物品匹配方法和装置、以及获取物品匹配模型的方法

摘要

本公开提出一种物品匹配方法和装置、以及获取物品匹配模型的方法，涉及计算机技术领域。在本公开中，获取预设用户群体的属性和第一物品的属性；根据预设用户群体的属性和第一物品的属性，确定预设用户群体对第一物品的选择率；将选择率满足预设条件的第一物品，确定为与预设用户群体相匹配的物品。实现了不同用户群体的物品的个性化匹配，提升了用户体验，同时，利用用户群体对物品的选择率作为匹配的判断条件，提高了匹配结果的有效性和准确性，并且节省了人力和物力，提高了匹配效率。

说明书

技术领域

本公开涉及计算机技术领域，特别涉及一种物品匹配方法和装置、以及获取物品匹配模型的方法。

背景技术

随着电商平台的兴起与迅速发展，生产物品的产家和购买物品的用户之间进行的沟通反而越来越难了，反向匹配的目的旨在通过根据用户对物品的感受来指导产家生产物品，从而使得产家生产出受用户欢迎的新物品。

在一些相关技术中，产家通过调研用户的方式来得到用户对产品的反馈，从而为用户匹配产品，实现反向匹配。

发明内容

发明人发现，在相关技术中，调研不仅需要耗费比较大的人力和物力，同时调研范围有限，未必能反映真实情况，从而带来匹配准确率低的问题。

在本公开的实施例中，获取预设用户群体的属性和第一物品的属性；根据预设用户群体的属性和第一物品的属性，确定预设用户群体对第一物品的选择率；然后，将预设用户群体对第一物品的选择率满足预设条件的第一物品，确定为与预设用户群体相匹配的物品。实现了不同用户群体的物品的个性化匹配，提升了用户体验，同时，利用用户群体对物品的选择率作为匹配的判断条件，提高了匹配结果的有效性和准确性，并且节省了人力和物力，提高了匹配效率。

根据本公开的一些实施例，提供一种物品匹配方法，其特征在于，

获取预设用户群体的属性和第一物品的属性；

根据所述预设用户群体的属性和所述第一物品的属性，确定预设用户群体对第一物品的选择率；

将选择率满足预设条件的第一物品确定为与预设用户群体相匹配的物品。

在一些实施例中，所述确定预设用户群体对第一物品的选择率包括：将预设用户群体的属性和第一物品的属性输入到物品匹配模型中，获取所述物品匹配模型输出的预设用户群体对第一物品的选择率；其中，所述物品匹配模型是利用训练集中的历史用户群体的属性、第二物品的属性以及所述历史用户群体对所述第二物品的真实选择率，对回归机器学习模型训练得到的。

在一些实施例中，所述历史用户群体对所述第二物品的真实选择率为所述历史用户群体中选择所述第二物品的用户数量与所述历史用户群体中浏览所述第二物品的用户数量的比值。

在一些实施例中，所述对回归机器学习模型训练得到物品匹配模型包括：将训练集中的历史用户群体的属性、第二物品的属性以及所述历史用户群体对所述第二物品的真实选择率输入回归机器学习模型，使得回归机器学习模型根据输入的历史用户群体的属性以及第二物品的属性，确定所述历史用户群体对所述第二物品的预测选择率，并根据所述预测选择率和输入的所述历史用户群体对所述第二物品的真实选择率，确定所述回归机器学习模型的损失，并利用所述损失更新所述回归机器学习模型的参数，直到满足终止条件，训练完成；将训练完成的回归机器学习模型作为所述物品匹配模型。

在一些实施例中，第一物品的属性包括固有属性和可定义属性；可定义属性的取值包括一个或多个。

在一些实施例中，在所述可定义属性的取值包括多个的情况下，所述确定预设用户群体对第一物品的选择率包括：根据所述预设用户群体的属性以及第一物品的固有属性和可定义属性的第i个取值，1

在一些实施例中，还包括：将与预设用户群体相匹配的物品推送给所述预设用户群体；或者，将与预设用户群体相匹配的物品及该第一物品的可定义属性的相应取值推送给所述预设用户群体。

在一些实施例中，所述第一物品的可定义属性是可定义属性预测模型基于输入的第一物品的固有属性输出得到的；其中，所述可定义属性预测模型是利用训练集中的第二物品的固有属性和可定义属性标签对回归机器学习模型训练得到的。

