一种特征向量的处理方法及相关装置

技术领域

本申请涉及数据处理领域，尤其涉及一种特征向量的处理方法及相关装置。

背景技术

在‘互联网+’和大数据时代，信用记录成为近年来政府、金融机构越来越关心的问题，完善的征信体系是市场经济的重要组成部分，大范围的欺诈或违约都会对经济的发展产生难以估量的负面影响。不管是个人征信，还是企业征信，有效的区分出高风险的申请，尤其是欺诈类风险，可以大幅度的降低金融机构的坏账率，避免金融机构的损失。同时，各个征信机构掌握有大量的申请记录，欺诈黑名单，逾期黑名单等信息，如何基于存量的大数据来区分出高风险的申请，是一个重要的研究内容。

目前，可以采用历史已获取的全部用户的信息构建关联网络，对关联网络中待预估用户的邻居用户的特征信息，采用神经网络模型进行处理，处理得到的结果，被用于对待预估用户的信贷风险进行评估。由此可以看出，特征信息处理结果的准确性直接影响了评估结果的准确性。

发明内容

本申请提供了一种特征向量的处理方法及相关装置，目的在于解决确定的信贷风险值的准确性低的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请提供了一种特征向量的处理方法，包括：

分别确定待预估用户以及至少一个目标邻居用户的特征向量，所述特征向量包括至少一类特征信息对应的向量；

按照特征向量对应的特征信息的类别，将所述特征向量进行归类，分别得到每个特征信息类对应的特征向量集合；

将每个特征向量集合输入预设的神经网络模型，得到所述待预估用户的信贷风险值；其中，所述神经网络模型分别计算各个特征向量集合的合并向量，依据所述合并向量确定信贷风险值；所述神经网络模型计算任一特征向量集合的合并向量的过程包括：计算该特征向量集合中各个目标邻居用户的特征向量分别相对于所述待预估用户的特征向量的相关系数，将所述相关系数作为权重，计算该特征向量集合中各个目标邻居用户的特征向量的加权和。

