一种基于异质图神经网络的众智主体转发行为预测系统

：
1.本发明属于数据挖掘领域，涉及链路预测、图神经网络，尤其涉及一种基于异质图神经网络的众智主体转发行为预测系统。


背景技术：

2.众智主体，在这里指的就是包括人，还有自动转发的机器人，智能软件，就是可以进行转发的主体。在群体智能1.0(swarm intelligence)时代(基于生物群体行为)，大量的简单个体按照一定规则进行的活动表达出了超越个体智能限制的集体智慧。随着物联网、移动互联网发展带来的万物互联、共建共享和大数据的深层驱动，群体智能迎来了新的发展时期，步入了群体智能2.0时代(众智时代)。在移动互联网时代，群体智能的表现形式为互联网的组织结构下大量独立个体共同作用下所产生的超越个体局限性的新业态。
3.随着互联网和移动设备的快速更新迭代,微博、推特等信息平台已经成为了一种人们日常获取信息的重要途径，这些信息平台也在时时刻刻地改变着人们的生活交流方式。同时，这些信息平台每天都有大量的数据产生，包括转发、浏览、点赞和评论等海量的用户行为以及交互信息。例如新浪微博作为一个开放的信息平台，有着非常便捷的使用方式，使得它成为了一个集信息扩散和社交娱乐一体的重要平台。因此如果研究人员能够合理的利用好这些信息平台产生的海量数据，建立一个完备社交网络系统，相关研究人员就可以对微博中信息传播规律进行分析，并且预测用户的一些转发行为特征。
4.由于微博、推特等信息平台具有强大开放性和共享性特征,这些信息平台每天都会有许多的信息在用户的转发行为下进行传播。而消息传播中经常会有热点信息出现，热点信息指的是那些被转发的平均频率和总量都远高于其他的一些信息。这些热点信息可能会对社会舆论和价值向导产生一些比较大的影响,同时，也很有可能带来一些社会不良后果,比如网络谣言的传播。具体的，利用微博转发行为的预测研究具有以下几个重要意义。
5.(1)可以提前对潜在的热点信息进行发掘，通过对这些信息可能产生的转发频率和传播趋势的提前预测,就可以对于那些有可能产生大影响的不良信息发布舆情预警。同时研究人员也可以通过分析使网络不良负面信息成为舆论热点话题的相关健康危害的因素,以便告知相关人员可以及时采取各种科学的针对性规章制度优化网络环境,打击犯罪诈骗行为,避免各种恶性事件发生。
6.(2)可以挖掘用户的转发偏好，通过转发预测预技术来探究用户的在线行为特征、和一些长短期兴趣，同时还可以挖掘出用户的特征信息，利用这些特征信息许多基于微博的广告公司就可以对这些微博用户进行人群分类，进而精准地将广告投放给合适的人群，减少不必要的广告花费。
7.(3)此外，在微博平台自身的个性化内容推荐与微博平台的市场营销等应用方面中，预测用户的转发行为也发挥着重要的作用。此外，预测技术还可以指导企业的发展和政府的决策。
8.现有的方法在进行转发行为预测时仍然存在一些局限性。首先使用同质信息网络
来构建转发行为中的社交网络时，不能很好的表示出社交网络中的异质信息节点，一些异质信息网络中存在的大量潜在信息都无法在同质信息网络中进行属性表示。另外，同质信息网络在进行也无法很好的解决数据的稀疏性问题，因此无法捕获关系节点之间的高维的协同信息。最后，现有的研究当中，大多关注点在静态异质图上的特征信息，而较少关注动态异质图。且已有的动态异质图分析方法都没有关注静态异质图上的时间序列演化特征信息。从而在转发预测问题中，没有考虑用户行为的时序特征，无法更全面地建模异质图中的转发模式。为了解决上述问题，本发明主要从以下几个方面进行研究：
9.(1)因为用户转发行为的复杂性，通过异质信息网络来对其进行建模研究，并引入主题信缓解同质网络中的数据稀疏性问题；
10.(2)综合考虑异质信息网络中的结构信息和内容信息，并结合用户转发行为的相关特性，提出结合用户长短期兴趣的预测方法；
11.(3)为了挖掘数据集中的动态演化模式，本发明提出基于分层注意力进行静态异质网络时序信息快照捕获方法，再通过rnn时序注意力进行静态异质图上的时序演化规律提取，用以提高预测效果。
