基於公共文化知識圖譜平臺的綜合推薦系統的製作方法
2023-05-26 20:02:06
本發明屬於文化大數據推薦系統領域和知識檢索領域，具體涉及一種基於公共文化知識圖譜平臺的綜合推薦系統。
背景技術：
推薦系統根據用戶瀏覽網頁時的點擊行為以及對網上資源的興趣特點，向用戶推薦其感興趣的相關信息。推薦系統是個複雜的系統工程，依賴用戶數據、架構、算法、人機互動等環節的有機結合，需要統計學技術、數據挖掘技術、信息檢索技術等學科的統一結合。很明顯，推薦方法是整個推薦系統中最核心、最關鍵的部分，決定了推薦系統性能的優劣。目前，主要的推薦方法包括：基於內容推薦、協同過濾推薦、基於關聯規則推薦、基於效用推薦、基於知識推薦和混合推薦。
隨著網際網路規模的不斷擴大，文化領域資源的種類和數量也不斷快速增長，用戶有時需要花費大量的時間才能找到自己感興趣的文化資源。這種瀏覽大量無關的信息和過程，無疑會使淹沒在信息過載問題中的用戶們不斷流失。為了解決這些問題，基於公共數字文化的個性化推薦系統應運而生。
公共數位化文化綜合個性化推薦系統是建立在海量數據挖掘基礎上的一種高級智能平臺，以幫助用戶的閱讀瀏覽提供個性化的決策支持和信息服務。通過對文化資源，如視頻，和用戶興趣特點的分析，推薦系統根據用戶的個人興趣和行為模型，設計出一個混合的個性化推薦系統。它包含了基於物品的協同過濾機制，基於內容的推薦，從用戶行為中提煉出來的興趣主題模型，以及根據用戶反饋信息對推薦系統的優化等等。
問題：當前大多數推薦系統，如基於內容的推薦、協同過濾、混合推薦等方法，聚焦在單一領域和單一類型的資源推薦上。推薦結果新穎性和多樣化上有所不足，特別是當用戶行為數據過少的時候，會出現冷啟動和數據稀疏性問題，嚴重影響了推薦質量。新型的文化資源共享模式決定了文化信息的推薦技術具有以下需求，如圖4所示:
跨領域：在不同領域的文化資源或信息之間進行推薦，例如，用戶瀏覽文學信息的時候，為他推薦相關的音樂和美術作品；
跨類別：在不同類別的信息和資源之間進行推薦，比如小說「三國演義」跟詩詞「臨江仙·滾滾長江東逝水」屬於不同的類別的文化信息，但是針對同一個主題；
跨結構：面向文化的推薦技術需要在異構數據之間進行推薦，例如，用戶瀏覽圖片的時候推薦文本和視頻；
跨數據源：推薦來自不同的文化資源數據源和信息，例如，用戶在瀏覽國博收藏品的時候，向他推薦上海博物館的相關收藏品。
技術實現要素：
為了解決現有技術中的上述問題，本發明提出了一種基於公共文化知識圖譜平臺的綜合推薦系統，以實現跨領域、跨類別、跨結構、跨數據源的公共文化知識推薦。
該系統包括：
標註單元，用於對提取到的資源分配資源標籤，以及對提取到的用戶數據分配用戶興趣標籤；
標籤庫，用於存儲所述資源標籤和用戶興趣標籤；
標籤挖掘單元，用於對所述標籤庫中的標籤進行挖掘分析；
推薦單元，用於根據所述標籤挖掘單元的挖掘分析結果做公共文化信息的綜合推薦；
可視化單元，用於對所述推薦單元的綜合推薦結果進行可視化展示。
優選地，所述標註單元包括：
資源標註模塊，用於在公共文化資源庫中提取元數據，利用資源標籤提取方法和標籤補全方法對所述元數據進行資源標註，分配資源標籤；
用戶興趣標註模塊，用於在用戶畫像資料庫中提取用戶數據，利用基於知識挖掘的方法和基於機器學習的方法對所述用戶數據進行標註，分配用戶興趣標籤。
優選地，所述標籤庫中維護有標籤列表，所述標籤列表為對所述標籤庫中所存儲的資源標籤和用戶興趣標籤進行消重後得到的標籤列表。
優選地，所述推薦單元包括單項推薦模塊和綜合推薦模塊，所述單項推薦模塊具體包括資源推薦子模塊、知識推薦子模塊、標籤推薦子模塊和用戶興趣推薦子模塊。
