数据处理方法、装置、电子设备和存储介质与流程

1.本发明涉及大数据智能分析技术领域，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.近年来，以消费金融为代表互的联网金融企业快速发展，用户信贷业务量逐渐增多，为不同用户提供合适的信贷产品以及确定相匹配的价格成为重要问题。现有技术中，对信贷产品发布通常是设置统一的产品价格，但是由于购买产品的用户会涉及不同类型并且会随时间发生变化，各用户所能承受的风险也不同，所以统一设置产品价格的方式无法满足用户多样性的需求。


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，能够解决统一设置产品价格的方式无法满足用户多样性需求的问题。
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方法。
5.本发明实施例的一种数据处理方法包括：
6.响应于目标对象的数据处理请求，获取数据处理请求中用户标识，以调用预设的采集引擎，采集对应用户的基础信息、第一属性信息和第二属性信息；从数据库中查询所述目标对象的类型策略，以通过所述基础信息匹配出目标类型，确定对应的处理模型；从所述第一属性信息和第二属性信息中，统计预设第一属性参数和预设第二属性参数的目标值，以确定所述用户的用户类型和风险类型；基于所述第一属性信息和第二属性信息，生成所述用户的评分特征向量，以输入评分模型，确定所述用户的评分等级；调用所述处理模型，基于所述用户的用户类型、风险类型和评分等级，确定所述用户的费率等级，以生成所述目标对象的价格。
7.在一个实施例中，所述从数据库中查询所述目标对象的类型策略，以通过所述基础信息匹配出目标类型，确定对应的处理模型，包括：
8.获取所述目标对象的对象标识，以从数据库中查询对应的类型策略；
9.将所述基础信息与所述类型策略匹配，得出匹配成功的基础费率，以确定所述基础费率对应的处理模型。
10.在又一个实施例中，生成所述目标对象的价格，包括：
11.基于所述费率等级调整所述基础费率，得出所述目标对象的价格。
12.在又一个实施例中，在基于所述第一属性信息和第二属性信息，生成所述用户的评分特征向量之前，还包括：
13.获取模型训练数据，以对所述评分模型执行模型训练；
14.获取训练后评分模型输入的评分数值区间，以基于预设等级比例划分各评分等级对应的评分数值区间；
15.调用预设的提升率模型，以基于模型训练数据计算各所述评分数据值区间对应的提升率；
16.响应于各所述评分数据值区间对应的提升率满足预设条件，确定各评分等级对应的评分数值区间。
17.在又一个实施例中，从所述第一属性信息和第二属性信息中，统计预设第一属性参数和预设第二属性参数的目标值之前，包括：
18.从所述第一属性信息中，获取所述预设第一属性参数的第一参数值；
19.响应于所述第一参数值属于第一参数值集合，将预设的第一目标值更新为新的第一参数值；
20.从所述第二属性信息中，获取所述预设第二属性参数的第二参数值；
21.响应于所述第二参数值属于第二参数值集合，将预设的第二目标值更新为新的第二参数值。
22.在又一个实施例中，从所述第一属性信息和第二属性信息中，统计预设第一属性参数和预设第二属性参数的目标值，包括：
23.从所述第一属性信息和第二属性信息中，筛选各预设时间窗口内预设第一属性参数和预设第二属性参数的参数值，以计算所述预设第一属性参数和所述预设第二属性参数的统计值；
24.将所述预设第一属性参数的统计值，确定为预设第一属性参数的目标值，以及将所述预设第二属性参数的统计值，确定为预设第二属性参数的目标值。
25.在又一个实施例中，所述从数据库中查询所述目标对象的类型策略，包括：
26.获取所述目标对象对应的历史用户，以查询对应的基础信息、第一属性信息和第二属性信息，以调用相似度模型，计算所述历史用户和所述用户标识对应用户之间的相似度；
27.响应所述相似度大于预设阈值，获取所述历史用户对应目标对象的价格，以确定为所述目标对象的价格；
28.响应所述相似度不大于所述预设阈值，从数据库中查询所述目标对象的类型策略。
29.在又一个实施例中，查询对应的基础信息、第一属性信息和第二属性信息，以调用相似度模型，计算所述历史用户和所述用户标识对应用户之间的相似度，包括：
30.查询所述历史用户对应的用户类型、风险类型和评分等级，基于所述用户标识对应的第一属性信息和第二属性信息，确定所述用户的用户类型、风险类型和评分等级，以计算所述历史用户和所述用户之间的相似度。
31.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。
