一种建立逾期风险识别模型的方法和装置与流程

1.本技术涉及计算机技术领域，尤其涉及一种预建立逾期风险识别模型的技术方案。


背景技术：

2.大数据风控是指通过运用大数据构建模型的方法进行风险控制和风险提示，通常风控建模的步骤包括数据获取、样本筛选、数据清洗、特征工程及模型建立。现有技术在针对周期性行为进行风控建模时，一般在定义好特征和标签后，就可以用模型直接学习每个用户逾期的概率，而标签的定义是用户在周期性行为对应的整个过程是否出现过逾期，也即，对所有出现逾期的用户统一标注为坏用户，现有技术在建模过程中也仅考虑上述所定义的标签，由此所建立的风控模型仅能用于识别用户是否逾期。


技术实现要素：

3.本技术的目的是提供一种基于多任务学习的建立逾期风险识别模型的技术方案，通过在建模过程中考虑基于用户逾期行为所确定的期数，使得能够通过逾期风险识别模型学习用户是否逾期以及用户逾期的账期，从而精细刻画用户风险，识别出逾期速度更快的用户。
4.根据本技术的一个实施例，提供一种建立逾期风险识别模型的方法，其中，所述方法包括：
5.获得周期性行为对应的训练数据；
6.对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息；
7.根据所述数据特征信息，并使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。
8.根据本技术的另一个实施例，还提供了一种建立逾期风险识别模型的装置，其中，所述装置包括：
9.用于获得周期性行为对应的训练数据的装置；
10.用于对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息的装置；
11.用于根据所述数据特征信息，并使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型的装置，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。
12.根据本技术的另一个实施例，还提供了一种计算机设备，其中，所述计算机设备包括：存储器，用于存储一个或多个程序；一个或多个处理器，与所述存储器相连，当所述一个或多个程序被所述一个或者多个处理器执行时，使得所述一个或多个处理器执行如下操
作：
13.获得周期性行为对应的训练数据；
14.对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息；
15.根据所述数据特征信息，并使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。
16.根据本技术的另一个实施例，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序可被处理器执行如下操作：
17.获得周期性行为对应的训练数据；
18.对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息；
19.根据所述数据特征信息，并使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。
20.与现有技术相比，本技术具有以下优点：使用了与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，该损失函数中使用了基于用户逾期行为所确定的期数作为参数，且该参数取值越大所给予的惩罚越小也即风险越小，从而使得能够通过逾期风险识别模型同时学习用户是否逾期以及用户逾期的期数，从而精细刻画用户风险，识别出逾期速度更快的用户。
附图说明
21.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
22.图1示出了本技术一个实施例的用于建立逾期风险识别模型的方法的流程示意图；
23.图2示出了本技术一个实施例的用于建立逾期风险识别模型的装置的结构示意图；
24.图3示出了可被用于实施本技术中所述的各个实施例的示例性系统。
25.附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
26.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
27.在上下文中所称“设备”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器与存储器，由处理器执行
在存储器中预存的程序指令来执行预定处理过程，或是由专用集成电路(asic)、现场可编程门阵列(fpga)、数字信号处理器(dsp)等硬件执行预定处理过程，或是由上述二者组合来实现。