優選地，所述資源推薦子模塊，用於基於內容推薦方式和協同過濾方式，將公共文化資源庫中所包含的公共文化資源進行推薦；
所述知識推薦子模塊，用於根據所述挖掘分析結果中所選擇的資源標籤做背景知識推薦；
所述標籤推薦子模塊，用於根據所述挖掘分析結果中所選擇的資源標籤做相關資源標籤推薦；
所述用戶興趣推薦子模塊，用於根據所述挖掘分析結果中用戶的興趣標籤做對應的標籤推薦。
優選地，所述標籤推薦子模塊中的資源標籤推薦為根據各資源標籤的重要性為用戶推薦資源標籤，各資源標籤的權重計算公式為：
w資源＝s資源關鍵詞·e資源關鍵詞(t)+s資源名·e資源名(t)+s資源描述·f資源描述(t)
其中，w資源表示資源標籤的權重，s資源關鍵詞表示資源關鍵詞的重要性，e資源關鍵詞表示該資源標籤是否包含在資源關鍵詞中，s資源名表示資源名的重要性，e資源名表示該資源標籤是否包含在資源名中，s資源描述表示資源的描述性內容的重要性，f資源描述表示描述性內容中出現該資源標籤的次數，f值為歸一化值；在e資源關鍵詞和e資源名中，0表示未包含，1表示包含。
優選地，所述用戶興趣推薦子模塊中的興趣標籤推薦為根據用戶的興趣標籤的重要性為用戶推薦資源標籤，各興趣標籤的權重計算公式為：
w興趣(t)＝s人口特徵·e人口特徵(t)+s用戶行為·b用戶行為(t)+s用戶收藏·f用戶收藏(t)+s用戶評論·c用戶評論(t)
其中，w興趣表示興趣標籤的權重，s人口特徵表示用戶人口特徵信息對於分析用戶興趣的重要性，e人口特徵表示該標籤是否包含在人口特徵關鍵詞中，0表示未包含，1表示包含，s用戶行為表示用戶行為對於分析用戶興趣的重要性，b用戶行為表示多因素的用戶行為加權函數，s用戶收藏表示用戶收藏的資源對於分析用戶興趣的重要性，f用戶收藏表示用戶收藏的資源中，該興趣標籤在資源標籤組中出現的次數，s用戶評論表示用戶的評論對於分析用戶興趣的重要性，c用戶評論表示興趣標籤的語義對於用戶評論的語義描述的重要性。
優選地，所述綜合推薦模塊為所述資源推薦子模塊、知識推薦子模塊、標籤推薦子模塊和用戶興趣推薦子模塊中任意兩種或兩種以上組合。
優選地，所述可視化單元具體為展示資源類表、知識卡片、公共文化機構的相關資源信息、標籤圖譜、用戶興趣標籤雲，具體包括圖形用戶界面模塊和人機互動模塊；
所述圖形用戶界面模塊為展示html5技術編輯的內容、圖片內容、視頻內容；
所述人機互動模塊為管理可視化模型的布局、可視化模型的交互、以及通過交互式的選擇方法，對高維數據進行維度過濾。
優選地，所述系統還包括推薦結果庫，所述推薦結果庫中存儲有推薦資源序列、推薦的聚合知識、推薦的資源信息、推薦的加權標籤及其關係。
與現有技術相比，本發明至少具有以下優點：
通過本發明中基於公共文化知識圖譜平臺的綜合推薦系統設計，實現了跨領域、跨類別、跨結構、跨數據源的公共文化知識推薦。
附圖說明
圖1為本發明所提供的綜合推薦系統的工作流程示意圖；
圖2為本發明所提供的綜合推薦系統的系統架構示意圖；
圖3為本發明所提供的綜合推薦系統的應用實例示意圖。
圖4為文化推薦概念：跨領域、跨類別、跨數據結構、跨數據源。
具體實施方式
下面參照附圖來描述本發明的優選實施方式。本領域技術人員應當理解的是，這些實施方式僅僅用於解釋本發明的技術原理，並非旨在限制本發明的保護範圍。
在專利「公共文化知識圖譜平臺及其使用方法」中，公開了一種公共文化知識圖譜平臺，主要用於從海量的公共文化數據中抽取知識和構建知識圖譜，並提供知識圖譜挖掘。公共文化知識圖譜平臺提供了知識推理、知識挖掘的功能。
