一种数据处理方法、装置及设备与流程

1.本文件涉及计算机技术领域，尤其涉及一种数据处理方法、装置及设备。


背景技术：

2.目前，随着智能信息服务应用的不断发展，图gragh已被广泛应用于智能搜索、智能问答、个性化推荐、情报分析、反欺诈等领域，另外，通过图能够将web上的信息、数据以及链接关系聚集为知识，使信息资源更易于计算、理解以及评价，并且形成一套web语义知识库。图以其强大的语义处理能力与开放互联能力，可为网络上的知识互联奠定扎实的基础。社区发现是对图中的节点进行区分，找到社区中具有相似属性或者相似结构的节点，依据相似性将上述节点聚集到一起，进而得到相同社区中的节点相对靠近，不同社区中的节点相对疏远的一种方式，社区发现是图中重要的社区划分方式，然而如何进行无监督的社区发现，从而挖掘业务中可能存在的风险是当前需要解决的重要问题，为此，需要提供一种更优的无监督社区发现或业务中的风险发现方法。


技术实现要素：

3.本说明书实施例的目的是提供一种更优的无监督社区发现或业务中的风险发现方法。
4.为了实现上述技术方案，本说明书实施例是这样实现的：
5.本说明书实施例提供的一种数据处理方法，所述方法包括：获取待处理的目标图，所述目标图中包括多个不同的节点和每个节点的属性信息。将所述目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到所述目标图中的每个节点对应的隐向量，所述编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用所述子图样本，基于所述子图样本对应的局部重构损失信息和/或所述子图样本对应的全局损失信息，对所述编码器和与所述编码器对应的解码器进行联合训练后得到的编码器。基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
6.本说明书实施例提供的一种数据处理装置，所述装置包括：图谱获取模块，获取待处理的目标图，所述目标图中包括多个不同的节点和每个节点的属性信息。隐向量确定模块，将所述目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到所述目标图中的每个节点对应的隐向量，所述编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用所述子图样本，基于所述子图样本对应的局部重构损失信息和/或所述子图样本对应的全局损失信息，对所述编码器和与所述编码器对应的解码器进行联合训练后得到的编码器。聚类模块，基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
7.本说明书实施例提供的一种数据处理设备，所述数据处理设备包括：处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取待处理的目标图，所述目标图中包括多个不同的节点和每个节点的属性信息。将所述目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到所述目标图中的每个节点对应的隐向量，所述编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用所述子图样本，基于所述子图样本对应的局部重构损失信息和/或所述子图样本对应的全局损失信息，对所述编码器和与所述编码器对应的解码器进行联合训练后得到的编码器。基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
8.本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取待处理的目标图，所述目标图中包括多个不同的节点和每个节点的属性信息。将所述目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到所述目标图中的每个节点对应的隐向量，所述编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用所述子图样本，基于所述子图样本对应的局部重构损失信息和/或所述子图样本对应的全局损失信息，对所述编码器和与所述编码器对应的解码器进行联合训练后得到的编码器。基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
附图说明
9.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
10.图1为本说明书一种数据处理方法实施例；
11.图2为本说明书另一种数据处理方法实施例；
12.图3为本说明书一种图谱的示意图；
13.图4为本说明书一种数据处理装置实施例；
14.图5为本说明书一种数据处理设备实施例。
具体实施方式
15.本说明书实施例提供一种数据处理方法、装置及设备。
16.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
17.实施例一
18.如图1所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记
本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以服务器为例进行详细说明，对于终端设备的执行过程可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：
19.在步骤s102中，获取待处理的目标图，目标图中包括多个不同的节点和每个节点的属性信息。
