一种产品推荐方法及装置

技术领域

本申请涉及产品推荐技术领域，特别涉及一种产品推荐方法及装置。

背景技术

近年来，推荐算法相关研究的应用逐渐成熟，但以此同时用户的需求越来越个性化，因此更多的研究人员开始对其进行深入探讨，以能更好的为用户推荐产品。

现有的推荐方式，主要采用协同过滤推荐算法，利用用户对产品产生的历史信息作为依据，查找出与目标用户相似的用户邻居集，然后将用户邻居集中其他用户比较感兴趣的多个产品推荐给目标用户。

但是这种方式只是简单地关注到了用户的历史信息，而用户的兴趣是受多方面因素影响的，因此用户的兴趣会随着时间的推移不断产生变化，因此以简单地根据历史信息为用户进行产品推荐，容易出现千篇一律的情况。并且，在所能获得的历史信息有限时，推荐到用户正在感兴趣的产品的准确性相对较低。所以现有的方式，并不能很好地向用户推销满足用户兴趣、需求的产品。

发明内容

基于上述现有技术的不足，本申请提供了一种产品推荐方法及装置，以解决现有的推荐方式准确性较差的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请第一方面提供了一种产品推荐方法，包括：

获取用户偏好评分矩阵；其中，所述用户偏好评分矩阵包括多个用户在多个时间段内对各个产品的偏好评分；

基于所述用户偏好评分矩阵，构建每个组合对应的时间序列模型；其中，一个组合包括一个所述用户和一个所述产品；所述时间序列模型用于预测所述用户对所述产品的偏好评分；

分别利用各个所述组合对应的时间序列模型，计算得到目标时间段内的各个所述组合对应的兴趣权重；

利用所述目标时间段内的偏好评分的统计数据以及各个所述组合对应的兴趣权重，计算各个所述组合在所述目标时间段的预测偏好评分；

将各个所述组合在所述目标时间段的预测偏好评分补全至所述用户偏好评分矩阵中；

基于补全后的所述用户偏好评分矩阵，计算在所述目标时间段内每两个所述用户的相似度，得到多个相似用户集群；

分别针对每个所述相似用户集群，将所述相似用户集群中的每个所述用户在所述目标时间段内偏好评分高于预设阈值的产品，推荐给所述相似用户集群中的其余用户。

可选地，在上述的产品推荐方法中，所述分别利用各个所述组合对应的时间序列模型，计算得到目标时间段内的各个所述组合对应的兴趣权重，包括：

分别针对每个所述组合，利用所述组合对应的时间序列模型，预测所述组合对应的第一偏好评分、第二偏好评分以及第三偏好评分；其中，所述第一偏好评分指代所述组合中的用户在所述目标时间段内对所述组合中的产品的偏好评分；所述第二偏好评分指代所述组合中的用户，在所述目标时间段的前N个时间段内对所述组合中的产品的偏好评分；所述第二偏好评分指代所述组合中的用户，在所述目标时间段的后N个时间段内对所述组合中的产品的偏好评分；

分别将每个所述组合对应的所述第一偏好评分、所述第二偏好评分以及所述第三偏好评分的总和，除以各个所述组合对应的偏好总评分，得到所述目标时间段内的各个所述组合对应的兴趣权重；其中，所述组合对应的偏好总和为所述目标时间段的前N个时间段至其后N个时间段的时间段内，所述组合的用户对所有所述产品的偏好评分总和。

可选地，在上述的产品推荐方法中，所述利用所述目标时间段内的偏好评分的统计数据以及各个所述组合对应的兴趣权重，计算各个所述组合在所述目标时间段的预测偏好评分，包括：

对目标时间段内的偏好评分进行统计，得到多个预设类型参数；其中，所述预设类型参数包括在所述目标时间段内每个所述产品的评分用户总数、评分排名前M位的所述产品的最低偏好评分的个数、每个所述产品的偏好评分平均分、所有产品的偏好评分平均分；

