基于文本挖掘的餐饮外卖包装废弃物核算方法

技术领域

本申请涉及自然语言处理技术领域，尤其涉及一种基于文本挖掘的餐饮外卖包装废弃物核算方法。

背景技术

随着电子商务的快速发展和快节奏的生活方式，在线餐饮外卖服务蓬勃发展，产生指数级增长的一次性包装废弃物，其对资源环境的负面影响日渐突出。且外卖包装产品种类繁多，包装产品的类型、材质、规格等存在的较大差异。消费不同类别的餐饮外卖，使用不同类型、材质、数量、规格的包装，导致了外卖包装产废组成具有差异性。由于城市外卖消费特征受当地的消费习惯和饮食文化的影响，城市外卖包装废弃物的产生量具有较大异质性。同时，在线餐饮外卖消费数据通常以大规模的非结构化文本的形式存在，即没有统一的格式。现有技术难以直接对餐饮外卖消费数据进行分析，导致难以根据菜品类别进行包装废弃物量化。

发明内容

本申请提供一种基于文本挖掘的餐饮外卖包装废弃物核算方法，旨在实现实时、准确、自动地量化外卖包装废弃物，为制定包装废弃物管理及塑料污染治理对策提供科学依据。

本申请提供一种基于文本挖掘的餐饮外卖包装废弃物核算方法，包括以下步骤：

获取多种餐饮外卖消费类别下的菜品名称、各餐饮外卖消费类别对应的包装数据及非结构化的餐饮外卖消费数据；

对菜品名称进行分词和编码处理，得到菜品名称对应的菜品名称向量；

利用菜品名称向量训练预设的菜品分类模型，得到训练好的菜品分类模型；

基于训练好的菜品分类模型，对餐饮外卖消费数据中的目标餐饮外卖消费菜品进行餐饮外卖消费类别的分类预测，确定目标餐饮外卖消费菜品对应的目标餐饮外卖消费类别；

根据目标餐饮外卖消费类别及目标餐饮外卖消费类别对应的包装数据核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量。

在一些实施例中，对菜品名称进行分词和编码处理，得到菜品名称对应的菜品名称向量，包括：

将菜品名称对应的文本切割为多个词单元；

确定各词单元的使用频率，并将使用频率大于或等于频率阈值的词单元分至第一词表；

基于最大概率计算模型，将使用频率小于频率阈值的词单元进行切割处理，得到多个子词单元，并将子词单元分至第二词表；

根据第一词表与第二词表中的词单元的映射结果，确定菜品名称对应的菜品名称向量。

在一些实施例中，利用菜品名称向量训练预设的菜品分类模型，得到训练好的菜品分类模型，包括：

基于预设的菜品分类模型的关联程度计算层，对各菜品名称向量中各个位置上的元素进行关联程度计算，得到各元素对应的位置权重向量；

基于预设的菜品分类模型的加法归一化层及前馈神经网络层，对菜品名称向量及位置权重向量进行向量相加，得到目标菜品名称向量；

基于预设的菜品分类模型的全连接神经网络层，确定目标菜品名称向量对应的菜品名称属于各餐饮外卖消费类别的相对得分向量；

基于激活函数，根据相对得分向量确定菜品名称属于各餐饮外卖消费类别的预测概率分布结果；

基于预设的损失值计算规则，根据实际概率分布结果与预测概率分布结果，确定目标损失值；

根据目标损失值对预设的菜品分类模型进行参数调整处理，得到训练好的菜品分类模型。

在一些实施例中，基于预设的菜品分类模型的关联程度计算层，对各菜品名称向量中各个位置上的元素进行关联程度计算，包括：

根据菜品名称向量及对应的预设权重矩阵确定各菜品名称向量中各个位置上元素对应的Query向量矩阵、Key向量矩阵及Value向量矩阵；

基于预设的关联程度计算规则，根据各元素对应的Query向量矩阵、Key向量矩阵及Value向量矩阵确定各菜品名称向量中各个位置上元素对应的关联程度计算结果。

在一些实施例中，基于预设的关联程度计算规则，根据各元素对应的Query向量矩阵、Key向量矩阵及Value向量矩阵确定各菜品名称向量中各个位置上元素对应的关联程度计算结果，包括：

