模型評測方法、裝置、設備及存儲介質與流程
2024-04-13 05:36:05
1.本發明涉及人工智慧技術領域，尤其涉及一種模型評測方法、裝置、設備及存儲介質。
背景技術：
2.意圖識別也可以稱為意圖檢測(intent detection)，其是通過分類的辦法將句子劃分到相應的種類中，屬於多元分類問題。在意圖識別任務中，通常會利用機器學習的方式構建出分類模型，然後再由測試人員模擬真實場景的用戶語句(即測試數據)進行模型測試，並依據測試結果決定模型能否上線。由於測試人員在測試過程中帶有一定的主觀性，其編寫的測試語句，可能導致評測結果相較於實際效果偏差過大，評測結果準確性較差。
技術實現要素：
3.本發明的主要目的在於提供一種模型評測方法、裝置、設備及存儲介質，旨在解決現有的模型評測方法準確性較差的問題。
4.為實現上述目的，本發明提供一種模型評測方法，所述模型評測方法包括：
5.獲取測試語句及對應的原始意圖，並將所述測試語句輸入待測模型，得到所述待測模型輸出的第一預測意圖，以根據所述第一預測意圖獲得第一評測結果；
6.在所述第一評測結果不滿足預設條件的情況下，根據所述原始意圖和所述第一預測意圖、在所述測試語句中確定負例語句；
7.獲取所述待測模型的訓練語句，並根據所述訓練語句和所述負例語句確定目標語句；
8.根據所述目標語句更新所述測試語句；
9.將所述更新後的測試語句輸入所述待測模型，得到所述待測模型輸出的第二預測意圖，以根據所述第二預測意圖獲得第二評測結果。
10.可選地，所述根據所述原始意圖和所述第一預測意圖、在所述測試語句中確定負例語句的步驟，包括：
11.比對所述原始意圖和所述第一預測意圖，確定與所述原始意圖不一致的負例預測意圖；
12.根據所述負例預測意圖、在所述測試語句中確定對應的負例語句。
13.可選地，所述目標語句包括目標剔除語句；
14.所述根據所述訓練語句和所述負例語句確定目標語句的步驟包括：
15.獲取所述負例語句和所述訓練語句的文本相似度，並根據所述文本相似度確定最大相似度；
16.在所述最大相似度小於第一預設閾值的情況下，將所述負例語句確定為目標剔除語句。
17.可選地，所述訓練語句包括第一語句和第二語句，所述第一語句和所述第二語句
具有對應的語句意圖，所述目標語句包括目標剔除語句；
18.所述根據所述訓練語句和所述負例語句確定目標語句的步驟包括：
19.獲取所述負例語句與所述第一語句的第一文本相似度、以及所述負例語句與所述第一語句的第二文本相似度，並獲取所述第一文本相似度與所述第二文本相似度的相似度差值；
20.在所述相似度差值小於第二預設閾值、且所述第一語句和所述第二語句的語句意圖不一致情況下，將所述負例語句確定為目標剔除語句。
21.可選地，所述根據所述目標語句更新所述測試語句步驟，包括：
22.將所述目標剔除語句從所述測試語句中剔除。
23.可選地，所述訓練語句包括第三語句，所述第三語句具有對應的語句意圖，所述目標語句包括誤判語句；
24.所述獲取所述待測模型的訓練語句，並根據所述訓練語句和所述負例語句確定目標語句的步驟，還包括：
25.獲取所述負例語句和所述第三語句的文本相似度；
26.在所述文本相似度小於第三預設閾值、且所述負例語句的原始意圖和所述第三語句的語句意圖不一致的情況下，確定所述負例語句為誤判語句；
27.所述根據所述目標語句更新所述測試語句的步驟，包括：
28.將所述誤判語句調整為正例語句，並保留所述正例語句。
29.此外，為實現上述目的，本發明還提供一種模型評測裝置，所述模型評測裝置包括：
30.第一評測模塊，獲取測試語句及對應的原始意圖，並將所述測試語句輸入待測模型，得到所述待測模型輸出的第一預測意圖，以根據所述第一預測意圖獲得第一評測結果；
31.第一確定模塊，在所述第一評測結果不滿足預設條件的情況下，根據所述原始意圖和所述第一預測意圖、在所述測試語句中確定負例語句；
32.第二確定模塊，獲取所述待測模型的訓練語句，並根據所述訓練語句和所述負例語句確定目標語句；
