用户信用评估方法及装置、电子设备、存储介质与流程

本公开涉及互联网技术领域，具体而言，涉及一种用户信用评估方法、用户信用评估装置、电子设备以及计算机可读存储介质。

背景技术：

信用评估卡模型是金融领域最常见的一种风险评分模型，这种模型在可解释性和算法复杂度取得平衡。

相关技术中，一般都是使用强金融属性的参数预测用户的违约概率。但是大多情况下获取的用户数据并不具备很强的金融属性。因此，能使用的强金融属性参数的数据量较少，可能导致预测的信用评估结果并不准确且应用范围受到限制，不能准确衡量用户风险。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种用户信用评估方法及装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的不能准确衡量用户风险的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种用户信用评估方法，包括：获取目标用户的多个特征信息，所述多个特征信息包括第一类参数和第二类参数；对所述第一类参数和所述第二类参数进行预处理；将预处理后的所述第一类参数进行转化，生成目标参数；将预处理后的所述第二类参数和所述目标参数输入机器学习模型，得到所述目标用户的信用评估结果；其中，iv值低于预设阈值的特征信息为所述第一类参数，iv值高于所述预设阈值的特征信息为所述第二类参数。

在本公开的一种示例性实施例中，对所述第一类参数和所述第二类参数进行预处理包括：通过证据权重值对所述第一类参数和第二类参数分别进行分箱处理，得到分箱后的第一类参数和分箱后的第二类参数。

在本公开的一种示例性实施例中，将预处理后的所述第一类参数进行转化，生成目标参数包括：采用线性判别式算法对每个主题关联的分箱后的第一类参数进行特征组合，生成所述目标参数。

在本公开的一种示例性实施例中，所述方法还包括：对所述目标参数进行再次分箱，并将再次分箱后的目标参数放入候选参数池；将分箱后的第二类参数放入所述候选变量池。

在本公开的一种示例性实施例中，将预处理后的所述第二类参数和所述目标参数输入机器学习模型包括：剔除所述候选变量池中分箱后的第二类参数和再次分箱后的目标参数之间的多重共线性，得到剩余参数；将所述剩余参数输入所述机器学习模型。

在本公开的一种示例性实施例中，剔除所述候选变量池中分箱后的第二类参数和再次分箱后的目标参数之间的多重共线性，得到剩余参数包括：从所述候选变量池中剔除证据权重值小于预设值的分箱后的第二类参数以及再次分箱后的目标参数，得到所述剩余参数。

在本公开的一种示例性实施例中，从所述候选变量池中剔除证据权重值小于预设值的分箱后的第二类参数以及再次分箱后的目标参数包括：按照所述证据权重值从小到大的排列顺序，对所述证据权重值小于所述预设值的分箱后的第二类参数和再次分箱后的目标参数进行剔除；重新计算经过剔除的分箱后的第二类参数和再次分箱后的目标参数的证据权重值；按照所述证据权重值从小到大的排列顺序，对重新计算的证据权重值小于所述预设值的分箱后的第二类参数和再次分箱后的所述目标参数进行剔除，直至剔除完所述证据权重值小于所述预设值的第二类参数和目标参数为止。

根据本公开的一个方面，提供一种用户信用评估装置，包括：特征获取模块，用于获取目标用户的多个特征信息，所述多个特征信息包括第一类参数和第二类参数；参数预处理模块，用于对所述第一类参数和所述第二类参数进行预处理；目标参数生成模块，用于将预处理后的所述第一类参数进行转化，生成目标参数；评估结果确定模块，用于将预处理后的所述第二类参数和所述目标参数输入机器学习模型，得到所述目标用户的信用评估结果；其中，iv值低于预设阈值的特征信息为所述第一类参数，iv值高于所述预设阈值的特征信息为所述第二类参数。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的用户信用评估方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的用户信用评估方法。

