本發(fā)明屬于互聯(lián)網(wǎng)技術(shù)領(lǐng)域，具體而言，涉及一種個性化視頻推薦系統(tǒng)及方法。

背景技術(shù)：

隨著互聯(lián)王的發(fā)展，各種類型的電子商務(wù)、線上游戲、網(wǎng)絡(luò)金融交易、語言學(xué)習(xí)以及在線視頻等應(yīng)運(yùn)產(chǎn)生。許多網(wǎng)頁內(nèi)容正逐漸擺脫互聯(lián)網(wǎng)的束縛，朝向多元化、更廣泛的應(yīng)用環(huán)境發(fā)展，大多數(shù)的網(wǎng)站會在網(wǎng)站會在網(wǎng)站首頁顯示所提供服務(wù)的頁面鏈接，當(dāng)使用者訪問網(wǎng)站時，便可看到提供服務(wù)頁面鏈接的網(wǎng)站首頁，但是目前常見的網(wǎng)站的頁面是配置固定不變的頁面，比如視頻網(wǎng)站，當(dāng)使用者想要尋找某一視頻鏈接時，常常必須在密密麻麻的頁面費(fèi)心尋找才有辦法進(jìn)行鏈接觀看視頻；另一方面，由于每個用戶的興趣點(diǎn)往往是不相同的，固定的網(wǎng)站頁面無法突顯用戶的興趣點(diǎn)，不便用戶使用。

技術(shù)實現(xiàn)要素：

為解決現(xiàn)有上述現(xiàn)有技術(shù)存在的不足，本發(fā)明的主要目的在于提供一種個性化視頻推薦系統(tǒng)及方法，其能自動記錄并學(xué)習(xí)用戶的瀏覽行為，從中挖掘用戶的興趣點(diǎn)，并根據(jù)每個用戶的個人興趣，挖掘出符合個性化需求的內(nèi)容。

本發(fā)明提供了一種個性化視頻推薦系統(tǒng)，至少包括：

接收模塊，用于接收用戶上傳的視頻，將所述視頻存儲在預(yù)設(shè)視頻數(shù)據(jù)庫，所述視頻數(shù)據(jù)庫包括視頻信息庫和/或CMS數(shù)據(jù)庫；

點(diǎn)擊行為記錄模塊，用于獲取各用戶的點(diǎn)擊行為，并將該用戶點(diǎn)擊的視頻分別進(jìn)行存儲；

興趣模型建立模塊，用于獲取該用戶點(diǎn)擊的視頻的屬性信息，并根據(jù)該屬性信息提取用戶的興趣標(biāo)記，建立興趣模型；

候選視頻生成模塊，用于根據(jù)預(yù)設(shè)的視頻生成規(guī)則從所述視頻數(shù)據(jù)庫中生成候選視頻列表；

視頻推薦模塊，用于根據(jù)預(yù)設(shè)的權(quán)值計算模型計算所述候選視頻列表中每條候選視頻的權(quán)值，并根據(jù)每條候選視頻的權(quán)值計算結(jié)果排序生成推薦列表，輸出推薦結(jié)果。

進(jìn)一步，在所述個性化視頻推薦系統(tǒng)中，所述興趣模型建立模塊包括

獲取子模塊，用于獲取每個視頻的標(biāo)題關(guān)鍵字、標(biāo)簽、類別信息，并進(jìn)行合并和統(tǒng)計頻率；

標(biāo)記子模塊，用于按頻率由高到低排列，取前k個出現(xiàn)頻率最高的詞匯，構(gòu)成對應(yīng)用戶的興趣標(biāo)記。

進(jìn)一步，在所述個性化視頻推薦系統(tǒng)中，所述候選視頻生成模塊包括

第一查詢子模塊，用于根據(jù)每個視頻的標(biāo)記，查詢與所述視頻數(shù)據(jù)庫中相似的前S1條視頻標(biāo)識；

第二查詢子模塊，用于根據(jù)該興趣模型中的興趣標(biāo)記，查詢所述視頻數(shù)據(jù)庫中所有與所述興趣標(biāo)記相關(guān)的視頻標(biāo)識，并取與每個興趣標(biāo)記對應(yīng)的最新的前S2條視頻；

