一种融合时序特征与时点特征的模型生成方法及系统与流程

1.本技术涉及数据分析技术领域，具体而言，涉及一种融合时序特征与时点特征的模型生成方法、系统、电子设备及计算机可读存储介质。


背景技术：

2.目前，应收账款预测是银行业管理资金配置必要的一个工作，指的是预测下一周期信用卡业务应收账款总额，作为资金调拨的依据。因调拨的资金需要支付利率，因此需要一种较为准确预测下一周期信用卡应收账款总额的建模方法，避免资金浪费。
3.现有技术中，多数使用的方法是根据所有客户应收账款总额的历史时序数据作时序模型来预测，但是这种方法对时序数据的长度和稳定性的要求较高，容易受到异常数据的影响，健壮性和泛化性能较差。


技术实现要素：

4.本技术实施例的目的在于提供一种融合时序特征与时点特征的模型生成方法、系统、电子设备及计算机可读存储介质，可以实现提高应收账款预测模型的健壮性和泛化性能的技术效果。
5.第一方面，本技术实施例提供了一种融合时序特征与时点特征的模型生成方法，包括：
6.获取用户训练样本数据；
7.根据所述用户训练样本数据生成用户时点特征信息；
8.根据所述用户训练样本数据生成用户时序特征信息；
9.将所述用户时点特征信息和所述用户时序特征信息进行拼接处理，生成融合用户特征；
10.根据所述融合用户特征对预设树集成模型进行训练，生成用户应收账款预测模型。
11.在上述实现过程中，该融合时序特征与时点特征的模型生成方法中使用融合时点特征和时序特征，并对每个用户应收账款额进行预测的方法，实现基于多维特征的回归建模任务，综合考虑训练时间成本、模型可解释性、对不同类型特征的预处理和组合能力以及模型的学习能力，并将将树集成模型作为主要模型方法；该方法对特征的处理和组合能力强，节省数据归一化、空值处理等预处理的成本，且模型准确率更高，可以实现提高应收账款预测模型的健壮性和泛化性能的技术效果。
12.进一步地，所述根据所述用户训练样本数据生成用户时点特征信息的步骤，包括：
13.根据所述用户训练样本获取用户时点信息，所述用户时点信息包括用户每个预测时间节点的年龄、职业、资产余额、存款余额、贷款余额、车辆贷款余额、房屋贷款余额、消费类贷款余额、信用卡负债余额、月支出额、月收入额、月还款额、是否自动还款、最近一次还款金额、是否办理分期、分期期数、分期金额中的一种或多种；
14.根据所述用户时点信息生成所述用户时点特征信息。
15.进一步地，所述根据所述用户训练样本数据生成用户时序特征信息的步骤，包括：
16.根据所述用户训练样本获取用户时序信息，所述用户时序信息包括每月应收账款、每月支出额、每月收入额、每月还款额、每月自动还款额、每月分期金额中的一种或多种；
17.根据所述用户时序信息生成所述用户时序特征信息。
18.进一步地，在所述根据所述用户时序信息生成所述用户时序特征信息的步骤之前，所述方法还包括：
19.根据所述用户时序信息计算用户时序统计数据，所述用户时序统计数据包括月均最大值、最小值、平均值、方差、每月与上月的差值、差值比例、月均差值、月均差值比例中的一种或多种。
20.在上述实现过程中，通过计算月均最大值、最小值、平均值、方差，每月与上月的差值、差值比例以及月均差值、月均差值比例等统计值作为刻画用户特征周期性波动与长期性趋势的信息，提高模型训练的准确率。
21.进一步地，所述根据所述融合用户特征对预设树集成模型进行训练，生成用户应收账款预测模型的步骤，包括：
22.根据预设stacking集成模型将融合用户特征拆分为多份子融合用户特征；
23.对所述多份子融合用户特征进行交叉验证，生成所述用户应收账款预测模型。
24.在上述实现过程中，通过预设stacking集成模型，将训练数据集分成子融合用户特征并进行交叉验证，防止过拟合并提升模型学习效果。
25.进一步地，所述对所述多份子融合用户特征进行交叉验证，生成所述用户应收账款预测模型的步骤，包括：
26.遍历所述多份子融合用户特征，并对遍历到的所述子融合用户特征执行以下处理：
27.将遍历到的所述子融合用户特征作为验证数据，所述多份子融合用户特征中的其他子融合用户特征作为训练数据进行预设树集成模型训练，生成训练结果特征；将所述训练结果特征与所述验证数据中的验证目标值进行组合泛化处理，生成组合训练结果特征；
28.将所有的组合训练结果特征进行特征拼接，生成所述用户应收账款预测模型。
29.进一步地，所述预设树集成模型为lightgbm模型和/或xgboost模型。
30.在上述实现过程中，xgboost模型和lightgbm模型的特征处理和组合能力较强，可以节省数据归一化、空值处理等预处理操作的成本，而且训练效率较高，可解释性较强，可以给业务场景提供更多直观的结论或建议。
31.第二方面，本技术实施例提供了一种融合时序特征与时点特征的模型生成系统，包括：
32.获取模块，用于获取用户训练样本数据；
33.时点特征模块，用于根据所述用户训练样本数据生成用户时点特征信息；
34.时序特征模块，用于根据所述用户训练样本数据生成用户时序特征信息；
35.融合特征模块，用于将所述用户时点特征信息和所述用户时序特征信息进行拼接处理，生成融合用户特征；
