用于广告投放的自动出价方法与流程

1.本技术涉及计算机技术领域，具体涉及一种用于广告投放的自动出价方法、电子设备以及非瞬时性计算机可读存储介质。


背景技术：

2.广告是为推销商品或提供服务，以付费方式通过广告媒体向消费者或用户传播商品或服务信息的手段。随着互联网和移动通信的普及，越来越多的在线媒介都作为广告的载体呈现在公众面前。例如，人们在浏览各种网页或者在移动终端上使用很多应用(app)时，都会看到以各种形式展现的广告，这些网站和app的拥有者可统称为在线电商。
3.当前在在线电商的广告系统中，通常都采用自动出价的方式进行广告投放。在线电商广告系统中，自动出价代理(agent)会通过采集全体参与广告主的数据进行集中式的训练。但是在当前的广告平台中，不同的广告计划的异质性较强，且这种异质性也体现在它们的广告投放环境(environment)中。例如，不同广告计划的流量规模和流量质量分布在不同日期和不同时间段都有非常明显的差异。而且，广告主在设置广告计划的过程中对预算和单位点击价格约束的设置不尽相同，这就导致了不同广告主的投放策略在投放过程中对预算控制和对性价比控制的关注度不同。
4.除此之外，不同类别的广告计划在整个广告平台中的占比非常不均匀，部分主流广告计划主导了自动出价代理的训练，导致自动出价代理对于差别较大的广告计划的训练不均匀。由于上述异质性和不均匀的训练，当前的自动出价代理在面对不同的广告计划时效果差异很大，对于部分主流广告计划效果很好，但是对于其他广告计划则效果较差，导致了这部分广告主预算和流量的损失。


技术实现要素：

5.为了解决现有技术中出现的上述问题，本技术提供了一种用于广告投放的自动出价方法、电子设备以及非瞬时性计算机可读存储介质。
6.根据本技术的一个方面，提供了一种用于广告投放的自动出价方法，包括：
7.接收当前广告计划信息，所述当前广告计划信息包括当前广告计划的初始设置；
8.基于所述当前广告计划的初始设置，从预设的多个候选出价策略引擎中，为所述当前广告计划匹配相应的出价策略引擎；以及
9.利用所匹配的出价策略引擎，为所述当前广告计划进行自动出价。
10.根据一个实施方式，所述多个候选出价策略引擎的预设方式包括以下步骤：
11.对多个广告计划样本及其相应的广告投放环境信息进行建模；以及
12.将所述多个广告计划样本进行聚类，并在每个聚类中利用所述建模生成一个候选出价策略引擎。
13.根据一个实施方式，所述多个候选出价策略引擎的预设方式还包括以下步骤：
14.利用每个聚类中的广告计划样本的特征对所述聚类中生成的候选出价策略引擎
进行训练；
15.利用每个经过训练的候选出价策略引擎为每个广告计划样本进行模拟自动出价；以及
16.根据模拟自动出价结果，调整所述多个广告计划样本的聚类。
17.根据一个实施方式，所述多个候选出价策略引擎的预设方式还包括：
18.重复执行训练、模拟自动出价和调整聚类的步骤。
19.根据一个实施方式，所述广告投放环境信息包括时序信息，从而使得所生成的候选出价策略引擎能够感知上下文信息。
20.根据一个实施方式，对多个广告计划样本及其相应的广告投放环境信息进行建模包括：
21.利用所述多个广告计划样本的特征对其相应的广告投放环境信息进行归一化。
22.根据一个实施方式，为所述当前广告计划匹配相应的出价策略引擎包括：
23.在所述多个广告计划样本中，确定所述当前广告计划的相似广告计划样本；
24.利用每个所述候选出价策略引擎，为所述相似广告计划样本进行模拟自动出价；以及
25.根据所述模拟自动出价的结果，确定与所述当前广告计划匹配的出价策略引擎。
26.根据一个实施方式，在所述多个广告计划样本中，确定所述当前广告计划的相似广告计划样本包括：
27.根据所述当前广告计划的初始设置和所述多个广告计划样本的特征，确定所述当前广告计划的相似广告计划样本。
28.根据一个实施方式，利用每个所述候选出价策略引擎，为所述相似广告计划样本进行模拟自动出价包括：
29.根据所述相似广告计划样本的历史数据，利用每个所述候选出价策略引擎，在不同历史时间段上为所述相似广告计划样本进行模拟自动出价。
30.根据一个实施方式，根据所述模拟自动出价的结果，确定与所述当前广告计划匹配的出价策略引擎包括：
31.根据每个所述候选出价策略引擎在不同历史时间段的模拟自动出价结果的加权组合，确定与所述当前广告计划匹配的出价策略引擎。
32.根据一个实施方式，在不同历史时间段中，越临近当前时间的时间段的加权权重越大。
33.根据一个实施方式，为所述当前广告计划匹配相应的出价策略引擎还包括：
