分类模型的训练方法、数据分类方法及装置

技术领域

本发明涉及数据分类技术领域，尤其是涉及一种分类模型的训练方法、数据分类方法及装置。

背景技术

随着智能化进程不断推进，机器学习技术也不断完善，为人们的工作和生活带来了很多成果。利用机器学习进行建模需要很多特征，但是在实际应用中，有些特征对模型输出结果贡献率很低，甚至会硬性模型输出效果。除此以外，还会出现正、负样本不均衡的问题，比如，金融市场中债券违约的企业与非违约企业的数量比；银行贷款中还款人数与不还款人数的数量比。出现上述正、负样本不均衡时，机器学习模型进行预测的能力会大大折扣。综上所述，数据中正、负样本不均衡问题影响着机器学习模型的预测能力。

发明内容

有鉴于此，本发明的目的在于提供一种分类模型的训练方法、数据分类方法及装置，可以有效改善数据分类中正、负样本分布不均衡问题，提高模型预测能力。

第一方面，本发明实施例提供了一种分类模型的训练方法，包括：获取训练样本集合；其中，所述训练样本集合包括第一类样本子集合和第二类样本子集合，所述第一类样本子集合的样本数量与所述第二类样本子集合的样本数量的比值大于预设阈值；从所述第一类样本子集合中抽取第一指定数量的第一采样样本，以及从所述第二类样本子集合中抽取第二指定数量的第二采样样本；从所述训练样本集合的各个样本特征中抽取第三指定数量的采样特征；利用所述第一采样样本、所述第二采样样本和所述采样特征对分类模型进行训练。

在一种实施方式中，所述从所述第一类样本子集合中抽取第一指定数量的第一采样样本，以及从所述第二类样本子集合中抽取第二指定数量的第二采样样本的步骤，包括：采用不放回抽样算法从所述第一类样本子集合中抽取第一指定数量的第一采样样本；其中，所述第一指定数量为去重处理后的第二采样样本数量；以及，采用放回抽样算法从所述第二类样本子集合中抽取第二指定数量的第二采样样本；其中，所述第二指定数量为所述第二类样本子集合所包含的样本数量。

在一种实施方式中，在所述利用所述第一采样样本、所述第二采样样本和所述采样特征对分类模型进行训练的步骤之前，所述方法还包括：对所述第二指定数量的第二采样样本进行去重处理。

在一种实施方式中，所述从所述训练样本集合的各个样本特征中抽取第三指定数量的采样特征的步骤，包括：采用放回抽样算法从所述训练样本集合的各个样本特征中抽取第三指定数量的采样特征；其中，所述第三指定数量为所述训练样本集合中所包含的样本特征数量。

第二方面，本发明实施例提供了一种数据分类方法，包括：获取待分类数据；通过预先训练得到的分类模型集合对所述待分类数据进行分类操作，得到所述待分类数据对应的多个候选分类结果；其中，所述分类模型集合包括多个分类模型，所述分类模型是采用如第一方面提供的任一项所述的分类模型的训练当合训练得到的；基于各个所述候选分类结果确定所述待分类数据对应的目标分类结果。

在一种实施方式中，所述基于各个所述候选分类结果确定所述待分类数据对应的目标分类结果的步骤，包括：根据选举算法和各个所述候选分类结果确定所述待分类数据对应的目标分类结果。

第三方面，本发明实施例还提供一种分类模型的训练装置，所述装置包括：样本获取模块，用于获取训练样本集合；其中，所述训练样本集合包括第一类样本子集合和第二类样本子集合，所述第一类样本子集合的样本数量与所述第二类样本子集合的样本数量的比值大于预设阈值；采样样本抽取模块，用于从所述第一类样本子集合中抽取第一指定数量的第一采样样本，以及从所述第二类样本子集合中抽取第二指定数量的第二采样样本；从所述训练样本集合的各个样本特征中抽取第三指定数量的采样特征；模型训练模块，用于利用所述第一采样样本、所述第二采样样本和所述采样特征对分类模型进行训练。