36.模型训练模块，用于根据所述融合用户特征对预设树集成模型进行训练，生成用户应收账款预测模型。
37.进一步地，所述时点特征模块具体用于：
38.根据所述用户训练样本获取用户时点信息，所述用户时点信息包括用户每个预测时间节点的年龄、职业、资产余额、存款余额、贷款余额、车辆贷款余额、房屋贷款余额、消费类贷款余额、信用卡负债余额、月支出额、月收入额、月还款额、是否自动还款、最近一次还款金额、是否办理分期、分期期数、分期金额中的一种或多种；
39.根据所述用户时点信息生成所述用户时点特征信息。
40.进一步地，所述时序特征模块具体用于：
41.根据所述用户训练样本获取用户时序信息，所述用户时序信息包括每月应收账款、每月支出额、每月收入额、每月还款额、每月自动还款额、每月分期金额中的一种或多种；
42.根据所述用户时序信息生成所述用户时序特征信息。
43.进一步地，所述融合时序特征与时点特征的模型生成系统还包括：
44.统计数据模块，用于根据所述用户时序信息计算用户时序统计数据，所述用户时序统计数据包括月均最大值、最小值、平均值、方差、每月与上月的差值、差值比例、月均差值、月均差值比例中的一种或多种。
45.进一步地，所述模型训练模块，具体用于：
46.根据预设stacking集成模型将融合用户特征拆分为多份子融合用户特征；
47.对所述多份子融合用户特征进行交叉验证，生成所述用户应收账款预测模型。
48.进一步地，所述模型训练模块还用于：
49.遍历所述多份子融合用户特征，并对遍历到的所述子融合用户特征执行以下处理：
50.将遍历到的所述子融合用户特征作为验证数据，所述多份子融合用户特征中的其他子融合用户特征作为训练数据进行预设树集成模型训练，生成训练结果特征；将所述训练结果特征与所述验证数据中的验证目标值进行组合泛化处理，生成组合训练结果特征；
51.将所有的组合训练结果特征进行特征拼接，生成所述用户应收账款预测模型。
52.第三方面，本技术实施例提供的一种电子设备，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，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
53.第四方面，本技术实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
54.第五方面，本技术实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
55.本技术公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本技术公开的上述技术即可得知。
56.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
57.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
58.图1为本技术实施例提供的一种融合时序特征与时点特征的模型生成方法的流程示意图；
59.图2为本技术实施例提供的另一种融合时序特征与时点特征的模型生成方法的流程示意图；
60.图3为本技术实施例提供的融合时序特征与时点特征的模型生成系统的结构框图；
61.图4为本技术实施例提供的一种电子设备的结构框图。
具体实施方式
62.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
63.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
64.本技术实施例提供了一种融合时序特征与时点特征的模型生成方法、系统、电子设备及计算机可读存储介质，可以应用于用户应收账款的预测模型中；该融合时序特征与时点特征的模型生成方法中使用融合时点特征和时序特征，并对每个用户应收账款额进行预测的方法，实现基于多维特征的回归建模任务，综合考虑训练时间成本、模型可解释性、对不同类型特征的预处理和组合能力以及模型的学习能力，并将将树集成模型作为主要模型方法；该方法对特征的处理和组合能力强，节省数据归一化、空值处理等预处理的成本，且模型准确率更高，可以实现提高应收账款预测模型的健壮性和泛化性能的技术效果。
65.请参见图1，图1为本技术实施例提供的一种融合时序特征与时点特征的模型生成方法的流程示意图，该融合时序特征与时点特征的模型生成方法包括如下步骤：
66.s100：获取用户训练样本数据。
67.示例性地，本技术实施例中用户训练样本数据包括用户基本信息、收支信息、资产信息、应收账款值等数据；
68.在一些实施方式中，选取预测时间前6个月的用户基本信息、收支信息、资产信息、应收账款值等数据作为训练样本。
69.s200：根据用户训练样本数据生成用户时点特征信息。
70.示例性地，根据用户训练样本数据生成用户时点特征信息，即可以选取用户时点信息作为特征，包括用户每个预测时间节点的年龄、职业、资产余额、存款余额、贷款余额、车辆贷款余额、房屋贷款余额、消费类贷款余额、信用卡负债余额、月支出额、月收入额、月还款额、是否自动还款、最近一次还款金额、是否办理分期、分期期数、分期金额等多个时点特征中的一种或多种。
