数据处理方法、装置、电子设备和存储介质与流程

1.本发明涉及大数据数据处理技术领域，尤其涉及一种数据处理方法、装置、电子设备和存储介质。


背景技术：

2.在金融领域中，金融业务的处理通常是需要基于适应性的规则进行，因此业务处理规则的准确和完整成为业务处理的重要因素。现有技术中，通常是采用专家经验等从样本中进行特征关联关系的挖掘，进而可以基于挖掘的关联关系确定相应的规则，但是，很多场景中作为样本的数据源中样本分布并不均衡，所以容易遗漏样本量较少的关联关系的挖掘，导致所确定规则的准确性和完整性较低，进而降低规则应用的准确性。


技术实现要素：

3.有鉴于此，本发明实施例提供一种数据处理方法、装置、电子设备和存储介质，能够解决作为样本的数据源中样本分布不均衡，容易遗漏样本量较少的关联关系的挖掘，导致所确定规则的准确性和完整性较低，进而降低规则准确性的问题。
4.为实现上述目的，根据本发明实施例的一个方面，提供了一种数据处理的方法。
5.本发明实施例的一种数据处理方法包括：响应于数据处理指令，获取对应的各业务数据，调用预设的识别模型，识别各所述业务数据的业务特征集合；计算各业务特征的支持度，基于预设的支持度阈值确定非频繁特征，以筛选所述非频繁特征对应的目标业务特征集合；基于非频繁特征对应目标业务特征集合，构建对应的候选特征集；获取历史业务数据，以计算所述候选特征集中业务特征对非频繁特征的关联度，基于所述关联度确定与非频繁特征相关联的业务特征。
6.在一个实施例中，基于非频繁特征对应目标业务特征集合构建对应的候选特征集，包括：
7.基于非频繁特征对应目标业务特征集合，构建非频繁特征的多个待定特征集；
8.计算各所述待定特征集的支持度，以基于所述支持度阈值从所述待定特征集中确定非频繁特征的候选特征集。
9.在又一个实施例中，基于非频繁特征对应目标业务特征集合，构建非频繁特征的多个待定特征集，包括：
10.基于非频繁特征对应目标业务特征集合，构建非频繁特征的特征树，以生成多个待定特征集。
11.在又一个实施例中，获取历史业务数据，以计算所述候选特征集中业务特征对非频繁特征的关联度，包括：
12.对每个所述候选特征集，计算所述历史业务数据中包括所述候选特征集中各业务特征的第一次数，以及计算所述历史业务数据中所述候选特征集中各业务特征与所述非频繁特征关联的第二次数；
13.基于所述第一次数和所述第二次数的比值，确定各所述候选特征集中业务特征对非频繁特征的关联度。
14.在又一个实施例中，所述支持度阈值包括频繁支持度阈值和非频繁支持度阈值；
15.基于预设的支持度阈值确定各非频繁特征，包括：
16.将支持度处于所述频繁支持度阈值和所述非频繁支持度阈值之间的业务特征确定为非频繁特征。
17.在又一个实施例中，筛选所述非频繁特征对应的目标业务特征集合，包括：
18.对每个所述非频繁特征，从各所述业务数据的业务特征集合中筛选包括所述非频繁特征的业务特征集合，以确定为对应的目标业务特征集合。
19.在又一个实施例中，计算各业务特征的支持度，包括：
20.基于各所述业务数据的业务特征集合，生成业务特征库；
21.计算各业务特征在所述业务特征库的出现频次，以确定为各业务特征的支持度。
22.为实现上述目的，根据本发明实施例的另一方面，提供了一种数据处理装置。
23.本发明实施例的一种数据处理装置包括：识别单元，用于响应于数据处理指令，获取对应的各业务数据，调用预设的识别模型，识别各所述业务数据的业务特征集合；
24.计算单元，用于计算各业务特征的支持度，基于预设的支持度阈值确定非频繁特征，以筛选所述非频繁特征对应的目标业务特征集合；
25.构建单元，用于基于非频繁特征对应目标业务特征集合，构建对应的候选特征集；
26.确定单元，用于获取历史业务数据，以计算所述候选特征集中业务特征对非频繁特征的关联度，基于所述关联度确定与非频繁特征相关联的业务特征。
27.在一个实施例中，所述构建单元，具体用于：
28.基于非频繁特征对应目标业务特征集合，构建非频繁特征的多个待定特征集；
29.计算各所述待定特征集的支持度，以基于所述支持度阈值从所述待定特征集中确定非频繁特征的候选特征集。
30.在又一个实施例中，所述构建单元，具体用于：
31.基于非频繁特征对应目标业务特征集合，构建非频繁特征的特征树，以生成多个待定特征集。
32.在又一个实施例中，所述确定单元，具体用于：
33.对每个所述候选特征集，计算所述历史业务数据中包括所述候选特征集中各业务特征的第一次数，以及计算所述历史业务数据中所述候选特征集中各业务特征与所述非频繁特征关联的第二次数；
34.基于所述第一次数和所述第二次数的比值，确定各所述候选特征集中业务特征对非频繁特征的关联度。
35.在又一个实施例中，所述支持度阈值包括频繁支持度阈值和非频繁支持度阈值；
