一种基于异常检测的社交机器人检测方法及装置

技术领域

本申请涉及数据分析技术领域，尤其涉及一种基于异常检测的社 交机器人检测方法及装置。

背景技术

社交机器人是一种能够自动生成内容并与其他用户进行互动的计 算机程序。社交机器人广泛存在于各个社交媒体中。由于社交机器人 的恶意使用在各个领域造成了不良影响，对社交媒体用户的信息安全 形成了严重威胁，且大部分的社交机器人账号均针对某一领域发布相 关内容，因此，进行领域社交机器人检测，自动识别出社交网络中的 社交机器人账号对实际应用具有重大的现实意义。

现有的社交机器人检测方法可以分为三类：基于图的方法、基于 机器学习的方法、基于众包的方法。

基于图的方法把社交网络看作是一个完整的图，通过分析社交网 络图结构特征，从其中获得特征并建立一个有效的检测算法；基于机 器学习的方法是实现社交机器人检测的一类重要方法，可分为有监督 方法和无监督方法。有监督方法将社交机器人检测看作一个分类问题， 通过一组来自账号的特征，判断该账号是否为社交机器人。无监督方 法不需要标注数据就可以进行社交机器人检测，该方法更关注账号之 间的相似性，从而进行聚类；众包是一种在线活动，其中要求许多人 手动执行任务(进行完整定义检查)，当用于检测社交机器人时，此方 法需要很高的成本或时间。

针对相关技术中存在的诸多技术问题，目前尚未提供有效的解决 方案。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申 请提供了一种基于异常检测的社交机器人检测方法及装置。

