数据处理方法、装置及电子设备与流程

1.本公开涉及直播技术领域，尤其涉及一种数据处理方法、装置及电子设备。


背景技术：

2.随着视频直播技术的发展，尤其是直播电商领域，主播基于服务平台的公域流量/私域流量提供服务，而其中一些服务主体(商家)希望能依托网红流量，通过连麦等形式提供服务，这些情况容易导致服务平台产生不合规范的服务。由此，有必要对服务主体的服务效果进行评估。
3.相关技术中，在对服务主体相关的数据进行处理，以对服务主体的服务效果进行评估时，通常是依据消费者主观评分(detail seller rating，dsr)。
4.这种方式下，参考要素较为主观，且数据处理的维度较少，从而影响对服务主体相关的数据的数据处理效果，导致数据处理结果不够客观准确，可参考性较弱。


技术实现要素：

5.本公开提供一种数据处理方法、装置、电子设备、存储介质及计算机程序产品，以至少解决相关技术中参考要素较为主观，且数据处理的维度较少，从而影响对服务主体相关的数据的数据处理效果，导致数据处理结果不够客观准确，可参考性较弱的技术问题。
6.根据本公开实施例的第一方面，提供一种数据处理方法，所述方法包括：获取服务主体的待处理数据；确定与所述服务主体对应的多种维度的主体参考特征；采用所述多种维度的主体参考特征处理所述待处理数据，得到与各个所述主体参考特征的维度对应的第一处理结果；根据服务参考特征处理所述第一处理结果，得到与所述服务主体对应的第二处理结果。
7.在本公开的一些实施例中，所述根据服务参考特征处理所述第一处理结果，得到与所述服务主体对应的第二处理结果，包括：
8.对于每种维度的主体参考特征，确定与所述主体参考特征对应的参考描述信息；
9.根据所述参考描述信息处理所述第一处理结果，得到与所述服务主体对应的第二处理结果。
10.在本公开的一些实施例中，所述确定与所述服务主体对应的多种维度的主体参考特征，包括：
11.确定多个候选维度的主体参考特征；
12.根据所述服务参考特征，从所述多个候选维度的主体参考特征中选取出至少部分候选维度的主体参考特征作为对应维度的主体参考特征。
13.在本公开的一些实施例中，所述根据所述服务参考特征，从所述多个候选维度的主体参考特征中选取出至少部分候选维度的主体参考特征作为对应维度的主体参考特征，包括：
14.对所述服务参考特征和所述候选维度的主体参考特征进行相关性分析，得到相关
性结果；
15.从所述多个候选维度的主体参考特征中，选取所述相关性结果满足参考条件的候选维度的主体参考特征作为所述对应维度的主体参考特征。
16.在本公开的一些实施例中，所述从所述多个候选维度的主体参考特征中，选取所述相关性结果满足参考条件的候选维度的主体参考特征作为所述对应维度的主体参考特征，包括：
17.从所述多个候选维度的主体参考特征中，选取正相关性满足第一参考条件的候选维度的主体参考特征作为所述对应维度的主体参考特征，并选取负相关性满足第二参考条件的候选维度的主体参考特征作为所述对应维度的主体参考特征。
18.在本公开的一些实施例中，所述对于每种维度的主体参考特征，确定与所述主体参考特征对应的参考描述信息，包括：
19.构建正样本集合和负样本集合，所述正样本集合包括：正相关性满足第一参考条件的候选维度的主体参考特征，所述负样本集合包括：负相关性满足第二参考条件的候选维度的主体参考特征；
20.将所述正样本集合、所述负样本集合，以及所述服务参考特征输入预训练的网络模型，得到所述网络模型输出的与所述主体参考特征对应的参考描述信息，其中，所述网络模型用于获取参考描述信息。
21.在本公开的一些实施例中，所述根据所述多种参考描述信息处理所述第一处理结果，得到与所述服务主体对应的第二处理结果，包括：
22.对所述主体参考特征的维度进行分类，确定至少一种处理维度；
23.确定与所述处理维度对应的维度的主体参考特征；
24.根据与所述处理维度对应的维度的主体参考特征的参考描述信息，确定与所述处理维度对应的维度描述信息；
25.基于所述处理维度对所述第一处理结果进行优化处理，得到维度处理结果；
26.根据所述维度处理结果和所述维度描述信息，确定与所述服务主体对应的第二处理结果。
27.在本公开的一些实施例中，所述根据与所述处理维度对应的维度的主体参考特征的参考描述信息，确定与所述处理维度对应的维度描述信息，包括：
28.对与所述处理维度对应的维度的主体参考特征的参考描述信息作加权平均处理，并将加权平均处理的结果值作为所述维度描述信息。
29.在本公开的一些实施例中，所述基于所述处理维度对所述第一处理结果进行优化处理，得到维度处理结果，包括：
30.确定所述服务主体的订单数量和所述服务主体所属行业对应的订单数量均值；
31.确定与所述处理维度对应的拟合函数；
32.根据所述订单数量和所述订单数量均值的比对结果调整所述拟合函数，得到目标拟合函数；
33.采用所述目标拟合函数对所述第一处理结果进行优化处理，得到所述维度处理结果。
34.在本公开的一些实施例中，所述基于所述处理维度对所述第一处理结果进行优化
处理，得到维度处理结果，包括：
35.采用与所述处理维度对应的拟合函数对所述第一处理结果进行优化处理，得到所述维度处理结果。
36.根据本公开实施例的第二方面，提供一种数据处理装置，包括：获取模块，被配置为执行获取服务主体的待处理数据；第一确定模块，被配置为执行确定与所述服务主体对应的多种维度的主体参考特征；第一处理模块，被配置为执行采用所述多种维度的主体参考特征处理所述待处理数据，得到与各个所述主体参考特征的维度对应的第一处理结果；第二确定模块，被配置为执行确定所述业务数据基于各所述候选维度的主体参考特征对应的第一处理结果；第二处理模块，被配置为执行根据服务参考特征处理所述第一处理结果，得到与所述服务主体对应的第二处理结果。
