具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

广告点击率预测(Click-Through-Rate，CTR)在实际业务中有着重要的参考价值，它是通过广告数据和用户数据预测用户点击一个广告的概率。但是这些广告数据的特征维度通常比较大，并且大多数数据比较稀疏，这使得特征信息以及特征之间的相互信息难以很好的被挖掘出来，进而影响CTR的效果。

为了至少部分地解决相关技术中存在的技术问题，本公开提供了一种广告点击率预测模型的训练方法，可以应用于金融领域及人工智能技术领域。该广告点击率预测模型的训练方法包括：获取训练样本数据集，其中，训练样本数据集包括多个样本数据组，每个样本数据组中包括用户特征数据以及广告特征数据；将训练样本数据集中的样本数据组输入特征提取网络，输出有效特征数据，其中，特征提取网络包括依次级联的特征组合网络和有效特征提取网络；利用有效特征数据训练预测网络，得到训练完成的广告点击率预测模型。本公开还提供了一种广告点击率预测方法、广告点击率预测模型的训练装置、广告点击率预测装置、设备、存储介质和程序产品。

需要说明的是，本公开实施例确定的方法和装置可用于金融领域及人工智能技术领域，也可用于除金融领域及人工智能技术领域之外的任意领域，本公开实施例提供的方法和装置的应用领域不做限定。

图1示意性示出了根据本公开实施例的广告点击率预测模型的训练方法、广告点击率预测方法、广告点击率预测模型的训练装置、广告点击率预测装置的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的广告点击率预测模型的训练方法和广告点击率预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的广告点击率预测模型的训练装置和广告点击率预测装置一般可以设置于服务器105中。本公开实施例所提供的广告点击率预测模型的训练方法和广告点击率预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的广告点击率预测模型的训练装置和广告点击率预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图5对公开实施例的广告点击率预测模型的训练方法进行详细描述。

根据本公开的实施例，广告点击率预测模型包括依次级联的特征提取网络和预测网络。

图2示意性示出了根据本公开实施例的广告点击率预测模型的训练方法的流程图。

如图2所示，该实施例的广告点击率预测模型的训练方法包括操作S201～操作S203。

在操作S201，获取训练样本数据集，其中，训练样本数据集包括多个样本数据组，每个样本数据组中包括用户特征数据以及广告特征数据。

根据本公开的实施例，用户特征数据和/或广告特征数据可以是向量数据。

根据本公开的实施例，每个样本数据组中的用户特征数据以及广告特征数据可以形成一个特征数据对。

根据本公开的实施例，例如样本数据集Y＝{A₁(a₁，b₁)|A₂(a₂，b₂)}。其中，A₁和A₂可以表示样本数据组，a₁和a₂可以表示用户特征数据，b₁和b₂可以表示广告特征数据。

在操作S202，将训练样本数据集中的样本数据组输入特征提取网络，输出有效特征数据，其中，特征提取网络包括依次级联的特征组合网络和有效特征提取网络。

根据本公开的实施例，特征组合网络可以具有良好的非线性拟合能力，可以很好地挖掘出特征数据中的低阶信息。

根据本公开的实施例，有效特征提取网络可以具有良好的特征相关关系挖掘能力，从而可以将特征组合网络输出的特征数据进行进一步的特征提取，挖掘出用户特征数据以及广告特征数据中的有效数据。

在操作S203，利用有效特征数据训练预测网络，得到训练完成的广告点击率预测模型。

根据本公开的实施例，预测网络可以通过将全连接层和输出层依次级联而构建得到。

根据本公开的一实施例，输出层中可以包括一个输出神经元，该输出神经元可以输出预测网络的预测结果，预测结果可以以向量形式输出，但不限于此，预测结果还可以以数值的形式输出，例如，预测结果可以为0.8，表示样本数据组中与用户特征数据对应的用户点击与广告特征数据对应的广告的概率为80％。