28.本技术的技术方案主要由计算机设备来实现。其中，所述计算机设备包括网络设备和用户设备。所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloud computing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述用户设备包括但不限于pc机、平板电脑、智能手机、iptv、pda、可穿戴设备等。其中，所述计算机设备可单独运行来实现本技术，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本技术。其中，所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、vpn网络、无线自组织网络(ad hoc网络)等。
29.需要说明的是，上述计算机设备仅为举例，其他现有的或今后可能出现的计算机设备如可适用于本技术，也应包含在本技术保护范围以内，并以引用方式包含于此。
30.本文后面所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时，用以实施必要任务的程序代码或代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。
31.这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本技术的示例性实施例的目的。但是本技术可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。
32.应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
33.这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
34.还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
35.本技术发现，一些周期性行为通常对应较多个期数，例如借贷后的还款行为通常包括至少12个账期，而现有技术中建立风控模型时仅会考虑整个过程中用户是否发生逾期，而并未意识到整个过程中不同时间出现逾期风险的可能是不一样的，例如，用户在整个还款期内不同账期出现逾期的风险是不同的，本技术意识到用户出现逾期的时间越早，则风险水平更高，然而在现有标签定义下，会对所有出现逾期的用户都统一标注为坏用户，而并未考虑到用户在不同时间发生逾期的风险是不同的，因此，现有风控模型所得到的风险
评估并不准确，无法精细化识别用户风险。针对上述技术问题，本技术提供了一种新的建立逾期风险识别模型的技术方案，通过区分逾期时间，能够将模型对风险的识别能力从仅能识别用户是否逾期，提升到识别用户逾期的期数，即逾期越早，风险越大，由此通过学习多个任务，能够精细刻画风险。
36.下面结合附图对本技术作进一步详细描述。
37.图1示出了本技术一个实施例的用于建立逾期风险识别模型的方法的流程示意图。根据本实施例的方法包括步骤s11、步骤s12和步骤s13。在步骤s11中，计算机设备获得周期性行为对应的训练数据；在步骤s12中，计算机设备对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息；在步骤s13中，计算机设备根据所述数据特征信息，并使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。
38.在步骤s11中，计算机设备获得周期性行为对应的训练数据。其中，所述周期性行为包括任何需要用户周期性地执行相同或相似操作的行为，所述周期性行为对应多个周期，每个周期对应的时长可能相同也可能不同。在一些实施例中，所述周期性行为为包括多个还款账期的还款行为，例如用户借贷后需要分12期进行还款，也即该还款行为包括12个还款账期。在一些实施例中，计算机设备从大数据分布式存储系统读取大量用户针对周期性行为所产生的数据；在一些实施例中，所述训练数据包括但不限于跨企业、企业内部跨部门、跨分/子公司的各不同服务器、跨数月甚至数年的较长时间窗口数据所汇总(或进一步处理)所得到的数据。在一些实施例中，所述训练数据中包括收集到的大量用户针对周期性行为所产生的历史数据，如周期性行为对应的总期数、用户在每期(即每个周期)所产生的行为数据(如按时还款行为、逾期行为、延期申请行为等)、用户是否发生过逾期行为等。
