手机银行APP推荐方法及装置

技术领域

本发明涉及人工智能技术领域，尤其涉及一种手机银行APP推荐方法及装置。

背景技术

现在手机APP经常会通过用户分享邀请码的方式，邀请用户的好友下载手机银行APP或邀请用户的好友使用相应的推荐功能，手机银行APP在断定被推荐者下载使用手机银行APP，或已下载手机银行APP并使用相应推荐功能后，为推荐者反馈相应的福利或优惠等奖励，从而吸引更多的用户参与分享，进而达到营销的目的。

但是用户在分享的时候，经常都是随意分享给自己的亲友，这样就导致用户在分享后获得奖励的概率不高，导致用户参与分享的积极性不高且活动体验感不佳，也降低了银行的营销效率。

发明内容

本发明实施例提供一种手机银行APP推荐方法，用以为用户提供分享成功率较高的分享名单，提高用户参与分享的积极性，改善用户体验，提高银行的营销效率，该方法包括：

接收用户的手机银行APP功能分享请求后，获取用户的通讯录数据；

根据用户的通讯录数据，在银行后台系统中，获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签；所述业务办理偏好信息包括联系人对手机银行APP功能的使用偏好信息和联系人在银行网点的业务办理信息；

将用户希望分享的手机银行APP功能、多个联系人的业务办理偏好信息以及每个联系人的用户属性标签，输入预先建立的神经网络模型中，确定每个联系人接受用户分享的概率；所述神经网络模型用于确定联系人对被分享的手机银行APP功能的接受概率；

根据每个联系人接受用户分享的概率，确定被推荐者名单，将被推荐者名单发送给用户。

其中，所述联系人的用户属性标签用于表征联系人对被分享的不同类型的手机银行APP功能的感兴趣程度；

具体实施例中，所述联系人的用户属性标签的确定过程，包括：

统计该联系人对于被分享链接的处理历史数据，包括：每条被分享历史链接对应的手机银行APP功能信息、每条被分享历史链接的点击数据；

根据该联系人对于被分享链接的处理历史数据，确定该联系人的用户属性标签。

具体实施例中提供的手机银行APP推荐方法，还包括：

在用户向被推荐者发送手机银行APP功能分享后，监控每个被推荐者对分享链接的点击数据；

根据每个被推荐者对分享链接的点击数据，更新每个被推荐者的用户属性标签。

进一步地，具体实施例中，还包括：

当被推荐者点击分享链接后，利用人工智能算法，对被推荐者对手机银行APP功能的使用偏好信息、分享链接对应的手机银行APP功能和银行后台系统中被推荐者的收支记录，进行数据分析，确定被推荐者感兴趣的优惠信息；

将所述优惠信息通过手机银行推送给被推荐者。

具体实施时，所述神经网络模型的预先建立过程，包括：

选取多个手机银行用户作为样本；

在银行后台系统中，获取每个样本对于分享链接的历史接受数据、分享链接对应的手机银行APP功能、每个样本的用户属性标签历史数据和每个样本的历史业务办理偏好信息，构建训练集；

根据所述训练集，对构建的BP神经网络模型进行训练，得到用于预测手机银行APP功能分享成功率的神经网络模型。

本发明实施例还提供一种手机银行APP推荐装置，用以为用户提供分享成功率较高的分享名单，提高用户参与分享的积极性，改善用户体验，提高银行的营销效率，该装置包括：

通讯录数据获取模块，用于接收用户的手机银行APP功能分享请求后，获取用户的通讯录数据；

联系人信息确定模块，用于根据用户的通讯录数据，在银行后台系统中，获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签；所述业务办理偏好信息包括联系人对手机银行APP功能的使用偏好信息和联系人在银行网点的业务办理信息；

接受概率预测模块，用于将用户希望分享的手机银行APP功能、多个联系人的业务办理偏好信息以及每个联系人的用户属性标签，输入预先建立的神经网络模型中，确定每个联系人接受用户分享的概率；所述神经网络模型用于确定联系人对被分享的手机银行APP功能的接受概率；

