风险业务识别方法、装置、电子设备和存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种风险业务识别方法、装置、电子设备和存储介质。

背景技术

伴随着泛零售业务的兴起，各企业让利用户的活动增加，滋生了大批风险业务(如黑产黄牛产业)，进而使得正常用户无法享受到企业的让利，导致用户活跃度和消费意愿降低，且企业无法收获对应的营销效果进而带来严重资损。因此，识别出风险业务并风险业务采取相应管控措施，显得尤为重要。

目前，多使用大数据相关技术架构(如Hive、Spark、Flink等)和BI(BusinessIntelligence)分析软件对线上业务进行风险分析，从用户维度构建出相关的风险特征。然而，该方法聚焦于线上业务，对于线下业务存在盲区，且在某些情况下(如用户维度方面的数据不全)该方法也无法准确识别线上风险业务。

发明内容

本发明提供一种风险业务识别方法、装置、电子设备和存储介质，用以解决现有技术中无法准确识别线上风险业务且对线下业务存在盲区的缺陷。

本发明提供一种风险业务识别方法，包括：

确定待识别业务在任一领域的风险特征以及各领域之间的映射主键；所述领域包括用户域、门店域、员工域以及商品域；

基于各领域之间的映射主键，将所述任一领域的风险特征映射为其余领域的风险特征；

基于所述任一领域的风险特征，以及所述其余领域的风险特征，对所述待识别业务进行风险识别，确定风险识别结果。

根据本发明提供的一种风险业务识别方法，所述基于所述任一领域的风险特征，以及所述其余领域的风险特征，对所述待识别业务进行风险识别，确定风险识别结果，包括：

将所述任一领域的风险特征，以及所述其余领域的风险特征输入至风险识别模型，由所述风险识别模型对所述待识别业务进行风险识别，得到所述风险识别结果；

所述风险识别模型基于正样本业务在各领域的样本风险特征和对应的正样本风险标签，以及负样本业务在各领域的样本风险特征和对应的负样本风险标签训练得到。

根据本发明提供的一种风险业务识别方法，各领域的样本风险特征基于如下步骤确定：

基于用户的网络数据、设备数据、行为数据以及位置数据中的至少一种，确定用户域的样本风险特征；

基于门店的用户流量数据和/或销售数据，确定门店域的样本风险特征；

基于员工的履约数据，确定员工域的样本风险特征；

基于商品的销售数据，确定商品域的样本风险特征。

根据本发明提供的一种风险业务识别方法，所述正样本业务基于如下步骤确定：

将满足预设规则的历史业务作为所述正样本业务，所述预设规则是对风险程度大于第一阈值的风险业务进行分析挖掘得到的；

和/或，

对风险程度小于所述第一阈值且大于第二阈值的历史业务进行聚类，确定各历史业务之间的相似度，并将相似度大于预设相似度的历史业务作为所述正样本业务；

和/或，

基于所述历史业务携带的人工标注，从所述历史业务中确定所述正样本业务。

根据本发明提供的一种风险业务识别方法，所述负样本业务是指特征缺失率小于预设缺失率的历史业务。

根据本发明提供的一种风险业务识别方法，所述用户域的风险特征包括用户下单手机号的风险特征、用户下单账号的风险特征以及用户登录设备的风险特征；

所述方法还包括：

基于所述用户下单手机号的风险特征，确定手机号维度得分；

基于所述用户下单账号的风险特征，确定账号维度得分；

基于所述用户登录设备的风险特征，确定设备维度得分；

基于所述手机号维度得分、所述账号维度得分以及所述设备维度得分，确定用户得分。

根据本发明提供的一种风险业务识别方法，所述基于所述用户下单手机号的风险特征，确定手机号维度得分，包括：

基于所述用户下单手机号的风险特征，确定各下单手机号得分；

基于各下单手机号得分，确定所述手机号维度得分；

所述基于所述用户下单账号的风险特征，确定账号维度得分，包括：

基于所述用户下单账号的风险特征，确定各下单账号得分；

基于各下单账号得分，确定所述账号维度得分；

所述基于所述用户登录设备的风险特征，确定设备维度得分，包括：

基于所述用户登录设备的风险特征，确定各登录设备得分；