32.本发明实施例的一种数据处理装置包括：采集单元，用于响应于目标对象的数据处理请求，获取数据处理请求中用户标识，以调用预设的采集引擎，采集对应用户的基础信息、第一属性信息和第二属性信息；确定单元，用于从数据库中查询所述目标对象的类型策略，以通过所述基础信息匹配出目标类型，确定对应的处理模型；所述确定单元，还用于从所述第一属性信息和第二属性信息中，统计预设第一属性参数和预设第二属性参数的目标值，以确定所述用户的用户类型和风险类型；所述确定单元，还用于基于所述第一属性信息
和第二属性信息，生成所述用户的评分特征向量，以输入评分模型，确定所述用户的评分等级；生成单元，用于调用所述处理模型，基于所述用户的用户类型、风险类型和评分等级，确定所述用户的费率等级，以生成所述目标对象的价格。
33.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。
34.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。
35.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。
36.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。
37.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。
38.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。
39.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，响应目标产品的处理处理请求，可以确定目标对象的处理引擎，并对用户信息的采集，进而可以基于采集的用户信息来对用户的信用、风险的分析，得出用户类型、风险类型和风险评分等级，从而可以从这些方面来基于处理引擎为用户确定相适应的定价费率等级，从而生成目标对象的价格。本发明实施例中，为不同类型的对象设置不同的处理规则，并从不同属性角度来为用户确定相适应的对象价格，使不同用户可以通过不同的价格来购买目标对象，满足多样性用户的购买需求，同时还可以为风险较高的用户确定相适应的产品价格，以提高风险规避的准确性。
40.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
41.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：
42.图1是根据本发明实施例的数据处理方法的一种主要流程的示意图；
43.图2是根据本发明实施例的数据处理方法的又一种主要流程的示意图；
44.图3是根据本发明实施例的数据处理方法的另一种主要流程的示意图；
45.图4是根据本发明实施例的数据处理装置的主要单元的示意图；
46.图5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；
47.图6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
48.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。
49.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。
50.本发明实施例提供了一种数据处理方法，该方法可由数据处理系统执行，如图1所示，该方法包括：
51.s101：响应于目标对象的数据处理请求，获取数据处理请求中用户标识，以调用预设的采集引擎，采集对应用户的基础信息、第一属性信息和第二属性信息。
52.其中，数据处理请求表示对金融等产品的价格处理请求，目标对象可以具体为数据处理请求所对应的产品，如信贷产品。数据处理请求可以为数据处理系统自动触发，也可以为外部系统触发的。例如在用户购买目标对象时可以触发目标对象的数据处理请求。数据处理请求表示为用户确定目标对象的购买价格，所以数据处理请求中可以包括目标对象的对象标识和购买目标对象的用户的用户标识。本步骤中获取数据处理请求中用户标识后，可以基于用户标识进行信息采集。由于需要采集的用户信息可能需要从多个系统中采集，所以本发明实施例中可以预先设置采集引擎，以通过采集引擎与各系统进行数据传输，以采集用户的用户信息。
53.具体的，用户信息可以包括用户的基础信息、第一属性信息和第二属性信息，其中第一属性信息可以具体为借贷信息，第二属性信息可以具体为征信信息，本发明实施例中以第一属性信息为借贷信息、第二属性信息为征信信息为例进行说明。基础信息可以包括用户身份信息、所使用设备信息、地址信息等等，借贷信息可以包括用户在本系统中购买其他信贷产品的信息、从其他第三方系统中的信贷信息等等，征信信息可以包括用户的征信报告等。
