文本聚类方法、设备及存储介质与流程

1.本技术实施例涉及数据处理技术领域，尤其涉及一种文本聚类方法、设备及存储介质。


背景技术：

2.自然语言处理中，文本语义聚类应用场景需求巨大，例如，文本分类，对话机器人，情感分析等。文本聚类作为自然语言处理的中间过程，其分析的准确程度直接决定自然语言相关模型计算准确程度。因此，如何实现文本聚类的快速、准确、批量的分析具有很大的意义。
3.现有技术中，常用的文本聚类方法有k均值聚类算法(k-means clustering algorithm)。具体的聚类过程如下，对于给定的文本集，首先确定一个k值，即经过聚类期望得到的聚类集合数量；其次从文本集中随机选择k个文本作为质心；再对文本集中每一个文本，计算其与每一个质心的距离(如欧式距离)，离哪个质心近，就划分到那个质心所属的集合，得到k个聚类集合，最后重新计算每个集合的质心，如果新计算出来的质心和原来的质心之间的距离小于设置的阈值则认为聚类结束，得到聚类结果。该方法原理简单，实现容易，收敛速度快。
4.然而，在实现该聚类方法的过程中，发明人发现在很多情况下上述k值无法事先确定，且得到的聚类结果的准确性受初始选取的质心、噪音和异常点的影响比较大，可能存在聚类结果不准确的问题。


技术实现要素：

5.本技术实施例提供一种文本聚类方法、设备及存储介质，用以解决现有文本聚类方法存在的聚类结果不准确的问题。
6.第一方面，本技术实施例提供一种文本聚类方法，包括：
7.对待处理的文本集包括的所有文本进行处理，得到所述文本集对应的文本向量矩阵，所述文本向量矩阵的行数与所述文本集包括的文本条数相同，所述文本向量矩阵的行向量是每条文本的向量表示；
8.根据所述文本向量矩阵，计算所述文本集对应的文本相似度矩阵，所述文本相似度矩阵的每个元素值为两个所述文本向量矩阵对应位置的行向量之间的相似度值；
9.基于所述文本相似度矩阵，对所述文本集中的所有文本进行聚类分析，得到文本聚类结果。
10.在本实施例中，通过确定文本集对应的文本向量矩阵、文本相似度矩阵，进而通过聚类分析得到文本聚类结果，实现了利用较少的代价获得一个无监督、高精度的聚类结果，降低文本聚类的计算复杂度，提高了聚类结果的准确度。
11.在第一方面的一种可能设计中，所述对待处理的文本集包括的所有文本进行处理，得到所述文本集对应的文本向量矩阵，包括：
12.基于预设的分词规则，对所述文本集中的每条文本进行分词处理，得到每个文本词语集合，每个文本词语集合包括至少一个词语；
13.根据所有文本词语集合包括的词语，得到所述文本集对应的词典，所述词典中的每个词语具有唯一的标识；
14.将每个文本词语集合包括的词语与所述词典之间的映射关系，得到每个行文本向量；
15.根据所有的行文本向量，得到所述文本集对应的文本向量矩阵。
16.在本实施例中，通过根据预设的分词规则对每条文本进行分词后，结合所有的文本得到文本集对应的词典，进而得到文本向量矩阵，能够很好的识别低密度的文本聚类，提高了文本识别的精度。
17.可选的，所述根据所有文本词语集合包括的词语，得到所述文本集对应的词典，包括：
18.将所有文本词语集合包括的词语均归集到预设集合中；
19.将所述预设集合中的重复词语删除，得到预设目标集合；
20.对所述预设目标集合所包括的每个词语分别添加唯一的标识，得到所述文本集对应的词典。
21.在本实施例中，通过根据文本集中的所有文本得到该文本集对应的词典，从而使得该文本集对应的文本向量矩阵的准确度得到提高，提高了后续文本聚类结果的准确度。
22.可选的，所述将每个文本词语集合包括的词语与所述词典之间的映射关系，得到每个行文本向量，包括：
23.将每个文本词语集合包括的词语映射成所述词典中的标识，得到每个文本标识集合；
24.根据每个文本标识集合包括的标识，将每个文本标识集合转换成一个行文本向量，每个行文本向量的元素个数与所述词典的元素个数相同，每个行文本向量的非零元素个数与对应文本词语集合的词语数量相同。
25.在本实施例中，基于每个文本携带的标识，可以将每个文本转换成one-hot编码的形式，得到了每个行文本向量，实现了批量处理文本信息，弱化了“噪声”文本对整体语义的影响。
26.可选的，在所述基于预设的分词规则，对所述文本集中的每条文本进行分词处理，得到每个文本词语集合之前，所述方法还包括：
27.对所述文本集的每条文本进行预处理，删除每条文本中出现的预设属性内容，所述预设属性内容至少包括如下内容中的一种：停用词、注释词、符号。
28.在本实施例中，通过删除每条文本中出现的预设属性内容，提高了处理后的文本的重要程度，提高了后续生成词典和行向量矩阵的精度。
29.在第一方面的另一种可能设计中，所述根据所述文本向量矩阵，计算所述文本集对应的文本相似度矩阵，包括：
30.根据所述文本向量矩阵包括的多个行文本向量，计算每个行文本向量分别与自身以及其他行文本向量之间的相似度值，得到每个行相似度向量；
31.根据所有的行相似度向量，得到所述文本集对应的文本相似度矩阵。
32.在本实施例中，基于文本向量矩阵包括的多个行文本向量计算文本集对应的文本相似度矩阵，降低了文本处理的复杂度，为后续文本的精确聚类，奠定了基础。
33.在第一方面的再一种可能设计中，所述基于所述文本相似度矩阵，对所述文本集中的所有文本进行聚类分析，得到文本聚类结果，包括：
34.确定分类阈值和第一聚类，所述第一聚类包括所述文本集中的任意一条文本；
35.根据所述文本相似度矩阵、所述分类阈值和所述第一聚类，对所述文本集中所有文本进行聚类分析，得到所述文本聚类结果。
36.在本实施例中，能够批量计算文本相似度矩阵，确定相似度聚类的分类阈值，实现了文本的无监督聚类，大大降低了计算的复杂度，弱化了“噪声”文本对整体语义的影响，提高了聚类准确度。
