本申請涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種文本聚合方法及裝置。

背景技術(shù)：

在傳統(tǒng)的通信應(yīng)用(如短信、郵件等)以及新型的互聯(lián)網(wǎng)社交應(yīng)用(如微信、微博、論壇等)等場景中，時刻都會產(chǎn)生大量的短文本數(shù)據(jù)，如，長度不大于設(shè)定的長度閾值(如150～200個字等，其中，英文單詞或者連續(xù)數(shù)字按一個漢字計算)的中文文本數(shù)據(jù)。這些文本數(shù)據(jù)中存在大量有價值的信息，通過對其進(jìn)行聚合可以發(fā)現(xiàn)信息中潛在的熱點或者規(guī)律。

具體地，文本聚合是一種在給定的相似性度量之下對文本集合進(jìn)行分組，使彼此相近的文本分到同一個組內(nèi)的技術(shù)。文本聚合具體可包括文本特征提取以及文本相似性分析等步驟。

具體地，由于目前，在對文本進(jìn)行相似性分析以實現(xiàn)文本的聚合時，主要基于向量空間模型或概率模型進(jìn)行。而在向量空間模型中，是采用文本中的字或者詞作為特征表示文本，用特征向量之間的相似度來度量文本的相關(guān)性。因而，對于長度過短的文本，會存在特征向量過于稀疏，導(dǎo)致計算結(jié)果無法滿足相似性分析的要求，進(jìn)而導(dǎo)致最終所得到的文本聚合結(jié)果并不準(zhǔn)確的問題。另外，在概率模型中，若使用過短的文本，則大部分特征都會是概率平滑的結(jié)果，不能反映真實數(shù)據(jù)的信息，因而，也會存在聚合結(jié)果并不準(zhǔn)確、無法滿足用戶需求的問題。再有，由于上述兩類傳統(tǒng)的文本相似度算法計算量巨大，因而，還會存在難以滿足通?？梢赃_(dá)到千萬級甚至億級的短文本數(shù)據(jù)的實時分析的問題，使得文本聚合的效果并不佳。

也就是說，目前，在對短文本數(shù)據(jù)進(jìn)行文本聚合時，存在文本相似性分析 的方式較差所導(dǎo)致的文本聚合的準(zhǔn)確性較低、實時性較低的問題，因此，亟需提供一種新的文本聚合方法以解決上述問題。

技術(shù)實現(xiàn)要素：

本申請實施例提供了一種文本聚合方法及裝置，用以解決目前的文本聚合方式存在文本相似性分析的方式較差所導(dǎo)致的文本聚合的準(zhǔn)確性較低、實時性較低的問題。

本申請實施例提供了一種文本聚合方法，包括：

對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，得到與所述待聚合文本相對應(yīng)的第一文本特征集合；

基于設(shè)定的局部敏感哈希算法計算所述第一文本特征集合的哈希值，并根據(jù)計算得到的哈希值，判斷已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，是否存在與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值；

若是，則從與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值中，選取與計算得到的哈希值之間的距離最小的匹配值，并計算所述第一文本特征集合與所述最小的匹配值所對應(yīng)的第二文本特征集合之間的相似度；

若確定所述第一文本特征集合與所述第二文本特征集合之間的相似度不小于設(shè)定的相似度閾值，則將所述待聚合文本聚合至所述第二文本特征集合所對應(yīng)的文本類中。

相應(yīng)地，本申請實施例還提供了一種文本聚合裝置，包括：

特征提取單元，用于對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，得到與所述待聚合文本相對應(yīng)的第一文本特征集合；

文本聚合單元，用于基于設(shè)定的局部敏感哈希算法計算所述第一文本特征集合的哈希值，并根據(jù)計算得到的哈希值，判斷已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，是否存在與計算得到的哈希值之間的距離不 大于設(shè)定距離的匹配值；若是，則從與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值中，選取與計算得到的哈希值之間的距離最小的匹配值，并計算所述第一文本特征集合與所述最小的匹配值所對應(yīng)的第二文本特征集合之間的相似度；以及，若確定所述第一文本特征集合與所述第二文本特征集合之間的相似度不小于設(shè)定的相似度閾值，則將所述待聚合文本聚合至所述第二文本特征集合所對應(yīng)的文本類中。

