基于机器学习的众包任务个性化推荐方法和系统

1.本发明涉及任务调度技术领域，具体涉及一种基于机器学习的众包任务个性化推荐方法和系统。


背景技术：

2.众包指的是一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的大众志愿者的做法。“众包就是社会化生产”，由用户共同创造价值，是群体智慧协作的典型化应用场景，能够极大程度提高完成任务效率，充分发挥在群体社会下的集体作用。
3.传统的任务推荐方法中针对用户推荐的方法是：先基于众包平台上的任务数据和工人数据获取，输出工人能力的特征向量表，再根据能力相似工人的任务投标记录与目标工人的投标记录生成任务推荐列表进行推荐。
4.但现有的推荐算法存在如下缺陷：
5.1、对于工人特征的衡量标准较为粗糙，往往从动机、能力某一维度进行识别，或未能基于相关理论完整的识别特征的决定因素或相关预测因素；
6.2、传统推荐往往仅基于任务与工人的历史数据，而工人与任务的交互特征是随时间而变化的，导致工人特征数据获取有限，不能有效的衡量工人的特征；
7.3、目前的推荐演替都是从对单一属性的特征建模、到用户和任务的联合交互、再到特征中隐式反馈信息的获取。大部分还停留在单一属性和联合交互的建模中，少部分开始关注隐式反馈信息。


技术实现要素：

8.(一)解决的技术问题
9.针对现有技术的不足，本发明提供了一种基于机器学习的众包任务个性化推荐方法和系统，解决了目前方法对于工人特征识别准确度较差的问题。
10.(二)技术方案
11.为实现以上目的，本发明通过以下技术方案予以实现：
12.第一方面，提供了一种基于机器学习的众包任务个性化推荐方法，该方法包括：
13.获取工人历史特征数据和任务特征数据；并基于任务特征数据获取工人-任务交互特征数据；
14.基于预处理后的工人历史特征数据、工人-任务交互特征数据训练考虑工人动机和工人能力的工人分类模型。
15.基于训练好的工人分类模型，从待分类工人特征数据集中筛选出具有高动机高能力的工人，并对其进行任务推荐。
16.进一步的，所述获取工人历史特征数据和任务特征数据；并基于任务特征数据获取工人-任务交互特征数据，包括：
17.s101、从众包平台上爬取所有工人历史特征数据以及一段时间内的任务特征数据；
18.s102、对任务特征数据进行预处理，并对任务特征数据进行编码，得到任务特征数据集；
19.s103、将任务特征数据集按照时间顺序1：1划分为训练集、测试集，基于训练集获取工人-任务交互特征数据；
20.s104、对工人历史特征数据进行预处理，并进行编码，得到工人历史特征数据集；
21.s105、对工人-任务交互特征数据进行预处理，并进行编码。
22.进一步的，所述对任务特征数据进行预处理，包括：
23.筛选出任务投标人数大于等于m1人的任务特征数据；
24.剔除招募未结束或非竞赛类任务；
25.剔除任务当选报酬、任务发布时间、任务截止时间等关键特征缺失的任务；
26.对列表中重复的任务特征数据进行去重；
27.剔除任务列表中的异常值；
28.所述对工人历史特征数据进行预处理，包括：
29.剔除过去当选建议数小于或等于m2的工人；
30.剔除过去建议数小于或等于m3的工人；
31.所述对工人-任务交互特征数据进行预处理，包括：
32.剔除参与任务个数小于m4的工人；
33.剔除中标任务个数小于m5的工人；
34.补全缺失值。
35.进一步的，所述基于预处理后的工人历史特征数据、工人-任务交互特征数据训练考虑工人动机和工人能力的工人分类模型，包括：
36.s201、构建工人的能力指标和动机指标；
37.s202、确定工人的能力指标的各个变量的权重和动机指标的各个变量的权重，得到每个工人的动机值和能力值；
38.s203、获取阈值线模型，用于作为高动机和高能力的工人的划分标准。
39.进一步的，所述工人的能力指标，包括：固有能力、专业能力、一般经验、专业经验、多样性、复杂性；
40.所述工人的动机指标，包括：享乐和乐趣、工作自主性、任务复杂性、自我营销/归属感；
41.且所述固有能力的变量包括：平台评分、平台认证等级、过去中标次数；
42.所述专业能力的变量包括：认证类别数量、认证子类别数量、认证技能数量、十年以上技能数量；
43.所述一般经验的变量包括：过去的任务建议数量、近期参与任务数量、近期中标任务数量、每小时费率；
44.所述专业经验的变量包括：认证行业数量、近期参与任务所含任务数量、近期中标任务所含任务数量；
45.所述多样性的变量包括：近期参与不同任务类别的数量、近期参与不同任务子类
别的数量、近期中标不同任务类别的数量、近期中标不同任务子类别的数量；
46.所述复杂性的变量包括：近期参与任务平均投标人数、近期参与任务平均建议数量、近期参与任务平均收藏人数、近期参与任务平均浏览次数；
