一种基于深度语言模型的绿色信贷项目识别方法和系统与流程

1.本发明涉及自然语言语义识别处理领域，尤其涉及一种基于深度语言模型的绿色信贷项目识别方法及系统。


背景技术：

2.绿色金融是一种作为支持改善环境以及高效利用资源的经济活动，对环保、清洁能源、新能源、绿色交通等项目提供金融服务。绿色信贷是基于绿色金融大背景下发展地最快的金融业务，此概念也源自于绿色金融，它通常是指以商业银行为主的金融机构根据绿色金融政策使用较优惠的利率或者其他条件来支持有环保效益的项目或者对有负面环境效应的项目进行信贷控制。针对客户申请绿色信贷时提供的贷款用途等信息是否符合相关文件中所述的绿色产业分类方法主要有以下两种：1)人工理解《绿色产业指导目录(2019)》每条目录、解释说明以及贷款信息来认定是否符合相关文件，这种方法消耗较多人力物力时间，并且金融机构从业人员对产业知识的理解较为缺乏；2)利用《绿色产业指导目录(2019)》各级目录之间的逻辑关系和高频关键词来识别绿色信贷，此方法缺乏对其的语义理解，同一次出现次数多并不代表同样的意思如：汽车贷款、房屋贷款，带有不同的前缀有着不一样的含义。


技术实现要素：

3.为克服以上不足，本发明提供一种基于深度语言模型的绿色信贷项目识别方法和系统，对比以识别贷款用途等信息是否符合《绿色产业指导目录(2019)》以及《绿色产业指导目录(2019年版)》的解释说明。
4.本发明解决其技术问题所采用的技术方案是：一种基于深度语言模型的绿色信贷项目识别方法，包括以下步骤：
5.步骤s1：数据准备：从绿色金融相关的非结构化文本数据中提取与绿色金融业务相关的语料并构建绿色金融语料库，基于贷款描述构建训练样本数据，针对上述数据进行数据清洗得到模型可执行数据；
6.步骤s2：模型预训练：利用上述绿色金融语料库对bert模型(一种常见的自然语言处理机器学习模型)进行预训练，得到基于绿色金融语料的预训练模型；
7.步骤s3：目标模型训练：以绿色信贷自主分类为业务目的，设计基于贷款描述的多级绿色信贷分类体系，并基于此分类体系构建多级绿色信贷分类模型，保存最优参数；
8.步骤s4：新样本预测：基于上述多级绿色信贷分类模型以及最优参数，对新样本进行预测，保存预测结果；
9.步骤s5：业务验收及纠偏：业务专员对上述预测结果进行人工确认，同时纠正可能存在的业务偏差，反馈给步骤s1及s2。
10.进一步地，步骤s1的非结构化文本数据包括书籍、文章、公告、新闻，所述步骤s1通过以下步骤，将数据转化为模型所需要的数据格式：
11.步骤s11：通过自然语言处理方法对绿色金融相关无标签的文本数据进行清洗，得到用于训练绿色金融语言模型的非结构化金融语料库；
12.步骤s12：通过自然语言处理方法对带标签的绿色信贷历史数据和新增数据进行清洗；
13.可选地，标签可为包含是否符合绿色产业目录的信息和具体符合的绿色产业名称；
14.进一步地，所述步骤s11和s12中所述自然语言处理方法包括对所述文本数据统一中英文标点符号、删除乱码及无法打印字符、删除停用词、将一段文本分解成以字词为单位的数据结构、将以字词为单位的数据转化为词向量。
15.通常，数据来源于企业主体提交的贷款申请文件，其中包含公司名称、贷款用途、项目名称、所属行业等信息。
16.进一步地，所述步骤s2使用绿色金融语料库对语言模型进行预训练，包括以下步骤：
17.步骤s21：模型完成训练任务语言掩码模型(masked language model)；
18.步骤s22：模型完成训练任务相邻语句判断(next sentence prediction)；
19.进一步地，所述步骤s21包括以下步骤：
20.步骤s211：将来源于绿色金融语料库的语料中句子的部分单词进行掩盖,以ρ的比例(如：ρ＝15％)随机将一句话中的部分词语替换成以下内容：这些词语有80％的概率被替换成[mask]、10％的概率被替换成任意一个其他词语、存在10％的概率不做变动；
[0021]
假设输入样本如下，句子一共有l个词语：
[0022]
i＝{i1,
……
,i
l
}
ꢀꢀꢀ
(5)
[0023]
掩盖词语后样本如下：
[0024][0025]
步骤s212：掩码后语句作为模型输入，模型通过上下文预测被掩码或被替换位置的词语；
[0026]
进一步地，所述步骤s22包括以下步骤：
[0027]
步骤s221：从绿色金融语料库中随机抽取连续的两句话a和b，其中句子a和句子b存在50％的概率是正确相邻的，另外50％的概率是随机抽取的；其形式为：
[0028][0029]
步骤s222：使用[sep]作为句子的分隔符号，使用[cls]作为句子的分类符号；
[0030]
句子对共两句话以“sep”作为分隔符：
[0031]
a1,
……
,a
l
[sep]b1,
……
,bkꢀꢀꢀ
(8)
[0032]
步骤s223：对绿色金融语料库中所有语料进行步骤s221以及步骤s222；
[0033]
步骤s224：输入模型，模型预测两个句子是否为相邻的句子，预测结果记作nsp＝{0/1}，其中0表示该语句对的顺序是错误的，1表示它们是正确的。绿色金融语料库中所有语料都将用作模型预训练输入；
