智能对话方法、装置、终端及存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种智能对话方法、装置、终端及存储介质。

背景技术

智能对话系统是当前主流的人机对话系统，问答系统又分为应用于垂直领域和闲聊。垂直领域的问答系统能替代人工客服完成大部分繁杂工作，可解决用户需人工各种查询或者检索才能得到答案的困境，根据垂直领域的定义以及训练语料的范围可将问答系统应用于不同领域，例如税务、工作流程、医疗领域、金融领域等。目前中智能对话系统框架大多为基于流水线方法，在对语言理解方面包含了自然语言理解及自然语言生成模块并将两者进行拆分处理，其中自然语言理解的核心意图识别模型通常使用的是谷歌bert模型，通过bert模型下游任务微调而完成识别，但bert及其系列模型框架较大，涉及迭代语料训练时需要在GPU环境下进行，训练时间较长且非常消耗资源，无法适用于低成本环境，不利于快速开发迭代。

发明内容

本申请提供一种智能对话方法、装置、终端及存储介质，以解决现有的问答系统采用的模型框架较大，运行成本高，不利于维护的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种智能对话方法，包括：获取用户在当轮对话过程中的输入文本；利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息，多任务联合模型包括意图识别层和槽填充层，意图识别层和槽填充层通过门控循环单元构建，意图信息预先设置有至少一个槽位，槽位信息即对应的槽位的属性信息；根据意图信息和槽位信息从资源库查询得到至少一个标准文本；计算每个标准文本与输入文本的相似度，并将相似度最高的标准文本作为最终文本输出。

作为本申请的进一步改进，利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息之后，还包括：根据意图信息对应的至少一个槽位判断槽位信息是否完整；若否，则根据缺失了槽位信息的槽位生成新一轮对话文本；接收用户针对新一轮对话文本输入的新的输入文本，并提取出缺失的槽位信息。

作为本申请的进一步改进，利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息，包括：预处理输入文本，并将预处理后的输入文本转换为向量表示；将向量表示转换为数字序列，并将数字序列输入至多任务联合模型，得到意图和槽位序列；对意图和槽位序列进行逆映射，得到意图信息和槽位信息。

作为本申请的进一步改进，预处理输入文本，并将预处理后的输入文本转换为向量表示，包括：预处理输入文本；判断输入文本是中文还是英文；若输入文本是中文，则将输入文本逐字转换为字向量。

作为本申请的进一步改进，还包括预先训练多任务联合模型，其包括：获取训练样本，并将训练样本预处理后转换为样本向量；对样本向量中的槽位进行标注，并获取预先构建的意图表；将样本向量转换为样本数字序列后，输入至待训练的意图识别层和槽填充层，得到样本意图和槽位序列，意图识别层和槽填充层采用门控循环单元构建；对样本意图和槽位序列进行逆映射，得到样本意图信息和样本槽位信息；根据样本意图信息和样本槽位信息查询意图表，生成预测结果；比对预测结果和训练样本对应的真实结果，并利用比对结果反向传播更新意图识别层和槽填充层。

作为本申请的进一步改进，将相似度最高的标准文本作为最终文本输出之后，还包括：将输入文本和最终文本作为新增样本存储至新增样本库；当新增样本库中的新增样本数量达到预设阈值时，利用新增样本对多任务联合模型进行迭代训练，并清空新增样本库。

作为本申请的进一步改进，将相似度最高的标准文本作为最终文本输出，包括：将相似度最高的标准文本转换问语音输出。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种智能对话装置，包括：获取模块，用于获取用户在当轮对话过程中的输入文本；识别模块，用于利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息，多任务联合模型包括意图识别层和槽填充层，意图识别层和槽填充层通过门控循环单元构建，意图信息预先设置有至少一个槽位，槽位信息即对应的槽位的属性信息；查询模块，用于根据意图信息和槽位信息从资源库查询得到至少一个标准文本；输出模块，用于计算每个标准文本与输入文本的相似度，并将相似度最高的标准文本作为最终文本输出。

