本發(fā)明屬于大數(shù)據(jù)分析技術(shù)領(lǐng)域，特別涉及一種基于Markov邏輯網(wǎng)的知識(shí)圖譜關(guān)系類(lèi)型推測(cè)方法及其裝置。

背景技術(shù)：

隨著互聯(lián)網(wǎng)由文檔萬(wàn)維網(wǎng)向數(shù)據(jù)萬(wàn)維網(wǎng)的逐步轉(zhuǎn)變，互聯(lián)網(wǎng)中相互關(guān)聯(lián)的實(shí)體對(duì)象逐步轉(zhuǎn)化為計(jì)算機(jī)能夠理解的知識(shí)圖譜形式存在，基于知識(shí)圖譜的快速問(wèn)答、關(guān)聯(lián)查詢(xún)、實(shí)體推薦為人們的生活提供了極大的便利。然而，知識(shí)圖譜的構(gòu)建是個(gè)復(fù)雜的過(guò)程，實(shí)體間的關(guān)聯(lián)關(guān)系在知識(shí)抽取過(guò)程中往往難以全面獲取，如何基于實(shí)體間已有的關(guān)系類(lèi)型對(duì)實(shí)體間未知的關(guān)系類(lèi)型進(jìn)行推測(cè)，從而完善知識(shí)圖譜，具有十分重要的現(xiàn)實(shí)意義和實(shí)用價(jià)值。

知識(shí)圖譜作為一個(gè)新興的研究方向，是近些年的研究熱點(diǎn)，國(guó)內(nèi)外研究學(xué)者提出了大量的模型用于解決知識(shí)圖譜的鏈接推測(cè)問(wèn)題，主要有基于張量分解的方法、基于轉(zhuǎn)換的方法和基于路徑推理的方法，其中基于張量分解的方法將實(shí)體間的關(guān)系用矩陣表示，基于轉(zhuǎn)換的方法將高維知識(shí)圖譜中的實(shí)體和關(guān)系嵌入到一個(gè)低維連續(xù)向量中，基于路徑推理的方法通過(guò)統(tǒng)計(jì)知識(shí)圖譜中大量的關(guān)系路徑構(gòu)建關(guān)系分類(lèi)的特征向量。這些方法在通用知識(shí)圖譜上取得了一定效果，但普遍存在著推理準(zhǔn)確率不高的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于Markov邏輯網(wǎng)的知識(shí)圖譜關(guān)系類(lèi)型推測(cè)方法及其裝置，實(shí)現(xiàn)知識(shí)圖譜中推理規(guī)則的自動(dòng)學(xué)習(xí)與節(jié)點(diǎn)間關(guān)系類(lèi)型的概率推理，解決知識(shí)圖譜完善過(guò)程中人工制定推理規(guī)則不科學(xué)、不全面、可擴(kuò)展性差等的問(wèn)題，可信度高，有效提升推測(cè)的準(zhǔn)確率。

按照本發(fā)明所提供的設(shè)計(jì)方案，一種基于Markov邏輯網(wǎng)的知識(shí)圖譜關(guān)系類(lèi)型推測(cè)方法，包含如下內(nèi)容：

步驟1、針對(duì)已知數(shù)據(jù)集的知識(shí)圖譜，確定已知節(jié)點(diǎn)間的路徑特征及待推測(cè)節(jié)點(diǎn)；

步驟2、根據(jù)已知節(jié)點(diǎn)間的路徑特征生成推理規(guī)則；

步驟3、通過(guò)Markov邏輯網(wǎng)對(duì)推理規(guī)則進(jìn)行可信度權(quán)重學(xué)習(xí)，得到帶權(quán)重的推理規(guī)則；

步驟4、通過(guò)帶權(quán)重的推理規(guī)則，對(duì)待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型進(jìn)行概率推理；

