数据处理方法、装置、终端设备及计算机可读存储介质与流程

1.本技术属于数据处理技术领域，尤其涉及一种数据处理方法、装置、终端及计算机可读存储介质。


背景技术：

2.受经济全球化、世界经济一体化以及移动互联网、信息技术、智能系统等科学技术快速发展的影响，现代企业也飞速发展。由于现代外界环境变化较快，现代企业需针对市场变化做好应对，经营风险影响着企业的发展甚至影响企业的生存，企业需要提高风险预测并作出相应的运营决策以降低风险事件的发生，为企业的发展保驾护航。
3.但是，传统互联网运营是由人工去做运营数据收集和数据分析，然后得出运营决策，传统方法存在无法实时产生运营决策、无法有效预测风险事件以及人工运营成本过高等问题。


技术实现要素：

4.本技术实施例提供了一种数据处理方法、装置、终端设备及计算机可读存储介质，可以实时产出运营决策，有效的预测风险时间的发生。
5.第一方面，本技术实施例提供了一种数据处理方法，包括：
6.获取第一数据，所述第一数据为运营平台中的历史用户数据；
7.根据所述第一数据筛选出第二数据，所述第二数据为目标事件对应的用户数据；
8.根据所述第二数据训练预设的数据处理模型，获得训练后的数据处理模型，所述数据处理模型用于根据所述运营平台中的用户数据生成决策数据，所述决策数据用于指示所述运营平台根据所述决策数据调整运营规则，以降低所述目标事件的发生概率。
9.本技术实施例中，根据运营平台中的历史用户数据选出数据维度丰富且活跃的用户数据作为样本数据即第一数据，根据目标事件即可能发生的风险事件从样本数据中筛选出数据维度丰富的数据作为第二数据，用所筛选出的高质量数据即第二数据对已经预设好的数据处理模型进行训练，用于根据运营平台的数据生成决策数据，最后运营平台根据上述决策数据调整运营规则。换言之，就是利用机器学习算法对运营平台的数据进行处理，运营平台根据风险事件将确定好的高纬度用户数据作为训练数据，用于对已设好的数据处理模型进行训练，进而得到决策数据，运营平台根据训练得到的决策数据调整平台的运营规则。通过上述方法，运营平台可以实时产生运营决策，降低风险事件的发生概率，从而达到风控的目的。
10.在第一方面的一种可能的实现方式中，所述根据所述第一数据筛选出第二数据，还包括：
11.从所述第一数据中筛选出与所述目标事件相关的第三数据；
12.根据所述第三数据生成第四数据，所述第四数据包括多个时间段以及每个时间段对应的事件标签，所述事件标签用于表示所述目标事件发生或未发生；
13.对所述第四数据进行数据格式化，获得所述第二数据。
14.在第一方面的一种可能的实现方式中，所述对所述第四数据进行数据格式化，获得所述第二数据，包括：
15.补充所述第四数据中的缺失字段，获得补充数据；
16.滤除所述补充数据中的异常值，获得过滤数据；
17.将所述过滤数据转换为预设格式的数据，获得所述第二数据。
18.在第一方面的一种可能的实现方式中，所述根据所述第二数据训练预设的数据处理模型，获得训练后的数据处理模型，包括：
19.提取所述第二数据中的特征数据；
20.根据所述特征数据训练所述数据处理模型，获得训练后的所述数据处理模型。
21.第一方面的一种可能的实现方式中，所述提取所述第二数据中的特征数据，包括：
22.对所述第二数据进行特征提取处理，获得第五数据；
23.根据重要程度对所述第五数据中的数据排序，获得数据序列；
24.将所述数据序列中的前n个数据确定为所述特征数据。
25.第一方面的一种可能的实现方式中，所述根据所述特征数据训练所述数据处理模型，获得训练后的所述数据处理模型，包括：
26.将所述特征数据划分为第一特征和第二特征，所述第一特征表示随时间变化的数据，所述第二特征表示不随时间变化的数据；
27.根据所述第一特征和所述第二特征训练所述数据处理模型，获得训练后的所述数据处理模型。
28.第一方面的一种可能的实现方式中，所述数据处理方法还包括：
29.监测所述运营平台中的实时用户数据；
30.根据所述实时用户数据和训练后的所述数据处理模型，获得所述决策数据。
31.第二方面，本技术实施例提供了一种数据处理装置，包括：
32.获取模块，所述第一数据为运营平台中的历史用户数据；
33.筛选模块，根据所述第一数据筛选出第二数据，所述第二数据为目标事件对应的用户数据；
34.处理模块，根据所述第二数据训练预设的数据处理模型，获得训练后的数据处理模型，所述数据处理模型用于根据所述运营平台中的用户数据生成决策数据，所述决策数据用于指示所述运营平台根据所述决策数据调整运营规则，以降低所述目标事件的发生概率。
