一种数据处理方法、装置、计算机及存储介质与流程

本发明实施例涉及深度学习技术，尤其涉及一种数据处理方法、装置、计算机及存储介质。

背景技术：

卷积神经网络是一种多层神经网络，擅长处理图像类数据的机器学习问题。它利用卷积层从多维数据中提取抽象特征，再将这些特征输入到分类层训练，得到合适的模型。采用卷积神经网络算法的模型多次获得国内外图像识别竞赛冠军，是当前计算机视觉领域的主要算法，也是推动人工智能迅速发展的重要算法之一。

目前，卷积神经网络主要应用于图像处理领域，由于数据具有局部相关性，基于卷积神经网络可以提取出图像的高维特征，形成特征图，便于对特征图进行分析得到结果。但是目前的卷积神经网络无法处理一维数据。

技术实现要素：

本发明实施例提供一种数据处理方法、装置、计算机及存储介质，以实现提高一维数据处理的效率。

第一方面，本发明实施例提供了一种数据处理方法，包括：

获取一维原始数据，将所述一维原始数据进行矩阵化处理，生成中间数据，其中，所述中间数据为二维矩阵数据；

将所述中间数据输入至预先训练的卷积神经网络模型中，其中，所述卷积神经网络模型包括inception结构的卷积层；

根据所述卷积神经网络模型的输出结果确定所述一维原始数据对应的处理结果。

第二方面，本发明实施例还提供了一种数据处理装置，该装置包括：

一维数据处理模块，用于获取一维原始数据，将所述一维原始数据进行矩阵化处理，生成中间数据，其中，所述中间数据为二维矩阵数据；

中间数据处理模块，用于将所述中间数据输入至预先训练的卷积神经网络模型中，其中，所述卷积神经网络模型包括inception结构的卷积层；

处理结果确定模块，用于根据所述卷积神经网络模型的输出结果确定所述一维原始数据对应的处理结果。

第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的数据处理方法。

第四方面，本发明实施例还提供了一种计算机，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例提供的数据处理方法。

本发明实施例通过将一维原始数据转换为二维矩阵格式的中间数据，基于预设的卷积神经网络模型对中间数据进行处理，得到对一维原始数据的处理结果，解决了卷积神经网络模型不能处理一维数据的问题，进一步的，卷积神经网络模型中包括inception结构的卷积层，从多维度、多组合方式对一维数据进行特征提取，提高了数据特征提取全面性和准确性，进一步提高了一维数据处理结果的精度。

附图说明

图1是本发明实施例一提供的一种数据处理方法的流程图；

图2是本发明实施例一提供的inception结构的卷积层的示意图；

图3是本发明实施例二提供的一种数据处理方法的流程图；

图4a是本发明实施例二提供的一种数据排序方式的示意图；

图4b是本发明实施例二提供的另一种数据排序方式的示意图；

图4c是本发明实施例二提供的另一种种数据排序方式的示意图；

图5是本发明实施例二提供的金融信贷数据的处理方法的流程示意图；

图6是本发明实施例三提供的一种数据处理装置的结构示意图；

图7为本发明实施例四提供的一种计算机的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种数据处理方法的流程图，本实施例可适用于基于卷积神经网络对一维数据进行处理情况，该方法可以由本发明实施例提供的数据处理装置来执行，具体包括如下步骤：

步骤110、获取一维原始数据，将所述一维原始数据进行矩阵化处理，生成中间数据，其中，所述中间数据为二维矩阵数据。

步骤120、将所述中间数据输入至预先训练的卷积神经网络模型中，其中，所述卷积神经网络模型包括inception结构的卷积层。

步骤130、根据所述卷积神经网络模型的输出结果确定所述一维原始数据对应的处理结果。

其中，基于卷积神经网络模型的特性，一般用于对图像进行处理。在本实施例中，将一维数据进行数据格式转换，生成二维矩阵数据，即中间数据，达到模拟图像数据格式，可基于卷积神经网络模型进行处理。示例性的，一维原始数据包括2500个数据，则可以是将一维原始数据转换为50×50的中间数据。

