基于交易的信用风险判别方法及其装置与流程

本申请涉及个人信用领域，特别涉及一种基于交易的信用风险判别技术。

背景技术：

先享后付(non-sufficientfund，简称nsf)为一种提升用户服务体验及便利性的支付模式，其特点为让用户先享受服务之后再扣除相应款项。目前，先享后付模式在高德打车、苹果appstore代扣和无人货柜信用支付场景都有使用。但是，nsf模式带来用户体验提升的同时，也带来了坏账风险，部分用户享受服务后会使其无法扣到相应钱款，甚至会有薅羊毛党批量注册账户在该场景下薅羊毛，造成批量坏账风险。基于这样的风险情况，nsf场景下需要对每个账户的信用风险进行判别，从而有效拦截低信用人群的先享后付行为。

现有技术中，芝麻信用提供的芝麻分能够用作先享后付场景的信用人群区分手段。但是，芝麻分在先享后付场景上的使用存在以下问题：

1.芝麻信用依赖于很多外部信息，需要用户本人授权开通，而先享后付场景下的低信用用户可以故意选择不开通芝麻信用，规避芝麻分对其的信用拦截。

2.芝麻信用目前的应用场景更偏向于区分高价值的好用户，使其能够享受更便捷的生活服务，相对来说，芝麻分对于信用较差的底部人群识别能力偏弱，目前芝麻分对外输出建议拦截分数段一般在550分，无法有效识别信用较差人群，从而无法完全覆盖nsf先享后付场景下的坏账风险。

3.芝麻分侧重于个人信用判别，对于支付能力的刻画较差。

4.芝麻信用以芝麻信用分为核心输出标准服务，针对不同的场景缺乏定制化能力。

因此，目前nsf场景下需要一种更精准的信用风险判别技术，对每个账户的信用风险进行判别，从而有效拦截低信用人群的先享后付行为，以便提升先享后付交易场景下的坏账风险识别能力。

技术实现要素：

本申请的目的在于提供一种基于交易的信用风险判别方法及其装置，对每个账户的信用风险进行判别，从而有效拦截低信用人群的先享后付行为，提升先享后付交易场景下的坏账风险识别能力。

为解决上述技术问题，本申请的实施方式公开了一种基于交易的信用风险判别方法，包括：

获取信用支付平台的多个用户在指定时间段内的交易历史信息和账户活跃度信息；

根据所述交易历史信息和账户活跃度信息进行有监督的机器学习建模，得到交易信用风险模型；

目标用户在进行先享后付交易时，获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息，并输入所述交易信用风险模型，对所述目标用户的交易信用风险进行判别。

本申请的实施方式还公开了一种基于交易的信用风险判别装置，包括：

获取模块，用于获取信用支付平台的多个用户在指定时间段内的交易历史信息和账户活跃度信息；

建模模块，用于根据所述交易历史信息和账户活跃度信息进行有监督的机器学习建模，得到交易信用风险模型；

判别模块，用于目标用户在进行先享后付交易时，获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息，并输入所述交易信用风险模型，对所述目标用户的交易信用风险进行判别。

本申请的实施方式还公开了一种基于交易的信用风险判别设备，包括：

存储器，用于存储计算机可执行指令；以及，

处理器，用于在执行所述计算机可执行指令时实现上述方法中的步骤。

本申请的实施方式还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述方法中的步骤。

本申请实施方式与现有技术相比，主要区别及其效果在于：

通过先进的机器学习构建交易信用风险模型，利用交易信用风险模型自动对目标用户的交易信用风险进行判别，从而能够有效拦截低信用人群的先享后付行为，提升先享后付交易场景下的坏账风险识别能力。

当目标用户在不具备信用风险判别能力的第三方平台进行先享后付交易时，第三方平台同样可以利用基于所述信用支付平台构建的交易信用风险模型对目标用户的交易信用风险进行判别，所述交易信用风险模型能够适用于多个平台，大大提高了所述交易信用风险模型的普适性。

基于账户历史交易维度刻画信用风险，相比于市场上现有的信用分简化了模型的变量维度，从而使模型可以更专注于覆盖交易信用风险场景，提升模型适用性及使用便利性。

在nsf先享后付场景中应用以交易信用风险模型为主体的交易信用策略体系，具有更高的识别准确率及更广的使用覆盖率。

本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征a+b+c，在另一个例子中公开了特征a+b+d+e，而特征c和d是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征e技术上可以与特征c相组合，则，a+b+c+d的方案因技术不可行而应当不被视为已经记载，而a+b+c+e的方案应当视为已经被记载。