71.s300：根据用户训练样本数据生成用户时序特征信息。
72.示例性地，根据用户训练样本数据生成用户时序特征信息，可以将用户过去6个月的每月应收账款、每月支出额、每月收入额、每月还款额、每月自动还款额、每月分期金额作为时序特征。
73.s400：将用户时点特征信息和用户时序特征信息进行拼接处理，生成融合用户特征。
74.示例性地，将用户时点特征信息和用户时序特征信息拼接在一起，构成了时序特征与时点特征相融合的融合用户特征。
75.s500：根据融合用户特征对预设树集成模型进行训练，生成用户应收账款预测模型。
76.示例性地，预设树集成模型可以是lightgbm模型和/或xgboost模型。
77.在一些实施方式中，该融合时序特征与时点特征的模型生成方法中使用融合时点特征和时序特征，并对每个用户应收账款额进行预测的方法，实现基于多维特征的回归建模任务，综合考虑训练时间成本、模型可解释性、对不同类型特征的预处理和组合能力以及模型的学习能力，并将将树集成模型作为主要模型方法；该方法对特征的处理和组合能力强，节省数据归一化、空值处理等预处理的成本，且模型准确率更高，可以实现提高应收账款预测模型的健壮性和泛化性能的技术效果。
78.请参见图2，图2为本技术实施例提供的另一种融合时序特征与时点特征的模型生成方法的流程示意图。
79.示例性地，s200：根据用户训练样本数据生成用户时点特征信息的步骤，包括：
80.s201：根据用户训练样本获取用户时点信息，用户时点信息包括用户每个预测时间节点的年龄、职业、资产余额、存款余额、贷款余额、车辆贷款余额、房屋贷款余额、消费类贷款余额、信用卡负债余额、月支出额、月收入额、月还款额、是否自动还款、最近一次还款金额、是否办理分期、分期期数、分期金额中的一种或多种；
81.s202：根据用户时点信息生成用户时点特征信息。
82.示例性地，s300：根据用户训练样本数据生成用户时序特征信息的步骤，包括：
83.s301：根据用户训练样本获取用户时序信息，用户时序信息包括每月应收账款、每月支出额、每月收入额、每月还款额、每月自动还款额、每月分期金额中的一种或多种；
84.s303：根据用户时序信息生成用户时序特征信息。
85.示例性地，在s303：根据用户时序信息生成用户时序特征信息的步骤之前，方法还包括：
86.s302：根据用户时序信息计算用户时序统计数据，用户时序统计数据包括月均最大值、最小值、平均值、方差、每月与上月的差值、差值比例、月均差值、月均差值比例中的一种或多种。
87.示例性地，通过计算月均最大值、最小值、平均值、方差，每月与上月的差值、差值比例以及月均差值、月均差值比例等统计值作为刻画用户特征周期性波动与长期性趋势的信息，提高模型训练的准确率。
88.示例性地，s500：根据融合用户特征对预设树集成模型进行训练，生成用户应收账款预测模型的步骤，包括：
89.s501：根据预设stacking集成模型将融合用户特征拆分为多份子融合用户特征；
90.s502：对多份子融合用户特征进行交叉验证，生成用户应收账款预测模型。
91.示例性地，通过预设stacking集成模型，将训练数据集分成子融合用户特征并进行交叉验证，防止过拟合并提升模型学习效果。
92.在一些实施方式中，将训练数据集分成5份子融合用户特征并进行5折交叉验证。
93.示例性地，s502：对多份子融合用户特征进行交叉验证，生成用户应收账款预测模型的步骤，包括：
94.遍历多份子融合用户特征，并对遍历到的子融合用户特征执行以下处理：
95.将遍历到的子融合用户特征作为验证数据，多份子融合用户特征中的其他子融合用户特征作为训练数据进行预设树集成模型训练，生成训练结果特征；将训练结果特征与验证数据中的验证目标值进行组合泛化处理，生成组合训练结果特征；
96.将所有的组合训练结果特征进行特征拼接，生成用户应收账款预测模型。
97.示例性地，预设树集成模型为lightgbm模型和/或xgboost模型。
98.示例性地，xgboost模型和lightgbm模型的特征处理和组合能力较强，可以节省数据归一化、空值处理等预处理操作的成本，而且训练效率较高，可解释性较强，可以给业务场景提供更多直观的结论或建议。其中，xgboost模型的优点是提供带深度限制的level-wise生长策略，不容易过拟合，但对类别特征的学习能力较差；lightgbm模型的优点是能够学习类别特征，但比较容易过拟合。两者同时使用在我们的实践中能达到更优的效果。
99.在一些实施方式中，针对时序模型在应收账款预测上的不足，本技术实施例采用融合时点特征和时序特征对每个客户应收账款额进行预测的方法，将此任务定义为基于多维特征的回归建模任务，综合考虑训练时间成本、模型可解释性、对不同类型特征的预处理和组合能力以及模型的学习能力，将树集成模型lightgbm和xgboost作为主要模型方法。作为示例，本技术实施例选取预测时间前6个月的用户基本信息、收支信息、资产信息、应收账款值等数据作为训练样本，对当前(即第7个月)的用户应收账款额进行预测：
