一种资讯信息的处理方法、装置及设备与流程

1.本发明实施例涉及数据处理技术领域，尤其涉及一种资讯信息的处理方法、装置及设备。


背景技术：

2.大数据时代，资讯的海洋呼啸而来，人们的阅读习惯也逐步转变为快节奏，更加热衷于能够直观获取信息的短资讯、图表和视频。对于一些内容丰富、文本较长的资讯来说，如研究报告等，即使包含更多的知识研判信息和图表总结，也难免被读者所忽略，因此需要对资讯信息进行标签化处理，方便读者阅读。
3.现有的文本标签化方法大多是为应对特定应用场景而进行的单一维度的打标，无法适用于更多的场景需求，影响资讯信息的分类效果。


技术实现要素：

4.本发明实施例提供一种资讯信息的处理方法、装置及设备，解决了现有技术中对资讯信息进行标签化处理时，仅从单一维度进行打标所存在的无法适用多种资讯信息场景，且影响了资讯信息的分类效果的技术问题。
5.第一方面，本发明实施例提供了一种资讯信息的处理方法，所述处理方法包括：
6.对待处理资讯信息进行预处理，得到目标资讯信息，其中，所述待处理资讯信息的信息长度大于预设信息长度；
7.利用第一预设维度，基于第一标签配置模型，对所述目标资讯信息进行一次标签配置，得到一次打标结果，其中，所述第一标签配置模型包括预设关键词匹配算法或预设资讯分类规则；
8.利用第二预设维度，将所述一次打标结果输入第二标签配置模型，对所述目标资讯信息进行二次标签配置，得到二次打标结果，其中，所述第二标签配置模型为机器学习模型，所述第一预设维度与所述第二预设维度不同；
9.基于所述一次打标结果以及所述二次打标结果中的标签，确定所述待处理资讯信息的最终标签。
10.第二方面，本发明实施例还提供了一种资讯信息的处理装置，所述处理装置包括：
11.预处理单元，用于对待处理资讯信息进行预处理，得到目标资讯信息，其中，所述待处理资讯信息的信息长度大于预设信息长度；
12.第一标签配置单元，用于利用第一预设维度，基于第一标签配置模型，对所述目标资讯信息进行一次标签配置，得到一次打标结果，其中，所述第一标签配置模型包括预设关键词匹配算法或预设资讯分类规则；
13.第二标签配置单元，用于利用第二预设维度，将所述一次打标结果输入第二标签配置模型，对所述目标资讯信息进行二次标签配置，得到二次打标结果，其中，所述第二标签配置模型为机器学习模型，所述第一预设维度与所述第二预设维度不同；
14.标签确定单元，用于基于所述一次打标结果以及所述二次打标结果中的标签，确定所述待处理资讯信息的最终标签。
15.第三方面，本发明实施例还提供了一种资讯信息的处理设备，所述资讯信息的处理设备包括：
16.一个或多个处理器；
17.存储装置，用于存储一个或多个程序；
18.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例第一方面任意的资讯信息的处理方法。
19.第四方面，本发明实施例还提供了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实施例第一方面任意的资讯信息的处理方法。
20.第五方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本发明实施例第一方面任意的资讯信息的处理方法。
21.本发明实施例公开了一种资讯信息的处理方法、装置及设备，处理方法包括：对待处理资讯信息进行预处理，得到目标资讯信息；利用第一预设维度，基于第一标签配置模型，对目标资讯信息进行一次标签配置，得到一次打标结果；利用第二预设维度，将一次打标结果输入第二标签配置模型，对目标资讯信息进行二次标签配置，得到二次打标结果；基于一次打标结果以及二次打标结果中的标签，确定待处理资讯信息的最终标签。本技术通过从多维度对资讯信息进行两次打标，并使用一次打标结果作为其他维度的输入进行二次打标，解决了现有技术中对资讯信息进行标签化处理时，仅从单一维度进行打标所存在的无法适用多种资讯信息场景，且影响了资讯信息的分类效果的技术问题，实现了提升资讯信息的分类精确度，且增加了资讯信息的打标适用场景的技术效果。
附图说明
22.图1是本发明实施例提供的一种资讯信息的处理方法的流程图；
23.图2是本发明实施例提供的另一种资讯信息的处理方法的流程图；
24.图3是本发明实施例提供的又一种资讯信息的处理方法的流程图；
25.图4是本发明实施例提供的又一种资讯信息的处理方法的流程图；
26.图5是本发明实施例提供的一种资讯信息的处理装置的结构图；
27.图6为本发明实施例提供的一种资讯信息的处理设备的结构示意图。
具体实施方式