附图说明

图1是根据本申请第一实施方式的一种基于交易的信用风险判别方法的流程示意图；

图2是根据本申请第一实施方式的一个优选实施例的nsf流程框图；

图3是根据本申请第一实施方式的一个优选实施例的nsf解决方案的策略体系图；

图4是根据本申请第二实施方式的一种基于交易的信用风险判别装置的结构示意图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

概念说明：

先享后付(non-sufficientfund，简称nsf)：基于用户信用等级，给予用户先享受服务，然后再扣款的支付方式，提升服务的便利性及用户体验。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。

本申请的第一实施方式涉及一种基于交易的信用风险判别方法。图1是该基于交易的信用风险判别方法的流程示意图。

具体地说，如图1所示，该基于交易的信用风险判别方法包括以下步骤：

在步骤101中，获取信用支付平台的多个用户在指定时间段内的交易历史信息和账户活跃度信息。

在本实施方式中，指定时间段可以根据实际需要进行设定，例如可以是最近一周、最近一个月、最近半年或最近一年等。

优选地，所述交易历史信息包括：历史交易次数、历史交易金额、历史先享后付成功率和历史先享后付违约率。

所述账户活跃度信息包括：账户登录信息、账户账龄、账户余额、账户支出信息和账户收入信息。

此后进入步骤102，根据所述交易历史信息和账户活跃度信息进行有监督的机器学习建模，得到交易信用风险模型。

优选地，在步骤102中，采用例如随机森林、gbdt等的有监督的机器学习算法进行交易信用风险模型建模。

通过对账户的交易历史信息、先享后付支付成功率、账户账龄、账户资产情况等变量信息进行挖掘，采用例如随机森林、gbdt等的有监督机器学习算法进行交易信用风险模型建模，挖掘出交易历史信息与账户活跃度(也可以称为：行为活跃度)信息与先享后付信用状况的对应关系，从而对每个用户账户在先享后付交易场景下的信用情况，进行精准风险判断。

在步骤101和步骤102中，解决的是如何提取建模特征进行交易信用风险模型建模的问题。

举例来说，在步骤101和102中，以用户维度作为主键，根据其在信用支付平台上的特定行为特征和交易历史数据作为机器学习建模特征，例如提取用户最近一周或最近一个月内的交易次数、交易金额及特定渠道如信用卡、花呗支出行为习惯，结合用户个人基本信息等静态特征，生成基于用户的行为交易宽表。然后使用例如随机森林、gbdt等的有监督机器学习算法，对用户的交易行为特征进行学习，构建交易信用风险模型预测用户的先享后付交易是否会履约。

需要说明的是，对本领域的技术人员来说，有监督的机器学习建模是现有技术中的成熟技术，在此不再进一步地展开。

此后进入步骤103，目标用户在进行先享后付交易时，获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息，并输入所述交易信用风险模型，对所述目标用户的交易信用风险进行判别。

需要说明的是，在步骤103中，所述先享后付交易可以是所述目标用户在所述信用支付平台上进行的先享后付交易。在所述信用支付平台上进行的先享后付交易，直接获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息，然后利用所述交易信用风险模型进行交易信用风险判别。

或者，可选地，在步骤103中，所述先享后付交易可以是所述目标用户在第三方平台进行的先享后付交易。在这种情况下，所述第三方平台获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息，然后输入所述交易信用风险模型，对所述目标用户的交易信用风险进行判别。

也就是说，基于所述信用支付平台构建的交易信用风险模型，不仅适用于在所述信用支付平台上进行的先享后付交易，而且也适用于在所述第三方平台上进行的先享后付交易，所述交易信用风险模型能够适用于多个平台，大大提高了所述交易信用风险模型的普适性。

特别是，对于不具备交易信用风险判别能力的第三方平台来说，这一点尤其有用，第三方平台可以调用所述目标用户在所述信用支付平台的交易历史信息和账户活跃度信息，然后输入所述交易信用风险模型，对所述目标用户的交易信用风险进行判别。

