一种基于价格敏感模型的金融产品定价方法、装置和电子设备与流程

本发明涉及计算机信息处理领域，具体而言，涉及一种基于价格敏感模型的金融产品定价方法、装置、电子设备及计算机可读介质。

背景技术：

互联网金融平台在用户发生借款之后，会根据用户的借款行为调整金融产品的定价，以优化整体的余额留存与收益。若对价格感知较强的用户调整金融产品的定价，带来的收益非常不理想，严重的情况下，任意调整金融产品的定价会导致客户的流失。

针对有余额的存量用户，其中部分用户对价格感知较弱，互联网金融平台欲针对该部分用户调整金融产品定价，进而带来收益。

但是，现有技术缺少具体可执行的措施，在调整金融产品定价的同时，提升用户的动支率，并且带来理想的收益。

技术实现要素：

本发明要解决的技术问题是如何在调整金融产品定价的同时，提升用户的动支率，并且带来理想的收益。

本发明的一方面提供一种基于价格敏感模型的金融产品定价方法，其特征在于，包括：获取存量用户特征数据，其中，所述存量用户为未还清借款的用户；将所述存量用户特征数据和价格调整额输入价格敏感模型，预测用户动支概率，其中，所述价格敏感模型，用于预测根据价格调整额进行价格调整后存量用户的动支概率；基于所述动支概率筛选出目标用户；根据所述价格调整额，确定所述目标用户的金融产品定价。

根据本发明的一种优选实施方式，还包括：根据所述存量用户特征数据，确定价格调整额。

根据本发明的一种优选实施方式，所述根据所述存量用户特征数据，确定价格调整额，进一步包括：根据所述存量用户特征数据，按照固定值提升价格，确定价格调整额；和/或根据所述存量用户特征数据，按照固定比例提升价格，确定价格调整额。

根据本发明的一种优选实施方式，所述获取存量用户特征数据，进一步包括：获取存量用户属性数据，所述属性数据包括：年龄、性别、学历、收入、地点中的至少一个；获取存量用户借贷行为数据，所述借贷行为数据包括：总借款金额、总借款笔数、半年内借款笔数、半年内登陆次数中的至少一个；获取存量用户app操作数据，所述app操作数据包括：app登录时间、app登录次数中的至少一个；根据所述属性数据、借贷行为数据、和/或app操作数据生成所述特征数据。

根据本发明的一种优选实施方式，所述基于所述动支概率筛选出目标用户的步骤，进一步包括：确定动支概率临界值；确定目标用户筛选规则，其中，所述目标用户筛选规则为动支概率大于动支概率临界值；将动支概率、动支概率临界值代入目标用户筛选规则，筛选出目标用户。

根据本发明的一种优选实施方式，还包括：基于历史存量用户特征数据构建价格敏感模型。

根据本发明的一种优选实施方式，所述基于历史存量用户特征数据构建价格敏感模型的步骤，进一步包括：获取历史存量用户数据；从所述历史存量用户数据中筛选出历史存量用户特征数据；基于所述历史存量用户特征数据构建价格敏感模型；对所述价格敏感模型的特征参数进行调整，获取优化的价格敏感模型。

根据本发明的一种优选实施方式，所述从所述历史存量用户数据中筛选出历史存量用户特征数据的步骤，进一步包括：对所述历史存量用户数据进行数据清洗，获取标准数据；通过特征工程，从所述标准数据中，筛选历史存量用户特征数据；对所述历史存量用户特征数据进行检验，获取优化的历史存量用户特征数据。

根据本发明的一种优选实施方式，所述将所述存量用户特征数据和价格调整额输入价格敏感模型，预测用户动支概率的步骤，进一步包括：从集成学习算法中选取xgboost二元分类算法作为价格敏感模型的算法；将所述存量用户特征数据和价格调整额输入价格敏感模型，通过xgboost二元分类算法，预测用户动支概率。

根据本发明的一种优选实施方式，还包括：通过数据输出接口，输出所述目标用户至存储系统。

本发明的第二方面提供一种基于价格敏感模型的金融产品定价装置，其特征在于，包括：存量用户特征数据获取模块，用于获取存量用户特征数据，其中，所述存量用户为未还清借款的用户；动支概率预测模块，用于将所述存量用户特征数据和价格调整额输入价格敏感模型，预测用户动支概率，其中，所述价格敏感模型，用于预测根据价格调整额进行价格调整后存量用户的动支概率；目标用户筛选模块，用于基于所述动支概率筛选出目标用户；金融产品定价确定模块，用于根据所述价格调整额，确定所述目标用户的金融产品定价。

