本公開涉及數(shù)據(jù)處理
技術領域：
，具體而言，涉及一種模型訓練方法、模型訓練裝置、計算機可讀存儲介質以及電子設備。
背景技術：
：近年來，消費信貸迅速發(fā)展，住房、購車、信用卡、助學貸款等各種貸款義務規(guī)模不斷擴大，日益增長的信貸規(guī)模給銀行的風險評估能力帶來很大的挑戰(zhàn)。銀行為了控制風險，不得不采取嚴格的信貸審核程序，導致貸款手續(xù)過于復雜，增加了消費信貸的交易成本；為了解決上述問題，建立一個完善的個人信用體系尤為重要，而個人信用評分是該體系中的重要技術環(huán)節(jié)。目前已有多種統(tǒng)計模型應用于個人信用評分，例如logistic回歸、神經(jīng)網(wǎng)絡技術、支持向量機等方法，均有不同程度應用于信用評分建模，但單一模型的問題在于分類精度不夠高，且面對信用數(shù)據(jù)變化時顯得不夠穩(wěn)健。需要說明的是，在上述
背景技術：
部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現(xiàn)有技術的信息。技術實現(xiàn)要素：本公開的目的在于提供一種模型訓練方法、模型訓練裝置、計算機可讀存儲介質以及電子設備，進而至少在一定程度上克服由于相關技術的限制和缺陷而導致的一個或者多個問題。根據(jù)本公開的一個方面，提供一種模型訓練方法，包括：構建一決策函數(shù)模型并對所述決策函數(shù)模型進行訓練得到多個訓練樣本的重要性度量值；根據(jù)各所述重要性度量值對各所述訓練樣本進行降序排列，并將排序后的各所述訓練樣本生成一特征子空間；對所述特征子空間的各所述訓練樣本進行分類并得到多個分類結果，將多個所述分類結果進行加權整合得到一預測分數(shù)；判斷所述預測分數(shù)是否與預設分數(shù)相同，并在判斷所述預測分數(shù)與所述預設分數(shù)不同時，對所述決策函數(shù)模型的參數(shù)進行調整。在本公開的一種示例性實施例中，構建一決策函數(shù)模型包括：選擇一線性核函數(shù)構建決策函數(shù)：f(x)＝＜w,x＞+b；其中，f(x)為決策函數(shù)，＜w,x＞為線性核函數(shù)，w為重要性度量值，x為自變量，b為常數(shù)。在本公開的一種示例性實施例中，對所述決策函數(shù)模型進行訓練得到多個訓練樣本的重要性度量值包括：假定所述決策函數(shù)的約束條件為：yi[(wi,xi)+b]-1≥0；其中，xi為第i個訓練樣本，yi為與所述第i個訓練樣本對應的結果標簽，b為常數(shù)，wi為第i個訓練樣本的重要性度量值；將多個訓練樣本以及與多個所述訓練樣本一一對應的結果標簽代入所述約束條件中并判斷所述約束條件是否成立；將約束條件成立的各所述訓練樣本所對應的決策函數(shù)組成一最小化特征子集j，其中，j＝{j1,j2,...,jm}，m為使約束條件成立的訓練樣本的個數(shù)；對所述最小化特征子集j中的各訓練樣本所對應的決策函數(shù)進行泰勒展開得到：其中，δj(i)為最小化目標函數(shù)j在第i個訓練樣本的增量，δwi為重要性度量值w在第i個訓練樣本的增量，為最小化目標函數(shù)j的一階偏導數(shù)，為最小化目標函數(shù)j的二階偏導數(shù)；根據(jù)第i個所述訓練樣本對所述最小化目標函數(shù)的影響得出在所述最小化目標函數(shù)的最優(yōu)點上，一階偏導數(shù)為0，求解得到wi。