CN107657357A - 数据的处理方法及装置 - Google Patents

Abstract

本申请提供了一种数据的处理方法及装置，其中的方法主要包括：获取用户的历史行为数据，其中，所述用户为多个；基于所述历史行为数据，计算各用户使用待分配数据的预期值；根据所述各用户使用待分配数据的预期值，确定各用户各自所属的层，其中，不同层所表示的用户使用待分配数据的预期值范围不同，其中，每层分别对应各自第一数据获取概率；根据各用户各自所属的层所对应的第一数据获取概率确定各用户的第二数据获取概率。本申请的技术方案提高了数据分配的合理性。

Description

数据的处理方法及装置

技术领域

本申请涉及计算机技术，尤其涉及一种数据的处理方法以及数据的处理装置。

背景技术

一些数据可以表征用户权益，且此种类型的数据通常可以转化，如用户通过使用其拥有的数据而使其拥有的数据转换为相应的收益。在一些应用场景中，数据还可以被恶意利用(如兑现)。为方便描述，下述将此种类型的数据称为特定数据。

特定数据的配置是指为网络中的用户(如参与发放特定数据活动的用户)分配特定数据。在特定数据的配置过程中应尽可能合理的分配特定数据，以尽可能的提高特定数据的收益转换率；在特定数据允许被利用的情况下，还应尽可能的降低特定数据的被恶意利用率。

现有的特定数据的配置方式通常包括如下两种：

方式一、基于用户交易额分配特定数据；如按照交易额由多至少的顺序对参与发放特定数据活动的用户进行排序，选取交易额最多的N个用户，并针对这N个用户分配特定数据；再如根据用户的交易额以及预定比例为参与发放特定数据活动的用户发放特定数据。

方式二、基于用户风险分配特定数据；即预先设置门限，只针对参与发放特定数据活动的用户中的满足门限的用户分配特定数据，以避免特定数据被恶意利用等现象；如只针对参与发放特定数据活动的用户中的已通过实名认证的用户分配特定数据；再如只针对参与发放特定数据活动的用户中的除用户黑名单之外的用户分配特定数据。

发明人在实现本申请过程中发现，利用方式一无法使新用户获得特定数据，这对于新用户而言，特定数据的分配并不公平；而方式二中的用户黑名单容易造成用户投诉。另外，恶意用户往往会通过刷单、手机猫池认证或者伪造身份证实名认证等方式来规避上述方式一和方式二中的交易额或者实名认证等限制，这样，恶意用户能够获得大量的特定数据，从而会存在大量的特定数据被恶意利用的现象。

发明内容

本申请提供一种数据的处理方法及装置。

根据本申请提供的一个方面，提供了一种数据的处理方法，且该方法包括：获取用户的历史行为数据，其中，所述用户为多个；基于所述历史行为数据，计算各用户使用待分配数据的预期值；根据所述各用户使用待分配数据的预期值，确定各用户各自所属的层，其中，不同层所表示的用户使用待分配数据的预期值范围不同，且每层分别对应各自第一数据获取概率；根据各用户各自所属的层所对应的第一数据获取概率确定各用户的第二数据获取概率。

根据本申请提供的另一个方面，还提供了一种数据的处理装置，该装置主要包括：获取模块，用于获取用户的历史行为数据，其中，所述用户为多个；用户分层模块，用于基于所述历史行为数据，计算各用户使用待分配数据的预期值，并根据各用户使用待分配数据的预期值，确定各用户各自所属的层，其中，不同层所表示的用户使用待分配数据的预期值范围不同，且每层分别对应各自第一数据获取概率；确定概率模块，用于根据各用户各自所属的层所对应的第一数据获取概率确定各用户的第二数据获取概率。

可选的，前述数据的处理装置，其中，所述历史行为数据包括：注册行为数据、登录行为数据、交易行为数据、聊天行为数据、评价行为数据以及参与数据分配活动的行为数据中的至少一个。

可选的，前述数据的处理装置，其中，所述用户分层模块包括：

第一分层子模块，用于根据各用户使用待分配数据的预期值确定各用户各自所属的风险层以及价值层；

第二分层子模块，用于根据各用户各自所属的风险层以及各用户各自所属的价值层确定各用户所属的层；

其中，风险层用于表示用户行为的异常程度，且不同风险层所表示的用户行为的异常程度不相同，价值层用于表示用户对其所属系统的价值，且不同价值层所表示的用户对其所属系统的价值不相同。

可选的，前述数据的处理装置，其中，所述第一分层子模块包括：

第一子模块，用于从各用户的历史行为数据中提取风险特征信息；

第二子模块，用于根据已知异常案件集合对所述风险特征信息进行标记，以区分所述风险特征信息是否属于已知异常案件集合中的异常案件；

第三子模块，用于将所述标记后的风险特征信息输入预先设置的风险模型中，并根据所述风险模型的输出确定各用户的风险分值；

其中，所述各用户的风险分值用于确定各用户所属的风险层。

可选的，前述数据的处理装置，其中，所述风险特征信息包括：注册异常特征信息、登录异常特征信息、交易异常特征信息、评价异常特征信息以及聊天异常特征信息中的一个或者多个。

