用于图神经网络的关系图谱建立方法以及装置、设备与流程

本申请涉及关系图谱领域，具体而言，涉及一种用于图神经网络的关系图谱建立方法以及装置、设备。
背景技术：
：知识图谱作为人工智能的重要分支技术，最早由谷歌提出，逐渐成为建立大规模知识的关键手段，在智能搜索、智能问答、反欺诈、风险预测等领域发挥着重要作用。缺点在于：图算法能够利用图的简单联通信息进行建模，但是仍无法有效利用企业之间的参股、投资和共同股东等复杂信息。比如一些方法中仅使用是否有边联通这样的简单信息。又比如一些方法中可以利用一维边缘特征，但企业图谱节点关系有丰富的信息，如链接的类型和权重等。此外，如果使用输入的原始邻接矩阵来过滤节点特征，而复杂的企业关联信息具有较大噪声，并不适合直接输入，这将限制神经网络对边信息的有效利用，影响模型的准确性。针对相关技术中用于图神经网络的关系图谱影响模型准确性的问题，目前尚未提出有效的解决方案。技术实现要素：本申请的主要目的在于提供一种用于图神经网络的关系图谱建立方法以及装置、设备，以解决用于图神经网络的关系图谱影响模型准确性的问题。为了实现上述目的，根据本申请的一个方面，提供了一种用于图神经网络的关系图谱建立方法。根据本申请的用于图神经网络的关系图谱建立方法包括：通过构建企业关系图谱，将企业间的关联信息进行量化，其中所述关联信息至少包括：企业高管、企业股东、对外投资；对于n个企业节点的企业关系图谱，整个图的节点特征的n×f矩阵表示为x，对于图g＝(v，e)中的特征：xij表示节点i的第j个节点特征向量，其中n表示节点数，f表示每个节点的特征维数；eij表示节点i与节点j的边特征向量，eijp表示eij的p维特征向量，e为图的边缘特征的n×n×p张量，当两个节点之间无链接时eij＝0；根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型。进一步地，所述边特征向量至少包括：特征、数值以及维度，所述特征至少包括：共同股东、共同高管、企业互相持股、企业间投资、企业间诉讼、企业上下游关系，所述数值至少包括：共同股东的占股比例、共同高管的数量、企业互相持股的占股比例、企业间投资的投资数量和金额、企业间诉讼的诉讼数量和类别、企业上下游关系的上下游。进一步地，根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型之后，还包括：根据接收到的企业信息，通过训练得到的所述预测模型预测企业破产风险。进一步地，根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型包括：根据接收到的企业信息，采用网络嵌入方法获取在图神经网络中节点的低维度潜在特征表示，并将特征表示作为基于图的分类任务的特征。进一步地，根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型包括：通过将企业关系图谱中企业的节点属性信息和节点关联信息融合，将图的高维稀疏的矩阵向低维稠密向量映射，训练得到用于节点分类预测的预测模型。为了实现上述目的，根据本申请的另一方面，提供了一种用于图神经网络的关系图谱建立装置。根据本申请的用于图神经网络的关系图谱建立装置包括：图谱构建模块，用于通过构建企业关系图谱，将企业间的关联信息进行量化，其中所述关联信息至少包括：企业高管、企业股东、对外投资；特征模块，用于对于n个企业节点的企业关系图谱，整个图的节点特征的n×f矩阵表示为x，对于图g＝(v，e)中的特征：xij表示节点i的第j个节点特征向量，其中n表示节点数，f表示每个节点的特征维数；eij表示节点i与节点j的边特征向量，eijp表示eij的p维特征向量，e为图的边缘特征的n×n×p张量，当两个节点之间无链接时eij＝0；训练模块，用于根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型。进一步地，装置还包括：分类模块，用于构建基于图神经网络的企业节点分类，以企业是否破产为标签，将所述企业关系图谱中的企业节点属性和关系结构向量同时输入到改进后的图神经网络中，训练企业节点的破产概率。进一步地，训练模块，用于根据接收到的企业信息，采用网络嵌入方法获取在图神经网络中节点的低维度潜在特征表示，并将特征表示作为基于图的分类任务的特征。