本發(fā)明涉及金融不良資產(chǎn)催收領(lǐng)域，具體涉及一種基于信用評分的催收方法及裝置。
背景技術(shù)：
：近年來，消費(fèi)金融、小額貸款、p2p等借貸行業(yè)不斷發(fā)展，國內(nèi)的征信制度卻仍有許多缺陷，這導(dǎo)致逾期壞賬率居高不下。而最為常見的逾期欠款催收，往往由于采用的催收策略不同，產(chǎn)生了催收效果的差異。比如：可能會產(chǎn)生對因偶然遺忘等原因?qū)е碌牡惋L(fēng)險(xiǎn)高金額客戶采用較為過激的催收方式，而對高風(fēng)險(xiǎn)低金額客戶沒有采用有效催收手段。現(xiàn)有催收方法通常存在以下缺陷：不同逾期產(chǎn)品，信用評分標(biāo)準(zhǔn)不同，缺乏統(tǒng)一收集、維護(hù)和分析的數(shù)據(jù)；分析特征維度少，獲取信息的周期長，影響預(yù)測的準(zhǔn)確度。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的主要目的是提供一種基于信用評分的催收方法及裝置，旨在根據(jù)催收評分結(jié)果自動判斷其風(fēng)險(xiǎn)的高低，合理確定客戶的催收策略，有利于提高催收的效果，減少壞賬損失。根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于信用評分的催收方法，該催收方法包括以下步驟：(1)收集催收對象信用信息：收集催收對象信用信息，并建立信用信息庫，所述信用信息庫中包括多項(xiàng)信用指標(biāo)；(2)處理收集到的信用信息：首先對所述信用信息庫中的信用信息進(jìn)行篩選，缺失值以及異常值可剔除或采用平均值代替，確定在建模過程中可作自變量的信用指標(biāo)；然后對上述可作自變量的信用指標(biāo)進(jìn)行相關(guān)性分析，剔除具有共線性的信用指標(biāo)，保留相對獨(dú)立的信用指標(biāo)作為特征變量；最后對上述信用信息進(jìn)行采樣和格式化處理；(3)建立信用風(fēng)險(xiǎn)評分模型：利用機(jī)器學(xué)習(xí)算法建立信用風(fēng)險(xiǎn)評分模型，根據(jù)催收對象的歷史信用信息來訓(xùn)練所述評分模型；(4)預(yù)測逾期欠款回款概率：將步驟(2)中格式化處理后的特征變量代入所述信用風(fēng)險(xiǎn)評分模型，計(jì)算得到催收回款風(fēng)險(xiǎn)概率，并根據(jù)該風(fēng)險(xiǎn)概率轉(zhuǎn)化為催收評分，然后根據(jù)上述催收評分確定所述催收對象的風(fēng)險(xiǎn)等級；(5)實(shí)施針對性的催款策略：根據(jù)步驟(4)中確定的風(fēng)險(xiǎn)等級，實(shí)施具有針對性的催款策略。進(jìn)一步地，將步驟(5)中實(shí)施的催款記錄反饋到所述信用信息庫中，更新或完善所述信用信息。進(jìn)一步地，所述信用信息包括催收對象的還款能力、還款意愿、關(guān)鍵要素和風(fēng)險(xiǎn)釋放因素中的一個(gè)或多個(gè)方面的信用指標(biāo)；其中，所述還款能力的因素至少包括個(gè)人月均收入、家庭月均收入、存款額、學(xué)歷、從事行業(yè)、工作年限、單位類型中的一個(gè)或多個(gè)指標(biāo)；所述還款意愿的因素至少包括職業(yè)、職稱、征信記錄、最近一個(gè)月的聯(lián)絡(luò)記錄、最近3個(gè)月的聯(lián)絡(luò)記錄、首次逾期期數(shù)中的一個(gè)或多個(gè)指標(biāo)；所述關(guān)鍵要素至少包括貸款類型、催收金額、借款額中的一個(gè)或多個(gè)指標(biāo)；所述風(fēng)險(xiǎn)釋放要素至少包括是否有抵押、抵押物類型、抵押金額、家庭資產(chǎn)、家庭住址、公司地址中的一個(gè)或多個(gè)指標(biāo)。