37.在本公开的一些实施例中，所述第二处理模块，被配置为执行：
38.确定子模块，被配置为执行对于每种维度的主体参考特征，确定与所述主体参考特征对应的参考描述信息；
39.处理子模块，被配置为执行根据所述参考描述信息处理所述第一处理结果，得到与所述服务主体对应的第二处理结果。
40.在本公开的一些实施例中，所述第一确定模块，被配置为执行：
41.确定多个候选维度的主体参考特征；
42.根据所述服务参考特征，从所述多个候选维度的主体参考特征中选取出至少部分候选维度的主体参考特征作为所述对应维度的主体参考特征。
43.在本公开的一些实施例中，所述第一确定模块，被配置为执行：
44.对所述服务参考特征和所述候选维度的主体参考特征进行相关性分析，得到相关性结果；
45.从所述多个候选维度的主体参考特征中，选取所述相关性结果满足参考条件的候选维度的主体参考特征作为所述对应维度的主体参考特征。
46.在本公开的一些实施例中，所述第一确定模块，被配置为执行：
47.从所述多个候选维度的主体参考特征中，选取正相关性满足第一参考条件的候选维度的主体参考特征作为所述对应维度的主体参考特征，并选取负相关性满足第二参考条件的候选维度的主体参考特征作为所述对应维度的主体参考特征。
48.在本公开的一些实施例中，所述确定子模块，被配置为执行：
49.构建正样本集合和负样本集合，所述正样本集合包括：正相关性满足第一参考条件的候选维度的主体参考特征，所述负样本集合包括：负相关性满足第二参考条件的候选维度的主体参考特征；
50.将所述正样本集合、所述负样本集合，以及所述服务参考特征输入预训练的网络模型，得到所述网络模型输出的与所述主体参考特征对应的参考描述信息，其中，所述网络模型用于获取参考描述信息。
51.在本公开的一些实施例中，所述第二处理模块，被配置为执行：
52.对所述主体参考特征的维度进行分类，确定至少一种处理维度；
53.确定与所述处理维度对应的维度的主体参考特征；
54.根据与所述处理维度对应的维度的主体参考特征的参考描述信息，确定与所述处
理维度对应的维度描述信息；
55.基于所述处理维度对所述第一处理结果进行优化处理，得到维度处理结果；
56.根据所述维度处理结果和所述维度描述信息，确定与所述服务主体对应的第二处理结果。
57.在本公开的一些实施例中，所述第二处理模块，被配置为执行：
58.对与所述处理维度对应的维度的主体参考特征的参考描述信息作加权平均处理，并将加权平均处理的结果值作为所述维度描述信息。
59.在本公开的一些实施例中，所述第二处理模块，被配置为执行：
60.确定所述服务主体的订单数量和所述服务主体所属行业对应的订单数量均值；
61.确定与所述处理维度对应的拟合函数；
62.根据所述订单数量和所述订单数量均值的比对结果调整所述拟合函数，得到目标拟合函数；
63.采用所述目标拟合函数对所述第一处理结果进行优化处理，得到所述维度处理结果。
64.在本公开的一些实施例中，所述第二处理模块，被配置为执行：
65.采用与所述处理维度对应的拟合函数对所述第一处理结果进行优化处理，得到所述维度处理结果。
66.根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如本公开实施例的第一方面提供的数据处理方法。
67.根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本公开实施例的第一方面提供的数据处理方法。
68.根据本公开实施例的第五方面，提供一种计算机程序产品，该计算机程序由电子设备的处理器执行时，使得电子设备能够执行如本公开实施例的第一方面提供的数据处理方法。
69.本公开的实施例提供的技术方案至少带来以下有益效果：
70.通过获取服务主体的待处理数据，确定与服务主体对应的多种维度的主体参考特征，并采用多种维度的主体参考特征处理待处理数据，得到与各个主体参考特征的维度对应的第一处理结果，以及根据服务参考特征处理第一处理结果，得到与服务主体对应的第二处理结果，由于是参考服务主体的多种维度的主体参考特征，以及与服务主体相关的服务参考特征来处理服务主体的待处理数据，能够有效提升对服务主体整体的数据处理效果，使得数据处理结果更为准确，有效地提升数据处理结果的可参考性。
71.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
72.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，并不构成对本公开的不当限定。
73.图1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。
74.图2是根据另一示例性实施例示出的一种数据处理方法的流程图。
75.图3是根据另一示例性实施例示出的一种数据处理方法的流程图。
76.图4是根据一示例性实施例示出的一种数据处理装置的框图。
77.图5是根据另一示例性实施例示出的一种数据处理装置的框图。
78.图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
79.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
80.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