在本公開的一種示例性實施例中，將排序后的各所述各所述訓練樣本生成一特征子空間包括：s10，配置一空集的特征序列f以及一特征子集s；其中，f＝[]，s＝[1，…，p]，p為排序后的訓練樣本的個數(shù)且p≤m；s20，判斷所述特征子集s是否與φ相同并在判斷所述特征子序列s與φ不相同時，將m個所述訓練樣本生成支持向量；s30，根據(jù)各所述訓練樣本的特征值wi計算所述支持向量中各所述訓練樣本的排序規(guī)則ri，其中：ri＝(wi)2；s40，根據(jù)所述排序規(guī)則ri的大小，查找到最小排序規(guī)則對應的所述訓練樣本的序號，并將所述訓練樣本的序號添加至所述特征序列f中；s50，重復步驟s30以及步驟s40，直至所述特征子集s與φ相同為止，并將每一次查找到的訓練樣本的序號添加至特征序列f中以得到特征子空間。在本公開的一種示例性實施例中，對所述特征子空間的各所述訓練樣本進行分類并得到多個分類結果，將多個所述分類結果進行加權整合得到一預測分數(shù)包括：利用多個分類器對所述特征序列f中的各序號對應的訓練樣本進行分類得到多個分類結果；根據(jù)各所述分類結果繪制準確率與召回率曲線，并根據(jù)準確率與召回率曲線下面積計算各所述分類器的權重wk，其中：auck為第k個分類器的準確率與召回率曲線下面積，min(auc)為各所述分類器中準確率與召回率曲線下面積的最小值，max(auc)為各所述分類器中準確率與召回率曲線下面積的最大值；根據(jù)各所述分類器的權重wk對多個所述預測分數(shù)進行整合得到所述預測分數(shù)q，其中：qk為第k個分類器的輸出結果。在本公開的一種示例性實施例中，所述模型訓練方法還包括：獲取包括多個所述訓練樣本以及與多個所述訓練樣本一一對應的結果標簽的樣本集。在本公開的一種示例性實施例中，所述模型訓練方法還包括：對多個所述訓練樣本進行數(shù)據(jù)預處理。在本公開的一種示例性實施例中，所述數(shù)據(jù)預處理包括數(shù)據(jù)采集、缺失數(shù)據(jù)填補、數(shù)據(jù)異常值處理以及數(shù)據(jù)歸一化中的一種或多種。根據(jù)本公開的一個方面，提供一種模型訓練裝置，包括：模型訓練模塊，用于構建一決策函數(shù)模型并對所述決策函數(shù)模型進行訓練得到多個訓練樣本的重要性度量值；特征子空間生成模塊，用于根據(jù)各所述重要性度量值對各所述訓練樣本進行降序排列，并將排序后的各所述訓練樣本生成一特征子空間；訓練樣本分類模塊，用于對所述特征子空間的各所述訓練樣本進行分類并得到多個分類結果，將多個所述分類結果進行加權整合得到一預測分數(shù)；參數(shù)調整模塊，用于判斷所述預測分數(shù)是否與預設分數(shù)相同，并在判斷所述預測分數(shù)與所述預設分數(shù)不同時，對所述決策函數(shù)模型的參數(shù)進行調整。根據(jù)本公開的一個方面，提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述任意一項所述的模型訓練方法。根據(jù)本公開的一個方面，提供一種電子設備，包括：處理器；以及存儲器，用于存儲所述處理器的可執(zhí)行指令；其中，所述處理器配置為經(jīng)由執(zhí)行所述可執(zhí)行指令來執(zhí)行上述任意一項所述的模型訓練方法。本公開一種模型訓練方法及裝置，通過構建決策函數(shù)模型并得到多個訓練樣本的重要性度量值，然后對重要性度量值進行降序排列并生成特征子空間，最后對特征子空間的訓練樣本進行分類并對分類結果進行加權整合得到預測分數(shù)，最后根據(jù)預測分數(shù)調整決策函數(shù)模型；一方面，通過對訓練樣本的的重要性度量值進行排序然后生成一特征子空間，可以提煉出更加精簡、準確的訓練樣本集，減少了冗余數(shù)據(jù)對分類結果的影響；另一方面，通過對分類結果進行加權整合，得到最終的預測分數(shù)，提高了預測分數(shù)的準確性；再一方面，通過決策函數(shù)模型得到各訓練樣本的重要性度量值，不再依賴專家知識和業(yè)務經(jīng)驗得出各訓練樣本的重要性度量值，由于不同專家看法不同而使得統(tǒng)一訓練樣本的重要性度量值不同的問題，提高了各訓練樣本的重要性度量值的可靠性。