一种对象聚类方法及相关装置与流程

1.本技术涉及数据处理领域，特别是涉及一种对象聚类方法及相关装置。


背景技术：

2.随着互联网金融的发展，越来越多的可以使得客户提前消费的信贷业务不断涌现，而在信贷业务中，客户(包括个人和集体，集体例如可以是公司、机构等)的质量直接决定了银行等金融机构所要承担的金融风险的大小。因此，需要对客户质量进行有效区分，从而为后续信贷业务中的额度策略及利率制定方案提供重要依据。
3.目前，一般是通过性别、年龄、学历、收入等基础信息，对客户进行聚类。以按照收入对客户(例如个人)进行聚类为例，收入为5000以下的客户划分至同一客群，收入为5000-15000的客户划分至同一客群，收入为15000-30000的客户划分至同一客群，收入为30000以上的客户划分至同一客群。
4.然而这种方法聚类依据过于片面，导致聚类结果不够准确，进而无法准确的区分客户质量。


技术实现要素：

5.为了解决上述技术问题，本技术提供了一种对象聚类方法及相关装置，聚类所依据的信息更加丰富、全面，并且可以通过降维处理对隐藏差异进行有效区分，挖掘待处理对象更深层次的特征，从而依据第二特征向量在二维空间的分布情况对待处理对象进行聚类，提高了聚类结果的准确性，更加准确地区分不同对象的质量等级。
6.本技术实施例公开了如下技术方案：
7.一方面，本技术实施例提供一种对象聚类方法，所述方法包括：
8.获取待处理对象的基本属性信息和资源值转移数据；
9.根据所述待处理对象的基本属性信息和资源值转移数据，确定所述待处理对象的第一特征向量；
10.通过目标自编码器对所述第一特征向量进行降维处理，将所述第一特征向量映射到二维空间得到第二特征向量；
11.根据所述第二特征向量在所述二维空间的分布情况对所述待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，所述分布情况包括所述分布紧密程度，所述对象聚集群体具有对应的质量等级。
12.一方面，本技术实施例提供一种对象聚类装置，所述装置包括获取单元、确定单元、降维单元和聚类单元：
13.所述获取单元，用于获取待处理对象的基本属性信息和资源值转移数据；
14.所述确定单元，用于根据所述待处理对象的基本属性信息和资源值转移数据，确定所述待处理对象的第一特征向量；
15.所述降维单元，用于通过目标自编码器对所述第一特征向量进行降维处理，将所
述第一特征向量映射到二维空间得到第二特征向量；
16.所述聚类单元，用于根据所述第二特征向量在所述二维空间的分布情况对所述待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，所述分布情况包括所述分布紧密程度，所述对象聚集群体具有对应的质量等级。
17.在一种可能的实现方式中，所述确定单元，用于：
18.根据所述待处理对象的基本属性信息和资源值转移数据，确定所述待处理对象的第三特征向量；
19.确定所述第三特征向量中每个维度的特征向量的信息量值；
20.若确定目标维度的特征向量的信息量值达到预设阈值，从所述第三特征向量中筛选所述目标维度的特征向量作为所述第一特征向量。
21.在一种可能的实现方式中，所述确定单元，用于：
22.从所述待处理对象的基本属性信息和资源值转移数据提取出所述待处理对象的第四特征向量；
23.对所述第四特征向量进行不同时间窗口的切分，并对切分后位于目标时间窗口的第四特征向量进行特征衍生，得到所述第三特征向量，所述第三特征向量的维度高于所述第四特征向量的维度。
24.在一种可能的实现方式中，所述装置还包括训练单元：
25.所述训练单元，用于获取样本对象的基本属性信息和资源值转移数据；
26.根据所述样本对象的基本属性信息和资源值转移数据，确定所述样本对象的第一样本特征向量；
27.通过待训练自编码器对所述第一样本特征向量进行降维处理，将所述第一样本特征向量映射到二维空间输出第二样本特征向量；
28.根据所述第二样本特征向量和所述第一样本特征向量计算目标损失函数；
29.依据所述目标损失函数对所述待训练自编码器进行训练得到所述目标自编码器。
30.在一种可能的实现方式中，所述训练单元，用于：
31.根据所述样本对象的基本属性信息和资源值转移数据，确定所述样本对象的第三样本特征向量；
32.确定所述第三样本特征向量中每个维度的特征向量的信息量值；
33.若确定目标维度的特征向量的信息量值达到预设阈值，从所述第三样本特征向量中筛选目标维度的特征向量作为所述第一样本特征向量。
34.在一种可能的实现方式中，所述训练单元，用于：
35.从所述样本对象的基本属性信息和资源值转移数据提取出所述样本对象的第四样本特征向量；
36.对所述第四样本特征向量进行不同时间窗口的切分，并对切分后位于目标时间窗口的第四样本特征向量进行特征衍生，得到所述第三样本特征向量，所述第三样本特征向量的维度高于所述第四样本特征向量的维度。
37.在一种可能的实现方式中，所述降维单元还用于：
38.通过所述目标自编码器对所述第一样本特征向量进行降维处理，将所述第一样本
特征向量映射到二维空间输出第二样本特征向量；
39.所述聚类单元还用于：
40.根据所述第二样本特征向量在所述二维空间的分布情况对所述样本对象进行聚类，将分布紧密程度达到预设阈值的第二样本特征向量所表征的待处理对象聚集到同一个对象聚集群体，得到聚类结果，所述聚类结果包括多个对象聚集群体。
41.在一种可能的实现方式中，所述装置还包括验证单元：
42.所述验证单元，用于通过每个对象聚集群体中样本对象的逾期率，对所述聚类结果进行验证；
43.所述确定单元，用于若验证通过，依据每个对象聚集群体中样本对象的逾期率，确定所述对象聚集群体的质量等级。
44.所述第二特征向量为二维特征向量，所述聚类单元，用于：
45.利用dbscan算法依据所述第二特征向量在所述二维空间的分布情况对所述待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体。
