数据更新方法、装置、计算机设备及存储介质与流程

1.本技术涉及数据处理中的数据更新技术领域，尤其涉及一种数据更新方法、装置、计算机设备及存储介质。


背景技术：

2.在这个大数据时代，各种类型的数据都渗透到人们的日常生活和工作当中，例如，对于医疗数据，如个人健康档案、处方、检查报告等数据，是医患用于诊疗的重要依据。又如，对于坐席车险客户服务过程中，客户姓名、证件信息、车牌号等客户数据是客户服务的重要依据。目前，大部分情况下这些数据的更新都是通过手工录入的，不仅耗时耗力、效率低，而且手工录入操作也难免会出现差错，导致数据不准确。
3.因此，如何实现提高数据更新的效率和准确率成为亟需解决的问题。


技术实现要素：

4.本技术提供了一种数据更新方法、装置、计算机设备及存储介质，旨在实现提高数据更新的效率和准确率。
5.为实现上述目的，本技术提供一种数据更新方法，所述数据更新方法包括：
6.获取服务方与被服务方沟通生成的沟通记录数据；
7.对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据；
8.将所述文本数据输入训练好的深度学习模型进行数据解析，输出所述被服务方对应的第一被服务方数据；
9.查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新。
10.此外，为实现上述目的，本技术还提供一种数据更新装置，所述数据更新装置包括：
11.数据获取模块，用于获取服务方与被服务方沟通生成的沟通记录数据；
12.数据预处理模块，用于对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据；
13.数据解析模块，用于将所述文本数据输入训练好的深度学习模型进行数据解析，输出所述被服务方对应的第一被服务方数据；
14.数据更新模块，用于查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新。
15.此外，为实现上述目的，本技术还提供一种计算机设备，所述计算机设备包括存储器和处理器；
16.所述存储器，用于存储计算机程序；
17.所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的数据更新方法。
18.此外，为实现上述目的，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的数据更新方法的步骤。
19.本技术公开了一种数据更新方法、装置、计算机设备及存储介质，通过获取服务方与被服务方沟通生成的沟通记录数据，对该沟通记录数据进行数据预处理，获得沟通记录数据对应的文本数据，然后将文本数据输入训练好的深度学习模型进行数据解析，输出被服务方对应的第一被服务方数据，并通过查询被服务方数据库，基于获得的第一被服务方数据，对被服务方数据库中保存的被服务方对应的第二被服务方数据进行更新，相比于通过手工录入操作进行数据更新，提高了数据更新的效率，而且，也避免了手工录入操作可能会出现差错的情况，提高了数据更新的准确率。
附图说明
20.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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。
21.图1是本技术实施例提供的一种数据更新方法的步骤示意性流程图；
22.图2是本技术实施例提供的一种对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据的步骤示意性流程图；
23.图3是本技术实施例提供的一种将多个子词输入roberta模型，输出第一被服务方数据的流程图；
24.图4是本技术实施例提供的一种查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新的步骤示意性流程图；
25.图5是本技术实施例提供的一种数据更新提示界面的示意图；
26.图6是本技术实施例提供的一种数据更新设置界面的示意图；
27.图7是本技术实施例提供的一种数据更新装置的示意性框图；
28.图8是本技术实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
29.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
31.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
32.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
33.在这个大数据时代，各种类型的数据都渗透到人们的日常生活和工作当中，例如，对于医疗数据，如个人健康档案、处方、检查报告等数据，是医患用于诊疗的重要依据。又如，对于坐席车险客户服务过程中，客户姓名、证件信息、车牌号等客户数据是客户服务的重要依据。目前，大部分情况下这些数据的更新都是通过手工录入的，不仅耗时耗力、效率低，而且手工录入操作也难免会出现差错，导致数据不准确。
