技术领域
[0001] 本公开至少涉及数据分析技术领域，尤其涉及一种用户意见分析方法、用户意见分析装置以及计算机可读存储介质。
相关背景技术
[0002] 服务商为用户提供服务后，会接收到大量的用户意见，对这些用户意见进行归因总结有助于服务商提升服务质量。一些情况下，可能采用人工抽查的方式分析用户意见，效率低下且依赖于分析人员的专家知识水平，可能使得有重要价值的信息损失；可能采用机器学习的聚类分析方法分析用户意见，缺点是需要专业客户人员进行大量标注以获得机器学习的训练数据，十分耗人工且持续性不强。
[0003] 可见，现有技术缺乏有效地对用户意见进行归因总结的技术方案，特别是难以获得用户情绪、用户意图、用户意见主体多个维度的归因总结。
具体实施方式
[0019] 为使本领域技术人员更好地理解本公开的技术方案，下面将结合附图对本公开实施方式作进一步地详细描述。
[0020] 可以理解的是，此处描述的具体实施例和附图仅仅用于解释本公开，而非对本公开的限定。
[0021] 可以理解的是，在不冲突的情况下，本公开中的各实施例及实施例中的各特征可相互组合。
[0022] 可以理解的是，为便于描述，本公开的附图中仅示出了与本公开相关的部分，而与本公开无关的部分未在附图中示出。
[0023] 可以理解的是，本公开的实施例中所涉及的每个单元、模块可仅对应一个实体结构，也可由多个实体结构组成，或者，多个单元、模块也可集成为一个实体结构。
[0024] 可以理解的是，在不冲突的情况下，本公开的流程图和框图中所标注的功能、步骤可根据不同于附图中所标注的顺序发生。
[0025] 可以理解的是，本公开的流程图和框图中，示出了根据本公开各实施例的系统、装置、设备、方法的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可代表一个单元、模块、程序段、代码，其包含用于实现规定的功能的可执行指令。而且，框图和流程图中的每个方框或方框的组合，可用实现规定的功能的基于硬件的系统实现，也可用硬件与计算机指令的组合来实现。
[0026] 可以理解的是，本公开实施例中所涉及的单元、模块可通过软件的方式实现，也可通过硬件的方式来实现，例如单元、模块可位于处理器中。
[0027] 实施例1：
[0028] 如图1所示，本公开提供一种用户意见分析方法，所述方法
[0029] 包括：
[0030] S1、获取包括多个用户意见的用户意见文本；
[0031] S2、采用第一组生成式语言大模型LLM对用户意见文本进行第一次蒸馏，以获得包括多个用户意见的用户情绪、用户意图和用户意见主体的元数据；
[0032] S3、采用第二组生成式语言大模型LLM对元数据进行第二次蒸馏，以获得不同用户情绪、用户意图和/或用户意见主体的归因总结。
[0033] 在本实施例中，所述方法更具体地可以如图2所示，通过采用两组LLM(生成式语言大模型，Large Language Model)对用户意见文本进行两次蒸馏(第一次蒸馏和第二次蒸馏)，用户意见文本中包括多个用户意见(即分析对象为用户意见集合)，第一次蒸馏获得稳定的元数据，元数据中包括多个用户意见的用户情绪、用户意图和用户意见主体，第二次蒸馏基于元数据进行总结分析，最终得出全局视角的用户意见归因总结，可以获得不同用户情绪、用户意图和/或用户意见主体的归因总结，可以输出对大量用户意见的分析结果，有助于服务商提升服务质量。
[0034] 具体以分析运营商的客服投诉意见为例，运营商的客服投诉电话每月每省上百万通，还有大量的在线客服数据，而且由于不同地域语音不一样，导致语音、文本格式的用户意见混杂，分析十分困难。本实施例针对用户投诉意见进行智能识别，将大量用户投诉意见组成用户意见文本，利用LLM的语义理解能力，通过识别全量用户来话转译后的对话文本，快速蒸馏出用户情绪(如满意或不满意)、用户意图(如用户变更套餐、提出费用意见建议)、用户意见主体(如用户投诉涉及的产品或服务等)，将第一次蒸馏获得的用户情绪、用户意图和用户意见主体组成稳定的元数据，再次利用LLM分析元数据获得不同用户情绪、用户意图和/或用户意见主体的归因总结，如分析用户变更套餐的原因、用户对产品或服务满意或不满意的原因和比例等，从而有助于运营商了解用户对运营商所提供的产品或服务的体验。
