多样化视频评论生成方法、系统、设备及存储介质

1.本发明涉及视频评论生成技术领域，尤其涉及一种多样化视频评论生成方法、系统、设备及存储介质。


背景技术：

2.随着时代的发展，视频弹幕系统陆续登陆了bilibili、爱奇艺、优酷等热门视频平台。弹幕系统的广泛应用，创建了用户与视频之间的双向交流模式，增强了用户在视频观看过程中的实时参与感。视频的实时弹幕可以提供更丰富的观点角度，引起用户的关注与讨论，增强用户的交流体验。因此，实现高质量的实时视频评论（弹幕）生成，具有重大的应用价值。
3.目前的实时视频评论生成方法多采用传统的端到端模型，结合视频片段与邻近弹幕，生成实时评论。然而，遵循评论的生成逻辑，对于同一视频片段，受到评论者观点角度、感情倾向、思维模式的影响，评论呈现出多样化的特点。当前的实时视频评论生成方法，多只针对评论的质量进行优化，却忽略了评论的多样性特征，只生成单一的视频评论。对于同一个视频片段及邻近评论输入，作为ground truth（标注信息）的参考评论往往包含多种类型，模型生成单一的评论不仅不利于性能评估和模型优化，也不符合评论的逻辑特性。


技术实现要素：

4.本发明的目的是提供一种多样化视频评论生成方法、系统、设备及存储介质，实现了可控情感倾向的多样化视频评论生成。
5.本发明的目的是通过以下技术方案实现的：一种多样化视频评论生成方法，包括：利用当前时刻的视频帧图像及其若干最邻近视频帧图像构造视频帧图像集合，提取当前时刻的视频帧图像中的评论做为参考评论，提取所有最邻近视频帧图像中的评论构成评论文本；从所述视频帧图像集合中提取视觉特征，结合所述视觉特征从所述评论文本中提取文本特征，以及结合参考评论对应的情感类别权重，生成情感隐向量，并编码为情感隐向量编码特征；将输入的词汇，依次与之前时间步的生成词汇、所述视觉特征、文本特征及情感隐向量编码特征进行交互，获得当前时间步的词汇概率分布，根据当前时间步的词汇概率分布确定当前时间步的生成词汇，综合所有时间步的生成词汇构成当前时刻的视频评论；其中，所述输入的词汇为参考评论中的词汇或者之前时间步的生成词汇中的词汇。
6.一种多样化视频评论生成系统，包括：信息获取单元，用于利用当前时刻的视频帧图像及其若干最邻近视频帧图像构造视频帧图像集合，提取当前时刻的视频帧图像中的评论做为参考评论，提取所有最邻近视频帧图像中的评论构成评论文本；
视觉编码器，用于从所述视频帧图像集合中提取视觉特征；文本编码器，用于结合所述视觉特征从所述评论文本中提取文本特征；隐向量编码器，用于结合参考评论对应的情感类别权重，生成情感隐向量，并编码为情感隐向量编码特征；评论解码器，用于将输入的词汇，依次与之前时间步的生成词汇、所述视觉特征、文本特征及情感隐向量编码特征进行交互，获得当前时间步的词汇概率分布；其中，所述输入的词汇为参考评论中的词汇或者之前时间步的生成词汇中的词汇；视频评论生成单元，用于根据当前时间步的词汇概率分布确定当前时间步的生成词汇，综合所有时间步的生成词汇构成当前时刻的视频评论。
7.一种处理设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现前述的方法。
8.一种可读存储介质，存储有计算机程序，其特征在于，当计算机程序被处理器执行时实现前述的方法。
9.由上述本发明提供的技术方案可以看出，针对当前视频评论生成模型所生成评论片面单一的问题，从情感多样性方面出发，引入了情感类别权重作为情感标注，借鉴变分自编码器的思想，建模控制情感隐向量以引导情感可控的多样化视频评论生成，可以实现高质量的实时视频评论生成，能够增强用户的交流体验。
附图说明
10.为了更清楚地说明本发明实施例的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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附图。
11.图1为本发明实施例提供的一种多样化视频评论生成方法的流程图；图2为本发明实施例提供的一种多样化视频评论生成模型的整体结构示意图；图3为本发明实施例提供的一种多样化视频评论生成系统的示意图；图4为本发明实施例提供的一种处理设备的示意图。