81.图1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。
82.本实施例以数据处理方法被配置为数据处理装置中来举例说明。
83.本实施例中数据处理方法可以被配置在数据处理装置中，数据处理装置可以设置在服务器中，或者也可以设置在电子设备中，本公开实施例对此不作限制。
84.本实施例以数据处理方法被配置在电子设备中为例。电子设备可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、成像装置的硬件设备。
85.需要说明的是，本公开实施例的执行主体，在硬件上可以例如为服务器或者电子设备中的中央处理器(central processing unit，cpu)，在软件上可以例如为服务器或者电子设备中的相关的后台服务，对此不作限制。
86.本公开的执行主体，可以具体例如运行于电子设备上的直播电商类的服务平台，该服务平台具有进驻多个服务主体，并辅助各服务主体提供直播服务、下订单服务、商品售卖服务等直播电商领域的服务，该服务平台可以具体是以客户端的形式呈现，比如直播类应用程序的客户端，客户端(client)或称为用户端，是指与服务器相对应，为用户提供本地服务的程序，对此不作限制。
87.本实施例的执行主体，可以具体例如服务平台管理侧的客户端，该客户端用于管理应用程序，例如是直播类应用程序，则本公开实施例中的应用场景可以描述为：服务平台可以预先接入多个服务主体(比如商家店铺)，各个服务主体可以依托服务平台对外提供相应的直播服务、下订单服务、商品售卖服务等直播电商领域的服务，则服务平台管理侧的客户端可以对进驻接入多个服务主体相关的待处理数据进行数据处理，具体参见下述实施例。
88.如图1所示，该数据处理方法包括以下步骤。
89.在步骤s101中，获取服务主体的待处理数据。
90.其中，待处理数据可以具体例如为服务主体相关的业务数据，待处理数据比如为服务主体所提供的服务相关的一些业务表现数据，具体如物流服务、商品质量、商家服务、
订单数量、用户评价分数、售后服务、商品单价等相关的数据，对此不做限制。
91.可以理解的是，通常直播类应用程序均会接入大数据平台，即对服务主体进行业务服务所涉及的全部的业务数据实时地记录、存储，以使得后续追溯可以有依据，则本公开实施例中，如果当前对一个服务主体进行数据处理时，可以根据该服务主体的标识，从大数据平台拉取一段时间范围内的业务数据作为待处理数据，对此不作限制。
92.在步骤s102中，确定与服务主体对应的多种维度的主体参考特征。
93.可以理解的是，由于不同的服务主体提供的服务类型是不相同的，也即是说，待处理数据的内容、类型等特征，可能会根据服务主体所提供的服务类型的不同而不同，因此，处理不同服务主体的待处理数据时，使用的主体参考特征的维度可以是相同或者不相同的，具体可以根据服务主体所提供的服务的类型确定，比如，金融类服务的服务主体的主体参考特征可能表现在实时性，而商品类服务可能更强调于商品质量和售后体验，由此，本公开实施例中可以确定与服务主体对应的多种维度的主体参考特征。
94.比如，可以根据服务主体所提供的服务的类型，确定与服务主体对应的多种维度的主体参考特征，或者，也可以根据服务主体的用户反馈数据(例如服务评价)确定n项维度的与服务主体对应的主体参考特征f1，f2，...，fn，n是大于1的正整数，对此不做限制。
95.其中，可以预先在服务平台设置与各个服务类型对应候选维度的主体参考特征，并将各个候选维度的主体参考特征与其对应的服务类型进行关联，从而可以根据服务主体所提供的服务的类型，确定对应候选维度的主体参考特征，以作为与服务主体对应的多种维度的主体参考特征。
96.本公开实施例中，还可以提供另外一种确定与服务主体对应维度的主体参考特征的方法，比如可以是确定多个候选维度的主体参考特征，根据服务参考特征，从多个候选维度的主体参考特征之中选取出至少部分候选维度的主体参考特征作为对应维度的主体参考特征。
97.上述根据服务主体所提供的服务的类型，确定的对应维度的主体参考特征，可以被称为候选维度的主体参考特征，从而在确定服务平台的服务参考特征后，还可以结合服务平台的服务参考特征，从多个候选维度的主体参考特征之中选取出至少部分候选维度的主体参考特征作为对应维度的主体参考特征。
98.举例而言，候选维度的主体参考特征可以是维度1的主体参考特征1，维度2的主体参考特征2，维度3的主体参考特征3，维度4的主体参考特征4，而服务平台的服务参考特征a，从而可以参考服务参考特征a选取出维度2的主体参考特征2，维度3的主体参考特征3作为上述的对应维度的主体参考特征，而选取规则可以结合实际数据处理场景自适应配置，例如可以根据服务参考特征a和各维度的主体参考特征的相关性来进行选取，对此不做限制。
99.由此，能够有效地减少数据量，当供给侧的数据维度较多时，能够实现自动化地对候选维度的主体参考特征进行择优选取，选取出相关度较高的候选维度的主体参考特征，在有效保障数据处理准确性的同时，提升数据处理效率，从而优化服务平台整体的评估机制。
100.而在根据服务参考特征，从多个候选维度的主体参考特征之中选取出至少部分候选维度的主体参考特征作为对应维度的主体参考特征时，可以具体是对服务参考特征和候
选维度的主体参考特征进行相关性分析，得到相关性结果，并从多个候选维度的主体参考特征之中，选取相关性结果满足参考条件的候选维度的主体参考特征作为对应维度的主体参考特征，实现简便，保障服务平台的整体评估效率。
101.其中的参考条件可以是预先设置的，也可以根据实际的评估需求自适应调整，对此不做限制。