第一方面，本申请实施例提供了一种基于异常检测的社交机器人 检测方法，包括：

在目标数据源中，筛选得到满足预设数量要求，且对应于目标类 别的待检测信息；

通过确定发布各个所述待检测信息的账户，得到每个所述账户对 应的待检测信息集；

根据所述待检测信息集，确定所述账户对应的行为特征信息；

采用预设异常检测算法对所述行为特征信息进行异常检测，确定 所有行为特征信息中的异常行为特征信息；

基于异常行为特征信息确定所有账户中的社交机器人账户。

可选的，如前述的方法，所述在目标数据源中，筛选得到满足预 设数量要求，且对应于同一类别的待检测信息，包括：

确定所述目标类别对应的至少一个关键词；

通过所述关键词，在所述目标数据源中进行数据筛选，得到在预 设生成时间范围内生成，且满足所述预设数量要求的所述待检测信息。

可选的，如前述的方法，所述通过确定发布各个所述待检测信息 的账户，得到每个所述账户对应的待检测信息集，包括：

对所述待检测信息进行预处理，得到处理后信息；

根据所述处理后信息的主题，得到所述主题对应的处理后信息集；

在所有所述处理后信息集中，确定所述处理后信息集中的信息数 量大于预设数量下限，且重复信息的数量大于预设重复次数下限的目 标处理后信息集；

在所述目标处理后信息集中，通过确定发布各个所述处理后信息 的账户，得到每个所述账户对应的所述待检测信息集。

可选的，如前述的方法，所述对所述待检测信息进行预处理，得 到处理后信息，包括：

按照预设处理策略，将所述待检测信息中的目标字符进行删除， 得到有效信息；

在所述有效信息中，确定文字数量大于或等于预设阈值的所述处 理后信息。

可选的，如前述的方法，所述根据所述待检测信息集，确定所述 账户对应的行为特征信息，包括：

根据所述待检测信息集中的所述处理后信息的数量，确定所述账 户对应的发文次数；

根据所述待检测信息集中各个所述处理后信息对应的发文时间， 确定所述账户对应的发文时间段；

根据所述发文时间段以及发文次数，确定发文频率；

根据所述发文次数以及发文频率得到所述行为特征信息。

可选的，如前述的方法，所述采用预设异常检测算法对所述行为 特征信息进行异常检测，确定所有行为特征信息中的异常行为特征信 息，包括：

采用离群点检测算法作为所述预设异常检测算法对各个所述行为 特征信息进行处理，确定各个所述行为特征信息对应的检测点权重值；

在所有所述检测点权重值中，确定与平均检测点权重值之间的差 异值满足所述预设差异值的异常检测点权重值；所述平均检测点权重 值为所有所述检测点权重值的平均值；

根据所述异常检测点权重值对应的行为特征信息，得到由所述离 群点检测算法检出的所述异常行为特征信息。

可选的，如前述的方法，所述得到由所述离群点检测算法检出的 所述异常行为特征信息，包括：

确定所述行为特征信息被至少两个不同的所述离群点检测算法分 别进行异常检测，检出的候选异常行为特征信息；

确定每个所述候选异常行为特征信息的检出次数；

按照预设选择策略，根据所述检出次数在所述候选异常行为特征 信息中确定所述异常行为特征信息。

第二方面，本申请实施例提供了一种基于异常检测的领域社交机 器人检测装置，包括：

筛选模块，用于在目标数据源中，筛选得到满足预设数量要求， 且对应于目标类别的待检测信息；

第一确定模块，用于通过确定发布各个所述待检测信息的账户， 得到每个所述账户对应的待检测信息集；

第二确定模块，用于根据所述待检测信息集，确定所述账户对应 的行为特征信息；

第三确定模块，用于采用预设异常检测算法对所述行为特征信息 进行异常检测，确定所有行为特征信息中的异常行为特征信息；

判定模块，用于基于异常行为特征信息确定所有账户中的社交机 器人账户。

第三方面，本申请实施例提供了一种电子设备，包括：处理器、 通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储 器通过通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述计算机程序时，实现如前述任一项所 述的方法。

第四方面，本申请实施例提供了一种存储介质，所述存储介质包 括存储的程序，其中，所述程序运行时执行如前任一项所述的方法。

本申请实施例提供了一种基于异常检测的社交机器人检测方法及 装置，其中方法包括：在目标数据源中，筛选得到满足预设数量要求， 且对应于目标类别的待检测信息；通过确定发布各个所述待检测信息 的账户，得到每个所述账户对应的待检测信息集；根据所述待检测信 息集，确定所述账户对应的行为特征信息；采用预设异常检测算法对 所述行为特征信息进行异常检测，确定所有行为特征信息中的异常行 为特征信息；基于异常行为特征信息确定所有账户中的社交机器人账 户。通过本实施例中的方法，只依赖于筛选得到的待检测信息即可快 速确定社交机器人账户，相对于人工筛选，可以有效提高处理效率以 及准确率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符 合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前 提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于异常检测的社交机器人检测 方法的流程示意图；

图2为本申请另一实施例提供的一种基于异常检测的社交机器人 检测方法的流程示意图；

图3为本申请另一实施例提供的一种基于异常检测的社交机器人 检测方法的流程示意图；

图4为本申请另一实施例提供的一种基于异常检测的社交机器人 检测方法的流程示意图；

图5为本申请实施例提供的一种基于异常检测的社交机器人检测 装置的框图；

图6为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结 合本申请实施例中的附图，对本申请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申请的一部分实施例，而不 是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没 有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请 保护的范围。

图1为本申请实施例提供的一种基于异常检测的社交机器人检测 方法，包括如下所述步骤S1至S5：

步骤S1，在目标数据源中，筛选得到满足预设数量要求，且对应 于目标类别的待检测信息。

具体的，目标数据源，可以是用于获取数据的来源；举例的，当 本申请用于对用户发文进行检测时，目标数据源可以是社交平台，以 及门户网站等等。

预设数量要求，可以是满足异常检测要求的待检测信息的数量， 且具体的数量可以根据实际检测的要求进行选择。例如：1万条、10 万条等等。

目标类别，可以是筛选得到的待检测信息的信息类别；例如：维 权领域、涉政领域等等。

步骤S2，通过确定发布各个待检测信息的账户，得到每个账户对 应的待检测信息集。

具体的，在获取得到待检测信息之后，可以确定发布各个待检测 信息的账户，进而可以依照账户对所有待检测信息进行归类，得到每 个账户对应的所有待检测信息，进而可以得到每个账户对应的待检测 信息集。其中，每个账户对应的待检测信息集中包括该账户对应所有 待检测信息，因此每个待检测信息集中至少包括一个待检测信息。

