基于大数据的业务管理方法及系统与流程

1.本技术涉及数据处理领域，具体而言，涉及一种基于大数据的业务管理方法及系统。


背景技术：

2.随着互联网经济的快速发展，电商的竞争环境越来越激烈，各大电商平台在向客户展示商品时，往往会在用户点击观看某一样商品时，在合适位置和时机向用户推送与该商品相关的其他商品，以吸引用户的注意力，便于订单的成交，因此，如何根据用户的消费习惯和消费心理向用户准确地推送相关商品，是目前各电商平台重点关注的方向。


技术实现要素：

3.本发明的目的在于提供一种基于大数据的业务管理方法及系统，以在用户进行电商商品选购时，准确向用户推送感兴趣的商品。
4.为了达到上述目的，本发明实施例是这样实现的：
5.第一方面，本发明实施例提供了一种方法包括：接收目标商品在多个销售属性下的业务数据，获得与目标商品相似的多个类似商品；获取多个类似商品各自匹配的关联商品列表，关联商品列表中的关联商品为类似商品在信息展示时关联的至少一个其他商品；将每个关联商品列表中的每一个关联商品的点击率满足预设条件的关联商品作为备选关联商品；从备选关联商品中确定出目标商品在信息展示时的拟关联商品。
6.进一步地，获取多个类似商品各自匹配的关联商品列表，包括：
7.获取每个类似商品在展示时的多个在先关联商品；
8.分别获取多个在先关联商品在不同用户群体中的群体点击率；
9.通过获得的多个群体点击率，以及各个用户群体分别对应的权重，获得多个在先关联商品对应的点击率；
10.通过获得的各个点击率，选取出点击率大于预设点击率的关联商品，选取的点击率大于预设点击率的关联商品为类似商品对应的关联商品。
11.进一步地，将每个关联商品列表中的每一个关联商品的点击率满足预设条件的关联商品作为备选关联商品，包括：
12.通过类似商品与目标商品的相似度，以及类似商品的关联商品列表中的每个关联商品的点击率，分别获得关联商品列表中各个关联商品对应的加权点击率；
13.通过关联商品列表中各个关联商品的加权点击率，选取加权点击率大于预设点击率的至少一个关联商品，选取的加权点击率大于预设点击率的至少一个关联商品为备选关联商品。
14.进一步地，在通过关联商品列表中各个关联商品的加权点击率，选取加权点击率大于预设点击率的至少一个关联商品之前，方法还包括：
15.确定关联商品列表中相同的关联商品；
16.通过相同的关联商品分别对应于每个类似商品的加权点击率，得到从相同的关联商品中选取的加权点击率，其中，相同的关联商品为不同类似商品对应的关联商品列表中相同的关联商品。
17.进一步地，将每个关联商品列表中的每一个关联商品的点击率满足预设条件的关联商品作为备选关联商品，包括：
18.通过关联商品对应于多个用户群体的群体点击率，以及关联商品对应的相似度，得到关联商品的多个加权群体点击率；其中，关联商品对应的相似度为关联商品对应的类似商品，与目标商品之间的相似度；
19.通过得到的多个加权群体点击率，获得关联商品的加权点击率；
20.通过各个关联商品的加权点击率，选取加权点击率大于预设点击率的至少一个关联商品，选取的加权点击率大于预设点击率的至少一个关联商品为备选关联商品。
21.进一步地，基于目标商品在多个销售属性下的业务数据，获得与目标商品相似的多个类似商品，包括：
22.将目标商品对应多个销售属性下的业务数据输入商品信息向量模型，得到目标商品的商品信息向量，获取与商品信息向量接近的至少一个类似商品信息向量，确定对应于类似商品信息向量的类似商品。7.如权利要求6的方法，其特征在于，
23.商品信息向量模型按照以下步骤训练得到：
24.获取训练样本，训练样本通过对商品在多个销售属性下的业务数据进行特征提取得到的多个训练向量，每个训练向量对应一种销售属性；
25.将多个训练向量进行特征融合处理，得到对应于商品的商品信息向量；
26.通过商品信息向量，得到商品对应的类型预测；
27.通过第一损失函数确定类型预测与商品的真实类型之间的损失值；
28.通过损失值调节商品信息向量模型的参数，直至满足预设条件。
29.进一步地，对商品信息向量模型的训练还包括：
30.获取相似训练样本，相似训练样本包括两个商品的业务数据；
31.获取两个业务数据的商品信息向量并进行特征融合，得到相似训练样本的融合商品信息向量；
32.通过融合商品信息向量得到两个商品的接近程度预测值；