具体实施方式
12.下面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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。
13.首先对本文中可能使用的术语进行如下说明：术语“包括”、“包含”、“含有”、“具有”或其它类似语义的描述，应被解释为非排它性的包括。例如：包括某技术特征要素（如原料、组分、成分、载体、剂型、材料、尺寸、零件、部件、机构、装置、步骤、工序、方法、反应条件、加工条件、参数、算法、信号、数据、产品或制品等），应被解释为不仅包括明确列出的某技术特征要素，还可以包括未明确列出的本领域公
知的其它技术特征要素。
14.下面对本发明所提供的一种多样化视频评论生成方法、系统、设备及存储介质进行详细描述。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本发明实施例中未注明具体条件者，按照本领域常规条件或制造商建议的条件进行。
15.实施例一如图1所示，一种多样化视频评论生成方法，主要包括如下步骤：步骤1、利用当前时刻的视频帧图像及其若干最邻近视频帧图像构造视频帧图像集合，提取当前时刻的视频帧图像中的评论做为参考评论，提取所有最邻近视频帧图像中的评论构成评论文本。
16.步骤2、从所述视频帧图像集合中提取视觉特征，结合所述视觉特征从所述评论文本中提取文本特征，以及结合参考评论对应的情感类别权重，生成情感隐向量，并编码为情感隐向量编码特征。
17.步骤3、将输入的词汇，依次与之前时间步的生成词汇、所述视觉特征、文本特征及情感隐向量编码特征进行交互，获得当前时间步的词汇概率分布，根据当前时间步的词汇概率分布确定当前时间步的生成词汇，综合所有时间步的生成词汇构成当前时刻的视频评论；其中，所述输入的词汇为参考评论中的词汇或者之前时间步的生成词汇中的词汇。
18.本发明实施例上述方案中，从所述视频帧图像集合中提取视觉特征通过视觉编码器实现；结合所述视觉特征从所述评论文本中提取文本特征通过文本编码器实现；结合参考评论获取相应的情感类别权重，生成情感隐向量，并编码为情感隐向量编码特征通过隐向量编码器实现；将输入的词汇，依次与之前时间步的生成词汇、所述视觉特征、文本特征及情感隐向量编码特征进行交互，根据获得的当前时间步的词汇概率分布通过评论解码器实现。由上述视觉编码器、文本编码器、隐向量编码器与评论解码器构成多样化视频评论生成模型，图2展示了多样化视频评论生成模型的整体结构，下面结合图2对多样化视频评论生成模型各个部分的工作原理以及训练时的损失函数做详细的介绍。
19.一、视觉编码器。
20.如图2所示，视觉编码器（video encoder）主要包括卷积神经网络（cnn）与第一transformer模型，第一transformer模型主要包括多头注意模块（multi-head attention）子层和全连接前馈网络（position-wise feed-forward networks）。
21.本发明实施例中，通过视觉编码器从所述视频帧图像集合中提取视觉特征。将视频帧图像集合记为f= {f1, f2,
…
, fj}，其中，fj表示第j个视频帧图像，每一视频帧图像对应一个时刻，j=1,2,
…
,j，j表示视频帧图像数目；视频帧图像集合f为指定视频包含指定时刻视频帧及其最邻近时刻的视频帧图像集合，f1即为当前时刻的视频帧图像，后续f2,
…
, fj即为与当前时刻的视频帧图像最邻近时刻的j-1个视频帧图像。
22.首先，通过卷积神经网络提取每一个视频帧图像（image）的特征，表示为：v
j = cnn(fj)上式中，vj表示提取的第j个视频帧图像fj的特征。示例性的，卷积神经网络可以使用resnet网络。
23.记视频帧图像集合对应的特征集合v = {v1, v2,
…
, vj}，通过第一transformer模型对视频帧图像集合f的特征集合v进行编码处理，表示为：
