客户意图分析方法、系统、设备及存储介质与流程

1.本技术属于数据处理技术领域，具体地，涉及一种客户意图分析方法、系统、设备及存储介质。


背景技术：

2.在目前的业务场景中，例如金融领域中，与用户进行便捷顺畅的沟通交流，成为金融产品成交的关键。其中，在与用户进行咨询、售前沟通时，用户意图的识别在智能客服系统中扮演了重要角色，通过快速、准确的用户意图识别，可以准确的定位用户需要的金融产品，有利于提高金融产品成交率以及缩短成交周期。因此，为了使智能客服系统能更好得服务于实际业务，往往需要系统具有客户意图识别能力。
3.然而，在传统的客户意图识别技术方案中，需要产品经理预先确定业务场景中相关的用户意图的类别，然后由算法工程师开发对应的识别模型，例如有监督文本分类模型进行客户意图识别。用户意图类别的是否能尽数覆盖真实的业务场景，取决于产品经理的人为业务经验，这样一来，增加了人为主观性，大大降低了客户意图的识别准确性以及公正性。


技术实现要素：

4.本发明提出了一种客户意图分析方法、系统、设备及存储介质，旨在解决现有ai对话系统中，客户意图识别不准确的问题。
5.根据本技术实施例的第一个方面，提供了一种客户意图分析方法，包括以下步骤：
6.获取客户会话文本数据；
7.通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库；
8.将语料库输入主题抽取模型，获取多种主题；
9.根据每一种主题对应的主题短句，确定客户意图；其中，每一主题短句对应一客户意图。
10.在本技术一些实施方式中，根据每一种主题对应的主题短句，确定客户意图；其中，每一主题短句对应一客户意图，具体包括：
11.根据每一种主题对应的关键词，从语料库中抽取每一种主题相对应的多个主题短句；
12.将多个主题短句中后验概率最高的主题短句作为该主题的主题名称；
13.根据主题的主题名称，确定该主题的客户意图。
14.在本技术一些实施方式中，通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库，具体包括：
15.将客户会话文本数据，输入语法依存分析模型，得到所有短句对应整句的谓语；
16.通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库。
17.在本技术一些实施方式中，通过客户会话文本数据中的谓语，过滤客户会话文本
数据中的短句，得到语料库，具体包括：
18.通过客户会话文本数据中的谓语，确定客户会话文本数据中谓语包含停用词的短句；
19.将短句对应的整句剔除，得到语料库。
20.在本技术一些实施方式中，得到语料库之后，还包括：根据语料库的数据，进行词语过滤和/或词语聚类，得到新的语料库。
21.在本技术一些实施方式中，根据语料库的数据，进行词语过滤，得到新的语料库，具体包括：
22.确定语料库中的语句的所有停用词；
23.剔除语料库中的所有停用词，得到新的语料库。
24.在本技术一些实施方式中，根据语料库的数据，进行词语聚类，得到新的语料库，具体包括：
25.将客户会话文本数据，输入语法依存分析模型，得到所有短句对应整句的谓语以及宾语；
26.根据谓语和宾语，基于编辑距离分别进行聚类，得到多个短句聚簇；
27.将同一个短句聚簇中的每一个短句中对应的谓语或宾语，均替换为最高频谓语或者最高频宾语，得到新的短句构成的客户会话文本数据，即得到语料库。
28.根据本技术实施例的第二个方面，提供了一种客户意图分析系统，具体包括：数据获取单元：用于获取客户会话文本数据；
29.语料库单元：用于通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库；
30.主题单元：用于将语料库输入主题抽取模型，获取多种主题；
31.客户意图单元：用于根据每一种主题对应的主题短句，确定客户意图；其中，每一主题短句对应一客户意图。
32.根据本技术实施例的第三个方面，提供了一种客户意图分析设备，包括：
33.存储器：用于存储可执行指令；以及
34.处理器:用于与所述存储器连接以执行所述可执行指令从而完成以上客户意图分析方法。
35.根据本技术实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现客户意图分析方法。
36.采用本技术实施例中的客户意图分析方法、系统、设备及存储介质，获取客户会话文本数据；通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库；将语料库输入主题抽取模型，获取多种主题；根据每一种主题对应的主题短句，确定客户意图；其中，每一主题短句对应一客户意图。本技术根据谓语，过滤客户会话文本数据中的短句得到语料库，进而进行客户意图分类和识别，大大提高了客户意图识别的准确性和客观性。
附图说明
37.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本申
请的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
