一种数据处理方法及设备、存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种数据处理方法及设备、存储介质。

背景技术

在现有技术中，商机信息可以被理解为想要发生贸易行为的意愿，由于商机信息具有时效性的特点，因此，在获得商机信息以后需要及时对商机信息进行分配，现有的商机信息分配主要还是依赖手工分配，但是手工分配的方式往往准确性较低，并且分配效率也较低。

发明内容

本申请实施例提供一种数据处理方法及设备、存储介质，能够提高对商机信息进行分配时的准确性和分配效率。

本申请的技术方案是这样实现的：

第一方面，本申请实施例提供一种数据处理方法，所述方法包括：

获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息；

分别确定所述属性信息在至少一个预设级别中对应的至少一个第一信度值和所述期望商品信息在所述至少一个预设级别中对应的至少一个第二信度值；

将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值；

基于所述至少一个信度值，从所述至少一个预设级别中确定所述商机信息对应的目标级别；以基于所述目标级别对应的分配策略分配所述商机信息。

在上述数据处理方法中，所述获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息之后，所述将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合之前，所述方法还包括：

查找所述属性信息对应的历史订单信息；

确定所述历史订单信息在至少一个预设级别中对应的至少一个第三信度值；

相应的，所述将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值，包括：

将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值、一个第二信度值和一个第三信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值。

在上述数据处理方法中，所述分别确定所述属性信息在至少一个预设级别中对应的至少一个第一信度值和所述期望商品信息在所述至少一个预设级别中对应的至少一个第二信度值，包括：

提取所述属性信息对应的第一特征值和所述期望商品信息对应的第二特征值；

分别将所述第一特征值和所述第二特征值输入梯度提升决策树GBDT模型中，得到所述第一特征值在所述至少一个预设级别中对应的至少一个第一信度值和所述第二特征值在所述至少一个预设级别中对应的至少一个第二信度值；所述GBDT模型中设置所述至少一个预设级别。

在上述数据处理方法中，所述基于所述至少一个信度值，从所述至少一个预设级别中确定所述商机信息对应的目标级别，包括：

从所述至少一个信度值中查找信度值最大的第一信度值；

从所述至少一个预设级别中查找所述第一信度值对应的第一级别，并将所述第一级别确定为所述商机信息对应的目标级别。

在上述数据处理方法中，所述属性信息包括所述商机提供对象的名称和所述商机提供对象所属的行业类别。

第二方面，本申请实施例提供一种数据处理设备，所述设备包括：

获取单元，用于获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息；

确定单元，用于分别确定所述属性信息在至少一个预设级别中对应的至少一个第一信度值和所述期望商品信息在所述至少一个预设级别中对应的至少一个第二信度值；

数据处理单元，用于将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值；

所述确定单元，还用于基于所述至少一个信度值，从所述至少一个预设级别中确定所述商机信息对应的目标级别；以基于所述目标级别对应的分配策略分配所述商机信息。

在上述数据处理设备中，所述数据处理单元，还用于提取所述属性信息对应的第一特征值和所述期望商品信息对应的第二特征值；分别将所述第一特征值和所述第二特征值输入梯度提升决策树GBDT模型中，得到所述第一特征值在所述至少一个预设级别中对应的至少一个第一信度值和所述第二特征值在所述至少一个预设级别中对应的至少一个第二信度值；所述GBDT模型中设置所述至少一个预设级别。

在上述数据处理设备中，所述设备还包括：

查找单元，用于从所述至少一个信度值中查找信度值最大的第一信度值；

所述确定单元，还用于从所述至少一个预设级别中查找所述第一信度值对应的第一级别，并将所述第一级别确定为所述商机信息对应的目标级别。

第三方面，本申请实施例提供一种数据处理设备，其特征在于，所述设备包括：处理器、存储器及通信总线；所述处理器执行存储器存储的运行程序时实现如上述任一项所述的数据处理方法。

第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述任一项所述的数据处理方法。

本申请实施例提供了一种数据处理方法及设备、存储介质，该方法包括：获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息；分别确定属性信息在至少一个预设级别中对应的至少一个第一信度值和期望商品信息在至少一个预设级别中对应的至少一个第二信度值；将至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到至少一个预设级别对应的至少一个信度值；基于至少一个信度值，从至少一个预设级别中确定商机信息对应的目标级别；以基于目标级别对应的分配策略分配商机信息；采用上述实现方案，在解析商机信息并且根据解析结果得到商机信息在至少一个级别下的至少一个信度值时，根据至少一个信度值确定商机信息对应的级别，然后根据对应级别的分配策略对商机信息进行分配，提高了对商机信息进行分级时的智能性，进而提高了对商机信息分配时的准确性和分配效率。