35.第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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如上述第一方面中任一项所述的数据处理方法。
36.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的数据处理方法。
37.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的数据处理方法。
38.可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
39.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
40.图1是本技术一实施例提供的数据处理方法的流程示意图；
41.图2是本技术一实施例提供的筛选第二数据的流程示意图；
42.图3是本技术一实施例提供的提取特征数据的流程示意图；
43.图4是本技术一实施例提供生成实时决策数据的结构示意图；
44.图5是本技术一实施例提供数据处理装置的结构示意图；
45.图6是本技术一实施例提供终端设备的结构示意图。
具体实施方式
46.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
47.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”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。
48.还应当理解，在本技术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。
49.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0050]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0051]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
[0052]
当今，在全球化、信息化不断加深的时代背景下，企业所面临的经营环境和内部交易活动越来越复杂，不确定因素越来越多，因此企业要面临的风险也越来越多、越来越复杂，在这样危机四伏的环境下，企业要想主动掌握主动，把风险发生的可能性和影响力控制
在可接受的范围内，就必须强调风险管理，提高自身预测风险和抗击风险的能力。
[0053]
传统互联网运营是由运营人员去做运营数据收集和数据分析，然后得出运营决策，传统的方法中，人工无法实现实时产生运营决策导致信息滞后，以至于无法有效的预测风险事件的发生，同样人工无法避免主观误判导致的错误决策，和人工运营成本过高等问题。
[0054]
为了解决上述问题，本技术实施例提供了一种数据处理方法。本技术通过基于用户数据运营产生的多维数据，通过机器学习算法筛选出会导致风险事件的风险因子，然后基于风险因子构建用户特征，通过强化学习算法，实时运算作出运营决策，以降低风险事件的发生概率，从而达到风控的目的。
[0055]
本技术实时例提供的数据处理方法可应用与各个行业，参见图1，是本技术实施例提供的数据处理方法的系统流程图，作为示例而非限定，所述方法包括以下步骤：
[0056]
步骤s101获取第一数据，所述第一数据为运营平台中的历史用户数据。
[0057]
在本实施例中，历史用户数据是指在所述运营平台进行注册以及进行使用的用户数据，在所有历史数据中选择维度丰富且活跃的数据作为目标数据即第一数据。示例性的，用分词+逻辑判断从运营日志选出数据维度丰富且活跃的2000名用户，上述2000名用户的用户数据即为第一数据。
[0058]
步骤s102，根据所述第一数据筛选出第二数据，所述第二数据为目标事件对应的用户数据。
[0059]
在本实施例中，根据各个行业的风险事件从第一数据中确定高质量的用户数据，首先确定风险事件即目标事件。示例性的，以保险行业中健康险被保人运营为例，风险事件就是会产生保险理赔的事件，例如用户得癌症、病情复发、病情恶化等均可作为风险事件，根据此事件从第一数据中筛选出维度数据丰富的用户数据作为目标数据即第二数据，数据维度丰富指的是用户的症状、身体特征、教育水平、内容偏好等都是完整的，此数据用于后续对处理模型训练以获得可进行分析的决策数据。
