风险的确定方法、装置和服务器

技术领域

本说明书属于人工智能技术领域，尤其涉及风险的确定方法、装置和服务器。

背景技术

在一些比较复杂的数据预测场景(例如，借款逾期风险预测场景)中，所采集到的待预测风险的数据对象的特征数据的种类往往较多(例如，可能包含有100多种不同种类的特征数据)、特征维度相对较高。

针对上述特征维度较高、较复杂的数据预测场景，基于现有方法往往很难训练得到效果较好、误差较小的风险预测模型，进而导致基于现有方法，很难适用于上述特征维度较高、较复杂的数据预测场景，难以准确地确定出上述场景中的数据对象是否存在预设风险。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本说明书提供了一种风险的确定方法、装置和服务器，通过利用预先基于子空间一致性约束和动态成对约束训练得到的预设的处理模型，可以较好地适用于特征维度较高、较复杂的数据预测场景，准确地预测出目标对象是否存在预设风险。

本说明书提供了一种风险的确定方法，包括：

获取目标对象的多个特征数据；

根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；

调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束和动态成对约束训练得到的；

根据所述处理结果，确定目标对象是否存在预设风险。

在一个实施例中，所述目标对象包括交易账户；相应的，所述预设风险包括交易数据逾期风险。

在一个实施例中，所述特征数据包括：交易账户的身份类特征数据、交易账户的历史交易行为类特征数据、交易账户的当前交易行为类特征数据、交易账户的关联行为类特征数据。

在一个实施例中，所述预设的处理模型还包括判别结构；其中，所述判别结构与所述多个预设的分类器相连；所述判别结构用于根据所述多个预设的分类器输出的分类结果，生成所述处理结果。

在一个实施例中，所述预设的处理模型按照以下方式建立：

获取多个样本数据；其中，所述样本数据对应一个样本对象，所述样本数据包含有所对应的样本对象的多个特征数据；所述样本对象包括携带有预设标签的第一类样本对象，和不携带有预设标签的第二类样本对象；

根据预设的映射规则，将第一类样本对象的多个特征数据映射到多个预设的特征子空间中，得到第一类训练数据；将第二类样本对象的多个特征数据映射到多个预设的特征子空间中，得到第二类训练数据；

利用所述第一类训练数据，训练多个初始分类器，得到对应的多个中间分类器；其中，所述初始的分类器分别与一个预设的特征子空间对应；

利用所述多个中间分类器、所述第一类训练数据、所述第二类训练数据，构建关于多个中间分类器的目标函数；其中，所述目标函数包含有子空间一致性约束算式和动态成对约束算式；

根据所述目标函数，确定出符合要求的多个预设的分类器，以构建得到预设的处理模型。

在一个实施例中，利用所述多个中间分类器、所述第一类训练数据、所述第二类训练数据，构建关于多个中间分类器的目标函数；其中，所述目标函数包含有子空间一致性约束算式和动态成对约束算式，包括：

调用多个中间分类器处理所述第二类训练数据，以得到针对第二类样本对象的动态标签；

根据第一类样本对象的预设标签、第二类样本对象的动态标签，构建动态成对约束算式；

调用多个中间分类器处理所述第一类训练数据，得到第一类样本对象的多个分类结果；

根据所述第一类样本对象的多个分类结果，构建子空间一致性约束算式；

根据所述动态成对约束算式和所述子空间一致性约束算式，构建所述目标函数。

在一个实施例中，根据第一类样本对象的预设标签、第二类样本对象的动态标签，构建动态成对约束算式，包括：

根据第一类样本对象的预设标签和第二类样本对象的动态标签，建立连接集和非连接集；其中，所述连接集包含有多个连接组，所述连接组包含有两个标签相同的样本对象；所述非连接集包含有多个非连接组，所述非连接组包含有两个标签不同的样本对象；

