一种用户分类方法、基于用户分类的产品推荐方法及装置与流程

1.本发明涉及金融科技领域，尤其涉及一种用户分类方法、基于用户分类的产品推荐方法及装置。


背景技术：

[0002][0003]
目前大多数银行均是通过问卷调查，对用户的产品偏好进行分类，为了便于业务人员分析，一般分类标准划分比较简单，导致无法精确地了解用户的产品需求，从而无法向用户推荐更加合适的产品。
[0004]
现在亟需一种用户分类方法和基于用户分类的产品推荐方法，从而解决现有技术中推荐产品的精确度低、用户体验差的问题。


技术实现要素：

[0005]
为解决现有技术中存在的问题，本发明实施例提供了一种用户分类方法、基于分类的产品推荐方法及装置，实现了利用用户的大量数据进行模型训练，从而确定最能够符合用户需求的产品，很好地避免了人工划分类别所带来的主观影响，提高了推荐产品的精确度，从而提升了用户体验，解决了现有技术中推荐产品的精确度低、用户体验差的问题。
[0006]
为了解决上述技术问题，本发明的具体技术方案如下：
[0007]
一方面，本发明实施例提供一种用户分类方法，该方法包括：
[0008]
获取多个用户的金融数据，所述金融数据包括所述用户购买过的产品数据；
[0009]
标注指定数据源的所述金融数据，将标注后的金融数据添加到已标注数据集中，将未标注的金融数据添加到未标注数据集中；
[0010]
利用所述已标注数据集进行监督学习模型的训练，得到监督学习模型参数；
[0011]
利用所述监督学习模型参数以及所述未标注数据集进行半监督学习模型的训练，将训练后的所述半监督学习模型作为用户分类模型，以便于利用所述用户分类模型对目标用户进行分类。
[0012]
进一步地，按照预定数据源对所述金融数据进行标注进一步包括，
[0013]
判断所述金融数据的数据源是否与所述预定数据源相同，若是，则采用 spanbert模型对所述金融数据进行标注，将标注后的金融数据添加到所述已标注数据集中；
[0014]
若所述金融数据的数据源与所述预定数据源不同，则将所述金融数据添加到所述未标注数据集中。
[0015]
进一步地，所述方法还包括，
[0016]
基于训练好的金融数据预测模型计算所述未标注数据集中的金融数据的置信度；
[0017]
采用所述spanbert模型对所述置信度超过第一预定门限值的金融数据进行标注，并将标注后的金融数据添加到所述已标注数据集中。
[0018]
进一步地，利用所述监督学习模型参数以及所述未标注数据集进行半监督学习模
型的训练后，所述方法还包括，
[0019]
利用知识蒸馏法对训练后的所述半监督学习模型进行压缩，将压缩后的所述半监督学习模型作为所述用户分类模型。
[0020]
进一步地，所述方法还包括，
[0021]
启动定时任务，利用验证用户集以及所述验证用户集中每个用户的真实类别对所述用户分类模型进行校验，得到所述用户分类模型的准确度；
[0022]
若所述准确度低于第二预定门限值，则重新获取多个用户的金融数据，并训练监督学习模型和半监督学习模型，从而重新得到用户分类模型。
[0023]
另一方面，本发明实施例还提供了一种用户分类方法装置，包括：
[0024]
历史产品数据获取单元，用于获取多个用户的金融数据，所述金融数据包括所述用户购买过的产品数据；
[0025]
标注单元，用于标注指定数据源的所述金融数据，将标注后的金融数据添加到已标注数据集中，将未标注的金融数据添加到未标注数据集中；
[0026]
监督学习模型训练单元，用于利用所述已标注数据集进行监督学习模型的训练，得到监督学习模型参数；
[0027]
半监督学习模型训练单元，用于利用所述监督学习模型参数以及所述未标注数据集进行半监督学习模型的训练，将训练后的所述半监督学习模型作为用户分类模型，以便于利用所述用户分类模型对目标用户进行分类。
[0028]
基于同一发明构思，本发明实施例还提供了一种基于用户分类的产品推荐方法，包括，
[0029]
获取目标用户的金融数据，所述金融数据包括所述目标用户购买过的产品数据；
[0030]
根据所述金融数据以及上述所述的用户分类方法确定的用户分类模型确定所述目标用户的类别；
[0031]
在产品集中确定与所述类别对应的目标产品，并将所述目标产品推荐给所述目标用户。
[0032]
另一方面，本发明实施例还提供了一种基于用户分类的产品推荐装置，包括，
[0033]
历史产品数据获取单元，用于获取目标用户的金融数据，所述金融数据包括所述目标用户购买过的产品数据；
[0034]
用户类别确定单元，用于根据所述金融数据以及上述所述的用户分类方法确定的用户分类模型确定所述目标用户的类别；
[0035]
产品推荐单元，用于在产品集中确定与所述类别对应的目标产品，并将所述目标产品推荐给所述目标用户。