步驟5、根據(jù)概率推理結(jié)果確定待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型。

上述的，步驟2包含如下內(nèi)容：

步驟21、采用圖的遍歷方法對(duì)知識(shí)圖譜已知節(jié)點(diǎn)間的路徑特征進(jìn)行遍歷，生成證據(jù)謂詞和查詢(xún)謂詞；

步驟22、根據(jù)證據(jù)謂詞和查詢(xún)謂詞，構(gòu)建證據(jù)謂詞到查詢(xún)謂詞的推理規(guī)則。

優(yōu)選的，步驟21包含內(nèi)容如下：通過(guò)設(shè)定已知節(jié)點(diǎn)間的路徑長(zhǎng)度大小并采用廣度優(yōu)先遍歷方法對(duì)知識(shí)圖譜已知節(jié)點(diǎn)間的路徑特征進(jìn)行遍歷，生成證據(jù)謂詞和查詢(xún)謂詞。

上述的，步驟2還包含如下內(nèi)容：步驟23、根據(jù)推理規(guī)則，并結(jié)合節(jié)點(diǎn)信息，構(gòu)建用于Markov邏輯網(wǎng)學(xué)習(xí)的訓(xùn)練集數(shù)據(jù)。

優(yōu)選的，步驟23還包含：若存在節(jié)點(diǎn)信息滿(mǎn)足推理規(guī)則，則將該推理規(guī)則中的證據(jù)謂詞到查詢(xún)謂詞對(duì)應(yīng)的閉謂詞添加至訓(xùn)練集數(shù)據(jù)中。

上述的，步驟4包含如下內(nèi)容：根據(jù)帶權(quán)重的推理規(guī)則進(jìn)行Markov邏輯網(wǎng)推理，得到待推測(cè)節(jié)點(diǎn)間存在的關(guān)系類(lèi)型概率。

上述的，步驟4包含如下內(nèi)容：根據(jù)帶權(quán)重的推理規(guī)則并結(jié)合待推測(cè)節(jié)點(diǎn)間的已知信息，進(jìn)行Markov邏輯網(wǎng)推理，得到待推測(cè)節(jié)點(diǎn)間存在的關(guān)系類(lèi)型概率，其中，已知信息至少包含：待推測(cè)節(jié)點(diǎn)與其他節(jié)點(diǎn)間的路徑特征。

上述的，步驟4還包含：若待推測(cè)節(jié)點(diǎn)間存在推理規(guī)則中的證據(jù)謂詞，則將該證據(jù)謂詞對(duì)應(yīng)的閉謂詞添加至已知信息中。

上述的，步驟5包含如下內(nèi)容：根據(jù)待推測(cè)節(jié)點(diǎn)間存在的關(guān)系類(lèi)型概率，選取較大概率值的關(guān)系類(lèi)型，作為待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型。

一種基于Markov邏輯網(wǎng)的知識(shí)圖譜關(guān)系類(lèi)型推測(cè)裝置，包含：

推理規(guī)則獲取模塊，用于根據(jù)數(shù)據(jù)集知識(shí)圖譜已知節(jié)點(diǎn)間的路徑特征生成推理規(guī)則；

可信度權(quán)重學(xué)習(xí)模塊，用于通過(guò)Markov邏輯網(wǎng)對(duì)推理規(guī)則獲取模塊生成的推理規(guī)則進(jìn)行可信度權(quán)重學(xué)習(xí)并獲取帶權(quán)重的推理規(guī)則；

概率推理模塊，用于根據(jù)可信度權(quán)重學(xué)習(xí)模塊獲取的帶權(quán)重的推理規(guī)則，對(duì)待推測(cè)節(jié)點(diǎn)間存在的關(guān)系類(lèi)型進(jìn)行概率推理，獲取待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型概率；

關(guān)系類(lèi)型確定模塊，用于根據(jù)概率推理模塊獲取的關(guān)系類(lèi)型概率，選取較大概率值的關(guān)系類(lèi)型，作為待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型。

