风控模型的训练方法、风险预测方法、装置、计算机设备与流程

1.本技术涉及风险预测技术领域，特别是涉及一种风控模型的训练方法、风险预测方法、装置、计算机设备。


背景技术：

2.随着互联网技术的发展，当前互联网的中涉及交易的各种互联网产品具有上线快，历史短等特征，对于运营不久的互联网产品，由于没有充足的运营数据支持，因此针对该类运营不久的互联网产品的风控一直是有待解决的问题。
3.相关技术中，一般是使用网络模型对互联网产品进行风控，通过积累一定的互联网产品数据，对风控模型进行建模及训练，其中，在对运营不久的互联网产品进行风控模型冷启动时，一般是由有经验的专家进行特征标签选取，通过专家指定的特征标签来进行风控模型的建模以及训练，然后利用风控模型对用户使用互联网产品产生的数据进行风险预测，以确定用户当前是否存在风险。
4.上述风控模型冷启动的方法，较为主观的选择特征标签使得最后的风控模型的准确率较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提升风控准确性的风控模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种风控模型的训练方法。所述方法包括：
7.根据风控训练样本集包含的多个特征标签以及特征标签对应的特征标签值，获取所述特征标签对应的特征列向量；
8.确定所述特征列向量与预设的分类标识向量的相关系数，并得到所述特征标签与所述分类标识向量之间相关系数；其中，所述分类标识向量中的每个值用于表示若干预设风控分类标识中的一种风控分类标识；
9.在所述风控训练样本的各特征标签中，筛选符合预设的特征筛选条件的相关系数对应的特征标签，并将筛选得到的特征标签加入特征激活集；
10.针对所述风控训练样本集中的任一风控训练样本，将所述风控训练样本在所述特征激活集中的各特征标签的特征标签值输入至构建的风控模型，根据所述风控模型的输出以及所述风控训练样本的分类标签调整所述风控模型的参数，直到得到符合预设条件的风控模型。
11.在其中一个实施例中，所述确定所述特征列向量与预设的分类标识向量的相关系数，得到所述特征标签对应的相关系数，包括：
12.分别确定所述特征列向量与预设的分类标识向量的协方差，得到所述特征列向量与预设的分类标识向量的相关系数；
13.将所述特征列向量与预设的分类标识向量的相关系数作为所述特征标签的相关
系数。
14.在其中一个实施例中，所述在所述风控训练样本的各特征标签中，筛选对应的相关系数符合预设的特征筛选条件的特征标签，并将筛选得到的特征标签加入特征激活集，包括：
15.对所述风控训练样本的各特征标签对应的相关系数进行排序；
16.在所述风控训练样本的各特征标签中，筛选对应的相关系数排在前预设数量的特征标签，并将筛选得到的特征标签加入特征激活集。
17.在其中一个实施例中，所述在所述风控训练样本的各特征标签中，筛选对应的相关系数符合预设的特征筛选条件的特征标签，并将筛选得到的特征标签加入特征激活集，包括：
18.对所述风控训练样本的各特征标签对应的相关系数进行排序；
19.选取对应的相关系数排在前预设数量的特征标签加入至特征激活集，并将其他特征标签加入至非特征激活集；
20.基于所述特征激活集训练初始的风控模型，得到所述特征激活集对应的模型误差，作为历史模型误差；
21.按照预设交换顺序，交换所述特征激活集与所述非特征激活集中的至少一个特征标签，得到当前的特征激活集；
22.基于所述当前的激活特征集训练所述初始的风险模型，得到所述当前的特征激活集对应的当前模型误差；
23.在所述当前模型误差与所述历史模型误差之间的差值绝对值高于预设误差阈值、且所述当前模型误差小于所述历史模型误差的情况下，更新所述历史模型误差为所述当前误差，并返回执行所述按照预设交换顺序，交换所述特征激活集与所述非特征激活集中的至少一个特征标签，得到当前的特征激活集的步骤，直至所述当前模型误差与所述历史模型误差之间的差值绝对值小于所述预设误差阈值，将所述当前的特征激活集作为最终的特征激活集。
24.在其中一个实施例中，所述在所述风控训练样本的各特征标签中，筛选对应的相关系数符合预设的特征筛选条件的特征标签，并将筛选得到的特征标签加入特征激活集，包括：
25.在所述风控训练样本的各特征标签中，筛选对应的相关系数在预设范围内的特征标签；
26.将筛选得到的特征标签加入特征激活集。
27.在其中一个实施例中，在针对风控训练样本的每个特征标签，获取风控训练样本集中所述特征标签对应的特征列向量前，所述方法还包括：
28.针对每一风控样本，校验所述风控样本的每一特征标签值；
29.在所述风控样本的每一特征标签值都校验通过的情况下，将所述风控样本加入至所述风控训练样本集中。
30.在其中一个实施例中，在针对风控训练样本的每个特征标签，获取风控训练样本集中所述特征标签对应的特征列向量前，所述方法还包括：
31.确定所述风控训练样本集中标识有正分类标签的正样本数量以及标识有负分类
标签的负样本数量；
32.在所述负样本数量小于所述正样本数量的情况下，在所述风控训练样本集中复制若干个标签为负分类标签的风控训练样本以使所述正样本数量等于所述负样本数量；
33.在所述负样本数量大于所述正样本数量的情况下，在所述风控训练样本集中复制若干个标签为正分类标签的风控训练样本以使所述正样本数量等于所述负样本数量。
34.第二方面，本技术还提供了一种风险预测方法。所述方法包括：
35.获取用户对应的待预测风险数据，确定所述用户在特征激活集中各个特征标签的标签值，得到所述待预测风险数据对应的特征向量；所述特征激活集如上述任一所述风控模型的训练方法中的特征激活集；
36.将所述特征向量输入至如上述任一所述风控模型的训练方法中的风控模型；
37.根据所述风控模型的输出，得到所述预测风险数据的风险标签。
38.第三方面，本技术还提供了一种风控模型的训练装置，所述装置包括：