33.語句更新模塊，根據所述目標語句更新所述測試語句；
34.第二評測模塊，將所述更新後的測試語句輸入所述待測模型，得到所述待測模型輸出的第二預測意圖，以根據所述第二預測意圖獲得第二評測結果。
35.此外，為實現上述目的，本發明還提供一種模型評測設備，所述模型評測設備包括：存儲器、處理器及存儲在所述存儲器上並可在所述處理器上運行的電腦程式，所述電腦程式被所述處理器執行時實現如上所述的模型評測方法的步驟。
36.此外，為實現上述目的，本發明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有電腦程式，所述電腦程式被處理器執行時實現如上所述的模型評測方法的步驟。
37.本發明提供一種模型評測方法、裝置、設備及存儲介質，通過獲取測試語句及對應的原始意圖，並將所述測試語句輸入待測模型，得到所述待測模型輸出的第一預測意圖，以根據所述第一預測意圖獲得第一評測結果；在所述第一評測結果不滿足預設條件的情況下，根據所述原始意圖和所述第一預測意圖、在所述測試語句中確定負例語句；獲取所述待
測模型的訓練語句，並根據所述訓練語句和所述負例語句確定目標語句；根據所述目標語句更新所述測試語句；將所述更新後的測試語句輸入所述待測模型，得到所述待測模型輸出的第二預測意圖，以根據所述第二預測意圖獲得第二評測結果。通過以上方式，本實施例在模型初次評測後，利用自動化的流程，對測試數據進行調整更新，然後利用更新後的測試數據進行二次評測，從而獲得二次評測結果，實現了評測結果的自動修正，有利於提高模型評測的準確性，同時節約了評測所需的人力成本，提高了評測效率。
附圖說明
38.圖1為本發明實施例方案涉及的硬體運行環境的設備結構示意圖；
39.圖2為本發明模型評測方法第一實施例的流程示意圖；
40.圖3為本發明模型評測裝置第一實施例的功能模塊示意圖。
41.本發明目的的實現、功能特點及優點將結合實施例，參照附圖做進一步說明。
具體實施方式
42.應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。
43.參照圖1，圖1為本發明實施例方案涉及的硬體運行環境的設備結構示意圖。
44.本發明實施例模型評測設備可以是伺服器，也可以是pc(personal computer，個人計算機)、平板電腦、便攜計算機、可移動終端等終端設備。
45.如圖1所示，該模型評測設備可以包括：處理器1001，例如cpu，通信總線1002，用戶接口1003，網絡接口1004，存儲器1005。其中，通信總線1002用於實現這些組件之間的連接通信。用戶接口1003可以包括顯示屏(display)、輸入單元比如鍵盤(keyboard)，可選用戶接口1003還可以包括標準的有線接口、無線接口。網絡接口1004可選的可以包括標準的有線接口、無線接口(如wi-fi接口)。存儲器1005可以是高速ram存儲器，也可以是穩定的存儲器(non-volatile memory)，例如磁碟存儲器。存儲器1005可選的還可以是獨立於前述處理器1001的存儲裝置。
46.本領域技術人員可以理解，圖1中示出的模型評測設備結構並不構成對模型評測設備的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件布置。
47.如圖1所示，作為一種計算機存儲介質的存儲器1005中可以包括作業系統、網絡通信模塊、用戶接口模塊以及電腦程式。
48.在圖1所示的終端中，網絡接口1004主要用於連接後臺伺服器和/或數據哭，與後臺伺服器和/資料庫進行數據通信；用戶接口1003主要用於連接客戶端，與客戶端進行數據通信；而處理器1001可以用於調用存儲器1005中存儲的電腦程式，並執行本發明模型評測方法的各實施例。
49.基於上述硬體結構，提出本發明模型評測方法的各實施例。
50.本發明提供一種模型評測方法。
51.參照圖2，圖2為本發明模型評測方法第一實施例的流程示意圖。
