一种多路召回推荐方法、装置、电子设备及介质

技术领域

本公开涉及计算技术领域，尤其涉及一种多路召回推荐方法、装置、电子设备及介质。

背景技术

目前，互联网能够向用户提供海量的信息，而智能推荐系统能够迅速帮助用户找到感兴趣的信息。推荐算法是通过建立人和物品的关联关系，围绕数据、算法、系统为核心，将海量的数据信息，利用推荐系统的算法，应用到对应的召回策略和排序策略中，实现提供给用户个性化的推荐过程。但是现有的召回推荐方法，大多都是针对数值类型的原始数据做处理，对文本，音频，图片类的数据涉及的少之又少，且大多数算法都是单路召回模型，推荐的效率和精准度较差。

可见，亟需一种高效精准的多路召回推荐算法。

发明内容

有鉴于此，本公开实施例提供一种多路召回推荐方法、装置、电子设备及介质，至少部分解决现有技术中推荐的效率和精准度较差的问题。

第一方面，本公开实施例提供了一种多路召回推荐方法，包括：

将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对应的历史行为数据；

根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；

分别计算全部所述第一标签对应数据之间的相似度；

根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；

对所述候选集合进行排序，得到目标集合。

根据本公开实施例的一种具体实现方式，所述将初始数据集合进行预处理操作，得到待检测数据集合的步骤，包括：

将所述初始数据中与预设算法依赖的数据聚合；

将聚合后的全部数据转换为结构化数据；

将所述结构化数据分类形成所述内容数据和所述历史行为数据。

根据本公开实施例的一种具体实现方式，所述将聚合后的全部数据转换为结构化数据的步骤，包括：

将聚合后的全部数据通过特征处理操作转换为数值类数据；

将全部所述数值类数据作为所述结构化数据。

根据本公开实施例的一种具体实现方式，所述根据所述内容数据生成全部标的物对应的第一标签的步骤，包括：

从全部所述内容数据中提取类别特征；

根据所述类别特征生成全部所述标的物对应的第一标签。

根据本公开实施例的一种具体实现方式，所述根据所述历史行为数据生成所述目标用户对应的第二标签的步骤，包括：

过滤所述历史行为数据中的干扰数据，得到有效行为数据，其中，所述干扰数据包括曝光历史数据和负反馈数据；

根据所述有效行为数据生成所述目标用户对应的第二标签。

根据本公开实施例的一种具体实现方式，所述分别计算全部所述第一标签对应数据之间的相似度的步骤，包括：

将全部所述第一标签对应数据转换为向量值；

利用余弦公式分别计算全部向量值之间的距离值并将所述距离值作为所述相似度。

根据本公开实施例的一种具体实现方式，所述对所述候选集合进行排序，得到目标集合的步骤，包括：

将所述候选集合内的数据输入卷积神经网络，得到排序模型；

根据所述排序模型生成所述目标集合。

第二方面，本公开实施例提供了一种多路召回推荐装置，包括：

预处理模块，用于将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对应的历史行为数据；

生成模块，用于根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；

计算模块，用于分别计算全部所述第一标签对应数据之间的相似度；

召回模块，用于根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；

排序模块，用于对所述候选集合进行排序，得到目标集合。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的多路召回推荐方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的多路召回推荐方法。

第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的多路召回推荐方法。

本公开实施例中的多路召回推荐方案，包括：将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对应的历史行为数据；根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；分别计算全部所述第一标签对应数据之间的相似度；根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；对所述候选集合进行排序，得到目标集合。通过本公开的方案，对不同类型的初始数据进行处理后得到分类数据，并生成对应的标签，然后计算第一标签对应数据数据之间的相似度并结合第二标签召回候选集合，再对候选集合进行排序得到目标集合，提高了多路召回推荐的计算效率和推荐精度。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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它的附图。

图1为本公开实施例提供的一种多路召回推荐方法的流程示意图；

图2为本公开实施例提供的一种多路召回推荐方法涉及的部分流程示意图；

图3为本公开实施例提供的一种多路召回推荐装置的结构示意图；

图4为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

目前，互联网能够向用户提供海量的信息，而智能推荐系统能够迅速帮助用户找到感兴趣的信息。推荐算法是通过建立人和物品的关联关系，围绕数据、算法、系统为核心，将海量的数据信息，利用推荐系统的算法，应用到对应的召回策略和排序策略中，实现提供给用户个性化的推荐过程。但是现有的召回推荐方法，大多都是针对数值类型的原始数据做处理，对文本，音频，图片类的数据涉及的少之又少，且都是针对单个分类数据进行召回推荐，推荐的效率和精准度较差。本公开实施例提供一种多路召回推荐方法，所述方法可以应用于网上商城等场景的生成推荐数据的过程中。

