本發(fā)明屬于計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種應(yīng)用商店的應(yīng)用推薦方法及裝置。

背景技術(shù)：

隨著移動互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，移動終端上的各種應(yīng)用程序成為服務(wù)商為用戶提供各種服務(wù)的主要渠道，應(yīng)用商店中各種應(yīng)用的數(shù)量越來越多，面對海量的應(yīng)用，用戶需要花費(fèi)高昂的時(shí)間成本對應(yīng)用進(jìn)行篩選和試用后，才能找到自己真正感興趣的應(yīng)用，而現(xiàn)有的應(yīng)用商店在進(jìn)行應(yīng)用推薦時(shí)，通常采用與用戶已安裝應(yīng)用的類型對比、或者與用戶設(shè)置的個(gè)性標(biāo)簽進(jìn)行應(yīng)用匹配的方法，這種推薦方式精準(zhǔn)性差、用戶下載安裝轉(zhuǎn)化率低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種應(yīng)用商店的應(yīng)用推薦方法及裝置，旨在解決現(xiàn)有的應(yīng)用推薦方法精準(zhǔn)性差、應(yīng)用推薦的針對性和有效性低，導(dǎo)致被推薦應(yīng)用的下載安裝轉(zhuǎn)化率低、用戶使用推薦應(yīng)用的體驗(yàn)不佳的問題。

一方面，本發(fā)明提供了一種應(yīng)用商店的應(yīng)用推薦方法，該方法包括下述步驟：

獲取用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和所述被評論應(yīng)用的類型，所述歷史評論數(shù)據(jù)包括對所述被評論應(yīng)用的態(tài)度和評論的方式，所述用戶被記為第一用戶；

使用聚類算法對所述獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和所述被評論應(yīng)用的類型進(jìn)行聚類，得到所述第一用戶期望下載安裝應(yīng)用的特征；

根據(jù)所述得到的所述第一用戶期望下載安裝應(yīng)用的特征，獲取所述第一用戶期望下載安裝的應(yīng)用，并向所述第一用戶推薦所述獲取的應(yīng)用。

另一方面，本發(fā)明提供了一種應(yīng)用商店的應(yīng)用推薦裝置，該裝置包括：

評論信息獲取單元，用于獲取用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和所述被評論應(yīng)用的類型，所述歷史評論數(shù)據(jù)包括對所述被評論應(yīng)用的態(tài)度和評論的方式，所述用戶被記為第一用戶；

特征獲取單元，用于使用聚類算法對所述獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和所述被評論應(yīng)用的類型進(jìn)行聚類，得到所述第一用戶期望下載安裝應(yīng)用的特征；以及

應(yīng)用輸出單元，用于根據(jù)所述得到的所述第一用戶期望下載安裝應(yīng)用的特征，獲取所述第一用戶期望下載安裝的應(yīng)用，并向所述第一用戶推薦所述獲取的應(yīng)用。

本發(fā)明通過獲取用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，使用聚類算法對獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，得到用戶期望下載安裝應(yīng)用的特征，根據(jù)得到的用戶期望下載安裝應(yīng)用的特征，獲取用戶期望下載安裝的應(yīng)用，并向用戶推薦獲取的應(yīng)用，從而通過對用戶應(yīng)用歷史評論數(shù)據(jù)的聚類解析，提高了向用戶推薦應(yīng)用的精準(zhǔn)性、針對性和有效性，進(jìn)而提高被推薦應(yīng)用的下載安裝轉(zhuǎn)化率。

附圖說明

圖1是本發(fā)明實(shí)施例一提供的應(yīng)用商店的應(yīng)用推薦方法的實(shí)現(xiàn)流程圖；

圖2是本發(fā)明實(shí)施例二提供的應(yīng)用商店的應(yīng)用推薦方法的實(shí)現(xiàn)流程圖；

圖3是本發(fā)明實(shí)施例三提供的應(yīng)用商店的應(yīng)用推薦裝置的結(jié)構(gòu)示意圖；以及

圖4是本發(fā)明實(shí)施例四提供的應(yīng)用商店的應(yīng)用推薦裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

以下結(jié)合具體實(shí)施例對本發(fā)明的具體實(shí)現(xiàn)進(jìn)行詳細(xì)描述：

實(shí)施例一：

圖1示出了本發(fā)明實(shí)施例一提供的應(yīng)用商店的應(yīng)用推薦方法的實(shí)現(xiàn)流程，為了便于說明，僅示出了與本發(fā)明實(shí)施例相關(guān)的部分，詳述如下：

