金融数据样本分类方法、装置、计算机设备及存储介质

技术领域

本申请涉及金融数据分类或者医疗数据分类技术领域，尤其涉及一种金融数据样本分类方法、装置、计算机设备及存储介质。

背景技术

随着人工智能技术的发展与兴起，许多保险公司通过投喂大量数据投喂网络模型，使训练后的网络模型可以支持疾病辅助诊断、健康管理等功能。目前互联网上存在海量的金融领域的相关文字数据，例如金融领域的相关文字数据包括了信托证券、贷款、利率等。如果运用这些文字数据进行训练模型时，需要耗费大量的人力去标注样本再进行分类，然后利用这些分类后的样本训练模型，人力成本很高。这就导致开发人员需要开发某种模型时，会耗费大量的时间与精力。

发明内容

为了解决或者部分解决上述问题，本申请提供了一种金融数据样本分类方法、装置、计算机设备及存储介质，以能够快速对不同的语料样本进行分类。

第一方面，本申请提供了一种金融数据样本分类方法，所述方法包括：

获取由不同金融数据训练样本训练得到的第一多语言模型、第二多语言模型以及第三多语言模型；

获取第一多语言模型的第一分类准确率、第二多语言模型的第二分类准确率、第三多语言模型的第三分类准确率，所述第一分类准确率、第二分类准确率、第三分类准确率分别为对应多语言模型输出结果的准确率；

基于所述第一分类准确率、第二分类准确率、第三分类准确率，确定所述第一多语言模型的第一分类权重、所述第二多语言模型的第二分类权重以及所述第三多语言模型的第三分类权重；

将金融数据样本输入至确定权重后的第一多语言模型、第二多语言模型以及第三多语言模型，通过确定权重后的第一多语言模型、第二多语言模型以及第三多语言模型根据对应的权重关系，输出分类结果。

第二方面，本申请还提供了一种样本分类装置，所述装置包括：

获取模块，用于获取由不同金融数据训练样本训练得到的第一多语言模型、第二多语言模型以及第三多语言模型；

分类准确率模块，用于获取第一多语言模型的第一分类准确率、第二多语言模型的第二分类准确率、第三多语言模型的第三分类准确率，所述第一分类准确率、第二分类准确率、第三分类准确率分别为对应多语言模型输出结果的准确率；

权重模块，用于基于所述第一分类准确率、第二分类准确率、第三分类准确率，获取所述第一多语言模型的第一分类权重、所述第二多语言模型的第二分类权重以及所述第三多语言模型的第三分类权重；

输出模块，用于将金融数据样本输入至确定后的第一多语言模型、第二多语言模型以及第三多语言模型，通过确定后的第一多语言模型、第二多语言模型以及第三多语言模型根据对应的权重关系，输出分类结果。

第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的金融数据样本分类方法。

第四方面，本申请还提供了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计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的金融数据样本分类方法。

本申请公开了一种金融数据样本分类方法、装置、计算机设备及存储介质，该方法通过不同金融数据样本训练得到第一多语言模型、第二多语言模型、第三多语言模型，然后根据第一多语言模型、第二多语言模型、第三多语言模型的权重，通过确定权重后的所述第一多语言模型、所述第二多语言模型、所述第三多语言模型输出分类结果；因不同金融数据样本训练得到的第一多语言模型、第二多语言模型、第三多语言模型，可以从不同角度挖掘出金融领域相关数据彼此之间的区别，从而能够快速、准确地对金融数据进行分类，并解决了金融数据进行标注分类需要耗费大量人力与精力的问题。

