样本数据处理方法、装置及电子设备与流程

1.本技术涉及数据处理技术领域，具体而言，涉及一种样本数据处理方法、装置及电子设备。


背景技术：

2.在一些业务场景中，通过对多渠道的海量数据进行挖掘并建立机器学习模型，可以提升训练样本的质量和数量，从而得到应用性广泛且通用性强的模型。但由于不同渠道的数据间存在差异，不同渠道的数据在相同特征下可能具有完全不同的表现结果，因此将差异性过大的渠道样本进行合并不利于模型的学习。通常，为了让模型更加有针对性地进行学习，首先会对渠道进行聚类得到不同的簇，即不同渠道组合的类，将相近的渠道数据合并在一起，再依此对每个渠道组合簇的数据进行建模。
3.聚类是数据挖掘中常用的无监督学习方法，目的在于将海量数据按照特性分割为不同类或簇，使得彼此相似的数据点聚合在同一簇中，而差异性大的对象尽可能分离。主要的聚类算法包含基于划分的k-means算法、基于层次的birch算法、基于密度的dbscan算法等。在不同的聚类算法中，通常都需要通过定义“距离”或者“相似度”，来表示对象之间的相似程度，距离越大，相似度越小，表示对象之间的相似性小、差异性越大。
4.针对该业务场景需求，即对多渠道数据中的渠道进行聚类，现有的技术方案主要有两种。一是直接基于对不同渠道来源数据性质和特点的理解与认知，人为地对渠道进行分类，其受到不同人主观定义的影响，准确度不高。二是利用聚类算法对渠道进行聚类，对渠道的聚类需要首先定义渠道间的相似度或者距离，然后应用聚类算法对渠道进行区分，但是被划为同一簇的数据往往仅在特征上具有相似的分布或聚集性，但并不一定在目标标签上具有相同的趋势或表现，其对应模型可能完全不同，不利于聚类后模型准确性和泛化性的提升。


技术实现要素：

5.为了克服现有技术中的上述不足，本技术的目的在于提供一种样本数据处理方法，所述方法包括：
6.获取多个不同的数据样本集，每个所述数据样本集包括目标标签为正样本的多个数据样本和目标标签为负样本的多个数据样本，每个所述数据样本包括多个数据项；
7.针对每个所述数据样本集，根据该数据样本集中各所述数据样本的目标标签和数据项训练第一分类模型，并获得所述第一分类模型的第一模型效果评价指标值；
8.将多个所述数据样本集中的每两个数据样本集组成一个数据样本集对；
9.针对每个所述数据样本集对，将所述数据样本集对中的数据样本组合为第一合并数据集，根据所述第一合并数据集中各所述数据样本的目标标签和数据项训练第二分类模型，并分别获得所述第二分类模型针对所述两个数据样本集的第二模型效果评价指标值；
10.根据所述数据样本集对中的两个数据样本集各自的所述第一模型效果评价指标
值和所述第二模型效果评价指标值，确定所述数据样本集对的相似度值；
11.根据各所述数据样本集对的相似度值对多个所述数据样本集进行聚类，获得多个聚类簇，每个所述聚类簇包括至少一个所述数据样本集；
12.针对每个所述聚类簇，对该聚类簇包括的所有所述数据样本集组合为第二合并数据集，并使用所述第二合并数据集训练与该聚类簇对应的数据分析模型。
13.在一种可能的实现方式中，所述针对每个所述数据样本集，根据该数据样本集中各所述数据样本的目标标签和数据项训练第一分类模型，并获得所述第一分类模型的第一模型效果评价指标值的步骤，包括：
14.针对每个所述数据样本集，将该数据样本集分为第一训练数据集和测试数据集；
15.使用所述第一训练数据集对所述第一分类模型进行训练；
16.使用所述测试数据集对训练后的所述第一分类模型进行测试，获得所述第一模型效果评价指标值。
17.在一种可能的实现方式中，所述针对每个所述数据样本集对，将所述数据样本集对中的数据样本组合为第一合并数据集，根据所述第一合并数据集中各所述数据样本的目标标签和数据项训练第二分类模型，并分别获得所述第二分类模型针对所述两个数据样本集的第二模型效果评价指标值的步骤，包括：
18.所述针对每个所述数据样本集对，将两个所述数据样本集的所述第一训练数据集组合为第二训练数据集；
19.使用所述第二训练数据集对所述第二分类模型进行训练；
20.分别使用所述两个数据样本集各自测试数据集对所述第二分类模型进行测试，获得所述两个数据样本集对应的第二模型效果评价指标值。
21.在一种可能的实现方式中，所述根据所述每个数据样本集对中的两个数据样本集各自的所述第一模型效果评价指标值和所述第二模型效果评价指标值，确定所述数据样本集对的相似度值的步骤，包括：
22.计算所述两个数据样本集各自的所述第二模型效果评价指标值的平均值作为所述数据样本集对的第一相似度值；
23.分别计算所述两个数据样本集的所述第二模型效果评价指标值和所述第一模型效果评价指标值的差值，将两个所述差值的和值作为所述数据样本集对的第二相似度值；
24.分别计算所述两个数据样本集的所述第二模型效果评价指标值和所述第一模型效果评价指标值的差值与所述第一模型效果评价指标值的商值，将两个所述商值的和值作为所述数据样本集对的第三相似度值。
