一种目标应用的评分方法、装置、设备及存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种目标应用的评分方法、装置、设备及存储介质。


背景技术：

2.随着深入学习技术的快速发展，各种场景都出现了深度学习的身影，推荐场景尤其显著。但不论是双塔结构的deepfm模型，还是升级的深度交叉网络(dcn)、注意力机制被引入到了推荐系统中的深度兴趣网络(deep interest network，简称din)，以及发展到后来各种基于注意力机制的模型，诸如automatic feature interaction learning viaself-attentive neural networks(简称autoint)等，都只做了二阶的特征交叉来保证模型的记忆能力，以transformer结构为基础的autoint也只关注了模型的泛化能力。因此，解决在保证模型的记忆能力的同时又保证模型的泛化能力的技术问题还有待提高。


技术实现要素：

3.本发明的主要目的在于提供一种目标应用的评分方法、装置、计算机设备及存储介质，可以解决现有技术中的。
4.为实现上述目的，本发明第一方面提供一种目标应用的评分方法，所述方法包括：
5.获取用户特征和目标应用的应用特征，将所述应用特征和所述用户特征输入至预设的特征嵌入模块，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵；
6.将所述应用特征矩阵输入至预设的泛化模块，得到第一数据；同时，将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据；
7.将所述第一数据和所述第二数据输入至评分模块，得到所述目标应用的评分。
8.在该技术方案中，根据所述应用特征与所述用户特征得到应用特征矩阵和用户特征矩阵，可以有效依据用户的喜好以及应用的实用性来评估所述应用的评分，使得得到的评分更具有针对性。并将所述应用特征矩阵输入至预设的泛化模块中的得到第一数据，同时将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块中得到的第二数据，来评估得到所述目标应用的评分，使得在基于泛化模块的泛化能力的基础上，又结合了记忆模块的记忆能力，提高了所述目标应用的评分评估的准确性。
9.结合第一方面，在一种可能的实现方式中，所述泛化模块包括：自注意力层、注意力层以及增强层，所述将所述应用特征矩阵输入至预设的泛化模块，得到第一数据，包括：将所述应用特征矩阵输入至所述自注意力层进行矩阵变换，得到初始矩阵；对所述应用特征矩阵输入至所述注意力层进行特征抽取处理，得到高阶特征矩阵；根据所述初始矩阵以及高阶特征矩阵，得到第一数据。
10.结合第一方面，在一种可能的实现方式中，所述根据所述初始矩阵以及高阶特征矩阵，得到第一数据，包括：将所述初始矩阵与所述高阶特征矩阵输入至增强层进行非线性
变换处理，得到第一矩阵；对所述第一矩阵和应用特征矩阵进行位乘运算，得到第一数据。
11.结合第一方面，在一种可能的实现方式中，所述将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据，包括：将初始特征矩阵与第i个交叉矩阵进行低阶特征交叉运算，得到第i 1个交叉矩阵，所述初始特征矩阵包括所述应用特征矩阵和所述用户特征矩阵；若i 1小于n，令i＝i 1，返回执行所述将初始特征矩阵与第i个交叉矩阵进行低阶特征交叉运算，得到第i 1个交叉矩阵的步骤，其中，当i为1的时候，第1个交叉矩阵为初始特征矩阵，所述n为低阶记忆运算的总次数，所述i为正整数；若i 1等于n，则根据第i 1个交叉矩阵确定第二数据。
12.结合第一方面，在一种可能的实现方式中，所述评分模块包括融合层和全连接层，所述将所述第一数据和所述第二数据输入至评分模块，得到所述目标应用的评分，包括：将所述第一数据与所述第二数据输入至融合层进行横向拼接，得到拼接矩阵；对所述拼接矩阵输入至全连接层进行评分计算，得到所述目标应用的评分。
13.结合第一方面，在一种可能的实现方式中，所述将所述应用特征和所述用户特征输入至预设的特征嵌入模块，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵，包括：将所述应用特征和所述用户特征分别输入至所述特征嵌入模块进行线性投影，得到所述应用特征矩阵和所述用户特征矩阵。
14.结合第一方面，在一种可能的实现方式中，根据所述目标应用的评分由大到小对所述目标应用进行排序，确定所述目标应用的排序队列；根据所述排序队列对所述目标应用进行推荐。
