本發(fā)明涉及計(jì)算機(jī)應(yīng)用機(jī)器學(xué)習(xí)領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法及其系統(tǒng)。

背景技術(shù)：

微博信息，尤其是某些熱門(mén)話題的評(píng)論信息，對(duì)業(yè)界和科研人員來(lái)說(shuō)都是極其寶貴的參考材料，在觀點(diǎn)挖掘、未來(lái)預(yù)測(cè)等方面都有著極大的參考價(jià)值。

觀點(diǎn)挖掘，也稱為情緒分析，是對(duì)于人們關(guān)于某一實(shí)體的特征、組件、屬性等所產(chǎn)生的觀點(diǎn)、態(tài)度和情緒進(jìn)行挖掘和分析的一種技術(shù)，是自然語(yǔ)言處理學(xué)科中重要的一個(gè)領(lǐng)域，得到了學(xué)術(shù)界和業(yè)界的重視。

結(jié)合產(chǎn)品評(píng)論，觀點(diǎn)挖掘能十分有效地反應(yīng)用戶的對(duì)于某具體事物的具體觀點(diǎn)，具有實(shí)時(shí)性、話題敏感性和多變性的特點(diǎn)。自然語(yǔ)言處理的重要組成部分，也是機(jī)器學(xué)習(xí)中的一個(gè)重要研究領(lǐng)域。同時(shí)，由于微博數(shù)據(jù)的多變性和數(shù)據(jù)規(guī)模的龐大，基于在線數(shù)據(jù)的觀點(diǎn)挖掘一直是研究的熱點(diǎn)和難點(diǎn)。特征抽取是觀點(diǎn)挖掘中的重要環(huán)節(jié)，提取結(jié)果的好壞將直接影響觀點(diǎn)挖掘的結(jié)果好壞。大多數(shù)模型往往對(duì)產(chǎn)品評(píng)論利用監(jiān)督學(xué)習(xí)或半監(jiān)督學(xué)習(xí)來(lái)進(jìn)行特征提取，這需要大量的人力。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少解決上述技術(shù)問(wèn)題之一。

為此，本發(fā)明的一個(gè)目的在于提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法，提升了微博文本分類的效率和正確率。

為了實(shí)現(xiàn)上述目的，本發(fā)明的實(shí)施例公開(kāi)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法，包括以下步驟：S1：獲取微博數(shù)據(jù)；S2：對(duì)所述微博數(shù)據(jù)進(jìn)行預(yù)處理，以去除所述微博數(shù)據(jù)中的無(wú)關(guān)噪聲和重復(fù)數(shù)據(jù)；S3：對(duì)預(yù)處理后的微博數(shù)據(jù)使用Word2vec模型將詞表征為實(shí)數(shù)值向；S4：將不同大小的詞的組合通過(guò)對(duì)應(yīng)大小的濾波器上，通過(guò)前向傳播，生成二維的特征圖；S5：將所述特征圖堆積后進(jìn)行池化，以實(shí)現(xiàn)特征降維；S6：使用Softmax回歸模型對(duì)池化后的特征圖進(jìn)行情緒分類。

進(jìn)一步地，所述預(yù)處理包括：刪除網(wǎng)頁(yè)鏈接、位置信息和重復(fù)的子句；將網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)在遍歷用語(yǔ)詞典獲取對(duì)應(yīng)的文字信息，在遍歷用語(yǔ)詞典后找不著對(duì)應(yīng)含義的網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)進(jìn)行人工標(biāo)注；將表情符號(hào)用對(duì)應(yīng)的文字代替。

進(jìn)一步地，在步驟S4中，通過(guò)以下公式生成所述特征圖：

mi＝W*xi,i+h-1+b,b∈R

Mi＝[m1,m2,...,mi-h+1]

N_i＝ReLU(M_i)＝max(0,M_i)

其中，x為輸入到卷積層的語(yǔ)句的向量表示，b是偏置項(xiàng)，m_i為一個(gè)濾波器輸出函數(shù)，M_i為原始特征，濾波器W∈R^hk，R表示向量空間，h表示窗口大小，k表示維度為k維，Relu為非線性函數(shù)。

