基于大数据的自动推荐整改问题责任人的方法和装置

技术领域

本发明涉及大数据领域，可用于金融领域，尤其涉及一种基于大数据的自动推荐整改问题责任人的方法和装置。

背景技术

整改模块是审计流程中的一个重要环节，审计人员需要处理大量的整改项目，每个整改项目中包含几十甚至几百个整改问题，每个整改问题中都需要维护三类整改问题责任人：直接责任人、管理责任人、领导责任人，一个整改项目的整改问题责任人可能需维护数十个。且整改问题责任人是整改项目进行过程中，整改组长或跟进人对整改落实、整改验证等环节进行监督和跟进的重要依据。

当前的银行审计系统中，整改问题责任人由审计人员手工维护，需要详细分析审计报告、整改项目和问题情况后，从全辖非审计人员范围内进行选择，耗费较多的时间，且容易出现不准确和遗漏的情况，从而影响整改全流程的跟进。

发明内容

有鉴于此，本发明提供一种基于大数据的自动推荐整改问题责任人的方法和装置，以解决上述提及的至少一个问题。

为了实现上述目的，本发明采用以下方案：

根据本发明的第一方面，提供一种基于大数据的自动推荐整改问题责任人的方法，所述方法包括：采集审计人员用户数据，所述用户数据包括审计人员基础信息和偏好信息；根据所述审计人员基础信息和偏好信息建立用户画像，所述用户画像包括基础用户画像和偏好用户画像；获取历史整改项目数据，通过提取所述历史整改项目数据中的有效特征信息来构建知识图谱；依据所述用户画像和所述知识图谱应用二元逻辑回归模型计算预测出最终整改问题责任人；通过前端自动推荐所述最终问题整改责任人。

根据本发明的第二方面，提供一种基于大数据的自动推荐整改问题责任人的装置，所述装置包括：用户数据采集单元，用于采集审计人员用户数据，所述用户数据包括审计人员基础信息和偏好信息；用户画像建立单元，用于根据所述审计人员基础信息和偏好信息建立用户画像，所述用户画像包括基础用户画像和偏好用户画像；项目数据采集单元，用于获取历史整改项目数据；知识图谱构建单元，用于通过提取所述历史整改项目数据中的有效特征信息来构建知识图谱；整改推荐单元，用于依据所述用户画像和所述知识图谱应用二元逻辑回归模型计算预测出最终整改问题责任人，并通过前端自动推荐所述最终问题整改责任人。

根据本发明的第三方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。

根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

根据本发明的第五方面，提供一种计算机程序产品，包括计算机程序/指令，其所述计算机程序/指令被处理器执行时实现上述方法的步骤。

由上述技术方案可知，本发明可以在审计流程的项目整改阶段向整改组长或跟进人自动推荐整改问题责任人，节约了审计人员手工梳理分析整改项目及问题、维护整改责任人的时间，提高了工作效率，另外还可以提高所选择的整改责任人的准确性，便于整改组长或跟进人对整改落实、整改验证等环节进行监督和跟进。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本申请实施例提供的一种基于大数据的自动推荐整改问题责任人的方法流程示意图；

图2是本申请实施例提供的计算预测最终整改问题责任人的流程示意图；

图3是本申请实施例提供的一种确定第一类整改问题责任人的流程示意图；

图4是本申请另一实施例提供的一种基于大数据的自动推荐整改问题责任人的方法流程示意图；

图5是本申请实施例提供的一种基于大数据的自动推荐整改问题责任人的装置结构示意图；

图6是本申请实施例提供的一种整改推荐单元的结构示意图；

图7是本申请另一实施例提供的一种基于大数据的自动推荐整改问题责任人的装置结构示意图；

图8是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

需要说明的是，本申请公开的基于大数据的自动推荐整改问题责任人的方法及装置可用于金融技术领域，也可用于除金融技术领域之外的任意领域，本申请公开的基于大数据的自动推荐整改问题责任人的方法及装置的应用领域不做限定。

本申请中技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。

如图1所示为本申请实施例提供的一种基于大数据的自动推荐整改问题责任人的方法流程示意图，该方法包括如下步骤：

步骤S101：采集审计人员用户数据，所述用户数据包括审计人员基础信息和偏好信息。在本实施例中，审计人员基础信息可以包括审计人员所属机构、部门、团队、职位等，偏好信息则可以包括此审计人员近期所维护的整改问题责任人。

