一种模型训练和业务风控的方法及装置

技术领域

本说明书涉及互联网技术领域，尤其涉及一种模型训练和业务风控的方法及装置。

背景技术

随着社会经济的发展，人民生活水平的进步，保险业务越来越得到大众的重视。以往，客户在线下购买保险时，保险公司通常是采用人工核查的方式对投保客户的健康状况进行审核，以确定投保客户是否满足投保条件。

现在，由于线上执行保险业务极为便捷，线上保险业务迅速扩展。当前，保险公司仍然采用人工核查的方式对投保客户的健康状况进行核查，这样，不仅极大地增加了业务员的审核工作量，而且作业效率低。

发明内容

本说明书提供一种模型训练和业务风控的方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种模型训练的方法，包括：

获取各用户的历史第一业务数据以及用户属性数据，所述历史第一业务数据是用户在历史上执行第一业务产生的业务数据；

根据所述历史第一业务数据以及所述用户属性数据，确定各基础特征；

根据所述各基础特征，确定至少一个额外特征；

将所述各基础特征以及所述至少一个额外特征作为风控特征，并针对每个风控特征，确定该风控特征对应的风控数据区间；

针对每个用户，将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中，得到输出结果；

以最小化所述输出结果与该用户对应的风控标签之间的偏差为优化目标，对所述风控模型进行训练，并通过训练后的风控模型对第二业务进行业务风控。

可选地，所述用户属性数据包括：用户的信用数据、用户的保险数据、用户的医疗数据中的至少一种。

可选地，所述历史第一业务数据包括：业务地址包含医院地址的历史订单数据；

所述根据所述各基础特征，确定至少一个额外特征，包括：

针对每个用户，从该用户的历史第一业务数据中，确定业务地址包含医院地址的历史订单的订单数，作为该用户对应的目标订单数；

根据各用户对应的目标订单数，划分若干订单数量区间；

根据所述若干订单数量区间以及从所述用户属性数据中确定出的基础特征对应的特征数据，确定额外特征。

可选地，所述根据所述若干订单数量区间以及从所述用户属性数据中确定出的基础特征对应的特征数据，确定额外特征，包括：

根据所述若干订单数量区间以及从所述用户属性数据中确定出的基础特征对应的特征数据，对所述各用户进行聚类，得到若干聚类簇；

根据所述若干聚类簇，确定额外特征。

可选地，所述将所述各基础特征以及所述至少一个额外特征作为风控特征，并针对每个风控特征，确定该风控特征对应的风控数据区间，包括：

针对每个风控特征，确定该风控特征在不同数据区间上的相关性，并针对该风控特征对应的每个数据区间，根据该风控特征对应的特征数据位于该数据区间内的正例用户的用户数量以及反例用户的用户数量，确定该风控特征在该数据区间对应的IV；

根据该风控特征在不同数据区间上的相关性以及该风控特征在不同数据区间对应的IV，确定该风控特征对应的风控数据区间。

可选地，所述风控模型包括：第一风控模型以及第二风控模型，所述第一风控模型用于在第二业务的第一业务阶段进行业务风控，所述第二风控模型用于在所述第二业务的第二业务阶段进行业务风控。

可选地，若对所述第一风控模型进行训练，所述获取各用户的历史业务数据以及用户属性数据，包括：

将与所述第一业务阶段相匹配的各用户作为第一用户，并获取各第一用户的历史第一业务数据以及用户属性数据；

所述根据所述历史第一业务数据以及所述用户属性数据，确定各基础特征，包括：

根据所述各第一用户的历史第一业务数据以及用户属性数据，确定针对所述第一业务阶段的各基础特征，作为第一基础特征；

所述根据所述各基础特征，确定至少一个额外特征，包括：

根据所述各第一基础特征，确定针对所述第一业务阶段的至少一个额外特征，作为第一额外特征；

所述将所述各基础特征以及所述至少一个额外特征作为风控特征，并针对每个风控特征，确定该风控特征对应的风控数据区间，包括：

将所述各第一基础特征以及所述至少一个第一额外特征作为第一风控特征，并针对每个第一风控特征，确定该第一风控特征对应的风控数据区间；

所述针对每个用户，将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中，得到输出结果，包括：

针对每个第一用户，将从该第一用户的历史第一业务数据和用户属性数据中确定出的位于所述各第一风控特征对应风控数据区间的特征数据输入到待训练的第一风控模型中，得到第一输出结果；

所述以最小化所述输出结果与该用户对应的风控标签之间的偏差为优化目标，对所述风控模型进行训练，并通过训练后的风控模型对第二业务进行业务风控，包括：

以最小化所述第一输出结果与该第一用户在所述第一业务阶段对应的第一风控标签之间的偏差为优化目标，对所述第一风控模型进行训练，并通过训练后的第一风控模型对所述第二业务的第一业务阶段进行业务风控。

可选地，若对所述第二风控模型进行训练，所述获取各用户的历史业务数据以及用户属性数据，包括：

将与所述第二业务阶段相匹配的各用户作为第二用户，并获取各第二用户的历史第一业务数据以及用户属性数据；

所述根据所述历史第一业务数据以及所述用户属性数据，确定各基础特征，包括：

根据所述各第二用户的历史第一业务数据、历史第二业务数据以及用户属性数据，确定针对所述第二业务阶段的各基础特征，作为第二基础特征，所述历史第二业务数据是第二用户在历史上执行第二业务产生的；

所述根据所述各基础特征，确定至少一个额外特征，包括：

根据所述各第二基础特征，确定针对所述第二业务阶段的至少一个额外特征，作为第二额外特征；

所述将所述各基础特征以及所述至少一个额外特征作为风控特征，并针对每个风控特征，确定该风控特征对应的风控数据区间，包括：

将所述各第二基础特征以及所述至少一个第二额外特征作为第二风控特征，并针对每个第二风控特征，确定该第二风控特征对应的风控数据区间。

可选地，所述针对每个用户，将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中，得到输出结果之前，还包括：

