一种异质信息网络的嵌入方法和装置与流程

本发明涉及网络嵌入领域，特别是涉及一种异质信息网络的嵌入方法和装置。

背景技术：

异质信息网络的嵌入，是指将异质信息网络中的节点以及节点之间的关系投射到度量空间中，在度量空间中将节点及节点之间的关系表示为向量。一般来说，要尽量保证原异质信息网络的结构和其中的语义信息的完整性，也就是尽量保证原异质信息网络中节点之间的关系保持不变。

目前，大多方案是将异质信息网络嵌入在欧几里德空间中，也就是欧氏空间中。然而，发明人在研究中发现，由于异质信息网络中节点分布遵循幂律分布，而欧氏空间并不具有幂律分布特性，因此，将异质信息网络嵌入到欧氏空间，异质信息网络的结构和其中的语义信息保留得不够完整，也就是嵌入准确度不够高。

技术实现要素：

本发明实施例的目的在于提供一种异质信息网络的嵌入方法和装置，以提高嵌入准确度。

为了达到上述目的，本发明实施例公开了一种异质信息网络的嵌入方法，所述方法包括：

确定待嵌入异质信息网络中每个节点的表示向量；

将所确定的表示向量输入至预先设定的双曲空间嵌入模型中；

基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量。

可选的，所述确定待嵌入异质信息网络中每个节点的表示向量的步骤，包括：

随机给定待嵌入异质信息网络中每个节点的表示向量。

可选的，在所述基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量的步骤之前，还包括：

确定待嵌入异质信息网络中每个节点之间的关联关系；

针对所述每个节点，基于所确定的关联关系，确定与该节点的距离在第一预设范围内的节点作为邻居节点，获取所述邻居节点的表示向量；

计算该节点的表示向量与所述邻居节点的表示向量在双曲空间中的距离，作为第一距离；

根据所述第一距离，计算该节点与所述邻居节点的相似度，作为第一相似度；

计算所述第一相似度对于该节点的表示向量的梯度，作为该节点的第一梯度；

所述基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量的步骤，包括：

针对所述每个节点，基于所述双曲空间嵌入模型，根据该节点的表示向量和所述该节点的第一梯度，对该节点的表示向量进行双曲空间中的指数映射，得到该节点在双曲空间中的嵌入向量。

可选的，所述确定待嵌入异质信息网络中每个节点之间的关联关系的步骤，包括：

根据待嵌入异质信息网络中每个节点的类型，生成所述待嵌入异质信息网络的元路径；

针对所述待嵌入异质信息网络中每个节点，根据所述元路径确定与该节点的距离在第二预设范围内的节点，作为该节点的关联节点；所述第二预设范围大于第一预设范围；

生成包括该节点以及所确定的关联节点的关系序列。

可选的，在所述基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量的步骤之前，还包括：

确定待嵌入异质信息网络中每个节点之间的关联关系；

针对所述每个节点，基于所述每个节点之间的关联关系，确定与该节点的距离在第一预设范围内的节点作为邻居节点，获取所述邻居节点的表示向量；

计算该节点的表示向量与所述邻居节点的表示向量在双曲空间中的距离，作为第一距离；

根据所述第一距离，计算该节点与所述邻居节点的相似度，作为第一相似度；

计算所述第一相似度对于该节点的表示向量的梯度，作为该节点的第一梯度；

针对所述每个节点，确定与该节点无关联关系的预设数量个节点作为负样本节点，获取所述负样本节点的表示向量；

计算该节点的表示向量与所述负样本节点的表示向量在双曲空间中的距离，作为第二距离；

根据所述第二距离，计算该节点与所述负样本节点的相似度，作为第二相似度；

计算所述第一相似度与所述第二相似度的和，得到相似度总和；

通过计算相似度总和对于该节点的表示向量的梯度，作为该节点的第二梯度；

所述基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量的步骤，包括：

针对所述每个节点，基于所述双曲空间嵌入模型，根据该节点的表示向量和所述该节点的第二梯度，对该节点的表示向量进行双曲空间中的指数映射，得到该节点在双曲空间中的嵌入向量。

可选的，在所述计算所述第一相似度与所述第二相似度的和，得到相似度总和的步骤之后，还包括：

通过计算所述相似度总和对于所述邻居节点的表示向量的梯度，作为所述邻居节点的梯度；

所述基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量的步骤，包括：

针对所述每个节点，基于所述双曲空间嵌入模型，根据该节点的邻居节点的表示向量和该邻居节点的梯度，对该节点的邻居节点的表示向量进行双曲空间中的指数映射，得到该节点的邻居节点在双曲空间中的嵌入向量。