100.1)选取用户时点信息作为用户时点特征信息，包括用户每个预测时间节点的年龄、职业、资产余额、存款余额、贷款余额、车辆贷款余额、房屋贷款余额、消费类贷款余额、信用卡负债余额、月支出额、月收入额、月还款额、是否自动还款、最近一次还款金额、是否办理分期、分期期数、分期金额等16个时点特征；
101.2)将用户过去6个月的每月应收账款、每月支出额、每月收入额、每月还款额、每月自动还款额、每月分期金额作为时序特征(用户时序特征信息)，并计算月均最大值、最小值、平均值、方差，每月与上月的差值、差值比例以及6个月的月均差值、月均差值比例等统计值作为刻画用户特征周期性波动与长期性趋势的信息，将这些特征与时点特征拼接在一起，构成98个特征。
102.3)为了防止过拟合并提升模型学习效果，我们采用了stacking集成模型的方法，将训练数据集分成5份进行5折交叉验证。在每一折交叉验证时，其中4份数据作为训练数据，剩余一份作为验证数据，用该含有98个特征的训练数据得到的模型预测验证数据得到验证目标值，并将训练数据中的数据特征与验证目标值组合成更泛化的新特征，例如对连续值特征每月应收账款进行分桶为类别特征，然后将每个类别的验证目标值和总验证目标值作为新的特征矩阵，剩余每一折的操作与此相似，最后将5折的新特征拼接在一起，用lr模型训练得到最终预测结果。在我们的实践中，在每一折交叉验证中分别使用了lightgbm
和xgboost模型，构造了360个新特征，包括每月应收账款、每月支出额、每月收入额、每月还款额、每月自动还款额、每月分期金额等原始特征分桶为类别特征后的验证目标值和总验证目标值。
103.示例性地，使用xgboost模型和lightgbm模型是因为这两种树集成模型的特征处理和组合能力较强，可以节省数据归一化、空值处理等预处理操作的成本，而且训练效率较高，可解释性较强，可以给业务场景提供更多直观的结论或建议。其中，xgboost模型的优点是提供带深度限制的level-wise生长策略，不容易过拟合，但对类别特征的学习能力较差；lightgbm模型的优点是能够学习类别特征，但比较容易过拟合。两者同时使用在我们的实践中能达到目前最优的效果。
104.在一些实施方式中，在模型训练完成后获得用户应收账款预测模型，将用户应收账款预测模型部署在业务系统中，在生产上的准确率达到99.46％，优于使用时序模型进行预测的准确率(99.08％)。另外，可以用shapley值对模型作出归因分析，得到对模型结果贡献最大的top10个原始特征为：用户前一个月应收账款值，用户前两个月应收账款值、信用卡负债余额、前一个月交易额、用户前四个月应收账款值、用户前三个月应收账款值、用户前一个月分期金额、用户分期期数、用户前一个月还款额、贷款余额。因此，在进行业务时可对用户历史应收账款值、历史交易记录、历史分期账单以及贷款余额这四类数据多加关注，在模型归因分析中，这四类数据对应收账款预测值的影响程度最高。其中，用户历史应收账款值对应收帐款预测值的影响程度达到75％，可通过衡量用户历史应收账款值与应收账款预测值的趋势来监控是否出现数据异常或模型异常情况。
105.示例性地，本技术实施例提供的融合时序特征与时点特征的模型生成方法具备如下优点：以树集成模型为主要模型方法代替时序模型，对特征的处理和组合能力强，节省数据归一化、空值处理等预处理的成本，且模型准确率更高；选取最近一个月应收账款值作为目标，将过去半年的应收账款值、交易记录、分期账单等历史数据构造为时序特征，并通过多种统计方法交互为更多新特征，与用户当前的资产余额、负债余额等时点特征合并到一起用stacking方式交叉建模，可以提高模型的学习能力和泛化能力；可解释性强，能够通过归因分析了解并量化对ar值影响程度较大的特征。
106.请参见图3，图3为本技术实施例提供的融合时序特征与时点特征的模型生成系统的结构框图，该融合时序特征与时点特征的模型生成系统包括：
107.获取模块100，用于获取用户训练样本数据；
108.时点特征模块200，用于根据用户训练样本数据生成用户时点特征信息；
109.时序特征模块300，用于根据用户训练样本数据生成用户时序特征信息；
110.融合特征模块400，用于将用户时点特征信息和用户时序特征信息进行拼接处理，生成融合用户特征；
111.模型训练模块500，用于根据融合用户特征对预设树集成模型进行训练，生成用户应收账款预测模型。
112.示例性地，时点特征模块200具体用于：
113.根据用户训练样本获取用户时点信息，用户时点信息包括用户每个预测时间节点的年龄、职业、资产余额、存款余额、贷款余额、车辆贷款余额、房屋贷款余额、消费类贷款余额、信用卡负债余额、月支出额、月收入额、月还款额、是否自动还款、最近一次还款金额、是
否办理分期、分期期数、分期金额中的一种或多种；
114.根据用户时点信息生成用户时点特征信息。
115.示例性地，时序特征模块300具体用于：
116.根据用户训练样本获取用户时序信息，用户时序信息包括每月应收账款、每月支出额、每月收入额、每月还款额、每月自动还款额、每月分期金额中的一种或多种；
117.根据用户时序信息生成用户时序特征信息。
