一种对公银行账户的识别方法、装置、电子设备与流程

本说明书一个或多个实施例涉及计算机通信领域，尤其涉及一种对公银行账户的识别方法、装置、电子设备。
背景技术：
：对公银行账户是指以公司名义在银行开立的账户。对公银行账户的识别对于人们生产生活具有重要的作用。比如，近年来，随着对公银行账户注册条件的放宽，不法分子大量囤积对公银行账户进行电信网络诈骗等，由于公安机关和金融机构很难在众多的银行账户中识别出对公银行账户，所以给公安机关的侦查以及金融等机构的止损带来了巨大的困难。因此，如何识别对公银行账户称为亟待解决的问题。技术实现要素：根据本申请的第一方面，提供一种对公银行账户的识别方法，所述方法包括：获取待识别的目标银行账户的标识；对所述目标银行账户的标识进行特征提取，得到至少一个基础特征；对所述目标银行账户的标识进行词嵌入处理得到嵌入特征；将所述基础特征和所述嵌入特征输入至已训练的多任务预测模型，以由所述多任务预测模型基于所述基础特征和嵌入特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述对所述目标银行账户的标识进行特征提取，得到至少一个基础特征，包括：依据预设特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述对所述目标银行账户的标识进行词嵌入处理得到嵌入特征，包括：将所述目标银行账户的标识转化为字符串；将所述字符串输入至预设的词向量模型中，并获取所述词向量模型输出的嵌入特征。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。可选的，所述词向量模型包括：bert模型、或者word2vec模型。根据本申请的第二方面，提供一种对公银行账户的识别方法，所述方法包括：获取待识别的目标银行账户的标识；对所述目标银行账户的标识进行特征提取，得到至少一个基础特征；基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述对所述目标银行账户的标识进行特征提取，得到至少一个基础特征，包括：确定所述目标银行账户的卡号位数；若确定出的卡号位数在预设的位数集合内，则对所述目标银行账户的标识进行特征提取，得到至少一个基础特征。可选的，所述对所述目标银行账户的标识进行特征提取，得到至少一个基础特征，包括：在预设的卡号位数与特征提取规则集的对应关系中，查找该目标银行账户的卡号位数对应的特征提取规则集；依据查找到的特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述每一规则还包括：该规则指定的数据位对应的数字集合；所述基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息，包括：检测各基础特征是否在该基础特征对应的规则所对应的数字集合中；若是，则确定所述目标银行账户为对公银行账户，并对各基础特征进行语义识别，基于识别出的语义确定目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述对所述目标银行账户的标识进行特征提取，得到至少一个基础特征，包括：依据预设的特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息，包括：将所述基础特征输入至已训练的多任务预测模型中，以由所述多任务预测模型基于所述基础特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。根据本申请的第三方面，提供一种对公银行账户的识别方法，所述方法包括：获取待识别的目标银行账户的标识；对所述目标银行账户的标识进行词嵌入处理得到嵌入特征；将所述嵌入特征输入至已训练的多任务预测模型，以由所述多任务预测模型基于所述嵌入特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述对所述目标银行账户的标识进行词嵌入处理得到嵌入特征，包括：将所述目标银行账户的标识转化为字符串；将所述字符串输入至预设的词向量模型中，并获取所述词向量模型示出的嵌入特征。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。可选的，所述词向量模型包括：bert模型、或者word2vec模型。根据本申请的第四方面，提供一种对公银行账户的识别装置，所述方法包括：获取模块，用于获取待识别的目标银行账户的标识；提取模块，用于对所述目标银行账户的标识进行特征提取，得到至少一个基础特征；处理模块，用于对所述目标银行账户的标识进行词嵌入处理得到嵌入特征；预测模块，用于将所述基础特征和所述嵌入特征输入至已训练的多任务预测模型，以由所述多任务预测模型基于所述基础特征和嵌入特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述提取模块，在对所述目标银行账户的标识进行特征提取，得到至少一个基础特征时，用于依据预设特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述处理模块，在对所述目标银行账户的标识进行词嵌入处理得到嵌入特征时，用于将所述目标银行账户的标识转化为字符串；将所述字符串输入至预设的词向量模型中，并获取所述词向量模型输出的嵌入特征。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。可选的，所述词向量模型包括：bert模型、或者word2vec模型。