15.为实现上述目的，本发明第二方面提供一种目标应用的评分装置，所述装置包括：
16.向量获取模块：用于获取用户特征和目标应用的应用特征，将所述应用特征和所述用户特征输入至预设的特征嵌入模块，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵；
17.数据计算模快：用于将所述应用特征矩阵输入至预设的泛化模块，得到第一数据；同时，将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据；
18.应用评分模块：用于将所述第一数据和所述第二数据输入至评分模块，得到所述目标应用的评分。
19.为实现上述目的，本发明第三方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
20.获取用户特征和目标应用的应用特征，将所述应用特征和所述用户特征输入至预设的特征嵌入模块，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵用户特征矩阵；
21.将所述应用特征矩阵输入至预设的泛化模块，得到第一数据；同时，将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据；
22.将所述第一数据和所述第二数据输入至评分模块，得到所述目标应用的评分。
23.为实现上述目的，本发明第四方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
24.获取用户特征和目标应用的应用特征，将所述应用特征和所述用户特征输入至预
设的特征嵌入模块，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵用户特征矩阵；
25.将所述应用特征矩阵输入至预设的泛化模块，得到第一数据；同时，将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据；
26.将所述第一数据和所述第二数据输入至评分模块，得到所述目标应用的评分。
27.采用本发明实施例，具有如下有益效果：通过获取用户特征和目标应用的应用特征，将所述应用特征和所述用户特征对应转换为对应的应用特征矩阵和用户特征矩阵。将所述应用特征矩阵输入至记忆泛化模型中，得到第一数据，以及将所述应用特征矩阵和所述用户特征矩阵输入至特征交叉模型中，得到第二数据。根据所述第一数据和所述第二数据，得到所述目标应用的安装概率。能够实现利用了模型的泛化能力的基础上，同时结合了特征交叉模型的记忆能力，保证了用户兴趣建模的准确性，提高了目标应用的安装概率评估的准确度。
附图说明
28.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的附图。
29.其中：
30.图1为本发明实施例中一种目标应用的评分方法的流程示意图；
31.图2为本发明实施例中一种目标应用的评分模型的结构图；
32.图3为本发明实施例中一种目标应用的评分装置的结构框图；
33.图4为本发明实施例中计算机设备的结构框图。
具体实施方式
34.下面将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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.本技术的技术方案可以适用于各种应用评分推荐的场景，具体地，本技术的技术方案可应用于支持应用评分推荐功能的各种终端软件(比如应用商店)或者与各种终端软件具有通信连接关系的终端设备(如手机、平板、电脑等)。
36.参见图1，图1为本技术实施例提供的一种目标应用的评分方法的流程示意图，如图1所示，该方法包括如下步骤：
37.步骤s101：获取用户特征和目标应用的应用特征，将所述应用特征和所述用户特征输入至预设的特征嵌入模块，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵。
38.目前许多终端软件都会对用户进行目标应用的评分推荐，目标应用可以是apk，终端软件可以是应用商店等可以推荐apk的软件。比如说应用商店会对应用apk安装包进行评
