一种自然语言的高维表示方法、装置、设备及存储介质

技术领域

本发明涉及数字医疗技术领域，特别涉及一种自然语言的高维表示方法、装置、设备及存储介质。

背景技术

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，它涉及到计算机与人类、自然语言之间的交互，更被誉为人工智能领域皇冠上的明珠。人与人之间通过语言来交流，机器则需要通过数字信息。人机交互的第一步是需要将人类理解的自然语言转换为计算机能够认知的数字信息，这一步骤也被称为语言表示(Embedding)。语言的表示是自然语言处理任务的基础设施，以文本相关任务为例(后续介绍都以文本场景为例)，所有文本任务首先需要通过文本表示方法将文本转换为机器语言后再去完成具体的任务。文本表示的准确与否决定着后续任务完成的准确率高低，因此，文本的表示在自然语言处理中起到了至关重要的地位。

传统的文本表示方法，例如one-hot，通过将每一个字编码为索引，在机器处理时将字替换为索引后实现，但是传统的文本表示方法在语料库增大时，需要建立足够大的编码词典才能实现索引编码，并且该方法对不同文本表示的索引编码无法表达出相似度。后续经过改进，现阶段表示学习主要通过深度学习模型，将文本转换为向量来实现表示，例如使用预训练语言模型BERT等，然而将文本转换为向量的表示方法虽然包含了语义特征但仍然在语义相似度比较上存在缺陷。比如，文本向量表示并不直观，无法通过直接对比两个向量来展现出两个字词之间的关系，例如包含，相似，无关等；文本向量的表征以及后续使用向量进行相关的计算，例如欧氏距离计算等，无法完整的挖掘出向量内隐藏的特征，在计算中会存在特征丢失的问题。

故而，迫切需要一种自然语言的高维表示方法、装置、设备及存储介质，以解决上述技术问题。

发明内容

本发明的目的在于提供一种自然语言的高维表示方法、装置、设备及存储介质，以解决现有技术表示的文本向量难以挖掘出隐藏的语义特征，以及无法直观表示不同词语之间语义关系的技术问题。

第一方面，提供了一种自然语言的高维表示方法，包括：

获取表示文本；

基于所述表示文本，生成所述表示文本的第一文本向量；

将所述第一文本向量转化为预设维度的高维矩阵；

将所述高维矩阵映射至高维张量空间，在所述高维张量空间获得所述表示文本的特征方体，并获取所述特征方体的方体质量。

第二方面，提供了一种自然语言的高维表示装置，包括：

文本获取模块，用于获取表示文本；

向量转化模块，用于基于所述表示文本，生成所述表示文本的第一文本向量；

矩阵转化模块，将所述第一文本向量转化为预设维度的高维矩阵；

方体生成模块，用于将所述高维矩阵映射至高维张量空间，在所述高维张量空间获得所述表示文本的特征方体，并获取所述特征方体的方体质量。

第三方面，提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述自然语言的高维表示方法的步骤。

第四方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述自然语言的高维表示方法的步骤。

上述自然语言的高维表示方法、装置、设备及存储介质，将表示文本转化为文本向量，并基于不同语义类型将文本向量扩维生成高维矩阵，最后将高维矩阵映射至张量空间中，以形成表示文本的特征方体。该文本表示方法相比现有表征方式，可以在无需预设字典的前提下挖掘出隐藏的语义特征，并能够在张量空间以几何方体形式更直观、更形象地展现出字词之间的语义关系。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1显示为本发明一实施例中自然语言实现高维表示的流程示意图；

图2显示为本发明一实施例中自然语言的高维表示方法的流程示意图；

图3显示为本发明一实施例中不同文本表示的特征方体在张量空间的关系示意图；

图4显示为本发明一实施例中自然语言的高维表示方法中步骤S2的流程示意图；

图5显示为本发明一实施例中自然语言的高维表示方法中步骤S3的流程示意图；

图6显示为本发明一实施例中自然语言的高维表示方法中步骤S4的流程示意图；

图7显示为本发明一实施例中自然语言的高维表示方法中步骤S42的流程示意图；

图8显示为本发明一实施例中自然语言的高维表示方法中步骤S422的流程示意图；

图9显示为本发明一实施例中自然语言的高维表示装置的结构框图；

图10显示为本发明一实施例中计算机设备的一结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-10。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参见图1，本发明提供了一种自然语言的高维表示方法、装置、设备及存储介质，以解决现有技术表示的文本向量难以挖掘出隐藏的语义特征，以及无法直观表示不同词语之间语义关系的技术问题。

