样本评估方法、装置、存储介质及电子装置与流程

1.本发明涉及金融风险评估领域，具体而言，涉及一种样本评估方法、装置、存储介质及电子装置。


背景技术：

2.随着获取用户的成本日益提高，各金融机构越来越重视存量客户经营，若能在被拒绝的用户中识别出风险较低的用户，将其捞回，便能够减少获客成本，提升整体收益。
3.目前，在被拒绝的用户中识别风险较低的用户有三类方法，分别为下探法、同生表现法和拒绝推断法，其中，拒绝推断法又包括展开法、重新加权法、打包法、迭代再分类法和两阶段法。采用下探法需要承担一定的坏账损失，导致成本较高，同生表现法又难以实现，且上述拒绝推断的方法均不能准确识别出拒绝样本中的优质用户。


技术实现要素：

4.本发明实施例提供了一种样本评估方法、装置、存储介质及电子装置，以至少解决相关技术无法精准识别拒绝样本中的优质用户的技术问题。
5.根据本发明其中一实施例，提供了一种样本评估方法，包括：
6.确定训练样本的第一任务标签和第二任务标签，其中，第一任务标签用于预测通过概率，第二任务标签用于预测守约概率；对训练样本进行特征筛选，得到第一特征和第二特征；通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；通过目标多任务模型对目标样本进行评估。
7.可选地，对训练样本进行特征筛选，得到第一特征和第二特征包括：根据第一算法，通过第一模型对训练样本进行特征筛选，得到第一特征其中，第一算法用于选择出贡献度高的特征，第一特征包括有贷后表现的样本和被拒绝的样本；根据第一算法，通过第二模型对训练样本进行特征筛选，得到第二特征，其中，第二特征包括有贷后表现的样本。
8.可选地，还包括：根据第一损失函数和第二损失函数优化初始多任务模型，得到目标多任务模型，其中，第一损失函数为第一模型的损失函数，第二损失函数为第二模型的损失函数。
9.可选地，根据第一损失函数和第二损失函数优化初始多任务模型，得到目标多任务模型包括：将第一损失函数的方差和第二损失函数的方差作为权重的不确定性加权，得到目标损失函数；采用目标损失函数优化初始多任务模型，得到目标多任务模型。
10.可选地，目标多任务模型为渐进式分层提取ple模型。
11.可选地，通过目标多任务模型对目标样本进行评估包括：将目标样本输入到目标多任务模型，得到第一概率和第二概率，其中，第一概率为目标样本的通过概率，第二概率为目标样本的守约概率；根据第一概率和第二概率对目标样本进行评估。
12.可选地，响应于获取到训练样本的资质信息，还包括：将目标样本输入到目标多任务模型，得到第三概率，其中，第三概率为目标样本的资质通过概率；根据第一概率、第二概
率和第三概率对目标样本进行评估。
13.根据本发明其中一实施例，还提供了一种样本评估装置，包括：
14.确定模块，确定模块用于确定训练样本的第一任务标签和第二任务标签，其中，第一任务标签用于预测通过概率，第二任务标签用于预测守约概率；筛选模块，筛选模块用于对训练样本进行特征筛选，得到第一特征和第二特征；训练模块，训练模块用于通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；评估模块，评估模块用于通过目标多任务模型对目标样本进行评估。
15.可选地，筛选模块还用于根据第一算法，通过第一模型对训练样本进行特征筛选，得到第一特征，其中，第一算法用于选择出贡献度高的特征，第一特征包括有贷后表现的样本和被拒绝的样本；根据第一算法，通过第二模型对训练样本进行特征筛选，得到第二特征，其中，第二特征包括有贷后表现的样本。
16.可选地，训练模块还用于根据第一损失函数和第二损失函数优化初始多任务模型，得到目标多任务模型，其中，第一损失函数为第一模型的损失函数，第二损失函数为第二模型的损失函数。
17.可选地，训练模块还用于将第一损失函数的方差和第二损失函数的方差作为权重的不确定性加权，得到目标损失函数；采用目标损失函数优化初始多任务模型，得到目标多任务模型。
18.可选地，目标多任务模型为渐进式分层提取ple模型。
19.可选地，评估模块还用于将目标样本输入到目标多任务模型，得到第一概率和第二概率，其中，第一概率为目标样本的通过概率，第二概率为目标样本的守约概率；根据第一概率和第二概率对目标样本进行评估。
20.可选地，响应于获取到训练样本的资质信息，评估模块还用于将目标样本输入到目标多任务模型，得到第三概率，其中，第三概率为目标样本的资质通过概率；根据第一概率、第二概率和第三概率对目标样本进行评估。
21.根据本发明其中一实施例，还提供了一种计算机可读存储介质，存储介质中存储有计算机程序，其中，计算机程序被设置为在计算机或处理器上运行时，执行上述任一项中的样本评估方法。
