用于语音识别模型的训练集生成的制作方法

用于语音识别模型的训练集生成
1.相关申请和优先权要求的交叉引用
2.本技术要求2019年10月21日提交的标题为“用于语音识别模型的最优pii安全训练集生成(optimal pii-safe training set generation for speech recognition model)”的美国临时专利申请号62/923,906和2019年12月19日提交的标题同样为“用于语音识别模型的最优pii安全训练集生成(optimal pii-safe training set generation for speech recognition model)”的欧洲专利申请号19218256.6的优先权，所述专利申请的内容并入本文。


背景技术：

3.本发明整体涉及数据收集领域。更具体地，本发明涉及用于针对机器学习训练模型以最佳方式改进数据的系统和方法。
4.在现代世界，随着技术的进步，人工智能(ai)系统在行业的各个领域发挥更大的作用。ai系统需要大量数据，并且基于具有训练阶段的机器学习技术。训练模型需要大量数据作为输入，以便提供良好的结果。数据越多样化，机器学习系统的结果就越好。需要向ai训练模型提供大量数据是不断面临的挑战。
5.数据收集领域的另一个挑战是隐私保护挑战。隐私条例，诸如欧盟通用数据保护条例(gpdr)，对侵犯隐私的公司处以巨额罚款。为了避免使用用户的私人信息，需要在数据离开客户(呼叫中心)现场之前从数据中去除所有私人信息。


技术实现要素：

6.结合系统、工具和方法描述和说明以下实施方案及其方面，该系统、工具和方法旨在为示例性和说明性的，并且范围不受限制。
7.在一个实施方案中，提供了一种方法，该方法包括：接收一个或多个音频文件作为输入；将经训练的语音识别算法应用于一个或多个音频文件，以获得与该一个或多个音频文件中的每个音频文件对应的经识别的语音；从一个或多个音频文件中的每个音频文件选择具有指定句法模式的一个或多个部分；该一个或多个音频文件基于以下中的至少一者来过滤该选定部分：(i)该部分中的每个部分的内容，(ii)该部分中的每个部分的持续时间，和(iii)分配给该部分中的每个部分的置信度得分；获得该部分中的每个部分的转录；以及在训练集上重新训练经训练的语音识别算法，该训练集包括：(iv)与经过滤的选定部分对应的经识别的语音，和(v)与经过滤的选定部分对应的转录。
8.在一个实施方案中，还提供了一种包括至少一个硬件处理器的系统；和非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有程序指令，该程序指令可由至少一个硬件处理器执行以：接收一个或多个音频文件作为输入，将经训练的语音识别算法应用于一个或多个音频文件，以获得与一个或多个音频文件中的每个音频文件对应的经识别的语音，从一个或多个音频文件中的每个音频文件选择具有指定句法模式的一个或多个部分，该一个或多个音频文件基于以下中的至少一者来过滤选定部分：(i)该部分中的每个
部分的内容，(ii)该部分中的每个部分的持续时间，和(iii)分配给该部分中的每个部分的置信度得分；获得该部分中的每个部分的转录；以及在训练集上重新训练经训练的语音识别算法，该训练集包括：(iv)与经过滤的选定部分对应的经识别的语音，和(v)与经过滤的选定部分对应的转录。
9.在一个实施方案中，还提供了一种计算机程序产品，该计算机程序产品包括非暂态计算机可读存储介质，该非暂态计算机可读存储介质包含程序指令，该程序指令可由至少一个硬件处理器执行以接收一个或多个音频文件作为输入、将经训练的语音识别算法应用于一个或多个音频文件以获得与一个或多个音频文件中的每个音频文件对应的经识别的语音，从一个或多个音频文件中的每个音频文件选择具有指定句法模式的一个或多个部分，该一个或多个音频文件基于以下中的至少一者来过滤该选定部分：(i)该部分中的每个部分的内容，(ii)该部分中的每个部分的持续时间，和(iii)分配给该部分中的每个部分的置信度得分；获得该部分中的每个部分的转录；以及在训练集上重新训练经训练的语音识别算法，该训练集包括：(iv)与经过滤的选定部分对应的经识别的语音，和(v)与经过滤的选定部分对应的转录。