根据本申请的第五方面，提供一种对公银行账户的识别装置，所述方法包括：获取模块，用于获取待识别的目标银行账户的标识；提取模块，用于对所述目标银行账户的标识进行特征提取，得到至少一个基础特征；预测模块，用于基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述提取模块，在对所述目标银行账户的标识进行特征提取，得到至少一个基础特征时，用于确定所述目标银行账户的卡号位数；若确定出的卡号位数在预设的位数集合内，则对所述目标银行账户的标识进行特征提取，得到至少一个基础特征。可选的，所述提取模块，在对所述目标银行账户的标识进行特征提取，得到至少一个基础特征时，用于在预设的卡号位数与特征提取规则集的对应关系中，查找该目标银行账户的卡号位数对应的特征提取规则集；依据查找到的特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述每一规则还包括：该规则指定的数据位对应的数字集合；所述预测模块，在基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息时，用于检测各基础特征是否在该基础特征对应的规则所对应的数字集合中；若是，则确定所述目标银行账户为对公银行账户，并对各基础特征进行语义识别，基于识别出的语义确定目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述提取模块，在对所述目标银行账户的标识进行特征提取，得到至少一个基础特征时，用于依据预设的特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述预测模块，在基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息时，用于将所述基础特征输入至已训练的多任务预测模型中，以由所述多任务预测模型基于所述基础特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。根据本申请的第六方面，提供一种对公银行账户的识别装置，所述方法包括：获取模块，用于获取待识别的目标银行账户的标识；处理模块，用于对所述目标银行账户的标识进行词嵌入处理得到嵌入特征；预测模块，用于将所述嵌入特征输入至已训练的多任务预测模型，以由所述多任务预测模型基于所述嵌入特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述处理模块，在对所述目标银行账户的标识进行词嵌入处理得到嵌入特征时，用于将所述目标银行账户的标识转化为字符串；将所述字符串输入至预设的词向量模型中，并获取所述词向量模型示出的嵌入特征。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。可选的，所述词向量模型包括：bert模型、或者word2vec模型。根据本申请的第七方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现第一方面所述的方法。根据本申请的第八方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面的方法。根据本申请的第九方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现第二方面所述的方法。根据本申请的第十方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第二方面的方法。根据本申请的第十一方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现第三方面所述的方法。根据本申请的第十二方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第三方面的方法。由上述描述可知，本申请提出一种对公银行的识别方法，电子设备可获取待识别的目标银行账户的标识；对所述目标银行账户的标识进行特征提取，得到基础特征和/或嵌入特征；电子设备可以基于基础特征、和/或嵌入特征来预测目标银行账户是否为对公银行账户、以及目标银行账户的账户信息。由于在对公银行账户的预测过程中无需人工参与预测，所以有效地提高对公银行账户的识别效率。附图说明图1是本说明书一示例性实施例示出的一种对公银行账户的识别方法的流程图；图2是本申请一示例性实施例示出的一种对公银行账户预测方法的示意图；图3是本申请一示例性实施例示出的一种对公银行账户的识别方法的流程图；图4是本申请一示例性实施例示出的一种对公银行账户的预测方法流程图；图5是本申请一示例性实施例示出的一种电子设备的硬件结构图；图6是本申请一示例性实施例示出的一种对公银行账户的预测装置的框图；图7是本申请一示例性实施例示出的另一种对公银行账户的预测装置的框图；图8是本申请一示例性实施例示出的另一种对公银行账户的预测装置的框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。对公银行账户的卡号是具有编码规则的。比如，银行a的对公银行账户的卡号具有21位，其中，1-6位为地区代码，7-9位为账户属性，10-11位为币种，12-20位为序号，21位为校验位。这个就属于卡号的编码规则。但是在实际应用中，各个银行的对公账户的编码规则是不同的。比如各个银行对公银行账户的卡号位数不同，卡号指定数据位表示的含义也不同。