應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。附圖說明此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本公開的實施例，并與說明書一起用于解釋本公開的原理。顯而易見地，下面描述中的附圖僅僅是本公開的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1示意性示出一種等級評估結構示例圖。圖2示意性示出一種模型訓練方法的流程圖。圖3示意性示出一種生成特征子空間的方法流程圖。。圖4示意性示出一種roc曲線示例圖。圖5示意性示出一種模型訓練裝置的框圖。圖6示意性示出一種用于實現(xiàn)上述模型訓練方法的電子設備示例圖。圖7示意性示出一種用于實現(xiàn)上述模型訓練方法的計算機存儲介質。具體實施方式現(xiàn)在將參考附圖更全面地描述示例實施方式。然而，示例實施方式能夠以多種形式實施，且不應被理解為限于在此闡述的范例；相反，提供這些實施方式使得本公開將更加全面和完整，并將示例實施方式的構思全面地傳達給本領域的技術人員。所描述的特征、結構或特性可以以任何合適的方式結合在一個或更多實施方式中。在下面的描述中，提供許多具體細節(jié)從而給出對本公開的實施方式的充分理解。然而，本領域技術人員將意識到，可以實踐本公開的技術方案而省略所述特定細節(jié)中的一個或更多，或者可以采用其它的方法、組元、裝置、步驟等。在其它情況下，不詳細示出或描述公知技術方案以避免喧賓奪主而使得本公開的各方面變得模糊。此外，附圖僅為本公開的示意性圖解，并非一定是按比例繪制。圖中相同的附圖標記表示相同或類似的部分，因而將省略對它們的重復描述。附圖中所示的一些方框圖是功能實體，不一定必須與物理或邏輯上獨立的實體相對應?？梢圆捎密浖问絹韺崿F(xiàn)這些功能實體，或在一個或多個硬件模塊或集成電路中實現(xiàn)這些功能實體，或在不同網(wǎng)絡和/或處理器裝置和/或微控制器裝置中實現(xiàn)這些功能實體。在一種信用等級評估方法中，參考圖1所示，首先確定待評估目標，然后構建指標體系(指標體系可以包括x1，年齡；x2，性別；x3，婚姻；…；xn，貸款金額)，然后對指標體系進行數(shù)據(jù)預處理，數(shù)據(jù)預處理可以包括數(shù)據(jù)采集、缺失數(shù)據(jù)填補、異常值處理以及不平衡數(shù)據(jù)處理；當數(shù)據(jù)預處理完成后，進行模型設計與選擇，然后對模型進行效果測試與對比，最后當效果測試與對比完成后，再對模型進行應用。但是，上述信用等級評估方法中，體系指標的構建需要依據(jù)專家知識和業(yè)務經(jīng)驗，指標重要性不同專家學者的看法不同，孰優(yōu)孰劣不能達成共識；另外，未能考慮到各個指標之間的相互影響，不能消除數(shù)據(jù)中的冗余，無法保證指標的穩(wěn)定性。進一步的，上述信用等級評估方法在模型設計與選擇上，只能選擇單一的算法進行設計。其中，logistic回歸算法雖然無需假定特征變量的概率分布，也不要求協(xié)方差齊性，但是分類精度不高；決策樹算法中參數(shù)和規(guī)則的設置對最后決策樹的生成規(guī)模以及預測精度有非常大的影響，同時在很大程度上，也依賴著專家經(jīng)驗，需要經(jīng)過反復測試才能獲得合適的決策樹規(guī)模，并且決策樹的表現(xiàn)缺乏穩(wěn)健性；貝葉斯網(wǎng)絡、神經(jīng)網(wǎng)絡、支持向量機等方法，均可以應用于個人信用評分模型，但它們的精度或穩(wěn)健性均有所欠缺，不能實現(xiàn)模型建的優(yōu)勢互補。本示例實施方式中首先提供了一種模型訓練方法。參考圖2所示，該模型訓練方法可以包括以下步驟。步驟s210.構建一決策函數(shù)模型并對所述決策函數(shù)模型進行訓練得到多個訓練樣本的重要性度量值。