54.s102：从数据库中查询目标对象的类型策略，以通过基础信息匹配出目标类型，确定对应的处理模型。
55.其中，由于不同类型的对象通常会适用于不同类型的用户，所以其也具有不同的定价规则，所以本发明实施例中可以为不同类型的用户配置对应的处理模型，并存储于数据库中，建立对象类型与处理模型之间的对应关系。
56.本步骤中可以通过对象标识产查询出目标对象的类型策略，以通过用户的基础信息匹配对应的类型策略，进而可以确定出匹配成功的目标类型，进而可以确定出与目标类型对应的处理模型。具体的，用户的基本信息可以包括用户的年龄、收入、职业等身份信息，以这些身份信息可以与预设的类型策略匹配，得出对应的目标类型。
57.需要说明的是，本发明实施例中，可以为目标对象设置不同基准费率，进而在基准费率的基础上进行调整，以确定目标对象的价格，所以可以为不同的基准费率配置对应的规则表，规则表中包括了不同用户类型、风险类型和评分等级的用户所对应的费率调整规则，即处理引擎，因此本步骤中可以通过用户的基本信息匹配出目标对象的目标类型，即确定出基准费率，进而得出处理引擎，以在基准费率的基础上进行费率调整，得出目标对象的价格。
58.s103：从第一属性信息和第二属性信息中，统计预设第一属性参数和预设第二属性参数的目标值，以确定用户的用户类型和风险类型。
59.其中，预设第一属性参数可以具体为预设信贷参数，用于确定用户的用户类型，预设第二属性参数可以具体为预设征信参数，用于确定用户的风险类型，本发明实施例中以
预设第一属性参数为预设信贷参数，预设第二属性参数为预设征信参数为例进行说明。本步骤中借贷信息和征信信息中包括了用户对应预设信贷参数和预设征信参数的参数值，从而可以从中统计出预设信贷参数的目标值和预设征信参数的目标值，进而确定出用户的用户类型和风险类型。
60.预设信贷参数和预设征信参数均可以基于场景设置。例如预设信贷参数可以包括用户的资产、贷款明细、交易信息等特征，具体可以从用户的交易流水记录中得出，预设征信参数可以包括用户被设置黑名单次数等等。具体的，本发明实施例中，可以预设多个时间窗口(如前1个月内、前1个月至前3个月)，以从借贷信息和征信信息中，筛选各预设时间窗口内预设信贷参数和预设征信参数的参数值，进而计算各预设时间窗口内预设信贷参数和预设征信参数的参数值的统计值，如求和、均值、分位数、最小值、最大值、标准差等统计值，从而可以将其确定为预设信贷参数和预设征信参数的目标值。
61.需要说明的是，本发明实施例中，在统计预设信贷参数和预设征信参数的目标值之前，还可以对借贷信息和征信信息进行预处理。具体的，有些参数的参数值通常会有一些不常见的参数值，例如企业类型，通常会有多种参数值，而对于不常见的参数值可以将其归为一类，以同一的参数值表示。所以本步骤中可以，从借贷信息中获取预设信贷参数的第一参数值，进而判断第一参数值是否属于第一参数值集合，第一参数值集合为预设信贷参数对应的不常见参数值集合；如果第一参数值属于第一参数值集合，说明其为不常见参数值，则可以将预设的第一目标值更新为新的第一参数值；如果第一参数值不属于第一参数值集合，说明其不为不常见参数值，则可以不进行处理。同理，本步骤中可以，从征信信息中获取预设征信参数的第二参数值，进而判断第二参数值是否属于第二参数值集合，第二参数值集合为预设征信参数对应的不常见参数值集合；如果第二参数值属于第二参数值集合，说明其为不常见参数值，则可以将预设的第二目标值更新为新的第二参数值；如果第二参数值不属于第二参数值集合，说明其不为不常见参数值，则可以不进行处理。
62.本发明实施例中，可以对用户类型进行划分，例如可以分为普通用户和优质复贷用户，进而建立各用户类型与预设信贷参数的参数值之间映射关系，所以本步骤中可以基于预设信贷参数的目标值确定出对应的用户类型。
63.本发明实施例中，还可以对用户的风险类型进行划分，例如可以分为强规则命中、弱规则命中、无规则命中，进而建立各风险规则，以基于预设征信参数命中的风险规则来确定风险类型。具体的，以预设征信参数、征信查询次数为例，强规则命中表示用户的预设征信参数命中强拒绝规则，例如用户被设置为名单，表示命中强拒绝规则，所以用户的风险类型为强规则命中；弱规则命中是代表用户被弱拒绝规则命中，例如用户近3个月征信查询次数超过5次，表示命中弱拒绝规则，所以用户的风险类型为弱规则命中；无规则命中代表用户没有命中任何风险规则，则确定用户的风险类型为无规则命中。
64.s104：基于第一属性信息和第二属性信息，生成用户的评分特征向量，以输入评分模型，确定用户的评分等级。