37.可选的，所述根据所述文本相似度矩阵、所述分类阈值和所述第一聚类，对所述文本集中所有文本进行聚类分析，得到所述文本聚类结果，包括：
38.根据所述文本相似度矩阵，确定第一文本与所述第一聚类中的每条文本之间的相似度值，所述第一文本为所述文本集中未聚类划分的任意一条文本；
39.若所述第一文本与所述第一聚类中预设比例的文本之间的相似度值均大于或等于所述分类阈值，则将所述第一文本归聚到所述第一聚类；
40.若所述第一文本与所述第一聚类中所有文本之间的相似度值均小于所述分类阈值，则生成第二聚类，所述第二聚类包括所述第一文本；
41.在所述文本集中的所有文本均参与聚类划分时，得到所述文本聚类结果，所述文本聚类结果包括：确定的所有聚类、每个聚类包括的所有文本。
42.在本实施例中，通过确定分类阈值和第一聚类，在保证聚类精度的前提下，节省了文本聚类的计算时间和计算机资源，同时提高了聚类效率。
43.在第一方面的又一种可能设计中，所述方法还包括：
44.获取用户发出的对象推荐请求，所述对象推荐请求包括：描述文本；
45.根据所述描述文本和所述文本聚类结果，确定出与所述对象推荐请求相匹配的目标聚类；
46.从所述目标聚类中确定一条目标文本，并将所述目标文本对应的对象推荐给所述用户。
47.在本技术的实施例中，由于文本聚类结果的精度提高，提升了对象推荐的精度，提高了用户体验，为提高产品的竞争力奠定了基础。
48.第二方面，本技术实施例提供了一种文本聚类设备，包括：处理模块、计算模块和聚类模块；
49.所述处理模块，用于对待处理的文本集包括的所有文本进行处理，得到所述文本集对应的文本向量矩阵，所述文本向量矩阵的行数与所述文本集包括的文本条数相同，所述文本向量矩阵的行向量是每条文本的向量表示；
50.所述计算模块，用于根据所述文本向量矩阵，计算所述文本集对应的文本相似度矩阵，所述文本相似度矩阵的每个元素值为两个所述文本向量矩阵对应位置的行向量之间的相似度值；
51.所述聚类模块，用于基于所述文本相似度矩阵，对所述文本集中的所有文本进行
聚类分析，得到文本聚类结果。
52.在第二方面的一种可能设计中，所述处理模块，具体用于：
53.基于预设的分词规则，对所述文本集中的每条文本进行分词处理，得到每个文本词语集合，每个文本词语集合包括至少一个词语；
54.根据所有文本词语集合包括的词语，得到所述文本集对应的词典，所述词典中的每个词语具有唯一的标识；
55.将每个文本词语集合包括的词语与所述词典之间的映射关系，得到每个行文本向量；
56.根据所有的行文本向量，得到所述文本集对应的文本向量矩阵。
57.可选的，所述处理模块，用于根据所有文本词语集合包括的词语，得到所述文本集对应的词典，具体为：
58.所述处理模块，具体用于：
59.将所有文本词语集合包括的词语均归集到预设集合中；
60.将所述预设集合中的重复词语删除，得到预设目标集合；
61.对所述预设目标集合所包括的每个词语分别添加唯一的标识，得到所述文本集对应的词典。
62.可选的，所述处理模块，用于将每个文本词语集合包括的词语与所述词典之间的映射关系，得到每个行文本向量，具体为：
63.所述处理模块，具体用于：
64.将每个文本词语集合包括的词语映射成所述词典中的标识，得到每个文本标识集合；
65.根据每个文本标识集合包括的标识，将每个文本标识集合转换成一个行文本向量，每个行文本向量的元素个数与所述词典的元素个数相同，每个行文本向量的非零元素个数与对应文本词语集合的词语数量相同。
66.可选的，所述处理模块，还用于在基于预设的分词规则，对所述文本集中的每条文本进行分词处理，得到每个文本词语集合之前，对所述文本集的每条文本进行预处理，删除每条文本中出现的预设属性内容，所述预设属性内容至少包括如下内容中的一种：停用词、注释词、符号。
67.在第二方面的另一种可能设计中，所述计算模块，具体用于：
68.根据所述文本向量矩阵包括的多个行文本向量，计算每个行文本向量分别与自身以及其他行文本向量之间的相似度值，得到每个行相似度向量；
69.根据所有的行相似度向量，得到所述文本集对应的文本相似度矩阵。
70.在第二方面的再一种可能设计中，所述聚类模块，具体用于：
71.确定分类阈值和第一聚类，所述第一聚类包括所述文本集中的任意一条文本；
72.根据所述文本相似度矩阵、所述分类阈值和所述第一聚类，对所述文本集中所有文本进行聚类分析，得到所述文本聚类结果。
73.可选的，所述聚类模块，用于根据所述文本相似度矩阵、所述分类阈值和所述第一聚类，对所述文本集中所有文本进行聚类分析，得到所述文本聚类结果，具体为：
74.所述聚类模块，具体用于：
75.根据所述文本相似度矩阵，确定第一文本与所述第一聚类中的每条文本之间的相似度值，所述第一文本为所述文本集中未聚类划分的任意一条文本；
76.若所述第一文本与所述第一聚类中预设比例的文本之间的相似度值均大于或等于所述分类阈值，则将所述第一文本归聚到所述第一聚类；
77.若所述第一文本与所述第一聚类中所有文本之间的相似度值均小于所述分类阈值，则生成第二聚类，所述第二聚类包括所述第一文本；
78.在所述文本集中的所有文本均参与聚类划分时，得到所述文本聚类结果，所述文本聚类结果包括：确定的所有聚类、每个聚类包括的所有文本。
79.在第二方面的又一种可能设计中，所述设备还包括：获取模块、确定模块和推荐模块；
80.所述获取模块，用于获取用户发出的对象推荐请求，所述对象推荐请求包括：描述文本；
81.所述确定模块，用于根据所述描述文本和所述文本聚类结果，确定出与所述对象推荐请求相匹配的目标聚类，以及从所述目标聚类中确定一条目标文本；
82.所述推荐模块，用于将所述目标文本对应的对象推荐给所述用户。
83.本技术第二方面提供的设备，可用于执行第一方面提供的方法，其实现原理和技术效果类似，在此不再赘述。
