一种融合语义增强与异质关联的Web服务聚类方法

技术领域

本发明属于服务计算领域，具体涉及一种融合语义增强与异质关联的Web服务聚类方法。

背景技术

Web服务是当前网络服务中主流的组织形式，其是一种采用标准化协议和接口封装的具有特定业务功能的Web应用程序，具有跨平台、跨语言，易于调用和集成等特点。借助于已有的Web服务，软件开发者不仅可以实现网构软件系统的敏捷开发，也可以实现软件产品的快速迭代。各类服务注册平台中发布的数量众多的Web服务为用户在业务系统构建时提供了丰富的选择机会，同时，如何从大量相似的Web服务中快速发现满足需求的服务也成为一个难题。服务聚类将功能相似的Web服务聚合在一起，划分为不同的服务簇，能够有效地缩减服务查找空间，是一种常用的提升服务发现效率的方法。

当前Web服务主要采用非结构化的自然语言描述服务功能，主流的服务聚类方法通常采取主题模型或神经网络模型，为服务功能描述生成特征向量(常称为服务功能向量)，通过计算这些功能向量的相似度来实现服务聚类。近年来，服务之间的协作关系在服务聚类中引起研究者关注。依据共同参与的业务场景或组合Mashup服务，研究者可以构建服务协作网络，通过一些游走策略或图神经网络模型实现协作网络中结点的向量化，进而可以计算服务结点之间的协作相似度，并将协作相似度融入到服务聚类中。相关研究成果表明，充分挖掘和利用服务之间形成的协作关系可以提高服务聚类的质量。

现有的考虑协作关联的服务聚类方法中，在聚类时存在以下两个影响服务聚类质量的技术难题：

(1)现有方法生成服务功能向量的特征密度稀疏，服务功能向量的质量难以提升，进而影响了服务聚类的质量。

现有方法多采用BERT或基于BERT的改进神经网络模型生成服务功能向量。然而，BE RT生成的向量空间具有各向异性，且由于服务的功能描述文本短小，语义杂糅，生成的服务功能向量特征稀疏。有些方法通过增强名词在服务描述中的语义特征强度来提升服务功能向量的语义密度，然而，名词在描述文本中虽然占有较高的比例，但是描述文本中重复词语比例很低，从而造成生成的功能向量中的特征密度和区分度提升非常有限，难以提高服务功能向量的质量。

(2)现有方法将协作关联与功能关联互斥对待，缺乏一种统一的技术手段将二者融合表示，无法定量的评价二者形成的服务关联强度，影响了服务聚类的质量。

现有方法认为协作关联和功能关联是互斥的，具有协作关联的服务，在功能上是互补的，不应该划分为一类，因此仅能通过计算服务的协作相似度来提升服务聚类质量，对聚类质量的提升非常有限。

然而，在以ProgrammableWeb中的Mashup服务的组成服务构建的服务协作网络中，存在协作关系的Web服务共计1018个，其中579个服务同时存在着共同类别标签，即存在功能关联。上述数据显示，Web服务的功能已呈现显著的多元化，在聚类时需要全面考虑Web服务之间功能兼容性与互补性，因此，将服务的功能关联与协作关联有机融合，将会进一步提升服务聚类质量。但目前缺乏一种统一的技术手段将二者融合表示，无法定量的评价二者形成的服务关联强度，从而难以从服务关联角度促进聚类的合理性，提高聚类的质量。

发明内容

本发明针对现有技术中服务功能向量特征稀疏、质量不高，且当前服务聚类方法中未能将功能关联和协作关联融合处理等问题，提出一种融合语义增强与异质关联的Web服务聚类方法，将服务的功能关联与协作关联有机融合，进一步提升服务聚类质量。