由于各个银行的对公账户的编码规则是不同的，所以很难进行对公账户的识别。因此，在现有的对公银行账户识别中，通常是人工进行对公账户的识别，但是人工识别的方式会大大降低对公银行账户的识别效率。有鉴于此，本申请提出一种对公银行的识别方法，电子设备可获取待识别的目标银行账户的标识；对所述目标银行账户的标识进行特征提取，得到基础特征和/或嵌入特征；电子设备可以基于基础特征、和/或嵌入特征来预测目标银行账户是否为对公银行账户、以及目标银行账户的账户信息。由于在对公银行账户的预测过程中无需人工参与预测，所以有效地提高对公银行账户的识别效率。下面介绍几种对公银行账户预测的实施例。1、第一种对公银行账户的预测方法：电子设备获取待识别的目标银行账户的标识。电子设备对所述目标银行账户的标识进行特征提取，得到至少一个基础特征，以及对所述目标银行账户的标识进行词嵌入处理得到嵌入特征。电子设备基于基础特征和嵌入特征进行对公银行账户的预测。参见图1，图1是本申请一示例性实施例示出的一种对公银行账户的识别方法的流程图，该方法可应用在电子设备上。该电子设备可以是计算机、服务器、服务器集群、数据中心等等。这里只是对电子设备进行示例性地说明，不对该电子设备进行具体地限定。该对公银行账户的识别方法可包括如下所示步骤。步骤102：获取待识别的目标银行账户的标识。在一种可选的实现方式中，用户可以向电子设备录入待识别的目标银行账户的标识，电子设备可以获取用户录入的待识别的目标银行账户的标识。在录入时，用户可以直接录入目标银行账户的标识，用户还可以录入目标银行账户的图片(比如录入目标银行账户对应的银行卡图片)，电子设备可以从该图片中识别出目标银行账户的标识。或者，用户还可以录入待识别目标银行账户对应的用户信息，电子设备可以基于用户信息查找到该用户信息绑定的银行账户的标识，作为目标银行账户的标识。这里只是对目标银行账户的标识的录入方式进行示例性地说明，不对其进行具体地限定。在另一种可选的实现方式中，电子设备可以监测全网指定银行账户，当监测任一指定银行账户满足预设条件时，可以将该银行账户作为目标银行账户。比如，该预设条件可以是银行账户存在风险，比如银行账户的在预定时间的转款金额大于预设阈值，或者转款次数高于预设阈值等。这里只是对预设条件进行示例性地说明，不对其进行具体地限定。在另一种可选的实现方式中，电子设备可获取包含有待识别的银行账户标识的待识别列表。比如，电子设备可以获取用户录入的待识别列表，或者电子设备可以从其他设备上下载待识别列表。或者，电子设备可读取本地预配置的待识别列表。这里不对电子设备获取待识别列表进行具体地限定。然后电子设备可以依次获取待识别列表中的每一待识别的银行账户标识，作为目标银行账户标识。当然，在实际应用中，电子设备还可通过其他方式来获取待识别的目标银行账户的标识，这里只是对其进行示例性地说明，不对其进行具体地限定。需要说明的是，上述银行账户的标识可以是银行账户对应的银行卡的卡号。或者该银行账户标识可以是唯一标识银行账户的编号，或者该银行账户的标识可以是银行账户对应的存折的编号等等。这里只是对银行账户的标识进行示例性地说明，不对其进行具体地限定。步骤104：对所述目标银行账户的标识进行特征提取，得到至少一个基础特征。下面以目标银行账户的标识为银行卡号，对步骤104进行详细地说明。电子设备可以获取预设的特征提取规则集。该特征提取规则集包含多个规则。每个规则规定了银行卡号上的一个或者多个指定数据位，并指示电子设备从该一个或者多个指定数据位上提取数字，并将提取到的数字组成与该规则对应的基础特征。在提取目标银行账号的卡号的基础特征时，电子设备可以依据预设特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。其中，在一个或者多个指定数据位上提取的数字生成基础特征时，电子设备可按照数据位的顺序，按顺序组合提取到的数字生成基础特征。当然，电子设备还可将该提取到的一个数字或者多个数字随机排列组合，生成基础特征。这里只是示例性地说明，不对其进行具体地限定。例如，假设规则集包括了k个规则。假设第一个规则为提取目标银行卡号的第一数据位上的数字，作为一个基础特征。第二个规则为提取目标银行卡号上的第一数据位、第二数据位上的数字，作为一个基础特征。第三规则为提出目标银行卡号上的第一数据位、第二数据位、第三数据位上的数字，作为与第三规则对应的基础特征。依次类推。假设银行卡号为305428693642864依据第一个规则，电子设备可以将3作为与第一个规则对应的基础特征。依据第二个规则，电子设备可将30作为与第二个规则对应的基础特征。依据第三个规则，电子设备可将305作为与第三个规则对应的基础特征。依次类推，电子设备可得到k个基础特征。需要说明的是，上述预设的特征提取规则集是综合考虑了各个银行的对于对公银行账户的卡号编码规则后制定的，所以上述基础特征的可解释性更好。步骤106：对所述目标银行账户的标识进行词嵌入处理得到嵌入特征。下面以该目标银行账户的标识为目标银行账户的卡号为例，对步骤106进行详细地说明。在实现时，电子设备可以通过词向量模型对目标银行账户的标识进行词嵌入处理，得到嵌入特征。由于与词向量模型适配的输入是文本信息，所以电子设备可将目标银行账户的卡号转换为字符串，然后再将字符串输入至词向量模型。词向量模型可以对该字符串进行词嵌入处理，得到嵌入特征。其中，该嵌入特征也可以被称为embedding(嵌入)特征、或者词向量。该嵌入特征是一个向量。其中，上述词向量模型可以是bert模型，也可以是word2vec模型。当然，在实际应用中该词向量模型也可以是具有词嵌入功能的其他模型，这里只是对词向量模型进行示例性地说明，不对其进行具体地限定。