CN110796557A - 数据处理方法及装置、电子设备和计算机可读存储介质 - Google Patents

Abstract

本公开提供一种数据处理方法、装置以及电子设备和计算机可读存储介质，涉及数据处理技术领域，该方法包括：获取保险数据系统中第一数据的当前数值；在所述保险数据系统中确定与所述第一数据存在数值约束关系的第二数据；确定目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系；通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。本公开实施例提供的技术方案，可以使用目标机器学习模型，根据第一数据确定第二数据的目标值，降低了第二数据的目标值的计算复杂度，节约了人力物力。

Description

数据处理方法及装置、电子设备和计算机可读存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及一种数据处理方法及装置、电子设备和计算机可读存储介质。

背景技术

在复杂的保险数据系统中，经常会由于各种原因(比如用户选择错误、运营人员操作错误等)导致数值发生改变。而一旦保险数据系统中的某个数值发生改变，业务系统、财务系统、再保险系统、准备金系统和监管报送系统等多个子系统的相应数值也要进行一致性调整。然而，在实际操作中由于各子系统分属不同开发团队管理，信息沟通不畅以及对数值调整人员要求高等问题，导致对多个子系统中的相应数据进行修改存在很大的困难。

目前一般采用的方法，是通过一个工作流程把数值修改需求流转到相关技术团队，由各团队对相应子系统的数值进行修改。由于导致数值修改的原因种类繁多(尤其是各种程序漏洞导致的数据错误)，所以相应的数值修改方法也非常繁杂。这就需要技术人员非常了解各种情况下的数据约束关系，才能够没有差错、没有遗漏地完成所有相关系统的数值修改。这直接给技术人员和信息沟通提出了很高要求，从而导致数值修改效率低、人力投入成本高，而且还很难确保最终修改的数值的完备性和质量水平。因此，如何提升数值修改的质量和速度，以提高保险各子系统的执行效率和质量，成为一个很重要的问题。

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

有鉴于此，本公开实施例提供一种数据处理方法及装置、电子设备和计算机可读存储介质，能够根据第一数据的当前数值，快速、准确的确认与所述第一数据存在数值约束关系的第二数据的目标值。

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。

根据本公开实施例的第一个方面，提出一种数据处理方法，该方法包括：获取保险数据系统中第一数据的当前数值；在所述保险数据系统中确定与所述第一数据存在数值约束关系的第二数据；确定目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系；通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

在一些实施例中，在所述保险数据系统中确定与所述第一数据存在数值约束关系的第二数据，包括：构建数据关系知识图谱；根据所述数据关系知识图谱，确定与所述第一数据存在数值约束关系的第二数据。

在一些实施例中，构建数据关系知识图谱，包括：确定所述保险数据系统中设定数据之间的数值约束关系，所述设定数据包括所述第一数据和所述第二数据；根据所述数值约束关系形成所述数据关系知识图谱。

在一些实施例中，确定目标机器学习模型，包括：获取机器学习模型集合；根据所述第一数据和所述第二数据之间的数值约束关系，在所述机器学习模型集合中确定所述目标机器学习模型。

在一些实施例中，获取第一数据的当前数值，包括：获取所述第一数据的历史数值；若所述历史数值与所述当前数值不同，则提取所述当前数值。

在一些实施例中，所述数据处理方法还包括：获取所述第一数据的样本值，以及所述第二数据的样本值；根据所述第一数据的样本值以及所述第二数据的样本值训练所述目标机器学习模型。

在一些实施例中，所述第一数据处于第一系统，所述第二数据处于第二系统。

根据本公开实施例的第二个方面，提出一种数据处理装置，所述数据处理装置包括：第一获取模块、第二获取模块以及目标值确定模块。

其中，所述第一获取模块可以配置为获取第一数据的当前数值；所述第二获取模块可以配置为确定第二数据以及目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系；所述目标值确定模块可以配置为通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

根据本公开实施例的第三方面，提出一种电子设备，该电子设备包括：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上述任一项所述的数据处理方法。

