一种信贷控制方法、装置、设备及存储介质

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种信贷控制方法、装置、设备及存储介质。

背景技术

度量与控制风险在商业活动中十分重要，尤其是在金融市场。例如，在信贷问题上，银行一般需要对对应企业进行深入洞察，对其信用进行评级，从而进行信贷控制。由此可以降低风险，优化运营，抵御面临的预期和非预期损失。

相关技术中，没有考虑不同行业的风险信用的特殊性，因此，对企业信用等级的评级不太合理，从而信贷控制也会不太合理。

发明内容

本发明提供了一种信贷控制方法，以解决对企业信用评估不深入的问题。

根据本发明的一方面，提供了一种信贷控制方法，包括：

获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据；

基于所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据确定所述待测企业的信用等级；

基于所述信用等级确定对应的贷款决策。

根据本发明的另一方面，提供了一种信贷控制装置，包括：

获取模块，用于获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据；

第一确定模块，用于基于所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据确定所述待测企业的信用等级；

第二确定模块，用于基于所述信用等级确定对应的贷款决策。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的信贷控制方法。

根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信贷控制方法。

本发明实施例的技术方案，通过获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据；基于所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据确定所述待测企业的信用等级；基于所述信用等级确定对应的贷款决策。本发明通过获取待测企业的行业信息建立了更加贴合现实经济活动的评估体系，有效解决了对企业风险评估不深入的问题，从而降低了银行贷款风险，优化了运营效率，减少御了潜在损失。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例一提供的一种信贷控制方法的流程图；

图2为本发明实施例二提供的另一种信贷控制方法的流程图；

图3为本发明实施例二提供的一种数据集组成图；

图4为本发明实施例二提供的一种信用评估的流程图；

图5为本发明实施例二提供的一种生成信用等级的流程图；

图6为本发明实施例三提供的又一种信贷控制方法的流程图；

图7为本发明实施例四提供的一种信贷控制装置的结构示意图；

图8为本发明实施例五提供的一种电子设备结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

传统的人工洞察法，由银行工作人员根据行内信息、工商信息、企业财报等公开信息综合研判。在基于人工的信用评估过程中，一方面，银行工作人员对于企业客户的信息来自于行内登记信息、工商信息、企业财报等信息，数据之间缺乏关联性和实时性，对于数据价值的利用率很低。另一方面，大多数信用评估模型的目标对象为个人用户，对企业客户进行信用评估的方法较少。此外，大多数信用评估模型评估或者打分依据是根据客户独立的基本信息、交易信息等来进行评估，没有考虑到不同行业的信用特殊性，对于征信数据、工商基本数据、企业财报、交易信息、控制人变动信息、舆情信息、社交网络日志、行业异动信息、行业政策信息等全方位信息的整合度不足。为了实现上述目的，本发明提出了下述各实施例阐述的信贷控制方法。充分利用现有的企业金融风险数据，包括工商数据、财务数据、移动信息、舆情数据等，根据企业所属的行业特点对其金融信用进行评级。

实施例一

图1为本发明实施例一提供的一种信贷控制方法的流程图，本实施例可适用于银行对企业客户贷款发放前信用评估的情况，该方法可以由信贷控制装置来执行，该信贷控制装置可以采用硬件和/或软件的形式实现，该信贷控制装置可配置于电子设备中。

如图1所示，该方法包括：

步骤110、获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据。

其中，待测企业可以是银行的企业客户。行业信息可以包括企业所属行业。企业上市板块信息可以包括企业上市板块、企业变更信息、市盈率。金融业务数据可以包括企业工商信息、企业财务数据、竞争力分析信息、关系生态信息、风险信息、经营信息、投融资状况信息、舆情数据以及企业实体编码信息。具体的，银行可以根据企业客户的企业实体编码查询对应的行业信息、企业上市板块信息以及金融业务数据。

具体的，加入行业信息可以使得信用评估结果更加贴合实际。

步骤120、基于所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据确定所述待测企业的信用等级。

其中，待测企业的信用等级可以是按照预设标准自定义的信用等级。例如，可以将信用等级从高到低依次分为：A+、A、A-、B+、B、B-。

在本发明实施例中，可以将待测企业所属的行业信息以及企业上市板块信息输入到回归模型中，得到行业板块系数，并将行业板块信息和待测企业的金融业务数据输入到分类模型中，得到待测企业的信用等级。由此，通过考虑待测企业所属的行业信息，确定待测企业的信用等级，可以考虑到银行对不同行业的企业的风险容忍度，使对企业的评估更加合理，更加贴合实际情况。