28.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
29.需要说明的是，本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。本发明下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。
30.图1是本发明实施例提供的一种资讯信息的处理方法的流程图。该资讯信息的处理方法可适用于所有需要进行资讯信息处理的业务场景，例如对研究报告等内容丰富且较
长的资讯进行标签化处理的场景。该资讯信息的处理方法可以由资讯信息的处理装置来执行，该装置可以采用硬件和/或软件的方式来实现，并一般可集成于服务器中。本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
31.如图1所示，该资讯信息的处理方法具体包括如下步骤：
32.s101，对待处理资讯信息进行预处理，得到目标资讯信息，其中，待处理资讯信息的信息长度大于预设信息长度。
33.具体地，待处理资讯信息可以为由多个章节、图表等构成的文章、研究报告、新闻长资讯等，通常情况下，这类资讯的信息长度大于预设信息长度，其中，预设信息长度可以根据需要进行标签化处理的实际场景进行设置。在对待处理资讯信息进行标签化处理之前，还需要对待处理资讯信息进行预处理，例如对待处理资讯信息的内容进行拆解，并对拆解后的内容进行数据清洗等，得到目标资讯信息。
34.s102，利用第一预设维度，基于第一标签配置模型，对目标资讯信息进行一次标签配置，得到一次打标结果，其中，第一标签配置模型包括预设关键词匹配算法或预设资讯分类规则。
35.具体地，在得到目标资讯信息之后，利用预先设置的第一预设维度使用第一标签配置模型对目标资讯信息进行一次标签配置，第一标签配置模型为fasttext模型，fasttext模型能够在训练时间上比深度网络模型快许多数量级，并且能够取得和深度网络相媲美的训练精度，实现了快速训练、快速预测、节省内存的技术效果。
36.s103，利用第二预设维度，将一次打标结果输入第二标签配置模型，对目标资讯信息进行二次标签配置，得到二次打标结果，其中，第二标签配置模型为机器学习模型，第一预设维度与第二预设维度不同。
37.具体地，由于不同维度确定出的标签可能存在相应的关联关系，因此在一次标签配置完成之后，为了防止出现特征获取不全面的问题，提高标签分类的精度，将一次打标结果作为第二预设维度的有效输入，导入第二标签配置模型中，对目标资讯信息进行二次标签配置。
38.示例性地，若第一预设维度为行业、区域、热词、主体，第二预设维度为主题、情感，则主题、情感这两个维度的标签分类比较抽象，且与行业、区域、热词、主体维度都有着一定的关联。例如，一些热门行业-新能源汽车、热点区域-长三角、热词-碳中和，其对应的情感维度标签大概率是正向的；而如果行业维度的标签为空，则主题维度大概率不会是行业运行的标签。因此需要将行业、区域、热词、主体维度的打标结果，作为主题、情感维度打标的输入，即上述一次打标结果作为二次标签配置的输入，一方面可以辅助精简候选标签池，提高打标性能，节约资源；另一方面，通过融合多维度的特征，能够提高标签分类的准确率。
39.第二标签配置模型可选用机器学习模型中的albert模型，albert模型为轻量版的预训练模型，在训练过程中能够减少使用更多的参数，而albert模型训练出的动态词向量还能够做为补充信息、增强句子语义的特征，实现了高效、准确、快速的对目标资讯信息进行打标的技术效果。
40.需要说明的是，为了实现从多维度对目标资讯信息进行打标，通常情况下，第一预设维度与第二预设维度所选取的维度需要不同，这样能够保证维度选取的全面性，以及标签分类的准确性。
41.s104，基于一次打标结果以及二次打标结果中的标签，确定待处理资讯信息的最终标签。
42.具体地，在得到一次打标结果和二次打标结果之后，通过计算每个标签在目标资讯信息中出现的次数占比来确定各个标签的权重值，然后依据权重值计算每个标签的重要性得分，最终根据重要性得分的排序确定出待处理资讯信息的最终标签。
43.本技术通过从多维度对资讯信息进行两次打标，并使用一次打标结果作为其他维度的输入进行二次打标，解决了现有技术中对资讯信息进行标签化处理时，仅从单一维度进行打标所存在的无法适用多种资讯信息场景，且影响了资讯信息的分类效果的技术问题，实现了提升资讯信息的分类精确度，且增加了资讯信息的打标适用场景的技术效果。
44.可选地，第一预设维度包括下述至少一项：区域维度、行业维度、主体维度以及热词维度，其中，热词维度的标签依据预设关键词匹配算法确定得到，区域维度、行业维度以及主体维度的标签依据预设资讯分类规则确定得到；第二预设维度包括下述至少一项：文本主题以及文本情感基调。