36.所述计算单元，具体用于：
37.将支持度处于所述频繁支持度阈值和所述非频繁支持度阈值之间的业务特征确定为非频繁特征。
38.为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。
39.本发明实施例的一种电子设备，包括：一个或多个处理器；存储装置，用于存储一
个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的数据处理方法。
40.为实现上述目的，根据本发明实施例的又一个方面，提供了一种计算机可读介质。
41.本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例提供的数据处理方法。
42.为实现上述目的，根据本发明实施例的又一个方面，提供了一种计算机程序产品。
43.本发明实施例的一种计算机程序产品，包括计算机程序，所述程序被处理器执行时实现本发明实施例提供的数据处理方法。
44.上述发明中的一个实施例具有如下优点或有益效果：本发明实施例中，对于各业务数据识别业务特征后，可以计算各特征的支持度，以结合支持度阈值确定出非频繁特征和对应的目标业务特征集合，进而可以构建各非频繁特征的候选特征集，再结合历史业务数据，计算出每个候选特征集中业务特征对非频繁特征的关联度，从而得出相关联的业务特征。本发明实施例中，通过支持度可以确定出业务数据中样本较少的业务特征，即非频繁特征，以结合对应的目标业务特征集合来构建候选特征集，从而确定可能与其存在关联关系的业务特征，再通过历史业务数据的验证，确定出与各非频繁特征相关联的业务特征，如此实现对业务数据中样本较少的关联关系的挖掘，避免因样本量较少而导致关联关系的挖掘遗漏，以通过挖掘的关联关系可以确定出较高准确性和完整性较的，进而提高规则应用的准确性。
45.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
46.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
47.图1是根据本发明实施例的数据处理的方法的一种主要流程的示意图；
48.图2是根据本发明实施例的fp树的一种示意图；
49.图3是根据本发明实施例的fp树的又一种示意图；
50.图4是根据本发明实施例的fp树的又一种示意图；
51.图5是根据本发明实施例的数据处理的方法的又一种主要流程的示意图；
52.图6是根据本发明实施例的数据处理的方法的又一种主要流程的示意图；
53.图7是根据本发明实施例的数据处理的装置的主要单元的示意图；
54.图8是本发明实施例可以应用于其中的一种示例性系统架构图；
55.图9是适于用来实现本发明实施例的计算机系统的结构示意图。
具体实施方式
56.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
57.需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以
互相组合。本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
58.本发明实施例提供了一种数据处理系统，可以用于风控领域中对样本进行关系挖掘，确定风险规则的场景中。本发明实施例中通过对样本中关系规则的挖掘，可以确定导致风险结果的因素，进而可以生成风控领域中的风控规则，进而用于业务数据的风控。业务数据具体可以为业务处理中的交易数据。
59.本发明实施例中，用于关系规则挖掘的业务数据可以形成一个业务数据库d，其中，关系规则挖掘的规则结论为y，例如在本发明实施例用于挖掘用户逾期的关系规则时，用户逾期即为y，业务数据库中各可能与规则结论存在关系的前置条件可以称为业务特征x，即本发明实施例中用于挖掘与y存在较强关联的x。
60.本发明实施例提供了一种数据处理的方法，该方法可由数据处理的系统执行，如图1所示，该方法包括：
61.s101：响应于数据处理指令，获取对应的各业务数据，调用预设的识别模型，识别各业务数据的业务特征集合。
62.其中，数据处理命令可以自动触发，也可以由外部系统发送指令触发。数据处理指令标识对业务数据进行关系挖掘的指令，本步骤中响应数据处理指令，可以先获取到用于关系规则挖掘的各业务数据，即关系挖掘的样本，业务数据可以确定为业务数据库，每个业务数据可以作为一个样本。
