关键词推荐方法、装置、电子设备及存储介质与流程

1.本技术涉及数据搜索技术领域，特别是涉及一种关键词推荐方法、装置、电子设备及存储介质。


背景技术：

2.suggestion(查询关键字智能提示)是指根据用户在搜索框内输入的关键词向用户返回的预测的用户希望搜索的关键词，例如图1所示，用户在搜索框内输入的关键词为“神经网络”，返回的查询关键字智能提示为“神经网络算法”、“神经网络模型”、“神经网络算法三大类”、“神经网络原理”、“神经网络引擎”等。
3.发明人在研究中发现，现有suggestion在向用户返回预测的关键词时，仅仅是根据各个关键词的搜索次数进行预测，而并没有根据不同用户的特征进行预测。如何根据不同用户的特征进行用户的关键词的推荐，成为亟待解决的技术问题。


技术实现要素：

4.本技术实施例的目的在于提供一种关键词推荐方法、装置、电子设备及存储介质，以实现根据不同用户的特征进行用户希望搜索的关键词的推荐。具体技术方案如下：
5.在本技术实施的第一方面，首先提供了一种关键词推荐方法，方法包括：
6.获取用户输入的待查询关键词；
7.查找对应所述待查询关键词的多个预测关键词，并生成所述多个预测关键词的特征向量；
8.获取所述用户自身的特征向量，其中，所述用户自身的特征向量是根据历史记录中用户选取过的关键词的特征向量计算得到的向量；
9.根据多个所述预测关键词的特征向量组成的矩阵和所述用户自身的特征向量，计算得到注意力矩阵；
10.根据所述注意力矩阵，从所述多个所述预测关键词中选取目标关键词向所述用户进行推荐。
11.可选的，所述根据多个所述预测关键词的特征向量组成的矩阵和所述用户自身的特征向量，计算得到注意力矩阵，包括：
12.计算所述用户自身的特征向量与多个所述预测关键词的特征向量组成的矩阵的乘积，得到注意力矩阵；
13.所述根据所述注意力矩阵，从所述多个所述预测关键词中选取目标关键词向所述用户进行推荐，包括：
14.根据所述注意力矩阵，从所述多个所述预测关键词中选取对应数量积最大的前n个预测关键词向所述用户进行推荐。
15.可选的，所述计算所述用户自身的特征向量与多个所述预测关键词的特征向量组成的矩阵的乘积，得到注意力矩阵，包括：
16.获取预设的系数矩阵，其中，预设的系数矩阵是通过历史记录中用户选择过的关键词和用户自身的特征向量计算得到的矩阵；
17.计算所述系数矩阵和所述预测关键词的特征向量组成的矩阵的乘积，再与所述用户自身的特征向量相乘，得到所述注意力矩阵。
18.可选的，所述计算所述系数矩阵和所述预测关键词的特征向量组成的矩阵的乘积，再与所述用户自身的特征向量相乘，得到所述注意力矩阵，包括：
19.通过预设公式：a＝uwq
t
，计算得到所述注意力矩阵，其中，q为所述预测关键词的特征向量组成的矩阵，u为所述用户的特征向量，a为所述注意力矩阵，w为预设的系数矩阵。
20.可选的，所述根据所述注意力矩阵，从所述多个所述预测关键词中选取对应所述数量积最大的前n个预测关键词向所述用户进行推荐，包括：
21.对所述注意力矩阵进行归一化；
22.根据归一化后的注意力矩阵，从所述多个所述预测关键词中选取对应所述数量积最大的前n个预测关键词向所述用户进行推荐。
23.可选的，所述获取所述用户自身的特征向量，包括：
24.获取历史记录中用户选择过的多个关键词的特征向量；
25.计算所述用户选取过的多个关键词的特征向量的平均值，得到所述用户自身的特征向量。
26.在本技术实施的第二方面，还提供了一种关键词推荐装置，上述装置包括：
27.关键词获取模块，用于获取用户输入的待查询关键词；
28.向量生成模块，用于查找对应所述待查询关键词的多个预测关键词，并生成所述多个预测关键词的特征向量；
29.向量获取模块，用于获取所述用户自身的特征向量，其中，所述用户自身的特征向量是根据历史记录中用户选取过的关键词的特征向量计算得到的向量；
30.矩阵计算模块，用于根据多个所述预测关键词的特征向量组成的矩阵和所述用户自身的特征向量，计算得到注意力矩阵；
31.关键词推荐模块，用于根据所述注意力矩阵，从所述多个所述预测关键词中选取目标关键词向所述用户进行推荐。
32.可选的，所述矩阵计算模块，包括：
33.乘积计算子模块，用于计算所述用户自身的特征向量与多个所述预测关键词的特征向量组成的矩阵的乘积，得到注意力矩阵；
34.所述关键词推荐模块，包括：