分推荐。由于每个用户的兴趣爱好和日常需求都不一样，因此，终端软件给用户进行应用推荐时，为了给每个用户推荐的应用更具有针对性以及更加满足用户的需求和喜好，终端软件根据用户特征和目标应用的应用特征进行评分。用户特征可以是用户年龄、用户性别、用户年级等等，应用特征可以是应用评分、风险等级、应用类型等等。由于获取到的应用特征和用户特征是高维的原始数据，因此直接根据该高维的原始数据进行计算时，会使得计算复杂且精确性不高，因此，为了提高计算效率，将该高维的原始数据进行降维成低维的数据，具体地，将应用特征和用户特征输入至特征嵌入模块，特征嵌入模块可以是embedding层(简称emb层)，在特征嵌入模块中对应用特征和用户特征进行线性投影，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵，从而实现降维得到低维矩阵。
39.待得到应用特征矩阵和用户特征矩阵后，执行图1中的步骤s102、将所述应用特征矩阵输入至预设的泛化模块，得到第一数据；同时，将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据。
40.参照图2，图2为本技术实施例提供的一种目标应用的评分方法的评分模型结构示意图，该评分模型20包括泛化模块201、记忆模块202以及评分模块203。为了方便理解该技术方案，结合图2对以上步骤s102中第一数据和第二数据的获取分开阐述。
41.先阐述将所述应用特征矩阵输入至预设的泛化模块，得到第一数据。具体如下：
42.如图2中预设的泛化模块201所示，该泛化模块包括自注意力层2011、注意力层2012、以及增强层2013。
43.自注意力层用于给应用特征矩阵乘上一个权重矩阵，从而使得变换后的数据更利于学习。注意力层用于对目标应用的特征做进一步的特征抽取。增强层用于将在自注意力层的输出矩阵引入到注意力层的输出结果当中。
44.具体地，其中，将应用特征矩阵输入至自注意力层中，对应用特征矩阵乘上一个权重，将应用特征矩阵变换成自注意力层的输出矩阵，也就是初始矩阵。在一个可能实现的实现方式中，q、k、v为应用特征矩阵，且q＝k＝v，则先求qk
t
得到注意力矩阵，然后用注意力矩阵给v加权，使得softmax归一化后的结果更加稳定。其中，自注意层中有multi-headed self-attention结构(多头自注意力结构)，用于初始化多组应用特征矩阵得到多个headi，最后将多个headi结合起来。具体可如下计算：
[0045][0046]
multihead(q,k,v)＝concat(headi,...,headh)wo[0047][0048]
ffn(x)＝relu(xwi b1)w2 h2[0049]
其中，分别表示输入对应headi的权重矩阵，headi的权重可以通过初始化得到的，初始化方法是从截断的高斯分布中采样；wo表示多头注意力层对应的权重矩阵，也可以通过初始化得到的，初始化方法是从截断的高斯分布中采样；d表示输入维度，是为了把注意力矩阵变成标准正态分布，使得softmax归一化后的结果更加稳定。
[0050]
进一步地，在将所述应用特征矩阵输入至所述自注意力层进行矩阵变换的同时，
将对应用特征矩阵输入至注意力层进行特征抽取处理，得到高阶特征矩阵矩阵，该高阶特征矩阵也是个低维矩阵，一般为二维矩阵。
[0051]
待获取了初始矩阵以及高阶特征矩阵后，将初始矩阵以及高阶特征矩阵输入至增强层进行非线性变换处理，得到第一矩阵。最后，将获取到的第一矩阵以及应用特征矩阵进行位乘运算，得到第一数据，比如，第一矩阵为x1＝[[1，2，3]，[4，5，6]]，应用特征矩阵为x2＝[[0.1，0.2，0.3]，[0.4，0.5，0.6]]，则将x1与x2进行位乘运算得到运算结果是[[0.1，0.4，0.9]，[1.6，2.5，3.6]]。其中，通过将所述应用特征矩阵输入至所述自注意模块进行矩阵变换，并且将应用特征矩阵输入至注意力层做进一步特征抽取处理，得到高阶特征矩阵，使得后续根据初始矩阵以及高阶特征矩阵矩阵计算出的评分更加精确。此外，将获取到的第一矩阵以及应用特征矩阵进行位乘运算，可以提高后续的评分计算效率。
[0052]
以上述对将所述应用特征矩阵输入至预设的泛化模块，得到第一数据的阐述，以下再阐述将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据，具体如下：
[0053]
在本实施例中，预设的记忆模块202包含了多个低阶特征交叉运算层2021，一般为8个，用于对应用特征矩阵和用户特征矩阵进行低阶特征交叉运算。通过将应用特征矩阵和用户特征矩阵输入至预设的记忆模块中，在每个低阶特征交叉运算层进行一次低阶特征交叉运算层，进行多次的低阶特征交叉运算，最终得到第二数据。具体地，如图2所示，将初始特征矩阵与第i个交叉矩阵进行低阶特征交叉运算，得到第i 1个交叉矩阵，其中，初始特征矩阵包括应用特征矩阵和用户特征矩阵。若i 1小于n，令i＝i 1，返回执行所述将初始特征矩阵与第i个交叉矩阵进行低阶特征交叉运算，得到第i 1个交叉矩阵的步骤，其中，当i为1的时候，第1个交叉矩阵为初始矩阵，所述n为低阶记忆运算的总次数。若i 1等于n，则根据第i 1交叉矩阵确定第二数据。也就是说根据初始矩阵与上一低阶特征交叉运算层得到的输出矩阵，在下一层的低阶特征交叉运算层进行低阶特征交叉运算，直到最后一个低阶特征交叉运算层运算完成后，得出最终的交叉矩阵，即可得到第二数据。
