本發(fā)明實施例涉及銀行業(yè)務(wù)系統(tǒng)開發(fā)技術(shù)領(lǐng)域，尤其涉及一種業(yè)務(wù)數(shù)據(jù)的處理方法及裝置。

背景技術(shù)：

在當前經(jīng)濟環(huán)境下，商業(yè)銀行的個人小額貸款產(chǎn)品不論是發(fā)行量還是發(fā)行規(guī)模，都以驚人的速度不斷增長，個人貸款產(chǎn)品供需兩旺，貸款產(chǎn)品業(yè)務(wù)的品種也日益豐富。

由于不同貸款產(chǎn)品的特點不同，針對的客戶群體也有明顯區(qū)別，現(xiàn)有技術(shù)在針對某一款貸款產(chǎn)品，如何把合適的產(chǎn)品最有效率地推送給潛在客戶，從而提高信用度的使用程度這一問題時，銀行個人貸款產(chǎn)品的主要銷售模式，通常是根據(jù)銀行存量客戶在銀行內(nèi)部的數(shù)據(jù)源篩選出潛在客戶，以線下營銷的方式大范圍地聯(lián)系和推銷。

但是，現(xiàn)有的銀行個人貸款產(chǎn)品的主要銷售模式，其數(shù)據(jù)源比較單一，僅僅根據(jù)客戶的人口統(tǒng)計特征和以往的信譽度和貢獻狀況選擇目標客戶，沒有考慮到客戶的行為特質(zhì)和偏好對個人貸款產(chǎn)品信用度使用的影響，不能精準定位潛在客戶，只能做到粗淺地大致定位，導致客戶轉(zhuǎn)化率通常很低，信用度使用程度不理想，造成營銷成本的大量浪費。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種業(yè)務(wù)數(shù)據(jù)的處理方法及裝置，實現(xiàn)了精確的定位潛在客戶，提高了客戶轉(zhuǎn)化率、客戶的信用度使用程度，降低了營銷成本。

本發(fā)明實施例提供一種業(yè)務(wù)數(shù)據(jù)的處理方法，包括：

利用預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型對指定機構(gòu)中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)進行分析，得到所述待挖掘用戶的轉(zhuǎn)化率；

其中，所述預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型包括多數(shù)據(jù)源條件下種子用戶相對于非種子用戶的區(qū)別特征數(shù)據(jù)；

所述業(yè)務(wù)數(shù)據(jù)包括：所述待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和所述待挖掘用戶的行為偏好數(shù)據(jù)；所述待挖掘用戶的轉(zhuǎn)化率是根據(jù)所述區(qū)別特征數(shù)據(jù)分別與所述待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和所述待挖掘用戶的行為偏好數(shù)據(jù)的匹配度得到的；

檢測所述待挖掘用戶的轉(zhuǎn)化率是否達到預設(shè)的第一閾值；

若檢測到所述待挖掘用戶的轉(zhuǎn)化率達到預設(shè)的第一閾值，確定所述待挖掘用戶為所述指定機構(gòu)的潛在種子用戶。

本發(fā)明實施例還提供一種業(yè)務(wù)數(shù)據(jù)的處理裝置，其特征在于，包括：

分析模塊，用于利用預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型對指定機構(gòu)中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)進行分析，得到所述待挖掘用戶的轉(zhuǎn)化率；

其中，所述預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型包括多數(shù)據(jù)源條件下種子用戶相對于非種子用戶的區(qū)別特征數(shù)據(jù)；

所述業(yè)務(wù)數(shù)據(jù)包括：所述待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和所述待挖掘用戶的行為偏好數(shù)據(jù)；所述待挖掘用戶的轉(zhuǎn)化率是根據(jù)所述區(qū)別特征數(shù)據(jù)分別與所述待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和所述待挖掘用戶的行為偏好數(shù)據(jù)的匹配度得到的；

檢測模塊，用于檢測所述待挖掘用戶的轉(zhuǎn)化率是否達到預設(shè)的第一閾值；

第一確定模塊，用于若所述檢測模塊檢測到所述待挖掘用戶的轉(zhuǎn)化率達到預設(shè)的第一閾值，確定所述待挖掘用戶為所述指定機構(gòu)的潛在種子用戶。

本發(fā)明實施例的本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法及裝置，通過利用預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型對指定機構(gòu)中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)進行分析，得到待挖掘用戶的轉(zhuǎn)化率后，檢測待挖掘用戶的轉(zhuǎn)化率是否達到預設(shè)的第一閾值，若檢測到待挖掘用戶的轉(zhuǎn)化率達到預設(shè)的第一閾值，確定待挖掘用戶為指定機構(gòu)的潛在種子用戶，實現(xiàn)了精確的定位潛在客戶。本發(fā)明實施例的技術(shù)方案，能夠提高客戶轉(zhuǎn)化率，提高客戶的信用度使用程度，降低營銷成本。

附圖說明

此處所說明的附圖用來提供對本發(fā)明實施例的進一步理解，構(gòu)成本發(fā)明實施例的一部分，本發(fā)明實施例的示意性實施例及其說明用于解釋本發(fā)明實施例，并不構(gòu)成對本發(fā)明實施例的不當限定。在附圖中：

圖1為本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法實施例的流程圖；

圖2為本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)模型的構(gòu)造方法實施例的流程圖；

圖3為本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置實施例一的結(jié)構(gòu)示意圖；

圖4為本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置實施例二的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例具體實施例及相應的附圖對本發(fā)明實施例技術(shù)方案進行清楚、完整地描述。顯然，所描述的實施例僅是本發(fā)明實施例一部分實施例，而不是全部的實施例?；诒景l(fā)明實施例中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明實施例保護的范圍。

說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”等(如果存在)是用于區(qū)別類似的部分，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數(shù)據(jù)在適當情況下可以互換，以便這里描述的本申請的實施例能夠以除了在這里圖示的以外的順序?qū)嵤?/p>

