基于半监督学习的潜在相似证券投资推荐的方法及系统与流程

1.本发明涉及计算机信息处理技术领域，特别涉及基于半监督学习的潜在相似证券投资推荐的方法及系统。


背景技术：

2.金融投资领域，随着投顾业务的兴起和公募基金的市场规模扩张，受限于合规监管的分散投资要求，证券可投池中的交易容量无法满足短时间扩增的可投资资金。同时，有限的证券调研人力无法快速补充可投池标的，需要通过算法根据现有可投池标的进行扩增，这会极大地增加人力成本，当工作量较大时，无法保证足够的推荐准确率，并且效率比较一般。因此，如何实现证券投资推荐自动化和智能化，以提高证券投资推荐的精度和效率是本领域技术人员需要解决的问题。


技术实现要素：

3.本发明实施例提供了基于半监督学习的潜在相似证券投资推荐的方法及系统，旨在提高证券投资准确度和效率，为用户提供具有投资标的的证券投资。
4.第一方面，本发明实施例提供了一种基于半监督学习的潜在相似证券投资推荐的方法，包括：
5.获取证券数据样本集，并对所述证券数据样本集中的样本数据进行预处理；
6.基于多个不同的有监督集成模型对经过预处理的证券数据样本集进行多轮学习迭代训练；
7.根据多轮学习迭代训练结果，获取得到每一所述有监督集成模型下属的多个子模型各自对应的特征决策力；
8.利用概率密度函数表达获取所述证券数据样本集的数值分布，并综合所述数值分布和所述特征决策力，得到每一子模型对同一样本数据不同的特征解释结果；
9.对所有的所述特征解释结果进行排序，并根据排序结果输出对应样本数据的证券投资推荐理由，以此构建证券推荐模型，然后利用所述证券推荐模型对指定证券进行推荐处理。
10.第二方面，本发明实施例提供了一种基于半监督学习的潜在相似证券投资推荐的装置，包括：
11.数据预处理单元，用于获取证券数据样本集，并对所述证券数据样本集中的样本数据进行预处理；
12.迭代训练单元，用于基于多个不同的有监督集成模型对经过预处理的证券数据样本集进行多轮学习迭代训练；
13.第一获取单元，用于根据多轮学习迭代训练结果，获取得到每一所述有监督集成模型下属的多个子模型各自对应的特征决策力；
14.第二获取单元，用于利用概率密度函数表达获取所述证券数据样本集的数值分
布，并综合所述数值分布和所述特征决策力，得到每一子模型对同一样本数据不同的特征解释结果；
15.排序输出单元，用于对所有的所述特征解释结果进行排序，并根据排序结果输出对应样本数据的证券投资推荐理由，以此构建证券推荐模型，然后利用所述证券推荐模型对指定证券进行推荐处理。
16.第三方面，本发明实施例提供了一种分布式计算机单点及集群化部署装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于半监督学习的潜在相似证券投资推荐的方法，并能够支持单机计算、多机并行计算，实现如第一方面所述的基于半监督学习的潜在相似证券投资推荐的方法。
17.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于半监督学习的潜在相似证券投资推荐的方法。
18.本发明实施例提供了一种基于半监督学习的潜在相似证券投资推荐的方法及系统，该方法包括：获取证券数据样本集，并对所述证券数据样本集中的样本数据进行预处理；基于多个不同的有监督集成模型对经过预处理的证券数据样本集进行多轮学习迭代训练；根据多轮学习迭代训练结果，获取得到每一所述有监督集成模型下属的多个子模型各自对应的特征决策力；利用概率密度函数表达获取所述证券数据样本集的数值分布，并综合所述数值分布和所述特征决策力，得到每一子模型对同一样本数据不同的特征解释结果；对所有的所述特征解释结果进行排序，并根据排序结果输出对应样本数据的证券投资推荐理由，以此构建证券推荐模型，然后利用所述证券推荐模型对指定证券进行推荐处理。本发明实施例通过对证券数据的基本面数据、技术面数据的分析进行建模，然后基于机器学习算法自动化地从全市场公开证券中寻找类似的可投资标的，以为用户提供更加准确的证券投资建议。
附图说明
19.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
20.图1为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的方法的流程示意图；
21.图2为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的方法中步骤s101的子流程示意图；
22.图3为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的方法中步骤s102的子流程示意图；
