知識圖譜構建方法及裝置與流程

2023-09-14 03:35:20

本發明涉及網際網路技術領域，特別涉及一種知識圖譜構建方法及裝置。

背景技術：

知識圖譜，也被稱為科學知識圖譜，在圖書情報界稱為知識域可視化或知識領域映射地圖，是顯示知識發展進程與結構關係的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪製和顯示知識及知識之間的相互關係。時下，通過構建知識圖譜，並將構建的知識圖譜運用於聊天機器人實現智能問答，已經成為了本領域技術人員廣泛採取的一種做法。

相關技術在構建知識圖譜時，通常採用RDF(Resource Description Framework，資源描述框架)語言構建針對目標物的知識圖譜。其中，目標物既可指代某一個特定的領域，比如汽車領域，也可指代某一個特定的領域所屬範圍內一個子領域，比如汽車領域的發動機。

由於RDF語言是基於XML(Extensible Markup Language，可擴展標記語言)的，因此較為繁瑣和複雜，所以構建的知識圖譜可讀性和可維護性差，進而導致聊天機器人的聊天效果不佳。

技術實現要素：

為了解決相關技術的問題，本發明實施例提供了一種知識圖譜構建方法及裝置。所述技術方案如下：

第一方面，提供了一種知識圖譜構建方法，所述方法包括：

基於目標語言，構建針對於目標物的初步知識圖譜，所述目標語言為複雜度小於RDF語言的輕量級數據交換格式，所述初步知識圖譜中包含語義理解所需的各種關鍵要素，所述各種關鍵要素存儲在同一個文件中；

從至少一個數據源，收集與所述各種關鍵要素中至少一種關鍵要素匹配的行業數據；

將所述行業數據添加到所述初步知識圖譜中所述至少一種關鍵要素指示的位置，得到所述目標物的目標知識圖譜。

第二方面，提供了一種知識圖譜構建裝置，所述裝置包括：

第一構建模塊，用於基於目標語言，構建針對於目標物的初步知識圖譜，所述目標語言為複雜度小於RDF語言的輕量級數據交換格式，所述初步知識圖譜中包含語義理解所需的各種關鍵要素，所述各種關鍵要素存儲在同一個文件中；

收集模塊，用於從至少一個數據源，收集與所述各種關鍵要素中至少一種關鍵要素匹配的行業數據；

所述第一構建模塊，還用於將所述行業數據添加到所述初步知識圖譜中所述至少一種關鍵要素指示的位置，得到所述目標物的目標知識圖譜。

本發明實施例提供的技術方案帶來的有益效果是：

基於複雜度小於RDF語言的輕量級目標語言，構建針對於目標物的初步知識圖譜，因此構建的知識圖譜可讀性和可維護性較佳，進而可提升聊天機器人的聊天效果。此外，知識圖譜中包含了語義理解所需的各種關鍵要素，且各種關鍵要素統一存儲在一個文件中，便於統一進行管理。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發明實施例提供的一種知識圖譜構建方法的流程圖；

圖2是本發明實施例提供的一種知識圖譜的示意圖；

圖3是本發明實施例提供的一種數據收集模板的示意圖；

圖4是本發明實施例提供的一種知識圖譜的示意圖；

圖5是本發明實施例提供的一種知識圖譜與自然語言理解語法庫的關聯關係示意圖；

圖6是本發明實施例提供的一種知識圖譜構建裝置的結構示意圖；

圖7是本發明實施例提供的一種伺服器的結構示意圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明實施方式作進一步地詳細描述。

在對本發明實施例進行詳細地解釋說明之前，先對本發明實施例提供的知識圖譜構建方法所涉及的實施場景進行簡單介紹。

本發明實施例提供的知識圖譜構建方法運用於聊天機器人。其中，聊天機器人本質上是用來模擬人類對話或聊天的程序，其可實現問答功能。當用戶終端提出一個問題時，聊天機器人可以返回給用戶終端一個準確的答案，至少暫時性地讓用戶認為他們正在同另一個真實的人聊天。其中，實現聊天機器人問答功能的重要核心是知識圖譜和用於語義理解的NLU(Natural Language Understanding，自然語言理解)語法庫的建立。

