基于Flink流处理引擎的用户数据处理方法和装置与流程

基于flink流处理引擎的用户数据处理方法和装置
技术领域
1.本发明涉及计算机技术领域，特别是涉及一种基于flink流处理引擎的用户数据处理方法和一种基于flink流处理引擎的用户数据处理装置。


背景技术：

2.随着互联网卡用户的日益增多，不可避免的出现离网、携号转网等电信用户流失现象。目前现有技术识别即将离网用户大致分为两类：第一类为通过离线数据的挖掘分析获取离网用户的特征阈值,通过特征阈值判定是否即将离网；第二类为通过离线数据建模的方式预测即将离网用户。以上两种方式均使用离线数据进行挖掘/建模，离线数据往往具有滞后性(按天/按月滞后)，这样可能导致部分即将离网用户得不到及时的维系安抚，从而造成部分用户真正流失。


技术实现要素：

3.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于flink流处理引擎的用户数据处理方法和相应的一种基于flink流处理引擎的用户数据处理装置。
4.为了解决上述问题，本发明实施例公开了一种基于flink流处理引擎的用户数据处理方法，包括：
5.获取实时用户数据；
6.采用预设flink流处理引擎中已训练的预测模型对所述实时用户数据进行预测，以判断实时用户数据是否符合离网特征；
7.若是，则采用所述flink流处理引擎针对所述目标用户数据对应的用户发送服务信息；
8.其中，所述目标用户数据为符合所述离网特征的实时用户数据。
9.可选地，还包括：
10.确定接收所述服务信息的目标用户；
11.获取所述目标用户对应的服务效果数据；
12.采用所述服务效果数据迭代更新所述预测模型。
13.可选地，所述已训练的预测模型通过如下方法生成：
14.获取样本用户数据；
15.生成与所述样本用户数据匹配的样本特征数据以及标签数据；
16.将至少部分的所述样本特征数据及其对应的标签数据划分为第一训练集；
17.采用所述第一训练集构建并训练第一随机森林模型，得到预测模型。
18.可选地，所述采用至少部分的第一训练集构建并训练随机森林模型，得到预测模型的步骤包括：
19.采用所述第一训练集以及预设的网络搜索算法、k折交叉验证算法，确定第一目标
参数；
20.采用所述第一目标参数构建第一随机森林模型；
21.采用所述第一随机森林模型确定所述第一训练集中的冗余特征；
22.剔除所述第一训练集中的冗余特征，得到第二训练集；
23.采用所述第二训练集构建并训练第二随机森林模型，得到预测模型。
24.可选地，所述特征数据对应于多个类型的特征；所述采用所述第一随机森林模型确定所述第一训练集中的冗余特征的步骤包括：
25.采用所述第一随机森林模型确定所述第一训练集中各个所述类型的权重参数；
26.确定所述权重参数不大于预设阈值的类型对应的特征数据为冗余特征。
27.可选地，所述针对所述目标用户数据对应的用户发送服务信息的步骤包括：
28.确定与所述目标用户数据对应的用户所使用的通信对象；所述通信对象包括应用程序，小程序和移动通信号码；
29.确定与所述目标用户数据适配的服务信息；
30.基于所述通信对象向所述目标用户输出所述服务信息。
31.可选地，所述实时用户数据包括行为数据和非行为数据，所述行为数据包括移动行为数据和负面行为数据。
32.本发明实施例还公开了一种基于flink流处理引擎的用户数据处理装置，包括：
33.实时数据获取模块，用于获取实时用户数据；
34.预测模块，用于采用预设flink流处理引擎中已训练的预测模型对所述实时用户数据进行预测，以判断实时用户数据是否符合离网特征；
35.服务模块，用于若实时用户数据符合离网特征，则采用所述flink流处理引擎针对所述目标用户数据对应的用户发送服务信息；
36.其中，所述目标用户数据为符合所述离网特征的实时用户数据。
37.本发明实施例还公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述基于flink流处理引擎的用户数据处理方法的步骤。
38.本发明实施例还公开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计算机程序，所述计算机程序被处理器执行时实现如上所述基于flink流处理引擎的用户数据处理方法的步骤。
39.本发明实施例包括以下优点：