wj=fnnf(multihead-attenf(vj，v，v) )上式中，multihead-attenf与fnnf分别表示所述第一transformer模型中的多头注意力模块与全连接前馈网络；wj表示编码处理得到的第j个视频帧图像的视觉特征。
24.最终将视频帧图像集合f的视觉特征记为wf= {w1, w2,
…
, wj}。
25.本领域技术人员可以理解，(vj，v，v)为多头注意力模块的输入信息，依次对应于多头注意力中的query（查询矩阵），key（键矩阵）和value（值矩阵），也即query值取vj，key和value取v。后续相关公式中所涉及得到的多头注意力模块也是类似含义，考虑到公式中表达形式均为本领域通用形式，故不再赘述。
26.二、文本编码器。
27.本发明实施例中，所述文本编码器（text encoder）包括第一线性编码层与第二transformer模型，所述第二transformer模型包括两个多头注意力模块与一个全连接前馈网络；图2中将文本编码器以及其他部分中包含的性编码层都表示为embedding，同样的，所有多头注意力模块都表示为multi-head attention，所有全连接前馈网络都表示为feed forward。
28.本发明实施例中，通过所述文本编码器结合所述视觉特征从所述评论文本（context）中提取文本特征。
29.首先，通过第一线性编码层对所述评论文本进行线性编码，获得对应的词嵌入向量集合e = {e1, e2,
…
, em}，其中，em表示评论文本中的第m个词汇的词嵌入向量，m=1,2,
…
,m ，m为评论文本词汇总数。本发明实施例中，评论文本可以是弹幕文本，一般为指定视频指定时刻邻近的弹幕，此处邻近的范围可由本领域技术人员根据实际需求或者经验进行设定，范围越大词汇数目越多。参照前述视觉编码器中的介绍，指定时刻为当前时刻，则f1即为当前时刻的视频帧，那么评论文本包含的是视频帧图像f2,
…
, fj中的评论。
30.之后，通过第二transformer模型中的第一个多头注意力模块multihead-atten
e1
对词嵌入向量集合e进行处理，再通过第二个多头注意力模块multihead-atten
e2
与全连接前馈网络fnne将第一个多头注意力模块的处理结果与所述视觉特征进行交互，得到文本特征，处理过程表示为：e
m’= multihead-atten
e1
(em，e，e)em=fnne(multihead-atten
e2
(e
m’，wf，w
f )其中，e
m’表示第一个多头注意力模块对第m个词汇的词嵌入向量em的处理结果，wf表示视觉特征，em表示对应于第m个词汇的文本特征。
31.最终将所述评论文本的文本特征记为w
e = {e1, e2,
…
, em}。
32.三、隐向量编码器。
33.本发明实施例中，隐向量编码器（latent vector encoder）在transformer模型的基础上引入了变分自编码器的编码原理，通过训练一个混合高斯分布，采样情感隐向量z指导多样化评论的生成。隐向量编码器根据参考评论（comment）、文本特征we与情感类别权重生成情感隐向量z，再编码为情感隐向量编码特征；主要原理如下：将情感隐向量的概率分布p(z|c, we)可建模为使用情感类别权重ck加权的混合高斯分布模型，表示为：
其中，ck表示第k个情感类别权重，k表示情感类别权重的数目, c表示情感类别权重集合，c={ck}k，表示第k个高斯分布模型，与分别表示建模定义的高斯分布模型的均值与方差，i表示标准单位矩阵，we表示文本特征；z表示情感隐向量。
34.如图2所示，所述隐向量编码器包括：两个线性编码层、第三transformer模型、多层感知器（mlp）与采样层（sample）。
35.两个线性编码层（embedding）分别称为第二线性编码层与第三线性编码层，位于隐向量编码器首尾两端。通过第二线性编码层对参考评论进行线性编码，获得对应的词嵌入向量集合d= {d1, d2,
ꢀ…
, d
l
}，其中，d
l
