问答知识库的构建方法、装置及电子设备与流程

1.本技术涉及人工智能技术领域，尤其是涉及一种问答知识库的构建方法、装置及电子设备。


背景技术：

2.问答机器人的核心任务是有效回答用户各式各样的问题。而回答问题需要知识，通常问答系统所使用的知识的表现形式是问题-答案对(question-answer pair)，这些信息通常由了解实际业务场景的人整理而成，在问答系统里，这些问题-答案对的集合通常被命名为问答知识库。
3.不同的场景会有完全不一样的知识库，即便某一固定场景下，比如保险销售场景，因产品内容和渠道等的不同，也需要配置不同的知识库，如果完全由人工来完成需要的时间成本是比较大的，因为其不仅要对业务有深入的理解还需要阅览大量的真实场景中坐席或者销售人员与客户的对话，从中抽取高频且有价值的客户问题以及合适回答，构建问答知识库。
4.现有技术中通常采用pipeline流水线形式的抽取方式，先识别问题再抽取答案，形成问答对。这种方式采用的是流水线形式，逐条检测，机器人问答对开发成本高。


技术实现要素：

5.本技术的目的在于提供一种问答知识库的构建方法、装置及电子设备，能够通过训练好的模型对获取的多个对话文本自动化进行问答对识别，并基于识别出的问答对完成问答知识库的构建，从而实现端对端的方式的知识库构建，而不需要逐条检测，知识库构建成本降低。
6.第一方面，本技术实施例提供一种问答知识库的构建方法，方法包括：获取多个第一对话文本；针对每个第一对话文本，执行以下步骤：将第一对话文本进行短句分割和标识标注，得到第一结构化对话文本；第一结构化对话文本包括标注有问题标识、答案标识和短句标识的多个顺序排列的短句；将第一结构化对话文本输入至预设的问答识别模型进行预测，得到每个短句标识对应的输出标签；基于每个短句标识对应的输出标签进行短句拼接处理，得到第一对话文本对应的问答对；基于多个第一对话文本对应的问答对，构建问答知识库。
7.在本技术较佳的实施方式中，上述将第一对话文本进行短句分割和标识标注，得到第一结构化对话文本的步骤，包括：分别以问题标识和答案标识作为第一对话文本中问题文本和答案文本的前缀；分别针对问题文本和答案文本，根据文本中的标点符号，将文本分割成多个短句，并标注每个短句对应的短句标识，得到第一结构化对话文本。
8.在本技术较佳的实施方式中，上述基于每个短句标识对应的输出标签进行短句拼接处理，得到第一对话文本对应的问答对的步骤，包括：如果存在输出标签为非问非答标签的短句标识，将短句标识对应的短句删除；将短句标识对应的输出标签为问题首句标签、问
题非首句标签的短句进行顺序拼接，得到第一对话文本对应的问句；将短句标识对应的输出标签为答案首句标签、答案非首句标签的短句进行顺序拼接，得到第一对话文本对应的答案。
9.在本技术较佳的实施方式中，上述基于多个第一对话文本对应的问答对，构建问答知识库的步骤，包括：对多个第一对话文本对应的问答对进行聚类处理，得到多个相似问题集；基于多个相似问题集构建问答知识库。
10.在本技术较佳的实施方式中，上述基于多个相似问题集构建问答知识库的步骤包括：针对每个相似问题集，抽取相似问题集中的一个问题确定为标准问题，将其它问题确定为相似问题，将标准问题对应的答案确定为标准答案；将多个相似问题集分别对应的标准问题、相似问题和标准答案添加至预设数据库，得到问答知识库。
11.在本技术较佳的实施方式中，上述问答识别模型的训练过程如下：获取多个第二对话文本；对多个第二对话文本分别进行短句分割、标识标注及标签标注，生成训练样本集；训练样本集中的样本包括：标注有问题标识、答案标识、短句标识及每个短句标识对应的标签的第二结构化对话文本；标签包括以下中的多项：问题首句标签、问题非首句标签、答案首句标签、答案非首句标签、非问非答标签；通过训练样本集对预训练模型进行训练，得到问答识别模型。
12.在本技术较佳的实施方式中，上述通过训练样本集对预训练模型进行训练的过程中，采用adam算法对模型的输出标签和标注标签进行拟合，并采用crossentropyloss作为损失函数。
13.第二方面，本技术实施例还提供一种问答知识库的构建装置，装置包括：文本获取模块，用于获取多个第一对话文本；问答对识别模块，用于针对每个第一对话文本，执行以下步骤：将第一对话文本进行短句分割和标识标注，得到第一结构化对话文本；第一结构化对话文本包括标注有问题标识、答案标识和短句标识的多个顺序排列的短句；将第一结构化对话文本输入至预设的问答识别模型进行预测，得到每个短句标识对应的输出标签；基于每个短句标识对应的输出标签进行短句拼接处理，得到第一对话文本对应的问答对；知识库构建模块，用于基于多个第一对话文本对应的问答对，构建问答知识库。
