本發(fā)明涉及自然語(yǔ)言處理，特別涉及一種基于關(guān)鍵詞頻率的文本特征提取方法。
背景技術(shù)：
：隨著互聯(lián)網(wǎng)技術(shù)及相關(guān)產(chǎn)業(yè)的迅猛發(fā)展，數(shù)據(jù)正以前所未有的規(guī)模急速增加，大數(shù)據(jù)在帶給推動(dòng)力的同時(shí)，也帶來(lái)了挑戰(zhàn)。如何在海量互聯(lián)網(wǎng)數(shù)據(jù)中探尋有價(jià)值的資源，根據(jù)用戶的搜索推薦相似內(nèi)容，是大數(shù)據(jù)文本處理的重要任務(wù)。針對(duì)于網(wǎng)頁(yè)的相似檢測(cè)，要求算法的空間復(fù)雜度和時(shí)間復(fù)雜度都要盡可能地降低，以滿足用戶的需求。現(xiàn)有的基于文本相似度的推薦方法存在以下不足，當(dāng)數(shù)據(jù)規(guī)模非常龐大時(shí)，網(wǎng)頁(yè)特征值的生成和計(jì)算將耗費(fèi)很長(zhǎng)的時(shí)間；對(duì)專業(yè)領(lǐng)域，過(guò)多依賴基礎(chǔ)語(yǔ)料庫(kù)來(lái)計(jì)算詞語(yǔ)權(quán)值；短文本相似度識(shí)別率低。技術(shù)實(shí)現(xiàn)要素：為解決上述現(xiàn)有技術(shù)所存在的問(wèn)題，本發(fā)明提出了一種基于關(guān)鍵詞頻率的文本特征提取方法，包括：循環(huán)讀取用戶搜索文本中的詞條，以預(yù)定義類(lèi)簇集合、各個(gè)類(lèi)簇中的文本和每個(gè)詞條在類(lèi)簇的詞頻為初始條件，對(duì)搜索文本進(jìn)行分詞和索引；然后在訓(xùn)練集內(nèi)每個(gè)類(lèi)簇文本中，統(tǒng)計(jì)特征詞詞頻高于閾值的數(shù)量；在各個(gè)類(lèi)簇中計(jì)算詞條特征值，存儲(chǔ)在網(wǎng)頁(yè)特征集合中；將網(wǎng)頁(yè)特征值作為關(guān)鍵詞排序并建立索引；用待分析網(wǎng)頁(yè)的整句特征值在已有的網(wǎng)頁(yè)庫(kù)中進(jìn)行索引，檢索到候選網(wǎng)頁(yè)；對(duì)候選網(wǎng)頁(yè)與待分析網(wǎng)頁(yè)執(zhí)行相似度計(jì)算，根據(jù)計(jì)算結(jié)果決定是否將待分析網(wǎng)頁(yè)推薦至用戶。優(yōu)選地，所述在各個(gè)類(lèi)簇中計(jì)算詞條特征值，進(jìn)一步包括：預(yù)定義類(lèi)簇集合{c1,c2,…,cm}，各個(gè)類(lèi)簇cj中包括文本(dj1,dj2,…djn)，每個(gè)文本dj包括詞條(t1,t2,…tk),詞條tk在類(lèi)簇cj中出現(xiàn)的閾值詞頻MM；特征詞選取的個(gè)數(shù)NM；(1)分詞并對(duì)文本集合建立索引，初始化特征集合S為空；(2)循環(huán)讀取索引文件中的詞條；(3)計(jì)算詞條tk在訓(xùn)練集的每個(gè)類(lèi)簇的文本中詞頻不少于MM次的文本個(gè)數(shù)DF(tk,ci)；(4)計(jì)算tk相對(duì)于每個(gè)類(lèi)簇的特征頻率FF和平均詞頻AN：FF=Σk=1ntfik/Σi=1mΣk=1ntfik]]>其中tfik為特征t在文本dik中出現(xiàn)的詞頻；AN=Σk=1ntfikn]]>(5)計(jì)算tk在各個(gè)類(lèi)簇中的特征權(quán)值MI(tk,ci):MI(tk,ci)＝FF×AN×log(Pm(tk,ci)/P(ci)Pm(tk))其中Pm(tk,ci)＝DF(tk,ci)/DF(tk)P(ci)＝n/NPm(tk)＝DF(tk)/N其中DF(tk)表示整個(gè)訓(xùn)練文本中特征tk的詞頻達(dá)到最小值的文本個(gè)數(shù)，N為整個(gè)訓(xùn)練集的文本總數(shù)；(6)選擇MI值最大的特征詞條，并入到集合S中，作為第一個(gè)特征詞，并以集合S中詞條之間相互關(guān)聯(lián)性最小為原則選擇下一個(gè)特征詞條；(7)重復(fù)步驟6，直到特征詞個(gè)數(shù)達(dá)到閾值NM。