25.在一种可能的实现方式中，所述针对每个所述数据样本集，根据该数据样本集中各所述数据样本的目标标签和数据项训练第一分类模型，并获得所述第一分类模型的第一模型效果评价指标值的步骤之前，所述方法包括：
26.分别对多个所述数据样本集进行重采样，使各所述数据样本集的数据样本总数和正负样本比例相等。
27.在一种可能的实现方式中，所述第一分类模型和所述第二分类模型为数据处理结构相同的分类模型。
28.在一种可能的实现方式中，所述目标标签为正样本的数据样本表征具有借贷风险
的用户，所述目标标签为负样本的数据样本表征不具有借贷风险的用户；所述数据样本的多个数据项包括表征用户特征的多个用户特征数据项，所述用户特征数据项包括用户设备信息类特征、历史借贷行为类特征或支付行为类特征等中的至少一项。
29.本技术的另一目的在于提供一种数据处理装置，其特征在于，所述数据处理装置包括：
30.数据获取模块，用于获取多个不同的数据样本集，每个所述数据样本集包括目标标签为正样本的多个数据样本和目标标签为负样本的多个数据样本，每个所述数据样本包括多个数据项；
31.第一数据处理模块，用于针对每个所述数据样本集，根据该数据样本集中各所述数据样本的目标标签和数据项训练第一分类模型，并获得所述第一分类模型的第一模型效果评价指标值；
32.数据组合模块，用于将多个所述数据样本集中的每两个数据样本集组成一个数据样本集对；
33.第二数据处理模块，用于针对每个所述数据样本集对，将所述数据样本集对中的数据样本组合为第一合并数据集，根据所述第一合并数据集中各所述数据样本的目标标签和数据项训练第二分类模型，并分别获得所述第二分类模型针对所述两个数据样本集的第二模型效果评价指标值；
34.相似度计算模块，用于根据所述数据样本集对中的两个数据样本集各自的所述第一模型效果评价指标值和所述第二模型效果评价指标值，确定所述数据样本集对的相似度值；
35.聚类模块，用于根据各所述数据样本集对的相似度值对多个所述数据样本集进行聚类，获得多个聚类簇，每个所述聚类簇包括至少一个所述数据样本集；
36.第三数据处理模块，用于针对每个所述聚类簇，对该聚类簇包括的所有所述数据样本集组合为第二合并数据集，并使用所述第二合并数据集训练与该聚类簇对应的数据分析模型。
37.本技术的另一目的在于提供一种电子设备，包括处理器及机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被所述处理器执行时，实现本技术提供的样本数据处理方法。
38.本技术的另一目的在于提供一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被一个或多个处理器执行时，实现本技术提供的样本数据处理方法。
39.相对于现有技术而言，本技术具有以下有益效果：
40.本技术提供的样本数据处理方法、装置及电子设备，通过采用不同数据样本集合并建模的模型效果或效果增益作为两个数据样本集相似度参照标准，解决了现有相似度/距离定义方法中仅考虑数据特征分布、不考虑建模目标和效果的问题，如此，可以将最对模型有增益的渠道数据合并在一起，避免差异化过大的渠道数据合并在一起对模型学习造成影响，使得合并后的渠道簇具有簇内样本建模效果最大化、簇间模型差异最大化的特点，可以更好的发挥各渠道数据的独特性和提升渠道聚合的建模意义，极大地提升渠道组合后模型的效果和泛化性。
附图说明
41.为了更清楚地说明本技术实施例的技术方案，下面将对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。
42.图1为本技术实施例提供的电子设备的示意图；
43.图2为本技术实施例提供的样本数据处理方法的步骤流程示意图；
44.图3为本技术实施例提供的样本数据处理装置的功能模块示意图。
具体实施方式
45.为使本技术实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
46.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
47.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。
48.在本技术的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
49.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
50.本实施例提供一种电子设备，该电子设备可以为个人电脑、笔记本电脑、服务器、服务器集群等具有一定数据处理能力的设备。请参照图1，图1是本技术实施例提供的电子设备100的方框示意图。所述电子设备100包括样本数据处理装置110、机器可读存储介质120及处理器130。