在本实施方式中，优选地，所述第三方平台根据所述目标用户的手机号码获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息。

具体地，可以根据所述目标用户的手机号码，查找所述目标用户在所述信用支付平台上与所述手机号码绑定的账户，然后再根据所述账户调取所述目标用户在所述信用支付平台的交易历史信息和账户活跃度信息进行交易信用风险判别。

当然，在本申请的其他实施方式中，也可以根据所述目标用户的其他身份信息来查找所述目标用户在所述信用支付平台的账户信息，只要所述身份信息与所述账户具有一一对应关系即可，并不仅限于手机号码。

步骤103解决的是如何利用交易信用风险模型自动识别判断信用风险的问题，具体地说，在步骤103中，可以包括以下子步骤：

计算所述目标用户的交易信用分；

根据所述交易信用分确定是否向所述目标用户提供先享后付服务。

需要说明的是，利用交易信用风险模型计算目标用户的交易信用分，可以有两种方式：

第一方法，是目标用户在进行先享后付交易时，当时获取所述目标用户在指定时间段内的交易历史信息和账户活跃度信息，并输入所述交易信用风险模型，当场对所述目标用户的交易信用风险进行量化评分，得到所述目标用户的交易信用分，然后再根据该交易信用分判断目标用户的交易信用风险。

第二种方法，是在完成交易信用风险模型的构建后，系统生成自动定时任务每日定时对所有用户的交易信用风险进行量化评分，得到所有用户的交易信用分。当目标用户在进行一笔先享后付交易时，便会调取所述目标用户的每日最新评分的交易信用分，然后再根据该交易信用分判断所述目标用户的交易信用风险。

在根据交易信用分判断目标用户的交易信用风险时，也可以有两种方式：

第一，可以将所述目标用户的交易信用分与预设的阈值进行比较：高于阈值时，目标用户可以享受先享后付服务；低于阈值时，目标用户不能享受先享后付服务。

第二，也可以根据所述交易信用分，进行专家经验规则策略的配置，生成所述交易信用分对应的风控策略，然后再根据所述交易信用分及相应的风控策略，对目标用户的交易信用风险进行判别，决定是否能够让所述目标用户使用先享后付服务。

上述第二种方式，通过将交易信用分与专家经验进行二次融合，基于交易信用风险模型输出的交易信用分进行专家经验规则策略的配置，为用户制定个性化的先享后付策略，从而融合了专家经验可解释性高，灵活性强的特点，便于业务使用，同时也可通过专家经验规则的配置使得该解决方案具有普适性，可应用于多个行业场景。

进一步地，优选地，在步骤103中，在对所述目标用户的交易信用风险进行判别时，同时根据所述目标用户的终端设备(例如，可以根据终端设备的移动设备识别号或手机号码等判断该终端用户是否合法真实存在)、所述目标用户所处的环境(例如，根据用户的ip地址、网络环境等进行判断)、所述目标用户的账号状态(例如，账户的余额状态、账户是否冻结等)、所述目标用户的账户价值(例如，账户的余额和历史交易额等)以及交易订单是否冲突(例如，可以根据用户的订单历史和历史订单价值，判断用户的交易喜好和交易能力，从而判断本次交易订单是否存在冲突)进行交易信用风险判别。

此后结束本流程。

需要说明的是，在本申请的各实施方式中，所述信用支付平台包括但不限于支付宝，相应地，所述账户包括但不限于支付宝账户。

使用先进的机器学习算法构建交易信用风险模型，利用交易信用风险模型自动对用户的交易信用风险进行判别，从而能够有效拦截低信用人群的先享后付行为，提升先享后付交易场景下的坏账风险识别能力，具有更高的识别准确率及更广的使用覆盖率。

为了能够更好地理解本申请的技术方案，下面结合一个优选实施例来进行说明，该优选实施例中罗列的细节主要是为了便于理解，不作为对本申请保护范围的限制。

下面通过该优选实施例，详细描述如何应用交易信用风险模型判别nsf风险，并简要阐述该交易信用风险模型的构建原理。图2是该优选实施例的nsf流程框图。图3是该nsf解决方案的策略体系图。