52.在本實施例中，該模型評測方法包括：
53.步驟s10，獲取測試語句及對應的原始意圖，並將所述測試語句輸入待測模型，得
到所述待測模型輸出的第一預測意圖，以根據所述預測意圖獲得第一評測結果；
54.意圖識別也可以稱為意圖檢測(intent detection)，其是通過分類的辦法將句子劃分到相應的種類中，屬於多元分類問題。在意圖識別任務中，通常會利用機器學習的方式構建出分類模型，然後再由測試人員模擬真實場景的用戶語句(即測試數據)進行模型測試，並依據測試結果決定模型能否上線。由於測試人員在測試過程中帶有一定的主觀性，其編寫的測試語句，可能導致評測結果相較於實際效果偏差過大，評測結果準確性較差。對於該問題，現有的處理方式是通過人工的方式，由專門的測試人員對測試數據進行人工修正，但這種方法成本高、效率低，且也容易受到人為主觀性的影響，因此其準確性也較差。對此，本實施例提出一種模型評測方法，在模型初次評測後，利用自動化的流程，對測試數據進行調整更新，然後利用更新後的測試數據進行二次評測，從而獲得二次評測結果，實現了評測結果的自動修正，有利於提高模型評測的準確性，同時節約了評測所需的人力成本，提高了評測效率。
55.本實施例的模型評測方法是由模型評測設備實現的，該設備可以是伺服器，也可以是pc(personal computer，個人計算機)、平板電腦、便攜計算機、可移動終端等終端設備。待測模型為意圖識別模型，該模型是通過機器學習的方式構建得到分類模型。
56.本實施例中，首先獲取測試語句及測試語句對應的原始意圖。這些測試語句是由測試人員根據原始意圖進行編寫，也即每個測試語句會有對應的原始意圖。例如原始意圖為「導航」，編寫的一個測試語句為「去xx大廈」。當然，測試語句也可以是通過相關模型自動生成，本實施例中不進行限制。
57.在獲取測試語句以後，可將測試語句輸入到待測模型，由待測模型對測試語句進行分析，並獲得待測模型輸出的預測結果。預測結果包括第一預測意圖，該第一預測意圖可認為是待測模型對測試語句的分類。需要說明的是，第一預測意圖是與測試語句一一對應的，即每個測試語句均會有對應的第一預測意圖。預測結果還可以包括預測時間，也即待測模型需要花費多長時間對測試語句進行分類。
58.在獲得第一預測意圖後，可將每個測試語句的第一預測意圖與原始意圖進行比對，從而確定待測模型的對該測試語句的分類是否正確。例如，根據原始意圖t0編寫了測試語句c0，待測模型對該測試語句輸出的第一預測意圖為t1，如果原始意圖t0與第一預測意圖t1一致，則可認為待測模型對測試語句c0的分類正確；如果原始意圖t0與第一預測意圖t1不一致，則可認為待測模型對測試語句c0的分類不正確。然後，可根據第一預測意圖獲得待測模型的第一評測結果；該第一評測結果可以包括測試語句的分類準確率，也就統計分類準確的測試語句的數量，然後用該數量與測試語句的總數的比值作為分類準確率。當然，該第一評測結果還可以包括其它的評價指標，例如平均預測時間(預測時間總時長/測試語句的總數)等。
59.步驟s20，在所述第一評測結果不滿足預設條件的情況下，根據所述原始意圖和所述第一預測意圖、在所述測試語句中確定負例語句；
60.本實施例中，在獲得第一評測結果後，可判斷第一評測結果是否滿足預設條件，該預設條件可以根據評測指標進行設置。具體的，當第一評測結果包括對測試語句的分類準確率的情況下，該預設條件為分類準確率大於準確率閾值；如果分類準確率小於或等於準確率閾值，則認為第一評測結果不滿足預設條件，此時需要對測試情況進行進一步分析，以
排查是否有可能是因為測試數據的問題而導致評測結果不準確。而如果分類準確率大於準確率閾值，則認為第一評測結果滿足預設條件，此時可結束測試流程。
61.本實施例中，在第一評測結果不滿足預設條件的情況下，將根據原始意圖和第一預測意圖、在測試語句中確定出負例語句(badcase)。
