本發(fā)明涉及信息技術(shù)及數(shù)據(jù)業(yè)務(wù)領(lǐng)域，尤其涉及一種基于深度學(xué)習的問題匹配方法以及裝置。

背景技術(shù)：

目前的問答系統(tǒng)面臨人力資源消耗大、響應(yīng)不及時等缺陷。自動問答系統(tǒng)的目標是在給定問題情況下，給出簡短、精確的答案，無論是業(yè)界應(yīng)用還是學(xué)術(shù)研究，問句的真實意圖分析、問句與答案之間的匹配關(guān)系判別仍然是制約自動問答系統(tǒng)性能的兩個關(guān)鍵難題。眾所周知，問題匹配是判別用戶輸入的問題和標準問題、或者用戶問題和答案之間的匹配關(guān)系，精準定位匹配度最高的標準問題和答案。所以，問題匹配是自動問答系統(tǒng)中分析問句真實意圖、判別問句與答案匹配關(guān)系的重要模塊，問題匹配的效率和精度顯著地影響著問答系統(tǒng)的性能。

相關(guān)技術(shù)中，目前的問題匹配研究大多基于機器學(xué)習的方法，致力于從問題中提取詞法、句法、語義特征，研究在人工定義特征之上的關(guān)系學(xué)習，模型的效果很依賴特征的設(shè)計，然后應(yīng)用例如樸素貝葉斯、決策樹、支持向量機、最大熵等各種監(jiān)督學(xué)習的方法來構(gòu)建分類器，進而進行預(yù)測。

但是，目前存在的問題是，機器學(xué)習需要人工提取特征，模型的精度很依賴特征的設(shè)計，并且，問答系統(tǒng)中用戶的輸入問題通常屬于短文本且用詞多樣、隨意、不規(guī)范，人工提取特征很難提取到豐富的語義特征，而且設(shè)計的特征不具備通用性，從而導(dǎo)致問題的匹配結(jié)果不準確，進而影響標準問題的定位，導(dǎo)致用戶體驗變差。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的旨在至少在一定程度上解決上述的技術(shù)問題之一。

為此，本發(fā)明的第一個目的在于提出一種基于深度學(xué)習的問題匹配方法。該方法利用深度學(xué)習方法，自動從原始數(shù)據(jù)中抽取特征，使得提取到的特征更加符合實際需求，同時免去了大量人工提取特征的開銷，節(jié)約了人工成本，并且通過對兩個待匹配句子進行語義匹配和精確匹配，使得匹配結(jié)果更加精確，從而提高了問答系統(tǒng)中標準問題的定位，提升了用戶體驗。

本發(fā)明的第二個目的在于提出一種基于深度學(xué)習的問題匹配裝置。

為達到上述目的，本發(fā)明第一方面實施例提出的基于深度學(xué)習的問題匹配方法，包括：獲取用戶的輸入問題，并對所述輸入問題進行語義分析以得到所述輸入問題的詞語；獲取標準問題，并對所述標準問題進行語義分析以得到所述標準問題的詞語；獲取所述輸入問題與所述標準問題中詞語之間的相似度匹配矩陣，并基于所述相似度匹配矩陣進行分層卷積以獲取所述輸入問題與所述標準問題之間的語義粒度匹配特征；基于卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)所述輸入問題中的特征信息和所述標準問題的特征信息對所述輸入問題與所述標準問題進行精確匹配，以獲取所述輸入問題與所述標準問題之間的細粒度匹配特征；根據(jù)所述語義粒度匹配特征和所述細粒度匹配特征獲取所述輸入問題與所述標準問題之間的匹配程度。

根據(jù)本發(fā)明實施例的基于深度學(xué)習的問題匹配方法，獲取輸入問題與標準問題中詞語之間的相似度匹配矩陣，并基于相似度匹配矩陣進行分層卷積以獲取輸入問題與標準問題之間的語義粒度匹配特征，之后，可基于卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入問題中的特征信息和標準問題的特征信息對輸入問題與標準問題進行精確匹配，以獲取輸入問題與標準問題之間的細粒度匹配特征，最后，根據(jù)語義粒度匹配特征和細粒度匹配特征獲取輸入問題與標準問題之間的匹配程度。即在提取涵蓋兩個待匹配句子之間的整體含義的粗粒度特征(即語義粒度匹配特征)的同時，提取攜帶更豐富的詞語信息的細粒度匹配特征，最后，將語義粒度匹配特征和細粒度匹配特征輸入到全連接神經(jīng)網(wǎng)絡(luò)中計算兩個待匹配句子的匹配得分，整個過程中，利用深度學(xué)習方法，自動從原始數(shù)據(jù)中抽取特征，使得提取到的特征更加符合實際需求，同時免去了大量人工提取特征的開銷，節(jié)約了人工成本，并且通過對兩個待匹配句子進行語義匹配和精確匹配，使得匹配結(jié)果更加精確，從而提高了問答系統(tǒng)中標準問題的定位，提升了用戶體驗。