推薦系統的多樣性描述了推薦列表中物品兩兩之間的不相似性，將多樣性細分可以有三種：個體多樣性、總體多樣性和時序多樣性。個性化推薦多樣化的目標就是去推薦一系列符合用戶興趣的項目，如果推薦列表中能夠包含一些符合用戶口味而他又不知道的動畫片，那將更能激發用戶的觀看興趣。總體多樣性主要強調針對不同用戶的推薦應儘可能地不同。時序多樣性是表示現實中由於新產品的出現、用戶興趣的動態進化或者用戶情境的變化，用戶偏好會發生改變。對於同一個用戶來說，如果與過去的推薦相比，新的推薦沒有體現出多樣性，用戶會感知推薦列表減少。推薦系統的整體多樣性可以定義為所有用戶推薦列表多樣性的平均值。新穎性是指是指給用戶推薦那些之前不了解或者沒有接觸過的資源。同樣，用戶在過了很久的時間後遺忘的信息或資源也可認為新穎的。如果用戶沒有聽說過推薦結果中的大部分資源，那麼說明該推薦系統的新穎性比較好。推薦結果的新穎度可以通過推薦結果的平均流行度和對用戶進行問捲來獲得。
如圖1所示，描述了基於公共文化知識圖譜平臺的綜合推薦系統100的工作流程。該綜合推薦系統100可以作為一個組成部分，嵌入到任意擁有公共文化資源庫200和用戶畫像資料庫300的平臺之中，為平臺提供綜合推薦服務。公共文化知識圖譜平臺400為本發明提出的綜合推薦系統100提供了關鍵的技術支持。
公共文化資源庫200包含了公共文化資源數據和相關的元數據。這些數據由搭載綜合推薦系統100的母平臺負責採集和管理，本發明不做詳細說明。
用戶畫像資料庫300包含了用戶的人口特性，如，籍貫、年齡等，用戶行為數據，如訪問歷史、訪問時間等、用戶收藏、用戶評論。這些數據由搭載綜合推薦系統100的母平臺負責採集和管理，本發明不做詳細說明。
公共文化知識圖譜平臺400包括知識圖譜和知識挖掘。該平臺從文化大數據中提取、融合知識，並將知識表達為公共文化知識圖譜。該知識圖譜包含了公共文化實體。實體之間的關係，以及實體屬性和關係屬性。同時，該平臺提供了知識挖掘的方法，通過對知識圖譜的分析挖掘，實現了知識的檢索、推理、聚類、分類、排序、相似度計算等分析。公共文化知識圖譜平臺400為本發明提出的綜合推薦系統100提供了知識分析的服務。
基於此，在本發明所提供的基於公共文化知識圖譜平臺的綜合推薦系統100中，包括：
標註單元，用於對提取到的資源分配資源標籤，以及對提取到的用戶數據分配用戶興趣標籤；
所述標註單元包括：
資源標註模塊101，用於在公共文化資源庫200中提取元數據，利用資源標籤提取方法和標籤補全方法對所述元數據進行資源標註，分配資源標籤；
該資源標註模塊101使用標籤提取算法，從讀取到的元數據中，進行挖掘和提取一個或多個描述性文本標籤，來描述公共文化資源的內容和相關背景。如果公共文化資源已有部分標籤，但數量過少，則使用文本挖掘算法進行標籤補充。標籤提取算法和標籤補全算法是在公共文化知識圖譜平臺400所提供的知識挖掘服務的基礎上實現的。
用戶興趣標註模塊106，用於在用戶畫像資料庫300中提取用戶數據，利用基於知識挖掘的方法和基於機器學習的方法對所述用戶數據進行標註，分配用戶興趣標籤；
用戶興趣標註模塊106使用用戶興趣標註算法對用戶分配一個或多個標籤，標籤即代表用戶的興趣。用戶興趣標註模塊106所提供的標註算法包括基於知識的標註方法和基於機器學習的標註方法。這些算法是在公共文化知識圖譜平臺400所提供的知識挖掘服務的基礎上實現的。
標籤庫104，用於存儲所述資源標籤和用戶興趣標籤。
所述標籤庫104中維護有標籤列表，所述標籤列表為對所述標籤庫104中所存儲的資源標籤和用戶興趣標籤進行消重之後得到的標籤列表。
標籤挖掘單元108，用於對所述標籤庫104中的標籤進行挖掘分析。