20.其中，目标图可以是任意具有节点和边的图谱，具体如图gragh、图表等，在实际应用中，目标图还可以是知识图谱等，目标图可以是用于描述真实世界中存在的各种实体和概念，以及它们之间的关联关系的图形，图可以是一种语义网络。目标图中可以包括多个不同的节点，不同节点之间可以存在关联关系，该关联关系可以通过节点之间连接的边表示，该边可以是具有方向的有向边，也可以是无方向的无向边等，具体可以根据实际情况设定。目标图可以包括有向多边图的图谱，或者，可以是有向图和无向图的混合图，具体如某个图谱中的两个节点之间存在双向连边，则该部分可以作为该图谱的局部而被视作无向的，其它节点之间也存在仅有单向连边的情况等，上述目标图可以应用于多种不同的业务中，例如，在线交易业务、社交业务、金融类相关的业务、风险防控业务、推荐业务等，具体可以根据实际情况设定，本说明书实施例对此不做限定。其中的节点可以表示任何实体，例如某节点可以表示一个用户，或者，某节点可以表示一个账户，或者，某节点可以表示一本书，或者，某节点可以表示一部电视剧或电影等，具体可以根据实际情况设定，本说明书实施例对此不做限定。节点的属性信息可以包括多种，例如节点的名称、所属的类别、数值类的属性(具体如大小、占用的空间大小、高度等)、地点等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
21.在实施中，目前，随着智能信息服务应用的不断发展，图gragh已被广泛应用于智能搜索、智能问答、个性化推荐、情报分析、反欺诈等领域，另外，通过图gragh能够将web上的信息、数据以及链接关系聚集为知识，使信息资源更易于计算、理解以及评价，并且形成一套web语义知识库。图gragh以其强大的语义处理能力与开放互联能力，可为网络上的知识互联奠定扎实的基础。社区发现是对图gragh中的节点进行区分，找到社区中具有相似属性或者相似结构的节点，依据相似性将上述节点聚集到一起，进而得到相同社区中的节点相对靠近，不同社区中的节点相对疏远的一种方式，社区发现是图gragh中重要的社区划分方式，然而如何进行无监督的社区发现，从而挖掘业务中可能存在的风险是当前需要解决的重要问题，为此，需要提供一种更优的无监督社区发现或业务中的风险发现方法。本说明书实施例提供一种可实现的处理方式，具体可以包括以下内容：
22.当需要对某图谱(即目标图)进行处理时，可以确定目标知识图谱所对应的业务，然后，可以从确定的业务中获取相应的业务数据，可以对该业务数据进行分析，确定其中包含的各种不同的实体(可以包括节点(具体如账户、用户标识等)和不同实体之间的关联关系等，具体如，用户a参演了电视剧k，则其中的实体可以包括用户a和电视剧k，此外，还包括用户a与电视剧k之间的边(可以表示为“参演”)，可以基于确定的实体和上述边构建相应的图或图谱，最终，可以得到目标图，再例如，用户1向用户2转账100元，则其中的实体可以包括用户1和用户2，此外，还可以包括由用户1指向用户2的边(可以表示为“转账100元”)，可
以基于确定的实体和上述边构建相应的图谱，最终，可以得到目标图；或者，目标图已经构建完成，并被存储在指定的存储区域，此时，可以获取目标图的存储区域，可以从该存储区域获取目标图，此外，还可以通过多种不同的方式获取待处理的目标图，具体可以根据实际情况设定，本说明书实施例对此不做限定。
23.在步骤s104中，将目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到目标图中的每个节点对应的隐向量，编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用子图样本，基于子图样本对应的局部重构损失信息和/或子图样本对应的全局损失信息，对编码器和与编码器对应的解码器进行联合训练后得到的编码器。
24.其中，编码器可以通过多种不同的方式构建，例如，编码器可以通过神经网络模型构建，该神经网络模型可以包括多种，如卷积神经网络模型、循环神经网络模型等，具体可以根据实际情况设定，此外，解码器也可以通过多种不同的方式构建，例如，解码器可以通过神经网络模型构建，该神经网络模型可以包括多种，如卷积神经网络模型、循环神经网络模型等，具体可以根据实际情况设定，在实际应用中，可以根据编码器和解码器各自需要实现的功能，将神经网络模型(具体如循环神经网络模型等)拆分为两部分，一部分可以作为编码器(如可以将神经网络模型中进行降维处理的网络层作为编码器)，另一部分可以作为解码器(如可以将神经网络模型中进行升维处理的网络层作为编码器)，或者，还可以通过其它算法分别设置编码器和解码器，例如可以通过贝叶斯算法构建编码器等，具体可以根据实际情况设定，本说明书实施例对此不做限定。节点对应的隐向量可以是节点对应的原向量中所隐藏的向量。
25.在实施中，可以获取相应的算法，并可以基于该算法构建编码器和相应的解码器，例如，可以通过循环神经网络算法构建相应的循环神经网络模型，该循环神经网络模型中可以包括编码器和相应的解码器，编码器的输入数据可以为图，输出数据可以为图中各个节点的隐向量，解码器的输入数据为图中各个节点的隐向量，输出数据为图中各个节点的表征向量。然后，可以获取用于训练编码器和解码器的训练样本(即历史图样本)，可以将历史图样本中的一个或多个节点移除，以对历史图样本中的一个或多个节点进行掩码操作，得到掩码操作后的子图样本，可以使用子图样本计算移除节点后的子图样本对应的局部重构损失信息，和/或，可以使用子图样本计算子图样本对应的全局损失信息，可以使用上述任一个损失信息或2个损失信息作为训练的损失函数，并可以使用该子图样本对编码器和解码器进行联合训练，直到编码器和解码器收敛为止，最终可以得到训练后的编码器。
26.通过上述方式获取到目标图后，可以将该目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到上述预先训练的编码器中，通过编码器的处理，可以得到相应的输出数据，即目标图中的每个节点对应的隐向量。
27.在步骤s106中，基于目标图中的每个节点对应的隐向量，对目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