基于下式确定菜品名称向量序列中各个位置上元素对应的关联程度计算结果：

其中，Correlation用于指示关联程度计算结果，softmax用于指示归一化指数函数，Q用于指示Query向量矩阵，

在一些实施例中，基于预设的损失值计算规则，根据实际概率分布结果与预测概率分布结果，确定目标损失值，包括：

基于下式确定目标损失值：

其中，

在一些实施例中，基于训练好的菜品分类模型，对餐饮外卖消费数据中的目标餐饮外卖消费菜品进行餐饮外卖消费类别的分类预测，确定目标餐饮外卖消费菜品对应的目标餐饮外卖消费类别，包括：

基于训练好的菜品分类模型的向量编码层，对目标餐饮外卖消费菜品对应的目标菜品名称进行编码处理，并基于激活函数，根据编码处理后的目标菜品名称确定目标餐饮外卖消费菜品属于各餐饮外卖消费类别的预测概率分布结果；

基于过滤器，确定目标餐饮外卖消费菜品属于各餐饮外卖消费类别的预测概率分布结果中概率最高的餐饮外卖消费类别为目标餐饮外卖消费菜品对应的目标餐饮外卖消费类别。

在一些实施例中，根据目标餐饮外卖消费类别及目标餐饮外卖消费类别对应的包装产品规格数据核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量包括：

根据目标餐饮外卖消费类别对应的包装产品的重量、使用数量信息及使用概率及目标餐饮外卖消费类别，核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量。

在一些实施例中，根据目标餐饮外卖消费类别对应的包装产品的重量、使用数量及使用概率及目标餐饮外卖消费类别，核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量，包括：

基于下式核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量：

其中，PW用于指示餐饮外卖包装废弃物产量；i用于指示包装产品，j用于指示目标餐饮外卖消费类别；

在一些实施例中，根据目标区域内的餐饮外卖消费数据对应的餐饮外卖消费类别确定目标区域对应的权要餐饮外卖消费类别。

本申请提供一种基于文本挖掘的餐饮外卖包装废弃物核算方法，本申请通过利用获取的多种餐饮外卖消费类别的菜品名称，对预设的菜品分类模型进行训练，得到训练好的菜品分类模型，从而基于训练好的菜品分类模型实现将获取到的非结构化的餐饮外卖消费数据转换成向量，并基于文本挖掘技术进行文本特征提取，实现对非结构化的餐饮外卖消费数据中的餐饮外卖消费菜品的自动高效分类，从而能够实时、准确量化各种餐饮外卖消费类别的餐饮外卖消费菜品所产生的包装废弃物，为外卖包装的源头减量政策制定提供科学支撑，有利于开展包装废弃物精细化管理和源头减量，以及推动行业绿色转型和可持续发展。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为本申请一实施例提供的基于文本挖掘的餐饮外卖包装废弃物核算方法的步骤流程图。

图2为本申请一实施例提供的基于文本挖掘的餐饮外卖包装废弃物核算方法的流程示意图。

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，所描述的实施例是本申请一部分实施例，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。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本申请提供一种基于文本挖掘的餐饮外卖包装废弃物核算方法。其中，该基于文本挖掘的餐饮外卖包装废弃物核算方法可应用于终端设备中，该终端设备可以是平板电脑、笔记本电脑、台式电脑等电子设备。也可以应用于服务器中，该服务器可以是单独的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1和图2，图1为本申请一实施例提供的基于文本挖掘的餐饮外卖包装废弃物核算方法的步骤流程图。图2为本申请一实施例提供的基于文本挖掘的餐饮外卖包装废弃物核算方法的流程示意图。