基于各登录设备得分，确定所述设备维度得分。

本发明还提供一种风险业务识别装置，包括：

确定单元，用于确定待识别业务在任一领域的风险特征以及各领域之间的映射主键；所述领域包括用户域、门店域、员工域以及商品域；

映射单元，用于基于各领域之间的映射主键，将所述任一领域的风险特征映射为其余领域的风险特征；

识别单元，用于基于所述任一领域的风险特征，以及所述其余领域的风险特征，对所述待识别业务进行风险识别，确定风险识别结果。

本发明还提供一种电子设备，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计算机程序时实现如上述任一种所述风险业务识别方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述风险业务识别方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述风险业务识别方法。

本发明提供的风险业务识别方法、装置、电子设备和存储介质，基于各领域之间的映射主键，将任一领域的风险特征映射为其余领域的风险特征，从而能够还原各领域的风险特征，实现基于各领域的风险特征多维度融合全面对待识别业务进行风险识别，进而准确获取线上业务和线下业务的风险识别结果。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的风险业务识别方法的流程示意图；

图2是本发明提供的各领域风险特征映射体系示意图；

图3是本发明提供的正样本业务确定方法的流程示意图；

图4是本发明提供的风险业务识别装置的结构示意图；

图5是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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作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。

目前，多使用大数据相关技术架构(如Hive、Spark、Flink等)和BI分析软件对线上业务进行风险分析，从用户维度构建出相关的风险特征。然而，该方法聚焦于线上业务，对于线下业务存在盲区，且在某些情况下(如用户维度方面的数据不全)该方法也无法准确识别线上风险业务。

此外，现有技术中也有通过人工获取情报方式识别风险业务，然而该方法过于依赖人工，取决于人工处理的及时性、专业性和积极性。同时，也有通过设置关键字，利用爬虫技术获取各网络渠道(如QQ群、微信群、论坛等)相关情报信息来识别风险业务，但该方法过于依赖各种渠道资源，成本较高，且通过关键字获取的情报中存在过多无用信息，需要经过人工筛选，效率较低。

对此，本发明提供一种风险业务识别方法。图1是本发明提供的风险业务识别方法的流程示意图，如图1所示，该方法包括如下步骤：

步骤110、确定待识别业务在任一领域的风险特征以及各领域之间的映射主键；领域包括用户域、门店域、员工域以及商品域。

具体地，待识别业务即需要进行风险识别的业务，待识别业务可以是线上泛零售业务，也可以是线下泛零售业务，本发明实施例对此不作具体限定。风险特征指待识别业务与风险相关的特征，其可以包括统计特征、同比环比特征、Tag型特征等。

其中，本发明实施例涉及的风险特征包括用户域风险特征、门店域风险特征、员工域风险特征以及商品域风险特征，其中用户域风险特征指用户维度的风险特征，如用户当日订单量、用户收货手机、用户收货地址等；门店域风险特征指门店维度的风险特征，如当日门店下单用户数、订单量、销售金额等；员工域风险特征指员工维度的风险特征，如当日骑手配送订单量、用户数、地址数量等；商品域风险特征指商品维度的风险特征，如当日商品销量、销售金额、优惠金额等。

此外，映射主键是指在数据库中，将一个表中的主键字段映射到另一个表的主键字段。映射主键用于将任一领域的风险特征映射为其余领域的风险特征。例如，在得到用户域的风险特征时，可以基于用户域与门店域之间的映射主键，将用户域的风险特征映射为门店域的风险特征。

