数据处理方法、装置、存储介质及电子设备与流程

本发明涉及计算机技术领域，具体而言，涉及一种数据处理方法、装置、存储介质及电子设备。

背景技术：

随着移动通讯的普及，存在着大量的已经停机、欠费、无效、空的电话号码，而只有当这些电话号码很难被识别。例如，当我们拨打某个欠费的电话号码时，才会发现该电话号码已经停机欠费，若是向该欠费的电话号码发送短信，则完全不会有任何的提示。

相关技术中提出了推断空号的方法，该方法主要基于运营商的数据，判断近期有通话行为的电话号码则为非空号。而该方法会存在以下几个问题：

1、数据来源单一。例如，有过通话行为的就判断为非空号，而不考虑其他因素，容易造成误判。

2、实时性较差。例如，近三个月有通话行为的手机为非空号手机号，无法判断出近三个月内停机的手机号；如果近一个月有通话行为的手机为非空号手机，则无法判断出近一个月内停机的手机号。

3、匹配度低。例如，无论手机号是否是被正常使用，在一个月内没有通话行为能够匹配到的手机号都很少，从而被识别出的不能被正常使用的手机号很少。

因此需要一种新的数据处理方法、装置、存储介质及电子设备，从而高效、准确的预测通讯标识的类型。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

有鉴于此，本发明提供因此需要新的数据处理方法、装置、存储介质及电子设备，从而高效、准确的预测通讯标识的类型。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的第一方面，提供一种数据处理方法，其中，所述方法包括：接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据；将所述多个维度的特征数据输入至深度学习模型，以获取所述待预测通讯标识的计算数据；根据所述计算数据预测出所述待预测通讯标识的类型。

根据一些实施例，所述方法还包括：从所述待预测通讯标识中筛选出第一类型通讯标识以及第二类型通讯标识；将剩余的待预测通讯标识输入至所述深度学习模型，获取所述剩余的待预测通讯标识的计算数据。

根据一些实施例，从所述待预测通讯标识中筛选出第一类型通讯标识以及第二类型通讯标识，包括：从所述待预测通讯标识中筛选出第一初选类型通讯标识；从所述待预测通讯标识中筛选出第二初选类型通讯标识；基于所述第一初选类型通讯标识以及第二初选类型通讯标识确定第一类型通讯标识以及第二类型通讯标识。

根据一些实施例，从所述待预测通讯标识中筛选出第一初选类型通讯标识，包括：基于样本数据的多个维度的特征数据在多个第一预设时间段内的统计数据，确定针对所述多个维度的特征数据的第一类型周期；根据所述多个维度的特征数据的第一类型周期从所述待预测通讯标识中筛选出第一初选类型通讯标识。

根据一些实施例，从所述待预测通讯标识中筛选出第二初选类型通讯标识，包括：基于样本数据的多个维度的特征数据在多个第二预设时间段内的统计数据，确定针对所述多个维度的特征数据的第二类型周期；根据所述多个维度的特征数据的第二类型周期从所述待预测通讯标识中筛选出第二初选类型通讯标识。

根据一些实施例，所述方法还包括：获取深度学习模型；

所述获取深度学习模型，包括：构建多层深度学习网络；基于样本数据对所述多层深度学习网络进行训练，以获取深度学习模型。

根据一些实施例，所述第一类型通讯标识包括：注销的通讯标识、欠费的通讯标识以及停机的通讯标识中的至少一种；所述第二类型通讯标识包括：被使用中的通讯标识、非注销的通讯标识以及非空号的通讯标识中的至少一种。

根据本发明的第二方面，提供一种数据处理装置，其中，所述装置包括：接收模块，用于接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据；获取模块，用于将所述多个维度的特征数据输入至深度学习模型，以获取所述待预测通讯标识的计算数据；预测模块，用于根据所述计算数据预测出所述待预测通讯标识的类型。

根据一些实施例，所述装置还包括：筛选模块，用于从所述待预测通讯标识中筛选出第一类型通讯标识以及第二类型通讯标识；所述获取模块，还用于将剩余的待预测通讯标识输入至所述深度学习模型，获取所述剩余的待预测通讯标识的计算数据。

根据一些实施例，所述筛选模块，包括：第一筛选单元，用于从所述待预测通讯标识中筛选出第一初选类型通讯标识；第二筛选单元，用于从所述待预测通讯标识中筛选出第二初选类型通讯标识；确定单元，用于基于所述第一初选类型通讯标识以及第二初选类型通讯标识确定第一类型通讯标识以及第二类型通讯标识。