步驟s220.根據(jù)各所述重要性度量值對各所述訓練樣本進行降序排列，并將排序后的各所述訓練樣本生成一特征子空間。步驟s230.對所述特征子空間的各所述訓練樣本進行分類并得到多個分類結果，將多個所述分類結果進行加權整合得到一預測分數(shù)。步驟s240.判斷所述預測分數(shù)是否與預設分數(shù)相同，并在判斷所述預測分數(shù)與所述預設分數(shù)不同時，對所述決策函數(shù)模型的參數(shù)進行調整。上述模型訓練方法中，一方面，通過對訓練樣本的的重要性度量值進行排序然后生成一特征子空間，可以提煉出更加精簡、準確的訓練樣本集，減少了冗余數(shù)據(jù)對分類結果的影響；另一方面，通過對分類結果進行加權整合，得到最終的預測分數(shù)，保證了預測分數(shù)的準確性；再一方面，通過決策函數(shù)模型得到各訓練樣本的重要性度量值，不再依賴專家知識和業(yè)務經(jīng)驗得出各訓練樣本的重要性度量值，由于不同專家看法不同而使得統(tǒng)一訓練樣本的重要性度量值不同的問題，提高了各訓練樣本的重要性度量值的可靠性。下面，將對本示例實施方式中上述模型訓練方法的各步驟進行詳細的說明。在步驟s210中，構建一決策函數(shù)模型并對所述決策函數(shù)模型進行訓練得到多個訓練樣本的重要性度量值。詳細而言：首先，選擇一線性核函數(shù)構建決策函數(shù)f(x)，并有f(x)＝＜w,x＞+b；其中，f(x)為決策函數(shù)，＜w,x＞為線性核函數(shù)，w為重要性度量值，x為自變量，b為常數(shù)；此處需要說明的是，對于線性核函數(shù)＜w,x＞來說，有＜w,x＞＝w·x＝wx；因此，上述決策函數(shù)f(x)也可以改寫為f(x)＝wx+b。其次，假定所述決策函數(shù)的約束條件為：yi[(wi,xi)+b]-1≥0；其中，xi為第i個訓練樣本(訓練樣本可以包括訓練樣本序號以及訓練樣本序號所對應的訓練樣本內容，可以參考下表1所示)；yi為與所述第i個訓練樣本對應的結果標簽，yi的取值可以為1或者-1；b為常數(shù)；wi為第i個訓練樣本的重要性度量值。在本示例實施方式中，上述訓練樣本可以參考下表1所示：表1訓練樣本序號訓練樣本內容x1年齡x2性別x3婚姻x4教育程度x5單位類型x6職稱x7收入x8在本銀行的賬戶x9儲蓄賬戶的儲蓄金額x10在本職位的時間x11家庭凈收入x12貸款金額x13違約記錄……緊接著，將多個訓練樣本以及與多個所述訓練樣本一一對應的結果標簽代入所述約束條件中并判斷所述約束條件是否成立。然后，將約束條件成立的各所述訓練樣本所對應的決策函數(shù)組成一最小化特征子集j，其中，j＝{j1,j2,...,jm}，m為使約束條件成立的訓練樣本的個數(shù)。再次，對所述最小化特征子集j中的各訓練樣本所對應的決策函數(shù)進行泰勒展開得到：其中，δj(i)為最小化目標函數(shù)j在第i個訓練樣本的增量，δwi為重要性度量值w在第i個訓練樣本的增量，為最小化目標函數(shù)j的一階偏導數(shù)，為最小化目標函數(shù)j的二階偏導數(shù)。最后，根據(jù)第i個所述訓練樣本對所述最小化目標函數(shù)的影響得出在所述最小化目標函數(shù)的最優(yōu)點上，一階偏導數(shù)為0，求解得到wi。在步驟s220中，根據(jù)各所述重要性度量值對各所述訓練樣本進行降序排列，并將排序后的各所述訓練樣本生成一特征子空間。參考圖3所示，將排序后的各所述訓練樣本生成一特征子空間可以包括s10-s50。其中：s10，配置一空集的特征序列f以及一特征子集s；其中，f＝[]，s＝[1，…，p]，p為排序后的訓練樣本的個數(shù)且p≤m。s20，判斷所述特征子集s是否與φ相同并在判斷所述特征子序列s與φ不相同時，將m個所述訓練樣本生成支持向量。s30，根據(jù)各所述訓練樣本的特征值wi計算所述支持向量中各所述訓練樣本的排序規(guī)則ri，其中：ri＝(wi)2。