点击率预估方法、系统、可读存储介质及计算机设备与流程

1.本发明涉及互联网技术领域，特别涉及一种点击率预估方法、系统、可读存储介质及计算机设备。


背景技术：

2.随着计算机计算能力的不断提升，线上广告系统实现了远超传统广告模式的触达效率与实际效益。在实际电子商务环境下，由于用户群体分布广泛，需求多样，同时广告种类丰富，通过固定规则向不同用户展示类似广告极大限制了线上广告系统的营收能力。点击率预估技术就是结合不同用户群体与待分发广告的特征，利用神经网络或综合性模型在历史数据上进行参数训练，进而完成针对不同用户预估对特定广告的点击概率任务。在实际生活中有着广泛的应用场景。
3.在点击率预估任务中，用户与商品往往都存在许多可用的上下文特征，这类特征往往能够反映用户的潜在偏好。在实际应用中，用户的偏好信息在许多任务中起着重要作用。例如，在商品推荐中，用户是否会购买某商品不仅与他的自身属性有关，而且与用户最近的购买或浏览记录密切相关。目前，工业界与学术界均已经提出了许多学习用户兴趣的方法，其中，当前最主流的是基于深度学习的相关方法。
4.尽管许多基于用户行为的点击率预估相关工作都在对用户兴趣的学习上取得了巨大的成功，少有方法能重视行为序列中与目标不相关的商品为预估结果带来的负面影响。一方面，尤其在电子商务应用中，一个用户的兴趣经常会发生频繁变化，这使得用户历史记录中的行为多样，导致行为序列具有异质性(即一段序列中商品的种类变化很大)，尽管dsin模型通过将序列分段的方式试图减小异质性的影响并确定了一定的效果提升，这类方法的结果依赖于对序列的划分方式，通常的做法是当相邻行为之间发生间隔超过30分钟就将其划分到两个序列段，但这种做法在用户兴趣频繁变化的场合并不能有效保证序列段的同质性，异质性高的序列段会对整体兴趣的学习产生负面的影响，对用户兴趣的学习造成极大的阻碍。具体来说，目前的从序列段中学习兴趣向量的方法，在对异质性高的序列进行处理时，因为其中涉及商品种类更多，提取的兴趣向量往往不能有效表示这一段时间内用户的真实需求。在实际预估过程中，应该尽力避免不相关行为对学习到的兴趣向量的负面影响，因此，在对用户行为序列划分之后，对高异质性以及与目标广告低相关度行为的影响是必要的。


技术实现要素：

5.基于此，本发明的目的是提供一种点击率预估方法、系统、可读存储介质及计算机设备，以至少解决上述技术中的不足。
6.本发明提出一种点击率预估方法，包括：
7.当获取到点击率预估任务时，获取用户行为序列，并将所述用户行为序列按照预设规则进行序列划分，得到多个行为序列段；
8.获取目标广告的商品初始嵌入表，并利用所述商品初始嵌入表将各所述行为序列段转换成对应的嵌入向量；
9.将各所述嵌入向量输入预设的自注意力网络中，以计算出对应的第一兴趣表征向量；
10.将各所述第一兴趣表征向量分别输入至预设的异质性学习模型和相关性学习模型中，以得到对应的异质性指标和相关性指标；
11.根据各所述异质性指标和各所述相关性指标得到各所述行为序列段在所述点击率预估任务中的权重，并利用各所述行为序列段在所述点击率预估任务中的权重得到第二兴趣表征向量；
12.根据所述第二兴趣表征向量和预设的全连接神经网络得到所述点击率预估任务的最终预估结果。
13.进一步的，将所述用户行为序列按照预设规则进行序列划分，得到多个行为序列段的步骤包括：
14.判断所述用户行为序列中相邻的两用户行为之间的发生间隔是否超过预设时间；
15.若所述用户行为序列中相邻的两用户行为之间的发生间隔超过预设时间，则将两所述用户行为划分为不同行为序列段。
16.进一步的，将各所述第一兴趣表征向量分别输入至预设的异质性学习模型和相关性学习模型中，以得到对应的异质性指标和相关性指标的步骤包括：
17.将各所述行为序列段中均轮流移除一个行为构建多个不完整序列段，并根据所述商品初始嵌入表和所述自注意力网络计算出各所述不完整序列段对应的第三兴趣表征向量；
18.利用余弦相似度、所述第三兴趣表征向量以及所述第一兴趣表征向量计算出对应的异质性指标。
19.进一步的，将各所述第一兴趣表征向量分别输入至预设的异质性学习模型和相关性学习模型中，以得到对应的异质性指标和相关性指标的步骤还包括：
20.将所述目标广告的商品加入到各所述行为序列段中，以构建出多个包含目标商品的序列段，并根据所述商品初始嵌入表和所述自注意力网络计算出各所述包含目标商品的序列段对应的第四兴趣表征向量；