102.参考条件比如，相关性阈值，则当一个候选维度的主体参考特征与服务参考特征的相关性结果大于该相关性阈值时，表明该候选维度的主体参考特征的相关性结果满足参考条件，反之，则表明该候选维度的主体参考特征的相关性结果不满足参考条件。
103.举例而言，可以对候选维度的主体参考特征与服务参考特征进行皮尔逊相关性分析，分别计算f1，f2，f3，
…
，fn(n为小于或者等于n的正整数)与服务参考特征label的相关性，比如，可以将服务主体的待处理数据对应于各个候选维度的主体参考特征的值和服务参考特征label输入皮尔逊相关性分析函数，即，每个候选维度的主体参考特征的值和服务参考特征label作为一对输入数据，将该对输入数据输入至皮尔逊相关性分析函数，根据皮尔逊相关性分析函数的输出确定皮尔逊相关系数，如果皮尔逊相关系数越接近1，表明服务参考特征与该候选维度的主体参考特征越正相关，越接近-1，则表明服务参考特征与该候选维度的主体参考特征越负相关，由此，可以筛选出皮尔逊相关系数符合预期的指标(f1，f2，
…
，fz)，其中，z为小于或者等于n的正整数，n为小于或者等于n的正整数，其中，z用于表示皮尔逊相关系数符合预期的指标的数量。
104.而在另外一些实施例中，在执行从多个候选维度的主体参考特征之中，选取相关性结果满足参考条件的候选维度的主体参考特征作为对应维度的主体参考特征，可以是从多个候选维度的主体参考特征之中，选取正相关性满足第一参考条件的候选维度的主体参考特征作为对应维度的主体参考特征，并选取负相关性满足第二参考条件的候选维度的主体参考特征作为对应维度的主体参考特征，由此，扩大候选维度的主体参考特征之间的差异性，提升数据处理结果的客观性。
105.其中的第一参考条件和第二参考条件可以是预先配置的，也可以根据实际的评估需求自适应调整，对此不做限制。
106.举例而言，上述在将服务主体的待处理数据对应于各个候选维度的主体参考特征的值和服务参考特征label，即，每个候选维度的主体参考特征的值和服务参考特征label作为一对输入数据，将该对输入数据输入至皮尔逊相关性分析函数，根据皮尔逊相关性分析函数的输出确定皮尔逊相关系数后，还可以根据皮尔逊相关系数确定出符合正相关性的候选维度的主体参考特征，和符合负相关性的候选维度的主体参考特征，而后选取正相关性满足第一参考条件(比如对各个正相关性进行排序，正相关性排序前20％)的候选维度的主体参考特征作为对应维度的主体参考特征，以及选取负相关性满足第二参考条件(比如对各个负相关性进行排序，负相关性排序前20％)的候选维度的主体参考特征作为对应维度的主体参考特征，对此不做限制。
107.在步骤s103中，采用多种维度的主体参考特征处理待处理数据，得到与各个主体参考特征的维度对应的第一处理结果。
108.上述在获取服务主体的待处理数据，确定与服务主体对应的多种维度的主体参考特征后，可以确定待处理数据基于各个维度的主体参考特征对应的第一处理结果。
109.也即是说，采用多种维度的主体参考特征处理待处理数据，得到与各个主体参考特征的维度对应的第一处理结果。
110.比如，可以针对每个维度的主体参考特征设置对应的拟合函数，该拟合函数拟合了不同的自变量和因变量之间的对应关系，该自变量即可以表示待处理数据，该因变量即可以表示第一处理结果，从而将待处理数据作为拟合函数的自变量，计算该拟合函数对应的因变量从而得到与各个维度的主体参考特征对应的第一处理结果，对此不做限制。
111.在步骤s104中，根据服务参考特征处理第一处理结果，得到与服务主体对应的第二处理结果。
112.上述确定待处理数据基于各个维度的主体参考特征对应的第一处理结果之后，可以根据服务参考特征处理第一处理结果，得到与服务主体对应的第二处理结果。
113.其中，服务参考特征，可以例如是与服务主体所属的服务平台相关联的，该服务参考特征，可以被用于处理待处理数据时，作为服务平台维度的参考，服务参考特征例如为，服务平台的平台成交率，或者，也可以为与服务平台相关联的其它服务参考特征(例如，平台交易量)，对此不做限制。
114.假设服务参考特征是平台成交率，则可以采用以下方式确定服务平台的平台成交率：
115.可以理解的是，基于服务平台的诉求，通常服务平台希望提升ltv(longtimegmv即：长周期网站的成交数额，主要包括已完成和正在进行，而ltv和平台成交率、商家成交率、商品单价等因素有关系，由于商品单价与平台特性和消费者习惯有关，对于服务平台而言具有不可控因素，而数据处理结果，通常与商家成交率和平台成交率的关联更明显，因此，本公开实施例中，为了兼顾服务主体(商家)和服务平台的利益，可以将平台成交率作为服务效果评价参考。
116.需要说明的是，上述的服务平台的平台成交率可以是服务平台在一段时间范围内的平台成交率，也可以是服务平台在较长时间范围之内的平台成交率的均值，该平台成交率能够用于描述该服务平台在一段时间范围用户成交的概率，对此不做限制。
117.本实施例中，通过获取服务主体的待处理数据，确定与服务主体对应的多种维度的主体参考特征，并采用多种维度的主体参考特征处理待处理数据，得到与各个主体参考特征的维度对应的第一处理结果，以及根据服务参考特征处理第一处理结果，得到与服务主体对应的第二处理结果，由于是参考服务主体的多种维度的主体参考特征，以及与服务主体相关的服务参考特征来处理服务主体的待处理数据，能够有效提升对服务主体整体的数据处理效果，使得数据处理结果更为准确，有效地提升数据处理结果的可参考性。
118.图2是根据另一示例性实施例示出的一种数据处理方法的流程图。
119.如图2所示，该数据处理方法至少包括以下步骤.