進(jìn)一步地，在步驟S5中，使用1-max策略進(jìn)行所述池化。

進(jìn)一步地，在步驟S6中，使用基于OCC模型的ECOCC模型進(jìn)行所述情緒分類。

根據(jù)本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法，用卷積神經(jīng)網(wǎng)絡(luò)算法來(lái)進(jìn)行特征提取和降維，利用上述算法來(lái)抽取詞與詞、語(yǔ)句與語(yǔ)句之間關(guān)系中來(lái)實(shí)現(xiàn)無(wú)監(jiān)督觀點(diǎn)挖掘，提升了微博文本分類的效率和正確率，通過(guò)將微博文本按照事件結(jié)果、主體行為和實(shí)體對(duì)象三大部分，并通過(guò)設(shè)定的事件狀態(tài)與事件標(biāo)準(zhǔn)、行為主體與行為規(guī)范、對(duì)象實(shí)體和實(shí)體標(biāo)準(zhǔn)將微博文本的情緒進(jìn)行分類，形成多層次的情感分類體系可將情緒分為22種，實(shí)現(xiàn)與微博文本進(jìn)行良好的結(jié)合，可以滿足常見(jiàn)的情感類型分類。

為此，本發(fā)明的另一個(gè)目的在于提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類系統(tǒng)，提升了微博文本分類的效率和正確率。

為了實(shí)現(xiàn)上述目的，本發(fā)明的實(shí)施例公開(kāi)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類系統(tǒng)，包括：信息獲取模塊，用于獲取微博數(shù)據(jù)；數(shù)據(jù)預(yù)處理模塊，用于對(duì)所述微博數(shù)據(jù)進(jìn)行預(yù)處理，以去除所述微博數(shù)據(jù)中的無(wú)關(guān)噪聲和重復(fù)數(shù)據(jù)；語(yǔ)句嵌入模塊，用于對(duì)預(yù)處理后的微博數(shù)據(jù)使用Word2vec模型將詞表征為實(shí)數(shù)值向；卷積模塊，用于將不同大小的詞的組合通過(guò)對(duì)應(yīng)大小的濾波器上，通過(guò)前向傳播，生成二維的特征圖；池化模塊，用于將所述特征圖堆積后進(jìn)行池化，以實(shí)現(xiàn)特征降維；分類模塊，用于使用Softmax回歸模型對(duì)池化后的特征圖進(jìn)行情緒分類。

進(jìn)一步地，所述數(shù)據(jù)預(yù)處理模塊進(jìn)一步用于：刪除網(wǎng)頁(yè)鏈接、位置信息和重復(fù)的子句；將網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)在遍歷用語(yǔ)詞典獲取對(duì)應(yīng)的文字信息，在遍歷用語(yǔ)詞典后找不著對(duì)應(yīng)含義的網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)進(jìn)行人工標(biāo)注；將表情符號(hào)用對(duì)應(yīng)的文字代替。

進(jìn)一步地，所述卷積模塊通過(guò)以下公式生成所述特征圖：

mi＝W*xi,i+h-1+b,b∈R

Mi＝[m1,m2,...,mi-h+1]

N_i＝ReLU(M_i)＝max(0,M_i)

其中，x為輸入到卷積層的語(yǔ)句的向量表示，b是偏置項(xiàng)，m_i為一個(gè)濾波器輸出函數(shù)，M_i為原始特征，濾波器W∈R^hk，R表示向量空間，h表示窗口大小，k表示維度為k維，Relu為非線性函數(shù)。

進(jìn)一步地，所述池化模塊使用1-max策略進(jìn)行所述池化。

進(jìn)一步地，所述分類模塊使用基于OCC模型的ECOCC模型進(jìn)行所述情緒分類。

本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類系統(tǒng)與本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法相對(duì)于現(xiàn)有技術(shù)的優(yōu)勢(shì)相同。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法的流程圖；

圖2是本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類系統(tǒng)的結(jié)構(gòu)框圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

參照下面的描述和附圖，將清楚本發(fā)明的實(shí)施例的這些和其他方面。在這些描述和附圖中，具體公開(kāi)了本發(fā)明的實(shí)施例中的一些特定實(shí)施方式，來(lái)表示實(shí)施本發(fā)明的實(shí)施例的原理的一些方式，但是應(yīng)當(dāng)理解，本發(fā)明的實(shí)施例的范圍不受此限制。相反，本發(fā)明的實(shí)施例包括落入所附加權(quán)利要求書(shū)的精神和內(nèi)涵范圍內(nèi)的所有變化、修改和等同物。

以下結(jié)合附圖描述本發(fā)明。

圖1是本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法的流程圖。如圖1所示，根據(jù)本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法，包括以下步驟：