[0035] 在一实施方式中，获取包括多个用户意见的用户意见文本，具体包括：
[0036] 获取客服系统接收到的多个用户意见；
[0037] 响应于多个用户意见中存在若干个语音用户意见，将所述若干个语音用户意见采用自动语音识别ASR技术转化为文本；
[0038] 拼接文本格式的多个用户意见，以形成所述用户意见文本。
[0039] 在本实施例中，在进行分析工作之前，按照在前期建立的整体客服来话文本的处理流程，将客服来话预处理为用户意见文本，具体是，将多个用户的多轮对话进行转译，采用通用技术‑自动语音识别(Automatic Speech Recognition，ASR)，生成的多个文字对话拼接成一篇文章。
[0040] 在一实施方式中，采用第一组LLM对用户意见文本进行第一次蒸馏，以获得包括多个用户意见的用户情绪、用户意图和用户意见主体的元数据，具体包括：
[0041] 采用第一组LLM的第一部分LLM基于用户意见文本提取多个用户意见的对话摘要；
[0042] 采用第一组LLM的第二部分LLM和向量知识库基于对话摘要获取多个用户意见的用户情绪、用户意图和用户意见主体；
[0043] 组合用户情绪、用户意图和用户意见主体以形成所述元数据。
[0044] 在本实施例中，由大模型(LLM)理解对话输出对话摘要、意图以及意图的分类，再匹配向量知识库进行相应的输出，能提高大模型的服从性，稳定输出想要的分类结果。可以采用目前主流的生成式语言大模型以及向量知识库，如，大模型具体可以为13B(130亿参数)开源大模型，向量知识库采用现有的与用户意见对应的专业领域的知识库，如，客服领域可以如图3所示，针对服务商为用户提供的产品和服务建立产品和服务文档，由客服专家总结历史用户意见中的若干用户意图形成对应的格式化标签并建立用户意图聚类，基于客服专家的经验知识建立用户意见的对话摘要样本，以此组建知识向量库。将大模型的输出结果与知识库进行对比，在短时间内对非稳定的意图、主体等输出进行动态聚类，微调大模型的输出结果，能持续输出稳定的意图、主体标签，解决开放式问题大模型输出不固定，无法工业化应用的问题，可以面向各行业客服理解、运营商运维人员提问等领域。
[0045] 在一实施方式中，采用第一组LLM的第一部分LLM基于用户意见文本提取多个用户意见的对话摘要，具体包括：
[0046] 采用第一LLM和第一提示词Prompt分析用户意见文本，以使第一LLM输出多个用户意见的第一对话摘要；
[0047] 采用第二LLM和第二提示词Prompt格式化处理第一对话摘要，以使第二LLM输出第一格式的多个用户意见的第二对话摘要；
[0048] 所述元数据中还包括第二对话摘要。
[0049] 在本实施例中，具体如图2所示，将用户意见集合基于Prompt1输入LLM1获取第一对话摘要，如，Prompt1为“请对以下语音转写文本的用户来话进行摘要总结，总结中需包含用户的情绪，用户的意图想法，以及用户提及的产品名的信息”，将第一对话摘要基于Prompt2输入LLM2获取第二对话摘要，即调用LLM的格式化输出能力，用于总结对话的内容，最终输出汇总结果，如，利用LangChain框架将结果用模板组成一句话，如以下内容为一次用户来话总结，其中，来话摘要为：{摘要}，用户对话情绪为：{情绪}，用户可能意图为：{意图}，用户主要投诉对象为{产品}{服务}{质量}。
[0050] 在一实施方式中，采用第一组LLM的第二部分LLM和向量知识库基于对话摘要获取多个用户意见的用户情绪、用户意图和用户意见主体，具体包括：
[0051] 采用第三LLM和标签化的第三提示词Prompt分析和格式化处理对话摘要，以使第三LLM输出第二格式的多个用户意见的用户情绪；
[0052] 采用第四LLM和第四提示词Prompt分析对话摘要，以使第四LLM输出多个用户意见的第一用户意图，并采用第一向量知识库将第一用户意图格式化处理为第三格式的多个用户意见的第二用户意图；
