客户流失预测方法及装置、存储介质及电子设备与流程

1.本发明涉及计算机处理技术领域，特别涉及一种客户流失预测方法及装置、存储介质及电子设备。


背景技术：

2.随着商业银行的不断增多，客户面临着更多更广泛的选择，使得客户粘度不高，因此客户流失现象严重，而留住客户比获得新客户更有利，因此充分利用客户信息，进行客户流失预测，对商业银行的发展非常重要。
3.目前使用单一的算法对客户流失进行预测，单一的算法的准确率不高，导致预测的结果不准确。


技术实现要素：

4.有鉴于此，本发明提供一种客户流失预测方法及装置、存储介质及电子设备，本发明使用stacking集成算法构建的基学习器和使用logistic回归算法构建的次级学习器构建预测模型，预测模型使用多种算法进行预测，从而可以提高预测的结果的准确性。
5.为实现上述目的，本发明实施例提供如下技术方案：
6.一种客户流失预测方法，包括：
7.采集样本数据集，所述样本数据集中包含多个样本数据；
8.对所述样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据；
9.使用预设的pca算法对各个所述标准样本数据进行处理，提取各个特征数据；
10.使用各个所述特征数据对初始的预测模型进行训练，得到训练完成的预测模型，所述预测模型中包含使用stacking集成算法构建的基学习器和使用logistic回归算法构建的次级学习器；
11.将待预测客户数据输入训练完成的预测模型中，使得该预测模型调用基学习器和次级学习器对所述待预测客户数据进行处理，输出客户流失预测结果。
12.上述的方法，可选的，所述对所述样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据，包括：
13.对所述样本数据集中的各个样本数据进行缺失值处理，得到各个第一处理数据；
14.使用预设的one-hot编码对各个所述第一处理数据进行处理，得到各个第二处理数据；
15.对各个所述第二处理数据进行归一化处理，得到各个第三处理数据；
16.使用预设的smote算法对各个所述第三处理数据进行处理，得到各个标准样本数据。
17.上述的方法，可选的，所述对所述样本数据集中的各个样本数据进行缺失值处理，得到各个第一处理数据，包括：
18.统计所述样本数据集中存在缺失值的样本数据的数目，并判断所述存在缺失值的
样本数据的数目是否小于预设数值；
19.当所述存在缺失值的样本数据的数目小于所述预设数值时，将各个存在缺失值的样本数据从所述样本数据集中删除，并将所述样本数据集中剩余的各个样本数据均确定为第一处理数据；
20.当所述存在缺失值的样本数据的数目不小于所述预设数值时，将各个所述存在缺失值的样本数据均确定为第一类数据，将所述样本数据集中的剩余的各个样本数均确定为第二类数据；
21.对各个所述第一类数据进行插补处理，得到各个第三类数据；
22.将各个所述第三类数据和各个所述第二类数据均确定为第一处理数据。
23.上述的方法，可选的，还包括：
24.基于所述客户流失预测结果，确定客户流失占比；
25.判断所述客户流失占比是否大于预设占比；
26.当所述客户流失占比大于所述预设占比时，将所述客户流失预测结果向预设的工作人员反馈；
27.当所述客户流失占比不大于所述预设占比时，将所述客户流失预测结果保存至预设的预测结果数据库。
28.一种客户流失预测装置，包括：
29.采集单元，用于采集样本数据集，所述样本数据集中包含多个样本数据；
30.处理单元，用于对所述样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据；
31.提取单元，用于使用预设的pca算法对各个所述标准样本数据进行处理，提取各个特征数据；
32.训练单元，用于使用各个所述特征数据对初始的预测模型进行训练，得到训练完成的预测模型，所述预测模型中包含使用stacking算法构建的基学习器和使用logistic回归算法构建的次级学习器；
33.输出单元，用于将待预测客户数据输入训练完成的预测模型中，使得该预测模型调用基学习器和次级学习器对所述待预测客户数据进行处理，输出客户流失预测结果。
34.上述的装置，可选的，所述处理单元，包括：
35.第一处理子单元，用于对所述样本数据集中的各个样本数据进行缺失值处理，得到各个第一处理数据；
36.第二处理子单元，用于使用预设的one-hot编码对各个所述第一处理数据进行处理，得到各个第二处理数据；
37.第三处理子单元，用于对各个所述第二处理数据进行归一化处理，得到各个第三处理数据；
38.第四处理子单元，用于使用预设的smote算法对各个所述第三处理数据进行处理，得到各个标准样本数据。
39.上述的装置，可选的，所述第一处理子单元，包括：
40.统计模块，用于统计所述样本数据集中存在缺失值的样本数据的数目，并判断所述存在缺失值的样本数据的数目是否小于预设数值；
41.删除模块，用于当所述存在缺失值的样本数据的数目小于所述预设数值时，将各个存在缺失值的样本数据从所述样本数据集中删除，并将所述样本数据集中剩余的各个样本数据均确定为第一处理数据；
