一种面向社交媒体公共言论的情感、话题及观点分析方法

摘要

本申请涉及一种面向社交媒体公共言论的情感、话题及观点分析方法，该方法包括：获取与公共事件对应的媒体报道信息以及公众舆论内容；按照第一预设策略分析所述媒体报道信息得到第一分析结果，按照第二预设策略分析所述公众舆论内容得到第二分析结果；对比所述第一分析结果和第二分析结果确定所述媒体报道信息与所述公众舆论内容的差异程度；根据所述差异程度规划所述公共事件的报道议程。该技术方案通过对网络公共事件的媒体报道信息以及公众舆论进行对比分析，能够得到公众对公众事件的观点以及情感倾向，并根据公众的观点以及情感倾向规划公共事件的报道议程，以此不仅可以更好了解公众的意愿，还能促进社交媒体平台的健康发展。

说明书

技术领域

本申请涉及互联网技术领域，尤其涉及一种面向社交媒体公共言论的情感、话题及观点分析方法。

背景技术

随着互联网的飞速发展和日益普及，网络媒体平台已经成为传播舆论和反映社情民意的重要渠道，大众媒介引发的公众舆论越来越成为社会关注的焦点问题。国内外关于公共事件的舆论分析相关研究表明，社交媒体在实现事件讨论，意见表达和反馈方面发挥着重要作用。应用大数据分析技术挖掘社交媒体网络上公众舆论能够帮助相关职能机构及时了解公众对热点事件的立场及诉求，为未来更好的管理和建构公共空间提供帮助，促进社交媒体舆论平台的更好更健康发展。

此外，现有议程设置相关研究多侧重于议程设置的概念范畴和影响因素方面的定性研究，实证定量研究开展较少。尤其国内学者很少涉及用分析挖掘技术研究网络媒体议程设置。在网络议程设置方面，主流媒体多是报道事件内容为主，而公众在社交媒体下对某事件的评论则更能体现出公众关注的焦点及舆论倾向。主流媒体的议程设置与网民的关注焦点是否相同以及存在哪些差异，媒体议程报道方向是否需要调整。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种面向社交媒体公共言论的情感、话题及观点分析方法。