步骤108：将所述基础特征和所述嵌入特征输入至已训练的多任务预测模型，以由所述多任务预测模型基于所述基础特征和嵌入特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。其中，多任务预测模型是多任务学习中的一种模型。多任务学习是指，在机器学习中，把多个相关的任务放在一起学习，同时学习多个任务。由于在学习时会考虑多个任务的关联性，所以学习效果更好。下面介绍下多任务预测模型。现有的预测模型通常输出一个预测结果。如果用户进行多个任务的预测，则需要将特征输入到不同的预测模型，每个预测模型输出一个预测任务对应的预测结果。但是，由于是各模型在进行各自的预测时并没有考虑各个预测任务的关联性，所以各个模型预测出的预测结果可能准确度不是很高。为此，提出了多任务预测模型。多任务预测模型是指模型可以对多个任务同时进行预测，由于模型在预测各任务的预测结果时，会综合考虑各个任务的关联关系，所以预测出的各个任务的预测结果更为准确。而在本申请中，本申请的预测任务不仅包括预测目标银行账户是否为对公账户这一个任务，还包括了预测目标银行账户的账户信息。比如预测目标银行账户的归属行、币种、发卡地区等多个预测任务。所以本申请是需要做多任务预测的。因此，为了提高多任务预测的准确性。本申请可采用多任务预测模型，以使得多任务预测模型可以输出多个预测任务对应的预测结果。下面先介绍下多任务预测模型的训练过程。在训练时，电子设备可获取多个银行账户的相关信息。银行账户的相关信息包括：银行账户的标识、银行账户是否为对公账户、银行账户的账户信息(如银行账户的归属行、银行账户的发卡地区，银行账户的币种等等)。然后，针对每一个银行账户信息。电子设备可从该银行账户标识中提取出基础特征以及嵌入特征，然后以基础特征和嵌入特征作为样本，以该银行账户是否为对公账户、以及银行账户的账户信息作为标签形成该银行账户的样本标签对。基于此，电子设备可得到与各银行账户信息对应的样本标签对。然后，电子设备可基于得到的样本标签对该多任务预测模型进行训练。在介绍完多任务预测模型的训练后，再介绍下步骤108的具体实现过程。在实现时，电子设备可将从目标银行账户的标识中提取出的基础特征和嵌入特征输入至已训练的多任务预测模型。多任务预测模型可以基于该基础特征和嵌入特征，预测该目标银行账户是否为对公银行账户，以及目标银行账户的账户信息。具体地，多任务预测模型会输出目标银行账户为对公银行账户的概率，电子设备可基于该概率，判断目标银行账户是否为对公账户。比如，电子设备可将该概率是否大于预设阈值，若该概率大于预设阈值，则确定该目标银行账户为对公账户。此外，多任务预测模型还会输出目标银行账户的账户信息。该账户信息可包括：目标银行账户的归属行、目标银行账户的币种、目标银行账户的发卡地区等等。这里只是对目标银行账户的账户信息进行示例地说明，不对其进行具体地限定。当该账户信息包括：目标银行账户的归属行、目标银行账户的币种、目标银行账户的发卡地区中的一个或多个时，下面分别介绍输出每个信息的具体输出形式。对于目标银行账户的归属行，多任务预测模型会输出该目标银行账户归属于多个银行的概率。电子设备可将概率最高的银行作为目标银行的归属行。例如，比如银行包括：中行、工行、交行。多任务预测模型输出“中行75％，工行20％，交行5％等”，由于中行的概率最大，电子设备可选择中行作为目标银行账户归属行。当然，在实际应用中，银行的种类很多，比如农行、建行等等，这里只是示例性地说明，不进行具体地限定。对于目标银行账户的币种，多任务预测模型会输出目标银行账户的币种为各种币种的概率。电子设备可选择概率最高的币种作为目标银行账户的币种。例如，币种包括人民币、美元。多任务预测模型输出“人民币92％，美元8％”，由于人民币的概率最大，电子设备可确定人民币为目标银行账户的币种。当然，在实际应用中，币种的种类很多，比如欧元、英镑等等，这里只是示例性地说明，不进行具体地限定。对于目标银行账户的发卡地区，多任务预测模型可输出各个地区以及各个地区的概率，电子设备可选择概率最大的地区作为目标银行账户的发卡地区。例如，发卡地区包括：北京、上海。多任务预测模型输出“北京90％，上海10％”，由于北京的概率最大，电子设备可确定北京为目标银行账户的发卡地区。当然，在实际应用中，发卡地区的种类很多，比如杭州、深圳、广州等等，这里只是示例性地说明，不进行具体地限定。由上述描述可以看出，一方面，在本申请中，电子设备从目标银行账户的标识中提取特征，并将提取的特征输入至多任务预测模型中，由于不在需要人工识别对公账户，而是采用机器学习模型来识别对公账户，所以可以在实现对公银行账户自动识别的基础上，有效地提高对公银行账户的识别效率。另一方面，在本申请中，电子设备可基于预设的规则从目标银行账户的标识中提取出解释性强的基础特征，并通过词嵌入技术从目标银行账户的标识中提取出维度更高的嵌入特征，并将基础特征和嵌入特征输入至多任务预测模型进行预测。由于多任务预测模型是基于解释性更强的基础特征、以及维度更高、且与预测任务线性相关的嵌入特征进行预测，所以预测时，多任务预测模型可以充分考虑特征与预测任务的隐含关系，从而提高了对公银行账户预测的准确性。第三方面，在本申请中，电子设备采用多任务预测模型来预测目标银行账户是否为对公银行账户，以及目标银行账户的账户信息。由于多任务预测模型在预测每个任务是会考虑其他任务的有用信息，考虑其他任务的关联性，所以采用多任务预测模型预测出的每个任务更为准确。下面以目标银行账户的标识为目标银行账户的卡号为例对第一种对公银行账户的预测方法进行详细地说明。