本公开示例性实施例中提供的一种用户信用评估方法、用户信用评估装置、电子设备以及计算机可读存储介质中，一方面，通过对预处理后的第一类参数进行转化生成目标参数，能够使第一类参数转化生成的目标参数用于信用评估，避免了相关技术中只将第二类参数用于信用评估而导致的数据量不足以及应用范围小的问题，增加了数据量和应用范围；另一方面，通过将预处理后的第二类参数以及转化后生成的目标参数输入机器学习模型，增加了数据量，从而能够基于预处理后的第二类参数以及转化后生成的目标参数得到准确的信用评估结果，准确衡量用户信用风险。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种用户信用评估方法示意图；

图2示意性示出本公开示例性实施例中用户信用评估的具体流程图；

图3示意性示出本公开示例性实施例中一种用户信用评估装置的框图；

图4示意性示出本公开示例性实施例中一种电子设备的框图；

图5示意性示出本公开示例性实施例中一种程序产品。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中首先提供了一种用户信用评估方法，参考图1所示，对用户信用评估方法进行详细描述。

在步骤s110中，获取目标用户的多个特征信息，所述多个特征信息包括第一类参数和第二类参数。

本示例性实施例中，特征信息指的是目标用户的历史数据对应的数据特征，具体可包括第一类参数和第二类参数。其中，iv值低于预设阈值的特征信息为所述第一类参数，iv值高于所述预设阈值的特征信息为所述第二类参数。特征信息可以为每个主题对应的参数，且每个主题可包括多个特征信息。例如，特征信息包括但不限于年龄、收入、消费数据、浏览次数、浏览时间等等。

在获得多个特征信息之后，可将特征信息划分为第一类参数和第二类参数，具体可以按照iv值对特征信息进行划分。iv(informationvalue)值也可以称为信息值，指的是在通过逻辑回归、决策树等模型方法构建模型时，用于衡量某个特征信息对好坏客户区分能力的一个指标，可使用iv值对所有的特征信息进行筛选和分类。一般而言，iv值越大，表明特征信息的信息值越大，因此可将iv值大的特征信息作为放到模型中，以对模型进行拟合训练。

举例而言，假设在一个分类问题中，特征信息的类别有两类：y1，y2。对于一个待预测的个体a，要判断个体a属于y1还是y2，则需要一定的信息。假设这个信息总量是i，而这些所需要的信息，就蕴含在所有的特征信息c1，c2，c3，......，cn中，那么，对于其中的一个特征信息ci来说，其蕴含的信息越多，那么该特征信息对于判断a属于y1还是y2的贡献就越大，ci的信息值就越大，ci的iv值就越大，说明该特征信息的区分能力就越好，则可以使用特征信息ci建立模型。

第一类参数包括弱参数，例如弱金融属性参数；第二类参数包括强参数，例如强金融属性参数。本示例性实施例中，预设阈值可以设为0.2，可将所有特征信息中的信息值低于0.2的特征信息确定为第一类参数，将所有特征信息中的信息值大于0.2的特征信息确定为所述第二类参数。但是预设阈值不限于上述数值，还可以根据实际需求进行设置。除此之外，还可将信息值小于0.05的特征信息作为极弱参数。对于极弱参数而言，由于该特征信息的区分能力很差，因此可直接将极弱参数过滤掉，以避免极弱参数对整个评估结果的影响。

在步骤s120中，对所述第一类参数和所述第二类参数进行预处理。

本示例性实施例中，预处理指的是分箱处理。分箱处理即分组处理，指的是将连续参数离散化或者是将多状态的离散参数合并成少状态的离散参数。本示例性实施例中，具体可采用woe算法进行分箱处理。woe(weightofevidence，证据权重)指的是对原始参数的一种编码形式。在对一个参数进行woe编码前，需要先把这个参数进行分箱处理，具体可包括等距分箱、等深分箱、最优分箱等方式。在进行分箱后，可通过公式(1)计算对于第i组的证据权重值woe：