22.根据本发明其中一实施例，还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一项中的样本评估方法。
23.在本发明实施例中，通过确定训练样本的第一任务标签和第二任务标签，其中，第一任务标签用于预测通过概率，第二任务标签用于预测守约概率；对训练样本进行特征筛选，得到第一特征和第二特征；通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；通过目标多任务模型对目标样本进行评估。采用上述方法，考虑到预测通过概率与预测守约概率之间存在一定的关联性，将上述两个任务用多任务学习框架来建模，增加了建模的样本量，从而避免建模出现偏差的问题，同时也不需要人为修正“好人概率”，不会引入噪音，能够精准识别拒绝样本中的优质用户，提高整体收益，进而解决了相关技术无法精准识别拒绝样本中的优质用户的技术问题。
附图说明
24.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
25.图1是根据本发明其中一实施例的样本评估方法的流程图；
26.图2是根据本发明其中一实施例的信贷产品的期限示意图；
27.图3是根据本发明其中一实施例的多任务网络模型的结构图；
28.图4是根据本发明其中一实施例的多任务网络模型的结构图；
29.图5是根据本发明其中一实施例的样本评估装置的结构框图。
具体实施方式
30.为了便于理解，示例性地给出了部分与本发明实施例相关概念的说明以供参考。
31.如下所示：
32.有贷后表现的样本(known good bad，kgb)模型：利用放贷样本建模，以逾期程度定义y(1＝bad,0＝good)，用以预测逾期概率p
(bad)
，即“坏人概率”。
33.全量样本(accept reject，ar)模型：利用全量样本(拒绝样本+放贷样本)建模，以“是否放贷”定义y(1＝accept,0＝reject)，用以预测交易概率p
(accept)
，即通过概率。
34.有贷后表现的样本和假设已知好坏的拒绝样本(all good bad，agb)模型：利用放贷样本和推断的拒绝样本建模，以逾期程度定义y(1＝bad,0＝good)，用以预测逾期概率p
(bad)
，即“坏人概率”。
35.下探法：人为通过一部分被拒绝的用户，对其打标记并持续观察贷后表现。
36.同生表现法：利用其他金融机构的贷后表现数据或征信数据对被拒绝的用户进行标注，识别风险较低的用户。
37.展开法(augmentation)即通过构建kgb模型给拒绝样本打分，然后划分阈值(cutoff)给拒绝样本打好坏标签，并根据其构建agb模型。
38.重新加权法(reweighting)即用kgb模型给全量样本打分后进行分箱，统计每箱总样本数量与放贷样本数量比重，从而调整对应箱中放贷样本的权重，通过引入样本权重重新构建kgb模型。
39.打包法(parcelling)和展开法类似，即通过kgb模型给拒绝样本打标签，然后将其加入到被标记的拒绝样本中，构建agb模型，不同之处在于打包法给拒绝样本打标签是将放贷样本和拒绝样本按照相同边界分组，在保证相同分箱且使拒绝样本得好坏比和放贷样本的好坏比的比值为固定值(经验值)的条件下，随机给每箱的拒绝样本打标签。
40.迭代再分类法(iterative reclassification)即为展开法的多次迭代，通过展开法构建agb模型对拒绝样本打分，根据得到的“坏人概率”(p
(bad)
)对拒绝样本进行重新打标签，再构建agb模型训练，直到设定的参数收敛。
41.两阶段法(two-stage)即考虑到了在信贷业务流程中放贷决策这一步，在建模过程中加入了放款预测，分别构建ar模型和kgb模型对全量样本打分，通过观察不同通过概率(p
(accept)
)分段下放贷样本和拒绝样本平均“好人概率”p
(good)
的分布差异，基于业务经验人为的修正部分拒绝样本的p
(good)
，再利用打包法构建agb模型。
42.目前，采用下探法需要承担一定的坏账损失，采用同生表现法需要获取其他金融
network processing unit，npu)、张量处理器(tensor processing unit，tpu)、人工智能(artificial intelligent，ai)类型处理器等的处理装置。其中，不同的处理单元可以是独立的部件，也可以集成在一个或多个处理器中。在一些实例中，电子装置也可以包括一个或多个处理器。
