模型在线更新方法、装置、设备、存储介质和计算机产品与流程

1.本技术涉及计算机技术领域，特别涉及一种模型在线更新方法、装置、设备、存储介质和计算机产品。


背景技术：

2.在风控和金融领域中，通常会借助人工智能技术辅助工作人员进行决策，如可以通过建立机器学习模型的方式实现，表现为利用由用户数据集训练一个模型，然后通过这个模型对用户的购买行为进行预测。但是在这个过程中经常会发生由于过度学习数据集的特征而出现模型过拟合现象，即模型在训练集上表现很好，能够准确预测结果，而在上线应用时表现不好，泛化性能差。这会导致工作人员做出错误的决策，因此需要消除模型的过拟合现象。
3.相关技术中，若一个模型在上线后出现了过拟合现象，则需要将该模型进行下线，然后重新训练该模型，在重新训练该模型时，通过在该模型的目标函数中添加一个正则项，减小模型的复杂度，来消除模型出现的过拟合现象。
4.然而，上述方式需要反复上线和下线的操作，而且模型在下线重新训练后，又需要经过复杂的流程才能重新上线，因此上述方式流程复杂，会耗费较长时间。


技术实现要素：

5.本技术提供了一种模型在线更新方法、装置、设备、存储介质和计算机产品，可以对上线的模型进行在线更新，线上解决模型出现的过拟合现象。所述技术方案如下：
6.第一方面，提供了一种模型在线更新方法，所述方法包括：
7.若线上使用的目标模型出现过拟合现象，则生成与n个特征集一一对应的n个掩码矩阵，所述n个掩码矩阵中的每个掩码矩阵用于屏蔽对应的一个特征集，所述n个特征集中的每个特征集包括至少一个特征，所述至少一个特征属于所述目标模型需输入的k个特征中的一部分特征，所述n和所述k均为大于或等于2的整数；
8.将预设用户数据集输入所述目标模型，获得第一预测结果集；
9.对于所述n个掩码矩阵中的每一个掩码矩阵，将所述一个掩码矩阵和所述预设用户数据集输入所述目标模型，获得第二预测结果集，根据所述第一预测结果集和所述第二预测结果集之间的差异，确定所述一个掩码矩阵对应的一个特征集的重要度，所述重要度与所述差异呈正相关关系；
10.根据所述n个特征集中每个特征集的重要度，从所述k个特征中确定至少一个假性特征，所述假性特征为所述过拟合现象的成因；
11.生成所述至少一个假性特征对应的目标掩码矩阵，所述目标掩码矩阵用于屏蔽所述至少一个假性特征；
12.根据所述目标掩码矩阵和多个目标样本对所述目标模型进行训练，以实现所述目标模型的在线更新，所述多个目标样本中每个目标样本中的输入数据包括所述k个特征的
数据。
13.在本技术中，生成与n个特征集一一对应的n个掩码矩阵后，将预设用户数据集输入目标模型，获得第一预测结果集，之后对于n个掩码矩阵中的每一个掩码矩阵，将这个掩码矩阵和预设用户数据集输入目标模型，获得第二预测结果集，根据第一预测结果集和第二预测结果集之间的差异，确定这个掩码矩阵对应的一个特征集的重要度，即确定出屏蔽这个特征集后，这个特征集中的所有特征对目标模型的预测结果带来的影响。之后，根据n个特征集中每个特征集的重要度，从k个特征中确定至少一个假性特征，假性特征是对目标模型的预测结果影响非常大的特征，说明目标模型过度依赖假性特征，即假性特征会导致目标模型出现过拟合现象。之后，生成该至少一个假性特征对应的目标掩码矩阵，目标掩码矩阵用以屏蔽该至少一个假性特征，也即实现消除导致目标模型出现过拟合现象的因素，这种情况下，根据目标掩码矩阵和多个目标样本对目标模型进行训练，以实现目标模型的在线更新，如此，可以准确快速消除目标模型出现的过拟合现象，从而提高目标模型的预测准确率。本技术实施例中，消除目标模型的过拟合现象的过程在线上即可实现，不需进行反复上下线以及重新训练，从而可以简化流程，节省时间。
14.可选地，所述若线上使用的目标模型出现过拟合现象，则生成与n个特征集一一对应的n个掩码矩阵之前，还包括：
15.获取第一历史用户数据集和所述第一历史用户数据集的真实结果集；
16.将所述第一历史用户数据集输入所述目标模型，获得所述第一历史用户数据集的预测结果集；
17.根据所述第一历史用户数据集的真实结果集和预测结果集，获取所述目标模型的评价指标值作为第一评价指标值；
18.根据所述第一评价指标值确定所述目标模型是否出现过拟合现象。
19.可选地，所述根据所述n个特征集中每个特征集的重要度，从所述k个特征中确定至少一个假性特征，包括：
20.根据所述n个特征集中每个特征集的重要度，按照重要度由高到低的顺序，对所述n个特征集进行排序，将所述n个特征集中排序在前的m个特征集中的所有特征均确定为假性特征，所述m为正整数；或者，
21.将所述n个特征集中重要度大于或等于重要度阈值的特征集中的所有特征均确定为假性特征。
22.可选地，所述根据所述n个特征集中每个特征集的重要度，从所述k个特征中确定至少一个假性特征，包括：
23.根据所述n个特征集中每个特征集的重要度，按照重要度由高到低的顺序，对所述n个特征集进行排序，将所述n个特征集中排序在前的m个特征集均确定为疑似假性特征集，所述m为正整数；或者，将所述n个特征集中重要度大于或等于重要度阈值的特征集均确定为疑似假性特征集；
24.获取第二历史用户数据集和所述第二历史用户数据集的真实结果集；
25.对确定出的所有疑似假性特征集中的每一个疑似假性特征集均执行以下操作：
26.将所述一个疑似假性特征集对应的掩码矩阵和所述第二历史用户数据集输入所述目标模型，获得所述第二历史用户数据集的预测结果集；
27.根据所述第二历史用户数据集的真实结果集和预测结果集，获取所述目标模型的评价指标值作为所述一个疑似假性特征集对应的第二评价指标值；
28.若根据所述一个疑似假性特征集对应的第二评价指标值确定所述目标模型的过拟合现象有所改善，则将所述一个疑似假性特征集中的所有特征均确定为假性特征。
29.可选地，所述根据所述目标掩码矩阵和多个目标样本对所述目标模型进行训练，以实现所述目标模型的在线更新之后，还包括：
30.将所述目标掩码矩阵和需要进行预测的目标用户数据输入所述目标模型，获得预测结果，所述目标用户数据包括所述k个特征的数据。
31.可选地，所述目标模型需输入的所述k个特征包括年龄、学历、家庭年收入、支付金额、支付次数中的至少两个，所述目标模型输出的预测结果为购买行为类型。
32.第二方面，提供了一种模型在线更新装置，所述装置包括：