34.为了解决上述问题，本技术的实施例提供了一种数据更新方法、装置、计算机设备及存储介质，用于实现提高数据更新的效率和准确率。
35.请参阅图1，图1是本技术一实施例提供的数据更新方法的流程示意图。该方法可以应用于计算机设备，本技术中对该方法的应用场景不做限定。下面以该数据更新方法应用于计算机设备中为例，对该数据更新方法进行详细介绍。
36.如图1所示，该数据更新方法具体包括步骤s101至步骤s104。
37.s101、获取服务方与被服务方沟通生成的沟通记录数据。
38.在一种可能的实现方式中，更新的数据是医疗数据，如个人健康档案、处方、检查报告等数据。
39.在另一种可能的实现方式中，更新的数据是客户数据，如车险客户的客户信息、车辆信息等数据。
40.需要说明的是，更新的数据也可以是其他类型的数据，本技术中以坐席车险客户对应的客户数据为例，对该数据更新方法进行详细说明。
41.坐席作为服务方，车险客户作为被服务方，在坐席与车险客户进行沟通的过程中，记录坐席与车险客户沟通的沟通记录数据。
42.示例性的，将每个车险客户对应的沟通记录数据进行保存，例如，将各个车险客户对应的沟通记录数据保存于相应的数据库中。通过查询数据库，获得车险客户对应的沟通记录数据，也即，获得服务方与被服务方沟通生成的沟通记录数据。
43.示例性的，服务方与被服务方沟通生成的沟通记录数据包括但不限于语音数据、证件照数据等。例如，坐席与车险客户对应的沟通记录数据包括电话录音数据、身份证照片、驾驶证照片等。
44.s102、对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据。
45.其中，数据预处理包括但不限于对数据进行格式转换、语音语义识别、文字识别处理等。
46.示例性的，对沟通记录数据中不同类型的数据，进行相应的不同的数据预处理。比如，对电话录音数据和各种证照片分别进行不同的数据预处理，得到数据预处理后的文本数据。
47.在一些实施例中，沟通记录数据包括语音数据，例如，坐席与车险客户沟通的语音数据。如图2所示，所述步骤s102可以包括子步骤s1021和子步骤s1022。
48.s1021、将所述语音数据通过语音识别技术转换待语义解析数据。
49.例如，以语音数据为坐席与车险客户沟通的语音数据为例，将坐席与车险客户沟
通的语音数据通过语音识别技术转换成对应的待语义解析数据。示例性的，待语义解析数据的类型包括但不限于文本类型。
50.示例性的，通过asr(automatic speech recognition，自动语音识别技术)将坐席与车险客户沟通的语音数据转换成对应的文本类型的待语义解析数据。
51.需要说明的是，语音识别技术不限于上述列举的asr技术，还可以是除asr技术以外的其他语音识别技术，本技术中不作具体限制。
52.s1022、采用语义识别技术对所述待语义解析数据进行语义识别处理，获得所述文本数据。
53.获得语音数据转换成对应的待语义解析数据之后，通过语义识别技术对待语义解析数据进行语义识别处理，得到对应的文本数据。例如，获得坐席与车险客户沟通的语音内容对应的文本数据。
54.示例性的，通过nlp(natural language processing，自然语言处理)技术对待语义解析数据进行语义识别处理，获得对应的文本数据。
55.需要说明的是，语义识别技术不限于上述列举的nlp技术，还可以是除nlp技术以外的其他语义识别技术，本技术中不作具体限制。
56.在一些实施例中，沟通记录数据包括证件照数据，例如，坐席与车险客户沟通时传输的车险客户的身份证照片、驾驶证照片等。所述对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据，包括：
57.采用文字识别技术对所述证件照数据进行文字识别处理，获得所述文本数据。
58.示例性的，通过ocr(optical character recognition，光学字符识别)技术对身份证照片、驾驶证照片等进行文字识别处理，获得对应的文本数据。
59.需要说明的是，文字识别处理不限于上述列举的ocr技术，还可以是除ocr技术以外的其他语义识别技术，本技术中不作具体限制。
60.s103、将所述文本数据输入训练好的深度学习模型进行数据解析，输出所述被服务方对应的第一被服务方数据。
61.示例性的，深度学习模型包括但不限于roberta(robustly optimizedbert pretraining approach)模型。
62.通过将标注了标签的样本数据输入深度学习模型，如roberta模型，对roberta模型进行模型训练，直至模型收敛，获得训练好的深度学习模型。
63.以坐席作为服务方，车险客户作为被服务方为例，样本数据包括但不限于客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等等。