在一些实施例中，对回归机器学习模型训练得到可定义属性预测模型包括：将训练集中的第二物品的固有属性和可定义属性标签输入回归机器学习模型，使得回归机器学习模型根据输入的训练集中的第二物品的固有属性，确定第二物品的可定义属性的预测值，并根据第二物品的可定义属性的预测值和输入的第二物品的可定义属性标签，确定所述回归机器学习模型的损失，并利用所述损失更新所述回归机器学习模型的参数，直到满足终止条件，训练完成；将训练完成的回归机器学习模型作为所述可定义属性预测模型。

在一些实施例中，所述第一物品的可定义属性根据与所述第一物品的固有属性的相似度大于预设值的物品的可定义属性确定。

在一些实施例中，所述回归机器学习模型为深度神经网络模型、极端梯度提升模型、随机森林模型或者梯度提升决策树模型。

在一些实施例中，所述将选择率满足预设条件的第一物品确定为与预设用户群体相匹配的物品包括：将选择率进行排序，得到每个第一物品对应的排名，将达到预设排名的第一物品，确定为与预设用户群体相匹配的物品；或者，将选择率达到预设阈值的第一物品，确定为与预设用户群体相匹配的物品。

根据本公开的又一些实施例，提供一种获取物品匹配模型的方法，其特征在于，将训练集中的历史用户群体的属性、第二物品的属性以及所述历史用户群体对所述第二物品的真实选择率输入回归机器学习模型，使得回归机器学习模型根据输入的历史用户群体的属性以及第二物品的属性，确定所述历史用户群体对所述第二物品的预测选择率，并根据预测选择率的预测值和输入的所述历史用户群体对所述第二物品的真实选择率，确定所述回归机器学习模型的损失，并利用所述损失更新所述回归机器学习模型的参数，直到满足终止条件，训练完成；将训练完成的回归机器学习模型作为所述物品匹配模型。

根据本公开的再一些实施例，提供一种物品匹配装置，其特征在于，包括：获取模块，被配置为获取预设用户群体的属性和第一物品的属性；确定模块，被配置为根据所述预设用户群体的属性和所述第一物品的属性，确定预设用户群体对第一物品的选择率；匹配模块，被配置为将选择率满足预设条件的第一物品，确定为与预设用户群体相匹配的物品。

根据本公开的又再一些实施例，提供一种物品匹配装置，其特征在于，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任一实施例所述的物品匹配方法。

根据本公开的又再再一些实施例，提供一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的物品匹配方法。

附图说明

下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。

显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出根据本公开的一些实施例的物品匹配方法的流程示意图。

图2示出根据本公开的一些实施例的物品匹配装置的示意图。

图3示出根据本公开的另一些实施例的物品匹配装置的示意图。

图4示出根据本公开的一些实施例的获取物品匹配模型的方法的流程示意图。

图5示出根据本公开的一些实施例的获取可定义属性预测模型的方法的流程示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。

除非特别说明，否则，本公开中的“第一”“第二”等描述用来区分不同的对象，并不用来表示大小或时序等含义。

图1示出根据本公开的一些实施例的物品匹配方法的流程示意图。该方法例如可以由物品匹配装置执行。

如图1所示，该实施例的方法包括步骤110-140。

在步骤110，获取预设用户群体的属性和第一物品的属性。

其中，预设用户群体的属性例如可以根据预设用户群体所具有的共同属性进行确定。例如，预设用户群体的属性可以设置为：性别属性为男，年龄属性在31-40岁之间，所属区域属性为一线城市。后续的步骤就可以实现针对该预设用户群体匹配物品。

第一物品的属性包括可定义属性(例如可以是物品的价格、描述信息等)和固有属性。固有属性是物品的外形或性能等固有特征。例如，待匹配的第一物品为冰箱，则固有属性例如可以包括能效、尺寸、颜色、制冷方式等中的一项或多项。

在一些实施例中，获取第一物品的可定义属性包括：将第一物品的固有属性输入到可定义属性预测模型中，输出第一物品的可定义属性。其中，可定义属性预测模型是利用训练集中的第二物品的固有属性和可定义属性标签对回归机器学习模型训练得到的。后面会具体描述可定义属性预测模型的获取方法。

在另一些实施例中，第一物品的可定义属性根据与第一物品的固有属性的相似度大于预设值所对应的物品的可定义属性确定。例如，第一物品为冰箱，固有属性为能效等级为一级、尺寸为260升、颜色为银色、制冷方式为风冷，例如可以计算每个第二物品(例如是训练集中的第二物品)的固有属性与第一物品(即冰箱)的固有属性之间的相似度，例如可以根据与第一物品的固有属性的相似度大于预设值的各个第二物品的可定义属性(例如物品的平均价格、描述信息的结合等)，确定第一物品的可定义属性的取值。

