主播推荐方法、装置、电子设备及存储介质与流程

本申请实施例涉及直播技术
技术领域：
，具体而言，本申请实施例涉及主播推荐方法、装置、电子设备及存储介质。
背景技术：
：在直播领域中，主播对战是一个重营收的项目。现有的直播对战中，一般是根据当前在线主播与发起主播的人气匹配结果，在主播发起对战请求时，给其推荐人气最接近的一批候选主播。但这种方法中的对战人气高并不能完全转化为主播对战的实力描述值，因此存在推荐的候选主播与发起主播匹配的实力描述值难以提升的问题。技术实现要素：为了能够解决候选主播与发起主播的对战的实力描述值低的技术问题，本申请实施例提供了一种主播推荐方法、装置、电子设备及存储介质。第一方面，本申请实施例提供了一种主播推荐方法，该方法包括以下步骤：获取每个在线主播的静态特征、对战统计特征和实时特征的特征值，根据所述特征值形成多维向量；其中，所述在线主播包括发起主播和在线的候选主播；将所述多维向量作为训练样本，输入至待候选主播实力匹配模型得到在线主播的预测实力描述值，根据所述预测实力描述值和实力描述值的差值范围与待候选主播实力匹配模型的优化程度进行比较的结果，得到目标候选主播实力匹配模型；将在线的候选主播的特征信息输入所述目标候选主播实力匹配模型，筛选出与若干个与所述发起主播的实力描述值接近的候选主播,向所述发起主播推荐所述候选主播。在第一方面的可选实施例中，所述向所述发起主播推荐所述候选主播的步骤，包括：利用深度学习模型对各个所述候选主播进行评估，得到邀请成功概率；根据所述发起主播和所述候选主播的实力描述值以及所述候选主播的邀请成功概率，得到各个所述候选主播的推荐排序；根据所述推荐排序向所述发起主播推荐所述候选主播，使得所述发起主播根据所述推荐排序选择所述候选主播。在第一方面的可选实施例中，所述对战统计特征包括所述发起主播的历史的对战分数；所述方法，还包括：计算所述预测实力描述值与对战分数的差值，利用损失函数得到所述差值的损失程度，确定所述待候选主播实力匹配模型的优化程度。在第一方面的可选实施例中，所述计算所述预测实力描述值与对战分数的差值的步骤之前，还包括：对超过预设的封顶值的所述特征值取所述封顶值，并计算所述所述特征值的第一log值，以所述第一log值置于所述多维向量后，将所述多维向量作为样本输入至所述待候选主播实力匹配模型，得到所述预测实力描述值的第二log值，并对所述第二log值逆运算得到所述预测实力描述值。在第一方面的可选实施例中，若存在至少两个所述待候选主播实力匹配模型；所述方法，还包括：利用混淆矩阵分别对预测实力描述值与实力描述值进行区间分类，并根据每一类的同一区间中所述预测实力描述值与实力描述值的重合个数确定目标候选主播实力匹配模型。在第一方面的可选实施例中，所述利用深度学习模型对各个所述候选主播进行评估的步骤，包括：根据所述实力描述值对所述候选主播进行倒序排名，形成候选主播列表；将不同历史场次中成功邀请的候选主播作为正样本，将所述成功邀请的候选主播在所述候选主播列表中的排名位置以上的候选主播作为负样本，输入一个邀请成功率的分类预测模型中进行训练，得到目标分类预测模型；利用所述目标分类预测模型对各个所述候选主播的邀请成功概率进行评估。在第一方面的可选实施例中，所述得到目标分类预测模型的步骤之前，还包括：利用交叉熵损失函数计算成功邀请的概率的交叉熵值，根据所述交叉熵值确定所述分类预测模型的优化程度。在第一方面的可选实施例中，所述利用深度学习模型对各个所述候选主播进行评估，得到邀请成功概率的步骤，包括：将各个所述候选主播的静态特征以及实时对战统计特征形成多维向量作为特征值，输入至目标分类预测模型，得到所述候选主播的邀请成功的概率。在第一方面的可选实施例中，所述根据所述发起主播和所述候选主播的实力描述值以及所述候选主播的邀请成功概率对各个所述候选主播进行推荐排序的步骤中，上述推荐的参考值e满足以下公式：e＝(发起主播的实力描述值+候选主播的实力描述值)*两主播间邀请成功的概率。第二方面，本申请实施例提供了主播推荐方法，包括：匹配筛选模块，用于接收发起主播的匹配请求，根据所述发起主播的特征信息从后台筛选出与若干个与所述发起主播的实力描述值接近的候选主播；成功概率评估模块，用于利用深度学习模型对各个所述候选主播进行评估，得到邀请成功概率；推荐模块，用于根据所述发起主播和所述候选主播的实力描述值以及所述候选主播的邀请成功概率对各个所述候选主播进行推荐排序，使得所述发起主播根据所述推荐排序选择所述候选主播。