基于深度学习的信贷审批结果预判方法及相关设备

本发明涉及计算机处理领域，具体涉及一种基于深度学习的信贷审批结果预判方法及相关设备。

现有的商业银行的信贷审批是指一笔信贷业务自借款申请人向商业银行提出授信申请，经过授信调查、受理审查到审批批复、授信后重检的全部管理过程。借款申请人如果能根据借款申请人自己或者相似公司的过往信贷审批结果，预测信贷审批通过与否，就能及时调整决策是否进行此次信贷申请，从而节省成本。

由于借款申请人能获得的资料只有自己过往的申请材料副本，或者行业内同等企业过往信贷情况，样本量极少，无法通过深度学习网络构建信贷结果预判模型。

鉴于以上内容，有必要提出一种基于深度学习的信贷审批结果预判方法、装置、电子设备及计算机可读存储介质，以通过深度学习网络构建信贷结果预判模型。

本申请的第一方面提供一种基于深度学习的信贷审批结果预判方法，所述方法包括：

获取样本数据；

计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器；

训练所述分类器；及

利用训练后的所述分类器识别待预测的申请材料以得到所述申请材料的信贷审批结果。

优选地，所述计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器包括：

将获取的样本数据进行独热(One-Hot)编码得到所述样本数据的预测标签；

根据所述样本数据及所述样本数据的预测标签计算所述样本数据之间的相似度得到所述样本数据之间的相似矩阵，其中，所述样本数据之间的相似度通过样本数据之间的余弦距离表示；及

根据所述样本数据及所述相似矩阵构建所述分类器。

优选地，所述根据所述样本数据及所述样本数据的预测标签计算所述样本数据之间的相似度得到所述样本数据之间的相似矩阵包括：

根据所述申请材料的信贷审批结果确定所述样本数据的预测标签；

根据所述样本数据及所述样本数据的预测标签构建完全连通图，其中，所述完全连通图包括节点与节点之间的边，所述完全连通图的节点表示为V＝(x,h(l))，x表示所述样本数据，h(l)表示所述样本数据的预测标签，所述完全连通图的边为所述节点之间的连线；及

计算所述完全连通图中两两节点之间的相似度，得到两两节点之间的相似矩阵，其中，所述完全连通图中两两节点之间的相似度通过两两节点之间的余弦距离表示。

优选地，所述根据所述样本数据及所述相似矩阵构建所述分类器包括：

根据公式构建所述分类器，其中，i和j表示所述分类器中第i和第j节点，Aji(k)为所述分类器中第k层中的节点j所对应的样本数据和第k层中的节点i所对应的样本数据之间的相似度，ωji(k)为所述分类器中第k+1层中的节点j和第k层中的节点i之间的传输权重，为所述分类器中第k层中的第i个样本，ρ为非线性激活函数。

优选地，所述非线性激活函数为ReLU函数、Tanh函数或Sigmoid函数。

优选地，所述训练所述分类器包括：

将随机生成的数作为所述分类器的初始传输权重以对所述分类器进行训练及在所述分类器的训练过程中将所述分类器的传输权重通过误差反向传播方式进行更新。

优选地，所述分类器的训练过程包括：

获取正样本的申请材料的样本数据及负样本的申请材料的样本数据，并将正样本的标注信贷审批结果的类别，以使正样本的申请材料的样本数据携带申请材料的样本数据的信贷审批结果类别标签，所述申请材料的信贷审批结果类别包括通过类别及未通过类别；

将所述正样本的申请材料的样本数据及所述负样本的申请材料的样本数据随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述分类器，并利用所述验证集验证训练后的所述分类器的准确率；

若所述准确率大于或者等于预设准确率或所述分类器的损失函数不会再减小时，则结束训练；若所述准确率小于所述预设准确率时，则增加正样本的申请材料的样本数据数量及负样本的申请材料的样本数据数量以重新训练所述分类器直至所述准确率大于或者等于预设准确率。

本申请的第二方面提供一种信贷审批结果预判装置，所述装置包括：

获取模块，用于获取样本数据；

构建模块，用于计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器；

训练模块，用于训练所述分类器；及

识别模块，用于利用训练后的所述分类器识别待预测的申请材料以得到所述申请材料的信贷审批结果。

本申请的第三方面提供一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述基于深度学习的信贷审批结果预判方法。

