620，用于根据所述问题文本以及所述至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；
[0078] 第三确定模块630，用于根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中的属性名片段和属性值片段；
[0079] 第四确定模块640，用于根据所述属性名片段、所述属性值片段以及所述信息表格，确定所述问题文本对应的答案。
[0080] 作为本公开实施例的一种可能实现方式，所述第二确定模块620具体用于，根据所述问题文本中各字符，以及所述至少一个属性名中各字符，生成问题属性字符序列；对所述问题属性字符序列中的各字符进行向量化处理，得到所述字符向量序列；对所述问题属性字符序列中各字符的位置信息进行向量化处理，得到所述位置向量序列；根据所述问题属性字符序列中各字符的类型信息进行向量化处理，得到所述类型向量序列，其中，所述类型信息表征所述字符属于所述问题文本或者所述至少一个属性名。
[0081] 作为本公开实施例的一种可能实现方式，所述第三确定模块630，包括：第一确定单元和第二确定单元。
[0082] 其中，第一确定单元，用于根据所述字符向量序列、所述位置向量序列以及所述类型向量序列，确定所述问题文本中各字符的概率信息，其中，所述概率信息包括：属于所述至少一个属性名的概率，属于所述至少一个属性名对应的属性值的概率；第二确定单元，用于根据所述问题文本中各字符的属于所述至少一个属性名的概率以及属于所述至少一个属性名对应的属性值的概率，确定所述问题文本中的属性名片段和属性值片段。
[0083] 作为本公开实施例的一种可能实现方式，所述第一确定单元具体用于，对所述字符向量序列、所述位置向量序列以及所述类型向量序列进行加和处理，得到处理后向量序列；对所述处理后向量序列进行语义表示提取处理，得到语义表示向量序列，其中，所述语义表示向量序列中包括：所述问题文本中各字符的语义表示向量，以及所述至少一个属性名中各字符的语义表示向量；针对每个属性名，对所述属性名中各字符的语义表示向量进行加和求平均处理，确定所述属性名的语义表示向量；针对任意一个字符属性名对，将所述字符属性名对中第一字符的语义表示向量以及所述字符属性名对中第一属性名的语义表示向量进行拼接处理，得到第一拼接向量；根据所述第一拼接向量，确定所述第一字符属于所述第一属性名的概率，以及所述第一字符属于所述第一属性名对应的属性值的概率。
[0084] 作为本公开实施例的一种可能实现方式，所述第二确定单元具体用于，针对所述问题文本中的每个字符，根据所述字符属于所述至少一个属性名的概率以及属于所述至少一个属性名对应的属性值的概率，确定所述字符所属的属性名或者所述字符所属的属性值；根据所述问题文本中各字符所属的属性名或者所述字符所属的属性值，确定所述属性名片段和所述属性值片段。
[0085] 作为本公开实施例的一种可能实现方式，所述信息表格还包括：每个所述属性名对应的至少一个属性值，所述第四确定模块640具体用于，根据所述属性名片段和所述属性值片段查询所述信息表格，获取与所述属性名片段和所述属性值片段对应的内容；将所述内容，确定为所述问题文本对应的答案。
[0086] 本公开实施例的基于表格的问答装置，通过确定待处理的问题文本以及用于问答的信息表格，其中，信息表格包括：至少一个属性名；根据问题文本以及至少一个属性名，确定字符向量序列、位置向量序列以及类型向量序列；根据字符向量序列、位置向量序列以及类型向量序列，确定问题文本中的属性名片段和属性值片段；根据属性名片段、属性值片段以及信息表格，确定问题文本对应的答案，从而提高基于表格的问答的效率，提高基于表格的问答的准确度。
[0087] 为了实现上述实施例，本公开还提出一种问答模型的训练装置。
[0088] 图7为本公开第五实施例的示意图，该问答模型的训练装置700，包括：构建模块710、获取模块720和训练模块730。
[0089] 构建模块710，用于构建初始的问答模型，其中，所述问答模型包括：用于对问题文本以及信息表格中属性名进行向量提取，获取字符向量序列、位置向量序列以及类型向量序列提取的向量提取模块、用于提取语义表示向量序列的语义提取模块、用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行拼接并预测所述问题文本中的属性名片段和属性值片段；
[0090] 获取模块720，用于获取训练数据，其中，所述训练数据包括：信息表格中至少一个属性名、样本问题文本、以及所述样本问题文本对应的样本属性名片段和样本属性值片段；
[0091] 训练模块730，用于以所述样本问题文本、所述至少一个属性名为所述问答模型的输入、以所述样本属性名片段和所述样本属性值片段为所述问答模型的输出，对所述问答模型进行训练。
[0092] 作为本公开实施例的一种可能实现方式，所述训练模块730具体用于，将所述样本问题文本、所述至少一个属性名输入所述问答模型，获取所述问答模型输出的预测属性名片段和预测属性值片段；根据所述预测属性名片段、预测属性值片段、所述样本属性名片段和所述样本属性值片段，构建损失函数；根据所述损失函数的值，对所述问答模型进行系数调整，实现训练。
[0093] 作为本公开实施例的一种可能实现方式，所述问答模型还包括：语义匹配模块，用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行语义匹配，确定语义匹配度；其中，所述训练模块730具体用于，将所述样本问题文本、所述至少一个属性名输入所述问答模型，获取所述问答模型输出的预测属性名片段和预测属性值片段；根据所述预测属性名片段、预测属性值片段、所述样本属性名片段和所述样本属性值片段，构建第一损失函数；根据所述语义匹配模块输出的预测匹配度以及预设匹配度阈值，构建第二损失函数；根据所述第一损失函数和所述第二损失函数，构建总损失函数；根据所述总损失函数的值，对所述问答模型进行系数调整，实现训练。
[0094] 本公开实施例的问答模型的训练装置，通过构建初始的问答模型，其中，问答模型包括：用于对问题文本以及信息表格中属性名进行向量提取，获取字符向量序列、位置向量序列以及类型向量序列提取的向量提取模块、用于提取语义表示向量序列的语义提取模块、用于对语义表示向量序列中问题文本字符的语义表示向量以及属性名的语义表示向量进行拼接并预测问题文本中的属性名片段和属性值片段；获取训练数据，其中，训练数据包括：信息表格中至少一个属性名、样本问题文本、以及样本问题文本对应的样本属性名片段和样本属性值片段；以样本问题文本、至少一个属性名为问答模型的输入、以样本属性名片段和样本属性值片段为问答模型的输出，对问答模型进行训练，从而提高基于表格的问答的效率，提高基于表格的问答的准确度。
[0095] 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、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
[0096] 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。
[0097] 图8示出了可以用来实施本公开的实施例的示例电子设备800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。
[0098] 如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
[0099] 电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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。
[0100] 计算单元801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801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801执行上文所描述的各个方法和处理，例如基于表格的问答方法；或者，问答模型的训练方法。例如，在一些实施例中，基于表格的问答方法；或者，问答模型的训练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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的基于表格的问答方法；或者，问答模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于表格的问答方法；或者，问答模型的训练方法。
[0101] 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)、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。
[0102] 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。
[0103] 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。
[0104] 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。
[0105] 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。
[0106] 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。
[0107] 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。
[0108] 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。