分别针对每个所述组合，将所述多个预设类型参数中所述组合对应的参数以及所述组合对应的兴趣权重，输入预测评分公式中，得到各个所述组合在所述指定时间的预测偏好评分；其中，所述预测评分公式为：

可选地，在上述的产品推荐方法中，所述基于补全后的所述用户偏好评分矩阵，计算在所述目标时间段内每两个所述用户的相似度，得到多个相似用户集群，包括：

基于补全后的所述用户偏好评分矩阵，统计在所述目标时间段内各个所述用户对各个所述产品的偏好评分以及每个所述用户对所有产品的偏好评分平均分；

利用相似度计算公式对所述目标时间段内各个所述用户对各个所述产品的偏好评分以及每个所述用户对所有产品的偏好评分平均分进行计算，得到在所述目标时间段内每两个所述用户的相似度；其中，所述相似度计算公式为：

将相似度大于预设阈值的各个所述用户划分为一个相似用户集群。

可选地，在上述的产品推荐方法中，所述分别针对每个所述相似用户集群，将所述相似用户集群中的每个所述用户在所述目标时间段内偏好评分高于预设阈值的产品，推荐给所述相似用户集群中的其余用户之后，还包括：

利用各个所述预测偏好评分以及真实偏好评分，计算平均绝对误差、均方根误差以及准确率；

基于所述平均绝对误差、所述均方根误差以及所述准确率，进行产品推荐评估。

本申请第二方面提供了一种产品推荐装置，包括：

获取单元，用于获取用户偏好评分矩阵；其中，所述用户偏好评分矩阵包括多个用户在多个时间段内对各个产品的偏好评分；

模型构建单元，用于基于所述用户偏好评分矩阵，构建每个组合对应的时间序列模型；其中，一个组合包括一个所述用户和一个所述产品；所述时间序列模型用于预测所述用户对所述产品的偏好评分；

权重计算单元，用于分别利用各个所述组合对应的时间序列模型，计算得到目标时间段内的各个所述组合对应的兴趣权重；

评分单元，用于利用所述目标时间段内的偏好评分的统计数据以及各个所述组合对应的兴趣权重，计算各个所述组合在所述目标时间段的预测偏好评分；

补全单元，用于将各个所述组合在所述目标时间段的预测偏好评分补全至所述用户偏好评分矩阵中；

聚类单元，用于基于补全后的所述用户偏好评分矩阵，计算在所述目标时间段内每两个所述用户的相似度，得到多个相似用户集群；

推荐单元，用于分别针对每个所述相似用户集群，将所述相似用户集群中的每个所述用户在所述目标时间段内偏好评分高于预设阈值的产品，推荐给所述相似用户集群中的其余用户。

可选地，在上述的产品推荐装置中，所述权重计算单元，包括：

预测单元，用于分别针对每个所述组合，利用所述组合对应的时间序列模型，预测所述组合对应的第一偏好评分、第二偏好评分以及第三偏好评分；其中，所述第一偏好评分指代所述组合中的用户在所述目标时间段内对所述组合中的产品的偏好评分；所述第二偏好评分指代所述组合中的用户，在所述目标时间段的前N个时间段内对所述组合中的产品的偏好评分；所述第二偏好评分指代所述组合中的用户，在所述目标时间段的后N个时间段内对所述组合中的产品的偏好评分；

权重计算子单元，用于分别将每个所述组合对应的所述第一偏好评分、所述第二偏好评分以及所述第三偏好评分的总和，除以各个所述组合对应的偏好总评分，得到所述目标时间段内的各个所述组合对应的兴趣权重；其中，所述组合对应的偏好总和为所述目标时间段的前N个时间段至其后N个时间段的时间段内，所述组合的用户对所有所述产品的偏好评分总和。