本申请的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于深度学习的信贷审批结果预判方法。

本发明通过计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器，并以训练后的所述分类器识别待预测的申请材料得到申请材料的预测结果，解决了使用传统的深度学习模型进行申请材料预测时样本特征提取差，及模型预测效果差的问题。

图1为本发明一实施方式中基于深度学习的信贷审批结果预判方法的流程图。

图2为本发明一实施方式中基于深度学习的信贷审批结果预判装置的结构图。

图3为本发明一实施方式中电子设备的示意图。

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

优选地，本发明基于深度学习的信贷审批结果预判方法应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

实施例1

图1是本发明一实施方式中基于深度学习的信贷审批结果预判方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。

参阅图1所示，所述基于深度学习的信贷审批结果预判方法具体包括以下步骤：

步骤S11，获取样本数据。

本实施方式中，所述样本数据包括申请方或与申请方处于同一行业内的同等企业的申请材料的指标。本实施方式中，所述申请材料的指标包括，但不限于资信信息、用途信息、经营状况信息、担保抵押情况信息、还款能力信息。本实施方式中，所述资信信息是指申请方的履约能力和可信任度。在一实施方式中，通过人工分析的方法从所述申请材料中分析出所述申请材料中的各个指标。在另一实施方式中，可以通过自动分析方法从所述申请材料中分析出对应的资信信息、用途信息、经营状况信息、担保抵押情况信息、还款能力信息。例如，可以根据申请材料中是否包含证明申请方的资产、信用状况的文件(如企业信用报告和企业AAA信用等级证书)确定出申请方的资信信息内容。

本实施方式中，为描述方便，将申请材料的资信信息、用途信息、经营状况信息、担保抵押情况信息、还款能力信息等5个指标用Ij表示，其中，j表示指标的序号且1≤j≤5。设定申请材料有S份，其中i表示为申请材料的序号且1≤i≤S,则第i份申请材料可以表示为xi＝[Ii1,Ii2,…,Ii5]。本实施方式中，将申请材料作为样本数据，其中，申请材料的信贷审批结果设为l，并定义

步骤S12，计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器。

本实施方式中，所述计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器包括：

将获取的样本数据进行独热(One-Hot)编码得到所述样本数据的预测标签；根据所述样本数据及所述样本数据的预测标签计算所述样本数据之间的相似度得到所述样本数据之间的相似矩阵，其中，所述样本数据之间的相似度通过样本数据之间的余弦距离表示；及根据所述样本数据及所述相似矩阵构建所述分类器。

在具体实施方式中，所述根据所述样本数据及所述样本数据的预测标签计算所述样本数据之间的相似度得到所述样本数据之间的相似矩阵包括：根据所述申请材料的信贷审批结果确定所述样本数据的预测标签，其中，当所述申请材料的信贷审批结果为获得授信时确定所述预测标签为向量[1 0],当所述申请材料的信贷审批结果为未获得授信时确定所述预测标签为向量[0 1]；根据所述样本数据及所述样本数据的预测标签构建完全连通图，其中，所述完全连通图包括节点与节点之间的边，所述完全连通图的节点表示为V＝(x,h(l))，其中，x为样本数据，h(l)为样本数据的预测标签，所述完全连通图的边为所述节点之间的连线；及计算所述完全连通图中两两节点之间的相似度，得到两两节点之间的相似矩阵，其中，所述完全连通图中两两节点之间的相似度通过两两节点之间的余弦距离表示。

本实施方式中，所述根据所述样本数据及所述相似矩阵构建所述分类器包括：根据公式构建所述分类器，其中，i和j表示所述分类器中第i和第j节点，Aji(k)为所述分类器中第k层中的节点j所对应的样本数据和第k层中的节点i所对应的样本数据之间的相似度，ωji(k)为所述分类器中第k+1层中的节点j和第k层中的节点i之间的传输权重，为所述分类器中第k层中的第i个样本，ρ为非线性激活函数。本实施方式中，所述非线性激活函数为ReLU(Rectified Linear Unit)函数、Tanh函数或Sigmoid函数。