[0053] 采用第二向量知识库获取标签化的第五提示词Prompt，采用第五LLM和第五Prompt分析和格式化处理对话摘要，以使第五LLM输出第四格式的多个用户意见的用户意见主体。
[0054] 在本实施例中，具体如图2所示，第一对话摘要中包括用户情绪、用户意图和用户意见主体的信息，将第一对话摘要基于Prompt3输入LLM3获取用户情绪，将第一对话摘要基于Prompt4输入LLM4获取用户意图，将第一对话摘要基于Prompt5输入LLM5获取用户意见主体。具体如图3所示，为了获得稳定的输出，结合向量知识库完成第一次蒸馏，利用向量知识库中的用户意图聚类稳定用户意图输出，利用专家知识以及产品和服务文档稳定用户意见主体输出，用户情绪可以根据预先建立的标签，如满意和不满意，积极、消极和中性等，就可以获得稳定输出。
[0055] 在一实施方式中，采用第一向量知识库将第一用户意图格式化处理为第三格式的多个用户意见的第二用户意图，具体包括：
[0056] 对第一用户意图进行文本嵌入text embedding向量化，以获得第一用户意图数据；
[0057] 计算每个第一用户意图数据与第一向量知识库中的用户意图聚类的锚点的第一相似度；
[0058] 响应于第一相似度大于第一阈值，将对应的用户意见归入第一向量知识库中对应的用户意图聚类；
[0059] 从第一向量知识库中获取对应的用户意图聚类的标签，以作为第三格式的对应的用户意见的第二用户意图。
[0060] 在本实施例中，具体如图2和3所示，利用向量知识库进行相似度计算，针对用户意图输出，相似度计算是针对LLM4输出的不稳定标签进行修正，如第一用户意图包括想办理流量\需要办理流量两种，通过相似度计算可以归为同一种用户意图，因此采用相同的用户意图标签标识即可。向量知识库中用户意图聚类的获取方法具体可以是，在固定时间段内收集所有用户意图，使用句向量作为映射，以DBSCAN(Density‑Based Spatial Clustering of Applications with Noise，基于密度的聚类算法)算法作为聚类方法进行聚类，以类内所有向量的重心点(求单个聚类Cluster的重心点方法，一般将权重加起来再除以数量即可)作为类的锚点。新意图到来，若与已有类簇锚点cosine相似度高于0.707(这里是采用余弦相似度计算相似性，数据点与锚点夹角为0°(cos0＝1)，说明高度重叠，夹角为90°(cos90＝0)，说明正交完全无相关性这里取45°中间值)的则归为相同意图，若与所有已知的类的cosine相似度都低于0.707，则以新的意图作为新的类锚点。
[0061] 在一实施方式中，采用第二向量知识库获取标签化的第五提示词Prompt，具体包括：
[0062] 对每个对话摘要进行文本嵌入text embedding向量化，以获得第一对话摘要数据；
[0063] 将每个第一对话摘要数据与第二向量知识库中的第二对话摘要数据计算第二相似度；
[0064] 获取大于第二阈值的TopN个的第二相似度对应的第二对话摘要数据在第二向量知识库中对应的主体标签；
[0065] 根据TopN个主体标签获取第五Prompt。
[0066] 在本实施例中，具体如图2和3所示，针对用户意见主体(如用户投诉的产品或服务)输出，相似度计算的结果用于限定Prompt5，具体可以是，通过Similarity相似度算法，计算第一对话摘要与专家知识设定的用户意见样本之间的相似度，匹配topN(如N＝3)符合的产品或服务的标签集。如，对话数据经过embedding嵌入后，从向量数据库中以ANN(Approximate neareast neighborhood，最近邻域搜索算法)类算法找到某一相似度阈值以上的所有候选产品，一般采用欧几里得相似度或者余弦相似度，这里选取余弦相似度大于0.707的候选产品，用该候选主体产品设计Prompt模板：“请从上述产品候选(例如“1.产品A 2.产品B3.产品C)中选出下列对话所涉及的产品名称”，输入大模型LLM5，输出本通对话涉及真正的投诉主体。
[0067] 在一实施方式中，采用第二组LLM对元数据进行第二次蒸馏，以获得不同用户情绪、用户意图和/或用户意见主体的归因总结，具体包括：