62.具體的，可以比對所述原始意圖和所述第一預測意圖，確定與所述原始意圖不一致的負例預測意圖；根據所述負例預測意圖、在所述測試語句中確定對應的負例語句。
63.本實施例中，負例語句可根據將測試語句的原始意圖和第一預測意圖進行比對，如果原始意圖的第一預測意圖不一致，則可認為該第一預測意圖為負例預測意圖，該負例預測意圖對應的測試語句為負例語句(也即分類不正確的測試語句)。例如，根據原始意圖t0編寫了測試語句c0，待測模型對該測試語句輸出的第一預測意圖為t1，如果原始意圖t0與第一預測意圖t1不一致，則可認為該第一預測意圖為t1為負例預測意圖，而對應的測試語句c0為負例語句。
64.步驟s30，獲取所述待測模型的訓練語句，並根據所述訓練語句和所述負例語句確定目標語句；
65.本實施例中，還將獲取待測模型的訓練語句，其中該訓練語句是在前期用於對待測模型進行訓練的語句。可將訓練語句與負例語句進行比對，並根據比對結果在負例語句中確定目標語句，其中該目標語句可認為是對模型評測產生負面影響的語句。
66.在一些實施中，所述目標語句包括目標剔除語句，步驟s30包括：
67.步驟a31，獲取所述負例語句和所述訓練語句的文本相似度，並根據所述文本相似度確定最大相似度；
68.目標語句可以包括目標剔除語句。根據負例語句和訓練語句，可以計算負例語句和每一個訓練語句的文本相似度，並根據文本相似度確定出最大相似度；該文本相似度可以是通過餘弦相似度等方式進行表徵。例如，訓練語句包括第一語句c1和第二語句c2，對於負例語句c0，可計算出負例語句c0與第一語句c1的文本相似度x01、以及負例語句c0與第二語句c2的文本相似度x02；其中這些文本相似度中x02的值最大，則可將x02確定為最大相似度。
69.步驟a32，在所述最大相似度小於第一預設閾值的情況下，將所述負例語句確定為目標剔除語句。
70.在確定最大相似度後，將該最大相似度與第一預設閾值進行比較；如果該最大相似度小於第一預設閾值，則可認為負例語句c0與每個訓練語句均不相似，也即該負例語句c0是非業務型語句(與業務無關)，該非業務型語句會對模型評測產生不利影響，此時可將該負例語句確定為目標剔除語句。對於該目標剔除語句，後續可從負例語句中進行剔除。
71.通過以上方式，可從負例語句中篩選出非業務型語句，並作為目標剔除語句，從而方便後續對負例語句(或測試語句)進行調整與更新。
72.在一些實施中，所述訓練語句包括第一語句和第二語句，所述第一語句和所述第二語句具有對應的語句意圖，所述目標語句包括目標剔除語句，步驟s30包括：
73.步驟a33，獲取所述負例語句與所述第一語句的第一文本相似度、以及所述負例語句與所述第一語句的第二文本相似度，並獲取所述第一文本相似度與所述第二文本相似度的相似度差值；
74.目標語句可以包括目標剔除語句。根據負例語句和訓練語句，可以計算負例語句和每一個訓練語句的文本相似度(可通過餘弦相似度等方式表徵)，然後通過兩兩比較的方式確定出兩個文本相似度之間的相似度差值。具體的，訓練語句包括第一語句c1和第二語句c2，所述第一語句和所述第二語句具有對應的語句意圖；對於負例語句c0，可計算出負例語句c0與第一語句c1的文本相似度x01、以及負例語句c0與第二語句c2的文本相似度x02，然後計算得到文本相似度x01與文本相似度x02之間的相似度差值x0102。
75.步驟a34，在所述相似度差值小於第二預設閾值、且所述第一語句和所述第二語句的語句意圖不一致情況下，將所述負例語句確定為目標剔除語句。
76.對於計算得到的相似度差值x0102，如果該相似度差值x0102小於第二預設閾值，且第一語句c1和第二語句c2分別對應不同語句意圖(意圖種類不一致)，那麼可認為該負例語句c0與多個語句意圖種類的匹配度相近，也即該負例語句c0是多意圖型語句，該多意圖型語句會對模型評測產生不利影響，此時可將該負例語句確定為目標剔除語句。對於該目標剔除語句，後續可從負例語句中進行剔除。
77.通過以上方式，可從負例語句中篩選出多意圖型語句，並作為目標剔除語句，從而方便後續對負例語句(或測試語句)進行調整與更新。