在本发明实施例中，还可以将企业客户所属的行业信息、企业上市板块信息以及金融业务数据输入到预先训练好的机器学习模型中，输出对应的信用等级。相比于传统的人工评估，通过模型进行信用评估标准统一，也更加可控，减少了主观因素的干扰，综合考虑的信息也更加全面客观，使企业评估更加合理，同时还能加快审核速度，提高效率。

目前，不同行业有不同的成长速度，有的行业属于夕阳产业，市场份额增长属于稳定期(例如钢铁行业、建筑行业)；有的行业属于新兴行业，增长速度很快(如芯片产业、新能源行业)；此外对于不同的行业的产业扶持政策也不尽相同。因此银行对于不同行业的企业的风险容忍度也不尽相同，例如各种指标很接近的一家半导体企业和一家钢铁制造企业获得的授信额度也有较大差别。如果将所有的企业按照同一个标准来分析，获得的结果可能会失去行业差异性。本发明实施例中，考虑了行业信息的因素，可以使评级更加贴近实际情况，更加合理。

步骤130、基于所述信用等级确定对应的贷款决策。

其中，贷款决策可以是银行关于是否提供贷款以及如何提供贷款的决策。

具体的，贷款决策与信用等级一一对应，银行可以根据为企业客户评定的信用等级确定是否向该企业客户提供贷款，如果确定提供贷款，贷款决策还可以包括提供贷款的金额、时间、方式等内容。

在本发明实施例的一个实施方式中，可选的，所述基于所述信用等级确定对应的贷款决策，包括：基于信用等级确定对应的授信额度和贷款额度。

其中，授信额度是指银行为客户核定的短期授信业务的存量管理指标。贷款额度是指银行发放贷款的最高计划限额。

由此，通过根据企业客户的信用等级为该企业客户确定与之匹配的授信额度和贷款额度有利于为企业客户提供更加贴合其实际的贷款，进而降低银行的贷款风险，减少潜在损失。本实施例的技术方案，通过获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据；基于所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据确定所述待测企业的信用等级；基于所述信用等级确定对应的贷款决策。本实施例通过获取待测企业的行业信息建立了更加贴合现实经济活动的评估体系，有利于合理评估企业，合理进行信贷控制。

实施例二

图2为本发明实施例二提供的另一种信贷控制方法的流程图，本实施例与上述实施例的基础上对基于所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据确定所述待测企业的信用等级进一步细化。如图2所示，该方法包括：

步骤210、获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据。

步骤220、将所述待测企业所属的行业信息和所述企业上市板块信息输入到已经训练好的回归模型中，得到所述待测企业对应的行业板块系数；其中，所述行业板块系数用于表征对企业风险的容忍度。

具体的，训练好的回归模型可以根据输入的待测企业的信息生成对应的待测企业的行业板块系数。其中，行业板块系数的值域为[0,1]。行业板块系数的值越大代表银行对该待测企业的风险容忍度越高。

在本发明实施例中，在步骤220之前还可以包括对回归模型进行训练，具体的，训练的过程包括：将企业所属的行业信息以及企业上市板块信息形成第一数据集；将所述第一数据集标注行业板块系数，并将标注的所述第一数据集划分为训练集、验证集和测试集；将所述训练集中的企业所属的行业信息和企业上市板块信息对所述回归模型进行训练；通过所述验证集中的企业所属的行业信息和企业上市板块信息对所述回归模型中进行验证；通过所述测试集中的企业所属的行业信息和企业上市板块信息对所述回归模型进行测试，若所述回归模型达到精度要求，得到已经训练好的回归模型。

其中，第一数据集包括企业实体编码、企业所属的行业信息以及企业上市板块信息。

具体的，在训练过程中，回归模型输出行业板块系数，通过输出的行业板块系数和标注的行业板块系数调整回归模型的参数，具体调参原理可以参考相关技术中模型调参。

需要说明的是，对第一数据集标注行业板块系数，这里标注的行业板块系数是标准值。其目的是在后续的训练、验证过程中，通过行业板块系数的标准值与回归模型的实际输出值对回归模型进行调参。