[0036]
另一方面，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
[0037]
另一方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0038]
最后，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0039]
本发明实施例中，首先获取多个用户包括其购买过的产品数据的金融数据，然后标注指定数据源的所述金融数据，得到已标注数据集和未标注数据集，然后利用已标注数据集进行监督学习模型的训练，得到监督学习模型的参数，从而对用户进行聚类，然后利用监督模型的参数以及未标注数据集进行半监督学习模型的训练，最终得到用户分类模型。通过本发明实施例的方法，实现了利用用户的大量数据进行模型训练，得到用户分类模型，利用用户分类模型对用户进行分类，很好地避免了人工划分类别所带来的主观影响，从而提高了推荐产品的精确度，提升了用户体验，解决了现有技术中推荐产品的精确度低、用户体验差的问题。
附图说明
[0040]
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。在附图中：
[0041]
图1为本发明实施例中一种用户分类方法的实施系统示意图；
[0042]
图2为本发明实施例中一种用户分类方法的流程示意图；
[0043]
图3为本发明实施例中一种用户分类装置的结构示意图；
[0044]
图4为本发明实施例中一种基于用户分类的产品推荐方法的流程示意图；
[0045]
图5为本发明实施例中一种基于用户分类的产品推荐装置的结构示意图；
[0046]
图6为本发明实施例计算机设备的结构示意图。
[0047]
附图符号说明：
[0048]
101、终端；
[0049]
102、服务器；
[0050]
301、历史产品数据获取单元；
[0051]
302、标注单元；
[0052]
303、监督学习模型训练单元；
[0053]
304、半监督学习模型训练单元；
[0054]
501、历史产品数据获取单元；
[0055]
502、用户类别确定单元；
[0056]
503、产品推荐单元；
[0057]
602、计算机设备；
[0058]
604、处理器；
[0059]
606、存储器；
[0060]
608、驱动机构；
[0061]
610、输入/输出模块；
[0062]
612、输入设备；
[0063]
614、输出设备；
[0064]
616、呈现设备；
[0065]
618、图形用户接口；
[0066]
620、网络接口；
[0067]
622、通信链路；
[0068]
624、通信总线。
具体实施方式
[0069]
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
[0070]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明的实施例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、装置、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。
[0071]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0072]
需要说明的是，本技术技术方案中对数据的获取、存储、使用、处理等均符合相关法律法规的规定”[0073]
如图1所示为本发明实施例一种用户分类方法的实施系统示意图，可以包括终端101和服务器102，所述终端101与所述服务器102之间建立通信连接，能够实现数据的交互。银行工作人员可以在终端101上录入多个用户的金融数据，具体地，可以在终端101上操作银行数据库以及第三方数据获取接口，获取用户的金融数据，然后终端101将金融数据发送给服务器102，由服务器102对金融数据进行模型训练，得到用户分类模型并存储。此外，银行工作人员还可以在终端101上输入目标用户的金融数据，终端101将目标用户的金融数据发送给服务器102，服务器102利用存储的用户分类模型对目标用户的金融数据进行计算，得到用户的类别，将用户的类别发送给终端101，以便于银行工作人员在产品集中确定与用户类别对应的目标产品，并将目标产品推荐给目标用户。
[0074]
在本说明书实施例中，所述服务器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，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(cdn,content delivery network)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0075]