40.采用flink流处理引擎对获取到的实时用户数据调用已训练的预测模型进行实时预测，通过离网特征判断实时用户数据中是否存在与离网特征相匹配的目标用户数据，从而识别出与潜在离网用户相匹配的目标用户数据，通过实时预测替代现有技术中的离线预测，提高了识别潜在离网用户的时效性，进一步的，在flink流处理引擎从实时用户数据从识别出符合离网特征的目标用户数据时，针对目标用户数据对应的潜在离网用户发送服务信息，以对潜在离网用户进行实时营销服务，降低了针对潜在离网用户维系挽留的时间成本，且提高了潜在离网用户察觉的时效性。
附图说明
41.图1是本发明的一种基于flink流处理引擎的用户数据处理方法实施例的步骤流程图；
42.图2本发明提供的一种基于flink流处理引擎的用户数据处理流程示意图；
43.图3本发明提供的一种软件系统架构图；
44.图4是本发明的一种基于flink流处理引擎的用户数据处理装置实施例的结构框图。
具体实施方式
45.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
46.本发明实施例的核心构思之一在于，采用flink流处理引擎对获取到的实时用户数据调用已训练的预测模型进行实时预测，通过离网特征判断实时用户数据中是否存在与离网特征相匹配的目标用户数据，从而识别出与潜在离网用户相匹配的目标用户数据，通过实时预测替代现有技术中的离线预测，提高了识别潜在离网用户的时效性，进一步的，在flink流处理引擎从实时用户数据从识别出符合离网特征的目标用户数据时，针对目标用户数据对应的潜在离网用户发送服务信息，以对潜在离网用户进行实时营销服务，降低了针对潜在离网用户维系挽留的时间成本，且提高了潜在离网用户察觉的时效性。
47.参照图1，示出了本发明的一种基于flink流处理引擎的用户数据处理方法实施例的步骤流程图，具体可以包括如下步骤：
48.一种基于flink流处理引擎的用户数据处理方法，包括：
49.步骤101，获取实时用户数据；
50.实时用户数据为与通信运营商的用户相对应的数据。在实际应用中，可以采用指定程序读取并存储用户数据，通过实时从改指定程序中获取用户数据，从而得到实时用户数据。其中，该用户数据可以包括用户的操作相关的流数据，例如：订阅套餐操作，更改套餐操作等。
51.步骤102，采用预设flink流处理引擎中已训练的预测模型对所述实时用户数据进行预测，以判断实时用户数据是否符合离网特征；
52.flink流处理引擎中可以部署有已完成训练的预测模型，并在其接收到实时用户数据时，调用预测模型对实时用户数据进行预测，并生成预测结果。
53.预测模型能够识别出实时用户数据是否符合预设的离网特征，从而可以根据预测结果判断flink流处理引擎接收到的实时用户数据中，是否包含有符合离网特征的部分，以实现通过flink处理引擎实时识别出潜在离网用户。
54.步骤103，若实时用户数据符合离网特征，则采用所述flink流处理引擎针对所述目标用户数据对应的用户发送服务信息；其中，所述目标用户数据为符合所述离网特征的实时用户数据。
55.若实时用户数据至少部分符合离网特征，确定符合离网特征的实时用户数据为目标用户数据，目标用户数据对应的用户为高危用户即潜在离网用户。对于潜在离网用户发送服务信息，从而及时对潜在离网用户进行实时营销，降低了用户维系挽留的时间成本，且
提高了潜在离网用户察觉的时效性。
56.在本发明实施例中，采用flink流处理引擎对获取到的实时用户数据调用已训练的预测模型进行实时预测，通过离网特征判断实时用户数据中是否存在与离网特征相匹配的目标用户数据，从而识别出与潜在离网用户相匹配的目标用户数据，通过实时预测替代现有技术中的离线预测，提高了识别潜在离网用户的时效性，进一步的，在flink流处理引擎从实时用户数据从识别出符合离网特征的目标用户数据时，针对目标用户数据对应的潜在离网用户发送服务信息，以对潜在离网用户进行实时营销服务，降低了针对潜在离网用户维系挽留的时间成本，且提高了潜在离网用户察觉的时效性。
57.在本发明的一种可选实施例中，所述实时用户数据包括行为数据和非行为数据，所述行为数据包括移动行为数据和负面行为数据。
58.具体的，非行为数据可以为用户自身相关信息，例如：用户性别、年龄、省份、地市。
59.移动行为数据为与移动通信相关的行为数据，例如：移动话单、流量使用数据(包括但不限于：流量使用开始时间、结束时间、流量使用量)、短信使用数据(例如：短信条数)、漫游类型、通讯费用等。负面行为数据可以为与负面评价相关的行为数据，例如：投诉数据、差评数据。
60.在本发明的一种可选实施例中，所述已训练的预测模型通过如下方法生成：获取样本用户数据；生成与所述样本用户数据匹配的样本特征数据以及标签数据；将至少部分的所述样本特征数据及其对应的标签数据划分为第一训练集；采用所述第一训练集构建并训练第一随机森林模型，得到预测模型。
