智能语音随访方法、系统、计算机设备、存储介质及程序产品

摘要

本发明公开了一种智能语音随访方法、系统、计算机设备、存储介质及程序产品，该方法包括：构建与预设问题的答案类别相关的关键词词典；收集随访对象针对预设问题的回答的语音数据并将其转化成文本数据；以及遍历关键词词典，判断文本数据中是否包含关键词词典中的关键词，如果包含，则记录回答所属的答案类别并根据第一预设话术脚本继续进行问答，如果不包含，则通过文本相似度计算确定文本数据的意图类别，记录意图类别对应的答案类别并根据第二预设话术脚本继续进行问答，其中第一预设话术脚本与第二预设话术脚本相同或者不同。本发明结合关键词检索方式和文本相似度匹配方式的优点，在空间资源和反应速度方面对现有技术做了优化和改进。

说明书

技术领域

本发明涉及意图识别的技术领域，更具体地，特别是指一种通过意图识别而减少数据失真的智能语音随访方法、系统、计算机设备、存储介质及程序产品。

背景技术

在医疗领域中，病人手术后的身体情况指标，对医院满意度打分，通知体检等内容，以往都需要人工拨打患者的电话进行信息收集，但是每个人的精力都是有限的，并且也会因为个人情绪等原因影响患者体验。现在智能随访系统就能很好的解决这个问题，将患者的电话信息导入智能随访系统，通过话术脚本的制作，在ASR和NLP两项技术的支持下，就能很好地实现机器与患者的对话，并在对话中收集想要知道的患者问题回答。

目前大多智能随访系统采用关键词检索的方式来进行患者的意图识别，进而判断询问患者的问题的回答是否已经收集成功。但是当患者的意图很难用几个关键词进行编写，又或者未在历史数据中出现过，那么此时的患者意图是识别不了的，这也将会导致未收集到患者的有效信息，产生数据失真。

也有一部分智能随访系统会采用文本相似度匹配的方法来进行患者的意图识别，但是随着患者的历史数据的增多，新的患者意图进行识别的复杂度都会随之增加，一些简单明确的患者意图明明几个关键词就能精准识别，却用复杂的模型去匹配，这将浪费了大量的资源空间，还减慢了智能随访系统的对患者回答的反馈速度，给患者造成不好的体验。

发明内容

有鉴于此，本发明实施例的目的在于提出一种智能语音随访方法、系统、计算机设备、存储介质及程序产品。本发明采用基于意图识别的双层漏斗识别模型，结合关键词检索方式和文本相似度匹配方式的优点，在空间资源和反应速度方面对现有技术做了很大地优化和改进，旨在解决上述现有技术中的至少一个技术问题。

为实现上述目的，本发明提供一种智能语音随访方法，包括以下步骤：

步骤1、构建与预设问题的答案类别相关的关键词词典；

步骤2、收集随访对象针对所述预设问题的回答的语音数据并将所述语音数据转化成文本数据；以及

步骤3、遍历所述关键词词典，判断所述文本数据中是否包含所述关键词词典中的关键词，如果包含，则记录所述回答所属的答案类别并根据第一预设话术脚本继续进行问答，如果不包含，则通过文本相似度计算确定所述文本数据的意图类别，记录所述意图类别对应的答案类别并根据第二预设话术脚本继续进行问答，其中所述第一预设话术脚本与所述第二预设话术脚本相同或者不同。

可选地，上述步骤1进一步包括：

步骤11、获取针对所述预设问题的第一组历史回答的第一历史语音数据集并将所述第一历史语音数据集转化成第一历史文本数据集；

步骤12、对所述第一历史文本数据集中的每个历史回答所属的答案类别进行标注；

步骤13、对每个答案类别的文本进行分词处理，去掉停用词后得到多个分词，计算每个分词在所述第一历史文本数据集中的词频和逆文档频率并将所述词频和所述逆文档频率相乘得到相应分词在所述第一历史文本数据集中出现的概率，按照所述概率从大到小对每个答案类别中的分词进行排序，将高于预设阈值的概率对应的分词作为基础词，在所述基础词上进行扩写得到扩写关键词；以及

