用于信息处理的方法、装置、设备和计算机可读存储介质与流程

本公开的实施例主要涉及信息处理领域，并且更具体地，涉及用于信息处理的方法、装置、设备和计算机可读存储介质。

背景技术：

随着网络技术的快速发展，信息日益增长，准确获得所请求的信息的需求也随之增长。然而，由于自然语言存在歧义性，用户的搜索结果通常并不准确。已有的消歧方案无法满足用户的搜索需求，以至于降低了用户的搜索体验。

技术实现要素：

根据本公开的示例实施例，提供了一种用于信息处理的方案。

在本公开的第一方面中，提供了一种用于信息处理方法，包括：获取第一实体的特征和第二实体的特征；基于第一实体的特征，生成第一实体表示；基于第二实体的特征，生成第二实体表示；确定第一实体的特征和第二实体的特征之间的特征相似性；以及基于第一实体表示、第二实体表示和特征相似性，确定第一实体和第二实体之间的实体相似性。

在本公开的第二方面中，提供了一种信息处理装置，包括：特征获取模块，被配置为获取第一实体的特征和第二实体的特征；第一实体表示生成模块，被配置为基于第一实体的特征，生成第一实体表示；第二实体表示生成模块，被配置为基于第二实体的特征，生成第二实体表示；特征相似性确定模块，被配置为确定第一实体的特征和第二实体的特征之间的特征相似性；以及实体相似性确定模块，被配置为基于第一实体表示、第二实体表示和特征相似性，确定第一实体和第二实体之间的实体相似性。

在本公开的第三方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了本公开的实施例能够在其中实现的一个示例环境的示意图；

图2示出了根据本公开的一些实施例的用于信息处理的流程图；

图3示出了根据本公开的一些实施例的相似性模型的示意图；

图4示出了根据本公开的一些实施例的用于信息处理的装置的示意框图；以及

图5示出了能够实施本公开的一些实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

术语“实体”可以是一篇文章、片段或内容，例如网络上的信息较不丰富的半结构化或无结构的文章、片段或内容等。

传统上，为了对实体进行消歧，存在两种解决方案。第一种方案是基于有监督模型的方法。该方案针对信息较丰富的结构化的实体的消歧。由于该方案依赖丰富的结构化的实体信息，因此在处理实体信息较少的半结构化或无结构化的实体时，很难捕捉实体信息中的深度语义信息，从而难以有效处理与半结构化或无结构化的实体相关联的问题。此外，该方案需要大量的标注数据和复杂的特征构建，导致成本高昂。

第二种方案是基于模板和规则匹配的方法。例如，该方案可以简单地通过对实体的某些特征(诸如，名字或别名)进行匹配，来进行实体消歧。虽然该方案具有较高的准确度，但是无法灵活适用于各种类型的实体。如果出现新类型的实体，则该方案需要重新生成新的模板或规则匹配方法，导致迁移成本较大和可扩展性较差。为此，在此提出用于实体消歧的解决方案。

总体而言，根据本公开的实施例，可以获取待消歧实体(本文中称为“第一实体”)和与第一实体可能相同的歧义实体(本文中称为“第二实体”)。第一实体可以是信息较不丰富的半结构化或无结构的实体，例如网络上的一篇文章。类似地，第二实体也可以是信息较不丰富的半结构化或无结构的实体，例如网络上的另一篇文章。

然后，可以接收对与第一实体和第二实体的要比较的特征的选择，并且使用规则方法(例如，精确比较、编辑距离比较、时间比较、文本相似度比较、共现比较、数字比较和类型比较)对第一实体和第二实体的特征进行比较。

此外，还可以使用相似性模型方法来确定第一实体和第二实体为相同实体的概率。在相似性模型方法中，可以采用诸如孪生神经网络(siamese)模型的深度模型。在传统深度模型中，仅使用第一实体和第二实体的文本描述或描述信息来确定第一实体和第二实体为相同实体的概率。然而，与传统深度模型不同，本方案除了使用第一实体和第二实体的描述信息，还可以结合第一实体的特征和第二实体的特征之间的相似性和第一实体存在歧义实体的概率，来确定第一实体和第二实体为相同实体的概率。