46.一方面，本技术实施例提供一种用于对象聚类的电子设备，所述电子设备包括处理器以及存储器：
47.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
48.所述处理器用于根据所述程序代码中的指令执行前述方面所述的对象聚类方法。
49.一方面，本技术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用于存储程序代码，所述程序代码用于执行前述方面所述的对象聚类方法。
50.一方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述方面所述的对象聚类方法。
51.由上述技术方案可以看出，本技术可以获取待处理对象的基本属性信息和资源值转移数据，进而待处理对象的基本属性信息和资源值转移数据进行信息融合，从而得到更加丰富的信息量。例如根据待处理对象的基本属性信息和资源值转移数据，确定待处理对象的第一特征向量，然后通过目标自编码器对第一特征向量进行降维处理，将第一特征向量映射到二维空间得到维度为二维的第二特征向量。通过目标自编码器进行降维处理可以将基本属性信息和资源值转移数据中的一些特征进行组合以降低特征向量的维度，进而将基本属性信息和资源值转移数据中隐藏差异进行了有效区分，从而使得第二特征向量更能够体现出不同对象之间资源值支付能力之间的差异。这样，根据第二特征向量在二维空间的分布情况便可以对待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，每个对象聚集群体具有对应的质量等级，从而知晓待处理对象的质量等级，便于为后续信贷业务中的额度策略及利率制定方案提供重要依据。本技术聚类所依据的信息更加丰富、全面，并且可以通过降维处理对隐藏差异进行有效区分，挖掘待处理对象更深层次的特征，从而依据第二特征向量在二维空间的分布情况对待处理对象进行聚类，提高了聚类结果的准确性，更加准确地区分不同对象的质量等级。
附图说明
52.为了更清楚地说明本技术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技术的一些实施例，对于本领域普通技术成员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
53.图1为本技术实施例提供的一种对象聚类方法的系统架构示意图；
54.图2为本技术实施例提供的一种对象聚类方法的流程图；
55.图3为本技术实施例提供的一种第四特征向量、特征方式、对第四特征向量的处理方式示例图；
56.图4为本技术实施例提供的一种可视化的第二特征向量的示例图；
57.图5为本技术实施例提供的一种聚类结果示例图；
58.图6为本技术实施例提供的一种目标自编码器的训练方法的流程图；
59.图7为本技术实施例提供的一种对象聚类方法的流程图；
60.图8为本技术实施例提供的一种对象聚类装置的结构图；
61.图9为本技术实施例提供的一种终端的结构图；
62.图10为本技术实施例提供的一种服务器的结构图。
具体实施方式
63.下面结合附图，对本技术的实施例进行描述。
64.目前，一般是通过性别、年龄、学历、收入等基础信息，对客户进行聚类。以按照收入对客户(例如个人)进行聚类为例，收入为5000以下的客户划分至同一客群，收入为5000-15000的客户划分至同一客群，收入为15000-30000的客户划分至同一客群，收入为30000以上的客户划分至同一客群。
65.收入越高通常认为其还款能力越高，金融机构所要承担的风险可能会小一些，因此可以将收入较高的客群(例如30000以上的客户)确定为高质量客群，为属于该客群的客户分配较高的信贷额度等。
66.然而这种方式仅通过较为简单直接的基础信息，利用这种显性因素对客户进行划分，聚类依据过于片面，导致聚类结果不够准确，进而无法准确的区分客户质量。
67.为了解决上述技术问题，本技术实施例提供一种对象聚类方法，该方法将基本属性信息与资源值转移数据进行信息融合，从而在聚类时依据的信息量更加丰富、全面，并且可以通过目标自编码器的降维处理对隐藏差异进行有效区分，挖掘待处理对象更深层次的特征，从而依据第二特征向量在二维空间的分布情况对待处理对象进行聚类，提高了聚类结果的准确性，更加准确地区分不同对象的质量等级。
68.需要说明的是，本技术实施例所提供的方法可以涉及人工智能领域，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉
技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。本技术实施例主要涉及其中的机器学习/深度学习。
69.机器学习(machine learning，ml)专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本技术主要通过机器学习训练自编码器，或者用于根据对象的特征向量例如第二特征向量，将对象划分至对应的对象聚集群体。
70.参见图1，图1为本技术实施例提供的对象聚类方法的系统架构示意图。该系统架构中包括终端101和服务器102。其中，终端101可以是金融机构对应的终端，例如当某个或某些对象向金融机构申请贷款时，金融机构可以先对这些对象进行对象聚集群体划分，从而区分出不同对象的质量等级，以便依据对象的质量等级制定额度策略及利率等。其中，对象可以是向金融机构申请信贷业务的客户，包括个人和集体，集体例如可以是公司、厂商、机构等，需要进行对象聚集群体划分的对象可以称为待处理对象；信贷业务例如可以包括贷款、信用卡等业务。