61.在预设数据专区中提取一定数量的实时用户数据作为样本用户数据，并对提取数据进行清洗(中英文映射为数值、缺失值处理等)以得到样本特征数据，并提取标签数据(是否离网)并对标签值进行数值转换，使得标签数据便于后续的模型对标签数据进行处理；
62.在一具体事例中，首先按照负样本:正样本为3:1的比例从提取数据中拿出100万条实时用户数据作为样本用户数据，然后对样本集(上述100万条)以第一训练集：测试集以7：3的比例划分第一训练集和测试集。
63.采用第一训练集构建第一随机森林模型，并采用第一训练集训练随机森林模型得到已训练的第一随机森林模型，采用测试集验证已训练的第一随机森林模型的预测效果。
64.在本发明的一种可选实施例中，所述采用至少部分的第一训练集构建并训练随机森林模型，得到预测模型的步骤包括：
65.采用所述第一训练集以及预设的网络搜索算法、k折交叉验证算法，确定第一目标参数；采用所述第一目标参数构建第一随机森林模型；采用所述第一随机森林模型确定所述第一训练集中的冗余特征；剔除所述第一训练集中的冗余特征，得到第二训练集；采用所述第二训练集构建并训练第二随机森林模型，得到预测模型。
66.在实际应用中，可以采用第一训练集、gridsearchcv(网格搜索)和k折交叉验证，获取到第一最优参数,然后使用第一最优参数构建第一随机森林模型。采用第一随机森林模型输出各种特征数据的重要程度后，确定特征数据中重要程度较低的种类为冗余特征，将第一训练集中剔除冗余特征后的数据作为第二训练集，并采用第二训练集构建并训练第二随机森林模型，得到预测模型。
67.在具体实现中，可以使用sklearn2pmml库将训练好的预测模型保存成pmml文件，
flink流处理引擎使用java的jpmml加载生成的pmml模型文件吗，从而加载已训练的预测模型。
68.在本发明的一种可选实施例中，所述特征数据对应于多个类型的特征；所述采用所述第一随机森林模型确定所述第一训练集中的冗余特征的步骤包括：采用所述第一随机森林模型确定所述第一训练集中各个所述类型的权重参数；确定所述权重参数不大于预设阈值的类型对应的特征数据为冗余特征。
69.已训练的第一随机森林模型能够输出各类型的特征的重要程度，并以权重参数进行量化，通过预设阈值与权重参数的对比，进而确定冗余特征。例如：各类型的特征权重参数在0～1之间，预设阈值为0，则将权重参数不大于0的类型的特征为冗余特征。
70.在本发明的一种可选实施例中，采用第二训练集构建并训练第二随机森林模型，得到预测模型进一步可以包括如下子步骤：采用所述第一训练集以及预设的网络搜索算法、k折交叉验证算法，确定第二目标参数；采用所述第二目标参数构建第二随机森林模型；采用所述第二训练集训练所述第二随机森林模型，并确定已训练的第二随机森林模型为预测模型。
71.通过采用剔除冗余特征后的第二训练集构建并训练第二随机森林模型，并将完成训练的第二随机森林模型作为预测模型，能够避免冗余特征对预测结果造成影响，提高了预测模型对实时用户数据预测准确性，同时减少了预测模型对数据的处理量，提高了预测模型的处理效率。
72.在本发明的一种可选实施例中，所述方法还包括如下步骤：确定接收所述服务信息的目标用户；获取所述目标用户对应的服务效果数据；采用所述服务效果数据迭代更新所述预测模型。
73.将识别得到的目标用户数据对应的潜在离网用户确定为目标用户，并针对目标用户输出相应的服务信息后，提取目标用户的服务效果数据。服务效果数据可以是指目标用户接收到服务信息后，一定时间内的行为数据变化信息。通过该变化信息以判断目标用户在收到服务信息时，是否进行了相应的移动行为，进而判断服务信息是否能够有效挽留潜在离网用户。在获取服务效果数据后，进一步迭代更新预测模型(包括但不限于引入新类型的特征，并重新确定各类型特征重要程度，淘汰重要程度低的特征)，进而提高预测模型预测的准确性。
74.在本发明的一种可选实施例中，所述针对所述目标用户数据对应的用户发送服务信息的步骤包括：确定与所述目标用户数据对应的用户所使用的通信对象；所述通信对象包括应用程序，小程序和移动通信号码；确定与所述目标用户数据适配的服务信息；基于所述通信对象向所述目标用户输出所述服务信息。
75.通过确定应用程序作为通信对象，可以通过该应用程序向目标用户发送服务信息；通过确定小程序作为通信对象，可以通过该小程序向目标用户发送服务信息；通过确定移动通信号码作为通信对象，可以通过短信向目标用户发送服务信息。
