权益推荐方法、装置及设备与流程

本说明书涉及互联网技术领域，尤其涉及权益推荐方法、装置及设备。

背景技术：

随着网络消费的盛行，为了增加用户数目、提升销量、扩大自身的影响力，业务方往往会给用户发放各种权益，如满减红包、保险保额、通信话费、折扣券或包邮卡等等。可以理解，业务方发放的权益有一定的成本，而用户对于不同权益的偏好不同，发放的权益将会影响用户后续的消费行为。基于此，提供一种既兼顾成本又具有正向促进效果的权益推荐方案，无疑具有重要意义。

技术实现要素：

为克服相关技术中存在的问题，本说明书提供了权益推荐方法、装置及设备。

根据本说明书实施例的第一方面，提供一种权益推荐方法，用于向待推荐用户集合中的用户推荐对应权益，所述权益具有多种类型，所述权益的额度范围被划分为一个或多个权益区间，每类权益对应有总成本；所述方法包括：

将用户数据和各类权益的各个权益区间输入至推荐模型，由所述推荐模型输出用户对于每个权益区间的预估核销率；

利用所述预估核销率预估：每类权益发放给用户的预估收益，以及每个权益区间发放给用户的预估成本；

获取每类权益的成本控制系数；其中，所述成本控制系数根据所述预估结果和限定条件，以用户集合中所有用户的预估收益最大化为优化问题，利用优化求解算法求解得到，所述限定条件包括：对于每类权益，用户集合中所有用户所发放的权益区间的预估成本低于该类权益的总成本；

计算每个权益区间对用户的推荐值后，确定推荐结果，其中，所述推荐值基于每个权益区间发放给用户的预估收益，并利用每类权益的成本控制系数限制该类权益的每个权益区间的成本而确定。

可选的，所述优化求解算法包括拉格朗日乘子法，所述成本控制系数通过如下方式求解得到：

利用拉格朗日系数，将表征所述限定条件的函数和所述用户集合中所有用户的预估收益最大化的函数组合后，基于所述拉格朗日乘子法进行求解，利用求解出的每类权益的拉格朗日系数确定所述每类权益的成本控制系数。

可选的，所述每类权益发放给用户的预估收益，基于所述预估核销率与该类权益的成本的乘积而确定；和/或，

所述每类权益的每个权益区间发放给用户的预估成本，基于所述预估核销率与该类权益的成本的乘积而确定。

可选的，所述表征所述限定条件的函数，包括：

∑i∈I,k∈Kjr(i，j，k)*c(j，k)≤B(j)；

所述表征所述用户集合中所有用户的预估收益最大化的函数，包括：

argmaxj∑i∈I,k∈Kjr(i，j，k)*g(j)；

其中，r(i，j，k)为用户i对权益j的区间k的预估核销率，I为待推荐用户集合，B(j)为g(j)为权益j的收益系数，c(j，k)为权益j的区间k的成本，Kj为权益j划分的区间集合，g(j)为权益j的收益系数。

可选的，所述计算每个权益区间对用户的推荐值，包括：

利用如下公式：g(j)*r(i，j，k)-lambda(j)*c(j，k)计算所述推荐值。

根据本说明书实施例的第二方面，提供一种权益推荐装置，用于向待推荐用户集合中的用户推荐对应权益，所述权益具有多种类型，所述权益的额度范围被划分为一个或多个权益区间，每类权益对应有总成本；所述装置包括：

输入模块41，用于：将用户数据和各类权益的各个权益区间输入至推荐模型，由所述推荐模型输出用户对于每个权益区间的预估核销率；

预估模块42，用于：利用所述预估核销率预估：每类权益发放给用户的预估收益，以及每个权益区间发放给用户的预估成本；

系数获取模块43，用于：获取每类权益的成本控制系数；其中，所述成本控制系数根据所述预估结果和限定条件，以用户集合中所有用户的预估收益最大化为优化问题，利用优化求解算法求解得到，所述限定条件包括：对于每类权益，用户集合中所有用户所发放的权益区间的预估成本低于该类权益的总成本；

推荐确定模块，用于：计算每个权益区间对用户的推荐值后，确定推荐结果，其中，所述推荐值基于每个权益区间发放给用户的预估收益，并利用每类权益的成本控制系数限制该类权益的每个权益区间的成本而确定。