其中，知識圖譜本質上旨在描述真實世界客觀存在的知識、以及知識之間等關聯關係的語義網絡。基於知識圖譜的應用領域，時下通常將知識圖譜分為通用知識圖譜和垂直知識圖譜(又稱行業知識圖譜)。通用知識圖譜不面向特定領域，可將其類比為結構化的百科知識。這類知識圖譜包含了大量常識性知識，強調知識的廣度。垂直知識圖譜則面向特定領域，基於行業知識構建，強調知識的深度。

本發明實施例針對的是垂直領域的知識圖譜，即垂直知識圖譜。垂直知識圖譜針對一個特定領域或一個特定領域下的子領域，例如中醫藥領域或海洋領域或海洋領域下魚類知識子領域等等。舉例來說，中醫藥知識圖譜可以包括疾病知識、症狀知識、中草藥知識、方劑知識等等。而基於中醫藥知識圖譜可以實現中醫藥相關的問答功能。海洋知識圖譜可以包括魚類知識、海洋經濟知識和海島知識等等。而基於海洋知識圖譜可以實現海洋相關的問答功能。

NLU語法庫用於對自然語言進行語義理解，即嘗試分析用戶終端的問答消息並獲得用戶的提問意圖。其中，NLU語法庫需要知識庫來輔助進行問答消息的語義理解。比如，用戶終端提出的問答消息中可能包括了多種關係，諸如概念之間含義相同、概念的包含關係等等，而要NLU語法庫理解這些複雜的關係，那麼NLU語法庫就必須具有相當廣闊領域的知識，也就是需要依賴於大型的知識庫。比如，A某的老婆和A某的妻子便是兩個含義相同的概念，指代的是同一個人。若在知識庫中存儲了這一相同的概念，則NLU語法庫便可以將老婆和妻子關聯起來。

圖1是本發明實施例提供的一種知識圖譜構建方法的流程圖。參見圖1，本發明實施例提供的方法流程包括：

101、基於目標語言，構建針對於目標物的初步知識圖譜。

由於RDF語言是基於XML的，因此也集成了XML的一些「重」的特徵，比較繁瑣和複雜，降低了知識圖譜的可讀性和可維護性，為此本發明實施例提出了一種與網際網路事實標準更兼容且複雜度小於RDF語言的輕量級數據交換格式，例如，JSON-LD(JavaScript Object Notation-Linked Data，JavaScript對象表示法-連結數據)語言。本實施例以JSON-LD語言為目標語言來構建知識圖譜為例。

其中，JSON-LD語言是一種基於JSON表示和傳輸網際網路數據的方法，JSON-LD語言描述了如何通過JSON表示有向圖，以及如何在一個文檔中混合表示互聯數據以及非互聯數據。換句話說，JSON-LD語言是一種基於JSON的數據格式，可用於實施結構化數據，以便向諸如搜尋引擎等工具進行內容描述。

目標物既可指代某一個特定的領域，比如母嬰領域、前文提及的中醫藥領域、海洋領域、汽車領域等；也可指代某一個特定的領域所屬範圍內一個具體的子領域，比如發動機、奶粉、手機等等，本發明實施例對目標物的表現形式不進行具體限定。

需要說明的是，在初始構建知識圖譜時，知識圖譜中有一些數據是不完善的，因此在本發明實施例中將此時構建的知識圖譜稱之為初始知識圖譜。舉一個簡單的例子來說，參見圖2，以發動機為例，在初始構建知識圖譜時，發動機這一概念可能包含有油耗、顏色、排量、品牌和型號等等屬性，這些屬性均是常識性知識，為公眾所公知，因此在初始構建知識圖譜時，這些有關於發動機屬性的概念便可添加至知識圖譜中，一個概念位於一個節點。此時便是如圖2所示，初步構建了一個知識圖譜的整體大框架。但是油耗具體為多少、顏色都包括哪些、排量的大小是多少升、品牌和型號都包括哪些這類的知識卻是千變萬化的，並不屬於常識性知識，因此是無法具體給出的，還需對這些數據再進行收集。如圖2所示，在初始知識圖譜中用於描述油耗具體多少、用於描述顏色具體分為哪些等等節點的值均為空。