42.第一确定模块，用于当所述存在缺失值的样本数据的数目不小于所述预设数值时，将各个所述存在缺失值的样本数据均确定为第一类数据，将所述样本数据集中的剩余的各个样本数均确定为第二类数据；
43.插补处理模块，用于对各个所述第一类数据进行插补处理，得到各个第三类数据；
44.第二确定模块，用于将各个所述第三类数据和各个所述第二类数据均确定为第一处理数据。
45.上述的装置，可选的，还包括：
46.确定单元，用于基于所述客户流失预测结果，确定客户流失占比；
47.判断单元，用于判断所述客户流失占比是否大于预设占比；
48.反馈单元，用于当所述客户流失占比大于所述预设占比时，将所述客户流失预测结果向预设的工作人员反馈；
49.保存单元，用于当所述客户流失占比不大于所述预设占比时，将所述客户流失预测结果保存至预设的预测结果数据库。
50.一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上所述的客户流失预测方法。
51.一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上所述的客户流失预测方法。
52.与现有技术相比，本发明具有以下优点：
53.本发明提供一种客户流失预测方法及装置、存储介质及电子设备，包括：对采集的样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据；使用pca算法对各个标准样本数据进行处理，提取各个特征数据；使用各个特征数据对初始的预测模型进行训练，得到训练完成的预测模型，预测模型中包含使用stacking集成算法构建的基学习器和使用logistic回归算法构建的次级学习器；将待预测客户数据输入训练完成的预测模型中，使得该预测模型调用基学习器和次级学习器对待预测客户数据进行处理，输出客户流失预测结果。本发明使用stacking集成算法构建预测模型，stacking集成算法可以集成多种预测的算法，由此可以使用多种预测的算法对客户流失进行预测，减少预测的误差，进而提高预测的结果的准确率。
附图说明
54.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。
55.图1为本发明实施例提供的一种客户流失预测方法的方法流程图；
56.图2为本发明实施例提供的对样本数据集中的各个样本数据进行标准化处理，得
到各个标准样本数据的方法流程图；
57.图3为本发明实施例提供的一种对所述样本数据集中的各个样本数据进行缺失值处理，得到各个第一处理数据的方法流程图；
58.图4为本发明实施例提供的一种客户流失预测结果的处理方法流程图；
59.图5为本发明实施例提供的一种客户流失预测装置的结构示意图；
60.图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
61.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。
62.在本技术中，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
63.本发明可用于众多通用或专用的计算装置环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。本发明可以应用于处理系统中，例如银行的处理系统，银行使用本发明提供的方案可以有效的预测出即将流失的客户，进而可以针对这部分的客户指定对应的策略，增加这部分客户的粘度，减少客户的流失，从而减少银行的损失。
64.参照图1，为本发明实施例提供的一种客户流失预测方法的方法流程图，具体说明如下所述：
65.s101、采集样本数据集，样本数据集中包含多个样本数据。
66.在采集样本数据集时，可以在银行的历史数据中采集各个客户数据，优选的，并将采集到的各个客户数据作为样本数据。
67.需要说明的是，采集到的各个客户数据中包含已流失的客户的数据和未流失的客户的数据，可以对采集的各个客户数据进行打标签操作，将已流失的客户的数据打上已流失的标签，将未流失的客户的数据打上未流失的标签。
68.优选的，客户数据中包含客户在银行中的消费流水、金融产品信息以及贷款记录等。
69.s102、对样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据。
70.采集的样本数据中包含了许多不规范的样本数据，为了提高后续对数据的处理速率，需要对样本数据进行标准化处理，以便得到标准样本数据，优选的，可以使用smote算法对样本数据进行处理，使得各类别的样本在占比上相同避免客户是否流失两种类型在数据集中分布不均匀的情况，避免不平衡数据对预测结果的影响。
71.标准样本数据的数据格式满足后续处理数据时对数据的格式的要求。
72.通过将样本数据进行标准化处理，有效的将对训练模型有影响的数据去除，进而
提高训练模型的准确性。
