一种基于极性属性和平衡理论的符号二部图的符号预测方法与流程

1.本发明涉及一种基于极性属性和平衡理论的符号二部图的符号预测方法，属于计算机数据挖掘技术领域。


背景技术：

2.随着电子商务平台和社交网络的发展，图结构数据变得越来越普遍，尤其是这些网络可以建模为同时具有正负符号边的符号二部图。符号二部图有两个独立的节点划分，边只在不同类型的节点之间形成。例如，在电子商务平台上买家可以对产品提供正面或负面的评论，在社交网络中用户通过符号边相互连接表明他们对彼此的看法。在符号二部图上的符号预测任务具有广阔的应用前景，例如将亚马逊等电子商务平台中已知的用户对商品的反馈信息建模为符号二部图，学习这些二部图的特征表示，并预测用户对给定商品的态度，有利于平台运营。再如，在使用符号二部图描述药物成分对特定疾病的正面/负面作用，有助于研究未知药物成分对特定疾病的效果。因此，对符号二部图的研究是一项有意义而且有挑战的工作。
3.已有的工作主要集中在单部符号图或是普通的二部图上，例如leskovec等人对正负链接混合的在线社交网络的研究，papaoikonomou等人通过挖掘社交图中频繁出现的图模式测社交网络用户之间的关系。这些方法无法处理符号二部图由两个独立的节点划分和符号设置带来的复杂性。随着图神经网络的发展，针对单部符号图和无符号二部图开发了多种基于图嵌入和图神经网络的模型。这些模型也缺乏完全保存正负链接和节点分区信息的能力。例如，被设计用于符号图的图神经网络不能捕捉符号二部图的相同节点分区中的节点之间的相似性，被设计用于无符号二部图的图神经网络将以相同的方式为正边和负边聚合邻居信息。因此，在符号二部图上的图神经网络不能通过简单地应用现有模型来实现。


技术实现要素：

4.为了克服上述现有方法的不足，本发明提出一种基于极性属性和平衡理论的符号二部图的符号预测方法，改进了基于图神经网络的方法在符号二部图中符号预测任务上的性能。
5.本发明的目的是通过以下技术方案实现的：一种基于极性属性和平衡理论的符号二部图的符号预测方法，该方法包括以下步骤：
6.(1)将输入符号二部图记为g＝(v
s
，v
t
，ε

，ε
‑
)，其中v
s
和v
t
分别为图g的两类节点的集合，和是图g连接不同类型节点之间的正负边，其中在该符号二部图上获取初始极性值：
7.(1
‑
1)对于符号二部图g中的节点v
i
∈v，其中v＝v
s
∪v
t
，计算其由正边连接的邻居和由负边连接的邻居构成节点对的可能数量为：
[0008][0009]
其中和分别表示节点v
i
的以正边连接的邻居数量和以负边连接的邻居
数量；
[0010]
(1
‑
2)使用以下等式计算v
i
的所有邻居构成节点对的可能数量
[0011][0012]
其中|n
vi
|是v
i
邻域内节点的总数；
[0013]
(1
‑
3)对于节点v
i
，使用与之间的比值来获得节点v
i
的相同符号连接率r
vi
：
[0014][0015]
(1
‑
4)对于所有节点v
i
∈v，1≤i≤|v|，其中|v|是图g的节点数量，重复步骤(1
‑
1)至(1
‑
3)，获得相同符号连接率的集合r
v
；
[0016]
(1
‑
5)对v
i
的相同符号连接率r
vi
进行归一化：
[0017][0018]
其中|τ
vi
|是归一化值，τ
vi
称作节点v
i
的初始极性值，|τ
vi
|作为τ
vi
的绝对值，τ
vi
的符号由v
i
的正负邻居数决定，即如果则τ
vi
≥0，反之则τ
vi
≤0，获取所有节点初始极性值的集合τ，τ直接来自邻居信息，它捕获了丰富的结构信息；
[0019]
(2)构建图g的单模投影图，规则为：考虑同类型节点v
i
和v
j
的初始极性值τ
vi
、τ
vj
的接近度，当它们的差的绝对值小于所设定的阈值γ时，在节点v
i
和v
j
之间添加正边连接：将v