为解决上述技术问题，本申请采用的再一个技术方案是：提供一种终端，终端包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行如上述中任一项的智能对话方法的步骤。

为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述智能对话方法的程序文件。

本申请的有益效果是：本申请的智能对话方法通过识别用户输入文本中的意图信息和槽位信息，来确认针对输入文本进行回复的所有可行标准文本，再利用相似度计算来确认与输入文本匹配程度最高的的标准文本，并将其作为输出文本输出，完成与用户之间的对话，其实现了与用户之间的精准问答。并且，该多任务联合模型由采用门控循环单元构建的意图识别层和槽填充层组成，其框架结构相较于bert模型大大精简，适用于低成本环境，维护成本低。

附图说明

图1是本发明第一实施例的智能对话方法的流程示意图；

图2是本发明第二实施例的智能对话方法的流程示意图；

图3是本发明第三实施例的智能对话方法的流程示意图；

图4是本发明实施例的智能对话装置的功能模块示意图；

图5是本发明实施例的终端的结构示意图；

图6是本发明实施例的存储介质的结构示意图。

具体实施方式

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，所描述的实施例仅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。

本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

图1是本发明第一实施例的智能对话方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：

步骤S101：获取用户在当轮对话过程中的输入文本。

通常地，人机对话的模式可划分为文本对话和语音对话，本实施例中，若采用的是语音对话，则在获取到用户输入的语音后，需要将语音转换问文本。

在步骤S101中，人机对话的过程通常以双方之间完成一次问答过程为一轮，每进行新的一轮问答时，首先均需要获取用户在该轮对话中的输入文本。

步骤S102：利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息，多任务联合模型包括意图识别层和槽填充层，意图识别层和槽填充层通过门控循环单元构建，意图信息预先设置有至少一个槽位，槽位信息即对应的槽位的属性信息。

在步骤S102中，当获取到用户在当轮对话中的输入文本之后，利用预先训练好的多任务联合模型对该输入文本进行意图识别，意图识别结果，该意图识别结果包括了意图信息和槽位信息。其中，意图识别实际上就是要根据用户的输入文本判断用户想要做什么，例如，用户提出了一个问题“今天深圳天气怎么样”，其意图就是想要获知今天深圳是晴天、阴天还是下雨天。在进行意图识别中，通常采用槽位填充的方式来体现出意图信息，其中，意图信息即用户当前的输入文本中的核心内容，而槽位信息则是用于识别用户的意图的关键词信息。例如，在进行人机对话时，若用户输入的文本是“今天深圳天气怎么样”，通过意图识别，即可获知用户的意图信息是询问天气好坏，时间是“今天”，地点是“深圳”，其中，时间“今天”和地点“深圳”即槽位信息，通过意图信息和槽位信息进行结合即可识别用户的意图。需要理解的是，意图信息、以及与意图信息对应的槽位在训练所述多任务联合模型之前预先设定，其中意图信息可以包括多个且均由用户自行设置，并且每个意图信息对应至少一个槽位，而识别用户的意图的过程即一个填槽过程，即向意图信息对应的槽位填入槽位信息以让用户的意图转化为明确的指令，其中，槽位即标签，而槽位信息即标签对应的属性信息。

进一步的，该步骤S102具体包括：

1、预处理输入文本，并将预处理后的输入文本转换为向量表示。

具体地，预处理输入文本包括对输入文本中的特殊符号进行剔除、错别字纠错和拼音识别等操作，预处理操作完成后，将该预处理后的输入文本转换为向量表示，得到模型可识别的向量矩阵。

进一步的，在一些实施例中，为了进一步提高模型识别的准确率，预处理输入文本，将预处理后的输入文本转换为向量表示，包括：

1.1预处理输入文本。

1.2判断输入文本是中文还是英文；

1.3若输入文本是中文，则将输入文本逐字转换为字向量。

具体地，现有的处理方式中，通常是将输入文本转换问词向量，但是，对于中文而言，转换的词向量可能会出现不准确的情况，例如，输入文本是“我的电脑屏幕是液晶的”，在划分词向量时，可能会出现将“电脑屏”作为一个词，将“幕”单独作为另一个词，从而导致词向量划分不准确，因此，本实施例中，在将输入文本转为向量表示时，先判断输入文本是中文还是英文，若是中文，则将输入文本逐字转换问字向量，以避免出现词向量划分不准确的问题，而针对于英文，则不需要逐个字母逐个字母划分，按单词划分即可。