33.第一生成模块，用于若线上使用的目标模型出现过拟合现象，则生成与n个特征集一一对应的n个掩码矩阵，所述n个掩码矩阵中的每个掩码矩阵用于屏蔽对应的一个特征集，所述n个特征集中的每个特征集包括至少一个特征，所述至少一个特征属于所述目标模型需输入的k个特征中的一部分特征，所述n和所述k均为大于或等于2的整数；
34.第一获取模块，用于将预设用户数据集输入所述目标模型，获得第一预测结果集；
35.第一确定模块，用于对于所述n个掩码矩阵中的每一个掩码矩阵，将所述一个掩码矩阵和所述预设用户数据集输入所述目标模型，获得第二预测结果集，根据所述第一预测结果集和所述第二预测结果集之间的差异，确定所述一个掩码矩阵对应的一个特征集的重要度，所述重要度与所述差异呈正相关关系；
36.第二确定模块，用于根据所述n个特征集中每个特征集的重要度，从所述k个特征中确定至少一个假性特征，所述假性特征为所述过拟合现象的成因；
37.第二生成模块，用于生成所述至少一个假性特征对应的目标掩码矩阵，所述目标掩码矩阵用于屏蔽所述至少一个假性特征；
38.更新模块，根据所述目标掩码矩阵和多个目标样本对所述目标模型进行训练，以实现所述目标模型的在线更新，所述多个目标样本中每个目标样本中的输入数据包括所述k个特征的数据。
39.可选地，所述装置还包括：
40.第二获取模块，用于获取第一历史用户数据集和所述第一历史用户数据集的真实结果集；
41.第三获取模块，用于将所述第一历史用户数据集输入所述目标模型，获得所述第一历史用户数据集的预测结果集；
42.第四获取模块，根据所述第一历史用户数据集的真实结果集和预测结果集，获取所述目标模型的评价指标值作为第一评价指标值；
43.第三确定模块，用于根据所述第一评价指标值确定所述目标模型是否出现过拟合现象。
44.可选地，所述第二确定模块用于：
45.根据所述n个特征集中每个特征集的重要度，按照重要度由高到低的顺序，对所述n个特征集进行排序，将所述n个特征集中排序在前的m个特征集中的所有特征均确定为假
性特征，所述m为正整数；或者，
46.将所述n个特征集中重要度大于或等于重要度阈值的特征集中的所有特征均确定为假性特征。
47.可选地，所述第二确定模块用于：
48.根据所述n个特征集中每个特征集的重要度，按照重要度由高到低的顺序，对所述n个特征集进行排序，将所述n个特征集中排序在前的m个特征集均确定为疑似假性特征集，所述m为正整数；或者，将所述n个特征集中重要度大于或等于重要度阈值的特征集均确定为疑似假性特征集；
49.获取第二历史用户数据集和所述第二历史用户数据集的真实结果集；
50.对确定出的所有疑似假性特征集中的每一个疑似假性特征集均执行以下操作：
51.将所述一个疑似假性特征集对应的掩码矩阵和所述第二历史用户数据集输入所述目标模型，获得所述第二历史用户数据集的预测结果集；
52.根据所述第二历史用户数据集的真实结果集和预测结果集，获取所述目标模型的评价指标值作为所述一个疑似假性特征集对应的第二评价指标值；
53.若根据所述一个疑似假性特征集对应的第二评价指标值确定所述目标模型的过拟合现象有所改善，则将所述一个疑似假性特征集中的所有特征均确定为假性特征。
54.可选地，所述装置还包括：
55.输入模块，用于将所述目标掩码矩阵和需要进行预测的目标用户数据输入所述目标模型，获得预测结果，所述目标用户数据包括所述k个特征的数据。
56.可选地，所述目标模型需输入的所述k个特征包括年龄、学历、家庭年收入、支付金额、支付次数中的至少两个，所述目标模型输出的预测结果为购买行为类型。
57.第三方面，提供了一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的模型在线更新方法。
58.第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的模型在线更新方法。
59.第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述的模型在线更新方法的步骤。
60.可以理解的是，上述第二方面、第三方面、第四方面、第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
61.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
62.图1是本技术实施例提供的一种模型在线更新方法的流程图；
63.图2是本技术实施例提供的另一种模型在线更新方法的流程图；
64.图3是本技术实施例提供的一种模型在线更新装置的结构示意图；
65.图4是本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
66.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
67.应当理解的是，本技术提及的“多个”是指两个或两个以上。在本技术的描述中，除非另有说明，“/”表示或的意思，比如，a/b可以表示a或b；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，比如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，为了便于清楚描述本技术的技术方案，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”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
68.在对本技术实施例进行详细地解释说明之前，先对本技术实施例的应用场景予以说明。
69.本技术实施例提供的模型在线更新方法应用于对上线的模型进行在线更新的场景中，用于消除线上使用的模型出现的过拟合现象。确定出n个特征集中每个特征集的重要度，并根据每个特征集的重要度，从k个特征中确定至少一个假性特征，即找出了导致模型出现过拟合现象的原因，之后生成至少一个假性特征对应的目标掩码矩阵，将目标掩码矩阵和多个目标样本输入模型中进行训练，以实现目标模型的在线更新，如此，可以准确快速消除目标模型出现的过拟合现象，从而提高目标模型的预测准确率。本技术实施例中，消除目标模型的过拟合现象的过程在线上即可实现，不需进行反复上下线以及重新训练，从而可以简化流程，节省时间。