第四方面，本发明实施例还提供一种数据分类装置，所述装置包括：数据获取模块，用于获取待分类数据；候选分类模块，用于通过预先训练得到的分类模型集合对所述待分类数据进行分类操作，得到所述待分类数据对应的多个候选分类结果；其中，所述分类模型集合包括多个分类模型，所述分类模型是采用如第一方面提供的任一项所述的分类模型的训练得到的；目标分类模块，用于基于各个所述候选分类结果确定所述待分类数据对应的目标分类结果。

第五方面，本发明实施例还提供一种电子设备，包括存储器以及处理器；所述存储器中存储有可在所述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上述第一方面和第二方面任一项所述的方法的步骤。

第六方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述第一方面和第二方面任一项所述的方法。

本发明实施例提供的一种分类模型的训练方法及装置，首先获取包含有第一类样本子集合和第二类样本子集合训练样本集合，第一类样本子集合的样本数量与第二类样本子集合的样本数量的大于预设阈值，然后从第一类样本子集合中抽取第一指定数量的第一采样样本、从第二类样本子集合中抽取第二指定数量的第二采样样本、从训练样本集合的各个样本特征中抽取第三指定数量的采样特征，最后利用采样抽取的第一采样样本、第二采样样本和采样特征对分类模型进行训练。上述方法提供了一种分类模型的训练方法，该方法能够根据第一指定数量对第一样本子集合进行采样，根据第二指定数量对第二样本子集合进行采样，以及根据第三指定数量对训练样本集合进行采样，从而得到样本数据更为均衡的第一采样样本和第二采样样本，在此基础上对分类模型的训练可以有效改善现有技术中存在的正、负样本不均衡的问题，本发明实施例通过上述方法对训练样本进行处理，并基于处理后的样本对分类模型进行训练，有效提高了分类模型的预测能力。

本发明实施例提供的一种数据分类方法及装置，首先，获取待分类数据。然后，通过预先训练得到的分类模型集合对待分类数据进行分类操作，得到待分类数据对应的多个候选分类结果，最后根据各个候选分类结果确定待分类数据对应的目标分类结果，其中，上述分类模型集合中的各个分类模型均是采用上述分类模型的训练方法得到的。上述方法采用前述实施例提供的分类模型的训练方法训练得到多个分类模型，由于每个分类模型均具有较好的预测能力，在此基础上进一步从各个分类模型输出的候选分类结果中确定目标分类结果，可以进一步提高数据分类的准确性。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种分类模型的训练方法的流程示意图；

图2为本发明实施例提供的一种数据分类方法的流程示意图；

图3为本发明实施例提供的一种数据分类方法的流程示意图；

图4为本发明实施例提供的一种分类模型的训练装置的结构示意图；

图5为本发明实施例提供的一种数据分类装置的结构示意图；

图6为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明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。

在进行数据分类时，当正、负样本数量差距较大时，采用机器学习的分类模型往往能够取得很高的准确率，但是召回率和精确率很低。比如，假设在1000个样本中存在900个负样本0和100个正样本1，当模型全部预测为0时，准确率为90％，但召回率和精确率为0，模型基本没有预测能力。因此，机器学习模型面临分类样本数量不均衡时，预测效果会很差。基于此，本发明实施例提供了一种分类模型的训练方法、数据分类方法及装置，可以有效改善数据分类中正、负样本分布不均衡问题，提高模型预测能力。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种分类模型的训练方法进行详细介绍，参见图1所示的一种分类模型的训练方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：

步骤S102，获取训练样本集合。

其中，训练样本集合包括第一类样本子集合(也可称之为大类样本)和第二类样本子集合(也可称之为小类样本)，第一类样本子集合的样本数量与第二类样本子集合的样本数量的比值大于预设阈值。大类样本是指训练样本集合中数量较大的样本类别，小类样本是训练样本集合中数量较少的样本类别，大类样本和小类样本的样本数量之和等于样本集合总数。可选的，大类样本的样本数量与小类样本的样本数量的比值超过某一固定阈值(比如取值为10)。在实际应用中，训练样本集合一般包括正样本和负样本，且正负样本的样本数量不同，本发明实施例可以根据正负样本的样本数量确定正样本为大类样本或小类样本，负样本为大类样本或小类样本。例如，假设正样本的样本数量与负样本的样本数量的比值大于10，则确定正样本为大类样本且负样本为小类样本，反之，假设负样本的样本数量与正样本的样本数量的比值大于10，则确定正样本为小类样本且负样本为大类样本。在具体是现实，上述固定阈值可基于实际需求进行设置，本发明实施例对此不进行限制。

