贷款预测方法、装置、电子设备和计算机可读存储介质

技术领域

本发明涉及计算机技术领域，尤其是涉及一种贷款预测方法、装置、电子设备和计算机可读存储介质。

背景技术

如今，商业银行信息化得到迅速发展由此产生了大量的业务数据、中间数据和非结构化数据，大数据随之兴起。要从这些海量数据中提取出有价值的信息，为商业银行挖掘出要需求的潜在贷款客户至关重要。传统商业银行的简单统计模型无法从海量的用户中准确的挖掘出有潜在贷款需求的客户，因此只能加大推荐力度，但是最后推荐效果并不好，从而浪费大量人力物力。

目前，大多数银行在进行贷款预测时，采用的模型还是建立在传统的规则模型，然而规则模型的规则通常由业务专家制定，不同的业务专家存在不同的领域见解，因此规则存在主观性，而且规则的效果容易随着时间衰减，导致规则模型的准确性通常较低；并且规则模型对文本数据的处理太过粗估或者不对文本数据进行处理，导致文本的信息无法被模型利用起来。

发明内容

本发明的目的在于提供一种贷款预测方法、装置、电子设备和计算机可读存储介质，通过提升了模型的预测能力，提升了预测的结果的准确性。

第一方面，本发明提供一种贷款预测方法，方法包括：获取待预测用户样本；将待预测用户样本输入至预先训练好的贷款预测模型；通过预先训练好的贷款预测模型对待预测用户样本进行预测，得到每个待预测用户样本进行贷款申请的概率，以便对用户的贷款倾向进行预测。

在可选的实施方式中，预先训练好的贷款预测模型的训练步骤，包括：采集用户贷款信息；用户贷款信息包括静态数据和动态数据；静态数据包括用户个人信息；动态数据包括用户登录手机银行APP的用户操作数据；对用户贷款信息进行数据预处理及合并处理，得到的特征集合；基于特征集合对预先选择的贷款预测模型进行训练，直至验证贷款预测模型的模型性能符合预设指标，得到预先训练好的贷款预测模型。

在可选的实施方式中，用户操作数据至少包括登录数据和历史贷款申请数据；方法还包括：确定观测点和观测表现期；基于观测点和观测表现期，确定样本观测区间；在样本观测区间，基于登录数据和历史贷款申请数据，确定贷款样本信息；如果确定用户在样本观测区间内申请过贷款，则将贷款样本信息确定为正样本，反之，则确定为负样本。

在可选的实施方式中，用户贷款信息中的每种数据均对应有相应的主键；对用户贷款信息进行数据预处理及合并处理，得到的特征集合的步骤，包括：对用户贷款信息进行数据探索操作；对数据探索操作后的用户贷款信息进行数据清洗操作，以便对脏数据、缺失值和异常值进行处理；基于用户贷款信息中的每种数据对应的主键将数据清洗操作后的用户贷款信息进行合并处理，以便得到合并后的用户贷款信息；对合并后的用户贷款信息进行特征构建，得到特征集合。

在可选的实施方式中，对合并后的用户贷款信息进行特征构建，得到特征集合的步骤，包括：统计用户登录手机银行APP后的点击操作信息；对点击操作信息进行特征构建操作，得到特征集合；其中，特征构建操作包括特征衍生操作和特征选择操作。

在可选的实施方式中，对点击操作信息进行特征构建操作，得到特征集合的步骤，包括：基于预先选择的自然语言处理模型对点击操作信息进行特征提取，得到衍生后得到的词向量特征；点击操作信息包括用户点击手机银行APP后点击的业务模块和对应的点击时刻；基于预设的特征信息值阈值对衍生后的词向量特征进行特征选择，得到衍生后的特征集合。

在可选的实施方式中，预先选择的贷款预测模型包括极端梯度提升模型；基于特征集合对预先选择的贷款预测模型进行训练，直至验证贷款预测模型的模型性能符合预设指标的步骤，包括：对特征集合进行划分，得到训练样本和验证样本；基于极端梯度提升模型对训练样本进行拟合操作，得到拟合好的极端梯度提升模型；基于拟合好的极端梯度提升模型对验证样本进行预测，直至预设指标符合预设的模型效果；其中，预设指标包括AUC指标。