63.由于业务数据通常是一条交易记录，属于连续型特征，所以本步骤中可以通过预设的识别模型对每个交易记录，识别各业务数据的业务特征集合，以将业务数据转换为类别型特征。具体的，识别模型可以基于需求设置，例如可以使用分箱算法实现，通过识别模型对连续型特征进行分箱以适配算法，例如，通过分箱算法进行特征分箱时可以计算每个分箱的iv值，并设置保留0.02《iv《0.3的特征分箱。例如一条业务数据可以识别出其包括的业务特征为：某时间段内交易次数、某时间段内交易总额、逾期等。
64.s102：计算各业务特征的支持度，基于预设的支持度阈值确定非频繁特征，以筛选非频繁特征对应的目标业务特征集合。
65.其中，本步骤中可以基于各业务数据的业务特征集合，生成业务特征库，进而计算各业务特征在业务特征库的出现频次，以确定为各业务特征的支持度。本发明实施例中，还可以预设支持度阈值，以从业务特征库中确定出非频繁特征。
66.本发明实施例中，由于需要考虑对样本较少的关系规则进行挖掘，所以基于预设的支持度阈值确定非频繁特征。具体的，本发明实施例中支持度阈值可以包括频繁支持度阈值和非频繁支持度阈值，如此本步骤中可以将支持度处于频繁支持度阈值和非频繁支持度阈值之间的业务特征确定为非频繁特征。其中，频繁支持度阈值大于非频繁支持度阈值，支持度大于频繁支持度阈值的业务特征可以称为频繁特征。
67.在一些实施例中，由于需要对非频繁特征进行关系规则挖掘，所以本步骤中可以将包括非频繁特征的业务特征集合确定为目标业务特征集合，具体可以执行为：对每个所述非频繁特征，从各业务数据的业务特征集合中筛选包括非频繁特征的业务特征集合，以确定为对应的目标业务特征集合。
68.具体的，本发明实施例中，可以通过构建fp树的方式来筛选非频繁特征对应的目
标业务特征集合。对业务特征库中各业务特征构建fp树，进而进行减枝，从而得到的结果可以确定出非频繁特征对应的目标业务特征集合。
69.例如，以业务数据库如表1所示为例，表1中包括12个业务数据，表1中示出了各业务数据对应的业务特征集合。
70.表1
[0071][0072][0073]
在表1中，对各业务数据识别出的业务特征包括a、b、c、d、e、f、g、h、i、j、k、l、m。以设置频繁支持度阈值为4，非频繁支持度阈值为1为例，可以确定非频繁特征为{d,f,e,g}，频繁特征为{a,i,b,c,l}，支持度不大于非频繁支持度阈值的业务特征为{h,j,k,m}。
[0074]
本发明实施例中，可以基于各业务特征的支持度构建表1所示业务特征的fp树。构建fp树过程可以为：初始fp树仅包含一个空节点null，之后可以扫描业务数据库的每个业务数据和各业务数据所包括业务特征的出现频次，以业务数据对应业务特征集合中业务特征顺序形成路径，路径上已出现的业务特征的出现频次累加，未出现的节点添加在新的分支路径中，同时，由于出现频次过低的业务特征不具有挖掘价值，所以可以在构建fp树时可以忽略{h,j,k,m}，从而得出构建的fp树，如图2所示为得出的fp树的一种示意图，其中fp树中业务特征对应的出现频次，如a：7表示业务特征a的出现频次为7。
[0075]
进一步的，在得出fp树后，可以对其进行减枝，以去掉包含噪声节点的分支。本步骤中可以从fp树中去掉不包括非频繁特征{d,f,e,g}的分支，从而得出包括非频繁特征{d,f,e,g}的分支，即非频繁特征对应的目标业务特征集合，如图3所示为减枝后fp树的一种示意图。
[0076]
s103：基于非频繁特征对应目标业务特征集合，构建对应的候选特征集。
[0077]
其中，本步骤中对每个非频繁特征，可以构建对应的候选特征集。
[0078]
具体的，对每个非频繁特征，可以基于非频繁特征对应目标业务特征集合，构建非频繁特征的多个待定特征集，进而计算各待定特征集的支持度，以基于支持度阈值从待定特征集中确定非频繁特征的候选特征集。
[0079]
待定特征集表示目标业务特征集合中各业务特征与非频繁特征组合得出的特征集合，由于各业务特征的支持度不同，所以得出的各待定特征集的支持度也不同，通常各待定特征集的支持度为其包括各业务特征的支持度的最小值。本发明实施例中，对每个非频繁特征，可以基于其对应的目标业务特征集合构建特征树，进而基于构建的特征树来生成多个待定特征集。
[0080]
以图3所示得出的结果为例，对于非频繁特征g，其对应的目标业务特征集合为{a,c,d,f,g}和{a,b,d,g}，所以可以生成对应以g结尾的特征树如图4所示，其中各业务特征的支持度表示为a:2、d:2、c:1、b:1，f:1，即a的支持度为2、d的支持度为2、c的支持度为1、b的支持度为1，f的支持度为1。基于图4所示的特征树可以构建待定特征集以及对应的支持度如下所示：
[0081]
路径长度为2的待定特征集：{a,g}-2、{b,g}-1、{c,g}-1、{d,g}-2、{f,g}-1；
[0082]
