本说明书一个或多个实施例涉及计算机技术领域，尤其涉及通过计算机确定业务请求事件的风险概率的方法和装置。
背景技术：
随着计算机和互联网技术的发展，越来越多的业务通过计算平台来实现，例如商品交易、钱款支付、金融借贷、保险理赔等等。然而，在许多业务的执行和处理中，如果不对业务请求人的背景，以及所请求的业务进行审核，就很可能带来较大风险，例如一些不法分子可能利用电子平台，实施金融诈骗，借贷套现、保险骗保等等。
常规技术中，为了防止和降低上述风险，往往通过人工进行风险审核。在有些平台中，也会设置一些简单的规则，辅助人工进行判断。然而，这样的方式效率很低，难以满足业务快速发展的需要；并且，识别高风险用户和高风险事件的准确性有赖于人工审核的业务员的自身经验，不同业务员的经验的差异也会带来操作性风险，使得审核准确度难以得到保证，常常出现遗漏。
因此，希望能有改进的方案，通过高效而准确地确定业务请求事件的风险概率，降低业务执行风险。
技术实现要素：
本说明书一个或多个实施例描述了一种方法和装置，用于高效地确定业务请求事件的风险概率。
根据第一方面，提供了一种确定业务请求事件的风险概率的方法，包括：
获取业务请求事件的事件特征；
获取所述业务请求事件所涉及的至少一个用户的用户个人特征；
基于特定人群的人群关系图谱，确定所述至少一个用户的关系特征，其中所述特定人群包含所述至少一个用户；
根据所述事件特征，所述至少一个用户的用户个人特征，以及所述至少一个用户的关系特征，确定所述业务请求事件的风险概率。
在一个实施例中，上述事件特征包括以下中的至少一项：请求业务金额，业务注册时间，事件发生时间，业务注册时间与事件发生时间的时间差，事件发生地点。
在一个实施例中，上述至少一个用户包括，所述业务请求事件的请求人，和业务请求的受益人。
在一个实施例中，上述用户个人特征包括以下中的一项或多项，用户基本属性特征，用户行为特征，用户位置特征。
根据一种实施方式，确定上述至少一个用户的关系特征向量，具体包括：获取包含所述至少一个用户的所述特定人群；获取所述特定人群的人群关系图谱；以及基于所述人群关系图谱，确定所述至少一个用户的关系特征。
在一个实施例中，获取上述特定人群又包括，在预先划分的多个用户子集中，确定所述至少一个用户所属于的用户子集，将该用户子集作为上述特定人群；或者，将所述至少一个用户添加到预先选择的用户集合中，将所述用户集合作为所述特定人群。
在一个实施例中，获取特定人群的人群关系图谱进一步包括：获取针对预先选择的用户集合构建的第一关系图谱；获取所述至少一个用户与所述预先选择的用户集合中的用户的关联关系；将所述关联关系添加到所述第一关系图谱，作为所述特定人群的人群关系图谱。
根据一种实施方式，上述特定人群的人群关系图谱基于以下一种或多种关系而建立：交易关系、设备关系、资金关系、社交关系。
在一个实施例中，确定用户的关系特征包括，采用节点-向量网络结构特征提取算法，将关系图谱转换为向量因子，基于所述向量因子确定用户的关系特征向量。
在一个实施例中，采用预先训练的评估模型确定业务请求事件的风险概率，所述评估模型基于梯度提升决策树算法而训练。
根据第二方面，提供一种确定业务请求事件的风险概率的装置，包括：
事件特征获取单元，配置为获取业务请求事件的事件特征；
个人特征获取单元，配置为获取所述业务请求事件所涉及的至少一个用户的用户个人特征；
关系特征获取单元，配置为基于特定人群的人群关系图谱，确定所述至少一个用户的关系特征，其中所述特定人群包含所述至少一个用户；
风险确定单元，配置为根据所述事件特征，所述至少一个用户的用户个人特征，以及所述至少一个用户的关系特征，确定所述业务请求事件的风险概率。
根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