34.根据所述相似广告计划样本的历史数据，对所匹配的出价策略引擎进行微调。
35.根据本技术的另一方面，提供了一种电子设备，包括：
36.处理器；以及
37.存储器，存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述的方法。
38.根据本技术的另一方面，提供了一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当所述指令被处理器执行时，使得所述处理器执行如上所述的方法。
39.由此，由于在系统中预设了针对不同广告计划的多个出价策略引擎，从而能够更
好地应对不同的广告计划的需求，匹配不同的自动出价策略，也就是说每个出价策略仅针对部分广告计划具有较好的效果，这样避免了统一的出价策略所导致的部分广告计划的投放效果差的情况发生，从而提升了平均优化效果，增强了针对不同广告计划间的公平性，减轻了线上自动出价策略存在的长尾效应。
附图说明
40.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，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他的附图。
41.图1示出了根据本技术一个实施方式用于广告投放的自动出价方法的流程图。
42.图2示出了根据本技术一个实施方式多个候选出价策略引擎的预设方式的流程图。
43.图3示出了根据本技术一个实施方式广告主计划画像生成器的具体网络结构的示意图。
44.图4示出了根据本技术另一实施方式多个候选出价策略引擎的预设方式的流程图。
45.图5示出了根据本技术一个实施方式为当前广告计划匹配相应的出价策略引擎的流程图。
46.图6示出了根据本技术另一实施方式为当前广告计划匹配相应的出价策略引擎的流程图。
具体实施方式
47.为了更好地理解本技术的技术方案及优点，下面结合附图和具体实施例对本技术的内容做进一步详细说明。但此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。此外，以下所描述的本技术的各实施方式中所涉及到的技术特征除彼此构成冲突的情况外均可以组合使用，从而构成本技术范围内的其他实施方式。
48.下文中描述的内容提供了许多不同的实施方式或例子用来实现本技术的不同结构。为了简化本技术的公开内容，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本技术。此外，本技术可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。
49.下文中描述的方法中的各步骤，除了具有明确先后顺序的步骤之外，其余步骤的执行顺序均可调换，以形成新的技术方案，其也属于本技术的保护范围内。也就是说，无论是附图中所示的先后顺序，还是说明书文字描述的先后顺序，均不代表各步骤之间的特定先后执行顺序是如此固定的，而仅仅是示意性的。
50.图1示出了根据本技术一个实施方式用于广告投放的自动出价方法的流程图。如图1所示，该方法100可包括步骤s110至s130。
51.在步骤s110中，接收当前广告计划信息。当广告主需要向在线电商的广告平台投
放广告时，需要将其广告计划发送至广告平台或代理。当前广告计划信息应包括当前广告计划的初始设置，例如，可包括目标人群设置、投放时间段设置、投放广告位设置、优化目标、投放预算和单次点击价格约束的设置等。这些设置在宏观层面决定了广告投放的方式和对应的广告投放环境。
52.在步骤s120中，基于当前广告计划的初始设置，从预设的多个候选出价策略引擎中，为当前广告计划匹配相应的出价策略引擎。在广告平台或代理端，可预设有多个候选出价策略引擎，这些引擎采用了不同的自动出价策略，而不同的自动出价策略可适用于不同的广告计划。由于竞价策略需要对流量环境有比较强的探测能力，所以需要采用自动出价(auto-bidding)的方式辅助广告主进行出价。例如，在预算和单次点击价格约束下，对于每一个用户流量，某个候选出价策略给出的出价可如下式所示：
[0053][0054][0055]
其中v是该用户对于优化目标的贡献，ctr为其点击率，ppc为预先设置的单次点击价格约束，α和β分别是该策略的超参数，λ1和λ2为参数。在广告的投放过程中，自动出价策略可根据当前的投放状态和投放效果实时调整α和β的值。这个调整的过程可使用强化学习进行训练或是使用反馈控制的方法。
[0056]