71.为此，服务器102可以获取待处理对象的基本属性信息和资源值转移数据，进而待处理对象的基本属性信息和资源值转移数据进行信息融合，从而得到更加丰富的信息量。例如服务器102可以根据待处理对象的基本属性信息和资源值转移数据，确定待处理对象的第一特征向量，然后通过目标自编码器对第一特征向量进行降维处理，将第一特征向量映射到二维空间得到维度为二维的第二特征向量。资源值转移数据可以体现对处理对象所拥有资源值的分配情况，进而体现待处理对象的资源值支付能力，而通过目标自编码器进行降维处理可以将基本属性信息和资源值转移数据中的一些特征进行组合以降低特征向量的维度，进而将基本属性信息和资源值转移数据中隐藏差异进行了有效区分，从而使得第二特征向量更能够体现出不同对象之间资源值支付能力之间的差异。
72.这样，服务器102根据第二特征向量在二维空间的分布情况便可以对待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，即得到聚类结果，该聚类结果指示待处理对象所属的对象聚集群体。例如图1所示，图1中的黑点表示待处理对象，对象聚类群体包括对象聚类群体1、对象聚类群体2、
……
、对象聚类群体n，n为大于1的整数。图1示出了将待处理对象中的两个划分至对象聚类群体1，另一个划分至对象聚类群体2，图1仅是一种示例，并不构成对本技术的限定。
73.服务器102可以将聚类结果返回至终端101，从而在终端101上呈现聚类结果，以便可以展示出待处理对象被划分至哪个对象聚集群体。而每个对象聚集群体具有对应的质量等级，从而便于知晓待处理对象的质量等级，为后续信贷业务中的额度策略及利率制定方案提供重要依据。
74.需要说明的是，上述以服务器102执行对象聚类方法为例进行介绍。在一些情况下，也可以由终端101执行上述方法，例如终端101从服务器102获取待处理对象的基本属性信息和资源值转移数据，进而执行后续步骤；当然，也可以由终端101和服务器102配合执行上述对象聚类方法，本技术实施例对此不做限定。
75.服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集
群或者分布式系统，还可以是提供云计算服务的云服务器。终端101可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
76.接下来，将以服务器为执行主体，结合附图对本技术实施例提供的对象聚类方法进行详细介绍。
77.参见图2，图2示出了一种对象聚类方法的流程图，所述方法包括：
78.s201、获取待处理对象的基本属性信息和资源值转移数据。
79.其中，基本属性信息可以是待处理对象本身所具备的一些信息，若待处理对象是个人，则基本属性信息可以是姓名、性别、年龄、学历、收入等信息；若待处理对象是集体，以集体是公司为例，则基本属性信息可以是公司名称、成立时间、收入等。
80.而资源值转移数据可以是交易行为数据，用于体现资源值转移情况，尤其体现资源值转移类型。以待处理对象是个人为例，则资源值转移类型可以是餐饮、交通出行、休闲娱乐、保险等；若待处理对象是集体，以集体是公司为例，则资源值转移类型可以是投资、研发、采购、发放工资等。
81.资源值可以是指资金、货币、不动产等具有价值的物品。资源值转移数据可以从待处理对象所使用的支付软件上的交易记录获取，也可以从待处理对象的支付账户的交易明细中获取，等等，本实施例对此不做限定。
82.s202、根据所述待处理对象的基本属性信息和资源值转移数据，确定所述待处理对象的第一特征向量。
83.服务器可以对待处理对象的基本属性信息和资源值转移数据进行信息融合，从而提取得到能够表征待处理对象特征的第一特征向量。其中，第一特征向量可以是根据基本属性信息中包括的多种信息以及资源值转移数据中包括的多种信息得到的，故第一特征向量可以是一个比较高维度的特征向量，每种信息可以通过一个维度体现。
84.第一特征向量的维度比较高，包括了大量的信息，有些信息对于后续聚类的贡献度比较大，而有些信息对于后续聚类的贡献度比较小，甚至没有什么作用。在这种情况下，第一特征向量可以是经过特征筛选后得到的特征向量，具体的，s202的一种可能实现方式可以是服务器根据待处理对象的基本属性信息和资源值转移数据，确定待处理对象的第三特征向量。然后确定第三特征向量中每个维度的特征向量的信息量值(information value，iv)，iv可以体现出不同维度的特征向量对后续聚类的贡献度，iv越大，贡献度越大，iv越小，贡献度越小。若服务器确定目标维度的特征向量的信息量值达到预设阈值，从第三特征向量筛选目标维度的特征向量作为第一特征向量。其中，预设阈值可以是根据需求预先设置的，例如预设阈值可以是0.025，当然，也可以根据需求设置成其他数值，本实施例对此不做限定。在这种情况下，可以将iv≥0.025的各个维度的特征向量构成第一特征向量。
85.可以理解的是，第三特征向量中每个维度的特征向量可以是直接根据基本属性信息和资源值转移数据得到的。例如，基本属性信息包括姓名、性别、年龄、学历、收入，资源值转移数据包括餐饮、交通出行、休闲娱乐、保险这些类型的交易行为数据，这样，则可以将每个基本属性信息和每个类型的交易行为数据分别进行处理以作为一个维度的特征向量。
86.而另一种第三特征向量的确定方式还可以是从待处理对象的基本属性信息和资源值转移数据提取出待处理对象的第四特征向量，对第四特征向量进行不同时间窗口的切
分，并对切分后位于目标时间窗口的第四特征向量进行特征衍生，得到第三特征向量，第三特征向量的维度高于第四特征向量的维度。其中，时间窗口可以是根据实际需求设置的，例如可以是一个月内、两个月内、三个月内等等。特征衍生的方式可以是对第四特征向量进行均值、最大值、最小值中一种或多种的衍生。
87.例如，资源值转移数据为待处理对象的交易行为数据，可以先得到待处理对象对应的全部交易行为数据(例如从支付软件获取待处理对象的交易行为数据)，则可以按照一个月内、两个月内、三个月内这一时间窗口对交易行为数据进行切分，从而得到一个月内的交易行为数据，两个月内的交易行为数据，三个月内的交易行为数据。若目标时间窗口是一个月内，则可以对一个月内的交易行为数据所对应的第四特征向量进行特征衍生。一个月内的交易行为数据所对应的第四特征向量可以参见图3所示，在图3的301中，其包括多个维度，例如“余额”、“笔数”、“账号数”、“理财类交易金额”、
