1.本说明书涉及计算机
技术领域：
：，尤其涉及一种模型解释及训练方法、装置、设备、介质及程序产品。
背景技术：
：：2.随着互联网的发展，越来越多的机器学习算法、智能化方法被应用在工业界中，为实际生产带来了显著的商业价值。但是，随着算法模型向深度化、复杂化的发展，模型本身所具备的可解释性逐渐降低。现有的可解释性机器学习算法主要分为两个视角去研究，一类是嵌套在模型中的可解释性模块(也称内在可解释性)，另一类是模型无关的(model-agnosis)可解释性方法。后者因为具备更高地灵活性和更低的落地成本而被工业界所广泛采用。技术实现要素：3.本说明书实施例提供了一种模型解释及训练方法、装置、设备、介质及程序产品，通过采用可解释模型对预设模型进行学习，实现降低可解释模型在工业界的超大规模数据集上训练和推理的时间复杂度，提高可解释模型的训练效率以及解释预设模型的解释效率。上述技术方案如下：4.第一方面，本说明书实施例提供了一种可解释模型训练方法，包括：5.获取样本测试集；上述样本测试集包括多个样本测试数据，每个上述样本测试数据对应n个特征；上述n为大于或等于2的正整数；6.将上述样本测试集输入预设模型中，输出上述样本测试集中每个样本测试数据对应的第一预测结果；上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，每个上述样本训练数据对应上述n个特征；7.根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型；上述可解释模型用于解释上述预设模型产生上述第一预测结果的原因。8.在一种可能的实现方式中，上述根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型，包括：9.将上述样本测试集中每个样本测试数据对应的n个特征输入可解释模型中，输出上述每个样本测试数据对应的第二预测结果；10.基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新。11.在一种可能的实现方式中，上述可解释模型包括多个第一初始权重；每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应；上述每个样本测试数据对应的第二预测结果包括线性预测结果；12.上述将上述样本测试集中每个样本测试数据对应的n个特征输入可解释模型中，输出上述每个样本测试数据对应的第二预测结果，包括：13.根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重；14.计算上述每个样本测试数据的上述n个特征各自对应的第一初始权重之和，得到上述每个样本测试数据对应的线性预测结果；15.其中，上述可解释模型具体用于确定上述n个特征中对上述预设模型产生第一预测结果影响最大的m个特征；上述m为小于或等于n的正整数。16.在一种可能的实现方式中，上述可解释模型包括至少四个第二初始权重；每个上述第二初始权重与每个交叉特征以及上述每个交叉特征的特征值对应；上述交叉特征为上述n个特征中的至少两个特征组成的集合；上述交叉特征的特征值为上述交叉特征包括的所有特征的特征值；上述每个样本测试数据对应的第二预测结果包括交叉预测结果；17.上述将上述样本测试集中每个样本测试数据对应的n个特征输入可解释模型中，输出上述每个样本测试数据对应的第二预测结果，包括：18.根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重；19.计算上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重之和，得到上述每个样本测试数据对应的交叉预测结果；20.其中，上述可解释模型具体用于确定对上述预设模型产生第一预测结果影响最大的m个交叉特征；上述m为正整数。21.在一种可能的实现方式中，上述可解释模型还包括多个第一初始权重；每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应；上述每个样本测试数据对应的第二预测结果还包括线性预测结果；22.上述得到上述每个样本测试数据对应的交叉预测结果之后，还包括：23.根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重；24.计算上述每个样本测试数据的上述n个特征各自对应的第一初始权重之和，得到上述每个样本测试数据对应的线性预测结果；25.根据上述每个样本测试数据对应的线性预测结果以及上述每个样本测试数据对应的交叉预测结果，确定上述每个样本测试数据对应的第二预测结果；26.其中，上述可解释模型具体用于确定对上述预设模型产生第一预测结果影响最大的m个目标特征；上述目标特征为上述n个特征中的任意一个特征和/或上述交叉特征。27.在一种可能的实现方式中，每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应的第一特征值范围对应；28.上述根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征对应的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重，包括：29.确定上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围；30.根据上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重。31.在一种可能的实现方式中，每个上述第二初始权重与每个上述交叉特征以及上述每个交叉特征的特征值对应的第二特征值范围对应；上述第二特征值范围为上述交叉特征包括的所有特征的特征值各自对应的第一特征值范围组成的集合；32.上述根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重，包括：33.确定上述每个样本测试数据对应的至少一个交叉特征，以及每个上述交叉特征的特征值对应的第二特征值范围；34.根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值对应的第二特征值范围，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重。35.在一种可能的实现方式中，上述基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新，包括：36.基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述多个第一初始权重进行更新，得到多个第一目标权重，以得到更新后的可解释模型；37.其中，上述更新后的可解释模型包括上述多个第一目标权重；上述第一目标权重用于表征上述n个特征中每个特征以及上述每个特征的特征值对上述预设模型预测产生的上述第一预测结果的影响程度。38.在一种可能的实现方式中，上述基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新，包括：39.基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述至少四个第二初始权重进行更新，得到至少四个第二目标权重，以得到更新后的可解释模型；40.其中，上述更新后的可解释模型包括上述至少四个第二目标权重；上述第二目标权重用于表征上述每个交叉特征以及上述每个交叉特征的特征值对上述预设模型产生的上述第一预测结果的影响程度。41.在一种可能的实现方式中，上述样本测试数据为已知目标值的样本数据；42.上述基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新，包括：43.基于上述每个样本测试数据对应的第二预测结果、上述每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应目标值按照预设规则对上述可解释模型进行更新。44.第二方面，本说明书实施例提供了一种模型解释方法，包括：45.获取待测数据；上述待测数据对应n个特征；上述n为大于或等于2的正整数；46.将上述待测数据输入预设模型中，输出上述待测数据对应的第一预测结果；上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，上述样本训练数据对应上述n个特征；47.将上述待测数据对应的n个特征输入可解释模型中，输出上述待测数据经上述预设模型预测后的第一预测结果对应的解释结果；48.其中，上述可解释模型为采用本说明书实施例第一方面或第一方面的任意一种可能的实现方式提供的可解释模型训练方法训练得到的模型；上述解释结果包括对上述待测数据经上述预设模型预测后的第一预测结果影响最大的k个目标特征；上述目标特征为上述n个特征中的一个或多个特征组成的集合。49.第三方面，本说明书实施例提供了一种可解释模型训练装置，上述装置包括：50.获取模块，用于获取样本测试集；上述样本测试集包括多个样本测试数据，每个上述样本测试数据对应n个特征；上述n为大于或等于2的正整数；51.