针对每个第二用户，将从该第二用户的历史第一业务数据和用户属性数据中确定出的位于所述各第一风控特征对应风控数据区间的特征数据输入到训练后的第一风控模型中，得到该第二用户对应的第一风控结果；

所述针对每个用户，将从该用户的历史第一业务数据和用户属性数据中确定所述风控特征对应的特征数据输入到待训练的风控模型中，得到输出结果，包括：

针对每个第二用户，将该第二用户对应的第一风控结果，以及从该第二用户的历史第一业务数据、历史第二业务数据和用户属性数据中确定出的位于所述各第二风控特征对应风控数据区间的特征数据输入到待训练的第二风控模型中，得到第二输出结果；

所述以最小化所述输出结果与该用户对应的风控标签之间的偏差为优化目标，对所述风控模型进行训练，并通过训练后的风控模型对第二业务进行业务风控，包括：

以最小化所述第二输出结果与该第二用户在所述第二业务阶段对应的第二风控标签之间的偏差为优化目标，对所述第二风控模型进行训练，并通过训练后的第二风控模型对所述第二业务的第二业务阶段进行业务风控。

可选地，所述第二业务的第一业务阶段包括：投保审核阶段，所述第二业务的第二业务阶段包括：理赔审核阶段。

本说明书提供了一种业务风控的方法，包括：

接收用户的业务请求；

根据所述业务请求，确定出所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据；

将所述特征数据输入到预先训练的风控模型中，得到风控结果，所述风控模型是通过上述模型训练方法训练得到的；

根据所述风控结果，对所述用户进行业务风控。

本说明书提供了一种模型训练的装置，包括：

数据获取模块，用于获取各用户的历史第一业务数据以及用户属性数据，所述历史第一业务数据是用户在历史上执行第一业务产生的业务数据；

基础特征确定模块，用于根据所述历史第一业务数据以及所述用户属性数据，确定各基础特征；

额外特征确定模块，用于根据所述各基础特征，确定至少一个额外特征；

风控数据区间确定模块，用于将所述各基础特征以及所述至少一个额外特征作为风控特征，并针对每个风控特征，确定该风控特征对应的风控数据区间；

输出模块，用于针对每个用户，将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中，得到输出结果；

训练模块，用于以最小化所述输出结果与该用户对应的风控标签之间的偏差为优化目标，对所述风控模型进行训练，并通过训练后的风控模型对第二业务进行业务风控。

本说明书提供的一种业务风控的装置，包括：

接收模块，用于接收用户的业务请求；

特征数据确定模块，用于根据所述业务请求，确定出所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据；

风控结果确定模块，用于将所述特征数据输入到预先训练的风控模型中，得到风控结果，所述风控模型是通过上述模型训练方法训练得到的；

业务风控模块，用于根据所述风控结果，对所述用户进行业务风控。

本说明书提供了一种计算机可读存储介质，所述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模型训练或业务风控的方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练方法或业务风控方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的模型训练和业务风控的方法中，业务平台根据获取的用户的历史第一业务数据和用户属性数据，确定出作为风控特征的各基础特征和若干额外特征，接着针对每个风控特征，确定该风控特征对应的风控数据区间，并将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中去，训练得到风控模型，再使用训练后的风控模型对第二业务进行业务风控。如此，本说明书实施例中可以通过训练得到的风控模型对作为第二业务的保险业务进行业务风控，如此，减低了工作人员的审核工作量，同时提高了业务执行效率。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中一种模型训练的方法的流程示意图；

图2为本说明书中一种业务风控的方法的流程示意图；

图3为本说明书中一种投保审核阶段对应的风控模型的模型训练的方法的流程示意图；

图4为本说明书中一种投保审核阶段对应的风控模型的业务风控的方法的流程示意图；

图5为本说明书中一种理赔审核阶段对应的风控模型的模型训练的方法的流程示意图；

图6为本说明书中一种理赔审核阶段对应的风控模型的业务风控的方法的流程示意图；

图7为本说明书提供的一种模型训练的装置的示意图；

图8为本说明书提供的一种业务风控的装置的示意图；

图9为本说明书提供的对应于图1所示的模型训练方法或图2所示的业务风控方法的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。

本说明书实施例可用于针对保险业务进行风险控制，其中该保险业务包含有两个业务阶段，分别为投保审核阶段和理赔审核阶段。

本说明书实施例该保险业务的两个业务阶段分别对应有一个风控模型，且该风控模型包括两个子模型，一为健康风控模型，一为欺诈风控模型。

从整体来看，本说明书实施例中每个子模型的训练过程大体相同，其区别仅在于：由于模型应用的阶段不同，以及模型训练的目标不同导致选取出的输入模型的训练数据的特征维度可能有所不同。

因此，本说明书实施例中先不考虑由于模型应用的阶段以及模型训练的目标，仅针对模型训练的具体过程进行简要说明。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中一种模型训练的方法的流程示意图，具体包括以下步骤：

步骤S100，获取各用户的历史第一业务数据以及用户属性数据，所述历史第一业务数据是用户在历史上执行第一业务产生的业务数据。

保险业务中，一般涉及到两个阶段：投保人投保阶段和投保人申请理赔阶段。在实际应用中，投保人向保险公司购买保险时，保险公司会在正式确认接受投保人的投保之前，对投保人进行资质审核，以确认投保人投保的被保险人是否符合投保条件，并在被保险人不符合投保条件时拒绝该投保人购买保险的要求，以减小业务风险。例如，投保人为自己购买大病险时，保险公司需要对该投保人的健康状况进行调查，避免该投保人带病投保骗取保险金的情况出现。

