信用卡的风险预测方法、装置、电子设备和存储介质与流程

1.本技术涉及机器学习技术领域，特别是信用卡的风险预测方法、装置、电子设备和存储介质。


背景技术：

2.近年来，随着经济的繁荣发展和信用消费在年轻一代的普及，我国的信用卡发行量和交易量都在不断增加，随之而来的是信用卡的风险问题，因此，银行需要对其信用卡的应用场景进行风险预测。
3.一方面，传统的预测方式一般通过单一模型来进行风险的识别，由于单个模型原理简单，利用到的有效数据信息较少，使得模型的预测结果准确率偏低；另一方面，在银行信用卡风控场景下，风险特征往往具有群体属性，而传统的单一模型预测方式不能有效的表达群体风险特征，这会使得特征的表达有所欠缺，进一步影响最终预测结果的准确性。


技术实现要素：

4.本技术实施例提供了一种信用卡的风险预测方法、装置、电子设备和存储介质，以至少解决相关技术中信用卡风险预测结果准确性低的问题。
5.第一方面，本技术实施例提供了一种信用卡的风险预测方法，包括：读取信用卡的原始数据，对所述原始数据进行清洗，得到清洗后的数据；将所述清洗后的数据经过特征工程得到特征数据，将所述特征数据输入预先训练的第一 gbdt模型，输出第一结果；根据所述清洗后的数据构造异构图，得到异构图数据，将所述异构图数据通过graphsage模型改造，得到节点的向量表达，将所述节点的向量表达输入所述graphsage模型的分类层，输出第二结果；将所述特征数据和所述节点的向量表达进行拼接，将拼接后的特征输入预先训练的第二gbdt模型，输出第三结果；将所述第一结果、所述第二结果和所述第三结果进行融合，得到预测结果。
6.在其中一些实施例中，所述将所述第一结果、所述第二结果和所述第三结果进行融合，得到预测结果包括：将所述第一结果、所述第二结果和所述第三结果输入stacking模型进行融合，输出融合后的结果；将所述融合后的结果输入预先训练的logistic回归模型，输出所述预测结果。
7.在其中一些实施例中，所述根据所述清洗后的数据构造异构图，得到异构图数据包括：依据schema构造异构图，得到节点数据和边数据，其中，所述节点用于表示实体，所述边用于表示实体间的关系。
8.在其中一些实施例中，所述将所述异构图数据通过graphsage模型改造，得到节点的向量表达包括：对各类型的实体，根据属性特征进行归一化的向量表征，并对邻居节点进行采样；将采样数据按照实体类型进行分组，将分组结果通过所述graphsage模型进行向量堆叠，形成矩阵；将所述矩阵输入所述 graphsage模型的全连接层，输出所述节点的向量表达。
9.在其中一些实施例中，所述graphsage模型的训练方式如下：对各类型的实体，根据属性特征进行归一化的向量表征，并采样邻居节点，得到待聚合节点集合；对所述待聚合节点集合中相同类型的节点通过graphsage模型的最大池化层进行聚合，得到聚合后的多个向量，对所述多个向量进行堆叠得到矩阵；将所述矩阵输入所述graphsage模型的全连接层，得到节点的向量表达；将所述节点的向量表达输入所述graphsage模型的分类层，输出预测值；基于所述预测值和真实值计算损失，并更新参数，当损失收敛时，停止训练。
10.在其中一些实施例中，所述graphsage模型的训练方式还包括：依据所述 graphsage模型的minibatch方式，采样相邻两跳的邻居节点，得到所述待聚合节点集合，基于所述待聚合节点集合进行训练，其中，所述相邻两跳的邻居节点包括一度相关联节点和二度相关联节点。
11.在其中一些实施例中，所述读取信用卡的原始数据包括：通过hive读取存储在贴源层的信用卡的原始数据。
12.第二方面，本技术实施例提供一种信用卡的风险预测装置，包括：预处理模块、第一计算模块、第二计算模块、第三计算模块和融合模块。预处理模块用于读取信用卡的原始数据，对所述原始数据进行清洗，得到清洗后的数据；第一计算模块用于将所述清洗后的数据经过特征工程得到特征数据，将所述特征数据输入预先训练的第一gbdt模型，输出第一结果；第二计算模块用于根据所述清洗后的数据构造异构图，得到异构图数据，将所述异构图数据通过 graphsage模型改造，得到节点的向量表达，将所述节点的向量表达输入所述 graphsage模型的分类层，输出第二结果；第三计算模块用于将所述特征数据和所述节点的向量表达进行拼接，将拼接后的特征输入预先训练的第二gbdt模型，输出第三结果；融合模块用于将所述第一结果、所述第二结果和所述第三结果进行融合，得到预测结果。
13.第三方面，本技术实施例提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的方法。
