基于扩充标签数据的信贷风险评估方法及装置与流程

本发明涉及互联网金融信贷技术领域，具体而言，涉及一种基于扩充标签数据的信贷风险评估方法和一种基于扩充标签数据的信贷风险评估装置。

背景技术：

信贷是指以偿还和付息为条件的价值运动形式，通常包括银行存款、贷款等信用活动，信贷是社会主义国家用有偿方式动员和分配资金的重要形式，是发展经济的有力杠杆。贷款的产生必然伴随着风险，在还款期限届满之前，借款人财务商务状况的重大不利变化很可能影响其履约能力，从而发生呆账、坏账等风险，因此，为了降低此类风险的发生概率，需要对借款人进行风险评估。

传统金融机构对于信贷风险评估主要依据两种方式：一种是人为评估，主要依靠人工按照经验进行评估，一方面增加了人工成本，另一方面产生误判的概率很高，评估结果不准确；另一种是依据个人信用评分系统，现有技术中个人信用评分系统在进行评估时依赖于一些基础数据，评估维度单一，导致评估结果不够准确。对此，目前还没有有效的解决方案。

技术实现要素：

本发明正是基于上述技术问题至少之一，提出了一种新的基于扩充标签数据的信贷风险评估方案，能够准确全面地进行信贷风险评估，提高评估结果的准确性。

有鉴于此，本发明提出了一种新的基于扩充标签数据的信贷风险评估方法，包括：获取待信贷测评对象的测评数据；基于扩充标签信用评分模型对所述测评数据进行分析，以得到所述待信贷测评对象的信用评分，其中，所述扩充标签信用评分模型是基于对基础信用数据和第三方借贷平台的用户借贷数据的训练所构建的；根据所述待信贷测评对象的信用评分，确定对所述待信贷测评对象的评估结果。

在该技术方案中，在对待信贷测评对象进行信贷风险评估时，引入了扩充标签信用评分模型，该模型的构建不仅仅基于基础信用数据，还增加了第三方借贷平台的用户借贷数据，增加了评估维度，确保了在对测评数据分析时的全面性，提高了评估结果的准确性。

在上述技术方案中，优选地，在所述获取待信贷测评对象的测评数据的步骤之前，还包括：提取数据库中的基础信用数据；获取第三方借贷平台的用户借贷数据；对获取到的用户借贷数据进行分析标定，以得到扩充标签数据；基于对所述基础信用数据和所述扩充标签数据进行的机器学习模拟训练，构建所述扩充标签信用评分模型。

在该技术方案中，通常在进行机器学习模拟训练时需要选取样本，会选取一定比例的“好客户”和“坏客户”，在“好客户”和“坏客户”的选取过程中会涉及到特征项的统计，而往往在特征项的统计中会出现未知项，当有未知项出现时，对应的样本很可能会被舍弃，无法使用，此时可引入用户借贷数据来进行分类标定，用标签扩充来给未知项打标签，从而避免一些样本的流失，增加数据的多样性，确保所构建的扩充标签信用评分模型的合理性。

在上述任一项技术方案中，优选地，在所述确定对所述待信贷测评对象的评估结果的步骤之前，还包括：预存储多个信用评分区间，以及所述多个信用评分区间中的每个信用评分区间与贷款产品之间的关联关系；所述根据所述待信贷测评对象的信用评分，确定对所述待信贷测评对象的评估结果的步骤，具体包括：确定所述待信贷测评对象的信用评分所处的目标信用评分区间；根据所述关联关系，查找与所述目标信用评分区间相对应的贷款产品，并将其作为所述待信贷测评对象的评估结果。

在该技术方案中，信用评分区间的划分可根据实际设计需求进行调整，预先存储各个信用评分区间与贷款产品之间的关联关系，以为后续测评提供有利保障，在测评时基于预存储的关联关系，可快速确定评估结果，确保了测评结果的准确性。