33.通过第二损失函数确定接近程度预测值与预先标注的真实接近程度之间的损失值；
34.通过损失值调节商品信息向量模型的参数，直至满足预设条件。
35.进一步地，从备选关联商品中确定出目标商品在信息展示时的拟关联商品，包括：
36.将备选关联商品的业务数据输入向量生成模型，得到备选关联商品的商品向量；
37.通过商品向量和接收备选关联商品的用户的账号向量，得到备选关联商品和账号的关联度；
38.将备选关联商品的点击率数据输入推测模型，得到备选关联商品的点击率推测结果；
39.通过关联度和点击率推测结果，得到备选关联商品的推送度；
40.通过得到的每个备选关联商品的推送度，从至少一个备选关联商品中选出拟关联
商品。
41.第二方面，本发明实施例还提供了一种基于大数据的业务管理系统，该系统包括相互通信的客户端和服务器，客户端用于向服务器发送目标商品在多个销售属性下的业务数据，服务器包括互相之间通信的处理器和存储器，处理器用于从存储器中调取计算机程序，并通过运行计算机程序实现上述第一方面提供的方法。
42.本发明实施例提供的基于大数据的业务管理方法及系统，通过对接收的目标商品在多个销售属性下的业务数据，获得与目标商品相似的多个类似商品，再获取多个类似商品各自匹配的关联商品列表，关联商品列表中的关联商品为类似商品在信息展示时关联的至少一个其他商品，然后将每个关联商品列表中的每一个关联商品的点击率满足预设条件的关联商品作为备选关联商品，最后从备选关联商品中确定出目标商品在信息展示时的拟关联商品。通过匹配类似商品，直接调用类似商品的关联商品，通过点击率和相似度结合判断，进行合理的匹配作为目标商品的关联商品，与传统的直接通过目标商品的相关数据在数据库中进行匹配，增加了寻找关联商品的效率和准确度。
43.在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
44.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
45.附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。
46.图1是根据本技术的一些实施例所示的一种基于大数据的业务管理系统的框图。
47.图2是根据本技术的一些实施例所示的一种服务器中硬件和软件组成的示意图。
48.图3是根据本技术的一些实施例所示的一种基于大数据的业务管理方法的流程图。
49.图4是本技术实施例提供的基于大数据的业务管理装置的架构示意图。
具体实施方式
50.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本技术技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
51.在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申
请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本技术的方面。
52.这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本技术的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本技术的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本技术的范围。应当知晓的是，这些附图并不依照比例。
53.本技术中使用流程图说明根据本技术的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
54.图1是根据本技术的一些实施例所示的基于大数据的业务管理系统300的系统架构框图，该基于大数据的业务管理系统300可以包括服务器100和多个与之通信的客户端200。
55.客户端200为目标用户进行线上购物时使用的设备，例如可以是具备网络交互功能的个人电脑、笔记本电脑、平板电脑或智能手机等。