39.获取模块，用于根据风控训练样本集包含的多个特征标签以及特征标签对应的特征标签值，获取所述特征标签对应的特征列向量；
40.确定模块，用于确定所述特征列向量与预设的分类标识向量的相关系数，并得到所述特征标签与所述分类标识向量之间相关系数；其中，所述分类标识向量中的每个值用于表示若干预设风控分类标识中的一种风控分类标识；
41.筛选模块，用于在所述风控训练样本的各特征标签中，筛选符合预设的特征筛选条件的相关系数对应的特征标签，并将筛选得到的特征标签加入特征激活集；
42.训练模块，用于针对所述风控训练样本集中的任一风控训练样本，将所述风控训练样本在所述特征激活集中的各特征标签的特征标签值输入至构建的风控模型，根据所述风控模型的输出以及所述风控训练样本的分类标签调整所述风控模型的参数，直到得到符合预设条件的风控模型。
43.第四方面，本技术还提供了一种风险预测装置。所述装置包括：
44.获取模块，用于获取用户对应的待预测风险数据，确定所述用户在特征激活集中各个特征标签的标签值，得到所述待预测风险数据对应的特征向量；所述特征激活集如上述任一所述风控模型的训练方法中特征激活集；
45.输入模块，用于将所述特征向量输入至如上述任一所述风控模型的训练方法中的风控模型；
46.预测模块，用于根据所述风控模型的输出，得到所述预测风险数据的风险标签。
47.第五方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
48.根据风控训练样本集包含的多个特征标签以及特征标签对应的特征标签值，获取所述特征标签对应的特征列向量；
49.确定所述特征列向量与预设的分类标识向量的相关系数，并得到所述特征标签与所述分类标识向量之间相关系数；其中，所述分类标识向量中的每个值用于表示若干预设风控分类标识中的一种风控分类标识；
50.在所述风控训练样本的各特征标签中，筛选符合预设的特征筛选条件的相关系数对应的特征标签，并将筛选得到的特征标签加入特征激活集；
51.针对所述风控训练样本集中的任一风控训练样本，将所述风控训练样本在所述特征激活集中的各特征标签的特征标签值输入至构建的风控模型，根据所述风控模型的输出以及所述风控训练样本的分类标签调整所述风控模型的参数，直到得到符合预设条件的风控模型。
52.第六方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
53.获取用户对应的待预测风险数据，确定所述用户在特征激活集中各个特征标签的标签值，得到所述待预测风险数据对应的特征向量；所述特征激活集如上述任一所述风控模型的训练方法中的特征激活集；
54.将所述特征向量输入至如上述任一所述风控模型的训练方法中的风控模型；
55.根据所述风控模型的输出，得到所述预测风险数据的风险标签。
56.第七方面，本技术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，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以下步骤：
57.根据风控训练样本集包含的多个特征标签以及特征标签对应的特征标签值，获取所述特征标签对应的特征列向量；
58.确定所述特征列向量与预设的分类标识向量的相关系数，并得到所述特征标签与所述分类标识向量之间相关系数；其中，所述分类标识向量中的每个值用于表示若干预设风控分类标识中的一种风控分类标识；
59.在所述风控训练样本的各特征标签中，筛选符合预设的特征筛选条件的相关系数对应的特征标签，并将筛选得到的特征标签加入特征激活集；
60.针对所述风控训练样本集中的任一风控训练样本，将所述风控训练样本在所述特征激活集中的各特征标签的特征标签值输入至构建的风控模型，根据所述风控模型的输出以及所述风控训练样本的分类标签调整所述风控模型的参数，直到得到符合预设条件的风控模型。
61.第八方面，本技术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，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以下步骤：
62.获取用户对应的待预测风险数据，确定所述用户在特征激活集中各个特征标签的标签值，得到所述待预测风险数据对应的特征向量；所述特征激活集如上述任一所述风控模型的训练方法中的特征激活集；
63.将所述特征向量输入至如上述任一所述风控模型的训练方法中的风控模型；
64.根据所述风控模型的输出，得到所述预测风险数据的风险标签。
65.第九方面，本技术还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，该计算机程序被处理器执行时实现以下步骤：
66.根据风控训练样本集包含的多个特征标签以及特征标签对应的特征标签值，获取所述特征标签对应的特征列向量；
67.确定所述特征列向量与预设的分类标识向量的相关系数，并得到所述特征标签与所述分类标识向量之间相关系数；其中，所述分类标识向量中的每个值用于表示若干预设风控分类标识中的一种风控分类标识；
68.在所述风控训练样本的各特征标签中，筛选符合预设的特征筛选条件的相关系数
对应的特征标签，并将筛选得到的特征标签加入特征激活集；
69.针对所述风控训练样本集中的任一风控训练样本，将所述风控训练样本在所述特征激活集中的各特征标签的特征标签值输入至构建的风控模型，根据所述风控模型的输出以及所述风控训练样本的分类标签调整所述风控模型的参数，直到得到符合预设条件的风控模型。
70.第十方面，本技术还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，该计算机程序被处理器执行时实现以下步骤：