附图说明

图1为本申请实施例提供的一种数据处理方法流程图；

图2为本申请实施例提供的一种示例性的训练GBDT模型流程图；

图3为本申请实施例提供的一种示例性的构造弱回归树分类器流程图；

图4为本申请实施例提供的一种数据处理设备1的组成结构示意图一；

图5为本申请实施例提供的一种数据处理设备1的组成结构示意图二。

具体实施方式

应当理解，此处描述的具体实施例仅仅用以解释本申请。并不用于限定本申请。

本申请实施例提供一种数据处理方法，应用于数据处理设备，图1为本申请实施例提供的一种数据处理方法流程图，如图1所示，数据处理方法可以包括：

S101、获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息。

在本申请实施例中，数据处理设备获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息。

需要说明的是，商机信息可以通过多种渠道获取，例如，通过网上通道填写合作意向，又或者通过线下的服务点进行咨询并收集合作意向，通过多种渠道都可以获取到商机信息，具体的获取方式可根据实际情况确定，本申请实施例在此不作限定。

需要说明的是，商机信息中包括商机提供对象的属性信息和期望商品信息，商机提供对象可以是人或者公司，因此，解析商机信息获得的属性信息中则包括商机提供对象的名称和商机提供对象所属的行业类别，属性信息中除了这两种信息，还可以包括其他信息，假设对象为公司，还可以包括公司的规模等，具体的属性信息中可根据实际情况确定，本申请实施例在此不作限定。

S102、分别确定属性信息在至少一个预设级别中对应的至少一个第一信度值和期望商品信息在至少一个预设级别中对应的至少一个第二信度值。

在本申请实施例中，数据处理设备在得到属性信息和期望商品信息之后，分别确定属性信息在至少一个预设级别中对应的至少一个第一信度值和期望商品信息在至少一个预设级别中对应的至少一个第二信度值。

在本申请实施例中，在根据属性信息和期望商品信息确定属性信息在至少一个预设级别中对应的至少一个第一信度值和期望商品信息在至少一个预设级别中对应的至少一个第二信度值时，需要先提取属性信息和期望商品信息的特征值，然后根据特征值确定信度值。

具体的，提取属性信息对应的第一特征值和期望商品信息对应的第二特征值；分别将第一特征值和第二特征值输入梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型中，得到第一特征值在至少一个预设级别中对应的至少一个第一信度值和第二特征值在至少一个预设级别中对应的至少一个第二信度值；GBDT模型中设置至少一个预设级别。

需要说明的是，GBDT模型是为了解决一般损失函数的优化问题，方法是用损失函数的负梯度在当前模型的值来模拟回归问题中残差的近似值。

需要说明的是，在本申请实施例中，GBDT模型也需要进行训练，训练的过程包括初始化及设置迭代次数、构造弱回归树分类器、线性搜索最佳叶节点区域、更新强回归模型和调用训练后模型五个步骤。其中构造弱回归树分类器又包含若干子步骤。

图2为本申请实施例提供的一种示例性的训练GBDT模型流程图，如图2所示，训练GBDT模型的方法如下：

S201、初始化及设置迭代次数；

示例性的，假设选择平方误差函数作为损失函数，如公式(1)所示：

在上述公式(1)中，y为真实值，g(x)为预测值。设置初始化函数f(x)，用于寻找使损失函数最小的常量值a，如公式(2)所示：

在上述公式(2)中，假设有m棵弱回归树，训练样本总数为N，迭代次数为M，在迭代中，使用最速下降法对算法梯度进行搜索，得到损失函数L的负梯度如下所示：

使用平方误差损失函数对上述公式(3)进行化简，得到公式(4)：

r

在上述公式(4)中，r

S202、构造弱回归树分类器；

在本申请实施例中，在迭代次数设置完成后，需要构造弱回归树分类器。

需要说明的是，GBDT算法是基于梯度提升机(Gradient Boosting Machine，GBM)的集成算法，通过加法模型和向前分布算法进行学习优化过程，本申请实施例中的基函数选取分类和回归(Classification And Regression Tree，CART)决策树生成弱回归树，再将树组合成为强回归树。