如图1所示，该基于文本挖掘的餐饮外卖包装废弃物核算方法包括步骤S101至步骤S105。

步骤S101、获取多种餐饮外卖消费类别下的菜品名称、各餐饮外卖消费类别对应的包装数据及非结构化的餐饮外卖消费数据。

示例性的，获取多种餐饮外卖消费类别下的菜品名称，以及获取各餐饮外卖消费类别对应的包装数据，可以理解的，餐饮外卖消费类别对应的包装数据用于指示在该餐饮外卖消费类别下的菜品所使用的包装产品的材质、重量、使用数量及使用频率中的至少一项。需要说明的是，一种餐饮外卖消费类别下对应有多个菜品，因此，在一种餐饮外卖消费类别中，对应有多个菜品名称。

示例性的，通过预定义的餐饮外卖消费类别获取规则，获取对应的餐饮外卖消费类别，其中，获取的餐饮外卖消费类别为互斥的餐饮外卖消费类别，也即，各个餐饮外卖消费类别所指示的菜系均不相同。具体的，餐饮外卖消费类别包括但不限于异国料理、海鲜及烧烤、中式简餐、粉米面饺、中式小吃、烘焙糕点、饮品等。

示例性的，在获取餐饮外卖消费类别后，确定各餐饮外卖消费类别所使用的包装数据，其中，包装数据包括但不限于各餐饮外卖消费类别中的菜品所使用的包装产品的类型、重量、数量及使用概率。

在具体的实施例中，根据行业报告、出版物、文献及期刊中的至少一项获取不同餐饮外卖消费类别下的菜品名称，以及获取不同餐饮外卖消费类别所使用的包装数据。或者，在预设的菜品名称语料库中，获取多个菜品名称所对应的餐饮外卖消费类别，以获取不同餐饮外卖消费类别下的菜品名称；以及在预设的包装数据知识库中，获取包装数据对应的餐饮外卖消费类别，实现获取不同餐饮外卖消费类别所使用的包装数据。可以理解的，若不存在预设的菜品名称语料库和/或包装数据知识库，可以根据获取到的不同餐饮外卖消费类别下的菜品名称构建对应的菜品名称语料库，和/或根据获取到的获取不同餐饮外卖消费类别所使用的包装数据构建包装数据知识库，以便于下次进行数据获取。

示例性的，从外卖平台中获取餐饮外卖消费数据，可以理解的，餐饮外卖消费数据用于指示用户所消费的菜品，而在本申请应用场景的外卖平台中，餐饮外卖消费数据为非结构化文本数据，无法直接对获取的非结构化文本数据进行处理，因而需要通过训练好的菜品分类模型对非结构化的餐饮外卖消费数据进行处理，以确定餐饮外卖消费数据中目标餐饮外卖消费菜品对应的餐饮外卖消费类别。

步骤S102、对菜品名称进行分词和编码处理，得到菜品名称对应的菜品名称向量。

示例性的，利用编码模型对菜品名称进行分词和编码处理，以得到菜品名称对应的菜品名称向量。

在一实施例中，对菜品名称进行分词和编码处理，得到菜品名称对应的菜品名称向量，包括：将菜品名称对应的文本切割为多个词单元；确定各词单元的使用频率，并将使用频率大于或等于频率阈值的词单元分至第一词表；基于最大概率计算模型，将使用频率小于频率阈值的词单元进行切割处理，得到多个子词单元，并将子词单元分至第二词表；根据第一词表与第二词表中的词单元的映射结果，确定菜品名称对应的菜品名称向量。

在具体的实施过程中，编码模型将菜品名称对应的文本切割为多个词单元，其中，切割得到的词单元的文本长度比菜品名称对应文本的文本长度短。

确定各个词单元的使用频率，以将使用频率大于或等于频率阈值的词单元分至第一词表，同时基于最大概率计算模型，将使用频率小于频率阈值的词单元再次进行切割处理，得到多个子词单元，并将子词单元分至第二词表，

