本發(fā)明涉及智能應(yīng)用技術(shù)領(lǐng)域，尤其涉及一種網(wǎng)絡(luò)新聞獲取及文本情感預(yù)測(cè)系統(tǒng)。
背景技術(shù)：
在互聯(lián)網(wǎng)迅速發(fā)展的今天，網(wǎng)絡(luò)已成為人們獲取信息的重要來(lái)源，促使人們更加便捷地了解社會(huì)動(dòng)態(tài)。但在現(xiàn)實(shí)生活中，人們?cè)陂喿x完一則新聞后，會(huì)自主的產(chǎn)生相應(yīng)的情感，例如：大部分人看見(jiàn)“不合時(shí)宜”新聞會(huì)變得憤怒；看見(jiàn)“某某見(jiàn)義勇為”新聞會(huì)被感動(dòng)，事實(shí)上，新聞?wù)谋旧砜赡懿缓魏吻楦性~(如“郁悶”、“難過(guò)”、“高興”等)，但閱讀這類新聞卻會(huì)讓人產(chǎn)生某種情感傾向，這種情感傾向具有一定的分布規(guī)律，且大部分人對(duì)某一新聞的情感反應(yīng)基本一致。
隨著數(shù)據(jù)量的增大，政府及網(wǎng)站維護(hù)者無(wú)法提前預(yù)知網(wǎng)絡(luò)新聞可能對(duì)民眾產(chǎn)生的情緒及其社會(huì)影響，鑒于此，迫切需要一個(gè)文本情感預(yù)測(cè)系統(tǒng)，能夠預(yù)知民眾閱讀新聞后會(huì)可能產(chǎn)生的情感，提前預(yù)防與干預(yù)，從而達(dá)到對(duì)文本情感傾向性預(yù)測(cè)與輿情分析的目的。
目前出現(xiàn)的很多文本情感預(yù)測(cè)系統(tǒng)，主要針對(duì)主觀文本(如評(píng)論、觀點(diǎn)、好惡等)進(jìn)行分析挖掘，即根據(jù)主觀文本中的情感關(guān)鍵詞，找出這些主觀文本所反映的用戶情感傾向，通常含有正、負(fù)兩類情感，不能通過(guò)系統(tǒng)分析新聞?wù)?，以此?lái)挖掘出新聞中隱藏的影響人們情感的因素。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明所解決的技術(shù)問(wèn)題在于提供一種網(wǎng)絡(luò)新聞獲取及文本情感預(yù)測(cè)系統(tǒng)，以解決上述背景技術(shù)中的缺點(diǎn)。
本發(fā)明所解決的技術(shù)問(wèn)題采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：
一種網(wǎng)絡(luò)新聞獲取及文本情感預(yù)測(cè)系統(tǒng)，以網(wǎng)絡(luò)爬取的新聞文本作為訓(xùn)練集，利用文本分類算法，建立訓(xùn)練模型，根據(jù)訓(xùn)練模型對(duì)待預(yù)測(cè)新聞文本進(jìn)行分類，自動(dòng)情感標(biāo)注，預(yù)測(cè)待發(fā)表的網(wǎng)絡(luò)新聞文本對(duì)公眾情緒可能造成的影響，具體步驟：
一)以網(wǎng)絡(luò)爬取的新聞文本作為訓(xùn)練集
通過(guò)爬蟲(chóng)海量爬取網(wǎng)頁(yè)信息，并在爬取過(guò)程中解析新聞?wù)暮屯镀睌?shù)，同時(shí)根據(jù)設(shè)定的關(guān)鍵詞對(duì)新聞?wù)倪M(jìn)行預(yù)處理匹配構(gòu)建語(yǔ)料庫(kù)，在根據(jù)投票數(shù)對(duì)新聞?wù)倪M(jìn)行自動(dòng)情感標(biāo)注，以獲取滿足需求的語(yǔ)料并存儲(chǔ)到本地；
①社會(huì)新聞獲取
