商品购买意图确定方法、装置与电子设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种商品购买意图确定方法、装置与电子设备。


背景技术：

2.目前，人们可以通过线上和线下两种途径购物，其中，当用户在进行线上购物时，为了提高用户的购物体验，购物网站会通过用户的注册信息和商品浏览信息，收集用户画像，根据收集的用户画像为用户进行个性化推荐，使用户可以方便快捷地购买到心仪的商品。
3.为了方便用户购物，许多线下门店也铺设了售货设备，使用户可以通过多样化的方式进行线下购物。但是，对于线下零售行业，用户画像系统尚不完善，受限于此，目前的售货设备不能很好地确定用户的购买意图，因而无法提供个性化的交互过程，从而会影响用户的购物体验。


技术实现要素：

4.有鉴于此，本技术实施例提供一种商品购买意图确定方法、装置与电子设备，用于确定用户的购买意图，以使售货设备可以更好地为用户提供个性化的交互过程，提升用户的购物体验。
5.为了实现上述目的，第一方面，本技术实施例提供一种商品购买意图确定方法，包括：
6.在商品展示过程中，获取用户的语音信息和图像信息；
7.根据所述语音信息确定所述用户对应于各个第一用户画像标签的概率；
8.根据所述图像信息确定所述用户对应于各个第二用户画像标签的概率；
9.根据各所述第一用户画像标签的概率和各所述第二用户画像标签的概率，确定所述用户的购买意图。
10.在第一方面的一种可能的实施方式中，所述根据所述语音信息确定所述用户对应于各个第一用户画像标签的概率，包括：
11.将所述语音信息对应的文本信息输入预先训练的bert模型，得到所述用户对应于各个第一用户画像标签的概率。
12.在第一方面的一种可能的实施方式中，所述根据所述图像信息确定所述用户对应于各个第二用户画像标签的概率，包括：
13.将所述图像信息输入预先训练的swin transformer模型，得到所述用户对应于各个第二用户画像标签的概率。
14.在第一方面的一种可能的实施方式中，所述根据各所述第一用户画像标签的概率和各所述第二用户画像标签的概率，确定所述用户的购买意图，包括：
15.将各所述第一用户画像标签的概率和各所述第二用户画像标签的概率，输入预先
训练的分类预测模型，得到所述用户的购买意图。
16.在第一方面的一种可能的实施方式中，所述分类预测模型包括注意力机制模块和mlp网络，所述注意力机制模块用于对各所述第一用户画像标签的概率和各所述第二用户画像标签的概率进行数据融合，所述mlp网络用于根据数据融合结果预测用户的购买意图。
17.在第一方面的一种可能的实施方式中，第一用户画像标签包括商品喜好标签。
18.在第一方面的一种可能的实施方式中，第二用户画像标签包括下列中的至少一种：表情标签、情绪标签、年龄段标签、性别标签和穿戴喜好标签。
19.第二方面，本技术实施例提供一种商品购买意图确定装置，包括：
20.显示模块，用于展示商品；
21.获取模块，用于在商品展示过程中，获取用户的语音信息和图像信息；
22.处理模块，用于根据所述语音信息确定所述用户对应于各个第一用户画像标签的概率；并据所述图像信息确定所述用户对应于各个第二用户画像标签的概率；然后根据各所述第一用户画像标签的概率和各所述第二用户画像标签的概率，确定所述用户的购买意图。
23.在第二方面的一种可能的实施方式中，所述处理模块具体用于：
24.将所述语音信息对应的文本信息输入预先训练的bert模型，得到所述用户对应于各个第一用户画像标签的概率。
25.在第二方面的一种可能的实施方式中，所述处理模块具体用于：
26.将所述图像信息输入预先训练的swin transformer模型，得到所述用户对应于各个第二用户画像标签的概率。
27.在第二方面的一种可能的实施方式中，所述处理模块具体用于：
28.将各所述第一用户画像标签的概率和各所述第二用户画像标签的概率，输入预先训练的分类预测模型，得到所述用户的购买意图。
29.在第二方面的一种可能的实施方式中，所述分类预测模型包括注意力机制模块和mlp网络，所述注意力机制模块用于对各所述第一用户画像标签的概率和各所述第二用户画像标签的概率进行数据融合，所述mlp网络用于根据数据融合结果预测用户的购买意图。
30.在第二方面的一种可能的实施方式中，第一用户画像标签包括商品喜好标签。
31.在第二方面的一种可能的实施方式中，第二用户画像标签包括下列中的至少一种：表情标签、情绪标签、年龄段标签、性别标签和穿戴喜好标签。
32.第三方面，本技术实施例提供一种电子设备，包括：存储器和处理器，存储器用于存储计算机程序；处理器用于在调用计算机程序时执行上述第一方面或第一方面的任一实施方式所述的方法。