45.具体地，行业维度通常参考国标行业分类，从而形成行业一级、二级的标签体系，并和行业分类国标代码相映射；区域维度覆盖国内、国际等区域，并针对国内的城市、省份做了细分，能够直接映射到国内的热点城市群、八大经济区域以及三大地带等；主体维度通过抽取资讯文本中涵盖的对象名称确定得到，该对象可以为产品、个人、经营主体等；热词维度通过收集外部第三方整合的关键概念词，以及从资讯数据中筛选的高频热词总结而成，形成预设关键词的热词库，并可经过人工审核实时更新热词库，例如碳中和、新能源、集成电路、边缘计算等；文本主题维度参考常见的新闻资讯分类确定，包括政策法规、社会民生、经济发展、前沿新闻、产业布局、竞争格局、风险预警、行业运行等；文本情感基调维度通常指对资讯信息内容的做出的正向、中性、负向的分类。
46.在上述各技术方案的基础上，图2是本发明实施例提供的另一种资讯信息的处理方法的流程图，如图2所示，s101具体包括：
47.s201，将待处理资讯信息，拆解为多个章节信息以及图表信息，作为目标资讯信息。
48.具体地，待处理资讯信息常常为多个章节、图表构成的文章、研究报告、新闻长资讯等，为了能够准确的对其进行打标分类，需要先将待处理资讯信息依据章节划分拆解成多个章节信息以及图表信息，作为目标资讯信息。
49.可选地，s201，将待处理资讯信息，拆解为多个章节信息以及图表信息，作为目标资讯信息具体包括：将待处理资讯信息拆解为多个章节信息以及图表信息；基于文字识别技术对图表信息的内容进行识别，得到图表文本内容；对章节信息以及图表文本内容进行数据清洗，得到目标资讯信息。
50.具体地，由于待处理资讯信息包含有图表和章节文本两部分，因此将待处理资讯信息依据章节划分拆解成短文本，得到章节信息，并将图表截取出来，得到图表信息；由于图表信息中包含有图表标题、数据来源等元素，因此需要使用文字识别技术(ocr，optical character recognition)将图表中的文本内容识别出来，得到图表文本内容；最后对章节信息以及图表文本内容中间的空格、换行、字符、感叹号和特殊字符进行删除，完成数据清洗工作，得到目标资讯信息。
51.可选地，第二标签配置模型为albert模型，第二标签配置模型的训练过程包括：获取预设数量的待处理资讯信息，将待处理资讯信息进行预处理，并将预处理后得到目标资讯信息作为训练样本；将训练样本输入albert模型进行训练，得到第二标签配置模型。
52.具体地，获取预设数量的待处理资讯信息，并对待处理资讯信息按照章节和图表进行拆解，并将拆解后的信息进行数据清洗，得到目标资讯信息作为训练样本。将该数据样本按比例划分为训练集和测试集，使用训练集对albert模型进行训练，并使用测试集对训练后的模型进行测试，最终构建得到相应的标签配置模型(即训练后的albert模型)；其中，训练集和测试集均为已打标的研究报告拆解文本。在经过albert模型的预训练后,会得到语句向量s、行业向量i、区域向量r、热词向量k、实体向量o，随后通过激活函数将其具体表示如下，其中，w是权重矩阵，b是偏置向量：
53.s
′
＝w1tanh(s)+b1；
54.i
′
＝w2tanh(i)+b2；
55.r
′
＝w3tanh(r)+b3；
56.k
′
＝w4tanh(k)+b4；
57.o
′
＝w5tanh(o)+b5；
58.接着通过全连接层将所有的向量拼接在一起，得到拼接向量h
′
，其表示如下：h
′
＝contact(s
′
，i
′
，r
′
，k
′
，o
′
)；最后经由激活函数激活得到最终的输出向量h：h＝w6tanh(h
′
)+b6；在获取到含有丰富语义的向量h之后，开始进行标签分类。上述训练过程中融合了多种外部特征，使得训练出来的语句表征向量含有多维特征，能够更加便于整个模型理解句子的语义，从而提升分类效果。
59.在标签分类阶段，采取的是softmax分类器，该分类器的主要作用是对最后的结果进行归一化处理，从而可以得到一组概率值，通过判断概率值的大小来进行分类。向量h通过softmax分类器第i种的条件概率p(r|x)如下：
[0060][0061]
在训练过程中的目标函数采用的是交叉熵损失函数，交叉熵是用来衡量多种分布之间的相似性的，因此也可以判断网络结构实际的输出与期望的输出之间的接近程度。其目标函数loss计算公式如下：
[0062][0063]
其中，y、y
′
分别表示真实值和预测值，m为样本，n为样本数量。
[0064]