120.在步骤s201中，获取服务主体的待处理数据。
121.在步骤s202中，确定与服务主体对应的多种维度的主体参考特征。
122.在步骤s203中，采用多种维度的主体参考特征处理待处理数据，得到与各个主体参考特征的维度对应的第一处理结果。
123.针对步骤s201-步骤s203的举例说明可以具体参见上述实施例，在此不再赘述。
124.在步骤s204中，对于每种维度的主体参考特征，确定与主体参考特征对应的参考
描述信息。
125.上述在确定与服务主体对应的多种维度的主体参考特征后，可以确定与主体参考特征对应的参考描述信息，例如，可以参考上述的服务参考特征，确定与主体参考特征对应的参考描述信息，其中，参考描述信息，可以是用于描述相应主体参考特征的重要性，该重要性可以是参考权重。
126.也即是说，本公开实施例中不仅仅确定了服务主体的个性化的多种维度的主体参考特征，并且还依据服务平台的服务参考特征，确定与各个维度的主体参考特征对应的参考描述信息，实现不仅仅参考该服务主体个性化的主体参考特征进行数据处理，还参考了其所依托的服务平台的服务参考特征来进行数据处理，从而提升服务平台对服务主体的整体的数据处理效果。
127.当服务平台的服务参考特征的表现效果不相同时，可能会一定程度上影响主体参考特征的参考描述信息，由此，本公开实施例中，执行根据服务参考特征，确定主体参考特征的参考描述信息的步骤。
128.一些实施例中，确定候选维度的主体参考特征的参考描述信息时，可以是构建正样本集合和负样本集合，正样本集合包括：正相关性满足第一参考条件的候选维度的主体参考特征，负样本集合包括：负相关性满足第二参考条件的候选维度的主体参考特征，并将正样本集合、负样本集合，以及服务参考特征输入预训练的网络模型，得到网络模型输出的与主体参考特征对应的参考描述信息，其中，网络模型用于获取参考描述信息，由于网络模型是预先训练的，由此能够有效保障参考描述信息的获取准确性和获取效率。
129.其中，当采用各个维度的主体参考特征对服务主体进行数据处理时，各个维度的主体参考特征可能具有不同或者相同的权重值，则与各维度的主体参考特征对应的权重值，可以被称为参考描述信息。
130.本公开实施例中可以采用模型训练的方式确定各个维度的主体参考特征对应的参考描述信息。
131.举例而言，上述的网络模型可以是根据正相关性满足第一参考条件的候选维度的主体参考特征和负相关性满足第二参考条件的候选维度的主体参考特征训练得到的，网络模型可以为人工智能中的任一种神经网络模型，比如可以预先设置与各个候选维度的主体参考特征对应的参考设置权重值，而后训练一个人工智能中的神经网络模型，当该神经网络模型输出的预测权重值与参考设置权重值之间的差异符合要求时，确定神经网络模型训练完成，从而可以基于训练得到的神经网络模型去获取与各个维度的主体参考特征对应的参考描述信息。
132.例如，训练网络模型，并采用该网络模型(该网络模型用于获取参考描述信息)得到各个维度的主体参考特征的参考描述信息的说明可以示例如下：
133.1、对主体参考特征进行归一化处理。
134.对主体参考特征归一化，可以采用最大最小标准化方式(fz-min)/(max-min)，将所有主体参考特征去量纲化的，从而有效地避免了不同量纲的主体参考特征的选取对模型计算产生的影响，其中，min表示主体参考特征的最小值，max表示主体参考特征的最大值。
135.2、构建正样本集合和负样本集合，正样本集合包括：正相关性满足第一参考条件的候选维度的主体参考特征，负样本集合包括：负相关性满足第二参考条件的候选维度的
主体参考特征。
136.确定正负样本：对各个维度的主体参考特征按照与服务参考特征label计算得到的相关性结果进行排序，采用头部20％的数据构成正样本集合，并采用尾部20％的数据构成负样本集合，从而扩大样本之间的差异性。
137.3、将正样本集合、负样本集合，以及服务参考特征输入预训练的网络模型，得到网络模型输出的与主体参考特征对应的参考描述信息。
138.该预训练的网络模型可以为一个二分类逻辑回归模型：
[0139][0140]
其中：w为每个维度的主体参考特征的参考描述信息，b为偏置bias，h(x)为预测函数，利用sigmoid函数的特征，h(x)最终输出值在(0，1)之间，e为自然常数，为数学中一个常数，是一个无限不循环小数，且为超越数，其值约为2.718281828459045，t
x
表示维度w中的第x个主体参考特征对应的相关性。
[0141]
4、该预训练的网络模型还对应配置有一个代价函数j(θ)：
[0142][0143]
其中：m为主体参考特征的维度数量，y为真实值即服务参考特征label，h(x)为上述的公式(1)，其中，θ为用于辅助计算模型梯度的采样值，例如可以是从多个主体参考特征对应的值中采样得到的部分值，i用于索引各个采样值，i小于等于采样值的数量，j(θ)即为上述的代价函数j(θ)，用于计算模型的代价损失，n表示正整数，n表示采样值的数量，也即是说，h
θ
(x(i))可以是对上述h(x)采样得到的。
[0144]
5、然后通过梯度下降法，即对上面的代价函数进行求导得到梯度下降最快的点：
[0145][0146]
利用上述公式(3)得到使得该网络模型的梯度下降最快的采样值，确定此时的j(θ)，直到j(θ)的值为最小损失阈值(例如，从多个主体参考特征对应的值中采样得到的部分值后，可以将每个采样得到的主体参考特征对应的值，和与该主体参考特征对应的参考描述信息和相关性输入上述公式(1)中，并根据代入了变量的公式(1)构建得到公式(2)和(3)，计算得出使得该网络模型的梯度下降最快时对应的代价函数j(θ)输出的值，而后将代价函数j(θ)输出的值与预设置的最小损失阈值进行比对，如果等于最小损失阈值则可以结束迭代过程，若未达到最小损失阈值，则可以重新进行采样，并根据重新采样的部分值辅助进行迭代训练，直至j(θ)的值为最小损失阈值)，最终得到w1，w2，w3，...，即为各个维度的主体参考特征(f1，f2，f3...)的参考描述信息。
[0147]
在步骤s205中，根据参考描述信息处理第一处理结果，得到与服务主体对应的第二处理结果。
[0148]
举例而言，可以对参考描述信息和第一处理结果进行加权融合处理，并将融合得到的结果作为第二处理结果，或者，也可以采用其它任意可能的方式，根据参考描述信息处理第一处理结果，得到与服务主体对应的第二处理结果，对此不做限制。
[0149]
本实施例中，通过获取服务主体的待处理数据，确定与服务主体对应的多种维度的主体参考特征，并采用多种维度的主体参考特征处理待处理数据，得到与各个主体参考特征的维度对应的第一处理结果，以及根据服务参考特征处理第一处理结果，得到与服务主体对应的第二处理结果，由于是参考服务主体的多种维度的主体参考特征，以及与服务主体相关的服务参考特征来处理服务主体的待处理数据，能够有效提升对服务主体整体的数据处理效果，使得数据处理结果更为准确，有效地提升数据处理结果的可参考性。不仅仅确定了服务主体的个性化的多种维度的主体参考特征，并且还依据服务平台的服务参考特征，确定与各个维度的主体参考特征对应的参考描述信息，实现不仅仅参考该服务主体个性化的主体参考特征进行数据处理，还参考了其所依托的服务平台的服务参考特征来进行数据处理，从而提升服务平台对服务主体的整体的数据处理效果。