以此方式，本方案可以结合规则方法和相似性模型方法来进行实体消歧，以实现更准确的实体消歧。进一步地，在相似性模型方法中，本方案可以结合针对实体的描述信息的相似性模型和实体的特征的相似性，更准确地确定实体之间的相似性。

在下文中，将结合图1-图5更详细地描述本方案的具体示例。图1示出了本公开的实施例能够在其中实现的一个示例环境100的示意图。存储系统100包括计算设备110和存储设备120。计算设备110可以包括但不限于云计算设备、大型计算机、服务器、个人计算机、桌面计算机、膝上型计算机、平板计算机和个人数字助理等任何具有计算能力的设备。存储设备120可以包括数据库、云存储设备、磁存储设备、光学存储设备等任何具有存储能力的物理或虚拟存储设备。

计算设备110可以从存储设备120获取第一实体130。如上所述，第一实体130可以是信息较不丰富的半结构化或无结构的实体，例如网络上的一篇文章。计算设备110可以对第一实体130进行预处理，以使用若干特征(例如，标识、类型、描述信息、键值对、相关实体、和多媒体内容)表示第一实体130。

此外，计算设备110还可以从存储设备120获取与第一实体130可能相同的第二实体140。类似地，第二实体140也可以是信息较不丰富的半结构化或无结构的实体，例如网络上的另一篇文章。因此，在某些实施例中，计算设备110也可以对第二实体140进行预处理，以使用若干特征表示第二实体140。

然后，计算设备110可以接收对与第一实体130和第二实体140的要比较的特征的选择，并且使用规则方法(例如，精确比较、编辑距离比较、时间比较、文本相似度比较、共现比较、数字比较和类型比较)对第一实体130和第二实体140的特征进行比较。

此外，计算设备110还可以使用相似性模型方法来确定第一实体130和第二实体140为相同实体的概率。在相似性模型方法中，可以采用诸如孪生神经网络(siamese)模型的深度模型来确定第一实体130和第二实体140之间的相似性150。孪生神经网络模型可以包括具有相同参数的两个映射单元(例如，其使用双向长短期记忆模型(bi-lstm))、全连接单元(例如，其为全连接层)和分类单元(例如，其使用softmax模型)。

具体地，计算设备110可以基于第一实体130的描述信息(本文中称为“第一描述信息”)和第二实体140的描述信息(本文中称为“第二描述信息”)生成表示第一描述信息的向量(本文中称为“第一文本表示”)和表示第二描述信息的向量(本文中称为“第二文本表示”)。在某些实施例中，计算设备110可以将第一描述信息和第二描述信息应用于词向量单元，以将第一描述信息和第二描述信息映射为第一文本表示和第二文本表示。词向量单元可以使用例如bert模型，但不限于此，词向量单元还可以使用例如word2vec模型、elmo模型等。

计算设备110可以将所生成的第一文本表示和第二文本表示应用于具有相同参数的两个映射单元(本文中分别称为“第一映射单元”和“第二映射单元”)，以生成针对第一实体130和第二实体140的实体表示(本文中分别称为“第一实体表示”和“第二实体表示”)，诸如第一描述信息和第二描述信息的低维隐层向量。映射单元可以使用例如bi-lstm模型，但不限于此，映射单元还可以使用例如cnn模型、rnn模型等。然后，计算设备110可以将第一实体表示和第二实体表示应用于全连接单元。

进一步地，计算设备110还可以生成第一实体130的特征和第二实体140的特征之间的相似性(本文中称为“特征相似性”)。在某些实施例中，特征相似性可以通过以下来表征：实体的特征的共现性、实体的描述信息的相似性、实体的类型的类型一致性、实体的多媒体内容的相似性等。

此外，计算设备110还可以获取预先确定的第一实体130存在歧义实体的概率。然后，计算设备110可以将特征相似性和存在歧义实体的概率同样应用于全连接单元。

由此，可以将经全连接的第一实体表示、第二实体表示、特征相似性和存在歧义实体的概率应用于分类单元，来确定第一实体130和第二实体140之间的相似性150(本文中称为“实体相似性”)。分类单元可以使用例如softmax模型，但不限于此，分类单元还可以使用例如对比损失(contrastiveloss)模型、余弦距离模型、欧式距离模型等。