進(jìn)一步地，所述機(jī)器學(xué)習(xí)算法包括但不限于分類器、logistic回歸或神經(jīng)網(wǎng)絡(luò)中任一種。進(jìn)一步地，根據(jù)評分結(jié)果，將所述風(fēng)險(xiǎn)等級劃分為高風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)三個(gè)等級；所述針對性的催款策略包括對低風(fēng)險(xiǎn)預(yù)期時(shí)間短的客戶，采用電話催收方式；對中等風(fēng)險(xiǎn)客戶，采取警示型的電話催收方式；對高風(fēng)險(xiǎn)客戶，在警示型電話催收不生效時(shí)，則加大催收力度，采取上門催收的方式。進(jìn)一步地，針對不同風(fēng)險(xiǎn)等級的客戶實(shí)行名單管理制度，劃分為若干組別，以便于采取針對性的催收措施。根據(jù)本發(fā)明的另一個(gè)方面，還提供了一種基于信用評分的催收裝置，所述催收裝置包括：(1)催收對象信用信息收集模塊：所述收集模塊可收集催收對象的信用信息，并建立信用信息庫，所述信用信息庫中包括多項(xiàng)信用指標(biāo)；(2)信用信息處理模塊：所述信用信息處理模塊可對所述信用信息庫中的信用信息進(jìn)行篩選，缺失值以及異常值可剔除或采用平均值代替，確定在建模過程中可作自變量的信用指標(biāo)；并對上述可作自變量的信用指標(biāo)進(jìn)行相關(guān)性分析，剔除具有共線性的信用指標(biāo)，保留相對獨(dú)立的信用指標(biāo)作為特征變量；最后對上述信用信息進(jìn)行采樣和格式化處理；(3)信用風(fēng)險(xiǎn)評分模塊：所述信用風(fēng)險(xiǎn)評分模塊可利用機(jī)器學(xué)習(xí)算法建立信用風(fēng)險(xiǎn)評分模型，根據(jù)催收對象的歷史信用信息來訓(xùn)練所述評分模型；將格式化處理后的特征變量代入所述信用風(fēng)險(xiǎn)評分模型，即可計(jì)算得到催收回款風(fēng)險(xiǎn)概率，根據(jù)該風(fēng)險(xiǎn)概率轉(zhuǎn)化為催收評分，然后根據(jù)上述催收評分可確定所述催收對象的風(fēng)險(xiǎn)等級；根據(jù)所述風(fēng)險(xiǎn)等級，即可實(shí)施具有針對性的催款策略。進(jìn)一步地，還包括催收記錄更新模塊，所述催收記錄更新模塊可將實(shí)施的催款記錄反饋到所述信用信息庫中，更新或完善所述信用信息。由于采用了上述技術(shù)方案，本發(fā)明取得了有益的技術(shù)效果：(1)本發(fā)明可根據(jù)催收評分結(jié)果自動判斷其風(fēng)險(xiǎn)的高低，從而合理確定客戶的催收策略，有利于提高催收的效果，減少壞賬損失。(2)本發(fā)明通過數(shù)據(jù)挖掘作為分析技術(shù)，利用線上、線下數(shù)據(jù)、聯(lián)絡(luò)人完善信息收集，可以節(jié)省建模時(shí)間，為催收行業(yè)提供了數(shù)據(jù)支持。(3)實(shí)時(shí)更新用戶信息，獲取的用戶信息數(shù)據(jù)更具有真實(shí)性，能更準(zhǔn)確的預(yù)測催收風(fēng)險(xiǎn)評分，實(shí)施最適合的催收策略，提高催收任務(wù)效率。附圖說明圖1是本發(fā)明所公開的基于信用評分的催收方法流程圖。圖2是催收對象的信用信息庫示意圖。圖3是實(shí)施例中特征變量相關(guān)系數(shù)測算示意圖。圖4是實(shí)施例中roc曲線圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明，但本發(fā)明要求保護(hù)的范圍并不局限于下述具體實(shí)施例。