76.上述服务信息内容可以通过flink流处理引擎加载预设的服务信息模板确定。也可以基于目标用户的行为数据确定适配的服务信息，例如：实时用户数据包含增加流量使用量，则提供流量优惠服务信息。进一步，可以基于行为数据和非行为数据，确定适配的服务信息内容。例如：由于不同目标用户可能对应于不同归属地，不同归属地提供的服务不尽
相同，则可以基于归属地以及行为数据确定服务信息内容。
77.以短信为例，在具体实现中，在flink流处理引擎初始化时加载预置营销短信推送策略，通过创建自定义sink对预测出的高危用户实时推送营销短信。flink流处理引擎在初始化时加载预置的营销策略，且使用观察者模式将变化后的营销策略实时更新。求中，在观察者模式下，实时监控数据库(如mysql)中配置的营销策略,如果数据库中配置的营销策略发生变化则实时更新flink流处理引擎中推送模板，使flink流处理引擎能根据最新的推送模板给用户推送短信。
78.参照图2，示出了本发明提供的一种基于flink流处理引擎的用户数据处理流程示意图，可以包括如下步骤：
79.201，提取用户特征数据。提取用户的基本信息、移动行为数据和负面行为数据(投诉、app差评等)。
80.202，用户特征数据处理。对数据清洗后进行特征融合。
81.203，构建随机森林模型。使用融合后的特征数据构建高危用户随机森林模型(使用sklearn库),然后使用sklearn2pmml库将训练好的模型保存成pmml文件。
82.204，加载模型文件到flink(flink流处理引擎)。使用java的jpmml加载生成的pmml模型文件,然后使用flink streaming对kafka中的用户实时移动行为数据和负面行为数据进行实时预测，判断该用户的特征数据是否符合高危用户特征。
83.205，加载预制短信营销策略。预置营销短信推送策略，通过flinkstreaming对预测出的高危用户(符合高危特征的用户)进行实时营销。flinkstreaming在初始化时加载预置的营销策略,且使用观察者模式将变化后的营销策略实时更新。
84.206，flinkstreaming(flink流处理引擎)实时预测。
85.207，判断是否存在高危用户对于的特征数据。若否则执行步骤208，若是则执行步骤209和210。
86.208，不对该实时用户数据进行处理。
87.209，flinkstreaming(flink流处理引擎)实时推送营销短信，
88.210，营销效果反馈及系统优化。根据营销效果调整建模输入数据,对模型进行迭代优化。
89.参照图3，示出了本发明提供的一种软件系统架构图，通过该软件系统能够实现本发明方法实施例中的各个步骤，该软件系统包括
90.数据提取加工模块301，用于从数据专区中提取用户的基本信息、移动行为数据、负面行为数据等，对数据进行清洗，然后进行特征融合。
91.随机森林建模模块302，用于使用融合后的特征构建随机森林模型,并使用sklearn库的sklearn2pmml将模型文件转化为pmml文件，便于flinkstreaming程序读取加载。
92.flinkstreaming实时预测模块303，用于flinkstreaming加载生成的pmml模型文件，对kafka(用于存储用户数据的程序)中的用户实时特征数据进行预测,判断是否为即将离网用户。
93.flinkstreaming实时营销模块304，用于如果存在即将离网用户，则使用flinkstreaming对所述用户进行实时短信推送(使用预先加载的短信营销策略)
94.随机森林建模模块302，还用于根据营销效果调整建模输入数据，对模型进行迭代优化。
95.需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
96.参照图4，示出了本发明的一种基于flink流处理引擎的用户数据处理装置实施例的结构框图，具体可以包括如下模块：
97.实时数据获取模块401，用于获取实时用户数据；
98.预测模块402，用于采用预设flink流处理引擎中已训练的预测模型对所述实时用户数据进行预测，以判断实时用户数据是否符合离网特征；
99.服务模块403，用于若实时用户数据符合离网特征，则采用所述flink流处理引擎针对所述目标用户数据对应的用户发送服务信息；
100.其中，所述目标用户数据为符合所述离网特征的实时用户数据。
101.在本发明的一种可选实施例中，还包括：
102.目标用户确定模块，用于确定接收所述服务信息的目标用户；
103.服务效果数据获取模块，用于获取所述目标用户对应的服务效果数据；
