基于人工智能的对象分层方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的对象分层方法、装置、设备及介质。


背景技术：

2.在实际应用场景中，大多数时候，模型的训练时间和实际投入使用的时间是不同的，且二者之间通常存在较大的时间差。
3.例如，在对象(如保险代理人等)优质增员主体预测场景中，优质增员主体的占比在10％～20％之间波动，预测人群的正样本占比波动较大。可见，由于模型的训练时间与实际使用的时间存在较大时间间隔，导致模型的输出精度不稳定，极不利于在应用场景中的推广应用。
4.上述结果将导致对对象优质增员主体预测的准确度不稳定，进而无法对对象进行合理分层，最终将导致对对象的任务分配及管理等事项的不合理，并影响对象群体整体的任务完成情况。


技术实现要素：

5.本发明实施例提供了一种基于人工智能的对象分层方法、装置、设备及介质，旨在解决在对对象优质增员主体进行预测时准确度不高，且无法对对象分层的问题。
6.第一方面，本发明实施例提供了一种基于人工智能的对象分层方法，其包括：
7.获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集；
8.获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型；
9.将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率；
10.将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列；
11.按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集；
12.计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率；
13.获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层；
14.根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性；
15.当每个待评估层的正样本命中率的合理性都通过校验时，将所述中间模型确定为目标模型；
16.获取待分层人群，并预测所述待分层人群的正样本命中率；
17.获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据
输入至所述目标模型，得到每个待分层人员对应的预测概率；
18.根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果。
19.根据本发明优选实施例，所述计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率包括：
20.获取所述验证集中样本的总数量；
21.获取所述验证集中正样本的数量；
22.计算所述验证集中正样本的数量与所述验证集中样本的总数量的商，并作为所述整体正样本命中率；
23.获取每个子样本集中样本的总数量；
24.获取每个子样本集中正样本的数量；
25.计算每个子样本集中正样本的数量与每个子样本集中样本的总数量的商，并作为每个子样本集的正样本命中率。
26.根据本发明优选实施例，所述根据每个层级的正样本命中率确定至少一个待评估层包括：
27.按照每个层级的正样本命中率由高到低的顺序对每个层级进行排序；
28.将除最后一层之外的层级确定为所述至少一个待评估层。
29.根据本发明优选实施例，所述根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性包括：
30.确定每个待评估层所包含的子样本集；
31.计算每个待评估层所包含的子样本集的正样本命中率的和，并作为每个待评估层的正样本命中率；
32.计算每个待评估层的正样本命中率与所述整体正样本命中率的商，得到每个待评估层的正样本提升度；
33.获取每个待评估层所包含的子样本集的正样本命中率的最大值，并作为每个待评估层的第一阈值；
34.确定所述对象历史增员数据对应的数据库，并从所述数据库中获取预设时间范围内，每个预设周期所包含的数据对应的正样本命中率的最小值；
35.计算每个待评估层的正样本命中率与所述最小值的商，并作为每个待评估层的最大正样本命中率；
36.当检测到有第一待评估层的所述正样本提升度及所述最大正样本命中率都小于或者等于所述第一待评估层的第一阈值时，确定所述第一待评估层的正样本命中率的合理性通过校验；或者
37.当检测到有第二待评估层的所述正样本提升度及所述最大正样本命中率不都小于或者等于所述第二待评估层的第一阈值时，确定所述第二待评估层的正样本命中率的合理性未通过校验。
38.根据本发明优选实施例，所述方法还包括：
39.当每个待评估层的正样本命中率的合理性未都通过校验时，按照每个待评估层的正样本命中率由高到低的顺序依次遍历每个待评估层的合理性；
40.当遍历到有待评估层的合理性未通过校验时，按照预设倍数不断缩小遍历到的待评估层的正样本命中率，直至所述遍历到的待评估层的正样本命中率通过校验；
41.从所述遍历到的待评估层开始继续遍历并按照所述预设倍数调整，直至每个待评估层的正样本命中率的合理性都通过校验，停止遍历。
42.根据本发明优选实施例，所述预测所述待分层人群的正样本命中率包括：
43.获取预设的时序函数；
44.将所述预设时间范围内，每个预设周期所包含的数据对应的正样本命中率，以及对应点的时间确定为所述时序函数的因子，并构建趋势图，其中，所述趋势图用于反映出时间与正样本命中率的映射关系；
45.获取所述待分层人群对应的当前时间；
46.基于所述当前时间在所述趋势图中的位置，确定所述待分层人群的正样本命中率。
47.根据本发明优选实施例，所述根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果包括：
48.计算每个待评估层的正样本命中率与所述待分层人群的正样本命中率的商，得到所述待分层人群在每个待评估层的正样本提升度；