在上述任一项技术方案中，优选地，在所述确定对所述待信贷测评对象的评估结果的步骤之前，还包括：判断所述待信贷测评对象的信用评分是否大于等于阈值；若所述待信贷测评对象的信用评分大于等于阈值，则执行所述根据所述待信贷测评对象的信用评分，确定对所述待信贷测评对象的评估结果的步骤；若所述待信贷测评对象的信用评分小于阈值，则将所述待信贷测评对象的测评数据和信用评分上传至监控平台。

在该技术方案中，比较待信贷测评对象的信用评分与阈值的大小，当待信贷测评对象的信用评分大于等于阈值时，说明待信贷测评对象的信用较好，可进一步进行测评结果的确定，当待信贷测评对象的信用评分小于阈值时，说明待信贷测评对象的信用相对较差，此时将该对象的相关数据发送至监控平台，由相关人员进一步来确定是否需要对其进行放贷，有效避免不良待信贷测评对象占用资源，也可避免一些潜在客源的丢失。

在上述任一项技术方案中，优选地，所述测评数据包括所述待信贷测评对象的基础信用数据及用户借贷数据。

在上述任一项技术方案中，优选地，获取待信贷测评对象的用户借贷数据的步骤，具体包括：获取所述待信贷测评对象所持终端记录的各借贷软件的借贷数据；对所述各借贷软件的借贷数据进行整合分析，以得到所述用户借贷数据。

在上述任一项技术方案中，优选地，在所述基于扩充标签信用评分模型对所述测评数据进行分析的步骤之前，还包括：获取所述待信贷测评对象的身份特征信息；基于所述待信贷测评对象的身份特征信息，判断所述待信贷测评对象是否位于黑名单中；当确定所述待信贷测评对象不在黑名单中时，执行所述基于扩充标签信用评分模型对所述测评数据进行分析的步骤；当确定所述待信贷测评对象在黑名单中时，向所述待信贷测评对象输出告警提示。

在该技术方案中，黑名单中有各种“老赖”信息，这些信息可以从网上或专门的信证渠道获取，并记录在黑名单中，黑名单中信息可实时更新，在对待信贷测评对象进行测评时，获取待信贷测评对象的身份特征信息，并基于待信贷测评对象的身份特征信息来确定该对象是否在黑名单中，若在则直接进行告警提示，并不继续进行测评，从而可避免对不良待信贷测评对象的无效测评，有效降低整个系统的运行负荷。

在上述任一项技术方案中，优选地，所述待信贷测评对象的身份特征信息包括以下任一或者多种的组合：身份证号、指纹信息、面部图像信息、虹膜信息。

在上述任一项技术方案中，优选地，所述向所述待信贷测评对象输出告警提示的步骤，具体包括：以文字形式向所述待信贷测评对象推送预设提示信息；和/或以语音形式向所述待信贷测评对象推送预设提示信息。

根据本发明的第二方面，提出了一种基于扩充标签数据的信贷风险评估装置，包括：第一获取单元，用于获取待信贷测评对象的测评数据；第一分析单元，用于基于扩充标签信用评分模型对所述测评数据进行分析，以得到所述待信贷测评对象的信用评分，其中，所述扩充标签信用评分模型是基于对基础信用数据和第三方借贷平台的用户借贷数据的训练所构建的；处理单元，用于根据所述待信贷测评对象的信用评分，确定对所述待信贷测评对象的评估结果。

在该技术方案中，在对待信贷测评对象进行信贷风险评估时，引入了扩充标签信用评分模型，该模型的构建不仅仅基于基础信用数据，还增加了第三方借贷平台的用户借贷数据，增加了评估维度，确保了在对测评数据分析时的全面性，提高了评估结果的准确性。

在上述技术方案中，优选地，还包括：第二获取单元，用于提取数据库中的基础信用数据；第三获取单元，用于获取第三方借贷平台的用户借贷数据；第二分析单元，用于对获取到的用户借贷数据进行分析标定，以得到扩充标签数据；创建单元，用于基于对所述基础信用数据和所述扩充标签数据进行的机器学习模拟训练，构建所述扩充标签信用评分模型。