78.在一些實施中，所述訓練語句包括第三語句，所述第三語句具有對應的語句意圖，所述目標語句包括誤判語句，步驟s30包括：
79.步驟a35，獲取所述負例語句和所述第三語句的文本相似度；
80.對於負例語句，有可能出現誤判的情況，例如按照a意圖編寫的測試語句，該測試語句的原始意圖為a，但實際中由於編寫或者其它原因、該測試語句實際是對應了b意圖，此時認為該測試語句為誤判語句。針對，可以對負例語句中確定出誤判語句，並進行誤判調整。具體的，訓練語句包括第三語句c3，所述第三語句具有對應的語句意圖；對於負例語句c0，可通過文本相似度等方式計算出負例語句c0與第三語句c3的文本相似度x03。
81.步驟a36，在所述文本相似度小於第三預設閾值、且所述負例語句的原始意圖和所述第三語句的語句意圖不一致的情況下，確定所述負例語句為誤判語句。
82.對於計算得到的文本相似度x03，如果小於第三預設閾值，且負例語句的原始意圖和第三語句c3的語句意圖不一致(分別對應不同意圖種類)，那麼可認為該負例語句c0屬於誤判的情況，此時可將該負例語句確定為誤判語句。對於該誤判語句，後續可從負例語句調整為正例語句，並保留在測試語句中，當然還可以對該誤判語句的原始意圖進行調整。
83.通過以上方式，可從負例語句中篩選出誤判語句，從而方便後續對負例語句(或測試語句)進行調整與更新。
84.步驟s40，根據所述目標語句更新所述測試語句；
85.本實施例中，在確定出目標語句後，可根據目標語句對測試語句進行更新，從而得到更新後的測試語句。具體的，對於目標語句中的目標剔除語句，由於會對模型評測產生不利影響，因此可將目標剔除語句從測試語句中刪除；而對於目標語句中的誤判語句，則可以將其從負例語句調整為正例語句，並保留在測試語句中，當然還可以對該誤判語句的原始意圖進行調整。
86.步驟s50，將所述更新後的測試語句輸入所述待測模型，得到所述待測模型輸出的第二預測意圖，以根據所述第二預測意圖獲得第二評測結果。
87.本實施例中，在得到更新後的的測試語句後，可將更新後的測試語句輸入到待測模型，由待測模型進行分析，並獲得待測模型輸出的預測結果，該預測結果包括第二預測意圖，然後可根據第二預測意圖獲得待測模型的第二評測結果，包括測試語句的分類準確率等指標。
88.本實施例中，通過獲取測試語句及對應的原始意圖，並將所述測試語句輸入待測模型，得到所述待測模型輸出的第一預測意圖，以根據所述第一預測意圖獲得第一評測結果；在所述第一評測結果不滿足預設條件的情況下，根據所述原始意圖和所述第一預測意圖、在所述測試語句中確定負例語句；獲取所述待測模型的訓練語句，並根據所述訓練語句和所述負例語句確定目標語句；根據所述目標語句更新所述測試語句；將所述更新後的測試語句輸入所述待測模型，得到所述待測模型輸出的第二預測意圖，以根據所述第二預測意圖獲得第二評測結果。通過以上方式，本實施例在模型初次評測後，利用自動化的流程，對測試數據進行調整更新，然後利用更新後的測試數據進行二次評測，從而獲得二次評測結果，實現了評測結果的自動修正，有利於提高模型評測的準確性，同時節約了評測所需的人力成本，提高了評測效率。
89.本發明還提供一種模型評測裝置。
90.參照圖3，圖3為本發明模型評測裝置第一實施例的功能模塊示意圖。
91.如圖3所示，所述模型評測裝置包括：
92.第一評測模塊10，獲取測試語句及對應的原始意圖，並將所述測試語句輸入待測模型，得到所述待測模型輸出的第一預測意圖，以根據所述第一預測意圖獲得第一評測結果；
93.第一確定模塊20，在所述第一評測結果不滿足預設條件的情況下，根據所述原始意圖和所述第一預測意圖、在所述測試語句中確定負例語句；
94.第二確定模塊30，獲取所述待測模型的訓練語句，並根據所述訓練語句和所述負例語句確定目標語句；
95.語句更新模塊40，根據所述目標語句更新所述測試語句；