第一预测模块，用于将上述样本测试集输入预设模型中，输出上述样本测试集中每个样本测试数据对应的第一预测结果；上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，每个上述样本训练数据对应上述n个特征；52.训练模块，用于根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型；上述可解释模型用于解释上述预设模型产生上述第一预测结果的原因。53.在一种可能的实现方式中，上述训练模块包括：54.预测单元，用于将上述样本测试集中每个样本测试数据对应的n个特征输入可解释模型中，输出上述每个样本测试数据对应的第二预测结果；55.更新单元，用于基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新。56.在一种可能的实现方式中，上述可解释模型包括多个第一初始权重；每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应；上述每个样本测试数据对应的第二预测结果包括线性预测结果；57.上述预测单元包括：58.第一确定子单元，用于根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重；59.第一计算子单元，用于计算上述每个样本测试数据的上述n个特征各自对应的第一初始权重之和，得到上述每个样本测试数据对应的线性预测结果；60.其中，上述可解释模型具体用于确定上述n个特征中对上述预设模型产生第一预测结果影响最大的m个特征；上述m为小于或等于n的正整数。61.在一种可能的实现方式中，上述可解释模型包括至少四个第二初始权重；每个上述第二初始权重与每个交叉特征以及上述每个交叉特征的特征值对应；上述交叉特征为上述n个特征中的至少两个特征组成的集合；上述交叉特征的特征值为上述交叉特征包括的所有特征的特征值；上述每个样本测试数据对应的第二预测结果包括交叉预测结果；62.上述预测单元包括：63.第二确定子单元，用于根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重；64.第二计算子单元，用于计算上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重之和，得到上述每个样本测试数据对应的交叉预测结果；65.其中，上述可解释模型具体用于确定对上述预设模型产生第一预测结果影响最大的m个交叉特征；上述m为正整数。66.在一种可能的实现方式中，上述可解释模型还包括多个第一初始权重；每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应；上述每个样本测试数据对应的第二预测结果还包括线性预测结果；67.上述装置还包括：68.第一确定模块，用于根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重；69.计算模块，用于计算上述每个样本测试数据的上述n个特征各自对应的第一初始权重之和，得到上述每个样本测试数据对应的线性预测结果；70.第二确定模块，用于根据上述每个样本测试数据对应的线性预测结果以及上述每个样本测试数据对应的交叉预测结果，确定上述每个样本测试数据对应的第二预测结果；71.其中，上述可解释模型具体用于确定对上述预设模型产生第一预测结果影响最大的m个目标特征；上述目标特征为上述n个特征中的任意一个特征和/或上述交叉特征。72.在一种可能的实现方式中，每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应的第一特征值范围对应；73.上述第一确定模块或第一确定子单元具体用于：74.确定上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围；75.根据上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重。76.在一种可能的实现方式中，每个上述第二初始权重与每个上述交叉特征以及上述每个交叉特征的特征值对应的第二特征值范围对应；上述第二特征值范围为上述交叉特征包括的所有特征的特征值各自对应的第一特征值范围组成的集合；77.上述第二确定子单元具体用于：78.确定上述每个样本测试数据对应的至少一个交叉特征，以及每个上述交叉特征的特征值对应的第二特征值范围；79.根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值对应的第二特征值范围，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重。80.在一种可能的实现方式中，上述更新单元具体用于：81.基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述多个第一初始权重进行更新，得到多个第一目标权重，以得到更新后的可解释模型；82.其中，上述更新后的可解释模型包括上述多个第一目标权重；上述第一目标权重用于表征上述n个特征中每个特征以及上述每个特征的特征值对上述预设模型预测产生的上述第一预测结果的影响程度。83.在一种可能的实现方式中，上述更新单元具体用于：84.基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述至少四个第二初始权重进行更新，得到至少四个第二目标权重，以得到更新后的可解释模型；85.其中，上述更新后的可解释模型包括上述至少四个第二目标权重；上述第二目标权重用于表征上述每个交叉特征以及上述每个交叉特征的特征值对上述预设模型产生的上述第一预测结果的影响程度。86.在一种可能的实现方式中，上述样本测试数据为已知目标值的样本数据；87.上述更新单元具体用于：88.基于上述每个样本测试数据对应的第二预测结果、上述每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应目标值按照预设规则对上述可解释模型进行更新。89.第四方面，本说明书实施例提供了一种模型解释装置，上述装置包括：90.获取模块，用于获取待测数据；上述待测数据对应n个特征；上述n为大于或等于2的正整数；91.第一预测模块，用于将上述待测数据输入预设模型中，输出上述待测数据对应的第一预测结果；上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，上述样本训练数据对应上述n个特征；92.解释模块，用于将上述待测数据对应的n个特征输入可解释模型中，输出上述待测数据经上述预设模型预测后的第一预测结果对应的解释结果；93.其中，上述可解释模型为采用本说明书实施例第一方面或第一方面的任意一种可能的实现方式提供的可解释模型训练方法训练得到的模型；上述解释结果包括对上述待测数据经上述预设模型预测后的第一预测结果影响最大的k个目标特征；上述目标特征为上述n个特征中的一个或多个特征组成的集合。94.第五方面，本说明书实施例提供了一种电子设备，包括：处理器以及存储器；95.上述处理器与上述存储器相连；96.上述存储器，用于存储可执行程序代码；97.上述处理器通过读取上述存储器中存储的可执行程序代码来运行与上述可执行程序代码对应的程序，以用于执行本说明书实施例第一方面或第一方面的任意一种可能的实现方式或第二方面或第二方面的任意一种可能的实现方式提供的方法。98.第六方面，本说明书实施例提供了一种计算机存储介质，上述计算机存储介质存储有多条指令，上述指令适于由处理器加载并执行本说明书实施例第一方面或第一方面的任意一种可能的实现方式或第二方面或第二方面的任意一种可能的实现方式提供的方法。99.第七方面，本说明书实施例提供了一种包含指令的计算机程序产品，当上述计算机程序产品在计算机或处理器上运行时，使得上述计算机或上述处理器执行本说明书实施例第一方面或第一方面的任意一种可能的实现方式或第二方面或第二方面的任意一种可能的实现方式提供的方法。100.本说明书实施例一方面通过将获取的包括多个样本测试数据的样本测试集输入由样本训练集训练得到的预设模型中，输出上述样本测试集中每个样本测试数据对应的第一预测结果，上述样本训练集包括多个已知目标值的样本训练数据，每个上述样本测试数据以及每个上述样本训练数据均对应n个特征，上述n为大于或等于2的正整数，最后根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型，从而通过采用可解释模型对预设模型进行学习，实现降低可解释模型在工业界的超大规模数据集上训练和推理的时间复杂度，提高可解释模型的训练效率以及解释预设模型的解释效率。另一方面，通过上述训练好的可解释模型对待测数据经上述预设模型预测后的第一预测结果进行解释，避免了内在可解释性机器学习存在的低灵活性、高耦合的不足的问题，能够消除待测数据对应的特征量纲对解释性权重的影响，实现了个体差异化权重的生成，从而实现了个体维度的可解释性。附图说明101.为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例中所需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说明书的一些实施例，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。102.