一种任务创建方法、装置、计算机设备和存储介质与流程

1.本发明涉及电子通信技术领域，更具体地，涉及一种任务创建方法、装置、计算机设备和存储介质。


背景技术：

2.随着移动智能终端和云计算的快速发展，人工智能的浪潮正在悄然颠覆生活的点点滴滴，智能对话用户交互作为一个新的领域也在快速发展，并对用户体验提出了更多关于语言学、情感塑造、逻辑搭建等方面的新要求。智能对话用户交互是基于语音输入或文字输入的新一代交互模式，通过说话或打字就可以得到反馈结果。典型的应用场景为智能对话助手。智能对话助手是一款智能型的应用，通过智能对话，实现帮助用户解决问题，为用户创建例如预定会议室、提醒参加会议人员开会等任务。
3.现有智能对话助手创建任务的方式是用户与智能对话助手在私聊模式下，用户主动提供输入、智能对话助手被动提供反馈的循环模式。智能对话助手只会单一地服从用户指令。然而，这种被动机制无法实现在群聊中智能对话助手无需与用户进行对话即可创建任务的解决方案。
4.在中国专利文件中，名称为《一种语音交互装置、方法和计算机可读存储介质》公开号为cn110827821a，介绍了一种语音交互装置，包括：控制模块用于当基于所述用户意图确定具有介入需求且基于所述会话参数确定介入时机到达时，向用户发出基于所述用户意图确定的信息。该发明虽为主动机制，其所涉及的会话参数为语速、对话频率等仅适用于语音交互场景，不适用于即时通讯软件文字聊天场景，并且其应用的场景为聊天类、讨论、问答类、固定对话程序几个场景，并不适用于智能助手这样任务型对话场景，即使应用在即时通讯软件语音聊天场景根据会话参数频繁的介入会话也会极大的影响群聊体验。


技术实现要素：

5.本发明的一个目的在于提供一种任务创建方法、装置、计算机设备和存储介质。
6.为达到上述目的，本发明采用下述技术方案：
7.本发明第一方面提供一种任务创建方法，包括：
8.s2、获取对话群中可变时间窗t分钟内的用户之间的对话内容并得到所述对话内容中的对话信息；
9.s4、将所述对话信息输入已训练好的意图识别机器学习模型和命名实体识别机器学习模型，得到任务信息；
10.s6、根据所述任务信息创建任务。
11.可选地，所述对话内容包括文字对话内容和/或语音对话内容。
12.可选地，在所述s2之前，所述任务创建方法还包括：
13.s0、根据多个对话信息训练样本训练得到意图识别机器学习模型和命名实体识别机器学习模型。
14.可选地，所述s0进一步包括：
15.根据多个对话信息训练样本训练得到意图识别机器学习模型包括：
16.数据集使用即时聊天工具历史对话内容作为训练样本，将数据集按照层次抽样划分为训练集、验证集、测试集；
17.使用训练集和验证集训练所述意图识别机器学习模型；
18.使用测试集对所述意图识别机器学习模型进行验证，得到训练好的意图识别机器学习模型；
19.根据多个对话信息训练样本训练得到命名实体识别机器学习模型包括：
20.数据集使用即时聊天工具历史对话内容作为训练样本，将数据集按照层次抽样划分为训练集、验证集、测试集；
21.使用训练集和验证集训练所述命名实体识别机器学习模型；
22.使用测试集对所述命名实体识别机器学习模型进行验证，得到训练好的命名实体识别机器学习模型。
23.可选地，在所述s4之后，在所述s6之前，所述任务创建方法还包括：
24.s5、根据任务信息提取任务要素，判断所述任务要素是否齐全：若是，表示当前设定的可变时间窗t分钟内涵盖的对话内容包含所有需要的任务要素，则转入所述s6；若否，调整可变时间窗值为t+n分钟，获取对话群中可变时间窗t+n分钟内的用户之间的对话内容并得到所述对话内容中的对话信息；将所述对话信息输入已训练好的意图识别机器学习模型和命名实体识别机器学习模型，得到任务信息；根据任务信息提取任务要素，判断所述任务要素是否齐全：若是，则转入所述s6；若否，对话过程中缺少任务要素，则在所述对话群中发布引导用户补充信息的询问语句，直到所述任务要素齐全，则转入所述s6。
25.可选地，在所述s6之后，所述任务创建方法还包括：
26.s7、在对话群中发布创建的任务。
27.可选地，在所述s7之后，所述任务创建方法还包括：
28.s8、获取所述对话群中的用户的对话内容并得到所述对话内容中的对话信息，将所述对话信息输入所述已训练好的意图识别机器学习模型和命名实体识别机器学习模型进行意图识别及命名实体识别，以得到任务修改信息，根据所述任务修改信息修改已创建的任务。
29.本发明第二方面提供一种应用本发明第一方面所述的任务创建方法的任务创建装置，包括：
30.获取模块，用于获取对话群中可变时间窗t分钟内的用户之间的对话内容并得到所述对话内容中的对话信息；