21.利用余弦相似度、所述第四兴趣表征向量以及所述第一兴趣表征向量计算出对应的相关性指标。
22.进一步的，所述嵌入向量的计算公式为：
23.bi＝bi×
e；
24.式中，bi表示用户的第i个行为所对应的商品，e表示商品初始嵌入表，bi表示对应的嵌入向量。
25.进一步的，所述第一兴趣表征向量的计算公式为：
[0026][0027]
式中，q
t
表示输入的第t个序列段的嵌入向量由自注意力网络转化成的query矩
阵，表示输入的第t个序列段的嵌入向量由自注意力网络转化成的key矩阵，v
t
表示输入的第t个序列段的嵌入向量由自注意力网络转化成的value矩阵，d为嵌入向量维度。
[0028]
本发明还提出一种点击率预估系统，包括：
[0029]
获取模块，用于当获取到点击率预估任务时，获取用户行为序列，并将所述用户行为序列按照预设规则进行序列划分，得到多个行为序列段；
[0030]
转换模块，用于获取目标广告的商品初始嵌入表，并利用所述商品初始嵌入表将各所述行为序列段转换成对应的嵌入向量；
[0031]
第一计算模块，用于将各所述嵌入向量输入预设的自注意力网络中，以计算出对应的第一兴趣表征向量；
[0032]
第二计算模块，用于将各所述第一兴趣表征向量分别输入至预设的异质性学习模型和相关性学习模型中，以得到对应的异质性指标和相关性指标；
[0033]
第三计算模块，用于根据各所述异质性指标和各所述相关性指标得到各所述行为序列段在所述点击率预估任务中的权重，并利用各所述行为序列段在所述点击率预估任务中的权重得到第二兴趣表征向量；
[0034]
预估模块，用于根据所述第二兴趣表征向量和预设的全连接神经网络得到所述点击率预估任务的最终预估结果。
[0035]
进一步的，所述获取模块包括：
[0036]
判断单元，用于判断所述用户行为序列中相邻的两用户行为之间的发生间隔是否超过预设时间；
[0037]
划分单元，用于若所述用户行为序列中相邻的两用户行为之间的发生间隔超过预设时间，则将两所述用户行为划分为不同行为序列段。
[0038]
进一步的，所述第二计算模块包括：
[0039]
第一构建单元，用于将各所述行为序列段中均轮流移除一个行为构建多个不完整序列段，并根据所述商品初始嵌入表和所述自注意力网络计算出各所述不完整序列段对应的第三兴趣表征向量；
[0040]
第一计算单元，用于利用余弦相似度、所述第三兴趣表征向量以及所述第一兴趣表征向量计算出对应的异质性指标。
[0041]
进一步的，所述第二计算模块还包括：
[0042]
第二构建单元，用于将所述目标广告的商品加入到各所述行为序列段中，以构建出多个包含目标商品的序列段，并根据所述商品初始嵌入表和所述自注意力网络计算出各所述包含目标商品的序列段对应的第四兴趣表征向量；
[0043]
第二计算单元，用于利用余弦相似度、所述第四兴趣表征向量以及所述第一兴趣表征向量计算出对应的相关性指标。
[0044]
本发明还提出一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的点击率预估方法。
[0045]
本发明还提出一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述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的点击率预估方法。
[0046]
本发明当中的点击率预估方法、系统、可读存储介质及计算机设备，通过将用户行为序列划分成多个行为序列段，并利用目标广告中的商品初始嵌入表将各行为序列段转换成对应的嵌入向量，通过自注意力网络计算出各嵌入向量对应的第一兴趣表征向量，采用异质性学习模型和相关性学习模型去计算出各第一兴趣表征向量的异质性指标和相关性指标，进而通过各异质性指标和各相关性指标得到各行为序列段在点击率预估任务中的权重以及第二兴趣表征向量，根据第二兴趣表征向量得到所述点击率预估任务的最终预估结果，本发明通过综合学习行为序列段中各行为之间的关系以及目标与行为序列段中行为之间的关系，以减少高异质性以及低相关性的行为序列段为预估任务带来的负面影响，并通过计算不同序列段的兴趣表征向量之间的相似度，对序列段的异质性进行衡量。
附图说明
[0047]
图1为本发明第一实施例中的点击率预估方法的流程图；
[0048]
图2为图1中步骤s101的详细流程图；
[0049]
图3为本发明第一实施例中的点击率预估模型的框架图；
[0050]
图4为图1中步骤s104的详细流程图；