在该技术方案中，通常在进行机器学习模拟训练时需要选取样本，会选取一定比例的“好客户”和“坏客户”，在“好客户”和“坏客户”的选取过程中会涉及到特征项的统计，而往往在特征项的统计中会出现未知项，当有未知项出现时，对应的样本很可能会被舍弃，无法使用，此时可引入用户借贷数据来进行分类标定，用标签扩充来给未知项打标签，从而避免一些样本的流失，增加数据的多样性，确保所构建的扩充标签信用评分模型的合理性。

在上述任一项技术方案中，优选地，还包括：存储单元，用于预存储多个信用评分区间，以及所述多个信用评分区间中的每个信用评分区间与贷款产品之间的关联关系；所述处理单元，具体用于：确定所述待信贷测评对象的信用评分所处的目标信用评分区间；根据所述关联关系，查找与所述目标信用评分区间相对应的贷款产品，并将其作为所述待信贷测评对象的评估结果。

在该技术方案中，信用评分区间的划分可根据实际设计需求进行调整，预先存储各个信用评分区间与贷款产品之间的关联关系，以为后续测评提供有利保障，在测评时基于预存储的关联关系，可快速确定评估结果，确保了测评结果的准确性。

在上述任一项技术方案中，优选地，还包括：第一判断单元，用于判断所述待信贷测评对象的信用评分是否大于等于阈值；所述处理单元，具体用于在所述第一判断单元确定所述待信贷测评对象的信用评分大于等于阈值时，根据所述待信贷测评对象的信用评分，确定对所述待信贷测评对象的评估结果；传送单元，用于在所述第一判断单元确定所述待信贷测评对象的信用评分小于阈值，将所述待信贷测评对象的测评数据和信用评分上传至监控平台。

在该技术方案中，比较待信贷测评对象的信用评分与阈值的大小，当待信贷测评对象的信用评分大于等于阈值时，说明待信贷测评对象的信用较好，可进一步进行测评结果的确定，当待信贷测评对象的信用评分小于阈值时，说明待信贷测评对象的信用相对较差，此时将该对象的相关数据发送至监控平台，由相关人员进一步来确定是否需要对其进行放贷，有效避免不良待信贷测评对象占用资源，也可避免一些潜在客源的丢失。

在上述任一项技术方案中，优选地，所述测评数据包括所述待信贷测评对象的基础信用数据及用户借贷数据。

在上述任一项技术方案中，优选地，所述第一获取单元，具体用于：获取所述待信贷测评对象所持终端记录的各借贷软件的借贷数据；对所述各借贷软件的借贷数据进行整合分析，以得到所述用户借贷数据。

在上述任一项技术方案中，优选地，还包括：第四获取单元，用于获取所述待信贷测评对象的身份特征信息；第二判断单元，用于基于所述待信贷测评对象的身份特征信息，判断所述待信贷测评对象是否位于黑名单中；所述第一分析单元，具体用于在所述第二判断单元确定所述待信贷测评对象不在黑名单中时，基于扩充标签信用评分模型对所述测评数据进行分析；告警单元，用于在所述第二判断单元确定所述待信贷测评对象在黑名单中时，向所述待信贷测评对象输出告警提示。

在该技术方案中，黑名单中有各种“老赖”信息，这些信息可以从网上或专门的信证渠道获取，并记录在黑名单中，黑名单中信息可实时更新，在对待信贷测评对象进行测评时，获取待信贷测评对象的身份特征信息，并基于待信贷测评对象的身份特征信息来确定该对象是否在黑名单中，若在则直接进行告警提示，并不继续进行测评，从而可避免对不良待信贷测评对象的无效测评，有效降低整个系统的运行负荷。