路径长度为3的待定特征集：{a，d，g}-2、{a,b，g}-1、{a,c，g}-1、{a,f，g}-1、{d,b，g}-1、{d,c，g}-1、{d,f，g}-1、{b，c，g}-1、{b,f，g}-1、{c,f，g}-1；
[0083]
路径长度为4的待定特征集：{a，d,b,g}-1,{a，d,c,g}-1,{a，d,f,g}-1,{a，b,c,g}-1、{a，b,f,g}-1、{a，f,c,g}-1、{b,d,c，g}-1、{d,c，f，g}-1、{b,c，f，g}-1；
[0084]
路径长度为5的待定特征集：{a，d,b,c，g}-1、{a，d,b,f，g}-1、{d,b，c，f，g}-1；
[0085]
路径长度为6的待定特征集：{a，d,b,c，f，g}-1。
[0086]
如此在得出上述各待定特征集之后，可以基于支持度阈值从待定特征集中确定非频繁特征的候选特征集。以支持度阈值为1为例，可以确定出候选特征集为：{a,g}-2、{d,g}-2、{a，d，g}-2。如此可以对此三个候选特征集进行进一步分析。
[0087]
s104：获取历史业务数据，以计算候选特征集中业务特征对非频繁特征的关联度，基于关联度确定与非频繁特征相关联的业务特征。
[0088]
其中，本步骤业务数据表示与步骤s101中业务数据不同的数据，以用于验证步骤s103中得出的候选特征集中与非频繁特征存在较强关联的业务特征。
[0089]
具体的，本发明实施例中计算关联度的方式可以执行为：对每个候选特征集，计算历史业务数据中包括候选特征集中各业务特征的第一次数，以及计算历史交易数据中候选特征集中各业务特征与非频繁特征关联的第二次数；基于第一次数和第二次数的比值，确定各候选特征集中业务特征对非频繁特征的关联度。
[0090]
对每个候选特征集，可以先从业务数据中计算该候选特征集中各业务特征出现的第一次数，以及历史业务数据中候选特征集中各业务特征与非频繁特征关联的第二次数。
业务特征与非频繁特征关联表示两者属于同一个业务数据中。
[0091]
以非频繁特征为违约为例，其对应一个候选特征集中可以包括业务特征为：过去1个月aa出账交易平均次数小于m次、近三个月aa总额的标准差小于n；过去2个月aa交易最小值大于77次、近6个月aa总额的最小值小于z；企业主征信记录中aa大于11、征信相对评分小于y。如此可以通过历史交易数据来判断由上述非频繁特征引起违约的次数，进而计算出比值，以确定各候选特征集中业务特征对非频繁特征的关联度。
[0092]
需要说明的是，本发明实施例中还可以通过信息增益指标来评估每个候选特征集中的特征。熵用来表示随机变量的不确定性，信息增益表示在一个条件下，信息的不确定性减少的程度，用来衡量特征对某个指标的贡献度。具体的，可以通过公式：ig(x)＝entropy(y)
–
entropy(y|x)计算x对y的贡献度，如果x的增益ig(x)小于预设阈值，则可以确定其对y的贡献度较小。
[0093]
本发明实施例中，通过支持度可以确定出业务数据中样本较少的业务特征，即非频繁特征，以结合对应的目标业务特征集合来构建候选特征集，从而确定可能与其存在关联关系的业务特征，再通过历史业务数据的验证，确定出与各非频繁特征相关联的业务特征，如此实现对业务数据中样本较少的关联关系的挖掘，避免因样本量较少而导致关联关系的挖掘遗漏，以通过挖掘的关联关系可以确定出较高准确性和完整性较的，进而提高规则应用的准确性。
[0094]
下面结合图1所示的实施例，对本发明实施例中数据处理的方法进行具体说明，如图5所示，该方法包括：
[0095]
s501：响应于数据处理指令，获取对应的各业务数据，调用预设的识别模型，识别各业务数据的业务特征集合。
[0096]
s502：基于各业务数据的业务特征集合，生成业务特征库。
[0097]
s503：计算各业务特征在业务特征库的出现频次，以确定为各业务特征的支持度。
[0098]
s504：基于预设的支持度阈值确定非频繁特征，以筛选非频繁特征对应的目标业务特征集合。
[0099]
s505：基于非频繁特征对应目标业务特征集合，构建非频繁特征的多个待定特征集。
[0100]
s506：计算各待定特征集的支持度，以基于支持度阈值从待定特征集中确定非频繁特征的候选特征集。
[0101]
s507：获取历史业务数据，以计算候选特征集中业务特征对非频繁特征的关联度，基于关联度确定与非频繁特征相关联的业务特征。
[0102]
需要说明的是，本发明实施例中数据处理原理以图1所示实施例中对应数据的处理原理相同，在此不再赘述。
[0103]
本发明实施例中，通过支持度可以确定出业务数据中样本较少的业务特征，即非频繁特征，以结合对应的目标业务特征集合来构建候选特征集，从而确定可能与其存在关联关系的业务特征，再通过历史业务数据的验证，确定出与各非频繁特征相关联的业务特征，如此实现对业务数据中样本较少的关联关系的挖掘，避免因样本量较少而导致关联关系的挖掘遗漏，以通过挖掘的关联关系可以确定出较高准确性和完整性较的，进而提高规则应用的准确性。
