信贷用户风险评估方法和装置

技术领域

本申请属于数据处理技术领域，具体涉及一种信贷用户风险评估方法和装置。

背景技术

随着互联网金融的蓬勃发展，个人借助互联网金融平台展开的信贷业务也在不断地扩展，从而给个人用户带来了方便，也给互联网金融平台带来了收益。

而随着个人信贷业务的不断扩展，随之而来的个人信贷违约事件也越来越多。因此，平台端的工作人员，对于用户提出的信贷需求，会进行审核，以避免因个人信贷违约造成太大的损失。

在现有技术中，利用机器学习算法对个人信贷业务进行审核，从而由机器学习算法直接输出一个结果作为逾期率，而该结果不具有可解释性，工作人员难以理解，从而导致信贷工作人员无法制定清晰的信贷策略。

发明内容

本申请实施例的目的是提供一种信贷用户风险评估方法，能够解决由机器学习算法直接输出一个结果作为逾期率，而该结果不具有可解释性，工作人员难以理解，从而导致信贷工作人员无法制定清晰的信贷策略的问题。

第一方面，本申请实施例提供了一种信贷用户风险评估方法，该方法包括：在接收到目标用户的信贷请求信息的情况下，获取所述目标用户输入的目标身份信息和目标征信信息；根据所述目标身份信息和所述目标征信信息，确定所述目标用户所属的目标逾期用户等级；根据所述目标用户所属的目标逾期用户等级，确定所述目标用户的目标逾期率。

第二方面，本申请实施例提供了一种信贷用户风险评估装置，该装置包括：第一获取模块，用于在接收到目标用户的信贷请求信息的情况下，获取所述目标用户输入的目标身份信息和目标征信信息；第一确定模块，用于根据所述目标身份信息和所述目标征信信息，确定所述目标用户所属的目标逾期用户等级；第二确定模块，用于根据所述目标用户所属的目标逾期用户等级，确定所述目标用户的目标逾期率。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。

这样，在本申请的实施例中，当接收到目标用户的信贷请求信息时，基于目标用户输入的目标身份信息和目标征信信息，确定目标用户所属的目标逾期用户等级。该等级可表示目标用户所处的一个范围，而并非依据目标用户的个人情况得到的具体的逾期率。进一步地，基于目标逾期用户等级，可综合考虑该等级中的所有用户的信息，再得到目标用户的目标逾期率。可见，在本申请的实施例中，最终得到的逾期率是基于用户逾期等级变换而来的，是一个后验结果的输出值，其可以作为一个有实际意义的概率值，从而使得机器学习算法输出的结果具有可解释性，便于信贷工作人员进行信贷策略的调整。

附图说明

图1是本申请实施例的信贷用户风险评估方法的流程图；

图2是本申请实施例的信贷用户风险评估装置的框图；

图3是本申请实施例的电子设备的硬件结构示意图之一；

图4是本申请实施例的电子设备的硬件结构示意图之二。

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获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不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，以便本申请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，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的信贷用户风险评估方法进行详细地说明。

参见图1，示出了本申请一个实施例的信贷用户风险评估方法的流程图，该方法应用于电子设备，包括：

步骤S1：在接收到目标用户的信贷请求信息的情况下，获取目标用户输入的目标身份信息和目标征信信息。

可选地，本实施例中的电子设备对应为互联网金融平台，以用于互联网金融平台对信贷用户风险进行评估，从而根据评估结果同意用户的个人信贷业务，或者拒绝用户的个人信贷业务。

因此，在该步骤中，当接收到目标用户的信贷请求时，获取目标用户输入的目标身份信息和目标征信信息。

可选地，目标身份信息包括目标用户的身份证信息等。

可选地，目标征信信息包括目标用户的小白信用分、芝麻信用分等与用户信用相关的数据。

其中，目标身份信息可由目标用户填写并上传至互联网金融平台；目标征信信息可由目标用户授予互联网金融平台访问权限。

步骤S2：根据目标身份信息和目标征信信息，确定目标用户所属的目标逾期用户等级。

在本实施例的信贷用户风险评估方法中，根据不同用户的身份信息和征信信息，划分多个逾期用户等级。

对应地，在该步骤中，可基于目标身份信息和目标征信信息，确定目标用户所属的目标逾期用户等级。这里的目标逾期用户等级只表示目标用户所处的一个范围，而并非具体的一个用于表示目标用户的逾期概率的值。

