一种数据处理方法及装置与流程

本发明涉及互联网技术领域，尤其涉及一种数据处理方法及装置。

背景技术：

随着互联网的发展，网络信息爆炸式增长，用户可以通过圈子的方式有效进行信息管理和隐私保护等。圈子是社交网络中一个重要概念，社交网络比如谷歌google+，脸书facebook(社交网络服务网站)都提供这种功能。随着用户的社交关系网络可以将该用户的好友分成不同的圈子。商家可以通过圈子挖掘方法挖掘出用户的社交圈子或者兴趣圈子以进行精准的广告推荐。传统的圈子挖掘方法可以包括k_clique方法和louvain方法，其中k_clique方法通过挖掘社交网络中的最大团，通过团合并构建内部链接度比较高的圈子；louvain方法基于模块度的图挖掘算法，通过优化图的模块度，寻找最好的分割方式从而得到圈子。上述圈子挖掘方法仅考虑用户的关系链数据，导致圈子挖掘不够精准。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种数据处理方法及装置，可有效确定目标用户标识的社交集群，提高社交集群的精准度。

为了解决上述技术问题，本发明实施例提供了一种数据处理方法，所述方法包括：

获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到所述身份数据的第一向量；

获取所述目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到所述社交关系数据的第二向量；

对所述第一向量和所述第二向量进行合并，得到所述目标用户标识的第三向量；

基于所述第三向量，对用户进行聚类处理，得到与所述身份数据和所述社交关系数据相关联的社交集群，所述社交集群包括与所述目标用户标识关联的至少一个关联用户标识。

相应地，本发明实施例还提供了一种数据处理装置，所述装置包括：

第一向量获取单元，用于获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到所述身份数据的第一向量；

第二向量获取单元，用于获取所述目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到所述社交关系数据的第二向量；

第三向量获取单元，用于对所述第一向量和所述第二向量进行合并，得到所述目标用户标识的第三向量；

聚类处理单元，用于基于所述第三向量，对用户进行聚类处理，得到与所述身份数据和所述社交关系数据相关联的社交集群，所述社交集群包括与所述目标用户标识关联的至少一个关联用户标识。

实施本发明实施例，通过获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到身份数据的第一向量，获取目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到社交关系数据的第二向量，对第一向量和第二向量进行合并，得到目标用户标识的第三向量，并基于第三向量，对用户进行聚类处理，得到与身份数据和社交关系数据相关联的社交集群，可有效确定目标用户标识的社交集群，提高社交集群的精准度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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他的附图；

图1是本发明实施例中提供的一种数据处理方法的流程示意图；

图2是本发明实施例中提供的一种神经网络的结构示意图；

图3是本发明实施例中提供的一种ego网络的结构示意图；

图4是本发明实施例中提供的一种数据处理装置的结构示意图；

图5是本发明实施例中提供的一种终端的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例提供了一种数据处理方法，获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到身份数据的第一向量，获取目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到社交关系数据的第二向量，对第一向量和第二向量进行合并，得到目标用户标识的第三向量，基于第三向量，对用户进行聚类处理，得到与身份数据和社交关系数据相关联的社交集群，社交集群包括与目标用户标识关联的至少一个关联用户标识。

传统的数据处理方法通过挖掘社交关系网络中的最大团，通过团合并构建内部链接度比较高的社交集群；或者通过优化图的模块度，寻找最好的分割方式从而得到社交集群。但是上述圈子挖掘方法仅考虑用户的关系链数据，没有考虑用户的userprofile数据，而本发明实施例对目标用户标识的身份数据进行向量化处理，得到身份数据的第一向量，对目标用户标识的社交关系数据进行向量化处理，得到社交关系数据的第二向量，对第一向量和第二向量进行合并，得到目标用户标识的第三向量，基于第三向量，对用户进行聚类处理，得到与身份数据和社交关系数据相关联的社交集群，可有效确定目标用户标识的社交集群，提高社交集群的精准度。