步骤14、利用步骤12标注的所述第一历史文本数据集验证所述扩写关键词后构建所述关键词词典。

可选地，通过文本相似度计算确定所述文本数据的意图类别进一步包括：

将未包含所述关键词词典中的关键词的所述文本数据输入到文本相似度识别模型中进行文本相似度计算，输出相似度最高的意图类别。

可选地，根据第二预设话术脚本继续进行问答进一步包括：

构建意图回答词典；

在所述意图回答词典中查找与所述相似度最高的意图类别对应的话术脚本作为所述第二预设话术脚本。

可选地，构建意图回答词典进一步包括：

获取针对所述预设问题的第二组历史回答的第二历史语音数据集并将所述第二历史语音数据集转化成第二历史文本数据集；

将所述第二历史文本数据集中的历史回答分为多个意图，根据每个意图的特性将其对应到一个话术脚本。

为实现上述目的，本发明还提供一种智能语音随访系统，包括：

关键词词典构建模块，用于构建与预设问题的答案类别相关的关键词词典；

ASR模块，用于收集随访对象针对所述预设问题的回答的语音数据并将所述语音数据转化成文本数据；以及

问答处理模块，用于遍历所述关键词词典，判断所述文本数据中是否包含所述关键词词典中的关键词，如果包含，则记录所述回答所属的答案类别并根据第一预设话术脚本继续进行问答，如果不包含，则通过文本相似度计算确定所述文本数据的意图类别，记录所述意图类别对应的答案类别并根据第二预设话术脚本继续进行问答，其中所述第一预设话术脚本与所述第二预设话术脚本相同或者不同。

为实现上述目的，本发明还提供一种计算机设备，包括存储器、至少一个处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时执行上述任意实施例所述的方法。

为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行上述任意实施例所述的方法。

为实现上述目的，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算程序，所述计算程序包括指令，当所述指令被计算机执行时，使所述计算机执行上述任意实施例所述的方法。

有益效果

本发明提供的一种智能语音随访方法、系统、计算机设备、存储介质及程序产品通过关键词识别和文本相似度模型的两层结构，保证识别的快速定位及应对措施，从而提高有效数据收集，减少了一般随访过程中因患者意图识别不准，模型反应不迅速而导致的数据失真。在保证模型准确度的同时，还减少了模型因数据的增加而变化的复杂度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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实施例。

图1为根据本发明一个实施例的智能语音随访方法的示意性流程图；

图2为根据本发明一个实施例的双层漏斗识别模型的示意性流程图；

图3为根据本发明中关键词检索模型实施例的流程示意图；

图4为根据本发明中文本相似度模型实施例的模型技术图；

图5为根据本发明中文本相似度模型实施例的流程示意图；

图6为根据本发明意图回答系统实施例的流程图。

本发明目的的实现、功能特点及优点将结合实施例，参附图做进一步说明。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”、“第二”等类似的表述均是为了区分多个相同名称非相同的实体或者非相同的参量，可见“第一”、“第二”等类似用语仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

基于上述目的，本发明实施例提供了一种智能语音随访方法。图1示出了该智能语音随访方法的示意性流程图。如图1中所示，该方法包括以下步骤：

步骤S1、构建与预设问题的答案类别相关的关键词词典；

步骤S2、收集随访对象针对所述预设问题的回答的语音数据并将所述语音数据转化成文本数据；以及

步骤S3、遍历所述关键词词典，判断所述文本数据中是否包含所述关键词词典中的关键词，如果包含，则记录所述回答所属的答案类别并根据第一预设话术脚本继续进行问答，如果不包含，则通过文本相似度计算确定所述文本数据的意图类别，记录所述意图类别对应的答案类别并根据第二预设话术脚本继续进行问答，其中所述第一预设话术脚本与所述第二预设话术脚本相同或者不同。

上述方法采用基于意图识别的双层漏斗识别模型，在空间资源和反应速度方面对现有技术做了很大地优化和改进，从而提高患者回答识别准确率和模型的反应程度，进而减少数据失真。