参见图1，为本公开实施例提供的一种多路召回推荐方法的流程示意图。如图1所示，所述方法主要包括以下步骤：

S101，将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对应的历史行为数据；

具体实施时，接收到的所述初始数据集合可能会包含文本、音频或图像等标准不统一的数据，可以将所述初始数据集合统一进行所述预处理操作，以使得将不同类型的数据转换为格式一致的所述待检测数据集合，所述待检测数据集合可以包括所述标的物对应的内容数据和所述目标用户对应的历史行为数据，当然，也可以根据实际需求设置其他分类。

S102，根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；

例如，根据所述内容数据生成的所述第一标签可以包括分类、关键词或质量分等，根据所述历史行为数据生成的所述第二标签可以包括所述目标用户对应的浏览、收藏或购买等。

S103，分别计算全部所述第一标签对应数据之间的相似度；

具体实施时，分别计算全部所述第一标签对应数据之间的相似度，以使得全部所述第一标签对应数据之间形成关联，以便进行后续操作。具体的，可以对全部所述第一标签对应的数据采用局部敏感哈希进行数分桶，经过分桶后，只计算桶内数据之间的相似度，以提高计算效率。

S104，根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；

具体实施时，集合所述相似度和所述第二标签，召回所述目标用户对应的数据，形成所述候选集合。

S105，对所述候选集合进行排序，得到目标集合。

得到所述候选集合后，所述候选集合内数据表示所述目标用户对应的推荐标的物，还可以对所述候选集合进行排序，得到所述目标集合，可以根据所述目标集合内的排序优先选择向所述目标用户推荐不同的标的物。

本公开实施例的多路召回推荐方法，通过对不同类型的初始数据进行处理后得到分类数据，并生成对应的标签，然后计算第一标签对应数据数据之间的相似度并结合第二标签召回候选集合，再对候选集合进行排序得到目标集合，提高了多路召回推荐的计算效率和推荐精度。

在上述实施例的基础上，步骤S101所述的，将初始数据集合进行预处理操作，得到待检测数据集合，包括：

将所述初始数据中与预设算法依赖的数据聚合；

具体实施时，考虑到所述标的物对应数据的类型可能存在多样性，需要将分散的数据聚合起来，方便后续进行统一处理，对于推荐系统来说，依赖的数据源多种多样，因此是非常有必要将所有这些算法依赖的数据聚合起来的。用户行为数据一般通过在客户端埋点，通过http协议上传到日志收集web服务(如Nginx服务器)，中间可能会通过域名分流或者LB负载均衡服务来增加日志收集的容错性、可拓展性。日志一般通过离线和实时两条流进行处理，离线通过ETL进入数仓，实时流通过Kafka等消息队列被实时处理程序如SparkStreaming处理或者进入HBase、ElasticSearch等实时存储供后面的业务查询。

将聚合后的全部数据转换为结构化数据；

得到多种类型的数据形成的所述初始数据集合后，可以对所述初始数据集合内的全部数据进行数据的清洗、格式的转换、缺失值填补、剔除重复等操作，最终得到一份格式统一、高度结构化、数据质量高、兼容性好的所述结构化数据，供推荐算法的特征工程处理。

将所述结构化数据分类形成所述内容数据和所述历史行为数据。

得到所述结构化数据后，可以将所述结构化数据分类形成所述内容数据和所述历史行为数据，当然，也可以根据需求生成其他分类。

进一步的，所述将聚合后的全部数据转换为结构化数据的步骤，包括：

将聚合后的全部数据通过特征处理操作转换为数值类数据；

将全部所述数值类数据作为所述结构化数据。

具体实施时，可以剔除掉脏数据、对数据合法性进行校验、剔除无效字段、字段格式检查等过程。格式转换是根据推荐算法对数据的定义和要求将不同来源的同一类数据转为相同的格式，使之统一规范化的过程。由于日志打点存在的问题或者数据收集过程中存在的各种问题(比如用户一般不会填写完整的数据)，真实业务场景中，字段值缺失是一定存在的，缺失值填补根据平均数或者众数进行填补或者利用算法来学习填充，然后将所述数值类数据作为所述结构化数据。

在上述实施例的基础上，如图2所示，步骤S102所述的，根据所述内容数据生成全部标的物对应的第一标签，包括：

S201，从全部所述内容数据中提取类别特征；

具体实施时，可以从所述内容数据中提取所述类别特征，所述内容数据可能包括离散数据如注册资本和省市区等、文本数据如企业信息和用户跟进记录等和音频数据如客户通话录音等，需要对不同类型的数据进行不同的操作，从而提取对应的类型特征。

例如，离散特征是非常常见的一类特征，用户属性数据、标的物属性数据中就包含大量的类别特征，如性别、学历、视频的类型、标签、导演、国别等等。对于离散特征，采用如下几种方式对特征进行编码。其一、one-hot编码，one-hot编码通常用于类别特征，如果某个类别特征有k类，我们将这k类固定一个序关系(随便什么序关系都无所谓，只是方便确认某个类在哪个位置)，我们将每个值映射为一个k维向量，其中这个值所在的分量为1，其他分量为0。该方法当类别的数量很多时，特征空间会变得非常大。在这种情况下，使用PCA等方法进行降维。

