信息处理方法及装置与流程

1.本说明书涉及人工智能技术领域，特别涉及一种信息处理方法。本说明书同时涉及一种信息处理装置，一种计算设备，以及一种计算机可读存储介质。


背景技术：

2.随着互联网技术的发展，围绕相关业务与用户进行沟通的场景越来越常见，而在实际场景中，相关业务的业务种类也各种各样，如商品购买，知识问答等，通过对话内容引导用户完成相关业务就变得越来越重要。
3.现有技术中，会在与用户进行对话之前，确定用户对话的主题，将包含特定特征的对话划分至相关主题中，然而这种方式对于没有确定主题的对话类别无法进行识别，对于用户对话中包含的特定特征需要进行大量标注，难以控制成本，此外该方式还限定了用户对话的主题数量，不利于对用户对话的分析。


技术实现要素：

4.有鉴于此，本说明书实施例提供了一种信息处理方法。本说明书同时涉及一种信息处理装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
5.根据本说明书实施例的第一方面，提供了一种信息处理方法，包括：
6.采集关联目标业务的待处理对话集；
7.将所述待处理对话集包含的待处理对话信息输入至语言处理模型进行处理，得到待处理对话信息对应的对话特征，并组成对话特征集；
8.对所述对话特征集包含的对话特征进行聚类处理，根据聚类处理结果得到目标话题簇；
9.确定所述目标话题簇中子话题的业务关联信息，并基于所述业务关联信息确定所述目标话题簇的话题关联信息；其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
10.根据本说明书实施例的第二方面，提供了一种信息处理装置，包括：
11.采集模块，被配置为采集关联目标业务的待处理对话集；
12.处理模块，被配置为将所述待处理对话集包含的待处理对话信息输入至语言处理模型进行处理，得到待处理对话信息对应的对话特征，并组成对话特征集；
13.聚类模块，被配置为对所述对话特征集包含的对话特征进行聚类处理，根据聚类处理结果得到目标话题簇；
14.确定模块，被配置为确定所述目标话题簇中子话题的业务关联信息，并基于所述业务关联信息确定所述目标话题簇的话题关联信息；其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
15.根据本说明书实施例的第三方面，提供了一种计算设备，包括：
16.存储器和处理器；
17.所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
18.采集关联目标业务的待处理对话集；
19.将所述待处理对话集包含的待处理对话信息输入至语言处理模型进行处理，得到待处理对话信息对应的对话特征，并组成对话特征集；
20.对所述对话特征集包含的对话特征进行聚类处理，根据聚类处理结果得到目标话题簇；其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
21.确定所述目标话题簇中子话题的业务关联信息，并基于所述业务关联信息确定所述目标话题簇的话题关联信息；其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
22.根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述信息处理方法的步骤。
23.本说明书提供的信息处理方法，采集关联目标业务的待处理对话集；将所述待处理对话集包含的待处理对话信息输入至语言处理模型进行处理，得到待处理对话信息对应的对话特征，并组成对话特征集；对所述对话特征集包含的对话特征进行聚类处理，根据聚类处理结果得到目标话题簇；确定所述目标话题簇中子话题的业务关联信息，并基于所述业务关联信息确定所述目标话题簇的话题关联信息；其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
24.本说明书一实施例实现了对目标业务的待处理对话集进行处理，实现了待处理对话信息与目标业务之间关联关系的分析，无须对待处理对话集中的待处理对话信息进行标记，减少资源投入，更加便捷与灵活的进行信息处理。
附图说明
25.图1是本说明书一实施例提供的一种信息处理方法的流程图；
26.图2是本说明书一实施例提供的一种应用于问答对话的信息处理方法的处理流程图；
27.图3是本说明书一实施例提供的一种信息处理方法的处理流程图；
28.图4是本说明书一实施例提供的一种信息处理装置的结构示意图；
29.图5是本说明书一实施例提供的一种计算设备的结构框图。
具体实施方式
30.在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
31.在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含
一个或多个相关联的列出项目的任何或所有可能组合。
32.应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
33.首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
34.均值池化：取池化域内的所有激活值进行平均，高的正的激活值可能和低的负的激活值相互抵消，从而导致判别性信息损失。基于序的平均池化方法解决这个问题通过取前t个数值最大的激活值进行平均。
35.聚类：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类；由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
36.在本说明书中，提供了一种信息处理方法，本说明书同时涉及一种信息处理装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