[0068] 根据不同用户情绪、用户意图和/或用户意见主体获取第六提示词Prompt，采用第六LLM和第六Prompt分析元数据，以使第六LLM输出不同用户情绪、用户意图和/或用户意见主体的归因总结。
[0069] 在本实施例中，具体如图2和3所示，第一次蒸馏最终获得稳定输出的元数据，如以json格式归档存储{"涉及产品":"产品A","用户意图":"套餐变更"...}，将元数据基于Prompt6输入LLM6，以获得第二次蒸馏输出的归因总结，如，要调查所有用户想变更套餐的归因，则可以通过元数据的用户意图域汇总所有的变更套餐和归因分析。
[0070] 如图2和图3所示的更具体地完整的用户意见分析流程如下：
[0071] (1)系统开发阶段：该阶段具体可以在原客服系统嵌入本公开的用户意见分析功能，包括：
[0072] 在客服交互界面获取多轮对话用于分析、以及在分析之后将分析报告通过客服交互界面显示，设计针对客服领域的向量知识库和LLM；
[0073] 向量知识库将用户意图和用户投诉主体的产品、服务、质量等标签列表进行text embedding(文本嵌入)向量化，例如使用开源的基于通用数据的有监督文本相似度样例训练的BERT(来自Transformer的双向编码器，Bidirectional Encoder Representations from Transformers)模型的CLS输出向量作为整句文本的embdding向量，编码为多条向量存入知识库；
[0074] LLM包括模型库，模型库根据应用进行调参、选型确定LLM1‑6，提示词库针对LLM1‑6建立提示词模板，通过开源的大模型框架，针对应用场景分别进行测试，同时编写提示词，建立整体客服来话文本的处理流程，建立对应的处理Agent流程，为LLM编写基于专家编写的故障处理流程说明的prompt，并形成说明书prompt库，选择效果与性能最佳模型LLM模型，找到最合适的大模型参数、框架与提示词模板，并存入LangChain框架的prompt模板库里；
[0075] LangChain是大语言模型开发框架，是LLM应用架构的重要一环，LangChian可以将LLM模型、向量数据库、交互层Prompt、外部知识、外部工具整合到一起，进而可以自由构建LLM应用，LangChain具有多轮对话记忆、chain、agent、文本向量、提示词、大模型、小样本提示等功能；
[0076] (2)用户意见分析阶段：包括预处理和蒸馏两个阶段，预处理阶段主要是获得包括多个用户意见的用户意见文本，蒸馏是针对语音识别的结果不稳定性，对转写文本进行总结和摘要的蒸馏，过滤对业务无意义的信息，提炼有意义的词作为标签存储，具体通过LLM1‑6完成蒸馏，LLM1‑6可以是同一个大模型，也可以分别或者其中多个是不同大模型，不同大模型是指经过不同特殊标注数据微调后的LLM，可以是不同开源框架或者不同参数，根据实际工程而定，蒸馏又分为第一次蒸馏和第二次蒸馏；
[0077] 第一次蒸馏得出稳定元数据，包括：将文章输入大模型，通过LangChain框架，利用prompt提示词模板，输出摘要、情绪和稳定的用户意图、稳定的对应产品服务等；具体又包括：整合的对话文章放入大模型LLM1，通过prompt提示词提问以输出第一对话摘要，再分别将每个步骤的内容利用agent调用LLM2‑5，加上提示词进行提问，调用LLM的格式化输出能力，输出后汇总结果，利用LangChain框架将结果用模板组成一句话，如以下内容为一次用户来话总结，其中，来话摘要为：{摘要}，用户对话情绪为：{情绪}，用户可能意图为：{意图}，用户主要投诉对象为{产品}{服务}{质量}；