第三方面，提供了一种电子设备，该电子设备包括：一个或多个处理器；存储器；一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行实现本申请实施例的第一方面所提供的主播推荐方法。第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请实施例第一方面所提供的主播推荐方法。本申请实施例提供的技术方案带来的有益效果是：本申请所提供的主播推荐方案，能够利用在线主播的特征信息对待候选主播实力匹配模型进行训练，得到目标候选主播实力匹配模型，根据目标候选主播实力匹配模型得到各个在线主播的实力描述值，并得到与发起主播的实力描述值接近的候选主播，向发起主播推荐筛选得到候选主播，使得所推荐的候选主播能够根据实力描述值与发起主播进行匹配，提升发起主播和推荐主播的匹配的实力描述值，有助于提高推荐质量。更优地，本申请所提供的主播推荐的进一步优化方案，能够根据发起主播的第二实力描述值，筛选得到一批实力描述值相近的候选主播，并根据所述发起主播和候选主播的对战偏好得到邀请成功的概率，将两者的实力描述值与上述邀请成功的概率进行融合得到候选主播的推荐排名，以供发起主播进行选择发出对战邀请。该方案能够兼顾对战的两个主播的实力描述值以及双方选择对战对手的偏好，使得所推荐的候选主播即满足发起主播和候选主播的对战偏好，也能提升两个主播对战的实力描述值，有助于得到观众用户更高的认同度。本申请实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请实施例的实践了解到。附图说明本申请实施例上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请的实施例所提供的一种主播推荐方法的流程示意图；图2为本申请的实施例的步骤s130的详细步骤的流程示意图；图3为本申请的实施例的步骤s131的详细步骤的流程示意图；图4为本申请的实施例所提供的主播推荐装置的结构示意图；图5为本申请的实施例所提供的一种主播推荐的电子设备的结构示意图。具体实施方式下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本发明的限制。本
技术领域：
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。在直播领域中，为了提升直播间的互动性，从单个主播主持发展为多个主播匹配后进行共同直播。在此过程中，一般是有发起主播发起对战请求，服务器根据该发起主播与当前在线主播进行人气匹配程度，向该发起主播推荐人气值接近的候选主播。但是，这种候选主播推荐方法并不能完全因多个主播的共同直播而提升当前的直播的实力描述值，也不能兼顾参与直播的主播的对战偏好。上述的实力描述值，可以体现于以上述形式进行共同直播的营收能力，例如观众用户的打赏值或赠送礼物的价值。为了解决利用现有的候选主播的推荐方法难以提升共同直播的营收能力的问题，在本申请中提供了一种主播推荐方法。参照图1，图1为本申请的实施例所提供的一种主播推荐方法的流程示意图。在本申请的实施例所提供的主播推荐方法，包括以下步骤：s110、获取每个在线主播的静态特征、对战统计特征和实时特征的特征值，根据所述特征值形成多维向量；其中，所述在线主播包括所述发起主播和在线的候选主播。s120、将所述多维向量作为训练样本，输入至待候选主播实力匹配模型得到在线主播的预测实力描述值，根据所述预测实力描述值和实力描述值的差值范围与待候选主播实力匹配模型的优化程度进行比较的结果，得到目标候选主播实力匹配模型；s130、将在线的候选主播的特征信息输入所述目标候选主播实力匹配模型，筛选出与若干个与所述发起主播的实力描述值接近的候选主播,向所述发起主播推荐所述候选主播。在步骤s110-s130中，发起主播在直播间选择对战直播模式时，形成候选主播的匹配请求，并发送至服务器。当服务器接收到稿匹配请求时，根据该发起主播的特征信息，如该发起直播的静态特征信息，如性别、直播类型等，以及历史的对战统计特征等特征信息，得到该发起主播的实力描述值。