一种信贷风控数据的处理方法及装置与流程

本发明涉及数据处理技术领域，具体涉及一种信贷风控数据的处理方法及装置。

背景技术：

银行业的信贷风险管理是金融工作中的必不可少的一个环节，可以包括贷款管理和贷后管理两个流程。

现有技术中，信贷风险管理以人工处理为主，需要以人工的方式审阅贷款信息，包括贷款评估报告、审批意见等大量文字信息，从中得到有用的信贷风控数据，效率低下。特别是对于审批意见，通常由信贷审批人员根据贷款评估报告中的相关信息经过判断整理而成，属于自然语言，是非结构化的信息。审批意见是针对贷后管理的数据，会以任务的形式保存，并为每条任务指定具体责任人。在贷后管理工作中，需要人工阅读审批意见，根据审批意见形成一项项任务，审批意见的处理效率很低且耗费较高的人工成本。

技术实现要素：

针对现有技术中的问题，本发明实施例提供一种信贷风控数据的处理方法及装置，能够至少部分地解决现有技术中存在的问题。

一方面，本发明提出一种信贷风控数据的处理方法，包括：

获取贷款审批文本数据；

根据所述贷款审批文本数据以及标注语料库，获得至少一个任务文本数据；其中，所述标注语料库是预设的；

根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量；其中，所述特征抽取模型是预设的；

根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果；其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。

另一方面，本发明提供一种信贷风控数据的处理装置，包括：

第一获取单元，用于获取贷款审批文本数据；

第一获得单元，用于根据所述贷款审批文本数据以及标注语料库，获得至少一个任务文本数据；其中，所述标注语料库是预设的；

第二获得单元，用于根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量；

第三获得单元，用于根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果；其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。

再一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述信贷风控数据的处理方法的步骤。

又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述信贷风控数据的处理方法的步骤。

本发明实施例提供的信贷风控数据的处理方法及装置，能够获取贷款审批文本数据，然后根据贷款审批文本数据以及标注语料库，获得至少一个任务文本数据，接着根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量，根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果，能够自动从贷款审批文本数据中获得任务文本数据，并对任务文本数据进行分级，提高了对信贷风控数据的处理效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：

图1是本发明一实施例提供的信贷风控数据的处理方法的流程示意图。

图2是本发明另一实施例提供的信贷风控数据的处理方法的流程示意图。

图3是本发明又一实施例提供的信贷风控数据的处理方法的流程示意图。

图4是本发明一实施例提供的信贷风控数据的处理装置的结构示意图。

图5是本发明另一实施例提供的信贷风控数据的处理装置的结构示意图。

图6是本发明又一实施例提供的信贷风控数据的处理装置的结构示意图。

图7是本发明一实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

图1是本发明一实施例提供的信贷风控数据的处理方法的流程示意图，如图1所示，本发明实施例提供的信贷风控数据的处理方法，包括：

s101、获取贷款审批文本数据；

具体地，审核人员对每笔贷款审核完成之后，都会填写审批意见，从所述审批意见中可以得到贷款审批文本数据，所述服务器可以获取所述贷款审批文本数据，作为信贷风控数据。其中，本发明实施例提供的信贷风控数据的处理方法的执行主体包括但不限于服务器。

例如，某一笔贷款的审批意见如下：一、请股东a公司出具书面承诺：(1)对本项目投入的资金来源均合法有效；提供资金支持借款人参加本项目建设用地定向招拍挂，以自有资金支付本项目土地出让金，不使用融资资金；(2)未经银团同意，不得变更自身及借款人股权结构或转让相关资产；不将借款人股权对银团外第三方质押；二、向借款人开展高层访谈，并形成访谈纪要，内容包括但不限于：若本项目发生回购行为，其资金来源需为财政计划内资金，不得为负债类资金。所述服务器可以获取上述审批意见作为贷款审批文本数据。

s102、根据所述贷款审批文本数据以及标注语料库，获得至少一个任务文本数据；其中，所述标注语料库是预设的；

具体地，所述服务器在获得所述贷款审批文本数据之后，可以判断所述贷款审批文本数据中是否包括标注语料库中的任务文本，如果所述贷款审批文本数据中包括至少一个所述标注语料库中的任务文本，那么可以获得至少一个任务文本数据，每个任务文本对应一个任务文本数据。其中，所述标注语料库是预设的，包括多个任务文本。所述任务文本根据实际经验进行设置，本发明实施例不做限定。