可选的，所述优化求解算法包括拉格朗日乘子法，所述成本控制系数通过如下方式求解得到：

利用拉格朗日系数，将表征所述限定条件的函数和所述用户集合中所有用户的预估收益最大化的函数组合后，基于所述拉格朗日乘子法进行求解，利用求解出的每类权益的拉格朗日系数确定所述每类权益的成本控制系数。

可选的，所述每类权益发放给用户的预估收益，基于所述预估核销率与该类权益的成本的乘积而确定；和/或，

所述每类权益的每个权益区间发放给用户的预估成本，基于所述预估核销率与该类权益的成本的乘积而确定。

可选的，所述表征所述限定条件的函数，包括：

∑i∈I,k∈Kjr(i，j，k)*c(j，k)≤B(j)；

所述表征所述用户集合中所有用户的预估收益最大化的函数，包括：

argmaxj∑i∈I,k∈Kjr(i，j，k)*g(j)；

其中，r(i，j，k)为用户i对权益j的区间k的预估核销率，I为待推荐用户集合，B(j)为g(j)为权益j的收益系数，c(j，k)为权益j的区间k的成本，Kj为权益j划分的区间集合，g(j)为权益j的收益系数。

可选的，所述推荐确定模块，具体用于：利用如下公式：g(j)*r(i，j，k)-lambda(j)*c(j，k)计算所述推荐值。

可选的，所述推荐确定模块，具体用于：选取推荐值最高的权益区间推荐给用户。

根据本说明书实施例的第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现前述权益推荐方法。

本说明书的实施例提供的技术方案可以包括以下有益效果：

本说明书实施例中，对权益的额度范围划分了多个区间，推荐模型的输入包括各类权益的各个区间，从而能获得精细化的用户对于每类权益的每个区间的预估核销率。并且，本实施例考虑到各个权益的各个区间的收益和成本，在具有成本约束的条件下，以用户集合中所有用户的预估收益最大化为优化问题，利用优化求解算法求解出成本控制系数，基于成本控制系数进行最终的推荐决策。本实施例优化目标为最大化整体提升效果，解决了不同权益的成本约束问题。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1是本说明书根据一示例性实施例示出的一种权益推荐方法的流程图。

图2是本说明书根据一示例性实施例示出的一种权益推荐方法的应用场景图。

图3是本说明书根据一示例性实施例示出的权益推荐装置所在计算机设备的框图。

图4是本说明书根据一示例性实施例示出的一种权益推荐装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

随着网络消费的盛行，为了增加客户数目、提升销量、扩大自身的影响力，业务方经常开展各种营销活动，而且往往是多个不同的营销活动同时在线，参加营销活动的用户可以获得各种权益。营销活动中针对不同的用户需要以不同种类的权益来吸引用户，若根据权益类型来确认用户对各个权益类型的偏好，再从偏好最高的权益类型中确定用户对该权益的偏好最高的额度，可能无法达到最优的推荐效果。

作为例子，假设用户对A类权益的偏好度为a，对B类权益偏好度为b，其中a>b。之后在A类权益下确定推荐额度，得到A类权益的额度为α并推荐给用户。然后，虽然B类权益的偏好度较低，但可能存在B类权益的额度β对用户的促进效果更明显，而且可能成本更低于A类权益的额度α。此种推荐方式是从局部最优的方式进行权益推荐，推荐方式具有一定的局限性。

可以理解，业务方发放的权益需要一定的成本，不同类权益具有不同的额度范围，最优的推荐方案可以是，在控制成本的情况下保证最好的营销效果。例如：一种业务场景下的多类权益推荐，其中，A类权益额度范围为5-50元，B类权益的额度范围为20-50元，C类权益的额度范围为5-10元，需要给用户推荐合适的权益类型和额度以达到对线下支付促进最大的效果。如对用户1推荐A权益40元，对用户2推荐A权益7元。同时需要保证各个权益的成本控制，如A类权益控制在人均10元，B类权益控制在人均30元，C类权益控制在人均7元。

基于此，本说明书实施例提供一种权益推荐方案，可以解决在具有成本约束的条件下的多权益定价的推荐问题。如图1所示，是本说明书根据一示例性实施例示出的权益推荐的流程图，本实施例的权益具有多种类型，每类权益的额度范围被划分为一个或多个权益区间，例如A类权益额度范围为5-50元，可以根据需要灵活划分出多个权益区间，例如：5-10、10-20、20-30、30-40、40-50等；其中，权益的额度范围一个权益区间的情况，是有可能某个权益的额度范围较小不需要划分，该权益的额度范围即权益区间。具体的划分方式根据实际业务需要而灵活配置，本实施例对此不作限定。