可选的，前述数据的处理装置，其中，所述第一分层子模块包括：

第四子模块，用于根据各用户的历史行为数据获得各用户在各价值特征上的取值，其中，所述价值特征为表征用户对其所属系统的价值的参数；

第五子模块，用于对所述各价值特征的取值进行计算；

其中，所述计算结果用于确定各用户所属的价值层。

可选的，前述数据的处理装置，其中，所述价值特征包括：对第三方平台的忠诚度特征、在第三方平台上的活跃度特征以及在第三方平台上的购买力特征。

可选的，前述数据的处理装置，其中，所述装置还包括：

获取概率设置模块，用于根据各层的数据兑换概率、各层的数据收益转化率以及预设约束条件构建目标函数，根据所述目标函数的求解结果设置各风险价值层所对应的第一数据获取概率。

可选的，前述数据的处理装置，其中，所述装置还包括：兑换概率设置模块，用于：

将各层的数据兑换概率设置为不同的常数；或者

针对一个层而言，根据该层中的数据兑换的历史用户数量和该层中的用户数量计算该层的第一数据兑换概率。

可选的，前述数据的处理装置，其中，所述装置还包括：转化率设置模块，用于：

将各层的数据收益转化率设置为不同的常数；或者

针对一个层而言，根据该层的由数据产生的历史交易量和该层的数据历史使用量计算该层的数据收益转化率。

与现有技术相比，本申请各个实施例体现了以下优点：本申请通过设置多个层，且不同层所表示的用户使用待分配数据的预期值范围不同，从而对各用户的历史行为数据进行分析，可以根据分析获得的各用户使用待分配数据的预期值将各用户划分到不同的层中，通过将层所对应的特定数据获取概率(即第一数据获取概率)作为层中的各用户的特定数据获取概率(即第二数据获取概率)，使具有相同的预期用户使用特定数据的情况的所有用户具有相同的特定数据获取概率，从而尽可能的避免了特定数据分配不公平以及由于黑名单而造成的用户投诉的现象；本申请通过针对不同层设置不同的特定数据获取概率，如针对预期用户使用特定数据的情况较差的层设置尽可能小或者为零的特定数据获取概率，可以尽可能的避免特定数据被恶意兑现的现象；由此可知，本申请的技术方案提高了特定数据分配的合理性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请的一个具体应用系统示意图；

图2为本申请的将系统中的多个用户划分为多个风险层的一个具体例子的示意图；

图3为本申请的将系统中的多个用户划分为多个价值层的一个具体例子的示意图；

图4为本申请的确定用户的风险价值层的一个具体例子的示意图；

图5为本申请的用户的风险价值层的一个具体例子的示意图；

图6为本申请实施例一的用于表征权益的特定数据的处理方法流程图；

图7为本申请实施例二的用于表征权益的特定数据的处理装置的结构示意图；

图8为本申请实施例二的用户分层模块的结构示意图；

图9为本申请实施例二的第一分层子模块的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施例作详细描述。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然本申请的流程图将各项操作描述成顺序的处理，但是，其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本实施例中的服务器包括但不限于单个网络服务器、多个网络服务器组成的服务器组或者基于云计算(Cloud Computing)的由大量计算机或者网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述服务器可以接入网络并与网络中的其他设备进行信息交互操作。其中，所述服务器所能够接入的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。

需要说明的是，所述服务器以及网络等仅为举例，其他现有的或今后可能出现的服务器或者网络如可适用于本申请，也应包含在本申请保护范围以内，并以引用方式包含于此。

后面描述所讨论的方法(其中一些通过流程图示出)实施例可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合的形式来实施。当用软件、固件、中间件或者微代码来实施时，用以实施必要任务的程序代码或者代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。

这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本申请的示例性实施例的目的，但是，本申请可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

应当理解的是，当一个单元被称为“连接”或者“耦合”到另一个单元时，其可以直接连接或者耦合到所述另一个单元，也可以存在中间单元。与此相对的，当一个单元被称为“直接连接”或者“直接耦合”到另一个单元时，则不存在中间单元。应当按照类似的方式来解释被用于描述单元之间的关系的其他词语(例如，“处于...之间”相比于“直接处于...之间”，“与...邻近”相比于“与...直接邻近”等等)。

这里所使用的术语仅仅是为了描述具体实施例，而不是意图限制示例性实施例。除非上下文中明确地另有所指，否则，这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定了所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或者添加一个或更多的其他特征、整数、步骤、操作、单元、组件和/或其组合。

