一种自动建模方法、装置及其存储介质与流程

本发明涉及数据建模技术领域，具体而言，涉及一种自动建模方法、装置及其存储介质。

背景技术：

随着企业信息化建设的逐步完成，各行业的企业都建立了自己的信息系统，存放了大量的业务数据，信息技术发展从之前的积累数据向现在的利用数据创造价值转变，而在这转变的过程中，机器学习技术无疑是利用历史数据提高业务能力的有效手段。

机器学习建模过程是一个复杂的系统工程，整个流程包括业务理解、数据理解、数据准备、特征工程、模型构建及评估等步骤。全流程不仅需要建模人员对业务有非常深入的理解，还需要对建模中涉及到的技术非常熟悉，因此要求极高。虽然目前对机器学习建模的全流程研究均比较成熟，但这些方法的实现都需建模人员全程参与，需建模人员对建模全流程的数据处理和特征选择技术要求有较好地基础，无法实现从原始数据到建模结果的自动完成。但对于很多行业，尤其是传统行业的业务部门的业务人员，机器学习技术了解甚少，对于他们来说建模工作需要较高的技术门槛。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种自动建模方法、装置及其存储介质，以解决上述问题。

第一方面，本发明实施例提供了一种自动建模方法，所述自动建模方法包括：获取与模型分析目标对应的特征字段；对所述特征字段进行类型标记，并标记出所述特征字段中的目标变量；对所述特征字段和所述目标变量进行规范化处理，基于规范化后的目标变量从所述特征字段中确定特征子集；采用所述特征子集进行建模。

综合第一方面，所述特征字段包括离散特征字段和连续特征字段，所述对所述特征字段进行类型标记，包括：将所述特征字段划分为离散特征字段和连续特征字段。

综合第一方面，所述对所述特征字段和所述目标变量进行规范化处理，包括：对存在缺失值的特征字段进行缺失值处理；对存在异常值的特征字段进行异常值处理。

综合第一方面，所述对存在缺失值的特征字段进行缺失值处理，包括：确定所述特征字段中的缺失字段占比；在所述缺失字段占比低于第一阈值时，删除所述缺失字段所属的个例；在所述缺失字段占比不低于所述第一阈值时，对所述缺失字段进行插补操作。

综合第一方面，在所述对存在异常值的特征字段进行异常值处理之前，所述自动建模方法还包括：根据所述模型分析目标确定所述特征字段中各个变量的预设取值范围，确定超出所述预设取值范围的变量为异常值；根据拉依达准则将绝对值大于3σ的变量确定为异常值。

综合第一方面，所述基于规范化后的目标变量从所述特征字段中确定特征子集，包括：对所述特征字段进行相关性处理；将完成相关性处理后的所述特征字段分割成训练集和测试集；基于规范化后的目标变量确定验证模型，采用所述训练集对所述验证模型进行训练；根据所述模型分析目标对应的应用场景确定评估指标以及评估指标阈值，采用所述测试集对训练后的所述验证模型进行评估；在所述评估指标大于所述评估指标阈值时，循环执行所述“对所述特征字段进行相关性处理”至“采用所述测试集对训练后的所述验证模型进行评估”的步骤；在所述评估指标不大于所述评估指标阈值时，将所述评估指标不大于所述评估指标阈值时的特征字段作为特征子集。

综合第一方面，所述采用所述特征子集进行建模，包括：基于所述特征子集对应的所述评估指标确定最优模型参数；基于所述最优模型参数以及所述特征子集建立模型。

第二方面，本发明实施例提供了一种自动建模装置，所述自动建模装置包括：获取模块，用于获取与模型分析目标对应的特征字段；标记模块，用于对所述特征字段进行类型标记，并标记出所述特征字段中的目标变量；特征子集确定模块，用于对所述特征字段和所述目标变量进行规范化处理，基于规范化后的目标变量从所述特征字段中确定特征子集；模型建立模块，用于采用所述特征子集进行建模。