14.第三方面，本技术实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法。
15.第四方面，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
16.本技术实施例提供的问答知识库的构建方法、装置及电子设备中，首先获取多个第一对话文本；针对每个第一对话文本，执行以下步骤：将第一对话文本进行短句分割和标识标注，得到第一结构化对话文本；第一结构化对话文本包括标注有问题标识、答案标识和短句标识的多个顺序排列的短句；将第一结构化对话文本输入至预设的问答识别模型进行预测，得到每个短句标识对应的输出标签；基于每个短句标识对应的输出标签进行短句拼接处理，得到第一对话文本对应的问答对；基于多个第一对话文本对应的问答对，构建问答知识库。本技术实施例能够通过训练好的模型对获取的多个对话文本自动化进行问答对识
别，并基于识别出的问答对完成问答知识库的构建，从而实现端对端的方式的知识库构建，而不需要逐条检测，知识库构建成本降低。
附图说明
17.为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1为本技术实施例提供的一种问答知识库的构建方法的流程图；
19.图2为本技术实施例提供的另一种问答知识库的构建方法的流程图；
20.图3为本技术实施例提供的一种训练样本标注示意图；
21.图4为本技术实施例提供的一种问答知识库的构建装置的结构框图；
22.图5为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
23.下面将结合实施例对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
24.目前，针对问答对的开发，通常采用pipeline流水线形式的抽取方式，先识别问题再抽取答案，形成问答对，具体包括以下几个步骤：第一步，判断客户发送的语句是否是问句，且是否是领域相关；第二步，如果同时满足以上两个条件，则将其作为目标问句；第三步，将目标问句对应的坐席回复的陈述句作为候选答案，如果有多条可将其进行拼接；第四步，计算目标问句和候选答案的语义相似度，大于阈值或者两个句子之间包含相同的关键词则保留，否则过滤掉；第五步，对于有相同答案的目标问句，生成一个标准问，其余作为相似问。这种方式采用的是流水线形式，逐条检测，机器人问答对开发成本高。
25.基于此，本技术实施例提供一种问答知识库的构建方法、装置及电子设备，能够通过训练好的模型对获取的多个对话文本自动化进行问答对识别，并基于识别出的问答对完成问答知识库的构建，从而实现端对端的方式的知识库构建，而不需要逐条检测，知识库构建成本降低。
26.为便于对本实施例进行理解，首先对本技术实施例所公开的一种问答知识库的构建方法进行详细介绍。
27.图1为本技术实施例提供的一种问答知识库的构建方法的流程图，该方法具体包括以下步骤：
28.步骤s102，获取多个第一对话文本。该多个第一对话文本可以是从对话系统日志里自动收集的用户输入文本和坐席回复文本。具体的获取过程如下：解析系统日志、抽取对话文本、去除无意义的特殊字符、空格、乱码的字符，用正则表达式去除一些固定的系统自动回复文本，得到多个第一对话文本。这里的“第一”仅仅是为了与后面的模型训练时的对话文本进行区分，没有其它含义。
29.步骤s104，针对每个第一对话文本，执行以下步骤：将第一对话文本进行短句分割和标识标注，得到第一结构化对话文本；第一结构化对话文本包括标注有问题标识、答案标识和短句标识的多个顺序排列的短句；将第一结构化对话文本输入至预设的问答识别模型进行预测，得到每个短句标识对应的输出标签；基于每个短句标识对应的输出标签进行短句拼接处理，得到第一对话文本对应的问答对。
30.对第一对话文本进行短句分割，也即分别针对问题文本和答案文本均进行短句分割，分割后的短句的顺序和第一对话文本中的各短句的排列顺序是对应的。
31.上述标识标注，即对第一对话文本中的问题文本标注问题标识，对第一对话文本中的答案文本标注答案标识，比如，在问题文本的开头标注q，以表示其后面的文本为问题；在答案文本的开头标注a，以表示其后面的文本为答案。另外，需要对每个短句进行标注对应标识，如sep1、sep2、sep3等。
32.上述通过模型预测后，可以得到每个短句对应的输出标签，如问题首句标签、问题非首句标签、答案首句标签、答案非首句标签；基于每个短句对应的不同标签进行拼接，即可得到第一对话文本对应的问答对，即从第一对话文本中识别出来的问题和答案。