其中，每类权益还对应有总成本，具体的数值根据实际业务需要而确定，所述方法包括如下步骤：

在步骤102中，将用户数据和各类权益的各个权益区间输入至推荐模型，由所述推荐模型输出用户对于每个权益区间的预估核销率；

在步骤104中，利用所述预估核销率预估：每类权益发放给用户的预估收益，以及每个权益区间发放给用户的预估成本；

在步骤106中，获取每类权益的成本控制系数；其中，所述成本控制系数根据所述预估结果和限定条件，以用户集合中所有用户的预估收益最大化为优化问题，利用优化求解算法求解得到，所述限定条件包括：对于每类权益，用户集合中所有用户所发放的权益区间的预估成本低于该类权益的总成本；

在步骤108中，计算每个权益区间对用户的推荐值后，确定推荐结果，其中，所述推荐值基于每个权益区间发放给用户的预估收益，并利用每类权益的成本控制系数限制该类权益的每个权益区间的成本而确定。

其中，本实施例的推荐模型的输入是各类权益的各个权益区间，利用推荐模型对每类权益的每个区间进行打分，获得用户对于每类权益的每个区间的预估核销率。其中，预估核销率是指预估的权益发放后用户使用该权益的概率，预估核销率指示了用户对该权益的偏好程度。本实施例的预估核销率采用r(i，j，k)表示，其中，i表示用户i，属于集合I；j表示权益类型j，属于集合J；k表示权益j中的第k个区间，k属于权益j所划分的区间集合Kj，不同类型的权益所划分的区间个数可能不同。

其中，若用户使用了发放的权益，即发生了业务行为，对业务方来说该次业务行为具有一定的收益，但由于权益的发放也需要一定成本，因此所发放的权益的最终收益，需要结合成本来考虑。并且，由于权益有限，用户的权益发放有多种可能性，本实施例从全局的角度来考虑，期望最终发放给用户集合中所有用户的整体收益最大化。

具体的，本实施例可以利用该预估核销率预估：每类权益发放给用户的预估收益，以及每类权益的每个权益区间发放给用户的预估成本。可选的，所述每类权益发放给用户的预估收益，可基于所述预估核销率与该类权益的成本的乘积而确定，例如每类权益发放给用户的预估收益可以表示为：g(j)*r(i，j，k)，g(j)表示权益j的收益系数。可选的，所述每类权益的每个区间发放给用户的预估成本，可基于所述预估核销率与该类权益的成本的乘积而确定，例如每类权益的每个区间发放给用户的预估成本可以利用如下公式计算得到：r(i，j，k)*c(j，k)，c(j，k)表示权益j中权益区间k的成本。

本实施例方案期望从各个权益区间中选取收益最大的权益区间，并且成本不能超出每类权益的成本，上述问题可等同于求解最优化问题。因此，根据所述预估结果和限定条件，以用户集合中所有用户的预估收益最大化为优化问题，利用优化求解算法求解得到，所述限定条件包括：对于每类权益，用户集合中所有用户所发放的权益区间的预估成本低于该类权益的总成本；其中，用户集合中所有用户的预估收益最大化。

可选的，限定条件可以采用如下函数表征：

∑i∈I,k∈Kjr(i，j，k)*c(j，k)≤B(j)；其中，B(j)表示权益j的总成本。

假设权益j的权益区间包括有Kj个，某个权益区间为k，将该权益区间k发放给集合I中的用户，限定条件是希望：每类权益的所有权益区间发放给集合I中所有用户后，预估成本总值低于该权益j的成本。

目标函数可以采用如下函数表示：

argmaxj∑i∈I,k∈Kjr(i，j，k)*g(j)；其中，g(j)表示权益j的收益系数。该目标函数的含义是：针对每种类型权益j，确定所有用户的预估收益的和值，判断哪种权益的预估收益最大。

