样本特征确定方法、样本特征确定装置和电子设备与流程

本申请涉及机器学习技术领域，具体而言，涉及一种样本特征确定方法、样本特征确定装置和电子设备。

背景技术：

在机器学习模型的搭建(训练)过程中，一个重要步骤是数据特征选择。其中，特征选择是指结合专业背景知识和技巧，利用算法从已有特征中筛选出一部分特征描述数据。

但是，经发明人研究发现，基于现有技术确定用于训练机器学习模型的数据特征时，存在确定的数据特征的有效性不佳的问题。

技术实现要素：

有鉴于此，本申请的目的在于提供一种样本特征确定方法、样本特征确定装置和电子设备，以改善现有技术中在确定用于训练机器学习模型的数据特征时存在确定的数据特征的有效性不佳的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种样本特征确定方法，用于训练机器学习模型，所述样本特征确定方法应用于电子设备，所述样本特征确定方法包括：

获取具有二分类标签信息的样本数据，并基于所述样本数据包括的多个数据特征形成特征组合，得到初始特征组合，其中，所述二分类标签信息用于表征所述样本数据对应的业务是否达到目标条件；

对所述初始特征组合进行第一筛选处理，得到所述初始特征组合对应的第一特征组合，其中，所述第一特征组合包括的数据特征的数量小于或等于所述初始特征组合包括的数据特征的数量；

基于所述数据特征之间的相关性关系和线性判别分析算法，对所述第一特征组合进行处理，得到所述第一特征组合对应的第二特征组合，其中，所述线性判别分析算法用于对数据特征进行降维处理；

对所述第二特征组合进行第二筛选处理，得到所述第二特征组合对应的目标特征组合，其中，所述目标特征组合包括的数据特征的数量小于或等于所述第二特征组合包括的数据特征的数量，所述目标特征组合包括的数据特征用于训练机器学习模型，所述机器学习模型用于判断目标业务是否达到所述目标条件。

在本申请实施例较佳的选择中，在上述样本特征确定方法中，所述基于所述数据特征之间的相关性关系和线性判别分析算法，对所述第一特征组合进行处理，得到所述第一特征组合对应的第二特征组合的步骤，包括：

计算所述第一特征组合中各数据特征之间的相关系数，并基于该相关系数得到所述第一特征组合对应的第一相关性矩阵；

针对所述第一特征组合中的每一个数据特征，基于所述第一相关性矩阵中该数据特征与其它的每一个数据特征之间的相关系数和第二预设阈值，确定该数据特征对应的高相关性特征集合；

基于所述第一特征组合中每一个数据特征对应的高相关性特征集合，构建所述第一特征组合对应的高相关性特征组合；

基于线性判别分析算法对所述高相关性特征组合进行降维处理，得到所述高相关性特征组合对应的降维特征组合；

基于所述高相关性特征组合和所述降维特征组合，得到第二特征组合。

在本申请实施例较佳的选择中，在上述样本特征确定方法中，所述对所述初始特征组合进行第一筛选处理，得到所述初始特征组合对应的第一特征组合的步骤，包括：

对所述初始特征组合包括的数据特征进行iv值计算，得到所述初始特征组合中每一个数据特征的iv值，其中，所述iv值用于表征对应的数据特征对业务是否达到所述目标条件的预测能力的大小；

基于所述初始特征组合中每一个数据特征的iv值和第一预设阈值，对所述初始特征组合中的每一个数据特征进行第一筛选处理，得到所述初始特征组合对应的第一特征组合。

在本申请实施例较佳的选择中，在上述样本特征确定方法中，所述对所述第二特征组合进行第二筛选处理，得到所述第二特征组合对应的目标特征组合的步骤，包括：

计算所述第二特征组合中各数据特征之间的相关系数，并基于该相关系数得到所述第二特征组合对应的第二相关性矩阵；

对所述第二特征组合包括的数据特征进行iv值计算，得到所述第二特征组合中每一个数据特征的iv值；

针对所述第二特征组合中的每两个数据特征，基于该两个数据特征在所述第二相关性矩阵中的相关系数是否大于第三预设阈值、该两个数据特征对应的iv值之间的大小关系，对该两个数据特征进行第二筛选处理；