33.步骤s106，基于多个第一对话文本对应的问答对，构建问答知识库。
34.可以将多个第一对话文本对应的问答对添加到问答知识库中，或者对多个第一对话文本对应的问答对进行聚类处理，得到相似问题集，再进行标准问题、相似问题和标准答案的确定，进而构建问答知识库。
35.本技术实施例提供的问答知识库的构建方法中，首先获取多个第一对话文本；针对每个第一对话文本，均执行以下步骤：将第一对话文本进行短句分割和标识标注，得到第一结构化对话文本；第一结构化对话文本包括标注有问题标识、答案标识和短句标识的多个顺序排列的短句；将第一结构化对话文本输入至预设的问答识别模型进行预测，得到每个短句标识对应的输出标签；基于每个短句标识对应的输出标签进行短句拼接处理，得到第一对话文本对应的问答对；基于多个第一对话文本对应的问答对构建问答知识库。本技术实施例能够通过训练好的模型对获取的多个对话文本自动化进行问答对识别，并基于识别出的问答对完成问答知识库的构建，从而实现端对端的方式的知识库构建，而不需要逐条检测，知识库构建成本降低。
36.基于上述方法实施例，本技术实施例还提供另一种问答知识库的构建方法，该方法在上述实施例的基础上实现；本实施例重点描述请求文本处理过程、模型训练过程和知识库构建过程。
37.上述将第一对话文本进行短句分割和标识标注，得到第一结构化对话文本的步骤，具体包括以下过程：
38.(1)分别以问题标识和答案标识作为第一对话文本中问题文本和答案文本的前缀；
39.(2)分别针对问题文本和答案文本，根据文本中的标点符号，将文本分割成多个短句，并标注每个短句对应的短句标识，得到第一结构化对话文本。
40.以第一对话文本为“您好，我之前买的车险，怎么查电子保单？车辆问题您可以拨打**转2号键咨询”为例进行说明：
41.分别以问题标识“c：”和答案标识“s：”作为第一对话文本中问题文本和答案文本
的前缀，得到如下结果：
[0042]“c：您好，我之前买的车险，怎么查电子保单？s：车辆问题您可以拨打**转2号键咨询”；
[0043]
然后分别针对问题文本和答案文本，根据文本中的标点符号，将文本分割成多个短句，并标注每个短句对应的短句标识，得到如下结果：
[0044]“c：您好，【sep1】我之前买的车险，【sep2】怎么查电子保单？【sep3】s：车辆问题您可以拨打**转2号键咨询【sep4】”。该结果即为第一结构化对话文本。
[0045]
在上述第一对话文本处理为上述格式后，输入上述预设的问答识别模型进行预测，得到每个短句标识对应的输出标签。
[0046]
还以上述例子为例，在模型预测后，上述【sep1】对应的输出标签为：非问非答标签；上述【sep2】对应的输出标签为：问题首句标签；上述【sep3】对应的输出标签为：问题非首句标签；上述【sep4】对应的输出标签为：答案首句标签。
[0047]
基于上述标签进行问答对拼接的过程如下：
[0048]
(1)如果存在输出标签为非问非答标签的短句标识，将该短句标识对应的短句删除；如将上述【sep1】对应的输出标签为：非问非答标签；则将【sep1】对应的短句“您好，”删除。
[0049]
(2)将短句标识对应的输出标签为问题首句标签、问题非首句标签的短句进行顺序拼接，得到第一对话文本对应的问句；如上述【sep2】对应的输出标签为：问题首句标签；上述【sep3】对应的输出标签为：问题非首句标签；则将【sep2】和【sep3】分别对应的短句进行顺序拼接，得到“我之前买的车险，怎么查电子保单？”将该文本作为问答对中的问题。
[0050]
(3)将短句标识对应的输出标签为答案首句标签、答案非首句标签的短句进行顺序拼接，得到第一对话文本对应的答案。
[0051]
比如，上述【sep4】对应的输出标签为：答案首句标签。并没有输出标签为答案非首句标签的短句标识，则只将【sep4】对应的短句“车辆问题您可以拨打**转2号键咨询”作为问答对的答案。
[0052]
通过上述方式，可以从第一对话文本中直接识别出问题-答案对，相比于现有技术中的先识别问题，再识别答案的方式，效率更高，成本更低。
[0053]
在确定出多个第一对话文本对应的问答对后，进一步可以构建问答知识库，具体包括以下步骤，参见图2所示：
[0054]
步骤s202，对多个第一对话文本对应的问答对进行聚类处理，得到多个相似问题集；具体可以通过问题聚类算法将多个问答对中客户表述相同语义的问题聚在一起，形成多个相似问题集。
[0055]
步骤s204，基于多个相似问题集构建问答知识库。
