本發(fā)明涉及搜索技術(shù)領(lǐng)域，特別涉及一種基于人工智能的搜索方法和裝置。

背景技術(shù)：

人工智能(Artificial Intelligence)，英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人、語言識(shí)別、圖像識(shí)別、自然語言處理和專家系統(tǒng)等。

隨著互聯(lián)網(wǎng)的發(fā)展，越來越多的用戶通過互聯(lián)網(wǎng)搜索各種信息。但是，不同地域不同語言的搜索引擎都有各自的擅長領(lǐng)域。大多搜索引擎都是基于某種特定語言的，對(duì)于一個(gè)搜索引擎來說，對(duì)其相應(yīng)的語言的搜索有較好的效果，而對(duì)其他語言的搜索效果的質(zhì)量和相關(guān)性較低。例如，對(duì)于中國用戶來說，中文搜索引擎比谷歌搜索引擎更懂中文，搜索結(jié)果更符合其需求，而對(duì)于美國用戶來說，谷歌搜索引擎則比中文搜索引擎更懂英文，搜索結(jié)果更符合其需求。目前，為了滿足不同語言類型的搜索需求，用戶根據(jù)期望搜索的語言選擇相應(yīng)的搜索引擎進(jìn)行搜索，但是這種方式，需要在分別擅長不同語言的搜索引擎之間進(jìn)行切換，操作非常不便，搜索查詢效率較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少在一定程度上解決上述技術(shù)問題。

為此，本發(fā)明的第一個(gè)目的在于提出一種基于人工智能的搜索方法，能夠滿足用戶對(duì)不同語言類型的搜索需求，提升搜索的準(zhǔn)確率和效率。

本發(fā)明的第二個(gè)目的在于提出一種基于人工智能的搜索裝置。

為達(dá)上述目的，根據(jù)本發(fā)明第一方面實(shí)施例提出了一種基于人工智能的搜索方法，包括以下步驟：接收用戶輸入的搜索詞；根據(jù)所述搜索詞確定所述用戶的語言需求類型；以及根據(jù)所述用戶的語言需求類型獲取所述搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給所述用戶。

本發(fā)明實(shí)施例的基于人工智能的搜索方法，通過根據(jù)用戶輸入的搜索詞確定用戶的語言需求類型，進(jìn)而根據(jù)用戶的語言需求類型獲取搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給用戶，能夠通過對(duì)用戶的特定語言類型的搜索需求的識(shí)別，對(duì)用戶的搜索詞從語言需求的維度進(jìn)行劃分，從而滿足用戶對(duì)不同語言類型的搜索需求，提升搜索的準(zhǔn)確率和效率，節(jié)省用戶的搜索時(shí)間。

本發(fā)明第二方面實(shí)施例提出了一種基于人工智能的搜索裝置，包括：接收模塊，用于接收用戶輸入的搜索詞；確定模塊，用于根據(jù)所述搜索詞確定所述用戶的語言需求類型；以及獲取模塊，用于根據(jù)所述用戶的語言需求類型獲取所述搜索詞對(duì)應(yīng)的搜索結(jié)果；提供模塊，用于提將所述搜索結(jié)果供給所述用戶。

本發(fā)明實(shí)施例的基于人工智能的搜索裝置，通過根據(jù)用戶輸入的搜索詞確定用戶的語言需求類型，進(jìn)而根據(jù)用戶的語言需求類型獲取搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給用戶，能夠通過對(duì)用戶的特定語言類型的搜索需求的識(shí)別，對(duì)用戶的搜索詞從語言需求的維度進(jìn)行劃分，從而滿足用戶對(duì)不同語言類型的搜索需求，提升搜索的準(zhǔn)確率和效率，節(jié)省用戶的搜索時(shí)間。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的搜索方法的流程圖；

圖2為根據(jù)本發(fā)明一個(gè)實(shí)施例的建立需求詞典的流程圖；

圖3為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索方法的流程圖；

圖4為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索方法的流程圖；

圖5為根據(jù)本發(fā)明一個(gè)實(shí)施例的訓(xùn)練第一預(yù)設(shè)模型的流程圖；

圖6為根據(jù)本發(fā)明一個(gè)實(shí)施例的訓(xùn)練第二預(yù)設(shè)模型的流程圖；

圖7為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索方法的流程圖；

圖8為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的搜索裝置的結(jié)構(gòu)示意圖；

圖9為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索裝置的結(jié)構(gòu)示意圖；

圖10為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

在本發(fā)明的描述中，需要理解的是，術(shù)語“多個(gè)”指兩個(gè)或兩個(gè)以上；術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性。

下面參考附圖描述根據(jù)本發(fā)明實(shí)施例的。

為了能夠使搜索結(jié)果能夠更加符合用戶的需求，提高搜索效率，本發(fā)明提出了一種基于人工智能的搜索方法和裝置。

本發(fā)明實(shí)施例的基于人工智能的搜索方法，包括以下步驟：接收用戶輸入的搜索詞；根據(jù)所述搜索詞確定所述用戶的語言需求類型；以及根據(jù)所述用戶的語言需求類型獲取所述搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給所述用戶。

圖1為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的搜索方法的流程圖。

如圖1所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的搜索方法，包括以下步驟。

S101，接收用戶輸入的搜索詞。

需要說明的是，本發(fā)明實(shí)施例的搜索詞可理解為廣義上的搜索詞，可以是單個(gè)字、詞語、詞組甚至是句子。

本發(fā)明實(shí)施例中的搜索詞可以是任意語言類型的漢字、數(shù)字、字母等。

其中，搜索引擎可通過但不限于搜索框、語音輸入框等形式接收用戶輸入的搜索詞。

S102，根據(jù)所述搜索詞確定用戶的語言需求類型。

其中，語言需求類型是指用戶期望得到的搜索結(jié)果的語言類型。

舉例來說，對(duì)于用戶輸入的搜索詞“A”，一些用戶希望得到中文的搜索結(jié)果，則這部分用戶的語言需求類型為中文，另一些用戶希望得到英文的搜索結(jié)果，則這部分用戶的語言需求類型為英文。