[0034]
进一步地，所述步骤s3包括以下步骤：
[0035]
步骤s31：以绿色信贷自主分类为目的，设计多级绿色信贷分类体系，根据输入数
据进行分类，所述分类体系第一级识别是否符合绿色信贷，第二级识别符合《绿色产业指导目录(2019)》中的具体目录。例如，输入数据为“本次贷款用于建设储能产业相关园区以及购买相关设备...”，第一级分类将输出“86％的概率属于绿色信贷”，第二级分类将输出“高效储能设施建设和运营”；
[0036]
步骤s32：在所述多级绿色信贷分类体系以及预训练模型的基础上，将所述模型的第一个位置的输出向量(如：语言模型encoder输出的[cls]位置对应的向量)，经过大类分类器特征转换层，最终输出该样本为绿色信贷的概率；
[0037]
contextencoder＝pooling(i)
ꢀꢀꢀ
(9)
[0038]
output＝softmax(linear(contextencoder)
ꢀꢀꢀ
(10)
[0039]
linear＝tan(x*ω+b)
ꢀꢀꢀ
(11)
[0040]
其中，i是输入向量，上下文编码器将输入向量进行平均池化运算操作，对特征进行聚合；而后经过线性层以及softmax函数归一化得到输出结果；
[0041]
步骤s33：语言模型encoder输出的非[cls]位置的全部向量特征经过context-encoder进行特征聚合(如：pooling层)，得到用于分类具体行业名目的特征，经过详细类目分类器得到该样本在绿色信贷体系下的具体产业分类概率，两种分类器的分类结果融合作为模型最终结果。
[0042]
步骤s34：将所述训练数据集作为分类模型的输入，对模型进行训练以及参数微调，得到多级绿色金融分类模型。可选的，模型进行微调时可选调整学习率。学习新知识的过程中预训练的知识可能被遗忘或抹去，采用较低的学习率时，绿色金融分类模型能够较好的克服此类问题；
[0043]
进一步地，所述步骤s4包括以下步骤：
[0044]
将所述新增样本作为多级绿色信贷分类模型的输入，并预测分类结果，其结果与s3所述流程、步骤及结果相同；
[0045]
进一步地，所述步骤s5将对步骤s4的预测结果进行人工确认，同时纠正可能存在的业务偏差，反馈给步骤s1及s2，确保其可信度，提高模型识别准确度。
[0046]
本发明还提供一种基于深度语言模型的绿色信贷项目识别系统，包括：
[0047]
绿色金融数据数据处理模块：与绿色金融相关的书籍、文章、公告、新闻等非结构化文本数据中提取绿色金融语料并构建绿色金融语料库、基于贷款描述构建训练样本以及以上数据的数据清洗；
[0048]
深度学习模型预训练模块：基于自然语言处理语言模型以及绿色金融语料库，训练绿色金融预训练语言模型，在所述预训练模型中加入上下文编码器以及两种分类器从而生成多级绿色信贷分类模型。将训练数据作为所述分类模型的输入并训练分类模型，得到训练完成的分类模型并保存最优参数。
[0049]
多级绿色信贷分类模块：将新增的绿色贷款相关数据作为分类模型的输入，使用最优参数，模型生成此输入所对应的为绿色信贷的概率以及具体产业分类概率，最终得到绿色信贷识别结果；
[0050]
结果输出模块：将绿色信贷识别结果传送至专员处人工对结果进行核准，确保其可信度。
[0051]
本发明的有益效果是：有效地解决了在绿色信贷识别现有技术中金融机构从业人
员较难理解目录中行业语义的问题，提高了绿色识别效率，为金融机构绿色信贷业务发展，以及技术革新(如定性识别判断到定量认证)等方面提供思路。
附图说明
[0052]
图1为本发明一种基于深度语言模型的绿色信贷项目识别方法的流程示意图。
[0053]
图2为本发明中的模型预训练构建示意图。
[0054]
图3为本发明中的多级分类模型训练流程示意图。
[0055]
图4为本发明中的新样本预测流程示意图。
[0056]
图5为本发明一种基于深度语言模型的绿色信贷项目识别系统的结构示意图。
具体实施方式
[0057]
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。
[0058]
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
[0059]
实施例1
[0060]
参照图1-4，一种基于深度语言模型的绿色信贷项目识别方法，包括以下步骤：
[0061]
步骤s1：数据准备：从绿色金融相关的非结构化文本数据中提取与绿色金融业务相关的语料并构建绿色金融语料库，基于贷款描述构建训练样本数据，针对上述数据进行数据清洗得到模型可执行数据；
[0062]
步骤s2：模型预训练：利用上述绿色金融语料库对bert模型(一种常见的自然语言处理机器学习模型)进行预训练，得到关于绿色金融语料的预训练模型；
[0063]
步骤s3：目标模型训练：以绿色信贷自主分类为业务目的，设计基于贷款描述的多级绿色信贷分类体系，并基于此分类体系构建多级绿色信贷分类模型，保存最优参数；
[0064]
