目标对象识别方法、装置、电子设备及存储介质与流程

本公开涉及数据处理技术领域，具体而言，涉及一种目标对象识别方法、目标对象识别装置、电子设备以及计算机可读存储介质。

背景技术：

客户关系管理对于保险公司的发展极为重要。它要求保险公司以客户为中心不断完善销售服务流程，优化客户体验，实现吸引新客户、挽留已有客户和提高已有客户粘性等重要功能。客户等级就是客户粘性和客户价值的重要体现。因此，促进客户升级、防止客户降级、实现客户从普客到贵宾再到高客的不断转化对于保险公司发展非常重要。

展业活动(如产说会、体验式营销活动等)是保险产品销售的重要方式。因此，为了避免盲目地选取参加展业活动的客户，浪费运营成本，需要提供一种精准的方式找到可以实现有效转化的客户。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此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：

本公开的目的在于提供一种目标对象识别方法、装置、电子设备及计算机可读存储介质，以有效选取适合参加展业活动的客户。

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

根据本公开的一个方面，提供一种目标对象识别方法，包括：

基于多个待训练对象的第一特征数据进行建模以确定最优模型，并基于所述最优模型在所述待训练对象中确定多个参考样本；

对全部所述参考样本的数据进行处理以确定多个参考指标；

将参与目标活动的多个备选对象的第二特征数据代入到所述最优模型中，以确定多个待选目标对象；

基于所述参考样本的多个所述参考指标及所述目标活动的多个预设指标，在所述待选目标对象中确定所述目标活动的目标对象。

在本公开的一种示例性实施例中，所述确定多个参考样本包括：

将多个待训练对象的第一特征数据分别归入训练集与测试集；

对所述训练集基于xgboost模型进行训练以确定最优升级模型与最优降级模型，所述最优模型包括所述最优升级模型与最优降级模型；

将所述测试集代入到所述最优升级模型与最优降级模型中，以确定多个升级样本与降级样本，所述参考样本包括所述升级样本与降级样本。

在本公开的一种示例性实施例中，所述确定多个参考指标包括：

在所述升级样本中，对应多个不同的阈值，计算升级概率大于各所述阈值的多个所述升级样本的平均升级收益；以及

在所述降级样本中，对应多个不同的阈值，计算降级概率大于各所述阈值的多个所述降级样本的平均保级收益；

其中，所述多个参考指标包括所述平均升级收益与所述平均保级收益。

在本公开的一种示例性实施例中，所述确定多个待选目标对象包括：

将参与所述目标活动的多个备选对象的第二特征数据代入到所述最优升级模型与最优降级模型中，以确定升级对象与降级对象；

其中，所述待选目标对象包括所述升级对象与降级对象。

在本公开的一种示例性实施例中，所述目标活动的多个预设指标包括：

目标活动的预设保费收入、预设目标对象数量、预设升级转化率以及预设保级转化率。

在本公开的一种示例性实施例中，所述在所述待选目标对象中确定所述目标活动的目标对象包括：

基于所述平均升级收益、所述平均保级收益与所述目标活动的预设保费收入、预设目标对象数量、预设升级转化率以及预设保级转化率，结合所述升级对象数量及所述降级对象数量，确定目标升级对象与目标降级对象；

其中，所述目标对象包括所述目标升级对象与目标降级对象。

在本公开的一种示例性实施例中，所述目标升级对象与目标降级对象包括根据下列步骤确定：

确定升级对象阈值与降级对象阈值，包括：

遍历所有升级对象阈值与降级对象阈值的阈值组合，使所述升级对象阈值与所述降级对象阈值满足下列不等式：

升级对象数量+降级对象数量≤预设目标对象数量

目标活动预计收益≥目标活动的预设保费收入

其中，目标活动预计收益＝升级对象数量×平均升级收益×升级转化率+降级对象数量×平均保级收益×保级转化率；

计算每个满足上述条件的阈值组合的目标活动预计收益，以确定最大的目标活动预计收益对应的阈值组合；

在所述升级对象中，确定升级概率大于所述升级对象阈值的所述升级对象为所述目标升级对象，以及在所述降级对象中，确定降级概率大于所述降级对象阈值的所述降级对象为所述目标降级对象。