在本發(fā)明的一個(gè)實(shí)施例中，可通過多種方式根據(jù)搜索詞確定用戶的語言需求類型。具體而言，可通過但不限于以下方式確定用戶的語言需求類型：

方式一

根據(jù)搜索引擎的語言類型和搜索詞所屬的語言類型確定用戶的語言需求類型。

其中，搜索引擎的語言類型是指搜索引擎擅長或主要處理的語言類型，或者開發(fā)語言類型。舉例來說，中文搜索引擎的語言類型則為中文，谷歌搜索引擎的語言類型則為英文。

具體地，如果搜索引擎的語言類型與搜索詞所屬的語言類型一致，則用戶的語言需求類型為搜索引擎的語言類型。如果搜索引擎的語言類型與搜索詞所屬的語言類型不一致，則用戶的語言需求類型可能與搜索引擎的語言類型不同，需要進(jìn)一步判斷識(shí)別用戶的語言需求類型。

方式二

根據(jù)搜索詞查詢預(yù)設(shè)的需求詞典，以從需求詞典中查詢該搜索詞對(duì)應(yīng)的語言需求類型，并作為用戶的語言需求類型。

其中，需求詞典可為預(yù)先基于用戶與搜索引擎的交互日志分析、識(shí)別得到。具體地，在本發(fā)明的一個(gè)實(shí)施例中，可根據(jù)圖2所示實(shí)施例建立需求詞典，如圖2所示，可包括步驟S201和S202。

S201，獲取用戶與搜索引擎交互的日志信息。

其中，用戶與搜索引擎交互的日志信息可包括本次發(fā)起搜索的用戶與搜索引擎交互的日志信息，也可包括其他大量用戶與搜索引擎交互的日志信息。

日志信息包括用戶輸入的搜索詞、用戶對(duì)搜索結(jié)果的點(diǎn)擊、查看等行為日志。

S202，根據(jù)所述日志信息分析各個(gè)原始搜索詞對(duì)應(yīng)的語言需求類型，以建立所述需求詞典。

具體地，可基于海量數(shù)據(jù)的日志信息，對(duì)歷史搜索過程中用戶輸入搜索詞后，根據(jù)經(jīng)驗(yàn)、規(guī)則以及識(shí)別模型對(duì)用戶點(diǎn)擊或查看的搜索結(jié)果的語言類型進(jìn)行分析，以識(shí)別出各個(gè)搜索詞對(duì)應(yīng)的語言需求類型，并根據(jù)對(duì)應(yīng)關(guān)系建立需求詞典。

具體而言，需求詞典可針對(duì)不同語言類型分別建立。舉例來說，對(duì)應(yīng)中文搜索引擎，其中文搜索能力非常強(qiáng)大，因此，可針對(duì)其他各種不同語言分別建立需求詞典。

以建立英文的需求詞典為例，需求詞典中可通過中英文的來標(biāo)識(shí)搜索詞的語言需求類型。例如，需求對(duì)比強(qiáng)度為0，則表示對(duì)英文結(jié)果的需求極低，對(duì)應(yīng)的語言需求類型為中文需求類型；需求對(duì)比強(qiáng)度為1，則表示對(duì)英文結(jié)果和中文結(jié)果都存在需求，對(duì)應(yīng)的語言需求類型為中文需求類型或英文需求類型；需求對(duì)比強(qiáng)度為2，則表示對(duì)英文結(jié)果的需求極高，對(duì)應(yīng)的語言需求類型為英文需求類型。由此，可針對(duì)中文搜索引擎得到對(duì)于英文搜索需求具有高準(zhǔn)確率、高召回率的需求識(shí)別結(jié)果，進(jìn)而能夠?yàn)橛脩籼峁└闲枨蟮乃阉鹘Y(jié)果。

在本發(fā)明的實(shí)施例中，可預(yù)先基于海量的日志信息，進(jìn)行分析，建立需求詞典。由此建立的需求詞典中可包括豐富、全面的搜索詞與語言需求類型的對(duì)應(yīng)關(guān)系。經(jīng)過試驗(yàn)數(shù)據(jù)分析，至少85％以上的搜索詞都可通過查詢需求詞典確定對(duì)應(yīng)的語言需求類型。由此，通過查詢需求詞典的方式，能夠快速、準(zhǔn)確定用戶的語言需求類型，進(jìn)而后續(xù)能夠高效、精準(zhǔn)地為用戶提供搜索結(jié)果，且能夠針對(duì)用戶的語言需求類型提供更符合用戶需求的搜索結(jié)果，有效提升搜索效率和相關(guān)性。

方式三

將搜索詞與預(yù)先建立的需求規(guī)則分別進(jìn)行匹配，以確定用戶的語言需求類型。

其中，需求規(guī)則為預(yù)先基于經(jīng)驗(yàn)，根據(jù)各個(gè)語言需求類型對(duì)應(yīng)搜索詞的特征建立的。舉例來說，對(duì)于11位的數(shù)字，雖然為字符類型，但是，大多11位數(shù)字為手機(jī)號(hào)碼，一般不會(huì)作為英文的需求類型，而是作為中文的需求類型。因此，可建立“11位數(shù)字的搜索詞對(duì)應(yīng)的語言需求類型為中文類型”的規(guī)則。類似地，可根據(jù)一些專有名詞、或者特定詞、或者已知的常用搜索習(xí)慣建立相應(yīng)的規(guī)則，從而，在確定用戶的語言需求類型時(shí)，可根據(jù)搜索詞與規(guī)則進(jìn)行匹配確定用戶的語言需求類型。