在一些实施例中，可定义属性的取值可以包括一个或多个。在可定义属性的取值包括多个的情况下，获取预设用户群体的属性和第一物品的属性包括：获取预设用户群体的属性和第一物品的固有属性和可定义属性的多个取值。

物品的可定义属性根据与其固有属性相似的物品的可定义属性的取值来确定，更加准确。

在步骤120，根据预设用户群体的属性和第一物品的属性，确定预设用户群体对第一物品的选择率。

选择率例如为，在一个统计周期内，完成选择行为(例如下单、收藏、分享等行为)的次数与浏览、点击等行为的次数的比值。选择率例如可以是UV(Unique Visitor)转化率。在本实施例中，历史用户群体对第二物品的真实选择率例如可以为历史用户群体中选择第二物品的用户数量与历史用户群体中浏览或点击第二物品的用户数量的比值。例如历史用户群体对第二物品的真实选择率y

在一些实施例中，可定义属性的取值可以包括一个或多个。在可定义属性的取值包括多个的情况下，确定预设用户群体对第一物品的选择率包括：根据预设用户群体的属性以及第一物品的固有属性和可定义属性的每个取值，确定预设用户群体相对每个取值对应的第一物品的一个选择率。例如可定义属性为第一物品的价格，假设价格的取值包括多个，例如为100元、200元、500元，那么，分别得到预设用户群体相对该3个价格取值对应的第一物品的3个选择率，最后，可以将满足预设用户群体的选择率的第一物品以及相应的价格的取值匹配给该预设用户群体。

在一些实施例中，将预设用户群体的属性和第一物品的属性输入到物品匹配模型中，输出预设用户群体对第一物品的选择率。其中，物品匹配模型例如可以利用训练集中的历史用户群体的属性、第二物品的属性以及历史用户群体对第二物品的真实选择率，对回归机器学习模型训练得到。后面会具体描述物品匹配模型的获取方法。回归机器学习模型例如可以包括深度神经网络模型(Deep Neural Networks，简称为DNN)、极端梯度提升(Extreme Gradient Boosting，简称为XGBoost)模型、随机森林模型(Random Forest，简称为RF)或者梯度提升决策树(Gradient Boosting Decision Tree，简称为GBDT)模型中的任一种。

在步骤130，将预设用户群体对第一物品的选择率满足预设条件的第一物品，确定为与预设用户群体相匹配的物品。

在一些实施例中，可定义属性的取值可以包括一个或多个。在可定义属性的取值包括多个的情况下，确定为与预设用户群体相匹配的物品包括：将预设用户群体对第一物品的选择率满足预设条件的第一物品以及第一物品的固有属性和可定义属性的相应取值，确定为与预设用户群体相匹配的物品。

在一些实施例中，将预设用户群体对第一物品的选择率进行排序，得到每个第一物品对应的排名，将排名达到预设排名所对应的第一物品，确定为与预设用户群体相匹配的物品。例如，将预设用户群体对第一物品的选择率排名前三的三个第一物品匹配给相应的预设用户群体。

在另一些实施例中，将预设用户群体对第一物品的选择率达到预设阈值所对应的第一物品，确定为与预设用户群体相匹配的物品。例如，将预设阈值设置为0.8，则将预设用户群体对第一物品的选择率大于或等于0.8所对应的第一物品，确定为与预设用户群体相匹配的物品。

使用选择率作为匹配的判断条件，实现物品匹配，更能反映物品的受欢迎程度，使得匹配结果更加精准有效。

在步骤140，将与预设用户群体相匹配的物品推送给预设用户群体。该步骤是可选的。

在另一些实施例中，在第一物品的可定义属性有多个取值的情况下，还可以将与预设用户群体相匹配的物品及该第一物品的可定义属性对应的选择率满足预设条件的相应取值推送给预设用户群体。

上述实施例中，实现了不同用户群体的物品的个性化匹配，提升了用户体验同时，利用用户群体对物品的选择率作为匹配的判断条件，提高了匹配结果的有效性和准确性，同时通过训练回归机器学习模型得到物品匹配模型和可定义属性预测模型，相比通过问卷调研用户的方式，节省了收集信息、整理信息的人力和物力，提高了匹配效率。

图2示出根据本公开的一些实施例的物品匹配装置的示意图。

如图2所示，该实施例的物品匹配装置200包括：获取模块210、确定模块220和匹配模块230。

获取模块210，被配置为获取预设用户群体的属性和第一物品的属性。

其中，第一物品的属性包括可定义属性和固有属性。其中，可定义属性例如可以是物品的价格、描述信息等中的一项或多项。

在一些实施例中，获取第一物品的可定义属性包括：将第一物品的固有属性输入到可定义属性预测模型中，输出第一物品的可定义属性；其中，可定义属性预测模型是利用训练集中的第二物品的固有属性和可定义属性标签对回归机器学习模型训练得到的。

