基于关系导向的实体关系联合抽取方法及系统与流程

1.本发明属于自然语言处理技术领域，特别涉及一种基于关系导向的实体关系联合抽取方法及系统。


背景技术：

2.随着大数据时代的到来，互联网上无时无刻不在产生着大量的数据，这些数据大多以非结构化的形式存在，如何将海量的非结构化数据中转变为结构化信息是目前备受关注的问题。信息抽取技术在此背景下应运而生。信息抽取技术指的是从自然语言文本中自动化地抽取出事件、实体和关系等信息，并以结构化形式输出的技术。实体关系抽取作为信息抽取的子任务，目的是识别文本中的实体，以及实体之间的关系，并以三元组的形式表示(头实体，关系，尾实体)。实体关系三元组是知识图谱的基本构成单元，实体关系抽取不仅在知识图谱中具有重要的意义，在智能搜索、自动问答、人物画像等应用中也具有重要的研究价值。
3.早期的基于规则和传统机器学习的方法需要人工定义很多规则和特征，需要大量的专家知识，领域迁移能力差，无法应对大规模的实体关系抽取。随着深度学习技术的发展，神经网络可以自动提取特征，节省了大量的人工成本且具有良好的领域迁移能力，能够有效应对大规模的实体关系抽取，越来越多的研究者采用深度学习技术进行实体关系抽取。基于深度学习的实体关系抽取早期采用流水线式的抽取框架，即将该任务分解为实体识别和关系分类两个子任务，首先识别文本中所有的实体，然后对实体对之间的关系类型进行分类。虽然实体识别和关系分类可以独立自由选择模型，具有较强的灵活性，但这类方法存在一些缺点：错误传播，在实体识别不准确的情况下，会对接下来的关系分类任务会造成影响；忽视了实体识别和关系分类两个任务之间的内在联系；产生冗余实体对，由于要对实体的实体两两进行配对，然后分类它们的关系类型，n个实体就会产生n2个实体对，这其中大量的实体对是没有关系的，这些冗余的实体对会对关系分类器造成影响。


技术实现要素：

4.为此，本发明提供一种基于关系导向的实体关系联合抽取方法及系统，先抽取文本中所包含关系类型，再识别关系类型所对应实体，减少对无关实体的关注，避免抽取冗余实体，解决实体重叠问题，使实体关系抽取更加准确，便于实际场景应用。
5.按照本发明所提供的设计方案，一种基于关系导向的实体关系联合抽取方法，包含如下内容：
6.对目标文本中句子进行编码，获取目标文本中句子向量表示；
7.针对句子向量表示，利用关系抽取模块抽取目标文本中所包含的关系类型；
8.将抽取的关系类型作为先验知识与目标文本句子中词向量表示进行融合，利用实体识别模块来识别目标文本中与抽取的关系类型对应的实体。
9.作为本发明基于关系导向的实体关系联合抽取方法，进一步地，采用预训练的
bert模型对目标文本中句子进行编码，获取目标文本中各单词嵌入词向量，并通过捕捉句子特征生成句子上下文的向量表示。
10.作为本发明基于关系导向的实体关系联合抽取方法，进一步地，在目标文本中句子句首添加分类标识符，将添加分类标识符的句子作为bert模型输入，通过bert模型进行编码，获取输出的句子向量表示。
11.作为本发明基于关系导向的实体关系联合抽取方法，进一步地，关系抽取模型中，通过采用sigmoid函数将关系抽取建模为多标签二元分类任务，来识别并输出句子向量表示中的多种关系类型。
12.作为本发明基于关系导向的实体关系联合抽取方法，进一步地，多标签二元分类任务表示为：p
r
＝σ(w
r
·
h
cls
b
r
)，其中，p
r
为输出的关系类型标签，w
r
∈r
n
×
d
，n为总关系类型数量，d为句子向量表示维度大小，b
r
为偏置向量，σ表示sigmoid函数，h
cls
为句子向量。
13.作为本发明基于关系导向的实体关系联合抽取方法，进一步地，关系抽取模型损失函数采用二分类交叉熵函数，该二分类交叉熵函数表示为：
14.其中，y
i
为真实关系类型标签。
15.作为本发明基于关系导向的实体关系联合抽取方法，进一步地，针对抽取的多种关系类型(r1,r2,...,r
m
)，m为抽取的关系数量，根据索引利用查表法进行编码，获取关系类型编码向量，将句子中词向量表示和关系类型编码向量叠加融合，以利用实体识别模块输出与抽取的关系类型对应的实体。