49.计算所述整体正样本命中率与所述待分层人群在每个待评估层的正样本提升度的乘积，得到所述待分层人群在每个待评估层的正样本命中率的总和；
50.根据所述待分层人群在每个待评估层的正样本命中率的总和，确定所述待分层人群在每个待评估层对应的所述子样本集的数量；
51.计算所述待分层人群在每个待评估层对应的所述子样本集的数量与所述预设份数的商，得到所述待分层人群在每个待评估层的人数比例；
52.按照每个待分层人员对应的预测概率由高到低的顺序，对所述待分层人员进行排序，得到目标序列；
53.根据所述待分层人群在每个待评估层的人数比例拆分所述目标序列，得到所述分层结果。
54.第二方面，本发明实施例提供了一种基于人工智能的对象分层装置，其包括：
55.获取单元，用于获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集；
56.训练单元，用于获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型；
57.输入单元，用于将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率；
58.排序单元，用于将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列；
59.拆分单元，用于按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集；
60.计算单元，用于计算所述验证集的整体正样本命中率，及计算每个子样本集的正
样本命中率；
61.确定单元，用于获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层；
62.校验单元，用于根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性；
63.所述确定单元，还用于当每个待评估层的正样本命中率的合理性都通过校验时，将所述中间模型确定为目标模型；
64.预测单元，用于获取待分层人群，并预测所述待分层人群的正样本命中率；
65.所述输入单元，还用于获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据输入至所述目标模型，得到每个待分层人员对应的预测概率；
66.分层单元，用于根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果。
67.第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述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第一方面所述的基于人工智能的对象分层方法。
68.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于人工智能的对象分层方法。
69.本发明实施例提供了一种基于人工智能的对象分层方法、装置、设备及介质，能够获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集，获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型，将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率，将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列，按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集，计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率，获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层，实现初始层级的划分，便于后续进行评估与调节，根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性，依次验证每个待评估层的正样本命中率的合理性，便于后续进行修正，以保证训练的模型分层的合理性，当每个待评估层的正样本命中率的合理性都通过校验时，将所述中间模型确定为目标模型，获取待分层人群，并预测所述待分层人群的正样本命中率，获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据输入至所述目标模型，得到每个待分层人员对应的预测概率，根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果，实现对人群的层级划分，便于后续有针对性的管理及任务分配。
附图说明
70.为了更清楚地说明本发明实施例技术方案，下面将对实施例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。
71.图1为本发明实施例提供的基于人工智能的对象分层方法的流程示意图；
72.图2为本发明实施例提供的基于人工智能的对象分层装置的示意性框图；
73.图3为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
74.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。
75.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
76.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
77.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
78.请参阅图1，为本发明实施例提供的基于人工智能的对象分层方法的流程示意图。
79.s10，获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集。