[0150]
图3是根据另一示例性实施例示出的一种数据处理方法的流程图。
[0151]
本实施例示出了根据第一处理结果和参考描述信息，得到服务主体的数据处理的具体实施步骤。如图3所示，该数据处理方法包括以下步骤。
[0152]
在步骤s301中，对主体参考特征的维度进行分类，确定至少一种处理维度。
[0153]
其中，当主体参考特征的维度的数量为多个时，可以将相似维度的主体参考特征归类到同一个处理维度下，从而基于处理维度的角度去进行数据处理，而处理维度可以用于描述评价维度，评价维度可以具体是结合数据处理的业务场景需求所确定的，从而基于处理维度的数据处理结果更为直观，提升数据处理结果的可参考性。
[0154]
举例而言，处理维度可以是用户评价维度、客服服务维度、纠纷体验维度、售后服务维度，当然，也可以根据数据处理的业务场景需求自适应设置和拓展，从而保障数据处理方法的灵活性和适用性。
[0155]
在步骤s302中，确定与处理维度对应的维度的主体参考特征。
[0156]
例如，假设主体参考特征的维度为物流服务、商品质量、商家服务、订单数量、用户评价分数、售后服务、商品单价、投诉反馈数量等，则物流服务、商家服务可以被划分至客服服务维度，而商品质量、用户评价分数可以被划分至用户评价维度，售后服务可以被划分至售后服务维度，投诉反馈数量可以被划分至纠纷体验维度，以此类推。
[0157]
也即是说，上述在主体参考特征的维度的数量为多个时，可以对多个候选维度的主体参考特征进行处理维度归拢处理，从而提升数据处理结果呈现的直观性。
[0158]
在步骤s303中，根据与处理维度对应的维度的主体参考特征的参考描述信息，确定与处理维度对应的维度描述信息。
[0159]
上述在将主体参考特征的多个维度分别映射至对应的处理维度之后，还可以根据每个处理维度下划分得到的主体参考特征的参考描述信息，确定该处理维度的权重值(该处理维度的权重值，可以被称为维度描述信息)，从而不仅从主体参考特征的层面拓宽了参考要素范围，并且还实现对多个维度的主体参考特征进行处理维度归拢处理，从而提升数据处理结果呈现的直观性，还将主体参考特征的参考描述信息同样地映射至处理维度的维度描述信息，从而提升了各个处理维度的数据处理的客观性。
[0160]
一些实施例中，对与处理维度对应的维度的主体参考特征的参考描述信息作加权平均处理，并将加权平均处理的结果值作为维度描述信息。
[0161]
举例而言，数据处理结果：综合分数
其中的ω即可以为用户评价维度内的主体参考特征的参考描述信息的加权平均值，而用户评价分，为用户评价维度对应的评分值；τ为纠纷体验维度内的主体参考特征的参考描述信息的加权平均值，商品质量分，为纠纷体验维度对应的评分值；γ为客服服务维度内的主体参考特征的参考描述信息的加权平均值，客服服务分，为客服服务维度对应的评分值；为售后服务维度内的主体参考特征的参考描述信息的加权平均值，售后服务分，为售后服务维度对应的评分值。
[0162]
在实际应用的过程中，可以由服务平台基于不同数据处理的业务场景需求自适应地调整ω，τ，γ，的值或特征含义，从而使得本公开实施例中的数据处理过程是服务平台可控的，实现基于数据处理的业务目标完成数据处理过程中上述ω，τ，γ，的值或特征含义的自适应调整。
[0163]
当然，也可采用其他任意可能的方式根据主体参考特征的参考描述信息，确定处理维度的维度描述信息，比如可以是建模的方式等，具体例如，建模得到参考描述信息和维度描述信息的匹配映射关系，根据该匹配映射关系实现确定处理维度的维度描述信息，对此不做限制。
[0164]
也即是说，本实施例首先是对主体参考特征的多种维度进行分类，得到与处理维度对应的主体参考特征，即处理维度1下对应维度a、b、c的主体参考特征，处理维度2下对应维度d、e、f的主体参考特征，处理维度3下对应维度g、h、i的主体参考特征，并且，处理维度1对应维度描述信息1，处理维度2对应维度描述信息2，处理维度3对应维度描述信息3。
[0165]
在步骤s304中，基于处理维度对第一处理结果进行优化处理，得到维度处理结果。
[0166]
上述在确定与处理维度对应的维度的主体参考特征，并根据与处理维度对应的维度的主体参考特征的参考描述信息，确定与处理维度对应的维度描述信息后，还可以基于处理维度对第一处理结果进行优化处理，得到维度处理结果，能够进一步提升数据处理结果的客观性，避免受到主观判断的影响，并且从整体上使得数据处理结果更为合理。
[0167]
其中，优化处理例如，基于处理维度对第一处理结果进行相应的调整，例如将该处理维度内的多个第一处理结果进行汇总、或者加权求平均、或者求方差等，直至对各个处理维度中的多个第一处理结果均调整(调整，可以例如汇总、或者加权求平均、或者求方差)完毕时，可以将基于各个处理维度调整得到的结果作为维度处理结果，对此不做限制。
[0168]
本公开实施例提供两种基于处理维度对第一处理结果进行优化处理，得到维度处理结果的方法，在实际应用的过程中，可以自适应地根据处理维度的类型选取使用，对此不做限制。
[0169]
一些实施例中，可以确定服务主体的订单数量和服务主体所属行业对应的订单数量均值，确定与处理维度对应的拟合函数，并根据订单数量和订单数量均值的比对结果调整拟合函数，得到目标拟合函数，以及采用目标拟合函数对第一处理结果进行优化处理，得到维度处理结果，例如将第一处理结果作为目标拟合函数的自变量，将目标拟合函数基于该自变量的输出作为维度处理结果，以实现对第一处理结果进行优化处理。
[0170]
举例而言，当处理维度为用户评价维度时，与用户评价维度对应的拟合函数可以例如为：
[0171]
score＝α*(dsr+a)，
[0172]
其中，此拟合函数表明：当订单数量小于指定值时，指定值如400，则可以不考虑行业平均订单规模的影响，也即是说，当确定订单数量小于订单数量均值时，可以直接将score＝α*(dsr+a)作为拟合函数，而当订单数量大于订单数量均值时，则可以调整上述的拟合函数，比如，调整后的拟合函数(可以被称为目标拟合函数)形式为：
[0173]
score＝α*(dsr+a)+β*b*δdsr，
[0174]
其中，dsr是卖家服务评级系数(detail seller rating，dsr)，即服务主体的dsr，δdsr即行业平均系数。
[0175]
上述目标拟合函数中各参数的含义可以如下表1所示：
[0176]
表1
[0177][0178][0179]