47.所述享乐和乐趣的变量包括：平均任务奖励、任务审批率；
48.所述工作自主性的变量包括：平均招募时间、任务完成率；
49.所述任务复杂性的变量包括：参与任务平均收藏人数与投标人数之比、中标任务平均收藏人数与投标人数之比、参与任务平均浏览人数与收藏人数之比、中标任务平均浏览人数与收藏人数之比；
50.所述自我营销/归属感的变量包括：好评率、评论个数。
51.进一步的，所述确定工人的能力指标的各个变量的权重和动机指标的各个变量的权重，得到每个工人的动机值和能力值，包括：
52.基于critic客观赋权法确定各个变量的权重；
53.且工人的动机值、能力值计算公式如下：
[0054][0055][0056]ai
表示第i个工人的能力值大小；
[0057]
mi表示第i个工人的动机值大小；
[0058]
表示第j个能力变量的客观权重大小；
[0059]
表示第k个动机变量的客观权重大小；
[0060]
x
ij
表示第i个工人的第j个能力变量值；
[0061]yik
表示第i个工人的第k个动机变量值。
[0062]
进一步的，所述阈值线模型，包括：
[0063]
motivition＝m
i-mf+β
[0064]
ability＝a
i-af+α
[0065]
其中，
[0066]
mf为工人动机的kolmogorov平均值；
[0067]af
为工人能力的kolmogorov平均值；
[0068]
α表示能力轴上调节的参数；
[0069]
β表示动机轴上调节的参数；
[0070]
且通过构建损失函数lost，运用五折交叉验证训练α、β使lost收敛，取α、β的平均值作为最终结果。
[0071]
进一步的，所述基于训练好的工人分类模型，从待分类工人特征数据集中筛选出具有高动机高能力的工人，包括：当待分类工人的动机值和能力值均大于阈值线，则识别为高动机高能力的工人。
[0072]
第二方面，提供了一种基于机器学习的众包任务个性化推荐系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行
所述计算机程序时实现上述权方法的步骤。
[0073]
(三)有益效果
[0074]
本发明提供了一种基于机器学习的众包任务个性化推荐方法和系统。与现有技术相比，具备以下有益效果：
[0075]
本发明根据众包竞赛的现有文献和众包平台的可用信息，基于融合动力、能力理论的福格行为学模型，构建了完整、精细的工人特征识别体系。同时通过爬取工人的历史数据，以及一段时间的任务数据，构建现在的工人-任务交互数据，形成涵盖工人过去、现在信息的工人数据集，更好的衡量工人特征。帮助平台快速识别具备高价值的工人，基于当选概率生成推荐列表，最终实现众包任务的个性化推荐。
附图说明
[0076]
为了更清楚地说明本发明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，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他的附图。
[0077]
图1为本发明实施例的流程图。
具体实施方式
[0078]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
[0079]
本技术实施例通过提供一种基于机器学习的众包任务个性化推荐方法和系统，解决了目前方法对于工人特征识别准确度较差的问题。
[0080]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0081]
实施例1：
[0082]
如图1所示，本发明提供了一种基于机器学习的众包任务个性化推荐方法，该方法包括：
[0083]
s1、获取工人历史特征数据和任务特征数据；并基于任务特征数据获取工人-任务交互特征数据；
[0084]
s2、基于预处理后的工人历史特征数据、工人-任务交互特征数据训练考虑工人动机和工人能力的工人分类模型。
[0085]
s3、基于训练好的工人分类模型，从待分类工人特征数据集中筛选出具有高动机高能力的工人，并对其进行任务推荐。
[0086]
本实施例的有益效果为：
[0087]
本发明根据众包竞赛的现有文献和众包平台的可用信息，基于融合动力、能力理论的福格行为学模型，构建了完整、精细的工人特征识别体系。同时通过爬取工人的历史数据，以及一段时间的任务数据，构建现在的工人-任务交互数据，形成涵盖工人过去、现在信
息的工人数据集，更好的衡量工人特征。帮助平台快速识别具备高价值的工人，基于当选概率生成推荐列表，最终实现众包任务的个性化推荐。
[0088]
下面对本发明实施例的实现过程进行详细说明：
[0089]
s1、获取工人历史特征数据和任务特征数据；并基于任务特征数据获取工人-任务交互特征数据。
