特征构建方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能领域，进一步涉及自然语言处理和深度学习技术领域，具体涉及一种特征构建方法、装置、设备、存储介质以及程序产品。

背景技术

在风控场景下，使用用户的历史行为数据可以预测用户是否会发生违约事件。因此，经常需要对用户行为数据进行处理，构建用于风控建模的用户行为特征。传统方法通常是对用户行为数据直接进行数值化，如OneHot(独热)编码、计算均值、方差等。

然而，互联网场景下的用户行为数据具有高维稀疏的特点，风控场景下的样本数据具有小样本非平衡特点，在这种情况下，常用于预测违约概率的树模型，由于存在上限，导致大量特征不能被有效利用。

发明内容

本公开实施例提出了一种特征构建方法、装置、设备、存储介质以及程序产品。

第一方面，本公开实施例提出了一种特征构建方法，包括：获取原始用户行为特征集；确定原始用户行为特征集中的原始用户行为特征的语义信息；根据语义信息对原始用户行为特征集中的原始用户行为特征进行特征合并，生成目标用户行为特征集，其中，目标用户行为特征集包含的特征维度少于原始用户行为特征集包含的特征维度。

第二方面，本公开实施例提出了一种特征构建装置，包括：获取模块，被配置成获取原始用户行为特征集；确定模块，被配置成确定原始用户行为特征集中的原始用户行为特征的语义信息；合并模块，被配置成根据语义信息对原始用户行为特征集中的原始用户行为特征进行特征合并，生成目标用户行为特征集，其中，目标用户行为特征集包含的维度少于原始用户行为特征集包含的特征维度。

第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的特征构建方法、装置、设备、存储介质以及程序产品，根据语义信息对原始用户行为特征集进行特征合并，降低了用户行为特征集包含的特征维度，增加了用户行为特征集包含的特征密集度，并且保留了特征语义层面的信息。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的特征构建方法的一个实施例的流程图；

图3是根据本公开的特征构建方法的又一个实施例的流程图；

图4是可以实现本公开实施例的特征构建方法的场景图；

图5是根据本公开的特征构建装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的特征构建方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本申请的特征构建方法或特征构建装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。

终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以提供各种服务。例如，服务器103可以对从终端设备101获取到的原始用户行为特征等数据对进行分析等处理，生成处理结果(例如目标用户行为特征)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的特征构建方法一般由服务器103执行，相应地，特征构建装置一般设置于服务器103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的特征构建方法的一个实施例的流程200。该特征构建方法包括以下步骤：

步骤201，获取原始用户行为特征集。

在本实施例中，特征构建方法的执行主体(例如图1所示的服务器103)可以获取原始用户行为特征集。

其中，原始用户行为特征集可以是对互联网场景下大量的用户行为数据进行特征构建而得到的。原始用户行为特征集可以包括但不限于APP(Application，应用)、兴趣标签、社区、LBS(Location Based Services，基于位置的服务)、WiFi、文库、关键词等各种类别的特征。原始用户行为特征集通常是高维稀疏的，特征维度通常在十万维以上，特征稀疏度通常在95％以上。例如，通常，原始用户行为特征集的每个特征被对应一个特征维度。特征稀疏度等于空值特征数目与特征总数目的比值。以APP为例，用户可能安装的APP量级为百万量级，然而单个用户安装的APP数量却很有限，往往超过一百个。对用户安装APP的行为数据进行二值化，如果用户安装某个APP，则对应的特征值为1，否则为0。以关键词为例，用户可能搜索的关键词量级为百万量级，然而单个用户搜索的关键词数量却很有限。对用户搜索关键词的行为数据进行数值化，如果用户搜索某个关键词，则对应的特征值为搜索次数，否则为0。