以下結(jié)合附圖，詳細說明本發(fā)明實施例各實施例提供的技術(shù)方案。

圖1為本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法實施例的流程圖，如圖1所示，本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法，具體可以包括如下步驟：

100、利用預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型對指定機構(gòu)中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)進行分析，得到待挖掘用戶的轉(zhuǎn)化率。

例如，本發(fā)明實施例中的指定機構(gòu)可以為但不限制于銀行，本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法可以選取一定數(shù)量的樣本用戶在多數(shù)據(jù)源條件下的業(yè)務(wù)數(shù)據(jù)作為統(tǒng)計標準，預先構(gòu)造一個業(yè)務(wù)數(shù)據(jù)模型，其中，該預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型包括多數(shù)據(jù)源條件下種子用戶相對于非種子用戶的區(qū)別特征數(shù)據(jù)。

在一個具體實現(xiàn)過程中，本發(fā)明實施例可以根據(jù)預設(shè)的業(yè)務(wù)標準，對樣本用戶進行分類，確定種子用戶和非種子用戶，其中，預設(shè)的業(yè)務(wù)標準可以包括但不限制于業(yè)務(wù)規(guī)定時間窗口或信用額度使用率，可以將在指定的業(yè)務(wù)規(guī)定時間窗口發(fā)生過信用額度使用的樣本用戶劃分為種子用戶，或者，將信用額度使用率大于或等于預設(shè)的第二閾值的樣本用戶劃分為種子用戶。對應地，可以將在指定的業(yè)務(wù)規(guī)定時間窗口未發(fā)生過信用額度使用的樣本用戶劃分為非種子用戶，或者，將信用額度使用率小于預設(shè)的第二閾值的樣本用戶劃分為非種子用戶。

本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法，為了能夠精準定位潛在客戶，提高客戶轉(zhuǎn)化率，降低營銷成本，在構(gòu)造業(yè)務(wù)數(shù)據(jù)模型時，不僅統(tǒng)計了樣本用戶在銀行的內(nèi)部數(shù)據(jù)源，如樣本用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)，其中，該樣本用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)可以包括但不限制于：年齡、性別、職業(yè)、信譽度、貢獻狀況、近三個月貸款期限、關(guān)聯(lián)存余額、額度使用率、授信結(jié)束時間、近一個月轉(zhuǎn)入轉(zhuǎn)出筆數(shù)、近一個月轉(zhuǎn)入轉(zhuǎn)出金額、信用額度使用首次貸款距開戶日天數(shù)、近三個月貸款還款金額、貸款加權(quán)期限、貸款期限、是否有關(guān)聯(lián)存款、關(guān)聯(lián)賬戶數(shù)、關(guān)聯(lián)存款金額、信用額度使用當前額度使用率、是否全額還款以及近一/三個月是否有還款行為等數(shù)據(jù)，還統(tǒng)計了樣本用戶的外部數(shù)據(jù)源，如樣本用戶的行為偏好數(shù)據(jù)，其中，該樣本用戶的行為偏好數(shù)據(jù)可以包括但不限制于：樣本用戶的互聯(lián)網(wǎng)媒體內(nèi)容偏好數(shù)據(jù)以及樣本用戶的網(wǎng)上購物偏好數(shù)據(jù)等。

本發(fā)明實施例通過對上述樣本用戶中種子用的特征數(shù)據(jù)和非種子用戶的特征數(shù)據(jù)進行比較區(qū)分，從而使得到的種子用戶相對于非種子用戶的區(qū)別特征數(shù)據(jù)更加精確，進而掌握種子用戶關(guān)注的信息類型和消費模式等信息，以便于后續(xù)根據(jù)得到的區(qū)別特征數(shù)據(jù)，去挖掘指定機構(gòu)的潛在種子用戶。

具體地，在構(gòu)造了業(yè)務(wù)數(shù)據(jù)模型后，可以利用該業(yè)務(wù)數(shù)據(jù)模型對指定機構(gòu)中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)進行分析，得到待挖掘用戶的轉(zhuǎn)化率；例如，本發(fā)明實施例中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)同樣可以包括但不限制于：待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和待挖掘用戶的行為偏好數(shù)據(jù)。在將待挖掘用戶的業(yè)務(wù)數(shù)據(jù)輸入預先構(gòu)造的業(yè)務(wù)模型后，可以將業(yè)務(wù)數(shù)據(jù)模型中的區(qū)別特征數(shù)據(jù)分別與待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和待挖掘用戶的行為偏好數(shù)據(jù)進行匹配，得到業(yè)務(wù)數(shù)據(jù)模型中的區(qū)別特征數(shù)據(jù)分別與待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和待挖掘用戶的行為偏好數(shù)據(jù)的匹配度，并根據(jù)該匹配度得到待挖掘用戶的轉(zhuǎn)化率。

例如，業(yè)務(wù)數(shù)據(jù)模型中存在10個區(qū)別特征數(shù)據(jù)，其中有3個區(qū)別特征數(shù)據(jù)與待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)相匹配，有3個區(qū)別特征數(shù)據(jù)與待挖掘用戶的行為偏好數(shù)據(jù)相匹配，此時可以得到匹配度為6，并可以根據(jù)該匹配度得到待挖掘用戶的轉(zhuǎn)化率為60％。

需要說明的是，本發(fā)明實施例比不限制與上述得到待挖掘用戶的轉(zhuǎn)化率的方式。

101、檢測待挖掘用戶的轉(zhuǎn)化率是否達到預設(shè)的第一閾值。

102、若檢測到待挖掘用戶的轉(zhuǎn)化率達到預設(shè)的第一閾值，確定待挖掘用戶為指定機構(gòu)的潛在種子用戶。

在一個具體實現(xiàn)過程中，本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法可以預先設(shè)置一個第一閾值，當?shù)玫酱诰蛴脩舻霓D(zhuǎn)化率后，會檢測待挖掘用戶的轉(zhuǎn)化率是否達到預設(shè)的第一閾值，若檢測到待挖掘用戶的轉(zhuǎn)化率達到預設(shè)的第一閾值，確定待挖掘用戶為指定機構(gòu)的潛在種子用戶，否則，確定待挖掘用戶不為指定機構(gòu)的潛在種子用戶。