56.在一些实施例中，请参照图2，是服务器100的架构示意图，该服务器100包括基于大数据的业务管理装置110、存储器120、处理器130和通信单元140。存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。基于大数据的业务管理装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器120中或固化在服务器100的操作系统(operating system，os)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块，例如基于远程教育的业务信息处理装置110所包括的软件功能模块及计算机程序等。
57.其中，所述存储器120可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read
‑
only memory，prom)，可擦除只读存储器(erasable programmable read
‑
only memory，eprom)，电可擦除只读存储器(electric erasable programmable read
‑
only memory，eeprom)等。其中，存储器120用于存储程序，处理器130在接收到执行指令后，执行所述程序。通信单元140用于通过网络建立服务器100与业务交互设备之间的通信连接，并用于通过网络收发数据。
58.处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(dsp))、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
59.可以理解，图2所示的结构仅为示意，服务器100还可包括比图2中所示更多或者更
少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
60.图3是根据本技术的一些实施例所示的一种基于大数据的业务管理方法的流程图，该方法应用于图1中的服务器100，具体可以包括以下步骤s1
‑
步骤s4。在以下步骤s1
‑
步骤s4的基础上，将对一些可选实施例进行说明，这些实施例应当理解为示例，不应理解为实现本方案所必不可少的技术特征。
61.步骤s1，接收目标商品在多个销售属性下的业务数据，获得与目标商品相似的多个类似商品。
62.在本实施例中，目标商品为用户正在浏览的商品，针对该目标商品，需要为其匹配相关联的其他商品，例如目标商品为短袖t恤，在用户浏览该短袖t恤的过程中，需要在合适的位置和时机推送与用户浏览的短袖t恤相关联的其他衣物推给用户，用户在看到相关联的衣物后可能会产生购买兴趣，使电商平台产生更大的收益。至于如何找到合适的相关联的商品，需要衡量的要素有很多，包括商品的类型、被定义的标签、价位、商品的风格、颜色等，甚至好评率、点击量等等，以上统称为商品的销售属性，而商品属性所展示的数据即为业务数据，例如商品的类型为服饰、标签为宅男 二次元、价位为100元以下、风格为快销风、颜色为深色系，以上各种对商品的具体描述为业务数据。本实施例中，通过商品属性相近程度，获取与目标商品相似的多个类似商品，相似的评价方式可以通过评估接近程度来实现。例如可以对两个产品的业务数据中文本的相同字符的数量，以判断文本相似度，进而得到接近程度。另外，可以利用人工智能(artificial intelligence，ai)模型进行相关操作。
63.本实施例中，通过ai进行近似度的判断，具体的，将目标商品对应多个销售属性下的业务数据输入一提前训练好的商品信息向量模型中，得到目标商品的商品信息向量，然后在商品数据库中获取与商品信息向量接近的至少一个类似商品信息向量，确定对应于类似商品信息向量的类似商品。由于商品的特性通过商品向量信息进行表示，在判断两个商品是否相似时，可以直接比较向量的值的差异，例如设置一个阈值，当差异值小于阈值，则证明商品向量信息对应的商品相似。
64.ai模型的训练过程可以参照如下子步骤：
65.首先获取训练样本，训练样本通过对商品在多个销售属性下的业务数据进行特征提取得到的多个训练向量，每个训练向量对应一种销售属性。将多个训练向量进行特征融合处理，得到对应于商品的商品信息向量。通过特征融合，整合所有销售属性的训练向量的信息，融合的过程可以通过向量拼接实现，如文字的训练向量拼接于数字的训练向量后，此外，还可以采用常规的池化处理进行特征融合，或全连接处理方式进行特征融合。本发明实施例对特征融合的过程不做限定。
