一种账户开立准入审核方法、装置、设备和存储介质

技术领域

本发明涉及计算机领域，特别涉及一种账户开立准入审核方法、装置、设备和存储介质。

背景技术

随着当前社会的金融和计算机发展，银行涉及越来越多的金融交易。在执行金融交易时，需要利用在银行设立的银行账户。传统的账户开立准入审核方式主要基于用户的个人信息，无法准确确定用户账户开立后是否进行正常交易。也就是当前的账户开立准入审核方式无法确定待开立账户是否为正常账户。

因此，当前亟需一种账户开立准入审核方法、装置、设备和存储介质。

发明内容

有鉴于此，本申请的目的在于提供一种账户开立准入审核方法、装置、设备和存储介质，能够实现对待开立账户是否为正常账户进行预测，从而提高账户开立准入审核效率。

本申请提供了一种账户开立准入审核方法，所述方法包括：

获取待开立账户对应的目标用户的银行数据和所述目标用户的多种外部数据，所述目标用户的外部数据反映所述目标用户的行为特征；

利用所述银行数据和多种所述外部数据按照时间顺序分别构建纵向图数据结构，得到多个纵向图；

利用联邦学习算法对多个所述纵向图进行联合学习，得到所述待开立账户的相关特征；

将所述待开立账户的相关特征输入至联邦学习模型，得到所述待开立账户是否为正常账户的预测结果。

可选地，所述方法还包括：

获取训练账户对应的训练用户的训练银行数据和所述训练用户的多种训练外部数据；

利用所述训练银行数据和多种所述训练外部数据按照时间顺序分别构建训练纵向图数据结构，得到多个训练纵向图；

利用联邦学习算法对多个所述训练纵向图进行联合学习，得到所述训练账户的训练特征；

根据所述训练特征和所述训练账户是否为正常账户训练所述联邦学习模型。

可选地，所述根据所述训练特征和所述训练账户是否为正常账户训练所述联邦学习模型包括：

构建多个训练模型，利用所述训练特征和所述训练账户是否为正常账户对多个所述训练模型进行分别训练；

将训练效果最优的训练模型确定为联邦学习模型。

可选地，所述获取待开立账户对应的目标用户的银行数据和所述目标用户的多种外部数据包括：

获取待开立账户对应的目标用户的银行数据，对所述银行数据进行隐私保护计算处理；

获取所述待开立账户对应的目标用户经过隐私保护计算处理后的多种所述外部数据。

可选地，所述方法还包括：

对所述银行数据和多种所述外部数据进行数据清洗和预处理。

可选地，所述银行数据包括个人信息、财务信息和信用评级，多种所述外部数据包括支付数据、网购数据、快递数据、地图数据、互联网数据和公积金数据。

本申请提供了一种账户开立准入审核装置，所述装置包括：

获取单元，用于获取待开立账户对应的目标用户的银行数据和所述目标用户的多种外部数据，所述目标用户的外部数据反映所述目标用户的行为特征；

构建单元，用于利用所述银行数据和多种所述外部数据按照时间顺序分别构建纵向图数据结构，得到多个纵向图；

联合学习单元，用于利用联邦学习算法对多个所述纵向图进行联合学习，得到所述待开立账户的相关特征；

预测单元，用于将所述待开立账户的相关特征输入至联邦学习模型，得到所述待开立账户是否为正常账户的预测结果。

可选地，所述装置还包括训练单元，所述训练单元，用于：

获取训练账户对应的训练用户的训练银行数据和所述训练用户的多种训练外部数据；

利用所述训练银行数据和多种所述训练外部数据按照时间顺序分别构建训练纵向图数据结构，得到多个训练纵向图；

利用联邦学习算法对多个所述训练纵向图进行联合学习，得到所述训练账户的训练特征；

根据所述训练特征和所述训练账户是否为正常账户训练所述联邦学习模型。

本申请提供了一种账户开立准入审核设备，所述设备包括：处理器和存储器；

所述存储器，用于存储指令；

所述处理器，用于执行所述存储器中的所述指令，执行如上述实施例所述的方法。

本申请提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上述实施例所述的方法。