16.作为本发明基于关系导向的实体关系联合抽取方法，进一步地，将抽取的关系类型和目标文本句子中词向量表示叠加融合，作为实体识别模块输入向量，基于抽取的关系类型分别采用二进制指针标记关系类型对应的实体位置，依据实体位置获取关系类型对应的实体三元组(头实体，关系，尾实体)。
17.作为本发明基于关系导向的实体关系联合抽取方法，进一步地，标记实体位置中，采用两个相同二元分类器对头实体和尾实体进行解码，其中一个分类器标记实体开始位置，另一个分类器标记实体结束位置，对输入向量每个单词分配一个二进制标签并检测单词作为实体开始和结束位置的概率，并依据就近原则，选取与开始位置最近距离的结束位置来生成关系类型对应的实体。
18.进一步地，本发明还提供一种基于关系导向的实体关系联合抽取系统，包含：句子编码模块、关系抽取模块及实体识别模块，其中，
19.句子编码模块，用于对目标文本中句子进行编码，获取目标文本中句子向量表示；
20.关系抽取模块，用于针对句子向量表示，利用关系抽取模块抽取目标文本中所包含的关系类型；
21.实体识别模块，用于将抽取的关系类型作为先验知识与目标文本句子中词向量表示进行融合，利用实体识别模块来识别目标文本中与抽取的关系类型对应的实体。
22.本发明的有益效果：
23.本发明首先通过关系抽取模块抽取文本中所包含的关系类型，然后将预先抽取的关系类型融入实体识别模块中，减少对无关实体的关注，避免抽取冗余实体，进而对识别出的多个关系类型分别识别其对应的实体对，解决实体重叠问题，最终抽取出句子中所包含
的全部实体关系三元组，提升实体关系识别准确度。并进一步结合在duie数据集上的实验结果表明，包含关系抽取模块和实体识别模块的实体关系联合抽取模型f1值能够达到78.4％，比基线模型的f1值提高了1
‑
28个百分点，具有较好的应用前景。
附图说明：
24.图1为实施例中基于关系导向的实体关系联合抽取方法流程示意；
25.图2为实施例中实体重叠示意；
26.图3为实施例中实体关系联合抽取模型示意；
27.图4为实施例中数据集示例；
28.图5为实施例中实体重叠实验结果示意；
29.图6为实施例中实体冗余实验结果示意。
具体实施方式：
30.为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
31.实体关系抽取是信息抽取的基本任务，旨在从非结构化数据中抽取三元组。目前的联合抽取方法大多采取先识别实体再抽取关系的思路，存在实体重叠和实体冗余问题。本发明实施例，参见图1所示，提供一种基于关系导向的实体关系联合抽取方法，包含如下内容：
32.s101、对目标文本中句子进行编码，获取目标文本中句子向量表示；
33.s102、针对句子向量表示，利用关系抽取模块抽取目标文本中所包含的关系类型；
34.s103、将抽取的关系类型作为先验知识与目标文本句子中词向量表示进行融合，利用已实体识别模块来识别目标文本中与抽取的关系类型对应的实体。
35.为了解决流水线方法的弊端，通过实体关系联合抽取框架，实体识别和关系分类两个子任务共享底层文本编码层，使得两个任务在训练过程中相互促进，达到任务交互的目的，但是在解码时仍然是先识别实体，再分类关系，存在错误传播和冗余实体问题。并进一步，有利用统一实体和关系的联合标注框架，把实体关系抽取看作是一个序列标注问题，将实体标签和关系标签统一进行编码，同时解码出实体和关系，但是由于每个单词只会被分配一种标签，该方法忽视了实体重叠问题。实体重叠指的是在文本中有多个三元组的情况下，三元组中的实体之间可能会出现重复的情况，具体包括单个实体重叠和实体对重叠。单个实体重叠指的是某个实体与其它多个实体具有关系，实体对重叠指的是同一实体对具有多重关系。如图2所示，singleentityoverlap(seo)中单个实体“微笑”与实体“刘导”和实体“小张”都具有关系，entitypairoverlap(epo)中实体对(离开，小明)同时具有“作曲”和“歌手”两个关系。并进一步，有利用带有复制机制的序列到序列来解决实体重叠问题，但是由于该方法在识别实体的过程中只能从句子中复制单个单词，因此无法识别多词实体。还有利用头实体导向的级联抽取模型，即先抽取头实体，再对每种关系抽取其尾实体，这种抽取方案很好地解决了实体重叠问题，但是需要对抽取的所有头实体对应的每种关系都进行尾实体的提取，且头实体对应的很多关系并无尾实体，存在提取冗余实体的问题。由自然语言的特点可知，关系通常可以通过句子语境获得，而不依赖于实体。例如，可直接从“《a》是