標籤挖掘單元108針對已經提取的標籤進行分析和挖掘，為推薦模塊110提供支撐。標籤挖掘單元108提供了基於規則的標籤推理、標籤聚類分析、標籤分類分析等分析算法。標籤挖掘單元108所提供的挖掘算法是在公共文化知識圖譜平臺400的知識挖掘服務基礎上實現的。
推薦單元110，用於根據所述標籤挖掘單元108的挖掘分析結果做公共文化信息的綜合推薦；
所述推薦單元110包括單項推薦模塊和綜合推薦模塊115，所述單項推薦模塊具體包括資源推薦子模塊111、知識推薦子模塊112、標籤推薦子模塊113和用戶興趣推薦子模塊114；所述綜合推薦模塊115為所述資源推薦子模塊111、知識推薦子模塊112、標籤推薦子模塊113和用戶興趣推薦子模塊114中任意兩種或兩種以上組合。
所述資源推薦子模塊111，用於基於內容推薦方式和協同過濾方式，將公共文化資源庫200中所包含的公共文化資源進行推薦；
該資源推薦子模塊111包含2種推薦方法：基於內容的推薦方法和協同過濾推薦方法。基於內容的推薦方法使用公共文化資源的標籤作為內容，進行匹配和挖掘，可以找出資源內容語義相近的資源。也可以使用用戶畫像資料庫300中的數據，將資源標籤與用戶興趣標籤進行匹配和分析，為用戶找出可能感興趣的資源。基於協同過濾的算法，，通過挖掘用戶訪問資源的行為，分析用戶行為的共現性，發現用戶可能感興趣的資源。資源推薦子模塊111可以對不同數據結構的資源進行推薦，例如，用戶選擇了一個視頻資源，該子模塊可以推薦與當前資源相關的、公共文化資源庫200中包含的資源，類型可以包括但不限於視頻、圖片、文本等，實現跨數據結構、跨類別的資源推薦。
所述知識推薦子模塊112，用於根據所述挖掘分析結果中所選擇的資源標籤做背景知識推薦；
比如，用戶選擇一個「桃園結義」的視頻片段，知識推薦子模塊112會給出桃園結義的故事背景，以及劉關張三人的介紹。另外，知識推薦子模塊112還會提供公共文化機構的與該資源相關知識，比如，例子1：展示國家圖書館關於桃園結義的書籍簡介以及連結，用戶可以通過連結直接進入書籍頁面閱讀；例子2：展示國家博物館館藏的三國時期的文物；展示中國美術館收藏的關於關羽的美術作品等。這樣，如果用戶對於展品有興趣，可以到實體文化場館欣賞真實藏品。考慮到地域因素，在推薦公共文化機構的信息時，知識推薦子模塊112考慮到了用戶的所在地區，推薦了藏有高價值藏品的、距離用戶最近的公共文化場館。這樣，推薦系統就實現了跨領域推薦，開闊了用戶的眼界，提升了用戶對於公共文化的興趣。知識推薦子模塊112依賴於知識圖譜平臺400提供的公共文化知識圖譜及其分析方法。知識推薦子模塊112通過知識過濾、知識排序、知識聚合等關鍵步驟實現知識推薦。知識推薦具有跨領域、跨類型、跨結構、以及跨數據源的特性。
知識聚合通過知識圖譜平臺400的知識挖掘服務將與當前選定資源相關的知識聚合起來。知識排序將知識按照各自的權重進行排序，知識權重的計算，通過知識圖譜平臺400提供的知識挖掘服務實現。知識經過重要性或者相關性的排序之後，可以通過知識過濾將有效的知識選取出來。
所述標籤推薦子模塊113，用於根據所述挖掘分析結果中所選擇的資源標籤做相關資源標籤推薦；
標籤推薦子模塊113推薦與用戶所選擇的公共文化資源的標籤相關的標籤。由於標籤代表著資源的語義，因此，標籤推薦，也就是從內容語義方面對資源進行推薦。由於每個公共文化資源都可能有多於一個標籤，即有不同方面的語義。使用標籤推薦，可以讓用戶在自己感興趣但未曾挖掘的過的那個語義方面進行分析和挖掘，找到感興趣的文化資源。這樣，可以提高推薦系統的新穎性。標籤推薦子模塊113通過標籤過濾、標籤加權、標籤排序等關鍵步驟來實現標籤的推薦。一個標籤可能來源於不同的資源元數據，因此會分別具有不同的重要性。依據本發明定義，標籤來源的重要性如下：資源關鍵詞>資源名>資源文本表述；所述標籤推薦子模塊113中的資源標籤推薦為根據各資源標籤的重要性為用戶推薦資源標籤，各資源標籤的權重計算公式為：