104.模型更新模块，用于采用所述服务效果数据迭代更新所述预测模型。
105.在本发明的一种可选实施例中，所述已训练的预测模型通过如下模块生成：
106.样本获取模块，用于获取样本用户数据；
107.生成模块，用于生成与所述样本用户数据匹配的样本特征数据以及标签数据；
108.第一训练集划分模块，用于将至少部分的所述样本特征数据及其对应的标签数据划分为第一训练集；
109.构建并训练模块，用于采用所述第一训练集构建并训练第一随机森林模型，得到预测模型。
110.在本发明的一种可选实施例中，所述构建并训练模块包括：
111.第一目标参数确定子模块，用于采用所述第一训练集以及预设的网络搜索算法、k折交叉验证算法，确定第一目标参数；
112.第一随机森林模型构建子模块，用于采用所述第一目标参数构建第一随机森林模型；
113.冗余特征确定子模块，用于采用所述第一随机森林模型确定所述第一训练集中的冗余特征；
114.第二训练集确定子模块，用于剔除所述第一训练集中的冗余特征，得到第二训练集；
115.预测模型生成子模块，用于采用所述第二训练集构建并训练第二随机森林模型，得到预测模型。
116.在本发明的一种可选实施例中，所述特征数据对应于多个类型的特征；所述冗余特征确定子模块包括：
117.权重参数输出单元，用于采用所述第一随机森林模型确定所述第一训练集中各个所述类型的权重参数；
118.冗余特征确定单元，用于确定所述权重参数不大于预设阈值的类型对应的特征数据为冗余特征。
119.在本发明的一种可选实施例中，所述服务模块包括：
120.通信对象确定子模块，用于确定与所述目标用户数据对应的用户所使用的通信对象；所述通信对象包括应用程序，小程序和移动通信号码；
121.服务信息确定子模块，用于确定与所述目标用户数据适配的服务信息；
122.服务信息发送子模块，用于基于所述通信对象向所述目标用户输出所述服务信息。
123.在本发明的一种可选实施例中，所述实时用户数据包括行为数据和非行为数据，所述行为数据包括移动行为数据和负面行为数据。
124.在本发明的一种可选实施例中，所述预测模型生成子模块包括：
125.第二目标参数确定单元，用于采用所述第二训练集以及预设的网络搜索算法、k折交叉验证算法，确定第二目标参数；
126.第二随机森林模型构建单元，用于采用所述第二目标参数构建第二随机森林模型；
127.预测模型生成单元，用于采用所述第二训练集训练所述第二随机森林模型，并确定已训练的第二随机森林模型为预测模型。
128.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
129.本发明实施例还公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述基于flink流处理引擎的用户数据处理方法的步骤。
130.本发明实施例还公开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计算机程序，所述计算机程序被处理器执行时实现如上所述基于flink流处理引擎的用户数据处理方法的步骤。
131.本说明书中的各个实施例均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的部分互相参见即可。
132.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
133.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执
行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
134.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
135.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
136.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
137.最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
138.以上对本发明所提供的一种基于flink流处理引擎的用户数据处理方法、基于flink流处理引擎的用户数据处理装置、电子设备和可读存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。