本发明实施例提供一种自然语言的高维表示方法，该表示方法应用于自然语言处理领域，该方法基于现有文本表示方法，在保留语序语义的前提下对获取的第一文本向量进行扩维，按照预设维度将第一文本向量扩维为高维矩阵，进而将高维矩阵映射至高维张量空间中以获取表示文本的特征方体。

其中，现有文本表示方法将文本表示为文本向量，而两个不同词语的文本向量在向量空间中无法直接比对两者之间的语义关系，比如，相似、包含或无关。但是在本发明提供的高维表示方法中，能够将文本转化映射在高维张量空间的特征方体，而映射在高维张量空间中的特征方体可以通过质量或体积对比来直观展示不同文本字词之间相似、包含或无关的语义关系。

如图2所示，本发明通过的自然语言的高维表示方法对“人”、“男人”和“女人”三个词语进行文本表示，将“人”、“男人”和“女人”三个词语在同一张量空间中分别表示为对应的第一方体、第二方体和第三方体，而图2显示了第一方体、第二方体和第三方体在张量空间某一维度剖面中的关系示意图，从图2中可以直观的看出在该维度向量空间中词语“人”对应的第一方体将“男人”对应的第二方体和“女人”对应的第三方体完全包含，以表示词语“人”对词语“男人”和“女人”的包含关系；以及“男人”对应的第二方体和“女人”对应的第三方体部分相交，以表示词语“男人”和“女人”的相似关系。

其中，本发明自然语言的高维表示方法可应用于医疗信息技术中的文本表示，以便于在整理医疗文本数据时对医疗文本进行语义区分和进一步的分类。例如，在整理线上问诊数据时可基于本表示方法对初步分类的医疗关键词进行方体表示，基于医疗关键词对应方体在高维张量空间中的空间关系来获取各个医疗关键词之间的语义关系，从而基于语义关系对医疗关键词进行进一步的细分。

请参阅图3所示，图3为本发明实施例提供的自然语言的高维表示方法的一个流程示意图，包括如下步骤：

S1、获取表示文本。

步骤S1中所获取的待解析的表示文本为自然语言，自然语言通常是指一种自然地随文化演化的语言。汉语、英语、日语为自然语言的例子，即是一种由人蓄意为某些特定目的而创造的语言。不过，有时所有人类使用的语言(包括上述自然地随文化演化的语言，以及人造语言)都会被视为“自然”语言，以相对于如编程语言等为计算机而设的“人造”语言。

此外，需要说明的是，在本发明实施例中，步骤S1获取解析的表示文本可以为任意长度的自然语言，例如，获取的表示文本可以为短句、词语或单字。

接着，执行步骤S2、基于所述表示文本，生成所述表示文本的第一文本向量。

在步骤S2中，使用语言表示模型将人类自然语言的表示文本转化为编程编码的第一文本向量。其中，语言表示模型按文本顺序结合子词上下文语境来依次提取表示文本中各子词的语义特征，以获取表示文本的编码形式的第一文本向量。

具体如图4所示，在步骤S2中，也即基于所述表示文本，生成所述表示文本的第一文本向量，包括如下步骤：

S21、对所述表示文本进行分词处理，按文本顺序将所述表示文本分为至少一个子词，以获取所述表示文本的文本集合；

例如，当获取的表示文本为“男人”时，将表示文本“男人”按文本顺序切分为子词“男”和“人”，从而获得文本集合{男,人}；当获取的表示文本为“人”时，则直接将子词“人”作为文本集合{人}。

S22、按文本顺序对所述文本集合中切分的各个子词依次编码，获取子词向量；其中，所述子词向量包括与所述表示文本各个子词对应的子词编码，所述子词编码按对应子词的文本顺序在所述子词向量中排布；

S23、将所述子词向量嵌入至相似度向量空间，获取第一文本向量。

在步骤S23中，通过语言表示模型根据子词向量中各个子词编码的语义特征和上下文语境将子词向量嵌入至相似度向量空间，以将子词向量转换为具有语义特征的第一文本向量。

其中，词嵌入表示是指对词语进行向量化处理之后，得到对应的词向量的过程。而在本发明实施例中，语言表示模型在提取子词向量中各个子词的语义特征来生成第一文本向量时，需基于语序来考虑子词向量中各个子词编码的上下文语境，故而步骤S2中的语言表示模型需以类似循环神经网络的因果机制，来按照文本语序提取子词向量中各子词编码的位置特征，例如在本发明一实施例中，所述语言表示模型可以采用BERT模型或ELMo模型。

