一种借贷预测模型的训练方法、借贷预测方法和装置与流程

本申请涉及数据分析技术领域，具体而言，涉及一种借贷预测模型的训练方法、借贷预测方法和装置。

背景技术：

目前，各大购物、金融、互联网金融等平台均提供了借贷功能，以便用户在资金不足时可以购买自己感兴趣的物品。在用户需要进行借贷时，各大平台会依据用户的个人基本信息、学历信息、社交信息、工作信息、历史借贷信息等多个维度进行个人借款的偿还能力评估，也就是，个人信用评分，根据信用评分确定是否借贷以及借贷额度。为了拓展金融业务，各大平台也会基于用户的数据对用户未来是否进行借贷进行预测，但是，现有的预测模型相对单一，预测的准确度不高，不利于各大平台开展业务拓展工作。

技术实现要素：

有鉴于此，本申请的目的在于提供一种借贷预测模型训练方法、借贷预测方法和装置，用于解决现有技术中预测用户的借贷准确度较低的问题。

第一方面，本申请实施例提供了一种借贷预测模型的训练方法，该方法包括：

基于获取的多个用户的历史借贷数据，确定借贷属性特征以及借贷行为特征；

将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练；

基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理，得到借贷预测模型。

可选地，基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理，具体包括：

将所述至少两个预设模型的预测结果作为自变量，将借贷行为特征作为因变量，构建融合模型并进行训练。

可选地，将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练，具体包括：

基于获取的多个用户的历史借贷数据，确定每个用户对应借贷属性特征的特征值，以及对应借贷行为特征的特征值；

确定至少两个预设模型；并

针对每个预设模型，将每个用户对应借贷属性特征的特征值作为自变量的值，将对应借贷行为特征的特征值作为因变量的值，对该预设模型进行训练，得到完成训练的至少两个预设模型。

可选地，所述至少两个预设模型包括：神经网络预测模型；

针对每个预设模型，将每个用户对应借贷属性特征的特征值作为自变量的值，将对应借贷行为特征的特征值作为因变量的值，对该预设模型进行训练，具体包括：

针对多个神经网络模型，分别执行如下训练操作，其中，多个神经网络具有不同的神经网络层数：

将每个用户对应借贷属性特征的特征值作为自变量的值，将对应借贷行为特征的特征值作为因变量的值，对当前神经网络模型进行训练，得到当前神经网络模型参数，以及用于衡量模型预测准确性的预设指标的指标值；

将表征预测准确性最高的指标值对应的神经网络模型作为最终确定的神经网络预测模型。

可选地，所述多个用户的历史借贷数据包括所述多个用户的第一历史时间段的历史借贷数据，和所述多个用户的第二历史时间段的历史借贷数据，且第一历史时间段早于第二历史时间段；

基于获取的多个用户的历史借贷数据，确定每个用户对应借贷属性特征的特征值，以及对应借贷行为特征的特征值，具体包括：

基于获取的所述多个用户的第一历史时间段的历史借贷数据，确定每个用户对应借贷属性特征的特征值；

基于获取的所述多个用户的第二历史时间段的历史借贷数据，确定每个用户对应借贷行为特征的特征值。

第二方面，本申请实施例提供了一种借贷预测方法，该方法包括：

基于获取的待预测用户的历史借贷数据，确定所述待预测用户的借贷属性特征的特征值；

将确定的借贷属性特征的特征值作为自变量，输入如上所述的确定的借贷预测模型，预测所述待预测用户的借贷概率。

第三方面，本申请实施例提供了一种借贷预测模型的训练装置，该装置包括：

第一处理模块，用于基于获取的多个用户的历史借贷数据，确定借贷属性特征以及借贷行为特征；

训练模块，用于将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练；

第二处理模块，用于基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理，得到借贷预测模型。

第四方面，本申请实施例提供了一种借贷预测装置，该装置包括：

处理模块，用于基于获取的待预测用户的历史借贷数据，确定所述待预测用户的借贷属性特征的特征值；

预测模块，用于将确定的借贷属性特征的特征值作为自变量的值，输入如上确定的借贷预测模型，预测所述待预测用户的借贷概率。

第五方面，本申请实施例提供了一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

第六方面，本申请实施例提供了一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的方法的步骤。

本申请实施例提供的借贷预测模型的训练方法、借贷预测方法和装置，将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练，基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理，得到借贷预测模型，相对于单一模型进行借贷预测，提高了进行借贷预测的准确度，便于进行精准的金融营销。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种借贷预测模型的训练方法的流程示意图；