12.预测用户转发行为可以建模为链路预测问题，主要是通过对用户信息网络中现有的用户转发行为进行学习，来对未来某时某刻两个用户产生转发行为的可能性进行评估。基于同质信息网络的链路预测方法因为其节点和边的单一性导致不能反映用户信息网络中丰富的信息，而异质信息网络能够很好的解决这一问题。因此国内外研究者更多的通过异质信息网络来建模这一问题。在目前学术大数据的背景之下，通过数据挖掘的相关方法和异质信息网络分析的相关理论，可以为预测用户转发行为提供一个全新的思路。相较于传统神经网络，图神经网络对于图结构的任务有着更好的适配性。因此，随着近年来图神经网络的发展被不断地推进，其相关任务上的解决方案质量也在持续提高。基于此，本发明在异质信息网络和图神经网络方法的基础上提出了用户转发行为预测模型，解决了目前存在的一些不足之处，提升了预测效果。


技术实现要素：

13.为实现上述目的，本发明提出一种基于异质图神经网络的众智主体转发行为预测系统；该系统在数据节点嵌入层引入主题信息，并结合用户属性特征和发布转发文本特征作为嵌入节点的内容特征表示，以用户的关注关系和转发行为提取作为结构特征表示。通过这种方式可以缓解数据稀疏性问题。为了关注用户的长短时兴趣，本发明分别采用两个独立的模型加入对应的注意力机制来分别关注用户长期与短期的不同关注兴趣。在提取用户的长期兴趣过程中，注意力机制对每个元路径应用元路径内部聚合，在该过程中，每个目标节点从元路径实例所连接的基于元路径邻居节点中提取并组合信息。通过这种方式，长期兴趣提取模型从两个相邻节点和它们之间的元路径上下文中捕获异构图的结构和语义信息。
14.本发明采用如下技术方案予以实施：
15.一种基于异质图神经网络的众智主体转发行为预测系统，所述预测系统包括：
16.嵌入层根据用户信息、发布信息、转发信息建立相关主题在内的异质图；
17.卷积神经网络cnn模块通过异质图中用户和信息文本中的相关信息的嵌入节点生
成信息文本特征特征表示；即：
18.u＝fc([b1；b2；b3；s])
[0019]
其中：u是用户节点的特征表示，fc是一个全连接层；s为结构特征；b1是用户自身的特征属性、b2是用户发送信息的特征属性；b3是用户转发信息特征属性；
[0020]
异质图神经网络gnn模块通过异质图中用户长期转发关注的嵌入节点获取第一兴趣编码信息
[0021]
注意力机制lstm模块通过异质图中用户短期转发关注的嵌入节点获取第二兴趣编码信息us；整合预测模块通过如下二分类模型对第一兴趣编码信息和第二兴趣编码信息中的节点嵌入投影到具有所需输出维度的向量空间预测预测用户对一个未产生过转发行为在未来会产生转发行为判断；所述二分类模型为：
[0022][0023]
其中：σ为激活函数，wo为权重矩阵。为节点的最终嵌入表示，即第一兴趣编码信息。进一步，所述异质图建立过程：
[0024]
构建包含了用户、信息自身特征，以及用户-用户交互作用、用户-信息交互作用的异构网络g＝(v,e),节点v和边e均包含不同类型；其网络模式为s＝(r,l),其中r是节点类型的集合,l是边类型的集合；其节点类型集合r＝(ru,rm,rz),其中ru是用户类型,rm是信息类型，rz是主题类型；其边类型集合l＝(l
uu
,l
um
,l
zm
),其中l
uu
是用户-用户关系边类型,l
um
是用户-信息关系边类型,l
zm
是主题-信息关系边类型；所述g＝(v,e)网络构建方式如下:
[0025]
g)节点即用户节点集合；
[0026]
h)节点即信息节点集合；
[0027]
i)节点即主题节点集合；
[0028]
j)边用户-用户关系集合,本文选取用户关注关系网络作为该集合；
[0029]
k)边即用户-信息关系集合,本文选取用户历史转发行为构建连接边作为该集合。若用户曾转发该条信息,则在集合中加入该条用户-信息连接边；
[0030]
l)边即主题-信息关系集合。
[0031]
进一步，所述异质图神经网络gnn模块还包括元路径内部聚合层、第一图注意力层、第二图注意力层和元路径间聚合层；
[0032]
