具体实施方式

在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。

附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。

附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。

各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。

为解决上述技术问题，本发明的题目答案选取方法可应用于试题拍照评判情景及装置，在用户上传带有答案的试题照片后，能够根据题目内容以及用户的答题内容进行评判，直接判断对错，不用再等待老师人工进行评判。

图1是本发明的应用场景结构示意图。如图1所示，用户在终端101或终端102中下载安装客户端，使用客户端将写好答案的试题照片通过网络105上传到应用服务器103。终端101、终端102包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。网络105可以包括各种连接类型，例如有线、无线通信链路，有线通信链路例如包括光纤电缆等等。

在应用服务器103中，根据试题的内容搜索答案库104。在答案库104中存储的是根据各个试题的题目和答案。

应用服务器103检索到试题对应的答案后，将答案展示给用户，用户根据答案判断自己的解答是否正确。

本申请的题目答案选取方法可以应用在不同的学科，比如数学、语文、外语、历史等等科目，在本实施方式的实施例中主要以应用于数学的实际场景为例进行说明的，本领域技术人员应当清楚，本实施例的技术方案还可以应用到其他科目。

在本实施方式的实施例中以应用于应用题为例进行说明，但本领域技术人员应当明白本申请的题目答案选取方法还可以应用于其他不同的题型，比如填空、选择、判断、问答题等等。

进一步地，本申请的题目答案选取方法基于关键信息抽取，并基于抽取的关键信息进行初步的答案匹配。

进一步地，本申请的题目答案选取方法是基于神经网络的模型来实现的。

进一步地，本申请的题目答案选取方法主要应用于应用题。

下面结合具体实施例，并参照附图，对本申请的题目答案选取方法进行说明。下面主要以应用题为例进行说明。

图2是本发明的一个实施例的一种基于关键信息的应用题答案选取方法的流程示意图，如图2所示，方法包括：

S201、获取用户上传的题目信息，将所述题目信息拆分成一个或多个小节。

在本实施方式中，用户通常是将学习过程中遇到的问题拍照上传，服务器收到用户上传的照片后，提取照片中的题目信息。以应用题为例，一般应用题的题目内容都很长，有很多提示信息，还可包含一个或多个问题，为了精准匹配答案，需要将应用题拆分成几个小题，分别进行答案匹配。比如“已知三角形ABC，存在AB，BC，AC三条边相等，求∠A角度是多少，∠B角度是多少，∠C的角度是多少”，其中包括了3个小题。

题目描述的语句可能是问题，也可能是提示信息。所述问题的类型可包括下述中的至少一项：数值求解问题，判断类型问题，没有固定答案的开放型问题，非文字描述问题。

示例性地，步骤S201所述的获取用户上传的题目信息，可包括：接收用户上传的图片文件；将所述图片文件输入题目信息提取模型，所述题目信息提取模型输出图片文件中的题目信息。

在本实施方式中，提前构建基于神经网络的识别模型，通过识别模型识别出在照片中的题目。基于神经网络的识别模型是采用CPTN(Connectionist Text ProposalNetwork，自然场景文本检测)结合CRNN(Convolutional Recursive Neural Networks，循环卷积神经网络)神经网络模型。识别模型使用大量的历史印刷体文本数据和手写体文本数据训练而成。

示例性地，步骤S201所述的对所述应用题题目信息进行拆分具体可包括以下步骤，如图3所示：

S2011、将所述题目信息输入分隔符判断模型，所述分隔符判断模型输出所述题目信息中分隔符的标签，所述标签包括断句和非断句。

在本实施方式中分隔符就是应用题题目信息中的标点符号，每一个标点就一个分隔符。如果分隔符判断模型输出分隔符的标签是断句，则表明此处需要拆分，如果标签是非断句则表面不用拆分。