步骤S3，根据待检测信息集，确定账户对应的行为特征信息。

具体的，行为特征信息，可以是用于表征每个账户进行待检测信 息的发布的特征。举例的，可以包括：初次发布时间、最后发布时间、 文字数量、发布数量以及发布频率等等。

步骤S4，采用预设异常检测算法对行为特征信息进行异常检测， 确定所有行为特征信息中的异常行为特征信息。

具体的，在一般情况下，正常社交用户具有相似的行为特征信息， 而社交机器人的行为特征信息与正常社交用户的行为特征信息具有较 大差异。因此，可以通过在所有行为特征信息中确定特征相近的大多 数(例如：85％)的行为特征信息作为正常行为特征信息。

异常行为特征信息，可以是所有行为特征信息中，除正常行为特 征信息之外的其他特征，或者与正常的行为特征信息之间的偏差超过 预设上限的行为特征信息。

预设异常检测算法，可以是预先设置的，用于对行为特征信息进 行异常检测的算法；可选的，预设异常检测算法可以设有多个，且每 个预设异常检测算法都需要对所有的行为特征信息进行异常检测，以 确定其中异常的异常行为特征信息。

步骤S5，基于异常行为特征信息确定所有账户中的社交机器人账 户。

具体的，在确定异常行为特征信息之后，可以确定异常行为特征 信息对应的账户，进而可以据此得到行为异于正常用户的社交机器人 账户。

可选的，可以直接将异常行为特征信息对应的账户作为社交机器 人账户；也可以对各个异常行为特征信息进行评分，将评分最高的若 干个账户作为社交机器人账户；还可以是，当存在多个预设异常检测 算法时，先确定每个异常检测算法得到的异常行为特征信息，然后根 据每个异常行为特征信息被选出的次数，从中确定次数最多的若干个 异常行为特征信息对应的账户作为社交机器人账户。

综上所述，通过本实施例中的方法，只依赖于筛选得到的待检测 信息即可快速确定社交机器人账户，相对于人工筛选，可以有效提高 处理效率。

在一些实施例中，如前述的方法，所述步骤S1在目标数据源中， 筛选得到满足预设数量要求，且对应于同一类别的待检测信息，包括 如下所述步骤S11至S12：

步骤S11，确定目标类别对应的至少一个关键词。

具体的，关键词，可以是与目标类别对应的词语。

步骤S12，通过关键词，在目标数据源中进行数据筛选，得到在预 设时间范围内产生，且满足预设数量要求的待检测信息。

具体的，可以通过关键词，在目标数据源中采用数据匹配的方式 进行筛选，得到在预设生成时间范围内生成，且满足预设数量要求的 待检测信息。其中，预设生成时间范围，可以是通过信息在目标数据 源对应的平台上的发布时间对信息进行筛选的条件，进而使得筛选得 到的待检测信息的生成时间是在该时间范围内；预设数量要求是最低 的数量，一般情况下不会对数量上限进行限制，以筛选得到尽量全面 的待检测信息。

