基于人物性格动态建模的对话情感识别方法及系统

技术领域

本公开属于情感识别技术领域，尤其涉及一种基于人物性格动态建模的对话情感识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

情绪是一种人类重要的生物属性，而对话则是这种属性表达的常见载体，对话中的情绪识别旨在识别出对话中每一句话背后隐藏的个人情感。这是一个极具挑战性的任务，随着智能设备的发展与对话场景的增多，这项任务得到了越来越多研究人员的关注。然而话语中的情绪识别不同于常规的文本情感识别，在文本情感识别中，仅需要考虑所出现的文本内容；而对话作为一种社交形式，不同的个体在情绪表达方式天然具有差异，相似的文本内容在不同的个体上则会产生差异的情感表达，从而导致难以正确分辨话语情感。这种话语情感上的差异性表现很大程度上是受到一个人的固定行为模式和个人特质的影响，这类影响方式在心理学上归结为性格因素。然而在最近的工作中，许多方法忽略了性格对话语情感表达的作用。大多数方法将目标集中在上下文背景信息的获取上，Ghosa l等人首先提出了Dia logueGCN模型，该模型应用图卷积网络(GCN)来捕获对话中的远程上下文信息，Dia logueGCN将每个话语作为一个节点，并连接会话中同一窗口中的任何节点。而Hu等人在多模态话语间建立的一个全连通图，使用深度图卷积对表示更新，Shen等人则根据不同的对话人建立图结构，并在图融合过程中使用了循环神经网络的思想取得了优异的效果。Li等人在图的融合过程中，利用动态融合的方式避免产生信息冗余，实现了对话中的多模态信息互补，Sun等人通过利用话语间的语篇结构建立更有解释性的图网络，直接获取远程上下文。而话语的上下文背景信息除了本身的文本之外，话语中所蕴含的外部知识也包含了许多情感信息，如Ghosa l等人提取话语的常识信息并融入到对话中提升性能，Li等人则是在知识的融入过程中改进了图结构中边的信息。Xie等人则采用了更加细粒度的外部知识对话语内容进行补充。

发明人发现，虽然上下文语境信息尤为重要，但是在真实的对话场景中，即使在相似的谈话背景与文本信息下，也会由于谈话的人不同而产生不同的情感表现。而无论是基于循环神经网络的方法或是利用了图结构的建模方式，均无法从话语中获取谈话人的性格特征，导致话语情感识别的准确性与可解释性受到限制。如图1所示，根据上下文语境可知其中的女性角色遭遇了不公正待遇而被辞退，而男性角色对这种结果表示不满。然而这种上下文背景下我们仍很难判断男女双方具体的情绪是怎样的，即我们在无法获得双方性格的前提下，难以依据话语的文本内容判断说话人对某件事情的具体看法与情绪表达。

发明内容

本公开为了解决上述问题，提供了一种基于人物性格动态建模的对话情感识别方法及系统，所述方案通过历史会话，利用所提出的性格提取模块，建立起在该段对话中参与者的群体性格与个体性格，并根据对话的进行不断更新群体性格与个体性格的特征；同时，在每句话的情感表示中，将性格因素通过所提出的性格参与模块，对话语的情感表达倾向产生影响，并且整个过程中，将堆叠性格提取模块与性格参与模块，使性格特征与会话表示进行分层更新，实现了更具有解释性的会话情感识别与更精准的情感分类效果。

根据本公开实施例的第一个方面，提供了一种基于人物性格动态建模的对话情感识别方法，包括：

获取待情感识别的历史会话，并提取历史会话中每个话语的特征向量；

基于提取的历史会话中每个话语的特征向量，分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示；

基于每个话语的全局上下文表示以及群体性格中每句话的关注度权重，获得历史会话中对话人的群体性格特征；基于每个话语的个体上下文表示以及个体性格中每句话的关注度权重，获得历史会话中对话人的个体性格特征；

将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示；

基于经群体性格参与的话语表示、初始的全局上下文表示、经个体性格参与的话语表示以及初始的个体上下文表示的融合特征，利用多层感知机获得每个话语的情感标签。

进一步的，所述分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示，具体为：分别利用两个预先训练的双向长短时记忆网络分别建模全局话语顺序依赖关系与个体话语顺序依赖关系，其中，所述全局话语顺序依赖关系的建模，所述双向长短时记忆网络的输入为历史会话中每个话语的文本特征；所述个体话语顺序依赖关系的建模，所述双向长短时记忆网络的输入为同一说话人相邻话语的文本特征。