s
中通过单模投影得到的边记为ε
s
，将v
t
中通过单模投影得到的边记为ε
t
，得到g
s
＝(v
s
，ε
s
)和g
t
＝(v
t
，ε
t
)，其中以及图g
s
和g
t
对应的邻接矩阵和
[0020]
(3)将初始符号二部图g的邻接矩阵记作m，其正边邻接矩阵记为m
p
，负边邻接矩阵记为m
n
，因此m＝m
p
‑
m
n
，根据m
p
、m
n
以及单模投影构成的邻接矩阵和得到初始符号二部图g在同类型节点之间添加边后产生的邻接矩阵，将其分为正边邻接矩阵和负边邻接矩阵
[0021][0022][0023]
其中i
m
是单位矩阵；
[0024]
(4)为了对符号二部图中节点新形成的边的符号进行预测，建立如下图神经网络模型：
[0025]
(4
‑
1)分别在正边邻接矩阵和负边邻接矩阵上设计图卷积神经网络，以保证正负边的信息都可以得到充分利用，聚合过程可以总结为以下公式：
[0026]
[0027][0028][0029]
其中σ表示激活函数，和分别是使用了正边邻接矩阵和负边邻接矩阵的图卷积神经网络中的第l层的节点特征，当l＝1时，和分别是节点在两个图卷积神经网络的初始特征，和分别是节点在两个图卷积神经网络最终层的特征，和分别是两个图卷积神经网络第l层的权重参数矩阵，是图卷积神经网络的标签预测输出，将的三列元素分别记作即节点连接邻居时趋向于用正边连接的概率、节点连接邻居时无趋向于任何符号的概率和节点连接邻居时趋向于用负边连接的概率，针对某个节点v
i
，它的标签预测输出为
[0030]
(4
‑
2)在训练图卷积神经网络时，需要设置一个损失函数作为模型的训练目标，首先在[
‑
1，1]区间内设定两个阈值，确定三个区间，判断某节点v
i
的τ
vi
值位于的区间段，并为该节点生成一个对应的标签k，y
k
(vi)＝1，y
k
′
(vi)＝0，k
′
≠k来描述该节点期望的边符号为k对应的符号；
[0031]
(4
‑
3)基于此，设计交叉熵损失函数l作为图卷积神经网络的学习目标：
[0032][0033]
其中v
train
是训练节点集，k是标签集；表示节点v
i
对应于标签k的预测概率；
[0034]
(4
‑
4)将最终预测结果按f(
·
)：r
|v|
×3→
r
|v|
×1映射为所有节点的极值属性τ
′
：
[0035][0036]
(5)使用以下等式生成新的只在同类型节点之间存在边的邻接矩阵p：
[0037][0038]
对于同类型节点v
i
和v
j
，计算它们通过相同符号边连接的共同邻居数和通过不同符号边连接的共同邻居数当大于等于自定义阈值δ
p
或小于等于自定义阈值δ
n
时，在v
i
和v
j
之间添加权重为的边；
[0039]
(6)通过以下公式可以构造出用于随机游走的邻接矩阵m
b
：
[0040][0041]
其中是对符号二部图的邻接矩阵m进行归一化的邻接矩阵，即同理是对p进行归一化的邻接矩阵，λ是的权重系数，通常取λ＝2，再对邻接矩阵m
b
进行归一化得到邻接矩阵
[0042]
(7)通过对归一化邻接矩阵进行随机游走，可以得到平衡理论下边的符号预测矩阵y
b
：
[0043][0044]
其中(1
‑
c)是随机游走重启概率，i是单位矩阵；
[0045]
(8)得到y
b
后，使用步骤(4
‑
4)中的节点极值属性τ
′
进行优化，即可获得边的最终符号预测结果：
[0046]
(8
‑
1)为了使τ
′
能够直接加到矩阵中，需要先对τ
′
进行展开操作，即将τ
′
∈r
|v|
复制|v|次得到τ
′
expand
∈r
|v|
×
|v|
；
[0047]
(8
‑
2)计算y
b
的全局平均值然后乘以τ
′
expand
，结合y
b
得到优化的边的符号预测矩阵y
τ
为：
[0048][0049]
其中ω是可根据实际情况调节的权重参数，使用y
τ