在一个可选的实施例中，终端101可以包括但不限于台式计算机、平板电脑、笔记本电脑等类型的电子设备。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、ios系统、linux、windows等。
[0076]
此外，需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在实际应用中，还可以包括其他应用环境，本说明书不做限制。
[0077]
针对现有技术中存在的问题，本发明实施例提供了一种用户分类方法，实现了利
用用户的大量数据进行模型训练，从而确定用户的类别。图2所示为本发明实施例一种用户分类方法的流程示意图。在本图中描述了训练用户分类模型的过程，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图2所示，所述方法可以包括：
[0078]
步骤201：获取多个用户的金融数据，所述金融数据包括所述用户购买过的产品数据；
[0079]
步骤202：标注指定数据源的所述金融数据，将标注后的金融数据添加到已标注数据集中，将未标注的金融数据添加到未标注数据集中；
[0080]
步骤203：利用所述已标注数据集进行监督学习模型的训练，得到监督学习模型参数；
[0081]
步骤204：利用所述监督学习模型参数以及所述未标注数据集进行半监督学习模型的训练，将训练后的所述半监督学习模型作为用户分类模型，以便于利用所述用户分类模型对目标用户进行分类。
[0082]
通过本发明实施例的方法，首先获取多个用户包括其购买过的产品数据的金融数据，然后标注指定数据源的所述金融数据，得到已标注数据集和未标注数据集，然后利用已标注数据集进行监督学习模型的训练，得到监督学习模型的参数，从而对用户进行聚类，然后利用监督模型的参数以及未标注数据集进行半监督学习模型的训练，最终得到用户分类模型。通过本发明实施例的方法，实现了利用用户的大量数据进行模型训练，得到用户分类模型，利用用户分类模型对用户进行分类，很好地避免了人工划分类别所带来的主观影响，从而提高了推荐产品的精确度，提升了用户体验，解决了现有技术中推荐产品的精确度低、用户体验差的问题。
[0083]
在本发明实施例中，用户的金融数据还可以包括用户身份信息，用户购买过的产品数据可以包括用户曾购买过的理财产品的名称以及该理财产品的收益情况数据等。此外，还可以通过多个渠道获取用户的金融数据，例如在银行数据库中获取用户的金融数据，还可以通过互联网金融公司的提供的第三方渠道获取互联网金融公司记录的用户的金融数据。然后需要对大量用户的金融数据进行训练。由于各数据源的数据可对模型训练的权重可能不同，即从某些数据源获取到的金融数据的特征更多，因此更有利于训练监督学习模型，因此，标注指定数据源的金融数据，将标注后的金融数据添加到已标注数据集中，将未标注的金融数据添加到未标注数据集中。然后利用已标注数据集训练监督学习模型，得到监督学习模型参数。使用监督学习的方式能够预测出用户属于预定义的多个类别中的哪一类别。
[0084]
然后为了提高用户分类模型的适应性，还可以扩大训练数据的范围。因此利用未标注数据集和监督学习模型的参数训练半监督学习模型，因为监督学习模型参数对对未标注数据集具有很强的先验性，因此，利用监督学习模型参数来引导用户分类的判别能力，从而在一定程度上扩大了训练数据的范围，并且由于训练数据的范围变得宽广，因此模型的适应性也有所提升。
[0085]
用监督学习后训练出一个分类器，然后用这个分类器对无标签的数据进行半监督
训练从而分类，结合获取的无标签数据，通过已有训练参数逐步修正从而完成分类。半监督学习可以用已有的算法(最大期望算法，自训练算法，协同训练算法，转导支持向量机算法等)实现，此处不再赘述。
[0086]
通过本发明实施例的方法，实现了根据用户曾经购买过的理财产品的数据生成用户分类模型，从而对用户进行分类，以便于银行工作人员为用户定制化推荐合适的理财产品。
[0087]
根据本发明的一个实施例，按照预定数据源对所述金融数据进行标注进一步包括，
[0088]
判断所述金融数据的数据源是否与所述预定数据源相同，若是，则采用 spanbert模型对所述金融数据进行标注，将标注后的金融数据添加到所述已标注数据集中；
[0089]
若所述金融数据的数据源与所述预定数据源不同，则将所述金融数据添加到所述未标注数据集中。
[0090]
