对象评级方法、装置、设备及计算机可读存储介质与流程

本公开实施例涉及计算机技术领域，尤其涉及对象评级方法、装置、设备及计算机可读存储介质。

背景技术：

随着互联网的发展，会有越来越多的对象和外部对象发生关联，与外部对象发生关联的深入程度取决于给对象的可靠性评估的结果。但是目前可靠性评估方法当中主要是采用专家经验对影响变量赋予一定的权重和分值，该方法评估的结果完全依赖人为主观因素影响，并且无法达到动态效果，对对象的变化无法及时捕捉。。

因此，对于面临发生关联方面可靠性问题的对象来说，亟需一种避免人为主观因素影响，又能达到动态效果的对象评级方案。

技术实现要素：

有鉴于此，本公开第一方面提供了一种对象评级方法，包括：

抽取多个对象作为样本并采集所述多个对象的特征，其中，所述多个对象中的一部分被标记为异常对象并且另一部分被标记为正常对象；

通过预设预测模型，利用所述多个对象的特征预测所述多个对象中的各个对象为异常对象的概率，并且根据所预测的所述多个对象中的各个对象为异常对象的概率，计算所述各个对象的得分；

通过预设聚类模型，基于所述各个对象的得分对所述多个对象进行聚类；

根据聚类所得的多个类的对象的得分，评估各个类的对象的等级。

本公开第二方面提供了一种对象评级装置，包括：

抽样和采集模块，被配置为抽取多个对象作为样本并采集所述多个对象的特征，其中，所述多个对象中的一部分被标记为异常对象并且另一部分被标记为正常对象；

异常预测模块，被配置为通过预设预测模型，利用所述多个对象的特征预测所述多个对象中的各个对象为异常对象的概率，并且根据所预测的所述多个对象中的各个对象为异常对象的概率，计算所述各个对象的得分；

聚类模块，被配置为通过预设聚类模型，基于所述各个对象的得分对所述多个对象进行聚类；

评级模块，被配置为根据聚类所得的多个类的对象的得分，评估各个类的对象的等级。

本公开第三方面提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面所述的方法。

本公开第四方面提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面所述的方法。

在本公开实施方式中，通过抽取多个对象作为样本并采集所述多个对象的特征，其中，所述多个对象中的一部分被标记为异常对象并且另一部分被标记为正常对象；

通过预设预测模型，利用抽取多个对象作为样本并采集所述多个对象的特征，其中，所述多个对象中的一部分被标记为异常对象并且另一部分被标记为正常对象；通过预设预测模型，利用所述多个对象的特征预测所述多个对象中的各个对象为异常对象的概率，并且根据所预测的所述多个对象中的各个对象为异常对象的概率，计算所述各个对象的得分；通过预设聚类模型，基于所述各个对象的得分对所述多个对象进行聚类；根据聚类所得的多个类的对象的得分，评估各个类的对象的等级，可以基于对象的特征预测对象异常的概率并且对对象打分，再根据得分情况自发聚类，得出对象分类情况，进而对对象评级，避免了所有人工判断的过程，从而避免人为主观因素影响，又能达到动态评级效果，使得被评级的对象所导致的风险尽量最小化。

本公开的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些示例性实施例，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示出根据本公开一实施方式的对象评级方法的流程图；

图2示出根据本公开一实施方式的对象评级方法中的步骤s102的示例的流程图；

图3示出根据本公开一实施方式的对象评级装置的结构框图；

图4示出根据本公开一实施方式的对象评级装置中的异常预测模块302的示例的结构框图；

图5示出根据本公开一实施方式的设备的结构框图；

图6是适于用来实现根据本公开一实施方式的对象评级方法的计算机系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开方案，下面将结合本公开示例性实施例中的附图，对本公开示例性实施例中的技术方案进行清楚、完整地描述。

在本公开的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

下面将结合本公开示例性实施例中的附图，对本公开示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。.

