一种推荐应用的方法和装置与流程
本发明涉及信息处理技术领域，具体而言涉及一种推荐应用的方法和装置。
背景技术：
随着互联网的发展、以及3g和4g移动通信网络的推广和智能终端的普及，大量的应用也应运而生，很多在计算机终端上实现的功能(例如购物、阅读)也都可以在智能移动终端上实现，例如使用智能手机或平板电脑等。另外，这些功能的实现需要在智能移动终端上安装相应的应用程序。例如，网上购物，需要安装例如淘宝客户端，听音乐需要安装音乐播放器客户端等。由此，很多软件公司提供了应用商店或应用市场，例如豌豆荚或者pp助手等。用户可以打开应用商店或者应用市场，从而能够快速搜索和下载所需要的各种应用程序，包括影音播放类、系统工具类、通讯社交类、网上购物类、阅读类等，当然还可以下载游戏等休闲娱乐类应用程序(app)。
在应用商店或者应用市场中，为了不断提升用户使用应用商店或者应用市场的良好体验感，目前开发商开发出很多便捷用户使用的功能，其中之一是推荐功能，即向用户推荐一些应用，以帮助用户发现更多感兴趣的应用，例如：“猜你喜欢”、“大家还下载”、“下载了***的人还会下载”等。目前的推荐应用的方法基本以应用的大众的欢迎程度来进行推荐，例如推荐下载量排在前面的应用，或是推荐热门排行榜上的应用。但是由于不同的用户拥有不同的兴趣，根据现有技术推荐的应用不一定是用户感兴趣的，无法满足不同用户的个性化需求，致使用户的体验感不佳。
技术实现要素：
本发明的目的在于提供一种推荐应用的方法和装置，以改善上述问题。
本发明第一实施例提供了一种推荐应用的方法，其包括：
s1：获取用户在预设的一段时期内对预置应用资源库里的应用的点击行为和下载安装行为的历史记录；
s2：根据所获取的历史记录和预先确立的相对喜好度系数来预测该用户对所述预置应用资源库里的不同应用的喜好度；
s3：基于所述喜好度按预设方式从所述预置应用资源库里选取一定数量的应用向所述用户推荐。
其中，所述预设的一段时期包括但不限于：最近7天、最近14天、或最近30天。
其中，所述根据所获取的历史记录和预先确立的相对喜好度系数来预测该用户对所述预置应用资源库里的不同应用的喜好度的方法包括：
其中：pdictu,j表示预测用户u对所述预置应用资源库里的应用j的喜好度；
insu,i表示用户u在预设的一段时期内是否安装了所述预置应用资源库里的应用i，0表示没有安装，1表示安装了；
rfsimi,j表示基于多个用户所安装了的所述预置应用资源库里的应用i所得到的用户对该预置应用资源库里的其它应用j的相对喜好度系数；
i表示所述预置应用资源库里的所有应用的集合。
其中，所述相对喜好度系数是：获得所述预置应用资源库里的第一应用和第二应用之间的协同过滤的杰卡德相似性的标准化值、和将用户在预设的一段时期内安装了第一应用并且向该用户推荐第二应用时该用户对该第二应用的响应行为进行数字化和标准化处理得到的标准化值，基于这两个标准化值与各自的权重的乘积之和得到所述相对喜好度系数。
优选的，所述相对喜好度系数的确定方法是：
其中：rfsimi,j表示基于多个用户所安装了的所述预置应用资源库里的应用i所得到的用户对该预置应用资源库里的其它应用j的相对喜好度系数；
simi,j表示所述预置应用资源库里的应用i和另一个应用j之间的协同过滤的杰卡德相似性；
avgn∈i(simi,n)表示所述预置应用资源库里的应用i和其它所有应用n之间的协同过滤的杰卡德相似性的平均值；
stdi,j表示所述预置应用资源库里的应用j相对于多个用户所安装了的所述预置应用资源库里的应用i的学习因子；
avgn∈i(stdi,n)表示所述预置应用资源库里的除了多个用户所安装了的应用i之外的其它所有应用n相对于该应用i的学习因子的平均值；
i表示所述预置应用资源库里的所有应用的集合；
β表示权重，其为一个常数；
所述学习因子stdi,j的确定方法如下：