模型优化过程中采用随机梯度下降法，模型参数的更新则采用反向传播的方法进行调整，具体计算过程为：其中，λ表示学习速率。
[0065]
在上述各技术方案的基础上，图3是本发明实施例提供的又一种资讯信息的处理方法的流程图，如图3所示，s104具体包括：
[0066]
s301，基于一次打标结果以及二次打标结果中的标签，根据权重值计算目标资讯信息的每个标签的重要性得分，其中，权重值通过章节信息和图表信息在目标资讯信息中
的个数占比确定得到。
[0067]
s302，将重要性得分最高的标签确定为待处理资讯信息的最终标签。
[0068]
具体地，在得到一次打标结果以及二次打标结果之后，基于章节和图表两个部分划分划分为章节信息以及图表信息，统计全文每个维度的标签，并按照章节信息和图表信息的数目，计算每个章节信息和图表信息在全文的个数占比，得到章节信息和图表信息的重要性权重，即上述权重值。然后根据权重值加权求得每个维度的各个标签的重要性得分，取得分最高的标签作为该待处理资讯信息在该维度下的最终标签。
[0069]
示例性地，某篇资讯信息共有10个章节，23个图表，则其划分得到10个章节信息以及23个图表信息。章节信息汇总的主题维度标签包括：行业运行出现3次、产业链出现2次、竞争格局出现1次；图表信息汇总的主题维度标签包括：产业链出现5次、竞争格局出现2次、政策法规出现3次。其加权汇总的过程如下：
[0070]
行业运行的重要性得分为：10/(10+23)*3+23/(10+23)*0＝0.91；
[0071]
产业链的重要性得分为：10/(10+23)*2+23/(10+23)*5＝4.06；
[0072]
竞争格局的重要性得分为：10/(10+23)*1+23/(10+23)*2＝1.69；
[0073]
政策法规的重要性得分为：10/(10+23)*0+23/(10+23)*3＝2.09；
[0074]
最终根据得分排序，该资讯信息在主题维度下的标签为产业链。
[0075]
在上述各技术方案的基础上，图4是本发明实施例提供的又一种资讯信息的处理方法的流程图，如图4所示，在s103得到二次打标结果之后，该资讯信息的处理方法还包括：
[0076]
s401，基于预设敏感词信息对一次打标结果和二次打标结果进行过滤，得到目标资讯信息的最终打标结果。
[0077]
具体地，在得到来一次打标结果和二次打标结果之后，还需要按照预设敏感词信息对打标结果进行过滤，分别得到章节信息和图表信息的最终打标结果。
[0078]
优选地，考虑到图表是文本内容的一部分，还可以利用与每个章节的章节信息相关的图表信息的标签结果，对该章节信息的打标结果进行补充完善(仅当某个章节的章节信息在某个维度下打的标签为空时)，得到更加完整的最终打标结果。
[0079]
需要说明的是，预设敏感词信息包括设定的敏感词、免审核名单以及标签白名单等。
[0080]
s402，基于最终打标结果中的标签，确定待处理资讯信息的最终标签。
[0081]
在得到最终打标结果之后，根据最终打标结果确定得到待处理资讯信息的最终标签。
[0082]
图5是本发明实施例提供的一种资讯信息的处理装置的结构图，如图5所示，该资讯信息的处理装置包括：
[0083]
预处理单元51，用于对待处理资讯信息进行预处理，得到目标资讯信息，其中，待处理资讯信息的信息长度大于预设信息长度；
[0084]
第一标签配置单元52，用于利用第一预设维度，基于第一标签配置模型，对目标资讯信息进行一次标签配置，得到一次打标结果，其中，第一标签配置模型包括预设关键词匹配算法或预设资讯分类规则；
[0085]
第二标签配置单元53，用于利用第二预设维度，将一次打标结果输入第二标签配置模型，对目标资讯信息进行二次标签配置，得到二次打标结果，其中，第二标签配置模型
为机器学习模型，第一预设维度与第二预设维度不同；
[0086]
标签确定单元54，用于基于一次打标结果以及二次打标结果中的标签，确定待处理资讯信息的最终标签。
[0087]
可选地，预处理单元51还用于：将待处理资讯信息，拆解为多个章节信息以及图表信息，作为目标资讯信息。
[0088]
可选地，预处理单元51具体用于：将待处理资讯信息，拆解为多个章节信息以及图表信息，作为目标资讯信息包括：将待处理资讯信息拆解为多个章节信息以及图表信息；基于文字识别技术对图表信息的内容进行识别，得到图表文本内容；对章节信息以及图表文本内容进行数据清洗，得到目标资讯信息。
[0089]
可选地，标签确定单元54具体用于：
[0090]
基于一次打标结果以及二次打标结果中的标签，根据权重值计算目标资讯信息的每个标签的重要性得分，其中，权重值通过章节信息和图表信息在目标资讯信息中的个数占比确定得到；
