情感识别处理方法及装置、存储介质、电子设备与流程

1.本发明涉及一种自然语言处理技术领域，尤其涉及一种情感识别处理方法及装置、存储介质、电子设备。


背景技术：

2.随着自然语言处理技术的快速发展，自然语言处理技术已逐步应用至不同互联网智能产品中，用于控制智能产品进行智能化运行，例如，应用至智能家居中，以实现语言处理功能。例如，用户对于智能家居的使用情况可以通过评价信息的形式反馈给企业方，以使企业方进行情感分析。
3.目前，现有在对作为评价信息的文本进行情感分析时，通常是基于自然语言处理模型对抽取目标词进行上下文情绪极性的文本分类判断，然而这种方式对目标词的抽取不够准确，稳定性较差，使得情感识别处理结果过于僵硬，从而降低了情感识别处理的准确性。


技术实现要素：

4.有鉴于此，本发明提供了一种情感识别处理方法及装置、存储介质、终端，用于解决现有技术中的情感识别处理的准确性差的问题。
5.为达上述之一或部分或全部目的或是其他目的，本发明提出一种情感识别处理方法，包括：
6.按照目标策略对获取的待处理文本进行文本抽取，得到第一目标词；
7.基于已训练的语义分类模型对所述待处理文本进行语义分类抽取，得到第二目标词；
8.对所述第一目标词和所述第二目标词进行融合处理，得到情感目标词；
9.对所述情感目标词进行情感识别处理，得到所述待处理文本的情感识别结果。
10.为达上述之一或部分或全部目的或是其他目的，本发明提出一种情感识别处理装置，包括：
11.第一抽取模块，用于按照目标策略对获取的待处理文本进行文本抽取，得到第一目标词；
12.第二抽取模块，用于基于已训练的分类模型对所述待处理文本进行分类抽取，得到第二目标词；
13.融合模块，用于对所述第一目标词和所述第二目标词进行融合处理，得到情感目标词；
14.处理模块，用于对所述情感目标词进行情感识别处理，得到所述待处理文本的情感识别结果。
15.在一示例性实施例中，所述融合模块包括：
16.获取单元，用于获取所述第一目标词的第一目标词位置，以及所述第二目标词的
第二目标词位置；
17.融合单元，用于基于所述第一目标词位置与所述第二目标词位置之间的匹配关系，对所述第一目标词、所述第二目标词进行融合，得到目标词。
18.在一示例性实施例中，所述融合单元，具体用于若所述匹配关系为顺接关系，则将所述第一目标词位置、所述第二目标词位置进行连接，确定为情感目标词的情感目标词位置；若所述匹配关系为包含关系，则基于所述第一目标词位置、所述第二目标词位置的位置长度，确定情感目标词的情感目标词位置；若所述匹配关系为交叉关系，则将所述第一目标词位置以及所述第二目标词位置，共同确定为情感目标词的情感目标词位置；若所述匹配关系为相同关系，则选取所述第一目标词位置、所述第二目标词位置中任意一个，确定为情感目标词的情感目标词位置。
19.在一示例性实施例中，所述第一抽取模块包括：
20.确定单元，用于确定与所述待处理文本匹配的目标策略；
21.第一抽取单元，用于基于所述目标策略对所述待处理文本进行文本抽取，确定所述第一目标词的起始位置以及终止位置，并根据所述起始位置和终止位置得到第一目标词。
22.在一示例性实施例中，所述第二抽取模块包括：
23.第二抽取单元，用于通过已训练的语义分类模型对所述待处理文本进行特征提取，得到文本特征；所述语义分类模型基于文本语义分类样本进行训练得到；
24.处理单元，用于基于所述语义分类模型对所述文本特征进行语义分类抽取处理，并通过所述语义分类模型的解码层预测第二目标词的起始位置以及终止位置，根据所述起始位置和终止位置得到第二目标词。
25.在一示例性实施例中，所述处理模块包括：
26.获取单元，用于基于所述情感目标词的情感目标词位置，获取所述情感目标词对应的特征向量；
27.提取单元，用于通过已训练的情感识别模型提取所述特征向量对应的注意力向量；
28.处理单元，用于对所述注意力向量与所述特征向量进行融合处理，得到语义表示，并通过所述情感识别模型对所述语义表示进行情感分析处理，得到情感识别结果。
29.在一示例性实施例中，所述装置还包括：确定模块，
30.所述确定模块，用于确定所述待处理文本的最大文本长度；
31.所述处理模块，还用于基于所述最大文本长度对预处理后的所述待处理文本进行文本长度校正处理，以基于校正后的所述待处理文本进行第一目标词、第二目标词抽取。
32.在一示例性实施例中，所述装置还包括：
33.获取模块，用于对所述待处理文本进行对象识别，得到情感识别对象；
34.识别模块，还用于对于多个待处理文本，基于各所述待处理文本的情感识别对象和情感识别结果，获取各所述情感识别对象分别对应的情感识别结果；
35.生成模块，用于根据各所述情感识别对象对应的情感识别结果，生成针对每个情感识别对象的问题定位信息；所述问题定位信息用于针对所定位的问题生成问题解决策略。
36.为达上述之一或部分或全部目的或是其他目的，本发明提出一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述情感识别处理方法对应的操作。
37.为达上述之一或部分或全部目的或是其他目的，本发明提出一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
38.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述情感识别处理方法对应的操作。
39.为达上述之一或部分或全部目的或是其他目的，本发明提出一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中；所述计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，所述处理器执行所述计算机指令时实现本技术各实施例的情感识别处理方法中的步骤。
40.实施本发明实施例，将具有如下有益效果：