图2为本申请实施例提供的一种逻辑回归预测模型的预测准确度的示意图；

图3为本申请实施例提供的一种神经网络层数和指标值之间对应关系的示意图；

图4为本申请实施例提供的一种神经网络预测模型的预测准确度的示意图；

图5为本申请实施例提供的一种借贷预测方法的流程示意图；

图6为本申请实施例提供的一种借贷预测模型的训练装置的结构示意图；

图7为本申请实施例提供的一种借贷预测装置的结构示意图；

图8为本申请实施例提供的一种计算机设备800的结构示意图；

图9为本申请实施例提供的一种计算机设备900的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。

如图1所示，本申请实施例提供了一种借贷预测模型的训练方法，该方法包括以下步骤：

S101，基于获取的多个用户的历史借贷数据，确定借贷属性特征以及借贷行为特征；

具体地，历史借贷数据可以从预设平台如淘宝、京东等购物平台获取，一般包括用户信息、订单信息、用户的点击信息、借款金额、借款相关信息等。每个用户的具体的历史借贷数据可参考下表：

借贷属性特征和借贷行为特征一般可以基于上述历史借贷数据确定，其中，借贷属性特征表征用户的购买力及用户的借款金额信息，借贷行为特征表征用户是否借款。

S102，将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练；

具体地，预设模型可以是逻辑回归模型、神经网络预测模型等等，本申请对此不予限制。

将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练，具体包括以下步骤：

步骤一、基于获取的多个用户的历史借贷数据，确定每个用户对应借贷属性特征的特征值，以及对应借贷行为特征的特征值；

步骤二、确定至少两个预设模型；并

步骤三、针对每个预设模型，将每个用户对应借贷属性特征的特征值作为自变量的值，将对应借贷行为特征的特征值作为因变量的值，对该预设模型进行训练，得到完成训练的至少两个预设模型。

这里，获取的历史借贷数据一般是多个用户在多个历史时间段的数据，多个用户的历史借贷数据包括所述多个用户的第一历史时间段的历史借贷数据，和多个用户的第二历史时间段的历史借贷数据，且第一历史时间段早于第二历史时间段；

在基于获取的多个用户的历史借贷数据，确定每个用户对应借贷属性特征的特征值，以及对应借贷行为特征的特征值，具体包括以下步骤：

步骤一、基于获取的所述多个用户的第一历史时间段的历史借贷数据，确定每个用户对应借贷属性特征的特征值；

步骤二、基于获取的所述多个用户的第二历史时间段的历史借贷数据，确定每个用户对应借贷行为特征的特征值。

进一步地，本发明实施例中训练的借贷预测模型在完成训练实际使用时，可以根据用户的历史借贷信息对该用户在未来时间内是否会发生借贷行为进行预测，因此，在进行训练时，作为借贷属性特征的特征值可以来自第一历史时间段的历史借贷数据，作为借贷行为特征的特征值可以来自第二历史时间段的历史借贷数据。较佳地，第一历史时间段与第二历史时间段之间的时间间隔为第一时间间隔，借贷预测模型在使用时使用的历史借贷信息所在时间段与需要预测是否借贷的未来时间段之间的时间间隔为第二时间间隔，第一时间间隔与第二时间间隔一致。

具体地，时间段可以是连续的天数、月份或年份等，第一历史时间段一般包括多个时间段，如，连续的3个月。第二历史时间段一般为1个时间段，如，1个月。第一历史时间段和第二历史时间段可以是连续的时间段，但是，第一历史时间段早于第二历史时间段，例如，第一历史时间段可以是7月、8月、9月，第二历史时间段可以是10月，那么预测的时候，可以基于9月、10月、11月的借贷信息，对12月的借贷行为进行预测(假设7月-11月是历史时间段，12月是未来时间段)。