其中，pyi是第i组中响应客户占所有样本中所有响应客户的比例，pni是第i组中未响应客户占样本中所有未响应客户的比例，#yi是第i组中响应客户的数量，#ni是第i组中未响应客户的数量，#yt是样本中所有响应客户的数量，#nt是样本中所有未响应客户的数量。此处的响应客户指的是模型中参数取值为1的个体。

由此可知，证据权重值woe表示的是“当前分组中响应客户占所有响应客户的比例”和“当前分组中没有响应的客户占所有没有响应的客户的比例”的差异。对公式(1)进行变换，可得到公式(2)：

其中，证据权重值woe越大，差异越大，则表明这个分组里样本响应的可能性越大。

通过对第一类参数和第二类参数进行分箱处理，可以避免参数的随机误差或者是异常参数，从而对参数进行去噪，提高处理速度和效率。

在步骤s130中，将预处理后的所述第一类参数进行转化，生成目标参数。

本示例性实施例中，由于第一类参数并不能直接用于评估信用评估，导致一部分特征信息无法得到充分利用。在特征信息中不存在属于强金融属性的第二类参数时，则无法进行信用评估。为了避免上述问题，可对所有的第一类参数进行转化，使原始的第一类参数转化为目标参数。转化的具体过程指的是特征组合，目标参数指的是与第二类参数关联的参数，即具有强金融属性的参数。此处的第二类参数关联的参数指的是与第二类参数类型相同的参数，例如将原本的多个弱参数组合为强参数，从而可以根据强参数和由弱参数转化的强参数进行信用评估。需要说明的是，通过步骤s110可得到多个第一类参数，其中每个主题也可包括多个第一类参数，例如10个、50个等等，本示例性实施例中对此不作特殊限定。但是经过步骤s130中的特征组合，对于每个主题而言，只能得到一个目标参数。举例而言，对主题1对应的弱参数1、弱参数2、弱参数3、弱参数4进行特征组合，得到主题1的强参数1。

在进行特征组合时，具体可采用线性判别式算法对每个主题关联的所有分箱后的第一类参数进行特征组合，以得到一个第二类参数关联的参数。主题例如可以包括交易、浏览、预测等等。对于每一个主题而言，其中包括的第一类参数和第二类参数可能都不同。为了使得所有弱参数满足业务上的可解释性，因此需要针对每一个主题关联的所有第一类参数进行特征组合。例如，将交易主题对应的所有第一类参数进行组合，将浏览主题对应的所有第一类参数进行组合。通过对每个主题的第一类参数进行特征组合，避免了不同主题之间参数的相互影响，从而可提高特征组合的效率和准确率。

线性判别式算法lda指的是在分类过程中将分箱后的多个弱参数进行线性组合，以形成一个线性表达式。具体而言，对于多个弱参数进行线性组合得到包括每个弱参数的线性表达式，分类过程中在线性表达式所在的特征空间上将目标参数绕不同的角度转动，利用线性判别式算法在转动过程中得到一个最佳角度，使得目标参数在该最佳角度上的分类势最大，从而可根据分类势最大的目标参数得到强参数。或者说是根据最佳角度得到一个最佳的线性组合，使得最佳线性组合对应的目标参数的分类势最大，从而可根据分类势最大的目标参数得到强参数。其中，目标参数指的是所有弱参数中的任意一个。分类势指的是用于分类的势。

举例而言，对于交易主题而言，弱参数包括浏览次数x1、评价y1，则可以将浏览次数x1和评价y1进行线性组合得到线性表达式ax1+by1，进而可以在线性表达式所在的特征空间上根据线性判别式算法得到使得目标参数分类势最大的最佳角度，进而将浏览次数x1、评价y1组合为一个与浏览次数和评价相关联的强参数。通过上述方式可将每个主题下的弱参数组合为强参数，从而使用转化的强参数进行模型构建。如此一来，相对于相关技术中而言，能够完全利用弱参数构建可解释性较强的风险评分模型，并且可以纳入数量更多、种类更多的参数。