在步驟s101中，獲取用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，該歷史評論數(shù)據(jù)包括對被評論應(yīng)用的態(tài)度和評論的方式，該用戶被記為第一用戶。

本發(fā)明實(shí)施例適用于移動終端，尤其適用于手機(jī)、平板電腦等便攜式移動終端，以方便用戶在這些移動終端上使用推薦的應(yīng)用。為了便于描述，將這里的該用戶記為第一用戶。在本發(fā)明實(shí)施例中，向第一用戶推薦應(yīng)用之前，獲取第一用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，其中，歷史評論數(shù)據(jù)包括對被評論應(yīng)用的態(tài)度和評論的方式，具體地，對被評論應(yīng)用的態(tài)度包括感興趣、一般和不感興趣，評論的方式包括自主評論和回復(fù)評論。優(yōu)選地，獲取被評論應(yīng)用的關(guān)鍵詞，從而快速得到被評論應(yīng)用的全面內(nèi)容和側(cè)重點(diǎn)。

作為示例地，獲取第一用戶在應(yīng)用商店或應(yīng)用市場中對應(yīng)用的歷史評論數(shù)據(jù)“我只能用完美來形容，從來沒想過看新聞?lì)愜浖苌习a，直到我下載了今日頭條”，從這條“自主評論”的關(guān)鍵詞“完美”可以明顯看出第一用戶對“今日頭條”這個(gè)應(yīng)用“感興趣”。

在步驟s102中，使用聚類算法對獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，得到第一用戶期望下載安裝應(yīng)用的特征。

在本發(fā)明實(shí)施例中，對第一用戶的應(yīng)用歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，以根據(jù)應(yīng)用的歷史評論數(shù)據(jù)、第一用戶的習(xí)慣和興趣愛好等信息，獲取第一用戶對應(yīng)用特征的個(gè)性化需求，方便系統(tǒng)自動為第一用戶推薦合適的個(gè)性化應(yīng)用，而不是僅僅根據(jù)第一用戶已安裝或使用過的應(yīng)用進(jìn)行應(yīng)用推薦，并且利用第一用戶的主觀評論行為有效排除了同類型第二用戶的強(qiáng)共性標(biāo)簽的干擾，從而通過預(yù)測第一用戶對應(yīng)用的主觀真實(shí)需求，提高應(yīng)用推薦的效率。

作為示例地，當(dāng)用戶在對理財(cái)類或彩票類應(yīng)用的歷史評論數(shù)據(jù)中出現(xiàn)“活到老，學(xué)到老”等重視學(xué)習(xí)的評語時(shí)，不能僅僅根據(jù)用戶性別、年齡和職業(yè)等基本信息或者用戶所評論應(yīng)用的類型，得出該用戶期望下載安裝應(yīng)用的特征為理財(cái)或彩票的結(jié)論，而是應(yīng)該根據(jù)用戶對被評論應(yīng)用的“不感興趣”的態(tài)度，將該用戶期望下載安裝應(yīng)用的特征確定為學(xué)習(xí)。

在步驟s103中，根據(jù)得到的第一用戶期望下載安裝應(yīng)用的特征，獲取第一用戶期望下載安裝的應(yīng)用，并向第一用戶推薦獲取的應(yīng)用。

在本發(fā)明實(shí)施例中，獲取用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，使用聚類算法對獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，得到用戶期望下載安裝應(yīng)用的特征，根據(jù)得到的用戶期望下載安裝應(yīng)用的特征，獲取用戶期望下載安裝的應(yīng)用，并向用戶推薦獲取的應(yīng)用，從而通過對用戶應(yīng)用歷史評論數(shù)據(jù)的聚類解析，提高了向用戶推薦應(yīng)用的精準(zhǔn)性、針對性和有效性，進(jìn)而提高被推薦應(yīng)用的下載安裝轉(zhuǎn)化率。

實(shí)施例二：

圖2示出了本發(fā)明實(shí)施例二提供的應(yīng)用商店的應(yīng)用推薦方法的實(shí)現(xiàn)流程，為了便于說明，僅示出了與本發(fā)明實(shí)施例相關(guān)的部分，詳述如下：