示例性的，图3为本申请实施例提供的一种示例性的构造弱回归树分类器流程图，如图3所示，构造弱回归树分类器包括以下步骤：

(1)选择变量分割点；

示例性的，CART决策树分割非叶节点标准为Gini指数，假设样本集合K包含了j个种类,第i种类别占比为p

根据上述公式(5)，在每个输入的需求影响变量中，寻找Gini指数最大的分割点加入决策树备选集合。

(2)对比变量分割点；

在得到决策树备选集合之后，在决策树备选集合中选择Gini指数最大的分割点为最优分割点，将样本数据划分为两个新的样本子集。

(3)分裂并生成叶节点；

对新样本子集重复上述步骤，直到满足终止条件，得到完整的决策树。

(4)剪枝后得到叶节点。

当样本内含有孤点或样本规模较小时，需要对得到的决策树进行剪枝处理。在合适的非叶节点处停止树的生长，可以缩小树的规模，提高算法泛化能力。

S203、线性搜索最佳叶节点区域；

在本申请实施例中，在得到弱回归树分类器之后，需要使用线性搜索的方法搜索叶节点区域，找到最佳叶节点区域。

示例性的，针对叶节点区域R

S204、更新强回归模型。

在本申请实施例中，在得到最佳叶节点区域之后，更新强回归模型。

示例性的，更新后的模型如下所示：

需要说明的是，在得到更新后的模型之后，需要判断更新后的模型是否满足误差收敛，只有在满足误差收敛的情况下，才能确定此更新后的模型为训练完成的GBDT模型，否则需要重新构造弱回归树分类器，直到再次判断误差收敛时满足要求。

S205、调用训练后的GBDT模型。

在本申请实施例中，在得到训练后的GBDT模型之后，调用训练后的GBDT模型计算变量的信度值。

需要说明的是，信度值可以理解为可信度的概率，假设，此时提取了属性信息对应的第一特征值，在本申请实施例中设置了三种等级，一级、二级和三级，将第一特征值输入训练后的GBDT模型之后，输出结果为，一级(70％)、二级(20％)和三级(10％)，此时三个等级对应的三个信度值则为第一特征值对应的信度值，相同的，此时提取了期望商品信息对应的第二特征值，将第二特征值输入训练后的GBDT模型之后，输出结果为，一级(60％)、二级(20％)和三级(20％)，此时三个等级对应的三个信度值则为第二特征值对应的信度值。

在本申请实施例中，在确定商机信息的信度值时，不仅需要确定属性信息和期望商品信息对应的信度值，还可以根据对象的历史购买情况确定历史购买情况对应的信度值。

具体的，查找属性信息对应的历史订单信息；确定历史订单信息在至少一个预设级别中对应的至少一个第三信度值。

需要说明的是，通过确定商机信息对应的多种信度值，能够最大程度保证最后得到商机信息对应级别的准确性。

相应的，将至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到至少一个预设级别对应的至少一个信度值，包括：将至少一个预设级别中的每一个预设级别对应的一个第一信度值、一个第二信度值和一个第三信度值进行融合，得到至少一个预设级别对应的至少一个信度值。

需要说明的是，还可以将历史人为分配商机时的经验也添加至商机信息的信度值中，进一步地提高确定目标级别的准确性，具体的信度值确定根据实际情况决定，本申请实施例在此不做限定。

S103、将至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到至少一个预设级别对应的至少一个信度值。

在本申请实施例中，数据处理设备在确定出属性信息在至少一个预设级别中对应的至少一个第一信度值和期望商品信息在至少一个预设级别中对应的至少一个第二信度值之后，将至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到至少一个预设级别对应的至少一个信度值。

示例性的，在进行信度融合时，用m(α)表示m

上述公式(7)还可以表示如下：

在上述公式(8)中，K可以表示如下：

根据上述公式(8)，可以构建如下所示的信度矩阵：

在上述公式(10)中，每一行代表一条商机信息中的一个变量，每一列代表信度分配函数值。将公式(10)中各影响变量证据体信度分配函数值代入合同公式进行合成，可得到区间分级的综合临界信度。根据商机合成后信度的归属区间，确定该商机未来采购需求归属区间，即可得到区间预测值及其信度，从而实现区间预测。