2、将向量表示转换为数字序列，并将数字序列输入至多任务联合模型，得到意图和槽位序列。

具体地，通过将向量表示数字序列化，使得多任务联合模型能够识别该数字序列。

3、对意图和槽位序列进行逆映射，得到意图信息和槽位信息。

具体地，在得到意图和槽位序列后，再进行逆映射，即将数字序列重新转换为字符，从而得到意图信息和槽位信息。

进一步的，本实施例中，该智能对话方法还包括预先训练该多任务联合模型，具体包括：

1、获取训练样本，并将训练样本预处理后转换为样本向量。

具体地，该训练样本由用户预先准备，在获取到训练样本后，对该训练样本进行预处理后转换为样本向量。

2、对样本向量中的槽位进行标注，并获取预先构建的意图表。

具体地，在得到样本向量后，对其进行槽位BIO标注，例如“深圳到北京的飞机票”，其中，“深圳”被标注为“出发地”，“北京”被标注为“目的地”，在进行槽位填充时，需要对“出发地”和“目的地”两个槽位进行填充。其中，意图表是用户预先设定的一张表，其上记录了预先设定的用户可能发起的意图。

3、将样本向量转换为样本数字序列后，输入至待训练的意图识别层和槽填充层，得到样本意图和槽位序列，意图识别层和槽填充层采用门控循环单元构建。

具体地，该意图识别层和槽填充层采用门控循环单元(GRU)构建。门控循环单元仅包括重置门和更新门，其构成的模型结构上更为精确，进而导致模型训练时的计算量更小，能够更为快速的完成整个迭代过程，减少模型训练所需时间。

4、对样本意图和槽位序列进行逆映射，得到样本意图信息和样本槽位信息。

5、根据样本意图信息和样本槽位信息查询意图表，生成预测结果；

6、比对预测结果和训练样本对应的真实结果，并利用比对结果反向传播更新意图识别层和槽填充层。

步骤S103：根据意图信息和槽位信息从资源库查询得到至少一个标准文本。

在步骤S103中，该资源库时预先构建的一个数据库，用于存储各种类型的资源数据。针对于某一用户的问题，经意图识别后，其可能不仅仅只存在一个答案，此时，则需要找出所有符合条件的标准文本，以方便进一步从所有的标准文本中确认最终文本。

步骤S104：计算每个标准文本与输入文本的相似度，并将相似度最高的标准文本作为最终文本输出。

在步骤S104中，当查询到所有的标准文本之后，在分别计算每一个标准文本与输入文本之间的相似度，并在计算相似度后，从中选出相似度最高的标准文本作为最终文本输出。其中，通过采用计算相似度的方式以提高对语义的理解，从而做出最准确的选择，进一步提出不合适的答案。

需要说明的是，若只存在一个标准文本，则可直接将该标准文本作为最终文本输出。

进一步的，当人机对话是通过语音进行时，该将相似度最高的标准文本作为最终文本输出具体为：

将相似度最高的标准文本转换问语音输出。

本发明第一实施例的智能对话方法通过识别用户输入文本中的意图信息和槽位信息，来确认针对输入文本进行回复的所有可行标准文本，再利用相似度计算来确认与输入文本匹配程度最高的的标准文本，并将其作为输出文本输出，完成与用户之间的对话，其实现了与用户之间的精准问答。并且，该多任务联合模型由采用门控循环单元构建的意图识别层和槽填充层组成，其框架结构相较于bert模型大大精简，适用于低成本环境，维护成本低。

图2是本发明第二实施例的智能对话方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图2所示的流程顺序为限。如图2所示，该方法包括步骤：