本申请提供了一种账户开立准入审核方法，方法包括：获取待开立账户对应的目标用户的银行数据和目标用户的多种外部数据，目标用户的外部数据反映目标用户的行为特征，也就是通过获取大量目标用户的数据方便后续进行账户开立准入审核。利用银行数据和多种外部数据按照时间顺序分别构建纵向图数据结构，得到多个纵向图，也就是通过纵向图数据结构实现将目标用户的大量数据结合在一起，从而进行后续分析。利用联邦学习算法对多个纵向图进行联合学习，这样银行数据和外部数据都不出域，能够在充分保护数据安全和用户隐私的情况下，得到待开立账户的相关特征，将待开立账户的相关特征输入至联邦学习模型，得到待开立账户是否为正常账户的预测结果，也就是说，可以通过对目标用户的纵向图利用联邦学习算法进行学习，从而从目标用户的大量数据中提取得到和待开立账户存在关联的相关特征，后续将相关特征输入至联邦学习模型，就能够对待开立账户是否为正常账户进行预测，从而实现对于待开立账户的自动审核，提高账户开立准入审核效率。由于本申请提供的账户开立准入审核方法是基于目标用户的大量数据以及纵向图联邦技术，因此对待开立账户是否为正常账户进行预测的预测结果较为准确。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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它的附图。

图1示出了本申请实施例提供的一种账户开立准入审核方法的流程示意图；

图2示出了本申请实施例提供的一种账户开立准入审核装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

本发明提供的账户开立准入审核方法、装置、设备和存储介质可用于金融领域或其他领域，例如，可用于金融领域中的账户开立准入审核应用场景。其他领域为除金融领域之外的任意领域，例如，计算机领域。上述仅为示例，并不对本发明提供的账户开立准入审核方法、装置、设备和存储介质的应用领域进行限定。

随着当前社会的金融和计算机发展，银行涉及越来越多的金融交易。在执行金融交易时，需要利用在银行设立的银行账户。传统的账户开立准入审核方式主要基于用户的个人信息，无法准确确定用户账户开立后是否进行正常交易。此外，针对全新用户的账户开立，银行存在信息不对称的情况，从而难以判断待开立账户的用途，无法确定待开立账户是否会涉及非正常交易。传统的方法是让新用户提供更多的证明材料用于证明账户开立的正当用途。但是这样在开立账户时用户提交的证明材料较多，对用户来说较为不便。

也就是当前的账户开立准入审核方式无法确定待开立账户是否为正常账户。

因此，当前亟需一种账户开立准入审核方法、装置、设备和存储介质。

基于此，本申请提供了一种账户开立准入审核方法，方法包括：获取待开立账户对应的目标用户的银行数据和目标用户的多种外部数据，目标用户的外部数据反映目标用户的行为特征，也就是通过获取大量目标用户的数据方便后续进行账户开立准入审核。利用银行数据和多种外部数据按照时间顺序分别构建纵向图数据结构，得到多个纵向图，也就是通过纵向图数据结构实现将目标用户的大量数据结合在一起，从而进行后续分析。利用联邦学习算法对多个纵向图进行联合学习，这样银行数据和外部数据都不出域，能够在充分保护数据安全和用户隐私的情况下，得到待开立账户的相关特征，将待开立账户的相关特征输入至联邦学习模型，得到待开立账户是否为正常账户的预测结果，也就是说，可以通过对目标用户的纵向图利用联邦学习算法进行学习，从而从目标用户的大量数据中提取得到和待开立账户存在关联的相关特征，后续将相关特征输入至联邦学习模型，就能够对待开立账户是否为正常账户进行预测，从而实现对于待开立账户的自动审核，提高账户开立准入审核效率。由于本申请提供的账户开立准入审核方法是基于目标用户的大量数据以及纵向图联邦技术，因此对待开立账户是否为正常账户进行预测的预测结果较为准确。

为了更好地理解本申请的技术方案和技术效果，以下将结合附图对具体的实施例进行详细的描述。

参见图1，该图为本申请实施例提供的一种账户开立准入审核方法的流程示意图。

本实施例提供的账户开立准入审核方法包括以下步骤：

S101，获取待开立账户对应的目标用户的银行数据和目标用户的多种外部数据。

在本申请的实施例中，目标用户在银行申请账户开立时，银行可以对该待开立账户是否为正常账户进行预测，即对该待开立账户是否会进行正常交易进行预测。

具体可以分别获取待开立账户对应的目标用户的银行数据和目标用户的多种外部数据。其中，银行数据指的是目标用户向银行提交的数据或者目标用户已经存储在银行的数据。银行数据例如可以是目标用户的个人信息、财务信息、信用评级和交易信息等。外部数据可以是反映目标用户的行为特征的数据，即通过外部数据可以侧面反映该目标用户的某些行为，例如金融行为等。多种外部数据可以包括支付数据、网购数据、快递数据、地图数据、互联网数据和公积金数据等，这些外部数据都可以辅助后续进行待开立账户是否为正常账户的预测。作为一种示例，外部数据也可以是目标用户在其他系统的账户开立数据，例如在互联网系统的账户开立数据。