推荐名单确定模块，用于根据每个联系人接受用户分享的概率，确定被推荐者名单，将被推荐者名单发送给用户。

其中，所述联系人的用户属性标签用于表征联系人对被分享的不同类型的手机银行APP功能的感兴趣程度；

相应地，具体实施例中的手机银行APP推荐装置，还包括：用户属性标签确定模块，用于：

统计该联系人对于被分享链接的处理历史数据，包括：每条被分享历史链接对应的手机银行APP功能信息、每条被分享历史链接的点击数据；

根据该联系人对于被分享链接的处理历史数据，确定该联系人的用户属性标签。

本发明一具体实施例中，还包括：用户属性标签更新模块，用于：

在用户向被推荐者发送手机银行APP功能分享后，监控每个被推荐者对分享链接的点击数据；

根据每个被推荐者对分享链接的点击数据，更新每个被推荐者的用户属性标签。

进一步地，还包括：优惠信息智能推送模块，用于：

当被推荐者点击分享链接后，利用人工智能算法，对被推荐者对手机银行APP功能的使用偏好信息、分享链接对应的手机银行APP功能和银行后台系统中被推荐者的收支记录，进行数据分析，确定被推荐者感兴趣的优惠信息；

将所述优惠信息通过手机银行推送给被推荐者。

具体实施过程中，该手机银行APP推荐装置还包括：模型预建立模块，用于：

选取多个手机银行用户作为样本；

在银行后台系统中，获取每个样本对于分享链接的历史接受数据、分享链接对应的手机银行APP功能、每个样本的用户属性标签历史数据和每个样本的历史业务办理偏好信息，构建训练集；

根据所述训练集，对构建的BP神经网络模型进行训练，得到用于预测手机银行APP功能分享成功率的神经网络模型。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器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计算机程序时实现上述手机银行APP推荐方法。

本发明实施例也提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述手机银行APP推荐方法的计算机程序。

本发明实施例中，通过接收用户的手机银行APP功能分享请求后，获取用户的通讯录数据；根据用户的通讯录数据，在银行后台系统中，获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签；其中，业务办理偏好信息包括联系人对手机银行APP功能的使用偏好信息和联系人在银行网点的业务办理信息；将用户希望分享的手机银行APP功能、多个联系人的业务办理偏好信息以及每个联系人的用户属性标签，输入预先建立的神经网络模型中，确定每个联系人接受用户分享的概率；上述神经网络模型用于确定联系人对被分享的手机银行APP功能的接受概率；根据每个联系人接受用户分享的概率，确定被推荐者名单，将被推荐者名单发送给用户。基于神经网络模型，对用户通讯录中多个联系人进行分析，确定每个联系人接受用户本次分享的概率，以此确定被推荐者名单，能够更加精准地为用户提供分享成功率较高的分享名单，用户也因此能够更容易地获得奖励，从而提高用户参与分享的积极性，改善用户体验；用户参与分享的积极性提高后，也相应地提高了银行的营销效率。

附图说明

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。

图1为本发明实施例中手机银行APP推荐方法的示意图。

图2为本发明具体实施例中联系人的用户属性标签的确定过程示意图。

图3为本发明具体实施例中神经网络模型的预先建立过程示意图。

图4为本发明一具体实施例中手机银行APP推荐方法的示意图。

图5为本发明另一具体实施例中手机银行APP推荐方法的示意图。

图6为本发明实施例中手机银行APP推荐装置的示意图。

图7为本发明一具体实施例中手机银行APP推荐装置的示意图。

图8为本发明另一具体实施例中手机银行APP推荐装置的示意图。

图9为本发明又一具体实施例中手机银行APP推荐装置的示意图。

图10为本发明再一具体实施例中手机银行APP推荐装置的示意图。

具体实施方式

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，都属于本发明保护的范围。

本发明实施例提供了一种手机银行APP推荐方法，用以为用户提供分享成功率较高的分享名单，提高用户参与分享的积极性，改善用户体验，提高银行的营销效率，如图1所示，该方法包括：