在投保人申请理赔时，保险公司会对投保人提交的理赔理由进行审核，判断该投保人的理赔申请是否属实，且该理赔申请是否符合签订的保险合同中的理赔条件，以确定是否针对投保人的理赔申请进行赔付，减小业务风险。例如，投保人为自己购买大病险后，保险生效期间生病住院治疗并向购买保险的保险公司申请保险理赔，保险公司接收到该投保人的理赔申请后，需要对该投保人的理赔申请的实际情况进行调查，判断该投保人的理赔申请的情况是否属实，且该投保人的理赔申请是否达到理赔条件，若符合，则针对该投保人的理赔申请进行赔付。

基于此，在本说明书实施例中，利用各用户的历史第一业务数据以及用户属性数据作为模型训练的样本数据，训练得到保险业务的风控模型，并利用该风控模型对投保人的业务进行风险控制，以降低业务人员的工作量，并提高保险业务的业务执行效率。

其中，用户的历史第一业务数据是用户在历史上执行第一业务产生的业务数据。该第一业务是指除了使用训练好的风控模型进行风险控制的保险业务外，用户在历史上已执行的其他业务。例如，用户在外卖平台上购买外卖的订单明细、用户在电商平台上购买药物的订单明细、用户在线上平台上的生活服务缴费记录等等，均可以称之为是用户的历史第一业务数据。

在本说明书实施例中，用户属性数据用于反映用户自身的一些实际情况，例如，用户属性数据可以包括：用户的信用数据、用户的保险数据、用户的医疗数据等。

用户的信用数据指可以体现用户信用状态的所有数据。例如，用户的信用数据可以包括用户的信用度、用户的征信信息、用户的信贷记录、用户的违约记录等。

用户的保险数据指的是用户已购买的保险业务的保险数据，其中，所述保险业务不包括本说明书实施例中使用训练好的风控模型进行风险控制的保险业务。例如：用户的保险数据可以包括用户是否有已购买的保险业务，用户已购买的保险业务的业务数据等等。

用户的医疗数据可以包括用户预约挂号记录、历史就诊记录、患病记录等等。

当然，除了上述提到的几种用户属性数据之外，该用户属性数据还可以包括用户的基本属性信息，例如用户年龄、用户性别、用户籍贯、用户的职业、用户的居住地址等等，在此就不详细说明了。

从上述内容可知，获取的历史第一业务数据以及所述用户属性数据中往往包含着多个特征维度的数据。因此，在获取到历史第一业务数据以及所述用户属性数据之后，需要对获取的历史第一业务数据和用户属性数据进行分析处理，并确定出适用于风控模型的基础特征。

在本说明书实施例中，对风控模型进行训练以及在后续过程中执行业务风控的执行主体可以是电脑等终端设备，也可以是由服务器、终端等构成的业务平台，该业务平台可以向用户提供保险业务。为了便于描述，下面将仅以业务平台是执行主体为例，对本说明书实施例中的模型训练方法以及业务风控方法进行说明。

步骤S102，根据所述历史第一业务数据以及所述用户属性数据，确定各基础特征。

步骤S102中，在获取到用于训练模型的所述历史第一业务数据以及所述用户属性数据后，需要对获取的所述数据进行分析处理，确定出可适用于待训练的风控模型的基础特征。

例如，第一业务为网购业务，获取到的用户的历史第一业务数据中包括用户在一年内网购的订单明细，从获取到的订单明细中可以统计出的特征维度包括：一年内用户网购的订单的总订单数、一年内用户网购的订单中的商品名单、一年内用户网购的订单中的商品所属类别、一年内用户网购的订单的地址是医院的次数、一年内用户网购订单的消费总额等等。

若该网购订单为外卖订单，确定出的基础特征可以包括：一年内用户的外卖订单的收货地址是医院的次数，一年内用户网购的外卖订单的食品种类等等。

若该网购订单为药品订单，则可以从中确定出基础特征包括：一年内用户网购的药品名称、一年内用户网购的药品治疗的疾病、一年内用户网购的药品治疗的疾病所属的科室、一年内用户网购的每种药品对应的不良反应等等。

当然，业务平台也可以从获取到的用户属性数据中确定出基础特征。例如，业务平台可以从用户的信用数据确定出的基础特征可以包括：用户当前确立的每笔借贷项目是否按期还款、用户的信用度、用户的贷款金额等等。

对于用户的保险数据来说，业务平台可以从中确定出的基础特征包括：用户是否有已购买的保险业务、用户购买保险业务的购买金额、用户已购买的保险业务的保障项目、用户已购买的保险业务的保险额度等等。

对于用户的医疗数据来说，业务平台可以从中确定出的基础特征包括：用户预约挂号的次数、用户预约挂号的医院、用户预约挂号科室等等。

上述举例仅是为了更好的说明在获取到历史第一业务数据以及所述用户属性数据之后，如何基于获取地数据确定各基础特征。根据实际的业务需求，确定出的基础特征也不完全相同，因此上述举例仅作解释说明使用，其不对本发明的保护范围进行限定。

步骤S104，根据所述各基础特征，确定至少一个额外特征。

步骤S104中，为了进一步地丰富风控模型所对应的风控维度，可以根据确定出的各基础特征，确定出一些额外特征。其中，用于确定额外特征的基础特征可以根据需求选取。

在本说明书实施例中，确定额外特征的具体方式可以有多种。例如：基础特征包括一年内用户网购的订单的地址是医院的次数时，针对该基础特征，可以根据该基础特征对应的特征数据，划分区间，而划分出的次数区间即可以作为额外特征。