10.在一些实施方案中，内容过滤器被配置成基于将该部分与内容数据库进行匹配来过滤该选定部分。在一些实施方案中，内容数据库包括个体的个人识别信息。在一些实施方案中，内容过滤器被配置成过滤具有与选定部分中的另一个选定部分相同的识别内容的选定部分中的至少一些选定部分。在一些实施方案中，内容过滤器被配置成过滤包括数字串的选定部分。
11.在一些实施方案中，持续时间过滤器被配置成过滤具有介于4秒与6秒之间的持续时间的选定部分。在一些实施方案中，置信度得分由经训练的语音识别算法分配，并且其中置信度得分过滤器被配置成过滤具有介于0.7与0.9之间的置信度得分的选定部分。在一些实施方案中，一个或多个音频文件是来自呼叫中心的呼叫记录。
12.在一个实施方案中，还提供了一种方法，该方法包括：接收音频文件作为输入(下文称为“输入音频文件”)；将经训练的语音识别算法应用于输入音频文件以获得与输入音频文件中的每个输入音频文件对应的经识别的语音；从输入音频文件的经识别的语音中选择具有指定句法模式的一个或多个部分(下文称为“选定部分”)；过滤选定部分以导出经过滤的一组选定部分，其中过滤基于以下中的至少一者：选定部分中的每个选定部分的内容；选定部分中的每个选定部分的持续时间；和分配给选定部分中的每个选定部分的置信度得分；为经过滤的一组选定部分中的选定部分中的每个选定部分创建训练音频文件，其中训练音频文件中的每个训练音频文件包括与经过滤的一组选定部分中的选定部分中特定的一个选定部分有关的输入音频文件的一部分；针对训练音频文件中的每个训练音频文件获得训练转录；以及在训练集上重新训练经训练的语音识别算法，该训练集包括针对经过滤的一组选定部分中的选定部分中的每个选定部分的训练音频文件和对应的训练转录。
13.在一些实施方案中，基于与选定部分中的每个选定部分相关联的通道来过滤选定部分。通道过滤器可以被配置成基于确定与选定部分中的第一选定部分的通道相关联的说话者与选定部分中的第二选定部分的通道相关联的说话者相同来防止选定部分中的第一选定部分被包括在经过滤的一组选定部分中。
14.在一些实施方案中，该过滤基于选定部分中的每个选定部分的内容。内容过滤器
可以被配置成基于将选定部分的内容与存储在内容数据库内的内容进行匹配来过滤选定部分。内容数据库内的内容可以包括个体的个人识别信息。个人识别信息可以包括私人信息，该私人信息包括以下中的至少一者：信用卡号；和个人id号。
15.在一些实施方案中，该过滤基于选定部分中的每个选定部分的内容。内容过滤器可以被配置成基于确定选定部分中的第一选定部分的内容与选定部分中的第二选定部分的内容基本上相同来防止选定部分中的第一选定部分被包括在经过滤的一组选定部分中。
16.在一些实施方案中，该过滤基于选定部分中的每个选定部分的内容。内容过滤器可以被配置成基于数字串来过滤选定部分。
17.在一些实施方案中，该过滤基于选定部分中的每个选定部分的持续时间。持续时间过滤器可以被配置成过滤选定部分，使得被包括在经过滤的一组选定部分内的选定部分中的选定部分包括介于4秒与6秒之间的持续时间。
18.在一些实施方案中，过滤基于选定部分中的每个选定部分的置信度得分，其中置信度得分由经训练的语音识别算法分配。置信度得分可以包括通过百分比表达的置信度程度的指示，其中：得分为100％意味着经识别的语音被识别为具有最高或100％的置信度程度；并且得分为0％意味着语音被识别为具有最低置信度程度或不具有置信度程度。置信度得分过滤器可以被配置成过滤选定部分，使得被包括在经过滤的一组选定部分内的选定部分中的选定部分包括介于70％与90％之间的置信度得分。
19.在一些实施方案中，输入音频文件从呼叫中心的呼叫记录导出，呼叫记录中的每个呼叫记录包括客户与呼叫中心的代理之间的对话。训练转录可以是手动转录(即，由人完成的转录)。方法可以进一步包括使用词性(“pos”)标注器来用指示字词的词性的pos标记来标注经识别的语音中的每个字词。指定的句法模式可以包括在经识别的语音内出现的一系列连续字词中的词性的指定模式。
20.在一些实施方案中，过滤选定部分基于以下中的每一者：选定部分中的每个选定部分的内容；选定部分中的每个选定部分的持续时间；和分配给选定部分中的每个选定部分的置信度得分。
21.除了上文所描述的示例性方面和实施方案之外，另外的方面和实施方案通过参考附图并且通过研究以下详细描述将变得显而易见。
附图说明
22.在参考图中示出了示例性实施方案。图中所示的部件和特征部的尺寸通常为简洁和陈述的清楚性起见而选择，并且不一定按比例示出。下面列出了附图。