方式四

根據(jù)預(yù)設(shè)模型識(shí)別搜索詞對(duì)應(yīng)的語言需求類型，并作為用戶的語言需求類型。

具體而言，可預(yù)先建立用于識(shí)別搜索詞對(duì)應(yīng)的語言需求類型的模型，進(jìn)而，可通過建立的模型識(shí)別用戶輸入的搜索詞對(duì)應(yīng)的語言需求類型。

S103，根據(jù)用戶的語言需求類型獲取搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給所述用戶。

在根據(jù)搜索詞進(jìn)行搜索時(shí)，可有針對(duì)性地搜索符合用戶的語言需求類型的搜索結(jié)果，并提供給用戶，從而能夠避免將不符合用戶語言需求的搜索結(jié)果提供給用戶，提升了搜索結(jié)果的質(zhì)量和相關(guān)性。

本發(fā)明實(shí)施例的基于人工智能的搜索方法，通過根據(jù)用戶輸入的搜索詞確定用戶的語言需求類型，進(jìn)而根據(jù)用戶的語言需求類型獲取搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給用戶，能夠通過對(duì)用戶的特定語言類型的搜索需求的識(shí)別，對(duì)用戶的搜索詞從語言需求的維度進(jìn)行劃分，從而滿足用戶對(duì)不同語言類型的搜索需求，提升搜索的準(zhǔn)確率和效率，節(jié)省用戶的搜索時(shí)間。

圖3為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索方法的流程圖。

如圖3所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的搜索方法，包括以下步驟。

S301，接收用戶輸入的搜索詞。

需要說明的是，本發(fā)明實(shí)施例的搜索詞可理解為廣義上的搜索詞，可以是單個(gè)字、詞語、詞組甚至是句子。

本發(fā)明實(shí)施例中的搜索詞可以是任意語言類型的漢字、數(shù)字、字母等。

其中，搜索引擎可通過但不限于搜索框、語音輸入框等形式接收用戶輸入的搜索詞。

S302，識(shí)別搜索詞所屬的第一語言類型。

在本發(fā)明的一個(gè)實(shí)施例中，可根據(jù)預(yù)設(shè)的語言模型識(shí)別搜索詞屬于哪種語言，即搜索詞所屬的語言類型，如中文、英文、泰文等。

舉例來說，可識(shí)別搜索詞是漢字、或者是字母、數(shù)字等ASCII碼字符等，如果是漢字，則對(duì)應(yīng)的語言類型為中文，如果是字母，則可進(jìn)一步判斷是否為拼音，如果是拼音，則對(duì)應(yīng)的語言類型為中文，否則為英文。

S303，判斷第一語言類型與搜索引擎的第二語言類型是否一致。

其中，搜索引擎的語言類型是指搜索引擎擅長或主要處理的語言類型，或者開發(fā)語言類型。舉例來說，中文搜索引擎的語言類型則為中文，谷歌搜索引擎的語言類型則為英文。

S304，如果第一語言類型與搜索引擎的第二語言類型一致，則可確定用戶的語言需求類型為第二語言類型。

S305，在第一語言類型與第二語言類型不一致時(shí)，根據(jù)搜索詞確定用戶的語言需求類型。

對(duì)于使用第二語言類型的搜索引擎的用戶來說，其需求主要是基于第二語言類型的，但是，當(dāng)用戶輸入的第一語言類型的搜索詞時(shí)，用戶的需求可能為第一語言類型，也可能為第二語言類型。因此，在此情況下，需要根據(jù)搜索詞進(jìn)一步確定用戶的語言需求類型為第一語言類型還是第二語言類型。

在本發(fā)明的一個(gè)實(shí)施例中，可通過圖4所示實(shí)施例確定用戶的語言需求類型。

圖4為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索方法的流程圖。

如圖4所示，根據(jù)搜索詞確定用戶的語言需求類型可包括以下步驟。

S401，根據(jù)所述搜索詞查詢預(yù)設(shè)的需求詞典，以確定所述用戶的語言需求類型。

其中，需求詞典中包括海量的搜索詞及其對(duì)應(yīng)的語言需求類型，因此，可通過查詢該需求詞典，如果在需求詞典中查詢到搜索詞，則可直接確定搜索詞對(duì)應(yīng)的語言需求類型，并作為用戶本次搜索的語言需求類型。

上述需求詞典可參照圖2所示實(shí)施例建立，在此不再進(jìn)行說明。

如果在需求詞典中未查詢到搜索詞，則可基于預(yù)設(shè)規(guī)則和/或預(yù)設(shè)模型對(duì)所述搜索詞進(jìn)行識(shí)別，以確定所述用戶的語言需求類型。具體可參見步驟S402和步驟S404。

S402，將所述搜索詞與預(yù)設(shè)的需求規(guī)則庫中的規(guī)則分別進(jìn)行匹配，并將匹配到的規(guī)則對(duì)應(yīng)的語言需求類型作為所述用戶的語言需求類型。

其中，需求規(guī)則庫中的規(guī)則可為預(yù)先基于經(jīng)驗(yàn)，根據(jù)各個(gè)語言需求類型對(duì)應(yīng)搜索詞的特征建立的。舉例來說，對(duì)于11位的數(shù)字，雖然為字符類型，但是，大多11位數(shù)字為手機(jī)號(hào)碼，一般不會(huì)作為英文的需求類型，而是作為中文的需求類型。因此，可建立“11位數(shù)字的搜索詞對(duì)應(yīng)的語言需求類型為中文類型”的規(guī)則。類似地，可根據(jù)一些專有名詞、或者特定詞、或者已知的常用搜索習(xí)慣建立相應(yīng)的規(guī)則，建立需求規(guī)則庫。從而，在確定用戶的語言需求類型時(shí)，可根據(jù)搜索詞與需求規(guī)則庫中的規(guī)則進(jìn)行匹配，如果搜索詞命中其中的規(guī)則，則可根據(jù)該規(guī)則對(duì)應(yīng)的語言需求類型確定為用戶的語言需求類型。