附图说明

为了更清楚地说明本申请实施例技术方案，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他的附图。

图1是本申请的实施例提供的一种金融数据样本分类方法的场景流程图；

图2是本申请的实施例提供的一种金融数据样本分类方法的步骤流程图；

图3是本申请的实施例提供的一种金融数据样本分类方法的第一子步骤示意流程图；

图4是本申请的实施例提供的一种金融数据样本分类方法的第二子步骤示意流程图；

图5是本申请的实施例提供的一种金融数据样本分类方法的第三子步骤示意流程图；

图6为本申请的实施例提供的一种金融数据样本分类装置的示意性框图；

图7为本申请的实施例提供的一种计算机设备的结构示意性框图。

具体实施方式

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。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本申请发明人发现，目前互联网上存在海量的医疗领域或者金融领域的相关文字数据，为了能够充分利用这些数据，许多公司会标注这些文字数据进行分类，然后利用这些分类后的样本训练模型。例如，一些公司利用寿险相关的数据(例如个人健康档案上的数据、处方上的数据、检查报告上的数据)去训练模型，使模型根据用户的身份信息，并向用户提供合适的保险项目。而实际上，因为互联网上存在的大量保险业务相关数据或者金融领域(例如交易订单、贷款等)相关的数据，往往需要耗费大量的人力去标注。而且，对于寿险或者金融领域，很多数据都是中英文的，例如，人身保险或者Personal insurance等，这些都是经常遇到的，甚至还可能会遇到一些少数民族语言。对于一般的语言模型来说，是无法识别不同类型的语言的。

有鉴于此，本申请的实施例提供了一种金融数据样本分类方法、装置、计算机设备及存储介质。其中，该金融数据样本分类方法可以应用于数据处理平台上，所述方法包括：获取由不同金融数据训练样本训练得到的第一多语言模型、第二多语言模型以及第三多语言模型；获取第一多语言模型的第一分类准确率、第二多语言模型的第二分类准确率、第三多语言模型的第三分类准确率，所述第一分类准确率、第二分类准确率、第三分类准确率分别为对应多语言模型输出结果的准确率；基于所述第一分类准确率、第二分类准确率、第三分类准确率，获取所述第一多语言模型的第一分类权重、所述第二多语言模型的第二分类权重以及所述第三多语言模型的第三分类权重；将金融数据样本输入至确定后的第一多语言模型、第二多语言模型以及第三多语言模型，通过确定后的第一多语言模型、第二多语言模型以及第三多语言模型根据对应的权重关系，输出分类结果。本申请通过确定相应权重后的所述第一多语言模型、所述第二多语言模型、所述第三多语言模型输出分类结果；不同金融数据样本训练得到的第一多语言模型、第二多语言模型、第三多语言模型，可以更好的从不同角度挖掘数据彼此之间的区别，从而更好的对数据进行分类，解决了数据进行标注分类需要耗费大量人力与精力的问题。也就是说，本申请所提供的金融数据样本分类方法可以利用不同语言间的共性表示，可从不同角度挖掘数据和标签间的关系。融合这3个模型的结果，可以更好地对不同语言之间的分类。

下面结合附图，对本申请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。

请参阅图1、图2所示，图1是本申请的实施例提供的一种金融数据样本分类方法的场景流程图；图2是本申请的实施例提供的一种金融数据样本分类方法的步骤流程图；该金融数据样本分类方法可以应用于数据处理平台上，数据处理平台可以是常用的金融平台；所述方法包括：步骤S100-S400。

步骤S100、获取由不同类型的金融数据训练样本训练得到的第一多语言模型、第二多语言模型以及第三多语言模型。

其中，金融数据训练样本为一种语料样本，可以直接从网上获取。不同类型的金融数据训练样本可以包括不同语言的表现形式。

具体地，金融数据训练样本可以包括个人档案上的文字表述、处方上的文字表述、票据上的文字表述、订单数据、支付数据等等。

此外，第一多语言模型、第二多语言模型、第三多语言模型可以是基于XML(Extentsible Markup Language，可扩展标记语言)模型训练得到，XML模型可统一编码多种语言。通过使用多语言模型，可以很好的处理包括英语、汉语甚至少数民族语音的语料数据。

上述方案中，通过不同的金融数据训练语料来训练XML模型，得到第一多语言模型、第二多语言模型、第三多语言模型；该训练过程中，通过不同类型的通过金融数据训练语料训练相应的XML模型，得到了第一多语言模型、第二多语言模型、第三多语言模型；而第一多语言模型、第二多语言模型、第三多语言模型的结合使用，可以使结合后的模型具有不同语言间的共性表示，这样可以使第一多语言模型、第二多语言模型、第三多语言模型可以更好地识别不同语料的共性，从而更加精准的给不同语料分类。

第一语言模型、第二语言模型、第三语言模型是通过不同类型的语料训练得到，这样可以构造三种不同的多语言分类模型。这样可以避免一种或者同类型的多种模型进行分类时，无法识别出同一种近似的待分类样本的问题。也就是说，通过三种不同的多语言分类模型待分类的金融数据样本进行分类，利用了不同的多语言分类模型的共性特点，可以更准确地提高分类结果。