根据本公开的神经元，输出神经元的激活函数可以包括softmax激活函数。

根据本公开的实施例，预测网络可以包括两层全连接层。

本公开实施例通过特征组合网络和有效特征提取网络对用户特征数据以及广告特征数据进行了两次特征提取，从而可以更好的利用用户特征数据以及广告特征数据，挖掘出用户特征数据以及广告特征数据的相关关系，并利用对用户特征数据以及广告特征数据经过两次特征提取生成的有效特征数据训练预测网络，得到训练完成的广告点击率预测模型。在利用训练完成的广告点击率预测模型进行广告点击率预测时可以至少部分地克服相关技术中的广告点击率预测方法预测结果不准确的技术问题。

根据本公开的实施例，特征组合网络包括N个特征组合子网络。

图3示意性示出了根据本公开实施例的将训练样本数据集输入特征提取网络，输出有效特征数据的流程图。

如图3所示，该实施例的将训练样本数据集输入特征提取网络，输出有效特征数据包括操作S301～操作S303。

在操作S301，将训练样本数据集输入N个特征组合子网络，N个特征组合子网络分别输出第一特征值。

在操作S302，根据N个第一特征值，利用独热编码算法生成第二特征值。

在操作S303，将第二特征值输入有效特征提取网络，输出有效特征数据。

根据本公开的实施例，特征组合子网络可以包括多个节点，每个节点都可以输出节点值。

根据本公开的实施例，特征组合子网络的所有节点输出的节点值组成第一特征值。

根据本公开的实施例，例如特征组合网络包括特征组合子网络1和特征组合子网络2，其中，特征组合子网络1包括三个节点，特征组合子网络2包括两个节点。

根据本公开的一实施例，例如可以将训练样本数据集分别输入特征组合子网络1和特征组合子网络2，其中，特征组合子网络1的三个节点输出的节点值分别为0、1、0，则特征组合子网络1输出的第一特征值可以为010；特征组合子网络2的两个节点输出的节点值分别为0、1，则特征组合子网络2输出的第一特征值可以为01；然后可以将特征组合子网络1输出的第一特征值010和特征组合子网络2输出的第一特征值01拼接，生成01001，即有效特征数据。

根据本公开的实施例，通过将N个特征组合子网络中的每个特征组合子网络的输出值作为一个类别的特征，然后根据N个特征组合子网络的输出生成有效特征数据，从而可以获取与点击率精度高度相关的特征数据。

根据本公开的实施例，有效特征提取网络包括依次级联的卷积层和池化层。

图4示意性示出了根据本公开实施例的将第二特征值输入有效特征提取网络，输出有效特征数据的流程图。

如图4所示，该实施例的将第二特征值输入有效特征提取网络，输出有效特征数据包括操作S401～操作S402。

在操作S401，将第二特征值输入卷积层，输出第一特征数据。

在操作S402，将第一特征数据输入池化层，输出有效特征数据。

根据本公开的实施例，卷积层可以采用局部感知和参数共享机制学习得到第二特征值中大小不同的特征域，输出第一特征数据；然后池化层通过对第一特征数据的特征域进行缩放的方式提取第一特征数据中的高阶特征数据，输出有效特征数据。

根据本公开的实施例，高阶特征数据例如可以包括与点击率精度高度相关的特征数据。

根据本公开的实施例，在操作S401中，将训练样本数据集输入N个特征组合子网络还包括以下操作：

将用户特征数据和广告特征数据拼接得到特征数据，并将特征数据输入N个特征组合子网络。

根据本公开的实施例，例如可以依次将用户特征数据和广告特征数据相接，生成特征数据，但不限于此，还可以依次将广告特征数据和用户特征数据相接，生成的特征数据。

根据本公开的实施例，样本数据组还包括标签信息。

根据本公开的实施例，样本数据组的标签信息例如可以是由用户特征数据和广告特征数据组成的特征数据对的标签信息。

根据本公开的实施例，标签信息可以表示与用户特征数据对应的用户点击与广告特征数据对应的广告的期望概率值。

根据本公开的实施例，例如样本数据集Y＝{A₁(a₁，b₁)：75％|A₂(a₂，b₂)：90％}。其中，A₁和A₂可以表示样本数据组，a₁和a₂可以表示用户特征数据，b₁和b₂可以表示广告特征数据；A₁(a₁，b₁)：75％可以表示与a₁对应的用户点击与b₁对应的广告的期望概率值为75％。

