1.本技术涉及数据处理技术领域，尤其涉及一种交互信息回复方法、装置、电子设备和存储介质。
背景技术：
2.在目前的人机交互系统中，机器主要通过自然语言理解(nlu)技术分析人类的语义，再通过自然语言生成(nlg)技术将计算机信息构建转换成人类的文本语言格式，最后通过语音合成(tts)技术将文本语言转换为语音，完成与人类一问一答的语音对话。
3.常见的人机交互流程，通常由用户发起请求后，服务识别、理解以及处理用户请求，并将结果播报回复给用户。
4.但是相关技术中，设备的回复往往是按照固定的句式回复，例如，“好的”、“收到”等，回复形式单一，用户体验较差。
技术实现要素：
5.本技术提供了一种交互信息回复方法、装置、电子设备和存储介质，用以解决现有技术中，设备的回复往往是按照固定的句式回复，回复形式单一，用户体验较差的问题。
6.第一方面，本技术实施例提供了一种交互信息回复方法，包括：
7.获取用户与人机设备的交互信息；
8.根据所述交互信息，确定所述用户的第一情感状态；
9.确定所述人机设备回复时与所述第一情感状态对应的第二情感状态；
10.根据所述交互信息和所述第二情感状态，生成交互回复信息。
11.可选的，所述获取用户与人机设备的交互信息，包括：
12.获取用户对所述人机设备最近至少一次发出的控制指令，所述控制指令中携带有控制所述人机设备运行的指示信息；
13.提取每个所述控制指令中的所述指示信息；
14.根据各所述指示信息，确定相同指示的所述控制指令的重复次数；
15.确定所述重复次数和所述指示信息为所述交互信息。
16.可选的，所述根据各所述指示信息，确定相同指示的控制指令的重复次数，包括：
17.提取每个所述指示信息中的控制实体；
18.根据所述控制实体，统计满足预设条件的控制指令的指令数量；所述预设条件包括所述控制实体相同，并且，相同的所述控制实体对应的控制指令为连续获取到的控制指令，所述连续获取到的控制指令中包括最近一次获取的控制指令；
19.确定所述指令数量为所述重复次数。
20.可选的，所述根据所述交互信息，确定所述用户的第一情感状态，包括：
21.将所述交互信息输入预先训练的情感分析模型；
22.通过所述情感分析模型提取所述交互信息中的所述指示信息的特征向量，对所述
特征向量中各维度特征值配置权重，得到权重特征向量，将所述权重特征向量输入全连接层和激活层，得到不同情感状态的概率值，基于所述交互信息中的所述重复次数对各所述概率值进行加权，根据加权后的概率值确定所述第一情感状态。
23.可选的，所述基于所述交互信息中的重复次数对各所述概率值进行加权，根据加权后的概率值确定所述第一情感状态；
24.确定与所述重复次数对应的加权值；
25.将情感状态为负面情绪对应的概率值增加所述加权值，得到加权后的概率值；
26.将加权后的概率值中的最大值对应的情感状态作为所述第一情感状态。
27.可选的，确定所述人机设备回复时与所述第一情感状态对应的第二情感状态，包括：
28.获取问答情感对应关系，所述问答情感对应关系为用户的情感状态和所述人机设备回复时情感状态的对应关系；
29.从所述问答情感对应关系中，确定与所述第一情感状态对应的所述第二情感状态。
30.可选的所述根据所述交互信息和所述第二情感状态，生成交互回复信息，包括：
31.提取所述交互信息中的控制实体；
32.将所述控制实体、所述交互信息和所述第二情感状态输入预先训练的交互回复模型中；所述预先训练的交互回复模型是基于训练样本集合对初始网络模型进行训练后得到的，所述训练样本集合中的每个第一训练样本均包括样本交互信息、所述样本交互信息中的样本控制实体、样本情感状态和样本交互回复信息，所述样本交互回复信息中包括所述样本控制实体；
33.通过所述预先训练的交互回复模型，生成所述交互回复信息，其中，所述交互回复信息中包括所述控制实体。
34.可选的，所述交互信息包括文本控制信息，所述提取所述交互信息中的控制实体，包括：
35.将所述交互信息中的所述文本控制信息与预设实体数据库进行比较；
36.提取所述文本控制信息中，与所述预设实体数据库中的实体一致的目标文本信息；
37.确定所述目标文本信息为所述控制实体。
38.可选的，所述提取所述交互信息中的控制实体，包括：
39.将所述交互信息输入预先训练的实体提取模型；
40.通过所述实体提取模型，提取得到所述控制实体。
41.第二方面，本技术实施例提供了一种交互信息回复装置，包括：
42.获取模块，用于获取用户与人机设备的交互信息；
43.第一确定模块，用于根据所述交互信息，确定所述用户的第一情感状态；
44.第二确定模块，用于确定所述人机设备回复时与所述第一情感状态对应的第二情感状态；
45.生成模块，用于根据所述交互信息和所述第二情感状态，生成交互回复信息。
46.第三方面，本技术实施例提供了一种电子设备，包括：处理器、通信接口、存储器和