可选的，所述至少一类特征信息包括：节点特征信息、边特征信息和结构特征信息；所述至少一类特征信息对应的向量包括：节点特征向量、边特征向量，以及结构特征向量。

可选的，在所述将每个特征向量集合输入预设的神经网络模型之前，还包括：

将所述待预估用户的特征向量中两两特征向量进行拼接，得到所述待预估用户的拼接向量；

分别将各个所述目标邻居用户的特征向量中两两特征向量进行拼接，得到各个所述目标邻居用户分别对应的拼接向量；

将所述待预估用户与各个所述目标邻居用户的拼接向量中，由相同两种特征向量拼接得到的拼接向量组成一个特征向量集合，得到多个特征向量集合；

将所述待预估用户的全部特征向量进行拼接得到的拼接向量，以及分别对各个所述目标邻居用户的全部特征向量进行拼接得到的拼接向量，组成一个特征向量集合。

可选的，所述神经网络模型包括：第一神经网络模型和第二神经网络模型；所述第一神经网络模型与所述第二神经网络模型连接；

所述神经网络模型分别计算各个特征向量集合的合并向量，依据所述合并向量确定信贷风险值，包括：

所述第一神经网络模型分别计算各个特征向量集合的合并向量；

所述第二神经网络模型依据所述合并向量，确定所述信贷风险值。

可选的，所述第一神经网络模型为图注意力神经网络；所述第二神经网络模型为图卷积神经网络；

所述第二神经网络模型依据所述合并向量，确定所述信贷风险值，具体包括：

所述第二神经网络模型对所述合并向量进行卷积运算，得到所述信贷风险值。

可选的，所述第一神经网络模型为图注意力神经网络；所述第二神经网络模型为图注意力神经网络；

所述第二神经网络模型依据所述合并向量，确定所述信贷风险值，具体包括：

所述第二神经网络模型分别计算所述合并向量的相关系数，并将所述合并向量的相关系数作为权重，依据所述合并向量的加权和，确定所述信贷风险值。

可选的，所述分别确定待预估用户以及至少一个目标邻居用户的特征向量，所述特征向量包括至少一类特征信息对应的向量，包括：

获取事先建立的关联网络；所述关联网络是将历史获取到的用户作为节点，依据所述用户的信息建立节点间的关联关系得到；

依据所述待预估用户的信息，建立所述待预估用户与所述关联网络中节点间的关联关系，得到更新后的关联网络；

确定所述更新后的关联网络中所述待预估用户的子图；

将所述子图中所述待预估用户的各级邻居节点作为所述目标邻居用户；

将所述待预估用户与各个所述目标邻居用户分别对应的至少一种特征信息分别映射为特征向量，得到所述待预估用户以及至少一个目标邻居用户的特征向量。

本申请还提供了一种特征向量的处理装置，包括：

确定模块，用于分别确定待预估用户以及至少一个目标邻居用户的特征向量，所述特征向量包括至少一类特征信息对应的向量；

归类模块，用于按照特征向量对应的特征信息的类别，将所述特征向量进行归类，分别得到每个特征信息类对应的特征向量集合；

执行模块，用于将每个特征向量集合输入预设的神经网络模型，得到所述待预估用户的信贷风险值；其中，所述神经网络模型分别计算各个特征向量集合的合并向量，依据所述合并向量确定信贷风险值；所述神经网络模型计算任一特征向量集合的合并向量的过程包括：计算该特征向量集合中各个目标邻居用户的特征向量分别相对于所述待预估用户的特征向量的相关系数，将所述相关系数作为权重，计算该特征向量集合中各个目标邻居用户的特征向量的加权和。

本申请还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的特征向量的处理方法。

本申请还提供了一种设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一项所述的特征向量的处理方法。

本申请所述的特征向量的处理方法及相关装置，分别确定待预估用户以及至少一个目标邻居用户的特征向量，按照特征向量对应的特征信息的类别，将特征向量进行归类，分别得到每个特征信息类分别对应的特征向量集合；即得到的一个特征向量集合包含的是：待预估用户和各个目标邻居用户的同一类特征信息分别对应的特征向量。使得后续对每个特征向量集合进行处理，是对每类特征信息分别进行处理，使得处理更有针对性，进而有利于处理结果的准确性。

在获得特征向量集合后，利用神经网络模型计算该特征向量集合中各个目标邻居用户的特征向量相对于待预估用户的特征向量的相关系数，该相关系数反映了目标邻居用户与待预估用户间的紧密程度，并且，相关系数越大，紧密程度越高。因此，将相关系数作为权重，计算该特征向量集合中各个目标邻居用户的特征向量的加权和，得到的合并向量，体现了对各个目标邻居用户的特征向量的利用准确性更高，进而，在后续使用合并向量对信贷风险进行评估时，也能提升评估结果的准确性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例公开的一种特征向量的处理方法的流程图；

图2为本申请实施例公开的又一种特征向量的处理方法的流程图；

图3为本申请实施例公开的一种特征向量的处理装置的结构示意图；

图4为本申请实施例公开的一种设备的结构示意图。

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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请实施例提供的一种特征向量的处理方法，可以包括以下步骤：

S101、分别确定待预估用户以及至少一个目标邻居用户的特征向量。

在本实施例中，目标邻居用户是历史获取到的用户中，与待预估用户存在一定关联的用户。

在本步骤中，特征向量包括至少一类特征信息分别对应的向量，即本步骤中，确定待预估用户的至少一类特征信息分别对应的向量，并分别确定每个目标邻居用户的至少一类特征信息分别对应的向量。

在本实施例中，用户的特征信息可以分为三类，分别为节点特征信息、边特征信息和结构特征信息。

其中，用户的节点特征信息表示用户的属性信息。例如，用户的年龄、性别、省份和收入等信息。

用户的边特征信息表示用户与关联用户(与用户之间有关联的其他现有用户)间的关联信息。其中，关联信息可以包括：关联类型和关联程度。例如，用户A与用户B间存在关联，具体的，用户A是通过手机号与用户B之间产生联系，假设在用户A的手机中，对用户B手机号码的备注信息为“闺蜜”，则用户A与用户B间的关联类型为手机号连接，关联程度为“闺蜜”所体现的关联程度，即关联程度比较高。