23.图4为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的方法中步骤s103的子流程示意图；
24.图5为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的方法中步骤s104的子流程示意图；
25.图6为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的装置的示意性框图；
26.图7为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的装置中数据预处理单元的子示意性框图；
27.图8为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的装置中迭代训练单元的子示意性框图；
28.图9为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的装置中第一获取单元的子示意性框图；
29.图10为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的装置中第二获取单元的子示意性框图。
具体实施方式
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
32.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
33.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
34.下面请参见图1，图1为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的方法的流程示意图，具体包括：步骤s101～s105。
35.s101、获取证券数据样本集，并对所述证券数据样本集中的样本数据进行预处理；
36.s102、基于多个不同的有监督集成模型对经过预处理的证券数据样本集进行多轮学习迭代训练；
37.s103、根据多轮学习迭代训练结果，获取得到每一所述有监督集成模型下属的多个子模型各自对应的特征决策力；
38.s104、利用概率密度函数表达获取所述证券数据样本集的数值分布，并综合所述数值分布和所述特征决策力，得到每一子模型对同一样本数据不同的特征解释结果；
39.s105、对所有的所述特征解释结果进行排序，并根据排序结果输出对应样本数据的证券投资推荐理由，以此构建证券推荐模型，然后利用所述证券推荐模型对指定证券进行推荐处理。
40.本实施例中，首先获取证券数据样本集，该证券数据样本集中的样本数据可以包含技术面数据和基本面数据等，因此需要进行数据预处理，以统一数据量纲等。然后利用不同的有监督集成模型对所述证券数据样本集中的样本数据进行学习迭代训练，以获取有监
督集成模型中的每一子模型的特征决策力。进一步的，结合样本数据的数值分布，计算得到每一子模型对同一样本数据的特征解释结果。对有监督集成模型的所有子模型的特征解释结果进行排序，然后可以选取排序位于前n位的特征解释结果作为该样本数据的证券投资推荐理由即可。
41.本实施例通过对证券数据的基本面数据、技术面数据的分析进行建模，然后基于机器学习算法自动化地从全市场公开证券中寻找类似的可投资标的，以为用户提供更加准确的证券投资建议。本实施例可以根据圈定的已投资证券快速学习投资人员的投资思路，并按照其思路挖掘并输出全市场的可投资标的。另外，本实施例抽象推荐思路的数据化表达，可以推荐的投资证券及推荐评分，并且能够根据投资思路及推荐证券特征，自动生成推荐详细理由。
42.在具体应用场景中，本实施例可实现从数据更新到证券投资推荐结果输出的百毫秒级响应性能，快速实现可投池扩容；且能够在5s内生成完整投资建议分析过程，供使用者详细查阅。
43.另外，本实施例还支持分布式部署，训练过程中每轮迭代中的子模型能够独立部署，子模型之间支持并行计算，投票环节多机互相交换结果；分布式部署后能够充分利用计算性能，并大幅降低节点间通信开销。
44.在一实施例中，所述证券数据样本集中的样本数据包括技术面数据、基本面数据以及非结构数据；
45.如图2所示，所述步骤s101包括：步骤s201～s206。
46.s201、基于奈奎斯特极限约束，利用不同滑窗对所述技术面数据进行跨频滚动采样，并基于采样结果构建错频样本；
47.s202、对所述基本面数据进行周期对齐，并利用线性插值算法对所述基本面数据进行数据升频；
48.s203、按照数据业务含义对所述证券数据样本集的非结构数据进行周期前填、聚合、删除中的一种或者多种处理；
