数据处理方法及装置

技术领域

本申请涉及数据处理领域，特别涉及数据处理方法及装置。

背景技术

金融业务包括营销、风险控制等，在金融行业中，往往会基于客户信息对客户进行画像并预测客户的某些行为，包括但不限于客户可能青睐的金融产品、客户的信用或违约风险等，以进行营销、风险控制等金融业务。

在传统的方式中，往往依赖于专家规则、工作人员的业务经验、统计模型等进行营销、风险控制等各项金融业务。但传统的方式存在客户画像精准度和效率不高等问题，限制了金融业务的发展。

随着信息技术的发展，金融业务逐渐转型为依赖于数字化技术，尤其是以机器学习为代表的人工智能技术的应用极大地提升了客户画像的精准度和效率，促进了各项金融业务的大力发展。

在利用机器学习技术的情况下，需要建立机器学习模型，机器学习模型接收表示客户信息的各项特征数据，输出对于客户一个或多个行为的预测结果，包括但不限于客户对于金融产品的购买概率、客户的信用或违约风险等。

应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

发明人发现，对于机器学习模型而言，特征数据的信息含量、数量、质量决定了模型效果的上线，而在现有的机器学习技术中，机器学习模型的输入往往仅局限于从客户处收集的原始数据，导致机器学习模型的预测效果不佳。

为了解决上述问题中的至少一个，本申请实施例提供一种数据处理方法及装置，用于金融业务机器学习模型，从原始数据中快速、自动化地构造大量特征，从原始数据中挖掘出更多信息，充分表达数据信息，提升机器学习模型的效果。

根据本申请第一方面的实施例，提供了一种分数据处理方法，用于金融业务机器学习模型，所述方法包括：

数据获取步骤，获取客户的原始数据，所述原始数据包含多个特征数据；

预处理步骤，对所述特征数据进行预处理，获得预处理后的特征数据；

特征衍生步骤，对于所述多个特征数据和所述预处理后的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，其中m和n为大于1的整数；以及

筛选步骤，对所述衍生特征数据进行筛选，将所述原始数据和筛选后的数据作为所述金融业务机器学习模型的输入。

在一个或多个实施例中，所述m小于5，所述n小于4。

在一个或多个实施例中，所述预处理包括对特征数据进行如下处理中的至少一者：取负数运算、取倒数运算、分箱处理。

在一个或多个实施例中，所述原始数据中包含的特征数据的类型为连续型或离散型，所述预处理后的特征数据的类型为连续型或离散型。

在一个或多个实施例中，所述m个特征数据之间进行如下处理：

连续型特征数据和连续型特征数据进行乘法运算，离散型特征数据和离散型特征数据进行并集处理生成新的特征数据，所述新的特征数据表示所述客户同时满足进行并集处理的两个离散型特征数据，

对于连续型特征数据和离散型特征数据，在对连续型特征数据进行分箱处理为离散型数据的情况下，进行并集处理。

在一个或多个实施例中，所述筛选步骤根据如下以下至少一者进行筛选：统计指标、业务意义、模型筛选。

在一个或多个实施例中，所述统计指标表示不同特征间的取值唯一性、低方差性、高度线性相关性，

所述模型筛选包括：在数据集上建立模型并选取按重要度排序的前K个特征，所述K为正整数。

根据本申请第二方面的实施例，提供了一种数据处理装置，用于金融业务机器学习模型，所述装置包括：

数据获取模块，其获取客户的原始数据，所述原始数据包含多个特征数据；

预处理模块，对所述特征数据进行预处理，获得预处理后的特征数据；

特征衍生模块，对于所述多个特征数据和所述预处理后的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，其中m和n为大于1的整数；以及

筛选模块，对所述衍生特征数据进行筛选，将所述原始数据和筛选后的数据作为所述金融业务机器学习模型的输入。

根据本申请其它方面的实施例，提供一种计算机设备，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本申请第一方面实施例所述的数据处理方法。