主要抓取含有情感投票數(shù)的社會(huì)新聞網(wǎng)站，利用爬蟲(chóng)爬取網(wǎng)頁(yè)，首先分析網(wǎng)站的結(jié)構(gòu)，將與即將爬取的新聞相關(guān)內(nèi)容新聞鏈接url從網(wǎng)頁(yè)源碼中抽出，獲取新聞對(duì)應(yīng)的url后，使用httpclient發(fā)送請(qǐng)求，接收響應(yīng)，并利用htmlparser解析響應(yīng)，以獲取與該新聞對(duì)應(yīng)的內(nèi)容，如標(biāo)題、正文和投票數(shù)；采用邊抓取邊過(guò)濾的原則，若解析網(wǎng)頁(yè)得到的新聞?wù)幕驑?biāo)題中沒(méi)有出現(xiàn)關(guān)鍵詞或與之近似的詞(由用戶給定)，則認(rèn)為該新聞與關(guān)鍵詞無(wú)關(guān)，舍棄；
②語(yǔ)料庫(kù)構(gòu)建與數(shù)據(jù)存儲(chǔ)
語(yǔ)料庫(kù)選用mysql，建立表格，將爬取與設(shè)定的關(guān)鍵詞相關(guān)的文本存入語(yǔ)料庫(kù)；
i)創(chuàng)建新聞表，表的字段有新聞鏈接news_url、新聞標(biāo)題news_title、新聞?wù)膎ews_content及新聞投票數(shù)news_vote，以新聞鏈接為主鍵，將爬蟲(chóng)爬取的內(nèi)容存入新聞表；
ii)創(chuàng)建關(guān)鍵詞表，表的字段有關(guān)鍵詞序號(hào)keyword_id、關(guān)鍵詞keyword；讀取用戶設(shè)定的關(guān)鍵詞，以關(guān)鍵詞為主鍵，存儲(chǔ)至關(guān)鍵詞表；
iii)創(chuàng)建索引表，表的字段有序號(hào)id、關(guān)鍵詞keyword、新聞標(biāo)題news_title、新聞?wù)膎ews_content及新聞投票數(shù)news_vote，選擇新聞表中包含關(guān)鍵詞的新聞，以關(guān)鍵詞為索引，存儲(chǔ)至索引表；
③自動(dòng)標(biāo)注情感類別
根據(jù)解析新聞url對(duì)應(yīng)的響應(yīng)，得到每條新聞的投票數(shù)，以投票數(shù)為基礎(chǔ)，設(shè)置自動(dòng)標(biāo)注實(shí)施方式：
a)自定義投票總數(shù)閾值n，若某個(gè)新聞的投票總數(shù)小于n，該新聞將被跳過(guò)；
b)自定義差值閾值m，若某個(gè)新聞中最多的投票數(shù)與次多的投票數(shù)之差小于m時(shí)，則不參與構(gòu)建語(yǔ)料庫(kù)；
c)若新聞投票數(shù)超過(guò)閾值n和m，則標(biāo)注該新聞為投票數(shù)最多的一類，實(shí)現(xiàn)自動(dòng)標(biāo)注，最終將自動(dòng)標(biāo)注后的新聞文本按類別存入訓(xùn)練集對(duì)應(yīng)的表中；
二)文本預(yù)處理
對(duì)訓(xùn)練集中的新聞文本進(jìn)行預(yù)處理，包括分詞和去停用詞，基于中科院ictclas2015和lucence分詞系統(tǒng)接口，以完成分詞；允許用戶自定義停用詞表，也可使用默認(rèn)停用詞表，以濾除類別區(qū)分能力不強(qiáng)、語(yǔ)義信息不多的詞；
三)特征選擇及特征權(quán)重設(shè)置
對(duì)預(yù)處理完畢的訓(xùn)練集新聞文本進(jìn)行特征選擇與權(quán)重設(shè)置，特征選擇是除去特征集中不能較好表示有效信息的特征，以提高分類準(zhǔn)確度和減少計(jì)算復(fù)雜度；權(quán)重設(shè)置是利用新聞文本的統(tǒng)計(jì)信息，給特征項(xiàng)賦予一定的權(quán)值；
1)構(gòu)建文本向量空間模型