14.第四方面，本技术实施例提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的方法。
15.相比于相关技术，本技术实施例通过第一gbdt模型预测第一结果，通过 graphsage模型预测第二结果，通过graphsage模型和第二gbdt模型预测第三结果，然后进行结果的融合，不仅实现了多模型融合，而且，在获取第二结果的过程中，根据信用卡数据构造异构图，通过异构图数据表达群体属性，通过节点的向量表达体现群体风险特征，使得第二结果和第三结果更为精准，因此，本技术实施例将第一结果、第二结果和第三结果进行融合，得到最终的预测结果，极大程度的提高了预测结果的准确性。
附图说明
16.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
17.图1是根据本技术实施例提供的一种信用卡的风险预测方法的流程图；
18.图2是根据本技术实施例提供的一种举例的信用卡的风险预测方法的流程图；
19.图3是根据本技术实施例提供的一种异构图的局部示意图；
20.图4是根据本技术实施例提供的一种采样邻居节点的范围表达示意图；
21.图5是根据本技术实施例提供的一种采样邻居节点的数量表达示意图；
22.图6是根据本技术实施例提供的一种信用卡的风险预测装置的结构框图；
23.图7是根据本技术实施例提供的一种电子设备的内部结构示意图。
具体实施方式
24.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
25.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
26.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“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。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
27.本技术实施例提供一种信用卡的风险预测方法，旨在提高信用卡风险预测结果的准确性。图1是根据本技术实施例提供的一种信用卡的风险预测方法的流程图，如图1所示，该方法包括以下步骤：
28.s101：读取信用卡的原始数据，对原始数据进行清洗，得到清洗后的数据；
29.s102：将清洗后的数据经过特征工程得到特征数据，将特征数据输入预先训练的第一gbdt模型，输出第一结果；
30.s103：根据清洗后的数据构造异构图，得到异构图数据，将异构图数据通过graphsage模型改造，得到节点的向量表达，将节点的向量表达输入graphsage 模型的分类层，输出第二结果；
31.s104：将特征数据和节点的向量表达进行拼接，将拼接后的特征输入预先训练的
第二gbdt模型，输出第三结果；
32.s105：将第一结果、第二结果和第三结果进行融合，得到预测结果。
33.根据上述内容，本技术实施例通过第一gbdt模型预测第一结果，通过 graphsage模型预测第二结果，通过graphsage模型和第二gbdt模型预测第三结果，然后进行结果的融合，不仅实现了多模型融合，而且，在输出结果时，根据信用卡数据构造异构图，通过异构图数据充分表达群体属性，通过节点的向量表达准确体现群体风险特征，使得第二结果和第三结果更为精准，因此，本技术实施例将第一结果、第二结果和第三结果进行融合，得到最终的预测结果，极大程度的提高了预测结果的准确性。
34.需要说明的是，上述各步骤的执行顺序仅为一个示例，实施时，各步骤的顺序可根据实际情况进行调整。
35.为了更清楚的对本技术实施例进行说明，下文举例进行详细描述。
36.图2是根据本技术实施例提供的一种举例的信用卡的风险预测方法的流程图，如图2所示，该流程包括以下步骤：
37.①
读取信用卡的原始数据，比如，通过hive读取存储在贴源层的信用卡的原始数据。由于贴源层是银行数据的集中存储处，除了对非结构化数据进行结构化处理以及对相同数据进行整合外，并不对业务数据进行过多清洗加工，而是尽可能保留数据的原始状态，因此，读取贴源层的原始数据，而不是经过加工过的数据，能够尽量真实的体现实体的原始信息，从而为后续提高预测结果的准确性打下基础。另外，采用hive读取大规模数据具有一定的优势，比如：简单、容易上手，能够降低开发人员的学习成本；可扩展；提供统一的元数据管理；具有延展性；具有良好的容错性。
38.②
对原始数据进行数据清洗，例如，删除重复信息，去除无效值，插补缺失值等等。
39.③