41.采用了上述情感识别处理方法及装置、存储介质、终端之后，本发明通过按照目标策略抽取待处理文本中的第一目标词，并同时基于已训练的语义分类模型抽取待处理文本中的第二目标词，以进行情感目标词的融合，从而基于完成融合的情感目标词进行情感识别，减少情绪分析不一致的情况，满足不同类型的目标词的分类需求，使得对情感识别处理更为灵活，从而提高了待处理文本情感分析的准确性。
附图说明
42.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，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
43.其中：
44.图1示出了本发明实施例提供的一种情感识别服务器与终端交互示意图；
45.图2示出了本发明实施例提供的一种情感识别处理方法流程图；
46.图3示出了本发明实施例提供的另一种情感识别处理方法流程图；
47.图4示出了本发明实施例提供的又一种情感识别处理方法流程图；
48.图5示出了本发明实施例提供的再一种情感识别处理方法流程图；
49.图6示出了本发明实施例提供的一种语义分类模型结构示意图；
50.图7示出了本发明实施例提供的多一种情感识别处理方法流程图；
51.图8示出了本发明实施例提供的一种细粒度场景文本情绪分析流程图；
52.图9示出了本发明实施例提供的一种情感识别处理装置组成框图；
53.图10示出了本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
54.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅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作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。
55.本技术提供的情感识别处理方法，可以应用于如图1所示的应用环境中。其中，终端001通过网络与服务器002通过网络进行通信。其中，终端001可以获取对不同产品进行情感评价的待处理文本，并将此待处理文本发送至服务器002中，服务器002接收到待处理文本后，基于目标策略抽取第一目标词，同时基于已训练的语义分类模型抽取第二目标词，将第一目标词与第二目标词进行融合，得到情感目标词，以在服务器002中基于融合后的情感目标词进行情感识别。终端001可以但不限于是各种智能手机、个人计算机、笔记本电脑、平板电脑、智能控制面板、便携式可穿戴设备或者其他可实施网络连接的电子设备，如智能家居产品，服务器002可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
56.针对在对作为评价信息的文本进行情感分析时，通常是基于自然语言处理模型对抽取目标词进行上下文情绪极性的文本分类判断，但是，针对不同训练数据，会导致基于自然语言处理模型直接抽取的目标词不够准确，稳定性较差，并且，直接基于自然语言处理模型无法满足精准、灵活的情感识别需求，使得情感识别处理结果过于僵硬，从而降低了情感识别处理的准确性。
57.基于上述问题，本发明实施例提供了一种情感识别处理方法，以该方法应用于电子设备为例进行说明，该电子设备可以是终端，也可以是服务器等，本技术对此不作限定。如图2所示，该方法包括以下步骤：
58.101、按照目标策略对获取的待处理文本进行文本抽取，得到第一目标词。
59.本发明实施例中，待处理文本为对情感识别对象进行情感描述的文本内容，包括但不限于中文待处理文本、英文待处理文本，对于需要进行情感识别的情感识别对象包括但不限于各种语音助手类产品、应用程序产品、智能设备产品等，用户可以通过终端设备将对情感识别对象的产品评价文本内容发送至当前执行情感识别的电子设备，以使电子设备对待处理文本进行情感识别处理。
60.电子设备获取待处理文本后，则按照目标策略对获取的待处理文本进行文本抽取，得到所抽取的第一目标词。其中，电子设备可以首先获取用户的语音信息，然后对语音信息进行文本识别，进而将识别出的文本信息作为待处理文本。电子设备也可以直接获取用户输入的文本信息，将文本信息作为待处理文本。
61.例如，用户还可以基于语音助手类产品录入对情感识别对象的产品评价语音内容，以对语音内容进行文本转换后，进行情感识别处理，本发明实施例不做具体限定。例如，语音助类手产品接收到用户反馈的语音数据后进行文本转换，得到待进行情感识别的待处理文本，如将语音转换为分别数据“这个灯的反映能力太快了”，本发明实施例不做具体限定。
62.当触发情感识别处理时，电子设备可以基于已存储的文本文件、表格文件中获取待处理文本，也可以基于实时转换得到的文本获取待处理文本，本发明实施例不做具体限定。
63.需要说明的是，本发明实施例中，目标策略可以是指进行文本抽取的处理策略，具体可以表征根据不同情感识别需求预先配置的抽取规则，目标策略具体可以是预先设定的
文本抽取规则、文本抽取算法等。例如，目标策略包括但不限于预先配置的正则匹配规则、词典匹配规则等等。
64.其中，目标策略包括但不限于预先配置的正则匹配规则、词典匹配规则等，词典匹配规则为按照自然语言技术对常用或常见的表示情感类词语作为一个词典库进行匹配对象的规则，正则匹配规则为按照人为预先设定的规则进行匹配的规则，以在基于目标策略进行第一目标词抽取时，实现基于匹配规则的灵活适用性，满足不同的情感识别需求。由于目标策略为基于人为进行预先配置的抽取规则，因此，基于目标策略抽取的第一目标词用于作为抽取人为所需的词语内容，本发明实施例不做具体限定。
65.可以理解，第一目标词是指按照目标策略进行文本抽取的方式，所抽取出的目标词，例如可以按照目标策略中具体规则内容抽取第一目标词。
66.102、基于已训练的语义分类模型对所述待处理文本进行语义分类抽取，得到第二目标词。
67.其中，第二目标词是指通过已训练的语义分类模型进行语义分类抽取的方式，所抽取出的目标词。可以理解的是，第一目标词与第二目标词是通过两种不同方式抽取得到的目标词，其中，抽取得到的第一目标词与第二目标词可能相同，也可能不同。