[0054]
比如说，当有8个低阶特征交叉运算层时，则要进行8次低阶特征交叉运算，低阶特征交叉运算具体可以如下进行计算处理：
[0055]
x
i 1
＝x0⊙
(wixi bi) xi[0056]
其中，wi∈r
d*d
表示i层与i 1之间的链接权重，bi∈rd表示偏执项。
[0057]
如图2中记忆模块202所示，在第一层低阶交叉运算层中进行上述运算时，则xi的值为初始矩阵x0，计算出的x1＝x0⊙
(w0x0 b0) x0；在第2层低阶交叉运算层中进行上述运算时，则x
l
的值为第1层低阶交叉运算层输出的矩阵x1，计算出的x2＝x0⊙
(w1x1 b1) x1，往后以此类推，直至运算了8次低阶交叉运算，得到第8次运算的结果x8＝x0⊙
(w7x7 b7) x7，即可得到第二数据。
[0058]
获取到第一数据和第二数据后，则执行图1中的步骤s103、将所述第一数据和所述第二数据输入至评分模块，得到所述目标应用的评分。
[0059]
参照图2，评分模块203包括融合层2031和全连接层2032，融合层用于对第一数据与第二数据进行处理，全连接层用于对融合层的输出数据进行计算得出评分值。具体地，将第一数据与第二数据输入至融合层进行横向拼接，得到拼接矩阵。比如，第一数据为x1＝[[1，2，3，4],[5，6，7，8]],第二数据为x2＝[[0.1，0.2，0.3，0.4]，[0.5，0.6，0.7，0.8]]，x1、
x2拼接之后结果是[[1，2，3，4，0.1，0.2，0.3，0.4]，[5，6，7，8，0.5，0.6，0.7，0.8]]。最后，将拼接矩阵输入至全连接层进行评分计算，得到所述目标应用的评分。利用通过泛化模块得到的第一数据与通过记忆模块得到的第二数据进行横向拼接得到目标应用的评分，使得该评分既利用了泛化模块的能力又利用记忆模块的能力，提高了评分的计算效率和计算精确度。
[0060]
进一步地，可以根据目标应用的评分由大到小对目标应用进行排序，确定所述目标应用的排序队列，根据排序队列对所述目标应用进行推荐。比如，应用a的评分为70、应用b的评分为60、应用c的评分为80、应用d的评分为65时，则由大到小可以将上述应用排列为应用c、应用a、应用d、应用b的排序队列，根据这样排序队列对应用进行先后推荐。
[0061]
本技术方案，在特征嵌入模块中对应用特征和用户特征进行线性投影，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵，实现将高维数据降维得到低维矩阵，提高了计算效率。其次，将应用特征矩阵输入至注意力层进一步特征抽取处理，得到高阶特征矩阵，使得后续根据初始矩阵以及高阶特征矩阵计算出的评分更加精确。此外，将获取到的第一矩阵以及应用特征矩阵进行位乘运算，可以提高后续的评分计算效率。最后，将泛化模块得到的第一数据与记忆模块得到的第二数据输入至融合层进行横向拼接，得到拼接矩阵，根据拼接矩阵计算评分，得到所述目标应用的评分，使得该评分既利用了泛化模块的能力又利用记忆模块的能力，提高了评分的计算效率和计算精确度。
[0062]
上述介绍了本技术的方法，为了更好地实施本技术的方法，接下来介绍本技术的目标应用评分装置。
[0063]
参见图3，图3为本技术实施例提供的一种目标应用评分装置的结构示意图，该装置可以为前述提到的应用终端的一部分。如图3所示，该目标应用评分装置30包括：
[0064]
向量获取模块301：用于获取用户特征和目标应用的应用特征，将所述应用特征和所述用户特征输入至预设的特征嵌入模块，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵；
[0065]
数据计算模块302：用于将所述应用特征矩阵输入至预设的泛化模块，得到第一数据；同时，将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据；
[0066]
应用评分模块303：用于将所述第一数据和所述第二数据输入至评分模块，得到所述目标应用的评分。
[0067]
在一种可能的设计中，上述向量获取模块301具体用于：将所述应用特征和所述用户特征分别输入至所述特征嵌入模块进行线性投影，得到所述应用特征矩阵和所述用户特征矩阵。
[0068]