步骤202，确定原始用户行为特征集中的原始用户行为特征的语义信息。

在本实施例中，原始用户行为特征集中的原始用户行为特征内在包含有隐含的语义，上述执行主体可以确定原始用户行为特征的语义信息。其中，语义信息可以用于表征原始用户行为特征所蕴含的意义，包括但不限于风险等级、主题等等。以语义信息包括风险等级为例，用户安装的各种信贷类APP，其风险等级为高风险。用户安装的各种教育类APP、商旅类APP、新闻类APP，其风险等级为为低风险。以语义信息包括主题为例，用户安装的各种信贷类APP，其主题为信贷。用户安装的各种教育类APP，其主题为教育。用户安装的各种教育类APP，其主题为商旅。用户安装的各种新闻类APP，其主题为新闻。

通常，预先收集大量样本用户行为特征，并人工标注其风险等级。基于标注有风险等级的样本用户行为特征能够确定原始用户行为特征的风险等级。例如，将原始用户行为特征集中的原始用户行为特征与样本用户行为特征进行匹配，将匹配成功的样本用户行为特征标注的风险等级标注为原始用户行为特征的风险等级。又例如，首先获取原始用户行为特征集的无监督特征表示矩阵。其中，无监督特征表示矩阵中的一个元素对应一个原始用户行为特征，是原始用户行为特征的向量表示。然后将无监督特征表示矩阵输入至预先训练的特征风险分类模型，得到原始用户行为特征集中的原始用户行为特征的风险等级。其中，特征风险分类模型是利用标注有风险等级的样本用户行为特征进行有监督训练得到的，可以用于风险等级分类。特征风险分类模型可以例如是XGB(Gradient Boosting，梯度提升)模型。

步骤203，根据语义信息对原始用户行为特征集中的原始用户行为特征进行特征合并，生成目标用户行为特征集。

在本实施例中，上述执行主体可以根据语义信息对原始用户行为特征集中的原始用户行为特征进行特征合并，生成目标用户行为特征集。

本实施例中，具有相同语义信息的原始用户行为特征可以合并至同一特征维度，生成一个目标用户行为特征，因此目标用户行为特征集包含的特征维度少于原始用户行为特征集包含的特征维度。并且，目标用户行为特征保留了特征语义层面的信息。其中，目标用户行为特征可以是统计类特征，用于统计合并到同一特征维度的原始用户行为特征的数目。由于原始用户行为特征集中包括多种类别的原始用户行为特征，为了增加目标用户行为特征的可解释性，通常是将同一类别的具有相同语义信息的原始用户行为特征合并至同一特征维度。

本公开实施例提供的特征构建方法，根据语义信息对原始用户行为特征集进行特征合并，降低了用户行为特征集包含的特征维度，增加了用户行为特征集包含的特征密集度，并且保留了特征语义层面的信息。

进一步参考图3，其示出了根据本公开的特征构建方法的又一个实施例的流程300。该特征构建方法包括以下步骤：

步骤301，获取原始用户行为特征集。

在本实施例中，特征构建方法的执行主体(例如图1所示的服务器103)可以获取原始用户行为特征集。

其中，原始用户行为特征集可以是对互联网场景下大量的用户行为数据进行特征构建而得到的。原始用户行为特征集可以包括但不限于APP、兴趣标签、社区、LBS、WiFi、文库、关键词等各种类别的特征。原始用户行为特征集通常是高维稀疏的，特征维度通常在十万维以上，特征稀疏度通常在95％以上。其中，特征稀疏度等于空值特征数目与特征总数目的比值。以APP为例，用户可能安装的APP量级为百万量级，然而单个用户安装的APP数量却很有限，往往超过一百个。对用户安装APP的行为数据进行二值化，如果用户安装某个APP，则对应的特征值为1，否则为0。以关键词为例，用户可能搜索的关键词量级为百万量级，然而单个用户搜索的关键词数量却很有限。对用户搜索关键词的行为数据进行数值化，如果用户搜索某个关键词，则对应的特征值为搜索次数，否则为0。