39.在步骤s12中，计算机设备对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息。其中，所述数据预处理操作包括任何对收集到的数据进行预处理的操作；在一些实施例中，所述数据预处理操作包括但不限于样本筛选操作、数据清洗操作、缺失值处理、异常值处理等；例如，计算机设备针对收集到的训练数据执行按照字段名选取、按照时间范围选取、去空去重等数据清洗操作。在一些实施例中，从训练数据中选择总期数大于预定期数的周期性行为对应的样本数据，更优选地，从训练数据中选择总期数大于低于预定期数且小于第二预定期数的周期性行为对应的样本数据，以保证样本群体分类的稳定性，使客户的逾期行为充分表现出来，且避免总期数过程而影响数据完整性。在一些实施例中，特征工程包括特征构建、特征筛选等操作；在一些实施例中，特征筛选包括根据特征变量的信息增益值和相关系数进行特征筛选，相关系数强的变量之间，保留信息增益值较大的特征变量。
40.在步骤s13中，计算机设备根据所述数据特征信息，并使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。在一些实施例中，所述损失函数中的期数的取值越大，该权重给予的惩罚越小也即风险越低，反之，期数的取值越小，该权重给予的惩罚越大也即风险越高。本技术训练得到逾期风险识别模型一方面学习用户是否逾期，一方面学习用户逾期的期数，通过学习多个任务，从而能够精细刻画风险。
41.在一些实施例中，根据用户的逾期行为，来确定该用户对应的数据在训练过程中所使用的损失函数；在一些实施例中，对于未逾期用户，所述期数大于所述周期性行为对应的总期数，也即好用户的惩罚最低；对于逾期用户，所述期数为用户首次逾期行为对应的期数，也即发生逾期行为越早，惩罚越高；例如，对于总的还款账期为12的还款行为，若用户每期按时还款并未发生逾期，则设定损失函数中包括的期数取值为13，由此使得未逾期用户(即好用户)的惩罚最低；又例如，对于总的还款账期为12的还款行为，若用户在第2个账期发生逾期，则设定损失函数中的期数取值为2，若用户在第10个账期发生逾期，则设定损失函数中的期数取值为10，由此使得用户逾期发生的越早则惩罚越高。在一些实施例中，在周期性行为对应的多个周期中，用户可能在间断的多个周期发生了逾期行为，则可将损失函数中的期数取值为用户首次发生逾期行为的期数，或者，也可基于用户逾期次数以及逾期行为对应的多个期数，来确定损失函数中的期数的最终取值(逾期次数越多，逾期越早，惩罚越高)。在一些实施例中，标签用于定义用户是否发生过逾期。
42.在一些实施例中，所述逾期风险识别模型为分类模型，而对分类模型来说，损失一般是交叉熵，损失函数表示如下：
[0043][0044]
其中，y表示标签，mob表示期数，p表示预测的概率值。其中，对于不逾期的用户，可将mob统一设置为同一数值，同时保证该数值大于周期性行为对应的最大期数。作为一个示例，对于总的还款账期为12的还款行为，若用户在第2个账期发生逾期，则mob取值为2。基于上述公式所预测得到的概率值能够反映用户逾期的时间早晚，风险越高则用户发生逾期的时间越早。需要说明的是，上述公式仅为举例，而非对本技术的限制，任何在损失函数中考虑基于用户逾期行为所确定的期数的方案均应包含在本技术的保护范围内(例如，通过对上述公式作简单变形所得到的公式也可用于分类模型；又例如，可利用上述公式中的对其他类型的损失函数进行更新)。在一些实施例中，还可在损失函数中增加逾期次数、相邻两次逾期之间的间隔时间等与用户逾期行为相关的参数，以更精细地刻画用户风险。
[0045]
在一些实施例中，将目标用户针对周期性行为的数据输入至训练得到的逾期风险识别模型，可识别得到该目标用户的逾期风险水平；在一些实施例中，对多个目标用户的逾期风险水平进行识别后，可基于识别结果对该多个目标用户进行风险排序。
[0046]
根据本技术的方案，使用了与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，该损失函数中使用了基于用户逾期行为所确定的期数作为参数，且该参数取值越大所给予的惩罚越小也即风险越小，从而使得能够通过逾期风险识别模型同时学习用户是否逾期以及用户逾期的期数，从而精细刻画用户风险，识别出逾期速度更快的用户。
[0047]
图2示出了本技术一个实施例的用于建立逾期风险识别模型的装置的结构示意图。该用于建立逾期风险识别模型的装置(也即图2中所示的“模型建立装置”)包括获得装置11、预处理装置12以及训练装置13。获得装置11用于获得周期性行为对应的训练数据；预处理装置12用于对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息；建模装置13用于根据所述数据特征信息，并
使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。
[0048]