在本發明實施例中，初步知識圖譜中包含了語義理解所需的各種關鍵要素。也即是，初步知識圖譜中包含了前文中提及的NLU語法庫所需的各種關鍵要素。通過將語義理解需要的全部關鍵要素統一映射到知識圖譜的概念層次樹中，方便了系統進行統一處理。其中，這裡的各種關鍵要素至少包括概念集、概念-概念映射集、概念-實例映射集、概念-同義詞映射集。換句話說，在初步知識圖譜中會嘗試構建用於進行概念描述的概念集、用於描述概念與概念之間包含關係的概念-概念映射集、用於描述概念與實例之間對應關係的概念-實例映射集，以及用於描述概念與同義詞之間對應關係的概念-同義詞映射集。

下面以一個具體的例子對上述提及的四種關鍵要素進行說明。繼續以圖2為例，圖2中每一個有文字示出的節點均表示一個概念，用於表示發動機屬性的諸如油耗、顏色、排量、品牌和型號等概念均屬於發動機這一概念的下位概念，即諸如油耗、顏色、排量、品牌和型號等概念與發動機這一概念是包含關係。由於發動機又可稱之為引擎，因此引擎這一概念屬於發動機這一概念的同義詞概念。而針對排量這一概念來說，諸如1.4L和2.0L等概念均屬於它的實例，即具體的例子。由前文的分析可知，針對實例所在節點大部分的值均為空，因此需要進行數據收集，以完善初步知識圖譜。

102、從至少一個數據源，收集與初步知識圖譜中包含的各種關鍵要素中至少一種關鍵要素匹配的行業數據。

在本發明實施例中，針對上述四種關鍵要素來講，通常概念集、概念-概念映射集、概念-同義詞映射集在初步構建知識圖譜時就是完備的。以概念-概念映射集來講，比如發動機可分為油耗、顏色、品牌、排量、型號等概念均是常識性知識，因此無需再通過數據收集來確定發送機這一概念究竟可劃分出來多少個下位的子概念。但是對於概念-實例映射集來說，實例的值基本大部分均為空，因為隨著技術的不斷進步和產品的不斷更新，實例可能是不斷變化的。因此，本發明實施例提及的收集與各種關鍵要素中至少一種關鍵要素匹配的行業數據，實質上指代的是收集與概念-實例映射集匹配的行業數據。其中，由於本發明實施例針對的是垂直知識圖譜，而垂直知識圖譜是有針對性的即面向特定的領域知識，因此在本發明實施例中以行業數據對待收集數據進行統稱。

其中，在進行行業數據收集時，可採取下述方式實現：從概念-實例映射集中導出數據收集模板；基於數據收集模板，從至少一個數據源收集與至少一個指定概念匹配的行業數據。其中，該數據收集模板是從知識圖譜描述的概念-實例映射集中導出的，該數據收集模板中包含了概念-實例映射集中實例的值為空的至少一個指定概念。繼續以圖2為例，由於油耗、顏色、品牌、排量和型號這幾個概念的實例的值均為空，因此至少一個指定概念便覆蓋了油耗、顏色、品牌、排量和型號這幾個概念。因此可生成如圖3所示的數據收集模板。

在本發明實施例中，在進行行業數據收集時數據源可分為下述幾種：一種可為百科類數據，通過信息框(Infobox)可從英文類百科中獲取本發明實施例所需的行業數據。此外，還可從中文類百科中進行行業數據的收集以彌補英文類百科的不足。另一種還可為結構化數據，即除了百科類數據，在構建知識圖譜時還可以考慮其他結構化數據。比如，網絡上存在大量高質量的垂直領域站點(如電商網站，點評網站等)，這些站點被稱為Deep Web，它們通過動態網頁技術將保存在資料庫中的各種領域相關的結構化數據以HTML(HyperText Markup Language，可擴展標記語言)表格的形式展現給用戶終端。可通過這些站點的數據來進行行業數據的收集。此外，還可通過半結構化數據或搜索日誌來進行行業數據的收集，本發明實施例對行業數據收集方式不進行具體限定。