……
、“红包交易金额”，这些都是不同的维度。然后，针对第四特征向量中一些维度的特征向量可以进行特征衍生，例如对该维度的特征向量采用均值、最大值、最小值等衍生方式进行特征衍生(例如图3中302所示)，从而将该维度的特征向量用特征衍生后得到的特征向量进行表示，从而得到第三特征向量。通常情况下，在进行特征衍生之前还可以对特征向量进行处理，得到绝对值、同类型占比等，例如图3中303所示。
88.s203、通过目标自编码器对所述第一特征向量进行降维处理，将所述第一特征向量映射到二维空间得到第二特征向量。
89.由于第一特征向量的维度比较高，且不同维度的特征相对独立，因此，为了避免过高维度导致后续数据处理量过大，同时建立不同维度特征之间的联系，挖掘隐藏差异，服务器可以通过目标自编码器对第一特征向量进行降维处理，例如将第一特征向量的不同维度进行组合，将第一特征向量映射到二维空间得到第二特征向量，。从而便于第二特征向量的可视化表示以及便于聚类，通过目标自编码器实现降维同时可以保留提取更多的有效信息。
90.需要说明的是，本技术实施例提供多种降维处理方式，例如通过自编码器(auto encoder，ae)、变分自编码器(variational auto-encoder，vae)实现降维处理。当然，在一些情况下，还可以采用主成分分析(principal component analysis，pca)、支持向量机(support vector machines，svm)实现降维处理。其中，本技术实施例主要通过自编码器或变分自编码器对第一特征向量进行降维处理，得到第二特征向量。
91.通过对第一特征向量进行降维处理得到维度是二维的第二特征向量，可以大大降低特征向量的维度，从而大大降低后续数据处理量，提高处理效率。另外，将不同维度特征进行组合，可以挖掘隐藏差异并进行有效区分，有利于提高后续聚类准确性。
92.s204、根据所述第二特征向量在所述二维空间的分布情况对所述待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，所述分布情况包括所述分布紧密程度，所述对象聚集群体具有对应的质量等级。
93.本技术实施例提供的多种聚类方法，例如密度聚类方法、k均值(k-means)聚类方法、层次聚类方法等。本技术实施例主要对密度聚类方法进行介绍，密度聚类方法即根据第二特征向量在二维空间的分布情况对待处理对象进行聚类，将分布紧密程度达到预设阈值
的第二特征向量所表征的待处理对象划分至对应的对象聚集群体。密度聚类方法主要包括具有噪声的基于密度的聚类方法(density-based spatial clustering of applications with noise，dbscan)、密度最大值聚类方法(maximum density clustering application，mdca)、optics算法、denclue算法等。
94.需要说明的是，本技术实施例主要通过dbscan算法实现s204这一步骤。dbscan算法可以将簇(即对象聚集群体)定义为密度相连的对象的最大集合，能够将密度足够高的区域划分为簇，不需要给定簇数量，并可在有噪声的二维空间中发现任意形状的簇。
95.将高维度的第一特征向量映射到二维空间，从而将每个待处理对象的二维特征向量通过二维空间中的一个点表示，每个点的坐标由这两个维度的特征向量构成，待处理对象的二维特征向量可以参见图4所示，在图4中横坐标和纵坐标分别是不同维度的特征向量。然后，利用密度聚类方法依据第二特征向量(即图4所示的二维特征向量)在二维空间的分布情况对待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，得到的聚类结果可以参见图5所示。在图5中不同类型的点位于不同的对象聚集群体，例如图5中所有黑色的点位于同一个对象聚集群体，所有灰色的点位于另一个对象聚集群体，所有白色的点位于与前两个对象聚集群体不同的对象聚集群体。其中，当待处理对象是客户时，对象聚集群体可以称为客群。
96.对象聚集群体具有对应的质量等级，这样便可以根据待处理对象所属的对象聚集群体确定待处理对象的质量等级，为后续信贷业务中的额度策略及利率制定方案提供重要依据。其中，质量等级可以通过数值表示，数值越大可以表示质量等级越高，对处理对象的质量越好。
97.若待处理对象划分至一个质量等级最低的对象聚集群体，通过对该对象聚集群体中的对象进行分析，以待处理对象、对象聚集群体中的各个对象是个人，资源值转移数据是交易行为数据为例，可以确定该对象聚集群体具有如表1所示的特征：
98.表1
99.差(即质量等级最低)类别情况该对象聚集群体相比整体女：男14:860.384980216年龄31.444444440.993210251彩票用户占比0.0777777782.871196003支付金额—餐饮类38.458333330.584284422支付金额—线下零售1557.2011859.468589461支付金额—交通出行47.858481480.813957136支付金额—休闲娱乐111.035185224.90351988支付金额—金融(除银行)-互金75.697444440.714303802支付笔数—金融(除银行)-保险0.0333333330.45327752是否教育培训用户0.0185185191.071001684
100.由上述表1可以看出，质量等级最低的对象聚集群体以男性为主的，线下零售、休闲娱乐项目的消费人群，彩票用户比整体高，消费较为不理性。在信贷业务例如贷款方面表现较差，坏账率可以达到5.56％。该质量等级最低的对象聚集群体可以参见图5中501所示。
101.若待处理对象划分至一个质量等级最高的对象聚集群体，通过对该对象聚集群体
中的对象进行分析，以待处理对象、对象聚集群体中的各个对象是个人，资源值转移数据是交易行为数据为例，可以确定该对象聚集群体具有如表2所示的特征：