获得装置11获得周期性行为对应的训练数据。其中，所述周期性行为包括任何需要用户周期性地执行相同或相似操作的行为，所述周期性行为对应多个周期，每个周期对应的时长可能相同也可能不同。在一些实施例中，所述周期性行为为包括多个还款账期的还款行为，例如用户借贷后需要分12期进行还款，也即该还款行为包括12个还款账期。在一些实施例中，获得装置11从大数据分布式存储系统读取大量用户针对周期性行为所产生的数据；在一些实施例中，所述训练数据包括但不限于跨企业、企业内部跨部门、跨分/子公司的各不同服务器、跨数月甚至数年的较长时间窗口数据所汇总(或进一步处理)所得到的数据。在一些实施例中，所述训练数据中包括收集到的大量用户针对周期性行为所产生的历史数据，如周期性行为对应的总期数、用户在每期(即每个周期)所产生的行为数据(如按时还款行为、逾期行为、延期申请行为等)、用户是否发生过逾期行为等。
[0049]
预处理装置12对所述训练数据执行数据预处理操作，利用数据预处理后的数据建立特征工程，获得所述训练数据对应的数据特征信息。其中，所述数据预处理操作包括任何对收集到的数据进行预处理的操作；在一些实施例中，所述数据预处理操作包括但不限于样本筛选操作、数据清洗操作、缺失值处理、异常值处理等；例如，预处理装置12针对收集到的训练数据执行按照字段名选取、按照时间范围选取、去空去重等数据清洗操作。在一些实施例中，从训练数据中选择总期数大于预定期数的周期性行为对应的样本数据，更优选地，从训练数据中选择总期数大于低于预定期数且小于第二预定期数的周期性行为对应的样本数据，以保证样本群体分类的稳定性，使客户的逾期行为充分表现出来，且避免总期数过程而影响数据完整性。在一些实施例中，特征工程包括特征构建、特征筛选等操作；在一些实施例中，特征筛选包括根据特征变量的信息增益值和相关系数进行特征筛选，相关系数强的变量之间，保留信息增益值较大的特征变量。
[0050]
训练装置13根据所述数据特征信息，并使用与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，其中，所述损失函数中的参数包括标签以及期数，所述期数由用户的逾期行为来确定。在一些实施例中，所述损失函数中的期数的取值越大，该权重给予的惩罚越小也即风险越低，反之，期数的取值越小，该权重给予的惩罚越大也即风险越高。本技术训练得到逾期风险识别模型一方面学习用户是否逾期，一方面学习用户逾期的期数，通过学习多个任务，从而能够精细刻画风险。
[0051]
在一些实施例中，根据用户的逾期行为，来确定该用户对应的数据在训练过程中所使用的损失函数；在一些实施例中，对于未逾期用户，所述期数大于所述周期性行为对应的总期数，也即好用户的惩罚最低；对于逾期用户，所述期数为用户首次逾期行为对应的期数，也即发生逾期行为越早，惩罚越高；例如，对于总的还款账期为12的还款行为，若用户每期按时还款并未发生逾期，则设定损失函数中包括的期数取值为13，由此使得未逾期用户(即好用户)的惩罚最低；又例如，对于总的还款账期为12的还款行为，若用户在第2个账期发生逾期，则设定损失函数中的期数取值为2，若用户在第10个账期发生逾期，则设定损失函数中的期数取值为10，由此使得用户逾期发生的越早则惩罚越高。在一些实施例中，在周期性行为对应的多个周期中，用户可能在间断的多个周期发生了逾期行为，则可将损失函数中的期数取值为用户首次发生逾期行为的期数，或者，也可基于用户逾期次数以及逾期
行为对应的多个期数，来确定损失函数中的期数的最终取值(逾期次数越多，逾期越早，惩罚越高)。在一些实施例中，标签用于定义用户是否发生过逾期。
[0052]
在一些实施例中，所述逾期风险识别模型为分类模型，而对分类模型来说，损失一般是交叉熵，损失函数表示如下：
[0053][0054]
其中，y表示标签，mob表示期数，p表示预测的概率值。其中，对于不逾期的用户，可将mob统一设置为同一数值，同时保证该数值大于周期性行为对应的最大期数。作为一个示例，对于总的还款账期为12的还款行为，若用户在第2个账期发生逾期，则mob取值为2。基于上述公式所预测得到的概率值能够反映用户逾期的时间早晚，风险越高则用户发生逾期的时间越早。需要说明的是，上述公式仅为举例，而非对本技术的限制，任何在损失函数中考虑基于用户逾期行为所确定的期数的方案均应包含在本技术的保护范围内(例如，通过对上述公式作简单变形所得到的公式也可用于分类模型；又例如，可利用上述公式中的对其他类型的损失函数进行更新)。在一些实施例中，还可在损失函数中增加逾期次数、相邻两次逾期之间的间隔时间等与用户逾期行为相关的参数，以更精细地刻画用户风险。
[0055]
在一些实施例中，将目标用户针对周期性行为的数据输入至训练得到的逾期风险识别模型，可识别得到该目标用户的逾期风险水平；在一些实施例中，对多个目标用户的逾期风险水平进行识别后，可基于识别结果对该多个目标用户进行风险排序。
[0056]
