训练模型的方法及装置与流程

1.本公开涉及机器学习技术领域，具体涉及一种训练模型的方法及装置。


背景技术：

2.随着机器学习领域的深入研究，逐渐发觉先验数据在建模过程中起到了至关重要的地位。先验数据可以包括企业通用数据与企业特色数据。
3.在模型构建初期，如何更好的利用企业通用知识及企业特色知识融合建模是目前亟需解决的问题。


技术实现要素：

4.有鉴于此，本公开实施例致力于提供一种训练模型的方法及装置，以更好的将企业通用知识及企业特色知识进行融合。
5.第一方面，提供了一种训练模型的方法，包括：基于企业通用数据和所述企业通用数据的标签数据训练教师模型；将企业特色数据输入所述教师模型，得到第一预测结果；将所述企业特色数据输入学生模型，得到第二预测结果；根据所述第一预测结果和所述第二预测结果，计算知识蒸馏损失；根据所述企业特色数据的标签数据和所述第二预测结果，计算所述学生模型的预测损失；根据所述知识蒸馏损失和所述预测损失，更新所述学生模型。
6.可选地，在所述基于企业通用数据和所述企业通用数据的标签数据训练教师模型之前，所述方法还包括：从区块链获取多个场景下的企业通用数据和/或企业特色数据，作为所述教师模型和所述学生模型的训练数据。
7.可选地，所述知识蒸馏损失和所述预测损失均为交叉熵损失，所述根据所述知识蒸馏损失和所述预测损失，更新所述学生模型，包括：对所述知识蒸馏损失和所述预测损失进行加权求和，得到目标损失；根据所述目标损失，更新所述学生模型。
8.可选地，所述教师模型和/或所述学生模型的训练数据还包括企业画像数据。
9.可选地，所述教师模型和/或所述学生模型用于对企业进行风险预测。
10.第二方面，提供了一种训练模型的装置，包括：第一训练单元，被配置为基于企业通用数据和所述企业通用数据的标签数据训练教师模型；第一输入单元，被配置为将企业特色数据输入所述教师模型，得到第一预测结果；第二输入单元，被配置为将所述企业特色数据输入学生模型，得到第二预测结果；第一计算单元，被配置为根据所述第一预测结果和所述第二预测结果，计算知识蒸馏损失；第二计算单元，被配置为根据所述企业特色数据的标签数据和所述第二预测结果，计算所述学生模型的预测损失；更新单元，被配置为根据所述知识蒸馏损失和所述预测损失，更新所述学生模型。
11.可选地，所述装置还包括：获取单元，被配置为在所述基于企业通用数据和所述企业通用数据的标签数据训练教师模型之前，从区块链获取多个场景下的企业通用数据和/或企业特色数据，作为所述教师模型和所述学生模型的训练数据。
12.可选地，所述知识蒸馏损失和所述预测损失均为交叉熵损失，所述更新单元进一
步被配置为：对所述知识蒸馏损失和所述预测损失进行加权求和，得到目标损失；根据所述目标损失，更新所述学生模型。
13.可选地，所述教师模型和/或所述学生模型的训练数据还包括企业画像数据。
14.可选地，所述教师模型和/或所述学生模型用于对企业进行风险预测。
15.第三方面，提供了一种训练装置，包括存储器及处理器，所述存储器中存储有可执行代码，所述处理器被配置为执行所述可执行代码，以实现如第一方面所述的方法。
16.第四方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述各方面中的方法。
17.第五方面，提供了一种计算机可读介质，所述计算机可读介质存储有程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述各方面中的方法。
18.本公开实施例提供的训练模型的方案，能够基于知识蒸馏的方法，用企业通用数据训练教师模型，用企业特色数据训练学生模型，将教师模型对企业特色数据的预测结果作为软标签(soft label)指导学生模型的训练，并与学生模型的预测结果做联合训练。从而，可以将大样本的企业通用数据及小样本的企业特色数据相互融合，增强学生模型的预测效果。
附图说明
19.图1为本公开实施例提供的一种区块链的结构示意图。
20.图2为本公开实施例提供的一种基于知识蒸馏的模型结构图。
21.图3为本公开实施例提供的一种训练模型的方法流程示意图。
22.图4为本公开实施例提供另一种训练模型的方法的流程示意图。
23.图5为本公开实施例提供的一种训练模型的装置的结构示意图。
24.图6为本公开实施例提供的另一种训练模型的装置的结构示意图。
具体实施方式
25.下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。
26.首先对区块链进行简单地介绍，参见图1，区块链100是一个典型的分布式协同系统。该系统包括多个区块链节点110。该多个区块链节点110可以共同维护一个不断增长的分布式数据记录。这些记录的数据可以通过密码学技术保护内容和时序，使得任何一方难以篡改、抵赖、造假。区块链节点110可以是具有计算能力的设备，例如，服务器、服务器组、区块链芯片等，其中，服务器组可以是集中式的，也可以是分布式的。在另一些实现方式中，上述服务器还可以是为云平台提供服务的服务器。