例如，預設(shè)的第一閾值可以為40％，當待挖掘用戶的轉(zhuǎn)化率為60％時，可以確定該待挖掘用戶為指定機構(gòu)的潛在種子用戶，指定機構(gòu)的業(yè)務(wù)人員可以針對該待挖掘用戶進行營銷，將其轉(zhuǎn)化為種子用戶，節(jié)約了營銷成本。反之，當待挖掘用戶的轉(zhuǎn)化率為30％時，可以確定該待挖掘用戶不為指定機構(gòu)的潛在種子用戶，指定機構(gòu)的業(yè)務(wù)人員無需再針對該待挖掘用戶進行營銷。

在一個具體實現(xiàn)過程中，通過本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法確定的潛在種子用戶的名單，使得營銷效果有20％提升至50％，單個客戶的營銷成本節(jié)省50元。

需要說明的是，本發(fā)明實施例中，還可以在得到匹配度之后，直接跟匹配度確定待挖掘用戶為指定機構(gòu)的潛在種子用戶。例如，設(shè)定匹配度為5，當?shù)玫降钠ヅ涠葹?時，可以確定待挖掘用戶為指定機構(gòu)的潛在種子用戶，當當?shù)玫降钠ヅ涠葹?時，可以確定待挖掘用戶不為指定機構(gòu)的潛在種子用戶。

本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法的執(zhí)行主體可以為業(yè)務(wù)數(shù)據(jù)的處理裝置，該業(yè)務(wù)數(shù)據(jù)的處理裝置具體可以通過軟件來集成，例如該業(yè)務(wù)數(shù)據(jù)的處理裝置具體可以為一個應用，本發(fā)明對此不進行特別限定。

本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理方法，通過利用預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型對指定機構(gòu)中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)進行分析，得到待挖掘用戶的轉(zhuǎn)化率后，檢測待挖掘用戶的轉(zhuǎn)化率是否達到預設(shè)的第一閾值，若檢測到待挖掘用戶的轉(zhuǎn)化率達到預設(shè)的第一閾值，確定待挖掘用戶為指定機構(gòu)的潛在種子用戶，實現(xiàn)了精確的定位潛在客戶。本發(fā)明實施例的技術(shù)方案，能夠提高客戶轉(zhuǎn)化率，提高客戶的信用度使用程度，降低營銷成本。

圖2為本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)模型的構(gòu)造方法實施例的流程圖，如圖2所示，本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)模型的構(gòu)造方法，具體可以包括如下步驟：

200、根據(jù)預設(shè)的業(yè)務(wù)標準，對樣本用戶進行分類，確定種子用戶和非種子用戶。

本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)模型的構(gòu)造方法，為了能夠在得到業(yè)務(wù)數(shù)據(jù)模型后確保其穩(wěn)定性，可以將種子用戶劃分為訓練種子用戶和驗證種子用戶，同理，可以將非種子用戶劃分為訓練非種子用戶和驗證非種子用戶。其中，訓練種子用戶和訓練非種子用戶用來做訓練樣本，以建立業(yè)務(wù)數(shù)據(jù)模型，當?shù)玫綐I(yè)務(wù)數(shù)據(jù)模型后，可以利用驗證種子用戶和驗證非種子用戶，對該模型進行驗證，從而確定該業(yè)務(wù)模型的穩(wěn)定性。

在一個具體實現(xiàn)過程中，本發(fā)明實施例可以根據(jù)預設(shè)的業(yè)務(wù)標準，對樣本用戶進行分類，確定種子用戶(正例)和非種子用戶(負例)，其中，預設(shè)的業(yè)務(wù)標準可以包括但不限制于業(yè)務(wù)規(guī)定時間窗口或信用額度使用率，可以將在指定的業(yè)務(wù)規(guī)定時間窗口發(fā)生過信用額度使用的樣本用戶劃分為種子用戶，或者，將信用額度使用率大于或等于預設(shè)的第二閾值的樣本用戶劃分為種子用戶。對應地，可以將在指定的業(yè)務(wù)規(guī)定時間窗口未發(fā)生過信用額度使用的樣本用戶劃分為非種子用戶，或者，將信用額度使用率小于預設(shè)的第二閾值的樣本用戶劃分為非種子用戶。

例如，指定的業(yè)務(wù)規(guī)定時間窗口可以為最近三個月，當某個樣本用戶在最近三個月發(fā)生過信用額度使用時，可以確定為該樣本用戶為種子用戶，反之，確定該樣本用戶為非種子用戶。預設(shè)的第二閾值可以為3次，當某個樣本用戶的信用額度使用率為5次時，可以確定為該樣本用戶為種子用戶；當某個樣本用戶的信用額度使用率為2次時，可以確定該樣本用戶為非種子用戶。

需要說明的是，本發(fā)明實施例中，業(yè)務(wù)規(guī)定時間窗口的長短可以以具有最大區(qū)分度的正負例為準或這加之業(yè)務(wù)指導確定業(yè)務(wù)規(guī)定時間窗口的長短，本發(fā)明實施例不做具體限制。預設(shè)的第二閾值可以根據(jù)業(yè)務(wù)經(jīng)驗制定或者以實驗水平設(shè)計處分進行設(shè)定，本發(fā)明實施例不做具體限制。

201、在多數(shù)據(jù)源條件下，根據(jù)訓練種子用戶的特征數(shù)據(jù)和訓練非種子用戶的特征數(shù)據(jù)，確定樣本業(yè)務(wù)數(shù)據(jù)。