31.输入模块，用于将所述对话信息输入已训练好的意图识别机器学习模型和命名实体识别机器学习模型，得到任务信息；
32.创建模块，用于根据所述任务信息创建任务。
33.本发明第三方面提供一种计算机设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如本发明第一方面所述的方法。
34.本发明第四方面提供一种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如本发明第一方面所述的方法。
35.本发明的有益效果如下：
36.本发明针对目前现有的问题，制定一种任务创建方法，提供基于意图识别及命名实体识别的智能对话助手，通过设置可变时间窗自动识别用户的需求，以实现在群聊中智能对话助手无需与用户进行对话，得到完整的任务要素，从而进行任务的创建，解决了以往智能助手强行介入对话，用户体验不佳的问题。
附图说明
37.下面结合附图对本发明的具体实施方式作进一步详细的说明。
38.图1示出本发明的一个实施例所述的任务创建方法流程图。
39.图2示出命名实体识别机器学习模型结构示意图。
40.图3示出本发明的一个实施例所述的任务创建装置示意图。
41.图4示出计算机设备的结构示意图。
具体实施方式
42.为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
43.发明人对现有技术的智能对话助手创建任务的方式进行分析，发现存在诸多问题。比如以当前的智能对话助手为例，对现有技术的智能对话用户交互技术存在的技术问题进行说明。
44.目前，智能对话助手在多人场景及自然交互方面存在诸多的技术问题，包括且不限于：
45.(1)用户与智能对话助手或语音助手是在私聊状态进行交流，没有在群聊场景中，即目前的智能助手或语音助手通常是针对单用户的，对于多人聊天场景一般是忽略不考虑的。
46.(2)用户与智能对话助手只能在私聊模式下，用户主动提供输入、智能对话助手被动提供反馈的循环模式。智能对话助手只会单一地服从用户指令。然而，这种被动机制无法实现在群聊中智能对话助手无需与用户进行对话即可创建任务的解决方案。
47.(3)智能对话助手例如各种app的客服机器人和ai音箱等需要唤醒词，采用唤醒词的交互技术是目前大多数智能助手或语音助手产品采用的方案，基于一次性对话设计，即用户先唤醒，输入一个问题，智能助手或语音助手识别，给出最有可能的答案。这种交互方式的对话缺少关联性，智能助手或语音助手不理解上下文背景，由于信息不全，智能助手或语音助手无法识别用户意图，可能没有回应或错误执行指令，导致出现“唤不醒”或“误唤醒”等问题。而且每次对话都需要唤醒词，节奏卡顿，影响用户的交互体验。
48.(4)当基于所述用户意图确定具有介入需求且基于所述会话参数确定介入时机到达时，向用户发出基于所述用户意图确定的信息，其所涉及的会话参数为语速、对话频率等仅适用于语音交互场景，不适用于即时通讯软件文字聊天场景，并且其应用的场景为聊天类、讨论、问答类、固定对话程序几个场景，并不适用于智能助手这样任务型对话场景，即使应用在即时通讯软件语音聊天场景根据会话参数频繁的介入会话也会极大的影响群聊体
验。
49.有鉴于此，如图1所示，本发明实施例提供一种任务创建方法，包括：
50.s0、根据多个对话信息训练样本训练得到意图识别机器学习模型和命名实体识别机器学习模型。
51.其中，收集即时聊天工具历史对话内容作为训练样本，训练自然语言理解模块两个机器学习模型，一个用于意图识别，一个用于命名实体识别，不同意图对应不同命名实体识别模型，每个模型使用相应语料进行训练。
52.意图识别机器学习模型应用bert模型，bert是一种预训练模型并且是一个两阶段模型，包括pre-training(预训练)和fine-tuning(微调)。加载预训练模型(例如bert-based-uncased、bert-based-chinese)，就可以对下游任务(如意图识别)的模型进行微调。将bert网络输出层添加softmax激活函数进行意图识别。
53.具体流程如下：
54.数据集使用即时聊天工具历史对话内容作为训练样本，包含预订会议室、跟进项目进展、无任务等意图；
55.将数据集按照层次抽样划分为训练集、验证集、测试集；
56.使用训练集和验证集训练所述意图识别机器学习模型；
57.使用测试集对所述意图识别机器学习模型进行验证，得到训练好的意图识别机器学习模型，具体为：
58.在所有样本中应用bert tokenizer将token映射到词嵌入；