在上述任一项技术方案中，优选地，所述待信贷测评对象的身份特征信息包括以下任一或者多种的组合：身份证号、指纹信息、面部图像信息、虹膜信息。

在上述任一项技术方案中，优选地，所述告警单元，具体用于：以文字形式向所述待信贷测评对象推送预设提示信息，和/或以语音形式向所述待信贷测评对象推送预设提示信息。

根据本发明的第三方面，提出了一种计算机设备，包括：处理器；以及与所述处理器通信连接的存储器；其中，所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如上述技术方案中任一项所述的方法。

根据本发明的第四方面，提出了一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如上述技术方案中任一项所述的方法。

通过以上技术方案，能够准确全面地进行信贷风险评估，提高评估结果的准确性。

附图说明

图1示出了根据本发明的实施例的基于扩充标签数据的信贷风险评估方法的示意流程图；

图2示出了根据本发明的实施例的基于扩充标签数据的信贷风险评估装置的示意框图；

图3示出了根据本发明的实施例的计算机设备的示意框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

以下结合图1至图3对本发明的技术方案做进一步说明：

图1示出了根据本发明的实施例的基于扩充标签数据的信贷风险评估方法的示意流程图。

如图1所示，根据本发明的实施例的基于扩充标签数据的信贷风险评估方法，具体包括以下步骤：

步骤s102，获取待信贷测评对象的测评数据。

其中，测评数据包括待信贷测评对象的基础信用数据及用户借贷数据。基础信用数据包括家庭成员、职业、年龄、产业(包括房屋、有价值的收藏等)、公积金数据、银行流水数据等，用户借贷数据包括各借贷平台数据，如“某某借呗”数据、某某白条等。

其中，在获取待信贷测评对象的用户借贷数据时，具体可获取待信贷测评对象所持终端记录的各借贷软件的借贷数据，以及对各借贷软件的借贷数据进行整合分析，以得到用户借贷数据。此外，待信贷测评对象所持终端包括本人所持终端，甚至可以包括与其相关的终端的各借贷软件的借贷数据，如用户关联人所持终端。

步骤s104，基于扩充标签信用评分模型对测评数据进行分析，以得到待信贷测评对象的信用评分。

进一步地，可预先构建扩充标签信用评分模型，具体地，提取数据库中的基础信用数据，获取第三方借贷平台的用户借贷数据，对获取到的用户借贷数据进行分析标定，以得到扩充标签数据，基于对基础信用数据和扩充标签数据进行的机器学习模拟训练，构建扩充标签信用评分模型。通常在进行机器学习模拟训练时需要选取样本，会选取一定比例的“好客户”和“坏客户”，在“好客户”和“坏客户”的选取过程中会涉及到特征项的统计，而往往在特征项的统计中会出现未知项，当有未知项出现时，对应的样本很可能会被舍弃，无法使用，此时可引入用户借贷数据来进行分类标定，用标签扩充来给未知项打标签，如用户的某某借呗放款无逾期，或某某白条无逾期等，可以标记为“好客户”，从而避免一些样本的流失，增加数据的多样性，确保所构建的扩充标签信用评分模型的合理性。

步骤s106，根据待信贷测评对象的信用评分，确定对待信贷测评对象的评估结果。

具体地，在确定对待信贷测评对象的评估结果之前，可预存储多个信用评分区间，以及多个信用评分区间中的每个信用评分区间与贷款产品之间的关联关系，然后确定待信贷测评对象的信用评分所处的目标信用评分区间，根据关联关系，查找与目标信用评分区间相对应的贷款产品，并将其作为待信贷测评对象的评估结果。其中，贷款产品包括但不限于小额、大额、有抵押、无抵押、信用卡分期、保险、理财产品等。

进一步地，考虑到只有信用良好的待信贷测评对象才能有继续进行测评的意义，信用评分的高低可作为评判待信贷测评对象信用好坏的标准，所以可先判断待信贷测评对象的信用评分是否大于等于阈值，若待信贷测评对象的信用评分大于等于阈值，说明待信贷测评对象的信用较好，可根据待信贷测评对象的信用评分，确定对待信贷测评对象的评估结果的步骤，若待信贷测评对象的信用评分小于阈值，说明待信贷测评对象的信用相对较差，此时将待信贷测评对象的测评数据和信用评分上传至监控平台，由相关人员进一步来确定是否需要对其进行放贷，有效避免不良待信贷测评对象占用资源，也可避免一些潜在客源的丢失。