根据所述连接集和所述非连接集，构建动态成对矩阵；

根据所述动态成对矩阵和所述多个中间分类器，构建所述动态成对约束算式。

在一个实施例中，根据所述第一类样本对象的多个分类结果，构建子空间一致性约束算式，包括：

根据所述第一类样本对象的多个分类结果，划分出多个比较组；其中，所述比较组包含有同一个第一类样本对象的两个分类结果；

根据所述多个比较组，构建所述子空间一致性约束算式。

在一个实施例中，根据所述目标函数，确定出符合要求的多个预设的分类器，以构建得到预设的处理模型，包括：

利用梯度下降算法求解所目标函数的最优解，以确定出符合要求的多个预设的分类器；

将多个预设的分类器与判别结构相连，得到预设的处理模型。

在一个实施例中，在获取多个样本数据之后，所述方法还包括：

检测样本数据的特征数据的缺失数量是否小于预设的缺失数量阈值；

在确定样本数据的特征数据的缺失数量小于预设的缺失数量阈值的情况下，对存在缺失的特征数据进行补零处理。

本说明书还提供了一种风险的确定方法，包括：

获取目标对象的多个特征数据；

根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；

调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束或动态成对约束训练得到的；

根据所述处理结果，确定目标对象是否存在预设风险。

本说明书还提供了一种风险的确定装置，包括：

获取模块，用于获取目标对象的多个特征数据；

映射模块，用于根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；

调用模块，用于调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束和动态成对约束训练得到的；

确定模块，用于根据所述处理结果，确定目标对象是否存在预设风险。

本说明书还提供了一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述风险的确定方法的相关步骤。

本说明书还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述风险的确定方法的相关步骤。

本说明书提供的一种风险的确定方法、装置和服务器，基于该方法，具体实施前，针对特征维度较高、较复杂的数据预测场景，可以先根据预设的映射规则，将多维度特征划分到多个预设的特征子空间中，对样本对象的特征数据进行降维，以降低后续模型训练时的复杂度和所涉及到的数据处理量；进一步，结合上述降维后的特征数据，又通过引入并利用子空间一致性约束和动态成对约束来构建考虑到不同的特征子空间之间的相互作用和不同样本对象之间的相互作用的目标函数，来参与具体的模型训练，从而可以同时充分利用携带有预设标签和没有携带预设标签的样本数据，训练得到效果较好、准确度较高的预设的处理模型；具体实施时，在获取目标对象的多个特征数据之后，可以先根据预设的映射规则，将维度较高的多个特征数据映射到多个预设的特征子空间中，得到对应的目标对象的多个维度较低的特征组；再调用预设的处理模型处理上述多个特征组，较为快速地得到对应的处理结果；进而可以根据处理结果，高效、准确地确定出该目标对象是否存在预设风险。从而可以较好地适用于特征维度较高、较复杂的数据预测场景，准确地预测出目标对象是否存在预设风险。

附图说明

为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是应用本说明书实施例提供的风险的确定方法的系统的结构组成的一个实施例的示意图；

图2是在一个场景示例中，应用本说明书实施例提供的风险的确定方法的一种实施例的示意图；

图3是本说明书的一个实施例提供的风险的确定方法的流程示意图；

图4是本说明书的一个实施例提供的服务器的结构组成示意图；

图5是本说明书的一个实施例提供的风险的确定装置的结构组成示意图图；

图6是在一个场景示例中，应用本说明书实施例提供的风险的确定方法的一种实施例的示意图；

图7是在一个场景示例中，应用本说明书实施例提供的风险的确定方法的一种实施例的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

本说明书实施例提供了一种风险的确定方法，该方法具体可以应用于包含有服务器和终端设备的系统中。具体可以参阅图1所示，服务器和终端设备可以通过有线或无线的方式相连，以进行具体的数据交互。

在本实施例中，所述服务器具体可以包括一种应用于网络平台一侧，能够实现数据传输、数据处理等功能的后台服务器。具体的，所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者，所述服务器也可以为运行于该电子设备中，为数据处理、存储和网络交互提供支持的软件程序。在本实施例中，并不具体限定所述服务器所包含的服务器数量。所述服务器具体可以为一个服务器，也可以为几个服务器，或者，由若干服务器形成的服务器集群。

在本实施例中，所述终端设备具体可以包括一种布设于用户一侧，能够实现数据采集、数据传输等功能的前端电子设备。具体的，所述客户端例如可以为台式电脑、平板电脑、笔记本电脑、智能手机、自助服务机、柜面终端等。或者，所述终端设备也可以为能够运行于上述电子设备中的软件应用。例如，可以是在智能手机上运行的某个相关APP等。

具体实施时，用户可以使用布设于银行营业厅的自助服务机作为终端设备，办理涉及交易数据(例如，住房公积金贷款等)的相关业务。

用户可以根据自助服务机所展示的引导界面的指示，登录自己的交易账户(例如，目标对象)，并发起关于交易数据的业务办理请求。

相应的，自助服务机可以响应用户的上述操作，生成并向用户展示信息输入界面。通过上述信息输入界面，自助服务机可以接收用户输入的诸如用户的姓名、用户的住址、用户的电话号码等第一用户数据。

接着，自助服务机可以将携带有第一用户数据的业务办理请求发送至服务器。

相应的，服务器接收上述业务办理请求，并通过解析该业务办理请求，确定出请求办理涉及交易数据的相关业务的交易账户，以及第一用户数据。

进而，服务器可以响应业务办理请求，根据所述交易账户，查询己方的用户数据库，以及合作方的用户数据库，获取该交易账户的诸如历史交易记录、信贷业务记录、诚信数据等第二用户数据。

进一步，服务器可以从大量第一用户数据、第二用户数据中提取出多种相关的特征数据，包括：交易账户的身份类特征数据(例如，该交易账户的用户的姓名、工作单位、学历等)、交易账户的历史交易行为类特征数据(例如，该交易账户过去一年的购物流水、过去一年的总收入数据、过去一点的总支出数据等)、交易账户的当前交易行为类特征数据(例如，该交易账户当前的信贷类业务数据、该交易账户当前的住房公积金缴存数据、该交易账户当前参与的保险类业务数据等)、交易账户的关联行为类特征数据(例如，该交易账户在其他机构的信用评级、该交易账户在其他机构的交易逾期记录等)等。

从而服务器可以获取得到针对该交易账户的种类较多、维度较高的多个特征数据。

进一步，服务器可以根据预设的映射规则，将该交易账户的多个特征数据映射到多个预设的特征子空间中，得到多个特征组。其中，上述多个特征组中的各个特征组分别与一个预设的特征子空间对应。