其中，划分区间的方式可以有多种，如，人为划分次数区间，将收货地址是医院的订单数量为0-5的用户划分为第一次数区间，将收货地址是医院的订单数量为6-10的用户划分为第二次数区间；……。这样，针对一年内用户网购的订单的地址是医院的次数这一特征，可以将其转化为多个次数区间。再例如，可以通过诸如K均值聚类等方式，按照一年内用户网购的订单的地址是医院的次数，对各用户进行聚类，得到多个聚类簇，并将聚类簇作为额外特征。

当然，业务平台也可以通过将多个基础特征进行组合，来确定出额外特征。作为一种可能的实施方式，业务平台可以从根据历史第一业务数据确定的基础特征中选取一个基础特征，和根据用户属性数据确定的基础特征中选取一个基础特征，然后根据选取出的两个基础特征确定一个额外特征。

其中，业务平台先将其中一个基础特征对应的特征数据划分成若干特征数据区间，再根据划分后的特征数据区间和另一个基础特征的特征数据确定出额外特征。具体的，若从历史第一业务数据中确定出的基础特征为业务地址包含医院地址的历史订单的订单数，则针对每个用户，从该用户的历史第一业务数据中，确定业务地址包含医院地址的历史订单的订单数，作为该用户对应的目标订单数，根据各用户对应的目标订单数，划分若干订单数量区间，根据所述若干订单数量区间以及从所述用户属性数据中确定出的基础特征对应的特征数据，确定额外特征。其中，业务平台确定业务地址包含医院地址的历史订单的订单数时，需要获取用户的历史第一业务订单，并从业务订单明细中模糊匹配每个收货地址是医院的订单，并统计出收货地址是医院的订单数。

业务平台从用户属性数据中确定出的基础特征可以是用户年龄、用户性别、用户籍贯等等。而后，业务平台可以根据划分出的若干订单数量区间以及从用户属性数据中确定出的基础特征对应的特征数据，对各用户进行聚类，得到若干聚类簇，并根据所述若干聚类簇，确定额外特征。

以从用户的用户属性数据中确定出的基础特征是用户年龄为例，业务平台可以根据已划分的若干订单数量区间，以及各用户的年龄，对各用户进行聚类，得到若干聚类簇，每个聚类簇即可作为额外特征的一个特征区间。

步骤S106，将所述各基础特征以及所述至少一个额外特征作为风控特征，并针对每个风控特征，确定该风控特征对应的风控数据区间。

在实际应用中，由于从获取到的历史第一业务数据以及用户属性数据的数据量比较大，对应确定出的基础特征和额外特征的维度也将比较多，若是将所有风控特征对应的特征数据不加筛选的输入到需要训练的模型中，则可能会导致模型训练拟合速度较慢、训练出的模型稳定性差等情况的出现。

为此，在本说明书实施例中，业务平台可以将所有的基础特征和所有的额外特征作为风控特征，并确定该风控特征对应的风控数据区间，将用户的位于所述风控数据区间内的数据输入风控模型进行训练。

步骤S106中，业务平台首先针对每个风控特征，将该风控特征划分成若干个不同数据区间，随后针对每个风控特征，确定该风控特征在不同数据区间上的相关性，同时，针对该风控特征对应的每个数据区间，根据该风控特征对应的特征数据位于该数据区间内的正例用户的用户数量以及反例用户的用户数量，确定该风控特征在该数据区间对应的信息值(Information Value，IV)，最后根据该风控特征在不同数据区间上的相关性以及该风控特征在不同数据区间对应的IV，确定该风控特征对应的风控数据区间。

其中，业务平台可以通过诸如主成分分析(Principal Components Analysis，PCA)等方式，确定该风控特征在不同数据区间上的相关性。当然，除利用PCA确定各风控特征的不同数据区间上的相关性之外，业务平台还可以使用其他方法确定各相关性特征集合，例如奇异值分解(Singular Value Decomposition，SVD)。

进一步地，由于预先对每个用户进行了标注，所以业务平台可以直接确定出每个用户是正例用户(所谓的正例用户是指已经确定该用户不具有风控风险的用户，即安全用户)，还是反例用户(所谓的反例用户是指已经确定该用户具有风控风险的用户，即风险用户)。这样，针对每个风控特征，确定该风控特征在该风控数据区间对应的IV时，业务平台可以根据位于该风控数据区间内的正例用户的用户数量以及反例用户的用户数量，确定出该风控特征在该风控数据区间对应的IV需要说明的是，在本说明书实施例中，针对该风控特征所划分出的若干数据区间，也可以是通过计算IV来确定的。具体的IV计算公式如下：

其中，H1为一个数据区间内的正例用户的数目，H1T为正例用户的总数目，H2为一个数据区间内的反例用户的数目，H1T为反例用户的总数目，n为将用户划分类别后的用户分类数量，也即，数据区间的数目。业务平台可以基于上述公式，划分出对该风控特征的若干数据区间，如，可以保证基于划分出的数据区间所确定出的IV值符合预设条件即可。

进一步地，通过上述公式实际上可以确定出每个数据区间下该风控特征的IV，因此可以结合确定出的该风控特征在不同数据区间下的相关性，确定该风控特征对应的风控数据区间。

例如，假设针对用户年龄这一风控特征划分出了若干年龄区间后，在这些年龄区间中，有两个年龄区间1和2之间的相关性较高，所以，需要分别确定出该风控特征在这两个年龄区间对应的IV，若是确定该风控特征在年龄区间1对应的IV大于该风控特征在年龄区间2对应的IV，则可以将年龄区间1作为该风控特征对应的风控数据区间。

需要说明的是，在本说明书实施例中，一个风控特征对应的风控数据区间并不是只有一个数据区间，实际上一个风控特征可以对应多个风控数据区间，在这些风控数据区间中，有些风控数据区间是通过确定IV筛选出来的，有些则属于与其他数据区间相关性较低的数据区间。