BERT模型的全称为Bidirectional Encoder Representations fromTransformers，即基于Transformer的双向编码器表征，BERT模型是将预训练模型和下游任务模型结合在一起的，并通过联合调节所有层中的上下文来预先训练深度双向表示，因此，预训练的BERT表示可以通过一个额外的输出层进行微调以迅速适应下游任务。其中，双向的意思表示它在处理一个词的时候，能考虑到该词前面和后面单词的信息，从而获取上下文的语义。

ELMo模型的全称为Embedding from Language Models，即自然语言的词嵌入模型，它的核心思想体现在深度上下文(Deep Contextualized)，除了提供临时词嵌入外，还提供生成这些词嵌入的预训练模型。因此在实际应用中，ELMo可以基于预训练模型，根据实际上下文场景动态调整单词的词嵌入表示。

接着，执行步骤S3、将所述第一文本向量转化为预设维度的高维矩阵。

在步骤S3中，使用语义扩维模型在保持第一文本向量中各子词位置特征的同时进一步深挖文本子词在不同类型语义下的语义特征，并将第一文本向量由1×m的向量扩维到预设维度n的n×m的高维矩阵。

具体如图5所示，在步骤S3中，也即将所述第一文本向量转化为预设维度的高维矩阵，包括如下步骤：

S31、将所述第一文本向量输入词义扩维模型。

S32、通过所述词义扩维模型中多个并列的语义编码层对所述第一文本向量进行多层语义特征提取，获得多个语义向量；具体为，将第一文本向量分别输入至词义扩维模型中的多个语义编码层中，各个语义编码层以Highway Network(高速神经网络)为架构采用不同语义类型的网络权重去提取语义特征，从而获取第一文本向量基于不同特征类型权重的而转化的多个语义向量。

S33、通过所述词义扩维模型的全连接层整合所述多个语义向量，获取具有预设维度的高维矩阵。

其中，通过全连接层整合多个语义向量，能在不打乱文本语序的同时将多个语义向量各自包含不同类型的语义特征一起整合进高维矩阵中，使高维矩阵在各个预设维度上均包含表示文本各字词的位置特征和不同类型语义权重的语义特征。

接着，执行步骤S4、将所述高维矩阵映射至高维张量空间，在所述高维张量空间获得所述表示文本的特征方体，并获取所述特征方体的方体质量。

在步骤S4中，通过词义扩维模型中设置的projection layer(投影层)将表示文本的高维矩阵映射到预设维度的高维张量空间，使得高维矩阵中包含的语义特征几何方体形式以可视化嵌入至高维张量空间的坐标系中。而基于不同表示文本在高维张量空间中表示的特征方体，可以通过比较不同特征方体在高张量空间中的几何关系来获取对应表示文本间的语义关系。例如，若两个表示文本的特征方体在高维张量空间中相交则代表两者语义相似；若两个表示文本的特征方体在高维张量空间中没有任何相交部分则代表两者语义无关；若一个表示文本的特征方体在高维张量空间中包含另一个表示文本的特征方体则代表一个表示文本的语义包含另一个表示文本的语义。

具体比对如图2所示，采用本发明中自然语言的高维表示方法将“人”、“男人”和“女人”三个表示文本在同一张量空间映射为第一方体、第二方体和第三方体，其中，第二方体和第三方体部分相交代表表示文本“男人”和“女人”语义相似，第一方体包含第二方体和第三方体代表表示文本“人”的语义包含表示文本“男人”和“女人”的语义。

此外，特征方体的方体质量可在表示文本语义相同时对表示文本的其他特征进行进一步细分。例如，当不同表示文本表示的特征方体在高维张量空间重合时，则代表当前对比的表示文本具有相同语义，若要对表示文本的语义进行进一步细分，则需比对表示文本对应的方体质量，从而获取特征方体在不同特征类型密度权重下的文本差别，如长度特征。因此，特征方体的方体质量参数可在不影响表示文本语义表示的前提下，通过调整高维矩阵回归获得方体密度x