70.下面对本技术实施例提供的模型在线更新方法进行详细地解释说明。
71.图1是本技术实施例提供的一种模型在线更新方法的流程图。参见图1，该方法包括以下步骤。
72.步骤101：若线上使用的目标模型出现过拟合现象，则终端生成与n个特征集一一对应的n个掩码矩阵。
73.目标模型为在线下完成训练后已经上线使用的模型。目标模型用于根据用户数据预测相关结果，即可将用户数据输入目标模型，由目标模型输出预测结果。输入目标模型的用户数据可以包括k个特征的数据，k为大于或等于2的整数。示例地，目标模型需输入的k个特征可以包括年龄、学历、家庭年收入、支付金额、支付次数等中的至少两个，目标模型输出的预测结果为购买行为类型，购买行为类型可以包括购买和不购买两类，即目标模型输出的预测结果可以包括用户购买的概率和不购买的概率，从而据此确定用户是否会进行购买。
74.该n个特征集中的每个特征集包括至少一个特征，该至少一个特征属于目标模型需输入的k个特征中的一部分特征，即每个特征集中的特征个数小于k，n为大于或等于2的整数。该n个特征集中的任意两个特征集中的特征可以完全不同，或者可以存在部分不同。示例地，k为4，该n个特征集中的一个特征集可以为目标模型需输入的4个特征中的一个特征构成的集合，或者可以为目标模型需输入的4个特征中至少两个特征组合起来构成的集
合，例如这4个特征中的第一个特征和第二个特征组合起来构成一个特征集，或者这4个特征中的第一个特征和第三个特征组合起来构成一个特征集。
75.该n个掩码矩阵中的每个掩码矩阵用于屏蔽对应的一个特征集，示例地，该n个掩码矩阵中的每个掩码矩阵的大小为1
×
k或k
×
1，每个掩码矩阵包含0值和1值，0值表示屏蔽对应位置的一个特征，1值表示对应位置的一个特征保持不变。
76.在这种情况下，终端通过生成与n个特征集一一对应的n个掩码矩阵，对于n个特征集中的任意一个特征集，通过对应的一个掩码矩阵来屏蔽这个特征集，可以使得这个特征集中的所有特征对目标模型的预测的贡献为0，即使得这个特征集中的所有特征对目标模型的预测不起任何作用。
77.例如，k为3，假设目标模型需输入的3个特征为特征1、特征2、特征3，n为6，假设6个特征集为{特征1}、{特征2}、{特征3}、{特征1、特征2}、{特征1、特征3}、{特征2、特征3}。则终端生成与6个特征集一一对应的6个掩码矩阵为[0 1 1]、[1 0 1]、[1 1 0]、[0 0 1]、[0 1 0]、[1 0 0]。6个掩码矩阵中的每个掩码矩阵用于屏蔽对应的一个特征集，即每个掩码矩阵中的0值用于屏蔽目标模型需输入的3个特征中对应的特征。掩码矩阵[0 1 1]用于屏蔽第一个特征集，即用于屏蔽特征1，掩码矩阵[1 0 1]用于屏蔽第二个特征集，即用于屏蔽特征2，掩码矩阵[1 1 0]用于屏蔽第三个特征集，即用于屏蔽特征3，掩码矩阵[0 0 1]用于屏蔽第四个特征集，即用于屏蔽特征1和特征2，掩码矩阵[0 1 0]用于屏蔽第五个特征集，即用于屏蔽特征1和特征3，掩码矩阵[1 0 0]用于屏蔽第六个特征集，即用于屏蔽特征2和特征3。
[0078]
值得注意的是，终端在生成与n个特征集一一对应的n个掩码矩阵之前，需要先确定目标模型是否出现过拟合现象。
[0079]
具体地，终端获取第一历史用户数据集和第一历史用户数据集的真实结果集；将第一历史用户数据集输入目标模型，获得第一历史用户数据集的预测结果集；根据第一历史用户数据集的真实结果集和预测结果集，获取目标模型的评价指标值作为第一评价指标值；根据第一评价指标值确定目标模型是否出现过拟合现象。
[0080]
第一历史用户数据集为在一个时间周期内线上产生的多个用户数据，该多个用户数据中每个用户数据包括k个特征的数据，即对应用户的k个特征的数据，该多个用户数据可以称为多个样本。该时间周期可以预先进行设置，且该时间周期可以设置的较大，以保证在这个时间周期内产生足够多的用户数据，且能够得到每个用户数据的真实结果。示例地，时间周期为2个月，则第一历史用户数据集为这两个月内线上产生的多个用户数据，且能够得到该多个用户数据中的每个用户数据的真实结果。
[0081]
第一历史用户数据集的真实结果集为在一个时间周期内线上产生的多个用户数据中每个用户数据的真实结果的集合，该真实结果可以分为两类，两类结果相反，此时可将其中一类结果对应的用户数据称为正样本，将另一类结果对应的用户数据称为负样本。示例地，目标模型用于预测用户的购买行为，在两个月内线上产生100个用户数据，这100个用户数据中的每个用户数据均具有真实结果，该真实结果用于指示对应的用户实际是否进行了购买，也即，一部分用户数据的真实结果可以为已购买，则这一部分用户数据为正样本，另一部分用户数据的真实结果可以为未购买，则这另一部分用户数据为负样本。
[0082]
第一历史用户数据集的预测结果集为将第一历史用户数据集中的每个用户数据
输入目标模型，目标模型对第一历史用户数据集中的每个用户数据进行预测后，输出的每个用户数据的预测结果的集合。
[0083]
目标模型的评价指标值用于评价目标模型的性能，目标模型的评价指标值可以包括准确率和召回率，该准确率为目标模型对第一历史用户数据集中的多个用户数据中预测正确的用户数据的个数占该多个用户数据的总个数的比率。该召回率为目标模型对第一历史用户数据集中的所有正样本预测正确的概率。
[0084]
其中，终端根据第一历史用户数据集的真实结果集和预测结果集，获取目标模型的评价指标值的操作与相关技术中终端根据某个数据集的真实结果集和预测结果集，获取某个模型的评价指标值的操作类似，本技术实施例对此不进行详细阐述。
[0085]
其中，终端根据第一评价指标值确定目标模型是否出现过拟合现象的操作可以通过如下三种可能的方式实现。
[0086]
第一种可能的方式，若第一评价指标值中的准确率小于第一评价阈值，则终端确定目标模型出现过拟合现象；若第一评价指标值中的准确率大于或等于第一评价阈值，则终端确定目标模型没有出现过拟合现象。
[0087]
第一评价阈值可以预先进行设置，且第一评价阈值可以设置的较小。
[0088]
若第一评价指标值中的准确率小于第一评价阈值，说明第一评价指标值中的准确率较小，即目标模型对第一历史用户数据集中预测正确的样本个数较少，则表示目标模型对第一历史用户数据集的预测结果不准确了，此时可以确定目标模型出现过拟合现象。若第一评价指标值中的准确率大于或等于第一评价阈值，说明第一评价指标值中的准确率为正常值，即目标模型对第一历史用户数据集中预测正确的样本个数在正常的范围内，则表示目标模型对第一历史用户数据集的预测结果准确，此时可以确定目标模型没有出现过拟合现象。