步骤S102：根据所述审计人员基础信息和偏好信息建立用户画像，所述用户画像包括基础用户画像和偏好用户画像。在本实施例中，用户画像最基本的单元是标签，用户画像是标签的集合，建立用户画像即建立用户标签库。此处建立的用户画像包括基础用户画像和偏好用户画像，基础用户画像的标签包括审计人员所属机构、部门、团队、职位等，偏好用户画像的标签为对整改问题责任人选择的偏好。

优选的，该步骤中根据审计人员偏好信息建立偏好用户画像可以进一步包括：根据审计人员偏好信息计算用户偏好数据，根据所述偏好数据建立偏好用户画像，所述用户偏好数据＝次数×热度×TFIDF值，其中，

次数是所述审计人员选择整改问题责任人A的次数。每个整改问题责任人在用户画像中都作为一个标签，例如对于审计人员S1，在处理过的整改问题中，选择过整改问题责任人A的次数为a1次，则标签整改问题责任人A的次数记为a1次。

热度＝1×exp(－时间衰减系数×天数)，时间衰减系数是根据业务规则指定的，天数是所述审计人员上一次选择整改问题责任人A至今所经历的天数。热度最大为1，随天数增加热度衰减，不断接近于0。假设，业务规则为热度在30天衰减为0.5，则可以计算出时间衰减系数为0.0231，且对于某审计人员S1，上一次选择整改问题责任人A是10天前的行为，则此时选择整改问题责任人A的热度＝1×exp(－0.0231×10)＝0.79。

TFIDF值＝TF×IDF，TF为所述审计人员所有标签中整改问题责任人A标签出现的频率，IDF为统计范围内所有审计人员数/(带该整改问题责任人A标签的审计人员数+1)。例如，对于某审计人员S1，在处理过的整改问题中，选择过整改问题责任人共计n人次，其中选择过整改问题责任人A作为整改问题责任人a1次，则标签整改问题责任人A的TF值＝a1/n，另外，若统计范围内所有审计人员数量为N，选择过整改问题责任人A的审计人员有S1和S2两人，则标签整改问题责任人A的IDF值＝N/(2+1)。

步骤S103：获取历史整改项目数据，通过提取所述历史整改项目数据中的有效特征信息来构建知识图谱。

在本实施例中，该历史整改项目数据可以包括：整改类型(内部、外部、海外、综合经营公司)、整改路径(总总、总分、分分、总外、分外)、审计项目类型(全面审计、内部控制审计、审计调研等)、项目计划年度、实施审计机构(总行审计部、北京分部等)、被查机构(总行、广东省分行、广州地区等)、业务类型(条线-代理业务、个人业务等、种类-货币发行、风险评估等)、问题机构、涉及机构部门、问题描述、审计建议、四性问题类型(重要性、系统性、趋势性、苗头性)、审计报告、整改责任人信息(责任人、机构、岗位)等。

优选的，该步骤中提取所述历史整改项目数据中的有效特征信息可以包括：对于所述历史整改项目数据中的结构化数据，通过直接获取的方式进行提取，比如对于上述整改类型、整改路径、审计项目类型、项目计划年度、实施审计机构、被查机构、业务类型、问题机构、涉及机构部门、四性问题类型、整改责任人信息等，可直接获取；而对于所述历史整改项目数据中的文本数据，比如上述问题描述、审计建议、审计报告，则可以通过先对所述文本数据做基本的数据清洗，去掉特殊字符、停用词等，然后用分词工具对清洗后的内容进行分词处理的方式进行提取。

优选的，该步骤中通过有效特征信息来构建知识图谱可以包括：对于上述结构化数据，使用D2R技术将关系数据库中的内容转换为RDF三元组；而对于上述文本数据，可以先通过基于统计学的机器学习方法完成实体抽取，再通过基于模板的方法完成关系抽取，形成“实体-关系-实体”三元组；最后再利用所述RDF三元组及所述“实体-关系-实体”三元组构建知识图谱。