s40，根據(jù)所述排序規(guī)則ri的大小，查找到最小排序規(guī)則對應的所述訓練樣本的序號，并將所述訓練樣本的序號添加至所述特征序列f中。s50，重復步驟s30以及步驟s40，直至所述特征子集s與φ相同為止，并將每一次查找到的訓練樣本的序號添加至特征序列f中以得到特征子空間。在步驟s230中，對所述特征子空間的各所述訓練樣本進行分類并得到多個分類結果，將多個所述分類結果進行加權整合得到一預測分數(shù)。詳細而言：首先，利用多個分類器對所述特征序列f中的各序號對應的訓練樣本進行分類得到多個分類結果。在本示例實施方式中，上述分類器可以包括分類器包括logistic回歸，貝葉斯網(wǎng)絡以及支持向量機等等，也可以包括其他的分類器，例如可以是線性分類器等，本示例實施方式對此不做特殊限制；舉例而言：上述特征序列f中各序號對應的訓練樣本例如可以包括：x3，婚姻；x4，教育程度；x7，收入；x11，家庭凈收入等等，則可以通過上述分類器將訓練樣本分為家庭類：x3，婚姻；x11，家庭凈收入；個人自身情況：x4，教育程度；x7，收入等等；也可以分為其他的類型，本示例實施方式對此不做特殊限制。其次，根據(jù)各所述分類結果繪制準確率與召回率曲線，并根據(jù)準確率與召回率曲線下面積計算各所述分類器的權重wk，其中：auck為第k個分類器的準確率與召回率曲線下面積，min(auc)為各所述分類器中準確率與召回率曲線下面積的最小值，max(auc)為各所述分類器中準確率與召回率曲線下面積的最大值。在本示例實施方式中，上述準確率與召回率曲線可以參考圖4所示。其中，用于繪制準確率與召回率曲線的標準可以參考如下表2所示：表2進一步的，fprate＝fp/n；specificity＝1-fprate＝tn/n；recall＝tp/p；precision＝tp/(tp+fp)；accuracy＝(tp+tn)/(p+n)；f-score＝precision*recall；其中，n＝tn+fp，p＝tp+fn。更進一步的，利用roc(receiveroperatingcharacteristic，準確率與召回率曲線)作為評估單一分類器總體精確度的參考依據(jù)，roc是在tpr和fpr兩個不同維度上繪制的點圖，結果越接近左上角，分類精度越高；因此，auc(areaundertheroccurve，roc曲線下面積)評價標準可以衡量數(shù)據(jù)類別在任何分布或者任何錯誤代價下分類算法的總體性能。最后，根據(jù)各所述分類器的權重wk對多個所述預測分數(shù)進行整合得到所述預測分數(shù)q，其中：qk為第k個分類器的輸出結果。在步驟s240中，判斷所述預測分數(shù)是否與預設分數(shù)相同，并在判斷所述預測分數(shù)與所述預設分數(shù)不同時，對所述決策函數(shù)模型的參數(shù)進行調整。本公開還提供了另一種模型訓練方法，該方法還可以包括：獲取包括多個所述訓練樣本以及與多個所述訓練樣本一一對應的結果標簽的樣本集。在本示例實施方式中，可以獲取一歷史時間段內(例如截止當前日期起的前三個月、六個月或者八個月等等，本示例實施方式對此不做特殊限制)的數(shù)據(jù)作為樣本集；其中，樣本集可以包括多個訓練樣本，例如上述的xi；以及與各訓練樣本一一對應的結果標簽，例如上述的yi，也可以包括其他內容，例如可以是該樣本集的獲取日期等等，本示例實施方式對此不做特殊限制。在本公開的一種示例性實施方式中，上述模型訓練方法還可以包括：對多個所述訓練樣本進行數(shù)據(jù)預處理。詳細而言：對訓練樣本進行數(shù)據(jù)預處理可以包括數(shù)據(jù)采集、缺失數(shù)據(jù)填補、數(shù)據(jù)異常值處理以及數(shù)據(jù)歸一化等等，也可以包括數(shù)據(jù)過濾等，本示例實施方式對此不做特殊限制。