在上述技术方案的基础上，进一步地，所述分隔符判断模型为序列标注模型，包括输入层、编码层以及输出层。

在上述技术方案的基础上，进一步地，所述编码层采用双向长短记忆网络LSTM编码器，所述输出层采用序列化标注算法CRF。

在本实施方式中，输入层将所述用户的输入内容转化为向量，所述编码层对转化后的词向量编码进行特征提取，所述输出层输出标签结果。

文本的向量化，即使用数字特征来代表文本，因为计算机无法直接理解自然语言。为了让计算机能够理解自然语言，我们需要将文本信息映射到一个数值化的语义空间中，这个语义空间我们可以称之为词向量空间。将文本转化为向量有多种算法，比如TF-IDF、BOW、One-Hot、word2vec等等。在本实施方式中，文本的向量化采用word2vec算法，word2vec模型是一个无监督的学习模型，使用未标引的语料集的训练就可以实现文本信息到语义空间的映射。在本实施方式中，标点符号也会被转化为固定的向量值。

在编码层对向量化后的文本进行特征提取，输出层对提取的特征进行约束，提高准确性，最后输出分隔符的标签。

由于对分隔符的判定需要考虑上下文，所以编码层采用双向长短记忆网络LSTM编码器，能够更好的对语句的前后词进行考虑，比如“我不觉得今天天气好”，其中“不”是对后面的“天气好”进行限定，表示对天气好的否定，采用双向长短时期记忆网络模型可以更好的捕捉到较长距离的依赖关系，而且双向长短时期记忆网络模型还可以顾及到后面的词对前面的词的限定，比如“今天的天气冷的不行”，其中“不行”是“冷”的修饰和限定。

输出层采用CRF层可以加入一些约束来保证最终预测结果是有效的。这些约束可以在训练数据时被CRF层自动学习得到，有了这些有用的约束，错误的预测序列将会大大减少，提高了输出层的准确性。

S2012、基于所述分隔符的标签将所述题目信息拆分成一个或多个应用题小节。

例如，在本实施方式中，分隔符的标签确定后就可以对应用题题目信息进行拆分。

比如应用题的题目信息是“已知三角形ABC，存在AB，BC，AC三条边相等，求∠A角度是多少，∠B角度是多少，∠C的角度是多少？”这段话输入分隔符判断模型后，输出的结果是1，0，0，0，1，1，1，1。此处1表示标签为断句，0表示标签为非断句。则应用题可以拆成“已知三角形ABC”、“存在AB，BC，AC三条边相等”、“求∠A角度是多少”、“∠B角度是多少”和“∠C的角度是多少”这5个应用题小节。

S202、提取每个所述小节的关键信息。

在上述技术方案的基础上，进一步地，所述关键信息提取模型可为基于深度学习的TextCNN神经网络模型。

在本实施方式中，使用基于深度学习的TextCNN神经网络模型对应用题小节的信息进行关键信息提取。关键信息提取模型使用大量的历史应用题数据训练而成。在本实施方式中提取的关键信息为单位，比如应用题“小明今年7岁，爸爸比小明大26岁，爸爸今年几岁了？”该题中的关键信息为“年龄：岁”；在应用题“已知三角形ABC，存在AB，BC，AC三条边相等，求∠A角度是多少，∠B角度是多少，∠C的角度是多少”中，该题的关键信息是“角度：度”。

S203、根据所述小节的内容，确定每个所述小节属于提示信息还是问题，并在所述小节属于问题时判断所述小节对应的问题类型。

示例性地，所述题型判断模型可为基于深度学习的TextCNN神经网络模型。

在本实施方式中，使用基于深度学习的TextCNN神经网络模型对应用题小节的题型进行判断。题型判断模型使用大量的历史应用题数据训练而成。题型判断模型确定每个所述小节属于提示信息还是问题，如果是问题时还输出问题类型。在本实施方式中，题型判断模型的可能的输出包括数值问题，能否问题，开放型问题，非文字描述问题以及提示信息。