也即，常见的词形成第一词表，将不常见的词根据最大概率算法进行切割，得到多个子词单元，以形成第二词表。

将第一词表及第二词表中的每个词单元映射为一个唯一的整数ID。根据对词单元的映射结果，确定菜品名称文本中被切割的多个词单元对应的编码。将编码组成一个固定维度的向量，以初步确定菜品名称的向量表示。同时，为了区别输入的菜品名称中不同位置的词之间的关系，每个词对应的向量还会加上对应的位置编码向量，以表示菜品名称中词的顺序信息。通过上述处理完成对菜品名称的向量编码处理，得到菜品名称向量。

步骤S103、利用菜品名称向量训练预设的菜品分类模型，得到训练好的菜品分类模型。

示例性的，利用菜品名称向量对预设的菜品分类模型进行训练，以调整预设的菜品分类模型的参数，得到训练好的菜品分类模型，使得训练好的菜品分类模型能够对菜品名称向量进行进一步编码，从而实现对菜品名称语义表征的进一步挖掘。

在一些实施例中，利用菜品名称向量训练预设的菜品分类模型，得到训练好的菜品分类模型，包括：基于预设的菜品分类模型的关联程度计算层，对各菜品名称向量中各个位置上的元素进行关联程度计算，得到各元素对应的位置权重向量；基于预设的菜品分类模型的加法归一化层及前馈神经网络层，对菜品名称向量及位置权重向量进行向量相加，得到目标菜品名称向量；基于预设的菜品分类模型的全连接神经网络层，确定目标菜品名称向量对应的菜品属于各餐饮外卖消费类别的相对得分向量；基于激活函数，根据得分向量确定菜品属于各餐饮外卖消费类别的预测概率分布结果；基于预设的损失值计算规则，根据实际概率分布结果与预测概率分布结果，确定目标损失值；根据目标损失值对预设的菜品分类模型进行参数调整处理，得到训练好的菜品分类模型。

示例性的，菜品名称向量由多个元素构成，将菜品名称向量输入预设的菜品分类模型的关联程度计算层后，计算菜品名称向量中各个位置上的元素之间的关联程度，以确定每个元素对应的位置权重向量。可以理解的，位置权重向量用于表示菜品名称向量各个位置上的元素的重要性，能够帮助菜品分类模型更好地理解输入菜品文本向量序列中的关系和重要性。具体的，通过将菜品名称向量中各个位置的元素进行相比较，并计算它们之间的关联程度，以利用计算得到的关联程度加权平均得到每个位置的元素对应的位置权重向量，以此使得位置权重向量能够考虑到整个菜品名称向量中各个位置的信息，而不仅局限于上下文。

其中，实际概率分布结果能够根据获取到的多种餐饮外卖消费类别下的菜品名称确定。

在一些实施例中，基于预设的菜品分类模型的关联程度计算层，对各菜品名称向量中各个位置上的元素进行关联程度计算，包括：根据菜品名称向量及对应的预设权重矩阵确定各菜品名称向量中各个位置上元素对应的Query向量矩阵、Key向量矩阵及Value向量矩阵；基于预设的关联程度计算规则，根据各元素对应的Query向量矩阵、Key向量矩阵及Value向量矩阵确定各菜品名称向量中各个位置上元素对应的关联程度计算结果。

在具体的实施过程中，以菜品名称为X为例，则对应的菜品名称向量为X=(

根据下式确定对应的Query向量矩阵、Key向量矩阵及Value向量矩阵：

其中，Q、K、V分别用于指示Query向量矩阵、Key向量矩阵及Value向量矩阵，A为上文提供的词嵌入矩阵，

在一些实施例中，基于预设的关联程度计算规则，根据各元素对应的Query向量矩阵、Key向量矩阵及Value向量矩阵确定各菜品名称向量中各个位置上元素对应的关联程度计算结果，包括：