64.通过语音识别技术、语义识别技术等对沟通记录数据进行处理，获得文本数据之后，将文本数据输入训练好的深度学习模型，如训练好的roberta模型，通过深度学习模型对文本数据进行数据解析，输出被服务方对应的被服务方数据。例如，以坐席作为服务方，车险客户作为被服务方为例，将坐席与车险客户对应的文本数据输入训练好的roberta模型，通过roberta模型对文本数据进行数据解析，输出车险客户对应的车险客户数据。
65.为了便于区分描述，下文将深度学习模型输出的被服务方对应的被服务方数据称为第一被服务方数据。
66.在一些实施例中，所述将所述文本数据输入训练好的深度学习模型进行数据解
析，输出所述被服务方对应的第一被服务方数据，包括：
67.将所述多个子词输入roberta模型进行数据解析，输出所述多个子词对应的语义表示数据，生成所述第一被服务方数据。
68.示例性的，文本数据包括多个子词，例如，如图3所示，文本数据包括子词1、子词2、子词3
……
子词n，将子词1、子词2、子词3
……
子词n输入roberta模型，获得向量映射信息，包括子词1、子词2、子词3
……
子词n对应的位置向量1+词向量1、位置向量2+词向量2、位置向量3+词向量3
……
位置向量n+词向量n，并通过linear线性层向量卷积运算，输出文本数据对应的第一被服务方数据，其中，第一被服务方数据包括标注数据1、标注数据2、标注数据3
……
标注数据n。
69.s104、查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新。
70.示例性的，预先设置被服务方数据库，其中，被服务方数据库中保存各个被服务方对应的被服务方数据。为了便于区分描述，下文将被服务方数据库中保存的被服务方数据称为第二被服务方数据。
71.例如，以坐席作为服务方，车险客户作为被服务方为例，设置车险客户数据库，在该车险客户数据库中保存各个车险客户对应的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等等数据。
72.获得第一被服务方数据之后，查询被服务方数据库，根据被服务方数据库中保存的被服务方对应的第二被服务方数据、以及第一被服务方数据，对被服务方数据库中保存的第二被服务方数据进行更新。例如，直接将保存的第二被服务方数据替换为第一被服务方数据。
73.例如，以坐席作为服务方，车险客户作为被服务方为例，获得车险客户的第一被服务方数据之后，查询车险客户数据库，根据车险客户数据库中保存的车险客户对应的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据与通过模型输出的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据，对车险客户数据库中保存的车险客户对应的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据进行更新。
74.在一些实施例中，所述查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新，包括：
75.将所述第一被服务方数据与所述第二被服务方数据进行比对；
76.若所述第一被服务方数据与所述第二被服务方数据不一致，则对所述第二被服务方数据中与所述第一被服务方数据不一致的数据进行更新。
77.通过将第一被服务方数据与被服务方数据库中保存的被服务方对应的第二被服务方数据进行比对，如果第一被服务方数据与第二被服务方数据一致，说明被服务方数据库中保存的第二被服务方数据是完整准确的，此时，不需要对被服务方数据库中保存的第二被服务方数据进行更新。反之，如果第一被服务方数据与第二被服务方数据不一致，说明被服务方数据库中保存的第二被服务方数据是不完整或不准确的，此时，对第二被服务方数据中与第一被服务方数据不一致的数据进行更新。
78.例如，以坐席作为服务方，车险客户作为被服务方为例，将车险客户数据库中保存
的车险客户对应的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据与通过模型输出的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据进行比对，确定车险客户数据库中保存的车险客户对应的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据与通过模型输出获得的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据是否一致。
79.如果车险客户数据库中保存的车险客户对应的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据与通过模型输出的客户姓名、证件类型、证件号码、出生年月、车牌号、车架号、发动机号、车型、初登日期等数据不一致，则将其中不一致的数据以模型输出获得的数据进行替换更新。通过对车险客户的数据进行更新，确保下次对客户服务的时候客户的信息是准确的，对客户来说也能提高坐席的专业能力以及信任度。