[0091]
将重要性得分最高的标签确定为待处理资讯信息的最终标签。
[0092]
可选地，在第二标签配置单元53得到二次打标结果之后，该资讯信息的处理装置还包括：
[0093]
过滤单元，用于基于预设敏感词信息对一次打标结果和二次打标结果进行过滤，得到目标资讯信息的最终打标结果；
[0094]
标签确定单元54还用于基于最终打标结果中的标签，确定待处理资讯信息的最终标签。
[0095]
本发明实施例所提供的装置，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。
[0096]
本发明实施例提供的资讯信息的处理装置，与上述实施例提供的资讯信息的处理方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
[0097]
图6为本发明实施例提供的一种资讯信息的处理设备的结构示意图，如图6所示，该资讯信息的处理设备包括处理器61、存储器62、输入装置63和输出装置64；资讯信息的处理设备中处理器61的数量可以是一个或多个，图6中以一个处理器61为例；资讯信息的处理设备中的处理器61、存储器62、输入装置63和输出装置64可以通过总线或其他方式连接，图6中以通过总线连接为例。
[0098]
存储器62作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的资讯信息的处理方法对应的程序指令/模块(例如，资讯信息的处理装置中的预处理单元51、第一标签配置单元52、第二标签配置单元53以及标签确定单元54)。处理器61通过运行存储在存储器62中的软件程序、指令以及模块，从而执行资讯信息的处理设备的各种功能应用以及数据处理，即实现上述的资讯信息的处理方法。
[0099]
存储器62可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器62可进一步包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至资讯信息的
处理设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0100]
输入装置63可用于接收输入的数字或字符信息，以及产生与资讯信息的处理设备的用户设置以及功能控制有关的键信号输入。输出装置64可包括显示屏等显示设备。
[0101]
本发明实施例还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种资讯信息的处理方法。
[0102]
具体地，该资讯信息的处理方法包括：
[0103]
对待处理资讯信息进行预处理，得到目标资讯信息，其中，待处理资讯信息的信息长度大于预设信息长度；
[0104]
利用第一预设维度，基于第一标签配置模型，对目标资讯信息进行一次标签配置，得到一次打标结果，其中，第一标签配置模型包括预设关键词匹配算法或预设资讯分类规则；
[0105]
利用第二预设维度，将一次打标结果输入第二标签配置模型，对目标资讯信息进行二次标签配置，得到二次打标结果，其中，第二标签配置模型为机器学习模型，第一预设维度与第二预设维度不同；
[0106]
基于一次打标结果以及二次打标结果中的标签，确定待处理资讯信息的最终标签。
[0107]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的资讯信息的处理方法中的相关操作。
[0108]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
[0109]
值得注意的是，上述资讯信息的处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0110]
本发明实施例还提供一种计算机程序产品，该计算机程序产品包括计算机可执行指令，所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例所提供的资讯信息的处理方法。
[0111]
当然，本技术实施例所提供的计算机程序产品，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的方法中的相关操作。
[0112]
在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中
的具体含义。
[0113]
最后应说明的是，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。