由张导执导的悬疑谍战片”通过“执导”一词，可以直接得到句子中包含导演关系，而不依赖于具体的实体。本案方案中，先抽取文本中所包含的关系类型，再识别关系所对应实体的联合抽取模型，通过将抽取的关系融入实体识别模块中，减少对无关实体的关注，避免抽取冗余实体，解决实体重叠问题，提升实体关系识别准确度，便于实际场景应用。
36.作为本发明实施例中基于关系导向的实体关系联合抽取方法，进一步地，采用预训练的bert模型对目标文本中句子进行编码，获取目标文本中各单词嵌入词向量，并通过捕捉句子特征生成句子上下文的向量表示。进一步地，在目标文本中句子句首添加分类标识符，将添加分类标识符的句子作为bert模型输入，通过bert模型进行编码，获取输出的句子向量表示。进一步地，关系抽取模块中，通过采用sigmoid函数将关系抽取建模为多标签二元分类任务，来识别并输出句子向量表示中的多种关系类型。
37.对于一个给定的句子s＝{w1,w2,...,w
n
}，w
i
表示句子s中的第i个单词，以及预定义的关系集合r，实体关系抽取的任务是抽取出句子s中的所有可能三元组(h,r,t)，(h,t)表示句子中的实体对，h表示头实体，t表示尾实体，r代表它们之间的关系类型，r∈r。
38.实体关系抽取的目的是尽可能地抽取出句子中存在的三元组，不同的三元组中实体之间可能有重叠。不同于实体导向的级联抽取方法，可将抽取方案建模如下：
39.p((h,r,t)|s)＝p(r|s)p((h,t)|r,s)
40.根据此方案构造的联合抽取模型将实体关系抽取分解成p(r|s)和p((h,t)|r,s)两个部分。p(r|s)首先抽取出句子s中的关系类型r，p((h,t)|r,s)在抽取出的特定关系r的基础上，结合句子s，识别出此关系类型所对应的实体对(h,t)。
41.随着预训练语言模型提出，许多自然语言处理任务都取得了突破性进展，尤其是bert模型的出现，不断在各自然语言处理任务中取得sota的效果。基于自注意力机制在大规模语料上训练的bert模型包含了丰富的语义信息，为下游的任务提供了很好的基础。为了更好地捕获句子特征，可采用预训练的bert模型对句子进行编码，作为后续关系分类和实体识别的基础。对于一个句子s，在句首添加[cls]标识符，得到bert模型的输入如下：
[0042]
s'＝{[cls],w1,w2,...,w
n
}
[0043]
[cls]为分类标识符，w
i
表示句子中的单词，n为原句子长度，则添加特殊标识符后的句子s'长度为n 1。将句子s'通过bert模型进行编码，获取bert模型的最后一层输出向量：
[0044]
h
w
＝[h
cls
,h1,h2,...,h
n
]
[0045]
h
cls
表示[cls]标识符编码后的向量表示，h
i
表示句子中单词w
i
编码后的向量表示。h
cls
，h
i
维度相同，即h
cls
∈r
d
，h
i
∈r
d
，d是bert编码的维度大小。
[0046]
与实体导向的级联式抽取方法不同，rojer模型先检测句子中所包含的关系类型，将关系类型作为先验知识帮助进行实体识别，有助于避免抽取冗余实体的问题。不同的句子含有的关系数量不同，一个句子也可能包含多个关系，检测句子中的关系可以看做是一个多标签分类问题。编码后的[cls]标识符向量h
cls
聚合了句子的特征信息，常用来对句子执行一些分类任务。可利用h
cls
向量对句子所包含的关系进行抽取。由于句子可能含由多个关系，采用sigmoid函数将其建模为一个多标签二元分类任务，当包含某种关系时，其对应位置的标签赋为1，反之则被赋值为标签0。
[0047]
p
r
＝σ(w
r
·
h
cls
b
r
)
[0048]
w
r
∈r
n
×
d
，b
r
为偏置向量，n为总的关系类型的数量，σ表示sigmoid函数。
[0049]
对于句子中识别出的多种关系类型(r1,r2,...,r
m