其中，数值问题是求解各种数值，比如前文提到的求年龄，求岁数的问题。能否问题属于判断类型的题目，比如“小明7点半出门，他走到学校需要20分钟，他能否在8点前赶到学校”、“有20颗糖果，小明拿了8颗，小毛拿了剩下的糖果，请问这么分配公平么”。开放型问题是指没有固定答案的，比如“画一个面积为36平方厘米的图形”。非文字描述问题是指方位题或在数轴上标记的，比如在图上画出道路和建筑物，如何从起点走到终点。提示信息是指应用题中介绍文字的内容，比如前文中的“小明今年7岁”、“爸爸比小明大26岁”这些都属于提示信息。

S204、对于属于问题的小节，基于所述题目信息、所述小节的关键信息以及所述小节对应的问题类型从多个答案中选取与所述各小节的问题匹配度最高的答案。

可以根据题目的案件信息初步检索的备选答案；或者，可以是根据现有的普通检索方法获得的备选答案，备选答案可能存在匹配度不高，或者多个匹配的问题。基于所述小节的关键信息以及所述小节对应的问题类型从多个备选答案中选取与所述各小节的问题匹配度最高的答案。在本实施方式中，可将历史检索收集的多个相关答案汇集起来，构成备选答案的答案库。答案库中的答案按照不同的题型进行分类，很多题可能题目信息基本相同只是最后的问题略有差别，比如“有20颗糖果，小明拿了8颗，小毛拿了剩下的糖果，请问这么分配公平么”和“有20颗糖果，小明拿了8颗，小毛拿了剩下的糖果，请问小毛比小明多几颗”，这两个题目非常接近，但一个是能否问题，一个是数值问题。因此通过应用题小节对应的问题类型确定答案库中的分类。然后基于应用题题目信息使用匹配模型在答案库中匹配答案，最后基于应用题小节对应的关键信息确定答案。

在本实施方式中，将所述一个或多个小节输入关键信息提取模型获取每个所述小节的关键信息；将所述一个或多个小节输入题型判断模型确定每个所述小节对应的问题类型；其中，所述关键信息提取模型为基于深度学习的TextCNN神经网络模型，所述题型判断模型为基于深度学习的TextCNN神经网络模型。下面通过一个具体实施例来对方案进行具体说明，流程如图4所示。

S401、用户上传图片文件；

S402、将图片文件输入信息提取模型，获得应用题题目信息，题目信息为“小明今年7岁，爸爸比小明大26岁，爸爸今年几岁了？”；

S403、将应用题题目信息输入分隔符判断模型，分隔符判断模型输出1，1，1；

S404、根据分隔符标签，应用题题目信息被拆分成三个应用题小节，分别是“小明今年7岁”，“爸爸比小明大26岁”，“爸爸今年岁了”；

S405、将三个应用题小节输入关键信息提取模型，得到三个应用题小节对应的关键信息，均是“年龄：岁”；

S406、将三个应用题小节输入题型判断模型，得到三个应用题小节对应的问题类型，分别是提示信息，提示信息，数值问题；

S407、查找答案库中的数值问题答案集，使用匹配模型从数值问题答案集中匹配出答案，答案包括“33岁”和“7+26＝33”，基于关键信息选取答案“33岁”。

图5是本发明的一个实施例的一种基于关键信息的应用题答案选取装置500结构示意图，如图5所示包括：

信息提取模块501，用于获取用户上传的题目信息，并将所述题目信息拆分成一个或多个小节。

在本实施方式中，用户通常是将学习过程中遇到的问题拍照上传，服务器收到用户上传的照片后，提取照片中的题目信息。以应用题为例，一般应用题的题目内容都很长，有很多提示信息，还可包含一个或多个问题，为了精准匹配答案，需要将应用题拆分成几个小题，分别进行答案匹配。比如“已知三角形ABC，存在AB，BC，AC三条边相等，求∠A角度是多少，∠B角度是多少，∠C的角度是多少”，其中包括了3个小题。