27.在区块链中，数据(例如，交易信息、交易执行结果等)可以以区块(block)的形式被封装。区块彼此之间可以通过前向的引用彼此链接形成“链”，即区块链。通常，可以将区块链中的第一个区块称为“创始区块”或“初始区块”，将区块链中位于当前区块之前的一个区块称为“上一区块”，将区块链中位于当前区块之后的一个区块称为“后继块”。
28.通常，区块可以包括区块头和区块体。区块头可以包含当前区块的基本信息，用以保证当前区块能正确的进入区块链。例如，区块头可以记录当前区块的上一区块的区块哈
希值。又如，区块头还可以记录当前区块的区块高度。区块高度简称“块高”，用来识别区块在区块链中的位置。在一些实现方式中，创始区块的块高为0。区块体可以用于记录交易信息。该交易信息例如可以包括交易数量和交易数据等信息。
29.区块链一般被划分为三种类型：公有链(public blockchain)，私有链(private blockchain)和联盟链(consortium blockchain)。此外，还可以有上述多种类型的结合，比如私有链+联盟链、联盟链+公有链等。本公开所提供的实施方式能够在合适类型的区块链中实现。
30.随着机器学习领域的深入研究，逐渐发觉先验知识在建模过程中起到了至关重要的地位。特别是在企业风控领域，在构建企业风险预测模型时，将先验数据融入模型中有利于提升模型的性能。
31.先验数据即先于经验的数据，先验数据中含有先验知识。先验知识可以以逻辑规则、知识图谱等形式提供。在企业风控领域，先验数据可以是客户业务场景下的背景知识，可以体现为多种形态。先验数据可以包括大数据量级的企业通用数据，例如风险大脑沉淀历史样本，其数据量级较大，包含企业通用的风险知识。先验数据还可以包括小数据量级的企业特色数据，例如客户沉淀历史合作表现，包含行业特色风险知识，其往往数据量级较小，但是可挖掘性较高。先验数据还可以包括前期沉淀策略体系、以及经验主观判断等。
32.如何将企业通用数据及企业特色数据以模型算法的手段，融入建模过程，使得模型效果更加偏向先验认知，保证模型的鲁棒性及可解释性，是目前研究的重点。
33.相关技术提供了两种建模方式以实现企业通用数据及企业特色数据的融合建模。相关技术一为启发式方法。基于启发式方法，建模人员根据算法经验与客户意见，在企业特色数据小样本训练模型的基础上，直接修改制定小模型的参数。该方法较为生硬的修改模型的参数，会较大影响模型的效果表现。相关技术二为迁移学习方法，在数据量级模型上，用大样本的企业通用数据训练一个大模型之后，在小样本的企业特色数据上对该模型进行微调，以较小的学习率或较小的“尺度/限制范围”去调整模型的结构。例如，调整模型的分箱结果/参数等。这种方法需要较为庞大的训练集，同时，大模型与小模型必须是同一个模型，分两次训练时对模型参数的依赖性较高。训练进度不当的话，容易造成模型一方样本过拟合，从而失去迁移学习的作用。
34.基于此，本公开提出一种训练模型的方法及装置。本公开采用基于知识蒸馏的建模方案，将企业通用数据与企业特色数据做联合训练，以增强模型效果。首先，结合图2对本公开提供的一种基于知识蒸馏的模型结构进行介绍。
35.如图2所述，模型可以包括教师模型(teacher model)及学生模型(student model)，学生模型也可以称为蒸馏模型(distilled model)。教师模型可以是大规模且参数量大的复杂网络模型，学生模型可以是小规模且参数量小的精简网络模型。教师模型和/或学生模型用于对企业进行风险预测。
36.本公开不限制教师模型与学生模型的类型，作为一个示例，教师模型及学生模型可以为不同的选型，例如教师模型与学生模型有不同编码层(encoder)，及决策树类型等，决策树类型例如可以是xgboost或lightgbm等。如图2所示，教师模型与学生模型可以具有不同的编码层数。
37.对于同一个输入数据x(input x)，教师模型可以输出经温度t蒸馏后的软预测结
果，即图2中的软标签(soft lables)。其中，温度t用于平滑模型的输出。例如，对于输入数据x，教师模型的输出为[0.001，0.149，0.85]，经过温度t蒸馏之后为[0.1，0.3，0.6]，即温度t使得输出更加平滑，带有更多负类的信息。
[0038]
对于同一个输入数据x，学生模型可以同样输出经温度t蒸馏之后的软预测结果(soft predictions)、以及未经蒸馏即t＝1的第二预测结果硬预测结果(hard prediction)。
[0039]