此外，每一个特征组中具体可以包含有一个或多个该交易账户的特征数据。并且，该交易账户的多个特征数据中各个特征数据至少被划分进一个特征组中。

具体的，例如，对应1号预设的特征子空间的第一特征组包含有交易账户的用户姓名、用户年龄，以及该交易账户当前的住房公积金缴存数据共三种特征数据。对应2号预设的特征子空间的第二特征组包含有该交易账户的用户工作单位、用户学历、用户年龄，该交易账户在其他机构的信用评级、该交易账户在其他机构的交易逾期记录，共五种特征数据……

通过上述方式，根据预设的映射规则将多个特征数据映射到多个预设的特征子空间，可以将高维度的多个特征数据转换为多个低维度的特征组，实现对维度较高的特征数据的数据降维，便于后续的数据处理。

接着，服务器可以将上述多个特征组作为模型输入，输入至预设处理模型中进行具体处理，以确定交易账户是否存在预设风险(例如，关于住房公积金贷款的逾期还款风险)。

其中，上述预设的处理模型具体可以理解为预先基于子空间一致性约束和动态成对约束，通过利用降维后的样本数据进行半监督学习，所训练得到的能够根据输入的多个特征组，预测出目标对象是否存在预设风险的模型。

可以参阅图2所示，上述预设的处理模型至少包含有多个预设的分类器。其中。上述多个预设的分类器分别与一个预设的特征子空间对应，用于处理所对应的一个特征组。例如，1号预设的分类器与1号预设的特征子空间对应，用于接入并处理第一特征组。相对的，2号预设的分类器与2号预设的特征子空间对应，用于接入并处理第二特征组。

此外，上述预设的处理模型还包含有判别结构。其中，上述判别结构与多个预设的分类器相连，用于接入并根据多个预设的分类器输出的分类结果，生成并输出最终的处理结果。

预设的处理模型在接收到输入模型的多个特征组之后，具体实施时，可以通过多个预设的分类器各自处理所负责的特征组，输出对应的多个分类结果。判别结构在获取多个预设的分类器所输出的多个分类结果之后，可以通过诸如加权求和等方式，生成最终的处理结果，并输出模型。

服务器可以根据处理结果，确定出该交易账户是否存在预设风险。

具体的，如果服务器根据处理结果，确定该交易账户存在预设风险，可以停止为该用户办理相关业务，并生成“该用户存在逾期风险，无法办理相关业务”的第一类提示信息。

服务器可以将上述第一类提示信息发送至自助服务机。相应的，自助服务机可以向用户展示出上述第一类提示信息，以提示用户业务办理失败。

如果服务器根据处理结果，确定该交易账户不存在预设风险，可以继续为该用户办理相关业务，并在完成办理后，生成“业务办理成功”的第二类提示信息。

服务器可以将上述第二类提示信息发送至自助服务机。相应的，自助服务机可以向用户展示出上述第二类提示信息，以提示用户业务办理成功。

通过上述方式，服务器可以利用预先引入并基于子空间一致性约束和动态成对约束训练得到的效果较好的预设的处理模型，适用于特征维度较高、较复杂的数据预测场景，准确地预测出请求办理相关业务的用户是否存在预设风险，进而可以根据用户的风险情况，来准确地判断是否为用户办理相关业务，降低了业务方一侧所要承担的风险。

参阅图3所示内容，本说明书实施例提供了一种风险的确定方法。其中，该方法具体应用于服务器一侧。具体实施时，该方法可以包括以下内容：

S301：获取目标对象的多个特征数据；

S302：根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；

S303：调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束和动态成对约束训练得到的；

S304：根据所述处理结果，确定目标对象是否存在预设风险。

通过上述实施例，可以利用预先基于子空间一致性约束和动态成对约束训练得到的效果较好的预设的处理模型，较好地适用于特征维度较高、较复杂的数据预测场景，准确地预测出目标对象是否存在预设风险，减少了预测误差。

在一些实施例中，上述目标对象具体可以理解为待预测是否存在预设风险的数据对象。对应于不同的应用场景，以及不同的处理需求，上述目标对象可以是不同类型的数据对象。

在一些实施例中，上述目标对象可以包括交易账户；相应的，所述预设风险可以包括交易数据逾期风险。

具体的，上述交易账户可以是想要申请办理涉及交易数据(例如，信用贷款、住房公积金贷款、小微企业贷等等)的相关业务的用户所使用的账户。

通过上述实施例，可以应用本说明书所提供的风险的确定方法来预测申请办理涉及交易数据的相关业务的交易账户是否存在交易数据逾期风险，从而可以为业务办理方提供具有较高价值的参考依据，以便业务办理方可以根据所预测出的该交易账户的逾期风险情况，来较为合理、准确地判断是否为该交易账户办理相关业务，降低了业务办理方所要承担的风险。

当然，需要说明的是，上述所列举的目标对象，以及预设风险只是一种示意性说明。针对不同的应用场景和处理需求，上述目标对象还可以包括其他类型的数据对象，相应的，上述预设风险还可以包括其他类型的风险。对此，本说明书不作限定。

在一些实施例中，上述多个特征数据具体可以理解为与目标对象相关的，能够表征出所关注的目标对象的某些属性特点的数据。通常可以基于上述多个特征数据，来预测目标对象是否存在预设风险。

