基于拒绝推断方法的模型构建方法、装置和电子设备与流程

本发明涉及计算机信息处理领域，具体而言，涉及一种基于拒绝推断方法的模型构建方法、装置和电子设备。

背景技术：

风险预测是对风险的量化，是风险管理的关键性技术。目前一般通过建模的方式进行风险预测，在模型的建立过程中，主要有数据抽取、特征生成、特征选取、算法模型生成和合理性评估等步骤。

在现有技术中，金融风险预测主要的目的是如何区分出好客户和坏客户，评估用户的风险情况，以降低信用风险，并实现利润最大化。此外，随着数据的来源渠道越来越丰富，可以作为风险特征变量的数据也越来越多。但是，在建立模型时，通常仅使用已通过用户（或者具有标签的用户数据）作为建模样本，而没有考虑那些被拒绝用户的好坏状态，由此导致所建的模型总是“使用部分样本数据去估计总体”，因而存在参数估计的偏差。进一步地，还存在不使用没有标签的用户数据及其他相关数据等问题，这都会导致模型计算值不够准确，风险预测的准确性较低。此外，在模型计算精度、数据更新方面仍存在很大改进空间。

因此，有必要提供一种改进了的模型构建方法。

技术实现要素：

为了降低金融服务机构的金融风险损失，提高模型预测精度，并解决拒绝样本的缺失数据问题，本发明提供了一种基于拒绝推断方法的模型构建方法，包括：获取全量样本数据，对接受样本定义正、负样本，以建立训练数据集，所述训练数据集包括用户特征数据和金融表现数据，该金融表现数据包括违约概率和/或逾期概率；构建初始风险评估模型，使用所述训练数据集训练该初始风险评估模型；使用训练好的初始风险评估模型，为拒绝样本打分，得到每个拒绝样本的变坏概率；采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理；整合加权处理后的接受样本和拒绝样本，建立新训练数据集；使用新训练数据集，重新训练所述初始风险评估模型，以得到最终风险评估模型。

优选地，所述采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理包括：根据所计算的每个拒绝变坏概率，采用外推法将每一个拒绝样本扩展成一个正样本和一个负样本，为所述一个负样本给定权重系数p，为所述一个正样本给定权重系数1-p，为每一个接受样本给定权重系数1。

优选地，使用聚类分析方法，将具有标签值的接受样本分为两类，分别计算每一类的中心点；对每一个拒绝样本，分别计算该拒绝样本到各中心点的欧式距离，并基于所计算的欧式距离进行分类，以确定每一个拒绝样本的标签值。

优选地，所述整合加权处理后的接受样本和拒绝样本包括：将计算加权处理后的接受样本和拒绝样本的总量，并判断正样本与负样本的比例是否在阈值范围内。

优选地，在判断为不在阈值范围内的情况下，进行过采样或欠采样，以使正样本与负样本的数量相等。

优选地，使用接受样本和加权处理且打标后的拒绝样本，建立新训练数据集，并使用所述新训练数据集构建最终风险评估模型。

优选地，获取目标用户的用户特征数据，使用所述最终风险评估模型，计算所述目标用户的风险评估值。

此外，本发明提高了一种基于拒绝推断方法的模型构建装置，包括：数据获取模块，用于获取全量样本数据，对接受样本定义正、负样本，以建立训练数据集，所述训练数据集包括用户特征数据和金融表现数据，该金融表现数据包括违约概率和/或逾期概率；第一构建模块，用于构建初始风险评估模型，使用所述训练数据集训练该初始风险评估模型；打分估算模块，用于使用训练好的初始风险评估模型，为拒绝样本打分，得到每个拒绝样本的变坏概率；第一处理模块，用于采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理；第二处理模块，用于整合加权处理后的接受样本和拒绝样本，建立新训练数据集；第二构建模块，用于使用新训练数据集，重新训练所述初始风险评估模型，以得到最终风险评估模型。

优选地，根据所计算的每个拒绝变坏概率，采用外推法将每一个拒绝样本扩展成一个正样本和一个负样本，为所述一个负样本给定权重系数p，为所述一个正样本给定权重系数1-p，为每一个接受样本给定权重系数1。

优选地，还包括分类模块，所述分类模块用于使用聚类分析方法，将具有标签值的接受样本分为两类，分别计算每一类的中心点；对每一个拒绝样本，分别计算该拒绝样本到各中心点的欧式距离，并基于所计算的欧式距离进行分类，以确定每一个拒绝样本的标签值。