基于进行第二筛选处理筛选出的数据特征构建对应的目标特征组合。

在本申请实施例较佳的选择中，在上述样本特征确定方法中，基于进行第二筛选处理筛选出的数据特征构建对应的目标特征组合的步骤，包括：

基于进行第二筛选处理筛选出的数据特征对初始树模型进行训练，得到所述初始树模型对应的目标树模型；

基于所述目标树模型确定进行第二筛选处理筛选出的每一个数据特征的增益贡献，其中，所述增益贡献为对应的数据特征在树模型中作为分裂节点的信息增益之和与该数据特征的出现频次的比值；

基于进行第二筛选处理筛选出的每一个数据特征的增益贡献，确定出多个目标数据特征；

基于所述多个目标数据特征构建对应的目标特征组合。

在本申请实施例较佳的选择中，在上述样本特征确定方法中，基于进行第二筛选处理筛选出的每一个数据特征的增益贡献，确定出多个目标数据特征的步骤，包括：

针对基于进行第二筛选处理筛选出的每一个数据特征，判断该数据特征的增益贡献是否大于第四预设阈值，并在增益贡献大于所述第四预设阈值时，将该数据特征确定为目标数据特征；或者

将增益贡献最大的目标数量个数据特征确定为目标数据特征。

在本申请实施例较佳的选择中，在上述样本特征确定方法中，所述基于所述多个目标数据特征构建对应的目标特征组合的步骤，包括：

基于所述多个目标数据特征对初始树模型进行训练，得到所述初始树模型对应的新的目标树模型；

基于所述新的目标树模型确定每一个所述目标数据特征的增益贡献，并基于该增益贡献按照升序顺序对所述多个目标数据特征进行排序；

对所述多个目标数据特征进行iv值计算，得到每一个所述目标数据特征的iv值，并基于该iv值得到对应的iv图；

按照进行排序的排序结果依次基于所述目标数据特征对应的iv图对所述目标数据特征进行筛选处理，得到预定数量个目标数据特征；

基于所述预定数量个目标数据特征构建对应的目标特征组合。

在本申请实施例较佳的选择中，在上述样本特征确定方法中，所述按照进行排序的排序结果依次基于所述目标数据特征对应的iv图对所述目标数据特征进行筛选处理，得到预定数量个目标数据特征的步骤，包括：

在确定出预定数量个目标数据特征之前，按照进行排序的排序结果依次将每一个所述目标数据特征作为待处理目标数据特征；

判断所述待处理目标数据特征对应的iv图中的分布信息是否满足预设条件，并在该分布信息满足该预设条件时，将该待处理目标数据特征确定为所述预定数量个目标数据特征中的一个，直到确定出所述预定数量个目标数据特征。

本申请实施例还提供了一种样本特征确定装置，用于训练机器学习模型，所述样本特征确定装置应用于电子设备，所述样本特征确定装置包括：

初始特征组合获得模块，用于获取具有二分类标签信息的样本数据，并基于所述样本数据包括的多个数据特征形成特征组合，得到初始特征组合，其中，所述二分类标签信息用于表征所述样本数据对应的业务是否达到目标条件；

第一特征组合获得模块，用于对所述初始特征组合进行第一筛选处理，得到所述初始特征组合对应的第一特征组合，其中，所述第一特征组合包括的数据特征的数量小于或等于所述初始特征组合包括的数据特征的数量；

第二特征组合获得模块，用于基于所述数据特征之间的相关性关系和线性判别分析算法，对所述第一特征组合进行处理，得到所述第一特征组合对应的第二特征组合，其中，所述线性判别分析算法用于对数据特征进行降维处理；