在一些实施例中，针对特征维度较高、较复杂的数据预测场景，为了能够更加精准地预测目标对象是否存在预设风险，目标对象的特征数据的种类数量往往较多、特征维度相对较高。

在一些实施例中，所述特征数据具体可以包括：交易账户的身份类特征数据(例如，该交易账户的用户的姓名、工作单位、学历等)、交易账户的历史交易行为类特征数据(例如，该交易账户过去一年的购物流水、过去一年的总收入数据、过去一点的总支出数据等)、交易账户的当前交易行为类特征数据(例如，该交易账户当前的信贷类业务数据、该交易账户当前的住房公积金缴存数据、该交易账户当前参与的保险类业务数据等)等。此外，上述特征数据还可以包括交易账户的关联行为类特征数据(例如，该交易账户在其他机构的信用评级、该交易账户在其他机构的交易逾期记录等)等。当然，需要说明的是，上述所列举的特征数据只是一种示意性说明。

通过上述实施例，可以将本说明书所提供的风险的确定方法应用于特征维度较高、较复杂的数据预测场景中，充分且全面地利用目标对象高维度的特征数据，以便能够较为准确地预测出目标对象是否存在预设风险。

在一些实施例中，上述获取目标对象的多个特征数据具体可以包括：接收目标对象主动输入的第一用户数据，并从第一用户数据中提取出相关的特征数据；和/或，接收并根据目标对象提供的身份标识(例如，用户姓名或者交易账户名等)，对检索己方所持有的数据库和合作方所持有的数据库，挖掘出与该目标对象的身份标识关联的数据，作为第二用户数据，并从第二用户数据中提取出相关的特征数据。

在一些实施例中，考虑到在许多数据预测场景中，尤其是特征维度较高、较复杂的数据预测场景，所获取并使用的目标对象的特征数据的种类往往较多，特征维度也相对较高。这种情况下，如果直接处理上述高维度的特征数据，处理过程势必会较为复杂、繁琐，涉及到的数据处理量会相对较大，处理成本相对较高，也更容易出现误差。因此，在本实施例中，不会直接使用所获取的目标对象的多个特征数据，而是会先根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到关于该目标对象的多个特征组。其中，每一个特征组分别与一个预设的特征子空间对应。且每一个特征组具体可以包含有种类数量相对较少、特征维度相对较低的一个或多个特征数据。

这样，可以利用多个特征维度较低的特征组代替原本特征维度较高的多个特征数据来进行后续的数据处理，实现对高维度特征数据的数据降维，以便能够更加高效、准确地处理特征数据。

在一些实施例中，上述预设的映射规则具体可以为包含有各个特征数据与预设的特征子空间之间的映射关系的规则集。具体的，基于该预设的映射规则，可以将多个特征数据中的各个特征数据至少映射到一个预设的特征子空间中；同时也能保证所得到的与每一个预设的特征子空间对应的特征组中至少包含有一个特征数据。需要说明的是，基于预设的映射规则，同一个特征数据可以被同时映射到多个不同的预设的特征子空间中。

在一些实施中，上述预设的处理模型具体可以理解为预先基于子空间一致性约束和动态成对约束，通过利用降维后的样本数据进行半监督学习，所训练得到的能够根据输入的多个特征组，预测出目标对象是否存在预设风险的模型。

需要补充说明的是，常规的用于预测风险的模型往往只考虑到单个样本对象的特征数据与标签之间的相互关系，忽略了不同样本对象之间的相互作用，更没有考虑到不同特征子空间之间的相互作用。而本说明书所提供的预设的处理模型则是预先通过引入并基于涉及不同特征子空间之间的子空间一致性约束，以及涉及不同样本对象之间的动态成对约束所训练得到的，具有更好的覆盖性和更高的模型精度。关于上述预设的处理模型的具体训练方式后续将另作说明。

在一些实施例中，具体的，参阅图2所示，上述所述预设的处理模型至少包括多个预设的分类器。其中，所述预设的分类器分别与一个预设的特征子空间对应。相应的，预设的分类器分别与一个特征组对应。

具体的，输入预设的处理模型中的多个特征组会被分流输入所对应的预设的分类器中进行处理，并从预设的分类器中输出基于对应的特征组所得到一个分类结果。

在一些实施例中，进一步，上述预设的处理模型还可以包括判别结构。其中，所述判别结构与所述多个预设的分类器相连；所述判别结构用于根据所述多个预设的分类器输出的分类结果，生成所述处理结果。

具体的，从多个预设的分类器中输出的多个分类结果会输入至判别结构，再由判别结构基于内置的判别函数来综合多个分类结果进行分析，计算并输出最终的处理结果，作为预设的处理模型的模型输出。

通过上述实施例，利用预设的处理模型可以并行处理对应多个的预设的特征子空间的多个特征组，得到多个分类结果；进而可以根据上述多个分类结果，得到最终的处理结果。

在一些实施例中，上述处理结果具体可以是一种预测标签，用以表征该目标对象是否存在预设风险。

在一些实施例中，上述处理结果具体还可以是一个用于表征目标对象存在预设风险的预测概率。

在一些实施例中，根据所述处理结果，确定目标对象是否存在预设风险，具体实施时可以包括：根据处理结果，比较预测概率与预设的概率阈值；在确定预测概率大于或等于预设的概率阈值的情况下，确定目标对象存在预设风险；在确定预测概率小于预设的概率阈值的情况下，确定目标对象不存在预设风险。

