相关段落检索系统的制作方法

计算系统的用户使用查询来运行对电子对象的搜索。例如，用户在互联网、电子邮件系统、视频存档和其他数据库上运行搜索。随着存储的电子对象的数量增加，搜索电子对象的语料库并将相关结果返回给用户变得越来越具有挑战性。此外，用户越来越期望快速访问与查询相关的信息，而不必访问可由查询返回的各种电子对象。这对于使用移动设备提交的查询而言尤其如此。移动设备的小形状因子使得用户更难以筛选遍历响应于查询而被返回的电子对象。因为这个原因，有益的是提供一种其中对查询的回答被直接提供给用户而不需要用户实际访问电子对象以寻找答案的机制。

本文中所公开的各方面正是就这些和其他一般考虑事项而作出的。而且，尽管可能讨论了相对具体的问题，但是应当理解，各示例不应被限于解决本

背景技术：
中或本公开中其他地方所标识的具体问题。

概述

提供本概述来以简化形式介绍概念的选集，这些概念将在以下详细描述部分中作进一步描述。本概述并不旨在标识出所要求保护的主题的所有关键特征或必要特征，亦非旨在帮助确定所要求保护的主题的范围。

本技术的各方面涉及从用户查询返回结果。例如，用户可提供查询(诸如自然语言查询)，从而在web浏览器、电子邮件搜索界面、或云搜索界面、文件系统搜索界面或任何其他类型的搜索界面中搜寻信息。本文中所描述的技术的各方面提供了用于从电子对象(诸如网页、文字处理文档、电子表格、视频等)的语料库中标识高度相关的段落并返回回答用户查询的最相关的(诸)段落的系统和方法。该段落可以直接从电子对象获得，或者可以从来自一个或多个电子对象的多个高排名的段落生成。其他信息可被返回，诸如电子对象中(诸)段落被从其获得的位置。这可以是url链接、电子邮件链接或其他对象链接。

各示例被实现为计算机进程、计算系统、或者诸如设备、计算机程序产品或计算机可读介质等制品。根据一方面，计算机程序产品是计算机系统可读并对包括用于执行计算机进程的指令的计算机程序进行编码的计算机存储介质。

一个或多个方面的细节在附图和以下描述中被阐明。根据对以下详细描述的阅读和对相关联附图的审阅，其他特征和优点将是显而易见的。要理解的是下面的详细描述仅仅是解释性的，而不是对权利要求的限制。

附图简述

合并在本公开中并构成其一部分的附图解说了各个方面。在附图中：

图1解说了用于从电子对象的语料库中检索相关段落的示例性联网计算环境。

图2解说了用于提供段落的示例性方法。

图3解说了用于基于查询返回相关段落的示例性段落检索系统。

图4解说了相关段落和到示例性电子对象的链接的示例输出。

图5解说了用于标识取决于查询的段落的示例性方法。

图6解说了用于标识文档中的取决于查询的段落的方法。

图7解说了用于基于语义转换模型对段落进行排名的示例性方法。

图8解说了基于查询和样本目标电子对象来标识段落的特征而产生的示例输出。

图9解说了将段落类型与查询类型进行匹配的示例性方法。

图10解说了使用用于将段落类型与查询类型进行匹配的方法所生成的示例输出。

图11解说了基于上下文含义将电子对象与查询进行匹配的示例性方法。

图12提供了基于电子对象的信头将电子对象与查询进行匹配的示例。

图13解说了对段落进行排名的聚合模型的示例性方法。

图14是对段落应用聚合方法的示例。

图15解说了将段落中的回答模式与针对查询的查询回答模式进行匹配的示例性方法。

图16提供了使用将回答模式与查询进行匹配的方法所生成的结果的示例。

图17是解说可用来实施本公开的各方面的计算设备的示例物理组件的框图。

图18a和18b是可用来实施本公开的各方面的移动计算设备的简化框图。

图19解说了如以上所描述的用于web规模段落检索的系统的架构的一个示例。

详细描述

以下将参考形成本公开的一部分并且示出各具体示例性方面的附图来更详尽地描述本公开的各个方面。然而，本公开的不同方面可以以许多不同的形式来实现，并且不应被解释成限于本文中所阐述的各方面；相反，提供这些方面以使得本公开将更为透彻和完整，并且这些方面会将各方面的范围完整地传达给本领域技术人员。各方面可以被实现为方法、系统或设备。相应地，这些方面可采用硬件实现的形式、全软件实现的形式或者结合软件和硬件方面的实现的形式。因此，以下详细描述不应被视为具有限制意义。

现有的搜索系统检索电子对象或到电子对象的链接作为结果。例如，web搜索系统可响应于查询来检索到网页的url链接，而文件系统搜索界面可检索一个或多个文件。一般而言，从现有搜索系统返回的结果不是提交了查询的用户正在查找的“精确信息”。例如，在网络搜索系统的情形中，用户必须点击被返回的url链接之一以访问实际包含用户正在查找的信息的电子对象。

在本公开中，术语“段落(passage)”被使用。段落是提供对用户的搜索意图的更直接履行的信息或内容的片段。例如，响应于互联网搜索查询，并非仅仅返回url的列表，而是搜索一组url的内容来标识和提取相关信息以回答该查询。从url生成或提取的段落将被返回给用户。应当领会，尽管本公开通常涉及url和返回基于文本的段落，但是本公开不限于此。段落不限于文本信息。在各个方面，段落可以是图像、视频、和/或不同信息的组合。

附加地，本公开讨论了标识语义含义或词语、短语(例如，任何n元语法(n-gram))。作为具体示例，可以使用查询和段落之间的关键词和实体来解释语义含义。关键词是词语，可能有助于确定电子对象以及查询中的句子、短语和段落的意图和领域。实体类似于关键词，但是附加地是如在自然语言查询或段落的上下文中所使用的那样具有除文字定义之外的替代含义的词语或短语。例如，词语“超级碗”通常不会照字面意指优秀的体育场，但是正常情况下指的是国家橄榄球联盟的冠军赛。

本发明技术的各方面包括对机器学习模型的使用。机器学习模型将使用一组训练数据来学习如何识别自然语言中的语义模式。训练数据将以针对特定任务训练模型的方式来被标记。例如，当标识句子中的关键词时，该模型将被训练以识别加利福尼亚特大号床(californiaking)作为与床垫相关的一个实体，而不一定是加利福尼亚州的君主。本领域技术人员将领会，本文中所公开的技术可以采用各种不同类型的机器学习办法和模型，包括但不限于，决策树学习、关联规则学习、人工神经网络、深度学习、支持向量机、贝叶斯网络等。