并且，服务器根据该发起主播的实力描述值，从后台获取其他主播的实力描述值的历史记录，该历史记录可以是最近产生的，或者是根据统计设定获取预设历史时间段，或预设数量的历史对战场次的数据进行统计，得到其他主播的实力描述值。并根据该发起主播的实力描述值，得到与其实力描述值接近的主播作为候选主播向该发起直播推荐。推荐的形式可以是根据预设推荐数量，并根据该发起主播的实力描述值确定候选主播的实力描述值的区间，得到对应的候选主播。该静态特征可以包括主播品类和主播性别，而对战统计特征可以包括主播历史pk分统计、历史pk场次统计、平均acu(acu是表示平均同时在线玩家人数)等特征，以及主播直播间实时vip用户的付费能力等特征。对于主播历史pk分以及实时特征，具体可以如以下表1所示：games_count_p3d前3天pk总场次all_value_p3d前3天总pk分win_rate_p3d前3天的胜率avg_value_p3d前3天的场均pk分max_score前7天最大单场pk分avg_acu_p7d七天平均acuweek_consume_t1周贡榜top1付费总金额ua_consume_p3dvip列表所有用户3天对该主播的付费iattendeecount主播实时外显人数表1而上述的各种主播历史pk分以及实时特征可以以各自的标识信息存储在数据库中。当接收到匹配请求时，根据如表1中左列的标识信息从数据库中获取对应的特征信息。并且，针对每个在线主播，将各自特征信息的值形成由多个特征信息所形成的多维向量。将该多维的向量作为所对应的主播的特性信息输入至待候选主播实力匹配模型，每个在线主播的预测实力描述值。在本实施例中，该在线主播包括上述发起主播和在线的候选主播。在本实施例中，该待候选主播实力匹配模型为6隐层的dnn(深度神经网络模型)。根据所述预测实力描述值和实力描述值的差值范围，评估该待候选主播实力匹配模型的优化程度。若该差值范围未达到优化程度，则继续向该待候选主播实力匹配模型输入在线主播的特征信息，对该待候选主播实力匹配模型进行优化计算，直到该差值范围为达到优化程度。当获取在线的候选主播的特征信息时，将该特征信息输入至目标候选主播实力匹配模型，得到对应的预测实力描述值，并以该预测实力描述值与该发起主播的实力描述值进行对比，根据预设数量得到若干个与所述发起主播的实力描述值接近的候选主播。本申请所提供的主播推荐方法，能够利用在线主播的特征信息对待候选主播实力匹配模型进行训练，得到目标候选主播实力匹配模型，根据目标候选主播实力匹配模型得到各个在线主播的实力描述值，并得到与发起主播的实力描述值接近的候选主播，向发起主播推荐筛选得到候选主播，使得所推荐的候选主播能够根据实力描述值与发起主播进行匹配，提升发起主播和推荐主播的匹配的实力描述值，有助于提高推荐质量。参照图2，图2为本申请的实施例的步骤s130的详细步骤的流程示意图。在该实施例的基础上，该步骤s130包括：s131、利用深度学习模型对各个所述候选主播进行评估，得到邀请成功概率；s132、根据所述发起主播和所述候选主播的实力描述值以及所述候选主播的邀请成功概率，得到各个所述候选主播的推荐排序；s133、根据所述推荐排序向所述发起主播推荐所述候选主播，使得所述发起主播根据所述推荐排序选择所述候选主播。在步骤s131-s133之中，利用深度学习模型对根据上述实施例得到的候选主播进行评估，得到邀请成功概率。在本实施例中，该邀请成功为发起主播从服务器对所推荐的候选主播中选定某候选主播，并且被选定的候选主播接收邀请进行对战直播的情况。在该步骤中，利用深度学习模型以历史的对战数据作为训练样本，经过训练后得到对应的评估模型，并利用该评估模型实现对候选主播进行评估。根据上述实施例所得到的发起主播和所述候选主播的实力描述值，以及候选主播的邀请成功概率，对所得到的候选主播进行融合计算，得到各自的推荐值，根据该推荐值为发起主播提供各候选主播进行推荐排序，使得其根据该推荐排序选择候选主播进行对战。在该实施例中，本申请所提供的主播推荐方法，能够根据发起主播的实力描述值，筛选得到一批实力描述值接近的候选主播，并根据所述发起主播和候选主播的对战偏好得到邀请成功的概率，将两者的实力描述值与上述邀请成功的概率进行融合得到候选主播的推荐排名，以供发起主播进行选择发出对战邀请。