[0051]
图5为本发明第二实施例中的点击率预估系统的结构框图；
[0052]
图6为本发明第三实施例中的计算机设备的结构框图。
[0053]
主要元件符号说明：
[0054]
存储器10创建模块11处理器20调用模块12计算机程序30执行模块13
[0055]
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
[0056]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0057]
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0058]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0059]
首先，需要说明的是，嵌入技术广泛应用于深度学习领域，该技术可以将高维、稀疏的特征转化为低维稠密的向量，为深度神经网络提供初始的输入，使深度模型可以更好地学习与收敛。其中，在点击率预估领域最常见的做法是为每个特征创建一个可训练的
·
n x d维嵌入表，其中n代表该特征的所有种类，通过查表的形式将特征转换为d维的向量。
[0060]
自注意力机制，是构建三个不同的线性变换矩阵将同一输入转化为query，key，value。对于一系列输入的每一个输入，都通过其对应的query-key对计算其与其他输入的匹配程度(即attention score)，以加权求和的方式使每一个输入的向量都具有上下文的信息。一个额外的前馈神经网络结构将被用于整合序列中所有输入的向量并得到整段序列的输出。
[0061]
实施例一
[0062]
请参阅图1，所示为本发明第一实施例中的点击率预估方法，所述方法具体包括步骤s101至s106：
[0063]
s101，当获取到点击率预估任务时，获取用户行为序列，并将所述用户行为序列按照预设规则进行序列划分，得到多个行为序列段；
[0064]
进一步的，请参阅图2，所述步骤s101具体包括步骤s1011～s1012：
[0065]
s1011，判断所述用户行为序列中相邻的两用户行为之间的发生间隔是否超过预设时间；
[0066]
s1012，若所述用户行为序列中相邻的两用户行为之间的发生间隔超过预设时间，则将两所述用户行为划分为不同行为序列段。
[0067]
在具体实施时，本实施例提出了一种点击率预估模型，请参阅图3，针对用户的行为序列进行分段，具体来说，如果序列中相邻两行为之间的发生间隔超过30分钟，这两个行为将被视为在不同序列段，不同用户得到的序列分段数量不同，本实施例中设置序列段数量为t。
[0068]
s102，获取目标广告的商品初始嵌入表，并利用所述商品初始嵌入表将各所述行为序列段转换成对应的嵌入向量；
[0069]
在具体实施时，利用嵌入技术将用户行为序列中的商品以及目标广告中的商品转换为可输入神经网络的低维向量。
[0070]
获取目标广告中的商品初始嵌入表e，根据以下公式(1)得到商品的嵌入向量。bi是用户的第i个行为所对应的商品，bi是对应的嵌入向量。
[0071]
公式(1)：bi＝bi×
e；
[0072]
s103，将各所述嵌入向量输入预设的自注意力网络中，以计算出对应的第一兴趣表征向量；
[0073]
在具体实施时，利用自注意力机制，基于公式(2)，将每个序列段中商品的嵌入向量输入自注意力网络，得到对应的t个序列段兴趣表征向量。q
t
表示输入的第t个序列段的嵌入向量由自注意力网络转化成的query矩阵，表示输入的第t个序列段的嵌入向量由自注意力网络转化成的key矩阵，v
t
表示输入的第t个序列段的嵌入向量由自注意力网络转化成的value矩阵，d为嵌入向量维度。
[0074]
公式(2)：
[0075]
s104，将各所述第一兴趣表征向量分别输入至预设的异质性学习模型和相关性学习模型中，以得到对应的异质性指标和相关性指标；
[0076]
进一步的，请参阅图4，所述步骤s104具体包括步骤s1041～s1044：
[0077]
s1041，将各所述行为序列段中均轮流移除一个行为构建多个不完整序列段，并根据所述商品初始嵌入表和所述自注意力网络计算出各所述不完整序列段对应的第三兴趣表征向量；
[0078]
s1042，利用余弦相似度、所述第三兴趣表征向量以及所述第一兴趣表征向量计算出对应的异质性指标；
[0079]