35.关键词选取子模块，用于根据所述注意力矩阵，从所述多个所述预测关键词中选取对应数量积最大的前n个预测关键词向所述用户进行推荐。
36.可选的，所述乘积计算子模块，包括：
37.系数矩阵获取单元，用于获取预设的系数矩阵，其中，预设的系数矩阵是通过历史记录中用户选择过的关键词和用户自身的特征向量计算得到的矩阵；
38.注意力矩阵获取单元，用于计算所述系数矩阵和所述预测关键词的特征向量组成的矩阵的乘积，再与所述用户自身的特征向量相乘，得到所述注意力矩阵。
39.可选的，所述注意力矩阵获取单元，具体用于通过预设公式：a＝uwq
t
，计算得到所
述注意力矩阵，其中，q为所述预测关键词的特征向量组成的矩阵，u为所述用户的特征向量，a为所述注意力矩阵，w为预设的系数矩阵。
40.可选的，所述关键词选取子模块，包括：
41.归一化单元，用于对所述注意力矩阵进行归一化；
42.预测关键词选取单元，用于根据归一化后的注意力矩阵，从所述多个所述预测关键词中选取对应所述数量积最大的前n个预测关键词向所述用户进行推荐。
43.可选的，所述向量获取模块，包括：
44.特征向量获取子模块，用于获取历史记录中用户选择过的多个关键词的特征向量；
45.平均值计算子模块，用于计算所述用户选取过的多个关键词的特征向量的平均值，得到所述用户自身的特征向量。
46.在本技术实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
47.存储器，用于存放计算机程序；
48.处理器，用于执行存储器上所存放的程序时，上述任一所述的关键词推荐方法。
49.在本技术实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的关键词推荐方法。
50.在本技术实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的关键词推荐方法。
51.本技术实施例提供的一种关键词推荐方法、装置、电子设备及存储介质，通过获取用户输入的待查询关键词；查找对应所述待查询关键词的多个预测关键词，并生成所述多个预测关键词的特征向量；获取所述用户自身的特征向量，其中，所述用户自身的特征向量是根据历史记录中用户选取过的关键词的特征向量计算得到的向量；根据多个所述预测关键词的特征向量组成的矩阵和所述用户自身的特征向量，计算得到注意力矩阵；根据所述注意力矩阵，从所述多个所述预测关键词中选取目标关键词向所述用户进行推荐。可以根据用户自身的特征向量与多个预测关键词的特征向量组成的矩阵，计算得到注意力矩阵，并根据注意力矩阵，从多个所述预测关键词中选取目标关键词，并向所述用户进行推荐，从而实现根据不同用户自身的特征进行用户希望搜索的关键词的选取和推荐。
附图说明
52.为了更清楚地说明本技术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。
53.图1为本技术实施例中提供的搜索发现的一种实例图；
54.图2为本技术实施例提供的关键词推荐方法的一种流程示意图；
55.图3为本技术实施例提供的获取用户自身的特征向量的一种流程示意图；
56.图4为本技术实施例提供的关键词推荐方法的另一种流程示意图；
57.图5为本技术实施例提供的搜索发现的关键词推荐方法的一种实例图；
58.图6为本技术实施例提供的关键词推荐装置的一种结构示意图；
59.图7为本技术实施例提供的电子设备的一种结构示意图。
具体实施方式
60.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
61.为了实现根据不同用户的特征进行用户希望搜索的关键词的推荐，本技术实施例的第一方面，首先提供了一种搜索发现的关键词推荐方法，上述方法包括：
62.获取用户输入的待查询关键词；
63.查找对应待查询关键词的多个预测关键词，并生成多个预测关键词的特征向量；
64.获取用户自身的特征向量，其中，用户自身的特征向量是根据历史记录中用户选取过的关键词的特征向量计算得到的向量；
65.根据多个预测关键词的特征向量组成的矩阵和用户自身的特征向量，计算得到注意力矩阵；
66.根据注意力矩阵，从多个预测关键词中选取目标关键词向用户进行推荐。