本发明是采用以下的技术方案实现的：一种融合语义增强与异质关联的Web服务聚类方法，包括以下步骤：

步骤A、构建适用于服务聚类的数据集；

步骤B、构建面向语义增强与对比学习的服务功能向量：

步骤B1、为服务描述中的动词采用同义词替换的方式构建孪生服务描述样本；

步骤B2、在SimCSE框架下，采用对比学习技术为原服务描述与孪生服务描述分别生成功能向量，将两种功能向量的均值作为原服务描述的语义增强服务功能向量；

步骤C、生成服务关联向量：

步骤C1、根据服务之间的标签共享和协作关系，构建融合功能关联和协作关联的服务异质关联图，建模Web服务之间的功能关联和协作关联；

步骤C2、从功能关联强度和协作关联强度两个角度设计融合服务关联强度的随机游走策略，优先将关联度高的结点采样的路径序列中；

步骤C3、基于改进的GATNE模型为服务异质关联图实现结点嵌入，生成服务关联向量；

步骤D、将服务功能向量和服务关联向量融合为服务表征向量，实现服务聚类。

进一步的，所述步骤B1中，将动词采取同义词替换的方式构建服务描述的孪生样本，令D＝{d

进一步的，所述步骤B2具体通过以下方式实现：

(1)利用SimCSE框架，分别为D和D′中的服务描述文本生成功能向量：

令h

(2)为每一个参与聚类的Web服务s生成服务功能向量sfv(s)，所有服务的功能向量集合为SRV＝{sfv(s)}：

sfv(s)＝SE-SimCSE(s)。

进一步的，所述步骤C1具体包括以下步骤：

定义功能关联：若存在标签l，使得l∈s

定义协作关联：存在Mashup服务m，使得s

定义服务异质关联图：服务异质关联图为一个无向加权图HCG＝(V,E,W)，其中：V＝{v

w

服务异质关联图中包含两类边，一类是服务的功能关联边，如果两个服务s

进一步的，所述步骤C1中，若服务s

进一步的，所述步骤C2具体包括：

(1)计算服务功能关联强度：

(2)设定在元路径模式T＝v

其中，N

进一步的，所述步骤C3中，所述改进GATNE模型是指：

根据w

其中，Ne_f(v

以上公式中，b

进一步的，所述步骤C3中：

将设计的随机游走策略与改进的GATNE模型相结合，生成适用于服务异质关联图的结点嵌入表示模型GAT-HCG，将参与聚类的服务集合S和异质关联图G作为输入，生成服务关联向量集合SCV＝GAT-HCG(S,G)，其中，集合S中的服务s对应的服务关联向量表示为sc v(s)。

进一步的，所述步骤D中，将每个服务的功能向量与关联向量进行拼接，生成服务表征向量，即

与现有技术相比，本发明的优点和积极效果在于：

本方案提出的基于K-means++融合语义增强与异质关联的Web服务聚类方法，利用服务功能向量和服务关联向量拼接为Web服务表征向量，利用K-means++实现服务聚类，从服务的描述文本和不同关联形式两个角度挖掘Web服务表征，提高Web服务聚类精度；

其中，所提出的服务功能向量生成方法，采取动词的近义词替换的方式构建服务描述的孪生样本，强化表示服务业务操作的动词语义特征信息，在SimCSE框架下基于对比学习模式生成高质量的服务功能向量，增加了服务功能向量的特征密度，有效缓解了BERT向量空间的各向异性，提高了服务功能向量的生成质量；基于改进GATNE的Web服务关联向量生成方法，解决GATNE模型无法处理异质边的边权，只能将每个结点所有邻域结点按照等权重处理的问题，使得结点的边嵌入表征生成更为合理；

另外，所构建的服务异质关联图，将服务的功能关联边和协作关联边建模在一张图中，并且在功能关联边和协作关联边上赋予了权值，相比已有的单一的功能关联图或协作关联图，该种异质关联图便于将功能关联和协作关联有机融合，并且利用边权方便计算关联强度。并且，提出一种带有关联强度修正的服务异质关联图游走策略，不但能够高效的捕获服务结点间在不同关联类型产生的语义关联强度，而且可以最大化结点序列中的服务功能相似性，确保将服务关联强度大的结点优先采样到路径序列中，提高了语料采样质量。