可选的，在所述计算所述第一相似度与所述第二相似度的和，得到相似度总和的步骤之后，还包括：

通过计算所述相似度总和对于所述负样本节点的表示向量的梯度，作为所述负样本节点的梯度；

所述基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量的步骤，包括：

针对所述每个节点，基于所述双曲空间嵌入模型，根据该节点的负样本节点的表示向量和所述负样本节点的梯度，对该节点的负样本节点的表示向量进行双曲空间中的指数映射，得到该节点的负样本节点在双曲空间中的嵌入向量。

可选的，所述基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量的步骤，包括：

基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到映射结果；

判断映射次数是否达到预设值；

如果达到，将所述映射结果确定为所述每个节点在双曲空间中的嵌入向量；

如果未达到，基于所述映射结果对所述表示向量进行更新，并返回执行所述基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射的步骤。

为了达到上述目的，本发明实施例还公开了一种异质信息网络的嵌入装置，所述装置包括：

确定模块，用于确定待嵌入异质信息网络中每个节点的表示向量；

输入模块，用于将所确定的表示向量输入至预先设定的双曲空间嵌入模型中；

映射模块，用于基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量。

可选的，其特征在于，所述确定模块，具体用于随机给定待嵌入异质信息网络中每个节点的表示向量。

本发明实施例提供的一种双曲空间异质信息网络的嵌入方法和装置，通过将异质信息网络中每个节点的表示向量，输入至预先设定的双曲空间嵌入模型中，基于双曲空间嵌入模型，对表示向量进行双曲空间中的指数映射，得到每个节点在双曲空间中的嵌入向量。由于在双曲空间中可以更准确地对具有幂律分布特性的数据进行建模，而异质信息网络中的数据具有幂律分布特性，在双曲空间中嵌入异质信息网络，能够更贴合地体现出异质信息网络的结构和语义信息，使得异质信息网络的结构和语义信息保留得更完整。因此，可以提高嵌入准确度。

当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

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。

图1为本发明实施例提供的异质信息网络的嵌入方法的一种流程示意图；

图2为具有三种节点类型的异质信息网络的一个示意图；

图3为本发明实施例提供的节点的表示向量的更新流程示意图；

图4为本发明实施例提供的异质信息网络的嵌入装置的一种结构示意图。

具体实施方式

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。

为了解决现有技术问题，本发明实施例提供了一种异质信息网络的嵌入方法和装置。该方法及装置可以应用于各种电子设备，具体不做限定。下面首先对本发明实施例提供的一种异质信息网络的嵌入方法进行介绍。

如图1所示，图1为本发明实施例提供的异质信息网络的嵌入方法的一种流程示意图，可以包括：

s101：确定待嵌入异质信息网络中每个节点的表示向量；

待嵌入异质信息网络也就是需要嵌入度量空间中的异质信息网络。该待嵌入异质信息网络可以由多种类型的节点和边组成。举例来说，可以将该待嵌入表示为其中，v表示网络中节点的集合，e表示节点与节点之间边的集合，t表示节点或者边的类型集合，表示节点与节点类型的映射函数，tv表示节点类型的集合，ψ表示边与边的类型的映射函数，ψ(v):e→te，te表示边类型的集合，|tv|+|te|>2。

举例来说，假设基于dblp(digitalbibliography&libraryproject，学术论文数据集)数据构建一个具有三种节点类型的异质信息网络，参考图2，该网络中的节点类型包括：作者(a)、论文(p)和会议(v)，该网络中边的类型，也就是节点与节点之间关联关系的类型，比如a-p，a-p可以为写作与被写作关系，或p-v，p-v可以为发表与被发表关系，图中a1～a4表示类型为作者的节点，p1～p3表示类型为论文的节点，v1～v2表示类型为会议的节点，节点之间的连线表示节点与节点之间有关联关系。

在一种实施方式中，s101可以包括：随机给定待嵌入异质信息网络中每个节点的表示向量。这样，每个节点对应一个表示向量θi，其中i可以是节点序号，i＝1、2、…、n。

s102：将所确定的表示向量输入至预先设定的双曲空间嵌入模型中；

延续上述实施方式，可以将随机给定的每个节点的表示向量，输入至预先设定的双曲空间嵌入模型中。其中，预先设定的双曲空间嵌入模型，可以是hhne(hyperbolicheterogeneousinformationnetworkembedding，异质信息网络的双曲空间嵌入)模型，该模型可以将异质信息网络中的节点表示成嵌入向量，并可以使原异质信息网络的结构和其中的语义信息趋于完整。