步骤S104：依据所述用户画像和所述知识图谱应用二元逻辑回归模型计算预测出最终整改问题责任人给用户以供用户选择。

优选的，如图2所示，该步骤S104进一步可以包括步骤S210-步骤S230：

步骤S210：根据所述用户画像确定第一类整改问题责任人。在本实施例中，可以使用基于用户的协同过滤算法，找到与当前审计人员相似度高的审计人员，根据其选择的整改责任人向当前审计人员进行推荐，这里推荐的整改责任人即为第一类整改问题责任人。

进一步优选的，如图3所示，该步骤S210可以进一步包括如下步骤S211-S214：

S211：将所有审计人员的基础用户画像标签、偏好用户画像标签组成向量a＝(A1,A2,...,An)。

S212：将当前审计人员的基础用户画像标签、偏好用户画像标签组成向量b＝(B1,B2,...,Bn)。

S213：使用余弦相似度来进行度量cos(x)＝(a×b)/(||a||×||b||)。

S214：将余弦相似度大于等于预设阈值的审计人员所选择的整改责任人，作为第一类整改问题责任人。

步骤S220：根据所述知识图谱确定第二类整改问题责任人。

优选的，可以运用FM模型将新整改项目数据中的有效特征信息与构建的知识图谱进行匹配，计算新整改项目与整改责任人的匹配度，将匹配度大于等于设定匹配阈值的整改责任人向作为第二类整改问题责任人。

步骤S230：根据所述第一类整改问题责任人及所述第二类整改问题责任人应用二元逻辑回归模型计算预测出最终整改问题责任人。

优选的，该步骤S230中可以将所述第一类整改问题责任人及所述第二类整改问题责任人的初始权重都设置为0.5，应用二元逻辑回归模型计算出最终整改问题责任人的预测结果，并将所述预测结果进行由大到小排序。

步骤S105：通过前端自动推荐所述最终问题整改责任人。

由上述技术方案可知，本发明提供的基于大数据的自动推荐整改问题责任人的方法，可以在审计流程的项目整改阶段向整改组长或跟进人自动推荐整改问题责任人，节约了审计人员手工梳理分析整改项目及问题、维护整改责任人的时间，提高了工作效率，另外还可以提高所选择的整改责任人的准确性，便于整改组长或跟进人对整改落实、整改验证等环节进行监督和跟进。

如图4所示为本申请另一实施例提供的一种基于大数据的自动推荐整改问题责任人的方法流程示意图，该方法包括如下步骤：

步骤S401：采集审计人员用户数据，所述用户数据包括审计人员基础信息和偏好信息。

步骤S402：根据所述审计人员基础信息和偏好信息建立用户画像，所述用户画像包括基础用户画像和偏好用户画像。

步骤S403：获取历史整改项目数据，通过提取所述历史整改项目数据中的有效特征信息来构建知识图谱。

步骤S404：依据所述用户画像和所述知识图谱应用二元逻辑回归模型计算预测出最终整改问题责任人。

步骤S405：通过前端自动推荐所述最终问题整改责任人给用户以供用户选择。

上述步骤S401-S405的描述可以参见图1对应步骤，在此不再进行赘述。

步骤S406：获取用户在前端对自动推荐的所述最终问题整改责任人的选择结果信息，根据所述选择结果信息对所述第一类整改问题责任人及所述第二类整改问题责任人的权重值进行调整，使用梯度下降算法，不断对二元逻辑回归模型进行训练和优化。

由上述技术方案可知，本发明提供的基于大数据的自动推荐整改问题责任人的方法，可以在审计流程的项目整改阶段向整改组长或跟进人自动推荐整改问题责任人，节约了审计人员手工梳理分析整改项目及问题、维护整改责任人的时间，提高了工作效率，另外还可以提高所选择的整改责任人的准确性，便于整改组长或跟进人对整改落实、整改验证等环节进行监督和跟进，最后还可以根据用户对推荐的问题整改责任人的选择结果进一步优化推荐模型，使得推荐模型在使用过程中不断完善，推荐结果更加精准。

如图5所示为本申请实施例提供的一种基于大数据的自动推荐整改问题责任人的装置结构示意图，该装置包括：用户数据采集单元510、用户画像建立单元520、项目数据采集单元530、知识图谱构建单元540和整改推荐单元550，其中用户画像建立单元520分别和用户数据采集单元510及整改推荐单元550相连，知识图谱构建单元540分别和项目数据采集单元530及整改推荐单元550相连。