目标特征组合获得模块，用于对所述第二特征组合进行第二筛选处理，得到所述第二特征组合对应的目标特征组合，其中，所述目标特征组合包括的数据特征的数量小于或等于所述第二特征组合包括的数据特征的数量，所述目标特征组合包括的数据特征用于训练机器学习模型，所述机器学习模型用于判断目标业务是否达到所述目标条件。

在上述基础上，本申请实施例还提供了一种电子设备，包括：

存储器，用于存储计算机程序；

与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的样本特征确定方法。

本申请提供的样本特征确定方法、样本特征确定装置和电子设备，在确定数据特征的过程中，通过线性判别分析算法对特征组合进行处理，使得可以通过对数据特征的降维处理来实现对特征组合的共线性剔除，从而使得确定的目标特征组合包括的数据特征能够训练出具有较高精度的机器学习模型，进而改善现有技术中在确定用于训练机器学习模型的数据特征时存在确定的数据特征的有效性不佳的问题。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本申请实施例提供的电子设备的结构框图。

图2为本申请实施例提供的样本特征确定方法的流程示意图。

图3为本申请实施例提供的样本特征确定装置的方框示意图。

图标：10-电子设备；12-存储器；14-处理器；100-样本特征确定装置；110-初始特征组合获得模块；120-第一特征组合获得模块；130-第二特征组合获得模块；140-目标特征组合获得模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本申请的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，本申请实施例提供了一种电子设备10，可以包括存储器12、处理器14和样本特征确定装置100。

其中，所述存储器12和处理器14之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述样本特征确定装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器12中的软件功能模块。所述处理器14用于执行所述存储器12中存储的可执行的计算机程序，例如，所述样本特征确定装置100所包括的软件功能模块及计算机程序等，以实现本申请实施例提供的样本特征确定方法。

可选地，所述存储器12可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。

并且，所述处理器14可以是一种通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)、片上系统(systemonchip，soc)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以理解，图1所示的结构仅为示意，所述电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置，例如，还可以包括用于与其它设备(如数据库服务器)进行信息交互的通信单元。

结合图2，本申请实施例还提供一种可应用于上述电子设备10的样本特征确定方法。其中，所述样本特征确定方法有关的流程所定义的方法步骤可以由所述电子设备10实现，用于训练机器学习模型。

下面将对图2所示的具体流程，进行详细阐述。

步骤s110，获取具有二分类标签信息的样本数据，并基于所述样本数据包括的多个数据特征形成特征组合，得到初始特征组合。

在本实施例中，所述电子设备10可以先获取具有二分类标签信息的样本数据，然后，基于所述样本数据包括的多个数据特征形成特征组合，如此，可以得到初始特征组合。

其中，所述二分类标签信息用于表征所述样本数据对应的业务是否达到目标条件，例如，表征对应的信贷业务是否有(30日及以上的)逾期。所述数据特征可以是指年龄、性别、收入等。

步骤s120，对所述初始特征组合进行第一筛选处理，得到所述初始特征组合对应的第一特征组合。

在本实施例中，在基于步骤s110得到所述初始特征组合之后，所述电子设备10可以对所述初始特征组合进行第一筛选处理，如此，可以得到所述初始特征组合对应的第一特征组合。

其中，所述第一特征组合包括的数据特征的数量小于或等于所述初始特征组合包括的数据特征的数量。

步骤s130，基于数据特征之间的相关性关系和线性判别分析算法，对所述第一特征组合进行处理，得到所述第一特征组合对应的第二特征组合。

在本实施例中，在基于步骤s120得到所述第一特征组合之后，所述电子设备10可以基于数据特征之间的相关性关系和线性判别分析(lda，lineardiscriminantanalysis)算法，对所述第一特征组合进行处理，如此，可以得到所述第一特征组合对应的第二特征组合。其中，所述线性判别分析算法用于对数据特征进行降维处理。