表示参考评论中第l个词汇的词嵌入向量，l=1,2,
…
,l ，l为参考评论的词汇总数。
36.还参见图2，所述第三transformer模型包括两个多头注意力模块与一个全连接前馈网络，通过第一个多头注意力模块multihead-atten
z1
对词嵌入向量集合d进行处理，再通过第二个多头注意力模块multihead-atten
z2
与全连接前馈网络fnnz将第一个多头注意力模块的处理结果与所述文本特征进行交互，获得中间隐向量集合h，处理过程表示为：d
l’= multihead-atten
z1
(d
l
，d，d)h
l
=fnnz(multihead-atten
z2
(d
l’，we，we) )其中，d
l’表示第一个多头注意力模块的第l层对参考评论中第l个词汇的词嵌入向量d
l
的处理结果；当l=2,
…
,l时，第一个多头注意力模块的第l层的输入还包含参考评论中第l-1个词汇对应的中间隐向量h
l-1
；h
l
表示第二个多头注意力模块的第l层输出经全连接前馈网络fnnz处理得到的中间隐向量，中间隐向量h
l
对应于参考评论中第l个词汇；最终处理得到中间隐向量集合h= {h1, h2,
ꢀ…
, h
l
}，将h
l
称为最后一层隐向量。
37.本领域技术人员可以理解，当l=2,
…
,l时，计算d
l’的过程中第一个多头注意力模块multihead-atten
z1
包含两类输入，一类为d
l
与d，另一类为h
l-1
，也就是说，第一个多头注意力模块multihead-atten
z1
会结合第二个多头注意力模块multihead-atten
z2
与全连接前馈网络fnnz的输出对词嵌入向量集合d进行处理，但由于这一机制已经涵盖在多头注意力模块中，因此，并未通过式子来展示。
38.通过多层感知器将最后一层隐向量h
l
编码为高斯分布模型的均值与方差，表示为：其中，mlp表示多层感知器。
39.结合参考评论获取的情感类别权重ck与多层感知器编码得到的高斯分布模型的均值与方差，带入式子p(z|c, we)获得情感隐向量z的概率分布；通过采样层采样获得情感隐向量z，再通过第三线性编码层编码为情感隐向量编码特征wz。
40.以上对应于推理阶段，此时模型通过控制与尽可能的接近于与，可以有效建模选定的隐向量空间与生成评论直接的映射关系，测试阶段通过选择不同的情感类别权重ck，实现多样化的评论生成。
41.本发明实施例中，可以采用现成的数据库snownlp对参考评论s进行情感分析（emotionanalysis）评估，snownlp(s)输出一个[0,1]区间的评估值，用来说明参考评论s的多样性的分值，分值越大即代表句子具有的情感更积极。可以将情感倾向分为积极、客观、消极三种方向（k=3），由此可获取对应情感类别的权重ck：c1=1fort2《snownlp(s)≤t1；c2=1fort3《snownlp(s)≤t2；c3=1else。
[0042]
情感类别权重即为c={c
1,c2,
c3}，上面式子展示了k=3的情况下，不同情感类别权重等于1的条件，上述式子中t1、t2、t3均为设定的阈值，满足t1》t2》t3，示例性的，可以设置t1=1，t2=0.7，t3=0.3。
[0043]
本发明实施例中，情感类别权重ck符号k指示了情感类别，根据当前的参考评论，能够确定对应的情感类别k，其对应的情感类别权重ck=1，其余情感类别权重均为0，因此，带入式子p(z|c,we)时，也只需要情感类别k对应的高斯分布模型的均值与方差。
[0044]
四、评论解码器。
[0045]
如图2所示，所述评论解码器（commentdecoder）主要包括第四线性编码层、第四transformer模型、线性层（未示出）与softmax层。
[0046]
第四线性编码层用于将输入的词汇进行编码，获得输入的词汇对应的词嵌入向量，记为y’；推理阶段直接采样参考评论（comment）词汇作为输入的词汇，测试阶段使用前一时间步生成的词汇作为输入的词汇，如图2所示，给出了以参考评论中词汇作为输入的词汇的示例。
[0047]