上述数据处理方法可以运行在个人电脑、智能手机(如android手机、ios手机等)、平板电脑、掌上电脑或者可穿戴设备等终端中。

请参见图1，图1是本发明实施例公开的一种数据处理方法的流程示意图。如图1所示，该数据处理方法至少可以包括以下步骤：

s101，获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到身份数据的第一向量。

终端可以获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到身份数据的第一向量。其中，目标用户标识可以用于标识目标用户，例如目标用户标识可以包括目标用户的登录账号、用户名称或者目标用户登录即时通讯客户端所使用的终端的设备标识等，登录账号可以包括微信账号、qq账号、手机号码或者邮箱账号等，用户名称可以包括微信昵称、qq昵称或者邮箱昵称等，设备标识可以用于标识目标用户登录即时通讯客户端所使用的终端，例如该终端的网络之间互连的协议(internetprotocol，ip)地址、媒介访问控制(mediaaccesscontrol，mac)地址或者国际移动设备身份码(internationalmobileequipmentidentity，imei)等。身份数据可以为目标用户标识的userprofile数据，该userprofile数据可以包括目标用户标识所对应目标用户的用户信息，例如年龄、性别、所在地、毕业院校、购物爱好或者运动爱好等。

例如，终端可以获取用户ui包含n个特征的身份数据，对包含n个特征的身份数据进行向量化处理，得到n维向量，并将该n维向量作为上述身份数据的第一向量，即pi＝(pi1,pi2,...,pi(n-1),pin)，pi表示第一向量，pin表示身份数据中的第n个特征。示例性的，终端可以获取用户ui的身份数据，当用户ui的身份数据包括年龄、性别、所在地、毕业院校、购物爱好或者运动爱好六个特征时，终端可以对用户ui的身份数据进行向量化处理得到六维向量，即pi＝(pi1,pi2,pi3,pi4,pi5,pi6)，其中，pi1可以表示用户ui的年龄，pi2可以表示用户ui的性别，pi3可以表示用户ui的所在地，pi4可以表示用户ui的毕业院校，pi5可以表示用户ui的购物爱好，pi6可以表示用户ui的运动爱好，进而终端可以将上述六维向量作为用户ui的身份数据的第一向量。

s102，获取目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到社交关系数据的第二向量。

终端还可以获取目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到社交关系数据的第二向量。其中，社交关系数据可以包括目标用户标识的自我社会关系ego网络，ego网络关注的不是网络整体，而是以个体为中心，通过收集自我焦点关联的节点的信息，为个体构建一个局部网络。具体地，社交关系数据可以包括目标用户标识所对应的目标用户的好友关系数据、同事关系数据或者兴趣爱好关系数据，目标用户与好友关系数据中的其他用户为好友关系，目标用户与同事关系数据中的其他用户为同事关系，目标用户与兴趣爱好关系数据中的其他用户具有相同兴趣爱好。例如，用户ui在ego网络中的节点为vi，终端可以根据用户ui的社交关系数据构建m维向量，并将该m维向量作为上述社交关系数据的第二向量，即vi＝(vi1,vi2,...,vi(m-1),vim)，vi表示第二向量，vim表示社交关系数据中的节点。

可选的，终端可以通过预置二阶随机步算法对社交关系数据进行序列化处理，得到目标用户标识的社交关系序列，通过预置神经网络算法对社交关系序列进行向量化处理，得到第二向量。

具体实现中，终端可以使用预置二阶随机步算法遍历目标用户标识的ego网络，以便得到该ego网络的序列化表达，示例性的，假设该ego网络有n个节点，该ego网络的序列化表达可以为v1->v2->…->vn，其中预置二阶随机步算法可以包括深度优先搜索算法(depth-first-search，dfs)或者广度优先搜索算法(breadthfirstsearch，bfs)等。进一步的，终端可以通过预置神经网络算法对上述序列化表达进行向量化处理，得到第二向量，其中预置神经网络算法可以包括word2vec等，以图2所示的神经网络的结构示意图为例，终端可以将上述序列化表达作为文本，ego网络中的各个节点作为文本单词，将文本中位于中间位置的文本单词作为预置神经网络算法的输入，输出文本中的其他文本单词，以得到第二向量。

可选的，终端通过预置二阶随机步算法对社交关系数据进行序列化处理，得到用户的社交关系序列的方式，具体可以为：当第一用户和第二用户之间存在社交关系时，将第一用户转移到第二用户的非标准化转移概率除以标准化常量，得到第一用户转移到第二用户的标准化转移概率；当第一用户和第二用户之间不存在社交关系时，将第一用户转移到第二用户的标准化转移概率设置为0，将标准化转移概率最大的第二用户作为社交关系序列中第一用户的下一个序列化节点。

在ego网络中，当第一用户和第二用户之间存在社交关系时，则存在第一用户和第二用户之间的连线，终端可以将该连线作为第一用户和第二用户所属边。以图3所示的ego网络的结构示意图为例，边的集合可以包括用户t与用户x1所属边、用户t与用户v所属边以及用户t与用户x2所属边等，当边的集合中存在用户t和用户x1所属边时，终端可以将用户t转移到用户x1的非标准化转移概率除以标准化常量，得到用户t转移到用户x1的标准化转移概率；当边的集合中不存在用户x2和用户v所属边时，终端可以将用户x2转移到用户v的标准化转移概率设置为0。