步骤s140，对所述第二特征组合进行第二筛选处理，得到所述第二特征组合对应的目标特征组合。

在本实施例中，在基于步骤s130得到所述第二特征组合之后，所述电子设备10可以对所述第二特征组合进行第二筛选处理，如此，可以得到所述第二特征组合对应的目标特征组合。

其中，所述目标特征组合包括的数据特征的数量小于或等于所述第二特征组合包括的数据特征的数量，所述目标特征组合包括的数据特征用于训练机器学习模型，并且，学习到的所述机器学习模型用于判断目标业务是否达到所述目标条件，如判断目标信贷业务是否会逾期或确定目标信贷业务逾期的概率，使得可以基于该概率确定是否通过审核。

基于上述方法，在确定数据特征的过程中，通过线性判别分析算法对特征组合进行处理，使得可以通过对数据特征的降维处理来实现对特征组合的共线性剔除，从而使得确定的目标特征组合包括的数据特征能够训练出具有较高精度的机器学习模型，进而改善现有技术中在确定用于训练机器学习模型的数据特征时存在确定的数据特征的有效性不佳的问题。

可以理解的是，在一种可以替代的示例中，在执行步骤s110时，可以基于以下步骤以获取所述样本数据：从预先存储的文本文件或数据库中获取所述样本数据。

可以理解的是，在一种可以替代的示例中，在执行步骤s120时，可以基于以下步骤以得到所述第一特征组合：

首先，对所述初始特征组合包括的数据特征进行iv(informationvalue)值计算，得到所述初始特征组合中每一个数据特征的iv值，其中，所述iv值用于表征对应的数据特征对业务是否达到所述目标条件的预测能力的大小，主要用来对输入变量进行编码和预测能力评估；

其次，基于所述初始特征组合中每一个数据特征的iv值和第一预设阈值，对所述初始特征组合中的每一个数据特征进行第一筛选处理，得到所述初始特征组合对应的第一特征组合，例如，可以筛除iv值小于所述第一预设阈值的每一个数据特征，保留iv值大于或等于所述第一预设阈值的每一个数据特征，以得到所述第一特征组合，其中，所述第一预设阈值可以基于所述电子设备10响应对应用户进行的配置操作生成。

可以理解的是，在一种可以替代的示例中，在执行步骤s130时，可以基于以下步骤以得到所述第二特征组合：

第一步，计算所述第一特征组合中各数据特征之间的相关系数，并基于该相关系数得到所述第一特征组合对应的第一相关性矩阵，其中，所述相关系数可以是指皮尔逊相关系数或斯皮尔曼相关系数等，用于表征两个数据特征之间的变化趋势和方向的关联密切程度；

第二步，针对所述第一特征组合中的每一个数据特征，基于所述第一相关性矩阵中该数据特征与其它的每一个数据特征之间的相关系数和第二预设阈值，确定该数据特征对应的高相关性特征集合，例如，针对每一个数据特征，该数据特征对应的高相关性特征集合可以包括与该数据特征之间的相关系数大于所述第二预设阈值的每一个数据特征，其中，所述第二预设阈值可以基于所述电子设备10响应对应用户根据实际业务场景进行的配置操作生成；

第三步，基于所述第一特征组合中每一个数据特征对应的高相关性特征集合，构建所述第一特征组合对应的高相关性特征组合；

第四步，基于线性判别分析算法对所述高相关性特征组合进行降维处理，得到所述高相关性特征组合对应的降维特征组合，例如，可以将所述高相关性特征组合降至一维，以得到一维的降维特征组合；

第五步，基于所述高相关性特征组合和所述降维特征组合，得到第二特征组合，例如，可以将所述降维特征组合中的数据特征加入到所述高相关性特征组合中，得到所述第二特征组合，其中，所述高相关性特征组合包括的数据特征的数量和所述降维特征组合包括的数据特征的数量相同。