[0089]
第二种可能的方式，若第一评价指标值中的召回率小于第二评价阈值，则终端确定目标模型出现过拟合现象；若第一评价指标值中的召回率大于或等于第二评价阈值，则终端确定目标模型没有出现过拟合现象。
[0090]
第二评价阈值可以预先进行设置，且第二评价阈值可以设置的较小。
[0091]
若第一评价指标值中的召回率小于第二评价阈值，说明第一评价指标值中的召回率较小，即目标模型将第一历史用户数据集中的正样本预测正确的个数较少，则表明目标模型对第一历史用户数据集的预测结果不准确了，此时可以确定目标模型出现过拟合现象。若第一评价指标值中的召回率大于或等于第二评价阈值，说明第一评价指标值中的召回率为正常值，即目标模型将第一历史用户数据集中的正样本预测正确的个数在正常的范围内，则表示目标模型对第一历史用户数据集的预测结果准确，此时可以确定目标模型没有出现过拟合现象。
[0092]
终端通过将第一评价指标值中的召回率与第二评价阈值进行比较，如此只关注目标模型将第一历史用户数据集中的正样本预测正确的个数，从而更加符合实际应用环境。
[0093]
第三种可能的方式，若第一评价指标值中的准确率与第一评价指标值中的召回率之间的差值大于差值阈值，则终端确定目标模型出现过拟合现象；若第一评价指标值中的准确率与第一评价指标值中的召回率之间的差值小于或等于差值阈值，则终端确定目标模型没有出现过拟合现象。
[0094]
差值阈值可以预先进行设置，且差值阈值可以设置的较大。若第一评价指标值中的准确率与第一评价指标值中的召回率之间的差值大于差值阈值，说明第一评价指标值中的准确率与第一评价指标值中的召回率之间的差值较大，即第一评价指标值中的准确率与第一评价指标值中的召回率相差较大，此时可以确定目标模型出现过拟合现象。若第一评价指标值中的准确率与第一评价指标值中的召回率之间的差值小于或等于差值阈值，说明第一评价指标值中的准确率与第一评价指标值中的召回率之间的差值正常，即第一评价指标值中的准确率与第一评价指标值中的召回率相差不大，此时可以确定目标模型没有出现过拟合现象。示例地，差值阈值一般为5％，本技术实施例对此不做限定。
[0095]
由于当目标模型的第一评价指标值中的准确率和召回率比较接近时，目标模型能够输出较为准确的预测结果，即目标模型不会出现过拟合现象。因而终端通过将第一评价指标值中的准确率与第一评价指标值中的召回率之间的差值与差值阈值进行比较，来确定第一评价指标值中的准确率与第一评价指标值中的召回率是否接近，从而能够更加准确地确定目标模型是否出现过拟合现象。
[0096]
步骤102：终端将预设用户数据集输入目标模型，获得第一预测结果集。
[0097]
预设用户数据集为线上产生的多个用户数据，且预设用户数据集可以预先进行设置，通过将一个时间周期内线上产生的多个用户数据分成多个部分，之后将该多个部分中一部分用户数据作为预设用户数据集。
[0098]
第一预测结果集为将预设用户数据集输入目标模型中，目标模型对该预设用户数据集中每个用户数据进行预测后，输出的每个用户数据的预测结果构成的集合。
[0099]
步骤103：对于该n个掩码矩阵中的每一个掩码矩阵，终端将这个掩码矩阵和预设用户数据集输入目标模型，获得第二预测结果集，根据第一预测结果集和第二预测结果集之间的差异，确定这个掩码矩阵对应的一个特征集的重要度。
[0100]
将这个掩码矩阵和预设用户数据集输入目标模型后，目标模型先使用这个掩码矩阵对预设用户数据集中每个用户数据进行屏蔽处理后再进行预测，然后输出每个用户数据的预测结果作为第二预测结果集。
[0101]
对于这个掩码矩阵对应的一个特征集中的至少一个特征来说，使用这个掩码矩阵对预设用户数据集中每个用户数据进行屏蔽处理是指，使用这个掩码矩阵屏蔽掉预设用户数据集中每个用户数据包括的k个特征的数据中的该至少一个特征的数据，以使每个用户数据中的该至少一个特征的数据在目标模型进行预测时不起作用。
[0102]
一个特征集的重要度用于表示这个特征集对目标模型的重要程度。如果这个掩码矩阵屏蔽这个特征集后，目标模型的预测误差有所增加，那么这个特征集中的所有特征就是重要的，因为在这种情况下，目标模型是依靠这个特征集中的所有特征来进行预测的。如果这个掩码矩阵屏蔽这个特征集后，目标模型的预测误差不变，则这个特征集中的所有特征是不重要的。一个特征集的重要度取决于未屏蔽这个特征集时目标模型输出的预测结果与屏蔽这个特征集后目标模型输出的预测结果之间的差异，差异越大表示这个特征集的重要度越大，差异越小表示这个特征集的重要度越小，即重要度与差异呈正相关关系。
[0103]
在这种情况下，终端根据第一预测结果集(即未屏蔽这个特征集时目标模型输出的预测结果)和第二预测结果集(即屏蔽这个特征集后目标模型输出的预测结果)可以得到这个特征集的重要度，即得到目标模型对这个特征集中的所有特征的依赖程度。若第一预
测结果集与第二预测结果集之间的差异越大，表示目标模型对这个特征集中的所有特征的依赖程度越大，即这个特征集对目标模型的预测结果能够带来特别大的影响。若第一预测结果集与第二预测结果集之间的差异越小，表示目标模型对这个特征集中的所有特征的依赖程度越小，即这个特征集对目标模型的预测结果只有比较小的影响。
[0104]
值得注意的是，终端对于该n个掩码矩阵中的每一个掩码矩阵均执行上述步骤103的操作，可以得到每一个掩码矩阵对应的一个特征集的重要度，如此可以得到该n个特征集中每个特征集的重要度。
[0105]
步骤104：终端根据该n个特征集中每个特征集的重要度，从该k个特征中确定至少一个假性特征。
[0106]
该假性特征是指重要度非常大的特征集中的所有特征，该假性特征为过拟合现象的成因。
[0107]
在训练阶段，由于目标模型对该至少一个假性特征过度学习，使得目标模型过度依赖该至少一个假性特征，导致该至少一个假性特征对目标模型输出的预测结果具有非常大的影响，而使得目标模型在新的数据上表现不好，从而发生过拟合现象，也就是说，目标模型出现过拟合现象是因为该至少一个假性特征导致的。
[0108]