图1示出根据本公开一实施方式的对象评级方法的流程图。该方法可以包括步骤s101、s102、s103和s104。

在步骤s101中，抽取多个对象作为样本并采集多个对象的特征，其中，多个对象中的一部分被标记为异常对象并且另一部分被标记为正常对象。

在步骤s102中，通过预设预测模型，利用多个对象的特征预测多个对象中的各个对象为异常对象的概率，并且根据所预测的多个对象中的各个对象为异常对象的概率，计算各个对象的得分。

在步骤s103中，通过预设聚类模型，基于各个对象的得分对多个对象进行聚类。

在步骤s104中，根据聚类所得的多个类的对象的得分，评估各个类的对象的等级。

在本公开的一个实施例中，步骤s101包括：按照被标记的异常对象相对于被标记的正常对象的比例处于预设范围内的方式抽取多个对象作为样本并采集多个对象的特征。抽取其中异常对象比例满足预设条件(例如，异常对象与正常对象比例平衡)的多个对象作为样本，能够更准确地对对象为异常对象的概率进行预测。

在本公开的一个实施例中，对象的特征包括对象属性特征和对象表现特征，其中，所述对象属性特征是表示所述对象的内在属性的特征，并且所述对象表现特征是表示所述对象向外部表现的状态的特征。

在本公开的一个实施例中，以对机构异常的评估为例来说明根据本公开实施方式的方案。相关技术中，机构的评级方案中主要是采用专家经验对影响变量赋予一定的权重和分值，该方案的评级结果完全依赖人为主观因素影响，并且无法达到动态效果，对机构的变化无法及时捕捉。在本公开的实施方式中，抽取多个机构，其中一些为有过不良记录并且有较大影响的机构，将这些机构打标签为异常机构，其他机构为正常机构，两种机构数量满足预设条件，例如，保持平衡。采集机构基本信息特征(即对象属性特征)以及合作表现特征(即对象表现特征)。例如，机构的基本信息特征包括诸如用户数量、员工数量、成立时间、注册资本、是否负债等。机构合作期间的表现特征，例如，与其他对象合作期间出现过几次舆论危机，近一个月内是否用户数量急剧下滑，是否有重大组织变动等。

由此可以理解，对象属性特征是对象的客观的属性特征，表现的是对象客观存在的属性。对象表现特征为具有一定主观性的特征，表现的是对对象的一定程度的主观评价。然而，虽然对象表现特征表现对对象的一定程度的主观评价，但是根据本公开的实施方式的技术方案将该主观评价提取为特征，输入预测模型来预测对象为异常对象的概率。由此可以避免人为主观判断、不够客观、并且无法达到动态效果的缺陷。

在本公开的实施方式中，利用抽取多个对象作为样本并采集所述多个对象的特征，其中，所述多个对象中的一部分被标记为异常对象并且另一部分被标记为正常对象；通过预设预测模型，利用所述多个对象的特征预测所述多个对象中的各个对象为异常对象的概率，并且根据所预测的所述多个对象中的各个对象为异常对象的概率，计算所述各个对象的得分；通过预设聚类模型，基于所述各个对象的得分对所述多个对象进行聚类；根据聚类所得的多个类的对象的得分，评估各个类的对象的等级，可以基于对象的特征预测对象异常的概率并且对对象打分，再根据得分情况自发聚类，得出对象分类情况，进而对对象评级，避免了所有人工判断的过程，从而避免人为主观因素影响，又能达到动态评级效果，使得被评级的对象所导致的风险尽量最小化。