根据本公开实施例的第四方面，提出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，所述程序被处理器执行时实现如上述任一项所述的数据处理方法。

本公开某些实施例提供的数据处理方法、装置及电子设备和计算机可读存储介质，通过第一数据确定了与所述第一数据具有数值约束关系的第二数据，并通过目标机器学习模型，快速且准确的确定了所述第二数据的目标值。该方法一方面，可以准确、完整的确定所述第二数据(所述第二数据可以不止一个)；另一方面，使用目标机器学习模型准确的确定了所述第二数据的目标值，相比于人为计算所述第二数据的目标值更加便捷、准确，节约了大量的人力和物力。

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。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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示出了应用于本公开实施例的数据处理方法或数据处理装置的示例性系统架构的示意图。

图2是根据一示例性实施例示出的一种数据处理方法的流程图。

图3是图2中的步骤S2在一示例性实施例中的流程图。

图4是图3中的步骤S21在一示例性实施例中的流程图。

图4A是根据本公开实施例示出的一种数据关系知识图谱。

图5是图2中的步骤S3在另一示例性实施例中的流程图。

图6是图2中的步骤S1在一示例性实施例中的流程图。

图7A是根据本公开实施例示出的又一种数据处理方法的流程图。

图7B是根据本公开实施例示出的又一种数据处理方法的流程图。

图8是根据一示例性实施例示出的一种数据处理装置的框图。

图9是根据一示例性实施例示出的另一种数据处理装置的示意图。

图10是根据一示例性实施例示出的一种应用于数据处理装置的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在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。

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方法、装置、实现或者操作以避免模糊本公开的各方面。

附图仅为本公开的示意性图解，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不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本说明书中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等；用语“包含”、“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”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。

下面结合附图对本公开示例实施方式进行详细说明。

图1示出了可以应用于本公开实施例的数据处理方法或数据处理装置的示例性系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。其中，终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。

服务器105可例如获取保险数据系统中第一数据的当前数值；服务器105可例如在所述保险数据系统中确定与所述第一数据存在数值约束关系的第二数据；服务器105可例如确定目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系；服务器105可例如通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，服务器105可以是一个实体的服务器，还可以为多个服务器组成，根据实际需要，可以具有任意数目的终端设备、网络和服务器。

在复杂的保险系统中，经常会由于各种原因导致保险数据系统中的数据的数值发生改变。而一旦保险数据系统中的某个数值发生改变，而其它子系统中的相应数据的数值也要发生改变。例如，在保险数据系统中，业务系统的保费可能与财务系统的保单手续费存在着数值约束关系(假设手续费率为10％，则财务系统的保单手续费可以等于所述业务系统的保费*10％业务系统的保费)，当用户在业务系统的保费的值发生改变，则该用户在财务系统中的保单手续费也应该发生改变。

因此，本公开提出了一种能够及时在保险数据系统中发现数值发生改变的数据，并及时确定与该数据存在数值约束关系的其它数据及该其它数据的值的方法。

图2是根据一示例性实施例示出的一种数据处理方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如上述图1实施例中的服务器105和/或终端设备102、103，在下面的实施例中，以服务器105为执行主体为例进行举例说明，但本公开并不限定于此。

参照图2，本公开实施例提供的数据处理方法可以包括以下步骤。

在步骤S1中，获取保险数据系统中第一数据的当前数值。

在一些实施例中，所述保险数据系统可以指的是医疗保险数据系统、商业保险数据系统或者养老保险数据系统等，本公开对所述保险数据系统涉及的具体业务不做限制。

就医疗保险而言，围绕着医疗保险的需求与供给及医疗费用的筹集、管理和支付的过程，由此而产生的有关各方相互作用和相互依存而形成一个有机整体，维持医疗保险的运行。我们把这样一个有机整体称作医疗保险数据系统。

在一些实施例中，所述保险数据系统可能包括多个子系统，每个子系统又可以包括不同的数据。例如，所述保险数据系统可以包括财务系统、监管报送系统等，所述财务系统中又可以包括保单手续费、保单净保费等数据。