S1：獲取微博數(shù)據(jù)。

具體地，使用網(wǎng)絡(luò)爬蟲(chóng)方法，自動(dòng)定向爬取微博數(shù)據(jù)，即可以實(shí)現(xiàn)針對(duì)用戶的信息獲取，也可以實(shí)現(xiàn)話題(即tag)進(jìn)行話題即相關(guān)評(píng)論抽取。

S2：對(duì)所述微博數(shù)據(jù)進(jìn)行預(yù)處理，以去除所述微博數(shù)據(jù)中的無(wú)關(guān)噪聲和重復(fù)數(shù)據(jù)。

在本發(fā)明的一個(gè)實(shí)施例中，預(yù)處理包括：刪除網(wǎng)頁(yè)鏈接、位置信息和重復(fù)的子句；將網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)在遍歷用語(yǔ)詞典獲取對(duì)應(yīng)的文字信息，在遍歷用語(yǔ)詞典后找不著對(duì)應(yīng)含義的網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)進(jìn)行人工標(biāo)注；將表情符號(hào)用對(duì)應(yīng)的文字代替。

具體地，由于獲取的微博數(shù)據(jù)均直接由評(píng)論原始數(shù)據(jù)直接導(dǎo)出，因此包含大量無(wú)用噪聲。如許多相互重復(fù)的信息以及和預(yù)測(cè)目標(biāo)無(wú)關(guān)的無(wú)用信息，這些信息會(huì)造成最后模型參數(shù)的激增，使得模型訓(xùn)練變得更加困難。另一方面，微博文本是一個(gè)糅合了多種語(yǔ)言形式的文本，例如網(wǎng)絡(luò)流行語(yǔ)、網(wǎng)絡(luò)用語(yǔ)縮寫(xiě)、網(wǎng)頁(yè)鏈接和表情符號(hào)等。有些數(shù)據(jù)類型明顯與情緒情感本身無(wú)關(guān)，因此需要對(duì)數(shù)據(jù)進(jìn)行清洗和篩選。網(wǎng)頁(yè)鏈接、位置信息以及重復(fù)的子句將被刪除，網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)在遍歷了用語(yǔ)詞典后仍找不到的提醒人工標(biāo)準(zhǔn)，表情符號(hào)以文字代替。

S3：對(duì)預(yù)處理后的微博數(shù)據(jù)使用Word2vec模型將詞表征為實(shí)數(shù)值向。

具體地，數(shù)據(jù)的表示方法對(duì)隨后的工作至關(guān)重要。本實(shí)施例應(yīng)用Word2vec模型將詞表征為實(shí)數(shù)值向。其利用深度學(xué)習(xí)的思想，通過(guò)訓(xùn)練，把對(duì)文本內(nèi)容的處理簡(jiǎn)化為K維向量空間中的向量運(yùn)算，而向量空間上的相似度可以用來(lái)表示文本語(yǔ)義上的相似度。

S4：將不同大小的詞的組合通過(guò)對(duì)應(yīng)大小的濾波器上，通過(guò)前向傳播，生成二維的特征圖。

在本發(fā)明的一個(gè)實(shí)施例中，通過(guò)以下公式生成所述特征圖：

mi＝W*xi,i+h-1+b,b∈R

Mi＝[m1,m2,...,mi-h+1]

N_i＝ReLU(M_i)＝max(0,M_i)

其中，x為輸入到卷積層的語(yǔ)句的向量表示，b是偏置項(xiàng)，m_i為一個(gè)濾波器輸出函數(shù)，M_i為原始特征，濾波器W∈R^hk，R表示向量空間，h表示窗口大小，k表示維度為k維，Relu為非線性函數(shù)。

具體地，卷積神經(jīng)網(wǎng)絡(luò)的每一個(gè)神經(jīng)元從上一層的局部接受域得到突觸輸人，因而迫使它提取局部特征。一旦一個(gè)特征被提取出來(lái)，只要它相對(duì)于其他特征的位置被近似地保留下來(lái)，它的精確位置就變得沒(méi)有那么重要了。這個(gè)特性大大提高了語(yǔ)句特征提取及降維的正確率和效率。

mi＝W*xi,i+h-1+b,b∈R

Mi＝[m1,m2,...,mi-h+1]