附图说明

图1为本发明实施例所述Web服务聚类方法流程示意图；

图2为本发明实施例所述研究框架示意图；

图3为本发明实施例服务异质关联图示意图；

图4为本发明实施例异质服务关联密度评估示意图；

图5为本发明实施例Web服务示例图；

图6为本发明实施例Mashup服务示例图。

具体实施方式

为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。

本实施例提出一种融合语义增强与异质关联的Web服务聚类方法，如图1和图2所示，具体包括以下步骤：

步骤A、构建适用于服务聚类的数据集；

步骤B、生成服务功能向量：

(1)为服务描述中的动词采用同义词替换的方式构建孪生服务描述样本；

(2)在SimCSE框架下，采用对比学习技术为原服务描述与孪生服务描述分别生成功能向量，将两种功能向量的均值作为原服务描述的语义增强服务功能向量；

步骤C、生成服务关联向量：

根据服务之间的标签共享和协作关系，构建融合功能关联和协作关联的服务异质关联图，设计融合服务关联强度的随机游走策略，基于改进的GATNE模型为服务异质关联图实现结点嵌入，生成服务关联向量；

步骤D、将服务功能向量和服务关联向量融合为服务表征向量，实现服务聚类。

具体的：

1、参与聚类的Web服务数据处理

首先，从服务注册平台，例如ProgrammableWeb和RestfulAPI等，爬取Web服务以及Mashup服务(组合服务)。对获得的服务进行数据清洗，构建适用于服务聚类的数据集。对所有Web服务的服务描述文本分别采取大小写转化、分词、去停用词、词干还原等操作。Mashup服务用于提取服务协作关系，不处理其对应的服务描述。如图5和图6所示，参与聚类的Web服务和Mashup服务定义如下：

定义1.Web服务

Web服务定义为一个四元组，s＝(Id,n,L,d)，其中，Id为服务的标识号，n为服务的名称，L为服务标签集合，d为服务描述信息。

定义2.Mashup服务

Mashup服务定义为一个五元组，m＝(Id,n,L,d,S)，其中，Id为Mashup服务的标识号，n为Mashup服务的名称，L为Mashup服务标签集合，d为Mashup服务描述信息，S为Mashup服务的组成服务集合。

2、生成服务功能向量

构建面向语义增强与对比学习的服务功能向量，将服务s描述文本d中的动词进行同义词替换，为每个服务生成孪生服务描述文本d′；然后采取SimCSE框架，基于对比学习的方式分别为d和d′生成功能向量，将二者的功能向量的均值作为服务s的最终服务功能向量。

2.1生成孪生服务描述样本集合

将动词采取同义词替换的方式构建服务描述的孪生样本。令D＝{d

2.2利用SimCSE框架，构建一种面向语义增强与对比学习的服务功能向量生成方法SE-SimCSE，生成语义增强的服务功能向量。

(1)利用SimCSE框架，分别为D和D′中的服务描述文本生成功能向量。令h

(2)为每一个参与聚类的Web服务s生成服务功能向量sfv(s)，所有服务的功能向量集合为SRV＝{sfv(s)}。

sfv(s)＝SE-SimCSE(s)

该步骤提出面向语义增强与对比学习的服务功能向量生成方法，采用同义词替换的方式替换服务描述中的动词，构建孪生服务描述样本，并且采用SimCSE框架，基于对比学习的方式生成服务功能向量，能有效地解决已有技术方法中的以下两个不足：

(1)通过构建的孪生服务描述，增加服务描述中的动词密度，而动词多为描述服务关键性操作的描述词语，从而能增加服务功能描述的操作层面的特征密度，降低服务功能向量的语义稀疏性。

(2)采用的SimCSE框架是基于对比学习生成特征向量，该种方式可以有效缓解当前以BERT为代表的神经网络模型生成的服务功能向量所存在的各向异性，从而提高了服务功能向量的质量。

3、生成服务关联向量

该方法将服务抽象为结点，两个服务之间如果具有相同的标签，则建立一条功能关联边，边的权值为拥有的相同标签的数量。两个服务如果是同一个Mashup服务的组成服务，则建立一条协作关联边，边的权值为二者共同参与的Mashup服务数量。

3.1构建服务异质关联图，建模Web服务之间的功能关联和协作关联。具体参见以下定义。

定义3.功能关联.

若存在标签l，使得l∈s

定义4.协作关联.

存在Mashup服务m，使得s

定义5.服务异质关联图.