37.图1示出了根据本说明书一实施例提供的一种信息处理方法的流程图，具体包括以下步骤：
38.步骤s102：采集关联目标业务的待处理对话集。
39.其中，目标业务可以理解为，用户基于自身诉求而展开的业务活动，如购买商品、沟通问题等；待处理对话集可以理解为，用户针对目标业务展开对话，其中用户的对话信息的总和，需要说明的是，用户针对目标业务展开对话的过程中，对话的对象可以是人工客服也可以是智能机器人，本实施例不进行限定。
40.基于此，待处理对话集中包含的信息是针对同一业务的用户产生的对话信息，且待处理对话集中的信息可以是来自于不同用户。采集关联目标业务员的待处理对话集的过程，需要说明的是，对于待处理对话集来说，其来源可以是设备本地存储的用户关于目标业务的对话信息，如基于语音识别进行的自动售卖机，与用户之间的对话被存储在该自动售卖机中，也可以是存储在云存储空间，如某商品网站中，用户与客服之间的沟通会被网站存储在相关的云存储空间，待处理对话集的具体存储形式由实际使用场景决定，本实施例不进行限定。通过采集与目标业务关联的待处理对话集，后续可以对该待处理对话集中的用户的对话内容进行分析，更好的引导用户关于目标业务的展开。
41.步骤s104：将所述待处理对话集包含的待处理对话信息输入至语言处理模型进行处理，得到待处理对话信息对应的对话特征，并组成对话特征集。
42.具体的，在采集到待处理对话集后，需要对待处理对话集中包含的用户的对话内容进行分析，而通过计算设备直接对文本或语音信息进行处理，其处理过程过于复杂，会占用大量计算资源，故此，需要将待处理对话集中包含的用户的对话内容转换为特征形式。
43.其中，待处理对话信息可以理解为，用户针对目标业务展开对话过程中，产生的与对话内容相关的信息，此外由于用户针对目标业务展开对话的过程中，可以采取文字形式进行对话，也可以采取语音形式进行对话，若是后者的情况，需要采用语音识别技术，将语音转换为文本；语言处理模型可以理解为，一种通过预训练，可以将待处理对话信息向量
化，确定待处理对话信息对应的对话特征。
44.基于此，将待处理对话集中包含的，文本形式的待处理对话信息输入至语言处理模型中进行处理，处理过程中，会根据待处理对话信息的语义，确定待处理对话信息对应的对话特征，确定待处理对话集中全部的待处理对话信息的对话特征后，将得到的对话特征组成集合，即对话特征集。需要说明的是，通过语言处理模型处理待处理对话集中的待处理对话信息的过程中，可以将待处理对话信息依次输入语言处理模型进行处理，也可以同时输入语言处理模型进行并发处理，具体的处理方法由实际使用场景决定，本实施例不进行限定。通过以上方式将待处理对话集中包含的待处理对话信息向量化，降低计算设备进行处理的处理难度，有效提升了处理效率。
45.进一步的，基于待处理对话信息，生成对应的对话特征的过程中，需要保证语言处理模型的准确性，若待处理对话信息与相关的对话特征不匹配，难以保证后续处理结果的正确，在本实施例中，具体实现方式如下：
46.对样本对话集中包含的样本对话信息进行提取，确定样本对话信息包含的样本词信息；基于预设的替换策略对样本对话信息中包含的样本词信息依次进行替换，得到替换文本信息；将所述替换文本信息输入至初始语言处理模型进行处理，生成预测词信息向量；确定替换文本信息的替换词信息向量，并基于所述替换词信息向量与所述预测词信息向量计算损失值；根据所述损失值对所述初始语言处理模型进行参数调整，直至所述初始语言处理模型满足训练停止条件，得到所述语言处理模型。
47.其中，样本对话集可以理解为，包含用于对初始语言处理模型进行预训练的样本对话信息的集合；样本词信息可以理解为，在样本对话信息对应的文本中，包含的词或字的信息；替换文本信息可以理解为，对样本对话信息中的样本词信息进行mask，得到的对话信息；预测词信息向量可以理解为，初始语言处理模型对替换文本信息中词信息对应的特征向量的预测结果；替换词信息向量可以理解为，替换文本信息中此信息对应的特征向量。
48.基于此，在样本对话集中的样本对话信息中，提取出各个样本对话信息包含的样本词信息，样本对话集可以从处理目标业务的设备的历史存储空间中获取，也可以是从网络中抓取与目标业务关联的对话信息，组成样本对话集，具体的样本对话集来源由实际使用场景决定，本实施例不进行限定。
49.然后，对样本对话信息中的样本词信息进行替换，替换过程可以通过预设的比例将样本词信息替换为固定的替换词，如mask，或是对样本词信息保持不变，或是将样本词信息替换为随机的词信息，之后由初始语言处理模型对进行了替换的替换文本信息进行处理，初始语言处理模型对替换文本信息中包含的词信息的向量进行预测，之后与替换文本信息中包含的词信息的向量进行对比，根据对比结果计算损失值，并基于损失值调整初始语言处理模型的模型参数，直到初始语言处理模型对替换文本信息中的词信息的向量预测，其准确度满足预期，停止预训练过程得到语言处理模型。
50.举例说明，在某线上课程的报名系统中，存储着客户针对该线上课程是否报名，而与客服进行沟通的对话数据，此时自互联网中爬取与该业务类似的对话数据，组合集合作为样本对话集，选择bert模型作为初始语言处理模型，之后基于mask策略，使用样本对话集对初始语言处理模型进行训练，得到语言处理模型。
51.综上，通过以上步骤，实现了语言处理模型的预训练过程，保证语言处理模型对待
处理对话信息进行处理，得到对应的对话特征的准确性，通过预设的替换策略，进一步发掘初始语言处理模型基于对话信息生成对应对话特征的能力。
52.进一步的，由于待处理对话信息的长短由用户实际对话情况决定，所以其长度难以一致，而将长短不一的待处理对话信息输入语言处理模型，会导致输入效率低，为了解决该问题，在本实施例中，具体实现方式如下：