在本发明实施例中，可选的，所述第一数据集划分为训练集、验证集和测试集，可以包括：将第一数据集划分为若干份子数据集；将每个子数据集按照预设比例拆分成训练集、验证集和测试集。

具体的，将数据集随机划分为若干份子数据集有利于数据均匀分布。对子数据集拆分后进行交叉验证以及对若干等份的子数据集反复验证，有利于模型得到充分的训练，提高模型精度。

图3可以表示为第一数据集的整体，每一行表示一个子数据集，其中，Train表示训练集，Validate表示验证集，Test表示测试集。如图3所示，可以将第一数据集随机划分成N等份，每份数据为一个子数据集，子数据集可以按照6:2:2的预设比例分为训练集、验证集和测试集，每个子数据集都可以为模型提供训练、验证、测试的交叉验证，通过N份数据对回归模型进行训练。当回归模型输出的行业板块系数达到预设的精度要求时，说明回归模型训练完毕。

步骤230、将所述金融业务数据以及所述行业板块系数输入到分类模型中，得到所述待测企业的信用等级。

在本发明实施例中，在步骤230之前还可以包括对分类模型进行训练，具体的，训练的过程包括：对企业的金融业务数据形成第二数据集；将所述第二数据集进行标注，并将标注的所述第二数据集划分为训练集、验证集和测试集；通过所述训练集中的金融业务数据对所述分类模型进行训练；通过所述验证集中的金融业务数据所述分类模型进行验证；通过所述测试集中的金融业务数据对所述分类模型进行测试，若所述分类模型达到精度要求，得到已经训练好的分类模型；其中，所述金融业务数据包括企业工商信息、企业财务数据、竞争力分析信息、关系生态信息、风险信息、经营信息、投融资状况信息、舆情数据以及企业实体编码信息。

其中，第二数据集包括企业金融业务数据。

在本发明实施例中，可选的，所述将标注的所述第二数据集划分为训练集、验证集和测试集，可以包括：第二数据集将数据集划分为若干份子数据集；将每个子数据集按照预设比例拆分成训练集、验证集和测试集。

具体的，将数据集随机划分为若干份子数据集有利于数据均匀分布。对子数据集进行拆分进行交叉验证以及对若干等份的子数据集反复验证，有利于模型得到充分的训练，提高模型精度。

图3也可以表示为第二数据集的整体，每一行表示一个子数据集，其中，Train表示训练集，Validate表示验证集，Test表示测试集。如图3所示，可以将第二数据集随机划分成N等份的子数据集，每个子数据集按照预设比例随机拆分为训练集、验证集和测试集，每个子数据集都可以单独为模型提供训练、验证、测试的交叉验证。通过N个子数据集对分类模型进行训练，直至分类模型达到预设的精度要求。

图4为本发明实施例二提供的一种信用评估的流程图。需要说明的是，这里的模型可以是回归模型，也可以是分类模型。如图4所示，将金融风险数据输入模型中，这里的金融风险数据可以是第一数据集中的数据，也可以是第二数据集中的数据，将数据进行整合后对数据进行预处理，然后将处理后的数据进行随机划分，并将数据分为训练数据和测试数据，这里的训练数据可以包括训练集和验证集，通过训练数据对模型进行训练和调参，通过测试数据测试模型是否训练完成，根据测试结果可以对模型进一步优化调参。

图5为本发明实施例二提供的一种生成信用等级的流程图。如图5所示，将待测企业的金融业务数据和对应的行业板块系数输入到训练好的分类模型中，可以得到与待测企业对应的信用等级。

步骤240、基于所述信用等级确定对应的贷款决策。

本实施例的技术方案，通过获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据；将所述待测企业所属的行业信息和所述企业上市板块信息输入到已经训练好的回归模型中，得到所述待测企业对应的行业板块系数；其中，所述行业板块系数用于表征对企业风险的容忍度；将所述金融业务数据以及所述行业板块系数输入到分类模型中，得到所述待测企业的信用等级；基于所述信用等级确定对应的贷款决策。本实施例相比于传统的人工评估优化了运营，避免了主观因素影响，综合考虑的信息更加全面、客观，有利于合理评估企业，合理进行信贷控制。

实施例三

图6为本发明实施例三提供的又一种信贷控制方法的流程图，本实施例与上述实施例的基础上对基于所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据确定所述待测企业的信用等级进一步细化。如图6所示，该方法包括：