50.存储器可用于存储计算机程序，例如存储本发明实施例中的样本评估方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而实现上述的样本评估方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
51.通信设备用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，通信设备包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，通信设备可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
52.显示设备可以例如触摸屏式的液晶显示器(liquid crystal display，lcd)和触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。该液晶显示器可使得用户能够与移动终端的用户界面进行交互。在一些实施例中，上述移动终端具有图形用户界面(graphical user interface，gui)，用户可以通过触摸触敏表面上的手指接触和/或手势来与gui进行人机交互，此处的人机交互功能可选的包括如下交互：创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通信、收发电子邮件、通话界面、播放数字视频、播放数字音乐和/或网络浏览等、用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。
53.在本实施例中提供了一种运行于电子装置的样本评估方法，图1是根据本发明其中一实施例的样本评估方法的流程图，如图1所示，该流程包括如下步骤：
54.步骤s101、确定训练样本的第一任务标签和第二任务标签。
55.其中，第一任务标签用于预测通过概率，可以理解为预测信贷申请用户是否通过贷款申请，即预测是否放贷。第二任务标签用于预测守约概率，可以理解为信贷申请用户通过贷款申请，金融机构对该信贷申请用户放贷后，预测该信贷申请用户是否按时还款，即预测还款能力。
56.可以看出，本发明实施例包括两个任务，第一任务为放贷预测，对应第一任务标签y1，第一任务标签y1可以以“是否放贷”进行定义，y1＝1表示进行交易，即进行放贷，y1＝0表示拒绝交易，即不进行放贷。第二任务为还款能力预测，对应第二任务标签y2，由于还款能力与信贷申请用户的收入相关，因此第二任务标签y2可以以“收入”进行定义，y2＝1表示还款能力弱，即不能够按时还款，y2＝0表示还款能力正常，即能够按时还款。
57.由于信贷申请用户的收入信息较难收集，因此可以通过用户的贷后表现来定义还款能力从而预测用户的收入水平。第二任务标签y2的定义可以参考图2，图2是根据本发明其中一实施例的信贷产品的期限示意图，以该信贷产品为12期还款的信贷产品为例，12期的总时间长度为t4，其中，t1为该信贷产品第1期-第3期的时间，t2为该信贷产品第1期-第6
期的时间，t3为该信贷产品第6期-第12期的时间。
58.通常，对于有正常借贷需求但收入低或收入不稳定的用户，这类用户的还款行为通常是在前几期能够按时还款，例如在t2时间段内能够按时还款，但随时间推移会开始出现较严重的逾期行为，例如在t3时间段内会出现逾期行为。而对于还款能力正常或收入较高的用户来说，这类用户在整个时间段都能够正常还款，即在t4时间段(t2时间段和t3时间段)都能够正常还款。因此，在t1时间段就逾期的用户很可能属于欺诈用户，欺诈用户不能看作为还款能力弱的用户，因此在进行建模时应该避免使用在t1时间段就逾期的样本。
59.在选取建模样本时，可以选择在t2时间段内能够正常还款的用户作为训练样本，即选择第1期-第6期都能按时还款的用户作为训练样本，从而通过预测用户在t3时间段内的逾期概率来确定用户的收入水平。y2＝0表示还款能力正常，为正常还款用户，可以理解为该用户完全没有逾期行为或者仅发生轻微逾期，例如仅逾期1天-3天，y2＝1则表示该用户在t2时间段内能够正常还款，但在t3时间段内发生过较严重逾期，例如逾期15天或30以上。
60.步骤s102、对训练样本进行特征筛选，得到第一特征和第二特征。
61.通过对训练样本进行特征筛选，筛选出适用于模型训练的第一特征和第二特征。其中，第一特征用于训练第一模型，第一特征包括有贷后表现的样本和被拒绝的样本，即全量样本，第二特征用于训练第二模型，第二特征包括有贷后表现的样本。
62.步骤s103、通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型。