根据本发明的一种优选实施方式，还包括：价格调整额确定模块，用于根据所述存量用户特征数据，确定价格调整额。

根据本发明的一种优选实施方式，所述价格调整额确定模块，进一步包括：固定值提额单元，用于根据所述存量用户特征数据，按照固定值提升价格，确定价格调整额；和/或固定比例提额单元，用于根据所述存量用户特征数据，按照固定比例提升价格，确定价格调整额。

根据本发明的一种优选实施方式，所述存量用户特征数据获取模块，进一步包括：存量用户属性数据获取单元，用于获取存量用户属性数据，所述属性数据包括：年龄、性别、学历、收入、地点中的至少一个；存量用户借贷行为数据获取单元，用于获取存量用户借贷行为数据，所述借贷行为数据包括：总借款金额、总借款笔数、半年内借款笔数、半年内登陆次数中的至少一个；存量用户app操作数据获取单元，用于获取存量用户app操作数据，所述app操作数据包括：app登录时间、app登录次数中的至少一个；特征数据生成单元，用于根据所述属性数据、借贷行为数据、和/或app操作数据生成所述特征数据。

根据本发明的一种优选实施方式，所述目标用户筛选模块，进一步包括：动支概率临界值确定单元，用于确定动支概率临界值；筛选规则确定单元，用于确定目标用户筛选规则，其中，所述目标用户筛选规则为动支概率大于动支概率临界值；目标用户筛选单元，用于将动支概率、动支概率临界值代入目标用户筛选规则，筛选出目标用户。

根据本发明的一种优选实施方式，还包括：价格敏感模型构建模块，用于基于历史存量用户特征数据构建价格敏感模型。

根据本发明的一种优选实施方式，所述价格敏感模型构建模块，进一步包括：历史存量用户数据获取单元，用于获取历史存量用户数据；特征数据筛选单元，用于从所述历史存量用户数据中筛选出历史存量用户特征数据；价格敏感模型构建单元，用于基于所述历史存量用户特征数据构建价格敏感模型；价格敏感模型优化单元，用于对所述价格敏感模型的特征参数进行调整，获取优化的价格敏感模型。

根据本发明的一种优选实施方式，所述特征数据筛选单元，进一步包括：数据清洗子单元，用于对所述历史存量用户数据进行数据清洗，获取标准数据；特征工程子单元，用于通过特征工程，从所述标准数据中，筛选历史存量用户特征数据；特征数据优化子单元，用于对所述历史存量用户特征数据进行检验，获取优化的历史存量用户特征数据。

根据本发明的一种优选实施方式，所述动支概率预测模块，进一步包括：算法选取单元，用于从集成学习算法中选取xgboost二元分类算法作为价格敏感模型的算法；动支概率预测单元，用于将所述存量用户特征数据和价格调整额输入价格敏感模型，通过xgboost二元分类算法，预测用户动支概率。

根据本发明的一种优选实施方式，还包括：目标用户存储模块，用于通过数据输出接口，输出所述目标用户至存储系统。

本发明的第三方面提供一种电子设备，其中，该电子设备包括：处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行任一项所述的方法。

本发明的第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现任一项所述的方法。

本发明的技术方案，具有如下有益效果：

本发明能够通过价格敏感模型预测调整金融产品定价后存量用户的动支概率，在不影响余额留存，用户对价格感知比较弱的情况下，改变一些用户的定价来增加收益。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明的基于价格敏感模型的金融产品定价方法流程示意图；

图2是本发明的基于价格敏感模型的金融产品定价方法的基于动支概率筛选出目标用户的步骤示意图；

图3是本发明一具体实施例的基于价格敏感模型的金融产品定价方法流程示意图；

图4是本发明的基于价格敏感模型的金融产品定价装置架构示意图；

图5是本发明的基于价格敏感模型的金融产品定价的电子设备结构框架示意图；

图6是本发明的计算机可读存储介质示意图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，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，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

图1是本发明的基于价格敏感模型的金融产品定价方法流程示意图；如图1所示，本发明的方法包括如下步骤：

s101：获取存量用户特征数据，其中，所述存量用户为未还清借款的用户。

s102：将所述存量用户特征数据和价格调整额输入价格敏感模型，预测用户动支概率，其中，所述价格敏感模型，用于预测根据价格调整额进行价格调整后存量用户的动支概率。

s103：基于所述动支概率筛选出目标用户。

s104：根据所述价格调整额，确定所述目标用户的金融产品定价。

其中，在步骤s101之前，还包括步骤s100：基于历史存量用户特征数据构建价格敏感模型。

进一步地，所述步骤s100进一步包括：

获取历史存量用户数据；

从所述历史存量用户数据中筛选出历史存量用户特征数据；

基于所述历史存量用户特征数据构建价格敏感模型；

对所述价格敏感模型的特征参数进行调整，获取优化的价格敏感模型。

更进一步地，所述步骤从所述历史存量用户数据中筛选出历史存量用户特征数据，进一步包括：对所述历史存量用户数据进行数据清洗，获取标准数据；通过特征工程，从所述标准数据中，筛选历史存量用户特征数据；对所述历史存量用户特征数据进行检验，获取优化的历史存量用户特征数据。