為達到上述目的，本發(fā)明第二方面實施例提出的基于深度學(xué)習的問題匹配裝置，包括：第一獲取模塊，獲取用戶的輸入問題，并對所述輸入問題進行語義分析以得到所述輸入問題的詞語；第二獲取模塊，用于獲取標準問題，并對所述標準問題進行語義分析以得到所述標準問題的詞語；語義匹配模塊，用于獲取所述輸入問題與所述標準問題中詞語之間的相似度匹配矩陣，并基于所述相似度匹配矩陣進行分層卷積以獲取所述輸入問題與所述標準問題之間的語義粒度匹配特征；精確匹配模塊，用于基于卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)所述輸入問題中的特征信息和所述標準問題的特征信息對所述輸入問題與所述標準問題進行精確匹配，以獲取所述輸入問題與所述標準問題之間的細粒度匹配特征；相似度匹配模塊，用于根據(jù)所述語義粒度匹配特征和所述細粒度匹配特征獲取所述輸入問題與所述標準問題之間的匹配程度。

根據(jù)本發(fā)明實施例的基于深度學(xué)習的問題匹配裝置，在提取涵蓋兩個待匹配句子之間的整體含義的粗粒度特征(即語義粒度匹配特征)的同時，提取攜帶更豐富的詞語信息的細粒度匹配特征，最后，將語義粒度匹配特征和細粒度匹配特征輸入到全連接神經(jīng)網(wǎng)絡(luò)中計算兩個待匹配句子的匹配得分，整個過程中，利用深度學(xué)習方法，自動從原始數(shù)據(jù)中抽取特征，使得提取到的特征更加符合實際需求，同時免去了大量人工提取特征的開銷，節(jié)約了人工成本，并且通過對兩個待匹配句子進行語義匹配和精確匹配，使得匹配結(jié)果更加精確，從而提高了問答系統(tǒng)中標準問題的定位，提升了用戶體驗。

本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

附圖說明

本發(fā)明上述的和/或附加的方面和優(yōu)點從下面結(jié)合附圖對實施例的描述中將變得明顯和容易理解，其中：

圖1是根據(jù)本發(fā)明一個實施例的基于深度學(xué)習的問題匹配方法的流程圖；

圖2是根據(jù)本發(fā)明實施例的獲得細粒度匹配特征的示例圖；

圖3是根據(jù)本發(fā)明一個實施例的基于深度學(xué)習的問題匹配裝置的結(jié)構(gòu)示意圖；

圖4是根據(jù)本發(fā)明一個具體實施例的基于深度學(xué)習的問題匹配裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

下面參考附圖描述根據(jù)本發(fā)明實施例的基于深度學(xué)習的問題匹配方法以及裝置。

圖1是根據(jù)本發(fā)明一個實施例的基于深度學(xué)習的問題匹配方法的流程圖。需要說明的是，本發(fā)明實施例的基于深度學(xué)習的問題匹配方法可應(yīng)用于本發(fā)明實施例的基于深度學(xué)習的問題匹配裝置。其中，該問題匹配裝置可被配置于問題系統(tǒng)，以實現(xiàn)對用戶的輸入問題與標準問題進行匹配。

如圖1所示，該基于深度學(xué)習的問題匹配方法可以包括：

s110，獲取用戶的輸入問題，并對輸入問題進行語義分析以得到輸入問題的詞語。

具體地，可獲取用戶輸入的輸入問題，并對該輸入問題的文本信息進行預(yù)處理，例如，可對該輸入問題的文本信息進行非法字符過濾，并通過語言模型進行錯誤自動糾正，之后，可對該預(yù)處理后的輸入問題的文本信息進行語義分析以得到該輸入問題的詞語。