图1为本说明书一示例性实施例提供的一种可解释模型训练系统的架构示意图；103.图2为本说明书一示例性实施例提供的一种可解释模型训练方法的流程示意图；104.图3为本说明书一示例性实施例提供的一种按照预设训练方式训练可解释模型的实现流程示意图；105.图4为本说明书一示例性实施例提供的一种第一初始映射表的示意图；106.图5为本说明书一示例性实施例提供的另一种第一初始映射表的示意图；107.图6为本说明书一示例性实施例提供的另一种按照预设训练方式训练可解释模型的实现流程示意图；108.图7为本说明书一示例性实施例提供的一种第二初始映射表的示意图；109.图8为本说明书一示例性实施例提供的另一种第二初始映射表的示意图；110.图9为本说明书一示例性实施例提供的另一种可解释模型训练方法的流程示意图；111.图10为本说明书一示例性实施例提供的一种模型解释方法的流程示意图；112.图11为本说明书一示例性实施例提供的一种模型解释方法的实现过程示意图；113.图12为本说明书一示例性实施例提供的一种可解释模型训练装置的结构示意图；114.图13为本说明书一示例性实施例提供的一种模型解释装置的结构示意图；115.图14为本说明书一示例性实施例提供的一种电子设备的结构示意图。具体实施方式116.下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述。117.本说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。118.请参考图1，图1为本说明书一示例性实施例提供的一种可解释模型训练系统的架构示意图。如图1所示，该可解释模型训练系统可以包括：终端110和服务器120。其中：119.终端110可以为用户端，具体包括一个或多个用户端。在终端110中可安装用户版的软件，用于实现用户通过网络向服务器120发送样本测试集、样本训练集等功能。终端110中任意一个用户端均可以建立与网络之间的数据关系，并通过该网络和服务器120建立数据连接关系，例如接收服务器120通过网络发送的已训练好的可解释模型等。其中，终端110中任意一个用户端可以但不限于是安装有用户版软件的手机、平板电脑、笔记本电脑等设备。120.服务器120可以是能提供多种可解释模型训练的服务器，可以通过网络接收终端110中任意一个用户端发送的样本测试集、样本训练集等数据，并将样本测试集输入到由样本训练集训练得到的预设模型中，得到样本测试集中每个样本测试数据对应的第一预测结果，然后根据样本测试集中每个样本测试数据对应的第一预测结果以及样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练用于解释预设模型产生第一预测结果的可解释模型。服务器120还可以给终端110中任意一个用户端发送已训练好的可解释模型等。121.除了上述功能以外，服务器120还可以是能提供多种模型解释的服务器，即可以通过网络获取待测数据，并通过将上述待测数据对应的n个特征输入已训练好的可解释模型中，从而得到上述待测数据经上述预设模型预测后的第一预测结果对应的解释结果，实现模型解释功能，并且还可以给网络或终端110中的任意一个用户端发送待测数据经预设模型预测后的第一预测结果对应的解释结果。服务器120可以但不限于是硬件服务器、虚拟服务器、云服务器等。122.上述可解释模型训练不限于上述服务器120执行，还可以是终端110中任意一个用户端。上述用户端可以接收用户输入的样本测试集、样本训练集等数据，或通过网络接收服务器120发送样本测试集、样本训练集等数据，并将样本测试集输入到由样本训练集训练得到的预设模型中，得到样本测试集中每个样本测试数据对应的第一预测结果，然后根据样本测试集中每个样本测试数据对应的第一预测结果以及样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练用于解释预设模型产生第一预测结果的可解释模型。本说明书实施例对此不作具体限定，以下实施例全部以由服务器120执行上述可解释模型训练为例进行说明。123.网络可以是在服务器120和终端110中任意一个用户端之间提供通信链路的介质，也可以是包含网络设备和传输介质的互联网，不限于此。传输介质可以是有线链路(例如但不限于，同轴电缆、光纤和数字用户线路(digitalsubscriberline，dsl)等)或无线链路(例如但不限于，无线上网(wirelessfidelity，wifi)、蓝牙和移动设备网络等)。124.可以理解地，图1所示的可解释模型训练系统中的终端110和服务器120的数目仅作为示例，在具体实现中，该可解释模型训练系统中可以包含任意数目的用户端和服务器。本说明书实施例对此不作具体限定。例如但不限于，服务器120可以是多个服务器组成的服务器集群。125.随着算法模型向深度化、复杂化的发展，模型本身所具备的可解释性逐渐降低。现有的可解释性机器学习算法主要分为两类：一类是嵌套在模型中的可解释性模块(也称内在可解释性)，另一类是模型无关(model-agnosis)可解释性方法。目前，一些内在可解释性机器学习都是通过在模型设计中，添加单特征维度和交互特征的一些可解释性模块，和主模型(预设模型)一同进行训练，进而在产出预测结果的同时，产出解释性的结果。但这类方法不仅会影响主模型(预设模型)性能，而且还由于可解释性模块的设计要根据主模型(预设模型)的结构来进行设计，使这类方法丧失了一定的灵活性，难以进行规模化，增加了设计成本。而现有的模型无关(model-agnosis)可解释性方法如局部可解释模型-不可知解释((localinterpretablemodel-agnosticexplanations，lime)等存在在面对工业界超大规模场景时，其时间效率是十分低下的，难以推广到千万、亿级别的超大规模数据集中、具有随机性，会出现多次解释结果不一致的情况、以及受特征本身量纲影响较大，经常会出现大量纲特征会占主要的地位等问题。126.为了解决上述问题，接下来结合图1，介绍本说明书实施例提供的可解释模型训练方法。具体请参考图2，其为本说明书一示例性实施例提供的一种可解释模型训练方法的流程示意图。如图2所示，该可解释模型训练方法包括以下几个步骤：127.步骤202，获取样本测试集。128.具体地，可以通过网络接收终端110发送的样本测试集或接收用户输入的样本测试集。上述样本测试集包括多个样本测试数据，每个上述样本测试数据对应n个特征。上述n为大于或等于2的正整数。上述样本测试数据可以为已知目标值的样本测试数据，也可以为未知目标值的样本测试数据，本说明书实施例对此不作限定。上述目标值用于表征样本测试数据对应的真实标签。上述目标值包括类别、答案、分数等，本说明书实施例对此不作限定。129.示例性地，目标值(真实标签)可以代表在实际情况中，用户是否进行点击、是否发生逾期、是否有购买行为等各类预设模型的训练标签。130.步骤204，将样本测试集输入预设模型中，输出样本测试集中每个样本测试数据对应的第一预测结果。131.具体地，可以将获取的样本测试集输入预设模型中，从而得到上述样本测试集中每个样本测试数据对应的第一预测结果。上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，每个样本训练数据对应上述n个特征。可以理解为，上述预设模型由样本训练集中每个样本训练数据对应的上述n个特征训练得到。则每个样本测试数据对应的n个特征与每个样本训练数据对应的n个特征的类别应相同。上述预设模型包括分类模型、神经网络模型等需要由已知目标值的多个样本训练数据训练的模型(黑盒模型)。上述第一预测结果为上述每个样本测试数据的目标值(真实标签)对应的预测值(预测标签)。132.示例性地，当n＝3时，每个样本训练数据可以对应特征a、特征b、特征c这3个特征，即预设模型可以通过每个样本训练数据对应的特征a、特征b、特征c这3个特征进行训练。此时，为了能够更准确地对上述预设模型产生的第一预测结果进行解释，每个样本测试数据也同样需要对应特征a、特征b、特征c这3个特征。133.步骤206，根据样本测试集中每个样本测试数据对应的第一预测结果以及样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型。134.具体地，上述可解释模型用于解释预设模型产生第一预测结果的原因。135.可选地，可以先将上述样本测试集中每个样本测试数据对应的n个特征输入上述可解释模型中，从而输出上述每个样本测试数据对应的第二预测结果。然后基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新，即根据每个样本测试数据对应的第二预测结果以及第一预测结果之间的差值，通过梯度下降的方法对上述可解释模型中的参数(初始权重)进行优化，从而得到训练好的可解释模型。上述每个样本测试数据经可解释模型预测后的第二预测结果与经预设模型预测后的第一预测结果越接近，即每个样本测试数据对应的第二预测结果以及第一预测结果之间的差值越小，可解释模型对已训练好的预设模型的学习效果就越好，其对预设模型产生第一预测结果的解释就越准确。136.