参见图2，图2是本申请一示例性实施例示出的一种对公银行账户预测方法的示意图。由图2可以看出，电子设备在获取到待识别的目标银行账户的卡号后，一方面，电子设备可将目标银行账户的卡号输入至基础特征提取模块，基础特征提取模块依据预设特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。另一方面，电子设备可将目标银行账户的卡号输入至已训练的词向量模型，词向量模型可输出嵌入特征。电子设备可将与每一规则对应的基础特征、和该嵌入特征输入至多任务预测模型，多任务预测模型可输出目标银行账户是对公账户的概率、各个币种的概率、各个归属行的概率、以及各发卡地区的概率。电子设备可依据多任务预测模型输出的目标银行账户是对公账户的概率、各个币种的概率、各个归属行的概率、以及各发卡地区的概率，确定目标银行账户是否为对公账户、以及目标银行账户的币种、归属行和发卡地区。其中，依据四种概率来确定这四种信息的方式可参见步骤108，这里不再赘述。由上述描述可以看出，一方面，在本申请中，电子设备从目标银行账户的标识中提取特征，并将提取的特征输入至多任务预测模型中，由于不在需要人工识别对公账户，而是采用机器学习模型来识别对公账户，所以可以在实现对公银行账户自动识别的基础上，有效地提高对公银行账户的识别效率。另一方面，在本申请中，电子设备可基于预设的规则从目标银行账户的标识中提取出解释性强的基础特征，并通过bert模型从目标银行账户的标识中提取出维度更高、且与预测任务线性相关的嵌入特征，并将基础特征和嵌入特征输入至多任务预测模型进行预测。由于多任务预测模型是基于解释性更强的基础特征、以及维度更高、且与预测任务线性相关的嵌入特征进行预测，所以预测时，多任务预测模型可以充分考虑特征与预测任务之间的隐含关系，从而提高了对公银行账户预测的准确性。第三方面，在本申请中，电子设备采用多任务预测模型来预测目标银行账户是否为对公银行账户，以及目标银行账户的账户信息。由于多任务预测模型在预测每个任务是会考虑其他任务的有用信息，所以采用多任务预测模型预测出的每个任务更为准确。2、第二种对公银行账户的预测方法：电子设备获取待识别的目标银行账户的标识，并对所述目标银行账户的标识进行特征提取，得到至少一个基础特征。电子设备可基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。参见图3，图3是本申请一示例性实施例示出的一种对公银行账户的识别方法，该方法可应用在电子设备上。该电子设备可以是计算机、服务器、服务器集群、数据中心等等。这里只是对电子设备进行示例性地说明，不对该电子设备进行具体地限定。该对公银行账户的识别方法可包括如下所示步骤。步骤302：获取待识别的目标银行账户的标识；步骤304：对所述目标银行账户的标识进行特征提取，得到至少一个基础特征。步骤306：基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。在本申请实施例中，电子设备可以自动对目标银行账户的标识进行基础特征提取，自动基于基础特征预测该目标银行账户是否为对公银行账户、以及该目标银行账户的账户信息，而无需人工参数预测，所以大大提高了对公银行账户的预测。下面介绍几种实现“步骤301-步骤306”的方式。实现“步骤301-步骤306”的方式一：实现步骤304至步骤306的方式一：基于预设各个银行对于对公银行账户的编码规则，实现对于对公银行账户的预测。在介绍实现步骤301至步骤306的方式一之前，先介绍几个概念。1)卡号位数和特征提取规则集的对应关系各银行的对公账户的卡号的编码规则是不完全相同的。比如，工商银行的对公账户的卡号的编码规则为：对公银行账户的卡号为19位，被划分为5个号码段，该编码规则如表1所示。表1而农业银行的对公银行账户的卡号的编码规则为：对公银行账户的卡号为17位，被换分为6个号码段，该编码规则如表2所示。号码段数据位含义第一个号码段第1-2位地区代码第二个号码段第3-6位网点代码第三个号码段第7-8位币种第四个号码段第9-10位账户类型第五个号码段第11-16位序号第六个号码段第17位校验位表2由表1和表2可以看出，各银行的对公银行账户的卡号的编码规则是不完全相同的。因此，基于各银行的编码规则，可设置与各银行对应的特征提取规则集。比如，以农业银行为例(即表2为)，与农业银行对应的特征提取规则集可包括6个规则。这六个规则分别用于提取出表2所示的6个号码段。与农业银行对应的特征提取规则集可如表3所示。表3在本申请中，由于各银行的对公银行账户的卡号位数不完全相同，比如，工商银行对公银行账户的卡号位数为19位，农业银行对公银行账户的卡号位数为17位等。所以卡号位数可以代表银行，所以本申请预先建立了卡号位数与特征提取规则集的对应关系。其中，该卡号位数是指的某一银行的对公银行账户的卡号位数，该特征提取规则集为依据该银行对公银行账户的卡号编码规则制定的特征提取规则集。比如，对应关系中的卡号位数为农业银行的对公银行账户的卡号位数，那该对应关系中的特征提取规则集为基于农业银行的对公银行账户的卡号编码规则制定的规则集。当然，在实际应用中，可能出现两个银行的对公银行账户的卡号位数相同的情况。因此，在本申请中，该对应关系中的一个卡号位数可以对应一个或者多个特征提取规则集。该对应关系可如表4所示。表4表4只是示例性地说明，本申请不对该对应关系进行具体地限定。2)特征提取规则集中的规则对应的数字集合在本申请实施例中，每个银行对应一个特征提取规则集。每个特征提取规则集对应该银行的对公银行账户的卡号的一个号码段。