71.获取用户对应的待预测风险数据，确定所述用户在特征激活集中各个特征标签的标签值，得到所述待预测风险数据对应的特征向量；所述特征激活集如上述任一所述风控模型的训练方法中的特征激活集；
72.将所述特征向量输入至如上述任一所述风控模型的训练方法中的风控模型；
73.根据所述风控模型的输出，得到所述预测风险数据的风险标签。
74.上述风控模型的训练方法、装置、计算机设备、存储介质和计算机程序产品，通过相关系数筛选出与标识特征向量符合预设条件的特征标签，相对于相关技术中的人工指定的特征标签，选取出的特征标签更准确、特征表现更好，因此通过本技术筛选出的特征标签训练风控模型，能够使得训练得到的风控模型的预测准确率相对于相关技术中更高。
附图说明
75.图1为一个实施例中风控模型的训练方法的流程示意图；
76.图2为一个实施例中特征激活集选取的流程示意图；
77.图3为一个实施例中风险预测方法的流程示意图；
78.图4为一个实施例中风控模型的训练装置的结构框图；
79.图5为一个实施例中风险预测装置的结构框图；
80.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
81.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
82.随着互联网技术的发展，当前互联网的中涉及交易的各种互联网产品具有上线快，历史短等特征，对于运营不久的互联网产品，由于没有充足的运营数据支持，因此针对该类运营不久的互联网产品的风控一直是有待解决的问题。
83.具体而言，互联网产品在上线初期，用户较少，用户使用互联网产品产生的数据也较少，因此很难获取到足够的数据以支撑得到足够多的训练样本以支撑风控模型的训练。例如，第三方支付平台、电商平台、知识付费平台等互联网产品，用户使用这些互联网产品时，可能会存在各种各样的风险，如账户被黑发布不适当的内容、被盗号造成资金损失等。
84.相关技术中，一般是使用网络模型对互联网产品进行风控，通过积累一定的互联网产品数据，对风控模型进行建模及训练，其中，在对运营不久的互联网产品进行风控模型冷启动时，一般是由有经验的专家进行特征标签选取，通过专家指定的特征标签来进行风
控模型的建模以及训练，例如账号登录地、账号登录次数、账号交互活跃度等通用的特征，从而减少风控模型对训练样本数量要求的依赖。
85.显然，通过上述方式进行风控模型的建模以及训练会带有很大的主观性，对于一些特色的互联网产品，互动方式、登录方式等可能各具特色，通用的特征表现可能并不是很好，这使得最终训练得到的风控模型的预测准确率较低。
86.基于此，本技术提出一种风控模型的训练方法，根据风控训练样本集包含的多个特征标签以及特征标签对应的特征标签值，获取特征标签对应的特征列向量。确定特征列向量与预设的分类标识向量的相关系数，并得到特征标签与分类标识向量之间相关系数；其中，分类标识向量中的每个值用于表示若干预设风控分类标识中的一种风控分类标识。在风控训练样本的各特征标签中，筛选符合预设的特征筛选条件的相关系数对应的特征标签，并将筛选得到的特征标签加入特征激活集。针对风控训练样本集中的任一风控训练样本，将风控训练样本在特征激活集中的各特征标签的特征标签值输入至构建的风控模型，根据风控模型的输出以及风控训练样本的分类标签调整风控模型的参数，直到得到符合预设条件的风控模型。。
87.通过本技术提供的风控模型的训练方法，通过相关系数筛选出有助于风控模型训练的特征标签，最后通过筛选出的特征标签训练风控模型，使得训练得到的风控模型的准确率相对于相关技术中更高。
88.在一个实施例中，如图1所示，提供了一种风控模型的训练方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
89.步骤101根据风控训练样本集包含的多个特征标签以及特征标签对应的特征标签值，获取特征标签对应的特征列向量。
90.其中，特征标签对应的特征列向量由风控训练样本集中各个风控训练样本的该特征标签对应的特征标签值组成。训练样本集包含的特征标签为互联网产品各个不同维度的特征标签，终端设备可以通过遍历用户使用互联网产品产生的全部数据，得到各种不同的数据项作为该互联网产品的特征标签。如上述的第三方支付平台、电商平台、知识付费平台等互联网产品，用户使用这些互联网产品时，可能会产出各种各样的数据项，如用户名、最后一次登录时间、登录次数、交互次数、浏览偏好等等。
91.具体而言，风控训练样本集中一般包括多个风控训练样本，每个风控训练样本包括多个特征标签的特征标签值，针对一个特征标签，终端设备获取风控训练样本集中各个风控训练样本针对该特征标签的特征标签值，得到由各个风控训练样本针对该特征标签的特征标签值组成的特征列向量。
92.如表一所示，为本技术示出的风控样本集：
93.表一风控样本集
[0094] 特征标签1特征标签2特征标签3样本a特征标签值a1特征标签值a2特征标签值a3样本b特征标签值b1特征标签值b2特征标签值b3样本c特征标签值c1特征标签值c2特征标签值c3
样本d特征标签值d1特征标签值d2特征标签值d3
[0095]
其中，样本a的样本特征向量：[特征标签值a1，特征标签值a2，特征标签值a3]。风控训练样本集包含的特征标签1对应的特征列向量：[特征标签值a1，特征标签值b1，特征标签值c1，特征标签值d1]。
[0096]
在一个实施例中，终端设备以二维表的形式存储风控训练样本集，其中每一行对应于一个风控训练样本，每一列对应于一个特征标签，以及各个风控训练样本针对该特征标签的特征标签值。终端设备通过遍历每个特征标签对应的列对应的特征标签值，得到各个特征标签对应的特征列向量。
[0097]
步骤103、确定特征列向量与预设的分类标识向量的相关系数，并得到特征标签与分类标识向量之间的相关系数。
[0098]