用户的结构特征信息用于表示用户在关联网络中的位置，以及与关联网络中其他用户的关联紧密程度。其中，关联网络指：依据用户与其他用户的信息，建立的表示不同用户之间关联关系的网络。例如，节点A处于关联网络的中心位置，则与其他节点连接紧密，而节点B处于关联网络的边缘位置。则节点A和节点B的结构特征信息不同。

在本实施例中，结构特征信息可以通过structure2vec、node2vec或RandomWalk等方法，从关联网络中提取。

可选的，本步骤的具体实现方式可以包括步骤A1～步骤A5：

A1、获取事先建立的关联网络。

在本实施例中，关联网络是将历史获取到的用户作为节点，依据用户的信息建立节点间的关联关系得到。其中，历史获取到的用户的信息包含但不仅限于通讯录，通话记录，朋友圈，GPS，wifi设备等信息。

在本步骤中，建立关联网络的具体实现过程为现有技术，这里不再赘述。

A2、依据待预估用户的信息，建立待预估用户与关联网络中节点间的关联关系，得到更新后的关联网络。

在本步骤中，将待预估用户作为关联网络的节点，并依据待预估用户的信息，建立待预估用户与关联网络中节点间的关联关系，得到更新后的关联网络。其中，具体的建立过程为现有技术，这里不再赘述。

A3、确定更新后的关联网络中待预估用户的子图。

在本步骤中，待预估用户的子图包括待预估用户，以及待预估用户的n级邻居用户，在本实施例中，n的取值需要依据实际确定，本实施例不对n的取值作限定。

A4、将子图中待预估用户的各级邻居节点作为目标邻居用户。

在本步骤中，将子图中待预估用户的每级邻居用户，都作为目标邻居用户。即将子图中除待预估用户外的其他用户都作为目标邻居用户。

A5、将待预估用户与各个目标邻居用户分别对应的至少一类特征信息分别映射为特征向量，得到待预估用户以及至少一个目标邻居用户的特征向量。

在本步骤中，如果特征信息可以包括节点特征信息、边特征信息和结构特征信息。其中，节点特征信息、边特征信息和结构特征信息的含义上述已描述，这里不再赘述。

在本步骤中，将待预估用户的至少一类特征信息中的各类特征信息分别映射为特征向量，并分别将每个目标邻居用户的特征信息映射为特征向量，其中，以任一目标邻居用户为例，将该目标邻居用户的至少一类特征信息分别映射为特征向量，得到该目标邻居用户对应的特征向量。其中，映射的具体实现过程为现有技术，这里不再赘述。

S102、按照特征向量对应的特征信息的类别，将特征向量进行归类，分别得到每个特征信息类对应的特征向量集合。

在本步骤中，将待预估用户与至少一个目标邻居用户的特征向量中，由同一类特征信息映射得到的特征向量，组成一个特征向量集合，即待预估用户与目标邻居用户的同一类特征信息分别对应的特征向量，组成一个特征向量集合，即得到每个特征信息类分别对应的特征向量集合。

S103、将每个特征向量集合输入预设的神经网络模型，得到待预估用户的信贷风险值。

在本实施例中，将每个特征向量输入神经网络模型后，神经网络模型分别计算各个特征向量集合的合并向量，依据计算得到的合并向量确定信贷风险值。

其中，神经网络模型计算每个特征向量集合的合并向量的过程相同，为了描述方便，以任一特征向量集合的合并向量的计算过程为例进行介绍，具体可以包括：计算该特征向量集合中各个目标邻居用户的特征向量分别相对于待预估用户的特征向量的相关系数，将所述相关系数作为权重，计算该特征向量集合中各个目标邻居用户的特征向量的加权和。