通过本说明书实施例提供的方法和装置，基于业务请求事件的事件特征，所涉及用户的用户个人特征，以及所涉及用户的关系特征，综合确定业务请求事件的风险概率，从而使得风险确定更加高效而准确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。
图1示出本说明书披露的一个实施例的实施场景示意图；
图2示出根据一个实施例的确定业务请求事件的风险概率的方法流程图；
图3示出根据一个实施例的确定相关用户的关系特征的步骤流程；
图4示出根据一个实施例的人群关系图谱的例子；
图5示出根据一个实施例的风险确定装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。在该实施场景中，通过计算平台来执行业务请求事件的风险审核。用户可以向计算平台发出业务请求事件，例如申请贷款，申请保险理赔等。计算平台获取到这样的业务请求后，要获取多方面的信息，以对该事件的风险概率进行全面评估。这多方面的信息包括，业务请求事件的事件信息，以及业务请求事件所涉及用户的用户个人特征。此外，计算平台还将事件所涉及的用户放入特定人群中，以获得用户在人群关系图谱中的关系特征。在此基础上，根据上述事件特征，用户个人特征，以及用户的关系特征，综合全面地评估业务请求事件的风险概率。下面描述上述场景的具体执行过程。
图2示出根据一个实施例的确定业务请求事件的风险概率的方法流程图。该方法的执行主体可以是任何具有计算、处理能力的系统、设备、装置、平台或服务器，例如图1所示的计算平台，更具体地，例如是需要对业务风险进行分析管控的各种后台服务器，比如支付宝服务器、保险业务服务器、金融审批服务器等。如图2所示，该方法包括以下步骤：步骤21，获取业务请求事件的事件特征；步骤22，获取业务请求事件所涉及的至少一个用户的用户个人特征；步骤23，基于特定人群的人群关系图谱，确定所述至少一个用户的关系特征，其中所述特定人群包含所述至少一个用户；步骤24，根据所述事件特征，所述至少一个用户的用户个人特征，以及所述至少一个用户的关系特征，确定所述业务请求事件的风险概率。下面描述以上各个步骤的执行方式。
首先，在步骤21，获取待评估的业务请求事件的事件特征。可以理解，待评估的业务请求事件可以是针对各种有可能存在风险的业务进行请求的事件，例如，申请贷款、申请信用服务、申请保险理赔等。相应地，与业务请求事件相关的事件特征可以包括以下中的一项或多项：请求的业务类型、请求金额、请求的发生时间、业务注册时间、注册时间与请求时间的时间差、事件发生地点等。更具体地，在一个具体例子中，上述业务请求事件为申请保险理赔的事件，相应地，事件特征可以包括：请求的险种、请求理赔金额、申请理赔时间、投保时间、投保时间与理赔时间的时间差、发生地点等。在另一例子中，上述业务请求事件为申请贷款的事件，相应地，事件特征可以包括：请求金额、申请时间、注册时间、注册时间与申请时间的时间差、发生地点等。
此外，在步骤22，还获取业务请求事件所涉及的相关用户的用户个人特征。在一个实施例中，业务请求事件所涉及的相关用户即为业务请求人。在另一实施例中，业务请求事件所涉及的相关用户还包括除请求人之外的其他利益相关人。例如，申请贷款业务的事件，涉及的相关用户除了包括贷款请求人，还可以包括担保人等。申请保险理赔的事件，涉及的相关用户除了包括理赔请求人，还可以包括，保险受益人等。因此，业务请求事件所涉及的相关用户可以是多个用户。对于所涉及的各个相关用户，在步骤22，获取这些用户的用户个人特征。
在一个实施例中，用户个人特征包括用户基本属性特征，例如：性别，年龄，注册时长，联系方式等等基本信息。
在一个实施例中，用户个人特征包括用户行为特征。更具体的，用户行为特征可以包括与用户的历史业务操作相关的行为信息，例如，交易次数、平均交易金额、申请理赔次数、理赔获批次数、平均理赔金额等等。