进一步的，所述每句话的关注度权重的获取，具体为：

群体性格中每句话的关注度权重，采用如下计算公式：

其中，

个体性格中每句话的关注度权重，采用如下计算公式：

其中，

进一步的，所述提取历史会话中每个话语的特征向量，具体采用预训练语言模型RoBERTa模型进行特征提取。

进一步的，所述将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示，具体为：基于门控循环单元的更新与重置机制将群体性格特征以及个体性格特征融入到话语表示中。

进一步的，所述将获得的群体性格特征融入到话语表示中，具体为：

根据当前的输入话语和群体性格特征，计算更新门与重置门；

通过重置门将新输入的话语与之前的群体性格特征相结合；

利用更新门将群体性格特征传递至下一层，同时采用堆叠方式将对话进行层次更新，其中所述堆叠方式为：l层产生的话语表示，作为l+1层的初始化输入话语。

或，所述将获得的个体性格特征融入到话语表示中，具体为：

根据个人历史话语和个体性格特征，计算更新门与重置门；

通过重置门将新输入的话语与之前的个体性格特征相结合；

利用更新门将个体性格特征传递至下一层，同时采用堆叠方式将对话进行层次更新，其中所述堆叠方式为：l层产生的话语表示，作为l+1层的初始化输入话语。

进一步的，所述基于经群体性格参与的话语表示、话语初始的全局上下文表示、经个体性格参与的话语表示以及话语初始的个体上下文表示的融合特征，具体为：将经群体性格参与的话语表示与话语初始的全局上下文表示相加；同时，将经个体性格参与的话语表示以及话语初始的个体上下文表示相加，并拼接两部分相加得到的话语表示，获得每个话语的融合特征。

根据本公开实施例的第二个方面，提供了一种基于人物性格动态建模的对话情感识别系统，包括：

话语特征提取单元，其用于获取待情感识别的历史会话，并提取历史会话中每个话语的特征向量；

全局和个体特征提取单元，其用于基于提取的历史会话中每个话语的特征向量，分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示；

性格提取单元，其用于基于每个话语的全局上下文表示以及群体性格中每句话的关注度权重，获得历史会话中对话人的群体性格特征；基于每个话语的个体上下文表示以及个体性格中每句话的关注度权重，获得历史会话中对话人的个体性格特征；

性格参与单元，其用于将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示；

情感识别单元，其用于基于经群体性格参与的话语表示、初始的全局上下文表示、经个体性格参与的话语表示以及初始的个体上下文表示的融合特征，利用多层感知机获得每个话语的情感标签。

根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于人物性格动态建模的对话情感识别方法。

根据本公开实施例的第四个方面，提供了一种非暂态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所述的一种基于人物性格动态建模的对话情感识别方法。

与现有技术相比，本公开的有益效果是：

(1)本公开提供了一种基于人物性格动态建模的对话情感识别方法及系统，所述方案通过历史会话，利用所提出的性格提取模块，建立起在该段对话中参与者的群体性格与个体性格，并根据对话的进行不断更新群体性格与个体性格的特征；同时，在每句话的情感表示中，将性格因素通过所提出的性格参与模块，对话语的情感表达倾向产生影响，并且整个过程中，将堆叠性格提取模块与性格参与模块，使性格特征与会话表示进行分层更新，实现了更具有解释性的会话情感识别与更精准的情感分类效果。

(2)本公开所述方案通过提取出对话参与者的群体性格与个体性格，使其参与到话语的情感表达中，大量的实验结果表明，本公开所提出的方案达到了超越基线的性能。此外，通过综合评价和烧蚀研究，证实了本公开所述方案的优势和不同模块的影响，提高了话语情感识别的性能。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开背景技术中所述的I EMOCAP数据集中某段对话中的一部分示例；