在一个优选实施例中，上述步骤S1进一步包括：

步骤11、获取针对所述预设问题的第一组历史回答的第一历史语音数据集并将所述第一历史语音数据集转化成第一历史文本数据集；

步骤12、对所述第一历史文本数据集中的每个历史回答所属的答案类别进行标注；

步骤13、对每个答案类别的文本进行分词处理，去掉停用词后得到多个分词，计算每个分词在所述第一历史文本数据集中的词频和逆文档频率并将所述词频和所述逆文档频率相乘得到相应分词在所述第一历史文本数据集中出现的概率，按照所述概率从大到小对每个答案类别中的分词进行排序，将高于预设阈值的概率对应的分词作为基础词，在所述基础词上进行扩写得到扩写关键词；以及

步骤14、利用步骤12标注的所述第一历史文本数据集验证所述扩写关键词后构建所述关键词词典。

在一个优选实施例中，上述步骤S3中的通过文本相似度计算确定所述文本数据的意图类别进一步包括：

将未包含所述关键词词典中的关键词的所述文本数据输入到文本相似度识别模型中进行文本相似度计算，输出相似度最高的意图类别。

在一个优选实施例中，上述步骤S3中的根据第二预设话术脚本继续进行问答进一步包括：

构建意图回答词典；

在所述意图回答词典中查找与所述相似度最高的意图类别对应的话术脚本作为所述第二预设话术脚本。

在一个优选实施例中，上述构建意图回答词典进一步包括：

获取针对所述预设问题的第二组历史回答的第二历史语音数据集并将所述第二历史语音数据集转化成第二历史文本数据集；

将所述第二历史文本数据集中的历史回答分为多个意图，根据每个意图的特性将其对应到一个话术脚本。

这里的第二历史文本数据集与上述第一历史文本数据集有所不同，第二历史文本数据集中的历史回答不能直接对应到相应问题的答案类别，而第一历史文本数据集中的历史回答能够直接对应到相应问题的答案类别。

图2示出了本发明采用的双层漏斗识别模型的示意性流程图。图2的双层漏斗识别模型用作文本数据的意图识别，实现以下步骤：

获取步骤：患者输入语音数据，通过ASR语音识别算法将语音数据转化成文本数据，其中ASR语音识别可以直接接入百度，阿里，科大讯飞对大众开放的语音识别API接口，可实现在线语音识别并返回对应的文本数据；

关键词检索识别步骤：图3的关键词识别模型为了实现能快速识别那些有效回答，需要构造一个有效回答的关键词词典，当输入的文本数据是有效回答时，系统可以直接标注该问题的有效回答收集成功，跳转到话术脚本的下一个问题，实现以下步骤：

获取步骤：获取通过ASR语音识别算法转化的历史文本数据，其中ASR语音识别可以直接接入百度，阿里，科大讯飞对大众开放的语音识别API接口，可实现在线语音识别并返回对应的文本数据；

人工数据标注：人工将转化后的历史文本数据所属于的的答案类别进行标注；

关键词筛选步骤：用letter-trigams将每个答案类别中的文本数据进行分词，去掉停用词，计算每个分词在全部历史文本数据中的的词频TF和逆文档频率IDF，并将词频与逆文档频率相乘得到一个概率P，在每个不同答案类别中将概率P进行从大到小排序，设置一个P值的阈值，并根据P值对应的分词作为基础词，人工再在基础词上进行扩写，加强语义表达，最后将所有答案类别中扩写的关键词合在一起称为关键词词典；

其中TF＝(某个词在文档中出现的次数)/(文档中的总词数)；

IDF＝log((语料中文档总数)/(包含该词的文档数+1))分母加1避免分母为0；

概率P＝TF*IDF

关键词验证：将关键词词典中的关键词输入到人工标注过的历史文本数据中，进行检索匹配，查看每个关键词匹配到的所有历史文本数据，并判断匹配到的历史文本数据的答案类别是否和人工标注的一样；

文本相似度识别步骤：图4是文本相似度模型技术图，图5是文本相似度模型的流程图，通过将文档中的文本数据进行letter-trigams分词(也可用其他例如为结巴分词、ansj分词方法或自制的分词方法)，并进行向量保存，接着通过构建一个三层的全连接层来对以上的向量进行降维，最后通过计算输入的文本数据与文档的cosine距离来判断输入数据的文本数据与文档的相似度，找到相似度最高的意图类别，并返回对应的文档类别和意图类别，实现以下步骤：