73.s103、使用预设的pca算法对各个标准样本数据进行处理，提取各个特征数据。
74.本发明中的pca算法为主成分分析(principal component analysis)算法，使用pca算法从各个标准样本数据中提取出各个特征数据，优选的，特征数据包括但不限于客户流失原因、客户投诉信息、客户不满意的服务等。
75.s104、使用各个特征数据对初始的预测模型进行训练，得到训练完成的预测模型，预测模型中包含使用stacking集成算法构建的基学习器和使用logistic回归算法构建的次级学习器。
76.基学习器使用stacking集成算法构建，使用stacking集成算法调用库sklearn.ensemble，选择random forest算法，gbdt算法，extra tree算法构建基学习器。
77.利用stacking集成算法进行模型训练，在预测客户是否会流失上相对于其他单一分类算法可以提升准确率，从而为商业银行留住客户做好准备，尽可能减少商业银行的损失。
78.s105、将待预测客户数据输入训练完成的预测模型中，使得该预测模型调用基学习器和次级学习器对待预测客户数据进行处理，输出客户流失预测结果。
79.待预测客户数据中包含多个需要预测的客户的数据，每个客户的数据中包含客户的历史流水、业务办理信息、对办理的业务的评价等。
80.客户流失预测结果中包含至少一个预测为即将流失的客户。
81.本发明实施例提供的方法中，对采集的样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据；使用pca算法对各个标准样本数据进行处理，提取各个特征数据；使用各个特征数据对初始的预测模型进行训练，得到训练完成的预测模型，预测模型中包含使用stacking集成算法构建的基学习器和使用logistic回归算法构建的次级学习器；将待预测客户数据输入训练完成的预测模型中，使得该预测模型调用基学习器和次级学习器对待预测客户数据进行处理，输出客户流失预测结果。本发明使用stacking集成算法构建预测模型，stacking集成算法可以集成多种预测的算法，由此可以使用多种预测的算法对客户流失进行预测，减少预测的误差，进而提高预测的结果的准确率。
82.参照图2，为本发明实施例提供的对样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据的方法流程图，具体说明如下所述：
83.s201、对样本数据集中的各个样本数据进行缺失值处理，得到各个第一处理数据。
84.本发明实施例提供的方法中，样本数据集中可能存在有缺失值的样本数据，为了保证后续数据处理的完整性和减少数据误差，需要对数据进行缺失值处理，由此可避免使用存在缺失值的数据，提高数据的精度。
85.s202、使用预设的one-hot编码对各个第一处理数据进行处理，得到各个第二处理数据。
86.为避免样本数据集中出现无法区分大小的数据的情况，需要使用one-hot编码对各个第一处理数据进行处理，示例性的，使用one-hot编码对无法区分大小的第一处理数据进行处理，通过将取值为非数值型的数据进行读热编码，把非数值类型的数据变为0和1，从而可以得到第二处理数据，此举可增加样本的特征变量，有利于数据归一化和模型的建立。
87.优选的，将不需要使用one-hot编码处理的第一处理数据均确定为第二处理数据。
88.s203、对各个第二处理数据进行归一化处理，得到各个第三处理数据。
89.使用min-max方法对各个第二处理数据进行归一化处理，从而得到各个第三处理数据，第三处理数据为归一化数据，通过将数据进行归一化处理，可以提高预测模型中的算法的计算精度。
90.s204、使用预设的smote算法对各个第三处理数据进行处理，得到各个标准样本数据。
91.为了使每类样本数据所占的比例达到平衡，使用smote算法对各个第三处理数据进行处理，将类别占比较少的样本的数据合成新样本数据，使得每种样本的数据所占比例达到平衡，此举可以减少训练预测模型时的数据误差，进而提高预测模型的输出的预测结果的精度。
92.本发明实施例提供的方法中，通过对样本数据集进行缺失值处理、使用one-hot编码对数据进行处理、对数据进行归一化处理以及使用smote算法对数据进行处理，极大的消除因数据不精确、不平衡对预测模型的影响，从而提高预测模型的预测精度。
93.参照图3，为本发明实施例提供的一种对所述样本数据集中的各个样本数据进行缺失值处理，得到各个第一处理数据的方法流程图，具体说明如下所述：
94.s301、统计样本数据集中存在缺失值的样本数据的数目。
95.存在缺失值的样本数据可以理解为缺失值样本数据，存在缺失值的样本数据的内容是不完整的。
96.s302、判断存在缺失值的样本数据的数目是否小于预设数值；当存在缺失值的样本数据的数目小于所述预设数值时，执行s303；当存在缺失值的样本数据的数目不小于预设数值时，执行s304。
97.需要说明的是，预设数值可以根据实际需求进行设置。
