CN111127178A - 数据处理方法与装置、存储介质、电子设备 - Google Patents

Abstract

本公开属于计算机技术领域，涉及一种数据处理方法及装置、计算机可读存储介质、电子设备。该方法包括：获取财务业务数据，并将财务业务数据与其他财务业务数据进行比对；若存在与财务业务数据相同的其他财务业务数据，将所述财务业务数据与其他财务业务数据进行合并处理生成待校验数据；将待校验数据输入至预先训练好的机器学习模型中，以使机器学习模型输出目标校验规则；根据目标校验规则对待校验数据进行校验处理，以得到待校验数据的校验结果；若校验结果为校验通过，生成与待校验数据对应的目标数据。本公开可以降低目标数据的错误概率，提高目标数据的可靠性，减少人工工作量，健壮数据处理流程，减少安全事故的发生。

Description

数据处理方法与装置、存储介质、电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及一种数据处理方法与数据处理装置、计算机可读存储介质及电子设备。

背景技术

财务管理***可以是财务管理中的各个相关因素按照一定规则结合起来，并在外在环境提供的种种情况和限制的条件下，为实现财务目标而进行的整体运作体系。财务管理***可以为企业和用户提供付款和收款的依据，从而提高企业管理水平，抑制生产成本，规范管理流程，增强对市场变化的应变能力。

但是，在现有的财务收付流程中，并不具备对收付金额等待校验数据进行校验的功能，无法对错误计算进行把控，很容易发生错误付款或收款的情况，会造成用户和企业的巨大损失。

鉴于此，本领域亟需开发一种新的数据处理方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种数据处理方法、数据处理装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的无法校验收付金额等待校验数据的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本发明实施例的第一个方面，提供一种数据处理方法，所述方法包括：获取财务业务数据，并将所述财务业务数据与其他财务业务数据进行比对；若存在与所述财务业务数据相同的所述其他财务业务数据，将所述财务业务数据与所述其他财务业务数据进行合并处理生成待校验数据；将所述待校验数据输入至预先训练好的机器学习模型中，以使所述机器学习模型输出目标校验规则；根据所述目标校验规则对所述待校验数据进行校验处理，以得到所述待校验数据的校验结果；若所述校验结果为校验通过，生成与所述待校验数据对应的目标数据。

在本发明的一种示例性实施例中，所述方法还包括：若所述校验结果为校验未通过，获取所述待校验数据的预警优先级；将所述预警优先级进行比较，根据比较结果发送与所述待校验数据对应的预警信息。

在本发明的一种示例性实施例中，所述属性特征，在所述根据比较结果发送与所述待校验数据对应的预警信息之后，所述方法还包括：获取与所述校验结果对应的通知日志；将所述待校验数据、所述校验结果和所述预警信息记录在所述通知日志中。

在本发明的一种示例性实施例中，所述将所述待校验数据输入至预先训练好的机器学习模型中，以使所述机器学习模型输出目标校验规则，包括：将所述待校验数据输入至预先预训练好的特征提取模型，对所述待校验数据进行特征提取，得到对应的属性特征；将所述属性特征输入至预先训练好的规则确定模型中，以使所述规则确定模型输出目标校验规则。

在本发明的一种示例性实施例中，所述属性特征，包括：产品属性、收付属性和业务属性。

在本发明的一种示例性实施例中，在所述将所述待校验数据输入至预先训练好的机器学习模型中之前，所述方法还包括：获取校验数据样本和与所述校验数据样本对应的校验规则样本；其中，所述机器学习模型是基于所述校验数据样本和所述校验规则样本训练形成的；将所述校验数据样本输入至一待训练机器学习模型中，获取所述待训练机器学习模型输出的与所述校验数据样本对应的校验规则；若所述校验规则与所述校验规则样本不匹配，对所述待训练机器学习模型的参数进行调整，以使所述校验规则与所述校验规则样本相同。

