一种闭环的话术扩写方法、装置、计算机设备及存储介质与流程

1.本发明涉及自然语言处理技术领域，特别是涉及一种闭环的话术扩写方法、装置、计算机设备及存储介质。


背景技术：

2.自然语言处理(natural language processing，缩写为nlp)是指利用人类交流所使用的自然语言与机器进行交互通讯的技术。目前，自然语言处理模型需要依赖于数据的标注，而数据的标注往往需要耗费大量的人力资源。很多情况下，新场景上线业务很难提供一定量的标注数据，会带来新场景上线的冷启动问题。为了解决该问题，研发了话术扩写系统，即给定一句话，然后扩写出语义与之相似的一系列话术。这种扩写方式存在的不足在于：由于扩写话术与已有的标注话术在语义上比较相似，限制了话术扩写的多样性，而由于扩写话术的多样性不足，导致新场景的意图识别效果较差；另外，由于扩写话术存在一定的通顺度问题，需要人工对扩写出来的语句进行通顺度过滤，需要耗费大量的人力资源。


技术实现要素：

3.本发明提供了一种闭环的话术扩写方法、装置、计算机设备及存储介质，旨在解决现有的话术扩写系统存在的扩写话术多样性不足以及需要人工过滤扩写话术等技术问题。
4.为解决上述技术问题，本发明采用的技术方案为：
5.一种闭环的话术扩写方法，包括：
6.获取已标注的目标意图的话术文本集合，并从所述话术文本集合中提取所述目标意图的第一关键词集合；
7.基于所述话术文本集合以及第一关键词集合，采用训练好的mt5模型进行话术扩写，生成所述目标意图的第一扩写话术文本集合；
8.对所述第一扩写话术文本集合重新进行关键词提取，得到所述目标意图的第二关键词集合；
9.基于所述第一扩写话术文本集合以及第二关键词集合重新进行话术扩写，得到所述目标意图的话术扩写结果。
10.本发明实施例采取的技术方案还包括：所述从所述话术文本集合中提取所述目标意图的第一关键词集合包括：
11.采用textrank算法从所述话术文本集合中提取目标意图的关键词；
12.所述采用textrank算法从所述话术文本集合中提取目标意图的关键词具体为：设置一个长度为m的滑动窗口，将所有在同一个窗口之内的词视作节点的相邻节点，构建词的无向图，将不同词对之间的共现作为所述无向图边的权值，基于所述无向图进行关键词提取。
13.本发明实施例采取的技术方案还包括：所述采用textrank算法从所述话术文本集合中提取目标意图的关键词包括：
14.按照所述话术文本中的标点符号对每个话术文本进行断句；
15.对所述断句后的每个句子进行分词，去除每个句子中的停用词，并对每个词进行词性标注，保留指定词性的词语，生成候选关键词集合；
16.基于所述候选关键词集合构建词的无向图g＝(v,e),其中v为节点集合，e为边集合；
17.基于所述无向图，利用pagerank算法迭代计算每个节点的rank值；
18.对所有节点的rank值进行降序排列，并根据排序结果选择前m个候选关键词作为最终的关键词；
19.在所述话术文本中对选择的关键词进行标记，并判断标记后的话术文本中是否存在至少两个关键词形成相邻词组，如果存在，将所述形成相邻词组的至少两个关键词合并为一个关键词，得到目标意图的第一关键词集合。
20.本发明实施例采取的技术方案还包括：所述mt5模型包括基于话术文本的扩写模型和基于关键词的扩写模型，所述基于所述话术文本集合以及第一关键词集合，采用训练好的mt5模型进行话术扩写包括：
21.将所述话术文本集合输入训练好的基于话术文本的扩写模型，生成与所述话术文本语义相似的扩写话术；
22.将所述第一关键词集合输入训练好的基于关键词的扩写模型，生成与所述目标意图相对应的扩写话术。
23.本发明实施例采取的技术方案还包括：所述基于话术文本的扩写模型的训练过程包括：
24.通过语义相似度模型re2计算同一意图下话术文本间的语义相似度，过滤掉语义差距较大的话术对，生成“标注话术-》扩写话术”的训练集合；将所述训练集合导入公开预训练好的mt5-base进行再训练，生成训练好的基于话术文本的扩写模型；
25.所述基于关键词的扩写模型的训练过程包括：构造“关键词\词组-》扩写话术”的训练集合，将所述训练集和导入公开预训练好的mt5-base进行再训练，输出训练好的基于关键词的扩写模型。
26.本发明实施例采取的技术方案还包括：所述对所述第一扩写话术文本集合重新进行关键词提取之前还包括：
27.采用基于bert+mlm的评估模型评估所述第一扩写话术文本集合中所有扩写话术文本的通顺度；