本申請有益效果如下：

本申請實施例提供了一種文本聚合方法及裝置，在本申請實施例所述技術(shù)方案中，可在得到與待聚合文本相對應(yīng)的文本特征集合之后，采用局部敏感哈希算法結(jié)合相似度校驗的判定方法，對所述待聚合文本進(jìn)行相似性分析以實現(xiàn)待聚合文本的聚合，從而可解決基于向量空間模型或概率模型進(jìn)行短文本相似性分析時所導(dǎo)致的文本聚合結(jié)果準(zhǔn)確性較低、實時性較低的問題，達(dá)到準(zhǔn)確且又快速地對短文本進(jìn)行聚合的效果。

附圖說明

為了更清楚地說明本申請實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡要介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1所示為本申請實施例一中所述文本聚合方法的流程示意圖；

圖2所示為本申請實施例二中所述文本聚合裝置的結(jié)構(gòu)示意圖。

具體實施方式

為了使本申請的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本申請作進(jìn)一步地詳細(xì)描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例?；诒旧暾堉械膶嵤├?，本領(lǐng)域普通技術(shù)人員在沒有做 出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本申請保護(hù)的范圍。

實施例一：

本申請實施例一提供了一種文本聚合方法，如圖1所示，其為本申請實施例一中所述文本聚合方法的流程示意圖，所述文本聚合方法可包括以下步驟：

步驟101：對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，得到與所述待聚合文本相對應(yīng)的第一文本特征集合。

可選地，所述待聚合文本具體可為長度不大于設(shè)定的長度閾值(如150～200個字等，其中，英文單詞或者連續(xù)數(shù)字按一個漢字計算)的中文文本數(shù)據(jù)，本申請實施例對此不作贅述。

進(jìn)一步地，由于互聯(lián)網(wǎng)上的大量短文本數(shù)據(jù)存在用詞不規(guī)范、存在各種變形等特點，因而使得，在使用傳統(tǒng)的分詞方法對其進(jìn)行特征提取(如利用普通的分詞器進(jìn)行分詞，并將相應(yīng)的分詞結(jié)果作為文本的特征描述)時，可能存在無法獲得較好的特征提取結(jié)果，進(jìn)而導(dǎo)致最終所得到的文本聚合結(jié)果并不準(zhǔn)確的問題。

因而，為了提高文本特征的提取效果，在本申請所述實施例中，可采用以下方式對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，得到與所述待聚合文本相對應(yīng)的文本特征集合：

基于機(jī)械分詞結(jié)合N元模型(N-gram)的特征提取方式對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，得到與所述待聚合文本相對應(yīng)的第一文本特征集合，所述N為大于1的自然數(shù)。

需要說明的是，相對于采用傳統(tǒng)的分詞方法對短文本數(shù)據(jù)進(jìn)行特征提取來說，采用機(jī)械分詞結(jié)合N元模型的特征提取方式可達(dá)到較好的文本特征提取效果。這是因為，機(jī)械分詞是忽略語意對文本進(jìn)行機(jī)械地分割，而N元模型則是給孤立的特征之間建立了一定的依賴性，從而能夠提供更大的特征集合，豐富了特征集合的信息，這對本身信息就較少的短文本來說起到了很好的補(bǔ)充作 用，因而，可在不規(guī)范的短文本特征提取中取得良好的效果，進(jìn)而提高文本聚合的準(zhǔn)確性。

可選地，基于機(jī)械分詞結(jié)合N元模型的特征提取方式對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，得到與所述待聚合文本相對應(yīng)的文本特征集合，可包括：

以中文漢字以及連續(xù)的字符串(如連續(xù)的拉丁文字符串、連續(xù)的數(shù)字串、或連續(xù)的拉丁文數(shù)字字符串等)為最小切分單元，對所述待聚合文本進(jìn)行分詞，得到多個分詞；例如，以待聚合文本為“我的生日是1989-01-22”為例，可將所述待聚合文本分詞為“我/的/生/日/是/1989-01-22”；