其中，分类标识向量中的每个值用于表示若干预设风控分类标识中的一种风控分类标识。例如，风控分类结果包括两种结果，分别为有风险和无风险，有风险的分类标识可以是1，无风险的分类标识可以是0，那么分类标识向量可以是[0,1]或者[1,0]。又如，风控分类结果包括三种结果，分别为高风险、中风险、低风险，高风险的分类标识可以是3，中风险的分类标识可以是2，低风险的分类标识可以是1，那么分类标识向量可以是[3,2,1]或者[1,2,3]。其中，特征标签与分类标识向量之间的相关系数绝对值越高，特征标签对于预测分类的特征表现越高。
[0099]
具体而言，针对每个特征标签，终端设备根据该特征标签对应的特征列向量以及预设的分类标识向量，按照相关系数计算策略，得到特征列向量与预设的分类标识向量的相关系数，作为特征标签对应的相关系数。
[0100]
步骤105、在风控训练样本的各特征标签中，符合预设的特征筛选条件的相关系数对应的特征标签，并将筛选得到的特征标签加入特征激活集。
[0101]
具体而言，终端设备获取到各个特征标签对应的相关系数后，符合预设的特征筛选条件的相关系数对应的特征标签，例如筛选相关系数绝对值位于前预设位的特征标签，或者筛选相关系数绝对值在预设范围内的特征标签。之后，终端设备初始化特征激活集为空集，遍历各个特征标签的相关系数，确定各个特征标签的相关系数是否符合预设的特征筛选条件，若符合，将该特征标签加入至特征激活集，若不符合，则将不做任何处理。最后，终端设备将筛选得到的特征标签加入至特征激活集，例如包括10个特征标签，终端设备经过筛选后，筛选得到5个特征标签，将筛选得到的5个特征标签加入至特征激活集。
[0102]
步骤107、针对风控训练样本集中的任一风控训练样本，将风控训练样本在特征激活集中的各特征标签的特征标签值输入至构建的风控模型，根据风控模型的输出以及风控训练样本的分类标签调整风控模型的参数，直到得到符合预设条件的风控模型。
[0103]
具体而言，终端设备得到筛选得到的特征激活集后，利用特征激活集对风控模型进行训练。终端设备在进行模型训练时，针对每个风控训练样本，将该风控训练样本中在特征激活集中的各特征标签的特征标签值组成的特征向量作为风控模型的输入，即将风控训练样本在特征激活集中的各特征标签的特征标签值输入至构建的风控模型，然后根据风控模型的输出以及风控训练样本的分类标签调整风控模型的参数，循环训练，直至得到符合预设条件的风控模型，如风控模型的输出与风控训练样本的标签之间的误差小于预设值，或者风控模型循环训练达到预设次数等等。
[0104]
在此实施例中，通过相关系数筛选出与标识特征向量相关性较高的特征标签，相对于相关技术中的人工指定的特征标签，特征表现更好，因此通过本技术筛选出的特征标签训练风控模型，能够使得训练得到的风控模型的预测准确率相对于相关技术中更高。
[0105]
在一个实施例中，上述步骤103具体包括：
[0106]
步骤103a、分别确定特征列向量与预设的分类标识向量的协方差，得到特征列向量与预设的分类标识向量的相关系数。
[0107]
具体而言，终端设备确定出特征标签对应的特征列向量，分别计算特征列向量与预设的分类标识向量的协方差，得到特征列向量与预设的分类标识向量的相关系数，如下所示，为本技术示出的一种相关系数计算公式：
[0108][0109]
其中，u表示特征列向量，v表示分类标识向量，bcov(u)为特征类列向量的小球协方差，bcov(v)为分来标识向量的小球协方差，bcor(u,v)为特征列向量与预设的分类标识向量的相关系数。
[0110]
此外，终端设备还可以根据其他协方差计算方式，确定出特征列向量预设的分类标识向量的协方差，以及特征列向量与预设的分类标识向量的相关系数。
[0111]
步骤103b、将特征列向量与预设的分类标识向量的相关系数作为特征标签的相关系数。
[0112]
具体而言，终端设备得到特征列向量与预设的分类标识向量的相关系数后，将得到的确定出的相关系数作为该特征列向量对应的特征标签与分类标识之间的相关系数。
[0113]
在此实施例中，通过特征列向量与预设的分类标识向量的协方差确定特征标签与分类标识的相关系数。
[0114]
在一个实施例中，上述步骤105具体包括：
[0115]
步骤a01、对风控训练样本的各特征标签对应的相关系数进行排序。
[0116]
具体而言，终端设备得到每个特征标签对应的相关系数后，按照各特征标签对应的相关系数的绝对值，对各个特征标签自大到小进行排序。其中，特征标签对应的相关系数的绝对值与特征标签、分来标识之间的关联关系成正比，相关系数的绝对值越大，特征标签、分来标识之间的关联关系越高，相关系数的绝对值为0，特征标签、分来标识之间无关联关系。
[0117]
步骤a02、在风控训练样本的各特征标签中，筛选对应的相关系数排在前预设数量的特征标签，并将筛选得到的特征标签加入特征激活集。
[0118]
具体而言，终端设备按照各个特征标签对应的相关系数对各个特征标签进行排序后，按照从大到小的顺序，在风控训练样本的各特征标签中，选取对应的相关系数排在前预设数量的特征标签，并将选取的特征标签加入特征激活集，作为最后进行模型训练的特征激活集。
[0119]
在一个实施例中，上述风控模型的训练方法还包括：
[0120]
步骤a03、将未加入至特征激活集的其他特征标签加入至非特征激活集。
[0121]
步骤a04、基于特征激活集训练初始的风控模型，得到特征激活集对应的模型误差，作为历史模型误差。
[0122]
步骤a05、按照预设交换顺序，交换特征激活集与非特征激活集中的至少一个特征标签，得到当前的特征激活集。
[0123]
步骤a06、基于当前的激活特征集训练初始的风险模型，得到当前的特征激活集对应的当前模型误差。
[0124]