根据一些实施例，所述第一筛选单元，配置为基于样本数据的多个维度的特征数据在多个第一预设时间段内的统计数据，确定针对所述多个维度的特征数据的第一类型周期；根据所述多个维度的特征数据的第一类型周期从所述待预测通讯标识中筛选出第一初选类型通讯标识。

根据一些实施例，所述第二筛选单元，配置为基于样本数据的多个维度的特征数据在多个第二预设时间段内的统计数据，确定针对所述多个维度的特征数据的第二类型周期；根据所述多个维度的特征数据的第二类型周期从所述待预测通讯标识中筛选出第二初选类型通讯标识。

根据一些实施例，所述装置还包括：模型获取模块，用于获取深度学习模型；

所述模型获取模块，包括：构建单元，用于构建多层深度学习网络；训练单元，用于基于样本数据对所述多层深度学习网络进行训练，以获取深度学习模型。

根据一些实施例，所述第一类型通讯标识包括：注销的通讯标识、欠费的通讯标识以及停机的通讯标识中的至少一种；所述第二类型通讯标识包括：被使用中的通讯标识、非注销的通讯标识以及非空号的通讯标识中的至少一种。

根据本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面所述的方法步骤。

根据本发明的第四方面，提供一种电子设备，其中，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面所述的方法步骤。

本发明实施例中，基于接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据；将所述多个维度的特征数据输入至深度学习模型，以获取所述待预测通讯标识的计算数据；根据所述计算数据预测出所述待预测通讯标识的类型。通过深度学习模型实现通讯标识类型预测，提高了通讯标识预测的效率以及准确性，从而避免与第一类型通讯标识通讯时的时间以及成本的浪费。

本发明实施例中，通过为每种类型确定各自的类型周期，通过将多个维度的特征数据与各自的类型周期的阈值进行对比的这种较为严苛的方式，从待预测通讯标识中尽可能多的筛选出第一初选类型和第二初选类型的通讯标识，在保证了第一初选类型以及第二初选类型的通讯标识的准确率的同时，融合多个维度进行筛选，提高召回率和精确度。

本发明实施例中，从所述待预测通讯标识中筛选出第一类型通讯标识以及第二类型通讯标识，从所述待预测通讯标识中筛选出第二初选类型通讯标识，实现了提前筛选与深度学习模型相结合，共同确定待预测通讯标识的类型，从而最大限度提升通讯标识类型预测准确率的同时，降低深度学习模型的计算成本，进一步提升通讯标识类型预测的效率，同时维持深度学习模型的稳定性。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。

图1是根据一示例性实施例示出的数据处理方法的流程图；

图2是根据另一示例性实施例示出的数据处理方法的流程图；

图3是根据一示例性实施例示出的获取深度学习模型的方法的流程图；

图4为本发明实施例提供的一种深度学习网络的示意图；

图5是根据一示例性实施例示出的一种数据处理装置的结构图；

图6是根据一示例性实施例示出的一种电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

下面结合具体的实施例，对本发明实施例提出的数据处理方法进行详细的说明。需要说明的是，本发明实施例提供的数据处理方法可以由任意具有计算处理能力的装置执行，例如服务器和/或终端设备，本发明对此不作限定。本发明实施例中以服务器为例进行说明。

图1是根据一示例性实施例示出的数据处理方法的流程图。

如图1所示，该方法可以包括但不限于以下步骤：

在s110中，接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据。

根据本发明实施例，服务器接收到的待预测通讯标识可以是多个，在接收到待预测通讯标识，通过已授权的运营商数据、短信数据、sdk采集数据、已授权的终端设备爬取到每个待预测通讯标识的多个维度的特征数据。

本发明实施例中，待预测通讯标识可以是能够进行通讯的终端设备或者客户端的号码或账号，例如，手机号码、微信账号、微博账号、支付宝账号等。

本发明实施例中，多个维度的特征数据可以包括：通话记录、消息记录以及用户在终端设备上的操作日志。例如，对于手机号码而言，多个维度的特征数据可以是该手机号码的通话记录，短信记录以及用户在该手机号码对应的手机上的操作日志。