28.在实施中，通过上述方式得到目标图中的每个节点对应的隐向量后，可以计算目标图中任意两个节点对应的隐向量之间的距离，可以将距离小于预设阈值的两个节点聚类到同一个聚类类别中，可以将距离大于预设阈值的两个节点聚类到不同的聚类类别中，通过上述方式，可以将目标图中包含的节点聚类到一个或多个不同的聚类类别中，从而得到
每个聚类类别中包含的节点。
29.基于上述聚类结果，可以应用于相应的业务中，例如，可以向同一种聚类类别的节点推送相同的推荐信息，向不同聚类类别的节点推送不同的推荐信息，或者，如果某聚类类别中的一个节点存在某风险(如欺诈风险等)，则该聚类类别中的节点可以确定为存在该风险，该聚类类别中的节点可以是欺诈群组中的节点等，具体可以根据实际业务需求进行设置，本说明书实施例对此不做限定。
30.本说明书实施例提供一种数据处理方法，通过获取待处理的包括多个不同的节点和每个节点的属性信息的目标图，并将目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到目标图中的每个节点对应的隐向量，编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用子图样本，基于子图样本对应的局部重构损失信息和/或子图样本对应的全局损失信息，对编码器和与编码器对应的解码器进行联合训练后得到的编码器，最终，可以基于目标图中的每个节点对应的隐向量，对目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点，这样，将社区中的一个节点成员的信息移除，然后，利用该节点和其邻居节点等的信息去重构该节点的信息，并以此确定局部重构损失信息和/或全局损失信息，进而得到训练后的编码器，通过该编码器找到社区中具有相似属性或者相似结构的节点，依据相似性将上述节点进行聚类，得到不同聚类类别的节点群组，以便后续针对不同的业务和不同聚类类别的节点群组，确定不同节点群组的业务属性，尤其是可以确定节点群组是否存在指定的风险等，从而为图提供一种快捷有效的社区划分方式，提高了社区划分的效率。
31.实施例二
32.如图2所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器，其中，该终端设备可以如手机、平板电脑等一定终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以服务器为例进行详细说明，对于终端设备的执行过程可以参见下述相关内容，在此不再赘述。该方法具体可以包括以下步骤：
33.在步骤s202中，获取历史图样本，历史图样本中包括多个不同的节点和每个节点的属性信息。
34.在实施中，可以确定历史图样本所对应的业务，然后，可以从确定的业务中获取相应的历史业务数据，可以对该历史业务数据进行分析，确定其中包含的各种不同的实体(可以包括节点(具体如账户、用户标识等)和不同实体之间的关联关系等，可以基于确定的实体和上述关联关系构建相应的图谱，最终，可以得到历史图样本；或者，历史图样本已经构建完成，并被存储在指定的存储区域，此时，可以获取历史图样本的存储区域，可以从该存储区域获取历史图样本，此外，还可以通过多种不同的方式获取历史图样本，具体可以根据实际情况设定，本说明书实施例对此不做限定。
35.在步骤s204中，将历史图样本中的一个或多个不同的节点移除，得到第一子图样本。
36.在实施中，可以从历史图样本中随机选取一个或多个不同的节点，并可以将上述
选取的一个或多个不同的节点从历史图样本中移除，得到第一子图样本。
37.在步骤s206中，将第一子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，得到第一样本节点隐向量，第一样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量。
38.其中，节点重构处理可以是将已经移除的节点，通过一定的算法或重构方式重新构建该节点的相关信息，以构建相应的节点的处理方式。
39.在实施中，可以将第一子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，通过编码器对被移除的节点进行重构处理，得到重构节点，通过重构节点和未被移除的节点可以还原出历史图样本，然后，可以通过编码器对还原出的历史图样本进行处理，得到第一样本节点隐向量，其中，第一样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量和未被移除的节点对应的隐向量等。
40.在步骤s208中，将第一样本节点隐向量输入到与编码器相对应的解码器中，得到第一样本节点隐向量对应的节点的表征向量。
41.其中，第一样本节点隐向量对应的节点可以包括未被移除的节点和被移除的节点通过节点重构处理后得到的重构节点，相应的，第一样本节点隐向量对应的节点的表征向量可以包括未被移除的节点的表征向量和被移除的节点通过节点重构处理后得到的重构节点的表征向量。编码器和解码器可以是由神经网络模型构建，其中的神经网络模型可以包括循环神经网络模型、卷积神经网络模型、基于注意力机制的神经网络模型中的一个或多个，在实际应用中，神经网络模型除了可以是上述模型外，还可以包括多种不同的模型，具体可以根据实际情况设定。
42.在步骤s210中，基于历史图样本、第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对编码器和解码器进行联合训练，得到训练后的编码器。
43.在实施中，可以预先设定对编码器和解码器进行联合训练所需的损失函数的生成规则，可以基于该生成规则，通过历史图样本生成相应的损失函数，该损失函数可以是局部重构损失信息，也可以是全局损失信息，还可以是基于局部重构损失信息和全局损失信息进行指定计算而得到的损失函数，然后，可以基于局部重构损失信息、全局损失信息和基于局部重构损失信息和全局损失信息进行指定计算而得到的损失函数中的任一种损失函数，并结合第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对编码器和解码器进行联合训练，得到训练后的编码器。