可选的，将所述一维原始数据进行矩阵化处理，生成中间数据，包括：根据矩阵化处理规则中数据排序，确定所述一维原始数据各类型数据的排序方式；根据所述排序方式将所述一维原始数据进行排序，生成矩阵数据，所述矩阵数据为中间数据。在本实施例中，一维原始数据可以是包括多种类型的数据，示例性的，一维原始数据可以是但不限于用户的金融信贷数据，用户的金融信贷数据可以是包括用户基础数据、用户行为数据、用户账单信息和用户售信数据等，由于同一类型的数据之间存在局部相关性，矩阵化处理规则中数据排序可以是包括各类型数据的数据类型排序，以及每一个类型数据中数据的排序方式。示例性的，对于金融信贷数据，可以是矩阵化处理规则中数据排序包括用户基础数据、用户行为数据、用户账单信息和用户售信数据四种类型数据中每一种数据的排序位置，根据每一个类型数据中数据的排序方式，将上述四种类型的数据分别填充至对应排序位置，生成矩阵格式的金融信贷数据，即中间数据。

在本实施例中，将矩阵格式的中间数据输入至卷积神经网络模型，卷积神经网络模型中包括多个卷积层，可分别对中间数据进行特征提取，基于卷积神经网络模型的卷积层数的增加，可实现提取中间数据的高维空间特征关系，实现根据高维空间特征关系确定高精度的处理结果，提高了数据处理的自动化和效率。

其中，卷积神经网络模型是根据大量样本预先训练完成的，例如可以是基于监督学习的方式训练得到。用于训练卷积神经网络模型的样本根据卷积神经网络模型的期望功能确定，示例性的，卷积神经网络模型的期望功能为判断用户是否逾期还款，则样本信息可以是包括用户的金融信贷数据，以及是否逾期还款。可以是采集大量用户的历史金融信贷数据，以及对应的还款记录。具体的，具有判断用户是否逾期还款的卷积神经网络模型的训练方式可以是：将样本中的历史金融信贷数据转换为矩阵格式的中间数据后，输入至未训练的卷积神经网络模型中，基于该未训练的卷积神经网络模型可得到该模型输出的预测处理结果(是否逾期或逾期概率)，当该模型输出的预测处理结果与样本中还款记录不同时，基于该模型输出的预测处理结果与样本中还款记录的偏差反向调节卷积神经网络模型中的权重参数，迭代执行上述训练过程，直到卷积神经网络模型的误差小于预设误差。训练完成的卷积神经网络模型具有判断用户是否逾期还款的功能，将用户的当期金融信贷数据输入至训练完成的判断用户是否逾期还款后，可高精度预测该用户是否会逾期还款。

在本实施例中，卷积神经网络模型中包括至少一层inception结构的卷积层，inception结构的卷积层可以是包括不同卷积核的子卷积层，且各个子卷积层之间并列设置，即同时将上一层的输出结果输入至每一个子卷积层，各子卷积层分别对输入数据进行卷积，以提取输入数据的特征。可选的，所述inception结构的卷积层包括1×1的子卷积层、3×3的子卷积层、空洞卷积和池化层，其中，所述1×1的子卷积层、所述3×3的子卷积层、所述空洞卷积和所述池化层并列设置，用于分别对输入数据进行处理，分别得到特征矩阵。示例性的，参见图2，图2是本发明实施例提供的inception结构的卷积层的示意图。其中，空洞卷积的卷积核可以是3×3或5×5。空洞卷积可扩大卷积的感受野，其中，卷积的感受野为每一个特征值对应的输入数据的大小，卷积层输出的每一个特征值对应输入的多个数据，示例性的，当卷积核为3×3时，每一个卷积层输出的每一个特征值对应输入数据中的3×3个数据。空洞卷积可增大卷积感受野，当空洞卷积的卷积核为3×3，扩大因子为1，则每一个空洞卷积层输出的每一个特征值对应输入数据中的5×5个数据。通过空洞卷积可扩大特征关系的提取范围，可提取距离较远的数据之间的特征关系，避免由于数据排序对数据处理结果的影响，提高数据处理精度。

可选的，inception结构的卷积层中的池化层可以是最大池化层，进一步的，最大池化层可以是3×3的最大池化层，用于对输入数据进行降维处理。

在本实施例中，通过不同卷积核的子卷积层对中间数据进行卷积处理，实现从不同的角度和组合维度提取中间数据的数据特征，提高了数据特征提取全面性和准确性，进一步提高了数据处理结果的精度。

