一种交易风险识别方法和装置

技术领域

本发明涉及计算机技术领域，特别涉及人工智能技术领域，尤其涉及一种交易风险识别方法和装置。

背景技术

目前，电信网络引发的风险交易层出不穷，为用户的生命财产安全造成严重威胁。风险交易的交易金额较大且交易金额分散转移的速度极快，在完成交易后进行追查的成功率较低。相关技术中，在积累了一定已完成的风险交易后，进行机器学习模型训练，从而对未来交易进行风险预测。这种方式完全依赖于模型的预测准确性，无法对风险交易进行及时拦截，时间和人力成本较高，识别准确率较低。

发明内容

本发明的一个目的在于提供一种交易风险识别方法，能够从交易聚类和指定确认人认证两方面进行风险交易识别，综合多方面进行风险识别，能够对风险交易进行及时拦截，降低时间和人力成本，提高识别准确率。本发明的另一个目的在于提供一种交易风险识别装置。本发明的再一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。

为了达到以上目的，本发明一方面公开了一种交易风险识别方法，包括：

获取用户的当前交易和对应的风险校验条件；

通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果；

通过风险校验条件，对当前交易进行风险识别，得到第二识别结果；

根据第一识别结果和第二识别结果，得到交易识别结果。

优选的，方法还包括：

获取用户的第一用户信息、指定确认人的第二用户信息和校验指标阈值；

将第一用户信息和第二用户信息进行绑定；

根据第一用户信息和第二用户信息的绑定关系和校验指标阈值，生成用户对应的风险校验条件。

优选的，均值聚类算法模型包括多个分类簇，每个分类簇包括当前聚类中心，当前交易包括多个交易特征值；

通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果，包括：

根据多个交易特征值和每个分类簇的当前聚类中心，得到当前交易与每个分类簇之间的欧式距离；

对多个欧式距离进行比较，筛选出最小欧式距离；

将当前交易划分至最小欧式距离对应的分类簇，得到更新后的多个分类簇；

根据更新后的多个分类簇，更新每个分类簇的当前聚类中心；

根据更新后的多个分类簇和每个分类簇的当前聚类中心，生成总误差平方和；

根据总误差平方和，判断是否满足预设的迭代停止条件；

若满足，将当前交易所在的分类簇的风险类型确定为第一识别结果；

若不满足，继续执行根据多个交易特征值和每个分类簇的当前聚类中心，得到当前交易与每个分类簇之间的欧式距离的步骤，直至满足迭代停止条件。

优选的，方法还包括：

获取历史交易数据；

通过均值聚类算法，按照预设的初始分类簇和每个初始分类簇的初始聚类中心，对历史交易数据进行聚类，得到均值聚类算法模型。

优选的，当前交易包括交易用户信息和多个交易特征值；

通过风险校验条件，对当前交易进行风险识别，得到第二识别结果，包括：

将交易用户信息与第一用户信息进行匹配，查询出对应绑定的第二用户信息和校验指标阈值；

根据交易特征值和校验指标阈值，判断当前交易是否符合风险校验条件；

若是，根据多个交易特征值和第二用户信息，对当前交易进行风险识别，得到第二识别结果；

若否，生成正常交易的第二识别结果。

优选的，根据多个交易特征值和第二用户信息，对当前交易进行风险识别，得到第二识别结果，包括：

根据多个交易特征值，生成风险校验清单；

将风险校验清单发送至第二用户信息所指示的第二用户终端；

接收第二用户终端返回的第二识别结果。

优选的，根据第一识别结果和第二识别结果，得到交易识别结果，包括：

若第一识别结果和第二识别结果均为正常交易，生成正常交易的交易识别结果；

若第一识别结果和第二识别结果中的一个为异常交易，生成可疑交易的交易识别结果；

若第一识别结果和第二识别结果均为异常交易，生成异常交易的交易识别结果。

优选的，方法还包括：

若交易识别结果为可疑交易，获取可疑交易的可疑交易信息；

根据可疑交易信息，对均值聚类算法模型进行更新，得到更新后的均值聚类算法模型。

本发明还公开了一种交易风险识别装置，包括：

第一获取单元，用于获取用户的当前交易和对应的风险校验条件；

第一识别单元，用于通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果；

第二识别单元，用于通过风险校验条件，对当前交易进行风险识别，得到第二识别结果；

识别结果生成单元，用于根据第一识别结果和第二识别结果，得到交易识别结果。

本发明还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。

本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述处理器执行所述程序时实现如上所述方法。

本发明还公开了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现如上所述方法。

本发明获取用户的当前交易和对应的风险校验条件；通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果；通过风险校验条件，对当前交易进行风险识别，得到第二识别结果；根据第一识别结果和第二识别结果，得到交易识别结果，能够从交易聚类和指定确认人认证两方面进行风险交易识别，综合多方面进行风险识别，能够对风险交易进行及时拦截，降低时间和人力成本，提高识别准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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。