该方案能够兼顾对战的两个主播的实力描述值以及双方选择对战对手的偏好，使得所推荐的候选主播即满足发起主播和候选主播的对战偏好，也能提升两个主播对战的实力描述值，有助于得到观众用户更高的认同度。根据所述预测实力描述值和实力描述值的差值范围，评估该待候选主播实力匹配模型的优化程度。若该差值范围未达到优化程度，则继续向该待候选主播实力匹配模型输入在线主播的特征信息，对该待候选主播实力匹配模型进行优化计算，直到该差值范围为达到优化程度。在本实施例中，运用损失函数对预测实力描述值与实力描述值的差值计算待候选主播实力匹配模型的损失程度，根据该损失程度得到该待候选主播实力匹配模型的优化程度。损失程度越小，其优化效果越大。所述对战统计特征包括发起主播的历史的对战分数。在上述实施例中，可以将对战分数作为实力描述值，计算该预测实力描述值与对战分数的差值，利用损失函数得到所述差值的损失程度，确定所述待候选主播实力匹配模型的优化程度。在计算待候选主播实力匹配模型的损失程度时，对于每次训练得到的预测实力描述值与对应的实力描述值进行差值计算，并且对该差值计算取loss值。并将该loss值添加至针对该待候选主播实力匹配模型训练得到的loss值，当所有的loss值的总和随着训练次数的增长，但是所得到的总和的值增长的幅度很小时，如对该增长的幅度满足了预设的变化范围，则证明该待候选主播实力匹配模型的损失程度很小，对应的其优化效果达到了较优的效果。在上述实施例中的实力描述值，可以利用编码语言对在线主播的特征信息进行转化，如one-hot，将每个特征信息转化为对应的特征值，并将每个特征信息的特征值置于该多维向量中，计算得到该在线主播的实力描述值。对于上述待候选主播实力匹配模型的训练过程中，形成该多维向量的特征信息中包括如pk分数等变化范围较大的特征值，而该变化范围较大的特征值容易导致较大的噪点影响。在本实施例中，以真实的pk分为例进行说明。针对变化范围较大的pk分预设一个封顶值。当真实的pk分超过该封顶值时，取该封顶值，并求取该封顶值的第一log值。并将该第一log值作为该特征值置于该多维向量中。将该多维向量作为样本输入至所述待候选主播实力匹配模型，得到预测实力描述值的第二log值，并对该第二log值逆运算得到该预测实力描述值。上述取封顶值并进行log函数运算的方式也可以运用在在线主板的实力描述值的获取过程。若包含两个待候选主播实力匹配模型，可以利用混淆矩阵对预测实力描述值与实力描述值在不同数值区间内的准确性进行检测。在该混淆矩阵中，以预测实力描述值与实力描述值的数量作为该混淆矩阵的列和行。例如，将该混淆矩阵划分为5个区间，如1-10，11-20，21-30，31-40，41-50。统计分属于各个区间的预测实力描述值与实力描述值的数量分别有多少个，得到同时分属于同一区间的预测实力描述值与实力描述值有多少个，并输入至混淆矩阵中，得到每个待候选主播实力匹配模型在各个区间中的预测实力描述值与实力描述值重合个数，将重合个数最多的待候选主播实力匹配模型作为目标候选主播实力匹配模型。当获取在线的候选主播的特征信息时，将该特征信息输入至目标候选主播实力匹配模型，得到对应的预测实力描述值，并以该预测实力描述值与该发起主播的实力描述值进行对比，根据预设数量得到若干个与所述发起主播的实力描述值接近的候选主播。参照图3，图3为本申请的实施例的步骤s131的详细步骤的流程示意图。对于上述步骤s131中的所述利用深度学习模型对各个所述候选主播进行评估的步骤，包括：s1311、根据所述实力描述值对所述候选主播进行倒序排名，形成候选主播列表；s1312、将不同历史场次中成功邀请的候选主播作为正样本，将所述成功邀请的候选主播在所述候选主播列表中的排名位置以上的候选主播作为负样本，输入一个邀请成功率的分类预测模型中进行训练，得到目标分类预测模型；s1313、利用所述目标分类预测模型对各个所述候选主播进行评估。在步骤s1311－s1313中，根据实力描述值对所得到的候选主播进行倒序排名，形成候选主播列表。获取各个历史场次中发起主播成功邀请的候选主播在该候选主播列表中的排列位置。采用skipabove策略，将成功邀请的候选主播的排列位置作为正样本，并以数值“1”标签该正样本，以该正样本的排列位置以上的排列位置作为负样本，并以数值“0”标签该负样本。