图2为本公开实施例中所述的一种基于人物性格动态建模的对话情感识别方法整体流程图；

图3为本公开实施例中所述的性格话语融合模块结构示意图。

具体实施方式

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一：

本实施例的目的是提供一种基于人物性格动态建模的对话情感识别方法。

一种基于人物性格动态建模的对话情感识别方法，包括：

获取待情感识别的历史会话，并提取历史会话中每个话语的特征向量；

基于提取的历史会话中每个话语的特征向量，分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示；

基于每个话语的全局上下文表示以及群体性格中每句话的关注度权重，获得历史会话中对话人的群体性格特征；基于每个话语的个体上下文表示以及个体性格中每句话的关注度权重，获得历史会话中对话人的个体性格特征；

将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示；

基于经群体性格参与的话语表示、初始的全局上下文表示、经个体性格参与的话语表示以及初始的个体上下文表示的融合特征，利用多层感知机获得每个话语的情感标签。

在具体实施中，所述分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示，具体为：分别利用两个预先训练的双向长短时记忆网络分别建模全局话语顺序依赖关系与个体话语顺序依赖关系，其中，所述全局话语顺序依赖关系的建模，所述双向长短时记忆网络的输入为历史会话中每个话语的文本特征；所述个体话语顺序依赖关系的建模，所述双向长短时记忆网络的输入为同一说话人相邻话语的文本特征。

在具体实施中，所述提取历史会话中每个话语的特征向量，具体采用预训练语言模型RoBERTa模型进行特征提取。

在具体实施中，所述将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示，具体为：基于门控循环单元的更新与重置机制将群体性格特征以及个体性格特征融入到话语表示中。

在具体实施中，所述将获得的群体性格特征融入到话语表示中，具体为：

根据当前的输入话语和群体性格特征，计算更新门与重置门；

通过重置门将新输入的话语与之前的群体性格特征相结合；

利用更新门将群体性格特征传递至下一层，同时采用堆叠方式将对话进行层次更新，其中所述堆叠方式为：l层产生的话语表示，作为l+1层的初始化输入话语。

或，所述将获得的个体性格特征融入到话语表示中，具体为：

根据个人历史话语和个体性格特征，计算更新门与重置门；

通过重置门将新输入的话语与之前的个体性格特征相结合；

利用更新门将个体性格特征传递至下一层，同时采用堆叠方式将对话进行层次更新，其中所述堆叠方式为：l层产生的话语表示，作为l+1层的初始化输入话语。

在具体实施中，所述基于经群体性格参与的话语表示、话语初始的全局上下文表示、经个体性格参与的话语表示以及话语初始的个体上下文表示的融合特征，具体为：将经群体性格参与的话语表示与话语初始的全局上下文表示相加；同时，将经个体性格参与的话语表示以及话语初始的个体上下文表示相加，并拼接两部分相加得到的话语表示，获得每个话语的融合特征。

具体的，为了便于理解，以下结合附图对本实施例所述方案进行详细说明：

本实施例提供了一种基于人物性格动态建模的对话情感识别方法，在该方法中，我们通过历史会话，利用所提出的性格提取模块，建立起在该段对话中参与者的群体性格与个体性格，并根据对话的进行不断更新群体性格与个体性格的特征。同时在每句话的情感表示中，我们将性格因素通过所提出的性格参与模块，对话语的情感表达倾向产生影响。并且整个过程中，我们将堆叠性格提取模块与性格参与模块，使性格特征与会话表示进行分层更新，实现了更具有解释性的会话情感识别与更精准的情感分类效果。

具体的，如图2所示，本实施例所述方法的整体框架主要包括以下三个模块：话语特征提取器、性格会话的层次融合模块以及情感预测模块，以下分别对三个模块进行详细说明：

(一)问题定义

任务的数据为一段对话的文字记录以及每个组成话语的说话者信息，旨在从一组预先定义的情绪中识别每个话语的情绪。在对话情感识别中，数据由多段对话{c

(二)话语特征提取器模块

我们采用广泛使用的预训练语言模型RoBERTa来执行话语级特征提取。RoBERTaLarge遵循原有的BERT Large架构，有24层，每个块中有16个自注意头，隐藏层维度为1024。具体来说，对于每个话语u

u′

其中

在对话情感识别中，顺序关系能够提供对话的上下文背景和发展脉络，同时帮助模型消除某些语句存在的歧义，并更好地理解对话参与者的情感变化。我们通过单独的编码器为对话文本感知上下文进行特征编码，而为了方便接下来能够在群体与个体层面上对性格画像进行提取，我们在这一部分，利用两个双向LSTM分别建模全局话语顺序依赖关系与个体话语顺序依赖关系。