80.在本实施例中，所述对象历史增员数据可以包括，但不限于以下一种或者多种数据的组合：
81.对象性别、对象年龄、对象工龄、对象历史业绩、对象学历、对象入职时长，以及对象在预设时间的增员情况。
82.在本实施例中，所述对象可以包括，但不限于：保险代理人、销售人员等。
83.在本实施例中，可以按照预设比例对所述样本集进行拆分。
84.其中，所述预设比例可以进行自定义配置，如：7/3，6/4等，本发明对所述预设比例的取值不做限制。
85.s11，获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型。
86.在本实施例中，所述预设模型可以包括，但不限于二分类模型，如lightgbm模型等。
87.在结构化数据场景中，lightgbm模型的学习能力较强，模型精度也较高。
88.在本实施例中，当所述预设模型用于预测代理人在未来三个月是否能增员时，将所述训练集中每个代理人对应的所述历史增员数据确定为所述预设模型的输入数据，将每个代理人在未来三个月是否增员确定为训练目标，并训练所述预设模型，得到所述中间模型。
89.其中，所述中间模型的输出为是否增员的预测概率。
90.s12，将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率。
91.承接上面的例子，所述预测概率为所述验证集中每个样本所对应的代理人在未来三个月能够实现增员的概率。
92.s13，将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列。
93.可以理解的是，概率越高，说明实现增员的可能性越大，将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，以便后续能够有针对性的辅助进行人员分层。
94.s14，按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集。
95.在本实施例中，所述预设份数可以根据实际的样本量进行配置。
96.例如：当样本量足够多时，所述预设份数可以为1000份；当样本量不够多时，所述预设份数可以为100份。
97.进一步举例而言，当所述样本序列中包含10万个样本，且所述预设份数为100份时，按照由列首向列尾拆分所述样本序列，将得到100个所述子样本集，每个子样本集中包含1000个样本，并且，按照拆分顺序，排在首位的所述子样本集中每个样本的所述预测概率越高，依次类推，排在末位的所述子样本集中每个样本的所述预测概率越低。
98.s15，计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率。
99.在本发明的至少一个实施例中，所述计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率包括：
100.获取所述验证集中样本的总数量；
101.获取所述验证集中正样本的数量；
102.计算所述验证集中正样本的数量与所述验证集中样本的总数量的商，并作为所述整体正样本命中率；
103.获取每个子样本集中样本的总数量；
104.获取每个子样本集中正样本的数量；
105.计算每个子样本集中正样本的数量与每个子样本集中样本的总数量的商，并作为每个子样本集的正样本命中率。
106.在本实施例中，将集合中正样本的占比确定为正样本命中率。
107.例如：在预测一个代理人在未来三个月是否能实现增员时，在未来三个月实现增员的代理人即为正样本，而正样本在整体样本中所占的比例，即为所述正样本命中率。
108.s16，获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层。
109.在本发明的至少一个实施例中，所述根据每个层级的正样本命中率确定至少一个待评估层包括：
110.按照每个层级的正样本命中率由高到低的顺序对每个层级进行排序；
111.将除最后一层之外的层级确定为所述至少一个待评估层。
112.可以理解的是，由于所述中间模型中各层级设定的正样本命中率水平与其样本占比相乘再求和，等于所述整体正样本命中率，因此，需要保留一个层级命中率自由。
113.例如：在代理人优质增员主体预测场景中，通过所述中间模型，在每个季度初，预测在职代理人是否优质增员主体(即未来三个月是否能有增员)，其中，所述中间模型具有a、b、c三个层级，初始化后，a层级优质增员主体占比为pa，b层级优质增员主体占比为pb，c层级为保留的命中率自由的层级。
114.进一步举例而言，当前主体中的优质增员主体占比(整体正样本命中率)为p时，则初始化后，pa＝1.5p,pb＝1.2p。
115.在本实施例中，所述至少一个待评估层中每个待评估层的正样本命中率可以根据后续的处理进行评估与调节，以确定每个层级的正样本命中率的合理性。
116.本实施例结合正样本命中率及预测的概率对样本进行分层，以弱化时间差对于样本的影响，提升了样本的稳定度，进而保证了后续模型训练的效果。
117.s17，根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性。
118.在本发明的至少一个实施例中，所述根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性包括：
119.确定每个待评估层所包含的子样本集；
120.计算每个待评估层所包含的子样本集的正样本命中率的和，并作为每个待评估层的正样本命中率；
121.计算每个待评估层的正样本命中率与所述整体正样本命中率的商，得到每个待评估层的正样本提升度；
122.获取每个待评估层所包含的子样本集的正样本命中率的最大值，并作为每个待评估层的第一阈值；
123.确定所述对象历史增员数据对应的数据库，并从所述数据库中获取预设时间范围内，每个预设周期所包含的数据对应的正样本命中率的最小值；
124.计算每个待评估层的正样本命中率与所述最小值的商，并作为每个待评估层的最大正样本命中率；