第二方面，本发明提供一种贷款预测装置，装置包括：样本获取模块，用于获取待预测用户样本；输入模块，用于将待预测用户样本输入至预先训练好的贷款预测模型；模型预测模块，用于通过预先训练好的贷款预测模型对待预测用户样本进行预测，得到每个待预测用户样本进行贷款申请的概率，以便对用户的贷款倾向进行预测。

第三方面，本发明提供一种电子设备，包括处理器和存储器；存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的贷款预测方法的步骤。

第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述前述实施方式任一项的贷款预测方法的步骤。

本发明提供的贷款预测方法、装置、电子设备和计算机可读存储介质，该方法首先获取待预测用户样本，然后将待预测用户样本输入至预先训练好的贷款预测模型，从而通过预先训练好的贷款预测模型对待预测用户样本进行预测，得到每个待预测用户样本进行贷款申请的概率，以便对用户的贷款倾向进行预测。该方式通过预先训练贷款预测模型，提升了模型的预测能力，并通过预先训练好的贷款预测模型对待遇测用户样本进行预测，提升了预测的结果的准确性。

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贷款预测方法的流程示意图；

图2为本发明实施例提供的另一种贷款预测方法的流程示意图；

图3为本发明实施例提供的一种贷款预测装置的结构示意图；

图4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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

考虑到目前大多数银行在进行贷款预测时，采用的模型还是建立在传统的规则模型，然而规则模型的规则通常由业务专家制定，不同的业务专家存在不同的领域见解，因此规则存在主观性，而且规则的效果容易随着时间衰减，导致规则模型的准确性通常较低；并且规则模型对文本数据的处理太过粗估或者不对文本数据进行处理，导致文本的信息无法被模型利用起来。基于此，本发明实施例提供了一种贷款预测方法、装置、电子设备和计算机可读存储介质，提升了模型的预测能力，进而提升了预测的结果的准确性。

为便于理解，首先对本发明实施例提供的一种贷款预测方法进行详细说明，参见图1所示的一种贷款预测方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：

步骤S102，获取待预测用户样本。

为了保证银行可以为贷款业务准确的确定可推荐的目标贷款客户，当银行需要对贷款业务进行推荐时，首先需要获取待预测用户样本。在一种实施方式中，待预测用户样本可以为银行贷款业务的待推荐目标客户群，其中，每个待预测用户样本诸如均可以对应有用户登录手机银行应用程序(Application)APP的登录数据、操作数据(诸如是否点击过贷款功能的相关模块、点击时间以及点击频次等)。

步骤S104，将待预测用户样本输入至预先训练好的贷款预测模型。

在一种实施方式中，预先训练好的贷款预测模型可以为极端梯度提升(eXtremeGradient Boosting，XGBoost)模型，xgboost模型是一个提升树模型，模型训练的目标是最小化目标函数，目标函数参见如下公式(1)：

其中，g

步骤S106，通过预先训练好的贷款预测模型对待预测用户样本进行预测，得到每个待预测用户样本进行贷款申请的概率，以便对用户的贷款倾向进行预测。

在一种实施方式中，将上述确定的待预测用户样本输入至预先训练好的贷款预测模型，可以根据待预测用户样本对应的登录数据、操作数据对用户是否申请贷款的概率进行预测，从而可以对用户的贷款倾向进行预测。

本发明实施例提供的贷款预测方法，通过预先训练贷款预测模型，提升了模型的预测能力，并将获取的待预测用户样本输入至预先训练好的贷款预测模型，从而通过预先训练好的贷款预测模型对待预测用户样本进行预测，得到每个待预测用户样本进行贷款申请的概率，以便对用户的贷款倾向进行预测，提升了预测的结果的准确性。

本发明实施例还提供了另一种贷款预测方法，首先进行模型训练过程，然后通过训练好的模型进行预测得到最终的预测名单，参见图2所示。该方式具体通过进行数据采集、目标定义及数据探索、数据清洗、特征工程、模型训练、判断AUC与阈值的关系，训练得到了训练好的贷款预测模型，然后通过训练好的贷款预测模型进行模型预测，以得到最终名单。