示例性的，预置二阶随机步算法可以表示如下：

其中，p(si＝x|si-1＝v)表示用户v转移到用户x的标准化转移概率，πvx表示用户v转移到用户x的非标准化转移概率，n为标准化常量，e表示社交关系数据中边的集合。

以图3所示的ego网络的结构示意图为例，边的集合可以用于指示两个用户之间相关联，图3中边的集合可以包括用户t与用户v之间的边，用户t与用户x1之间的边，用户t与用户x2之间的边，用户v与用户x1之间的边，用户v与用户x3之间的边，用户v与用户x4之间的边。终端从用户t转移到用户v之后，可以通过预置随机步算法得到用户v转移到用户t的标准化转移概率为πvt/n，用户v转移到用户x1的标准化转移概率为πvx1/n，用户v转移到用户x2的标准化转移概率为0，用户v转移到用户x3的标准化转移概率为πvx3/n，用户v转移到用户x4的标准化转移概率为πvx4/n。

可选的，第一用户转移到第二用户的非标准化转移概率的获取方式具体可以为：将第一用户转移到第二用户过程中各个用户的非标准化转移概率，与第一用户和第二用户所对应的权重相乘，得到第一用户转移到第二用户的非标准化转移概率。

示例性的，用户v转移到用户x的非标准化转移概率可以表示如下：

πvx＝αpq(t,x)*ωvx

其中，πvx表示用户v转移到用户x的非标准化转移概率，αpq(t,x)表示用户t转移到用户x过程中各个用户的非标准化转移概率，ωvx表示用户v和用户x所对应的权重。

以图3所示的ego网络的结构示意图为例，用户t转移到用户v之后，用户v转移到用户t的非标准化转移概率为αpq(t,t)*ωvt，则用户v转移到用户t的标准化转移概率为αpq(t,t)*ωvt/n；用户v转移到用户x1的非标准化转移概率为αpq(t,x1)*ωvx1，则用户v转移到用户x1的标准化转移概率为αpq(t,x1)*ωvx1/n；用户v转移到用户x2的标准化转移概率为0；用户v转移到用户x3的非标准化转移概率为αpq(t,x3)*ωvx3，则用户v转移到用户x3的标准化转移概率为αpq(t,x3)*ωvx3/n；用户v转移到用户x4的非标准化转移概率为αpq(t,x4)*ωvx4，则用户v转移到用户x4的标准化转移概率为αpq(t,x4)*ωvx4/n。

可选的，第一用户转移到第二用户过程中各个用户的非标准化转移概率的获取方式具体可以为：当起始用户到第二用户之间的最近距离为第一阈值时，确定第一用户转移到第二用户过程中第二用户的非标准化转移概率为第一参数；当起始用户到第二用户之间的最近距离为第二阈值时，确定第一用户转移到第二用户过程中第二用户的非标准化转移概率为第二参数；当起始用户到第二用户之间的最近距离为第三阈值时，确定第一用户转移到第二用户过程中第二用户的非标准化转移概率为第三参数。

示例性的，用户t转移到用户x过程中各个用户的非标准化转移概率表示如下：

其中，αpq(t,x)表示用户t转移到用户x过程中各个用户的非标准化转移概率，p或者q为预置参数，dtx表示用户t转移到用户x的最近距离。

以图3所示的ego网络的结构示意图为例，用户t转移到用户v之后，用户v转移到用户t，则用户t转移到用户t的最近距离为0，即用户v转移到用户t的非标准化转移概率为1/p，则用户v转移到用户t的标准化转移概率为1/pn；用户t转移到用户x1的最近距离为1，即用户v转移到用户x1的非标准化转移概率为1，则用户v转移到用户x1的标准化转移概率为1/n；用户v转移到用户x2的标准化转移概率为0；用户t转移到用户x3的最近距离为2，即用户v转移到用户x3的非标准化转移概率为1/q，则用户v转移到用户x3的标准化转移概率为1/qn；用户t转移到用户x4的最近距离为2，即用户v转移到用户x4的非标准化转移概率为1/q，则用户v转移到用户x4的标准化转移概率为1/qn，若1/n＞1/qn＞0，则终端可以将用户x1作为用户v的下一个序列化节点，终端可以确定目标用户标识的社交关系序列为t->v->x1。