在一个实施例中，用户个人特征还包括用户位置特征，例如各项历史业务操作发生的位置，位置改变的范围，等等。
在更多实施例中，用户个人特征还可以包含更多方面的用户特征。可以理解，用户个人特征是仅依赖于某个用户个体的一些特征，刻画该用户自身的属性特点、操作特点等。根据本说明书的实施例，除了获取用户个体的个人特征之外，还将用户放入一定的人群中，进而发掘出用户在人群关系网络中的关系特征，以便基于该关系特征进行更全面的分析和评估。
于是，在步骤23，对于步骤22中提及的各个相关用户，基于特定人群的人群关系图谱，确定各个用户的关系特征，其中所述特定人群包含上述相关用户。图3示出根据一个实施例的确定相关用户的关系特征的步骤流程，即步骤23的子步骤。如图3所示，为了确定各个相关用户的关系特征，在步骤31，获取包含相关用户的特定人群。
在一个实施例中，预先确定一个足够大的用户集合，使得该用户集合包含待评估的业务请求事件的相关用户，于是可以将该用户集合作为特定人群。例如，在业务请求事件为申请保险理赔的情况下，可以将所有投保人员的集合作为上述特定人群。
在一个实施例中，根据用户的某些特征，将全量用户的集合划分为多个用户子集。在步骤31，判断业务请求事件所涉及的相关用户所属于的用户子集，将该用户子集作为上述特定人群。
在一个实施例中，预先选择具有一定相似性或关联性的部分用户构成一个用户集合。例如，在业务请求事件为申请保险理赔的情况下，可以预先选择所有曾经申请理赔的用户构成一个用户集合。然后在步骤31，判断当前事件的相关用户是否在上述用户集合中，如果不在，则将其添加到该用户集合中，将添加之后的用户集合作为所述特定人群。
还可以通过其他方式获取上述特定人群，只要使得该特定人群包含有待分析的相关用户。
接着，在步骤32，获取上述特定人群的人群关系图谱。
在一个实施例中，该步骤包括，针对上述特定人群，重新构建人群关系图谱。
在另一实施例中，上述特定人群选自预定的用户集合，并且系统已经预先为该用户集合构建了人群关系图谱。例如，如前所述的例子中，特定人群可以选自全量用户，或者基于全量用户划分的某个用户子集，而系统可能预先为全量用户建立了人群关系图谱，或者针对各个用户子集建立了人群关系图谱。此时，在步骤32中，可以直接获取预先构建的人群关系图谱，或者从预先构建的、针对更大范围用户的人群关系图谱中，提取出与上述特定人群相关的部分，作为针对该特定人群的人群关系图谱。
在另一实施例中，上述特定人群是通过将相关用户添加到预先选择的用户集合中而形成。如果系统已经针对该预先选择的用户集合构建了人群关系图谱，那么步骤32可以包括，首先获取针对该预先选择的用户集合构建的关系图谱；获取上述相关用户与该预先选择的用户集合中的用户的关联关系；然后，将上述关联关系添加到上述关系图谱中，作为所述特定人群的人群关系图谱。
不管是预先构建，或者是现场重新构建，人群关系图谱的构建可以基于多种关系。
在一个实施例中，人群关系图谱基于人群的交易关系而建立。例如，两个用户之间达成商品购买交易，则在这两个用户之间建立交易关联。可以通过获取并分析大量用户的交易记录而确定用户之间的交易关系，进而建立人群关系图谱。
在一个实施例中，人群关系图谱基于人群的设备关系而建立。例如，当两个或多个用户账户利用同一台终端设备进行登录时，可以确定这两个或多个用户账户之间存在设备关联。存在设备关联的两个或多个用户账户，有可能是同一实体用户注册的多个账户，也可以是存在紧密关联(例如家人、同事等)的多个用户所对应的账户。设备关系可以通过获取用户登录其账户时所对应的实体终端信息而确定。
在一个实施例中，人群关系图谱基于资金关系而建立。例如，当两个用户之间存在转账、收款等资金转移操作时，则在这两个用户之间建立资金关联。可以通过获取并分析用户利用电子钱包进行资金操作的记录而确定用户之间的资金关系，进而基于资金关系建立人群关系图谱。