在上述技术方案的基础上，进一步地，所述问题题型至少包括下述中的至少一项：数值求解问题，判断类型问题，没有固定答案的开放型问题，非文字描述问题以及提示信息。

在上述技术方案的基础上，进一步地，获取用户上传的题目信息，包括：接收用户上传的图片文件；将所述图片文件输入题目信息提取模型，所述题目信息提取模型输出图片文件中的题目信息。

在本实施方式中，提前构建基于神经网络的识别模型，通过识别模型识别出在照片中的题目。基于神经网络的识别模型是采用CPTN(Connectionist Text ProposalNetwork，自然场景文本检测)结合CRNN(Convolutional Recursive Neural Networks，循环卷积神经网络)神经网络模型。识别模型使用大量的历史印刷体文本数据和手写体文本数据训练而成。

在上述技术方案的基础上，进一步地，对所述应用题题目信息进行拆分具体包括以下步骤，如图3所示：

S2011、将所述应用题题目信息输入分隔符判断模型，所述分隔符判断模型输出所述应用题题目信息中分隔符的标签，所述标签包括断句和非断句。

在本实施方式中分隔符就是应用题题目信息中的标点符号，每一个标点就一个分隔符。如果分隔符判断模型输出分隔符的标签是断句，则表明此处需要拆分，如果标签是非断句则表面不用拆分。

在上述技术方案的基础上，进一步地，所述分隔符判断模型为序列标注模型，包括输入层、编码层以及输出层。

在上述技术方案的基础上，进一步地，所述编码层采用双向长短记忆网络LSTM编码器，所述输出层采用序列化标注算法CRF。

在本实施方式中，输入层将所述用户的输入内容转化为向量，所述编码层对转化后的词向量编码进行特征提取，所述输出层输出标签结果。

文本的向量化，即使用数字特征来代表文本，因为计算机无法直接理解自然语言。为了让计算机能够理解自然语言，我们需要将文本信息映射到一个数值化的语义空间中，这个语义空间我们可以称之为词向量空间。将文本转化为向量有多种算法，比如TF-IDF、BOW、One-Hot、word2vec等等。在本实施方式中，文本的向量化采用word2vec算法，word2vec模型是一个无监督的学习模型，使用未标引的语料集的训练就可以实现文本信息到语义空间的映射。在本实施方式中，标点符号也会被转化为固定的向量值。

在编码层对向量化后的文本进行特征提取，输出层对提取的特征进行约束，提高准确性，最后输出分隔符的标签。

由于对分隔符的判定需要考虑上下文，所以编码层采用双向长短记忆网络LSTM编码器，能够更好的对语句的前后词进行考虑，比如“我不觉得今天天气好”，其中“不”是对后面的“天气好”进行限定，表示对天气好的否定，采用双向长短时期记忆网络模型可以更好的捕捉到较长距离的依赖关系，而且双向长短时期记忆网络模型还可以顾及到后面的词对前面的词的限定，比如“今天的天气冷的不行”，其中“不行”是“冷”的修饰和限定。

输出层采用CRF层可以加入一些约束来保证最终预测结果是有效的。这些约束可以在训练数据时被CRF层自动学习得到，有了这些有用的约束，错误的预测序列将会大大减少，提高了输出层的准确性。

S2012、基于所述分隔符的标签将所述应用题题目信息拆分成一个或多个应用题小节。

在本实施方式中，分隔符的标签确定后就可以对应用题题目信息进行拆分。

比如应用题的题目信息是“已知三角形ABC，存在AB，BC，AC三条边相等，求∠A角度是多少，∠B角度是多少，∠C的角度是多少？”这段话输入分隔符判断模型后，输出的结果是1，0，0，0，1，1，1，1。此处1表示标签为断句，0表示标签为非断句。则应用题可以拆成“已知三角形ABC”、“存在AB，BC，AC三条边相等”、“求∠A角度是多少”、“∠B角度是多少”和“∠C的角度是多少”这5个应用题小节。