為了確保所有樣本用戶的特征數(shù)據(jù)具有可比性，同時能夠去除極端值的影響，本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)模型的構(gòu)造方法，在多數(shù)據(jù)源條件下，可以根據(jù)預設(shè)的轉(zhuǎn)化標準，分別對訓練種子用戶的特征數(shù)據(jù)和訓練非種子用戶的特征數(shù)據(jù)進行轉(zhuǎn)化，得到訓練種子用戶的標準特征數(shù)據(jù)和訓練非種子用戶的標準特征數(shù)據(jù)。

例如，本發(fā)明實施例可以采用z-score轉(zhuǎn)化標準和數(shù)據(jù)歸一化處理方法，將樣本用戶的特征數(shù)據(jù)進行標準化處理，以統(tǒng)一樣本用戶的特征數(shù)據(jù)間的量綱關(guān)系，即分別對訓練種子用戶的特征數(shù)據(jù)和訓練非種子用戶的特征數(shù)據(jù)進行轉(zhuǎn)化，使轉(zhuǎn)化后的數(shù)據(jù)符合標準正太分布，即均值為0，標準差為1，其轉(zhuǎn)化函數(shù)為：

其中，μ為訓練種子用戶的特征數(shù)據(jù)或訓練非種子用戶的特征數(shù)據(jù)的均值，σ為訓練種子用戶的特征數(shù)據(jù)或訓練非種子用戶的特征數(shù)據(jù)的標準差，x訓練種子用戶的特征數(shù)據(jù)或訓練非種子用戶的特征數(shù)據(jù)的，x^*訓練種子用戶的標準特征數(shù)據(jù)或訓練非種子用戶的標準特征數(shù)據(jù)。z-score標準化方法適用于屬性a的最大值和最小值未知的情況，或有超出取值范圍的離群數(shù)據(jù)的情況。

需要說明的是，本發(fā)明實施例不限制與其它轉(zhuǎn)化標準，例如min-max轉(zhuǎn)化標準，其是對原始特征數(shù)據(jù)的線性變換，使結(jié)果映射到[0-1]之間，轉(zhuǎn)換公式為：

其中，x'為訓練種子用戶的標準特征數(shù)據(jù)或訓練非種子用戶的標準特征數(shù)據(jù)的取值，x為訓練種子用戶的特征數(shù)據(jù)或訓練非種子用戶的特征數(shù)據(jù)的，xmin為訓練種子用戶的特征數(shù)據(jù)或訓練非種子用戶的特征數(shù)據(jù)的的最小值，xmax為訓練種子用戶的特征數(shù)據(jù)或訓練非種子用戶的特征數(shù)據(jù)的的最大值。

由于本發(fā)明實施例的業(yè)務(wù)模型的構(gòu)造方法是在多數(shù)據(jù)源條件下進行構(gòu)造的，這就導致會存在大量訓練種子用戶的標準特征數(shù)據(jù)和訓練非種子用戶的標準特征數(shù)據(jù)，這些標準特征數(shù)據(jù)中通常包含了很多數(shù)據(jù)字段或特征變量，但其中一部分數(shù)據(jù)字段或特征變量對構(gòu)造業(yè)務(wù)數(shù)據(jù)模型是沒有信息量的，其屬于特征數(shù)據(jù)噪音范圍，是無效標準特征數(shù)據(jù)，若這些特征數(shù)據(jù)噪音不去除，會極大影響業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性。因此，本發(fā)明實施例可以根據(jù)預設(shè)的篩選算法，分別對訓練種子用戶的標準特征數(shù)據(jù)和訓練非種子用戶的標準特征數(shù)據(jù)進行篩選，得到訓練種子用戶的有效特征數(shù)據(jù)和訓練非種子用戶的有效特征數(shù)據(jù)。

例如，可以根據(jù)訓練種子用戶的標準特征數(shù)據(jù)和訓練非種子用戶的標準特征數(shù)據(jù)，使用變量自身變化率、變量間相關(guān)度、變量信息荷載量(卡方)、基尼(gini)系數(shù)重要性排序、遞歸特征篩選、防止變量過擬合并提高泛化能力的正規(guī)化篩選(lasso)等算法，別對訓練種子用戶的標準特征數(shù)據(jù)和訓練非種子用戶的標準特征數(shù)據(jù)進行分析篩選，得到訓練種子用戶的有效特征數(shù)據(jù)和訓練非種子用戶的有效特征數(shù)據(jù)。

本發(fā)明實施例在得到訓練種子用戶的有效特征數(shù)據(jù)和訓練非種子用戶的有效特征數(shù)據(jù)之后，為了得到種子用戶的判定標準，可以根據(jù)訓練種子用戶的有效特征數(shù)據(jù)和訓練非種子用戶的有效特征數(shù)據(jù)，確定訓練種子用戶相對于訓練非種子用戶的區(qū)別特征數(shù)據(jù)。

在一個具體實現(xiàn)過程中，可以根據(jù)預設(shè)的合并準則，分別對訓練種子用戶的有效特征數(shù)據(jù)和訓練非種子用戶的有效特征數(shù)據(jù)進行合并，得到種子用戶的有效特征數(shù)據(jù)集合和非種子用戶的有效特征數(shù)據(jù)集合。例如，為了減少算法的時間和空間開銷、提高系統(tǒng)對樣本的聚類能力、增強系統(tǒng)抗噪音的能力以及提高算法的學習精度，本發(fā)明實施例可以利用等頻分箱法將訓練種子用戶的有效特征數(shù)據(jù)進行離散化處理，即把訓練種子用戶的有效特征數(shù)據(jù)對應的觀測值按照從小到大的順序排列，根據(jù)觀測個數(shù)將訓練種子用戶的有效特征數(shù)據(jù)等分成k部分，每一部分當作一個分箱，例如，數(shù)值最小的1/k比例的觀測形成第一個分箱。然后通過方差檢驗每個分箱之間的差異，結(jié)合圖基(tukey)檢驗去兩兩對比分箱之間的差異，把與目標分箱中的訓練種子用戶的有效特征數(shù)據(jù)無顯著差異的待合并分箱中的訓練種子用戶的有效特征數(shù)據(jù)進行水平合并，最后再進行tukey檢驗，直到所有類別對區(qū)分目標變量都有顯著性的差異為止。例如，對于兩個年齡分箱而言，26-30歲的分箱中的訓練種子用戶的有效特征數(shù)據(jù)與31-35歲的分箱中的訓練種子用戶的有效特征數(shù)據(jù)之間無顯著差異，則將二者合并為26-35歲。經(jīng)過合并處理后，同類訓練種子用戶的效特征數(shù)據(jù)被劃分到一起形成一個集合，這樣可以得到多個種子用戶的有效特征數(shù)據(jù)集合。

