一種後續新聞的追蹤方法、裝置、設備及可讀存儲介質與流程

2024-04-12 12:38:05 4

1.本技術涉及數據挖掘技術領域，尤其涉及一種後續新聞的追蹤方法、裝置、設備及可讀存儲介質。


背景技術：

2.在網際網路蓬勃發展的當下，尤其是在web2.0時代，各個社交平臺提供給每個用戶發聲的渠道，社交平臺每天會產生海量新聞，並且實時爆發大量的熱點新聞，並且，伴隨著事件的發展，熱點新聞在後續可能會不斷地發酵，乃至於反轉，因此，如何實現對熱點新聞的後續新聞的有針對性的追蹤是亟待解決的議題。


技術實現要素：

3.本技術提供了一種後續新聞的追蹤方法、裝置、設備及可讀存儲介質，如下：
4.一種後續新聞的追蹤方法，包括：
5.獲取待追蹤熱點新聞的熱度指標，所述熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標；
6.基於所述待追蹤熱點新聞的熱度指標，構建多元邏輯回歸模型，所述多元邏輯回歸模型用於基於實時輸入的熱度指標，輸出熱度概率，所述熱度概率用於指示作為輸入的熱度指標對應的新聞處於爆發狀態的概率；
7.獲取後續新聞簇，所述後續新聞簇為通過聚類得到的、包括多個所述待追蹤熱點新聞的後續新聞的新聞集合；
8.計算所述後續新聞簇的熱度指標；
9.將所述後續新聞簇的熱度指標輸入至所述多元邏輯回歸模型，獲取所述多元邏輯回歸模型輸出的熱度概率；
10.基於所述熱度概率判斷所述後續新聞簇是否滿足預設條件，所述預設條件包括所述熱度概率大於預設的概率閾值；
11.若是，將所述後續新聞簇作為所述待追蹤熱點新聞的後續熱點新聞簇。
12.可選的，獲取待追蹤熱點新聞的熱度指標包括：
13.提取所述待追蹤熱點新聞的關鍵詞；
14.基於所述待追蹤熱點新聞的關鍵詞，獲取所述待追蹤熱點新聞的相似新聞；
15.獲取歷史熱點新聞簇，所述歷史熱點新聞簇包括所述待追蹤熱點新聞以及多個所述待追蹤熱點新聞的相似新聞；
16.獲取所述歷史熱點新聞簇中每一條新聞的熱度特徵，所述熱度特徵包括閱讀量、評論量、權威媒體數量、頭部媒體數量、腰部媒體數量、普通媒體數量、以及內容豐富度；
17.基於所述歷史熱點新聞簇中各個新聞的熱度特徵，計算所述歷史熱點新聞簇的熱度指標；
18.將所述歷史熱點新聞簇的熱度指標，作為所述獲取待追蹤熱點新聞的熱度指標。
19.可選的，獲取後續新聞簇，包括：
20.監控實時新聞，獲取所述實時新聞的關鍵詞，得到所述實時新聞的關鍵詞集合；
21.將所述實時新聞的關鍵詞集合與所述歷史熱點新聞簇的關鍵詞集合進行相似度比對，判斷所述歷史熱點新聞簇的關鍵詞集合是否是所述實時新聞的關鍵詞集合的子集；
22.判斷所述實時新聞和所述待追蹤熱點新聞的文本相似度是否在預設的相似度範圍內；
23.若所述實時新聞滿足預設的後續判定條件，則確定所述實時新聞是所述待追蹤熱點新聞的後續新聞，將所述實時新聞加入後續新聞集合，所述後續判定條件包括所述歷史熱點新聞簇的關鍵詞集合是所述實時新聞的關鍵詞集合的子集，且所述實時新聞和所述待追蹤熱點新聞的文本相似度在所述相似度範圍內；
24.基於文本相似度，對所述後續新聞集合中的新聞進行聚類，得到至少一個後續新聞簇。
25.可選的，計算所述後續新聞簇的熱度指標，包括：
26.實時獲取所述後續新聞簇中每一條新聞的熱度特徵，基於所述後續新聞簇中各個新聞的熱度特徵，計算所述後續新聞簇的熱度指標。
27.可選的，基於目標新聞簇中各個新聞的熱度特徵，計算目標新聞簇的熱度指標，所述目標新聞簇包括所述後續新聞簇和所述歷史熱點新聞簇，包括：
28.將所述目標新聞簇中各個新聞的閱讀量相加得到實時閱讀總量，並基於實時閱讀總量的增長率獲取所述目標新聞簇的傳播度指標，所述傳播度指標與所述實時閱讀總量的增長率正相關；
29.基於所述目標新聞簇中各個新聞的權威媒體數量、頭部媒體數量、腰部媒體數量、和普通媒體數量，得到所述目標新聞簇的權威媒體總數量、頭部媒體總數量、腰部媒體總數量、和普通媒體總數量，基於所述權威媒體總數量的增長率、所述頭部媒體總數量的增長率、所述腰部媒體總數量的增長率、和所述普通媒體總數量的增長率，計算所述目標新聞簇的發布者權威度指標；
30.基於所述目標新聞簇中各個新聞的評論量，得到所述目標新聞簇在至少一個時間段的評論總量，將所述目標新聞簇中各個新聞的內容豐富度求平均得到所述目標新聞簇的平均內容豐富度，基於所述至少一個時間段的評論總量的增長率和平均內容豐富度，計算所述目標新聞簇的豐富度指標。
31.可選的，預設條件還包括：
32.所述後續新聞簇的熱度指標大於所述待追蹤熱點新聞的熱度指標；
33.和/或，所述後續新聞簇的熱度指標大於預設的熱度指標閾值。
34.可選的，本方法還包括：
35.獲取所述後續熱點新聞簇的關鍵詞集合，作為後續熱點詞集合；
36.關聯所述待追蹤熱點新聞、所述後續熱點新聞簇以及所述後續熱點詞集合。
37.一種後續新聞的追蹤裝置，包括：
38.第一指標計算單元，用於獲取待追蹤熱點新聞的熱度指標，所述熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標；
39.模型構建單元，用於基於所述待追蹤熱點新聞的熱度指標，構建多元邏輯回歸模
型，所述多元邏輯回歸模型用於基於實時輸入的熱度指標，輸出熱度概率，所述熱度概率用於指示作為輸入的熱度指標對應的新聞處於爆發狀態的概率；