其中：
u表示用户使用的终端上安装有能够访问所述预置应用资源库的应用产品的所有用户的集合；
insu,i表示用户u在预设的一段时期内是否安装了所述预置应用资源库里的应用i，0表示没有安装，1表示安装了；
fbu,j表示用户u在预设的一段时期内对于所述预置应用资源库里的应用j的奖励函数，其中：
a和b分别是自定义的常数。
其中，所述预置应用资源库里的应用i和另一个应用j之间的协同过滤的杰卡德相似性simi,j的计算方法如下：
其中：
urinsti表示在所述用户集合u中在用户使用的终端上安装了应用i的用户集合；
urinstj表示在所述用户集合u中在用户使用的终端上安装了应用j的用户集合；
ti表示所述预置应用资源库里的应用i被标注的所有标签的集合；
tj表示所述预置应用资源库里的应用j被标注的所有标签的集合。
其中，在步骤s3中，基于所述喜好度值从大到小顺序选取一定数量的应用向用户推荐，或是从大于或等于预设阈值的喜好度所对应的应用中随机选取一定数量的应用向用户推荐。
本发明第二实施例提供了一种推荐应用的装置，其包括：
应用历史记录获取单元，用于获取用户在预设的一段时期内对预置应用资源库里的应用的点击行为和下载安装行为的历史记录；
喜好度确定单元，用于根据所获取的历史记录和预先确立的相对喜好度系数来预测该用户对所述预置应用资源库里的不同应用的喜好度；
推荐单元，用于基于所述喜好度按预设方式从所述预置应用资源库里选取一定数量的应用向所述用户推荐。
其中，所述预设的一段时期包括但不限于：最近7天、最近14天、或最近30天。
其中，所述喜好度确定单元用于根据所获取的历史记录和预先确立的相对喜好度系数来预测该用户对所述预置应用资源库里的不同应用的喜好度的方法包括：
其中：pdictu,j表示预测用户u对所述预置应用资源库里的应用j的喜好度；
insu,i表示用户u在预设的一段时期内是否安装了所述预置应用资源库里的应用i，0表示没有安装，1表示安装了；
rfsimi,j表示基于多个用户所安装了的所述预置应用资源库里的应用i所得到的用户对该预置应用资源库里的其它应用j的相对喜好度系数；
i表示所述预置应用资源库里的所有应用的集合。
其中，所述相对喜好度系数是：获得所述预置应用资源库里的第一应用和第二应用之间的协同过滤的杰卡德相似性的标准化值、和将用户在预设的一段时期内安装了第一应用并且向该用户推荐第二应用时该用户对该第二应用的响应行为进行数字化和标准化处理得到的标准化值，基于这两个标准化值与各自的权重的乘积之和得到所述相对喜好度系数。
优选的，所述相对喜好度系数的确定方法是：
其中：rfsimi,j表示基于多个用户所安装了的所述预置应用资源库里的应用i所得到的用户对该预置应用资源库里的其它应用j的相对喜好度系数；
simi,j表示所述预置应用资源库里的应用i和另一个应用j之间的协同过滤的杰卡德相似性；
avgn∈i(simi,n)表示所述预置应用资源库里的应用i和其它所有应用n之间的协同过滤的杰卡德相似性的平均值；
stdi,j表示所述预置应用资源库里的应用j相对于多个用户所安装了的所述预置应用资源库里的应用i的学习因子；
avgn∈i(stdi,n)表示所述预置应用资源库里的除了多个用户所安装了的应用i之外的其它所有应用n相对于该应用i的学习因子的平均值；
i表示所述预置应用资源库里的所有应用的集合；
β表示权重，其为一个常数；
所述学习因子stdi,j的确定方法如下：
其中：
u表示用户使用的终端上安装有能够访问所述预置应用资源库的应用产品的所有用户的集合；
insu,i表示用户u在预设的一段时期内是否安装了所述预置应用资源库里的应用i，0表示没有安装，1表示安装了；
fbu,j表示用户u在预设的一段时期内对于所述预置应用资源库里的应用j的奖励函数，其中：
a和b分别是自定义的常数