在具体实施中，获取用户的第二历史时间段的历史借贷数据后，可以根据历史借贷数据中的历史借贷金额，确定每个用户对应借贷行为特征的特征值，例如，若用户A在10月份借款10000元，此时，用户A对应的借贷行为特征的特征值为1，若用户A在10月份借款0元，此时，用户A对应的借贷行为特征的特征值为0。

获取多个用户的第一历史时间段的历史借贷数据后，可以基于获取的上述历史借贷数据构建如下衍生变量：

在得到上述衍生变量后，可以基于各个衍生变量的数据量，采用预设的特征处理方法对所述衍生变量进行处理，得到借贷属性特征的特征值。其中，预设的特征处理方法包括证据权重(Weight of evidence、WOE)分箱处理方法、哑变量化处理方法、决策树分箱处理方法、等频分箱处理方法、标准化处理方法等，采用上述方法对上述衍生变量进行处理的过程在现有技术中已有详细的介绍，此处不再进行过多说明。

以初始额度为例进行说明，例如，初始额度包括1000、5000、10000、20000，X用户对应的初始额度为5000，采用哑变量化处理方法对X用户的初始额度进行处理后，得到的上述初始额度对应的借贷属性特征的特征值为(0、1、0、0)。

当两个预设模型分别为逻辑回归预测模型和神经网络预测模型时，将确定的借贷属性特征的特征值作为自变量的值，将借贷行为特征的特征值作为因变量的值，分别输入逻辑回归预测模型和神经网络预测模型进行训练，得到完成训练的逻辑回归预测模型和神经网络预测模型。

在得到完成训练的逻辑回归预测模型后，对应得到用于衡量模型预测准确性的指标值。其中，该指标值可以为柯尔莫哥洛夫-斯米诺夫检验KS(Kolmogorov-Smirnov test)校验值、接收者操作特征曲线下方的面积AUC(Area under Curve of receiver operating characteristic curve)指标值。逻辑回归预测模型的预测结果如下：

其中，Estimate对应的值为逻辑回归预测模型中各自变量的权重。

逻辑回归预测模型的KS校验值为0.587，AUC指标值为0.856，可参考图2。

逻辑回归预测模型的原理如下：

多元线性模型为：h(x)＝a0+a1x1+a2x2+…+anxn

其中，h(x)为多元线性模型的因变量，a0、a1、……an为自变量的权重，x1、x2、……xn为多元线性模型的自变量。

使用多元线性模型来对物品进行分类，预先设定阀值，然后将所有因变量h(x)大于阀值的样本分为一类，其他的分为另一类。但这种方式存在一个问题，由于h(x)的值是任意大小的，阀值的选择是一件困难的事情，为了便于阀值的选择，对其进行归一化处理。

设阀值为：t，则

其中，ha(x)为利用多元线性模型预测结果；

假设：

a0＝a0-t，a^Tx＝a0+a1x1+…+anxn

在此使用S型(sigmoid)函数对其进行归一化。

此时，若使用平方最小误差函数来估算参数，由于归一化后的函数为非凸函数，故而不能使用梯度下降法来找到其最小值。但使用极大似然估计的方法估计模型参数。

由于是二分类，可以假设：

p(y＝1|xi)＝ha(xi)，p(y＝0|xi)＝1-ha(xi)

其中，P(y＝1|xi)为预测结果为1的概率；

ha(xi)为

所以似然函数为：

其中，h(xi)为

m为正整数；

对数似然函数L(a)：

对L(a)求极大值，得到a的估计值。

在预设模型为神经网络预测模型时，由于神经网络具有不同的神经网络层数，针对多个神经网络模型，分别执行如下训练操作：

将每个用户对应借贷属性特征的特征值作为自变量的值，将对应借贷行为特征的特征值作为因变量的值，对当前神经网络模型进行训练，得到当前神经网络模型参数，以及用于衡量模型预测准确性的预设指标的指标值；