如上所述，不同的广告计划可具有较强的异质性，因此在步骤s120中，可根据当前广告计划的初始设置，为当前广告计划匹配合适的出价策略引擎。具体的匹配过程将在下文中详细描述。
[0057]
在步骤s130中，利用所匹配的出价策略引擎，为当前广告计划进行自动出价。如上所述，当前在在线电商的广告系统中进行广告投放的过程中，由于多数平台都采用实时竞价(real-time-bidding)的方式决定广告展示权的归属和收费，所以通常都采用自动出价的方式进行广告投放。那么广告主需要有合理的竞价策略应对不同质量的用户流量给出不同的报价，从而在预算和性价比约束的前提下优化其目标。因此，利用通过步骤s120为当前广告计划匹配出的出价策略引擎进行自动出价，更利于获得较好的投放效果。
[0058]
由此，由于在系统中预设了针对不同广告计划的多个出价策略引擎，从而能够更好地应对不同的广告计划的需求，匹配不同的自动出价策略，也就是说每个出价策略仅针对部分广告计划具有较好的效果，这样避免了统一的出价策略所导致的部分广告计划的投放效果差的情况发生，从而提升了平均优化效果，增强了针对不同广告计划间的公平性，减轻了线上自动出价策略存在的长尾效应。
[0059]
这里所述的公平性指的是，广告系统平台或代理端需要服务所有的广告主和所有的广告计划，由于所有参加的广告主都为自动出价策略的训练付出了数据或是资金成本，因此自动出价策略需要在不同广告主及其广告计划上都取得较为均衡的效果从而消除差异。
[0060]
图2示出了根据本技术一个实施方式多个候选出价策略引擎的预设方式的流程
图。如图2所示，预设多个候选出价策略引擎可包括步骤s210和s220。
[0061]
在步骤s210中，对多个广告计划样本及其相应的广告投放环境信息进行建模。此处所述的广告投放环境指的是，广告投放环境代表广告投放过程中广告计划所处的平台环境，包括但不限于其对应的用户流量分布和竞争水平。一个广告在一段时间内对应的潜在用户数量和这些潜在用户的点击率、转化率和对应的价格都可以视作由当前所处的广告投放环境决定。
[0062]
在广告系统中可配置广告主计划画像(advertiser campaign profile)生成器对广告计划样本及其所处的广告投放环境建模，例如该生成器可以是经过预先训练的。如上所述，广告计划中包含的信息在宏观层面可决定广告投放的方式和对应的广告投放环境，因此可根据广告计划样本的内容知晓其相应的广告投放环境信息。上述广告计划样本可包括当前可用的所有广告计划，也可以是其中一部分。在本实施方式中，可利用深度神经网络来建模广告计划及其所属的广告投放环境。
[0063]
图3示出了根据本技术一个实施方式广告主计划画像生成器的具体网络结构的示意图。如图3所示，该生成器的输入包含计划粒度的信息，即广告计划样本，可包括预设的约束值、优化目标、目标人群、目标广告位等；生成器的输入还可包括拍卖粒度的信息，即相应的广告投放环境信息，可包括每一次拍卖的用户流量的质量、规模以及价格等信息。对于计划粒度的信息，可利用数据嵌入方法(data embedding)将其转化为定长序列特征。对于广告投放环境信息，可首先采用特征工程的相关方法将每一个时间片内的所有拍卖的信息进行统计聚合，之后使用gru模型(gate-recurrent unit)来提取不同时间片的序列信息。具体的模型训练使用的是成效预估的监督学习任务进行。gru模型是一种循环神经网络，采用该模型主要用于提取不同时间片之间的序列信息，从而了解广告投放环境的演化过程。gru模型相较于其他循环神经网络更加鲁棒且能有效防止反向传播梯度爆炸等问题，是线上常用模型。此外，还可以使用lstm(long-short term memory)等时序模型替代gru模型。
[0064]
在图3中的输入分为两部分，分别是拍卖粒度(auction-level)的特征和广告计划粒度(campaign-level)的特征，同时还有当前广告计划的策略参数α和β。输出的标签是对广告效果的预估，例如可以取得多少点击/转化。这些样本可以使用线上存储的竞价日志数据构建模拟竞价环境从而获得。
[0065]
根据一个实施例，上述广告投放环境信息可包括时序信息。在传统的广告系统平台中，通过训练强化学习生成单一的出价策略，该出价策略对实时所处状态(state)的刻画主要从如下几个维度入手：
[0066]st
＝{remain_time
t
，remain_budget
t
，spend_speed
t
，cul_cpc
t
，cpc
t
，α
t
，β
t
}.