通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
47.所述存储器，用于存储计算机程序；
48.所述处理器，用于执行所述存储器中所存储的程序，实现第一方面所述的交互信息回复方法。
49.第四方面，本技术实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的交互信息回复方法。
50.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：本技术实施例提供的该方法，通过获取用户与人机设备的交互信息；根据交互信息，确定用户的第一情感状态；确定人机设备回复时与第一情感状态对应的第二情感状态；根据交互信息和第二情感状态，生成交互回复信息。如此，通过对用户与人机设备的交互信息进行分析，确定用户的第一情感状态，并依据用户的第一情感状态确定人机设备回复时的第二情感状态，由于交互回复信息是基于人机设备的第二情感状态生成的，增加了交互回复信息的感情色彩，使得回复更具多样性，提升了用户体验。
附图说明
51.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
52.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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
53.图1为本技术一实施例提供的交互信息回复方法的应用场景图；
54.图2为本技术一实施例提供的交互信息回复方法的流程图；
55.图3为本技术一实施例提供的交互信息回复装置的结构图；
56.图4为本技术一实施例提供的电子设备的结构图。
具体实施方式
57.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
58.根据本技术一实施例提供了一种交互信息回复方法。可选地，在本技术实施例中，上述交互信息回复方法可以应用于如图1所示的由人机设备101和服务器102所构成的硬件环境中。如图1所示，服务器102通过网络与人机设备101进行连接，可用于为人机设备或人机设备上安装的客户端提供服务(如视频服务、应用服务等)，可在服务器上或独立于服务器设置数据库，用于为服务器102提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，人机设备101并不限定于手机、平板电脑、家居设备(如空调、电视、冰箱等)等。
59.本技术实施例的交互信息回复方法可以由服务器102来执行，也可以由人机设备101来执行，还可以是由服务器102和人机设备101共同执行。其中，人机设备101执行本技术实施例的交互信息回复方法，也可以是由安装在其上的客户端来执行。
60.以人机设备执行本技术实施例的交互信息回复方法为例，图2是根据本技术实施例的一种可选的交互信息回复方法的流程示意图，如图2所示，该方法的流程可以包括以下步骤：
61.步骤201、获取用户与人机设备的交互信息。
62.一些实施例中，用户与人机设备交互过程中，往往会通过语音、文字或肢体动作，对人机设备下发控制指令，从而在人机设备接收到控制指令后，执行相应动作。因此，可以将用户对人机设备下发的控制指令中携带的语音、文字或肢体动作的视频或图像，作为交互信息。另外，在用户下发控制指令时，可能会由于人机设备异常或信号故障等原因，人机设备未能对控制指令做出响应，从而导致用户多次下发控制指令，因此，将用户重复下发控制指令的次数作为交互信息。
63.其中，人机设备的种类有多种，例如，可以但不限于为手机、平板电脑、空调、电视、冰箱等。
64.在一个可选实施例中，获取用户与人机设备的交互信息，具体包括：
65.获取用户对人机设备最近至少一次发出的控制指令，控制指令中携带有控制人机设备运行的指示信息；提取每个控制指令中的指示信息；根据各指示信息，确定相同指示的控制指令的重复次数；确定重复次数和指示信息为交互信息。
66.一些实施例中，用户对人机设备下发相同控制的控制指令可能不止一次，通过获取最近至少一次发出的控制指令，并提取控制指令中携带的指示信息，通过指示信息判断对应的控制指令是否为相同指示，从而统计到相同指示的控制指令的重复次数。
67.通过增加重复次数作为用户情感状态的判断，能够使预测的用户情感状态更加准确。
68.其中，指示信息可以但不限于语音指示信息、文字指示信息、图像指示信息和视频指示信息。
69.在一个可选实施例中，根据各指示信息，确定相同指示的控制指令的重复次数，包括：
70.提取每个指示信息中的控制实体；根据控制实体，统计满足预设条件的控制指令的指令数量；预设条件包括控制实体相同，并且，相同的控制实体对应的控制指令为连续获取到的控制指令，连续获取到的控制指令中包括最近一次获取的控制指令；确定指令数量为重复次数。