本实施方式中，所述方法还包括：构建的所述分类器的输出层通过Softmax处理后输出。

步骤S13，训练所述分类器。

本实施方式中，所述训练所述分类器包括：将随机生成的数作为所述分类器的初始传输权重以对所述分类器进行训练及在所述分类器的训练过程中将所述分类器的传输权重通过误差反向传播方式进行更新。

本实施方式中，所述申请材料的信贷审批结果类别包括通过类别及未通过类别。所述分类器的训练过程包括：

1)获取正样本的申请材料的样本数据及负样本的申请材料的样本数据，并将正样本的申请材料的样本数据标注信贷审批结果的类别，以使正样本的申请材料的样本数据携带申请材料的样本数据的信贷审批结果类别标签。

例如，分别选取20个通过类别、未通过类别对应的申请材料的样本数据，并对每个申请材料的样本数据标注类别，可以以“1”作为通过的申请材料的样本标签，以“2”作为未通过的申请材料的样本标签。

2)将所述正样本的申请材料的样本数据及所述负样本的申请材料的样本数据随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述分类器，并利用所述验证集验证训练后的所述分类器的准确率。

本实施方式中，先将不同信贷审批结果类别的训练集中的训练样本分发到不同的文件夹里。例如，将通过类别的训练样本分发到第一文件夹里及将未通过类别的训练样本分发到第二文件夹里。然后从不同的文件夹里分别提取第一预设比例(例如，70％)的训练样本作为总的训练样本进行分类器的训练，从不同的文件夹里分别取剩余第二预设比例(例如，30％)的训练样本作为总的测试样本对训练完成的所述分类器进行准确性验证。

3)若所述准确率大于或者等于预设准确率或所述分类器的损失函数不会再减小时，则结束训练；若所述准确率小于预设准确率时，则增加正样本的申请材料的样本数据数量及负样本的申请材料的样本数据数量以重新训练所述分类器直至所述准确率大于或者等于预设准确率。

步骤S14，利用训练后的所述分类器识别待预测的申请材料以得到所述申请材料的信贷审批结果。

本实施方式中,所述利用训练后的所述分类器识别待预测的申请材料以得到所述申请材料的信贷审批结果包括:当利用训练后的所述分类器识别待预测的申请材料得到的概率超过一预设概率值时确定所述申请材料的信贷审批结果为获得授信；及当利用训练后的所述分类器识别待预测的申请材料得到的概率未超过所述预设概率值时确定所述申请材料的信贷审批结果为未获得授信。本实施方式中，所述预设概率值可以根据用户的需要进行设定，例如，所述预设概率值可以设定为0.5，当然，根据需要，所述预设概率值还可以设定为其他的值。

本实施方式中，所述方法还包括：当信贷审批结果为未获得授信时，提示申请材料需要加强的指标。具体的，所述当信贷审批结果为未获得授信时提示申请材料需要加强的指标包括：针对申请材料的每一指标设定一预设条件；判断所述申请材料的指标是否满足对应的预设条件；在所述申请材料的指标未满足预设条件时对所述指标进行标记；及当利用训练后的所述分类器识别所述申请材料的信贷审批结果为未获得授信时，将标记的指标作为需要加强的指标。本发明通过计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器，并以训练后的所述分类器识别待预测的申请材料得到申请材料的预测结果，解决了使用传统的深度学习模型进行申请材料预测时样本特征提取差，及模型预测效果差的问题。

实施例2

图2为本发明一实施方式中信贷审批结果预判装置40的结构图。

在一些实施例中，所信贷审批结果预判装置40运行于电子设备中。所述信贷审批结果预判装置40可以包括多个由程序代码段所组成的功能模块。所述信贷审批结果预判装置40中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行信贷审批结果预判的功能。

本实施例中，所述信贷审批结果预判装置40根据其所执行的功能，可以被划分为多个功能模块。参阅图2所示，所述信贷审批结果预判装置40可以包括获取模块401、构建模块402、训练模块403、识别模块404。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。所述在一些实施例中，关于各模块的功能将在后续的实施例中详述。