其中，所述预置应用资源库里的应用i和另一个应用j之间的协同过滤的杰卡德相似性simi,j的计算方法如下：
其中：
urinsti表示在所述用户集合u中在用户使用的终端上安装了应用i的用户集合；
urinstj表示在所述用户集合u中在用户使用的终端上安装了应用j的用户集合；
ti表示所述预置应用资源库里的应用i被标注的所有标签的集合；
tj表示所述预置应用资源库里的应用j被标注的所有标签的集合。
其中，按预设方式选取包括：基于所述喜好度值从大到小顺序选取的方式，或者从大于或等于预设阈值的喜好度所对应的应用中随机选取的方式。
本发明第三实施例还提供了一种存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行第一实施例和/或优选实施例所述的方法。
根据本发明的一种推荐应用的方法和装置，通过获取用户在预设的一段时期内对预置应用资源库里的应用的点击行为和安装行为的历史记录，这样根据所获取的历史记录和预先确立的相对喜好度系数就可以预测出该用户对所述预置应用资源库里的不同应用的不同喜好度，基于所述不同喜好度的大小就可以实现针对不同用户进行个性化推荐应用的目的。
附图说明
图1是本发明第一实施例提供的推荐应用的方法的流程图；
图2是本发明第二实施例提供的推荐应用的装置的示意性框图；
具体实施方式
下面将结合本发明实施例和附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
在上面提到的用户体验感不佳的原因之一是不同的用户拥有不同的兴趣，而现有技术的推荐方案仅仅是推荐推荐下载量排在前面的应用，但下载量最高的应用不一定是人人都喜欢的。以游戏为例，假设“捕鱼达人app”是下载量最高的，但用户a不喜欢玩“捕鱼达人”的游戏，而是喜欢玩格斗游戏，所以向用户a推荐“捕鱼达人”是无法激发他的兴趣去点击下载；再例如，用户b在朋友的推荐下下载了“捕鱼达人”，但不喜欢玩，将其卸载。但根据现有技术的推荐方法，当用户b点击进入应用商店或者应用市场时依然会向其推荐“捕鱼达人”，这就带来了不好的用户体验。
本技术方案的发明人充分考虑了用户的兴趣和喜好，提出一种新的个性化推荐方法，能够根据不同用户的兴趣喜好不同而推荐不同应用，从而实现个性化推荐，这会大大提升用户的体验感。
通常可以认为，用户使用的例如智能手机或平板电脑或计算机等智能终端上安装的各种应用，如游戏类、休闲类、办公类等，是该用户感兴趣的应用，如果能够找到一种方法可以基于用户已安装应用来推荐应用，就可以实现所述的个性化推荐的目的。
图1是本发明第一实施例提供的推荐应用的方法的流程图。如图1所示，本发明的推荐应用的方法包括以下步骤：
s1：获取用户在预设的一段时期内对预置应用资源库里的应用的点击行为和下载安装行为的历史记录。
正如背景技术提及的，很多软件公司提供了应用商店或应用市场产品，例如豌豆荚或pp助手等，以及诸如华为公司等提供的各自的应用市场app等，使用智能终端的用户也越来越习惯通过各种的应用商店或应用市场来下载安装自己需要的第三方应用(app)产品。而这些应用商店或应用市场app产品的服务商会在后端的服务器上预先建立应用资源库，即预置应用资源库，资源库里面保存着大量的可供用户下载和安装的各类第三方应用，包括办公商务类app、影音播放类app、通讯社交类app、网上购物类app、游戏类app等等。不同用户通过应用商店或应用市场app产品下载安装第三方应用的频率、数量和app产品都存在着不同，有的用户会经常下载游戏类的app，例如每隔一周下载安装一款新的游戏应用产品，而有的用户可能只下载办公商务类的app和通讯社交类的app，间隔时间也许会很长，有可能几周或几个月下载安装一次；当然若是将下载同款升级的app视为下载行为，则也可能1周或2周之内就发生一次下载行为。用户使用不同的应用商店或应用市场app产品来下载安装第三方应用时，其点击行为、下载和安装行为会作为日志记录在与所使用的应用商店或应用市场app产品相关联的服务器上。