在一些实施例中，所述第一数据可以是所述保险数据系统中的任意数据，可以例如是所述保险数据系统中的业务系统中的保费，可例如是财务系统的保单手续费，可例如是财务系统的保单净保费，还可例如是监管报送系统的保单手续费，本公开对此不做限制。

步骤S2，在所述保险数据系统中确定与所述第一数据存在数值约束关系的第二数据。

可以理解的是，在所述保险数据系统中，各个数据之间可能会存在一定的数值约束关系。例如，在保险数据系统中，当业务系统中某个用户的保费发生了改变，对应的财务系统中该用户的保单净保费也可能会随之改变。

因此，当在所述保险数据系统中确定了第一数据之后，对应的可以确定与所述第一数据存在数值约束关系的第二数据。可以理解的是，所述第一数据可以是一个也可以是多个，本公开对此不做限制。

在一些实施例中，所述数值约束关系可以指的是线性关系，如：相等、加减乘除混合运算以及它们的组合运算等，还可以指的是非线性关系，如：平方、开根号以及他们之间的组合运算等。本公开对上述数值约束关系不做限制。

在一些实施例中，所述第一数据和所述第二数据可以处在所述保险数据系统中的不同的子系统(例如所述第一数据处在第一子系统，所述第二数据处在第二子系统)，也可以处在相同的子系统。

例如，假设所述第一数据是业务系统中的保费，那么第二数据可以是财务系统中与所述第一数据存在线性关系的保单手续费(财务系统中的保单手续费＝业务系统的保费*10％)或者财务系统的保单净保费(财务系统中的保单手续费＝业务系统的保费*20％)。

在步骤S3中，确定目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系。

在一些实施例中，将所述第一数据的当前值输入至所述目标机器学习模型后，可以对应的确定所述第二数据的当前值

在步骤S4中，通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

在一些实施例中，目标机器学习模型是已经训练好的，可以描述所述第一数据和所述第二数据之间的数值约束关系的机器学习模型。

在一些实施例中，所述目标机器学习模型可以指的是神经算术逻辑单元(NeuralArithmetic Logic Units，NALU)。

相关技术中，神经算术逻辑单元能够真正“学会”加减乘除和基于加减乘除的近似估计，可以更好地把经验外推到其它数值任务上，而不再受训练数据的限制(即具有很好的外推能力)。

本实施例，通过所述第一数据确定了与所述第一数据具有数值约束关系的第二数据，并通过目标机器学习模型，快速且准确的确定了所述第二数据的目标值。该方法一方面可以准确、完整的确定与所述第一数据存在数值约束关系的所述第二数据，另一方面根据目标机器学习模型确定了与所述第一数据存在数值约束关系的第二数据的目标值，以便根据所述第二数据的目标值修正所述第二数据的当前值。本方法，相比于人为确定与所述第一数据存在数值约束关系的第二数据的目标值，更加便捷、准确，节约了大量的人力和物力。

图3是图2中的步骤S2在一示例性实施例中的流程图。如图3所示，本公开实施例中的上述步骤S2可以进一步的包括以下步骤。

在步骤S21中，构建数据关系知识图谱。

在一些实施例中，所述数据关系知识图谱可以展现各个设定数据之间的数值约束关系，即如果在所述保险数据系统中指定目标数据，根据所述数据关系知识图谱可以对应的确定与所述目标数据存在数值约束关系的数据。

在一些实施例中，可以根据所述保险数据系统中的各个数据之间的数值约束关系确定所述数据关系知识图谱。

在步骤S22中，根据所述数据关系知识图谱，确定与所述第一数据存在数值约束关系的第二数据。

在一些实施例中，当包括所述第一数据的数据关系知识图谱被确定后，与所述第一数据存在数值约束关系的第二数据也可以被确定。例如，假设第一数据A可以被数据关系知识图谱描述，那么通过数据关系知识图谱就可以确定与第一数据A存在数值约束关系的第二数据B。可以理解的是，第二数据B的个数可以是一个也可以是多个，本公开对第二数据B的个数不做限制。