在本发明实施例中，预定数据源表示银行指定的金融数据获取渠道，该指定的渠道获取到的金融数据包括较多的特征，有利于训练监督学习模型，例如银行数据库，若金融数据是从银行数据库获取到的，则采用spanbert模型对该金融数据进行标注，spanbert模型是一种预训练任务优化后的模型，能够达到更好的表征效果，并将将标注后的金融数据添加到已标注数据集中。若金融数据并非是从银行指定的金融数据获取渠道获取到的，例如通过互联网金融公司提供的第三方接口获取到的金融数据，则将该金融数据添加到未标注数据集中。
[0091]
在本发明实施例中，未标注数据集中的部分金融数据可能也有较多的特征，可以将利用其进行监督模型的训练，因此，根据本发明的一个实施例，所述方法还包括，
[0092]
基于训练好的金融数据预测模型计算所述未标注数据集中的金融数据的置信度；
[0093]
采用所述spanbert模型对所述置信度超过第一预定门限值的金融数据进行标注，并将标注后的金融数据添加到所述已标注数据集中。
[0094]
在本发明实施例中，训练好的金融数据预测模型可以是联邦学习模型，可以根据联邦学习模型获取到的未标注数据的针对客户消费活跃度及消费理财额度的预测概率区分高置信度样本，筛选置信度超过阈值的金融数据作为伪标签数据，将伪标签数据加入到已标注数据集中，实现了对未标注数据集中的金融数据进行筛选，得到能够训练监督学习模型的金融数据并添加到已标注数据集中，从而增加已标注数据集中的数据样本，提高训练监督学习模型的精度，从而更好地引导用户分类的判别能力，提高最终训练用户分类模型的准确度。
[0095]
需要说明的是，联邦学习的作用就是不同数据源的数据共同建立网络模型，通过秘钥方式加解密，获取其他数据源的数据特征从而增加数据样本。可以理解为，其中银行自有数据拥有理财消费等特征，其他金融公司的数据拥有消费活跃度特征等。通过联邦学习获取到其他公司的数据特征以后，首先用自有的数据进行监督学习，做最初的分类判断，然后通过已学习到的知识(网络训练参数)为基础，修正无标签的数据从而完成网络模型训练，做出最终分类。
[0096]
在本发明实施例中，由于最终的用户分类模型是利用少量的监督学习模型参数和大量的未标注数据进行训练得到的，因此可能在一定程度上增加了模型的复杂度，虽然能
够提高模型的准确度，但应用于计算机系统中受限于计算机系统的硬件等条件的约束，复杂的模型的运行效果可能并不理想，因此，需要对复杂的模型进行压缩简化。根据本发明的一个实施例，利用所述监督学习模型参数以及所述未标注数据集进行半监督学习模型的训练后，所述方法还包括，
[0097]
利用知识蒸馏法对训练后的所述半监督学习模型进行压缩，将压缩后的所述半监督学习模型作为所述用户分类模型。
[0098]
在本发明实施例中，知识蒸馏法主要目的是简化模型，使得相对简单的模型学习复杂模型参数来简化模型，同时满足低延时、低功耗、方便线上部署等要求。
[0099]
在实际应用过程中，用户分类模型的准确度可能随着数据量的扩大，精度有所降低，因此还可以对用户分类模型进行更新迭代，具体地，所述方法还包括，
[0100]
启动定时任务，利用验证用户集以及所述验证用户集中每个用户的真实类别对所述用户分类模型进行校验，得到所述用户分类模型的准确度；
[0101]
若所述准确度低于第二预定门限值，则重新获取多个用户的金融数据，并训练监督学习模型和半监督学习模型，从而重新得到用户分类模型。
[0102]
在本发明实施例中，第二预定门限值可以根据实际精度需求进行设定，若用户分类模型的准确度低于第二预定门限值，则需要重新获取多个用户的金融数据，然后按照本说明书图2所示的方法进行训练监督学习模型和半监督学习模型，利用训练数据的更新实现用户分类模型的更新迭代，从而保障用户分类的准确度。
[0103]
另一方面，本发明实施例还提供了一种用户分类装置，如图3所示，包括，
[0104]
历史产品数据获取单元301，用于获取多个用户的金融数据，所述金融数据包括所述用户购买过的产品数据；
[0105]
标注单元302，用于标注指定数据源的所述金融数据，将标注后的金融数据添加到已标注数据集中，将未标注的金融数据添加到未标注数据集中；
[0106]
监督学习模型训练单元303，用于利用所述已标注数据集进行监督学习模型的训练，得到监督学习模型参数；
[0107]
半监督学习模型训练单元304，用于利用所述监督学习模型参数以及所述未标注数据集进行半监督学习模型的训练，将训练后的所述半监督学习模型作为用户分类模型，以便于利用所述用户分类模型对目标用户进行分类。
[0108]
由于上述装置解决问题的原理与上述方法相似，因此上述装置的实施可以参见上述方法的实施，重复之处不再赘述。
[0109]
基于同一发明构思，本发明实施例还提供了一种基于用户分类的产品推荐方法，如图4所示，包括，
[0110]