44.上述步骤s210的具体处理方式可以多种多样，以下提供一种可选的处理方式，具体可以包括以下步骤a2和步骤a4的处理。
45.在步骤a2中，基于被移除的节点的表征向量和被移除的节点通过节点重构处理后得到的重构节点的表征向量，确定局部重构损失信息。
46.在实施中，可以计算被移除的节点的表征向量和被移除的节点通过节点重构处理后得到的重构节点的表征向量之间的距离，将计算得到的距离作为局部重构损失信息。其中，对于同一个节点或其邻居节点的上述两个表征向量之间的距离应尽可能小(即对于同一个节点或其邻居节点的上述两个表征向量之间的距离小于第一预设距离阈值)。
47.在步骤a4中，基于历史图样本和局部重构损失信息，根据梯度下降算法对编码器和解码器进行联合训练，得到训练后的编码器。
48.在实施中，可以将局部重构损失信息作为对编码器和解码器进行联合训练所需的损失函数对应的损失信息，然后，可以基于局部重构损失信息，并结合第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对编码器和解码器进行联合训练，得到训练后的编码器。
49.上述步骤s210的具体处理方式可以多种多样，以下再提供一种可选的处理方式，具体可以包括以下步骤b2～步骤b6的处理。
50.在步骤b2中，基于被移除的节点的表征向量和被移除的节点通过节点重构处理后得到的重构节点的表征向量，确定局部重构损失信息。
51.在步骤b4中，基于两个不同节点中每个节点对应的样本节点隐向量，确定全局损失信息，两个不同节点为被移除的节点通过节点重构处理后得到的重构节点。
52.在实施中，可以计算两个不同节点(两个不同节点为被移除的节点通过节点重构处理后得到的重构节点)中每个节点对应的样本节点隐向量之间的距离，将计算得到的距离作为全局损失信息。其中，对于相似节点(比如具有共同邻居结构的两个节点，如图3中的黑色节点或者图3中的斜线圈的节点或者图3中的网格圈的节点等)对应的样本节点隐向量之间的距离应尽可能小(即对于相似节点对应的样本节点隐向量之间的距离小于第二预设距离阈值)。
53.在步骤b6中，基于历史图样本和全局损失信息，根据梯度下降算法对编码器和解码器进行联合训练，得到训练后的编码器。
54.在实施中，可以将全局损失信息作为对编码器和解码器进行联合训练所需的损失函数对应的损失信息，然后，可以基于全局损失信息，并结合第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对编码器和解码器进行联合训练，得到训练后的编码器。
55.上述步骤b6的具体处理方式可以多种多样，以下提供一种可选的处理方式，具体可以包括以下步骤b62和步骤b64的处理。
56.在步骤b62中，基于局部重构损失信息和全局损失信息，确定目标损失信息。
57.在实施中，可以将局部重构损失信息和全局损失信息进行相加计算，得到的相加结果作为目标损失信息。
58.在步骤b64中，基于历史图样本和目标损失信息，根据梯度下降算法对编码器和解码器进行联合训练，得到训练后的编码器。
59.在实施中，可以将目标损失信息作为对编码器和解码器进行联合训练所需的损失函数对应的损失信息，然后，可以基于目标损失信息，并结合第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对编码器和解码器进行联合训练，得到训练后的编码器。
60.其中，从历史图样本中移除的节点数量可以为一个，则上述基于两个不同节点中每个节点对应的样本节点隐向量，确定全局损失信息的处理，可以通过以下步骤c2～步骤c8的处理实现。
61.在步骤c2中，将历史图样本中除移除的节点之外的节点中的另一个节点移除，得
到第二子图样本。
62.在实施中，可以将历史图样本中之前被移除的节点还原，从而得到完整的历史图样本，然后，从历史图样本中除移除的节点之外的节点中的另一个节点移除，此时，完整的历史图样本中被移除了另一个节点(此时，完整的历史图样本中仍然只是总共被移除了一个节点)。
63.在步骤c4中，将第二子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，得到第二样本节点隐向量，第二样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量。
64.在步骤c6中，将第二样本节点隐向量输入到与编码器相对应的解码器中，得到第二样本节点隐向量对应的节点的表征向量。
65.在步骤c8中，基于从历史图样本中移除的一个节点对应的第一样本节点隐向量和从历史图样本中移除的另一个节点对应的第二样本节点隐向量，确定全局损失信息。
66.在实施中，可以计算从历史图样本中移除的一个节点对应的第一样本节点隐向量和从历史图样本中移除的另一个节点对应的第二样本节点隐向量之间的距离，可以将计算得到的距离作为全局损失信息。
67.在步骤s212中，获取待处理的目标图，目标图中包括多个不同的节点和每个节点的属性信息。
68.在步骤s214中，将目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到目标图中的每个节点对应的隐向量。
69.在步骤s216中，基于目标图中的每个节点对应的隐向量，使用k-means算法对目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
70.上述步骤s212～步骤s216的具体处理可以参见上述实施例中的相关内容，在此不再赘述。
71.在步骤s218中，基于一个或多个不同的聚类类别的节点，确定存在预设风险的聚类类别的节点。