本發(fā)明的有益效果：

本發(fā)明根據(jù)已知節(jié)點(diǎn)間關(guān)聯(lián)關(guān)系的路徑特征生成推理規(guī)則，并應(yīng)用Markov邏輯網(wǎng)對(duì)推理規(guī)則的可信度進(jìn)行權(quán)重學(xué)習(xí)，通過(guò)學(xué)習(xí)得到的帶權(quán)重的推理規(guī)則對(duì)節(jié)點(diǎn)間可能存在的關(guān)系類(lèi)型進(jìn)行概率推理，解決知識(shí)圖譜完善過(guò)程中人工制定推理規(guī)則不科學(xué)、不全面、可擴(kuò)展性差等的問(wèn)題，實(shí)現(xiàn)知識(shí)圖譜中推理規(guī)則的自動(dòng)學(xué)習(xí)與節(jié)點(diǎn)間關(guān)系類(lèi)型的概率推理，可信度高，有效保證節(jié)點(diǎn)間可能存在的關(guān)系類(lèi)型推測(cè)的準(zhǔn)確率。

附圖說(shuō)明：

圖1為本發(fā)明的裝置示意圖；

圖2為本發(fā)明的方法流程示意圖；

圖3為本發(fā)明的推測(cè)過(guò)程原理圖；

圖4為謂詞組成示意圖；

圖5為實(shí)施例三中具體實(shí)例權(quán)重學(xué)習(xí)示意圖；

圖6為本發(fā)明在不同缺失比例下的效果圖；

圖7為本發(fā)明在不同長(zhǎng)度路徑特征下的效果圖。

具體實(shí)施方式：

本發(fā)明中涉及到的概念界定如下：

推理規(guī)則：設(shè)知識(shí)圖譜中P_n(A,B)＝P₁P₂...P_n,其中P₁＝A,P_n＝B表示節(jié)點(diǎn)A與節(jié)點(diǎn)B之間的一條長(zhǎng)度為n的路徑，P_n＝r₁r₂...r_n-1表示該路徑對(duì)應(yīng)的關(guān)系類(lèi)型序列，其中r_i表示節(jié)點(diǎn)P_i與P_i+1之間的關(guān)系類(lèi)型。若A、B之間同時(shí)存在P_n(A,B)與P₁(A,B)路徑，則P_n(n>1)可以看作P₁的路徑特征，P_n與P₁之間構(gòu)成P_n→P₁的推理規(guī)則。

規(guī)則訓(xùn)練集：用于訓(xùn)練推理規(guī)則可信度大小的閉謂詞集合，推理規(guī)則可信度越高，則權(quán)重越大，在現(xiàn)實(shí)世界中發(fā)生的可能性也越高。

規(guī)則證據(jù)集：用于對(duì)節(jié)點(diǎn)間未知關(guān)系類(lèi)型進(jìn)行推理的已知證據(jù)閉謂詞，使用訓(xùn)練出來(lái)的帶權(quán)重的推理規(guī)則，可以推理出未知節(jié)點(diǎn)間可能存在的各種關(guān)系類(lèi)型的概率大小。

下面結(jié)合附圖和技術(shù)方案對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明，并通過(guò)優(yōu)選的實(shí)施例詳細(xì)說(shuō)明本發(fā)明的實(shí)施方式，但本發(fā)明的實(shí)施方式并不限于此。

實(shí)施例一，參見(jiàn)圖1所示，一種基于Markov邏輯網(wǎng)的知識(shí)圖譜關(guān)系類(lèi)型推測(cè)裝置，包含：

推理規(guī)則獲取模塊，用于根據(jù)數(shù)據(jù)集知識(shí)圖譜已知節(jié)點(diǎn)間的路徑特征生成推理規(guī)則；

可信度權(quán)重學(xué)習(xí)模塊，用于通過(guò)Markov邏輯網(wǎng)對(duì)推理規(guī)則獲取模塊生成的推理規(guī)則進(jìn)行可信度權(quán)重學(xué)習(xí)并獲取帶權(quán)重的推理規(guī)則；

概率推理模塊，用于根據(jù)可信度權(quán)重學(xué)習(xí)模塊獲取的帶權(quán)重的推理規(guī)則，對(duì)待推測(cè)節(jié)點(diǎn)間存在的關(guān)系類(lèi)型進(jìn)行概率推理，獲取待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型概率；