其中，數(shù)據(jù)采集可以包括對歷史數(shù)據(jù)的獲取等，例如獲取某一個歷史時間內的某一個數(shù)據(jù)表格中的各項數(shù)據(jù)作為訓練樣本；缺失數(shù)據(jù)填補可以包括對各訓練樣本的數(shù)據(jù)進行補充等，例如在某一樣本集中，訓練樣本內容所對應的訓練樣本序號為空，則可以對該訓練樣本序號進行補充；數(shù)據(jù)異常值處理可以包括對各訓練樣本出現(xiàn)的數(shù)據(jù)異常進行修訂或刪除，例如在某一樣本集中，有一訓練樣本為步行上下班，則可以將該訓練樣本對應的數(shù)據(jù)刪除掉；數(shù)據(jù)歸一化可以包括對各訓練樣本中出現(xiàn)的數(shù)據(jù)格式不統(tǒng)一的情況進行統(tǒng)一，例如出現(xiàn)的數(shù)字有大寫有小寫，還有英文，則可以將其統(tǒng)一成十進制的數(shù)字。本示例實施方式還提供了一種模型訓練裝置。參考圖5所示，該模型訓練裝置可以包括模型訓練模塊510、特征子空間生成模塊520、訓練樣本分類模塊530以及參數(shù)調整模塊540。其中：模型訓練模塊510可以用于構建一決策函數(shù)模型并對所述決策函數(shù)模型進行訓練得到多個訓練樣本的重要性度量值。特征子空間生成模塊520可以用于根據(jù)各所述重要性度量值對各所述訓練樣本進行降序排列，并將排序后的各所述訓練樣本生成一特征子空間。訓練樣本分類模塊530可以用于對所述特征子空間的各所述訓練樣本進行分類并得到多個分類結果，將多個所述分類結果進行加權整合得到一預測分數(shù)。參數(shù)調整模塊540可以用于判斷所述預測分數(shù)是否與預設分數(shù)相同，并在判斷所述預測分數(shù)與所述預設分數(shù)不同時，對所述決策函數(shù)模型的參數(shù)進行調整。上述模型訓練裝置中各模塊的具體細節(jié)已經(jīng)在對應的模型訓練方法中進行了詳細的描述，因此此處不再贅述。應當注意，盡管在上文詳細描述中提及了用于動作執(zhí)行的設備的若干模塊或者單元，但是這種劃分并非強制性的。實際上，根據(jù)本公開的實施方式，上文描述的兩個或更多模塊或者單元的特征和功能可以在一個模塊或者單元中具體化。反之，上文描述的一個模塊或者單元的特征和功能可以進一步劃分為由多個模塊或者單元來具體化。此外，盡管在附圖中以特定順序描述了本公開中方法的各個步驟，但是，這并非要求或者暗示必須按照該特定順序來執(zhí)行這些步驟，或是必須執(zhí)行全部所示的步驟才能實現(xiàn)期望的結果。附加的或備選的，可以省略某些步驟，將多個步驟合并為一個步驟執(zhí)行，以及/或者將一個步驟分解為多個步驟執(zhí)行等。通過以上的實施方式的描述，本領域的技術人員易于理解，這里描述的示例實施方式可以通過軟件實現(xiàn)，也可以通過軟件結合必要的硬件的方式來實現(xiàn)。因此，根據(jù)本公開實施方式的技術方案可以以軟件產品的形式體現(xiàn)出來，該軟件產品可以存儲在一個非易失性存儲介質(可以是cd-rom，u盤，移動硬盤等)中或網(wǎng)絡上，包括若干指令以使得一臺計算設備(可以是個人計算機、服務器、移動終端、或者網(wǎng)絡設備等)執(zhí)行根據(jù)本公開實施方式的方法。在本公開的示例性實施例中，還提供了一種能夠實現(xiàn)上述方法的電子設備。所屬
技術領域：