中对应位置的值的符号作为给定边的符号预测结果。
[0050]
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述基于极性属性和平衡理论的符号二部图的符号预测方法中的步骤。
[0051]
本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述基于极性属性和平衡理论的符号二部图的符号预测方法中的步骤。
[0052]
本发明提出的基于极性属性和平衡理论的符号二部图的符号预测方法，其优点是：
[0053]
1、本发明方法引入了新的极性属性，使用单模投影策略充分利用了符号二部图的结构信息和属性信息。
[0054]
2、本发明方法对符号二部图的正负链接进行分别处理，在节点信息聚合过程中充分考虑边的符号信息，取得了更好的聚合结果。
[0055]
3、本发明方法基于社会心理学的平衡理论，对符号二部图进行合理建模，便于深入分析符号二部图网络的成因与内在结构，为给定边的符号预测提供了理论支持。
[0056]
4、本发明方法提出了第一个基于符号二部图的图神经网络——基于极性的图卷积网络，基于极性属性和平衡理论充分用了符号二部图的结构信息和属性信息，在符号预测任务上取得了较高的准确率。
附图说明
[0057]
图1为本发明方法的模型框架示意图。
具体实施方式
[0058]
为了使本发明的目的、特征和优点更加具体清楚，下面结合附图和具体实施方案对本发明的技术方案进行详细说明。
[0059]
如图1所示，本发明提供的一种基于极性属性和平衡理论的符号二部图的符号预测方法，该方法包括以下步骤：
[0060]
(1)将输入符号二部图记为g＝(v
s
，v
t
，ε

，ε
‑
)，其中v
s
和v
t
分别为图g的两类节点的集合，和是图g连接不同类型节点之间的正负边，其中在
该符号二部图上获取初始极性值：
[0061]
(1
‑
1)对于符号二部图g中的节点v
i
∈v，其中v＝v
s
∪v
t
，计算其由正边连接的邻居和由负边连接的邻居构成节点对的可能数量为：
[0062][0063]
其中和分别表示节点v
i
的以正边连接的邻居数量和以负边连接的邻居数量；
[0064]
(1
‑
2)使用以下等式计算v
i
的所有邻居构成节点对的可能数量
[0065][0066]
其中|n
vi
|是v
i
邻域内节点的总数；
[0067]
(1
‑
3)对于节点v
i
，使用与之间的比值来获得节点v
i
的相同符号连接率r
vi
：
[0068][0069]
(1
‑
4)对于所有节点v
i
∈v，1≤i≤|v|，其中|v|是图g的节点数量，重复步骤(1
‑
1)至(1
‑
3)，获得相同符号连接率的集合r
v
；
[0070]
(1
‑
5)对v
i
的相同符号连接率r
vi
进行归一化：
[0071][0072]
其中|τ
vi
|是归一化值，τ
vi
称作节点v
i
的初始极性值，|τ
vi
|作为τ
vi
的绝对值，τ
vi
的符号由v
i
的正负邻居数决定，即如果则τ
vi
≥0，反之则τ
vi
≤0，获取所有节点初始极性值的集合τ，τ直接来自邻居信息，它捕获了丰富的结构信息；
[0073]
(2)构建图g的单模投影图，规则为：考虑同类型节点v
i
和v
j
的初始极性值τ
vi
、τ
vj
的接近度，当它们的差的绝对值小于所设定的阈值γ时，在节点v
i
和v
j
之间添加正边连接：将v
s
中通过单模投影得到的边记为ε
s
，将v
t
中通过单模投影得到的边记为ε
t
，得到g
s
＝(v
s
，ε
s
)和g
t
＝(v
t
，ε
t
)，其中以及图g
s
和g
t
对应的邻接矩阵和
[0074]
(3)将初始符号二部图g的邻接矩阵记作m，其正边邻接矩阵记为m
p
，负边邻接矩阵记为m
n
，因此m＝m
p
‑
m
n
，根据m
p