84.第三方面，本技术实施例还提供一种电子设备，包括处理器、存储器及存储在所述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程序时实现如上述第一方面以及各可能设计所述的方法。
85.第四方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行第一方面以及各可能设计所述的方法。
86.本技术实施例提供的文本聚类方法、设备及存储介质，通过对待处理的文本集包括的所有文本进行处理，得到该文本集对应的文本向量矩阵，再根据该文本向量矩阵，计算文本集对应的文本相似度矩阵，最后基于该文本相似度矩阵，对该文本集中的所有文本进行聚类分析，得到文本聚类结果。该技术方案中，利用文本之间的相似度对文本进行分类，实现了利用较少的代价获得一个无监督、高精度的聚类结果，降低文本聚类的计算复杂度，能够进行批量计算聚类，噪声文本对整体模型影响较小，提高了聚类结果的准确度。
附图说明
87.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
88.图1是本技术提供的文本聚类方法的应用场景示意图；
89.图2为本技术实施例提供的文本聚类方法实施例一的流程示意图；
90.图3为本技术实施例提供的文本聚类方法实施例二的流程示意图；
91.图4为本技术实施例提供的文本聚类方法实施例三的流程示意图；
92.图5为本技术实施例提供的文本聚类方法实施例四的流程示意图；
93.图6为本技术实施例提供的文本聚类设备实施例的结构示意图；
94.图7为本技术实施例提供的电子设备实施例的结构示意图。
95.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
96.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
97.示例性的，图1是本技术提供的文本聚类方法的应用场景示意图。如图1所示，该应用场景可以包括：至少一个终端设备(图1示出了三个终端设备，分别为终端设备111、终端设备112、终端设备113)、网络12和服务器13。其中，每个终端设备与服务器13均可以通过网络12进行通信。可选的，图1所示的应用场景还可以包括与服务器13连接的数据存储设备14。
98.示例性的，在图1所示的应用场景中，服务器13既可以从网络12上获取待处理的文本集，并将其存储至数据存储设备14中，以便在后续对文本集进行聚类分析时直接使用，服务器13还可以通过网络12接收用户通过终端设备发出的对象推荐请求，对该对象推荐请求中包括的描述文本进行处理，并将处理结果存储至数据存储设备14中。
99.在本实施例中，数据存储设备14可以存储大量用于聚类分析的文本集，也可以存储服务器13的处理结果，服务器13可以基于数据存储设备14中的待处理的文本集，执行文本聚类方法的程序代码，以得到文本聚类结果；服务器13还可以基于数据存储设备14中的用户发出的对象推荐请求执行文本聚类方法的程序代码，确定出与该对象推荐请求匹配的对象推荐给上述用户。
100.需要说明的是，附图1仅是本技术实施例提供的一种应用场景的示意图，本技术实施例不对图1中包括的设备进行限定，也不对图1中设备之间的位置关系进行限定，例如，在图1中，数据存储设备14相对服务器13可以是外部存储器，在其它情况下，也可以将数据存储设备14置于服务器13中。
101.在实际应用中，由于终端设备也是具有数据处理能力的处理设备，因而，上述图1所示应用场景中的服务器也可以终端设备实现。在本技术的实施例中，可以将服务器和用于数据处理的终端设备统称为电子设备。可选的，本技术实施例以文本聚类方法的执行主体为电子设备，例如，后台的处理平台等进行解释说明。
102.示例性的，本技术实施例的具体应用场景可以如下：
103.随着互联网技术的迅速发展，出现了越来越多的线上问诊客户端，例如，互联网医院客户端。在实际应用中，每个科室的每个医生均有一定的擅长描述等文本内容，用户可以通过互联网医院客户端进行问诊，具体的，用户在互联网医院客户端发一个问诊描述，后台服务器则可以根据问诊描述匹配出适合接诊的科室/医生返回给客户端，进而推荐给用户。
104.在实际应用中，首先用户发出的问诊描述信息数据量有限，根据有限数据建立问诊描述-科室/医生的规则匹配关系通常是不准确的；其次，问诊信息各式各样，如何在多变
的问诊描述中匹配出合适的科室/医生，也是很大的一个挑战。
105.对此，现有技术中，用户的问诊描述与科室/医生的匹配过程通常是基于k均值聚类方法得到的文本聚类结果，再结合用户的问诊描述，确定出匹配的接诊的科室/医生。然而，上述匹配出的接诊科室/医生准确度低，这是由于对科室和/或医生的文本聚类结果不准确造成的。
106.针对上述应用场景的问题，本技术实施例提供的文本聚类方法以互联网医院问诊平台为背景，利用自然语言处理(natural language processing，nlp)技术、无监督聚类方法，可以基于互联网医院问诊平台中所有用于描述医生的文本集确定出文本聚类结果。经过实践证明，将针对描述医生的该文本聚类结果应用到互联网医院的医生推荐模块中，取得了良好的应用效果。
107.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
108.图2为本技术实施例提供的文本聚类方法实施例一的流程示意图。如图2所示，该方法可以包括如下步骤：
109.s201、对待处理的文本集包括的所有文本进行处理，得到该文本集对应的文本向量矩阵。
110.其中，该文本向量矩阵的行数与文本集包括的文本条数相同，该文本向量矩阵的行向量是每条文本的向量表示。