53.将所述待处理对话信息集中的第i个待处理对话信息与第j个待处理对话信息段进行拼接，得到目标对话信息段；判断所述目标对话信息段的长度是否大于预设拼接长度；若否，i自增1，将所述目标对话信息段作为所述第j个待处理对话信息段，并执行所述将所述待处理对话信息集中的第i个待处理对话信息与第j个待处理对话信息段进行拼接，得到目标对话信息段步骤；若是，对所述目标对话信息段进行切分，得到长度等于预设拼接长度的目标长度信息段与切分子信息段，j自增1，将所述切分子信息段作为所述第j个待处理对话信息段，i自增1，执行所述将所述待处理对话信息集中的第i个待处理对话信息与第j个待处理对话信息段进行拼接，得到目标对话信息段步骤；直至i等于所述待处理对话信息集中包含的待处理对话信息个数n，确定至少一个目标长度信息段，其中，i、j从1开始取值，且为正整数。
54.其中，待处理对话信息段可以理解为，将待处理对话信息进行拼接之后得到的信息；目标长度信息段可以理解为，用于后续输入语言处理模型的拼接信息。
55.基于此，将待处理对话信息集中包含的待处理对话信息与待处理对话信息段进行拼接；在待处理对话信息集中的第一个待处理对话信息拼接时，待处理对话信息段也是第一个，该待处理对话信息段为空，其中不包含对话信息；将待处理对话信息与待处理对话信息段拼接在一起之后，判断拼接得到的目标对话信息段的长度是否大于预设长度，在小于的情况下，将目标对话信息段作为待处理对话信息段，并选择下一个待处理对话信息拼接在该待处理对话信息段上，直到拼接得到的目标对话信息段的长度大于预设长度，此时将目标对话信息段中长于预设长度的部分切分掉，得到预设长度的目标长度信息段，以及被切分下的切分子信息段，将切分子信息段作为下一个待处理对话信息段，继续进行拼接，直到待处理对话信息集中的待处理对话信息都被拼接完成。
56.需要说明的是，在对待处理对话信息进行拼接的过程中，存在最后一个待处理对话信息与待处理对话信息段拼接后，形成的目标对话信息段的长度不等于预设长度，在该目标对话信息段的长度小于预设长度的情况下，将该目标对话信息段作为一个目标长度信息段；在该目标对话信息段的长度大于预设长度的情况下，将该目标对话信息段进行切分，得到长度等于预设长度的目标长度信息段，以及切分子信息段，之后判断切分子信息段的长度是否大于预设长度，若大于，则对切分子信息段继续进行切分，切分得到预设长度的目标长度信息段，并对被切分下的子信息段继续进行长度判断，根据判断结果确定是否对被切分下的子信息段继续进行切分，直至被切分下的子信息段长度小于等于预设长度，将该子信息段也作为一个目标长度信息段。
57.此外，还可以将全部的待处理对话信息进行拼接，得到拼接后的全局待处理对话信息段，之后按照预设长度对全局待处理对话信息段进行切分，得到长度等于预设长度的各个目标长度信息段。
58.综上，通过以上方式将待处理对话信息进行拼接，生成长度统一的目标长度信息
段，将该目标长度信息段输入语言处理模型中进行处理，可以有效的增加处理效率。需要说明的是，在目标长度信息段中可以增加对话信息标识，用于区分目标长度信息段中相邻的前后两个待处理对话信息。
59.进一步的，对于语言处理模型，其根据输入的文本信息上下文的语义关系确定文本信息中每个词或每个字的向量，那么对于拼接后的目标长度信息段来说，通过语言处理模型进行处理，可能会导致将不同待处理对话信息纳入同一上下文分析范围，造成处理错误，为了解决该问题，在本实施例中，具体实现方式如下：
60.将至少一个目标长度信息段依次输入至所述语言处理模型；通过所述语言处理模型中的对话信息提取单元对每个目标长度信息段进行处理，确定每个目标长度信息段中包含的待处理对话信息；通过所述语言处理模型中的对话特征确定模块对每个目标长度信息段中包含的待处理对话信息进行处理，获得各个待处理对话信息的对话特征。
61.其中，对话信息提取单元用于识别目标长度信息段中包含的待处理对话信息，识别的方式可以通过目标长度信息段中的段头或是段尾包含的位置信息，确定目标长度信息段中的待处理对话信息的位置，或是识别目标长度信息段中的对话信息标识，实现对两个相邻待处理对话信息的衔接位置的确定，并进一步识别两个相邻待处理对话信息的位置，具体的识别方式由实际使用场景决定，本实施例不进行限定。
62.基于此，将目标长度信息段输入语言处理模型后，语言处理模型先提取目标长度信息段中包含的待处理对话信息，之后再将待处理对话信息进行处理，确定各个待处理对话信息对应的对话特征。
63.沿用上例，自线上课程报名系统对应的存储空间中，采集客户围绕线上课程是否报名进行的沟通对话，之后将沟通对话的文本进行拼接，拼接的过程中，可以根据沟通对话的说话顺序，依次将相应的文本进行拼接，并判断拼接文本的长度是否大于512字，在不大于的情况下，选择下一个沟通对话的文本继续进行拼接，直到拼接得到的拼接文本长度大于512字，将拼接文本进行切分，使拼接文本的长度等于512字，切分下的文本部分拼接至下一个拼接文本中，以这种方式将客户围绕线上课程是否报名进行的全部沟通对话进行拼接，得到至少一个拼接文本，即目标长度信息段。需要说明的是，对于最后一个拼接文本，存在其长度无法达到512字的情况，这种情况下，将该不满足512字长度的拼接文本也作为目标长度信息段。
64.此外，可以目标长度信息段中拼接的各个沟通对话文本赋予对话信息标识，用于将目标长度信息段输入语言处理模型时，语言处理模型的对话信息提取单元可以将目标长度信息段中的沟通对话文本进行区分，避免不同沟通对话文本之间出现混淆的情况。
65.之后，将拼接得到的目标长度信息段输入语言处理模型，由语言处理模型的对话信息提取单元确定目标长度信息段中包含的对话信息标识，确定目标长度信息段中包含的待处理对话信息的位置，并提取待处理对话信息，之后再由语言处理模型的对话特征确定模块确定各个待处理对话信息的对话特征。
66.综上，通过对目标长度信息段中的待处理对话信息提取，并对待处理对话信息分开进行特征提取，提升语言处理模型对待处理对话信息的对话特征确定的准确性。
