信息处理方法、装置、电子设备及存储介质

本公开实施例涉及计算机技术领域，更具体地，涉及一种信息处理方法、装置、电子设备及存储介质。

目前，在金融领域，随着欺诈方式升级和翻新速度较快，以及，精准化和高科技化趋势愈加显著，欺诈形势也愈加严峻，尤其是信用卡申请领域。

针对信用卡申请，存在使用虚假申请资料和跨地区迁移等欺诈方式。当前信用卡申请业务的受理大部分已由线下转移到线上。相应的，相关技术中，采用基于大量实时在线数据的方式进行欺诈行为的判别。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：采用相关技术进行欺诈行为判别的准确率不高。

有鉴于此，本公开实施例提供了一种信息处理方法、装置、电子设备及存储介质。

本公开实施例的一个方面提供了一种信息处理方法，该方法包括：

获取待评价用户的信用卡申请信息；以及，利用信息评价模型处理上述信用卡申请信息，得到针对上述用户的评价结果，其中，上述评价结果用于表征上述用户存在欺诈行为的可能性，上述信息评价模型是基于第一特征维度的样本用户的信用卡申请信息训练生成的，其中，上述第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。

根据本公开的实施例，上述第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的，包括：获取历史样本集，其中，上述历史样本集包括上述第二特征维度的样本用户的信用卡申请信息；以及，利用降维算法处理上述第二特征维度的样本用户的信用卡申请信息，得到上述第一特征维度的样本用户的信用卡申请信息。

根据本公开的实施例，上述降维算法包括以下至少之一：主成分分析算法、线性判别式分析算法、多维尺度分析算法、等距映射算法、局部线性嵌入算法和拉普拉斯特征映射算法。

根据本公开的实施例，上述历史样本集还包括上述样本用户的真实标签信息，其中，上述真实标签信息包括存在欺诈行为标签和不存在欺诈行为标签；上述利用降维算法处理上述第二特征维度的样本用户的信用卡申请信息，得到上述第一特征维度的样本用户的信用卡申请信息，包括：从上述第二特征维度的样本用户的信用卡申请信息中确定与每类上述真实标签信息对应的密度中心点，其中，上述密度中心点为当以上述密度中心点为中心时，在距上述中心的预设范围内包括的上述第二特征维度的样本用户的信用卡申请信息的个数最多的第二特征维度的样本用户的信用卡申请信息；确定两类上述真实标签信息的密度中心点之间的测地距离；根据预设距离放大系数和两类上述真实标签信息的密度中心点之间的测地距离，确定两类上述真实标签信息的密度中心点之间的放大距离；根据上述放大距离确定每两个上述第二特征维度的样本用户的信用卡申请信息之间的测地距离；以及，利用多维尺度分析算法处理各个上述测地距离，得到上述第一特征维度的样本用户的信用卡申请信息。

根据本公开的实施例，上述利用降维算法处理上述第二特征维度的样本用户的信用卡申请信息，得到上述第一特征维度的样本用户的信用卡申请信息，包括：确定与信用卡欺诈业务对应的目标字段；从上述第二特征维度的样本用户的信用卡申请信息中确定与上述目标字段对应的筛选信息；以及，利用降维算法处理上述第二特征维度的样本用户的筛选信息，得到上述第一特征维度的样本用户的信用卡申请信息。

根据本公开的实施例，上述利用降维算法处理上述第二特征维度的样本用户的筛选信息，得到上述第一特征维度的样本用户的信用卡申请信息，包括：对上述第二特征维度的样本用户的筛选信息进行预处理，得到处理后的筛选信息；以及，利用降维算法处理上述第二特征维度的样本用户的处理后的筛选信息，得到上述第一特征维度的样本用户的信用卡申请信息。

根据本公开的实施例，上述信息评价模型是基于第一特征维度的样本用户的信用卡申请信息训练生成的，包括：利用第一特征维度的样本用户的信用卡申请信息对分类器模型进行训练，得到上述信息评价模型。

本公开实施例的另一方面提供了一种信息处理装置，该装置包括：获取模块，用于获取待评价用户的信用卡申请信息；以及，处理模块，用于利用信息评价模型处理上述信用卡申请信息，得到针对上述用户的评价结果，其中，上述评价结果用于表征上述用户存在欺诈行为的可能性，上述信息评价模型是基于第一特征维度的样本用户的信用卡申请信息训练生成的，其中，上述第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。