1.交易信用风险模型的建模。

交易信用风险模型将主要基于用户在账户体系内的交易历史构建。模型使用的变量主要包括：用户交易历史信息和账户活跃度。用户交易历史：包括用户最近一段时间内的交易、支出、收入信息，以及相关历史先享后付成功率和违约率信息等。账户活跃度：包括用户在账户体系内的各类登录、账龄、余额等静态信息，反映账户使用活跃程度。基于以上变量信息，采用有监督的机器学习算法进行建模，挖掘交易历史与行为活跃度中能够体现交易风险信用的变量，并基于例如随机森林、gbdt等的有监督机器学习算法实现交易信用判别。

在nsf先享后付场景中应用以交易信用风险模型为主体的交易信用策略体系，基于账户历史交易维度刻画信用风险，相比于市场上现有的信用分简化了模型的变量维度，从而使模型可以更专注于覆盖交易信用风险场景，提升模型适用性及使用便利性，提升先享后付交易场景下的坏账风险识别能力。

2.利用交易信用风险模型，自动识别用户的交易信用风险。

如图2所示，场景业务应用流程中，整个风控流程将分为四层，首先是源数据输入，然后进入交易信用风险模型计算，完成模型分输出后，再由策略层基于用户的交易信用分配置个性化先享后付策略。实际场景中，用户首先创建订单后，系统将立即调用该用户的过往交易历史及账户活跃情况，基于以上信息利用交易信用风险模型计算用户该笔订单的交易信用风险，并根据用户的交易信用分为不同的用户群体制定个性化先享后付的服务策略，保障用户体验的同时最小化坏账风险。完成交易信用分的计算并通过风控策略后，用户便可以进入先享后付，先享受服务然后再由系统自动完成扣款。

3.如图3所示，nsf解决方案体系整体中，nsf信用风险解决方案主要有两种方式：(1)对于使用支付宝账户的目标用户来说，针对签约免密代扣的场景，以目标用户的支付宝账户id作为主体，首先经过支付宝安全uct风险引擎，确保签约环节的安全可信。之后在目标用户下单环节，商户会向支付宝进行风险咨询，nsf解决方案会以交易信用风险模型为核心，同时从设备、环境、用户、账户、冲突五大维度进行nsf信用风险策略判别，并返回风险等级供商户判断坏账风险。(2)针对第三方平台不使用支付宝账户的场景，以目标用户的手机号为主体，当目标用户在商户端发起下单请求时，商户根据手机号码进行风险咨询，nsf解决方案根据手机号码查找对应的绑定支付宝账户或常用的可信支付宝账户，并根据其交易信用风险模型评分对其进行nsf风险判别，并返回风险等级供商户判断坏账风险。

4.事后回款追溯体系。针对已发生的nsf坏账，该解决方案同样提供了事后回款追溯能力，同样以目标用户在支付宝账户内的交易行为为基础，通过对账户的余额变动、资金交易支出进行监控，可以实现在资产发生变动时，通过短信提醒催收，或直接动态扣款的方式帮助商户快速回款。实现智能催收提醒及动态扣款政策，提供nsf坏账事后回款追溯能力，帮助商户最大程度减少坏账损失。

可以看出，本申请一方面使用先进的机器学习算法构建交易信用风险模型，利用算法模型自动对用户的信用好坏进行识别，此方法在识别的准确率及覆盖率上将大大优于传统依托于专家经验的规则识别方式。另一方面，在机器学习算法模型输出交易信用风险分之后，会将模型结果与专家经验进行二次融合，基于模型输出的信用分进行专家经验规则策略的配置，从而融合了专家经验可解释性高，灵活性强的特点，便于业务使用，同时也可通过专家经验规则的配置使得该解决方案具有普适性，可应用于多个行业场景。

本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(programmablearraylogic，简称“pal”)、随机存取存储器(randomaccessmemory，简称“ram”)、可编程只读存储器(programmablereadonlymemory，简称“prom”)、只读存储器(read-onlymemory，简称“rom”)、电可擦除可编程只读存储器(electricallyerasableprogrammablerom，简称“eeprom”)、磁盘、光盘、数字通用光盘(digitalversatiledisc，简称“dvd”)等等。