S403，如果所述需求規(guī)則庫中不存在與所述搜索詞匹配的規(guī)則，則進(jìn)一步根據(jù)第一預(yù)設(shè)模型識(shí)別所述搜索詞對(duì)應(yīng)的語言需求類型。

在本發(fā)明的一個(gè)實(shí)施例中，步驟S403可包括：根據(jù)所述第一預(yù)設(shè)模型預(yù)測所述搜索詞對(duì)應(yīng)的語言需求類型為所述搜索詞所屬的第一語言類型的概率；如果所述概率大于預(yù)設(shè)概率閾值，則所述搜索詞對(duì)應(yīng)的語言需求類型為所述第一語言類型；如果所述概率不大于所述預(yù)設(shè)概率閾值，則所述搜索詞對(duì)應(yīng)的語言需求類型為所述搜索引擎的第二語言類型。

其中，第一預(yù)設(shè)模型為預(yù)先根據(jù)用戶與搜索引擎交互的日志信息進(jìn)行訓(xùn)練得到的。具體而言，第一預(yù)設(shè)模型可通過圖5所示的實(shí)施例進(jìn)行訓(xùn)練得到。如圖5所示，包括步驟S501-S503。

S501，獲取用戶與搜索引擎交互的日志信息。

其中，用戶與搜索引擎交互的日志信息可包括本次發(fā)起搜索的用戶與搜索引擎交互的日志信息，也可包括其他大量用戶與搜索引擎交互的日志信息。

日志信息包括用戶輸入的搜索詞、用戶對(duì)搜索結(jié)果的點(diǎn)擊、查看等行為日志。

S502，通過所述日志信息，分析用戶對(duì)各個(gè)原始搜索詞對(duì)應(yīng)的搜索結(jié)果的點(diǎn)擊行為。

S503，根據(jù)所述點(diǎn)擊行為，對(duì)各個(gè)原始搜索詞對(duì)應(yīng)的被點(diǎn)擊的搜索結(jié)果的語言類型進(jìn)行統(tǒng)計(jì)分析，并根據(jù)統(tǒng)計(jì)分析結(jié)果訓(xùn)練所述第一預(yù)設(shè)模型。

舉例來說，以建立中英文需求識(shí)別的第一預(yù)設(shè)模型為例，對(duì)于每個(gè)原始搜索詞，可分別統(tǒng)計(jì)用戶點(diǎn)擊搜索結(jié)果中的中文標(biāo)題(title)和點(diǎn)擊搜索結(jié)果中英文標(biāo)題的行為分別進(jìn)行統(tǒng)計(jì)，得到中文和英文分別對(duì)應(yīng)的統(tǒng)計(jì)數(shù)據(jù)，進(jìn)而可基于各個(gè)原始搜索詞對(duì)應(yīng)的統(tǒng)計(jì)數(shù)據(jù)使用預(yù)設(shè)的學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到第一預(yù)設(shè)模型。

需要說明的是，本發(fā)明對(duì)訓(xùn)練過程中所使用的學(xué)習(xí)模型不進(jìn)行限定，舉例來說，可使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練等。

S404，如果根據(jù)第一預(yù)設(shè)模型識(shí)別所述搜索詞對(duì)應(yīng)的語言需求類型為所述搜索引擎的第二語言類型，則進(jìn)一步根據(jù)第二預(yù)設(shè)模型識(shí)別所述搜索詞對(duì)應(yīng)的語言需求類型，并作為所述用戶的語言需求類型。

在本發(fā)明的一個(gè)實(shí)施例中，S404可包括：對(duì)所述搜索詞進(jìn)行分詞處理，得到所述搜索詞的至少一個(gè)分詞；分別根據(jù)所述至少一個(gè)分詞查詢所述需求詞典，以分別確定所述至少一個(gè)分詞對(duì)應(yīng)的語言需求類型；根據(jù)所述第二預(yù)設(shè)模型對(duì)所述至少一個(gè)分詞對(duì)應(yīng)的語言需求類型進(jìn)行擬合，得到所述搜索詞對(duì)應(yīng)的語言需求類型。

其中，第二預(yù)設(shè)模型為預(yù)先根據(jù)用戶與搜索引擎交互的日志信息和需求詞典進(jìn)行訓(xùn)練得到的。具體而言，第二預(yù)設(shè)模型可通過圖6所示的實(shí)施例進(jìn)行訓(xùn)練得到。如圖6所示，包括步驟S601-S605。

S601，獲取用戶與搜索引擎交互的日志信息。

其中，用戶與搜索引擎交互的日志信息可包括本次發(fā)起搜索的用戶與搜索引擎交互的日志信息，也可包括其他大量用戶與搜索引擎交互的日志信息。

日志信息包括用戶輸入的搜索詞、用戶對(duì)搜索結(jié)果的點(diǎn)擊、查看等行為日志。

S602，對(duì)所述日志信息中的各個(gè)原始搜索詞進(jìn)行分詞處理，得到多個(gè)分詞。

S603，根據(jù)所述多個(gè)分詞生成搜索詞的訓(xùn)練數(shù)據(jù)。

在得到多個(gè)分詞后，可將兩個(gè)或兩個(gè)以上的分詞之間分別進(jìn)行組合，例如，對(duì)于A、B、C三個(gè)分詞，可組合為AB、AC、BC、ABC等，由此，經(jīng)過組合后可生成大量新的搜索詞，形成搜索詞的訓(xùn)練數(shù)據(jù)。

S604，根據(jù)所述搜索詞訓(xùn)練數(shù)據(jù)查詢所述需求詞典，以確定所述搜索詞訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的語言需求類型。