具体如图6所示，在步骤S4中，也即将所述高维矩阵映射至高维张量空间，在所述高维张量空间获得所述表示文本的特征方体，并获取所述特征方体的方体质量，包括如下步骤：

S41、按照预设维度将所述高维矩阵拆分为对应数量的第二文本向量，具体为，将大小n×m的高维矩阵按预设维度n拆分为n个大小为1×m的第二文本向量；其中，所述高维矩阵所要映射至的高维张量空间为语义相似度的几何空间，所述高维张量空间包括预设维度的低维向量空间，所述高维矩阵拆分的多个第二文本向量与所述高维张量空间中的低维向量空间一一对应。。

例如，在本发明一实施例中，当表示文本所要嵌入的高维张量空间的预设维度为三维时，高维张量空间可以以笛卡尔坐标系xyz表示，而所述表示文本所转化生成的高维矩阵也对应高维张量空间设定为三维，所述高维矩阵大小为3×m，在步骤S41中则将该大小为3×m的高维矩阵拆分为三个大小为1×m的第二文本向量，而所述三个第二文本向量则分别与高维张量空间中的xy向量空间、yz向量空间和xz向量空间相对应。

S42、结合所述高维矩阵的多个第二文本向量在对应低维向量空间中的映射，在高维张量空间中生成特征方体，并计算获得所述特征方体的方体特征，所述方体特征包括所述特征方体的方体密度x

在步骤S42中，通过将多个所述第二文本向量分别映射到对应的低维向量空间，以在高维张量空间的各个低维向量空间中生成对应的几何边长，将多个第二文本向量映射的几何边长在高维张量空间中结合起来以生成表示文本的特征方体。具体地，例如在上述实施例中，高维矩阵的预设维度为三维，高维矩阵拆解出的三个大小为1×m的第二文本向量分别映射至高维张量空间的xy向量空间、yz向量空间和xz向量空间，以分别映射成为长边、宽边和高边，将映射生成的长边、宽边和高边连接结合起来便可在高维张量空间中形成特征方体。

此外，如图7所示，在本发明一实施例中，在步骤S42中，也即计算获得所述特征方体的方体特征，所述方体特征包括所述特征方体的方体密度x

S421、对所述高维矩阵进行线性归一处理，获取所述特征方体在高维张量空间中的方体密度x

其中，在步骤S421中，通过Sigmoid函数对所述高维矩阵进行线性归一处理，以获得所述特征方体在高维张量空间中的方体密度x

S422、基于各个所述第二文本向量在对应低维向量空间的映射，获取所述特征方体在高维张量空间中的方体体积Vol(x)。

S43、基于所述特征方体在高维张量空间的映射，获取所述特征方体的方体质量Ma(x)；其中，x代表在高维张量空间坐标系中展示的所述特征方体对应的表示文本。

具体地，在步骤S43中，根据所述方体密度x

进一步，如图8所示，在步骤S422中，也即基于各个所述第二文本向量在对应低维向量空间的映射，获取所述特征方体在高维张量空间中的方体体积Vol(x)，包括如下步骤：

S4221、基于所述第二文本向量在对应低维向量空间的映射，获取所述第二文本向量在对应低维向量空间中尺寸信息，所述尺寸信息包括所述第二文本向量在对应第k维的低维向量空间中的尺寸缩放x

其中，所述第二文本向量在对应第k维低维向量空间中的起始位置x

S4222、根据所述第二文本向量在各自对应低维向量空间映射的尺寸信息，获得所述特征方体在高维张量空间的方体体积Vol(x)，所述特征方体的方体体积为各个第二文本向量在对应低维向量空间映射边长结合缩放比例后的乘积，所述方体体积Vol(x)的公式表示为

综上所述，上述自然语言的高维表示方法、装置、设备及存储介质，将表示文本转化为文本向量，并基于不同语义类型将文本向量扩维生成高维矩阵，最后将高维矩阵映射至张量空间中，以形成表示文本的特征方体。该文本表示方法相比现有表征方式，可以在无需预设字典的前提下挖掘出隐藏的语义特征，并能够在张量空间以几何方体形式更直观、更形象地展现出字词之间的语义关系。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种自然语言的高维表示装置10，该自然语言的高维表示装置10与上述实施例中自然语言的高维表示方法一一对应。如图9所示，该自然语言的高维表示装置10包括文本获取模块11、向量转化模块12、矩阵转化模块13和方体生成模块14。各功能模块详细说明如下：

