一种贷款评估方法及装置与流程

本发明涉及信息处理技术领域，更具体地说，涉及一种贷款评估方法及装置。

背景技术：

随着经济的不断发展，越来越多企业向银行申请贷款来为开发的项目提供足够的资金。当银行接收到贷款申请时，银行客户经理需要对该发送贷款申请的客户提供的材料进行贷款审核，并根据审核结果来判断该客户是否存在放贷风险。

目前银行客户经理进行在贷款审核过程中，需要银行客户经理手动对客户提供的材料、记录进行整理，并手动将整理信息录入电脑生成贷款文档，以便根据生成的贷款文档和贷款审核指标得出贷款风险预测报告，并根据贷款风险预测报告判断该客户是否存在放贷风险。但是，通过人工对客户提供的材料进行整理耗时长，导致生成贷款风险预测报告的效率低。并且通过人工整理贷款文档可能会存在一定的误差，且不同的银行客户经理的从业经验不同，对放贷风险的把控程度不同，通过银行客户经理来评判申请贷款的客户是否存在放贷风险缺乏统一的标准和科学依据，导致得到的贷款风险预测报告的准确性低。

技术实现要素：

有鉴于此，本发明提供一种贷款评估方法及装置，以提高贷款风险预测报告的生成效率，以及提高贷款风险预测报告的准确性为目的。

为实现上述目的，本发明实施例提供如下技术方案：

本发明第一方面公开一种贷款评估方法，所述方法包括：

获取贷款材料信息，并基于ocr识别技术对所述贷款材料信息进行识别，得到贷款文本信息；

将所述贷款文本信息作为风险预测模型的输入，利用所述风险预测模型对所述贷款文本信息进行放贷风险概率预测，输出预测的放贷风险概率，所述风险预测模型利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到；

基于所述贷款材料信息、所述贷款文本信息和所述放贷风险概率生成贷款风险预测报告。

可选的，所述方法还包括：

对所述贷款风险预测报告进行评分，输出并显示相应的评分值。

可选的，所述利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到所述风险预测模型的过程包括：

获取放贷风险参考指标数据和历史贷款指标数据；

基于所述放贷风险参考指标数据、所述历史贷款指标数据和放贷风险参考指标数据和历史贷款指标数据之间的对应关系确定目标放贷风险概率；

将所述放贷风险参考指标数据、所述历史贷款指标数据以及所述放贷风险参考指标数据和历史贷款指标数据之间的对应关系输入待训练神经网络，以便于所述待训练神经网络利用所述放贷风险参考指标数据、所述历史贷款指标数据以及所述放贷风险参考指标数据和历史贷款指标数据之间的对应关系预测放贷风险概率，以所述预测出的放贷风险概率趋近于所述目标放贷风险概率为训练目标，对所述待训练神经网络进行训练，直至所述待训练神经网络达到收敛，得到风险预测模型。

可选的，所述将所述贷款文本信息作为风险预测模型的输入，利用所述风险预测模型对所述贷款文本信息进行放贷风险概率预测，输出预测的放贷风险概率，包括：

提取所述贷款文本信息中的特征数据；

将所述贷款文本信息中的特征数据输入贷款风险预测模型；

所述贷款风险预测模型基于所述贷款文本信息中的特征数据进行放贷风险概率预测得到对应的放贷风险概率。

可选的，所述基于所述贷款材料信息、所述贷款文本信息和所述放贷风险概率生成贷款风险预测报告，包括：

获取贷款风险预测报告模板，所述贷款风险预测报告模板包括至少一个参数项，所述至少一个参数项包括贷款材料信息参数项、贷款文本信息参数项、放贷风险概率参数项；

基于所述贷款材料信息、所述贷款文本信息和所述放贷风险概率确定所述至少一个参数项的参数值；

将所述参数值填充在所述贷款风险预测报告模板的相应位置生成贷款风险预测报告。

本发明第二方面公开一种贷款评估装置，所述装置包括：

第一获取单元，用于获取贷款材料信息，并基于ocr识别技术对所述贷款材料信息进行识别，得到贷款文本信息；

预测单元，用于将所述贷款文本信息作为风险预测模型的输入，利用所述风险预测模型对所述贷款文本信息进行放贷风险概率预测，输出预测的放贷风险概率，所述风险预测模型通过构建模块利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到；