的技術人員能夠理解，本發(fā)明的各個方面可以實現(xiàn)為系統(tǒng)、方法或程序產品。因此，本發(fā)明的各個方面可以具體實現(xiàn)為以下形式，即：完全的硬件實施方式、完全的軟件實施方式(包括固件、微代碼等)，或硬件和軟件方面結合的實施方式，這里可以統(tǒng)稱為“電路”、“模塊”或“系統(tǒng)”。下面參照圖6來描述根據(jù)本發(fā)明的這種實施方式的電子設備600。圖6顯示的電子設備600僅僅是一個示例，不應對本發(fā)明實施例的功能和使用范圍帶來任何限制。如圖6所示，電子設備600以通用計算設備的形式表現(xiàn)。電子設備600的組件可以包括但不限于：上述至少一個處理單元610、上述至少一個存儲單元620、連接不同系統(tǒng)組件(包括存儲單元620和處理單元610)的總線630、顯示單元640。其中，所述存儲單元存儲有程序代碼，所述程序代碼可以被所述處理單元610執(zhí)行，使得所述處理單元610執(zhí)行本說明書上述“示例性方法”部分中描述的根據(jù)本發(fā)明各種示例性實施方式的步驟。例如，所述處理單元610可以執(zhí)行如圖2中所示的步驟s110：檢測是否接收到第一觸控起始操作，并在檢測接收到所述第一觸控起始操作時判斷所述第一觸控起始操作是否發(fā)生所述第二區(qū)域步驟s120：在判斷所述第一觸控起始操作發(fā)生在所述第二區(qū)域時，控制所述虛擬對象根據(jù)與所述第一觸控起始操作連續(xù)的滑動操作移動；步驟s130：檢測是否接收到與所述滑動操作連續(xù)的第一觸控結束操作并在檢測接收到所述第一觸控結束操作時，判斷所述第一觸控結束操作是否發(fā)生在所述第一子區(qū)域；步驟s140：在判斷所述第一觸控結束操作發(fā)生在所述第一子區(qū)域時，控制所述虛擬對象進入轉向狀態(tài)以在所述轉向狀態(tài)下根據(jù)目標轉動方向控制轉向。存儲單元620可以包括易失性存儲單元形式的可讀介質，例如隨機存取存儲單元(ram)6201和/或高速緩存存儲單元6202，還可以進一步包括只讀存儲單元(rom)6203。存儲單元620還可以包括具有一組(至少一個)程序模塊6205的程序/實用工具6204，這樣的程序模塊6205包括但不限于：操作系統(tǒng)、一個或者多個應用程序、其它程序模塊以及程序數(shù)據(jù)，這些示例中的每一個或某種組合中可能包括網(wǎng)絡環(huán)境的實現(xiàn)?？偩€630可以為表示幾類總線結構中的一種或多種，包括存儲單元總線或者存儲單元控制器、外圍總線、圖形加速端口、處理單元或者使用多種總線結構中的任意總線結構的局域總線。電子設備600也可以與一個或多個外部設備700(例如鍵盤、指向設備、藍牙設備等)通信，還可與一個或者多個使得用戶能與該電子設備600交互的設備通信，和/或與使得該電子設備600能與一個或多個其它計算設備進行通信的任何設備(例如路由器、調制解調器等等)通信。這種通信可以通過輸入/輸出(i/o)接口650進行。并且，電子設備600還可以通過網(wǎng)絡適配器660與一個或者多個網(wǎng)絡(例如局域網(wǎng)(lan)，廣域網(wǎng)(wan)和/或公共網(wǎng)絡，例如因特網(wǎng))通信。如圖所示，網(wǎng)絡適配器660通過總線630與電子設備600的其它模塊通信。應當明白，盡管圖中未示出，可以結合電子設備600使用其它硬件和/或軟件模塊，包括但不限于：微代碼、設備驅動器、冗余處理單元、外部磁盤驅動陣列、raid系統(tǒng)、磁帶驅動器以及數(shù)據(jù)備份存儲系統(tǒng)等。通過以上的實施方式的描述，本領域的技術人員易于理解，這里描述的示例實施方式可以通過軟件實現(xiàn)，也可以通過軟件結合必要的硬件的方式來實現(xiàn)。因此，根據(jù)本公開實施方式的技術方案可以以軟件產品的形式體現(xiàn)出來，該軟件產品可以存儲在一個非易失性存儲介質(可以是cd-rom，u盤，移動硬盤等)中或網(wǎng)絡上，包括若干指令以使得一臺計算設備(可以是個人計算機、服務器、終端裝置、或者網(wǎng)絡設備等)執(zhí)行根據(jù)本公開實施方式的方法。在本公開的示例性實施例中，還提供了一種計算機可讀存儲介質，其上存儲有能夠實現(xiàn)本說明書上述方法的程序產品。