[0104]
下面结合图1所示的实施例，以及图2-4示意图，对本发明实施例中数据处理的方法进行具体说明，如图6所示，该方法包括：
[0105]
s601：响应于数据处理指令，获取对应的各业务数据，调用预设的识别模型，识别各业务数据的业务特征集合。
[0106]
s602：基于各业务数据的业务特征集合，生成业务特征库。
[0107]
s603：计算各业务特征在业务特征库的出现频次，确定为各业务特征的支持度，构建各业务数据对应的特征树。
[0108]
以表1为例，本步骤中构建的特征树如图2所示。
[0109]
s604：基于预设的支持度阈值确定非频繁特征，对构建的特征树减枝，删除不包括非频繁特征的业务特征集合，以筛选非频繁特征对应的目标业务特征集合。
[0110]
对图2所示特征树减枝后的结果如图3所示。
[0111]
s605：对每个非频繁特征，基于非频繁特征对应目标业务特征集合，构建对应的特征树，以基于该特征树构建非频繁特征的多个待定特征集。
[0112]
以图3中非频繁特征g为例，构建对应的特征树如图4所示。
[0113]
s606：计算各待定特征集的支持度，以基于支持度阈值从待定特征集中确定非频繁特征的候选特征集。
[0114]
s607：获取历史业务数据，以计算候选特征集中业务特征对非频繁特征的关联度，基于关联度确定与非频繁特征相关联的业务特征。
[0115]
需要说明的是，本发明实施例中数据处理原理以图1所示实施例中对应数据的处理原理相同，在此不再赘述。
[0116]
为了解决现有技术存在的问题，本发明实施例提供了一种数据处理的装置700，如图7所示，该装置700包括：
[0117]
识别单元701，用于响应于数据处理指令，获取对应的各业务数据，调用预设的识别模型，识别各所述业务数据的业务特征集合；
[0118]
计算单元702，用于计算各业务特征的支持度，基于预设的支持度阈值确定非频繁特征，以筛选所述非频繁特征对应的目标业务特征集合；
[0119]
构建单元703，用于基于非频繁特征对应目标业务特征集合，构建对应的候选特征集；
[0120]
确定单元704，用于获取历史业务数据，以计算所述候选特征集中业务特征对非频繁特征的关联度，基于所述关联度确定与非频繁特征相关联的业务特征。
[0121]
应理解的是，实施本发明实施例的方式与实施图1所示实施例的方式相同，在此不再赘述。
[0122]
在一个实施例中，所述构建单元703，具体用于：
[0123]
基于非频繁特征对应目标业务特征集合，构建非频繁特征的多个待定特征集；
[0124]
计算各所述待定特征集的支持度，以基于所述支持度阈值从所述待定特征集中确定非频繁特征的候选特征集。
[0125]
在又一个实施例中，所述构建单元703，具体用于：
[0126]
基于非频繁特征对应目标业务特征集合，构建非频繁特征的特征树，以生成多个待定特征集。
[0127]
在又一个实施例中，所述确定单元704，具体用于：
[0128]
对每个所述候选特征集，计算所述历史业务数据中包括所述候选特征集中各业务特征的第一次数，以及计算所述历史业务数据中所述候选特征集中各业务特征与所述非频繁特征关联的第二次数；
[0129]
基于所述第一次数和所述第二次数的比值，确定各所述候选特征集中业务特征对非频繁特征的关联度。
[0130]
在又一个实施例中，所述支持度阈值包括频繁支持度阈值和非频繁支持度阈值；
[0131]
所述计算单元702，具体用于：
[0132]
将支持度处于所述频繁支持度阈值和所述非频繁支持度阈值之间的业务特征确定为非频繁特征。
[0133]
应理解的是，实施本发明实施例的方式与实施图1、图5或图6所示实施例的方式相同，在此不再赘述。
[0134]
本发明实施例中，通过支持度可以确定出业务数据中样本较少的业务特征，即非频繁特征，以结合对应的目标业务特征集合来构建候选特征集，从而确定可能与其存在关联关系的业务特征，再通过历史业务数据的验证，确定出与各非频繁特征相关联的业务特征，如此实现对业务数据中样本较少的关联关系的挖掘，避免因样本量较少而导致关联关系的挖掘遗漏，以通过挖掘的关联关系可以确定出较高准确性和完整性较的，进而提高规则应用的准确性。
[0135]
根据本发明的实施例，本发明实施例还提供了一种电子设备和一种可读存储介质。
[0136]
本发明实施例的电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例所提供的交易数据处理的方法。
[0137]
图8示出了可以应用本发明实施例的交易数据处理的方法或交易数据处理的装置的示例性系统架构800。