在步驟s201中，獲取用戶的個(gè)人基本信息，個(gè)人基本信息包括用戶的性別、年齡和職業(yè)，該用戶被記為第一用戶。

本發(fā)明實(shí)施例適用于移動終端，尤其適用于手機(jī)、平板電腦等便攜式移動終端，以方便用戶在這些移動終端上使用推薦的應(yīng)用。為了便于描述，將這里的該用戶記為第一用戶。在本發(fā)明實(shí)施例中，獲取第一用戶的個(gè)人基本信息，以了解將要使用推薦應(yīng)用的第一用戶，從而提高應(yīng)用推薦的準(zhǔn)確性，其中，個(gè)人基本信息包括第一用戶的性別、年齡和職業(yè)。

在步驟s202中，獲取第一用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，該歷史評論數(shù)據(jù)包括對被評論應(yīng)用的態(tài)度和評論的方式。

在本發(fā)明實(shí)施例中，向第一用戶推薦應(yīng)用之前，獲取第一用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，其中，歷史評論數(shù)據(jù)包括對被評論應(yīng)用的態(tài)度和評論的方式，具體地，對被評論應(yīng)用的態(tài)度包括感興趣、一般和不感興趣，評論的方式包括自主評論、回復(fù)評論。優(yōu)選地，獲取被評論應(yīng)用的關(guān)鍵詞，從而快速得到被評論應(yīng)用的全面內(nèi)容和側(cè)重點(diǎn)。

在步驟s203中，獲取應(yīng)用商店中與第一用戶具有相似個(gè)人基本信息的第二用戶。

在步驟s204中，從第二用戶使用的應(yīng)用中篩選出使用率和綜合評分超過預(yù)設(shè)值的應(yīng)用。

在步驟s205中，使用聚類算法對獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間、被評論應(yīng)用的類型和篩選得到的應(yīng)用進(jìn)行聚類，得到第一用戶期望下載安裝應(yīng)用的特征。

在本發(fā)明實(shí)施例中，對第一用戶的應(yīng)用歷史評論數(shù)據(jù)、評論時(shí)間、被評論應(yīng)用的類型和篩選得到的應(yīng)用進(jìn)行聚類，以根據(jù)應(yīng)用的歷史評論數(shù)據(jù)、第一用戶的習(xí)慣、興趣愛好和同類型第二用戶使用頻率高的應(yīng)用等信息，獲取第一用戶需要的應(yīng)用特征，方便系統(tǒng)自動為第一用戶推薦合適的個(gè)性化應(yīng)用，而不是僅僅根據(jù)第一用戶已安裝或使用過的應(yīng)用進(jìn)行應(yīng)用推薦，或者僅僅是向第一用戶推薦同類型第二用戶使用頻率高的應(yīng)用，從而通過預(yù)測第一用戶對應(yīng)用的主觀真實(shí)需求，提高應(yīng)用推薦的效率。

在步驟s206中，根據(jù)第一用戶期望下載安裝應(yīng)用的特征，獲取第一用戶期望下載安裝的應(yīng)用，并向第一用戶推薦獲取的應(yīng)用。

在本發(fā)明實(shí)施例中，根據(jù)得到的第一用戶需要的應(yīng)用特征，獲取應(yīng)用商店或應(yīng)用市場中的可推薦應(yīng)用，并向第一用戶輸出。優(yōu)選地，根據(jù)得到的第一用戶期望下載安裝應(yīng)用的特征，獲取應(yīng)用商店或應(yīng)用市場中的可推薦應(yīng)用，然后根據(jù)這些可推薦應(yīng)用的特征與第一用戶期望下載安裝應(yīng)用的特征的匹配度，對推薦應(yīng)用進(jìn)行降序排序，輸出排序后的推薦應(yīng)用，以供第一用戶選擇安裝，從而提高了應(yīng)用推薦的精準(zhǔn)性和推薦應(yīng)用的下載安裝轉(zhuǎn)化率。其中，匹配度是指兩個(gè)不完全相同的物象，在某種分類要求下的契合程度。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲于一計(jì)算機(jī)可讀取存儲介質(zhì)中，所述的存儲介質(zhì)，如rom/ram、磁盤、光盤等。

實(shí)施例三：

圖3示出了本發(fā)明實(shí)施例三提供的應(yīng)用商店的應(yīng)用推薦裝置的結(jié)構(gòu)，為了便于說明，僅示出了與本發(fā)明實(shí)施例相關(guān)的部分，其中包括：

