基于机器学习算法的异构数据映射方法、装置及设备与流程

1.本技术涉及计算机技术领域，尤其涉及到一种基于机器学习算法的异构数据映射方法、装置及设备。


背景技术：

2.随着网络技术与数据库系统技术的发展，企业与企业之间、企业内各部门之间出现了异构数据交换与集成的技术需求，目前是通过数据映射技术实现异构数据的一致性映射。
3.目前在进行异构数据映射时，需要专业人员大量参与进行异构数据之间的数据抽取、逻辑映射、反抽对比验证等逻辑步骤，对专业人员的业务技能要求较高，且导致异构数据映射工作量大、效率低且准确性不高。


技术实现要素：

4.有鉴于此，本技术提供了一种基于机器学习算法的异构数据映射方法、装置及设备，可用于解决目前异构数据的映射方式，对专业人员的业务技能要求较高，且导致异构数据映射工作量大、效率低且准确性不高的技术问题。
5.根据本技术的一个方面，提供了一种基于机器学习算法的异构数据映射方法，该方法包括：
6.接收异构数据映射请求，所述异构数据映射请求中携带有原数据表结构、所述原数据表结构的随机采样数据，以及待映射的目标数据表结构；
7.根据所述原数据表结构对所述随机采样数据进行特征处理，得到原数据特征，所述特征处理包括数据清洗、数据筛选、数据残差填补和特征工程中的至少一种；
8.将所述原数据表结构、所述原数据特征以及所述目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果；
9.根据所述预测映射结果确定所述随机采样数据由所述原数据表结构映射至所述目标数据表结构的目标数据内容。
10.根据本技术的另一个方面，提供了一种基于机器学习算法的异构数据映射装置，该装置包括：
11.接收模块，用于接收异构数据映射请求，所述异构数据映射请求中携带有原数据表结构、所述原数据表结构的随机采样数据以及待映射的目标数据表结构；
12.处理模块，用于根据所述原数据表结构对所述随机采样数据进行特征处理，得到原数据特征，所述特征处理包括数据清洗、数据筛选、数据残差填补和特征工程中的至少一种；
13.输入模块，用于将所述原数据表结构、所述原数据特征以及所述目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果；
14.确定模块，用于根据所述预测映射结果确定所述随机采样数据由所述原数据表结
构映射至所述目标数据表结构后的目标数据内容。
15.根据本技术的又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于机器学习算法的异构数据映射方法。
16.根据本技术的再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于机器学习算法的异构数据映射方法。
17.借由上述技术方案，本技术提供的一种基于机器学习算法的异构数据映射方法、装置及设备，与目前异构数据的映射方式相比，本技术可在接收到携带有原数据表结构、原数据表结构的随机采样数据以及待映射的目标数据表结构的异构数据映射请求后，根据原数据表结构对随机采样数据进行特征预处理，进而将原数据表结构、预处理后的随机采样数据以及目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果；最后根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容。通过本技术中的技术方案，可通过机器学习算法识别减少人工映射时出现的理解错误或人为失误，提高异构数据映射的准确性，且使用自动化数据映射，可大幅提升工作效率，减少技术人员投入并缩短整体任务的周期。此外，整个映射过程无需大量专业人员介入，对专业人员的业务技能要求较低。
18.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
19.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本地申请的不当限定。在附图中：
20.图1示出了本技术实施例提供的一种基于机器学习算法的异构数据映射方法的流程示意图；
21.图2示出了本技术实施例提供的另一种基于机器学习算法的异构数据映射方法的流程示意图；
22.图3示出了本技术实施例提供的一种基于机器学习算法的异构数据映射装置的结构示意图；
23.图4示出了本技术实施例提供的另一种基于机器学习算法的异构数据映射装置的结构示意图。
具体实施方式
24.本技术实施例可以基于人工智能技术实现对异构数据的自动化映射。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
25.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机
