CN101727633A - 信用数据的处理方法及装置 - Google Patents

Abstract

本发明提供一种信用数据的处理方法，包括：获得针对至少一个评价对象的原始信用数据；过滤掉虚假的原始信用数据，保留真实的原始信用数据。本发明还提供一种信用数据的处理装置。在本发明中，不是直接将获得的原始信用数据简单的作为真实信用数据，而是过滤掉虚假的原始信用数据，保留真实的原始信用数据，这样，再以真实的原始信用数据为基础进行信用数据的处理，得到的结果就能够尽量真实的反映评价对象的信用情况。

Description

信用数据的处理方法及装置

技术领域

本发明涉及电子商务技术，尤其涉及信用数据的处理技术。

背景技术

信用作为电子商务领域中的一个重要指标，越来越受到电子商务领域中的用户的关注。例如，某个用户在通过电子交易系统与对方进行生意来往之前，一般都需要了解对方的信用，当确定对方的信用符合自己的要求后，这个用户才会与对方进行生意来往。

随着用户对信用与日俱增的关注，如何进行信用评价已成为电子商务领域的一个热门技术问题。而在信用评价过程中，对信用数据的处理尤为重要。例如，处理针对某个评价对象的原始的信用数据后，得到一个处理结果，之后将这个处理结果提供给需要获知这个评价对象的用户，这样，用户就可以根据这个处理结果决定是否与这个评价对象进行合作。

目前，虽然已有多种信用数据的处理技术可供信用评价体系使用，但这些信用数据的处理技术多数是以假设原始信用数据是真实的为前提的，也就是说，这些使用数据的处理技术是对假设为真实的原始信用数据进行处理的。然而，在实际应用中，很可能会出现虚假的原始信用数据，例如恶意评价或有意过高的评价(即炒作)，这样，如果以假设这些虚假的原始信用数据为真实的信用数据为前提进行处理，那么得到的处理结果未必会真实的反映评价对象的信用情况，进而可能会对需要获知评价对象的信用情况的用户造成误导。

发明内容

本发明要解决的技术问题是提供信用数据的处理方法及装置，以使得到的处理结果能够尽量真实的反映评价对象的信用情况。

一种信用数据的处理方法，包括：获得针对至少一个评价对象的原始信用数据；过滤掉虚假的原始信用数据，保留真实的原始信用数据。

一种信用数据的处理装置，包括：获得单元，用于获得针对至少一个评价对象的原始信用数据；处理单元，用于过滤掉所述获得单元获得的虚假的原始信用数据，保留所述获得单元获得的真实的原始信用数据。

在本发明中，不是直接将获得的原始信用数据简单的作为真实信用数据，而是过滤掉虚假的原始信用数据，保留真实的原始信用数据，这样，再以真实的原始信用数据为基础进行信用数据的处理，得到的结果就能够尽量真实的反映评价对象的信用情况。

附图说明

图1是本发明的一种信用数据的处理方法的流程图；

图2是本发明的一种信用数据的处理装置的结构示意图；

图3是图2中的处理单元的结构示意图。

具体实施方式

首先对本发明的一种信用数据的处理方法进行说明，如图1所示，所述方法包括：

S101：获得针对至少一个评价对象的原始信用数据；

S102：过滤掉虚假的原始信用数据，保留真实的原始信用数据。

原始信用数据可以是从业务系统中获得的，业务系统是指处理业务的系统，例如关于食品、钢铁行业的系统。在不同的业务系统中，原始信用数据的类型可能不尽相同。例如，有些业务系统的原始信用数据只包括第三方认证、产品质量认证和管理质量认证这三项数据，而有些业务系统的原始信用数据只包括单次交易评分和产品质量认证这两项数据。

另外，获得的原始信用数据既可以是针对一个评价对象的原始信用数据，也可以是针对多个评价对象的原始信用数据。例如，某次获得的原始信用数据可以是针对企业A的原始信用数据，也可以是针对企业A的原始信用数据和针对买家C的原始信用数据。

此外，获得的原始信用数据可以包括静态的原始信用数据和动态的原始信用数据。

静态的原始信用数据一般是相对固定的，例如是：企业基本信息的完整程度的评分、成立年限的评分、高管素质的评分、银行授信的评分、证书认证的评分等。静态的原始信用数据可以是多个数据经过运算后的值，例如是企业基本信息的完整程度的评分、成立年限的评分、高管素质的评分、银行授信的评分、证书认证的评分等分数之和。