实际应用中，可以采用多种优化求解算法对上述最优化问题进行求解。

以拉格朗日乘数法为例，求函数max f(x)在满足限定条件φ(x)≤0下的条件极值，可以转换为求解max(f(x)+λφ(x))的无条件极值。

基于此，本实施例可以利用拉格朗日系数，将表征所述限定条件的函数和所述用户集合中所有用户的预估收益最大化的函数组合后，基于所述拉格朗日乘子法进行求解，利用求解出的每类权益的拉格朗日系数确定所述每类权益的成本控制系数。具体的，可以通过拉格朗日函数对各个变量求导，令其为零，可以求得候选值集合，然后验证求得最优值。在求解过程中，每类权益的拉格朗日系数λ可以作为权益j的成本控制系数lambda(j)。

基于该成本控制系数lambda(j)，可以进行最后的推荐决策，计算每个权益区间对用户的推荐值后，确定推荐结果，其中，所述推荐值基于每个权益区间发放给用户的预估收益，并利用每类权益的成本控制系数限制该类权益的每个权益区间的成本而确定。可选的，利用如下公式：g(j)*r(i，j，k)-lambda(j)*c(j，k)计算所述推荐值。

接下来再通过一实施例对该权益推荐方法进行说明。如图2所示，是本说明书根据一示例性实施例示出的权益推荐方法场景示意图。该方法可以预先对每类权益的额度范围被划分为多个区间，例如Item_A_cost_A，其中，Item_A指A类型的权益，cost_A指权益A的区间cost_A；同理，还可以包括Item_A_cost_B、Item_B_cost_A、Item_B_cost_B等等。

用户数据可以包括用户的个人信息、例如，用户的身高、年龄、体重等，也可以用户的业务行为数据等，用户经常去的饭馆、经常下单的店铺、用户喜欢的运动等，这里不再一一举例说明。其中，本实施例可以预先训练有推荐模型，该推荐模型的输入特征包括每类权益的各个区间。该推荐模型可以进行在线打分，具体的，可以是输入用户i的用户数据，以及输入各类权益的各个区间后，对用户对每类权益的每个区间的预估核销率r(i，j，k)，也即是该打分结果score。可选的，计算结果可以写入至在线打分日志中，打分日志即存储有每个登录用户对每类权益的每个区间的预估核销率r(i，j，k)。

可选的，可以预先获取每类权益对应的总成本，以及每类权益的各个区间的成本系数c(j，k)。还可以预先利用收益数据进行长期价值建模，以获得每类权益的收益系数g(j)。其中，该收益系数g(j)指示每种权益类型对整体提升的效果，可以通过单独建模获得。

接着，求解优化问题，求解过程可以通过实时计算组件进行实时计算。优化问题的限定条件为：∑i∈I,k∈Kjr(i，j，k)*c(j，k)≤B(j)，目标函数为：argmaxj∑i∈I,k∈Kjr(i，j，k)*g(j)；其中，g(j)表示权益j的收益系数。利用拉格朗日系数，将表征所述限定条件的函数和所述用户集合中所有用户的预估收益最大化的函数组合后，基于所述拉格朗日乘子法进行求解，利用求解出的每类权益的拉格朗日系数确定所述每类权益的成本控制系数。在求解过程中，每类权益的拉格朗日系数可以作为权益j的成本控制系数lambda(j)。

基于该成本控制系数lambda(j)，可以进行最后的推荐决策，利用所述成本控制系数限制权益成本的条件下，确定每类权益的每个区间的推荐结果。可选的，可以计算如下公式：g(j)*r(i，j，k)-lambda(j)*c(j，k)作为每类权益的每个权益区间的推荐值，选取推荐值最高的权益j的区间k推荐给用户。

以营销场景为例，业务方需要对参与营销活动的用户发放权益。假设9:00:00，营销活动开始，参与营销活动的用户集合为I，需要针对用户集合I中每个用户i推荐符合该用户的某类权益的某个区间。利用本实施例的方案：

获取所有权益类型和各个权益的区间，以及获取用户集合I中每个用户的用户数据，输入至推荐模型，利用推荐模型输出用户集合I中每个用户对每类权益的每个区间的预估核销率r(i，j，k)。

其他的系数可以预先配置：每类权益的各个区间的成本系数c(j，k)、每类权益的收益系数g(j)。

接下来的步骤，是期望从所有权益的各个区间中，针对每个用户，选取最优的权益i区间j推荐给该用户；具体的流程是：

利用限定条件和目标函数，求解lambda(j)控制系数；其中，每类权益对应有一个lambda控制系数，求解出的lambda一共有j个。

针对每个用户，计算g(j)*r(i，j，k)-lambda(j)*c(j，k)，选取得分最高的权益i的区间j推荐给每个用户。

在不同时间参与营销活动的用户是持续变化的，因此本实施例方案需要持续执行，假设计算周期是1分钟，针对9:01:00时刻的用户集合I，由于在9:00:00已经计算有每类权益的lambda(j)控制系数，可以直接利用在9:00:00时刻计算的每类权益的lambda(j)控制系数。

