一种基于多元关系表示的跨域身份关联方法和系统

摘要

本发明涉及一种基于多元关系表示的跨域身份关联方法和系统，分别获取两个待身份关联实体各自的实体特征向量，其中，两个待身份关联实体分别属于两个不同域；根据两个所述待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，得到两个所述待身份关联实体之间的用于表示跨域身份关联的关联相似度，即判断两个待身份关联实体是否为同一实体，速度快，精度高，具有在工业界具有更实用的价值。

说明书

技术领域

本发明涉及计算机安全技术领域，尤其涉及一种基于多元关系表示的跨域身份关联方法和系统。

背景技术

随着互联网的快速发展，由于实体所处的组织不同、不同域的技术实施路线不同，形成了不同的异构网络身份。由于不同的两个域之间存在难以互通、难以互认等问题，为网络空间融合发展带来了诸多难题。异构身份联盟基于联盟链、智能合约等技术，通过共识机制约定各系统的可信程度、身份管理服务级别，实现了对实体身份可信度的统一度量和评判，解决了异构身份跨域领域应用时的信任传递问题，打通了各个域之间的信任“孤岛”。由于同一身份访问不同的域具有活动目的、不同的行为倾向、不同的特征类别体现，跨域身份关联具有重要的研究意义。跨域身份关联是全面刻画用户行为多元化特征、精准构建用户行为画像、内容推荐、行为追踪审计的前提。然而在异构身份联盟中，实体身份信息以及实体之间的关系构成了相互关联的复杂异构网络。针对异构环境中实体分布的异质性、稀疏性的特点，如何将实体身份信息与实体间的网络拓扑关系有效映射到统一可计算数值空间，是亟待解决的关键技术问题。

在学术界传统利用实体关系实现身份关联的方法中(文献1、文献2、文献3)，利用LINE、Skip-Gram等方法对图中的实体关系进行嵌入表示，对比不同域中实体在潜在空间中的向量以计算相似度实现身份关联。这些身份关联方法虽然在一些数据集上达到了较好的效果，但由于仅使用了单方面的实体关系，导致在工业界中的实用价值不高。在真实域中，实体间通常具有多种类型的关系，如好友关系、关注关系、转发关系等，单类型关系信息往往存在表征能力弱等问题，跨域身份关联仅利用单类型关系在某些场景下无法达到较好的效果。

其中，[文献1]Man T,Shen H,Liu S,et al.Predict anchor links acrosssocial networks via an embedding approach[C].2016.

[文献2]Miao Q,Wang L,Duan D,et al.Embedding Based Cross-network UserIdentity Association Technology[C].2019.

[文献3]Wang S,Li X,Ye Y,et al.Anchor link prediction acrossattributed networks via network embedding[J].2019.

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供了一种基于多元关系表示的跨域身份关联方法和系统。

本发明的一种基于多元关系表示的跨域身份关联方法的技术方案如下：

分别获取两个待身份关联实体各自的实体特征向量，其中，两个待身份关联实体分别属于两个不同域；

根据两个所述待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，得到两个所述待身份关联实体之间的用于表示跨域身份关联的关联相似度。

本发明的一种基于多元关系表示的跨域身份关联方法的有益效果如下：

通过两个待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，能得到两个待身份关联实体之间的用于表示跨域身份关联的关联相似度，即判断两个待身份关联实体是否为同一实体，速度快，精度高，具有在工业界具有更实用的价值。

在上述方案的基础上，本发明的一种基于多元关系表示的跨域身份关联方法还可以做如下改进。

进一步，还包括：

采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，利用每个域中的所有实体的实体多元关系信息分别构建实体多元关系图；