图1为本发明实施例提供的一种交易风险识别方法的流程图；

图2为本发明实施例提供的又一种交易风险识别方法的流程图；

图3为本发明实施例提供的一种交易风险识别装置的结构示意图；

图4为本发明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

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

需要说明的是，本申请公开的一种交易风险识别方法和装置可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，本申请公开的一种交易风险识别方法和装置的应用领域不做限定。

为了便于理解本申请提供的技术方案，下面先对本申请技术方案的相关内容进行说明。聚类是将海量复杂的数据，经过算法处理将具有相似特征的数据，自动归类到一起，这些归类称为一个簇，簇内的属性越相似，聚类的效果越好。本申请提供的一种交易风险识别方法，适用于金融交易场景的中事前防范电信网络引起的风险交易，尽可能提前介入保障用户资金安全，通过均值聚类算法(K-means)模型预先判定交易是否存在风险，再同时结合指定确认人的亲属签订协议，指定确认人确权反馈交易属性，不断修正算法模型，对现有的风险账户进行反向推可疑交易，以达到不断实时优化更新、校正模型精准度，在较低成本下提高防范风险交易的安全性。

下面以交易风险识别装置作为执行主体为例，说明本发明实施例提供的交易风险识别方法的实现过程。可理解的是，本发明实施例提供的交易风险识别方法的执行主体包括但不限于交易风险识别装置。

图1为本发明实施例提供的一种交易风险识别方法的流程图，如图1所示，该方法包括：

步骤101、获取用户的当前交易和对应的风险校验条件。

步骤102、通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果。

步骤103、通过风险校验条件，对当前交易进行风险识别，得到第二识别结果。

步骤104、根据第一识别结果和第二识别结果，得到交易识别结果。

本发明实施例提供的技术方案中，获取用户的当前交易和对应的风险校验条件；通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果；通过风险校验条件，对当前交易进行风险识别，得到第二识别结果；根据第一识别结果和第二识别结果，得到交易识别结果，能够从交易聚类和指定确认人认证两方面进行风险交易识别，综合多方面进行风险识别，能够对风险交易进行及时拦截，降低时间和人力成本，提高识别准确率。

图2为本发明实施例提供的又一种交易风险识别方法的流程图，如图2所示，该方法包括：

步骤201、获取用户的第一用户信息、指定确认人的第二用户信息和校验指标阈值。

本发明实施例中，各步骤由交易风险识别装置执行。

本发明实施例中，第一用户信息是用户的个人信息，每个用户对应一个用户标识码，用户标识码唯一标识一个用户。指定确认人为用户指定的确认人，指定确认人可以是用户的亲属，指定确认人用于对用户的交易进行审核确认，第二用户信息为指定确认人的个人信息。

本发明实施例中，校验指标阈值是根据实际需求预先设置的，本发明实施例对此不做限定。作为一种可选方案，校验指标阈值为交易金额占借方卡下活期余额的比例阈值，或者，交易金额阈值。

步骤202、将第一用户信息和第二用户信息进行绑定。

本发明实施例中，在用户首次进入金融机构办理支付业务时，需要指定确认人，指定确认人负责为用户的交易进行确认审核。

具体地，将第一用户信息的用户标识与第二用户信息进行绑定，根据用户标识可以查询到第二用户信息，从而便于在交易时联系用户的指定确认人进行交易确认。

步骤203、根据第一用户信息和第二用户信息的绑定关系和校验指标阈值，生成用户对应的风险校验条件。

本发明实施例中，校验指标阈值是根据实际需求进行设置的，本发明实施例对此不做限定。通过校验指标阈值，可以确定出是否需要触发指定确认人进行交易风险校验，即：若达到校验指标阈值，需要触发指定确认人进行交易风险校验；若未达到校验指标阈值，不需要触发指定确认人进行交易风险校验。