在这种情况下，该n个特征集中重要度非常高的特征集中的所有特征为目标模型过度依赖的特征，即n个特征集中重要度非常高的特征集中的所有特征会导致目标模型出现过拟合现象，则终端从该n个特征集中确定出至少一个重要度非常高的特征集，即确定出该至少一个假性特征，从而可以找到目标模型出现过拟合现象的原因。
[0109]
具体地，步骤104的操作可以通过如下三种可能的方式实现。
[0110]
第一种可能的方式，终端根据该n个特征集中每个特征集的重要度，按照重要度由高到低的顺序，对该n个特征集进行排序，将该n个特征集中排序在前的m个特征集中的所有特征均确定为假性特征，m为正整数。
[0111]
m可以预先进行设置，且m可以设置的较小，以保证该n个特征集中排序在前的m个特征集的重要度非常大。
[0112]
在这种情况下，终端对该n个特征集按照重要度由高到低的顺序进行排序，说明该n个特征集中排序在前的特征集为重要度非常高的特征集，即该n个特征集中排序在前的特征集中的所有特征会导致目标模型出现过拟合现象，则将该n个特征集中排序在前的m个特征集中的所有特征均确定为假性特征，这种方式没有过多的计算过程，可以节省处理资源。
[0113]
第二种可能的方式，终端将该n个特征集中重要度大于或等于重要度阈值的特征集中的所有特征均确定为假性特征。
[0114]
该重要度阈值可以预先进行设置，该重要度阈值可以设置的较大。若该n个特征集中存在至少一个特征集的重要度大于或等于该重要度阈值，说明该至少一个特征集的重要度较大，则可以将该至少一个特征集中的所有特征确定为假性特征。
[0115]
在这种情况下，终端通过将该n个特征集的重要度与重要度阈值进行比较，可以使确定的假性特征更加准确。
[0116]
第三种可能的方式，终端根据该n个特征集中每个特征集的重要度，从该n个特征集中确定所有的疑似假性特征集；获取第二历史用户数据集和第二历史用户数据集的真实结果集；对于确定出的所有疑似假性特征集中的每一个疑似假性特征集，将这个疑似假性
特征集对应的掩码矩阵和第二历史用户数据集输入目标模型，获得第二历史用户数据集的预测结果集；根据第二历史用户数据集的真实结果集和预测结果集，获取目标模型的评价指标值作为这个疑似假性特征集对应的第二评价指标值；若根据这个疑似假性特征集对应的第二评价指标值确定目标模型的过拟合现象有所改善，则将这个疑似假性特征集中所有的特征均确定为假性特征。
[0117]
该疑似假性特征集为该n个特征集中可能包括假性特征的特征集，即该疑似假性特征集中的所有特征为可能会导致目标模型出现过拟合现象的特征。
[0118]
第二历史用户数据集为在一个时间周期内线上产生的多个用户数据，该多个用户数据中每个用户数据包括k个特征的数据，即对应用户的k个特征的数据，将该多个用户数据可以称为多个样本，该多个样本中包括正样本和负样本。
[0119]
第二历史用户数据集的真实结果集为在一个时间周期内线上产生的多个用户数据中每个用户数据的真实结果的集合，该真实结果可以分为两类，两类结果相反，此时可将其中一类结果对应的用户数据称为正样本，将另一类结果对应的用户数据称为负样本。
[0120]
第二历史用户数据集的预测结果集为将第二历史用户数据集中的每个用户数据输入目标模型，目标模型对第二历史用户数据集中的每个用户数据进行预测后，输出的每个用户数据的预测结果的集合。
[0121]
将这个疑似假性特征集对应的掩码矩阵和第二历史用户数据集输入目标模型后，目标模型先使用这个疑似假性特征集对应的掩码矩阵对第二历史用户数据集中每个用户数据进行屏蔽处理后再进行预测，然后输出每个用户数据的预测结果作为第二历史用户数据集的预测结果集。
[0122]
第二评价指标值包括准确率和召回率，第二评价指标值用于评价目标模型的性能。
[0123]
在这种情况下，终端确定出所有的疑似假性特征集，即确定出所有可能导致出现过拟合现象的特征，接下来只需从确定出的所有疑似假性特征集中筛选出会导致目标模型出现过拟合现象的特征即可。
[0124]
对于所有的疑似假性特征集中的每个疑似假性特征集，将这个疑似假性特征集对应的掩码矩阵输入目标模型中，以屏蔽第二历史用户集中的每个用户数据包括的k个特征的数据中属于这个疑似假性特征集中的特征的数据，然后再由目标模型进行预测，输出预测结果集，即通过屏蔽这个疑似假性特征集来验证这个疑似假性特征集中的所有特征是否会导致目标模型出现过拟合现象。之后根据第二历史用户数据集的真实结果集和预测结果集，确定出这个疑似假性特征集对应的第二评价指标值。若根据这个疑似假性特征集对应的第二评价指标值确定目标模型的过拟合现象有所改善，说明屏蔽这个疑似假性特征集后能够使过拟合现象消失或能够改善过拟合现象，即这个疑似假性特征集中的所有特征会导致目标模型出现过拟合现象，则确定这个疑似假性特征集中的所有特征为假性特征。
[0125]
其中，终端根据该n个特征集中每个特征集的重要度，从该n个特征集中确定所有的疑似假性特征集的操作可以通过如下两种可能的方式实现。
[0126]
第一种可能的方式，终端根据该n个特征集中每个特征集的重要度，按照重要度由高到低的顺序，对该n个特征集进行排序，将该n个特征集中排序在前的m个特征集均确定为疑似假性特征集。
[0127]
在这种情况下，终端对该n个特征集按照重要度由高到低的顺序进行排序，说明该n个特征集中排序在前的特征集为重要度较高的特征集，即该n个特征集中排序在前的特征集中的所有特征可能会导致目标模型出现过拟合现象，则将该n个特征集中排序在前的m个特征集均确定为疑似假性特征集，之后只需从确定出的所有疑似假性特征集中筛选出会导致目标模型出现过拟合现象的假性特征即可。这种方式没有过多的计算过程，可以节省处理资源。
[0128]
第二种可能的方式，将该n个特征集中重要度大于或等于重要度阈值的特征集均确定为疑似假性特征集。
[0129]
在这种情况下，若该n个特征集中存在至少一个特征集的重要度大于或等于该重要度阈值，说明该至少一个特征集的重要度较大，即该至少一个特征集可能会导致目标模型出现过拟合现象，则可以将该至少一个特征集确定为疑似假性特征集。这种将该n个特征集的重要度与重要度阈值进行比较的方式，使终端可以准确确定出疑似假性特征集。
[0130]
其中，终端根据第二历史用户数据集的真实结果集和预测结果集，获取目标模型的评价指标值的操作与相关技术中终端根据某个数据集的真实结果集和预测结果集，获取某个模型的评价指标值的操作类似，本技术实施例对此不进行详细阐述。
[0131]