而另外一些实施例中，基于处理维度对第一处理结果进行优化处理，得到维度处理结果，还可以是采用与处理维度对应的拟合函数对第一处理结果进行优化处理，得到维度处理结果。
[0180]
举例而言，如果处理维度是客服服务维度，纠纷体验维度、售后服务维度，则可以直接采用与处理维度对应的拟合函数对第一处理结果进行优化处理，得到维度处理结果。
[0181]
具体例如，当处理维度是客服服务维度，该处理维度下的主体参考特征为：5分钟回复率(例如，可以获取用户和客服的对话交互数据，针对对话交互数据统计分析得到5分钟回复率，该5分钟回复率，可以是指最近3天在5分钟内的客服有效回复率，客服有效回复率的计算方式如下：客服有效回复的消费者总人数/咨询商家的消费者总人数
×
100％＝(咨询商家的消费者总人数-无效回复的消费者总人数)/咨询商家的消费者总人数
×
100％)，则假设服务平台的主体参考特征分布分位点如下表2所示：
[0182]
表2
[0183][0184][0185]
则相应的，可以确定与客服服务维度对应的拟合函数为：
[0186][0187]
其中的x
′
：为服务平台的主体参考特征(5分钟回复率*100)。
[0188]
又例如，当处理维度是纠纷体验维度，该处理维度下的主体参考特征为：自建有赞纠纷率(自建有赞纠纷率，可以是指服务平台加载的某小程序，该小程序是相关技术中的一个销售统计分析的小程序，而自建有赞纠纷率，可以是该服务平台加载的小程序统计分析得到的纠纷率，而纠纷率则可以是确定全部销售事件的类型，并从全部销售事件中确定出类型是纠纷类型的部分销售事件，而后，将纠纷类型的部分销售事件的数量与全部销售事件的总数量的比例值，确定为纠纷率)，则假设服务平台的主体参考特征分布分位点如下表3所示：
[0189]
表3
[0190]
理想值s+满分5分自建有赞纠纷率：0％极好s4.5-5分自建有赞纠纷率：0.008％-0％优秀a3.5-4.5分自建有赞纠纷率：0.045％-0.008％
良好b2.5-3.5分自建有赞纠纷率：0.22％-0.045％中庸c1.5-2.5分自建有赞纠纷率：1.3％-0.22％较差d0-1.5分自建有赞纠纷率：15％-1.3％
[0191]
则相应的，可以确定与纠纷体验维度对应的拟合函数为：
[0192][0193]
其中，x
″
为服务主体的主体参考特征(纠纷体验分*100)。
[0194]
再例如，当处理维度是售后服务维度，该处理维度下的主体参考特征为：商责退单率(例如，商家交易总数量为50，退单数量为1，则退单率为：2％)，则假设服务平台的主体参考特征分布分位点如下表4所示：
[0195]
表4
[0196]
理想值s+满分5分商责退单率：0.4％以内极好s4.5-5分商责退单率：0.55％-0.4％优秀a3.5-4.5分商责退单率：1％-0.55％良好b2.5-3.5分商责退单率：2.5％-1％中庸c1.5-2.5分商责退单率：5％-2.5％较差d0-1.5分商责退单率：10％-5％
[0197]
则相应的，可以确定与售后服务维度对应的拟合函数为：
[0198][0199]
其中，x
″′
为服务主体的主体参考特征(商责退单率*100)。
[0200]
在步骤s305中，根据维度处理结果和维度描述信息，确定与服务主体对应的第二处理结果。
[0201]
上述在根据维度处理结果和维度描述信息，确定服务主体的数据处理，可以是可以根据各个处理维度的维度描述信息，对维度处理结果进行加权平均，从而将加权平均值作为与服务主体对应的第二处理结果。
[0202]
上述在确定各个处理维度的维度处理结果之后，还可以对个维度处理结果进行可解释化调整，比如可以依据各个处理维度的维度描述信息，将维度处理结果转换为对应的分数区间，从而使得服务主体可以得到更加直观的数据处理结果。
[0203]
如下表5所示：
[0204]
表5
[0205]
序号维度分数区间1用户评价0-302客服服务0-253纠纷体验0-204售后服务0-25
[0206]
本实施例中，通过在将多个维度的主体参考特征分别映射至对应的处理维度之后，还可以根据每个处理维度下划分得到的主体参考特征的参考描述信息，确定该处理维度的维度描述信息，从而使得基于处理维度的维度处理结果也能够参考服务参考特征，不仅仅从主体参考特征的层面拓宽了参考要素范围，并且还实现对多个维度的主体参考特征进行指标维度归拢处理，从而提升数据处理结果呈现的直观性，还将主体参考特征的参考描述信息同样地映射至处理维度的维度描述信息，从而提升了各个处理维度的数据处理的客观性，使得本公开实施例中的数据处理过程是服务平台可控的，实现基于数据处理的业务目标，完成数据处理机制的自训练与调权。还可以基于处理维度对第一处理结果进行优化处理，得到维度处理结果，能够进一步提升数据处理结果的客观性，使其避免受到主观判断的影响，从整体上使得数据处理结果更为合理。
[0207]
图4是根据一示例性实施例示出的一种数据处理装置的框图。
[0208]
如图4所示，该数据处理装置40包括：
[0209]
获取模块401，被配置为执行获取服务主体的待处理数据；
[0210]
第一确定模块402，被配置为执行确定与服务主体对应的多种维度的主体参考特征；
[0211]
第一处理模块403，被配置为执行采用多种维度的主体参考特征处理待处理数据，得到与各个主体参考特征的维度对应的第一处理结果；
[0212]
第二确定模块404，被配置为执行确定业务数据基于各候选维度的主体参考特征对应的第一处理结果；
[0213]
第二处理模块405，被配置为执行根据服务参考特征处理第一处理结果，得到与服务主体对应的第二处理结果。
[0214]
在本公开的一些实施例中，如图5所示，图5是根据另一示例性实施例示出的一种数据处理装置的框图，第二处理模块405，包括：
[0215]
确定子模块4051，被配置为执行对于每种维度的主体参考特征，确定与主体参考特征对应的参考描述信息；
[0216]
处理子模块4052，被配置为执行根据参考描述信息处理第一处理结果，得到与服务主体对应的第二处理结果。
[0217]
在本公开的一些实施例中，第一确定模块402，被配置为执行：
[0218]
确定多个候选维度的主体参考特征；
[0219]
根据服务参考特征，从多个候选维度的主体参考特征中选取出至少部分候选维度的主体参考特征作为对应维度的主体参考特征。
[0220]
在本公开的一些实施例中，第一确定模块402，被配置为执行：
[0221]
对服务参考特征和候选维度的主体参考特征进行相关性分析，得到相关性结果；
[0222]
从多个候选维度的主体参考特征中，选取相关性结果满足参考条件的候选维度的主体参考特征作为对应维度的主体参考特征。
[0223]
在本公开的一些实施例中，第一确定模块402，被配置为执行：
[0224]
从多个候选维度的主体参考特征中，选取正相关性满足第一参考条件的候选维度的主体参考特征作为对应维度的主体参考特征，并选取负相关性满足第二参考条件的候选维度的主体参考特征作为对应维度的主体参考特征。