步骤s101获取存量用户特征数据，进一步包括：

获取存量用户属性数据，所述属性数据包括：年龄、性别、学历、收入、地点中的至少一个；

获取存量用户借贷行为数据，所述借贷行为数据包括：总借款金额、总借款笔数、半年内借款笔数、半年内登陆次数中的至少一个；

获取存量用户app操作数据，所述app操作数据包括：app登录时间、app登录次数中的至少一个；

根据所述属性数据、借贷行为数据、和/或app操作数据生成所述特征数据。

在步骤s101获取存量用户特征数据之后，还包括：根据所述存量用户特征数据，确定价格调整额。

其中，步骤所述根据所述存量用户特征数据，确定价格调整额，进一步包括：

根据所述存量用户特征数据，按照固定值提升价格，确定价格调整额；和/或

根据所述存量用户特征数据，按照固定比例提升价格，确定价格调整额。

其中，步骤s102将所述存量用户特征数据和价格调整额输入价格敏感模型，预测用户动支概率的步骤，进一步包括：

从集成学习算法中选取xgboost二元分类算法作为价格敏感模型的算法；

将所述存量用户特征数据和价格调整额输入价格敏感模型，通过xgboost二元分类算法，预测用户动支概率。

其中，步骤s103所述基于所述动支概率筛选出目标用户的步骤，进一步包括：

s201：确定动支概率临界值。

s202：确定目标用户筛选规则，其中，所述目标用户筛选规则为动支概率大于动支概率临界值。

s203：将动支概率、动支概率临界值代入目标用户筛选规则，筛选出目标用户。

需要说明的是，本发明的基于价格敏感模型的金融产品定价方法，还包括：通过数据输出接口，输出所述目标用户至存储系统。

图3是本发明一具体实施例的基于价格敏感模型的金融产品定价方法流程示意图。

需要说明的是，本发明的具体实施例的基于价格敏感模型的金融产品定价方法，基于如上所述的步骤方法构建优化的价格敏感模型。

如图3所示，基于构建的价格敏感模型对金融产品定价方法进行详细解释。

用户a，b，c为存量用户，获取用户a，b，c的特征数据。

其中，用户a的属性数据包括年龄36，性别男等数据；用户a的借贷行为数据包括总借款金额80000，总借款笔数18，近半年借款笔数8等数据，用户a的app操作数据包括近半年登陆次数3等数据。

其中，用户b的属性数据包括年龄28，性别男等数据；用户b的借贷行为数据包括总借款金额6000，总借款笔数1，近半年借款笔数0等数据，用户b的app操作数据包括近半年登陆次数0等数据。

其中，用户c的属性数据包括年龄31，性别女等数据；用户c的借贷行为数据包括总借款金额45000，总借款笔数8，近半年借款笔数2等数据，用户c的app操作数据包括近半年登陆次数2等数据。

分别将用户a，b，c的特征数据输入价格敏感模型，通过集成学习算法中的xgboost二元分类算法，计算得到用户a的动支概率为85％；用户b的动支概率为32％；用户c的动支概率为46％。

本发明的具体实施例中，确定动支概率临界值为60％；确定目标用户筛选规则为动支概率大于动支概率临界值。

基于动支概率临界值目标用户筛选规则筛序目标用户，用户a，b，c中符合规则的目标用户为用户a。

通过数据输出接口，输出目标用户a至存储系统。

作为示例，在不影响余额留存，用户感知比较弱的情况下，改变筛选出的目标用户的金融产品定价来增加收益，例如，在用户a对价格感知较弱的情况下，将用户a的借贷利率从9％提高到18％。

需要说明的是，经过具体分析与测试表明，部分借款比较频繁，app操作比较活跃的用户，对价格的感知较弱。

由于用户b和c并不符合目标用户筛选规则，则不调整用户b和c的金融产品定价。

本发明能够通过价格敏感模型预测调整金融产品定价后存量用户的动支概率，在不影响余额留存，用户对价格感知比较弱的情况下，改变一些用户的定价来增加收益，根据估算互联网金融平台收益能够提升15％。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、rom、ram等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

图4是本发明的基于价格敏感模型的金融产品定价装置架构示意图；如图4所示，本发明的装置400包括：存量用户特征数据获取模块401，动支概率预测模块402，目标用户筛选模块403，金融产品定价确定模块404。

存量用户特征数据获取模块，用于获取存量用户特征数据，其中，所述存量用户为未还清借款的用户。

动支概率预测模块，用于将所述存量用户特征数据和价格调整额输入价格敏感模型，预测用户动支概率，其中，所述价格敏感模型，用于预测根据价格调整额进行价格调整后存量用户的动支概率。