获取步骤：获取那些不能直接对应到答案类别的语音数据，并通过ASR语音识别算法转化的历史文本数据，其中ASR语音识别可以直接接入百度，阿里，科大讯飞对大众开放的语音识别API接口，可实现在线语音识别并返回对应的文本数据；

人工标注数据步骤：将这些文本数据分为意图1，意图2...直到意图n，每个意图i都对应一个文档，记为Di，文档Di表示属于该意图i的文本数据，每次输入的文本数据记为Q；

数据集分类步骤：为了保证模型的有效性，将采用训练集和验证集两个数据集来训练优化模型。将每个意图下的文档的文本数据分成两份，即将意图i分成数据Ai，Bi，然后将所有意图下的A1,A2..Ai合在一起，称为模型训练集A；将所有意图下的B1,B2..Bi合在一起，称为模型验证集B；

构建WordHashing层步骤：通过分词的方法将输入的文本数据进行切分，便于在系统中进行向量存储，可一定量的减少直接存储所产生的向量维度，用letter-trigams来对A数据集里面的A1,A2,..Ai进行分词，并对Ai中的分词进行向量存储；

构建Multi-layer non-linear projection连接层步骤：基于深度神经网络构建一个3层的全连接层，将上述步骤输出的文本数据的向量表达作为该步骤的输入，并在最后一层输出获取的隐藏语义向量，也就是semantic feature，向量转化的表达如下：

l1＝W1x

li＝f(Wili-1+bi)li＝f(Wili-1+bi)

y＝f(WNlN-1+bN)

模型验证步骤：将验证集B中的文本数据作为文本相似度识别模型的输入数据Q，输入Term Vector层，数据Q分别与文档D1,D2…Dn进行cosine文本相似度计算，P(D|Q)越大，那么表示文本相似度越高，并返回相似度最高的文档和意图类别，对比人工标注数据Q的文档类别和意图类别，表达如下：

P(D|Q)＝exp(γR(Q,D))/∑di∈Dexp(γR(Q,D))

图6示出了本发明的意图回答系统实施例的流程图。意图回答系统步骤：

获取步骤：获取那些不能直接对应到答案类别的语音数据，并通过ASR语音识别算法转化的历史文本数据，其中ASR语音识别可以直接接入百度，阿里，科大讯飞对大众开放的语音识别API接口，可实现在线语音识别并返回对应的文本数据；

构建意图回答词典：将这些文本数据分为意图1，意图2...直到意图n，每个意图根据自己的特性，设置一个话术文本脚本与其一一对应，并用词典类型保存在数据库中；

输出话术脚本：根据输入意图分类，遍历到其对应的话术脚本，并将这个话术脚本作为该步骤的输出；

输出步骤：输出收集完成的患者有效回答，并进行保存，根据话术脚本的设定，跳转到下一个问题。

综上所述，本发明采用的基于意图识别的双层漏斗识别模型的流程包括：

获取步骤：患者输入语音数据，通过ASR预设模块将语音数据转化成文本数据；

关键词检索步骤：遍历关键词词典，判断所输入的文本数据里面是否包含关键词词典里面的词，如果包含，就表示有效数据收集成功，不包含就表示数据收集未成功，该文本数据将进行下一步骤的识别；

文本相似度识别步骤：未对关键词检索模型匹配成功的文本数据，将其作为此模型的输入数据，将该数据分别与模型中的文档数据进行相似度计算，并返回相似度最高的文档类别和意图类别；

意图回答步骤：根据上一步骤输出的意图类别，查找意图类别对应的话术文本脚本，并通过系统预设的文本转语音的算法将其转化为语音数据反馈至客户端。

可选地，关键词检索模型实施例能够通过TF-IDF方式提取关键词，进行扩写关键词地内容，并通过验证模型而得出，包括：

获取历史语音数据，并通过预设地语音识别算法将其转化为文本数据；

人工将历史文本数据所属于的答案类别进行标注；

用letter-trigams将每个答案类别中的文本数据进行分词，去掉停用词，计算每个分词在全部历史文本数据中的的词频TF和逆文档频率IDF，并将词频与逆文档频率相乘得到一个概率P，在每个不同答案类别中将概率P进行从大到小排序，设置一个P值的阈值，并根据P值对应的分词作为基础词，人工再在基础词上进行扩写，加强语义表达，并适当根据正则表达规则对一些关键词进行模糊识别，避免语音转文字中不精确识别而导致关键词的识别不准，最后将所有答案类别中扩写的关键词合在一起称为关键词词典；