49.s204、根据周期末端法对所述技术面数据、基本面数据和非结构数据进行数据对齐，并按照时间轴和实体轴的全外连接法进行数据合并，得到基于时间、实体和特征的三维数据集；
50.s205、获取所述证券数据样本集对应的历史买入卖出操作的标记数据集；
51.s206、对所述三维数据集进行多重共线性分析，以及对所述三维数据集和标记数据集进行非线性特异性分析，并通过反向特征消除法进行降维压缩，以完成对所述证券数据样本集的预处理。
52.本实施例中，对于量价行情为基础的技术面数据使用不同的slidingwindow(滑窗)对所述技术面数据进行跨频滚动采样，并对采样到的数据统计特征以构成错频样本。同时，采样过程引入nyquist(奈奎斯特)极限进行约束。即统计一段周期的技术面数据，对其统计分布做特征提取。
53.对于宽周期多指标的基本面数据进行周期对齐，通过对所述基本面数据的流量指标进行拆分，以及对所述基本面数据的状态量指标进行线性插值，以达到对所述基本面数据升频的效果。在具体应用场景中，采用样条法、线性插值法或者仿射变换插值法对所述基
本面数据的状态量指标进行线性插值处理。
54.对于所述证券数据样本集中的非结构数据，按照数据业务含义进行周期前填或聚合或者删除等处理。
55.然后按照周期末端法对所述证券数据样本集中的不同样本数据进行对齐处理，并按照在时间轴和实体轴上的全外连接法进行数据合并，使之成为时间
‑
实体
‑
特征的三维数据集，并标记为x。同时，根据绩优投资经理的历史买入卖出操作获取证券对应的标记数据集，并标记为y。随后对所述三维数据集进行自动化分析，即在特征维度上对x进行多重共线性分析，以及对x
‑
y进行非线性特异性分析，然后通过反向特征消除法进行降维压缩处理。
56.举例来说，所述证券数据样本集中的一个样本数据为某一企业品牌的股票，该样本数据的技术面数据可以是该股票的最新股价、昨日成交量等，该样本数据的基本面数据可以是该股票的净利润率、资产负债率等，非结构化数据则可以是该企业在某平台上的用户支持率等。
57.在一实施例中，所述步骤s102之前，包括：
58.通过强制拟合约束对每一所述有监督集成模型分别进行结构性拟合，使每一所述有监督集成模型分别对所述证券数据样本集进行独立表达。
59.本实施例中，在通过多个有监督集成模型对经过预处理的证券数据样本集进行多轮学习迭代训练之前，首先为每一所述有监督集成模型生成各自的超参数优化区间，通过强制拟合约束使多个有监督集成模型保持足够的结构性拟合能力差异，从而使多个有监督集成模型对所述证券数据样本集，能够在不同的拟合度上给与各自独立的表达(例如“偏欠拟合”、“适中拟合”、“偏过拟合”等)，从而有效提升有监督集成模型训练的泛化能力，降低趋同性表达。例如，所述有监督集成模型设置有三个，这三个有监督集成模型在目标优化机制上按照1贪婪*：2懒惰*的形式配比，集成树规模按照10：3：1的形式配比，惩罚项系数按照1：12：56的的形式配比，对于加工好的数据集频域按照1：3：10的方式采样各自的训练集。
60.需要说明的是，贪婪类优化会在针对一级决策树“森林”的共同表达的残差时，再构建第二级”森林”训练，直到第k级之后残差不再收敛，常见算法有梯度提升、极限梯度提升等；懒惰类优化是一级决策树”森林”同时表达，训练至达到惩罚项约束时，常见有bagging等方法。本实施例在一具体实践过程中，构造所述有监督集成模型的基模型几乎均采用cart树进行组装，优化器选型则通过网格搜索方法实现。
61.进一步的，在一实施例中，所述通过强制拟合约束对每一所述有监督集成模型分别进行结构性拟合，使每一所述有监督集成模型分别对所述证券数据样本集进行独立表达，包括：
62.通过网格搜索方法生成每一子模型的超参数可选分布空间；
63.利用梯度下降方法在所述超参数可选分布空间中构造超参数，并利用所述超参数控制每一子模型的结构性拟合度。
64.本实施例中，还根据所述证券数据样本集的规模、标记、特征分布等情况自动生成“三体”超参数的组件。在强制拟合约束的框架下，基于网格搜索方法，生成超参数可选分布空间，并根据已标注样本的命中度、争议样本的收敛程度作为优化目标，在多超参数的分布空间内通过梯度下降的方法(一种偏微分的快速优化思路，实际采用拟牛顿法实现)实现超参数构造。超参数是集成模型本身需要设置的值，包括基模型个数、最大树深、最小损失、学
习率等，是能够控制模型拟合度的。
65.在一实施例中，如图3所示，所述步骤s102包括：步骤s301～s303。
66.s301、利用每一所述有监督集成模型分别对所述证券数据样本集中的样本数据进行独立表达；
67.s302、基于独立表达结果，按照少数服从多数的原则进行投票，以判断是否对样本数据进行标注，并得到已标注样本数据和未标注样本数据；