步骤120、基于各领域之间的映射主键，将任一领域的风险特征映射为其余领域的风险特征。

具体地，各领域之间的映射主键可以理解为每两个领域之间的映射主键，如用户域与门店域之间的映射主键、门店域与员工域之间的映射主键、员工域与商品域之间的映射主键、用户域与商品域之间的映射主键等。

图2为各领域风险特征映射体系，表1为各领域之间的映射主键对照表，如图2和表1所示，用户域与门店域之间的映射主键为订单ID，用户域与员工域之间的映射主键为订单ID，用户域与商品域之间的映射主键为订单ID，门店域与员工域之间的映射主键为部门归属关系，门店域与商品域之间的映射主键为订单ID，员工域与商品域之间的映射主键为配送单ID和订单ID。

表1

需要说明的是，任一领域的风险特征在映射为其余领域的风险特征时，可能存在其余领域对应的多个风险特征，则将多个风险特征作为该领域的风险特征。例如，用户域的风险特征在映射为门店域的风险特征时，可能存在门店域风险特征1、门店域风险特征2以及门店域风险特征3，则将上述三个风险特征均作为门店域的风险特征。

由此可见，本发明实施例基于各领域之间的映射主键，将任一领域的风险特征映射为其余领域的风险特征，从而能够以任一领域的风险特征为线索，快速且准确还原各领域的风险特征，即在缺少任一领域的风险特征的情况下，可以基于其它领域与该领域之间的映射主键，确定该任一领域的风险特征。

步骤130、基于任一领域的风险特征，以及其余领域的风险特征，对待识别业务进行风险识别，确定风险识别结果。

具体地，在确定任一领域的风险特征后，可以确定其余领域的风险特征，即能够还原各领域的风险特征，实现基于各领域的风险特征多维度融合全面对待识别业务进行风险识别，进而准确获取线上业务和线下业务的风险识别结果。

本发明实施例提供的风险业务识别方法，基于各领域之间的映射主键，将任一领域的风险特征映射为其余领域的风险特征，从而能够还原各领域的风险特征，实现基于各领域的风险特征多维度融合全面对待识别业务进行风险识别，进而准确获取线上业务和线下业务的风险识别结果。

基于上述实施例，基于任一领域的风险特征，以及其余领域的风险特征，对待识别业务进行风险识别，确定风险识别结果，包括：

将任一领域的风险特征，以及其余领域的风险特征输入至风险识别模型，由风险识别模型对待识别业务进行风险识别，得到风险识别结果；

风险识别模型基于正样本业务在各领域的样本风险特征和对应的正样本风险标签，以及负样本业务在各领域的样本风险特征和对应的负样本风险标签训练得到。

具体地，正样本业务是指风险业务，负样本业务是指非风险业务。基于正样本业务在各领域的样本风险特征和对应的正样本风险标签，以及负样本业务在各领域的样本风险特征和对应的负样本风险标签训练风险识别模型时，可以使风险识别模型学习区分正样本业务以及负样本业务，即使风险识别模型学习区分风险业务以及非风险业务，进而训练完成的风险识别模型能够准确对待识别业务进行风险识别，得到风险识别结果。

可选地，风险识别模型可以基于LGBM(Light Gradient Boosting Machine)构建得到，其中，LGBM是一种基于梯度提升决策树(Gradient Boosting Decision Tree)的机器学习算法，可以用于回归预测。例如，采用LGBM构建得到的风险识别模型，可以将待识别业务的用户风险分(User Risk Scoring)作为风险识别结果，用户风险分越高，表明待识别业务的风险程度越高；用户风险分越低，表明待识别业务的风险程度越低。

