一种文本分类方法和装置以及处理方法和装置与流程

本申请涉及数据分析
技术领域：
，尤其涉及一种文本分类方法和装置以及处理方法和装置。
背景技术：
：随着互联网技术的迅速发展与普及，如何对浩如烟海的数据进行分类、组织和管理，已经成为一个具有重要用途的研究课题。而在这些数据中，文本数据又是数量最大的一类。一般而言，文本分类是指按照一定的分类体系或标准，利用计算机技术根据文本内容自动确定文本类别的过程。文本分类常常采用机器学习技术，机器学习技术以统计理论为基础，利用算法让机器具有类似人类般的自动“学习”能力，对已知的训练数据做统计分析从而获得规律，再运用规律对未知数据做预测分析。一般而言，用于文本分类的机器学习方法包括：标注——利用专业人员对一批文档进行标注和分类，作为训练集；训练——利用计算机从训练集中挖掘出能够用于分类的有效规则，生成分类器；分类——将生成的分类器应用于待分类的文档，获取文档的分类结果。在实际应用中，例如在线服务平台，常常会收到大量的文本信息，如用户咨询、反馈信息。在这种情况下，需要对用户的意见进行分析和分类，以便增进对客户诉求的了解，提供针对性的解决方案。在现有技术中，对于待分类的文本信息，在标注阶段，需要专业人员对文本进行句子级别的人工标注，即人工确定某个语句所属的类别。如果对于特定应用场合需要较大规模的训练集，则需要对大量语句进行人工标注，例如需要专人对每一语句进行阅读、理解、判断等等。因此，这样的人工标注是非常费时费力的。因此，需要一种文本分类方法和装置，以解决现有技术中存在的文本分类成本高、效率低的问题。技术实现要素：有鉴于此，本申请实施例提供一种文本分类方法和装置以及处理方法和装置，以解决现有技术中存在的文本分类成本高、效率低的问题。本申请实施例提供一种文本分类方法，包括：对待预测数据进行分词，得到所述待预测数据中的各词；根据预设的各类别与种子关键词之间的第一映射关系、各类别与拓展关键词之间的第二映射关系，确定与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值；以及根据与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值，对所述待预测数据进行分类；其中，所述第二映射关系是根据所述第一映射关系以及训练数据，利用半监督主题模型建立的。本申请实施例还提供一种文本分类装置，包括：分词模块，所述分词模块用于对待预测数据进行分词，得到所述待预测数据中的各词；确定模块，所述确定模块用于根据预设的各类别与种子关键词之间的第一映射关系、各类别与拓展关键词之间的第二映射关系，确定与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值；以及分类模块，所述分类模块用于根据与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值，对所述待预测数据进行分类；其中，所述文本分类装置还包括第二建立模块，所述第二建立模块用于根据所述第一映射关系以及训练数据，利用半监督主题模型建立所述第二映射关系。本申请实施例还提供一种处理方法，包括：建立预设的各类别与种子关键词之间的第一映射关系；对训练数据进行分词，得到训练数据中的各词；以及基于预设的各类别与种子关键词之间的第一映射关系和所述训练数据中的各词，通过半监督主题模型，从所述训练数据中的各词中确定拓展关键词，并在各类别与所述拓展关键词之间建立第二映射关系；其中，所述第一映射关系和第二映射关系用于在接收到待预测数据之后，对所述待预测数据进行文本分类。本申请实施例还提供一种处理装置，包括：第一建立模块，所述第一建立模块用于建立预设的各类别与种子关键词之间的第一映射关系；分词模块，所述分词模块用于对训练数据进行分词，得到训练数据中的各词；以及第二建立模块，所述第二建立模块用于基于预设的各类别与种子关键词之间的第一映射关系和所述训练数据中的各词，通过半监督主题模型，从所述训练数据中的各词中确定拓展关键词，并在各类别与所述拓展关键词之间建立第二映射关系；其中，所述处理装置还包括分类模块，所述分类模块用于在接收到待预测数据之后，根据所述第一映射关系和第二映射关系对所述待预测数据进行文本分类。