40.新聞監控單元，用於獲取後續新聞簇，所述後續新聞簇為通過聚類得到的、包括多個所述待追蹤熱點新聞的後續新聞的新聞集合；
41.第二指標計算單元，用於計算所述後續新聞簇的熱度指標；
42.模型應用單元，用於將所述後續新聞簇的熱度指標輸入至所述多元邏輯回歸模型，獲取所述多元邏輯回歸模型輸出的熱度概率；
43.條件判斷單元，用於基於所述熱度概率判斷所述後續新聞簇是否滿足預設條件，所述預設條件包括所述熱度概率大於預設的概率閾值；
44.後續熱點確定單元，用於若是，將所述後續新聞簇作為所述待追蹤熱點新聞的後續熱點新聞簇。
45.一種後續新聞的追蹤設備，包括：存儲器和處理器；
46.所述存儲器，用於存儲程序；
47.所述處理器，用於執行所述程序，實現後續新聞的追蹤方法的各個步驟。
48.一種可讀存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時，實現後續新聞的追蹤方法的各個步驟。
49.由上述技術方案可以看出，本技術實施例提供的後續新聞的追蹤方法、裝置、設備及可讀存儲介質，基於待追蹤熱點新聞的熱度指標，構建多元邏輯回歸模型，多元邏輯回歸模型用於基於實時輸入的熱度指標，輸出熱度概率，獲取後續新聞簇，計算後續新聞簇的熱度指標。將後續新聞簇的熱度指標輸入至多元邏輯回歸模型，獲取多元邏輯回歸模型輸出的熱度概率。進一步當後續新聞簇滿足預設條件時，將後續新聞簇作為待追蹤熱點新聞的後續熱點新聞簇，其中，熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標，也即熱度指標能夠指示新聞在多個維度上的熱門程度。熱度概率用於指示作為輸入的熱度指標對應的新聞處於爆發狀態的概率。也即，本技術得到的熱度概率結果能夠指示後續新聞簇處於爆發狀態的概率，又由於，預設條件包括熱度概率大於預設的概率閾值，因此，本技術的後續新聞追蹤結果包括處於爆發狀態的概率大於預設概率閾值的後續新聞簇，由於，多元邏輯回歸模型基於待追蹤熱點新聞構建，提高了後續新聞簇的熱度概率的準確性，實現有針對性地追蹤不同熱點新聞。
附圖說明
50.為了更清楚地說明本技術實施例或現有技術中的技術方案，下面將對實施例或現有技術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技術的一些實施例，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。
51.圖1為本技術實施例提供的一種後續新聞的追蹤方法的具體實施方式的流程示意圖；
52.圖2為本技術實施例提供的一種後續新聞的追蹤系統的結構示意圖；
53.圖3為本技術實施例提供的一種後續新聞的追蹤方法的流程示意圖；
54.圖4為本技術實施例提供的一種後續新聞的追蹤裝置的結構示意圖；
55.圖5為本技術實施例提供的一種後續新聞的追蹤設備的結構示意圖。
具體實施方式
56.下面將結合本技術實施例中的附圖，對本技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本技術一部分實施例，而不是全部的實施例。基於本技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本技術保護的範圍。
57.本技術提供的方法，可以適用於需要針對歷史熱點新聞進行後續新聞的追蹤的場景，具體的，可以應用於對社交媒體平臺上的各個歷史熱點新聞進行追蹤，監控歷史熱點新聞的後續新聞報導，並監測由後續新聞報導是否產生熱點，本技術中，將歷史熱點新聞的後續新聞的產生熱點的情況，稱為歷史熱點新聞的「二次爆發」。
58.例如，2022年9月30日發布的新聞n0「a城市將在2022年10月30日舉辦大型博覽會」成為高熱度新聞，也即歷史熱點新聞，在2022年10月31日發布了新聞n1「在a城市大型博覽會的舉辦的第一天的客流量達到2萬人」，以及新聞n2「在a城市大型博覽會的舉辦的第一天展出了超過200件珍貴展品」。新聞n1和新聞n2均屬於歷史新聞n0的後續報導，結合歷史新聞熱點的熱度特徵曲線對新聞n1和新聞n2進行分析，識別新聞n1和/或新聞n2是否爆發熱點，若是將新聞n1和/或新聞n2爆發的熱點與歷史熱點新聞關聯，形成熱點新聞鏈。
59.進一步的，本技術方案可以應用於智能設備，例如電腦、平板或智慧型手機。另外本方案也可以應用於伺服器。接下來，結合附圖1對本技術後續新聞的追蹤方法進行介紹，如圖1示例了一種後續新聞的追蹤方法流程圖，該方法詳細包括：
60.s101、獲取待追蹤熱點新聞。
61.本實施例中，熱點新聞為熱度值大於預設熱度閾值的新聞，其中，新聞的熱度值基於熱度特徵確定，熱度特徵包括但不下限於閱讀量、評論量、以及轉發量，具體參見現有技術。
62.s102、基於待追蹤熱點新聞，獲取歷史熱點新聞簇。
63.本實施例中，歷史熱點新聞簇包括待追蹤熱點新聞以及至少一條待追蹤熱點新聞的相似新聞。
64.本實施例中，待追蹤熱點新聞的相似新聞的獲取方法包括：
65.1、對待追蹤熱點新聞的文本進行預處理，使用訓練好的bert模型(預先基於transformer encoder構建的雙向結構模型)抽取待追蹤熱點新聞的關鍵詞以及其他新聞的關鍵詞。
66.2、將關鍵詞與待追蹤熱點新聞的關鍵詞匹配度大於預設閾值的其他新聞作為候選新聞。
67.3、按照熱度值從高到低對候選新聞進行排序，獲取序位前n的候選新聞作為待追蹤熱點新聞的相似新聞，加入歷史熱點新聞簇。