59.对数据集进行编码；
60.载入预训练模型bert-base-chinese；
61.编译与训练模型：采用adam优化器，设置学习率learning_rate＝2e-5、训练回合数number_of_epochs＝8；
62.将已训练的机器学习模型部署在一台服务器上，任务创建工具与该服务器进行通讯。
63.命名实体识别机器学习模型应用bert+bilstm+crf模型进行命名实体识别，即实体识别。命名实体识别，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词、时间等。
64.bert(bidirectional encoder representation from transformers)，即双向transformer的encoder。该模型在预训练方法上用了masked lm和next sentence prediction两种方法分别捕捉词语和句子级别的表示。
65.bilstm是bi-directional long short-term memory的缩写，是由前向lstm与后向lstm组合而成。
66.crf为条件随机场，可以用于构造在给定一组输入随机变量的条件下，另一组输出随机变量的条件概率分布模型。
67.bert+bilstm+crf模型由bert模块、bilstm和crf 3个模块组成。整体模型如图2所示。首先使用bert模型获取字向量，提取文本重要特征；然后通过biilstm深度学习上下文特征信息，进行命名实体识别；最后crf层对bilstm的输出序列处理，结合crf中的状态转移矩阵，根据相邻之间标签得到一个全局最优序列。
68.模型第一层是利用预训练的bert语言模型初始化获取输入文本信息中的字向量记为序列x＝(x1,x2,x3,
…
,xn)，所获取的字向量能够利用词与词之间的相互关系有效提取文本中的特征；
69.模型第二层为双向lstm层，第一层获取的n维字向量作为双向长短时记忆神经网各个时间步的输入，得到双向lstm层的隐状态序列和待前向与后向全部处理完，对各个隐状态序列进行按照位置拼接得到完整的隐状态序列记为h
t
＝(h1,h2,
…
,hn）∈rn×m，接着线性输出层将完整的隐状态序列映射到s维(s维为标注集的标签类别数目)，记提取的句子特征为全部映射之后的序列为矩阵l＝(l1,l2,
…
,ln)∈rn×s，li∈rs的每一维l
i,j
分别对应其字xi对应每个类别标签yi的分数值。如果此时直接对每个位置的分数值进行独立分类，选取每个分值最高的直接得到输出结果，则不能考虑相邻句子之间的信息，不能得到全局最优，分类结果不理想。所以引入模型最后一层。
70.具体流程如下：
71.数据集使用即时聊天工具历史对话内容作为训练样本，样本处理成以下格式：
72.@明天下午三点#time/在@上海会议室#meetingroom/开会
73.好的，会议持续多长时间？
74.大约@两个小时#time/吧
75.好的
76.其中，@后面是实体，#后面是实体的label。
77.将数据集按照层次抽样划分为训练集、验证集、测试集；
78.使用训练集和验证集训练所述命名实体识别机器学习模型；
79.使用测试集对所述命名实体识别机器学习模型进行验证，得到训练好的命名实体识别机器学习模型，具体为：
80.载入预训练模型chinese_l-12_h-768_a-12；
81.编译与训练模型：采用adam优化器，学习率选取0.001，设置lstm_dim为200，batch_size为64，max_seq_len为128。为防止过拟合问题，在bilstm的输入输出中使用dropout，取值为0.5；
82.将已训练的机器学习模型部署在一台服务器上，任务创建工具与该服务器进行通讯。
83.在一个具体示例中，所述对话内容包括文字对话内容和/或语音对话内容。
84.s2、获取对话群中可变时间窗t分钟内的用户之间的对话内容并得到所述对话内容中的对话信息。
85.本发明实施例中，设定可变时间窗值t＝5分钟，当有群聊信息时对话信息存储模块开始存储对话信息，若对话信息为文字信息，则文字信息直接作为对话信息；若对话信息为语音信息，则语音信息先转换为文字信息，再将转换后的文字信息作为对话信息。
86.从对话信息存储模块中获取对话群中最近五分钟内用户之间的对话内容，包括语音及文字，并根据所述对话内容获得对话内容中的对话信息。
87.s4、将所述对话信息输入已训练好的意图识别机器学习模型和命名实体识别机器学习模型，得到任务信息。