本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點(diǎn)：本發(fā)明提出了一種基于關(guān)鍵詞頻率的文本特征提取方法，針對(duì)大規(guī)模數(shù)據(jù)集，快速、高效地檢查出相似數(shù)據(jù)，快速挖掘到有價(jià)值的信息，提升搜索引擎的用戶體驗(yàn)。附圖說(shuō)明圖1是根據(jù)本發(fā)明實(shí)施例的基于關(guān)鍵詞頻率的文本特征提取方法的流程圖。具體實(shí)施方式下文與圖示本發(fā)明原理的附圖一起提供對(duì)本發(fā)明一個(gè)或多個(gè)實(shí)施例的詳細(xì)描述。結(jié)合這樣的實(shí)施例描述本發(fā)明，但是本發(fā)明不限于任何實(shí)施例。本發(fā)明的范圍僅由權(quán)利要求書(shū)限定，并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細(xì)節(jié)以便提供對(duì)本發(fā)明的透徹理解。出于示例的目的而提供這些細(xì)節(jié)，并且無(wú)這些具體細(xì)節(jié)中的一些或所有細(xì)節(jié)也可以根據(jù)權(quán)利要求書(shū)實(shí)現(xiàn)本發(fā)明。本發(fā)明的一方面提供了一種基于關(guān)鍵詞頻率的文本特征提取方法。圖1是根據(jù)本發(fā)明實(shí)施例的基于關(guān)鍵詞頻率的文本特征提取方法流程圖。本發(fā)明將網(wǎng)頁(yè)相似檢測(cè)中，循環(huán)讀取用戶搜索文本中的詞條，以預(yù)定義類(lèi)簇集合、各個(gè)類(lèi)簇中文本和每個(gè)詞條在類(lèi)簇的詞頻為初始條件，對(duì)搜索文本進(jìn)行分詞和索引；然后在訓(xùn)練集內(nèi)每個(gè)類(lèi)簇文本中，統(tǒng)計(jì)特征詞詞頻高于閾值的數(shù)量；在各個(gè)類(lèi)簇中計(jì)算詞條特征值，存儲(chǔ)在網(wǎng)頁(yè)特征集合中，完成對(duì)文本特征的提取。在獲得網(wǎng)頁(yè)的特征值后，將該特征值作為關(guān)鍵詞排序并建立索引；用待分析網(wǎng)頁(yè)的整句特征值在已有的網(wǎng)頁(yè)庫(kù)中進(jìn)行索引，檢索到候選網(wǎng)頁(yè)；最后，對(duì)候選網(wǎng)頁(yè)與待分析網(wǎng)頁(yè)執(zhí)行相似度計(jì)算，根據(jù)計(jì)算結(jié)果，決定是否將待分析網(wǎng)頁(yè)推薦至用戶。本發(fā)明首先基于爬取的網(wǎng)頁(yè)數(shù)據(jù)源，定義特征提取策略，包括頁(yè)面結(jié)構(gòu)、位置信息、抽取流程、規(guī)則轉(zhuǎn)變、輸出結(jié)果等；然后，進(jìn)行頁(yè)面預(yù)處理，確定獲取網(wǎng)頁(yè)的內(nèi)容，丟棄與提取信息無(wú)關(guān)的詞條屬性；根據(jù)提取策略，獲得所需要的數(shù)據(jù)項(xiàng)，并保存到XML文檔；將XML文檔通過(guò)特征提取獲得特征向量并聚類(lèi)。將聚類(lèi)后的文檔，按類(lèi)簇存儲(chǔ)到對(duì)應(yīng)數(shù)據(jù)庫(kù)中。