步骤S200、获取第一多语言模型的第一分类准确率、第二多语言模型的第二分类准确率、第三多语言模型的第三分类准确率，所述第一分类准确率、第二分类准确率、第三分类准确率分别为对应多语言模型输出结果的准确率。

其中，在一定程度上，分类准确率可以用来表示第一多语言模型、第二多语言模型、第三多语言模型输出结果的准确程度。

步骤S300、基于所述第一分类准确率、第二分类准确率、第三分类准确率，获取所述第一多语言模型的第一分类权重、所述第二多语言模型的第二分类权重以及所述第三多语言模型的第三分类权重。

在上述方案中，确定第一多语言模型、第二多语言模型、第三多语言模型的分类准确率的权重后，将权重作为第一多语言模型、第二多语言模型、第三多语言模型输出参数，此时第一多语言模型、第二多语言模型、第三多语言模型可以作为一个完整的模型，这样可以提高第一多语言模型、第二多语言模型、第三多语言模型的分类准确率的分类结果。

步骤S400、将金融数据样本输入至确定后的第一多语言模型、第二多语言模型以及第三多语言模型，通过确定后的第一多语言模型、第二多语言模型以及第三多语言模型根据对应的权重关系，输出分类结果。

通过将待分类的数据输入至设置好权重的第一多语言模型、第二多语言模型、第三多语言模型中，然后由第一多语言模型、第二多语言模型、第三多语言模型输出分类结果，这样可以大大提高数据增加标签进行分类的速度，并确保了输出更加精确的分类结果。

示例性的，第一多语言模型、第二多语言模型、第三多语言模型的权重可以分别设置为0.3、0.3、0.4。将同一批待分类的语句样本(例如为寿险领域中常用的人身保险是多少钱、Personal insurance、财产险保险是哪些等)分别输入第一多语言模型、第二多语言模型、第三多语言模型，第一多语言模型、第二多语言模型、第三多语言模型输出的分类结果，并融合权重系数，得到更加准确的分类结果。

在一些实施例中，参见图3所示，图3是本申请的实施例提供的一种金融数据样本分类方法的第一子步骤示意流程图；在所述获取第一多语言模型的第一分类准确率，包括：步骤S101-S103。

步骤S101、获取金融数据样本

其中，其中

步骤S102、将所述金融数据样本输入第一多语言模型中，通过所述第一多语言模型输出第一预设阈值次数的第一预测分类结果；其中，所述第一多语言模型由事先准备的金融数据训练样本输入待训练的xml模型中训练得到。步骤S103、统计所述第一预测分类结果与预先得到的实际分类结果相同的次数，并获取所述次数与第一预设阈值的比值，得到第一分类准确率。

上述方案中，通过将金融数据训练样本反复投喂至待训练的xml模型中，不断的调整xml模型的参数，使训练后的xml模型可以输出准确的分类结果，最终得到第一多语言模型。

获取第二多语言模型，包括：获取金融数据目标语言，并从所述金融数据目标语言筛选出未标注的金融语料。其中，金融数据目标语言中大多数数据为未进行标注的语料样本。获取所述未标注的金融语料的标签信息，将所述未标注的金融语料与标签信息输入待训练的xml模型中，训练得到第二多语言模型。

上述方案中，通过第一多语言模型给未标注的金融语料样本添加标签，得到标签信息，未标注的金融语料与标签信息作为一组数据反复投喂至xml模型中，不断的调整xml模型的参数，使训练后的xml模型可以输出准确的分类结果，最终得到第二多语言模型。

在一些实施例中，参见图4所示，图4是本申请的实施例提供的一种金融数据样本分类方法的第二子步骤示意流程图；在所述获取第二多语言模型的第二分类准确率的步骤之前，还包括步骤S104-S106。

步骤S104、获取未标注的金融语料。步骤S105、将所述未标注的金融语料输入所述第一多语言模型，通过所述第一多语言模型处理得到所述未标注的金融语料的预测标签信息。步骤S106、将所述未标注的金融语料与所述预测标签信息输入第二多语言模型中，得到预测的分类结果。

将未标注的金融语料输入至第一多语言模型中得到标签信息，通过第一多语言模型，将未标注的金融语料进行分类，得每个语料分类的标签信息。

进一步的，所述获取所述第二分类准确率，包括：获取所述第二多语言模型输出第二预设阈值次数的第二预测分类结果；统计所述第二预测分类结果与预先得到的实际分类结果相同的次数，并获取所述次数与第二预设阈值的比值，得到第二分类准确率。