38.图1中示出了根据本技术实施例的一种客户意图分析方法的步骤流程图；
39.图2中示出了根据本技术实施例中得到语料库的步骤流程图；
40.图3中示出了根据本技术实施例中确定每一种主题的主题名称的步骤流程图；
41.图4中示出了根据本技术另一实施例的一种客户意图分析方法的步骤流程图；
42.图5中示出了根据本技术实施例中得到新的语料库的步骤流程图一；
43.图6中示出了根据本技术实施例中得到新的语料库的步骤流程图二；
44.图7中示出了根据本技术实施例的客户意图分析系统的结构示意图；
45.图8中示出了根据本技术实施例的客户意图分析设备的结构示意图。
具体实施方式
46.在实现本技术的过程中，发明人发现在传统的客户意图识别技术方案中，需要产品经理预先确定业务场景中相关的用户意图的类别，然后由算法工程师开发对应的识别模型，例如有监督文本分类模型进行客户意图识别。用户意图类别的是否能尽数覆盖真实的业务场景，取决于产品经理的人为业务经验，这样一来，增加了人为主观性，大大降低了客户意图的识别准确性以及公正性。
47.本技术发明人考虑到在客服会话场景中，谓语比宾语更能表达客户意图，利用谓语过滤短句比单纯的黑名单词库过滤更精准，更利于维护，因此首先采用利用谓语过滤短句，形成语料库。
48.同时，本技术在主题抽取的基础上，通过计算谓宾之间的后验概率，自动为主题命名确定客户意图。从而实现了无需主管业务经验，直接基于客观数据，获取最真实的用户意图的目的。
49.具体的，本技术实施例中的客户意图分析方法、系统、设备及存储介质，获取客户会话文本数据；通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库；将语料库输入主题抽取模型，获取多种主题；根据每一种主题对应的主题短句，确定每一种主题的主题名称；多个主题名称对应多个客户意图。
50.本技术根据谓语，过滤客户会话文本数据中的短句得到语料库，进而进行客户意图分类和识别，大大提高了客户意图识别的准确性和客观性。
51.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
52.实施例1
53.图1中示出了根据本技术实施例的一种客户意图分析方法的步骤流程图。
54.如图1所示，本实施例的客户意图分析方法具体包括以下步骤：
55.s1：获取客户会话文本数据；s2：通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库；s3：将语料库输入主题抽取模型，获取多种主题；s4：根据每一种主题对应的主题短句，确定客户意图；其中，每一主题短句对应一客户意图。
56.本技术根据谓语，过滤客户会话文本数据中的短句得到语料库，进而进行客户意
图分类和识别，大大提高了客户意图识别的准确性和客观性。
57.具体描述的，s1获取客户会话文本数据中，首先获取客户语音数据，然后将客户语音数据输入语音识别系统进行转化，得到对应的客户会话文本数据。
58.进一步描述的，首先，获取大量客户会话数据，通过语音识别，将客户会话的语音转换为客户会话文本数据。
59.本实施例中的语音转文字技术采用的是asr技术。
60.其中，asr(automatic speechrecognition，自动语音识别技术)是一种将人的语音转换为文本的技术。
61.具体的，首选需要对原始语音进行预加重、分帧和加窗处理，获取标准语音。
62.获取标准语音的过程如下：
63.首先，采用预加重处理的公式s'n＝sn-a*sn-1对原始语音进行预加重处理，以消除说话人的声带和嘴唇对说话人语音的影响，提高说话人语音的高频分辨率。
64.其中，s'n为预加重处理后的n时刻的语音信号幅度，sn为n时刻的语音信号幅度，sn-1为n-1时刻的语音信号幅度，a为预加重系数。
65.然后，对预加重处理后的原始语音进行分帧处理，在分帧时，每一帧语音的起始点和末尾点都会出现不连续的地方，分帧越多，与原始语音的误差也就越大。
66.最后，为了保持每一帧语音的频率特性，还需要进行加窗处理，加窗处理的公式为和s
″
n＝wn*s
′
n，其中，wn为n时刻的汉明窗，n为汉明窗窗长，s'n为n时刻时域上的信号幅度，s
″
n为n时刻加窗后时域上的信号幅度。
67.通过以上步骤对原始客户语音进行预处理，获取标准语音，为后续对标准语音进行客户意图识别提供有效的数据来源。
68.s2：通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库。
69.图2中示出了根据本技术实施例中得到语料库的步骤流程图。
70.如图2所示，在本技术一些实施方式中，通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库，具体包括：
71.s21：将客户会话文本数据，输入语法依存分析模型，得到所有短句对应整句的谓语；
72.s22：通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库。