在s120中，将所述多个维度的特征数据输入至深度学习模型，以获取所述待预测通讯标识的计算数据。

本发明实施例中，预先设置有深度学习模型，通过将上述待预测通讯标识的多个维度的特征数据输入至该深度学习模型，可以获取到待预测通讯标识的计算数据，该计算数据可以是具体的数值，用于表示待预测通讯标识为第一类型通讯标识的概率。

在s130中，根据所述计算数据预测出所述待预测通讯标识的类型。

本发明实施例中，待预测通讯标识的类型可以包括：第一类型通讯标识以及第二类型通讯标识。第一类型通讯标识包括：注销的通讯标识、欠费的通讯标识以及停机的通讯标识中的至少一种。例如，注销的微信账号，欠费的手机号码。述第二类型通讯标识包括：被使用中的通讯标识、非注销的通讯标识以及非空号的通讯标识中的至少一种。例如，被使用的手机号码，微信账号。

根据本发明实施例，在获取所述待预测通讯标识的计算数据后，将该计算数据中的具体数值与阈值进行比较，若大于该阈值预测为第一类型通讯标识，若不大于该阈值为第二类型通讯标识。

例如，将深度学习模型的计算数据按十分段划分概率，将第一类型通讯标识占比较大的分数段设置为阈值，超过该阈值的预测为第一类型通讯标识，其余为第二类型通讯标识。

本发明实施例中，基于接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据；将所述多个维度的特征数据输入至深度学习模型，以获取所述待预测通讯标识的计算数据；根据所述计算数据预测出所述待预测通讯标识的类型。通过深度学习模型实现通讯标识类型预测，提高了通讯标识预测的效率以及准确性，从而避免与第一类型通讯标识通讯时的时间以及成本的浪费。

下面结合具体的实施例，对本发明实施例中提出的数据处理方法进行进一步的说明。

图2是根据另一示例性实施例示出的数据处理方法的流程图。

如图2所示，该方法可以包括但不限于以下步骤：

在s210中，接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据。

在s220中，从所述待预测通讯标识中筛选出第一类型通讯标识以及第二类型通讯标识。

根据本发明实施例，从待预测通讯标识中筛选出第一类型通讯标识以及第二类型通讯标识时，可以从所述待预测通讯标识中筛选出第一初选类型通讯标识，从所述待预测通讯标识中筛选出第二初选类型通讯标识，然后，基于所述第一初选类型通讯标识以及第二初选类型通讯标识确定第一类型通讯标识以及第二类型通讯标识。

本发明实施例中，从待预测通讯标识中筛选出的第一初选类型通讯标识的集合可以表示为w1，从待预测通讯标识中筛选出的第二初选类型通讯标识的集合可以表示为w2，可以通过以下公式确定第一类型通讯标识以及第二类型通讯标识：

y1＝set(w2–w1)(1)

y2＝set(w1–w2)(2)

其中，y1表示第一类型通讯标识的集合，y2表示第二类型通讯标识的集合。通过上述公式(1)和(2)可以去除两个集合的交集。

需要指出的是，以上公式(1)和(2)确定第一类型通讯标识以及第二类型通讯标识的方法只是本方案提供的一种具体的示例，也可以通过对w1和w2进行其他公式的计算确定第一类型通讯标识以及第二类型通讯标识。

需要说明的是，在确定针对所述多个维度的特征数据的第一类型周期或第二类型周期之前，可以首先对样本数据进行预处理。例如，在某个维度的特征数据的空值、缺失值、单一值、异常值上做了清洗或填充处理。

本发明实施例中，从所述待预测通讯标识中筛选出第一初选类型通讯标识时，可以基于样本数据的多个维度的特征数据在第一预设时间段内的统计数据，确定针对所述多个维度的特征数据的第一类型周期，进而根据所述多个维度的特征数据的第一类型周期从所述待预测通讯标识中筛选出第一初选类型通讯标识。

本发明实施例中，在确定针对所述多个维度的特征数据的第一类型周期时，样本数据的多个维度的特征数据在多个第一预设时间段内的统计数据，可以是样本在多个第一预设时间段内的通话记录的次数、消息记录的次数，以及用户在终端设备上的操作日志的频率等。在确定每个维度的第一类型周期后，进一步的可以设置每个维度的第一类型阈值，根据待预测通讯标识的这些维度上的统计记录与各自的阈值的比较结果，确定待预测标识是否为第一初选类型通讯标识。