步骤S104，从第一类样本子集合中抽取第一指定数量的第一采样样本，以及从第二类样本子集合中抽取第二指定数量的第二采样样本。可选的，上述第一指定数量可以为第一样本子集合中包含的样本数量，第二指定数量可以为第二样本子集合中包含的样本数量。在一种实施方式中，为均衡正负样本的数量，本发明实施例在抽取第一采样样本和第二采样样本时，可以采用不放回抽样算法从第一样本子集合中抽取第一指定数量的第一采样样本，并采用放回抽样算法从第二样本子集合中抽取第二指定数量的第二采样样本，从而均衡第一采样样本的数量和第二采样样本的数量。

步骤S106，从训练样本集合的各个样本特征中抽取第三指定数量的采样特征。在一种实施方式中，为了保留高贡献度的特征，本发明实施例在抽取采样特征时，可以采用放回抽样算法从各个样本特征中抽取第三指定数量的采样特征，从而筛选出贡献度不高的特征，保留高贡献度的特征。

步骤S108，利用第一采样样本、第二采样样本和采样特征对分类模型进行训练。在一种实施方式中，根据采样得到的第一采样样本、第二采样样本和采样特征，建立分类模型。

本发明实施例提供的一种分类模型的训练方法，该方法通过采用不放回抽样算法从第一样本子集合中抽取第一指定数量的第一采样样本，并采用放回抽样算法从第二样本子集合中抽取第二指定数量的第二采样样本，从而均衡第一采样样本的数量和第二采样样本的数量，从而均衡第一采样样本的数量和第二采样样本的数量，本发明实施例可以实现样本均衡，保证模型较好的预测效果。

为均衡正负样本的数量，本发明实施例提供了一种前述步骤S104的实施方式，具体的，可以采用不放回抽样算法从第一类样本子集合中抽取第一指定数量的第一采样样本，以及，采用放回抽样算法从第二类样本子集合中抽取第二指定数量的第二采样样本。其中，第一指定数量为去重处理后的第二采样样本，第二指定数量为第二类样本子集合所包含的样本数量。对小类样本n采取放回的抽取方式，根据根据有放回采样的统计规律确定约n*(1-1/e)个小类样本采样数量(第二指定数量)，对大类样本m采取不放回的抽取方式，抽取n*(1-1/e)个大类样本。比如，当大类样本数量为900，小类样本为100时，有放回地从小类样本中抽取100*(1-1/e)个不重复样本，也就是64个小类采样样本；并无放回地从大类样本中抽取64个大类采样样本。

此外，考虑到放回抽样算法可能抽取到相同的训练样本，因此本发明实施例还可以对第二指定数量的第二采样样本进行去重处理。采用放回抽样的方式从第二类样本子集合中抽取第二指定数量的第二采样样本，利用去重算法n*(1-1/e)得到不重复样本的数量。

对于前述步骤S104，本发明还提供了一种从训练样本集合的各个样本特征中抽取第三指定数量的采样特征的实施方式，采用放回抽样算法从训练样本集合的各个样本特征中抽取第三指定数量的采样特征，其中，第三指定数量为训练样本集合中所包含的样本特征数量。在具体实现时，采用放回抽样算法对特征进行采样时可以得到不重复的f*(1-1/e)个特征。例如大类样本和小类样本采样包含有30个特征，采用放回抽样的方式从上述特征中抽取30个特征，此时根据统计学理论约有30*(1-1/e)个不重复的特征，也就是个19个特征。

本发明实施例还提供了一种数据分类方法的实施方式，具体参见图2所示的一种数据分类方法的流程示意图，主要包括以下步骤：

步骤S202，获取待分类数据。在一种实施方式中，在具体应用中获取样本数据，比如，银行的历史申请贷款人数，其中，按时还款人数、不按时还款人数以及包括这些申请人姓名、性别、收入等信息在内的特征。

步骤S204，通过预先训练得到的分类模型集合对待分类数据进行分类操作，得到所述待分类数据对应的多个候选分类结果；其中，所述分类模型集合包括多个分类模型，所述分类模型是采用前述实施例提供的所述的分类模型的训练方法得到的。在一种实施方式中，通过重复上述分类模型的训练方法，得到多个不同的分类模型，将上述待分类数据输入至各个分类模型后可得到多个候选分类结果。