103、將收集到的與至少一種關鍵要素匹配的行業數據添加到初步知識圖譜中至少一種關鍵要素指示的位置，得到目標物的目標知識圖譜。

在獲取到行業數據後，便可將行業數據添加到初步知識圖譜中，以對初步知識圖譜進行完善，即將行業數據添加到初步知識圖譜中至少一種關鍵要素指示的位置，可採取下述方式實現：確定至少一個指定概念的實例在初步知識圖譜中的位置；其中，至少一個指定概念的實例在初步知識圖譜中的位置即初步知識圖譜中一個個值為空的節點。之後，將收集到的與至少一個指定概念匹配的行業數據作為至少一個指定概念的實例的值，添加到至少一個指定概念的實例在初步知識圖譜中的位置。

繼續以圖2為例，假設針對油耗這一概念，獲取到的行業數據中包括7.3L和8.6L這兩個實例的值，針對顏色這一概念，獲取到的行業數據中包括灰色和黑色這兩個實例的值，針對品牌這一概念，獲取到的行業數據中包括帕金斯和強鹿這兩個實例的值，針對排量這一概念，獲取到的行業數據中包括1.4L和2.0L這兩個實例的值，針對型號這一概念，獲取到的行業數據中包括1E45和1E35這兩個實例的值，那麼便可將得到這些行業數據作為至少一個指定概念的實例的值，添加到圖2所示的知識圖譜中對應位置，即7.3L和8.6L這兩個實例的值添加到油耗這一概念所在節點的子節點中，灰色和黑色這兩個實例的值添加到顏色這一概念所在節點的子節點中，帕金斯和強鹿這兩個實例的值添加到品牌這一概念所在節點的子節點中，1.4L和2.0L這兩個實例的值添加到排量這一概念所在節點的子節點中，1E45和1E35這兩個實例的值添加到型號這一概念所在節點的子節點中。得到圖4所示的目標知識圖譜。

綜上所述，完成了針對目標物的目標知識圖譜的建立過程，下面以發動機這個概念為例，對基於JSON-LD語言的建模過程進行偽代碼實例。

由上述偽代碼可以看出，發動機這個概念包含型號和排量這兩個子概念以及同義詞，同時在每個子概念下面又包含了具體的實例。需要說明的是，本發明實施例在基於JSON-LD語言構建知識圖譜時，上述各種關鍵要素是統一存儲在一個文件中的，相較於現有技術中將不同的關鍵要素分別存儲的方式而言，方便了對知識圖譜進行統一管理。

此外，在本發明實例中知識圖譜和用於語義理解的NLU語法庫並不是各自獨立開發的，而是如圖5所示，在構建知識圖譜時語義理解所需的四種關鍵要素全部映射到知識圖譜的概念層次樹上，之後自動從知識圖譜中構建用於進行自然語言理解，即語義理解的NLU語法庫。也即，基於上述的目標知識圖譜，自動構建語義理解所需的自然語言理解語法庫，該自然語言理解語法庫中包含目標知識圖譜中描述的各種關鍵要素。其中，在基於目標知識圖譜構建自然語言理解語法庫時，通常可採取下述方式實現：

基於自頂向下的抽取規則，從目標知識圖譜中抽取各種關鍵要素，根據各種關鍵要素構建語義理解所需的自然語言理解語法庫；或，基於自底向上的抽取規則，從目標知識圖譜中抽取各種關鍵要素，根據各種關鍵要素構建自然語言理解語法庫；或，基於自頂向下結合自底向上的抽取規則，從目標知識圖譜中抽取各種關鍵要素，根據各種關鍵要素構建自然語言理解語法庫。

其中，自頂向下的抽取規則指代從目標知識圖譜的頂部開始逐漸向底部進行抽取，自底向上的抽取規則指代從目標知識圖譜的底部開始逐漸向頂部進行抽取。換句話說，利用自頂向下或自底向上、或自頂向下結合自底向上的抽取規則從構建的知識圖譜中進行概念、概念與概念、概念與實例、概念與同義詞之間的關鍵要素抽取，從而形成NLU語法庫的知識庫，以便於在接收到用戶終端的問答消息後，基於NLU語法庫的知識庫進行語義理解。比如，若知識庫中存儲了妻子這一概念的同義詞老婆，那麼NLU語法庫便知道老婆與妻子指代的是相同的含義。