68.s103、獲取歷史熱點新聞簇的熱度特徵和關鍵詞集合。
69.本實施例中，歷史熱點新聞簇的熱度特徵的獲取方法包括：
70.1、基於歷史熱點新聞簇中每一條新聞的新聞源(稱為新聞id)，獲取每一新聞的熱度特徵。
71.本實施例中，熱度特徵包括閱讀量、評論量、轉發量、發布新聞的權威媒體數量、頭部媒體數量、腰部媒體數量、普通媒體數量、以及新聞內容豐富度等。
72.2、基於歷史熱點新聞簇中每一條新聞的熱度特徵，獲取歷史熱點新聞簇的熱度特徵。
73.本實施例中，歷史熱點新聞簇的閱讀量、評論量、轉發量、發布新聞的權威媒體數量、頭部媒體數量、腰部媒體數量、和普通媒體數量，均通過對各個新聞的熱度特徵的加和或者取平均得到。新聞內容豐富度通過對各個新聞的熱度特徵求平均得到。
74.本實施例中，歷史熱點新聞簇的關鍵詞集合包括歷史熱點新聞簇中熱度值最高的新聞的關鍵詞。
75.需要說明的是，通過預設的熱度特徵實時更新服務獲取歷史熱點新聞簇中各個新聞在預設的歷史時間段內各個時間點的熱度特徵，歷史時間段為從新聞發布時間開始至待追蹤熱點新聞的熱度達到最高值的時間。具體參見現有技術。
76.s104、基於歷史熱點新聞簇的熱度特徵，計算歷史熱點新聞簇的熱度指標。
77.本實施例中，熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標。
78.具體的，傳播度指標x1用於指示歷史熱點新聞簇的傳播廣度(也即廣泛程度)，可選地，通過計算閱讀量的增長率得到。
79.發布者權威度指標x2用於從新聞傳播方的權威等級角度指示歷史熱點新聞簇的新聞價值，可以理解的是，根據歷史新聞的傳播數據總結概括可以得出結論，發布者權威度越高，或數量越多，其發布新聞的新聞價值越高，可選地，x2基於從發布新聞的權威媒體數量、頭部媒體數量、腰部媒體數量、以及普通媒體數量的轉發量增長率綜合計算得到。需要說明的是，新聞傳播方的權威等級通過分析新聞傳播方的註冊信息得到，例如，官方帳號的權威等級高於私人帳號。
80.豐富度指標x3通過新聞內容豐富度和評論數得到，例如，關鍵詞在新聞內容中的佔比越小，新聞內容豐富度越高。
81.本實施例中，計算歷史熱點新聞簇的熱度指標的具體方法如下：
82.x1＝δr％，r為閱讀量，用於表示增長率計算，例如，r2和r1分別表示不同時刻的閱讀量，％表示進行百分比換算。
83.x2＝δ(1000
·
t1+100
·
t2+10
·
t3+t4)％，其中，t1為權威媒體數量，t2為頭部媒體數量，t3為腰部媒體數量，t4為普通用戶數量。
84.其中，d1為最近1小時內討論量，d6為最近6小時內討論量，f(k)表示新聞內容豐富度，其中，k表示關鍵詞在新聞內容中的佔比，也即f(k)表示新聞內容豐富度是k的函數，具體的，f(k)與k反相關。本實施例中，討論量可以為評論量。f(k)的具體計算方法參見現有技術。
85.s105、構建熱度趨勢曲線，基於熱度趨勢曲線構建多元邏輯回歸模型。
86.本實施例中，多元邏輯回歸模型的自變量為傳播度指標、發布者權威度指標、以及豐富度指標，因變量為熱度概率p。熱度概率用於指示作為輸入的熱度指標對應的新聞(單條新聞或新聞簇)處於爆發狀態的概率。
87.本實施例中，模型如下：
[0088][0089]
其中，y表示熱度指標集合，p(y＝j|x1，x2，x3)表示在j時刻，熱度指標集合包括三個熱度指標分別等於|x1，x2，x3的情況下的熱度概率，α、β1、β2、β3為預設模型參數，x1、x2、x3表示三個熱度指標，計算方法參見上述步驟。
[0090]
需要說明的是，基於熱度趨勢曲線構建從新聞的傳播度、發布者權威度、豐富度三個角度，構建多元邏輯回歸模型，在構建模型前完成數據相關性驗證，通過擬合優度檢驗和參數驗證分析，模型通過驗證，具體的模型構建方法參見現有技術。
[0091]
s106、監控實時新聞，判斷實時新聞是否屬於待追蹤熱點新聞的後續新聞，若是，將實時新聞加入後續新聞集合。
[0092]
本實施例中，判斷實時新聞是否屬於待追蹤熱點新聞的後續新聞的判斷方法包括：
[0093]
1、訓練好的bert模型抽取實時新聞的關鍵詞，得到實時新聞的關鍵詞集合。
[0094]
2、將實時新聞的關鍵詞集合與歷史熱點新聞簇的關鍵詞集合進行相似度比對，判斷歷史熱點新聞簇的關鍵詞集合是否是實時新聞的關鍵詞集合的子集。
[0095]
本實施例中，採用dfa算法對不同關鍵詞集合中的關鍵詞進行相似度判斷，若相似度大於預設相似度閾值，則確定關鍵詞相同。
[0096]
3、若是，計算實時新聞和待追蹤熱點新聞的文本相似度，文本相似度是否在預設相似度範圍內。
[0097]
本實施例中，使用doc2vec分別獲取實時新聞和待追蹤熱點新聞的向量表達，計算實時新聞和待追蹤熱點新聞的向量表達的餘弦相似距離，並基於餘弦相似距離獲取實時新聞和待追蹤熱點新聞的文本相似度，預設相似度範圍取值為[0.65，0.8]。
[0098]
4、若是，則確定實時新聞是待追蹤熱點新聞的後續新聞。
[0099]
可見本技術從關鍵詞和全文本兩個角度考慮實時新聞是否符合後續新聞的特點，對於後續新聞的判斷結果更加準確。
[0100]
s107、對後續新聞集合中的新聞進行聚類，得到至少一個後續新聞簇。
[0101]
本實施例中，基於後續新聞間的文本相似度對後續新聞集合中的新聞進行聚類，具體方法參見現有技術。
[0102]
s108、獲取後續新聞簇的關鍵詞集合以及熱度特徵。
[0103]