综合第二方面，所述特征子集确定模块包括：相关处理单元，用于对所述特征字段进行相关性处理；分割单元，用于将完成相关性处理后的所述特征字段分割成训练集和测试集；训练单元，用于基于规范化后的目标变量确定验证模型，采用所述训练集对所述验证模型进行训练；评估单元，用于根据所述模型分析目标对应的应用场景确定评估指标以及评估指标阈值，采用所述测试集对训练后的所述验证模型进行评估；特征子集确定单元，用于在所述评估指标大于所述评估指标阈值时，循环执行所述“对所述特征字段进行相关性处理”至“采用所述测试集对训练后的所述验证模型进行评估”的步骤；在所述评估指标不大于所述评估指标阈值时，将所述评估指标不大于所述评估指标阈值时的特征字段作为特征子集。

第三方面，本发明实施例还提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一方面所述方法中的步骤。

本发明提供的有益效果是：

本发明提供了一种自动建模方法、装置及其存储介质，所述自动建模方法通过对模型分析目标匹配的特征字段进行自动获取、处理并将其用于自动模型建立，无需人工进行专业数据分析、提取和模型参数调整，提高了模型建立的自动化程度和建模效率；在进行特征子集确定前对特征字段和目标变量进行规范化处理，提高了特征子集选取的准确性，从而提高了后续建立的模型的精确度；在选取特征子集时基于特征字段对目标变量的解释重要性作为特征子集选取参考，进一步提高了建模效率和精确性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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为本发明第一实施例提供的一种自动建模方法的流程示意图；

图2为本发明第一实施例提供的一种规范化处理步骤的流程示意图；

图3为本发明第一实施例提供的一种缺失值处理步骤的流程框图；

图4为本发明第一实施例提供的一种特征子集确定步骤的流程示意图；

图5为本发明第二实施例提供的一种自动建模装置的模块示意图；

图6为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备的结构框图。

图标：100-自动建模装置；110-获取模块；120-标记模块；130-特征子集确定模块；140-模型建立模块；200-电子设备；201-存储器；202-存储控制器；203-处理器；204-外设接口；205-输入输出单元；206-音频单元；207-显示单元。

具体实施方式

下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，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，都属于本发明保护的范围。

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。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

第一实施例

经本申请人研究发现，现有的机器学习建模过程中仍然需要技术人员全程参与，进行数据分析、数据筛选及模型参数调整等专业性较强的操作，因此许多传统行业的非专业人员往往无法独立进行简便、快捷地建模。为了解决上述问题，本发明第一实施例提供了一种自动建模方法，该自动建模方法的执行主体可以是计算机、智能手机、云处理器等其他能够进行逻辑运算的处理设备。

请参考图1，图1为本发明第一实施例提供的一种自动建模方法的流程示意图，该自动建模方法的具体步骤可以如下：

步骤s10：获取与模型分析目标对应的特征字段。

本实施例中的模型分析目标通常为分类预测的业务场景，尤其是需要大量的人力物力才能实现的异常检测业务场景，如对商品合格检验、海关进出口偷税漏税预测，公安前科人员是否有再次犯罪的可能性预测等。以商品合格检验为例，对应的特征字段一般为商品名称、商品价格、产地、生产日期、保质期、生产厂商、合格指标等。可选地，该特征字段可以是张经过从多个数据源整理的宽表。

步骤s20：对所述特征字段进行类型标记，并标记出所述特征字段中的目标变量。

在本实施例中，所述“对所述特征字段进行类型标记”的具体步骤可以是：将所述特征字段划分为离散特征字段和连续特征字段。其中，由于离散特征和连续特征在特征处理和算法运算有较大不同，如对特征缺失值的处理方式、异常值的处理方式、模型对输入类型要求等都有差异，因此对特征字段需要加以区分，便于后续对连续特征字段和离散特征字段做相应处理，因此需要对数据类型进行标记。