66.融合之后，通过商品信息向量，得到商品对应的类型预测。该预测过程可以采用分类器进行，本实施例提供的商品信息向量模型的训练过程为有监督的训练，通过第一损失函数确定类型预测与商品的真实类型之间的损失值。通过损失值调节商品信息向量模型的参数，直至满足预设条件。第一损失函数可以为常规的损失函数，如交叉熵损失函数、0
‑
1损失函数。预设条件可以是任意可能的条件，如达到预设的训练次数、模型收敛。
67.另外，该训练过程还可以包括：
68.获取相似训练样本，相似训练样本包括两个商品的业务数据；获取两个业务数据
的商品信息向量并进行特征融合，得到相似训练样本的融合商品信息向量。通过融合商品信息向量得到两个商品的接近程度预测值。通过第二损失函数确定接近程度预测值与预先标注的真实接近程度之间的损失值。通过损失值调节商品信息向量模型的参数，直至满足预设条件。上述对两个商品之间进行相似比较的训练过程，所涉及的特征融合，结果预测等实现过程，可以采用常规的深度学习的技术实现，此处不做赘述。
69.步骤s2，获取多个类似商品各自匹配的关联商品列表。
70.关联商品列表中的关联商品为类似商品在信息展示时关联的至少一个其他商品，关联商品列表中可以包括多个关联商品，关联商品是类似商品在以往的商品信息展示时，出现在推送内容的商品。
71.对于获取多个类似商品各自匹配的关联商品列表，本实施例提供以下实施方式，包括以下步骤：
72.步骤s21，获取每个类似商品在展示时的多个在先关联商品。
73.在先关联商品即在类似商品展示时，出现在推送内容中的商品。
74.步骤s22，分别获取多个在先关联商品在不同用户群体中的群体点击率。
75.由于推送内容呈现给用户后，用户可能会产生点击的行为，一般点击的行为能够反映用户第一时间被抓住眼球，商品对用户能够第一时间产生吸引力，因此，点击率是衡量商品推送成功与否的关键指标。而针对不同的用户群体，商品被点击后的转换率往往相差较大，例如经过统计，男性用户群体点击推送的商品后，购买转化率大于女性用户群体，因此，评价在先关联商品是否适合进行推送，还需要根据不同用户群体的点击率来进行评价。
76.步骤s23，通过获得的多个群体点击率，以及各个用户群体分别对应的权重，获得多个在先关联商品对应的最终点击率。
77.由于不同的用户群体的点击转化率不同，对于转化率高的用户群体，其点击率被赋予的权重高，容易理解，对于点击转化率低的用户群体，被赋予的权重低，经过权重计算，如加权平均后，可得到所有用户群体针对该在先关联商品的最终点击率。
78.步骤s24，通过获得的各个最终点击率，选取出最终点击率大于预设点击率的关联商品，选取的点击率大于预设点击率的关联商品为类似商品对应的关联商品。
79.步骤s3，将每个关联商品列表中的每一个关联商品的点击率满足预设条件的关联商品作为备选关联商品。
80.关联商品被选出后，可根据点击率进行相关排序，排序靠前的被优先选择为备选关联商品。作为一种实施方式，该步骤s3具体可以包括如下步骤：
81.步骤s311，通过类似商品与目标商品的相似度，以及类似商品的关联商品列表中的每个关联商品的点击率，分别获得关联商品列表中各个关联商品对应的加权点击率。
82.步骤s321，通过关联商品列表中各个关联商品的加权点击率，选取加权点击率大于预设点击率的至少一个关联商品，选取的加权点击率大于预设点击率的至少一个关联商品为备选关联商品。
83.由于在实际操作时，可能存在相同关联商品的情况，即不同的类似商品对应的关联商品列表中具有相同的关联商品，同一关联商品出现两次甚至更多次，对应的关联商品的加权点击率相应出现多次，导致准确性降低。因此，在该实施方式中，在步骤s311前，还可以先确定关联商品列表中相同的关联商品，通过相同的关联商品分别对应于每个类似商品
的加权点击率，得到从相同的关联商品中选取的加权点击率，选取的方式可以是随机选择，或选择最高的点击率，或将各个点击率进行平均，得到平均后的点击率作为点击率。其中，相同的关联商品为不同类似商品对应的关联商品列表中相同的关联商品。
84.作为另一中实施方式，将每个关联商品列表中的每一个关联商品的点击率满足预设条件的关联商品作为备选关联商品，还可以包括如下步骤：
85.步骤s312，通过关联商品对应于多个用户群体的群体点击率，以及关联商品对应的相似度，得到关联商品的多个加权群体点击率。
