具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。

当前，在获取用户画像的过程中，通常会人为设置各个行为(如浏览、搜索、收藏、下单、购买等)的初始权重，然后基于发生这些行为的次数、行为类型的初始权重、时间衰减来计算用户的标签权重，以得到用户画像。但是，由于初始权重是由运营人员或数据分析人员主观给出的，所以，这种确定初始权重的方法主观因素较多，可能无法准确衡量用户的行为模式，进而降低了确定用户画像的准确度。

针对上述问题，本申请实施例提供了一种用户画像生成方法，用户画像生成装置通过预先训练好的目标模型，对终端在第一预设时间段内的一个行为信息的标签特征进行训练，以确定终端的用户的标签特征的权重值，并根据权重值，生成终端的用户画像。相比现有技术，本申请实施例提供的方案解决了在获取用户画像的过程中，如何准确的确定用户各个行为的权重的技术问题，提高了确定用户画像的准确度。

上述用户画像生成装置可以为用于对用户画像生成的设备，也可以为该设备中的芯片，还可以为该设备中的片上系统。

可选的，该设备可以是物理机，例如：台式电脑，又称台式机或桌面机(desktopcomputer)、手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备。

可选的，上述用户画像生成装置也可以通过部署在物理机上的虚拟机(virtualmachine，VM)，实现上述用户画像生成装置所要实现的功能。

为了便于理解，下面对本申请实施例中的用户画像生成装置的结构进行描述。

图1示出了本申请实施例提供的用户画像生成装置的一种硬件结构示意图。如图1所示，该用户画像生成装置包括处理器11，存储器12、通信接口13、总线14。处理器11，存储器12以及通信接口13之间可以通过总线14连接。

处理器11是用户画像生成装置的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器11可以是一个通用中央处理单元(central processing unit，CPU)，也可以是其他通用处理器等。其中，通用处理器可以是微处理器或者是任何常规的处理器等。

作为一种实施例，处理器11可以包括一个或多个CPU，例如图1中所示的CPU 0和CPU 1。

存储器12可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

一种可能的实现方式中，存储器12可以独立于处理器11存在，存储器12可以通过总线14与处理器11相连接，用于存储指令或者程序代码。处理器11调用并执行存储器12中存储的指令或程序代码时，能够实现本发明实施例提供的用户画像生成方法。

另一种可能的实现方式中，存储器12也可以和处理器11集成在一起。

通信接口13，用于与其他设备通过通信网络连接。所述通信网络可以是以太网，无线接入网，无线局域网(wireless local area networks，WLAN)等。通信接口13可以包括用于接收数据的接收单元，以及用于发送数据的发送单元。

总线14，可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

需要指出的是，图1示出的结构并不构成对该用户画像生成装置的限定。除图1所示部件之外，该用户画像生成装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

图2示出了本申请实施例中用户画像生成装置的另一种硬件结构。如图2所示，通信装置可以包括处理器21以及通信接口22。处理器21与通信接口22耦合。

处理器21的功能可以参考上述处理器11的描述。此外，处理器21还具备存储功能，可以参考上述存储器12的功能。

通信接口22用于为处理器21提供数据。该通信接口22可以是通信装置的内部接口，也可以是用户画像生成装置对外的接口(相当于通信接口13)。

需要指出的是，图1(或图2)中示出的结构并不构成对用户画像生成装置的限定，除图1(或图2)所示部件之外，该用户画像生成装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合附图对本申请实施例提供的用户画像生成方法进行详细介绍。

本申请实施例提供的用户画像生成方法包括：用户画像生成装置根据第二预设时间段内多个训练终端的多个标签特征和预设的细菌觅食算法，训练得到目标模型的流程(简称为“目标模型训练流程”)和用户画像生成装置根据目标模型，确定终端在第一预设时间段内的一个行为信息的标签特征的权重值，并根据权重值生成用户画像的流程(简称为“用户画像生成流程”)。

下面先对“目标模型训练流程”进行描述。

如图3所示，“目标模型训练流程”包括：S301-S307。

S301、用户画像生成装置获取第二预设时间段内的多个训练终端中，每个训练终端的多个标签特征。

具体的，用户画像生成装置可以通过训练终端的行为数据库，获取第二预设时间段内的多个训练终端中，每个训练终端的多个标签特征。

可选的，标签特征可以为行为信息的下属标签。即行为信息为一级标签，标签特征为二级标签。

进一步的，行为信息包括：社交行为信息、购物行为信息或者应用程序使用行为信息中的至少一个。

示例性的，表1示出了一个训练终端的一级标签以及二级标签的部分内容。

表1

对于任一训练终端而言，用户画像生成装置可以通过同样的方法，获取每个训练终端的标签特征。

进一步地，为了提高计算的准确性，在获取到第二预设时间段内的多个训练终端中，每个训练终端的多个标签特征后，用户画像生成装置根据等频分箱法对获取到的标签特征进行归一化处理，以及异常值的删除。