本申请的第二实施方式涉及一种基于交易的信用风险判别装置。图4是该基于交易的信用风险判别装置的结构示意图。

具体地说，如图4所示，该基于交易的信用风险判别装置，包括：

获取模块，用于获取信用支付平台的多个用户在指定时间段内的交易历史信息和账户活跃度信息。

优选地，

所述交易历史信息包括：历史交易次数、历史交易金额、历史先享后付成功率和历史先享后付违约率。

所述账户活跃度信息包括：账户登录信息、账户账龄、账户余额、账户支出信息和账户收入信息。

建模模块，用于根据所述交易历史信息和账户活跃度信息进行有监督的机器学习建模，得到交易信用风险模型。

判别模块，用于目标用户在进行先享后付交易时，获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息，并输入所述交易信用风险模型，对所述目标用户的交易信用风险进行判别。

在本实施方式中，所述先享后付交易可以是所述目标用户在所述信用支付平台上进行的先享后付交易。在所述信用支付平台上进行的先享后付交易，直接获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息，然后利用所述交易信用风险模型进行交易信用风险判别。

或者，可选地，所述先享后付交易可以是所述目标用户在第三方平台进行的先享后付交易。在这种情况下，所述第三方平台获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息，然后输入所述交易信用风险模型，对所述目标用户的交易信用风险进行判别。

也就是说，基于所述信用支付平台构建的交易信用风险模型，不仅适用于在所述信用支付平台上进行的先享后付交易，而且也适用于在所述第三方平台上进行的先享后付交易，所述交易信用风险模型能够适用于多个平台，大大提高了所述交易信用风险模型的普适性。

特别是，对于不具备交易信用风险判别能力的第三方平台来说，这一点尤其有用，第三方平台可以调用所述目标用户在所述信用支付平台的交易历史信息和账户活跃度信息，然后输入所述交易信用风险模型，对所述目标用户的交易信用风险进行判别。

在本实施方式中，优选地，所述第三方平台根据所述目标用户的手机号码获取所述目标用户在所述信用支付平台的指定时间段内的交易历史信息和账户活跃度信息。

具体地，可以根据所述目标用户的手机号码，查找所述目标用户在所述信用支付平台上与所述手机号码绑定的账户，然后再根据所述账户调取所述目标用户在所述信用支付平台的交易历史信息和账户活跃度信息进行交易信用风险判别。

当然，在本申请的其他实施方式中，也可以根据所述目标用户的其他身份信息来查找所述目标用户在所述信用支付平台的账户信息，只要所述身份信息与所述账户具有一一对应关系即可，并不仅限于手机号码。

进一步地，所述判别模块，包括：

计算子模块，用于计算所述目标用户的交易信用分；

确定子模块，用于根据所述交易信用分确定是否向所述目标用户提供先享后付服务。

所述判别模块在所述对所述目标用户的交易信用风险进行判别时，同时根据所述目标用户的终端设备、所述目标用户所处的环境、所述目标用户的账号状态、所述目标用户的账户价值以及交易订单是否冲突进行交易信用风险判别。

需要说明的是，在本申请的各实施方式中，所述信用支付平台包括但不限于支付宝，相应地，所述账户包括但不限于支付宝账户。

通过先进的机器学习构建交易信用风险模型，利用交易信用风险模型自动对用户的交易信用风险进行判别，从而能够有效拦截低信用人群的先享后付行为，提升先享后付交易场景下的坏账风险识别能力，具有更高的识别准确率及更广的使用覆盖率。

第一实施方式是与本实施方式相对应的方法实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。

需要说明的是，本领域技术人员应当理解，上述基于交易的信用风险判别装置的实施方式中所示的各模块的实现功能可参照前述基于交易的信用风险判别方法的相关描述而理解。上述基于交易的信用风险判别装置的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。本申请实施中上述基于交易的信用风险判别装置如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，readonlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，这并不表明上述设备实施方式并不存在其它的模块。

相应地，本申请实施方式还公开了一种基于交易的信用风险判别设备，包括：

存储器，用于存储计算机可执行指令；以及，

处理器，用于在执行所述计算机可执行指令时实现本申请的各方法实施方式中的步骤。

相应地，本申请实施方式还公开了一种计算机存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本申请的各方法实施方式中的步骤。

需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。

在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中，以便在必要时可以作为修改的依据。此外应理解，在阅读了本申请的上述公开内容之后，本领域技术人员可以对本申请作各种改动或修改，这些等价形式同样落于本申请所要求保护的范围。