根据本申请其它方面的实施例，提供一种计算机可读的存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本申请第一方面实施例所述的数据处理方法。

本申请实施例的有益效果之一在于：

通过对多个特征数据和预处理后的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，并对衍生特征数据进行筛选，能够从原始数据中快速、自动化地构造大量特征，从原始数据中挖掘出更多信息，从而能够提升机器学习模型的效果。

参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。

针对一种实施方式描述以及示出的特征信息可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征信息相组合，或替代其它实施方式中的特征信息。

应该强调，术语“包括/包含”在本文使用时指特征信息、整件、步骤或组件的存在，但并不排除一个或更多个其它特征信息、整件、步骤或组件的存在或附加。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例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是本申请实施例的数据处理方法的一个示意图；

图2是本申请实施例的数据获取步骤的一个示意图；

图3是本申请实施例的预处理步骤的一个示意图；

图4是本申请实施例的特征衍生步骤的一个示意图；

图5是本申请实施例的模型筛选的一个示意图；

图6是本申请实施例的数据处理装置的一个构成示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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。

实施例1

本申请实施例1提供了一种数据处理方法，用于金融业务机器学习模型。图1是本申请实施例的数据处理方法的一个示意图，如图1所示，该方法包括：

步骤100，获取客户的原始数据，所述原始数据包含多个特征数据；

步骤200，对所述特征数据进行预处理，获得预处理后的特征数据；

步骤300，对于所述多个特征数据和所述预处理后的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，其中m和n为大于1的整数；以及

步骤400，对所述衍生特征数据进行筛选，将所述原始数据和筛选后的数据作为所述金融业务机器学习模型的输入。

这样，通过对多个特征数据和预处理后的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，并对衍生特征数据进行筛选，能够从原始数据中快速、自动化地构造大量特征，从原始数据中挖掘出更多信息，从而能够提升机器学习模型的效果。

在本申请实施例中，金融业务可包括营销、风险控制等，也就是说，本申请实施例的数据处理方法可用于金融产品的营销、银行的风险控制，如对于客户信用后违约风险的控制，本申请对此不作限制。

下面对上述方法中的各个步骤进行具体的说明。

步骤100，获取客户的原始数据，所述原始数据包含多个特征数据，也就是说获得关于客户的原始数据。

图2是本申请实施例的数据获取步骤的一个示意图。

如图2所示，在步骤100中可包括：

步骤101，收集客户信息。

在本申请实施例中，对于建模所涉及的金融业务，需要对相关的客户信息进行收集，这些客户信息包括尚未进行特征加工的原始数据，是后续特征工程开展的数据基础。

在本申请实施例中，原始数据或特征数据表示客户的信息，包括客户的基本信息、如姓名、性别、国籍、联系方式、身份证号码、职业、学历、婚姻状况等，客户的信息还可以包括客户的财务信息，包括但不限于存款信息、收支信息、理财产品购买信息等。

在本申请实施例中，对于如何获取客户的原始数据不作限制，例如可以在客户办理相关业务时由客户输入，或者从银行的数据库中提取，本申请对此不作限制。

不过值得说明的是，本申请实施例中的用户(客户)信息均是通过合法合规途径获得，并且对用户(客户)信息的获取、存储、使用、处理等经过用户(客户)授权同意的。

如图2所示，在一个或多个实施例中，步骤100还包括：

步骤102，描述信息定义。

在本申请实施例中，通过步骤101可收集客户的各种信息，然后针对所收集的客户信息可以进行描述信息定义，获取客户的原始数据。

例如，描述信息定义可包括针对客户信息定义数据名称和数据类型，数据名称也可称为特征名称、或称为属性，例如，可以基于所收集的客户信息定义相应的数据名称和数据类型，或者，也可以针对所要针对的金融业务，例如智慧营销场景，预先定义一组数据名称和数据类型，并将所收集的客户信息中的各种数据归入相应的数据名称和数据类型。本申请对此不作限制，可根据实际需要而选择。