所述元路径内聚合层采用特殊的元路径实例编码器将异质图中用户长期转发关注的嵌入节点特征转换为单个向量；
[0033]
所述图注意力层通过如下公式将单个向量与目标节点相关的元路径实例进行拼接加权求和；
[0034][0035]
其中：为节点v在第k个注意力头上的元路径实例p(v,u)的归一化后的重要
性；给定投影特征向量hv,和元路径集合集合的元路径内部聚合即为目标节点v∈v生成m个针对特定元路径的向量表示，记为
[0036]
所述元路径间聚合层通过点向量的元素平均值对所有节点在特定元路径下的节点向量进行转换揭示所有元路径组合的语义信息；所述点向量的元素平均值为：
[0037][0038]
其中：w和b为可学习的参数；
[0039]
所述第二图注意力层通过如下公式融合特定元路径下的节点输出第一兴趣编码信息
[0040][0041][0042]
其中：q为针对节点的参数化注意力向量；β
p
可以被解释为元路径pi对节点的相对重要性；当计算出每个元路径的β
p
，就可以使用这个注意力系数对节点v的所有针对特定元路径的向量进行加权求和。
[0043]
进一步，所述注意力机制lstm模块还包括转发内容上的注意力机制模型、转发时序上的注意力机制模型和；
[0044]
所述转发内容上注意力机制模型是通过如下公式建立用户最近转发的信息对潜在的转发用户u的不同影响力αj[0045][0046]
其中：uj和u分别是用户u和最近与用户u有转发消息行为的用户的注意力值；v
t
表示注意力向量；
[0047]
所述转发内容上注意力机制模型是通过如下公式获得注意力权重和用户各自的特征向量进行加权求和获得用户当前基于转发内容上的表示uc；
[0048][0049]
其中：uc是用户当前基于内容的兴趣表示,αj是影响力大小；
[0050]
所述转发时序上的注意力机制模型通过所述用户当前基于转发内容上的表示uc与序列特征表示s拼接输入到全连接层中获得用户的第二兴趣编码信息us:
[0051]us
＝fc([uc；s])。
[0052]
有益效果：
[0053]
通过实验结果比较可以得到本发明提出的模型相比于最优的模型在决策行为稠密的数据集上精准率、召回率和f1上分别提高了1\％，5\％，3\％。在稀疏数据集上精准率有所下降，但是精准率提高了约3.5\％。
[0054]
总的来说，本发明提出的的模型的优势在于以下三个方面。一是引入了主题信息，可以缓解用户之间交互数据的稀疏性问题，更好的反映了用户的兴趣所在，即用户发布的信息很少，同样可以利用提取出的主题信息对该用户的数据进行聚合。二是模型中结合和用户长短时兴趣，即使有短期热点出现同样可以反映用户的长期兴趣所在。三是通过利用合适的编码函数保留了嵌入在元路径的顺序结构信息。提升了异质图上的预测准确度。
附图说明：
[0055]
图1本发明涉及的用户-信息-主题异质网络图。
[0056]
图2本发明的模型架构图。
[0057]
图3实验结果对比，a为稠密数据集结果对比，b为稀疏数据集结果对比。
[0058]
图4参数分析图。
具体实施方式
[0059]
本发明中提出了一种基于配电网安全域的分布式电源可信容量评估方法，以下结合图1～图4作出详细说明：
[0060]
本发明提供一种基于异质图神经网络的众智主体转发行为预测系统，其中：
[0061]
cnn用在文本特性提取把微博文本转化成内容表示。属性特征用的是one-hot编码提取。结构特性用deepwalk的方法提取，输入是图结构，输出是节点表示。
[0062]
gnn用在长期兴趣部分，微博用户的长期兴趣表示是用多层异质图gnn提取的,输入是异质图，输出是用户长期兴趣表示，是一个向量。
[0063]
短期兴趣用的是lstm,输入是用户最近转发的微博表示，用了内容和时序两个注意力；基于内容的操作就是对输入向量使用注意力机制来建模用户最近转发的信息对潜在的转发用户的不同影响力。
[0064]
时序的操作就是先把向量输入到lstm里面，然后把每一段lstm的全连接层输出使用注意力机制。两个结合得到短期兴趣表示。
[0065]