为便于理解，对本实施例提供的预先训练好的贷款预测模型的训练步骤进行详细说明，该训练步骤主要包括以下步骤1至步骤3：

步骤1，采集用户贷款信息；用户贷款信息包括静态数据和动态数据；静态数据包括用户个人信息，用户个人信息诸如可以包括用户的姓名、性别、职业、家庭住址等数据；动态数据包括用户登录手机银行APP的用户操作数据，用户操作数据至少包括登录数据和历史贷款申请数据，在一种实施方式中，用户操作数据可以包括诸如手机银行APP登录数据、信用卡交易数据、理财交易数据、行内资产数据、历史贷款申请数据等。此外，在采集到用户贷款信息中的各个数据源后，还可以建立每个数据源中的主键，从而可以根据每个数据源中的主键对每个用户的多种数据进行合并。

进一步，为了确定用户在登陆手机银行之后的某个时间窗内是否申请了贷款，还可以通过确定贷款样本信息的方式进行判断。在一种实施方式中，可以首先确定观测点(也可以称为观察点)和观测表现期，观测点可以是具体的一个时间点，也可以是某一个时间段，时间段的选择可以根据实际需求设定，诸如时间段可以为2020.12.1-2020.12.30。观测表现期为观察样本表现的时间窗口长度。基于观测点和观测表现期，确定样本观测区间，进而在样本观测区间，基于登录数据和历史贷款申请数据，确定贷款样本信息，如果确定用户在样本观测区间内申请过贷款，则将贷款样本信息确定为正样本，反之，则确定为负样本。

为便于理解，诸如可以假设观测点为T，如2020.12.1日，假设表现期窗口长度为15天，那么在T天登陆过手机银行并且T天之前没有过贷款申请记录的且在[T，T+15]天之内申请了贷款的用户样本(也即贷款样本信息)作为正样本赋值为1，在T天登陆过手机银行且在T天之前没有过贷款申请记录的且在[T，T+15]天之内没有申请贷款的用户样本(也即贷款样本信息)作为负样本赋值为0。

步骤2，对用户贷款信息进行数据预处理及合并处理，得到的特征集合。在一种实施方式中，用户贷款信息中的每种数据均对应有相应的主键。该步骤具体可以包括步骤2.1至步骤2.4：

步骤2.1，对用户贷款信息进行数据探索操作。数据探索操作也即数据探索性分析(Exploratory Data Analysis，EDA)，其主要目的是了解数据的大体情况，以便更加准确的对数据进行预处理操作。其中，数据的大体情况可以包括诸如每个字段的缺失值情况、异常值情况、平均值、中位数、最大值、最小值、分布情况等。

步骤2.2，对数据探索操作后的用户贷款信息进行数据清洗操作，以便对脏数据、缺失值和异常值进行处理。数据清洗操作也即对原始数据中脏数据、缺失值、异常值进行处理，诸如，对于缺失值的处理方法是删除缺失率超过给定阈值的变量列，对于缺失率少于阈值的可通过将缺失样本作为预测值，使用随机森林来预测该值进行填充，也可直接对缺失值进行填充。对于异常值的处理是将异常值作为一种状态使用特殊的标识进行填充，也可以将异常值直接剔除。

步骤2.3，基于用户贷款信息中的每种数据对应的主键将数据清洗操作后的用户贷款信息进行合并处理，以便得到合并后的用户贷款信息。合并后的用户贷款信息也即包括用户的个人信息以及和贷款相关的数据信息，通过主键进行合并，将每个用户的多种数据信息合并为对应该用户的一个信息。

步骤2.4，对合并后的用户贷款信息进行特征构建，得到特征集合。该步骤进一步可以包括步骤2.4.1和步骤2.4.2：

步骤2.4.1，统计用户登录手机银行APP后的点击操作信息，点击操作信息诸如可以包括用户点击手机银行APP后点击的业务模块和对应的点击时刻，该业务模块中可能包括有贷款业务模块，也可能未包括贷款业务模块，根据用户实际点击的情况进行确定。