步骤a07、在当前模型误差与历史模型误差之间的差值绝对值高于预设误差阈值、且当前模误差小于历史模型误差的情况下，更新历史模型误差为当前误差，并返回执行步骤a05，直至当前模型误差与历史模型误差之间的差值绝对值小于预设误差阈值，将当前的特征激活集作为最终的特征激活集。
[0125]
在此实施例中，选取相关系数绝对值高的特征标签进行模型训练。
[0126]
在一个实施例中，上述步骤105具体包括：
[0127]
步骤b01、对各特征标签对应的相关系数进行排序。
[0128]
该步骤可参照步骤a1的说明，此处不进行详细的赘述。
[0129]
步骤b02、选取对应的相关系数排在前预设数量的特征标签加入至特征激活集，并将其他标签加入至非特征激活集。
[0130]
具体而言，终端设备初始化特征激活集为空集，然后按照各个特征标签对应的相关系数对各个特征标签进行排序后，按照从大到小的顺序，选取对应的相关系数排在前预设数量的特征标签，并将选取的特征标签加入特征激活集，完成对特征激活集的更新。终端设备初始化非特征激活集为空集，选取预设数量的特征标签加入至特征激活集后，将剩余的其他特征标签加入至非特征激活集，完成对非特征激活集的更新。例如，风控训练样本集中包括15个特征标签，设备将排在前十位的特征标签加入至特征激活集，将排在后五位的特征标签加入至非特征激活集。
[0131]
步骤b03、基于特征激活集训练初始风控模型，得到特征激活集对应的模型误差，作为历史模型误差。
[0132]
具体而言，终端设备基于当前的特征激活集，训练初始风控模型。终端设备在进行模型训练时，针对每个风控训练样本，将该风控训练样本中在当前的特征激活集中的各特征标签的特征标签值组成的特征向量作为初始风控模型的输入，然后根据初始风控模型的输出以及风控训练样本的分类标签之间的误差，得到基于当前的特征激活集训练的初始风控模型的模型误差，并将得到的模型误差作为历史模型误差。
[0133]
步骤b04、按照预设交换顺序，交换特征激活集与非特征激活集中的至少一个特征标签，得到当前的特征激活集。
[0134]
具体而言，为了得到特征表现更好的特征激活集，可以按照预设的交换策略，对特征激活集与非特征激活集中的至少一个特征标签进行交换，例如交换特征激活集中排在后x位的特征标签与非特征激活集中排在前x位的特征标签，或者在特征激活集中排在后y位的各个特征标签以及在非特征激活集中排在前y位的特征标签中，交换至少一个特征标签。其中，交换前的特征激活集与交换后的特征激活集所包含的特征标签数量不变，即，特征激活集与非特征激活集的交换是一一交换。终端设备交换特征激活集与非特征激活集中的至少一个特征标签后，得到当前的特征激活集。
[0135]
需要说明的是，无论按照何种交换顺序，交换后的特征激活集与交换前的历史特征激活集是不同的，例如，在最开始进行交换前，特征激活集p0，第一次交换后，特征激活集为p1，第二次交换后，特征激活集为p2，以此类推，直至得到符合条件的特征激活集，特征激活集p0、p1、p2
……
之间互不相同。
[0136]
步骤b05、基于当前的激活特征集训练初始风险模型，得到当前的特征激活集对应的当前模型误差。
[0137]
具体而言，终端设备交换特征激活集与非特征激活集中的至少一个标签后，得到当前的特征激活集，然后基于当前的激活特征集训练初始风险模型，得到当前的特征激活集对应的当前模型误差。终端设备在进行模型训练时，针对每个风控训练样本，将该风控训练样本中在当前的特征激活集中的各特征标签的特征标签值组成的特征向量作为初始风控模型的输入，然后根据初始风控模型的输出以及风控训练样本的分类标签之间的误差，得到基于当前的特征激活集训练的初始风控模型的模型误差，并将得到的模型误差作为当前模型误差，即当前特征激活集对应的当前模型误差。
[0138]
步骤b06、在当前模型误差与历史模型误差之间的差值绝对值高于预设误差阈值、且当前模型误差小于历史模型误差的情况下，更新历史模型误差为当前误差，并返回步骤b04，直至当前模型误差与历史模型误差之间的差值绝对值小于预设误差阈值，将当前的特征激活集作为最终的特征激活集。
[0139]
具体而言，终端设备得到当前特征激活集对应的当前模型误差后，若确定当前模型误差与历史模型误差之间的差值绝对值高于预设误差阈值，即当前模型误差远小于历史模型误差，那么确定交换后的特征激活集的特征表现明显优于交换前的特征激活集，对历史模型误差进行更新，将当前特征激活集对应的当前模型误差作为历史模型误差，然后返回执行步骤b04。
[0140]
在一个实施例中，终端设备得到当前特征激活集对应的当前模型误差后，若确定当前模型误差与历史模型误差之间的差值绝对值小于预设误差阈值，并且当前模型误差小于历史模型误差，那么确定交换后的特征激活集的特征表现不明显优于交换前的特征激活集的特征表现，完成对特征激活集的更新，并退出循环，将当前的特征激活集作为最终的特征激活集。
[0141]
终端设备得到当前特征激活集对应的当前模型误差后，若确定当前模型误差与历史模型误差之间的差值绝对值小于预设误差阈值，并且当前模型误差大于历史模型误差，返回执行步骤b04。
[0142]
在一个实施例中，终端设备在确定当前模型误差不小于历史模型误差的情况下，返回执行步骤b04。具体而言，终端设备得到当前特征激活集对应的当前模型误差后，若当前模型误差大于历史模型误差，那么确定交换后的特征激活集的特征表现劣于交换前的特征激活集，此时无须对历史模型误差进行更新，直接返回执行步骤b04。
[0143]
在一个实施例中，终端设备得到当前特征激活集对应的当前模型误差后，若当前模型误差大于历史模型误差，那么确定交换后的特征激活集的特征表现劣于交换前的特征激活集，此时无须对历史模型误差进行更新，将当前的特征激活集恢复为交换前的特征激活集然后返回执行步骤b04，例如，当前的特征激活集为{a1、a2、a4}，当前的特征激活集在此次循环交换前为{a1、a2、a3}，那么将特征激活集恢复为{a1、a2、a3}然后返回执行步骤
b04。