优选地，还包括判断模块，所述判断模块用于将计算加权处理后的接受样本和拒绝样本的总量，并判断正样本与负样本的比例是否在阈值范围内。

优选地，在判断为不在阈值范围内的情况下，进行过采样或欠采样，以使正样本与负样本的数量相等。

优选地，使用接受样本和加权处理且打标后的拒绝样本，建立新训练数据集，并使用所述新训练数据集构建最终风险评估模型。

优选地，获取目标用户的用户特征数据，使用所述最终风险评估模型，计算所述目标用户的风险评估值。

此外，本发明还提供了一种电子设备，其中，该电子设备包括：处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本发明所述的基于拒绝推断方法的模型构建方法。

此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的基于拒绝推断方法的模型构建方法。

有益效果

与现有技术相比，本发明基于拒绝推断方法对拒绝样本进行加权扩增，并对接受样本给定权重，建立新训练数据集，使用新训练数据进行模型构建，再使用所构建的模型进行用户风险预测，从而有效解决了样本偏差或样本数据缺失等的问题，提高了模型预测精度，还降低了金融服务机构的金融风险损失。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明的实施例1的基于拒绝推断方法的模型构建方法的一示例的流程图。

图2是本发明的实施例1的基于拒绝推断方法的模型构建方法的另一示例的流程图。

图3是本发明的实施例1的基于拒绝推断方法的模型构建方法的又一示例的流程图。

图4是本发明的实施例2的基于拒绝推断方法的模型构建装置的一示例的示意图。

图5是本发明的实施例2的基于拒绝推断方法的模型构建装置的另一示例的示意图。

图6是本发明的实施例2的基于拒绝推断方法的模型构建装置的又一示例的示意图。

图7是根据本发明的一种电子设备的示例性实施例的结构框图。

图8是根据本发明的计算机可读介质的示例性实施例的结构框图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，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。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

鉴于上述问题，本发明提出了一种基于拒绝推断方法的模型构建方法。该方法通过使用拒绝推断的方法为拒绝样本增加标签值，换言之，对每个或者部分已拒绝的用户给出好坏状态值，以使用具有标签值的拒绝样本数据进行金融风险预测。由此，有效解决了样本偏差或样本数据缺失等的问题，提高了模型预测精度，还降低了金融服务机构的金融风险损失。以下将详细描述模型构建的具体过程。

实施例1

下面，将参照图1至图3描述本发明的基于拒绝推断方法的模型构建方法的实施例。

图1为本发明的基于拒绝推断方法的模型构建方法的流程图。如图1所示，一种模型构建方法，该方法包括如下步骤。

步骤s101，获取全量样本数据，对接受样本定义正、负样本，以建立训练数据集，所述训练数据集包括用户特征数据和金融表现数据，该金融表现数据包括违约概率和/或逾期概率。

步骤s102，构建初始风险评估模型，使用所述训练数据集训练该初始风险评估模型。

步骤s103，使用训练好的初始风险评估模型，为拒绝样本打分，得到每个拒绝样本的变坏概率。

步骤s104，采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理。

步骤s105，整合加权处理后的接受样本和拒绝样本，建立新训练数据集。

步骤s106，使用新训练数据集，重新训练所述初始风险评估模型，以得到最终风险评估模型。

首先，在步骤s101中，获取全量样本数据，对接受样本定义正、负样本，以建立训练数据集，所述训练数据集包括用户特征数据和金融表现数据，该金融表现数据包括违约概率和/或逾期概率。

在本示例中，在用户对金融服务产品或金融理财产品进行资源请求审批的应用场景中，例如从金融机构、第三方支付机构等相关数据库，获取上述应用场景下的全量样本数据。

具体地，全量样本数据包括接受样本数据和拒绝样本数据。在本示例中，接受样本数据为通过资源请求审批的授信用户数据，而拒绝样本数据为未通过资源请求审批的被拒绝用户数据。

在本示例中，用户特征数据包括用户基本信息数据、社交行为数据等。例如用户年龄、性别、职业、月收入/年收入等。

进一步地，金融表现数据是指与各用户对于金融产品所表现的相关数据。在本示例中，包括违约概率，但是不限于此，在其他示例中，还可以包括逾期概率和违约概率，上述仅作为示例进行说明，不能理解成对本发明的限制。

更进一步地，对接受样本（即接受样本数据）定义正、负样本，标签为0，1，其中，1表示用户的逾期概率（或违约概率）为y以上的样本，0表示用户的逾期概率（或违约概率）为小于y的样本。由此，通过给定接受样本标签值y，将用户分为好用户和坏用户，实现了好坏用户的分类。