w資源＝s資源關鍵詞·e資源關鍵詞(t)+s資源名·e資源名(t)+s資源描述·f資源描述(t)
其中，w資源表示資源標籤的權重，s資源關鍵詞表示資源關鍵詞的重要性，e資源關鍵詞表示該資源標籤是否包含在資源關鍵詞中，s資源名表示資源名的重要性，e資源名表示該資源標籤是否包含在資源名中，s資源描述表示資源的描述性內容的重要性，f資源描述表示描述性內容中出現該資源標籤的次數，f值為歸一化值；在e資源關鍵詞和e資源名中，0表示未包含，1表示包含。
所述用戶興趣推薦子模塊114，用於根據所述挖掘分析結果中用戶的興趣標籤做對應的標籤推薦；
用戶興趣推薦子模塊114展示當前用戶的興趣標籤。一位用戶的興趣由一個或者多個標籤組成。其關鍵步驟包括興趣過濾、興趣加權、和興趣排序。每項用戶訪問、收藏和評論的資源都有各自的標籤組對用戶的興趣表示，即是使用與用戶相關的資源的標籤來表示；所述用戶興趣推薦子模塊114中的興趣標籤推薦為根據用戶的興趣標籤的重要性為用戶推薦資源標籤，各興趣標籤的權重計算公式為：
w興趣(t)＝s人口特徵·e人口特徵(t)+s用戶行為·b用戶行為(t)+s用戶收藏·f用戶收藏(t)+s用戶評論·c用戶評論(t)
其中，w興趣表示興趣標籤的權重，s人口特徵表示用戶人口特徵信息對於分析用戶興趣的重要性，e人口特徵表示該標籤是否包含在人口特徵關鍵詞中，0表示未包含，1表示包含，s用戶行為表示用戶行為對於分析用戶興趣的重要性，b用戶行為表示多因素的用戶行為加權函數，s用戶收藏表示用戶收藏的資源對於分析用戶興趣的重要性，f用戶收藏表示用戶收藏的資源中，該興趣標籤在資源標籤組中出現的次數，s用戶評論表示用戶的評論對於分析用戶興趣的重要性，c用戶評論表示該興趣標籤的語義對於用戶評論的語義描述的重要性。
綜合推薦單元115使用資源推薦子模塊111、知識推薦子模塊112、標籤推薦子模塊113、和用戶興趣推薦子模塊114實現了跨領域、跨類型、跨結構、跨數據源的綜合推薦。該單元有以下重要功能：混合推薦、跨領域推薦、跨類別推薦、跨結構推薦、跨數據源推薦、演繹推薦引擎優化。混合推薦使用兩種以上的單一推薦引擎，包含但不局限與協同過濾與內容推薦的組合、知識推薦與標籤推薦的組合等。跨領域推薦可以從一個領域的資源開始分析，向用戶推薦相關領域的信息，如從文學作品推薦美術作品。跨類別推薦實現了相同主題的不同表現形式的信息的推薦，如從小說推薦由小說改編的電影。跨結構推薦實現了從視頻到圖片，文本等異構數據的推薦。跨數據源推薦實現了推薦不同數據源的信息。單一推薦引擎優化通過標籤的輔助，對協同過濾等推薦引擎進行優化，提高準確率和召回率。
推薦結果庫120，所述推薦結果庫120中存儲有推薦資源序列、推薦的聚合知識、推薦的資源信息、推薦的加權標籤及其關係；推薦結果庫120使用不同的數據存儲方式對推薦結果進行存儲和管理，並提供訪問接口。
可視化單元130，用於對所述推薦單元110的綜合推薦結果進行可視化展示。
所述可視化單元130具體為展示資源類表、知識卡片、公共文化機構的相關資源信息、標籤圖譜、用戶興趣標籤雲，具體包括圖形用戶界面模塊131和人機互動模塊132；
所述圖形用戶界面模塊131為展示html5技術編輯的內容、圖片內容、視頻內容；
所述人機互動模塊132為管理可視化模型的布局、可視化模型的交互、以及通過交互式的選擇方法，對高維數據進行維度過濾。
如圖2所示，為本發明的系統架構，在該系統架構中，分為三層：即平臺基礎層160、分析層150和可視化層140。