以此方式，本方案可以结合规则方法和相似性模型方法来实现更准确的实体消歧。在规则方法中，本方案可以允许接收对实体的要比较的特征的选择，使得能够配置要比较的特征和用于比较的规则方法的组合，由此增加了本方案的灵活性、适应性和鲁棒性。进一步地，在相似性模型方法中，本方案可以结合针对实体的描述信息的相似性模型和实体的特征的相似性，从而能够更准确地确定实体之间的相似性。

图2示出了根据本公开的一些实施例的用于信息处理的流程图200。例如，方法200可以在如图1所示的计算设备110或者其他适当的设备处被执行。此外，方法200还可以包括未示出的附加步骤和/或可以省略所示出的步骤，本公开的范围在此方面不受限制。

在210，计算设备110获取第一实体的特征和第二实体的特征。如上所述，第一实体和第二实体可以是信息较不丰富的半结构化或无结构的实体，例如网络上的一篇文章。在某些实施例中，计算设备110可以从第一实体中提取第一实体的特征。类似地，计算设备110可以从第二实体中提取第二实体的特征。例如，计算设备110可以获取第一实体和第二实体，并且对第一实体和第二实体进行预处理，以使用若干特征表示第一实体和第二实体。特征可以例如是标识、类型、描述信息、键值对、相关实体、或多媒体内容。

标识可以例如指示实体的名称或别名。类型可以指示实体的类型或与类型有关的标签。在某些实施例中，如果所获取的实体缺少类型，计算设备110将对该实体进行类型预测，以确定该实体的类型。

描述信息可以例如指示针对实体的文本描述。在某些实施例中，如果所获取的实体缺少描述信息，计算设备110将利用实体的其他特征生成描述信息。键值对可以是例如从描述信息中提取的属性信息，该属性信息被表示为键-值的形式。

例如，从描述信息“《七里香》是周杰伦于2004年发行的专辑”提取的键值对可以被表示为“周杰伦，作品，七里香”。另外，可以针对描述信息中的诸如数字、地点、人物、组织机构等预定信息进行区分表示。例如，从描述信息“c罗2018年转会至尤文图斯”提取的键值对可以被表示为“数字：2018，组织机构：尤文图斯”。

相关实体可以例如指示与实体相关的其他实体，例如涉及周杰伦的实体和涉及昆凌的实体相关。多媒体内容可以例如包括实体的图像和链接。

在某些实施例中，计算设备110可以仅对与第一实体相关联的候选实体而非全部实体进行实体消歧，来减少实体消歧的计算复杂度。例如，计算设备110可以基于第一实体的特征，获取第一实体的标识。计算设备110可以将第一实体的标识与候选实体的标识进行比较。在标识的相似性超过预定阈值的情况下，计算设备110才获取第二实体的特征用于进行后续实体消歧。

然后，计算设备110可以通过相似性模型方法，来确定第一实体和第二实体之间的实体相似性。在下文中，将结合图3中所示的相似性模型300对方法200进行描述。相似性模型300用于确定第一实体和第二实体为相同实体的概率。相似性模型可以采用诸如孪生神经网络(siamese)模型来确定第一实体和第二实体之间的相似性。孪生神经网络模型可以包括具有相同参数的两个映射单元330和335(例如，双向长短期记忆模型(bi-lstm))、全连接单元340(例如，全连接层)和分类单元350(例如，softmax模型)。

在220，计算设备110基于第一实体的特征，生成第一实体表示。在某些实施例中，计算设备110可以从第一实体的特征获取针对第一实体的第一描述信息。计算设备110可以基于第一描述信息，生成表示第一描述信息的第一文本表示。然后，计算设备110可以将第一文本表示应用于相似性模型的第一映射单元330，以将第一文本表示映射为第一实体表示。

作为生成第一实体表示的示例，计算设备110可以将第一描述信息应用于第一词向量单元320，以将第一描述信息映射为第一文本表示。第一词向量单元320可以使用例如bert模型，但不限于此，第一词向量单元320还可以使用例如word2vec模型、elmo模型等。然后，计算设备110可以将所生成的第一文本表示应用于第一映射单元330，以生成第一实体表示。第一映射单元330可以使用例如bi-lstm模型，但不限于此，第一映射单元330还可以使用例如cnn模型、rnn模型等。第一实体表示可以是诸如第一描述信息的低维隐层向量。