例如，在其中一个场次中，成功邀请的候选主播位于候选主播列表的第5位，可以列出对应的正负样本的分类表，如表2：主播排列位置样本标签1020304051表2并将多个历史场次的正负样本输入至邀请成功率的分类预测模型中，并进行模型训练。并利用交叉熵损失函数，对每一次训练后所输出成功邀请的预测概率进行交叉熵值的计算，直到所得到的分类预测模型的交叉熵值趋于稳定。在本实施例中，可以以设定的变化区间作为检测该交叉熵值是否趋于稳定的判断条件，从而判断该分类预测模型的优化程度是否达到训练要求。在上述针对每一场次的成功邀请的预测概率所代表具有能够成功邀请对应特征信息的候选主播的概率。根据上述的检测方法，得到目标分类预测模型，并利用该目标分类预测模型得到成功邀请各个候选主播的概率。在获取该成功邀请各个候选主播的概率的步骤，包括将各个所述候选主播的特征信息，包括其静态特征以及实时对战统计特征等形成多维向量，并以该多维向量输入该目标分类预测模型，得到成功邀请该候选主播的概率。根据上述实施例所执行的方法步骤中，获取的发起主播的实力描述值、候选主播的实力描述值，以及发起主播和候选主播之间的邀请成功的概率，即发起主播成功邀请该候选主播的概率进行融合计算，得到针对各个候选主播推荐的参考值e。该参考值e满足以下公式：e＝(发起主播的实力描述值+候选主播的实力描述值)*两主播间邀请成功的概率。根据上述得到的候选主播推荐的参考值e，进行倒序排列，形成候选主播推荐排名，并向发起主播的用户终端推送。基于与主播推荐方法相同的申请构思，本申请实施例还提供了一种主播推荐装置。参考图4，图4为本申请的实施例所提供的主播推荐装置的结构示意图。该主播推荐装置200，包括：匹配筛选模块210，用于获取每个在线主播的静态特征、对战统计特征和实时特征的特征值，根据所述特征值形成多维向量；其中，所述在线主播包括发起主播和在线的候选主播；成功概率评估模块220，用于将所述多维向量作为训练样本，输入至待候选主播实力匹配模型得到在线主播的预测实力描述值，根据所述预测实力描述值和实力描述值的差值范围与待候选主播实力匹配模型的优化程度进行比较的结果，得到目标候选主播实力匹配模型；推荐模块230，用于将在线的候选主播的特征信息输入所述目标候选主播实力匹配模型，筛选出与若干个与所述发起主播的实力描述值接近的候选主播,向所述发起主播推荐所述候选主播。本申请实施例所提供的主播推荐装置200，能够利用在线主播的特征信息对待候选主播实力匹配模型进行训练，得到目标候选主播实力匹配模型，根据目标候选主播实力匹配模型得到各个在线主播的实力描述值，并得到与发起主播的实力描述值接近的候选主播，向发起主播推荐筛选得到候选主播，使得所推荐的候选主播能够根据实力描述值与发起主播进行匹配，提升发起主播和推荐主播的匹配的实力描述值，有助于提高推荐质量。基于与本申请实施例中所示的方法相同的原理，本申请实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机操作指令；处理器，用于通过调用计算机操作指令执行实施例所示的方法。与现有技术相比，本申请实施例中的电子设备能够利用在线主播的特征信息对待候选主播实力匹配模型进行训练，得到目标候选主播实力匹配模型，根据目标候选主播实力匹配模型得到各个在线主播的实力描述值，并得到与发起主播的实力描述值接近的候选主播，向发起主播推荐筛选得到候选主播，使得所推荐的候选主播能够根据实力描述值与发起主播进行匹配，提升发起主播和推荐主播的匹配的实力描述值，有助于提高推荐质量。参照图5，图5为本申请的实施例所提供的一种主播推荐的电子设备的结构示意图。在一个可选实施例中提供了一种电子设备，如图4所示，图4所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，本申请实施例中的计算机可读存储介质能够利用在线主播的特征信息对待候选主播实力匹配模型进行训练，得到目标候选主播实力匹配模型，根据目标候选主播实力匹配模型得到各个在线主播的实力描述值，并得到与发起主播的实力描述值接近的候选主播，向发起主播推荐筛选得到候选主播，使得所推荐的候选主播能够根据实力描述值与发起主播进行匹配，提升发起主播和推荐主播的匹配的实力描述值，有助于提高推荐质量。上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。当前第1页12