在一些实施例中，在确定目标对象存在预设风险的情况下，可以为该目标对象设置对应的风险标记，以便后续可以根据该目标对象的风险标记，为该目标对象进行相匹配的业务数据处理。

在一些实施例中，具体实施前，可以按照以下方式构建并训练得到上述预设的处理模型：

S1：获取多个样本数据；其中，所述样本数据对应一个样本对象，所述样本数据包含有所对应的样本对象的多个特征数据；所述样本对象包括携带有预设标签的第一类样本对象，和不携带有预设标签的第二类样本对象；

S2：根据预设的映射规则，将第一类样本对象的多个特征数据映射到多个预设的特征子空间中，得到第一类训练数据；将第二类样本对象的多个特征数据映射到多个预设的特征子空间中，得到第二类训练数据；

S3：利用所述第一类训练数据，训练多个初始分类器，得到对应的多个中间分类器；其中，所述初始的分类器分别与一个预设的特征子空间对应；

S4：利用所述多个中间分类器、所述第一类训练数据、所述第二类训练数据，构建关于多个中间分类器的目标函数；其中，所述目标函数包含有子空间一致性约束算式和动态成对约束算式；

S5：根据所述目标函数，确定出符合要求的多个预设的分类器，以构建得到预设的处理模型。

通过上述实施例，可以针对特征维度较高、较复杂的数据预测场景，建立并训练得到符合要求的、效果较好的预设的处理模型。

在一些实施例中，对于一些特征维度较高、较复杂的数据预测场景，往往无法直接获得全部携带有预设标签的样本数据。大多数情况下，所获得的大量样本数据中只有部分样本数据携带有预设标签，或者能较容易地确定出对应的预设标签；而剩余的其他样本数据则没有携带预设标签，或者不容易确定出对应的预设标签。

在本实施例中，可以将携带有预设标签的样本对象记为第一类样本对象。将不携带有预设标签的样本对象记为第二类样本对象。

在一些实施例中，具体实施时，在获取多个样本数据后，也可以根据预设的标注规则，对较容易确定预设的标签的样本对象进行标注，以从第二类样本对象中确定并标注出多个第一类样本对象。

具体的，以交易数据逾期风险预测场景为例，可以获取并根据样本对象的历史业务的还款记录，对样本对象进行标注。例如，如果在根据样本对象的历史业务的还款记录，确定该样本对象在历史业务中已经出现过逾期记录，可以为该样本对象设置数值为“1”的预设标签(对应存在预设风险)，并将该样本对象记为第一类样本对象。如果在根据样本对象的历史业务的还款记录，确定该样本对象在所有的历史业务中都没有出现过逾期记录，且当前该样本对象还存在其他未还清的业务的情况下，可以为该样本对象设置数值为“0”的预设标签(对应不存在预设风险)，并将该样本对象记为第一类样本对象。如果在根据样本对象的历史业务的还款记录，确定该样本对象在所有的历史业务中都没有出现过逾期记录，且当前该样本对象还存在其他未还清的业务的情况下，无法简单地为该样本对象设置预设标签，这时可以将该样本对象记为第二类样本对象。

在一些实施例中，具体训练时，可以先构建出与预设的特征子空间分别对应的多个初始分类器；再将第一训练数据中的特征数据有区分地分别输入至所对应的初始分类器中，以对多个初始分类器分别进行训练，以得到利用携带有预设标签的第一类样本对象的特征数据训练得到的多个中间分类器。其中，每一个中间分类器分别与一个预设的特征子空间对应。

在一些实施例中，上述利用所述多个中间分类器、所述第一类训练数据、所述第二类训练数据，构建关于多个中间分类器的目标函数，具体实施时，可以包括以下内容：

S1：调用多个中间分类器处理所述第二类训练数据，以得到针对第二类样本对象的动态标签；

S2：根据第一类样本对象的预设标签、第二类样本对象的动态标签，构建动态成对约束算式；

S3：调用多个中间分类器处理所述第一类训练数据，得到第一类样本对象的多个分类结果；

S4：根据所述第一类样本对象的多个分类结果，构建子空间一致性约束算式；

S5：根据所述动态成对约束算式和所述子空间一致性约束算式，构建所述目标函数。

通过上述实施例，可以在基于第一类样本对象的特征数据训练得到的中间分类器的基础上，进一步引入并利用第二类样本对象的特征数据，同时引入并利用子空间一致性约束和动态成对约束，来构建得到符合要求的目标函数，以便后续可以基于该目标函数训练得到效果较好的预设的处理模型。

在一些实施例中，具体实施时，可以调用多个中间分类器分别处理第二类训练数据中第二类样本对象的对应的特征组，得到对应的分类结果；再通过投票等方式，综合多个中间分类器输出的分类结果，得到针对第二类样本对象的动态标签。

其中，上述动态标签具体可以理解为区别于预设标签，是综合多个中间分类器输出的分类结果所确定出的伪标签。

在一些实施例中，具体实施时，可以按照以下算式综合多个中间分类器输出的分类结果来确定对应的动态标签：

其中，K为预设的特征子空间的个数(即，中间分类器的数量)，f

在一些实施例中，上述根据第一类样本对象的预设标签、第二类样本对象的动态标签，构建动态成对约束算式，具体实施时，可以包括：根据第一类样本对象的预设标签和第二类样本对象的动态标签，建立连接集和非连接集；其中，所述连接集包含有多个连接组，所述连接组包含有两个标签相同的样本对象；所述非连接集包含有多个非连接组，所述非连接组包含有两个标签不同的样本对象；根据所述连接集和所述非连接集，构建动态成对矩阵；根据所述动态成对矩阵和所述多个中间分类器，构建所述动态成对约束算式。