第三查詢子模塊，用于查詢并獲取所述視頻數(shù)據(jù)庫中最熱門的前S3條視頻標(biāo)識。

進(jìn)一步，在所述個性化視頻推薦系統(tǒng)中，該權(quán)值計算模型為：

new_weight＝origin_weight*repeat_ratio*time_ratio

其中，new_weight為每條候選視頻的最終權(quán)值，origin_weight為每條候選視頻原始權(quán)值，repeat_ratio為重復(fù)因數(shù)，time_ratio為時間因數(shù)。

更進(jìn)一步，在上述所述個性化視頻推薦系統(tǒng)中，該原始權(quán)值origin_weight為：origin_weight＝playcount_hour+playcount_total*0.002，其中，playcount_hour表示過去1小時中當(dāng)前視頻被點(diǎn)擊的數(shù)量，playcount_total表示當(dāng)前視頻從生成至今總的點(diǎn)擊數(shù)量；該重復(fù)因數(shù)repeat_ratio為：repeat_ratio＝1.0+0.1*(N-1)，其中N為重復(fù)出現(xiàn)的次數(shù)；該時間因數(shù)time_ratio：當(dāng)前頁面為非播放頁時，

time_ratio＝1.0-0.02*(T-1)，當(dāng)前頁面為播放頁時，

當(dāng)T＝1時，time_ratio＝1.2，1＜T＜＝20時，time_ratio＝1.0-0.02*(T-1)，其中T表示從最近視頻開始，往前倒推的個數(shù)。

進(jìn)一步，在所述個性化視頻推薦系統(tǒng)中，所述系統(tǒng)還包括

過濾模塊，用于將排序結(jié)果與所述數(shù)據(jù)表進(jìn)行比對，若某個候選視頻的視頻標(biāo)識在所述數(shù)據(jù)表中出現(xiàn)，則將其從該推薦列表中刪除。

進(jìn)一步，該數(shù)據(jù)表以隊列方式存儲。

本發(fā)明還提供一種個性化視頻推薦方法，包括如下步驟：

接收用戶上傳的視頻，將所述視頻存儲在預(yù)設(shè)視頻數(shù)據(jù)庫，所述視頻數(shù)據(jù)庫包括視頻信息庫和/或CMS數(shù)據(jù)庫；

獲取各用戶的點(diǎn)擊行為，并將該用戶點(diǎn)擊的視頻分別進(jìn)行存儲至數(shù)據(jù)表；

獲取該用戶點(diǎn)擊的視頻的屬性信息，并根據(jù)該屬性信息提取用戶的興趣標(biāo)記，建立興趣模型，所述屬性信息包括關(guān)鍵字、標(biāo)簽及類別信息；

根據(jù)預(yù)設(shè)的視頻生成規(guī)則從所述視頻數(shù)據(jù)庫中生成候選視頻列表；

根據(jù)預(yù)設(shè)的權(quán)值計算模型計算所述候選視頻列表中每條候選視頻的權(quán)值，并根據(jù)每條候選視頻的權(quán)值計算結(jié)果排序生成推薦列表，輸出推薦結(jié)果。

進(jìn)一步，在所述個性化視頻推薦方法中，所述獲取該用戶點(diǎn)擊的視頻的屬性信息，并根據(jù)該屬性信息提取用戶的興趣標(biāo)記，建立興趣模型包括

獲取每個視頻的標(biāo)題關(guān)鍵字、標(biāo)簽、類別信息，并進(jìn)行合并和統(tǒng)計頻率；

按頻率由高到低排列，取前k個出現(xiàn)頻率最高的詞匯，構(gòu)成對應(yīng)用戶的興趣標(biāo)記。

進(jìn)一步地，所述根據(jù)預(yù)設(shè)的視頻生成規(guī)則從所述視頻數(shù)據(jù)庫中生成候選視頻列表包括

根據(jù)每個視頻的標(biāo)記，查詢與所述視頻數(shù)據(jù)庫中相似的前S1條視頻標(biāo)識；

根據(jù)該興趣模型中的興趣標(biāo)記，查詢所述視頻數(shù)據(jù)庫中所有與所述興趣標(biāo)記相關(guān)的視頻標(biāo)識，并取與每個興趣標(biāo)記對應(yīng)的最新的前S2條視頻；