23.图1示意性地示出了根据本发明的实施方案的本发明的系统的框图；并且
24.图2示意性地示出了根据本发明的实施方案的本发明的方法。
具体实施方式
25.本文公开了一种用于优化训练数据集以连续训练机器学习模型的方法和系统。另外，还公开了一种用于从用作训练模型的输入的数据集去除私人信息的方法。
26.隐私条例，诸如欧盟通用数据保护条例(gpdr)，对侵犯隐私的公司处以巨额罚款。此外，公司可能会因为对客户的私人数据处理不当而面临声誉损失。因此，本发明可尤其适
用于服务提供方，诸如在线零售商、金融机构、医疗保健提供方以及对必须避免被故意滥用和/或盗用以及无意泄露的大量客户个人信息进行数字化托管的任何其它企业。例如，当含有私人信息的数据被发送到错误接收者、被用于未经授权的目的、存储在不适当的存储介质或位置，或者当服务器允许公开访问时，可能会导致意外的隐私泄露。当未经授权的第三方获得对服务提供方的服务器的访问权并使用例如个体地址、金融交易或医疗记录进行金融欺诈、身份盗窃、骚扰等时，可导致故意盗用。
27.如本文所用，术语“私人信息”(pi)广义地指与个体的私人生活、职业生活或公众生活有关的所有类型的信息。pi可以涵盖关于个体的任何数据点，仅举几个例子，诸如名称、家庭地址、照片、电子邮件或电话联系人详细信息、银行详细信息、社交网站上的帖子、医疗信息或计算机的ip地址。pi的一个子类别包括个人识别信息(pii)，其通常是可以自身使用或与其它信息一起使用以识别、接触和/或定位个体的信息。“敏感的个人信息”(spi)被定义为如果丢失、损坏或公开则可能对个体造成严重的伤害、尴尬、不便或不公的信息。
28.使用本发明的私人信息去除方法允许不断地增加可用于训练机器学习算法的训练材料的量，并且因此改善系统的性能。
29.在本发明的实施方案中，本发明的方法和系统的使用可以与语音识别系统有关。不断需要获得并添加新的训练材料，以改善语音识别结果以及使语音识别对于噪声和新的声音/人员/口音更具稳健性。训练数据的一个潜在来源可以是进行大量客户呼叫的呼叫中心和或客户服务中心。因此，获得新训练材料的标准方式是对从呼叫中心接收到的已完成呼叫进行转录并且将其用作数据集。然而，当pi和/或pii可能出现在数据集中时，这可能会有问题。大多数呼叫中心和/或类似企业由于包含敏感信息诸如信用卡号、地址等的风险而无法发布完整的客户通信。因此，本发明的方法允许从呼叫中心的站点获得数据，该数据不仅是pii安全的，而且在对语音识别系统的改进中是最佳的。
30.图1示意性地示出了根据本发明的实施方案的示例性系统100的框图。系统100接收音频文件作为输入。在本发明的实施方案中，来自呼叫中心的呼叫可以是音频文件。音频文件由语音识别器101接收，该语音识别器例如通过应用一种或多种语音识别和/或类似技术自动将音频文件转录为文本，并且提供每个音频文件的经识别的内容。音频文件和自动转录是系统100所使用的原材料。在一些实施方案中，每个音频文件的转录和经识别的内容被提供作为句法规则模块102的输入。句法规则模块在提供的转录中找到句法模式，并从每个转录中提取例如满足一个或多个期望句法模式的片段。该片段被输出并被提供作为私人信息过滤器110的输入，该私人信息过滤器去除包含个人识别信息和/或任何其它类型的私人信息(诸如：信用卡号、id号等)的所有片段。在本发明的实施方案中，私人信息过滤器包括三个过滤器。名称过滤器111、数字过滤器112和持续时间过滤器113。名称过滤器111通过字符串比较识别名称，并且移除具有经识别名称的片段，使得片段被删除并且不用于过程的剩余部分。数字过滤器112通过片段中的字符串比较来识别数字和号码，并且去除具有经识别的数字和号码的片段。这样，具有pi诸如信用卡号、社会安全号(ssn)、人名、邮政编码等的片段不被选择用于转录以及进一步使用。
31.持续时间过滤器113接收不再含有名称、数字和号码的片段，并且任选地采用最大持续时间以限制片段中连续音频的量。最大持续时间的示例可以是6秒。即使由于语音识别错误选择了具有私人信息的片段，也是有局限性的，因为可能只出现私人信息的一部分。例
如，出现名称而非信用卡号，或出现信用卡号而非卡背面的三个数字。持续时间过滤器还采用最小持续时间来确保即使使用较短片段，也存在用于语言建模的一些上下文。
