一种基于动态权值的多模型融合的课程推荐方法和存储设备与流程

1.本发明涉及人工智能技术领域，特别涉及一种基于动态权值的多模型融合的课程推荐方法和存储设备。


背景技术：

2.科学技术的飞速发展，促使着我们需要不断地学习、提升，以便跟上社会发展、转型的步伐。传统的线下课程受地域、时间、空间等因素的限制，已无法满足我们随时、随地、想学就学等学习需求。随着网络服务的范围不断扩大，信息技术的不断创新，在线学习平台如雨后春笋般的涌现。在线学习的方式打破了传统学习的服务边界，使知识获取的渠道变得更加灵活多样，满足了我们多元化的学习需求。
3.互联网高速发展的今天，在线学习已经成为一种趋势。同时，学校推出了在线教育平台，培训机构推出了在线培训平台，互联网公司推出了在线学习平台。各类学习平台内网络课程资源众多、类型丰富，但是我们很难在众多的课程中找到满足自身需求的课程。学习平台内的搜索功能在一定程度上解决了课程筛选问题，但当我们面对陌生领域时，往往无法准确地描述自己的需求，就无法搜索到自己想学的课程。此时，智能推荐服务将能够很好地弥补搜索服务在上述方面的不足。
4.目前市面上常见的课程推荐方式均为单一建模推荐法，然而不同的推荐算法常存在各自的问题，导致该推荐模型无法适应应用于多种不同场景，否则会造成推荐结果的误差。
5.故此如何创建新的模型使其既可以适应应用于各种不同的应用场景的同时又能够保证推荐结果的准确性则成了亟需解决的技术问题。


技术实现要素：

6.为此，需要提供一种基于动态权值的多模型融合的课程推荐方法，用以解决现有课程推荐方法无法适应应用于多种不同场景就结果推荐精准度差的技术问题。具体技术方案如下：
7.一种基于动态权值的多模型融合的课程推荐方法，包括步骤：
8.采集目标数据；
9.根据所述目标数据构建不同模型；
10.计算不同模型的融合权值，根据不同模型的融合权值计算得模型融合结果；
11.根据模型融合结果进行不同课程推荐。
12.进一步的，所述“根据所述目标数据构建不同模型”，具体还包括步骤：
13.根据所述目标数据构建用户兴趣挖掘模型和智能推荐模型，所述智能推荐模型包括但不限于：基于课程内容相似度的推荐模型、基于用户协同过滤的推荐模型、基于课程协同过滤的推荐模型；
[0014]“根据所述目标数据构建用户兴趣挖掘模型”，具体还包括步骤：
[0015]
用户兴趣特征抽取，用户兴趣课程计算；
[0016]“根据所述目标数据构建基于课程内容相似度的推荐模型”，具体还包括步骤：
[0017]
采用空间向量模型对课程进行相似度计算；
[0018]
所述“采用空间向量模型对课程进行相似度计算”，具体还包括步骤：
[0019]
课程数据转换，文本预处理，文本特征项选择与加权，余弦相似度计算；
[0020]“根据所述目标数据构建基于用户协同过滤的推荐模型”，具体还包括步骤：
[0021]
构建用户兴趣课程列表，构建课程-用户倒序表，构建用户相似矩阵，计算用户相似度，生成课程推荐集；
[0022]“根据所述目标数据构建基于课程协同过滤的推荐模型”，具体还包括步骤：
[0023]
构建用户兴趣课程列表，构建课程-用户倒序表，构建课程相似矩阵，计算课程相似度，生成课程推荐集。
[0024]
进一步的，所述“计算不同模型的融合权值，根据不同模型的融合权值计算得模型融合结果”，具体还包括步骤：
[0025]
确定权值影响因子，确定权值计算模型数据格式，用户评分模型构建，融合权值计算，推荐结果融合。
[0026]
进一步的，所述“根据模型融合结果进行不同课程推荐”，具体还包括步骤：
[0027]
根据业务规则从结果集中选择若干条结果推荐给客户，或直接从结果集中选择排位在前面的若干条结果推荐给客户。
[0028]
进一步的，所述目标数据包括但不限于：课程信息、用户信息、用户行为信息；
[0029]
所述用户行为信息包括：系统信息和日志信息。
[0030]
为解决上述技术问题，还提供了一种存储设备，具体技术方案如下：
[0031]
一种存储设备，其中存储有指令集，所述指令集用于执行：