88.接续上述示例中，将获得的对话信息输入自然语言理解模块中意图识别机器学习模型得到对话信息中涉及的意图，例如分为预订会议室、跟进项目进展、无任务等意图，若识别为无任务，则清空对话信息存储模块存储的对话内容，继续存储t分钟至2t分钟的对话信息，重复此步骤，例如若识别为预订会议室意图，将对话信息输入自然语言理解模块中相应意图的命名实体识别机器学习模型，得到任务信息。
89.在一种可能的实现方式中，如图1所示，在所述s4之后，在所述s6之前，所述任务创建方法还包括：
90.s5、根据任务信息提取任务要素，判断所述任务要素是否齐全：若是，表示当前设定的可变时间窗t分钟内涵盖的对话内容包含所有需要的任务要素，则转入所述s6；若否，调整可变时间窗值为t+n分钟，获取对话群中可变时间窗t+n分钟内的用户之间的对话内容并得到所述对话内容中的对话信息；将所述对话信息输入已训练好的命名实体识别机器学习模型，得到任务信息；根据任务信息提取任务要素，判断所述任务要素是否齐全：若是，则转入所述s6；若否，对话过程中缺少任务要素，则在所述对话群中发布引导用户补充信息的询问语句，直到所述任务要素齐全，则转入所述s6。
91.接续上述示例，例如若识别为预订会议室意图，将对话信息输入自然语言理解模块中相应意图的命名实体识别机器学习模型，识别出具体任务要素，例如预订会议室意图中包括的任务要素有{“预订会议室”:[“开始时间”,“持续时间”,“会议室名称”],
……
}等，具体任务要素与识别意图的对应关系进行匹配，判别获得的任务要素是否完整，若完整，则进入s6，若不完整调整可变时间窗值t＝5+2分钟，即对话信息存储模块增加2分钟对话信息，重新输入自然语言理解模块命名实体识别机器学习模型，若完整则转入s6，若仍不完整，极有可能对话过程中不再会有缺少的任务要素出现，则此时任务管理模块向群里发布引导用户补充信息的询问语句，例如“是否创建预订会议室任务，开始时间：xxx，会议室地点：xxx，若创建任务请补充会议持续时间，否则请忽略”，任务管理模块发出词句询问语句后，对话信息存储模块启用另一个分支存储此询问语句后n＝10条群聊对话信息，将存储此询问语句后n＝10条群聊对话信息输入自然语言理解模块命名实体识别机器学习模型，若获取到缺少的任务要素，则补充完整任务要素，清除对话信息存储模块存储的存储此询问语句后n＝10条群聊对话信息，转入s6，若未获取到缺少的任务要素，则默认认为用户不创建任务。
[0092]
s6、根据所述任务信息创建任务。
[0093]
在一个具体示例中，根据上述完整的任务要素创建任务，并清除对话信息存储模块存储的最近可变时间窗t分钟内的对话信息和询问语句后n＝10条群聊对话信息，还原可变时间窗值t＝5分钟，群中再次有群聊信息时转入s2。
[0094]
在一种可能的实现方式中，如图1所示，在所述s6之后，所述任务创建方法还包括：
[0095]
s7、在对话群中发布创建的任务。
[0096]
在一个具体示例中，任务管理模块直接进行例如预订会议室等任务操作并在对话群中展示，清除对话信息存储模块存储的对话信息，还原可变时间窗值t＝5分钟。
[0097]
在一种可能的实现方式中，如图1所示，在所述s7之后，所述任务创建方法还包括：
[0098]
s8、获取所述对话群中的用户的对话内容并得到所述对话内容中的对话信息，将所述对话信息输入所述已训练好的意图识别机器学习模型和命名实体识别机器学习模型
进行意图识别及命名实体识别，以得到任务修改信息，根据所述任务修改信息修改已创建的任务。
[0099]
在一个具体示例中，若需取消或更改可以说出相应话语“取消任务”、“修改任务”，对话信息存储模块存储询问语句后n＝10条群聊对话信息，将存储询问语句后n＝10条群聊对话信息输入自然语言理解模块意图识别机器学习模型得到对话信息中涉及的意图，清除对话信息存储模块存储的存储询问语句后n＝10条群聊对话信息，若识别为取消任务，任务管理模块删除刚才创建的任务，转入清除对话信息存储模块存储的最近可变时间窗t分钟内的对话信息和询问语句后n＝10条群聊对话信息，还原可变时间窗值t＝5分钟；若识别为修改任务，任务管理模块在对话群中展示刚才创建的任务及任务要素并询问更改哪个要素，对话信息存储模块存储此询问语句后n＝10条群聊对话信息，若用户发出任务要素及要修改的内容则包含在询问语句后n＝10条群聊对话信息中，将询问语句后n＝10条群聊对话信息输入自然语言理解模块命名实体识别机器学习模型，若识别出任务要素，任务管理模块对应修改任务的任务要素，若没有识别出任务要素，则忽略此修改操作，转入清除对话信息存储模块存储的最近可变时间窗t分钟内的对话信息和询问语句后n＝10条群聊对话信息，还原可变时间窗值t＝5分钟。