[0078] 其中：LLM2用于总结对话的内容、完成摘要总结，LLM3用于判断用户情绪，LLM4用于总结用户想法，LLM5用于总结投诉的产品、服务或者质量；LLM4‑5所做的工作一般要求先提供专家经验总结的先验知识标签列表，然后基于列表进行匹配，满足工业界稳定输出应用的要求，但是大模型是生成式的，无法稳定输出所需产品主体的标签列表(LLM5)，意图更没有先验知识进行归纳(LLM4)，所以需要结合向量知识库来输出稳定标签；将对话输入LLM4后，大模型输出用户意图，通过LangChain的文本向量功能，将输出的不稳定标签(如想办理流量\需要办理流量)text embedding向量化，然后匹配向量知识库；用户投诉主体通过匹配向量知识库的TopN个产品，将TopN个产品作为提示词输入大模型LLM5，输出本通对话涉及真正的投诉主体；通过上述步骤，得到可枚举的、不重复的用户意图和指定的投诉主体，将这种稳定的结构化数据称之为元数据；
[0079] 第二次蒸馏得出归因分析总结，将蒸馏一的结果利用模板生成一句话，如:用户来话的摘要如下:xxxx用户来话的意图如下:xxxx用户涉及的产品信息如下:xxxx。每个用户来话为1行，结合LangChain的提示词模板，输入LLM6生成所有用户对于来话的归因总结，例如“现有一段用户来话，其中，用户的意图是:{套餐变更},用户涉及的产品为:{涉及产品A}....请根据上面信息做用户来话的归因总结”，LLM6输出结果，例如{"涉及产品":"产品A","用户意图":"套餐变更"...}和归因总结；将格式化数据入库统计，如embedding向量化放入向量知识库，以元数据为index，归因分析和整体数据放入知识库保存，供后续获取，如，要调查所有用户想变更套餐的归因，则可以通过元数据的用户意图域汇总所有的变更套餐和归因分析；业务专家反馈后验经验，持续判断意图、产品、服务、质量等非稳定的输出是否符合业务要求，根据业务要求在向量知识库中进行修改，保证后续输出稳定态标签。
[0080] 通过上述流程解决针对开放式问题，大模型生成不固定无法工业化应用的问题；蒸馏过程采用两次蒸馏，第一次蒸馏是为了得出稳定的元数据，第二次蒸馏是基于一次蒸馏的总结分析，两次是隔离的，后者是为了得出全局视角的分析总结；对非稳定意图动态聚类输出的处理，包括：生成式语言类大模型一般生成的是随机话语，无法稳定输出固定的标签，也是工业界应用的难点，通过与向量知识库结合与后验经验的积累，可以将非稳定的意图标签总结为稳定的意图标签，然后聚类或相似度匹配出稳定符合工业需求的结果。
[0081] 实施例2：
[0082] 如图3所示，本公开提供一种用户意见分析装置，所述装置包括：
[0083] 文本模块1，用于获取包括多个用户意见的用户意见文本；
[0084] 第一蒸馏模块2，与文本模块1连接，用于采用第一组生成式语言大模型LLM对用户意见文本进行第一次蒸馏，以获得包括多个用户意见的用户情绪、用户意图和用户意见主体的元数据；
[0085] 第二蒸馏模块3，与第一蒸馏模块2连接，用于采用第二组生成式语言大模型LLM对元数据进行第二次蒸馏，以获得不同用户情绪、用户意图和/或用户意见主体的归因总结。
[0086] 在一实施方式中，文本模块1，具体包括：
[0087] 客服交互单元，用于获取客服系统接收到的多个用户意见；
[0088] 文本转化单元，与客服交互单元连接，用于响应于多个用户意见中存在若干个语音用户意见，将所述若干个语音用户意见采用自动语音识别ASR技术转化为文本；
[0089] 文本拼接单元，与文本转化单元连接，用于拼接文本格式的多个用户意见，以形成所述用户意见文本。
[0090] 在一实施方式中，第二蒸馏模块3，具体用于：
[0091] 根据不同用户情绪、用户意图和/或用户意见主体获取第六提示词Prompt，采用第六LLM和第六Prompt分析元数据，以使第六LLM输出不同用户情绪、用户意图和/或用户意见主体的归因总结。
[0092] 在一实施方式中，第一蒸馏模块2，具体包括：
[0093] 摘要提取单元，用于采用第一组LLM的第一部分LLM基于用户意见文本提取多个用户意见的对话摘要；
[0094] 摘要分析单元，与摘要提取单元连接，用于采用第一组LLM的第二部分LLM和向量知识库基于对话摘要获取多个用户意见的用户情绪、用户意图和用户意见主体；
[0095] 元数据获取单元，与摘要分析单元连接，用于组合用户情绪、用户意图和用户意见主体以形成所述元数据。
[0096] 在一实施方式中，摘要提取单元，具体包括：