具体来说，在全局话语顺序依赖关系的建模中，输入是每个话语的文本特征

为了学习个体话语顺序依赖关系，我们还使用了另一个双向LSTM网络来捕获同一说话人相邻话语之间的相互依赖。给定每个发声的文本特征u′

其中p

(三)性格会话的层次融合模块

(a)全局性格话语融合

在这一步，我们为了模拟现实对话中群体性格对话语情感表达的影响，使对话人群体性格参与到话语的表示更新，我们设置了一个全局性格话语融合模块，来实现话语与群体性格的交互。该模块由性格提取和性格参与两个大部分组成，如图3所示，我们采用NPA等人在新闻推荐中用户兴趣建模的方法，对话语中的说话人性格进行提取，并利用门控机制将对话人性格整合至话语表示，最后通过堆叠全局性格话语融合模块实现层次更新。在第一层我们对输入话语进行初始化为：

接下来我们将以第l层的计算步骤详细介绍这两部分实施的具体细节。

1)群体性格提取模块

在这一阶段，我们旨在从历史话语中学习到说话人群体性格的表示，如图2左侧部分所示。通过对历史对话构建个性化注意模块，来获得历史话语中对话人的群体性格特征。即我们在对话中，会感受周围的对话人说话性格，进而影响自我在对话中的情感表达。如果整体对话的参与者是开放、外向的人，我们可能更倾向于积极、直接地表达情感。相反，如果参与者是内向、保守的人，我们则可能更倾向于保持冷静或含蓄。为了模拟出在对话中的说话人群体性格，我们利用注意力的方式将历史话语融合为性格表示。我们首先将对话中全部说话人的群体性格向量进行初始化，表示为：

其中

注意的是，第一层的群体性格嵌入初始化为：

其中k

接下来，我们会根据会话的进行来对群体性格表示不断更新，具体为：

其中，

我们将第i句话的关注度权重表示为α

其中

2)群体性格参与模块

在日常对话中，说话人的群体性格会随着话语的不断进行而产生变化，同时由于对话是一种社交交流形式，参与者之间的话语互动可以对彼此的情感和性格表现产生影响。当人们参与对话并与其他人交流时，这种互动就会导致说话人在理解群体性格上发生微妙的变化。而这种动态变化的群体性格则会对说话人的下一次情感表达产生影响。如图2右侧所示，为了在模型中重构这种影响形式，我们在这一步，借鉴GRU单元的更新与重置机制来实现群体性格对话语情感表达的影响。首先，我们根据当前的输入话语和群体性格特征表示，来计算更新门与重置门，具体为：

其中，W

接下来通过重置门实现将新输入的话语与之前的群体性格相结合，有助于捕获当前话语中受群体性格影响的重要信息，其具体计算为：

其中W为训练权重矩阵。

下一步则借助更新门来控制此时的群体性格信息被带入到当前话语状态中的程度，即帮助模型决定将多少群体性格信息传递到下一层，并用于更新当前话语表示，计算为：

其中

同时，为了在模型中实现参数的共享和泛化能力的提升，并促使其学习到话语的深层抽象表示以及全局特征，我们设置堆叠全局性格话语融合模块将对话进行层次更新。即l层产生的话语表示，作为l+1层的初始化输入话语。

(b)个体性格话语融合

在群体性格话语融合中，我们利用对话人群体性格对话语表示进行更新，而除此之外，个体的性格特征同样会影响其情感表达的强度和方式。如一些人可能更倾向于强烈地表达情感，而其他人可能更倾向于保持冷静或控制情感。个体的性格类型则在一定程度上决定了他们在情感表达中的直接性、强烈性或内敛性。而为了在模型中能够实现个体性格参与到话语情感表达中，我们设置了个体性格话语融合模块，其步骤同群体性格话语融合类似，同样的，该模块由性格提取和性格参与两个大部分组成，在第一层我们对输入话语进行初始化为：

接下来我们将以个体性格话语融合模块中第l层的计算步骤详细介绍这两部分的实施细节。

1)个体性格提取阶段

在对话中，不同个体的性格对同一种情感的表达方式具有很大差异，如一些个体可能倾向于使用具有强烈情感的话语进行表现，而其他个体更倾向于使用柔和的形式来表达相同的情感。而在这一阶段，为了得到对话中每个参与者的个体性格，我们遵循群体性格话语融合中群体性格提取的实施细节。利用个人的历史话语，构建对话中每个说话人的个体性格。我们首先将对话中每一个说话人的个体性格向量进行初始化，表示为：