51.所述机器可读存储介质120、处理器130及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讯总线或信号线实现电性连接。所述样本数据处理装置110包括至少一个可以软件或固件(firmware)的形式存储于所述机器可读存储介质120中或固化在所述电子设备100的操作系统(operating system，os)中的软件功能模块。所述处理器130用于执行所述机器可读存储介质120中存储的可执行模块，例如所述样本数据处理装置110所包括的软件功能模块及计算机程序等。
52.其中，所述机器可读存储介质120可以是，但不限于，随机存取存储器
(randomaccess memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，机器可读存储介质120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。
53.所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(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也可以是任何常规的处理器等。
54.请参照图2，图2为应用于图1所示的电子设备100的一种样本数据处理方法的流程图，以下将对所述方法包括各个步骤进行详细阐述。
55.步骤s110，获取多个不同的数据样本集，每个所述数据样本集包括目标标签为正样本的多个数据样本和目标标签为负样本的多个数据样本，每个所述数据样本包括多个数据项。
56.在一种可能的实现方式中，所述目标标签为正样本的数据样本表征具有借贷风险的用户，所述目标标签为负样本的数据样本表征不具有借贷风险的用户。所述数据样本的多个数据项包括表征用户特征的多个用户特征数据项，所述用户特征数据项包括用户设备信息类特征(如手机型号、手机品牌)、历史借贷行为类特征(如通过借贷金额、借还款时间等分析出的行为特征)或支付行为类特征(如通过付款金额、付款频率、付款时间等分析出的行为特征)中的至少一项。
57.不同的数据样本集可以为从不同渠道获取的数据，不同的数据样本集可能来自不同的金融或信贷机构，也可能选取自不同的信贷产品，因此对应的客群可能具有不同的行为特征或信贷风险，从而行为与风险的对应关系可能存在不同。
58.例如，本实施例中获取的数据样本集可以为用于进行混合渠道建模的数据样本集，根据不同业务和建模需求，收集各渠道的数据样本集d1、d2、
…
、dn，其中1～n分别对应每个渠道，数据样本集d1～dn分别对应渠道1～n的数据样本集。
59.可选地，在一些可能的实现方式中，在获得不同的数据样本集后，可以先对各数据样本集进行数据预处理，如进行数据清洗、数据预处理、重采样等。在一个例子中，不同的数据样本集中样本数据的总量或者正负样本的比例可能不同，因此，为了提高后续模型训练的公平性和准确性，在本实施例中可以先分别对多个所述数据样本集进行重采样，使各所述数据样本集的数据样本总数和正负样本比例相等。
60.步骤s120，针对每个所述数据样本集，根据该数据样本集中各所述数据样本的目标标签和数据项训练第一分类模型，并获得所述第一分类模型的第一模型效果评价指标值。
61.在一种可能的实现方式中，可以针对每个所述数据样本集，将该数据样本集分为第一训练数据集和测试数据集，然后使用所述第一训练数据集对所述第一分类模型进行训练，并使用所述测试数据集对训练后的所述第一分类模型进行测试，获得所述第一模型效
果评价指标值。
62.例如，针对每个所述数据样本集，可以将其划分为第一训练数据集和测试数据集，例如，将数据样本集d1分为第一训练数据集d1_train和测试数据集d1_test。其中，划分第一训练数据集时需保证第一训练数据集与测试数据集之间无重复数据样本。
63.然后，使用所述第一训练数据d1_train，建立所述数据样本集d1对应的第一分类模型m1。在完成训练以后，可以使用所述数据样本集d1的测试数据集d1_test对训练好的所述第一分类模型m1进行测试，计算获得所述第一分类模型m1的第一模型效果评价指标值result1。在本实施例中，所述第一模型效果评价指标值result1可以包括auc指标值、ks指标值、gini指标值、lift指标值、准确率、召回率、精确率等。
64.步骤s130，将多个所述数据样本集中的每两个数据样本集组成一个数据样本集对。
65.在本实施例中，可以构建对所有的所述数据样本集进行任意两两组合，如数据样本集d1可以与数据样本集d2进行组合，或者可以与数据样本集dn进行组合。对n个数据样本集来说，从中选择2个进行组合，应共有个数据样本集对。例如，若共有20个数据样本集，共有190种组合方式。