作为非限制性示例，用户可以向互联网搜索引擎提交以下查询：“加利福尼亚特大号床会不会适合特大号床床架？”响应于接收到该查询，传统搜索引擎将提供到被标识为与该查询相关的网页的链接的列表。作为基于关键词搜索提供最相关的链接的替换或补充，本文中所描述的技术的各方面返回诸如“标准特大号床床架尺寸为76英寸宽乘80英寸长。加利福尼亚特大号床尺寸为72英寸宽和85英寸长，因而比标准的特大号床垫长5英寸但要窄4英寸”之类的回答。因此，本文中所描述的技术可被应用于标识/生成向该查询和其他查询提供被更严密定制的回答的段落，从而使得用户可以比在传统搜索系统中更快地获得精确信息。

本文中所公开的各方面涉及一种用于跨电子对象的整个网络(诸如互联网)查找相关段落的检索系统。附加地，公开了电子对象排名和段落排名算法和技术。由此，除了提供其他益处之外，本文中所公开的技术的各方面不仅提供对现有回答检索系统的覆盖范围的改进，而且还通过使用web排名算法和技术提供更精确的段落。为了便于解说，在提供使用web内容所标识或合成的段落方面描述了本公开的各个方面。然而，本领域技术人员将领会，本文中所描述的技术可跨各种不同类型的内容存储来被采用，所述内容存储诸如但不限于，数据库、文件系统、电子邮件邮箱和/或存档、社交媒体网络等。

现在转到图1，图1解说了用于从电子对象的语料库中检索相关段落的联网计算环境100。电子对象的语料库由搜索应用可访问的电子对象来定义。电子对象的语料库的大小可取决于搜索应用的类型而变化。例如，对文件系统搜索应用可用的文档语料库被限于存储在该文件系统上的电子对象。然而，对web搜索应用可用的电子对象的语料库可包括可以在互联网上访问的每个电子对象。如图所示，图1包括计算设备102、联网数据库104和服务器106，它们中的每一个经由网络108彼此通信地耦合。

计算设备102可以是任何合适类型的计算设备。例如，计算设备102可以是台式计算机、膝上型计算机、平板、移动电话、智能电话、可穿戴计算设备等之一。附加地，当前技术的各方面包括储存浏览器110和搜索应用112的计算设备。

浏览器110可以是互联网搜索浏览器。用户可通过包括文本、触摸、姿势或口头语言的各种方式向浏览器110输入搜索查询。浏览器110可被配置成接收查询并将查询传送到被储存在一个或多个服务器上的搜索引擎，诸如被储存在服务器106上的搜索引擎114。

如图所示，计算设备102包括搜索应用112。搜索应用112可以是被编程为接收用于搜索诸如电子邮件、视频文件、文字处理文档等电子对象的查询的搜索应用。在某些方面，所接收的输入是自然语言查询。所接收的查询可被发送到服务器106。本发明技术的各方面包括具有通过文本、触摸、和/或语音输入接收查询的能力的搜索应用112。搜索引擎114可被配置成接收查询并将查询传送到被储存在一个或多个服务器上的搜索引擎，诸如被储存在服务器106上的搜索引擎114。

系统100还可包括数据库104。数据库104可被用来储存各种信息以帮助从电子对象的语料库中检索相关的段落。例如，深度神经网络118(“dnn”)和机器学习模型120可被提供给服务器106，以帮助从电子对象的语料库中检索相关的段落。

如图所示，搜索引擎114和段落提取引擎116可驻留在诸如服务器106之类的远程设备上。然而，在其他示例中，搜索引擎114和段落提取引擎116可被储存在另一计算设备上，诸如计算设备102。搜索引擎114和段落提取引擎116中的一者或两者接收来自诸如计算设备102之类的计算设备的查询。搜索引擎114接收查询，并且使用该查询来标识可能满足该查询的潜在电子对象的语料库。在本发明技术的各方面中，段落提取引擎116对电子对象(诸如由搜索引擎114标识出的那些对象)的语料库内的段落进行标识、分析和排名。

网络108促成诸如计算设备102、数据库104和服务器106之类的设备之间的通信。网络108可包括互联网和/或任何其他类型的局域网或广域网。设备之间的通信允许查询、与电子对象的语料库相关的信息、相关的段落和其他信息的交换。

图2解说了用于提供段落的方法200。在各示例中，方法200可以在包括被配置成储存和执行操作、程序或指令的至少一个处理器的设备上被执行。然而，方法200不限于这些示例。在其他示例中，方法200可以在用于提供用户输入的存储和/或操纵的应用或服务上被执行。在至少一个示例中，方法200可以由分布式网络(诸如web服务/分布式网络服务(例如，云服务))的一个或多个组件来执行(例如，计算机实现的操作)。方法200起始于接收查询操作202。在接收查询操作202中，查询被接收。查询可以是由搜索应用、web浏览器、个人数字助理等接收到的自然语言查询。在其他方面，查询是符合特定句法的结构化查询。

方法200行进到标识语料库操作204。在操作204中，电子对象的语料库(诸如储存电子邮件或互联网域名的数据库)被标识。在一个方面，传统搜索引擎可被采用来标识与查询相关的电子对象的语料库。例如，由搜索引擎生成的排名靠前的url的列表可构成电子对象的语料库，其中该电子对象是由url表示的页面。在某些方面，语料库可以基于查询来被标识。替代地，语料库可以在不使用查询的情况下被标识，诸如特定数据库、web域、电子邮件服务器等。在进一步的方面，语料库可以基于接收到查询的应用可访问的网络和/或数据存储来被标识。在进一步的方面，附加处理可被执行以标识语料库。在这些方面，过滤和/或排名可被利用来标识电子对象的语料库。例如，诸如互联网搜索引擎之类的搜索引擎可以接收查询，并且基于该查询来产生包括可能满足该查询的信息的排名靠前的候选url的经排名的列表。在这样的示例中，与所有相关url相对的排名靠前的候选url可被标识为电子对象的语料库。搜索引擎所使用的查询可以与在操作202中接收到的查询相同或类似。换言之，搜索引擎在标识电子对象的语料库之前处理或以其他方式改变查询。