在每个所述实体多元关系图中，按照不同的类型关系对每个实体分别执行多次随机游走，得到多个实体关系上下文采样结果；

将每个所述实体关系上下文采样结果输入变分自编码器，分别得到每个所述实体关系上下文采样结果对应的实体关系特征向量；

利用自注意力机制对每个实体关系特征向量进行融合，分别得到每个实体对应的实体特征向量；

对多个实体特征向量进行跨域两两组合后得到多个组合，并将每个组合输入多层感知机，得到每个组合对应的两个实体之间的实体间身份关联相似度；

结合每个组合对应的已知实体身份关联信息和每个组合对应的实体间身份关联相似度，对所述变分自编码器、所述自注意力机制和所述多层感知机的参数进行训练，得到所述最终跨域身份关联模型。

采用上述进一步方案的有益效果是：通过训练出的最终跨域身份关联模型能针对多元实体关系在统一可计算特征空间中的表示问题，本发明将随机游走与变分自编码器相结合，实现实体关系上下文采样结果到低维空间中特征向量的映射，本发明利用注意力实现了多元实体关系特征向量表示的融合，在融合特征向量的基础上利用多层感知机实现跨域身份关联。

进一步，所述域为具有独立身份管理系统的网站、平台或应用；所述实体为域中的独立账号；所述实体多元关系信息至少包括：源实体ID、目标实体ID和类型关系；则所述采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，利用每个域中的所有实体的实体多元关系信息分别构建实体多元关系图，包括：

通过爬虫方式采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，分别将两个域中的每个实体作为节点、每个实体ID作为节点属性、每个实体之间的关系作为边、关系类型作为边属性，分别构建所述实体多元关系图。

进一步，所述在每个所述实体多元关系图中，按照不同的类型关系对每个实体分别执行多次随机游走，得到多个实体关系上下文采样结果，包括：

在每个所述实体多元关系图中，以每个实体为起点并按不同的类型关系执行多次固定长度的随机游走，得到多个实体关系上下文采样结果。

进一步，所述将每个所述实体关系上下文采样结果输入变分自编码器，分别得到每个所述实体关系上下文采样结果对应的实体关系特征向量，包括：

将所述每个实体关系上下文采样结果分别进行嵌入并拼接后得到每个实体关系上下文采样结果对应的高维特征向量；

并将每个所述高维特征向量输入变分自编码器，得到每个所述实体关系上下文采样结果对应的实体关系特征向量。

进一步，所述利用自注意力机制对每个实体关系特征向量进行融合，分别得到每个实体对应的实体特征向量，包括：

通过第一公式计算每个实体关系特征向量的实体关系自注意力系数，所述第一公式为：

通过第二公式将每个所述实体关系自注意力系数进行归一化，得到归一化后实体关系自注意力系数，所述第二公式为：

通过第三公式结合每个归一化后实体关系自注意力系数对所有的实体关系特征向量进行融合，得到融合后向量h，所述第三公式为：

将所述第三公式表示为第四公式：h＝Agg(z

根据第四公式得到分别得到每个实体对应的实体特征向量。

进一步，所述根据第四公式得到分别得到每个实体对应的实体特征向量，包括：

若执行相同类型关系r时随机游走了N次，得到N个实体关系特征向量，分别记为z

对于不同类型关系：r

进一步，所述将每个组合输入多层感知机，得到每个组合对应的两个实体之间的实体间身份关联相似度，包括：

将每个组合中的两个实体特征向量进行拼接，得到多个向量：

将每个向量输入多层感知机，得到每个组合对应的两个实体之间的身份关联相似度。

本发明的一种基于多元关系表示的跨域身份关联系统的技术方案如下：

包括获取模块和关联模块；

所述获取模块用于分别获取两个待身份关联实体各自的实体特征向量，其中，两个待身份关联实体分别属于两个不同域；

所述关联模块用于根据两个所述待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，得到两个所述待身份关联实体之间的用于表示跨域身份关联的关联相似度。

本发明的一种基于多元关系表示的跨域身份关联系统的有益效果如下：

通过两个待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，能得到两个待身份关联实体之间的用于表示跨域身份关联的关联相似度，即判断两个待身份关联实体是否为同一实体，速度快，精度高，具有在工业界具有更实用的价值。

