数据处理方法、装置、计算机设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种数据处理方法、装置、计算机设备及存储介质。


背景技术：

2.随着互联网技术的不断深入发展，自然语言处理技术也不断深入发展，而通过自然语言处理技术的辅助，可有效提升当前对文本的处理效率，而目前运用较多的自然语言技术包括命名实体识别技术(name entity recognition，ner)，采用ner技术可实现对输入文本中的人名、地名、机构名等专有名词进行识别，也就是说，基于ner技术仅可实现对输入文本中实体词类型的判别，而无法进一步深入挖掘实体词描述的其他相关信息，因此，如何实现对实体词所描述的其他相关信息进行挖掘，成为了当前的研究热点。


技术实现要素：

3.本发明实施例提供了一种数据处理方法、装置、计算机设备及存储介质，可实现基于实体词的向量表示，对作为用户名的实体词对应的用户身份进行挖掘预测。
4.一方面，本发明实施例提供了一种数据处理方法，包括：
5.获取目标文本，并从所述目标文本中获取目标实体词，所述目标实体词为目标用户的用户名；
6.从所述目标文本中确定出所述目标实体词的关联实体词，所述关联实体词是所述目标文本中，除所述目标实体词之外的任意一个或多个其他实体词，所述关联实体词包括与所述目标用户的身份特征相关的描述词；
7.对所述目标实体词进行识别处理，得到所述目标实体词的第一词向量，并对所述关联实体词进行识别处理，得到所述关联实体词的第二词向量；
8.结合所述第一词向量及所述第二词向量，对所述目标实体词进行标签预测处理，得到所述目标实体词的预测标签，所述预测标签用于指示所述目标用户的用户身份是否为目标身份。
9.再一方面，本发明实施例提供了一种数据处理装置，包括：
10.获取单元，用于获取目标文本，并从所述目标文本中获取目标实体词，所述目标实体词为目标用户的用户名；
11.确定单元，用于从所述目标文本中确定出所述目标实体词的关联实体词，所述关联实体词是所述目标文本中，除所述目标实体词之外的任意一个或多个其他实体词，所述关联实体词包括与所述目标用户的身份特征相关的描述词；
12.处理单元，用于对所述目标实体词进行识别处理，得到所述目标实体词的第一词向量，并对所述关联实体词进行识别处理，得到所述关联实体词的第二词向量；
13.所述处理单元，还用于结合所述第一词向量及所述第二词向量，对所述目标实体词进行标签预测处理，得到所述目标实体词的预测标签，所述预测标签用于指示所述目标
用户的用户身份是否为目标身份。
14.再一方面，本发明实施例提供了一种计算机设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持该计算机设备执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如下步骤：
15.获取目标文本，并从所述目标文本中获取目标实体词，所述目标实体词为目标用户的用户名；
16.从所述目标文本中确定出所述目标实体词的关联实体词，所述关联实体词是所述目标文本中，除所述目标实体词之外的任意一个或多个其他实体词，所述关联实体词包括与所述目标用户的身份特征相关的描述词；
17.对所述目标实体词进行识别处理，得到所述目标实体词的第一词向量，并对所述关联实体词进行识别处理，得到所述关联实体词的第二词向量；
18.结合所述第一词向量及所述第二词向量，对所述目标实体词进行标签预测处理，得到所述目标实体词的预测标签，所述预测标签用于指示所述目标用户的用户身份是否为目标身份。
19.再一方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序指令，所述程序指令被处理器执行时，所述程序指令被处理器执行时，用于执行如第一方面所述的数据处理方法。
20.在本发明实施例中，计算机设备可在获取到目标文本后，从该目标文本中获取得到目标用户的用户名，并将获取到的用户名作为目标实体词，而在该计算机设备确定出目标实体词后，还可从该目标文本中确定出该目标实体词的关联实体词，那么，基于对目标文本中的目标是实体词和关联实体词的获取，使得计算机设备可获取到非连贯语义的实体词。计算机设备在获取到该目标实体词和关联实体词后，则可分别对该目标实体词进行识别处理，得到目标实体词的第一词向量，并对关联实体词进行识别处理，得到关联实体词的第二词向量，那么，进一步地，基于得到的第一词向量和第二词向量，该计算机设备可结合该第一词向量和第二词向量，预测得到该目标实体词的预测标签，以便根据该预测标签确定该目标实体词指示的目标用户是否为目标身份，也就使得计算机设备可实现基于非连贯语义的实体词，确定该目标实体词对应的标签(即该目标实体词对应的细化实体类型)，而采用非连贯语义的实体词，对目标实体词进行标签预测的方式，可有效提升计算机设备在预测实体词标签时的便捷性，从而可实现提升对计算机设备进行实体词的标签预测时的效率。
附图说明
21.为了更清楚地说明本发明实施例技术方案，下面将对实施例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。
22.图1a是本发明实施例提供的一种目标网络模型的结构示意图；
23.图1b是本发明实施例提供的一种目标网络模型的结构示意图；
24.图2是本发明实施例提供的一种数据处理方法的示意流程图；
25.图3是本发明实施例提供的一种数据处理方法的示意流程图；
26.图4是本发明实施例提供的一种对目标网络模型进行优化训练的示意图；
27.图5a是本发明实施例提供的一种基于搜索词表进行意图搜索的示意图；
28.图5b是本发明实施例提供的一种进行意图搜索的场景示意图；
29.图6是本发明实施例提供的一种数据处理装置的示意性框图；
30.图7是本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