68.本发明实施例中，语义分类模型是具有语义识别能力的机器学习模型，具体可以基于文本语义分类样本对机器学习模型进行训练得到的，例如具体可以是基于语言类机器学习模型训练得到。其中，文本语义分类样本包含有海量词语以及各词语所对应的语义分类标签，从而使语言分类类机器学习模型进行预训练。其中，机器学习模型可以包括但不限于全连接神经网络模型dnn(deep neural networks)、卷积神经网络模型cnn(convolutional neural networks)等，本发明实施例不做具体限定。另外，本发明实施例中的语义分类抽取，即按照海量词语的语义分类进行抽取第二目标词，语义分类包括但不限于名词、动词、形容词等，从而使得抽取的第二目标词具有语义分类效果。
69.需要说明的是，由于语义分类模型为基于自然语言语义训练样本进行训练得到的，电子设备在基于语义分类模型进行语义分类抽取时，即通过语义分类模型对待处理文本中的文本特征进行语义分类处理，从而得到所需要抽取的第二目标词。
70.可以理解的是，电子设备可以先按照目标策略对获取的待处理文本进行文本抽取，也可以先基于已训练的语义分类模型对待处理文本进行语义分类抽取，还可以同时按照目标策略和通过已训练的语义分类模型两种方式分别对待处理文本进行处理，本技术对此不作限定。
71.103、对所述第一目标词和所述第二目标词进行融合处理，得到情感目标词。
72.可以理解，情感目标词可以表征待处理文本中具有情感特征的词，例如具体可以是按照预设规则判定出具有情感属性的词、以及在语义上具有情感语义的词等等。
73.本发明实施例中，由于第一目标词、第二目标词是按照不同方式抽取的，第一目标词与第二目标词可能相同、可能不同、还可能存在重叠覆盖等情况，因此，为了确保情绪识别的准确性，将第一目标词与第二目标词进行融合处理，从而将融合后的情感目标词作为进行情感识别的语义依据。
74.其中，对于第一目标词与第二目标词的融合处理，电子设备可以基于第一目标词与第二目标词之间的匹配关系进行确定，例如，若第一目标词与第二目标词的匹配关系为
包含关系，第一目标词包含第二目标词，则可以直接将第一目标词作为待处理文本融合后的情感目标词，本发明实施例不做具体限定。
75.104、对所述情感目标词进行情感识别处理，得到所述待处理文本的情感识别结果。
76.本发明实施例中，当融合得到情感目标词后，电子设备基于此情感目标词进行情感识别处理，此时，情感识别处理可以基于已完成模型训练的情感识别模型进行识别预测，本发明实施例中对语言模型不做具体限定。
77.需要说明的是，若当前执行端即电子设备为应用服务端，则可以直接部署有已完成模型训练的语言模型，从而基于101-103步骤中得到待处理文本的情感目标词后，直接进行情感识别处理，得到情感识别结果，以便将情感识别结果进行输出或上报，本发明实施例不做具体限定。
78.本发明实施例通过按照目标策略抽取待处理文本中的第一目标词，并同时基于已训练的语义分类模型抽取待处理文本中的第二目标词，以进行情感目标词的融合，从而基于完成融合的情感目标词进行情感识别，减少情绪分析不一致的情况，满足不同类型的目标词的分类需求，使得对情感识别处理更为灵活，从而提高了待处理文本情感分析的准确性。
79.在一示例性实施例中，为了进一步限定及说明，如图3所示，步骤对所述第一目标词和所述第二目标词进行融合处理，得到情感目标词包括：
80.201、获取所述第一目标词的第一目标词位置，以及所述第二目标词的第二目标词位置；
81.202、基于所述第一目标词位置与所述第二目标词位置之间的匹配关系，对所述第一目标词、所述第二目标词进行融合，得到情感目标词。
82.由于待处理文本通常通过字符串的进行表示，例如待处理文本为长度为n的字符串组成，表示为s＝{w1,w2,...,wn}。为了加强基于目标词对情感识别处理准确性，具体的，在抽取第一目标词、第二目标词时，可以通过目标词位置进行表示，如得到m个第一目标词的集合为{(s1,e1)，(s2,e2)，...(sm,em)}，s为第一目标词中各词语的起始位置，e为第一目标词中各词语的结束位置，从而通过集合{(s1,e1)，(s2,e2)，...(sm,em)}表示第一目标词的全部词语，第二目标词的表示方式与第一目标词的表示方式相同，本发明实施例不做具体限定。
83.在一个具体的待处理文本场景中，待处理文本为“这个灯的节能性能挺好，但是网络太差了”，抽取的第一目标词或第二目标词若为[“节能性能挺好”，“网络太差”]，则对应表示的集合为{(4，9)，(13，16)}，本发明实施例不做具体限定。
[0084]
需要说明的是，由于第一目标词、第二目标词可以基于抽取的各词语的目标词位置集合进行表示，因此，在进行融合时，为了提高情感分析的准确性，电子设备获取第一目标词的第一目标词位置以及第二目标词的第二目标词位置，以基于第一目标词位置与第二目标词位置确定第一目标词与第二目标词之间的匹配关系，从而进行对应的融合处理。
[0085]
可以理解，匹配关系可以包括顺接关系、包含关系、交叉关系、相同关系。其中，顺接关系表征第一目标词位置与第二目标词位置为可以连续顺次相接的关系，例如，第一目标词位置为(3，5)，第二目标词位置为(6，8)，第二目标词位置顺接于第一目标词位置，即确
定第一目标词与第二目标词是顺接关系。
[0086]
包含关系表征其中一个目标词位置在位置长度上将另一个目标词位置的位置长度全部包含的关系，例如，第一目标词位置为(3，4)，第二目标词位置为(2，5)，第二目标词位置包含第一目标词位置，即确定第一目标词与第二目标词是包含关系。
[0087]
交叉关系表征第一目标词位置与第二目标词位置之间存在重叠交叉部分的关系，例如，第一目标词位置为(2，4)，第二目标词位置为(3，5)，第一目标词位置与第二目标词位置存在交叉，即确定第一目标词与第二目标词是交叉关系。
[0088]
相同关系表征第一始终止位置与第二目标词位置完全相同的关系，例如，第一始终止位置为(5，9)，第二目标词位置为(5，9)，第一始终止位置与第二目标词位置相同，即第一目标词与第二目标词是相同关系。
[0089]
此时，为了满足融合需求，从而提高基于目标词进行情感分析的准确性，对于不同的匹配关系可以采用不同的融合方式，从而得到唯一作为情感识别的情感目标词。