所述所述視頻數(shù)據(jù)庫中最熱門的前S3條視頻標(biāo)識。

進(jìn)一步，在所述個性化視頻推薦方法中，所述權(quán)值計算模型為：

new_weight＝origin_weight*repeat_ratio*time_ratio

其中，new_weight為每條候選視頻的最終權(quán)值，origin_weight為每條候選視頻原始權(quán)值，repeat_ratio為重復(fù)因數(shù)，time_ratio為時間因數(shù)。

進(jìn)一步，在所述個性化視頻推薦方法中，該原始權(quán)值origin_weight為：

origin_weight＝playcount_hour+playcount_total*0.002，其中，playcount_hour表示過去1小時中當(dāng)前視頻被點(diǎn)擊的數(shù)量，playcount_total表示當(dāng)前視頻從生成至今總的點(diǎn)擊數(shù)量；該重復(fù)因數(shù)repeat_ratio為：repeat_ratio＝1.0+0.1*(N-1)，其中N為重復(fù)出現(xiàn)的次數(shù)；該時間因數(shù)time_ratio：當(dāng)前頁面為非播放頁時，time_ratio＝1.0-0.02*(T-1)，當(dāng)前頁面為播放頁時，當(dāng)T＝1時，time_ratio＝1.2，1＜T＜＝20時，

time_ratio＝1.0-0.02*(T-1)，其中T表示從最近視頻開始，往前倒推的個數(shù)。

進(jìn)一步，在所述個性化視頻推薦方法中，所述方法還包括

將排序結(jié)果與所述數(shù)據(jù)表進(jìn)行比對，若某個候選視頻的視頻標(biāo)識在所述數(shù)據(jù)表中出現(xiàn)，則將其從該推薦列表中刪除。

與現(xiàn)有技術(shù)相比，本發(fā)明一種個性化視頻推薦系統(tǒng)及其方法通過自動記錄并學(xué)習(xí)用戶的瀏覽行為，并從中挖掘出用戶的興趣點(diǎn)，建立興趣模型，并根據(jù)每個用戶的興趣，挖掘出符合個性化需求的內(nèi)容，達(dá)到了個性化推薦視頻的目的，方便了用戶。

附圖說明

圖1為本發(fā)明一種個性化視頻推薦系統(tǒng)的系統(tǒng)架構(gòu)圖；

圖2為本發(fā)明一種個性化視頻推薦方法的步驟流程圖。

具體實施方式

下面通過具體的實施例并結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)描述。

以下通過特定的具體實例并結(jié)合附圖說明本發(fā)明的實施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭示的內(nèi)容輕易地了解本發(fā)明的其它優(yōu)點(diǎn)與功效。本發(fā)明亦可通過其它不同的具體實例加以施行或應(yīng)用，本說明書中的各項細(xì)節(jié)亦可基于不同觀點(diǎn)與應(yīng)用，在不背離本發(fā)明的精神下進(jìn)行各種修飾與變更。

圖1為本發(fā)明一種個性化視頻推薦系統(tǒng)的系統(tǒng)架構(gòu)圖。如圖1所示，本發(fā)明一種個性化視頻推薦系統(tǒng)，用于于視頻網(wǎng)站向用戶推薦個性化視頻，其至少包括：接收模塊101、點(diǎn)擊行為記錄模塊102、興趣模型建立模塊103、候選視頻生成模塊104以及視頻推薦模塊105。

其中，接收模塊101，用于接收用戶上傳的視頻，將所述視頻存儲在預(yù)設(shè)視頻數(shù)據(jù)庫。視頻數(shù)據(jù)庫存儲視頻網(wǎng)站提供的所有視頻資料，每筆視頻資料均有唯一的標(biāo)識(id)，稱為vid，并具有標(biāo)題關(guān)鍵字、標(biāo)簽、類別等屬性信息。