进一步地，为了降低整个系统的运行负荷，可考虑预先过滤部分不良待信贷测评对象，具体地，可获取待信贷测评对象的身份特征信息，基于待信贷测评对象的身份特征信息，判断待信贷测评对象是否位于黑名单中，当确定待信贷测评对象不在黑名单中时，再基于扩充标签信用评分模型对测评数据进行分析，当确定待信贷测评对象在黑名单中时，向待信贷测评对象输出告警提示。

其中，待信贷测评对象的身份特征信息包括以下任一或者多种的组合：身份证号、指纹信息、面部图像信息、虹膜信息。黑名单中有各种“老赖”信息，这些信息可以从网上或专门的信证渠道获取，并记录在黑名单中，黑名单中信息可实时更新，在对待信贷测评对象进行测评时，获取待信贷测评对象的身份特征信息，并基于待信贷测评对象的身份特征信息来确定该对象是否在黑名单中，若在则直接进行告警提示，具体，可以以文字形式向待信贷测评对象推送预设提示信息，和/或以语音形式向待信贷测评对象推送预设提示信息，并不继续进行测评，从而可避免对不良待信贷测评对象的无效测评，有效降低整个系统的运行负荷。

图2示出了根据本发明的实施例的信贷风险评估装置的示意框图；

如图2所示，根据本发明的实施例的基于扩充标签数据的信贷风险评估装置200，包括：第一获取单元202、第一分析单元204以及处理单元206。

其中，第一获取单元202用于获取待信贷测评对象的测评数据(具体地，侧评数据包括待信贷测评对象的基础信用数据及用户借贷数据)；分析单元204用于基于扩充标签信用评分模型对测评数据进行分析，以得到待信贷测评对象的信用评分，其中，扩充标签信用评分模型是基于对基础信用数据和第三方借贷平台的用户借贷数据的训练所构建的；处理单元206用于根据待信贷测评对象的信用评分，确定对待信贷测评对象的评估结果。在对待信贷测评对象进行信贷风险评估时，引入了扩充标签信用评分模型，该模型的构建不仅仅基于基础信用数据，还增加了第三方借贷平台的用户借贷数据，增加了评估维度，确保了在对测评数据分析时的全面性，提高了评估结果的准确性。

进一步地，基于扩充标签数据的信贷风险评估装置200还包括：第二获取单元208用于提取数据库中的基础信用数据；第三获取单元210用于获取第三方借贷平台的用户借贷数据；第二分析单元212用于对获取到的用户借贷数据进行分析标定，以得到扩充标签数据；创建单元214用于基于对基础信用数据和扩充标签数据进行的机器学习模拟训练，构建扩充标签信用评分模型。通常在进行机器学习模拟训练时需要选取样本，会选取一定比例的“好客户”和“坏客户”，在“好客户”和“坏客户”的选取过程中会涉及到特征项的统计，而往往在特征项的统计中会出现未知项，当有未知项出现时，对应的样本很可能会被舍弃，无法使用，此时可引入用户借贷数据来进行分类标定，用标签扩充来给未知项打标签，从而避免一些样本的流失，增加数据的多样性，确保所构建的扩充标签信用评分模型的合理性。

进一步地，基于扩充标签数据的信贷风险评估装置200还包括：存储单元216用于预存储多个信用评分区间，以及多个信用评分区间中的每个信用评分区间与贷款产品之间的关联关系；处理单元206具体用于：确定待信贷测评对象的信用评分所处的目标信用评分区间；根据关联关系，查找与目标信用评分区间相对应的贷款产品，并将其作为待信贷测评对象的评估结果。