基于上述任一实施例，各领域的样本风险特征基于如下步骤确定：

基于用户的网络数据、设备数据、行为数据以及位置数据中的至少一种，确定用户域的样本风险特征；

基于门店的用户流量数据和/或销售数据，确定门店域的样本风险特征；

基于员工的履约数据，确定员工域的样本风险特征；

基于商品的销售数据，确定商品域的样本风险特征。

在一些具体实施方式中，基于用户的网络数据、设备数据、行为数据以及位置数据，可以构建得到用户域的样本风险特征，具体构建得到的用户域的样本风险特征如下：

用户域统计特征包括：用户当日订单量、销售金额，优惠金额，优惠占比、特定商品订单量、销售金额，优惠金额，优惠占比等。

用户域同比环比特征包括：用户当日订单量、销售金额，优惠金额，优惠占比较前n个时间周期的增长量、增长率，该用户当日订单量、销售金额，优惠金额，优惠占比较当日该城市人均水平的偏移量、偏移率等。

用户域Tag型特征包括：特定商品订单量是否过多、收货地址数量是否过多、收货手机号数量是否过多等。

用户域熵特征包括：购买商品、收货地址、收货手机号、下单门店的熵等；

其中，购买商品的熵可以基于如下公式确定:

其中，n表示购买商品的种类数，

同理，收货地址的熵、收货手机号的熵以及下单门店的熵可以采用上述类似公式进行计算，即在上述公式中的n表示收货地址的数量，

此外，特定商品订单量是否过多可以基于如下公式确定：

其中，IsMoreThanNormal

同理，用户当日订单量、收货地址数量、收货手机号数量、支付金额以及优惠金额是否过多可以采用上述类似公式进行计算，即在上述公式中的num

在一些具体实施方式中，基于门店的用户流量数据和销售数据，可以构建得到门店域的样本风险特征，具体构建得到的门店域的样本风险特征如下：

门店域统计特征包括：当日门店下单用户数、订单量、销售金额、优惠金额，优惠金额占比等。

门店域同比环比特征包括：下单用户数、订单量、销售金额、优惠金额较前n个时间周期的增长率，增长量等。

门店域异常聚集特征包括：密集下单用户数、收货地址、收货备注、收货手机号数量及对应的同比环比特征等。

门店域Tag型特征包括：密集下单用户数、收货地址、收货备注、收货手机号是否过多等。

其中，下单用户数较前n个时间周期的增长量、增长率(以n＝1为例)基于如下公式确定：

增长量：

gap

增长率：

其中，num

以上是时间窗n＝1天为例，在实际计算中使用了多尺度的时间窗，如前1、3、5、7、14、30、60天，不同的时间尺度能更全面的刻画门店相关特征。同理，以上公式同样适用于其它门店域同比环比特征以及门店域异常聚集特征的计算。

此外，密集下单用户数是否过多可以基于如下公式确定：

其中，IsMoreThanNotmal

同理，收货地址、收货备注、收货手机号是否过多可以采用上述类似公式进行计算，即在上述公式中的num

在一些具体实施方式中，基于员工的履约数据，可以构建得到员工域的样本风险特征，具体构建得到的员工域的样本风险特征如下：

员工域履约数量特征包括：当日该骑手配送订单量、用户数、地址数量、销售额、优惠金额、优惠比例等。

员工域履约效率特征包括：当日该骑手单均配送时长、单均配送距离等。

员工域Tag型特征包括：当日该骑手配送订单量、用户数、地址数量、销售额、优惠金额、优惠比例、单均配送时长、单均配送距离是否过高/过低。

其中，单均配送时长是否过低可以采用如下公式确定：

其中，IsLessThanNormal

在一些具体实施方式中，基于商品的销售数据，可以构建得到商品域的样本风险特征，具体构建得到的商品域的样本风险特征如下：

商品域统计特征包括：当日商品销量、销售金额、优惠金额、优惠占比、下单用户数。

商品域同比环比特征包括：当日商品销量、销售金额、优惠金额、优惠占比、下单用户数较前n个时间周期的增长量、增长率；其中，商品域同比环比特征的计算方法可按照上述门店域同比环比特征的计算方法确定。