其中，若终端根据这个疑似假性特征集对应的第二评价指标值确定目标模型的过拟合现象有所改善，则将这个疑似假性特征集中的所有特征均确定为假性特征之前，需要先根据这个疑似假性特征集对应的第二评价指标值，确定目标模型的过拟合现象是否有所改善，具体可以通过如下两种可能的方式实现。
[0132]
第一种可能的方式，若第二评价指标值中的准确率与召回率之间的差值小于或等于差值阈值，则终端确定目标模型的过拟合现象有所改善；若第二评价指标值中的准确率与召回率之间的差值大于差值阈值，终端确定目标模型的过拟合现象没有得到改善。
[0133]
在这种情况下，若第二评价指标值中的准确率与召回率之间的差值小于或等于差值阈值，说明第二评价指标值中的准确率与召回率之间的差值正常，即第二评价指标值中的准确率与召回率相差较小，也就是说第二评价指标值中的准确率与召回率比较接近，则确定目标模型的过拟合现象有所改善。若第二评价指标值中的准确率与召回率之间的差值大于差值阈值，说明第二评价指标值中的准确率与召回率之间的差值较大，即第二评价指标值中的准确率与召回率相差较大，则确定目标模型的过拟合现象没有得到改善。如此，以准确率和召回率之间的差值来衡量的方式，可以使得终端准确确定出目标模型的过拟合现象有无得到改善。
[0134]
例如：差值阈值为5％，第二评价指标值中的准确率为80％，召回率为82％。则第二评价指标值中的准确率80％与召回率82％之间的差值为2％。第二评价指标值中的准确率80％与召回率82％之间的差值2％小于差值阈值5％，则终端可以确定目标模型的过拟合现象有所改善。
[0135]
第二种可能的方式，终端将第一评价指标值和第二评价指标值进行比较，以确定目标模型的过拟合现象是否有所改善。
[0136]
具体地，终端将第一评价指标值中的召回率和第二评价指标值中的召回率进行比较；若第二评价指标值中的召回率大于第一评价指标值中的召回率，则确定目标模型的过拟合现象有所改善；若第二评价指标值中的召回率小于或等于第一评价指标值中的召回
率，则确定目标模型的过拟合现象没有得到改善。
[0137]
在这种情况下，终端将第一评价指标值中的召回率和第二评价指标值中的召回率进行比较后，若第二评价指标值中的召回率大于第一评价指标值中的召回率，则说明目标模型输出的预测结果中将正样本预测正确的概率有所增加，则表明目标模型的性能有所提升，此时可以确定屏蔽这个疑似假性特征集后目标模型的过拟合现象所有改善，进一步地，可以确定这个疑似假性特征集中的所有特征为假性特征。若第二评价指标值中的召回率小于或等于第一评价指标值中的召回率，则说明目标模型输出的预测结果中将正样本预测正确的概率有所减小或不变，则表明目标模型的性能下降，此时可以确定屏蔽这个疑似假性特征集后目标模型的过拟合现象没有得到改善，进一步地，则确定这个疑似假性特征集中的所有特征不是假性特征。
[0138]
例如，第一评价指标值中的召回率为58％，第二评价指标值中的召回率为70％，则第二评价指标值中的召回率70％大于第一评价指标值中的召回率58％，此时终端可以确定目标模型的过拟合现象所有改善。
[0139]
可选地，终端还可以将第一评价指标值中的准确率和第二评价指标值中的准确率进行比较；若第二评价指标值中的准确率大于第一评价指标值中的准确率，则确定目标模型的过拟合现象有所改善；若第二评价指标值中的准确率小于或等于第一评价指标值中的准确率，则确定目标模型的过拟合现象没有得到改善。
[0140]
在这种情况下，终端将第一评价指标值中的准确率和第二评价指标值中的准确率进行比较后，若第二评价指标值中的准确率大于第一评价指标值中的准确率，则说明目标模型输出的预测结果中预测正确的样本个数有所增加，则表明目标模型的性能有所提升，此时可以确定屏蔽这个疑似假性特征集后目标模型的过拟合现象所有改善，进一步地，可以确定这个疑似假性特征集中的所有特征为假性特征。若第二评价指标值中的准确率小于或等于第一评价指标值中的准确率，则说明目标模型输出的预测结果中预测正确的样本个数有所减少或不变，则表明目标模型的性能下降，此时可以确定屏蔽这个疑似假性特征集后目标模型的过拟合现象没有得到改善，进一步地，则确定这个疑似假性特征集中的所有特征不是假性特征。
[0141]
例如，第一评价指标值中的准确率为60％，第二评价指标值中的准确率为70％，则第二评价指标值中的准确率70％大于第一评价指标值中的准确率60％，此时终端可以确定目标模型的过拟合现象所有改善。
[0142]
终端对所有疑似假性特征集中的每一个疑似假性特征集均执行上述操作，则可以从所有疑似假性特征集中的所有特征中确定出至少一个假性特征，即可以从该k个特征中确定出会导致目标模型出现过拟合现象的至少一个假性特征，如此，终端可以根据确定出的会导致目标模型出现过拟合现象的至少一个假性特征，继续执行如下步骤105。
[0143]
步骤105：终端生成该至少一个假性特征对应的目标掩码矩阵。
[0144]
目标掩码矩阵用于屏蔽该至少一个假性特征。
[0145]
在这种情况下，该至少一个假性特征为会导致目标模型出现过拟合现象的特征，通过生成一个目标掩码矩阵，可以使目标掩码矩阵屏蔽该k个特征中的该至少一个假性特征，从而使得会导致目标模型出现过拟合现象的特征对目标模型的预测不起作用，如此，可以改善目标模型出现的过拟合现象。
[0146]
步骤106：终端根据目标掩码矩阵和多个目标样本对目标模型进行训练，以实现目标模型的在线更新。
[0147]
该多个目标样本可以是预先设置的。该多个目标样本中的每个目标样本包括输入数据和样本标记，该多个目标样本中每个目标样本中的输入数据包括该k个特征的数据，该多个目标样本中每个目标样本中的样本标记为该k个特征的数据的真实结果。该多个目标样本中每个目标样本中的输入数据可以是线上产生的用户数据，每个目标样本中的样本标记即可以是该用户数据的真实结果。
[0148]
值得注意的是，终端根据目标掩码矩阵和多个目标样本对目标模型进行训练的方式为迁移学习，迁移学习是指将已经学习完成的目标模型应用到线上新产生的数据上，使用线上新产生的数据训练目标模型以调整目标模型参数。
[0149]
在这种情况下，终端将目标掩码矩阵和多个目标样本中的每个目标样本中的输入数据输入目标模型中，使目标掩码矩阵屏蔽该输入数据包括的k个特征的数据中的假性特征的数据，即屏蔽了可以使目标模型出现过拟合现象的特征的数据，此时是将经过目标掩码矩阵处理过的多个目标样本作为目标模型要学习的数据，对目标模型进行训练，从而可以改善目标模型出现的过拟合现象，使目标模型输出准确的预测结果。