例如，以智慧营销场景为例，定义的数据名称可包括年收入金额、年支出金额、年高端消费金额、总存款、工作时间、客户学历、客户婚姻状态，相应的数据类型可定义为连续型、连续型、连续型、连续型、连续型、离散型、离散型。

也就是说，对于任意一个客户，通过步骤101和102，可以获得该客户的上述多个数据名称对应的特征数据，特征数据也可以称为特征值，表示特征名称(或数据名称、或属性)的具体取值，例如特征名称为性别、存款，相应的特征数据可以为男、50000，特征数据作为该客户的原始数据，所有客户的原始数据可以存储在一个表中，可称作原始数据表，如下表1所示。

表1：

值得注意的是，上述各项数据名称仅为示例性说明，本申请实施例还可包括其它数据名称，例如增加上述表1中没有包括的数据名称，例如客户年龄、客户职业等，或者删除表1中的某一个或一些数据名称，本申请对此不作限制，可根据实际需要而确定。

接下来，在步骤200中，对原始数据中的特征数据进行预处理，获得预处理后的特征数据，也就是说，基于原始的特征数据获得新的特征数据。

图3是本申请实施例的预处理步骤的一个示意图。

如图3所示，在一个或多个实施例中，在步骤200中包括：

步骤201，对特征数据进行取倒数运算和/或取负数运算，例如，对原始数据中的特征数据进行取倒数运算，或者，对原始数据中的特征数据取负数运算，或者同时进行取负数和取倒数运算。由此，在保留原始的特征数据的情况下，能够通过简单的方式扩展原始数据中的特征数据的数量，以便于在后续的特征衍生过程中可通过简单统一的衍生公式，实现多样化的衍生计算，产生大量的衍生特征数据。

例如，以表1中的客户A为例，可以通过对其中的工作时间a5进行取倒数运算，对原始的特征数据进行扩展，也就是说在表1中增加一列，该列的数据名称可以为工作时间倒数，该列中的数据为各客户的工作时间的倒数，即1/a5，1/b5。

在本申请实施例中，步骤201中的预处理方式可以保留特征数据的数据类型，也就是说，连续型的特征数据进行步骤201的处理之后，其数据类型仍为连续型，例如，工作时间的倒数1/a5和1/b5均为连续型，离散型的特征数据进行步骤201的处理之后，其数据类型仍为离散型。

但本申请不限于此，例如，也可以对原始的特征数据进行预处理之后改变其数据类型。

如图3所示，在一个或多个实施例中，在步骤200中包括：

步骤202，对特征数据进行分箱处理，也就是说，在保留原始特征数据的前提下，对原始特征进行分箱，以实现不同粒度层次上的特征衍生，具体可包括但不限于等距分箱、等频分箱、IV值分箱等方式。

例如，可根据客户的总存款，进行分箱处理，将客户分为不同存款等级，例如包括3等级，根据客户的总存款的数量，将客户划分为不同的等级。

例如，客户A的总存款属于第1等级，客户B的总存款属于第2等级，则在表1中增加一列，该列的数据名称可称为总存款等级，任意一个客户的总存款等级的取值为1、2、3中的一个，则客户A、B的总存款等级中的数值分别为1、2。

如图3所示，在一个或多个实施例中，在步骤200中还可包括：

步骤203：将步骤201和步骤202中所产生的预处理的特征数据和原始数据中的特征数据合并成一张特征宽表，该特征宽表作为后续特征衍生处理的基础。

接下来，在步骤300中，对于通过步骤100获得的多个特征数据和通过步骤200生成的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，其中m和n为大于1的整数。