本實施例中，獲取後續新聞簇的關鍵詞集合以及熱度特徵的方法參見s103。
[0104]
s109、基於後續新聞簇的熱度特徵，獲取後續新聞簇的熱度指標。
[0105]
具體的熱度指標計算方法參見上述步驟。
[0106]
s110、基於後續新聞簇的熱度指標，得到多元邏輯回歸模型輸出的熱度概率，作為後續新聞簇的熱度概率。
[0107]
s111、若後續新聞簇的熱度概率大於預設的概率閾值，確定後續新聞簇為熱點新聞簇。
[0108]
s112、若確定後續新聞簇為熱點新聞簇，基於後續新聞簇的關鍵詞集合，獲取待追蹤熱點新聞的後續熱點詞。
[0109]
本實施例中，選擇存在於後續新聞簇的關鍵詞集合且不存在於歷史熱點新聞簇的關鍵詞集合的關鍵詞，作為待追蹤熱點新聞的後續熱點詞。
[0110]
可見，待追蹤熱點新聞的後續熱點詞用於表徵待追蹤熱點新聞的後續新聞的熱門話題。例如，新聞n0「a城市將在2022年10月30日舉辦大型博覽會」的後續熱點詞包括客流量，表示新聞n0的後續新聞中的熱門話題是客流量，以「客流量」為關鍵詞的後續新聞簇成為了熱點新聞簇，通俗來說，新聞n0由於客流量話題產生了「二次爆發」。
[0111]
s113、關聯待追蹤熱點新聞、後續熱點詞、以及後續新聞簇。
[0112]
本實施例中，將待追蹤熱點新聞、後續熱點詞、以及後續新聞簇的關聯關係存儲並以預設形式展示。例如，在待追蹤熱點新聞的展示界面增加後續熱點詞的展示以及後續新聞簇的跳轉連結。
[0113]
由上述技術方案可以看出，本技術實施例提供的後續新聞的追蹤方法，通過監測分析實時新聞的關鍵詞，確定待追蹤熱點新聞的後續新聞簇，並且，通過後續新聞簇的實時的熱度特徵和多元邏輯回歸模型，確定後續新聞簇是否爆發熱點，其中，多元邏輯回歸模型是基於後續新聞簇的前續新聞(也即待追蹤熱點新聞)的熱度趨勢曲線構建的，因此，對於後續新聞簇是否爆發熱點的判斷結果更加準確，可見，本技術既實現了後續新聞的實時追蹤，同時基於待追蹤熱點新聞的歷史熱度趨勢曲線判斷得到後續新聞中的熱點新聞，結合後續新聞與前續新聞的相關性，實現有準對性的實現對不同熱點新聞的後續新聞追蹤。
[0114]
可以理解的是，本技術提供的方案與現有熱點新聞挖掘方法不同，現有的熱點新聞通常會根據新聞的實時熱度特徵判斷新聞是否呈爆發狀態。但是顯然，不同類別的新聞的爆發狀態下的熱度特徵趨勢不同，例如，體育類新聞和娛樂類新聞在爆發態上呈現出明顯的不同。且後續新聞的爆發態與前續新聞的爆發態也存在關聯。因此，本技術通過構建每一熱點新聞的判定模型，判斷後續新聞的爆發太，具有針對性強且準確度高的特徵，挖掘出的後續新聞的追蹤價值更高。進一步，結合三個維度的熱度指標構建多元邏輯回歸模型，傳播度指標、發布者權威度指標、以及豐富度指標通過實時監測的熱度特徵計算得到，能夠指示不同維度的新聞熱度，因此，進一步提高了判斷結果的準確性和客觀性。
[0115]
進一步，通過關聯展示關聯待追蹤熱點新聞、後續熱點詞、以及後續新聞簇，可視化熱點新聞的追蹤軌跡，使得用戶關注新聞事件發展更加便利，改善用戶體驗。
[0116]
綜上所述，本發明對媒體報導的新聞後續進行追蹤，能夠很好的解決熱點實時追蹤問題。採用參照前序新聞的爆發態前的熱度走勢，對後續新聞進行熱度建模，提升挖掘出來的後續熱點新聞的準確性。
[0117]
需要說明的是，圖1僅為一種可選的後續新聞的追蹤方法的具體實現流程，本技術還包括其它可選的具體實現方法，例如：
[0118]
在一種可選的實施例中，s104基於歷史熱點新聞簇的熱度特徵，計算歷史熱點新聞簇的熱度指標時，熱度指標還可以包括評論者參與度指標。
[0119]
評論者參與度指標用於從新聞受眾的角度指示歷史熱點新聞簇的新聞價值，可以理解的是，根據歷史新聞的傳播數據總結概括可以得出結論，新聞評論者的類型(從帳號註冊職業、帳號註冊年限、帳號註冊年齡等區分帳號使用者(討論者)的類型)越廣泛，或，評論內容越豐富，則被評論的新聞價值越高。
[0120]
並且，本實施例對每一熱度指標的計算方法不做限定，圖1僅示例了一種可選的熱
度指標的具體計算方法。
[0121]
在一種可選的實施例中，還包括基於待追蹤熱點新聞的類型獲取超時時間，在超時時間內執行本方法，達到超時時間後，忽略待追蹤熱點新聞。
[0122]
在一種可選的實施例中，s111在確定後續新聞簇的熱度概率大於預設的概率閾值後，還包括判斷後續新聞簇的熱度指標是否大於歷史熱點新聞簇的熱度指標或者是否大於預設的指標值閾值，若是，確定後續新聞簇為熱點新聞簇。
[0123]
在一種可選的實施例中，本方法還包括：熱點新聞統一管理。例如：
[0124]
1、將歷史熱點新聞簇的關鍵詞集合、新聞熱度值和對應的多元邏輯回歸模型存入前續新聞庫，進行統一管理和維護。
[0125]
2、將後續新聞集合中的後續新聞依序存入後續新聞監控隊列進行統一管理和維護。
[0126]
3、將確定為熱點新聞簇的後續新聞簇存入新聞熱點簇資料庫進行統一管理和維護。
[0127]
需要說明的是，基於對應的預設超時時長管理各個新聞庫，實時地從新聞庫中刪除超過超時時長的數據。
[0128]
圖2示例了一種後續新聞的追蹤系統的結構示意圖，本技術基於後續與前續新聞從文本方面會存在相似度，受用戶的關注方面也會呈現出一定的相關性的原理，構建後續新聞的追蹤系統，如圖2所示，追蹤系統20包括熱點新聞管理模塊201、鑑別後續新聞模塊202、文本聚合處理模塊203以及爆發判定模塊204。