再例如，假设数据关系知识图谱同时描述了业务系统中的保费、财务系统中的保单手续费、财务系统中的保单净保费、监管报送系统的保单手续费等多个不同系统中的数据。假设所述业务系统中的保单手续费是所述第一数据，那么那些与所述第一数据存在数值约束关系数据(例如财务系统的保单手续费(业务系统的保费*10％，假设手续费率为10％)、财务系统的保单净保费(业务系统的保费*(1-10％))就可以是所述第二数据。

上述实施例，通过构建数据关系知识图谱刻画了各个数据之间的数值约束关系，使得所述当第一数据确定后，就可以简单、准确的并且确定与所述第一数据存在数值约束关系的第二数据。另外，通过上述数据关系知识图谱可以完整的找出所有与所述第一数据存在数值约束关系的第二数据，避免遗漏。

图4是图3中的步骤S21在一示例性实施例中的流程图。如图4所示，本公开实施例中的上述步骤S21可以进一步的包括以下步骤。

在步骤S211中，确定所述保险数据系统中设定数据之间的数值约束关系，所述设定数据包括所述第一数据和所述第二数据。

在一些实施例中，可以首先设定一些数据以构建所述数据关系知识图谱，并且所述设定数据包括所述第一数据和所述第二数据。

例如，假设希望对保险系统中的各个数据进行一致性修改，那么就可以把保险系统中涉及的所有的数据作为所述设定数据。

在一些实施例中，当设定数据确定之后，还需要确定各个设定数据之间的数值约束关系。

在一些实施例中，所述数值约束关系可以指的是线性关系，如：相等、加减乘除混合运算等，也可以指的是非线性关系，如：平方、开根号等。本公开对上述数值约束关系不做限制。

在步骤S212中，根据所述数值约束关系形成所述数据关系知识图谱。

在一些实施例中，当各设定数据之间的数值约束关系确定后，就可以根据所述数值约束关系构建可以描述各设定数据之间关系的数据关系知识图谱。

图4A是根据本公开实施例示出的一种数据关系知识图谱。

假设所述设定数据包括电商平台保单保费、核心系统保单保费、销管系统保单保费以及销管系统保单手续费等数据，根据所述设定数据以及他们之间的数值约束关系可以生成如图4A所示的数据关系知识图谱。

在一些实施例中，所述数据关系知识图谱可以通过连接线展示了两个数据存在数值约束关系。如图4A所示，所述核心系统保单保费与所述电商平台保单保费、销管系统保单保费以及销管系统保单手续费都存在数值约束关系(例如，相等或者其它线性关系)。

上述实施例，通过设定数据之间的关系，可以刻画各设定数据之间数值约束关系的数据关系知识图谱。在上述数据关系知识图谱中，可以根据一个数据方便、快捷的确定与其有数值约束关系的其它数据。

图5是图2中的步骤S3在另一示例性实施例中的流程图。如图5所示，本公开实施例中的上述步骤S3可以进一步的包括以下步骤。

在步骤S31中，根据各个数值约束关系确定机器学习模型集合。

在一些实施例中，当设定数据确定之后，还需要确定各个设定数据之间的数值约束关系。

在一些实施例中，可以针对每一个数值约束关系都对应训练一个机器学习模型。

在一些实施例中，每一个数值约束关系对应的机器学习模型可组成所述机器学习模型集合。

例如，假设业务系统中的保险费和财务系统中的保单手续费是两个存在数值约束关系的数据，那么根据所述业务系统中的保险费和所述财务系统中的保单手续费，可以训练一个机器学习模型以描述上述二者之间的数值约束关系。

在步骤S32中，根据所述第一数据和所述第二数据之间的数值约束关系，在所述机器学习模型集合中确定所述目标机器学习模型。

在一些实施例中，所述数据关系知识图谱中的任意数值约束关系都可以被机器学习模型集合中的模型所描述。

在一些实施例中，可以根据所述数据关系知识图谱确定与所述第一数据存在数值约束关系的所述第二数据，然后再根据所述第一数据和所述第二数据之间的数值约束关系确定对应的目标机器学习模型，所述目标机器学习模型可以描述所述第一数据和所述第二数据的数值约束关系。