S302、用户画像生成装置随机生成S个模型。

本申请实施例涉及到的模型均可以在获取到训练终端的标签特征后，根据该标签特征确定该训练终端的标签特征的权重值。

可选的，模型的输出端采用数值(如权重值)表示终端的标签特征的权重值。

可选的，本申请实施例根据极端梯度提升(extreme gradient boosting，XGBOOST)算法构建S个模型。

一般的，采用XGBOOST算法构建的模型包含多个参数(以包括Q个参数为例)。这里，采用向量X表示模型中的Q个参数：X＝{X₁，…，X_i，…X_Q}。其中，X₁表示第1个参数，X_i表示第i个参数，X_Q表示第Q个参数。向量X中每个参数的取值可以有多个。Q个参数中每个参数的定义及取值范围可以参考现有技术中对XGBOOST算法的描述，这里对此不再进行详细赘述。

用户画像生成装置对Q个参数中的每个参数进行随机取值，以确定出S个向量。S个向量中的任意两个向量不同。这里，采用X_i表示S个向量中的第i个向量：X_i＝{X_i1，X_i2，…X_iQ}，1≤i≤S。用户画像生成装置根据确定出的S个向量，生成S个模型，其中，S个向量中的每个向量唯一对应一个模型。

本申请实施例对S301和S302的执行顺序不作限定。可选的，本申请实施例可以先执行S301，后执行S302，也可以先执行S302，后执行S301，还可以同时执行S301和S302，本申请实施例对此不作具体限定。

S303、用户画像生成装置将获取到的第二预设时间段内的多个标签特征输入到S个当前模型中，确定当前目标结果。

需要说明的是，当用户画像生成装置将获取到的第二预设时间段内的多个标签特征，第一次输入到S个当前模型中时，该S个当前模型为上述随机生成的S个模型。

具体的，用户画像生成装置将第二预设时间段内获取到的多个标签特征输入到S个当前模型的每个模型中。结合前面描述可知，模型的输出端采用权重值表示训练终端的标签特征的权重值。因此，将多个标签特征输入到S个当前模型的每个模型中之后，用户画像生成装置可以得到S个当前权重值。然后，用户画像生成装置从得到的S个当前权重值中确定出当前满足预设条件的权重值，并将该权重值作为当前目标结果。

上述用户画像生成装置将获取到的第二预设时间段内的多个标签特征输入到S个当前模型中，确定当前目标结果的具体操作，简称为训练处理操作。

示例性的，当前满足预设条件的权重值可以是数值最大的权重值，也可以是S个当前权重值中，与预设权重值之间的差值最小的权重值。

S304、用户画像生成装置判断当前训练处理操作的执行次数是否小于预设阈值。

可以理解的是，模型的训练通常是一个循环迭代的过程。为了保证确定出的目标模型的稳定性和准确性，用户画像生成装置需要采用训练数据(如本申请实施例中第二预设时间段内的多个标签特征)多次训练模型。本申请实施例中的用户画像生成装置可以在确定出执行训练处理操作的次数(确定当前目标结果的次数或者当前模型的训练次数)等于预设阈值的情况下，停止训练。

相应的，用户画像生成装置每次执行完训练处理操作后，可以判断当前执行训练处理操作的次数是否小于预设阈值。当然，用户画像生成装置也可以判断当前模型的训练次数是否小于预设阈值，或者用户画像生成装置确定当前目标结果的次数是否小于预设阈值。本申请实施例主要以用户画像生成装置判断当前执行训练处理操作的次数是否小于预设阈值为例进行说明。

若用户画像生成装置确定出当前训练处理操作的执行次数小于预设阈值，则继续执行S305。若用户画像生成装置确定出当前训练处理操作的执行次数等于预设阈值，则继续执行S307。

S305、用户画像生成装置根据确定出的当前目标结果和预设的细菌觅食算法，调整S个当前模型中每个模型的参数。

具体的，对于S个当前模型中的第i个模型而言，用户画像生成装置在第J次确定出目标结果后，采用下述公式调整第i个模型中的参数：

其中，1≤i≤S；0≤J≤预设阈值；r₁∈[0，1]；r₂∈[0，1]；表示第J次训练处理操作确定的目标结果；Z^J为S个模型的平均位置，且 表示在第J+1次执行训练处理操作时，第i个模型的量子旋转角。