而每个号码段是有固定含义的，所以每个号码段会对应一个数字集合。例如，以农业银行为例，农业银行的特征提取规则如表3所示，农业银行的编码规则如表2所示，以表3第二行为例。规则1为提取卡号的第1-2位上的数字，生成一个基础特征，而卡号第1-2位表示的含义是地区代码。在农业银行的规范中，01总行、02天津、03上海、04山西、05内蒙、06辽宁、07吉林、08黑龙江、09上海、10江苏、11北京、12安徽、13福建、14江西、15山东、16河南、17湖北、18湖南、19浙江、20广西、21海南、22四川、23贵州、24云南、25西藏、26陕西、27甘肃、28青海、29宁夏、30新疆、31重庆、34大连、38青岛、39宁波、40厦门、41深圳、44广东、50河北、97香港。所以规则1对应的数字集合为{01、02、03、04、05、06、07、08、09、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、34、38、39、40、41、44、50、97}3)位数集合位数集合是由各银行的对公银行账户的卡号位数构成的，或者是由指定银行的对公银行账户的卡号位数构成。例如，假设当前有3家银行，分别为工商银行、农业银行、中国银行。工商银行的对公银行账户的卡号位数为19位；农业银行的对公银行账户的卡号位数为17位；中国银行的对公银行账户的卡号位数为12位，则位数集合为{19,17,12}。这里只是示例性地说明位数集合，在实际应用中，银行的数量其实有很多，这里只是举例说明位数集合，并不代表实际应用。这里不对位数集合进行具体地限定。在介绍完上述概念后，下面:对实现“步骤302-步骤306”的方式一进行详细说明。步骤302：获取待识别的目标银行账户的标识；具体实现方式可参见步骤102，这里不再赘述。步骤304：对所述目标银行账户的标识进行特征提取，得到至少一个基础特征。下面以目标银行账户的标识为目标银行账户的卡号为例，对步骤304进行说明。电子设备可获取目标银行账户的卡号位数。电子设备可检测目标银行账户的卡号位数是否在上述预设的位数集合里，若该目标银行账户的卡号位数不在该位数集合里，则确定目标银行账户不是对公银行账户。若该目标银行账户的卡号位数在该位数集合里，则确定该目标银行账户可能是对公银行账户。因此，若目标银行账户的卡号位数在该位数集合里，则对所述目标银行账户的标识进行特征提取，得到至少一个基础特征，并基于基础特征进一步检测该目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。在对目标银行账户的标识进行特征提取，得到至少一个基础特征时，电子设备可在上述预设的卡号位数与特征提取规则集的对应关系中，查找该目标银行账户的卡号位数对应的特征提取规则集，依据查找到的特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。当然，在实际应用中，电子设备也可以不进行卡号位数的判断，直接对目标银行账户的标识进行特征提取，得到至少一个基础特征。这里只是对“对目标银行账户的标识进行特征提取，得到至少一个基础特征”的触发条件进行示例性地说明，不对其进行具体地限定。步骤306：基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。在实现时，检测各基础特征是否在该基础特征对应的规则所对应的数字集合中。若各基础特征在该基础特征对应的规则所对应的数字集合中，则确定所述目标银行账户为对公银行账户。电子设备对各基础特征进行语义识别，基于识别出的语义确定目标银行账户的账户信息。在进行语义识别时，电子设备可通过神经网络对基础特征进行语义识别，也可以通过预设数字组合和自然语义的对应关系中，查找该基础特征对应的自然语言。例如，假设电子设备获取的目标银行账户的卡号位数为17位。电子设备可检测17位是否在位数集合中，假设17位在位数集合中。电子设备则可查找该17位对应的特征提取规则集。在实现时，电子设备可在表4所述的卡号位数和特征提取规则集的对应关系中，查找到的与17位的卡号位数对应的特征提取规则集为特征提取规则集1。然后，电子设备可获取特征提取规则集1中的每一规则，以及每一规则对应的数字集合。针对规则1，电子设备可在目标银行账户的卡号中提取第1-2位，得到与规则1对应的基础特征1。同理，电子设备还可得到与规则2对应的基础特征2、与规则3对应的基础特征3、与规则4对应的基础特征4、与规则5对应的基础特征5、与规则6对应的基础特征6。此外，电子设备可检测基础特征1是否在规则1对应的数字集合中，检测基础特征2是否在规则2对应的数字集合中、基础特征3是否在规则3对应的数字集合中、基础特征4是否在规则4对应的数字集合中、基础特征5是否在规则5对应的数字集合中、基础特征6是否在规则6对应的数字集合中.若电子设备的各基础特征均在各自对应的规则所对应的数字集合中，则确定该目标银行账户为对公银行账户。若任意基础特征不在其对应的规则所对应的数字集合中，则确定该目标银行账户不是对公银行账户。在目标银行账户是对公银行账户的条件下，电子设备可识别各个基础特征的语义含义。例如，假设基础特征1为02，则基础特征1的语义为天津。然后电子设备可以基于各个基础特征的语义含义，确定目标银行账户的归属行、发卡地区、币种等等。实现“步骤301-步骤306”的方式二：基于基础特征，通过机器学习模型，实现对公银行账户的预测。步骤302：获取待识别的目标银行账户的标识；具体实现方式可参见步骤102，这里不再赘述。步骤304：对所述目标银行账户的标识进行特征提取，得到至少一个基础特征。