在一个实施例中，人群关系图谱基于社交关系而建立。如今人们越来越多地使用社交应用进行交互，例如，两个用户可以通过社交应用进行聊天、发红包、文件传送等互动，那么可以在这两个用户之间建立社交关联。可以基于社交应用捕获的大量社交交互确定人群之间的社交关系，进而建立人群关系图谱。
尽管以上给出了若干例子，但是可以理解，还可以基于更多种人群关联关系来建立人群关系图谱。并且，人群关系图谱可以同时基于若干种人群关联关系而建立。
在一个实施例中，人群关系图谱可以形成为节点网络的形式。在该形式下，人群关系图谱包括多个节点，每个节点对应一个用户，存在关联关系的节点之间会彼此连接。在一个实施例中，节点之间的连接可以具有多种属性，例如连接类型，连接强度等，其中连接类型又包括，例如资金连接(基于资金关系的连接)，社交连接(基于社交互动的连接等)，连接强度又可以包括，例如强连接，弱连接等。
图4示出根据一个实施例的人群关系图谱的例子。如图4所示，在该例子中，人群关系图谱中包括多个节点，每个节点对应一个用户。节点之间的连接表示用户之间具有关联关系。假定图4的人群关系图谱是基于人群的资金关系和社交关系而建立。相应地，节点之间的连接可以是资金连接或社交连接。在图4的例子中，以不同的线型示出不同的连接类型，即以虚线示出节点之间的社交连接，以实线示出节点之间的资金连接。并且，以连接线的粗细示出连接的强度。例如，粗线示出强连接，细线示出弱连接。更具体地，粗实线可以示出，较强的资金连接(例如资金交互超过一金额阈值，例如1万元)，细实线示出，较弱的资金连接(例如资金交互不超过上述金额阈值)；粗虚线可以示出，较强的社交连接(例如，交互频次超过一频次阈值，例如每天10次)，细虚线示出，较弱的社交连接(例如，交互频次不超过上述频次阈值)。
可以理解，在更多实施例中，人群关系图谱还可以表征为其他形式，例如表格，图形等形式。
回到图3，在获取针对特定人群而构建的人群关系图谱的基础上，在步骤33，基于该人群关系图谱，确定当前事件所涉及的相关用户的关系特征。
如前所述，在人群关系图谱中，存在关联关系的用户会彼此连接。相应地，在一个实施例中，对于某个用户，可以从人群关系图谱中，提取出与该用户有关的连接的特征，例如连接的数目，连接的类型，连接的强度，所连接到的其他用户，等等，将这样的连接特征作为该用户的关系特征。
在另一实施例中，采用机器学习辅助方法，对人群关系图谱进行分析和表征。实际上，人群关系图谱可以理解为一种网络，其中包含了一定数目的节点(对应于用户)，以及节点之间的连接关系(用户之间的关联关系)。相比于文本和图像，网络信息更难被结构化为标准的数据，因此，难以应用于机器学习。近来，提出了几种网络表示(networkrepresentation)学习算法，来表征并分析网络结构。这些算法的目标，是用低维、稠密、实值的向量表示网络中具有语义关系的节点，从而利于计算存储，不用再手动提取特征，并且可以将异质信息投影到同一个低维空间中，方便进行下游计算。
根据网络表示学习算法，将网络嵌入到一个几何空间中，将每个节点的空间坐标视作该节点的特征，从而放到神经网络中进行学习和训练。相应地，对于人群关系图谱，可以将该图谱映射到几何空间中，计算各个用户节点的空间坐标，作为其关系特征向量。对于网络节点的空间坐标的计算，可以采用多种算法。
在一个实施例中，采用deepwalk算法确定人群关系图谱所对应的网络中各个节点的向量表示。根据deepwalk算法，在网络上释放大量的随机游走粒子，这些粒子在给定的时间内就会走出一个节点构成的序列。如果将节点视作单词，由此生成的序列就构成了句子，于是可以得到一种节点由序列构成的“语言”。然后，应用词向量转换(word2vec)算法，就可以计算出每个节点“单词”的向量表示。