应用商店或应用市场提供的第三方应用都具有1个或多个标签，这些标签来自于在开发应用商店或应用市场时预置的标签集合，这对于本领域技术人员来说是公知常识，这里不对这些常规技术做过多介绍。
基于以上的相关介绍，本发明的步骤s1首先需要遍历用户u在预设的一段时期内对预置应用资源库里的应用的点击行为和下载安装行为，即通过遍历记录的用户日志来获知该用户u在预设的一段时期内都点击过预置应用资源库里的哪些应用、和下载安装了预置应用资源库里的哪些应用。所述预设的一段时期在实践中可以自由设定，例如可以是7天、14天、20天或30天等；当然也可以预先依据大数据分析大量用户观看应用的时间频率，然后来设定一个比较合适的时间段，例如，假设30天(当然也可以是其它天数)比较合适，则可以遍历用户在30天内对预置应用资源库里的应用的点击行为和下载安装行为。
s2：根据所获取的历史记录和预先确立的相对喜好度系数来预测该用户对所述预置应用资源库里的不同应用的喜好度。
其中，所述相对喜好度系数是：获得所述预置应用资源库里的第一应用和第二应用之间的协同过滤的杰卡德相似性的标准化值、和将用户在预设的一段时期内安装了第一应用并且向该用户推荐第二应用时该用户对该第二应用的响应行为进行数字化和标准化处理得到的标准化值，基于这两个标准化值与各自的权重的乘积之和得到所述相对喜好度系数。
优选的，所述相对喜好度系数的确定方法是：
其中：rfsimi,j表示基于多个用户所安装了的所述预置应用资源库里的应用i所得到的用户对该预置应用资源库里的其它应用j的相对喜好度系数；
simi,j表示所述预置应用资源库里的应用i和另一个应用j之间的协同过滤的杰卡德相似性；
avgn∈i(simi,n)表示所述预置应用资源库里的应用i和其它所有应用n之间的协同过滤的杰卡德相似性的平均值；
stdi,j表示所述预置应用资源库里的应用j相对于多个用户所安装了的所述预置应用资源库里的应用i的学习因子；
avgn∈i(stdi,n)表示所述预置应用资源库里的除了多个用户所安装了的应用i之外的其它所有应用n相对于该应用i的学习因子的平均值；
i表示所述预置应用资源库里的所有应用的集合；
β表示权重，其为一个常数。
注意，这里的相对喜好度系数rfsimi,j不是针对某个特定用户的，而是适用于下载安装过预置应用资源库里的应用i的普遍用户的通用的相对喜好度系数。
所述学习因子stdi,j的确定方法如下：
其中：
u表示用户使用的终端上安装有能够访问所述预置应用资源库的应用产品的所有用户的集合；
insu,i表示用户u在预设的一段时期内是否安装了所述预置应用资源库里的应用i，0表示没有安装，1表示安装了；
fbu,j表示用户u在预设的一段时期内对于所述预置应用资源库里的应用j的奖励函数，其中：
a和b分别是自定义的常数。
另外，这里对集合u做一个简单的解释，即在用户使用的终端上安装有类似应用商店或应用市场等app产品的所有用户的集合。当然，这里统计的所有用户的集合是指统计安装有同一款应用商店或应用市场等app产品的用户集合，例如统计在所使用的终端上安装有pp助手产品的所有用户的集合。
其中，所述预置应用资源库里的应用i和另一个应用j之间的协同过滤的杰卡德相似性simi,j的计算方法如下：
其中：
urinsti表示在所述用户集合u中在用户使用的终端上安装了应用i的用户集合；
urinstj表示在所述用户集合u中在用户使用的终端上安装了应用j的用户集合；
ti表示所述预置应用资源库里的应用i被标注的所有标签的集合；
tj表示所述预置应用资源库里的应用j被标注的所有标签的集合。
另外，