步骤310、获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据。

步骤320、将所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据输入到已经训练好的机器学习模型中，得到所述待测企业的信用等级。

在本发明实施例中，机器学习模型可以包括神经网络模型、分类模型等。通过考虑将行业信息输入到机器学习模型中，得到待测企业的信用等级，可以体现银行对不同行业的企业的风险容忍度，可以使企业评估更符合要求，更加合理。

在步骤230之前，还可以包括：可以将企业所属的行业信息、企业上市板块信息以及金融业务数据作为第三数据集，对第三数据集进行随机划分，得到N个数据量均等的子数据集，将子数据集随机拆分为训练集、验证集和测试集，通过子数据集对机器学习模型进行训练，通过N个子数据集对机器学习模型进行反复训练，提高精度。将待测企业所属的行业信息、企业上市板块信息以及金融业务数据输入到训练好的机器学习模型中，通过机器学习模型输出待测企业的信用等级。

步骤330、基于所述信用等级确定对应的贷款决策。

本实施例的技术方案，通过获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据；将所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据输入到已经训练好的机器学习模型中，得到所述待测企业的信用等级；基于所述信用等级确定对应的贷款决策。本实施例采用的信贷控制方法学习训练耗时较短，模型较为轻量灵活，有利于合理评估企业，合理进行信贷控制。

实施例四

图7为本发明实施例四提供的一种信贷控制装置的结构示意图。如图7所示，该装置包括：

获取模块410，用于获取待测企业所属的行业信息、所述待测企业的企业上市板块信息以及金融业务数据；

第一确定模块420，用于基于所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据确定所述待测企业的信用等级；

第二确定模块430，用于基于所述信用等级确定对应的贷款决策。

可选的，所述第一确定模块420包括：

第一确定子模块，用于将所述待测企业所属的行业信息和所述企业上市板块信息入到已经训练好的回归模型中，得到所述待测企业对应的行业板块系数；其中，所述行业板块系数用于表征对企业风险的容忍度；

第二确定子模块，用于将所述金融业务数据以及所述行业板块系数输入到分类模型中，得到所述待测企业的信用等级。

可选的，所述第一确定模块420还用于：

将企业所属的行业信息以及企业上市板块信息形成第一数据集；

将所述第一数据集标注行业板块系数，并将标注的所述第一数据集划分为训练集、验证集和测试集；

将所述训练集中的企业所属的行业信息和企业上市板块信息对所述回归模型进行训练；

通过所述验证集中的企业所属的行业信息和企业上市板块信息对所述回归模型中进行验证；

通过所述测试集中的企业所属的行业信息和企业上市板块信息对所述回归模型进行测试，若所述回归模型达到精度要求，得到已经训练好的回归模型。

可选的，所述第一确定模块420还用于：

对企业的金融业务数据形成第二数据集；

将所述第二数据集进行标注，并将标注的所述第二数据集划分为训练集、验证集和测试集；

通过所述训练集中的金融业务数据对所述分类模型进行训练；

通过所述验证集中的金融业务数据所述分类模型进行验证；

通过所述测试集中的金融业务数据对所述分类模型进行测试，若所述分类模型达到精度要求，得到已经训练好的分类模型；

其中，所述金融业务数据包括企业工商信息，企业财务数据，竞争力分析信息，关系生态信息，风险信息，经营信息，投融资状况信息、舆情数据以及企业实体编码信息。

可选的，所述第一确定模块420包括：

第三确定子模块，用于将所述待测企业所属的行业信息、所述企业上市板块信息以及所述金融业务数据输入到已经训练好的机器学习模型中，得到所述待测企业的信用等级。

可选的，所述第二确定模块430包括：

第四确定子模块，用于基于信用等级确定对应的授信额度和贷款额度。

可选的，所述第一确定模块用于将数据集划分为训练集、验证集和测试集，具体包括：

将数据集划分为若干份子数据集；

将每个子数据集按照预设比例拆分成训练集、验证集和测试集。

本发明实施例所提供的信贷控制装置可执行本发明任意实施例所提供的信贷控制方法，具备执行方法相应的功能模块和有益效果。

实施例五

图8为本发明实施例五提供的一种电子设备结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如方法信贷控制。

在一些实施例中，方法信贷控制可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法信贷控制的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法信贷控制。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。