同理，可以采用相同的方法，得到非種子用戶的有效特征數(shù)據(jù)集合，在此不再贅述。

需要說明的是，本發(fā)明實施例中方差檢驗用于比較兩個或者多個變量數(shù)據(jù)的樣本，來確定它們之間的差別是否具有統(tǒng)計上顯著的差別，tukey檢驗用于檢驗3組或以上數(shù)據(jù)之間是否存在統(tǒng)計意義上的顯著性差別。

為了找出能夠最大化區(qū)分訓練種子用戶和訓練非種子用戶的特征數(shù)據(jù)，本發(fā)明實施例，可以檢測每個種子用戶的有效特征數(shù)據(jù)集合與對應的非種子用戶的有效特征數(shù)據(jù)集合的區(qū)分度，并根據(jù)檢測到的區(qū)分度，按照由高到低的次序，依次選取指定數(shù)目的種子用戶的有效特征數(shù)據(jù)集合，將指定數(shù)目的種子用戶的有效特征數(shù)據(jù)集合中的相關(guān)數(shù)據(jù)作為訓練種子用戶相對于訓練非種子用戶的區(qū)別特征數(shù)據(jù)，并進一步將該區(qū)別特征數(shù)據(jù)作為樣本業(yè)務(wù)數(shù)據(jù)。其中，本發(fā)明實施例中的區(qū)別特征數(shù)據(jù)具體可以為訓練種子用戶和訓練非種子用戶之間分布差異較大，并且彼此之間獨立性較高的特征數(shù)據(jù)。

例如，指定數(shù)目可以選取10個，本發(fā)明實施例可以利用嵌入式(embedded)特征選擇方法與算法本身緊密結(jié)合，在算法的每步判斷一個維度特征的好壞，在訓練過程中自動嘗試構(gòu)造特征和選擇特征，從而檢測出每個種子用戶的有效特征數(shù)據(jù)集合與對應的非種子用戶的有效特征數(shù)據(jù)集合的區(qū)分度，根據(jù)檢測到的區(qū)分度，按照由高到低的次序，依次選取10個種子用戶的有效特征數(shù)據(jù)集合。

需要說明的是，如果訓練種子用戶的特征數(shù)據(jù)較為多樣，本發(fā)明實施例可以選擇添加訓練種子用戶分類特征提取和分析方法，進一步細化訓練種子用戶輔以提升定位待挖掘用戶的準確度。如果訓練非種子用戶的特征數(shù)據(jù)較為多樣，說明訓練非種子用戶的特征比較散亂，也就是不具備明顯特征，且由于業(yè)務(wù)數(shù)據(jù)模型是為了得到待挖掘用戶轉(zhuǎn)化為種子用戶的轉(zhuǎn)化率，所以這種情況不需要處理。

202、確定訓練種子用戶的數(shù)目或訓練種子用戶與訓練非種子用戶之間的比例。

203、根據(jù)訓練種子用戶的數(shù)目或訓練種子用戶與訓練非種子用戶之間的比例，選取設(shè)定的算法分支。

由于在訓練種子用戶數(shù)目過少，或者訓練種子用戶與訓練非種子用戶之間的比例極不均衡的情況下，通常的分類算法往往會失去效果。所以本發(fā)明實施例，需要先確定訓練種子用戶的數(shù)目或訓練種子用戶與訓練非種子用戶之間的比例，并根據(jù)訓練種子用戶的數(shù)目或訓練種子用戶與訓練非種子用戶之間的比例，選取設(shè)定的算法分支。

例如，本發(fā)明實施例中設(shè)定的算法分支可以包括但不限制于有監(jiān)督算法的分支和基于voting的算法分支。其中有監(jiān)督算法的分支根據(jù)已知訓練區(qū)提供的樣本，通過選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對各待分類數(shù)據(jù)進行分類，其是從主流分類模型中選取準確率高且穩(wěn)定性好的業(yè)務(wù)數(shù)據(jù)模型模型。基于voting的算法分支適用于訓練種子用戶數(shù)目過少或訓練種子用戶與訓練非種子用戶之間的比例極不均衡的情況，但該類模型穩(wěn)健性較差，可以作為次要模型補充使用。

在一個具體實現(xiàn)過程中，即使在典型種子用戶數(shù)目足夠的情況下，也需要考慮采用哪種機器學習的算法進行潛客挖掘，能夠最有效地提高預測精度，并保證業(yè)務(wù)數(shù)據(jù)模型具備一定的穩(wěn)定性，所以本發(fā)明實施例從業(yè)務(wù)數(shù)據(jù)模型的總體準確率及業(yè)務(wù)數(shù)據(jù)模型結(jié)果的穩(wěn)定性等方面來進行選擇，優(yōu)先選擇隨機森林算法，但該業(yè)務(wù)數(shù)據(jù)的模型運行一段時間后，隨著新特征數(shù)據(jù)不斷補充，可能會降低該業(yè)務(wù)數(shù)據(jù)的模型的準確率，效率，因此每隔一段時間需要重新評估各個算法的優(yōu)劣，選擇最合適的模型，其中，有監(jiān)督算法的分支可以包括但不限制于：隨機森林算法、adaboost、支持向量機(supportvectormachine，svm)算法、決策樹(classificationandregressiontrees，cart)算法、k最鄰近結(jié)點(k-nearestneighboralgorithmknn)算法、邏輯回歸(logisticregression，lr)算法、線性判別(linneardiscriminantanalysis，lda)算法。