下面以目标银行账户的标识为银行卡号，对步骤104进行详细地说明。电子设备可以获取预设的特征提取规则集。该特征提取规则集包含多个规则。每个规则规定了银行卡号上的一个或者多个指定数据位，并指示电子设备从该一个或者多个指定数据位上提取数字，并将提取到的数字组成与该规则对应的基础特征。在提取目标银行账号的卡号的基础特征时，电子设备可以依据预设特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。其中，在一个或者多个指定数据位上提取的数字生成基础特征时，电子设备可按照数据位的顺序，按顺序组合提取到的数字生成基础特征。当然，电子设备还可将该提取到的一个数字或者多个数字随机排列组合，生成基础特征。这里只是示例性地说明，不对其进行具体地限定。例如，假设规则集包括了k个规则。假设第一个规则为提取目标银行卡号的第一数据位上的数字，作为一个基础特征。第二个规则为提取目标银行卡号上的第一数据位、第二数据位上的数字，作为一个基础特征。第三规则为提出目标银行卡号上的第一数据位、第二数据位、第三数据位上的数字，作为与第三规则对应的基础特征。依次类推。假设银行卡号为305428693642864依据第一个规则，电子设备可以将3作为与第一个规则对应的基础特征。依据第二个规则，电子设备可将30作为与第二个规则对应的基础特征。依据第三个规则，电子设备可将305作为与第三个规则对应的基础特征。依次类推，电子设备可得到k个基础特征。步骤306：基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。在实现时，可以通过多任务学习模型来实现预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。下面先介绍下多任务学习模型的训练。在训练时，电子设备可获取多个银行账户的相关信息。银行账户的相关信息包括：银行账户的标识、银行账户是否为对公账户、银行账户的账户信息(如银行账户的归属行、银行账户的发卡地区，银行账户的币种等等)。然后，针对每一个银行账户信息。电子设备可从该银行账户标识中提取出基础特征，然后以基础特征作为样本，以该银行账户是否为对公账户，银行账户是否为对公账户、以及银行账户的账户信息作为标签形成该银行账户的样本标签对。基于此，电子设备可得到与各银行账户信息对应的样本标签对。然后，电子设备可基于得到的样本标签对该多任务预测模型进行训练。在应用该多任务预测模型时，电子设备可将该基础特征输入至多任务学习模型。多任务学习模型可以基于该基础特征，预测该目标银行账户是否为对公银行账户，以及目标银行账户的账户信息。然后，电子设备可基于预测模型的输出结果，确定目标银行账户是否为对公银行账户，以及目标银行账户的账户信息。具体实现过车可参见步骤108中的描述，这里不再赘述。3、第三种对公银行账户的预测方法：电子设备对目标银行账户的标识进行词嵌入处理得到嵌入特征。电子设备可基于所述嵌入特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。参见图4，图4是本申请一示例性实施例示出的一种对公银行账户的预测方法流程图，该方法可应用在电子设备上，可包括如下所示的步骤。步骤402：获取待识别的目标银行账户的标识。具体可参见步骤102。步骤404：对所述目标银行账户的标识进行词嵌入处理得到嵌入特征。下面以该目标银行账户的标识为目标银行账户的卡号为例，对步骤106进行详细地说明。在实现时，电子设备可以通过词向量模型对目标银行账户的标识进行词嵌入处理，得到嵌入特征。由于与词向量模型适配的输入是文本信息，所以电子设备可将目标银行账户的卡号转换为字符串，然后再将字符串输入至词向量模型。词向量模型可以对该字符串进行词嵌入处理，得到嵌入特征。其中，该嵌入特征也可以被称为embedding(嵌入)特征、或者词向量。该嵌入特征是一个向量。其中，上述词向量模型可以是bert模型，也可以是word2vec模型。当然，在实际应用中该词向量模型也可以是具有词嵌入功能的其他模型，这里只是对词向量模型进行示例性地说明，不对其进行具体地限定。需要说明的是，通过词嵌入技术从目标银行账户的标识中提取出的嵌入特征，具有更高的维度，并且与预测任务之间具有直接的线性关系。步骤406：将所述嵌入特征输入至已训练的多任务预测模型，以由所述多任务预测模型基于所述嵌入特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。在实现时，可以通过多任务学习模型来实现预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。下面先介绍下多任务学习模型的训练。在训练时，电子设备可获取多个银行账户的相关信息。银行账户的相关信息包括：银行账户的标识、银行账户是否为对公账户、银行账户的账户信息(如银行账户的归属行、银行账户的发卡地区，银行账户的币种等等)。然后，针对每一个银行账户信息。电子设备可从该银行账户标识中提取出嵌入特征，然后以嵌入特征作为样本，以该银行账户是否为对公账户，银行账户是否为对公账户、以及银行账户的账户信息作为标签形成该银行账户的样本标签对。基于此，电子设备可得到与各银行账户信息对应的样本标签对。然后，电子设备可基于得到的样本标签对该多任务预测模型进行训练。在应用该多任务预测模型时，电子设备可将该嵌入特征输入至多任务学习模型。多任务学习模型可以基于该嵌入特征，预测该目标银行账户是否为对公银行账户，以及目标银行账户的账户信息。