63.其中，初始多任务模型为多任务网络模型，通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，能够得到目标多任务模型。该目标多任务模型能够同时执行第一任务和第二任务，即目标多任务模型为多任务网络模型，能够同时预测通过概率和守约概率。
64.步骤s104、通过目标多任务模型对目标样本进行评估。
65.目标样本例如可以为拒绝样本，将拒绝样本输入到目标多任务模型中，通过目标多任务模型对拒绝样本进行评估，能够得到拒绝样本的通过概率和守约概率，从而能够精准识别出拒绝样本中的优质用户。
66.通过上述步骤，通过确定训练样本的第一任务标签和第二任务标签，其中，第一任务标签用于预测通过概率，第二任务标签用于预测守约概率；对训练样本进行特征筛选，得到第一特征和第二特征；通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；通过目标多任务模型对目标样本进行评估。采用上述方法，考虑到预测通过概率与预测守约概率之间存在一定的关联性，将上述两个任务用多任务学习框架来建模，增加了建模的样本量，从而避免建模出现偏差的问题，同时也不需要人为修正“好人概率”，不会引入噪音，能够精准识别拒绝样本中的优质用户，提高整体收益，进而解决了相关技术无法精准识别拒绝样本中的优质用户的技术问题。
67.可选地，在步骤s102中，对训练样本进行特征筛选，得到第一特征和第二特征可以包括以下执行步骤：
68.步骤s102a、根据第一算法，通过第一模型对训练样本进行特征筛选，得到第一特征。
layered extraction，ple)模型，将共享层分为多个专家(expert)，设置门限值(gate)，使不同的任务可以多样化的使用共享层。如图3所示，图3是根据本发明其中一实施例的多任务网络模型的结构图，将样本特征输入到共享层，共享层会对两个任务共有的特征进行处理，之后再通过专家层分别针对两个任务进行处理，得到两个任务的结果并输出，即本发明实施例的目标多任务模型能同时输出样本的通过概率和守约概率，从而能够更精确的识别拒绝样本中的优质用户。
83.可选地，在步骤s104中，通过目标多任务模型对目标样本进行评估可以包括以下执行步骤：
84.步骤s104a、将目标样本输入到目标多任务模型，得到第一概率和第二概率。
85.步骤s104b、根据第一概率和第二概率对目标样本进行评估。
86.其中，第一概率为目标样本的通过概率，第二概率为目标样本的守约概率。
87.目标样本可以为拒绝样本，通过将拒绝样本输入到目标多任务模型中，目标多任务模型能够输出拒绝样本的通过概率和守约概率，根据拒绝样本的通过概率和守约概率对拒绝样本进行评估，能够更精确的识别拒绝样本中的优质用户。
88.可选地，响应于获取到训练样本的资质信息，该流程还包括如下步骤：
89.步骤s106、将目标样本输入到目标多任务模型，得到第三概率。
90.步骤s107、根据第一概率、第二概率和第三概率对目标样本进行评估。
91.其中，第三概率为目标样本的资质通过概率。
92.上述还款能力预测任务是在无法收集到与用户“收入”相关的数据的情况下，通过用户的还款行为来给用户的还款能力打标签，但最终目的是为了衡量用户的资质。因此在能够获取到与用户“收入”相关的数据或其他可用于衡量用户资质的数据(如学历、用户分层等)的情况下，也可增加第三任务进行多任务学习，第三任务为用户资历预测，可以通过用户的学历或收入来直接定义第三任务标签y3，具体定义方法本发明实施例不予限制。
93.增加了第三任务之后，目标多任务模型可以如图4所示，通过将目标样本输入到图4所示的多任务网络模型，能够得到三个任务的结果，即能够得到目标样本的通过概率、守约概率和资质通过概率，根据目标样本的通过概率、守约概率和资质通过概率对目标样本进行评估，能够进一步提高识别优质客户的准确性。
94.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
95.在本实施例中还提供了一种样本评估装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
96.图5是根据本发明其中一实施例的样本评估装置的结构框图，如图5所示，以样本评估装置500进行示例，该装置包括：确定模块501，确定模块501用于确定训练样本的第一
任务标签和第二任务标签，其中，第一任务标签用于预测通过概率，第二任务标签用于预测守约概率；筛选模块502，筛选模块502用于对训练样本进行特征筛选，得到第一特征和第二特征；训练模块503，训练模块503用于通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；评估模块504，评估模块504用于通过目标多任务模型对目标样本进行评估。