28.过滤掉所述通顺度低于设定阈值的扩写话术文本。
29.本发明实施例采取的技术方案还包括：所述采用基于bert+mlm的评估模型评估所述第一扩写话术文本集合中所有扩写话术文本的通顺度包括：
30.对于所述第一扩写话术文本集合中的每一个扩写话术文本，采用基于bert的mlm模型循环递归遮盖扩写话术文本中的每一个字，预测遮盖后的每一个字，如果预测结果与扩写话术文本中的字相同则认为预测正确，如果预测结果与扩写话术文本中的字不同则认为预测错误；
31.统计预测正确的字数占扩写话术文本中总字数的比例，作为度量所述扩写话术文本通顺度的第一度量值；
32.采用基于bert+crf的检错模型预测扩写话术文本中不通顺字的位置；
33.统计不通顺字的总数占扩写话术文本总字数的比例，作为度量所述扩写话术文本通顺度的第二度量值；
34.将所述第一度量值和第二度量值进行加权融合，得到度量所述话术文本通顺度的阈值；
35.过滤掉所述第一扩写话术文本集合中通顺度低于所述阈值的扩写话术文本。
36.本发明实施例采取的另一技术方案为：一种闭环的话术扩写装置，包括：
37.第一关键词提取模块：用于获取已标注的目标意图的话术文本集合，并从所述话术文本集合中提取所述目标意图的第一关键词集合；
38.第一话术扩写模块：用于基于所述话术文本集合以及第一关键词集合，采用训练好的mt5模型进行话术扩写，生成所述目标意图的第一扩写话术文本集合；
39.第二关键词提取模块：用于对所述第一扩写话术文本集合重新进行关键词提取，得到所述目标意图的第二关键词集合；
40.第二话术扩写模块：用于基于所述第一扩写话术文本集合以及第二关键词集合重新进行话术扩写，得到所述目标意图的话术扩写结果。
41.本发明实施例采取的又一技术方案为：一种计算机设备，所述计算机设备包括：
42.存储有可执行程序代码的存储器；
43.与所述存储器连接的处理器；
44.所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的闭环的话术扩写方法。
45.本发明实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行上述的闭环的话术扩写方法。
46.本发明实施例的闭环的话术扩写方法、装置、计算机设备及存储介质采用基于标注文本以及基于关键词相结合的方式进行话术扩写，丰富了扩写话术的丰富性。采用基于mlm和基于bert+crf将结合的方式过滤掉通顺度低于设定阈值的扩写话术文本，提升了话术通顺度评估的准确率，并节省了人工过滤话术的成本。同时，本发明采用闭环的多次循环扩写模式，提高了扩写话术的数据量，并丰富了扩写话术的多样性。
附图说明
47.图1是本发明第一实施例的闭环的话术扩写方法的流程示意图；
48.图2是本发明第二实施例的闭环的话术扩写方法的流程示意图；
49.图3是本发明实施例采用textrank算法从话术文本集合中提取关键词的实现流程图；
50.图4是本发明实施例采用基于bert+mlm的评估模型评估扩写话术文本通顺度的流程图；
51.图5是本发明实施例闭环的话术扩写装置的结构示意图；
52.图6是本发明实施例的计算机设备结构示意图；
53.图7是本发明实施例的存储介质结构示意图。
具体实施方式
54.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，所描述的实施例仅是本发明的一部分实施例，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。
55.本发明中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
56.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
57.请参阅图1，是本发明第一实施例的闭环的话术扩写方法的流程示意图。本发明第一实施例的闭环的话术扩写方法包括以下步骤：
58.s100：获取已标注的目标意图的话术文本集合，并从话术文本集合中提取目标意图的第一关键词集合；
59.本步骤中，采用textrank算法从话术文本集合中提取关键词，textrank算法是一种基于图的关键词抽取的排序算法，该算法为无监督学习，利用话术文本中的词语间共现信息(即语义)进行关键词抽取。具体为：设置一个长度为m的滑动窗口(滑动窗口的长度通常设置为5，具体可根据应用场景进行设定)，将所有在同一个窗口之内的词都视作节点的相邻节点，构建词的无向图，不同的词对有不同的共现，将共现作为无向图边的权值，然后基于词的无向图进行关键词提取。
