1.本技术涉及大数据分析领域，特别涉及一种基于机器学习的理赔方法和系统。
背景技术：
：：2.随着保险行业的发展和居民用户的健康保障意识的提升，用户的投保群体规模越来越大，因此，对保险公司理赔案件业务处理的时效能力以及案件欺诈风险识别能力带来了更高的挑战。3.目前的理赔服务主要通过人工进行理赔以及风险管控，也有商保公司对外推出了智能理赔系统，但该智能理赔系统准确率低，经常需要人工介入，因此，导致理赔效率低，难以满足用户快速的理赔需求。技术实现要素：4.本技术实施例提供一种基于机器学习的理赔方法和系统，通过分析理赔案件的当前理赔信息和历史理赔信息，采用配置的理赔模型进行风险预测，提高了对理赔案件骗保概率预测的准确度，不需要人工介入，提高了理赔系统的准确率及效率。5.第一方面，本技术实施例提供一种基于机器学习的理赔方法，包括：6.根据理赔请求获取理赔案件信息，并根据理赔案件信息获取病历信息和投保信息，理赔案件信息包括当前理赔信息和历史理赔信息；7.将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，预测结果用于指示骗保概率，其中，理赔模型包括第一风控子模型和第二风控大模型，第一风控子模型用于根据病历信息获得风险因子系数，第二风控大模型用于根据风险因子系数和投保信息获得预测结果；8.将预测结果发送至理赔系统，以使理赔系统根据预测结果执行对应的理赔策略。9.可选的，根据理赔请求获取理赔案件信息，包括：10.接收理赔系统发送的理赔请求，理赔请求中包括被保险人信息；根据被保险人信息获取历史理赔信息和当前理赔信息；根据当前理赔信息和历史理赔信息，得到理赔案件信息。11.可选的，若理赔请求是通过线上获取的，则将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，包括：12.将理赔案件信息输入至第一理赔模型，获得第一预测结果，若第一预测结果大于第一预设值，则将理赔案件信息输入至第二理赔模型，获得第二理赔模型输出的第二预测结果，第一理赔模型和第二理赔模型的结构相同，第一理赔模型的训练数据为全量训练数据，第二理赔模型的训练数据为高骗保率的训练数据，第二预测结果为发送至理赔系统的预测结果；13.若第一预测结果小于第一预设值，则第一预测结果为发送至理赔系统的预测结果。14.可选的，根据被保险人信息获取历史理赔信息和当前理赔信息，包括：15.根据被保险人信息，从第一在线数据库中获取当前理赔信息，并从离线数据库中获取历史理赔信息，第一在线数据库用于存储线上理赔请求对应的当前理赔信息。16.可选的，若理赔请求是通过线下获取的，则将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，包括：17.将理赔案件信息输入至第二理赔模型，获得第二理赔模型输出的第二预测结果。18.可选的，根据被保险人信息获取历史理赔信息和当前理赔信息，包括：19.根据被保险人信息，从第三在线数据库中获取当前理赔信息，并从离线数据库中获取历史理赔信息，第三在线数据库用于存储线下请求对应的当前理赔信息。20.可选的，根据当前理赔信息和所述历史理赔信息，得到理赔案件信息，包括：21.采用实时计算引擎flink对当前理赔信息和所述历史理赔信息进行处理，得到以结构化数据呈现的理赔案件信息；若当前理赔信息是通过线上获取的，则将理赔案件信息存储至第二在线数据库。若当前理赔信息是通过线下获取的，则将理赔案件信息存储至第四在线数据库。22.第二方面，本技术实施例提供一种基于机器学习的理赔系统，包括：23.获取模块，用于根据理赔请求获取理赔案件信息，并根据理赔案件信息获取病历信息和投保信息，理赔案件信息包括当前理赔信息和历史理赔信息；24.计算模块，用于将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，预测结果用于指示骗保概率，其中，理赔模型包括第一风控子模型和第二风控大模型，第一风控子模型用于根据病历信息获得风险因子系数，第二风控大模型用于根据风险因子系数和投保信息获得所述预测结果；25.发送模块，用于将预测结果发送至理赔系统，以使理赔系统根据预测结果执行对应的理赔策略。