本公开实施例的另一方面提供了一种电子设备，该电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。

本公开实施例的另一方面提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现如上所述的方法。

本公开实施例的另一方面提供了一种计算机程序，上述计算机程序包括计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，通过获取待评价用户的信用卡申请信息，利用基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型处理信用卡申请信息，得到用于表征用户存在欺诈行为的可能性的评价结果，其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。由于第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的，因此，第一特征维度的样本用户的信用卡申请信息可以反映数据更本质的特征，且，降低了特征冗余度。在此基础上，使得基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型的预测精度得以提高，进而提高了欺诈行为判别的准确率，因而，至少部分地克服了相关技术中对欺诈行为判别的准确率不高的技术问题。此外，通过降维处理增大了数据在低维子空间中的样本密度，降低了计算复杂度。由于计算复杂度的降低，因此，也提高了信息评价模型的训练速度。

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用信息处理方法的示例性系统架构；

图2示意性示出了根据本公开实施例的一种信息处理方法的流程图；

图3示意性示出了根据本公开实施例的一种局部密度确定方法的示意图；

图4示意性示出了根据本公开实施例的另一种信息处理方法的流程图；

图5示意性示出了根据本公开实施例的再一种信息处理方法的流程图；

图6示意性示出了根据本公开实施例的一种信息处理装置的框图；以及

图7示意性示出了根据本公开实施例的适于实现信息处理方法的电子设备的框图。

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在相关技术中，采用机器学习来进行信用卡欺诈行为的判别。即获取历史样本集，其中，历史样本集包括样本用户的信用卡申请信息对样本用户的信用卡申请信息进行整合，得到原始特征和衍生特征，将原始特征和衍生特征拼接得到特征信息。利用机器学习处理特征信息得到信息评价模型。

在实现本公开构思的过程中，发明人发现相关技术中至少存在欺诈行为判别的准确率不高的问题。这是由于参与模型训练的特征信息的维度通常是比较高的，特别是对于特征信息中包括较多离散字段的情况，在对特征信息进行独热编码处理后，维度能达到百万维，甚至千万维，上述特征信息是高维数据。针对高维数据，由于高维数据在高维空间中会相对稀疏，特征冗余程度较高，因此，较难发现数据中更本质和更深层次的判别特征。由于较难发现数据中更本质和更深层次的判别特征，因此，基于高维数据训练得到的信息评价模型的预测精度不高，进而导致采用信息评价模型进行欺诈行为判别的准确率不高。此外，由于高维数据的计算复杂度较高，因此，处理高维数据消耗的计算资源会较多，同时，基于高维数据进行模型训练的速度较慢。

根据本公开的实施例，发明人发现导致相关技术中对欺诈行为判别的准确率不高的原因在于参与模型训练的是高维数据。为了解决相关技术中存在的问题，发明人发现可以采用降维方式进行处理，即采用的信息评价模型是基于第一特征维度的样本用户的信用卡申请信息训练生成的，其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。下面将结合具体实施例进行说明。

本公开的实施例提供了一种用于电子设备的信息处理方法、装置以及能够应用该方法的电子设备。本公开实施例的信息确定方法、装置和电子设备可以用于人工智能领域和大数据领域。该方法包括评价过程和训练过程，在评价过程中，获取待评价用户的信用卡申请信息，利用基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型处理信用卡申请信息，得到用于表征用户存在欺诈行为的可能性的评价结果，其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。在训练过程中，获取历史样本集，其中，历史样本集包括第二特征维度的样本用户的信用卡申请信息，利用降维算法处理第二特征维度的样本用户的信用卡申请信息，得到第一特征维度的样本用户的信用卡申请信息。利用第一特征维度的样本用户的信用卡申请信息对分类器模型进行训练，得到信息评价模型。

图1示意性示出了根据本公开实施例的可以应用信息处理方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如银行交易类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的信息处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的信息处理装置一般可以设置于服务器105中。本公开实施例所提供的信息处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集执行。相应地，本公开实施例所提供的信息处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集中。

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。

图2示意性示出了根据本公开实施例的一种信息处理方法的流程图。

如图2所示，该方法包括操作S210～S220。

在操作S210，获取待评价用户的信用卡申请信息。

在本公开的实施例中，信用卡申请信息可以包括个人基本信息字段、住宅信息字段、职业信息字段、资产信息字段、车辆信息字段、办卡信息字段和联系人信息字段中的至少一种。其中，个人基本信息字段可以包括用户姓名字段、性别字段、学历字段、婚姻状况字段、年龄字段、手机号码字段、字段、身份证号字段、身份证地址字段、身份证有效期字段和发证机关字段中的至少一种。住宅信息字段可以包括现住地址字段、住宅方式字段和入住时间字段中的至少一种。住址方式字段可以包括自建字段、按揭字段、亲属字段或租用字段。职业信息字段可以包括公司名称字段、字段、字段、任职部门字段、职位字段和职业年限字段中的至少一种。资产信息字段可以包括年收入字段和近一个月存款金额字段。车辆信息字段可以包括自购车品牌字段、车价格字段和车年限字段。办卡信息字段可以包括信用卡开卡单位字段和信用卡额度字段。联系人信息字段可以包括联系人姓名字段和字段。