长期兴趣表示包含元路径内部聚合和元路径间聚合。元路径内聚合采用特殊的元路径实例编码器将沿元路径实例的所有节点特征转换为单个向量。将元路径实例编码到向量表示中之后，采用一个图注意力层对与目标节点相关的元路径实例进行加权求和。聚合了每个元路径中的节点及连边数据之后，需要使用元路径间聚合层来组合所有元路径揭示的语义信息，本发明通过利用注意力机制为不同的元路径分配不同的权重。最后，模型使用带有非线性函数的附加线性变换将节点嵌入投影到具有所需输出维度的向量空间。
[0066]
一.模型架构设计
[0067]
本发明设计了基于注意力与长短时异质图神经网络的转发预测模型，该模型利用发布信息和用户之间的高阶结构信息。该模型首先建立了用户、发布信息以及主题在内的的异质图，之后利用图神经网络传播的嵌入信息来抽取高阶信息表示。该模型主要包括：卷积神经网络cnn提取用户和信息文本中的相关信息特征，异质图神经网络gnn获取信息转发用户的长期关注转发兴趣，基于注意力机制的lstm模型获取短期内转发用户的短期关注转发兴趣所在，最后还包括一个整合预测用户转发行为的预测模块。卷积神经网络模块用于获取用户和发布信息内容的初始嵌入表示，该模块通过cnn提取发布信息中文中的的信息
用户关系边类型,l
um
是用户-信息关系边类型,l
zm
是主题-信息关系边类型。网络构建方式如下:
[0083]
m)节点即用户节点集合。
[0084]
n)节点即信息节点集合。
[0085]
o)节点即主题节点集合。
[0086]
p)边即用户-用户关系集合,本文选取用户关注关系网络作为该集合。
[0087]
q)边即用户-信息关系集合,本文选取用户历史转发行为构建连接边作为该集合。若用户曾转发该条信息,则在集合中加入该条用户-信息连接边。
[0088]
r)边即主题-信息关系集合,本发明汇总了用户历史转发的信息,整理其文本内容,并记录信息的文本内容后,对用户转发的信息,均采用了同样的lda方法,生成其主题概率分布向量作为该信息节点的自身特征作为主题信息。然后将信息m与最大概率的主题z建立连接边。
[0089]
本发明通过lda模型来推断信息的主题，在引入信息的主题之后，就可以将异质图中不存在的新信息节点通过主题信息与已有的图进行连接，进而达到在图卷积中进行更新嵌入的目的。通过这种方式可以缓解部分用户转发历史信息较少而带来的数据稀疏性问题。
[0090]
异质图神经网络
[0091]
异构图嵌入的目标在于将异构图中的节点映射到一个低维向量空间。
[0092]
在本发明中提出了一种新的异构图嵌入模型。该模型包含元路径内部聚合、元路径间聚合两部分。
[0093]
元路径内部聚合层
[0094]
给定元路径p，元路径内聚合层通过对p的元路径实例进行编码来学习嵌入在目标节点、基于元路径的邻居节点以及它们之间的上下文中的结构和语义信息。令p(v,u)为连接目标节点$v$及其基于元路径邻居节点的元路径实例，进一步定义$p(v,u)$的中间节点为:{m
p(v,u)
}。
[0095]
元路径内聚合采用特殊的元路径实例编码器将沿元路径实例的所有节点特征转换为单个向量,如下公式所示。
[0096][0097]hp(v,u)
为目标节点在元路径p(v,u)下的聚合结果,hv是元路径起始节点表示，hu是元路径终点节点表示，$n$是中间节点的嵌入表示，f函数是特殊的元路径编码表示器。为简单起见，这里尽管可能有多个实例连接两个节点，但仍使用p(v,u)表示单个实例。
[0098]
将元路径实例编码到向量表示中之后，采用一个图注意力层对与目标节点v相关的p的元路径实例进行加权求和。其关键思想是不同的元路径实例对目标节点的表示具有不同的影响力。可以对每个元路径实例学习一个归一化的重要性权重再将所有实例进行加权求和来对此进行建模:
[0099][0100][0101]
此处a
t
为元路径p的参数化注意力向量，||表示向量拼接操作。表示到节点v的元路径实例p(v,u)的重要性，leakyrelu是激活函数，是邻居节点集合，之后使用softmax函数对所有进行归一化操作。当所有获得归一化后的重要性权重系数(或注意力系数)它们被用于计算关于节点v的元路径实例的表示的加权组合。最后经过一个激活函数σ(