102.表2
103.优质(即质量等级最高)类别情况该对象聚集群体相比整体女：男24:760.756530032年龄32.259459461.018953471彩票用户占比0.0162162160.598627738支付金额—餐饮类39.035081080.593046755支付金额—线下零售119.96491890.72944882支付金额—交通出行46.3620.788505602支付金额—休闲娱乐1.6027027030.35946208支付金额—金融(除银行)-互金65.588270270.618910601支付笔数—金融(除银行)-保险0.1729729732.352142809是否教育培训用户0.0216216221.25046683
104.由上述表2可以看出，质量等级最高的对象聚集群体是以中年人为主的理性型低消费人群，多头借贷情况较少，保险及培训类消费相比整体较高。在信贷业务例如贷款方面表现较好，坏账率仅为0.54％。该质量等级最高的对象聚集群体可以参见图5中502所示。
105.最高逾期率和最低逾期率相差10.29倍。因此，通过本技术实施例提供的方法可以对对处理对象的质量进行有效区分，为后续信贷业务中的额度策略及利率制定方案提供重要依据。
106.由上述技术方案可以看出，本技术可以获取待处理对象的基本属性信息和资源值转移数据，进而待处理对象的基本属性信息和资源值转移数据进行信息融合，从而得到更加丰富的信息量。例如根据待处理对象的基本属性信息和资源值转移数据，确定待处理对象的第一特征向量，然后通过目标自编码器对第一特征向量进行降维处理，将第一特征向量映射到二维空间得到维度为二维的第二特征向量。通过目标自编码器进行降维处理可以将基本属性信息和资源值转移数据中的一些特征进行组合以降低特征向量的维度，进而将基本属性信息和资源值转移数据中隐藏差异进行了有效区分，从而使得第二特征向量更能够体现出不同对象之间资源值支付能力之间的差异。这样，根据第二特征向量在二维空间的分布情况便可以对待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，每个对象聚集群体具有对应的质量等级，从而知晓待处理对象的质量等级，便于为后续信贷业务中的额度策略及利率制定方案提供重要依据。本技术聚类所依据的信息更加丰富、全面，并且可以通过降维处理对隐藏差异进行有效区分，挖掘待处理对象更深层次的特征，从而依据第二特征向量在二维空间的分布情况对待处理对象进行聚类，提高了聚类结果的准确性，更加准确地区分不同对象的质量等级。
107.需要说明的是，通过上述介绍，本技术实施例主要通过自编码器或变分自编码器对第一特征向量进行降维处理，得到第二特征向量。自编码器是通过无监督学习训练的神经网络模型，其原理是：被训练以学习接近原始输入的重检。自编码器由两部分组成，分别是编码器和解码器，分别可表示如下：
108.h＝σ(w
xh
x+b
x
h)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式1
109.z＝σ(w
hx
h+bh
x
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2
110.其中，w是神经网络模型的权重，b是神经网络模型的偏差，具体的，w
xh
是将输入向量x映射到隐藏层h的过程中神经网络模型的权重，b
xh
是将输入向量x映射到隐藏层h的过程中神经网络模型的偏差，w
hx
是将隐藏层h映射回原始输入空间的重建结果z的过程中神经网络模型的权重，b
hx
是将隐藏层h映射回原始输入空间的重建结果z的过程中神经网络模型的偏差。σ是非线性变换函数。h为编码器通过非线性之后的仿射映射将输入向量x映射的隐藏层。z为解码器通过与编码器相同的变换将隐藏层h映射回原始输入空间的重建结果。
111.变分自动编码器是一种定向概率图形模型，在自动编码器的基础上加入kl散度，其目标函数是数据边际可能性的变化如下：
[0112][0113]
其中，x(i)是输入向量，例如本技术实施例中的第一样本特征向量或第一特征向量，θ用于标识目标值，φ用于标识编码器隐藏层的实际值，p
θ
(x(i))是输入向量的目标分布，p
θ
(z)是输出的重建结果的目标分布，q
φ
(z|x)是编码器隐藏层的实际分布，d
kl
()表示kl散度，是拉普拉斯变换。
[0114]
vae原本广泛应用于图像生成。在本实施例中使用重检概率，通过导出原始输入变量分布的随机潜变量来计算重建概率。这里是对输入变量的参数计算重建概率，而不是输入变量本身。从潜在变量分布中抽取样本，允许重建概率考虑潜在变量空间的可变性。
[0115]
在一种可能的实现方式中，为了便于第二特征向量的可视化表示以及为了便于后续聚类，第二特征向量可以是二维特征向量，此时自编码器或者变分自编码器的输出可以设置成二维，从而将输入的第一特征向量映射到二维空间，得到二维特征向量即第二特征向量。通过该方式，可以对第一特征向量进行了降维，且基于降维结果将基本属性信息和资源值转移数据中的隐藏差异进行了有效区分。
[0116]
接下来将对目标自编码器的训练方法进行详细介绍。参见图6所示，所述方法包括：
[0117]
s601、获取样本对象的基本属性信息和资源值转移数据。
[0118]
为了训练得到目标自编码器，首先获取用于训练目标自编码器的训练样本，该训练样本可以是样本对象的基本属性信息和资源值转移数据，以贷款业务为例，则样本对象可以是参与贷款业务的客户，预测目标为客户是否发生重大逾期行为，若发生则为1，未发生为0。训练样本可以包括好样本和坏样本，好样本是未发生逾期的客户(取值0)对应的基本属性信息和资源值转移数据，坏样本是连续一段时间例如30天及以上逾期的客户(取值1)对应的基本属性信息和资源值转移数据。
[0119]
s602、根据所述样本对象的基本属性信息和资源值转移数据，确定所述样本对象的第一样本特征向量。
[0120]