文本获取模块11，用于获取表示文本；

向量转化模块12，用于基于所述表示文本，生成所述表示文本的第一文本向量；

矩阵转化模块13，将所述第一文本向量转化为预设维度的高维矩阵；

方体生成模块14，用于将所述高维矩阵映射至高维张量空间，在所述高维张量空间获得所述表示文本的特征方体，并获取所述特征方体的方体质量。

在一实施例中，向量转化模块12，具体用于：

对所述表示文本进行分词处理，按文本顺序将所述表示文本分为至少一个子词，以获取所述表示文本的文本集合；

按文本顺序对所述文本集合中切分的各个子词依次编码，获取子词向量；其中，所述子词向量包括与所述表示文本各个子词对应的子词编码，所述子词编码按对应子词的文本顺序在所述子词向量中排布；

将所述子词向量嵌入至相似度向量空间，获取第一文本向量。

在一实施例中，矩阵转化模块13，具体用于：

将所述第一文本向量输入词义扩维模型。

通过所述词义扩维模型中多个并列的语义编码层对所述第一文本向量进行多层语义特征提取，获得多个语义向量；具体为，将第一文本向量分别输入至词义扩维模型中的多个语义编码层中，各个语义编码层以Highway Network(高速神经网络)为架构采用不同语义类型的网络权重去提取语义特征，从而获取第一文本向量基于不同特征类型权重的而转化的多个语义向量。

通过所述词义扩维模型的全连接层整合所述多个语义向量，获取具有预设维度的高维矩阵。

在一实施例中，方体生成模块14，具体用于：

按照预设维度将所述高维矩阵拆分为对应数量的第二文本向量，具体为，将大小n×m的高维矩阵按预设维度n拆分为n个大小为1×m的第二文本向量；其中，所述高维矩阵所要映射至的高维张量空间为语义相似度的几何空间，所述高维张量空间包括预设维度的低维向量空间，所述高维矩阵拆分的多个第二文本向量与所述高维张量空间中的低维向量空间一一对应；

结合所述高维矩阵的多个第二文本向量在对应低维向量空间中的映射，在高维张量空间中生成特征方体，并计算获得所述特征方体的方体特征，所述方体特征包括所述特征方体的方体密度x

基于所述特征方体的方体特征，获取所述特征方体的方体质量Ma(x)；其中，x代表所述特征方体对应的所述表示文本；具体地，在步骤S43中，根据所述方体密度x

在一实施例中，方体生成模块14，具体用于：

对所述高维矩阵进行线性归一处理，获取所述特征方体在高维张量空间中的方体密度x

基于各个所述第二文本向量在对应低维向量空间的映射，获取所述特征方体在高维张量空间中的方体体积Vol(x)。

在一实施例中，方体生成模块14，具体用于：

通过Sigmoid函数对所述高维矩阵进行线性归一处理，以获得所述特征方体在高维张量空间中的方体密度x

在一实施例中，方体生成模块14，具体用于：

基于所述第二文本向量在对应低维向量空间的映射，获取所述第二文本向量在对应低维向量空间中尺寸信息，所述尺寸信息包括所述第二文本向量在对应第k维的低维向量空间中的尺寸缩放x

根据所述第二文本向量在各自对应低维向量空间映射的尺寸信息，获得所述特征方体在高维张量空间的方体体积Vol(x)，所述特征方体的方体体积为各个第二文本向量在对应低维向量空间映射边长结合缩放比例后的乘积，所述方体体积Vol(x)的公式表示为

在一个实施例中，提供了一种计算机设备，该计算机设备内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种自然语言的高维表示方法的功能或步骤。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：

获取表示文本；

基于所述表示文本，生成所述表示文本的第一文本向量；

将所述第一文本向量转化为预设维度的高维矩阵；

将所述高维矩阵映射至高维张量空间，在所述高维张量空间获得所述表示文本的特征方体，并获取所述特征方体的方体质量。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取表示文本；

基于所述表示文本，生成所述表示文本的第一文本向量；

将所述第一文本向量转化为预设维度的高维矩阵；

将所述高维矩阵映射至高维张量空间，在所述高维张量空间获得所述表示文本的特征方体，并获取所述特征方体的方体质量。

需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。