[0060]
在一个实施例中，参见图2，是本技术一实施例提供的筛选第二数据的流程示意图，如图2所示，步骤s102一种实现方式包括：
[0061]
步骤s201，从所述第一数据中筛选出与所述目标事件相关的第三数据。
[0062]
步骤s202，根据所述第三数据生成第四数据，所述第四数据包括多个时间段以及每个时间段对应的事件标签，所述事件标签用于表示所述目标事件发生或未发生。
[0063]
步骤s203，对所述第四数据进行数据格式化，获得所述第二数据。
[0064]
在本实施例中，首先在第一数据中筛选出与风险事件即目标事件相关的第三数据，对第三数据进行预处理获得第四数据，预处理的过程为：首先设置观察窗口，观察窗口指的是预设时间序列，在此窗口内观测目标事件是否发生，然后将每个时间序列中目标事件的发生情况进行标记，做成事件标签，最后对经过预处理的第四数据进行格式化处理，将进行格式化处理后的数据即为第二数据。
[0065]
在一个实施例中，步骤s203的一种实现方式包括：
[0066]
补充所述第四数据中的缺失字段，获得补充数据；
[0067]
滤除所述补充数据中的异常值，获得过滤数据；
[0068]
将所述过滤数据转换为预设格式的数据，获得所述第二数据。
[0069]
在本实施例中，对上述第四数据进行格式化处理过程需要对数据进行治理，可以先确定第四数据中数据维度值缺失值少的用户数据，然后补充用户数据中缺失的字段。示例性的，如性别、年龄段、所在地等可根据相似人群做聚类来预测补充，利用聚类算法对大数据进行分析可以获得相似用户的特征共性，根据此共性可以补充部分用户数据缺失的字段信息，因为根据大数据分析得到的数据特征共性并根据共性对用户数据进行缺失值的填充，在填充过程中可能由于不确定因素导致异常值的补充，所以需要对补充的数据进行异常值的检测。
[0070]
示例性的，如男性用户患有妇科病等异常数据，可以利用逻辑回归算法进行处理，可以过滤掉补充数据中的异常值，获得过滤数据。
[0071]
最后对过滤数据转化为预设格式的数据，示例性的，统一的日期格式，计量单位等为规范化的格式，此规范化的格式可作为预设格式。
[0072]
步骤s103，根据所述第二数据训练预设的数据处理模型，获得训练后的数据处理模型，所述数据处理模型用于根据所述运营平台中的用户数据生成决策数据，所述决策数据用于指示所述运营平台根据所述决策数据调整运营规则，以降低所述目标事件的发生概率。
[0073]
在本实施例中，需要将通过筛选得到的第二数据进行数据处理模型的训练，以获得训练后的数据处理模型。利用机器学习算法利用数据处理模型对数据进行训练后会获得训练后的数据，并根据用户的数据生成相应的决策数据，决策数据是指的是根据用户数据以及目标事件生成对应的方法，最后运营平台会根据决策数据的指示调整运营规则，以降低目标事件的发生概率。
[0074]
示例性的，以保险行业的被保人运营平台为例，通过将该决策数据赋以运营平台，运营平台根据此决策数据调整运营规则后，可以降低用户发生理赔事件的几率，通过降低理赔率，使保险公司获得更高的利润。
[0075]
示例性的，保险公司某健康险产品的销量为100亿，理赔率为40％，导致赔付80亿(假设发发生险事件赔付双倍)，保险公司可获的20亿。通过该技术赋能被保人运营平台可使理赔率下降到30％，则仅需赔付60亿，保险公司可获得40亿。该技术创造了20亿的价值。
[0076]
在一个实施例中，步骤s103的一种实现方式包括：
[0077]
提取所述第二数据中的特征数据；
[0078]
根据所述特征数据训练所述数据处理模型，获得训练后的所述数据处理模型。
[0079]
在本实施例中，在利用第二数据对数据处理模型进行训练时，需要获取第二数据中的特征数据，根据获得的特征数据训练数据处理模型，获得训练后的数据处理模型。
[0080]
在另一个实施例中，特征数据包括可导致目标事件发生的数据特性，参见图3，是本技术一实施例中提供的提取特征数据的流程示意图，如图3所示，步骤s103的另一种实现方式包括：
[0081]
步骤s301，对所述第二数据进行特征提取处理，获得第五数据。
[0082]
步骤s302，根据重要程度对所述第五数据中的数据排序，获得数据序列。
[0083]
步骤s303，将所述数据序列中的前n个数据确定为所述特征数据。
[0084]
在本实施例中，对第二数据进行特征提取可获得第五数据，可基于用户数据提取用户的属性。示例性的，利用分词+逻辑判断根据用户的行为日志提取用户使用功能的频