[0100]
需要说明的是，t和n的具体数值可根据实际群聊场景进行调整，本发明对此不作限定。
[0101]
在一个具体示例中，基于本发明实施例提供的任务创建方法，通过即时聊天工具，ai算法分析对话内容，根据任务要素自动创建任务及任务管理，例如在企业微信、钉钉等办公类app中以插件形式实现的智能助手(小秘书)，根据对话群中的对话内容(文字或语音)，通过训练好的ai模型识别任务意图(例如要预约会议室会见客户)，通过可变时间窗的方式“默默”收集任务要素，只有群中对话内容没有涉及到任务要素，才向群中发出询问是否建立任务的信息，并引导补充缺少的任务要素，若“默默”的已获取足够的任务要素则直接进行例如预订会议室等任务操作并在对话群中展示。
[0102]
本发明提供的智能对话助手与小度的区别为不需唤醒，自动介入。与自动客服助手的区别是不用主动问用户，而是通过用户之间的对话自动识别任务意图。
[0103]
例如，企业微信群里的张三发送了“提醒我下周一上午十点参加分享会”，小助手自动回复“已添加日程提醒@张三”并在企业微信中添加提醒事项；
[0104]
再例如，企业微信群里的张三发送了“@李四，明天沟通项目进展”，小助手自动回复“是否需要建立任务@张三”，张三“@李四明天上午在上海会议室”，小助手自动回复“具体几点@张三”，张三“上午九点”，小助手自动订会议室并自动回复“已订好会议室@李四”；
[0105]
例如，张三直接说清了几点、哪个会议室，那么小助手就自动订会议室，并在群里回复。
[0106]
本发明实施例提供的任务创建方法，根据对话群中的用户之间的对话内容(文字或语音)，通过训练好的ai模型识别任务意图(例如要预订会议室会见客户)，通过可变时间窗的方式“默默”收集任务要素，只有群中对话内容没有涉及到任务要素，才向群中发出询问是否建立任务的信息，并引导补充缺少的任务要素，若“默默”的已获取足够的任务信息则直接进行例如预订会议室等任务操作并在对话群中展示，从而实现了群聊中智能对话助手无需与用户进行对话，得到完整的任务要素后进行任务的创建，解决了以往智能助手强
行介入对话，用户体验不佳的问题。
[0107]
本发明另一个实施例提供一种应用上述任务创建方法的任务创建装置，如图3所示，该装置包括：
[0108]
获取模块，用于获取对话群中可变时间窗t分钟内的用户之间的对话内容并得到所述对话内容中的对话信息；
[0109]
输入模块，用于将所述对话信息输入已训练好的意图识别机器学习模型和命名实体识别机器学习模型，得到任务信息；
[0110]
创建模块，用于根据所述任务信息创建任务。
[0111]
如图4所示，适于用来实现上述实施例提供的任务创建方法的计算机系统，包括中央处理模块(cpu)，其可以根据存储在只读存储器(rom)中的程序或者从存储部分加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有计算机系统操作所需的各种程序和数据。cpu、rom以及ram通过总线被此相连。输入/输入(i/o)接口也连接至总线。
[0112]
以下部件连接至i/o接口：包括键盘、鼠标等的输入部分；包括诸如液晶显示器(lcd)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至i/o接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
[0113]
特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
[0114]
附图中的流程图和示意图，图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0115]
作为另一方面，本实施例还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，使得上述设备：
[0116]
获取对话群中可变时间窗t分钟内的用户之间的对话内容并得到所述对话内容中的对话信息；
[0117]
将所述对话信息输入已训练好的意图识别机器学习模型和命名实体识别机器学习模型，得到任务信息；
[0118]
根据所述任务信息创建任务。
[0119]
在本发明的描述中，需要说明的是，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。
[0120]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。