73.具体的，通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库，具体包括：首先，通过客户会话文本数据中的谓语，确定客户会话文本数据中谓语包含停用词的短句；然后，将短句对应的整句剔除，得到语料库。
74.具体的，s3：将语料库输入主题抽取模型，获取多种主题包括：基于n-gram模型建立主题抽取模型。
75.首先，根据语料库计算主题分类的概率；同时，预设语料主题规则库。
76.然后，基于搜索工具faiss和bert模型进行主题相似度对比，计算主题相似度，得到最接近的主体的概率，筛选概率排名靠前的n个主题作为获取结果。
77.进一步描述的，基于n-gram模型将所识别用户话语文本切分成长度为n的字符片
段序列，主题分类模型包括输入层、隐含层和输出层；将序列输入主题分类模型的输入层，隐含层对所有序列的向量进行叠加平均，输出层产生各主题分类的概率；其中n为大于1的整数。
78.另一种实施方式中，首先，获取客户端上传的语音数据，利用预设的语音转化算法将第一语音数据进行转化得到文本数据；然后，将得到的文本数据输入预先训练的向量提取模型，输出与文本数据对应的文本句向量，将文本句向量输入预先训练的主题识别模型，输出与文本句向量对应主题。
79.图3中示出了根据本技术实施例中确定每一种主题的主题名称的步骤流程图
80.如图3所示，在本技术一些实施方式中，根据每一种主题对应的主题短句，确定每一种主题的主题名称；多个主题名称对应多个客户意图，具体包括：
81.s41：根据每一种主题对应的关键词，从语料库中抽取每一种主题相对应的多个主题短句。
82.s42：选择多个主题短句中后验概率最高的主题短句，作为该主题的主题名称。
83.图4中示出了根据本技术另一实施例的一种客户意图分析方法的步骤流程图。
84.如图4所示，在本技术一些实施方式中，得到语料库之后，还包括s5：通过词语过滤和/或词语聚类，得到新的语料库。
85.图5中示出了根据本技术实施例中得到新的语料库的步骤流程图一；图6中示出了根据本技术实施例中得到新的语料库的步骤流程图二.
86.进一步描述的，如图5所示，通过词语过滤，得到新的语料库，具体包括：
87.s51：确定语料库中的语句的所有停用词；
88.s52：剔除语料库中的所有停用词，得到新的语料库。
89.如图6所示，进一步描述的，通过词语聚类，得到新的语料库，具体包括：
90.s53：将客户会话文本数据，输入语法依存分析模型，得到所有短句对应整句的谓语以及宾语；
91.s54：根据谓语和宾语，基于编辑距离分别进行聚类，得到多个短句聚簇；
92.s55：将同一个短句聚簇中的每一个短句中对应的谓语或宾语，均替换为最高频谓语或者最高频宾语，得到新的短句构成的客户会话文本数据，即得到语料库。
93.作为本技术优选实施方式，对客户意图分析方法进一步描述如下：
94.1)进行谓语、宾语的抽取；利用语法依存分析模型，从客户会话文本中，抽取每句话的谓语和宾语。
95.2)用抽取的谓语过滤客户会话文本中的短句，将谓语中包含停用词的短句整句剔除，形成语料库。
96.3)去语料库中的停用词；对语料库中的语句进行去停用词处理。
97.4)语料库的词语标准化；对语料库中短句的谓语和宾语分别基于编辑距离进行聚类，并将各聚簇中的词替换成该聚簇中的最高频词，最后新成新的语料库。
98.5)根据语料库，及主题抽取；利用主题抽取模型，例如利用文档生成模型lda(latent dirichlet allocation)对语料库中的标准化后的语句进行主题分类并命名，每一种主题命名的名称即一种客户意图。
99.其中，在对每一个主题进行命名时，首先，抽取各主题下的短句：根据各主题下的
关键词，从语料库中抽取相对应的短句；然后进行后验概率计算，分别计算各主题下短句的谓语和宾语的后验概率；最后，取各主题下后验概率最高的短句，作为该主题的名称。
100.或者，将得到的文本数据输入预先训练的向量提取模型，输出与文本数据对应的文本句向量，将文本句向量输入预先训练的主题识别模型，输出与文本句向量对应主题。
101.本技术发明人考虑到在客服会话场景中，谓语比宾语更能表达客户意图，利用谓语过滤短句比单纯的黑名单词库过滤更精准，更利于维护，因此首先采用利用谓语过滤短句，形成语料库。
102.同时，本技术在主题抽取的基础上，通过计算谓宾之间的后验概率，自动为主题命名确定客户意图。从而实现了无需主管业务经验，直接基于客观数据，获取最真实的用户意图的目的。
103.本技术完全基于统计模型，可解释性强，算法研发人员可以根据每一步的结果倒推前置步骤中出现的问题，在实际使用中可维护性强、业务落地能力强。
104.采用本技术实施例中的客户意图分析方法，获取客户会话文本数据；通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库；将语料库输入主题抽取模型，获取多种主题；根据每一种主题对应的主题短句，确定每一种主题的主题名称；多个主题名称对应多个客户意图。本技术根据谓语，过滤客户会话文本数据中的短句得到语料库，进而进行客户意图分类和识别，大大提高了客户意图识别的准确性和客观性。