动态的原始信用数据一般是动态变化的。例如，对于企业所提供的服务的质量的评分，就是随着企业所提供的服务的质量动态变化的。

动态的信用数据的计算一般需要关注两个问题：一是如何对单次交往进行评分；二是如何将多次交往的评分聚合成为动态的信用数据。

对于单次交往的评分，可以采用服务质量度量框架进行。通过制定详细和合理的评分准则，可以得到较为精确的评分结果。在本发明的实施例中，我们对单次交往的评分采用的是100分制，所以聚合后的动态的信用数据的最高值也是100。

本发明的实施例运用了相关性、承诺、清晰度、影响力(CCCI，Corr_qualities、Commit_criterion、Clear_criterion、Inf_criterion)方法对单次交往进行评分。具体的，可自定义每个评定准则(评定方向)，例如增加、删除评定方向，修改评定方向名称，调整每个评定方向权重。对于每个评定准则(评定方向)，可配置其评定刻度及每个评定刻度对应的描述。例如对于“发货时间是否及时”这个评定方向，可配置为-1分、0分、1分用于CCCI，同时，每个分数可以配置相应的描述为“不及时”、“一般”、“及时”展现给用户。对于根据每个评定准则(评定方向)所得到的评分，还可以再与时间因子或金额因子等参数进行运算，这样，运算后得到的结果才作为对应于评定准则(评定方向)的评分。例如，时间因子表示交往的时间，金额因子表示交易的金额，根据每个评定准则(评定方向)所得到的评分可以与时间因子或金额因子等参数进行加权运算，加权后得到的结果作为对应于评定准则(评定方向)的评分。

对于能够提供静态的原始信用数据和动态的原始信用数据的业务系统来说，在步骤S101中获得的原始信用数据可以是静态的原始信用数据与动态的原始信用数据之间经过运算后得到的结果，例如，假设静态的原始信用数据和动态的原始信用数据分别是一个数值，那么获得的原始信用数据就可以是这两个数值相加得到的数值。

此外，在步骤S101中获得的原始信用数据既可以是一维数据，也可以是多维数据。例如，上述的代表静态的原始信用数据的数值与代表动态的原始信用数据的数值相加得到的数值就是一个一维数据，而如果获得的原始信用数据包括对应每个评定准则(评定方向)的评分，那么获得的原始信用数据就是多维数据，对应一个评定准则(评定方向)的评分就是多维数据中的一维数据。

步骤S102可以由多种方式来实现。例如，将所有的针对一个评价对象的原始信用数据分为两个集合，其中，任意一个集合中的任意一个原始信用数据与同集合中的其他原始信用数据之间的差异不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的原始信用数据之间的差异；根据预先设置的规则，过滤掉其中一个集合中的所有原始信用数据，保留另一个集合中的所有原始信用数据。

任意一个集合中的任意一个原始信用数据与同集合中的其他原始信用数据之间的差异不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的原始信用数据之间的差异的实现方式为：所述任意一个集合中的任意一个原始信用数据与同集合中的其他所有的原始信用数据之间的差异的平均值不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的所有原始信用数据之间的差异的平均值。

上述的原始信用数据之间的差异可以是原始信用数据的数值之间的差值，也可以是原始信用数据的数值经过加权处理后得到的数值之间的差值，如果原始信用数据是多维数值组成的数据，则上述的原始信用数据之间的差异还可以是原始信用数据之间的矢量距离差异。