在一些可能的實施方式中，本發(fā)明的各個方面還可以實現(xiàn)為一種程序產品的形式，其包括程序代碼，當所述程序產品在終端設備上運行時，所述程序代碼用于使所述終端設備執(zhí)行本說明書上述“示例性方法”部分中描述的根據(jù)本發(fā)明各種示例性實施方式的步驟。參考圖7所示，描述了根據(jù)本發(fā)明的實施方式的用于實現(xiàn)上述方法的程序產品800，其可以采用便攜式緊湊盤只讀存儲器(cd-rom)并包括程序代碼，并可以在終端設備，例如個人電腦上運行。然而，本發(fā)明的程序產品不限于此，在本文件中，可讀存儲介質可以是任何包含或存儲程序的有形介質，該程序可以被指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結合使用。所述程序產品可以采用一個或多個可讀介質的任意組合?？勺x介質可以是可讀信號介質或者可讀存儲介質?？勺x存儲介質例如可以為但不限于電、磁、光、電磁、紅外線、或半導體的系統(tǒng)、裝置或器件，或者任意以上的組合?？勺x存儲介質的更具體的例子(非窮舉的列表)包括：具有一個或多個導線的電連接、便攜式盤、硬盤、隨機存取存儲器(ram)、只讀存儲器(rom)、可擦式可編程只讀存儲器(eprom或閃存)、光纖、便攜式緊湊盤只讀存儲器(cd-rom)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。計算機可讀信號介質可以包括在基帶中或者作為載波一部分傳播的數(shù)據(jù)信號，其中承載了可讀程序代碼。這種傳播的數(shù)據(jù)信號可以采用多種形式，包括但不限于電磁信號、光信號或上述的任意合適的組合?？勺x信號介質還可以是可讀存儲介質以外的任何可讀介質，該可讀介質可以發(fā)送、傳播或者傳輸用于由指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結合使用的程序?？勺x介質上包含的程序代碼可以用任何適當?shù)慕橘|傳輸，包括但不限于無線、有線、光纜、rf等等，或者上述的任意合適的組合?？梢砸砸环N或多種程序設計語言的任意組合來編寫用于執(zhí)行本發(fā)明操作的程序代碼，所述程序設計語言包括面向對象的程序設計語言—諸如java、c++等，還包括常規(guī)的過程式程序設計語言—諸如“c”語言或類似的程序設計語言。程序代碼可以完全地在用戶計算設備上執(zhí)行、部分地在用戶設備上執(zhí)行、作為一個獨立的軟件包執(zhí)行、部分在用戶計算設備上部分在遠程計算設備上執(zhí)行、或者完全在遠程計算設備或服務器上執(zhí)行。在涉及遠程計算設備的情形中，遠程計算設備可以通過任意種類的網(wǎng)絡，包括局域網(wǎng)(lan)或廣域網(wǎng)(wan)，連接到用戶計算設備，或者，可以連接到外部計算設備(例如利用因特網(wǎng)服務提供商來通過因特網(wǎng)連接)。此外，上述附圖僅是根據(jù)本發(fā)明示例性實施例的方法所包括的處理的示意性說明，而不是限制目的。易于理解，上述附圖所示的處理并不表明或限制這些處理的時間順序。另外，也易于理解，這些處理可以是例如在多個模塊中同步或異步執(zhí)行的。本領域技術人員在考慮說明書及實踐這里公開的發(fā)明后，將容易想到本公開的其他實施例。本申請旨在涵蓋本公開的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本公開的一般性原理并包括本公開未公開的本
技術領域：
中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本公開的真正范圍和精神由權利要求指出。應當理解的是，本公開并不局限于上面已經(jīng)描述并在附圖中示出的精確結構，并且可以在不脫離其范圍進行各種修改和改變。本公開的范圍僅由所附的權利要求來限。當前第1頁12