也就是说，对于步骤203中所生产的特征宽表中的任意m列的特征数据，进行m元n次运算，生成衍生特征数据，由此，能够以简单的方式自动化地生成大量的衍生特征。

例如，在征宽表中包括Q列特征数据的情况下，对于该Q列特征数据中的任意的m列特征数据，均进行m元n次运算，由此生成海量的衍生特征数据。

在一个或一些实施例中，可以通过以下公式1生成衍生特征数据：

(αx

其中，x

在一个或多个实施例中，m为大于1且小于5的正整数，即m为2、3、4中的任意一者，n为大于1且小于4的正整数，即n为2或3。由此，在确保所生成的衍生特征的数量满足要求的情况下，还能够避免计算资源的过渡消耗。

但本申请不限于此，m和n的数值还可以为其它情况，可根据实际情况(例如所需要的衍生特征的数量、机器学习模型的预测精度、可用的计算资源等)而选择。

在本申请实施例中，在上述公式1中，特征数据和特征数据之间的运算表示特征数据之间的计算关系，例如，可以为乘法运算，但本申请不限于此，例如，还可以为并集计算，以下将举例进行说明。

在本申请实施例中，步骤300可以根据实际需要而进行多次，例如，可以对Q个特征数据的所有m个特征数据的组合均进行如公式1所示的衍生，但本申请不限于此，例如，也可以仅对Q个特征数据中的m个特征数据的部分组合进行如公式1所示的衍生，此外，在对m个特征数据进行如公式1所示的衍生时，可以进行m元二次衍生，或者进行m元三次衍生，或者既进行m元二次衍生，也进行m元三次衍生。由此，能够以灵活的方式根据实际需要而衍生大量的特征数据。

以下进行举例说明。

图4是本申请实施例的特征衍生步骤的一个示意图。

如图4所示，在一个或多个实施例中，在步骤300中包括：

步骤301，进行二元特征二次特征衍生，即对两个特征进行特征衍生，以表1中的原始特征“总存款”和通过步骤201而生成的特征数据“工作时间的倒数”为例进行二元二次特征衍生：

例如对于客户A，根据公式1，衍生公式为(a

根据该衍生公式，客户A能够得到3个衍生特征：(a

需要指出的是，在上述“总存款”和“工作时间的倒数”的衍生中，特征数据之间进行的“乘”运算表示数学运算乘法，也就是说，连续型特征数据之间的乘运算可表示乘法数学运算，但本申请不限于此，衍生公式中的“乘”运算表示的是两个特征数据之间进行相关运算，而不仅仅限为乘法数学运算。

也就是说，上述“乘”表示的是离散特征数据之间的运算或处理方式，而并不一定表示数学意义上的乘法，对于离散特征数据之间的“乘”运算，例如可以表示拼接，例如两个离散特征“客户学历”和“客户婚姻状态”的“乘”运算表示两个特征的拼接以生成新的特征“客户学历_乘_客户婚姻状态”，并且新的特征数据也为两个特征的特征数据的拼接，但本申请不限于此，新的特征或特征数据还可以表示为其它的形式，例如“客户学历_&_客户婚姻状态”，此外，离散特征数据之间的“乘”运算还可以为其它处理，例如映射，也就是说，预先定义预定数量的新的特征数据对应两个离散特征之间的所有可能的集合，集合中的每一个元素或情形对应新的特征数据中的一个特征数据，例如，客户学历可以包括“本科及以下”、“硕士”和“博士”这三个离散型分类，客户婚姻状态可包括“已婚”、“未婚”、“离异”和“丧偶”这四个离散型分类，则可以定义新的特征数据X

例如，在利用“客户学历”和“客户婚姻状态”进行二元二次特征衍生时，衍生特征对应客户学历的平方、客户婚姻状态的平方、“客户学历”乘“客户婚姻状态”。由于“客户学历”和“客户婚姻状态”均为离散型数据，“客户学历”和“客户婚姻状态”的乘运算可表示两者的并集处理。