上述的预先设置的规则可以根据实际需要而设置。例如，如果原始信用数据是数值且需要过滤掉有意过高的评价，则预先设置的规则可以为：过滤掉所有原始信用数据的平均值大的集合中的所有原始信用数据，保留所有原始信用数据的平均值小的集合中的所有原始信用数据；如果原始信用数据是数值且需要过滤掉恶意评价，则预先设置的可以规则为：过滤掉所有原始信用数据的平均值小的集合中的所有原始信用数据，保留所有原始信用数据的平均值大的集合中的所有原始信用数据。再例如，如果原始信用数据是多维数值组成的数据且需要过滤掉有意过高的评价，则预先设置的规则可以为：过滤掉由平均值组成的数据的值较大的集合中的所有原始信用数据，保留由平均值组成的数据的值小的集合中的所有原始信用数据；如果原始信用数据是多维数值组成的数据且需要过滤掉恶意评价，则预先设置的规则可以为：过滤掉由平均值组成的数据的值较小的集合中的所有原始信用数据，保留由平均值组成的数据的值较大的集合中的所有原始信用数据；其中，由平均值组成的数据是一个集合中的所有原始信用数据的每一维数值的平均值组成的数据，如果第一集合的由平均值组成的数据与第二集合的由平均值组成的数据之间的每维数值之差的总和大于零，则确定所述第一集合的由平均值组成的数据的值较大，如果第一集合的由平均值组成的数据与第二集合的由平均值组成的数据之间的每维数值之差的总和小于零，则确定所述第一集合的由平均值组成的数据的值较小。

下面分别通过三种算法，对过滤掉虚假的原始信用数据、保留真实的原始信用数据的实现方式进行详细说明，其中，虚假的原始信用数据以信用炒作数据为例。

1.第一种算法

首先假设正常的评分符合N(μ，σ)分布，信用炒作评分符合N(μ′，σ′)分布，其中，μ可以视为企业的真实信用度。为了达到信用炒作的效果，一般认为μ′≈100，σ′≈0。再假设，在所有的评分记录中，(1-δ)100％为真实评分，100δ％为信用炒作，那么在没有经过任何处理得到的信用度R_nofilter为：

R_nofilter≈(1-δ)μ+δμ′

真实的信用度R_fair为：

R_fair≈μ

R_nofilter与R_fair之差被称为信用度的偏移值(bias)，偏移值B(μ，σ)为：

B(μ，σ)＝R_nofilter-R_fair≈δ(100-μ)

这个偏移值代表了信用炒作对信用度的影响，如果偏移值越大，则说明信用炒作的影响越严重。本发明的第一种算法的目的就是尽可能地减小B(μ，σ)，从而减小信用炒作对信用度的影响。

基于以上假设条件，首先使用Macnaughton-Smith et al.递归方法将全集N分为两个聚类，其中全集N中包括针对一个评价对象的多个信用数据：

步骤1：设两个集合A＝N，

在这个阶段，将A中的元素向B移动。对A中的每个元素i，首先计算i到A中其他元素的差异性D(i，A＝{i})：

$D(i,A=\{i\left\}\right)=\frac{1}{\left|A\right|-1}\underset{j\≠i}{\underset{j\∈A}{\mathrm{\Σ}}}d(i,j)$

其中，d是一个距离函数，首先将D值最大的元素从A移动到B。

步骤2：如果A中还有1个以上元素，则对A中剩余的每一个元素i，计算i与A中其他元素的差异性和i与B中元素的差异性之间的差异D(i，A-{i})-D(i，B)：

$D(i,A-\{i\left\}\right)-D(i,B)=\frac{1}{\left|A\right|-1}\underset{j\∈i}{\underset{j\∈A}{\mathrm{\Σ}}}d(i,j)-\frac{1}{\left|B\right|}\underset{h\∈B}{\mathrm{\Σ}}d(i,h)$

如果这个结果大于0，则说明i与A中其他元素的差异大于i与B中元素的差异，这样就需要将i从A移动到B；如果这个结果小于0，则说明i与A中其他元素的差异小于i与B中元素的差异，这样，i继续留在A中；如果这个结果等于0，则说明i与A中其他元素的差异和i与B中元素的差异相同，此时，可以将i继续留在A中，也可以将i从A移动到B。

这样，就将所有的评分结果分为两个互不相交的子集，将平均值较高的那个子集记作N_high，平均值较低的那个子集记作N_low。在这里，将N_high中的评分视作信用炒作的评分，将N_low中的评分作为真实信用的评分。之后，可以计算出过滤后的偏移值：

B′(μ，σ)＝R_withfilter-R_fair

如果B′的绝对值小于B，那么就说明本发明的第一种算法对于消除信用炒作的影响起到了积极的作用，所以，对于本发明的第一种算法的效果的研究可以主要着重于比较B′和B的大小。