在本发明的一种示例性实施例中，用于训练所述待训练机器学习模型的机器学习算法包括随机森林算法、支持向量机算法、罗杰斯特回归算法或卷积神经网络算法。

根据本发明实施例的第二个方面，提供一种数据处理装置，包括：数据获取模块，被配置为获取财务业务数据，并将所述财务业务数据与其他财务业务数据进行比对；数据处理模块，被配置为若存在与所述财务业务数据相同的所述其他财务业务数据，将所述财务业务数据与所述其他财务业务数据进行合并处理生成待校验数据；规则确定模块，被配置为将所述待校验数据输入至预先训练好的机器学习模型中，以使所述机器学习模型输出目标校验规则；结果确定模块，被配置为根据所述目标校验规则对所述待校验数据进行校验处理，以得到所述待校验数据的校验结果；数据生成模块，被配置为若所述校验结果为校验通过，生成与所述待校验数据对应的目标数据。

根据本发明实施例的第三个方面，提供一种电子设备，包括：处理器和存储器；其中，存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的数据处理方法。

根据本发明实施例的第四个方面，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上述任意示例性实施例中的数据处理方法。

由上述技术方案可知，本发明示例性实施例中的数据处理方法、数据处理装置、计算机存储介质及电子设备至少具备以下优点和积极效果：

在本公开的示例性实施例提供的方法及装置中，根据机器学习模型匹配到目标校验规则，并对待校验数据进行校验。一方面，可以降低目标数据的错误概率，提高目标数据的可靠性，并减少开发和运维的人工工作量；另一方面，可以减少目标数据对应时间的错误发生次数，健壮数据处理流程，减少安全事故的发生。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本公开示例性实施例中一种数据处理方法的流程图；

图2示意性示出本公开示例性实施例中训练一待训练机器学习模型的方法的流程示意图；

图3示意性示出本公开示例性实施例中确定目标校验规则的方法的流程示意图；

图4示意性示出本公开示例性实施例中发送预警系信息的方法的流程示意图；

图5示意性示出本公开示例性实施例中记录通知日志的方法的流程示意图；

图6示意性示出现有技术中的财务收付的流程示意图；

图7示意性示出本公开示例性实施例中应用场景中的数据处理方法的流程示意图；

图8示意性示出本公开示例性实施例中一种数据处理装置的结构示意图；

图9示意性示出本公开示例性实施例中一种用于实现数据处理方法的电子设备；

图10示意性示出本公开示例性实施例中一种用于实现数据处理方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

针对相关技术中存在的问题，本公开提出了一种数据处理方法。图1示出了数据处理方法的流程图，如图1所示，数据处理方法至少包括以下步骤：

步骤S110.获取财务业务数据，并将财务业务数据与其他财务业务数据进行比对。

步骤S120.若存在与财务业务数据相同的其他财务业务数据，将财务业务数据与其他财务业务数据进行合并处理生成待校验数据。

步骤S130.将待校验数据输入至预先训练好的机器学习模型中，以使机器学习模型输出目标校验规则。

步骤S140.根据目标校验规则对待校验数据进行校验处理，以得到待校验数据的校验结果。

步骤S150.若校验结果为校验通过，生成与待校验数据对应的目标数据。

在本公开的示例性实施例中，根据机器学习模型匹配到目标校验规则，并对待校验数据进行校验。一方面，可以降低目标数据的错误概率，提高目标数据的可靠性，并减少开发和运维的人工工作量；另一方面，可以减少目标数据对应时间的错误发生次数，健壮数据处理流程，减少安全事故的发生。