步骤S3：根据目标用户所属的目标逾期用户等级，确定目标用户的目标逾期率。

在该步骤中，在将目标用户确定为目标逾期用户等级的情况下，再依据这个等级中所有用户的综合信息，得到目标用户的目标逾期率。

进一步地，工作人员可获取到该目标逾期率，从而根据该目标逾期率，指定清晰的信贷策略。

这样，在本申请的实施例中，当接收到目标用户的信贷请求信息时，基于目标用户输入的目标身份信息和目标征信信息，确定目标用户所属的目标逾期用户等级。该等级可表示目标用户所处的一个范围，而并非依据目标用户的个人情况得到的具体的逾期率。进一步地，基于目标逾期用户等级，可综合考虑该等级中的所有用户的信息，再得到目标用户的目标逾期率。可见，在本申请的实施例中，最终得到的逾期率是基于用户逾期等级变换而来的，是一个后验结果的输出值，其可以作为一个有实际意义的概率值，从而使得机器学习算法输出的结果具有可解释性，便于信贷工作人员进行信贷策略的调整。

在本申请另一个实施例的信贷用户风险评估方法的流程中，在步骤S3之前，还包括：

步骤A1：获取各个用户所属的逾期用户等级。

在该步骤中，电子设备可对各个用户的逾期用户等级进行保存。

对应地，步骤S3，包括：

子步骤A2：按照从大到小的顺序排列各个用户所属的逾期用户等级。

在该步骤中，在获取各个用户所属的逾期用户等级之后，对各个用户所属的逾期用户等级进行排序。

其中，可按照等级从大到小的顺序依次排列。

子步骤A3：将排列好的各个用户所属的逾期用户等级，平均分为N组，其中，N为正整数。

可选地，组数N可配置。

例如，基于排列好的各个用户所属的逾期用户等级，可按照每五个用户为一组，依次划分为多组。

因此，在该步骤中，可将逾期用户等级接近的用户分在一个组内，从而实现对大量用户的聚合归类。

子步骤A4：分别计算每组对应的逾期率。

在该步骤中，分别计算每组对应的实际的逾期率。

子步骤A5：将目标用户所在组的逾期率，确定为目标用户的目标逾期率。

在该步骤中，目标用户所在组对应的逾期率，就是目标用户的目标逾期率。

在本实施例中，其实就是一个分桶映射操作，将预估的各个用户的用户逾期等级从大到小排序，并将排序结果分成若干个桶，桶数可配，再统计每一个分桶内样本的实际的逾期率。每一个分桶内的实际的逾期率就是机器学习算法的输出值，其本质是一个后验结果的统计值，这个统计值可以作为一个有实际意义的概率值，以取代现有技术的机器学习算法的不具可解释性的输出值，从而使得机器学习算法的输出值具有可解释性。