步骤302，将原始用户行为特征集输入至预先训练的词向量模型，得到中间特征矩阵，作为无监督特征表示矩阵。

在本实施例中，上述执行主体可以将原始用户行为特征集输入至预先训练的词向量模型，得到中间特征矩阵，作为无监督特征表示矩阵。通过词向量模型能够快速地获取到原始用户行为特征集的无监督特征表示矩阵。

其中，无监督特征表示矩阵是词向量模型处理原始用户行为特征集的中间产物。无监督特征表示矩阵中的一个元素对应一个原始用户行为特征，是原始用户行为特征的向量表示。其中，词向量模型可以例如是基于负样本的跳字模型(skip gram+negativesampling)。

步骤303，将无监督特征表示矩阵输入至预先训练的特征风险分类模型，得到原始用户行为特征集中的原始用户行为特征的风险等级。

在本实施例中，上述执行主体可以将无监督特征表示矩阵输入至预先训练的特征风险分类模型，得到原始用户行为特征集中的原始用户行为特征的风险等级。其中，语义信息可以包括风险等级，利用特征风险分类模型进行特征有监督语义分类，适用范围更广，准确度更高。

其中，特征风险分类模型是利用标注有风险等级的样本用户行为特征进行有监督训练得到的，可以用于风险等级分类。

其中，特征风险分类模型可以通过如下步骤训练得到：

首先，获取训练样本集。

其中，训练样本集中的训练样本可以包括样本用户行为特征和对应的样本风险等级标签。通常，预先收集大量样本用户行为特征，并人工标注其风险等级，即可得到训练样本集。

然后，将样本用户行为特征作为输入，将样本风险等级标签作为监督，训练得到特征风险分类模型。

步骤304，对于原始用户行为特征集中的同一类别的原始用户行为特征，将具有相同语义信息的原始用户行为特征合并至同一特征维度，生成目标用户行为特征集。

在本实施例中，对于原始用户行为特征集中的同一类别的原始用户行为特征，上述执行主体可以将具有相同语义信息的原始用户行为特征合并至同一特征维度，生成目标用户行为特征集。

本实施例中，具有相同语义信息的原始用户行为特征可以合并至同一特征维度，生成一个目标用户行为特征，因此目标用户行为特征集包含的特征维度少于原始用户行为特征集包含的特征维度。并且，目标用户行为特征保留了特征语义层面的信息。其中，目标用户行为特征可以是统计类特征，用于统计合并到同一特征维度的原始用户行为特征的数目。由于原始用户行为特征集中包括多种类别的原始用户行为特征，为了增加目标用户行为特征的可解释性，通常是将同一类别的具有相同语义信息的原始用户行为特征合并至同一特征维度。

步骤305，将目标用户行为特征集输入至预先训练的树模型，输出用户发生违约事件的概率。

在本实施例中，上述执行主体可以将目标用户行为特征集输入至预先训练的树模型，输出用户发生违约事件的概率。将高维稀疏的原始用户行为特征集构建成低维密集的目标用户行为特征集，再输入至树模型进行预测，能够在小样本非平衡数据集下，有效利用高维稀疏特征，从而使树模型能够获取到更多信息，进而提升预测准确度。

通常，树模型可以是GBDT(Gradient Boosting Decision Tree，梯度提升决策树)。其中，GBDT是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结果累加起来作为最终结果。具体地，GBDT可以包括学习器和残差网络。GBDT通过多轮迭代，每轮迭代产生一个弱学习器，每个学习器在上一轮学习器的残差基础上进行训练。