步骤s4：新样本预测：基于上述多级绿色信贷分类模型以及最优参数，对新样本进行预测，保存预测结果；
[0065]
步骤s5：业务验收及纠偏：业务专员对上述预测结果进行人工确认，同时纠正可能存在的业务偏差，反馈给步骤s1及s2。
[0066]
所述步骤s1通过以下步骤，将数据转化为算法所需要的数据格式：
[0067]
步骤s11：通过自然语言处理方法对绿色金融相关无标签的文本数据进行清洗，得到用于训练绿色金融语言模型的非结构化金融语料库；
[0068]
步骤s12：通过自然语言处理方法对带标签的绿色信贷历史数据和新增数据进行清洗；
[0069]
可选地，标签可为包含是否符合绿色产业目录的信息和具体符合的绿色产业名称；
[0070]
所述步骤s11和s12中所述自然语言处理方法包括对所述文本数据统一中英文标点符号、删除乱码及无法打印字符、删除停用词、将一段文本分解成以字词为单位的数据结
构、将以字词为单位的数据转化为词向量。
[0071]
通常，数据来源于企业主体提交的贷款申请文件，其中包含公司名称、贷款用途、项目名称、所属行业等信息。
[0072]
所述步骤s2使用绿色金融语料库对语言模型进行预训练。
[0073]
示例一：以bert模型为例,bert模型是基于transformer中的编码器并加上双向的结构。
[0074]
bert＝encoder(i
p
)
ꢀꢀꢀꢀ
(1)
[0075]
encoder＝transformers(ω,b)
ꢀꢀꢀ
(2)
[0076]
multihead
attn
＝concat(attention1,
…
,attentioni)
ꢀꢀꢀ
(3)
[0077][0078]
bert的每一层由一个编码器(encoder)单元组成，ω和b是可学习参数，l
p
是输入样本，multihead是指多头自我注意力学习机制，将多个注意力分支拼接成为一个向量。attention表示自我注意力学习机制，计算方法如公式(4)所示。由输入的向量通过矩阵变换得到q、k、v，分别是查询向量、键向量以及值向量，代表缩放因子，最后经过softmax函数进行归一化处理；
[0079]
所述步骤s2包括以下步骤：
[0080]
步骤s21：模型完成训练任务语言掩码模型(masked language model)；
[0081]
步骤s22：模型完成训练任务相邻语句判断(next sentence prediction)；
[0082]
所述步骤s21包括以下步骤：
[0083]
步骤s211：将来源于绿色金融语料库的语料中句子的部分单词进行掩盖,以ρ的比例(如：ρ＝15％)随机将一句话中的部分词语替换成以下内容：这些词语有80％的概率被替换成[mask]、10％的概率被替换成任意一个其他词语、存在10％的概率不做变动；
[0084]
假设输入样本如下，句子一共有l个词语：
[0085]
i＝{i1,
……
,i
l
}
ꢀꢀꢀ
(5)
[0086]
掩盖词语后样本如下：
[0087][0088]
步骤s212：掩码后语句作为模型输入，模型通过上下文预测被掩码或被替换位置的词语；
[0089]
所述步骤s22包括以下步骤：
[0090]
步骤s221：从绿色金融语料库中随机抽取连续的两句话a＝{a1,
……
,a
l
}和b＝{b1,
……
,bk}，其中句子a和句子b存在50％的概率是正确相邻的，另外50％的概率是随机抽取的，其形式为：
[0091][0092]
步骤s222：使用[sep]作为句子的分隔符号，使用[cls]作为句子的分类符号；
[0093]
句子对共两句话以“sep”作为分隔符：
[0094]
a1,
……
,a
l
[sep]b1,
……
,bkꢀꢀꢀꢀ
(8)
[0095]
步骤s223：对绿色金融语料库中所有语料进行步骤s221以及步骤s222；
[0096]
步骤s224：输入模型，模型预测两个句子是否为相邻的句子，预测结果记作nsp＝{0/1}，其中0表示该语句对的顺序是错误的，1表示它们是正确的。绿色金融语料库中所有语料都将用作模型预训练输入；
[0097]
所述步骤s3包括以下步骤：
[0098]
步骤s31：以绿色信贷自主分类为目的，设计多级绿色信贷分类体系，根据输入数据进行分类，所述分类体系第一级识别是否符合绿色信贷，第二级识别符合《绿色产业指导目录(2019)》中的具体目录。例如，输入数据为“本次贷款用于建设储能产业相关园区以及购买相关设备...”，第一级分类将输出“86％的概率属于绿色信贷”，第二级分类将输出“高效储能设施建设和运营”；
[0099]
步骤s32：在所述多级绿色信贷分类体系以及预训练模型的基础上，将所述模型的第一个位置的输出向量(如：语言模型encoder输出的[cls]位置对应的向量)，经过大类分类器特征转换层，最终输出该样本为绿色信贷的概率；
[0100]
contextencoder＝pooling(i)
ꢀꢀꢀ
(9)
[0101]
output＝softmax(linear(contextencoder)
ꢀꢀꢀꢀ
(10)
[0102]