可选地，在将上述样本测试集中每个样本测试数据对应的n个特征输入上述可解释模型中，输出得到上述每个样本测试数据对应的第二预测结果之后，若样本测试数据为已知目标值的样本数据，还可以基于每个样本测试数据对应的第二预测结果、每个样本测试数据对应的第一预测结果以及样本测试集中每个样本测试数据对应目标值按照预设规则对可解释模型进行更新，即根据每个样本测试数据对应的第二预测结果与第一预测结果之间的差值、每个样本测试数据对应的第二预测结果与目标值之间的差值，按照预设规则通过反向传播的方式对上述可解释模型中的参数(初始权重)进行优化，从而得到训练好的可解释模型。137.具体地，上述预设规则为先将每个样本测试数据对应的第二预测结果与第一预测结果之间的差值以及每个样本测试数据对应的第二预测结果与目标值之间的差值进行加权求和，得到目标差值，然后根据目标差值通过反向传播的方式对上述可解释模型中的参数(初始权重)进行优化，从而得到训练好的可解释模型。本说明书实施例通过目标值(真实标签)做有监督学习，可以补充预设模型由于模型训练不充分或模型训练的时效性不足带来的性能下降，让可解释模型的参数(初始权重)在学习预设模型的过程中准确率更高，即使可解释模型对预设模型产生第一预测结果的解释更准确。138.本说明书实施例通过将获取的包括多个样本测试数据的样本测试集输入由样本训练集训练得到的预设模型中，输出上述样本测试集中每个样本测试数据对应的第一预测结果，上述样本训练集包括多个已知目标值的样本训练数据，每个上述样本测试数据以及每个上述样本训练数据均对应n个特征，上述n为大于或等于2的正整数，最后根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型，从而通过采用可解释模型对预设模型进行学习，实现降低可解释模型在工业界的超大规模数据集上训练和推理的时间复杂度，提高可解释模型的训练效率以及解释预设模型的解释效率。139.具体地，上述步骤206中，可以让可解释模型对样本测试集中每个样本测试数据的个体维度特征进行学习，从而实现通过已学习(训练)好的可解释模型解释n个特征中个体维度特征(单个特征)对预设模型产生第一预测结果的影响。140.具体地，可解释模型包括多个第一初始权重。每个样本测试数据对应的第二预测结果包括线性预测结果。接下来结合图1-图2，介绍本说明书实施例提供的可解释模型训练方法中上述步骤206中，根据样本测试集中每个样本测试数据对应的第一预测结果以及样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型的一种具体实现过程。具体请参考图3，其为本说明书一示例性实施例提供的一种按照预设训练方式训练可解释模型的实现流程示意图。如图3所示，该按照预设训练方式训练可解释模型的实现流程包括以下几个步骤：141.步骤302，根据每个样本测试数据对应的n个特征以及n个特征中每个特征的特征值，确定每个样本测试数据的n个特征各自对应的第一初始权重。142.具体地，每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应。即可以先对每个样本测试数据的n个特征进行序列化处理，即对上述n个特征中每个特征的特征值进行编码，然后再根据每个样本测试数据的n个特征中每个特征对应的编码确定每个样本测试数据的n个特征各自对应的第一初始权重。上述可解释模型包括的多个第一初始权重可以为随机的任意数值，本说明书对此不作限定。143.示例性地，样本测试数据的特征1的特征值为7，特征2的特征值为1，则将特征1编码为[0,0,0,0,1,0,0,0]、特征2编码为[1,0,0,0]，然后可解释模型可以根据特征1和特征2的编码，确定上述样本测试数据的特征1和特征2各自对应的第一初始权重。[0144]可选地，可以先根据每个样本测试数据的n个特征对应的信息确定上述每个样本测试数据的n个特征中每个特征的特征值，例如但不限于对类别、爱好等非数值信息对应的特征进行编码，并将上编码的数字确定为上述特征的特征值，然后根据每个样本测试数据对应的n个特征以及n个特征中每个特征的特征值，从第一初始映射表中查找到可解释模型中上述每个样本测试数据的n个特征各自对应的第一初始权重。上述第一初始映射表用于表征可解释模型包括的多个第一初始权重中每个第一初始权重与n个特征中的每个特征以及上述每个特征的特征值之间的对应关系。上述可解释模型包括的多个第一初始权重可以为随机的任意数值，本说明书对此不作限定。[0145]示例性地，若预设模型为用于预测用户购买商品a的概率，训练预设模型的样本训练数据包括3个特征即n＝3，分别为男女、年纪、余额，样本测试数据b对应的这3个特征分别为“女、18、1000”以及上述3个特征对应的特征值分别为“1、18、1000”，可以从图4所示的第一初始映射表中查找到样本测试数据b的特征“男女(女)”对应的第一初始权重0.9、特征“年纪(18)”对应的第一初始权重0.8、特征“余额(1000)”对应的第一初始权重0.5。[0146]可选地，每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应的第一特征值范围对应。即为了消除特征量纲对解释性权重的影响，实现了个体差异化权重的生成，本说明书实施例根据上述n个特征中每个特征的多个特征值进行分组，每个特征对应至少两个分组，每个分组对应一个第一特征值范围，即每个特征对应至少两个第一特征值范围。上述每个特征对应至少两个第一特征值范围不存在交集，且上述至少两个第一特征值范围的并集为上述特征对应的特征值的取值范围。在可解释模型中，每个特征以及该特征对应的至少两个第一特征值范围中的每个特征值范围都对应一个第一初始权重。因此，可以先确定上述每个样本测试数据的n个特征中每个特征的特征值对应的第一特征值范围，可以根据上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重。例如但不限于从第一初始映射表中查找到上述每个样本测试数据的n个特征各自对应的第一初始权重。上述第一初始映射表用于表征可解释模型包括的多个第一初始权重中每个第一初始权重与n个特征中的每个特征以及上述每个特征的特征值对应的第一特征值范围之间的对应关系。[0147]示例性地，若n＝2，样本测试数据c的特征1的特征值为0.6，其对应的第一特征值范围“大于0且小于或等于10”，样本测试数据c的特征2的特征值为0.6，其对应的第一特征值范围为“大于0.5且小于或等于0.75”，则可以从图5所示的另一种第一初始映射表中查找到样本测试数据c的特征1对应的第一初始权重为0.2、特征2对应的第一初始权重为0.9。[0148]步骤304，计算每个样本测试数据的n个特征各自对应的第一初始权重之和，得到每个样本测试数据对应的线性预测结果。[0149]具体地，确定每个样本测试数据的n个特征各自对应的第一初始权重之后，可以计算每个样本测试数据的n个特征各自对应的第一初始权重之和，从而得到每个样本测试数据对应的线性预测结果。[0150]示例性地，样本测试数据的特征1对应的第一初始权重为0.4、特征2对应的第一初始权重为0.4，则可以计算得到上述样本测试数据对应的线性预测结果为0.8。[0151]步骤306，基于样本测试集中每个样本测试数据对应的第二预测结果以及样本测试集中每个样本测试数据对应的第一预测结果，对多个第一初始权重进行更新，得到多个第一目标权重，以得到更新后的可解释模型。[0152]具体地，其中，上述可解释模型具体用于确定上述n个特征中对上述预设模型产生第一预测结果影响最大的m个特征；上述m为小于或等于n的正整数。上述样本测试集中每个样本测试数据对应的第二预测结果为步骤304中得到的上述每个样本测试数据对应的线性预测结果。[0153]具体地，可以基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述多个第一初始权重进行更新，即可以根据样本测试集中每个样本测试数据对应的第二预测结果与第一预测结果之间的差值，通过反向传播的方式对上述可解释模型中的多个第一初始权重进行优化，得到多个第一目标权重，以得到更新后的可解释模型。其中，上述更新后的可解释模型包括上述多个第一目标权重；上述第一目标权重用于表征上述n个特征中每个特征以及上述每个特征的特征值对上述预设模型预测产生的上述第一预测结果的影响程度。[0154]可选地，可以根据样本测试集中每个样本测试数据对应的第二预测结果与第一预测结果之间的差值，通过反向传播的方式对上述可解释模型中的多个第一初始权重进行优化，得到多个第一目标权重，以得到更新后的可解释模型以及第一目标映射表。[0155]可选地，上述第一目标映射表用于表征可解释模型包括的多个第一目标权重中每个第一目标权重与n个特征中的每个特征以及上述每个特征的特征值之间的对应关系。[0156]可选地，上述第一目标映射表用于表征可解释模型包括的多个第一目标权重中每个第一目标权重与n个特征中的每个特征以及上述每个特征的特征值对应的第一特征值范围之间的对应关系。[0157]本说明书实施例一方面通过让可解释模型对样本测试集中每个样本测试数据的个体维度特征进行学习，从而实现通过已学习(训练)好的可解释模型解释n个特征中个体维度特征(单个特征)对预设模型产生第一预测结果的影响，即可实现通过可解释模型确定上述n个特征中对上述预设模型产生第一预测结果影响最大的m个特征，上述m为小于或等于n的正整数。另一方面，通过对每个样本测试数据的n个特征进行序列化处理，避免可解释性结果受到特征量纲的影响，实现特征个体差异化权重的生成，使得可解释性更加公平。