105.实施例2
106.本实施例提供了一种客户意图分析系统，对于本实施例的客户意图分析系统中未披露的细节，请参照其它实施例中的客户意图分析方法的具体实施内容。
107.图7中示出了根据本技术实施例的客户意图分析系统的结构示意图。
108.如图7所示，客户意图分析系统具体包括数据获取单元10、语料库单元20、主题单元30以及客户意图单元40。
109.具体的，
110.数据获取单元10：用于获取客户会话文本数据。
111.具体的，首先获取客户语音数据，然后将客户语音数据输入语音识别系统进行转化，得到对应的客户会话文本数据。
112.进一步描述的，首先，获取大量客户会话数据，通过语音识别，将客户会话的语音转换为客户会话文本数据。
113.本实施例中的语音转文字技术采用的是asr技术。
114.其中，asr(automatic speechrecognition，自动语音识别技术)是一种将人的语音转换为文本的技术。
115.具体的，首选需要对原始语音进行预加重、分帧和加窗处理，获取标准语音。
116.获取标准语音的过程如下：
117.首先，采用预加重处理的公式s'n＝sn-a*sn-1对原始语音进行预加重处理，以消除说话人的声带和嘴唇对说话人语音的影响，提高说话人语音的高频分辨率。
118.其中，s'n为预加重处理后的n时刻的语音信号幅度，sn为n时刻的语音信号幅度，sn-1为n-1时刻的语音信号幅度，a为预加重系数。
119.然后，对预加重处理后的原始语音进行分帧处理，在分帧时，每一帧语音的起始点
和末尾点都会出现不连续的地方，分帧越多，与原始语音的误差也就越大。
120.最后，为了保持每一帧语音的频率特性，还需要进行加窗处理，加窗处理的公式为和s
″
n＝wn*s
′
n，其中，wn为n时刻的汉明窗，n为汉明窗窗长，s'n为n时刻时域上的信号幅度，s
″
n为n时刻加窗后时域上的信号幅度。
121.通过以上步骤对原始客户语音进行预处理，获取标准语音，为后续对标准语音进行客户意图识别提供有效的数据来源。
122.语料库单元20：用于通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库。
123.具体的，首先，将客户会话文本数据，输入语法依存分析模型，得到所有短句对应整句的谓语；然后，通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库。
124.其中，通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库，具体包括：首先，通过客户会话文本数据中的谓语，确定客户会话文本数据中谓语包含停用词的短句；然后，将短句对应的整句剔除，得到语料库。
125.主题单元30：用于将语料库输入主题抽取模型，获取多种主题。
126.具体的，基于n-gram模型建立主题抽取模型。
127.首先，根据语料库计算主题分类的概率；同时，预设语料主题规则库。
128.然后，基于搜索工具faiss和bert模型进行主题相似度对比，计算主题相似度，得到最接近的主体的概率，筛选概率排名靠前的n个主题作为获取结果。
129.进一步描述的，基于n-gram模型将所识别用户话语文本切分成长度为n的字符片段序列，主题分类模型包括输入层、隐含层和输出层；将序列输入主题分类模型的输入层，隐含层对所有序列的向量进行叠加平均，输出层产生各主题分类的概率；其中n为大于1的整数。
130.另一种实施方式中，首先，获取客户端上传的语音数据，利用预设的语音转化算法将第一语音数据进行转化得到文本数据；然后，将得到的文本数据输入预先训练的向量提取模型，输出与文本数据对应的文本句向量，将文本句向量输入预先训练的主题识别模型，输出与文本句向量对应主题。
131.客户意图单元40：用于根据每一种主题对应的主题短句，确定每一种主题的主题名称；多个主题名称对应多个客户意图。
132.具体包括：首先，根据每一种主题对应的关键词，从语料库中抽取每一种主题相对应的多个主题短句。然后，将多个主题短句中后验概率最高的主题短句作为该主题的主题名称。
133.另一优选实施方式中，还包括新语料库单元，用于通过词语过滤和/或词语聚类，得到新的语料库。
134.其中，通过词语过滤，得到新的语料库，具体包括：确定语料库中的语句的所有停用词；剔除语料库中的所有停用词，得到新的语料库。
135.其中，通过词语聚类，得到新的语料库，具体包括：将客户会话文本数据，输入语法依存分析模型，得到所有短句对应整句的谓语以及宾语；根据谓语和宾语，基于编辑距离分别进行聚类，得到多个短句聚簇；将同一个短句聚簇中的每一个短句中对应的谓语或宾语，
均替换为最高频谓语或者最高频宾语，得到新的短句构成的客户会话文本数据，即得到语料库。