71.一些实施例中，控制实体包括但不限于设备实体和模式实体。其中，设备实体表征用户控制的人机设备，例如空调、冰箱、洗衣机、净化器等。模式实体表征设备实体的运行转态，例如制热、制冷、加湿、洁净洗等。
72.用户在向人机设备下发控制指令时，往往会携带对应的控制实体，例如，在智能终端上发送文字“开启洗衣机自清洁模式”等，通过提取指示信息中的控制实体，即“洗衣机”和“自清洁”。示例性的，以获取的最近至少一次发出的控制指令为最近4次的控制指令为例，最近4次的控制指令中携带的指示信息，按照指令下发的时间的先后顺序依次为：“开启洗衣机自清洁模式”、“开启空调”、“打开空调”和“赶紧打开空调”。其中，最近一次获取的控制指令为“赶紧打开空调”。进而提取的控制实体，依次为“洗衣机和自清洁”、“空调”、“空调”和“空调”，根据提取的控制实体可知，连续3次的控制实体都为“空调”。因此，确定重复
次数为3。
73.在一个可选实施例中，提取控制实体的方式有多种，以以下两种方式进行举例说明。
74.实例性的，交互信息包括文本控制信息，提取交互信息中的控制实体，包括：
75.将交互信息中的文本控制信息与预设实体数据库进行比较；提取文本控制信息中，与预设实体数据库中的实体一致的目标文本信息；确定目标文本信息为控制实体。
76.一些实施例中，在交互信息为文本控制信息时，将文本控制信息与预设实体数据库进行匹配，若预设实体数据库中的数据与文本控制信息中的文本匹配成功，将匹配成功的目标文本信息，作为交互信息中的控制实体。
77.其中，预设实体数据库中包括多种人机设备对应的控制实体，以及各控制实体对应的模式实体。
78.可以理解的是，在交互信息为语音控制信息时，可以先将语音控制信息转换为文本控制信息，再通过上述实施例中的文本控制信息中提取控制实体的方式，提取得到语音控制信息中的控制实体。
79.示例性的，提取交互信息中的控制实体，包括：
80.将交互信息输入预先训练的实体提取模型；通过实体提取模型，提取得到控制实体。
81.一些实施例中，通过预先训练的实体提取模型，将交互信息输入到预先训练的实体提取模型后，得到对应的控制实体。
82.其中，预先训练的实体提取模型可以通过交互样本集合对初始网络模型进行训练，交互样本集合中的每个训练样本均包括交互信息样本和交互信息样本中的样本控制实体。在对初始网络模型进行训练时，将交互样本集合中的交互样本依次输入初始网络模型中，初始网络模型依据训练样本进行运算，得到预测控制实体，并根据预测控制实体和样本控制实体计算损失函数值，根据损失函数值对初始网络模型中的参数进行调整，直至损失函数值小于第一预设值时，确定初始网络模型训练完成。
83.其中，初始网络模型可以为神经网络模型，如，卷积神经网络模型、循环神经网络模型或深度神经网络模型。
84.步骤202、根据交互信息，确定用户的第一情感状态。
85.一些实施例中，交互信息包括语音控制信息、文本控制信息和控制实体。在获取到交互信息之后，交互信息中往往携带了用户的情感状态，从而能够根据交互信息，确定用户的第一情感状态。
86.其中，用户的第一情感状态往往有多种，主要包括正向情感状态(例如高兴和惊讶)、中立情感状态和负向情感状态(例如悲伤、愤怒和厌恶)。
87.在一个可选实施例中，根据交互信息，确定用户的第一情感状态，包括：
88.将交互信息输入预先训练的情感分析模型；通过情感分析模型提取交互信息中的指示信息的特征向量，对特征向量中各维度特征值配置权重，得到权重特征向量，将权重特征向量输入全连接层和激活层，得到不同情感状态的概率值，基于交互信息中的重复次数对各概率值进行加权，根据加权后的概率值确定第一情感状态。
89.一些实施例中，通过预先训练情感分析模型，在获取到交互信息后，将交互信息输
入到预先训练的情感分析模型中，通过预先训练的情感分析模型，对交互信息中的指示信息的特征向量进行提取，得到特征向量。在交互信息中包括语音控制信息和文本控制信息时，分别进行提取，得到语音特征向量和文本特征向量，并将二者融合，作为上述特征向量。
90.其中，可以将语音控制信息转换为梅尔倒谱系数特征(mfcc)，从该mfcc中提取得到语音特征向量。
91.通常特征向量的维度是固定的，以其为512维特征向量为例，通过预先训练的情感分析模型，为每一个维度配置一个网络自学习的权重(其中，512维的权重之和为1)，得到权重特征向量。进而将权重特征向量输入全连接(fc)层和激活(softmax)层，进行激活后，得到不同情感状态的概率值。
92.示例性的，以不同情感状态的概率值对应为：悲伤0.21，厌恶0.22，愤怒0.23，中性0.24，惊讶0.01，高兴0.09为例。在交互信息中还包括重复次数时，还需要根据重复次数，对相关情感状态的概率值进行加权。示例性的，以重复次数为2，负向情感状态概率的加权值为0.1为例，负面情感状态包括悲伤、愤怒和厌恶，对应的加权后的概率值变为：悲伤0.31，厌恶0.32，愤怒0.33，中性0.24，惊讶0.01，高兴0.09，从而可以确定，用户的第一情感状态为其中的最大值愤怒情感状态。