所述获取模块401获取样本数据。

本实施方式中，所述样本数据包括申请方或与申请方处于同一行业内的同等企业的申请材料的指标。本实施方式中，所述申请材料的指标包括，但不限于资信信息、用途信息、经营状况信息、担保抵押情况信息、还款能力信息。本实施方式中，所述资信信息是指申请方的履约能力和可信任度。在一实施方式中，所述获取模块401通过人工分析的方法从所述申请材料中分析出所述申请材料中的各个指标。在另一实施方式中，所述获取模块401可以通过自动分析方法从所述申请材料中分析出对应的资信信息、用途信息、经营状况信息、担保抵押情况信息、还款能力信息。例如，所述获取模块401可以根据申请材料中是否包含证明申请方的资产、信用状况的文件(如企业信用报告和企业AAA信用等级证书)确定出申请方的资信信息内容。

本实施方式中，为描述方便，将申请材料的资信信息、用途信息、经营状况信息、担保抵押情况信息、还款能力信息等5个指标用Ij表示，其中，j表示指标的序号且1≤j≤5。设定申请材料有S份，其中i表示为申请材料的序号且1≤i≤S,则第i份申请材料可以表示为xi＝[Ii1,Ii2,…,Ii5]。本实施方式中，将申请材料作为样本数据，其中，申请材料的信贷审批结果设为l，并定义

所述构建模块402计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器。

本实施方式中，所述构建模块402计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器包括：

将获取的样本数据进行独热(One-Hot)编码得到所述样本数据的预测标签；根据所述样本数据及所述样本数据的预测标签计算所述样本数据之间的相似度得到所述样本数据之间的相似矩阵，其中，所述样本数据之间的相似度通过样本数据之间的余弦距离表示；及根据所述样本数据及所述相似矩阵构建所述分类器。

在具体实施方式中，所述根据所述样本数据及所述样本数据的预测标签计算所述样本数据之间的相似度得到所述样本数据之间的相似矩阵包括：根据所述申请材料的信贷审批结果确定所述样本数据的预测标签，其中，当所述申请材料的信贷审批结果为获得授信时确定所述预测标签为向量[1 0],当所述申请材料的信贷审批结果为未获得授信时确定所述预测标签为向量[0 1]；根据所述样本数据及所述样本数据的预测标签构建完全连通图，其中，所述完全连通图包括节点与节点之间的边，所述完全连通图的节点表示为V＝(x,h(l))，其中，x为样本数据，h(l)为样本数据的预测标签，所述完全连通图的边为所述节点之间的连线；及计算所述完全连通图中两两节点之间的相似度，得到两两节点之间的相似矩阵，其中，所述完全连通图中两两节点之间的相似度通过两两节点之间的余弦距离表示。

本实施方式中，所述根据所述样本数据及所述相似矩阵构建所述分类器包括：根据公式构建所述分类器，其中，i和j表示所述分类器中第i和第j节点，Aji(k)为所述分类器中第k层中的节点j所对应的样本数据和第k层中的节点i所对应的样本数据之间的相似度，ωji(k)为所述分类器中第k+1层中的节点j和第k层中的节点i之间的传输权重，为所述分类器中第k层中的第i个样本，ρ为非线性激活函数。本实施方式中，所述非线性激活函数为ReLU(Rectified Linear Unit)函数、Tanh函数或Sigmoid函数。

本实施方式中，所述构建模块402还用于构建的所述分类器的输出层通过Softmax处理后输出。

所述训练模块403训练所述分类器。

本实施方式中，所述训练模块403训练所述分类器包括：将随机生成的数作为所述分类器的初始传输权重以对所述分类器进行训练及在所述分类器的训练过程中将所述分类器的传输权重通过误差反向传播方式进行更新。

本实施方式中，所述申请材料的信贷审批结果类别包括通过类别及未通过类别。所述分类器的训练过程包括：

1)获取正样本的申请材料的样本数据及负样本的申请材料的样本数据，并将正样本的申请材料的样本数据标注信贷审批结果的类别，以使正样本的申请材料的样本数据携带申请材料的样本数据的信贷审批结果类别标签。