68.s303、对所述已标注样本数据和未标注样本数据继续进行下一轮学习迭代训练，数轮迭代后，当每轮样本标注的标签变动数量维持在预设水平不再继续收敛后，结束迭代，并以迭代结束前一轮数投票结果的均值表达争议样本。
69.本实施例中，利用每一有监督集成模型对样本数据进行独立表达，并基于所有独立表达结果，按照少数服从多数的原则进行投票，然后根据投票结果确定是否对样本数据进行标注。在这里，由于每一有监督集成模型的独立表达结果可能与其他子模型的独立表达结果相同，又或者是不相同，而标注样本数据时则需要确定的值，即是否标注，因此，将相同个数最多的独立表达结果作为最终的独立表达结果。可以理解的是，由于是按照少数服从多数的原则，那么子模型的个数则需要为奇数个，避免出现不同的独立表达结果个数相同的情况。
70.举例来说，构造三种不同类型的有监督集成模型a、b、c，并进行逐轮学习迭代。每轮迭代各自基于当前标注样本训练后，对未标注样本进行独立表达，三个模型对独立表达结果以“少数服从多数”的方式投票。一致性投票结果的未标注标签将被打上投标结果，进入下一轮已标注样本；已标注样本被一致性投入反向标签后，将在下一轮被反转。数轮迭代后，当每轮的样本标签变动数量维持在一定水平(即有少量稳定的争议样本)不再收敛后，模型迭代结束，争议样本以结束前n轮投票结果的均值进行表达。
71.在一实施例中，如图4所示，所述步骤s103包括：步骤s401～s404。
72.s401、按照平均投票成功率对每一子模型赋予对应权重系数；
73.s402、根据每一子模型的分叉点依据特征对每一子模型进行树深度赋分，并结合分叉点依据特征和树深度采集每一子模型对于所述证券数据样本集的信息增益；
74.s403、通过所述树深度赋分及所述信息增益，获取每一子模型的特征增益向量；
75.s404、基于所述特征增益向量和所述权重系数，获取每一子模型的特征分解结果，并将所述特征分解结果作为每一子模型对应的特征决策力。
76.本实施例中，在多轮学习迭代结束后，每一有监督集成模型下属的子模型结构都已确定，因此可以将所有子模型全部抽出，并按所属有监督集成模型的综合投标成功率赋权w。观察每个子模型，将其每个分叉点依据的特征按其所属的树深度赋分(赋分依据基模型在当前深度的优化残差)，并采集该深度下该特征在累积训练样本中呈现的信息增益(该变量是基模型训练过程中，微观决策如何分裂的依据，例如对于cart树采用的是gini系数*)，深度赋分与信息增益的乘积定义为该基模型上的特征增益向量s。将训练特征在各基模型上的增益向量s乘以所属集成模型权重w后得到总的特征分解结果，该结果有效表征特征在“三体”协同训练框架下的决策力d。
77.例如，某个基模型的第一个推荐判定标准是毛利率大于50％，信息增益0.4，下一个分支是资产负债率大于5，信息增益0.3；那么该模型表达结果便是毛利率解释力大于资
产负债率。
78.在一实施例中，如图5所示，所述步骤s104包括：s501～s504
79.s501、对所述数值分布进行归一化处理；
80.s502、获取所述数值分布与所述特征决策力的哈达玛积，并将所述哈达玛积作为特征解释力矩阵；
81.s503、获取经由所述有监督集成模型标注的样本数据的特征向量；
82.s504、计算得到所述特征向量与对应的特征解释力矩阵的查询值，并将所述查询值作为所述特征解释结果。
83.本实施例中，依据样本空间各特征的数值分布(例如使用概率密度函数表达且调整零点使全样本概率累计矩归零)，该数值分布归一化后与所述特征决策力的向量d的哈达玛积(hadamardproduct)定义为特征解释力矩阵g。每个未标注样本数据被有效标注后，其特征值向量f与应标签的特征解释力矩阵g的查询值(即g离散化后与f的点乘结果)作为特征解释结果向量f’，特征解释结果向量f’的每项值均为有符号的解释力数值，取值范围(
‑
1,1)。
84.进一步的，特征解释结果按值取模后的大小排序后取前n位，即为对应样本数据的前n大推荐理由。
85.图6为本发明实施例提供的一种基于半监督学习的潜在相似证券投资推荐的装置600的示意性框图，该装置600包括：
86.数据预处理单元601，用于获取证券数据样本集，并对所述证券数据样本集中的样本数据进行预处理；
87.迭代训练单元602，用于基于多个不同的有监督集成模型对经过预处理的证券数据样本集进行多轮学习迭代训练；
88.第一获取单元603，用于根据多轮学习迭代训练结果，获取得到每一所述有监督集成模型下属的多个子模型各自对应的特征决策力；
89.第二获取单元604，用于利用概率密度函数表达获取所述证券数据样本集的数值分布，并综合所述数值分布和所述特征决策力，得到每一子模型对同一样本数据不同的特征解释结果；