[0129]
如圖2所示，熱點新聞管理模塊用於獲取待追蹤熱點新聞後，調用關鍵詞抽取服務獲取關鍵詞集合，並調用相似新聞查詢服務，獲取相似新聞，從而得到歷史熱點新聞簇，通過調用熱度特徵實時更新服務，獲取歷史熱點新聞簇的熱度特徵，基於歷史熱點新聞簇的熱度特徵，計算歷史熱點新聞簇的熱度指標，構建熱度趨勢曲線，基於熱度趨勢曲線構建多元邏輯回歸模型，並將多元邏輯回歸模型、關鍵詞集合等信息存入前續新聞庫。熱點新聞管理模塊的具體功能參見上述實施例。
[0130]
如圖2所示，鑑別後續新聞模塊獲取實時新聞，調用關鍵詞比對服務獲取時事新聞的關鍵詞集合，調用相似度比對服務針對實時新聞和前續新聞庫中的歷史熱點新聞簇進行關鍵詞比對以及全文本比對，以判斷實時新聞是否是待追蹤熱點新聞的後續新聞，並將後續新聞以及後續新聞的關鍵詞集合存入後續新聞監控隊列。具體的鑑別後續新聞模塊的功能實現過程參見上述實施例。
[0131]
如圖2所示，文本聚合處理模塊調用相似度比對服務對後續新聞監控隊列中的後續新聞進行聚類得到後續新聞簇，並將後續新聞簇存入後續新聞簇資料庫。需要說明的是，文本聚合處理模塊可以按周期從後續新聞監控隊列中提取後續新聞，也可以逐條提取後續新聞，聚類的方法包括全量聚類，或者判斷新加入的後續新聞是否加入原有的後續新聞簇。文本聚合處理模塊的功能實現過程參見上述實施例。
[0132]
如圖2所示，爆發判定模塊調用熱度特徵實時更新服務，獲取後續新聞簇資料庫中的後續新聞的熱度特徵，進一步得到各個後續新聞簇的熱度指標，進而調用前續新聞庫中的基於熱度趨勢曲線構建的多元邏輯回歸模型，得到多元邏輯回歸模型的熱度概率，至少基於熱度概率判斷待追蹤熱點新聞的後續新聞簇是否處於爆發狀態，進一步，輸出屬於熱
點新聞的後續新聞簇以及後續新聞簇的關鍵詞集合。爆發判定模塊的功能實現過程參見上述實施例。
[0133]
需要說明的是，上述前續新聞庫、後續新聞監控隊列、新聞簇資料庫均設置定時裝置，用於刪除超時數據，具體參見現有技術。
[0134]
綜上所述，將本技術提供的後續新聞的追蹤方法總結概括為圖2所示的流程，如圖3所示，本方法包括：
[0135]
s301、獲取待追蹤熱點新聞的熱度指標。
[0136]
本實施例中，熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標。
[0137]
可選地，待追蹤熱點新聞的熱度指標的獲取方法包括：
[0138]
直接基於待追蹤熱點新聞在歷史時間段內各時刻的熱度特徵計算熱度指標。
[0139]
或者，基於待追蹤熱點新聞所屬的新聞簇(也即歷史熱點新聞簇)中各個新聞在歷史時間段內各時刻的熱度特徵計算得到歷史熱點新聞簇的熱度指標，將該歷史熱點新聞簇的熱度指標作為待追蹤熱點新聞的熱度指標。
[0140]
可選的一種熱度指標的具體獲取方法參見上述實施例。
[0141]
s302、基於待追蹤熱點新聞的熱度指標，構建多元邏輯回歸模型。
[0142]
本實施例中，多元邏輯回歸模型用於基於實時輸入的熱度指標，輸出熱度概率，熱度概率用於指示作為輸入的熱度指標對應的新聞處於爆發狀態的概率。可選的一種構建多元邏輯回歸模型的具體方法參見上述實施例。
[0143]
s303、獲取後續新聞簇並計算後續新聞簇的熱度指標。
[0144]
本實施例中，後續新聞簇為通過聚類得到的、包括多個待追蹤熱點新聞的後續新聞的新聞集合。可選的一種後續新聞簇的具體獲取方法參見上述實施例。
[0145]
s304、將後續新聞簇的熱度指標輸入至多元邏輯回歸模型，獲取多元邏輯回歸模型輸出的熱度概率。
[0146]
本實施例中，實時地將後續新聞簇的熱度指標作為自變量的取值輸入至多元邏輯回歸模型，多元邏輯回歸模型通過擬合得到作為輸入的熱度指標對應的後續新聞簇，在當前時刻處於爆發狀態的概率。
[0147]
s305、基於熱度概率判斷後續新聞簇是否滿足預設條件。
[0148]
本實施例中，預設條件包括熱度概率大於預設的概率閾值。
[0149]
s306、若是，將後續新聞簇作為待追蹤熱點新聞的後續熱點新聞簇。
[0150]
由上述技術方案可以看出，本技術實施例提供的後續新聞的追蹤方法，基於待追蹤熱點新聞的熱度指標，構建多元邏輯回歸模型，多元邏輯回歸模型用於基於實時輸入的熱度指標，輸出熱度概率，獲取後續新聞簇，計算後續新聞簇的熱度指標。將後續新聞簇的熱度指標輸入至多元邏輯回歸模型，獲取多元邏輯回歸模型輸出的熱度概率。進一步當後續新聞簇滿足預設條件時，將後續新聞簇作為待追蹤熱點新聞的後續熱點新聞簇，其中，熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標，也即熱度指標能夠指示新聞在多個維度上的熱門程度。熱度概率用於指示作為輸入的熱度指標對應的新聞處於爆發狀態的概率。也即，本技術得到的熱度概率結果能夠指示後續新聞簇處於爆發狀態的概率，又由於，預設條件包括熱度概率大於預設的概率閾值，因此，本技術的後續新聞追蹤結果包括處於爆發狀態的概率大於預設概率閾值的後續新聞簇，由於，多元邏輯回歸模型基於待追
蹤熱點新聞構建，提高了後續新聞簇的熱度概率的準確性，實現有針對性地追蹤不同熱點新聞。
[0151]
圖4示出了本技術實施例提供的一種後續新聞的追蹤裝置的結構示意圖，如圖4所示，該裝置可以包括：
[0152]
第一指標計算單元401，用於獲取待追蹤熱點新聞的熱度指標，所述熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標；