平臺基礎層160包含數據存儲模塊161、計算框架模塊162、算法庫模塊163。數據存儲模塊161為平臺提供數據存儲服務，包括關係型資料庫mysql，內存資料庫redis，xml資料庫，分步式文件系統fastdfs。
計算框架模塊162對計算框架進行管理。包括分布式並行計算框架hadoopmapreduce，圖計算框架sparkgraphx，內存計算框架apachespark，和流計算框架sparkstreaming；
算法庫模塊163管理算法庫，包括機器學習庫mahout、sparkmllib、gensim，深度學習庫torch和caffe，自然語言處理庫nltk，圖算法庫giraffe。
分析層150包含推薦單元110、數據管理模塊151、和標籤分析模塊152。推薦單元110是本發明的核心模塊，包括資源推薦子模塊111、知識推薦子模塊112、標籤推薦子模塊113和用戶興趣推薦子模塊114和綜合推薦模塊115。數據管理模塊151負責管理標籤庫104和推薦結果庫120。標籤分析模塊152管理著資源標註模塊101、用戶興趣標註模塊106、和標籤挖掘模塊108。
可視化層140包含圖形用戶界面模塊131和人機互動模塊132。
下面以一個具體實施例對本發明所提供的基於公共文化知識圖譜平臺的綜合推薦系統做具體闡述。
用戶使用步驟如下：
用戶在某公共文化平臺的下搜索到一個感興趣的資源；
用戶點擊進入資源展示頁面；
圖3描述了資源展示頁面。
整個頁面分三個部分：資源展示區、資源推薦區、和相關信息區。資源展示區位於頁面的左上部分，用來展示用戶所選中的資源，該部分展示了資源的標題、視頻內容與所帶的標籤，其標籤與資源內容的主題相關。資源推薦區位於頁面的左下部分，展示了推薦系統根據用戶以及用戶所觀看的資源來推薦用戶可能感興趣的相關資源，推薦的資源形式可能有視頻、圖片等。用戶可通過該區域選擇繼續瀏覽自己感興趣的資源。相關信息區位於頁面右部，包括了：相關知識、相關公共文化資源、標籤圖譜和用戶興趣四個部分。相關知識展示了該資源的相關知識，對當前展示的資源進行信息補充；相關公共文化資源展示了當前資源相關的圖書、藏品和美術作品，其來源來自於公共文化網站如國家圖書館、國家博物館等；標籤圖譜部分展示了當前資源標籤與其他標籤之間的關係，標籤之間的遠近代表了標籤之間關係的強弱；用戶興趣部分展示了當前用戶可能感興趣的關鍵詞，根據用戶的歷史瀏覽記錄得來。
本領域技術人員應該能夠意識到，結合本文中所公開的實施例描述的各示例的方法步驟，能夠以電子硬體、計算機軟體或者二者的結合來實現，為了清楚地說明電子硬體和軟體的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以電子硬體還是軟體方式來執行，取決於技術方案的特定應用和設計約束條件。本領域技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的範圍。
術語「包括」或者任何其它類似用語旨在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備/裝置不僅包括那些要素，而且還包括沒有明確列出的其它要素，或者還包括這些過程、方法、物品或者設備/裝置所固有的要素。
至此，已經結合附圖所示的優選實施方式描述了本發明的技術方案，但是，本領域技術人員容易理解的是，本發明的保護範圍顯然不局限於這些具體實施方式。在不偏離本發明的原理的前提下，本領域技術人員可以對相關技術特徵做出等同的更改或替換，這些更改或替換之後的技術方案都將落入本發明的保護範圍之內。