93.可以理解的是，若交互信息中的重复次数为1，则表示用户下发了一次控制指令，按照激活层后输出的不同情感状态的概率值中的最大值对应的情感状态，作为第一情感状态。上述示例中，最大情感概率值为中性情感状态的概率值0.24，确定用户第一情感状态为中性情感状态。
94.在一个可选实施例中，基于交互信息中的重复次数对各概率值进行加权，根据加权后的概率值确定第一情感状态；
95.确定与重复次数对应的加权值；将情感状态为负面情绪对应的概率值增加加权值，得到加权后的概率值；将加权后的概率值中的最大值对应的情感状态作为第一情感状态。
96.一些实施例中，在重复次数不同时，概率值的加权值也不同，示例性的，重复次数为2时，负向情感状态概率的加权值为0.1；重复次数为3时，负向情感状态概率的加权值为0.2；重复次数为4时，直接将输出的结果修正为负面情感状态。
97.步骤203、确定人机设备回复时与第一情感状态对应的第二情感状态。
98.一些实施例中，在第一情感状态确定后，便可以根据用户的第一情感状态，确定人机设备回复时的第二情感状态，从而，在用户为负面情绪时起到安抚用户的作用。
99.在一个可选实施例中，确定人机设备回复时与第一情感状态对应的第二情感状态，包括：
100.获取问答情感对应关系，问答情感对应关系为用户的情感状态和人机设备回复时情感状态的对应关系；从问答情感对应关系中，确定与第一情感状态对应的第二情感状态。
101.一些实施例中，问答情感对应关系可以提前设置，例如，可以但不限于为下表1的对应关系。其中，横向的为人机设备回复时的第二情感状态，纵向的为用户的第一情感状态。
[0102][0103]
表1
[0104]
依据上表1中的问答情感对应关系，在得到用户的第一情感状态后，便可以从问答情感对应关系中，确定第一情感状态对应的第二情感状态。示例性的，以第一情感状态为愤怒情感状态为例，根据上表1，愤怒情感状态在问答情感对应关系对应的情感状态包括中性、悲伤和厌恶，从三个情感状态中随机选择一个，作为最终的第二情感状态。
[0105]
步骤204、根据交互信息和第二情感状态，生成交互回复信息。
[0106]
一些实施例中，在确定人机交互设备的第二情感状态后，便可以根据交互信息和第二情感状态，确定对应的交互回复信息。
[0107]
基于上述相关实施例，能够从交互信息中提取到控制实体，在生成的交互回复信息所表达的情绪为第二情感状态，并且携带有控制实体。
[0108]
在一个可选实施例中，根据交互信息和第二情感状态，生成交互回复信息，包括：
[0109]
提取交互信息中的控制实体；将控制实体、交互信息和第二情感状态输入预先训练的交互回复模型中；预先训练的交互回复模型是基于训练样本集合对初始网络模型进行训练后得到的，训练样本集合中的每个第一训练样本均包括样本交互信息、样本交互信息中的样本控制实体、样本情感状态和样本交互回复信息，样本交互回复信息中包括样本控制实体；通过预先训练的交互回复模型，生成交互回复信息，其中，交互回复信息中包括控制实体。
[0110]
一些实施例中，通过预先训练的交互回复模型，并将交互信息中的控制实体和第二情感状态输入预先训练的交互回复模型中，由该预先训练的交互回复模型输出携带控制实体的交互回复信息。
[0111]
由于交互回复信息生成具有随机性，容易生成万能回复，例如“好的”，“没事”，所以，本技术利用实体提取的方法生成一个骨架(即生成的交互回复信息中需要有控制实体)，然后在这个骨架的基础上进行其他文本的生成。
[0112]
示例性的，输入文本控制信息：打开空调，其中，提取的实体为：空调，第二情感状
态为中性时，输出的交互回复信息为“我已打开空调”；第二情感状态为悲伤时，输出的交互回复信息为“是我没做好，马上为你打开空调”；第二情感状态为厌恶时，输出的交互回复信息为“我很讨厌自己，给你打开空调我就走”。
[0113]
起哄，上述的初始网络模型，包括编码器和解码器，编码器和解码器均由两层lstm(长短期记忆网络，long short-term memory)网络搭建，在编码器的每个lstm中分别通过注意力模块，与解码器的lstm网络进行连接，使得初始网络模型能够学习到，哪些特征是重要的。其中，编码器的两层lstm分别输入交互信息和第二情感状态。
[0114]
注意力模块是起到一个连接作用，例如编码器在生成第一个字的时候，该将注意力放在编码器输入文本的哪几个字上面。
[0115]
本技术的一个具体实施例中，该交互信息回复方法第一步是识别出输入文本的情感类别。智能家居场景中单一的文本信息并不能很好的反映出用户的情感信息，因此在这一步建议采用多模态情感分析方法。接受的模态包括用户的语音、文本信息以及一些潜在的情感特征(例如控制指令的重复次数)。经过多模态情感分类得到用户当前的情感状态，本技术中采用六种情感状态，分别是中立、高兴、悲伤、厌恶、惊讶和愤怒。