可选的，对输入数据进行处理，分别得到特征矩阵之后，还包括：对所述特征矩阵进行统一化处理，并将处理后的特征矩阵进行拼接，生成下一卷积层的输入数据。其中，由于不同卷积核的子卷积层的特征矩阵的大小不同，为了便于对多个特征矩阵进行拼接，对特征数据进行统一化处理，其中，统一化处理可以是通过预设算法实现，还可以是通过卷积层实现。示例性的，空洞卷积和池化层均为3×3的子卷积层，则可以是在1×1的子卷积层后设置3×3的池化层，对1×1的子卷积层的特征矩阵进行降维。在本实施例中，对多个特征矩阵进行拼接，可以是根据各个特征矩阵的排序对特征矩阵进行拼接，且各特征矩阵中的数据顺序保持不变，得到inception结构的卷积层的输出数据，作为下一卷积层的输入数据。其中，下一卷积层可以是inception结构的卷积层。

可选的，在对输入数据进行处理之前，还包括：根据所述1×1的子卷积层、所述3×3的子卷积层、所述空洞卷积和所述池化层的卷积核的大小分别对所述输入数据进行扩张处理，其中，所述扩张处理包括对所述输入数据进行边界填零处理。示例性的，在50×50的输入数据分别进行边界填零处理，得到52×52的矩阵数据，以扩张输入数据。具体的，可以是对输入至3×3的子卷积层、3×3的空洞卷积和3×3池化层进行扩张触控，不对输入边界填零处理的输入数据进行扩张处理，以使各子卷积层的输出的特征矩阵大小相同。

在一些实施例中，可以是在在对输入数据进行处理之前，对根据需求对输入数据进行扩张处理，并基于各子卷积层输出的特征矩阵的大小，确定是否进行统一化处理。当基于各子卷积层输出的特征矩阵的大小不同时，对特征矩阵进行统一化处理，并将处理后的特征矩阵进行拼接，生成下一卷积层的输入数据；当基于各子卷积层输出的特征矩阵的大小相同时，直接将各特征矩阵进行拼接，生成下一卷积层的输入数据。

可选的，所述卷积神经网络模型还包括全连接层，用于根据上一卷积层的特征矩阵确定处理结果。

本实施例的技术方案，通过将一维原始数据转换为二维矩阵格式的中间数据，基于预设的卷积神经网络模型对中间数据进行处理，得到对一维原始数据的处理结果，解决了卷积神经网络模型不能处理一维数据的问题，进一步的，卷积神经网络模型中包括inception结构的卷积层，从多维度、多组合方式对一维数据进行特征提取，提高了数据特征提取全面性和准确性，进一步提高了一维数据处理结果的精度。

实施例二

在图3是本发明实施例提供的一种数据处理方法的流程示意图，在上述实施例的基础上进行了优化。具体的，该方法包括：

s210、获取一维原始数据，若根据矩阵化处理规则，确定所述一维原始数据存在缺失值，则对所述一维原始数据的缺失值进行填充处理。

s220、对填充后的一维原始数据进行归一化处理，得到处理后的一维数据。

s230、根据至少两种数据排列方式对所述处理后的一维数据进行矩阵化处理，得到至少两种排序的矩阵数据。

s240、将每一个矩阵数据确定为一个通道数据，对所述至少两种排序的矩阵数据进行组合，生成具有至少两个通道的中间数据。

s250、将所述中间数据输入至预先训练的卷积神经网络模型中，其中，所述卷积神经网络模型包括inception结构的卷积层。

s260、根据所述卷积神经网络模型的输出结果确定所述一维原始数据对应的处理结果。

在本实施例中，矩阵化处理规则可以是包括转换后中间数据的大小，以及各类型数据的设置方式，根据矩阵化处理规则可确定各类型数据的标准数据量，当获取的一维原始数据中各类型的数据量小于标准数据量时，确定一维原始数据存在缺失值。根据各类型数据包含的数据种类，确定缺失值的位置。可选的，对缺失值进行填零，以保证数据的完整性。进一步的，对填充后的一维原始数据进行归一化处理，将一维原始数据转换为0-1范围内的数据，便于后续对一维原始数据的处理。