33.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面或第一方面的任一实施方式所述的方法。
34.第五方面，本技术实施例提供一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的方法。
35.本技术实施例提供的商品购买意图确定方案，先从用户的语音信息中提取用于对应于第一用户画像标签的概率，从用户的图像信息中提取用户对应于各个第二用户画像标签的概率，然后结合第一用户画像标签和第二用户画像标签的概率确定用户的购买意图，
可以得到比较准确的购买意图预测结果。
附图说明
36.图1为本技术实施例提供的商品购买意图确定方法的流程示意图；
37.图2为本技术实施例提供的bert模型的训练过程示意图；
38.图3为本技术实施例提供的swin transformer模型的结构示意图；
39.图4为本技术实施例提供的注意力机制的网络结构示意图；
40.图5为本技术实施例提供的商品购买意图确定装置的结构示意图；
41.图6为本技术实施例提供的电子设备的结构示意图。
具体实施方式
42.下面结合本技术实施例中的附图对本技术实施例进行描述。本技术实施例的实施方式部分使用的术语仅用于对本技术的具体实施例进行解释，而非旨在限定本技术。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
43.本技术实施例提供的商品购买意图确定方法可以应用于售货设备或导购设备等电子设备，本实施例中后续以售货设备为例进行示例性说明。
44.图1为本技术实施例提供的商品购买意图确定方法的流程示意图，如图1所示，本实施例提供的商品购买意图确定方法可以包括如下步骤：
45.s110、在商品展示过程中，获取用户的语音信息和图像信息。
46.具体地，售货设备可以向用户展示各种商品，在展示商品的过程中，售货设备可以通过麦克风采集用户的语音信息，通过摄像头采集用户的图像信息，其中，麦克风和摄像头可以是连接在售货设备外部的设备，也可以是集成在售货设备中的部件。
47.售货设备获取的语音信息可以是麦克风最近一段时间(比如1秒)采集的用户语音，售货设备获取的图像信息可以是摄像头在同一时段(例如上述最近1秒)采集的多帧用户图像中的一帧或多帧图像。
48.s120、根据语音信息确定用户对应于各个第一用户画像标签的概率。
49.售货设备获取到用户的语音信息后，可以采用预先训练的语言模型，预测用户对应于各个用户画像标签(即第一用户画像)的概率。
50.其中，第一用户画像标签可以包括商品喜好标签和/或语气标签，例如，商品喜好标签可以包括：商品a爱好者、商品b爱好者等。
51.语言模型可以是长短期记忆网络(long short-term memory，lstm)模型、基于transformer的生成式预训练(gererate pre-training model，gpt)模型或基于转换器的双向编码器(bidirectional encoderrepresentation from transformers，bert)模型等。
52.其中，bert模型由双向转换器模块(transformer block)连接，可以有效获取文本左右两边的信息，且在预训练时使用了掩码语言模型(masked language model，mlm)和下一句预测(next sentence prediction)两种方法分别捕捉词语和句子级别的特征，因而可以更好地学习到文本的上下文信息。在本技术一实施例中，采用bert模型预测用户对应于各个第一用户画像标签的概率，以提高预测结果的准确性。本实施例中后续也以bert模型
为例示例性说明本技术的技术方案。
53.bert模型是一种预训练模型，其训练过程分为两个阶段：预训练阶段和微调(fine-tuning)阶段。在预训练阶段时，可以采用大型数据集对bert模型进行预训练，使bert模型学习到数据集中的通用特征；微调阶段是采用一些下游任务进行微调，例如文本分类、词性标注等，在微调阶段，可以采用特定的训练样本集对bert模型进行训练，得到最终的bert模型。
54.图2为本技术实施例提供的bert模型的训练过程示意图，如图2所示，bert模型可以对输入文本进行向量化表示，得到输入向量e。
55.其中，bert模型的输入文本可以包括单个句子或一个句子对，图2中以句子对(包括句子a和句子b)为例进行说明。每个句子可以包括多个单词(或字)tok，图2中示例性地，句子a包括n个单词tok，句子b包括m个单词tok。
56.输入向量e可以包括词向量(token embedding)、位置向量(position embedding)和句向量(segment embedding)，词向量是文字的向量化表示，位置向量用于指示文字在输入文本中的位置，句向量用于指示文字所属的句子。