[0090]
在一示例性实施例中，为了进一步限定及说明，步骤基于所述第一目标词位置与所述第二目标词位置之间的匹配关系，对所述第一目标词、所述第二目标词进行融合，得到情感目标词包括：
[0091]
若所述匹配关系为顺接关系，则将所述第一目标词位置、所述第二目标词位置进行连接，确定为情感目标词的情感目标词位置；
[0092]
若所匹配关系为包含关系，则基于所述第一目标词位置、所述第二目标词位置的位置长度，确定情感目标词的情感目标词位置；
[0093]
若所述匹配关系为交叉关系，则将所述第一目标词位置以及所述第二目标词位置，共同确定为情感目标词的情感目标词位置；
[0094]
若所述匹配关系为相同关系，则选取所述第一目标词位置、所述第二目标词位置中任意一个，确定为情感目标词的情感目标词位置。
[0095]
具体的，若匹配关系为顺接关系，电子设备则将第一目标词位置与第二目标词位置进行连接，确定为情感目标词的情感目标词位置，从而得到情感目标词的位置表示。如第一目标词位置为(3，5)，第二目标词位置为(6，8)，则将第一目标词位置与第二目标词位置进行连接，确定为情感目标词的位置表示，此时，情感目标词通过情感目标词位置表示为(3，8)。
[0096]
具体的，若匹配关系为包含关系，则基于第一目标词位置、第二目标词位置的位置长度，确定情感目标词的情感目标词位置，从而得到情感目标词的位置表示。此时，为了确保情感目标词的完整性，基于位置长度确定情感目标词的情感目标词位置，可以选取位置长度较长的目标词位置直接作为情感目标词的情感目标词位置。例如，第一目标词位置为(3，4)，第二目标词位置为(2，5)，第二目标词位置包含第一目标词位置，第二目标词位置的位置长度较长，将第二目标词位置的位置(2，5)确定为情感目标词的情感目标词位置。
[0097]
具体的，若匹配关系为交叉关系，则将第一目标词位置以及第二目标词位置，共同确定为情感目标词的情感目标词位置，从而得到情感目标词的位置表示。当存在交叉关系时，为了避免丢失任一目标词，不删除或不整合任意一个目标词位置，即直接将第一目标词位置、第二目标词位置共同作为情感目标词的情感目标词位置。例如，第一目标词位置为(2，4)，第二目标词位置为(3，5)，第一目标词位置与第二目标词位置存在交叉，则直接将包
含[(2，4)、(3，5)]的集合作为情感目标词的情感目标词位置，用于表示情感目标词。
[0098]
具体的，若匹配关系为相同关系，则选取第一目标词位置、第二目标词位置中任意一个，确定为情感目标词的情感目标词位置。此时，为了删除冗余的目标词，相同的目标词位置的目标词表示相同，可以删除任意一个，保留一个作为目标词即可。例如，第一始终止位置为(5，9)，第二目标词位置为(5，9)，第一目标词位置与第二目标词位置相同，则保留任意一个即可，以得到情感目标词，以及情感目标词位置。
[0099]
具体的，在一个实施例场景中，步骤还包括：若所述第一目标词与所述第二目标词之间不存在匹配关系，则将所述第一目标词位置以及所述第二目标词位置，共同确定为情感目标词的情感目标词位置。
[0100]
为了确保目标词的完整性，从而提高基于情感目标词作进行情感识别的准确性，若第一目标词与第二目标词之间不存在匹配关系，则将第一目标词位置以及第二目标词位置，共同确定为情感目标词的情感目标词位置。例如，第一目标词位置为(3，6)，第二目标词位置为(11，16)，则可以将[(3，6)，(11，16)]作为情感目标词的情感目标词位置。
[0101]
需要说明的是，由于目标词可以有一个词语组成、也可以由多个词语组成，因此，对应的目标词位置可以为对应的一个位置，也可以为一个包含多个位置的集合。同时，在进行融合处理过程中，对于第一目标词或第二目标词的一个位置集合，可以基于词位置依次对每个词进行匹配关系的判断，从而确定融合处理的方法，得到最终的情感目标词的情感目标词位置，当然，最终的情感目标词也可以包含多个或一个词语，从而对应得到一个位置表示，或包含多个位置的位置集合，本发明实施例不做具体限定。
[0102]
在一示例性实施例中，为了进一步限定及说明，如图4所示，步骤按照目标策略对获取的待处理文本进行文本抽取，得到第一目标词包括：
[0103]
301、确定与所述待处理文本匹配的目标策略；
[0104]
302、基于所述目标策略对所述待处理文本进行文本抽取，确定所述第一目标词的起始位置以及终止位置，并根据所述起始位置和终止位置得到第一目标词。
[0105]
为了实现按照不同业务需求所人为配置的抽取规则抽取第一目标词，从而使得抽取的第一目标词作为满足业务需求的情感识别依据，其中，目标策略包括但不限于正则匹配规则、词典匹配规则等，从而实现针对不同业务需求进行匹配规则的灵活适用性，以满足不同的情感识别业务需求。
[0106]
另外，在对待处理文本进行第一目标词抽取前，可以先确定目标策略，具体地，电子设备可以基于不同情感识别对象确定对应的目标策略，即预先根据不同的情感识别对象配置匹配的匹配规则，例如，针对智能家居预先配置正则匹配规则1，针对应用程序产品预先配置正则匹配规则2，以针对不同业务场景确定对应的目标策略。其中，在基于目标策略进行抽取第一目标词时，可以基于一个正则匹配规则、或一个词典匹配规则的抽取方式，也可以基于正在匹配规则与词典匹配规则的抽取方式，即预先通过人为针对不同业务需求进行配置，本发明实施例不做具体限定。
[0107]
具体的，若匹配规则为词典匹配规则，即为按照自然语言技术对常用或常见的表示情感类词语作为一个词典库进行匹配对象的规则，如，bad(情感分类较差的)：【“性能太差”，“反应不灵敏”，“感觉不太好”，...，”效果很拉跨”】，good(情感分类较好的)：【“挺不错的”，“非常棒”，“很好”,...】，在基于词典匹配规则进行抽取第一目标词时，若待处理文本
中检测到上述bad、good所构建的词典库中的词时，进行抽取，确定第一目标词的起始位置以及终止位置，从而得到第一目标词。例如，待处理文本为“这款灯的性能太差”，则按照词典匹配规则进行抽取后，得到匹配词典批规则的“性能太差”，并可以确定“性能太差”所对应的起始位置以及终止位置(5，8)，得到第一目标词，本发明实施例不做具体限定。