·
)输出。
[0102]
这种注意力机制也可以扩展到多头，这有助于稳定学习过程并减少图的异质性引入的高方差。也就是说，执行k个独立的注意力机制，然后将它们的输出拼接起来，得到以下公式:
[0103][0104]
其中为节点v在第k个注意力头上的元路径实例p(v,u)的归一化后的重要性。综上所述，给定投影特征向量hv,和元路径集合模型的元路径内部聚合即为目标节点v∈v生成m个针对特定元路径的向量表示，记为每个(假设k＝1)都可以被解释为一个关于节点v的元路径pi的元路径实例的概要，展示了节点v中隐含的一种语义信息。
[0105]
元路径间聚合层
[0106]
聚合了每个元路径中的节点及连边数据之后，需要使用元路径间聚合层来组合所有元路径揭示的语义信息。对于v∈v，生成了|v|组隐层向量:
[0107]
其中w为节点的元路径数量。一种直接的元路径间聚合方法是采用这些节点向量的元素平均值。本发明通过利用注意力机制为不同的元路径分配不同的权重来扩展这种方法。此操作是合理的，因为元路径在异构图中并不同等重要。
[0108]
首先，针对各元路径对所有节点在特定元路径下的节点向量进行转换，然后取其均值:
[0109][0110]
其中：w和b为可学习的参数。然后使用注意力机制融合特定元路径下的节点
[0111][0112]
[0113]
其中：q为针对节点的参数化注意力向量。β
p
可以被解释为元路径pi对节点的相对重要性。当计算出每个元路径的β
p
，就可以使用这个注意力系数对节点v的所有针对特定元路径的向量进行加权求和。
[0114]
最后，模型使用带有非线性函数的附加线性变换将节点嵌入投影到具有所需输出维度的向量空间:
[0115][0116]
其中：σ为激活函数，wo为权重矩阵。为节点的最终嵌入表示，也是用户的长期兴趣表示u
l
用以后续的用户转发行为预测任务。
[0117]
(2)短期兴趣建模，即第二兴趣编码信息过程：
[0118]
用户短期转发兴趣的模型主要利用用户近期转发的历史信息来对用户短期的兴趣进行建模。用户的短期兴趣模型主要包括两部分。一部分是用户在转发内容上的兴趣注意力机制建模，另一部分是用户近期转发内容的潜在时序信息上的注意力建模。
[0119]
转发内容上的注意力机制模型
[0120]
给定一名网络用户u，这名用户近期转发了l条信息{n1,n2,
…
,n
l
},最终通过使用注意力机制来建模用户最近转发的信息对潜在的转发用户u的不同影响力αj。
[0121][0122]
其中：uj和u分别是用户u和最近与用户u有转发消息行为的用户的注意力值。其中,v
t
表示注意力向量,是需要学习的参数向量。αj是计算出来的所有转发用户的相较于根节点的注意力权重,也就是重要性。最后计算得到的注意力权重和用户各自的特征向量进行加权求和就可以得到用户当前基于转发内容上的表示uc。
[0123][0124]
其中uc是用户当前基于内容的兴趣表示,αj是影响力大小。
[0125]
转发时序上的注意力机制模型
[0126]
除了使用基于转发内容上的注意力机制来建模用户当前基于转发信息内容的兴趣外,本发明所提出的模型还关注最近用户与其他用户之间的转发信息顺序里面潜藏的时序信息,因此使用基于转发历史行为时序上的注意力机制,集合lstm模型来捕捉其中存在的时序特征。
[0127]
lstm将用户u最近的转发过的用户嵌入作为输入,输出用户u的序列特征表示。由于每个用户的转发兴趣往往会受到最近一段时间内交互历史的影响。例如,用户可能通过最近转发过的用户来拓展自己的关注对象。因此将上文介绍的注意力机制应用lstm输出的每个隐含状态hj和之前的隐含状态{h1,h2,
…
,hj}上来获得不同时刻的序列特征表示sj。再利用cnn将这些特征{s1,s2,
…
,sj}进行融合,最终就可以得到用户关于最近的l条转发历史信息的序列特征表示s。
[0128]