98.将统计出来的数目和预设数值进行对比，进而可以判断存在缺失值的样本数据的数目是否小于预设数值。
99.s303、将各个存在缺失值的样本数据从样本数据集中删除，并将样本数据集中剩余的各个样本数据均确定为第一处理数据。
100.当存在缺失值的样本数据的数目小于预设数值时，可以直接将各个存在缺失值的样本数据从样本数据集中删除，并将样本数据集中剩余的各个样本数据均确定为第一处理数据，由此，可以快速的得到第一处理数据，当存在缺失值的样本数据的数目小于预设数值时，可以确定存在缺失值的样本数据的占比较小，直接删除对后续的流程影响不大，可直接删除，提高整个预测的效率。
101.s304、将各个存在缺失值的样本数据均确定为第一类数据，将样本数据集中的剩余的各个样本数均确定为第二类数据。
102.需要说明的是，将样本数据集中不存在缺失值的样本数据均确定为第二类数据。
103.s305、对各个第一类数据进行插补处理，得到各个第三类数据。
104.对于第一类数据进行插补处理时，对第一类数据中未缺失值的数据内容进行分析，可采用建立模型预测缺失值、采用k近邻法以及用均值、中位数、众数等进行插补进行处理，从而得到第三类数据，优选的，第三类数据是完成插补后的第一类数据。
105.s306、将各个第三类数据和各个第二类数据均确定为第一处理数据。
106.在存在缺失值的样本数据的数目较少时，直接删除这类样本数据对训练预测模型的影响极其微小，因此，可以将这类样本数据删除；当存在缺失值的样本数据的数目较少时，需要对这类样本数据进行插补处理，以减少这类样本数据因存在缺失值对训练预测模型的影响，有效提高预测模型的预测结果的准确性；优选的，当存在缺失值的样本数据的数目较少时，也可以对这些样本数据进行插补处理。
107.参照图4，为本发明实施例提供的一种客户流失预测结果的处理方法流程图，具体说明如下所述：
108.s401、基于客户流失预测结果，确定客户流失占比。
109.统计客户流失预测结果中的客户流失量，以及确定待预测客户数据中的客户总数量，将客户流失量与客户总数量相比，得到客户流失占比。
110.s402、判断客户流失占比是否大于预设占比；当客户流失占比大于预设占比时，执行s403；当客户流失占比不大于预设占比时，执行s404。
111.s403、将客户流失预测结果向预设的工作人员反馈。
112.s404、将客户流失预测结果保存至预设的预测结果数据库。
113.需要说明的是，预设占比可以根据实际需求进行设置，当客户流失占比小于预设占比时，表示预测的客户流失量是处于可控范围的，该客户流失量的风险是处于预设范围内的，是正常的，此时可直接将客户流失预测结果保存至预测结果数据库中，以便后续进行溯源。当客户流失占比不小于预设占比时，表示预测的客户流失量已经超出可控范围，此时的风险较大，是异常的，需要及时向工作人员反馈，此时相当于向工作人员预警，以便于工作人员及时制定对应的营销策略，增加客户的粘度，减少客户的流失量，优选的，当客户流失占比不小于预设占比时，也可将客户流失预测结果保存至预测结果数据库，便于后续工作人员调用分析。
114.在得到客户流失预测结果后，判断客户流失预测结果中的客户流失量的占比是否小于预设占比，当不小于预设占比时，可及时的向工作人员反馈，使得工作人员可以及时的制定对应的营销策略，减少客户流失，当小于预设占比时，可直接保存至预测结果数据库，可以减少不必要的预警，减少工作人员的工作量。
115.需要说明的是，本发明提供的方法在实际实现时，使用以下三个模块即可实现，具体如：
116.数据预处理模块：针对客户是否流失两种类别在数据集中存在分布不均匀的情况，采用smote方法进行处理，可使得各类别的样本在占比上相同，可避免不平衡数据对预测结果的影响；
117.特征选择模块：利用pca算法进行特征选择；
118.客户预测建模模块：使用stacking算法，确定基学习器与次级学习器，对处理好的数据进行训练建模，以使用训练完成的预测模型进行预测。
119.需要说明的是，与目前使用单一算法构建的预测模型相比，本发明使用多种算法构建预测模型，使用多种算法对数据进行处理，对客户流失情况进行预测，有效减少数据误差，提高预测结果的准确率。
120.与图1所示的方法相对应的，本发明还提供一种客户流失预测装置，用于支持图1所示的方法在实际中的应用，该装置可以设置于银行的处理系统中。
121.参照图5，为本发明实施例提供的一种客户流失预测装置的结构示意图，具体说明如下所述：
122.采集单元501，用于采集样本数据集，所述样本数据集中包含多个样本数据；
123.处理单元502，用于对所述样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据；
124.提取单元503，用于使用预设的pca算法对各个所述标准样本数据进行处理，提取各个特征数据；
125.训练单元504，用于使用各个所述特征数据对初始的预测模型进行训练，得到训练完成的预测模型，所述预测模型中包含使用stacking算法构建的基学习器和使用logistic回归算法构建的次级学习器；