根据本申请的实施例，用户预先设定若干类别以及分别属于各类别的若干种子关键词，然后根据需要选择一定规模的未标注的训练数据，半监督主题模型会自动生成拓展关键词并建立类别与拓展关键词之间映射关系，从而能够对待预测数据进行分类。根据本申请的实施例，无需对大量语句进行人工标注。此外，凭借少量的种子关键词、拓展关键词及关键词的各种组合形式，能够覆盖与大量标注语句相当的文字或语义范围。因此，根据本申请的实施例，能够降低文本分类的成本，提高文本分类的效率。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为根据本申请实施例的一种文本分类方法的流程示意图。图2为根据本申请实施例的指定类别和种子关键词之间的关系的示意图。图3为根据本申请实施例的一种文本分类方法的示意图，反映了文本分类的具体流程和信息流动。图4为根据本申请实施例的一种文本分类装置的结构示意图。图5为根据本申请实施例的一种处理装置的结构示意图。具体实施方式为了实现本申请的目的，本申请实施例提供了一种文本分类方法和装置，对待预测数据进行分词，得到所述待预测数据中的各词；根据预设的各类别与种子关键词之间的第一映射关系、各类别与拓展关键词之间的第二映射关系，确定与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值；以及根据与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值，对所述待预测数据进行分类；其中，所述第二映射关系是根据所述第一映射关系以及训练数据，利用半监督主题模型建立的。本申请实施例提供的文本分类方法涉及半监督主题模型的利用。主题模型(TopicModel)在机器学习和自然语言处理等领域是用来在一系列文档中发现抽象主题的一种统计模型。直观来讲，如果一篇文章有一个中心思想，那么一些特定词语会更频繁的出现。真实情况还包括，一篇文章通常包含多种主题，而且每个主题所占比例各不相同。一个主题模型试图用数学框架来体现文档的这种特点。主题模型自动分析每个文档，统计文档内的词语，根据统计的信息来断定当前文档含有哪些主题，以及每个主题所占的比例各为多少。半监督学习(Semi-SupervisedLearning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。一般而言，主题模型是无监督学习,用来发现数据本身的结构特点,而本申请实施例使用的半监督主题模型是结合半监督学习和主题模型的思想,形成既不需要大量标注数据，又可以解决分类问题的一类方法。本申请实施例中记载的“第一映射关系”、“第二映射关系”中包含的序数词“第一”和“第二”没有特殊含义，仅用来表示不同的映射关系。为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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。以下结合附图，详细说明本申请各实施例提供的技术方案。图1为根据本申请实施例的一种文本分类方法的流程示意图。根据图1所示的实施例的文本分类方法包括如下步骤。步骤S110，对待预测数据进行分词，得到所述待预测数据中的各词。具体而言，待预测数据包括需要进行分类的中文文本，这些中文文本是未进行标注的。为了描述的方便，在下文中以一个中文语句的形式对待预测数据进行举例说明。对于待预测数据中包括的中文语句而言，可以利用分词工具将其切分为由空格分隔的一个一个单独的词。这里提到的分词工具可以是本领域技术人员已知的任何中文分词工具，包括中文分词算法、程序等等。例如，待预测数据包括类似“姚明从CBA退役”这样的语句，利用分词工具进行分词之后，可以得到“姚明从CBA退役”的形式，即生成“姚明”、“从”、“CBA”、“退役”等4个词。步骤S120，根据预设的各类别与种子关键词之间的第一映射关系、各类别与拓展关键词之间的第二映射关系，确定与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值。