[0108]
具体的，若匹配规则为正则匹配规则，即为按照人为预先设定的规则进行匹配的规则，如正则匹配规则为(灯|设备)(. )了，则只要触发这个正则匹配规则，则抽取(. )作为第一目标词。例如，待处理文本为“这个设备操作太不又友好了”，触发上述的正则匹配规则，则抽取出作为(. )的“操作太不友好”，确定起始位置以及终点位置(5，10)，从而确定第一目标词，本发明实施例不做具体限定。实现了结合人工干涉矫正深度学习模型的预测错误，从而提高情绪分析的准确性。
[0109]
在一示例性实施例中，为了进一步限定及说明，如图5所示，步骤基于已训练的语义分类模型对所述待处理文本进行分类抽取，得到第二目标词包括：
[0110]
401、通过已训练的语义分类模型对所述待处理文本进行特征提取，得到文本特征；
[0111]
402、基于所述语义分类模型对所述文本特征进行语义分类抽取处理，并通过所述语义分类模型的解码层预测第二目标词的起始位置以及终止位置，根据所述起始位置和终止位置得到第二目标词。
[0112]
为了实现按照语义分类模型抽取第二目标词，从而使得抽取的第二目标词可以满足不同语言语义分类需求。具体的，电子设备可以首先基于已训练的语义分类模型对待处理文本进行特征提取，得到需要进行语义分类抽取的文本特征，此时，语义分类模型基于文本语义分类样本进行训练得到，文本语义分类样本中包含以文本形式存储的全部的自然语言语料，例如包含全部中文词语语料，且中文词语语料已带有不同语义分类标签，如名词、动词等，从而基于文本语义分类样本对语义分类模型进行训练，以对待处理文本提取出文本特征，作为进行语义分类抽取的处理对象。
[0113]
本发明实施例中，在进行模型训练过程中，待训练的语义分类模型可以为语言类的机器学习模型，全连接神经网络模型dnn(deep neural networks)进行构造，以进行语义分类训练，抽取确定第二目标词的起始位置以及终止位置，以得到表示第二目标词的第二目标词位置。其中，在对语义分类模型进行模型训练过程中，全连接神经网络模型dnn的全连接层连接至解码层，以解码预测得到第二目标词的标签序列，即为通过解码层预测第二目标词的起始位置以及终止位置。其中，解码层可以为条件随机场crf层(random conditional field)，当基于全连接层将进行分类后的词语进行输出时，为了使得输出各个词语匹配最佳标签，在连接的crf层上对整个词语的位置表示序列进行运算，如通过维特比算法解码出最佳的标签序列，以得到第二目标词的初始位置以及终止位置的标签序列。其中，crf层中嵌入有一个序列化标注算法，如维特比算的，当在crf层接收一个全连接层输出的序列时，进行序列化标注运行，得到输出目标序列，例如，在语义标注中，输入序列为一串待标签多个词语的起始位置与终止位置，则输出序列就是带有标签的词语所对应的起始位置与终止位置，从而基于此起始位置与终止位置确定抽取到符合标签的第二目标词。
[0114]
具体的，如图6所示，语义分类模型可以优选为一种基于transformer模型得到的bert模型，即bert模型是基于transformer模型的深度双向语言模型，本发明实施例中bert
模型输出至全连接层，并配置全连接层的输出连接于条件随机场层(random conditional field)，即crf层，从而基于语义分类模型预测时可以在整个文本词语序列上通过维特比算法解码出最佳的标签序列，即得到如图5所示中输出层中的黑色矩形，表示抽取出的第二目标词所对应的起始位置以及终止位置，从而确定第二目标词。另外，语义分类模型还可以为根据业务需求配置为其他神经网络模型，本发明实施例不做具体限定。为了满足业务需求，提高第二目标词的抽取准确性，还可以对标签进行微量调整，从而使得语义分类模型抽取第二目标词更加准确。
[0115]
在一示例性实施例中，为了进一步限定及说明，步骤对所述情感目标词进行情感识别处理，得到所述待处理文本的情感识别结果包括：
[0116]
基于所述情感目标词的情感目标词位置，获取所述情感目标词对应的特征向量；
[0117]
通过已训练的情感识别模型提取所述特征向量对应的注意力向量；
[0118]
对所述注意力向量与所述特征向量进行融合处理，得到语义表示，并通过所述情感识别模型对所述语义表示进行情感分析处理，得到情感识别结果。
[0119]
由于目标词是基于包含起始位置以及终止位置的目标词位置进行表示的，为了准确地对情感目标词进行情感识别处理，在基于语义表示进行情感识别处理时，具体确定出情感目标词的情感目标词位置，以获取到此目标词所对应的特征向量。其中，每个任意的情感目标词位置(s,e)均对应表征一个情感目标词语义的特征向量h＝{h1,...,h
l
}，1≤s≤e≤l，l为句子长度，此时，h可以基于情感目标词进行字向量转化得到，例如，性能太差(性：h1,能：h2,太：h3,差：h4,了：h5)，h1，h2，h3，h4，h5都是维度相同的数组向量，从而得到h＝{h1,...,h5}。
[0120]
另外，为了针对情感目标词对情绪识别结果的分析贡献程度来进行情感识别处理，以提高情感分析的准确性，本发明实施例中引入注意力机制，即通过已训练的情感识别模型提取特征向量对应的注意力向量。具体的，首先计算注意力向量α，α＝softmax(w
αhe:s
)，其中，w
α
为计算情感目标词的自注意力机制的参数矩阵，h
e:s
为全部情感目标词所对应的特征向量，softmax是对类别的归一化，以通过情感识别模型中构建的注意力层提取特征向量对应的注意力向量。当得到注意力向量α后，通过向量运算，如加权求和的方式计算出情感目标词的语义表示即
[0121]
当得到语义表示后，在基于情感识别模型进行情感分析处理时，基于此语义表示预测情绪极性：即其中，w
p