111.在本技术的实施例中，对于给定的某个服务平台，当有文本聚类需求时，电子设备可以从网络或存储文本集的存储位置获取待处理的文本集，通常情况下，文本集中包括很多条文本，每条文本用于描述一个对象。
112.示例性的，对于互联网医院问诊的应用场景中，每条文本可以是该互联网医院中每个医生的简介，该待处理的文本集可以是所有医生的简介组成的集合。
113.可选的，电子设备在获取到待处理的文本集后，可以对文本集中的文本进行分词处理，再基于每条文本包括的词语，将每条文本表示成行文本向量的形式，进而基于所有文本对应的行文本向量得到该文本集对应的文本向量矩阵。
114.可选的，关于该步骤的具体实现原理可以参见下述图3所示实施例的记载，此处不再赘述。
115.s202、根据上述文本向量矩阵，计算该文本集对应的文本相似度矩阵。
116.其中，该文本相似度矩阵的每个元素值为两个所述文本向量矩阵对应位置的行向量之间的相似度值。
117.示例性的，在本技术的实施例中，电子设备得到文本集对应的文本向量矩阵时，可以基于每两个行文本向量之间的内容重叠程度确定出对应的文本相似度向量，再根据确定的所有文本相似度向量得到文本集对应的文本相似度矩阵。
118.例如，假设文本集包括文本1至文本3，且文本1对应的文本行向量为[1 1 1]，文本2对应的文本行向量为[1 1 0]，文本3对应的文本行向量为[1 0 0]，则文本集对应的文本
向量矩阵为对于该文本向量矩阵，通过计算行向量之间的余弦值，可以得到[1 1 1]与[1 1 0]的相似度值等于0.816，[1 1 1]与[1 0 0]的相似度值等于0.577，[1 1 0]与[1 0 0]的相似度值等于0.707，所以，该文本集对应的文本相似度矩阵为
[0119]
s203、基于上述文本相似度矩阵，对上述文本集中的所有文本进行聚类分析，得到文本聚类结果。
[0120]
在本技术的实施例中，电子设备可以根据上述文本相似度矩阵确定出每两个文本之间的相似度值，进而基于两个文本之间的相似度值与预设的相似阈值之间的大小关系确定该两个文本是否可以聚为一类。
[0121]
可选的，若两个文本之间的相似度值大于或等于预设的相似阈值，则认为两个文本相似，将其聚为一类。若两个文本之间的相似度值小于预设的相似阈值，则认为两个文本不相似，分别将其分散到不同的类别。
[0122]
例如，假设预设的相似阈值为0.8，根据文本相似度矩阵可知，文本1与文本2之间的相似度值为0.816，其大于预设的0.8，而文本1与文本3之间的相似度值为0.577，其小于预设的0.8，文本2与文本3之间的相似度值为0.707，也小于预设的0.8，所以，包括文本1至文本3的文本集的文本聚类结果如下：文本1和文本2可以聚为一类，文本3为单独的一类。
[0123]
本技术实施例提供的文本聚类方法，通过对待处理的文本集包括的所有文本进行处理，得到该文本集对应的文本向量矩阵，再根据该文本向量矩阵，计算文本集对应的文本相似度矩阵，最后基于该文本相似度矩阵，对该文本集中的所有文本进行聚类分析，得到文本聚类结果。该技术方案中，利用文本之间的相似度对文本进行分类，实现了利用较少的代价获得一个无监督、高精度的聚类结果，降低文本聚类的计算复杂度，能够进行批量计算聚类，噪声文本对整体模型影响较小，提高了聚类结果的准确度。
[0124]
示例性的，在上述实施例的基础上，图3为本技术实施例提供的文本聚类方法实施例二的流程示意图。如图3所示，在本实施例中，上述s201可以通过如下步骤实现：
[0125]
s301、基于预设的分词规则，对上述文本集中的每条文本进行分词处理，得到每个文本词语集合，每个文本词语集合包括至少一个词语。
[0126]
在本技术的实施例中，电子设备中可以预先存储有预设的分词规则，这样电子设备在获取到待处理的文本集后，便可以基于该预设的分词规则对文本集中的每条文本进行分词处理，得到每条文本对应的文本词语集合。
[0127]
可选的，该分词规则可以包括垂直领域不分词、文本分词等。
[0128]
示例性的，在本实施例中，电子设备首先针对垂直领域的专业词汇进行识别，例如，若文本中存在医用词汇“脂溢性脱发”、“玫瑰糠疹”等等，且这些词汇在很大程度上可以
对文本的语义进行了区分。所以，在对文本进行分词前首先确定一些指定的词汇不进行分词。然后再对文本中除了指定的不分词的文本外，按照词语的语义进行分词处理。
[0129]
可选的，本技术实施例中，电子设备可以利用结巴分词器添加累积的专业词汇以实现垂直领域词语不分词的目的。
[0130]
可选的，在本技术的实施例中，在该步骤s301之前，该电子设备还可以为文本集中的文本进行如下处理：
[0131]
对该文本集的每条文本进行预处理，删除每条文本中出现的预设属性内容，该预设属性内容至少包括如下内容中的一种：停用词、注释词、符号。
[0132]
可选的，停用词通常并不是句子的关键词，不仅会占用大量的计算存储资源，而且在很大程度上也会造成语义的混淆，例如“你”、“我”、“的”“了”、“过”等之类无意义的字词，因而，在对文本进行分词之前可以去掉这些词语。
[0133]
在本实施例中，该符合可能是单独的符号，例如“&”、“％”等，也可能是各种符号和数字、字母组成的内容，例如，链接等。注释词可以是用于解释某个词语的单词，也可以是某些数字等与文本内容的相关程度较低的内容，因而可以将其删除。
[0134]
s302、根据所有文本词语集合包括的词语，得到该文本集对应的词典，该词典中的每个词语具有唯一的标识。
[0135]
可选的，在本技术实施例中，电子设备可以将上述所有文本对应的文本词语集合中的所有词语进行整合，以得到文本集对应的词典。
[0136]