72.其中，预设风险可以包括多种，例如欺诈风险或业务安全风险等，具体可以根据实际情况设定。
73.在实施中，通过上述方式将目标图中的节点划分到一个或多个不同的聚类类别中，如果某聚类类别中的一个或多个节点存在预设风险，则可以确定该聚类类别中的节点为存在预设风险的聚类类别的节点，例如，聚类类别a中的账户1(即一个节点)存在欺诈风险，则可以确定聚类类别a中的账户为存在欺诈风险的群组账户。
74.本说明书实施例提供一种数据处理方法，通过获取待处理的包括多个不同的节点和每个节点的属性信息的目标图，并将目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到目标图中的每个节点对应的隐向量，编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用子图样本，基于子图样本对应的局部重构损失信息和/或子图样本对应的全局损失信息，对编码器和与编码器对应的解码器进行联合训练后得到的编码器，最终，可以基于目标图中的每个节点对应的隐向量，对目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点，这样，将社区中的一个节点成员的信息移除，然后，利用该节点和其邻居节点等的
信息去重构该节点的信息，并以此确定局部重构损失信息和/或全局损失信息，进而得到训练后的编码器，通过该编码器找到社区中具有相似属性或者相似结构的节点，依据相似性将上述节点进行聚类，得到不同聚类类别的节点群组，以便后续针对不同的业务和不同聚类类别的节点群组，确定不同节点群组的业务属性，尤其是可以确定节点群组是否存在指定的风险等，从而为图提供一种快捷有效的社区划分方式，提高了社区划分的效率。
75.实施例三
76.以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图4所示。
77.该数据处理装置包括：图谱获取模块401、隐向量确定模块402和聚类模块403，其中：
78.图谱获取模块401，获取待处理的目标图，所述目标图中包括多个不同的节点和每个节点的属性信息；
79.隐向量确定模块402，将所述目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到所述目标图中的每个节点对应的隐向量，所述编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用所述子图样本，基于所述子图样本对应的局部重构损失信息和/或所述子图样本对应的全局损失信息，对所述编码器和与所述编码器对应的解码器进行联合训练后得到的编码器；
80.聚类模块403，基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
81.本说明书实施例中，所述聚类模块403，基于所述目标图中的每个节点对应的隐向量，使用k-means算法对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
82.本说明书实施例中，所述装置还包括：
83.风险确定模块，基于一个或多个不同的聚类类别的节点，确定存在预设风险的聚类类别的节点。
84.本说明书实施例中，所述装置还包括：
85.样本获取模块，获取所述历史图样本，所述历史图样本中包括多个不同的节点和每个节点的属性信息；
86.节点移除模块，将所述历史图样本中的一个或多个不同的节点移除，得到第一子图样本；
87.样本隐向量确定模块，将所述第一子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，得到第一样本节点隐向量，所述第一样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量；
88.样本表征确定模块，将所述第一样本节点隐向量输入到与所述编码器相对应的解码器中，得到所述第一样本节点隐向量对应的节点的表征向量；
89.训练模块，基于所述历史图样本、所述第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
90.本说明书实施例中，所述训练模块，包括：
91.第一局部损失确定单元，基于被移除的节点的表征向量和所述被移除的节点通过节点重构处理后得到的重构节点的表征向量，确定所述局部重构损失信息；
92.第一训练单元，基于所述历史图样本和所述局部重构损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
93.本说明书实施例中，所述训练模块，包括：
94.第二局部损失确定单元，基于被移除的节点的表征向量和所述被移除的节点通过节点重构处理后得到的重构节点的表征向量，确定所述局部重构损失信息；
95.全局损失确定单元，基于两个不同节点中每个节点对应的样本节点隐向量，确定所述全局损失信息，所述两个不同节点为被移除的节点通过节点重构处理后得到的重构节点；
96.第二训练单元，基于所述历史图样本和所述全局损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
97.本说明书实施例中，所述第二训练单元，基于所述局部重构损失信息和所述全局损失信息，确定目标损失信息；基于所述历史图样本和所述目标损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
98.本说明书实施例中，从所述历史图样本中移除的节点数量为一个，所述全局损失确定单元，将所述历史图样本中除移除的节点之外的节点中的另一个节点移除，得到第二子图样本；将所述第二子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，得到第二样本节点隐向量，所述第二样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量；将所述第二样本节点隐向量输入到与所述编码器相对应的解码器中，得到所述第二样本节点隐向量对应的节点的表征向量；基于从所述历史图样本中移除的一个节点对应的第一样本节点隐向量和从所述历史图样本中移除的另一个节点对应的第二样本节点隐向量，确定所述全局损失信息。