在本申请实施例中，两个离散型数据进行并集处理生成新的特征数据，该新的特征数据表示客户同时满足进行并集处理的两个离散型数据。

例如，客户学历可以包括“本科及以下”、“硕士”和“博士”这三个离散型分类，客户婚姻状态可包括“已婚”、“未婚”、“离异”和“丧偶”这四个离散型分类。在客户A的a6为硕士，a7为已婚的情况下，“a6”和“a7”的乘运算结果可以表示A为硕士且已婚，例如，可以在特征数据表中增加数据名称为“客户学历_乘_客户婚姻状态”的一个新的列，则客户A对应该列的特征数据为硕士且已婚，换言之客户A同时满足硕士且已婚这两个条件。由此，在对特征宽表中的所有用户均进行该衍生操作的情况下，能够获得所有客户的“客户学历_乘_客户婚姻状态”这一特征数据，在此情况下，还可以获得所有客户中对应“客户学历_乘_客户婚姻状态”具有相同情况的用户数，从而从宏观角度对输入机器学习模型的特征数据对应客户群的特征进行画像，从而有利于提升机器学习模型的效果。

此外，在离散型特征数据为连续型特征数据的分箱处理之后的离散型特征数据的情况下，例如，在对总存款进行了分箱处理的情况下，在利用“总存款等级”和“客户学历”进行衍生处理时，两者的乘运算可表示并集处理，例如，客户A的总存款等级为第1等级，则对于客户A，“总存款等级”和“客户学历”的乘运算的衍生结果为1级总存款且硕士，由此，在对特征宽表中的所有用户均进行该衍生操作的情况下，能够获得所有客户的“总存款等级_乘_客户学历”这一特征数据。

但本申请不限于此，例如，离散型特征之间的乘运算也可以为乘法数学运算，此外，离散型特征和连续型特征之间的乘运算可以为乘法数学运算。

如图4所示，在一个或多个实施例中，在步骤300中还可包括：

步骤302，进行三元特征二次特征衍生，也就是说对两个以上的特征进行特征衍生，基础衍生公式如下，若特征1，特征2，特征3分别为a，b，c则衍生公式为：

(a+b+c)

由此，通过步骤302可得到6个衍生特征。关于步骤302中不同特征之间的乘运算，可参见上述步骤301中的举例说明，在此不再一一举例。

如图4所示，在一个或多个实施例中，在步骤300中还可包括：

步骤303：三元特征三次特征衍生，也就是说，对两个以上的特征进行多元特征衍生。若特征1，特征2，特征3分别为a，b，c则衍生公式为

(a+b+c)

由此，通过步骤303可得到10个衍生特征。关于步骤303中不同特征之间的乘运算，可参见上述步骤301中的举例说明，在此不再一一举例。

由此，通过上述例示的步骤301、302和303，能够衍生出大量的衍生特征数据，从而有利于提升机器学习模型的效果。

如图4所示，在一个或多个实施例中，在步骤300中还可包括：

步骤304，对步骤301、步骤302和步骤303中产生的衍生特征数据进行归并处理，由此，能够产生更多的衍生特征数据。

例如，除保留各步骤所产生的衍生特征数据之外，还可将衍生的特征数据进行排列组合，从中选择

在本申请实施例中，步骤300将衍生出海量的特征，但并非所有的衍生特征都适合作为机器学习模型的输入。

因此，在本申请实施例中，通过步骤400对衍生特征数据进行筛选，将原始数据和筛选后的数据作为金融业务机器学习模型的输入。由此，能够确输入金融业务的机器学习模型的特征数据能够有效地提高机器学习模型的效果。

在本申请实施例中，筛选步骤根据如下以下至少一者进行筛选：统计指标、业务意义、模型筛选。由此，能够筛选出合适的特征数据，以下进行详细说明。

在本申请实施例中，筛选步骤包括统计筛选。具体的，根据统计指标进行特征筛选。主要是关注唯一取值特征、低方差特征、高度线性相关特征等信息含量不足、重复无法有效提升建模性能的特征，通过该筛选步骤，能够过滤掉该类型的特征数据，例如，步骤301、302和303可能产生相同的特征，通过该统计筛选操作，能够舍去重复的特征数据，例如，在特征数据或特征值序列为波动变化程度小的低方差特征序列，则可以舍去该特征数据，例如，在两列特征数据变化趋势相同或相反，例如月度日均理财金额和季度日均理财金额，通常意义上，两列数据变化趋势相同，则可以舍去其中的一列数据。