[0067]
包括剩余时间remain_time
t
、剩余预算remain_budget
t
、预算花费速度spend_speed
t
、累积的点击成本cul_cpc
t
、当前时间片的点击成本cpc
t
以及当前时间片的策略参数α
t
和β
t
。但是这些刻画角度缺乏对整体广告投放环境的建模导致了不同广告计划之间效果的偏差。因此本实施例改进了状态的刻画。
[0068]
一方面，在本实施例中，可加入之前得到的广告主计划画像的相关信息，主要是拍卖粒度的特征h(t)(参见图3)，通过把实时的流量分布数据加入对状态(state)的刻画使得候选出价策略引擎能够敏锐感知当前环境的特征，即能够感知上下文信息。由此，基于上下文感知的自动出价策略设计利用生成的广告计划及环境建模信息，进一步提升策略对环境
的感知能力从而提升平均效果。
[0069]
另一方面，可在上述步骤s210中利用多个广告计划样本的特征对其相应的广告投放环境信息进行归一化。为了防止状态(state)的维数过高导致的稀疏性问题并进一步提升泛化性能，在本实施例中可进一步利用计划粒度的特征对原始的状态特征进行归一化：
[0070][0071][0072][0073]
其中t表示时间，cost表示成本，click表示点击次数，w是不同时间段的权重参数，代表该时间段的用户访问量在一天内所占的比重。
[0074]
在步骤s220中，将多个广告计划样本进行聚类，并在每个聚类中利用建模生成一个候选出价策略引擎。例如，基于广告主预先设置的计划粒度特征，可将所有的广告计划样本划分到若干个对应的聚类当中。而且，可在每个聚类里利用上述建模生成一个候选出价策略引擎。
[0075]
由此即可预设多个候选出价策略引擎，每个所生成的引擎都与广告计划样本的一个特定的聚类相对应，以适于为属于该类别的广告计划进行自动出价。基于动态聚类的广告计划聚类以及候选出价策略生成算法将所有的广告计划样本动态地划分到多个类别，并在每一个类别内部生成一个独有的候选出价策略引擎，从而能够提升整体策略的覆盖面，改善公平性问题。
[0076]
图4示出了根据本技术另一实施方式多个候选出价策略引擎的预设方式的流程图。如图4所示，除了步骤s210和s220之外，预设多个候选出价策略引擎还可包括步骤s230至s250。为了简要起见，以下将仅描述图4所示实施方式与图2实施方式的不同之处，其相同之处将不再赘述。
[0077]
在步骤s230中，利用每个聚类中的广告计划样本的特征对聚类中生成的候选出价策略引擎进行训练。该过程类似于现有技术中的广告系统平台利用全部广告主的数据对自动出价代理进行集中训练。只不过在本实施方式的步骤s230中，训练仅在每个聚类内部进行，即仅利用每个聚类内部的广告计划样本的特征，对该聚类中生成的候选出价策略引擎进行训练。在训练过程中，候选出价策略引擎可随机利用对应聚类内部的广告计划的数据进行训练，该训练过程可利用重要性采样以及经验回放的方法，针对效果较差的广告计划倾斜更多的训练资源。
[0078]
在步骤s240中，利用每个经过训练的候选出价策略引擎为每个广告计划样本进行模拟自动出价。在步骤s230的训练结束后，可通过步骤s240来确认经过训练的每个候选出价策略引擎对每个广告计划样本的效果，即进行模拟自动出价。在此步骤中，打破了聚类的界限，每个经过训练后的候选出价策略引擎不仅对自身对应聚类中的广告计划样本进行模拟自动出价，还对其他聚类中的广告计划样本进行模拟自动出价。
[0079]
在步骤s250中，根据模拟自动出价结果，调整多个广告计划样本的聚类。根据步骤s240的结果，可以看出可能会有一个或多个广告计划样本所适用的候选出价策略引擎发生了变化。那么根据该结果，可调整广告计划样本的聚类，以使每个广告计划样本均与针对其效果最好的候选出价策略引擎相对应。