[0032]
采集目标数据；
[0033]
根据所述目标数据构建不同模型；
[0034]
计算不同模型的融合权值，根据不同模型的融合权值计算得模型融合结果；
[0035]
根据模型融合结果进行不同课程推荐。
[0036]
进一步的，所述指令集还用于执行：
[0037]
所述“根据所述目标数据构建不同模型”，具体还包括步骤：
[0038]
根据所述目标数据构建用户兴趣挖掘模型和智能推荐模型，所述智能推荐模型包括但不限于：基于课程内容相似度的推荐模型、基于用户协同过滤的推荐模型、基于课程协同过滤的推荐模型；
[0039]“根据所述目标数据构建用户兴趣挖掘模型”，具体还包括步骤：
[0040]
用户兴趣特征抽取，用户兴趣课程计算；
[0041]“根据所述目标数据构建基于课程内容相似度的推荐模型”，具体还包括步骤：
[0042]
采用空间向量模型对课程进行相似度计算；
[0043]
所述“采用空间向量模型对课程进行相似度计算”，具体还包括步骤：
[0044]
课程数据转换，文本预处理，文本特征项选择与加权，余弦相似度计算；
[0045]“根据所述目标数据构建基于用户协同过滤的推荐模型”，具体还包括步骤：
[0046]
构建用户兴趣课程列表，构建课程-用户倒序表，构建用户相似矩阵，计算用户相
似度，生成课程推荐集；
[0047]“根据所述目标数据构建基于课程协同过滤的推荐模型”，具体还包括步骤：
[0048]
构建用户兴趣课程列表，构建课程-用户倒序表，构建课程相似矩阵，计算课程相似度，生成课程推荐集。
[0049]
进一步的，所述指令集还用于执行：所述“计算不同模型的融合权值，根据不同模型的融合权值计算得模型融合结果”，具体还包括步骤：
[0050]
确定权值影响因子，确定权值计算模型数据格式，用户评分模型构建，融合权值计算，推荐结果融合。
[0051]
进一步的，所述指令集还用于执行：所述“根据模型融合结果进行不同课程推荐”，具体还包括步骤：
[0052]
根据业务规则从结果集中选择若干条结果推荐给客户，或直接从结果集中选择排位在前面的若干条结果推荐给客户。
[0053]
进一步的，所述目标数据包括但不限于：课程信息、用户信息、用户行为信息；
[0054]
所述用户行为信息包括：系统信息和日志信息。
[0055]
本发明的有益效果是：一种基于动态权值的多模型融合的课程推荐方法，包括步骤：采集目标数据；根据所述目标数据构建不同模型；计算不同模型的融合权值，根据不同模型的融合权值计算得模型融合结果；根据模型融合结果进行不同课程推荐。该方法中，融合了不同的模型，可做到取长补短，满足不同用户在不同场景的推荐需求，同时对于每个模型的融合权值并非固定的，而是进行动态计算的，也就是说对于不同的场景下，同一个模型的融合权值可能是不一样的，做到精准地把握用户需求，提升推荐结果的准确性，增强系统用户粘度。
附图说明
[0056]
图1为具体实施方式所述一种基于动态权值的多模型融合的课程推荐方法的流程图；
[0057]
图2为具体实施方式所述主要功能模块示意图；
[0058]
图3为具体实施方式所述一种基于动态权值的多模型融合的课程推荐方法的示意图；
[0059]
图4为具体实施方式所述一种存储设备的模块示意图。
[0060]
附图标记说明：
[0061]
400、存储设备。
具体实施方式
[0062]
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
[0063]
请参阅图1至图3，在本实施方式中，一种基于动态权值的多模型融合的课程推荐方法可应用在一种存储设备上，所述存储设备包括但不限于：个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端等。其中运行在该存储设备上的系统主要包含四个模块：数据采集模块、模型构建模块、模型融合模块和内容推
荐模块，每个模块的功能如图2所示。
[0064]