32.在一些实施方案中，选择持续时间为4秒-6秒的片段使私人信息风险最小化，同时确保数据可用于改进语音识别系统。最终，来自每个音频文件的仅一个片段用于机器学习系统的训练，如图1中可见。
33.在一些实施方案中，主动学习过滤器103接收由持续时间过滤器113输出的片段。
34.在一些实施方案中，给与每个片段0到1的置信度得分。得分1意味着片段的内容被识别为具有100％的置信度程度，并且得分0意味着该内容被识别为不具有置信度程度。在一些实施方案中，主动学习过滤器103仅选择具有介于0.7与0.9之间的置信度得分的片段。进行了实证研究，该研究表明为了在给定预算(例如，训练小时数)下获得最佳改进，需要选择诸如0.7-0.9的某个置信度范围内的话语以进行手动转录。下限用作阈值，在该阈值下方的话语太嘈杂。上限是指一个阈值，高于该阈值，识别器的信息增加就会较低。
35.在一些实施方案中，根据每个片段的经识别的内容来标记该片段。在一些实施方案中，主动学习过滤器103根据片段的标记将每个片段的经识别的内容与片段的其余部分进行比较，并且具有相同的经识别内容的片段的数量被限制为指定数量。此阶段在一方面有助于保持语言的多样性，并且在另一方面避免过多重复同一句子。例如，在典型的呼叫中心中，可能存在数百个短语，诸如“我有连接问题”或“我的机顶盒有问题”。为了避免重复但保持语言和词汇的多样性，相同内容的最大数量被限制为指定的阈值。
36.在一些实施方案中，通道过滤器104用于从不同的多样化通道中选择音频。例如，在从呼叫中心接收到的音频的情况下，来自客户通道的音频优于代理通道，以确保说话者的多样性。虽然公司具有众多代理，但其通常具有几个数量级的更多的客户。客户通道确保声音和环境的更大多样性。举例来说，虽然代理通常总是在办公室环境中并且使用相对高端的头戴式耳机，但客户从不同环境呼叫，如汽车、扬声器、室内位置或室外位置。
37.片段选择模块105最终从每个音频文件选择一个片段以用于手动转录。所选片段只是短于最大持续时间(例如6秒)的最长片段。
38.一旦选择了来自每个音频文件的片段，则由音频提取器106创建新的音频文件。新文件实际上是由语音识别器101接收作为输入的原始音频文件的一部分。新文件包含整个呼叫中的相关的几秒，并且被存储在本地文件夹中。例如，如果所选片段在原始音频文件上从时间4:37到4:42，则持续时间为5秒的新的音频文件被创建，其仅包含具有相关内容的片段。
39.此时，提供一组短音频文件，每个短音频文件具有经识别的内容(经识别的内容是机器转录文本)。此信息(音频 文本)被保留以供将来使用。
40.片段必须手动转录，否则不存在改进的可能。
41.在一些实施方案中，手动转录模块107接收所选片段以用于例如通过人类专家进行手动转录。这是添加训练材料以用于一般机器学习特别是语音识别所必须的。
42.在手动转录之后，通过私人信息后置过滤器108再次检查片段中的名称和数字。含有任何pi和/或pii的任何文件被删除。从统计上来看，大多数片段不含名称或数字，并且这些片段被保留。剩余的片段用于训练机器学习系统的训练模型109。这样，增加了可用于模型训练的材料的量，因此改进了机器学习系统的结果。例如，根据语音识别系统，其允许改
善语言和声学模型。
43.图2示意性地示出了根据本发明的实施方案的描述本发明的方法中的功能步骤的流程图。第一步骤201提供用于接收音频文件作为输入并且使用经训练的语音识别算法自动转录音频文件。在本发明的实施方案中，音频文件是从呼叫中心接收到的已完成呼叫。
44.在步骤202处，在转录中识别句法模式，例如，主语-谓语-宾语，并且根据句法规则提取片段。句法规则用作分割机制以决定提取片段的开始和结束。所识别的模式使手动转录的步骤更容易，因为语法好的文本更易于理解，因此减少了转录所需的人力。
45.例如，可具有提取序列的规则：
46.prp
–v–
(to)
–v–
dt
–
n{1 }
47.为了捕获满足该规则的字词序列，首先使用词性(pos)标注器(参见例如，freeling，一种提供语言分析功能的c 库，包括pos标注，http://nlp.lsi.upc.edu/freeling/index.php/node/1)，该pos标注器可以将词性分配给每个字词，例如：
[0048][0049]
然后，找到与所需序列匹配的pos标记序列。如下一个示例所示：
[0050][0051]