步骤2.4.2，对点击操作信息进行特征构建操作，得到特征集合；其中，特征构建操作也即对数据进行特征工程，特征工程主要由包括特征衍生操作和特征选择操作。衍生的特征主要包括以下三种特征：①基础统计特征：用户总的点击次数、用户有多少天点击、用户平均每日点击次数、用户各类行为次数、用户各类行为次数对总次数占比等；②离散特征：用户在各个周几的点击量、用户在各个小时的点击量等；③时序相关特征：用户点击的时间间隔、用户最大连续点击次数、用户最后一次点击距当天天数等。当采集到以上特征时，可以进一步通过以下步骤2.4.2.1至步骤2.4.2.2进行处理：

步骤2.4.2.1，基于预先选择的自然语言处理模型对点击操作信息进行特征提取，得到衍生后得到的词向量特征。由于手机银行APP登录数据是文本数据，因此需要引入自然语言(Natural Language Processing，NLP)技术来进行特征的提取。通常对于文本数据的特征提取可以使用bag-of-word模型如TF-IDF(term frequency–inverse documentfrequency)是一种用于信息检索与数据挖掘的常用加权技术，其中，TF是词频(TermFrequency)，IDF是逆文本频率指数(Inverse Document Frequency)，但是由于TF-IDF无法考虑行为的顺序同时其提取出的特征维度和bag-of-word模型的词典表大小挂钩，同时还面临稀疏性(sparsity)问题(也即特征中大多是值都是0，只有少部分值为非0元素)，因此本实施例预先选择的自然语言处理模型可以为word2vec(word to vector)模型，通过word2vec来进行特征的提取。在具体的特征提取时，首先使用窗口函数统计每个用户在过去一段时间内的登陆行为上下文(context)，得到行为序列，然后将每个文本context看成一个词，一个用户的所有操作行为构成了行为序列。诸如参见表1：

表1上下文行为序列构造示意表

上述表格示意了例子：当用户user2在2020/12/1/23:26通过手机银行app登录并点击了贷款查询模块，该贷款查询模块的CONTEXTID为338-115-119，之后的时间该用户继续在手机银行内操作，并依次点击了520-908-987、338-115-119、520-908-987、338-115-119、556-098-123、520-908-987、338-115-119这些模块。因此形成了user2的点击序列【338-115-119、520-908-987、338-115-119、520-908-987、338-115-119、556-098-123、520-908-987、338-115-119】。观察该序列，user2一共点击了3种不同的模块名称，因此将338-115-119重命名为word1，520-908-987重命名为word2，556-098-123重命名为word3。则上述对于用户user2通过Word2vec进行词向量转换后的点击行为序列，则变为【word1,word2,word1,word2,word1,word3,word2,word1】。

步骤2.4.2.2，基于预设的特征信息值阈值对衍生后的词向量特征进行特征选择，得到衍生后的特征集合。

在一种实施方式中，特征选择的方式可以首先训练一个LightGBM模型，得到上述每个特征的重要性评分，然后过滤掉重要性评分为0的特征。其次计算特征信息值，特征信息值也即IV(Information Value)值，然后过滤掉IV值小于预设的特征信息值阈值(诸如可以为0.02)的特征。IV值的计算公式如下式(2)所示:

其中WOE

对应的IV值为每个变量分箱的IV值之和，如下式(4)所示：

其中，

p

p

#B

#G

#B

#G

至此，通过特征衍生和特征选操作得到了最终的特征集合。

步骤3，基于特征集合对预先选择的贷款预测模型进行训练，直至验证贷款预测模型的模型性能符合预设指标，得到预先训练好的贷款预测模型。在一种实施方式中，预先选择的贷款预测模型包括极端梯度提升模型，预设指标包括AUC指标，也即ROC曲线下的面积(area under the curve，AUC)。对极端梯度提升模型进行训练验证时，可以首先对特征集合进行划分，得到训练样本和验证样本，然后基于极端梯度提升模型(也即XGBoost模型)对训练样本进行拟合操作，直至XGBoost模型的目标函数最小，以得到拟合好的XGBoost模型，然后基于拟合好的XGBoost模型对验证样本进行预测，直至预设指标符合预设的模型效果，也即使得AUC指标符合预设的模型效果，预设的模型效果可以根据实际的需求进行设定，诸如为了提升模型的预测准确性，预设的模型效果可以为使得模型的预测结果的置信率尽可能高。在一种实施方式中，如若AUC指标符合预期那么模型训练结束，否则重新训练模型或再次进行特征的衍生，直至模型训符合预期。