可选地，在上述的产品推荐装置中，所述评分单元，包括：

第一统计单元，用于对目标时间段内的偏好评分进行统计，得到多个预设类型参数；其中，所述预设类型参数包括在所述目标时间段内每个所述产品的评分用户总数、评分排名前M位的所述产品的最低偏好评分的个数、每个所述产品的偏好评分平均分、所有产品的偏好评分平均分；

评分子单元，用于分别针对每个所述组合，将所述多个预设类型参数中所述组合对应的参数以及所述组合对应的兴趣权重，输入预测评分公式中，得到各个所述组合在所述指定时间的预测偏好评分；其中，所述预测评分公式为：

可选地，在上述的产品推荐装置中，所述聚类单元，包括：

第二统计单元，用于基于补全后的所述用户偏好评分矩阵，统计在所述目标时间段内各个所述用户对各个所述产品的偏好评分以及每个所述用户对所有产品的偏好评分平均分；

相似度计算单元，用于利用相似度计算公式对所述目标时间段内各个所述用户对各个所述产品的偏好评分以及每个所述用户对所有产品的偏好评分平均分进行计算，得到在所述目标时间段内每两个所述用户的相似度；其中，所述相似度计算公式为：

划分单元，用于将相似度大于预设阈值的各个所述用户划分为一个相似用户集群。

可选地，在上述的产品推荐装置中，还包括：

计算单元，用于利用各个所述预测偏好评分以及真实偏好评分，计算平均绝对误差、均方根误差以及准确率；

评估单元，用于基于所述平均绝对误差、所述均方根误差以及所述准确率，进行产品推荐评估。

本申请提供的一种产品推荐方法，通过获取包括多个用户在多个时间段内对各个产品的偏好评分的用户偏好评分矩阵，然后将一个用户和一个产品作为一个组合，基于用户偏好评分矩阵，构建每个组合对应的时间序列模型，并分别利用各个组合对应的时间序列模型，计算得到目标时间段内的各个组合对应的兴趣权重。利用目标时间段内的偏好评分的统计数据以及各个组合对应的兴趣权重，计算各个组合在所述目标时间段的预测偏好评分，从而通过结合时间序列模型进行偏好评分的预测，充分考虑到了用户兴趣随时间的变换。并且，将各个组合在目标时间段的预测偏好评分补全至用户偏好评分矩阵中，实现对稀疏矩阵的补充，从而保证数据量。最后基于补全后的所述用户偏好评分矩阵，计算在目标时间段内每两个所述用户的相似度，得到多个相似用户集群，并分别针对每个相似用户集群，将相似用户集群中的每个用户在目标时间段内偏好评分高于预设阈值的产品，推荐给相似用户集群中的其余用户，从而可以准确地将符合用户兴趣和需求的产品推荐给用户。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种产品推荐方法的流程图；

图2为本申请实施例提供的一种计算兴趣权重的方法的流程图；

图3为本申请实施例提供的一种计算预测偏好评分的方法的流程图；

图4为本申请实施例提供的一种确定相似用户集群的方法的流程图；

图5为本申请另一实施例提供的一种产品推荐装置的结构示意图；

图6为本申请另一实施例提供的一种权重计算单元的结构示意图；

图7为本申请另一实施例提供的一种评分单元的结构示意图；

图8为本申请另一实施例提供的一种聚类单元的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

在本申请中，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。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、物品或者设备中还存在另外的相同要素。

本申请实施例提供了一种产品推荐方法，如图1所示，具体包括以下步骤：

S101、获取用户偏好评分矩阵，用户偏好评分矩阵包括多个用户在多个时间段内对各个产品的偏好评分。

具体的，可以获取各个用户购买产品的产品信息、购买行为信息、用户反馈信息等数据作为基础数据。在对基础数据进行情绪、数据转换以及归一化等预处理后，得到用户对所购买的产品的偏好评分。然后将所有用户对各个产品的偏好评分按照时间段进行划分，具体可以按照月份进行划分，即划分出用户在各个月份对各个产品的偏好评分，从而得到用户偏好评分矩阵。当然也可以按照季节、周或天等其他时间段进行划分。