125.当检测到有第一待评估层的所述正样本提升度及所述最大正样本命中率都小于或者等于所述第一待评估层的第一阈值时，确定所述第一待评估层的正样本命中率的合理性通过校验；或者
126.当检测到有第二待评估层的所述正样本提升度及所述最大正样本命中率不都小于或者等于所述第二待评估层的第一阈值时，确定所述第二待评估层的正样本命中率的合理性未通过校验。
127.在本实施例中，每个待评估层所包含的子样本集可以根据所述中间模型实际的分层方式进行确定，例如：可以按照pa＝1.5p，pb＝1.2p的比例，确定每个待评估层所包含的子样本集。
128.在本实施例中，所述预设时间范围可以进行自定义配置，如两年。
129.在本实施例中，所述预设周期也可以进行自定义配置，如每个月。
130.例如：可以获取历史近两年的逐月正样本命中率的最小值。
131.承接上面的例子，评估pa与pb数值大小的合理性，方式如下：
132.(1)a层级的正样本提升度不能大于人群最小粒度能达到的最高水平，即αa≤α1；
133.(2)a层级的正样本提升度αa可能取的最大值α
a-max
在整体人群正样本命中率波动的情况下，仍能满足条件(1)。例如：整体人群正样本命中率波动范围为[p
min
,p
max
]，其中，p
min
为历史近两年的逐月正样本命中率的最小值，p
max
为历史近两年的逐月正样本命中率的最大值，则需满足：
[0134]
(3)b层级的正样本提升度由于层级划分时是按照正样本命中率由高到低的顺序，若i为正整数，即a层级由前n个子样本集组成，则需满足αb≤α
n+1
；同时，若考虑整体人群正样本命中率波动范围，则αb可能取的最大值
[0135]
通过上述实施方式，依次验证每个待评估层的正样本命中率的合理性，便于后续进行修正，以保证训练的模型分层的合理性。
[0136]
s18，当每个待评估层的正样本命中率的合理性都通过校验时，将所述中间模型确定为目标模型。
[0137]
在本实施例中，当每个待评估层的正样本提升度及对应的最大正样本命中率都小于或者等于对应的第一阈值时，确定每个待评估层的正样本命中率的合理性都通过校验，并将所述中间模型确定为所述目标模型。
[0138]
当每个待评估层的正样本提升度及对应的最大正样本命中率不都小于或者等于对应的第一阈值时，确定每个待评估层的正样本命中率的合理性未都通过校验。
[0139]
在本发明的至少一个实施例中，所述方法还包括：
[0140]
当每个待评估层的正样本命中率的合理性未都通过校验时，按照每个待评估层的正样本命中率由高到低的顺序依次遍历每个待评估层的合理性；
[0141]
当遍历到有待评估层的合理性未通过校验时，按照预设倍数不断缩小遍历到的待评估层的正样本命中率，直至所述遍历到的待评估层的正样本命中率通过校验；
[0142]
从所述遍历到的待评估层开始继续遍历并按照所述预设倍数调整，直至每个待评估层的正样本命中率的合理性都通过校验，停止遍历。
[0143]
其中，所述预设倍数可以为0.9倍
[0144]
承接上面的例子，在确定每个待评估层的正样本命中率的合理性未都通过校验时，先判断a层级的正样本命中率是否合适，若否，调整a层级，将a层级的正样本命中率乘0.9；再判断a层级的正样本命中率是否合适，直至a层级的正样本命中率合适；再进一步判断b层级的正样本命中率是否合适，若否，调整b层级，将b层级的正样本命中率乘0.9，直至b层级的正样本命中率合适。
[0145]
通过上述实施方式，能够在校验出所述中间模型的分层配置不合理时进行自动化调整，以保证模型预测的准确率。
[0146]
s19，获取待分层人群，并预测所述待分层人群的正样本命中率。
[0147]
在本实施例中，所述待分层人群可以由相关工作人员确定，如项目负责人、考核人员等。
[0148]
具体地，所述预测所述待分层人群的正样本命中率包括：
[0149]
获取预设的时序函数；
[0150]
将所述预设时间范围内，每个预设周期所包含的数据对应的正样本命中率，以及对应点的时间确定为所述时序函数的因子，并构建趋势图，其中，所述趋势图用于反映出时间与正样本命中率的映射关系；
[0151]
获取所述待分层人群对应的当前时间；
[0152]
基于所述当前时间在所述趋势图中的位置，确定所述待分层人群的正样本命中率。
[0153]
其中，所述时序函数也可以是一种时序模型，如prophet模型。
[0154]
通过所述时序函数进行规律性学习，得到所述趋势图。所述趋势图能够反映出时间与正样本命中率的关系，以预测出人群的正样本命中率。
[0155]
例如：在增员主体预测场景中，首先需要确定每月月初在职人群在统计月之后三个月的增员情况，从而计算出全系统的逐月优质增员主体人群占比，即正样本占比，再利用时序模型prophet去预测当前在职人群在未来三个月的增员情况，即为所述正样本命中率p
′
。
[0156]
通过上述实施方式，能够基于时序预测确定所述待分层人群的正样本命中率，以得到所述待分层人群整体的正样本水平。
[0157]
s20，获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据输入至所述目标模型，得到每个待分层人员对应的预测概率。
[0158]
在上述实施方式中，通过最终得到的所述目标模型预测每个待分层人员的预测概率，以供后续进一步地数据分析使用。
[0159]
s21，根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果。
[0160]
具体地，所述根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果包括：
[0161]
计算每个待评估层的正样本命中率与所述待分层人群的正样本命中率的商，得到所述待分层人群在每个待评估层的正样本提升度；
[0162]
计算所述整体正样本命中率与所述待分层人群在每个待评估层的正样本提升度的乘积，得到所述待分层人群在每个待评估层的正样本命中率的总和；
[0163]
根据所述待分层人群在每个待评估层的正样本命中率的总和，确定所述待分层人群在每个待评估层对应的所述子样本集的数量；
[0164]