拆分模块502，用于提取每个所述小节的关键信息。

在上述技术方案的基础上，进一步地，所述关键信息提取模型为基于深度学习的TextCNN神经网络模型。

在本实施方式中，使用基于深度学习的TextCNN神经网络模型对应用题小节的信息进行关键信息提取。关键信息提取模型使用大量的历史应用题数据训练而成。在本实施方式中提取的关键信息为单位，比如应用题“小明今年7岁，爸爸比小明大26岁，爸爸今年几岁了？”该题中的关键信息为“年龄：岁”；在应用题“已知三角形ABC，存在AB，BC，AC三条边相等，求∠A角度是多少，∠B角度是多少，∠C的角度是多少”中，该题的关键信息是“角度：度”。

问题类型确定模块503，用于根据所述小节的内容，确定每个所述小节属于提示信息还是问题，并在所述小节属于问题时判断所述小节对应的问题类型。

在上述技术方案的基础上，进一步地，所述题型判断模型为基于深度学习的TextCNN神经网络模型。

在本实施方式中，使用基于深度学习的TextCNN神经网络模型对应用题小节的题型进行判断。题型判断模型使用大量的历史应用题数据训练而成。在本实施方式中题型分为数值问题，能否问题，开放型问题，非文字描述问题以及提示信息。

其中，数值问题是求解各种数值，比如前文提到的求年龄，求岁数的问题。能否问题属于判断类型的题目，比如“小明7点半出门，他走到学校需要20分钟，他能否在8点前赶到学校”、“有20颗糖果，小明拿了8颗，小毛拿了剩下的糖果，请问这么分配公平么”。开放型问题是指没有固定答案的，比如“画一个面积为36平方厘米的图形”。非文字描述问题是指方位题或在数轴上标记的，比如在图上画出道路和建筑物，如何从起点走到终点。提示信息是指应用题中介绍文字的内容，比如前文中的“小明今年7岁”、“爸爸比小明大26岁”这些都属于提示信息。

答案选取模块504，用于基于所述题目信息，所述小节的关键信息以及所述小节对应的问题类型从多个答案中选取与所述各小节的问题匹配度最高的答案。

在本实施方式中，将历史收集的多个答案汇集起来，构成答案库。答案库中的答案按照不同的题型进行分类，很多题可能题目信息基本相同只是最后的问题略有差别，比如“有20颗糖果，小明拿了8颗，小毛拿了剩下的糖果，请问这么分配公平么”和“有20颗糖果，小明拿了8颗，小毛拿了剩下的糖果，请问小毛比小明多几颗”，这两个题目非常接近，但一个是能否问题，一个是数值问题。因此通过应用题小节对应的问题类型确定答案库中的分类。然后基于应用题题目信息使用匹配模型在答案库中匹配答案，最后基于应用题小节对应的关键信息确定答案。

在本实施方式中，将所述一个或多个小节输入关键信息提取模型获取每个所述小节的关键信息；将所述一个或多个小节输入题型判断模型确定每个所述小节对应的问题类型；其中，所述关键信息提取模型为基于深度学习的TextCNN神经网络模型，所述题型判断模型为基于深度学习的TextCNN神经网络模型。

图6是根据一示例性实施例示出的一种电子设备的框图。

如图6所示，电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。

所述存储器存储有计算机可执行程序，通常是机器可读的代码。所述计算机可读程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。

所述存储器包括易失性存储器，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元(ROM)。

可选的，该实施例中，电子设备还包括有I/O接口，其用于电子设备与外部的设备进行数据交换。I/O接口可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

应当理解，图6显示的电子设备仅仅是本发明的一个示例，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按扭、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图7所示，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：基于用户的开启指令启动虚拟交互功能；基于虚拟交互功能获取所述用户的实时视频；将所述实时视频输入动作识别模型中，生成动作识别标签，所述动作识别模型通过深度学习模型实现；根据所述动作识别标签生成虚拟对象；将所述目标虚拟对象绘制在所述用户的实时视频中以进行展示。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。

以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。