下面对数据处理方法的各个步骤进行详细说明。

在步骤S110中，获取财务业务数据，获取财务业务数据，并将财务业务数据与其他财务业务数据进行比对。

在本公开的一种示例性实施例中，针对不同的业务，可以获取到不同的业务数据。在财务业务中，获取到的财务业务数据可以有保单号、扣款账户、户名和身份信息等。

将财务业务数据与其他财务业务数据进行比对，并根据比对结果确定是否存在与财务业务数据相同的其他财务业务数据。在生成待校验数据之前，为减少对数据的校验多次带来的工作量，可以在抽取到财务数据业务之后进行一个判断的动作。该判断方式可以是将当前财务业务数据与其他抽取到的财务业务数据进行比对，以确定比对结果。

在步骤S120中，若存在与财务业务数据相同的其他财务业务数据，将财务业务数据与其他财务业务数据进行合并处理生成待校验数据。

在本公开的一种示例性实施例中，若存在与财务业务数据相同的其他财务业务数据，将财务业务数据与其他财务业务数据进行合并处理生成待校验数据。在比对财务业务数据和其他财务业务数据之后，可以得到与财务业务数据相同的其他财务业务数据，也可能不存在与财务业务数据相同的其他财务业务数据。举例而言，当两个或多个财务业务的户名相同时，可以确定存在与财务业务数据相同的其他财务业务数据，进一步的对二者的财务业务数据进行合并处理，以生成待发送的待校验数据。而待校验数据的生成可以是实时的，也可以是等时间间隔生成的，本示例性实施例对此不做特殊限定。值得说明的是，在财务收付流程中，待校验数据可以是临时发盘表，并且，临时发盘表的结构与发盘表的结构基本一致，例如可以是发盘表添加一个校验结果的字段的结构。其中，发盘是交易的一方向另一方提出一定的条件，发盘并愿意按照这些条件达成交易，并订立合同的一种表示。并且，发盘可以是应对方的邀请发盘做出的答复，也可以是在没有邀请的情况下直接发出。简而言之，发盘可以是将财务的交易数据发送给资金平台，然后由资金平台转到银行进行相应扣款或付款的过程。

在本示例性实施例中，通过将相同的财务业务数据进行合并处理，可以减少后续的财务校验过程的工作量，降低校验的运算成本。

在步骤S130中，将待校验数据输入至预先训练好的机器学习模型中，以使机器学习模型输出目标校验规则。

在本公开的一种示例性实施例中，在机器学习时，一般可以将样本分成三个独立的部分，分别是训练集、验证集和测试集。其中，训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，测试集检验最终选择最优的模型的性能如何。机器学习模型可以是通过各种机器学习算法训练得到的，用于根据待校验数据获得目标校验规则的模型。在可选的实施例中，用于训练待训练机器学习模型的机器学习算法可以是随机森林算法、支持向量机算法、罗杰斯特回归算法或卷积神经网络算法。除此之外，还可以是其他机器算法，本示例性实施例对此不做特殊限定。机器学习建模的效果可以通过真正类率和负正类率表示。真正类率(true positive rate，简称为TPR)的计算公式为：TPR＝TP/(TP+FN)，用于表示分类器识别出的正实例占所有正实例的比例；负正类率(false positiverate，简称为FPR)的计算公式为：FPR＝FP/(FP+TN)，用于表征分类器错认为正类的负实例的比例。通常来讲，Kolmogorov-Smirnov值(简称为KS值)越大，表征模型能够将正负类别分开的程度越大。举例而言，综合考虑KS值与TPR在四种机器学习模型中的表现，可以选择卷积神经网络算法作为确定目标校验规则的机器学习模型。除此之外，还可以根据其他评价标准选择其他的机器学习算法，本示例性实施例对此不做特殊限定。通过机器学习模型对待校验数据进行评估，可以得到与待校验数据对应的目标校验规则。

在使用机器学习模型确定目标校验规则之前，可以对待训练机器学习模型进行训练。图2示出了训练一待训练机器学习模型的方法的流程示意图，如图2所示，该方法至少包括以下步骤：在步骤S210中，获取校验数据样本和与校验数据样本对应的校验规则样本；其中，机器学习模型是基于校验数据样本和校验规则样本训练形成的。其中，校验数据样本和校验规则样本可以是在已知对应规则的目标校验数据和目标校验规则的集合中选取的，本示例性实施例对此不做特殊限定。