计算所述待分层人群在每个待评估层对应的所述子样本集的数量与所述预设份数的商，得到所述待分层人群在每个待评估层的人数比例；
[0165]
按照每个待分层人员对应的预测概率由高到低的顺序，对所述待分层人员进行排序，得到目标序列；
[0166]
根据所述待分层人群在每个待评估层的人数比例拆分所述目标序列，得到所述分
层结果。
[0167]
承接上面的例子，当所述待分层人群的正样本命中率为p
′
，所述预设份数的取值为1000时：
[0168]
1.计算所述待分层人群在每个待评估层的正样本提升度：1.计算所述待分层人群在每个待评估层的正样本提升度：
[0169]
2.确定层级a的人数比例使得n满足
[0170]
3.确定层级b的人数比例使得m满足
[0171]
4.基于训练好的所述目标模型预测每个待分层人员在未来三个月是优质代理人的概率，并按照概率从大到小排序排序；
[0172]
5.划分前ra的样本为a层级，从前ra+rb的样本中剔除a层级的样本，得到b层级。
[0173]
通过上述实施方式，能够实现对人群的层级划分，便于后续有针对性的管理及任务分配。
[0174]
本实施例通过预测未来样本的正样本比例，根据正样本命中率提升度的概念实现对人群的阈值切分方案，从而提升了模型输出的稳定性。
[0175]
在本实施例中，在得到所述分层结果后，即可对每个层级的人群进行针对性的任务分配及管理，使每个层级的人群更好的发挥优势。
[0176]
需要说明的是，为了进一步确保数据的安全性，避免数据被恶意篡改，所述分层结果可以存储于区块链节点上。
[0177]
由以上技术方案可以看出，本发明获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集，获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型，将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率，将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列，按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集，计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率，获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层，实现初始层级的划分，便于后续进行评估与调节，根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性，依次验证每个待评估层的正样本命中率的合理性，便于后续进行修正，以保证训练的模型分层的合理性，当每个待评估层的正样本命中率的合理性都通过校验时，将所述中间模型确定为目标模型，获取待分层人群，并预测所述待分层人群的正样本命中率，获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据输入至所述目标模型，得到每个待分层人员对应的预测概率，根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果，实现对人群的层级划分，便于后续有针对性的管理及任务分配。
[0178]
本发明实施例还提供一种基于人工智能的对象分层装置，该基于人工智能的对象分层装置用于执行前述基于人工智能的对象分层方法的任一实施例。具体地，请参阅图2，图2是本发明实施例提供的基于人工智能的对象分层装置的示意性框图。
[0179]
如图2所示，基于人工智能的对象分层装置100包括：获取单元101、训练单元102、
输入单元103、排序单元104、拆分单元105、计算单元106、确定单元107、校验单元108、预测单元109、分层单元110。
[0180]
获取单元101获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集。
[0181]
在本实施例中，所述对象历史增员数据可以包括，但不限于以下一种或者多种数据的组合：
[0182]
对象性别、对象年龄、对象工龄、对象历史业绩、对象学历、对象入职时长，以及对象在预设时间的增员情况。
[0183]
在本实施例中，所述对象可以包括，但不限于：保险代理人、销售人员等。
[0184]
在本实施例中，可以按照预设比例对所述样本集进行拆分。
[0185]
其中，所述预设比例可以进行自定义配置，如：7/3，6/4等，本发明对所述预设比例的取值不做限制。
[0186]
训练单元102获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型。
[0187]
在本实施例中，所述预设模型可以包括，但不限于二分类模型，如lightgbm模型等。
[0188]
在结构化数据场景中，lightgbm模型的学习能力较强，模型精度也较高。
[0189]
在本实施例中，当所述预设模型用于预测代理人在未来三个月是否能增员时，将所述训练集中每个代理人对应的所述历史增员数据确定为所述预设模型的输入数据，将每个代理人在未来三个月是否增员确定为训练目标，并训练所述预设模型，得到所述中间模型。
[0190]
其中，所述中间模型的输出为是否增员的预测概率。
[0191]
输入单元103将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率。
[0192]
承接上面的例子，所述预测概率为所述验证集中每个样本所对应的代理人在未来三个月能够实现增员的概率。
[0193]
排序单元104将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列。
[0194]
可以理解的是，概率越高，说明实现增员的可能性越大，将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，以便后续能够有针对性的辅助进行人员分层。
[0195]