57.bert模型的输入还包括一些有特殊作用的标志位，其中，[cls]标志放在第一个句子的首位，经过bert模型得到的编码向量c可以用于后续的分类任务。
[0058]
[sep]标志用于分开两个输入句子，例如输入句子a和b，要在句子a，b后面增加[sep]标志。
[0059]
[mask]标志用于遮盖句子中的一些单词，将单词用[mask]遮盖之后，再利用bert输出的[mask]向量预测是什么单词。
[0060]
bert模型在生成输入向量e后，通过预训练方式训练模型，预训练包括下面两个任务：
[0061]
mlm：bert模型中设置有若干层编码网络(即transformer)，在句子中随机用[mask]替换一部分单词，然后将句子传入transformer中编码每一个单词的信息，最终用[mask]的编码信息t
[mask]
预测该位置的正确单词。
[0062]
下一句预测：将句子a和b输入transformer，预测b是否是a的下一句，使用[cls]的编码信息c进行预测。
[0063]
bert预训练完成后，可以对不同的下游任务进行微调。对于文本分类任务，可以在第一个[cls]的最后一层的输出c上添加分类器(比如softmax分类器)，采用标注过的训练样本进行进一步训练。
[0064]
本实施例中，可以采用标注过用户画像标签的文本作为训练样本，对bert模型进行微调训练，其中，bert模型的输出可以是各个第一用户画像标签的概率，可以将bert模型最后一层的概率向量作为每个第一用户画像标签的编码向量输出，得到各个第一用户画像标签的概率；训练样本中的标注信息可以是第一用户画像标签，即训练样本中标注的第一用户画像标签的概率为100％，未标注的第一用户画像标签的概率为0％，同一训练样本可以有多个第一用户画像标签。
[0065]
本实施例中，在训练完bert模型后，可以将售货设备获取的语音信息转换为文本信息，然后将文本信息输入bert模型，预测用户对应于各个第一用户画像标签的概率。
[0066]
s130、根据图像信息确定用户对应于各个第二用户画像标签的概率。
[0067]
售货设备获取到用户的图像信息后，可以采用预先训练的深度学习模型，预测用户对应于各个用户画像标签(即第二用户画像)的概率。
[0068]
其中，第二用户画像标签可以包括：表情标签(例如笑或不笑)、情绪标签(例如高兴或不高兴等)、年龄段标签、性别标签和/或穿戴喜好标签(例如戴眼镜/帽子等)等。
[0069]
深度学习模型可以是卷积神经网络(convolutional neural networks，cnn)、深度残差网络(deep residual network，resnet)或swin transformer模型等。
[0070]
其中，swin transformer模型将cnn与transformer各自的优势进行了有效的结合，在进行图像任务时，可以得到较优的学习效果；而且，该模型的计算复杂度较低。在本技术一实施例中，采用swin transformer模型预测用户对应于各个第二用户画像标签的概率，以提高预测结果的准确性。本实施例中后续也以swin transformer模型为例示例性说明本技术的技术方案。
[0071]
swin transformer模型的网络结构比较简单，图3为本技术实施例提供的swin transformer模型的结构示意图，如图3所示，swin transformer模型可以包括分割层(patch partition)和四个阶段(stage)。每个阶段用于进行一次降采样。
[0072]
其中，分割层可以将输入的大小为h
×w×
3的图像划分为不重合的块(patch)集合，其中，每个patch尺寸为4
×
4，每个patch的特征维度为4
×4×
3＝48，patch的数量为h/4
×
w/4。stage1部分，先通过一个线性嵌入(linear embedding)层将划分后的patch特征维度变成c，然后送入swin transformer模块(block)识别图像的特征向量。stage2-stage4操作相同，其中，stage2中先通过一个块合并(patch merging)层，将输入按照2
×
2的相邻块合并，得到数量为h/8
×
w/8、特征维度为2c的patch，然后送入swin transformer模块识别图像的特征向量；stage3中得到数量为h/16
×
w/16、特征维度为4c的patch；stage4中得到数量为h/32
×
w/32、特征维度为8c的patch。
[0073]