在本申请另一个实施例的信贷用户风险评估方法的流程中，步骤S2，包括：

子步骤C1：将目标身份信息和目标征信信息对应的离散型特征信息转换为数值型特征信息。

子步骤C2：将数值型特征信息输入第一目标模型。

子步骤C3：通过第一目标模型输出目标用户所属的目标逾期用户等级。

可选地，本实施例中的第一目标模型为信用评分模型，用于输出逾期用户等级，以实现对信用评分的预估。

其中，第一目标模型常用的模型损失函数是cross-entropy(交叉熵)。其公式如下所示：

交叉熵损失函数的输出是一个区间在(0，1)之间的数值，这个输出只有序的含义，不是真实的概率值。

在此之前，需要对目标身份信息和目标征信信息进行特征预处理和特征提取的处理过程，以将处理后的特征输入第一目标模型。

可选地，特征处理模型用于对目标身份信息和目标征信信息进行处理，处理后的特征数据能直接输入信用评分模型去做预估。

基于本实施例的特征处理模型，包括各个信息对应的数值，因此，特征处理模型只需要将离散型特征转化为数值型即可。

例如，用户授权征信信息，对应为一组数值；用户未授权征信信息，对应为另一个组数值。

可选地，特征处理模型所采用的算法为极端梯度提升(extreme gradientboosting，简称xgboost)算法。

而在现有技术中，在有信息缺失时需要做缺失值处理，还需要做量纲处理等。

在本实施例中，特征处理模型可以自动地进行特征选择，并且不需要处理特征的量纲和缺失值，只需要将特征的离散型转化为数值型即可，可以极大地减小处理量，降低工程开发时间；进一步地，处理后的特征输入第一目标模型中，输出一个只有序的含义的数值，从而可为最终得到可解释性的输出结果做铺垫。

在本申请另一个实施例的信贷用户风险评估方法的流程中，目标逾期用户等级为0～1的目标数值。

步骤S3，包括：

子步骤B1：将目标数值输入第二目标模型。

子步骤B2：通过第二目标模型输出目标用户的目标逾期率。

目标逾期用户等级为0～1的目标数值，每个数值用于表示一个等级。

在本实施例中，第二目标模型为保序回归模型，用于输出用户的逾期率，以为信用评分模型的输出做一次变换。

其中，保序回归模型公式如下所示：

其中，x为训练数据，即信用评分模型的输出；y为真实的概率值，即保序回归模型的输出。

可选地，本实施例中的第二目标模型用于实现前述实施例涉及的分桶映射操作。

在本实施例中，可以使用保序回归模型对信用评分模型的输出做一次变换，经过保序回归模型变换之后，就可以得到用户的逾期率，这个概率是真实含义的，所以是可解释的，在大数定律下应当会与这个概率值接近。

在本申请另一个实施例的信贷用户风险评估方法的流程中，在步骤S3之后，还包括：

步骤D1：根据目标逾期率，确定基于信贷请求信息对应的目标信贷金额产生的目标收益金额。

步骤D2：在目标收益金额小于预设阈值的情况下，输出拒绝目标用户的信贷请求的目标信息。

在步骤D1中，可参考的公式包括：

公式三：C＝(loan_money

其中：A为预计总损失金额；B为预计总回款金额；C为单次预期收益；D为整体预期收益；loan_money为单次信贷金额(单次借款金额)；late_rate为逾期率；Interest为利息。

在步骤D1中，目标收益金额包括单次预期收益和整体预期收益中的任一种，对应地，目标信贷金额包括单次信贷金额和总借款金额中的任一种。

因此，基于本申请得到的目标逾期率，可预估出本次个人信贷业务中，平台最终的目标收益金额，从而平台端的工作人员可根据最终的目标收益金额，调整信贷策略。

可参考地，工作人员可定义预设阈值，当预估的目标收益金额达不到该预设阈值时，可以拒绝放贷，以确保平台收益。

例如，一个用户申请借款1000元，平台收取100元利息，评估其逾期率为0.15。

那么，在本次个人信贷业务中：

A1＝1000*0.05＝50

B1＝(1000+100)*(1-0.05)＝1045

C1:B1-1000＝1045-1000＝45

其中，A1为本次预计损失金额；B1为本次预计回款金额；C1为本次预期收益。

进一步地，当目标收益金额(45元)小于预设阈值时，输出拒绝目标用户的信贷请求的信息，即目标信息，以拒绝放贷；当目标收益金额(45元)大于或者等于预设阈值时，输出同意目标用户的信贷请求的信息，以同意放贷。

在本申请中，对于信贷业务，由第一目标模型预估后，由第二目标模型对进行一次转换，得到目标逾期率。从而在本实施例中，进行相应的风控策略设置。具体地，根据得到的目标逾期率，结合目标用户请求的目标信贷金额，得到本次个人信贷业务的目标收益金额，从而设置风控策略，以在该策略中，将目标收益金额作为是否放贷的依据，最终完成本次个人信贷业务。