可选的，在本实施例中，神经网络模型可以包括：第一神经网络模型和第二神经网络模型，其中，第一神经网络模型与第二神经网络模型连接。

基于第一神经网络模型和第二神经网络模型，神经网络模型分别计算各个特征向量集合的合并向量，依据计算得到的合并向量确定信贷风险值的过程，可以包括：第一神经网络模型分别计算各个特征向量集合的合并向量，第二神经网络模型依据所述合并向量，确定信贷风险值。

在本实施例中，第一神经网络模型可以为图注意力神经网络。第二神经网络模型可以为图注意力神经网络，也可以为图卷积神经网络，本实施例不对第二神经网络模型的具体形式作限定。

在本实施例中，神经网络模型可以是经过训练后的神经网络模型，其中，具体的训练方式可以为现有的基于深度学习的训练方式，本实施例不进行赘述。

为了更清楚的描述图注意力神经网络模型对输入的特征向量集合进行计算，得到合并向量的过程可以包括：

首先，生成各目标邻居的相关系数，然后对各目标邻居的特征向量进行加权求和。具体的，先计算各个目标邻居的注意力系数，其中，注意力系数的计算过程如下公式(1)所示：

其中，

通过上述公式(1)可以计算得到各个目标邻居用户的注意力系数e

最后，待预估用户的特征向量为：以各目标邻居用户的特征向量的相关系数为权重，对各个目标邻居用户的特征向量进行加权求和，得到合并向量。具体计算公式如下公式(3)所示：

式中，“σ”为激活函数，激活函数括号内的即为目标邻居用户的特征向量与相关性系数加权求和。

在本申请实施例中，为了进一步提高待预估用户的信贷风险值的准确性，还可以增加特征向量集合的多样性，使得神经网络模型对多种特征向量集合进行处理，使得得到的待预估用户的信贷风险值的准确性，得到进一步的提高。具体的，增加特征向量集合的多样性的方式，可以包括：对待预估用户的特征向量进行拼接处理，得到待预估用户的拼接向量，以及分别对各个目标邻居用户的特征向量进行拼接处理，得到各个目标邻居用户分别对应的拼接向量，并依据待预估用户的拼接向量与各个目标邻居用户分别对应的拼接向量，生成特征向量集合，从而，增加了特征向量集合的多样性。

基于增加特征向量集合的多样性，实现对待预估用户的风险值的确定过程如图2所示。图2为本申请实施例提供的又一种特征向量的处理方法，可以包括以下步骤：

S201、分别确定待预估用户以及至少一个目标邻居用户的特征向量。

本步骤的含义以及可选的实现方式，可以参考S101，这里不再赘述。

S202、按照特征向量对应的特征信息的类别，将特征向量进行归类，分别得到每个特征信息类对应的特征向量集合。

本步骤所表示的含义可以参考S102，这里不再赘述。

S203、将待预估用户的特征向量中两两特征向量进行拼接，得到待预估用户的拼接向量。

在本实施例中，待预估用户的特征向量可以包括：多类特征信息分别对应的特征向量，即待预估用户的特征向量存在多个。在本步骤中，将待预估用户的特征向量中两两特征向量进行拼接。其中，拼接的具体实现过程为现有技术，这里不再赘述。

例如，待预估用户的特征向量包括节点特征向量、边特征向量和结构特征向量，在本步骤中，则将节点特征向量和边特征向量进行拼接，将节点特征向量和结构特征向量进行拼接，以及将边特征向量和结构特征向量进行拼接，得到三个拼接向量。

S204、分别将各个目标邻居用户的特征向量中两两特征向量进行拼接，得到各个目标邻居用户分别对应的拼接向量。

在本步骤中，分别对每个目标邻居用户的特征向量进行处理，具体的处理方式相同，为了方便介绍，以一个目标邻居用户为例进行介绍。具体的，将该目标邻居用户的特征向量中的两两特征向量进行拼接，其中，拼接的具体实现方式为现有技术，这里不再赘述。如果该目标邻居用户的特征向量包括三个，则本步骤中，可以得到该目标邻居用户的三个拼接向量。