26.第三方面，本技术实施例提供一种电子设备，包括：存储器和处理器；27.存储器用于存储计算机指令；处理器用于运行存储器存储的计算机指令实现第一方面中任一项的方法。28.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现第一方面中任一项的方法。29.第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项的方法。30.本技术实施例提供的基于机器学习的理赔方法和系统，通过获取用户前理赔信息和历史理赔信息，通过理赔模型对理赔请求相关的案件信息进行分析，获得理赔请求对应的风险等级，理赔系统根据风险等级执行对应的理赔策略。通过设置具有两层子模型结构的理赔模型，可以充分利用案件相关的所有信息，分析理赔请求的风险等级，可以获得较为准确的预测结果，有效提升的模型的预测结果，不需要中间人工进行干预，提高了理赔系统的理赔效率。附图说明31.图1为本技术实施例提供的场景示意图；32.图2为本技术实施例提供的基于机器学习的理赔方法的流程示意图；33.图3为本技术实施例提供的又一基于机器学习的理赔方法的流程示意图；34.图4为本技术实施例提供的基于机器学习的理赔系统的结构示意图；35.图5为本技术实施例提供的又一基于机器学习的理赔系统的结构示意图；36.图6为本技术实施例提供的基于机器学习的理赔电子设备的结构示意图；具体实施方式37.为了便于清楚描述本技术实施例的技术方案，以下，对本技术实施例中所涉及的部分术语和技术进行简单介绍：38.1)自然语言处理(naturallanguageprocessing，nlp)算法是一种人工智能算法利用计算机为工具，对书面形式或者口头形式的内容进行各种各样的处理和加工的技术。39.2)医疗保险第三方管理公司(thirdpartyadministratorforgroupmedicalinsurance，tpa)是医疗保健行业内，向健康保险公司、或者经营医疗保险特别是医疗费用保险的保险公司提供第三方管理服务的公司，其业务包括提供新契约与保全服务、处理理赔、提供客户服务、医疗服务机构网络、安排医疗费用结算服务等。40.3)flink是一种实时计算处理工具，可以对离线数据和实时数据进行同步处理。41.4)其他术语42.在本技术的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。43.需要说明的是，本技术实施例中，“示例性的”或者“例如”等词用于表示例子、例证或说明。本技术中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。44.下面结合附图对本技术实施例提供的智能理赔方法进行详细地介绍。需要说明的是，本技术实施例中的“在……时”，可以为在某种情况发生的瞬时，也可以为在某种情况发生后的一段时间内，本技术实施例对此不作具体限定。45.随着互联网保险的持续发展以及投保群体规模越来越大，尤其是近期商保公司和各地政府合作的惠民保等产品出台，再度提升了居民用户的健康保障意识，商保公司带来健康险保费快速增长的同时，对于理赔案件业务处理的时效能力以及案件欺诈风险识别能力也带来了更高的挑战。46.其次，医疗险行业本身存在产品同质化严重，单从产品保障条款以及价格同业差异微小，各家商保公司很难体现产品自身独特的竞争优势，后端理赔服务能力成为了一项重要的核心竞争力。目前，保险同业中也有商保公司对外推出了智能理赔系统，但该智能理赔系统准确率低，大多是需要中间人工介入，并非做到线上实时决策、实时自动理赔。47.有鉴于此，本技术提供一种基于机器学习的理赔方法和系统，通过分析用户提供的实时理赔请求以及历史理赔信息，充分利用理赔案件相关的信息，可以有效分析理赔案件的骗保概率，根据骗保概率执行对应的理赔策略，有效提升了理赔系统的准确率。48.下面以具体地实施例对本发明的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。49.图1为本技术实施例提供的场景示意图，包括理赔系统和对应的服务器。50.