一种基于多尺度异构图嵌入算法的事件检测方法

1.本发明属于计算机技术领域，涉及图嵌入技术，具体涉及一种通过异构随机游走、信息素传播算法以及基于三元组采样的多尺度异构图嵌入算法完成跨域的多视图事件检测任务的方法。


背景技术：

2.事件检测旨在从互联网平台发现现实世界中的事件。事件检测任务是舆情监控、舆情分析、风控检测等任务的重要基础。社会上的新闻事件传播快，范围广，影响大，快速准确对新闻事件划分归类有利于对事件进行全方面的了解评价并且可以及时采取措施遏制不良信息的进一步扩散。基于不同发表者的主观性以及事件的非全面性信息，同一件事情在这两个领域中可能有着不一样的视角甚至表达着完全相反的观点。这给传统的事件检测任务带来了巨大的挑战。于是多域事件检测任务(med)应运而生，它综合多个域的不同新闻事件，可以提供对事件的全面的描述。多个领域同时观察事件就可以更加贴切地感知到事件的全面，但同时多域的复杂性也给研究带来了挑战。首先，来自不同域的数据是多种形式的，例如来自在线新闻媒体的文本新闻文章，以及类似flickr的社交媒体上的视觉图像，很多判别模型都很难处理异构的数据。除此之外多模式数据有多个视图，文本文章具有报告时间，数据源(例如，雅虎、谷歌、cnn)以及文本内容，而flickr帖子拥有时间、用户身份、标签、gps数据以及视觉图像。多个数据视图对于识别和描述事件也是至关重要的，而多个视图的数据在形式上也构成了异构。其次，数据量大，更新率高，要求方法计算成本低，适用于动态更新的数据流。第三，由于大量的数据变化，例如新闻文章的不同立场和观点，以及不同的观点、分辨率、照明条件、不断变化的背景以及不同的采用时间或标记单词，原始数据通常在判别力方面较低。因此，在med的背景下学习数据的有效表示是至关重要的。
3.在事件检测领域，研究人员为了利用异构数据和数据视图，提出了后期融合和早期融合模型，用于在不同层次上进行信息融合。后期融合方法受困于昂贵的学习代价以及容易受单一模态的低分辨力所影响。早期融合模型基于亲和力图但也是计算密集型的。数据表示学习模型从多个低维子空间的联合中近似采样的同时利用了各种假设(例如非负性、稀疏性，低秩、局部不变性等)。多模态数据表示模型单纯地连接单个模态或者分别学习每个模态的表示，这忽略了模态之间的内在结构以及连接关系。
4.如何找到一种合适的方案既可以学习每个域内的事件特征又可以维护每一个模态之间的内在结构以及连接关系成为解决多模态事件检测问题的关键。而这也正是前面提到的异构网络嵌入技术所要解决的问题。


技术实现要素：

5.本发明的目的是为了解决现有技术中事件检测跨域事件检测任务的上述缺陷，提供一种基于三元组采样的多尺度异构图嵌入算法的事件检测方法。考虑到现实生活中的新闻事件普遍具有多种不同类型的特征例如文本特征、图像特征、时序特征等等，而这构成了
数据的异构性。当涉及到多领域数据的异构性时，图数据结构就可以很好地建模这样的异构数据形式，而事件检测任务它可以被认为是图上的节点分类任务。为此，本发明使用异构图建模异构的数据以解决多视图数据的异构性。此外，异构图嵌入技术来解决med任务，因为图嵌入方法在获得节点的低维表示方面有比较优秀的能力，所以本发明提出了一种新型的异构图嵌入方法。
6.本发明的目的可以通过采取如下技术方案达到：
7.本发明提出一种新型的异构图建模方法，对多视图的新闻事件数据集使用异构图进行建模数据，并开创性地在多域事件检测中使用图嵌入技术。另外，本发明还提出了一种多尺度的异构图嵌入方法，对异构图中节点之间的邻域特征以及长距离的图结构特征进行建模，可以很好地获得每个事件的嵌入表示，并利用获得的嵌入表示进行后续的事件分类任务。
8.一种基于三元组采样的多尺度异构图嵌入算法完成跨域的多视图事件检测任务的方法，该方法包含以下步骤：
9.s1、对新闻事件数据集，进行数据清洗和预处理的操作；