举例的，当通过关键词在社交平台中进行数据筛选时，可以通过 关键词进行博文的匹配。

在一些实施例中，如前述的方法，所述步骤S2通过确定发布各个 待检测信息的账户，得到每个账户对应的待检测信息集，包括如下所 述步骤S21至S24：

步骤S21，对待检测信息进行预处理，得到处理后信息。

具体的，预处理，可以是对待检测信息中无用的信息或者会影响 判断的信息进行删除，以获取有效内容的处理方式。

处理后信息，则是待检测信息通过预处理之后得到的信息。

步骤S22，根据处理后信息的主题，得到主题对应的处理后信息集。

具体的，主题，可以是通过对处理后信息进行语义识别得到的， 能够表征处理后信息主旨的信息；也可以是对处理后信息中的特别字 段(例如标题)进行信息抓取后得到的信息。

因此，每个处理后信息都存在对应的主题，因而可以根据主题对 各个处理后信息进行分类，得到与每个主题对应的处理后信息集。

其中一种可选的实现方式可以是：当处理后信息为候选文本时， 从各个候选文本中合并具有相同发文主题的数据，通过单一文本存储 主题相同的候选文本对应的数据，形成多个主题的簇(每个簇为一个 主题)，最终得到候选主题文本(即处理后信息集)。

步骤S23，在所有处理后信息集中，确定处理后信息集中的信息数 量大于预设数量下限，且重复信息的数量大于预设重复次数下限的目 标处理后信息集。

具体的，重复信息，可以是每个处理后信息集中，相同的信息。

也就是说，针对每个主题对应的处理后信息集中，需要将信息数 量少于预设数量下限(例如：3条)，以及重复信息的数量少于预设重 复次数下限(例如：3条)的处理后信息集进行删除。

其中一种可选的实现方式可以是：在前一步骤S22所举示例的基 础上，从候选主题中过滤文本数据少于3条的主题，及过滤重复文本 次数少于3的文本，得到最终的主题文本集合。

步骤S24，在目标处理后信息集中，通过确定发布各个处理后信息 的账户，得到每个账户对应的待检测信息集。

具体的，在得到目标处理后信息集之后，通过确定其中的各个处 理后信息的账户，即可确定每个账户对应的处理后信息，进而根据每 个账户对应的处理后信息，得到该账户对应的待检测信息集。

进而，通过本实施例中的方法，通过该处理之后，可以预先对各 个账户进行预处理，排除明显不为社交机器人账户的正常账户，进而 可以减少后期数据处理量。

如图3所示，在一些实施例中，如前述的方法，所述步骤S21对 待检测信息进行预处理，得到处理后信息，包括如下所述步骤S211至 S212：

步骤S211，按照预设处理策略，将待检测信息中的目标字符进行 删除，得到有效信息。

具体的，预设处理策略，可以包括需要进行删除的字符，或者无 效信息的删除策略。

有效信息，可以是通过预设处理策略，对待检测信息中的目标字 符进行删除之后，得到的信息。

举例的：可以采用正则方法去除社交平台的每个发文文本中的 “@XXX”、“url”、“#XXX#”等与文本内容无关的数据，其中。XXX 用于指代无关的内容。

步骤S212，在有效信息中，确定文字数量大于或等于预设阈值的 处理后信息。

具体的，预设阈值，可以是用于对有效信息中的文字数量进行限 定的阈值。

当有效信息中的文字数量过少时，该有效信息对应的原文对于进 行舆论引导或宣传的作用较差，因此在有效信息中，确定文字数量大 于或等于预设阈值(例如：8)的处理后信息。

通过本实施例中的方法，可以对待检测信息进行筛选，以获得适 用于进行社交机器人检测的处理后信息，以提高检测的准确性以及检 测的效率。

如图4所示，在一些实施例中，如前述的方法，所述步骤S3根据 待检测信息集，确定账户对应的行为特征信息，包括如下所述步骤S31 至S34：

步骤S31，根据待检测信息集中的处理后信息的数量，确定账户对 应的发文次数；

步骤S32，根据待检测信息集中各个处理后信息对应的发文时间， 确定账户对应的发文时间段。

步骤S33，根据所述发文时间段以及发文次数，确定发文频率；

步骤S34，根据所述发文次数以及发文频率得到所述行为特征信 息。

具体的，由于待检测信息集中包括目标类别下，与每个账户对应 的所有处理后信息，因此，可以确定该账户每个处理后信息的发文时 间，以及总的发文次数；进而可以根据发文时间中的最早时间以及最 晚时间，得到发文时间段。因此可以根据发文次数以及发文时间段， 确定单位时间发文的数量以及发文频率。并将发文次数以及发文频率 作为行为特征信息中的两个参数。