67.进一步的，将待处理对话集中任意一个待处理对话信息，输入语言处理模型进行处理的过程是相同的，那么对于任意一个待处理对话信息，通过语言处理模型进行处理的
过程，在本实施例中，具体实现方式如下：
68.将目标待处理对话信息输入至所述语言处理模型；通过所述语言处理模型中的词信息提取单元对所述目标待处理对话信息进行处理，获得所述目标待处理对话信息包含的至少一个词信息；通过所述语言处理模型中的向量确定单元对所述至少一个词信息进行处理，确定每个词信息对应的词向量，作为所述目标待处理对话信息关联的词向量；根据所述目标待处理对话信息关联的词向量，生成所述目标待处理对话信息的对话特征，并作为所述语言处理模型的输出。
69.其中，目标待处理对话信息可以理解为，语言处理模型当前处理的待处理对话信息；词信息提取单元可以理解为，用于对待处理对话信息包含的词信息进行识别，并提取待处理对话信息中包含的各个词信息；向量确定单元可以理解为，用于确定待处理对话信息中包含的各个词信息，对应的词向量；对话特征可以理解为，待处理对话信息的向量形式表达，不同的待处理对话信息对应不同的对话特征，对话特征与待处理对话信息的语义有关。
70.需要说明的是，语言处理模型中的词信息提取单元与向量确定单元组成对话特征确定模块。
71.基于此，将目标待处理对话信息输入至语言处理模型，语言处理模型中的词信息提取单元对目标待处理对话信息中包含的词信息进行提取，之后语言处理模型中的向量确定单元，确定提取出的词信息对应的词向量，并通过目标待处理对话信息关联的词向量，生成目标待处理对话信息的对话特征，该对话特征为语言处理模型处理目标待处理对话信息的输出。
72.沿用上例，将客户围绕线上课程是否报名进行的沟通对话输入语言处理模型进行处理，首先通过语言处理模型中的词信息提取单元，提取客户沟通对话中包含的各个汉字文本，之后通过语言处理模型中的向量确定单元，确定从客户沟通对话中提取的各个汉字文本对应的文字向量，根据同一沟通对话中的汉字文本对应的文字向量，确定该沟通对话对应的对话特征，并输出语言处理模型。
73.综上，通过对目标待处理对话数据中包含的词信息，进行词向量的确定，并通过词向量确定目标待处理对话数据的对话特征。
74.进一步的，根据目标待处理对话信息关联的词向量，生成目标待处理对话信息的对话特征过程中，若只依据部分词向量生成对话特征，则会影响得到的对话特征的全面性，为了解决该问题，在本实施例中，具体实现方式如下：
75.对所述目标待处理对话信息关联的词向量进行均值池化，生成均值特征；基于预设的降维策略，对所述均值特征进行降维，得到所述目标待处理对话信息的对话特征。
76.其中，均值池化的执行可以根据深度卷积神经网络进行，通过预设的降维策略对均值特征进行降维可以通过umap、tsne、pca等算法、工具等实现。
77.基于此，确定目标待处理对话信息中词信息的词向量后，可以基于全部的词向量进行均值池化处理，得到均值特征，此时的均值特征由于与目标待处理对话信息对应，其维数一般较高，后续通过该均值特征进行聚类，得到的聚类簇中的元素数量会较小，加大相关计算设备的计算难度，故使用预设的降维策略对均值特征进行降维，将降维后的均值特征作为目标待处理对话信息的对话特征。
78.沿用上例，根据客户沟通对话中的汉字文本对应的词向量，通过均值池化的方式
生成客户沟通对话的均值特征，之后通过tsne工具，对均值特征进行降维，得到对话特征，并生成可视化的散点图。
79.综上，通过对目标待处理对话信息关联的词向量进行均值池化，有效的保证了目标待处理对话信息的特征会全面体现在均值特征中，后续再通过降维处理得到对话特征，使得在一定程度上保证对话特征的全面性同时，降低后续聚类操作难度。
80.步骤s106：对所述对话特征集包含的对话特征进行聚类处理，根据聚类处理结果得到目标话题簇。
81.具体的，由于待处理对话集中的待处理对话信息都是围绕目标业务展开的，那么其中会有大量的对话内容在语义上是一致的，相应的对话特征也会呈现趋同状态，为了对降低大量待处理对话信息的对话特征进行分析、处理的难度，需要将对话特征进行聚类。
82.其中，将对话特征进行聚类后，同一目标话题簇中的对话特征相近，即对应的待处理对话信息的语义信息相近，可以认为是同一话题，如“hello”与“hi”，这两个对话信息在进行处理后，得到的对话特征将会被聚类在同一目标话题簇中，反之对应的对话特征不再同一目标话题簇中的两个待处理对话信息，则不属于同一话题。
83.基于此，在计算出待处理对话信息集中包含的待处理对话信息对应的各个对话特征后，对各个对话特征进行聚类，得到目标话题簇，处于同一目标话题簇中的对话特征，关联的待处理对话信息的语义近似，可以认为是同一话题，有效的确定了待处理对话信息集中待处理对话信息的话题种类，后续将目标话题簇作为一个整体进行处理与分析可以有效降低相关设备的计算资源投入，降低设备处理压力。
84.进一步的，对对话特征集中包含的对话特征进行聚类的过程，任意一个对话特征的处理过程是一致的，为实现对对话特征集包含的全部对话特征进行聚类，在本实施例中，具体实施方式如下：
85.选择所述对话特征集中第k个对话特征作为目标对话特征；基于预设的聚类策略，确定所述对话特征集中与所述目标对话特征关联的对话特征；将与所述目标对话特征关联的对话特征存入第k个对话特征关联的话题集；k自增1，执行所述选择所述对话特征集中第k个对话特征作为目标对话特征的步骤，其中，k从1开始取值，且为正整数，k小于等于所述对话特征集包含的对话特征数量m；直至得到m个话题集的情况下，将m个话题集中包含相同对话特征的话题集合并，得到目标话题簇。
86.其中，预设的聚类策略可以采用k均值聚类、均值漂移聚类、基于密度的聚类等算法，采用的具体聚类算法由实际使用场景决定，本实施例不进行限定；