需要说明的是，本申请所涉及的目标用户的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

在实际应用中，在获取得到银行数据和多种外部数据之后，可以对银行数据和多种外部数据进行数据清洗和预处理，例如可以去除无效数据或者处理缺失值等，从而提高数据质量。

在本申请的实施例中，在获取得到银行数据时，可以对银行数据进行隐私保护计算处理，从而保护目标用户的隐私信息。隐私保护计算(Privacy Preserving Computing)，又称隐私计算，是指在提供数据隐私保护的前提下，对数据进行分析计算的一类技术。在保障数据隐私安全的基础上，可以让数据以“可用不可见”的方式进行安全流通。

相应地，获取得到的多种外部数据也是经过隐私保护计算处理后得到数据。

在实际应用中，银行数据和外部数据可以不出域，也就是仅存在于各自的数据库中。

S102，利用银行数据和多种外部数据按照时间顺序分别构建纵向图数据结构，得到多个纵向图。

在本申请的实施例中，在获取得到银行数据和多种外部数据之后，可以按照时间顺序将这些数据分别构建纵向图数据结构，得到多个纵向图。纵向图数据结构为一种知识图谱结构。由于银行数据和多种外部数据可能属于不同的数据类型，反映目标用户的行为特征也不同，利用纵向图数据结构可以结合不同数据类型的数据。

具体在构建纵向图数据结构时，可以合理选择银行数据和多种外部数据，从而保证多个纵向图的正确性和完整性。

在实际应用中，银行数据可以形成一个纵向图，每种外部数据也可以形成一个纵向图，即每种数据都形成各自的纵向图。

S103，利用联邦学习算法对多个纵向图数据结构进行联合学习，得到待开立账户的相关特征。

在本申请的实施例中，在构建纵向图数据结构得到多个纵向图之后，可以利用联邦学习算法对多个纵向图进行联合学习，得到待开立账户的相关特征。具体可以采用纵向联邦学习算法进行联合学习。

联邦学习(Federated Learning，FL)可以实现在本地数据不出库的情况下，通过对中间加密数据的处理来完成多方对联邦学习模型的学习训练。纵向联邦学习为联邦学习的一种类别，纵向联邦学习的本质是同一用户在不同业态下的特征联合。

在本申请的实施例中，若利用联邦学习算法对多个纵向图进行联合学习，可以不事先获取多种外部数据，只需要在进行联邦学习时，和提供外部数据的参与方共同进行联合学习即可，这样就能够实现在数据隐私性的基础上进行账户开立准入审核。

这样进行联合学习的每个参与方将提供的外部数据也构建纵向图数据结构，得到纵向图。而后利用纵向联邦学习算法对多个参与方提供的多个纵向图进行联合学习，这样银行数据和外部数据都不出域，能够在充分保护数据安全和用户隐私的情况下，从而得到待开立账户的相关特征。

S104，将待开立账户的相关特征输入至联邦学习模型，得到待开立账户是否为正常账户的预测结果。

在本申请的实施例中，在获取得到待开立账户的相关特征之后，将待开立账户的相关特征输入至联邦学习模型，得到待开立账户是否为正常账户的预测结果。也就是说，联邦学习模型的输入为待开立账户的相关特征，输出为预测结果。联邦学习模型是利用训练账户的相关特征和训练账户是否为正常账户进行训练得到的。

具体训练过程如下：

可以预先设置训练用户以及训练用户对应的训练账户，并且获取训练用户的训练银行数据和训练用户的多种训练外部数据，利用训练银行数据和多种训练外部数据按照时间顺序分别构建训练纵向图数据结构，得到多个训练纵向图，利用联邦学习算法对多个训练纵向图进行联合学习，得到训练账户的训练特征，根据训练特征和训练账户是否为正常账户训练联邦学习模型。

在实际应用中，银行可以不直接获取训练外部数据，只需要联合学习的参与方提供训练纵向图即可，这样银行数据和外部数据都不出域，能够在充分保护数据安全和用户隐私的情况下训练联邦学习模型。

在具体训练联邦学习模型时，可以预先构建多个训练模型，利用训练特征和训练账户是否为正常账户对多个训练模型进行分别训练，而后将训练效果最优的训练模型确定为联邦学习模型，后续将该训练效果最优的联邦学习模型用于待开立账户是否为正常账户的预测。

在实际应用中，可以监控联邦学习模型的性能，定期对联邦学习模型进行更新和优化，以保证联邦学习模型应用效果的稳定性。

还可以对待开立账户的预测结果进行监控和反馈，通过反馈结果更新联邦学习模型，进一步提高联邦学习模型的可靠性。

在实际应用中，对银行数据的数据清洗、预处理以及形成纵向图等，可以将这些任务分配至不同的计算节点上，利用分布式计算的方式提高数据处理效率。

由此可见，本申请实施例提供的账户开立准入审核方法，通过构建纵向图和联邦学习的方式，可以更加全面地了解目标用户的账户交易情况，从而更准确地进行准入审核，提高准入审核的准确性。由于采用了联邦学习的方式进行模型训练，这样就可以在不共享原始数据的情况下进行模型训练，有效保护用户隐私。也就是说，本申请实现了账户开立准入审核的自动化和高效化，从而大大提高了账户开立准入审核的效率和准确性。