步骤204、获取用户的当前交易和对应的风险校验条件。

本发明实施例中，当前交易为用户正在进行的交易，风险校验条件为用户对应的第二用户信息和校验指标阈值。

具体地，根据用户的用户标识码从数据库存储的绑定关系中的用户标识码进行匹配，得到绑定的第二用户信息和校验指标阈值。

步骤205、通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果。

本发明实施例中，获取历史交易数据；通过均值聚类算法(K-means clusteringalgorithm，简称：K-means)，按照预设的初始分类簇和每个初始分类簇的初始聚类中心，对历史交易数据进行聚类，得到均值聚类算法模型。K-means是一种迭代求解的聚类分析算法，具体地，预将历史交易数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和(Sum of Sqared Error，简称：SSE)局部最小。K-means为无监督学习，原理简单，实现起来较为容易，结果可解释性较好。其中，簇是所有数据的点集合，簇中的对象是相似的；聚类中心为簇的质心，也即：簇中所有点的中心，通过计算所有点的均值得到；SSE用于评估模型的好坏，SSE值越小，表示越接近它们的质心.聚类效果越好，由于对误差取了平方，因此更加注重那些远离中心的点(一般为边界点或离群点)。

本发明实施例中，均值聚类算法模型包括多个分类簇，每个分类簇包括当前聚类中心，当前交易包括多个交易特征和每个交易特征对应的交易特征值。交易特征包括但不限于交易时间、交易金额、交易频度、借贷双方交易账户归属地、借贷方的开户时间、借贷的历史交易明细、贷方账户开户时间较新且入金大额出金小额、贷方账户开户时间较新且借贷方为首次交易、交易金额占借方卡下活期余额的比例。

本发明实施例中，步骤205具体包括：

步骤2051、根据多个交易特征值和每个分类簇的当前聚类中心，得到当前交易与每个分类簇之间的欧式距离。

欧式距离为衡量当前交易与每个分类簇之间的聚类的指标，它的定义为:对于x点坐标为(x1,x2,x3,...,xn)和y点坐标为(y1,y2,y3,...,yn)，两者的欧式距离为d(x,y)：

具体地，通过欧式距离公式，对当前交易的多个交易特征值与每个分类簇的当前聚类中心进行计算，得到当前交易与每个分类簇之间的欧式距离。

步骤2052、对多个欧式距离进行比较，筛选出最小欧式距离。

本发明实施例中，欧式距离越小，表明当前交易与对应的分类簇越相似；欧式距离越大，表明当前交易与对应的分类簇越相反。筛选出最小欧式距离，以供为后续的分类划分奠定数据基础。

步骤2053、将当前交易划分至最小欧式距离对应的分类簇，得到更新后的多个分类簇，

本发明实施例中，最小欧式距离对应的分类簇为与当前交易最相似的分类簇，将当前交易划分至最小欧式距离对应的分类簇，得到更新后的多个分类簇，更新后的多个分类簇中包括当前交易。

步骤2054、根据更新后的多个分类簇，更新每个分类簇的当前聚类中心。

本发明实施例中，每划分一次交易，对分类簇进行一次更新，相应的，每个分类簇的当前聚类中心也进行更新。具体地，对每个分类簇中的数据计算均值，得到更新后的当前聚类中心。

步骤2055、根据更新后的多个分类簇和每个分类簇的当前聚类中心，生成总SSE。

本发明实施例中，对每个更新后的分类簇进行SSE的计算，再将每个更新后的分类簇的SSE相加，得到总SSE。

值得说明的是，SSE的计算方法为成熟的现有技术，本发明实施例对此不做限定。

步骤2056、根据总SSE，判断是否满足预设的迭代停止条件，若满足，执行步骤2057；若不满足，执行步骤2051。

本发明实施例中，迭代停止条件可以根据实际需求进行设置，本发明实施例对此不做限定。作为一种可选方案，迭代停止条件为聚类过程中总SSE不发生变化、没有(或最小数目)对象被重新分配给不同的聚类、没有(或最小数目)聚类中心再发生变化、SSE局部最小。

具体地，若总SSE满足迭代停止条件，表明划分完成，继续执行步骤2057；若总SSE不满足迭代停止条件，表明需要继续划分，继续执行步骤2051，直至满足迭代停止条件。

步骤2057、将当前交易所在的分类簇的风险类型确定为第一识别结果。

本发明实施例中，每个分类簇有对应的风险类型，风险类型包括正常交易或异常交易；若当前交易被划分至正常交易的分类簇，生成正常交易的第一识别结果；若当前交易被划分至异常交易的分类簇，生成异常交易的第一识别结果。