通过上述实施例，可以通过确定并根据上述连接集和非连接集，构建出动态成对矩阵，以引入不同样本对象之间的相互关系，进而可以建立得到对应的动态成对约束算式。

在一些实施例中，具体实施时，可以按照以下算式建立连接集：ML＝{(x

再根据上述连接集和非连接集，按照以下算式构建包含有所有样本对象两两之间的相互作用的动态成对矩阵S：

其中，s

在一些实施例中，具体实施时，可以按照以下算式，根据所述动态成对矩阵和所述多个中间分类器，来构建所述动态成对约束算式：

其中，R

在一些实施例中，上述根据所述第一类样本对象的多个分类结果，构建子空间一致性约束算式，具体实施时，可以包括：根据所述第一类样本对象的多个分类结果，划分出多个比较组；其中，所述比较组包含有同一个第一类样本对象的两个分类结果；根据所述多个比较组，构建所述子空间一致性约束算式。

通过上述实施例，可以通过比较并利用基于对应不同的特征子空间的中间分类器所得到的针对同一个第一类样本对象的分类结果，引入不同特征子空间基于同一个样本对象的相互作用，进而可以建立得到对应的子空间一致性约束算式。

在一些实施例中，具体实施时，可以按照以下算式，根据所述多个比较组，构建所述子空间一致性约束算式：

其中，R

在一些实施例中，具体实施时，可以按照以下算式，根据所述动态成对约束算式和所述子空间一致性约束算式，构建所述目标函数：

L＝R

其中，L表示目标函数的函数值(或者称损失值)，R

上述目标函数进一步可以展开为以下形式：

其中，上述Y表示第一类样本对象X

在一些实施例中，上述根据所述目标函数，确定出符合要求的多个预设的分类器，以构建得到预设的处理模型，具体实施时，可以包括：通过利用梯度下降算法求解所目标函数的最优解(例如，最小损失值)，以确定出符合要求的多个预设的分类器；再将多个预设的分类器分别与判别结构相连，得到预设的处理模型。

通过上述实施例，可以将模型训练过程转换为求解目标函数的最优解的过程，并通过寻找、确定目标函数的最优解，来确定出相应的多个预设分类器，从而可以构建得到符合要求的、效果较好的预设的处理模型。

在一些实施例中，上述判别结构具体可以内置有如下所示的判别函数：

其中，F(x)表示判别结构输出的处理结果，x∈ω

在一些实施例中，在具体训练的过程中，还可以计算并根据多个预设的分类器对处理结果的贡献度，在判别函数中针对各个预设的分类器设置对应的权重参数，以使得判别函数的输出的处理结果相对更加精准。

在一些实施例中，在获取多个样本数据之后，所述方法具体实施时，还可以包括以下内容：检测样本数据的特征数据的缺失数量是否小于预设的缺失数量阈值；在确定样本数据的特征数据的缺失数量小于预设的缺失数量阈值的情况下，对存在缺失的特征数据进行补零处理。

通过上述实施例，可以在利用样本数据训练预设的处理模型之前，先对样本数据进行上述预处理，以减少数据误差，得到训练效果较好的样本数据，来参与后续的模型训练。

在一些实施例中，在确定样本数据的特征数据的缺失数量小于预设的缺失数量阈值，缺失程度不严重的情况下，可以针对所缺失的特征数据使用数值0进行填补，或者使用字符“unknown”进行填补。在确定样本数据的特征数据的缺失数量大于或等于预设的缺失数量阈值，缺失程度较严重的情况下，可以删除该样本数据，避免后续使用该样本数据参与模型训练带入的数据误差，提高模型训练精度。

在一些实施例中，在获取多个样本数据之后，具体实施时，还可以包括：对样本数据进行多变量的衍生变量探索，得到更加丰富的数据特征；进而可以结合上述更加丰富的数据特征，训练预设的处理模型。

具体的，可以基于样本数据所包含的特征数据进行对特征进行演化，例如，可以按照类别特征进行分组统计数值特征的统计特征(包括：最大值、最小值、均值、方差等)、数值特征的偏离值特征(包括：原始特征与该列最小值、最大值、均值的差值等)、数值特征之间的交叉特征(包括：数值特征之间相关加减乘除操作得到新的列)等，从而可以得到更加丰富的数据特征。

由上可见，本说明书实施例提供的风险的确定方法，具体实施前，针对特征维度较高、较复杂的数据预测场景，可以先根据预设的映射规则，将多维度特征划分到多个预设的特征子空间中，对样本对象的特征数据进行降维，降低后续模型训练时的复杂度和所涉及的数据处理量；并且，结合降维后的特征数据，又通过引入并利用子空间一致性约束和动态成对约束构建目标函数来参与模型训练，从而可以有效地利用携带有预设标签和没有携带预设标签的样本数据，训练得到效果较好、准确度较高的预设的处理模型；具体实施时，在获取目标对象的多个特征数据之后，可以先根据预设的映射规则，将多个特征数据映射到多个预设的特征子空间中，得到对应的目标对象的多个特征组；再调用预设的处理模型处理上述目标对象的多个特征组，得到对应的处理结果；进而可以根据处理结果，高效、准确地确定出该目标对象是否存在预设风险。从而可以较好地适用于特征维度较高、较复杂的数据预测场景，准确地预测出目标对象是否存在预设风险。