60.s110：基于话术文本集合以及第一关键词集合，采用训练好的mt5模型进行话术扩写，生成目标意图的第一扩写话术文本集合；
61.本步骤中，mt5模型是t5模型在多语言数据集c4上继续训练得到的预训练模型，mt5模型采用encoder-decoder模型架构，encoder和decoder均为transformer结构。
62.本发明实施例中，采用mt5模型进行话术扩写包括基于话术文本集合的话术扩写以及基于第一关键词集合的话术扩写，对于基于话术文本集合的话术扩写，利用语义相似度模型re2扩写出与已标注的话术文本语义较为相似的话术，对于基于第一关键词集合的话术扩写，根据提取的关键词集合扩写出与目标意图相符合的话术。
63.s120：对第一扩写话术文本集合重新进行关键词提取，得到目标意图的第二关键词集合；
64.s130：基于第一扩写话术文本集合以及第二关键词集合重新进行话术扩写，得到目标意图的话术扩写结果。
65.基于上述，本发明第一实施例的闭环的话术扩写方法采用基于标注文本以及基于关键词相结合的方式进行话术扩写，丰富了扩写话术的丰富性，并采用闭环的多次循环扩写模式，提高了扩写话术的数据量，丰富了扩写话术的多样性。
66.请参阅图2，是本发明第二实施例的闭环的话术扩写方法的流程示意图。本发明第二实施例的闭环的话术扩写方法包括以下步骤：
67.s200：获取目标意图的已标注的话术文本集合；
68.本步骤中，话术文本集合中包括同一用户意图下不同的话术表达方式，例如：用户意图为：买保险，其不同的话术表达方式包括：我要买保险、买保险、买一份保险等。
69.s210：采用textrank算法从话术文本集合中提取关键词，生成目标意图的第一关键词集合；
70.本步骤中，textrank算法是一种基于图的关键词抽取的排序算法，该算法为无监督学习，利用话术文本中的词语间共现信息(即语义)进行关键词抽取。textrank算法具体为：设置一个长度为m的滑动窗口(滑动窗口的长度通常设置为5，具体可根据应用场景进行设定)，将所有在同一个窗口之内的词都视作节点的相邻节点，构建词的无向图，不同的词对有不同的共现，将共现作为无向图边的权值，然后基于词的无向图进行关键词提取。基于词的无向图的关键词提取公式具体为：
[0071][0072]
其中，ws(vi)表示节点vi的重要程度，重要程度越高则节点vi是关键词的可能性越高。in(vi)表示与节点vi相连的边的节点集合。out(vj)表示与节点vj相连的边的节点集合。d为阻尼系数，通常取值为0.85。
[0073]
进一步地，请参阅图3，是本发明实施例采用textrank算法从话术文本集合中提取关键词的实现流程图，其具体包括以下步骤：
[0074]
s211：按照话术文本中的标点符号对每个话术文本进行断句，得到一定数量的句子；其中，标点符号包括但不限于？、。、！等；
[0075]
s212：对断句后的每个句子进行分词，去除每个句子中的停用词，并对每个词进行词性标注，保留名词、动词等指定词性的词语，生成候选关键词集合；
[0076]
s213：基于候选关键词集合构建词的无向图g＝(v,e),其中v为节点集合(即候选关键词集合)，e为边集合；其中，通过设置滑动窗口和共现关系构造任意两个节点之间的边，两个节点之间存在边当且仅当这两个节点在长度为m的窗口中共同出现过，窗口从头到尾不断滑动；
[0077]
s214：根据pagerank算法迭代计算每个节点的rank值，直至收敛；其中，rank值为1/n，n为节点的数量；
[0078]
其中，pagerank算法即在无向图上定义一个随机游走模型，即一阶马尔可夫链，描述随机游走者沿着图随机访问各个节点的行为。在一定条件下，极限情况访问每个节点的概率收敛到平稳分布，这时各个节点的平稳概率值就是其rank值，rank值越高，表示该节点的重要程度越高。
[0079]
s215：对所有节点的rank值进行降序排列，并根据排序结果选择前m个候选关键词作为最终的关键词；
[0080]
s216:在话术文本中对选择的关键词进行标记，并判断标记后的话术文本中是否存在至少两个关键词形成相邻词组，如果存在，将形成相邻词组的至少两个关键词合并为一个关键词，得到目标意图最终的第一关键词集合；