理赔系统用于接收用户的理赔请求，服务器用于根据理赔系统接收的理赔请求计算该理赔请求的骗保概率，并将计算的骗保概率发送至理赔系统，以使理赔系统根据骗保概率执行相应的理赔策略。51.示例性的，用户在理赔系统输入理赔请求以及相关的理赔信息后，例如，报案人姓名、报案原因等信息，服务器根据理赔信息判断该理赔请求的骗保概率，如低骗保概率或者高骗保概率，并将该骗保概率发送至理赔系统，理赔系统可以根据骗保概率的大小执行相应的理赔策略，例如，理赔请求为低骗保概率时，立即对用户的理赔请求进行赔付。52.上面对本技术的场景示意图进行了简单说明，下面以应用于图1中的服务器为例，来详细说明本技术实施例提供的基于机器学习的理赔方法。53.图2为本技术提供的基于机器学习的理赔方法的流程示意图，包括如下步骤：54.s201、根据理赔请求获取理赔案件信息，并根据理赔案件信息获取病历信息和投保信息，理赔案件信息包括当前理赔信息和历史理赔信息。55.本技术实施例中，理赔请求可以指理赔系统接收到用户对理赔系统的触发时生成的请求，例如，理赔请求中可以包括当前用户需要进行理赔的案件的被保险人的身份信息。56.当前理赔信息指用户当前需要进行理赔的案件相关信息，如报案申请信息、案件票据费用信息、案件就诊病历信息等信息。57.本技术实施例中，当前理赔信息可以是理赔请求中包括的，即，用户在对理赔系统触发时，可以同时输入相关信息，也可以是理赔请求生成后，单独输入至理赔系统的。58.历史理赔信息指用户属性信息，如用户的画像、历史投保行为、历史就诊行为信息等。59.投保信息是指理赔案件信息中除病历信息外的其余信息。60.服务器可以根据理赔请求获取理赔案件信息，并在理赔案件信息中将病历信息筛选出来，将其余信息作为投保信息。61.s202、将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，预测结果用于指示骗保概率。62.其中，理赔模型包括第一风控子模型和第二风控大模型，第一风控子模型用于根据病历信息获得风险因子系数，第二风控大模型用于根据风险因子系数和投保信息获得预测结果。63.风险因子系数用于初步指示理赔请求的骗保概率，风险因子系数越高，理赔请求的骗保概率越高。64.预测结果为理赔模型根据理赔案件信息计算出的理赔请求的风险等级，风险等级可以分为低风险、中风险以及高风险，风险等级越高，该理赔请求的骗保概率就越高。65.服务器将理赔案件信息中的病历信息输入至理赔模型中的第一风控子模型，获得第一风控子模型输出的风险因子系数，将风险因子系数与理赔案件信息中的投保信息输入至第二风控大模型，获得第二风控大模型输出的预测结果。66.s203、将预测结果发送至理赔系统，以使理赔系统根据预测结果执行对应的理赔策略。67.服务器将理赔模型输出的预测结果发送至理赔系统，理赔系统根据预测结果执行对应的理赔策略，例如，预测结果为理赔请求的风险等级为低风险，理赔系统可以立即对该理赔请求进行赔付。68.本技术实施例提供的基于机器学习的理赔方法，通过获取用户前理赔信息和历史理赔信息，通过理赔模型对理赔请求相关的案件信息进行分析，获得理赔请求对应的风险等级，理赔系统根据风险等级执行对应的理赔策略。通过设置具有两层子模型结构的理赔模型，可以充分利用案件相关的所有信息，分析理赔请求的风险等级，可以获得较为准确的预测结果，有效提升的模型的预测结果，不需要中间人工进行干预，提高了理赔系统的理赔效率。69.图3为本技术实施例提供的又一基于机器学习的理赔方法的流程示意图，包括如下步骤：70.s301、接收理赔系统发送的理赔请求，理赔请求中包括被保险人信息。71.服务器根据理赔系统发送的理赔请求，获取理赔请求中包括被保险人信息，例如被保险人信息可以包括姓名、年龄、参与保险的种类等。72.s302、判断理赔请求是否为通过线上获取的，若是，可以执行s303所示步骤，若否，可以执行s304所示步骤。73.理赔请求的来源分为线上和线下两种渠道，线上可以为用户通过理赔系统实时输入的理赔请求，线下可以为用户在门店提出的理赔请求，工作人员将该理赔请求导入至理赔系统中的理赔请求。74.服务器通过判断理赔请求的来源，执行对应的工作流程。