具体地，使用具有标签值y的样本数据，建立训练数据集。

需要说明的是，通常，用户的逾期概率（或违约概率）越低，贷款回收本金的情况越好，资金的使用效率越好，资产的风险程度就越低，反之亦然。

接下来，在步骤s102中，构建初始风险评估模型，使用所述训练数据集训练该初始风险评估模型。

具体地，例如使用xgboost方法，构建初始风险评估模型。

需要说明的是，上述仅作为优选的示例进行说明，不能理解成对本发明的限制。在其他示例中，还可以使用textcnn算法、随机森林算法、逻辑回归算法等，或者使用上述算法中的两种以上的算法。此外，具体使用的算法可以根据采样数据和/或业务需求进行确定。

进一步地，使用步骤s101中所建立的训练数据集训练所述初始风险评估模型。

为了降低金融服务机构的金融风险损失，并解决拒绝样本的缺失数据问题，本发明通过使用拒绝推断的方法为拒绝样本增加标签值，换言之，对每个或者部分已拒绝的用户给出好坏状态值，以使用具有标签值的拒绝样本数据进行金融风险预测。具体说明如下。

接下来，在步骤s103中，使用训练好的初始风险评估模型，为拒绝样本打分，得到每个拒绝样本的变坏概率。

具体地，使用训练好的初始风险评估模型，为拒绝样本打分，给出每个拒绝样本的好坏概率p（good）和p（bad）。

优选地，使用聚类分析方法，将具有标签值的接受样本分为两类，分别计算每一类的中心点。

进一步地，对每一个拒绝样本，分别计算该拒绝样本到各中心点的欧式距离，并基于所计算的欧式距离进行分类，以确定每一个拒绝样本的标签值，由此，得到每个拒绝样本的变坏概率。

需要说明的是，上述仅作为优选的示例进行说明，不能理解成本发明的限制。

接下来，在步骤s104中，采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理。

在本示例中，使用拒绝推断方法，对拒绝样本进行扩展，即将每一个拒绝样本扩展成两个样本，以增加样本总体的大小，从而减小参数估计偏差。

具体地，根据所计算的每个拒绝样本的变坏概率，采用外推法将每一个拒绝样本扩展成一个正样本和一个负样本，为所述一个负样本给定权重系数p，为所述一个正样本给定权重系数1-p。

需要说明的是，外推法的依据是从接受样本数据中提取一些特征x。由于在接受样本（在本示例中，为授信用户）和拒绝样本（在本示例中，为被拒绝用户）之间没有任何重叠，然后构造函数g（x），使其将好人概率p（g）和x关联起来。设定授信用户的区域为xa，被拒绝用户的区域为xr，则函数g（x）为：

（1）

接下来，将这个函数外推为，如下：

（2）

根据上述公式，计算每个拒绝样本的变坏概率。

在另一示例中，还可以根据业务经验，对拒绝样本的变坏权重进行1.2-3.2倍的放大等。由此，能够确定权重系数p和1-p，以保证对拒绝样本给定更有效的标签值。

进一步地，还对所有接受样本进行加权处理。优选地，为每一个接受样本给定权重系数1。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

接下来，在步骤s105中，整合加权处理后的接受样本和拒绝样本，建立新训练数据集。

具体地，将计算加权处理后的接受样本和拒绝样本的总量，并判断正样本与负样本的比例是否在阈值范围内。

如图2所示，还包括设定用于判断样本数量是否异常的阈值范围的步骤s201。

在步骤s201中，设定用于判断样本数量是否异常的阈值范围。

具体地，在判断为不在阈值范围内的情况下，进行过采样或欠采样，以使正样本与负样本的数量相等，由此，能够解决样本偏差或不均衡的问题。

进一步地，使用接受样本和加权处理且打标后的拒绝样本，建立新训练数据集，以用于构建模型。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