linear＝tan(x*ω+b)
ꢀꢀꢀꢀ
(11)
[0103]
i是输入向量，上下文编码器将输入向量进行平均池化运算操作，对特征进行聚合；而后经过线性层以及softmax函数归一化得到输出结果；
[0104]
步骤s33：语言模型encoder输出的非[cls]位置的全部向量特征经过context-encoder进行特征聚合，得到用于分类具体行业名目的特征，经过详细类目分类器得到该样本在绿色信贷体系下的具体产业分类概率，两种分类器的分类结果融合作为模型最终结果。
[0105]
步骤s34：将所述训练数据集作为分类模型的输入，对模型进行训练以及参数微调，得到多级绿色金融分类模型。可选的，模型进行微调时可选调整学习率。学习新知识的过程中预训练的知识可能被遗忘或抹去，采用较低的学习率时，绿色金融分类模型能够较好的克服此类问题；
[0106]
所述步骤s4包括以下步骤：
[0107]
将所述新增样本作为多级绿色信贷分类模型的输入，并预测分类结果；
[0108]
所述步骤s5将对步骤s4的预测结果进行人工确认，同时纠正可能存在的业务偏差，反馈给步骤s1及s2，确保其可信度，提高模型识别准确度。
[0109]
实施例2
[0110]
参见图5，为本发明一种基于深度语言模型的绿色信贷项目识别系统，包括：
[0111]
绿色金融数据数据处理模块：与绿色金融相关的书籍、文章、公告、新闻等非结构化文本数据中提取绿色金融语料并构建绿色金融语料库、基于贷款描述构建训练样本以及以上数据的数据清洗；
[0112]
深度学习模型预训练模块：基于自然语言处理语言模型以及绿色金融语料库，训练绿色金融预训练语言模型，在所述预训练模型中加入上下文编码器以及两种分类器从而生成多级绿色信贷分类模型。将训练数据作为所述分类模型的输入并训练分类模型，得到训练完成的分类模型并保存最优参数。
[0113]
多级绿色信贷分类模块：将新增的绿色贷款相关数据作为分类模型的输入，使用最优参数，模型生成此输入所对应的为绿色信贷的概率以及具体产业分类概率，最终得到绿色信贷识别结果；
[0114]
结果输出模块：将绿色信贷识别结果传送至专员处人工对结果进行核准，确保其可信度。
[0115]
硬件层面，该一种基于深度语言模型的绿色信贷项目识别系统包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的数据采集的方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0116]
对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0117]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种
功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0118]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0119]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0120]
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。
[0121]
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。
[0122]
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。
[0123]
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。
[0124]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0125]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0126]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0127]
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
[0128]
本领域技术人员应明白，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。
[0129]
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0130]
本发明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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0131]
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。