将表征预测准确性最高的指标值对应的神经网络模型作为最终确定的神经网络预测模型。

在具体实施中，神经网络的层数可以设置为最多10层，从一层开始，每增加一层对应一个神经网络模型，将借贷属性特征的特征值作为自变量的值，将借贷行为特征的特征值作为因变量的值，分别输入上述神经网络模型进行训练，得到各神经网络模型参数，以及衡量模型预测准确性的指标值，如，该指标值可以为KS校验值、AUC指标值。在实际应用中，可以同时得到KS校验值和AUC指标值，参考图3。

指标值越大表征模型预测的准确性越高，因此，将最高的指标值对应的神经网络模型作为最终确定的神经网络预测模型，如图3所示，神经网络层数为9时，对应的指标值最大，该神经网络层数9对应的神经网络模型为最终的神经网络预测模型。

S103，基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理，得到借贷预测模型。

在基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理时，具体包括以下步骤：

将所述至少两个预设模型的预测结果作为自变量，将借贷行为特征作为因变量，构建融合模型并进行训练。

这里，对预设模型进行融合处理，最终得到借贷预测模型，能够得到更好的预测优度，增加借贷预测的准确度。模型融合有下述两种方法：

方法一：模型堆积(Model stacking)，对各预设模型的预测结果投票，采用少数服从多数的原则，通常将几个预设模型的预测结果加权求平均，权值与模型预测优度成正比，与模型的不确定性成反比。

方法二：模型集成(Model ensemble)，将各个预设模型的预测结果作为输出值，训练一个新的分类器，然后，利用训练的分类器的预测结果作为借贷预测模型最终预测结果。

在具体实施中，两个预设模型分别为逻辑回归预测模型和神经网络预测模型，将第一历史时间段对应的借贷属性特征的特征值作为自变量的值，将第二历史时间段的借贷行为特征的特征值作为因变量的值，分别输入逻辑回归预测模型得到第一预测结果，输入最终确定的神经网络预测模型得到第二预测结果。

进一步，将第一预测结果和第二预测结果作为自变量的值，将第二历史时间段的借贷行为特征作为因变量的值，输入构建的融合模型进行训练，最终得到借贷预测模型，同时也可以得到校验模型准确度的KS校验值和AUC指标值。

预测结果如下：

其中，Estimate为上述借贷预测模型的自变量的权重值。

KS校验值为：0.5903507，AUC指标值为：0.856，参考图4，可见采用上述借贷预测模型预测的准确度高于单独采用逻辑回归预测模型或神经网络预测模型预测的准确性。

如图5所示，本申请实施例提供了一种借贷预测方法，具体包括：

S501，基于获取的待预测用户的历史借贷数据，确定所述待预测用户的借贷属性特征的特征值；

S502，将确定的借贷属性特征的特征值作为自变量，输入上述确定的借贷预测模型，预测所述待预测用户的借贷概率。

具体地，获取的待预测用户的历史借贷数据可以是1个历史时间段或者多个历史时间段的历史借贷数据；基于历史借贷数据确定待预测用户的借贷属性的特征值的过程，可以参考上文的过程，此处不再进行过多说明。

在一个实施例中，若要预测待预测用户在四月份进行借贷的概率，可以获取的待预测用户的一月、二月、三月的历史借贷数据，根据获取的上述历史借贷数据，确定待预测用户的借贷属性特征的特征值，该过程已在上文进行详细描述，此处不在进行过多说明。

将确定的借贷属性特征的特征值作为自变量的值，分别输入训练完成的上述两个预设模型，得到每个预设模型对应的预测结果，将得到的预测结果作为自变量的值，输入完成训练的借贷预测模型，最终得到待预测用户的借贷概率。

如图6所示，本申请实施例提供了一种借贷预测模型的训练装置，该装置包括：

第一处理模块61，用于基于获取的多个用户的历史借贷数据，确定借贷属性特征以及借贷行为特征；

训练模块62，用于将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练；

第二处理模块63，用于基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理，得到借贷预测模型。

可选地，所述第二处理模块63具体用于：

将所述至少两个预设模型的预测结果作为自变量，将借贷行为特征作为因变量，构建融合模型并进行训练。

可选地，所述训练模块63具体包括：

基于获取的多个用户的历史借贷数据，确定每个用户对应借贷属性特征的特征值，以及对应借贷行为特征的特征值；

确定至少两个预设模型；并

针对每个预设模型，将每个用户对应借贷属性特征的特征值作为自变量的值，将对应借贷行为特征的特征值作为因变量的值，对该预设模型进行训练，得到完成训练的至少两个预设模型。