在一个实施例中，采用节点-向量(node2vec)结构特征提取算法，将人群关系图谱转换为向量因子的形式。node2vec节点-向量结构特征提取算法，改进了deepwalk中随机游走的策略，在深度优先的搜索(depth-firstsearch,dfs)和广度优先的搜索(breadth-firstsearch，bfs)之间达到一个平衡，同时考虑到局部和宏观的信息，从而优化向量生成方式。如此，可以将人群关系图谱中的用户节点转换成向量表示的形式，从而可以确定当前事件所涉及的用户在该人群关系图谱中的向量表达，作为其关系特征向量。
在其他实施例中，还可以采用更多种方式，从人群关系图谱中获取当前事件涉及用户的关系特征向量。根据人群关系图谱的不同构建方式、不同表示方式，获取的关系特征向量的维度、元素也会有所不同。不过可以理解的是，关系特征向量通过表征用户对应的节点在人群关系图谱中的位置，以及与其他节点的连接关系，从而全面地表征用户在人群关系网中与其他用户的关联关系。
基于步骤21中获取的事件特征，步骤22获取的用户个人特征，以及如上所述在步骤23获取的用户关系特征，在步骤24，综合以上各种特征，确定业务请求事件的风险概率。
在一个具体实施例中，基于事件特征，确定业务请求事件的第一评估分数；基于用户个人特征，确定业务请求事件的第二评估分数；基于用户关系特征，确定业务请求事件的第三评估分数；最后对第一、第二、第三评估分数进行加权求和，确定业务请求事件的风险概率分数。其中确定第一、第二和第三评估分数的方式，可以通过预先训练的模型算法和模型参数进行。
在另一个具体实施例中，用户个人特征和用户关系特征均表示为向量的形式。在步骤24，首先将用户个人特征的特征向量和用户关系特征的特征向量进行拼接，得到用户综合特征。接着，可以基于用户综合特征，确定业务请求事件的第一评估分数，基于业务请求事件的事件特征，确定该事件的第二评估分数，最后基于第一和第二评估分数，确定业务请求事件的风险概率分数。其中确定第一和第二评估分数的方式，可以通过预先训练的模型算法和模型参数进行。
在另一实施例中，预先训练一个评估模型，该评估模型直接基于事件特征、用户个人特征以及用户关系特征，对业务请求事件的风险概率进行评估。可以理解，该评估模型基于已经标定的训练数据集进行训练。实践中，对于已知其风险概率的业务请求事件，例如人工审核确定为理赔骗保的负样本事件，或者人工审核确定为正常理赔的正样本事件，获取事件的事件特征，事件所涉及用户的用户个人特征。此外，也将涉及用户放入人群中，获取用户在人群关系图谱中的关系特征，特别是关系特征向量。将以上数据加入训练数据集。如此，可以采用一定的模型算法和模型参数，基于训练数据集中的事件特征、用户个人特征和用户关系特征确定事件的风险概率，得到某个事件的风险概率。然后，基于得到的风险概率与该事件实际的已知风险概率的比对(即损失函数)，不断优化模型算法和模型参数，从而训练得到上述评估模型。
上述评估模型可以采用多种具体的模型算法。在一个实施例中，采用梯度提升决策树gbdt(gradientboostingdecisiontree)方法训练得到上述评估模型。
如本领域技术人员所知，梯度提升决策树gbdt方法是一种有监督的集成学习的方法。在集成学习方法中，采用多个学习器分别对训练样本集进行学习，最终的模型是对上述多个学习器的综合。集成学习最主要的两种方法为bagging和boosting，其中根据boosting算法，学习器之间存在先后顺序，且具有不同的权重，同时也为每一个样本分配权重。初始地，每一个样本的权重相等，在利用某个学习器对训练样本进行学习之后，增大错误样本的权重，减小正确样本的权重，再利用后续的学习器对其进行学习。这样，最终的预测结果为多个学习器结果的合并。在此基础上，可以采用梯度传递的方式基于预测结果优化模型函数，这样的方法称为梯度提升gradientboost方法。