S102、基于用户偏好评分矩阵，构建每个组合对应的时间序列模型，一个组合包括一个用户和一个产品。

其中，时间序列模型用于预测所述用户对产品的偏好评分。具体的，由于偏好评分矩阵中，包括各个用户对各个产品在多个时间段内的偏好评分。所以可以分别将一个用户对一个产品在各个时间段的偏好频分作为一个观察序列，并基于每个观察序列构建一个时间序列模型。其中，时间序列模型具体可以采用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)。此时，所构建的模型具体可以表示为：

S103、分别利用各个组合对应的时间序列模型，计算得到目标时间段内的各个组合对应的兴趣权重。

需要说明的是，目标时间段并不特指某一个时间段，可以根据需求设定。并且目标时间段为需要预测偏好评分的时间段，并且目标时间段是一个也可以是多个。

其中，兴趣权重可以理解为一个用户对一个产品的兴趣占该用户对所有产品的兴趣的权重。所以，具体可以通过时间序列模型预测目标时间段的一个用户对某个产品的偏好评分，则可以基于该用户在目标时间段对该产品的偏好评分与该用户在目标时间段的对所有产品的偏好评分额占比，得到该用户在目标时间段内对该产品的兴趣权重。

可选地，本申请实施例中步骤S103的一种具体实施方式，如图2所示，具体包括以下步骤：

S201、分别针对每个组合，利用组合对应的时间序列模型，预测组合对应的第一偏好评分、第二偏好评分以及第三偏好评分。

其中，第一偏好评分指代组合中的用户在目标时间段内对组合中的产品的偏好评分。第二偏好评分指代组合中的用户，在目标时间段的前N个时间段内对组合中的产品的偏好评分。第二偏好评分指代组合中的用户，在目标时间段的后N个时间段内对组合中的产品的偏好评分。

S202、分别将每个组合对应的所述第一偏好评分、第二偏好评分以及第三偏好评分的总和，除以各个组合对应的偏好总评分，得到目标时间段内的各个组合对应的兴趣权重。

其中，一个组合对应的偏好总评分为目标时间段的前N个时间段至其后N个时间段的时间段内，该组合的用户对所有产品的偏好评分总和。具体的，通过时间序列模型进行计算得到目标时间段的前N个时间段至其后N个时间段的各个时间段内，用户对各个产品的偏好评分，然后求和得到偏好总评分。

需要说明的是，用户的兴趣是随时间不断变化的，所以在本申请实施例中，对于目标时间段用户对一个产品的兴趣权重的预测是，并不仅仅考虑目标时间段，还考虑了与其连接的前N个时间段和后N个时间段。具体将在目标时间段以及与目标时间段临近的两个时段段内，所获得用户对一个产品的偏好评分的总和，除以在目标时间段以及与目标时间段临近的两个时段段内所获得用户对所有产品的偏好评分的总和，得到一个用户对一个产品的兴趣权重。即具体可以表示为：

S104、利用目标时间段内的偏好评分的统计数据以及各个组合对应的兴趣权重，计算各个组合在目标时间段的预测偏好评分。

具体的，可以分别针对每个组合，对每个组合中的用户产生的偏好评分以及组合中的产品得到的偏好评分进行统计，得到每个组合对应的统计数据。然后将每个组合对应的统计数据以及兴趣权重，计算得到每个组合在目标时间段的预测偏好评分。

具体的，如图3所示，步骤S104的具体实施方式，具体包括以下步骤：

S301、对目标时间段内的偏好评分进行统计，得到多个预设类型参数。

其中，预设类型参数包括在目标间段内每个产品的评分用户总数，即具有用户偏好评分的数量、评分排名前M位的产品的最低偏好评分的个数、每个产品的偏好评分平均分以及所有产品的偏好评分平均分。