在一种可能的设计中，上述数据计算模块302具体用于：将所述应用特征矩阵输入至所述自注意力层进行矩阵变换，得到初始矩阵；对所述应用特征矩阵输入至所述注意力层进行特征抽取处理，得到高阶特征矩阵；根据所述初始矩阵以及高阶特征矩阵，得到第一数据。
[0069]
在一种可能的设计中，上述数据计算模块302具体用于：将所述初始矩阵与所述高阶特征矩阵输入至增强层进行非线性变换处理，得到第一矩阵；对所述第一矩阵和应用特征矩阵进行位乘运算，得到第一数据。
[0070]
在一种可能的设计中，上述数据计算模块302具体用于：将初始特征矩阵与第i个交叉矩阵进行低阶特征交叉运算，得到第i 1个交叉矩阵，所述初始特征矩阵包括应用特征矩阵和用户特征矩阵；若i 1小于n，令i＝i 1，返回执行所述将初始矩阵与第i个交叉矩阵进行低阶特征交叉运算，得到第i 1个交叉矩阵的步骤，其中，当i为1的时候，第1个交叉矩阵为初始特征向量，所述n为低阶记忆运算的总次数，所述i为正整数；若i 1等于n，则根据第i 1个交叉矩阵确定第二数据。
[0071]
在一种可能的设计中，上述应用评分模块303具体用于：将所述第一数据与所述第二数据输入至融合层进行横向拼接，得到拼接矩阵；对所述拼接矩阵输入至全连接层进行评分计算，得到所述目标应用的评分。
[0072]
上述设备中，根据所述应用特征与所述用户特征得到应用特征矩阵和用户特征矩阵，可以有效依据用户的喜好以及应用的实用性来评估所述应用的评分，使得得到的评分更具有针对性。并将所述应用特征矩阵输入至预设的泛化模块中的得到第一数据，同时将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块中得到的第二数据，来评估得到所述目标应用的评分，使得在基于泛化模块的泛化能力的基础上，又结合了记忆模块的记忆能力，提高了所述目标应用的评分评估的准确性。
[0073]
参见图4，图4是本技术实施例提供的一种计算机设备的结构示意图，该计算机设备40包括处理器401、存储器402。处理器401连接到存储器402，例如处理器401可以通过总线连接到存储器402。该计算机设备可以为上述实施例中介绍的加热控制设备。
[0074]
处理器401被配置为支持该计算机设备40执行上述方法实施例中的方法中相应的功能。该处理器401可以是中央处理器(central processing unit，cpu)，网络处理器(network processor，np)，硬件芯片或者其任意组合。上述硬件芯片可以是专用集成电路(application specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或其组合。上述pld可以是复杂可编程逻辑器件(complex programmable logic device，cpld)，现场可编程逻辑门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic，gal)或其任意组合。具体地，处理器401可以为单片机中的处理器、存储器402用于存储程序代码等。存储器402可以包括易失性存储器(volatile memory，vm)，例如随机存取存储器(random access memory，ram)；存储器402也可以包括非易失性存储器(non-volatile memory，nvm)，例如只读存储器(read-only memory，rom)，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；存储器402还可以包括上述种类的存储器的组合。
[0075]
处理器401可以调用所述程序代码以执行以下操作：
[0076]
获取用户特征和目标应用的应用特征，将所述应用特征和所述用户特征输入至预设的特征嵌入模块，得到应用特征所对应的应用特征矩阵和用户特征所对应的用户特征矩阵用户特征矩阵；
[0077]
将所述应用特征矩阵输入至预设的泛化模块，得到第一数据；同时，将所述应用特征矩阵和所述用户特征矩阵输入至预设的记忆模块，得到第二数据；
[0078]
将所述第一数据和所述第二数据输入至评分模块，得到所述目标应用的评分。
[0079]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取
存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0080]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0081]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。