还参见图2，所述第四transformer模型包括四个多头注意力模块与一个全连接前馈网络；通过第一个多头注意力模块multihead-atten
o1
将词嵌入向量y’与之前时间步的生成词汇进行交互，通过第二个多头注意力模块multihead-atten
o2
将第一个多头注意力模块的交互结果与所述视觉特征进行交互，通过第三个多头注意力模块multihead-atten
o3
将第二个多头注意力模块的交互结果与所述文本特征进行交互，通过第四个多头注意力模块multihead-atten
o4
将第三个多头注意力模块的交互结果与所述情感隐向量编码特征进行交互，并通过全连接前馈网络fnno输出最终的解码特征，处理过程表示为：y-1
=multihead-atten
o1
(y’，y，y)y-2
=multihead-atten
o2
(y-1
，wf，wf)y-3
=multihead-atten
o3
(y-2
，we，we)s
t
=fnno(multihead-atten
o4
(y-3
，wz，wz))其中，y、wf、we、wz依次表示之前时间步的生成词汇、所述视觉特征、文本特征、情感隐向量编码特征；s
t
表示最终的解码特征。
[0048]
最终的解码特征s
t
经线性层与softmax层，获得当前时间步的词汇概率分布，表示为：
p(y
t
|y0,
…
,y
t
−1, wz, wi, we) = softmax(ws
t
)其中，y0,
…
,y
t
−1表示初始时间步0至前一时间步t-1生成的词汇，即之前时间步的生成词汇y，y
t
表示当前时间步生成的词汇，w表示线性层的参数。
[0049]
本发明实施例中，多样化视频评论生成模型各个部分中的多头注意模块所涉及的多头注意力机制均可参照常规技术，相关式子展示的是相关的处理过程，而处理获得各类特征以及中间隐向量的原理均可参照常规技术，本发明不做赘述；此外，上述评论解码器的介绍中，需要使用之前时间步的生成词汇y，在实际计算流程中，之前时间步的生成词汇y需要转换为相应的嵌入向量集合y，但考虑到这一原理是常规技术，并且，式子主要展示的是所需数据，因此，使用目前的展示方式本领域技术人员可以理解式子所表达的含义。
[0050]
五、损失函数。
[0051]
传统的编解码器模型通过最大化生成评论的对数似然函数实现，而本发明定义的是一个由情感隐向量z控制的生成模型：其中，生成评论={y0, y1,
…
}，即为当前时刻的视频评论，它包含当前时刻所有时间步的生成词汇。
[0052]
由于无法遍历所有的情感隐向量z求积分，通过借鉴变分自编码器中的数学推导，可以得到当前时刻的视频评论的对数似然函数的一个变分下界（elbo）：log(p())≥ ez[log p( |z)]
−ꢀdkl [q(z|), p(z)]其中，p()表示生成当前时刻的视频评论的概率分布，p(|z)表示条件为情感隐向量z时生成当前时刻的视频评论的概率分布，p(z)为情感隐向量z的分布，ez[.]表示求取关于情感隐向量z的数学期望，d
kl
表示计算kl距离（相对熵），q(z|)对应隐向量编码器所获取的概率分布，用于近似评论解码器的后验概率分布p(z|)。因此，本发明的优化目标为最大化对数似然函数的变分下界。
[0053]
由于本发明还受到视频帧图像集合f与评论文本对应的词嵌入向量集合e的影响，目标函数l可化为：l = e
q(z|f, e)
[log p(|z, f, e )]
ꢀ−ꢀdkl
[q(z|, f, e), p(z|f, e)]其中，p(|z, f, e )表示以情感隐向量z，视频帧图像集合f以及评论文本对应的词嵌入向量集合e作为条件时，生成当前时刻的视频评论的概率分布；e
q(z| f, e)
[.]表示求取关于q(z| f, e)的数学期望，q(z| f, e)表示以视频帧图像集合f以及评论文本对应的词嵌入向量e作为条件的情感隐向量z的概率分布；q(z|, f, e)表示以当前时刻的视频评论，视频帧图像f集合以及评论文本对应的词嵌入向量集合e作为条件时，情感隐向量z的概率分布；p(z|f, e)表示以视频帧图像集合f以及评论文本对应的词嵌入向量集合e作为条件时，情感隐向量z的概率分布。第一项与传统模型的对数似然函数类似，鼓励生成更高质量的评论，即为重构损失。第二项鼓励训练得到的情感隐向量z分布能够尽可能的接近于先验分布p(z|f, e)，先验概率设置为标准正态分布n(0,1)，避免模型在训练过程中趋于同化，丢失多样性。