根据本公开的第二个方面，提供一种目标对象识别装置，包括：

模型确定模块，用于基于多个待训练对象的第一特征数据进行建模以确定最优模型，并基于所述最优模型在所述待训练对象中确定多个参考样本；

数据处理模块，用于对全部所述参考样本的数据进行处理以确定多个参考指标；

模型代入模块，用于将参与目标活动的多个备选对象的第二特征数据代入到所述最优模型中，以确定多个待选目标对象；

对象确定模块，用于基于所述参考样本的多个所述参考指标及所述目标活动的多个预设指标，在所述待选目标对象中确定所述目标活动的目标对象。

根据本公开的第三个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的目标对象识别方法。

根据本公开的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的目标对象识别方法。

本示例性实施例提供的目标对象识别方法、装置、电子设备及计算机可读存储介质，可以基于已有客户数据建立模型，将测试数据代入模型中获得预测结果，将待选对象的数据代入模型中并结合预测结果，确定目标对象。本公开一方面可以提高预测准确率，有效识别适合参加展业活动的目标客户；另一方面，可以帮助识别重点客户，提高活动收益，降低活动资源浪费。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。

图1示意性示出了根据本公开的一个实施例的目标对象识别方法的流程图；

图2示出本公开示例性实施例中目标对象识别装置的框图；

图3示出了可以应用本公开实施例的一种目标对象识别方法及装置的示例性系统架构的示意图；

图4示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。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方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述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技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。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。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。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。

以下对本公开实施例的技术方案进行详细阐述：

本示例实施方式首先提供了一种目标对象识别方法，参考图1所示，该目标对象识别方法可以包括以下步骤：

步骤s110.基于多个待训练对象的第一特征数据进行建模以确定最优模型，并基于所述最优模型在所述待训练对象中确定多个参考样本；

步骤s120.对全部所述参考样本的数据进行处理以确定多个参考指标；

步骤s130.将参与目标活动的多个备选对象的第二特征数据代入到所述最优模型中，以确定多个待选目标对象；

步骤s140.基于所述参考样本的多个所述参考指标及所述目标活动的多个预设指标，在所述待选目标对象中确定所述目标活动的目标对象。

本示例性实施例提供的目标对象识别方法、装置、电子设备及计算机可读存储介质，可以基于已有客户数据建立模型，将测试数据代入模型中获得预测结果，将待选对象的数据代入模型中并结合预测结果，计算合适的阈值，进而根据阈值确定目标对象。本公开一方面可以提高预测准确率，有效识别适合参加展业活动的目标客户；另一方面，可以帮助识别重点客户，提高活动收益，降低活动资源浪费。

展业活动是保险产品销售的重要方式，因此，为了避免盲目的选取参加展业活动的客户，浪费运营成本，需要提供一种精准的方式找到可以实现有效转化的客户。

已有客户是客户中非常重要的一部分，由于已有客户资料齐全、具有保险购买意识、接触渠道顺畅、沟通成本较低，使得他们成为展业活动的重要目标客户。

而在已有客户中，近三年内有过保单购买行为的客户被称为活跃客户。相比于长期未购买保单的客户，活跃客户有以下优点：1)对保险的接受程度也比较高；2)个人信息在近三年内有更新和维护，信息的准确度高；3)近期内曾与代理人有接触，代理人与客户较为熟悉，便于代理人与客户再次接触，更容易促使客户参加展业活动并成功展业。

此外，虽然活跃客户量仅占已有客户总体的较小部分，但其升级比例却明显高于已有客户总体情况，有效缩小了筛选目标客户的范围，有利于寻找客户升降级的规律和提升模型准确性。