87.基于此，在对对话特征集中的对话特征进行聚类的过程中，任意选取其中一个对话特征作为目标对话特征，然后基于预设聚类算法的聚类策略，对对话特征集中的对话特征进行筛选，选择与目标对话特征关联的对话特征存入该目标对话特征对应的话题集中；根据该方法，对对话特征集中的m个对话特征进行处理，得到存储各个对话特征关联的对话特征的m个话题集，最后将每个对话特征对应的话题集进行合并即可得到目标话题簇。
88.沿用上例，依次选择对话特征集中的对话特征，之后根据基于密度的聚类等算法确定被选取出的对话特征关联的对话特征，并将关联的对话特征存入与被选取出的对话特征关联的话题集中，在对话特征集中全部的对话特征都进行关联的对话特征确定之后，将各个对话特征关联的话题集进行合并，合并的方式为，包含相同对话特征的话题集进行合
并，得到目标话题簇。
89.综上，通过以上方式，可以将对话特征集中的全部对话特征进行聚类，聚类得到的目标话题簇，其中的对话特征关联的待处理对话信息具备相近的语义，可以看作是同一话题。
90.进一步的，在对话特征为相关的向量数据的情况下，为了保证对话特征聚类过程的顺利展开，需要将对话特征投影至相关向量空间，实现可视化，在本实施例中，具体实施方式如下：
91.基于预设的聚类策略，创建包括所述对话特征集中的对话特征的可视化散点图；在所述可视化散点图中，以所述目标对话特征为圆心，以预设长度为半径做圆，得到目标区域；选择位于目标区域内的对话特征，作为目标对话特征关联的对话特征。
92.其中，可视化散点图可以理解为，对话特征投影至相关向量空间后的可视化图像，每一个对话特征在可视化散点图具备一个位置坐标。
93.基于此，通过将对话特征投影至相关向量空间，生成可视化散点图，之后在可视化散点图中，选择任意一个对话特征为目标对话特征，并以目标对话特征为圆心，预设长度为半径做圆，得到圆形的目标区域，将目标区域中包含的对话特征作为目标对话特征关联的对话特征，将对话特征集中的对话特征依次执行以上步骤，即可确定每个对话特征关联的对话特征。
94.需要说明的是，可以通过对预设长度的调节，改变目标区域的尺寸，进而调整不同关联程度的对话特征，作为与目标对话特征关联的对话特征，如将预设长度设定的较大，则与目标对话特征关联程度不高的对话特征，也会被纳入目标对话特征关联的对话特征选取范围，反之则只会选取与目标对话特征关联程度高的对话特征，纳入目标对话特征关联的对话特征选取范围。
95.沿用上例，通过tsne工具，对均值特征进行降维，得到对话特征的过程中，生成了可视化散点图，选择其中一个对话特征作为目标对话特征，以目标对话特征为圆心，以100单位长度为半径，做与目标对话特征相关度的圆形目标区域，之后确定目标区域中的对话特征，作为目标对话特征关联度的对话特征，依次以对话特征集包含的对话特征作为目标对话特征，确定各个对话特征关联的对话特征。
96.综上，通过以上方式，确定了对话特征集中各个对话特征关联的对话特征，进一步可以实现后续的基于对话特征间的关联关系进行聚类。
97.步骤s108：确定所述目标话题簇中子话题的业务关联信息，并基于所述业务关联信息确定所述目标话题簇的话题关联信息。
98.其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
99.具体的，在确定了目标话题簇之后，为了后续对目标话题簇所代表的话题对目标业务的推动能力的分析，需要确定目标话题簇与目标业务之间的关联度，即话题关联信息。
100.基于此，目标话题簇中的子话题可以理解为，目标话题簇中对话特征关联的待处理对话信息，其业务关联信息代表待处理对话信息与目标业务之间的关联度，如购物场景下，用户与客服沟通的对话结束后购买了商品，则表明该对话与购物业务之间具备关联关系，反之则不具备关联关系。
101.进一步的，在得到目标话题簇的话题关联信息后，可以对目标话题簇与目标业务
之间关联程度的进行分析，在本实施例中，具体实现方式如下：
102.在确定所述待处理对话集关联的全部目标话题簇的情况下，计算各个目标话题簇的话题关联信息的平均值；基于各个话题关联信息以及所述平均值，计算各个话题关联信息的偏离率；基于预设的偏离率选取策略，在各个偏离率中选择目标偏离率，并确定所述目标偏离率关联的目标话题簇为参考话题簇。
103.其中，偏离率用于指示目标话题簇关联的待处理对话信息对目标业务的推动作用，如购物场景下，用户在说出了某一类话题的对话时，用户在此后会出现明显的购买或非购买倾向，则该话题的偏离率高，反之偏离率低。
104.基于此，在待处理对话信息集对应的全部对话特征聚类完成，并确定了聚类得到的全部目标话题簇的话题关联信息后，计算各个话题关联信息的平均值，并根据各个话题关联信息以及计算得到的平均值，使用预设的偏离率选取策略，选取各个话题关联信息中的目标偏离率，将该目标偏离率关联的目标话题簇作为参考话题簇。
105.沿用上例，聚类得到了3个目标话题簇，各自的话题关联信息分别为0.4、0.5与0.6，计算平均值为0.5，之后基于预设的偏离率选取策略，选择目标偏离率，选取策略可以为选择与平均值相差最大的偏离率，或选择与平均值相差最小的偏离率等，具体的选取策略由实施需求决定，本实施例不进行限定。
106.综上，通过以上方式，实现了对待处理对话信息集对应的目标话题簇进行分析，筛选出符合用户研究分析需求的话题。
107.进一步的，在确定目标话题簇与目标业务之间的关联关系的过程中，最有利于达成目标业务的业务目的与最不利于达成目标业务的业务目的的话题，最值得被关注，为了确定以上两种话题，在本实施例中，具体实现方式如下：
108.将各个话题关联信息与所述平均值进行比较，根据比较结果得到各个话题关联信息的偏离值；计算各个话题关联信息的偏离值的绝对值，得到各个话题关联信息的偏离率。
109.其中，偏离值可以为话题关联信息与各个话题关联信息的平均值之间的差值，其可以为正数，也可以为负数。