[0116]
第二步是情感转移矩阵(即前述的问答情感对应关系)的建立，本技术中采用固定的情感转移矩阵。通过第一步的多模态方法获取用户当前的情感状态，然后在这里经过情感转移，得到回复语中的情感状态。其中，一个情感对应多个情感状态，采用随机选择的情感状态。
[0117]
最后一步则是情感文本的生成。文本生成存在的缺陷包括回复的内容不可控，容易生成万能回复等。因此，本技术采用基于骨架生成的文本生成方法，输入为三个，分别是用户的文本信息，经过转移矩阵得到的情感状态，以及关键实体信息(即前述的控制实体)。其中控制实体是从用户的文本中提取得到，具体的提取方法可以采用实体词典或者一些通用的实体提取模型。
[0118]
文本生成模型(即前述的预先训练的交互回复模型)采用的是编码器-解码器模型，也称序列到序列模型。编码器网络分为两部分，分别对应输入的骨架词列表(实体提取结果)与输入的请求文本，两部分均由两层lstm网络搭建，解码器网络也是由两层lstm网络搭建，通过两个独立的注意力模块与两个编码器进行连接，情感状态也直接输入编码器，指导文本生成。
[0119]
基于同一构思，本技术实施例中提供了一种交互信息回复装置，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，如图3所示，该装置主要包括：
[0120]
获取模块301，用于获取用户与人机设备的交互信息；
[0121]
第一确定模块302，用于根据交互信息，确定用户的第一情感状态；
[0122]
第二确定模块303，用于确定人机设备回复时与第一情感状态对应的第二情感状态；
[0123]
生成模块304，用于根据交互信息和第二情感状态，生成交互回复信息。
[0124]
基于同一构思，本技术实施例中还提供了一种电子设备，如图4所示，该电子设备主要包括：处理器401、存储器402和通信总线403，其中，处理器401和存储器402通过通信总线403完成相互间的通信。其中，存储器402中存储有可被至处理器401执行的程序，处理器401执行存储器402中存储的程序，实现如下步骤：
[0125]
获取用户与人机设备的交互信息；
[0126]
根据交互信息，确定用户的第一情感状态；
[0127]
确定人机设备回复时与第一情感状态对应的第二情感状态；
[0128]
根据交互信息和第二情感状态，生成交互回复信息。
[0129]
上述电子设备中提到的通信总线403可以时外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线403可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0130]
存储器402可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器401的存储装置。
[0131]
上述的处理器401可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等，还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0132]
在本技术的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序在计算机上运行时，使得计算机执行上述实施例中所描述的交互信息回复方法。
[0133]
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。该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该计算机指令时，全部或部分地产生按照本技术实施例所述的流程或功能。该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。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该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。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如dvd)或者半导体介质(例如固态硬盘)等。
[0134]
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。
[0135]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发
明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。