在230，计算设备110基于第二实体的特征，生成第二实体表示。在某些实施例中，计算设备110可以从第二实体的特征获取针对第二实体的第二描述信息。计算设备110可以基于第二描述信息，生成表示第二描述信息的第二文本表示。然后，计算设备110可以将第二文本表示应用于相似性模型的第二映射单元335，以将第二文本表示映射为第二实体表示。第一映射单元330和第二映射单元335具有相同参数。

类似于生成第一实体表示，在生成第二实体表示时，计算设备110例如可以将第二描述信息应用于第二词向量单元325，以将第二描述信息映射为第二文本表示。然后，计算设备110可以将所生成的第二文本表示应用于第二映射单元335，以生成第二实体表示。第二映射单元335具有与第一映射单元330相同的参数，并且可以使用相同的模型，例如bi-lstm模型、cnn模型、rnn模型等。第二实体表示可以是诸如第二描述信息的低维隐层向量。

在240，计算设备110确定第一实体的特征和第二实体的特征之间的特征相似性。在某些实施例中，计算设备110可以将第一实体的特征和第二实体的特征应用于比较单元360以确定特征相似性。可以通过如下多种方式确定特征相似性。在某些实施例中，计算设备110可以确定第一实体的特征和第二实体的特征的共现性。例如，第一实体的相关实体和第二实体的相关实体的共现性。在另一些实施例中，计算设备110可以确定第一实体的描述信息和第二实体的描述信息的相似性，例如描述信息的概率潜在语义分析(plsa)相似度、描述信息的子串的相似度等。在再一些实施例中，计算设备110可以确定第一实体的类型和第二实体的类型的类型一致性，例如类型是否相同、类型是否属于上下位关系、类型预测结果是否一致等。附加地或备选地，计算设备110可以确定第一实体的多媒体内容和第二实体的多媒体内容的相似性，例如实体的图片的相似性、实体引用的链接的相似性等。

在250，计算设备110可以基于第一实体表示、第二实体表示和特征相似性，确定第一实体和第二实体之间的实体相似性。在某些实施例中，计算设备110可以将第一实体表示、第二实体表示和特征相似性应用于相似性模型的全连接单元340，以生成全连接表示，例如全连接向量。进一步地，在某些实施例中，计算设备110还可以获取第一实体是否存在歧义实体的概率。在这种情况下，计算设备110还可以将所获取的概率以及第一实体表示、第二实体表示和特征相似性应用于相似性模型的全连接单元340，以生成全连接表示。

然后，计算设备110可以将全连接表示应用于分类单元350，以生成第一实体和第二实体是相同实体的概率作为实体相似性。如上所述，分类单元350可以是例如softmax模型，但不限于此，分类单元350还可以是例如对比损失(contrastiveloss)模型、余弦距离模型、欧式距离模型等。在实体相似性超过预定阈值的情况下，计算设备110可以确定第一实体和第二实体为相似实体

以上描述了相似性模型方法。在某些实施例中，相似性模型方法可以结合规则方法执行。例如，在规则方法中，计算设备110可以接收对与第一实体和第二实体的要比较的特征的选择。计算设备110可以通过对选择的第一实体的特征和选择的第二实体的特征进行比较，以确定第一实体和第二实体是否为不同实体。

这样的比较包括精确比较、编辑距离比较、时间比较、文本相似度比较、共现比较、数字比较或类型比较。精确比较可以例如精确匹配两个字符串以确定其是否相同。编辑距离比较例如可以返回两个字符串的最小化编辑(levinstein)距离，该距离可以是0-1之间的一个连续值。时间比较可以例如自定义阈值，如果两个值之差的绝对值小于阈值，则确定其相同。文本相似度比较可以例如计算两个值的plsa相似度。共现比较可以例如确定一个字符串是否在另一个字符串中出现。数字比较可以例如比较两个浮点数，并且自定义阈值，如果两个值之差的绝对值小于阈值，则确定其相同。类型比较可以例如比较两个实体的类型之间的相似度。