[0150]
终端根据目标掩码矩阵和多个目标样本对目标模型进行训练时，对于该多个目标样本中的每个目标样本，可以将目标掩码矩阵和这个目标样本中的输入数据输入目标模型，获得输出数据；通过损失函数确定该输出数据与这个目标样本中的样本标记之间的损失值；根据该损失值调整目标模型中的参数。在基于该多个目标样本中的每个目标样本对目标模型中的参数进行调整后，参数调整完成的目标模型即为在线更新后的目标模型。
[0151]
其中，终端根据该损失值调整目标模型中的参数的操作可以参考相关技术，本技术实施例对此不进行详细阐述。
[0152]
进一步地，终端根据目标掩码矩阵和多个目标样本对目标模型进行训练，以实现目标模型的在线更新之后，就可以使用目标模型进行预测了。比如，可以将目标掩码矩阵和需要进行预测的目标用户数据输入目标模型，获得预测结果。
[0153]
目标用户数据为需要目标模型进行预测的用户数据，目标用户数据包括k个特征的数据。
[0154]
在这种情况下，对目标模型进行在线更新后，可以使该目标模型的过拟合现象得到优化，从而使得目标模型的性能得到提升，则将目标掩码矩阵和需要进行预测的目标用户数据输入目标模型，能够获取的比较准确的预测结果。这种情况下，将目标掩码矩阵和需要进行预测的目标用户数据输入目标模型后，目标模型先使用目标掩码矩阵对目标用户数据包括的k个特征的数据中的假性特征的数据进行屏蔽，再由目标模型进行预测，输出预测结果。
[0155]
值得注意的是，同一个时间周期中，用来确定疑似假性特征集、确定至少一个假性特征以及优化目标模型进行在线更新的多个用户数据可以不相同。比如，可以将一个时间周期内产生的多个用户数据分为多份，其中一份用户数据可以用于确定疑似假性特征集，另一份用户数据可以用于确定至少一个假性特征，再一份用户数据可以用于优化目标模型进行在线更新。且终端可以周期性的执行上述步骤101-步骤106的操作，以迭代优化目标模型，对目标模型进行在线更新。
[0156]
为了便于理解，下面以n为4为例，结合图2来对模型在线更新方法进行举例说明。参见图2，该方法包括如下步骤(1)-步骤(7)。
[0157]
(1)终端监控线上使用的目标模型，确定目标模型是否出现过拟合现象。
[0158]
(2)若确定目标模型出现过拟合现象，则终端生成与4个特征集一一对应的4个掩码矩阵，这4个掩码矩阵中的每个掩码矩阵用于屏蔽对应的一个特征集。
[0159]
(3)终端根据4个掩码矩阵中的每个掩码矩阵确定每个特征集的重要度。
[0160]
(4)终端将4个特征集按照重要度由高到低的顺序进行排序，由于重要度比较高的特征集中的所有特征有可能会导致目标模型出现过拟合现象，所以从4个特征集中确定重要度比较高的特征集作为疑似假性特征集，得到所有的疑似假性特征集。
[0161]
(5)终端从所有的疑似假性特征集中筛选出所有的假性特征，假性特征均可以导致目标模型出现过拟合现象。
[0162]
(6)终端根据所有的假性特征，生成一个目标掩码矩阵，这个目标掩码矩阵可以同时屏蔽所有的假性特征，使所有的假性特征对目标模型的预测不起作用。
[0163]
(7)终端将这个目标掩码矩阵和线上产生的用户数据输入目标模型中，对目标模型进行训练优化，消除过拟合现象，使目标模型完成在线更新。
[0164]
在之后的每个时间周期内，终端均可执行上述步骤对目标模型进行迭代优化，完成目标模型的在线更新。
[0165]
在本技术实施例中，终端生成与n个特征集一一对应的n个掩码矩阵后，将预设用户数据集输入目标模型，获得第一预测结果集，之后对于n个掩码矩阵中的每一个掩码矩阵，将这个掩码矩阵和预设用户数据集输入目标模型，获得第二预测结果集，根据第一预测结果集和第二预测结果集之间的差异，确定这个掩码矩阵对应的一个特征集的重要度，即确定出屏蔽这个特征集后，这个特征集中的所有特征对目标模型的预测结果带来的影响。之后，终端根据n个特征集中每个特征集的重要度，从k个特征中确定至少一个假性特征，假性特征是对目标模型的预测结果影响非常大的特征，说明目标模型过度依赖假性特征，即假性特征会导致目标模型出现过拟合现象。之后，生成该至少一个假性特征对应的目标掩码矩阵，目标掩码矩阵用以屏蔽该至少一个假性特征，也即实现消除导致目标模型出现过拟合现象的因素，这种情况下，根据目标掩码矩阵和多个目标样本对目标模型进行训练，以实现目标模型的在线更新，如此，可以准确快速消除目标模型出现的过拟合现象，从而提高目标模型的预测准确率。本技术实施例中，消除目标模型的过拟合现象的过程在线上即可实现，不需进行反复上下线以及重新训练，从而可以简化流程，节省时间。
[0166]
图3是本技术实施例提供的一种模型在线更新装置的结构示意图。该模型在线更新装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部，该计算机设备可以为下文图4所示的计算机设备。参见图3，该装置包括：第一生成模块301、第一获取模块302、第一确定模块303、第二确定模块304、第二生成模型305、更新模块306。
[0167]
第一生成模块301，用于若线上使用的目标模型出现过拟合现象，则生成与n个特征集一一对应的n个掩码矩阵，所述n个掩码矩阵中的每个掩码矩阵用于屏蔽对应的一个特征集，所述n个特征集中的每个特征集包括至少一个特征，所述至少一个特征属于所述目标模型需输入的k个特征中的一部分特征，所述n和所述k均为大于或等于2的整数；
[0168]
第一获取模块302，用于将预设用户数据集输入该目标模型，获得第一预测结果
集；
[0169]
第一确定模块303，用于对于该n个掩码矩阵中的每一个掩码矩阵，将这个掩码矩阵和该预设用户数据集输入该目标模型，获得第二预测结果集，根据第一预测结果集和第二预测结果集之间的差异，确定这个掩码矩阵对应的一个特征集的重要度，该重要度与该差异呈正相关关系；
[0170]
第二确定模块304，用于根据该n个特征集中每个特征集的重要度，从该k个特征中确定至少一个假性特征，该假性特征为该过拟合现象的成因；
[0171]
第二生成模块305，用于生成该至少一个假性特征对应的目标掩码矩阵，目标掩码矩阵用于屏蔽该至少一个假性特征；
[0172]