[0097] 文本分析单元，用于采用第一LLM和第一提示词Prompt分析用户意见文本，以使第一LLM输出多个用户意见的第一对话摘要；
[0098] 第一格式化单元，与文本分析单元连接，用于采用第二LLM和第二提示词Prompt格式化处理第一对话摘要，以使第二LLM输出第一格式的多个用户意见的第二对话摘要；
[0099] 所述元数据获取单元还与第一格式化单元连接，用于组合第二对话摘要。
[0100] 在一实施方式中，摘要分析单元，具体包括：
[0101] 情绪获取单元，与摘要提取单元连接，用于采用第三LLM和标签化的第三提示词Prompt分析和格式化处理对话摘要，以使第三LLM输出第二格式的多个用户意见的用户情绪；
[0102] 意图获取单元，与摘要提取单元连接，用于采用第四LLM和第四提示词Prompt分析对话摘要，以使第四LLM输出多个用户意见的第一用户意图，并采用第一向量知识库将第一用户意图格式化处理为第三格式的多个用户意见的第二用户意图；
[0103] 主体获取单元，与摘要提取单元连接，用于采用第二向量知识库获取标签化的第五提示词Prompt，采用第五LLM和第五Prompt分析和格式化处理对话摘要，以使第五LLM输出第四格式的多个用户意见的用户意见主体。
[0104] 在一实施方式中，意图获取单元，具体包括第三格式化单元，用于：
[0105] 对第一用户意图进行文本嵌入text embedding向量化，以获得第一用户意图数据；
[0106] 计算每个第一用户意图数据与第一向量知识库中的用户意图聚类的锚点的第一相似度；
[0107] 响应于第一相似度大于第一阈值，将对应的用户意见归入第一向量知识库中对应的用户意图聚类；
[0108] 从第一向量知识库中获取对应的用户意图聚类的标签，以作为第三格式的对应的用户意见的第二用户意图。
[0109] 在一实施方式中，主体获取单元，具体包括第四格式化单元，用于：
[0110] 对每个对话摘要进行文本嵌入text embedding向量化，以获得第一对话摘要数据；
[0111] 将每个第一对话摘要数据与第二向量知识库中的第二对话摘要数据计算第二相似度；
[0112] 获取大于第二阈值的TopN个的第二相似度对应的第二对话摘要数据在第二向量知识库中对应的主体标签；
[0113] 根据TopN个主体标签获取第五Prompt。
[0114] 实施例3：
[0115] 本公开实施例3提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被处理器运行时，实现如实施例1所述的用户意见分析方法，或实现如实施例2所述的用户意见分析装置。
[0116] 所述计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read‑Only Memory，只读存储器)，EEPROM(Electrically Erasable Programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD‑ROM(Compact Disc Read‑Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
[0117] 另外，本公开还可以提供一种计算机装置，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如实施例1所述的用户意见分析方法，该计算机装置可以是如实施例2所述的用户意见分析装置。
[0118] 其中，存储器与处理器连接，存储器可采用闪存或只读存储器或其他存储器，处理器可采用中央处理器或单片机。
[0119] 本公开实施例1‑3提供一种用户意见分析方法、用户意见分析装置以及计算机可读存储介质，通过采用两组LLM对多个用户意见进行两次蒸馏，第一次蒸馏获得稳定的元数据，第二次蒸馏基于元数据进行总结分析，最终得出全局视角的用户意见归因总结。
[0120] 可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。