贷款风险报告生成单元，用于基于所述贷款材料信息、所述贷款文本信息和所述放贷风险概率生成贷款风险预测报告。

可选的，所述装置还包括：

显示单元，用于对所述贷款风险预测报告进行评分，输出并显示相应的评分值。

可选的，所述构建模块，包括：

第二获取单元，用于获取放贷风险参考指标数据和历史贷款指标数据；

第一确定单元，用于基于所述放贷风险参考指标数据、所述历史贷款指标数据和放贷风险参考指标数据和历史贷款指标数据之间的对应关系确定目标放贷风险概率；

训练单元，用于将所述放贷风险参考指标数据、所述历史贷款指标数据以及所述放贷风险参考指标数据和历史贷款指标数据之间的对应关系输入待训练神经网络，以便于所述待训练神经网络利用所述放贷风险参考指标数据、所述历史贷款指标数据以及所述放贷风险参考指标数据和历史贷款指标数据之间的对应关系预测放贷风险概率，以所述预测出的放贷风险概率趋近于所述目标放贷风险概率为训练目标，对所述待训练神经网络进行训练，直至所述待训练神经网络达到收敛，得到风险预测模型。

可选的，所述预测单元，包括：

提取单元，用于提取所述贷款文本信息中的特征数据；

输入单元，用于将所述贷款文本信息中的特征数据输入贷款风险预测模型；

预测子单元，用于所述贷款风险预测模型基于所述贷款文本信息中的特征数据进行放贷风险概率预测得到对应的放贷风险概率。

可选的，所述贷款风险预测报告生成单元，包括：

第三获取单元，用于获取贷款风险预测报告模板，所述贷款风险预测报告模板包括至少一个参数项，所述至少一个参数项包括贷款材料信息参数项、贷款文本信息参数项、放贷风险概率参数项；

第二确定单元，用于基于所述贷款材料信息、所述贷款文本信息和所述放贷风险概率确定所述至少一个参数项的参数值；

贷款风险预测报告生成子单元，用于将所述参数值填充在所述贷款风险预测报告模板的相应位置生成贷款风险预测报告。

本发明提供一种贷款评估方法及装置，利用ocr识别技术对所获取的贷款材料信息进行识别得到贷款文本信息，不需要人工对客户提供的贷款材料信息进行整理，提高了贷款风险预测报告的生成效率。在得到贷款文本信息后，将贷款文本信息作为风险概率模型的输入，利用贷款文本信息进行放贷风险概率预测得到放贷风险概率，并根据贷款材料信息、贷款文本信息和放贷风险概率生成贷款风险预测报告，不需要人工介入，进而解决了现有技术中通过人工整理贷款文档，以及通过银行客户经理确定放贷风险概率导致得到的贷款风险预测报告的准确性低的问题。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种便携式贷款评估设备的结构示意图；

图2为本发明实施例提供的一种贷款评估方法的流程示意图；

图3为本发明实施例提供的另一种贷款评估方法的流程示意图；

图4为本发明实施例提供的一种贷款评估装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

在本申请中，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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

由上述背景技术可知，现有的生成贷款风险预测报告方法是通过人工对申请贷款的客户提供的材料和记录进行整理，并手动将整理信息录入电脑生成贷款文档，以便银行客户经理根据生成的贷款文档和贷款审核指标得出贷款风险预测报告。通过人工对客户提供的材料进行整理耗时长，导致生成贷款风险预测报告的效率低。并且通过人工整理贷款文档可能会存在一定的误差，且不同的银行客户经理的从业经验不同，对放贷风险的把控程度不同，通过银行客户经理来评判申请贷款的客户是否存在放贷风险缺乏统一的标准和科学依据，导致得到的贷款风险预测报告的准确性低。