關(guān)系類(lèi)型確定模塊，用于根據(jù)概率推理模塊獲取的關(guān)系類(lèi)型概率，選取較大概率值的關(guān)系類(lèi)型，作為待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型。

根據(jù)已知節(jié)點(diǎn)間關(guān)聯(lián)關(guān)系的路徑特征生成推理規(guī)則，并應(yīng)用Markov邏輯網(wǎng)對(duì)推理規(guī)則的可信度進(jìn)行權(quán)重學(xué)習(xí)，通過(guò)學(xué)習(xí)得到的帶權(quán)重的推理規(guī)則對(duì)節(jié)點(diǎn)間可能存在的關(guān)系類(lèi)型進(jìn)行概率推理，解決知識(shí)圖譜完善過(guò)程中人工制定推理規(guī)則不科學(xué)、不全面、可擴(kuò)展性差等的問(wèn)題，實(shí)現(xiàn)知識(shí)圖譜中推理規(guī)則的自動(dòng)學(xué)習(xí)與節(jié)點(diǎn)間關(guān)系類(lèi)型的概率推理，可信度高，從而使得推測(cè)結(jié)果更加真實(shí)可信。

實(shí)施例二，參見(jiàn)圖1～2所示，一種基于Markov邏輯網(wǎng)的知識(shí)圖譜關(guān)系類(lèi)型推測(cè)方法，包含如下內(nèi)容：

步驟1、針對(duì)已知數(shù)據(jù)集的知識(shí)圖譜，確定已知節(jié)點(diǎn)間的路徑特征及待推測(cè)節(jié)點(diǎn)；

步驟2、根據(jù)已知節(jié)點(diǎn)間的路徑特征生成推理規(guī)則；

步驟3、通過(guò)Markov邏輯網(wǎng)對(duì)推理規(guī)則進(jìn)行可信度權(quán)重學(xué)習(xí)，得到帶權(quán)重的推理規(guī)則；

步驟4、通過(guò)帶權(quán)重的推理規(guī)則，對(duì)待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型進(jìn)行概率推理；

步驟5、根據(jù)概率推理結(jié)果確定待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型。

通過(guò)姿態(tài)信息的引入，充分考慮北斗接收機(jī)天線(xiàn)和GPS接收機(jī)天之間的偏差量，從而使得檢測(cè)結(jié)果更加真實(shí)可信；通過(guò)坐標(biāo)傳遞算法，能夠較為精確地考慮北斗接收機(jī)天線(xiàn)和GPS接收機(jī)天之間的偏差量，并實(shí)現(xiàn)了多臺(tái)北斗接收機(jī)同時(shí)參與測(cè)試的目的。

實(shí)施例三，參見(jiàn)圖1～7所示，一種基于Markov邏輯網(wǎng)的知識(shí)圖譜關(guān)系類(lèi)型推測(cè)方法，包含如下內(nèi)容：

a、針對(duì)已知數(shù)據(jù)集的知識(shí)圖譜，確定已知節(jié)點(diǎn)間的路徑特征及待推測(cè)節(jié)點(diǎn)。

b、根據(jù)已知節(jié)點(diǎn)間的路徑特征生成推理規(guī)則，包含如下內(nèi)容：

步驟b1、采用圖的遍歷方法對(duì)知識(shí)圖譜已知節(jié)點(diǎn)間的路徑特征進(jìn)行遍歷，生成證據(jù)謂詞和查詢(xún)謂詞；通過(guò)設(shè)定已知節(jié)點(diǎn)間的路徑長(zhǎng)度大小并采用廣度優(yōu)先遍歷方法對(duì)知識(shí)圖譜已知節(jié)點(diǎn)間的路徑特征進(jìn)行遍歷，生成證據(jù)謂詞和查詢(xún)謂詞，謂詞組成如圖4所示。