具体而言，第一映射关系是预设的各类别与种子关键词之间的映射关系，即根据实际需要和应用场景，预先设定若干类别以及分别属于各类别的若干种子关键词。在现有技术中，在标注阶段，需要专业人员对文本进行句子级别的人工标注，即人工确定某个语句所属的类别。举例如表1所示。表1现有技术的类别与语句也就是说，首先设定若干类别(表1中所示为“体育”和“金融”两个类别)，然后对每个语句(标注样本1和标注样本2)进行人工阅读、理解，并判断该语句所属的类别(经人工判断，标注样本1属于“体育”类别，标注样本2属于“金融”类别)。为了获得足够规模的训练集，这样的工作要重复很多次。然后，对于已经分类的语句，可以采用分词工具对其进行分词，去除噪声之后，形成各个词与所属类别的映射关系。对于本申请实施例而言，采用了种子关键词的技术手段，指定各类别以及各类别分别包含的种子关键词。换言之，对样本在词语级别进行标注。举例如表2所示。表2类别与种子关键词类别种子关键词体育姚明，比赛，……金融姚明，投资，……在表2中，指定了“体育”和“金融”两个类别，并且为“体育”类别指定了“姚明”和“比赛”两个种子关键词，为“金融”类别指定了“姚明”和“投资”两个种子关键词。本领域技术人员应该理解，上述类别和种子关键词只是示例，本领域技术人员可以根据不同的实际需要和应用场景，指定任意数量的类别和任意数量的种子关键词。图2根据本申请实施例的指定类别和种子关键词之间的关系的示意图。从图2可以看出，类别和种子关键词之间建立了多对多的映射关系，例如，类别“体育”对应于多个种子关键词(“姚明”、“比赛”等)，而种子关键词“姚明”也对应于多个类别(“体育”、“金融”等)。这种多对多的映射关系有利于揭示词语之间的近似度，对于自动获得拓展关键词有重要作用。在指定各类别以及各类别分别包含的种子关键词之后，本申请实施例通过映射算法确定种子关键词属于各类别的可能性表征值。具体而言，本申请实施例采用TF-IDF(词频-逆向文档频率)映射算法。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数(即词频)成正比增加，但同时会随着它在语料库中出现的频率(即逆向文档频率)成反比下降。在本申请实施例中，TF-IDF映射算法用于确定每个种子关键词属于预定类别的可能性表征值。举例如表3所示。表3类别与种子关键词及可能性表征值类别种子关键词及可能性表征值体育姚明0.5，比赛0.8，……金融姚明0.5，投资0.9，……在表3中，确定了种子关键词“姚明”属于预定类别“体育”的可能性表征值为0.5，类似的，“比赛”属于类别“体育”的可能性表征值为0.8。另一方面，“姚明”属于类别“金融”的可能性表征值为0.5，“投资”属于类别“金融”的可能性表征值为0.9。建立的第一映射关系反映了类别与种子关键词之间的对应关系，也包含种子关键词属于类别的可能性。根据本申请实施例，这种对应关系是多对多的。每个类别包括多个种子关键词；每个种子关键词属于一个或多个类别，而且每个种子关键词都具有属于类别的可能性表征值，这种可能性表征值以0到1范围内的类似概率的数值表示。本领域技术人员可以理解，不背离本发明的精神和范围，也可以采用其他能够确定种子关键词属于各类别可能性的映射算法，其他形式可能性表征值也在本发明的范围内。此外，第二映射关系是各类别与拓展关键词之间的映射关系。根据本申请的实施例，第二映射关系是根据所述第一映射关系以及训练数据，利用半监督主题模型建立的。建立第二映射的过程是一种训练过程，包括对训练数据进行分词，得到训练数据中的各词。具体而言，根据实际需要和应用场景选择一定规模的未标注的训练数据，例如，未标注的若干中文语句。然后，利用分词工具对语句进行分词，将其切分为由空格分隔的一个一个单独的词。然后，基于训练数据中的各词生成拓展关键词。具体而言，将分词之后的训练数据(一个一个单独的词)以及之前建立的第一映射关系(类别与种子关键词之间的对应关系)作为半监督主题模型的输入，利用半监督主题模型学习类别与词之间的多对多的关系，得到类别与拓展关键词之间的映射关系。