本技术的核心技术思想是：以课程推荐为场景，从线性加权融合法的模型融合推荐方面进行考虑，并通过引入模型融合权值动态计算方式，改善课程推荐结果的质量，提升用户满意度。
[0065]
具体实施方式如下：
[0066]
步骤s101：采集目标数据。所述目标数据包括但不限于：课程信息、用户信息、用户行为信息。各个信息的采集可具体如下：
[0067]
(1)课程信息采集
[0068]
在课程入库时收集课程名称、类型(如文档、视频等)、所属领域(如人力资源、项目管理、人工智能等)、时长、发布时间、讲师、标签等基本属性信息。课程入库后可使用自然语言处理技术从自动从课程内容中提取关键词、主题词作为课程特征信息与课程属性信息共同构成课程信息集。
[0069]
(2)用户信息采集
[0070]
在用户注册系统账号时收集用户性别、年龄、所处城市、职业、职务、兴趣爱好等用户基本信息。同时在用户首次登录时，可向用户推送课程领域标签，供用户选择感兴趣的领域的方式收集用户兴趣爱好信息。
[0071]
(3)用户行为信息采集
[0072]
将用户搜索、点击、收藏、分享、评论及浏览课程时长等信息，作为用户行为日志记录至数据库中。
[0073]
步骤s102：根据所述目标数据构建不同模型。具体还包括步骤：
[0074]
根据所述目标数据构建用户兴趣挖掘模型和智能推荐模型，所述智能推荐模型包括但不限于：基于课程内容相似度的推荐模型、基于用户协同过滤的推荐模型、基于课程协同过滤的推荐模型。
[0075]
以下对上述不同模型的建立过程展开具体说明：
[0076]
1、构建用户兴趣挖掘模型：
[0077]“根据所述目标数据构建用户兴趣挖掘模型”，具体还包括步骤：
[0078]
步骤1：用户兴趣特征抽取
[0079]
从用户行为日志中提取用户针对某一课程的搜索次数、点击次数、是否收藏、是否分享、评论次数、正负面评论及学习时长(浏览)等信息，构建用户行为特征集。
[0080]
步骤2：用户兴趣课程计算；
[0081]
基于用户行为特征数据集，结合规则、机器学习、深度学习等技术构建用户兴趣挖掘模型。本实施方式是基于线性回归算法计算用户是否对某一课程感兴趣，模型输出结果是一个浮点数，取值为[0-1]。当模型预测值大于等于0.7时表明用户对该课程感兴趣，否则就不感兴趣。
[0082]
2、构建基于课程内容相似度的推荐模型：
[0083]“根据所述目标数据构建基于课程内容相似度的推荐模型”，具体还包括步骤：采用空间向量模型对课程进行相似度计算。课程内容相似度计算采用向量空间模型来实现。其基本思想是先把非文本课程转化为文本(如视频课程，可通过语音识别技术转换成文本)，然后将文本简化为以特征项(关键词)的权重为分量的n维向量表示。用向量表示文本，
简化了文本中的词语之间的复杂关系，文本数据就转换成了计算机可以处理的结构化数据，两个课程之间的相似性问题转变成了两个向量之间的相似性问题。
[0084]
采用空间向量模型对课程进行相似度计算分为四个步骤：文本预处理、文本特征项选择与加权、余弦相似度计算。
[0085]
步骤1：课程数据转换
[0086]
将视频课程数据通过语音识别技术转换成文本数据，ppt、word等课程数据通过“纯文本转换”工具转为文本数据。
[0087]
步骤2：文本预处理
[0088]
预处理主要是进行中文分词和去停用词。按照停用词表中的词语将语料中对文本内容识别意义不大但出现频率很高的词、符号、标点及乱码等去掉。如“这，的，和，会，为”等词几乎出现在任何一篇中文文本中，以及语气助词、副词、介词、连接词等，通常自身并无明确的意义，它们对这个文本所表达的意思影响不大。
[0089]
步骤3：文本特征项选择与加权
[0090]
在向量空间模型中，用d(document)表示文本，特征项(term，用t表示)指出现在文档d中且能够代表该文档内容的基本语言单位，主要是由词或者短语构成，文本可以用特征项集表示为d(t1，t2，
…
，tn)，其中tk是特征项，1《＝k《＝n。对于其它要与之比较的文本，也将遵从这个特征项顺序。
[0091]