65.其中，评分特征可以为预先设置，本步骤中可以基于预设的评分特征，从借贷信息和征信信息确定评分特征值，进而生成评分特征向量。将评分特征向量输入评分模型，即可得出用户的风险评分，进而可以确定出用户的评分等级。
66.具体的，以评分模型输出的评分为0-800之间的数值为例，可以划分如表1所示的
评分等级，进而可以确定出用户的评分等级。
67.表1
68.评分等级评分区间a651-800b551-650c451-550d351-450e0-350
69.本发明实施例中，评分模型为预先训练，可以为基于机器学习算法构建的模型。模型构建后，可以确定模型所使用的用户群，以基于用户群中用户的用户信息对模型进行训练。具体的，本发明实施例中通过vintage分析来得出用户群中各用户对应的评分特征，进而可以通过变量分箱、woe转换、信息值iv计算等措施来生成用于模型训练的特征向量。将上述得出的特征向量输入构建的评分模型后，实现对评分模型的训练。模型训练的评分特征可以包括行内信用卡过去90天信用卡可用额度最小值、行内信用卡过去60天信用卡交易金额平均值、征信近1个月内的查询次数、征信贷记卡最高授信金额、征信过去1800 天贷款机构为消费金融公司个数、征信贷记卡已用金额占比、征信过去720天消费贷款剩余贷款金额平均值、征信过去90天信用卡交易金额平均值、行内多头过去60天互金机构借贷金额总和、行内多头过去 60天互金机构还款次数。
70.评分模型可以使用集成算法lightgbm，可调参数包括max_depth、 min_data_in_leaf、bagging_fraction、early_stopping_round、 min_gain_to_split。其中，max_depth表示树的最大深度，leaf-wise分裂策略会生长出比较深的决策树而产生过拟合，增加了max_depth的限制，在保证高效率的同时防止过拟合，在本发明实施例中可以将其设置为8；min_data_in_leaf表示叶子可能具有的最小记录数，在本发明实施例中将其设置为100-1000之间防止过拟合；bagging_fraction表示每次迭代时用的数据比例，用来执行更快的结果装袋来加快训练速度和减小过拟合；early_stopping_round表示早停止，在某一验证数据的某一验证指标当前最后一轮迭代没有提升时停止迭代，可以加速分析，减少过多迭代；min_gain_to_split表示描述分裂的最小增益，可以控制树的有用的分裂。
71.模型训练后，可以对模型的训练效果进行评估，以评估模型的效果好坏，模型效果一般要求精确性和稳定性达到预设要求。具体的，模型的精确性可以用ks值来评估，例如预设要求为模型ks值不低于 0.35，模型稳定性用psi来评估，例如预设要求为模型的psi不高于0.1。
72.评分模型输出结果通常用户的违约率，其不为预设的评分区间内的值，则还可以通过公式1，将评分模型得出的结果进行转换，以得到评分区间中评分值。在公式1中，p表示评分模型得出的值(具体可以表示用户的违约率)，x和y表示计算系数，可以基于场景设置，score 表示用户的评分。
[0073][0074]
本发明实施例中，可以预设评分划分等级的比例，以进行评分等级的划分，但是，由于评分等级越高，对应用户的风险性越高，所以需要评分等级越高，对应的提升率越高，
所以本发明实施例中可以基于提升率来确定评分等级的划分方式。具体的，预设等级比例可以为 20％：25％：30％：20％：5％，如此可以获取训练后评分模型输入的评分数值区间，以基于预设等级比例划分各评分等级对应的评分数值区间；进而调用预设的提升率模型，以基于模型训练数据计算各评分数据值区间对应的提升率；如果各评分数据值区间对应的提升率满足预设条件，即各评分数据值区间对应的提升率依次递增，则可以确定各评分等级对应的评分数值区间；如果各评分数据值区间对应的提升率不满足预设条件，即各评分数据值区间对应的提升率不是依次递增，则可以调整预设等级比例，以调整各评分等级对应的评分数值区间。
[0075]
其中，提升率模型可以为基于公式2构建。
[0076][0077]
在公式2中，各参数可以基于训练数据统计得出，各用户是否为坏用户可以在模型训练之前确定出。
[0078]
s105：调用处理模型，基于用户的用户类型、风险类型和评分等级，确定用户的费率等级，以生成目标对象的价格。
[0079]
其中，在得出用户的用户类型、风险类型和评分等级，可以基于处理模型来确定出用户的费率等级。
[0080]
具体的，处理模型可以包括用于定价的规则表，其中设置各用户类型、风险类型和评分等级所对应的费率等级，进而基于处理模型所对应的基准费率和定价费率等级，可以得出目标对象的价格。
[0081]