[0153]
模型構建單元402，用於基於所述待追蹤熱點新聞的熱度指標，構建多元邏輯回歸模型，所述多元邏輯回歸模型用於基於實時輸入的熱度指標，輸出熱度概率，所述熱度概率用於指示作為輸入的熱度指標對應的新聞處於爆發狀態的概率；
[0154]
新聞監控單元403，用於獲取後續新聞簇，所述後續新聞簇為通過聚類得到的、包括多個所述待追蹤熱點新聞的後續新聞的新聞集合；
[0155]
第二指標計算單元404，用於計算所述後續新聞簇的熱度指標；
[0156]
模型應用單元405，用於將所述後續新聞簇的熱度指標輸入至所述多元邏輯回歸模型，獲取所述多元邏輯回歸模型輸出的熱度概率；
[0157]
條件判斷單元406，用於基於所述熱度概率判斷所述後續新聞簇是否滿足預設條件，所述預設條件包括所述熱度概率大於預設的概率閾值；
[0158]
後續熱點確定單元407，用於若是，將所述後續新聞簇作為所述待追蹤熱點新聞的後續熱點新聞簇。
[0159]
可選地，第一指標計算單元用於獲取待追蹤熱點新聞的熱度指標，包括：第一指標計算單元具體用於：
[0160]
提取所述待追蹤熱點新聞的關鍵詞；
[0161]
基於所述待追蹤熱點新聞的關鍵詞，獲取所述待追蹤熱點新聞的相似新聞；
[0162]
獲取歷史熱點新聞簇，所述歷史熱點新聞簇包括所述待追蹤熱點新聞以及多個所述待追蹤熱點新聞的相似新聞；
[0163]
獲取所述歷史熱點新聞簇中每一條新聞的熱度特徵，所述熱度特徵包括閱讀量、評論量、權威媒體數量、頭部媒體數量、腰部媒體數量、普通媒體數量、以及內容豐富度；
[0164]
基於所述歷史熱點新聞簇中各個新聞的熱度特徵，計算所述歷史熱點新聞簇的熱度指標；
[0165]
將所述歷史熱點新聞簇的熱度指標，作為所述獲取待追蹤熱點新聞的熱度指標。
[0166]
可選地，新聞監控單元用於獲取後續新聞簇，包括：新聞監控單元具體用於：
[0167]
監控實時新聞，獲取所述實時新聞的關鍵詞，得到所述實時新聞的關鍵詞集合；
[0168]
將所述實時新聞的關鍵詞集合與所述歷史熱點新聞簇的關鍵詞集合進行相似度比對，判斷所述歷史熱點新聞簇的關鍵詞集合是否是所述實時新聞的關鍵詞集合的子集；
[0169]
判斷所述實時新聞和所述待追蹤熱點新聞的文本相似度是否在預設的相似度範圍內；
[0170]
若所述實時新聞滿足預設的後續判定條件，則確定所述實時新聞是所述待追蹤熱點新聞的後續新聞，將所述實時新聞加入後續新聞集合，所述後續判定條件包括所述歷史熱點新聞簇的關鍵詞集合是所述實時新聞的關鍵詞集合的子集，且所述實時新聞和所述待追蹤熱點新聞的文本相似度在所述相似度範圍內；
[0171]
基於文本相似度，對所述後續新聞集合中的新聞進行聚類，得到至少一個後續新聞簇。
[0172]
可選地，第二指標計算單元用於計算所述後續新聞簇的熱度指標，包括：第二指標計算單元具體用於：
[0173]
實時獲取所述後續新聞簇中每一條新聞的熱度特徵，基於所述後續新聞簇中各個新聞的熱度特徵，計算所述後續新聞簇的熱度指標。
[0174]
可選地，第二指標計算單元用於基於目標新聞簇中各個新聞的熱度特徵，計算目標新聞簇的熱度指標，所述目標新聞簇包括所述後續新聞簇和所述歷史熱點新聞簇，包括：第二指標計算單元具體用於：
[0175]
將所述目標新聞簇中各個新聞的閱讀量相加得到實時閱讀總量，並基於實時閱讀總量的增長率獲取所述目標新聞簇的傳播度指標，所述傳播度指標與所述實時閱讀總量的增長率正相關；
[0176]
基於所述目標新聞簇中各個新聞的權威媒體數量、頭部媒體數量、腰部媒體數量、和普通媒體數量，得到所述目標新聞簇的權威媒體總數量、頭部媒體總數量、腰部媒體總數量、和普通媒體總數量，基於所述權威媒體總數量的增長率、所述頭部媒體總數量的增長率、所述腰部媒體總數量的增長率、和所述普通媒體總數量的增長率，計算所述目標新聞簇的發布者權威度指標；
[0177]
基於所述目標新聞簇中各個新聞的評論量，得到所述目標新聞簇在至少一個時間段的評論總量，將所述目標新聞簇中各個新聞的內容豐富度求平均得到所述目標新聞簇的平均內容豐富度，基於所述至少一個時間段的評論總量的增長率和平均內容豐富度，計算所述目標新聞簇的豐富度指標。
[0178]
可選地，預設條件還包括：
[0179]
所述後續新聞簇的熱度指標大於所述待追蹤熱點新聞的熱度指標；
[0180]
和/或，所述後續新聞簇的熱度指標大於預設的熱度指標閾值。
[0181]
可選地，本裝置還包括：關聯單元，用於：
[0182]
獲取所述後續熱點新聞簇的關鍵詞集合，作為後續熱點詞集合；
[0183]
關聯所述待追蹤熱點新聞、所述後續熱點新聞簇以及所述後續熱點詞集合。
[0184]
圖5示出了該後續新聞的追蹤設備的結構示意圖，該設備可以包括：至少一個處理器501，至少一個通信接口502，至少一個存儲器503和至少一個通信總線504；
[0185]
在本技術實施例中，處理器501、通信接口502、存儲器503、通信總線504的數量為至少一個，且處理器501、通信接口502、存儲器503通過通信總線504完成相互間的通信；
[0186]
處理器501可能是一個中央處理器cpu，或者是特定集成電路asic(application specific integrated circuit)，或者是被配置成實施本發明實施例的一個或多個集成電路等；
[0187]