[0056]
具体实施时，针对每个相似问题集，抽取相似问题集中的一个问题确定为标准问题，将其它问题确定为相似问题，将标准问题对应的答案确定为标准答案；将多个相似问题集分别对应的标准问题、相似问题和标准答案添加至预设数据库，得到问答知识库。
[0057]
下面详细阐述问答识别模型的训练过程：
[0058]
(1)获取多个第二对话文本。
[0059]
具体实施时，可以从对话系统日志里收集用户输入文本以及坐席的回复文本，然
后对其进行数据预处理，比如收集来的原始数据中，有较多的噪音，如无意义的特殊字符，空格，乱码的字符，使用正则表达式进行清理，对话文本长度过长将其截断。口语化表达中经常出现语义不完整或者句法错误的情况，用依存句法分析、词性识别等手段进行过滤，留下可以完整地清晰地表达用户问题和坐席语义的文本。
[0060]
(2)对多个第二对话文本分别进行短句分割、标识标注及标签标注，生成训练样本集；训练样本集中的样本包括：标注有问题标识、答案标识、短句标识及每个短句标识对应的标签的第二结构化对话文本；
[0061]
以上述例子“您好，我之前买的车险，怎么查电子保单？车辆问题您可以拨打**转2号键咨询”作为一条样本为例进行说明，短句分割、问题标识、答案标识和短句标识标注如图3所示，其中“c：”表示问题标识；“s：”表示答案标识；“sep”表示短句标识，每个短句标识对应标注有标签，标签包括以下中的多项：问题首句标签、问题非首句标签、答案首句标签、答案非首句标签、非问非答标签。
[0062]
图3中各标签含义如表1所示：
[0063]
表1
[0064][0065]
(3)通过训练样本集对预训练模型进行训练，得到问答识别模型。
[0066]
在模型训练时，可以除了准备上述训练样本集，还可以准备验证样本集，使用python脚本将处理后的数据集按合适比例进行切分，得到训练样本集和验证样本集。其中，训练样本集用于模型的训练，验证样本集用与训练过程中模型效果的验证。
[0067]
具体实施时，可以从官方网站下载开源预训练模型macbert文件，采用标签分类任务进行训练，将训练样本集中的样本按固定大小分成batch并传入模型进行预测。模型采用adam算法(adaptive moment estimation，自适应矩估计)对预测结果和数据的真实标签进行拟合，采用crossentropyloss作为损失函数。训练完毕后，保存训练好的模型参数二进制格式文件，用于线上系统进行问答抽取。
[0068]
基于上述训练好的模型进行端到端的方式进行问答抽取，并构建问答知识库的具体流程如下：
[0069]
1.数据清洗，解析系统日志，抽取对话文本，去除无意义的特殊字符，空格，乱码的字符，用正则表达式去除一些固定的系统自动回复文本。
[0070]
2.模型预测，将用户和坐席的对话文本按图3形式进行拼接，然后传入训练好的模型进行预测，得到q-b、a-b等标签结果。将q-b文本内容与q-e文本内容进行拼接，形成问题，将后序紧邻的a-b文本内容与a-e文本内容进行拼接形成对应答案。
[0071]
3.问题聚类，问题聚类算法将客户表述相同语义的问题聚在一起，构造相似问题集。
[0072]
4.知识库构建，针对每一个相似问题集抽取其中一条作为代表的标准问题，抽取其对应的答案作为标准答案，将标准问题、相似问题、标准答案存在问答数据库以备系统使用。
[0073]
本技术实施例提供的问答知识库的构建方法，利用预训练语言模型macbert，采用端到端的方式自动抽取问题及对应回答，自动抽取问答对并构建问答知识库，可以降低问答机器人的开发成本。
[0074]
基于上述方法实施例，本技术实施例还提供一种问答知识库的构建装置，参见图4所示，该装置包括：
[0075]
文本获取模块42，用于获取多个第一对话文本；问答对识别模块44，用于针对每个第一对话文本，执行以下步骤：将第一对话文本进行短句分割和标识标注，得到第一结构化对话文本；第一结构化对话文本包括标注有问题标识、答案标识和短句标识的多个顺序排列的短句；将第一结构化对话文本输入至预设的问答识别模型进行预测，得到每个短句标识对应的输出标签；基于每个短句标识对应的输出标签进行短句拼接处理，得到第一对话文本对应的问答对；知识库构建模块46，用于基于多个第一对话文本对应的问答对，构建问答知识库。
[0076]
在本技术较佳的实施方式中，上述问答对识别模块44还用于：分别以问题标识和答案标识作为第一对话文本中问题文本和答案文本的前缀；分别针对问题文本和答案文本，根据文本中的标点符号，将文本分割成多个短句，并标注每个短句对应的短句标识，得到第一结构化对话文本。