204、利用預設(shè)的算法分支，對樣本業(yè)務(wù)數(shù)據(jù)進行分析，得到業(yè)務(wù)數(shù)據(jù)模型。

在選取了合適的預設(shè)的算法分支后，可以利用該預設(shè)的算法分支，對樣本業(yè)務(wù)數(shù)據(jù)進行訓練，得到業(yè)務(wù)數(shù)據(jù)模型。

具體地，若選取的預設(shè)的算法分支為隨機森林算法，其原理是以決策樹為基礎(chǔ)，進行多次自助法放回抽樣。生成每棵樹時，每個節(jié)點的變量都僅僅在隨機選出的少數(shù)變量中產(chǎn)生，即在變量的使用和數(shù)據(jù)的使用上進行隨機化生成很多分類樹，再匯總分類樹的結(jié)果。

為了能夠使業(yè)務(wù)數(shù)據(jù)模型性能更優(yōu)，本發(fā)明實施例在得到業(yè)務(wù)數(shù)據(jù)模型后，可以對該業(yè)務(wù)數(shù)據(jù)模型進行調(diào)優(yōu)，例如，可以從確定構(gòu)建決策樹分支時隨機抽樣的變量最優(yōu)個數(shù)(mtry值)和選擇合適的決策樹的數(shù)量(ntree參數(shù)值)這兩個角度進行調(diào)優(yōu)。其中，mtry參數(shù)是隨機森林算法中構(gòu)建決策樹分支時隨機抽樣的變量個數(shù)，選擇合適的mtry參數(shù)可以降低隨機森林算法的預測錯誤率。例如，該輸入的變量為18個，可以通過遍歷設(shè)定mtry參數(shù)為1到18進行18次建模，并打印出每次建模的錯誤率，選擇錯誤率最低的mtry值。ntree參數(shù)指出建模時決策樹的數(shù)量，設(shè)置過低會導致錯誤率偏高，而ntree值過高會提升模型復雜度，降低效率，因此在對該業(yè)務(wù)數(shù)據(jù)模型進行調(diào)優(yōu)時，可以將不同的ntree參數(shù)值與模型錯誤率對應，選取錯誤率較低的ntree值。經(jīng)試驗后可以得知對該業(yè)務(wù)數(shù)據(jù)模型進行調(diào)優(yōu)之后，其整體性能提高了1％左右。

若選取的預設(shè)的算法分支為基于voting的算法分支，其原理是先對訓練種子用戶和訓練非種子用戶進行分群(例如，劃分為108個微群)，然后根據(jù)每個微群內(nèi)訓練種子用戶的特征數(shù)據(jù)待挖掘用戶的轉(zhuǎn)化率，在該微群的訓練非種子用戶中尋找出與訓練種子用戶的特征數(shù)據(jù)相似的用戶，即獲取訓練種子用戶和訓練非種子用戶之間的相似程度，其取值范圍為[0，1]，當完全相同時，相似度為1。

例如，每個訓練種子用戶相當于現(xiàn)實生活中的選民，訓練非種子用戶相當于候選人，每個選民對候選人都有投票的權(quán)利，票數(shù)較高的候選人就是該微群中被圈定出的潛客，具體分群方法可采用距離分群、相似度分群等。

本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)模型的構(gòu)造方法，在得到的樣本業(yè)務(wù)數(shù)據(jù)經(jīng)過上述各算法分支訓練后，可以形成一個能夠根據(jù)實際需求和具體的投放場景，挖掘出符合實際需求和投放場景的潛在用戶群的業(yè)務(wù)數(shù)據(jù)模型。

205、利用業(yè)務(wù)數(shù)據(jù)模型對驗證種子用戶的特征數(shù)據(jù)和驗證非種子用戶的特征數(shù)據(jù)進行驗證，得到驗證結(jié)果。

本發(fā)明實施例在構(gòu)造了業(yè)務(wù)數(shù)據(jù)模型之后，可以利用交叉驗證法，對得到業(yè)務(wù)數(shù)據(jù)模型進行驗證，以得到該業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性。

例如，在樣本用戶中選取小部分驗證種子用戶，在構(gòu)造了業(yè)務(wù)數(shù)據(jù)模型之后，分別獲取驗證種子用戶的特征數(shù)據(jù)，并求取驗證種子用戶的特征數(shù)據(jù)的輸出誤差，記錄它們的平方加和以及其他評估標準，從而綜合驗證業(yè)務(wù)數(shù)據(jù)模型的準確率、穩(wěn)定性及其它的優(yōu)良性質(zhì)。用交叉驗證法對業(yè)務(wù)數(shù)據(jù)模型進行驗證的目的是為了得到可靠穩(wěn)定的業(yè)務(wù)數(shù)據(jù)模型。

在一個具體實現(xiàn)過程中，本發(fā)明實施例為了可以采用10折交叉驗證的方式，即將樣本用戶的特征數(shù)據(jù)分成十份，輪流將其中9份做訓練，1份做驗證，從10次的混淆矩陣中提取精確度、準確率、召回率和特異度等判定值的均值作為對算法精度的估計，并結(jié)合進行多次10折交叉驗證求其均值，從而得到驗證結(jié)果。

例如，設(shè)定的第一閾值為50％，經(jīng)過10折交叉驗證求其轉(zhuǎn)化率均值為70％，得到的驗證結(jié)果為測試種子用戶，與事實相符，否則，若經(jīng)過10折交叉驗證求其轉(zhuǎn)化率均值為40％，得到的驗證結(jié)果為測試非種子用戶，與事實不符，。

同理，對于測試非種子用戶的驗證過程也可以按照上述方式進行驗證，最終可以得到的驗證結(jié)果為測試非種子用戶，與事實相符，或者，得到的驗證結(jié)果為測試種子用戶，與事實不符。