将关键词词典中的关键词输入到人工标注过的历史文本数据中，进行检索匹配，查看每个关键词匹配到的所有历史文本数据，并判断匹配到的历史文本数据的答案类别是否和人工标注的一样，进而判断模型的可靠性。

可选地，文本相似度识别模型可通过将文本数据进行向量压缩，减少文本数据的向量表达维度，并将输入模型的数据与历史文档的文本数据进行cosine距离来计算输入数据与文档之间的文本相似度，返回最相似的文档类别和意图类别，包括：

获取那些不能直接对应到答案类别的历史语音数据，并通过预设地语音识别算法将其转化为文本数据；

将这些文本数据分为意图1，意图2...直到意图n，每个意图i都对应一个文档，记为Di，文档Di表示属于该意图i的文本数据，每次输入的文本数据记为Q；

将每个意图下的文档的文本数据分成两份，即将意图i分成数据Ai，Bi，然后将所有意图下的A1,A2..Ai合在一起，称为模型训练集A；将所有意图下的B1,B2..Bi合在一起，称为模型验证集B；

构建WordHashing层：用letter-trigams来对A数据集里面的A1,A2,..Ai进行分词，并对Ai中的分词进行向量存储；

构建Multi-layer non-linear projection连接层：构建一个3层的全连接层，将上述步骤输出的文本数据的向量表达进行作为该步骤的输入，并在最后一层输出获取的隐藏语义向量，也就是semantic feature；

模型验证：将验证集B中的文本数据作为文本相似度识别模型的输入数据Q，将数据Q分别与文档D1,D2…Dn进行相似度计算，并返回相似度最高的文档和意图类别，对比人工标注数据Q的文档类别和意图类别。

可选地，意图回答系统可通过构造意图类别与话术脚本对应的词典来实施，包括：

获取那些不能直接对应到答案类别的历史语音数据，并将其转化为文本数据；

构建意图回答词典，将上述文本数据分为意图1，意图2...直到意图n，每个意图根据自己的特性，设置一个话术文本脚本与其一一对应；

输出话术脚本，根据输入意图分类，遍历到其对应的话术脚本，并将这个话术脚本作为该步骤的输出。

基于上述目的，本发明实施例还提供了一种智能语音随访系统，包括：

关键词词典构建模块，用于构建与预设问题的答案类别相关的关键词词典；

ASR模块，用于收集随访对象针对所述预设问题的回答的语音数据并将所述语音数据转化成文本数据；以及

问答处理模块，用于遍历所述关键词词典，判断所述文本数据中是否包含所述关键词词典中的关键词，如果包含，则记录所述回答所属的答案类别并根据第一预设话术脚本继续进行问答，如果不包含，则通过文本相似度计算确定所述文本数据的意图类别，记录所述意图类别对应的答案类别并根据第二预设话术脚本继续进行问答，其中所述第一预设话术脚本与所述第二预设话术脚本相同或者不同。

需要特别指出的是，上述系统的实施例采用了上述方法的实施例来具体说明各模块的工作过程，本领域技术人员能够很容易想到，将这些模块应用到所述方法的其他实施例中。

基于上述目的，本发明实施例还提供了一种计算机设备，包括存储器、至少一个处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时执行上述的方法。所述计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

基于上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行上述的方法。所述计算机可读存储介质的任何一个实施例，可以达到与之对应的前述任意方法与系统实施例相同或者相类似的效果。

基于上述目的，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算程序，所述计算程序包括指令，当所述指令被计算机执行时，使所述计算机执行上述的方法。所述计算机程序产品的任何一个实施例，可以达到与之对应的前述任意方法与系统实施例相同或者相类似的效果。

需要说明的是，本领域普通技术人员可以理解实现上述实施例操作中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述操作的实施例的流程。所述计算机程序可以达到与之对应的前述操作实施例相同或者相类似的效果。

此外，应该明白的是，实现本发明的操作所采用的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。

在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

以上是本发明公开的示例性实施例，上述本发明实施例公开的顺序仅仅为了描述，不代表实施例的优劣。但是应当注意，以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子，在不背离权利要求限定的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。