例如，以用户类型包括复贷、优质用户和普通用户，风险类型包括无规则命中、弱规则命中和强规则命中，评分等级包括a、b、c、 d、e为例，则规则表中可以具体为：用户类型为：复贷、优质用户，风险类型为无规则命中，评分等级为a时，费率等级为费率降2档；用户类型为：普通用户，风险类型为弱规则命中，评分等级为e时，费率等级为费率升2档等等。
[0082]
需要说明的是，在本发明实施例中，在响应数据处理请求时，还可以从历史记录中已经定价的目标对象来确定本次目标对象的价格，从而减少价格处理的操作过程，提高处理效率。具体的，在执行步骤 s102之前，还可以获取目标对象对应的历史用户，以查询出对应的基础信息、第一属性信息和第二属性信息，进而可以通过数据处理请求对应用户的用户信息和历史用户的用户信息来计算用户之间的相似度。如果存在相似度大于预设阈值的历史用户，则可以将此历史用户对应目标对象的价格确定为目标对象的价格；如果不存在相似度大于预设阈值的历史用户，则可以执行步骤s102直到确定出目标对象的价格。
[0083]
具体的，计算用户之间的相似度可以执行为：查询历史用户对应的用户类型、风险类型和评分等级，基于第一属性信息和第二属性信息，确定用户的用户类型、风险类型和评分等级，以计算历史用户和用户标识对应用户之间的相似度。
[0084]
由于历史用户已经确定了对应的对象价格，所以从数据库中可以查询出历史用户对应的用户类型、风险类型和评分等级。本发明实施例中还可以通过步骤s102、s103和s104得出用户标识对应的用户类型、风险类型和评分等级，如此可以通过历史用户对应的用户类型、风险类型和评分等级和用户表示对应的用户类型、风险类型和评分等级来计算用户
之间的相似度。
[0085]
本发明实施例中，为不同类型的对象设置不同的处理规则，并从不同属性角度来为用户确定相适应的对象价格，使不同用户可以通过不同的价格来购买目标对象，满足多样性用户的购买需求，同时还可以为风险较高的用户确定相适应的产品价格，以提高风险规避的准确性。
[0086]
下面结合图1所示的实施例，对本发明实施例中数据处理方法进行具体说明，如图2所示，该方法包括：
[0087]
s201：响应于目标对象的数据处理请求，获取数据处理请求中用户标识。
[0088]
s202：调用预设的采集引擎，采集用户的基础信息、第一属性信息和第二属性信息。
[0089]
s203：获取目标对象的产品标识，以从数据库中查询对应的类型策略；将基础信息与类型策略匹配，得出匹配成功的基础费率，以确定基础费率对应的处理模型。
[0090]
s204：从第一属性信息和第二属性信息中，筛选各预设时间窗口内预设第一属性参数和预设第二属性参数的参数值，以计算预设第一属性参数和预设第二属性参数的统计值。
[0091]
s205：将预设第一属性参数的统计值，确定为预设第一属性参数的目标值，以及将预设第二属性参数的统计值，确定为预设第二属性参数的目标值。
[0092]
s206：基于预设第一属性参数的目标值和预设第二属性参数的目标值，确定用户的用户类型和风险类型。
[0093]
s207：基于第一属性信息和第二属性信息，生成用户的评分特征向量，以输入评分模型，确定用户的评分等级。
[0094]
s208：调用处理模型，基于用户的用户类型、风险类型和评分等级，确定用户的费率等级。
[0095]
s209：基于费率等级调整基础费率，得出目标对象的价格。
[0096]
需要说明的是，本发明实施例中数据处理原理与图1所示实施例的数据处理原理相同，在此不再赘述。
[0097]
本发明实施例中，为不同类型的对象设置不同的处理规则，并从不同属性角度来为用户确定相适应的对象价格，使不同用户可以通过不同的价格来购买目标对象，满足多样性用户的购买需求，同时还可以为风险较高的用户确定相适应的产品价格，以提高风险规避的准确性。
[0098]
下面结合图1所示的实施例，以目标对象为目标产品，第一属性信息为借贷信息，第二属性信息为征信信息，预设第一属性参数为预设借贷参数，预设第二属性参数为预设征信参数为例，对本发明实施例中数据处理方法进行具体说明，如图3所示，该方法包括：
[0099]
s301：响应于目标对象的数据处理请求，获取数据处理请求中用户标识。
[0100]
s302：调用预设的采集引擎，采集用户的基础信息、借贷信息和征信信息。
[0101]
s303：获取目标产品的产品标识，以从数据库中查询对应的类型策略；将基础信息与类型策略匹配，得出匹配成功的基础费率，以确定基础费率对应的处理模型。
[0102]
s304：从借贷信息和征信信息中，筛选各预设时间窗口内预设信贷参数和预设征信参数的参数值，以计算预设信贷参数和预设征信参数的统计值。
[0103]
s305：将预设信贷参数的统计值，确定为预设信贷参数的目标值，以及将预设征信参数的统计值，确定为预设征信参数的目标值。