例如，所述任务文本为“发生…行为…资金需为”的句子范式，如果所述贷款审批文本数据中有一句话包括上述任务文本，那么将这句话作为一个任务文本数据，任务文本数据本质上是句子。

s103、根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量；其中，所述特征抽取模型是预设的；

具体地，所述服务器在获得每个任务文本数据之后，将每个任务文本数据输入到特征抽取模型中，可以获得每个任务文本数据的特征向量。其中，所述特征抽取模型是预设的，用于将任务文本数据转换成可以表示句子特征的特征向量。其中，所述特征抽取模型可以采用预训练的bert(bidirectionalencoderrepresentationfromtransformers)模型，bert模型是一种语意抽取模型，预训练的bert模型可以从任务文本数据中提取出特征向量。其中，预训练的bert模型是预先训练获得的。

预训练的bert模型是一个句子级别的语言模型，可以直接获得一整个句子的唯一向量表示。预训练的bert模型的主体是transformer神经网络结构。bert模型通过自编码ae(autoencoder)的方式利用大量未监督语料训练一个transformer网络。所述任务文本数据是一种未监督语料，预训练的bert模型是利用大量的任务文本训练数据训练获得的。

为了利用大量任务文本训练数据让bert模型完成自编码的过程，bert模型构造了两个loss，分别为mlm(maskedlanguagemodel)与nsp(nextsentenceprediction)。首先对输入的任务文本训练数据做分词和向量化，然后输入到transformer编码模型中，其中mlm通过把小部分的输入文字替换成[mask]交给模型预测(即类似于完形填空)，预测结果与真实答案做交叉熵损失，让模型获得建模字符集别特征的能力。nsp同样使用交叉熵损失构造判断输入两句由[cls]标识符分开的两句句子在原文中是否是连续的句子的二分类训练任务。然后把mlm损失与nsp损失直接相加成为最终的loss。当最终的loss在设定范围内时，认为transformer网络训练完成。其中，所述设定范围根据实际经验进行设置，本发明实施例不做限定。

transformer网络训练完成后，把句子完成分词和向量化后，输入transformer网络，取最后一层每一个token(在中文中一般为每一个字)的隐向量，求平均或者max/minpooling后得到一个固定长度的句向量。

s104、根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果；其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。

具体地，所述服务器在获得每个任务文本数据的特征向量之后，将每个任务文本数据作为所述任务分级模型的输入，经过所述任务分级模型的处理，可以输出每个任务文本数据的分级结果，所述分级结果表明每个任务文本数据的等级，等级越高的任务文本数据越需要优先进行处理。每个任务文本数据都可以作为一项贷后管理的任务，每个任务文本数据的分级结果表明该任务的处理优先级高低。其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。所述任务训练样本可以通过贷款审批样本数据获得，每个任务训练样本对应的分级标签是预设的，可以按照等级由高到低的顺序可以分为高级、中级和低级三类。所述任务分级模型的具体训练过程，见下文所述，此处不进行赘述。

本发明实施例提供的信贷风控数据的处理方法，能够获取贷款审批文本数据，然后根据贷款审批文本数据以及标注语料库，获得至少一个任务文本数据，接着根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量，根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果，能够自动从贷款审批文本数据中获得任务文本数据，并对任务文本数据进行分级，提高了对信贷风控数据的处理效率。

图2是本发明另一实施例提供的信贷风控数据的处理方法的流程示意图，如图2所示，在上述各实施例的基础上，进一步地，基于任务样本数据训练获得所述任务分级模型包括：

s201、获取所述任务样本数据；

具体地，所述服务器可以获得所述任务样本数据，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。其中，每个任务训练样本对应一个训练任务文本数据，可以通过人工对每个任务训练样本对应的训练任务文本数据进行标注，获得每个任务训练样本对应的分级标签。所述任务样本数据包括多个任务训练样本的具体获得过程见下文所述，此处不进行赘述。

s202、通过每个任务训练样本以及对应分级标签对深度学习模型进行训练，获得所述任务分级模型；

具体地，所述服务器将每个任务训练样本作为深度学习模型的输入，将每个任务训练样本对应的分级标签作为深度学习模型的输出，对所述深度学习模型进行训练，不断调整深度学习模型的参数，直到模型的训练满足结束条件，可以获得所述任务分级模型。其中，所述深度学习模型根据实际需要进行设置，本发明实施例不做限定。所述结束条件可以是迭代次数达到设定次数。

可理解的是，在获得所述任务分级模型之后，可以通过测试样本数据对所述任务分级模型进行测试，获得测试结果，如果测试结果的准确率达到90％以上，那么认为所述任务分级模型是可信的。否则，说明所述任务分级模型不够准确，可以通过增加所述任务样本数据包括的任务训练样本的数量，或者重新对任务训练样本进行标注，重新获得任务样本数据，然后根据重新获得的任务样本数据训练获得所述任务分级模型，直到所述任务分级模型的测试结果满足要求。