进一步地，训练模块，用于通过将企业关系图谱中企业的节点属性信息和节点关联信息融合，将图的高维稀疏的矩阵向低维稠密向量映射，训练得到用于节点分类预测的预测模型。为了实现上述目的，根据本申请的另一方面，提供了一种电子设备，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，所述处理器执行所述程序时实现所述的用于企业破产风险预测的数据处理方法的步骤。在本申请实施例中用于图神经网络的关系图谱建立方法以及装置、设备，采用通过构建企业关系图谱，将企业间的关联信息进行量化的方式，通过根据节点特征向量、边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型，达到了解决企业间的关联信息难以量化的问题的目的，从而实现了提高了企业风险预测的准确性的技术效果，进而解决了用于图神经网络的关系图谱影响模型准确性的技术问题。附图说明构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的用于图神经网络的关系图谱建立方法流程示意图；图2是根据本申请实施例的用于图神经网络的关系图谱建立装置结构示意图；图3是根据本申请实施例的设备结构示意图；图4是根据本申请实施例的实现原理示意图；图5是根据本申请实施例的企业关系示意图；图6是根据本申请实施例的面向企业风险的图神经网络模型结构图。具体实施方式为了使本
技术领域：
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。如图1所示，该方法包括如下的步骤s101至步骤s103：步骤s101，通过构建企业关系图谱，将企业间的关联信息进行量化，其中所述关联信息至少包括：企业高管、企业股东、对外投资；通过构建企业关系图谱，将企业间的关联信息进行量化表示，并将企业高管、股东及对外投资等图结构信息作为特征输入，解决企业间的关联信息难以量化的问题。步骤s102，对于n个企业节点的企业关系图谱，整个图的节点特征的n×f矩阵表示为x，对于图g＝(v，e)中的特征：xij表示节点i的第j个节点特征向量，其中n表示节点数，f表示每个节点的特征维数；eij表示节点i与节点j的边特征向量，eijp表示eij的p维特征向量，e为图的边缘特征的n×n×p张量，当两个节点之间无链接时eij＝0；具体地，给定具有n个企业节点的企业关系图，让x是整个图的节点特征的n×f矩阵表示。用下标中的索引表示矩阵或张量的元素。对于图g＝(v，e)，使用节点特征：用xij表示节点i的第j个特征向量，可以用n×f的矩阵x表示。其中n表示节点数，f表示每个节点的特征维数。具体地，给定具有n个企业节点的企业关系图，让x是整个图的节点特征的n×f矩阵表示。用下标中的索引表示矩阵或张量的元素。对于图g＝(v，e)，边特征：eij表示节点i与节点j的边特征向量，eijp表示eij的p维特征向量，e为图的边缘特征的n×n×p张量，当两个节点之间无链接时eij＝0。步骤s103，根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型。根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型。基于企业关系图谱的节点及结构表示，将图谱中的企业节点属性和节点间的关系结构向量化表示即得到节点特征向量、边特征向量，用于后续模型的训练输入。从以上的描述中，可以看出，本申请实现了如下技术效果：在本申请实施例中用于图神经网络的关系图谱建立方法以及装置、设备，采用通过构建企业关系图谱，将企业间的关联信息进行量化的方式，通过根据节点特征向量、边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型，达到了解决企业间的关联信息难以量化的问题的目的，从而实现了提高了企业风险预测的准确性的技术效果，进而解决了用于图神经网络的关系图谱影响模型准确性的技术问题。根据本申请实施例，作为本是实施例中的优选，所述边特征向量至少包括：特征、数值以及维度，所述特征至少包括：共同股东、共同高管、企业互相持股、企业间投资、企业间诉讼、企业上下游关系，所述数值至少包括：共同股东的占股比例、共同高管的数量、企业互相持股的占股比例、企业间投资的投资数量和金额、企业间诉讼的诉讼数量和类别、企业上下游关系的上下游。