服务异质关联图为一个无向加权图HCG＝(V,E,W)，其中：

(1)V＝{v

(2)E＝{Ef,Ec}，Ef和Ec分别为功能关联边集合与协作关联边集合。

1)e＝(v

2)e＝(v

(3)W＝{w

服务异质关联图中包含两类边，一类是服务的功能关联边，如果两个服务s

图3为ProgrammableWeb网站中注册的部分Mashup服务的组成服务所构建的服务异质关联图。其中，结点为对应的Web服务，虚线边为功能关联边，实线边为协作关联边，边上的数值为边权。

3.2构建带有服务关联强度修正的游走策略，在Metapath2vec++游走概率的基础上融入服务关联强度，计算各个结点下一跳的游走概率，按照概率随机游走，生成采样序列。

从功能关联强度和协作关联强度两个角度建立了服务关联强度，将服务关联强度与Metapath2vec++游走概率相融合，建立带有关联强度修正的服务异质关联图的游走策略，不但能够高效的捕获服务结点间在不同关联类型产生的语义关联强度，而且可以最大化结点序列中的服务功能相似性，确保将服务关联强度大的结点优先采样到路径序列中，提高了语料采样质量。

(1)计算服务功能关联强度，参见公如下式：

(2)设定在元路径模式T＝v

由以上公式，N

3.3面向边权融合改进适合生成服务异质关联图结点嵌入的GATNE模型

对GATNE做如下改进：根据w

其中，Ne_f(v

以上公式中，b

基于此方法，模型得以区分不同邻域结点在当前结点的边嵌入表征生成过程中的重要度，解决了GATNE模型无法处理异质边的边权，只能将每个结点所有邻域结点按照等权重处理的问题。

3.4将设计的游走策略与改进的GATNE模型相结合，生成适用于服务异质关联图的结点嵌入表示模型GAT-HCG。

将参与聚类的服务集合S和异质关联图G作为输入，生成服务关联向量集合SCV＝GAT-HCG(S,G)。其中，服务集合S中的服务s对应的服务关联向量表示为scv(s)。

该步骤针对当前服务聚类方法中未能将功能关联和协作关联融合处理问题，构建了一种服务异质关联图，基于优化的游走策略和GATNE模型，生成服务关联向量，实现功能关联与协作关联的统一表示，以有效地解决已有技术方法中的以下不足：

(1)将协作关联和功能关联建模为不同类型的带权边，构建了服务异质关联图，在一个图中将两种关联有机融合。

(2)基于Metapath2vec++建立了一种融合服务关联强度的游走策略，Metapath2vec++依照异质边的类型，等概率的随机采样关联结点。在处理服务异质关联图采样时，可能无法将功能关联最强的结点优先纳入路径序列，使得模型无法采样生成关联性最强的序列。本实施例设计的游走策略不但能够高效的捕获服务结点间在不同关联类型产生的语义关联强度，而且可以最大化结点序列中的服务功能相似性，确保将服务关联强度大的结点优先采样到路径序列中，提高了语料采样质量。

(3)对GATNE模型进行了优化，为每个结点计算归一化服务关联权重，融入到服务关联向量中，提高关联向量的生成质量。GTANE在生成结点的边嵌入表征时，无法处理异质边的边权，将每个结点所有邻域结点按照等权重处理。对于Web服务的异质关联来说，边权表示服务间关联的紧密程度，忽视边权导致模型难以区分不同邻域中结点在关联中的重要度，进而影响服务关联表征的生成质量，本实施例优化后的模型，则有效解决上述问题。

4、融合语义增强与异质服务关联的Web服务聚类

将每个服务的功能向量与关联向量进行拼接，生成服务表征向量，即

该步骤中，针对当前服务聚类方法以功能相似为主，缺乏服务之间关联强弱度量的问题，将功能向量和关联向量拼接，基于K-means++构建了服务功能向量和关联向量相融合的服务聚类方法，该方法能兼顾了服务的功能与关联相似性，同时避免了在功能相似度与关联相似度之间进行比例调参，提高了聚类质量的同时降低了聚类的复杂度。

实验结果与分析

在ProgrammableWeb服务注册平台中爬取20439个Web服务、6218个Mashup服务。删除服务描述过短、重复注册或所属类别中服务数目过少的部分数据后最终保留19241个Web服务，从属132个类别；4773个Mashup服务，共计包含组合Web服务1018个，从属116个类别。对所有的服务描述文本分别采取大小写转化、分词、去停用词、词干还原等处理后进行服务聚类。