步骤401：获取目标用户的金融数据，所述金融数据包括所述目标用户购买过的产品数据；
[0111]
步骤402：根据所述金融数据以及本说明书所述的用户分类方法确定的用户分类模型确定所述目标用户的类别；
[0112]
步骤403：在产品集中确定与所述类别对应的目标产品，并将所述目标产品推荐给所述目标用户。
[0113]
在本发明实施例中，因为训练用户分类模型的数据是从多个数据源获取到的，因
此，在利用用户分类模型时，目标用户的金融数据可以从训练用户分类模型时的多个数据源中的任意一个获取，利用目标用户的金融数据以及训练好的用户分类模型确定目标用户的类别，然后在产品集中，确定与确定的类别对应的目标产品，并将目标产品推荐给目标用户。通过本发明实施例的方法，能够利用高精度用户分类模型精确地确定目标用户的类别，从而根据类别确定最能够符合用户需求的产品。
[0114]
另一方面，本发明实施例还提供了一种基于用户分类的产品推荐装置，如图5 所示，包括，
[0115]
历史产品数据获取单元501，用于获取目标用户的金融数据，所述金融数据包括所述目标用户购买过的产品数据；
[0116]
用户类别确定单元502，用于根据所述金融数据以及上述所述的用户分类方法确定的用户分类模型确定所述目标用户的类别；
[0117]
产品推荐单元503，用于在产品集中确定与所述类别对应的目标产品，并将所述目标产品推荐给所述目标用户。
[0118]
由于上述装置解决问题的原理与上述方法相似，因此上述装置的实施可以参见上述方法的实施，重复之处不再赘述。
[0119]
如图6所示，为本发明实施例提供的一种计算机设备，本发明中的装置可以为本实施例中的计算机设备，执行上述本发明的方法，所述计算机设备602可以包括一个或多个处理器604，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备602还可以包括任何存储器606，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器606可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备602的固定或可移除部件。在一种情况下，当处理器604执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备602可以执行相关联指令的任一操作。计算机设备602还包括用于与任何存储器交互的一个或多个驱动机构608，诸如硬盘驱动机构、光盘驱动机构等。
[0120]
计算机设备602还可以包括输入/输出模块610(i/o)，其用于接收各种输入(经由输入设备612)和用于提供各种输出(经由输出设备614)。一个具体输出机构可以包括呈现设备616和相关联的图形用户接口(gui)618。在其他实施例中，还可以不包括输入/输出模块610(i/o)、输入设备612以及输出设备614，仅作为网络中的一台计算机设备。计算机设备602还可以包括一个或多个网络接口620，其用于经由一个或多个通信链路622与其他设备交换数据。一个或多个通信总线624将上文所描述的部件耦合在一起。
[0121]
通信链路622可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路622可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0122]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0123]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0124]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等) 上实施的计算机程序产品的形式。
[0125]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0126]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0127]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0128]
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，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，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。