步骤S206，基于各个候选分类结果确定待分类数据对应的目标分类结果。在一种实施方式中，可以利用选举算法从上述候选分类结果中选择目标分类结果。

本发明采取前述实施例提供的分类模型的训练方法训练得到多个分类模型，由于每个分类模型均具有较好的预测能力，在此基础上进一步从各个分类模型输出的候选分类结果中确定目标分类结果，可以进一步提高数据分类的准确性。

对于前述步骤S206，本发明提供了一种基于各个候选分类结果确定待分类数据对应的目标分类结果的实施方式，包括：根据选举算法和各个候选分类结果确定待分类数据对应的目标分类结果。在一种实施方式中，分类模型输出多个候选分类结果，采用选举算法对多个候选分类结果进行确定。比如，选择10个分类子模型，其输出结果分别为[1 0 0 1 11 1 1 0 0]，那么根据选择算法，模型的最终输出结果为1。

为便于对上述实施例提供的数据分类方法记性理解，本发明实施例提供了一种数据分类方法，具体参见如图3所述的数据分类方法流程示意图，其中，大类样本：小类样本＝m：n，且m/n>10，e为自然底数，f为特征数，z为子模型数。实现步骤如下：

步骤S302，对于小类样本，采用放回抽样的方式选择与小类样本数一样的样本n。去重：根据统计学理论，采样得到的非重复样本量约为：n*(1-1/e)。对于小类样本来说，通常采用放回抽样的方式选择与小类样本数一样的样本n。根据统计学理论n*(1-1/e)对采样得到的样本进行去重处理得到非重复抽样样本。

步骤S304，对于大类样本，从m个样本中无放回随机抽取与上面相同的样本数：n*(1-1/e)。对于大类样本来说，采取无放回抽样方式随机抽取与抽取的小类样本中非重复样本数量相同的抽样样本数量。

步骤S306，对于以上2*n*(1-1/e)个样本，无放回的随机抽取f*(1-1/e)个特征。根据统计学理论对特征进行去重处理f*(1-1/e)得到不重复的特征样本。

步骤S308，使用以上随机抽取的两类样本和随机抽取的特征，采用LR(LogisticRegression，逻辑回归)、GBDT(Gradient Boosting Decision Tree、梯度提升树)、SVM(Support Vector Machine，支持向量机)、DT(Decision Tree、决策树)等分类算法构建分类模型。利用对小类样本和大类样本抽样得到的小类抽样样本和大类抽样样本，以及特征样本，采用分类算法构建分类模型，可以选择。

步骤S310，是否构建了z个子模型。查询是否构建了z个子模型。

步骤S312，使用选举算法，多个模型的结果进行综合输出模型结果。利用选举算法对多个子模型的结果进行综合输出最终分类结果。

为便于对上述实施例提供的数据分类方法进行理解，本发明实施例提供了一种数据分类方法的应用实例，以银行信贷业务中，预测申请贷款人是否按期还款为例。

在银行信贷业务中，申请人不还贷款会影响银行的正常资金流转，因此如果能够提前预测申请贷款的人中可能不还贷款的可能性，就能够在一定程度上减少银行的损失。在实际的应用中，申请贷款的人中按期还款的人数和未还贷款的人数比值很大，因此假设历史1000个申请贷款的人中，有900人按时还贷款，100人不按时还贷款，共有30个可用的特征信息，比如，姓名、性别、收入等，实现预测的步骤如下：

(1)对于小类样本，也就是100个不按时还贷款的样本，通过放回抽样的方式对样本进行抽样，利用统计学理论抽取100*(1-1/e)个不重复的样本，得到64个样本。

(2)对于大类样本，也就是900个按时换贷款的样本，通过无放回抽样方式对样本进行抽样，利用统计学理论抽取100*(1-1/e)个不重复的样本，得到64个样本。

(3)针对包括姓名、性别、收入等在内的特征，采用放回抽样的方式抽取30个不特征，根据统计学理论约有30*(1-1/e)个不重复的特征，也就是19个特征。

(4)随机选择一个分类器，分类器从LR(Logistic Regression，逻辑回归)、GBDT(Gradient Boosting Decision Tree、梯度提升树)、SVM(Support Vector Machine，支持向量机)、DT(Decision Tree、决策树)、RF(Random Forest，随机森林)、XGBoost(极限提升)、NB(Naive Bayesian，朴素贝叶斯)等分类算法中进行选择。