[0090]
具体包括以下步骤：
[0091]
s101、从众包平台上爬取所有工人历史特征数据以及一段时间内的任务特征数据。
[0092]
具体实施时，可使用基于python的轻量级爬虫框架scrapy为基础，通过xpath、css表达式进行网页数据提取解析，利用redis数据库作为分布式共享爬虫队列，mongodb数据库作为数据存储库，集成selenium自动化测试工具、同时使用随机user-agent、阿里云代理ip和自建代理ip池等中间件，并部署至云服务器，爬取某一类别所有工人的历史特征数据，并实现对众包平台的工人历史特征数据和任务特征数据的大规模实时增量爬取。
[0093]
且如表1所示，所述工人历史特征数据包括：工人id、平台认证等级、平台评分、工人好评率、任务完成率、任务审批率、每小时工作费率、认证类别、认证行业、认证技能、技能时长、过去建议总数(过去提交的任务建议方案总数)、过去当选建议总数(任务解决方案排名第一的个数)。
[0094]
所述任务特征数据包括：任务名称、任务招募状态、任务类型、任务类别、任务子类别、任务行业、任务发布时间、任务截止时间、任务当选报酬(任务解决方案排名第一获得的金钱奖励)、任务参与报酬(因任务而异，有的任务为了吸引更多工人投标，会将任务报酬分为当选报酬和参与报酬，除了第一名给予大部分奖金外，还会给除第一名外的前几名提供小部分奖金)、任务建议数(该任务有多少个工人提交的任务建议方案)、任务投标人数、任务中标人数、任务收藏人数、任务浏览人数。本发明中，中标表示当选或是参数。
[0095]
表1
[0096]
[0097][0098]
s102、获得爬取的数据之后，首先对任务特征数据进行预处理，并对任务特征数据进行编码，得到任务特征数据集。
[0099]
具体实施时，预处理主要包括依次进行数据筛选、数据清洗。
[0100]
其中，所述数据筛选包括：
[0101]
1)筛选出任务投标人数大于等于m1人的任务特征数据。
[0102]
2)剔除招募未结束或非竞赛类任务。(本实施例仅针对竞赛类任务)。
[0103]
项目类任务：任务奖金为一个区间,提交的建议为一个提案，后续完成需签订合同。
[0104]
竞赛类任务：任务奖金为一个固定的值，提交的建议中标即可获得奖金。
[0105]
任务类任务：完成任务即可获得奖金(比如填一份问卷)。
[0106]
3)剔除任务当选报酬、任务发布时间、任务截止时间等关键特征缺失的任务。
[0107]
所述数据清洗包括：
[0108]
1)对列表中重复的任务特征数据进行去重；
[0109]
2)剔除任务列表中的异常值。
[0110]
m1为预设的阈值，可根据实际需要进行设置。
[0111]
对于数据编码，在具体实施时，可先构建python运行环境，对预处理后的各个数据采用相应的编码方式。
[0112]
对分类分级的数据采用标签编码，使每种类型能被一个数字所描述；
[0113]
对具体数值的数据直接编码；
[0114]
还需要对其进行归一化处理，因为样本特征数据之间的类型和量纲不同，绝对值相差很大，会导致某些值域范围较小的特征被忽视，同时数据进行归一化提升模型的收敛速度和模型精度。
[0115]
至此，即可得到任务特征数据集。
[0116]
s103、将任务特征数据集按照时间顺序1：1划分为训练集、测试集，运用任务训练集，通过python的pandas、numpy包获取工人-任务交互特征数据。
[0117]
如表2所示，工人-任务交互特征数据包括：每个工人的参与任务名称、参与任务个数、参与任务类别、参与任务类别个数、参与任务子类别、参与任务子类别个数、参与任务行业、参与任务行业个数、中标任务名称、中标任务个数、中标任务类别、中标任务子类别、中标任务子类别个数、中标任务行业、中标任务行业个数、参与任务平均奖励、参与任务平均工作时间、中标任务平均奖励、中标任务平均工作时间。
[0118]
表2
[0119][0120][0121]
s104、对爬取的工人历史特征数据进行预处理，并进行编码，得到工人历史特征数据集。
[0122]
具体实施时，预处理主要包括依次进行数据筛选、数据清洗。
[0123]
其中，所述数据筛选包括：
[0124]
剔除以下工人历史特征数据：
[0125]
1)过去当选建议数小于或等于m2的工人。
[0126]
2)过去建议数小于或等于m3的工人。
[0127]
对于工人历史特征数据的编码，在具体实施时，可先构建python运行环境，对预处理后的各个数据采用相应的编码方式。
[0128]
对分类分级的数据采用标签编码，使每种类型能被一个数字所描述；
[0129]
对具体数值的数据直接编码；
[0130]