将清洗后的数据经过特征工程得到特征数据。
40.④
将特征数据输入预先训练的第一gbdt模型，输出第一结果，其中，gbdt 模型是一种集成学习模型，能够通过对上一阶段训练结果的残差进行学习，在残差减少的方向上更新参数，直到达到一定拟合精度后停止训练。本技术实施例将特征数据输入预先训练的第一gbdt模型，能够得到分类结果，即上述第一结果，用于指示是否有风险，如分类结果为“0”，表示无风险；分类结果为“1”表示有风险。
41.⑤
根据清洗后的数据构造异构图，得到异构图数据。值得说明的是，同构图，在图数据里面，是指节点的类型和边的类型有且只有一种的图；而本技术实施例采用的异构图，是指节点的类型和边的类型具有多种类型的图。优选的，依据schema构造异构图，得到的图是由若干给定的节点及连接两节点的边所构成的图形，在图中，节点用于代表事物，连接两节点的边则用于表示两个事物间具有的关系，这种图形可以用来描述某些事物之间的某种特定关系。
42.因此，本技术实施例得到的异构图数据包括节点数据和边数据，其中，节点用于表示实体，边用于表示实体间的关系，本技术实施例所述的实体是指信用卡数据中所包含的事物。
43.比如，图3是根据本技术实施例提供的一种异构图的局部示意图，如图3 所示，节点(即图3中的圆圈)表示实体；节点之间的连接线表明两实体具有的某种关系，此称为边。上述实体包括：自然人1、电话、ip地址、设备、地址 (包括家庭地址、单位地址和收货地址
等)、信用卡和邮箱。假设以图3的中间节点作为目标节点，该目标节点表示实体为自然人2，边包括：自然人1与自然人2之间的关系，比如联系人、还款、资金往来、同事、亲属、推荐办卡等；自然人2的持有电话；自然人2的ip登录；自然人2的关联设备；自然人2的家庭地址、单位地址、收货地址等；自然人2的持有信用卡号；自然人2的持有邮箱。当所有的实体和边关系构造完，并且每个实体都有各自类型的衡量指标，称为属性特征，如信用卡实体具有开户时间、开户银行、开户人等属性特征；自然人实体具有性别、年龄、工作性质等属性特征。
44.⑥
将异构图数据通过graphsage模型改造，得到节点的向量表达。该步骤包括：a.transform(转换)节点；b.采样邻居节点；c.embedding(向量)堆叠； d.fc(fully connected layers，全连接层)缩放；e.通过分类层进行结果的分类。下文对各步骤详述：
45.a.transform(转换)节点：根据上文可知，异构图数据包括节点数据和边数据，节点数据表示各类型的实体的属性特征，边数据表示实体间的关系。对各类型的实体，根据属性特征进行归一化的向量表征，即，转换为格式、大小都统一的向量，例如，根据上文图3所示，有7种不同类型的实体，每种类型的实体具有不同的属性特征。如每个信用卡实体有23个属性特征，电话实体有10 个属性特征，为了统一，找到属性特征数量最多的实体(如信用卡实体)作为依据，其他类型的实体的属性特征若数量不够则用0填充。
46.举例而言，假如一个信用卡实体1使用一维向量[1,2,3,4,5,6.....23]表示，电话实体1使用一维向量[1,2,3,4.....10]表示，为了规范和统一，进行归一化处理，即，对电话实体1填充13个0值，得到的一维向量为[1,2,3...10,0,0...0]。因此，归一化处理后，所有实体都可进行统一大小的向量表征，其向量的shape(即大小)为(1,23)。另外，假设规定最后生成的节点的向量表达的shape为(1,128)，那么需要采用矩阵变化初始化实体表达，即(1,23)*(23,128)＝(1,128)。
[0047]
b.采样邻居节点：由于相关联的节点之间会连接有边，因此，对于一个目标节点，可以根据连接关系找到与该目标节点相关的邻居节点，从而可以对邻居节点进行采样，其采样的邻居节点的数量可以预先设置阈值。
[0048]
c.embedding(向量)堆叠：将采样数据按照实体类型进行分组，将分组结果通过graphsage模型进行embedding堆叠，形成矩阵，具体的，将不同类型实体的向量(其shape为(1,128))进行纵向拼接，得到矩阵。由于一个节点的表达是由采样的多种邻居节点的向量组合得到，所以经过堆叠得到的矩阵shape 例如为(7,128)。
[0049]
d.fc(fully connected layers，全连接层)缩放：将矩阵输入graphsage模型的全连接层进行缩放，从而得到最终的节点的向量表达。
[0050]
e.通过分类层进行结果的分类：将节点的向量表达输入graphsage模型的分类层，该分类层可以是全连接层或softmax，因此，可以通过分类映射得到第二结果，该第二结果用于指示是否有风险，如分类结果为“0”，表示无风险；分类结果为“1”表示有风险。