例如，训练数据包括以下中文语句：“姚明打过CBA和NBA”，“姚明投资上海大鲨鱼”，“姚明在上一场比赛中获得三双”，“姚明出售豪宅”，“姚明资产与去年相比上涨”，“股票下跌姚明身家缩水”等等。通过半监督主题模型的学习，根据训练数据(分词后得到训练数据中的各词)，生成“NBA”、“CBA”、“大鲨鱼”、“出售”、“上涨”、“下跌”等拓展关键词。然后，根据拓展关键词与种子关键词之间的近似度，确定拓展关键词所属的类别以及所述拓展关键词属于各类别的可能性表征值。例如，参见表2和表3所示，对于“体育”类别，已经指定了“姚明”、“比赛”等种子关键词；对于“金融”类别，已经指定了“姚明”、“投资”等种子关键词。根据拓展关键词与这些种子关键词的近似度，能够确定拓展关键词所属的类别以及拓展关键词属于该类别的可能性表征值。例如，拓展关键词“NBA”与种子关键词“比赛”(属于“体育”类别)的近似度较高，因此，确定“NBA”属于“体育”类别，可能性表征值为较高的0.8。又如，拓展关键词“出售”与种子关键词“投资”(属于“金融”类别)的近似度较高，因此，确定“出售”属于“金融”类别，可能性表征值为较高的0.8。下面的表4列出了类别与拓展关键词及可能性表征值的例子。表4类别与拓展关键词及可能性表征值类别拓展关键词及可能性表征值体育NBA0.8，CBA0.8，大鲨鱼0.4，……金融出售0.8，上涨0.66，下跌0.66，……步骤S130，根据与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值，对所述待预测数据进行分类。具体而言，上述分类包括：针对每个类别，对与待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于该类别的可能性表征值进行求和；根据针对每个类别得到的和，确定所述待预测数据所属的类别。例如，如上文所述，对于待预测数据中包括的“姚明从CBA退役”这样的语句，利用分词工具进行分词之后，生成“姚明”、“从”、“CBA”、“退役”等4个词。根据分词后的各个词，在种子关键词和拓展关键词中进行查找，在“体育”类别查找得到种子关键词“姚明”及其可能性表征值0.5，以及拓展关键词“CBA”及其可能性表征值0.8，将“体育”类别的所有可能性表征值进行求和，得到的和为0.5+0.8＝1.3。类似的，对于上文提到的分词后的各个词，在“金融”类别查找得到种子关键词“姚明”及其可能性表征值0.5，将“金融”类别的所有可能性表征值进行求和，得到的和为0.5。“从”和“退役”未在种子关键词和拓展关键词中出现，对任何类别的可能性表征值都无贡献，不计算。由于“体育”类别的和1.3大于“金融”类别的和0.5，因此，确定待预测数据中的语句“姚明从CBA退役”所述的类别为“体育”。通过类似的方式，对待预测数据中的所有语句进行分词，利用第一映射关系和第二映射关系，针对各类别的可能性表征值进行求和，根据得到的和的大小关系确定待预测数据中的语句所属的类别。这样可以实现待预测数据中所有语句的分类。与现有技术的句子级别的标注相比，本申请实施例的词语级别的标注可以有效降低成本，提高文本分类的效率。首先，从阅读、理解、判断的成本的角度考虑，处理词语的成本比处理句子的成本低。其次，用户无需对大量语句进行人工标注，只需要预先设定若干类别和相对少量的种子关键词，半监督主题模型结合训练数据自动生成拓展关键词并建立映射关系，种子关键词和拓展关键词能够产生大量的组合形式，其覆盖的文字或语义范围与大量标注语句的范围相当。而对于现有技术的句子级别的标注而言，每个标注语句的范围是基本确定的，要覆盖较大的范围只能通过大量语句进行拓展，语句之间只能简单堆砌，不存在各种各样的组合形式。根据本申请实施例的文本分类方法的具体流程和信息流动也可以参考图3。在图3中，利用分词工具对待预测数据310进行分词，得到待预测数据中的各词312。通过映射算法，基于指定的各类别和种子关键词320建立第一映射关系322。利用分词工具对训练数据330进行分词，得到训练数据中的各词332。将训练数据中的各词332以及建立的第一映射关系322作为半监督主题模型340的输入，建立第二映射关系342。