206、根據(jù)驗證結(jié)果，得到業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性。

若得到的驗證結(jié)果為與事實相符，可以進一步對業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性進行評估，例如，可以使用混淆矩陣及其衍生指標、受試者工作特征(receiveroperatingcharacteristic，roc)曲線來評估模型的分類的精確程度、閾值的科學度及業(yè)務(wù)數(shù)據(jù)模型的魯棒性，進而得到業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性，例如業(yè)務(wù)數(shù)據(jù)模型穩(wěn)定性較弱、業(yè)務(wù)數(shù)據(jù)模型穩(wěn)定性較強、業(yè)務(wù)數(shù)據(jù)模型穩(wěn)定性強等。

207、根據(jù)業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性，確定業(yè)務(wù)數(shù)據(jù)模型的時效性和更新周期。

由于指定機構(gòu)的業(yè)務(wù)及市場環(huán)境可能存在變化，以及隨著新特征數(shù)據(jù)的不斷補充，可能會降低該業(yè)務(wù)數(shù)據(jù)的模型的準確率，效率，因此可以根據(jù)指定機構(gòu)的業(yè)務(wù)及市場環(huán)境、業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性，確定業(yè)務(wù)數(shù)據(jù)模型的時效性和更新周期，以便保證業(yè)務(wù)數(shù)據(jù)模型能夠應對指定機構(gòu)的當前業(yè)務(wù)及市場環(huán)境，并根據(jù)新特征數(shù)據(jù)對業(yè)務(wù)數(shù)據(jù)模型進行更新。

通過本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)模型的構(gòu)造方法構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型，能夠在挖掘指定機構(gòu)的潛在種子用戶過程中，聲測挖掘出指定機構(gòu)內(nèi)部有業(yè)務(wù)需求的用戶，激活了大量沉睡或者不活躍的用戶，最大程度的挖距了用戶的可提升價值，大幅增加了用戶貸款次數(shù)及額度使用率，且該業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性較高，在該業(yè)務(wù)數(shù)據(jù)模型穩(wěn)定性檢驗時可實現(xiàn)6步向前(6stepahead)預測，且預測準確率在83％以上。

圖3為本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置實施例一的結(jié)構(gòu)示意圖，如圖3所示，本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置可以包括分析模塊10、檢測模塊11和第一確定模塊12，在一個具體實現(xiàn)過程中各模塊之間能夠?qū)崿F(xiàn)數(shù)據(jù)相互交互。

分析模塊10，用于利用預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型對指定機構(gòu)中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)進行分析，得到待挖掘用戶的轉(zhuǎn)化率；

其中，預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型包括多數(shù)據(jù)源條件下種子用戶相對于非種子用戶的區(qū)別特征數(shù)據(jù)；

業(yè)務(wù)數(shù)據(jù)包括：待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和待挖掘用戶的行為偏好數(shù)據(jù)；待挖掘用戶的轉(zhuǎn)化率是根據(jù)區(qū)別特征數(shù)據(jù)分別與待挖掘用戶的業(yè)務(wù)統(tǒng)計數(shù)據(jù)和待挖掘用戶的行為偏好數(shù)據(jù)的匹配度得到的；

檢測模塊11，用于檢測待挖掘用戶的轉(zhuǎn)化率是否達到預設(shè)的第一閾值；

第一確定模塊12，用于若檢測模塊11檢測到待挖掘用戶的轉(zhuǎn)化率達到預設(shè)的第一閾值，確定待挖掘用戶為指定機構(gòu)的潛在種子用戶。

本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置，通過采用上述各模塊實現(xiàn)對業(yè)務(wù)數(shù)據(jù)進行處理的實現(xiàn)機制與上述圖1所示實施例的實現(xiàn)機制相同，詳細可以參考上述圖1所示實施例的記載，在此不再贅述。

本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置，通過上述各模塊能夠利用預先構(gòu)造的業(yè)務(wù)數(shù)據(jù)模型對指定機構(gòu)中待挖掘用戶的業(yè)務(wù)數(shù)據(jù)進行分析，得到待挖掘用戶的轉(zhuǎn)化率后，檢測待挖掘用戶的轉(zhuǎn)化率是否達到預設(shè)的第一閾值，若檢測到待挖掘用戶的轉(zhuǎn)化率達到預設(shè)的第一閾值，確定待挖掘用戶為指定機構(gòu)的潛在種子用戶，實現(xiàn)了精確的定位潛在客戶。本發(fā)明實施例的技術(shù)方案，能夠提高客戶轉(zhuǎn)化率，提高客戶的信用度使用程度，降低營銷成本。

圖4為本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置實施例二的結(jié)構(gòu)示意圖，如圖4所示，本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置在圖3的基礎(chǔ)上進一步還可以包括第二確定模塊13、第三確定模塊14、訓練模塊15和驗證模塊16。

第二確定模塊13，用于根據(jù)預設(shè)的業(yè)務(wù)標準，對樣本用戶進行分類，確定所述種子用戶和所述非種子用戶；其中，所述種子用戶包括訓練種子用戶和驗證種子用戶，所述非種子用戶包括訓練非種子用戶和驗證非種子用戶。

例如，預設(shè)的業(yè)務(wù)標準可以包括但不限制于業(yè)務(wù)規(guī)定時間窗口或信用額度使用率，可以將在指定的業(yè)務(wù)規(guī)定時間窗口發(fā)生過信用額度使用的樣本用戶劃分為種子用戶，或者，將信用額度使用率大于或等于預設(shè)的第二閾值的樣本用戶劃分為種子用戶。對應地，可以將在指定的業(yè)務(wù)規(guī)定時間窗口未發(fā)生過信用額度使用的樣本用戶劃分為非種子用戶，或者，將信用額度使用率小于預設(shè)的第二閾值的樣本用戶劃分為非種子用戶。