10.s2、对经过步骤s1处理的新闻事件数据集，根据定义的连边类型和节点类型进行异构图的构造；
11.s3、对步骤s2中获得的异构图，通过异构随机游走算法和异构信息素散布算法分别获得一系列的游走序列和原始图；
12.s4、对步骤s3中通过异构信息素散布算法获得的原始图，根据事先选择的阈值对原始图的连边以及节点进行合并，从而得到压缩后的子图；
13.s5、重复迭代进行步骤s4，直到压缩后的子图的边和节点的规模小于最小的连边压缩比例或者迭代的次数到达预设的最大值，获取得到一系列尺度的异构图；
14.s6、对步骤s5中获得的一系列尺度的异构图以及步骤s3中获取的各个尺度上的游走序列，进行滑动窗口采样得到三元组，并使用定义的三元组损失函数进行优化，得到不同尺度上异构图节点嵌入矩阵；
15.s7、对步骤s6中获得的每一个尺度图上的节点嵌入矩阵进行拼接，再运行pca降维算法将嵌入矩阵降维至预设指定的维度大小，从而得到最终的嵌入向量；
16.s8、对步骤s7中获得的嵌入矩阵，使用部分带标签的嵌入向量作为输入，训练一个线性分类器，对测试集中的嵌入向量作为线性分类器的输入，预测得到新闻事件的类别作为输出。
17.进一步地，在步骤s1中，由于新闻媒体和社交媒体中数据的复杂性，在构建异构图之前对原始数据进行预处理。来自新闻样本的异质性多视图数据对于描述和发现事件非常重要。因此，为了有效检测语义信息和上下文之间的关系，考虑以下数据视图：时空s、用户u、标签t、内容c、标题 i、图片m。进一步对原始数据进行预处理，以解决地中海任务数据中的数据缺失问题和低区分度问题。使用nltk和spacy工具提取新闻事件中的地理位置名词，并选择出现频率前三的地理位置名词作为本事件的地理信息特征。因此，将新闻报道的年份和提取的地点结合起来作为时空信息。例如，在一篇描述2015年天津的新闻报道中，提取的位置信息是天津和中国。可以将"2015年天津"和"2015年中国"作为两个时空节点来构建。使用词频-逆项文件频率模型(tf-idf)和句子嵌入来提取内容和标题的文本特征，使用
vgg-16模型提取图像特征。
18.进一步地，在步骤s2中，对于处理好的多个信息特征的原始数据，为了从中构建异构图，需要定义好异构图的连边类型以及节点类型，并且设计好如何建立不同特征信息和连边以及节点之间的构建关系。因此，对经过步骤s1处理的新闻事件数据集，定义四种类型的节点和六种类型的连边，其中，节点包括新闻字节(n)、时空节点(s)、标签节点(t)、用户节点 (u)，连边包括新闻-新闻连边(r
nn
)、新闻-用户连边(r
nu
)、新闻-标签连边 (r
nt
)、新闻-时空连边(r
ns
)、标签-标签连边(r
tt
)、时空-时空连边(r
ss
)。
19.其中新闻-新闻连边(r
nn
)包括三种不同的构造方式，分别通过计算新闻内容文本特征、新闻标题语义特征、新闻图片图像特征两两之间的相似度构造，计算公式如下：
[0020][0021]
其中表示节点i与节点j之间根据m类型特征构建的连边的权重，1表示节点i与节点j之间构建一条连边，0表示不构建连边，m＝1,2,3表示第m 种类型的特征，表示第i个节点vi第m种类型特征下的特征表示向量，表示第j个节点vj第m种类型特征下的特征表示向量，特征维度皆为h 维，是步骤s1中使用特征提取模型提取特征时设定的维度值，tm表示m 类型特征下的连边构造阈值，当特征之间相似度大于阈值才构造连边，其中θ(
·
)函数定义如下：
[0022][0023]
其中a、b表示两个特征向量，ah表示a向量第h维，bh表示b向量第h 维，总共维度是h维。通过θ(
·
)函数计算两个特征向量之间的相似度。
[0024]
剩余的类型连边根据原始数据中是否存在对应的关系建立连边，公式如下：
[0025][0026]