方法200接着行进到解析内容操作206。在一个方面，作为语料库的一部分的每个电子对象可被解析。在替代方面，仅多个高排名的电子对象(例如，5、10、15、20……200等)被选自操作204中所标识的经排名的语料库。因为解析可能在计算上是昂贵且耗时的，所以仅解析一组高排名的电子对象以便提供对查询的及时响应可能是有益的。替代地，对电子对象的语料库的预解析可以在接收查询之前被执行。在操作206处，电子对象的内容被解析。例如，在语料库是已由搜索引擎排名排序的网页的情况下，每个网页的内容被解析。解析可以确定内容并将其描述成段落。这可以是基于规则的系统，诸如通过标识文档中的回车、正文的存在、视频中的章节、音频剪辑中的数字标记等来将内容描述成段落。附加地或替代地，具有类似语义含义的内容可被分组在一起作为段落。

附加地，每个段落的语义含义可以在解析操作206期间被确定。语义含义可以使用机器学习模型来确定。

方法200接续行进到在操作208处对语料库中的每个电子对象(或由排名标识的电子对象的子集)中的段落进行排名。可以通过将段落的语义含义与查询的语义意图进行比较来对每个电子对象的段落进行排名。可以通过在段落和查询之间构建语义转换模型来将查询的关键实体与段落中的实体进行比较。替代地或附加地，查询回答类型可以与段落中所呈现的信息进行比较。更进一步，查询和段落的上下文可以被比较。此外，查询和段落之间的关键特征可被分析。对段落执行这些技术中的一种或多种的结果是指示段落直接回答所接收的查询的可能性的数值分数。

方法200接着行进到排名聚合段落操作210。方法200可以从每个排名靠前的候选文档中标识每个经排名的段落。每个经排名的段落可接着与来自其他电子对象的经排名的段落进行聚合。在各方面中，经聚合的段落相对于彼此进行排名。在各方面中，排名通过比较段落的数值分数而发生，该分数在操作208中被确定。替代地，替代模型可被用来为经聚合的段落生成新的分数。

方法212接着行进到选择段落操作212。在选择段落操作中，来自经排名的经聚合的段落的一个或多个靠前排名的段落被选择。(诸)所选择的段落接着在操作214处被返回。

图3解说了用于基于查询返回相关段落的示例性段落检索系统300。段落检索系统300可以与web搜索基础设施集成。段落检索系统300在解释服务302处解释查询。在查询解释服务302中，查询可被解释以确定查询的意图以及预期的回答类型。例如，用户可以以“什么饮品含有最少量的卡路里”来查询系统。用户的意图可被标识为想要搜索互联网以确定各饮料以及与每种饮料相关联的卡路里数量的列表，从最低到最高排序排名。查询的意图可以使用机器学习、深度神经网络或本领域已知的任何其他机制来确定而不脱离本公开的范围。查询解释服务302还可执行附加操作，诸如解析查询、变换查询、确定查询是否需要附加信息、提示用户提供附加信息等。查询以及任何解释被发送到选择服务304。

在段落提取服务303处，一个或多个电子对象被分析以确定潜在的相关段落。提取服务可以在任何查询被接收到之前分析电子文档的语料库。提取服务可通过标识电子对象内的信号来分析该对象。该信号表明电子对象是否具有可能有用的内容。在各实施例中，内容被解析成各个个体段落。如果段落具有与可能的相关性相关联的信号，则该段落被旗标为潜在相关。在各方面中，段落提取服务在接收查询之前(离线提取)或者在接收查询之后(在线提取)从可能相关(或将不相关)的各电子对象中标识和制定段落候选。在各方面中，离线提取允许对查询更快速的处理。作为示例，web域可被搜索并且内容可被解析。内容可被标识为主要包含广告或空白页面，在这样的示例中，网页可被标记为不相关。被旗标的段落和/或电子对象被发送到段落排名服务310。

在选择服务304处，候选电子对象被确定以用于进一步处理。跟随上面的示例，系统可标识按相关关键词卡路里、饮品、饮料等分类的网页的列表。标识url中的相关网页的其他方法可被使用。所得到的电子文档的语料库被发送到文档排名服务306。经返回的电子对象可接着在文档排名服务306处通过关键词或语义相关性进行排名。

在文档排名服务306处所确定的排名最高的候选被传递到预标题(pre-caption)排名服务308。预标题排名服务308进一步确定电子对象的相关性。诸如概率之类的数值分数可以与每个候选文档相关联以便确定相关性。预标题排名服务308的结果是经预标题排名的电子对象(诸如链接相关网页的url)的列表。预标题排名服务308的结果被传递到标题生成器311和段落排名服务310两者。

在段落排名服务310处，对预标题排名服务308的结果的每一者的各个个体段落进行排名。段落的标识利用段落提取服务303来执行。为了继续上面的示例，预标题排名服务可能已经返回了与用户的意图相关的10个url的列表。由每个url标识的电子对象内的每个段落被排名。由不同url标识的不同电子对象可包含不同数量的段落。换言之，由url1标识的电子对象(以下称为“url1”)可具有3个段落，由url2标识的电子对象(以下称为“url2”)可具有7个段落，等等。每个被标识的电子对象内的段落可相对于彼此进行排名。作为示例，url1将相对于url1的其他段落进行排名，url2中的段落将相对于url2中的其他段落进行排名，依此类推。排名可以使用关键词、与用户意图的相关性等来被执行。

段落排名服务310标识来自被包括在预标题结果中的电子对象的段落并对其进行排名。可以通过将段落的语义含义与查询的语义意图进行比较来对每个页面的段落进行排名。可以通过在段落和查询之间构建语义转换模型来将查询的关键实体与段落中的实体进行比较。另外，查询回答类型可以与段落中所呈现的信息进行比较。此外，查询和段落的上下文可以被比较。附加地，跨文档(cross-document)聚合可被使用。此外，查询和段落之间的关键特征可被分析。在本发明技术的各方面，对段落执行这些技术中的一种或多种的结果是指示段落直接回答所接收的查询的可能性的数值分数。

在预标题排名服务310处被排名的每个电子对象的n个最高排名的段落被传递到聚合排名服务312。在聚合排名服务312处，所有经排名的段落相对于彼此进行排名。例如，来自url1的前三个段落中的每一个可被接收，来自url2的前三个段落可被接收，并且来自url3的前三个段落可被接收，从而达总计9个url。这些排名靠前的段落(被称为经聚合的段落)接着相对于彼此进行排名。排名可使用在服务处分配给每个段落的数值分数而发生。附加地或替代地，每个段落的数值分数可被重新计算。所得到的前n个段落被传递给合并服务312。