本说明书实施例还提供了另一种风险的确定方法。其中，该方法具体实施时，可以包括以下内容：

S1：获取目标对象的多个特征数据；

S2：根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；

S3：调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束或动态成对约束训练得到的；

S4：根据所述处理结果，确定目标对象是否存在预设风险。

通过上述实施例，可以利用单独基于子空间一致性约束，或者单独基于动态成对约束训练得到的预设的处理模型，来兼顾处理成本和处理效率，较为准确地确定出目标对象是否存在预设风险。

在一些实施例中，训练上述预设的处理模型所使用的目标函数具体可以是只包含有子空间一致性约束算式的目标函数，也可以是包含有动态成对约束算式的目标函数。

本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：获取目标对象的多个特征数据；根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束和动态成对约束训练得到的；根据所述处理结果，确定目标对象是否存在预设风险。

为了能够更加准确地完成上述指令，参阅图4所示，本说明书实施例还提供了另一种具体的服务器，其中，所述服务器包括网络通信端口401、处理器402以及存储器403，上述结构通过内部线缆相连，以便各个结构可以进行具体的数据交互。

其中，所述网络通信端口401，具体可以用于获取目标对象的多个特征数据。

所述处理器402，具体可以用于根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束和动态成对约束训练得到的；根据所述处理结果，确定目标对象是否存在预设风险。

所述存储器403，具体可以用于存储相应的指令程序。

在本实施例中，所述网络通信端口401可以是与不同的通信协议进行绑定，从而可以发送或接收不同数据的虚拟端口。例如，所述网络通信端口可以是负责进行web数据通信的端口，也可以是负责进行FTP数据通信的端口，还可以是负责进行邮件数据通信的端口。此外，所述网络通信端口还可以是实体的通信接口或者通信芯片。例如，其可以为无线移动网络通信芯片，如GSM、CDMA等；其还可以为Wifi芯片；其还可以为蓝牙芯片。

在本实施例中，所述处理器402可以按任何适当的方式实现。例如，处理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 SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。

在本实施例中，所述存储器403可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。

本说明书实施例还提供了一种基于上述风险的确定方法的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：获取目标对象的多个特征数据；根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束和动态成对约束训练得到的；根据所述处理结果，确定目标对象是否存在预设风险。

在本实施例中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。

在本实施例中，该计算机可读存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

参阅图5所示，在软件层面上，本说明书实施例还提供了一种风险的确定装置，该装置具体可以包括以下的结构模块：

获取模块501，具体可以用于获取目标对象的多个特征数据；

映射模块502，具体可以用于根据预设的映射规则，将所述多个特征数据映射到多个预设的特征子空间中，得到目标对象的多个特征组；其中，所述特征组分别与一个预设的特征子空间对应；

调用模块503，具体可以用于调用预设的处理模型处理所述多个特征组，以得到对应的处理结果；其中，所述预设的处理模型至少包括多个预设的分类器，所述预设的分类器分别与一个预设的特征子空间对应；所述预设的处理模型为预先基于子空间一致性约束和动态成对约束训练得到的；

确定模块504，具体可以用于根据所述处理结果，确定目标对象是否存在预设风险。

需要说明的是，上述实施例阐明的单元、装置或模块等，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。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

由上可见，基于本说明书实施例提供的风险的确定装置，可以较好地适用于特征维度较高、较复杂的数据预测场景，准确地预测出目标对象是否存在预设风险。

在一个具体的场景示例中，可以应用本说明书提供的风险的确定方法，通过构建并利用基于子空间一致性与动态成对约束的半监督公积金贷款逾期预测模型(一种预设的处理模型)，来提高对公积金贷款逾期(一种预设风险)预测的准确度。具体实施过程可以参阅以下内容。

具体应用时，参阅图6所示，可以包括以下步骤：首先从数据仓库获取公积金贷款逾期预测相关的特征信息(例如，目标对象的多个特征数据)。对样本进行数据预处理和特征工程处理。利用待预测数据的特征构造测试样本。将测试样本输入一种基于子空间一致性与动态成对约束的半监督公积金贷款逾期预测模型，得到预测结果。

其中，所使用的上述基于子空间一致性与动态成对约束的半监督公积金贷款逾期预测模型的训练过程可以参阅图7所示。经过数据预处理和特征工程处理得到训练样本，训练样本包括少量有标签样本和大量无标签样本。

首先，将样本的特征(例如，多个样本数据)映射到包括随机子空间1、随机子空间2……随机子空间K总共K个随机子空间(例如，多个预设的特征子空间)中；在子空间中使用有标签的样本(例如，携带有预设标签的第一类样本对象)的特征分别训练得到包括分类器1、分类器2……分类器K总共K个子分类器(例如，多个中间分类器)；再利用K个子分类的投票结果给无标签的样本(例如，不携带有预设标签的第二类样本对象)赋予对应的标签(例如，动态标签)，并在模型的优化过程中更新无标签样本的标签。