表示节点i与节点j之间根据(a,b)类型特征组合构建的连边的权重， 1表示节点i与节点j之间构建一条连边，0表示不构建连边，a,b代表提取的特征模态，包括标签模态t、用户模态u、新闻模态n、时空模态s，(a,b) 代表的是模态的组合，总共有五种类型，包括：新闻-标签模态组合(n,t)、新闻-时空模态组合(n,s)、新闻-用户模态组合(n,u)、时空-时空模态组合 (s,s)、标签-标签模态组合(t,t)，表示节点vi在特征模态a下的特征向量表示，表示表示节点vi在特征模态b下的特征向量表示。通过上述的连边构造函数，将多个信息特征的原始数据构造成设计好连边类型的异构图。
[0027]
进一步地，在步骤s3中，对于构建好的异构图，目的是获取其中新闻节点的嵌入向量以便后续使用其进行事件分类等下有任务。而基于游走的节点嵌入方法在获取图结构上
有比较好的效果，这样可以更大程度保留图上的结构信息更有利于获取高质量的嵌入向量。但异构图上不同类型的节点以及连边，给游走的节点选择顺序带来了一定的挑战，需要根据不同类型的节点或者连边来设计游走的策略以更好将异构的特征保存下来。所以设计一种根据异构节点类型选择概率归一化后的游走策略：异构游走算法。对步骤s2中获得的异构图使用异构随机游走算法，当游走到vi节点需要选择下一跳的节点时，首先以相等概率选择下一跳子图类型，再从这个子图节点类型中按照边的权重选择下一跳的节点，选择的概率与边的权重成正比的关系，公式如下：
[0028][0029]
其中p(v
i 1
|vi)表示当游走到vi节点时，选择v
i 1
作为下一跳节点的概率， vi表示异构图中的第i个节点，v
i 1
表示异构图中的第i 1个节点，vk表示异构图中的第k个节点，w表示异构图的邻接矩阵，其中w
ij
表示邻接矩阵中第i行第j列的值的大小，在异构图中表示第i个节点与第j个节点之间的连边的边的权重，w
ik
表示邻接矩阵中第i行第k列的值的大小，在异构图中表示第i个节点与第k个节点之间的连边的边的权重，|si|表示与节点i 相连的节点的类型的个数，n(vi)表示vi的邻居的节点类型的集合，φ(n(vi))表示与节点vi的节点类型不相同的邻居节点类型集合，ns(vi)表示与vi节点相同节点类型的邻居集合，ξ表示边的集合。
[0030]
异构随机游走算法可以横向获取异构图上的结构特征，可以获取到在异构图上相隔比较远但是有关联的节点，如同深度优先搜索算法一般。这样即使两个节点没有实际的邻接关系也可以被游走算法获取，其结构特征的相似性在后续的训练中会被获取并反应在其嵌入向量上。为了增加这种远距离结构相似节点被游走算法获取的概率，希望可以对异构图进行压缩，反映到节点和连边上就是进行合并。这样整个图的规模就会下降，异构图中远距离结构相似的节点就会更有可能被异构游走算法获取。所以设计了一种异构图的塌缩算法对异构图的规模进行压缩。
[0031]
在异构随机游走的过程中同时运行异构的信息素散布算法，信息素散布算法根据边上的权重以及边上的信息素浓度进行下一跳的选择，选择完下一跳会在之间的连边散布信息素，信息素浓度的计算是根据游走过程中从节点vi出发到回到节点vi中间的路径长度的反比散布，信息素浓度的计算公式如下：
[0032][0033]
其中i
′
表示散布的迭代次数为第i
′
次，(i 1)
′
表示散布的迭代次数为第 (i 1)
′
次。表示节点i与节点j之间连边的在第(i 1)
′
次迭代中的信息素浓度，表示节点i与节点j之间连边的在第i
′
次迭代中的信息素浓度，l(vi)表示从vi节点出发到回到vi中间的路径长度中的节点集合，
[0034][0035]
其中β表示信息素的消失系数，第i
′
次迭代的信息素传播后，第(i 1)
′
次迭代过程中从vi节点跳转到vj节点的转移概率，计算公式如下：
[0036][0037]
其中p(vi→
vj)
(i 1)
′