可选地，所述至少两个预设模型包括：神经网络预测模型；

所述训练模块62还用于：针对每个预设模型，将每个用户对应借贷属性特征的特征值作为自变量的值，将对应借贷行为特征的特征值作为因变量的值，对该预设模型进行训练，具体包括：

针对多个神经网络模型，分别执行如下训练操作，其中，多个神经网络具有不同的神经网络层数：

将每个用户对应借贷属性特征的特征值作为自变量的值，将对应借贷行为特征的特征值作为因变量的值，对当前神经网络模型进行训练，得到当前神经网络模型参数，以及用于衡量模型预测准确性的预设指标的指标值；

将表征预测准确性最高的指标值对应的神经网络模型作为最终确定的神经网络预测模型。

可选地，所述多个用户的历史借贷数据包括所述多个用户的第一历史时间段的历史借贷数据，和所述多个用户的第二历史时间段的历史借贷数据，且第一历史时间段早于第二历史时间段；

可选地，所述第一处理模块61具体用于：

基于获取的所述多个用户的第一历史时间段的历史借贷数据，确定每个用户对应借贷属性特征的特征值；

基于获取的所述多个用户的第二历史时间段的历史借贷数据，确定每个用户对应借贷行为特征的特征值。

如图7所示，本申请实施例提供了一种借贷预测装置，该装置包括：

处理模块71，用于基于获取的待预测用户的历史借贷数据，确定所述待预测用户的借贷属性特征的特征值；

预测模块72，用于将确定的借贷属性特征的特征值作为自变量的值，输入如上述借贷预测模型的训练装置确定的借贷预测模型，预测所述待预测用户的借贷概率。

对应于图1中的借贷预测模型的训练方法，本申请实施例还提供了一种计算机设备800，如图8所示，该设备包括存储器801、处理器802及存储在该存储器801上并可在该处理器802上运行的计算机程序，其中，上述处理器802执行上述计算机程序时实现上述借贷预测模型的训练方法。

具体地，上述存储器801和处理器802能够为通用的存储器和处理器，这里不做具体限定，当处理器802运行存储器801存储的计算机程序时，能够执行上述借贷预测模型的训练方法，从而解决现有技术中预测用户的借贷准确度较低的问题，将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练，基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理，得到借贷预测模型，相对于单一模型进行借贷预测，提高了进行借贷预测的准确度，便于进行精准的金融营销。

对应于图1中的借贷预测模型的训练方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述借贷预测模型的训练方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述借贷预测模型的训练方法，从而解决现有技术中预测用户的借贷准确度较低的问题，将所述借贷属性特征作为自变量，将所述借贷行为特征作为因变量，构建至少两个预设模型并进行训练，基于所述至少两个预设模型得到的预测结果，采用预设模型融合方法对所述至少两个预设模型进行融合处理，得到借贷预测模型，相对于单一模型进行借贷预测，提高了进行借贷预测的准确度，便于进行精准的金融营销。

对应于图5中的借贷预测方法，本申请实施例还提供了一种计算机设备900，如图9所示，该设备包括存储器901、处理器902及存储在该存储器901上并可在该处理器902上运行的计算机程序，其中，上述处理器902执行上述计算机程序时实现上述借贷预测方法。

具体地，上述存储器901和处理器902能够为通用的存储器和处理器，这里不做具体限定，当处理器902运行存储器901存储的计算机程序时，能够执行上述借贷预测方法，从而解决现有技术中预测用户的借贷准确度较低的问题，提高了进行借贷预测的准确度，便于进行精准的金融营销。

对应于图5中的借贷预测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述借贷预测方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述借贷预测方法，从而解决现有技术中预测用户的借贷准确度较低的问题，提高了进行借贷预测的准确度，便于进行精准的金融营销。

在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。