用户数据采集单元510用于采集审计人员用户数据，所述用户数据包括审计人员基础信息和偏好信息。在本实施例中，审计人员基础信息可以包括审计人员所属机构、部门、团队、职位等，偏好信息则可以包括此审计人员近期所维护的整改问题责任人。

用户画像建立单元520用于根据用户数据采集单元510采集的所述审计人员基础信息和偏好信息建立用户画像，所述用户画像包括基础用户画像和偏好用户画像。在本实施例中，用户画像最基本的单元是标签，用户画像是标签的集合，建立用户画像即建立用户标签库。此处建立的用户画像包括基础用户画像和偏好用户画像，基础用户画像的标签包括审计人员所属机构、部门、团队、职位等，偏好用户画像的标签为对整改问题责任人选择的偏好。

项目数据采集单元530用于获取历史整改项目数据，并将该历史整改项目数据提供给知识图谱构建单元540进行处理。在本实施例中，该历史整改项目数据可以包括：整改类型(内部、外部、海外、综合经营公司)、整改路径(总总、总分、分分、总外、分外)、审计项目类型(全面审计、内部控制审计、审计调研等)、项目计划年度、实施审计机构(总行审计部、北京分部等)、被查机构(总行、广东省分行、广州地区等)、业务类型(条线-代理业务、个人业务等、种类-货币发行、风险评估等)、问题机构、涉及机构部门、问题描述、审计建议、四性问题类型(重要性、系统性、趋势性、苗头性)、审计报告、整改责任人信息(责任人、机构、岗位)等。

知识图谱构建单元540用于通过提取所述历史整改项目数据中的有效特征信息来构建知识图谱。

整改推荐单元550用于依据用户画像建立单元520所建立的用户画像和知识图谱构建单元540所构建的知识图谱，应用二元逻辑回归模型计算预测出最终整改问题责任人，并通过前端自动推荐所述最终问题整改责任人给用户以供用户选择。

优选的，上述用户画像建立单元520根据审计人员偏好信息建立偏好用户画像具体包括：根据审计人员偏好信息计算用户偏好数据，根据所述偏好数据建立偏好用户画像，所述用户偏好数据＝次数×热度×TFIDF值，其中，所述次数是所述审计人员选择整改问题责任人A的次数；所述热度＝1×exp(－时间衰减系数×天数)，所述时间衰减系数是根据业务规则指定的，所述天数是所述审计人员上一次选择整改问题责任人A至今所经历的天数；所述TFIDF值＝TF×IDF，TF为所述审计人员所有标签中整改问题责任人A标签出现的频率，IDF为统计范围内所有审计人员数/(带该整改问题责任人A标签的审计人员数+1)。

优选的，上述知识图谱构建单元530包括特征信息提取模块和知识图谱构建模块，其中所述特征信息提取模块具体用于：对于所述历史整改项目数据中的结构化数据，通过直接获取的方式进行提取；对于所述历史整改项目数据中的文本数据，通过先对所述文本数据做基本的数据清洗，然后用分词工具对清洗后的内容进行分词处理的方式进行提取。知识图谱构建模块具体用于：对于结构化数据，使用D2R技术将关系数据库中的内容转换为RDF三元组；对于文本数据，通过基于统计学的机器学习方法完成实体抽取，通过基于模板的方法完成关系抽取，形成“实体-关系-实体”三元组；利用所述RDF三元组及所述“实体-关系-实体”三元组构建知识图谱。

优选的，如图6所示，上述整改推荐单元550可以包括第一推荐模块551、第二推荐模块552和最终推荐模块553，其中最终推荐模块553分别和第一推荐模块551及第二推荐模块552相连。

第一推荐模块551用于根据用户画像确定第一类整改问题责任人。

优选的，本实施例中的第一推荐模块551具体可以用于：将所有审计人员的基础用户画像标签、偏好用户画像标签组成向量a＝(A1,A2,...,An)；将当前审计人员的基础用户画像标签、偏好用户画像标签组成向量b＝(B1,B2,...,Bn)；使用余弦相似度来进行度量cos(x)＝(a×b)/(||a||×||b||)；将余弦相似度大于等于预设阈值的审计人员所选择的整改责任人，作为第一类整改问题责任人。