75.s303、根据被保险人信息在第一数据库中获取当前理赔信息和在离线数据库中获取历史理赔信息。76.本技术实施例中，服务器中设置有多个在线数据库和一个离线数据库，每个数据库中存储有不同种类的信息。可以理解的是，数据库的数量可以根据实际需求进行设定，本技术实施例对此不进行限定。77.本技术实施例中，采用kafka数据平台作为在线数据库，采用表格存储(opentablestore，ots)作为离线数据库。78.理赔系统在接收用户输入的当前理赔信息后，服务器对该当前理赔信息加上预测身份标识号(identitydocument，id)，放入第一在线数据库中。预测id用于对理赔请求进行区分，第一数据库用于存储线上理赔请求对应的当前理赔信息。79.服务器根据被保险人信息在本地数据库中获取对应的历史理赔信息，并推送至ots中。本地数据库与服务器可以通过无线或者有线网络连接，本地数据库中存储着所有用户的历史理赔信息。80.示例性的，用户张三在理赔系统提交了理赔请求，理赔系统将接收的理赔请求对应当前理赔信息发送至服务器，服务器将当前理赔信息进行打包，加上预测id，例如张三+理赔请求时间，发送至第一数据库中。根据被保险人信息在本地数据库中获取对应的历史理赔信息，加上同样的预测id，推送至ots。81.若服务器需要对该理赔请求进行处理时，可以通过保险人信息在第一在线数据库中获取对应的当前理赔信息和在离线数据库中获取对应的历史理赔信息。82.s304、根据被保险人信息在第三数据库中获取当前理赔信息和在离线数据库中获取历史理赔信息。83.第三数据库用于储存线下渠道的理赔请求对应的当前理赔信息。获取的实现方式和s303所示的实现方式类似，此处不在赘述。84.s305、根据当前理赔信息和历史理赔信息，获得理赔案件信息。85.服务器采用实时计算引擎flink对获取的当前理赔信息和历史理赔信息进行处理，得到以结构化数据呈现的理赔案件信息。86.示例性的，当前理赔信息和历史理赔信息通常都是以非结构化的形式输入至数据库中的，如文本形式。服务器采用实时计算引擎flink对该非结构化数据进行解析、指标聚合、以及合并加工，将除病历信息外的其余非结构化数据处理成结构化数据，最终的理赔案件信息的表现形式为病历信息和其余以结构化数据呈现的信息。87.若理赔请求是通过线上获取的，获得理赔案件信息后，可以执行s306所示步骤，若理赔请求是通过线下获取的，获得理赔案件信息后，可以执行s308所示步骤。88.若理赔请求是通过线上获取的，将获得的理赔案件信息存储至第二在线数据库，若理赔请求是通过线下获取的，将获得的理赔案件信息存储至第四在线数据库。89.s306、将理赔案件信息输入至第一理赔模型，获得第一预测结果。90.第一理赔模型为使用全量数据进行训练后获得的理赔模型，可以对所有的理赔案件进行分析识别。91.第一理赔模型包括第一风控子模型和第二风控大模型，服务器从第二数据库中获取理赔案件信息，将理赔案件信息中的病历信息输入至第一风控子模型中，第一风控子模型采用nlp算法，获得病历信息对应的风险因子系数，将风险因子系数与理赔案件信息中其余以结构化数据呈现的信息输入至第二风控大模型，获得理赔案件信息对应的第一预测结果。92.s307、判断第一预测结果是否大于第一预设值，若是，可以执行s308所示步骤，若否，可以执行s309所示步骤。93.第一预设值为根据模型训练经验设定的数值，第一理赔模型输出的预测结果小于第一预设值的理赔请求，通常为低风险的理赔请求，可以进行直接赔付。预测结果大于第一预设值的理赔请求，通常为中高风险的理赔请求，需要进一步进行判断。94.服务器在判断第一预测结果大于第一预设值时，执行s308所示步骤，在第一预测结果小于第一预设值时，执行s309所示步骤。95.s308、将理赔案件信息输入至第二理赔模型，获得第二预测结果。96.第二理赔模型的结构相同和第一理赔模型，第二理赔模型的训练数据为高骗保率的训练数据。通过使用高骗保率的训练数据对第二理赔模型进行训练，可以更好的对骗保率较高的理赔案件信息进行分析识别。97.服务器将第一理赔模型预测结果大于第一预设值的理赔案件信息输入至第二理赔模型，获得第二预测结果。其具体的实现方式和第一理赔模型的实现方式相似，此处不在赘述。98.