与第一特征向量类似，第一样本特征向量也可以是一个比较高维度的特征向量，基本属性信息和资源值转移数据中包括的信息可以通过一个维度体现。有些信息对于后续聚类的贡献度比较大，而有些信息对于后续聚类的贡献度比较小，甚至没有什么作用。在这种情况下，第一样本特征向量可以是经过特征筛选后得到的特征向量，具体的，s602的一种
可能实现方式可以是根据样本对象的基本属性信息和资源值转移数据，确定样本对象的第三样本特征向量。然后确定第三样本特征向量中每个维度的特征向量的信息量值，若确定目标维度的特征向量的信息量值达到预设阈值，从第三样本特征向量中筛选目标维度的特征向量作为第一样本特征向量。需要说明的是，该过程与s202中第一特征向量的确定方式类似，此处不再详细赘述。
[0121]
可以理解的是，第三样本特征向量也可以采用与第三特征向量类似的确定方式进行确定，例如从样本对象的基本属性信息和资源值转移数据提取出样本对象的第四样本特征向量，对第四样本特征向量进行不同时间窗口的切分，并对切分后位于目标时间窗口的第四样本特征向量进行特征衍生，得到第三样本特征向量，第三样本特征向量的维度高于第四样本特征向量的维度。相应的，此过程与第三特征向量的确定方式类似，此处不再详细赘述。
[0122]
s603、通过待训练自编码器对所述第一样本特征向量进行降维处理，将所述第一样本特征向量映射到二维空间输出第二样本特征向量。
[0123]
需要说明的是，s601-s603的具体实现方式与图2所对应实施例中s201-s203的实现方式类似，区别主要在于s601-s603是基于样本对象的基本属性信息和资源值转移数据进行处理的，而s201-s203是基于待处理对象的基本属性信息和资源值转移数据进行处理的，故此处对s601-s603的具体实现方式不再赘述。
[0124]
s604、根据所述第二样本特征向量和所述第一样本特征向量计算目标损失函数。
[0125]
s605、依据所述目标损失函数对所述待训练自编码器进行训练得到所述目标自编码器。
[0126]
在本实施例中可以基于第二样本特征向量和所述第一样本特征向量计算目标损失函数，若需要训练得到的自编码器是变分自编码器，则目标损失函数的计算方式可以参见上述公式3所述。然后基于该目标损失函数对待训练自编码器进行训练，直到目标损失函数最小停止训练得到目标自编码器。
[0127]
在训练得到目标自编码器后，通过目标自编码器对第一样本特征向量进行降维处理，将第一样本特征向量映射到二维空间输出第二样本特征向量，根据第二样本特征向量在二维空间的分布情况对样本对象进行聚类，将分布紧密程度达到预设阈值的第二样本特征向量所表征的待处理对象聚集到同一个对象聚集群体，得到聚类结果，该聚类结果包括多个对象聚集群体。其中，可以采用dbscan算法对样本对象进行聚类。
[0128]
由于样本对象的质量(例如是否逾期或逾期率)是已知的，故可以通过每个对象聚集群体中样本对象的逾期率，对聚类结果进行验证，从而确定每个对象聚集群体中是否存在异常的样本对象，进而验证聚类结果是否准确。一般情况下，若同一个对象聚集群体中样本对象的逾期率多数比较类似，则可以认为聚类结果比较准确。若验证通过，依据每个对象聚集群体中样本对象的逾期率，确定对象聚集群体的质量等级。若该对象聚集群体中样本对象的逾期率普遍较高，则可以认为其质量等级较低，若该对象聚集群体中样本对象的逾期率普遍较低，则可以认为其质量等级较高。
[0129]
由于作为训练样本的样本对象足够充足，可以代表不同质量的客户，因此，得到的对象聚集群体及对应的质量等级可以用于后续对待处理对象进行聚类的过程，即在对待处理对象进行聚类时，将待处理对象划分至对应的对象聚集群体，从而知晓待处理对象的质
量等级。
[0130]
需要说明的是，在本技术实施例中，上述方法可以通过一种计算机编程语言(例如python)实现。按照自编码器的原理，上述自编码器的编码与解码步骤可以通过python中的keras(keras是一个由python编写的开源人工神经网络库)包实现，若希望得到的第二特征向量是二维特征向量，则将其解码的输出设置为2维。再用python中sklearn(sklearn是一个python第三方提供的非常强力的机器学习库)包中的dbscan函数对2维输出进行聚类。
[0131]
接下来，将结合实际应用场景对本技术实施例提供的对象聚类方法进行介绍。在该应用场景中，待处理对象是客户，资源值转移数据是交易行为数据，对象聚集群体是客群，当待处理对象向金融机构例如银行申请贷款业务时，金融机构可以利用本技术实施例提供的对象聚类方法对申请贷款业务的客户进行聚类，以确定申请贷款业务的客户的质量等级，从而为后续信贷业务中的额度策略及利率制定方案提供重要依据。例如，质量等级高的客户，则认为其质量较高，银行所需承担的风险较低，银行可以较为放心的同意该客户的申请，甚至将该客户的额度设置的比较高，利率设置的比较低，以吸引其申请贷款业务。而质量等级低的客户，则认为其质量较低，若银行同意该客户的贷款业务，银行需要承担的风险较高，故银行可以拒绝其申请，或者将该客户的额度设置的比较低，利率设置的比较高，以降低银行的风险。
[0132]
该对象聚类方法可以参见图7所示，包括：
[0133]
s701、客户向银行申请贷款业务。
[0134]
s702、银行针对申请贷款业务的客户启动实施聚类方法。
[0135]
s703、服务器获取申请贷款业务的客户的基本属性信息和交易行为数据。
[0136]
s704、服务器根据基本属性信息和交易行为数据确定申请贷款业务的客户的第一特征向量。
[0137]
s705、服务器通过训练得到的变分自编码器对第一特征向量进行降维处理，输出二维特征变量作为第二特征向量。
[0138]
其中，训练得到的变分自编码器相当于前述实施例中的目标自编码器。
[0139]
s706、服务器根据该第二特征向量，利用密度聚类方法对申请贷款业务的客户进行聚类，从而将申请贷款业务的客户划分至对应的客群，以确定申请贷款业务的客户的质量等级。
[0140]