通过上述方法能够预先确立相对喜好度系数，这样就可以根据所获取的历史记录和预先确立的相对喜好度系数来预测该用户对所述预置应用资源库里的不同应用的喜好度，该预测用户对不同应用的喜好度的方法包括：
其中：pdictu,j表示预测用户u对所述预置应用资源库里的应用j的喜好度；
insu,i表示用户u在预设的一段时期内是否安装了所述预置应用资源库里的应用i，0表示没有安装，1表示安装了；
rfsimi,j表示基于多个用户所安装了的所述预置应用资源库里的应用i所得到的用户对该预置应用资源库里的其它应用j的相对喜好度系数；
i表示所述预置应用资源库里的所有应用的集合。
注意，这里的相对喜好度系数rfsimi,j不是针对某个特定用户的，而是适用于下载安装过预置应用资源库里的应用i的普遍用户的通用的相对喜好度系数。
在该式子里，通过计算用户u由于在预设的一段时期内所安装了的所述预置应用资源库里的不同应用i而分别相对于对该预置应用资源库里的其它应用j的相对喜好度系数之和，作为预测的用户对所述预置应用资源里的不同应用的喜好度。
s3：基于所述喜好度按预设方式从所述预置应用资源库里选取一定数量的应用向所述用户推荐。
通过得到的用户对预置应用资源库里的不同应用的喜好度，就可以知道用户对哪些应用更感兴趣，这样基于所述喜好度按预设方式选取一定数量的应用向用户推荐。优选的，基于所述喜好度值从大到小顺序选取一定数量的应用向用户推荐。所述一定数量可以根据实际应用场景来任意选定具体数量，例如可以是5-20个，或者20-50个，或者也可以是更多数量的应用，如100个、200个等。这样，实现了根据不同用户的喜好给用户推荐不同的应用的个性化推荐的目的。
除了采用上述优选方式来选取推荐应用之外，还可以预先设置一个阈值，从大于或等于预设阈值的喜好度所对应的应用中随机选取一定数量的应用向用户推荐，例如可以是5-20个，或者20-50个，或者也可以是更多数量的应用，如100个、200个等。
另外，本领域技术人员都知道，在使用智能终端，尤其是例如智能手机、平板电脑等的智能移动终端来下载安装第三方应用app时，通过在终端上安装的应用商店或应用市场app来实现下载安装应用是很省时、省力、快捷、方便的，这也是用户们经常进行的行为，也正如上面描述过的，这些应用商店或应用市场app产品的服务商会在后端的服务器上预先建立应用资源库，里面保存着大量的可供用户下载和安装的各类第三方应用，因此本文中涉及的用户点击和/或下载安装预置应用资源库里的应用，均指通过某款应用商店或应用市场app产品点击和/或下载该app产品服务商提供的预置应用资源库里的应用。
根据本发明的上述各实施例介绍的推荐的方法，实现了根据不同用户的喜好向用户推荐不同的应用的个性化推荐的目的。
图2是本发明第二实施例提供的推荐应用的装置的示意性框图。如图2所示，本发明的推荐应用的装置包括：
应用历史记录获取单元，用于获取用户在预设的一段时期内对预置应用资源库里的应用的点击行为和下载安装行为的历史记录；
喜好度确定单元，用于根据所获取的历史记录和预先确立的相对喜好度系数来预测该用户对所述预置应用资源库里的不同应用的喜好度；
推荐单元，用于基于所述喜好度按预设方式从所述预置应用资源库里选取一定数量的应用向所述用户推荐。
其中，所述预设的一段时期包括但不限于：最近7天、最近14天、或最近30天。
其中，所述相对喜好度系数是：获得所述预置应用资源库里的第一应用和第二应用之间的协同过滤的杰卡德相似性的标准化值、和将用户在预设的一段时期内安装了第一应用并且向该用户推荐第二应用时该用户对该第二应用的响应行为进行数字化和标准化处理得到的标准化值，基于这两个标准化值与各自的权重的乘积之和得到所述相对喜好度系数。
优选的，所述相对喜好度系数的确定方法是：
其中：rfsimi,j表示基于多个用户所安装了的所述预置应用资源库里的应用i所得到的用户对该预置应用资源库里的其它应用j的相对喜好度系数；