可见，活跃客户具有价值高、易开发且信息真实等特点。因此，本公开提供一种目标对象识别方法，以找到合适的活跃客户参加展业活动，对其进行再次开发，防止其发生降级甚至促使其升级，对于助力保险公司业绩增长非常重要。

下面，结合图3对本示例实施方式的上述步骤进行更加详细的说明。

步骤s110.基于多个待训练对象的第一特征数据进行建模以确定最优模型，并基于所述最优模型在所述待训练对象中确定多个参考样本。

本示例实施例中，由于活跃客户所具有的相关优点，可以选择活跃客户作为待训练对象，且可以选择一定数量的活跃客户作为待训练对象，以提供充足的建模数据。

第一特征数据可以为对多个待训练对象的相关数据进行加工所生成的特征数据。其中相关数据可以包括：个人数据、保单预警指标数据、客户的代理人信息以及家庭信息。

其中，个人数据还可以包括基本数据、保单数据、接触数据、活动参加情况数据、理赔数据。详细而言：

a)基本数据可以包括：收入、性别、年龄、婚姻状况、国籍、职业类型、学历及是否是代理人；

b)保单数据可以包括：基本保额、期缴保额、趸缴保费、标准保费、新单价值、ape保费、年缴保费、缴费期数总和、缴费年限、保障年期、业务渠道及产品类型等；

c)接触数据可以包括：接触渠道、接触反应类型及接触时间；

d)活动参加情况数据可以包括：活动类型、活动开始日期及活动结束日期；

e)理赔数据可以包括：理赔发生时间、理赔审视调查费用、提交理赔总额、理赔拒签总额、理赔调整总额以及理赔总额等。

保单预警指标数据可以包括在未来预设时长内(从现在至未来某一天期间的时长)，满期保单数量和标准保费、交满保单数量和期缴保费以及待缴保单数量和期缴保费。这些数据具有预警作用，可以用来指导未来保单收入情况。详细而言：

a)满期保单数量和标准保费：未来多个预设时长内(300/600/900天)满期的保单数量和标准保费；此外，还可以选择将上述多个预设时长内满期的保单数量和标准保费均纳入保单预警指标数据；例如包括未来300、600及900天内满期的保单数量和标准保费；

b)交满保单数量和期缴保费：未来多个预设时长内交满的保单数量和期缴保费；此外，还可以选择将所述多个预设时长内交满的保单数量和期缴保费均纳入保单预警指标数据；

c)待缴保单数量和期缴保费：未来多个预设时长内需要缴费的保单数和期缴保费数；此外，还可以，选择将所述多个预设时长内待缴保单数量和期缴保费均纳入保单预警指标数据。

客户的代理人信息可以包括负责待训练对象的代理人业绩评价信息和该代理人所属机构的评价信息。详细而言：

a)代理人业绩评价信息：代理人在最近的多个预设时长内(300/600/900天)的标准保费、保单数、客户数、客户在该代理人的所有客户中的重要性排名(以有效的标准保费和排序)；此外，还可以选择将上述多个预设时长内的标准保费、保单数、客户数、客户在该代理人的所有客户中的重要性排名等数据均纳入代理人业绩评价信息；

b)代理人所属机构的评价信息：各机构在最近的多个预设时长内未离职代理人的平均司龄、实动率、人均标准保费、件均标准保费及人均保单件数；此外，还可以选择将上述多个预设时长内的未离职代理人的平均司龄、实动率、人均标准保费、件均标准保费及人均保单件数等数据均纳入代理人所属机构的评价信息。

家庭信息可以包括家庭成员数，是否有父母子女夫妻，家庭成员的收入、家庭中各年龄层的人数、是否是家庭中的收入支柱等。引入指标原因为客户的投保对象中其家人占很大比重，其家人的保单需求同样应被重点考虑，因此加入其家庭成员的年龄、性别、收入等个人信息数据可以帮助提高预测的准确性。