返回标题生成器311，标题生成器为由预标题排名服务308产生的每个经预标题排名的电子对象生成一个标题。标题生成器解析每个经预标题排名的电子对象(或其部分)的内容并生成标题。标题可使用机器学习模型来生成。标题被应用于电子对象并形成带标题的电子对象。带标题的电子对象接着被发送到后标题排名服务314。

后标题重排名服务314对由标题生成器311接收的经排名的电子对象重排名。重排名包括对标题生成器311中所生成的概述的分析。该分析可通过机器学习模型来执行。这导致经后标题重排名的电子对象。结果被发送到合并服务316。

在各方面中，在合并服务316处，前n个段落被格式化以便连同一个或多个链接一起呈现给经后标题重排名的电子对象。例如，来自电子对象(诸如网页)的排名最前的段落可以以便于在移动设备中显示的方式来被格式化，并且到排名靠前的经后标题重排名的电子对象的链接可被包括在内。

图4解说了相关段落和到示例性电子对象的链接的示例输出。如图所示，示例输出400包括段落402和链接404。

段落402是基于对查询(诸如用户将查询输入到浏览器中)的意图的解释来回答该查询的段落。概述可以是来自一个或多个排名靠前的电子对象(诸如通过链接404链接的网页)的实际段落，或者可以使用各个排名靠前的电子对象的融合来生成。

示例输出400中示出的链接404是url，但是它毋需如此。在一些实施例中，多个链接被提供。多个链接可以是如由本文中所描述的系统和方法确定的前n个最相关的链接。

图5解说了用于标识取决于查询的段落的方法500。在各方面中，方法500可被实现以基于将段落与查询进行比较来提炼相关的段落。在各示例中，方法500可以在包括被配置成储存和执行操作、程序或指令的至少一个处理器的设备上被执行。然而，方法500不限于这些示例。在其他示例中，方法500可以在用于提供用户输入的存储和/或操纵的应用或服务上被执行。在至少一个示例中，方法500可以由分布式网络(诸如web服务/分布式网络服务(例如，云服务))的一个或多个组件来执行(例如，计算机实现的操作)。

方法500起始于接收查询操作502。在接收查询操作502中，查询被接收。查询可被接收自诸如客户端设备102之类的客户端设备。查询可以是被输入到web浏览器中的自然语言查询。查询接着被解析以确定关于该查询的信息。例如，查询的语义含义可被确定，关键词和实体可被标识，并且回答类型可被确定。这可使用机器学习模型来执行。

方法500接着行进到接收电子对象操作504。在操作504中，电子对象(诸如网页、电子邮件、文字文档)的列表基于所接收的查询来被接收。例如，在查询是被输入到浏览器中的互联网搜索查询的情况下，搜索引擎将使用该查询运行搜索。在这样的情形中，链接的列表将被接收。

方法500接着行进到解析电子对象操作506。在操作中，电子对象的内容被解析。该解析可通过提取电子对象的内容(文本、音频、视频等)来完成，所述电子对象诸如网页、电子邮件或文字处理文档。解析可使用机器学习模型来完成。解析可标识内容中的段落，诸如电子对象中具有类似语义含义的段落或句子。电子对象内的段落的语义含义被从这样的解析中得到标识。

可以在比较操作508处将在操作506处导出的语义含义和其他信息与同查询相关的信息进行比较。例如，可以将在操作502中导出的关键词、实体、回答类型与在操作506中导出的信息进行比较。该比较可标识与查询高度相关的段落。每个段落可以根据该段落的相关性进行排名。

方法500接着行进到基于比较标识段落操作510。在各方面中，前n个段落被标识为高度相关。相关性可以以各种方式来被确定。例如，可以通过在段落和查询之间构建语义转换模型来将查询的关键实体与段落中的实体进行比较。另外，查询回答类型可以与段落中所呈现的信息进行比较。此外，查询和段落的上下文可以被比较。附加地，跨文档聚合可被使用。此外，查询和段落之间的关键特征可被分析。在本发明技术的各方面，对段落执行这些技术中的一种或多种的结果是指示段落直接回答所接收的查询的可能性的数值分数。

一个或多个高度相关的段落可以在标识操作510中被标识。标识可通过选择排名最前的相关的段落来被执行。这些段落可能已被分配数值分数。在这样的情形中，标识可以是超过阈值数值的任何段落。

图6解说了用于标识文档中的取决于查询的段落的方法600。在各方面中，方法600可被用来将段落标识为潜在相关的，而不考虑任何查询。换言之，不一定要使用查询来确定潜在的相关性。在各示例中，方法600可以在包括被配置成储存和执行操作、程序或指令的至少一个处理器的设备上被执行。然而，方法600不限于这些示例。在其他示例中，方法600可以在用于提供用户输入的存储和/或操纵的应用或服务上被执行。在至少一个示例中，方法600可以由分布式网络(诸如web服务/分布式网络服务(例如，云服务))的一个或多个组件来执行(例如，计算机实现的操作)。

方法600起始于标识电子对象操作602。在操作602处，各种电子对象可被标识。标识可以基于集合列表(诸如流行的url中的所有网页、来自特定用户的所有电子邮件、在特定日期或者之前创建的所有文档)。

方法600接着继续进行解析内容操作604。在解析内容操作中，电子对象被解析以确定电子对象的属性。解析可包括标识电子对象的语料库的元数据。在其他方面，内容可被解析。例如，在电子对象是网页的情况下，可以确定url不包括任何可辨别的信息，主要专用于广告或者与某一领域相关联。

方法600接着进行到将经解析的内容与静态信号进行比较操作606。静态信号可包括各种信号。例如，在电子对象是文档的情况下，静态信号可以是文档的阈值长度、文档中语法错误的阈值数量、可信/不可信作者的列表等。在电子对象是url的情况下，静态信号可以是不可信/可信的url、弹出窗口的数量、付费专区(paywall)的存在等。电子对象或电子对象内的段落可基于静态信号的存在或不存在来被旗标或者排名为可用/无用。

方法600接着行进到生成或标识段落608。在各方面中，电子对象的被旗标为无用的段落可被排除。在静态信号凸显高度相关的段落的情况下，这些段落可被标识为有用的且被同样多地旗标。