步骤s30：对所述特征字段和所述目标变量进行规范化处理，基于规范化后的目标变量从所述特征字段中确定特征子集。

该规范化处理可以是对特征字段进行缺失值处理、异常值处理、类别变量处理和特征变量标准化等处理。

现有的特征子集确定常用的特征选择方法有基于搜索策略划分的特征选择方法和基于评价准则划分的特征选择方法，基于搜索策略划分的特征选择方法包括采用全局最优搜索策略的特征选择方法(如广度优先、分支限界搜索、定向搜索、前向后向搜索等)和采用随机搜索的特征选择方法(如随机产生序列选择算法、模拟退火算法和遗传算法等)，基于评价准则划分的特征选择方法包括采用过滤式评价策略的特征选择方法和基于封装式评价策略的特征选择方法。

步骤s40：采用所述特征子集进行建模。

在本实施例中，该建模步骤可以在特征子集上进行，从中搜索最优参数完成建模。

本实施例提供的自动建模方法通过对模型分析目标匹配的特征字段进行自动获取、处理并将其用于自动模型建立，无需人工进行专业数据分析、提取和模型参数调整，提高了模型建立的自动化程度和建模效率；在进行特征子集确定前对特征字段和目标变量进行规范化处理，提高了特征子集选取的准确性，从而提高了后续建立的模型的精确度；在选取特征子集时基于特征字段对目标变量的解释重要性作为特征子集选取参考，进一步提高了建模效率和精确性。

针对步骤s30，作为一种可选的实施方式，所述“对所述特征字段和所述目标变量进行规范化处理”的步骤包括缺失值处理、异常值处理的子步骤，请参考图2，图2为本发明第一实施例提供的一种规范化处理步骤的流程示意图。该规范化处理步骤具体可以如下：

步骤s31：对存在缺失值的特征字段进行缺失值处理。

由于机械原因或人为原因，会导致采集的数据带有大量缺失值，在建模之前对缺失值做处理是非常重要的步骤，缺失值处理合理与否对模型结果有较大的影响。缺失值处理比较普遍的做法有两种，即删除存在缺失值的个案和对缺失值作插补操作：缺失占比较低，删除该缺失值个例对建模整体影响不大，可以选择删除存在缺失值的个例；若缺失值占比较高，则可选择对缺失值做插补操作。

参考图3，图3为本发明第一实施例提供的一种缺失值处理步骤的流程框图，该缺失值处理步骤具体可以为：

步骤s31.1：确定所述特征字段中的缺失字段占比；

步骤s31.2：在所述缺失字段占比低于第一阈值时，删除所述缺失字段所属的个例；在所述缺失字段占比不低于所述第一阈值时，对所述缺失字段进行插补操作。

可选地，如果某个特征缺失占比非常大，说明该特征未缺失值带来的信息量就非常小，对建模的意义不大，此时该特征就可以直接删除掉，对应的步骤s31.2可以是：在所述缺失字段占比低于第一阈值时，删除所述缺失字段所属的个例；在所述缺失字段占比处于第一阈值和第二阈值之间时，对所述缺失字段进行插补操作；在所述缺失字段占比大于第二阈值时，删除所述缺失字段所属的特征字段。其中，第一阈值小于第二阈值。

其中，缺失值为离散特征(分类变量)，可采用三种方法插补，其一为通过业务理解对缺失值插补最有可能的取值，其二是采用众数插补，其三是通过分类算法对该缺失值进行预测，具体操作是将其他特征作为特征变量，待预测缺失变量作为目标变量，构建分类模型，通过模型对该缺失值的预测值作为插补值。若缺失值为连续特征(连续变量)，也可采取三种方法插补，其一为用该缺失字段均值(中位数)填补；其二为根据业务，按某字段排序对缺失值做插值法预测填充；其三为通过回归算法对该缺失值作预测，具体操作是将其他特征作为特征变量，待插补字段作为目标变量，构建回归模型，通过模型对该缺失值的预测值作为插补值。