例如，多个第一预设时间段可以为距离当前时间一个月，距离当前时间两个月，距离当前时间三个月。通话记录的维度表示为a，消息记录的维度表示为b，用户在终端设备上的操作日志表示为c。进一步的，a在距离当前时间一个月的统计数据表示为a1，a在距离当前时间两个月的统计数据表示为a2，a在距离当前时间三个月的统计数据表示为a3，b在距离当前时间一个月的统计数据表示为b1，b在距离当前时间两个月的统计数据表示为b2，b在距离当前时间三个月的统计数据表示为b3，c在距离当前时间一个月的统计数据表示为c1，c在距离当前时间两个月的统计数据表示为c2，c在距离当前时间三个月的统计数据表示为c3。将样本数据的多个维度以及多个第一预设时间段进行组合，得到每种组合中第一类型通讯标识的概率，例如，a1∪b1∪c1，a1∪b2∪c1，a1∪b2∪c2……假设，a1∪b2∪c2组合中第一类型通讯标识概率最高，则a维度的第一类型周期为距离当前时间一个月，b维度的第一类型周期为距离当前时间两个月，c维度的第一类型周期为距离当前时间两个月，并为每个维度设置各自的第一类型阈值。则根据待预测通讯标识的a维度在距离当前时间一个月内的统计数据、b维度在距离当前时间两个月内的统计数据、c维度在距离当前时间两个月内的统计数据与各自维度的第一阈值比较，确定该待预测通讯标识是否为第一初选类型通讯标识。

本发明实施例中，从所述待预测通讯标识中筛选出第二初选类型通讯标识时，可以基于样本数据的多个维度的特征数据在多个第二预设时间段内的统计数据，确定针对所述多个维度的特征数据的第二类型周期，根据所述多个维度的特征数据的第二类型周期从所述待预测通讯标识中筛选出第二初选类型通讯标识。

本发明实施例中，样本数据的多个维度的特征数据在多个第二预设时间段内的统计数据，可以是样本在多个第二预设时间段内的通话记录的次数、消息记录的次数，以及用户在终端设备上的操作日志的频率等。在确定每个维度的第二类型周期后，进一步的可以设置每个维度的第二类型阈值，根据待预测通讯标识的这些维度上的统计记录与各自的阈值的比较结果，确定待预测标识是否为第二初选类型通讯标识。

例如，多个第二预设时间段可以为距离当前时间一年，距离当前时间两年，距离当前时间三年。通话记录的维度表示为a，消息记录的维度表示为b，用户在终端设备上的操作日志表示为c。假设，a3∪b3∪c2组合中第二类型通讯标识概率最高，则a维度的第二类型周期为距离当前时间三年，b维度的第二类型周期为距离当前时间三年，c维度的第二类型周期为距离当前时间两年，并为每个维度设置各自的第二类型阈值。则根据待预测通讯标识的a维度在距离当前时间三年内的统计数据、b维度在距离当前时间三年内的统计数据、c维度在距离当前时间两年内的统计数据与各自维度的第二阈值比较，确定该待预测通讯标识是否为第二初选类型通讯标识。

需要说明的是，本发明实施例中的样本数据可以通过实际拨打或者通讯获得，以保证样本真实有效，进而从运营商数据、短信数据、sdk采集数据、已授权的终端设备爬取到每个样本数据的多个维度的特征数据。

上述实施例中，通过为每种类型确定各自的类型周期，通过将多个维度的特征数据与各自的类型周期的阈值进行对比的这种较为严苛的方式，从待预测通讯标识中尽可能多的筛选出第一初选类型和第二初选类型的通讯标识，在保证了第一初选类型以及第二初选类型的通讯标识的准确率的同时，融合多个维度进行筛选，提高召回率和精确度。

在s230中，将剩余的待预测通讯标识输入至所述深度学习模型，获取所述剩余的待预测通讯标识的计算数据。

本发明实施例中，将待预测通讯标识中筛选出第一类型通讯标识以及第二类型通讯标识的剩余部分输入至深度学习模型，以确定这些预测通讯标识的计算数据。

在s240中，根据所述计算数据预测出所述待预测通讯标识的类型。

根据本发明实施例，根据剩余的待预测通讯标识的计算数据预测出剩余的待预测通讯标识的类型后，可以进一步的将其与在s220中确定的第一类型通讯标识以及第二类型通讯标识进行合并，从而得到所有的接收到的待预测通讯标识的类型。