表示在第i 1次迭代过程中从节点vi选择节点vj进行信息素传播的概率。表示在第i次信息素散布后节点i和节点j之间的连边上的信息素浓度，表示在第i次信息素散布后节点i和节点k之间的连边上的信息素浓度，α表示信息素浓度的重要性。通过上述异构信息素散布算法，获得连边上散布完信息素后的异构图，后续步骤就根据连边的信息素浓度来进行连边的合并。
[0038]
进一步地，为了对原始的异构图进行压缩，在步骤s4中，对步骤s3由异构信息素散布算法获得的散布完信息素后的原始异构图，根据预先设定的阈值对原始异构图g0的连边以及节点进行合并，选择异构图中连边信息素超过预先设定的阈值的连边，合并这条连边连接的节点；在给定的原始图g0上选择完需要合并的边之后，将这些连边两端的节点合并成图g1上的超节点，从而使得原始图g0简化成更细粒度的子图g1。
[0039]
进一步地，在得到原始异构图压缩后的异构图子图g1后，需要更进一步压缩异构图，压缩的程度越大，异构图的细粒度就越大，相邻的结构相似的节点就会在下一层次异构图子图中被合并成一个超节点，而结构距离远但相似的节点就会在新的异构图子图中距离更加接近。在步骤s5中，对步骤s4中通过异构图获得的压缩后的子图g1，设置最大的迭代代数以及最小的连边压缩比例，迭代地运行异构随机游走算法以及异构信息素散布算法，进行异构游走序列的获取以及原始图g0的压缩，获得一系列的压缩后的子图以及每个子图上游走出的异构游走序列：
[0040]
ψg＝《g0,g1,
…
,g
l
》
[0041][0042]
其中ψg表示包括原始异构图以及所有压缩后的异构子图的图集合，g0是原始的异构图，g1是原始异构图压缩一次后的异构图的子图，g
l
是最高等级的异构图的子图，ψs表示每一个异构图子图上运行异构随机游走算法获取出的游走序列的集合，表示原始异构图g0运行异构随机游走算法获取的异构游走序列，表示异构图子图g1运行异构随机游走算法获取的异构游走序列，表示异构图子图g
l
运行异构随机游走算法获取的异构游走序列。这里称异构图集合中的每一个异构图为多个尺度的异构图子图，而这多个尺度的异构图的子图构成异构图金字塔。
[0043]
进一步地，为了获取节点的嵌入向量，需要对游走出的异构游走序列进行滑动窗口的采样，采样出正负样本对，并将其赋予随机初始化的向量并输入设计好的损失函数进行优化，最终优化得到的结果就是节点的嵌入向量。在步骤s6中，对步骤s5通过压缩获得的一系列尺度的子图以及通过异构随机游走算法游走获得的每一个尺度上的异构游走序列，
使用固定大小的滑动窗口进行滑动获取窗口中的中心节点vj和上下文节点v
j t
，并为每一对这样的样本对随机在剩下的节点中抽取一个负样本节点vk，从而形成三元组的中心样本节点和正、负样本三元组。对异构图中所有的节点随机初始化初始嵌入向量，将获取到的三元组样本对对应的嵌入向量输入设定的三元组损失函数中进行优化，通过最大化损失函数可以获得每个节点在此尺度下异构图中的向量表示。基于三元组采样的损失函数优化方法，既考虑了中心词样本与正样本之间的拉进关系，也考虑了中心词样本与负样本之间的推远关系，并且在优化损失函数的过程中实现推远与拉进的动态平衡。可以比传统的负采样损失函数优化方式更好地获取新闻事件的嵌入表示，能为下游的新闻事件检测提供良好的嵌入表示。
[0044]
其中损失函数的定义如下：
[0045][0046]
其中x(vj)表示节点vj的嵌入向量，x(vk)表示节点vk的嵌入向量，x(v
j t
)表示节点v
j t
的嵌入向量，初始化采用随机初始化，w表示滑动窗口的大小，通过在不同尺度的异构图的子图上使用以上损失函数优化，获取得到不同尺度异构图的子图上的节点嵌入矩阵集合。
[0047]