基于下式确定菜品名称向量中各个位置上元素对应的关联程度计算结果：

其中，Correlation用于指示关联程度计算结果，softmax用于指示归一化指数函数，Q用于指示Query向量矩阵，

需要说明的是，Query向量矩阵、Key向量矩阵及Value向量矩阵可以根据前文提供的方式确定，

在确定菜品名称向量中各位置的元素对应的位置权重向量后，将菜品名称向量及位置权重向量加入至加法归一化层及前馈神经网络层，以在加法归一化层中，将菜品名称向量与位置权重向量进行向量相加，并进行归一化处理，从而使得菜品名称向量有固定的均值和标准差，具体的，均值为0，标准差为1。在前馈神经网络层中，对归一化后的菜品名称向量再次进行向量相加及归一化处理，得到目标菜品名称向量。

将目标菜品名称向量输入至全连接神经网络层中，以根据目标菜品名称向量进行餐饮外卖消费类别的分类预测，其中，在全连接神经网络层中，根据目标菜品名称向量会预测得到目标菜品名称向量对应的菜品属于各餐饮外卖消费类别的相对得分向量，通过softmax激活函数将得分向量转换为i维向量（i用于指示餐饮外卖消费类别的个数），每一个维度用于表示目标菜品名称向量对应的菜品名称所属的当前餐饮外卖消费类别的概率，从而得到菜品名称属于各餐饮外卖消费类别的预测概率分布结果。

根据预测概率分布结果以及菜品名称X的实际概率分布结果计算目标损失值。以根据目标损失值优化预设的菜品分类模型的参数，可以理解的，训练好的菜品分类模型能够充分考虑语义信息并实现菜品名称文本挖掘。

在一些实施例中，基于预设的损失值计算规则，根据实际概率分布结果与预测概率分布结果，确定目标损失值，包括：

基于下式确定目标损失值：

其中，

具体的，

通过上述计算规则确定目标损失值，并基于目标损失值对预设的菜品分类模型进行参数调整，得到训练好的菜品分类模型。

步骤S104、基于训练好的菜品分类模型，对餐饮外卖消费数据中的目标餐饮外卖消费菜品进行餐饮外卖消费类别的分类预测，得到目标餐饮外卖消费菜品对应的目标餐饮外卖消费类别。

示例性的，通过训练好的菜品分类模型，能够对餐饮外卖消费数据中的目标餐饮外卖消费菜品进行餐饮外卖消费类别的分类预测，以确定目标餐饮外卖消费菜品所属的目标餐饮外卖消费类别。

在具体的实施过程中，在外卖平台中获取在线餐饮外卖消费数据，以实现实时获取目标餐饮外卖消费菜品。可以理解的，获取的餐饮外卖消费数据为非结构化文本数据，而训练好的菜品分类模型则能够对非结构化文本数据进行处理，以对餐饮外卖消费数据中的目标餐饮外卖消费菜品进行分类预测，从而实现对在线餐饮外卖消费数据中的不同菜品所对应的包装废弃物的量化计算。

在一些实施例中，方法还包括：根据目标区域内的餐饮外卖消费数据对应的餐饮外卖消费类别确定目标区域对应的区域餐饮外卖消费类别。

示例性的，通过菜品分类模型，还能实现城市、区域的外卖消费类别识别，以实现准确量化不同区域分菜品类别的外卖包装废弃物，从而识别餐饮外卖包装废弃物的结构特征和重点区域，为餐饮外卖包装的源头减量政策制定提供科学支撑。

在一些实施例中，基于训练好的菜品分类模型，对餐饮外卖消费数据中的目标餐饮外卖消费菜品进行餐饮外卖消费类别的分类预测，确定目标餐饮外卖消费菜品对应的目标餐饮外卖消费类别，包括：基于训练好的菜品分类模型的向量编码层，对目标餐饮外卖消费菜品对应的目标菜品名称进行编码处理，并基于激活函数，根据编码处理后的目标菜品名称确定目标餐饮外卖消费菜品属于各餐饮外卖消费类别的预测概率分布结果；基于过滤器，确定目标餐饮外卖消费菜品属于各餐饮外卖消费类别的预测概率分布结果中概率最高的餐饮外卖消费类别为目标餐饮外卖消费菜品对应的目标餐饮外卖消费类别。