本实施例中，可以采用标注过用户画像标签的图像作为训练样本，对swin transformer模型进行训练，其中，swin transformer模型的输出可以是各个第二用户画像标签的概率，可以将swin transformer模块最后一个softmax层的权重向量作为每个第二用户画像标签的编码向量输出，得到各个第二用户画像标签的概率；训练样本中的标注信息可以是第二用户画像标签，即训练样本中标注的第二用户画像标签的概率为100％，未标注的第二用户画像标签的概率为0％，同一训练样本可以有多个第二用户画像标签。
[0074]
本实施例中，在训练完swin transformer模型后，可以将售货设备获取的图像信息输入swin transformer模型，预测用户对应于各个第二用户画像标签的概率。
[0075]
s140、根据各第一用户画像标签的概率和各第二用户画像标签的概率，确定用户的购买意图。
[0076]
在确定出各第一用户画像标签的概率和各第二用户画像标签的概率后，可以对各用户画像标签进行数据融合，然后根据数据融合结果确定用户的购买意图。
[0077]
具体地，在进行数据融合时，可以将各用户画像标签的概率拼接为一个向量，或者将各用户画像标签通过pooling的方法融合到一起；也可以采用注意力(attention)机制融合各用户画像标签。
[0078]
在确定购买意图时，可以采用梯度提升树算法或多层感知机(multilayer perceptron，mlp)网络等分类算法。
[0079]
在本技术一实施例中，采用注意力机制模块和mlp网络构建分类预测模型，通过注意力机制模块对各第一用户画像标签的概率和各第二用户画像标签的概率进行数据融合，通过mlp网络基于数据融合结果预测用户的购买意图。其中，注意力机制模块可以考虑到不同用户画像标签的重要性，比如对第二用户画像标签中的正面情绪进行加权，因而可以提升数据融合效果；mlp网络可以很好地处理非线性问题，因而可以很好地处理数据融合结果，实现分类预测。
[0080]
图4为本技术实施例提供的注意力机制的网络结构示意图，如图4所示，注意力机制的计算过程可以包括三个阶段，其中，第一个阶段是根据q(query)和k(key)采用点乘算法f(q,k)计算两者的相似性s；第二个阶段是采用softmax操作对第一阶段的结果进行归一化处理，得到权重系数a；第三个阶段是根据权重系数对v进行加权求和，得到注意力值(attention value)，即数据融合结果。其中，q、k和v三个矩阵均来自同一输入，q＝x
×
wq，k＝x
×
wk，v＝x
×
wv；x为输入向量，wq、wk和wv是模型训练过程学习到的权重矩阵。
[0081]
本实施例中，可以采用标注过购买意图的用户画像标签概率向量作为训练样本，对包含注意力机制模块和mlp网络的分类预测模型进行训练。
[0082]
在训练完分类预测模型后，可以将各第一用户画像标签的概率和各第二用户画像标签的概率作为输入向量x，输入分类预测模型，得到用户的购买意图(可以是买或者不买)。
[0083]
本领域技术人员可以理解，以上实施例是示例性的，并非用于限定本技术。在可能的情况下，以上步骤中的一个或者几个步骤的执行顺序可以进行调整，也可以进行选择性组合，得到一个或多个其他实施例。本领域技术人员可以根据需要从上述步骤中任意进行选择组合，凡是未脱离本技术方案实质的，都落入本技术的保护范围。
[0084]
本实施例提供的商品购买意图确定方法，先从用户的语音信息中提取用于对应于第一用户画像标签的概率，从用户的图像信息中提取用户对应于各个第二用户画像标签的概率，然后结合第一用户画像标签和第二用户画像标签的概率确定用户的购买意图，可以得到比较准确的购买意图预测结果。
[0085]
基于同一发明构思，作为对上述方法的实现，本技术实施例提供了一种商品购买意图确定装置，该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。
[0086]
图5为本技术实施例提供的商品购买意图确定装置的结构示意图，如图5所示，本实施例提供的装置包括：显示模块110、获取模块120和处理模块130，其中：
[0087]
显示模块110用于展示商品；
[0088]
获取模块120用于在商品展示过程中，获取用户的语音信息和图像信息；
[0089]
处理模块130用于根据所述语音信息确定所述用户对应于各个第一用户画像标签的概率；并据所述图像信息确定所述用户对应于各个第二用户画像标签的概率；然后根据各所述第一用户画像标签的概率和各所述第二用户画像标签的概率，确定所述用户的购买意图。
[0090]
在本技术实施例一种可能的实施方式中，所述处理模块130具体用于：
[0091]
将所述语音信息对应的文本信息输入预先训练的bert模型，得到所述用户对应于
各个第一用户画像标签的概率。
[0092]
在本技术实施例一种可能的实施方式中，所述处理模块130具体用于：