图2示出根据本公开一实施方式的对象评级方法中的步骤s102的示例的流程图。如图2所示，步骤s102包括步骤s201和s202。

在步骤s201中，通过预设模型，利用多个对象的特征预测多个对象中的各个对象为异常对象的概率，其中被预测的对象的特征被作为预设模型的自变量。

在步骤s202中，根据预设打分算法，利用所预测的多个对象中的各个对象为异常对象的概率计算各个对象的得分。

在本公开的一个实施例中，将多个对象的标记改写为0、1变量。例如，1代表对象为异常对象，0代表对象不是异常对象。将对象的标记作为因变量加入到预设模型当中。在一个示例中，可以将特征中有分类变量的特征以独热编码的形势改变为0、1变量，作为自变量加入模型当中。

相关技术中，独热编码(one-hot编码)又称为一位有效编码，其方法是使用n位状态寄存器来对n个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征。并且，这些特征互斥，每次只有一个激活。

可以通过逻辑回归模型，利用多个对象的特征预测多个对象中的各个对象为异常对象的概率。逻辑回归模型的示例如下式(1)：

其中，p为对象为异常对象的概率，即，对象的标记为1的概率；α为常数；x为对象的特征；β为相应特征的系数；n为特征的维度，n为大于1的正整数。

本领域技术人员可以理解，将逻辑回归模型作为预设模型来预测对象为异常对象的概率仅仅为示例，根据本公开的教导，可以采用各种模型来作为预设模型以对对象为异常对象的概率进行预测。

在本公开的一个实施例中，预设打分算法可以为下式(2)

score＝100*(1-对象为异常对象的概率)(2)

其中，score为对象的得分。

例如，如果一个对象为异常对象的概率为60％，那么1-60％即为不出现异常的概率为40％，以100分作为基准分，100*40％＝40，该对象得分即为40分。

本领域技术人员可以理解，可以通过各种算法利用所预测的多个对象中的各个对象为异常对象的概率计算各个对象的得分。例如，针对以上对象为异常对象的概率为60％的示例，可以将1-60％作为对象的得分，还可以将对象为异常对象的概率60％或100*对象为异常对象的概率60％作为对象的得分。即，只要可以以标准统一的方式计算对象得分以用于对象评级，可以采用各种打分模型对对象得分进行计算。

在本公开的一个实施例中，预设聚类模型可以采用各种聚类模型。例如，可以采用k-means聚类模型作为预设聚类模型。k-means算法是一个重复移动类中心点的过程，把类的中心点，也称重心(centroids)，移动到其包含成员的平均位置，然后重新划分其内部成员。在一个示例中，利用对象的得分对多个对象进行聚类时，可以将对象得分作为自变量加入到聚类模型当中，并进行归一化操作，即将其值大小转化到0、1之间，以适合距离的度量。标准化公式如下式(3)

y＝(score-min(score))/(max(score)-min(score))(3)

其中，y为等分归一化的值。

在本公开的将k-means聚类模型作为预设聚类模型的实施例中，根据预设的将对象分类数，确定k值。本方案中可以采用肘部法则，即将不同k值的成本函数画出来。随着k值的增大，平均畸变程度会变小，每一类里的样本个数会随之减小。但是随着k值增大，会出现一个明显的拐点，可以取这个点所对应的k作为要对对象区分的类别个数。其中，每个类的畸变程度等于该类重心与其内部成员位置距离的平方和。若类内部的成员彼此间越紧凑则类的畸变程度越小，反之，若类内部的成员彼此间越分散则类的畸变程度越大。

在进行聚类时，会涉及得到距离的计算。在本公开的一个实施例中，可以采用各种距离计算方式来计算聚类时的节点之间的距离。例如，在进行k-means聚类时，可以采用欧氏距离进行距离计算。

本领域技术人员可以理解，将k-means聚类模型作为预设聚类模型仅仅为示例，根据本公开的教导，可以采用各种聚类模型作为预设聚类模型以对对象得分进行聚类。

在本公开的一个实施例中，步骤s103包括：根据聚类所得的多个类的对象的得分，计算各个类的对象的平均等分以评估各个类的对象的等级。

在本公开的一个实施例中，根据聚类所得的多个类的对象的得分，计算各个类的对象的平均等分以评估各个类的对象的等级方式可以是从大到小排列每一类机构的平均分，根据分值大小划分等级以得到对象评级结果。