还需要对其进行归一化处理，因为样本特征数据之间的类型和量纲不同，绝对值相差很大，会导致某些值域范围较小的特征被忽视，同时数据进行归一化提升模型的收敛速度和模型精度。
[0131]
至此，即可得到工人历史特征数据集。对于工人历史特征数据集的划分，可采用如下方法：
[0132]
将工人历史特征数据集按照8：2划分为训练集、测试集，再使用k折交叉验证将工人训练集分为训练集与验证集。
[0133]
s105、对工人-任务交互特征数据进行预处理，并进行编码。
[0134]
具体实施时，预处理主要包括依次进行数据筛选、数据清洗。
[0135]
其中，所述数据筛选包括：
[0136]
剔除以下工人-任务交互特征数据：
[0137]
1)参与任务个数小于m4的工人；
[0138]
2)中标任务个数小于m5的工人；
[0139]
m2～m5为预设的阈值，可根据实际需要进行设置。
[0140]
所述数据清洗包括：
[0141]
补全缺失值。本实施例中，对补全缺失值的方式不做限定，例如，可基于工人-任务交互特征数据，通过jaccard相似度方法计算工人之间的相似度，即计算任意两个工人a和工人b交集元素的个数在a、b并集中所占的比例，即为工人a与工人b之间jaccard相似度，计算工人a与每个工人的jaccard相似度，加权平均后得到的值即补充缺失值。
[0142]
对于编码操作，可采用工人历史特征数据和任务特征数据相同的编码方法。
[0143]
s2、基于预处理后的工人历史特征数据、工人-任务交互特征数据训练考虑工人动机和工人能力的工人分类模型。
[0144]
具体的，包括如下步骤：
[0145]
s201、构建工人的能力指标和动机指标。
[0146]
对于工人能力，从固有能力、专业能力、一般经验、专业经验、多样性、复杂性这六个指标对工人特征、工人任务交互特征进行提取得到工人的能力指标。
[0147]
其中，固有能力根据变量x1～x3确定；
[0148]
专业能力根据变量x4～x7确定；
[0149]
一般经验根据变量x8～x
11
确定；
[0150]
专业经验根据变量x
12
～x
14
确定；
[0151]
多样性根据变量x
15
～x
18
确定；
[0152]
复杂性根据变量x
19
～x
22
确定；
[0153]
对于工人动机，从享乐和乐趣、工作自主性、任务复杂性、自我营销/归属感这四个指标提取得到工人的动机指标。
[0154]
其中，享乐和乐趣根据变量y1～y2确定；
[0155]
工作自主性根据变量y3～y4确定；
[0156]
任务复杂性根据变量x5～x8确定；
[0157]
自我营销/归属感根据变量x9～x
10
确定。
[0158]
工人动机和能力预测因素与相关变量如表3所示：
[0159]
表3
[0160]
[0161][0162]
s202、确定工人的能力指标的各个变量的权重和动机指标的各个变量的权重，得到每个工人的动机值、能力值。
[0163]
具体实施时，可基于critic客观赋权法来综合衡量变量的客观权重。
[0164]
critic客观赋权法：基于评价变量的对比强度和变量之间的冲突性来综合衡量变量的客观权重。考虑变量变异性大小的同时兼顾变量之间的相关性，并非数字越大就说明越重要，完全利用数据自身的客观属性进行科学评价。
[0165]
其中，对比强度是指同一个变量的各个评价方案之间取值差距的大小，以标准差来表现，标准差越大，权重会越高。且在本实施例中：
[0166]
x
ij
表示第i个工人的第j个能力变量值；
[0167]
表示第j个能力变量的均值；
[0168]
表示第j个能力变量的标准差；
[0169]yik
表示第i个工人的第k个动机变量值；
[0170]
表示第k个动机变量的均值；
[0171]
表示第k个动机变量的标准差。
[0172]
而变量之间的冲突性是指若两个变量之间具有较强的正相关，说明其冲突性越小，权重会越低，用相关系数进行表示。且在本实施中：
[0173]rij
表示能力的第i个变量与第j个变量之间的相关系数，则其冲突性表示为(1-r
ij
)；
[0174]
表示能力第j个变量与其他变量冲突性之和；
[0175]
表示动机第k个变量与其他变量冲突性之和。
[0176]
且上述参数的计算公式如下：
[0177][0178][0179][0180][0181][0182][0183]
且变量的所含的信息量大小为该变量对比强度与冲突性之积来表示：
[0184][0185][0186]
因此，变量的客观权重的计算公式如下：
[0187][0188][0189]
工人的动机值、能力值计算公式如下：
[0190][0191][0192]ai
表示第i个工人的实际能力值大小；
[0193]
mi表示第i个工人的实际动机值大小；
[0194]
p表示能力变量的个数；
[0195]
q表示动机变量的个数；
[0196]
表示第j个能力变量含有的信息量；