率、时长、时间段等特征信息。可根据数据特征的方差、特征和目标之间的关联性等对数据进行特征选择以确定风险因子(即第五数据)，然后基于additive explanation技术发掘因子间的非线性影响和相对重要程度，对上述的风险因子由高到低进行排序，获得数据序列。
[0085]
将数据序列中的前n个数据确定为特征数据，示例性的，将top20的风险因子确定为特征数据。
[0086]
在另一个实施例中，对提取到的数据特征进行划分，步骤s103的另一种实现方式包括：
[0087]
将所述特征数据划分为第一特征和第二特征，所述第一特征表示随时间变化的数据，所述第二特征表示不随时间变化的数据；
[0088]
根据所述第一特征和所述第二特征训练所述数据处理模型，获得训练后的所述数据处理模型。
[0089]
在本实施例中，需要特征数据进行划分，基于风险因子是否受用户行为或时间影响具有易变形，把风险因子划分为时变特征和基线特征。示例性的，如用户身体的测量值、用户上传测量数据的次数是随时间变化的，测量值和上传次数就是时变特征；用户的年龄、性别、bmi等是不易变的，这些是基线特征。将时变特征表示为第一特征，基线特征表示为第二特征，根据划分的第一、第二特征训练数据处理模型以获得训练后的数据处理模型。对于上述实施例中特征数据的提取以及对特征数据进行划分的实现方式是协同作用缺一不可的，将通过特征提取到的风险因子进行特征分类，所得到的分类数据用于后续数据处理模型的训练，所以上述两种实现方式通过串联形式发挥各自的作用。
[0090]
在一个实施例中，参见图4，是本技术一实施例提供生成实时决策数据的的流程示意图。上述根据强学习模型进行训练获得训练后的数据处理模型用于生成对应的决策数据。如图4所示，可选的，本技术实施例中的数据处理模型可以采用dqn深度卷积神经网络。该网络是一种对偶网络，用于实现对输入数据的强化学习。
[0091]
如图4所示，实际应用中，监测运营平台中的实时用户数据，对实时用户数据进行处理(处理过程与历史用户数据的处理过程相同，具体可参见上述实施例中历史用户数据的处理过程)，获得基线特征和时变特征；将基线特征和时变特征输入训练后的dnq深度卷积神经网络中。该网络的输出结果包括两个分支，即包含该状态数据的价值标量v和每个动作的优势向量a，该优势向量中包含多个决策信息，最后根据q(s，a)＝v(s)+a(s，a)将价值标量v和优势向量a相加，即可得到最终的动作价值向量q即决策数据。
[0092]
在一个实施例中，所述数据处理方法还包括：
[0093]
监测所述运营平台中的实时用户数据；
[0094]
根据所述实时用户数据和训练后的所述数据处理模型，获得所述决策数据。
[0095]
在本实施例中，可以对数据处理模型进行工程化并部署到生产环境当中，随用户行为和时间实时传入用户特征值，获得运营决策，示例性的，需要对运营平台的用户数据进行实时监测，用户数据包括新老用户的数据信息，当监测到新用户的注册及使用信息或老用户新的数据时，系统会自动对数据进行特征提取并分类再利用分类信息进行数据处理模型的的训练，并生成相应的决策数据，利用上述方法可以实时监测并获取平台用户的数据信息并实时作出相应的运营决策，运营平台根据运营决策调整实时运营规则，有效预测风险事件的发生。
[0096]
本技术通过提出一种数据处理方法，本技术中无需人工去做运营数据收集和数据分析，而是利用强化学习算法对用户行为及信息实时进行数据分析并做主相应的运营，在运营平台中根据风险事件确定好数据维度丰富且活跃的用户数据作为训练数据，用于对已设好的数据处理模型进行训练并得到决策数据，运营平台根据训练得到的决策数据实时调整平台的运营规则，通过上述方法，运营平台可以实时产生运营决策，降低风险事件的发生概率，从而达到风控的目的。
[0097]
对应于上文实施例所述的数据处理方法，图5是本技术实施例提供的数据处理装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0098]
参照图5，该装置包括：
[0099]
获取模块51，用于所述第一数据为运营平台中的历史用户数据；
[0100]
筛选模块52，用于根据所述第一数据筛选出第二数据，所述第二数据为目标事件对应的用户数据；
[0101]
处理模块53，用于根据所述第二数据训练预设的数据处理模型，获得训练后的数据处理模型，所述数据处理模型用于根据所述运营平台中的用户数据生成决策数据，所述决策数据用于指示所述运营平台根据所述决策数据调整运营规则，以降低所述目标事件的发生概率。