2.第二种算法：

如果使用时间因子或金额因子等修正参数对第一种算法中的元素i进行加权运算，且使用加权后的元素进行第一种算法中的几个公式的运算，则不会因为多了时间因子或金额因子等修正参数而对分析过程产生影响，实际上，使用时间因子或金额因子等修正参数一般只会对评分进行修正。所以，本发明的第二种算法使用时间因子或金额因子等修正参数对第一种算法中的元素i进行加权运算，且使用加权后的元素进行第一种算法中的几个公式的运算。如果使用时间因子，则时间因子可以采用

其中，n是当前运行算法的时间，m是原始信用数据产生的时间，N是常量，一般是一个比较大的整数。

3.第三种算法

上面提到过，在步骤S101中获得的原始信用数据可能是多维数据，对此，在计算针对同一个评价对象的两个多维数据之间的差异性时，可以计算两个多维数据之间的矢量距离。这样，当某些真实的评分结果和某些炒作的评分结果很接近的时候，可以通过两个评分结果之间的矢量距离加以区分。

例如，假设取5条评分准则，权重相同，矢量的每个分量代表这次交往在该条评分准则下的得分，再假设3次交往的评分在各条评分准则下的得分分别如下：

[10，10，8，10，8]

[10，10，7，10，8]

[8，8，10，10，10]

其中，第1条和第2条评分结果为真实评分，第3条评分结果为信用炒作的评分。

使用评分结果的矢量距离作为两个评分结果之间的差异，则第1条评分结果和第3条评分结果的矢量距离为：

$\sqrt{{(10-8)}^2+{(10-8)}^2+{(8-10)}^2+{(10-10)}^2+{(8-10)}^2}=4$

而第1条和第2条评分结果的矢量距离为：

$\sqrt{{(10-10)}^2+{(10-10)}^2+{(7-8)}^2+{(10-10)}^2+{(8-8)}^2}=1$

由于第1条评分结果和第2条评分结果的矢量距离较为接近，所以可以正确地将两条真实的评分结果聚合到一起。

由上述可知，矢量距离函数可以表示为：

$d^{\′}(\stackrel{\→}{i},\stackrel{\→}{j})=|\stackrel{\→}{i}-\stackrel{\→}{j}|$

其中，

和

代表两次不同的交往评分结果的矢量化。

当然，上述三种算法只是本发明给出的优选实施方式，在实际应用中，本领域技术人员还可以使用其他可行的算法，这里不再一一列举这样的算法。

总之，包括上述三种算法的这一类算法的基本思想是，通过聚类机制将所有评分结果分为两个集合。在正常情况(假设恶意评价可以排除)下，平均分较高的那一个集合可以视为信用炒作的结果，所以在分析原始信用数据时，可以只保留低分的集合。在这里，将包括上述三种算法的这一类算法称为聚类过滤算法。

保留真实的原始信用数据之后，可以基于真实的原始信用数据，生成评价对象的信用情况描述。对此，在图1所示的步骤S102之后，还可以包括：S103：根据真实的原始信用数据，生成评价对象的信用情况描述。

具体来说，可以有多种方式来表示信用情况描述，例如以整体信用概况、信用报告或信用走势等形式来表示信用情况描述。整体信用概况、信用报告或信用走势都可以使用文字来描述，整体信用概况还可以使用分数或等级来描述。例如，假设某个评价对象的信用情况描述需要以整体信用概况的形式来描述，那么描述的内容可以是好、差等简单的文字，也可以是举例形式的详细描述。描述的内容除文字形式外，可以是打分的形式，例如以100分为满分，那么得到的结果可能是80、90这样的数字分值。如果描述的内容是等级的形式，那么得到的结果可能是1、2、3这样的级别数字。总之，基于真实的原始信用数据，可以根据实际需要而生成多种形式的信用情况描述，这里不再一一举例说明。

除图1所示的方法外，本发明还提供一种信用数据的处理装置，如图2所示，所述装置包括：获得单元201，用于获得针对至少一个评价对象的原始信用数据；处理单元202，用于过滤掉所述获得单元201获得的虚假的原始信用数据，保留所述获得单元201获得的真实的原始信用数据。