为情感识别模型完成训练后得到的权重，从而预测并输出每个情感目标词对应的情绪识别结果，即情感目标词-情绪。其中，情感识别模型可以为与语义分类模型不同的其他机器学习模型，如深度神经网络模型，从而基于预先构建的情感识别训练样本进行模型训练，通过完成模型训练的情感识别模型进行情感预测识别，本发明实施例对于情感识别训练样本不做具体限定。
[0122]
在一示例性实施例中，为了进一步限定及说明，步骤述按照目标策略对获取的待处理文本进行文本抽取，得到第一目标词之前，所述方法还包括：
[0123]
确定所述待处理文本的最大文本长度；
[0124]
基于所述最大文本长度对预处理后的所述待处理文本进行文本长度校正处理，以
基于校正后的所述待处理文本进行第一目标词、第二目标词抽取。
[0125]
为了使待处理文本的文本规范化，从而确保在从待处理文本中抽取目标词时更加高效，提高情感分析的效率，在抽取目标词之前，可以对待处理文本进行文本预处理，以将文本预处理后的待处理文本作为抽取第一目标词、第二目标词的待处理文本。其中，所述文本预处理包括字符处理、符号处理、表达形式处理、冗余处理中至少一项，即针对待处理文本中所需要预处理的不同情况进行预处理。针对待处理文本中包含有非法字符，则可以执行字符处理，过滤非法标签字符串，以及删除除中英文意外的语言文字，本发明实施例不做具体限定。针对待处理文本中包含有不同全角或半角符号，则可以执行符号处理，将部分全角符号转换成半角符号，本发明实施例不做具体限定。针对待处理文本中包含简繁体文本，可以执行表达形式处理，将待处理文本中全部繁体字转换为简体字，以进行统一文本形式，本发明实施例不做具体限定。针对待处理文本中包含多余重复的标点符号、无意义的标点符号，则执行冗余处理，合并多次重复的标点、删除无意义的标点符号，本发明实施例不做具体限定。
[0126]
本发明实施例中，为了确保在基于情感识别模型进行情感识别时的模型处理效率，可以对待处理文本设置最大文本长度，以确保模型处理的目标词语义向量长度一致，提高语义分类模型处理准确性。具体的，当前执行端中存储有待处理文本匹配的最大文本长度，若待处理文本超出此最大文本长度，则对待处理文本进行截断处理，即从待处理文本中删除超出最大文本长度的文本内容，以确保文本长度一致。若待处理文本小于最为文本长度，则对待处理文本进行填充处理，即选取特定的字符添加至待处理文本的尾部，直至等于最大文本长度，其中，特定的字符优选为0，本发明实施例不做具体限定。
[0127]
在一示例性实施例中，为了进一步限定及说明，如图7所示，步骤还包括：
[0128]
501、对所述待处理文本进行对象识别，得到情感识别对象；
[0129]
502、对于多个待处理文本，基于各所述待处理文本的情感识别对象和情感识别结果，获取各所述情感识别对象分别对应的情感识别结果；
[0130]
503、根据各所述情感识别对象对应的情感识别结果，生成针对每个情感识别对象的问题定位信息；所述问题定位信息用于针对所定位的问题生成问题解决策略。
[0131]
本发明实施例中，在一个具体的应用场景中，由于待处理文本为通过语音录入的评价文本，或直接录入的评价文本，为了识别出针对何种对象进行评价，从而具体针对性地结合情感识别结果对此产品进行优化处理或设备维护等操作。
[0132]
可以理解，情感识别对象即表示需要进行情感识别的对象，具体可以是需要进行情感评价的产品对象。例如，具体可以包括但不限于硬件设备、软件产品、网络状态、系统功能等对象。
[0133]
具体的，电子设备首先从待处理文本中识别出情感识别对象。其中，对待处理文本进行对象识别时，可以基于包含全部情感识别对象的词语库与待处理文本进行匹配，从而从待处理文本中确定出情感识别对象，还可以基于用户自定义的实体名称词语库查找待处理文本中是否包含用户自定义的情感识别对象的实体名称，从而进行识别，本发明实施例不做具体限定。
[0134]
同时，由于本发明实施例中，基于如步骤101-104的情感识别方法可以对多个待处理文本进行识别，得到不同待处理文本的情感识别对象所对应的情感识别结果，此时，直接
获取已完成情感识别得到的情感识别对象所对应的情感识别结果即可，本发明实施例不做具体限定。
[0135]
需要说明的是，为了满足对情感识别对象的处理需求，减少情感识别对象的负面情感识别结果的产生，以提高情感识别对象的使用效率，确定情感识别对象对应的请求识别结果后，基于此情感识别结果生成问题定位信息，以基于此问题定位信息生成问题解决策略，即问题定位信息用于针对所定位的问题生成问题解决策略。其中，由于请求识别结果中包含有情感目标词的情感识别结果，例如，情感识别对象为网络，情感识别结果为差，则在生成问题定位信息时，可以基于情感识别对象与情感识别结果进行组合，得到问题定位信息，即网络差，此时，问题定位到网络差，从而生成对应的问题解决策略。
[0136]
对于问题解决策略，可以基于预先配置的问题策略对应关系，建立不同问题定位信息所匹配的问题解决策略，以便反馈至客户端，或反馈至应用开发端进行处理，例如，问题定位信息为智能灯语音识别慢，基于问题策略对应关系匹配到的问题解决策略为更新语音版本，以满足不同情感识别对象的情感识别结果在评价场景中的处理需求。
[0137]
在一示例性实施例中，为了进一步限定及说明，步骤还包括：
[0138]
响应于情感识别请求，获取所述情感识别请求携带的情感识别对象，并查找与所述情感识别对象匹配的待处理文本；
[0139]
若查找到所述待处理文本，则将所述待处理文本的情感识别结果确定为所述情感识别对象的情感识别结果；
[0140]
若未查找到所述待处理文本，则输出所述情感识别对象的情感识别处理请求，以获取所述待处理文本进行情感识别处理。
[0141]
本发明实施例中，在一个具体的应用场景中，当前执行端接收到对情感识别对象的情感识别请求后，查找与情感识别对象匹配的待处理文本，从而基于此待处理文本执行本技术实施例中情感识别处理。其中，情感识别对象为请求情感识别的对象，包括但不限于智能家居的硬件产品、互联网应用程序产品等，例如，情感识别对象为扫地机器人，则响应于情感识别请求，获取携带的情感识别对比为扫地机器人后，查找与扫地机器人匹配的待处理文本。此时，待处理文本可以为对扫描机器人进行评价的文本内容，如“a型扫地机器人反应太快啦。