企业图谱边特征量主要包括共同股东、共同高管、企业互相持股、企业间投资、企业间诉讼、企业上下游关系。并且具有相应的数据和数据维度。根据本申请实施例，作为本是实施例中的优选，根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型之后，还包括：根据接收到的企业信息，通过训练得到的所述预测模型预测企业破产风险。根据接收到的不带标签的所述企业信息，通过上述步骤训练得到的所述预测模型预测企业破产风险的概率。具体地，构建基于图神经网络的企业节点分类算法，以企业是否破产为标签，将图谱中的企业节点属性和关系结构向量同时输入到改进后的图神经网络中，训练企业节点的破产概率；使用模型对无标签数据进行破产概率预测，实现企业风险预测。根据本申请实施例，作为本是实施例中的优选，据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型包括：根据接收到的企业信息，采用网络嵌入方法获取在图神经网络中节点的低维度潜在特征表示，并将特征表示作为基于图的分类任务的特征。具体地，采用网络嵌入方法(networkembedding)是在学习网络中节点的低维度潜在表示，所学习到的特征表示可以用作基于图的各种任务的特征，例如分类，聚类等任务。将企业风险预测转换成企业关系图谱的节点分类问题，将企业关系信息作为重要特征输入到神经网络中进行表征，充分利用企业节点的复杂关系建立关系，挖掘模型结合企业经营管理特征，以及存在密切关联的企业和个人，挖掘出企业经营管理状况和破产风险，从而提升对于企业经营风险的预判能力。可选地，在节点分类问题设置中，每个节点v表示为其特征x_v并且与标签t_v的相关联，用d维状态向量h_v表示每个节点，其中包含其邻域的信息，最终学习到一个包含每个顶点v的邻接信息的嵌入状态h_v，利用h_v对未标记的节点进行预测。hv＝f(xv,xco[v],hne[v],xne[v])申请实施例，作为本是实施例中的优选，根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型包括：通过将企业关系图谱中企业的节点属性信息和节点关联信息融合，将图的高维稀疏的矩阵向低维稠密向量映射，训练得到用于节点分类预测的预测模型。通过将所述企业关系图谱中企业的所述节点属性信息和所述节点关联信息融合，将图的高维稀疏的矩阵向低维稠密向量映射，训练得到用于节点分类预测的预测模型。具体地，通过构建企业关系图谱，将企业间的关联信息进行量化表示，并将企业高管、股东及对外投资等图结构信息作为特征输入，解决企业间的关联信息难以量化的问题。同时，关系特征作为后续风险预测模型的输入，将不会限制神经网络对边信息的有效利用，提高了企业风险预测的准确性。需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。根据本申请实施例，还提供了一种用于实施上述方法的用于图神经网络的关系图谱建立装置，如图2所示，该装置包括：图谱构建模块10，用于通过构建企业关系图谱，将企业间的关联信息进行量化，其中所述关联信息至少包括：企业高管、企业股东、对外投资；特征模块11，用于对于n个企业节点的企业关系图谱，整个图的节点特征的n×f矩阵表示为x，对于图g＝(v，e)中的特征：xij表示节点i的第j个节点特征向量，其中n表示节点数，f表示每个节点的特征维数；eij表示节点i与节点j的边特征向量，eijp表示eij的p维特征向量，e为图的边缘特征的n×n×p张量，当两个节点之间无链接时eij＝0；训练模块12，用于根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型。本申请实施例的图谱构建模块10中通过构建企业关系图谱，将企业间的关联信息进行量化表示，并将企业高管、股东及对外投资等图结构信息作为特征输入，解决企业间的关联信息难以量化的问题。本申请实施例的特征模块11中具体地，给定具有n个企业节点的企业关系图，让x是整个图的节点特征的n×f矩阵表示。用下标中的索引表示矩阵或张量的元素。对于图g＝(v，e)，使用节点特征：用xij表示节点i的第j个特征向量，可以用n×f的矩阵x表示。其中n表示节点数，f表示每个节点的特征维数。