示例性的，假设此时属性信息包括商机提供对象名称和商机提供对象行业；此时一条商机信息中有三个变量，即商机提供对象名称、商机提供对象行业和期望商品信息，分别提取三个变量对应的特征值，得到第一特征值、第二特征值和第三特征值，然后将此三个特征值分别输入训练后的GBDT模型中，得到商机提供对象名称对应的信度值，即一级(70％)、二级(20％)和三级(10％)、商机提供对象行业对应的信度值，即一级(80％)、二级(10％)和三级(10％)和期望商品信息对应的信度值一级(60％)、二级(20％)和三级(60％)；即组成了一个3×3的信度矩阵，然后带去合同公式进行合成，假设此时得到的结果为一级(75％)、二级(15％)和三级(10％)，说明此条商机信息对应的级别有75％的概率为一级，15％的概率为二级，10％的概率为三级，最后根据这三个概率确定此条商机信息最终的级别。

S104、基于至少一个信度值，从至少一个预设级别中确定商机信息对应的目标级别；以基于目标级别对应的分配策略分配商机信息。

在本申请实施例中，在得到至少一个预设级别对应的至少一个信度值之后，基于至少一个信度值，从至少一个预设级别中确定商机信息对应的目标级别；以基于目标级别对应的分配策略分配商机信息。

示例性的，假设此时商机信息对应的级别有75％的概率为一级，15％的概率为二级，10％的概率为三级，则选择概率最大的级别作为商机信息对应的级别，此时商机信息对应的级别则为一级。

需要说明的是，在确定出商机信息对应的级别之后，根据级别对此商机信息执行对应的分配策略。

示例性的，假设商机信息级别由高到低表示为一级、二级和三级，商机信息级别越高说明商机信息的采购量或者可信度更好，因此，商机信息在后续跟进时的业务员级别由商机信息级别决定，一级商机信息在后续跟进时可以分配给经理级别的业务员进行跟进，而二级商机信息在后续跟进时可以分配给普通业务员进行跟进，三级商机信息在后续跟进时可以分配给智能语音机器人进行跟进，具体的分配策略根据实际情况确定，本申请实施例在此不做限定。

可以理解的是，通过对商机信息进行分级，使得在处理大量商机信息时能够根据商机信息级别选择不同的处理措施，提高了商机信息分配的效率。

需要说明的是，本申请通过计算信度值来确定智能分级是基于DS证据理论(Dempster-Shafer envidence theory)来实现的。

本申请实施例提供了一种数据处理方法及设备、存储介质，该方法包括：获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息；分别确定属性信息在至少一个预设级别中对应的至少一个第一信度值和期望商品信息在至少一个预设级别中对应的至少一个第二信度值；将至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到至少一个预设级别对应的至少一个信度值；基于至少一个信度值，从至少一个预设级别中确定商机信息对应的目标级别；以基于目标级别对应的分配策略分配商机信息；采用上述实现方案，在解析商机信息并且根据解析结果得到商机信息在至少一个级别下的至少一个信度值时，根据至少一个信度值确定商机信息对应的级别，然后根据对应级别的分配策略对商机信息进行分配，提高了对商机信息进行分级时的智能性，进而提高了对商机信息分配时的准确性和分配效率。

基于上述实施例，在本申请的另一实施例中，提供了一种数据处理设备1，图4为本申请提供的一种数据处理设备1的组成结构示意图一，如图4所示，该数据处理设备1包括：

获取单元10，用于获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息；

确定单元11，用于分别确定所述属性信息在至少一个预设级别中对应的至少一个第一信度值和所述期望商品信息在所述至少一个预设级别中对应的至少一个第二信度值；

数据处理单元12，用于将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值；

所述确定单元11，还用于基于所述至少一个信度值，从所述至少一个预设级别中确定所述商机信息对应的目标级别；以基于所述目标级别对应的分配策略分配所述商机信息。

可选的，所述数据处理设备1还包括：查找单元；

所述查找单元，用于查找所述属性信息对应的历史订单信息；

所述确定单元11，还用于确定所述历史订单信息在至少一个预设级别中对应的至少一个第三信度值；

所述数据处理单元12，还用于将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值、一个第二信度值和一个第三信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值。