商品域Tag型特征包括：当日商品销量、销售金额、优惠金额、优惠占比、下单用户数是否过高等。其中，商品域Tag型特征的计算方法可按照上述其它域Tag型特征的计算方法确定。

在一些具体实施方式中，在得到各领域的Tag型特征后，可以基于各领域的Tag型特征确定待识别业务的风险嫌疑度，具体可通过如下公式计算得到待识别业务的风险嫌疑度：

其中，RiskDegree表示风险嫌疑度，

在获取待识别业务的风险嫌疑度后，可以构建不同业务的风险图谱，以展示不同业务的风险数据。此外，在展示不同业务的风险数据时，可以采用AES(AdvancedEncryption Standard)对风险数据进行对称加密，保证隐私数据(例如用户手机号)的密文展示，以及基于权限控制的明文展示。

基于上述任一实施例，正样本业务基于如下步骤确定：

将满足预设规则的历史业务作为正样本业务，预设规则是对风险程度大于第一阈值的风险业务进行分析挖掘得到的；

和/或，

对风险程度小于第一阈值且大于第二阈值的历史业务进行聚类，确定各历史业务之间的相似度，并将相似度大于预设相似度的历史业务作为正样本业务；

和/或，

基于历史业务携带的人工标注，从历史业务中确定正样本业务。

具体地，风险程度大于第一阈值的风险业务表明对应的风险业务风险程度较高，即可以看作是已知的黑样本业务，对该黑样本业务进行分析挖掘，抽象成可复用的预设规则，并将满足预设规则的历史业务作为正样本业务。

风险程度小于第一阈值且大于第二阈值的历史业务可以看作是疑似风险业务，对疑似风险业务进行聚类分析，确定各历史业务之间的相似度，并将相似度大于预设相似度的历史业务作为较准确的正样本业务。可选地，可以通过DBSCAN(Density-Based SpatialClustering of Applications with Noise)对风险程度小于第一阈值且大于第二阈值的历史业务进行聚类，还可以采用其它方法对风险程度小于第一阈值且大于第二阈值的历史业务进行聚类，本发明实施例对此不作具体限定。

此外，还可以基于历史业务携带的人工标注，从历史业务中确定正样本业务。其中，人工标注可以是经过专家验证的标注。

如图3所示，本发明实施例可以将满足预设规则的历史业务作为正样本业务，也可以对疑似风险业务进行聚类，并将相似度大于预设相似度的疑似风险业务作为正样本业务，还可以基于历史业务携带的人工标注，从历史业务中确定正样本业务。

基于上述任一实施例，负样本业务是指特征缺失率小于预设缺失率的历史业务。其中，特征缺失率是指在数据集中，由于某些原因导致某些特征缺失的比例。特征缺失率通常用百分比表示，即缺失的特征数量占总特征数量的百分比。

基于上述任一实施例，用户域的风险特征包括用户下单手机号的风险特征、用户下单账号的风险特征以及用户登录设备的风险特征；

所述方法还包括：

基于用户下单手机号的风险特征，确定手机号维度得分；

基于用户下单账号的风险特征，确定账号维度得分；

基于用户登录设备的风险特征，确定设备维度得分；

基于手机号维度得分、账号维度得分以及设备维度得分，确定用户得分。

具体地，用户下单手机号的风险特征包括用户下单手机号线下长保商品的支付金额、用户下单手机号线下购买生鲜商品的支付金额、用户下单手机号购买线下一般商品的支付金额、用户下单手机号线上线下总的支付金额、下单手机号关联用户数、第i个下单手机号总的支付金额，用户关联的所有下单手机号的总支付金额等，手机号维度得分用于表征用户关联的所有下单手机号得分。

用户下单账号的风险特征包括用户下单账号线下长保商品的支付金额、用户下单账号线下购买生鲜商品的支付金额、用户下单账号购买线下一般商品的支付金额、用户下单账号线上线下总的支付金额、下单账号关联用户数、第i个下单账号总的支付金额，用户关联的所有下单账号的总支付金额等，账号维度得分用于表征用户关联的所有下单账号得分。