步驟b2、根據(jù)證據(jù)謂詞和查詢(xún)謂詞，構(gòu)建證據(jù)謂詞到查詢(xún)謂詞的推理規(guī)則。

步驟b3、根據(jù)推理規(guī)則，并結(jié)合節(jié)點(diǎn)信息，構(gòu)建用于Markov邏輯網(wǎng)學(xué)習(xí)的訓(xùn)練集數(shù)據(jù)。若存在節(jié)點(diǎn)信息滿(mǎn)足推理規(guī)則，則將該推理規(guī)則中的證據(jù)謂詞到查詢(xún)謂詞對(duì)應(yīng)的閉謂詞添加至訓(xùn)練集數(shù)據(jù)中。

c、通過(guò)Markov邏輯網(wǎng)對(duì)推理規(guī)則進(jìn)行可信度權(quán)重學(xué)習(xí)，得到帶權(quán)重的推理規(guī)則。

d、通過(guò)帶權(quán)重的推理規(guī)則，對(duì)待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型進(jìn)行概率推理，根據(jù)帶權(quán)重的推理規(guī)則進(jìn)行Markov邏輯網(wǎng)推理，得到待推測(cè)節(jié)點(diǎn)間存在的關(guān)系類(lèi)型概率?；蛲ㄟ^(guò)帶權(quán)重的推理規(guī)則并結(jié)合待推測(cè)節(jié)點(diǎn)間的已知信息，進(jìn)行Markov邏輯網(wǎng)推理，得到待推測(cè)節(jié)點(diǎn)間存在的關(guān)系類(lèi)型概率，其中，已知信息至少包含：待推測(cè)節(jié)點(diǎn)與其他節(jié)點(diǎn)間的路徑特征。若待推測(cè)節(jié)點(diǎn)間存在推理規(guī)則中的證據(jù)謂詞，則將該證據(jù)謂詞對(duì)應(yīng)的閉謂詞添加至已知信息中。

e、根據(jù)概率推理結(jié)果確定待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型，如下內(nèi)容：根據(jù)待推測(cè)節(jié)點(diǎn)間存在的關(guān)系類(lèi)型概率，選取較大概率值的關(guān)系類(lèi)型，作為待推測(cè)節(jié)點(diǎn)間的關(guān)系類(lèi)型。

為進(jìn)一步說(shuō)明本發(fā)明的有效性，下面結(jié)合具體實(shí)例對(duì)本發(fā)明做進(jìn)一步解釋說(shuō)明：

Kinships家族數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，Kinships數(shù)據(jù)集描述了24個(gè)家族人物實(shí)體對(duì)象間的12類(lèi)關(guān)系共112對(duì)實(shí)體間的關(guān)系類(lèi)型三元組，參見(jiàn)圖3所示，具體實(shí)現(xiàn)如下：

(1)設(shè)定關(guān)聯(lián)規(guī)則的查詢(xún)謂詞和證據(jù)謂詞，根據(jù)推理規(guī)則的概念及圖4所示的謂詞邏輯，構(gòu)建Markov邏輯網(wǎng)系統(tǒng)進(jìn)行參數(shù)學(xué)習(xí)時(shí)所需要的規(guī)則描述文件，記作rule.mln。知識(shí)圖譜本質(zhì)上是一種有向圖，通過(guò)圖的遍歷方式對(duì)知識(shí)圖譜節(jié)點(diǎn)間P₁的關(guān)系路徑特征P_n(n>1)進(jìn)行遍歷，生成相應(yīng)的證據(jù)謂詞和查詢(xún)謂詞，并構(gòu)建證據(jù)謂詞到查詢(xún)謂詞的推理規(guī)則，以文本形式寫(xiě)入“rule.mln”。構(gòu)建過(guò)程中為了控制推理規(guī)則的數(shù)量，可以設(shè)定n的大小閾值，采取廣度優(yōu)先遍歷方法對(duì)知識(shí)圖譜進(jìn)行遍歷。