[0144]
如图2所示，为本技术根据一实施例示出的特征激活集的执行过程的流程示意图。
[0145]
步骤201、终端设备按照各个特征标签对应的相关系数对各个特征标签进行排序后，按照从大到小的顺序，选取对应的相关系数排在前预设数量的特征标签加入特征激活集，并将剩余的特征标签加入至非特征激活集，完成对特征激活集以及非特征激活集的初始化。终端设备根据初始得到的特征激活集进行初始风控模型的训练，得到初始特征激活集对应的模型误差，并初始化历史模型误差为初始特征激活集对应的模型误差。
[0146]
步骤202、终端设备按照预设的交换顺序，交换特征激活集与非特征激活集中的至少一个特征标签。
[0147]
步骤203、终端设备基于当前的特征激活集训练初始风控模型，得到当前特征激活集对应的当前模型误差。
[0148]
步骤204、终端设备判断当前模型误差是否小于历史模型误差，若是，则继续执行步骤205，若否，则返回执行步骤202。
[0149]
步骤205、终端设备判断当前模型误差与历史模型误差之间的差值绝对值是否小于预设误差阈值，若是，则执行步骤206，若否，推出循环并执行步骤207。
[0150]
步骤206、终端设备更新历史模型误差，将当前误差模型误差作为历史模型误差，然后返回执行步骤202。
[0151]
步骤207、终端设备将当前的特征激活集作为最终的特征激活集，即作为风控模型训练的特征激活集。
[0152]
在此实施例中，通过多次迭代，得到特征表现最好的特征激活集，基于该特征激活集训练得到的风控模型预测准确率更高。
[0153]
在一个实施例中，上述步骤105具体包括：
[0154]
步骤c1、在风控训练样本集的各特征标签中，筛选对应的相关系数在预设范围内的特征标签。
[0155]
具体而言，技术人员可以根据实际需要，在终端设备预先设定相关系数的范围，终端设备得到风控训练样本集的各特征标签对应的相关系数后，遍历每一特征标签对应的相关系数，确定该特征标签对应的相关系数是否在预设范围内，进而筛选出对应的相关系数在预设范围内的特征标签。
[0156]
步骤c2、将筛选得到的特征标签加入特征激活集。
[0157]
具体而言，终端设备筛选出对应的相关系数在预设范围内的特征标签后，将筛选得到的特征标签加入特征激活集，并将特征激活集中的特征标签作为训练风控模型的特征标签。
[0158]
在此实施例中，选取相关系数在预设范围内的特征标签，可根据实际筛选出的特征标签的数量，调整筛选范围，是得筛选出的特征标签数量合适且与分类标识向量的相关系数合适。
[0159]
在一个实施例中，在执行步骤101之前，上述方法还包括：
[0160]
步骤109、针对每一风控样本，校验风控样本的每一特征标签值。
[0161]
具体而言，终端设备获取到多个风控样本后，样本中会存在脏样本，例如部风控样本的部分特征标签缺失特征标签值，例如特征标签值为na、null、null、none等，或者部风控
样本的部分特征标签的特征标签值明显异常，例如超出一定范围或者偏离正态分布的特征标签值，又或者部风控样本的部分特征标签的特征标签值明显错误，例如不符合要求和范围标准的数据，如年龄的范围为0-120，超过120为错误数据。终端设备针对每一风控样本，根据每一特征标签对应的校验要求，依次校验风控样本的各个特征标签值，确定风控样本的每一特征标签值校验是否通过。
[0162]
在一个实施例中，终端设备获取到各个用户使用互联网产品产生的所有数据后，针对每个用户，以该用户的用户标识为风控样本的唯一标识，获取该用户使用互联网产品产生的每一数据项，每个数据项为一个特征标签，形成该用户对应的风控样本。
[0163]
步骤111、在风控样本的每一特征标签值都校验通过的情况下，将风控样本加入至风控训练样本集中。
[0164]
具体而言，终端设备对每一风控样本进行检验后，将每一特征标签值都校验通过的风控样本加入至风控训练样本，作为训练风控模型的其中一个风控训练样本。
[0165]
在此实施例中，在进行训练前，对风控样本进行数据清洗，得到高质量的风控训练样本集。
[0166]
在一个实施例中，在执行步骤101之前，上述方法还包括：
[0167]
步骤113、确定风控训练样本集中标识有正分类标签的正样本的第一数量以及标识有负分类标签的负样本的第二数量。
[0168]
其中，正分类标签是指无风险的风控训练样本，负分类标签是指有风险的风控训练样本，此时风控模型为二分类模型，用于将输入的数据分类为其中一类。
[0169]
具体而言，终端设备遍历风控训练样本集中每一风控训练样本的分类标签，初始化第一数量以及第二数量皆为0，每遍历到一个标识有正分类标签的风控训练样板，正样本对应的第一数量加一，每遍历到一个标识有负分类标签的风控训练样板，负样本对应的第二数量加一，直至遍历完风控训练样本集中每一风控训练样本，得到风控训练样本集中标识有正分类标签的正样本的第一数量以及标识有负分类标签的负样本的第二数量。
[0170]
步骤115、在第二数量小于第一数量的情况下，在风控训练样本集中复制若干个标签为负分类标签的风控训练样本以使第二数量等于第一数量。
[0171]
具体而言，终端设备确定负样本对应的第二数量小于正样本对应的第一数量，说明正负样本的数量不均衡，此时可以在风控训练样本集中复制若干个标签为负分类标签的风控训练样本，以使第二数量等于第一数量，如此，使得标签为负分类标签的同一风控训练样本，会至少重复一次进行模型的训练，从而减少负样本对应的第二数量少于正样本对应的第一数量对风控模型的训练带来的偏差。
[0172]
步骤117、在第二数量大于第一数量的情况下，在风控训练样本集中复制若干个标签为正分类标签的风控训练样本以使第二数量等于第一数量。
[0173]