S205、将待预估用户与各个目标邻居用户的拼接向量中，由相同两种特征向量拼接得到的拼接向量组成一个特征向量集合，得到多个特征向量集合。

在本步骤中，将待预估用户与各个目标邻居用户的拼接向量中，由相同两种特征向量拼接得到的拼接向量，组成一个特征向量集合。

如果待预估用户和各个目标邻居用户都分别对应的三个拼接向量，则在本步骤中，可以得到三个特征向量集合。

S206、将待预估用户的全部特征向量进行拼接得到的拼接向量，以及分别对各个目标邻居用户的全部特征向量进行拼接得到的拼接向量，组成一个特征向量集合。

在本步骤中，对于待预估用户，得到一个拼接向量，对于每个目标邻居用户分别对应一个拼接向量。因此，在本步骤中，得到一个特征向量集合。

如果待预估用户和每个目标邻居用户都分别对应三个特征向量(节点特征向量、边特征向量和结构特征向量)，通过上述S202～S206可以得到7个特征向量集合。

S207、将每个特征向量集合输入预设的神经网络模型，得到待预估用户的信贷风险值。

本步骤表示的含义可以参考S103，这里不再赘述。

以上述S202～S206得到7个特征向量集合为例，在本步骤中，神经网络模型分别对7个特征向量集合进行处理，得到7个合并向量，可以表示为Wn、Ws、We、Wne、Wse、Wns和Wsen。并依据7个合并向量，确定待预估用户的信贷风险值。

以输入7个特征向量集合为例，在本步骤中，神经网络模型对输入的多个特征向量集合进行处理，其中，分别针对每个特征向量集合进行处理，其中，分别对每个特征向量集合都按照以下公式(4)进行处理，为了方便描述，以任意一个特征向量集合为例进行介绍，具体的，基于该特征向量集合生成合并向量的过程如下公式(4)所示：

e

式中，

式中，e

需要说明的是，在本实施例中，每个特征向量集合分别对应一个局部注意力方向函数，并且，不同的特征向量集合对应的局部注意力方向函数可以不同。对于7个特征向量集合，分别通过公式(4)的计算，可以得到7个合并向量，可以表示为Wn,Ws,We,Wne,Wse,Wns,Wsen。

在本步骤中，如果依据合并向量生成信贷风险值的过程是采用图注意力神经网络模型进行处理，则具体的处理公式如下公式(5)所示：

式中，

现有技术中基于规则的方式判断待预估用户是否为高风险用户，具体的，依据逾期率或黑名单数量等确定用于表示高风险的阈值，并依据该阈值，判断用户是否为高风险用户，使得现有技术只能确定出风险值高于阈值的用户，对于中低风险的用户无法进行识别。而本申请实施例，采用神经网络模型进行计算，输出的风险值可以是0～1这个范围中的某个数值，即输出的风险值可以是多样的，即对中低高风险的用户都可以进行预估。

图3为本申请实施例提供的一种特征向量的处理装置，可以包括：确定模块301、归类模块302和执行模块303，其中，

确定模块301，用于分别确定待预估用户以及至少一个目标邻居用户的特征向量，所述特征向量包括至少一类特征信息对应的向量；

归类模块302，用于按照特征向量对应的特征信息的类别，将所述特征向量进行归类，分别得到每个特征信息类对应的特征向量集合；

执行模块303，用于将每个特征向量集合输入预设的神经网络模型，得到所述待预估用户的信贷风险值；其中，所述神经网络模型分别计算各个特征向量集合的合并向量，依据所述合并向量确定信贷风险值；所述神经网络模型计算任一特征向量集合的合并向量的过程包括：计算该特征向量集合中各个目标邻居用户的特征向量分别相对于所述待预估用户的特征向量的相关系数，将所述相关系数作为权重，计算该特征向量集合中各个目标邻居用户的特征向量的加权和。