點(diǎn)擊行為記錄模塊102用于獲取各用戶的點(diǎn)擊行為，并將該用戶點(diǎn)擊的視頻分別進(jìn)行存儲至數(shù)據(jù)表。用戶點(diǎn)擊的視頻標(biāo)識vid記錄于數(shù)據(jù)庫表中。也就是說，點(diǎn)擊行為記錄模塊102在此建立用戶與視頻資料直接的關(guān)聯(lián)，每個用戶通過唯一的一個標(biāo)示(稱為userid)來標(biāo)識，即不同的userid表示不同的用戶。對于任一用戶userid，該用戶在視頻網(wǎng)站上，每次點(diǎn)擊一條視頻，則該視頻的vid會記錄在后臺的數(shù)據(jù)表中。在本發(fā)明之較佳實施例中，該數(shù)據(jù)表可選的采用隊列的方式記錄。用戶點(diǎn)擊的視頻vid，在此成為點(diǎn)擊行為隊列(past_videolist)，即，按點(diǎn)擊發(fā)生的時間先后，采用隊列保存，存放用戶最近的N次點(diǎn)擊的視頻vid，當(dāng)隊列存儲已滿而用戶新產(chǎn)生點(diǎn)擊時，去掉距今最久的一個視頻vid，并將最新的視頻存入點(diǎn)擊行為隊列past_videolist。

興趣模型建立模塊103，用于獲取該用戶點(diǎn)擊的視頻的屬性信息，并根據(jù)該屬性信息提取用戶的興趣標(biāo)記，建立興趣模型，所述屬性信息包括關(guān)鍵字、標(biāo)簽及類別信息。從上述點(diǎn)擊行為隊列中past_videolist中，獲取每個視頻的標(biāo)題關(guān)鍵字、標(biāo)簽、類別等屬性信息，根據(jù)該些屬性信息，提取用戶的興趣標(biāo)記，構(gòu)建用戶的興趣模型。具體地說，興趣模型建立模塊103從點(diǎn)擊行為隊列中，獲取每個視頻的標(biāo)題關(guān)鍵字、標(biāo)簽、類別信息，并進(jìn)行合并和統(tǒng)計次數(shù)，按頻率由高到低排列，取前k個出現(xiàn)頻率最高的詞匯，構(gòu)成該用戶的興趣標(biāo)記，即對每個用戶userid，生成其對應(yīng)的興趣標(biāo)記：interest_word_1；interest_word_2；……interest_word_k。

進(jìn)一步，所述興趣模型建立模塊包括

獲取子模塊，用于獲取每個視頻的標(biāo)題關(guān)鍵字、標(biāo)簽、類別信息，并進(jìn)行合并和統(tǒng)計頻率；

標(biāo)記子模塊，用于按頻率由高到低排列，取前k個出現(xiàn)頻率最高的詞匯，構(gòu)成對應(yīng)用戶的興趣標(biāo)記。

候選視頻生成模塊104，用于根據(jù)一相關(guān)視頻生成規(guī)則從視頻數(shù)據(jù)庫中生成候選視頻列表。在本發(fā)明之較佳實施例中，該相關(guān)視頻生成規(guī)則包含三方面：

1、根據(jù)已觀看的每一個視頻vid，于視頻數(shù)據(jù)庫中查詢與其相似的前S1(例如S1取10)條視頻vid，也就是說，針對點(diǎn)擊行為隊列past_videolist中的每個視頻vid，于視頻數(shù)據(jù)庫中查詢與其相似的前S1(例如S1取10)條視頻vid；

2、根據(jù)建立的興趣模型中的興趣標(biāo)記interest_word，于視頻數(shù)據(jù)庫中查詢所有相關(guān)的視頻vid，取每個興趣標(biāo)記interest_word對應(yīng)的最新的前S2(例如S2取20)條視頻vid；

3、于該視頻數(shù)據(jù)庫中挑取當(dāng)前最熱門的前S3(例如S3取50)條視頻vid，這里最熱門的前S3條視頻vid可以為人工編輯推薦的，但不以此為限。

當(dāng)然，可以將根據(jù)以上相關(guān)視頻生成規(guī)則獲得視頻部分或所有視頻合并起來，構(gòu)成候選視頻列表candidate_vid。