针对是否可以用于评价用户存在欺诈行为的可能性，可以将信用卡申请信息所包括的各个字段分为目标字段和无关字段，其中，目标字段可以指与评价存在欺诈行为的可能性相关的字段，即目标字段为可以用于评价存在欺诈行为的可能性的字段。无关字段可以指与评价存在欺诈行为的可能性无关的字段。上述所述的用户存在欺诈行为的可能性可以包括用户存在欺诈行为和用户不存在欺诈行为。上述所述的欺诈行为可以指信用卡欺诈行为。

根据本公开的实施例，信用卡申请信息的目标字段可以包括个人基本信息字段、现住地址字段、字段和近一个月存款金额字段等字段。

在操作S220，利用信息评价模型处理信用卡申请信息，得到针对用户的评价结果，其中，评价结果用于表征用户存在欺诈行为的可能性，信息评价模型是基于第一特征维度的样本用户的信用卡申请信息训练生成的，其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。

在本公开的实施例中，为了提高欺诈行为判别的准确率，可以采用基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型处理信用卡申请信息。其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的，即第一特征维度小于第二特征维度。

通过对高维的第二特征维度的样本用户的信用卡申请信息进行降维处理，一方面可以发现其在低维空间中的内在结构，反映出数据更本质的特征，降低特征冗余度，即第一特征维度的样本用户的信用卡申请信息可以反映数据更本质的特征，且，特征冗余度降低。在此基础上，基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型的预测精度得以提高，进而提高了欺诈行为判别的准确率。另一方面也能增大数据在低维子空间中的样本密度，降低计算复杂度。由于计算复杂度的降低，因此，也提高了信息评价模型的训练速度。

信息评价模型可以为分类器模型，即可以采用第一特征维度的样本用户的信用卡申请信息对分类器模型进行训练，以得到信息评价模型。其中，分类器模型可以包括Bayes决策模型、极大似然分类器模型、贝叶斯分类器模型、聚类分析模型、神经网络模型、支持向量机模型、混沌与分形模型和隐马尔科夫模型等。需要说明的是，分类器模型具体可以根据实际情况进行设定，在此不作具体限定。

将信用卡申请信息输入信息评价模型，输出用于表征用户存在欺诈行为的可能性的评价结果。评价结果可以包括用户存在欺诈行为或用户不存在欺诈行为。评价结果的具体形式可以为待评价用户的用户标识和与用户标识对应的预测标识。预测标识可以为第一标识或第二标识，其中，第一标识可以表征为存在欺诈行为，第二标识可以表征不存在欺诈行为。

根据本公开实施例的技术方案，通过获取待评价用户的信用卡申请信息，利用基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型处理信用卡申请信息，得到用于表征用户存在欺诈行为的可能性的评价结果，其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。由于第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的，因此，第一特征维度的样本用户的信用卡申请信息可以反映数据更本质的特征，且，降低了特征冗余度。在此基础上，使得基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型的预测精度得以提高，进而提高了欺诈行为判别的准确率，因而，至少部分地克服了相关技术中对欺诈行为判别的准确率不高的技术问题。此外，通过降维处理增大了数据在低维子空间中的样本密度，降低了计算复杂度。由于计算复杂度的降低，因此，也提高了信息评价模型的训练速度。

可选地，在上述技术方案的基础上，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的，可以包括：获取历史样本集，其中，历史样本集包括第二特征维度的样本用户的信用卡申请信息。利用降维算法处理第二特征维度的样本用户的信用卡申请信息，得到第一特征维度的样本用户的信用卡申请信息。

在本公开的实施例中，为了降低第二特征维度的样本用户的信用卡申请信息的维度，以得到第一特征维度的样本用户的信用卡申请信息，可以采用降维算法。

获取历史样本集，其中，历史样本集可以包括第二特征维度的样本用户的信用卡申请信息，第二特征维度的样本用户的信用卡申请信息可以包括多个。

采用降维算法处理第二特征维度的样本用户的信用卡申请信息，得到第一特征维度的样本用户的信用卡申请信息，其中，降维算法可以包括线性降维算法和非线性降维算法。线性降维算法是指在降维过程中有线性映射关系指导高维数据向低维数据进行线性映射变换。线性降维算法可以包括主成分分析(Principal Component Analysis，PCA)算法、线性判别分析(Linear Discriminate Analysis，LDA)和多维尺度分析算法(MultiDimensional Scaling，MDS)中的至少一种。非线性降维算法可以包括等距映射(Isometric Feature Mapping，ISOMAP)算法、局部线性嵌入(Locality LinearEmbedding，LLE)算法和拉普拉斯特征映射(Laplacian Engenmaps，LE)算法中的至少一种。其中，等距映射算法可以包括改进的等距映射算法。