在步骤203处，私人信息被找到并从转录本中过滤掉。在本发明的实施方案中，私人信息被定义为名称或号码，然而在另一实施方案中，私人信息可被定义为含有特定关键字或被认为是私人数据的任何其它数据的数据。
[0052]
在本发明的实施方案中，通过与已知列表进行字符串比较来识别名称、数字和/或号码，并且将含有名称、数字和/或号码的片段去除。这样，具有私人信息诸如信用卡号、社会安全号(ssn)、人名、身份证号、邮政编码等的片段被去除并且不被选择用于手动转录。另外，通过确定每个音频文件片段的最小持续时间和最大持续时间来采用持续时间过滤。持续时间过滤限制了片段中的连续音频的量。最小持续时间和最大持续时间的示例可以是4秒到6秒。即使由于语音识别错误选择了具有pi的片段，也可以进一步限制潜在的暴露，因为可能只出现pi的一部分。例如，出现名称而非信用卡号，或出现信用卡号而非信用卡背面的三个验证数字。最小持续时间过滤器用于确保即使使用较短片段，也存在用于语言建模的一些上下文。在本发明的一个实施方案中，选择具有4秒至6秒的持续时间的片段使pi风险最小化，但确保数据可用于改进语音识别系统。
[0053]
在步骤204处，在活动学习过滤器103处进一步处理片段，以便为机器学习训练模型提供改进的数据集。该步骤包括根据每个片段的经识别的内容对片段进行标记，并且使用介于0与1之间的置信度得分对每个片段进行分级。然后，对被标记的片段进行比较，以选择用于手动转录以及用于机器学习训练模型的最佳片段。根据以下标准来选择片段：
[0054]
·
重复相同的经识别内容vs语言和词汇的多样性。预先确定指定阈值，以在一方面限制具有相同经识别内容的片段的数量，并在另一方面保持语言的多样性；
[0055]
·
预先确定置信度得分范围，并且选择得分在预先确定范围内的片段；进行了实证研究，该研究表明为了在给定预算(例如，训练小时数)下获得最佳改进，需要选择诸如0.7-0.9的某个置信度范围内的话语以进行手动转录。下限用作阈值，在该阈值下方的话语太嘈杂。上限是指一个阈值，高于该阈值，识别器的信息增加就会较低，因为语音识别器101已经充分工作。
[0056]
·
通道过滤-为了确保说话者的多样性，选择从多样化的不同通道接收到的音频文件的片段。例如，在呼叫中心中，可以选择客户通道，而不是代理通道。
[0057]
在步骤205处，从每个音频文件中选择一个片段。在上述示例中，所选片段只是短于最大持续时间(例如6秒)的最长片段。一旦选择了来自每个音频文件的片段，则新的音频文件被创建。新的音频文件实际上是被接收作为输入的原始音频文件的一部分。新文件包含整个音频文件中的相关的几秒，并且被存储在本地文件夹中。
[0058]
在步骤206处，对从每个音频文件选择的片段进行手动转录，并且随后在步骤207的后置过滤中，再次检查名称和数字。含有任何pi的任何片段均被删除。
[0059]
最后，在步骤208处，未在后置过滤步骤中删除的剩余片段用于对机器学习系统的训练模型109进行重新训练。使用改进数据进行重新训练带来了机器学习系统的更好结果。
[0060]
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有计算机可读程序指令的一个或多个计算机可读存储介质，该计算机可读程序指令用于使处理器执行本发明的方面。
[0061]
计算机可读存储介质可以是有形设备，该有形设备可以保留和存储由指令执行设备使用的指令。计算机可读存储介质可以是例如但不限于电子存储设备、磁性存储设备、光学存储设备、电磁存储设备、半导体存储设备或前述设备的任何合适组合。计算机可读存储介质的更多具体示例的非详尽列表包括以下：便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式光盘只读存储器(cd-rom)、数字通用光盘(dvd)、记忆棒、软盘、其上记录有指令的机械编码的设备以及前述设备的任何合适组合。如本文所用，计算机可读存储介质不应被解释为暂态信号本身，诸如无线电波或其它自由传播的电磁波、通过波导或其它传输介质传播的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线传输的电信号。相反，计算机可读存储介质是非暂态(即，非易失性)介质。
[0062]