获取第三多语言模型，包括：将所述金融数据训练样本通过翻译模型翻译，得到翻译语料样本。将所述翻译语料样本输入待训练的xml模型中，训练得到第三多语言模型。

其中，翻译模型可以是预先训练好的，金融数据训练样本输入至预先训练的翻译模型，翻译模块可以将金融数据训练样本的英语翻译成汉语，或者将其中的一些小语种或者少数民族语言翻译成汉语，方便得到统一语言的样本，即可以得到翻译语料样本。

具体而言，金融数据训练样本

在一些实施例中，参见图5所示，图5是本申请的实施例提供的一种金融数据样本分类方法的第三子步骤示意流程图；在所述获取第三多语言模型的第三分类准确率的步骤之前，还包括步骤S107-S108。

步骤S107、将所述金融数据样本通过翻译模型翻译，得到翻译语料样本；步骤S108、将所述翻译语料样本输入第三语言模型，以输出第三预测分类结果。

第三语言模型是通过翻译模型训练得到的，对于一些英文或者其他语言类型的语料，经过第三语言模型可以翻译为汉语或者其他统一的语言，基于此，可以更为方便且准确地对语料进行分类。

进一步地，所述获取所述第一多语言模型的第一分类权重、所述第二多语言模型的第二分类权重以及所述第三多语言模型的第三分类权重，包括：获取第一分类准确率、第二分类准确率、第三分类准确率的比值，得到所述第一分类权重、所述第二分类权重、所述第三分类权重。

此外，确定第一分类准确率、第二分类准确率、第三分类准确率还可以包括：当第一多语言模型输出的分类结果准确率与第二多语言模型输出的分类结果准确率相同，第一多语言模型输出的分类结果准确率、第二多语言模型输出的分类结果准确率均低于第三多语言模型输出的分类结果准确率时，则将第三多语言模型的第三分类权重设置高于第一分类权重、第二分类权重，且第一分类权重、第二分类权重、第三分类权重之和可以为一。例如，可以将第一多语言模型、第二多语言模型、第三多语言模型的权重可以分别设置为0.3、0.3、0.4。这样设置，充分考虑到第一多语言模型、第二多语言模型、第三多语言模型之间的精度，能够更好地得到一个准确的分类结果。

进一步的，在本申请实施例中，还可以包括：抽取第一多语言模型、第二多语言模型以及第三多语言模型中每一层transformer的输出，通过softmax函数进行对所述第一分类权重、第二分类权重、第三分类权重进行归一化处理，并将归一化处理后的第一分类权重、第二分类权重、第三分类权重分配给相应的第一多语言模型、第二多语言模型以及第三多语言模型，

然后将第一分类权重、第二分类权重、第三分类权重，分别与第一多语言模型、第二多语言模型以及第三多语言模型上的transformer的输出构造加权求和的输出模块。当输入金融数据时，最终通过输出模块，对金融数据进行分类，得到分类结果。

其中，归一化处理的方式可以为线性归一化、批归一化或者其他方式。

通过上述实施例，不同样本训练得到的第一多语言模型、第二多语言模型、第三多语言模型，可以更好的从不同角度挖掘出数据彼此之间的区别，从而更好的对数据进行分类，解决了数据进行标注分类需要耗费大量人力与精力的问题。还利用了多语言模型的特征空间表示以及翻译模型，用不同方式构造了3种多语言分类模型，并利用确定权重通过融合机制预测样本的类别，使待分类语言在零样本的情况下可以取得非常好的分类效果。

参见图6所示，图6为本申请的实施例提供的一种金融数据样本分类装置的示意性框图；该金融数据样本分类装置用于执行前述的金融数据样本分类方法。其中，该金融数据样本分类装置可以配置于服务器。

如图6所示，该金融数据样本分类装置400，包括：

获取模块401，用于获取由不同金融数据训练样本训练得到的第一多语言模型、第二多语言模型以及第三多语言模型；分类准确率模块402，用于获取第一多语言模型的第一分类准确率、第二多语言模型的第二分类准确率、第三多语言模型的第三分类准确率，所述第一分类准确率、第二分类准确率、第三分类准确率分别为对应多语言模型输出结果的准确率；权重模块403，用于基于所述第一分类准确率、第二分类准确率、第三分类准确率，确定所述第一多语言模型的第一分类权重、所述第二多语言模型的第二分类权重以及所述第三多语言模型的第三分类权重；输出模块404，用于将金融数据样本输入至确定权重后的第一多语言模型、第二多语言模型以及第三多语言模型，通过确定权重后的第一多语言模型、第二多语言模型以及第三多语言模型根据对应的权重关系，输出分类结果。