例如，分别选取20个通过类别、未通过类别对应的申请材料的样本数据，并对每个申请材料的样本数据标注类别，可以以“1”作为通过的申请材料的样本标签，以“2”作为未通过的申请材料的样本标签。

2)将所述正样本的申请材料的样本数据及所述负样本的申请材料的样本数据随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述分类器，并利用所述验证集验证训练后的所述分类器的准确率。

本实施方式中，所述训练模块403先将不同信贷审批结果类别的训练集中的训练样本分发到不同的文件夹里。例如，将通过类别的训练样本分发到第一文件夹里及将未通过类别的训练样本分发到第二文件夹里。然后从不同的文件夹里分别提取第一预设比例(例如，70％)的训练样本作为总的训练样本进行分类器的训练，从不同的文件夹里分别取剩余第二预设比例(例如，30％)的训练样本作为总的测试样本对训练完成的所述分类器进行准确性验证。

3)若所述准确率大于或者等于预设准确率或所述分类器的损失函数不会再减小时，则结束训练；若所述准确率小于预设准确率时，则增加正样本的申请材料的样本数据数量及负样本的申请材料的样本数据数量以重新训练所述分类器直至所述准确率大于或者等于预设准确率。

所述识别模块404利用训练后的所述分类器识别待预测的申请材料以得到所述申请材料的信贷审批结果。

本实施方式中,所述识别模块404所述利用训练后的所述分类器识别待预测的申请材料以得到所述申请材料的信贷审批结果包括:当利用训练后的所述分类器识别待预测的申请材料得到的概率超过一预设概率值时确定所述申请材料的信贷审批结果为获得授信；及当利用训练后的所述分类器识别待预测的申请材料得到的概率未超过所述预设概率值时确定所述申请材料的信贷审批结果为未获得授信。本实施方式中，所述预设概率值可以根据用户的需要进行设定，例如，所述预设概率值可以设定为0.5，当然，根据需要，所述预设概率值还可以设定为其他的值。

本实施方式中，所述识别模块404还用于：当信贷审批结果为未获得授信时，提示申请材料需要加强的指标。具体的，所述识别模块404针对申请材料的每一指标设定一预设条件；判断所述申请材料的指标是否满足对应的预设条件；在所述申请材料的指标未满足预设条件时对所述指标进行标记；及当利用训练后的所述分类器识别所述申请材料的信贷审批结果为未获得授信时，将标记的指标作为需要加强的指标。

本发明通过计算所述样本数据之间的相似度，并根据所述样本数据及所述样本数据之间的相似度构建分类器，并以训练后的所述分类器识别待预测的申请材料得到申请材料的预测结果，解决了使用传统的深度学习模型进行申请材料预测时样本特征提取差，及模型预测效果差的问题。

实施例3

图3为本发明一实施方式中电子设备6的示意图。

所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述基于深度学习的信贷审批结果预判方法实施例中的步骤，例如图1所示的步骤S11～S14。或者，所述处理器62执行所述计算机程序63时实现上述信贷审批结果预判装置实施例中各模块/单元的功能，例如图2中的模块401～404。

示例性的，所述计算机程序63可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器62执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如，所述计算机程序63可以被分割成图3中的获取模块401、构建模块402、训练模块403、识别模块404，各模块具体功能参见实施例2。

本实施方式中，所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端终端装置等计算设备。本领域技术人员可以理解，所述示意图仅仅是电子设备6的示例，并不构成对电子设备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，例如所述电子设备6还可以包括输入输出设备、网络接入设备、总线等。

所称处理器62可以是中央处理模块(Central Processing Unit，CPU)，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。通用处理器可以是微处理器或者所述处理器62也可以是任何常规的处理器等，所述处理器62是所述电子设备6的控制中心，利用各种接口和线路连接整个电子设备6的各个部分。

所述存储器61可用于存储所述计算机程序63和/或模块/单元，所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元，以及调用存储在存储器61内的数据，实现所述电子设备6的各种功能。所述存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备6的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述电子设备6集成的模块/单元如果以软件功能模块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，本发明实现上述实施例方法中的全部或部分流程，也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，所述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可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、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等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，所述模块的划分，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。

另外，在本发明各个实施例中的各功能模块可以集成在相同处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。