(5)将数据输入到分类器中，得到以上数据在此分类器的分类结果。

(6)重复以上步骤(4-5或S302-S308)10次，得到10个分类结果。

(7)假设上述10个模型的结果输出为[1 0 0 1 1 1 1 1 0 0]，那么根据选举算法，模型最终的输出结果为1。

综上所述，本发明实施例提供的数据分类方法，通过对大类样本、小类样本和特征进行抽样，得到采样样本和特征样本，再将采样样本和特征样本作为分类器的输入对数据进行分类，能够在样本不均衡的条件下保持较高的预测精度。

基于前述实施例所提供的数据分类方法，本发明实施提供了一种分类模型训练装置，参见图4所示的一种分类模型训练装置的结构示意图，该装置至少包括以下部分：

样本获取模块402，用于获取训练样本集合；其中，训练样本集合包括第一类样本子集合和第二类样本子集合，第一类样本子集合的样本数量与第二类样本子集合的样本数量的比值大于预设阈值。

采样样本抽取模块404，用于从第一类样本子集合中抽取第一指定数量的第一采样样本，以及从第二类样本子集合中抽取第二指定数量的第二采样样本；从训练样本集合的各个样本特征中抽取第三指定数量的采样特征。

模型训练模块406，用于利用第一采样样本、第二采样样本和采样特征对分类模型进行训练。

本发明实施例提供的上述分类模型的训练装置，该装置通过前述实施例提供的分类模型的训练方法训练得到多个分类模型，采用不放回抽样算法从第一样本子集合中抽取第一指定数量的第一采样样本，并采用放回抽样算法从第二样本子集合中抽取第二指定数量的第二采样样本，从而均衡第一采样样本的数量和第二采样样本的数量，在此基础上进一步从各个分类模型输出的候选分类结果中确定目标分类结果，可以进一步提高数据分类的准确性。

在一种实施方式中，采样样本抽取模块404还用于：采用不放回抽样算法从第一类样本子集合中抽取第一指定数量的第一采样样本；其中，所述第一指定数量为去重处理后的第二采样样本的样本数量；以及，采用放回抽样算法从第二类样本子集合中抽取第二指定数量的第二采样样本；其中，第二指定数量为第二类样本子集合所包含的样本数量。

在一种实施方式中，上述装置还包括去重处理模块，用于：对第一指定数量的第一采样样本进行去重处理，以及对第二指定数量的第二采样样本进行去重处理。

在一种实施方式中，采样样本抽取模块404，还用于：采用放回抽样算法从训练样本集合的各个样本特征中抽取第三指定数量的采样特征；其中，第三指定数量为训练样本集合中所包含的样本特征数量。

基于前述实施例所提供的分类模型的训练装置，本发明实施提供了一种分类装置，参见图5所示的一种数据分类装置的结构示意图，装置至少包括以下部分：

数据获取模块502，用于获取待分类数据。

候选分类模块504，用于通过预先训练得到的分类模型集合对待分类数据进行分类操作，得到待分类数据对应的多个候选分类结果；其中，分类模型集合包括多个分类模型，分类模型是采用如前述装置任一项的分类模型的训练得到的。

目标分类模块506，用于基于各个候选分类结果确定待分类数据对应的目标分类结果。

在一种实施方式中，目标分类模块506还用于：根据选举算法和各个候选分类结果确定待分类数据对应的目标分类结果。

本发明实施例提供的上述数据分类装置，应用于前述实施例提供的分类模型训练中，通过前述实施例提供的分类模型的训练方法训练得到多个分类模型，由于每个分类模型均具有较好的预测能力，在此基础上进一步从各个分类模型输出的候选分类结果中确定目标分类结果，可以进一步提高数据分类的准确性。

本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。

图6为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。

其中，存储器61可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。

处理器60可能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60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60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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发明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。结合本发明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61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

所述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。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。