在步骤S220中，将校验数据样本输入至一待训练机器学习模型中，获取待训练机器学习模型输出的与校验数据样本对应的校验规则。

在步骤S230中，若校验规则与校验规则样本不匹配，对待训练机器学习模型的参数进行调整，以使校验规则与校验规则样本相同。待训练机器学习模型输出校验规则之后，可以将校验规则与校验规则样本进行匹配，判断输出的校验规则是否与校验规则样本相同，进而根据匹配结果判定待训练机器学习模型是否已经训练完成。

若校验规则与校验规则样本不匹配，表明该待训练机器学习模型并未训练好，因此需要对待训练机器学习模型的参数进行调整，以使校验规则与对应的校验规则样本相同，完成对待训练机器学习模型的训练。

在本示例性实施例中，对于机器学习模型的完整训练保证了目标校验规则的准确性，进一步的，为待校验数据的正确性提供了保证。

在对待训练机器学习模型训练完成之后，可以使用训练好的机器学习模型确定目标校验规则。图3示出了确定目标校验规则的方法的流程示意图，如图3所示，该方法至少包括以下步骤：在步骤S310中，将待校验数据输入至预先预训练好的特征提取模型，对待校验数据进行特征提取，得到对应的属性特征。在可选的实施例中，属性特征包括产品属性、收付属性和业务属性。其中，产品属性可以是产品的类别属性，可以包括健康险、重疾险、投连险、养老险等，不同的险种可以有不同的业务属性，例如账户型险种有利息，在退保的时候不能单看保费，还要考虑账户生息的情况。收付属性可以包括收款和付款两种，例如承包是收款，理赔是付款。业务属性可以是业务模块，例如可以有承包模块、保全模块和理赔模块；进一步的，业务模块还可以继续细分成不同的业务类型，例如，保全模块可以细分为减人类型、退保类型、公司解约类型和一次性领取类型等保全项。

在步骤S320中，将属性特征输入至预先训练好的规则确定模型中，以使规则确定模型输出目标校验规则。该规则确定模型的学习方法可以有多种，优选的，可以是逻辑回归算法。除此之外，也可以是神经网络，还可以是其他算法，本示例性实施例对此不做特殊限定。

目标校验规则是保存在待校验数据的校验规则集合中。其中，校验规则集合中具有用于针对待校验数据进行校验的校验规则。针对不同的待校验数据，可以设置有不同的校验规则，并将这些校验规则预先存储于预设的校验规则集合中。当需要对待校验数据进行校验时，在该校验规则集合中提取到与待校验数据相匹配的目标校验规则。其中，校验规则的设计可以分别有规则校验表、规则分类表、校验通知人表、校验结果轨迹表和校验结果通知记录表。具体的，规则校验表如下表1所示：

表1

校验规则表可以是定义某一条规则的具体信息，例如规则内容、规则描述、规则是否适用等信息。规则分类表如下表2所示：

表2

根据表1和表2可以查询与待校验数据相匹配的校验规则，以得到匹配结果。校验通知人表如下表3所示：

表3

在表3中，可以根据校验结果通知相关人员，并记录校验通知的时间等信息。校验结果轨迹表如下表4所示：

表4

在表4中，可以记录校验查询的轨迹及查询时间等信息。校验结果通知记录表如下表5所示：

表5

在表5中，可以将校验结果的各项通知信息记录下来，以作查询。

在根据规则确定模型输出校验规则集合中的校验规则时，可以确定为待校验数据对应的目标校验规则。举例而言，针对某一退费业务的待校验数据，目标校验规则可以是退费金额<账户*1.05。除此之外，也可以是其他目标校验规则，本示例性实施例对此不做特殊限定。