[0080]
根据一个实施例，还可重复执行上述步骤s230至s250，以获得更好的效果。这样使得该算法作为一个循环算法，每一轮训练完成后进行重新分配，如重新分配的比例很高或是模型效果不佳，则重复该过程直到重新分配的广告计划的比例较低且广告计划的平均效果达到预期。
[0081]
由此，经过训练和调整，可使得每个广告计划样本都能够聚类于更匹配的候选自动出价引擎。
[0082]
图5示出了根据本技术一个实施方式为当前广告计划匹配相应的出价策略引擎的流程图。如图5所示，上述步骤s120可包括子步骤s121至s123。
[0083]
在子步骤s121中，在多个广告计划样本中，确定当前广告计划的相似广告计划样本。当接收到用户发送的当前广告计划信息时，为了为该广告计划提供自动出价服务，可确定该广告计划与先前哪个广告计划样本相似。可以理解，可根据实际情况和需求选择确定广告计划是否相似的方式或算法。例如，可根据当前广告计划的初始设置和多个广告计划样本的特征，确定当前广告计划的相似广告计划样本。在广告投放过程中，广告计划需要设置定向/广告位等，可以通过这部分特征利用预先设置的规则确定相似广告计划(如图3右下角的计划粒度特征)。此外，线上最直接的方式还可以是直接使用当前广告计划的历史数据。
[0084]
在子步骤s122中，利用每个候选出价策略引擎，为所确定的相似广告计划样本进行模拟自动出价。当确定了与当前广告计划相似的广告计划样本后，可遍历每一个候选出价策略引擎，使其为相似广告样本进行模拟自动出价。
[0085]
根据一个实施例，可根据相似广告计划样本的历史数据，利用每个候选出价策略引擎，在不同历史时间段上为相似广告计划样本进行模拟自动出价。例如，可以对相似广告计划样本的历史数据以“天”为单位分段，由此便将策略引擎的匹配过程转化为多专家决策问题。将相似广告计划过去每一天的历史数据作为一个专家，并将所有的候选出价策略引擎在过去的历史数据上进行模拟出价并观察不同策略引擎的表现。
[0086]
在子步骤s123中，根据模拟自动出价的结果，确定与当前广告计划匹配的出价策略引擎。利用子步骤s122的模拟自动出价结果，可以看出哪个候选出价策略引擎在相似广告计划样本上的效果最好，从而可确定该候选出价策略引擎作为与当前广告计划相匹配的引擎。
[0087]
再根据上述步骤s122中描述的实施例，在获得了所有候选出价策略引擎在过去历史数据上的表现后，可根据每个候选出价策略引擎在不同历史时间段的模拟自动出价结果的加权组合，确定与当前广告计划匹配的出价策略引擎。也就是说，可将不同专家的结果进行加权组合从而判断当前的广告计划在今天需要使用那个候选出价策略引擎才能达到最好的效果。例如，在不同历史时间段中，越临近当前时间的时间段的加权权重越大。也就是说，针对昨天数据的结果的权重最大，前天数据的权重次之，大前天数据的权重再次，以此类推。
[0088]
由此，通过从多个广告计划样本中找出与当前待处理的广告计划相似的样本，并使每个候选的出价策略引擎都针对相似样本进行模拟出价，从而可以确定哪个候选出价策略引擎是效果最好的引擎，那么就可将其作为与当前广告计划相匹配的引擎。
[0089]
图6示出了根据本技术另一实施方式为当前广告计划匹配相应的出价策略引擎的流程图。如图6所示，除了子步骤s121至s123之外，上述步骤s120还可包括子步骤s124。为了简要起见，以下将仅描述图6所示实施方式与图5实施方式的不同之处，其相同之处将不再赘述。
[0090]