对回归机器学习模型训练得到可定义属性预测模型包括：将训练集中的第二物品的固有属性和可定义属性标签输入回归机器学习模型，使得回归机器学习模型根据训练集中的第二物品的固有属性，确定第二物品的预测的可定义属性；然后，根据第二物品的可定义属性的预测值和第二物品的可定义属性标签(例如是第二物品的真实价格、真实描述信息等)，确定回归机器学习模型的损失；最后，利用确定的损失更新回归机器学习模型的参数，直到满足终止条件，训练完成，得到可定义属性预测模型。其中，回归机器学习模型例如可以为深度神经网络模型、极端梯度提升模型、随机森林模型或者梯度提升决策树模型。利用第二物品(即历史物品)的固有属性和可定义属性标签来训练得到一个可定义属性预测模型，利用该模型确定待匹配的第一物品(即新物品)的可定义属性，更加快速准确，而且，相比通过问卷调研用户的方式，上述实施例的方法节省了收集信息、整理信息的人力和物力，为后续提高匹配效率奠定了基础。

在另一些实施例中，第一物品的可定义属性根据与第一物品的固有属性的相似度大于预设值的物品的可定义属性确定。充分利用了已有数据(即训练集中的历史用户群体和第二物品)来给待匹配的第一物品确定可定义属性，使得物品的可定义属性(例如物品的价格、描述信息等)的取值更加合理，避免因不合理的取值(例如定价较低、描述信息与历史物品的真实描述信息不符等)而造成选择率很高的异常情况，为后续提高匹配的有效性和准确性奠定了基础。

确定模块220，被配置为根据预设用户群体的属性和第一物品的属性，确定预设用户群体对第一物品的选择率。

在一些实施例中，确定模块220，被配置为将预设用户群体的属性和第一物品的属性输入到物品匹配模型中，输出预设用户群体对第一物品的选择率。其中，物品匹配模型是利用训练集中的历史用户群体的属性、第二物品的属性以及历史用户群体对第二物品的真实选择率，对回归机器学习模型训练得到的。回归机器学习模型例如可以为深度神经网络模型、极端梯度提升模型、随机森林模型或者梯度提升决策树模型。其中，历史用户群体对第二物品的真实选择率例如为历史用户群体中选择第二物品的用户数量与历史用户群体中浏览第二物品的用户数量的比值。利用历史用户群体和与第二用户相关的第二物品来训练得到物品匹配模型，通过该模型确定待匹配的第一物品的选择率。更加快速准确，为后续的物品匹配提供了基础。

匹配模块230，被配置为将预设用户群体对第一物品的选择率满足预设条件的第一物品，确定为与预设用户群体相匹配的物品。

在一些实施例中，匹配模块230，被配置为将预设用户群体对第一物品的选择率进行排序，得到每个第一物品对应的排名，将排名达到预设排名的第一物品，确定为与预设用户群体相匹配的物品。

在另一些实施例中，匹配模块230，被配置为将预设用户群体对第一物品的选择率达到预设阈值的第一物品，确定为与预设用户群体相匹配的物品。

上述实施例中，针对不同的用户群体来进行匹配，满足了不同用户群体的个性化需求，同时，利用用户群体对物品的选择率作为匹配的判断条件，提高了匹配结果的有效性和准确性，节省了人力和物力，提高了匹配效率。

图3示出根据本公开的另一些实施例的物品匹配装置的示意图。

如图3所示，该实施例的物品匹配装置300包括：存储器310以及耦接至该存储器310的处理器320，处理器320被配置为基于存储在存储器310中的指令，执行本公开任意一些实施例中的物品匹配方法。

其中，存储器310例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。

物品匹配装置300还可以包括输入输出接口330、网络接口340、存储接口350等。这些接口330，340，350以及存储器310和处理器320之间例如可以通过总线360连接。其中，输入输出接口330为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口340为各种联网设备提供连接接口。存储接口350为SD卡、U盘等外置存储设备提供连接接口。

图4示出根据本公开的一些实施例的获取物品匹配模型的方法的流程示意图。

获取物品匹配模型的方法，即通过对回归机器学习模型训练得到物品匹配模型的方法包括：将训练集中的历史用户群体的属性、第二物品的属性以及历史用户群体对第二物品的真实选择率输入回归机器学习模型，使得回归机器学习模型根据输入的历史用户群体的属性以及第二物品的属性，确定历史用户群体对第二物品的预测选择率，并根据预测选择率和输入的历史用户群体对第二物品的真实选择率，确定回归机器学习模型的损失，并利用确定的损失更新回归机器学习模型的参数，直到满足终止条件，训练完成，将训练完成的回归机器学习模型作为物品匹配模型。