S302、分别针对每个组合，将多个预设类型参数中一个组合对应的参数以及该组合对应的兴趣权重，输入预测评分公式中，得到各个组合在指定时间的预测偏好评分。

其中，预测评分公式为：

S105、将各个组合在目标时间段的预测偏好评分补全至用户偏好评分矩阵中。

S106、基于补全后的用户偏好评分矩阵，计算在目标时间段内每两个用户的相似度，得到多个相似用户集群。

具体可以将补全后的用户偏好评分矩阵作为依据，利用现有的聚类算法计算用户的相似度，并将用户聚为多个类簇。其中，一个类簇即为一个相似用户集群。

但是，考虑到用户兴趣随时间的波动而产生的变化，并且所有用户不可能在同一时间对同一项目进行评分，存在时间上的先后顺序。因此在计算相似度时，本申请实施例是对不同时间段的用户兴趣情况进行分析，对每一个时间段内的用户评分分别计算相似度，获得不同时间段内用户相似程度较高的邻居集。具体可以通过设定不同的目标时间段，从而获得不同时间段内用户相似程度较高的相似用户集群。因此，本申请实施例中步骤S105的一种实施方式，如图4所示，具体包括以下步骤：

S401、基于补全后的用户偏好评分矩阵，统计在目标时间段内各个用户对各个产品的偏好评分以及每个用户对所有产品的偏好评分平均分。

S402、利用相似度计算公式对目标时间段内各个用户对各个产品的偏好评分以及每个用户对所有产品的偏好评分平均分进行计算，得到在目标时间段内每两个用户的相似度。

其中，相似度计算公式为：

S403、将相似度大于预设阈值的各个用户划分为一个相似用户集群。

S107、分别针对每个相似用户集群，将相似用户集群中的每个用户在目标时间段内偏好评分高于预设阈值的产品，推荐给相似用户集群中的其余用户。

可选地，可以将相似用户集群中每个用户在目标时间段内预测的偏好评分最高的前M个产品共同组成推荐列表，然后将推荐列表推荐给相似用户集群中的各个用户。

可选地，本申请另一实施例中，在执行步骤S107后，还可以进一步包括：利用各个预测偏好评分以及真实偏好评分，计算平均绝对误差、均方根误差以及准确率，并基于平均绝对误差、均方根误差以及准确率，进行产品推荐评估。

其中，真实偏好评分是在将产品推荐给用户后，用户对推荐的产品的真实评分。所以可以通过比较预测数据与真实数据，评估产品推荐的准确性。

具体的，平均绝对误差的计算公式为：

准确率指标即对算法得出的推荐列表占用户已打分项目的比值，比值越大，证明效果更好。具体的计算公式为：

需要说明的是，平均绝对误差、均方根误差越小则说明推荐效果越好，而准确率越大则说明推荐效果越高，所以具体可以将平均绝对误差、均方根误差、准确率与对应的预设值进行比较，实现对产品推荐评估。

本申请实施例提供的一种产品推荐方法，通过获取包括多个用户在多个时间段内对各个产品的偏好评分的用户偏好评分矩阵，然后将一个用户和一个产品作为一个组合，基于用户偏好评分矩阵，构建每个组合对应的时间序列模型，并分别利用各个组合对应的时间序列模型，计算得到目标时间段内的各个组合对应的兴趣权重。利用目标时间段内的偏好评分的统计数据以及各个组合对应的兴趣权重，计算各个组合在所述目标时间段的预测偏好评分，从而通过结合时间序列模型进行偏好评分的预测，充分考虑到了用户兴趣随时间的变换。并且，将各个组合在目标时间段的预测偏好评分补全至用户偏好评分矩阵中，实现对稀疏矩阵的补充，从而保证数据量。最后基于补全后的所述用户偏好评分矩阵，计算在目标时间段内每两个所述用户的相似度，得到多个相似用户集群，并分别针对每个相似用户集群，将相似用户集群中的每个用户在目标时间段内偏好评分高于预设阈值的产品，推荐给相似用户集群中的其余用户，从而可以准确地将符合用户兴趣和需求的产品推荐给用户。