以上所述的实施例中，阐述的过程为线上信贷风险评估部分，以负责对用户进行实时的信用评估；同此同时，本申请还包括模型离线训练部分，以负责模型的迭代更新。

其中，模型离线训练部分涉及到两个模型的训练，一个是信用评分模型，一个保序回归模型。

可参考地，模型离线训练过程主要包括：

(1)数据提取：提取原始样本数据，原始样本数据的量一般都非常大，因此一般都存储在数据仓库工作(hive)中。

(2)特征处理：对原始样本数据进行特征提取，因为特征处理的方式特别多，并且特征处理对模型效果影响较大，因此特征处理部分应该做到可配置。

(3)离线模型训练：用处理好的特征来进行模型训练，模型训练的方式也非常多，对模型效果的影响也很大，因此这个部分也应该支持可配置化。

(4)模型同步：将训练好的模型同步到一个类似参数服务器的地方，例如，使用分布式文件系统(Hadoop Distributed File System，简称HDFS)来同步模型的相关信息。

综上，本申请提供一种自动化的线上信贷风险评估方案，同时在方式上增强了结果的可解释性。其改进点包括：本申请的机器学习算法的线上自动化信用评估方式相对现有机器学习算法，避免人工处理大量的特征，解放人力，降低特征处理成本，极大地缩减了工程开发量，提升评估效率；同时对信用评分模型的输出结果用保序回归模型进行变换，使得最终的输出结果具备可解释性，这样能够方便工作人员进行信贷策略的调整，以制定清晰的信贷策略。

需要说明的是，本申请实施例提供的信贷用户风险评估方法，执行主体可以为信贷用户风险评估装置，或者该信贷用户风险评估装置中的用于执行信贷用户风险评估方法的控制模块。本申请实施例中以信贷用户风险评估装置执行信贷用户风险评估方法为例，说明本申请实施例提供的信贷用户风险评估装置。

图2示出了本申请另一个实施例的信贷用户风险评估装置的框图，该装置包括：

第一获取模块10，用于在接收到目标用户的信贷请求信息的情况下，获取目标用户输入的目标身份信息和目标征信信息；

第一确定模块20，用于根据目标身份信息和目标征信信息，确定目标用户所属的目标逾期用户等级；

第二确定模块30，用于根据目标用户所属的目标逾期用户等级，确定目标用户的目标逾期率。

这样，在本申请的实施例中，当接收到目标用户的信贷请求信息时，基于目标用户输入的目标身份信息和目标征信信息，确定目标用户所属的目标逾期用户等级。该等级可表示目标用户所处的一个范围，而并非依据目标用户的个人情况得到的具体的逾期率。进一步地，基于目标逾期用户等级，可综合考虑该等级中的所有用户的信息，再得到目标用户的目标逾期率。可见，在本申请的实施例中，最终得到的逾期率是基于用户逾期等级变换而来的，是一个后验结果的输出值，其可以作为一个有实际意义的概率值，从而使得机器学习算法输出的结果具有可解释性，便于信贷工作人员进行信贷策略的调整。