在子步骤s124中，根据相似广告计划样本的历史数据，对所匹配的出价策略引擎进行微调。该微调过程可理解为本地化适配的过程，其和上述步骤s210至s250的过程比较相似，将分配到的候选出价策略引擎在相似广告计划样本的历史数据上进行小规模的微调训练，从而加强其适应能力。本地化适配(fine-tune)就是在当前广告计划的历史数据上进行本地集中训练。具体的过程和上述步骤s210至s250的过程比较相似，只不过训练使用的数据不再是所有广告计划的历史数据的混合，而是单单针对当前广告计划的相似广告计划的历史数据，因此更具有针对性。
[0091]
根据本技术的另一方面，还提供了一种电子设备，其可包括处理器和存储器，该存储器存储有计算机程序，当该计算机程序被该处理器执行时，使得该处理器执行如上所述的方法。
[0092]
根据本技术的另一方面，还提供了一种非瞬时性计算机可读存储介质，其上存储有计算机可读指令，当该指令被处理器执行时，使得该处理器执行如上所述的方法。
[0093]
本领域技术人员可以理解，本技术的技术方案可实施为系统、方法或计算机程序产品。因此，本技术可表现为完全硬件的实施例、完全软件的实施例(包括固件、常驻软件、微码等)或将软件和硬件相结合的实施例的形式，它们一般可被称为“电路”、“模块”或“系统”。此外，本技术可表现为计算机程序产品的形式，所述计算机程序产品嵌入到任何有形的表达介质中，所述有形的表达介质具有嵌入到所述介质中的计算机可用程序代码。
[0094]
参照根据本技术实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本技术。可以理解的是，可由计算机程序指令执行流程图和/或框图中的每个框、以及流程图和/或框图中的多个框的组合。这些计算机程序指令可提供给通用目的计算机、专用目的计算机或其它可编程数据处理装置的处理器，以使通过计算机或其它可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个框或多个框中指明的功能/动作的装置。
[0095]
这些计算机程序指令还可存储于能够指导计算机或其它可编程数据处理装置以特定的方式实现功能的计算机可读介质中，以使存储于计算机可读介质中的指令产生包括实现流程图和/或框图中的一个框或多个框中指明的功能/动作的指令装置。
[0096]
计算机程序指令还可加载到计算机或其它可编程数据处理装置上，以引起在计算机上或其它可编程装置上执行一连串的操作步骤，以产生计算机实现的过程，从而使在计算机或其它可编程装置上执行的指令提供用于实现流程图和/或框图中的一个框或多个框中指明的功能/动作的过程。
[0097]
附图中的流程图和框图示出根据本技术的多个实施例的系统、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这点上，流程图或框图中的每个框可表示一个
模块、区段或代码的一部分，其包括一个或多个用于实现特定逻辑功能的可执行指令。还应注意，在一些可替代性实施中，框中标注的功能可以不按照附图中标注的顺序发生。例如，根据所涉及的功能性，连续示出的两个框实际上可大致同时地执行，或者这些框有时以相反的顺序执行。还可注意到，可由执行特定功能或动作的专用目的的基于硬件的系统、或专用目的硬件与计算机指令的组合来实现框图和/或流程图示图中的每个框、以及框图和/或流程图示图中的多个框的组合。
[0098]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0099]
以上对本技术实施例进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本技术的方法及其核心思想。同时，本领域技术人员依据本技术的思想，基于本技术的具体实施方式及应用范围上做出的改变或变形之处，都属于本技术保护的范围。综上所述，本说明书内容不应理解为对本技术的限制。