进一步地，压缩后的异构图子图可以使得特征相似但是图结构距离远的节点的嵌入向量更加相似，但是因为直接合并了上一个更细粒度异构图子图的节点，使得原本结构上距离较近的一些节点的嵌入向量是共享的，单独使用某一个尺度的异构图嵌入向量作为最终的嵌入向量都是不能很好兼顾图结构距离近和远节点之间的关系的。所以设计将所以尺度的嵌入向量矩阵进行首尾拼接，使得每一个节点的嵌入向量维度成倍的增加，增加的倍数根据压缩后异构图的子图的数量，这样每一个节点的嵌入向量就可以包含各个尺度异构图上的结构特征。在步骤s7中，对步骤s6中获取的一系列尺度异构图的嵌入表示矩阵，进行首尾拼接，得到一个维度是 |v0|
×
(l 1)d的矩阵
[0048][0049]
其中表示最原始的异构图g0的嵌入表示矩阵，表示迭代压缩原始异构图产生的子图g1,
…gl
所分别获得的嵌入表示矩阵，是 |v0|行d列的矩阵，d是事先设定的嵌入向量的维度，|v0|表示原始图g0的节点的个数，concat(
·
)表示拼接操作。为了保持最后获得的嵌入向量的维度将完成拼接的|v0|行(l 1)d列的矩阵使用pca降维方法降维至|v0|行d列的矩阵 pca(
·
)表示pca降维操作，获得融合多个尺度异构图的节点嵌入向量矩阵。
[0050]
进一步地，跨域的事件检测任务一般可以理解成以下的模式：获取每一个域中每一个新闻事件的表征向量并且训练一个分类器，将其中源域中每个事件抽取百分之十的新闻事件，并将其带标签的表征向量输入训练器训练，并使用此分类器来预测目标域中所有新闻事件的标签。这样的过程和图中的节点分类任务相类似。在步骤s8中，使用获得的多个
尺度异构图的节点嵌入向量矩阵，将部分带标签的嵌入向量作为输入，训练一个线性分类器，然后将真实的新闻事件数据集中的嵌入向量作为线性分类器的输入，预测得到的类别作为输出，从而实现新闻事件的标签预测。
[0051]
本发明相对于现有技术具有如下的优点及效果：
[0052]
(1)本发明提出了一种建模现实世界真实新闻事件数据的异构图构建方法，既可以建模每个域内的事件之间的直接联系关系，又可以维护每一个模态之间的内在结构以及特征相似性关系。
[0053]
(2)本发明提出的异构随机游走算法可以有效地挖掘异构图中的局部图结构信息，提出的异构信息素散布算法结合异构图压缩聚合算法可以有效地挖掘图中的全局图结构信息。得到的最终嵌入向量同时获取到了异构图结构的局部特征以及全局特征，更加有利于后续的事件检测任务。
[0054]
(3)本发明提出的基于三元组采样的损失函数优化方法，既考虑了中心词样本与正样本之间的拉进关系，也考虑了中心词样本与负样本之间的推远关系，并且在优化损失函数的过程中实现推远与拉进的动态平衡。比传统的负采样损失函数优化方式更好地获取新闻事件的嵌入表示，能为下游的新闻事件检测提供良好的嵌入表示。
[0055]
(4)本发明在真实世界中采集的数据集能够取得比较好的效果，对比起先前的事件检测算法在不同的指标下都有比较好的提升。
附图说明
[0056]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0057]
图1是本发明公开的基于多尺度异构图嵌入算法的事件检测方法的流程图；
[0058]
图2是本发明中利用异构随机游走以及信息素传播算法构造多尺度金字塔的流程图。
具体实施方式
[0059]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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。
[0060]
实施例
[0061]
本实施例提供一种应用于真实跨域事件检测数据集的解决方案，包括以下部分：运行设定的异构图构造方案构建异构图；运行异构随机游走算法以及异构信息素散布算法构建异构游走序列以及信息素分布异构图；运行异构图压缩算法获取多尺度的异构图子图金字塔；在异构图子图金字塔上每一个子图都分别运行三元组采样算法以及优化损失函数获取每一个尺度节点嵌入矩阵；首尾拼接每一尺度的嵌入矩阵并降维至合适的维度，并利用该最终生成的矩阵训练分类器完成跨域事件检测任务。