[0051]
作为一个示例，上述graphsage模型的训练方式包括：对各类型的实体，根据属性特征进行归一化的向量表征，并采样邻居节点，得到待聚合节点集合；对待聚合节点集合中相同类型的节点通过graphsage模型的最大池化层(maxpooling)进行聚合，得到聚合后的多个向量，对多个向量进行堆叠得到矩阵；将矩阵输入graphsage模型的全连接层，得到节点的向量表达；将节点的向量表达输入graphsage模型的分类层，输出预测值；基于预测值和真实值计算损失，并更新参数，当损失收敛时，停止训练。
[0052]
优选的，上述训练方式依据graphsage模型的minibatch方式进行训练。可以将所有的训练数据分成n(n＞1)个子集，针对每一个子集做一次梯度下降，更新模型参数，接着基于下一个子集继续进行梯度下降，将遍历一次所有样本的行为叫做一个epoch，也就是一个世代。当遍历完所有的样本后相当于在梯度下降中做了n次迭代，这样训练的数据不再是所有的样本，而是一个个的子集。因此，在一个epoch中能进行n次的梯度下降，能够大大提高模型的运行速度。
[0053]
例如，每次采样相邻两跳的邻居节点，该相邻两跳的邻居节点包括一度相关联节点和二度相关联节点。图4是根据本技术实施例提供的一种采样邻居节点的范围表达示意图，如图4所示，假设最中间的节点为目标节点，k＝1圈内的节点与目标节点直接相连，是一度相关联节点；k＝2环内的节点与目标节点间接连接，是二度相关联节点。
[0054]
经过采样，得到待聚合节点集合，其中包含多种类型的节点，如目标节点 (比如为信用卡实体1)的一度相关联节点有地址实体1、电话实体1，且信用卡实体1的二度相关联节点有设备实体2、电话实体2。接着，根据类型进行分组，比如，分组后形成地址实体：1；电话实体：1和2；设备实体：2。然后，将分组结果进行向量堆叠，形成矩阵；再将矩阵输入graphsage模型的全连接层，输出节点的向量表达；将节点的向量表达输入graphsage模型的分类层，输出预测值。
[0055]
值得说明的是，graphsage模型的核心是将整张图的采样优化到邻居节点的采样，采用minibatch方式进行训练时，大致需要三步以得到预测值。图5是根据本技术实施例提供的一种采样邻居节点的数量表达示意图，一个训练阶段包括以下步骤：第一步：对节点1的邻居节点进行随机采样，每一跳抽样的邻居节点数不多于相应的预设值，如图所示5，第一跳采集了3个邻居节点(包括节点2-4)，第二跳采集了5个邻居节点(包括节点5-9)；第二步：生成节点1 的向量表达，即，先聚合二跳邻居节点的属性特征，生成一跳邻居节点的向量表达，再聚合一跳邻居节点的向量表达，生成节点1的向量表达；第三步：将节点1的向量表达输入全连接层，得到节点1的预测值。因此，在多个训练阶段中，基于预测值和真实值计算损失，并更新参数，当损失收敛时，停止训练。
[0056]
⑦
拼接特征，即，将上述的特征数据和节点的向量表达进行拼接。根据上文，由于步骤
③
可以得到特征数据，步骤
⑥
可以得到节点的向量表达，将两者拼接，得到拼接后的特征，比如，特征数据为[1,2,3,4,....128]，节点的向量表达为[129,130]，经过拼接，得到拼接后的特征为[1,2,3,4...130]。
[0057]
⑧
将拼接后的特征输入预先训练的第二gbdt模型，得到分类结果，即上述第三结果，用于指示是否有风险，如分类结果为“0”，表示无风险；分类结果为“1”表示有风险。需要说明的是，本技术实施例所述的预先训练的第一 gbdt模型和预先训练的第二gbdt模型是不同的，因为，虽然第一gbdt模型和第二gbdt模型都是gbdt模型，初始的模型参数是相同的，但是，第一 gbdt模型的输入是特征数据，而第二gbdt模型的输入是拼接后的特征，所以，第一gbdt模型和第二gbdt模型分别基于不同的输入数据进行训练，在训练的过程中，各自更新模型参数，因此，当第一gbdt模型和第二gbdt模型分别训练结束时，最终得到的模型参数是不同的，所以预先训练的第一gbdt 模型和预先训练的第二gbdt模型是不同的。
[0058]
⑨
将第一结果、第二结果和第三结果进行融合，得到预测结果。例如，可以将第一结果、第二结果和第三结果赋以不同的权重，如0.3、0.3、0.4，然后通过加权平均的方式计