步骤S201：获取用户在当轮对话过程中的输入文本。

在本实施例中，图2中的步骤S201和图1中的步骤S101类似，为简约起见，在此不再赘述。

步骤S202：利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息，多任务联合模型包括意图识别层和槽填充层，意图识别层和槽填充层通过门控循环单元构建，意图信息预先设置有至少一个槽位，槽位信息即对应的槽位的属性信息。

在本实施例中，图2中的步骤S202和图1中的步骤S102类似，为简约起见，在此不再赘述。

步骤S203：根据意图信息对应的至少一个槽位判断槽位信息是否完整。若否，则执行步骤S204；若是，则执行步骤S206。

在步骤S203中，人机对话时，用户在一轮对话中的输入文本可能出现缺少槽位信息的情况，例如，当用户的输入文本为“还有深圳至北京的航班吗”，通过意图识别，可以得到用户的意图信息是订机票，假设订机票这一意图信息对应的槽位包括出发地、目的地和时间，而该槽位信息包括出发地“深圳”和目的地“北京”，但是并未包括与时间对应的槽位信息，即缺少了时间这一槽位的槽位信息，导致无法根据识别出的用户的意图进行相应的操作。

步骤S204：根据缺失了槽位信息的槽位生成新一轮对话文本。

在步骤S204中，当确认意图信息下的槽位信息缺少必要槽位信息时，根据该必要槽位信息生成新一轮对话文本并输出，例如，继续以“还有深圳至北京的航班吗”为例进行说明，此时，在新一轮对话中，机器可输出“请问需要预定什么时间的呢？”来请求用户进一步补充新的槽位信息。需要理解的是，在这种情况下，上一轮对话中的意图信息和槽位信息需要保存至下一轮对话。

步骤S205：接收用户针对新一轮对话文本输入的新的输入文本，并提取出缺失的槽位信息。

在步骤S205中，当接收到用户针对新一轮对话文本输入的新的输入文本，并从中提取出必要槽位信息后，结合上一轮对话得到的槽位信息和本轮对话得到的必要槽位信息形成完整的槽位信息。

进一步的，在一些实施例中，在每次通过意图信息和槽位信息从资源库查询得到标准文本之前，均需进行一次必要槽位信息完整性的判断，直至用户补充完整所有的必要槽位信息时为止。

步骤S206：根据意图信息和槽位信息从资源库查询得到至少一个标准文本。

在本实施例中，图2中的步骤S206和图1中的步骤S103类似，为简约起见，在此不再赘述。

步骤S207：计算每个标准文本与输入文本的相似度，并将相似度最高的标准文本作为最终文本输出。

在本实施例中，图2中的步骤S207和图1中的步骤S104类似，为简约起见，在此不再赘述。

本发明第二实施例的智能对话方法在第一实施例的基础上，通过检测用户输入文本中携带的槽位信息是否完整，若输入文本中携带的槽位信息不完整，则与用户进行一轮新的对话，以请求用户补充完整必要的槽位信息，在必要槽位信息补充完整后，再根据意图信息和槽位信息查询对应的标准文本，以保证匹配到的标准文本的准确性。

图3是本发明第三实施例的智能对话方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图3所示的流程顺序为限。如图3所示，该方法包括步骤：

步骤S301：获取用户在当轮对话过程中的输入文本。

在本实施例中，图3中的步骤S301和图1中的步骤S101类似，为简约起见，在此不再赘述。

步骤S302：利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息，多任务联合模型包括意图识别层和槽填充层，意图识别层和槽填充层通过门控循环单元构建，意图信息预先设置有至少一个槽位，槽位信息即对应的槽位的属性信息。