对含有n个特征项的文本而言，通常会给每个特征项赋予一定的权重表示其重要程度，即d＝d(t1，w1；t2，w2；
…
，tn，wn)。简记为：d＝d(w1，w2，
…
，wn)。我们把它叫做文本d的权值向量表示，其中wk是tk的权重，1《＝k《＝n。
[0092]
特征项的权值有多种取法，我们采用特征项的tf-idf值作为权值。tf-idf是一种常用的加权技术，用于评估一个字词对于一个文件集中的其中一份文件的重要程度。
[0093]
步骤4：余弦相似度计算
[0094]
得到文本的权值向量表示后，两个文本之间的相似性问题就转变成了两个向量之间的相似性问题。向量之间的相似度常用向量之间夹角的余弦值表示，公式为：
[0095][0096]
其中(w_11,w_12,
…
,w_1n)，(w_21,w_22,
…
,w_2n)分别为文本d1和d2的权值向量表示。公式生成的课程相似度得分取值为[0,1]之间的浮点数。
[0097]
3、构建基于用户协同过滤的推荐模型：
[0098]
基于用户协同过滤的课程推荐基本原理是基于用户对课程的偏好找到相邻邻居用户，然后将邻居用户喜欢的课程推荐给目标用户。因此，该模型的重点是基于用户的课程偏好计算用户之间的相似度。模型构建步骤如下：
[0099]
步骤1：构建用户兴趣课程列表
[0100]
基于前面的“用户兴趣挖掘模型”构建每个用户的兴趣列表。
[0101]
表1：用户兴趣课程样例表
[0102][0103]
其中u表示用户，i表示课程。
[0104]
步骤2：构建课程-用户倒序表
[0105]
基于前面建立的用户兴趣课程表，构建课程-用户倒序表。
[0106]
表2：课程-用户倒序表
[0107][0108]
其中u表示用户，i表示课程。
[0109]
步骤3：构建用户相似矩阵
[0110]
基于课程-用户倒序表，构建用户相似矩阵。构建原理是对于每个课程，喜欢它的用户，两两之间相同课程加1。例如喜欢课程i1的用户有u1和u2，那么在矩阵中他们两两加1，如下表所示：
[0111]
表3：用户相似举证样例表
[0112][0113]
步骤4：计算用户相似度
[0114]
常用的相似度计算方法有jaccard公式和余弦相似度计算两种。本实施方式通过遍历用户相似度矩阵中所有的两两用户，根据两两用户共同喜欢的课程的数量，采用余弦相似度计算两用户之间的相似度。用户相似度计算公式如下：
[0115][0116]
其中n(u)为用户u喜欢的物品集合，n(v)为用户v喜欢的物品集合，wuv表示用户u与v的相似度。
[0117]
步骤5：生成课程推荐集
[0118]
从用户相似矩阵中找出与目标用户u最相似的k个用户，用集合s(u,k)表示，将s中用户喜欢的课程全部提取出来，并去除u已经喜欢的课程。对于每个候选课程i，计算用户u对它感兴趣的程度，计算公式如下：
[0119][0120]
其中r
vi
表示用户v对i的喜欢程度，在本实施方式中都是为1，在一些需要用户给予评分的推荐系统中，则要代入用户评分。公式生成的待推荐课程得分取值为[0,1]之间的浮点数。
[0121]
然后根据感兴趣程度由高到低确定n个推荐给用户u的课程。
[0122]
4、构建基于课程协同过滤的推荐模型：
[0123]
基于课程协同过滤推荐算法是给用户推荐同用户喜欢课程相似的课程。该算法不是利用课程的内容信息计算课程之间的相似度，而是通过分析用户的行为记录计算课程之间的相似度，认为课程i1和课程i2具有较高的相似度是因为喜欢课程i1的用户大都也喜欢课程i2。模型构建步骤如下：
[0124]
步骤1：构建用户兴趣课程列表
[0125]
基于前面的“用户兴趣挖掘模型”构建每个用户的兴趣列表。
[0126]
表4：用户兴趣课表
[0127][0128]
其中u表示用户，i表示课程。
[0129]
步骤2：构建课程-用户倒序表
[0130]
基于前面建立的用户兴趣课程表，构建课程-用户倒序表。
[0131]
表5：课程-用户倒序表
[0132][0133]
其中u表示用户，i表示课程。
[0134]