以上，将四个维度的数据作为待训练对象的相关数据。此外，在其他实施例中，还可能包括一些其他数据，本公开不限制将一些重要相关数据引入到待训练对象的相关数据中，以帮助提高模型的准确性。

进一步的，对上述相关数据进行加工以生成第一特征数据。其中，加工过程具体可以包括预处理过程及特征工程过程。详细而言：

预处理过程可以包括：

a)数据类型粗化

由于一些类别型的数据的类数较多，如职业类型多达上千种，导致这些数据在升级、降级以及等级未发生变化的样本中的分布也较为离散，很难找到这个数据在升级样本(或者降级样本)与未升级样本(未降级样本)中的显著区别，因此可以对这类数据使用更粗的分类，例如将职业从上千种类型粗化，最终变为12种类型。

b)补全缺失数据

为了避免在建模过程中由于部分数据缺失而造成影响，可以根据数据的特征对数据缺失值使用中位数或者0补全。

特征工程过程，可以将上述数据根据数据类型，划分为四种类型，分别为数值型、有序型、指示型及类别型。并可以根据不同数据类型对数据进行加工，使得一列指标根据其分布变成多列指标，并根据数据计算客户近一段时间内的各指标的统计特征。

以上，首先经过预处理过程，可以合并相关数据中的离散数据、并补全缺失数据，从而简化了并完整了数据。再经过特征工程过程，对有效数据进行指标细化，从而生成了可以放入模型的第一特征数据。通过对原始的相关数据的预先处理，提高了数据质量，从而帮助建立更加准确的模型，进而提高预测准确率。

本示例实施例中，可以将第一特征数据按一定比例分别放入训练集与测试集。例如按照8:2的比例，将第一特征数据分别放入训练集与测试集。此处，所述比例还可以为7:3，9:1等，本公开在此不做特殊限定。

进一步的，对所述训练集进行训练以确定最优升降级模型可以包括，基于xgboost模型，对所述训练集进行训练，以确定最优升级模型与最优降级模型。详细而言，可以使用xgboost算法对训练集数据进行训练，建立模型，调节模型参数，根据测试集数据的精密率-召回率曲线(precision-recall-curve，prc)确定最优的xgboost模型，进而得到最优升级模型和最优降级模型。

将所述测试集代入到所述最优升级模型与最优降级模型中，以确定升级样本与降级样本。

其中，测试集为经过数据处理后获得的，将测试集代入到最优升级模型与最优降级模型中，以确定升级样本与降级样本可以包括：将测试集代入到最优升级模型与最优降级模型中，得到各样本的升级概率与降级概率。将升级概率大于降级概率的样本确定为升级样本，将升级概率不大于降级概率的样本确定为降级样本。

步骤s120，对全部所述参考样本的数据进行处理以确定多个参考指标。

详细而言，在所述升级样本中，对应多个不同的阈值，计算升级概率大于各所述阈值的多个所述升级样本的平均升级收益；以及在所述降级样本中，对应多个不同的阈值，计算降级概率大于各所述阈值的多个所述降级样本的平均保级收益；其中，所述多个参考指标包括所述平均升级收益与所述平均保级收益。

对于升级样本，计算不同阈值下，升级概率大于该阈值的那部分样本中真实发生升级的客户的保费增加额与升级概率大于该阈值的样本数之比，即升级样本的平均升级收益，也即客均升级保费收益。同理，对于降级样本，计算不同阈值下，降级概率大于该阈值的那部分样本中真实发生降级的客户的保费减少额与降级概率大于该阈值的样本数之比，即降级样本的平均保级收益，也即客均保级保费收益。

进而可以得到各个阈值下的升级样本的客均升级保费收益和降级样本的客均保级保费收益，并形成表1，其中a1、a2...、a99、b1、b2....、b99均表示数值。

表1

步骤s130，将参与目标活动的多个备选对象的第二特征数据代入到所述最优模型中，以确定多个待选目标对象.