66.步骤s140，针对每个所述数据样本集对，将所述数据样本集对中的数据样本组合为第一合并数据集，根据所述第一合并数据集中各所述数据样本的目标标签和数据项训练第二分类模型，并分别获得所述第二分类模型针对所述两个数据样本集的第二模型效果评价指标值。
67.在一种可能的实现方式中，可以针对每个所述数据样本集对，将两个所述数据样本集的所述第一训练数据集组合为第二训练数据集，然后使用所述第二训练数据集对所述第二分类模型进行训练，并分别使用所述两个数据样本集各自测试数据集对所述第二分类模型进行测试，获得所述两个数据样本集对应的第二模型效果评价指标值。
68.具体地，以数据样本集d1和数据样本集d2的组成的样本数据集对为例，在步骤s120中，可以将数据样本集d1划分为第一训练数据集d1_train和测试数据集d1_test，将数据样本集d2划分为第一训练数据集d2_train和测试数据集d2_test。在步骤s140中可以将数据样本集d1的第一训练数据集d1_train和数据样本集d2的第一训练数据集d2_train，合并得到第二训练数据集d12_train，然后通过所述第二训练数据集d12_train训练与数据样本集d1和数据样本集d2对应的第二分类模型m12。
69.然后分别使用数据样本集d1的测试数据集d1_test和数据样本集d2的测试数据集d2_test对所述第二分类模型m12进行测试，获得与数据样本集d1对应的第二模型效果评价指标值result12_1以及与数据样本集d2对应的第二模型效果评价指标值result12_2。其中，所述第二模型效果评价指标值可以包括auc指标值、ks指标值、gini指标值、lift指标值、准确率、召回率、精确率等。
70.需要说明的是，在本实施例中，所述第一分类模型和所述第二分类模型为数据处理结构相同的分类模型。例如，所述第一分类模型和所述第二分类模型具有相同的网络结构，使用相同的损失函数。
71.步骤s150，根据所述数据样本集对中的两个数据样本集各自的所述第一模型效果评价指标值和所述第二模型效果评价指标值，确定所述数据样本集对的相似度值。
72.在本实施例中，可以根据所述数据样本集对中的两个数据样本集各自的所述第一模型效果评价指标值和所述第二模型效果评价指标值计算多种不同维度的相似度值。
73.例如，在一种可能的实现方式中，可以计算所述两个数据样本集各自的所述第二模型效果评价指标值的平均值作为所述数据样本集对的第一相似度值。
74.具体地，第一相似度值similarity1可以表征数据样本集d1和数据样本集d2之间的组合建模效果相似度，第一相似度值similarity1的计算方式如下：
75.similarity1＝(result12_1 result12_2)/2
76.所述第一相似度值similarity1越高，表明数据样本集对建模的整体综合效果越好。
77.在另一种可能的实现方式中，可以分别计算所述两个数据样本集的所述第二模型效果评价指标值和所述第一模型效果评价指标值的差值，将两个所述差值的和值作为所述数据样本集对的第二相似度值。
78.具体地，所述第二相似度值similarity2可以表征数据样本集d1和数据样本集d2组合建模效果增益定义相似度，所述第二相似度值similarity2的计算方式如下：
79.similarity2＝(result12_1-result1) (result12_2-result2)
80.所述第二相似度值similarity2越高，表明数据样本集对组合建模的整体效果增益越好。
81.在又一种可能的实现方式中，可以分别计算所述两个数据样本集的所述第二模型效果评价指标值和所述第一模型效果评价指标值的差值与所述第一模型效果评价指标值的商值，将两个所述商值的和值作为所述数据样本集对的第三相似度值。
82.具体地，所述第三相似度值similarity3可以表征数据样本集d1和数据样本集d2组合建模效果增益比例定义相似度，所述第三相似度值similarity3的计算方式如下：
83.similarity3＝(result12_1-result1)/result1 (result12_2-result2)/result2
84.所述第三相似度值similarity3越高，表明数据样本集对组合建模的整体效果增益占原有单渠道建模效果比例越高。
85.步骤s160，根据各所述数据样本集对的相似度值对多个所述数据样本集进行聚类，获得多个聚类簇，每个所述聚类簇包括至少一个所述数据样本集。
86.在本实施例中，可以依据上述一种或多种相似度值进行聚类，将相似度值高的数据样本集聚为一簇，得到k个簇。其中，同一簇内各数据样本集的相似性高，不同簇之间数据样本集的差异性高。
87.步骤s170，针对每个所述聚类簇，对该聚类簇包括的所有所述数据样本集组合为第二合并数据集，并使用所述第二合并数据集训练与该聚类簇对应的数据分析模型。