具體而言，可根據(jù)訓(xùn)練數(shù)據(jù)中的每個(gè)搜索詞分別查詢需求詞典，以確定各個(gè)訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的語言需求類型。

S605，根據(jù)所述搜索詞訓(xùn)練數(shù)據(jù)以及對(duì)應(yīng)的語言需求類型訓(xùn)練所述第二預(yù)設(shè)模型。

需要說明的是，本發(fā)明對(duì)訓(xùn)練過程中所使用的學(xué)習(xí)模型不進(jìn)行限定，舉例來說，可使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練等。

由此，通過圖4所示的實(shí)施例，通過查詢離線的需求詞典可查詢到大多數(shù)搜索詞對(duì)應(yīng)的用戶的語言需求類型，時(shí)效快，并在需求詞典無法查詢到對(duì)應(yīng)的語言需求類型時(shí)，可通過預(yù)設(shè)的規(guī)則或預(yù)設(shè)模型通過在線識(shí)別的方式確定用戶的語言需求類型，進(jìn)一步通過需求詞典、在線規(guī)則和預(yù)設(shè)模型相結(jié)合的方式確定用戶的語言需求類型，能夠準(zhǔn)確識(shí)別用戶的語言需求類型，并提高與搜索引擎的語言類型不同的語言需求類型的召回率。

S306，根據(jù)用戶的語言需求類型獲取搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給用戶。

在根據(jù)搜索詞進(jìn)行搜索時(shí)，可有針對(duì)性地搜索符合用戶的語言需求類型的搜索結(jié)果，并提供給用戶，從而能夠避免將不符合用戶語言需求的搜索結(jié)果提供給用戶，提升了搜索結(jié)果的質(zhì)量和相關(guān)性。

本發(fā)明實(shí)施例的基于人工智能的搜索方法，通過識(shí)別用戶輸入的搜索詞的語言類型，并在搜索詞的語言類型與搜索引擎的語言類型不一致時(shí)，確定用戶的語言需求類型，進(jìn)而根據(jù)用戶的語言需求類型獲取搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給用戶，從而能夠高準(zhǔn)確率、高召回率地確定出與搜索引擎語言類型不同用戶需求語言類型，進(jìn)而能夠據(jù)此提升搜索結(jié)果的準(zhǔn)確率和效率，節(jié)省用戶的搜索時(shí)間。

圖7為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索方法的流程圖。

如圖7所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的搜索方法，還可包括步驟S701-S707。

S701，針對(duì)多個(gè)語言需求類型分別建立對(duì)應(yīng)的搜索數(shù)據(jù)庫。

相關(guān)的信息檢索中大多是混合式的搜索，即無論用戶輸入的是中文、還是英文、還是其他語言的搜索詞，都基于搜索引擎的當(dāng)前索引庫進(jìn)行搜索，這就存在類似于用戶希望得到英文搜索結(jié)果，但是卻提供給了用戶中文結(jié)果的問題，難以符合用戶的實(shí)際需求，導(dǎo)致搜索效率和準(zhǔn)確率較低。

為此，在本發(fā)明的一個(gè)實(shí)施例中，可分別針對(duì)各個(gè)不同的語言需求類型分別建立對(duì)應(yīng)的搜索數(shù)據(jù)庫，從而，在后續(xù)確定用戶的語言需求類型后，可在用戶的語言需求類型對(duì)應(yīng)的搜索數(shù)據(jù)庫中進(jìn)行搜索，由此得到的搜索結(jié)果具有更高的相關(guān)性，更加符合用戶的實(shí)際需求。

其中，步驟S702-S706與圖3所示實(shí)施例中步驟S301-S305相同。

S707，根據(jù)搜索詞在所述語言需求類型對(duì)應(yīng)的搜索數(shù)據(jù)庫中進(jìn)行搜索，以獲取所述搜索詞對(duì)應(yīng)的搜索結(jié)果。

S708，將上述搜索結(jié)果提供給用戶。

本發(fā)明實(shí)施例的基于人工智能的搜索方法，通過針對(duì)不同的語言需求類型分別建立搜索數(shù)據(jù)庫，進(jìn)而在確定用戶的語言需求類型之后，可從該語言需求類型對(duì)于那個(gè)的搜索數(shù)據(jù)庫中進(jìn)行搜索，以獲取符合用戶需求的語言類型的搜索結(jié)果，提升搜索結(jié)果與用戶需求的相關(guān)性和準(zhǔn)確性，進(jìn)一步提升搜索效率。

與上述基于人工智能的搜索方法實(shí)施例相對(duì)應(yīng)，本發(fā)明還提出一種基于人工智能的搜索裝置。

一種基于人工智能的搜索裝置，包括：接收模塊，用于接收用戶輸入的搜索詞；確定模塊，用于根據(jù)所述搜索詞確定所述用戶的語言需求類型；以及獲取模塊，用于根據(jù)所述用戶的語言需求類型獲取所述搜索詞對(duì)應(yīng)的搜索結(jié)果；提供模塊，用于提將所述搜索結(jié)果供給所述用戶。

圖8為根據(jù)本發(fā)明一個(gè)實(shí)施例的基于人工智能的搜索裝置的結(jié)構(gòu)示意圖。

如圖8所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的搜索裝置，包括：接收模塊10、確定模塊20、獲取模塊30和提供模塊40。

具體地，接收模塊10用于接收用戶輸入的搜索詞。

需要說明的是，本發(fā)明實(shí)施例的搜索詞可理解為廣義上的搜索詞，可以是單個(gè)字、詞語、詞組甚至是句子。

本發(fā)明實(shí)施例中的搜索詞可以是任意語言類型的漢字、數(shù)字、字母等。

其中，接收模塊10可通過但不限于搜索框、語音輸入框等形式接收用戶輸入的搜索詞。

確定模塊20用于根據(jù)所述搜索詞確定所述用戶的語言需求類型。

其中，語言需求類型是指用戶期望得到的搜索結(jié)果的語言類型。

舉例來說，對(duì)于用戶輸入的搜索詞“A”，一些用戶希望得到中文的搜索結(jié)果，則這部分用戶的語言需求類型為中文，另一些用戶希望得到英文的搜索結(jié)果，則這部分用戶的語言需求類型為英文。