[0104]
s306：基于预设信贷参数的目标值和预设征信参数的目标值，确定用户的用户类型和风险类型。
[0105]
s307：基于借贷信息和征信信息，生成用户的评分特征向量，以输入评分模型，确定用户的评分等级。
[0106]
s308：调用处理模型，基于用户的用户类型、风险类型和评分等级，确定用户的费率等级。
[0107]
s309：基于费率等级调整基础费率，得出目标产品的价格。
[0108]
需要说明的是，本发明实施例中数据处理原理与图1所示实施例的数据处理原理相同，在此不再赘述。
[0109]
本发明实施例中，为不同类型的产品设置不同的定价规则，并从信用和风险角度来为用户确定相适应的产品价格，使不同用户可以通过不同的价格来购买目标对象，满足多样性用户的购买需求，同时还可以为风险较高的用户确定相适应的产品价格，以提高风险规避的准确性。
[0110]
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400，如图4所示，该装置400包括：
[0111]
采集单元401，用于响应于目标对象的数据处理请求，获取数据处理请求中用户标识，以调用预设的采集引擎，采集对应用户的基础信息、第一属性信息和第二属性信息；
[0112]
确定单元402，用于从数据库中查询所述目标对象的类型策略，以通过所述基础信息匹配出目标类型，确定对应的处理模型；
[0113]
所述确定单元402，还用于从所述第一属性信息和第二属性信息中，统计预设第一属性参数和预设第二属性参数的目标值，以确定所述用户的用户类型和风险类型；
[0114]
所述确定单元402，还用于基于所述第一属性信息和第二属性信息，生成所述用户的评分特征向量，以输入评分模型，确定所述用户的评分等级；
[0115]
生成单元403，用于调用所述处理模型，基于所述用户的用户类型、风险类型和评分等级，确定所述用户的费率等级，以生成所述目标对象的价格。
[0116]
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。
[0117]
在一个实施例中，所述确定单元402，具体用于：
[0118]
获取所述目标对象的对象标识，以从数据库中查询对应的类型策略；
[0119]
将所述基础信息与所述类型策略匹配，得出匹配成功的基础费率，以确定所述基础费率对应的处理模型。
[0120]
在又一个实施例中，所述生成单元403，具体用于：
[0121]
基于所述费率等级调整所述基础费率，得出所述目标对象的价格。
[0122]
在又一个实施例中，所述确定单元402，具体用于：
[0123]
获取模型训练数据，以对所述评分模型执行模型训练；
[0124]
获取训练后评分模型输入的评分数值区间，以基于预设等级比例划分各评分等级对应的评分数值区间；
[0125]
调用预设的提升率模型，以基于模型训练数据计算各所述评分数据值区间对应的提升率；
[0126]
响应于各所述评分数据值区间对应的提升率满足预设条件，确定各评分等级对应的评分数值区间。
[0127]
在又一个实施例中，所述确定单元402，具体用于：
[0128]
从所述第一属性信息中，获取所述预设第一属性参数的第一参数值；
[0129]
响应于所述第一参数值属于第一参数值集合，将预设的第一目标值更新为新的第一参数值；
[0130]
从所述第二属性信息中，获取所述预设第二属性参数的第二参数值；
[0131]
响应于所述第二参数值属于第二参数值集合，将预设的第二目标值更新为新的第二参数值。
[0132]
在又一个实施例中，所述确定单元402，具体用于：
[0133]
从所述第一属性信息和第二属性信息中，筛选各预设时间窗口内预设第一属性参数和预设第二属性参数的参数值，以计算所述预设第一属性参数和所述预设第二属性参数的统计值；
[0134]
将所述预设第一属性参数的统计值，确定为预设第一属性参数的目标值，以及将所述预设第二属性参数的统计值，确定为预设第二属性参数的目标值。
[0135]
在又一个实施例中，所述确定单元402，具体用于：
[0136]
获取所述目标对象对应的历史用户，以查询对应的基础信息、第一属性信息和第二属性信息，以调用相似度模型，计算所述历史用户和所述用户标识对应用户之间的相似度；
[0137]
响应所述相似度大于预设阈值，获取所述历史用户对应目标对象的价格，以确定为所述目标对象的价格；
[0138]
响应所述相似度不大于所述预设阈值，从数据库中查询所述目标对象的类型策略。
[0139]
在又一个实施例中，所述确定单元402，具体用于：
[0140]
查询所述历史用户对应的用户类型、风险类型和评分等级，基于所述用户标识对应的第一属性信息和第二属性信息，确定所述用户的用户类型、风险类型和评分等级，以计算所述历史用户和所述用户之间的相似度。