拆分单元105按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集。
[0196]
在本实施例中，所述预设份数可以根据实际的样本量进行配置。
[0197]
例如：当样本量足够多时，所述预设份数可以为1000份；当样本量不够多时，所述预设份数可以为100份。
[0198]
进一步举例而言，当所述样本序列中包含10万个样本，且所述预设份数为100份时，按照由列首向列尾拆分所述样本序列，将得到100个所述子样本集，每个子样本集中包含1000个样本，并且，按照拆分顺序，排在首位的所述子样本集中每个样本的所述预测概率
越高，依次类推，排在末位的所述子样本集中每个样本的所述预测概率越低。
[0199]
计算单元106计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率。
[0200]
在本发明的至少一个实施例中，所述计算单元106计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率包括：
[0201]
获取所述验证集中样本的总数量；
[0202]
获取所述验证集中正样本的数量；
[0203]
计算所述验证集中正样本的数量与所述验证集中样本的总数量的商，并作为所述整体正样本命中率；
[0204]
获取每个子样本集中样本的总数量；
[0205]
获取每个子样本集中正样本的数量；
[0206]
计算每个子样本集中正样本的数量与每个子样本集中样本的总数量的商，并作为每个子样本集的正样本命中率。
[0207]
在本实施例中，将集合中正样本的占比确定为正样本命中率。
[0208]
例如：在预测一个代理人在未来三个月是否能实现增员时，在未来三个月实现增员的代理人即为正样本，而正样本在整体样本中所占的比例，即为所述正样本命中率。
[0209]
确定单元107获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层。
[0210]
在本发明的至少一个实施例中，所述确定单元107根据每个层级的正样本命中率确定至少一个待评估层包括：
[0211]
按照每个层级的正样本命中率由高到低的顺序对每个层级进行排序；
[0212]
将除最后一层之外的层级确定为所述至少一个待评估层。
[0213]
可以理解的是，由于所述中间模型中各层级设定的正样本命中率水平与其样本占比相乘再求和，等于所述整体正样本命中率，因此，需要保留一个层级命中率自由。
[0214]
例如：在代理人优质增员主体预测场景中，通过所述中间模型，在每个季度初，预测在职代理人是否优质增员主体(即未来三个月是否能有增员)，其中，所述中间模型具有a、b、c三个层级，初始化后，a层级优质增员主体占比为pa，b层级优质增员主体占比为pb，c层级为保留的命中率自由的层级。
[0215]
进一步举例而言，当前主体中的优质增员主体占比(整体正样本命中率)为p时，则初始化后，pa＝1.5p,pb＝1.2p。
[0216]
在本实施例中，所述至少一个待评估层中每个待评估层的正样本命中率可以根据后续的处理进行评估与调节，以确定每个层级的正样本命中率的合理性。
[0217]
本实施例结合正样本命中率及预测的概率对样本进行分层，以弱化时间差对于样本的影响，提升了样本的稳定度，进而保证了后续模型训练的效果。
[0218]
校验单元108根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性。
[0219]
在本发明的至少一个实施例中，所述校验单元108根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性包括：
[0220]
确定每个待评估层所包含的子样本集；
[0221]
计算每个待评估层所包含的子样本集的正样本命中率的和，并作为每个待评估层的正样本命中率；
[0222]
计算每个待评估层的正样本命中率与所述整体正样本命中率的商，得到每个待评估层的正样本提升度；
[0223]
获取每个待评估层所包含的子样本集的正样本命中率的最大值，并作为每个待评估层的第一阈值；
[0224]
确定所述对象历史增员数据对应的数据库，并从所述数据库中获取预设时间范围内，每个预设周期所包含的数据对应的正样本命中率的最小值；
[0225]
计算每个待评估层的正样本命中率与所述最小值的商，并作为每个待评估层的最大正样本命中率；
[0226]
当检测到有第一待评估层的所述正样本提升度及所述最大正样本命中率都小于或者等于所述第一待评估层的第一阈值时，确定所述第一待评估层的正样本命中率的合理性通过校验；或者
[0227]
当检测到有第二待评估层的所述正样本提升度及所述最大正样本命中率不都小于或者等于所述第二待评估层的第一阈值时，确定所述第二待评估层的正样本命中率的合理性未通过校验。
[0228]
在本实施例中，每个待评估层所包含的子样本集可以根据所述中间模型实际的分层方式进行确定，例如：可以按照pa＝1.5p，pb＝1.2p的比例，确定每个待评估层所包含的子样本集。
[0229]
在本实施例中，所述预设时间范围可以进行自定义配置，如两年。
[0230]
在本实施例中，所述预设周期也可以进行自定义配置，如每个月。
[0231]
例如：可以获取历史近两年的逐月正样本命中率的最小值。
[0232]
承接上面的例子，评估pa与pb数值大小的合理性，方式如下：
[0233]
(4)a层级的正样本提升度不能大于人群最小粒度能达到的最高水平，即αa≤α1；
[0234]
(5)a层级的正样本提升度αa可能取的最大值α
a-max
在整体人群正样本命中率波动的情况下，仍能满足条件(1)。例如：整体人群正样本命中率波动范围为[p
min
,p
max
]，其中，p
min
为历史近两年的逐月正样本命中率的最小值，p
max
为历史近两年的逐月正样本命中率的最大值，则需满足：
[0235]
(6)b层级的正样本提升度由于层级划分时是按照正样本命中率由高到低的顺序，若i为正整数，即a层级由前n个子样本集组成，则需满足αb≤α
n+1
；同时，若考虑整体人群正样本命中率波动范围，则αb可能取的最大值