需要注意的是，根据对象的得分的计算方式不同，通过计算各个类的对象的平均等分来评估的各个类的对象的等级的实际含义可以不同。

例如，当根据上式(2)计算对象得分时，计算出的分值越高，则对象越“正常”。反之，如果当将对象为异常对象的概率或100*对象为异常对象的概率作为对象的得分时，分值越高，则对象越“异常”。

可以理解，本公开的实施方式并不关注得分高低表示了对象的评级的高低，而是关注于由模型自动识别对象出现异常概率的大小，进而据此对对象打分并进行评级，过程较为客观。而且，本公开的实施方式还可以根据对象之间的合作和联系过程中的数据变化，即，对象表现特征的变化，实时预测对象发生异常的概率大小变化，动态聚类，以达到动态评级效果，解决了人工评级不及时的问题。

例如，在应用根据本公开实施方式的对象评估方法对机构异常进行评估的示例中，可以通过预设预测模型自动识别机构出现异常的概率大小，过程较为客观。并且可以根据机构合作过程中的数据变化，实时预测机构发生异常的概率大小变化，动态聚类，以达到动态评级效果，解决了人工的机构评级不及时的问题。

图3示出根据本公开一实施方式的对象评级装置的结构框图。该装置可以包括抽样和采集模块301、异常预测模块302、聚类模块303和评级模块304。

抽样和采集模块301被配置为抽取多个对象作为样本并采集多个对象的特征，其中，多个对象中的一部分被标记为异常对象并且另一部分被标记为正常对象。

异常预测模块302被配置为通过预设预测模型，利用多个对象的特征预测多个对象中的各个对象为异常对象的概率，并且根据所预测的多个对象中的各个对象为异常对象的概率，计算各个对象的得分。

聚类模块303被配置为通过预设聚类模型，基于各个对象的得分对多个对象进行聚类。

评级模块304被配置为根据聚类所得的多个类的对象的得分，评估各个类的对象的等级。

在本公开的一个实施例中，抽样和采集模块301还被配置为：按照被标记的异常对象相对于被标记的正常对象的比例处于预设范围内的方式抽取多个对象作为样本并采集多个对象的特征。抽取其中异常对象比例满足预设条件(例如，异常对象与正常对象比例平衡)的多个对象作为样本，能够更准确地对对象为异常对象的概率进行预测。

在本公开的一个实施例中，对象的特征包括对象属性特征和对象表现特征，其中，所述对象属性特征是表示所述对象的内在属性的特征，并且所述对象表现特征是表示所述对象向外部表现的状态的特征。

在本公开的一个实施例中，以对机构异常的评估为例来说明根据本公开实施方式的方案。相关技术中，机构的评级方案中主要是采用专家经验对影响变量赋予一定的权重和分值，该方案的评级结果完全依赖人为主观因素影响，并且无法达到动态效果，对机构的变化无法及时捕捉。在本公开的实施方式中，抽取多个机构，其中一些为有过不良记录并且有较大影响的机构，将这些机构打标签为异常机构，其他机构为正常机构，两种机构数量满足预设条件，例如，保持平衡。采集机构基本信息特征(即对象属性特征)以及合作表现特征(即对象表现特征)。例如，机构的基本信息特征包括诸如用户数量、员工数量、成立时间、注册资本、是否负债等。机构合作期间的表现特征，例如，与其他对象合作期间出现过几次舆论危机，近一个月内是否用户数量急剧下滑，是否有重大组织变动等。

由此可以理解，对象属性特征是对象的客观的属性特征，表现的是对象客观存在的属性。对象表现特征为具有一定主观性的特征，表现的是对对象的一定程度的主观评价。然而，虽然对象表现特征表现对对象的一定程度的主观评价，但是根据本公开的实施方式的技术方案将该主观评价提取为特征，输入预测模型来预测对象为异常对象的概率。由此可以避免人为主观判断、不够客观、并且无法达到动态效果的缺陷。