视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
26.下文将参考附图并结合实施例来详细说明本技术。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互结合。
27.针对目前异构数据的映射方式，对专业人员的业务技能要求较高，且导致异构数据映射工作量大、效率低且准确性不高的技术问题，本技术提供了一种基于机器学习算法的异构数据映射方法，如图1所示，该方法包括：
28.101、接收异构数据映射请求，异构数据映射请求中携带有原数据表结构、原数据表结构的随机采样数据，以及待映射的目标数据表结构。
29.在具体的应用场景中，当一张整合表来源于多个原始数据表，在进行数据映射时，往往通过人工设计中间表，然而技术人员在设计中间表时需要同时具备多个行业的业务知识，进而才能将多个外部数据通过中间表准确映射到一张表上。此种方式需要人工判断建表语句、数据结构、主外键关系、字段类型、采样数据分布范围、业务数据真实性、业务字段间自洽等，导致对专业人员的业务技能要求高，且异构数据的映射效率低、准确性不高。对此，在本技术中，将表与表之间的数据关系通过机器学习实现智能化判定，以实现对异构数据的智能化映射判定。
30.对于本实施例，为实现对异构数据的自动化映射，可响应于异构数据映射请求，根据异构数据映射请求中携带的原数据表结构、原数据表结构的随机采样数据以及待映射的目标数据表结构，实现对异构数据的自动化映射处理，得到目标数据内容。
31.对于本技术的执行主体可为用于对异构数据自动化映射的装置或设备，可配置在客户端侧或服务端侧，可根据上传的异构数据映射请求获取原数据表结构、原数据表结构的随机采样数据以及待映射的目标数据表结构；进而根据原数据表结构对随机采样数据进行特征预处理；将原数据表结构、预处理后的随机采样数据以及目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果；根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容。
32.102、根据原数据表结构对随机采样数据进行特征处理，得到原数据特征，特征处理包括数据清洗、数据筛选、数据残差填补和特征工程中的至少一种。
33.其中，通过对随机采样数据进行数据清洗处理，可筛选出高饱和度和准确的数据，数据清洗包括缺省值填充、异常值删除，缺省值填充指的是对数据缺失项进行填充，填充数据的方法包括填充平均值，具体为：确定该数据缺失项的第一特征，计算该第一特征下数据的平均值，将该平均值作为填充值。异常值指的是历史询价成交数据与实际情况相违背的数据，或者在系统故障下采集到的数据，对于异常值数据进行删除处理。此外，预处理还可包括对结构化或非结构化长文本数据进行向量矩阵形式的转化处理，以实现对数据的标准结构化处理等。
34.103、将原数据表结构、原数据特征以及目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果。
35.其中，异构数据映射模型是预先根据历史异构数据映射结果构建的，需要说明的是，在执行本实施例步骤之前，需要预先对异构数据映射模型进行训练。其中，异构数据映射模型可选用线性回归模型、逻辑回归模型、朴素贝叶斯模型、决策树模型、支持向量机
(support vector machines,svm)模型、神经网络模型、knn模型、条件随机场(crf)模型等。在本实施例步骤中，以异构数据映射模型为svm模型为例进行说明。支持向量机(support vector machines,svm)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机，可用于分类、回归和异常值检测(聚类)任务。在本技术中，可应用于svm模型实现对异构数据映射结果的分类预测，分别输出针对各个预设表格以及预设字段的预测概率以及预测置信度，以便依据预测概率以及预测置信度实现对最终数据映射结果的判定。
36.104、根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容。
37.对于本实施例，在确定得到预测映射结果后，可将预测映射结果中对应置信度的差异化较大时，可直接根据置信度较高的预测数据自动化确定目标数据内容；当各个预测数据对应的置信度较为相近时，可由人工参与对预测映射结果进行校验或修正，具体可形成最终数据映射结构文件，进而可将最终数据映射结构文件导入常用etl工具，进行目标数据内容的抽取。