[0081]
其中，例如在话术文本中存在标记的“平安、保险”两个相邻的关键词，则将“平安、保险”这两个相邻的关键词合并为“平安保险”一个关键词，有利于提高后续话术扩写的准确度。
[0082]
s220：基于话术文本集合以及第一关键词集合，采用训练好的mt5模型进行话术扩写，生成目标意图的第一扩写话术文本集合；
[0083]
本步骤中，mt5模型是t5模型在多语言数据集c4上继续训练得到的预训练模型，mt5模型采用encoder-decoder模型架构，encoder和decoder均为transformer结构。
[0084]
本发明实施例中，采用mt5模型进行话术扩写包括基于话术文本集合的话术扩写以及基于第一关键词集合的话术扩写，对于基于话术文本集合的话术扩写，利用语义相似度模型re2扩写出与已标注的话术文本语义较为相似的话术，对于基于第一关键词集合的话术扩写，根据提取的关键词集合扩写出与目标意图相符合的话术。
[0085]
基于上述，本发明实施例的mt5模型的训练过程包括两个部分：第一部分为：训练基于话术文本的扩写模型；首先，构造“标注话术-》扩写话术”的训练集合：通过语义相似度模型re2计算同一意图下话术文本间的语义相似度，过滤掉语义差距太大的话术对，生成“sentence1sentence2”的训练集合；然后，将“sentence1 sentence2”的训练集合导入公开预训练好的mt5-base进行再训练，生成训练好的基于话术文本的扩写模型mt5-base-sentence-model；在进行话术扩写时，只需要将sentence1输入模型mt5-base-sentence-model，即可自动生成sentence2，根据sentence2即可自动生成sentence3，可循环多次生成扩写的话术文本。例如，模型输入的sentence1为：平安保险太贵，自动生成的sentence2为：平安公司的保险费用很贵，根据sentence2自动生成的sentence3为：平安保险的价格偏贵了。
[0086]
第二部分为：训练基于关键词的扩写模型；首先构造“关键词\词组-》扩写话术”的训练集合，对于目标意图下的任一话术文本sentence，通过textrank提取关键词集合keywords，生成“sentence keywords”的训练集；将“sentence keywords”的训练集导入公开预训练好的mt5-base进行再训练，输出相应的基于关键词的扩写模型(mt5-预测遮盖后的每一个字，如果预测结果与扩写话术文本中的字相同则认为预测正确，如果预测结果与扩写话术文本中的字不同则认为预测错误；
[0087]
s232：统计预测正确的字数占扩写话术文本中总字数的比例，作为度量该扩写话术文本通顺度的第一度量值；
[0088]
s233：采用基于bert+crf的检错模型预测扩写话术文本中不通顺字的位置，将预测结果为通顺字的相应位置标注为o，将预测结果为不通顺字的相应位置标注为b；
[0089]
其中，基于bert+crf的检错模型采用“正确/错误话术-》bio标注结果”的训练集，针对一个话术文本训练序列标注模型，从而预测话术文本中每个字对应的标注结果，将正确的字标注为o，将错误的字标注为b，将错误字的中间标注为i，从而训练得到一个基于
bert+crf的检错模型。
[0090]
s234：统计标注为b的字数占扩写话术文本总字数的比例，作为度量该扩写话术文本通顺度的第二度量值；
[0091]
s235：将第一度量值和第二度量值进行加权融合，得到度量话术文本通顺度的阈值；
[0092]
s236：过滤掉第一扩写话术文本集合中通顺度低于该阈值的扩写话术文本。
[0093]
基于上述，本发明实施例采用基于mlm和bert+crf的两种过滤方式对扩写话术的通顺度进行过滤，提升了话术通顺度评估的准确率，并节省了人工过滤话术的成本。
[0094]
s240：采用textrank算法对过滤后的第一扩写话术文本集合重新进行关键词提取，得到目标意图的第二关键词集合；
[0095]
本步骤中，第二关键词集合的提取过程与第一关键词集合相同，为避免冗余，此处将不再赘述。
[0096]
s250：基于过滤后的第一扩写话术文本集合以及第二关键词集合，采用mt5模型重新进行话术扩写，得到最终的话术扩写结果；
[0097]
本步骤中，话术扩写过程与s220中相同，为避免冗余，此处将不再赘述。可以理解，键词提取和话术扩写可以根据应用场景闭环循环多次，从而提高扩写话术的数量，并丰富扩写话术的多样性，提升模型的泛化能力，提高意图识别的准确率。