80.在一些实施例中，如图4所示，所述步骤s104可以包括子步骤s1041和子步骤s1042。
81.s1041、检测所述第二被服务方数据是否满足数据更新条件。
82.示例性的，第二被服务方数据满足数据更新条件包括以下至少一项：接收到数据更新确认指令；当前时间到达预设的数据更新时间。
83.示例性的，输出数据更新提示界面，如图5所示，在该数据更新提示界面上包括“更新”、“取消”等控件，当用户点击“更新”控件时，触发数据更新确认指令。当接收该数据更新确认指令时，确定第二被服务方数据满足数据更新条件。而当用户点击“取消”控件时，不对第二被服务方数据进行更新。
84.示例性的，输出数据更新设置界面，在该数据更新设置界面上包括数据更新条件设置项，例如，如图6所示，数据更新设置界面上包括数据更新时间设置项，用户可以通过数据更新时间设置项输入数据更新时间“******”，当前时间到达预设的数据更新时间时，确定第二被服务方数据满足数据更新条件。
85.s1042、当所述第二被服务方数据满足所述数据更新条件时，对所述第二被服务方数据进行更新。
86.例如，预设第二被服务方数据对应的数据更新时间，在确定第一被服务方数据与第二被服务方数据不一致的情况下，判断当前时间是否达到预设的数据更新时间，当前时间达到预设的数据更新时间时，对第二被服务方数据进行更新。
87.又如，在确定第一被服务方数据与第二被服务方数据不一致的情况下，输出数据更新提示界面，当用户点击数据更新提示界面上的“更新”控件时，触发数据更新确认指令，当接收该数据更新确认指令时，对第二被服务方数据进行更新。
88.需要说明的是，除了上述列举的数据更新条件以外，还可以设置其他数据更新条件，本技术中不作具体限制。
89.通过用户的交互操作，用户可以设置数据更新条件，也即可以控制什么情况下自动进行数据更新，不仅减少了用户的手动操作，更进一步提高了用户的体验度。
90.上述实施例中，通过获取服务方与被服务方沟通生成的沟通记录数据，对该沟通记录数据进行数据预处理，获得沟通记录数据对应的文本数据，然后将文本数据输入训练
好的深度学习模型进行数据解析，输出被服务方对应的第一被服务方数据，并通过查询被服务方数据库，基于获得的第一被服务方数据，对被服务方数据库中保存的被服务方对应的第二被服务方数据进行更新，相比于通过手工录入操作进行数据更新，提高了数据更新的效率，而且，也避免了手工录入操作可能会出现差错的情况，提高了数据更新的准确率。
91.请参阅图7，图7是本技术的实施例提供的一种数据更新装置的示意性框图，该数据更新装置可以配置于计算机设备中，用于执行前述的数据更新方法。
92.如图7所示，该数据更新装置1000，包括：数据获取模块1001、数据预处理模块1002、数据解析模块1003以及数据更新模块1004。
93.数据获取模块1001，用于获取服务方与被服务方沟通生成的沟通记录数据；
94.数据预处理模块1002，用于对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据；
95.数据解析模块1003，用于将所述文本数据输入训练好的深度学习模型进行数据解析，输出所述被服务方对应的第一被服务方数据；
96.数据更新模块1004，用于查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新。
97.在一个实施例中，所述深度学习模型包括roberta模型，所述文本数据包括多个子词，所述数据解析模块1003还用于：
98.将所述多个子词输入roberta模型进行数据解析，输出所述多个子词对应的语义表示数据，生成所述第一被服务方数据。
99.在一个实施例中，所述沟通记录数据包括语音数据，所述数据预处理模块1002还用于：
100.将所述语音数据通过语音识别技术转换成待语义解析数据；
101.采用语义识别技术对所述待语义解析数据进行语义识别处理，获得所述文本数据。
102.在一个实施例中，所述沟通记录数据包括证件照数据，所述数据预处理模块1002还用于：
103.采用文字识别技术对所述证件照数据进行文字识别处理，获得所述文本数据。
104.在一个实施例中，所述数据更新模块1004还用于：
105.将所述第一被服务方数据与所述第二被服务方数据进行比对；
106.若所述第一被服务方数据与所述第二被服务方数据不一致，则对所述第二被服务方数据中与所述第一被服务方数据不一致的数据进行更新。
107.在一个实施例中，所述数据更新模块1004还用于：
108.检测所述第二被服务方数据是否满足数据更新条件；
109.当所述第二被服务方数据满足所述数据更新条件时，对所述第二被服务方数据进行更新。
110.在一个实施例中，所述第二被服务方数据满足所述数据更新条件包括以下至少一项：
111.接收到数据更新确认指令；
112.当前时间到达预设的数据更新时间。
113.其中，上述数据更新装置1000中各个模块与上述数据更新方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