、m
n
以及单模投影构成的邻接矩阵和得到初始符号二部图g在同类型节点之间添加边后产生的邻接矩阵，将其分为正边邻接矩阵和负边邻接矩阵
[0075][0076][0077]
其中i
m
是单位矩阵；
[0078]
(4)为了对符号二部图中节点新形成的边的符号进行预测，建立如下图神经网络
模型：
[0079]
(4
‑
1)分别在正边邻接矩阵和负边邻接矩阵上设计图卷积神经网络，以保证正负边的信息都可以得到充分利用，聚合过程可以总结为以下公式：
[0080][0081][0082][0083]
其中σ表示激活函数，和分别是使用了正边邻接矩阵和负边邻接矩阵的图卷积神经网络中的第l层的节点特征，当l＝1时，和分别是节点在两个图卷积神经网络的初始特征，和分别是节点在两个图卷积神经网络最终层的特征，和分别是两个图卷积神经网络第l层的权重参数矩阵，是图卷积神经网络的标签预测输出，将的三列元素分别记作即节点连接邻居时趋向于用正边连接的概率、节点连接邻居时无趋向于任何符号的概率和节点连接邻居时趋向于用负边连接的概率，针对某个节点v
i
，它的标签预测输出为
[0084]
(4
‑
2)在训练图卷积神经网络时，需要设置一个损失函数作为模型的训练目标，首先在[
‑
1，1]区间内设定两个阈值，确定三个区间，判断某节点v
i
的τ
vi
值位于的区间段，并为该节点生成一个对应的标签k，y
k
(v
i
)＝1，y
k
′
(v
i
)＝0，k
′
≠k来描述该节点期望的边符号为k对应的符号；
[0085]
(4
‑
3)基于此，设计交叉熵损失函数l作为图卷积神经网络的学习目标：
[0086][0087]
其中v
train
是训练节点集，k是标签集；表示节点v
i
对应于标签k的预测概率；
[0088]
(4
‑
4)将最终预测结果按f(
·
)：r
|v|
×3→
r
|v|
×1映射为所有节点的极值属性τ
′
：
[0089][0090]
(5)使用以下等式生成新的只在同类型节点之间存在边的邻接矩阵p：
[0091][0092]
对于同类型节点v
i
和v
j
，计算它们通过相同符号边连接的共同邻居数和通过不同符号边连接的共同邻居数当大于等于自定义阈值δ
p
或小于等于自定义阈值δ
n
时，在v
i
和v
j
之间添加权重为的边；
[0093]
(6)通过以下公式可以构造出用于随机游走的邻接矩阵m
b
：
[0094][0095]
其中是对符号二部图的邻接矩阵m进行归一化的邻接矩阵，即
同理是对p进行归一化的邻接矩阵，λ是的权重系数，通常取λ＝2，再对邻接矩阵m
b
进行归一化得到邻接矩阵
[0096]
(7)通过对归一化邻接矩阵进行随机游走，可以得到平衡理论下边的符号预测矩阵y
b
：
[0097][0098]
其中(1
‑
c)是随机游走重启概率，i是单位矩阵；
[0099]
(8)得到y
b
后，使用步骤(4
‑
4)中的节点极值属性τ
′
进行优化，即可获得边的最终符号预测结果：
[0100]
(8
‑
1)为了使τ
′
能够直接加到矩阵中，需要先对τ
′
进行展开操作，即将τ
′
∈r
|v|
复制|v|次得到τ
′
expand
∈r
|v|
×
|v|
；
[0101]
(8
‑
2)计算y
b
的全局平均值然后乘以τ
′
expand
，结合y
b
得到优化的边的符号预测矩阵y
τ
为：
[0102][0103]
其中ω是可根据实际情况调节的权重参数，使用y
τ
中对应位置的值的符号作为给定边的符号预测结果。
[0104]
实施例1
[0105]
在淘宝、京东、亚马逊等电商平台中，用户可在线购买商品，并在实际使用了该商品后在这些电商平台上给予这些商品好评或差评，让其他用户知晓自己对该商品的喜好。这些信息可抽象为符号二部图数据，即一类节点表示用户，一类节点表示商品，正负边表示用户对商品的喜欢与不喜欢。因此，我们可以将这些信息定义为图g＝(v