在本發(fā)明的一個(gè)實(shí)施例中，確定模塊20可通過多種方式根據(jù)搜索詞確定用戶的語言需求類型。具體而言，確定模塊20可通過但不限于以下方式確定用戶的語言需求類型：

方式一

根據(jù)搜索引擎的語言類型和搜索詞所屬的語言類型確定用戶的語言需求類型。

其中，搜索引擎的語言類型是指搜索引擎擅長或主要處理的語言類型，或者開發(fā)語言類型。舉例來說，中文搜索引擎的語言類型則為中文，谷歌搜索引擎的語言類型則為英文。

具體地，如果搜索引擎的語言類型與搜索詞所屬的語言類型一致，則用戶的語言需求類型為搜索引擎的語言類型。如果搜索引擎的語言類型與搜索詞所屬的語言類型不一致，則用戶的語言需求類型可能與搜索引擎的語言類型不同，需要進(jìn)一步判斷識(shí)別用戶的語言需求類型。

方式二

根據(jù)搜索詞查詢預(yù)設(shè)的需求詞典，以從需求詞典中查詢該搜索詞對(duì)應(yīng)的語言需求類型，并作為用戶的語言需求類型。

其中，需求詞典可為預(yù)先基于用戶與搜索引擎的交互日志分析、識(shí)別得到。具體地，在本發(fā)明的一個(gè)實(shí)施例中，可根據(jù)圖2所示實(shí)施例建立需求詞典。

在本發(fā)明的實(shí)施例中，可預(yù)先基于海量的日志信息，進(jìn)行分析，建立需求詞典。由此建立的需求詞典中可包括豐富、全面的搜索詞與語言需求類型的對(duì)應(yīng)關(guān)系。經(jīng)過試驗(yàn)數(shù)據(jù)分析，至少85％以上的搜索詞都可通過查詢需求詞典確定對(duì)應(yīng)的語言需求類型。由此，通過查詢需求詞典的方式，能夠快速、準(zhǔn)確定用戶的語言需求類型，進(jìn)而后續(xù)能夠高效、精準(zhǔn)地為用戶提供搜索結(jié)果，且能夠針對(duì)用戶的語言需求類型提供更符合用戶需求的搜索結(jié)果，有效提升搜索效率和相關(guān)性。

方式三

將搜索詞與預(yù)先建立的需求規(guī)則分別進(jìn)行匹配，以確定用戶的語言需求類型。

其中，需求規(guī)則為預(yù)先基于經(jīng)驗(yàn)，根據(jù)各個(gè)語言需求類型對(duì)應(yīng)搜索詞的特征建立的。舉例來說，對(duì)于11位的數(shù)字，雖然為字符類型，但是，大多11位數(shù)字為手機(jī)號(hào)碼，一般不會(huì)作為英文的需求類型，而是作為中文的需求類型。因此，可建立“11位數(shù)字的搜索詞對(duì)應(yīng)的語言需求類型為中文類型”的規(guī)則。類似地，可根據(jù)一些專有名詞、或者特定詞、或者已知的常用搜索習(xí)慣建立相應(yīng)的規(guī)則，從而，在確定用戶的語言需求類型時(shí)，可根據(jù)搜索詞與規(guī)則進(jìn)行匹配確定用戶的語言需求類型。

方式四

根據(jù)預(yù)設(shè)模型識(shí)別搜索詞對(duì)應(yīng)的語言需求類型，并作為用戶的語言需求類型。

具體而言，可預(yù)先建立用于識(shí)別搜索詞對(duì)應(yīng)的語言需求類型的模型，進(jìn)而，可通過建立的模型識(shí)別用戶輸入的搜索詞對(duì)應(yīng)的語言需求類型。

獲取模塊30用于根據(jù)所述用戶的語言需求類型獲取所述搜索詞對(duì)應(yīng)的搜索結(jié)果。

在根據(jù)搜索詞進(jìn)行搜索時(shí)，獲取模塊30可有針對(duì)性地搜索符合用戶的語言需求類型的搜索結(jié)果，并提供給用戶，從而能夠避免將不符合用戶語言需求的搜索結(jié)果提供給用戶，提升了搜索結(jié)果的質(zhì)量和相關(guān)性。

提供模塊40用于提將所述搜索結(jié)果供給所述用戶。

本發(fā)明實(shí)施例的基于人工智能的搜索裝置，通過根據(jù)用戶輸入的搜索詞確定用戶的語言需求類型，進(jìn)而根據(jù)用戶的語言需求類型獲取搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給用戶，能夠通過對(duì)用戶的特定語言類型的搜索需求的識(shí)別，對(duì)用戶的搜索詞從語言需求的維度進(jìn)行劃分，從而滿足用戶對(duì)不同語言類型的搜索需求，提升搜索的準(zhǔn)確率和效率，節(jié)省用戶的搜索時(shí)間。

圖9為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索裝置的結(jié)構(gòu)示意圖。

如圖9所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的搜索裝置，包括：接收模塊10、確定模塊20、獲取模塊30、提供模塊40、識(shí)別模塊50和判斷模塊60。

其中，接收模塊10、確定模塊20、獲取模塊30和提供模塊40與圖8所示所述相同，可參照圖8所示實(shí)施例。

識(shí)別模塊50用于識(shí)別所述搜索詞所屬的第一語言類型。

在本發(fā)明的一個(gè)實(shí)施例中，識(shí)別模塊50可根據(jù)預(yù)設(shè)的語言模型識(shí)別搜索詞屬于哪種語言，即搜索詞所屬的語言類型，如中文、英文、泰文等。