)，m为识别出的关系数量，根据其索引采用查表法获取其编码1≤j≤m，以便融合句子编码进行对应实体识别。查找表采用随机的方式进行参数初始化，并随着训练过程不断更新。
[0050]
此分类任务为二分类，采用的是sigmoid函数，因此损失函数为二分类交叉熵。
[0051][0052]
n为关系类型的数量，y
i
为训练集中的真实关系标签。
[0053]
作为本发明实施例中基于关系导向的实体关系联合抽取方法，进一步地，将抽取的关系类型和目标文本中句子向量表示叠加融合，作为实体识别模块输入向量，基于抽取的关系类型分别采用二进制指针标记关系类型对应的实体位置，依据实体位置获取关系类型对应的实体三元组(头实体，关系，尾实体)。进一步地，标记实体位置中，采用两个相同二元分类器对头实体和尾实体进行解码，其中一个分类器标记实体开始位置，另一个分类器标记实体结束位置，对输入向量每个单词分配一个二进制标签并检测单词作为实体开始和结束位置的概率，并依据就近原则，选取与开始位置最近距离的结束位置来生成关系类型对应的实体。
[0054]
既定关系下的实体识别模块旨在抽取句子中一个既定关系所对应的实体对。实体识别的输入向量由关系分类所识别出的关系类型编码和句子中单词编码叠加构成，以便将所获得的关系类型先验知识融入实体识别中，减少对此关系类型无关的实体的关注，避免抽取冗余实体，提高实体识别的效果。
[0055][0056]
h
i
表示bert编码后的单词向量，表示通过查表获取的关系类型编码向量。h
i
∈r
d
，l为关系类型编码的维度大小。
[0057]
头实体和尾实体的解码方法分别采用两个相同的二元分类器。一个分类器用来标识实体的开始位置，记为start，一个分类器用来标记实体的结束位置，记为end。通过给每个单词分配一个二进制标签，分别检测实体的开始和结束位置。如果一个单词为实体的开始或结束位置，则标记为1，否则为0。
[0058][0059][0060][0061][0062]
表示句子中第i个单词作为头实体开始和结束位置的概率，表示句子中第i个单词作为尾实体开始和结束位置的概率。若概率大于所设定阈值，则对应位置标记为1，否则标记为0。维度相同，都为r
n
×
(d l)
，为偏置向量。对于句子中含有多个相同关系的情况，在抽取
实体时，采用就近原则的方法，即对于开始位置，匹配右侧离它最近的结束位置生成实体。由于不同的关系类型抽取实体的过程彼此独立，因此对于不同的关系类型，能够识别出相同的实体或实体对，避免了实体重叠问题。
[0063]
实体的解码方法同样采用的sigmoid函数，损失函数同为二分类交叉熵。
[0064][0065]
n为句子长度，表示句子中第i个单词作为头实体或尾实体的开始或结束位置的真实标签。
[0066]
为实现关系导向的实体关系联合抽取，本案方案基于上述方法可通过构造实体导向的联合抽取模型rojer架构，参见图3所示，包括句子编码、关系抽取和实体识别三个模块。句子编码模块采用bert模型对句子进行编码，获取句子向量和每个单词的向量表示；关系抽取模块利用句子向量进行多标签分类，抽取出句子所包含的关系类型；实体识别模块基于已抽取的关系类型，识别相对应的头实体和尾实体。利用该联合抽取模型架构，可先抽取关系，再识别对应实体，相对于实体导向的联合抽取方法，能够将预先抽取的关系信息融入实体识别中，使实体识别模块减少了对此关系类型无关实体的关注，避免了抽取冗余实体，提高实体识别的效果。并且，在实体识别的过程中，同一实体或实体对可以被不同的关系类型多次识别，因此避免了实体重叠问题。在模型联合训练时，可通过损失函数的联合训练，使实体识别和关系抽取产生交互，增强模块之间的内在联系。总的损失函数包括关系抽取和实体识别两个部分，将各模块的损失函数相加得到模型的联合损失函数。通过联合训练，最小化损失函数学习模型中的各个参数：
[0067]
l＝l
rel
l
ent
[0068]
进一步地，基于上述的方法，本发明实施例还提供一种基于关系导向的实体关系联合抽取系统，包含：句子编码模块、关系抽取模块及实体识别模块，其中，
[0069]
句子编码模块，用于对目标文本中句子进行编码，获取目标文本中句子向量表示；
[0070]
关系抽取模块，用于针对句子向量表示，利用关系抽取模块抽取目标文本中所包含的关系类型；