示例性的，以主成分分析算法为例进行说明。主成分分析算法是一种将原自变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中提取出较少的几个综合变量，并尽可能多地反映原自变量信息的统计方法，其中，较少的几个综合变量即为主成分。主成分分析算法过程也就是坐标旋转过程，各个主成分表达式即是新坐标与原始坐标系的转换关系，新坐标系中各坐标轴的方向即是原自变量方差最大的方向，具体实现方式如下：

获取历史样本信息，其中，第二特征维度的样本用户的信用卡申请信息可以表示为{Xi|Xi∈X，i＝1，2，...，N-1，N}，Xi＝[Xi1，Xi2，...，Xim，...，XiM-1，XiM]，m＝1，2，...，M-1，M，其中，Xi表示第i个第二特征维度的样本用户的信用卡申请信息，Xim表示第i个第二特征维度的样本用户的信用卡申请信息中的第m维信息，N表示历史样本信息所包括的第二特征维度的样本用户的信用卡申请信息的个数，M表示第二特征维度的样本用户的信用卡申请信息的维数。

根据标准化公式对第二特征维度的样本用户的信用卡申请信息进行处理，得到标准化的第二特征维度的样本用户的信用卡申请信息。其中，标准化公式为

根据相关系数公式处理标准化的第二特征维度的样本用户的信用卡申请信息，得到相关系数矩阵。其中，相关系数公式为相关系数矩阵可以用R表示。

确定与相关系数矩阵对应的特征向量。即可以根据特征值公式，确定与相关系数矩阵对应的特征值。其中，特征值公式为|λE-R|＝0，特征值可以用λi表示。

根据特征向量公式和与相关系数矩阵对应的特征值，确定与相关系数矩阵对应的特征向量。其中，特征向量公式为|λiE-R|ei＝0。

根据与相关系数矩阵对应的特征值确定主成分的贡献率。其中，主成分的贡献率可以用Qi表示，

根据各个主成分的贡献率确定目标主成分。即可以根据前i个主成分的累计贡献率与预设累计率阈值，从各个主成分中确定目标主成分，其中，目标主成分的个数为至少一个。前i个主成分的累计贡献率可以用表示。预设累计率范围可以为0.85-0.95。如果前i个主成分的累计贡献率大于等于预设累计率阈值，则可以将前i个主成分确定为目标主成分。

根据第二特征维度的样本用户的信用卡申请信息和目标主成分得到第一特征维度的样本用户的信用卡申请信息。即f(X)＝XN×MAM×i，其中，AM×i为由目标主成分构成的矩阵。

通过降维处理增大了数据在低维子空间中的样本密度，降低了计算复杂度。由于计算复杂度的降低，因此，也提高了信息评价模型的训练速度。

可选地，在上述技术方案的基础上，降维算法可以包括以下至少之一：主成分分析算法、线性判别式分析算法、多维尺度分析算法、等距映射算法、局部线性嵌入算法和拉普拉斯特征映射算法。

在本公开的实施例中，等距映射算法可以包括改进的等距映射算法。

可选地，在上述技术方案的基础上，历史样本集还包括样本用户的真实标签信息，其中，真实标签信息包括存在欺诈行为标签和不存在欺诈行为标签。利用降维算法处理第二特征维度的样本用户的信用卡申请信息，得到第一特征维度的样本用户的信用卡申请信息，可以包括：从第二特征维度的样本用户的信用卡申请信息中确定与每类真实标签信息对应的密度中心点，其中，密度中心点为当以密度中心点为中心时，在距中心的预设范围内包括的第二特征维度的样本用户的信用卡申请信息的个数最多的第二特征维度的样本用户的信用卡申请信息。确定两类真实标签信息的密度中心点之间的测地距离。根据预设距离放大系数和两类真实标签信息的密度中心点之间的测地距离，确定两类真实标签信息的密度中心点之间的放大距离。根据放大距离确定每两个第二特征维度的样本用户的信用卡申请信息之间的测地距离。利用多维尺度分析算法处理各个测地距离，得到第一特征维度的样本用户的信用卡申请信息。

在本公开的实施例中，为了提高模型对欺诈行为的预测精度，可以采用增加不同真实标签信息的第二特征维度的样本用户的信用卡申请信息之间距离的方式。

历史样本集可以包括第二特征维度的样本用户的信用卡申请信息，以及，样本用户的真实标签信息。其中，真实标签信息可以包括存在欺诈行为标签和不存在欺诈行为标签。样本用户的个数为多个。可以将每个第二特征维度的样本用户的信用卡申请信息称为样本点。下面将以样本点进行说明。