86.其中，关联商品对应的相似度为关联商品对应的类似商品，与目标商品之间的相似度。
87.步骤s322，通过得到的多个加权群体点击率，获得关联商品的加权点击率。
88.步骤332，通过各个关联商品的加权点击率，选取加权点击率大于预设点击率的至少一个关联商品，选取的加权点击率大于预设点击率的至少一个关联商品为备选关联商品。
89.最后，步骤s4，从备选关联商品中确定出目标商品在信息展示时的拟关联商品。
90.由于关联商品最终是需要推送给用户的，用户本身属于一类用户群体，在将关联商品推送给用户时，可以结合用户的账号信息，以分析用户对关联商品的感兴趣程度，以此为依据从备选关联商品中寻找目标商品在信息展示时的拟关联商品。拟关联商品即准备推送给用户的关联商品。
91.作为一种实施方式，可以包括以下步骤：
92.步骤s41，将备选关联商品的业务数据输入向量生成模型，得到备选关联商品的商品向量。
93.步骤s42，通过商品向量和接收备选关联商品的用户的账号向量，得到备选关联商品和账号的关联度。用户的账号向量可以反映出用户属于哪一类用户群体，更看重商品的哪方面特性，商品向量能够反映关联商品本身的特性，商品向量反映的商品特性与用户看重的商品特性可通过向量值的接近程度进行判断，例如差值越小，关联度越高，表示关联商品越符合用户的需求。
94.步骤s43，将备选关联商品的点击率数据输入推测模型，得到备选关联商品的点击率推测结果。
95.步骤s44，通过关联度和点击率推测结果，得到备选关联商品的推送度。
96.步骤s45，通过得到的每个备选关联商品的推送度，从至少一个备选关联商品中选出拟关联商品。
97.推送度越高，表明可以进行推送的可能性越高，关联商品越适合被推送。容易理解。向量生成模型、推测模型可以采用任何可能的神经网络模型进行训练得到，本实施例对此不作限定。
98.请参照图4，是本发明实施例提供的基于大数据的业务管理装置110的架构示意图，该基于大数据的业务管理装置110可用于执行基于大数据的业务管理方法，其中，基于大数据的业务管理装置110包括：
99.查询模块111，用于接收目标商品在多个销售属性下的业务数据，获得与目标商品相似的多个类似商品。
100.索引模块112，用于获取多个类似商品各自匹配的关联商品列表，关联商品列表中的关联商品为类似商品在信息展示时关联的至少一个其他商品。
101.备选模块113，用于将每个关联商品列表中的每一个关联商品的点击率满足预设条件的关联商品作为备选关联商品。
102.确定模块114，用于从备选关联商品中确定出目标商品在信息展示时的拟关联商品。
103.查询模块111可用于执行步骤s1，索引模块112可用于执行步骤s2，备选模块113可用于执行s3，确定模块114可用于执行步骤s4。
104.由于在上述实施例中，已经对本发明实施例提供的基于大数据的业务管理方法进行了详细的介绍，而该基于大数据的业务管理装置110的原理与该方法相同，此处不再对基于大数据的业务管理装置110的各模块的执行原理进行赘述。
105.综上所述，本发明实施例提供的基于大数据的业务管理方法及系统，通过对接收的目标商品在多个销售属性下的业务数据，获得与目标商品相似的多个类似商品，再获取多个类似商品各自匹配的关联商品列表，关联商品列表中的关联商品为类似商品在信息展示时关联的至少一个其他商品，然后将每个关联商品列表中的每一个关联商品的点击率满足预设条件的关联商品作为备选关联商品，最后从备选关联商品中确定出目标商品在信息展示时的拟关联商品。通过匹配类似商品，直接调用类似商品的关联商品，通过点击率和相似度结合判断，进行合理的匹配作为目标商品的关联商品，与传统的直接通过目标商品的相关数据在数据库中进行匹配，增加了寻找关联商品的效率和准确度。
106.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
107.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与
另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
108.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。