如图4所示，该实施例的方法包括步骤410-440。

在步骤410，将训练集中的历史用户群体的属性、第二物品的属性以及历史用户群体对第二物品的真实选择率输入回归机器学习模型。

在一些实施例中，可以根据训练集中的历史用户群体的属性和第二物品的属性，确定历史用户群体对第二物品的真实选择率。例如，历史用户群体对第二物品的真实选择率可以为历史用户群体中选择第二物品的用户数量与历史用户群体中浏览第二物品的用户数量的比值。历史用户群体对第二物品的真实选择率y

在步骤420，根据输入的历史用户群体的属性以及第二物品的属性，确定历史用户群体对第二物品的预测选择率。

其中，选择率例如可以是UV转化率。回归机器学习模型例如可以为深度神经网络模型(Deep Neural Networks，简称为DNN)、极端梯度提升(Extreme Gradient Boosting，简称为XGBoost)模型、随机森林模型(Random Forest，简称为RF)或者梯度提升决策树(Gradient Boosting Decision Tree，简称为GBDT)模型。

在步骤430，根据历史用户群体对第二物品的真实选择率和预测选择率，确定回归机器学习模型的损失。

假设历史用户群体对第二物品的真实选择率表示为y

在步骤440，利用损失更新回归机器学习模型的参数，直到满足终止条件，训练完成，将训练完成的回归机器学习模型作为物品匹配模型。

其中，终止条件例如可以是训练次数达到预设次数，或者，回归机器学习模型的损失达到预设阈值。

上述实施例中，利用训练集中的用户群体(即历史用户群体)的属性和与用户群体相关的物品的属性来训练回归机器学习模型得到物品匹配模型，充分利用已有的数据来深度挖掘用户的真实需求。利用训练集中的用户的属性和与用户相关的物品的属性来训练回归机器学习模型得到一个物品匹配模型，通过该模型确定预设用户群体对第一物品的选择率。可以充分利用已有的数据(历史用户群体和第二物品)来深度挖掘用户的真实需求，使得匹配结果更加满足个性化需求，匹配结果更加有效。

图5示出根据本公开的一些实施例的对回归机器学习模型训练得到可定义属性预测模型的方法的流程示意图。

获取物品匹配模型的方法，即通过对回归机器学习模型训练得到可定义属性预测模型的方法包括：回归机器学习模型根据输入的训练集中的第二物品的固有属性，确定第二物品的可定义属性预测值；根据确定第二物品的可定义属性预测值和输入的第二物品的可定义属性标签，确定回归机器学习模型的损失；利用确定的损失更新回归机器学习模型的参数，直到满足终止条件，训练完成，得到可定义属性预测模型。

如图5所示，该实施例的方法包括步骤510-540。

在步骤510，将训练集中的第二物品的固有属性和可定义属性标签输入到回归机器学习模型中。

在步骤520，根据输入的训练集中的第二物品的固有属性，利用回归机器学习模型输出第二物品的可定义属性预测值。

其中，回归机器学习模型例如可以包括深度神经网络模型(Deep NeuralNetworks，简称为DNN)、极端梯度提升(Extreme Gradient Boosting，简称为XGBoost)模型、随机森林模型(Random Forest，简称为RF)或者梯度提升决策树(Gradient BoostingDecision Tree，简称为GBDT)模型中的任一种。

在步骤530，根据第二物品的可定义属性预测值和第二物品的可定义属性标签，确定回归机器学习模型的损失。

例如，第二物品的可定义属性预测值表示为d

在步骤540，利用确定的损失更新回归机器学习模型的参数，直到满足终止条件，训练完成，将训练完成的回归机器学习模型作为可定义属性预测模型。

其中，终止条件例如可以是训练次数达到预设次数，或者，回归机器学习模型的损失达到预设阈值。

上述实施例中，利用第二物品的可定义属性和固有属性来训练得到可定义属性预测模型，利用该模型确定待匹配的第一物品的可定义属性，使得物品的可定义属性(例如物品的价格、描述信息等)的取值更加合理，避免因不合理的取值(例如定价较低、描述信息与历史物品的真实描述信息不符)而造成后续用户对物品的选择率很高的异常情况。通过上述方法确定物品的可定义属性同时也更加快速准确，节省了人力和物力。

本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开可采用在一个或多个其中包含有计算机程序代码的计算机非瞬时性可读存储介质(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。

本公开是参照根据本公开实施例的方法、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。应理解为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。

以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。