因此，本发明提供一种贷款评估方法及装置，不仅能够提高贷款风险预测报告的生成效率，还能够提高贷款风险预测报告的准确性。

参见图1，示出了本发明实施例提供的一种便携式贷款评估设备的结构示意图，该便携式贷款评估设备包括摄像头101、处理器102和显示屏103。

在本申请实施例中，在接收客户的贷款申请后，可以通过便携式贷款评估设备的摄像头101获取与贷款申请相关的贷款材料信。其中，贷款材料信息可以为进行贷款申请的客户的纳税凭证图片、预设时间段内的水电费交费图片、现金流图片、营业执照图片等等。

在获取到材料信息后，处理器102通过利用ocr识别对所获取的贷款材料信息进行识别，得到贷款文本信息；提取贷款文本信息中的特征数据，并将提取到的贷款文本信息中的特征数据输入风险预测模型；贷款风险预测模型基于贷款文本信息中的特征数据进行放贷风险概率预测得到对应的放贷风险概率；在得到放贷风险概率后，获取贷款风险预测报告模板，并根据贷款材料信息、贷款文本信息和放贷风险概率确定所获取的贷款风险预测报告模板中的每个参数项的参数值，以便将所确定的参数值填充在贷款风险预测报告模板的相应位置，生成贷款风险预测报告；对所生成的贷款风险预测报告进行评分，并通过显示屏103显示相应的评分值。其中，风险预测模型是利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到的；贷款风险预测报告模板包括至少一个参数项，至少一个参数项包括贷款材料信息参数项、贷款文本信息参数项、放贷风险概率参数项。

在本申请实施例中，利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到风险预测模型的过程可以为：获取放贷风险参考指标数据和历史贷款指标数据；基于放贷风险参考指标数据、历史贷款指标数据和放贷风险参考指标数据和历史贷款指标数据之间的对应关系确定目标放贷风险概率；将放贷风险参考指标数据、历史贷款指标数据以及放贷风险参考指标数据和历史贷款指标数据之间的对应关系输入待训练神经网络，以便于待训练神经网络利用放贷风险参考指标数据、历史贷款指标数据以及放贷风险参考指标数据和历史贷款指标数据之间的对应关系预测放贷风险概率，以预测出的放贷风险概率趋近于目标放贷风险概率为训练目标，对待训练神经网络进行训练，直至待训练神经网络达到收敛，得到风险预测模型。其中，预先设置的放贷风险参考指标可以为未来现金流担保方式股东背景法院裁定、环保监测高新企业认定专业资质、税务水电费，社保交费等等。

与本发明实施例提供的一种便携式贷款评估设备相对应，本发明还提供了一种贷款评估方法，如图2所示，该贷款评估方法具体包括以下步骤：

s201：获取贷款材料信息，并基于ocr识别技术对贷款材料信息进行识别，得到贷款文本信息；

在具体执行步骤s201的过程中，在获取到贷款材料信息后，利用ocr识别技术对所获取的贷款材料信息进行识别，得到贷款文本信息。

在本申请实施例中，贷款材料信息可以为进行贷款申请的客户的纳税凭证图片、预设时间段内的水电费交费图片、现金流图片、营业执照图片等等。具体要获取那些贷款材料信息，发明人可根据自己的需求进行设置，本申请实施例不加以限定。

s202：将贷款文本信息作为风险预测模型的输入，利用风险预测模型对贷款文本信息进行放贷风险概率预测，输出预测的放贷风险概率；

在本申请实施例中，在利用ocr识别技术对贷款材料信息进行识别得到贷款文本信息后，提取贷款文本信息中的特征数据，并将贷款文本信息中的特征数据输入风险预测模型中，以便风险预测模型基于贷款文本信息中的特征数据进行放贷风险概率预测得到对应的放贷风险概率。其中，风险预测模型利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到。