110.基于此，计算各个话题关联信息的平均值，并且计算各个话题关联信息与该平均值之间的差值，得到各个话题关联信息的偏离值，之后对得到的偏离值进行绝对值处理，得到各个话题关联信息的偏离率。
111.沿用上例，计算得到3个目标话题簇对应的话题关联信息平均值为0.5，进一步计算话题关联信息与平均值之间的差值为-0.1，0与0.1，再计算平均值，得到三个目标话题簇对应的偏离率为0.1，0与0.1。
112.综上，通过以上方式，可以确定各个目标话题簇所对应的话题对目标业务的推动作用，并以偏离率的形式进行表示。
113.进一步的，在实际使用场景的多数情况下，选择参考话题簇的数量不止一种，为了实现对多个参考话题簇的确认，需要筛选出多个目标偏移率，在本示例中，具体实现方式如下：
114.基于预设的偏离率选取策略，选择高于预设偏移率阈值的偏离率作为目标偏离率；或者，基于预设的偏离率选取策略，按照偏离率数值从大到小的顺序，选择预设比例的偏离率作为目标偏离率。
115.其中，在实际使用场景中，往往需要对有利于目标业务达成业务目标的话题进行分析，做出相应话题的引导，或是对不利于目标业务达成业务目标的话题进行分析，实现对目标业务的改进，或是引导用户不进行围绕该话题的对话。
116.基于此，可以通过选择高于预设偏移率阈值的偏离率作为目标偏离率，或是选择一定比例数值较大的偏离率作为目标偏离率。
117.沿用上例，预设偏移率阈值为0的情况下，选择数值高于0的两个偏离率作为目标偏离率；此外，若预设比例为2/3的情况下，选择数值大小在前2/3的两个偏离率作为目标偏离率。
118.综上，通过以上方式可以将数值较大的偏离率进行筛选，有效识别对目标业务达成业务目标具有较大影响的话题。
119.本说明书提供的信息处理方法，通过采集目标业务关联的待处理对话集，对待处理对话集中的待处理对话信息输入至语言模型进行处理，得到对话特征，将对话特征进行聚类，得到目标话题簇，并根据目标话题簇中子话题的业务关联信息却定目标话题簇的话题关联信息，实现了待处理对话信息与目标业务之间关联关系的分析，无须对待处理对话集中的待处理对话信息进行标记，减少资源投入，更加便捷与灵活的进行信息处理。
120.下述结合附图2，以本说明书提供的信息处理方法在问答对话的应用为例，对所述信息处理方法进行进一步说明。其中，图2示出了本说明书一实施例提供的一种应用于问答对话的信息处理方法的处理流程图，具体包括以下步骤：
121.步骤s202：采集关联目标业务的待处理对话集。
122.具体的，在用户启动智能家电设备的过程中，需要用户使用语音的方式对智能家电设备进行问答，如智能空调，用户会通过询问当前环境情况，如温度、湿度、空气污染情况等，决定是否开启空调。首先对智能空调的维护厂商发送请求，采集维护厂商的数据库中，关于历史用户与智能空调间的对话数据。
123.步骤s204：将目标待处理对话信息输入至语言处理模型。
124.具体的，将采集到的历史用户与智能空调间的对话数据，输入预训练的dialogbert模型。
125.关于预训练的dialogbert模型，其预训练过程，通过对样本对话数据进行mask实现，做到可以通过上下文信息，生成对话数据中包含的文本字的向量。此外，对于输入dialogbert模型的历史用户与智能空调间的对话数据，可以在输入前进行拼接，使其以文本字长度为512的形式输入，后续在dialogbert模型中对拼接的数据拆分，得到对话数据中，用户的各个对话句子，后续基于各个对话句子的上下文，确定对话句子中包含的文本字的向量。
126.步骤s206：通过语言处理模型中的词信息提取单元对目标待处理对话信息进行处理，获得目标待处理对话信息包含的至少一个词信息。
127.具体的，对输入的对话句子进行识别，识别其中包含的每个文本字。
128.步骤s208：通过语言处理模型中的向量确定单元对至少一个词信息进行处理，确定每个词信息对应的词向量，作为目标待处理对话信息关联的词向量。
129.具体的，通过dialogbert模型生成对话句子中各个文本字的向量。
130.步骤s210：根据目标待处理对话信息关联的词向量，生成目标待处理对话信息的
对话特征，并作为语言处理模型的输出。
131.具体的，对同一对话句子的各个字的向量进行均值池化，得到每个对话句子均值特征，并使用umap模型将每个对话句子768维的均值特征进行降维，得到50维的对话特征。基于得到的对话特征组成对话特征集。
132.步骤s212：选择对话特征集中第k个对话特征作为目标对话特征。
133.具体的，选择任意一个对话特征作为目标对话特征。
134.步骤s214：基于预设的聚类策略，确定对话特征集中与目标对话特征关联的对话特征。
135.具体的，创建包括对话特征集中的对话特征的可视化散点图，并以目标对话特征为圆心，50单位长度为半径做圆，确定园中包含的对话特征为目标对话特征关联的对话特征。
136.步骤s216：将与目标对话特征关联的对话特征存入第k个对话特征关联的话题集。
137.具体的，将目标对话特征关联的对话特征存储一个话题集。
138.步骤s218：k自增1，判断k是否大于m。
139.若否，执行步骤s212；
140.若是，执行步骤s220。
141.具体的，k从1开始取值，且为正整数，k小于等于所述对话特征集包含的对话特征数量m。
142.步骤s220：将m个话题集中包含相同对话特征的话题集合并，得到目标话题簇。
143.步骤s222：确定目标话题簇中子话题的业务关联信息，并基于业务关联信息确定目标话题簇的话题关联信息。
144.具体的，子话题为目标对话簇中包含的对话特征，业务关联信息用于表征子话题引导智能空调开启的概率，其中，用户与智能空调之间一轮对话后，若最终智能空调开启，在将该论对话中的各个对话句子的业务关联信息记作1，反之则记作0，通过目标话题簇中子话题的业务关联信息，通过计算目标话题簇中子话题的业务关联信息的平均值，确定目标话题簇的话题关联信息。