根据本技术的方案，使用了与所述周期性行为对应的损失函数，训练得到逾期风险识别模型，该损失函数中使用了基于用户逾期行为所确定的期数作为参数，且该参数取值越大所给予的惩罚越小也即风险越小，从而使得能够通过逾期风险识别模型同时学习用户是否逾期以及用户逾期的期数，从而精细刻画用户风险，识别出逾期速度更快的用户。
[0057]
本技术还提供了一种计算机设备，其中，所述计算机设备包括：存储器，用于存储一个或多个程序；一个或多个处理器，与所述存储器相连，当所述一个或多个程序被所述一个或者多个处理器执行时，使得所述一个或多个处理器执行本技术所述的建立逾期风险识别模型的方法。
[0058]
本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序可被处理器执行本技术所述的建立逾期风险识别模型的方法。
[0059]
本技术还提供了一种计算机程序产品，当所述计算机程序产品被设备执行时，使得所述设备执行本技术所述的建立逾期风险识别模型的方法。
[0060]
图3示出了可被用于实施本技术中所述的各个实施例的示例性系统。
[0061]
在一些实施例中，系统1000能够作为本技术实施例中的任意一个处理设备。在一些实施例中，系统1000可包括具有指令的一个或多个计算机可读介质(例如，系统存储器或nvm/存储设备1020)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本技术中所述的动作的一个或多个处理器(例如，(一个或多个)处理器1005)。
[0062]
对于一个实施例，系统控制模块1010可包括任意适当的接口控制器，以向(一个或
多个)处理器1005中的至少一个和/或与系统控制模块1010通信的任意适当的设备或组件提供任意适当的接口。
[0063]
系统控制模块1010可包括存储器控制器模块1030，以向系统存储器1015提供接口。存储器控制器模块1030可以是硬件模块、软件模块和/或固件模块。
[0064]
系统存储器1015可被用于例如为系统1000加载和存储数据和/或指令。对于一个实施例，系统存储器1015可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，系统存储器1015可包括双倍数据速率类型四同步动态随机存取存储器(ddr4sdram)。
[0065]
对于一个实施例，系统控制模块1010可包括一个或多个输入/输出(i/o)控制器，以向nvm/存储设备1020及(一个或多个)通信接口1025提供接口。
[0066]
例如，nvm/存储设备1020可被用于存储数据和/或指令。nvm/存储设备1020可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。
[0067]
nvm/存储设备1020可包括在物理上作为系统1000被安装在其上的设备的一部分的存储资源，或者其可被该设备访问而不必作为该设备的一部分。例如，nvm/存储设备1020可通过网络经由(一个或多个)通信接口1025进行访问。
[0068]
(一个或多个)通信接口1025可为系统1000提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统1000可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
[0069]
对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器(例如，存储器控制器模块1030)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑封装在一起以形成系统级封装(sip)。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器1005中的至少一个可与系统控制模块1010的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。
[0070]
在各个实施例中，系统1000可以但不限于是：服务器、工作站、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中，系统1000可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，系统1000包括一个或多个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(asic)和扬声器。
[0071]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其他的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。