对申请贷款业务的客户进行聚类得到的聚类结果指示了申请贷款业务的客户划分至哪个客群及对应的质量等级。
[0141]
s707、服务器将聚类结果返回至银行对应的终端，以展示可视化聚类结果。
[0142]
s708、银行根据申请贷款业务的客户的质量等级为其制定额度策略及利率。
[0143]
基于图2对应实施例提供的对象聚类方法，本技术实施例还提供一种对象聚类装置800，参见图8，所述对象聚类装置800包括获取单元801、确定单元802、降维单元803和聚类单元804：
[0144]
所述获取单元801，用于获取待处理对象的基本属性信息和资源值转移数据；
[0145]
所述确定单元802，用于根据所述待处理对象的基本属性信息和资源值转移数据，确定所述待处理对象的第一特征向量；
[0146]
所述降维单元803，用于通过目标自编码器对所述第一特征向量进行降维处理，将
所述第一特征向量映射到二维空间得到第二特征向量；
[0147]
所述聚类单元804，用于根据所述第二特征向量在所述二维空间的分布情况对所述待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，所述分布情况包括所述分布紧密程度，所述对象聚集群体具有对应的质量等级。
[0148]
在一种可能的实现方式中，所述确定单元802，用于：
[0149]
根据所述待处理对象的基本属性信息和资源值转移数据，确定所述待处理对象的第三特征向量；
[0150]
确定所述第三特征向量中每个维度的特征向量的信息量值；
[0151]
若确定目标维度的特征向量的信息量值达到预设阈值，从所述第三特征向量中筛选所述目标维度的特征向量作为所述第一特征向量。
[0152]
在一种可能的实现方式中，所述确定单元802，用于：
[0153]
从所述待处理对象的基本属性信息和资源值转移数据提取出所述待处理对象的第四特征向量；
[0154]
对所述第四特征向量进行不同时间窗口的切分，并对切分后位于目标时间窗口的第四特征向量进行特征衍生，得到所述第三特征向量，所述第三特征向量的维度高于所述第四特征向量的维度。
[0155]
在一种可能的实现方式中，所述装置还包括训练单元：
[0156]
所述训练单元，用于获取样本对象的基本属性信息和资源值转移数据；
[0157]
根据所述样本对象的基本属性信息和资源值转移数据，确定所述样本对象的第一样本特征向量；
[0158]
通过待训练自编码器对所述第一样本特征向量进行降维处理，将所述第一样本特征向量映射到二维空间输出第二样本特征向量；
[0159]
根据所述第二样本特征向量和所述第一样本特征向量计算目标损失函数；
[0160]
依据所述目标损失函数对所述待训练自编码器进行训练得到所述目标自编码器。
[0161]
在一种可能的实现方式中，所述训练单元，用于：
[0162]
根据所述样本对象的基本属性信息和资源值转移数据，确定所述样本对象的第三样本特征向量；
[0163]
确定所述第三样本特征向量中每个维度的特征向量的信息量值；
[0164]
若确定目标维度的特征向量的信息量值达到预设阈值，从所述第三样本特征向量中筛选目标维度的特征向量作为所述第一样本特征向量。
[0165]
在一种可能的实现方式中，所述训练单元，用于：
[0166]
从所述样本对象的基本属性信息和资源值转移数据提取出所述样本对象的第四样本特征向量；
[0167]
对所述第四样本特征向量进行不同时间窗口的切分，并对切分后位于目标时间窗口的第四样本特征向量进行特征衍生，得到所述第三样本特征向量，所述第三样本特征向量的维度高于所述第四样本特征向量的维度。
[0168]
在一种可能的实现方式中，所述降维单元803还用于：
[0169]
通过所述目标自编码器对所述第一样本特征向量进行降维处理，将所述第一样本
特征向量映射到二维空间输出第二样本特征向量；
[0170]
所述聚类单元804还用于：
[0171]
根据所述第二样本特征向量在所述二维空间的分布情况对所述样本对象进行聚类，将分布紧密程度达到预设阈值的第二样本特征向量所表征的待处理对象聚集到同一个对象聚集群体，得到聚类结果，所述聚类结果包括多个对象聚集群体。
[0172]
在一种可能的实现方式中，所述装置还包括验证单元：
[0173]
所述验证单元，用于通过每个对象聚集群体中样本对象的逾期率，对所述聚类结果进行验证；
[0174]
所述确定单元802，用于若验证通过，依据每个对象聚集群体中样本对象的逾期率，确定所述对象聚集群体的质量等级。
[0175]
所述第二特征向量为二维特征向量，所述聚类单元804，用于：
[0176]
利用dbscan算法依据所述第二特征向量在所述二维空间的分布情况对所述待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体。
[0177]
由上述技术方案可以看出，本技术可以获取待处理对象的基本属性信息和资源值转移数据，进而待处理对象的基本属性信息和资源值转移数据进行信息融合，从而得到更加丰富的信息量。例如根据待处理对象的基本属性信息和资源值转移数据，确定待处理对象的第一特征向量，然后通过目标自编码器对第一特征向量进行降维处理，将第一特征向量映射到二维空间得到维度为二维的第二特征向量。通过目标自编码器进行降维处理可以将基本属性信息和资源值转移数据中的一些特征进行组合以降低特征向量的维度，进而将基本属性信息和资源值转移数据中隐藏差异进行了有效区分，从而使得第二特征向量更能够体现出不同对象之间资源值支付能力之间的差异。这样，根据第二特征向量在二维空间的分布情况便可以对待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，每个对象聚集群体具有对应的质量等级，从而知晓待处理对象的质量等级，便于为后续信贷业务中的额度策略及利率制定方案提供重要依据。本技术聚类所依据的信息更加丰富、全面，并且可以通过降维处理对隐藏差异进行有效区分，挖掘待处理对象更深层次的特征，从而依据第二特征向量在二维空间的分布情况对待处理对象进行聚类，提高了聚类结果的准确性，更加准确地区分不同对象的质量等级。