[0158]具体地，上述步骤206中，也可以让可解释模型对样本测试集中每个样本测试数据的交叉特征进行学习，从而实现通过已学习(训练)好的可解释模型解释n个特征对应的交叉特征对预设模型产生第一预测结果的影响。[0159]具体地，可解释模型包括至少四个第二初始权重。每个样本测试数据对应的第二预测结果包括交叉预测结果。接下来结合图1-图2，介绍本说明书实施例提供的可解释模型训练方法中上述步骤206中，根据样本测试集中每个样本测试数据对应的第一预测结果以及样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型的另一种具体实现过程。具体请参考图6，其为本说明书一示例性实施例提供的另一种按照预设训练方式训练可解释模型的实现流程示意图。如图6所示，该按照预设训练方式训练可解释模型的实现流程包括以下几个步骤：[0160]步骤602，根据每个样本测试数据对应的至少一个交叉特征以及每个交叉特征的特征值，确定每个样本测试数据的至少一个交叉特征对应的至少一个第二初始权重。[0161]具体地，每个上述第二初始权重与每个交叉特征以及上述每个交叉特征的特征值对应。上述交叉特征为上述n个特征中的至少两个特征组成的集合。即上述交叉特征可以为上述n个特征中的每两个特征组成的集合，或上述n个特征中的每三个特征组成的集合等，本说明书实施例对此不作限定。上述交叉特征的特征值为上述交叉特征包括的所有特征的特征值。可以根据每个样本测试数据对应的至少一个交叉特征以及每个交叉特征的特征值，从第二初始映射表中查找到可解释模型中上述每个样本测试数据的至少一个交叉特征对应的至少一个第二初始权重。上述第二初始映射表用于表征可解释模型包括的至少四个第二初始权重中每个第二初始权重与每个交叉特征以及上述每个交叉特征的特征值之间的对应关系。上述可解释模型包括的至少四个第二初始权重可以为随机的任意数值，本说明书对此不作限定。[0162]示例性地，若n＝3，样本测试数据对应特征1的特征值为2，特征2的特征值为－10，特征3的特征值为0.1，上述样本测试数据对应的交叉特征1为“特征1＝2和特征2＝－10”，交叉特征2可以为“特征1＝2和特征3＝0.1”，交叉特征3可以为“特征2＝－10和特征3＝0.1”，则可以根据上述交叉特征以及上述交叉特征对应的第二特征值范围从图7所示的第二初始映射表中查找到上述样本测试数据的交叉特征1对应的第二初始权重－0.1、交叉特征2对应的第二初始权重0.8、交叉特征3对应的第二初始权重0.5。[0163]可选地，每个上述第二初始权重与每个上述交叉特征以及上述每个交叉特征的特征值对应的第二特征值范围对应。上述第二特征值范围为上述交叉特征包括的所有特征的特征值各自对应的第一特征值范围组成的集合。可以先确定上述每个样本测试数据对应的至少一个交叉特征，以及每个上述交叉特征的特征值对应的第二特征值范围，然后根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值对应的第二特征值范围，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个第二初始权重。例如但不限于从第一初始映射表中查找到上述每个样本测试数据的至少一个交叉特征中每个特征各自对应的第二初始权重。上述第二初始映射表用于表征可解释模型包括的至少四个第二初始权重中每个第二初始权重与每个交叉特征以及上述每个交叉特征的特征值对应的第二特征值范围之间的对应关系。[0164]示例性地，若n＝3，上述样本测试数据对应的交叉特征1为“特征1＝2和特征2＝－10”，其对应的第二特征值范围为“特征1对应的第一特征值范围：大于0且小于或等于10，且特征2对应的第一特征值范围：大于－20且小于或等于－10”，交叉特征2可以为“特征1＝2和特征3＝0.1”，其对应的第二特征值范围为“特征1对应的第一特征值范围：大于0且小于或等于10，且特征3对应的第一特征值范围：大于0且小于或等于0.2”，交叉特征3可以为“特征2＝－10和特征3＝0.1”，其对应的第二特征值范围为“特征2对应的第一特征值范围：大于－20且小于或等于－10，且特征3对应的第一特征值范围：大于0且小于或等于0.2”，则可以根据上述交叉特征以及上述交叉特征对应的第二特征值范围从图8所示的另一种第二初始映射表中查找到上述样本测试数据的交叉特征1对应的第二初始权重－0.1、交叉特征2对应的第二初始权重0.8、交叉特征3对应的第二初始权重0.5。[0165]步骤604，计算每个样本测试数据的至少一个交叉特征对应的至少一个第二初始权重之和，得到每个样本测试数据对应的交叉预测结果。[0166]具体地，确定每个样本测试数据的至少一个交叉特征对应的至少一个第二初始权重之后，可以计算每个样本测试数据的至少一个交叉特征对应的至少一个第二初始权重之和，从而得到每个样本测试数据对应的交叉预测结果。[0167]步骤606，基于样本测试集中每个样本测试数据对应的第二预测结果以及样本测试集中每个样本测试数据对应的第一预测结果，对至少四个第二初始权重进行更新，得到至少四个第二目标权重，以得到更新后的可解释模型。[0168]具体地，上述可解释模型具体用于确定对预设模型产生第一预测结果影响最大的m个交叉特征。上述m为正整数。上述样本测试集中每个样本测试数据对应的第二预测结果为步骤604中得到的上述每个样本测试数据对应的交叉预测结果。[0169]具体地，可以根据样本测试集中每个样本测试数据对应的交叉预测结果与第一预测结果之间的差值，通过梯度下降的方式对上述可解释模型中的至少四个第二初始权重进行优化，得到至少四个第二目标权重，以得到更新后的可解释模型。上述更新后的可解释模型包括上述至少四个第二目标权重。上述第二目标权重用于表征上述每个交叉特征以及上述每个交叉特征的特征值对上述预设模型产生的第一预测结果的影响程度。[0170]可选地，可以根据样本测试集中每个样本测试数据对应的交叉预测结果与第一预测结果之间的差值，通过反向传播的方式对上述可解释模型中的至少四个第二初始权重进行优化，得到至少四个第二目标权重，以得到更新后的可解释模型以及第二目标映射表。[0171]可选地，上述第二目标映射表用于表征可解释模型包括的至少四个第二目标权重中每个第二目标权重与每个交叉特征以及上述每个交叉特征的特征值之间的对应关系。[0172]可选地，上述第二目标映射表用于表征可解释模型包括的至少四个第二目标权重中每个第二目标权重与每个交叉特征以及上述每个交叉特征的特征值对应的第二特征值范围之间的对应关系。[0173]本说明书实施例通过让可解释模型对样本测试集中每个样本测试数据的交叉特征进行学习，从而实现通过已学习(训练)好的可解释模型解释交叉特征对预设模型产生第一预测结果的影响，不仅局限在单特征的可解释性，可实现通过可解释模型确定对预设模型产生第一预测结果影响最大的m个交叉特征，上述m为正整数，即使可解释模型能够产出高维特征交叉的可解释性，进一步提高可解释模型对预设模型产生第一预测结果的解释性结果的准确率。[0174]请参考图9，其为本说明书一示例性实施例提供的另一种可解释模型训练方法的流程示意图。如图9所示，该可解释模型训练方法包括以下几个步骤：[0175]步骤902，获取样本测试集。[0176]具体地，步骤902与步骤202一致，此处不再赘述。[0177]步骤904，将样本测试集输入预设模型中，输出样本测试集中每个样本测试数据对应的第一预测结果。[0178]具体地，步骤904与步骤204一致，此处不再赘述。[0179]步骤906，根据每个样本测试数据对应的n个特征以及n个特征中每个特征的特征值，确定每个样本测试数据的n个特征各自对应的第一初始权重。[0180]具体地，步骤906与步骤302一致，此处不再赘述。[0181]步骤908，计算每个样本测试数据的n个特征各自对应的第一初始权重之和，得到每个样本测试数据对应的线性预测结果。[0182]具体地，步骤908与步骤304一致，此处不再赘述。[0183]步骤910，根据每个样本测试数据对应的至少一个交叉特征以及每个交叉特征的特征值，确定每个样本测试数据的至少一个交叉特征对应的至少一个第二初始权重。[0184]具体地，步骤910与步骤602一致，此处不再赘述。[0185]步骤912，计算每个样本测试数据的至少一个交叉特征对应的至少一个第二初始权重之和，得到每个样本测试数据对应的交叉预测结果。[0186]具体地，步骤912与步骤604一致，此处不再赘述。[0187]步骤914，根据每个样本测试数据对应的线性预测结果以及每个样本测试数据对应的交叉预测结果，确定每个样本测试数据对应的第二预测结果。[0188]具体地，可以计算每个样本测试数据对应的线性预测结果与每个样本测试数据对应的交叉预测结果之和，从而得到每个样本测试数据对应的第二预测结果。[0189]步骤916，基于样本测试集中每个样本测试数据对应的第二预测结果以及样本测试集中每个样本测试数据对应的第一预测结果，对多个第一初始权重以及至少四个第二初始权重进行更新，得到多个第一目标权重以及至少四个第二目标权重，以得到更新后的可解释模型。[0190]具体地，可以根据样本测试集中每个样本测试数据对应的第二预测结果以及样本测试集中每个样本测试数据对应的第一预测结果之间的差值的预设比例，分别对多个第一初始权重以及至少四个第二初始权重进行更新。上述预设比例可以为更新多个第一初始权重依据的差值：更新至少四个第二初始权重依据的差值＝3：2或10：1等，本说明书实施例对此不作限定。