在上述方案的基础上，本发明的一种基于多元关系表示的跨域身份关联系统还可以做如下改进。

进一步，还包括模型训练模块，所述模型训练模块具体包括采集建立模块、执行模块、变分自编码器模块、自注意力机制模块、多层感知机模块和训练模块；

所述采集建立模块用于：采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，利用每个域中的所有实体的实体多元关系信息分别构建实体多元关系图；

所述执行模块用于在每个所述实体多元关系图中，按照不同的类型关系对每个实体分别执行多次随机游走，得到多个实体关系上下文采样结果；

所述变分自编码器模块将每个所述实体关系上下文采样结果输入变分自编码器，分别得到每个所述实体关系上下文采样结果对应的实体关系特征向量；

所述自注意力机制模块用于利用自注意力机制对每个实体关系特征向量进行融合，分别得到每个实体对应的实体特征向量；

所述多层感知机模块用于对多个实体特征向量进行跨域两两组合后得到多个组合，并将每个组合输入多层感知机，得到每个组合对应的两个实体之间的实体间身份关联相似度；

所述训练模块用于结合每个组合对应的已知实体身份关联信息和每个组合对应的实体间身份关联相似度，对所述变分自编码器、所述自注意力机制和所述多层感知机的参数进行训练，得到所述最终跨域身份关联模型。

采用上述进一步方案的有益效果是：通过训练出的最终跨域身份关联模型能针对多元实体关系在统一可计算特征空间中的表示问题，本发明将随机游走与变分自编码器相结合，实现实体关系上下文采样结果到低维空间中特征向量的映射，本发明利用注意力实现了多元实体关系特征向量表示的融合，在融合特征向量的基础上利用多层感知机实现跨域身份关联。

进一步，所述域为具有独立身份管理系统的网站、平台或应用；所述实体为域中的独立账号；所述实体多元关系信息至少包括：源实体ID、目标实体ID和类型关系；所述采集建立模块具体用于：

通过爬虫方式采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，分别将两个域中的每个实体作为节点、每个实体ID作为节点属性、每个实体之间的关系作为边、关系类型作为边属性，分别构建所述实体多元关系图。

进一步，所述执行模块具体用于：在每个所述实体多元关系图中，以每个实体为起点并按不同的类型关系执行多次固定长度的随机游走，得到多个实体关系上下文采样结果。

进一步，所述变分自编码器模块具体用于：

将所述每个实体关系上下文采样结果分别进行嵌入并拼接后得到每个实体关系上下文采样结果对应的高维特征向量；

并将每个所述高维特征向量输入变分自编码器，得到每个所述实体关系上下文采样结果对应的实体关系特征向量。

进一步，所述自注意力机制模块具体用于：

通过第一公式计算每个实体关系特征向量的实体关系自注意力系数，所述第一公式为：

通过第二公式将每个所述实体关系自注意力系数进行归一化，得到归一化后实体关系自注意力系数，所述第二公式为：

通过第三公式结合每个归一化后实体关系自注意力系数对所有的实体关系特征向量进行融合，得到融合后向量h，所述第三公式为：

将所述第三公式表示为第四公式：h＝Agg(z

根据第四公式得到分别得到每个实体对应的实体特征向量。

进一步，所述自注意力机制模块还具体用于：

若执行相同类型关系r时随机游走了N次，得到N个实体关系特征向量，分别记为z

对于不同类型关系：r

进一步，所述多层感知机模块具体用于：

所述将每个组合输入多层感知机，得到每个组合对应的两个实体之间的实体间身份关联相似度，包括：

将每个组合中的两个实体特征向量进行拼接，得到多个向量：

将每个向量输入多层感知机，得到每个组合对应的两个实体之间的身份关联相似度。

附图说明

图1为本发明实施例的一种基于多元关系表示的跨域身份关联方法的流程示意图；

图2为实体多元关系图的示意图；

图3为本发明实施例的一种基于多元关系表示的跨域身份关联系统的结构示意图。

具体实施方式

如图1所示，本发明实施例的一种基于多元关系表示的跨域身份关联方法，包括如下步骤：

S1、分别获取两个待身份关联实体各自的实体特征向量，其中，两个待身份关联实体分别属于两个不同域；

S2、根据两个所述待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，得到两个所述待身份关联实体之间的用于表示跨域身份关联的关联相似度。