接下来，在步骤s106中，使用新训练数据集，重新训练所述初始风险评估模型，以得到最终风险评估模型。

具体地，使用所建立的新训练数据集，重新训练初始风险评估模型，以得到最终风险评估模型。

如图3所示，还包括使用验证集对最终风险评估模型进行验证的步骤s301。

在步骤s301中，使用验证集对最终风险评估模型进行验证。

具体地，获取目标用户的用户特征数据，使用所述最终风险评估模型，计算所述目标用户的风险评估值。

由于该目标用户是具有标签值的用户，所以能够根据实际标签与所计算的风险评估值进行比对分析。

进一步地，基于对比分析结果，使用所述最终风险评估模型进行用户风险预测，还提高了模型预测精度。

优选地，根据所更新的用户风险评估值，判断所述当前用户的风险状态，由此，针对不同用户采取相应的风险策略。

例如，所述风险策略包括对用户进行禁止或限制资源请求、冻结剩余资源、增加资源请求、增加资源配额等。

因此，本发明基于拒绝推断方法对拒绝样本进行加权扩增，并对接受样本给定权重，建立新训练数据集，使用新训练数据进行模型构建，再使用所构建的模型进行用户风险预测，从而有效解决了样本偏差或样本数据缺失等的问题，还提高了模型预测精度。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序（计算机程序）。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、rom、ram等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

与现有技术相比，本发明基于拒绝推断方法对拒绝样本进行加权扩增，并对接受样本给定权重，建立新训练数据集，使用新训练数据进行模型构建，再使用所构建的模型进行用户风险预测，从而有效解决了样本偏差或样本数据缺失等的问题，提高了模型预测精度，还降低了金融服务机构的金融风险损失。

实施例2

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

参照图4、图5和图6，本发明还提供了一种基于拒绝推断方法的模型构建装置400，包括：数据获取模块401，用于获取全量样本数据，对接受样本定义正、负样本，以建立训练数据集，所述训练数据集包括用户特征数据和金融表现数据，该金融表现数据包括违约概率和/或逾期概率；第一构建模块402，用于构建初始风险评估模型，使用所述训练数据集训练该初始风险评估模型；打分估算模块403，用于使用训练好的初始风险评估模型，为拒绝样本打分，得到每个拒绝样本的变坏概率；第一处理模块404，用于采用拒绝推断方法，对拒绝样本进行加权扩展，还对所有接受样本进行加权处理；第二处理模块405，用于整合加权处理后的接受样本和拒绝样本，建立新训练数据集；第二构建模块406，用于使用新训练数据集，重新训练所述初始风险评估模型，以得到最终风险评估模型。

优选地，根据所计算的每个拒绝变坏概率，采用外推法将每一个拒绝样本扩展成一个正样本和一个负样本，为所述一个负样本给定权重系数p，为所述一个正样本给定权重系数1-p，为每一个接受样本给定权重系数1。

如图5所示，还包括分类模块501，所述分类模块501用于使用聚类分析方法，将具有标签值的接受样本分为两类，分别计算每一类的中心点；对每一个拒绝样本，分别计算该拒绝样本到各中心点的欧式距离，并基于所计算的欧式距离进行分类，以确定每一个拒绝样本的标签值。

如图6所示，还包括判断模块601，所述判断模块601用于将计算加权处理后的接受样本和拒绝样本的总量，并判断正样本与负样本的比例是否在阈值范围内。

优选地，在判断为不在阈值范围内的情况下，进行过采样或欠采样，以使正样本与负样本的数量相等。

优选地，使用接受样本和加权处理且打标后的拒绝样本，建立新训练数据集，并使用所述新训练数据集构建最终风险评估模型。

优选地，获取目标用户的用户特征数据，使用所述最终风险评估模型，计算所述目标用户的风险评估值。

需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

与现有技术相比，本发明的基于拒绝推断方法的模型构建装置对拒绝样本进行加权扩增，并对接受样本给定权重，建立新训练数据集，使用新训练数据进行模型构建，再使用所构建的模型进行用户风险预测，从而有效解决了样本偏差或样本数据缺失等的问题，提高了模型预测精度，还降低了金融服务机构的金融风险损失。

实施例3

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200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，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件（包括存储单元220和处理单元210）的总线230、显示单元240等。

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210执行，使得所述处理单元210执行本说明书上述电子设备的处理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210可以执行如图1所示的步骤。

所述存储单元220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）2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元（rom）2203。

所述存储单元220还可以包括具有一组（至少一个）程序模块2205的程序/实用工具2204，这样的程序模块2205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230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。

电子设备200也可以与一个或多个外部设备300（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200交互的设备通信，和/或与使得该电子设备200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250进行。并且，电子设备200还可以通过网络适配器260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。网络适配器260可以通过总线230与电子设备200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200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。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质（可以是cd-rom，u盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。

如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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。

所述计算机可读存储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。可读存储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。可读存储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）。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（dsp）等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

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，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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。