[0062]
在本实施例的具体流程如下：
[0063]
t1、对于真实世界数据集wiki-flickr-event-dataset，其数据包含9722 条新闻
媒体公布的新闻事件报道以及23500条爬取于flickr网站的带图片的新闻事件报道，这些新闻事件总共来源于100个真实发生的事件。更具体的，新闻媒体报道的新闻摘录于雅虎新闻、谷歌新闻、cnn新闻、纽约时报、nbc新闻等新闻媒体。flickr网站上的新闻事件发布于269名flickr 网站用户。为了有效检测语义信息和上下文之间的关系，分别根据以下数据视图：时空、用户、标签、内容、标题、图片来对原始数据进行特征的提取。根据提出的节点和连边构造方案来构建异构图的连边，进一步构建出的异构图总共包含55783个节点，其中33222个新闻节点，13097个标签节点，，2041个用户节点，7423个时空节点以及2057277条边，其中包含新闻-时空连边55753条、新闻-用户连边23500条、新闻-标签连边266407 条、标签-标签连边53452条、时空-时空连边50414条、新闻-新闻连边 1683011条。
[0064]
t2、对已构建的异构图运行异构随机游走算法以及异构信息素散布算法，分别设置每一个节点作为起点进行采样的重复采样最大次数c1、每一个游走序列的最大长度c2、信息素重要度c3、信息素消散度c4、信息素迭代次数c5；最终得到原始异构图的异构随机游走序列s0以及原始异构图的信息素散布图g0。
[0065]
t3、对上述信息素散布图上连边的信息素浓度大于c5的连边进行合并，连边上的节点也进行合并，可以得到压缩后的异构图的子图g1。设置最大的合并层数c6以及连边数量的最小下限c7以及节点数量的最小下限c8，迭代对新产生的异构图子图运行上述的异构随机游走算法，异构信息素散布算法以及合并压缩异构图的算法得到异构图子图的集合以及这些子图上采样完成的异构随机游走序列的集合。
[0066]
t4、对上述得到的异构随机游走序列集合分别进行三元组的采样，采样出中心节点以及正负样本节点三元组对，并将其放入损失函数中优化得到最终每一个尺度图的嵌入向量矩阵。将每一个尺度的嵌入向量矩阵进行首位拼接并使用pca降维算法将其降维至需要的最终的嵌入向量维度c9。使用源域中百分之十的带标签的嵌入向量对线性分类器进行分类，可以预测目标域中所有新闻事件的标签从而完成事件检测任务。
[0067]
综上，上述实施例首次提出采用网络嵌入的方式解决多模态事件检测问题。该方法通过对含有多种模态的原始新闻事件进行特征提取构建异构图，并在异构图上运行异构随机游走算法以及信息素传播算法获取带有信息素的游走序列；接着迭代地根据图上的信息素浓度压缩此尺度的异构图获取下一尺度的异构图从而获取一系列尺度的异构图；接着在不同尺度的异构图获取的序列上通过滑动窗口获取三元组样本并通过提出的损失函数优化神经网络得到每个尺度上节点的嵌入向量矩阵；将不同尺度的嵌入向量矩阵进行首位拼接并使用pca算法降维至需要的维度的嵌入向量，并训练分类器进行标签的预测从而实现新闻事件的分类。相比于已有的事件检测方法，本发明对现实世界的新闻事件数据集进行异构图的构建，并采用了一种基于三元组损失的多尺度异构图嵌入方法获取新闻事件的嵌入表示，能为下游的新闻事件检测提供良好的嵌入表示。另外，本发明提出的异构游走算法可以有效地挖掘异构图中的局部图结构信息，提出的异构多尺度图嵌入算法可以有效地挖掘图中的全局图结构信息。本发明在真实世界中采集的数据集能够取得比较好的效果，对比起先前的事件检测算法在不同的指标下都有比较好的提升。
[0068]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。