基于N元模型，將得到的多個分詞中的任意N個連續(xù)的分詞組合為一文本特征，得到與所述待聚合文本相對應(yīng)的文本特征集合。例如，以所述N的取值為2(即所述N元模型為Bi-gram)，且待聚合文本為“我的生日是1989-01-22”為例，最終所得到的與所述待聚合文本相對應(yīng)的文本特征集合可表示為{我的，的生，生日，日是，是1989-01-22}。

進(jìn)一步地，為了提高文本質(zhì)量，進(jìn)而提高文本聚合的準(zhǔn)確性，在對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取之前，所述方法還可包括以下步驟：

對所述待聚合文本進(jìn)行預(yù)處理，以便后續(xù)可依據(jù)預(yù)處理后的待聚合文本進(jìn)行相應(yīng)的文本特征提取；其中，所述預(yù)處理至少可包括以下操作中的任意一種或多種，本申請實施例對此不作任何限定：

去除待聚合文本中的特殊標(biāo)簽(如html標(biāo)簽等)、去除待聚合文本中的非文字特殊符號(如&、*等)、對待聚合文本進(jìn)行繁簡字體轉(zhuǎn)換(如將待聚合文本中的繁體字轉(zhuǎn)換為簡體字等)、以及將待聚合文本中的連續(xù)性的拉丁文和/或數(shù)字歸一化為設(shè)定的字符串(如，將“Abc1234”或“1989-01-22”歸一化成“xxxxxxx”等)等。

步驟102：基于設(shè)定的局部敏感哈希算法計算所述第一文本特征集合的哈 希值，并根據(jù)計算得到的哈希值，判斷已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，是否存在與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值。

具體地，所述設(shè)定的局部敏感哈希算法不限于為Simhash算法或Minhash算法等。其中，Simhash算法是一種用來對網(wǎng)頁去重的常用方法，其通過對網(wǎng)頁的內(nèi)容生成一個數(shù)字簽名，然后通過計算數(shù)字簽名之間的差異來判定網(wǎng)頁內(nèi)容的相似程度。另外，與Simhash算法一樣，Minhash算法也是局部敏感哈希算法的一種，可以用來快速估算兩個集合的相似度，最初用于在搜索引擎中檢測重復(fù)網(wǎng)頁，當(dāng)然也可以應(yīng)用于大規(guī)模聚類問題等，本申請實施例對此均不作贅述。

優(yōu)選地，由于Simhash算法的速度較快，因此，在本申請所述實施例中，可優(yōu)先選用所述Simhash算法來計算第一文本特征集合的哈希值。相應(yīng)地，以所述設(shè)定的局部敏感哈希算法為Simhash算法為例，步驟102可具體執(zhí)行為：基于Simhash算法計算所述第一文本特征集合的Simhash值，并根據(jù)計算得到的Simhash值，判斷已構(gòu)建的Simhash索引中，是否存在與計算得到的Simhash值之間的距離(具體可為海明距離，即Hamming距離)不大于設(shè)定距離的匹配值。

其中，所述設(shè)定距離可根據(jù)實際情況靈活設(shè)定，如以海明距離為例，可設(shè)置為3～5等，本申請實施例對此不作贅述。另外，需要說明的是，在信息論中，兩個等長字符串之間的海明距離是指兩個字符串對應(yīng)位置的不同字符的個數(shù)，即，將一個字符串變換成另外一個字符串所需要替換的字符個數(shù)，本申請實施例對此也不作贅述。

步驟103：若確定已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，存在與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值，則從與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值中，選取與計算得到的哈希值之間的距離最小的匹配值，并計算所述第一文本特征集合與所述最小的匹配值所對應(yīng)的第二文本特征集合之間的相似度。

可選地，所述第一文本特征集合與所述第二文本特征集合之間的相似度至少可通過以下任意一種或多種相似度度量參數(shù)來表示：Jaccard相似度、歐式距離以及海明距離等。也就是說，在計算所述第一文本特征集合與所述最小的匹配值所對應(yīng)的第二文本特征集合之間的相似度時，可計算所述第一文本特征集合與所述第二文本特征集合之間的Jaccard相似度、歐式距離以及海明距離等，本申請實施例對此不作贅述。

步驟104：若確定所述第一文本特征集合與所述第二文本特征集合之間的相似度不小于設(shè)定的相似度閾值，則將所述待聚合文本聚合至所述第二文本特征集合所對應(yīng)的文本類中。