第一方面，本申请提供了一种面向社交媒体公共言论的情感、话题及观点分析方法，包括：

获取与公共事件对应的媒体报道信息以及公众舆论内容；

按照第一预设策略分析所述媒体报道信息得到第一分析结果，按照第二预设策略分析所述公众舆论内容得到第二分析结果；

对比所述第一分析结果和第二分析结果确定所述媒体报道信息与所述公众舆论内容的差异程度；

根据所述差异程度规划所述公共事件的报道议程。

可选的，所述按照第一预设策略分析所述媒体报道信息得到第一分析结果，按照第二预设策略分析所述公众舆论内容得到第二分析结果，包括：

获取所述媒体报道信息对应的第一信息量以及第一正文内容，以及所述公众舆论内容对应的第二信息量以及第二正文内容；

分析所述第一信息量以及第一正文内容，得到第一分析结果；

分析所述第二信息量以及第二正文内容，得到第二分析结果。

可选的，所述分析所述第一信息量以及第一正文内容，得到第一分析结果，包括：

根据所述第一信息量确定所述公共事件的第一关注趋势；

根据所述第一正文内容确定所述媒体报道信息的第一主题以及第一观点；

将所述第一关注趋势、第一主题以及第一观点作为所述第一分析结果。

可选的，所述分析所述第二信息量以及第二正文内容，得到第二分析结果，包括：

根据所述第二信息量确定所述公共事件的第二关注趋势；

根据所述第二正文内容确定所述媒体报道信息的第二主题、第二观点以及情感类型；

将所述第二关注趋势、第二主题、第二观点以及情感类型作为第二分析结果。

可选的，所述根据所述第一信息量确定所述媒体报道信息对应公共事件的第一关注趋势，包括：

确定所述第一信息量在预设时间段的第一分布情况；

根据所述第一分布情况确定所述第一关注趋势；

或，

所述根据所述第二信息量确定所述公众舆论内容对应公共事件的第二关注趋势，包括：

确定所述第二信息量在预设时间段的第二分布情况；

根据所述第二分布情况确定所述第二关注趋势。

可选的，所述根据所述第一正文内容确定所述媒体报道信息的第一主题，包括：

获取文档主题生成模型；

将所述第一正文内容输入所述文档主题生成模型，得到第一关键词；

将所述第一关键词作为所述第一主题；

或，

所述根据所述第二正文内容确定所述媒体报道信息的第二主题，包括：

获取文档主题生成模型；

将所述所述第二正文内容输入所述文档主题生成模型，得到第二关键词；

将所述第二关键词作为所述第二主题。

可选的，所述根据所述第一正文内容确定所述媒体报道信息的第一观点，包括：

采用TFIDF模型提取所述第一正文内容的第一多元词组；

按照预设匹配规则对所述第一多元词组进行筛选得到至少一个第一候选观点；

将满足预设条件的第一候选观点确认为媒体报道信息的第一观点；

或，

所述根据所述第二正文内容确定所述媒体报道信息的第二观点，包括：

采用TFIDF模型提取所述第二正文内容的第二多元词组；

按照预设匹配规则对所述第二多元词组进行筛选得到至少一个第二候选观点；

将满足预设条件的第二候选观点确定公众舆论内容的第二观点。

可选的，所述根据所述第二正文内容确定所述公众舆论内容的情感类型，包括：

获取情感词典；

将所述第二正文内容与所述情感词典进行匹配；

当所述第二正文内容中存在所述情感词典中的情感词时，确定所述情感词对应的情感分值；

根据所述情感分值确定所述公众舆论内容的情感类型。

可选的，所述对比所述第一分析结果和第二分析结果确定所述媒体报道信息与所述公众舆论内容的差异程度，包括：

对比所述第一关注趋势与所述第二关注趋势第一对比结果；

对比所述第一关注点与所述第二关注点得到第二对比结果；

对比所述第一观点与所述第二观点得到第三对比结果；

根据所述第一对比结果、所述第二对比结果、所述第三对比结果以及所述情感类型确定所述差异程度。

第二方面，本申请提供了一种面向社交媒体公共言论的情感、话题及观点分析装置，包括：

获取模块，用于获取与公共事件对应的媒体报道信息以及公众舆论内容；

分析模块，用于按照第一预设策略分析所述媒体报道信息得到第一分析结果，按照第二预设策略分析所述公众舆论内容得到第二分析结果；

对比模块，用于对比所述第一分析结果和第二分析结果确定所述媒体报道信息与所述公众舆论内容的差异程度；

更新模块，用于根据所述差异程度规划所述公共事件的报道议程。

第三方面，本申请提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行计算机程序时，实现上述方法步骤。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法步骤。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：通过对网络公共事件的媒体报道信息以及公众舆论进行对比分析，能够得到公众对公众事件的观点以及情感倾向，并根据公众的观点以及情感倾向规划公共事件的报道议程，以此不仅可以更好了解民意，还能促进社交媒体平台的健康发展。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种面向社交媒体公共言论的情感、话题及观点分析方法的流程图；

图2为本申请实施例提供的一种面向社交媒体公共言论的情感、话题及观点分析方法的框图；

图3为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种面向社交媒体公共言论的情感、话题及观点分析方法，本发明实施例所提供的方法可以应用于任意需要的电子设备，例如，可以为服务器、终端等电子设备，在此不做具体限定，为描述方便，后续简称为电子设备。

具体的，本申请针对公众事件，提出了一个基于网络媒体数据，融合统计信息量变化、话题讨论趋势，情感分析以及话题短语挖掘的文本分析技术框架，能够对网络媒体报道议程与社交媒体上公众舆论进行挖掘和对比分析，为事件传播过程中媒体议程的设置和合理化调整提供参考。

下面首先对本发明实施例所提供的一种面向社交媒体公共言论的情感、话题及观点分析方法进行介绍。

图1为本申请实施例提供的一种面向社交媒体公共言论的情感、话题及观点分析方法的流程图。如图1所示，该方法包括以下步骤：

步骤S11，获取与公共事件对应的媒体报道信息以及公众舆论内容；

步骤S12，按照第一预设策略分析媒体报道信息得到第一分析结果，按照第二预设策略分析公众舆论内容得到第二分析结果；

步骤S13，对比第一分析结果和第二分析结果确定媒体报道信息与公众舆论内容的差异程度；

步骤S14，根据差异程度规划公共事件的报道议程。

本实施例公开的方法，通过对网络公共事件的媒体报道信息以及公众舆论进行对比分析，能够得到公众对公众事件的观点以及情感倾向，并根据公众的观点以及情感倾向确定公共事件的报道议程，以此不仅可以更好了解民意，还能促进社交媒体平台的健康发展。