[0071]
实体识别模块，用于将抽取的关系类型作为先验知识与目标文本句子中词向量表示进行融合，利用已训练的实体识别模型来识别目标文本中与抽取的关系类型对应的实体。
[0072]
为验证本案方案有效性，下面结合实验数据做进一步解释说明：
[0073]
使用duie数据集来训练和测试本案中rojer模型架构。duie数据集中的所有句子均来源于百度百科和百度新闻语料，共有214739条实例及49种关系类型，其中训练集173108条实例，验证集21639条实例，测试集19992条实例，每条数据包含语句文本以及从句子中标注的一个或多个三元组。该数据集注释了458184个三元组，涵盖了normal、epo、seo三种类型的三元组数据，因此可以用来验证本案模型架构在实体重叠问题上的表现。由于测试集未公布，在训练集中随机选取10％作为验证集，其余90％作为训练集，而原验证集作为测试集。拆分后的数据集以及实体重叠情况统计如表1所示。
[0074]
表1数据集统计情况
[0075][0076]
从统计情况可以看出，数据集中有大量的实体重叠情况，且存在一个句子样本中即有单个实体重叠又有实体对重叠的情况。例如在测试集中，有347个句子实例同时存在两种重叠情况，实体关系抽取情况比较复杂。在图4所示的数据集示例中，实体“莫维”与实体“科威特”属于实体对重叠的情况，同时又与“1988年07月11日”属于单个实体重叠情况。
[0077]
采用关系抽取中常用的准确率、召回率、f1值作为评价指标。只有当所抽取的三元组中头实体、关系类型和尾实体都与标注完全一致时，该三元组才被判定为正确。计算公式如下。
[0078][0079][0080][0081]
tp表示正样本判定为正的样本数，fp表示负样本判定为正的样本数，fn表示正样本判定为负的样本数，这里的样本指的是三元组。
[0082]
模型架构实现可基于huggingface’s transformers库，采用的bert中文预训练语言模型为“bert
‑
base
‑
chinese”。实验环境如表2所示。
[0083]
表2实验环境
[0084][0085]
模型的超参数设置如表3所示。
[0086]
表3超参数设置
[0087][0088]
选取一些模型作为对比，这些模型涵盖管道式模型和联合抽取模型，其中联合抽取模型包括一次解码、独立解码和级联解码的抽取模型。五种对比模型的基本原理如下。
[0089]
(1)pipeline：此模型为管道式模型，实体识别模型采用序列标注的方法识别句子中的所有实体，关系分类模型利用bert编码后的句子向量和实体向量对实体之间的关系进行分类。
[0090]
(2)noveltagging：一种联合解码模型，该模型将实体标签和关系标签统一进行编码，能够同时解码出实体和关系，但是存在实体重叠问题。
[0091]
(3)mhs(multi
‑
head selection)：多头选择的联合抽取模型，采用crf对实体的标签进行预测，通过multi
‑
head selection抽取关系和实体，以解决实体重叠问题。
[0092]
(4)spert(span
‑
based entity and relation transformer)：先识别实体，然后融合实体以及实体之间的上下文进行关系分类。两个任务共享底层编码。
[0093]
(5)casrel(cascade binary tagging framework)：一种实体导向的级联抽取模型，采用先抽取头实体，然后再对每种关系识别其尾实体的抽取方法。
[0094]
各模型在数据集上的表现如表4所示。
[0095]
表4duie数据集实验结果
[0096][0097]
结果表明，rojer模型好于其他对比模型。
[0098]
1)noveltagging模型采用实体关系统一编码，不需要多次解码，因此准确率较高，但是由于不能处理实体重叠问题，召回率较低。本案rojer模型架构能够解决实体重叠问
题，在召回率上比noveltagging提升了38.5％，f1值提升了28.1％。
[0099]