根据样本用户的真实标签信息，可以将样本点分为两类，即将具有相同真实标签信息的样本点划分为一类。这两类分别为具有存在欺诈行为标签的样本点，以及，具有不存在欺诈行为标签的样本点。

针对每类真实标签信息中的每个样本点，以该样本点为中心，确定在距该中心的预设范围内所包括的样本点的个数，将包括的其它样本点的个数称为局部密度。根据本公开的实施例，针对每个样本点，将形成以该样本点为中心的预设区域，确定位于该预设区域的样本点的个数，将位于该预设区域的样本点的个数作为与该样本点对应的局部密度。基于此，可以得到与每个样本点对应的局部密度。

图3示意性示出了根据本公开实施例的一种局部密度确定方法的示意图。如图3所示，图3中包括17个样本点。其中，样本点1～样本点9为具有相同真实标签信息的样本点。样本点10～样本点17为具有相同真实标签信息的样本点。针对样本点9，以样本点9为圆心，以预设半径d形成与样本点9对应的预设区域。样本点在该预设区域内，具有与样本点9有相同真实标签信息的样本点1、样本点3、样本点4、样本点5、样本点6、样本点8和样本点9位于该预设区域。由于位于该预设区域的样本点的个数为7，因此，与样本点9对应的局部密度为7。

在获得与每个样本点对应的局部密度后，针对每类真实标签信息，可以根据具有该真实标签信息的各个样本点的局部密度，从各个样本点中确定密度中心点，其中，密度中心点为局部密度最大的样本点。即密度中心点为当以密度中心点为中心时，在距中心的预设范围内包括的第二特征维度的样本用户的信用卡申请信息的个数最多的第二特征维度的样本用户的信用卡申请信息。根据本公开的实施例，密度中心点为第二特征维度的样本用户的信用卡申请信息，该第二特征维度的样本用户的信用卡申请信息满足如下条件：以该第二特征维度的样本用户的信用卡申请信息为中心时，在距该中心的预设范围内包括的第二特征维度的样本用户的信用卡申请信息的个数最多。

根据预设距离放大系数和两类真实标签信息的密度中心点之间的测地距离，确定两类真实标签信息的密度中心点之间的放大距离，即连接两类真实标签信息的密度中心点，得到两个密度中心点之间的测地距离，其中，测地距离是高维流形中两点之间的最短距离。将预设距离放大系数与两个密度中心点之间的测地距离相乘，得到两类真实标签信息的密度中心点之间的放大距离。

针对每类真实标签信息，确定具体该真实标签信息的任意两个样本点之间的测地距离。根据两个密度中心点之间的放大距离和每类真实标签信息的每两个样本点之间的测地距离，确定每两个样本点之间的测地距离，这里所述的确定每两个样本点之间的测地距离中的每两个样本点是指历史样本集中的任意两个样本点，这两个样本点可能为具有相同真实标签信息的样本点，也可能为具有不同真实标签信息的样本点。

在获得每两个样本点之间的测地距离后，可以采用多维尺度分析算法处理各个测地距离，以得到第一特征维度的样本用户的信用卡申请信息。

根据本公开的实施例，上述利用降维算法处理第二特征维度的样本用户的信用卡申请信息，得到第一特征维度的样本用户的信用卡申请信息体现的基于思路为：首先，采用历史样本集的真实标签信息，分别为每类真实标签信息确定与其对应的密度中心点。

其次，将两个密度中心点连线通过预设距离放大系数放大不同类别的样本点之间的距离，使不同类别样本点之间的距离通过预设距离放大系数的作用变的越大，类中的距离相对的变的越小。这里所述的不同类别是指具有不同真实标签信息。类中是指具有相同真实标签信息。

最后，在每类中确定类中每两个样本点之间的测地距离，以两个密度中心点作为所有样本点之间的连接桥梁，确定每两个样本点之间的测地距离。

通过采用真实标签信息将不同类别的样本点之间的距离进行了空间上的放缩，增加了不同真实标签信息的样本点之间的距离，进而提高了不同类别样本点的区分度，从而提高了数据密度。在此基础上，降低了特征冗余度，进而提高了模型对欺诈行为的预测精度。

可选地，在上述技术方案的基础上，利用降维算法处理第二特征维度的样本用户的信用卡申请信息，得到第一特征维度的样本用户的信用卡申请信息，可以包括：确定与信用卡欺诈业务对应的目标字段。从第二特征维度的样本用户的信用卡申请信息中确定与目标字段对应的筛选信息。利用降维算法处理第二特征维度的样本用户的筛选信息，得到第一特征维度的样本用户的信用卡申请信息。