可以理解的是，在一种可以替代的示例中，在执行步骤s140时，可以基于以下步骤以得到所述目标特征组合：

第一步，计算所述第二特征组合中各数据特征之间的相关系数(如前所述)，并基于该相关系数得到所述第二特征组合对应的第二相关性矩阵；

第二步，对所述第二特征组合包括的数据特征进行iv值计算，得到所述第二特征组合中每一个数据特征的iv值；

第三步，针对所述第二特征组合中的每两个数据特征，基于该两个数据特征在所述第二相关性矩阵中的相关系数是否大于第三预设阈值、该两个数据特征对应的iv值之间的大小关系，对该两个数据特征进行第二筛选处理，例如，可以先构建一个与所述第二特征组合相同的待处理特征组合，然后，依次遍历所述第二特征组合中的每两个数据特征，针对遍历到的两个数据特征，先判断两个数据特征之间的相关系数是否大于第三预设阈值，并在大于所述第三预设阈值，且在所述待处理特征组合包括该两个数据特征时，可以将所述待处理特征组合中该两个数据特征中的一个删除，如前一个数据特征的iv值更大，可以删除后一个数据特征，如此，在遍历完成之后，可以将当前的待处理特征组合作为所述目标特征组合，其中，所述第三预设阈值基于所述电子设备10响应对应用户进行的配置操作生成；

第四步，基于进行第二筛选处理筛选出的数据特征构建对应的目标特征组合(如前所述)。

可以理解的是，在一种可以替代的示例中，可以基于以下步骤以通过第二筛选处理筛选出的数据特征构建所述目标特征组合：

第一步，基于进行第二筛选处理筛选出的数据特征对初始树模型(如xgboost)进行训练，得到所述初始树模型对应的目标树模型；

第二步，基于所述目标树模型确定进行第二筛选处理筛选出的每一个数据特征的增益贡献，其中，所述增益贡献为对应的数据特征在树模型中作为分裂节点的信息增益之和与该数据特征的出现频次的比值；

第三步，基于进行第二筛选处理筛选出的每一个数据特征的增益贡献，确定出多个目标数据特征；

第四步，基于所述多个目标数据特征构建对应的目标特征组合。

可以理解的是，在一种可以替代的示例中，可以基于以下步骤以基于所述增益贡献确定出所述多个目标数据特征：

针对基于进行第二筛选处理筛选出的每一个数据特征，判断该数据特征的增益贡献是否大于第四预设阈值，并在增益贡献大于所述第四预设阈值时，将该数据特征确定为目标数据特征，其中，所述第四预设阈值可以基于所述电子设备10响应对应用户进行的配置操作生成。

可以理解的是，在另一种可以替代的示例中，也可以基于以下步骤以基于所述增益贡献确定出所述多个目标数据特征：

将增益贡献最大的目标数量个数据特征确定为目标数据特征。

可以理解的是，在一种可以替代的示例中，可以基于以下步骤以通过所述目标数据特征构建所述目标特征组合：

第一步，基于所述多个目标数据特征对初始树模型进行训练，得到所述初始树模型对应的新的目标树模型；

第二步，基于所述新的目标树模型确定每一个所述目标数据特征的增益贡献，并基于该增益贡献按照升序顺序对所述多个目标数据特征进行排序，即按照增益贡献从小到大的顺序进行排序；

第三步，对所述多个目标数据特征进行iv值计算，得到每一个所述目标数据特征的iv值，并基于该iv值得到对应的iv图；

第四步，按照进行排序的排序结果依次基于所述目标数据特征对应的iv图对所述目标数据特征进行筛选处理，得到预定数量个目标数据特征；

第五步，基于所述预定数量个目标数据特征构建对应的目标特征组合。

可以理解的是，在一种可以替代的示例中，可以基于以下步骤以基于iv图对对所述目标数据特征进行筛选处理：

第一步，在确定出预定数量个目标数据特征之前，按照进行排序的排序结果依次将每一个所述目标数据特征作为待处理目标数据特征；

第二步，判断所述待处理目标数据特征对应的iv图中的分布信息是否满足预设条件，并在该分布信息满足该预设条件时，将该待处理目标数据特征确定为所述预定数量个目标数据特征中的一个，直到确定出所述预定数量个目标数据特征。