2)pipeline模型虽然是管道式抽取方法，但底层编码采用了bert，f1值比静态词向量的noveltagging模型和mhs模型有较大提高。rojer模型同样采用bert作为编码器，f1值大幅提升，说明了预训练的bert模型语义表达能力好于词向量。
[0100]
3)spert模型、casrel模型和本案rojer模型架构都属于基于bert的联合抽取模型，效果好于pipeline模型，说明联合抽取模型能够缓解管道式模型存在的错误传播和任务交互等问题。
[0101]
4)casrel模型采用先抽取头实体，再对每种关系预测尾实体的方法在各个指标上都优于先识别实体再分类关系的spert模型。相比于目前先进的casrel模型，rojer模型在准确率、召回率、和f1值分别提高1.9％、0.7％和1.2％，说明本案模型采用先抽取关系，后对识别出的关系预测相应实体的方法，能够提高三元组抽取的效果。
[0102]
实体重叠实验结果：为了检验模型应对实体重叠问题的能力，将测试数据区分为实体未重叠(normal)、单个实体重叠(seo)和实体对重叠(epo)三类，分别在每类数据上做了实验。实验结果如图5所示，从图中可以看出，noveltagging模型由于只能给每个单词预测一个实体关系标签，因此在单个实体重叠和实体对重叠中f1值都比较低。pipeline模型和spert模型同属于先识别所有实体，再抽取实体间关系的框架，对于同一实体对只能预测一种关系，因此在实体对重叠情况中表现较差。mhs模型、casrel模型和本案rojer模型架构都能够解决两种实体重叠问题，在三类情况中表现比较均衡。相比而言，本案中模型架构对预先抽取的多个关系类别分别识别其相应实体的方法更具有优势。
[0103]
为了验证模型在解决实体冗余问题上的效果，各模型的抽取结果的详细情况如图6所示，从图中可以看出，由于数据集中存在大量的实体重叠情况，noveltagging模型不能够解决实体重叠问题，因此抽取的三元组和正确的三元组数量都比较少。spert模型与pipeline模型都属于先识别句子中实体，再抽取实体间关系的方法，其中spert模型为共享参数式联合抽取模型，相比于pipeline模型，抽取出的三元组数量更少，但抽取出的三元组中，正确的三元组数量更多，表明联合抽取模型spert能够缓解pipeline这种管道式模型的实体冗余问题。与先进的casrel模型相比，rojer模型同样抽取出的三元组更少且正确率更高，表明本案rojer模型架构先抽取句子中的关系类型，然后将关系类型先验知识融入实体识别中，减少了实体识别模块对无关实体的关注，避免了抽取冗余实体。
[0104]
实体关系抽取技术能够从非结构化文本中自动提取三元组，是知识图谱等自然语言应用的基础。本案方案实验中，针对三元组抽取过程中实体冗余和实体重叠问题，利用rojer模型先识别句子中包含的所有关系类型，再将所识别的关系类型融入实体识别过程中，在指定关系下进行对应实体识别减少了无关实体的干扰，避免了实体冗余问题，通过指针标注的方式分别标注头尾实体的开始位置和结束位置，识别出相应关系类型所对应的实体对，解决了实体重叠问题。在duie数据集上的f1值达到了78.4％，优于相关对比模型，抽取结果表明本案模型架构有效解决了实体冗余和实体重叠问题。
[0105]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
[0106]
基于上述的方法和/或系统，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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上述的方法。
[0107]
基于上述的方法和/或系统，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。
[0108]
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
[0109]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0110]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。