在構建好知識圖譜和NLU語法庫後，聊天機器人便形成了。在接收到用戶終端的問答消息後，基於NLU語法庫便可實現對問答消息進行語義理解，得到理解結果。其中，在對問答消息進行語義理解時，如果問答消息是一個簡單句，則NLU語法庫需要理解語句中的每一個詞，並以這些詞為基礎組成一個可以表達整個語句意義的結構。也即，簡單句的理解不涉及句子與句子之間的相互關係，它的理解過程是首選賦單詞以意義，然後再給整個語句賦予一種結構。而若問答消息是一組語句，則一組語句的理解，是需要發現句子之間的相互關係。

比如在對話場景中，每句話都有上下文，同樣的句子在不同的上下文中理解結果是不一樣的。例如，同樣的一句話「今天天氣好嗎」在「U:今天天氣好嗎？A:今天天氣晴，溫度…..」中屬於對天氣進行提問，而「U:給我放首歌；A:請問你要聽什麼歌？U:今天天氣好嗎」則屬於音樂領域範疇，沒有提問意圖。

即，聊天機器人聊天效果的好壞，跟NLU語法庫能否正確理解用戶的意圖，也即NLU語法庫準確進行語義理解具有重大關係。比如，「東三環堵嗎」這句話用戶的意圖是查詢路況，而「下水道堵嗎」就不是查詢路況了；「今天的天氣」是想問天氣狀況，「今天的天氣不錯」則無此意；「附近哪兒可以喝咖啡」是想找咖啡館，但「牛皮癬能喝咖啡嗎」便不是一個知識問答了。

之後，根據理解結果，基於目標知識圖譜生成問答消息的查詢路徑，再根據查詢路徑，獲取與該問答消息匹配的應答消息，並將該應答消息返回給用戶終端。以用戶終端的問答消息為「一般汽車引擎的油耗是多少」為例，則NLU語法庫在進行語義理解後，發現發動機與引擎是同義詞，因此如圖5所示基於目標知識圖譜自動生成查詢路徑，而該查詢路徑的終止節點為油耗這一概念，而油耗這一概念所在節點的實例在圖5中對應子節點7.3L和7.6L，因此將7.3L和7.6L作為應答消息返回給用戶終端。

本發明實施例提供的方法，基於複雜度小於RDF語言的輕量級目標語言，構建針對於目標物的初步知識圖譜，因此構建的知識圖譜可讀性和可維護性較佳，進而可提升聊天機器人的聊天效果。此外，知識圖譜中包含了語義理解所需的各種關鍵要素，且各種關鍵要素統一存儲在一個文件中，便於統一進行管理。且還可基於構建的知識圖譜來建立用於語義理解的自然語言理解語法庫，不但方便了對知識圖譜和NLU語法庫的統一管理，而且保持了系統的整體一致性，進一步地提升了聊天機器人的聊天效果。

圖6是本發明實施例提供的一種知識圖譜構建裝置的結構示意圖。參見圖6，該裝置包括：

第一構建模塊601，用於基於目標語言，構建針對於目標物的初步知識圖譜，目標語言為複雜度小於RDF語言的輕量級數據交換格式，初步知識圖譜中包含語義理解所需的各種關鍵要素，各種關鍵要素存儲在同一個文件中；

收集模塊602，用於從至少一個數據源，收集與各種關鍵要素中至少一種關鍵要素匹配的行業數據；

第一構建模塊601，還用於將收集到的與至少一種關鍵要素匹配的行業數據添加到初步知識圖譜中至少一種關鍵要素指示的位置，得到目標物的目標知識圖譜。

在另一個實施例中，各種關鍵要素包括概念集、概念-概念映射集、概念-實例映射集以及概念-同義詞映射集，

第一構建模塊601，用於在初步知識圖譜中構建用於進行概念描述的概念集；在初步知識圖譜中構建用於描述概念與概念之間包含關係的概念-概念映射集；在初步知識圖譜中構建用於描述概念與實例之間對應關係的概念-實例映射集；在初步知識圖譜中構建用於描述概念與同義詞之間對應關係的概念-同義詞映射集。