[0102]
可选的，筛选模块52还用于：
[0103]
从所述第一数据中筛选出与所述目标事件相关的第三数据；
[0104]
根据所述第三数据生成第四数据，所述第四数据包括多个时间段以及每个时间段对应的事件标签，所述事件标签用于表示所述目标事件发生或未发生；
[0105]
对所述第四数据进行数据格式化，获得所述第二数据。
[0106]
可选的，筛选模块52还用于：
[0107]
补充所述第四数据中的缺失字段，获得补充数据；
[0108]
滤除所述补充数据中的异常值，获得过滤数据；
[0109]
将所述过滤数据转换为预设格式的数据，获得所述第二数据。
[0110]
可选的，处理模块53还用于：
[0111]
提取所述第二数据中的特征数据；
[0112]
根据所述特征数据训练所述数据处理模型，获得训练后的所述数据处理模型。
[0113]
可选的，处理模块53还用于：
[0114]
对所述第二数据进行特征提取处理，获得第五数据；
[0115]
根据重要程度对所述第五数据中的数据排序，获得数据序列；
[0116]
将所述数据序列中的前n个数据确定为所述特征数据。
[0117]
可选的，处理模块53还用于：
[0118]
将所述特征数据划分为第一特征和第二特征，所述第一特征表示随时间变化的数据，所述第二特征表示不随时间变化的数据；
[0119]
根据所述第一特征和所述第二特征训练所述数据处理模型，获得训练后的所述数据处理模型。
[0120]
相应的，监测模块54还用于：
[0121]
监测所述运营平台中的实时用户数据；
[0122]
根据所述实时用户数据和训练后的所述数据处理模型，获得所述决策数据。
[0123]
另外，图5所示的数据处理装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
[0124]
图6是本技术实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个机床控制方法实施例中的步骤。
[0125]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，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，例如还可以包括输入输出设备、网络接入设备等。
[0126]
所称处理器60可以是中央处理单元(central processing unit，cpu)，该处理器60还可以是其他通用处理器、数字信号处理器(digital signalprocessor，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。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。
[0127]
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(boot loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0128]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
[0129]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述各个方法实施例中的步骤。
[0130]
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信
号。
[0131]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0132]
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、或者计算机软件和电子硬件的结合来实现。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技术的范围。
[0133]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0134]
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。
[0135]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。