s1043，将所述目标广告的商品加入到各所述行为序列段中，以构建出多个包含目标商品的序列段，并根据所述商品初始嵌入表和所述自注意力网络计算出各所述包含目标商品的序列段对应的第四兴趣表征向量；
[0080]
s1044，利用余弦相似度、所述第四兴趣表征向量以及所述第一兴趣表征向量计算出对应的相关性指标。
[0081]
在具体实施时，在异质性学习模型中，本实施例设计异质性学习机制，对于一段分段之后的用户行为序列段，轮流将其中的一个行为移除构建新的序列段，对于一个拥有n个行为的序列段，将得到n个衍生的不完整序列段，同样根据公式(2)，为每个不完整序列段计算兴趣表征向量根据公式(3)，计算n个兴趣表征向量与原序列段表征向量的余弦相似度并去平均值作为该序列段的异质性指标；
[0082]
公式(3)：
[0083]
在相关性学习模块中，为了挖掘目标与序列段行为间的相关性，本实施例中基于异质性学习机制设计变体进行相关性学习。对每一段序列段，将目标广告中的商品加入该序列段的末尾，以构建一个新的包含目标商品的序列段，根据公式(2)，计算该新序列段的兴趣表征向量i
′
t
。根据公式(4)计算该向量与原序列段向量的余弦相似度作为该序列段关于目标广告的相关性指标；
[0084]
公式(4)：
[0085]
s105，根据各所述异质性指标和各所述相关性指标得到各所述行为序列段在所述点击率预估任务中的权重，并利用各所述行为序列段在所述点击率预估任务中的权重得到第二兴趣表征向量；
[0086]
在具体实施时，根据公式(5)，将由上述步骤得到的t个序列段的异质性指标与相关性指标进行综合，得到每个序列段在上述点击率预估任务中关于上述目标广告的权重；根据公式(6)，以加权求和的方式整合所有序列段的兴趣表征向量得到总体的用户兴趣表征向量。
[0087]
公式(5)：
[0088]
公式(6)：
[0089]
s106，根据所述第二兴趣表征向量和预设的全连接神经网络得到所述点击率预估任务的最终预估结果。
[0090]
在具体实施时，利用全连接神经网络构建点击率预估层，输入是由上述步骤得到的总体的用户兴趣表征向量与上述步骤中得到的嵌入向量的拼接，输出是用户点击目标广告的概率。公式(7)为用于模型训练的损失函数。接着利用随机梯度下降方法对模型进行训练，以得到对应的最终预估结果。
[0091]
公式(7)：
[0092][0093]
与其他方法相比，本技术能够有效发觉行为中的异质性序列段并减少其负面影响，同时提高那些具有高相关性的序列段在预测中任务中的比重。表1展示了本技术在进行对比实验时所使用的四个公开数据集，表2表示的是在四个不同的数据集上，本技术与其他模型在点击率预估任务上的评价指标auc以及logloss的对比。从表2可以看出，本技术相较于其他模型在点击率预估任务上均取得了较好的效果。表3展示了消融实验结果，rm-r，rm-h，rm-hr分别表示移除相关性学习，异质性学习以及两者均移除的模型变体，从表3可以看出，模型的异质性学习机制及其相关性学习机制的变体都能提升模型效果。
[0094]
表1
[0095][0096]
表2
[0097][0098]
表3
[0099][0100]
综上，本发明上述实施例当中的点击率预估方法，通过将用户行为序列划分成多个行为序列段，并利用目标广告中的商品初始嵌入表将各行为序列段转换成对应的嵌入向量，通过自注意力网络计算出各嵌入向量对应的第一兴趣表征向量，采用异质性学习模型和相关性学习模型去计算出各第一兴趣表征向量的异质性指标和相关性指标，进而通过各异质性指标和各相关性指标得到各行为序列段在点击率预估任务中的权重以及第二兴趣表征向量，根据第二兴趣表征向量得到所述点击率预估任务的最终预估结果，本发明通过综合学习行为序列段中各行为之间的关系以及目标与行为序列段中行为之间的关系，以减少高异质性以及低相关性的行为序列段为预估任务带来的负面影响，并通过计算不同序列段的兴趣表征向量之间的相似度，对序列段的异质性进行衡量。
[0101]
实施例二
[0102]
本发明另一方面还提出一种点击率预估系统，请查阅图5，所示为本发明第二实施例中的点击率预估系统，所述系统包括：
[0103]
获取模块11，用于当获取到点击率预估任务时，获取用户行为序列，并将所述用户行为序列按照预设规则进行序列划分，得到多个行为序列段；
[0104]
进一步的，所述获取模块11包括：
[0105]
判断单元，用于判断所述用户行为序列中相邻的两用户行为之间的发生间隔是否超过预设时间；
[0106]