下面结合图2及图3对本公开实施例提供的一种训练的模型的方法进行介绍，图3为本公开实施例提供的一种训练模型的方法流程示意图。
[0040]
在步骤s310，基于企业通用数据和企业通用数据的标签数据训练教师模型。
[0041]
企业通用数据例如可以是工商注册数据、企业的涉诉数据、及企业的开庭公告数据等，企业通用数据也可以是风险大脑沉淀的历史样本，包含企业通用的风险知识。
[0042]
将企业通用数据输入教师模型，基于企业通用数据的标签数据，训练教师模型。通用数据的标签数据用于基于该数据对企业进行标记。例如，基于企业的涉诉数据，可以将该企业标记为有风险企业或无风险企业。
[0043]
在步骤s320，将企业特色数据输入教师模型，得到第一预测结果。
[0044]
企业特色数据例如可以是企业的经营数据、企业的交易数据、企业的订单数据等，企业特色数据可以是企业需要保密的数据。企业特色数据例如还可以是客户沉淀的历史合作表现，包含行业特色风险知识，往往样本量较小，但具有较高的可挖掘性。
[0045]
将企业特色数据输入教师模型，得到第一预测结果。第一预测结果可以是教师模型经蒸馏之后的输出结果，也就是说，第一预测结果可以在蒸馏温度t＝t时，教师模型的预测结果，即第一预测结果可以为图2中的教师模型的软标签。
[0046]
应当理解，本公开不限制蒸馏温度的t的取值，例如t可以为10或者20，在一些情况下，可视模型的训练情况适应性的调整蒸馏温度t的取值。
[0047]
在步骤s330，将企业特色数据输入学生模型，得到第二预测结果。
[0048]
将企业特色数据输入学生模型，得到第二预测结果，第二预测结果可以是学生模型在未经蒸馏即t＝1时的预测结果，即，第二预测结果可以为图2中学生模型在t＝1时的硬预测结果。
[0049]
在步骤s340，根据第一预测结果和第二预测结果，计算知识蒸馏损失。
[0050]
对第二预测结果进行蒸馏处理，得到蒸馏后学生模型的软预测结果，也就是说，对学生模型的硬预测结果在蒸馏温度t＝t下进行蒸馏，可以得到学生模型的软预测结果。根据学生模型的软预测结果及教师模型的软标签，计算知识蒸馏损失(distillation loss)。
[0051]
在一些实施例中，可以计算学生模型的软预测结果及教师模型的软标签的交叉熵，以得到知识蒸馏损失。换句话说，知识蒸馏损失可以是交叉熵损失。知识蒸馏损失l_(soft)可以根据下面的公式计算。
[0052]
l
soft
＝crossentropy(p
t
,q)
[0053]
其中，p
t
为学生模型输出的软预测结果，q为教师模型输出第一预测结果即软标签，crossentropy(p,q)用于计算两个输出结果的交叉熵。
[0054]
在步骤s350，根据企业特色数据的标签数据和第二预测结果，计算学生模型的预测损失。
[0055]
根据学生模型的第二预测结果，即图2中学生模型在t＝1时硬预测结果与该数据的标签数据，计算学生模型的预测损失。企业特色数据的标签数据可以是图2中的硬标签(hard label y)，学生模型的预测损失可以为图2中的学生损失(student loss)。
[0056]
在一些实施例中，可以计算学生模型的第二预测结果与企业特色数据的标签数据的交叉熵，以得到学生模型的预测损失。换句话说，学生模型的预测损失可以是交叉熵损失。该交叉熵损失可以根据下面的公式计算。
[0057]
l
hard
＝crossentropy(p1,y)
[0058]
其中，p1为学生模型输出第二预测结果，即学生模型的硬预测结果，y为企业特色数据的标签数据，crossentropy(p1,y)用于计算两者的交叉熵。
[0059]
在步骤s360，根据知识蒸馏损失和预测损失，更新学生模型。
[0060]
可以对知识蒸馏损失及预测损失进行加权求和，得到目标损失，基于目标损失，更新学生模型的模型参数。
[0061]
在一些实施例中，可以根据下面的公式计算目标损失l。
[0062]
l＝αl
soft
+βl
hard
＝αcrossentropy(p
t
,q)+βcrossentropy(p1,y)
[0063]
其中，α与β分别用于控制知识蒸馏损失l
soft
与预测损失l
hard
在目标损失中的权重。本公开不限制α与β的取值，在一些实施例中，α+β＝1。
[0064]
在一些实施例中，可以通过优化算法，优化目标损失，以迭代搜索最优模型结果。优化算法例如可以是自适应矩阵估计(adaptive moment estimation，adam)优化算法。
[0065]
可见，本公开实施例基于模型蒸馏的方法，用企业通用数据训练教师模型，用企业特色数据训练学生模型，将教师模型对企业特色数据的预测结果作为软标签指导学生模型的训练，并与学生模型的预测结果做联合训练。从而，可以将大样本的企业通用数据及小样本的企业特色数据相互融合，增强学生模型的效果。可以避免启发式较为生硬的参数指定，及模型选型的问题，还可以避免分开训练导致的模型过拟合的风险。
