一种需求匹配方法和系统

1.本技术实施例涉及计算机应用技术领域，具体涉及一种需求匹配方法和系统。


背景技术：

2.现代科技服务业是从20世纪80年代开始，随着科学技术的高速发展、科技成果产业化速度的加快，而在全球范围内诞生并迅速发展的新兴产业，成为现代服务业的重要组成部分。科技服务业主要是运用新兴技术与专业知识，为科学技术的产生、应用与扩散提供智力服务，包括研究与发展服务、技术转移和推广以及产业化服务。科技服务业具有高度的交互性和创新性，在科技创新中起着桥梁和纽带的作用，是推动产业结构升级优化的关键产业。
3.由于科技服务资源的专业性背景，科技服务的用户提出的需求往往并不是由该领域的专家所做的专业性描述，而是符合用户自身应用背景的需求描述。而传统的匹配方法往往要么简单地根据单词或字符的重合度进行匹配，要么需要人为设计复杂的匹配规则进行匹配，并不能实现语义层面上的资源匹配任务；而使用机器学习方法的匹配模型又需要大量的正确匹配的文本对作为训练数据，但目前此类数据很少，难以实现。
4.这种种困难使得科技服务业中，如何根据需求匹配相应的科技服务领域是亟待解决的问题。


技术实现要素：

5.为此，本技术实施例提供一种需求匹配方法和系统，通过文本语料的跨域转换以及监督学习的混合应用，高效进行科技服务领域的需求匹配，为科技服务业提供有效支持。
6.为了实现上述目的，本技术实施例提供如下技术方案：
7.根据本技术实施例的第一方面，提供了一种需求匹配方法，所述方法包括：
8.接收用户输入的目标需求描述语料；
9.基于生成对抗网络将所述目标需求描述语料转换为目标科技资源语料；
10.基于挛生神经网络计算所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度；
11.根据匹配度排序确定科技服务目标资源列表并输出。
12.可选地，所述基于挛生神经网络计算所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度，包括：
13.基于挛生神经网络分别计算所述目标科技资源语料与科技资源数据库中的科技资源数据的语义向量；
14.分别计算所述目标科技资源语料与所述科技资源数据库中的每个科技资源数据的语义向量的余弦相似度，以得到所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度。
15.可选地，在接收用户输入的需求描述语料之前，所述方法还包括：
16.收集需求描述语料和科技资源描述语料，并划分训练集和测试集；
17.对训练集中的需求描述语料和科技资源描述语料进行分词和向量化处理；
18.基于构建的生成对抗网络、训练参数和处理后的语料对所述生成对抗网络进行训练。
19.可选地，所述生成对抗网络的构建方法包括如下步骤：
20.构建生成器和判别器，所述生成器包括第一生成器和第二生成器，所述判别器包括第一判别器和第二判别器；所述第一生成器用于根据需求描述语料生成科技资源语料，所述第二生成器用于根据科技资源语料生成需求描述语料；所述第一判别器用于判别需求描述语料是否是生成的，所述第二判别器用于判别科技资源语料是否是生成的；
21.将第一需求描述语料输入第一生成器中，生成第一科技资源语料；将第二科技资源语料输入第二生成器中，生成第二需求描述语料；
22.将所述第一科技资源语料和所述第二科技资源语料输入所述第二判别器，输出第一科技资源语料分类结果和第二科技资源语料分类结果，并分别根据分类结果计算出所述第二判别器和第一生成器的对抗损失值；将所述第一需求描述语料和所述第二需求描述语料输入所述第一判别器，输出第一需求描述语料分类结果和第二需求描述语料分类结果，并分别根据分类结果计算所述第一判别器和第二生成器的对抗损失值；
23.根据总对抗损失对所述生成对抗网络进行梯度反向传播训练，以最小化总对抗损失为目标，调整所述生成对抗网络的参数；所述总对抗损失是根据所有对抗损失值计算的。
24.可选地，所述方法还包括：
25.收集用户选择的科技服务目标资源列表中的科技服务资源和用户初始输入的目标需求描述语料组成的数据对，对所述生成对抗网络进行优化监督学习。
26.可选地，所述方法还包括：
27.收集用户选择的科技服务目标资源列表中的科技服务资源和科技资源数据库中的科技资源数据组成的若干数据对，对所述优化挛生神经网络进行优化监督学习。
28.根据本技术实施例的第二方面，提供了一种需求匹配系统，所述系统包括：
29.信息接收模块，用于接收用户输入的目标需求描述语料；
30.语料转换模块，用于基于生成对抗网络将所述目标需求描述语料转换为目标科技资源语料；
31.匹配模块，用于基于挛生神经网络计算所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度；
32.信息输出模块，用于根据匹配度排序确定科技服务目标资源列表并输出。
33.可选地，所述匹配模块，具体用于：
34.基于挛生神经网络分别计算所述目标科技资源语料与科技资源数据库中的科技资源数据的语义向量；
35.分别计算所述目标科技资源语料与所述科技资源数据库中的每个科技资源数据的语义向量的余弦相似度，以得到所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度。