步骤101：接收用户的手机银行APP功能分享请求后，获取用户的通讯录数据；

步骤102：根据用户的通讯录数据，在银行后台系统中，获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签；其中，业务办理偏好信息包括联系人对手机银行APP功能的使用偏好信息和联系人在银行网点的业务办理信息；

步骤103：将用户希望分享的手机银行APP功能、多个联系人的业务办理偏好信息以及每个联系人的用户属性标签，输入预先建立的神经网络模型中，确定每个联系人接受用户分享的概率；其中，神经网络模型用于确定联系人对被分享的手机银行APP功能的接受概率；

步骤104：根据每个联系人接受用户分享的概率，确定被推荐者名单，将被推荐者名单发送给用户。

由图1所示流程可以得知，本发明实施例中，通过接收用户的手机银行APP功能分享请求后，获取用户的通讯录数据；根据用户的通讯录数据，在银行后台系统中，获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签；其中，业务办理偏好信息包括联系人对手机银行APP功能的使用偏好信息和联系人在银行网点的业务办理信息；将用户希望分享的手机银行APP功能、多个联系人的业务办理偏好信息以及每个联系人的用户属性标签，输入预先建立的神经网络模型中，确定每个联系人接受用户分享的概率；上述神经网络模型用于确定联系人对被分享的手机银行APP功能的接受概率；根据每个联系人接受用户分享的概率，确定被推荐者名单，将被推荐者名单发送给用户。基于神经网络模型，对用户通讯录中多个联系人进行分析，确定每个联系人接受用户本次分享的概率，以此确定被推荐者名单，能够更加精准地为用户提供分享成功率较高的分享名单，用户也因此能够更容易地获得奖励，从而提高用户参与分享的积极性，改善用户体验；用户参与分享的积极性提高后，也相应地提高了银行的营销效率。

具体实施时，首先接收用户的手机银行APP功能分享请求后，获取用户的通讯录数据，用户的通讯录数据包括用户的联系人以及每个联系人的联系方式。

获取用户的通讯录数据后，根据用户的通讯录数据，在银行后台系统中，获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签。根据联系人的联系方式(手机号)，在银行后台系统中，根据手机号确定每个联系人的业务办理偏好信息以及每个联系人的用户属性标签。

其中，业务办理偏好信息包括联系人对手机银行APP功能的使用偏好信息和联系人在银行网点的业务办理信息。每个联系人对手机银行APP功能的使用情况不同，偏好也不同，例如，有的人关注话费充值，有的人关注信用卡还款。且有的联系人不常使用手机银行APP或者还没有注册手机银行APP，为了确定此类联系人的业务办理偏好，可根据该类联系人在银行网点的业务办理情况，确定联系人在银行网点的业务办理信息，以此确定该类联系人的业务办理偏好。具体实施时，会发现有的联系人既没有注册过手机银行，也没有在银行网点进行过业务办理，则默认该情况的联系人不是银行营销的潜在用户，直接放弃向其分享、推荐手机银行APP。

具体实施例中，联系人的用户属性标签用于表征联系人对被分享的不同类型的手机银行APP功能的感兴趣程度。联系人的用户属性标签提前确定后，存储于银行后台系统中，因此，具体实施例中，还包括联系人的用户属性标签的确定过程，如图2所示，包括：

步骤201：统计该联系人对于被分享链接的处理历史数据，包括：每条被分享历史链接对应的手机银行APP功能信息、每条被分享历史链接的点击数据；

步骤202：根据该联系人对于被分享链接的处理历史数据，确定该联系人的用户属性标签。

每个联系人曾经收到过很多的分享链接，统计每次分享链接对应的功能，以及每个联系人是否点开，停留浏览的时长，后续是否有使用该功能等对于被分享链接的处理历史数据，根据上述对于被分享链接的处理历史数据，确定该联系人的用户属性标签，例如，对手机话费充值感兴趣，对购买理财没有兴趣等标签。