97.可选地，筛选模块502还用于根据第一算法，通过第一模型对训练样本进行特征筛选，得到第一特征，其中，第一算法用于选择出贡献度高的特征，第一特征包括有贷后表现的样本和被拒绝的样本；根据第一算法，通过第二模型对训练样本进行特征筛选，得到第二特征，其中，第二特征包括有贷后表现的样本。
98.可选地，训练模块503还用于根据第一损失函数和第二损失函数优化初始多任务模型，得到目标多任务模型，其中，第一损失函数为第一模型的损失函数，第二损失函数为第二模型的损失函数。
99.可选地，训练模块503还用于将第一损失函数的方差和第二损失函数的方差作为权重的不确定性加权，得到目标损失函数；采用目标损失函数优化初始多任务模型，得到目标多任务模型
100.可选地，目标多任务模型为渐进式分层提取ple模型。
101.可选地，评估模块504还用于将目标样本输入到目标多任务模型，得到第一概率和第二概率，其中，第一概率为目标样本的通过概率，第二概率为目标样本的守约概率；根据第一概率和第二概率对目标样本进行评估。
102.可选地，响应于获取到训练样本的资质信息，评估模块504还用于将目标样本输入到目标多任务模型，得到第三概率，其中，第三概率为目标样本的资质通过概率；根据第一概率、第二概率和第三概率对目标样本进行评估。
103.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
104.本发明的实施例还提供了一种计算机可读存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为在计算机或处理器上运行时，执行上述任一项方法实施例中的步骤。
105.可选地，在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序：
106.步骤s1、确定训练样本的第一任务标签和第二任务标签；
107.步骤s2、对训练样本进行特征筛选，得到第一特征和第二特征；
108.步骤s3、通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；
109.步骤s4、通过目标多任务模型对目标样本进行评估。
110.可选地，在本实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
111.本发明的实施例还提供了一种电子装置，包括存储器和处理器，存储器中存储有
计算机程序，处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
112.可选地，在本实施例中，上述电子装置中的处理器可以被设置为运行计算机程序以执行以下步骤：
113.步骤s1、确定训练样本的第一任务标签和第二任务标签；
114.步骤s2、对训练样本进行特征筛选，得到第一特征和第二特征；
115.步骤s3、通过第一任务标签、第二任务标签、第一特征和第二特征训练初始多任务模型，得到目标多任务模型；
116.步骤s4、通过目标多任务模型对目标样本进行评估。
117.可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
118.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
119.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
120.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
121.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。
122.另外，在本发明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。
123.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，本发明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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
124.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。