參見圖1，本發(fā)明公開了一種基于信用評分的催收方法，所述催收方法包括收集催收對象信用信息、處理收集到的信用信息、建立信用風(fēng)險(xiǎn)評分模型、預(yù)測逾期欠款回款概率和實(shí)施針對性的催收策略，作為優(yōu)選，實(shí)施的催款記錄進(jìn)一步反饋到所述信用信息庫中，從而更新或完善所述信用信息。具體地，首先，進(jìn)行信息收集，建立個(gè)人信用信息庫；其中，以逾期案件為例，以逾期客戶行為歷史為核心的一系列屬性，綜合考慮借款人和債項(xiàng)兩方面因素，并考慮時(shí)間窗，嘗試探索這些維度指標(biāo)在某一段時(shí)間的表現(xiàn)，匯總數(shù)據(jù)。所述信息收集也可以通過網(wǎng)絡(luò)爬蟲等互聯(lián)網(wǎng)技術(shù)獲取數(shù)據(jù)信息或相關(guān)屬性。所述信息庫中包括多項(xiàng)信用指標(biāo)，具體可參見圖2。然后，對所收集到的信用信息進(jìn)行數(shù)據(jù)分析處理，主要步驟有：(1)特征篩選，對信息庫中的特征進(jìn)行分析，具體地，諸如統(tǒng)計(jì)指標(biāo)，包括最大值、最小值、中值、均值、方差、異常值、缺失值等，查看數(shù)據(jù)的分布，例如，可以通過箱線圖直觀明了地識別數(shù)據(jù)中的異常值，以及數(shù)據(jù)的分散程度；通過查看最大值、最小值和平均值，可確定案件部分信息的數(shù)據(jù)真實(shí)性，通過方差可以提供有關(guān)數(shù)據(jù)穩(wěn)定性信息，去掉為固定常數(shù)的特征變量?？梢酝ㄟ^刪除包含缺失值或異常值的案件或用合理的數(shù)值(平均值)代替。通過對這些指標(biāo)的觀察，簡單判斷該屬性是否可以在建模過程中作為自變量并使用；(2)初步篩選完變量后，需要對變量間的關(guān)聯(lián)緊密程度分析，通過計(jì)算相關(guān)系數(shù)來測定變量之間關(guān)系密切程度的量。通過計(jì)算變量的相關(guān)系數(shù)r，當(dāng)︱r︱<0.1時(shí)，說明該變量為相關(guān)性較弱的變量；︱r︱≥0.8時(shí)，可視為相關(guān)性較強(qiáng)的變量，去掉相關(guān)性較弱的變量，對于相關(guān)較強(qiáng)的變量，保留相對獨(dú)立的，去掉那些具有共線性(特征變量之間高度相關(guān))的變量。例如：催收案件中逾期階段和逾期天數(shù)這兩個(gè)指標(biāo)就具有較大的相關(guān)性，模型中只需選擇一個(gè)作為自變量；(3)對數(shù)據(jù)進(jìn)行采樣和特殊的格式化處理，將處理后的數(shù)據(jù)裝載到內(nèi)存數(shù)據(jù)庫或其他數(shù)據(jù)庫，基于該步驟獲得的特征量用于建模分析。具體如下：對催收行為結(jié)果進(jìn)行分析，催收回款成功和催收回款失敗的數(shù)據(jù)量相差很大，尤其是逾期m4+以上的案件，數(shù)據(jù)集中樣本較多的那一類稱為“大眾類”，樣本較少的那一類稱為“小眾類”。因此在模型訓(xùn)練前，通過對訓(xùn)練集進(jìn)行采樣處理使其從不平衡的數(shù)據(jù)集變成平衡的數(shù)據(jù)集；常用的處理不平衡數(shù)據(jù)方法(上采樣、下采樣、數(shù)據(jù)合成)，諸如采用下采樣的方法從“大眾類”中剔除一些樣本，獲取所述平衡樣本集；對客戶數(shù)據(jù)進(jìn)行格式化處理包括：(1)對客戶數(shù)據(jù)中因變量進(jìn)行二元變量賦值，例如：對于催收行為結(jié)果，設(shè)置1：還款大于50塊。0：還款小于50塊(2)不同自變量之間的數(shù)據(jù)范圍不一致，諸如用神經(jīng)網(wǎng)絡(luò)算法建模時(shí)，還需進(jìn)行歸一化處理。對信用信息進(jìn)行數(shù)據(jù)分析處理之后即可建立風(fēng)險(xiǎn)評分模型。