本申请提供了一种账户开立准入审核方法，方法包括：获取待开立账户对应的目标用户的银行数据和目标用户的多种外部数据，目标用户的外部数据反映目标用户的行为特征，也就是通过获取大量目标用户的数据方便后续进行账户开立准入审核。利用银行数据和多种外部数据按照时间顺序分别构建纵向图数据结构，得到多个纵向图，也就是通过纵向图数据结构实现将目标用户的大量数据结合在一起，从而进行后续分析。利用联邦学习算法对多个纵向图进行联合学习，这样银行数据和外部数据都不出域，能够在充分保护数据安全和用户隐私的情况下，得到待开立账户的相关特征，将待开立账户的相关特征输入至联邦学习模型，得到待开立账户是否为正常账户的预测结果，也就是说，可以通过对目标用户的纵向图利用联邦学习算法进行学习，从而从目标用户的大量数据中提取得到和待开立账户存在关联的相关特征，后续将相关特征输入至联邦学习模型，就能够对待开立账户是否为正常账户进行预测，从而实现对于待开立账户的自动审核，提高账户开立准入审核效率。由于本申请提供的账户开立准入审核方法是基于目标用户的大量数据以及纵向图联邦技术，因此对待开立账户是否为正常账户进行预测的预测结果较为准确。

基于以上实施例提供的一种账户开立准入审核方法，本申请实施例还提供了一种账户开立准入审核装置，下面结合附图来详细说明其工作原理。

参见图2，该图为本申请实施例提供的一种账户开立准入审核装置的结构示意图。

本实施例提供的账户开立准入审核装置200包括：

获取单元210，用于获取待开立账户对应的目标用户的银行数据和所述目标用户的多种外部数据，所述目标用户的外部数据反映所述目标用户的行为特征；

构建单元220，用于利用所述银行数据和多种所述外部数据按照时间顺序分别构建纵向图数据结构，得到多个纵向图；

联合学习单元230，用于利用联邦学习算法对多个所述纵向图进行联合学习，得到所述待开立账户的相关特征；

预测单元240，用于将所述待开立账户的相关特征输入至联邦学习模型，得到所述待开立账户是否为正常账户的预测结果。

可选地，所述装置还包括训练单元，所述训练单元，用于：

获取训练账户对应的训练用户的训练银行数据和所述训练用户的多种训练外部数据；

利用所述训练银行数据和多种所述训练外部数据按照时间顺序分别构建训练纵向图数据结构，得到多个训练纵向图；

利用联邦学习算法对多个所述训练纵向图进行联合学习，得到所述训练账户的训练特征；

根据所述训练特征和所述训练账户是否为正常账户训练所述联邦学习模型。

可选地，所述训练单元，用于：

构建多个训练模型，利用所述训练特征和所述训练账户是否为正常账户对多个所述训练模型进行分别训练；

将训练效果最优的训练模型确定为联邦学习模型。

可选地，所述获取单元210，用于

获取待开立账户对应的目标用户的银行数据，对所述银行数据进行隐私保护计算处理；

获取所述待开立账户对应的目标用户经过隐私保护计算处理后的多种所述外部数据。

可选地，所述装置还包括预处理单元，所述预处理单元，用于：

对所述银行数据和多种所述外部数据进行数据清洗和预处理。

可选地，所述银行数据包括个人信息、财务信息和信用评级，多种所述外部数据包括网购数据、快递数据、地图数据、互联网数据和公积金数据。

基于以上实施例提供的一种账户开立准入审核方法，本申请实施例还提供了一种账户开立准入审核设备，账户开立准入审核设备包括：

处理器和存储器，处理器的数量可以一个或多个。在本申请的一些实施例中，处理器和存储器可通过总线或其它方式连接。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。

处理器控制终端设备的操作，处理器还可以称为CPU。

上述本申请实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例的方法中的任意一种实施方式。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

当介绍本申请的各种实施例的元件时，冠词“一”、“一个”、“这个”和“所述”都意图表示有一个或多个元件。词语“包括”、“包含”和“具有”都是包括性的并意味着除了列出的元件之外，还可以有其它元件。

需要说明的是，本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

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，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，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及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和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劳动的情况下，即可以理解并实施。

以上所述仅是本申请的优选实施方式，虽然本申请已以较佳实施例披露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。