其中，特征提取過(guò)程進(jìn)一步包括：預(yù)定義類(lèi)簇集合{c1,c2,…,cm}，各個(gè)類(lèi)簇cj中包括文本(dj1,dj2,…djn)，每個(gè)文本dj包括詞條(t1,t2,…tk),詞條tk在類(lèi)簇cj中出現(xiàn)的閾值詞頻MM；特征詞選取的個(gè)數(shù)NM。(1)分詞并對(duì)文本集合建立索引，初始化特征集合S為空；(2)循環(huán)讀取索引文件中的詞條；(3)計(jì)算詞條tk在訓(xùn)練集的每個(gè)類(lèi)簇的文本中詞頻不少于MM次的文本個(gè)數(shù)DF(tk,ci)；(4)計(jì)算tk相對(duì)于每個(gè)類(lèi)簇的特征頻率FF和平均詞頻AN：FF=Σk=1ntfik/Σi=1mΣk=1ntfik]]>其中tfik為特征t在文本dik中出現(xiàn)的詞頻；AN=Σk=1ntfikn]]>(5)計(jì)算tk在各個(gè)類(lèi)簇中的特征權(quán)值MI(tk,ci):MI(tk,ci)＝FF×AN×log(Pm(tk,ci)/P(ci)Pm(tk))其中Pm(tk,ci)＝DF(tk,ci)/DF(tk)P(ci)＝n/NPm(tk)＝DF(tk)/N其中DF(tk)表示整個(gè)訓(xùn)練文本中特征tk的詞頻達(dá)到最小值的文本個(gè)數(shù)，N為整個(gè)訓(xùn)練集的文本總數(shù)。(6)選擇MI值最大的特征詞條，并入到集合S中，作為第一個(gè)特征詞，并以集合S中詞條之間相互關(guān)聯(lián)性最小為原則選擇下一個(gè)特征詞條；(7)重復(fù)步驟6，直到特征詞個(gè)數(shù)達(dá)到閾值NM。替代性地，對(duì)于帶有摘要的網(wǎng)頁(yè)，其特征抽取采用如下準(zhǔn)確率更高的方法，具體步驟是：(1)、過(guò)濾掉網(wǎng)頁(yè)文本首尾與特征抽取無(wú)關(guān)的信息，得到去噪處理后的網(wǎng)頁(yè)文本；(2)、分別得到摘要和原文內(nèi)容的中文分詞結(jié)果；(3)、對(duì)摘要和原文內(nèi)容的中文分詞結(jié)果進(jìn)行詞性分類(lèi)，完成分類(lèi)后，對(duì)原文內(nèi)容和摘要的詞性分類(lèi)結(jié)果進(jìn)行謂語(yǔ)提取和實(shí)詞識(shí)別；(4)、根據(jù)預(yù)設(shè)歸并規(guī)則集對(duì)所述謂語(yǔ)提取后的網(wǎng)頁(yè)文本的詞性分類(lèi)結(jié)果和所述網(wǎng)頁(yè)文本的實(shí)詞識(shí)別結(jié)果進(jìn)行歸并，得到原文的歸并結(jié)果；對(duì)所述謂語(yǔ)提取后的摘要的詞性分類(lèi)結(jié)果和所述摘要的實(shí)詞識(shí)別結(jié)果進(jìn)行歸并，得到摘要的歸并結(jié)果；(5)、對(duì)網(wǎng)頁(yè)文本的歸并結(jié)果和摘要的歸并結(jié)果進(jìn)行單元?dú)w并，得到網(wǎng)頁(yè)文本的信息單元?dú)w并結(jié)果和摘要的單元?dú)w并結(jié)果；(6)、對(duì)網(wǎng)頁(yè)文本的單元?dú)w并結(jié)果進(jìn)行聚類(lèi)，根據(jù)特征規(guī)則集得到聚類(lèi)之后網(wǎng)頁(yè)文本的特征抽取結(jié)果；所述特征規(guī)則集由權(quán)值分配策略、網(wǎng)頁(yè)文本的單元?dú)w并結(jié)果的語(yǔ)句切分規(guī)則、原子句切分規(guī)則、語(yǔ)態(tài)抽取規(guī)則、語(yǔ)氣識(shí)別規(guī)則構(gòu)成。