进一步，得到预先训练好的贷款预测模型后，对待预测用户样本进行预测，得到每个样本在登陆手机银行APP后指定时间段内(诸如未来15天，可以根据模型训练时的观测表现期进行对应的调整)进行贷款申请的概率，进而可以根据得到的概率选取概率最高的若干个样本作为最后后续需要进行商业动作的样本名单。

本发明还提供了一种贷款预测装置，参见图3所示的一种贷款预测装置的结构示意图，该贷款预测装置包括以下部分：

样本获取模块302，用于获取待预测用户样本；

输入模块304，用于将待预测用户样本输入至预先训练好的贷款预测模型；

模型预测模块306，用于通过预先训练好的贷款预测模型对待预测用户样本进行预测，得到每个待预测用户样本进行贷款申请的概率，以便对用户的贷款倾向进行预测。

本发明实施例提供的贷款预测装置，通过预先训练贷款预测模型，提升了模型的预测能力，并将获取的待预测用户样本输入至预先训练好的贷款预测模型，从而通过预先训练好的贷款预测模型对待预测用户样本进行预测，得到每个待预测用户样本进行贷款申请的概率，以便对用户的贷款倾向进行预测，提升了预测的结果的准确性。

在一种实施方式中，上述装置还包括模型训练模块，用于采集用户贷款信息；述用户贷款信息包括静态数据和动态数据；静态数据包括用户个人信息；动态数据包括用户登录手机银行APP的用户操作数据；对用户贷款信息进行数据预处理及合并处理，得到的特征集合；基于特征集合对预先选择的贷款预测模型进行训练，直至验证贷款预测模型的模型性能符合预设指标，得到预先训练好的贷款预测模型。

在一种实施方式中，用户操作数据至少包括登录数据和历史贷款申请数据；上述模型训练模块进一步用于，确定观测点和观测表现期；基于观测点和观测表现期，确定样本观测区间；在样本观测区间，基于登录数据和历史贷款申请数据，确定贷款样本信息；如果确定用户在样本观测区间内申请过贷款，则将贷款样本信息确定为正样本，反之，则确定为负样本。

在一种实施方式中，用户贷款信息中的每种数据均对应有相应的主键；上述模型训练模块，进一步用于对用户贷款信息进行数据探索操作；对数据探索操作后的用户贷款信息进行数据清洗操作，以便对脏数据、缺失值和异常值进行处理；基于用户贷款信息中的每种数据对应的主键将数据清洗操作后的用户贷款信息进行合并处理，以便得到合并后的用户贷款信息；对合并后的用户贷款信息进行特征构建，得到特征集合。

在一种实施方式中，上述模型训练模块，进一步用于统计用户登录手机银行APP后的点击操作信息；对点击操作信息进行特征构建操作，得到特征集合；其中，特征构建操作包括特征衍生操作和特征选择操作。

在一种实施方式中，上述模型训练模块，进一步用于基于预先选择的自然语言处理模型对点击操作信息进行特征提取，得到衍生后得到的词向量特征；点击操作信息包括用户点击手机银行APP后点击的业务模块和对应的点击时刻；基于预设的特征信息值阈值对衍生后的词向量特征进行特征选择，得到衍生后的特征集合。

在一种实施方式中，预先选择的贷款预测模型包括极端梯度提升模型；上述模型训练模块，进一步用于对特征集合进行划分，得到训练样本和验证样本；基于极端梯度提升模型对训练样本进行拟合操作，得到拟合好的极端梯度提升模型；基于拟合好的极端梯度提升模型对验证样本进行预测，直至预设指标符合预设的模型效果；其中，预设指标包括AUC指标。

本发明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方法实施例相同，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。该电子设备诸如可以为智能手机、PC电脑、银行业务移动终端等等。

图4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40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41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43(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42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4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41用于存储程序，所述处理器40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40中，或者由处理器40实现。

处理器40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40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40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41，处理器40读取存储器41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贷款预测方法、装置、电子设备和计算机可读存储介质的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。

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：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。