通过两个待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，能得到两个待身份关联实体之间的用于表示跨域身份关联的关联相似度，即判断两个待身份关联实体是否为同一实体，速度快，精度高，具有在工业界具有更实用的价值。具体地：

可通过设置阈值来判断两个待身份关联实体是否为同一实体，当两个所述待身份关联实体之间的用于表示跨域身份关联的关联相似度超过该阈值时，则判断两个待身份关联实体为同一实体，否则两个待身份关联实体不为同一实体。

较优地，在上述技术方案中，还包括：

S20、采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，利用每个域中的所有实体的实体多元关系信息分别构建实体多元关系图；

S21、在每个所述实体多元关系图中，按照不同的类型关系对每个实体分别执行多次随机游走，得到多个实体关系上下文采样结果；

S22、将每个所述实体关系上下文采样结果输入变分自编码器，分别得到每个所述实体关系上下文采样结果对应的实体关系特征向量；

S23、利用自注意力机制对每个实体关系特征向量进行融合，分别得到每个实体对应的实体特征向量；

S24、对多个实体特征向量进行跨域两两组合后得到多个组合，并将每个组合输入多层感知机，得到每个组合对应的两个实体之间的实体间身份关联相似度；

S25、结合每个组合对应的已知实体身份关联信息和每个组合对应的实体间身份关联相似度，对所述变分自编码器、所述自注意力机制和所述多层感知机的参数进行训练，得到所述最终跨域身份关联模型，其中，训练的基本原理为：通过训练集进行训练得到函数，通过验证集验证该函数的正确率，但该函数的正确率超过预设正确率时，则该函数为最终跨域身份关联模型，其具体训练过程为本领域人员所悉知，在此不做赘述，

通过训练出的最终跨域身份关联模型能针对多元实体关系在统一可计算特征空间中的表示问题，本发明将随机游走与变分自编码器相结合，实现实体关系上下文采样结果到低维空间中特征向量的映射，本发明利用注意力实现了多元实体关系特征向量表示的融合，在融合特征向量的基础上利用多层感知机实现跨域身份关联。

如图2所示，两个不同域分别为：域A、域B，及其构建的实体多元关系图A、实体多元关系图B，在图2中，圆圈表示节点，从数字1开始以递增的方式进行编号；箭头表示关系，图中共包含“朋友”、“关注”两类类型关系；直线表示已知实体身份关联信息，即域A中的实体1与域B中的实体1为已知关联实体，域A中的实体5与域B中的实体5为已知关联实体；如何利用实体多元关系信息和已知实体身份关联信息实现跨域身份关联即图2中的虚线是本发明所解决的问题。

在S21中，对于所述每个实体多元关系图，以实体为起点按不同种类的关系执行多次固定长度的随机游走，分别得到实体关系上下文采样结果。以图2为例，分别在实体多元关系图A、实体多元关系图B中，首以每个实体为起点对“朋友”关系执行多次固定长度的随机游走，随后再次以每个实体为起点对“关注”关系执行多次固定长度的随机游走，随机游走过程将所遍历的节点编号序列作为实体关系上下文采样结果，对于未达到固定长度且无法继续执行的随机游走，节点编号序列以数字0填充至固定长度。

其中，进行嵌入拼接得到高维特征向量，并将所述高维特征向量输入变分自编码器，得到优化目标为最小化损失函数，所述最小化损失函数为：

其中，x

根据所述最小化损失函数分别每个所述实体关系上下文采样结果在低维空间中的实体关系特征向量：z

较优地，在上述技术方案中，所述域为具有独立身份管理系统的网站、平台或应用；所述实体为域中的独立账号；所述实体多元关系信息至少包括：源实体ID、目标实体ID和类型关系；则所述采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，利用每个域中的所有实体的实体多元关系信息分别构建实体多元关系图，包括：