145.步骤s224：在确定待处理对话集关联的全部目标话题簇的情况下，计算各个目标话题簇的话题关联信息的平均值。
146.具体的，得到了12个目标话题簇，计算该12个目标话题簇的平均值为0.4。
147.步骤s226：将各个话题关联信息与平均值进行比较，根据比较结果得到各个话题关联信息的偏离值。
148.具体的，将12个目标话题簇减去计算得到的平均值，得到12个目标话题簇的偏离值。
149.步骤s228：计算各个话题关联信息的偏离值的绝对值，得到各个话题关联信息的偏离率。
150.具体的，计算12个目标话题簇的偏离值的绝对值，得到12个目标话题簇的偏离率。
151.步骤s230：基于预设的偏离率选取策略，按照偏离率数值从大到小的顺序，选择预设比例的偏离率作为目标偏离率。
152.具体的，预设比例为1/4，选择12个目标话题簇中偏离率较大的3个，作为目标偏离
率。
153.步骤s232：确定目标偏离率关联的目标话题簇为参考话题簇。
154.具体的，根据3个目标偏离率，确定对应的目标话题簇作为参考话题簇，用于后续分析何种话题，更容易引导用户开启智能空调，需要说明的是，分析的具体方式由实际使用场景决定，本实施例不进行限定。
155.结合图3提供的一种信息处理方法的处理流程图，对上述流程进行说明，将对话句子s1、s2、s3、s4输入dialogbert领域预训练模型中进行处理，确定各个句子的向量e1、e2、e3、e4，并输入umap降维模型中进行处理，得到低维的句子向量u1、u2、u3、u4，后续通过dbscan聚类算法，将低维的句子向量进行聚类，得到的聚类簇为候选话题中的话题1至话题n，在通过主题选择器selector对话题进行筛选，得到筛选后的话题。需要说明的是对话句子与句子的向量并不存在数量限制。
156.本说明书提供的信息处理方法，通过采集目标业务关联的待处理对话集，对待处理对话集中的待处理对话信息输入至语言模型进行处理，得到对话特征，将对话特征进行聚类，得到目标话题簇，并根据目标话题簇中子话题的业务关联信息却定目标话题簇的话题关联信息，实现了待处理对话信息与目标业务之间关联关系的分析，无须对待处理对话集中的待处理对话信息进行标记，减少资源投入，更加便捷与灵活的进行信息处理。
157.与上述方法实施例相对应，本说明书还提供了信息处理装置实施例，图4示出了本说明书一实施例提供的一种信息处理装置的结构示意图。如图4所示，该装置包括：
158.采集模块402，被配置为采集关联目标业务的待处理对话集；
159.处理模块404，被配置为将所述待处理对话集包含的待处理对话信息输入至语言处理模型进行处理，得到待处理对话信息对应的对话特征，并组成对话特征集；
160.聚类模块406，被配置为对所述对话特征集包含的对话特征进行聚类处理，根据聚类处理结果得到目标话题簇；
161.确定模块408，被配置为确定所述目标话题簇中子话题的业务关联信息，并基于所述业务关联信息确定所述目标话题簇的话题关联信息；其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
162.在一个可选的实施例中，所述信息处理装置还包括：
163.划分模块，被配置为将所述待处理对话信息集中的第i个待处理对话信息与第j个待处理对话信息段进行拼接，得到目标对话信息段；判断所述目标对话信息段的长度是否大于预设拼接长度；若否，i自增1，将所述目标对话信息段作为所述第j个待处理对话信息段，并执行所述将所述待处理对话信息集中的第i个待处理对话信息与第j个待处理对话信息段进行拼接，得到目标对话信息段步骤；若是，对所述目标对话信息段进行切分，得到长度等于预设拼接长度的目标长度信息段与切分子信息段，j自增1，将所述切分子信息段作为所述第j个待处理对话信息段，i自增1，执行所述将所述待处理对话信息集中的第i个待处理对话信息与第j个待处理对话信息段进行拼接，得到目标对话信息段步骤；直至i等于所述待处理对话信息集中包含的待处理对话信息个数n，确定至少一个目标长度信息段，其中，i、j从1开始取值，且为正整数。
164.在一个可选的实施例中，所述处理模块404还被配置为：
165.将至少一个目标长度信息段依次输入至所述语言处理模型；通过所述语言处理模
型中的对话信息提取单元对每个目标长度信息段进行处理，确定每个目标长度信息段中包含的待处理对话信息；通过所述语言处理模型中的对话特征确定模块对每个目标长度信息段中包含的待处理对话信息进行处理，获得各个待处理对话信息的对话特征。
166.在一个可选的实施例中，所述处理模块404还被配置为：
167.将目标待处理对话信息输入至所述语言处理模型；通过所述语言处理模型中的词信息提取单元对所述目标待处理对话信息进行处理，获得所述目标待处理对话信息包含的至少一个词信息；通过所述语言处理模型中的向量确定单元对所述至少一个词信息进行处理，确定每个词信息对应的词向量，作为所述目标待处理对话信息关联的词向量；根据所述目标待处理对话信息关联的词向量，生成所述目标待处理对话信息的对话特征，并作为所述语言处理模型的输出。
168.在一个可选的实施例中，所述处理模块404还被配置为：
169.对所述目标待处理对话信息关联的词向量进行均值池化，生成均值特征；基于预设的降维策略，对所述均值特征进行降维，得到所述目标待处理对话信息的对话特征。
170.在一个可选的实施例中，所述信息处理装置还包括：
171.预训练模块，被配置为对样本对话集中包含的样本对话信息进行提取，确定样本对话信息包含的样本词信息；基于预设的替换策略对样本对话信息中包含的样本词信息依次进行替换，得到替换文本信息；将所述替换文本信息输入至初始语言处理模型进行处理，生成预测词信息向量；确定替换文本信息的替换词信息向量，并基于所述替换词信息向量与所述预测词信息向量计算损失值；根据所述损失值对所述初始语言处理模型进行参数调整，直至所述初始语言处理模型满足训练停止条件，得到所述语言处理模型。