99.本说明书实施例提供一种数据处理装置，通过获取待处理的包括多个不同的节点和每个节点的属性信息的目标图，并将目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到目标图中的每个节点对应的隐向量，编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用子图样本，基于子图样本对应的局部重构损失信息和/或子图样本对应的全局损失信息，对编码器和与编码器对应的解码器进行联合训练后得到的编码器，最终，可以基于目标图中的每个节点对应的隐向量，对目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点，这样，将社区中的一个节点成员的信息移除，然后，利用该节点和其邻居节点等的信息去重构该节点的信息，并以此确定局部重构损失信息和/或全局损失信息，进而得到训练后的编码器，通过该编码器找到社区中具有相似属性或者相似结构的节点，依据相似性将上述节点进行聚类，得到不同聚类类别的节点群组，以便后续针对不同的业务和不同聚类类别的节点群组，确定不同节点群组的业务属性，尤其是可以确定节点群组是否存在指定的风险等，从而为图提供一种快捷有效的社区划分方式，提高了社区划分的效率。
100.实施例四
101.以上为本说明书实施例提供的数据处理装置，基于同样的思路，本说明书实施例还提供一种数据处理设备，如图5所示。
102.所述数据处理设备可以为上述实施例提供终端设备或服务器等。
103.数据处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在数据处理设备上执行存储器502中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。
104.具体在本实施例中，数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
105.获取待处理的目标图，所述目标图中包括多个不同的节点和每个节点的属性信息；
106.将所述目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到所述目标图中的每个节点对应的隐向量，所述编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用所述子图样本，基于所述子图样本对应的局部重构损失信息和/或所述子图样本对应的全局损失信息，对所述编码器和与所述编码器对应的解码器进行联合训练后得到的编码器；
107.基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
108.本说明书实施例中，所述基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点，包括：
109.基于所述目标图中的每个节点对应的隐向量，使用k-means算法对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
110.本说明书实施例中，还包括：
111.基于一个或多个不同的聚类类别的节点，确定存在预设风险的聚类类别的节点。
112.本说明书实施例中，还包括：
113.获取所述历史图样本，所述历史图样本中包括多个不同的节点和每个节点的属性信息；
114.将所述历史图样本中的一个或多个不同的节点移除，得到第一子图样本；
115.将所述第一子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，得到第一样本节点隐向量，所述第一样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量；
116.将所述第一样本节点隐向量输入到与所述编码器相对应的解码器中，得到所述第一样本节点隐向量对应的节点的表征向量；
117.基于所述历史图样本、所述第一样本节点隐向量对应的节点的表征向量和第一样
本节点隐向量，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
118.本说明书实施例中，所述基于所述历史图样本、所述第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器，包括：
119.基于被移除的节点的表征向量和所述被移除的节点通过节点重构处理后得到的重构节点的表征向量，确定所述局部重构损失信息；
120.基于所述历史图样本和所述局部重构损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
121.本说明书实施例中，所述基于所述历史图样本、所述第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器，包括：
122.基于被移除的节点的表征向量和所述被移除的节点通过节点重构处理后得到的重构节点的表征向量，确定所述局部重构损失信息；
123.基于两个不同节点中每个节点对应的样本节点隐向量，确定所述全局损失信息，所述两个不同节点为被移除的节点通过节点重构处理后得到的重构节点；
124.基于所述历史图样本和所述全局损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
125.本说明书实施例中，所述基于所述历史图样本和所述全局损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器，包括：