評論信息獲取單元31，用于獲取第一用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，該歷史評論數(shù)據(jù)包括對被評論應(yīng)用的態(tài)度和評論的方式，該用戶被記為第一用戶。

在本發(fā)明實(shí)施例中，為了便于描述，將這里的該用戶記為第一用戶。向第一用戶推薦應(yīng)用之前，評論信息獲取單元獲取第一用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，其中，歷史評論數(shù)據(jù)包括對被評論應(yīng)用的態(tài)度和評論的方式，具體地，對被評論應(yīng)用的態(tài)度包括感興趣、一般和不感興趣，評論的方式包括自主評論和回復(fù)評論。優(yōu)選地，獲取被評論應(yīng)用的關(guān)鍵詞，從而快速得到被評論應(yīng)用的全面內(nèi)容和側(cè)重點(diǎn)。

特征獲取單元32，用于使用聚類算法對獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，得到第一用戶期望下載安裝應(yīng)用的特征。

在本發(fā)明實(shí)施例中，特征獲取單元對第一用戶的應(yīng)用歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，以根據(jù)應(yīng)用的歷史評論數(shù)據(jù)、第一用戶的習(xí)慣和興趣愛好等信息，獲取第一用戶對應(yīng)用特征的個(gè)性化需求，方便系統(tǒng)自動為第一用戶推薦合適的個(gè)性化應(yīng)用，而不是僅僅根據(jù)第一用戶已安裝或使用過的應(yīng)用進(jìn)行應(yīng)用推薦，并且利用第一用戶的主觀評論行為有效排除了同類型第二用戶的強(qiáng)共性標(biāo)簽的干擾，從而通過預(yù)測第一用戶對應(yīng)用的主觀真實(shí)需求，提高應(yīng)用推薦的效率。

應(yīng)用輸出單元33，用于根據(jù)第一用戶期望下載安裝應(yīng)用的特征，獲取第一用戶期望下載安裝的應(yīng)用，并向第一用戶推薦獲取的應(yīng)用。

在本發(fā)明實(shí)施例中，評論信息獲取單元獲取用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，特征獲取單元使用聚類算法對獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，得到用戶期望下載安裝應(yīng)用的特征，從而通過預(yù)測應(yīng)用的主觀真實(shí)需求，提高應(yīng)用推薦的效率，應(yīng)用輸出單元根據(jù)得到的用戶期望下載安裝應(yīng)用的特征，獲取用戶期望下載安裝的應(yīng)用，并向用戶推薦獲取的應(yīng)用，從而通過對用戶應(yīng)用歷史評論數(shù)據(jù)的聚類解析，提高了向用戶推薦應(yīng)用的精準(zhǔn)性，提高了應(yīng)用推薦的針對性和有效性，進(jìn)而提高被推薦應(yīng)用的下載安裝轉(zhuǎn)化率。

在本發(fā)明實(shí)施例中，應(yīng)用商店的應(yīng)用推薦裝置的各單元可由相應(yīng)的硬件或軟件單元實(shí)現(xiàn)，各單元可以為獨(dú)立的軟、硬件單元，也可以集成為一個(gè)軟、硬件單元，在此不用以限制本發(fā)明。

實(shí)施例四：

圖4示出了本發(fā)明實(shí)施例四提供的應(yīng)用商店的應(yīng)用推薦裝置的結(jié)構(gòu)，為了便于說明，僅示出了與本發(fā)明實(shí)施例相關(guān)的部分，其中包括：

用戶信息獲取單元41，用于獲取用戶的個(gè)人基本信息，個(gè)人基本信息包括用戶的性別、年齡和職業(yè)，該用戶被記為第一用戶。

在本發(fā)明實(shí)施例中，為了便于描述，將這里的該用戶記為第一用戶。用戶信息獲取單元獲取第一用戶的個(gè)人基本信息，以了解將要使用推薦應(yīng)用的第一用戶，從而提高應(yīng)用推薦的準(zhǔn)確性，其中，個(gè)人基本信息包括第一用戶的性別、年齡和職業(yè)。

評論信息獲取單元42，用于獲取第一用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，該歷史評論數(shù)據(jù)包括對被評論應(yīng)用的態(tài)度和評論的方式。