目标用户筛选模块，用于基于所述动支概率筛选出目标用户。

金融产品定价确定模块，用于根据所述价格调整额，确定所述目标用户的金融产品定价。

本发明的基于价格敏感模型的金融产品定价装置，还包括：价格调整额确定模块，用于根据所述存量用户特征数据，确定价格调整额。

其中，所述价格调整额确定模块，进一步包括：固定值提额单元，固定比例提额单元。

固定值提额单元，用于根据所述存量用户特征数据，按照固定值提升价格，确定价格调整额；和/或

固定比例提额单元，用于根据所述存量用户特征数据，按照固定比例提升价格，确定价格调整额。

其中，所述用户特征数据获取模块，进一步包括：属性数据获取单元，借贷行为数据获取单元，特征数据生成单元。

属性数据获取单元，用于获取用户属性数据，所述属性数据包括：年龄、性别、学历、收入、地点中的至少一个。

借贷行为数据获取单元，用于获取用户借贷行为数据，所述借贷行为数据包括：总借款金额、总借款笔数、半年内借款笔数、半年内登陆次数中的至少一个。

特征数据生成单元，用于根据所述属性数据和借贷行为数据生成所述特征数据。

其中，所述存量用户特征数据获取模块，进一步包括：存量用户属性数据获取单元，存量用户借贷行为数据获取单元，存量用户app操作数据获取单元，特征数据生成单元。

存量用户属性数据获取单元，用于获取存量用户属性数据，所述属性数据包括：年龄、性别、学历、收入、地点中的至少一个。

存量用户借贷行为数据获取单元，用于获取存量用户借贷行为数据，所述借贷行为数据包括：总借款金额、总借款笔数、半年内借款笔数、半年内登陆次数中的至少一个。

存量用户app操作数据获取单元，用于获取存量用户app操作数据，所述app操作数据包括：app登录时间、app登录次数中的至少一个。

特征数据生成单元，用于根据所述属性数据、借贷行为数据、和/或app操作数据生成所述特征数据。

其中，所述目标用户筛选模块，进一步包括：动支概率临界值确定单元，筛选规则确定单元，目标用户筛选单元。

动支概率临界值确定单元，用于确定动支概率临界值；

筛选规则确定单元，用于确定目标用户筛选规则，其中，所述目标用户筛选规则为动支概率大于动支概率临界值；

目标用户筛选单元，用于将动支概率、动支概率临界值代入目标用户筛选规则，筛选出目标用户。

其中，本发明的基于价格敏感模型的金融产品定价装置，还包括：价格敏感模型构建模块，用于基于历史存量用户特征数据构建价格敏感模型。

其中，所述价格敏感模型构建模块，进一步包括：历史存量用户数据获取单元，特征数据筛选单元，价格敏感模型构建单元，价格敏感模型优化单元。

历史存量用户数据获取单元，用于获取历史存量用户数据；

特征数据筛选单元，用于从所述历史存量用户数据中筛选出历史存量用户特征数据；

价格敏感模型构建单元，用于基于所述历史存量用户特征数据构建价格敏感模型；

价格敏感模型优化单元，用于对所述价格敏感模型的特征参数进行调整，获取优化的价格敏感模型。

其中，所述特征数据筛选单元，进一步包括：数据清洗子单元，特征工程子单元，特征数据优化子单元。

数据清洗子单元，用于对所述历史存量用户数据进行数据清洗，获取标准数据。

特征工程子单元，用于通过特征工程，从所述标准数据中，筛选历史存量用户特征数据。

特征数据优化子单元，用于对所述历史存量用户特征数据进行检验，获取优化的历史存量用户特征数据。

其中，所述动支概率预测模块，进一步包括：算法选取单元，动支概率预测单元。

算法选取单元，用于从集成学习算法中选取xgboost二元分类算法作为价格敏感模型的算法。

动支概率预测单元，用于将所述存量用户特征数据和价格调整额输入价格敏感模型，通过xgboost二元分类算法，预测用户动支概率。

其中，本发明的基于价格敏感模型的金融产品定价装置，还包括：目标用户存储模块，用于通过数据输出接口，输出所述目标用户至存储系统。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图5是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图5来描述根据本发明该实施例的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1所示的步骤。

所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。

所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：获取存量用户特征数据，其中，所述存量用户为未还清借款的用户；将所述存量用户特征数据和价格调整额输入价格敏感模型，预测用户动支概率，其中，所述价格敏感模型，用于预测根据价格调整额进行价格调整后存量用户的动支概率；基于所述动支概率筛选出目标用户；根据所述价格调整额，确定所述目标用户的金融产品定价。。

所述计算机程序可以存储于一个或多个计算机可读介质上，如图6所示。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。