步骤s32：对存在异常值的特征字段进行异常值处理。

本实施例中的异常值，即在数据集中存在不合理的值，又称为离群点。在执行步骤s32之前，还需要对异常值进行确定，其确定方式可以存在两方面考虑，其一是通过业务层面识别，业务层面是即通过对业务理解确定各个变量的取值范围，超出某个范围值设定为异常值，其二是通过数据方面进行识别，可根据3σ原则，认为小概率值为异常值。具体地，该确定方式的具体步骤可以是：根据所述模型分析目标确定所述特征字段中各个变量的预设取值范围，确定超出所述预设取值范围的变量为异常值；根据拉依达准则将绝对值大于3σ的变量确定为异常值。

对于步骤s32，对异常值的处理方式可以是：(1)删除含有异常值的记录；(2)将异常值视为缺失值，交给缺失值处理方法来处理；(3)用平均值(中位数)或众数来填充。

考虑到大部分算法不能直接处理类别变量，因此在对数据建模前需对类别变量转化为连续值参与模型训练，即在规范化处理步骤中判断特征字段中存在类别变量时，选择类别变量处理方案将类别变量转化为连续值。对类别变量转化数值有多种方法，如独热编码、风险值编码、类别编码、目标编码等多种编码方式。

在实际业务中，由于直接或间接的业务关系，原始输入数据的特征变量之间往往存在大量相关关系，甚至线性关系。太强的相关关系不仅会导致数据之间存在大量的冗余信息，增加建模复杂度，还会使得模型不稳定，尤其是线性模型，如逻辑回归。因此建模之前需对特征进行共线性分析。作为一种可选地实施方式，在本实施例中，该规范化处理步骤在步骤s32之后，还包括：将所述特征字段中皮尔逊相关系数绝对值大于系数阈值的特征字段进行去强相关性处理。可选地，该系数阈值在本实施例中可以为0.7。

进一步地，本实施例的特征字段的规范化步骤还可以包括特征变量的标准化，该步骤主要是为了消除特征之间量量纲的影响，在基于距离的算法中具有非常重要的意义，本实施例中的特征变量标准化方法可以为：min-max标准化或z-score标准化。

针对步骤s30中所述“基于规范化后的目标变量从所述特征字段中确定特征子集”的步骤，请参考图4，图4为本发明第一实施例提供的一种特征子集确定步骤的流程示意图，该特征子集确定步骤具体可以如下：

步骤s33：对所述特征字段进行相关性处理。

该特征字段应当为经过缺失值处理、异常值处理、类别变量处理和线性分析等规范化处理后的特征字段数据，该步骤s33可以直接对共线性处理后相关性较高的特征字段进行删除处理，以使相关性较高的特征字段只保留一份。

步骤s34：将完成相关性处理后的所述特征字段分割成训练集和测试集。

在本实施例中，可以采用训练集和测试集的比例为8:2的分割方式进行分割，应当理解的是，在其他实施例中还可以是任意比例。

步骤s35：基于规范化后的目标变量确定验证模型，采用所述训练集对所述验证模型进行训练。

应当理解的是，本实施例提供的方法适用于大多数监督学习领域，尤其是分类学习领域，系统提供大量可供选择的分类学习算法，如逻辑回归、决策树、随机森林、支持向量机、gbdt、xgboost等，用户可以根据目标变量的类型以及具体需要选择对应验证模型。

进一步地，在采用所述训练集对所述验证模型进行训练之前，还可以对特征变量进行选择/修改，本实施例中采用特征选择的算法执行本步骤，特征选择的算法较多，包括对特征分布的无监督算法，如方差阈值法，该方法认为特征取值的方差越大包含的信息量越大，对监督模型越有用，通过设置阈值而去掉方差较小的特征，该类方法利用了目标变量的信息，通过特征变量对目标变量的解释重要性选择特征变量。在其他实施例中，特征选择算法还可以是有监督的特征选择方法，如单变量特征选择、基于决策树的特征选择法等。