其中x為輸入到該層的語(yǔ)句的向量表示，b是偏置項(xiàng)，m_i為一個(gè)濾波器輸出函數(shù)，M_i為原始特征。網(wǎng)絡(luò)的每一個(gè)計(jì)算層都是由多個(gè)特征映射組成的，每個(gè)特征映射都是平面的。平面中單獨(dú)的神經(jīng)元在約束下共享相同的突觸權(quán)值集，這種結(jié)構(gòu)形式具有平移不變性益和自由參數(shù)數(shù)量的縮減的效果。使用卷積不僅可以得到特征及特征之間的關(guān)系即相對(duì)位置，還可以彌補(bǔ)前期分詞工作造成的錯(cuò)誤。例如，“棒呆”是一個(gè)含有高興情緒的詞，但是分詞技術(shù)常常將其切分為“棒”和“呆”，與愿意相差甚遠(yuǎn)?！昂谩焙汀跋瘛庇袝r(shí)作為兩個(gè)單獨(dú)的詞連用，表示很相似，而分詞技術(shù)一般講起分為“好像”，意為似乎。卷積通過(guò)1和2及以上大小的濾波器來(lái)彌補(bǔ)以上錯(cuò)誤的發(fā)生。

N_i＝ReLU(M_i)＝max(0,M_i)

使用Relu非線性函數(shù)對(duì)原始特征進(jìn)行特征映射，得到特征圖。

S5：將所述特征圖堆積后進(jìn)行池化，以實(shí)現(xiàn)特征降維。

在本發(fā)明的一個(gè)實(shí)施例中，使用1-max策略進(jìn)行所述池化。

具體地，將每句的特征圖堆積后進(jìn)行池化，進(jìn)行特征降維。通過(guò)提供一固定大小的輸出矩陣，實(shí)現(xiàn)下采樣，保留最顯著的部分。應(yīng)用已經(jīng)通過(guò)實(shí)驗(yàn)證明最優(yōu)性能的1-max策略進(jìn)行池化。該方法實(shí)現(xiàn)了特征映射的輸出對(duì)平移和其他形式的變形的敏感度下降，同時(shí)防止過(guò)擬合。

S6：使用Softmax回歸模型對(duì)池化后的特征圖進(jìn)行情緒分類。

具體地，使用基于概率Softmax回歸模型。該模型利用最小化負(fù)對(duì)數(shù)似然(MR)函數(shù)來(lái)進(jìn)行優(yōu)化。特征圖被平鋪開(kāi)進(jìn)入一個(gè)完全連接的多層神經(jīng)網(wǎng)絡(luò)里(全連接)，計(jì)算原始分類分?jǐn)?shù)。將原始分?jǐn)?shù)送入softmax函數(shù)得到標(biāo)準(zhǔn)化的概率來(lái)進(jìn)行分類。

本發(fā)明的實(shí)施例采用基于OCC模型的ECOCC模型作為層次化分類體系，該模型將微博文本按照事件結(jié)果、主體行為和實(shí)體對(duì)象三大部分，并通過(guò)設(shè)定的事件狀態(tài)與事件標(biāo)準(zhǔn)、行為主體與行為規(guī)范、對(duì)象實(shí)體和實(shí)體標(biāo)準(zhǔn)細(xì)分，并可以識(shí)別一層次的正負(fù)情感，二層次的高興、生氣、悲傷、恐懼和厭惡，以及三層次的22類情緒——希望，高興，自豪，贊賞，喜歡，滿意，感激，慶幸，欣慰，欣喜，滿足，憤恨，憤怒，討厭，責(zé)備，自責(zé)，恐懼，害怕，悲傷，失望，同情，悔恨。

在本發(fā)明的一個(gè)實(shí)施例中，在步驟S6之后還包括：給出機(jī)器所給出的分類結(jié)論，同時(shí)對(duì)分類模塊的結(jié)論進(jìn)行評(píng)判，幫助我們將該模型加以利用和進(jìn)行調(diào)整工作。

根據(jù)本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類方法，用卷積神經(jīng)網(wǎng)絡(luò)算法來(lái)進(jìn)行特征提取和降維，利用上述算法來(lái)抽取詞與詞、語(yǔ)句與語(yǔ)句之間關(guān)系中來(lái)實(shí)現(xiàn)無(wú)監(jiān)督觀點(diǎn)挖掘，提升了微博文本分類的效率和正確率，通過(guò)將微博文本按照事件結(jié)果、主體行為和實(shí)體對(duì)象三大部分，并通過(guò)設(shè)定的事件狀態(tài)與事件標(biāo)準(zhǔn)、行為主體與行為規(guī)范、對(duì)象實(shí)體和實(shí)體標(biāo)準(zhǔn)將微博文本的情緒進(jìn)行分類，形成多層次的情感分類體系可將情緒分為22種，實(shí)現(xiàn)與微博文本進(jìn)行良好的結(jié)合，可以滿足常見(jiàn)的情感類型分類。