示例性的，将目标餐饮外卖消费菜品输入至训练好的菜品分类模型，通过训练好的菜品分类模型的向量编码层，对目标餐饮外卖消费菜品的目标菜品名称进行编码处理。

基于激活函数，通过对编码处理后的菜品名称进行分类预测，得到多个待选餐饮外卖消费类别；可以理解的，每个待选餐饮外卖消费类别均有对应的概率得分，从而得到目标餐饮外卖消费菜品属于各餐饮外卖消费类别的预测概率分布结果；将目标餐饮外卖消费菜品属于各餐饮外卖消费类别的预测概率分布结果输入至过滤器中，以在过滤器中，将预测概率分布结果中概率最高所对应的餐饮外卖消费类别确定为目标餐饮外卖消费菜品的目标餐饮外卖消费类别。

步骤S105、根据目标餐饮外卖消费类别及目标餐饮外卖消费类别对应的包装数据核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量。

示例性的，在步骤S101中确定了各餐饮外卖消费类别对应的包装数据，因而在确定目标餐饮外卖消费菜品的目标餐饮外卖消费类别后，可以根据目标餐饮外卖消费类别对应的包装数据确定目标餐饮外卖消费菜品的餐饮外卖包装废弃物的产量。

在一些实施例中， 根据目标餐饮外卖消费类别及目标餐饮外卖消费类别对应的包装数据核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量包括：根据目标餐饮外卖消费类别对应的包装产品的重量、使用数量及使用概率及目标餐饮外卖消费类别，核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量。

应理解，包装数据包括但不限于包装产品的单位重量、包装产品对应的使用数量信息及包装产品对应的使用概率；以在确定目标餐饮外卖消费菜品所使用的包装产品后，可根据包装产品对应的单位重量、使用数量及使用概率确定餐饮外卖包装废弃物产量。

在一些实施例中，根据目标餐饮外卖消费类别及目标餐饮外卖消费类别对应的包装产品的重量、使用数量及使用概率，核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量，包括：基于下式核算目标餐饮外卖消费菜品的餐饮外卖包装废弃物产量：

其中，PW用于指示餐饮外卖包装废弃物产量；i用于指示包装产品；j用于指示目标餐饮外卖消费类别；

下面结合表1，对餐饮外卖消费类别为中式简餐及餐饮外卖消费类别为饮品类的餐饮外卖消费菜品的餐饮外卖包装废弃物进行说明。

应理解，表1中所提供的数据为实施例1。

表1：中式简餐类与饮品类所使用的包装产品的数据表

根据上表的数据可见，订购一份中式简餐类的餐饮外卖消费菜品，产生的餐饮外卖包装废弃物为72.54g；订购一份饮品类的餐饮外卖消费菜品，产生的餐饮外卖包装废弃物为22.9g。

需要说明的是，本领域技术人员可根据上文提供的方法计算得到与实施例1提供的数据不同的数据，实施例1仅是一种举例情况，并不对本申请中中式简餐类的餐饮外卖消费菜品及饮品类的餐饮外卖消费菜品所产生的餐饮外卖包装废弃物予以限定。

上述实施例提供的基于文本挖掘的餐饮外卖包装废弃物核算方法，通过利用获取的多种餐饮外卖消费类别下的菜品名称及各餐饮外卖消费类别对应的包装数据，对预设的菜品分类模型进行训练，得到训练好的菜品分类模型，从而能够通过训练好的菜品分类模型实现将以非结构化文本数据形式存在的餐饮外卖消费数据转换成向量，以基于文本挖掘技术进行文本特征提取，从而实现餐饮外卖消费菜品的自动高效分类，同时，基于获取的包装数据能够根据餐饮外卖消费菜品的分类结果确定对应的餐饮外卖消费菜品所产生的包装废弃物。本申请能够实时、准确、自动地量化各种餐饮外卖消费类别下的餐饮外卖消费菜品所产生的包装废弃物，为外卖包装的源头减量政策制定提供科学支撑，有利于开展包装废弃物精细化管理和源头减量，以及推动行业绿色转型和可持续发展。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。