可选的，所述数据处理单元12，还用于提取所述属性信息对应的第一特征值和所述期望商品信息对应的第二特征值；分别将所述第一特征值和所述第二特征值输入梯度提升决策树GBDT模型中，得到所述第一特征值在所述至少一个预设级别中对应的至少一个第一信度值和所述第二特征值在所述至少一个预设级别中对应的至少一个第二信度值；所述GBDT模型中设置所述至少一个预设级别。

可选的，所述查找单元，还用于从所述至少一个信度值中查找信度值最大的第一信度值；

所述确定单元11，还用于从所述至少一个预设级别中查找所述第一信度值对应的第一级别，并将所述第一级别确定为所述商机信息对应的目标级别。

可选的，所述属性信息包括所述商机提供对象的名称和所述商机提供对象所属的行业类别。

本申请实施例提供了一种数据处理方法及设备、存储介质，该方法包括：获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息；分别确定属性信息在至少一个预设级别中对应的至少一个第一信度值和期望商品信息在至少一个预设级别中对应的至少一个第二信度值；将至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到至少一个预设级别对应的至少一个信度值；基于至少一个信度值，从至少一个预设级别中确定商机信息对应的目标级别；以基于目标级别对应的分配策略分配商机信息；采用上述实现方案，在解析商机信息并且根据解析结果得到商机信息在至少一个级别下的至少一个信度值时，根据至少一个信度值确定商机信息对应的级别，然后根据对应级别的分配策略对商机信息进行分配，提高了对商机信息进行分级时的智能性，进而提高了对商机信息分配时的准确性和分配效率。

图5为本申请实施例提供的一种数据处理设备1的组成结构示意图二，在实际应用中，基于上述实施例的同一公开构思下，如图5所示，本实施例的数据处理设备1包括：处理器13、存储器14及通信总线15。

在具体的实施例的过程中，上述获取单元10、确定单元11、数据处理单元12和查找单元可由位于数据处理设备1上的处理器13实现，上述处理器13可以为特定用途集成电路(ASIC，Application Specific Integrated Circuit)、数字信号处理器(DSP，DigitalSignal Processor)、数字信号处理图像处理装置(DSPD，Digital Signal ProcessingDevice)、可编程逻辑图像处理装置(PLD，Programmable Logic Device)、现场可编程门阵列(FPGA，Field Programmable Gate Array)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的数据处理设备，用于实现上述处理器功能的电子器件还可以为其它，本实施例不作具体限定。

在本申请实施例中，上述通信总线15用于实现处理器13和存储器14之间的连接通信；上述处理器13执行存储器14中存储的运行程序时实现如下的数据处理方法：

获取并解析商机信息，得到商机提供对象的属性信息和期望商品信息；

分别确定所述属性信息在至少一个预设级别中对应的至少一个第一信度值和所述期望商品信息在所述至少一个预设级别中对应的至少一个第二信度值；

将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值；

基于所述至少一个信度值，从所述至少一个预设级别中确定所述商机信息对应的目标级别；以基于所述目标级别对应的分配策略分配所述商机信息。

可选的，所述处理器13还用于查找所述属性信息对应的历史订单信息；确定所述历史订单信息在至少一个预设级别中对应的至少一个第三信度值；相应的，所述将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值和一个第二信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值，包括：将所述至少一个预设级别中的每一个预设级别对应的一个第一信度值、一个第二信度值和一个第三信度值进行融合，得到所述至少一个预设级别对应的至少一个信度值。

可选的，所述处理器13还用于提取所述属性信息对应的第一特征值和所述期望商品信息对应的第二特征值；分别将所述第一特征值和所述第二特征值输入梯度提升决策树GBDT模型中，得到所述第一特征值在所述至少一个预设级别中对应的至少一个第一信度值和所述第二特征值在所述至少一个预设级别中对应的至少一个第二信度值；所述GBDT模型中设置所述至少一个预设级别。

可选的，所述处理器13还用于从所述至少一个信度值中查找信度值最大的第一信度值；从所述至少一个预设级别中查找所述第一信度值对应的第一级别，并将所述第一级别确定为所述商机信息对应的目标级别。

可选的，所述属性信息包括所述商机提供对象的名称和所述商机提供对象所属的行业类别。

本申请实施例提供一种存储介质，其上存储有计算机程序，上述计算机可读存储介质存储有一个或者多个程序，上述一个或者多个程序可被一个或者多个处理器执行，应用于数据处理设备中，该计算机程序实现如上述的数据处理方法。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台图像显示设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本公开各个实施例所述的数据处理方法。

以上所述，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。