具體地，根據(jù)逾期客戶行為歷史的特征以及個(gè)人屬性信息樣本庫，利用諸如機(jī)器學(xué)習(xí)相關(guān)算法(分類器、logistic回歸、神經(jīng)網(wǎng)絡(luò)等)進(jìn)行模型訓(xùn)練，預(yù)測逾期案件催收回款風(fēng)險(xiǎn)概率，并將案件的回款概率轉(zhuǎn)成催收評分，最終得到催收評分模型。然后，可根據(jù)評分情況將催收對象劃分為若干風(fēng)險(xiǎn)等級，進(jìn)而實(shí)施具有針對性的催款策略。下面以一個(gè)具體的例子來進(jìn)一步闡述實(shí)施過程。客戶數(shù)據(jù)均來自某消費(fèi)金融公司的一批逾期案件，該數(shù)據(jù)集共包含6136個(gè)客戶逾期案件。案件信息屬性及含義見表1，其中變量x1-x14表示個(gè)人信用信息相關(guān)自變量，y用來表示逾期案件催收回款結(jié)果表現(xiàn)。表1某消費(fèi)金融公司催收對象信用信息變量字段類型描述因變量y回款分類變量1：還款大于50塊；0：還款小于50塊自變量x1年齡連續(xù)變量通過身份證號提取，以2016年為年限自變量x2首次逾期期數(shù)連續(xù)變量首次逾期時(shí)間-貸款日期自變量x3性別分類變量1：男；0：女自變量x4逾期階段分類變量逾期階段自變量x5商品價(jià)格連續(xù)變量金額自變量x6借款連續(xù)變量金額自變量x7首付連續(xù)變量金額自變量x8分期期數(shù)連續(xù)變量期數(shù)自變量x9月還款金額連續(xù)變量金額自變量x10當(dāng)前欠款連續(xù)變量金額自變量x11貸款類型分類變量1：商品貸；2：現(xiàn)金貸自變量x12是否有qq分類變量1：有；0：無自變量x13是否有住址分類變量1：有；0：無自變量x14是否有公司分類變量1：有；0：無將以上6136個(gè)客戶案件數(shù)據(jù)按8:2比例分成兩個(gè)部分：前4909個(gè)客戶數(shù)據(jù)用作訓(xùn)練樣本；后1227個(gè)客戶案件數(shù)據(jù)作為預(yù)測數(shù)據(jù)集來檢驗(yàn)?zāi)Ｐ?，并將預(yù)測值與催收回款結(jié)果進(jìn)行比較，評價(jià)模型實(shí)際效果。本發(fā)明建立風(fēng)險(xiǎn)評分模型技術(shù)方案的具體實(shí)施過程，包括如下：對信息庫中的案件特征進(jìn)行統(tǒng)計(jì)分析，具體如下:通過箱線圖直觀明了地識別數(shù)據(jù)中的異常值，以及數(shù)據(jù)的分散程度；通過刪除包含缺失值或異常值的案件或用合理的數(shù)值(平均值)代替。通過計(jì)算相關(guān)系數(shù)來測定變量之間關(guān)系密切程度的量。其中自變量相關(guān)系數(shù)見圖3，去除特征變量之間高度相關(guān)的特征，保留其中一個(gè)；例如：x4，x5，x6，x8強(qiáng)相關(guān)，選取x4作為特征變量。對催收回款結(jié)果進(jìn)行分析，催收回款失敗樣本數(shù)量遠(yuǎn)高于催收成功樣本，因此用采樣的方法從催收回款失敗樣本中剔除一些樣本，獲取平衡樣本集；對于催收結(jié)果，設(shè)置1：還款大于50塊；0：還款小于50塊。本實(shí)施例以logistic回歸模型描述，logistic是最成熟也是應(yīng)用最廣泛的分類模型。logistic回歸主要用來預(yù)測離散因變量與一組自變量之間的關(guān)系，最常用的是二值型logistic。即因變量的取值只包含兩個(gè)類別，例如：催收回款成功、催收回款失??