在本示例性实施例中，通过提取到的属性特征可以得到与待校验数据对应的目标校验规则，使得校验方式更加准确，确保校验结果的效果更好。

在步骤S140中，根据目标校验规则对待校验数据进行校验处理，以得到待校验数据的校验结果。

举例而言，在退费业务中，退费的基础是退给客户所交的保费，针对不同的产品还需要考虑其他的情况。例如账户型险种不仅具有传统的保障功能，还有增值的特性，也就是累计生息。在这种产品的退费业务中，除了退还所交保费，还要计算保障期间账户产生的利息。但由于利息是无法准确定义的数值，因此，可以根据管理人员的经验和在实际操作中的情况，制定这种情况下的普遍利率为0.05。因此，这种情况下的预设交易金额可以是账户金额*1.05。除此之外，根据其他情况也可以确定其他的预设交易金额，本示例性实施例对此不做特殊限定。

确定预设交易金额相当于确定了本次交易金额的预警线，根据不同的业务情况，可以将低于该预警线或高于该预警线的金额范围确定为交易金额范围。在账户型险种的退费业务中，可以确定交易金额范围为低于账户金额的1.05倍。并且，在财务收付流程中，已经确定出本次交易的目标交易金额。

进一步的，可以将已确定的目标交易金额与交易金额范围，亦即账户金额的1.05倍进行比较，并根据比较结果确定本次交易的校验结果。并且通过交易金额范围与已确定的目标交易金额的比较结果，可以确定对应的校验结果，确定方式简单，降低误收保费的概率，减少安全事故的发生。

在步骤S150中，若校验结果为校验通过，生成与待校验数据对应的目标数据。

在本公开的一种示例性实施例中，举例而言，若目标交易金额在交易金额范围内，确定校验结果为校验通过。其中，在账户型险种的退费业务中，若账户金额为1000元，可以确定交易金额范围为小于1050元，并且在财务收付流程中确定出的目标交易金额为1020元，可以确定目标交易金额1020元在小于1050元的范围内，表明校验通过。

在校验通过之后，可以根据目标交易金额和待校验数据生成目标数据，可以是将少一个校验结果的待校验数据确定为目标数据。除此之外，也可以根据其他方法生成目标数据，本示例性实施例对此不做特殊限定。

在本示例性实施例中，给出了校验通过时的处理方法，确保后续流程的继续执行，例如付款和扣款等，避免和减少了超赔或翻倍赔付的案件的发生概率，确保了业务流程的安全性。

在可选的实施例中，图4示出了发送预警信息的方法的流程示意图，如图4所示，该方法至少包括以下步骤：在步骤S410中，若校验结果为校验未通过，获取待校验数据的预警优先级。其中，该预警优先级是优先设置的，也可以是根据不同的待校验数据生成的，本示例性实施例对此不做特殊限定。该预警优先级可以有三种，分别为高、中和低，级别越高，发送对应的预警信息的顺序越靠前。

在步骤S420中，将预警优先级进行比较，根据比较结果发送与待校验数据对应的预警信息。当有多个待校验数据未校验通过时，可以将对应的多个预警优先级进行比较，优先发送优先级高的预警信息。举例而言，该预警信息可以是通过短信、电子邮件、声光报警器、移动端消息向管理人员发起的报警通知。除此之外，该预警信息还可以是其他引起管理人员注意的预警方式，本示例性实施例对此不做特殊限定。并且，由于校验结果是针对批量数据的结果，因此，该预警信息还可以包括本次校验的可疑数据数量，以及可疑程度等。并且，可以根据可疑程度预设向管理人员发送通知的时间。举例而言，若可疑程度较高时，可以实时发送预警信息；当可疑程度较低时，可以在一定时间间隔后发送。除此之外，也可以根据可疑数据数量设置通知时间等，还可以根据其他信息设置，本示例性实施例对此不做特殊限定。