s120，獲取標準問題，并對標準問題進行語義分析以得到標準問題的詞語。

具體地，可獲取標準問題，并可對標準問題的文本信息進行語義分析以得到該標準問題的詞語。其中，在本發(fā)明的實施例中，該標準問題的具體內(nèi)容可與問答系統(tǒng)所應(yīng)用的業(yè)務(wù)場景有關(guān)，該標準問題可以是業(yè)務(wù)廠商根據(jù)自身業(yè)務(wù)的實際需求設(shè)定的一些問題。

s130，獲取輸入問題與標準問題中詞語之間的相似度匹配矩陣，并基于相似度匹配矩陣進行分層卷積以獲取輸入問題與標準問題之間的語義粒度匹配特征。

具體地，可先通過詞向量word2vec生成工具，分別將輸入問題中的詞語與標準問題中的詞語生成對應(yīng)的詞向量，之后，可根據(jù)該輸入問題中詞語的詞向量、標準問題中詞語的詞向量，對兩個問題中的詞語進行相似度匹配，以得到兩個問題中詞語之間的相似度匹配矩陣。

其中，在本發(fā)明的實施例中，可通過相似度算法獲取輸入問題與標準問題中詞語之間的相似度匹配矩陣。作為一種示例，考慮到輸入問題中的用詞多樣、隨意、不規(guī)范等特性，所以相較于余弦相似度或者點積相似度等算法，本發(fā)明采用徑向基函數(shù)，即可通過徑向基函數(shù)獲取所述輸入問題與所述標準問題中詞語之間的相似度匹配矩陣。

其中，在本示例中，該徑向基函數(shù)可通過以下公式表示：

其中，wi表示輸入問題的第i個詞的詞向量，vj表示標準問題的第j個詞的詞向量，mij為詞wi與詞vj之間的相似度，β＝2。

在本發(fā)明的實施例中，在獲得輸入問題與標準問題中詞語之間的相似度匹配矩陣之后，可基于相似度匹配矩陣進行分層卷積，并將當前卷積層中的n-gram特征與下一個卷積層中的n-gram特征進行組合，以提取從詞語到句子層次的匹配模式，之后，可將匹配模式展開成一維張量以得到輸入問題與標準問題之間的語義粒度匹配特征。

也就是說，可基于相似度匹配矩陣進行分層卷積，第一層卷積中可以提取到n-gram特征，而后面的卷積層中的n-gram特征與下一個卷積層中的n-gram特征進行組合，提取出輸入問題與標準問題中從短語到句子層次的匹配模式，最后，將得到的匹配模式展開成一維張量得到語義粒度匹配特征。由此，通過在詞語粒度匹配完成之后，經(jīng)過多層卷積之后挖掘出句子的匹配模式，進而得到輸入問題與標準問題之間的語義粒度匹配特征。

s140，基于卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入問題中的特征信息和標準問題的特征信息對輸入問題與標準問題進行精確匹配，以獲取輸入問題與標準問題之間的細粒度匹配特征。

具體地，可先基于卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入問題中的特征信息生成輸入文字中短語級別和長短語級別的向量表達，并根據(jù)標準問題的特征信息生成標準問題中短語級別和長短語級別的向量表達，之后，可將輸入文字中短語級別和長短語級別的向量表達與標準問題中短語級別和長短語級別的向量表達進行兩兩的相似度計算，得到相似度矩陣，最后，對相似度矩陣進行動態(tài)最大值池化之后，展開成一維張量得到細粒度匹配特征。

更具體地，可先通過卷積神經(jīng)網(wǎng)絡(luò)分別得到輸入問題與標準問題中短語級別和長短語級別的向量表達，之后，將這兩個句子(即輸入問題和標準問題)短語、長短語級別的向量表達進行兩兩的相似度計算，得到相似度矩陣，最后，對相似度矩陣進行動態(tài)最大值池化之后，展開成一維張量得到細粒度匹配特征，如圖2所示。

s150，根據(jù)語義粒度匹配特征和細粒度匹配特征獲取輸入問題與標準問題之間的匹配程度。

在本發(fā)明的一個實施例中，可將語義粒度匹配特征和細粒度匹配特征輸入至全連接神經(jīng)網(wǎng)絡(luò)中以計算出輸入問題與標準問題之間的相似度。作為一種示例，該全連接神經(jīng)網(wǎng)絡(luò)可具有分類器，可將語義粒度匹配特征和細粒度匹配特征分別輸入到全連接神經(jīng)網(wǎng)絡(luò)中，并通過該全連接神經(jīng)網(wǎng)絡(luò)中的分類器進行相似度匹配，最終得到輸入問題與標準問題之間的匹配得分(即相似度)。