31.本发明实施例提出了一种数据处理方法，使得计算机设备可将获取得到的目标用户的用户名作为目标实体词，并将与该目标用户的用户名之间存在上下文关系的实体词作为该目标实体词的关联实体词，而在获取到该目标实体词和该关联实体词后，该计算机设备还可进一步分别对该目标实体词和关联实体词进行识别处理，进而得到该目标实体词对应的第一词向量，以及该关联实体词对应的第二词向量，那么，基于对得到的第一词向量和第二词向量的预测处理，该计算机设备可得到针对该目标实体词的预测标签，并进而基于该预测标签的指示，确定出该目标用户的用户身份是否为目标身份，使得计算机设备可实现基于非语义连贯的实体词，对该目标实体词进行标签预测，进而基于得到的预测标签判别该目标用户的用户身份是否为目标身份。在一个实施例中，上下文包括上文和下文，那么，与某个实体词(如上述的目标实体词)存在上下文关系的实体词则包括实体词所在文本(即目标文本)的上文和下文，上文(或下文)是指目标文本中，位于该目标实体词以前(或以后)的实体词，而实体词则是指存在具体含义，或者指代真实物体的词语，那么也就可以理解，与目标实体词存在关联关系的关联实体词包括：该目标实体词所在文本中，除所述目标实体词，以及代词、停用词、助词等没有具体含义或无法指代真实物体之外的其他词语，如目标文本为“小a解说精彩的游戏视频”，那么在该目标实体词为“小a”时，基于该上下文关系确定出的关联实体词则包括“解说、游戏视频”，而不包括“精彩的”这种没有具体指代的助词。此外，非语义连贯的实体词是和语义连贯的实体词进行区分的，其中，语义连贯的实体词是由目标文本得到的分词构成的全部词语，而非语义连贯的实体词则是指由目标文本分词得到的部分词语。
32.在一个实施例中，该计算机设备可通过调用目标网络模型分别对该目标实体词和关联实体词进行识别处理，从而得到该目标实体词的第一词向量，以及该关联实体词的第二词向量，其中，该目标网络模型是一种用于对目标实体词指代的目标用户的特定用户身份进行判别的神经网络，即该目标网络模型可用于判别该目标用户是否为特定用户身份，其中，该特定用户身份例如可以是游戏解说身份，或者直播者身份，或者主持人身份等等，在本发明实施例中，主要以该特定用户身份为游戏解说身份为例进行详细说明，在该特定用户身份为其他身份时，可参见本发明实施例。其中，该目标网络模型的模型结构具体可包括词向量生成网络，语义编码网络和身份判别网络，其中，该词向量生成网络用于将上述实体词(包括上述的目标实体词，以及该目标实体词的关联实体词)中的每个字符(或单词)转换为固定长度的向量表示；而该语义编码网络可用于对实体词进行语义分析，以在获取到该关联实体词中每个字符(或单词)对应的向量表示后，结合实体词的语义分析结果，得到相应实体词的向量表示，该身份判别网络也可称之为身份判别模块，而该身份判别模块则
可基于实体词的向量表示(包括上述目标实体词的向量表示，以及关联实体词的向量标识)对目标实体词指示的目标用户的用户身份进行判别。在一个实施例中，该目标网络模型的模型结构可如图1a所示的，该目标网络模型可在得到目标实体词的第一词向量，以及该关联实体词的第二词向量时，分别对目标实体词和关联实体词进行语义分析，那么也就使得目标实体词的第一词向量和关联实体词的第二词向量表示均是包含了实体词语义的；此外，该目标网络模型的模型结构也可如图1b所示，该目标网络模型可仅用于对关联实体词进行语义分析，使得该关联实体词对应的第二词向量表示是引入了实体词语义的，而不对目标实体词进行语义分析，即该目标实体词的第一词向量是由该目标实体词中的每个字符对应的向量表示拼接得到的。
33.在得到目标实体词对应的第一词向量，以及该关联实体词的第二词向量后，该身份判别网络(即身份判别模块)则可基于第一词向量，以及第二词向量对目标实体词进行标签预测处理，进而得到该目标实体词的预测标签，那么也就使得计算机设备可根据得到的针对目标实体词的预测标签，得到该目标用户的身份预测结果。在一个实施例中，该目标网络模型中所包括的词向量生成网络，语义编码网络的数量可以是多个，即不同的实体词可采用不同的词向量生成网络，生成相应实体词中字符对应的向量表示，并可采用不同的语义编码网络对实体词进行语义分析，以将实体词的语义引入该实体词的向量表示中，或者，该神经网络模型中所包括的词向量生成网络，语义编码网络的数量也可以只有一个，那么，在将目标实体词和关联实体词输入该目标网络模型后，该神经网络模型将复用词向量生成网络和语义编码网络，进而得到该目标实体词的向量表示和关联实体词的向量表示。此外，该语义编码网络在对实体词进行语义识别时，还可引入注意力机制，其中，该词向量生成网络可采用基于词嵌入向量(word embedding)的算法，或者word2vec(一种针对实体词中字符向量的生成算法)实现，语义编码网络可采用长短期记忆网络(long short-term memory，lstm)，或者其他语义编码网络，如bi-lstm(一种双向长短时记忆网络)实现，也就是说，本发明实施例中，对神经网络模型中各神经网络的具体实现方式不做限定。
34.在一个实施例中，该计算机设备获取的目标文本可以是训练文本集中的任一训练文本，而在该计算机设备获取的目标文本是训练文本时，该计算机设备可调用目标网络模型得到目标实体词的预测标签后，基于该目标实体词对应的真实标签，对该目标网络模型进行优化训练，进而得到训练完成的目标网络模型，而在该计算机设备得到该目标网络模型后，则可采用得到的目标网络模型对其他文本(即不存在真实标签的文本)中目标实体词的标签进行预测，从而基于对该目标实体词对应标签的预测结果，实现对该未知标签的目标实体词对应用户的用户身份的挖掘预测，从而提升对文本中的用户名对应用户的用户身份是否为目标身份进行识别召回，进而可提升计算机设备在判别文本中的用户名对应用户的用户身份是否为目标身份的准确度。也就可以理解，该计算机设备可在未知该目标实体词的真实标签时，基于该目标网络模型预测得到的预测标签，进而基于得到的预测标签判别该目标用户是否为用户身份，从而实现对其他文本中目标实体词对应用户身份的挖掘预测。
35.请参见图2，是本发明实施例提出的一种数据处理方法的示意流程图，该数据处理方法可具体由上述的计算机设备执行，如图2所示，该方法可包括：