上述更新的过程与步骤306、以及步骤606一致，此处不再赘述。[0191]本说明书实施例通过让可解释模型对样本测试集中每个样本测试数据的个体维度特征以及交叉特征同时进行学习，从而实现通过已学习(训练)好的可解释模型解释个体维度特征以及交叉特征对预设模型产生第一预测结果的影响，可实现通过可解释模型确定对预设模型产生第一预测结果影响最大的m个目标特征，上述目标特征为上述每个样本测试数据的n个特征中的任意一个特征和/或上述交叉特征，既可以使可解释模型能够产出高维特征交叉的可解释性，又可以避免可解释性结果受到特征量纲的影响，实现特征个体差异化权重的生成以及在超大规模场景的个体可解释性，并进一步提高可解释模型的准确性。[0192]接下来介绍本说明书实施例提供的一种模型解释方法。具体请参考图10，其为本说明书一示例性实施例提供的一种模型解释方法的流程示意图。如图10所示，该模型解释方法包括以下几个步骤：[0193]步骤1002，获取待测数据。[0194]具体地，可以通过网络接收终端110发送的待测数据或接收用户输入的待测数据。上述待测数据对应n个特征。上述n为大于或等于2的正整数。上述待测数据可以为已知目标值的数据，也可以为未知目标值的数据，本说明书实施例对此不作限定。上述目标值用于表征样本测试数据对应的真实标签。上述目标值包括类别、答案、分数等，本说明书实施例对此不作限定。[0195]步骤1004，将待测数据输入预设模型中，输出待测数据对应的第一预测结果。[0196]具体地，可以将获取的待测数据输入预设模型中，从而得到上述待测数据对应的第一预测结果。上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，每个样本训练数据对应上述n个特征。可以理解为，上述预设模型由样本训练集中每个样本训练数据对应的上述n个特征训练得到。则待测数据对应的n个特征与每个样本训练数据对应的n个特征的类别应相同。上述预设模型包括分类模型、神经网络模型等需要由已知目标值的多个样本训练数据训练的模型(黑盒模型)。上述第一预测结果为上述待测数据的目标值(真实标签)对应的预测值(预测标签)。[0197]步骤1006，将待测数据对应的n个特征输入可解释模型中，输出待测数据经预设模型预测后的第一预测结果对应的解释结果。[0198]具体地，在获取到待测数据之后，可以直接将上述待测数据对应的n个特征输入到采用本说明书实施例所描述的可解释模型训练方法的部分或全部步骤训练得到的可解释模型中，从而输出上述待测数据经预设模型预测后的第一预测结果对应的解释结果。上述解释结果包括对上述待测数据经上述预设模型预测后的第一预测结果影响最大的k个目标特征。上述k为正整数。上述目标特征为上述n个特征中的一个或多个特征组成的集合，即上述目标特征为上述n个特征中的单个特征或上述n个特征对应的交叉特征。上述交叉特征为上述n个特征中的至少两个特征组成的集合。[0199]可选地，将待测数据对应的n个特征输入可解释模型之后，可以根据上述待测数据对应的n个特征的特征值从步骤306得到的第一目标映射表中查找到与上述待测数据的n个特征各自对应的第一目标权重，和/或根据上述待测数据的至少一个交叉特征中每个交叉特征的特征值从步骤606得到的第二目标映射表中查找到与上述待测数据的每个交叉特征对应的第二目标权重，然后将上述n个第一目标权重和/或至少一个第二目标权重从大到小进行排序，并从上述排序中选取前k个权重(第一目标权重和/或第二目标权重)对应的目标特征(特征和/或交叉特征)作为待测数据经预设模型预测后的第一预测结果对应的解释结果。[0200]本说明书实施例通过采用本说明书实施例所描述的可解释模型训练方法的部分或全部步骤训练得到的可解释模型，根据待测数据对应的n个特征，实现对待测数据经预设模型预测后的第一预测结果进行解释。一方面，不需要对已有预设模型进行重新训练，就可以直接对已有(已训练)预设模型产出第一预测结果产出个体维度特征解释性和/或高维特征交叉的可解释性，具备较高的灵活性以及准确率。另一方面，还可以避免可解释性结果受到特征量纲的影响，实现特征个体差异化权重的生成以及在超大规模场景的个体可解释性，且只需要在全局样本上进行一次训练直至收敛即可使用，避免了局部采样的过程，确保了解释结果的一致性(即对同一个待测数据，可解释模型得到的上述待测数据经预设模型预测后的第一预测结果对应的解释结果相同)。[0201]接下来介绍本说明书实施例提供的一种模型解释方法的实现过程示意图。具体请参考图11，其为本说明书一示例性实施例提供的一种模型解释方法的实现过程示意图。如图11所示，本说明书实施例可以通过一种模型无关的超大规模可解释性框架对预设模型进行解释。上述可解释性框架包括预设模型1120以及可解释模型1170。当解释待测数据的n个特征1110对上述待测数据经预设模型1120预测后产生的第一预测结果1130的影响程度时，可以先将上述n个特征1110进行键值序列化处理1140，即对上述n个特征1110中每个特征的特征值进行编码，然后再将上述n个特征1110中每个特征对应的编码1150输入采用本说明书实施例所描述的可解释模型训练方法的部分或全部步骤训练得到的可解释模型1160中，即将上述n个特征1110中每个特征对应的编码1150输入可解释模型1160的线性模型1161中，得到基于上述n个特征1110中单个特征产出的线性预测结果1163，和/或将上述n个特征1110中每个特征对应的编码1150输入可解释模型1160的线性模型1162中，得到基于上述n个特征1110对应的交叉特征产出的交叉预测结果1164，进而根据上述线性预测结果1163和/或交叉预测结果1164输出上述待测数据对应的第二预测结果1170，以及上述待测数据经预设模型1120预测后产生的第一预测结果1130对应的解释结果1180。上述第二预测结果1170与上述第一预测结果1130越接近，可解释模型1160产出的解释结果1180就越准确。上述解释结果1180包括对上述待测数据经上述预设模型1120预测后的第一预测结果1130影响最大的k个目标特征。上述目标特征为上述n个特征1110中的一个或多个特征组成的集合，即上述目标特征为上述n个特征中的单个特征或上述n个特征对应的交叉特征。上述交叉特征为上述n个特征1110中的至少两个特征组成的集合。[0202]请参考图12，图12为本说明书一示例性实施例提供的一种可解释模型训练装置。该可解释模型训练装置1200包括：[0203]获取模块1210，用于获取样本测试集；上述样本测试集包括多个样本测试数据，每个上述样本测试数据对应n个特征；上述n为大于或等于2的正整数；[0204]第一预测模块1220，用于将上述样本测试集输入预设模型中，输出上述样本测试集中每个样本测试数据对应的第一预测结果；上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，每个上述样本训练数据对应上述n个特征；[0205]训练模块1230，用于根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型；上述可解释模型用于解释上述预设模型产生上述第一预测结果的原因。[0206]在一种可能的实现方式中，上述训练模块1230包括：[0207]预测单元，用于将上述样本测试集中每个样本测试数据对应的n个特征输入可解释模型中，输出上述每个样本测试数据对应的第二预测结果；[0208]更新单元，用于基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新。[0209]在一种可能的实现方式中，上述可解释模型包括多个第一初始权重；每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应；上述每个样本测试数据对应的第二预测结果包括线性预测结果；[0210]上述预测单元包括：[0211]第一确定子单元，用于根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重；[0212]第一计算子单元，用于计算上述每个样本测试数据的上述n个特征各自对应的第一初始权重之和，得到上述每个样本测试数据对应的线性预测结果；[0213]其中，上述可解释模型具体用于确定上述n个特征中对上述预设模型产生第一预测结果影响最大的m个特征；上述m为小于或等于n的正整数。[0214]在一种可能的实现方式中，上述可解释模型包括至少四个第二初始权重；每个上述第二初始权重与每个交叉特征以及上述每个交叉特征的特征值对应；上述交叉特征为上述n个特征中的至少两个特征组成的集合；上述交叉特征的特征值为上述交叉特征包括的所有特征的特征值；上述每个样本测试数据对应的第二预测结果包括交叉预测结果；[0215]上述预测单元包括：[0216]第二确定子单元，用于根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重；[0217]第二计算子单元，用于计算上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重之和，得到上述每个样本测试数据对应的交叉预测结果；[0218]其中，上述可解释模型具体用于确定对上述预设模型产生第一预测结果影响最大的m个交叉特征；上述m为正整数。