在本公开的实施例中，由于信息评价模型用于评价用户存在欺诈行为的可能性，信息评价模型是基于第一特征维度的样本用户的信用卡申请信息训练生成的，而信用卡申请信息包括与评价欺诈行为相关的字段，也包括与评价欺诈行为无关的字段，因此，为了提高信息评价模型的预测精度，可以从信息评价模型中，提取与评价欺诈行为的可能性相关的字段的信息。其中，可以将与评价欺诈行为的可能性相关的字段称为目标字段，即目标字段为可以用于评价存在欺诈行为的可能性的字段。将第二特征维度的样本用户的信用卡申请信息中与目标字段对应的信息称为筛选信息。

根据本公开的实施例，信用卡申请信息的目标字段可以包括个人基本信息字段、现住地址字段、字段和近一个月存款金额字段等字段。

在获得第二特征维度的样本用户的筛选信息后，可以采用降维算法处理第二特征维度的样本用户的筛选信息，得到第一特征维度的样本用户的信用卡申请信息。根据本公开的实施例，由第二特征维度的筛选信息进行降维处理后得到的第一特征维度的样本用户的信用卡申请信息所包括的字段为目标字段。即在此情况下，第二特征维度的样本用户的信用卡申请信息包括目标字段的信息而不包括无关字段的信息。

可选地，在上述技术方案的基础上，利用降维算法处理第二特征维度的样本用户的筛选信息，得到第一特征维度的样本用户的信用卡申请信息，可以包括：对第二特征维度的样本用户的筛选信息进行预处理，得到处理后的筛选信息。利用降维算法处理第二特征维度的样本用户的处理后的筛选信息，得到第一特征维度的样本用户的信用卡申请信息。

在本公共的实施例中，为了提高信息评价模型的预测精度，可以对第二特征维度的样本用户的筛选信息进行预处理。其中，预处理可以包括包括数据清理、数据集成、数据规约和数据变换中的至少一种。

数据变换可以包括离散化处理。其中，离散化处理是指将连续的数据进行分段，使其变为离散化的区间。分段的原则可以基于等距离、等频率或优化的方法。根据本公开的实施例，预处理可以为离散化处理。

通过离散化处理，可以减小模型训练的时间和空间开销，提高模型对历史样本的聚类能力和抗噪能力。此外，由于离散化特征相对于连续型特征更易理解，因此，可以有效地克服数据中隐藏的缺陷，使基于模型得到的预测结果更加稳定。

需要说明的是，待评价用户的信用卡申请信息可以是通过预处理后的待评价用户的信用卡申请信息。可以采用与处理第二特征维度的样本用户的筛选信息同样的方式对待评价用户的信用卡申请信息进行预处理。

可选地，在上述技术方案的基础上，信息评价模型是基于第一特征维度的样本用户的信用卡申请信息训练生成的，可以包括：利用第一特征维度的样本用户的信用卡申请信息对分类器模型进行训练，得到信息评价模型。

在本公开的实施例中，信息评价模型可以是基于第一特征维度的样本用户的信用卡申请信息对分类器模型进行训练生成的。其中，分类器模型可以包括包括Bayes决策模型、极大似然分类器模型、贝叶斯分类器模型、聚类分析模型、神经网络模型、支持向量机模型、混沌与分形模型和隐马尔科夫模型等。需要说明的是，分类器模型具体可以根据实际情况进行设定，在此不作具体限定。下面以聚类分析模型为例进行说明。

聚类分析是无监督的机器学习算法，属于探索性的数据分析方法。聚类分析是根据对象之间的距离或者相似性，将相似对象划分为一个目标分类，形成多个目标分类。目标分类是指相似对象的集合。聚类结果要求同个目标分类的对象相似性较高，不同目标分类的对象相似性较低。聚类结果是确定出每个目标分类的目标聚类中心。聚类分析可以包括K均值聚类分析、K中心聚类分析、CLARA(Clustering LARge Application)分析或模糊C均值分析。根据本公开的实施例，上述所述的对象可以指第一特征维度的样本用户的信用卡申请信息。目标分类可以包括存在欺诈行为和不存在欺诈行为。