舉例來說，識(shí)別模塊50可識(shí)別搜索詞是漢字、或者是字母、數(shù)字等ASCII碼字符等，如果是漢字，則對(duì)應(yīng)的語言類型為中文，如果是字母，則可進(jìn)一步判斷是否為拼音，如果是拼音，則對(duì)應(yīng)的語言類型為中文，否則為英文。

判斷模塊60用于判斷所述第一語言類型與搜索引擎的第二語言類型是否一致。

其中，搜索引擎的語言類型是指搜索引擎擅長或主要處理的語言類型，或者開發(fā)語言類型。舉例來說，中文搜索引擎的語言類型則為中文，谷歌搜索引擎的語言類型則為英文。

如果第一語言類型與搜索引擎的第二語言類型一致，則確定模塊20可確定用戶的語言需求類型為第二語言類型。

確定模塊20可用于在所述第一語言類型與所述第二語言類型不一致時(shí)，根據(jù)所述搜索詞確定所述用戶的語言需求類型。

對(duì)于使用第二語言類型的搜索引擎的用戶來說，其需求主要是基于第二語言類型的，但是，當(dāng)用戶輸入的第一語言類型的搜索詞時(shí)，用戶的需求可能為第一語言類型，也可能為第二語言類型。因此，在此情況下，需要根據(jù)搜索詞進(jìn)一步確定用戶的語言需求類型為第一語言類型還是第二語言類型。

在本發(fā)明的一個(gè)實(shí)施例中，確定模塊20可包括：查詢單元21和識(shí)別單元22。

其中，查詢單元21用于根據(jù)所述搜索詞查詢預(yù)設(shè)的需求詞典，以確定所述用戶的語言需求類型。

其中，需求詞典中包括海量的搜索詞及其對(duì)應(yīng)的語言需求類型，因此，可通過查詢該需求詞典，如果在需求詞典中查詢到搜索詞，則可直接確定搜索詞對(duì)應(yīng)的語言需求類型，并作為用戶本次搜索的語言需求類型。

上述需求詞典可參照圖2所示實(shí)施例建立，在此不再進(jìn)行說明。

如果在需求詞典中未查詢到搜索詞，則可通過識(shí)別單元22基于預(yù)設(shè)規(guī)則和/或預(yù)設(shè)模型對(duì)所述搜索詞進(jìn)行識(shí)別，以確定所述用戶的語言需求類型。

識(shí)別單元22用于如果在所述需求詞典中未查詢到所述搜索詞，則基于預(yù)設(shè)規(guī)則和/或預(yù)設(shè)模型對(duì)所述搜索詞進(jìn)行識(shí)別，以確定所述用戶的語言需求類型。

在本發(fā)明的一個(gè)實(shí)施例中，識(shí)別單元22可用于：將所述搜索詞與預(yù)設(shè)的需求規(guī)則庫中的規(guī)則分別進(jìn)行匹配，并將匹配到的規(guī)則對(duì)應(yīng)的語言需求類型作為所述用戶的語言需求類型。如果所述需求規(guī)則庫中不存在與所述搜索詞匹配的規(guī)則，則進(jìn)一步根據(jù)第一預(yù)設(shè)模型識(shí)別所述搜索詞對(duì)應(yīng)的語言需求類型；如果根據(jù)第一預(yù)設(shè)模型識(shí)別所述搜索詞對(duì)應(yīng)的語言需求類型為所述搜索引擎的第二語言類型，則進(jìn)一步根據(jù)第二預(yù)設(shè)模型識(shí)別所述搜索詞對(duì)應(yīng)的語言需求類型，并作為所述用戶的語言需求類型。

其中，需求規(guī)則庫中的規(guī)則可為預(yù)先基于經(jīng)驗(yàn)，根據(jù)各個(gè)語言需求類型對(duì)應(yīng)搜索詞的特征建立的。舉例來說，對(duì)于11位的數(shù)字，雖然為字符類型，但是，大多11位數(shù)字為手機(jī)號(hào)碼，一般不會(huì)作為英文的需求類型，而是作為中文的需求類型。因此，可建立“11位數(shù)字的搜索詞對(duì)應(yīng)的語言需求類型為中文類型”的規(guī)則。類似地，可根據(jù)一些專有名詞、或者特定詞、或者已知的常用搜索習(xí)慣建立相應(yīng)的規(guī)則，建立需求規(guī)則庫。從而，在確定用戶的語言需求類型時(shí)，可根據(jù)搜索詞與需求規(guī)則庫中的規(guī)則進(jìn)行匹配，如果搜索詞命中其中的規(guī)則，則可根據(jù)該規(guī)則對(duì)應(yīng)的語言需求類型確定為用戶的語言需求類型。

在本發(fā)明的一個(gè)實(shí)施例中，識(shí)別單元22在根據(jù)第一預(yù)設(shè)模型識(shí)別所述搜索詞對(duì)應(yīng)的語言需求類型時(shí)，可用于：根據(jù)所述第一預(yù)設(shè)模型預(yù)測所述搜索詞對(duì)應(yīng)的語言需求類型為所述搜索詞所屬的第一語言類型的概率；如果所述概率大于預(yù)設(shè)概率閾值，則所述搜索詞對(duì)應(yīng)的語言需求類型為所述第一語言類型；如果所述概率不大于所述預(yù)設(shè)概率閾值，則所述搜索詞對(duì)應(yīng)的語言需求類型為所述搜索引擎的第二語言類型。

其中，第一預(yù)設(shè)模型為預(yù)先根據(jù)用戶與搜索引擎交互的日志信息進(jìn)行訓(xùn)練得到的。具體而言，第一預(yù)設(shè)模型可通過圖5所示的實(shí)施例進(jìn)行訓(xùn)練得到。