针对线上的理赔请求，服务器从第二数据库中获取对应的理赔案件信息输入至第二理赔模型，针对线下的理赔请求，服务器从第四数据库中获取对应的理赔案件信息输入至第二理赔模型。99.s309、将第一预测结果发送至理赔系统，以使理赔系统根据第一预测结果进行理赔。100.本技术实施例中，理赔系统接受到的第一预测结果通常为低风险案件，可以实时进行赔付处理，对应的理赔规则为自动快赔，即，对于第一预测结果，理赔系统接收到服务器发送的该预测结果后，对应的理赔案件直接流入到自动快赔通道中，理赔系统实时进行赔付处理。101.s310、将第二预测结果发送至理赔系统，以使理赔系统根据第二预测结果进行理赔。102.本技术实施例中，理赔系统接受到的第二预测结果对应的理赔案件通常为中高险案件，理赔系统判断第二预测结果是否大于第二预设值，若第二预测结果小于第二预设值，则该理赔案件为风险较低的理赔案件，对应的理赔规则为tpa一日赔付。若第二预测结果大于第二预设值，则该理赔案件为风险较高的理赔案件，对应的理赔规则为tpa正常赔付。即，对于理赔系统接收的第二预测结果，判断是否大于第二预设值，将第二预测结果大于第二预设值的理赔案件流入至tpa正常赔付服务通道中，将小于第二预设值的理赔案件流入至tpa一日赔付服务通道中。103.本技术实施例提供的基于机器学习的理赔方法，通过获取理赔请求对应的当前理赔信息和历史理赔信息，并对理赔信息采用flink计算引擎进行处理，获得结构化的理赔案件信息，结合nlp算法，模型训练，可以充分分析所有的理赔报案信息以及案件用户过往的历史信息，有效提升了理赔模型的预测准确率。对于第一理赔模型输出的低风险案件，分发流入到快赔服务通道进行后续自动审核以及自动理算。对于第二理赔模型输出的较低风险案件，分发流入到tpa一日赔时效理赔服务通道。对于第二理赔模型输出的中高风险案件，分发流入到tpa正常理赔作业服务通道。将传统的tpa理赔模式打造成了以“自动快赔优先、tpa一日赔为主、tpa正常赔付补充”的理赔模式。有效降低了理赔时长，提升了用户体验。104.图4为本技术实施例提供的基于机器学习的理赔系统40的结构示意图，包括：105.获取模块401，用于根据理赔请求获取理赔案件信息，并根据理赔案件信息获取病历信息和投保信息，理赔案件信息包括当前理赔信息和历史理赔信息。106.计算模块402，用于将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，预测结果用于指示骗保概率，其中，理赔模型包括第一风控子模型和第二风控大模型，第一风控子模型用于根据病历信息获得风险因子系数，第二风控大模型用于根据风险因子系数和投保信息获得预测结果。107.发送模块403，用于将预测结果发送至理赔系统，以使理赔系统根据预测结果执行对应的理赔策略。108.本技术实施例提供的基于机器学习的理赔系统可以执行图2所示的方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。109.图5为本技术实施例提供的又一基于机器学习的理赔系统50的结构示意图，包括：数据处理模块501、模型计算模块502以及理赔服务模块503。110.数据处理模块501，用于根据理赔请求在线数据库中获取当前理赔信息和在离线数据库中获取历史理赔信息。并根据当前理赔信息和历史理赔信息，获得理赔案件信息。111.模型计算模块502，用于将理赔案件信息输入至理赔模型，获得对应的预测结果。112.具体为，针对线上理赔请求，将理赔案件信息输入至第一理赔模型，获得第一预测结果。并判断判断第一预测结果是否大于第一预设值，在第一预测结果大于第一预设值时，将理赔案件信息输入至第二理赔模型，获得第二预测结果。将第二预测结果作为发送至理赔系统的预测结果；若第一预测结果小于第一预设值，则将第一预测结果作为发送至理赔系统的预测结果。113.针对线下理赔请求，将理赔案件信息输入至第二理赔模型，获得第二预测结果，将第二预测结果作为发送至理赔系统的预测结果。114.理赔服务模块503，用于根据预测结果执行对应的理赔策略。115.具体为，对于第一预测结果，理赔系统接收到服务器发送的该预测结果后，对应的理赔案件直接流入到自动快赔通道中，理赔系统实时进行赔付处理。