視頻推薦模塊105，用于根據(jù)預(yù)設(shè)的權(quán)值計算模型計算所述候選視頻列表中每條候選視頻的權(quán)值，并根據(jù)每條候選視頻的權(quán)值計算結(jié)果排序生成推薦列表，輸出推薦結(jié)果。將候選視頻列表中的候選視頻進(jìn)行合并，對每條候選視頻根據(jù)一權(quán)值計算模型進(jìn)行權(quán)值計算，并根據(jù)每條候選視頻的權(quán)值計算結(jié)果輸出推薦結(jié)果。在本發(fā)明較佳實施例中，計算出每條候選視頻的權(quán)值后，并將其按從大到小排序，輸出指定需求條數(shù)。具體來說，該權(quán)值計算模型為：

new_weight＝origin_weight*repeat_ratio*time_ratio

其中，new_weight為候選視頻的最終權(quán)值，origin_weight為原始權(quán)值，repeat_ratio為重復(fù)因數(shù)，time_ratio為時間因數(shù)。

其中對于為原始權(quán)值origin_weight、重復(fù)因數(shù)repeat_ratio及時間因數(shù)time_ratio的計算如下：

A：原始權(quán)值origin_weight

origin_weight＝playcount_hour+playcount_total*0.002

其中，playcount_hour表示過去1小時中該視頻被點(diǎn)擊的數(shù)量，playcount_total表示該視頻從生成至今，總的點(diǎn)擊數(shù)量。

B：重復(fù)因數(shù)repeat_ratio

其中，重復(fù)因數(shù)repeat_ratio是根據(jù)視頻(video)重復(fù)的次數(shù)進(jìn)行加權(quán)，在本發(fā)明較佳實施例中，設(shè)置為repeat_ratio＝1.0+0.1*(N-1)；其中N為重復(fù)出現(xiàn)的次數(shù)，即，只出現(xiàn)1次時，repeat_ration＝1；N＝3時(即在3個候選視頻列表中出現(xiàn))，則repeat_ratio＝1.2。在此需注意的是，為避免過度加權(quán)，當(dāng)repeat_ratio＞1.5時，設(shè)置repeat_CN 103136275 A說明書75/6頁8ratio＝1.5

C：時間因數(shù)time_ratio

time_ratio是針對點(diǎn)擊行為隊列past_videolist的先后順序進(jìn)行權(quán)值調(diào)整，希望對最近觀看的視頻予以更多的重視。在本發(fā)明較佳實施例中，設(shè)置為：

當(dāng)type＝0時(即非播放頁的推薦)

time_ratio＝1.0-0.02*(T-1)

其中，T表示從最近視頻開始，往前倒推的個數(shù)。最近一次觀看的視頻vid標(biāo)識為1，之前觀看的為T＝2，以此類推，最早觀看的視頻T＝20(即T最大上限為20，時間早于20的設(shè)為20)。

當(dāng)type＝1時(即當(dāng)前頁面為播放頁)此時對當(dāng)前觀看視頻vid給予更多權(quán)值優(yōu)待：

當(dāng)T＝1時，time_ratio＝1.2。

1＜T＜＝20時，time_ratio＝1.0-0.02*(T-1)

較佳的，本發(fā)明之個性化視頻推薦系統(tǒng)還包括一過濾模塊106，在該視頻推薦模塊105將候選視頻按權(quán)值計算結(jié)果從大到小排列后，與點(diǎn)擊行為隊列past_videolist進(jìn)行比對，如果某個候選視頻的視頻vid在點(diǎn)擊行為隊列past_videolist(即曾觀看的視頻vid列表)中出現(xiàn)，從候選視頻列表中刪除。

進(jìn)一步，本發(fā)明所述的個性化視頻推薦系統(tǒng)還可選的包括

過濾模塊106，用于將排序結(jié)果與所述數(shù)據(jù)表進(jìn)行比對，若某個候選視頻的視頻標(biāo)識在所述數(shù)據(jù)表中出現(xiàn)，則將其從該推薦列表中刪除。

在過濾模塊106完成過濾后，在個性化的推薦結(jié)果頁上，根據(jù)需要的條數(shù)，選擇相應(yīng)條數(shù)的個性化推薦視頻結(jié)果，進(jìn)行展現(xiàn)。于此同時，用戶對這些視頻的所有點(diǎn)擊行為，也會在點(diǎn)擊行為記錄模塊102中繼續(xù)收集反饋，在下一次生成個性化推薦結(jié)果時使用，這樣不僅能源源不斷的得到新的推薦結(jié)果，同時用戶的反饋不斷的被收集，個性化推薦的結(jié)果也越來越符合用戶的興趣需求。