88.在本实施例中，通过步骤s110到步骤s160采用不同数据样本集合并建模的模型效果或效果增益作为两个数据样本集相似度参照标准，可以将最对模型有增益的渠道数据合并在一起，如此，在步骤s170中使用相似度较高的样本数据集合并训练对应的数据分析模型，可以避免差异化过大的渠道数据合并在一起对模型学习造成影响，使得合并后的渠道簇具有簇内样本建模效果最大化、簇间模型差异最大化的特点，可以更好的发挥各渠道数据的独特性和提升渠道聚合的建模意义，极大地提升渠道组合后模型的效果和泛化性。
89.基于相同的发明构思，请参照图3，本实施例还提供一种样本数据处理装置110，样本数据处理装置110包括至少一个可以软件形式存储于机器可读存储介质120中的功能模块。从功能上划分，样本数据处理装置110可以包括数据获取模块111、第一数据处理模块112、数据组合模块113、第二数据处理模块114、相似度计算模块115、聚类模块116、第三数据处理模块117。
90.所述数据获取模块111用于获取多个不同的数据样本集，每个所述数据样本集包括目标标签为正样本的多个数据样本和目标标签为负样本的多个数据样本，每个所述数据样本包括多个数据项。
91.本实施例中，所述数据获取模块111可用于执行图2所示的步骤s110，关于所述数据获取模块111的具体描述可参对所述步骤s110的描述。
92.所述第一数据处理模块112用于针对每个所述数据样本集，根据该数据样本集中各所述数据样本的目标标签和数据项训练第一分类模型，并获得所述第一分类模型的第一模型效果评价指标值。
93.本实施例中，所述第一数据处理模块112可用于执行图2所示的步骤s120，关于所述第一数据处理模块112的具体描述可参对所述步骤s120的描述。
94.所述数据组合模块113用于将多个所述数据样本集中的每两个数据样本集组成一个数据样本集对。
95.本实施例中，所述数据组合模块113可用于执行图2所示的步骤s130，关于所述数据组合模块113的具体描述可参对所述步骤s130的描述。
96.所述第二数据处理模块114用于针对每个所述数据样本集对，将所述数据样本集对中的数据样本组合为第一合并数据集，根据所述第一合并数据集中各所述数据样本的目标标签和数据项训练第二分类模型，并分别获得所述第二分类模型针对所述两个数据样本集的第二模型效果评价指标值。
97.本实施例中，所述第二数据处理模块114可用于执行图2所示的步骤s140，关于所述第二数据处理模块114的具体描述可参对所述步骤s140的描述。
98.所述相似度计算模块115用于根据所述数据样本集对中的两个数据样本集各自的所述第一模型效果评价指标值和所述第二模型效果评价指标值，确定所述数据样本集对的相似度值。
99.本实施例中，所述相似度计算模块115可用于执行图2所示的步骤s150，关于所述相似度计算模块115的具体描述可参对所述步骤s150的描述。
100.所述聚类模块116用于根据各所述数据样本集对的相似度值对多个所述数据样本集进行聚类，获得多个聚类簇，每个所述聚类簇包括至少一个所述数据样本集。
101.本实施例中，所述聚类模块116可用于执行图2所示的步骤s160，关于所述聚类模块116的具体描述可参对所述步骤s160的描述。
102.所述第三数据处理模块117用于针对每个所述聚类簇，对该聚类簇包括的所有所述数据样本集组合为第二合并数据集，并使用所述第二合并数据集训练与该聚类簇对应的数据分析模型。
103.本实施例中，所述第三数据处理模块117可用于执行图2所示的步骤s170，关于所述第三数据处理模块117的具体描述可参对所述步骤s170的描述。
104.综上所述，本技术提供的样本数据处理方法、装置及电子设备，通过采用不同数据样本集合并建模的模型效果或效果增益作为两个数据样本集相似度参照标准，解决了现有相似度/距离定义方法中仅考虑数据特征分布、不考虑建模目标和效果的问题，如此，可以将最对模型有增益的渠道数据合并在一起，避免差异化过大的渠道数据合并在一起对模型学习造成影响，使得合并后的渠道簇具有簇内样本建模效果最大化、簇间模型差异最大化的特点，可以更好的发挥各渠道数据的独特性和提升渠道聚合的建模意义，极大地提升渠道组合后模型的效果和泛化性。
105.在本技术所提供的实施例中，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。
106.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。
107.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，randomaccess memory)、磁碟或者光盘等各种可以存储程序代码的介质。
108.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。
109.以上所述，仅为本技术的各种实施方式，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。