；常用y＝1或y＝0表示，x表示特征變量則p(y＝1|x)表示在x的條件下y＝1的概率，logistic回歸的數(shù)學(xué)表達(dá)式為：其中稱為優(yōu)勢比(odds)，即發(fā)生與不發(fā)生的概率之比,可以根據(jù)上式反求出：然后通過最大似然估計(jì)，計(jì)算出模型的參數(shù)，輸出逾期案件催收回款概率，并將案件的風(fēng)險(xiǎn)概率轉(zhuǎn)成催收評分，最終得到催收評分模型。為了評價(jià)本發(fā)明技術(shù)方案的準(zhǔn)確性，在具體實(shí)施方式中，采用roc曲線可以幫助我們清楚的了解到這個(gè)模型的性能表現(xiàn)。參見圖4，在繪制roc曲線的時(shí)候，習(xí)慣上是使用fpr(falsepositiverate)作為橫坐標(biāo)，tpr作為縱坐標(biāo)。這是就形成了roc曲線。而auc(areaundercurve)被定義為roc曲線下的面積，顯然這個(gè)面積的數(shù)值不會大于1。又由于roc曲線一般都處于y＝x這條直線的上方，所以auc的取值范圍在0.5和1之間。使用auc值作為評價(jià)標(biāo)準(zhǔn)是因?yàn)楹芏鄷r(shí)候roc曲線并不能清晰的說明哪個(gè)模型的效果更好，而作為一個(gè)數(shù)值，對應(yīng)auc更大的模型效果更好。將后1227個(gè)客戶逾期案件數(shù)據(jù)集的數(shù)據(jù)屬性值輸入到評分模型中，使用該模型計(jì)算出未來催收還款的概率值(概率越高，表明還款的可能性越高)，圖4是實(shí)施例的roc曲線，auc是0.82，這表明本技術(shù)方案獲得了比較高的預(yù)測精度。評分設(shè)定的分值刻度可以通過分值表示為催收回款成功和催收回款失敗概率比對數(shù)log(odds)的線性表達(dá)式來定義：score＝a+b*log(odds)在實(shí)際應(yīng)用中，可根據(jù)逾期案件催收回款設(shè)置特定的概率值，用以評估客戶還款的意愿。例如，如果某逾期案件回款的概率值屬于區(qū)間[0.7,1],那么可認(rèn)為該逾期客戶還款意愿大，對應(yīng)的評分范圍屬于“低風(fēng)險(xiǎn)客戶”；如果某逾期案件回款的概率值屬于區(qū)間[0.3,0.7),那么可認(rèn)為該逾期客戶還款意愿一般，對應(yīng)的評分范圍屬于“中風(fēng)險(xiǎn)客戶”；如果某逾期案件回款的概率值屬于區(qū)間[0,0.3),那么可認(rèn)為該逾期客戶還款意愿很小，對應(yīng)的評分范圍屬于“高風(fēng)險(xiǎn)客戶”。為便于推廣和理解，最總以評分形式呈現(xiàn)出來，評分越高，還款意愿越大?；谒鲈u分模型，實(shí)施針對性的催款策略。具體地，所述評分模型對于任意逾期案件，按評分可預(yù)測為高風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)，然后細(xì)化貸后催收工作，并對不同風(fēng)險(xiǎn)等級客戶案件實(shí)行“名單管理制定”，分為若干組別，采取針對性實(shí)施催收措施。例如，對低風(fēng)險(xiǎn)預(yù)期時(shí)間短的客戶，可采用電話催收方式；對中等風(fēng)險(xiǎn)客戶，可采取警示型的電話催收方式；對高風(fēng)險(xiǎn)客戶，如果采取警示型催收方式不生效，則加大催收力度，采取上門催收的方式，以加快收回欠款。待催收人員實(shí)施催收動作后，將催收記錄更新個(gè)人信息中心庫，完善信息收集，實(shí)時(shí)更新用戶信息。其中催收記錄可包括回款信息，聯(lián)系人信息更新，以及誠信度信息更新，來提高數(shù)據(jù)質(zhì)量，減少異常值和缺失值，不斷地檢測、跟蹤、修正、改進(jìn)模型，提高模型有效性和參數(shù)穩(wěn)定性。本發(fā)明還公開了一種基于信用評分的催收裝置。在此，所述裝置包括但不限于進(jìn)行交互的電子產(chǎn)品，例如計(jì)算機(jī)、服務(wù)器等。