当然，业务平台针对每个风控特征，也可以将该风控特征所对应的所有数据区间均作为风控数据区间，同时，可以为每个风控数据区间设置对应的权重值，来降低特征间的相关性对模型稳定性的影响。具体的，风控特征的风控数据区间对应的IV的大小与各风控数据区间对应的权重值的大小成正相关的关系，若是风控数据区间对应的IV越大，则该风控数据区间对应的权重值也越大，反之则越小。这样一来，在模型训练时，模型将更多的参考位于权重值大的风控数据区间内的特征数据，如此同样可以避免因为特征间的相关性导致训练得到的风控模型稳定性变差的情况出现。

步骤S108，针对每个用户，将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中，得到输出结果。

步骤S110，以最小化所述输出结果与该用户对应的风控标签之间的偏差为优化目标，对所述风控模型进行训练，并通过训练后的风控模型对第二业务进行业务风控。

本说明书实施例中，业务平台确定出各风控特征以及各风控特征对应的风控数据区间后，可以将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中去，得到相应的输出结果，而后，可以采用有监督训练的方式，以最小化该输出结果与该用户对应的风控标签之间的偏差为优化目标，对风控模型进行训练，进而在后续过程中，通过训练后的该风控模型，对用户执行的第二业务进行业务风控。

如此，本说明书实施例中可以通过训练得到的风控模型对作为第二业务的保险业务进行业务风控，如此，减低了工作人员的审核工作量，同时提高了业务执行效率。

对于通过上述模型训练方法训练出的风控模型，本说明书实施例中还提供了所述风控模型的使用方法。

图2为本说明书实施例提供的一种业务风控的方法的流程示意图，具体包括以下步骤：

步骤200，接收用户的业务请求。

其中，所述业务请求可以是用户在持有的终端设备(如手机、平板电脑等)或是终端设备上安装的客户端、应用(Application，App)等软件上购买保险时向业务平台提交的投保申请请求，或者已购买保险的用户在持有的终端设备或是终端设备上安装的客户端、App等软件上针对已购买的保险向业务平台提交的理赔申请请求。

步骤202，根据所述业务请求，确定出所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据。

该步骤中，业务平台首先根据接收到的用户的业务请求确定当前的业务阶段，随后根据确定的业务阶段确定采用的风控模型，以及用户在预设的风控模型对应的风控数据区间中所对应的特征数据。

其中，预设的风控特征对应的风控数据区间是模型训练时，基于模型使用的业务阶段确定出的风控模型使用时需要输入风控模型中的数据所在的风控数据区间。所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据是指从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据。

例如，针对用户年龄划分出若干年龄区间后，用户年龄这一风控特征对应的年龄区间有两个：年龄区间1和年龄区间2，年龄区间1对应的特征数据范围为30岁～39岁，年龄区间2对应的特征数据范围为40岁～49岁。若业务平台在接收到用户的投保申请请求后，确定用户年龄为35岁，位于年龄区间1对应的特征数据范围中，则35岁这一特征数据是用户在预设的风控特征对应的风控数据区间中所对应的特征数据。若业务平台在接收到用户的投保申请请求后，确定用户年龄为25岁，不包含在年龄区间1或年龄区间2对应的特征数据范围中，则25岁这一特征数据不是用户在预设的风控特征对应的风控数据区间中所对应的特征数据。

步骤204，将所述特征数据输入到预先训练的风控模型中，得到风控结果。

步骤206，根据所述风控结果，对所述用户进行业务风控。

本说明书实施例中，业务平台接收用户的业务请求，并根据所述业务请求，确定出所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据；将所述特征数据输入到预先训练的风控模型中，得到风控结果，根据所述风控结果，对所述用户进行业务风控。当所述第二业务为保险业务时，可以通过本说明书实施例中训练得到的风控模型对保险业务进行业务风控。如此，本说明书实施例中可以通过训练得到的风控模型对作为第二业务的保险业务进行业务风控，如此，减低了工作人员的审核工作量，同时提高了业务执行效率。

针对第二业务为保险业务的情况来说，所述第二业务的第一业务阶段包括：投保审核阶段，所述第二业务的第二业务阶段包括：理赔审核阶段，对应的，第一业务阶段对应的风控模型可以称之为是第一风控模型，第二业务阶段对应的风控模型可以称之为是第二风控模型。

进一步地，针对第一业务阶段训练的得到的第一风控模型可以包括两个子风险模型，分别为健康风险子模型和欺诈风险子模型这两个子模型，且针对第二业务阶段训练的得到的第二风控模型同样也可以包括健康风险子模型和欺诈风险子模型这两个子风险模型。在具体训练以及使用过程中，由于使用的业务阶段不同，导致所述第一风控模型中的输入数据以及输出结果与所述第二风控模型中的输入数据以及输出结果也不完全相同。

下面将针对保险业务的两个业务阶段，分别阐述所述业务阶段对应的风控模型的训练方法和使用方法。

图3为本说明书实施例提供的一种投保审核阶段的模型训练的方法的流程示意图，具体包括以下步骤：

步骤S300，将与投保审核阶段相匹配的各用户作为第一用户，并获取各第一用户的历史第一业务数据以及用户属性数据。

其中，在训练投保审核阶段对应的第一风控模型时，与所述投保审核阶段相匹配的各用户可以是指业务平台上注册的所有用户。

步骤S302，根据所述各第一用户的历史第一业务数据以及用户属性数据，确定针对投保审核阶段的各基础特征，作为第一基础特征。

步骤S304，根据所述各第一基础特征，确定针对投保审核阶段的至少一个额外特征，作为第一额外特征。

步骤S306，将所述各第一基础特征以及所述至少一个第一额外特征作为第一风控特征，并针对每个第一风控特征，确定该第一风控特征对应的风控数据区间。

步骤S308，针对每个第一用户，将从该第一用户的历史第一业务数据和用户属性数据中确定出的位于所述各第一风控特征对应风控数据区间的特征数据输入到待训练的第一风控模型中，得到第一输出结果。