需要说明的是，当J＝0时，为随机生成的一个向量。

进一步可选的，对于每个模型而言，用户画像生成装置在采用上述公式确定出调整后的参数后，还可以根据细菌觅食算法，对调整后的参数进行繁殖处理和扩散处理，并将经过繁殖处理和扩散处理之后的参数确定为该模型调整后的参数。这里，繁殖处理和扩散处理可以参考现有细菌觅食算法的描述，此处不再进行详细赘述。

S306、用户画像生成装置将调整参数后的S个模型作为S个当前模型，并根据第二预设时间段内的多个标签特征，重复执行S303。

S307、用户画像生成装置确定目标模型。

在用户画像生成装置确定出当前训练处理操作的执行次数等于预设阈值时，用户画像生成装置将当前训练处理操作后，确定的当前目标结果所对应的模型确定为目标模型。

可以看出，用户画像生成装置训练模型的过程为一个迭代过程。用户画像生成装置得到的目标模型能够较为准确、快速的确定出某一终端的标签特征的权重值。

可选的，用户画像生成装置会周期性的根据当前时间段的标签特征，更新目标模型。这样，可有效地避免目标模型未及时更新从而造成模型输出结果的误差，保证了目标模型的时效性，进而保证了目标模型输出结果的准确性。

为了更加清楚的理解上述训练过程，下面结合细菌觅食算法的具体步骤对上述实施例进行描述。

用户画像生成装置可以根据细菌觅食算法确定目标模型，具体的流程为：

S1、用户画像生成装置初始化决策树训练模型的模型数量为细菌觅食算法中细菌的数量S，初始化决策树训练模型的参数数量为细菌的维度Q，则细菌X_i＝(X_i1，X_i2，…，X_iQ)(i＝1，2，…，S)。

S2、用户画像生成装置将S个细菌进行趋化，具体包括：

S2.1、用户画像生成装置根据公式(1)确定S个细菌的平均位置Z^J；公式(1)为：

其中，X_i ^J为细菌X_i第J次趋化后的位置，J≤Q。

S2.2、用户画像生成装置根据S个细菌的平均位置Z^J和公式(2)确定细菌X_i ^J第J+1次趋化时的量子旋转角δ_i ^J+1；公式(2)为：

δ_i ^J+1＝r₁(X_i ^J-X^J _g)+r₂(X_i ^J-Z^J)；

其中，r1和r2为自定义系数，当J＞1时，X^J _g为第J-1次的最优细菌，当J＝1时，X^J _g为S个细菌中除细菌X_i以外的任意一个细菌。

S2.3、用户画像生成装置根据细菌X_i ^J第J+1次趋化时的量子旋转角δ_i ^J+1和公式(3)确定细菌X_i ^J第J+1次趋化后的细菌X_i ^J+1的位置；公式(3)为：

S3、若S个细菌的趋化次数大于或者等于预设趋化次数，则用户画像生成装置将S个细菌进行繁殖，具体包括：

S3.1、用户画像生成装置根据细菌X_i ^J第J+1次趋化后的细菌X_i ^J+1的位置确定细菌X_i ^J+1的适应度。

S3.2、用户画像生成装置判断细菌X_i ^J+1的适应度是否满足预设条件。

S3.3、若细菌X_i ^J+1的适应度满足预设繁殖条件，则用户画像生成装置将细菌X_i ^J+1复制。

S3.4、若细菌X_i ^J+1的适应度不满足预设繁殖条件，则用户画像生成装置将细菌X_i ^J+1淘汰。

S4、若S个细菌的繁殖次数大于或者等于预设繁殖次数，则用户画像生成装置将S个细菌进行扩散，具体包括：

S4.1、用户画像生成装置根据公式(4)确定细菌X_i ^J+1的扩散概率η；公式(4)为：

其中，α为突变系数，μ为衰减因子，T为预设扩散次数，t为当前预设扩散次数。

S4.2、若细菌X_i ^J+1的扩散概率η满足预设扩散条件，则用户画像生成装置将细菌X_i ^{J +1}淘汰，并生成一个新的细菌a X_i ^J+1。

S5、若S个细菌的扩散次数大于或者等于预设扩散次数，则用户画像生成装置确定S个细菌的目标函数。

接下来对“用户画像生成流程”进行描述。

采用上述方法训练好目标模型之后，可以根据目标模型，确定标签特征的权重值，并根据权重值，生成终端的用户画像。如图4所示，包括：S401-S403。

S401、用户画像生成装置获取终端在第一预设时间段内的一个行为信息的标签特征。

其中，一个行为信息为社交行为信息、购物行为信息或者应用程序使用行为信息中的任意一个。

用户画像生成装置可以根据上述获取第二预设时间段内的多个训练终端中，每个训练终端的多个标签特征的方法，获取终端在第一预设时间段内的一个行为信息的标签特征，具体方法在此不再赘述。