信息评价模型可以是基于第一特征维度的样本用户的信用卡申请信息对聚类分析模型进行训练生成的，可以包括：确定每个目标分类的初始聚类中心。确定每个第一特征维度的样本用户的信用卡申请信息与每个初始聚类中心之间的初始距离。根据初始距离确定每个第一特征维度的样本用户的信用卡申请信息所属的目标分类，确定每个目标分类中的各个初始距离的距离均值，将距离均值作为目标分类的新的初始聚类中心。重复执行确定初始距离以及确定目标分类的新的初始聚类中心的操作，直至满足预设条件，将满足预设条件时得到的每个目标分类的新的初始聚类中心作为对应的目标分类的目标聚类中心。根据各个目标聚类中心生成信息评价模型。

图4示意性示出了根据本公开实施例的另一种信息处理方法的流程图。

如图4所示，该方法包括操作S410～S480。

在操作S410，获取历史样本集，其中，历史样本集包括第二特征维度的样本用户的信用卡申请信息。

在操作S420，确定与信用卡欺诈业务对应的目标字段。

在操作S430，从第二特征维度的样本用户的信用卡申请信息中确定与目标字段对应的筛选信息。

在操作S440，对第二特征维度的样本用户的筛选信息进行预处理，得到处理后的筛选信息。

在操作S450，利用降维算法处理第二特征维度的样本用户的处理后的筛选信息，得到第一特征维度的样本用户的信用卡申请信息。

在操作S460，利用第一特征维度的样本用户的信用卡申请信息对分类器模型进行训练，得到信息评价模型。

在操作S470，获取待评价用户的信用卡申请信息。

在操作S480，利用信息评价模型处理信用卡申请信息，得到针对用户的评价结果，其中，评价结果用于表征用户存在欺诈行为的可能性。

根据本公开实施例的技术方案，通过获取待评价用户的信用卡申请信息，利用基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型处理信用卡申请信息，得到用于表征用户存在欺诈行为的可能性的评价结果，其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。由于第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的，因此，第一特征维度的样本用户的信用卡申请信息可以反映数据更本质的特征，且，降低了特征冗余度。在此基础上，使得基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型的预测精度得以提高，进而提高了欺诈行为判别的准确率，因而，至少部分地克服了相关技术中对欺诈行为判别的准确率不高的技术问题。此外，通过降维处理增大了数据在低维子空间中的样本密度，降低了计算复杂度。由于计算复杂度的降低，因此，也提高了信息评价模型的训练速度。

图5示意性示出了根据本公开实施例的再一种信息处理方法的流程图。

如图5所示，该方法包括操作S501～S511。

在操作S501，获取历史样本集，其中，历史样本集包括第二特征维度的样本用户的信用卡申请信息和样本用户的真实标签信息，其中，真实标签信息包括存在欺诈行为标签和不存在欺诈行为标签。

在操作S502，确定与信用卡欺诈业务对应的目标字段。

在操作S503，对第二特征维度的样本用户的筛选信息进行预处理，得到处理后的筛选信息。

在操作S504，从第二特征维度的样本用户的处理后的筛选信息中确定与每类真实标签信息对应的密度中心点，其中，密度中心点为当以密度中心点为中心时，在距中心的预设范围内包括的第二特征维度的样本用户的信用卡申请信息的个数最多的第二特征维度的样本用户的处理后的筛选信息。

在操作S505，确定两类真实标签信息的密度中心点之间的测地距离。

在操作S506，根据预设距离放大系数和两类真实标签信息的密度中心点之间的测地距离，确定两类真实标签信息的密度中心点之间的放大距离。

在操作S507，根据放大距离确定每两个第二特征维度的样本用户的处理后的筛选信息之间的测地距离。

在操作S508，利用多维尺度分析算法处理各个测地距离，得到第一特征维度的样本用户的信用卡申请信息。

在操作S509，利用第一特征维度的样本用户的信用卡申请信息对分类器模型进行训练，得到信息评价模型。

在操作S510，获取待评价用户的信用卡申请信息。

在操作S511，利用信息评价模型处理信用卡申请信息，得到针对用户的评价结果，其中，评价结果用于表征用户存在欺诈行为的可能性。

根据本公开实施例的技术方案，通过采用真实标签信息将不同类别的样本点之间的距离进行了空间上的放缩，增加了不同真实标签信息的样本点之间的距离，进而提高了不同类别样本点的区分度，从而提高了数据密度。在此基础上，降低了特征冗余度，进而提高了模型对欺诈行为的预测精度。由于信息评价模型的预测精度的提高，因此，提高了欺诈行为判别的准确率，因而，至少部分地克服了相关技术中对欺诈行为判别的准确率不高的技术问题。此外，通过降维处理增大了数据在低维子空间中的样本密度，降低了计算复杂度。由于计算复杂度的降低，因此，也提高了信息评价模型的训练速度。