本領(lǐng)域技術(shù)人員應(yīng)該理解，其他的設(shè)備同樣適用本發(fā)明，也應(yīng)該包括在本發(fā)明保護(hù)范圍以內(nèi)。所述催收裝置包括催收對象信用信息收集模塊、信用信息處理模塊和信用風(fēng)險(xiǎn)評分模塊。其中，各模塊的功能如下：(1)催收對象信用信息收集模塊：所述收集模塊可收集催收對象的信用信息，并建立信用信息庫，所述信用信息庫中包括多項(xiàng)信用指標(biāo)。其中，以逾期案件為例，以逾期客戶行為歷史為核心的一系列屬性，綜合考慮借款人和債項(xiàng)兩方面因素，并考慮時(shí)間窗，嘗試探索這些維度指標(biāo)在某一段時(shí)間的表現(xiàn)，匯總數(shù)據(jù)。所述信息收集也可以通過網(wǎng)絡(luò)爬蟲等互聯(lián)網(wǎng)技術(shù)獲取數(shù)據(jù)信息或相關(guān)屬性。(2)信用信息處理模塊：所述信用信息處理模塊可對所述信用信息庫中的信用信息進(jìn)行篩選，缺失值以及異常值可剔除或采用平均值代替，確定在建模過程中可作自變量的信用指標(biāo)；并對上述可作自變量的信用指標(biāo)進(jìn)行相關(guān)性分析，剔除具有共線性的信用指標(biāo)，保留相對獨(dú)立的信用指標(biāo)作為特征變量；最后對上述信用信息進(jìn)行采樣和格式化處理；(3)信用風(fēng)險(xiǎn)評分模塊：所述信用風(fēng)險(xiǎn)評分模塊可利用機(jī)器學(xué)習(xí)算法建立信用風(fēng)險(xiǎn)評分模型，根據(jù)催收對象的歷史信用信息來訓(xùn)練所述評分模型；將格式化處理后的特征變量代入所述信用風(fēng)險(xiǎn)評分模型，即可計(jì)算得到催收回款風(fēng)險(xiǎn)概率，根據(jù)該風(fēng)險(xiǎn)概率轉(zhuǎn)化為催收評分，然后根據(jù)上述催收評分可確定所述催收對象的風(fēng)險(xiǎn)等級；根據(jù)所述風(fēng)險(xiǎn)等級，即可實(shí)施具有針對性的催款策略。進(jìn)一步地，還包括催收記錄更新模塊，所述催收記錄更新模塊可將實(shí)施的催款記錄反饋到所述信用信息庫中，更新或完善所述信用信息。其中催收記錄可包括回款信息，聯(lián)系人信息更新，以及誠信度信息更新，來提高數(shù)據(jù)質(zhì)量，減少異常值和缺失值，不斷地檢測、跟蹤、修正、改進(jìn)模型，提高模型有效性和參數(shù)穩(wěn)定性。所述催收裝置的工作過程可參考上述催收方法的實(shí)施流程。本發(fā)明具有如下優(yōu)點(diǎn)：本發(fā)明可根據(jù)催收評分結(jié)果自動判斷其風(fēng)險(xiǎn)的高低，從而合理確定客戶的催收策略，有利于提高催收的效果，減少壞賬損失。通過數(shù)據(jù)挖掘作為分析技術(shù)，利用線上、線下數(shù)據(jù)、聯(lián)絡(luò)人完善信息收集，可以節(jié)省建模時(shí)間，為催收行業(yè)提供了數(shù)據(jù)支持。實(shí)時(shí)更新用戶信息，獲取的用戶信息數(shù)據(jù)更具有真實(shí)性，能更準(zhǔn)確的預(yù)測催收風(fēng)險(xiǎn)評分，實(shí)施最適合的催收策略，提高催收任務(wù)效率。根據(jù)上述說明書的揭示和教導(dǎo)，本發(fā)明所屬領(lǐng)域的技術(shù)人員還可以對上述實(shí)施方式進(jìn)行變更和修改。因此，本發(fā)明并不局限于上面揭示和描述的具體實(shí)施方式，對發(fā)明的一些修改和變更也應(yīng)當(dāng)落入本發(fā)明的權(quán)利要求的保護(hù)范圍內(nèi)。此外，盡管本說明書中使用了一些特定的術(shù)語，但這些術(shù)語只是為了方便說明，并不對發(fā)明構(gòu)成任何限制。當(dāng)前第1頁12