用户登录设备的风险特征包括用户登录设备线下长保商品的支付金额、用户登录设备线下购买生鲜商品的支付金额、用户登录设备购买线下一般商品的支付金额、用户登录设备线上线下总的支付金额、登录设备关联用户数、第i个登录设备总的支付金额，用户关联的所有登录设备的总支付金额等，登录设备维度得分用于表征用户关联的所有登录设备得分。

可选地，在得到手机号维度得分、账号维度得分以及设备维度得分后，可以基于预设权重对手机号维度得分、账号维度得分以及设备维度得分进行加权求和，得到用户得分。

基于上述任一实施例，基于用户下单手机号的风险特征，确定手机号维度得分，包括：

基于用户下单手机号的风险特征，确定各下单手机号得分；

基于各下单手机号得分，确定手机号维度得分；

基于用户下单账号的风险特征，确定账号维度得分，包括：

基于用户下单账号的风险特征，确定各下单账号得分；

基于各下单账号得分，确定账号维度得分；

基于用户登录设备的风险特征，确定设备维度得分，包括：

基于用户登录设备的风险特征，确定各登录设备得分；

基于各登录设备得分，确定设备维度得分。

在一些具体实施方式中，可以基于如下公式确定手机号维度得分：

其中，Score1表示手机号维度得分，Score

在一些具体实施方式中，可以基于如下公式确定账号维度得分：

/>

其中，Score2表示账号维度得分，Score

在一些具体实施方式中，可以基于如下公式确定设备维度得分：

其中，Score3表示设备维度得分，Score

下面对本发明提供的风险业务识别装置进行描述，下文描述的风险业务识别装置与上文描述的风险业务识别方法可相互对应参照。

基于上述任一实施例，本发明还提供一种风险业务识别装置，如图4所示，该装置包括：

确定单元410，用于确定待识别业务在任一领域的风险特征以及各领域之间的映射主键；所述领域包括用户域、门店域、员工域以及商品域；

映射单元420，用于基于各领域之间的映射主键，将所述任一领域的风险特征映射为其余领域的风险特征；

识别单元430，用于基于所述任一领域的风险特征，以及所述其余领域的风险特征，对所述待识别业务进行风险识别，确定风险识别结果。

图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、存储器(memory)520、通信接口(Communications Interface)530和通信总线540，其中，处理器510，存储器520，通信接口530通过通信总线540完成相互间的通信。处理器510可以调用存储器520中的逻辑指令，以执行风险业务识别方法，该方法包括：确定待识别业务在任一领域的风险特征以及各领域之间的映射主键；所述领域包括用户域、门店域、员工域以及商品域；基于各领域之间的映射主键，将所述任一领域的风险特征映射为其余领域的风险特征；基于所述任一领域的风险特征，以及所述其余领域的风险特征，对所述待识别业务进行风险识别，确定风险识别结果。

此外，上述的存储器520中的逻辑指令可以通过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机可读取存储介质中。基于这样的理解，本发明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)执行本发明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。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的风险业务识别方法，该方法包括：确定待识别业务在任一领域的风险特征以及各领域之间的映射主键；所述领域包括用户域、门店域、员工域以及商品域；基于各领域之间的映射主键，将所述任一领域的风险特征映射为其余领域的风险特征；基于所述任一领域的风险特征，以及所述其余领域的风险特征，对所述待识别业务进行风险识别，确定风险识别结果。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的风险业务识别方法，该方法包括：确定待识别业务在任一领域的风险特征以及各领域之间的映射主键；所述领域包括用户域、门店域、员工域以及商品域；基于各领域之间的映射主键，将所述任一领域的风险特征映射为其余领域的风险特征；基于所述任一领域的风险特征，以及所述其余领域的风险特征，对所述待识别业务进行风险识别，确定风险识别结果。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。