步骤S310，以最小化所述第一输出结果与该第一用户在所述投保审核阶段对应的第一风控标签之间的偏差为优化目标，对所述第一风控模型进行训练，并通过训练后的第一风控模型对所述第二业务的投保审核阶段进行业务风控。

从上述步骤中可以看出，对于第二业务的第一业务阶段对应的第一风控模型来说，训练该第一风控模型时采用的方式与上述步骤S102～S110所示的方式基本上是相同的。可以理解成步骤S102～S110所描述的模型训练过程适用于第二业务各业务阶段所对应的风控模型。

图4为本说明书实施例提供的一种投保审核阶段的风控模型使用的方法的流程示意图，具体包括以下步骤：

步骤400，接收用户的业务请求。

步骤402，根据所述业务请求，确定出所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据。

步骤中，首先根据接收到的用户的业务请求确定当前的业务阶段为投保审核阶段(即第二业务的第一业务阶段)，随后确定投保审核阶段采用的第一风控模型，以及所述第一风控模型对应的风控特征，并确定出所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据。

步骤404，将所述特征数据输入到预先训练的风控模型中，得到风控结果。

步骤406，根据所述风控结果，对所述用户进行业务风控。

其中，投保审核阶段对应的第一风控模型为一个模型，则该第一风控模型输出的风控结果可以是指识别出的用户的风险等级，若是投保审核阶段对应的第一风控模型包括健康风险子模型以及欺诈风险子模型，则这两个模型输出的风控结果分别为用户的健康风险等级以及欺诈风险等级。

具体的，对于第一风控模型为一个模型的情况来说，针对申请投保用户使用第一风控模型进行业务风控时，若风控结果为高风险，拦截该用户的投保申请业务请求，若风控结果为中风险，同意该用户加入，并标注持续关注标记；若风控结果为低风险，同意该用户加入。

当第一风控模型包括健康风险子模型以及欺诈风险子模型时，使用这两个模型对用户进行业务风控时，需要综合考虑两个模型的风控结果。根据这两个模型输出的风控结果对用户进行业务风控的具体措施可以参见下表：

表1、健康风险子模型以及欺诈风险子模型的风控结果与投保审核阶段的业务风控措施之间的对应关系

在表1中提到的标记用户是指，在后续会持续监测该用户的业务数据，以进一步地确定该用户是否存在潜在的业务风险。

需要说明的是，若是第一风控模型包括健康风险子模型以及欺诈风险子模型，则这两个模型所对应的风险维度有所不同，也就是说，在模型训练阶段，可以将这两个模型进行分别训练，这两个模型所采用的数据样本集可以是相同的，但是需要在模型训练阶段，分别确定出适用于这两个模型的风控特征以及风控数据区间。这样在实际使用阶段，业务平台在接收到用户的业务请求后，可以根据该业务请求，分别确定出该用户在这两个模型所对应的特征数据，并输入到这两个模型中，这两个模型也将分别输出相应的风控结果。

图5为本说明书实施例提供的一种理赔审核阶段的模型训练啊的方法的流程示意图，具体包括以下步骤：

步骤S500，将与所述理赔审核阶段相匹配的各用户作为第二用户，并获取各第二用户的历史第一业务数据以及用户属性数据。

其中，在理赔审核阶段时，与理赔审核阶段相匹配的第二用户是业务平台上的通过投保审核阶段且成功加入到投保中的用户。

步骤S502，根据所述各第二用户的历史第一业务数据、历史第二业务数据以及用户属性数据，确定针对所述理赔审核阶段的各基础特征，作为第二基础特征，所述历史第二业务数据是第二用户在历史上执行第二业务产生的。

其中，第二业务数据是用户在历史上执行所述第二业务时产生的业务数据。例如，当第二业务为保险业务时，这里提到的历史第二业务数据包括已投保用户在投保审核阶段和/或理赔审核阶段产生的保险数据。第二业务数据包括已投保用户理赔审核阶段产生的业务数据时，这里提到的业务数据可以包括用户的执行第二业务时投保的项目、金额等，还包括从用户填写的理赔申请信息和理赔证明中模糊匹配出用户理赔的原因和地址信息等。这里提到的地址信息可以是申请理赔事件发生的地址，也可以是申请理赔的疾病的确诊医院地址等。

步骤S504，根据所述各第二基础特征，确定针对所述理赔审核阶段的至少一个额外特征，作为第二额外特征；

步骤S506，将所述各第二基础特征以及所述至少一个第二额外特征作为第二风控特征，并针对每个第二风控特征，确定该第二风控特征对应的风控数据区间。

步骤S508，针对每个第二用户，将从该第二用户的历史第一业务数据和用户属性数据中确定出的位于所述各第一风控特征对应风控数据区间的特征数据输入到训练后的第一风控模型中，得到该第二用户对应的第一风控结果。

步骤S510针对每个第二用户，将该第二用户对应的第一风控结果，以及从该第二用户的历史第一业务数据、历史第二业务数据和用户属性数据中确定出的位于所述各第二风控特征对应风控数据区间的特征数据输入到待训练的第二风控模型中，得到第二输出结果；

步骤S512，以最小化所述第二输出结果与该第二用户在所述理赔审核阶段对应的第二风控标签之间的偏差为优化目标，对所述第二风控模型进行训练，并通过训练后的第二风控模型对所述第二业务的理赔审核阶段进行业务风控。