作为一种示例，该步骤s302的具体实现方式如下：首先将所有文本词语集合包括的词语均归集到预设集合中，其次将该预设集合中的重复词语删除，得到预设目标集合，再次对该预设目标集合所包括的每个词语分别添加唯一的标识，得到该文本集对应的词典。
[0137]
例如，下面结合三个文本对得到词典的具体实现进行说明。
[0138]
假设文本1对应的文本词语集合包括的词语为：儿童发育迟缓癫痫脑瘫肌无力遗传代谢抽动症小儿神经系统小儿内科；文本2对应的文本词语集合包括的词语为：儿童癫痫抽动症多动症发育迟缓遗传代谢小儿神经系统；文本3对应的文本词语集合包括的词语为：成人遗传脱发整型。
[0139]
在该实施例中，对于文本1至文本3，该预设集合包括的词语为：儿童发育迟缓癫痫脑瘫肌无力遗传代谢抽动症小儿神经系统小儿内科儿童癫痫抽动症多动症发育迟缓遗传代谢小儿神经系统成人遗传脱发整型。相应的，该预设目标集合包括的词语为：儿童发育迟缓癫痫脑瘫肌无力遗传代谢抽动症小儿神经系统小儿内科多动症成人脱发整型。故，该词典的词语组成如表1所示。
[0140]
表1
[0141]
1.儿童2.发育3.迟缓4.癫痫5.肌无力6.遗传7.代谢8.抽动症9.小儿10.神经系统11.小儿内科12.多动症13.成人14.脱发15.整型
ꢀꢀꢀ
[0142]
s303、将每个文本词语集合包括的词语与该词典之间的映射关系，得到每个行文本向量。
[0143]
在本实施例中，电子设备针对每个文本，可以将每个文本词语集合中的词语进行字典映射，将每个词语映射成int类型的id，即将每个文本词语集合中的词语利用id替换，
每个文本转换成了one-hot编码的形式，从而得到每个行文本向量。
[0144]
作为一种示例，该步骤s303的具体实现方式如下：首先将每个文本词语集合包括的词语映射成该词典中的标识，得到每个文本标识集合，其次根据每个文本标识集合包括的标识，将每个文本标识集合转换成一个行文本向量。其中，每个行文本向量的元素个数与该词典的元素个数相同，每个行文本向量的非零元素个数与对应文本词语集合的词语数量相同。
[0145]
示例性的，对于步骤s302中的文本1至文本3，文本1对应的文本标识集合包括：1 2 3 4 5 6 7 8 9 10 11，则行文本向量为[1 1 1 1 1 1 1 1 1 1 1 0 0 0 0]；文本2对应的文本标识集合包括：1 4 12 2 3 6 7 9 10，则行文本向量为[1 1 1 1 0 1 1 0 1 1 0 1 0 0 0]；文本3对应的文本标识集合包括：13 6 14 15，则行文本向量为[0 0 0 0 0 1 0 0 0 0 0 0 1 1 1]。
[0146]
s304、根据所有的行文本向量，得到该文本集对应的文本向量矩阵。
[0147]
在本实施例中，电子设备对所有的行文本向量进行整合，可以得到该文本集对应的文本向量矩阵。
[0148]
例如，对于步骤s302中的文本集包括的文本1至文本3，该文本集对应的文本向量矩阵如下：
[0149][0150]
本技术实施例提供的文本聚类方法，首先基于预设的分词规则，对文本集中的每条文本进行分词处理，得到每个文本词语集合，其次根据所有文本词语集合包括的词语，得到该文本集对应的词典，再将每个文本词语集合包括的词语与所述词典之间的映射关系，得到每个行文本向量，最后根据所有的行文本向量，得到该文本集对应的文本向量矩阵。该技术方案中，根据文本集中的所有文本得到该文本集对应的词典，从而使得该文本集对应的文本向量矩阵的准确度得到提高，提高了后续文本聚类结果的准确度。
[0151]
示例性的，在上述实施例的基础上，图4为本技术实施例提供的文本聚类方法实施例三的流程示意图。如图4所示，在本实施例中，上述s202可以通过如下步骤实现：
[0152]
s401、根据该文本向量矩阵包括的多个行文本向量，计算每个行文本向量分别与自身以及其他行文本向量之间的相似度值，得到每个行相似度向量。
[0153]
s402、根据所有的行相似度向量，得到该文本集对应的文本相似度矩阵。
[0154]
在本实施例中，对于该文本向量矩阵中的每个行文本向量，电子设备根据文本集对应的文本向量矩阵，分别计算该行文本向量分别与自身以及该文本向量矩阵中的其他行文本向量之间的余弦值，从而得到该行文本向量对应的每个行相似度元素，所有的行相似度组成了行相似度向量。
[0155]
可以理解的是，该文本向量矩阵中其他行文本向量对应的行相似度向量的计算方式类似，此处不再赘述。
[0156]
可选的，在本技术的实施例中，由于行相似度向量中的每个行相似度元素均是通过求解向量之间的余弦值得到的，因而，行相似度向量中的每个元素值的取值范围在0～1之间。
[0157]
示例性的，对于图3所示实施例中的文本集，文本1对应的行文本向量与文本1、文本2、文本3对应的行文本向量之间的相似度值分别为1、0.80403025、0.15075567；文本2对应的行文本向量与文本1、文本2、文本3对应的行文本向量之间的相似度值分别为0.80403025、1、0.16666667；文本3对应的行文本向量与文本1、文本2、文本3对应的行文本向量之间的相似度值分别为0.15075567、0.16666667、1。
[0158]
因而，文本1对应的行相似度向量为[1 0.80403025 0.15075567]，文本2对应的行相似度向量为[0.80403025 1 0.16666667]，文本3对应的行相似度向量为[0.15075567 0.16666667 1]。所以，该文本集对应的文本相似度矩阵如下：
[0159][0160]
由此可知，文本1和文本2的相似度值约为0.804；文本1和文本3的相似度值约为0.15；文本2和文本3的相似度值约为0.16。
[0161]
可选的，参照图4所示，在本实施例中，上述s203可以通过如下步骤实现：
[0162]