96.第二評測模塊50，將所述更新後的測試語句輸入所述待測模型，得到所述待測模型輸出的第二預測意圖，以根據所述第二預測意圖獲得第二評測結果。
97.進一步地，所述第一確定模塊20具體用於：
98.比對所述原始意圖和所述第一預測意圖，確定與所述原始意圖不一致的負例預測意圖；根據所述負例預測意圖、在所述測試語句中確定對應的負例語句。
99.進一步地，所述目標語句包括目標剔除語句，所述第二確定模塊30包括：
100.第一獲取單元，用於獲取所述負例語句和所述訓練語句的文本相似度，並根據所述文本相似度確定最大相似度；
101.第一確定單元，用於在所述最大相似度小於第一預設閾值的情況下，將所述負例語句確定為目標剔除語句。
102.進一步地，所述訓練語句包括第一語句和第二語句，所述第一語句和所述第二語句具有對應的語句意圖，所述第二確定模塊30包括：
103.第二獲取單元，用於獲取所述負例語句與所述第一語句的第一文本相似度、以及所述負例語句與所述第一語句的第二文本相似度，並獲取所述第一文本相似度與所述第二
文本相似度的相似度差值；
104.第二確定單元，用於在所述相似度差值小於第二預設閾值、且所述第一語句和所述第二語句的語句意圖不一致情況下，將所述負例語句確定為目標剔除語句。
105.進一步地，所述語句更新模塊40，具體用於將所述目標剔除語句從所述測試語句中剔除。
106.進一步地，所述訓練語句包括第三語句，所述第三語句具有對應的語句意圖，所述目標語句包括誤判語句，所述第二確定模塊30，還包括：
107.第三獲取單元，用於獲取所述負例語句和所述第三語句的文本相似度；
108.第三確定單元，用於在所述文本相似度小於第三預設閾值、且所述負例語句的原始意圖和所述第三語句的語句意圖不一致的情況下，確定所述負例語句為誤判語句；
109.所述語句更新模塊40，具體用於將所述誤判語句調整為正例語句，並保留所述正例語句。
110.其中，上述模型評測裝置中各個模塊的功能實現與上述模型評測方法實施例中各步驟相對應，其功能和實現過程在此處不再一一贅述。
111.本發明還提供一種計算機可讀存儲介質，該計算機可讀存儲介質上存儲有電腦程式，所述電腦程式被處理器執行時實現如以上任一項實施例所述的模型評測方法的步驟。
112.本發明計算機可讀存儲介質的具體實施例與上述模型評測方法各實施例基本相同，在此不作贅述。
113.本發明還提供一種電腦程式產品，包括電腦程式，所述電腦程式被處理器執行時實現如以上任一項所述的模型評測方法的步驟。
114.本發明電腦程式產品的具體實施例與上述模型評測方法各實施例基本相同，在此不作贅述。
115.需要說明的是，在本文中，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者系統不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者系統所固有的要素。在沒有更多限制的情況下，由語句「包括一個
……」
限定的要素，並不排除在包括該要素的過程、方法、物品或者系統中還存在另外的相同要素。
116.上述本發明實施例序號僅僅為了描述，不代表實施例的優劣。
117.通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到上述實施例方法可藉助軟體加必需的通用硬體平臺的方式來實現，當然也可以通過硬體，但很多情況下前者是更佳的實施方式。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在如上所述的一個存儲介質(如rom/ram、磁碟、光碟)中，包括若干指令用以使得一臺終端設備(可以是手機，計算機，伺服器，空調器，或者網絡設備等)執行本發明各個實施例所述的方法。
118.以上僅為本發明的優選實施例，並非因此限制本發明的專利範圍，凡是利用本發明說明書及附圖內容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發明的專利保護範圍內。