s103，对第一向量和第二向量进行合并，得到目标用户标识的第三向量。

终端可以对第一向量和第二向量进行合并，得到用户的第三向量。例如，第一向量为pi＝(pi1,pi2,...,pi(n-1),pin)，第二向量为vi＝(vi1,vi2,...,vi(m-1),vim)，则终端对第一向量和第二向量进行合并，可以得到n+m维向量，即ui＝(pi1,pi2,...,pi(n-1),pin,vi1,vi2,...,vi(m-1),vim)，终端可以将上述n+m维向量作为第三向量。

s104，基于第三向量，通过预置聚类算法对用户进行聚类处理，得到与身份数据和社交关系数据相关联的社交集群，社交集群包括与目标用户标识关联的至少一个关联用户标识。

终端可以基于第三向量，通过预置聚类算法对用户进行聚类处理，得到与身份数据和社交关系数据关联的社交集群，社交集群可以包括与目标用户标识关联的至少一个关联用户标识。其中，预置聚类算法可以包括基于距离类的聚类算法或者基于密度类的聚类算法，基于距离类的聚类算法可以包括k-meams聚类算法或者层次聚类算法等，基于密度类的聚类算法可以包括具有噪声的基于密度的空间聚类算法(density-basedspatialclusteringofapplicationswithnoise，dbscan)等。进一步的，k-meams聚类算法可以以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。层次聚类算法可以将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有的对象都在一个簇中，或者某个终结条件被满足。dbscan算法可以将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。

本发明实施例中，获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到身份数据的第一向量，获取目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到社交关系数据的第二向量，对第一向量和第二向量进行合并，得到目标用户标识的第三向量，基于第三向量，通过预置聚类算法对用户进行聚类处理，得到与身份数据和社交关系数据相关联的社交集群，可有效确定目标用户标识的社交集群，提高社交集群的精准度。

请参见图4，图4是本发明实施例中提供的一种数据处理装置的结构示意图，如图所示本实施例中的数据处理装置至少可以包括第一向量获取单元401、第二向量获取单元402、第三向量获取单元403以及聚类处理单元404，其中：

第一向量获取单元401，用于获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到所述身份数据的第一向量。

第二向量获取单元402，用于获取所述目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到所述社交关系数据的第二向量。

第三向量获取单元403，用于对所述第一向量和所述第二向量进行合并，得到所述目标用户标识的第三向量。

聚类处理单元404，用于基于所述第三向量，通过预置聚类算法对用户进行聚类处理，得到与所述身份数据和所述社交关系数据相关联的社交集群，所述社交集群包括与所述目标用户标识关联的至少一个关联用户标识。

可选的，所述第二向量获取单元402，具体用于：

通过预置二阶随机步算法对所述社交关系数据进行序列化处理，得到所述目标用户标识的社交关系序列。

通过预置神经网络算法对所述社交关系序列进行向量化处理，得到所述第二向量。

可选的，所述第二向量获取单元402通过预置二阶随机步算法对所述社交关系数据进行序列化处理，得到所述目标用户标识的社交关系序列，具体用于：

当第一用户和第二用户之间存在社交关系时，将第一用户转移到第二用户的非标准化转移概率除以标准化常量，得到第一用户转移到第二用户的标准化转移概率。

当第一用户和第二用户之间不存在社交关系时，将第一用户转移到第二用户的标准化转移概率设置为0。

将标准化转移概率最大的第二用户作为所述社交关系序列中所述第一用户的下一个序列化节点。

可选的，所述第二向量获取单元402将第一用户转移到第二用户的非标准化转移概率除以标准化常量，得到第一用户转移到第二用户的标准化转移概率之前，还用于：

将所述第一用户转移到所述第二用户过程中各个用户的非标准化转移概率，与所述第一用户和所述第二用户所对应的权重相乘，得到所述第一用户转移到所述第二用户的非标准化转移概率。

可选的，所述第二向量获取单元402将所述第一用户转移到所述第二用户过程中各个用户的非标准化转移概率，与所述第一用户和所述第二用户所对应的权重相乘，得到所述第一用户转移到所述第二用户的非标准化转移概率之前，还用于：