所述聚類(lèi)過(guò)程進(jìn)一步包括：(6.1)、對(duì)所輸入的網(wǎng)頁(yè)文本內(nèi)容進(jìn)行降維處理，獲得網(wǎng)頁(yè)文本中的每個(gè)特征詞和詞頻的組對(duì)，記為＜word,value＞；(6.2)、對(duì)所述組對(duì)按照字典順序進(jìn)行排序，并根據(jù)所述排序建立索引；(6.3)、將所述索引與所述特征詞建立對(duì)應(yīng)關(guān)系，即將每個(gè)特征詞和其頻率的組對(duì)＜word,value＞轉(zhuǎn)換為每個(gè)索引與其詞頻的對(duì)應(yīng)關(guān)系，記為向量＜index,value＞；(6.4)定義循環(huán)次數(shù)t、最大循環(huán)次數(shù)tmax；并初始化t＝0；在t輪從索引向量集＜index,value＞中獲取n個(gè)索引向量，記為N(t)＝{N1(t),N2(t),…,Nn(t)}，Ni(t)表示t輪的第i個(gè)索引向量＜indexi(t),valuei(t)＞；計(jì)算t輪的第i個(gè)索引向量Ni(t)與第j個(gè)索引向量Nj(t)的正則化相似度Nsim(i,j)＝Nj(t)·Ni(t)；(6.5)、將所述t輪的n個(gè)索引向量N(t)的權(quán)值記為WEN(t)＝{WEN1(t),WEN2(t),…,WENn(t)}，WENi(t)表示t輪的第i個(gè)索引向量Ni(t)的權(quán)值；初始化WENi(t)＝1；計(jì)算t輪的第i個(gè)索引向量Ni(t)與第j個(gè)索引向量Nj(t)的相似距離矩陣S(t)(i,j)：S(t)(i,j)＝(1+WENi(t)/WENj(t))/Nsim(i,j)(6.6)、將t輪的S(t)(i,j)賦值給AffinityPropagation算法，對(duì)所述t輪的n個(gè)索引向量N(t)進(jìn)行聚類(lèi)，獲得第t輪的mt個(gè)初步聚類(lèi)中心，記為C(t)＝{C1(t),C2(t),…,Cmt(t)}；將t增1；并判斷t＝tmax是否成立，若成立，則執(zhí)行步驟2.11；否則從所述索引向量集＜index,value＞中獲得t輪的n個(gè)索引向量N(t)＝{N1(t),N2(t),…,Nn(t)}(6.7)、將所述t-1輪的mt-1個(gè)聚類(lèi)中心C(t-1)追加到所述t輪的n個(gè)索引向量N(t)中，從而獲得n+mt-1個(gè)索引向量，將更新的n+mt-1個(gè)索引向量N(t)’賦值給所述t輪的索引向量N(t)，并返回步驟6.5順序執(zhí)行；從而獲得t輪的mt個(gè)最終聚類(lèi)中心C(t)；(6.8)；獲得每一輪的聚類(lèi)中心，完成所述聚類(lèi)。在得到特征值之后，本發(fā)明的相似度計(jì)算一方面使用整句為單位來(lái)獲取和計(jì)算整句特征值，然后采用編輯距離計(jì)算相似度。針對(duì)一個(gè)多維特征向量映射到一個(gè)降維向量空間，并根據(jù)該降維后的向量產(chǎn)生一個(gè)x維特征值(x>1)，每一維的值是1或-1，將每個(gè)特征項(xiàng)在x維向量空間進(jìn)行加權(quán)處理，最后將這個(gè)x維向量中每一維的權(quán)值按照預(yù)定規(guī)則映射為0或1，再將這些二進(jìn)制數(shù)字連接起來(lái)，得到網(wǎng)頁(yè)向量的x位散列值。并進(jìn)行相似度檢測(cè)過(guò)程：步驟1；將一個(gè)x維的向量v初始化為0，x位的二進(jìn)制數(shù)fbin初始化為0。步驟2：對(duì)整句集合SP中語(yǔ)句si，使用SHA1散列算法得到一個(gè)x位的散列值。步驟3：定義函數(shù)g(hj(si)):g(hj(Si))=1hj(si)=1-1hj(si)=0]]>其中hj(si)表示si第j位對(duì)應(yīng)的二進(jìn)制數(shù)值；定義vj表示向量v的第j維，對(duì)1到x，計(jì)算vj的權(quán)值vj＝vj+W(si)×g(hj(si))其中，W(si)表示語(yǔ)句si的權(quán)值。