在生成目标参数后，可将目标参数和第二类参数放入候选变量池。放入模型的候选变量池中的第一类参数和第一类参数关联的参数都为分箱后的参数。为了满足这个要求，在将第一类参数转化为目标参数后，还需对这些目标参数进行再次分箱，并在再次分箱后将目标参数放入候选变量池。候选变量池中例如可包括分箱后的强参数1、分箱后的由弱参数2和弱参数3组合成的强参数4等等。

接下来，在步骤s140中，将预处理后的所述第二类参数和所述目标参数输入机器学习模型，得到所述目标用户的信用评估结果。

本示例性实施例中，机器学习模型可以为训练好的机器学习模型，例如卷积神经网络算法、深度学习算法等等，本示例性实施例中以卷积神经网络模型为例进行说明。卷积神经网络模型一般包括输入层、映射层以及输出层。

在将预处理后的所述第二类参数和所述目标参数输入机器学习模型时，为了保证结果的准确性，可对候选变量池中的目标参数和分箱后的第二类参数进行筛选。即，可对候选变量池中的所有参数进行筛选得到剩余参数，以将剩余参数作为输入参数输入机器学习模型，机器学习模型的输出层的输出可以为用户信用属于某个区间的概率，从而根据属于某个区间的概率的大小确定用户信用评估结果，例如当属于信用良好的区间的概率最大时，确定信用评估结果良好。

具体地，为了保证结果的准确性，可剔除候选变量池中的第二类参数和目标参数之间的多重共线性。所谓多重共线性是指线性回归模型中的参数之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。证据权重值一般应该都是正值，如果计算的证据权重值中出现了负值，则可以考虑是否是来自参数多重共线性的影响。基于此，可根据证据权重值与预设值之间的大小关系确定参数之间是否存在多重共线性。预设值例如可以为0，如果证据权重值小于0(即为负值)，则认为参数之间存在多重共线性，从而可以依次将证据权重值小于0的这些参数剔除掉，得到剩余参数。

在剔除参数之间的多重共线性时，可以按照所述证据权重值从小到大的排列顺序，对所述证据权重值小于所述预设值的分箱后的第二类参数和再次分箱后的目标参数进行剔除；重新计算经过剔除的分箱后的第二类参数和再次分箱后的目标参数的证据权重值；按照所述证据权重值从小到大的排列顺序，对重新计算的证据权重值小于所述预设值的分箱后的第二类参数和再次分箱后的所述目标参数进行剔除，直至剔除完所述证据权重值小于所述预设值的第二类参数和目标参数为止。

例如参数1的证据权重值为-3、参数2的证据权重值为-1以及参数3的证据权重值为1，则第一次可剔除掉证据权重值为-3的参数1，同时重新对参数2和参数3进行线性组合，并重新计算每一个参数的证据权重值。接下来可剔除掉证据权重值为最小负值的参数。除此之外，也可以按照其他算法剔除多重共线性。通过依次剔除一个证据权重值小于预设值的参数，然后对剩余的所有参数重新计算证据权重值，能够更准确地剔除所有证据权重值小于预设值的参数，从而得到更准确的剩余参数，以通过剩余参数输入训练好的机器学习模型得到更准确的信用评估结果，从而准确衡量用户风险。

图2中示出了确定信用评估结果的具体流程图。其中：

在步骤s201中，在建模层对数据进行特征提取，得到特征汇总宽表，其中包括多个特征信息。

在步骤s202中，基于建模层和信息值iv进行特征筛选，将多个特征信息按照iv值划分为强参数、弱参数和极弱参数，并将极弱参数直接过滤掉。

在步骤s203中，采用woe算法对强参数和弱参数进行分箱处理，得到强参数woe分箱和弱参数woe分箱。

在步骤s204中，对弱参数进行特征组合，具体根据lda线性判别式算法对每个主题对应的多个弱参数进行线性组合，得到每个主题对应的强参数。例如，得到浏览主题的lda组合、交易主题的lda组合、交易信用卡主题组合。进一步对每个主题对应的由弱参数转化成的强参数进行再次分箱，得到lda组合后的woe分箱。