simi,j表示所述预置应用资源库里的应用i和另一个应用j之间的协同过滤的杰卡德相似性；
avgn∈i(simi,n)表示所述预置应用资源库里的应用i和其它所有应用n之间的协同过滤的杰卡德相似性的平均值；
stdi,j表示所述预置应用资源库里的应用j相对于多个用户所安装了的所述预置应用资源库里的应用i的学习因子；
avgn∈i(stdi,n)表示所述预置应用资源库里的除了多个用户所安装了的应用i之外的其它所有应用n相对于该应用i的学习因子的平均值；
i表示所述预置应用资源库里的所有应用的集合；
β表示权重，其为一个常数；
所述学习因子stdi,j的确定方法如下：
其中：
u表示用户使用的终端上安装有能够访问所述预置应用资源库的应用产品的所有用户的集合；
insu,i表示用户u在预设的一段时期内是否安装了所述预置应用资源库里的应用i，0表示没有安装，1表示安装了；
fbu,j表示用户u在预设的一段时期内对于所述预置应用资源库里的应用j的奖励函数，其中：
a和b分别是自定义的常数。
其中，所述喜好度确定单元用于根据所获取的历史记录和预先确立的相对喜好度系数来预测该用户对所述预置应用资源库里的不同应用的喜好度的方法包括：
其中：pdictu,j表示预测用户u对所述预置应用资源库里的应用j的喜好度；
insu,i表示用户u在预设的一段时期内是否安装了所述预置应用资源库里的应用i，0表示没有安装，1表示安装了；
rfsimi,j表示基于多个用户所安装了的所述预置应用资源库里的应用i所得到的用户对该预置应用资源库里的其它应用j的相对喜好度系数；
i表示所述预置应用资源库里的所有应用的集合。
优选的，所述预置应用资源库里的应用i和另一个应用j之间的协同过滤的杰卡德相似性simi,j的计算方法如下：
其中：
urinsti表示在所述用户集合u中在用户使用的终端上安装了应用i的用户集合；
urinstj表示在所述用户集合u中在用户使用的终端上安装了应用j的用户集合；
ti表示所述预置应用资源库里的应用i被标注的所有标签的集合；
tj表示所述预置应用资源库里的应用j被标注的所有标签的集合。
其中，所述推荐单元基于所述喜好度按预设方式从所述预置应用资源库里选取一定数量的应用向所述用户推荐的方法包括：基于所述喜好度值从大到小顺序选取一定数量的应用向用户推荐，或是从大于或等于预设阈值的喜好度所对应的应用中随机选取一定数量的应用向用户推荐。所述一定数量可以根据实际应用场景来任意选定具体数量，例如可以是5-20个，或者20-50个，或者也可以是更多数量的应用，如100个、200个等。这样，实现了根据不同用户的喜好给用户推荐不同的应用的个性化推荐的目的。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述第一实施例描述的实施方法的对应过程，前述第一实施例中列举的例子和相关描述，同样适用于解释装置的工作过程，在此不再重复描述。
根据本发明的推荐应用的装置，实现了根据不同用户的喜好向用户推荐不同的应用的个性化推荐的目的。
本发明实施例所提供的一种应用推荐方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
为此，本发明还提供了一种存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行上述第一实施例及相应优选实施例所述的方法步骤。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，智能平板电脑，智能手机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom)、随机存取存储器(ram)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！