36.s201，获取目标文本，并从目标文本中获取目标实体词，目标实体词为目标用户的
用户名。
37.s202，从目标文本中确定出目标实体词的关联实体词，关联实体词是目标文本中，除目标实体词之外的任意一个或多个其他实体词，关联实体词包括与目标用户的身份特征相关的描述词。
38.在步骤s201和步骤s202中，该目标文本是包括了用户名类型的实体词的文本，该目标文本中包括的用户名类型的实体词即为目标用户的用户名，那么，该计算机设备在获取到该目标文本后，则可将该目标文本中对应实体词的类型为用户名类型的实体词作为目标实体词。在具体实现中，该计算机设备可在获取到该目标文本后，先确定出该目标文本对应的文本分片，其中，该计算机设备在确定目标文本的文本分片时，可先调用分词服务和实体词识别服务，从而得到该目标文本的分词结果(即分词集合)，以及实体词识别结果，在一个实施例中计算机设备可采用自然语言处理算法(natural language processing，nlp)实现对该目标文本进行分词处理，得到该目标文本对应的分词集合，而该计算机设备在对该目标文本进行是实体词识别时，则可采用命名实体识别(named entity recognition，ner)算法对该目标文本进行实体词识别处理，得到该目标实体词对应的实体词识别结果。其中，nlp是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，自然语言处理是一门融语言学、计算机科学、数学于一体的科学，因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
39.在一个实施例中，如果该目标文本为“小熙解说游戏视频王者荣耀的精彩片段”，那么，计算机设备在对该目标文本进行分词处理后，得到的分词集合可以为“小熙/解说/游戏/视频/王者荣耀/的/精彩片段”，而对该目标文本进行实体词识别处理后得到的实体词识别结果则可以为“小熙_用户名/王者荣耀_ip-游戏名”，那么，该计算机设备在得到该目标文本的分词集合和实体词识别结果后，该计算机设备还可对分词集合进行过滤处理，以使得分词集合中只包括那些不构成实体词的分词，并且过滤掉标签符号和停用词等，那么，基于上述目标文本的分词集合，进行过滤处理后的分词集合可以为“小熙/解说/游戏/视频/王者荣耀/精彩片段”，该过滤后处理后的分词集合相当于原分词集合而言，删掉了“的”字符。
40.在计算机设备得到过滤后的分词集合后，则可将过滤后的分词集合和实体词识别结果进行合并，得到该目标文本对应的文本分片，其中，在文本分片中，将不区分分词和实体词，且在本发明实施例中，将分片中的词语统称为实体词。基于对上述目标文本的分词处理得到的过滤后的分词集合“小熙/解说/游戏/视频/王者荣耀/精彩片段”，以及进行实体词识别处理得到的实体词识别结果“小熙_用户名/王者荣耀_ip-游戏名”，该计算机设备可最终得到该目标文本的文本分片，即为“小熙_用户名/王者荣耀_ip-游戏名/解说/游戏/视频/精彩片段”。其中，ip是指调用ner服务后所返回的一种专名类别，ip包括游戏名、影视剧名、书籍名、音乐名、比赛名等，其中，ner服务被调用时，可以正确识别到ip名，或者还可在识别到ip名时进一步识别到ip的细分类信息，比如输入文本为“小熙解说游戏视频王者荣耀”时，调用ner服务可以识别出王者荣耀是ip类别，且其细分类别是游戏类别。那么，在该计算机设备确定出该目标文本对应的文本分片后，由于文本分片中将对用户名类型的实体
词进行标记，该计算机设备则可基于该文本分片，将被标记为用户名类型的实体词(如上述的小熙)选取为目标实体词，那么可以理解，该目标实体词则可用于指代名为小熙的目标用户。
41.计算机设备在得到该目标文本对应的文本分片后，还可基于该目标文本对应的文本分片，确定出该目标实体词的关联实体词，其中，该关联实体词可以是目标文本对应文本分片中，除该目标实体词之外的任意一个或多个其他实体词。同样若该目标文本的文本分片为“小熙_用户名/王者荣耀_ip-游戏名/解说/游戏/视频/精彩片段”，该计算机设备在从目标文本中获取到目标实体词“小熙”后，将该目标文本的文本分片中，除“小熙”之外的任意一个或多个其他实体词(如王者荣耀，或者解说等)作为该目标实体词的关联实体词，可以理解的是，该关联实体词是与目标用户的身份特征相关的一些描述词，或者，该关联实体词也可以是没有具体含义，仅与该目标实体词存在上下文关系的其他任意实体词。在本发明实施例中，计算机设备也可采用其他方式获取到目标文本中的目标实体词，如仅对该目标文本进行ner处理，进而基于处理结果，将目标文本中被标记为用户名类别的实体词作为目标实体词，继而可将从该目标文本中选取除该目标实体词之外其他任意词语作为关联实体词，也就是说，在本发明实施例中，并不对计算机设备获取得到目标文本的目标实体词，以及相应的关联实体词的方式进行限定。
42.计算机设备在从目标文本中得到目标实体词，以及该目标实体词的关联实体词后，该计算机设备则可调用目标网络模型对该目标实体词和关联实体词进行识别处理，进而分别得到该目标实体词对应的第一词向量，以及该关联实体词对应的第二词向量，即转而执行步骤s203。
43.s203，对目标实体词进行识别处理，得到目标实体词的第一词向量，并对关联实体词进行识别处理，得到关联实体词对应的第二词向量。
44.s204，结合第一词向量及第二词向量，对目标实体词进行标签预测处理，得到目标实体词的预测标签，预测标签用于指示目标用户的用户身份是否为目标身份。