图5示意性示出了根据本公开实施例的利用有效特征数据训练预测网络，得到训练完成的广告点击率预测模型的流程图。

如图5所示，该实施例的利用有效特征数据训练预测网络，得到训练完成的广告点击率预测模型包括操作S501～操作S502。

在操作S501，将有效特征数据输入预测层，输出预测结果，其中，预测结果表征样本用户点击样本广告的概率，样本用户包括与用户特征数据对应的用户，样本广告包括与广告特征数据对应的广告；

在操作S502，根据预测结果，以预测结果趋近于标签信息为目标，迭代调整预测网络以及有效特征提取网络的网络参数，直至预测网络以及有效特征提取网络收敛，得到训练完成的广告点击率预测模型。

根据本公开的实施例，例如样本数据集Y＝{A₁(a₁，b₁)：75％}。利用特征提取网络，根据样本数据集生成有效特征数据后，将有效特征数据输入预测层，预测层输出的预测结果例如可以为60％，由于A₁的标签信息为75％，即预测层输出的预测结果与标签信息存在差异，且预测层输出的预测结果明显小于标签信息，则可以将预测网络以及有效特征提取网络的网络参数朝向使预测层输出的预测结果升高的方向调整。

根据本公开的实施例，特征组合网络包括基于梯度提升决策树算法构建得到的特征组合网络。

根据本公开的实施例，特征组合网络可以包括预先训练好的梯度提升决策树算法。

根据本公开的实施例，有效特征提取网络包括基于卷积神经网络构建得到的有效特征提取网络。

根据本公开的实施例，用户特征数据包括以下一种或多种：用户位置信息，用户基本信息，用户设备信息。

根据本公开的实施例，用户设备信息例如可以包括用户使用的电子设备的品牌和型号。

根据本公开的实施例，用户基本信息例如可以包括用户的年龄、学历、性别。

需要说明的是，在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

根据本公开的实施例，广告特征数据包括下一种或多种：广告类型、广告主名称、广告高度、广告宽度、广告对应的消费人群。

根据本公开的实施例，广告高度和广告宽度例如可以是广告显示在用户使用的电子设备上时的高度和宽度。

图6示意性示出了根据本公开实施例的广告点击率预测方法的流程图。

如图6所示，该实施例的广告点击率预测方法包括操作S601～操作S602。

在操作S601，获取待测数据集，其中，待测数据集包括待测数据组，数据组中包括目标广告特征数据以及目标用户特征数据。

在操作S602，将待测数据集输入广告点击率预测模型，输出预测结果，其中，预测结果表征目标用户点击目标广告的概率，广告点击率预测模型由本公开实施例提供的广告点击率预测模型的训练方法训练得到。

基于上述广告点击率预测模型的训练方法，本公开还提供了一种广告点击率预测模型的训练装置。以下将结合图7对该装置进行详细描述。

图7示意性示出了根据本公开实施例的广告点击率预测模型的训练装置的结构框图。

如图7所示，该实施例的广告点击率预测模型的训练装置700包括第一获取模块701、输入模块702和训练模块703。

第一获取模块701用于获取训练样本数据集，其中，训练样本数据集包括多个样本数据组，每个样本数据组中包括用户特征数据以及广告特征数据。在一实施例中，第一获取模块701可以用于执行前文描述的操作S201，在此不再赘述。