当起始用户到所述第二用户之间的最近距离为第一阈值时，确定所述第一用户转移到所述第二用户过程中所述第二用户的非标准化转移概率为第一参数。

当所述起始用户到所述第二用户之间的最近距离为第二阈值时，确定所述第一用户转移到所述第二用户过程中所述第二用户的非标准化转移概率为第二参数。

当所述起始用户到所述第二用户之间的最近距离为第三阈值时，确定所述第一用户转移到所述第二用户过程中所述第二用户的非标准化转移概率为第三参数。

本发明实施例中，第一向量获取单元401获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到所述身份数据的第一向量，第二向量获取单元402获取所述目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到所述社交关系数据的第二向量，第三向量获取单元403对第一向量和第二向量进行合并，得到目标用户标识的第三向量，聚类处理单元404通过预置聚类算法对所述第三向量进行聚类处理，得到与所述身份数据和所述社交关系数据相关联的社交集群，可有效确定目标用户标识的社交集群，提高社交集群的精准度。

请参见图5，图5为本发明实施例提供的一种终端的结构示意图，本发明实施例提供的终端可以用于实施上述图1所示的本发明实施例实现的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照图1所示的本发明实施例。

如图5所示，该终端包括：至少一个处理器501，例如cpu，至少一个输入装置503，至少一个输出装置504，存储器505，至少一个通信总线502。其中，通信总线502用于实现这些组件之间的连接通信。其中，输入装置503具体可以为网络接口，用于获取目标用户标识的身份数据和社交关系数据。其中，输出装置504具体可以为显示屏幕等，用于显示与身份数据和社交关系数据关联的社交集群。其中，存储器505可能包含高速ram存储器，也可能还包括非不稳定的存储器，例如至少一个磁盘存储器，具体用于存储身份数据和社交关系数据等。存储器505可选的可以包含至少一个位于远离前述处理器501的存储装置。处理器501可以结合图4所示的数据处理装置。存储器505中存储一组程序代码，且处理器501、输入装置503以及输出装置504调用存储器505中存储的程序代码，用于执行以下操作：

获取目标用户标识的身份数据，并对获取到的身份数据进行向量化处理，得到所述身份数据的第一向量。

获取所述目标用户标识的社交关系数据，并对获取到的社交关系数据进行向量化处理，得到所述社交关系数据的第二向量。

对所述第一向量和所述第二向量进行合并，得到所述目标用户标识的第三向量。

基于所述第三向量，通过预置聚类算法对用户进行聚类处理，得到与所述身份数据和所述社交关系数据相关联的社交集群，所述社交集群包括与所述目标用户标识关联的至少一个关联用户标识。

可选的，所述对获取到的社交关系数据进行向量化处理，得到所述社交关系数据的第二向量，包括：

通过预置二阶随机步算法对所述社交关系数据进行序列化处理，得到所述目标用户标识的社交关系序列。

通过预置神经网络算法对所述社交关系序列进行向量化处理，得到所述第二向量。

可选的，所述通过预置二阶随机步算法对所述社交关系数据进行序列化处理，得到所述目标用户标识的社交关系序列，包括：

当第一用户和第二用户之间存在社交关系时，将第一用户转移到第二用户的非标准化转移概率除以标准化常量，得到第一用户转移到第二用户的标准化转移概率。

当第一用户和第二用户之间不存在社交关系时，将第一用户转移到第二用户的标准化转移概率设置为0。

将标准化转移概率最大的第二用户作为所述社交关系序列中所述第一用户的下一个序列化节点。

可选的，所述将第一用户转移到第二用户的非标准化转移概率除以标准化常量，得到第一用户转移到第二用户的标准化转移概率之前，还包括：

将所述第一用户转移到所述第二用户过程中各个用户的非标准化转移概率，与所述第一用户和所述第二用户所对应的权重相乘，得到所述第一用户转移到所述第二用户的非标准化转移概率。

可选的，所述将所述第一用户转移到所述第二用户过程中各个用户的非标准化转移概率，与所述第一用户和所述第二用户所对应的权重相乘，得到所述第一用户转移到所述第二用户的非标准化转移概率之前，还包括：

当起始用户到所述第二用户之间的最近距离为第一阈值时，确定所述第一用户转移到所述第二用户过程中所述第二用户的非标准化转移概率为第一参数。

当所述起始用户到所述第二用户之间的最近距离为第二阈值时，确定所述第一用户转移到所述第二用户过程中所述第二用户的非标准化转移概率为第二参数。

当所述起始用户到所述第二用户之间的最近距离为第三阈值时，确定所述第一用户转移到所述第二用户过程中所述第二用户的非标准化转移概率为第三参数。

具体的，本发明实施例中介绍的终端可以用以实施本发明结合图1介绍的方法实施例中的部分或全部流程。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。