其次，可以利用无标签样本在模型优化过程中的动态标签，将动态成对约束从有标签数据点传播到无标签数据点，计算所有样本之间的动态成对约束，最终实现了整个数据集的约束信息，并有效地利用动态成对约束迭代更新分类器，使同类样本在输出空间中尽可能靠近，异类样本在输出空间中尽可能远离。

同时，可以通过设计子空间一致性约束，使不同子空间能够相互优化，提高子空间学习的效果，增强鲁棒性，进而可以得到一种基于子空间一致性与动态成对约束的半监督公积金贷款逾期预测模型。

具体实施时，可以通过最小化经验损失、动态成对约束和子空间一致性约束迭代优化分类器。

在本场景示例中，具体构建了上述基于子空间一致性与动态成对约束的半监督公积金贷款逾期预测模型，可以包括以下三部分内容：数据预处理、特征工程、模型构建与训练。下面将针对各部分内容分别进行具体说明。

1.关于“数据预处理”

1.1、数据选择。本次建模利用的数据包括个人用户的基本身份信息、个人的住房公积金缴存和贷款等数据信息。将涉及公积金贷款逾期预测相关特征分为三类，第一类是基本信息，如年龄、性别、所在地区等，第二类是住房公积金缴存信息，如时个人缴存基数、个人账户余额、个人月缴存额等，第三类是贷款信息，如贷款发放额、贷款余额、贷款利率等。按类别可确定数据范围，从而确定涉及的数据表。

1.2、构造标签信息。对于公积金贷款还款结束的用户，将出现过逾期还款的用户定义为逾期客户，标签为设置1，代表第一类样本ω

2.关于“特征工程”

2.1、缺失值处理。观察数据表中的数据列，对于有缺失值列，按一定方式补全，如数值特征的缺失值，用列‘0’值补全，非数值特征的缺失值，用“unknown”补全，对于缺失值特别严重的列，直接将该字段进行删除处理。

2.2、多变量的衍生变量探索。对特征进行演化，如按照类别特征进行分组统计数值特征的统计信息(最大值、最小值、均值、方差等)、数值特征的偏离值特征(原始特征与该列最小值、最大值、均值的差值等)、数值特征之间的交叉特征(数值特征之间相关加减乘除操作得到新的列)等。

3.关于“模型构建与训练”

3.1、构造无标签样本的标签信息。将样本的特征映射到K个随机子空间中，在子空间中使用有标签分别训练K个子分类器，利用K个子分类的投票结果给无标签样本赋予标签，并在模型的优化过程中更新无标签样本的标签。具体如下：

其中，K为子空间个数，f

3.2、构造动态成对约束。利用无标签样本在模型优化过程中的动态标签，计算样本之间的连接集：ML＝{(x

再利用动态成对矩阵计算动态成对约束，计算方式如下：

其中，K为随机子空间的个数，X、X'为任意两个训练样本(包括有标签样本和无标签样本)。

3.3、构造子空间一致性约束。通过设计子空间一致性约束，使不同子空间能够相互优化，提高子空间学习的效果，增强鲁棒性。子空间一致性约束计算方式如下：

其中，X

3.4、目标函数设计。通过最小化经验损失、动态成对约束和子空间一致性约束迭代优化分类器。目标函数如下：L＝R

进一步，将目标函数展开如下所示：

其中，Y为有标签样本集标签，R

3.5、模型优化。利用梯度下降法求解此优化问题，通过最小化模型的目标函数直至达到预设迭代次数或两次损失函数的损失值之差小于预设阈值。得到最终的分类模型。具体判别函数如下所示：

3.6、模型测试。对于测试样本x，输入分类器的判别函数，得到模型的判别结果。

在本场景示例中，通过上述方式训练建立了一种基于子空间一致性与动态成对约束的半监督公积金贷款逾期预测模型，其训练样本包括少量有标签样本和大量无标签样本。首先，使用子空间学习而不是把所有类别的特征拼接到一起，防止特征数量太多在训练过程中容成“维度灾难”问题。其次，通过设计子空间一致性约束，使不同子空间能够相互优化，提高子空间学习的效果，增强鲁棒性。其次，在模型的迭代优化过程中，根据多个子空间中模型的投票结果给无标签样本赋予可能的动态标签，进一步充分利用无标签样本蕴含的空间结构信息。最后，设计一种动态成对约束，使同类样本在输出空间中尽可能靠近，异类样本在输出空间中尽可能远离，并利用无标签样本在模型优化过程中的动态标签，将成对约束从有标签数据点传播到无标签数据点，最终实现了整个数据集的约束信息，提高模型的泛化效果。

通过上述场景示例，训练得到的上述模型，在公积金贷款逾期预测分类的精确率、召回率和综合测评价值上相对于传统的基于半监督学习算法模型，效果更好，能更精准地预测公积金贷款逾期用户。将该模型应用于银行等金融机构，利用个人的基本身份信息、个人的住房公积金缴存和贷款等数据信息，可以建立准确的风险控制模型，对信贷资产的安全性、信贷主体的偿债能力给与科学评价，最大限度地防范公积金贷款逾期风险。

虽然本说明书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手段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，甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

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，而对其内部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。

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、类等等。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可读存储介质中。

通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上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，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或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。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。