根据第一映射关系322和第二映射关系342，确定与待预测数据中的各词312对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值，并对可能性表征值求和350，根据得到的和的大小关系确定待预测数据所属的类别352。图4为根据本申请实施例的一种文本分类装置的结构示意图。根据本申请实施例的文本分类装置400包括分词模块410、确定模块420、分类模块430、第一建立模块440和第二建立模块450。分词模块410用于对待预测数据进行分词，得到所述待预测数据中的各词。确定模块420用于根据预设的各类别与种子关键词之间的第一映射关系、各类别与拓展关键词之间的第二映射关系，确定与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值。分类模块430用于根据与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于各类别的可能性表征值，对所述待预测数据进行分类。第一建立模块440用于通过以下方式建立所述第一映射关系：指定各类别以及各类别分别包含的种子关键词；以及通过映射算法确定所述种子关键词属于各类别的可能性表征值。第二建立模块450用于根据所述第一映射关系以及训练数据，利用半监督主题模型建立所述第二映射关系。根据本申请实施例，第一建立模块440使用的映射算法包括TF-IDF映射算法。第二建立模块450还用于：对所述训练数据进行分词，得到所述训练数据中的各词；基于所述训练数据中的各词生成拓展关键词；以及根据所述拓展关键词与所述种子关键词之间的近似度，确定所述拓展关键词所属的类别以及所述拓展关键词属于各类别的可能性表征值。分类模块430还用于：针对每个类别，对与所述待预测数据中的各词对应的种子关键词和/或拓展关键词分别属于该类别的可能性表征值进行求和；根据针对每个类别得到的和，确定所述待预测数据所属的类别。此外，本申请实施例还提供一种处理方法和装置，建立预设的各类别与种子关键词之间的第一映射关系；对训练数据进行分词，得到训练数据中的各词；以及基于预设的各类别与种子关键词之间的第一映射关系和所述训练数据中的各词，通过半监督主题模型，从所述训练数据中的各词中确定拓展关键词，并在各类别与所述拓展关键词之间建立第二映射关系；其中，所述第一映射关系和第二映射关系用于在接收到待预测数据之后，对所述待预测数据进行文本分类。图5为根据本申请实施例的一种处理装置的结构示意图。根据图5所示的实施例的处理装置500包括分词模块510、分类模块520、第一建立模块530和第二建立模块540。第一建立模块530用于建立预设的各类别与种子关键词之间的第一映射关系。分词模块510用于对训练数据进行分词，得到训练数据中的各词。第二建立模块540用于基于预设的各类别与种子关键词之间的第一映射关系和所述训练数据中的各词，通过半监督主题模型，从所述训练数据中的各词中确定拓展关键词，并在各类别与所述拓展关键词之间建立第二映射关系。分类模块520用于在接收到待预测数据之后，根据所述第一映射关系和第二映射关系对所述待预测数据进行文本分类。此外，第一建立模块530还用于：指定各类别以及各类别分别包含的种子关键词；以及通过映射算法确定所述种子关键词属于各类别的可能性表征值。根据本申请实施例，第一建立模块530使用的映射算法包括TF-IDF映射算法。第二建立模块540还用于：根据所述拓展关键词与所述种子关键词之间的近似度，确定所述拓展关键词所属的类别以及所述拓展关键词属于各类别的可能性表征值。需要说明的是，本申请实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤S110和步骤S120的执行主体可以为设备1，步骤S130的执行主体可以为设备2；又比如，步骤S110的执行主体可以为设备1，步骤S120和步骤S130的执行主体可以为设备2；等等。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。当前第1页1 2 3