圖2為本發(fā)明一種個性化視頻推薦方法的步驟流程圖，以下將配合圖2進(jìn)一步說明本發(fā)明之個性化視頻推薦方法。如圖2所示，本發(fā)明之個性化視頻推薦方法，用于根據(jù)用戶的點(diǎn)擊行為對視頻數(shù)據(jù)庫中的視頻資料進(jìn)行推薦，其包括如下步驟：

步驟201，獲取各用戶的點(diǎn)擊行為，并將該用戶點(diǎn)擊的視頻分別進(jìn)行存儲至數(shù)據(jù)表。

每個用戶通過唯一的一個標(biāo)示(稱為userid)來標(biāo)識，即不同的userid表示不同的用戶。對于任一用戶userid，該用戶在視頻網(wǎng)站上，每次點(diǎn)擊一條視頻，則該視頻的vid會記錄在后臺的數(shù)據(jù)表中。在本發(fā)明之較佳實施例中，該數(shù)據(jù)表采用隊列的方式記錄用戶點(diǎn)擊的視頻vid，在此成為點(diǎn)擊行為隊列(past_videolist)；

步驟202，獲取該用戶點(diǎn)擊的視頻的屬性信息，并根據(jù)該屬性信息提取用戶的興趣標(biāo)記，建立興趣模型，所述屬性信息包括關(guān)鍵字、標(biāo)簽及類別信息。

從上述點(diǎn)擊行為隊列past_videolist中，獲取每個視頻的標(biāo)題關(guān)鍵字、標(biāo)簽、類別等屬性信息，根據(jù)該些屬性信息，提取用戶的興趣標(biāo)記，構(gòu)建用戶的興趣模型。具體地說，從點(diǎn)擊行為隊列past_videolist中，獲取每個視頻的標(biāo)題關(guān)鍵字、標(biāo)簽、類別信息，并進(jìn)行合并和統(tǒng)計次數(shù)，按頻率由高到低排列，取前k個出現(xiàn)頻率最高的詞匯，構(gòu)成該用戶的興趣標(biāo)記，即對每個用戶userid，生成其對應(yīng)的興趣標(biāo)記：interest_word_1；interest_word_2；……interest_word_k；

步驟203，根據(jù)預(yù)設(shè)的視頻生成規(guī)則從所述視頻數(shù)據(jù)庫中生成候選視頻列表。該相關(guān)視頻生成規(guī)則或為根據(jù)點(diǎn)擊行為隊列的每個視頻id查詢與其相似的前S1條視頻vid，或為根據(jù)興趣標(biāo)記于視頻數(shù)據(jù)庫中查詢所有相關(guān)的視頻vid并取最新的前S2條，或為挑取當(dāng)前最熱門的前S3條視頻vid；在此，可以將根據(jù)該相關(guān)視頻生成規(guī)則獲得的視頻部分或所有視頻合并起來，構(gòu)成候選視頻列表candidate_vid；

步驟204，根據(jù)預(yù)設(shè)的權(quán)值計算模型計算所述候選視頻列表中每條候選視頻的權(quán)值，并根據(jù)每條候選視頻的權(quán)值計算結(jié)果排序生成推薦列表，輸出推薦結(jié)果。

在本發(fā)明較佳實施例中，計算出每條候選視頻的權(quán)值后，并將其按從大到小排序，輸出指定需求條數(shù)。

較佳的，在步驟204中，在計算出每條候選視頻的權(quán)值并排序后，將其與點(diǎn)擊行為隊列past_videolist進(jìn)行比對，若某個候選視頻的視頻vid在點(diǎn)擊行為隊列past_videolist(即曾觀看的視頻vid列表)中出現(xiàn)，則從推薦列表中刪除。

綜上所述，本發(fā)明一種個性化視頻推薦系統(tǒng)及其方法通過自動記錄并學(xué)習(xí)用戶的瀏覽行為，并從中挖掘出用戶的興趣點(diǎn)，建立興趣模型，并根據(jù)每個用戶的興趣，挖掘出符合個性化需求的內(nèi)容，達(dá)到了個性化推薦視頻的目的，方便了用戶。

以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。