划分单元，用于若所述用户行为序列中相邻的两用户行为之间的发生间隔超过预设时间，则将两所述用户行为划分为不同行为序列段。
[0107]
转换模块12，用于获取目标广告的商品初始嵌入表，并利用所述商品初始嵌入表将各所述行为序列段转换成对应的嵌入向量；
[0108]
第一计算模块13，用于将各所述嵌入向量输入预设的自注意力网络中，以计算出对应的第一兴趣表征向量；
[0109]
第二计算模块14，用于将各所述第一兴趣表征向量分别输入至预设的异质性学习模型和相关性学习模型中，以得到对应的异质性指标和相关性指标；
[0110]
进一步的，所述第二计算模块14包括：
[0111]
第一构建单元，用于将各所述行为序列段中均轮流移除一个行为构建多个不完整序列段，并根据所述商品初始嵌入表和所述自注意力网络计算出各所述不完整序列段对应的第三兴趣表征向量；
[0112]
第一计算单元，用于利用余弦相似度、所述第三兴趣表征向量以及所述第一兴趣表征向量计算出对应的异质性指标。
[0113]
进一步的，所述第二计算模块14还包括：
[0114]
第二构建单元，用于将所述目标广告的商品加入到各所述行为序列段中，以构建出多个包含目标商品的序列段，并根据所述商品初始嵌入表和所述自注意力网络计算出各所述包含目标商品的序列段对应的第四兴趣表征向量；
[0115]
第二计算单元，用于利用余弦相似度、所述第四兴趣表征向量以及所述第一兴趣表征向量计算出对应的相关性指标。
[0116]
第三计算模块15，用于根据各所述异质性指标和各所述相关性指标得到各所述行为序列段在所述点击率预估任务中的权重，并利用各所述行为序列段在所述点击率预估任务中的权重得到第二兴趣表征向量；
[0117]
预估模块16，用于根据所述第二兴趣表征向量和预设的全连接神经网络得到所述点击率预估任务的最终预估结果。
[0118]
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
[0119]
本发明实施例所提供的点击率预估系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0120]
实施例三
[0121]
本发明还提出一种计算机设备，请参阅图6，所示为本发明第三实施例中的计算机设备，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的点击率预估方法。
[0122]
其中，存储器10至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机设备的内部存储单元，例如该计算机设备的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器10还可以既包括计算机设备的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0123]
其中，处理器20在一些实施例中可以是电子控制单元(electronic control unit，简称ecu，又称行车电脑)、中央处理器(central processing unit,cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
[0124]
需要指出的是，图6示出的结构并不构成对计算机设备的限定，在其它实施例当中，该计算机设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0125]
本发明实施例还提出一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的点击率预估方法。
[0126]
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系
统、装置或设备而使用的装置。
[0127]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0128]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0129]
以上所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。
[0130]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。