图7解说了用于基于语义转换模型对段落进行排名的方法700。在各示例中，方法700可以在包括被配置成储存和执行操作、程序或指令的至少一个处理器的设备上被执行。然而，方法700不限于这些示例。在其他示例中，方法700可以在用于提供用户输入的存储和/或操纵的应用或服务上被执行。在至少一个示例中，方法700可以由分布式网络(诸如web服务/分布式网络服务(例如，云服务))的一个或多个组件来执行(例如，计算机实现的操作)。

方法700起始于接收查询702。在接收查询操作702中，查询被接收。查询可被接收自诸如客户端设备102之类的客户端设备并且被发送到服务器以供处理。查询可以是被输入到web浏览器中的自然语言查询。

方法700接着行进到在查询中标识语义单元操作704。查询操作中的语义单元可以使用机器学习模型来被标识。例如，对于查询“加利福尼亚特大号床是否将适合特大号床床架？”，查询中的实体可被标识为{california_king(加利福尼亚_特大号)}和{king_frame(特大号_床架)}。

方法700接着行进到标识段落中的语义单元706。段落的语义单元可以使用机器学习模型来被标识。接着上面的示例，段落可以是：“insta-lockqueen,king,cal-kingbedframeit'sabedframewepurchasedthisbedframeforamattress&boxsprings.(insta锁大号、特大号、加州-特大号床垫这是一个床架我们为床垫和弹簧床垫而购买了这个床架。)theinstructionswereeasytoread&theframewenttogetherwithoutanyproblems.(说明书很容易阅读，并且床架相配，没有任何问题。)”另一段落可以是“acaliforniakingbedmeasures72incheswideand84incheslong,andastandardkingmattressmeasures76incheswideand80incheslong,sowhileacaliforniakingmattressisfourincheslonger,itisalsoaboutfourinchesthinnerthanastandardkingbed.(一张加利福尼亚特大号床尺寸为72英寸宽和84英寸长，并且标准特大号床垫尺寸为76英寸长和宽80英寸宽，所以加利福尼亚特大号床床垫长了4英寸，它同时比标准的特大号床窄了4英寸。)”每个段落被解析以标识实体。

方法708接着行进到生成语义转换模型“tm”708。在操作708中，tm模型通过构建在查询和段落之间具有转换概率的语义单元关系表来被生成。在各方面中，实体关系表生成查询中所标识的实体存在于段落中的概率。

图8解说了基于查询和样本目标电子对象标识段落的特征而产生的实验输出。语义转换模型利用机器学习方法来被生成。如所示的，第一列802包括源查询的语义单元，第二列804包括目标段落语义单元，第三列806是段落中的语义单元与查询中所使用的实体相同的概率，并且第4列808是查询中的语义单元与段落中的语义单元相同的概率。概率越高，则源将最有可能与目标相匹配。需要注意，p(目标|源)通常与p(源|目标)不同。

如所示的，第一列802包括源查询的语义单元，第二列804包括目标段落语义单元，第三列806是段落中的语义单元与查询中所使用的语义单元相同的概率，并且第4列808是查询中的语义单元与段落中的语义单元相同的概率。

图9解说了将段落类型与查询类型进行匹配的方法900。在各示例中，方法900可以在包括被配置成储存和执行操作、程序或指令的至少一个处理器的设备上被执行。然而，方法900不限于这些示例。在其他示例中，方法900可以在用于提供用户输入的存储和/或操纵的应用或服务上被执行。在至少一个示例中，方法900可以由分布式网络(诸如web服务/分布式网络服务(例如，云服务))的一个或多个组件来执行(例如，计算机实现的操作)。

方法900起始于从查询中提取回答类型操作902。在各方面中，回答的查询类型可以是数值、位置、时间、商业中心等。例如，查询可能询问“一杯中有多少茶匙”。在这样的实例中，对查询类型的回答将是数值。附加地，查询可能是“在我附近，我在哪里可以买到寿司级鱼类。”在这样的情形中，回答类型将是商业中心，诸如鱼店。在各方面中，查询使用机器学习模型来被解析以确定该查询的回答类型。

方法900接着行进到从段落中提取实体类型904。实体类型可以使用机器学习模型来被标识并且被提取。实体类型可以是数值、位置、时间、商业中心等类型。例如，如果段落包括短语“一杯中有48茶匙”，则实体48将被标识为数值。另一段落可包括短语“teaspoonsizesoriginatedinengland,wherethepriceofteacausedteacupsandspoonstoshrink.(茶匙大小起源于英格兰，其中茶叶的价格导致茶杯和勺子缩小)”。实体英格兰将被标识为位置。实体可具有多个实体类型。例如，考虑来自一段落中的以下文本：“vonmillerwasthemvpofsuperbowl50.(冯米勒是超级碗50的mvp。)”以下类型可能与vonmiller相关联：个人、运动员、美式橄榄球球员。

方法900接着进行到对段落进行排名906。在排名段落操作906中，通过将回答类型与操作904中所标识的实体类型进行比较来对段落进行排名。跟随上面的示例，如果查询被预期返回数值回答(例如，“一杯中有多少茶匙”)，则带有数值实体的段落(例如，“一杯中有48茶匙”)将被旗标为相关。其中实体与回答类型不匹配的其他段落(例如，“teaspoonsizesoriginatedinengland,wherethepriceofteacausedteacupsandspoonstoshrink”)将被旗标为可能不相关。在各方面中，段落的排名基于机器学习模型。

图10是使用将段落类型与查询类型进行匹配的方法的示例输出。如图所示，查询1002“什么饮品含有‘最少量的卡路里’”已被解析以标识语义意图1004“alcoholicdrinkswithleastcalories(含有最少卡路里的酒精饮品)”。图10还包括查询1002所寻求的回答类型1006的解析作为数值，并且已将关键词标识为“calories(卡路里)”。对语义意图、回答类型和关键词的标识可通过机器学习模型来被执行。

图10还包括已被解析了的段落1008。在各方面中，段落使用机器学习模型来被解析。如图所示，经解析的段落包括所标识的实体“卡路里”，其与查询中所标识的关键词相同。此外，卡路里包括修饰语“100”，其与查询回答类型数值相匹配。相应地，该段落将被给予相对高的分数。在各方面中，段落的分数通过对段落的相似元素(例如，相似回答类型/实体和关键词)的数量相加来被计算。可以以其他方式来计算分数。