在本实施例中，根据不同的排列方式，对一维原始数据进行不同顺序的排序，得到不同排序方式的矩阵数据。示例性的，一维原始数据可以是但不限于用户的金融信贷数据，用户的金融信贷数据可以是包括用户基础数据、用户行为数据、用户账单信息和用户售信数据。参见图4a-图4c，是本发明实施例提供的三种数据排序方式的示意图。图4a-图4c分别以不同的排序方式对用户的金融信贷数据进行排序，得到三种不同排序的矩阵数据。其中，每一个类型的数据中均包括多个数据，示例性的，用户基础数据可以是包括但不限于用户的性别、账号等基础信息；用户行为数据可以是包括但不限于用户登录系统的次数、登录时间、登录系统后操作类型等信息；用户账单信息可以是包括但不限于用户消费信息、消费时间等信息；用户售信数据可以是包括但不限于信用额度、借贷时间等信息。对于每一个类型的数据，可以是根据预设的排序设置在对应的区域，还可以是随机分布在对应区域。示例性的，在图4a-图4c中的每一个类型的数据的排序方式不同，例如用户售信数据在图4a-图4c中的排序不同。需要说明的是，本实施例中不限于图4a-图4c中提供的三种排序方式，在其他实施例中还可以是其他排序方式。

当生成多个排序方式的矩阵数据之后，对多个排序方式的矩阵数据进行组合，生成中间数据。具体的，将每一个矩阵数据作为一个通道数据，对多个矩阵数据进行组合，形式多通道的中间数据，并将多通道的矩阵数据输入至卷积神经网络中。其中，卷积神经网络模型的各卷积层对中间数据进行特征提取，可得到多通道的特征矩阵，卷积神经网络模型的全连接层根据多通道的矩阵特征确定数据处理结果，例如可以是对多通道的矩阵数据进行均值或加权均值处理后，进一步得到数据处理结果。

本实施例的技术方案，通过对一维原始数据进行不同排序的矩阵化处理，得到多通道的中间数据，避免单一排序得到的中间数据由于排序方式影响数据处理精度的问题，便于卷积神经网络模型提取不同空间排序的特征关系，提高特征关系提取的全面性。

本实施例的数据处理方法可以是应用与金融风控领域。在金融风控领域，一般是采用评分卡、逻辑回归、决策树等方式，但是对着数据维度的增加，上述传统方法进行处理时，模型越来越复杂，耗时增大，且组合高维特征也越来越困难，无法快速有效的对数据进行处理。基于本发明实施例提供的数据处理方法对金融数据进行处理，不需要任何代码可得到机器学习模型和模型报告，且卷积神经网络模型可对金融数据提取高维空间特征数据，组合更多变量，提高建模和数据处理的自动化和高效率。

图5是本发明实施例二提供的金融信贷数据的处理方法的流程示意图，在一个实施例中，对金融信贷数据进行数据处理包括：

s310、获取一维的金融信贷数据，若根据矩阵化处理规则，确定所述金融信贷数据存在缺失值，则对所述金融信贷数据的缺失值进行填充处理，金融信贷数据可以是包括用户基础数据、用户行为数据、用户账单信息和用户售信数据。

s320、对填充后的金融信贷数据进行归一化处理，得到处理后的金融信贷数据。

s330、根据至少两种数据排列方式对所述处理后的金融信贷数据进行矩阵化处理，得到至少两种排序的矩阵数据。

s340、将每一个矩阵数据确定为一个通道数据，对所述至少两种排序的矩阵数据进行组合，生成具有至少两个通道的中间数据。

s350、将所述中间数据输入至预先训练的卷积神经网络模型中，其中，所述卷积神经网络模型具有判断用户的逾期还款概率的功能，所述卷积神经网络模型包括inception结构的卷积层，卷积神经网络模型具有判断用户的逾期还款概率。

s360、根据所述卷积神经网络模型的输出结果确定所述金融信贷数据对应的逾期还款概率。

本实施例的技术方案，通过建立卷积神经网络模型的方式对金融数据进行处理，卷积神经网络模型的稳定性和时效性良好，且可对矩阵化的金融数据提取高维空间特征关系，解决了传统模型建模费时，无法提取高维特征的问题，具有建模自动化、高效性以及处理结果精度高的优势。