圖2是本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類系統(tǒng)的結(jié)構(gòu)框圖。如圖2所示，根據(jù)本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類系統(tǒng)，包括：信息獲取模塊210、數(shù)據(jù)預(yù)處理模塊220、語(yǔ)句嵌入模塊230、卷積模塊240、池化模塊250和分類模塊260。

其中，信息獲取模塊210用于獲取微博數(shù)據(jù)。數(shù)據(jù)預(yù)處理模塊220用于對(duì)所述微博數(shù)據(jù)進(jìn)行預(yù)處理，以去除所述微博數(shù)據(jù)中的無(wú)關(guān)噪聲和重復(fù)數(shù)據(jù)。語(yǔ)句嵌入模塊230用于對(duì)預(yù)處理后的微博數(shù)據(jù)使用Word2vec模型將詞表征為實(shí)數(shù)值向。卷積模塊240用于將不同大小的詞的組合通過(guò)對(duì)應(yīng)大小的濾波器上，通過(guò)前向傳播，生成二維的特征圖。池化模塊250用于將所述特征圖堆積后進(jìn)行池化，以實(shí)現(xiàn)特征降維。分類模塊260用于使用Softmax回歸模型對(duì)池化后的特征圖進(jìn)行情緒分類。

據(jù)本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類系統(tǒng)，用卷積神經(jīng)網(wǎng)絡(luò)算法來(lái)進(jìn)行特征提取和降維，利用上述算法來(lái)抽取詞與詞、語(yǔ)句與語(yǔ)句之間關(guān)系中來(lái)實(shí)現(xiàn)無(wú)監(jiān)督觀點(diǎn)挖掘，提升了微博文本分類的效率和正確率，通過(guò)將微博文本按照事件結(jié)果、主體行為和實(shí)體對(duì)象三大部分，并通過(guò)設(shè)定的事件狀態(tài)與事件標(biāo)準(zhǔn)、行為主體與行為規(guī)范、對(duì)象實(shí)體和實(shí)體標(biāo)準(zhǔn)將微博文本的情緒進(jìn)行分類，形成多層次的情感分類體系可將情緒分為22種，實(shí)現(xiàn)與微博文本進(jìn)行良好的結(jié)合，可以滿足常見(jiàn)的情感類型分類。

在本發(fā)明的一個(gè)實(shí)施例中，數(shù)據(jù)預(yù)處理模塊220進(jìn)一步用于：刪除網(wǎng)頁(yè)鏈接、位置信息和重復(fù)的子句；將網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)在遍歷用語(yǔ)詞典獲取對(duì)應(yīng)的文字信息，在遍歷用語(yǔ)詞典后找不著對(duì)應(yīng)含義的網(wǎng)絡(luò)流行語(yǔ)及網(wǎng)絡(luò)縮寫(xiě)進(jìn)行人工標(biāo)注；將表情符號(hào)用對(duì)應(yīng)的文字代替。

在本發(fā)明的一個(gè)實(shí)施例中，卷積模塊240通過(guò)以下公式生成所述特征圖：

mi＝W*xi,i+h-1+b,b∈R

Mi＝[m1,m2,...,mi-h+1]

N_i＝ReLU(M_i)＝max(0,M_i)

其中，x為輸入到卷積層的語(yǔ)句的向量表示，b是偏置項(xiàng)，m_i為一個(gè)濾波器輸出函數(shù)，M_i為原始特征，濾波器W∈R^hk，R表示向量空間，h表示窗口大小，k表示維度為k維，Relu為非線性函數(shù)。

在本發(fā)明的一個(gè)實(shí)施例中，池化模塊250使用1-max策略進(jìn)行所述池化。

在本發(fā)明的一個(gè)實(shí)施例中，分類模塊260使用基于OCC模型的ECOCC模型進(jìn)行所述情緒分類。

另外，本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的中文微博文本情緒分類系統(tǒng)的其它構(gòu)成以及作用對(duì)于本領(lǐng)域的技術(shù)人員而言都是已知的，為了減少冗余，不做贅述。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同限定。