有关获得单元201获得的原始信用数据的描述可以参见图1所示的方法实施例中对原始信用数据的描述，这里不再赘述。

处理单元202可以由多种方式来实现。例如，处理单元202包括：分类模块2021，用于将所有的针对一个评价对象的原始信用数据分为两个集合，其中，任意一个集合中的任意一个原始信用数据与同集合中的其他原始信用数据之间的差异不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的原始信用数据之间的差异；处理模块2022，用于根据预先设置的规则，过滤掉所述分类单元2021划分的其中一个集合中的所有原始信用数据，保留所述分类单元2021划分的另一个集合中的所有原始信用数据。

分类模块2021在划分集合时，对于任意一个集合中的任意一个原始信用数据与同集合中的其他原始信用数据之间的差异不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的原始信用数据之间的差异的实现方式可以为：所述任意一个集合中的任意一个原始信用数据与同集合中的其他所有的原始信用数据之间的差异的平均值不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的所有原始信用数据之间的差异的平均值。

上述的原始信用数据之间的差异可以是原始信用数据的数值之间的差值，也可以是原始信用数据的数值经过加权处理后得到的数值之间的差值，如果原始信用数据是多维数值组成的数据，则上述的原始信用数据之间的差异还可以是原始信用数据之间的矢量距离差异。

上述的预先设置的规则可以根据实际需要而设置。例如，如果原始信用数据是数值且需要过滤掉有意过高的评价，则预先设置的规则可以为：过滤掉所有原始信用数据的平均值大的集合中的所有原始信用数据，保留所有原始信用数据的平均值小的集合中的所有原始信用数据；如果原始信用数据是数值且需要过滤掉恶意评价，则预先设置的可以规则为：过滤掉所有原始信用数据的平均值小的集合中的所有原始信用数据，保留所有原始信用数据的平均值大的集合中的所有原始信用数据。再例如，如果原始信用数据是多维数值组成的数据且需要过滤掉有意过高的评价，则预先设置的规则可以为：过滤掉由平均值组成的数据的值较大的集合中的所有原始信用数据，保留由平均值组成的数据的值小的集合中的所有原始信用数据；如果原始信用数据是多维数值组成的数据且需要过滤掉恶意评价，则预先设置的规则可以为：过滤掉由平均值组成的数据的值较小的集合中的所有原始信用数据，保留由平均值组成的数据的值较大的集合中的所有原始信用数据；其中，由平均值组成的数据是一个集合中的所有原始信用数据的每一维数值的平均值组成的数据，如果第一集合的由平均值组成的数据与第二集合的由平均值组成的数据之间的每维数值之差的总和大于零，则确定所述第一集合的由平均值组成的数据的值较大，如果第一集合的由平均值组成的数据与第二集合的由平均值组成的数据之间的每维数值之差的总和小于零，则确定所述第一集合的由平均值组成的数据的值较小。对应的，图2所示的装置可以包括一个存储单元(图中未绘示)，或者处理单元202可以包括一个存储模块(图中未绘示)，存储单元或存储模块可以存储预先设置的规则，当处理模块2022需要根据预先设置的规则处理两个集合时，存储单元或存储模块可以将预先设置的规则提供给处理模块2022。

在实际应用中，处理单元202可以使用多种算法来过滤掉虚假的原始信用数据、保留真实的原始信用数据。具体可以参见图1所示的方法实施例中的三种算法的描述，这里不再赘述。

图2所示的装置还可以包括：生成单元203，用于根据所述处理单元202保留的真实的原始信用数据，生成评价对象的信用情况描述。生成单元203生成的信用情况描述可以是多种形式的，例如是整体信用概况、信用报告或信用走势等形式。整体信用概况、信用报告或信用走势都可以使用文字来描述，整体信用概况还可以使用分数或等级来描述。总之，生成单元203基于真实的原始信用数据，可以根据实际需要而生成多种形式的信用情况描述，这里不再一一举例说明。

综上所述，在本发明中，不是直接将获得的原始信用数据简单的作为真实信用数据，而是过滤掉虚假的原始信用数据，保留真实的原始信用数据，这样，再以真实的原始信用数据为基础进行信用数据的处理，得到的结果就能够尽量真实的反映评价对象的信用情况。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种信用数据的处理方法，其特征在于，包括：