其中，所述設(shè)定的相似度閾值可根據(jù)實際情況靈活設(shè)定，如，當(dāng)對文本聚合的準(zhǔn)確性要求較高時，可將所述相似度閾值設(shè)置為一個相對較高的數(shù)值，當(dāng)對文本聚合的準(zhǔn)確性要求較低時，可將所述相似度閾值設(shè)置為一個相對較低的數(shù)值等，本申請實施例對此不作贅述。

需要說明的是，在本申請所述實施例中，之所以對所述第一文本特征集合與所述第二文本特征集合之間的相似度進(jìn)行校驗，主要是為了消除將局部敏感哈希算法應(yīng)用于短文本數(shù)據(jù)的聚合時，局部敏感哈希算法的碰撞概率所導(dǎo)致的誤判現(xiàn)象，以提高文本聚合的準(zhǔn)確性。

例如，以采用Simhash算法計算第一文本特征集合的哈希值、進(jìn)而選取相應(yīng)的匹配值為例，在采用Simhash算法計算第一文本特征集合的哈希值、進(jìn)而選取相應(yīng)的匹配值之后，可進(jìn)一步對所述第一文本特征集合與選取的匹配值所對應(yīng)的第二文本特征集合之間的相似度(如Jaccard相似度等)進(jìn)行校驗，以消除Simhash碰撞導(dǎo)致的誤判問題。

需要說明的是，Jaccard相似度是最常見的衡量兩個集合相似性的一種方法，其也很適合用于衡量短文本的相似性，但由于計算量過大，所以無法直接用于大數(shù)據(jù)量的文本聚合。但是，通過Jaccard相似度校驗，卻可以完全解決Simhash算法的碰撞問題，消除了Simhash碰撞導(dǎo)致的誤判問題。因而，采用 Simhash算法結(jié)合Jaccard相似度校驗的判定方法對待聚合文本進(jìn)行相似性分析時，可達(dá)到準(zhǔn)確且又快速地對短文本進(jìn)行聚合的效果。

進(jìn)一步地，在本申請所述實施例中，所述方法還可包括以下步驟：

若確定已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，不存在與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值；或者，確定已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，存在與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值、且確定所述第一文本特征集合與所述第二文本特征集合之間的相似度小于設(shè)定的相似度閾值；則將計算得到的哈希值更新至(即添加至)已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，并基于所述待聚合文本創(chuàng)建一個新的文本類，以及將所述待聚合文本歸至創(chuàng)建的所述新的文本類中。

也就是說，若確定待聚合文本不歸屬于任何一個已創(chuàng)建的文本類時，可將所述待聚合文本對應(yīng)的哈希值添加至相應(yīng)的哈希索引中，并將所述待聚合文本歸至一個新創(chuàng)建的文本類中，本申請實施例對此不作贅述。

進(jìn)一步地，需要說明的是，本申請實施例所述方案無語言、軟件或者硬件的限制。但是，為了提高文本聚合的效率，可優(yōu)先選用性能高的編程語言(如C++或者Java等)和性能高的硬件等來實現(xiàn)，本申請實施例對此不作贅述。

本申請實施例一提供了一種文本聚合方法，在本申請實施例一所述技術(shù)方案中，可對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，并在得到與所述待聚合文本相對應(yīng)的文本特征集合之后，可采用局部敏感哈希算法結(jié)合相似度校驗的判定方法，對所述待聚合文本進(jìn)行相似性分析以實現(xiàn)待聚合文本的聚合，從而可在解決基于向量空間模型或概率模型進(jìn)行短文本相似性分析時所導(dǎo)致的文本聚合結(jié)果準(zhǔn)確性較低、實時性較低的問題，達(dá)到準(zhǔn)確且又快速地對短文本進(jìn)行聚合的效果，如可實現(xiàn)大數(shù)據(jù)流量(如大于1萬條/秒等)下的短文本的實時聚合，以支持對數(shù)據(jù)流的實時分析。

實施例二：

基于同一發(fā)明構(gòu)思，本申請實施例二提供了一種文本聚合裝置，該文本聚合裝置的具體實施可參見上述方法實施例一中的相關(guān)描述，重復(fù)之處不再贅述，如圖2所示，該文本聚合裝置主要可包括：