基于此，由于按照升序进行排序，可以优先删除增益贡献低的数据特征，如此，可以使得留下的数据特征的增益贡献较大，或较为均匀，从而使得对应的数据特征具有较好的趋势性或均匀性。

其中，iv图中的分布信息可以是指正例(如二分类标签信息表征对应的业务达到所述目标条件)占比，如正例占比的变化趋势的线性度不好，如形成折线等，可以认为不满足预设条件。iv图中的分布信息还可以是指分区的数量占比，如该数量占比不均衡可以认为不满足预设条件，如对于年龄数据特征，可以按照取值划分为多个年龄段区间，每一个年龄段区间具有的取值数量之间的差异较大，可以认为不满足预设条件。

结合图3，本申请实施例还提供一种可应用于上述电子设备10的样本特征确定装置100。其中，所述样本特征确定装置100可以包括初始特征组合获得模块110、第一特征组合获得模块120、第二特征组合获得模块130和目标特征组合获得模块140。

所述初始特征组合获得模块110，用于获取具有二分类标签信息的样本数据，并基于所述样本数据包括的多个数据特征形成特征组合，得到初始特征组合，其中，所述二分类标签信息用于表征所述样本数据对应的业务是否达到目标条件。在本实施例中，所述初始特征组合获得模块110可用于执行图2所示的步骤s110，关于所述初始特征组合获得模块110的相关内容可以参照前文对步骤s110的描述。

所述第一特征组合获得模块120，用于对所述初始特征组合进行第一筛选处理，得到所述初始特征组合对应的第一特征组合，其中，所述第一特征组合包括的数据特征的数量小于或等于所述初始特征组合包括的数据特征的数量。在本实施例中，所述第一特征组合获得模块120可用于执行图2所示的步骤s120，关于所述第一特征组合获得模块120的相关内容可以参照前文对步骤s120的描述。

所述第二特征组合获得模块130，用于基于所述数据特征之间的相关性关系和线性判别分析算法，对所述第一特征组合进行处理，得到所述第一特征组合对应的第二特征组合，其中，所述线性判别分析算法用于对数据特征进行降维处理。在本实施例中，所述第二特征组合获得模块130可用于执行图2所示的步骤s130，关于所述第二特征组合获得模块130的相关内容可以参照前文对步骤s130的描述。

所述目标特征组合获得模块140，用于对所述第二特征组合进行第二筛选处理，得到所述第二特征组合对应的目标特征组合，其中，所述目标特征组合包括的数据特征的数量小于或等于所述第二特征组合包括的数据特征的数量，所述目标特征组合把控的数据特征用于训练机器学习模型，所述机器学习模型用于判断目标业务是否达到所述目标条件。在本实施例中，所述目标特征组合获得模块140用于执行图2所示的步骤s140，关于所述目标特征组合获得模块140的相关内容可以参照前文对步骤s140的描述。

综上所述，本申请提供的样本特征确定方法、样本特征确定装置和电子设备，在确定数据特征的过程中，通过线性判别分析算法对特征组合进行处理，使得可以通过对数据特征的降维处理来实现对特征组合的共线性剔除，从而使得确定的目标特征组合包括的数据特征能够训练出具有较高精度的机器学习模型，进而改善现有技术中在确定用于训练机器学习模型的数据特征时存在确定的数据特征的有效性不佳的问题。

在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本申请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(可以是个人计算机，电子设备，或者网络设备等)执行本申请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、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，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。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。