在本公开的实施方式中，利用抽样和采集模块，被配置为抽取多个对象作为样本并采集所述多个对象的特征，其中，所述多个对象中的一部分被标记为异常对象并且另一部分被标记为正常对象；异常预测模块，被配置为通过预设预测模型，利用所述多个对象的特征预测所述多个对象中的各个对象为异常对象的概率，并且根据所预测的所述多个对象中的各个对象为异常对象的概率，计算所述各个对象的得分；聚类模块，被配置为通过预设聚类模型，基于所述各个对象的得分对所述多个对象进行聚类；评级模块，被配置为根据聚类所得的多个类的对象的得分，评估各个类的对象的等级，可以基于对象的特征预测对象异常的概率并且对对象打分，再根据得分情况自发聚类，得出对象分类情况，进而对对象评级，避免了所有人工判断的过程，从而避免人为主观因素影响，又能达到动态评级效果，使得被评级的对象所导致的风险尽量最小化。

图4示出根据本公开一实施方式的对象评级装置中的异常预测模块302的示例的结构框图。如图4所示，异常预测模块302包括异常预测子模块401和打分子模块402。

异常预测子模块401被配置为通过预设模型，利用多个对象的特征预测多个对象中的各个对象为异常对象的概率，其中被预测的对象的特征被作为预设模型的自变量。

打分子模块402被配置为根据预设打分算法，利用所预测的多个对象中的各个对象为异常对象的概率计算各个对象的得分。

在本公开的一个实施例中，将多个对象的标记改写为0、1变量。例如，1代表对象为异常对象，0代表对象不是异常对象。将对象的标记作为因变量加入到预设模型当中。在一个示例中，可以将特征中有分类变量的特征以独热编码的形势改变为0、1变量，作为自变量加入模型当中。

相关技术中，独热编码(one-hot编码)又称为一位有效编码，其方法是使用n位状态寄存器来对n个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征。并且，这些特征互斥，每次只有一个激活。

可以通过逻辑回归模型，利用多个对象的特征预测多个对象中的各个对象为异常对象的概率。逻辑回归模型的示例如下式(1)：

其中，p为对象为异常对象的概率，即，对象的标记为1的概率；α为常数；x为对象的特征；β为相应特征的系数；n为特征的维度，n为大于1的正整数。

本领域技术人员可以理解，将逻辑回归模型作为预设模型来预测对象为异常对象的概率仅仅为示例，根据本公开的教导，可以采用各种模型来作为预设模型以对对象为异常对象的概率进行预测。

在本公开的一个实施例中，预设打分算法可以为下式(2)

score＝100*(1-对象为异常对象的概率)(2)

其中，score为对象的得分。

例如，如果一个对象为异常对象的概率为60％，那么1-60％即为不出现异常的概率为40％，以100分作为基准分，100*40％＝40，该对象得分即为40分。

本领域技术人员可以理解，可以通过各种算法利用所预测的多个对象中的各个对象为异常对象的概率计算各个对象的得分。例如，针对以上对象为异常对象的概率为60％的示例，可以将1-60％作为对象的得分，还可以将对象为异常对象的概率60％或100*对象为异常对象的概率60％作为对象的得分。即，只要可以以标准统一的方式计算对象得分以用于对象评级，可以采用各种打分模型对对象得分进行计算。

在本公开的一个实施例中，预设聚类模型可以采用各种聚类模型。例如，可以采用k-means聚类模型作为预设聚类模型。k-means算法是一个重复移动类中心点的过程，把类的中心点，也称重心(centroids)，移动到其包含成员的平均位置，然后重新划分其内部成员。在一个示例中，利用对象的得分对多个对象进行聚类时，可以将对象得分作为自变量加入到聚类模型当中，并进行归一化操作，即将其值大小转化到0、1之间，以适合距离的度量。标准化公式如下式(3)

y＝(score-min(score))/(max(score)-min(score))(3)