从这里可以看出，在对第二业务的第二业务阶段对应的第二风控模型进行训练时，是需要将第一风控模型所输出的结果。值得强调的是，由于第一风控模型在未完成训练时，所输出的结果可能是不准确的，所以，这就要求需要先对第一风控模型进行训练，完成训练后，需要用训练后的第一风控模型对各用户输出相应的风控结果，即第一风控结果。

在对第二风控模型进行训练时，除了需要将从第二用户的历史第一业务数据、历史第二业务数据、用户属性数据中确定出的位于第二风控特征对应风控数据区间的特征数据输入到待训练的第二风控模型中外，还需要将第一风控结果输入到第二风控模型中。即，在本说明书实施例中，第二风控模型所输出的结果，会参考第一风控模型输出的结果。

图6为本说明书实施例提供的一种理赔审核阶段的风控模型使用的方法的流程示意图，具体包括以下步骤：

步骤600，接收用户的业务请求。

其中，所述业务请求是用户在持有的终端设备或是客户端、App等软件上申请理赔时提交的理赔请求。

步骤602，根据所述业务请求，确定出所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据。

其中，理赔审核阶段，所述特征数据包括从该用户的历史第一业务数据、历史第二业务数据以及用户属性数据中提取出的位于第二风控特征对应风控数据区间的特征数据，用户以及该用户在投保审核阶段，业务平台通过投保审核阶段对应的风控模型所输出的针对该用户的风控结果。

步骤604，将所述特征数据输入到预先训练的风控模型中，得到风控结果。

步骤606，根据所述风控结果，对所述用户进行业务风控。

其中，理赔审核阶段对应的第二风控模型为一个模型，则该第二风控模型输出的风控结果可以是指识别出的用户的风险等级，若是理赔审核阶段对应的第二风控模型包括健康风险子模型以及欺诈风险子模型，则这两个模型输出的风控结果分别为用户的健康风险等级以及欺诈风险等级。

具体的，对于第二风控模型为一个模型的情况来说，针对理赔申请用户使用第二风控模型进行业务风控时，若风控结果为高风险或中风险，标注重点关注标记，若风控结果为低风险，则可以直接执行理赔流程。

在此过程中，若第二业务涉及疾病险，则标注重点关注标记时，还可以将根据用户的历史第一业务数据、历史第二业务数据以及用户属性数据预估的该用户可能患有的疾病。

对于第二风控模型包括健康风险子模型以及欺诈风险子模型的情况来说，使用这两个模型对用户进行业务风控时，需要综合考虑两个模型的风控结果。如何根据这两个模型输出的风控结果来执行理赔，可以根据实际的业务需求而定，在此就不详细举例说明了。需要说明的是，若是第二风控模型包括健康风险子模型以及欺诈风险子模型，则这两个模型所对应的风险维度有所不同。也就是说，在模型训练阶段，可以将这两个模型进行分别训练，这两个模型所采用的数据样本集可以是相同的，但是需要在模型训练阶段，分别确定出适用于这两个模型的风控特征以及风控数据区间。这样在实际使用阶段，业务平台在接收到用户的业务请求后，可以根据该业务请求，分别确定出该用户在这两个模型所对应的特征数据，并输入到这两个模型中，这两个模型也将分别输出相应的风控结果。

进一步地，由于第二风控模型训练以及使用时，需要将训练后第一风控模型针对用户输出的风控结果作为输入数据。因此，若是第二风控模型中也包括有健康风险子模型以及欺诈风险子模型，则也需要将第一业务阶段中健康风险子模型以及欺诈风险子模型的输出结果输入到第二业务阶段的各子模型中。以健康风险子模型为例，业务平台在理赔审核阶段中，需要将该用户在第一业务阶段中健康风险子模型输出的风控结果，输入到第二业务阶段中健康风险子模型中。

还需说明的是，上述说明书实施例中仅是以保险业务作为第二业务为例进行说明的，实际上本说明书提供的模型训练方法以及业务风控方法还可以应用到其他业务场景中。例如，信用卡业务涉及信用卡申请阶段以及取现申请阶段，在信用卡申请阶段中，可以对应一个风控模型，以通过该风控模型识别用户是否具有申请信用卡的资格，在取现申请阶段中，也可以对应一个风控模型，以通过该风控模型识别用户是否有取现资格以及取现的额度是否超过设定额度等。

值得强调的是，对于不同的业务场景来说，风控模型所对应的风控特征以及风控特征对应的风控数据区间也不尽相同，但是，对与上述保险业务相似的其他业务场景中，本说明书中提供的模型训练方法以及业务风控方法均适用，在此就不对其他业务场景的具体情况进行详细举例说明了。

以上为本说明书的一个或多个实施例提供的模型训练的方法，基于同样的思路，本说明书还提供了相应的模型训练的装置，如图7所示。

图7为本说明书实施例提供的本说明书提供了一种模型训练的装置，包括：

数据获取模块700，用于获取各用户的历史第一业务数据以及用户属性数据，所述历史第一业务数据是用户在历史上执行第一业务产生的业务数据；

基础特征确定模块701，用于根据所述历史第一业务数据以及所述用户属性数据，确定各基础特征；

额外特征确定模块702，用于根据所述各基础特征，确定至少一个额外特征；

风控数据区间确定模块703，用于将所述各基础特征以及所述至少一个额外特征作为风控特征，并针对每个风控特征，确定该风控特征对应的风控数据区间；

输出模块704，用于针对每个用户，将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中，得到输出结果；

训练模块705，用于以最小化所述输出结果与该用户对应的风控标签之间的偏差为优化目标，对所述风控模型进行训练，并通过训练后的风控模型对第二业务进行业务风控。

可选地，所述用户属性数据包括：用户的信用数据、用户的保险数据、用户的医疗数据中的至少一种。

可选地，所述历史第一业务数据包括：业务地址包含医院地址的历史订单数据；

额外特征确定模块702，具体用于针对每个用户，从该用户的历史第一业务数据中，确定业务地址包含医院地址的历史订单的订单数，作为该用户对应的目标订单数；根据各用户对应的目标订单数，划分若干订单数量区间；根据所述若干订单数量区间以及从所述用户属性数据中确定出的基础特征对应的特征数据，确定额外特征。