存儲器503可能包含高速ram存儲器，也可能還包括非易失性存儲器(non-volatile memory)等，例如至少一個磁碟存儲器；
[0188]
其中，存儲器存儲有程序，處理器可執行存儲器存儲的程序，實現本技術實施例提供的一種後續新聞的追蹤方法的各個步驟，如下：
[0189]
一種後續新聞的追蹤方法，包括：
[0190]
獲取待追蹤熱點新聞的熱度指標，所述熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標；
[0191]
基於所述待追蹤熱點新聞的熱度指標，構建多元邏輯回歸模型，所述多元邏輯回歸模型用於基於實時輸入的熱度指標，輸出熱度概率，所述熱度概率用於指示作為輸入的熱度指標對應的新聞處於爆發狀態的概率；
[0192]
獲取後續新聞簇，所述後續新聞簇為通過聚類得到的、包括多個所述待追蹤熱點新聞的後續新聞的新聞集合；
[0193]
計算所述後續新聞簇的熱度指標；
[0194]
將所述後續新聞簇的熱度指標輸入至所述多元邏輯回歸模型，獲取所述多元邏輯回歸模型輸出的熱度概率；
[0195]
基於所述熱度概率判斷所述後續新聞簇是否滿足預設條件，所述預設條件包括所述熱度概率大於預設的概率閾值；
[0196]
若是，將所述後續新聞簇作為所述待追蹤熱點新聞的後續熱點新聞簇。
[0197]
可選的，獲取待追蹤熱點新聞的熱度指標包括：
[0198]
提取所述待追蹤熱點新聞的關鍵詞；
[0199]
基於所述待追蹤熱點新聞的關鍵詞，獲取所述待追蹤熱點新聞的相似新聞；
[0200]
獲取歷史熱點新聞簇，所述歷史熱點新聞簇包括所述待追蹤熱點新聞以及多個所述待追蹤熱點新聞的相似新聞；
[0201]
獲取所述歷史熱點新聞簇中每一條新聞的熱度特徵，所述熱度特徵包括閱讀量、評論量、權威媒體數量、頭部媒體數量、腰部媒體數量、普通媒體數量、以及內容豐富度；
[0202]
基於所述歷史熱點新聞簇中各個新聞的熱度特徵，計算所述歷史熱點新聞簇的熱度指標；
[0203]
將所述歷史熱點新聞簇的熱度指標，作為所述獲取待追蹤熱點新聞的熱度指標。
[0204]
可選的，獲取後續新聞簇，包括：
[0205]
監控實時新聞，獲取所述實時新聞的關鍵詞，得到所述實時新聞的關鍵詞集合；
[0206]
將所述實時新聞的關鍵詞集合與所述歷史熱點新聞簇的關鍵詞集合進行相似度比對，判斷所述歷史熱點新聞簇的關鍵詞集合是否是所述實時新聞的關鍵詞集合的子集；
[0207]
判斷所述實時新聞和所述待追蹤熱點新聞的文本相似度是否在預設的相似度範圍內；
[0208]
若所述實時新聞滿足預設的後續判定條件，則確定所述實時新聞是所述待追蹤熱點新聞的後續新聞，將所述實時新聞加入後續新聞集合，所述後續判定條件包括所述歷史熱點新聞簇的關鍵詞集合是所述實時新聞的關鍵詞集合的子集，且所述實時新聞和所述待追蹤熱點新聞的文本相似度在所述相似度範圍內；
[0209]
基於文本相似度，對所述後續新聞集合中的新聞進行聚類，得到至少一個後續新聞簇。
[0210]
可選的，計算所述後續新聞簇的熱度指標，包括：
[0211]
實時獲取所述後續新聞簇中每一條新聞的熱度特徵，基於所述後續新聞簇中各個新聞的熱度特徵，計算所述後續新聞簇的熱度指標。
[0212]
可選的，基於目標新聞簇中各個新聞的熱度特徵，計算目標新聞簇的熱度指標，所
述目標新聞簇包括所述後續新聞簇和所述歷史熱點新聞簇，包括：
[0213]
將所述目標新聞簇中各個新聞的閱讀量相加得到實時閱讀總量，並基於實時閱讀總量的增長率獲取所述目標新聞簇的傳播度指標，所述傳播度指標與所述實時閱讀總量的增長率正相關；
[0214]
基於所述目標新聞簇中各個新聞的權威媒體數量、頭部媒體數量、腰部媒體數量、和普通媒體數量，得到所述目標新聞簇的權威媒體總數量、頭部媒體總數量、腰部媒體總數量、和普通媒體總數量，基於所述權威媒體總數量的增長率、所述頭部媒體總數量的增長率、所述腰部媒體總數量的增長率、和所述普通媒體總數量的增長率，計算所述目標新聞簇的發布者權威度指標；
[0215]
基於所述目標新聞簇中各個新聞的評論量，得到所述目標新聞簇在至少一個時間段的評論總量，將所述目標新聞簇中各個新聞的內容豐富度求平均得到所述目標新聞簇的平均內容豐富度，基於所述至少一個時間段的評論總量的增長率和平均內容豐富度，計算所述目標新聞簇的豐富度指標。
[0216]
可選的，預設條件還包括：
[0217]
所述後續新聞簇的熱度指標大於所述待追蹤熱點新聞的熱度指標；
[0218]
和/或，所述後續新聞簇的熱度指標大於預設的熱度指標閾值。
[0219]
可選的，本方法還包括：
[0220]
獲取所述後續熱點新聞簇的關鍵詞集合，作為後續熱點詞集合；
[0221]
關聯所述待追蹤熱點新聞、所述後續熱點新聞簇以及所述後續熱點詞集合。
[0222]
本技術實施例還提供一種可讀存儲介質，該可讀存儲介質可存儲有適於處理器執行的電腦程式，電腦程式被處理器執行時，實現本技術實施例提供的一種後續新聞的追蹤方法的各個步驟，如下：
[0223]
一種後續新聞的追蹤方法，包括：
[0224]
獲取待追蹤熱點新聞的熱度指標，所述熱度指標包括傳播度指標、發布者權威度指標、以及豐富度指標；
[0225]
基於所述待追蹤熱點新聞的熱度指標，構建多元邏輯回歸模型，所述多元邏輯回歸模型用於基於實時輸入的熱度指標，輸出熱度概率，所述熱度概率用於指示作為輸入的熱度指標對應的新聞處於爆發狀態的概率；
[0226]