[0142]
若查找到待处理文本，则执行对待处理文本的情感识别处理步骤，即执行步骤101-104的方法，从而确定情感识别结果，如“反应快-满意”。
[0143]
若未查找到待处理文本，说明当前执行端中不存在情感识别对象的待处理文本，因此，需要输出情感识别处理请求，指示用户录入对情感识别对象的进行情感识别的待处理文本，进行情感识别处理。例如，待查找到扫地机器人人的评价文本，输出扫地机器人的情感识别处理请求，用户在查看到此情感识别处理请求时，录入对扫地机器人进行评价的文本内容，以作为待处理文本进行情感识别处理，本发明实施例不做具体限定。
[0144]
需要说明的是，当前执行端中可以预先存储有不同情感识别对象的多个待处理文本，即包含对不同情感识别对象，不同用户所录入的需要进行情感识别的文本内容，从而在需要进行情感识别时，获取匹配的待处理文本进行情感识别。另外，由于待处理文本为对情感识别对象进行评价的内容，针对情感识别结果，可以进行解析，若情感识别结果为正面情感，说明用户使用情感识别对象比较满意，若情感识别结果为负面情感，说明用户使用情感
识别对象不满意，因此，针对负面情感的情感识别结果，则可以作为对情感识别对象进行优化或处理的依据。
[0145]
在一个具体的应用场景中，包括：采集到用户对语音助手产品的使用评价信息为用户录入的“你这个语音助手的语义理解做得很好，但是语音识别算法做得太垃圾了”，则转化此作为评价内容的待处理文本，并对此待处理文本进行情绪分析。此时，由于一句待处理文本中，目标词中可以包含多个词语，每个词语的情绪极性可以不同。因此，如图8所示，文本预处理、目标词抽取后，进行目标词的情绪分类，得到最终作为情绪分析结果的目标词-情绪对，即语义理解：good，语音识别：bad。进一步地，当完成对评价信息进行情绪分析后，可以基于情绪分析结果应用至不同的应用场景中，从而将情绪分析结果作为处理的依据，例如，通过分析用户的情感判别用户此时的产品使用是否出现问题，如“网络又不行了”确定情绪分析结果为(网络：bad)，此时，可以进行网络反馈，以进入运营系统，解析具体的问题，本发明实施例不做具体限定。
[0146]
在另一个具体的应用场景中，具体包括包括：由于待处理文本为文本内容，而对于智能家居场景而言，针对语音产品，如“x爱同学”智能语音产品，用户可以基于语音方式通过语音产品录入对产品进行评价的语音数据，此时，语音产品可以在本地进行文本转换，或者将语音数据上传至当前执行端进行文本转换得到待处理文本，从而实现收集不同用户对语言产品进行情感识别的评价内容，作为待处理文本，等待情感识别。
[0147]
另外，需要说明的是，当识别得到用户对某具体产品的情感结果后，为了提高不同业务产品的使用率，可以基于情感识别结果解析情感识别对象的优化改进策略，从而提高情感识别对象的使用效率。结合情感识别结果中包含情感目标词-情绪，因此，预先配置不同情感识别对象与不同情感目标词、不同情绪匹配的问题解决策略，从而在确定情感识别结果后，调取匹配的处理对情感识别对象进行优化。
[0148]
其中，问题解决策略可以基于情感识别对象的不同配置为不同的处理方式，例如，针对智能家居类的硬件设备，可以配置为硬件设备的更换策略，例如，得到扫地机器人刷头差的情感识别结果，则匹配的处理策略可以为更换梳头，从而为用户提供优质、便捷的优化建议。例如，针对应用程序类的软件程序，可以配置为软件升级的改进策略，例如，得到扫地机器人路线误差大的情感识别结果，则匹配的处理策略可以为升级扫地路线，从而为用户提供智能化的优化方式。
[0149]
应该理解的是，虽然图2-5、7的流程图中的各个步骤按照箭头的知识依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤并没有严格的顺序限制，这些步骤可以以其他的顺序执行。而且，图2-5、7中的至少一部分步骤可以包含多个子步骤或者多个阶段，这些子步骤或阶段并不必然是在同一时刻执行完成的，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序可不必然是依次进行的，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或交替地执行。
[0150]
本发明实施例提供了一种情感识别处理方法，本发明通过按照目标策略抽取待处理文本中的第一目标词，并同时基于已训练的语义分类模型抽取待处理文本中的第二目标词，以进行情感目标词的融合，从而基于完成融合的情感目标词进行情感识别，减少情绪分析不一致的情况，满足不同类型的目标词的分类需求，使得对情感识别处理更为灵活，从而
提高了待处理文本情感分析的准确性。
[0151]
基于上述问题，本发明实施例提供了一种情感识别处理装置，如图9所示，该方法包括：
[0152]
第一抽取模块61，用于按照目标策略对获取的待处理文本进行文本抽取，得到第一目标词；
[0153]
第二抽取模块62，用于基于已训练的分类模型对所述待处理文本进行分类抽取，得到第二目标词；
[0154]
融合模块63，用于对所述第一目标词和所述第二目标词进行融合处理，得到情感目标词；
[0155]
处理模块64，用于对所述情感目标词进行情感识别处理，得到所述待处理文本的情感识别结果。
[0156]
在一示例性实施例中，所述融合模块包括：
[0157]
获取单元，用于获取所述第一目标词的第一目标词位置，以及所述第二目标词的第二目标词位置；
[0158]
融合单元，用于基于所述第一目标词位置与所述第二目标词位置之间的匹配关系，对所述第一目标词、所述第二目标词进行融合，得到目标词。
[0159]
在一示例性实施例中，所述融合单元，具体用于若所述匹配关系为顺接关系，则将所述第一目标词位置、所述第二目标词位置进行连接，确定为情感目标词的情感目标词位置；若所述匹配关系为包含关系，则基于所述第一目标词位置、所述第二目标词位置的位置长度，确定情感目标词的情感目标词位置；若所述匹配关系为交叉关系，则将所述第一目标词位置以及所述第二目标词位置，共同确定为情感目标词的情感目标词位置；若所述匹配关系为相同关系，则选取所述第一目标词位置、所述第二目标词位置中任意一个，确定为情感目标词的情感目标词位置。