在本示例性实施例中，给出了一种确定预警信息的方法，比较方式简单，确定方式准确，实用性极强。

除此之外，为了方便开发人员排查相关***的程序，及时修正未校验通过的数据，可以将这些数据记录下来。在可选的实施例中，图5示出了记录通知日志的方法的流程示意图，如图5所示，该方法至少包括以下步骤：在步骤S510中，获取与校验结果对应的通知日志。该通知日志中可以记录有待校验数据和与待校验数据的校验结果，以便于开发人员查看当次的待校验数据的结果和历史的待校验数据的结果。

在步骤S520中，将待校验数据、校验结果和预警信息记录在通知日志中。当待校验数据的校验结果为未校验通过时，还可以在与待校验数据以及未校验通过的对应位置，添加对应的预警信息。除此之外，还可以在通知日志中记录预警信息的预警优先级，方便开发人员按照优先级顺序进行排查和处理。

在本示例性实施例中，通过通知日志可以记录待校验数据的对应结果等信息，方便开发人员查看和处理，加快了待校验数据的处理速度，减少了生产事故的发生。

下面结合一应用场景对本公开实施例中的数据处理方法做出详细说明。

图6示出了现有技术中的财务收付的流程示意图，如图6所示，在财务收付流程中，核心***从收付明细表中提取业务数据，并进行合并处理，以生成发盘数据。并且，资金、出纳平台定时扫描发盘数据，并推送至银行。在此过程中，并无对收付金额进行校验。即使是***内部存在校验流程，但这种校验也是通过业务数据用同样的算法重新计算一遍，根本达不到把控错误的效果。

图7示出了应用场景中的数据处理方法的流程示意图，如图7所示，核心***可以抽取并合并处理业务数据，以生成待检验数据。财务校验***可以实时或者定时抓取待检验数据，并匹配校验规则。若未匹配到校验规则，发送对应的预警信息，通知管理人员处理异常，并保存此通知日志。若匹配到校验规则，可以通过根据目标校验规则制定的交易金额范围与预设交易金额范围进行比较，得到校验结果。若校验结果为校验未通过，发送对应的预警信息；若校验结果为校验通过，根据待检验数据生成发盘数据，并发送到银行等。

在本公开的示例性实施例中，本公开通过在发送目标数据的过程中，根据匹配到的目标校验规则进行校验。一方面，可以降低目标数据的错误概率，提高目标数据的可靠性，并减少开发和运维的人工工作量；另一方面，可以减少和避免超赔和翻倍赔付案件的误发生概率，降低保费误收发生的事件，健壮数据处理流程，减少安全事故的发生。

需要说明的是，虽然以上示例性实施例的实施方式以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或者必须执行全部的步骤才能实现期望的结果。附加地或者备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

此外，在本公开的示例性实施例中，还提供一种数据处理装置。图8示出了数据处理装置的结构示意图，如图8所示，数据处理装置800可以包括：数据获取模块810、数据处理模块820、规则确定模块830、结果确定模块840和数据生成模块850。其中：

数据获取模块810，被配置为获取财务业务数据，并将财务业务数据与其他财务业务数据进行比对；数据处理模块820，被配置为若存在与财务业务数据相同的其他财务业务数据，将财务业务数据与其他财务业务数据进行合并处理生成待校验数据；规则确定模块830，被配置为将待校验数据输入至预先训练好的机器学习模型中，以使机器学习模型输出目标校验规则；结果确定模块840，被配置为根据目标校验规则对待校验数据进行校验处理，以得到待校验数据的校验结果；数据生成模块850，被配置为若校验结果为校验通过，生成与待校验数据对应的目标数据。

上述数据处理装置的具体细节已经在对应的数据处理方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了数据处理装置800的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