在某些实施例中，在利用上述规则方法确定第一实体和第二实体为不同实体的情况下，计算设备110可以执行相似度模型方法以确定实体相似性。备选地，在第一实体和第二实体为相同实体的情况下，计算设备110也可以执行相似度模型方法以确定实体相似性。此外，虽然本文中将相似性模型方法描述为在规则方法之后执行，然而相似性模型方法和规则方法的执行顺序并不受限制，例如相似性模型方法可以在规则方法之前执行，或并行执行。

以此方式，本方案可以结合规则方法和相似性模型方法来进行实体消歧，以实现更准确的实体消歧。进一步地，在相似性模型方法中，本方案可以结合针对实体的描述信息的深度模型和实体的特征的相似性，更准确地确定实体之间的相似性。

图4示出了根据本公开的实施例的用于信息处理的装置400的示意框图。如图4所示，装置400包括：特征获取模块410，被配置为获取第一实体的特征和第二实体的特征；第一实体表示生成模块420，被配置为基于第一实体的特征，生成第一实体表示；第二实体表示生成模块430，被配置为基于第二实体的特征，生成第二实体表示；特征相似性确定模块440，被配置为确定第一实体的特征和第二实体的特征之间的特征相似性；以及实体相似性确定模块450，被配置为基于第一实体表示、第二实体表示和特征相似性，确定第一实体和第二实体之间的实体相似性。

在某些实施例中，特征获取模块410包括：第一实体特征获取模块，被配置为从第一实体中提取第一实体的特征，特征包括以下中的至少一项：标识、类型、描述信息、键值对、相关实体、和多媒体内容。

在某些实施例中，特征获取模块410包括：第一实体标志获取模块，被配置为获取第一实体的标识；以及第二实体特征获取模块，被配置为响应于第一实体的标识与候选实体的标识之间的标识相似性超过预定阈值，获取第二实体的特征。

在某些实施例中，第一实体表示生成模块420包括：第一描述信息获取模块，被配置为从第一实体的特征获取针对第一实体的第一描述信息；第一文本表示生成模块，被配置为基于第一描述信息，生成表示第一描述信息的第一文本表示；以及第一实体表示映射模块，被配置为将第一文本表示应用于相似性模型的第一映射单元，以将第一文本表示映射为第一实体表示。

在某些实施例中，第二实体表示生成模块430包括：第二描述信息获取模块，被配置为从第二实体的特征获取针对第二实体的第二描述信息；第二文本表示生成模块，被配置为基于第二描述信息，生成表示第二描述信息的第二文本表示；以及第二实体表示映射模块，被配置为将第二文本表示应用于相似性模型的第二映射单元，以将第二文本表示映射为第二实体表示，其中第一映射单元和第二映射单元具有相同参数。

在某些实施例中，实体相似性确定模块450包括：全连接表示生成模块，被配置为将第一实体表示、第二实体表示和特征相似性应用于相似性模型的全连接单元，以生成全连接表示；以及第一实体相似性确定模块，被配置为将全连接表示应用于分类单元，以生成第一实体和第二实体是相同实体的概率作为实体相似性。

在某些实施例中，实体相似性确定模块450包括：概率获取模块，被配置为获取第一实体是否存在歧义实体的概率；以及第二实体相似性确定模块，被配置为基于第一实体表示、第二实体表示、特征相似性和概率，确定第一实体和第二实体之间的实体相似性

在某些实施例中，实体相似性确定模块450包括：选择接收模块，被配置为接收对与第一实体和第二实体的要比较的特征的选择；比较模块，被配置为通过对选择的第一实体的特征和选择的第二实体的特征进行比较，以确定第一实体和第二实体是否为不同实体；以及第三实体相似性确定模块，被配置为响应于第一实体和第二实体为不同实体，确定实体相似性。

图5示出了可以用来实施本公开的实施例的示例设备500的示意性框图。设备500可以用于实现图1的计算设备110。如图所示，设备500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序指令，来执行各种适当的动作和处理。在ram503中，还可存储设备500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元501执行上文所描述的各个方法和处理，例如过程200。例如，在一些实施例中，过程200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram503并由cpu501执行时，可以执行上文描述的过程200的一个或多个步骤。备选地，在其他实施例中，cpu501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程200。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。