作为一个示例，获取与公共事件对应的媒体报道信息以及公众舆论内容，可以是从社交平台上获取国内主流媒体对公共事件的报道内容，例如：从微博平台上获取中国新闻网，中国日报，人民网，今日头条等主流媒体对公共事件的报道内容。公共事件可以是：新能源汽车补贴政策、中美贸易磋商等等，公众舆论内容可以是社交报道信息的用户评论。

本实施例中，在得到媒体报道信息和公共舆论内容后，对媒体报道信息和公共舆论内容进行预处理操作得到结构化的媒体报道信息和公共舆论内容。其中，预处理操作包括：移除标签链接，提及用户名称和表情符号，删除只转载无评论的数据，移除URL链接，非ASCII、无意义的中文字符以及中文停用词。另外，本实施例还采用了pyopencc开源繁简转换技术对中文繁体字即特别的粤语文本进行简体转换。

在得到结构化的媒体报道信息和公共舆论内容后，按照第一预设策略分析媒体报道信息得到第一分析结果，按照第二预设策略分析公众舆论内容得到第二分析结果，包括：

获取媒体报道信息对应的第一信息量以及第一正文内容，以及公众舆论内容对应的第二信息量以及第二正文内容，分析第一信息量以及第一正文内容，得到第一分析结果，分析第二信息量以及第二正文内容，得到第二分析结果。

本实施例中，分析第一信息量以及第一正文内容，得到第一分析结果，包括：

(一)根据第一信息量确定公共事件的第一关注趋势；

具体的，确定第一信息量在预设时间段的第一分布情况，根据第一分布情况确定第一关注趋势。作为一个示例：可以将某个公共事件的媒体报道信息在一周的报道次数以及报道内容作为第一信息量。然后确定第一信息量在这一周的分布情况，例如：周一至周三该公共事件每天的报道次数为15次，周四至周五该公共事件每天的报道次数为20次，周六至周日该公共事件每天的报道次数为18次。由此得到该公共事件在一周内被报道的情况(即第一分布情况)，根据第一分布情况能够确定媒体对该公共事件的第一关注趋势。

另外，还可以根据第一信息量确定公共事件是否为突发事件或持久事件。例如：第一信息量在短时间(如1-2天)内的分布情况呈现爆发式增长，则确定该公共事件为突发事件。又或者，根据第一信息量确定公众事件在较长的时间内(如一年)的分布情况存在多个峰值，确定该公众事件为持久事件，例如新能源汽车补贴政策，该公共事件在一年内存在多个峰值，根据峰值可以确定补贴政策的发布和推广。

(二)根据第一报道内容确定媒体报道信息的第一主题；

具体的，获取文档主题生成模型，本实施例中采用的主题生成模型采用的为LDA(潜在狄利克雷分配模型)模型。然后将第一主题内容输入文档主题生成模型，得到第一关键词，将第一关键词作为第一主题。

以新能源政策这一公共事件为例，第一正文内容包括多家主流媒体对新能源政策的报道，然后将第一正文内容输入LDA模型中，其中，主题个数，每个主题的单词个数是可以预设的，例如：以主题数为3，词数为8。得到的第一关键词如下：

Topic 1：补贴、政策、万元、特斯拉、里程、续航、电动、价格。

Topic 2：公司、项目、业务、投资、万元、资产、股东、国产。

Topic 3：汽车、电池、发展、企业、技术、国产、能源、项目。

本实施例中的文档主题生成模型不仅降低了内容的维度，而且可以从语义上分析报道内容，有效的解决了报道内容中同义词和多义词的分布，但是由于文档主题生成模型输出的只是词汇，并不涉及词序关系，还需要分析报道内容的观点。

(三)根据第一报道内容确定媒体报道信息的第一观点；

具体的，采用TFIDF(词频逆向文件频率)模型提取第一正文内容的第一多元词组，多远词组包括：二元词组、三元词组、四元词组等。

然后按照预设匹配规则对第一多元词组进行筛选得到第一候选语句，候选语句即为候选观点。本实施例所涉及的预设匹配规则为基于名词和动词短语的扩展，名词短语包括：单一名词短语、多个名词短语、形容词或副词和名词短语连用情况；动词短语为动词和名词连用的情况，不考虑单一动词或多动词组合形式，以及名词动词和名词连用短语三种扩展，主要体现正文内容中的观点。表1为本实施例提供的预设匹配规则：