[0178]
本技术实施例还提供了一种用于对象聚类的电子设备，该电子设备可以是终端，以终端为智能手机为例：
[0179]
图9示出的是与本技术实施例提供的终端相关的智能手机的部分结构的框图。参考图9，智能手机包括：射频(英文全称：radio frequency，英文缩写：rf)电路910、存储器920、输入单元930、显示单元940、传感器950、音频电路960、无线保真(英文全称：wireless fidelity，英文缩写：wifi)模块970、处理器980、以及电源990等部件。输入单元930可包括触控面板931以及其他输入设备932，显示单元940可包括显示面板941，音频电路960可以包括扬声器961和传声器962。本领域技术人员可以理解，图9中示出的智能手机结构并不构成对智能手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0180]
存储器920可用于存储软件程序以及模块，处理器980通过运行存储在存储器920的软件程序以及模块，从而执行智能手机的各种功能应用以及数据处理。存储器920可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据智能手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0181]
处理器980是智能手机的控制中心，利用各种接口和线路连接整个智能手机的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器920内的数据，执行智能手机的各种功能和处理数据，从而对智能手机进行整体监控。可选的，处理器980可包括一个或多个处理单元；优选的，处理器980可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器980中。
[0182]
在本实施例中，前述由终端执行的步骤可以基于图9所示的终端结构实现。
[0183]
本技术实施例还提供一种服务器，请参见图10所示，图10为本技术实施例提供的服务器1000的结构图，服务器1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，简称cpu)1022(例如，一个或一个以上处理器)和存储器1032，一个或一个以上存储应用程序1042或数据1044的存储介质1030(例如一个或一个以上海量存储设备)。其中，存储器1032和存储介质1030可以是短暂存储或持久存储。存储在存储介质1030的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1022可以设置为与存储介质1030通信，在服务器1000上执行存储介质1030中的一系列指令操作。
[0184]
服务器1000还可以包括一个或一个以上电源1026，一个或一个以上有线或无线网络接口1050，一个或一个以上输入输出接口1058，和/或，一个或一个以上操作系统1041，例如windows server
tm
，mac os x
tm
，unix
tm
,linux
tm
，freebsd
tm
等等。
[0185]
在本实施例中，服务器1000中的中央处理器1022可以执行以下步骤：
[0186]
获取待处理对象的基本属性信息和资源值转移数据；
[0187]
根据所述待处理对象的基本属性信息和资源值转移数据，确定所述待处理对象的第一特征向量；
[0188]
通过目标自编码器对所述第一特征向量进行降维处理，将所述第一特征向量映射到二维空间得到第二特征向量；
[0189]
根据所述第二特征向量在所述二维空间的分布情况对所述待处理对象进行聚类，将分布紧密程度达到预设阈值的第二特征向量所表征的待处理对象划分至对应的对象聚集群体，所述分布情况包括所述分布紧密程度，所述对象聚集群体具有对应的质量等级。
[0190]
根据本技术的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行前述各个实施例所述的对象聚类方法。
[0191]
根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使
得该计算机设备执行上述实施例各种可选实现方式中提供的方法。
[0192]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0193]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0194]
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单元来实现本实施例方案的目的。
[0195]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0196]
所述集成的单元如果以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，本技术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全部或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)执行本技术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(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0197]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术成员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。