采取服务聚类领域常用的增量式数据集构建方法，以服务的主标签作为类别，将19241个服务划分如表1所示的3个数据集，采用如表2所示的实验环境开展实验，评价指标为内部指标DBI与SC，外部指标AMI，NMI和Purity。除DBI值越低说明聚类效果越优外，其余指标越高，聚类精度越高。

表1数据集概述

服务功能向量生成模型性能对比

本节对比文中提出的SE-SimCSE与当前流行的服务功能向量生成模型的性能优劣。选取LDA、GSDMM、RoBERTa和SimCSE模型，其中LDA和GSDMM为主题模型，RoBERTa和SimCSE是以BERT为基础改进的神经网络模型。

采用不同模型为数据集DS1～DS3中的服务描述生成的服务功能向量，利用K-means++算法实施聚类，各聚类评价指标参见表2：

表2服务功能向量生成模型性能对比

由表2可知，LDA模型生成的服务功能向量获得的服务聚类质量最差，GSDMM生成的功能向量的聚类质量要显著优于LDA，这主要是因为GSDMMM适用于短文本主题特征的提取。RoBERTa与GSDMM的性能相似，SimCSE生成服务功能向量能够生成高质量的服务聚类，从聚类评价指标可以看出，聚类质量均高于LDA、GSDMM以及RoBERTa。SE-SimCSE是本专利提出的服务功能向量生成方法，在SimCSE框架的基础上引入了语义增强机制，从3个数据集上聚类评价数据可以得知，在DBI、SC、AMI、NMI和Purity五个指标上，SE-SimCSE比SimCSE分别提高了7.4％，9.1％，9.2％，7.9％和5.3％。由此可见，本专利所提出SE-SimCSE方法能够提升服务功能向量生成质量，优于当前流行的服务功能向量生成模型。

服务关联对服务聚类质量的提升效能评估

将采用SE-SimCSE框架生成功能向量，并与K-means++算法结合构建的聚类方法称为SE-KW，此时生成的服务聚类未考虑服务关联。在SE-KW的基础上，引入服务的异质关联后构建的聚类方法成为SEHSA-KW，此时生成的聚类融入了服务关联信息。表3为两种方法生成的服务聚类质量，从对比数据可以评估引入服务关联对聚类质量的影响。

表3服务关联对服务聚类质量的提升效能评估

在DS1至DS3数据集上，引入服务异质关联的SEHSA-KW方法在各个评价指标上均优于SE-KW，说明在引入服务关联后，服务聚类的质量得到改善。三个数据集上聚类评价指标的均值显示，相比SE-KW方法，SEHSA-KW方法在DBI、SC、AMI、NMI和Purity五个指标上分别提升了14.5％、11.7％、10.4％、11.9％以及12.6％。综上所述，在聚类过程中引入服务的异质关联能够显著提升聚类质量。

为进一步验证服务的异质关联密度对聚类精度影响的强度，如表4所示构造数据集DS4～DS9。其中，DS9为所有Mashup服务中的116类Web服务，共计1018个服务。在1018个服务中，存在功能关联的服务数量为1002个，协作关联的数量为1018，同时具备功能关联和协作关联(即异质关联)的服务数量为579个。异质关联密度定义为存在异质关联的服务数量与总服务数量的比值，在DS9中为56.9％。

在DS9数据集的基础上，通过随机加入Web服务，稀释异质关联密度，构建了数据集DS4至DS8，每个数据集的密度和关联服务数量可以见表5。

表4异质服务关联密度数据集概述

采用本专利方法SEHSA-KW在数据集DS4～DS9中实施聚类，各聚类评价指标参见表5：

表5异质服务关联密度评估

根据数据显示，随服务异质关联比重的提升，SC、AMI、NMI以及Purity指标的数值呈现上升趋势；DBI指标除了在DS6中呈现微弱波动，整体呈现下降趋势，说明服务聚类的质量随着服务异质关联密度的升高在不断提升。在DS9数据集中，服务异质关联密度最高，服务聚类的质量也最好。图4为不同关联密度下的服务聚类评价指标对应的折线趋势图，从图中折线形态可以看出，异质关联的引入可以有效提升服务聚类质量。