表1

其中，a表示形容词、副词、形容词性语素、形容词性惯用语和名形词；n表示名词，包括名词性语素、机构、名词性惯用语、人名、地名等；v表示为动词，包括副动词、动词性语素、及物动词、不及物动词、名动词等。*代表没有或多个搭配，+代表1个或多个搭配。

作为一个示例，以新能源政策这一公共事件为例，第一正文内容包括多家主流媒体对新能源政策的报道，然后将第一正文内容输入TFIDF模型中，得到第一多元词组，第一多元词组可以是：新能源汽车、新能源汽车补贴、新能源汽车补贴政策、汽车补贴政策标准、补贴政策标准退坡、标准退坡的结果等等。

按照预设匹配规则对上述词组进行筛选，得到第一候选观点包括：新能源汽车、新能源汽车补贴、新能源汽车补贴政策、汽车补贴政策标准、补贴政策标准退坡。然后按照第一候选观点中多元词组的词频进行统计和排序，将满足预设条件的第一候选观点确认为媒体报道信息的第一观点，即新能源汽车补贴政策，补贴政策标准退坡策等。

其中，将满足预设条件的第一候选观点确认为第一观点可以包括：按照第一候选观点的词频由高到低排序，取TOP N个第一候选观点作为第一观点，其中N为大于等于1的整数，且N的值可以根据公共事件确定。本实施例中的词频是指：基于抽取得到的观点，将每个观点的出现次数作为该观点的词频。

本实施例基于词性分析和词语匹配的方法，抽取正文中的高频短语，细化了抽取结果，提高了信息抽取的准确性以及提高了抽取结果的可理解性。

(四)将第一关注趋势、第一主题以及第一观点作为第一分析结果。

本实施例中，分析第二信息量、第二主题内容、第二观点以及情感内容，得到第二分析结果，包括：

(一)根据第二信息量确定公共事件的第二关注趋势；

具体的，确定第二信息量在预设时间段的第二分布情况，根据第二分布情况确定第二关注趋势。作为一个示例：可以将某个公共事件的公众舆论内容在一周的评论数量以及评论内容作为第二信息量。然后确定第二信息量在这一周的分布情况，例如：周一至周三该公共事件每天的评论数量为5000次，周四至周五该公共事件每天的评论次数为8000次，周六至周日该公共事件每天的评论次数为6000次。由此得到该公共事件在一周的分布情况(即第一分布情况)，根据第二分布情况能够确定公众对该公共事件的第二关注趋势。

(二)根据第二正文内容确定公众舆论内容的第二主题；

具体的，获取文档主题生成模型，将第二主题内容输入文档主题生成模型，得到第二关键词，将第二关键词作为第二主题。

例如：以上述新能源汽车的补贴政策这一公共事件为例，第二正文内容包括：社交平台上公众对新能源汽车的补贴政策的评论内容。

将第二正文内容输入文档主题生成模型中，得到第二关键词有：

Topic1：续航、政府、补贴、发展、电价、百公里、国产、广汽。

Topic2：车型、设施、消费、技术、电池、成本、电动、发展。

Topic3：品牌、市场、车型、销量、创新、电动、能源、消费者。

(三)根据第二正文内容确定公众舆论内容的第二观点，包括：

具体的，采用TFIDF模型提取第二正文内容的第二多元词组；第二正文内容包括：社交平台上公众对新能源汽车的补贴政策的评论内容。然后将第为正文内容输入TFIDF模型中，得到第二多元词组，第二多元词组可以是：我觉得、我觉得新能源汽车、新能源汽车电池、新能源汽车电池成本等等。

按照预设匹配规则对第二多元词组进行筛选得到第二候选观点，包括：新能源汽车电池、新能源汽车电池成本。然后按照第二候选观点中多元词组的词频进行统计和排序，将满足预设条件的第二候选观点确认为公众舆论内容的第二观点，即新能源汽车电池等。

其中，将满足预设条件的第二候选观点确认为第二观点可以包括：按照第二候选观点的词频由高到低排序，取TOP N个第二候选观点作为第二观点，其中N为大于等于1的整数，且N的值可以根据公共事件确定。本实施例中的词频是指：基于抽取得到的观点，将每个观点的出现次数作为该观点的词频。

(四)根据第二正文内容确定公众舆论内容的情感类型，包括：

获取情感词典，本实施例所指的情感词典为预先定义的，其中包括情感词列表、否定词列表、程度副词列表、特殊标点列表，其中每个列表中包括每一项情感因子以及相应的情感分值。