在本申请实施例所提供的金融数据样本分类装置400中，所述分类准确率模块402在执行获取第一多语言模型的第一分类准确率的步骤时，包括：

获取金融数据样本；将所述金融数据样本输入第一多语言模型中，通过所述第一多语言模型输出第一预设阈值次数的第一预测分类结果；统计所述第一预测分类结果与预先得到的实际分类结果相同的次数，并获取所述次数与第一预设阈值的比值，得到第一分类准确率。

在本申请实施例所提供的金融数据样本分类装置400中，所述分类准确率模块402在执行所述获取第二多语言模型的第二分类准确率的步骤之前，包括：

获取未标注的金融语料；将所述未标注的金融语料输入所述第一多语言模型，通过所述第一多语言模型处理得到所述未标注的金融语料的预测标签信息；将所述未标注的金融语料与所述预测标签信息输入第二多语言模型中，得到预测的分类结果。

在本申请实施例所提供的金融数据样本分类装置400中，所述分类准确率模块402在执行获取所述第二分类准确率的步骤时，包括：

获取所述第二多语言模型输出第二预设阈值次数的第二预测分类结果；统计所述第二预测分类结果与预先得到的实际分类结果相同的次数，并获取所述次数与第二预设阈值的比值，得到第二分类准确率。

在本申请实施例所提供的金融数据样本分类装置400中，所述分类准确率模块402在执行所述获取第三多语言模型的第三分类准确率的步骤之前，包括：

将所述金融数据样本通过翻译模型翻译，得到翻译语料样本；将所述翻译语料样本输入第三语言模型，以输出第三预测分类结果。

在本申请实施例所提供的金融数据样本分类装置400中，所述权重模块403在执行所述获取所述第一多语言模型的第一分类权重、所述第二多语言模型的第二分类权重以及所述第三多语言模型的第三分类权重的步骤时，包括：

获取第一分类准确率、第二分类准确率、第三分类准确率的比值，得到所述第一分类权重、所述第二分类权重、所述第三分类权重。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。

请参阅图7，图7是本申请的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。

参阅图7，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种金融数据样本分类方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种金融数据样本分类方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

获取第一多语言模型、第二多语言模型、第三多语言模型，其中，所述第一多语言模型、所述第二多语言模型、所述第三多语言模型由不同金融数据训练样本训练得到；确定所述第一多语言模型、所述第二多语言模型、所述第三多语言模型的权重；将待分类的金融数据样本输入至确定权重后的所述第一多语言模型、所述第二多语言模型、所述第三多语言模型，以输出分类结果。

在一个实施例中，所述处理器在实现所述获取第一多语言模型，包括：

获取金融数据训练样本；将所述金融数据训练样本输入待训练的xml模型中，训练得到第一多语言模型。

在一个实施例中，所述处理器在实现所述获取第二多语言模型时，包括：

获取金融数据目标语言，并从所述金融数据目标语言筛选出未标注的金融语料；获取所述未标注的金融语料的标签信息，将所述未标注的金融语料与标签信息输入待训练的xml模型中，训练得到第二多语言模型。

在一个实施例中，所述处理器在实现所述获取所述未标注的金融语料的标签信息时，包括：

将所述未标注的金融语料输入至所述第一多语言模型中得到标签信息。

在一个实施例中，所述获取第三多语言模型时，包括：

将所述金融数据训练样本通过翻译模型翻译，得到翻译语料样本；将所述翻译语料样本输入待训练的xml模型中，训练得到第三多语言模型。

在一个实施例中，所述处理器在实现通过所述确定所述第一多语言模型、所述第二多语言模型、所述第三多语言模型的权重时，包括：

获取第一多语言模型、第二多语言模型、第三多语言模型的分类准确率；

基于所述第一多语言模型、所述第二多语言模型、所述第三多语言模型的分类准确率，获取所述第一多语言模型、所述第二多语言模型、所述第三多语言模型的权重。

本申请的实施例中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计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项金融数据样本分类方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。