步驟4，若集合SP中存在尚未處理的語(yǔ)句，則跳轉(zhuǎn)到步驟2進(jìn)行迭代計(jì)算；否則轉(zhuǎn)步驟5。步驟5，定義fbinj表示fbin中的第j位數(shù)值，對(duì)1到x，若vj>0，則fbinj＝1；若vj≤0，則fbinj＝0。步驟6，將得到的二進(jìn)制序列fbin作為當(dāng)前整句的特征值；然后對(duì)于給定的網(wǎng)頁(yè)X和網(wǎng)頁(yè)Y，分別將每個(gè)整句的特征值組合形成整句特征值集合SX和SY，用|SX|和|SY|分別表示各集合中的元素個(gè)數(shù)，|SX∩SY|表示兩個(gè)集合中近似句的個(gè)數(shù)，計(jì)算網(wǎng)頁(yè)X和Y的相似度：sim(X,Y)＝|SX∩SY|/(|SX|+|SY|-|SX∩SY|)其中近似句的判斷準(zhǔn)則為，如果兩個(gè)整句a，b各自的特征值滿足高于預(yù)定義閾值η，則判斷為兩個(gè)整句為近似句。步驟7，若sim(X,Y)＞λ(預(yù)設(shè)相似度閾值)，則確定網(wǎng)頁(yè)X和Y相似，否則不相似。而在搜索引擎網(wǎng)頁(yè)推薦過(guò)程中，本發(fā)明對(duì)瀏覽次數(shù)不同的網(wǎng)頁(yè)使用不同的方法進(jìn)行推薦。對(duì)于瀏覽次數(shù)大于預(yù)定閾值α的網(wǎng)頁(yè)，使用以下方法完成用戶推薦，具體的步驟如下：1.1查找用戶集合U中每個(gè)用戶u的相似用戶u’，其中將瀏覽過(guò)相同網(wǎng)頁(yè)的用戶為相似用戶。對(duì)每一個(gè)相似用戶u’所瀏覽的詞條t，根據(jù)詞條的序號(hào)賦予權(quán)值；針對(duì)每一個(gè)詞條，計(jì)算總權(quán)值：Wgh(ti)＝θ×Fr(ti)+ζ×Se(ti)；其中Fr(ti)表示所有用戶使用詞條瀏覽網(wǎng)頁(yè)的次數(shù)，Se(ti)表示詞條的瀏覽順序，θ，ζ為調(diào)整系數(shù)，并滿足θ+ζ＝1；1.2按詞條總權(quán)值降序排列，合并同義詞條；最后，將預(yù)設(shè)數(shù)量的權(quán)值最大的多個(gè)詞條對(duì)應(yīng)的網(wǎng)頁(yè)推薦給用戶u。對(duì)于瀏覽次數(shù)小于預(yù)定閾值α的網(wǎng)頁(yè)，查找與當(dāng)前網(wǎng)頁(yè)相似度最高且瀏覽次數(shù)最多的網(wǎng)頁(yè)，將計(jì)算得到的網(wǎng)頁(yè)中總權(quán)值較大的詞條推薦給用戶。具體的步驟如下：2.1使用以下方法評(píng)價(jià)詞條w的區(qū)別度，WD(w)=|1-Σp∈P(FP(p,w)Σw∈TFP(p,w))2|2]]>其中P為采集過(guò)程中爬取的所有網(wǎng)頁(yè)集合，T為所有詞條的集合，F(xiàn)P(p,w)表示詞條w在網(wǎng)頁(yè)p中出現(xiàn)的詞頻。2.2具有較多高區(qū)別度詞條的網(wǎng)頁(yè)權(quán)值高，計(jì)算網(wǎng)頁(yè)權(quán)值如下：IM(p)=Σw∈TΣp∈P(FP(p,w)Σw∈TFP(p,w))×WD(w)]]>再根據(jù)前述網(wǎng)頁(yè)相似度sim(X,Y)，計(jì)算帶有網(wǎng)頁(yè)權(quán)值的候選推薦相似度sim(X,Y)×IM(X)×IM(Y)，保存最終相似度大于預(yù)設(shè)閾值Φ且瀏覽次數(shù)大于閾值α的網(wǎng)頁(yè)結(jié)果進(jìn)行推薦。進(jìn)一步可選地，對(duì)于上述網(wǎng)頁(yè)權(quán)值，可以使用詞條語(yǔ)義相似度四叉樹(shù)，然后與原相似度sim(X,Y)的計(jì)算進(jìn)行加權(quán)求和。