从图3中可以看出，与图2对应的实施例相比，本实施例中的特征构建方法突出了风险等级确定步骤和特征合并步骤，以及增加了违约预测步骤。由此，本实施例描述的方案，利用词向量模型能够快速地获取到无监督特征表示矩阵。利用特征风险分类模型进行特征有监督语义分类，适用范围更广，准确度更高。将同一类别的具有相同语义信息的原始用户行为特征合并至同一特征维度，增加了目标用户行为特征的可解释性。将高维稀疏的原始用户行为特征集构建成低维密集的目标用户行为特征集，再输入至树模型进行预测，能够在小样本非平衡数据集下，有效利用高维稀疏特征，从而使树模型能够获取到更多信息，进而提升预测准确度。当应用在信贷场景下，可以用于信贷风控联合建模、信贷风控标准分等项目中。

进一步参考图4，其示出了可以实现本公开实施例的特征构建方法的场景图。如图4所示，预先收集大量APP信息，并人工标注其风险等级。例如，信贷类APP1标注为高风险(Y＝1)、信贷类APP2标注为高风险(Y＝1)、教育类APP1标注为低风险(Y＝0)、教育类APP2标注为低风险(Y＝0)、商旅类APP1标注为低风险(Y＝0)、商旅类APP2标注为低风险(Y＝0)等等。利用标注风险等级的APP信息有监督训练得到特征风险分类模型。获取用户安装的APP信息。其中，用户安装的APP包括信贷类APP3、信贷类APP4、教育类APP3、教育类APP4、新闻类APP1、新闻类APP2等等。将用户安装的APP信息输入至词向量模型，得到无监督特征表示矩阵。将无监督特征表示矩阵输入至特征风险分类模型，得到用户安装的APP信息的风险等级。其中，高风险APP包括信贷类APP3、信贷类APP4等等。低风险APP包括教育类APP3、教育类APP4、新闻类APP1、新闻类APP2等等。用户安装的高风险APP信息可以合并为高风险APP的数目，用户安装的低风险APP信息可以合并为低风险APP的数目。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种特征构建装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的特征构建装置500可以包括：获取模块501、确定模块502和合并模块503。其中，获取模块501，被配置成获取原始用户行为特征集；确定模块502，被配置成确定原始用户行为特征集中的原始用户行为特征的语义信息；合并模块503，被配置成根据语义信息对原始用户行为特征集中的原始用户行为特征进行特征合并，生成目标用户行为特征集，其中，目标用户行为特征集包含的特征维度低于原始用户行为特征集包含的特征维度。

在本实施例中，特征构建装置500中：获取模块501、确定模块502和合并模块503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，确定模块502包括：获取子模块，被配置成获取原始用户行为特征集的无监督特征表示矩阵；分类子模块，被配置成将无监督特征表示矩阵输入至预先训练的特征风险分类模型，得到原始用户行为特征集中的原始用户行为特征的风险等级，其中，语义信息包括风险等级。

在本实施例的一些可选的实现方式中，获取子模块进一步被配置成：将原始用户行为特征集输入至预先训练的词向量模型，得到中间特征矩阵，作为无监督特征表示矩阵。

在本实施例的一些可选的实现方式中，词向量模型是基于负样本的跳字模型。

在本实施例的一些可选的实现方式中，特征构建装置500还包括训练模块，训练模块进一步被配置成：获取训练样本集，其中，训练样本集中的训练样本包括样本用户行为特征和对应的样本风险等级标签；将样本用户行为特征作为输入，将样本风险等级标签作为监督，训练得到特征风险分类模型。

在本实施例的一些可选的实现方式中，确定模块502进一步被配置成：对原始用户行为特征集中的原始用户行为特征进行风险等级标注，其中，语义信息包括风险等级。

在本实施例的一些可选的实现方式中，合并模块503进一步被配置成：对于原始用户行为特征集中的同一类别的原始用户行为特征，将具有相同语义信息的原始用户行为特征合并至同一特征维度。

在本实施例的一些可选的实现方式中，特征构建装置500还包括：预测模块，被配置成将目标用户行为特征集输入至预先训练的树模型，输出用户发生违约事件的概率。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如特征构建方法。例如，在一些实施例中，特征构建方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的特征构建方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行特征构建方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。