首先，將訓(xùn)練集的新聞文本轉(zhuǎn)化為計(jì)算機(jī)可讀格式，即將無(wú)結(jié)構(gòu)文本轉(zhuǎn)換為結(jié)構(gòu)化文本，將一篇新聞文本document轉(zhuǎn)換為向量，向量每一維值代表特征權(quán)重，通過(guò)特征選擇構(gòu)建特征詞典，特征詞典的詞匯量為n，構(gòu)建n維向量表示新聞文本，采用權(quán)重計(jì)算方法計(jì)算每一維的權(quán)重值，以構(gòu)建文本向量空間模型；
2)特征選擇
采用一元詞、二元詞和主題三種粒度下提取特征，特征選擇提取完畢后將特征存儲(chǔ)在hashmap中；在提取文本特征，以卡方統(tǒng)計(jì)量算法計(jì)算度量詞與文檔類別之間的相關(guān)程度，詞對(duì)應(yīng)某一類的卡方統(tǒng)計(jì)值越高，說(shuō)明可能代表某一類文檔，即具有的類別區(qū)分信息越多，對(duì)于多類別問(wèn)題，先計(jì)算出詞對(duì)于每一個(gè)類別的卡方值，然后選取其中最大的值作為詞在整個(gè)語(yǔ)料上的卡方值；
3)特征權(quán)重設(shè)置
特征權(quán)重用于衡量某個(gè)特征項(xiàng)在文本表示中的重要程度或區(qū)分能力強(qiáng)弱，采用tfidf計(jì)算權(quán)重，其中tf為詞頻，用于計(jì)算該詞描述文檔內(nèi)容的能力；idf為逆文檔頻率，用于計(jì)算該詞區(qū)分文檔的能力；
四)建立訓(xùn)練模型
通過(guò)svm訓(xùn)練方法，對(duì)設(shè)置有特征權(quán)重的卡方值核函數(shù)進(jìn)行非線性變換，將輸入的非線性特征向量映射至高維特征空間，而后在高維特征空間中尋找最優(yōu)線形分類面，以將文本類分開(kāi)，建立訓(xùn)練模型；
i)訓(xùn)練集向量模型
自定義特征維數(shù)，根據(jù)特征選擇方法提取特征，設(shè)置粒度下的權(quán)重，但特征維數(shù)過(guò)大易導(dǎo)致訓(xùn)練速度緩慢，過(guò)擬合及引入過(guò)多噪聲、特征維數(shù)過(guò)小則不能攜帶足量的文本信息，都將對(duì)分類性能產(chǎn)生影響，故設(shè)置在不同特征維數(shù)下的訓(xùn)練模型，利用交叉驗(yàn)證或者預(yù)測(cè)在測(cè)試集上的分類準(zhǔn)確率，確定最優(yōu)輸入維數(shù)，建立訓(xùn)練集向量模型；
ii)輸入歸一化
因訓(xùn)練集向量模型原始數(shù)據(jù)可能范圍過(guò)大或過(guò)小，先將訓(xùn)練集向量模型原始數(shù)據(jù)重新縮放到適當(dāng)范圍進(jìn)行輸入歸一化，使訓(xùn)練與預(yù)測(cè)速度更快；
iii)交叉驗(yàn)證參數(shù)尋優(yōu)
采用網(wǎng)格搜索，允許自定義損失函數(shù)和核函數(shù)中g(shù)amma函數(shù)的初始值、步長(zhǎng)，使用5折交叉驗(yàn)證法評(píng)價(jià)在不同損失函數(shù)與gamma函數(shù)下訓(xùn)練模型的優(yōu)劣，這樣可以避免隨機(jī)因素干擾，得到最優(yōu)損失函數(shù)與核函數(shù)，以建立svm模型；其中，5折交叉驗(yàn)證是指將初始采樣分割成5個(gè)子樣本，一個(gè)單獨(dú)子樣本被保留作為驗(yàn)證模型的數(shù)據(jù)，其他4個(gè)樣本用來(lái)訓(xùn)練，交叉驗(yàn)證重復(fù)5次，每個(gè)子樣本驗(yàn)證一次，平均5次的結(jié)果，最終得到單一估測(cè)；
五)預(yù)測(cè)輸出
將爬蟲(chóng)海量爬取的網(wǎng)頁(yè)信息進(jìn)行輸入歸一化后載入訓(xùn)練向量模型，使用svm模型對(duì)待分類文本進(jìn)行預(yù)測(cè)，輸出預(yù)測(cè)類標(biāo)簽。