67.可见，通过本技术实施例的方法，可以根据用户自身的特征向量与多个预测关键词的特征向量组成的矩阵，计算得到注意力矩阵，并根据注意力矩阵，从多个所述预测关键词中选取目标关键词，并向所述用户进行推荐，由于注意力矩阵是根据用户的历史记录中用户选取过的关键词提取到的特征向量计算得到的矩阵，因此该注意力矩阵可以表示用户的兴趣偏好，在通过该矩阵进行关键词推荐时，可以根据不同用户自身的特征进行用户希望搜索的关键词的选取和推荐。
68.具体的，参见图2，图2为本技术实施例提供的关键词推荐方法的一种流程示意图，包括：
69.步骤s21，获取用户输入的待查询关键词。
70.其中，用户输入的待查询关键词可以是用户实际希望搜索的内容中的关键词。例如，参见图1，当用户希望搜索神经网络算法、神经网络模型、神经网络原理等概念时，只需要输入待查询关键词神经网络，通过关键词推荐就可以根据用户输入的待查询关键词查找得到神经网络算法、神经网络模型、神经网络原理等向用户进行推荐。
71.本技术实施例的方法应用于搜索发现过程中的后端，具体的，该后端可以是服务器等。
72.步骤s22，查找对应待查询关键词的多个预测关键词，并生成多个预测关键词的特征向量。
73.一个例子中，查找对应待查询关键词的多个预测关键词，可以将待查询关键词与预设关键词进行匹配，得到对应的多个预测关键词。具体的，可以获取并保存用户搜索的关键词并进行保存组成关键词库，在查找对应待查询关键词的多个预测关键词时，将该待查询关键词与关键词库中的各个关键词进行匹配，得到多个预测关键词。
74.一个例子中，可以预先设定待查询关键词和预测关键词之间的对应关系，在查找对应待查询关键词的多个预测关键词时，可以根据该对应关系进行查找。例如，可以预先设定神经网络、神经网络原理、神经网络算法、神经网络模型，相互对应，在查找对应待查询关键词：神经网络，对应的预测关键词时，根据对应关系可以得到对应待查询关键词的多个预测关键词为：神经网络原理、神经网络算法、神经网络模型。
75.在实际使用过程中，查找对应待查询关键词的多个预测关键词，并生成多个预测关键词的特征向量，可以通过预先训练好的网络模型进行关键词的查找，并对查找到的关键词进行特征提取，得到多个预测关键词的特征向量。可选的，查找对应待查询关键词的多个预测关键词，并生成多个预测关键词的特征向量，还可以预先生成并保存各个预测关键词的特征向量，在查找对应待查询关键词的多个预测关键词时，可以通过预测关键词与预测关键词的特征向量之间的对应关系，得到多个预测关键词的特征向量。
76.步骤s23，获取用户自身的特征向量。
77.其中，用户自身的特征向量是根据历史记录中用户选取过的关键词的特征向量计算得到的向量。在实际使用过程中，可以通过记录各用户预先选取过的关键词并保存，然后针对每一用户通过预先训练好的特征提取模型对该用户选取过的关键词进行特征提取，得到该用户自身的特征向量。例如，当用户从推荐的关键词中选取某一关键词之后，可以对用户选取的关键词进行记录，从而可以以该关键词对应的特征向量计算用户自身的特征向量，并可以在每次用户搜索完成后，可以根据本次搜索过程中用户选取的关键词进行用户自身的特征向量的更新。由于本技术实施例中，用户自身的特征向量是通过用户历史选取过的关键词计算得到的特征向量，因此，用户自身的特征向量可以表示用户自身的兴趣偏好。
78.步骤s24，根据多个预测关键词的特征向量组成的矩阵和用户自身的特征向量，计算得到注意力矩阵。
79.其中，注意力矩阵是基于用户自身的特征向量，对多个预测关键词的特征向量通过注意力机制的约束得到的。具体地，注意力矩阵包括用户自身的特征向量与各预测用户希望搜索的关键词的特征向量的数量积。根据多个预测关键词的特征向量组成的矩阵和用户自身的特征向量，计算得到注意力矩阵，可以将多个预测关键词的特征向量组成的矩阵，用户自身的特征向量相乘，得到多个预测关键词的特征向量与用户自身的特征向量的数量积，由该多个数量积组成注意力矩阵，其中，注意力矩阵中的每一数值对应用户自身的特征向量与一组预测用户希望搜索的关键词的特征向量的数量积。例如，n个预测关键词的特征向量组成的矩阵与用户自身的特征向量相乘后，得到的注意力矩阵为1
×
n阶矩阵。
80.步骤s25，根据注意力矩阵，从多个预测关键词中选取目标关键词向用户进行推荐。