算出最终的预测结果。优选的，为了提高预测结果的准确性，将第一结果、第二结果和第三结果输入融合模型比如stacking模型，可以得到融合后的结果；然后，将融合后的结果输入预先训练的logistic回归模型，得到最终的预测结果，能够进一步提高最终预测结果的准确性。需要说明的是，在输入数据明确的情况下，gbdt模型、stacking模型和logistic回归模型的训练方法是本领域技术人员知晓的，故在此不做赘述。
[0059]
本技术实施例中，上述步骤s101具体包含步骤
①‑②
；上述步骤s102具体包含步骤
③‑④
；上述步骤s103具体包含步骤
⑤‑⑥
；上述步骤s104具体包含步骤
⑦‑⑧
；上述步骤s105具体包含步骤
⑨
。
[0060]
根据上述内容，本技术实施例通过第一gbdt模型预测第一结果，通过 graphsage模型预测第二结果，通过graphsage模型和第二gbdt模型预测第三结果，然后进行结果的融合，不仅实现了多模型融合，而且，根据信用卡数据构造异构图，通过异构图数据充分表达群体属性，通过采样邻居节点来计算目标节点的向量表达，准确体现群体风险特征，使得第二结果和第三结果更为精准，因此，本技术实施例将第一结果、第二结果和第三结果进行融合，得到最终的预测结果，从整体上极大程度的提高了预测结果的准确性。
[0061]
本技术实施例还提供一种信用卡的风险预测装置，图6是根据本技术实施例提供的一种信用卡的风险预测装置的结构框图，如图6所示，该装置包括：预处理模块1、第一计算模块2、第三计算模块3和融合模块4。
[0062]
预处理模块1用于读取信用卡的原始数据，对原始数据进行清洗，得到清洗后的数据；
[0063]
第一计算模块2用于将清洗后的数据经过特征工程得到特征数据，将特征数据输入预先训练的第一gbdt模型，输出第一结果；
[0064]
第二计算模块3用于根据清洗后的数据构造异构图，得到异构图数据，将异构图数据通过graphsage模型改造，得到节点的向量表达，将节点的向量表达输入graphsage模型的分类层，输出第二结果；
[0065]
第三计算模块4用于将特征数据和节点的向量表达进行拼接，将拼接后的特征输入预先训练的第二gbdt模型，输出第三结果；
[0066]
融合模块5用于将第一结果、第二结果和第三结果进行融合，得到预测结果。
[0067]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0068]
本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0069]
另外，结合上述实施例中的信用卡的风险预测方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种信用卡的风险预测方法。
[0070]
本技术的一个实施例中还提供了一种电子设备，该电子设备可以是终端。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内
存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信用卡的风险预测方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0071]
在一个实施例中，图7是根据本技术实施例提供的一种电子设备的内部结构示意图，如图7所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图7所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种信用卡的风险预测方法，数据库用于存储数据。
[0072]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0073]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程 rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限， ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram (esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus) 直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0074]
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0075]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。