本申请实施例的特征模块11中具体地，给定具有n个企业节点的企业关系图，让x是整个图的节点特征的n×f矩阵表示。用下标中的索引表示矩阵或张量的元素。对于图g＝(v，e)，边特征：eij表示节点i与节点j的边特征向量，eijp表示eij的p维特征向量，e为图的边缘特征的n×n×p张量，当两个节点之间无链接时eij＝0。本申请实施例的训练模块12中根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型。基于企业关系图谱的节点及结构表示，将图谱中的企业节点属性和节点间的关系结构向量化表示即得到节点特征向量、边特征向量，用于后续模型的训练输入。根据本申请实施例，作为本是实施例中的优选，装置还包括：分类模块，用于构建基于图神经网络的企业节点分类，以企业是否破产为标签，将所述企业关系图谱中的企业节点属性和关系结构向量同时输入到改进后的图神经网络中，训练企业节点的破产概率。根据本申请实施例，作为本是实施例中的优选，所述训练模块12，用于根据接收到的企业信息，采用网络嵌入方法获取在图神经网络中节点的低维度潜在特征表示，并将特征表示作为基于图的分类任务的特征。具体地，采用网络嵌入方法(networkembedding)是在学习网络中节点的低维度潜在表示，所学习到的特征表示可以用作基于图的各种任务的特征，例如分类，聚类等任务。将企业风险预测转换成企业关系图谱的节点分类问题，将企业关系信息作为重要特征输入到神经网络中进行表征，充分利用企业节点的复杂关系建立关系，挖掘模型结合企业经营管理特征，以及存在密切关联的企业和个人，挖掘出企业经营管理状况和破产风险，从而提升对于企业经营风险的预判能力。可选地，在节点分类问题设置中，每个节点v表示为其特征x_v并且与标签t_v的相关联，用d维状态向量h_v表示每个节点，其中包含其邻域的信息，最终学习到一个包含每个顶点v的邻接信息的嵌入状态h_v，利用h_v对未标记的节点进行预测。hv＝f(xv,xco[v],hne[v],xne[v])根据本申请实施例，作为本是实施例中的优选，所述训练模块12，用于通过将企业关系图谱中企业的节点属性信息和节点关联信息融合，将图的高维稀疏的矩阵向低维稠密向量映射，训练得到用于节点分类预测的预测模型。通过将所述企业关系图谱中企业的所述节点属性信息和所述节点关联信息融合，将图的高维稀疏的矩阵向低维稠密向量映射，训练得到用于节点分类预测的预测模型。具体地，通过构建企业关系图谱，将企业间的关联信息进行量化表示，并将企业高管、股东及对外投资等图结构信息作为特征输入，解决企业间的关联信息难以量化的问题。同时，关系特征作为后续风险预测模型的输入，将不会限制神经网络对边信息的有效利用，提高了企业风险预测的准确性。本申请实施例还提供了一种计算机设备。如图3所示，计算机设备20可以包括：至少一个处理器201，例如cpu，至少一个网络接口204，用户接口203，存储器205，至少一个通信总线202，可选地，还可以包括显示屏206。其中，通信总线202用于实现这些组件之间的连接通信。其中，用户接口203可以包括触摸屏、键盘或鼠标等等。网络接口204可选的可以包括标准的有线接口、无线接口(如wi-fi接口)，通过网络接口204可以与服务器建立通信连接。存储器205可以是高速ram存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器，存储器205包括本发明实施例中的flash。存储器205可选的还可以是至少一个位于远离前述处理器201的存储系统。如图3所示，作为一种计算机存储介质的存储器205中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。需要说明的是，网络接口204可以连接接收器、发射器或其他通信模块，其他通信模块可以包括但不限于wifi模块、蓝牙模块等，可以理解，本发明实施例中计算机设备也可以包括接收器、发射器和其他通信模块等。处理器201可以用于调用存储器205中存储的程序指令，并使计算机设备20执行以下操作：通过构建企业关系图谱，将企业间的关联信息进行量化，其中所述关联信息至少包括：企业高管、企业股东、对外投资；对于n个企业节点的企业关系图谱，整个图的节点特征的n×f矩阵表示为x，对于图g＝(v，e)中的特征：xij表示节点i的第j个节点特征向量，其中n表示节点数，f表示每个节点的特征维数；eij表示节点i与节点j的边特征向量，eijp表示eij的p维特征向量，e为图的边缘特征的n×n×p张量，当两个节点之间无链接时eij＝0；根据所述节点特征向量、所述边特征向量，作为输入至图神经网络模型进行训练，得到分类学习模型。