90.排序输出单元605，用于对所有的所述特征解释结果进行排序，并根据排序结果输出对应样本数据的证券投资推荐理由，以此构建证券推荐模型，然后利用所述证券推荐模型对指定证券进行推荐处理。
91.在一实施例中，所述证券数据样本集中的样本数据包括技术面数据、基本面数据以及非结构数据；
92.如图7所示，所述数据预处理单元601包括：
93.采样单元701，用于基于奈奎斯特极限约束，利用不同滑窗对所述技术面数据进行跨频滚动采样，并基于采样结果构建错频样本；
94.升频单元702，用于对所述基本面数据进行周期对齐，并利用线性插值算法对所述基本面数据进行数据升频；
95.非结构处理单元703，用于按照数据业务含义对所述证券数据样本集的非结构数据进行周期前填、聚合、删除中的一种或者多种处理；
96.对齐合并单元704，用于根据周期末端法对所述技术面数据、基本面数据和非结构数据进行数据对齐，并按照时间轴和实体轴的全外连接法进行数据合并，得到基于时间、实体和特征的三维数据集；
97.数据集获取单元705，用于获取所述证券数据样本集对应的历史买入卖出操作的标记数据集；
98.分析单元706，用于对所述三维数据集进行多重共线性分析，以及对所述三维数据集和标记数据集进行非线性特异性分析，并通过反向特征消除法进行降维压缩，以完成对所述证券数据样本集的预处理。
99.在一实施例中，所述迭代训练单元602之前，包括：
100.拟合单元，用于通过强制拟合约束对每一所述有监督集成模型分别进行结构性拟合，使每一所述有监督集成模型分别对所述证券数据样本集进行独立表达。
101.在一实施例中，如图8所示，所述迭代训练单元602包括：
102.独立表达单元801，用于利用每一所述有监督集成模型分别对所述证券数据样本集中的样本数据进行独立表达；
103.投票标注单元802，用于基于独立表达结果，按照少数服从多数的原则进行投票，以判断是否对样本数据进行标注，并得到已标注样本数据和未标注样本数据；
104.收敛单元803，用于对所述已标注样本数据和未标注样本数据继续进行下一轮学习迭代训练，数轮迭代后，当每轮样本标注的标签变动数量维持在预设水平不再继续收敛后，结束迭代，并以迭代结束前一轮数投票结果的均值表达争议样本。
105.在一实施例中，如图9所示，所述第一获取单元603包括：
106.赋予单元901，用于按照平均投票成功率对每一子模型赋予对应权重系数；
107.赋分单元902，用于根据每一子模型的分叉点依据特征对每一子模型进行树深度赋分，并结合分叉点依据特征和树深度采集每一子模型对于所述证券数据样本集的信息增益；
108.增益获取单元903，用于通过所述树深度赋分及所述信息增益，获取每一子模型的特征增益向量；
109.结果获取单元904，用于基于所述特征增益向量和所述权重系数，获取每一子模型的特征分解结果，并将所述特征分解结果作为每一子模型对应的特征决策力。
110.在一实施例中，如图10所示，所述第二获取单元604包括：
111.归一化单元1001，用于对所述数值分布进行归一化处理；
112.哈达玛积单元1002，用于获取所述数值分布与所述特征决策力的哈达玛积，并将所述哈达玛积作为特征解释力矩阵；
113.特征向量获取单元1003，用于获取经由所述有监督集成模型标注的样本数据的特征向量；
114.查询值计算单元1004，用于计算得到所述特征向量与对应的特征解释力矩阵的查询值，并将所述查询值作为所述特征解释结果。
115.在一实施例中，所述拟合单元包括：
116.空间生成单元，用于通过网格搜索方法生成每一子模型的超参数可选分布空间；
117.超参数构造单元，用于利用梯度下降方法在所述超参数可选分布空间中构造超参
数，并利用所述超参数控制每一子模型的结构性拟合度。
118.由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
119.本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
120.本发明实施例还提供了一种分布式计算机单点及集群化部署装置，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件，并能够支持单机计算、多机并行计算，实现上述实施例所提供的步骤。
121.说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
122.还需要说明的是，在本说明书中，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。在没有更多限制的状况下，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。