獲取後續新聞簇，所述後續新聞簇為通過聚類得到的、包括多個所述待追蹤熱點新聞的後續新聞的新聞集合；
[0227]
計算所述後續新聞簇的熱度指標；
[0228]
將所述後續新聞簇的熱度指標輸入至所述多元邏輯回歸模型，獲取所述多元邏輯回歸模型輸出的熱度概率；
[0229]
基於所述熱度概率判斷所述後續新聞簇是否滿足預設條件，所述預設條件包括所述熱度概率大於預設的概率閾值；
[0230]
若是，將所述後續新聞簇作為所述待追蹤熱點新聞的後續熱點新聞簇。
[0231]
可選的，獲取待追蹤熱點新聞的熱度指標包括：
[0232]
提取所述待追蹤熱點新聞的關鍵詞；
[0233]
基於所述待追蹤熱點新聞的關鍵詞，獲取所述待追蹤熱點新聞的相似新聞；
[0234]
獲取歷史熱點新聞簇，所述歷史熱點新聞簇包括所述待追蹤熱點新聞以及多個所述待追蹤熱點新聞的相似新聞；
[0235]
獲取所述歷史熱點新聞簇中每一條新聞的熱度特徵，所述熱度特徵包括閱讀量、評論量、權威媒體數量、頭部媒體數量、腰部媒體數量、普通媒體數量、以及內容豐富度；
[0236]
基於所述歷史熱點新聞簇中各個新聞的熱度特徵，計算所述歷史熱點新聞簇的熱度指標；
[0237]
將所述歷史熱點新聞簇的熱度指標，作為所述獲取待追蹤熱點新聞的熱度指標。
[0238]
可選的，獲取後續新聞簇，包括：
[0239]
監控實時新聞，獲取所述實時新聞的關鍵詞，得到所述實時新聞的關鍵詞集合；
[0240]
將所述實時新聞的關鍵詞集合與所述歷史熱點新聞簇的關鍵詞集合進行相似度比對，判斷所述歷史熱點新聞簇的關鍵詞集合是否是所述實時新聞的關鍵詞集合的子集；
[0241]
判斷所述實時新聞和所述待追蹤熱點新聞的文本相似度是否在預設的相似度範圍內；
[0242]
若所述實時新聞滿足預設的後續判定條件，則確定所述實時新聞是所述待追蹤熱點新聞的後續新聞，將所述實時新聞加入後續新聞集合，所述後續判定條件包括所述歷史熱點新聞簇的關鍵詞集合是所述實時新聞的關鍵詞集合的子集，且所述實時新聞和所述待追蹤熱點新聞的文本相似度在所述相似度範圍內；
[0243]
基於文本相似度，對所述後續新聞集合中的新聞進行聚類，得到至少一個後續新聞簇。
[0244]
可選的，計算所述後續新聞簇的熱度指標，包括：
[0245]
實時獲取所述後續新聞簇中每一條新聞的熱度特徵，基於所述後續新聞簇中各個新聞的熱度特徵，計算所述後續新聞簇的熱度指標。
[0246]
可選的，基於目標新聞簇中各個新聞的熱度特徵，計算目標新聞簇的熱度指標，所述目標新聞簇包括所述後續新聞簇和所述歷史熱點新聞簇，包括：
[0247]
將所述目標新聞簇中各個新聞的閱讀量相加得到實時閱讀總量，並基於實時閱讀總量的增長率獲取所述目標新聞簇的傳播度指標，所述傳播度指標與所述實時閱讀總量的增長率正相關；
[0248]
基於所述目標新聞簇中各個新聞的權威媒體數量、頭部媒體數量、腰部媒體數量、和普通媒體數量，得到所述目標新聞簇的權威媒體總數量、頭部媒體總數量、腰部媒體總數量、和普通媒體總數量，基於所述權威媒體總數量的增長率、所述頭部媒體總數量的增長率、所述腰部媒體總數量的增長率、和所述普通媒體總數量的增長率，計算所述目標新聞簇的發布者權威度指標；
[0249]
基於所述目標新聞簇中各個新聞的評論量，得到所述目標新聞簇在至少一個時間段的評論總量，將所述目標新聞簇中各個新聞的內容豐富度求平均得到所述目標新聞簇的平均內容豐富度，基於所述至少一個時間段的評論總量的增長率和平均內容豐富度，計算所述目標新聞簇的豐富度指標。
[0250]
可選的，預設條件還包括：
[0251]
所述後續新聞簇的熱度指標大於所述待追蹤熱點新聞的熱度指標；
[0252]
和/或，所述後續新聞簇的熱度指標大於預設的熱度指標閾值。
[0253]
可選的，本方法還包括：
[0254]
獲取所述後續熱點新聞簇的關鍵詞集合，作為後續熱點詞集合；
[0255]
關聯所述待追蹤熱點新聞、所述後續熱點新聞簇以及所述後續熱點詞集合。
[0256]
最後，還需要說明的是，在本文中，諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且，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、物品或者設備不僅包括那些要素，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、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句「包括一個
……」
限定的要素，並不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
[0257]
本說明書中各個實施例採用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。
[0258]
對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本技術。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本技術的精神或範圍的情況下，在其它實施例中實現。因此，本技術將不會被限制於本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的範圍。