然后将第二正文内容与情感词典进行匹配了，当第二正文内容中存在情感词典中的情感词时，确定情感词对应的情感分值，根据情感分值确定公众舆论内容的情感类型。

本实施例中，根据情感词前是否存在情感词典中定义的否定词，例如：不，并非等等。情感词前是否存在情感词典中定义的程度副词，例如：很，非常等等。情感词后是否存在情感词典中定义的特殊标点符号，例如：！、？等。

根据上述三个权重确定情感词的分值，作为一个示例：若情感词前存在否定词，权重w1赋值-1；若情感词前位置有程度副词，权重w2赋值为程度副词列表内的程度副词对应的分值；若情感词后有特殊标点，权重w3赋值为特殊标点列表内的该特殊标点对应的分值。

最终根据情感分值确定公众舆论内容的情感类型，例如：情感分值大于0为正面类型，情感分值等于0为中立类型，情感分值小于0为负面类型。

(五)将第二关注趋势、第二主题、第二观点以及情感类型作为第二分析结果。

可选的，对比第一分析结果和第二分析结果确定媒体报道信息与公众舆论内容的差异程度，包括：

对比第一关注趋势与第二关注趋势第一对比结果，对比第一主题与第二主题得到第二对比结果，对比第一观点与第二观点得到第三对比结果，根据第一对比结果、第二对比结果、第三对比结果以及情感类型确定差异程度。

具体的，通过第一对比结果确定公众与媒体的关注趋势是否为同步变化，例如：第一关注趋势与第二关注趋势同步增长或同步下降，则确认当前舆情为正常状态。第一关注趋势呈现下降趋势，第二关注趋势呈现上升趋势，则确认当前舆情为异常状态。

通过第二对比结果确定公众与媒体的所关注的主题是否一致，通过第三对比结果确定公众与媒体对公共事件的观点是否有偏差，例如：公众与媒体所关注的主题一致，例如：主题都为新能源、汽车、补贴，媒体报道信息的观点为：新能源汽车政策的补贴标准退坡，公众舆论内容的观点为：新能源汽车的电池成本。则确认公众与媒体的观点存在偏差。然后确定公众舆论内容的情感类型是正面、负面或中立。

本实施例中，根据差异程度规划公共事件的报道议程，当公众舆论内容与媒体报道信息的差异程度大于预设程度，则确认公众关注的信息与媒体的报道内容存在偏差。

作为一个示例：如果当前舆情为正常状态，公众与媒体的观点存在偏差，公众舆论内容的情感类型为正面，则确认差异程度小于预设程度，此时可以更新公共事件的报道频率。

或，如果当前舆情为异常状态，公众与媒体的观点存在偏差，公众舆论内容的情感类型为负面，则确认差异程度大于预设程度，此时根据公众的观点生成相应的报道信息，并进行发布，以此将公众的意愿进行公开。

另外，通过统计公共事件在一周的变化趋势能够找出关注度和参与度较高的时间点，例如：通过关注度和参与度最高的时间点与某个突发公共事件的发生时间进行验证，能够确定媒体对该公共事件的报道是否及时。

利用本实施例所提出的方法可为公共事件传播过程中的网络媒体议程的设置和合理化调整提供参考。建议网络主流媒体面向公共事件的相关报道内容在客观的表述事实的同时，可针对公众关注焦点等方面进行报道议程的规划，增强受众对某一事件的多方位关注认同感。

综上所述，本方案相较于类似舆情分析和议题设置方案，实现了社交媒体上的公众舆情挖掘和网络媒体报道议程相结合的分析框架，在了解社交媒体舆论趋势的同时，为媒体议程的设置和调整提供有效的参考。

图2为本申请实施例提供的一种面向社交媒体公共言论的情感、话题及观点分析装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图2所示，该装置包括：

获取模块21，用于获取与公共事件对应的媒体报道信息以及公众舆论内容；

分析模块22，用于按照第一预设策略分析媒体报道信息得到第一分析结果，按照第二预设策略分析公众舆论内容得到第二分析结果；

对比模块23，用于对比第一分析结果和第二分析结果确定媒体报道信息与公众舆论内容的差异程度；

更新模块24，用于根据差异程度规划公共事件的报道议程。

本申请实施例还提供一种电子设备，如图3所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。

存储器1503，用于存放计算机程序；

处理器1501，用于执行存储器1503上所存放的计算机程序时，实现上述实施例的步骤。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，P C I)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，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。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例的步骤。

需要说明的是，对于上述装置、电子设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

进一步需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。