在一些实施例中，与所述第一数据存在数值约束关系的的第二数据可能不止一个，所以与之对应的所述目标机器学习模型也可能不止一个。

上述实施例，确定的所述目标机器学习模型可以用于描述所述第一数据和所述第二数据之间的数值约束关系，即将所述第一数据的值输入所述目标机器学习模型中后就可以确定所述第二数据的对应数值。

图6是图2中的步骤S1在一示例性实施例中的流程图。如图6所示，本公开实施例中的上述步骤S1可以进一步的包括以下步骤。

在步骤S11中，获取所述第一数据的历史数值。

在步骤S12中，若所述历史数值与所述当前数值不同，则提取所述当前数值。

在一些实施例中，可以实时获取所述第一数据的当前数值，并将所述当前数值与前一时刻的所述历史数值作比较。若所述第一数据的历史数值与当前数值不同，则提取所述第一数据的当前数值。

在另外一些实施例中，可以实时获取数据库中各个数据的当前数值，并将所述当前数值与其对应的历史数值作比较。

在一些实施例中，可以将那些当前数值与历史数值不一致的数据当作所述第一数据，并将其对应的当前数值为所述第一数据的当前数值。

在另外一些实施例中，还可以通过数据变化感知工具感知数据库中发生变化的第一数据的及其当前数值。

在一些实施例中，上述数据变化感知工具可以指的是CDC(Change Data Capture，改变数据捕获)(比如阿里开源的工具cannal(管道)，或者Oracle(甲骨文)数据库的OracleGoldenGate(甲骨文金门))工具，但本公开并不限定于此，任意能够感知数据变化的工具或者方法均可采用。