[0093]
将所述图像信息输入预先训练的swin transformer模型，得到所述用户对应于各个第二用户画像标签的概率。
[0094]
在本技术实施例一种可能的实施方式中，所述处理模块130具体用于：
[0095]
将各所述第一用户画像标签的概率和各所述第二用户画像标签的概率，输入预先训练的分类预测模型，得到所述用户的购买意图。
[0096]
在本技术实施例一种可能的实施方式中，所述分类预测模型包括注意力机制模块和mlp网络，所述注意力机制模块用于对各所述第一用户画像标签的概率和各所述第二用户画像标签的概率进行数据融合，所述mlp网络用于根据数据融合结果预测用户的购买意图。
[0097]
在本技术实施例一种可能的实施方式中，第一用户画像标签包括商品喜好标签。
[0098]
在本技术实施例一种可能的实施方式中，第二用户画像标签包括下列中的至少一种：表情标签、情绪标签、年龄段标签、性别标签和穿戴喜好标签。
[0099]
本实施例提供的商品购买意图确定装置可以执行上述方法实施例，其实现原理与技术效果类似，此处不再赘述。
[0100]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0101]
基于同一发明构思，本技术实施例还提供了一种电子设备。图6为本技术实施例提供的电子设备的结构示意图，如图6所示，本实施例提供的电子设备包括：存储器210和处理器220，存储器210用于存储计算机程序；处理器220用于在调用计算机程序时执行上述方法实施例所述的方法。
[0102]
本实施例提供的电子设备可以执行上述方法实施例，其实现原理与技术效果类似，此处不再赘述。
[0103]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所述的方法。
[0104]
本技术实施例还提供一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现上述方法实施例所述的方法。
[0105]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质
中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘或磁带)、光介质(例如dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0106]
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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质可以包括：rom或随机存储记忆体ram、磁碟或者光盘等各种可存储程序代码的介质。
[0107]
在本技术中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
[0108]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0109]
在本技术所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0110]
应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0111]
在本技术的描述中，除非另有说明，“/”表示前后关联的对象是一种“或”的关系，例如，a/b可以表示a或b；本技术中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a，b可以是单数或者复数。
[0112]
并且，在本技术的描述中，除非另有说明，“多个”是指两个或多于两个。“以下至少一项”或其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b，或c中的至少一项，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。
[0113]
如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0114]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容
以外的顺序实施。
[0115]
在本技术说明书中描述的参在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
[0116]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。