第二推荐模块552用于根据知识图谱确定第二类整改问题责任人。

优选的，本实施例中的第二推荐模块552具体可以用于：运用FM模型将新整改项目数据中的有效特征信息与构建的知识图谱进行匹配，计算新整改项目与整改责任人的匹配度，将匹配度大于等于设定匹配阈值的整改责任人向作为第二类整改问题责任人。

最终推荐模块553用于根据第一类整改问题责任人及第二类整改问题责任人应用二元逻辑回归模型计算预测出最终整改问题责任人，并通过前端自动推荐所述最终问题整改责任人。

优选的，该最终推荐模块553具体可以用于：运将第一类整改问题责任人及第二类整改问题责任人的初始权重都设置为0.5，应用二元逻辑回归模型计算出最终整改问题责任人的预测结果，并将所述预测结果进行由大到小排序以通过前端自动推荐所述最终问题整改责任人。

由上述技术方案可知，本发明提供的基于大数据的自动推荐整改问题责任人的装置，可以在审计流程的项目整改阶段向整改组长或跟进人自动推荐整改问题责任人，节约了审计人员手工梳理分析整改项目及问题、维护整改责任人的时间，提高了工作效率，另外还可以提高所选择的整改责任人的准确性，便于整改组长或跟进人对整改落实、整改验证等环节进行监督和跟进。

如图7所示为本申请另一实施例提供的一种基于大数据的自动推荐整改问题责任人的装置结构示意图，该装置包括：用户数据采集单元710、用户画像建立单元720、项目数据采集单元730、知识图谱构建单元740、整改推荐单元750、模型训练单元760，其中用户画像建立单元720分别和用户数据采集单元710及整改推荐单元750相连，知识图谱构建单元740分别和项目数据采集单元730及整改推荐单元750相连，模型训练单元760和整改推荐单元750相连。

上述用户数据采集单元710、用户画像建立单元720、项目数据采集单元730、知识图谱构建单元740及整改推荐单元750的描述可以参见图5对应的实施例中相应描述，在此不再赘述。

整改推荐单元750具体用于获取用户在前端对自动推荐的所述最终问题整改责任人的选择结果信息，根据所述选择结果信息对所述第一类整改问题责任人及所述第二类整改问题责任人的权重值进行调整，使用梯度下降算法，不断对二元逻辑回归模型进行训练和优化。

由上述技术方案可知，本发明提供的基于大数据的自动推荐整改问题责任人的装置，可以在审计流程的项目整改阶段向整改组长或跟进人自动推荐整改问题责任人，节约了审计人员手工梳理分析整改项目及问题、维护整改责任人的时间，提高了工作效率，另外还可以提高所选择的整改责任人的准确性，便于整改组长或跟进人对整改落实、整改验证等环节进行监督和跟进，最后还可以根据用户对推荐的问题整改责任人的选择结果进一步优化推荐模型，使得推荐模型在使用过程中不断完善，推荐结果更加精准。

图8是本发明实施例提供的电子设备的示意图。图8所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器801和存储器802。处理器801和存储器802通过总线803连接。存储器802适于存储处理器801可执行的一条或多条指令或程序。该一条或多条指令或程序被处理器801执行以实现上述基于大数据的自动推荐整改问题责任人的方法中的步骤。

上述处理器801可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器801通过执行存储器802所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线803将上述多个组件连接在一起，同时将上述组件连接到显示控制器804和显示装置以及输入/输出(I/O)装置805。输入/输出(I/O)装置805可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出(I/O)装置805通过输入/输出(I/O)控制器806与系统相连。

其中，存储器802可以存储软件组件，例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述基于大数据的自动推荐整改问题责任人的方法的步骤。

本发明实施例还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于大数据的自动推荐整改问题责任人的方法的步骤。

综上所述，本发明实施例提供的基于大数据的自动推荐整改问题责任人的方法和装置，可以在审计流程的项目整改阶段向整改组长或跟进人自动推荐整改问题责任人，节约了审计人员手工梳理分析整改项目及问题、维护整改责任人的时间，提高了工作效率，另外还可以提高所选择的整改责任人的准确性，便于整改组长或跟进人对整改落实、整改验证等环节进行监督和跟进，最后还可以根据用户对推荐的问题整改责任人的选择结果进一步优化推荐模型，使得推荐模型在使用过程中不断完善，推荐结果更加精准。

以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。