[0098]
基于上述，本发明第二实施例的闭环的话术扩写方法采用基于标注文本以及基于关键词相结合的方式进行话术扩写，丰富了扩写话术的丰富性。采用基于mlm和基于bert+crf将结合的方式过滤掉通顺度低于设定阈值的扩写话术文本，提升了话术通顺度评估的准确率，并节省了人工过滤话术的成本。同时，本发明采用闭环的多次循环扩写模式，提高了扩写话术的数据量，并丰富了扩写话术的多样性。
[0099]
在一个可选的实施方式中，还可以：将所述的闭环的话术扩写方法的结果上传至区块链中。
[0100]
具体地，基于所述的闭环的话术扩写方法的结果得到对应的摘要信息，具体来说，摘要信息由所述的闭环的话术扩写方法的结果进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户可以从区块链中下载得该摘要信息，以便查证所述的闭环的话术扩写方法的结果是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0101]
请参阅图5，是本发明实施例闭环的话术扩写装置的结构示意图。本发明实施例闭环的话术扩写装置40包括：
[0102]
第一关键词提取模块41：用于获取已标注的目标意图的话术文本集合，并从话术文本集合中提取目标意图的第一关键词集合；其中，第一关键词提取模块采用textrank算法从话术文本集合中提取关键词，textrank算法是一种基于图的关键词抽取的排序算法，该算法为无监督学习，利用话术文本中的词语间共现信息(即语义)进行关键词抽取。具体
为：设置一个长度为m的滑动窗口(滑动窗口的长度通常设置为5，具体可根据应用场景进行设定)，将所有在同一个窗口之内的词都视作节点的相邻节点，构建词的无向图，不同的词对有不同的共现，将共现作为无向图边的权值，然后基于词的无向图进行关键词提取。
[0103]
第一话术扩写模块42：用于基于话术文本集合以及第一关键词集合，采用训练好的mt5模型进行话术扩写，生成目标意图的第一扩写话术文本集合；其中，mt5模型是t5模型在多语言数据集c4上继续训练得到的预训练模型，mt5模型采用encoder-decoder模型架构，encoder和decoder均为transformer结构。第一话术扩写模块采用mt5模型进行话术扩写包括基于话术文本集合的话术扩写以及基于第一关键词集合的话术扩写，对于基于话术文本集合的话术扩写，利用语义相似度模型re2扩写出与已标注的话术文本语义较为相似的话术，对于基于第一关键词集合的话术扩写，根据提取的关键词集合扩写出与目标意图相符合的话术。
[0104]
第二关键词提取模块43：用于对第一扩写话术文本集合重新进行关键词提取，得到目标意图的第二关键词集合；
[0105]
第二话术扩写模块44：用于基于第一扩写话术文本集合以及第二关键词集合重新进行话术扩写，得到目标意图的话术扩写结果。
[0106]
本发明实施例的闭环的话术扩写装置采用基于标注文本以及基于关键词相结合的方式进行话术扩写，丰富了扩写话术的丰富性。本发明采用闭环的多次循环扩写模式，提高了扩写话术的数据量，并丰富了扩写话术的多样性。
[0107]
请参阅图6，为本发明实施例的计算机设备结构示意图。该计算机设备50包括：
[0108]
存储有可执行程序代码的存储器51；
[0109]
与存储器51连接的处理器52；
[0110]
处理器52调用存储器51中存储的可执行程序代码，执行本发明实施例公开的闭环的话术扩写方法中的步骤。
[0111]
其中，处理器52还可以称为cpu(central processing unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0112]
请参阅图7，图7为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
[0113]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0114]
另外，在本发明各个实施例中的各功能单元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。以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。