图11是基于上下文含义将电子对象与查询进行匹配的方法1100。在各示例中，方法1100可以在包括被配置成储存和执行操作、程序或指令的至少一个处理器的设备上被执行。然而，方法1100不限于这些示例。在其他示例中，方法1100可以在用于提供用户输入的存储和/或操纵的应用或服务上被执行。在至少一个示例中，方法1100可以由分布式网络(诸如web服务/分布式网络服务(例如，云服务))的一个或多个组件来执行(例如，计算机实现的操作)。

方法1100起始于在操作1102处提取与段落最接近的信头。应当领会，信头可指代电子对象中指示该电子对象的一部分的任何标记。这可包括抬头、标题、图例、副抬头、副信头、红字标题(rubric)、头条(headline)等。在操作1102中，与段落最接近的信头可被提取。这可以通过标识电子对象(诸如将短语标识为信头的网页)中被标记的内容、视频的抬头、电子邮件的主题行等来完成。标识可使用机器学习模型来执行。

方法1100接着行进到标识查询的语义含义1104。查询的语义含义可以使用机器学习模型来被标识。

方法1100接着行进到将信头与查询进行比较操作1106。在操作1104中，将每个信头的上下文含义与查询的语义含义进行比较。在信头与查询类似的情况下，信头被标记为相关。

方法1100接着行进到旗标段落操作1108。在操作1104处，与已被标记为相关的信头相关联的段落被旗标为可能相关。在一些实施例中，与段落的相关性相关联的数值分数基于被旗标的信头而增加。

图12是基于电子对象的信头将电子对象与查询进行匹配的示例。如图所示，查询1202包括“howtochangetheexcelcellwidth.(如何改变excel单元格宽度。)”网页(示例电子对象)的信头被分析以确定潜在相关的段落。信头和查询可以使用本文中所描述的方法(包括方法1100)来分析。在该示例中，网页的信头的抬头1204是“changingcolumnwidthsandrowheightsinexcel.(在excel中改变列宽和行高。)”网页内的其他子信头被分析。在该情形中，子信头“howtochangecolumnwidths(如何改变列宽)”1206和子信头“howtochangerowheights(如何改变行高)”1208被分析。与子信头“howtochangecolumnwidths”1206相关联的段落1208被旗标为潜在相关。该相关段落1210可接着在给定数值分数的情况下被进一步处理，或者使该数值分数增加。

图13是对段落进行排名的方法1300。方法1302起始于选择排名靠前的段落。在操作1300中，排名靠前的候选段落被标识。

方法1300接着行进到选择排名靠前的术语操作1304。从每个段落1302开始。在操作1304中，在每个段落中标识与查询的术语相同或类似的术语。对排名靠前的术语的标识可通过使用机器学习模型来完成。

方法1300接着行进到标识实体操作1306。在操作1306中，段落的与查询的那些实体类似或相同(或与查询的那些实体相关)的实体被标识。相同、类似或相关的实体可以使用机器学习模型来确定。

操作接着进行到排名操作1308。在操作1308中，每个段落都被排名。在一方面中，在对操作1306和1304中所标识的关键词和实体的数量进行求和的情况下对段落进行排名。在各方面中，具有最高总数的段落可被排名第一。

图14是对以下段落1402应用方法1300的示例1400：“thefifteenthamendment(amendmentxv)totheunitedstatesconstitutionprohibitsthefederalandstategovernmentsfromdenyingacitizentherighttovotebasedonthatcitizen's“race,color,orpreviousconditionofservitude(美国宪法第十五修正案(第十五修正案)禁止联邦和州政府基于该公民的种族、肤色或先前的奴役条件来剥夺公民的投票权)”。如图所示，查询1404是“15thamendmentdefinition(第15修正定义)”。在排名靠前的术语标识1406中，诸如术语“amendment(修正案)”、“constitution(宪法)”、“citizens(公民)”、“fifteenth(第十五)”、和“prohibits(禁止)”之类的排名靠前的术语被标识。这是五个术语。

示例1400还包括标识类似、相同或相关的排名靠前的实体。在该示例中，实体“condition_of_servitude(条件_的_奴役),”“previous_condition(先前_条件),”“the_15th_amendment(第_15_修正案)to_the_united_states(向_the_联合_州)the_united_states_constitution(the_联合_州_宪法),”“the_u_s_constitution(the_u_s_宪法)voting_rights(投票_权利)an_amendment(一个_修正案)the_fifteenth_amendment(第_十五_修正案)”“the_right_to_vote(the_权利_to_投票)southern_states(南部_州)the_13th(第_13)”被标识。这共有5个实体。在各实施例中，该段落将被给予10的排名。

图15解说了将段落中的回答模式与同查询相关的回答类型进行匹配的方法1500。方法1500起始于确定查询回答模式操作1502。查询回答模式基于查询模式来被确定。查询可以是诸如谁是名词(whoisnoun)、名词在哪里(whereisnoun)等模式。在使用机器学习模型的情况下，查询模式与所预期的回答的模式(例如，查询回答模式)之间的转换表可被建立。

方法1500接着行进到确定段落模式操作1504。在确定段落模式操作1504中，段落的模式被确定。段落的语义模式可以使用机器学习模型来被确定。

方法1500行进到将段落模式与查询回答模式进行比较操作1506。在该示例中，具有与查询回答模式类似或相同模式的段落模式被标识。

方法1500行进到评分段落操作1508。基于相似性，段落被评分和/或被移动到更高的排名。各种不同的概率模型可被采用以基于相似性对段落进行评分。

图16是对段落执行方法1500的结果的示例1600。

如图所示，查询1602是“whowasthekingofenglandafterqueenelizabeth1.(谁是女王伊丽莎白一世后的英国国王。)”在该示例中，查询回答模式是具有回答模式1608“<answer>waskingofking<answer>,whofather,<answer>.(<答案>是国王<答案>的国王，谁父亲，<答案>)”的段落。

通过分析排名靠前的n个段落1606发现排名靠前的回答1610。在该示例中，回答包括实体“the_virgin_queen(the_维珍_女王)anne_boleyn(安娜_波莲)the_daughter(the_女儿)king_henry_viii(国王_亨利_八世)”、“when_she(当_她)queen_elizabeth_i(女王_伊丽莎白_一世)prince_james(王子_詹姆斯)”、“james_vi_of_scotland(詹姆斯_六世_of_苏格兰)”和“44_years_ofrule(4_年_of_统治)”。