在本申请实施例中，筛选步骤还可包括业务意义筛选，也就是说，根据新特征对应的业务合理性或新特征的名称进行业务合理性筛选，例如，对于单一的特征数据的高次方运算结果，适度保留若干个即可，不必全部保留。此步骤可定义正则表达式对特征名进行筛选，过滤掉无意义或重复的特征，此步骤会过滤掉大量的特征。

在本申请实施例中，经过统计筛选和业务意义筛选的筛选处理，特征数据的数量已经回归至合理的水平。不过，剩余的特征数据可能还包含大量的特征，不利于后续的建模过程。在此情况下，可通过模型筛选进行最终筛选处理，以下进行详细说明。

在本申请实施例中，可通过使用逻辑回归、树模型等具有特征重要性输出能力的模型在数据集上进行建模，按照后续建模需要，选取需要的前K个特征进行保留，丢掉其他多余的特征。

图5是本申请实施例的模型筛选的一个示意图，如图5所示，模型筛选操作具体可包括如下处理：

步骤501：定义业务关注的模型效果评价指标，通常可为准确率，召回率，F1值等。

步骤502：将待建模的特征数据集、建模目标标签分为训练集和测试集两部分，其中待建模的特征数据集即进行了统计筛选和业务意义筛选之后剩下的特征数据的集合。

步骤503：利用具有特征重要性输出能力的模型在数据集上进行建模，例如逻辑回归、树模型等，得到训练完成的模型，在测试集上测试模型，迭代循环直到模型效果无法进一步提升为止。

步骤504：输出模型关于待筛选特征的重要度排序，选取需要的前K个特征进行保留，丢掉其他多余的特征。

由此，能够筛选出合适的特征数据，提升机器学习模型的效率和精准度，从而提升机器学习模型的效果。

根据本申请实施例，通过对多个特征数据和预处理后的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，并对衍生特征数据进行筛选，能够从原始数据中快速、自动化地构造大量特征，从原始数据中挖掘出更多信息，从而能够提升机器学习模型的效果。

实施例2

本申请实施例还提供了一种数据处理装置，用于金融业务机器学习模型，其对应于实施例1的数据处理方法，因此该装置的实施可以参见实施例1的数据处理方法的实施，重复之处不再赘述。

图6为本申请实施例的数据处理装置的一构成图，如图6所示，数据处理装置10包括数据获取模块11、预处理模块12、特征衍生模块13和筛选模块14，其中，

数据获取模块11获取客户的原始数据，所述原始数据包含多个特征数据；

预处理模块12对特征数据进行预处理，获得预处理后的特征数据；

特征衍生模块13对于多个特征数据和预处理后的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，其中m和n为大于1的整数；以及

筛选模块14对衍生特征数据进行筛选，将原始数据和筛选后的数据作为金融业务机器学习模型的输入。

根据本申请实施例，通过对多个特征数据和预处理后的特征数据中的任意m个特征数据，进行m元n次运算，生成衍生特征数据，并对衍生特征数据进行筛选，能够从原始数据中快速、自动化地构造大量特征，从原始数据中挖掘出更多信息，从而能够提升机器学习模型的效果。

本申请实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现数据处理方法。

本申请实施例也提供一种计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现数据处理方法。

需要说明的是，本申请中技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书实施例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。

本申请是参照根据本申请实施例的方法、装置(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。

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。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。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。除非另有明确的规定和限定，术语“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，可以根据具体情况理解上述术语在本申请中的具体含义。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本申请并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本申请的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。