最后,将通过基于转发内容的注意力机制模块得到的基于内容的转发兴趣表示uc与本节得到的序列特征表示s拼接输入到一个全连接层中,得到用户的短期转发兴趣嵌入
特征表示us:
[0129]us
＝fc([uc；s])
[0130]
四.整合预测层
[0131]
预测层通过对用户的长期的转发关注兴趣和短期内的转发兴趣嵌入向量进行拼接，之后在对拼接结果进行线性变化得到用户节点的最终表示u。
[0132]
u＝fc([us；u
l
])
[0133]
对于用户i和用户j,两者是否会产生转发行为由如下公式可得:
[0134][0135]
其中ui,uj分别代表两名用户的最终嵌入表示,w和b分别为线性层的权重和偏秩,sigmoid为非线性激活函数。为两者是否会存在转发边关系的概率。如果两名用户产生了转发行为那么对应的值为1,否则为0。最后损失函数采用交叉熵函数用于优化模型，如下公式所示：
[0136][0137]
其中z表示现有转发关系边的集合。该损失函数需要用户存在转发关系的正例和负例,负例需要从用户没有产生转发行为的其他用户中进行抽样。ω(θ)是正则化项,λ是它的权重。
[0138]
五.评价指标
[0139]
预测用户转发决策行为只可能有两种结果，一是未来一段时间两名用户可能存在转发决策行为，二是未来一段时间两名用户不会存在转发行为。因此，它实际上也是一个典型的二分类问题。表给出了二分类评价体系的混淆矩阵。二分类问题每个样本的真实标签为1(positive)或者为0(negative)。但预测的输出在[0,1]区间，所以通常的办法是设定一个固定的阈值，比如设置为0.5，预测高于这个阈值的划分为1(positive)，而预测低于预值的划分为0(negative)。故真实标签和预测值之间有四种关系：真阳性(tp)、假阳性(fp)、假阴性(fn)和真阴性(tn)。评价分类问题的指标一般是分类的准确率，定义为模型预测准确的样本所占总样本的比值，它的计算方式如下公式所示。
[0140][0141]
为了更好的衡量模型的性能，本文使用了f1分数作为评估预测用户转发行为预测准确性的重要指标。f1分数是基于准确率和召回率的综合衡量。精准率定义为在所有预测为正的样本中，真实标签也为正的样本所占比值；召回率则为所有真实标签为正的样本中，预测也为正的样本所占比值。精准率p、召回率r和f1的计算方法如下公式所示。
[0142][0143][0144]
[0145]
六.基线对比模型
[0146]
random：转发预测是一项二进制分类任务，随机选择是否转发的决定。
[0147]
cnn：卷积神经网络方法。
[0148]
metapath2vec在这个模型中，异构邻居集是通过基于元路径的随机游走形成的，并利用异构跳过图来学习节点表示。但是该方法只支持一条元路径，这里选择用户-信息-用户元路径。
[0149]
hawkes proces(hp)：该方法是一种特殊的线性自激方法。将用户关系强度作为潜在因素，将用户相似度和历史交互作为潜在因素的诱导和表征。可以使用hp来研究用户与网络结构之间的关系，并可以结合logistic回归来预测用户行为。
[0150]
pso-rbf神经网络：pso-rbf神经网络是一种前馈网络。该算法采用径向基函数作为隐层神经元的激活函数，并用粒子群算法对其进行了改进。它可以用任意精度逼近任意连续函数，并得到分类结果。
[0151]
dynamic-triad，动态同质网络方法，该模型利用三元闭包过程建模动态网络嵌入，并且生成节点的嵌入用于下游任务。
[0152]
meta-dynamix，动态异质网络方法，该模型基于元路径的动态异构信息网络嵌入技术，集成了基于元路径的拓扑特征和潜在表示来学习异质性和时序演化性。
[0153]
其他分类器：转发预测可以看作是一种二元分类。每条消息都被标记为一个肯定或否定的实例，表示它是否将被转发。在本文中，使用了一些经典的分类器，包括svm和随机森林作为基线方法。
[0154]
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。