然后，电子设备可基于预测模型的输出结果，确定目标银行账户是否为对公银行账户，以及目标银行账户的账户信息。具体实现过车可参见步骤108中的描述，这里不再赘述。由上述描述可知，由于本方法基于嵌入特征和机器学习模型自动实现对公银行账户的预测，而无需人工参与预测过程，所以极大地提高了对公银行账户的预测。与上述对公银行账户方法实施例相对应，本说明书还提供了对公银行账户装置的实施例。与上述对公银行账户方法实施例相对应，本说明书还提供了一种对公银行账户装置的实施例。本说明书的对公银行账户装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本说明书的基于区块链的违约资产处理装置所在电子设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。参见图6，图6是本申请一示例性实施例示出的一种对公银行账户的预测装置的框图，该装置可应用在电子设备上，可包括如下所示模块。获取模块601，用于获取待识别的目标银行账户的标识；提取模块602，用于对所述目标银行账户的标识进行特征提取，得到至少一个基础特征；处理模块603，用于对所述目标银行账户的标识进行词嵌入处理得到嵌入特征；预测模块604，用于将所述基础特征和所述嵌入特征输入至已训练的多任务预测模型，以由所述多任务预测模型基于所述基础特征和嵌入特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述提取模块602，在对所述目标银行账户的标识进行特征提取，得到至少一个基础特征时，用于依据预设特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述处理模块603，在对所述目标银行账户的标识进行词嵌入处理得到嵌入特征时，用于将所述目标银行账户的标识转化为字符串；将所述字符串输入至预设的词向量模型中，并获取所述词向量模型输出的嵌入特征。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。可选的，所述词向量模型包括：bert模型、或者word2vec模型。参见图7，图7是本申请一示例性实施例示出的另一种对公银行账户的预测装置的框图，该装置可应用在电子设备上，可包括如下所示模块。获取模块701，用于获取待识别的目标银行账户的标识；提取模块702，用于对所述目标银行账户的标识进行特征提取，得到至少一个基础特征；预测模块703，用于基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述提取模块702，在对所述目标银行账户的标识进行特征提取，得到至少一个基础特征时，用于确定所述目标银行账户的卡号位数；若确定出的卡号位数在预设的位数集合内，则对所述目标银行账户的标识进行特征提取，得到至少一个基础特征。可选的，所述提取模块702，在对所述目标银行账户的标识进行特征提取，得到至少一个基础特征时，用于在预设的卡号位数与特征提取规则集的对应关系中，查找该目标银行账户的卡号位数对应的特征提取规则集；依据查找到的特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述每一规则还包括：该规则指定的数据位对应的数字集合；所述预测模块703，在基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息时，用于检测各基础特征是否在该基础特征对应的规则所对应的数字集合中；若是，则确定所述目标银行账户为对公银行账户，并对各基础特征进行语义识别，基于识别出的语义确定目标银行账户的账户信息。可选的，所述目标银行账户的标识为所述目标银行账户的卡号，所述提取模块702，在对所述目标银行账户的标识进行特征提取，得到至少一个基础特征时，用于依据预设的特征提取规则集中的每一规则，从所述目标银行账户的卡号中提取出所述规则指定的数据位上的数字，得到该规则对应的基础特征。可选的，所述预测模块703，在基于所述基础特征预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息时，用于将所述基础特征输入至已训练的多任务预测模型中，以由所述多任务预测模型基于所述基础特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。参见图8，图8是本申请一示例性实施例示出的另一种对公银行账户的预测装置的框图，该装置可包括如下所示模块。获取模块801，用于获取待识别的目标银行账户的标识；处理模块802，用于对所述目标银行账户的标识进行词嵌入处理得到嵌入特征；预测模块803，用于将所述嵌入特征输入至已训练的多任务预测模型，以由所述多任务预测模型基于所述嵌入特征，预测所述目标银行账户是否为对公银行账户，以及该目标银行账户的账户信息。可选的，所述处理模块802，在对所述目标银行账户的标识进行词嵌入处理得到嵌入特征时，用于将所述目标银行账户的标识转化为字符串；将所述字符串输入至预设的词向量模型中，并获取所述词向量模型示出的嵌入特征。可选的，所述账户信息包括：目标银行账户的归属行、目标银行账户的发卡地区、和/或目标银行账户对应的币种。可选的，所述词向量模型包括：bert模型、或者word2vec模型。上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。在一个典型的配置中，计算机包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。当前第1页12