步骤206、通过风险校验条件，对当前交易进行风险识别，得到第二识别结果。

本发明实施例中，当前交易包括交易用户信息和多个交易特征值，交易用户信息为用户的个人信息，包括用户标识码。

本发明实施例中，步骤206具体包括：

步骤2061、将交易用户信息与第一用户信息进行匹配，查询出对应绑定的第二用户信息和校验指标阈值。

具体地，通过用户标识码从数据库存储的绑定关系中的用户标识码进行匹配，得到绑定的第二用户信息和校验指标阈值。

步骤2062、根据交易特征值和校验指标阈值，判断当前交易是否符合风险校验条件，若是，执行步骤2063；若否，执行步骤2064。

本发明实施例中，交易特征值为交易特征的取值，交易特征包括但不限于交易时间、交易金额、交易频度、借贷双方交易账户归属地、借贷方的开户时间、借贷的历史交易明细、贷方账户开户时间较新且入金大额出金小额、贷方账户开户时间较新且借贷方为首次交易、交易金额占借方卡下活期余额的比例；校验指标阈值为交易金额占借方卡下活期余额的比例阈值，或者，交易金额阈值。

以校验指标阈值为交易金额阈值为例，若交易金额大于交易金额阈值，表明当前交易符合风险校验条件，继续执行步骤2063；若交易金额小于或等于交易金额阈值，表明当前交易不符合风险校验条件，继续执行步骤2064。

值得说明的是，校验指标阈值的具体取值根据实际需求进行设置，本发明实施例对此不做限定。

步骤2063、根据多个交易特征值和第二用户信息，对当前交易进行风险识别，得到第二识别结果。

本发明实施例中，第二用户信息为指定确认人的个人信息，包括但不限于指定确认人的第二用户终端。

具体地，根据多个交易特征值，生成风险校验清单；将风险校验清单发送至第二用户信息所指示的第二用户终端；接收第二用户终端返回的第二识别结果。

值得说明的是，指定确认人需要通过第二用户终端进行人脸识别验证，验证通过表明指定确认人为用户的亲属本人，对风险校验清单进行展示，以供指定确认人进行查看并输入第二识别结果。第二识别结果包括正常交易或异常交易，若第二识别结果为正常交易，表明指定确认人认为当前交易为正常的交易，不存在风险；若第二识别结果为异常交易，表明指定确认人认为当前交易为异常的交易，存在风险。

步骤2064、生成正常交易的第二识别结果。

本发明实施例中，若当前交易不符合风险校验条件，生成正常交易的第二识别结果，无需触发指定确认人进行确认。

步骤207、根据第一识别结果和第二识别结果，得到交易识别结果。

具体地，若第一识别结果和第二识别结果均为正常交易，生成正常交易的交易识别结果；若第一识别结果和第二识别结果中的一个为异常交易，生成可疑交易的交易识别结果；若第一识别结果和第二识别结果均为异常交易，生成异常交易的交易识别结果。

进一步地，若交易识别结果为正常交易，执行当前交易；若交易识别结果为异常交易或可以交易，拒绝当前交易，最大限度保证交易的安全性。

进一步地，若交易识别结果为可疑交易，获取可疑交易的可疑交易信息；根据可疑交易信息，对均值聚类算法模型进行更新，得到更新后的均值聚类算法模型。可疑交易信息包括但不限于交易时间、交易金额、交易频度、借贷双方交易账户归属地、借贷方的开户时间、借贷的历史交易明细、贷方账户开户时间较新且入金大额出金小额、贷方账户开户时间较新且借贷方为首次交易、交易金额占借方卡下活期余额的比例；提升可疑交易信息在均值聚类算法模型中的权值，提升均值聚类算法模型的精度。

本申请能够提前介入交易，实时通过均值聚类算法和指定确认人同时维护用户资金安全，降低交易风险；由于有不断的可疑交易的交易信息反馈加入，使得数据不断更新，模型持续训练，算法优化调整，提高模型精度。

值得说明的是，本申请中技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。

本发明实施例提供的交易风险识别方法的技术方案中，获取用户的当前交易和对应的风险校验条件；通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果；通过风险校验条件，对当前交易进行风险识别，得到第二识别结果；根据第一识别结果和第二识别结果，得到交易识别结果，能够从交易聚类和指定确认人认证两方面进行风险交易识别，综合多方面进行风险识别，能够对风险交易进行及时拦截，降低时间和人力成本，提高识别准确率。