s403、确定分类阈值和第一聚类，该第一聚类包括文本集中的任意一条文本。
[0163]
具体的，在本技术的实施例中，为了实现对文本的自动聚集分类，开发人员可以首先在电子设备中预设分类阈值和第一聚类。该分类阈值用于确定两个文本是否能划分成同一类，该第一聚类是预设的一个分类参考，其可以是上述文本集中的任意一条文本。
[0164]
可以理解的是，该分类阈值和第一聚类包括的文本可以解释为文本聚类的初始条件。
[0165]
s404、根据上述文本相似度矩阵、分类阈值和该第一聚类，对上述文本集中所有文本进行聚类分析，得到文本聚类结果。
[0166]
示例性的，电子设备确定出文本集对应的文本相似度矩阵后，便可以确定出任意两条文本之间的相似度值，再结合上述确定的分类阈值和该第一聚类，便可以实现文本的自动聚类。
[0167]
可选的，在本技术的实施例中，该步骤s404可以通过如下步骤实现：
[0168]
a1、根据上述文本相似度矩阵，确定第一文本与该第一聚类中的每条文本之间的相似度值，该第一文本为文本集中未聚类划分的任意一条文本。
[0169]
对于文本集中未参与聚类的任意一条文本，记为第一文本，则电子设备通过查询上述确定的文本相似度矩阵，可以得到该第一文本与第一聚类中的每条文本之间的相似度值。
[0170]
可以理解的是，在本实施例中，当确定的聚类还包括除第一聚类之外的聚类时，电子设备在确定该第一文本不能聚到第一聚类时，则需要通过查询文本相似度矩阵，得到该第一文本与其他聚类中的每条文本之间的相似度值，直到确定该第一文本所属的聚类或者不属于已确定的任何一个聚类。
[0171]
a2、若该第一文本与第一聚类中预设比例的文本之间的相似度值均大于或等于上述分类阈值，则将该第一文本归聚到第一聚类。
[0172]
其中，该预设比例可以是40％或50％。或者是其他的数值，但是该预设比例肯定是小于等于100％的值。
[0173]
可以理解的是，该预设比例的取值越高，聚类结果的准确度越高。关于该预设比例的具体取值可以根据实际需求的精度设定，此处不再赘述。
[0174]
在本实施例中，当电子设备确定第一文本与第一聚类中预设比例的文本之间的相似度值均大于或等于上述分类阈值时，直接将第一文本归聚到第一聚类，在保证聚类精度的前提下，可以节省计算时间和计算机资源，同时提高了聚类效率。
[0175]
a3、若该第一文本与第一聚类中所有文本之间的相似度值均小于该分类阈值，则生成第二聚类，该第二聚类包括该第一文本。
[0176]
在本实施例中，通过计算确定该第一文本与第一聚类中的所有文本之间的相似度值均小于上述预设的分类阈值，这时可以以该第一文本生成一个新的聚类，例如，第二聚类。
[0177]
可理解，本技术中的第一聚类和第二聚类中的第一和第二仅用于表示不同的聚类，其并不表示其他含义。
[0178]
a4、在该文本集中的所有文本均参与聚类划分时，得到文本聚类结果，该文本聚类结果包括：确定的所有聚类、每个聚类包括的所有文本。
[0179]
在本实施例中，电子设备可以基于上述a1至a3的实现步骤对文本集中的所有文本进行聚类划分，直到该文本集中的所有文本均参与聚类划分。当文本集中的所有文本均参与聚类划分时，确定出划分出的所有聚类，以及每个聚类包括的每条文本。
[0180]
对于该步骤s404，通俗来讲，对于开发人员而言，即首先确定出分类阈值，确定方法主要是观察法，具体的，从文本集包括的所有文本中找出几对语义相似的文本，再查询相似度矩阵查询文本之间的相似度值，即可大致确定取值范围，在后续聚类过程中进行微调即可。
[0181]
其次，确定分类阈值之后，电子设备便可以执行无监督聚类过程。例如，首先指定第一条文本为第一聚类，第二条文本和第一聚类所包含的文本进行语义相似度值比较，若相似度值大于分类阈值，则进行聚类合并，否则生成一个新的聚类。
[0182]
在后续的聚类过程中，则是将当前文本和上述每一聚类进行文本对比，如果相似度值大于分类阈值的文本条数超过当前聚类中文本条数的预设比例，则加入当前聚类，如果都不满足上述要求，则重新生成一个聚类，这样就完成了无监督的聚类过程。
[0183]
示例性的，对于图3所示实施例中的文本集，以步骤s401得到的文本相似度矩阵为例，若文本1为第一聚类，文本2和文本1的相似度为0.8，则认为文本1和文本2属于同一聚类，文本3和文本1、文本2相似度分别为0.167和0.15，这时，新增加一类，即第二聚类，第二聚类包括文本3。因而，该文本集的文本聚类结果为：
[0184]
第一聚类：文本1、文本2；第二聚类：文本3。
[0185]
本技术实施例提供的文本聚类方法，首先根据该文本向量矩阵包括的多个行文本向量，计算每个行文本向量分别与自身以及其他行文本向量之间的相似度值，得到每个行相似度向量，再根据所有的行相似度向量，得到该文本集对应的文本相似度矩阵，最后确定分类阈值和第一聚类，根据该文本相似度矩阵、分类阈值和第一聚类，对文本集中所有文本进行聚类分析，得到文本聚类结果。该技术方案中，通过批量计算文本相似度矩阵，确定相似度聚类的分类阈值，实现了文本的无监督聚类，大大降低了计算的复杂度，弱化了“噪声”文本对整体语义的影响，提高了聚类准确度。
[0186]
进一步的，在上述任意一实施例的基础上，图5为本技术实施例提供的文本聚类方法实施例四的流程示意图。如图5所示，在本实施例中，该文本聚类方法还可以包括如下步骤：
[0187]
s501、获取用户发出的对象推荐请求，该对象推荐请求包括：描述文本。
[0188]
在本技术的实施例中，用户可以通过服务终端向电子设备发出对象推荐请求，该对象推荐请求包括的描述文本可以是描述该用户的问诊信息的文本，也可以是请求推荐对象的描述文本。本技术实施例并不对描述文本的具体表现形式进行限定，其可以根据实际场景确定。
[0189]