在本申请实施例中，在提取贷款文本信息中的特征数据之前，还可以对利用ocr识别技术对贷款材料信息进行识别得到贷款文本信息进行预处理，再对进行预处理后的贷款文本信息进行特征数据的提取。其中，对贷款文本信息进行预处理的方式可以为对贷款文本进行空值处理、标准化处理等等。

在本申请实施例中，利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到风险预测模型的过程可以为：获取放贷风险参考指标数据和历史贷款指标数据；对获取到的历史贷款指标数据进行预处理，基于放贷风险参考指标数据、预处理后的历史贷款指标数据以及放贷风险参考指标数据和历史贷款指标数据之间的对应关系确定目标放贷风险概率；将放贷风险参考指标数据、预处理后的贷款指标数据以及放贷风险参考指标数据和历史贷款指标数据之间的对应关系输入待训练神经网络，以便于待训练神经网络利用放贷风险参考指标数据、预处理后的贷款指标数据以及放贷风险参考指标数据和历史贷款指标数据之间的对应关系预测放贷风险概率，以预测出的放贷风险概率趋近于目标放贷风险概率为训练目标，对待训练神经网络进行训练，直至待训练神经网络达到收敛，得到风险预测模型。其中，对所获取的历史贷款指标数据进行预处理的方式可以为对所获取的历史贷款指标数据进行空值处理，标准化处理等等。

在本申请实施例中，预先设置有放贷风险参考指标和放贷风险参考指标数据和历史贷款指标数据之间的对应关系。比如，预先设置的放贷风险参考指标可以为未来现金流担保方式股东背景法院裁定、环保监测高新企业认定专业资质、税务水电费，社保交费等等，若预先设置的贷款风险参考指标社保交费时，放贷风险参考指标数据和历史贷款指标数据之间的对应关系可以为历史社保交费金额(历史贷款指标数据)大于社保交费金额(放贷风险参考指标数据)。有关于预先设置的放贷风险参考指标，以及放贷风险参考指标数据和历史贷款指标数据之间的对应关系的具体内容，可根据实际情况进行设置，本申请实施例不加以限定。

s203：基于贷款材料信息、贷款文本信息和放贷风险概率生成贷款风险预测报告。

在本申请实施例中，预先设置有贷款风险预测报告模板，预先设置的贷款风险预测报告模板包括至少一个参数项，至少一个参数项包括贷款材料信息参数项、贷款文本信息参数项、放贷风险概率参数项。有关于至少一个参数中每个参数项的具体内容，发明人可根据自己的需求进行设置，本申请实施例不加以限定。

在具体执行步骤s203的过程中，在利用风险预测模型对贷款文本信息进行放贷等闲概率预测得到放贷风险概率后，获取预先设置的贷款风险预测报告模板，并根据贷款材料信息、贷款文本信息和放贷风险概率确定贷款风险预测报告模板中每个参数项的参数值，以便将所确定参数值填充至贷款风险预测报告模板的相应位置生成贷款风险预测报告。

进一步的，在本申请实施例中，在生成申请贷款的客户的贷款风险预测报告后，确定银行客户经理的邮箱，基于所确定的银行客户经理的邮箱将所生成的贷款风险预测报告发送给银行客户经理为银行客户经理判断该客户是否有放贷风险提供科学依据。

本发明提供一种贷款评估方法，利用ocr识别技术对所获取的贷款材料信息进行识别得到贷款文本信息，不需要人工对客户提供的贷款材料信息进行整理，提高了贷款风险预测报告的生成效率。在得到贷款文本信息后，将贷款文本信息作为风险概率模型的输入，利用贷款文本信息进行放贷风险概率预测得到放贷风险概率，并根据贷款材料信息、贷款文本信息和放贷风险概率生成贷款风险预测报告，不需要人工介入，进而解决了现有技术中通过人工整理贷款文档，以及通过银行客户经理确定放贷风险概率导致得到的贷款风险预测报告的准确性低的问题。