上述实施例通过将数据的当前数值与历史值做比较，确定了数值发生了变化的第一数据及其当前数值。

图7A是根据本公开实施例示出的又一种数据处理方法的流程图。与上述实施例相比，图7A实施例的不同之处在于，还可以包括以下步骤。

在步骤S5中，获取所述第一数据的样本值，以及所述第二数据的样本值。

在一些实施例中，可以获取第一数据的历史值及第二数据的历史值分别作为所述第一数据的样本值和所述第二数据的样本值。

需要说明的是，第一数据的样本值和所述第二数据的样本值需要一一对应，即所述第一数据的当前样本值与所述第二数据的当前样本值存在一定的数值约束关系。

在步骤S6中，根据所述第一数据的样本值以及所述第二数据的样本值训练所述目标机器学习模型。

在一些实施例中，所述目标机器学习模型可以是神经算术逻辑单元。

在一些实施例中，通过所述第一数据的样本值和所述第二数据的样本值训练的目标机器学习模型可以描述所述第一数据和所述第二数据之间的线性关系。

在一些实施例中，在训练所述目标机器学习模型时刻设定损失函数收敛的标准(比如0.00001)。

上述实施例提供的数据处理方法，通过所述第一数据和所述第二数据的样本值训练的机器学习模型可以准确的描述所述第一数据和所述第二数据之间的数值约束关系。

在一些实施例中，所述第一数据处于第一系统，所述第二数据处于第二系统。

在一些实施例中，所述第一系统和所述第二系统可以是同一个系统，也可以是不同的系统。

在一些实施例中，所述第一数据可例如是业务系统中的保单手续费，所述第二数据可例如是财务系统中的保单手续费。

在另外一些实施例中，所述第一数据也可例如财务系统中的保单手续费，所述第二数据也可例如是财务系统中的保单净保费。

图7B是根据本公开实施例示出的又一种数据处理方法的流程图。参考图7B，所述数据处理方法还可以包括以下步骤。

步骤S71，根据保险数据系统中的各个数据构建数据关系知识图谱。

在一些实施例中，可以针对所述保险数据库中每一个数值约束关系都对应的训练一个机器学习模型。

在保险数据系统中，若通过所述数据关系知识图谱确定了业务系统中的保单手续费与财务系统中的保单手续费、财务系统中的保单净保费以及监管报送系统总的保单手续费存在着数值约束关系，则可以准备训练以上三个数值约束关系的机器学习模型(例如，第一机器学习模型可以描述所述业务系统中的保单手续费与所述财务系统中的保单手续费之间的数值约束关系，第二机器学习模型可以描述所述业务系统中的保单手续费与所述财务系统中的保单净保费之间的数值约束关系，第三机器学习模型可以描述所述业务系统中的保单手续费与所述监管报送系统中的保单手续费)。

例如，可以从所述保险数据系统中的3000张保单中，抽取所有业务系统中历史保单手续费(即所述业务系统中保单手续费的历史值)作为上述三个数值所述第一机器学习模型、第二机器学习模型以及所述第三机器学习模型的输入张量，并从所述保险数据系统中的3000张保单中抽取所述财务系统中的历史保单手续费作为所述第一机器学习模型的输出张量，从所述保险数据系统中的3000张保单中抽取所述财务系统中的历史保单净保费作为所述第二机器学习模型的输出张量，从所述保险数据系统中的3000张保单中抽取所述监管报送系统的历史保单手续费作为所述第三机器学习模型的输出张量，并设定各个机器学习模型的算是函数收敛的标准(可例如为0.0001)，然后开始训练上述三个机器学习模型以备用。

上述步骤涉及了保险数据系统中的业务系统中的保单手续费、财务系统中的保单手续费、财务系统中的保单净保费以及监管报送系统总的保单手续费等数据，但是可以理解的是所述保险数据系统包括但不限于上述四种数据。

步骤S72，在所述保险数据系统中确定数值发生了变化的数据为第一数据，并获取所述第一数据的当前数值。

在一些实施例中，可以通过canal等数据变化感知工具实时监控所述保险数据系统中的数据，并采集所述保险数据系统中数值发生了改变的数据以作为所述第一数据，并获取所述第一数据的当前数值、数据记录标识(例如保单号)、数据修改类型(例如业务系统保单手续费)。

步骤S73，根据所述数据关系知识图谱在所述保险数据系统中确定与所述第一数据存在数值约束关系的第二数据及其当前数值。

在一些实施例中，根据所述数据关系知识图谱在所述保险数据看中确定确定与所述第一数据存在数值约束关系(即所述业务系统中的保单手续费可能会影响的数据)的第二数据及其当前数值。例如，通过所述数据关系知识图谱查询到所述业务系统中的保单手续费可能会影响到财务系统中的保单手续费、财务系统中的保单净保费以及监管报送系统中的保单手续费。

步骤S74，确定目标机器学习模型以描述所述第一数据与所述第二数据之间的数值约束关系。

在一些实施例中，可以从训练好的机器学习模型中确定处可以描述所述第一数据和所述第二数据之间的数值约束关系的目标机器学习模型。

步骤S75，通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

在一些实施例中，可以将所述第一数据的当前数值输入值目标机器学习模型中，以获得所述第二数据的目标值。例如，可以将所述业务系统中的保单手续费的当前值输入所述第一机器学习模型(所述第一机器学习模型可以用来描述所述业务系统中的保单手续费和所述财务系统中的保单手续费之间的数值约束关系)，以确定所述财务系统中的保单手续费的目标值。

步骤S76，将所述第二数据的目标值与所述保险系统中所述第二数据的当前数值作比较，以便修正所述第二数据。

在一些实施例中，将所述第二数据的目标值与所述保险系统中所述第二数据的当前数值作比较，以便修正所述第二数据。例如可以通过所所述业务系统中的保单手续费的数据记录表示查询所述业务系统中的保单手续费的当前值，并将所述业务系统的保费的当前值与通过第一机器学习模型确定的所述业务系统的保费的目标值做比较。