38.通过本实施例中基于机器学习算法的异构数据映射方法，可在接收到携带有原数据表结构、原数据表结构的随机采样数据以及待映射的目标数据表结构的异构数据映射请求后，根据原数据表结构对随机采样数据进行特征预处理，进而将原数据表结构、预处理后的随机采样数据以及目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果；最后根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容。通过本技术中的技术方案，可通过机器学习算法识别减少人工映射时出现的理解错误或人为失误，提高异构数据映射的准确性，且使用自动化数据映射，可大幅提升工作效率，减少技术人员投入并缩短整体任务的周期。此外，整个映射过程无需大量专业人员介入，对专业人员的业务技能要求较低。
39.进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种基于机器学习算法的异构数据映射方法，如图2所示，该方法包括：
40.201、接收异构数据映射请求，异构数据映射请求中携带有原数据表结构、原数据表结构的随机采样数据，以及待映射的目标数据表结构。
41.对于本实施例，可应用于各种异构数据的映射场景，相应的，随机采样数据可对应为金融数据、统计数据、保险数据等。在本技术实施例中以对保险数据的异构数据映射为例进行说明，具体的，可首先对保险行业数据进行采集和整合，保险行业数据具体可包括保单登记数据、车险数据、保险中介数据、农险数据、税优健康险数据、税延养老险数据等，进而将各个数据结构下的保险行业数据上传，并生成异构数据映射请求，进而可响应于异构数据映射请求，通过执行实施例步骤202至205，实现对异构数据的智能化映射。
42.202、根据原数据表结构对随机采样数据进行特征处理，得到原数据特征，特征处理包括数据清洗、数据筛选、数据残差填补和特征工程中的至少一种。
43.在具体的应用场景中，特征处理包括：建表语句、数据结构、主外键关系、字段类型、采样数据分布范围、业务数据真实性、业务字段间自洽等。如随机采样数据可对应为长文本、图片等非结构数据，在获取到随机采样数据后，可首先对随机采样数据进行数据清
洗，保证入模数据的质量，降低由于质量问题带来的误差；其次，还可剔除饱和度较低和准确不高的数据，进一步的，可根据原数据表结构对随机采样数据进行特征转换处理。
44.相应的，对于本实施例，在根据原数据表结构对随机采样数据进行特征转换处理时，实施例步骤202具体可以包括：若根据原数据表结构判定随机采样数据为结构化或非结构化长文本数据，则获取与原数据表结构匹配的数据转化格式以及对应的特征向量空间维度；依据数据转化格式将随机采样数据转化为与特征向量空间维度匹配的向量特征矩阵。
45.需要说明的是，在执行实施例步骤203、204之前，还需要预先对异构数据映射模型进行预训练，在训练完成后，进一步利用训练完成的异构数据映射模型预测映射结果。在具体的应用场景中，异构数据映射模型可包括用于表匹配的第一异构数据映射模型和用于字段匹配的第二异构数据映射模型。相应的，在预训练时，实施例步骤具体可以包括：基于历史异构数据映射结果构建训练集，并利用训练集分别训练第一异构数据映射模型和第二异构数据映射模型，以使第一异构数据映射模型和第二异构数据映射模型满足预设训练标准，判定预训练完成。其中，历史异构数据映射结果为在历史时刻完成映射处理的异构数据映射结果，具体可包括原数据表结构、原数据表结构的随机采样数据、以及映射完成的数据结构和数据内容。
46.在具体的应用场景中，作为一种可选方式，在基于历史异构数据映射结果构建训练集训练第一异构数据映射模型和第二异构数据映射模型时，可将历史异构数据映射结果随机拆分5份，80％训练集和20％测试集并实现交叉验证，使用gridsearch进行模型参数调优，以混淆矩阵、学习曲线等方法降低模型过拟合并优选模型参数，进一步以auc和ks值判断测试集的模型验证结果。当判断异构数据映射模型对应的auc和ks值均大于预设阈值时，即可判定异构数据映射模型满足预设训练标准，判定预训练完成。
47.203、将原数据表结构、原数据特征以及目标数据表结构输入预训练完成的第一异构数据映射模型，获取关于目标表的第一预测映射结果，其中，第一异构数据映射模型用于表匹配。
48.对于本实施例，可将原数据表结构按格式保存为csv文件，作为输入项1，将特征处理后的原数据特征作为输入项2，将目标数据表结构同样按照格式保存为csv文件，作为输入项3，进而按照模型结构输出项要求，将输入项1、2、3分别输入第一异构数据映射模型，获取关于目标表格的第一预测映射结果，在第一预测映射结果中包含各个预设表格对应的预测置信度。在具体的应用场景中，可将对应预测置信度大于预设置信度阈值的预设表格确定为目标表格。
49.204、将原数据表结构、原数据特征以及目标数据表结构输入预训练完成的第二异构数据映射模型，获取目标表内目标字段的第二预测映射结果，其中，第二异构数据映射模型用于字段匹配。