图3是本发明又一实施例提供的信贷风控数据的处理方法的流程示意图，如图3所示，在上述各实施例的基础上，进一步地，所述获取所述任务样本数据包括：

s2011、获取多个训练贷款审批文本数据；

具体地，从已经处理过的审批意见中，可以得到多个训练贷款审批文本数据，所述服务器可以获得所述多个训练贷款审批文本数据。其中，所述训练贷款审批文本数据的数量，根据实际需要进行设置，本发明实施例不做限定。

s2012、根据所述多个训练贷款审批文本数据以及所述标注语料库，获得多个训练任务文本数据；

具体地，所述服务器在获得所述多个训练贷款审批文本数据之后，对于每个训练贷款审批文本数据可以判断所述训练贷款审批文本数据中是否包括标注语料库中的任务文本数据，如果所述训练贷款审批文本数据中包括至少一个所述标注语料库中的任务文本数据，那么将该训练贷款审批文本数据作为训练任务文本数据。重复上述过程，所述服务器可以从所述多个训练贷款审批文本数据中获得多个训练任务文本数据。

s2013、根据所述多个训练任务文本数据以及所述特征抽取模型，获得多个任务训练样本。

具体地，所述服务器在获得所述多个训练任务文本数据的特征数据之后，将每个训练任务文本数据特征数据输入到特征抽取模型中，可以获得每个训练任务文本数据的特征向量，将所述训练任务文本的特征向量作为任务训练样本，即将每个训练任务文本数据的特征向量作为一个所述任务训练样本。其中，所述任务训练样本的数量根据实际需要进行设置，本发明实施例不做限定。

在上述各实施例的基础上，进一步地，所述获取贷款审批文本数据包括：

对贷款审批原始数据进行数据清洗获得所述贷款审批文本数据。

具体地，从审批意见中直接得到文本数据是贷款审批原始数据，当贷款审批原始数据的格式不规范时，需要对所述贷款审批原始数据进行数据清洗，即对所述贷款审批原始数据进行整理，包括但不限于调整格式、调整字体、调整回车、调整换行等处理，去除干扰信息，获得所述贷款审批文本数据，以方便后续进行对贷款审批文本数据的搜索。

图4是本发明一实施例提供的信贷风控数据的处理装置的结构示意图，如图4所示，本发明实施例提供的信贷风控数据的处理装置包括第一获取单元401、第一获得单元402、第二获得单元403和第三获得单元404，其中：

第一获取单元401用于获取贷款审批文本数据；第一获得单元402用于根据所述贷款审批文本数据以及标注语料库，获得至少一个任务文本数据；其中，所述标注语料库是预设的；第二获得单元403用于根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量；第三获得单元404用于根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果；其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。

具体地，审核人员对每笔贷款审核完成之后，都会填写审批意见，从所述审批意见中可以得到贷款审批文本数据，第一获取单元401可以获取所述贷款审批文本数据，作为信贷风控数据。

在获得所述贷款审批文本数据之后，第二获得单元403可以判断所述贷款审批文本数据中是否包括标注语料库中的任务文本，如果所述贷款审批文本数据中包括至少一个所述标注语料库中的任务文本，那么可以获得至少一个任务文本数据，每个任务文本对应一个任务文本数据。其中，所述标注语料库是预设的，包括多个任务文本。所述任务文本根据实际经验进行设置，本发明实施例不做限定。

在获得每个任务文本数据之后，第二获得单元403将每个任务文本数据输入到特征抽取模型中，可以获得每个任务文本数据的特征向量。其中，所述特征抽取模型是预设的，用于将任务文本数据转换成可以表示句子特征的特征向量。其中，所述特征抽取模型可以采用预训练的bert模型，bert模型是一种语意抽取模型，预训练的bert模型可以从任务文本数据中提取出特征向量。其中，预训练的bert模型是预先训练获得的。

在获得每个任务文本数据的特征向量之后，第三获得单元404将每个任务文本数据作为所述任务分级模型的输入，经过所述任务分级模型的处理，可以输出每个任务文本数据的分级结果，所述分级结果表明每个任务文本数据的等级，等级越高的任务文本数据越需要优先进行处理。每个任务文本数据都可以作为一项贷后管理的任务，每个任务文本数据的分级结果表明该任务的处理优先级高低。其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。所述任务训练样本可以通过贷款审批样本数据获得，每个任务训练样本对应的分级标签是预设的，可以按照等级由高到低的顺序可以分为高级、中级和低级三类。

本发明实施例提供的信贷风控数据的处理装置，能够获取贷款审批文本数据，然后根据贷款审批文本数据以及标注语料库，获得至少一个任务文本数据，接着根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量，根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果，能够自动从贷款审批文本数据中获得任务文本数据，并对任务文本数据进行分级，提高了对信贷风控数据的处理效率。