其中，y为等分归一化的值。

在本公开的将k-means聚类模型作为预设聚类模型的实施例中，根据预设的将对象分类数，确定k值。本方案中可以采用肘部法则，即将不同k值的成本函数画出来。随着k值的增大，平均畸变程度会变小，每一类里的样本个数会随之减小。但是随着k值增大，会出现一个明显的拐点，可以取这个点所对应的k作为要对对象区分的类别个数。其中，每个类的畸变程度等于该类重心与其内部成员位置距离的平方和。若类内部的成员彼此间越紧凑则类的畸变程度越小，反之，若类内部的成员彼此间越分散则类的畸变程度越大。

在进行聚类时，会涉及得到距离的计算。在本公开的一个实施例中，可以采用各种距离计算方式来计算聚类时的节点之间的距离。例如，在进行k-means聚类时，可以采用欧氏距离进行距离计算。

本领域技术人员可以理解，将k-means聚类模型作为预设聚类模型仅仅为示例，根据本公开的教导，可以采用各种聚类模型作为预设聚类模型以对对象得分进行聚类。

在本公开的一个实施例中，步骤s103包括：根据聚类所得的多个类的对象的得分，计算各个类的对象的平均等分以评估各个类的对象的等级。

在本公开的一个实施例中，根据聚类所得的多个类的对象的得分，计算各个类的对象的平均等分以评估各个类的对象的等级方式可以是从大到小排列每一类机构的平均分，根据分值大小划分等级以得到对象评级结果。

需要注意的是，根据对象的得分的计算方式不同，通过计算各个类的对象的平均等分来评估的各个类的对象的等级的实际含义可以不同。

例如，当根据上式(2)计算对象得分时，计算出的分值越高，则对象越“正常”。反之，如果当将对象为异常对象的概率或100*对象为异常对象的概率作为对象的得分时，分值越高，则对象越“异常”。

可以理解，本公开的实施方式并不关注得分高低表示了对象的评级的高低，而是关注于由模型自动识别对象出现异常概率的大小，进而据此对对象打分并进行评级，过程较为客观。而且，本公开的实施方式还可以根据对象之间的合作和联系过程中的数据变化，即，对象表现特征的变化，实时预测对象发生异常的概率大小变化，动态聚类，以达到动态评级效果，解决了人工评级不及时的问题。

例如，在应用根据本公开实施方式的对象评估方法对机构异常进行评估的示例中，可以通过预设预测模型自动识别机构出现异常的概率大小，过程较为客观。并且可以根据机构合作过程中的数据变化，实时预测机构发生异常的概率大小变化，动态聚类，以达到动态评级效果，解决了人工的机构评级不及时的问题。

以上描述了对象评级装置的内部功能和结构，在一个可能的设计中，该对象评级装置的结构可实现为对象评级设备，如图5中所示，该处理设备500可以包括处理器501以及存储器502。

所述存储器502用于存储支持对象评级装置执行上述任一实施例中对象评级方法的程序，所述处理器501被配置为用于执行所述存储器502中存储的程序。

所述存储器502用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器501执行。

所述处理器501用于执行前述各方法步骤中的全部或部分步骤。

其中，所述对象评级设备的结构中还可以包括通信接口，用于对象评级设备与其他设备或通信网络通信。

本公开示例性实施例还提供了一种计算机存储介质，用于储存所述对象评级装置所用的计算机软件指令，其包含用于执行上述任一实施例中对象评级方法所涉及的程序。

图6是适于用来实现根据本公开一实施方式的对象评级方法的计算机系统的结构示意图。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行上述图1所示的实施方式中的各种处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施方式，上文参考图1描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1的数据处理方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，并且/或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本公开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可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。