步骤3：构建课程相似矩阵
[0135]
基于课程-用户倒序表，构建课程相似矩阵。构建原理是通过遍历倒序表，计算出喜欢两两课程的用户数，然后填入矩阵c中，如同时喜欢课程i1和课程i3的用户有1人，则矩阵则c[i1][i3]＝1。如下所示：
[0136]
表6：课程相似矩阵表
[0137][0138]
其中u表示用户，i表示课程。
[0139]
步骤4：计算课程相似度
[0140]
本实施方式采用余弦相似度计算两课程之间的相似度。计算公式如下：
[0141][0142]
其中，|n(i)|是喜欢课程i的用户数，|n(j)|是喜欢课程j的用户数，∣n(i)∩n(j)∣是同时喜欢课程i和课程j的用户数。
[0143]
步骤5：生成课程推荐集
[0144]
从课程相似矩阵中找出与目标用户u历史上感兴趣的课程最相似的课程集合。计算公式如下：
[0145][0146]
其中，k表示找到相似的课程数，n表示为用户推荐的课程数，n(u)是用户喜欢的课程集合，s(j,k)是和课程j最相似的k个课程的集合，w
ij
是课程j和i的相似度，r
ui
是用户u对课程j的兴趣评分，本实施方式将r
ui
设置为固定值1。公式生成的待推荐课程得分取值为[0,1]之间的浮点数。
[0147]
然后根据感兴趣程度由高到低确定n个推荐给用户u的课程。
[0148]
步骤s103：计算不同模型的融合权值，根据不同模型的融合权值计算得模型融合结果。具体还包括步骤：
[0149]
确定权值影响因子，确定权值计算模型数据格式，用户评分模型构建，融合权值计算，推荐结果融合。具体可如下：
[0150]
传统线性加权融合中的权值参数是固定的，一旦设定后，无法灵活的按照不同的推荐场景动态调整，使得该方法实际应用效果不佳。传统线性加权融合计算公式如下：
[0151][0152]
本实施方式在传统的线性加权融合法基础上引入了动态调整权值机制，首先是基于用户在不同场景下对各种推荐模型的推荐结果的评分，构建用户评分模型；然后基于用
户属性信息、所处场景及场景上下文等信息，传入用户评分模型，进行预测各种推荐模型结果的得分；最后通过各模型推荐结果得分，自动计算各模型融合权值，以提升在多场景下的推荐效果。模型融合权值动态调整关键实现步骤如下：
[0153]
步骤1：定义权值影响因子
[0154]
在不同的应用领域，面对不同的推荐场景，影响推荐模型融合权值因子也各不相同。本实施方式以教育、学习平台内的课程推荐应用为例，介绍权值影响因子选择原理及定义因子的过程方法。其他领域的推荐应用可参考该方法定义适合自身应用的影响因子。
[0155]
首先：确定应用系统中在哪些位置(功能模块)中会使用推荐功能。本实施方式中在系统首页、课程搜索页、课程详情页三个模块中涉及推荐功能。
[0156]
其次：确定应用系统中会使用哪些推荐算法。本实施方式中使用基于内容的推荐算法、基于用户协同过滤的推荐算法、基于课程协同过滤的推荐算法。
[0157]
然后：确定各推荐算法适用的场景。本实施方式中使用的基于内容的推荐算法在冷启动情况下效果较佳；基于用户协同过滤的推荐算法在用户较少场景下效果较佳；基于课程协同过滤的推荐算法在物品数明显小于用户数的场景下效果较佳。
[0158]
接着：确定影响推荐模型选择的因素。本实施方式中将用户是新用户还是老用户，用户所在场景是首页、搜索页还是详情页，用户浏览的课程是冷门课程、热门课程还是常规课程，当前系统课程数量、用户数量作为影响推荐模型选择的因素。
[0159]
最后：归一化影响因素。本实施方式将新老用户兴趣课程数量、用户相似用户数量进行替代。
[0160]
表7：模型融合权值因子表
[0161][0162]
步骤2：定义权值计算模型数据格式
[0163]
不同的推荐算法在不同场景下给用户推荐的结果有所差异，用户对推荐结果的评价也会有所不同。因此，可以基于不同用户在不同场景下对不同算法的推荐结果的评分数据，结合机器学习或深度学习算法训练模型预测各个推荐算法的权值。
[0164]