81.由于注意力矩阵中的每一数值对应用户自身的特征向量与预测用户希望搜索的关键词的特征向量的数量积，因此，根据注意力矩阵，选取对应数量积最大的前n个预测用户希望搜索的关键词，可以选取预测用户希望搜索的关键词中，对应的的特征向量与用户自身的特征向量的数量积最大的前n个。由于本技术实施例中，用户自身的特征向量是通过用户历史选取过的关键词计算得到的特征向量，因此，用户自身的特征向量可以表示用户自身的兴趣偏好。因此，通过计算用户自身的特征向量与预测用户希望搜索的关键词的特征向量的数量积，当得到的数量积越大，表示该预测关键词的特征向量与用户自身的特征向量的相似度越高，即该关键词越符合用户自身的兴趣偏好。因此，从多个预测关键词中选取目标关键词向用户进行推荐，可以选取的数量积最大的前n个向用户进行推荐。
82.可见，通过本技术实施例的方法，可以根据用户自身的特征向量与多个预测关键词的特征向量组成的矩阵，计算得到注意力矩阵，并根据注意力矩阵，从多个所述预测关键
词中选取目标关键词，并向所述用户进行推荐，从而实现根据不同用户历史选取过的关键词计算得到的特征向量进行用户希望搜索的关键词的选取和推荐，从而使得所推荐的关键词满足用户的历史搜索习惯。
83.可选的，参见图3，步骤s23获取用户自身的特征向量，包括：
84.步骤s231，获取历史记录中用户选择过的多个关键词的特征向量；
85.步骤s232，计算用户选取过的多个关键词的特征向量的平均值，得到用户自身的特征向量。
86.其中，获取历史记录中用户选择过的多个关键词的特征向量，可以在用户从目标关键词中选择一个关键词后，对用户选取的关键词进行记录。然后通过对记录中该用户选取过的关键词进行特征提取，得到历史记录中用户选择过的多个关键词的特征向量。具体的，可以通过预先训练好的特征提取模型对用户选择过的多个关键词进行特征提取，得到用户选择过的多个关键词的特征向量。
87.计算用户选取过的多个关键词的特征向量的平均值，可以对用户选取过的多个关键词的特征向量进行求和，然后将求和后的特征向量除以用户选取过的关键词的数量，得到用户选取过的多个关键词的特征向量的平均值。具体的，在计算用户选取过的多个关键词的特征向量的平均值之前，还可以对用户选取过的多个关键词的特征向量的维度进行统一。在实际使用过程中，可以在每次用户搜索完成后，根据本次搜索过程中用户选取的关键词进行用户自身的特征向量的更新。由于本技术实施例中，用户自身的特征向量是通过用户历史选取过的关键词计算得到的特征向量，因此，用户自身的特征向量可以表示用户自身的兴趣偏好。
88.可见，通过本技术实施例的方法，可以获取历史记录中用户选择过的多个关键词的特征向量，计算用户选取过的多个关键词的特征向量的平均值，得到用户自身的特征向量，从而可以通过表示用户自身的兴趣偏好的用户自身的特征向量进行关键词的选取和推荐，使得推荐的关键词满足用户的兴趣偏好。
89.可选的，参见图4，步骤s24根据多个预测关键词的特征向量组成的矩阵和用户自身的特征向量，计算得到注意力矩阵，包括：
90.步骤s241，计算用户自身的特征向量与多个预测关键词的特征向量组成的矩阵的乘积，得到注意力矩阵；
91.步骤s25根据注意力矩阵，从多个预测关键词中选取目标关键词向用户进行推荐，包括：
92.步骤s251，根据注意力矩阵，从多个预测关键词中选取对应数量积最大的前n个预测关键词向用户进行推荐。
93.可选的，计算用户自身的特征向量与多个预测关键词的特征向量组成的矩阵的乘积，得到注意力矩阵，包括：获取预设的系数矩阵，其中，预设的系数矩阵是通过历史记录中用户选择过的关键词和用户自身的特征向量计算得到的矩阵；计算系数矩阵和预测关键词的特征向量组成的矩阵的乘积，再与用户自身的特征向量相乘，得到注意力矩阵。
94.可选的，计算系数矩阵和预测关键词的特征向量组成的矩阵的乘积，再与用户自身的特征向量相乘，得到注意力矩阵，包括：通过预设公式：a＝uwq
t
，计算得到注意力矩阵，其中，q为预测关键词的特征向量组成的矩阵，u为用户的特征向量，a为注意力矩阵，w为预
设的系数矩阵。
95.其中，预设的系数矩阵是通过历史记录中用户选择过的关键词和用户自身的特征向量计算得到的矩阵。通过计算该系数矩阵和特征向量矩阵的乘积，可以对预测用户希望搜索的关键词的特征向量进行修正，从而便于对预先指定的预测用户希望搜索的关键词进行推荐。具体的，预设的系数矩阵可以是通过模型训练的方法进行计算，具体的训练过程可以包括：获取样本用户输入的关键词、样本目标关键词和用户选取过的关键词和样本用户自身的特征向量；根据样本用户输入的关键词和样本用户自身的特征向量进行目标关键词的预测；将预测的目标关键词与用户选取的关键词进行对比，并根据对比结果对系数矩阵进行修正，并根据修正后的系数矩阵重新进行预测，直至预测结果中包括该用户选取过的关键词，此时得到的修正后的系数矩阵就是预先设定的系数矩阵。