(2)規(guī)則訓(xùn)練集構(gòu)建：根據(jù)定義的關(guān)聯(lián)規(guī)則，以及實(shí)體實(shí)例的P₁與P_n在訓(xùn)練集中的出現(xiàn)情況，構(gòu)建Markov邏輯網(wǎng)參數(shù)學(xué)習(xí)時(shí)使用的訓(xùn)練集文件，記作“l(fā)earn.db”。若實(shí)例滿(mǎn)足(2)中某推理規(guī)則，則將該規(guī)則的證據(jù)謂詞和查詢(xún)謂詞對(duì)應(yīng)的閉謂詞以文本形式寫(xiě)入“l(fā)earn.db”。

(3)證據(jù)文件構(gòu)建：根據(jù)待推測(cè)節(jié)點(diǎn)間路徑特征的出現(xiàn)情況，構(gòu)建Markov邏輯網(wǎng)進(jìn)行推理時(shí)使用的證據(jù)文件，記作“proof.db”。若節(jié)點(diǎn)間存在推理規(guī)則中的某證據(jù)謂詞，則將該證據(jù)謂詞對(duì)應(yīng)的閉謂詞以文本形式寫(xiě)入“proof.db”。

(4)推理規(guī)則權(quán)重學(xué)習(xí)：采用Domingos等人研制的Markov邏輯網(wǎng)應(yīng)用平臺(tái)—Alchemy系統(tǒng)，在linux環(huán)境下編譯得到可執(zhí)行文件，使用learnwts命令實(shí)現(xiàn)Markov邏輯網(wǎng)的參數(shù)學(xué)習(xí)，得到帶權(quán)重的規(guī)則文件ruleout.mln。

(5)節(jié)點(diǎn)間關(guān)系類(lèi)型推測(cè)：根據(jù)上一步學(xué)習(xí)得到的帶權(quán)重的規(guī)則文件ruleout.mln和證據(jù)文件proof.db,使用Alchemy系統(tǒng)中的infer命令，進(jìn)行Markov邏輯網(wǎng)的推理，并輸出推理結(jié)果文件result.result,其中給出了節(jié)點(diǎn)間可能存在的各種關(guān)系類(lèi)型的概率，選取其中概率值最大的關(guān)系類(lèi)型作為節(jié)點(diǎn)間最有可能存在的關(guān)系類(lèi)型。

通過(guò)上述內(nèi)容，部分推理規(guī)則的出現(xiàn)次數(shù)及應(yīng)用Markov邏輯網(wǎng)學(xué)習(xí)得到的相應(yīng)權(quán)重如圖5所示，真實(shí)的關(guān)系推理規(guī)則在圖譜中出現(xiàn)次數(shù)多，能夠獲得更高的權(quán)重，也即可信度越高；通過(guò)去除Kinships中部分人物間的關(guān)系語(yǔ)義邊，利用已知的關(guān)系類(lèi)型實(shí)例作為訓(xùn)練集對(duì)缺失的人物關(guān)系類(lèi)型進(jìn)行推測(cè)，實(shí)驗(yàn)的準(zhǔn)確率與召回率如圖6和圖7所示，可以看到，利用本發(fā)明所記載的技術(shù)方案能夠?qū)χR(shí)圖譜中缺失的節(jié)點(diǎn)間關(guān)系類(lèi)型進(jìn)行推測(cè)，并且訓(xùn)練的實(shí)例越豐富，使用的路徑特征越全面，推測(cè)的準(zhǔn)確率越高，解決知識(shí)圖譜完善過(guò)程中人工制定推理規(guī)則不科學(xué)、不全面、可擴(kuò)展性差等的問(wèn)題，實(shí)現(xiàn)知識(shí)圖譜中推理規(guī)則的自動(dòng)學(xué)習(xí)與節(jié)點(diǎn)間關(guān)系類(lèi)型的概率推理，可信度高，有效保證節(jié)點(diǎn)間可能存在的關(guān)系類(lèi)型推測(cè)的準(zhǔn)確率。

對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本申請(qǐng)。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專(zhuān)業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本申請(qǐng)的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本申請(qǐng)將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。