本发明实施例中，从所述待预测通讯标识中筛选出第一类型通讯标识以及第二类型通讯标识，从所述待预测通讯标识中筛选出第二初选类型通讯标识，实现了提前筛选与深度学习模型相结合，共同确定待预测通讯标识的类型，从而最大限度提升通讯标识类型预测准确率的同时，降低深度学习模型的计算成本，进一步提升通讯标识类型预测的效率，同时维持深度学习模型的稳定性。

下面对获取深度学习模型的方法进行详细说明。图3是根据一示例性实施例示出的获取深度学习模型的方法的流程图。

如图3所示，该方法可以包括但不限于以下流程：

在s310中，构建多层深度学习网络。

本发明实施例中，需要对第一类型通讯标识定义理解清楚和特征的变换，并掌握深度学习算法的原理，以及如何对神经网络进行调参，建立几层神经网络模型，每层有多少节点，输入输出层各有多少节点，如何防止模型过拟合，损失函数的选取和各非线性转换函数的区别等，最后根据实际的应用场景和数据制定不同的规则，在建模样本上评估规则的好坏来调整规则的制定。

其次选取合适的神经网络模型，理解每个神经网络的参数含义，根据自身业务和数据挑选合适的参数，构建多层神经网络，选择适合的损失函数，非线性转换函数，训练次数，调节神经网络隐藏层的节点数，隐藏层的层数等等，通过不同的方法来评估模型的好坏，例如混淆矩阵，召回率，精确度，ks等。

图4为本发明实施例提供的一种深度学习网络的示意图。如图4所示：a1…an为输入模型输入向量，w1～wn为神经元各个突触的权值，b为偏置，f为传递函数(通常为非线性函数),t为神经元输出，数学表示为t＝f(wa'+b)，w为权向量，a为输入向量，a'为a向量的转置，可见，一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。单个神经元的作用：把一个n维向量空间用一个超平面分割成两部分(称之为判断边界)，给定一个输入向量，神经元可以判断出这个向量位于超平面的哪一边。该超平面的方程:wp+b＝0，因此当我们给定一组特征时，可以判断该通讯标识是否第一类型通讯标识。

在s320中，基于样本数据对所述多层深度学习网络进行训练，以获取深度学习模型。

本发明实施例中，在基于样本数据对所述多层深度学习网络进行训练之前，对样本数据进行归一化，通过归一化后的样本数据评估模型的准确性，不停迭代优化模型参数，使模型达到最优状态。

例如，可以将归一化后的样本数据分成训练集，测试集和验证集用于模型的交叉验证，最后输出第一类型通讯标识的概率。

需要说明的是，对所述多层深度学习网络进行训练的样本，其多个维度的特征数据相比较于确定第一初选类型以及第二初选类型的通讯标识的多个维度的特征数据更为细致，可以是定第一初选类型以及第二初选类型的通讯标识的多个维度的特征数据衍生出的部分特征数据，例如，近一周通话次数，通话总时长，近一周是否有安装app或卸载app等等信息。

应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。

下述为本发明装置实施例，可以用于执行本发明方法实施例。在下文对装置的描述中，与前述方法相同的部分，将不再赘述。

图5是根据一示例性实施例示出的一种数据处理装置的结构图。

如图5所示，该装置500可以包括：

接收模块510，用于接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据；

获取模块520，用于将所述多个维度的特征数据输入至深度学习模型，以获取所述待预测通讯标识的计算数据；

预测模块530，用于根据所述计算数据预测出所述待预测通讯标识的类型。

本发明实施例中，基于接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据；将所述多个维度的特征数据输入至深度学习模型，以获取所述待预测通讯标识的计算数据；根据所述计算数据预测出所述待预测通讯标识的类型。通过深度学习模型实现通讯标识类型预测，提高了通讯标识预测的效率以及准确性，从而避免与第一类型通讯标识通讯时的时间以及成本的浪费。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备可以执行：接收待预测通讯标识，并获取所述待预测通讯标识的多个维度的特征数据；将所述多个维度的特征数据输入至深度学习模型，以获取所述待预测通讯标识的计算数据；根据所述计算数据预测出所述待预测通讯标识的类型。

图6是根据一示例性实施例示出的一种电子设备的结构示意图。需要说明的是，图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的终端中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收模块、获取模块、预测模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

以上具体示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。