与回答相关联的最相关的段落1612是“afterthedeathofqueenelizabethiwithoutissue,in1603,thecrownsofenglandandscotlandwerejoinedinpersonalunionunderkingjamesviofscotland,whobecamejamesiofengland.(当无后裔的伊丽莎白女王一世去世后，在1603年，英格兰和苏格兰的王权加入了苏格兰国王詹姆斯六世之下的共主联邦，后者成为英格兰的詹姆斯一世。)”这可以作为查询的直接回答被提供给用户。

图17-19及相关联的描述提供了对其中可实施各示例的各种操作环境的讨论。然而，关于图17-19所例示和讨论的设备和系统是出于示例和解说的目的，而并非构成对可被用于实施本文中所描述的各方面的大量计算设备配置的限制。

图17是解说可用来实施本公开的各示例的计算设备1700的物理组件(即，硬件)的框图。在基本配置中，计算设备1700包括至少一个处理单元1702和系统存储器1704。根据一个方面，取决于计算设备的配置和类型，系统存储器1704包括但不限于易失性存储(例如，随机存取存储器)、非易失性存储(例如，只读存储器)、闪存存储器、或者此类存储器的任何组合。根据一个方面，系统存储器1704可包括操作系统1705以及适于运行软件应用1750的一个或多个程序模块1706。根据一个方面，系统存储器1704包括系统100。例如，操作系统1705适于控制计算设备1700的操作。此外，各个方面可结合图形库、其他操作系统、或任何其他应用程序来实践，并且不限于任何特定应用或系统。该基本配置在图17中由虚线1708内的那些组件例示出。根据一个方面，计算设备1700具有附加的特征或功能性。例如，根据一个方面，计算设备1700包括诸如举例而言磁盘、光盘或磁带之类的附加数据存储设备(可移动和/或不可移动)。此类附加存储在图17中由可移动存储设备1709和不可移动存储设备1710例示出。

如上所述，根据一个方面，多个程序模块和数据文件被储存在系统存储器1704中。当在处理单元1702上执行时，程序引擎1706(例如，系统1700的引擎)执行处理，包括但不限于被用于图2、3、5、6、7、9、11、13和15中所解说的聚合和建模的方法的一个或多个阶段。根据一个方面，其他程序模块根据各示例而被使用并且包括应用，诸如电子邮件和联系人应用、文字处理应用、电子表格应用、数据库应用、幻灯片演示应用、绘图或计算机辅助应用程序等。

根据一个方面，各方面在包括分立电子元件的电路、包含逻辑门的封装或集成电子芯片、利用微处理器的电路中、或者在包含电子元件或微处理器的单个芯片上被实现。例如，可经由片上系统(soc)来实践各个方面，其中图17中所解说的每个或多个组件被集成到单个集成电路上。根据一个方面，此类soc设备包括一个或多个处理单元、图形单元、通信单元、系统虚拟化单元以及各种应用功能性，所有这些都被集成(或“烧制”)到芯片基板上，作为单个集成电路。当经由soc操作时，本文中所描述的功能性经由与计算设备1700的其他组件一起集成在单个集成电路(芯片)上的应用专用逻辑进行操作。根据一个方面，本公开的各个方面使用能够执行逻辑运算的其他技术来实施，所述逻辑运算诸如举例而言，and(与)、or(或)和not(非)，所述其他技术包括但不限于，机械、光学、流体和量子技术。另外，各个方面在通用计算机或者在任何其他电路或系统内被实践。

根据一个方面，计算设备1700具有一个或多个输入设备1712，诸如键盘、鼠标、笔、声音输入设备、触摸输入设备等。根据一个方面，(诸)输出设备1714，诸如显示器、扬声器、打印机等也可被包括在内。以上所提及的设备均为示例，并且其他设备可被使用。根据一个方面，计算设备1700包括允许与其他计算设备1718进行通信的一个或多个通信连接1716。合适的通信连接1716的示例包括但不限于，射频(rf)发射机、接收机、和/或收发机电路系统；通用串行总线(usb)、并行、和/或串行端口。

如本文中所使用的术语计算机可读介质包括计算机存储介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构或程序模块等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。系统存储器1704、可移动存储设备1709、以及不可移动存储设备1710均为计算机存储介质的示例(即，存储器存储)。根据一个方面，计算机存储介质包括ram、rom、电可擦除可编程只读存储器(eeprom)、闪存存储器或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光存储、磁带盒、磁带、磁盘存储或其他磁存储器件、或者可被用来储存信息并且可以由计算设备1700访问的任何其他制品。根据一个方面，任何此类计算机存储介质均为计算设备1700的一部分。计算机存储介质是不包括载波或其他传播的数据信号的。

根据一个方面，通信介质通过计算机可读指令、数据结构、程序模块、或其他数据被具体体现在诸如载波或其他传输机制等已调数据信号中，并且包括任何信息递送介质。根据一个方面，术语“已调数据信号”描述使一个或多个特性以对该信号中的信息进行编码的方式来被设定或者改变的信号。作为示例而非限制，通信介质包括有线介质(诸如有线网络或直接有线连接)和无线介质(诸如声学、射频(rf)、红外以及其他无线介质)。

图18a和18b解说了可用来实施各个方面的移动计算设备1800，例如移动电话、智能电话、平板个人计算机、膝上型计算机，等等。参考图18a，解说了用于实现各个方面的移动计算设备1800的一个示例。在基本配置中，移动计算设备1800是具有输入元件和输出元件两者的手持式计算机。移动计算设备1800通常包括显示器1805以及允许用户将信息输入到移动计算设备1800中的一个或多个输入按钮1810。根据一个方面，移动计算设备1800的显示器1805用作输入设备(例如，触摸屏显示器)。任选的侧边输入元件1815在被包括在内的情况下将允许更多的用户输入。根据一个方面，侧边输入元件1815是旋转式开关、按钮、或任何其他类型的手动输入元件。在替代示例中，移动计算设备1800包含更多或更少的输入元件。例如，显示器1805在一些示例中可以不是触摸屏。在替代示例中，移动计算设备1800是诸如蜂窝电话之类的便携式电话系统。根据一个方面，移动计算设备1800包括任选的键盘区1835。根据一个方面，任选的键盘区1835是物理键盘区。根据另一方面，任选的键盘区1835是生成在触摸屏显示器上的“软”键盘区。在各个方面中，输出元件包括用于示出图形用户界面(gui)的显示器1805、可视指示器1820(例如，发光二极管)、和/或音频换能器1825(例如，扬声器)。在一些示例中，移动计算设备1800包含振动换能器以用于给用户提供触觉反馈。在又一个示例中，移动计算设备1800包含输入和/或输出端口，诸如音频输入(例如，话筒插孔)、音频输出(例如，耳机插孔)、和视频输出(例如，hdmi端口)，以用于将信号发送到外部设备或者从外部设备接收信号。在又一个示例中，移动计算设备1800包含外围设备端口1840，诸如音频输入(例如，话筒插孔)、音频输出(例如，耳机插孔)、和视频输出(例如，hdmi端口)，以用于将信号发送到外部设备或者从外部设备接收信号。