36.根据本技术实施例的第三方面，提供了一种电子设备，包括：存储器、处理器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，所述处理器运行所述计算机程
序时执行以实现上述第一方面所述的方法。
37.根据本技术实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。
38.综上所述，本技术实施例提供了一种需求匹配方法和系统，通过接收用户输入的目标需求描述语料；基于生成对抗网络将所述目标需求描述语料转换为目标科技资源语料；基于挛生神经网络计算所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度；根据匹配度排序确定科技服务目标资源列表并输出。通过文本语料的跨域转换以及监督学习的混合应用，高效进行科技服务领域的需求匹配，为科技服务业提供有效支持。
附图说明
39.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
40.本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
41.图1为本技术实施例提供的一种需求匹配方法流程示意图；
42.图2为本技术实施例提供的整体实施例流程图；
43.图3为本技术实施例提供的生成对抗网络的架构示意图；
44.图4为本技术实施例提供的挛生神经网络的结构示意图；
45.图5为本技术实施例提供的一种需求匹配系统框图；
46.图6示出了本技术实施例提供的一种电子设备的结构示意图；
47.图7示出了本技术实施例提供的一种计算机可读存储介质的示意图。
具体实施方式
48.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.图1示出了本技术实施例提供的一种需求匹配方法，所述方法包括：
50.步骤101：接收用户输入的目标需求描述语料；
51.步骤102：基于生成对抗网络将所述目标需求描述语料转换为目标科技资源语料；
52.步骤103：基于挛生神经网络计算所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度；
53.步骤104：根据匹配度排序确定科技服务目标资源列表并输出。
54.在一种可能的实施方式中，在步骤103中，所述基于挛生神经网络计算所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度，包括：
55.基于挛生神经网络分别计算所述目标科技资源语料与科技资源数据库中的科技资源数据的语义向量；分别计算所述目标科技资源语料与所述科技资源数据库中的每个科技资源数据的语义向量的余弦相似度，以得到所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度。
56.在一种可能的实施方式中，在步骤101接收用户输入的需求描述语料之前，所述方法还包括：
57.收集需求描述语料和科技资源描述语料，并划分训练集和测试集；对训练集中的需求描述语料和科技资源描述语料进行分词和向量化处理；基于构建的生成对抗网络、训练参数和处理后的语料对所述生成对抗网络进行训练。
58.在一种可能的实施方式中，所述生成对抗网络的构建方法包括如下步骤：
59.构建生成器和判别器，所述生成器包括第一生成器和第二生成器，所述判别器包括第一判别器和第二判别器；所述第一生成器用于根据需求描述语料生成科技资源语料，所述第二生成器用于根据科技资源语料生成需求描述语料；所述第一判别器用于判别需求描述语料是否是生成的，所述第二判别器用于判别科技资源语料是否是生成的；
60.将第一需求描述语料输入第一生成器中，生成第一科技资源语料；将第二科技资源语料输入第二生成器中，生成第二需求描述语料；
61.将所述第一科技资源语料和所述第二科技资源语料输入所述第二判别器，输出第一科技资源语料分类结果和第二科技资源语料分类结果，并分别根据分类结果计算出所述第二判别器和第一生成器的对抗损失值；将所述第一需求描述语料和所述第二需求描述语料输入所述第一判别器，输出第一需求描述语料分类结果和第二需求描述语料分类结果，并分别根据分类结果计算所述第一判别器和第二生成器的对抗损失值；
62.根据总对抗损失对所述生成对抗网络进行梯度反向传播训练，以最小化总对抗损失为目标，调整所述生成对抗网络的参数；所述总对抗损失是根据所有对抗损失值计算的。
63.在一种可能的实施方式中，所述方法还包括：收集用户选择的科技服务目标资源列表中的科技服务资源和用户初始输入的目标需求描述语料组成的数据对，对所述生成对抗网络进行优化监督学习。
64.在一种可能的实施方式中，所述方法还包括：收集用户选择的科技服务目标资源列表中的科技服务资源和科技资源数据库中的科技资源数据组成的若干数据对，对所述优化挛生神经网络进行优化监督学习。
65.下面结合附图2-4对本技术实施例进行详细描述。图2示出了本技术实施例提供的一个包括模型训练、具体应用和优化的完整实施例，包括如下步骤：
66.步骤1：收集参与模型训练的语料集，包括科技服务的需求描述语料和科技服务资源描述语料；其中这两种语料之间不需要有对应关系；需求描述语料为搜集到的用户的需求描述的文本数据；科技服务资源描述语料为科技服务资源的描述，例如专利的摘要、项目的介绍，也是文本。这两部分收集的数据不需要是成对的匹配上的数据，只要是有一定的需求描述和一定的科技资源描述即可。