通过爬虫方式采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，分别将两个域中的每个实体作为节点、每个实体ID作为节点属性、每个实体之间的关系作为边、关系类型作为边属性，分别构建所述实体多元关系图。

其中，源实体ID表示每个实体关系能够独立区分起始实体的信息，如在图2中箭头起始节点所对应实体的邮箱信息，实体关系从实体5到实体3的源实体ID为“af**@qq.com”；目标实体ID表示每个实体关系能够独立区分目标实体的信息，如图2中箭头目标节点所对应实体的邮箱信息，实体关系从实体5到实体3的目标实体ID为“ag**@qq.com”。

较优地，在上述技术方案中，所述在每个所述实体多元关系图中，按照不同的类型关系对每个实体分别执行多次随机游走，得到多个实体关系上下文采样结果，包括：

在每个所述实体多元关系图中，以每个实体为起点并按不同的类型关系执行多次固定长度的随机游走，得到多个实体关系上下文采样结果。

较优地，在上述技术方案中，所述将每个所述实体关系上下文采样结果输入变分自编码器，分别得到每个所述实体关系上下文采样结果对应的实体关系特征向量，包括：

将所述每个实体关系上下文采样结果分别进行嵌入并拼接后得到每个实体关系上下文采样结果对应的高维特征向量；

并将每个所述高维特征向量输入变分自编码器，得到每个所述实体关系上下文采样结果对应的实体关系特征向量。

与现有技术相比，本发明的具有以下积极效果：

(1)本发明提出了一种利用多元实体关系的跨域身份关联方法，在工业界具有更实用的价值。

(2)针对多元实体关系在统一可计算特征空间中的表示问题，本发明将随机游走与变分自编码器相结合，实现实体关系上下文采样结果到低维空间中特征向量的映射。

(3)本发明利用注意力实现了多元实体关系特征向量表示的融合，在融合特征向量的基础上利用多层感知机实现跨域身份关联。

较优地，在上述技术方案中，所述利用自注意力机制对每个实体关系特征向量进行融合，分别得到每个实体对应的实体特征向量，包括：

通过第一公式计算每个实体关系特征向量的实体关系自注意力系数，所述第一公式为：

通过第二公式将每个所述实体关系自注意力系数进行归一化，得到归一化后实体关系自注意力系数，所述第二公式为：

通过第三公式结合每个归一化后实体关系自注意力系数对所有的实体关系特征向量进行融合，得到融合后向量h，所述第三公式为：

将所述第三公式表示为第四公式：h＝Agg(z

根据第四公式得到分别得到每个实体对应的实体特征向量。

较优地，在上述技术方案中，所述根据第四公式得到分别得到每个实体对应的实体特征向量，包括：

若执行相同类型关系r时随机游走了N次，得到N个实体关系特征向量，分别记为z

对于不同类型关系：r

较优地，在上述技术方案中，所述将每个组合输入多层感知机，得到每个组合对应的两个实体之间的实体间身份关联相似度，包括：

将每个组合中的两个实体特征向量进行拼接，得到多个向量：

将每个向量输入多层感知机，得到每个组合对应的两个实体之间的身份关联相似度。

在上述各实施例中，虽然对步骤进行进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序，此也在本发明的保护范围内。

如图3所示，本发明实施例的一种基于多元关系表示的跨域身份关联系统200，包括获取模块210和关联模块220；

所述获取模块210用于分别获取两个待身份关联实体各自的实体特征向量，其中，两个待身份关联实体分别属于两个不同域；

所述关联模块220用于根据两个所述待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，得到两个所述待身份关联实体之间的用于表示跨域身份关联的关联相似度。

通过两个待身份关联实体各自的实体特征向量以及最终跨域身份关联模型，能得到两个待身份关联实体之间的用于表示跨域身份关联的关联相似度，即判断两个待身份关联实体是否为同一实体，速度快，精度高，具有在工业界具有更实用的价值。