45.在步骤s203和步骤s204中，计算机设备对目标实体词和关联实体词进行识别处理，并分别得到该目标实体词的第一词向量和关联实体词的第二词向量时，该计算机设备可分别对该目标实体词和关联实体词进行处理，进而得到该目标实体词中每个字符的向量表示，以及该关联实体词中每个字符的向量表示。在具体实现中，该计算机设备可通过调用目标网络模型，得到每个字符的向量表示，其中，该目标网络模型在被调用以生成每个字符的向量表示时，该目标网络模型将基于该目标网络模型中的词向量生成网络，在该计算机设备调用词向量生成网络，得到目标实体词中每个字符的向量表示，以及关联实体词中每个字符的向量表示后，可直接对该目标实体词中每个字符的向量表示进行拼接处理，从而得到目标实体词的第一词向量，而该计算机设备在得到关联实体词中每个字符的向量后，还可进一步调用语义编码网络对该关联实体词进行语义编码，并基于语义编码，以及该关联实体词中每个字符的向量，得到该关联实体词的第二词向量，可以理解，基于语义编码网络对关联实体词进行的语义编码处理，可实现将该关联实体词的语义引入到对应的第二词向量中。
46.计算机设备在得到目标实体词对应的第一词向量，以及关联实体词对应的第二词向量后，则可将该第一词向量和第二词向量输入到该目标网络模型的输出层，该输出层是
一个包括身份判别网络的softmax(一种逻辑回归算法)层，那么可以理解，输出层在获取到该第一词向量和该第二词向量后，则可对该目标实体词进行标签预测处理，得到该目标实体词的预测标签。在具体实现中，输出层在基于第一词向量和该第二词向量，对目标实体词进行标签预测处理时，该输出层先生成两个针对目标实体词的待选标签，以及每个待选标签对应的置信度，其中，生成的两个待选标签包括用于指示目标用户为目标身份的第一待选标签，以及用于指示目标用户不是目标身份的第二待选标签，那么该计算机设备则可基于生成的待选标签和对应的置信度，确定该目标实体词对应的预测标签，在一个实施例中，若生成的待选标签包括的第一待选标签，对应的置信度大于预设阈值，且生成的待选标签中所包括的第二待选标签对应的置信度小于预设阈值，则该计算机设备则可确定该目标实体词的预测标签为第一待选标签，即可确定该目标用户身份为目标身份。或者，在另一种实现方式中，若生成的待选标签包括的第一待选标签的置信度为a，且生成的待选标签中所包括的第二待选标签的置信度为b，且a＞b，那么，该计算机设备也可确定该目标实体词的预测标签为第一待选标签，在本发明实施例中，对计算机设备如何基于生成的待选标签，以及对应的置信度，确定该目标实体词的预测标签的方式不做限定。
47.在一个实施例中，该目标网络模型可以是训练完成的网络模型，那么，基于该训练完成的网络模型，可实现基于用户名和相应的上下文，对用户名进行标签预测，从而确定出该用户名对应用户的用户身份，从而实现对未知用户名对应用户身份的挖掘，提升对目标用户身份下的用户对应用户名的数据扩充。而在该目标网络模型是未训练完成的网络模型时，该计算机设备还可在得到目标实体词的预测标签后，尝试确定该目标实体词的真实标签，从而可基于该预测标签和真实标签之间的标签差异，对目标网络模型进行优化训练，得到训练后的目标网络模型，从而可采用训练完成的目标网络模型，对未知真实标签的目标实体词的标签进行预测处理，从而增强对目标身份的目标用户对应的用户的召回。
48.在本发明实施例中，计算机设备可在获取到目标文本后，从该目标文本中获取得到目标用户的用户名，并将获取到的用户名作为目标实体词，而在该计算机设备确定出目标实体词后，还可从该目标文本中确定出该目标实体词的关联实体词，那么，基于对目标文本中的目标是实体词和关联实体词的获取，使得计算机设备可获取到非连贯语义的实体词。计算机设备在获取到该目标实体词和关联实体词后，则可分别对该目标实体词进行识别处理，得到目标实体词的第一词向量，并对关联实体词进行识别处理，得到关联实体词的第二词向量，那么，进一步地，基于得到的第一词向量和第二词向量，该计算机设备可结合该第一词向量和第二词向量，预测得到该目标实体词的预测标签，以便根据该预测标签确定该目标实体词指示的目标用户是否为目标身份，也就使得计算机设备可实现基于非连贯语义的实体词，确定该目标实体词对应的标签(即该目标实体词对应的细化实体类型)，而采用非连贯语义的实体词，对目标实体词进行标签预测的方式，可有效提升计算机设备在预测实体词标签时的便捷性，从而可实现提升计算机设备进行实体词的标签预测时的效率。
49.请参见图3，是本发明实施例提出的一种数据处理方法的示意流程图，该方法也可由上述的计算机设备执行，本发明实施例主要对目标网络模型的训练过程进行详细阐述，如图3所示，该方法可包括：
50.s301，获取目标文本，并从目标文本中获取目标实体词，目标实体词为目标用户的
用户名。
51.s302，从目标文本中确定出目标实体词的关联实体词，关联实体词是目标文本中，除目标实体词之外的任意一个或多个其他实体词，关联实体词包括与目标用户的身份特征相关的描述词。
52.在一个实施例中，该目标文本可以是从训练文本集中选取出的任一训练文本，而在该目标文本是训练文本集中的训练文本时，则可实现对目标网络模型进行模型训练，其中，该训练文本集中包括的每个训练文本均包括目标实体词，也就是说，该计算机设备在从目标文本中获取目标实体词时，可先获取训练文本集，继而可从训练文本集中获取目标用户的用户名作为目标实体词，其中，该训练文本集是指包括了相同用户名的文本集合，即在该训练文本集中的每个训练文本中均包括相同用户名，该包括的相同用户名即是该目标用户的用户名。在一个实施例中，计算机设备可根据用户历史搜索的搜索日志获取得到该训练文本集，在具体实现中，该计算机设备可先获取搜索日志，并确定搜索日志中的每条搜索文本的文本分片(segment)，文本分片包括一个或多个实体词，且一个或多个实体词中存在标记了实体词类别的实体词；那么，在计算机设备确定出搜索日志中每条搜索文本的文本分片后，则根据每条搜索文本的文本分片被标记了实体词类别的实体词，从文本分片中筛选出对应实体词类别为用户名类别，且为相同用户名的文本分片，其中，该相同用户名的文本分片用于构成训练文本集。