图18b是解说移动计算设备的一个示例的架构的框图。换言之，移动计算设备1800包含系统(即，架构)1802来实现一些示例。在一个示例中，系统1802被实现为能够运行一个或多个应用(例如，浏览器、电子邮件、行事历、联系人管理器、消息收发客户端、游戏、和媒体客户端/播放器)的“智能电话”。在一些示例中，系统1802被集成作为计算设备，诸如集成式个人数字助理(pda)和无线电话。

根据一个方面，一个或多个应用程序1850被加载到存储器1862中并且在操作系统1864上运行或与操作系统1864相关联地运行。应用程序的示例包括电话拨号程序、电子邮件程序、个人信息管理(pim)程序、文字处理程序、电子表格程序、互联网浏览器程序、消息收发程序，等等。根据一个方面，系统100被加载到存储器1862中。系统1802还包括存储器1862内的非易失性存储区1868。非易失性存储区1868被用来储存在系统1802掉电的情况下不应当被丢失的持久信息。应用程序1850可使用和储存非易失性存储区1868中的信息，诸如电子邮件应用所使用的电子邮件或其他消息，等等。同步应用(未示出)同样驻留在系统1802上并且被编程为与驻留在主计算机上的对应同步应用交互以使被储存在非易失性存储区1868中的信息保持与被储存在主计算机处的对应信息同步。应当领会，其他应用也可被加载到存储器1862中并且在移动计算设备1800上运行。

根据一个方面，系统1802具有电源1870，其被实现为一个或多个电池。根据一个方面，电源1870进一步包括外部功率源，诸如补充电池或对电池再充电的ac适配器或上电泊机架(powereddockingcradle)。

根据一个方面，系统1802包括执行传送和接收射频通信的功能的无线电1872。无线电1872经由通信载体或服务供应商来促成系统1802和“外部世界”之间的无线连通。去往和来自无线电1872的传输在操作系统1864的控制之下进行。换言之，无线电1872所接收的通信可经由操作系统1864传播到应用程序1850，反之亦然。

根据一个方面，可视指示器1820可被用来提供可视通知并且/或者音频接口1874可被用于经由音频换能器1825产生可听通知。在所解说的示例中，可视指示器1820是发光二极管(led)，并且音频换能器1825是扬声器。这些设备可被直接耦合到电源1870，使得它们在被激活时保持开启达通知机制所规定的持续时间，即使处理器1860以及其他组件可能关闭以节省电池电力。led可被编程为保持无限开启，直到用户采取行动来指示设备的上电状态。音频接口1874被用来向用户提供可听信号以及从用户接收可听信号。例如，除了被耦合到音频换能器1825以外，音频接口1874还可被耦合到话筒以接收可听输入，诸如便于电话交谈。根据一个方面，系统1802进一步包括启用板载相机1830的操作来记录静止图像、视频流等等的视频接口1876。

根据一个方面，实现系统1802的移动计算设备1800具有附加特征或功能性。例如，移动计算设备1800包括附加的数据存储设备(可移动和/或不可移动)，诸如磁盘、光盘或磁带。此类附加存储在图18b中由非易失性存储区1868例示出。

根据一个方面，由移动计算设备1800生成或者捕捉并且经由系统1802储存的数据/信息被本地地储存在如以上所描述的移动计算设备1800上。根据另一方面，数据被储存在任意数量的存储介质上，所述存储介质经由以下方式对设备而言可访问：经由无线电1872或者经由移动计算设备1800与同移动计算设备1800相关联的分开的计算设备(例如，在分布式计算网络(诸如互联网)中的服务器计算机)之间的有线连接。应当领会，此类数据/信息经由无线电1872或者经由分布式计算网络通过移动计算设备1800来访问。类似地，根据一个方面，此类数据/信息容易在计算设备之间转移，以供根据公知的数据/信息转移和存储手段(包括电子邮件和协同数据/信息共享系统)进行存储和使用。

图19解说了如以上所描述的用于web规模段落检索的系统的架构的一个示例。与系统100相关联地开发、与其交互、或者与其相关联地编辑的内容被允许储存在不同的通信信道或者其他存储类型中。例如，各种文档可以使用目录服务1922、web门户1924、邮箱服务1926、即时消息收发存储1928或社交网络站点1930来被储存。如本文中所描述，web规模段落检索系统100可操作以使用这些类型的系统等中的任何一种来提高搜索效率。根据一个方面，服务器1920将web规模段落检索系统100提供给客户端1905a、b、c。作为一个示例，服务器1920是提供web上的系统100的web服务器。服务器1920通过网络1940向客户端1905提供web上的系统100。作为示例，客户端计算设备被实现并且被具体体现在个人计算机1905a、平板计算设备1905b或移动计算设备1505c(例如，智能电话)或其他计算设备中。客户端计算设备的这些示例中的任何示例均可操作以从存储1916中获得内容。

以上参考例如根据各个方面的方法、系统和计算机程序产品的框图和/或操作说明描述了各实现。各个框中所提到的功能/动作可以不按照如任何流程图中所示出的顺序而发生。例如，相继示出的两个框可实际上基本并发地执行，或者各个框有时取决于所涉及的功能性/动作也可以按相反的顺序来执行。

本申请中所提供的一个或多个示例的描述和说明不旨在以任何方式限制或约束权利要求的范围。本申请中所提供的各个方面、示例和细节被认为是足以传达占有权的，并且使得其他人能够制作并使用最佳模式。各实现不应被理解为受限于本申请中所提供的任何方面、示例或细节。不管是以组合的方式还是被分开地示出和描述，各种特征(结构上和方法逻辑上两种)都旨在被选择性地包括在内或者被忽略，以产生具有特定特征集的示例。在已提供本申请的描述和说明的情况下，本领域技术人员可预想到落入本申请中所具体体现的一般发明构思的更宽泛方面的精神之内的各种变体、修改及替代示例，这些变体、修改及替代示例是不背离该更宽泛的范围的。