詞條語(yǔ)義相似度四叉樹(shù)包含葉節(jié)點(diǎn)和非葉節(jié)點(diǎn)，葉節(jié)點(diǎn)中，所有相似度超過(guò)閾值Φ的詞條都按降序排列，并按序保存在葉節(jié)點(diǎn)。而詞條個(gè)數(shù)信息保存在非葉節(jié)點(diǎn)中。在計(jì)算特征詞條向量之間的語(yǔ)義相似度過(guò)程中，如果特征詞向量vi和vj的某一維度的特征wik和wjl滿足下列條件1或2，則對(duì)特征詞條向量vi和vj的相似度結(jié)果進(jìn)行加權(quán)處理。條件1：如果wjl屬于四叉樹(shù)中某一個(gè)葉節(jié)點(diǎn)的詞條降序隊(duì)列，而wik不屬于上述降序隊(duì)列，則根據(jù)wik和所在詞條降序隊(duì)列中其它詞條的相似度，在含有wjl的詞條降序隊(duì)列中來(lái)確定wik在詞條降序隊(duì)列中的順序位置。條件2：如果wik和wjl都不屬于四叉樹(shù)中某一個(gè)葉節(jié)點(diǎn)的詞條降序隊(duì)列，wik和wjl和四叉樹(shù)中某個(gè)葉節(jié)點(diǎn)的詞條降序隊(duì)列中的具有最大相似度的特征詞條以及具有最小相似度的特征詞條的相似度值都小于某一閾值Φ時(shí)，則建立一個(gè)分支，并且將wik和wjl插入到這個(gè)分支葉節(jié)點(diǎn)的特征詞條隊(duì)列中。當(dāng)詞條語(yǔ)義相似度四叉樹(shù)構(gòu)建完成以后，從vi中的每個(gè)詞條開(kāi)始，尋找vj中與wjl最相似的詞條，記錄詞條間的相似度。將vi中的其他詞條重復(fù)上述尋找過(guò)程，直到vi中所有詞條都在vj中找到了相應(yīng)的最相似的詞條。將得到的詞條間的相似度累加，除以vi中所有詞條個(gè)數(shù)，作為vi和vj的相似度sim(vi，vj)。然后計(jì)算sim(vi，vj)和sim(vj，vi)的平均值，作為向量vi和vj的語(yǔ)義相似度。對(duì)向量vi和vj的語(yǔ)義相似度進(jìn)行加權(quán)處理，最終得到加權(quán)語(yǔ)義相似度。綜上所述，本發(fā)明提出了一種基于關(guān)鍵詞頻率的文本特征提取方法，針對(duì)大規(guī)模數(shù)據(jù)集，快速、高效地檢查出相似數(shù)據(jù)，快速挖掘到有價(jià)值的信息，提升搜索引擎的用戶體驗(yàn)。顯然，本領(lǐng)域的技術(shù)人員應(yīng)該理解，上述的本發(fā)明的各模塊或各步驟可以用通用的計(jì)算系統(tǒng)來(lái)實(shí)現(xiàn)，它們可以集中在單個(gè)的計(jì)算系統(tǒng)上，或分布在多個(gè)計(jì)算系統(tǒng)所組成的網(wǎng)絡(luò)上，可選地，它們可以用計(jì)算系統(tǒng)可執(zhí)行的程序代碼來(lái)實(shí)現(xiàn)，從而，可以將它們存儲(chǔ)在存儲(chǔ)系統(tǒng)中由計(jì)算系統(tǒng)來(lái)執(zhí)行。這樣，本發(fā)明不限制于任何特定的硬件和軟件結(jié)合。應(yīng)當(dāng)理解的是，本發(fā)明的上述具體實(shí)施方式僅僅用于示例性說(shuō)明或解釋本發(fā)明的原理，而不構(gòu)成對(duì)本發(fā)明的限制。因此，在不偏離本發(fā)明的精神和范圍的情況下所做的任何修改、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)。此外，本發(fā)明所附權(quán)利要求旨在涵蓋落入所附權(quán)利要求范圍和邊界、或這種范圍和邊界的等同形式內(nèi)的全部變化和修改例。當(dāng)前第1頁(yè)1 2 3