示例性的，对于互联网医院的用户服务平台，该描述文本可以是患者用户的病情介绍，也可以是请求推荐医生的擅长描述。
[0190]
s502、根据上述描述文本和上述文本聚类结果，确定出与该对象推荐请求相匹配的目标聚类。
[0191]
在本实施例中，电子设备可以结合获取到的描述文本和上述文本聚类结果，判断该描述文本的匹配聚类，即该对象推荐请求相匹配的目标聚类。
[0192]
示例性的，用户在服务平台app端发一个问诊描述，后台的电子设备根据该问诊描述从描述该互联网医院的医生文本集中匹配出适合接诊的目标聚类，该目标聚类中包括至少一个科室医生的简介(或擅长描述)。
[0193]
其中，医生文本集可以是由该互联网医院中所有医生的简介组成的医生文本集。相应的，该文本聚类结果可以是基于该医生文本集和本技术提供的文本聚类方法确定的医生聚类结果。
[0194]
示例性的，仍以上述互联网医院的医生推荐和图3所示实施例包括的文本集进行解释说明。若描述文本包括：儿童、发育、迟缓、癫痫、脑瘫等关键词语，且通过该步骤s502可以确定该描述文本的匹配聚类为包括文本1和文本2的第一聚类。
[0195]
s503、从目标聚类中确定一条目标文本，并将该目标文本对应的对象推荐给用户。
[0196]
在本实施例中，电子设备根据用户发出的描述文本确定的目标聚类后，可以随机的从该目标聚类中选择一条目标文本，也可以基于每个目标聚类中的每条文本的综合指标确定出目标文本。本技术实施例并不对确定目标文本的具体方法进行限定。
[0197]
示例性的，每条文本的综合指标包括但不局限于相关程度、好评率、就诊数、排班信息等多种信息。关于综合指标的具体内容可以根据实际场景确定，此处不再赘述。
[0198]
在本实施例中，当电子设备确定出目标文本后，则可以将该目标文本对应的对象推荐给用户。例如，若目标文本为某个医生的简介，则该对象则是该医生，即实现了医生的精确推荐。
[0199]
通过实践验证，以互联网医院的问诊平台为背景，利用nlp技术和无监督聚类方法对某个互联网医院的线上真实问诊进行了数据清洗及聚类分析，得到了文本聚类结果，将该文本聚类结果应用到互联网医院的医生推荐模块中，取得了良好的应用效果。
[0200]
本技术实施例提供的文本聚类方法，通过获取用户发出的对象推荐请求，该对象推荐请求包括：描述文本，根据该描述文本和上述文本聚类结果，确定出与该对象推荐请求相匹配的目标聚类，进而从目标聚类中确定一条目标文本，并将该目标文本对应的对象推荐给用户。该技术方案中，由于文本聚类结果的精度提高，提升了对象推荐的精度，提高了
用户体验，为提高产品的竞争力奠定了基础。
[0201]
综上所述，本技术实施例提供的文本聚类方法，有益效果可以总结为如下方面：能够很好的识别低密度的文本聚类，批量处理文本信息，弱化了“噪声”文本对整体语义的影响，文本聚类的参数只有一个并且易于理解，分类结果不受样本密度的影响，分类阈值保证了聚类过程可以无监督执行。
[0202]
下述为本技术设备实施例，可以用于执行本技术方法实施例。对于本技术设备实施例中未披露的细节，请参照本技术方法实施例。
[0203]
图6为本技术实施例提供的文本聚类设备实施例的结构示意图。参照图6所示，该设备可以包括：处理模块601、计算模块602和聚类模块603。
[0204]
其中，该处理模块601，用于对待处理的文本集包括的所有文本进行处理，得到所述文本集对应的文本向量矩阵，所述文本向量矩阵的行数与所述文本集包括的文本条数相同，所述文本向量矩阵的行向量是每条文本的向量表示；
[0205]
该计算模块602，用于根据所述文本向量矩阵，计算所述文本集对应的文本相似度矩阵，所述文本相似度矩阵的每个元素值为两个所述文本向量矩阵对应位置的行向量之间的相似度值；
[0206]
该聚类模块603，用于基于所述文本相似度矩阵，对所述文本集中的所有文本进行聚类分析，得到文本聚类结果。
[0207]
示例性的，在本实施例的一种可能设计中，该处理模块601，具体用于：
[0208]
基于预设的分词规则，对所述文本集中的每条文本进行分词处理，得到每个文本词语集合，每个文本词语集合包括至少一个词语；
[0209]
根据所有文本词语集合包括的词语，得到所述文本集对应的词典，所述词典中的每个词语具有唯一的标识；
[0210]
将每个文本词语集合包括的词语与所述词典之间的映射关系，得到每个行文本向量；
[0211]
根据所有的行文本向量，得到所述文本集对应的文本向量矩阵。
[0212]
可选的，该处理模块601，用于根据所有文本词语集合包括的词语，得到所述文本集对应的词典，具体为：
[0213]
该处理模块601，具体用于：
[0214]
将所有文本词语集合包括的词语均归集到预设集合中；
[0215]
将所述预设集合中的重复词语删除，得到预设目标集合；
[0216]
对所述预设目标集合所包括的每个词语分别添加唯一的标识，得到所述文本集对应的词典。
[0217]
可选的，该处理模块601，用于将每个文本词语集合包括的词语与所述词典之间的映射关系，得到每个行文本向量，具体为：
[0218]
该处理模块601，具体用于：
[0219]
将每个文本词语集合包括的词语映射成所述词典中的标识，得到每个文本标识集合；
[0220]
根据每个文本标识集合包括的标识，将每个文本标识集合转换成一个行文本向量，每个行文本向量的元素个数与所述词典的元素个数相同，每个行文本向量的非零元素
个数与对应文本词语集合的词语数量相同。
[0221]
可选的，该处理模块601，还用于在基于预设的分词规则，对所述文本集中的每条文本进行分词处理，得到每个文本词语集合之前，对所述文本集的每条文本进行预处理，删除每条文本中出现的预设属性内容，所述预设属性内容至少包括如下内容中的一种：停用词、注释词、符号。
[0222]