[0138]
如图8所示，系统架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0139]
用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种客户端应用。
[0140]
终端设备801、802、803可以是但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0141]
服务器805可以是提供各种服务的服务器，服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如产品信息
‑‑
仅为示例)反馈给终端设备。
[0142]
需要说明的是，本发明实施例所提供的交易数据处理的方法一般由服务器805执行，相应地，交易数据处理的装置一般设置于服务器805中。
[0143]
应该理解，图8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。
[0144]
下面参考图9，其示出了适于用来实现本发明实施例的计算机系统900的结构示意图。图9示出的计算机系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0145]
如图9所示，计算机系统900包括中央处理单元(cpu)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储部分908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram 903中，还存储有系统900操作所需的各种程序和数据。cpu 901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0146]
以下部件连接至i/o接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，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910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908。
[0147]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明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909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(cpu)901执行时，执行本发明的系统中限定的上述功能。
[0148]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，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。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0149]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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单元、程序段、或代码的一部分，上述单元、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。
[0150]
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括识别单元、计算单元、构建单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，识别单元还可以被描述为“业务特征识别功能的单元”。
[0151]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读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一个该设备执行时，使得该设备执行本发明所提供的交易数据处理的方法。
[0152]
作为另一方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述程序被处理器执行时实现本发明实施例提供的交易数据处理方法。
[0153]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。