在一些实施例中，如前述的方法，所述步骤S4采用预设异常检测 算法对行为特征信息进行异常检测，确定所有行为特征信息中的异常 行为特征信息，包括如下所述步骤S41至S43：

步骤S41，采用离群点检测算法作为预设异常检测算法对各个行为 特征信息进行处理，确定各个行为特征信息对应的检测点权重值；

步骤S42，在所有检测点权重值中，确定与平均检测点权重值之间 的差异值在预设差异值上限内的异常检测点权重值；平均检测点权重 值为所有检测点权重值的平均值；

步骤S43，根据异常检测点权重值对应的行为特征信息，得到由离 群点检测算法检出的异常行为特征信息。

具体的，离群点检测算法，是指用于检测某一个时间序列中，远 离序列的一般水平的极端大值和极端小值。可以是以下所示方法的一 种或多种：Angle-based OutlierDetector(ABOD)、Cluster-based Local Outlier Factor(CBLOF)、Feature Bagging、Histogram-base Outlier Detection(HBOS)、Isolation Forest、K Nearest Neighbors(KNN)、Average KNN。

其中，Angle-based Outlier Detector(ABOD):计算两两点之间角度 的频谱，如果在频谱上波动比较大，那么该点就有可能是异常点。

Cluster-based Local Outlier Factor(CBLOF)：对每个数据点计算基 于簇的局部异常因子(CBLOF)：对于大簇的点，CBLOF为簇的大小和 该点与簇的相似性的乘积；对于小簇的点，CBLOF为小簇的大小和该 点于最近的大簇的相似性的乘积。点与簇的相似性代表了点属于簇的 概率，具有最低CBLOF值的点被认为是异常值。

Feature Bagging：首先通过随机选取特征子集来构建n个子样本， 使用选定的基准评估器对子样本进行异常评分。最终，通过取所有基 准评估器的平均或者最大值来预测得分。

Histogram-base Outlier Detection(HBOS)：是一种原理简单，且通 常很有效的无监督算法。防范假设每个维度独立，每个维度再进行区 间划分，每个区间所对应的异常值取决于密度。评分模型为：

其中，i代表样本p的第i个特征。hist

Isolation Forest：通过对特征进行随机划分，建立随机森林，将经 过较少次数进行划分就可以划分出来的点认为时异常点。

K Nearest Neighbors(KNN)：对输入样本计算k-最近邻的距离，样 本的异常点得分为K最邻近距离。

Average KNN：对输入样本计算k-最近邻的距离，样本的异常点得 分为k个最近邻的平均距离。

检测点权重值，可以是通过离群点检测算法对各个行为特征信息 进行处理之后，各个行为特征信息在某一特征空间中的位置信息。

预设差异值上限，可以是用于限定检测点权重值与平均检测点权 重值之间的差值的数值区间。

由于平均检测点权重值为所有检测点权重值的平均值，因此，当 检测点权重值与平均检测点权重值之间的差异值在预设差异值上限内 时，一般预设差异值上限内的检测点权重值在所有检测点权重值的大 多数，因此可以判定该检测点权重值是正常数据；当检测点权重值与 平均检测点权重值之间的差异值超过预设差异值上限时，则判定该检 测点权重值是低概率的检测点权重值，因此将其判定为异常检测点权 重值。