可选地，额外特征确定模块702，具体用于在根据所述若干订单数量区间以及从所述用户属性数据中确定出的基础特征对应的特征数据，确定额外特征时，根据所述若干订单数量区间以及从所述用户属性数据中确定出的基础特征对应的特征数据，对所述各用户进行聚类，得到若干聚类簇；根据所述若干聚类簇，确定额外特征。

风控数据区间确定模块703，用于针对每个风控特征，确定该风控特征在不同数据区间上的相关性，并针对该风控特征对应的每个数据区间，根据该风控特征对应的特征数据位于该数据区间内的正例用户的用户数量以及反例用户的用户数量，确定该风控特征在该数据区间对应的IV；根据该风控特征在不同数据区间上的相关性以及该风控特征在不同数据区间对应的IV，确定该风控特征对应的风控数据区间。

可选地，所述风控模型包括：第一风控模型以及第二风控模型，所述第一风控模型用于在第二业务的第一业务阶段进行业务风控，所述第二风控模型用于在所述第二业务的第二业务阶段进行业务风控。

可选地，若对所述第一风控模型进行训练，

数据获取模块700，具体用于将与所述第一业务阶段相匹配的各用户作为第一用户，并获取各第一用户的历史第一业务数据以及用户属性数据；

基础特征确定模块701，具体用于根据所述各第一用户的历史第一业务数据以及用户属性数据，确定针对所述第一业务阶段的各基础特征，作为第一基础特征；

额外特征确定模块702，具体用于根据所述各第一基础特征，确定针对所述第一业务阶段的至少一个额外特征，作为第一额外特征；

风控数据区间确定模块703，具体用于将所述各第一基础特征以及所述至少一个第一额外特征作为第一风控特征，并针对每个第一风控特征，确定该第一风控特征对应的风控数据区间；

输出模块704，具体用于针对每个第一用户，将从该第一用户的历史第一业务数据和用户属性数据中确定出的位于所述各第一风控特征对应风控数据区间的特征数据输入到待训练的第一风控模型中，得到第一输出结果；

训练模块705，具体用于以最小化所述第一输出结果与该第一用户在所述第一业务阶段对应的第一风控标签之间的偏差为优化目标，对所述第一风控模型进行训练，并通过训练后的第一风控模型对所述第二业务的第一业务阶段进行业务风控。

可选地，若对所述第二风控模型进行训练，

数据获取模块700，具体用于将与所述第二业务阶段相匹配的各用户作为第二用户，并获取各第二用户的历史第一业务数据以及用户属性数据；

基础特征确定模块701，具体用于根据所述各第二用户的历史第一业务数据、历史第二业务数据以及用户属性数据，确定针对所述第二业务阶段的各基础特征，作为第二基础特征，所述历史第二业务数据是第二用户在历史上执行第二业务产生的；

额外特征确定模块702，具体用于根据所述各第二基础特征，确定针对所述第二业务阶段的至少一个额外特征，作为第二额外特征；

风控数据区间确定模块703，具体用于将所述各第二基础特征以及所述至少一个第二额外特征作为第二风控特征，并针对每个第二风控特征，确定该第二风控特征对应的风控数据区间。

可选地，该装置还包括：

输出模块704，还用于针对每个用户，将从该用户的历史第一业务数据和用户属性数据中确定出的位于所述各风控特征对应风控数据区间的特征数据输入到待训练的风控模型中，得到输出结果之前，针对每个第二用户，将从该第二用户的历史第一业务数据和用户属性数据中确定出的位于所述各第一风控特征对应风控数据区间的特征数据输入到训练后的第一风控模型中，得到该第二用户对应的第一风控结果；

所述输出模块704，具体用于针对每个第二用户，将该第二用户对应的第一风控结果，以及从该第二用户的历史第一业务数据、历史第二业务数据和用户属性数据中确定出的位于所述各第二风控特征对应风控数据区间的特征数据输入到待训练的第二风控模型中，得到第二输出结果；

训练模块705，具体用于以最小化所述第二输出结果与该第二用户在所述第二业务阶段对应的第二风控标签之间的偏差为优化目标，对所述第二风控模型进行训练，并通过训练后的第二风控模型对所述第二业务的第二业务阶段进行业务风控。

可选地，所述第二业务的第一业务阶段包括：投保审核阶段，所述第二业务的第二业务阶段包括：理赔审核阶段。

以上为本说明书的一个或多个实施例提供的业务风控的方法，基于同样的思路，本说明书还提供了相应的业务风控的装置，如图8所示。

图8为本说明书实施例提供的一种业务风控的装置，包括：

接收模块800，用于接收用户的业务请求；

特征数据确定模块801，用于根据所述业务请求，确定出所述用户在预设的风控特征对应的风控数据区间中所对应的特征数据；

风控结果确定模块802，用于将所述特征数据输入到预先训练的风控模型中，得到风控结果，所述风控模型是通过本说明书实施例中的模型训练方法训练得到的；

业务风控模块803，用于根据所述风控结果，对所述用户进行业务风控。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的模型训练的方法或图2提供的业务风控的方法。

本说明书还提供了图9所示的电子设备的示意结构图。如图9所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1提供的模型训练的方法或图2提供的业务风控的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。