获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签后，将用户希望分享的手机银行APP功能、多个联系人的业务办理偏好信息以及每个联系人的用户属性标签，输入预先建立的神经网络模型中，确定每个联系人接受用户分享的概率。

其中，上述神经网络模型用于确定联系人对被分享的手机银行APP功能的接受概率。该神经网络模型的预先建立过程，如图3所示，包括：

步骤301：选取多个手机银行用户作为样本；

步骤302：在银行后台系统中，获取每个样本对于分享链接的历史接受数据、分享链接对应的手机银行APP功能、每个样本的用户属性标签历史数据和每个样本的历史业务办理偏好信息，构建训练集；

步骤303：根据上述训练集，对构建的BP神经网络模型进行训练，得到用于预测手机银行APP功能分享成功率的神经网络模型。

其中，BP(Back Propagation)神经网络，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。具体实施例中，还可利用BP神经网络和遗传算法建立新的神经网络模型，在BP神经网络的权值和阈值的优化方面，引入遗传算法，构建GA-BP神经网络模型，进一步提高预测的准确率。

确定每个联系人接受用户分享的概率后，根据每个联系人接受用户分享的概率，确定被推荐者名单，将被推荐者名单发送给用户。具体实施时，可以根据每个联系人接受用户分享的概率的高低，对联系人进行排名，按照接受用户分享的概率由高到低的顺序，并选取接受用户分享的概率高于预设值(例如60％、75％、80％等)的联系人，生成被推荐者名单并推送给用户。

一具体实施例中提供的手机银行APP推荐方法，如图4所示，在图1的基础上，还包括：

步骤401：在用户向被推荐者发送手机银行APP功能分享后，监控每个被推荐者对分享链接的点击数据；

步骤402：根据每个被推荐者对分享链接的点击数据，更新每个被推荐者的用户属性标签。

在每次用户分享后，实时监控每个联系人对分享链接的点击情况，以此更新每个联系人的用户属性标签，保证银行系统后台中存储的用户属性标签能够保持时效性，从而提高预测每个联系人接受用户分享的概率时的准确性。

为了更好地为手机银行APP使用用户提供服务，给用户更好地使用体验，本发明具体实施例中，还提供一种手机银行APP推荐方法，如图5所示，在图4的基础上，还包括：

步骤501：当被推荐者点击分享链接后，利用人工智能算法，对被推荐者对手机银行APP功能的使用偏好信息、分享链接对应的手机银行APP功能和银行后台系统中被推荐者的收支记录，进行数据分析，确定被推荐者感兴趣的优惠信息；

步骤502：将上述优惠信息通过手机银行推送给被推荐者。

步骤501具体实施时，可采用人工神经网络类、聚类分析、深度学习等人工智能算法，进行数据分析，智能确定被推荐者感兴趣的优惠信息。

本发明具体实施例中，用户在分享的时候，通过为用户智能判断，被分享的联系人是否为有效分享者：若是，则推荐用户进行分享，并当用户完成分享任务后，通过人工智能算法，帮助被推荐者获取所需的优惠信息。不仅能够更加精准地为用户提供分享成功率较高的分享名单，用户也因此能够更容易地获得奖励，从而用户参与分享的积极性，改善用户体验，还相应地提高了银行的营销效率。

基于同一发明构思，本发明实施例还提供一种手机银行APP推荐装置，由于手机银行APP推荐装置所解决问题的原理与手机银行APP推荐方法相似，因此手机银行APP推荐装置的实施可以参见手机银行APP推荐方法的实施，重复之处不再赘述，具体结构如图6所示：

通讯录数据获取模块601，用于接收用户的手机银行APP功能分享请求后，获取用户的通讯录数据；

联系人信息确定模块602，用于根据用户的通讯录数据，在银行后台系统中，获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签；所述业务办理偏好信息包括联系人对手机银行APP功能的使用偏好信息和联系人在银行网点的业务办理信息；