53.在一个实施例中，该搜索日志是计算机设备通过统计一个或多个用户在某个时间范围内，通过互联网进行数据搜索时产生的相关数据，该搜索日志中至少包括了搜索文本，可以理解，在任一用户进行数据搜索时，可先输入相关的文本，从而使得互联网可基于用户的输入文本进行搜索反馈，那么也就是说，基于数据搜索统计得到的搜索日志中的搜索文本，则是用户在进行数据搜索时的输入文本。其中，该搜索文本例如可以是“小a解说游戏视频”、“小a的游戏解说直播”、或者“小b直播卖货”等，该计算机设备进行搜索文本的统计，进而得到搜索日志的时间范围例如可以是一天，或者，一小时等，在本发明实施例中不做限定。而该计算机设备在获取得到搜索日志后，则可确定该搜索日志中每条搜索文本的文本分片，其中，计算机设备在确定任一搜索文本的文本分片时，可先对任一搜索文本进行分词处理和实体词识别处理，得到任一搜索文本的分词集合，以及实体词识别结果，其中，该实体词识别结果包括一个或多个实体词，以及每个实体词的类别；进而使得计算机设备可对分词集合进行过滤处理，并采用过滤后的分词集合与实体词识别结果构成任一搜索文本的文本分片，其中，计算机设备得到任一搜索文本的文本分片的方式，可参见上述实施例中获取得到分本的方式，在此不再赘述。
54.若计算机设备获取的搜索日志记为集合q，该搜索日志中包括的每条搜索文本记为搜索query，针对搜索日志q中的任一搜索query，假设为query_i，可采用上述生成文本分片的方式，得到query_i的文本分片，其中，query_i的文本分片可记为query_i_segments，假设query_i_segments＝{t_1，t_2，t_3，
…
，t_n}，其中，t_i表示query_i的文本分片中的第i个分词。计算机设备在得到搜索日志对应的集合q中每条搜索文本的文本分片后，若文本分片query_i_segments里没有用户名类别的实体词，则不进一步处理这个搜索文本，即可直接丢弃该搜索文本。而在另一种实现方式中，假设文本分片query_i_segments中存在用户名类别的实体词，且文本分片query_i_segments中的t_j是该用户名类别的实体词(即
用户名)，那么该计算机设备则可从该搜索日志对应的集合q中筛选出存在在用户名类别的实体词的query，并将筛选出的query中，包括了相同用户名的query的文本分片添加到训练文本集中，从而使得训练文本集中均出现相同的用户名。
55.基于计算机设备确定出的训练文本集，该计算机设备可将训练文本集中的各文本分片中均出现的用户名作为目标实体词，并确定该目标实体词的关联实体词。在具体实现中，若训练文本集中包括的文本分片query_i_segments中的t_j是目标实体词，那么，该目标实体词在文本分片query_i_segments中的上下文集合则可记为person_query_i_context，并具体地，person_query_i_context＝query_i_segments
–
{t_j}，也就是说，该目标实体词在文本分片中的上下文集合可包括该文本分片query_i_segments与目标实体词t_j之间的差集。进而该计算机设备可统计该训练文本集中每个文本分片，与目标实体词之间的差集，而计算机设备在得到每个文本分片粒度的目标实体词的上下文后，则可从得到的上下文中选取部分或全部实体词作为该目标实体词的关联实体词，并同时记录每一个上下文的出现次数，这样就获取了该目标实体词在全局的所有上下文(即关联实体词)以及每一个上下文对应的出现次数。
56.若该训练文本集包括3个query对应的文本分片，具体可以是下述的
①
～
③
：
57.①
小熙解说游戏视频：小熙＿人名/解说/游戏/视频；
58.②
小熙解说游戏视频的精彩片段：小熙＿人名/解说/精彩片段；
59.③
小熙解说王者荣耀：小熙＿人名/王者荣耀＿ip－游戏/解说；
60.那么可以理解，计算机设备获取得到的目标实体词为小熙，而该目标实体词的关联实体词以及对应的出现次数则为：王者荣耀|1次/解说|3次/游戏|1次/视频|1次/精彩片段|1次。基于计算机设备统计得到的每个关联实体词的出现次数，可使得计算机设备确定出每个关联实体词的重要度分数，继而使得计算机设备可基于该重要度分数确定该目标实体词的真实标签，以采用该真实标签对该目标网络模型进行优化训练。
61.s303，调用目标网络模型对目标实体词进行识别处理，得到目标实体词的第一词向量。
62.s304，调用目标网络模型对每个训练文本中包括的目标实体词对应的关联实体词进行识别处理，得到每个关联实体词对应的第二词向量。
63.s305，调用目标网络模型，并结合第一词向量及第二词向量，对目标实体词进行标签预测处理，得到目标实体词的预测标签，预测标签用于指示目标用户的用户身份是否为目标身份。
64.在计算机设备得到目标实体词后，则可调用目标网络模型对目标实体词进行识别处理，得到目标实体词的第一词向量，并调用该目标网络模型对每个训练文本中包括的目标实体词对应的关联实体词进行识别处理，得到每个关联实体词对应的第二词向量，那么，计算机设备在基于第一词向量和第二词向量得到目标实体词的预测标签后，还可结合目标实体词的真实标签，对目标网络模型进行优化训练。在一个实施例中，计算机设备可基于获取的每个关联实体词对应的重要度分数确定目标实体词的真实标签；其中，重要度分数用于指示采用相应关联实体词描述目标用户的身份特征的准确程度，若计算机设备确定的关联实体词的数量为n个，n≥1且为整数；则该计算机设备可获取任一关联实体词在n个关联实体词中的出现次数，从而可根据出现次数确定任一关联实体词对应的重要度分数。在一
个实施例中，该计算机设备可将任一关联实体词在n个关联实体词中的出现次数，作为该任一关联实体词的重要度分数，或者，该计算机设备也可先对任一关联实体词在n个关联实体词中出现次数进行归一化处理，进而可将归一化处理后的次数作为任一关联实体词的重要度分数。举例来说，若计算机设备确定出的关联实体词以及对应的出现次数为：王者荣耀|1次/解说|3次/游戏|1次/视频|1次/精彩片段|1次，那么计算机设备可确定关联实体词王者荣耀对应的重要度分数为1分，关联实体词解说对应的重要度分数为3分等；或者也可确定关联实体词王者荣耀对应的重要度分数为1/7分，关联实体词解说对应的重要度分数为3/7分等。