当确定异常检测点权重值之后，即可根据异常检测点权重值对应 的行为特征信息，得到由离群点检测算法检出的异常行为特征信息。

通过本实施例中的方法，可以快速异常行为特征信息，且适用于 不同领域的社交机器人检测，通用性强，易于实现。

在一些实施例中，如前述的方法，所述步骤S43得到由离群点检 测算法检出的异常行为特征信息，包括如下所述步骤S431至S433：

步骤S431，确定行为特征信息被至少两个不同的离群点检测算法 分别进行异常检测，检出的候选异常行为特征信息；

步骤S432，确定每个候选异常行为特征信息的检出次数。

步骤S433，按照预设选择策略，根据检出次数在候选异常行为特 征信息中确定异常行为特征信息。

具体的，当设有多个离群点检测算法时，通过每个离群点检测算 法，都对所有的行为特征信息进行异常检测，并得到每个离群点检测 算法检出的候选异常行为特征信息。

当每个离群点检测算法都对相同的行为特征信息进行异常检测 时，不同的离群点检测算法可能会检出相同的候选异常行为特征信息； 因此，检出次数越多，说明候选异常行为特征信息为异常行为特征信 息的可能性越高。

预设选择策略，可以是用于在候选异常行为特征信息中确定异常 行为特征信息的策略。

可选的，其中一种预设选择策略中，可以先根据各个候选异常行 为特征信息的检出次数对各个候选异常行为特征信息按照由大到小的 顺序进行排序，得到排序列表。然后根据排序列表，选出前M个或者 前Q％的候选异常行为特征信息作为异常行为特征信息。其中，M为 大于等于1的整数，0

进而，通过本实施例中的方法，可以通过多个离群点检测算法得 到异常行为特征信息，例如同时采用前述实施例中的7种离群点检测 算法；可以有效避免个别离群点检测算法的误差导致的异常行为特征 信息的判定存在明显错误的情况，有效提高准确率。采用本申请前述 任一实施例中的方法，用于进行维权领域社交机器人检测的应用例， 如下所示：

在某一社交平台中共匹配到维权博文共计6870358条，其中共计 1965956个用户账号。按照前述实施例中的方法经过筛选得到2404个 可疑维权领域的社交机器人账户，社交机器人账户检测比例占0.123％， 而社交机器人账户发布的博文占总量23.99％。随机从检测出的可疑机 器人账户中抽样了100个账号进行人工排查，判定维权社交机器人检 测的正确率为86％。

由此可知，本申请中的方法在对社交机器人账户的检测中，可以 提供较高正确率，实用性强，可以有效降低人工，提高排查效率。

如图5所示，根据本申请另一方面的一个实施例，还提供了一种 基于异常检测的领域社交机器人检测装置，包括：

筛选模块1，用于在目标数据源中，筛选得到满足预设数量要求， 且对应于目标类别的待检测信息；

第一确定模块2，用于通过确定发布各个待检测信息的账户，得到 每个账户对应的待检测信息集；

第二确定模块3，用于根据待检测信息集，确定账户对应的行为特 征信息；

第三确定模块4，用于采用预设异常检测算法对行为特征信息进行 异常检测，确定所有行为特征信息中的异常行为特征信息；

判定模块5，用于基于异常行为特征信息确定所有账户中的社交机 器人账户。

具体的，本发明实施例的装置中各模块实现其功能的具体过程可 参见方法实施例中的相关描述，此处不再赘述。

根据本申请的另一个实施例，还提供一种电子设备，包括：如图6 所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503 和通信总线1504，其中，处理器1501，通信接口1502，存储器1503 通过通信总线1504完成相互间的通信。

存储器1503，用于存放计算机程序；

处理器1501，用于执行存储器1503上所存放的程序时，实现上述 方法实施例的步骤。

上述电子设备提到的总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、 数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并 不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)， 也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一 个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理 器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可 以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分 立门或者晶体管逻辑器件、分立硬件组件。

本申请实施例还提供一种存储介质，存储介质包括存储的程序， 其中，程序运行时执行上述方法实施例的方法步骤。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语 仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一 定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺 序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性 的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅 包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括 为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的 情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要 素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理 解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说 将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精 神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限 制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖 特点相一致的最宽的范围。