示例性的，在本实施例的另一种可能设计中，计算模块602，具体用于：
[0223]
根据所述文本向量矩阵包括的多个行文本向量，计算每个行文本向量分别与自身以及其他行文本向量之间的相似度值，得到每个行相似度向量；
[0224]
根据所有的行相似度向量，得到所述文本集对应的文本相似度矩阵。
[0225]
示例性的，在本实施例的再一种可能设计中，聚类模块603，具体用于：
[0226]
确定分类阈值和第一聚类，所述第一聚类包括所述文本集中的任意一条文本；
[0227]
根据所述文本相似度矩阵、所述分类阈值和所述第一聚类，对所述文本集中所有文本进行聚类分析，得到所述文本聚类结果。
[0228]
可选的，该聚类模块603，用于根据所述文本相似度矩阵、所述分类阈值和所述第一聚类，对所述文本集中所有文本进行聚类分析，得到所述文本聚类结果，具体为：
[0229]
该聚类模块603，具体用于：
[0230]
根据所述文本相似度矩阵，确定第一文本与所述第一聚类中的每条文本之间的相似度值，所述第一文本为所述文本集中未聚类划分的任意一条文本；
[0231]
若所述第一文本与所述第一聚类中预设比例的文本之间的相似度值均大于或等于所述分类阈值，则将所述第一文本归聚到所述第一聚类；
[0232]
若所述第一文本与所述第一聚类中所有文本之间的相似度值均小于所述分类阈值，则生成第二聚类，所述第二聚类包括所述第一文本；
[0233]
在所述文本集中的所有文本均参与聚类划分时，得到所述文本聚类结果，所述文本聚类结果包括：确定的所有聚类、每个聚类包括的所有文本。
[0234]
示例性的，在本实施例的又一种可能设计中，该文本聚类设备还包括：获取模块、确定模块和推荐模块；
[0235]
其中，该获取模块，用于获取用户发出的对象推荐请求，所述对象推荐请求包括：描述文本；
[0236]
该确定模块，用于根据所述描述文本和所述文本聚类结果，确定出与所述对象推荐请求相匹配的目标聚类，以及从所述目标聚类中确定一条目标文本；
[0237]
该推荐模块，用于将所述目标文本对应的对象推荐给所述用户。
[0238]
本技术实施例提供的设备，可用于执行图2至图5所示实施例中的方法，其实现原理和技术效果类似，在此不再赘述。
[0239]
需要说明的是，应理解以上设备的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，确定模块可以为单独设立的处理元件，也可以集成在上述设备的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述设备的存储器中，由上述设备的某一个处理元件调用并执行以上确
定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0240]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，asic)，或，一个或多个微处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，soc)的形式实现。
[0241]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0242]
图7为本技术实施例提供的电子设备实施例的结构示意图。如图7所示，该电子设备可以包括：处理器71、存储器72、通信接口73和系统总线74，所述存储器72和所述通信接口73通过所述系统总线74与所述处理器71连接并完成相互间的通信，所述存储器72用于存储计算机执行指令，所述通信接口73用于和其他设备进行通信，所述处理器71执行所述计算机程序时实现如上述图2至图5所示实施例的方案。
[0243]
在该图7中，上述的处理器71可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器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。
[0244]
存储器72可能包含随机存取存储器(random access memory，ram)，也可能包括只读存储器(read-only memory，ram)，还可能包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0245]
通信接口73用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。
[0246]
系统总线74可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。系统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。
[0247]
可选的，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行如上述图2至图5所示实施例的方法。
[0248]
可选的，本技术实施例还提供一种运行指令的芯片，所述芯片用于执行上述图2至图5所示实施例的方法。
[0249]
本技术实施例还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中，至少一个处理器可以从所述计算机可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述图2至图5所示实施例的方法。
[0250]
本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
[0251]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。