在另一個實施例中，第一構建模塊601，用於基於JSON-LD語言，在同一個文件中構建針對目標物的初步知識圖譜。

在另一個實施例中，收集模塊602，用於從初步知識圖譜的概念-實例映射集中導出數據收集模板，數據收集模板中包含概念-實例映射集中實例的值為空的至少一個指定概念；基於數據收集模板，從至少一個數據源，收集與至少一個指定概念匹配的行業數據；

第一構建模塊601，用於確定至少一個指定概念的實例在初步知識圖譜中的位置；將收集到的與至少一個指定概念匹配的行業數據作為至少一個指定概念的實例的值，添加到至少一個指定概念的實例在初步知識圖譜中的位置。

在另一個實施例中，該裝置還包括：

第二構建模塊，用於自頂向下的抽取規則，從目標知識圖譜中抽取各種關鍵要素，根據各種關鍵要素構建語義理解所需的自然語言理解語法庫；或，基於自底向上的抽取規則，從目標知識圖譜中抽取各種關鍵要素，根據各種關鍵要素構建自然語言理解語法庫；或，基於自頂向下結合自底向上的抽取規則，從目標知識圖譜中抽取各種關鍵要素，根據各種關鍵要素構建自然語言理解語法庫；其中，自然語言理解語法庫中包含目標知識圖譜中描述的各種關鍵要素。

在另一個實施例中，該裝置還包括：

處理模塊，用於在接收到用戶終端的問答消息後，基於自然語言理解語法庫，對問答消息進行語義理解，得到理解結果；

生成模塊，用於根據理解結果，基於目標知識圖譜生成問答消息的查詢路徑；

獲取模塊，用於基於查詢路徑，獲取與問答消息匹配的應答消息；

發送模塊，用於將應答消息返回給用戶終端。

本發明實施例提供的裝置，基於複雜度小於RDF語言的輕量級目標語言，構建針對於目標物的初步知識圖譜，因此構建的知識圖譜可讀性和可維護性較佳，進而可提升聊天機器人的聊天效果。此外，知識圖譜中包含了語義理解所需的各種關鍵要素，且各種關鍵要素統一存儲在一個文件中，便於統一進行管理。且還可基於構建的知識圖譜來建立用於語義理解的自然語言理解語法庫，不但方便了對知識圖譜和NLU語法庫的統一管理，而且保持了系統的整體一致性，進一步地提升了聊天機器人的聊天效果。

圖7是根據一示例性實施例示出的一種伺服器，該伺服器可以用於實施上述任一示例性實施例示出的知識圖譜構建方法。具體來講：參見圖7，該伺服器700可因配置或性能不同而產生比較大的差異，可以包括一個或一個以上中央處理器(Central Process ing Unit，CPU)722(例如，一個或一個以上處理器)和存儲器732，一個或一個以上存儲應用程式742或數據744的存儲介質730(例如一個或一個以上海量存儲設備)。其中，存儲器732和存儲介質730可以是短暫存儲或持久存儲。存儲在存儲介質730的程序可以包括一個或一個以上模塊(圖示沒標出)。

伺服器700還可以包括一個或一個以上電源728，一個或一個以上有線或無線網絡接口750，一個或一個以上輸入輸出接口758，和/或，一個或一個以上作業系統741，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。一個或者一個以上程序存儲於存儲器中，且經配置以由一個或者一個以上處理器執行上述一個或者一個以上程序包含用於執行知識圖譜構建的指令。

需要說明的是：上述實施例提供的知識圖譜構建裝置在構建知識圖譜時，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據需要而將上述功能分配由不同的功能模塊完成，即將裝置的內部結構劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。另外，上述實施例提供的知識圖譜構建裝置與知識圖譜構建方法實施例屬於同一構思，其具體實現過程詳見方法實施例，這裡不再贅述。

本領域普通技術人員可以理解實現上述實施例的全部或部分步驟可以通過硬體來完成，也可以通過程序來指令相關的硬體完成，所述的程序可以存儲於一種計算機可讀存儲介質中，上述提到的存儲介質可以是只讀存儲器，磁碟或光碟等。

以上所述僅為本發明的較佳實施例，並不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。