114.本技术的方法、装置可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
115.示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
116.请参阅图8，图8是本技术实施例提供的一种计算机设备的结构示意性框图。
117.请参阅图8，该计算机设备包括通过系统总线连接的处理器和存储器，其中，存储器可以包括非易失性存储介质和内存储器。
118.处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
119.内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种数据更新方法。
120.应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
121.其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
122.获取服务方与被服务方沟通生成的沟通记录数据；
123.对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据；
124.将所述文本数据输入训练好的深度学习模型进行数据解析，输出所述被服务方对应的第一被服务方数据；
125.查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新。
126.在一个实施例中，所述深度学习模型包括roberta模型，所述文本数据包括多个子词，所述处理器在实现所述将所述文本数据输入训练好的深度学习模型进行数据解析，输出所述被服务方对应的第一被服务方数据时，用于实现：
127.将所述多个子词输入roberta模型进行数据解析，输出所述多个子词对应的语义表示数据，生成所述第一被服务方数据。
128.在一个实施例中，所述沟通记录数据包括语音数据，所述处理器在实现所述对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据时，用于实现：
129.将所述语音数据通过语音识别技术转换成待语义解析数据；
130.采用语义识别技术对所述待语义解析数据进行语义识别处理，获得所述文本数据。
131.在一个实施例中，所述沟通记录数据包括证件照数据，所述处理器在实现所述对所述沟通记录数据进行数据预处理，获得所述沟通记录数据对应的文本数据时，用于实现：
132.采用文字识别技术对所述证件照数据进行文字识别处理，获得所述文本数据。
133.在一个实施例中，所述处理器在实现所述查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新时，用于实现：
134.将所述第一被服务方数据与所述第二被服务方数据进行比对；
135.若所述第一被服务方数据与所述第二被服务方数据不一致，则对所述第二被服务方数据中与所述第一被服务方数据不一致的数据进行更新。
136.在一个实施例中，所述处理器在实现所述查询被服务方数据库，基于所述第一被服务方数据，对所述被服务方数据库中保存的所述被服务方对应的第二被服务方数据进行更新时，用于实现：
137.检测所述第二被服务方数据是否满足数据更新条件；
138.当所述第二被服务方数据满足所述数据更新条件时，对所述第二被服务方数据进行更新。
139.在一个实施例中，所述第二被服务方数据满足所述数据更新条件包括以下至少一项：
140.接收到数据更新确认指令；
141.当前时间到达预设的数据更新时间。
142.本技术实施例还提供一种计算机可读存储介质。
143.本技术计算机可读存储介质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如上述的数据更新方法的步骤。
144.其中，所述计算机可读存储介质可以是前述实施例所述的数据更新装置或计算机设备的内部存储单元，例如所述数据更新装置或计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述数据更新装置或计算机设备的外部存储设备，例如所述数据更新装置或计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字卡(secure digital card，sdcard)，闪存卡(flash card)等。
145.进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
146.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
147.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排
他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
148.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。