[0054]
本发明实施例中， p和q都是概率分布，采用两表达形式主要用于区分不同概率分
布；如之前的说明，q(z|)对应隐向量编码器所获取的情感隐向量z的概率分布，用于近似评论解码器的后验概率分布p(z|)，但由于后验概率分布p(z|)不能够计算得到，因此，使用了不同表达形式进行区分。
[0055] 本发明实施例上述方案，针对当前视频评论生成模型所生成评论片面单一的问题，从情感多样性方面出发，引入了情感分析模块进行标注，在transformer模型的基础上借鉴变分自编码器的思想，建模控制情感隐向量z以引导情感可控的多样化视频评论生成。值得注意的是，引入的情感分析模块（即图2中的emotion analysis）独立于整个模型，因此可以将其替换成其他的情感分析器，实现更细粒度的可控情感评论生成；或者替换为主题分析模块，实现可控主旨的评论生成等，可见，本发明提供的方案具有较强的推广应用价值。
[0056]
实施例二本发明还提供一种多样化视频评论生成系统，其主要基于前述实施例一提供的方法实现，如图3所示，该系统主要包括：信息获取单元，用于利用当前时刻的视频帧图像及其若干最邻近视频帧图像构造视频帧图像集合，提取当前时刻的视频帧图像中的评论做为参考评论，提取所有最邻近视频帧图像中的评论构成评论文本；视觉编码器，用于从所述视频帧图像集合中提取视觉特征；文本编码器，用于结合所述视觉特征从所述评论文本中提取文本特征；隐向量编码器，用于结合参考评论对应的情感类别权重，生成情感隐向量，并编码为情感隐向量编码特征；评论解码器，用于将输入的词汇，依次与之前时间步的生成词汇、所述视觉特征、文本特征及情感隐向量编码特征进行交互，获得当前时间步的词汇概率分布；其中，所述输入的词汇为参考评论中的词汇或者之前时间步的生成词汇中的词汇；视频评论生成单元，用于根据当前时间步的词汇概率分布确定当前时间步的生成词汇，综合所有时间步的生成词汇构成当前时刻的视频评论。
[0057]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
[0058]
需要说明的是，系统各部分的主要原理在之前的实施例一中已经做了详细的说明，故不再赘述。
[0059]
实施例三本发明还提供一种处理设备，如图4所示，其主要包括：一个或多个处理器；存储器，用于存储一个或多个程序；其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现前述实施例提供的方法。
[0060]
进一步的，所述处理设备还包括至少一个输入设备与至少一个输出设备；在所述处理设备中，处理器、存储器、输入设备、输出设备之间通过总线连接。
[0061]
本发明实施例中，所述存储器、输入设备与输出设备的具体类型不做限定；例如：输入设备可以为触摸屏、图像采集设备、物理按键或者鼠标等；
输出设备可以为显示终端；存储器可以为随机存取存储器（random access memory，ram），也可为非不稳定的存储器（non-volatile memory），例如磁盘存储器。
[0062]
实施例四本发明还提供一种可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现前述实施例提供的方法。
[0063]
本发明实施例中可读存储介质作为计算机可读存储介质，可以设置于前述处理设备中，例如，作为处理设备中的存储器。此外，所述可读存储介质也可以是u盘、移动硬盘、只读存储器（read-only memory，rom）、磁碟或者光盘等各种可以存储程序代码的介质。
[0064]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。