126.基于所述局部重构损失信息和所述全局损失信息，确定目标损失信息；
127.基于所述历史图样本和所述目标损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
128.本说明书实施例中，从所述历史图样本中移除的节点数量为一个，所述基于两个不同节点中每个节点对应的样本节点隐向量，确定所述全局损失信息，包括：
129.将所述历史图样本中除移除的节点之外的节点中的另一个节点移除，得到第二子图样本；
130.将所述第二子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，得到第二样本节点隐向量，所述第二样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量；
131.将所述第二样本节点隐向量输入到与所述编码器相对应的解码器中，得到所述第二样本节点隐向量对应的节点的表征向量；
132.基于从所述历史图样本中移除的一个节点对应的第一样本节点隐向量和从所述历史图样本中移除的另一个节点对应的第二样本节点隐向量，确定所述全局损失信息。
133.本说明书实施例提供一种数据处理设备，通过获取待处理的包括多个不同的节点和每个节点的属性信息的目标图，并将目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到目标图中的每个节点对应的隐向量，编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用子图样本，基于子图样本对应的局部重构损失信息和/或子图样本对应的全局损失信息，对编码器和
与编码器对应的解码器进行联合训练后得到的编码器，最终，可以基于目标图中的每个节点对应的隐向量，对目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点，这样，将社区中的一个节点成员的信息移除，然后，利用该节点和其邻居节点等的信息去重构该节点的信息，并以此确定局部重构损失信息和/或全局损失信息，进而得到训练后的编码器，通过该编码器找到社区中具有相似属性或者相似结构的节点，依据相似性将上述节点进行聚类，得到不同聚类类别的节点群组，以便后续针对不同的业务和不同聚类类别的节点群组，确定不同节点群组的业务属性，尤其是可以确定节点群组是否存在指定的风险等，从而为图提供一种快捷有效的社区划分方式，提高了社区划分的效率。
134.实施例五
135.进一步地，基于上述图1到图3所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为u盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
136.获取待处理的目标图，所述目标图中包括多个不同的节点和每个节点的属性信息；
137.将所述目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到所述目标图中的每个节点对应的隐向量，所述编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用所述子图样本，基于所述子图样本对应的局部重构损失信息和/或所述子图样本对应的全局损失信息，对所述编码器和与所述编码器对应的解码器进行联合训练后得到的编码器；
138.基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
139.本说明书实施例中，所述基于所述目标图中的每个节点对应的隐向量，对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点，包括：
140.基于所述目标图中的每个节点对应的隐向量，使用k-means算法对所述目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点。
141.本说明书实施例中，还包括：
142.基于一个或多个不同的聚类类别的节点，确定存在预设风险的聚类类别的节点。
143.本说明书实施例中，还包括：
144.获取所述历史图样本，所述历史图样本中包括多个不同的节点和每个节点的属性信息；
145.将所述历史图样本中的一个或多个不同的节点移除，得到第一子图样本；
146.将所述第一子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，得到第一样本节点隐向量，所述第一样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量；
147.将所述第一样本节点隐向量输入到与所述编码器相对应的解码器中，得到所述第一样本节点隐向量对应的节点的表征向量；
148.基于所述历史图样本、所述第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后
的编码器。
149.本说明书实施例中，所述基于所述历史图样本、所述第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器，包括：
150.基于被移除的节点的表征向量和所述被移除的节点通过节点重构处理后得到的重构节点的表征向量，确定所述局部重构损失信息；
151.基于所述历史图样本和所述局部重构损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
152.本说明书实施例中，所述基于所述历史图样本、所述第一样本节点隐向量对应的节点的表征向量和第一样本节点隐向量，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器，包括：
153.基于被移除的节点的表征向量和所述被移除的节点通过节点重构处理后得到的重构节点的表征向量，确定所述局部重构损失信息；