因此，在9:01:00时刻的用户集合I，计算过程可以是：

召回可用的权益类型和各个权益的区间(随着权益的发放，有可能权益类型或权益区间出现变化)，以及获取用户集合I中每个用户的用户数据，输入至推荐模型，利用推荐模型输出用户集合I中每个用户对每类权益的每个区间的预估核销率r(i，j，k)；

直接利用上一计算周期计算得到的成本控制系数，即在9:00:00时刻计算的每类权益的lambda(j)，计算每个用户的g(j)*r(i，j，k)-lambda(j)*c(j，k)。

同时，本实施例针对9:01:00时刻的用户集合I，仍然会利用限定条件和目标函数，求解lambda(j)控制系数，此时的lambda(j)控制系数是利用9:01:00时刻的用户集合I计算得到的，该数值可作用于下一计算周期，即在9:02:00时刻计算时所用。

与前述权益推荐方法的实施例相对应，本说明书还提供了权益推荐装置及其所应用的终端的实施例。

本说明书权益推荐装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书权益推荐装置所在计算机设备的一种硬件结构图，除了图3所示的处理器310、内存330、网络接口320、以及非易失性存储器340之外，实施例中装置331所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。

如图4所示，图4是本说明书根据一示例性实施例示出的一种权益推荐装置的框图，用于向待推荐用户集合中的用户推荐对应权益，所述权益具有多种类型，所述权益的额度范围被划分为一个或多个权益区间，每类权益对应有总成本；所述装置包括：

输入模块41，用于：将用户数据和各类权益的各个权益区间输入至推荐模型，由所述推荐模型输出用户对于每个权益区间的预估核销率；

预估模块42，用于：利用所述预估核销率预估：每类权益发放给用户的预估收益，以及每个权益区间发放给用户的预估成本；

系数获取模块43，用于：获取每类权益的成本控制系数；其中，所述成本控制系数根据所述预估结果和限定条件，以用户集合中所有用户的预估收益最大化为优化问题，利用优化求解算法求解得到，所述限定条件包括：对于每类权益，用户集合中所有用户所发放的权益区间的预估成本低于该类权益的总成本；

推荐确定模块，用于：计算每个权益区间对用户的推荐值后，确定推荐结果，其中，所述推荐值基于每个权益区间发放给用户的预估收益，并利用每类权益的成本控制系数限制该类权益的每个权益区间的成本而确定。

可选的，所述优化求解算法包括拉格朗日乘子法，所述成本控制系数通过如下方式求解得到：

利用拉格朗日系数，将表征所述限定条件的函数和所述用户集合中所有用户的预估收益最大化的函数组合后，基于所述拉格朗日乘子法进行求解，利用求解出的每类权益的拉格朗日系数确定所述每类权益的成本控制系数。

可选的，所述每类权益发放给用户的预估收益，基于所述预估核销率与该类权益的成本的乘积而确定；和/或，

所述每类权益的每个权益区间发放给用户的预估成本，基于所述预估核销率与该类权益的成本的乘积而确定。

可选的，所述表征所述限定条件的函数，包括：

∑i∈I,k∈Kjr(i，j，k)*c(j，k)≤B(j)；

所述表征所述用户集合中所有用户的预估收益最大化的函数，包括：

argmaxj∑i∈I,k∈Kjr(i，j，k)*g(j)；

其中，r(i，j，k)为用户i对权益j的区间k的预估核销率，I为待推荐用户集合，B(j)为g(j)为权益j的收益系数，c(j，k)为权益j的区间k的成本，Kj为权益j划分的区间集合，g(j)为权益j的收益系数。

可选的，所述推荐确定模块，具体用于：利用如下公式：g(j)*r(i，j，k)-lambda(j)*c(j，k)计算所述推荐值。

可选的，所述推荐确定模块，具体用于：选取推荐值最高的权益区间推荐给用户。

上述权益推荐装置中各个模块的功能和作用的实现过程具体详见上述权益推荐方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。