更新模块306，根据目标掩码矩阵和多个目标样本对目标模型进行训练，以实现目标模型的在线更新，多个目标样本中每个目标样本中的输入数据包括该k个特征的数据。
[0173]
可选地，该装置还包括：
[0174]
第二获取模块，用于获取第一历史用户数据集和第一历史用户数据集的真实结果集；
[0175]
第三获取模块，用于将第一历史用户数据集输入目标模型，获得第一历史用户数据集的预测结果集；
[0176]
第四获取模块，根据第一历史用户数据集的真实结果集和预测结果集，获取目标模型的评价指标值作为第一评价指标值；
[0177]
第三确定模块，用于根据第一评价指标值确定目标模型是否出现过拟合现象。
[0178]
可选地，第二确定模块304用于：
[0179]
根据该n个特征集中每个特征集的重要度，按照重要度由高到低的顺序，对该n个特征集进行排序，将该n个特征集中排序在前的m个特征集中的所有特征均确定为假性特征，m为正整数；或者，
[0180]
将该n个特征集中重要度大于或等于重要度阈值的特征集中的所有特征均确定为假性特征。
[0181]
可选地，第二确定模块304用于：
[0182]
根据该n个特征集中每个特征集的重要度，按照重要度由高到低的顺序，对该n个特征集进行排序，将该n个特征集中排序在前的m个特征集均确定为疑似假性特征集，m为正整数；或者，将该n个特征集中重要度大于或等于重要度阈值的特征集均确定为疑似假性特征集；
[0183]
获取第二历史用户数据集和第二历史用户数据集的真实结果集；
[0184]
对确定出的所有疑似假性特征集中的每一个疑似假性特征集均执行以下操作：
[0185]
将这个疑似假性特征集对应的掩码矩阵和第二历史用户数据集输入该目标模型，获得第二历史用户数据集的预测结果集；
[0186]
根据第二历史用户数据集的真实结果集和预测结果集，获取目标模型的评价指标值作为这个疑似假性特征集对应的第二评价指标值；
[0187]
若根据这个疑似假性特征集对应的第二评价指标值确定目标模型的过拟合现象有所改善，则将这个疑似假性特征集中的所有特征确定为假性特征。
[0188]
可选地，该装置还包括：
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者也可以是任何常规的处理器。
[0198]
存储器41在一些实施例中可以是计算机设备4的内部存储单元，比如计算机设备4的硬盘或内存。存储器41在另一些实施例中也可以是计算机设备4的外部存储设备，比如计算机设备4上配备的插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器41还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器41用于存储操作系统、应用程序、引导装载程序(boot loader)、数据以及其他程序等。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
[0199]
本技术实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在该存储器中并可在该至少一个处理器上运行的计算机程序，该处理器执行该计算机程序时实现上述任意各个方法实施例中的步骤。
[0200]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
[0201]
本技术实施例提供了一种计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例中的步骤。
[0202]
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述方法实施例中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，该计算机程序包括计算机程序代码，该计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。该计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、rom(read-only memory，只读存储器)、ram(random access memory，随机存取存储器)、cd-rom(compact disc read-only memory，只读光盘)、磁带、软盘和光数据存储设备等。本技术提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。
[0203]
应当理解的是，实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。该计算机指令可以存储在上述计算机可读存储介质中。
[0204]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0205]
本领域普通技术人员可以意识到，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，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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技术的范围。
[0206]
在本技术所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可
以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，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系统，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0207]
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或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
[0208]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。