[0219]在一种可能的实现方式中，上述可解释模型还包括多个第一初始权重；每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应；上述每个样本测试数据对应的第二预测结果还包括线性预测结果；[0220]上述可解释模型训练装置1200还包括：[0221]第一确定模块，用于根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重；[0222]计算模块，用于计算上述每个样本测试数据的上述n个特征各自对应的第一初始权重之和，得到上述每个样本测试数据对应的线性预测结果；[0223]第二确定模块，用于根据上述每个样本测试数据对应的线性预测结果以及上述每个样本测试数据对应的交叉预测结果，确定上述每个样本测试数据对应的第二预测结果；[0224]其中，上述可解释模型具体用于确定对上述预设模型产生第一预测结果影响最大的m个目标特征；上述目标特征为上述n个特征中的任意一个特征和/或上述交叉特征。[0225]在一种可能的实现方式中，每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应的第一特征值范围对应；[0226]上述第一确定模块或第一确定子单元具体用于：[0227]确定上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围；[0228]根据上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重。[0229]在一种可能的实现方式中，每个上述第二初始权重与每个上述交叉特征以及上述每个交叉特征的特征值对应的第二特征值范围对应；上述第二特征值范围为上述交叉特征包括的所有特征的特征值各自对应的第一特征值范围组成的集合；[0230]上述第二确定子单元具体用于：[0231]确定上述每个样本测试数据对应的至少一个交叉特征，以及每个上述交叉特征的特征值对应的第二特征值范围；[0232]根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值对应的第二特征值范围，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重。[0233]在一种可能的实现方式中，上述更新单元具体用于：[0234]基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述多个第一初始权重进行更新，得到多个第一目标权重，以得到更新后的可解释模型；[0235]其中，上述更新后的可解释模型包括上述多个第一目标权重；上述第一目标权重用于表征上述n个特征中每个特征以及上述每个特征的特征值对上述预设模型预测产生的上述第一预测结果的影响程度。[0236]在一种可能的实现方式中，上述更新单元具体用于：[0237]基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述至少四个第二初始权重进行更新，得到至少四个第二目标权重，以得到更新后的可解释模型；[0238]其中，上述更新后的可解释模型包括上述至少四个第二目标权重；上述第二目标权重用于表征上述每个交叉特征以及上述每个交叉特征的特征值对上述预设模型产生的上述第一预测结果的影响程度。[0239]在一种可能的实现方式中，上述样本测试数据为已知目标值的样本数据；[0240]上述上述更新单元具体用于：[0241]基于上述每个样本测试数据对应的第二预测结果、上述每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应目标值按照预设规则对上述可解释模型进行更新。[0242]上述可解释模型训练装置中各模块的划分仅用于举例说明，在其他实施例中，可将可解释模型训练装置按照需要划分为不同的模块，以完成上述可解释模型训练装置的全部或部分功能。本说明书实施例中提供的可解释模型训练装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本说明书实施例中所描述的可解释模型训练方法的全部或部分步骤。[0243]请参考图13，图13为本说明书一示例性实施例提供的一种模型解释装置。该模型解释装置1300包括：[0244]获取模块1310，用于获取待测数据；上述待测数据对应n个特征；上述n为大于或等于2的正整数；[0245]第一预测模块1320，用于将上述待测数据输入预设模型中，输出上述待测数据对应的第一预测结果；上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，上述样本训练数据对应上述n个特征；[0246]解释模块1330，用于将上述待测数据对应的n个特征输入可解释模型中，输出上述待测数据经上述预设模型预测后的第一预测结果对应的解释结果；[0247]其中，上述可解释模型为采用本说明书实施例所描述的可解释模型训练方法的部分或全部步骤训练得到的模型；上述解释结果包括对上述待测数据经上述预设模型预测后的第一预测结果影响最大的k个目标特征；上述目标特征为上述n个特征中的一个或多个特征组成的集合。[0248]上述模型解释装置中各模块的划分仅用于举例说明，在其他实施例中，可将模型解释装置按照需要划分为不同的模块，以完成上述模型解释装置的全部或部分功能。本说明书实施例中提供的模型解释装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本说明书实施例中所描述的模型解释方法的全部或部分步骤。[0249]请参阅图14，图14为本说明书一示例性实施例提供的一种电子设备的结构示意图。如图14所示，该电子设备1400可以包括：至少一个处理器1410、至少一个网络接口1420、用户接口1430、存储器1440、至少一个通信总线1450。[0250]其中，通信总线1450可用于实现上述各个组件的连接通信。[0251]其中，用户接口1430可以包括显示屏(display)和摄像头(camera)，可选用户接口还可以包括标准的有线接口、无线接口。[0252]其中，网络接口1420可选的可以包括蓝牙模块、近场通信(nearfieldcommunication，nfc)模块、无线保真(wirelessfidelity，wi-fi)模块等。[0253]其中，处理器1410可以包括一个或者多个处理核心。处理器1410利用各种接口和线路连接整个电子设备1400内的各个部分，通过运行或执行存储在存储器1440内的指令、程序、代码集或指令集，以及调用存储在存储器1440内的数据，执行路由电子设备1400的各种功能和处理数据。可选的，处理器1410可以采用数字信号处理(digitalsignalprocessing，dsp)、现场可编程门阵列(field-programmablegatearray，fpga)、可编程逻辑阵列(programmablelogicarray，pla)中的至少一种硬件形式来实现。处理器1410可集成处理器(centralprocessingunit，cpu)、图像处理器(graphicsprocessingunit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1410中，单独通过一块芯片进行实现。[0254]其中，存储器1440可以包括随机存储器(randomaccessmemory，ram)，也可以包括只读存储器(read-onlymemory，rom)。可选的，该存储器1440包括非瞬时性计算机可读介质。存储器1450可用于存储指令、程序、代码、代码集或指令集。存储器1440可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如获取功能、训练功能、解释功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1440可选的还可以是至少一个位于远离前述处理器1410的存储装置。如图14所示，作为一种计算机存储介质的存储器1440中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。[0255]在一些可能的实施例中，电子设备1400可以是前述可解释模型训练装置，在图14所示的电子设备1400中，用户接口1430主要用于为用户提供输入的接口，例如可解释模型训练装置上的按键等，获取用户触发的指令；而处理器1410可以用于调用存储器1440中存储的程序指令，并具体执行以下操作：[0256]获取样本测试集；上述样本测试集包括多个样本测试数据，每个上述样本测试数据对应n个特征；上述n为大于或等于2的正整数。[0257]将上述样本测试集输入预设模型中，输出上述样本测试集中每个样本测试数据对应的第一预测结果；上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，每个上述样本训练数据对应上述n个特征。[0258]根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型；上述可解释模型用于解释上述预设模型产生上述第一预测结果的原因。[0259]在一些可能的实施例中，上述处理器1410根据上述样本测试集中每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应的n个特征，按照预设训练方式训练可解释模型时，具体用于执行：[0260]将上述样本测试集中每个样本测试数据对应的n个特征输入可解释模型中，输出上述每个样本测试数据对应的第二预测结果。