118.示例性地，融合时序特征与时点特征的模型生成系统还包括：
119.统计数据模块，用于根据用户时序信息计算用户时序统计数据，用户时序统计数据包括月均最大值、最小值、平均值、方差、每月与上月的差值、差值比例、月均差值、月均差值比例中的一种或多种。
120.示例性地，模型训练模块500，具体用于：
121.根据预设stacking集成模型将融合用户特征拆分为多份子融合用户特征；
122.对多份子融合用户特征进行交叉验证，生成用户应收账款预测模型。
123.示例性地，模型训练模块500还用于：
124.遍历多份子融合用户特征，并对遍历到的子融合用户特征执行以下处理：
125.将遍历到的子融合用户特征作为验证数据，多份子融合用户特征中的其他子融合用户特征作为训练数据进行预设树集成模型训练，生成训练结果特征；将训练结果特征与验证数据中的验证目标值进行组合泛化处理，生成组合训练结果特征；
126.将所有的组合训练结果特征进行特征拼接，生成用户应收账款预测模型。
127.示例性地，图3所示的融合时序特征与时点特征的模型生成系统与图1、图2所示的方法实施例相对应，为避免重复，此处不再赘述。
128.本技术还提供一种电子设备，请参见图4，图4为本技术实施例提供的一种电子设备的结构框图。电子设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中，通信总线540用于实现这些组件直接的连接通信。其中，本技术实施例中电子设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片，具有信号的处理能力。
129.上述的处理器510可以是通用处理器，包括中央处理器(cpu，central processing unit)、网络处理器(np，network processor)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(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。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
130.存储器530可以是，但不限于，随机存取存储器(ram，random access memory)，只读存储器(rom，read only memory)，可编程只读存储器(prom，programmable read-only memory)，可擦除只读存储器(eprom，erasable programmable read-only memory)，电可擦除只读存储器(eeprom，electric erasable programmable read-only memory)等。存储器530中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器510执行时，电子设备可以执行上述图1至图2方法实施例涉及的各个步骤。
131.可选地，电子设备还可以包括存储控制器、输入输出单元。
132.所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之
间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。
133.输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
134.可以理解，图4所示的结构仅为示意，所述电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
135.本技术实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。
136.本技术还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
137.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
138.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
139.所述功能如果以软件功能模块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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
140.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
141.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何
熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
142.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。