有益效果：本發(fā)明以網(wǎng)絡(luò)爬取的新聞文本作為訓(xùn)練集，利用文本分類算法，建立訓(xùn)練模型，根據(jù)訓(xùn)練模型對(duì)待預(yù)測(cè)新聞文本進(jìn)行分類，自動(dòng)情感標(biāo)注，預(yù)測(cè)待發(fā)表的新聞文本對(duì)公眾情緒可能造成的影響，構(gòu)建社會(huì)新聞對(duì)公眾情感影響的文本情感預(yù)測(cè)系統(tǒng)，預(yù)測(cè)一個(gè)新聞可能造成的輿情，為網(wǎng)絡(luò)安全提供便利。
附圖說(shuō)明
圖1是本發(fā)明的較佳實(shí)施例的流程圖。
具體實(shí)施方式
為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合具體圖示，進(jìn)一步闡述本發(fā)明。
參見(jiàn)圖1所示一種網(wǎng)絡(luò)新聞獲取及文本情感預(yù)測(cè)系統(tǒng)，具體步驟：
一)建立以網(wǎng)絡(luò)爬取的新聞文本作為訓(xùn)練集
通過(guò)爬蟲(chóng)海量爬取網(wǎng)頁(yè)信息，并在爬取過(guò)程中解析新聞?wù)暮屯镀睌?shù)，同時(shí)根據(jù)設(shè)定的關(guān)鍵詞對(duì)新聞?wù)倪M(jìn)行預(yù)處理匹配構(gòu)建語(yǔ)料庫(kù)，在根據(jù)投票數(shù)對(duì)新聞?wù)倪M(jìn)行自動(dòng)情感標(biāo)注，以獲取滿足需求的語(yǔ)料并存儲(chǔ)到本地；
①社會(huì)新聞獲取
主要抓取含有情感投票數(shù)的社會(huì)新聞網(wǎng)站，利用爬蟲(chóng)爬取網(wǎng)頁(yè)，首先分析網(wǎng)站的結(jié)構(gòu)，將與即將爬取的新聞相關(guān)內(nèi)容(如新聞鏈接url)從網(wǎng)頁(yè)源碼中抽取出來(lái)，濾除一些無(wú)用鏈接如廣告等；獲取新聞對(duì)應(yīng)的url后，使用httpclient發(fā)送請(qǐng)求，接收響應(yīng)，并利用htmlparser解析響應(yīng)，以獲取與該新聞對(duì)應(yīng)的內(nèi)容，如標(biāo)題、正文和投票數(shù)；采用邊抓取邊過(guò)濾的原則，若解析網(wǎng)頁(yè)得到的新聞?wù)幕驑?biāo)題中沒(méi)有出現(xiàn)關(guān)鍵詞或與之近似的詞(由用戶給定)，則認(rèn)為該新聞與關(guān)鍵詞無(wú)關(guān)，舍棄；
②語(yǔ)料庫(kù)構(gòu)建與數(shù)據(jù)存儲(chǔ)
語(yǔ)料庫(kù)選用mysql，建立表格，將爬取與設(shè)定的關(guān)鍵詞相關(guān)的文本存入語(yǔ)料庫(kù)；
i)創(chuàng)建新聞表，表的字段有新聞鏈接news_url、新聞標(biāo)題news_title、新聞?wù)膎ews_content及新聞投票數(shù)news_vote，以新聞鏈接為主鍵，可防止插入重復(fù)的新聞，將爬蟲(chóng)爬取的內(nèi)容存入新聞表；
ii)創(chuàng)建關(guān)鍵詞表，表的字段有關(guān)鍵詞序號(hào)keyword_id、關(guān)鍵詞keyword；讀取用戶設(shè)定的關(guān)鍵詞，以關(guān)鍵詞為主鍵，存儲(chǔ)至關(guān)鍵詞表；
iii)創(chuàng)建索引表，表的字段有序號(hào)id、關(guān)鍵詞keyword、新聞標(biāo)題news_title、新聞?wù)膎ews_content及新聞投票數(shù)news_vote，選擇新聞表中包含關(guān)鍵詞的新聞，以關(guān)鍵詞為索引，存儲(chǔ)至索引表；
③自動(dòng)標(biāo)注情感類別