65.计算机设备在确定每个关联实体词的重要度分数后，可基于该重要度分数确定目标实体词的真实标签，该真实标签用于指示该目标实体词(或目标文本)为正例还是负例，正例是指目标实体词指示的目标用户的用户身份为目标身份，负例是指目标实体词指示的目标用户的用户身份不是目标身份。计算机设备在基于重要度分数确定该目标实体词的真实标签时，可先对n个关联实体词，按照对应重要度分数从高到低的顺序依次排列，并根据排列顺序，从排列的首位依次向后选取出l个关联实体词；1≤l≤n，且l为整数；而如果选取出的l个关联实体词包括参考实体词，则确定目标实体词的真实标签为第一标签，第一标签用于指示目标用户的用户身份为目标身份，其中，该n一般的取值可以为10，可以为15等，而l的一般取值为5或者8等。在一个实施例中，参考实体词是根据需要确定的目标身份预设的，与目标身份的身份特征相关的描述词，该目标身份包括：游戏解说身份；为游戏解说身份预设的参考实体词包括以下任意一个或多个：解说，以及任意游戏名类别的实体词，该游戏解说身份的用户是指协助听众和观众跟随游戏进展，描述游戏里发生了什么，并且阐述解说人自己的观点的用户，在视频垂类网站，会有大量解说用户上传自己的游戏解说视频，也有大量粉丝会搜索游戏解说人解说的游戏视频。而该目标身份也可以是直播身份，那么为直播身份预设的参考实体词包括以下任意一个或多个：直播，以及商品名类别的实体词等。
66.在一个实施例中，对于重要度分数相同的关联实体词可随机排列，其中，若计算机设备确定出的关联实体词以及对应的出现次数为：王者荣耀|1次/解说|3次/游戏|2次/视频|1次/精彩片段|1次/直播|1次，那么，该计算机设备则可按照重要度分数从高到低的顺序对该关联实体词进行排了后，得到的顺序可以为：解说，王者荣耀，游戏，视频，精彩片段，直播，进而该计算机设备可依次选取出l个关联实体词，假设l为5，那么，选取出的l个关联实体词包括：解说，王者荣耀，游戏，视频，精彩片段。如果计算机设备确定参考实体词为解说和出现游戏名称(或游戏类别)的实体词，则计算机设备可确定选取出的l个关联实体词包括参考实体词，那么该计算机设备则可确定该目标实体词为正例，并确定该目标实体词的真实标签为第一标签。而如果选取出的l个关联实体词不包括参考实体词，即不包括解说，并未出现游戏名称，则计算机设备则可确定该目标实体词为负例，并确定该目标实体词的真实标签为第二标签。
67.在一个实施例中，若计算机设备选取出的l个关联实体词不包括参考实体词，则可确定目标实体词的真实标签为第二标签，第二标签用于指示目标用户的用户身份不是目标身份；或者，如果该计算机设备选取出的l个关联实体词不包括参考实体词，该计算机设备还可进一步从第l+1个关联实体词依次向后选取出j个关联实体词，并在选取出的l+j个关
联实体词中不包括参考实体词时，确定目标实体词为负例，并确定该目标实体词的真实标签为第二标签，1≤j≤n，且j为整数。举例来说，若计算机设备选取出的5个关联实体词不包括参考实体词，可直接确定该目标实体词的真实标签为第二标签，或者，该计算机设备也可进一步向后选取j个(假设为5个)关联实体词，从而可在选取出的10个(l+j)关联实体词中均不包括参考实体词时，确定目标实体词为负例，其对应的真实标签为第二标签。也就是说，如果需要判断的目标身份为游戏解说人，则该计算机设备可先基于关联实体词的重要度分数，确定出对应重要度分数排名在前l(如为top5)的关联实体词，并判断对应重要度分数排名在top5的关联实体词中是否出现“解说”，且包括游戏类别实体词，并在确定是时，确定该目标实体词为正例，并确定该目标实体词的真实标签为第一标签。而如果确定对应重要度分数排名在前l+j(如为top10)的关联实体词中，未出现“解说”，并不包括游戏类别实体词，则确定该目标实体词为负例，并确定该目标实体词的真实标签为第二标签。
68.在计算机设备确定出目标实体词的真实标签后，则可根据目标实体词的预测标签和真实标签，确定该预测标签及真实标签之间的标签差异，从而使得计算机设备可根据该标签差异调整目标网络模型的模型参数，并在预测标签和真实标签之间的标签差异小于预设差异时，停止对目标网络模型的训练，得到训练完成的目标网络模型。在一个实施例中，该目标网络模型是一种top_n context entity typing model(一种实体词处理模型)，具体可如图4所示，计算机设备在获取到目标实体词，以及目标实体词的关联实体词后，将该目标实体词输入该目标网络模型，得到目标实体词的第一词向量，并将关联实体词输入目标网络模型，得到关联实体词的第二词向量，其中，该计算机设备输入到目标网络模型的关联实体词，是对应重要度分数排列在前n位(如前10位或前15位)的关联实体词，该目标网络模型在获取到输入的关联实体词后，则可分别调用一个相应的语义编码网络对一个关联实体词进行处理，进而得到每个关联实体词的第二词向量，从而使得该目标网络模型可基于该第一词向量和第二词向量，得到该目标实体词的预测标签，在得到的预测标签和目标实体词的真实标签不同时，则可对该目标网络模型的模型参数进行迭代优化，并在得到的预测标签和目标实体词的真实标签相同时，停止对模型参数的优化，得到训练完成的目标网络模型。经实践表明，训练完成的目标网络模型在测试集上f1可达90％，且使用训练完成的目标网络模型对规则未覆盖的用户名和对应的上下文进行预测，最后对预测的结果进行人工抽检，发现在采用该训练完成的目标网络模型，预测该用户名指示该目标用户是否为目标身份时的准确性很高。
69.在计算机设备得到目标实体词的预测标签后，若该预测标签指示目标用户的用户身份为目标身份，则计算机设备可将目标实体词添加到搜索词表中，搜索词表中包括的每个实体词对应用户的用户身份均为目标身份，进一步地，该计算机设备可将搜索词表添加到意图识别模块，以便意图识别模块基于搜索词表进行意图搜索反馈，以基于该搜索词表进行意图搜索。在一个实施例中，计算机设备可从用户侧获取意图搜索词，并从意图搜索词中获取搜索用户名，意图搜索词是未指向具体搜索内容的实体词，进一步的，该计算机设备可在搜索词表中查找是否包括搜索用户名，并在确定包括该搜索用户名时，将搜索用户名对应的搜索用户在目标身份下的数据作为搜索反馈数据，从而在用户侧输出搜索反馈数据。在具体实现中，如目标身份为游戏解说身份，那么计算机设备得到的搜索词表则为游戏解说人词表，该游戏解说人词表中记录了对应预测标签指示相应用户的用户身份为游戏解