可选地，装置，还包括：

第二获取模块，用于获取各个用户所属的逾期用户等级；

第二确定模块30，包括：

排列单元，用于按照从大到小的顺序排列各个用户所属的逾期用户等级；

分组单元，用于将排列好的各个用户所属的逾期用户等级，平均分为N组，其中，N为正整数；

计算单元，用于分别计算每组对应的逾期率；

逾期率确定单元，用于将目标用户所在组的逾期率，确定为目标用户的目标逾期率。

可选地，第一确定模块20，包括：

转换单元，用于将目标身份信息和目标征信信息对应的离散型特征信息转换为数值型特征信息；

第一输入单元，用于将数值型特征信息输入第一目标模型；

第一输出单元，用于通过第一目标模型输出目标用户所属的目标逾期用户等级。

可选地，目标逾期用户等级为0～1的目标数值；

第二确定模块30，包括：

第二输入单元，用于将目标数值输入第二目标模型；

第二输出单元，用于通过第二目标模型输出目标用户的目标逾期率。

可选地，装置，还包括：

第三确定模块，用于根据目标逾期率，确定基于信贷请求信息对应的目标信贷金额产生的目标收益金额；

信息输出模块，用于在目标收益金额小于预设阈值的情况下，输出拒绝目标用户的信贷请求的目标信息。

本申请实施例中的信贷用户风险评估装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的信贷用户风险评估装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为iOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的信贷用户风险评估装置能够实现上述方法实施例实现的各个过程，为避免重复，这里不再赘述。

可选地，如图3所示，本申请实施例还提供一种电子设备100，包括处理器101，存储器102，存储在存储器102上并可在所述处理器101上运行的程序或指令，该程序或指令被处理器101执行时实现上述信贷用户风险评估方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

图4为实现本申请实施例的一种电子设备的硬件结构示意图。

该电子设备1000包括但不限于：射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等部件。

本领域技术人员可以理解，电子设备1000还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图4中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。

其中，处理器1010，用于在接收到目标用户的信贷请求信息的情况下，获取所述目标用户输入的目标身份信息和目标征信信息；根据所述目标身份信息和所述目标征信信息，确定所述目标用户所属的目标逾期用户等级；根据所述目标用户所属的目标逾期用户等级，确定所述目标用户的目标逾期率。

这样，在本申请的实施例中，当接收到目标用户的信贷请求信息时，基于目标用户输入的目标身份信息和目标征信信息，确定目标用户所属的目标逾期用户等级。该等级可表示目标用户所处的一个范围，而并非依据目标用户的个人情况得到的具体的逾期率。进一步地，基于目标逾期用户等级，可综合考虑该等级中的所有用户的信息，再得到目标用户的目标逾期率。可见，在本申请的实施例中，最终得到的逾期率是基于用户逾期等级变换而来的，是一个后验结果的输出值，其可以作为一个有实际意义的概率值，从而使得机器学习算法输出的结果具有可解释性，便于信贷工作人员进行信贷策略的调整。

可选地，处理器1010，还用于获取各个用户所属的逾期用户等级；按照从大到小的顺序排列各个用户所属的逾期用户等级；将排列好的各个用户所属的逾期用户等级，平均分为N组，其中，N为正整数；分别计算每组对应的逾期率；将所述目标用户所在组的逾期率，确定为所述目标用户的目标逾期率。

可选地，处理器1010，还用于将所述目标身份信息和所述目标征信信息对应的离散型特征信息转换为数值型特征信息；将所述数值型特征信息输入第一目标模型；通过所述第一目标模型输出所述目标用户所属的目标逾期用户等级。

可选地，所述目标逾期用户等级为0～1的目标数值；处理器1010，还用于

将所述目标数值输入第二目标模型；通过所述第二目标模型输出所述目标用户的目标逾期率。

可选地，处理器1010，还用于根据所述目标逾期率，确定基于所述信贷请求信息对应的目标信贷金额产生的目标收益金额；在所述目标收益金额小于预设阈值的情况下，输出拒绝所述目标用户的信贷请求的目标信息。

综上，本申请提供一种自动化的线上信贷风险评估方案，同时在方式上增强了结果的可解释性。其改进点包括：本申请的机器学习算法的线上自动化信用评估方式相对现有机器学习算法，避免人工处理大量的特征，解放人力，降低特征处理成本，极大地缩减了工程开发量，提升评估效率；同时对信用评分模型的输出结果用保序回归模型进行变换，使得最终的输出结果具备可解释性，这样能够方便工作人员进行信贷策略的调整，以制定清晰的信贷策略。

应理解的是，本申请实施例中，输入单元1004可以包括图形处理器(GraphicsProcessing Unit，GPU)10041和麦克风10042，图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072。触控面板10071，也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器1009可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器1010可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1010中。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述信贷用户风险评估方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述信贷用户风险评估方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。