67.步骤2：将收集的语料划分为训练集与测试集，可以使用分词器tokenizer将语料进行分词，并将语料集中的文本进行向量化，转化为词向量序列；
68.步骤3：构建基于生成对抗网络cyclegan结构的文本语料处理模型该步骤基于原
始cyclegan网络的思想，构建两个生成器gxy和gyx，以及两个判别器dx和dy。其中，gxy用于根据需求文本生成科技服务描述文本，gyx用于根据科技服务描述文本生成需求文本，dx用于判别一段文本是否为需求描述，dy用于判别一段文本是否为科技服务描述。
69.步骤4：设置学习率、训练轮数等网络超参数：对生成器的初始学习率取为5e-4，判别器初始学习率为1e-4，两者可以都使用adamw优化器。
70.步骤5：针对的需求域文本和资源描述域文本，将训练集的词向量序列输入cyclegan网络进行训练，并用测试集测试训练效果；所述cyclegan模型能获取两个域的文本的风格特征，实现一段语料在两个域内的转换。
71.步骤6：获取用户输入的需求描述，通过cyclegan模型将需求文本转换为对应的科技资源描述文本。
72.步骤7：加载预训练好的挛生神经网络sbert网络，计算转换后的资源描述文本与数据库中科技服务资源的描述文本的语义匹配度，根据相似度值筛选排序并反馈匹配到的科技服务资源列表。
73.步骤8：在用户使用过程中收集成功匹配的(需求语料和科技服务资源)数据对，利用此类数据对已建立的cyclegan模型进行进一步的在线有监督学习，优化匹配效果。与生产环境中收集到足够的需求-科技服务匹配数据后，就可以对sbert网络进行进一步的微调优化，强化其在科技服务领域的语义相似度计算的效果。通过采集到的实际数据，优化训练sbert网络结构，提高语义匹配的效果。
74.基于cyclegan结构的模型如图4所示，cyclegan模型构建方法可以如下：
75.步骤1：将需求域中的需求文本x1输入到生成器gxy中，生成科技服务资源描述文本y1；即，将来自需求域的描述文本转换到科技服务域中的描述文本；同样，将科技服务域中的科技服务描述文本y2输入到生成器gyx中，生成需求文本x2。
76.步骤2：将步骤1中的y1和y2同时输入到判别器dy，dy用于判断yi(i＝1，2，3，...，n)是真实的文本还是被生成器生成的文本，将此问题视为一个分类问题，若为真实文本则将y2识别为1，若为生成文本将y1识别为0，并用该分类任务的分类损失作为cyclegan中gxy和dy网络的对抗损失；同样，将x1和x2同时输入到判别器dx，对x1和x2是否为真实文本进行判断，并计算分类损失作为cyclegan中gyx和dx网络的对抗损失。进一步，根据总的损失值对模型进行梯度反向传播训练，优化模型参数。总的对抗损失可以如后文提及的gan损失函数所示。总的损失值是所有的损失的加和，可以加权，具体的权值是训练前设置的，属于超参数，可以根据实际的实验情况进行调整。另外两个损失函数是cyclegan在训练过程中的一种技巧，能使训练出来的模型效果更好更稳定。
77.这里的损失函数其实就是一个二分类问题的损失函数，可以是二分类损失函数cross entropy。对于一条真实的文本s，判别器的目标是将其判定为1，判别器的实际输出值越接近1则输出的cross entropy就越小，离1越远就越大，说明判别器错误太大；反过来也一样，一条生成出来的文本ss，那么判别器的目标输出是0，所以越接近于0损失越少。
78.步骤3：当步骤2中的对抗损失随训练过程进行的优化逐渐停滞时，停止cyclegan模型的训练；此时说明生成器gxy根据需求文本x1生成的科技服务资源描述文本y1与真实的资源描述文本y2风格相同或相似，gyx根据科技服务资源描述文本y2生成的需求文本x2与真实的需求描述文本x1风格相同或相似。
79.在一种可能的实施方式中，将训练集的词向量序列输入cyclegan网络进行训练。使用的训练损失函数如下：
80.gan损失
[0081][0082]
循环一致性损失：
[0083][0084]
全等映射损失：
[0085][0086]
总损失函数：
[0087]
l＝l
gan
(g，d，x，y) λcl
cycle
(g
xy
，g
yx
，x，y) λil
identity
(g
xy
，g
yx
，x，y)
[0088]
训练完成后保存模型和参数，将网络中的生成器gxy应用于生产环境中，即可将用户的需求描述转化为对应的科技服务资源描述。
[0089]
在一种可能的实施方式中，使用挛生神经网络计算两个文本的语义相似度，挛生神经网络(siamese network，sbert)模型的子网络都使用bert模型，且两个bert模型共享参数。通过bert网络模型计算两个文本的语义向量，然后通过计算两个语义向量的余弦相似度，获得两个原始文本的语义相似度。
[0090]
如图4所示，当对比a、b两个句子相似度时，它们分别输入bert网络，输出是两组表征句子的向量，然后计算二者的相似度；利用该原理还可以使用向量聚类，实现无监督学习任务。除了设置超参数以外，也可通过构造训练数据来优化sbert网络。
[0091]
需要说明的是，本技术实施例提供的文本的语义匹配度计算方式包括不限于采用sbert网络。
[0092]