在一些实施例中，可以根据所述业务系统中的保单手续费的目标值修正所述业务系统中的保单手续的当前值。

本实施例，通过所述第一数据确定了与所述第一数据具有数值约束关系的第二数据，并通过目标机器学习模型，快速且准确的确定了所述第二数据的目标值。该方法一方面可以准确、完整的确定与所述第一数据存在数值约束关系的所述第二数据，另一方面根据目标机器学习模型确定了与所述第一数据存在数值约束关系的第二数据的目标值，以便根据所述第二数据的目标值修正所述第二数据的当前值。本方法，相比于人为确定与所述第一数据存在数值约束关系的第二数据的目标值，更加便捷、准确，节约了大量的人力和物力。

图8是根据一示例性实施例示出的一种数据处理装置的框图。参照图8，本公开实施例提供的数据处理装置800可以包括第一获取模块801、第二获取模块802和目标值确定模块803。

其中所述第一获取模块801可以配置为获取第一数据的当前数值。所述第二获取模块802可以配置为确定第二数据以及目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系。目标值确定模块803可以配置为通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

在一些实施例中，所述第二获取模块802可以包括：知识图谱构建子模块和第二数据确定子模块。

其中所述知识图谱构建子模块可以配置为构建数据关系知识图谱。所述第二数据确定子模块可以配置为根据所述数据关系知识图谱，确定与所述第一数据存在数值约束关系的第二数据。

在一些实施例中，所述知识图谱构建子模块可以包括：数值约束关系确定单元和知识图谱形成单元。

其中，所述数值约束关系确定单元可以配置为确定设定数据之间的数值约束关系，所述设定数据包括所述第一数据和所述第二数据。所述知识图谱形成单元可以配置为根据所述数值约束关系形成所述数据关系知识图谱。

在一些实施例中，所述数据处理装置800还可以包括：确定机器学习模型集合模块和确定目标机器学习模型模块。

其中，所述确定机器学习模型集合模块可以配置为根据各个数值约束关系确定机器学习模型集合。所述确定目标机器学习模型模块可以配置为根据所述第一数据和所述第二数据之间的数值约束关系，在所述机器学习模型集合中确定所述目标机器学习模型。

在一些实施例中，所述数据处理装置800还可以包括：历史数据获取模块和提取当前数值模块。

其中，所述历史数据获取模块可以配置为获取所述第一数据的历史数值。所述提取当前数值模块可以配置为若所述历史数值与所述当前数值不同，则提取所述当前数值。

在一些实施例中，所述数据处理装置800还可以包括：样本值确定模块和目标机器学习模型训练模块。

其中，所述样本值确定模块可以配置为获取所述第一数据的样本值，以及所述第二数据的样本值。所述目标机器学习模型训练模块可以配置为根据所述第一数据的样本值以及所述第二数据的样本值训练所述目标机器学习模型。

在一些实施例中，所述第一数据可以处于第一系统，所述第二数据可以处于第二系统。

由于本公开的示例实施例的数据处理装置800的各个功能模块与上述数据处理方法的示例实施例的步骤对应，因此在此不再赘述。

图9是根据一示例性实施例示出的另一种数据处理装置的示意图。

如图9所示，所述数据处理装置可以包括：各业务子系统901、数值变化感知模块902、目标值获取模块903、数值对比模块904、数值差异展示模块905。其中所述目标值获取模块903可以包括：数据关系知识图谱模块生成子模块9031和机器学习模型生成子模块9032。

其中，所述各业务子系统901中可用于存储各业务子系统中的各设定数据；所述数值变化感知模块902可用于获取数值发生变化的第一数据；所述目标值获取模块903可用于根据所述第一数据确定与第一数据存在数值约束关系的第二数据，并确定所述第二数据的目标值；所述数值对比模块904可用于将所述第二数据的目标值与所述各业务子系统中的第二数据的当前数值作对比，当第二数据的目标值和当前数值存在差异时，就可以将所述第二数据及其目标值、当前数值传输给所述数值差异展示模块905；所述数值差值展示模块905可用于展示第二数据的数值差异明细(包括：当前数值和目标值等)，以方便技术人员做相应处理。