[0197]
表示第j个能力变量的客观权重大小；
[0198]
表示第k个动机变量含有的信息量；
[0199]
表示第k个动机变量的客观权重大小。
[0200]
s203、构建阈值线模型，用于作为高动机和高能力的工人的划分标准。
[0201]
阈值线由一个理论极限组成，该极限表明，对于高于该极限的值，表明具备足够高的动机和能力，而实现该工人的行为改变，只需要一个信号类型触发器，并且该极限的正确定位与工人的数据集有内在联系。
[0202]
基于福格行为学模型在概念上描述的研究，定义其固定阈值线数学模型为：
[0203][0204]
数据集的中心趋势基于kolmogorov平均值对阈值线进行重新定位，同时采用阈值线位移标准，从而更好的实现触发器，识别出高动机高能力的工人。
[0205]
其中
[0206]
mf为工人动机的kolmogorov平均值，
[0207]af
为工人能力的kolmogorov平均值，
[0208]
具体计算公式如下：
[0209][0210][0211]
而考虑到应用域上的等式，为动机、能力分别增添α、β用来调节阈值线的位移，通过构建损失函数lost，运用五折交叉验证训练α、β使lost收敛，取α、β的平均值作为训练的结果，具体计算公式如下：
[0212]
motivition＝m
i-mf+β
[0213]
ability＝a
i-af+α
[0214][0215]
[0216][0217]
其中，
[0218]
motivition表示阈值线对应的动机值；
[0219]
ability表示阈值线对应的能力值；
[0220]mp
表示工人的动机值的预测值；
[0221]
mi表示第i个工人的实际动机值大小
[0222]
α表示能力轴上调节的参数；
[0223]
β表示动机轴上调节的参数；
[0224]
lost为构建的损失函数。
[0225]
最终得到α和β的值。
[0226]
福格行为学模型(fbm):全称是fogg behaviormodel。福格行为学模型是一种经验性行为模型，行为必须在同一时刻收敛三个元素：动机，能力和触发器。当行为未发生时，这三个元素中至少有一个丢失。其横、纵轴分别对应于动机和能力的水平，一条阈值线作为行为变化的指南。
[0227]
s3、基于训练好的工人分类模型，从待分类工人特征数据集中筛选出具有高动机高能力的工人，并对其进行任务推荐。
[0228]
具体实施时，
[0229]
根据训练好的分类模型，识别出测试集中的高动机高能力工人，具体识别方式如下：
[0230][0231]
例如，对于第i个工人，其实际动机值、能力值分别为mi、ai，若同时满足：
[0232][0233][0234]
则该工人识别为高动机高能力的工人。
[0235]
识别完成后，计算出第j个高动机高能力的工人参与第i个任务的中标概率p
ij
，根据中标概率高低以及该任务允许的中标人数对工人进行任务推荐排序，生成最终的推荐列表。
[0236][0237]
其中，
[0238]
p
ij
表示第j个工人参与第i个任务的中标概率值；
[0239]aij
表示第i个任务中第j个工人的能力值；
[0240]aik
表示第i个任务中第k个工人的能力值；
[0241]
wi表示参与第i个任务的工人个数。
[0242]
实施例2
[0243]
本发明还提供了一种基于机器学习的众包任务个性化推荐系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0244]
可理解的是，本发明实施例提供的基于机器学习的众包任务个性化推荐系统与上述基于机器学习的众包任务个性化推荐方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于机器学习的众包任务个性化推荐方法中的相应内容，此处不再赘述。
[0245]
综上所述，与现有技术相比，本发明具备以下有益效果：
[0246]
①
本发明根据众包竞赛的现有文献和众包平台的可用信息，基于融合动力、能力理论的福格行为学模型，构建了完整、精细的工人特征识别体系。同时通过爬取工人的历史数据，以及一段时间的任务数据，构建现在的工人-任务交互数据，形成涵盖工人过去、现在信息的工人数据集，更好的衡量工人特征。帮助平台快速识别具备高价值的工人，基于当选概率生成推荐列表，最终实现众包任务的个性化推荐。
[0247]
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。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。
[0248]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。