96.可选的，根据注意力矩阵，从多个预测关键词中选取对应数量积最大的前n个预测关键词向用户进行推荐，包括：对注意力矩阵进行归一化；根据归一化后的注意力矩阵，从多个预测关键词中选取对应数量积最大的前n个预测关键词向用户进行推荐。
97.其中，对注意力矩阵进行归一化，可以通过对注意力矩阵中的各元素求和，并将矩阵中的各元素除以计算得到的元素的和，得到归一化后的注意力矩阵。其中，通过归一化后的注意力矩阵，可以便于进行各元素的对比，从而选取对应数量积最大的前n个预测用户希望搜索的关键词向用户进行推荐。
98.可见，通过本技术实施例的方法，可以对注意力矩阵进行归一化，从而可以便于进行各元素的对比，选取对应数量积最大的前n个预测用户希望搜索的关键词向用户进行推荐，提高对比的效率和推荐效率。
99.为了说明本技术实施例的搜索发现的关键词推荐方法，以下结合具体实施例进行说明，参见图5，图5为本技术实施例提供的搜索发现的关键词推荐方法的一种实例图：
100.1、获取用户当前搜索的query(关键词)的embedding(特征向量)，query embedding(关键词特征向量)u；
101.2、获取与用户的user embedding(用户自身的特征向量)u；
102.3、获取所有离线训练成功的候选query集合的embedding v
q1
、v
q2
、
…vqn
；
103.4、用户的user embedding与所有query集合embedding相乘，获得注意力矩阵，a。
104.5、通过注意力矩阵，各个query的得分，选取得分最大的前n个query。
105.本技术实施例的第二方面，提供了一种关键词推荐装置，参见图6，包括：
106.关键词获取模块601，用于获取用户输入的待查询关键词；
107.向量生成模块602，用于查找对应待查询关键词的多个预测关键词，并生成多个预测关键词的特征向量；
108.向量获取模块603，用于获取用户自身的特征向量，其中，用户自身的特征向量是根据历史记录中用户选取过的关键词的特征向量计算得到的向量；
109.矩阵计算模块604，用于根据多个预测关键词的特征向量组成的矩阵和用户自身的特征向量，计算得到注意力矩阵；
110.关键词推荐模块605，用于根据注意力矩阵，从多个预测关键词中选取目标关键词向用户进行推荐。
111.可选的，矩阵计算模块604，包括：
interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
135.通信接口用于上述终端与其他设备之间的通信。
136.存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
137.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
138.在本技术提供的又一实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一所述的关键词推荐方法。
139.在本技术提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的关键词推荐方法。
140.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
141.需要说明的是，在本文中，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。
142.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描
述的比较简单，相关之处参见方法实施例的部分说明即可。
143.以上所述仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。凡在本技术的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本技术的保护范围内。