[0066]
如前文提到，区块链是一个分布式数据记录系统，这些记录的数据可以通过密码学技术保护内容和时序，使得任何一方难以篡改、抵赖、造假。企业特色数据一般是企业的私密数据，需要进行保护的数据，因此，可以从区块链上获取企业特色数据。例如，可以将区块链上需要服务的客户节点中包含的行业特色数据进行加密传输，以获取企业特色数据。同时，为了获取更为丰富的样本，也可以从区块链上获取多个场景下的企业通用数据和/或企业特色数据，作为教师模型和学生模型的训练数据。
[0067]
作为一个示例，可以将区块链上服务的多个节点中包含的企业通用数据，进行多源汇总，输出多个场景下企业通用数据的标签数据。其中，多个场景可以是多个不同的业务场景，例如，多个场景可以是反欺诈业务场景、信用准入业务场景，及贷后还款业务场景。针对同一家企业，可以根据该企业的通用数据输出多个场景下的标签数据。企业通用数据的标签数据例如可以是[企业a，0/1]，0/1表示该企业在对应的场景中的风险情况，例如，根据企业a的企业通用数据判断该企业在反欺诈业务中为不存在欺诈行为的企业时，该企业的标签数据例如可以是[企业a，1]。同样，可以将区块链上需要服务的客户节点中包含的行业特色数据，进行多源汇总，输出多个场景下企业特色数据的标签数据。
[0068]
将带有标签数据的企业特色数据及通用数据，作为教师模型及学生模型的训练数据，以训练模型。具体的，可以用企业通用数据训练教师模型，将企业通用数据的标签数据
当作教教师模型的标签，以训练教师模型。可以用企业特色数据训练学生模型，将企业特色数据的标签数据当作学生模型的标签，以计算学生模型的预测损失。如此，将知识建模与区块链场景相结合，在区块链的场景中，可以提供更为丰富的数据样本，驱动模型建立更为丰富的预测准则(domain criteria)，帮助小样本的模型构建更加健全的预测体系。
[0069]
在一些情况下，需要对企业通用数据及特色数据进行对齐、清洗加工处理。在一些实施例中，可以采用风险大脑对数据进行预处理。下面结合图4对数据预处理的过程进行介绍。
[0070]
如图4所述，从区块链多源节点上分别汇总企业通用数据及特色数据，将数据汇总至风险大脑处。风险大脑用于将链上的企业通用数据及特色数据进行清洗加工。在一些实施例中，企业通用数据和/或企业特色数据可以还可以包括企业画像数据。例如，风险大脑可以将已有的全量企业特征匹配到对应的企业中，构建企业画像。则企业画像数据均可以表征为[企业a，场景(通用/特色)，特征画像(特征)，标签(0/1)]。对于每个企业，可以准备多标签样本，即在多个业务场景下企业的具有多个标签数据，每个标签数据用于记录企业在该业务场景下的风险情况。在模型训练时，可以采用企业通用数据及风险大脑生成的企业画像数据，训练教师模型。同样，可以采用企业特色数据及风险大脑生成的企业画像数据训练学生模型。
[0071]
如图4所述，在风险大脑数据加工完之后，可以基于模型蒸馏进行知识建模。首先，利用通用企业数据及企业画像数据训练教师模型，之后，利用企业特色数据及企业画像数据训练学生模型。下面结合图4进行介绍，在训练学生模型时，针对输入数据input x，分别将x经过两层编码(encoder)，上一层为教师模型的编码，下一层为学生模型的编码。教师模型的编码经过softmax函数在蒸馏温度t＝t下，蒸馏输出第一预测结果st，作为学生模型的soft label。学生模型的编码结果经过softmax函数可以输出在蒸馏温度t＝1下的第二预测结果，即未进行蒸馏的硬预测结果，以及在蒸馏温度t＝t下的软预测结果st，即进行蒸馏的预测结果为soft prodiciton。学生模型的目标函数由两部分组成，一部分为知识蒸馏损失，另一部分为预测损失。其中，知识蒸馏损失为l
soft
，由教师模型的第一预测结果ss与学生模型的软预测结果st计算交叉熵得来；预测损失为l
hard
，由学生模型的第二预测结果与该数据的标签数据计算交叉熵得来。基于目标损失函数，优化学生模型的模型参数。
[0072]
训练好的学生模型可以部署在区块链风控服务节点上，例如，可以部署在区块链上的金融风控管理模块中，对企业进行更加准确的金融风险预测。其中，企业的金融风险包括金融欺诈风险、借贷风险等。
[0073]
作为一个示例，可以将训练好的学生模型部署在区块链上的借贷风控管理模块中，以对需要借贷的企业进行风险预测。具体的，可以从区块链上获取该企业的经营生产数据，将经营生产数据输入学生模型之后，可以得到该企业的预测风险等级，根据预测风险等级确定该企业的借贷风险。作为另一个示例，可以将训练好的学生模型部署在区块链上的反欺诈管理模块中，以识别待合作企业是否存在金融欺诈风险。
[0074]