请参考图4至图6，对本申请进行详细说明：如图4所示，步骤1，第一阶段为数据收集和预处理阶段，系统收集企业数据，通过企业信息构建企业关系图谱；步骤2，基于企业关系图谱的节点及结构表示，将图谱中的企业节点属性和节点间的关系结构向量化表示，用于后续模型的训练输入；步骤3，构建基于图神经网络的企业节点分类算法，以企业是否破产为标签，将图谱中的企业节点属性和关系结构向量同时输入到改进后的图神经网络中，训练企业节点的破产概率；步骤4，使用模型对无标签数据进行破产概率预测，实现企业风险预测。以下结合附图，对本申请的一种优选实施方式进行说明：(一)企业关系知识图谱构建通过本体建模定义知识图谱实体之间的关系以及实体属性，利用中文分词、实体抽取、属性抽取、实体对齐、实体消歧、语义理解、知识推理、知识融合、语义匹配等算法来实现知识图谱的构建。对于半结构化数据、非结构化数据通过知识抽取(实体抽取、关系抽取、属性抽取)，能获取到知识点的表示，通过结构化数据的导入也能够获取到知识点的表示，在获取知识表示后，对知识通过实体对齐后将表示同一实体的节点合并到一起。如图5所示，数据源包括银行内部的企业基本信息、交易数据、外部的舆情数据、涉诉数据、工商数据。运用多种算法抽取企业密切关联三元组信息。企业之间资金来往频率和数量大于阈值，则认为可能存在密切关联。企业之间存在较大量的交叉股东，或法人，可以认为存在密切关联。企业之间存在较大量的诉讼事件，可以认为二者存在密切关联。企业和个人之间存在数量大于阈值的资金往来，可以认为存在密切关联。企业和个人之间存在任职高管、股东等关系，可以认为存在密切关联。企业和个人之间存在较多涉诉纠纷关系，可以认为存在密切关联。(二)基于企业关系图谱的节点及结构表示方法给定具有n个企业节点的企业关系图，让x是整个图的节点特征的n×f矩阵表示。用下标中的索引表示矩阵或张量的元素。对于图g＝(v，e)，我们使用以下特征：节点特征：用xij表示节点i的第j个特征向量，可以用n×f的矩阵x表示。其中n表示节点数，f表示每个节点的特征维数。边特征：eij表示节点i与节点j的边特征向量，eijp表示eij的p维特征向量，e为图的边缘特征的n×n×p张量，当两个节点之间无链接时eij＝0。企业图谱边特征量表序号特征数值维度1共同股东占股比例1×32共同高管数量1×23企业互相持股占股比例1×34企业间投资投资数量、金额1×45企业间诉讼诉讼数量、类别1×46企业上下游关系上下游1×2(三)基于企业关系结构表示的分类学习方法网络嵌入方法(networkembedding)旨在学习网络中节点的低维度潜在表示，所学习到的特征表示可以用作基于图的各种任务的特征，例如分类，聚类，等任务。在节点分类问题设置中，每个节点v表示为其特征x_v并且与标签t_v的相关联，用d维状态向量h_v表示每个节点，其中包含其邻域的信息，最终学习到一个包含每个顶点v的邻接信息的嵌入状态h_v，利用h_v对未标记的节点进行预测。hv＝f(xv,xco[v],hne[v],xne[v])其中x_co[v]表示与v连接的边的特征，h_ne[v]表示与v的相邻节点，x_ne[v]表示v的相邻节点的特征。函数f是将这些输入投影到d维空间的映射函数。由于需要寻找h_v的唯一解，可以应用banach不动点定理并将上述等式重写为迭代更新过程。ht+1＝f(ht,x)h和x分别表示所有h和x的集合。通过将状态h_v以及特征x_v传递给输出函数g来计算gnn的输出：ov＝g(hv,xv)其中f和g分别表示转移函数和输出函数，使用前馈神经网络。根据巴拿赫不动点定理可以迭代解出第t+1次迭代后的h对任意h0收敛。假设目标信息为tv，则l1损失函数为：在训练集(带有企业破产标签的数据)上进行训练，然后在测试集上推断企业的死亡概率，其中p为有监督顶点的数量，通过梯度下降法进行训练。模型结构如图6所示。显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。当前第1页12