116.对于理赔系统接收的第二预测结果，判断是否大于第二预设值，将第二预测结果大于第二预设值的理赔案件流入至tpa正常赔付服务通道中，将小于第二预设值的理赔案件流入至tpa一日赔付服务通道中。117.本技术实施例提供的基于机器学习的理赔系统可以执行图3所示的方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。118.图6为本技术实施例提供的基于机器学习的理赔电子设备的结构示意图。如图6所示，本实施例提供的基于机器学习的理赔电子设备60可以包括：119.处理器601。120.存储器602，用于存储电子设备的可执行指令。121.其中，处理器配置为经由执行可执行指令来执行上述基于机器学习的理赔方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。122.本技术实施例中还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述基于机器学习的理赔方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。123.一种可能的实现方式中，计算机可读介质可以包括随机存取存储器(randomaccessmemory，ram)，只读存储器(read-onlymemory，rom)，只读光盘(compactdiscread-onlymemory，cd-rom)或其它光盘存储器，磁盘存储器或其它磁存储设备，或目标于承载的任何其它介质或以指令或数据结构的形式存储所需的程序代码，并且可由计算机访问。而且，任何连接被适当地称为计算机可读介质。例如，如果使用同轴电缆，光纤电缆，双绞线，数字用户线(digitalsubscriberline，dsl)或无线技术(如红外，无线电和微波)从网站，服务器或其它远程源传输软件，则同轴电缆，光纤电缆，双绞线，dsl或诸如红外，无线电和微波之类的无线技术包括在介质的定义中。如本文所使用的磁盘和光盘包括光盘，激光盘，光盘，数字通用光盘(digitalversatiledisc，dvd)，软盘和蓝光盘，其中磁盘通常以磁性方式再现数据，而光盘利用激光光学地再现数据。上述的组合也应包括在计算机可读介质的范围内。124.本技术实施例中还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述基于机器学习的理赔方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。125.在上述终端设备或者服务器的具体实现中，应理解，处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。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。结合本技术实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。126.本领域技术人员可以理解，上述任一方法实施例的全部或部分步骤可以通过与程序指令相关的硬件来完成。前述的程序可以存储于计算机可读取存储介质中，该程序被执行时，执行上述方法实施例的全部或部分的步骤。127.本技术技术方案如果以软件的形式实现并作为产品销售或使用时，可以存储在计算机可读取存储介质中。基于这样的理解，本技术的技术方案的全部或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存储介质中，包括计算机程序或者若干指令。该计算机软件产品使得计算机设备(可以是个人计算机、服务器、网络设备或者类似的电子设备)执行本技术实施例所述方法的全部或部分步骤。128.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本发申请进行了详细的说明，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技术各实施例技术方案的范围。当前第1页12当前第1页12