图5是本发明另一实施例提供的信贷风控数据的处理装置的结构示意图，如图5所示，在上述各实施例的基础上，进一步地，本发明实施例提供的信贷风控数据的处理装置还包括第二获取单元405和训练单元406，其中：

第二获取单元405用于获取所述任务样本数据；训练单元406用于通过每个任务训练样本以及对应的分级标签对深度学习模型进行训练，获得所述任务分级模型；其中，所述分级标签是预设的；

具体地，第二获取单元405可以获得所述任务样本数据，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。其中，每个任务训练样本对应一个训练任务文本数据，可以通过人工对每个任务训练样本对应的训练任务文本数据进行标注，获得每个任务训练样本对应的分级标签。

训练单元406将每个任务训练样本作为深度学习模型的输入，将每个任务训练样本对应的分级标签作为深度学习模型的输出，对所述深度学习模型进行训练，不断调整深度学习模型的参数，直到模型的训练满足结束条件，可以获得所述任务分级模型。其中，所述深度学习模型根据实际需要进行设置，本发明实施例不做限定。所述结束条件可以是迭代次数达到设定次数。

图6是本发明又一实施例提供的信贷风控数据的处理装置的结构示意图，如图6所示，在上述各实施例的基础上，进一步地，本发明实施例提供的第二获取单元405包括获取子单元4051、第一获得子单元4052和第二获得子单元4053，其中：

获取子单元4051用于获取多个训练贷款审批文本数据；第一获得子单元4052用于根据所述多个训练贷款审批文本数据以及所述标注语料库，获得多个训练任务文本数据；第二获得子单元4053用于根据所述多个训练任务文本数据以及所述特征抽取模型，获得多个任务训练样本。

具体地，从已经处理过的审批意见中，可以得到多个训练贷款审批文本数据，获取子单元4051可以获得所述多个训练贷款审批文本数据。其中，所述训练贷款审批文本数据的数量，根据实际需要进行设置，本发明实施例不做限定。

具体地，在获得所述多个训练贷款审批文本数据之后，第一获得子单元4052对于每个训练贷款审批文本数据可以判断所述训练贷款审批文本数据中是否包括标注语料库中的任务文本数据，如果所述训练贷款审批文本数据中包括至少一个所述标注语料库中的任务文本数据，那么将该训练贷款审批文本数据作为训练任务文本数据。重复上述过程，第一获得子单元4052可以从所述多个训练贷款审批文本数据中获得多个训练任务文本数据。

在获得所述多个训练任务文本数据的特征数据之后，第二获得子单元4053将每个训练任务文本数据特征数据输入到特征抽取模型中，可以获得每个训练任务文本数据的特征向量，将所述训练任务文本的特征向量作为任务训练样本，即将每个训练任务文本数据的特征向量作为一个所述任务训练样本。其中，所述任务训练样本的数量根据实际需要进行设置，本发明实施例不做限定。

在上述各实施例的基础上，进一步地，第一获取单元401具体用于：

对贷款审批原始数据进行数据清洗获得所述贷款审批文本数据。

具体地，从审批意见中直接得到文本数据是贷款审批原始数据，当贷款审批原始数据的格式不规范时，第一获取单元401需要对所述贷款审批原始数据进行数据清洗，即对所述贷款审批原始数据进行整理，包括但不限于调整格式、调整字体、调整回车、调整换行等处理，去除干扰信息，获得所述贷款审批文本数据，以方便后续进行对贷款审批文本数据的搜索。

本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图7是本发明一实施例提供的电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(communicationsinterface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行如下方法：获取贷款审批文本数据；根据所述贷款审批文本数据以及标注语料库，获得至少一个任务文本数据；其中，所述标注语料库是预设的；根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量；其中，所述特征抽取模型是预设的；根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果；其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。

此外，上述的存储器703中的逻辑指令可以通过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。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取贷款审批文本数据；根据所述贷款审批文本数据以及标注语料库，获得至少一个任务文本数据；其中，所述标注语料库是预设的；根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量；其中，所述特征抽取模型是预设的；根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果；其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。

本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取贷款审批文本数据；根据所述贷款审批文本数据以及标注语料库，获得至少一个任务文本数据；其中，所述标注语料库是预设的；根据每个任务文本数据以及特征抽取模型，获得每个任务文本数据的特征向量；其中，所述特征抽取模型是预设的；根据每个任务文本数据的特征向量以及任务分级模型，获得每个任务文本数据的分级结果；其中，所述任务分级模型是基于任务样本数据训练获得的，所述任务样本数据包括多个任务训练样本以及与每个任务训练样本对应的分级标签。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。