可选的，所述至少一类特征信息包括：节点特征信息、边特征信息和结构特征信息；所述至少一类特征信息对应的向量包括：节点特征向量、边特征向量，以及结构特征向量。

可选的，该装置还可以包括：

特征向量增加模块，用于在所述将每个特征向量集合输入预设的神经网络模型之前，将所述待预估用户的特征向量中两两特征向量进行拼接，得到所述待预估用户的拼接向量；分别将各个所述目标邻居用户的特征向量中两两特征向量进行拼接，得到各个所述目标邻居用户分别对应的拼接向量；将所述待预估用户与各个所述目标邻居用户的拼接向量中，由相同两种特征向量拼接得到的拼接向量组成一个特征向量集合，得到多个特征向量集合；将所述待预估用户的全部特征向量进行拼接得到的拼接向量，以及分别对各个所述目标邻居用户的全部特征向量进行拼接得到的拼接向量，组成一个特征向量集合。

可选的，所述神经网络模型包括：第一神经网络模型和第二神经网络模型；所述第一神经网络模型与所述第二神经网络模型连接；

所述神经网络模型分别计算各个特征向量集合的合并向量，依据所述合并向量确定信贷风险值，包括：所述第一神经网络模型分别计算各个特征向量集合的合并向量；所述第二神经网络模型依据所述合并向量，确定所述信贷风险值。

可选的，所述第一神经网络模型为图注意力神经网络；所述第二神经网络模型为图卷积神经网络；所述第二神经网络模型依据所述合并向量，确定所述信贷风险值，具体包括：所述第二神经网络模型对所述合并向量进行卷积运算，得到所述信贷风险值。

可选的，所述第一神经网络模型为图注意力神经网络；所述第二神经网络模型为图注意力神经网络；所述第二神经网络模型依据所述合并向量，确定所述信贷风险值，具体包括：所述第二神经网络模型分别计算所述合并向量的相关系数，并将所述合并向量的相关系数作为权重，依据所述合并向量的加权和，确定所述信贷风险值。

可选的，所述确定模块301，用于分别确定待预估用户以及至少一个目标邻居用户的特征向量，所述特征向量包括至少一类特征信息对应的向量，包括：

所述确定模块301，具体用于获取事先建立的关联网络；所述关联网络是将历史获取到的用户作为节点，依据所述用户的信息建立节点间的关联关系得到；依据所述待预估用户的信息，建立所述待预估用户与所述关联网络中节点间的关联关系，得到更新后的关联网络；确定所述更新后的关联网络中所述待预估用户的子图；将所述子图中所述待预估用户的各级邻居节点作为所述目标邻居用户；将所述待预估用户与各个所述目标邻居用户分别对应的至少一种特征信息分别映射为特征向量，得到所述待预估用户以及至少一个目标邻居用户的特征向量。

特征向量的处理装置包括处理器和存储器，上述确定模块301、归类模块302和执行模块303等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决确定的信贷风险值的准确性低的问题。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述特征向量的处理方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述特征向量的处理方法。

本发明实施例提供了一种设备，如图4所示，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的特征向量的处理方法。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

分别确定待预估用户以及至少一个目标邻居用户的特征向量，所述特征向量包括至少一类特征信息对应的向量；

按照特征向量对应的特征信息的类别，将所述特征向量进行归类，分别得到每个特征信息类对应的特征向量集合；

将每个特征向量集合输入预设的神经网络模型，得到所述待预估用户的信贷风险值；其中，所述神经网络模型分别计算各个特征向量集合的合并向量，依据所述合并向量确定信贷风险值；所述神经网络模型计算任一特征向量集合的合并向量的过程包括：计算该特征向量集合中各个目标邻居用户的特征向量分别相对于所述待预估用户的特征向量的相关系数，将所述相关系数作为权重，计算该特征向量集合中各个目标邻居用户的特征向量的加权和。

本申请是参照根据本申请实施例的方法、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。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器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)，存储器包括至少一个存储芯片。存储器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。

以上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。

本申请实施例方法所述的功能如果以软件功能单元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设备可读取存储介质中。基于这样的理解，本申请实施例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设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请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。

本说明书的各个实施例中记载的特征可以相互替换或者组合，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。