较优地，在上述技术方案中，还包括模型训练模块，所述模型训练模块具体包括采集建立模块、执行模块、变分自编码器模块、自注意力机制模块、多层感知机模块和训练模块；

所述采集建立模块用于：采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，利用每个域中的所有实体的实体多元关系信息分别构建实体多元关系图；

所述执行模块用于在每个所述实体多元关系图中，按照不同的类型关系对每个实体分别执行多次随机游走，得到多个实体关系上下文采样结果；

所述变分自编码器模块将每个所述实体关系上下文采样结果输入变分自编码器，分别得到每个所述实体关系上下文采样结果对应的实体关系特征向量；

所述自注意力机制模块用于利用自注意力机制对每个实体关系特征向量进行融合，分别得到每个实体对应的实体特征向量；

所述多层感知机模块用于对多个实体特征向量进行跨域两两组合后得到多个组合，并将每个组合输入多层感知机，得到每个组合对应的两个实体之间的实体间身份关联相似度；

所述训练模块用于结合每个组合对应的已知实体身份关联信息和每个组合对应的实体间身份关联相似度，对所述变分自编码器、所述自注意力机制和所述多层感知机的参数进行训练，得到所述最终跨域身份关联模型。

通过训练出的最终跨域身份关联模型能针对多元实体关系在统一可计算特征空间中的表示问题，本发明将随机游走与变分自编码器相结合，实现实体关系上下文采样结果到低维空间中特征向量的映射，本发明利用注意力实现了多元实体关系特征向量表示的融合，在融合特征向量的基础上利用多层感知机实现跨域身份关联。

较优地，在上述技术方案中，所述域为具有独立身份管理系统的网站、平台或应用；所述实体为域中的独立账号；所述实体多元关系信息至少包括：源实体ID、目标实体ID和类型关系；所述采集建立模块具体用于：

通过爬虫方式采集两个域中的每个实体的实体多元关系信息和已知实体身份关联信息，分别将两个域中的每个实体作为节点、每个实体ID作为节点属性、每个实体之间的关系作为边、关系类型作为边属性，分别构建所述实体多元关系图。

较优地，在上述技术方案中，所述执行模块具体用于：在每个所述实体多元关系图中，以每个实体为起点并按不同的类型关系执行多次固定长度的随机游走，得到多个实体关系上下文采样结果。

较优地，在上述技术方案中，所述变分自编码器模块具体用于：

将所述每个实体关系上下文采样结果分别进行嵌入并拼接后得到每个实体关系上下文采样结果对应的高维特征向量；

并将每个所述高维特征向量输入变分自编码器，得到每个所述实体关系上下文采样结果对应的实体关系特征向量。其中，高维特征向量的维度可为64位或128位等。

较优地，在上述技术方案中，所述自注意力机制模块具体用于：

通过第一公式计算每个实体关系特征向量的实体关系自注意力系数，所述第一公式为：

通过第二公式将每个所述实体关系自注意力系数进行归一化，得到归一化后实体关系自注意力系数，所述第二公式为：

通过第三公式结合每个归一化后实体关系自注意力系数对所有的实体关系特征向量进行融合，得到融合后向量h，所述第三公式为：

将所述第三公式表示为第四公式：h＝Agg(z

根据第四公式得到分别得到每个实体对应的实体特征向量。

较优地，在上述技术方案中，所述自注意力机制模块还具体用于：

若执行相同类型关系r时随机游走了N次，得到N个实体关系特征向量，分别记为z

对于不同类型关系：r

较优地，在上述技术方案中，所述多层感知机模块具体用于：

所述将每个组合输入多层感知机，得到每个组合对应的两个实体之间的实体间身份关联相似度，包括：

将每个组合中的两个实体特征向量进行拼接，得到多个向量：

将每个向量输入多层感知机，得到每个组合对应的两个实体之间的身份关联相似度。

上述关于本发明的一种基于多元关系表示的跨域身份关联系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种基于多元关系表示的跨域身份关联系统的实施例中的各参数和步骤，在此不做赘述。

在本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。