本实施方式将用户对推荐结果评分取值范围为[1,10]，基于用户评分结合上面定义的影响因子共同构建模型训练数据。
[0165]
表8：用户推荐结果评分训练数据样例表
[0166][0167]
步骤2：用户评分模型构建
[0168]
不同的推荐算法在不同场景下给用户推荐的结果有所差异，用户对推荐结果的评价也会有所不同。因此，可以基于不同用户在不同场景下对不同算法的推荐结果的评分数据，结合机器学习算法或深度学习算法甚至业务规则构建用户对推荐结果的评分模型。本实施方式采用机器学习算法训练用户评分模型。在准备训练数据时，确保各场景下的用户评分数据分布均衡。
[0169]
步骤3：权值计算
[0170]
基于上述训练的模型，可以预测出每个用户在不同场景下不同模型推荐结果的评分，使用s(u,mj)表示。其中u表示用户，i∈[1,n]，m表示系统中的推荐模型，j∈[1,3]。使用wj表示第j个推荐模型权重，j∈[1,3]。可使用基于用户对每个模型推荐结果评分处于用户对所有模型评分之和计算每个推荐模型的权值，计算公式如下：
[0171][0172]
其中k∈[1,3]。
[0173]
步骤4：推荐结果融合
[0174]
模型推荐结果融合原理是从每个推荐模型结果中取出topn，然后乘以模型权重，对重复结果的分值进行累加，然后按得分从高到低进行排序。融合后推荐结果得分计算公式如下：
[0175][0176]
其中score(u,i)表示用户u对课程i的兴趣得分，recj(u,i)表示推荐模型j预测用户u对课程i的兴趣得分，j∈[1,3]，wj表示推荐模型j的融合权重。
[0177]
通过引入动态参数机制，基于用户信息、系统信息，实时调整模型融合权值，能够及时基于用户兴趣变化、系统运行情况变化调整推荐结果，从而提升用户满意度，增强用户对系统的粘度。
[0178]
步骤s104：根据模型融合结果进行不同课程推荐。具体还包括步骤：根据业务规则
从结果集中选择若干条结果推荐给客户，或直接从结果集中选择排位在前面的若干条结果推荐给客户。具体可如下：
[0179]
模型融合结果可使用集合r(score(u,i1),score(u,i2),...,score(u,in))表示，score(u,i)表示用户u对课程i的得分，i∈[1,n]。得到模型融合结果后，不同应用系统可基于实际业务需求，结合业务规则从结果集中选择n条结果推荐给用户，n∈[1,n]。
[0180]
本系统直接从模型融合结果集合r中选择topn条结果推荐给用。
[0181]
一种基于动态权值的多模型融合的课程推荐方法，包括步骤：采集目标数据；根据所述目标数据构建不同模型；计算不同模型的融合权值，根据不同模型的融合权值计算得模型融合结果；根据模型融合结果进行不同课程推荐。该方法中，融合了不同的模型的同时对于每个模型的融合权值并非固定的，而是进行动态计算的，也就是说对于不同的场景下，同一个模型的融合权值可能是不一样的，如此确保了不同场景下课程推荐结果的准确性。
[0182]
此外，常用的模型融合方式有线性加权融合、交叉融合、瀑布融合、特征融合等类型。动态权值的线性加权融合是最简单易用的融合算法，工程实现非常方便，只需要汇总单一模型的结果，然后计算不同算法的融合权值，将多个推荐算法的结果进行加权汇总。
[0183]
总体的流程如图3所示。
[0184]
请参阅图4，在本实施方式中，一种存储设备400的具体实施方式如下：
[0185]
一种存储设备400，其中存储有指令集，所述指令集用于执行：上述所提及的一种基于动态权值的多模型融合的课程推荐方法的任意步骤。
[0186]
以上存储设备400融合了不同的模型，可做到取长补短，满足不同用户在不同场景的推荐需求，同时对于每个模型的融合权值并非固定的，而是进行动态计算的，也就是说对于不同的场景下，同一个模型的融合权值可能是不一样的，做到精准地把握用户需求，提升推荐结果的准确性，增强系统用户粘度。
[0187]
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。