第三確定模塊14，用于在多數(shù)據(jù)源條件下，根據(jù)所述訓練種子用戶的特征數(shù)據(jù)和所述訓練非種子用戶的特征數(shù)據(jù)，確定樣本業(yè)務(wù)數(shù)據(jù)；

具體地，可以根據(jù)預設(shè)的轉(zhuǎn)化標準，分別對訓練種子用戶的特征數(shù)據(jù)和訓練非種子用戶的特征數(shù)據(jù)進行轉(zhuǎn)化，得到訓練種子用戶的標準特征數(shù)據(jù)和訓練非種子用戶的標準特征數(shù)據(jù)；根據(jù)預設(shè)的篩選算法，分別對訓練種子用戶的標準特征數(shù)據(jù)和訓練非種子用戶的標準特征數(shù)據(jù)進行篩選，得到訓練種子用戶的有效特征數(shù)據(jù)和訓練非種子用戶的有效特征數(shù)據(jù)；根據(jù)訓練種子用戶的有效特征數(shù)據(jù)和訓練非種子用戶的有效特征數(shù)據(jù)，確定訓練種子用戶相對于訓練非種子用戶的區(qū)別特征數(shù)據(jù)；例如，根據(jù)預設(shè)的合并準則，分別對訓練種子用戶的有效特征數(shù)據(jù)和訓練非種子用戶的有效特征數(shù)據(jù)進行合并，得到種子用戶的有效特征數(shù)據(jù)集合和非種子用戶的有效特征數(shù)據(jù)集合；檢測每個訓練種子用戶的有效特征數(shù)據(jù)集合與對應的訓練非種子用戶的有效特征數(shù)據(jù)集合的區(qū)分度；根據(jù)區(qū)分度，按照由高到低的次序，依次選取指定數(shù)目的種子用戶的有效特征數(shù)據(jù)集合；將指定數(shù)目的種子用戶的有效特征數(shù)據(jù)集合中的相關(guān)數(shù)據(jù)作為訓練種子用戶相對于訓練非種子用戶的區(qū)別特征數(shù)據(jù)，并將區(qū)別特征數(shù)據(jù)作為樣本業(yè)務(wù)數(shù)據(jù)。

訓練模塊15，用于利用預設(shè)的算法分支，對樣本業(yè)務(wù)數(shù)據(jù)進行訓練，得到業(yè)務(wù)數(shù)據(jù)模型。

驗證模塊16，用于利用業(yè)務(wù)數(shù)據(jù)模型對驗證種子用戶的特征數(shù)據(jù)和驗證非種子用戶的特征數(shù)據(jù)進行驗證，得到驗證結(jié)果；根據(jù)驗證結(jié)果，得到業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性；根據(jù)業(yè)務(wù)數(shù)據(jù)模型的穩(wěn)定性，確定業(yè)務(wù)數(shù)據(jù)模型的時效性和更新周期。

進一步地，第二確定模塊13，還用于確定訓練種子用戶的數(shù)目或訓練種子用戶與訓練非種子用戶之間的比例；根據(jù)訓練種子用戶的數(shù)目或訓練種子用戶與訓練非種子用戶之間的比例，選取設(shè)定的算法分支。

需要說明的是，本發(fā)明實施例中第二確定模塊13、第三確定模塊14、訓練模塊15和驗證模塊16可以單獨組成一個業(yè)務(wù)數(shù)據(jù)模塊構(gòu)造裝置，其目的僅用來構(gòu)造業(yè)務(wù)數(shù)據(jù)模塊。

本發(fā)明實施例的業(yè)務(wù)數(shù)據(jù)的處理裝置，通過采用上述各模塊實現(xiàn)對業(yè)務(wù)數(shù)據(jù)進行處理的實現(xiàn)機制與上述圖2所示實施例的實現(xiàn)機制相同，詳細可以參考上述圖2所示實施例的記載，在此不再贅述。

本領(lǐng)域內(nèi)的技術(shù)人員應明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

在一個典型的配置中，計算設(shè)備包括一個或多個處理器(cpu)、輸入/輸出接口、網(wǎng)絡(luò)接口和內(nèi)存。

內(nèi)存可能包括計算機可讀介質(zhì)中的非永久性存儲器，隨機存取存儲器(ram)和/或非易失性內(nèi)存等形式，如只讀存儲器(rom)或閃存(flashram)。內(nèi)存是計算機可讀介質(zhì)的示例。

計算機可讀介質(zhì)包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術(shù)來實現(xiàn)信息存儲。信息可以是計算機可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序的模塊或其他數(shù)據(jù)。計算機的存儲介質(zhì)的例子包括，但不限于相變內(nèi)存(pram)、靜態(tài)隨機存取存儲器(sram)、動態(tài)隨機存取存儲器(dram)、其他類型的隨機存取存儲器(ram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、快閃記憶體或其他內(nèi)存技術(shù)、只讀光盤只讀存儲器(cd-rom)、數(shù)字多功能光盤(dvd)或其他光學存儲、磁盒式磁帶，磁帶磁磁盤存儲或其他磁性存儲設(shè)備或任何其他非傳輸介質(zhì)，可用于存儲可以被計算設(shè)備訪問的信息。按照本文中的界定，計算機可讀介質(zhì)不包括暫存電腦可讀媒體(transitorymedia)，如調(diào)制的數(shù)據(jù)信號和載波。

還需要說明的是，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、商品或者設(shè)備中還存在另外的相同要素。

本領(lǐng)域技術(shù)人員應明白，本發(fā)明實施例的實施例可提供為方法、系統(tǒng)或計算機程序產(chǎn)品。因此，本發(fā)明實施例可采用完全硬件實施例、完全軟件實施例或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明實施例可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。

以上所述僅為本申請的實施例而已，并不用于限制本申請。對于本領(lǐng)域技術(shù)人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原理之內(nèi)所作的任何修改、等同替換、改進等，均應包含在本申請的權(quán)利要求范圍之內(nèi)。