在本發(fā)明實(shí)施例中，向第一用戶推薦應(yīng)用之前，評論信息獲取單元獲取第一用戶對應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型，其中，歷史評論數(shù)據(jù)包括對被評論應(yīng)用的態(tài)度和評論的方式，具體地，對被評論應(yīng)用的態(tài)度包括感興趣、一般和不感興趣，評論的方式包括自主評論、回復(fù)評論。優(yōu)選地，獲取被評論應(yīng)用的關(guān)鍵詞，從而快速得到被評論應(yīng)用的全面內(nèi)容和側(cè)重點(diǎn)。

第二用戶獲取單元43，用于獲取應(yīng)用商店中與第一用戶具有相似個(gè)人基本信息的第二用戶。

應(yīng)用篩選單元44，用于從第二用戶使用的應(yīng)用中篩選出使用率和綜合評分超過預(yù)設(shè)值的應(yīng)用。

特征獲取單元45，用于使用聚類算法對獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，得到第一用戶期望下載安裝應(yīng)用的特征。

在本發(fā)明實(shí)施例中，特征獲取單元對第一用戶的應(yīng)用歷史評論數(shù)據(jù)、評論時(shí)間和被評論應(yīng)用的類型進(jìn)行聚類，以獲取第一用戶期望下載安裝應(yīng)用的特征。優(yōu)選地，使用聚類算法對第一用戶的應(yīng)用歷史評論數(shù)據(jù)、評論時(shí)間、被評論應(yīng)用的類型以及篩選得到的應(yīng)用進(jìn)行聚類，以根據(jù)應(yīng)用的歷史評論數(shù)據(jù)、第一用戶的習(xí)慣、興趣愛好和同類型第二用戶使用頻率高的應(yīng)用等信息，獲取第一用戶需要的應(yīng)用特征，方便系統(tǒng)自動為第一用戶推薦合適的個(gè)性化應(yīng)用，而不是僅僅根據(jù)第一用戶已安裝或使用過的應(yīng)用進(jìn)行應(yīng)用推薦，或者僅僅是向第一用戶推薦同類型其他第一用戶使用頻率高的應(yīng)用，從而通過預(yù)測第一用戶對應(yīng)用的主觀真實(shí)需求，提高應(yīng)用推薦的效率。

應(yīng)用輸出單元46，用于根據(jù)第一用戶期望下載安裝應(yīng)用的特征，獲取第一用戶期望下載安裝的應(yīng)用，并向第一用戶推薦獲取的應(yīng)用。

在本發(fā)明實(shí)施例中，應(yīng)用輸出單元根據(jù)得到的第一用戶需要的應(yīng)用特征，獲取應(yīng)用商店或應(yīng)用市場中的可推薦應(yīng)用，并向第一用戶輸出。優(yōu)選地，根據(jù)得到的第一用戶期望下載安裝應(yīng)用的特征，獲取應(yīng)用商店或應(yīng)用市場中的可推薦應(yīng)用，然后根據(jù)這些可推薦應(yīng)用的特征與第一用戶期望下載安裝應(yīng)用的特征的匹配度，對推薦應(yīng)用進(jìn)行降序排序，輸出排序后的推薦應(yīng)用，以供第一用戶選擇安裝，從而提高了應(yīng)用推薦的精準(zhǔn)性和推薦應(yīng)用的下載安裝轉(zhuǎn)化率。

因此，優(yōu)選地，特征獲取單元45包括：

特征獲取子單元451，用于使用聚類算法對獲取的應(yīng)用的歷史評論數(shù)據(jù)、評論時(shí)間、被評論應(yīng)用的類型和篩選得到的應(yīng)用進(jìn)行聚類，得到第一用戶期望下載安裝應(yīng)用的特征；

應(yīng)用輸出單元46包括：

應(yīng)用獲取單元461，用于根據(jù)得到的第一用戶期望下載安裝應(yīng)用的特征，獲取向第一用戶推薦的應(yīng)用；以及

輸出子單元462，用于根據(jù)獲取的向第一用戶推薦應(yīng)用的特征與第一用戶期望下載安裝應(yīng)用的特征的匹配度，對推薦應(yīng)用進(jìn)行降序排序，輸出排序后的推薦應(yīng)用。

在本發(fā)明實(shí)施例中，應(yīng)用商店的應(yīng)用推薦裝置的各單元可由相應(yīng)的硬件或軟件單元實(shí)現(xiàn)，各單元可以為獨(dú)立的軟、硬件單元，也可以集成為一個(gè)軟、硬件單元，在此不用以限制本發(fā)明。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。