具体而言，终端设备确定第一数量小于第二本数量，说明正负样本数量不均衡，此时可以在风控训练样本集中复制若干个标签为正分类标签的风控训练样本，以使第二数量等于第一数量，如此，使得标签为正分类标签的同一风控训练样本，会至少重复一次进行模型的训练，从而减少正样本对应的第一数量少于负样本对应的第二数量对风控模型的训练带来的偏差。
[0174]
在此实施例中，通过平衡正负样本的数量，减少样本不平衡带来的模型误差。
[0175]
在一个实施例中，如图3所示，提供了一种风险预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
[0176]
步骤301、获取用户对应的待预测风险数据，确定用户在特征激活集中各个特征标签的标签值，得到待预测风险数据对应的特征向量。
[0177]
其中，特征激活集如为上述风控模型的训练方法最终得到的特征激活集。
[0178]
具体而言，用户使用互联网应用产品后，会产生相应的数据，终端设备通过收集，得到用户对应的待预测风险数据，然后对待预测风险数据进行特征提取，确定出用户在特征激活集中各个特征标签的标签值，进而得到待预测风险数据对应的特征向量。
[0179]
步骤303、将特征向量输入至训练完成的风控模型。
[0180]
其中，训练完成的风控模型为如上述风控模型的训练方法中任一所述训练完成的风控模型。
[0181]
具体而言，终端设备得到用户待预测风险数据对应的特征向量后，将特征向量输入至训练完成的风控模型，以使风控模型根据特征向量对用户进行风险预测。
[0182]
步骤305、根据风控模型的输出，得到待预测风险数据的风险标签。
[0183]
具体而言，终端设备将特征向量输入至训练完成的风控模型后，风控模型对特征向量进行处理，输出相应的风险预测结果，根据风控模型的输出，得到待预测风险数据的风险标签，如有风险或无风险。
[0184]
接下来对本技术提供的一具体实施例进行详细的说明。
[0185]
步骤1：终端设备获取样本数据，并对样本数据的各个特征标签的特征标签值进行校验，筛选得到符合条件的风控训练样本集，完成对样本数据的清洗。
[0186]
步骤2：终端设备确定风控训练样本集中标记为正样本的的正样本数量n
pos
，以及标记为负样本的负样本数量n
neg
。
[0187]
步骤3：终端设备计算每个特征的特征列向量与分类标识向量的小球相关系数，并将球相关系数为0的特征直接删除。
[0188]
步骤4：终端设备将将剩余的特征根据其特征列向量与分类标识向量的小球相关系数依据绝对值大小进行排序。
[0189]
步骤5：终端设备确定超参数p作为激活集特征个数，确定超参数q作为非激活集个数，以及交换集合中特征个数s，其中s《p、q，p+q等于特征的总数量。
[0190]
步骤6：终端设备将步骤4中排好序的特征的前p作为激活集，将p之后的q个特征作为非激活集。
[0191]
步骤7：终端设备如果确定n
pos
《n
neg
，则对所有正风控训练样本加权n
neg
/n
pos
反之亦然。
[0192]
步骤8：终端设备利用集合p训练初始风控模型，得到初始风控模型误差为α0。
[0193]
步骤9：终端设备将集合p中的后s个特征和集合q中前s个特征,对任意的βi∈p和ji∈q,将其进行交换，对新的激活集pi重新训练新的分类模型，并计算在该模型下的模型误差为αi，如果通过交换之后的模型训练误差αi《α
i-1
则认为βi的效果不如ji，则将激活集p中的特征βi替换为ji。
[0194]
步骤10:终端设备复步骤9，更新激活集，直到每次训练误差α
i-α
i-1
《τs,一般的可以
τs＝0.01slog(p)log(logn)/n。
[0195]
步骤11：终端设备确定特征集p收敛之后，将此时的激活集记为p
best
,使用这个特征集合进行风控模型的训练，并将最后训练完成的风控模型进行风控。
[0196]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0197]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的风控模型的训练方法的风控模型的训练装置、所涉及的风险预测方法的风险预测装置。风控模型的训练装置、风险预测装置所提供的解决问题的实现方案与上述风控模型的训练方法、风险预测方法中所记载的实现方案相似，故下面所提供的一个或多个风控模型的训练装置、风险预测装置实施例中的具体限定可以参见上文中对于风控模型的训练方法、风险预测方法的限定，在此不再赘述。
[0198]
在一个实施例中，如图4所示，提供了一种风控模型的训练装置，包括：
[0199]
获取模块401，用于根据风控训练样本集包含的多个特征标签以及特征标签对应的特征标签值，获取所述特征标签对应的特征列向量；
[0200]
确定模块403，用于确定所述特征列向量与预设的分类标识向量的相关系数，并得到所述特征标签与所述分类标识向量之间相关系数；其中，所述分类标识向量中的每个值用于表示若干预设风控分类标识中的一种风控分类标识；
[0201]
筛选模块405，用于在所述风控训练样本的各特征标签中，筛选符合预设的特征筛选条件的相关系数对应的特征标签，并将筛选得到的特征标签加入特征激活集；
[0202]
训练模块407，用于针对所述风控训练样本集中的任一风控训练样本，将所述风控训练样本在所述特征激活集中的各特征标签的特征标签值输入至构建的风控模型，根据所述风控模型的输出以及所述风控训练样本的分类标签调整所述风控模型的参数，直到得到符合预设条件的风控模型。
[0203]
在一个实施例中，上述确定模块403具体包括：
[0204]
协方差确定单元403a(图中未示出)，用于分别确定所述特征列向量与预设的分类标识向量的协方差，得到所述特征列向量与预设的分类标识向量的相关系数；
[0205]
相关系数确定单元403b(图中未示出)，用于将所述特征列向量与预设的分类标识向量的相关系数作为所述特征标签的相关系数。