根據(jù)本發(fā)明實施例的基于深度學(xué)習的問題匹配方法，獲取輸入問題與標準問題中詞語之間的相似度匹配矩陣，并基于相似度匹配矩陣進行分層卷積以獲取輸入問題與標準問題之間的語義粒度匹配特征，之后，可基于卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入問題中的特征信息和標準問題的特征信息對輸入問題與標準問題進行精確匹配，以獲取輸入問題與標準問題之間的細粒度匹配特征，最后，根據(jù)語義粒度匹配特征和細粒度匹配特征獲取輸入問題與標準問題之間的匹配程度。即在提取涵蓋兩個待匹配句子之間的整體含義的粗粒度特征(即語義粒度匹配特征)的同時，提取攜帶更豐富的詞語信息的細粒度匹配特征，最后，將語義粒度匹配特征和細粒度匹配特征輸入到全連接神經(jīng)網(wǎng)絡(luò)中計算兩個待匹配句子的匹配得分，整個過程中，利用深度學(xué)習方法，自動從原始數(shù)據(jù)中抽取特征，使得提取到的特征更加符合實際需求，同時免去了大量人工提取特征的開銷，節(jié)約了人工成本，并且通過對兩個待匹配句子進行語義匹配和精確匹配，使得匹配結(jié)果更加精確，從而提高了問答系統(tǒng)中標準問題的定位，提升了用戶體驗。

與上述幾種實施例提供的基于深度學(xué)習的問題匹配方法相對應(yīng)，本發(fā)明的一種實施例還提供一種基于深度學(xué)習的問題匹配裝置，由于本發(fā)明實施例提供的基于深度學(xué)習的問題匹配裝置與上述幾種實施例提供的基于深度學(xué)習的問題匹配方法相對應(yīng)，因此在前述基于深度學(xué)習的問題匹配方法的實施方式也適用于本實施例提供的基于深度學(xué)習的問題匹配裝置，在本實施例中不再詳細描述。圖3是根據(jù)本發(fā)明一個實施例的基于深度學(xué)習的問題匹配裝置的結(jié)構(gòu)示意圖。如圖3所示，該基于深度學(xué)習的問題匹配裝置可以包括：第一獲取模塊310、第二獲取模塊320、語義匹配模塊330、精確匹配模塊340和相似度匹配模塊350。

具體地，第一獲取模塊310獲取用戶的輸入問題，并對輸入問題進行語義分析以得到輸入問題的詞語。

第二獲取模塊320用于獲取標準問題，并對標準問題進行語義分析以得到標準問題的詞語。

語義匹配模塊330用于獲取輸入問題與標準問題中詞語之間的相似度匹配矩陣，并基于相似度匹配矩陣進行分層卷積以獲取輸入問題與標準問題之間的語義粒度匹配特征。具體而言，在本發(fā)明的一個實施例中，語義匹配模塊330可通過徑向基函數(shù)獲取輸入問題與標準問題中詞語之間的相似度匹配矩陣。其中，在本發(fā)明的實施例中，該徑向基函數(shù)可通過以下公式表示：

其中，wi表示輸入問題的第i個詞的詞向量，vj表示標準問題的第j個詞的詞向量，mij為詞wi與詞vj之間的相似度，β＝2。

在本發(fā)明的實施例中，語義匹配模塊330基于相似度匹配矩陣進行分層卷積以獲取輸入問題與標準問題之間的語義粒度匹配特征的具體實現(xiàn)過程可如下：基于相似度匹配矩陣進行分層卷積，并將當前卷積層中的n-gram特征與下一個卷積層中的n-gram特征進行組合，以提取從詞語到句子層次的匹配模式；將匹配模式展開成一維張量以得到輸入問題與標準問題之間的語義粒度匹配特征。

精確匹配模塊340用于基于卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入問題中的特征信息和標準問題的特征信息對輸入問題與標準問題進行精確匹配，以獲取輸入問題與標準問題之間的細粒度匹配特征。作為一種示例，如圖4所示，該精確匹配模塊340可以包括：生成單元341、相似度計算單元342和池化單元343。其中，生成單元341用于基于卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入問題中的特征信息生成輸入文字中短語級別和長短語級別的向量表達，并根據(jù)標準問題的特征信息生成標準問題中短語級別和長短語級別的向量表達。相似度計算單元342用于將輸入文字中短語級別和長短語級別的向量表達與標準問題中短語級別和長短語級別的向量表達進行兩兩的相似度計算，得到相似度矩陣。池化單元343用于對相似度矩陣進行動態(tài)最大值池化之后，展開成一維張量得到細粒度匹配特征。