在本發(fā)明的一個(gè)實(shí)施例中，識(shí)別單元22在根據(jù)第二預(yù)設(shè)模型識(shí)別所述搜索詞對(duì)應(yīng)的語言需求類型時(shí)，可用于：對(duì)所述搜索詞進(jìn)行分詞處理，得到所述搜索詞的至少一個(gè)分詞；分別根據(jù)所述至少一個(gè)分詞查詢所述需求詞典，以分別確定所述至少一個(gè)分詞對(duì)應(yīng)的語言需求類型；根據(jù)所述第二預(yù)設(shè)模型對(duì)所述至少一個(gè)分詞對(duì)應(yīng)的語言需求類型進(jìn)行擬合，得到所述搜索詞對(duì)應(yīng)的語言需求類型。

其中，第二預(yù)設(shè)模型為預(yù)先根據(jù)用戶與搜索引擎交互的日志信息和需求詞典進(jìn)行訓(xùn)練得到的。具體而言，第二預(yù)設(shè)模型可通過圖6所示的實(shí)施例進(jìn)行訓(xùn)練得到。

由此，通過查詢離線的需求詞典可查詢到大多數(shù)搜索詞對(duì)應(yīng)的用戶的語言需求類型，時(shí)效快，并在需求詞典無法查詢到對(duì)應(yīng)的語言需求類型時(shí)，可通過預(yù)設(shè)的規(guī)則或預(yù)設(shè)模型通過在線識(shí)別的方式確定用戶的語言需求類型，進(jìn)一步通過需求詞典、在線規(guī)則和預(yù)設(shè)模型相結(jié)合的方式確定用戶的語言需求類型，能夠準(zhǔn)確識(shí)別用戶的語言需求類型，并提高與搜索引擎的語言類型不同的語言需求類型的召回率。

本發(fā)明實(shí)施例的基于人工智能的搜索裝置，通過識(shí)別用戶輸入的搜索詞的語言類型，并在搜索詞的語言類型與搜索引擎的語言類型不一致時(shí)，確定用戶的語言需求類型，進(jìn)而根據(jù)用戶的語言需求類型獲取搜索詞對(duì)應(yīng)的搜索結(jié)果，并提供給用戶，從而能夠高準(zhǔn)確率、高召回率地確定出與搜索引擎語言類型不同用戶需求語言類型，進(jìn)而能夠據(jù)此提升搜索結(jié)果的準(zhǔn)確率和效率，節(jié)省用戶的搜索時(shí)間。

圖10為根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于人工智能的搜索裝置的結(jié)構(gòu)示意圖。

如圖10所示，根據(jù)本發(fā)明實(shí)施例的基于人工智能的搜索裝置，包括：接收模塊10、確定模塊20、獲取模塊30、提供模塊40、識(shí)別模塊50、判斷模塊60和建立模塊70。

其中，接收模塊10、確定模塊20、獲取模塊30、提供模塊40、識(shí)別模塊50和判斷模塊60與圖9所示實(shí)施例相同，可參照圖9所示實(shí)施例。

建立模塊70用于針對(duì)多個(gè)語言需求類型分別建立對(duì)應(yīng)的搜索數(shù)據(jù)庫。

相關(guān)的信息檢索中大多是混合式的搜索，即無論用戶輸入的是中文、還是英文、還是其他語言的搜索詞，都基于搜索引擎的當(dāng)前索引庫進(jìn)行搜索，這就存在類似于用戶希望得到英文搜索結(jié)果，但是卻提供給了用戶中文結(jié)果的問題，難以符合用戶的實(shí)際需求，導(dǎo)致搜索效率和準(zhǔn)確率較低。

為此，在本發(fā)明的一個(gè)實(shí)施例中，建立模塊70可分別針對(duì)各個(gè)不同的語言需求類型分別建立對(duì)應(yīng)的搜索數(shù)據(jù)庫，從而，在后續(xù)確定用戶的語言需求類型后，可在用戶的語言需求類型對(duì)應(yīng)的搜索數(shù)據(jù)庫中進(jìn)行搜索，由此得到的搜索結(jié)果具有更高的相關(guān)性，更加符合用戶的實(shí)際需求。

其中，獲取模塊30可用于：根據(jù)搜索詞在所述語言需求類型對(duì)應(yīng)的搜索數(shù)據(jù)庫中進(jìn)行搜索，以獲取所述搜索詞對(duì)應(yīng)的搜索結(jié)果。

本發(fā)明實(shí)施例的基于人工智能的搜索裝置，通過針對(duì)不同的語言需求類型分別建立搜索數(shù)據(jù)庫，進(jìn)而在確定用戶的語言需求類型之后，可從該語言需求類型對(duì)于那個(gè)的搜索數(shù)據(jù)庫中進(jìn)行搜索，以獲取符合用戶需求的語言類型的搜索結(jié)果，提升搜索結(jié)果與用戶需求的相關(guān)性和準(zhǔn)確性，進(jìn)一步提升搜索效率。

應(yīng)當(dāng)理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實(shí)現(xiàn)。在上述實(shí)施方式中，多個(gè)步驟或方法可以用存儲(chǔ)在存儲(chǔ)器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實(shí)現(xiàn)。例如，如果用硬件來實(shí)現(xiàn)，和在另一實(shí)施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項(xiàng)或他們的組合來實(shí)現(xiàn)：具有用于對(duì)數(shù)據(jù)信號(hào)實(shí)現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(PGA)，現(xiàn)場可編程門陣列(FPGA)等。

本技術(shù)領(lǐng)域的普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法攜帶的全部或部分步驟是可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，包括方法實(shí)施例的步驟之一或其組合。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對(duì)上述實(shí)施例進(jìn)行變化、修改、替換和變型。