50.与实施例步骤203对应，对于本实施例，同样可将原数据表结构按格式保存为csv文件，作为输入项1，将特征处理后的原数据特征作为输入项2，将目标数据表结构同样按照格式保存为csv文件，作为输入项3，进而按照模型结构输出项要求，将输入项1、2、3分别输入第二异构数据映射模型，获取关于字段的第二预测映射结果，在第二预测映射结果中包含目标表格下各个预设字段对应的预测置信度。
51.205、根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结
构后的目标数据内容。
52.在具体的应用场景中，对于本实施例，作为一种可选方式，在预测映射结果中对应置信度的差异化较大时，可直接按照置信度由高到低的顺序，实现对自动化映射过程所产生目标数据内容的确定，具体的，可根据实施例步骤204中对应第二预测映射结果包含目标表下各个预设字段对应的预测置信度，筛选出对应预测置信度最高的预设字段作为目标字段，进而将目标表下的目标字段确定为随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容。
53.作为另一种优选方式，对于无法分类或置信度较为平均的结果需要人工根据模型输出结果辅助实现最终映射结果的判定。相应的，实施例步骤205具体可以包括：按照置信度由高到低的顺序在第一预测映射结果中筛选出预设数量个与目标数据表结构匹配的预测映射表；按照置信度由高到低的顺序在第二预测映射结果中筛选出预设数量个预测映射字段；输出预测映射表下的预测映射字段，以便人工根据预测映射表下的预测映射字段确定目标数据表结构下的目标数据内容。
54.在具体的应用场景中，为了实现对所生成目标数据内容的复用，作为一种优选方式，还可根据历史异构数据映射结果生成异构数据映射表，以便在对异构数据进行映射时，能够直接在异构数据映射表中查询到对应的目标数据内容。相应的，实施例步骤具体可以包括：根据原数据表结构下的随机采样数据以及目标数据表结构下的目标数据内容，生成异构数据映射表，以便基于异构数据映射表筛选与原数据表结构、随机采样数据以及目标数据表结构匹配的目标数据内容。
55.相应的，作为又一种可选方式，为了提高异构数据映射模型的模型精度，异构数据映射模型还可通过增加入模数据方法进行迭代，通过增加模型训练集的数据优化模型结果，每次新增训练集，都会参考算法建模过程重复数据预处理、目标算法参数调优过程。相应的，实施例步骤具体可以包括：根据原数据表结构下的随机采样数据以及目标数据表结构下的目标数据内容，更新训练集，以便依据更新后的训练集迭代训练第一异构数据映射模型和第二异构数据映射模型。
56.借由上述基于机器学习算法的异构数据映射方法，可在接收到携带有原数据表结构、原数据表结构的随机采样数据以及待映射的目标数据表结构的异构数据映射请求后，根据原数据表结构对随机采样数据进行特征预处理，进而将原数据表结构、预处理后的随机采样数据以及目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果；最后根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容。通过本技术中的技术方案，可通过机器学习算法识别减少人工映射时出现的理解错误或人为失误，提高异构数据映射的准确性，且使用自动化数据映射，可大幅提升工作效率，减少技术人员投入并缩短整体任务的周期。此外，整个映射过程无需大量专业人员介入，对专业人员的业务技能要求较低。
57.进一步的，作为图1和图2所示方法的具体实现，本技术实施例提供了一种基于机器学习算法的异构数据映射装置，如图3所示，该装置包括：接收模块31、处理模块32、输入模块33、确定模块34；
58.接收模块31，可用于接收异构数据映射请求，异构数据映射请求中携带有原数据表结构、原数据表结构的随机采样数据，以及待映射的目标数据表结构；
59.处理模块32，可用于根据原数据表结构对随机采样数据进行特征处理，得到原数据特征，特征处理包括数据清洗、数据筛选、数据残差填补和特征工程中的至少一种；
60.输入模块33，可用于将原数据表结构、原数据特征以及目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果；
61.确定模块34，可用于根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容。
62.在具体的应用场景中，在对随机采样数据进行特征处理时，处理模块32，具体可用于若根据原数据表结构判定随机采样数据为结构化或非结构化长文本数据，则获取与原数据表结构匹配的数据转化格式以及对应的特征向量空间维度；依据数据转化格式将随机采样数据转化为与特征向量空间维度匹配的向量特征矩阵。