SEHSA-KW方法与其他聚类方法的对比

选取最近两年在国内外知名刊物发表的服务聚类方法进行对比，以验证本专利所提出方法的先进性，实验结果如表6所示，主要包含以下方法：

(1)LFW+K：提出了一种基于长度特征权重的服务矢量化表示方法，综合考虑诸如web服务文档的维度、术语在文档中的最大频率以及术语在其他文档中的出现次数等参数来相应地分配术语权重来提取功能性表征进行聚类。

(2)GWSC：针对Web服务之间的结构关系和自身的属性信息分别构建出多个相对应的结构关系图和属性二分图。采用随机游走算法生成Web服务的结构上下文和属性上下文。利用Skipgram模型对联合上下文进行训练,得到融合多维信息的表征向量，采用SVM模型实现Web服务的分类预测。

(3)KW-TG-SC：提出了一种改进的GSDMM模型，以克服传统主题模型生成的服务表征向量质量较低的问题。基于构建的服务协作图谱对服务协作关系进行建模，利用Node2vec将协作结点向量化，计算协作相似度，最后，基于k-means++实现功能相似度和协作相似度相融合的服务聚类。

(4)UCSI-SC：基于Doc2vec学习服务描述的功能表征，依据服务结构关系建立关联网络，标签共享与协作作为互斥关联实现关联表征学习，通过对部分标记数据的服务分类模型进行训练获得统一的特征，最后使用谱聚类算法进行服务聚类。

表6SEHSA-KW聚类方法横向评估

由以上数据对比可知，SEHSA-KW在三个数据集的5个聚类评价指标中都获得了最高分数，因此，生成的服务聚类质量优于对比方法。与其他四个方法相比，内部指标DBI与SC的提升区间分别为：7.8％-19.6％和3％-15％，说明采用本专利方法所构建的聚类中，簇内元素紧密度提升，簇间距增大。外部指标AMI、NMI和Purity的提升区间分别为：3.3％-10.3％、2.1％-10.1％和1.4％-9.6％，说明服务聚类的精确度明显高于其他四种方法，聚类结果与服务的真实类别的吻合程度得到明显提升。相比其他四种方法，本专利方法在DBI、SC、AMI、NMI和Purity指标上平均提升了13.7％，9％，6.8％，6.1％和5.5％。

在上述四个方法中，LFW+K方法聚类质量最低，主要原因是缺乏对服务描述文档中术语的上下文信息的考量，未能捕获Web服务描述文档之间的隐式语义关系，且未挖掘Web服务之间的关联。

相对于LFW+K，GWSC模型从网络中提取结构上下文和文本属性上下文，有效捕获到了文本间隐式语义关系的同时，也对Web服务关联进行探索。然而，其文本属性的学习目标过于侧重于上下文关联，没有学习到优质的Web服务的功能性特征，且因只有部分被调用的服务参与构建结构二分图，不能完全与文本属性二分图结点嵌入表征做到特征协调，使得没有被Mashup调用的服务的特征信息会更难以捕获，一定程度上阻碍了聚类精度的提升。

KW-TG-SC综合考虑了文本语义和服务关联，各指标得分相对较高，虽然改进了适用于短文本主题提取的GSDMM模型，但主题特征的提取质量仍受限于服务描述文本的质量和长度。服务关联方面只考虑了Web服务之间的协作，而忽略了标签共用关系，导致其对服务功能关联方面挖掘不够深入，影响关联表征向量的提取效果。

UCSI-SC与本专利方法最为相似，从服务功能语义和关联两个角度学习参与聚类的服务特征。然而，该方法所使用Doc2Vec模型在短文本服务描述的功能特征抽取时性能低于本专利方法所采用的模型SE-SimCSE。此外，该文中将功能与协作看作两种完全互斥的关联，未能考虑关联强度等问题，都限制了服务聚类效果的进一步提升。

从上述对比实验可以看出，本专利所提出的SEHS-KW聚类方法，不仅构建了高质量的服务功能向量生成模型，而且所引入的服务异质关联能够提升了服务聚类的质量，方法的整体性能优于当前流行的服务聚类方法，并且实验证明，随着服务关联强度的增加，服务聚类质量能够得到进一步提升。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。