[0261]基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新。[0262]在一些可能的实施例中，上述可解释模型包括多个第一初始权重；每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应；上述每个样本测试数据对应的第二预测结果包括线性预测结果；[0263]上述处理器1410将上述样本测试集中每个样本测试数据对应的n个特征输入可解释模型中，输出上述每个样本测试数据对应的第二预测结果时，具体用于执行：[0264]根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重。[0265]计算上述每个样本测试数据的上述n个特征各自对应的第一初始权重之和，得到上述每个样本测试数据对应的线性预测结果。[0266]其中，上述可解释模型具体用于确定上述n个特征中对上述预设模型产生第一预测结果影响最大的m个特征；上述m为小于或等于n的正整数。[0267]在一些可能的实施例中，上述可解释模型包括至少四个第二初始权重；每个上述第二初始权重与每个交叉特征以及上述每个交叉特征的特征值对应；上述交叉特征为上述n个特征中的至少两个特征组成的集合；上述交叉特征的特征值为上述交叉特征包括的所有特征的特征值；上述每个样本测试数据对应的第二预测结果包括交叉预测结果；[0268]上述处理器1410将上述样本测试集中每个样本测试数据对应的n个特征输入可解释模型中，输出上述每个样本测试数据对应的第二预测结果时，具体用于执行：[0269]根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重。[0270]计算上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重之和，得到上述每个样本测试数据对应的交叉预测结果。[0271]其中，上述可解释模型具体用于确定对上述预设模型产生第一预测结果影响最大的m个交叉特征；上述m为正整数。[0272]在一些可能的实施例中，上述可解释模型还包括多个第一初始权重；每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应；上述每个样本测试数据对应的第二预测结果还包括线性预测结果；[0273]上述处理器1410得到上述每个样本测试数据对应的交叉预测结果之后，还用于执行：[0274]根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重。[0275]计算上述每个样本测试数据的上述n个特征各自对应的第一初始权重之和，得到上述每个样本测试数据对应的线性预测结果。[0276]根据上述每个样本测试数据对应的线性预测结果以及上述每个样本测试数据对应的交叉预测结果，确定上述每个样本测试数据对应的第二预测结果。[0277]其中，上述可解释模型具体用于确定对上述预设模型产生第一预测结果影响最大的m个目标特征；上述目标特征为上述n个特征中的任意一个特征和/或上述交叉特征。[0278]在一些可能的实施例中，每个上述第一初始权重与上述n个特征中的每个特征以及上述每个特征的特征值对应的第一特征值范围对应；[0279]上述处理器1410根据上述每个样本测试数据对应的n个特征以及上述n个特征中每个特征对应的特征值，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重时，具体用于执行：[0280]确定上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围。[0281]根据上述每个样本测试数据的上述n个特征中每个特征的特征值对应的第一特征值范围，确定上述每个样本测试数据的上述n个特征各自对应的第一初始权重。[0282]在一些可能的实施例中，每个上述第二初始权重与每个上述交叉特征以及上述每个交叉特征的特征值对应的第二特征值范围对应；上述第二特征值范围为上述交叉特征包括的所有特征的特征值各自对应的第一特征值范围组成的集合；[0283]上述处理器1410根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重时，具体用于执行：[0284]确定上述每个样本测试数据对应的至少一个交叉特征，以及每个上述交叉特征的特征值对应的第二特征值范围。[0285]根据上述每个样本测试数据对应的至少一个交叉特征以及每个上述交叉特征的特征值对应的第二特征值范围，确定上述每个样本测试数据的上述至少一个交叉特征对应的至少一个上述第二初始权重。[0286]在一些可能的实施例中，上述处理器1410基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新时，具体用于执行：[0287]基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述多个第一初始权重进行更新，得到多个第一目标权重，以得到更新后的可解释模型。[0288]其中，上述更新后的可解释模型包括上述多个第一目标权重；上述第一目标权重用于表征上述n个特征中每个特征以及上述每个特征的特征值对上述预设模型预测产生的上述第一预测结果的影响程度。[0289]在一些可能的实施例中，上述处理器1410基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新时，具体用于执行：[0290]基于上述样本测试集中每个样本测试数据对应的第二预测结果以及上述样本测试集中每个样本测试数据对应的第一预测结果，对上述至少四个第二初始权重进行更新，得到至少四个第二目标权重，以得到更新后的可解释模型。[0291]其中，上述更新后的可解释模型包括上述至少四个第二目标权重；上述第二目标权重用于表征上述每个交叉特征以及上述每个交叉特征的特征值对上述预设模型产生的上述第一预测结果的影响程度。[0292]在一些可能的实施例中，上述样本测试数据为已知目标值的样本数据；[0293]上述处理器1410基于上述每个样本测试数据对应的第二预测结果以及上述每个样本测试数据对应的第一预测结果对上述可解释模型进行更新时，具体用于执行：[0294]基于上述每个样本测试数据对应的第二预测结果、上述每个样本测试数据对应的第一预测结果以及上述样本测试集中每个样本测试数据对应目标值按照预设规则对上述可解释模型进行更新。[0295]在一些可能的实施例中，电子设备1400可以是前述模型解释装置，上述处理器1410具体还执行：[0296]获取待测数据；上述待测数据对应n个特征；上述n为大于或等于2的正整数。[0297]将上述待测数据输入预设模型中，输出上述待测数据对应的第一预测结果；上述预设模型由样本训练集训练得到，上述样本训练集包括多个已知目标值的样本训练数据，上述样本训练数据对应上述n个特征。[0298]将上述待测数据对应的n个特征输入可解释模型中，输出上述待测数据经上述预设模型预测后的第一预测结果对应的解释结果。[0299]其中，上述可解释模型为采用本说明书实施例所描述的可解释模型训练方法的部分或全部步骤训练得到的模型；上述解释结果包括对上述待测数据经上述预设模型预测后的第一预测结果影响最大的k个目标特征；上述目标特征为上述n个特征中的一个或多个特征组成的集合。[0300]本说明书实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述实施例中的一个或多个步骤。上述可解释模型训练装置和上述模型解释装置的各组成模块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，可以存储在上述计算机可读取存储介质中。[0301]在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。上述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时，全部或部分地产生按照本说明书实施例上述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者通过上述计算机可读存储介质进行传输。上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字多功能光盘(digitalversatiledisc，dvd))、或者半导体介质(例如，固态硬盘(solidstatedisk，ssd))等。[0302]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下，本实施例和实施方案中的技术特征可以任意组合。[0303]以上所述的实施例仅仅是本说明书的优选实施例方式进行描述，并非对本说明书的范围进行限定，在不脱离本说明书的设计精神的前提下，本领域普通技术人员对本说明书的技术方案作出的各种变形及改进，均应落入权利要求书确定的保护范围内。[0304]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。当前第1页12当前第1页12