相似度匹配模塊350用于根據(jù)語義粒度匹配特征和細粒度匹配特征獲取輸入問題與標準問題之間的匹配程度。具體而言，在本發(fā)明的一個實施例中，相似度匹配模塊350可將語義粒度匹配特征和細粒度匹配特征輸入至全連接神經(jīng)網(wǎng)絡(luò)中以計算出輸入問題與標準問題之間的相似度。

根據(jù)本發(fā)明實施例的基于深度學(xué)習的問題匹配裝置，在提取涵蓋兩個待匹配句子之間的整體含義的粗粒度特征(即語義粒度匹配特征)的同時，提取攜帶更豐富的詞語信息的細粒度匹配特征，最后，將語義粒度匹配特征和細粒度匹配特征輸入到全連接神經(jīng)網(wǎng)絡(luò)中計算兩個待匹配句子的匹配得分，整個過程中，利用深度學(xué)習方法，自動從原始數(shù)據(jù)中抽取特征，使得提取到的特征更加符合實際需求，同時免去了大量人工提取特征的開銷，節(jié)約了人工成本，并且通過對兩個待匹配句子進行語義匹配和精確匹配，使得匹配結(jié)果更加精確，從而提高了問答系統(tǒng)中標準問題的定位，提升了用戶體驗。

在本發(fā)明的描述中，需要理解的是，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個該特征。在本發(fā)明的描述中，“多個”的含義是至少兩個，例如兩個，三個等，除非另有明確具體的限定。

在本說明書的描述中，參考術(shù)語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不必須針對的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任一個或多個實施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說明書中描述的不同實施例或示例以及不同實施例或示例的特征進行結(jié)合和組合。

流程圖中或在此以其他方式描述的任何過程或方法描述可以被理解為，表示包括一個或更多個用于實現(xiàn)特定邏輯功能或過程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本發(fā)明的優(yōu)選實施方式的范圍包括另外的實現(xiàn)，其中可以不按所示出或討論的順序，包括根據(jù)所涉及的功能按基本同時的方式或按相反的順序，來執(zhí)行功能，這應(yīng)被本發(fā)明的實施例所屬技術(shù)領(lǐng)域的技術(shù)人員所理解。

在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認為是用于實現(xiàn)邏輯功能的可執(zhí)行指令的定序列表，可以具體實現(xiàn)在任何計算機可讀介質(zhì)中，以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備(如基于計算機的系統(tǒng)、包括處理器的系統(tǒng)或其他可以從指令執(zhí)行系統(tǒng)、裝置或設(shè)備取指令并執(zhí)行指令的系統(tǒng))使用，或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用。就本說明書而言，"計算機可讀介質(zhì)"可以是任何可以包含、存儲、通信、傳播或傳輸程序以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用的裝置。計算機可讀介質(zhì)的更具體的示例(非窮盡性列表)包括以下：具有一個或多個布線的電連接部(電子裝置)，便攜式計算機盤盒(磁裝置)，隨機存取存儲器(ram)，只讀存儲器(rom)，可擦除可編輯只讀存儲器(eprom或閃速存儲器)，光纖裝置，以及便攜式光盤只讀存儲器(cdrom)。另外，計算機可讀介質(zhì)甚至可以是可在其上打印所述程序的紙或其他合適的介質(zhì)，因為可以例如通過對紙或其他介質(zhì)進行光學(xué)掃描，接著進行編輯、解譯或必要時以其他合適方式進行處理來以電子方式獲得所述程序，然后將其存儲在計算機存儲器中。

應(yīng)當理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實現(xiàn)。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現(xiàn)。例如，如果用硬件來實現(xiàn)，和在另一實施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項或他們的組合來實現(xiàn)：具有用于對數(shù)據(jù)信號實現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現(xiàn)場可編程門陣列(fpga)等。

本技術(shù)領(lǐng)域的普通技術(shù)人員可以理解實現(xiàn)上述實施例方法攜帶的全部或部分步驟是可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質(zhì)中，該程序在執(zhí)行時，包括方法實施例的步驟之一或其組合。

此外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理模塊中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個模塊中。上述集成的模塊既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。所述集成的模塊如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，也可以存儲在一個計算機可讀取存儲介質(zhì)中。

上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。盡管上面已經(jīng)示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對上述實施例進行變化、修改、替換和變型。