在梯度提升gradientboost框架下，每个基学习器采用分类回归树算法，就构成了梯度提升决策树gbdt模型。分类回归树算法是一种基于二叉树的机器学习算法。在梯度提升决策树gbdt算法中，由于集成了多个这样的分类回归树作为学习器，使得模型的准确性和覆盖率更加有效。
更具体地，根据gbdt算法，可以针对各项特征，包括事件特征、用户个人特征和用户关系特征，训练多个采用分类回归树的学习器，从而形成上述评估模型。
在其他实施例中，上述评估模型也可以采用其他算法训练实现，例如前述的集成学习中的bagging算法，以及采用其他算法的学习器等等。
在评估模型训练完成之后，在步骤24，可以直接采用评估模型，确定当前的业务请求事件的风险概率。
如此，综合一个业务请求事件的事件特征、用户个人特征和用户关系特征，可以全面地对该业务请求事件的风险概率进行评估，从而更加高效、准确地把控业务执行风险。
根据另一方面的实施例，还提供一种确定业务请求事件的风险概率的装置。图5示出根据一个实施例的风险确定装置的示意性框图。如图5所示，该风险确定装置500包括：事件特征获取单元510，配置为获取业务请求事件的事件特征；个人特征获取单元520，配置为获取所述业务请求事件所涉及的至少一个用户的用户个人特征；关系特征获取单元530，配置为基于特定人群的人群关系图谱，确定所述至少一个用户的关系特征，其中所述特定人群包含所述至少一个用户；风险确定单元540，配置为根据所述事件特征，所述至少一个用户的用户个人特征，以及所述至少一个用户的关系特征，确定所述业务请求事件的风险概率。
在一个实施例中，上述事件特征获取单元510获取的事件特征包括以下中的至少一项：请求业务金额，业务注册时间，事件发生时间，业务注册时间与事件发生时间的时间差，事件发生地点。
根据一个实施例，业务请求事件所涉及的至少一个用户包括，业务请求事件的请求人，以及业务请求的受益人。
在一个实施例中，上述个人特征获取单元520所获取的用户个人特征包括以下中的一项或多项，用户基本属性特征，用户行为特征，用户位置特征。
根据一种实施方式，上述关系特征获取单元530包括：人群获取模块531，配置为获取包含所述至少一个用户的特定人群；图谱获取模块532，配置为获取所述特定人群的人群关系图谱；特征获取模块533，配置为基于所述人群关系图谱，确定所述至少一个用户的关系特征。
在一个实施例中，所述人群获取模块531配置为，在预先划分的多个用户子集中，确定所述至少一个用户所属于的用户子集，将该用户子集作为上述特定人群。
在另一实施例中，所述人群获取模块531配置为，将所述至少一个用户添加到预先选择的用户集合中，将所述用户集合作为所述特定人群。
进一步地，在一个实施例中，图谱获取模块532配置为：获取针对所述预先选择的用户集合构建的第一关系图谱；获取所述至少一个用户与所述预先选择的用户集合中的用户的关联关系；将所述关联关系添加到所述第一关系图谱，作为所述特定人群的人群关系图谱。
根据一种实施方式，特定人群的人群关系图谱基于以下一种或多种关系而建立：交易关系、设备关系、资金关系、社交关系。
在一个实施例中，上述关系特征获取单元530配置为，采用节点-向量网络结构特征提取算法，将所述关系图谱转换为向量因子，基于所述向量因子确定所述至少一个用户的关系特征向量。
在一个实施例中，风险确定单元540配置为，采用预先训练的评估模型确定所述业务请求事件的风险概率，所述评估模型基于梯度提升决策树算法而训练。
通过上述装置，综合一个业务请求事件的事件特征、用户个人特征和用户关系特征，全面地对该业务请求事件的风险概率进行评估，从而更加高效、准确地把控业务执行风险
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。