[0141]
应理解的是，实施本发明实施例的方式与实施图1图2或图3所示实施例的方式相同，在此不再赘述。
[0142]
本发明实施例中，为不同类型的对象设置不同的处理规则，并从不同属性角度来为用户确定相适应的对象价格，使不同用户可以通过不同的价格来购买目标对象，满足多样性用户的购买需求，同时还可以为风险较高的用户确定相适应的产品价格，以提高风险规避的准确性。
[0143]
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。
[0144]
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数据处理方法。
[0145]
图5示出了可以应用本发明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500。
[0146]
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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。
[0147]
用户可以使用终端设备501、502、503通过网络504与服务器505 交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种客户端应用。
[0148]
终端设备501、502、503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。
[0149]
服务器505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。
[0150]
需要说明的是，本发明实施例所提供的数据处理方法一般由服务器505执行，相应地，数据处理装置一般设置于服务器505中。
[0151]
应该理解，图5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。
[0152]
下面参考图6，其示出了适于用来实现本发明实施例的计算机系统 600的结构示意图。图6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。
[0153]
如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608 加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有系统600操作所需的各种程序和数据。cpu 601、rom 602以及ram 603通过总线604彼此相连。输入/ 输出(i/o)接口605也连接至总线604。
[0154]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，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610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608。
[0155]
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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu) 601执行时，执行本发明的系统中限定的上述功能。
[0156]
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。
[0157]
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。
[0158]
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：一种处理器包括采集单元、确定单元和生成单元。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，采集单元还可以被描述为“信息采集功能的单元”。
[0159]
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数据处理方法。
[0160]
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数据处理方法。
[0161]
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。