[0077]
在本技术较佳的实施方式中，上述问答对识别模块44还用于：如果存在输出标签为非问非答标签的短句标识，将短句标识对应的短句删除；将短句标识对应的输出标签为问题首句标签、问题非首句标签的短句进行顺序拼接，得到第一对话文本对应的问句；将短句标识对应的输出标签为答案首句标签、答案非首句标签的短句进行顺序拼接，得到第一对话文本对应的答案。
[0078]
在本技术较佳的实施方式中，上述知识库构建模块46还用于：对多个第一对话文本对应的问答对进行聚类处理，得到多个相似问题集；基于多个相似问题集构建问答知识库。
[0079]
在本技术较佳的实施方式中，上述知识库构建模块46还用于：针对每个相似问题集，抽取相似问题集中的一个问题确定为标准问题，将其它问题确定为相似问题，将标准问题对应的答案确定为标准答案；将多个相似问题集分别对应的标准问题、相似问题和标准答案添加至预设数据库，得到问答知识库。
[0080]
在本技术较佳的实施方式中，上述装置还包括：训练模块，用于执行以下问答识别模型的训练过程：获取多个第二对话文本；对多个第二对话文本分别进行短句分割、标识标注及标签标注，生成训练样本集；训练样本集中的样本包括：标注有问题标识、答案标识、短句标识及每个短句标识对应的标签的第二结构化对话文本；标签包括以下中的多项：问题首句标签、问题非首句标签、答案首句标签、答案非首句标签、非问非答标签；通过训练样本集对预训练模型进行训练，得到问答识别模型。
[0081]
在本技术较佳的实施方式中，上述训练模块，还用于通过训练样本集对预训练模型进行训练的过程中，采用adam算法对模型的输出标签和标注标签进行拟合，并采用
crossentropyloss作为损失函数。
[0082]
本技术实施例提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置的实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0083]
本技术实施例还提供了一种电子设备，如图5所示，为该电子设备的结构示意图，其中，该电子设备包括处理器51和存储器50，该存储器50存储有能够被该处理器51执行的计算机可执行指令，该处理器51执行该计算机可执行指令以实现上述方法。
[0084]
在图5示出的实施方式中，该电子设备还包括总线52和通信接口53，其中，处理器51、通信接口53和存储器50通过总线52连接。
[0085]
其中，存储器50可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线52可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0086]
处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称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。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器51读取存储器中的信息，结合其硬件完成前述实施例的方法的步骤。
[0087]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述方法，具体实现可参见前述方法实施例，在此不再赘述。
[0088]
本技术实施例所提供的方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0089]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本技术的范围。
[0090]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术
的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本技术各个实施例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。
[0091]
在本技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，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。
[0092]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。