为了更好的对上述内容进行理解，下面进行举例说明。

比如，贷款材料信息包括进行贷款申请的客户的纳税凭证图片、半年内的水电费交费图片、现金流图片和营业执照图片。获取贷款申请的客户的纳税凭证图片、半年内的水电费交费图片、现金流图片和营业执照图片，利用ocr识别技术分别对贷款申请的客户的纳税凭证图片、半年内的水电费交费图片、现金流图片和营业执照图片进行识别，得到贷款申请的客户的纳税凭证图片的文本信息、半年内的水电费交费图片的文本信息、现金流图片的文本信息和营业执照图片的文本信息。

分别对贷款申请的客户的纳税凭证图片的文本信息、半年内的水电费交费图片的文本信息、现金流图片的文本信息和营业执照图片的文本信息进行预处理，将预处理后的贷款申请的客户的纳税凭证图片的文本信息、半年内的水电费交费图片的文本信息、现金流图片的文本信息和营业执照图片的文本信息输入风险预测模型，以便贷款风险预测模型基于预处理后的贷款申请的客户的纳税凭证图片的文本信息、半年内的水电费交费图片的文本信息、现金流图片的文本信息和营业执照图片的文本信息中的特征数据进行放贷风险概率预测得到对应的放贷风险概率。

获取预先设置的贷款风险预测报告，预先设置的贷款风险预测报告模板包括贷款申请的客户的纳税凭证图片参数项、半年内的水电费交费图片参数项、现金流图片参数项、营业执照图片参数项、贷款申请的客户的纳税凭证图片的文本信息参数项、半年内的水电费交费图片的文本信息参数项、现金流图片的文本信息参数项、营业执照图片的文本信息参数项和放贷风险概率参数项；并根据贷款申请的客户的纳税凭证图片、半年内的水电费交费图片、现金流图片、营业执照图片、贷款申请的客户的纳税凭证图片的文本信息、半年内的水电费交费图片的文本信息、现金流图片的文本信息、营业执照图片的文本信息和放贷风险概率确定贷款风险预测报告模板中每个参数项的参数值，以便将所确定参数值填充至贷款风险预测报告模板的相应位置生成贷款风险预测报告。

参见图3，示出了本发明实施例提供的另一种贷款评估方法的流程示意图，该贷款评估方法具体包括以下步骤：

s301：获取贷款材料信息，并基于ocr识别技术对所述贷款材料信息进行识别，得到贷款文本信息；

s302：将贷款文本信息作为风险预测模型的输入，利用风险预测模型对贷款文本信息进行放贷风险概率预测，输出预测的放贷风险概率，风险预测模型利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到；

s303：基于贷款材料信息、贷款文本信息和放贷风险概率生成贷款风险预测报告；

在具体执行步骤s301至步骤s303的过程中，步骤s301至步骤s303的具体执行过程和实现原理与上述本发明公开的图2中的步骤s201至步骤s203的具体执行过程和实现原理相同，可参见上述本发明公开的图2中相应的部分，这里不再进行赘述。

s304：对贷款风险预测报告进行评分，输出并显示相应的评分值。

在本申请实施例中，在生成申请贷款的客户的贷款风险预测报告后，还可以对所生成的贷款风险预测报告进行评分，输出并显示相应的评分值，能够更直观了解到该客户的是否存在放贷风险。

在本申请实施例中，基于贷款风险预测报告的评分值判断该客户是否存在放贷风险的方式可以为若贷款风险预测报告的评分值低于50分，可以认为该客户存在一定的放贷风险；若贷款风险预测报告的评分值大于50分小于70分，可以认为该客户可能存在放贷风险，可以为该客户进行放贷，但是放贷的金额不能超过预设金额；贷款风险预测报告的评分值大于70分，可以认为该客户不存在放贷风险，即可以为该客户进行放贷且放贷金额可以为该客户所申请的贷款金额。