s103：基于双曲空间嵌入模型，对表示向量进行双曲空间中的指数映射，得到每个节点在双曲空间中的嵌入向量。

在一种实施方式中，在s103之前，还可以包括：确定待嵌入异质信息网络中每个节点之间的关联关系；针对所述每个节点，基于所述每个节点之间的关联关系，确定与该节点的距离在第一预设范围内的节点作为邻居节点，获取所述邻居节点的表示向量；计算该节点的表示向量与所述邻居节点的表示向量在双曲空间中的距离，作为第一距离；根据所述第一距离，计算该节点与所述邻居节点的相似度，作为第一相似度；计算所述第一相似度对于该节点的表示向量的梯度，作为该节点的第一梯度。

一种情况下，确定待嵌入异质信息网络中每个节点之间的关联关系的步骤，可以包括：根据待嵌入异质信息网络中每个节点的类型，生成待嵌入异质信息网络的元路径；针对待嵌入异质信息网络中每个节点，根据元路径确定与该节点的距离在第二预设范围内的节点，作为该节点的关联节点；所述第二预设范围大于第一预设范围；生成包括该节点以及所确定的关联节点的关系序列。

举例来说，元路径可以是一种节点类型被边类型相连形成的关系序列，可以表示为p表示元路径，v1、v2、…vn表示节点集合v中的节点，表示节点集合v中节点的类型，表示边e1、e2、…en-1的类型。根据图2所示的异质信息网络生成的元路径，可以是apa、apvpa等，元路径apa的一个元路径实例可以是

根据元路径，确定与该节点的距离在第二预设范围内的节点，作为该节点的关联节点，生成包括该节点以及所确定的关联节点的关系序列，可以是根据元路径，以该节点为起始节点，随机游走至距离该节点第二预设范围的节点为止，将随机游走经过的节点生成关系序列。比如，参考图2，选取元路径apa，以节点a1为起始节点，设定第二预设范围为4个边，则根据原路径随机游走经过的节点为a1、p1、a2、p2和a3，构成的关系序列为a1p1a2p2a3。一种情况下，基于一条元路径计算节点的转移概率，实现随机游走，该转移概率通过公式一计算得到：

(公式一)，其中，表示节点集合v中第i个节点，该第i个节点的类型为表示节点集合v中节点的邻居节点，表示第i+1个节点的节点类型，p为元路径。

针对每个节点，基于每个节点之间的关联关系，确定与该节点的距离在第一预设范围内的节点作为邻居节点，获取邻居节点的表示向量。举例来说，设定第一预设范围为3个边，针对节点a1，基于随机游走生成的关系序列a1p1a2p2a3，确定节点p1、a2和p2为节点a1的邻居节点。

计算该节点的表示向量与所述邻居节点的表示向量在双曲空间中的距离，作为第一距离。举例来说，将每个节点统一标记为v，每个节点的邻居节点统一标记为ct，则每个节点对应的表示向量可以是θv，每个节点的邻居节点对应的表示向量可以是则第一距离可以通过公式二计算得到：

其中，θv表示异质信息网络中节点v对应的表示向量，表示节点的邻居节点ct对应的表示向量，表示节点v的表示向量θv与其邻居节点ct的表示向量在双曲空间中的第一距离。

根据第一距离，计算该节点与邻居节点的相似度，作为第一相似度，第一相似度可以通过公式三计算得到：

其中，θ表示节点的表示向量的集合，

通过公式三得到第一相似度之后，利用最大化第一相似度。具体的，可以通过计算l(θ)对于节点θv的表示向量的梯度，作为节点θv的第一梯度，实现第一相似度的最大化，其中也就是先计算欧氏空间中的梯度即然后根据得到黎曼梯度作为节点θv的第一梯度。公式五中表示梯度转换系数，

得到每个节点的第一梯度之后，针对每个节点，根据该节点的表示向量和该节点的第一梯度，对该节点的表示向量进行双曲空间中的指数映射，得到该节点在双曲空间中的嵌入向量。指数映射可以通过下面的公式六实现：

其中，η表示指数映射系数，

得到节点的表示向量θv进行指数映射的结果后，用更新节点的表示向量θv，得到节点v在双曲空间中的嵌入向量。由于针对每个节点都得到一个在双曲空间的嵌入向量，实质上是得到了异质信息网络中每个节点在双曲空间中的嵌入向量。