信用评分区间的划分可根据实际设计需求进行调整，预先存储各个信用评分区间与贷款产品之间的关联关系，以为后续测评提供有利保障，在测评时基于预存储的关联关系，可快速确定评估结果，确保了测评结果的准确性。

进一步地，基于扩充标签数据的信贷风险评估装置200还包括：第一判断单元218，用于判断待信贷测评对象的信用评分是否大于等于阈值；处理单元206具体用于在第一判断单元218确定待信贷测评对象的信用评分大于等于阈值时，根据待信贷测评对象的信用评分，确定对待信贷测评对象的评估结果；传送单元220，用于在第一判断单元218确定待信贷测评对象的信用评分小于阈值，将待信贷测评对象的测评数据和信用评分上传至监控平台。

通过比较待信贷测评对象的信用评分与阈值的大小，当待信贷测评对象的信用评分大于等于阈值时，说明待信贷测评对象的信用较好，可进一步进行测评结果的确定，当待信贷测评对象的信用评分小于阈值时，说明待信贷测评对象的信用相对较差，此时将该对象的相关数据发送至监控平台，由相关人员进一步来确定是否需要对其进行放贷，有效避免不良待信贷测评对象占用资源，也可避免一些潜在客源的丢失。

进一步地，第一获取单元202具体用于：获取待信贷测评对象所持终端记录的各借贷软件的借贷数据；对各借贷软件的借贷数据进行整合分析，以得到用户借贷数据。

进一步地，基于扩充标签数据的信贷风险评估装置200还包括：第四获取单元222，用于获取待信贷测评对象的身份特征信息；第二判断单元224，用于基于待信贷测评对象的身份特征信息，判断待信贷测评对象是否位于黑名单中；第一分析单元204具体用于在第二判断单元224确定待信贷测评对象不在黑名单中时，基于扩充标签信用评分模型对测评数据进行分析；告警单元226用于在第二判断单元224确定待信贷测评对象在黑名单中时，向待信贷测评对象输出告警提示。

其中，待信贷测评对象的身份特征信息包括以下任一或者多种的组合：身份证号、指纹信息、面部图像信息、虹膜信息。黑名单中有各种“老赖”信息，这些信息可以从网上或专门的信证渠道获取，并记录在黑名单中，黑名单中信息可实时更新，在对待信贷测评对象进行测评时，获取待信贷测评对象的身份特征信息，并基于待信贷测评对象的身份特征信息来确定该对象是否在黑名单中，若在则直接进行告警提示，并不继续进行测评，从而可避免对不良待信贷测评对象的无效测评，有效降低整个系统的运行负荷。

进一步地，告警单元226具体用于：以文字形式向待信贷测评对象推送预设提示信息，和/或以语音形式向待信贷测评对象推送预设提示信息。

如图3所示，根据本发明的实施例的计算机设备300，包括：存储器302、处理器304及通信总线306。其中，存储器302配置为存储可执行指令；处理器304，配置为执行存储的指令以实现如上述任一实施例所述方法的步骤，因而具备该数据分析方法的全部技术效果，在此不再赘述。

具体地，上述存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(harddiskdrive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在综合网关容灾设备的内部或外部。在特定实施例中，存储器302是非易失性固态存储器。在特定实施例中，存储器302包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。处理器304可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。通信总线306用于实现信号处理器304和存储器302之间的连接通信。通信总线306可以是工业标准体系结构(industrystandardarchitecture，isa)总线、外部设备互连(peripheralcomponentinterconnect，pci)总线或扩展标准体系结构(extendedindustrystandardarchitecture，eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。

本发明第四方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一技术方案所述方法的步骤，因而具备该数据分析方法的全部技术效果，在此不再赘述。计算机可读存储介质可以包括能够存储或传输信息的任何介质。计算机可读存储介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

以上结合附图详细说明了本发明的技术方案，本发明的技术方案提出了一种新的基于扩充标签数据的信贷风险评估方案，能够准确全面地进行信贷风险评估，提高评估结果的准确性。

上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。