进一步的，在本申请实施例中，在对贷款风险预测报告进行评分得到相应的评分值后，确定银行客户经理的邮箱，基于所确定的银行客户经理的邮箱将所生成的贷款风险预测报告和相应的评分值发送给银行客户经理为银行客户经理根据贷款风险预测报告和相应的评分值判断申请贷款的客户是否有放贷风险提供科学依据。

与上述本发明实施例公开的一种贷款评估方法相对应，如图4所示，本发明实施例还提供了一种贷款评估装置的结构示意图，该贷款评估装置，包括：

第一获取单元41，用于获取贷款材料信息，并基于ocr识别技术对贷款材料信息进行识别，得到贷款文本信息；

预测单元42，用于将贷款文本信息作为风险预测模型的输入，利用风险预测模型对贷款文本信息进行放贷风险概率预测，输出预测的放贷风险概率，风险预测模型通过构建模块利用放贷风险参考指标数据和历史贷款指标数据训练神经网络得到；

贷款风险报告生成单元43，用于基于贷款材料信息、贷款文本信息和放贷风险概率生成贷款风险预测报告。

上述本发明实施例公开的贷款评估装置中各个单元具体的原理和执行过程，与上述本发明实施例公开的贷款评估方法相同，可参见上述本发明实施例公开的贷款评估方法中相应的部分，这里不再进行赘述。

本发明提供一种贷款评估装置，利用ocr识别技术对所获取的贷款材料信息进行识别得到贷款文本信息，不需要人工对客户提供的贷款材料信息进行整理，提高了贷款风险预测报告的生成效率。在得到贷款文本信息后，将贷款文本信息作为风险概率模型的输入，利用贷款文本信息进行放贷风险概率预测得到放贷风险概率，并根据贷款材料信息、贷款文本信息和放贷风险概率生成贷款风险预测报告，不需要人工介入，进而解决了现有技术中通过人工整理贷款文档，以及通过银行客户经理确定放贷风险概率导致得到的贷款风险预测报告的准确性低的问题，

进一步的，本申请实施例提供的贷款评估装置，还包括：

显示单元，用于对贷款风险预测报告进行评分，输出并显示相应的评分值。

优选的，构建模块，包括：

第二获取单元，用于获取放贷风险参考指标数据和历史贷款指标数据；

第一确定单元，用于基于放贷风险参考指标数据、历史贷款指标数据和放贷风险参考指标数据和历史贷款指标数据之间的对应关系确定目标放贷风险概率；

训练单元，用于将放贷风险参考指标数据、历史贷款指标数据以及放贷风险参考指标数据和历史贷款指标数据之间的对应关系输入待训练神经网络，以便于待训练神经网络利用放贷风险参考指标数据、历史贷款指标数据以及放贷风险参考指标数据和历史贷款指标数据之间的对应关系预测放贷风险概率，以预测出的放贷风险概率趋近于目标放贷风险概率为训练目标，对待训练神经网络进行训练，直至待训练神经网络达到收敛，得到风险预测模型。

优选的，预测单元，包括：

提取单元，用于提取贷款文本信息中的特征数据；

输入单元，用于将贷款文本信息中的特征数据输入贷款风险预测模型；

预测子单元，用于贷款风险预测模型基于贷款文本信息中的特征数据进行放贷风险概率预测得到对应的放贷风险概率。

优选的，贷款风险预测报告生成单元，包括：

第三获取单元，用于获取贷款风险预测报告模板，贷款风险预测报告模板包括至少一个参数项，至少一个参数项包括贷款材料信息参数项、贷款文本信息参数项、放贷风险概率参数项；

第二确定单元，用于基于贷款材料信息、贷款文本信息和放贷风险概率确定至少一个参数项的参数值；

贷款风险预测报告生成子单元，用于将参数值填充在贷款风险预测报告模板的相应位置生成贷款风险预测报告。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。