步骤s36：根据所述模型分析目标对应的应用场景确定评估指标以及评估指标阈值，采用所述测试集对训练后的所述验证模型进行评估。

对分类场景的评价指标可以选择常用指标，如精确率(precision)、召回率(recall)、f值(f1-score)、auc等，其中，精确率(precision)、召回率(recall)、f值(f1-score)、auc对应方差阈值δ的设置可以根据业务具体要求和应用场景，选择合适的值即可。

步骤s37：在所述评估指标大于所述评估指标阈值时，循环执行所述“对所述特征字段进行相关性处理”至“采用所述测试集对训练后的所述验证模型进行评估”的步骤。

步骤s38：在所述评估指标不大于所述评估指标阈值时，将所述评估指标不大于所述评估指标阈值时的特征字段作为特征子集。

针对步骤s40，所述“采用所述特征子集进行建模”可以具体包括：基于所述特征子集对应的所述评估指标确定最优模型参数；基于所述最优模型参数以及所述特征子集建立模型。

第二实施例

为了配合本发明第一实施例提供的自动建模方法，本发明第二实施例还提供了一种自动建模装置100。

请参考图5，图5为本发明第二实施例提供的一种自动建模装置的模块示意图。

自动建模装置100包括获取模块110、标记模块120、特征子集确定模块130和模型建立模块140。

获取模块110，用于获取与模型分析目标对应的特征字段。

标记模块120，用于对所述特征字段进行类型标记，并标记出所述特征字段中的目标变量。

特征子集确定模块130，用于对所述特征字段和所述目标变量进行规范化处理，基于规范化后的目标变量从所述特征字段中确定特征子集。

模型建立模块140，用于采用所述特征子集进行建模。

作为一种可选的实施方式，本实施例中的特征子集确定模块130可以包括：

相关处理单元，用于对所述特征字段进行相关性处理。

分割单元，用于将完成相关性处理后的所述特征字段分割成训练集和测试集。

训练单元，用于基于规范化后的目标变量确定验证模型，采用所述训练集对所述验证模型进行训练。

评估单元，用于根据所述模型分析目标对应的应用场景确定评估指标以及评估指标阈值，采用所述测试集对训练后的所述验证模型进行评估。

特征子集确定单元，用于在所述评估指标大于所述评估指标阈值时，循环执行所述“对所述特征字段进行相关性处理”至“采用所述测试集对训练后的所述验证模型进行评估”的步骤；在所述评估指标不大于所述评估指标阈值时，将所述评估指标不大于所述评估指标阈值时的特征字段作为特征子集。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

第三实施例

请参照图6，图6为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备的结构框图。本实施例提供的电子设备200可以包括自动建模装置100、存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207。

所述存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述自动建模装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器201中或固化在自动建模装置100的操作系统(operatingsystem，os)中的软件功能模块。所述处理器203用于执行存储器201中存储的可执行模块，例如自动建模装置100包括的软件功能模块或计算机程序。

其中，存储器201可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器201用于存储程序，所述处理器203在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器203中，或者由处理器203实现。

处理器203可以是一种集成电路芯片，具有信号的处理能力。上述的处理器203可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器203也可以是任何常规的处理器等。

所述外设接口204将各种输入/输出装置耦合至处理器203以及存储器201。在一些实施例中，外设接口204，处理器203以及存储控制器202可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元205用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元205可以是，但不限于，鼠标和键盘等设备。

音频单元206向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元207在所述电子设备200与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元207可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器203进行计算和处理。

可以理解，图6所示的结构仅为示意，所述电子设备200还可包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本发明实施例提供了一种自动建模方法、装置及其存储介质，所述自动建模方法通过对模型分析目标匹配的特征字段进行自动获取、处理并将其用于自动模型建立，无需人工进行专业数据分析、提取和模型参数调整，提高了模型建立的自动化程度和建模效率；在进行特征子集确定前对特征字段和目标变量进行规范化处理，提高了特征子集选取的准确性，从而提高了后续建立的模型的精确度；在选取特征子集时基于特征字段对目标变量的解释重要性作为特征子集选取参考，进一步提高了建模效率和精确性。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，流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方式中，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，两个连续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动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本发明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)执行本发明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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。