63.在具体的应用场景中，异构数据映射模型包括用于表匹配的第一异构数据映射模型和用于字段匹配的第二异构数据映射模型；相应的，为了预先训练得到异构数据映射模型，如图4所示，该装置还包括：训练模块35；
64.训练模块35，可用于基于历史异构数据映射结果构建训练集，并利用训练集分别训练第一异构数据映射模型和第二异构数据映射模型，以使第一异构数据映射模型和第二异构数据映射模型满足预设训练标准，判定预训练完成。
65.在具体的应用场景中，在将原数据表结构、原数据特征以及目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果时，输入模块33，具体可用于将原数据表结构、原数据特征以及目标数据表结构输入预训练完成的第一异构数据映射模型，获取关于目标表的第一预测映射结果；将原数据表结构、原数据特征以及目标数据表结构输入预训练完成的第二异构数据映射模型，获取目标表内目标字段的第二预测映射结果。
66.在具体的应用场景中，在根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容时，确定模块34，具体可用于按照置信度由高到低的顺序在第一预测映射结果中筛选出预设数量个与目标数据表结构匹配的预测映射表；按照置信度由高到低的顺序在第二预测映射结果中筛选出预设数量个预测映射字段；输出预测映射表下的预测映射字段，以便人工根据预测映射表下的预测映射字段确定目标数据表结构下的目标数据内容。
67.在具体的应用场景中，为实现对异构数据的快速映射处理，如图4所示，该装置还包括：生成模块36；
68.生成模块36，可用于根据原数据表结构下的随机采样数据以及目标数据表结构下的目标数据内容，生成异构数据映射表，以便基于异构数据映射表筛选与原数据表结构、随机采样数据以及目标数据表结构匹配的目标数据内容。
69.在具体的应用场景中，为了提高异构数据映射模型的模型精度，如图4所示，该装置还包括：更新模块37；
70.更新模块37，可用于根据原数据表结构下的随机采样数据以及目标数据表结构下的目标数据内容，更新训练集，以便依据更新后的训练集迭代训练第一异构数据映射模型和第二异构数据映射模型。
71.需要说明的是，本实施例提供的一种基于机器学习算法的异构数据映射装置所涉及各功能单元的其他相应描述，可以参考图1至图2的对应描述，在此不再赘述。
72.基于上述如图1至图2所示方法，相应的，本实施例还提供了一种存储介质，存储介质具体可为易失性或非易失性，其上存储有计算机可读指令，该可读指令被处理器执行时实现上述如图1至图2所示的基于机器学习算法的异构数据映射方法。
73.基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个存储介质(可以是cd-rom，u盘，移动硬盘等)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)执行本技术各个实施场景的方法。
74.基于上述如图1至图2所示的方法和图3、图4所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于机器学习算法的异构数据映射方法。
75.可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如wi-fi接口)等。
76.本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
77.存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
78.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。
79.通过应用本技术的技术方案，与目前现有技术相比，本技术可在接收到携带有原数据表结构、原数据表结构的随机采样数据以及待映射的目标数据表结构的异构数据映射请求后，根据原数据表结构对随机采样数据进行特征预处理，进而将原数据表结构、预处理后的随机采样数据以及目标数据表结构输入预训练完成的异构数据映射模型，获取预测映射结果；最后根据预测映射结果确定随机采样数据由原数据表结构映射至目标数据表结构后的目标数据内容。通过本技术中的技术方案，可通过机器学习算法识别减少人工映射时出现的理解错误或人为失误，提高异构数据映射的准确性，且使用自动化数据映射，可大幅提升工作效率，减少技术人员投入并缩短整体任务的周期。此外，整个映射过程无需大量专业人员介入，对专业人员的业务技能要求较低。
80.本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
81.上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都
应落入本技术的保护范围。