本公开实施例提供的训练模型的方案，能够基于区块链进行链上模型蒸馏，可以将大样本的企业通用数据和小样本中的企业特色数据相互结合联合训练，使得在区块链的基座下，企业通用数据与企业特色数据深度融合建模，在大数量级的企业通用数据的样本上，融入客户小数量级的企业特色数据的先验知识，增强模型在客户具体场景下的风险识
别能力，从而更好的利用双方的样本，适配行业场景。
[0075]
上文结合图1至图4，详细描述了本公开的方法实施例，下面结合图5至图6，详细描述本公开的装置实施例。应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。
[0076]
图5为本公开实施例提供的一种训练模型的装置的结构示意图。如图5所示，训练模型的装置500包括第一训练单元510、第一输入单元520、第二输入单元530、第一计算单元540、第二计算单元550、更新单元560。下面对上述各个单元进行介绍。
[0077]
第一训练单元510，被配置为基于企业通用数据和所述企业通用数据的标签数据训练教师模型；
[0078]
第一输入单元520，被配置为将企业特色数据输入所述教师模型，得到第一预测结果；
[0079]
第二输入单元530，被配置为将所述企业特色数据输入学生模型，得到第二预测结果；
[0080]
第一计算单元540，被配置为根据所述第一预测结果和所述第二预测结果，计算知识蒸馏损失；
[0081]
第二计算单元550，被配置为根据所述企业特色数据的标签数据和所述第二预测结果，计算所述学生模型的预测损失；
[0082]
更新单元560，被配置为根据所述知识蒸馏损失和所述预测损失，更新所述学生模型。
[0083]
可选地，所述装置还包括：获取单元570，被配置为在所述基于企业通用数据和所述企业通用数据的标签数据训练教师模型之前，从区块链获取多个场景下的企业通用数据和/或企业特色数据，作为所述教师模型和所述学生模型的训练数据。
[0084]
可选地，所述知识蒸馏损失和所述预测损失均为交叉熵损失，所述更新单元560进一步被配置为：对所述知识蒸馏损失和所述预测损失进行加权求和，得到目标损失；根据所述目标损失，更新所述学生模型。
[0085]
可选地，所述教师模型和/或所述学生模型的训练数据还包括企业画像数据。
[0086]
可选地，所述教师模型和/或所述学生模型用于对企业进行风险预测。
[0087]
图6为本公开实施例提供的另一种训练模型的装置的结构示意图。图6所示装置600可以包括存储610和处理器620。存储器610可用于存储可执行代码。处理器620可用于执行所述存储器610中存储的可执行代码，以实现前文描述的各个方法中的步骤。在一些实施例中，该装置620还可以包括网络接口630，处理器620与外部设备的数据交换可以通过该网络接口630实现。
[0088]
应理解，在本公开实施例中，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。
[0089]
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0090]
应理解，在本公开的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施
过程构成任何限定。
[0091]
在本公开所提供的几个实施例中，应该理解到，所揭露的系统、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，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，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。另一点，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，可以是电性，机械或其它的形式。
[0092]
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实施例方案的目的。
[0093]
另外，在本公开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，也可以两个或两个以上单元集成在一个单元中。
[0094]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digital video disc，dvd))或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
[0095]
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。