根據(jù)解析新聞url對(duì)應(yīng)的響應(yīng)，得到每條新聞的投票數(shù)，以投票數(shù)為基礎(chǔ)，設(shè)置自動(dòng)標(biāo)注實(shí)施方式：
a)自定義投票總數(shù)閾值n，若某個(gè)新聞的投票總數(shù)小于n，該新聞將被跳過(guò)；
b)自定義差值閾值m，若某個(gè)新聞中最多的投票數(shù)與次多的投票數(shù)之差小于m時(shí)，則不參與構(gòu)建語(yǔ)料庫(kù)；
c)若新聞投票數(shù)超過(guò)閾值n和m，則標(biāo)注該新聞為投票數(shù)最多的一類，實(shí)現(xiàn)自動(dòng)標(biāo)注，最終將自動(dòng)標(biāo)注后的新聞文本按類別存入訓(xùn)練集對(duì)應(yīng)的表中；
二)文本預(yù)處理
對(duì)訓(xùn)練集中的新聞文本進(jìn)行預(yù)處理，包括分詞和去停用詞，基于中科院ictclas2015和lucence分詞系統(tǒng)接口，以完成分詞；允許用戶自定義停用詞表，也可使用默認(rèn)停用詞表，以濾除類別區(qū)分能力不強(qiáng)、語(yǔ)義信息不多的詞(如了，啊等)；
三)特征選擇及特征權(quán)重設(shè)置
對(duì)預(yù)處理完畢的訓(xùn)練集新聞文本進(jìn)行特征選擇與權(quán)重設(shè)置，特征選擇是除去特征集中不能較好表示有效信息的特征，以提高分類準(zhǔn)確度和減少計(jì)算復(fù)雜度；權(quán)重設(shè)置是利用新聞文本的統(tǒng)計(jì)信息，給特征項(xiàng)賦予一定的權(quán)值；
1)構(gòu)建文本向量空間模型
首先，將訓(xùn)練集的新聞文本轉(zhuǎn)化為計(jì)算機(jī)可讀格式，即將無(wú)結(jié)構(gòu)文本轉(zhuǎn)換為結(jié)構(gòu)化文本，以便于計(jì)算機(jī)處理；本實(shí)施例使用向量空間模型，即將一篇新聞文本document轉(zhuǎn)換為向量，向量每一維值代表特征權(quán)重；
具體步驟：設(shè)一篇新聞文本document＝{t1，w1；......tm，wm}，其中，tn為第n維特征項(xiàng)，wn為第n維權(quán)重值，以本文為例，通過(guò)特征選擇構(gòu)建特征詞典，特征詞典的詞匯量為n，構(gòu)建n維向量表示新聞文本，采用權(quán)重計(jì)算方法計(jì)算每一維的權(quán)重值，以構(gòu)建文本向量空間模型；
2)特征選擇
采用一元詞、二元詞和主題三種粒度下提取特征，以二元詞粒度下提取特征為例：使用skip-bigrams二元詞特征詞典，將訓(xùn)練集新聞文本內(nèi)容按照詞進(jìn)行中間最大間隔為2的滑動(dòng)窗口操作，形成長(zhǎng)度為2的詞片段序列，而后存儲(chǔ)在hashmap中，即可產(chǎn)生具有明顯感情傾向的二元特征詞，如在“我|愛(ài)|中國(guó)”這句話中，使用skip-bigram二元詞特征詞典可以產(chǎn)生“我/愛(ài)”、“愛(ài)/中國(guó)”、“我/中國(guó)”這樣的二元詞組，其中出現(xiàn)了“愛(ài)/中國(guó)”這樣一個(gè)語(yǔ)義豐富的特征詞，在大規(guī)模語(yǔ)料上，可以獲取更多這種共現(xiàn)關(guān)系，分完詞后存儲(chǔ)在hashmap中；
特征選擇構(gòu)建完畢后，提取文本特征，本實(shí)施例以卡方統(tǒng)計(jì)量算法為例：通過(guò)對(duì)理論值和實(shí)際值的比對(duì)，確定理論是否正確，主要是度量詞與文檔類別之間的相關(guān)程度，假設(shè)詞t與文檔類別c服從一階自由度的卡方分布，那么詞對(duì)應(yīng)某一類的卡方統(tǒng)計(jì)值越高，就說(shuō)明它可能代表某一類文檔，即具有的類別區(qū)分信息越多，卡方的公式如下所示：