s
，v
t
，ε

，ε
‑
)，其中v
s
和v
t
分别为图g的分别表示用户和商品的两类节点，和是图g连接不同类型节点之间的正负边，分别表示用户对商品喜欢或者不喜欢的态度。
[0106]
对于g中的节点v
i
，计算其通过正边连接的邻居和通过负边连接的邻居之间可构成节点对的总数其中和分别表示节点v
i
的以正边连接的邻居数量和以负边连接的邻居数量，即，若v
i
为用户节点，则和分别表示该用户在电商平台购买的喜欢与不喜欢的商品的数量，同理，若v
i
为商品节点，则和分别表示喜欢和不喜欢该商品的用户数；并计算v
i
的邻居之间可能产生的所有节点对的数量其中|n
vi
|是v
i
邻域内节点的总数，即，若v
i
为用户节点，则|n
vi
|表示该用户购买的商品的数量，若v
i
为商品节点，则|n
vi
|表示购买该商品的用户数量。然后得到节点v
i
的相同符号连接率当v
i
为用户节点时，r
vi
表示该用户所购买的商品中随机抽选两个，该用户同时喜欢或同时不喜欢它们的概率，当v
i
为商品节点时，r
vi
表示购买该商品的用户中随机抽选两位，这两位同时喜欢或同时不喜欢该商品的概率，使用公式得到对v
i
的相同符号连接率r
vi
进行归一化后的值|τ
vi
|，其中r
v
是图g所有节点的相同符号连接率的集合，τ
vi
称作节点v
i
的初始极性值，|τ
vi
|作为τ
vi
的绝对值，τ
vi
的符号由v
i
的正负邻居数决定，即如果则τ
vi
≥0，反之则τ
vi
≤0，获取所有节
点初始极性值的集合τ。该值绝对值的大小越大，表示该用户越容易以相同的喜恶评价自己购买的商品，或表示该商品越容易被其他用户同时喜欢或厌恶，该值的正负符号表示用户更容易喜欢或不喜欢自己购买的商品，或表示商品越容易被用户喜欢或不喜欢。
[0107]
接下来构建图g的单模投影图，也就是在用户节点之间、商品节点之间添加连接：当同类型节点v
i
和v
j
的初始极性值τ
vi
、τ
vj
的差的绝对值小于所设定的阈值γ时，在节点v
i
和v
j
之间添加正边连接将v
s
中通过单模投影得到的边记为ε
s
，将v
t
中通过单模投影得到的边记为ε
t
，得到g
s
＝(v
s
，ε
s
)和g
t
＝(v
t
，ε
t
)，其中)，其中以及图g
s
和g
t
对应的邻接矩阵和通过对初始极性值相近的节点之间添加权重边，能够帮助我们挖掘这些用户节点之间、商品节点之间的关系，让我们能够更好地预测出哪些用户更偏向给商品差评，那些商品更容易广受好评等等。
[0108]
将初始符号二部图g的邻接矩阵记作m，其正边邻接矩阵记为m
p
，负边邻接矩阵记为m
n
，根据m
p
、m
n
以及单模投影构成的邻接矩阵和得到初始符号二部图g在同类型节点之间添加边后产生的邻接矩阵，将其分为正边邻接矩阵和负边邻接矩阵和负边邻接矩阵其中i
m
是单位矩阵。
[0109]
在正边邻接矩阵上设计图卷积神经网络，聚合过程为在负边邻接矩阵上设计图卷积神经网络，聚合过程为最后用softmax函数得到预测结果其中σ表示激活函数，和分别是使用了正边邻接矩阵和负边邻接矩阵的图卷积神经网络中的第l层的节点特征，当l＝1时，和分别是节点在两个图卷积神经网络的初始特征，和分别是节点在两个图卷积神经网络最终层的特征，和分别是两个图卷积神经网络第l层的权重参数矩阵，是图卷积神经网络的标签预测输出，将的三列元素分别记作即节点连接邻居时趋向于用正边连接的概率、节点连接邻居时无趋向于任何符号的概率和节点连接邻居时趋向于用负边连接的概率，针对某个节点v
i
，它的标签预测输出为利用上述图卷积神经网络，那些更倾向给商品好评的用户、给商品差评的用户，以及给商品评价时好时坏的用户将能够被预测、区分开来，那些广受好评的商品、差评如潮的商品以及褒贬不一的商品将能够被预测、区分开来。