136.采用本技术实施例中的客户意图分析系统，通过数据获取单元10获取客户会话文本数据；语料库单元20根据客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库；主题单元30将语料库输入主题抽取模型，获取多种主题；客户意图单元40根据每一种主题对应的主题短句，确定客户意图；其中，每一主题短句对应一客户意图。本技术根据谓语，过滤客户会话文本数据中的短句得到语料库，进而进行客户意图分类和识别，大大提高了客户意图识别的准确性和客观性。
137.实施例3
138.本实施例提供了一种客户意图分析设备，对于本实施例的客户意图分析设备中未披露的细节，请参照其它实施例中的客户意图分析方法或系统具体的实施内容。
139.图8中示出了根据本技术实施例的客户意图分析设备400的结构示意图。
140.如图8所示，客户意图分析设备400，包括：
141.存储器402：用于存储可执行指令；以及
142.处理器401:用于与存储器402连接以执行可执行指令从而完成运动矢量预测方法。
143.本领域技术人员可以理解，示意图8仅仅是客户意图分析设备400的示例，并不构成对客户意图分析设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如客户意图分析设备400还可以包括输入输出设备、网络接入设备、总线等。
144.所称处理器401(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等，处理器401是客户意图分析设备400的控制中心，利用各种接口和线路连接整个客户意图分析设备400的各个部分。
145.存储器402可用于存储计算机可读指令，处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块，以及调用存储在存储器402内的数据，实现客户意图分析设备400的各种功能。存储器402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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据客户意图分析设备400使用所创建的数据等。此外，存储器402可以包括硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)或其他非易失性/易失性存储器件。
146.客户意图分析设备400集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理
器执行时，可实现上述各个方法实施例的步骤。
147.实施例4
148.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现其他实施例中的客户意图分析方法。
149.本技术实施例中的客户意图分析设备及计算机存储介质，获取客户会话文本数据；通过客户会话文本数据中的谓语，过滤客户会话文本数据中的短句，得到语料库；将语料库输入主题抽取模型，获取多种主题；根据每一种主题对应的主题短句，确定每一种主题的主题名称；多个主题名称对应多个客户意图。本技术根据谓语，过滤客户会话文本数据中的短句得到语料库，进而进行客户意图分类和识别，大大提高了客户意图识别的准确性和客观性。
150.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
151.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
152.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
153.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
154.在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明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，本文中使用的术语“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。
155.应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，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，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。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”。
156.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造
性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
157.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。