其中

注意的是，p说话人第一层的个体性格嵌入初始化为：

接下来，我们会根据会话的进行来对个体性格表示不断更新，与群体性格更新具有差异的是，在这一部分，我们仅利用对话中的个人历史话语。由于计算方式与群体性格提取相似，便不再赘述，具体为：

最终该层的p说话人在p

(2)个体性格参与阶段

尽管个体性格是相对稳定的心理特征，但由于对话情境的不断进行，参与者可能会表现出一些不同的特征和行为。如人们会由于对话对象与对话目的的变化从而调整自我性格的表现形式，导致参与者的情感表达倾向发生变化，因此我们同样需要促使个人性格的动态变化来参与话语情感的表达。我们在这一步，我们使用了与群体性格参与阶段相同的方法，便不再重复解释，具体公式为：

最终得到

同时，我们依然设置堆叠个体性格话语融合模块将对话进行层次更新。即l层产生的话语表示，作为l+1层的初始化输入话语。

(四)情感预测模块

在这一步我们借鉴残差连接的方式，将经过群体性格参与的话语表示

然后将e

l

P

我们使用分类交叉熵和L2正则化作为训练期间的损失函数：

其中N是对话数，c(i)是对话i中的话语数，P

本实施例所述方案能够在有限的对话信息中发掘说话人的性格特征，并使其参与至话语的情感表达，对于最终正确识别每一句话语的正确情感显得尤为重要。在日常对话中，说话人的情感表达与其个人特征和性格密切相关，同时每个个体对同一种情绪的表达方式具有较大差异。然而，传统的对话情感识别方法往往忽视了说话人的性格差异和动态变化，导致识别结果的不可靠。因此，为了解决这个问题，本实施例提供了一种基于人物性格动态建模的对话情感识别方案。在本实施例所述方案中，为了提取说话人的性格画像，设计了一种性格捕获模块来对历史话语中的人物性格进行建模。同时说话人性格表现倾向与他们的语言行为之间存在着相互影响的关系，因此说话人的性格画像根据话语的进行而不断更新。最后由于会话中其他说话人的性格也会影响说话人情感表达的方式和强度，我们也利用群体性格对会话情绪进行构建。接下来分别在群体和个体层面上通过性格参与阶段将说话人性格充分融入到每句话的表示中，并在此过程中对话语表示和说话人性格进行分层更新，进而实现更加准确的对话情绪识别。我们在四个常用的对话情绪识别公共基准数据集上进行了大量的实验评估了我们提出的模型，结果证明了本实施例所述方案的有效性，并在流行的指标评价上明显取得了极具竞争力的结果。

实施例二：

本实施例的目的是提供一种基于人物性格动态建模的对话情感识别系统。

一种基于人物性格动态建模的对话情感识别系统，包括：

话语特征提取单元，其用于获取待情感识别的历史会话，并提取历史会话中每个话语的特征向量；

全局和个体特征提取单元，其用于基于提取的历史会话中每个话语的特征向量，分别获取当前历史会话中每个话语对应的全局上下文表示以及个体上下文表示；

性格提取单元，其用于基于每个话语的全局上下文表示以及群体性格中每句话的关注度权重，获得历史会话中对话人的群体性格特征；基于每个话语的个体上下文表示以及个体性格中每句话的关注度权重，获得历史会话中对话人的个体性格特征；

性格参与单元，其用于将获得的群体性格特征以及个体性格特征融入到话语表示中，获得经群体性格参与的话语表示以及经个体性格参与的话语表示；

情感识别单元，其用于基于经群体性格参与的话语表示、初始的全局上下文表示、经个体性格参与的话语表示以及初始的个体上下文表示的融合特征，利用多层感知机获得每个话语的情感标签。

进一步的，本实施例所述系统与实施例一所述方法相对应，其技术细节在实施例一中进行了详细描述，故此处不再赘述。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

上述实施例提供的一种基于人物性格动态建模的对话情感识别方法及系统可以实现，具有广阔的应用前景。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。