[0160]
在一示例性实施例中，所述第一抽取模块包括：
[0161]
确定单元，用于确定与所述待处理文本匹配的目标策略；
[0162]
第一抽取单元，用于基于所述目标策略对所述待处理文本进行文本抽取，确定所述第一目标词的起始位置以及终止位置，并根据所述起始位置和终止位置得到第一目标词。
[0163]
在一示例性实施例中，所述第二抽取模块包括：
[0164]
第二抽取单元，用于通过已训练的语义分类模型对所述待处理文本进行特征提取，得到文本特征；所述语义分类模型基于文本语义分类样本进行训练得到；
[0165]
处理单元，用于基于所述语义分类模型对所述文本特征进行语义分类抽取处理，并通过所述语义分类模型的解码层预测第二目标词的起始位置以及终止位置，根据所述起始位置和终止位置得到第二目标词。
[0166]
在一示例性实施例中，所述处理模块包括：
[0167]
获取单元，用于基于所述情感目标词的情感目标词位置，获取所述情感目标词对应的特征向量；
[0168]
提取单元，用于通过已训练的情感识别模型提取所述特征向量对应的注意力向量；
[0169]
处理单元，用于对所述注意力向量与所述特征向量进行融合处理，得到语义表示，并通过所述情感识别模型对所述语义表示进行情感分析处理，得到情感识别结果。
[0170]
在一示例性实施例中，所述装置还包括：确定模块，
[0171]
所述确定模块，用于确定所述待处理文本的最大文本长度；
[0172]
所述处理模块，还用于基于所述最大文本长度对预处理后的所述待处理文本进行文本长度校正处理，以基于校正后的所述待处理文本进行第一目标词、第二目标词抽取。
[0173]
在一示例性实施例中，所述装置还包括：
[0174]
获取模块，用于对所述待处理文本进行对象识别，得到情感识别对象；
[0175]
识别模块，还用于对于多个待处理文本，基于各所述待处理文本的情感识别对象和情感识别结果，获取各所述情感识别对象分别对应的情感识别结果；
[0176]
生成模块，用于根据各所述情感识别对象对应的情感识别结果，生成针对每个情感识别对象的问题定位信息；所述问题定位信息用于针对所定位的问题生成问题解决策略。
[0177]
关于情感识别处理装置的具体限定可以参见上文中对于情感识别处理方法的限定，在此不再赘述。上述情感识别处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0178]
本发明实施例提供了一种情感识别处理装置，本发明通过按照目标策略抽取待处理文本中的第一目标词，并同时基于已训练的语义分类模型抽取待处理文本中的第二目标词，以进行情感目标词的融合，从而基于完成融合的情感目标词进行情感识别，减少情绪分析不一致的情况，满足不同类型的目标词的分类需求，使得对情感识别处理更为灵活，从而提高了待处理文本情感分析的准确性。
[0179]
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述情感识别处理方法对应的操作。
[0180]
根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0181]
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述情感识别处理方法对应的操作。
[0182]
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
[0183]
图10示出了根据本发明一个实施例提供的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
[0184]
如图10所示，该终端可以包括：处理器(processor)702、通信接口(communications interface)704、存储器(memory)706、以及通信总线708。
[0185]
其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。
[0186]
通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。
[0187]
处理器702，用于执行程序710，具体可以执行上述情感识别处理方法实施例中的相关步骤。
[0188]
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
[0189]
处理器702可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0190]
存储器706，用于存放程序710。存储器706可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0191]
程序710具体可以用于使得处理器702执行上述各实施例中的情感识别处理方法。
[0192]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，所述的计算机程序可存储于一非易失性计算机可读存储介质中，该计算机程序在执行时，可包括如上述方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其他介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(rom)、电可编程rom(eprom)、可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0193]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应该认为是本说明书记载的范围。
[0194]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。