获得针对至少一个评价对象的原始信用数据；

过滤掉虚假的原始信用数据，保留真实的原始信用数据。

2.如权利要求1所述的信用数据的处理方法，其特征在于，按照下述方式过滤掉虚假的原始信用数据、保留真实的原始信用数据：

将所有的针对一个评价对象的原始信用数据分为两个集合，其中，任意一个集合中的任意一个原始信用数据与同集合中的其他原始信用数据之间的差异不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的原始信用数据之间的差异；

根据预先设置的规则，过滤掉其中一个集合中的所有原始信用数据，保留另一个集合中的所有原始信用数据。

3.如权利要求2所述的信用数据的处理方法，其特征在于，任意一个集合中的任意一个原始信用数据与同集合中的其他原始信用数据之间的差异不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的原始信用数据之间的差异的实现方式为：所述任意一个集合中的任意一个原始信用数据与同集合中的其他所有的原始信用数据之间的差异的平均值不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的所有原始信用数据之间的差异的平均值。

4.如权利要求2或3所述的信用数据的处理方法，其特征在于，原始信用数据之间的差异是原始信用数据的数值之间的差值，或者是原始信用数据的数值经过加权处理后得到的数值之间的差值，或者如果原始信用数据是多维数值组成的数据，则原始信用数据之间的差异是原始信用数据之间的矢量距离差异。

5.如权利要求2所述的信用数据的处理方法，其特征在于，如果原始信用数据是数值且需要过滤掉有意过高的评价，则预先设置的规则为：过滤掉所有原始信用数据的平均值大的集合中的所有原始信用数据，保留所有原始信用数据的平均值小的集合中的所有原始信用数据；如果原始信用数据是数值且需要过滤掉恶意评价，则预先设置的规则为：过滤掉所有原始信用数据的平均值小的集合中的所有原始信用数据，保留所有原始信用数据的平均值大的集合中的所有原始信用数据。

6.如权利要求2所述的信用数据的处理方法，其特征在于，如果原始信用数据是多维数值组成的数据且需要过滤掉有意过高的评价，则预先设置的规则为：过滤掉由平均值组成的数据的值较大的集合中的所有原始信用数据，保留由平均值组成的数据的值小的集合中的所有原始信用数据；如果原始信用数据是多维数值组成的数据且需要过滤掉恶意评价，则预先设置的规则为：过滤掉由平均值组成的数据的值较小的集合中的所有原始信用数据，保留由平均值组成的数据的值较大的集合中的所有原始信用数据；其中，由平均值组成的数据是一个集合中的所有原始信用数据的每一维数值的平均值组成的数据，如果第一集合的由平均值组成的数据与第二集合的由平均值组成的数据之间的每维数值之差的总和大于零，则确定所述第一集合的由平均值组成的数据的值较大，如果第一集合的由平均值组成的数据与第二集合的由平均值组成的数据之间的每维数值之差的总和小于零，则确定所述第一集合的由平均值组成的数据的值较小。

7.如权利要求1所述的信用数据的处理方法，其特征在于，过滤掉虚假的原始信用数据、保留真实的原始信用数据之后，还包括：根据真实的原始信用数据，生成评价对象的信用情况描述。

8.一种信用数据的处理装置，其特征在于，包括：

获得单元，用于获得针对至少一个评价对象的原始信用数据；

处理单元，用于过滤掉所述获得单元获得的虚假的原始信用数据，保留所述获得单元获得的真实的原始信用数据。

9.如权利要求8所述的信用数据的处理装置，其特征在于，所述处理单元包括：

分类模块，用于将所有的针对一个评价对象的原始信用数据分为两个集合，其中，任意一个集合中的任意一个原始信用数据与同集合中的其他原始信用数据之间的差异不大于所述任意一个集合中的任意一个原始信用数据与另一个集合中的原始信用数据之间的差异；

处理模块，用于根据预先设置的规则，过滤掉所述分类单元划分的其中一个集合中的所有原始信用数据，保留所述分类单元划分的另一个集合中的所有原始信用数据。

10.如权利要求8所述的信用数据的处理装置，其特征在于，还包括：生成单元，用于根据所述处理单元保留的真实的原始信用数据，生成评价对象的信用情况描述。

Images