实施例三

图6是本发明实施例三提供的一种数据处理装置的结构示意图，该数据处理装置用于执行本发明任意实施例提供数据处理方法，包括：

一维数据处理模块410，用于获取一维原始数据，将所述一维原始数据进行矩阵化处理，生成中间数据，其中，所述中间数据为二维矩阵数据；

中间数据处理模块420，用于将所述中间数据输入至预先训练的卷积神经网络模型中，其中，所述卷积神经网络模型包括inception结构的卷积层；

处理结果确定模块430，用于根据所述卷积神经网络模型的输出结果确定所述一维原始数据对应的处理结果。

可选的，所述一维原始数据为用户的金融信贷数据，所述一维原始数据对应的处理结果为所述用户的还款逾期概率。

可选的，一维数据处理模块410包括：

排序方式确定单元，用于根据矩阵化处理规则中数据排序，确定所述一维原始数据各类型数据的排序方式；

中间数据确定单元，用于根据所述排序方式将所述一维原始数据进行排序，生成矩阵数据，所述矩阵数据为中间数据。

可选的，所述数据排序为至少两种，得到至少两种排序的矩阵数据；相应的，一维数据处理模块410还包括：

数据组合段元，用于在生成矩阵数据之后，将每一个矩阵数据确定为一个通道数据，对所述至少两种排序的矩阵数据进行组合，生成具有至少两个通道的中间数据。

可选的，所述装置还包括：

数据填充模块，用于在根据至少两种数据排列方式对所述一维原始数据进行矩阵化处理之前，若根据预设数据格式，确定所述一维原始数据存在缺失值，则对所述一维原始数据的缺失值进行填充处理；

归一化处理模块，用于对填充后的一维原始数据进行归一化处理，得到处理后的一维数据；

相应的，一维数据处理模块410用于根据至少两种数据排列方式对所述处理后的一维数据进行矩阵化处理。

可选的，所述inception结构的卷积层包括1×1的子卷积层、3×3的子卷积层、空洞卷积和池化层，其中，所述1×1的子卷积层、所述3×3的子卷积层、所述空洞卷积和所述池化层并列设置，用于分别对输入数据进行处理，分别得到特征矩阵。

可选的，所述inception结构的卷积层还包括：

特征矩阵拼接模块，用于对输入数据进行处理，分别得到特征矩阵之后，对所述特征矩阵进行统一化处理，并将处理后的特征矩阵进行拼接，生成下一卷积层的输入数据。

可选的，所述inception结构的卷积层还包括：还包括：

数据扩张模块，用于在对输入数据进行处理之前，根据所述1×1的子卷积层、所述3×3的子卷积层、所述空洞卷积和所述池化层的卷积核的大小分别对所述输入数据进行扩张处理，其中，所述扩张处理包括对所述输入数据进行边界填零处理。

可选的，所述卷积神经网络模型还包括全连接层，用于根据上一卷积层的特征矩阵确定处理结果。

本发明实施例提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行数据处理方法相应的功能模块和有益效果。

实施例四

图7为本发明实施例四提供的一种计算机的结构示意图。图7示出了适于用来实现本发明实施方式的示例性计算机12的框图。图7显示的计算机12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7所示，计算机12以通用计算设备的形式表现。计算机12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机12交互的设备通信，和/或与使得该计算机12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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22进行。并且，计算机12还可以通过网络适配器20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。如图所示，网络适配器20通过总线18与计算机12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机12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。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现如下方法：

获取一维原始数据，将所述一维原始数据进行矩阵化处理，生成中间数据，其中，所述中间数据为二维矩阵数据；

将所述中间数据输入至预先训练的卷积神经网络模型中，其中，所述卷积神经网络模型包括inception结构的卷积层；

根据所述卷积神经网络模型的输出结果确定所述一维原始数据对应的处理结果。

实施例五

本发明实施例五还提供了一种计算机可读存储介质。其上存储有计算机程序，该程序被处理器执行如下方法：

获取一维原始数据，将所述一维原始数据进行矩阵化处理，生成中间数据，其中，所述中间数据为二维矩阵数据；

将所述中间数据输入至预先训练的卷积神经网络模型中，其中，所述卷积神经网络模型包括inception结构的卷积层；

根据所述卷积神经网络模型的输出结果确定所述一维原始数据对应的处理结果。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。

计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。