在另一种实施方式中，在s103之前，先根据上述实施方式，得到第一相似度；针对每个节点，确定与该节点无关联关系的预设数量个节点作为负样本节点，获取负样本节点的表示向量；计算该节点的表示向量与负样本节点的表示向量在双曲空间中的距离，作为第二距离；根据第二距离，计算该节点与负样本节点的相似度，作为第二相似度；计算第一相似度与第二相似度的和，得到相似度总和；通过计算相似度总和对于该节点的表示向量的梯度，作为该节点的第二梯度。

具体的，确定与该节点无关联关系的负样本节点，可以是确定与该节点没有边的节点为负样本节点。

一种情况下，可以获取m次负样本节点的表示向量，得到m个第二相似度。如果将每个节点的负样本节点标记为n^m，则负样本节点的表示向量可以是第二距离可以是其中n^m为第m次选取的负样本节点，为负样本节点n^m对应的表示向量。第二相似度可以是然后将m个第二相似度之和与第一相似度求和，得到相似度总和，则可以通过公式七，将相似度总和最大化，以使网络中的节点与其邻居节点的相似度最大，同时使网络中节点与其负样本节点的相似度最小：

其中，表示第一相似度与第二相似度总和，m表示选取负样本节点的总次数，p(n)表示预设的分布。

通过公式七，将相似度总和最大化，可以是通过计算相似度总和对于该节点的表示向量的梯度来实现。

具体的，先通过计算欧氏空间中的梯度即其中当m＝0,u⁰＝v。iv[u^m]是一个指示函数，用来判断u^m是否等于v，u^m可以为n^m或v，如果u^m＝v，则iv[u^m]＝1，如果u^m＝n^m，则iv[u^m]＝0，然后根据公式五和公式八，得到黎曼梯度作为节点v的第二梯度。

得到每个节点的第二梯度之后，针对每个节点，根据该节点的表示向量和该节点的第二梯度，对该节点的表示向量进行双曲空间中的指数映射，得到该节点在双曲空间中的嵌入向量。指数映射可以通过下面的公式六实现：

其中，η表示指数映射系数，

得到节点的表示向量θv进行指数映射的结果后，用更新节点的表示向量θv，得到节点v在双曲空间中的嵌入向量。由于针对每个节点都得到一个在双曲空间的嵌入向量，因此，可以得到异质信息网络中所有节点在双曲空间中的嵌入向量。

在一种实施方式中，计算出第一相似度与第二相似度的和，得到相似度总和之后，计算相似度总和对于邻居节点的表示向量的梯度，作为邻居节点的梯度；针对每个节点，基于双曲空间嵌入模型，根据该节点的邻居节点的表示向量和邻居节点的梯度，对该节点的邻居节点的表示向量进行双曲空间中的指数映射，得到该节点的邻居节点在双曲空间中的嵌入向量。

具体的，通过以下公式九：

计算相似度总和对于邻居节点的表示向量在欧氏空间中的梯度即其中，当m＝0,u⁰＝v。iv[u^m]是一个指示函数，用来判断u^m是否等于v，u^m为n^m或v，如果u^m＝v，则iv[u^m]＝1，如果u^m＝n^m，则iv[u^m]＝0，然后根据公式五和公式九，得到黎曼梯度作为节点v的邻居节点的梯度。根据公式六，使公式六中的针对每个节点，对该节点的邻居节点的表示向量进行双曲空间中的指数映射，得到该节点的邻居节点在双曲空间中的嵌入向量，作为异质信息网络中节点在双曲空间中的嵌入向量。由于针对每个节点的邻居节点都得到一个在双曲空间的嵌入向量，实质上是得到了异质信息网络中每个节点在双曲空间中的嵌入向量。

在另一种实施方式中，计算出第一相似度与第二相似度的和，得到相似度总和之后，计算相似度总和对于负样本节点的表示向量的梯度，作为负样本节点的梯度；针对每个节点，基于双曲空间嵌入模型，根据该节点的负样本节点的表示向量和负样本节点的梯度，对该节点的负样本节点的表示向量进行双曲空间中的指数映射，得到该节点的负样本节点在双曲空间中的嵌入向量。

其中，可以通过公式八计算相似度总和对于负样本节点的表示向量在欧氏空间中的梯度即然后根据公式五和公式八，得到黎曼梯度作为节点的负样本节点的梯度。根据公式六，使公式六中的针对每个节点，对该节点的负样本节点的表示向量进行双曲空间中的指数映射，得到该节点的负样本节点在双曲空间中的嵌入向量，作为异质信息网络中节点在双曲空间中的嵌入向量。由于针对每个节点的负样本节点都得到一个在双曲空间的嵌入向量，实质上是得到了异质信息网络中每个节点在双曲空间中的嵌入向量。