在本实施例中，图3中的步骤S302和图1中的步骤S102类似，为简约起见，在此不再赘述。

步骤S303：根据意图信息和槽位信息从资源库查询得到至少一个标准文本。

在本实施例中，图3中的步骤S303和图1中的步骤S103类似，为简约起见，在此不再赘述。

步骤S304：计算每个标准文本与输入文本的相似度，并将相似度最高的标准文本作为最终文本输出。

在本实施例中，图3中的步骤S304和图1中的步骤S104类似，为简约起见，在此不再赘述。

步骤S305：将输入文本和最终文本作为新增样本存储至新增样本库。

步骤S306：当新增样本库中的新增样本数量达到预设阈值时，利用新增样本对多任务联合模型进行迭代训练，并清空新增样本库。

在步骤S305～步骤S306中，在完成与用户的一轮对话之后，将该轮对话中的输入文本和最终文本存储至新增样本库，在新增样本库中存储的新增样本的数量达到预设阈值时，利用新增样本库中的新增样本对该多任务联合模型进行迭代更新训练，以进一步提高该多任务联合模型的精确度，并在每使用新增样本库中的新增样本进行迭代训练后，将新增样本库中的新增样本清空，并重新开始计算新增样本的数量。

本发明第二实施例的智能对话方法在第一实施例的基础上，通过利用人机对话产生的历史对话数据作为新增样本对多任务联合模型进行迭代训练，以增强多任务联合模型的精确度。

图4是本发明实施例的智能对话装置的功能模块示意图。如图6所示，该智能对话装置40包括获取模块41、识别模块42、查询模块43和输出模块44。

其中，获取模块41，用于获取用户在当轮对话过程中的输入文本；识别模块42，用于利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息，多任务联合模型包括意图识别层和槽填充层，意图识别层和槽填充层通过门控循环单元构建，意图信息预先设置有至少一个槽位，槽位信息即对应的槽位的属性信息；查询模块43，用于根据意图信息和槽位信息从资源库查询得到至少一个标准文本；输出模块44，用于计算每个标准文本与输入文本的相似度，并将相似度最高的标准文本作为最终文本输出。

可选地，识别模块42执行利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息的操作之后，还用于：根据意图信息对应的至少一个槽位判断槽位信息是否完整；若否，则根据缺失了槽位信息的槽位生成新一轮对话文本；接收用户针对新一轮对话文本输入的新的输入文本，并提取出缺失的槽位信息。

可选地，识别模块42执行利用预先训练好的多任务联合模型对输入文本进行意图识别，得到意图信息和槽位信息的操作，具体包括：预处理输入文本，并将预处理后的输入文本转换为向量表示；将向量表示转换为数字序列，并将数字序列输入至多任务联合模型，得到意图和槽位序列；对意图和槽位序列进行逆映射，得到意图信息和槽位信息。

可选地，识别模块42执行预处理输入文本，并将预处理后的输入文本转换为向量表示的操作，还可以为：预处理输入文本；判断输入文本是中文还是英文；若输入文本是中文，则将输入文本逐字转换为字向量。

可选地，识别模块42还用于执行预先训练多任务联合模型的操作，包括：获取训练样本，并将训练样本预处理后转换为样本向量；对样本向量中的槽位进行标注，并获取预先构建的意图表；将样本向量转换为样本数字序列后，输入至待训练的意图识别层和槽填充层，得到样本意图和槽位序列，意图识别层和槽填充层采用门控循环单元构建；对样本意图和槽位序列进行逆映射，得到样本意图信息和样本槽位信息；根据样本意图信息和样本槽位信息查询意图表，生成预测结果；比对预测结果和训练样本对应的真实结果，并利用比对结果反向传播更新意图识别层和槽填充层。

可选地，输出模块44执行将相似度最高的标准文本作为最终文本输出的操作之后，还用于：将输入文本和最终文本作为新增样本存储至新增样本库；当新增样本库中的新增样本数量达到预设阈值时，利用新增样本对多任务联合模型进行迭代训练，并清空新增样本库。

可选地，输出模块44执行将相似度最高的标准文本作为最终文本输出的操作，还可以为：将相似度最高的标准文本转换问语音输出。

关于上述实施例智能对话装置中各模块实现技术方案的其他细节，可参见上述实施例中的智能对话方法中的描述，此处不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

请参阅图5，图5为本发明实施例的终端的结构示意图。如图5所示，该终端50包括处理器51及和处理器51耦接的存储器52，存储器52中存储有程序指令，程序指令被处理器51执行时，使得处理器51执行上述任一实施例所述的智能对话方法的步骤。

其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。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。

参阅图6，图6为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。