本文所述的计算机可读程序指令可以经由网络，例如互联网、局域网、广域网和/或无线网络从计算机可读存储介质下载到相应计算/处理设备，或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令并转发计算机可读程序指令，以在相应计算/处理设备内存储在计算机可读存储介质中。
[0063]
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微码、固件指令、状态设置数据或以一种或多种编程语言的任何组合编写的源代码或对象代码，包括面向对象的编程语言诸如java、smalltalk、c 等，和传统的过程式编程语言诸如“c”编程语言或类似编程语言。计算机可读程序指令可以完全在用户的计算机上执行，部分地在用户的计算机上执行，作为独立的
软件包执行，部分地在用户的计算机上执行以及部分地在远程计算机上执行，或完全在远程计算机或服务器上执行。在后一种场景下，远程计算机可以通过任何类型的网络，包括局域网(lan)或广域网(wan)连接到用户的计算机，或者可以(例如，使用互联网服务提供商通过互联网)连接到外部计算机。在一些实施方案中，电子电路，包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以个性化电子电路，以便执行本发明的方面。
[0064]
本文参考根据本发明的实施方案的方法、装置(系统)和计算机程序产品的流程图图示和/或框图来描述本发明的方面。应当理解，流程图图示和/或框图中的每个框以及流程图图示和/或框图中的框的组合可以通过计算机可读程序指令来实现。
[0065]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器以产生机器，使得经由计算机或其它可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令也可存储在计算机可读存储介质中，其可指示计算机、可编程数据处理装置和/或其它设备以特定方式运行，使得其中存储有指令的计算机可读介质包括具有指令的制品，该指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
[0066]
计算机可读程序指令还可以被加载到计算机、其它可编程数据处理装置或其它设备上，以使一系列操作步骤在计算机、其它可编程装置或其它设备上执行以产生计算机实现的过程，使得在计算机、其它可编程装置或其它设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
[0067]
附图中的流程图和框图示出了根据本发明的各种实施方案的系统、方法和计算机程序产品的可能具体实施的架构、功能和操作。就这一点而言，流程图或框图中的每个框可表示模块、段或指令的部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。在一些替代实施方式中，框中所述的功能可不按图中所述的次序出现。例如，连续示出的两个框实际上可以基本上同时执行，或者该框有时可以按相反顺序执行，这取决于所涉及的功能。还应当注意，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可由执行指定功能或动作或执行专用硬件和计算机指令的组合的基于专用硬件的系统来实现。
[0068]
数值范围的描述应被认为已经具体公开了所有可能的子范围以及该范围内的各个数值。例如，从1到6的范围的描述应被认为具有具体公开的子范围，诸如1到3、1到4、1到5、2到4、2到6、3到6等，以及该范围内的各个数字，例如1、2、3、4、5和6。无论范围的宽度如何均适用。
[0069]
已经出于说明的目的呈现了本发明的各种实施方案的描述，但并非旨在穷举或限制于所公开的实施方案。在不脱离所述实施方案的范围和实质的情况下，许多修改和变型对于本领域普通技术人员将是显而易见的。本文所使用的术语被选择以最佳地解释实施方案的原理、实际应用或对市场上所存在的技术的技术改进，或者使本领域普通技术人员能够理解本文公开的实施方案。
[0070]
上文执行和描述的实验证明了本发明的实施方案的可用性和有效性。本发明的一些实施方案可以基于某些实验方法和/或实验结果来配置。因此，以下实验方法和/或实验结果应被视为本发明的实施方案。