在本步骤中，目标活动可以为即将举办的某次展业活动，多个备选对象可以为某次展业活动之前的活跃客户。

则将参与目标活动的多个备选对象的第二特征数据代入到所述最优升级模型与最优降级模型中，以确定升级对象与降级对象。进一步可以包括：将参与目标活动的多个待选对象的第二特征数据代入到所述最优升级模型与最优降级模型中，得到各待选对象的升级概率与降级概率。将升级概率大于降级概率的样本确定为升级对象，以及将升级概率不大于降级概率的样本确定为降级对象。

步骤s140.基于所述参考样本的多个所述参考指标及所述目标活动的多个预设指标，在所述待选目标对象中确定所述目标活动的目标对象。

其中，所述目标活动的多个预设指标可以包括目标活动的预设保费收入、预设目标对象数量、预设升级转化率以及预设保级转化率。其中，预设升级转化率即参加活动的预计升级客户最后会升级的比例，预设保级转化率即参加活动的预计降级客户最后会保级的比例。其中，可以根据某次展业活动的规模、成本及目标，并基于以往经验设定目标活动的预设保费收入、预设目标对象数量，预设升级转化率以及预设保级转化率。且在一些实施例中，预设升级转化率可以处于40-60％之间，预设保级转化率可以处于20-30％之间。

在参与目标活动的多个备选对象中，对应于表1中的不同阈值，可以确定升级概率大于所述阈值的升级对象数量与降级概率大于所述阈值的降级对象数量。并把不同阈值下的升级对象数量(升级对象的目标客户数)，与不同阈值下的降级对象数量(即降级对象的目标客户数)对应放于表1中，形成表2，其中a1、a2...、a99、b1、b2....、b99、c1、c2...、c99、d1、d2...、d99均表示数值。

表2

则确定目标升级对象与目标降级对象可以包括：

确定升级对象的阈值与降级对象的阈值，包括：

基于表2，遍历所有升级对象与降级对象的阈值组合，找到所述升级对象的阈值与所述降级对象的阈值满足下列不等式的阈值组合：

升级对象数量+降级对象数量≤预设目标对象数量(1)

目标活动预计收益≥目标活动的预设保费收入(2)

其中，目标活动预计收益＝升级对象数量×平均升级收益×升级转化率+降级对象数量×平均保级收益×保级转化率。

并计算每个满足上述条件的阈值组合的目标活动预计收益，以确定最大的目标活动预计收益对应的阈值组合；

根据上一步骤中所确定的升级对象的阈值与降级对象的阈值，确定升级对象中升级概率大于所述升级对象的阈值的目标升级对象，以及确定降级对象中降级概率大于所述降级对象的阈值的目标降级对象。