在一种实施方式中，s103可以包括：基于双曲空间嵌入模型，对表示向量进行双曲空间中的指数映射，得到映射结果；判断映射次数是否达到预设值；如果达到，将映射结果确定为每个节点在双曲空间中的嵌入向量；如果未达到，基于映射结果对表示向量进行更新，并返回执行基于所双曲空间嵌入模型，对表示向量进行双曲空间中的指数映射的步骤。

具体的，如图3所示，图3为节点的表示向量的更新流程示意图。在s102之后，可以执行s301：基于双曲空间嵌入模型，对表示向量进行双曲空间中的指数映射，得到映射结果；然后执行s302：判断映射次数是否达到预设值；如果映射次数达到了预设值，则执行s304：将映射结果确定为每个节点在双曲空间中的嵌入向量；如果映射次数未达到预设值，则执行s303：基于映射结果对表示向量进行更新，并返回执行基于所双曲空间嵌入模型，对表示向量进行双曲空间中的指数映射的步骤。其中，映射次数的预设值可以取3，也可以取大于3的值，以使异质信息网络中的节点嵌入的更准确，当然，也可以取1或者2。

应用图1所示的实施例，通过将异质信息网络中每个节点的表示向量，输入至预先设定的双曲空间嵌入模型中，基于双曲空间嵌入模型，对表示向量进行双曲空间中的指数映射，得到每个节点在双曲空间中的嵌入向量。由于在双曲空间中可以更准确地对具有幂律分布特性的数据进行建模，而异质信息网络中的数据具有幂律分布特性，在双曲空间中嵌入异质信息网络，能够更贴合地体现出异质信息网络的结构和语义信息，使得异质信息网络的结构和语义信息保留得更完整。因此，可以提高嵌入准确度。

以dblp网络和moivelens(电影信息数据集)为例，将本发明方案中的双曲空间嵌入模型hhne与现有技术中的异质信息网络嵌入方案中的模型，如metapath2vec，进行比较。具体的，获取通过这两种方案进行嵌入之后，网络重构的auc(areaundercurve，roc曲线下与坐标轴围成的面积)值，来评价这两种方案，结果如表1所示：

表1：网络重构的auc值

由表1可以看出，空间维度在空间维数较小的情况下，比如空间维度为2，hhne的auc值大于metapath2vec的auc值，也就是利用hhne可以更有效地保持原网络结构，从而能够更好地对网络进行重构，尤其是对p-v和m-d边的重构。因此，利用hhne可以更准确的嵌入异质信息网络中的节点，并更好的保持了网络的结构。

一种情况下，还可以通过链路预测来表明hhne的优越性。链路预测是在给定观察到的链路结构的情况下，推断出链路中未知的链路，从而检验网络嵌入方法的泛化性能。对于网络中每种类型的边，随机删除20％，同时确保其余的网络结构仍然连接，形成剩余网络，随机选取剩余网络中预设数量没有边连接的节点对，作为负样本，将剩余网络中的节点与网络结构进行嵌入，并使用auc值来评价链路预测结果，结果如表2所示。

表2：链路预测的auc值

由表2可以看出，hhne在所有维度上的auc值都大于metapath2vec的auc值，表明hhne的泛化能力更优于metapath2vec的泛化能力。因此，利用hhne可以准确地嵌入异质信息网络中不同类型的节点，并可以更好的保持网络的结构。

更进一步的，与上述方法实施例相对应，本发明还提供了一种异质信息网络的嵌入装置，如图4所示，所述装置可以包括：

确定模块401，用于确定待嵌入异质信息网络中每个节点的表示向量；

输入模块402，用于将所确定的表示向量输入至预先设定的双曲空间嵌入模型中；

映射模块403，用于基于所述双曲空间嵌入模型，对所述表示向量进行双曲空间中的指数映射，得到所述每个节点在双曲空间中的嵌入向量。

作为一种实施方式，所述确定模块，具体可以用于随机给定待嵌入异质信息网络中每个节点的表示向量。

应用图4所示的实施例，通过将异质信息网络中每个节点的表示向量，输入至预先设定的双曲空间嵌入模型中，基于双曲空间嵌入模型，对表示向量进行双曲空间中的指数映射，得到每个节点在双曲空间中的嵌入向量。由于在双曲空间中可以更准确地对具有幂律分布特性的数据进行建模，而异质信息网络中的数据具有幂律分布特性，在双曲空间中嵌入异质信息网络，能够更贴合地体现出异质信息网络的结构和语义信息，使得异质信息网络的结构和语义信息保留得更完整。因此，可以提高嵌入准确度。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。