对于标签这种类别特征，可能每个视频有多个标签，这时one-hot编码拓展为n-hot编码，就是该视频在它包含的所有标签对应的分量为1，其他为0。

其二、散列编码对于有些取值特别多的类别特征比如企业标签，有上万个，使用one-hot编码得到的特征矩阵非常稀疏，如果再进行特征交叉，会使得特征维度爆炸式增长。特征散列的目标就是是把原始的高维特征向量压缩成较低维特征向量，且尽量不损失原始特征的表达能力，其优势在于实现简单，所需额外计算量小。降低特征维度，也能加速算法训练与预测，降低内存消耗。

对于文本类数据，可以使用NLP工程，将文本类数据转化为稠密向量表示，对于音频类数据，可以先调用第三方接口，将语音转换为文字，然后再进行文本类数据处理操作。当然，对于可以直接使用的数值类数据，也可以进一步离散化处理，离散化之后得到的稀疏向量，运算速度更快，计算结果易于存储。离散化之后的特征对于异常值也具有更强的鲁棒性。

S202，根据所述类别特征生成全部所述标的物对应的第一标签。

得到所述类别特征后，可以根据所述类别特征生成全部所述标的物对应的第一标签。

进一步的，步骤S102所述的，根据所述历史行为数据生成所述目标用户对应的第二标签的步骤，包括：

过滤所述历史行为数据中的干扰数据，得到有效行为数据，其中，所述干扰数据包括曝光历史数据和负反馈数据；

具体实施时，考虑到所述目标用户的行为可能包含对所述标的物的负反馈数据例如添加黑名单或曝光历史数据等，可以将所述曝光历史数据和所述负反馈数据作为所述干扰数据，在对所述历史行为数据中的所述干扰数据进行过滤后，得到所述有效行为数据，从而进行下一步操作流程。

根据所述有效行为数据生成所述目标用户对应的第二标签。

得到所述有效行为数据后，再根据所述有效行为数据生成所述目标用户对应的第二标签。

在上述实施例的基础上，步骤S103所述的，分别计算全部所述第一标签对应数据之间的相似度，包括：

将全部所述第一标签对应数据转换为向量值；

具体实施时，可以将全部所述第一标签对应数据转换为空间向量，不同数据对应不同的向量值。

利用余弦公式分别计算全部向量值之间的距离值并将所述距离值作为所述相似度。

可以利用余弦公式分别计算全部所述向量值之间的距离，并将所述距离值作为所述相似度，以表示不同数据之间的关联性。

可选的，步骤S105所述的，对所述候选集合进行排序，得到目标集合，包括：

将所述候选集合内的数据输入卷积神经网络，得到排序模型；

具体实施时，可以将所述候选集合内的全部数据输入卷积神经网络进行训练，得到所述排序模型。

在一种具体实现方式中，所述排序模型可以为deepFM深度学习模型，所述FM深度学习模型具有自动学习交叉特征的能力，避免了原始Wide&Deep模型中浅层部分人工特征工程的工作。共享原始输入特征。DeepFM模型的原始特征将作为FM和Deep模型部分的共同输入，保证模型特征的准确与一致。其中deep部分是简单的前馈网络。在输入特征部分，由于原始特征向量多是高纬度,高度稀疏，连续和类别混合的分域特征，为了更好的发挥DNN模型学习high-order特征的能力，可以通过设计对应的子网络结构，将原始的稀疏表示特征映射为稠密的特征向量。子网络结构设计时需要保证不同field特征长度不同，但是子网络输出的向量需具有相同维度，以及，利用FM模型的隐特征向量V作为网络权重初始化来获得子网络输出向量。

根据所述排序模型生成所述目标集合。

得到所述排序模型后，可以根据所述排序模型生成所述目标集合，也可以在获取到所述目标用户的新的数据后输入所述排序模型，得到所述目标用户对应的目标集合。

与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种多路召回推荐装置30，包括：

预处理模块301，用于将初始数据集合进行预处理操作，得到待检测数据集合，其中，所述待检测数据集合包括标的物对应的内容数据和目标用户对应的历史行为数据；

生成模块302，用于根据所述内容数据生成全部标的物对应的第一标签，以及，根据所述历史行为数据生成所述目标用户对应的第二标签；

计算模块303，用于分别计算全部所述第一标签对应数据之间的相似度；

召回模块304，用于根据所述相似度和所述第二标签召回所述目标用户对应的候选集合；

排序模块305，用于对所述候选集合进行排序，得到目标集合。

图3所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的多路召回推荐方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的多路召回推荐方法。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的多路召回推荐方法。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。