下面参照图9来描述根据本发明的这种实施例的电子设备900。图9显示的电子设备900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。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同***组件(包括存储单元920和处理单元910)的总线930、显示单元940。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)921和/或高速缓存存储单元922，还可以进一步包括只读存储单元(ROM)923。

存储单元920还可以包括具有一组(至少一个)程序模块925的程序/实用工具924，这样的程序模块925包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器940通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图10所示，描述了根据本发明的实施例的用于实现上述方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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***、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

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、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种数据处理方法，其特征在于，所述方法包括：

获取财务业务数据，并将所述财务业务数据与其他财务业务数据进行比对；

若存在与所述财务业务数据相同的所述其他财务业务数据，将所述财务业务数据与所述其他财务业务数据进行合并处理生成待校验数据；

将所述待校验数据输入至预先训练好的机器学习模型中，以使所述机器学习模型输出目标校验规则；

根据所述目标校验规则对所述待校验数据进行校验处理，以得到所述待校验数据的校验结果；

若所述校验结果为校验通过，生成与所述待校验数据对应的目标数据。

2.根据权利要求1所述的数据处理方法，其特征在于，所述方法还包括：

若所述校验结果为校验未通过，获取所述待校验数据的预警优先级；

将所述预警优先级进行比较，根据比较结果发送与所述待校验数据对应的预警信息。

3.根据权利要求2所述的数据处理方法，其特征在于，在所述根据比较结果发送与所述待校验数据对应的预警信息之后，所述方法还包括：

获取与所述校验结果对应的通知日志；

将所述待校验数据、所述校验结果和所述预警信息记录在所述通知日志中。

4.根据权利要求1所述的数据处理方法，其特征在于，所述将所述待校验数据输入至预先训练好的机器学习模型中，以使所述机器学习模型输出目标校验规则，包括：

将所述待校验数据输入至预先预训练好的特征提取模型，对所述待校验数据进行特征提取，得到对应的属性特征；

将所述属性特征输入至预先训练好的规则确定模型中，以使所述规则确定模型输出目标校验规则。

5.根据权利要求4所述的数据处理方法，其特征在于，所述属性特征，包括：产品属性、收付属性和业务属性。

6.根据权利要求1所述的数据处理方法，其特征在于，在所述将所述待校验数据输入至预先训练好的机器学习模型中之前，所述方法还包括：

获取校验数据样本和与所述校验数据样本对应的校验规则样本；其中，所述机器学习模型是基于所述校验数据样本和所述校验规则样本训练形成的；

将所述校验数据样本输入至一待训练机器学习模型中，获取所述待训练机器学习模型输出的与所述校验数据样本对应的校验规则；

若所述校验规则与所述校验规则样本不匹配，对所述待训练机器学习模型的参数进行调整，以使所述校验规则与所述校验规则样本相同。

7.根据权利要求6所述的数据处理方法，其特征在于，用于训练所述待训练机器学习模型的机器学习算法包括随机森林算法、支持向量机算法、罗杰斯特回归算法或卷积神经网络算法。

8.一种数据处理装置，其特征在于，包括：

数据获取模块，被配置为获取财务业务数据，并将所述财务业务数据与其他财务业务数据进行比对；

数据处理模块，被配置为若存在与所述财务业务数据相同的所述其他财务业务数据，将所述财务业务数据与所述其他财务业务数据进行合并处理生成待校验数据；

规则确定模块，被配置为将所述待校验数据输入至预先训练好的机器学习模型中，以使所述机器学习模型输出目标校验规则；

结果确定模块，被配置为根据所述目标校验规则对所述待校验数据进行校验处理，以得到所述待校验数据的校验结果；

数据生成模块，被配置为若所述校验结果为校验通过，生成与所述待校验数据对应的目标数据。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的数据处理方法。

10.一种电子设备，其特征在于，包括：

处理器；

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器被配置为经由执行所述可执行指令来执行如权利要求1-7中任意一项所述的数据处理方法。

Images