[0236]
通过上述实施方式，依次验证每个待评估层的正样本命中率的合理性，便于后续进行修正，以保证训练的模型分层的合理性。
[0237]
当每个待评估层的正样本命中率的合理性都通过校验时，所述确定单元107将所
述中间模型确定为目标模型。
[0238]
在本实施例中，当每个待评估层的正样本提升度及对应的最大正样本命中率都小于或者等于对应的第一阈值时，确定每个待评估层的正样本命中率的合理性都通过校验，并将所述中间模型确定为所述目标模型。
[0239]
当每个待评估层的正样本提升度及对应的最大正样本命中率不都小于或者等于对应的第一阈值时，确定每个待评估层的正样本命中率的合理性未都通过校验。
[0240]
在本发明的至少一个实施例中，当每个待评估层的正样本命中率的合理性未都通过校验时，按照每个待评估层的正样本命中率由高到低的顺序依次遍历每个待评估层的合理性；
[0241]
当遍历到有待评估层的合理性未通过校验时，按照预设倍数不断缩小遍历到的待评估层的正样本命中率，直至所述遍历到的待评估层的正样本命中率通过校验；
[0242]
从所述遍历到的待评估层开始继续遍历并按照所述预设倍数调整，直至每个待评估层的正样本命中率的合理性都通过校验，停止遍历。
[0243]
其中，所述预设倍数可以为0.9倍
[0244]
承接上面的例子，在确定每个待评估层的正样本命中率的合理性未都通过校验时，先判断a层级的正样本命中率是否合适，若否，调整a层级，将a层级的正样本命中率乘0.9；再判断a层级的正样本命中率是否合适，直至a层级的正样本命中率合适；再进一步判断b层级的正样本命中率是否合适，若否，调整b层级，将b层级的正样本命中率乘0.9，直至b层级的正样本命中率合适。
[0245]
通过上述实施方式，能够在校验出所述中间模型的分层配置不合理时进行自动化调整，以保证模型预测的准确率。
[0246]
预测单元109获取待分层人群，并预测所述待分层人群的正样本命中率。
[0247]
在本实施例中，所述待分层人群可以由相关工作人员确定，如项目负责人、考核人员等。
[0248]
具体地，所述预测单元109预测所述待分层人群的正样本命中率包括：
[0249]
获取预设的时序函数；
[0250]
将所述预设时间范围内，每个预设周期所包含的数据对应的正样本命中率，以及对应点的时间确定为所述时序函数的因子，并构建趋势图，其中，所述趋势图用于反映出时间与正样本命中率的映射关系；
[0251]
获取所述待分层人群对应的当前时间；
[0252]
基于所述当前时间在所述趋势图中的位置，确定所述待分层人群的正样本命中率。
[0253]
其中，所述时序函数也可以是一种时序模型，如prophet模型。
[0254]
通过所述时序函数进行规律性学习，得到所述趋势图。所述趋势图能够反映出时间与正样本命中率的关系，以预测出人群的正样本命中率。
[0255]
例如：在增员主体预测场景中，首先需要确定每月月初在职人群在统计月之后三个月的增员情况，从而计算出全系统的逐月优质增员主体人群占比，即正样本占比，再利用时序模型prophet去预测当前在职人群在未来三个月的增员情况，即为所述正样本命中率p
′
。
[0256]
通过上述实施方式，能够基于时序预测确定所述待分层人群的正样本命中率，以得到所述待分层人群整体的正样本水平。
[0257]
所述输入单元103获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据输入至所述目标模型，得到每个待分层人员对应的预测概率。
[0258]
在上述实施方式中，通过最终得到的所述目标模型预测每个待分层人员的预测概率，以供后续进一步地数据分析使用。
[0259]
分层单元110根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果。
[0260]
具体地，所述分层单元110根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果包括：
[0261]
计算每个待评估层的正样本命中率与所述待分层人群的正样本命中率的商，得到所述待分层人群在每个待评估层的正样本提升度；
[0262]
计算所述整体正样本命中率与所述待分层人群在每个待评估层的正样本提升度的乘积，得到所述待分层人群在每个待评估层的正样本命中率的总和；
[0263]
根据所述待分层人群在每个待评估层的正样本命中率的总和，确定所述待分层人群在每个待评估层对应的所述子样本集的数量；
[0264]
计算所述待分层人群在每个待评估层对应的所述子样本集的数量与所述预设份数的商，得到所述待分层人群在每个待评估层的人数比例；
[0265]
按照每个待分层人员对应的预测概率由高到低的顺序，对所述待分层人员进行排序，得到目标序列；
[0266]
根据所述待分层人群在每个待评估层的人数比例拆分所述目标序列，得到所述分层结果。
[0267]
承接上面的例子，当所述待分层人群的正样本命中率为p
′
，所述预设份数的取值为1000时：
[0268]
1.计算所述待分层人群在每个待评估层的正样本提升度：1.计算所述待分层人群在每个待评估层的正样本提升度：
[0269]
2.确定层级a的人数比例使得n满足
[0270]
3.确定层级b的人数比例使得m满足
[0271]
4.基于训练好的所述目标模型预测每个待分层人员在未来三个月是优质代理人的概率，并按照概率从大到小排序排序；
[0272]
5.划分前ra的样本为a层级，从前ra+rb的样本中剔除a层级的样本，得到b层级。
[0273]
通过上述实施方式，能够实现对人群的层级划分，便于后续有针对性的管理及任务分配。
[0274]
本实施例通过预测未来样本的正样本比例，根据正样本命中率提升度的概念实现对人群的阈值切分方案，从而提升了模型输出的稳定性。
[0275]
在本实施例中，在得到所述分层结果后，即可对每个层级的人群进行针对性的任务分配及管理，使每个层级的人群更好的发挥优势。
[0276]
需要说明的是，为了进一步确保数据的安全性，避免数据被恶意篡改，所述分层结果可以存储于区块链节点上。
[0277]