[0206]
在一个实施例中，上述筛选模块405具体包括：
[0207]
排序单元a1(图中未示出)，用于对各所述特征标签对应的相关系数进行排序；
[0208]
筛选单元a2(图中未示出)，用于在所述风控训练样本的各特征标签中，筛选对应的相关系数排在前预设数量的特征标签，并将筛选得到的特征标签加入特征激活集。
[0209]
在一个实施例中，上述筛选模块405具体包括：
[0210]
排序单元b1(图中未示出)，用于对各所述特征标签对应的相关系数进行排序；
[0211]
选取单元b2(图中未示出)，用于选取对应的相关系数排在前预设数量的特征标签加入至特征激活集，并将其他特征标签加入至非特征激活集；
[0212]
初始化单元b3(图中未示出)，用于基于所述特征激活集训练初始的风控模型，得到所述特征激活集对应的模型误差，作为历史模型误差；
[0213]
交换单元b4(图中未示出)，用于按照预设交换顺序，交换所述特征激活集与所述非特征激活集中的至少一个特征标签，得到当前的特征激活集；
[0214]
误差确定单元b5(图中未示出)，用于基于所述当前的激活特征集训练所述初始的风险模型，得到所述当前的特征激活集对应的当前模型误差；
[0215]
更新单元b6(图中未示出)，用于在所述当前模型误差与所述历史模型误差之间的差值绝对值高于预设误差阈值的情况下，更新所述历史模型误差为所述当前误差，并返回执行所述按照预设交换顺序，交换所述特征激活集与所述非特征激活集中的至少一个特征标签，得到当前的特征激活集的步骤，直至所述当前模型误差与所述历史模型误差之间的差值绝对值小于所述预设误差阈值，将所述当前的特征激活集作为最终的特征激活集；
[0216]
返回单元b7(图中未示出)，用于在确定所述当前模型误差不小于所述历史模型误差的情况下，返回执行所述按照预设交换顺序，交换所述特征激活集与所述非特征激活集中的至少一个特征标签，得到当前的特征激活集的步骤。
[0217]
在一个实施例中，上述筛选模块405具体包括：
[0218]
筛选单元c1(图中未示出)、用于在所述风控训练样本的各特征标签中，筛选对应的相关系数在预设范围内的特征标签；
[0219]
加入单元c2(图中未示出)、用于将筛选得到的特征标签加入特征激活集。
[0220]
在一个实施例中，上述装置还包括：
[0221]
校验模块409(图中未示出)，用于针对每一风控样本，校验所述风控样本的每一特征标签值；
[0222]
加入模块411(图中未示出)，用于在所述风控样本的每一特征标签值都校验通过的情况下，将所述风控样本加入至所述风控训练样本集中。
[0223]
在一个实施例中，上述装置还包括：
[0224]
样本数量确定模块413(图中未示出)，用于确定所述风控训练样本集中标识有正分类标签的正样本的第一数量以及标识有负分类标签的负样本的第二数量；
[0225]
负样本复制模块415(图中未示出)，用于在所述第二数量小于所述第一数量的情况下，在所述风控训练样本集中复制若干个标签为负分类标签的风控训练样本，以使所述第二数量等于所述第一数量；
[0226]
正样本复制模块417(图中未示出)，用于在所述第二数量大于所述第一数量的情况下，在所述风控训练样本集中复制若干个标签为正分类标签的风控训练样本以使所述第二数量等于所述第一数量。
[0227]
在一个实施例中，如图5所示，提供了一种风险预测装置，包括：
[0228]
获取模块501，用于获取用户对应的待预测风险数据，确定所述用户在特征激活集中各个特征标签的标签值，得到所述待预测风险数据对应的特征向量；所述特征激活集如上述任一所述风控模型的训练方法中的特征激活集；
[0229]
输入模块503，用于将所述特征向量输入至如上述任一所述风控模型的训练方法
中的风控模型；
[0230]
预测模块505，用于根据所述风控模型的输出，得到所述预测风险数据的风险标签。
[0231]
上述风控模型的训练装置、风险预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0232]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端设备，也可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种风控模型的训练方法或风险预测方法。
[0233]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0234]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各风控模型的训练方法实施例中的步骤、或上述各风险预测方法实施例中的步骤。
[0235]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各风控模型的训练方法实施例中的步骤、或上述各风险预测方法实施例中的步骤。
[0236]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各风控模型的训练方法实施例中的步骤、或上述各风险预测方法实施例中的步骤。
[0237]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0238]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，
ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0239]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0240]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。