进一步的，上一步骤中所得到的目标升级对象与目标降级对象的集合，即为某次展业活动的目标客户。

图2示意性示出本公开示例性实施例中目标对象识别装置的框图。

本公开还提供了一种目标对象识别装置。如图2所示，该目标对象识别装置200可以包括：

模型确定模块210，用于基于多个待训练对象的第一特征数据进行建模以确定最优模型，并基于所述最优模型在所述待训练对象中确定多个参考样本；

数据处理模块220，用于对全部所述参考样本的数据进行处理以确定多个参考指标；

模型代入模块230，用于将参与目标活动的多个备选对象的第二特征数据代入到所述最优模型中，以确定多个待选目标对象；

对象确定模块240，用于基于所述参考样本的多个所述参考指标及所述目标活动的多个预设指标，在所述待选目标对象中确定所述目标活动的目标对象。

在本公开的一种示例性实施例中，所述模型确定模块210可以包括：

数据划分单元，用于将多个待训练对象的第一特征数据分别归入训练集与测试集；

模型确定单元，用于对所述训练集基于xgboost模型进行训练以确定最优升级模型与最优降级模型，所述最优模型包括所述最优升级模型与最优降级模型；

样本确定单元，用于将所述测试集代入到所述最优升级模型与最优降级模型中，以确定多个升级样本与降级样本，所述参考样本包括所述升级样本与降级样本。

在本公开的一种示例性实施例中，所述数据处理模块220可以包括：

升级收益计算单元，用于在所述升级样本中，对应多个不同的阈值，计算升级概率大于各所述阈值的多个所述升级样本的平均升级收益；以及

保级收益计算单元，用于在所述降级样本中，对应多个不同的阈值，计算降级概率大于各所述阈值的多个所述降级样本的平均保级收益；

其中，所述多个参考指标包括所述平均升级收益与所述平均保级收益。

在本公开的一种示例性实施例中，所述模型代入模块230可以包括：

升降级对象确定单元，用于将参与所述目标活动的多个备选对象的第二特征数据代入到所述最优升级模型与最优降级模型中，以确定升级对象与降级对象；

其中，所述待选目标对象包括所述升级对象与降级对象。

在本公开的一种示例性实施例中，所述目标活动的多个预设指标可以包括：目标活动的预设保费收入、预设目标对象数量、预设升级转化率以及预设保级转化率。

在本公开的一种示例性实施例中，所述对象确定模块240可以包括：

目标对象确定单元，用于基于所述平均升级收益、所述平均保级收益与所述目标活动的预设保费收入、预设目标对象数量、预设升级转化率以及预设保级转化率，结合所述升级对象数量及所述降级对象数量，确定目标升级对象与目标降级对象；

其中，所述目标对象包括所述目标升级对象与目标降级对象。

在本公开的一种示例性实施例中，所述目标升级对象与目标降级对象可以包括根据下列步骤确定：

确定升级对象阈值与降级对象阈值，包括：

遍历所有升级对象阈值与降级对象阈值的阈值组合，使所述升级对象阈值与所述降级对象阈值满足下列不等式：

升级对象数量+降级对象数量≤预设目标对象数量

目标活动预计收益≥目标活动的预设保费收入

其中，目标活动预计收益＝升级对象数量×平均升级收益×升级转化率+降级对象数量×平均保级收益×保级转化率；

计算每个满足上述条件的阈值组合的目标活动预计收益，以确定最大的目标活动预计收益对应的阈值组合；

在所述升级对象中，确定升级概率大于所述升级对象阈值的所述升级对象为所述目标升级对象，以及在所述降级对象中，确定降级概率大于所述降级对象阈值的所述降级对象为所述目标降级对象。

需要说明的是，上述目标对象识别装置中各模块的具体细节已经在对应的目标对象识别方法中进行了详细描述，因此此处不再赘述。

图3示出了可以应用本公开实施例的一种目标对象识别方法及装置的示例性系统架构的示意图。

如图3所示，系统架构300可以包括终端设备301、302、303中的一个或多个，网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备301、302、303可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器305可以是多个服务器组成的服务器集群等。

本公开实施例所提供的目标对象识别方法一般由服务器305执行，相应地，目标对象识别装置一般设置于服务器305中。但本领域技术人员容易理解的是，本公开实施例所提供的目标对象识别方法也可以由终端设备301、302、303执行，相应的，目标对象识别装置也可以设置于终端设备301、302、303中，本示例性实施例中对此不做特殊限定。

图4示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图4示出的电子设备的计算机系统400仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统400包括中央处理单元(cpu)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储部分408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有系统操作所需的各种程序和数据。cpu401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。

以下部件连接至i/o接口405：包括键盘、鼠标等的输入部分406；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407；包括硬盘等的存储部分408；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409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至i/o接口405。可拆卸介质411，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410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408。

特别地，根据本公开的实施例，下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409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(cpu)401执行时，执行本申请的方法和装置中限定的各种功能。

需要说明的是，本公开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。在本公开中，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。而在本公开中，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，图示了按照本公开各种实施例的系统、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。

描述于本公开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。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储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电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图1所示的各个步骤等。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。