特征提取單元21，可用于對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，得到與所述待聚合文本相對應(yīng)的第一文本特征集合；

文本聚合單元22，可用于基于設(shè)定的局部敏感哈希算法計算所述第一文本特征集合的哈希值，并根據(jù)計算得到的哈希值，判斷已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，是否存在與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值；若是，則從與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值中，選取與計算得到的哈希值之間的距離最小的匹配值，并計算所述第一文本特征集合與所述最小的匹配值所對應(yīng)的第二文本特征集合之間的相似度；以及，若確定所述第一文本特征集合與所述第二文本特征集合之間的相似度不小于設(shè)定的相似度閾值，則將所述待聚合文本聚合至所述第二文本特征集合所對應(yīng)的文本類中。

其中，所述設(shè)定的局部敏感哈希算法不限于為Simhash算法或Minhash算法等。且，所述第一文本特征集合與所述第二文本特征集合之間的相似度至少可通過以下任意一種或多種相似度度量參數(shù)來表示：Jaccard相似度、歐式距離以及海明距離等。

進(jìn)一步地，所述文本聚合單元22，還可用于若確定已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，不存在與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值；或者，確定已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，存在與計算得到的哈希值之間的距離不大于設(shè)定距離的匹配值、且確定所述第一文本特征集合與所述第二文本特征集合之間的相似度小于設(shè)定的相似度閾值；則將計算得到的哈希值更新至已構(gòu)建的與所述設(shè)定的局部敏感哈希算法相對應(yīng)的哈希索引中，并基于所述待聚合文本創(chuàng)建一個新的文本類，以及將所述待聚合文本歸至創(chuàng)建的所述新的文本類中。

進(jìn)一步地，為了提高文本特征的提取效果，在本申請所述實施例中，所述特征提取單元21具體可用于基于機(jī)械分詞結(jié)合N元模型的特征提取方式對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取，得到與所述待聚合文本相對應(yīng)的第一文本特征集合，所述N為大于1的自然數(shù)。

可選地，所述特征提取單元21具體可用于以中文漢字以及連續(xù)的字符串為最小切分單元，對所述待聚合文本進(jìn)行分詞，得到多個分詞；并基于N元模型，將得到的多個分詞中的任意N個連續(xù)的分詞組合為一文本特征，得到與所述待聚合文本相對應(yīng)的文本特征集合。

進(jìn)一步地，所述裝置還可包括預(yù)處理單元23：

所述預(yù)處理單元23，可用于在對長度不大于設(shè)定的長度閾值的待聚合文本進(jìn)行特征提取之前，對所述待聚合文本進(jìn)行預(yù)處理；其中，所述預(yù)處理至少可包括：去除待聚合文本中的特殊標(biāo)簽、去除待聚合文本中的非文字特殊符號、對待聚合文本進(jìn)行繁簡字體轉(zhuǎn)換、以及將待聚合文本中的連續(xù)性的拉丁文和/或數(shù)字歸一化為設(shè)定的字符串等中的一種或多種。

本領(lǐng)域技術(shù)人員應(yīng)明白，本申請的實施例可提供為方法、裝置(設(shè)備)、或計算機(jī)程序產(chǎn)品。因此，本申請可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機(jī)可用程序代碼的計算機(jī)可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學(xué)存儲器等)上實施的計算機(jī)程序產(chǎn)品的形式。

本申請是參照根據(jù)本申請實施例的方法、裝置(設(shè)備)和計算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機(jī)程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機(jī)程序指令到通用計算機(jī)、專用計算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機(jī)器，使得通過計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機(jī)程序指令也可存儲在能引導(dǎo)計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機(jī)可讀存儲器中，使得存儲在該計算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機(jī)程序指令也可裝載到計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機(jī)實現(xiàn)的處理，從而在計算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

盡管已描述了本申請的優(yōu)選實施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實施例以及落入本申請范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對本申請進(jìn)行各種改動和變型而不脫離本申請的精神和范圍。這樣，倘若本申請的這些修改和變型屬于本申請權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本申請也意圖包含這些改動和變型在內(nèi)。