[0225]
在本公开的一些实施例中，确定子模块4051，被配置为执行：
[0226]
构建正样本集合和负样本集合，正样本集合包括：正相关性满足第一参考条件的候选维度的主体参考特征，负样本集合包括：负相关性满足第二参考条件的候选维度的主体参考特征；
[0227]
将正样本集合、负样本集合，以及服务参考特征输入预训练的网络模型，得到网络模型输出的与主体参考特征对应的参考描述信息，其中，网络模型用于获取参考描述信息。
[0228]
在本公开的一些实施例中，第二处理模块405，被配置为执行：
[0229]
对主体参考特征的维度进行分类，确定至少一种处理维度；
[0230]
确定与处理维度对应的维度的主体参考特征；
[0231]
根据与处理维度对应的维度的主体参考特征的参考描述信息，确定与处理维度对应的维度描述信息；
[0232]
基于处理维度对第一处理结果进行优化处理，得到维度处理结果；
[0233]
根据维度处理结果和维度描述信息，确定与服务主体对应的第二处理结果。
[0234]
在本公开的一些实施例中，第二处理模块405，被配置为执行：
[0235]
对与处理维度对应的维度的主体参考特征的参考描述信息作加权平均处理，并将加权平均处理的结果值作为维度描述信息。
[0236]
在本公开的一些实施例中，第二处理模块405，被配置为执行：
[0237]
确定服务主体的订单数量和服务主体所属行业对应的订单数量均值；
[0238]
确定与处理维度对应的拟合函数；
[0239]
根据订单数量和订单数量均值的比对结果调整拟合函数，得到目标拟合函数；
[0240]
采用目标拟合函数对第一处理结果进行优化处理，得到维度处理结果。
[0241]
在本公开的一些实施例中，第二处理模块405，被配置为执行：
[0242]
采用与处理维度对应的拟合函数对第一处理结果进行优化处理，得到维度处理结果。
[0243]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0244]
本实施例中，通过获取服务主体的待处理数据，确定与服务主体对应的多种维度的主体参考特征，并采用多种维度的主体参考特征处理待处理数据，得到与各个主体参考特征的维度对应的第一处理结果，以及根据服务参考特征处理第一处理结果，得到与服务
主体对应的第二处理结果，由于是参考服务主体的多种维度的主体参考特征，以及与服务主体相关的服务参考特征来处理服务主体的待处理数据，能够有效提升对服务主体整体的数据处理效果，使得数据处理结果更为准确，有效地提升数据处理结果的可参考性。
[0245]
本公开实施例还提供了一种电子设备，图6是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0246]
参照图6，电子设备600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(i/o)的接口612，传感器组件614，以及通信组件616。
[0247]
处理组件602通常控制电子设备600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
[0248]
存储器604被配置为存储各种类型的数据以支持在电子设备600的操作。这些数据的示例包括用于在电子设备600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0249]
电源组件606为电子设备600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为电子设备600生成、管理和分配电力相关联的组件。
[0250]
多媒体组件608包括在电子设备600和用户之间的提供一个输出接口的触控显示屏。在一些实施例中，触控显示屏可以包括液晶显示器(lcd)和触摸面板(tp)。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当电子设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0251]
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(mic)，当电子设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。
[0252]
在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
[0253]
i/o接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0254]
传感器组件614包括一个或多个传感器，用于为电子设备600提供各个方面的状态
评估。例如，传感器组件614可以检测到电子设备600的打开/关闭状态，组件的相对定位，例如组件为电子设备600的显示器和小键盘，传感器组件614还可以检测电子设备600或电子设备600一个组件的位置改变，用户与电子设备600接触的存在或不存在，电子设备600方位或加速/减速和电子设备600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0255]
通信组件616被配置为便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件616还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0256]
在示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述数据处理方法。
[0257]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由电子设备600的处理器620执行以完成上述方法。例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0258]
一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备600的处理器执行时，使得电子设备600能够执行一种数据处理方法。
[0259]
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它实施方案。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下面的权利要求指出。
[0260]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。