图3为本发明实施例提供的一种交易风险识别装置的结构示意图，该装置用于执行上述交易风险识别方法，如图3所示，该装置包括：第一获取单元11、第一识别单元12、第二识别单元13和识别结果生成单元14。

第一获取单元11用于获取用户的当前交易和对应的风险校验条件。

第一识别单元12用于通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果。

第二识别单元13用于通过风险校验条件，对当前交易进行风险识别，得到第二识别结果。

识别结果生成单元14用于根据第一识别结果和第二识别结果，得到交易识别结果。

本发明实施例中，该装置还包括：第二获取单元15、绑定单元16和风险校验条件生成单元17。

第二获取单元15用于获取用户的第一用户信息、指定确认人的第二用户信息和校验指标阈值。

绑定单元16用于将第一用户信息和第二用户信息进行绑定。

风险校验条件生成单元17用于根据第一用户信息和第二用户信息的绑定关系和校验指标阈值，生成用户对应的风险校验条件。

本发明实施例中，均值聚类算法模型包括多个分类簇，每个分类簇包括当前聚类中心，当前交易包括多个交易特征值；第一识别单元12具体用于根据多个交易特征值和每个分类簇的当前聚类中心，得到当前交易与每个分类簇之间的欧式距离；对多个欧式距离进行比较，筛选出最小欧式距离；将当前交易划分至最小欧式距离对应的分类簇，得到更新后的多个分类簇；根据更新后的多个分类簇，更新每个分类簇的当前聚类中心；根据更新后的多个分类簇和每个分类簇的当前聚类中心，生成总误差平方和；根据总误差平方和，判断是否满足预设的迭代停止条件；若满足，将当前交易所在的分类簇的风险类型确定为第一识别结果；若不满足，继续执行根据多个交易特征值和每个分类簇的当前聚类中心，得到当前交易与每个分类簇之间的欧式距离的步骤，直至满足迭代停止条件。

本发明实施例中，该装置还包括：第三获取单元18和聚类单元19。

第三获取单元18用于获取历史交易数据。

聚类单元19用于通过均值聚类算法，按照预设的初始分类簇和每个初始分类簇的初始聚类中心，对历史交易数据进行聚类，得到均值聚类算法模型。

本发明实施例中，当前交易包括交易用户信息和多个交易特征值；第二识别单元13具体用于将交易用户信息与第一用户信息进行匹配，查询出对应绑定的第二用户信息和校验指标阈值；根据交易特征值和校验指标阈值，判断当前交易是否符合风险校验条件；若是，根据多个交易特征值和第二用户信息，对当前交易进行风险识别，得到第二识别结果；若否，生成正常交易的第二识别结果。

本发明实施例中，第二识别单元13具体用于根据多个交易特征值，生成风险校验清单；将风险校验清单发送至第二用户信息所指示的第二用户终端；接收第二用户终端返回的第二识别结果。

本发明实施例中，识别结果生成单元14具体用于若第一识别结果和第二识别结果均为正常交易，生成正常交易的交易识别结果；若第一识别结果和第二识别结果中的一个为异常交易，生成可疑交易的交易识别结果；若第一识别结果和第二识别结果均为异常交易，生成异常交易的交易识别结果。

本发明实施例中，该装置还包括：第四获取单元20和模型更新单元21。

第四获取单元20用于若交易识别结果为可疑交易，获取可疑交易的可疑交易信息。

模型更新单元21用于根据可疑交易信息，对均值聚类算法模型进行更新，得到更新后的均值聚类算法模型。

本发明实施例的方案中，获取用户的当前交易和对应的风险校验条件；通过均值聚类算法模型，对当前交易进行风险识别，得到第一识别结果；通过风险校验条件，对当前交易进行风险识别，得到第二识别结果；根据第一识别结果和第二识别结果，得到交易识别结果，能够从交易聚类和指定确认人认证两方面进行风险交易识别，综合多方面进行风险识别，能够对风险交易进行及时拦截，降低时间和人力成本，提高识别准确率。

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设备，具体的，计算机设备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。

本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述交易风险识别方法的实施例的各步骤，具体描述可参见上述交易风险识别方法的实施例。

下面参考图4，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。

如图4所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有计算机设备600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

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。

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，在实施本申请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。

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。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

本申请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申请，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。

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