另外，所述目标获取模块903还包括：数据关系知识图谱子模块9031和机器学习模型生成子模块9032。

其中，数据关系知识图谱生成子模块9031可用于生成和存储所述数据关系知识图谱，以方便所述目标值获取模块903获取与所述第一数据存在数值约束关系的第二数据；所述机器学习模型生成子模块9032可用于根据各设定数据之间的数值约束关系生成机器学习模型集合，以方便所述目标获取模块903根据所述第一数据和所述第二数据之间的数值约束关系确定目标机器学习模型，所述目标机器学习模型可用于根据所述第一数据的当前数值确定所属第二数据的目标值。

在一些实施例中，所述数据处理方法不仅可以应用于数值修改的事后完整、正确和一致性检验，也可以应用于事前的提前计算和校验。

上述实施例，一方面可以根据数据关系知识图谱，准确、完整的在设定数据中确定与所述第一数据存在数值约束关系的第二数据，另一方面可以通过目标机器学习模型，快速且准确的获取第二数据的目标值，节约了人力和物力。

下面参考图10，其示出了适于用来实现本申请实施例的终端设备的计算机系统1000的结构示意图。图10示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；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1007；包括硬盘等的存储部分1008；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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，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1010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1008。

特别地，根据本公开的实施例，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存储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1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读存储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。在本申请中，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。而在本申请中，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存储介质，该计算机可读存储介质可以发送、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。计算机可读存储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。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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模块、程序段、或代码的一部分，上述模块、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。

描述于本申请实施例中所涉及到的模块、子模块、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。所描述的模块、子模块、单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些模块、子模块、单元的名称在某种情况下并不构成对该模块、子模块、单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储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。上述计算机可读存储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，使得该设备可实现功能包括：获取第一数据的当前数值；确定第二数据以及目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系；通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

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，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，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法，例如图2的一个或多个所示的步骤。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施例。本公开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申请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。

应当理解的是，本公开并不限于这里已经示出的详细结构、附图方式或实现方法，相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种数据处理方法，其特征在于，包括：

获取保险数据系统中第一数据的当前数值；

在所述保险数据系统中确定与所述第一数据存在数值约束关系的第二数据；

确定目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系；

通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

2.根据权利要求1所述方法，其特征在于，在所述保险数据系统中确定与所述第一数据存在数值约束关系的第二数据，包括：

构建数据关系知识图谱；

根据所述数据关系知识图谱，确定与所述第一数据存在数值约束关系的第二数据。

3.根据权利要求2所述方法，其特征在于，构建数据关系知识图谱，包括：

确定所述保险数据系统中设定数据之间的数值约束关系，所述设定数据包括所述第一数据和所述第二数据；

根据所述数值约束关系形成所述数据关系知识图谱。

4.根据权利要求3所述方法，其特征在于，确定目标机器学习模型，包括：

获取机器学习模型集合；

根据所述第一数据和所述第二数据之间的数值约束关系，在所述机器学习模型集合中确定所述目标机器学习模型。

5.根据权利要求1所述方法，其特征在于，获取第一数据的当前数值，包括：

获取所述第一数据的历史数值；

若所述历史数值与所述当前数值不同，则提取所述当前数值。

6.根据权利要求1所述方法，其特征在于，还包括：

获取所述第一数据的样本值，以及所述第二数据的样本值；

根据所述第一数据的样本值以及所述第二数据的样本值训练所述目标机器学习模型。

7.根据权利要求1所述方法，其特征在于，所述第一数据处于第一系统，所述第二数据处于第二系统。

8.一种数据处理装置，其特征在于，包括：

第一获取模块，配置为获取第一数据的当前数值；

第二获取模块，配置为确定第二数据以及目标机器学习模型，所述目标机器学习模型用于描述所述第一数据和所述第二数据之间的数值约束关系；

目标值确定模块，配置为通过所述目标机器学习模型对所述第一数据的当前数值进行处理，以确定所述第二数据的目标值。

9.一种电子设备，其特征在于，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如权利要求1-7中任一项所述的方法。

10.一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，所述程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

Images