[0110]
训练该图卷积神经网络时使用的标签来自于对节点初始极性值τ的阈值化处理：在[
‑
1，1]区间内设定两个阈值，确定三个区间，判断某节点v
i
的τ
n
值位于的区间段，并为该节点生成一个对应的标签k，y
k
(v
i
)＝1，y
k
′
(vi)＝0，k
′
≠k来描述该节点期望的边符号为k对应的符号。基于此，设计交叉熵损失函数l训练图卷积神经网络：其中v
train
是训练节点集，k是标签集；表示节点v
i
对
应于标签k的预测概率。将图卷积神经网络预测结果按f(
·
)：r
|v|
×3→
r
|v|
×1映射为所有节点的极值属性此时得到的极性值具体含义和初始极性值一样，但由于它包含了深度学习模型所挖掘出的节点之间的关系信息，将其用于预测用户对于商品喜好时，能够比使用初始极性值辅助预测的性能更好。
[0111]
接下来需要依靠传统的平衡理论，对所有用户对于所有仍未购买的商品进行喜恶预测。使用等式生成只在同类型节点之间存在边的邻接矩阵p，对于同类型节点v
i
和v
j
，计算它们通过相同符号边连接的共同邻居数和通过不同符号边连接的共同邻居数当大于等于自定义阈值δ
p
或小于等于自定义阈值δ
n
时，在v
i
和v
j
之间添加权重为的边。通过公式构造出用于随机游走的邻接矩阵m
b
，其中是对符号二部图的邻接矩阵m行归一化的邻接矩阵，即同理是对p行归一化的邻接矩阵，λ是的权重系数，通常取λ＝2，再对邻接矩阵m
b
进行归一化得到邻接矩阵通过对归一化邻接矩阵进行随机游走，可以得到平衡理论下边的符号预测矩阵其中(1
‑
c)是随机游走重启概率。
[0112]
得到了使用传统的平衡理论得到的边的符号预测矩阵y
b
后，使用节点极值属性τ
′
对其进行优化，即可获得边的最终符号预测结果。其原理思想是，极性值表示某用户倾向于给商品好评或差评的概率，或表示某商品广受好评或差评的概率。当平衡理论预测的某用户对于某商品的态度比较摇摆不定时，依靠极性值对该预测进行辅助优化，便能够提升整体的用户对于商品的喜好预测的准确率。具体做法是：先对τ
′
进行展开操作，即将τ
′
∈r
|v|
复制|v|次得到τ
′
expand
∈r
|v|
×
|v|
；计算y
b
的全局平均值然后乘以τ
′
expand
，结合y
b
得到优化的边的符号预测矩阵其中ω是可根据需要调节的权重参数，使用y
τ
中对应位置的值的符号作为给定边的符号预测结果。在用户对商品的态度的符号二部图数据中通过上述过程获取边的符号预测结果y
τ
，若y
τ
的第i行第j列元素不为零，且v
i
∈v
s
，v
j
∈v
t
，则该元素的符号代表了用户i对商品j的态度：若该元素大于0则用户i喜欢商品j，反之则用户i不喜欢商品j。
[0113]
利用符号预测结果y
τ
，电商平台可以给用户提供更精确的商品推荐服务，使得电商平台在提升用户使用体验的同时，帮助卖家将商品推荐给更需要它们的用户群，促进他们提升自己的业务量。
[0114]
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中基于极性属性和平衡理论的符号二部图的符号预测方法中的步骤。
[0115]
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施例中基于极性属性和平衡理论的符号二部图的符号预测方法中的步骤。其中，存储介质可以为非易失性存储介质。
[0116]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可
以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0117]
以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。