在步骤s205中，对woe分箱后的强参数和woe分箱后的弱参数通过lda组合生成的强参数剔除多重共线性得到剩余参数，将剩余参数输入机器学习模型得到用户信用评估结果。

接下来，可对信用评估结果进行监控。例如可采用roc曲线、基尼系数ar值、区分能力指标ks值或者是洛伦兹曲线等方式进行监控；除此之外，还可采用psi指标进行监控，以监控评估结果的准确性。

通过图2中的步骤，可将每个主题的弱参数特征组合为强参数，从而基于强参数进行信用评估。通过这种方式能够完全利用弱参数进行可解释性较强的风险评分，并且可以纳入数量更多、种类更多的参数，使得参数更准确、更全面，进而使得信用评估结果的可解释性更强，从而能够更准确、更及时地衡量用户风险。

本公开还提供了一种用户信用评估装置。参考图3所示，该用户信用评估装置300可以包括：

特征获取模块301，用于获取目标用户的多个特征信息，所述多个特征信息包括第一类参数和第二类参数；

参数预处理模块302，用于对所述第一类参数和所述第二类参数进行预处理；

目标参数生成模块303，用于将预处理后的所述第一类参数进行转化，生成目标参数；

评估结果确定模块304，用于将预处理后的所述第二类参数和所述目标参数输入机器学习模型，得到所述目标用户的信用评估结果；

其中，iv值低于预设阈值的特征信息为所述第一类参数，iv值高于所述预设阈值的特征信息为所述第二类参数。

在本公开的一种示例性实施例中，参数预处理模块包括：分箱处理模块，用于通过证据权重值对所述第一类参数和第二类参数分别进行分箱处理，得到分箱后的第一类参数和分箱后的第二类参数。

在本公开的一种示例性实施例中，目标参数生成模块包括：特征组合模块，用于采用线性判别式算法对每个主题关联的分箱后的第一类参数进行特征组合，生成所述目标参数。

在本公开的一种示例性实施例中，所述装置还包括：第一存储模块，用于对所述目标参数进行再次分箱，并将再次分箱后的目标参数放入候选参数池；第二存储模块，用于将分箱后的第二类参数放入所述候选变量池。

在本公开的一种示例性实施例中，评估结果确定模块包括：参数剔除模块，用于剔除所述候选变量池中分箱后的第二类参数和再次分箱后的目标参数之间的多重共线性，得到剩余参数；输入控制模块，用于将所述剩余参数输入所述机器学习模型。

在本公开的一种示例性实施例中，参数剔除模块包括：剔除控制模块，用于从所述候选变量池中剔除证据权重值小于预设值的分箱后的第二类参数以及再次分箱后的目标参数，得到所述剩余参数。

在本公开的一种示例性实施例中，剔除控制模块包括：首次剔除模块，用于按照所述证据权重值从小到大的排列顺序，对所述证据权重值小于所述预设值的分箱后的第二类参数和再次分箱后的目标参数进行剔除；证据权重值计算模块，用于重新计算经过剔除的分箱后的第二类参数和再次分箱后的目标参数的证据权重值；再次剔除模块，用于按照所述证据权重值从小到大的排列顺序，对重新计算的证据权重值小于所述预设值的分箱后的第二类参数和再次分箱后的所述目标参数进行剔除，直至剔除完所述证据权重值小于所述预设值的第二类参数和目标参数为止。

需要说明的是，上述用户信用评估装置中各模块的具体细节已经在对应的用户信用评估方法中进行了详细描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图4来描述根据本发明的这种实施方式的电子设备400。图4显示的电子设备400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4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元410可以执行如图1中所示的步骤。

存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(rom)4203。

存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4205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。

总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

显示单元440可以为具有显示功能的显示器，以通过该显示器展示由处理单元410执行本示例性实施例中的方法而得到的处理结果。显示器包括但不限于液晶显示器或者是其它显示器。

电子设备400也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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450进行。并且，电子设备400还可以通过网络适配器460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460通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400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。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。