说身份的用户名，该游戏解说人词表的确定，可用于扩充现有ner服务的游戏解说人知识库，进而增加ner服务对游戏解说人的识别召回。
70.在另一种实现方式中，挖掘出的游戏解说人词表也可以应用于意图识别模块，意图类query是指用户搜索词不具体指向某个内容，而是泛指一类视频内容的关键词类型，例如query＝“小白解说”就是短视频意图类query，意图识别模块就是识别出搜索词的搜索意图以及关键的槽位信息，比如针对query＝“小白解说”，意图识别模块会输出游戏解说人槽位是“小白”的意图结果，从而输出小白为游戏解说人时的相关视频，并反馈到用户侧，如图5a所示，即挖掘出的游戏解说人可以应用于扩展意图识别的召回。在一个实施例中，意图搜索词可以是搜索用户通过终端设备发送给服务器的，其中，搜索用户基于意图搜索词进行数据搜索时，可参见图5b，其中，该搜索用户可通过终端设备50输入意图搜索词，该终端设备在获取到该意图搜索词后，则可将该意图搜索词发送给服务器51，那么，该服务器51则可基于该意图搜索词中获取到搜索用户名，并在确定搜索词表中包括该搜索用户名时，将该搜索用户名对应的搜索用户在目标身份下的数据作为搜索反馈数据发送给终端设备50，那么，终端设备50则可对该基于该意图搜索词搜索得到的搜索反馈数据显示给搜索用户，从而完成搜索用户的意图搜索过程，其中，该搜索用户如果输入的意图搜索词为上述的“小白解说”，那么可以理解，最终显示在终端设备50中的搜索反馈数据可以如图5a中显示的意图区示例界面。
71.在搜索用户通过终端设备50输入意图搜索词时，可将该意图搜索词输入到目标应用程序中的，也就是说，终端设备50获取到的意图搜索词是搜索用户输入到目标应用程序中的，该目标应用程序可以是搜索引擎，或者其他支持搜索功能的应用程序等，其中，该应用程序可以是终端设备中的独立客户端，或者，也可以是某个客户端中的一个小程序等，在本发明实施例中不做限定。需要说明的是，该终端设备在获取到意图搜索词后，也可直接确定出搜索反馈数据，并将该搜素反馈数据进行输出显示。
72.在本发明实施例中，计算机设备而可先基于ner技术和分词技术先对搜索日志进行预处理，得到目标实体词，然后根据目标实体词的上下文，确定该目标实体词的真实标签，此外，该计算机设备还可对离散的上下文(即目标实体词的关联实体词)，以及该目标实体词进行识别处理，得到该目标实体词的第一词向量，以及每个关联实体词的第二词向量，那么，则可调用目标网络模型基于该第一词向量和第二词向量得到该目标实体词的预测标签，从而可基于该预测标签和真实标签对目标网络模型进行训练，最后基于训练完成的目标网络模型对规则未覆盖部分的搜索日志进行预测，来扩大游戏解说人的识别召回，并进而可生成该目标身份对应的用户词表，以便计算机设备后续可基于该用户词表进行意图搜索，提升搜索的准确度。
73.基于上述数据处理方法实施例的描述，本发明实施例还提出了一种数据处理装置，该数据处理装置可以是运行于上述计算机设备中的一个计算机程序(包括程序代码)。该数据处理装置可用于执行如图2和图3所述的数据处理方法，请参见图6，该数据处理装置包括：获取单元601，确定单元602和处理单元603。
74.获取单元601，用于获取目标文本，并从所述目标文本中获取目标实体词，所述目标实体词为目标用户的用户名；
75.确定单元602，用于从所述目标文本中确定出所述目标实体词的关联实体词，所述
关联实体词是所述目标文本中，除所述目标实体词之外的任意一个或多个其他实体词，所述关联实体词包括与所述目标用户的身份特征相关的描述词；
76.处理单元603，用于对所述目标实体词进行识别处理，得到所述目标实体词的第一词向量，并对所述关联实体词进行识别处理，得到所述关联实体词的第二词向量；
77.所述处理单元603，还用于结合所述第一词向量及所述第二词向量，对所述目标实体词进行标签预测处理，得到所述目标实体词的预测标签，所述预测标签用于指示所述目标用户的用户身份是否为目标身份。
78.在一个实施例中，若所述目标文本是训练文本集中的任一训练文本，所述训练文本集中的每个训练文本均包括所述目标实体词；所述处理单元603，具体用于：
79.对每个训练文本中包括的所述目标实体词对应的关联实体词进行识别处理，得到每个关联实体词对应的第二词向量。
80.在一个实施例中，所述第一词向量、所述第二词向量、以及所述预测标签均是调用目标网络模型得到的，所述目标网络模型是用于进行用户身份判别的神经网络；所述装置还包括：调整单元604。
81.所述获取单元601，还用于获取每个关联实体词对应的重要度分数；
82.所述确定单元602，还用于根据所述重要度分数确定所述目标实体词的真实标签；所述重要度分数用于指示采用相应关联实体词描述所述目标用户的身份特征的准确程度；
83.调整单元604，用于根据所述目标实体词的预测标签和真实标签，确定所述预测标签及所述真实标签之间的标签差异，并根据所述标签差异调整所述目标网络模型的模型参数；
84.所述调整单元604，还用于在所述标签差异小于预设差异时，停止对所述目标网络模型的训练，得到训练完成的目标网络模型。
85.在一个实施例中，所述关联实体词的数量为n个，所述n≥1且为整数；所述确定单元602，具体用于：
86.对所述n个关联实体词，按照对应重要度分数从高到低的顺序依次排列，并根据排列顺序，从排列的首位依次向后选取出l个关联实体词；1≤l≤n，且l为整数；
87.若选取出的l个关联实体词包括参考实体词，则确定所述目标实体词的真实标签为第一标签，所述第一标签用于指示所述目标用户的用户身份为目标身份，所述参考实体词是基于所述目标身份预设的，与所述目标身份的身份特征相关的描述词。
88.在一个实施例中，所述确定单元602，还用于若选取出的l个关联实体词不包括所述参考实体词，则确定所述目标实体词的真实标签为第二标签，所述第二标签用于指示所述目标用户的用户身份不是目标身份；或者，