输入模块702用于将训练样本数据集中的样本数据组输入特征提取网络，输出有效特征数据，其中，特征提取网络包括依次级联的特征组合网络和有效特征提取网络。在一实施例中，输入模块702可以用于执行前文描述的操作S202，在此不再赘述。

训练模块703用于利用有效特征数据训练预测网络，得到训练完成的广告点击率预测模型。在一实施例中，训练模块703可以用于执行前文描述的操作S203，在此不再赘述。

根据本公开的实施例，特征组合网络包括N个特征组合子网络。

根据本公开的实施例，输入模块702包括第一输入单元、生成单元和输出单元。

第一输入单元，用于将训练样本数据集输入N个特征组合子网络，N个特征组合子网络分别输出第一特征值。

生成单元，用于根据N个第一特征值，利用独热编码算法生成第二特征值。

输出单元，用于将第二特征值输入有效特征提取网络，输出有效特征数据。

根据本公开的实施例，有效特征提取网络包括依次级联的卷积层和池化层。

根据本公开的实施例，输出单元包括第一输入子单元和输出子单元。

第一输入子单元，用于将第二特征值输入卷积层，输出第一特征数据。

输出子单元，用于将第一特征数据输入池化层，输出有效特征数据。

根据本公开的实施例，第一输入单元包括拼接子单元。

拼接子单元，用于将用户特征数据和广告特征数据拼接得到特征数据，并将特征数据输入N个特征组合子网络。

根据本公开的实施例，样本数据组还包括标签信息。

根据本公开的实施例，训练模块703包括第二输入单元和调整单元。

第二输入单元，用于将有效特征数据输入预测层，输出预测结果，其中，预测结果表征样本用户点击样本广告的概率，样本用户包括与用户特征数据对应的用户，样本广告包括与广告特征数据对应的广告。

调整单元，用于根据预测结果，以预测结果趋近于标签信息为目标，迭代调整预测网络以及有效特征提取网络的网络参数，直至预测网络以及有效特征提取网络收敛，得到训练完成的广告点击率预测模型。

根据本公开的实施例，特征组合网络包括基于梯度提升决策树算法构建得到的特征组合网络；

有效特征提取网络包括基于卷积神经网络构建得到的有效特征提取网络。

根据本公开的实施例，用户特征数据包括以下一种或多种：用户位置信息，用户基本信息，用户设备信息。

根据本公开的实施例，广告特征数据包括下一种或多种：广告类型、广告主名称、广告高度、广告宽度、广告对应的消费人群。

基于上述广告点击率方法，本公开还提供了一种广告点击率预测装置。以下将结合图8对该装置进行详细描述。

图8示意性示出了根据本公开实施例的广告点击率预测装置的结构框图。

如图8所示，该实施例的广告点击率预测模型的训练装置800包括第二获取模块801、预测模块802。

第二获取模块801用于获取待测数据集，其中，所述待测数据集包括待测数据组，所述数据组中包括目标广告特征数据以及目标用户特征数据。在一实施例中，第二获取模块801可以用于执行前文描述的操作S601，在此不再赘述。

预测模块802用于将待测数据集输入广告点击率预测模型，输出预测结果，其中，预测结果表征目标用户点击目标广告的概率，广告点击率预测模型由本公开实施例提供的广告点击率预测模型的训练方法训练得到。在一实施例中，预测模块802可以用于执行前文描述的操作S602，在此不再赘述。

根据本公开的实施例，第一获取模块701、输入模块702、训练模块703、第二获取模块801和预测模块802中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块701、输入模块702、训练模块703、第二获取模块801和预测模块802中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块701、输入模块702、训练模块703、第二获取模块801和预测模块802中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图9示意性示出了根据本公开实施例的适于实现广告点击率预测模型的训练方法、广告点击率预测方法的电子设备的方框图。

如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的广告点击率预测模型的训练方法、广告点击率预测方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。