本技术实施例提供的方法主要针对的问题就是成对的(需求描述和科技资源)这种类型的数据很难收集到，也没有现成的数据集。如果直接根据原始的需求描述来检索的话效果不佳，因为需求往往不是专家学者提出来的，常常会有用词与专业领域的科技资源描述不同的问题。所以本技术实施例提供的方法将原始的用户需求描述转换为贴近科技服务资源描述的文本，然后做相似度运算来进行匹配。通过无监督学习和有监督学习的混合应用，建立了一个科技服务领域的需求匹配系统，为科技服务业提供有效支持。
[0093]
综上所述，本技术实施例提供了一种需求匹配方法，通过接收用户输入的目标需求描述语料；基于生成对抗网络将所述目标需求描述语料转换为目标科技资源语料；基于挛生神经网络计算所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度；根据匹配度排序确定科技服务目标资源列表并输出。通过文本语料的跨域转换，以及无监督学习和有监督学习的混合应用，高效进行科技服务领域的需求匹配，为科技服务业提供有效支持。
[0094]
基于相同的技术构思，本技术实施例还提供了一种需求匹配系统，如图5所示，所述系统包括：
[0095]
信息接收模块501，用于接收用户输入的目标需求描述语料；
[0096]
语料转换模块502，用于基于生成对抗网络将所述目标需求描述语料转换为目标科技资源语料；
[0097]
匹配模块503，用于基于挛生神经网络计算所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度；
[0098]
信息输出模块504，用于根据匹配度排序确定科技服务目标资源列表并输出。
[0099]
在一种可能的实施方式中，所述匹配模块503，具体用于：基于挛生神经网络分别计算所述目标科技资源语料与科技资源数据库中的科技资源数据的语义向量；分别计算所述目标科技资源语料与所述科技资源数据库中的每个科技资源数据的语义向量的余弦相似度，以得到所述目标科技资源语料与科技资源数据库中的科技资源数据的匹配度。
[0100]
本技术实施方式还提供一种与前述实施方式所提供的方法对应的电子设备。请参考图6，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。所述电子设备20可以包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的方法。
[0101]
其中，存储器201可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个物理端口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
[0102]
总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述方法可以应用于处理器200中，或者由处理器200实现。
[0103]
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(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。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
[0104]
本技术实施例提供的电子设备与本技术实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
[0105]
本技术实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。
[0106]
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存
储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
[0107]
本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0108]
需要说明的是：
[0109]
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
[0110]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0111]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0112]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0113]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0114]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提
供。
[0115]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词
″
包含
″
不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词
″
一
″
或
″
一个
″
不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0116]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。