S402、用户画像生成装置将一个行为信息的标签特征输入到预先训练好的目标模型，以确定标签特征的权重值。

示例性的，用户画像生成装置获取终端在2019年11月份中，连续7天的标签特征。将上述标签特征输入到预先训练好的目标模型，目标模型通过训练上述标签特征，输出权重值为0.7。

又一示例性的，表2示出了一个终端的一级标签、二级标签以及每个二级标签的权重值的部分内容。

表2

S403、用户画像生成装置根据权重值，生成终端的用户画像。

具体的，在确定标签特征的权重值后，用户画像生成装置可以根据权重值，生成终端的用户画像。

可选的，在确定标签特征的权重值后，用户画像生成装置根据权重值，确定用于生成用户画像的目标权重值。后续，用户画像生成装置根据目标权重值，生成用户画像。用户画像生成装置根据目标权重值，生成用户画像的具体方法可以参考现有技术中，生成用户画像的具体方法，本公开对此不作限定。

其中，目标权重值＝标签特征的权重值×时间衰减系数×用户行为次数×TF-IDF。

本申请实施例中提供一种用户画像生成方法，包括：获取终端在第一预设时间段内的一个行为信息的标签特征；一个行为信息为社交行为信息、购物行为信息或者应用程序使用行为信息中的任意一个；将一个行为信息的标签特征输入到预先训练好的目标模型，以确定标签特征的权重值；根据权重值，生成终端的用户画像。

用户画像生成装置通过预先训练好的目标模型，对终端在第一预设时间段内的一个行为信息的标签特征进行训练，以确定终端的用户的标签特征的权重值，并根据权重值，生成终端的用户画像。相比现有技术，本申请实施例提供的方案解决了在获取用户画像的过程中，如何准确的确定用户各个行为的权重的技术问题，提高了确定用户画像的准确度。

上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本申请实施例可以根据上述方法示例对用户画像生成装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

如图5所示，为本申请实施例提供的一种用户画像生成装置500的结构示意图。该用户画像生成装置500用于解决在获取用户画像的过程中，如何准确的确定用户各个行为的权重的技术问题，例如用于执行图3所示的目标模型训练的方法，或者图4所示的用户画像生成的方法。用户画像生成装置500包括：获取单元501、处理单元502和生成单元503。

获取单元501，用于获取终端在第一预设时间段内的一个行为信息的标签特征；一个行为信息为社交行为信息、购物行为信息或者应用程序使用行为信息中的任意一个。例如，结合图4，获取单元501可以用于执行S401。

处理单元502，用于将一个行为信息的标签特征输入到预先训练好的目标模型，以确定标签特征的权重值。例如，结合图4，处理单元502可以用于执行S402。

生成单元503，用于根据权重值，生成终端的用户画像。例如，结合图4，生成单元503可以用于执行S403。

可选的，如图6所示，该用户画像生成装置500还包括：训练单元504。

训练单元504，用于根据第二预设时间段内多个训练终端的多个标签特征和预设的细菌觅食算法，训练得到目标模型。例如，结合图3，训练单元504可以用于执行S301-S307。

可选的，训练单元504具体用于：

获取第二预设时间段内的多个训练终端中，每个训练终端的多个标签特征；

根据多个标签特征，执行训练处理操作，训练处理操作为：将多个标签特征输入到S个当前模型中，得到S个处理结果，S个处理结果中的每个处理结果唯一对应一个当前模型；从S个处理结果中确定当前目标结果；

在训练处理操作的执行次数小于预设阈值的情况下，根据当前目标结果和预设的细菌觅食算法，调整S个当前模型中每个模型的参数，S为正整数；

将调整参数后的S个模型作为S个当前模型，并根据多个标签特征，重新执行训练处理操作，直到训练处理操作的执行次数等于预设阈值为止；

根据当前目标结果，确定目标模型。

可选的，训练单元504具体用于：

对于S个模型中的第i个模型而言，在第J次训练处理操作执行结束后，采用下述公式调整第i个模型中的参数：

其中，1≤i≤S；0≤J≤预设阈值；r₁∈[0，1]；r₂∈[0，1]；表示第J次训练处理操作确定的目标结果；Z^J为S个模型的平均位置，且 表示在第J+1次执行训练处理操作时，第i个模型的量子旋转角。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令。当计算机执行指令在计算机上运行时，使得计算机执行如上述实施例提供的用户画像生成方法中，用户画像生成装置执行的各个步骤。

本申请实施例还提供一种计算机程序产品，该计算机程序产品可直接加载到存储器中，并含有软件代码，该计算机程序产品经由计算机载入并执行后能够实现上述实施例提供的用户画像生成方法中，用户画像生成装置执行的各个步骤。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。