126.输出单元505，用于将待预测客户数据输入训练完成的预测模型中，使得该预测模型调用基学习器和次级学习器对所述待预测客户数据进行处理，输出客户流失预测结果。
127.本发明实施例提供的装置中，对采集的样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据；使用pca算法对各个标准样本数据进行处理，提取各个特征数据；使用各个特征数据对初始的预测模型进行训练，得到训练完成的预测模型，预测模型中包含使用stacking集成算法构建的基学习器和使用logistic回归算法构建的次级学习器；将待预测客户数据输入训练完成的预测模型中，使得该预测模型调用基学习器和次级学习器对待预测客户数据进行处理，输出客户流失预测结果。本发明使用stacking集成算法构建预测模型，stacking集成算法可以集成多种预测的算法，由此可以使用多种预测的算法对客户流失进行预测，减少预测的误差，进而提高预测的结果的准确率。
128.在本发明提供的另一实施例中，该装置的处理单元502，包括：
129.第一处理子单元，用于对所述样本数据集中的各个样本数据进行缺失值处理，得到各个第一处理数据；
130.第二处理子单元，用于使用预设的one-hot编码对各个所述第一处理数据进行处理，得到各个第二处理数据；
131.第三处理子单元，用于对各个所述第二处理数据进行归一化处理，得到各个第三处理数据；
132.第四处理子单元，用于使用预设的smote算法对各个所述第三处理数据进行处理，得到各个标准样本数据。
133.在本发明提供的另一实施例中，该装置的第一处理子单元，包括：
134.统计模块，用于统计所述样本数据集中存在缺失值的样本数据的数目，并判断所述存在缺失值的样本数据的数目是否小于预设数值；
135.删除模块，用于当所述存在缺失值的样本数据的数目小于所述预设数值时，将各个存在缺失值的样本数据从所述样本数据集中删除，并将所述样本数据集中剩余的各个样本数据均确定为第一处理数据；
136.第一确定模块，用于当所述存在缺失值的样本数据的数目不小于所述预设数值时，将各个所述存在缺失值的样本数据均确定为第一类数据，将所述样本数据集中的剩余的各个样本数均确定为第二类数据；
137.插补处理模块，用于对各个所述第一类数据进行插补处理，得到各个第三类数据；
138.第二确定模块，用于将各个所述第三类数据和各个所述第二类数据均确定为第一处理数据。
139.在本发明提供的另一实施例中，该装置还包括：
140.确定单元，用于基于所述客户流失预测结果，确定客户流失占比；
141.判断单元，用于判断所述客户流失占比是否大于预设占比；
142.反馈单元，用于当所述客户流失占比大于所述预设占比时，将所述客户流失预测结果向预设的工作人员反馈；
143.保存单元，用于当所述客户流失占比不大于所述预设占比时，将所述客户流失预测结果保存至预设的预测结果数据库。
144.本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述客户流失预测方法。
145.本发明实施例还提供了一种电子设备，其结构示意图如图6所示，具体包括存储器601，以及一个或者一个以上的指令602，其中一个或者一个以上指令602存储于存储器601中，且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602进行以下操作：
146.采集样本数据集，所述样本数据集中包含多个样本数据；
147.对所述样本数据集中的各个样本数据进行标准化处理，得到各个标准样本数据；
148.使用预设的pca算法对各个所述标准样本数据进行处理，提取各个特征数据；
149.使用各个所述特征数据对初始的预测模型进行训练，得到训练完成的预测模型，所述预测模型中包含使用stacking集成算法构建的基学习器和使用logistic回归算法构建的次级学习器；
150.将待预测客户数据输入训练完成的预测模型中，使得该预测模型调用基学习器和次级学习器对所述待预测客户数据进行处理，输出客户流失预测结果。
151.需要说明的是，本发明提供的客户流失预测方法及装置、存储介质及电子设备可用于人工智能领域、区块链领域、分布式领域、云计算领域、大数据领域、物联网领域、移动互联领域、网络安全领域、芯片领域、虚拟现实领域、增强现实领域、全息技术领域、量子计算领域、量子通信领域、量子测量领域、数字孪生领域或金融领域。上述仅为示例，并不对本发明提供的客户流失预测方法及装置、存储介质及电子设备的应用领域进行限定。
152.上述各个实施例的具体实施过程及其衍生方式，均在本发明的保护范围之内。
153.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。
154.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。
155.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。