154.基于两个不同节点中每个节点对应的样本节点隐向量，确定所述全局损失信息，所述两个不同节点为被移除的节点通过节点重构处理后得到的重构节点；
155.基于所述历史图样本和所述全局损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
156.本说明书实施例中，所述基于所述历史图样本和所述全局损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器，包括：
157.基于所述局部重构损失信息和所述全局损失信息，确定目标损失信息；
158.基于所述历史图样本和所述目标损失信息，根据梯度下降算法对所述编码器和所述解码器进行联合训练，得到训练后的编码器。
159.本说明书实施例中，从所述历史图样本中移除的节点数量为一个，所述基于两个不同节点中每个节点对应的样本节点隐向量，确定所述全局损失信息，包括：
160.将所述历史图样本中除移除的节点之外的节点中的另一个节点移除，得到第二子图样本；
161.将所述第二子图样本中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先构建的编码器中，得到第二样本节点隐向量，所述第二样本节点隐向量中包括被移除的节点通过节点重构处理后得到的重构节点对应的隐向量；
162.将所述第二样本节点隐向量输入到与所述编码器相对应的解码器中，得到所述第二样本节点隐向量对应的节点的表征向量；
163.基于从所述历史图样本中移除的一个节点对应的第一样本节点隐向量和从所述历史图样本中移除的另一个节点对应的第二样本节点隐向量，确定所述全局损失信息。
164.本说明书实施例提供一种存储介质，通过获取待处理的包括多个不同的节点和每个节点的属性信息的目标图，并将目标图中的不同节点之间的边的关系信息和每个节点的属性信息输入到预先训练的编码器中，得到目标图中的每个节点对应的隐向量，编码器是通过对历史图样本中的一个或多个节点进行移除得到的子图样本，并使用子图样本，基于子图样本对应的局部重构损失信息和/或子图样本对应的全局损失信息，对编码器和与编码器对应的解码器进行联合训练后得到的编码器，最终，可以基于目标图中的每个节点对
应的隐向量，对目标图中包含的节点进行聚类处理，得到一个或多个不同的聚类类别的节点，这样，将社区中的一个节点成员的信息移除，然后，利用该节点和其邻居节点等的信息去重构该节点的信息，并以此确定局部重构损失信息和/或全局损失信息，进而得到训练后的编码器，通过该编码器找到社区中具有相似属性或者相似结构的节点，依据相似性将上述节点进行聚类，得到不同聚类类别的节点群组，以便后续针对不同的业务和不同聚类类别的节点群组，确定不同节点群组的业务属性，尤其是可以确定节点群组是否存在指定的风险等，从而为图提供一种快捷有效的社区划分方式，提高了社区划分的效率。
165.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
166.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device，pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
167.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实
现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
168.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
169.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
170.本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
171.本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器，使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
172.这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
173.这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
174.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
175.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
176.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除
可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
177.还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
178.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
179.本说明书一个或多个实施例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说明书一个或多个实施例，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。
180.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
181.以上所述仅为本说明书的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。