接受概率预测模块603，用于将用户希望分享的手机银行APP功能、多个联系人的业务办理偏好信息以及每个联系人的用户属性标签，输入预先建立的神经网络模型中，确定每个联系人接受用户分享的概率；所述神经网络模型用于确定联系人对被分享的手机银行APP功能的接受概率；

推荐名单确定模块604，用于根据每个联系人接受用户分享的概率，确定被推荐者名单，将被推荐者名单发送给用户。

其中，联系人的用户属性标签用于表征联系人对被分享的不同类型的手机银行APP功能的感兴趣程度；

相应地，具体实施例中的手机银行APP推荐装置的结构如图7所示，在图6的基础上，还包括：用户属性标签确定模块701，用于：

统计该联系人对于被分享链接的处理历史数据，包括：每条被分享历史链接对应的手机银行APP功能信息、每条被分享历史链接的点击数据；

根据该联系人对于被分享链接的处理历史数据，确定该联系人的用户属性标签。

本发明一具体实施例中，还提供一种手机银行APP推荐装置，如图8所示，在图7的基础上，还包括：用户属性标签更新模块801，用于：

在用户向被推荐者发送手机银行APP功能分享后，监控每个被推荐者对分享链接的点击数据；

根据每个被推荐者对分享链接的点击数据，更新每个被推荐者的用户属性标签。

进一步地，具体实施例中的手机银行APP推荐装置，如图9所示，在图8的基础上，还包括：优惠信息智能推送模块901，用于：

当被推荐者点击分享链接后，利用人工智能算法，对被推荐者对手机银行APP功能的使用偏好信息、分享链接对应的手机银行APP功能和银行后台系统中被推荐者的收支记录，进行数据分析，确定被推荐者感兴趣的优惠信息；

将上述优惠信息通过手机银行推送给被推荐者。

具体实施过程中，该手机银行APP推荐装置如图10所示，在图6的基础上，还包括：模型预建立模块1001，用于：

选取多个手机银行用户作为样本；

在银行后台系统中，获取每个样本对于分享链接的历史接受数据、分享链接对应的手机银行APP功能、每个样本的用户属性标签历史数据和每个样本的历史业务办理偏好信息，构建训练集；

根据上述训练集，对构建的BP神经网络模型进行训练，得到用于预测手机银行APP功能分享成功率的神经网络模型。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器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计算机程序时实现上述手机银行APP推荐方法。

本发明实施例也提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述手机银行APP推荐方法的计算机程序。

综上所述，本发明实施例提供的手机银行APP推荐方法及装置具有如下优点：

通过接收用户的手机银行APP功能分享请求后，获取用户的通讯录数据；根据用户的通讯录数据，在银行后台系统中，获取用户通讯录中多个联系人的业务办理偏好信息以及每个联系人的用户属性标签；其中，业务办理偏好信息包括联系人对手机银行APP功能的使用偏好信息和联系人在银行网点的业务办理信息；将用户希望分享的手机银行APP功能、多个联系人的业务办理偏好信息以及每个联系人的用户属性标签，输入预先建立的神经网络模型中，确定每个联系人接受用户分享的概率；上述神经网络模型用于确定联系人对被分享的手机银行APP功能的接受概率；根据每个联系人接受用户分享的概率，确定被推荐者名单，将被推荐者名单发送给用户。基于神经网络模型，对用户通讯录中多个联系人进行分析，确定每个联系人接受用户本次分享的概率，以此确定被推荐者名单，能够更加精准地为用户提供分享成功率较高的分享名单，用户也因此能够更容易地获得奖励，从而提高用户参与分享的积极性，改善用户体验；用户参与分享的积极性提高后，也相应地提高了银行的营销效率。

虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书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。

本发明是参照根据本发明实施例的方法、装置(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。

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。

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设备上，使得在计算机或其他可编程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。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。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、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。