89.所述确定单元602，还用于若选取出的l个关联实体词不包括所述参考实体词，则从第l+1个关联实体词依次向后选取出j个关联实体词，并在选取出的l+j个关联实体词中不包括所述参考实体词时，确定所述目标实体词的真实标签为所述第二标签，1≤j≤n，且j为整数。
90.在一个实施例中，所述关联实体词的数量为n个，所述n≥1且为整数；所述获取单元601，具体用于：
91.获取任一关联实体词在所述n个关联实体词中的出现次数，并根据所述出现次数
确定所述任一关联实体词对应的重要度分数；
92.其中，所述任一关联实体词对应的重要度分数为所述任一关联实体词在所述n个关联实体词中的出现次数，或者，所述任一关联实体词对应的重要度分数为对所述任一关联实体词在所述n个关联实体词中出现次数归一化后的次数。
93.在一个实施例中，所述处理单元603，具体用于：
94.获取搜索日志，并确定所述搜索日志中的每条搜索文本的文本分片，所述文本分片包括一个或多个实体词，且所述一个或多个实体词中存在标记了实体词类别的实体词；
95.根据每条搜索文本的文本分片被标记了实体词类别的实体词，从所述文本分片中筛选出对应实体词类别为用户名类别，且为相同用户名的文本分片，所述相同用户名的文本分片构成训练文本集。
96.在一个实施例中，所述处理单元603，具体用于：
97.针对任一搜索文本，对所述任一搜索文本进行分词处理和实体词识别处理，得到所述任一搜索文本的分词集合，以及实体词识别结果，所述实体词识别结果包括一个或多个实体词，以及每个实体词的类别；
98.对所述分词集合进行过滤处理，所述过滤后的分词集合与所述实体词识别结果构成所述任一搜索文本的文本分片。
99.在本发明实施例中，获取单元601可在获取到目标文本后，从该目标文本中获取得到目标用户的用户名，并将获取到的用户名作为目标实体词，而在确定单元602确定出目标实体词后，还可从该目标文本中确定出该目标实体词的关联实体词，那么，基于对目标文本中的目标是实体词和关联实体词的获取，可获取到非连贯语义的实体词。在获取到该目标实体词和关联实体词后，处理单元603可分别对该目标实体词进行识别处理，得到目标实体词的第一词向量，并对关联实体词进行识别处理，得到关联实体词的第二词向量，那么，进一步地，基于得到的第一词向量和第二词向量，处理单元603可结合该第一词向量和第二词向量，预测得到该目标实体词的预测标签，以便根据该预测标签确定该目标实体词指示的目标用户是否为目标身份，也就可实现基于非连贯语义的实体词，确定该目标实体词对应的标签(即该目标实体词对应的细化实体类型)，而采用非连贯语义的实体词，对目标实体词进行标签预测的方式，可有效提升在预测实体词标签时的便捷性，从而可实现提升对实体词的标签预测时的效率。
100.请参见图7，是本发明实施例提供的一种计算机设备的结构示意性框图，该计算机设备可以是服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器；此外，该计算机设备也可以是终端设备，该终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。如图7所示的本实施例中的计算机设备可包括：一个或多个处理器701；一个或多个输入设备702，一个或多个输出设备703和存储器704。上述处理器701、输入设备702、输出设备703和存储器704通过总线705连接。存储器704用于存储计算机程序，所述计算机程序包括程序指令，处理器701用于执行所述存储器704存储的程序指令。
101.所述存储器704可以包括易失性存储器(volatile memory)，如随机存取存储器(random-access memory，ram)；存储器704也可以包括非易失性存储器(non-volatile memory)，如快闪存储器(flash memory)，固态硬盘(solid-state drive，ssd)等；存储器704还可以包括上述种类的存储器的组合。
102.所述处理器701可以是中央处理器(central processing unit，cpu)。所述处理器701还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)等。该pld可以是现场可编程逻辑门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic，gal)等。所述处理器701也可以为上述结构的组合。
103.本发明实施例中，所述存储器704用于存储计算机程序，所述计算机程序包括程序指令，处理器701用于执行存储器704存储的程序指令，用来实现上述如图2和图3中相应方法的步骤。
104.在一个实施例中，所述处理器701被配置调用所述程序指令，用于执行：
105.获取目标文本，并从所述目标文本中获取目标实体词，所述目标实体词为目标用户的用户名；
106.从所述目标文本中确定出所述目标实体词的关联实体词，所述关联实体词是所述目标文本中，除所述目标实体词之外的任意一个或多个其他实体词，所述关联实体词包括与所述目标用户的身份特征相关的描述词；
107.对所述目标实体词进行识别处理，得到所述目标实体词的第一词向量，并对所述关联实体词进行识别处理，得到所述关联实体词的第二词向量；
108.结合所述第一词向量及所述第二词向量，对所述目标实体词进行标签预测处理，得到所述目标实体词的预测标签，所述预测标签用于指示所述目标用户的用户身份是否为目标身份。
109.本发明实施例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如图2或图3所示的方法实施例。其中，所述的计算机可读存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
110.以上所揭露的仅为本发明的局部实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或局部流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。