图6示意性示出了根据本公开的实施例的一种信息处理装置的框图。

如图6所示，信息处理装置600可以包括获取模块610和处理模块620。

获取模块610和处理模块620通信连接。

获取模块610，用于获取待评价用户的信用卡申请信息；以及

处理模块620，用于利用信息评价模型处理信用卡申请信息，得到针对用户的评价结果，其中，评价结果用于表征用户存在欺诈行为的可能性，信息评价模型是基于第一特征维度的样本用户的信用卡申请信息训练生成的，其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。

根据本公开实施例的技术方案，通过获取待评价用户的信用卡申请信息，利用基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型处理信用卡申请信息，得到用于表征用户存在欺诈行为的可能性的评价结果，其中，第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的。由于第一特征维度的样本用户的信用卡申请信息是由第二特征维度的样本用户的信用卡申请信息进行降维处理后得到的，因此，第一特征维度的样本用户的信用卡申请信息可以反映数据更本质的特征，且，降低了特征冗余度。在此基础上，使得基于第一特征维度的样本用户的信用卡申请信息训练生成的信息评价模型的预测精度得以提高，进而提高了欺诈行为判别的准确率，因而，至少部分地克服了相关技术中对欺诈行为判别的准确率不高的技术问题。此外，通过降维处理增大了数据在低维子空间中的样本密度，降低了计算复杂度。由于计算复杂度的降低，因此，也提高了信息评价模型的训练速度。

可选地，在上述技术方案的基础上，处理模块620可以包括获取子模块和处理子模块。

获取子模块，用于获取历史样本集，其中，历史样本集包括第二特征维度的样本用户的信用卡申请信息。

处理子模块，用于利用降维算法处理第二特征维度的样本用户的信用卡申请信息，得到第一特征维度的样本用户的信用卡申请信息。

可选地，在上述技术方案的基础上，降维算法包括以下至少之一：主成分分析算法、线性判别式分析算法、多维尺度分析算法、等距映射算法、局部线性嵌入算法和拉普拉斯特征映射算法。

可选地，在上述技术方案的基础上，历史样本集还包括样本用户的真实标签信息，其中，真实标签信息包括存在欺诈行为标签和不存在欺诈行为标签。

处理子模块可以包括第一确定单元、第二确定单元、第三确定单元、第四确定单元和第一处理单元。

第一确定单元，用于从第二特征维度的样本用户的信用卡申请信息中确定与每类真实标签信息对应的密度中心点，其中，密度中心点为当以密度中心点为中心时，在距中心的预设范围内包括的其它第二特征维度的样本用户的信用卡申请信息的个数最多的第二特征维度的样本用户的信用卡申请信息。

第二确定单元，用于确定两类真实标签信息的密度中心点之间的测地距离。

第三确定单元，用于根据预设距离放大系数和两类真实标签信息的密度中心点之间的测地距离，确定两类真实标签信息的密度中心点之间的放大距离。

第四确定单元，用于根据放大距离确定每两个第二特征维度的样本用户的信用卡申请信息之间的测地距离。

第一处理单元，用于利用多维尺度分析算法处理各个测地距离，得到第一特征维度的样本用户的信用卡申请信息。

可选地，在上述技术方案的基础上，处理子模块可以包括第五确定单元、第六确定单元和第二处理单元。

第五确定单元，用于确定与信用卡欺诈业务对应的目标字段。

第六确定单元，用于从第二特征维度的样本用户的信用卡申请信息中确定与目标字段对应的筛选信息。

第二处理单元，用于利用降维算法处理第二特征维度的样本用户的筛选信息，得到第一特征维度的样本用户的信用卡申请信息。

可选地，在上述技术方案的基础上，处理子模块可以包括第三处理单元和第四处理单元。

第三处理单元，用于对第二特征维度的样本用户的筛选信息进行预处理，得到处理后的筛选信息。

第四处理单元，用于利用降维算法处理第二特征维度的样本用户的处理后的筛选信息，得到第一特征维度的样本用户的信用卡申请信息。

可选地，在上述技术方案的基础上，处理模块620可以包括训练子模块。

训练子模块，用于利用第一特征维度的样本用户的信用卡申请信息对分类器模型进行训练，得到信息评价模型。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArrays，PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块610和处理模块620中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，获取模块610和处理模块620中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块610和处理模块620中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中信息处理装置部分与本公开的实施例中信息处理方法部分是相对应的，信息处理装置部分的描述具体参考信息处理方法部分，在此不再赘述。

图7示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图7示出的电子设备仅仅是一个示例，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7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(Read-Only Memory，ROM)702中的程序或者从存储部分708加载到随机访问存储器(Random Access Memory，RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

根据本公开的实施例，根据本公开实施例的方法流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存储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709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开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设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：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(Erasable Programmable Read Only Memory)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory，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。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

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。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。