其中，a表示c類中包含詞t的文檔數(shù)，b表示除c類中包含詞t文檔數(shù)，c表示c類中不包含詞t的文檔數(shù)，d表示除c類中不包含詞t的文檔數(shù)，sum為所有文檔數(shù)；
對(duì)于多類別問(wèn)題，可以先計(jì)算出詞t對(duì)于每一個(gè)類別的卡方值，然后選取其中最大的值作為詞t在整個(gè)語(yǔ)料上的卡方值；
3)特征權(quán)重設(shè)置
特征權(quán)重用于衡量某個(gè)特征項(xiàng)在文本表示中的重要程度或區(qū)分能力強(qiáng)弱，本實(shí)施例采用tfidf計(jì)算權(quán)重，其中tf為詞頻，用于計(jì)算該詞描述文檔內(nèi)容的能力；idf為逆文檔頻率，用于計(jì)算該詞區(qū)分文檔的能力；
四)建立訓(xùn)練模型
本實(shí)施例以svm訓(xùn)練方法為例，其基本方式是通過(guò)核函數(shù)進(jìn)行非線性變換，將輸入的非線性特征向量映射至高維特征空間，而后在高維特征空間中尋找最優(yōu)線形分類面，以將文本類分開(kāi)，建立訓(xùn)練模型；
i)訓(xùn)練集向量模型
自定義特征維數(shù)，根據(jù)特征選擇方法提取特征，設(shè)置二元詞粒度下的權(quán)重，構(gòu)建文本向量空間模型，但特征維數(shù)過(guò)大易導(dǎo)致訓(xùn)練速度緩慢，過(guò)擬合及引入過(guò)多噪聲、特征維數(shù)過(guò)小則不能攜帶足量的文本信息，都將對(duì)分類性能產(chǎn)生影響，故設(shè)置在不同特征維數(shù)下的訓(xùn)練模型，利用交叉驗(yàn)證或者預(yù)測(cè)在測(cè)試集上的分類準(zhǔn)確率，確定最優(yōu)輸入維數(shù)，建立訓(xùn)練集向量模型；
ii)輸入歸一化
因訓(xùn)練集原始數(shù)據(jù)可能范圍過(guò)大或過(guò)小，可以先將訓(xùn)練集原始數(shù)據(jù)重新縮放到適當(dāng)范圍進(jìn)行輸入歸一化，使訓(xùn)練與預(yù)測(cè)速度更快；
iii)交叉驗(yàn)證參數(shù)尋優(yōu)
svm中需要設(shè)置一些比較重要的參數(shù)，如損失函數(shù)(c)和核函數(shù)中g(shù)amma函數(shù)(g)，才能保證整體泛化性能良好，本實(shí)施例采用網(wǎng)格搜索，允許自定義c、g的初始值和步長(zhǎng)，使用5折交叉驗(yàn)證法評(píng)價(jià)在不同損失函數(shù)與gamma函數(shù)下訓(xùn)練模型的優(yōu)劣，這樣可以避免隨機(jī)因素干擾，得到最優(yōu)的c、g，以建立svm模型。其中，5折交叉驗(yàn)證是指將初始采樣分割成5個(gè)子樣本，一個(gè)單獨(dú)子樣本被保留作為驗(yàn)證模型的數(shù)據(jù)，其他4個(gè)樣本用來(lái)訓(xùn)練，交叉驗(yàn)證重復(fù)5次，每個(gè)子樣本驗(yàn)證一次，平均5次的結(jié)果，最終得到單一估測(cè)；
五)預(yù)測(cè)輸出
將爬蟲(chóng)海量爬取的網(wǎng)頁(yè)信息進(jìn)行輸入歸一化后載入訓(xùn)練向量模型，使用svm模型對(duì)待分類文本進(jìn)行預(yù)測(cè)，輸出預(yù)測(cè)類標(biāo)簽。
以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是說(shuō)明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書(shū)及其等效物界定。