本申请另一实施例提供了一种产品推荐装置，如图5所示，包括以下单元：

获取单元501，用于获取用户偏好评分矩阵。

其中，用户偏好评分矩阵包括多个用户在多个时间段内对各个产品的偏好评分。

模型构建单元502，用于基于用户偏好评分矩阵，构建每个组合对应的时间序列模型。

其中，一个组合包括一个用户和一个产品。时间序列模型用于预测用户对产品的偏好评分。

权重计算单元503，用于分别利用各个组合对应的时间序列模型，计算得到目标时间段内的各个组合对应的兴趣权重。

评分单元504，用于利用目标时间段内的偏好评分的统计数据以及各个组合对应的兴趣权重，计算各个组合在目标时间段的预测偏好评分。

补全单元505，用于将各个组合在目标时间段的预测偏好评分补全至用户偏好评分矩阵中。

聚类单元506，用于基于补全后的用户偏好评分矩阵，计算在目标时间段内每两个用户的相似度，得到多个相似用户集群。

推荐单元507，用于分别针对每个相似用户集群，将相似用户集群中的每个用户在目标时间段内偏好评分高于预设阈值的产品，推荐给相似用户集群中的其余用户。

可选地，本申请另一实施例提供的产品推荐装置中，权重计算单元，如图6所示，包括以下单元：

预测单元601，用于分别针对每个组合，利用组合对应的时间序列模型，预测组合对应的第一偏好评分、第二偏好评分以及第三偏好评分。

其中，第一偏好评分指代组合中的用户在目标时间段内对组合中的产品的偏好评分。第二偏好评分指代组合中的用户，在目标时间段的前N个时间段内对组合中的产品的偏好评分。第二偏好评分指代组合中的用户，在目标时间段的后N个时间段内对组合中的产品的偏好评分。

权重计算子单元602，用于分别将每个组合对应的第一偏好评分、第二偏好评分以及第三偏好评分的总和，除以各个组合对应的偏好总评分，得到目标时间段内的各个组合对应的兴趣权重。

其中，组合对应的偏好总和为目标时间段的前N个时间段至其后N个时间段的时间段内，组合的用户对所有产品的偏好评分总和。

可选地，本申请另一实施例提供的产品推荐装置中，评分单元如图7所示，包括：

第一统计单元701，用于对目标时间段内的偏好评分进行统计，得到多个预设类型参数。

其中，预设类型参数包括在目标时间段内每个产品的评分用户总数、评分排名前M位的产品的最低偏好评分的个数、每个产品的偏好评分平均分、所有产品的偏好评分平均分。

评分子单元702，用于分别针对每个组合，将多个预设类型参数中组合对应的参数以及组合对应的兴趣权重，输入预测评分公式中，得到各个组合在指定时间的预测偏好评分。

其中，预测评分公式为：

可选地，本申请另一实施例提供的产品推荐装置中，聚类单元如图8所示，包括：

第二统计单元801，用于基于补全后的用户偏好评分矩阵，统计在目标时间段内各个用户对各个产品的偏好评分以及每个用户对所有产品的偏好评分平均分。

相似度计算单元802，用于利用相似度计算公式对目标时间段内各个用户对各个产品的偏好评分以及每个用户对所有产品的偏好评分平均分进行计算，得到在目标时间段内每两个用户的相似度。

其中，相似度计算公式为：

划分单元803，用于将相似度大于预设阈值的各个用户划分为一个相似用户集群。

可选地，本申请另一实施例提供的产品推荐装置中，还可以进一步包括：

计算单元，用于利用各个预测偏好评分以及真实偏好评分，计算平均绝对误差、均方根误差以及准确率。

评估单元，用于基于平均绝对误差、均方根误差以及准确率，进行产品推荐评估。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。