172.在一个可选的实施例中，所述聚类模块406还被配置为：
173.选择所述对话特征集中第k个对话特征作为目标对话特征；基于预设的聚类策略，确定所述对话特征集中与所述目标对话特征关联的对话特征；将与所述目标对话特征关联的对话特征存入第k个对话特征关联的话题集；k自增1，执行所述选择所述对话特征集中第k个对话特征作为目标对话特征的步骤，其中，k从1开始取值，且为正整数，k小于等于所述对话特征集包含的对话特征数量m；直至得到m个话题集的情况下，将m个话题集中包含相同对话特征的话题集合并，得到目标话题簇。
174.在一个可选的实施例中，所述聚类模块406还被配置为：
175.基于预设的聚类策略，创建包括所述对话特征集中的对话特征的可视化散点图；在所述可视化散点图中，以所述目标对话特征为圆心，以预设长度为半径做圆，得到目标区域；选择位于目标区域内的对话特征，作为目标对话特征关联的对话特征。
176.在一个可选的实施例中，所述信息处理装置还包括：
177.参考话题簇确定模块，被配置为在确定所述待处理对话集关联的全部目标话题簇的情况下，计算各个目标话题簇的话题关联信息的平均值；基于各个话题关联信息以及所述平均值，计算各个话题关联信息的偏离率；基于预设的偏离率选取策略，在各个偏离率中选择目标偏离率，并确定所述目标偏离率关联的目标话题簇为参考话题簇。
178.在一个可选的实施例中，所述参考话题簇确定模块还被配置为：
179.将各个话题关联信息与所述平均值进行比较，根据比较结果得到各个话题关联信息的偏离值；计算各个话题关联信息的偏离值的绝对值，得到各个话题关联信息的偏离率。
180.在一个可选的实施例中，所述参考话题簇确定模块还被配置为：
181.基于预设的偏离率选取策略，选择高于预设偏移率阈值的偏离率作为目标偏离率；或者，基于预设的偏离率选取策略，按照偏离率数值从大到小的顺序，选择预设比例的偏离率作为目标偏离率。
182.本说明书提供的信息处理装置，通过执行本说明书提供的信息处理方法中的步骤，实现了待处理对话信息与目标业务之间关联关系的分析，无须对待处理对话集中的待处理对话信息进行标记，减少资源投入，更加便捷与灵活的进行信息处理。
183.上述为本实施例的一种信息处理装置的示意性方案。需要说明的是，该信息处理装置的技术方案与上述的信息处理方法的技术方案属于同一构思，信息处理装置的技术方案未详细描述的细节内容，均可以参见上述俄信息处理方法的技术方案的描述。
184.图5示出了根据本说明书一实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。
185.计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。
186.在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
187.计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
188.其中，处理器520用于执行如下计算机可执行指令：
189.采集关联目标业务的待处理对话集；
190.将所述待处理对话集包含的待处理对话信息输入至语言处理模型进行处理，得到待处理对话信息对应的对话特征，并组成对话特征集；
191.对所述对话特征集包含的对话特征进行聚类处理，根据聚类处理结果得到目标话题簇；
192.确定所述目标话题簇中子话题的业务关联信息，并基于所述业务关联信息确定所述目标话题簇的话题关联信息；其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
193.上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的信息处理方法的技术方案属于同一构思，计算设备的技术方案未详细描述
的细节内容，均可以参见上述信息处理方法的技术方案的描述。
194.本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于：
195.采集关联目标业务的待处理对话集；
196.将所述待处理对话集包含的待处理对话信息输入至语言处理模型进行处理，得到待处理对话信息对应的对话特征，并组成对话特征集；
197.对所述对话特征集包含的对话特征进行聚类处理，根据聚类处理结果得到目标话题簇；
198.确定所述目标话题簇中子话题的业务关联信息，并基于所述业务关联信息确定所述目标话题簇的话题关联信息；其中，所述业务关联信息用于表征子话题与所述目标业务之间的关联度。
199.上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的信息处理方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述信息处理方法的技术方案的描述。
200.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
201.所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
202.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书并不受所描述的动作顺序的限制，因为依据本说明书，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书所必须的。
203.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
204.以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。