由以上技术方案可以看出，本发明获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集，获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型，将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率，将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列，按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集，计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率，获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层，实现初始层级的划分，便于后续进行评估与调节，根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性，依次验证每个待评估层的正样本命中率的合理性，便于后续进行修正，以保证训练的模型分层的合理性，当每个待评估层的正样本命中率的合理性都通过校验时，将所述中间模型确定为目标模型，获取待分层人群，并预测所述待分层人群的正样本命中率，获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据输入至所述目标模型，得到每个待分层人员对应的预测概率，根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果，实现对人群的层级划分，便于后续有针对性的管理及任务分配。
[0278]
上述基于人工智能的对象分层装置可以实现为计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。
[0279]
请参阅图3，图3是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。所述服务器可以是独立的服务器，也可以是提供云服务、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(content delivery network，cdn)、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。
[0280]
其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0281]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0282]
参阅图3，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
[0283]
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于人工智能的对象分层方法。
[0284]
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
[0285]
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于人工智能的对象分层方法。
[0286]
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0287]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于人工智能的对象分层方法。
[0288]
本领域技术人员可以理解，图3中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图3所示实施例一致，在此不再赘述。
[0289]
应当理解，在本发明实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0290]
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于人工智能的对象分层方法。
[0291]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0292]
需要说明的是，本案中所涉及到的数据均为合法取得。
[0293]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0294]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些
特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0295]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0296]
本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。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。
[0297]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0298]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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，服务器，或者网络设备等)执行本发明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-only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0299]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。