还应当提到的是，在一些替换的实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。

技术术语说明：

用户的历史行为数据，例如用户基于第三方平台而执行的历史操作所产生的行为数据。

本申请的技术方案的一个具体应用系统如图1所示。

图1中的应用系统主要包括：服务器1以及多个智能电子设备2(如移动电话或者平板电脑或者计算机等)，各用户利用其智能电子设备2访问服务器1。服务器1可以为第三方平台的服务器，且第三方平台可以为电商平台等。

在系统推出数据(为便于描述，下述称为特定数据)分发活动的应用场景中，服务器1需要为系统中的各用户分别设置特定数据获取概率，服务器1会根据系统中的各用户的历史行为数据来计算各用户使用待分配数据的预期值(即预期各用户使用特定数据的情况)，从而服务器1可以根据其预期的各用户使用特定数据的情况确定出各用户各自所属的层；之后，服务器1将各用户所属的层所对应的第一数据获取概率(即特定数据获取概率)分别作为各用户的第二数据获取概率(即特定数据获取概率)。在后续，如果用户由于参与特定数据分发活动而利用其智能电子设备2向服务器1请求获取特定数据，则服务器1可以根据之前为该用户所确定出的特定数据获取概率来决定该用户是否能够成功的获取到特定数据。

本申请中的特定数据，例如用于表征权益且可以转化为收益的数据，该特定数据可以为红包或者优惠券或者折扣券等。本申请中的层，用于表示用户使用待分配数据的预期值范围，也就是说，本申请中的层用于表示预期用户使用特定数据的情况，例如可以将用户行为的异常程度以及用户对其所属系统的价值作为预期用户使用特定数据的情况的衡量参数。

本申请中的特定数据获取概率(即第一数据获取概率和第二数据获取概率)，是指用户能够获得特定数据的概率，且不同层所对应的特定数据获取概率(即第一数据获取概率)通常不同。

作为示例，服务器1可以将用户行为的异常程度以及用户对其所属系统的价值作为其预期用户使用特定数据的情况的衡量参数，一个更为具体的例子如图2-图5所示：

A1、如图2所示，图2是对用户的历史行为数据进行处理的数据流的表达，在系统(如第三方平台)计划推出/筹划一特定数据分发活动的情况下，服务器1对系统中的所有用户的注册行为数据a、登录行为数据b、交易行为数据c、聊天行为数据d以及评价行为数据e等历史行为数据进行分析，以从各用户的历史行为数据中提取出各用户的风险特征信息，形成风险特征集合f，用户的风险特征信息可以表示出用户行为的异常程度；服务器1利用已知的异常案件集合g对上述风险特征信息进行判断，以确定用户的风险特征信息是否属于异常案件集合g中的异常案件；服务器1可以对属于异常案件集合g中的异常案件的风险特征信息进行标记；服务器1将标记处理后的各用户的风险特征信息分别输入预先设置的风险模型h中，该风险模型h可以根据输入的信息计算出每一个用户的风险分值i；服务器1根据系统中各用户的风险分值i确定各用户各自所属的风险层j(即风险系数)。服务器1可以根据实际需求将系统中的所有用户划分为10个或者更多风险层j，且通常情况下，风险层j的数量不低于3。

B1、如图3所示，图3是对用户的历史行为数据进行处理的另一个数据流的表达。服务器1对系统(如第三方平台)中的所有用户的登录行为数据b、交易行为数据c以及参与特定数据分发活动行为数据k等历史行为数据进行分析，以从各用户的历史行为数据中获得各用户在各价值特征上的取值；价值特征是表示用户对其所属系统(如第三方平台)的价值的参数，各用户的价值特征形成价值特征集合m。

服务器1可以利用层次分析法n对每一个用户在各价值特征上的取值进行计算，以计算出每一个用户的价值分值o；服务器1根据系统中各用户的价值分值o确定各用户各自所属的价值层p(即价值系数)。服务器1可以根据实际需求将系统中的所有用户划分为10个或者更多价值层p，且通常情况下，价值层p的数量不低于3。

C1、如图4所示，图4是对用户的风险层j和价值层p进行处理的一个数据流的表达。服务器1在确定出系统(如第三方平台)中的所有用户各自所属的风险层j以及价值层p之后，服务器1根据用户所属的风险层j以及价值层p确定用户所属的层(为方便描述，下述将层称为风险价值层q，即风险价值系数)；本实施例中的风险价值层q的数量通常是风险层j的数量与价值层p数量的乘积；一个具体的例子，如图5所示，在风险层j的数量为4，且价值层p的数量为4的情况下，风险价值层q的数量通常为16；如果一个用户属于风险层1(即第一风险层)和价值层1(即第一价值层)，则该用户所属的风险价值层q可以表示为(1，1)；如果一个用户属于风险层1(即第一风险层)和价值层为2(即第二价值层)，则该用户所属的风险价值层q可以表示为(1，2)……；如果一个用户属于风险层4(即第四风险层)和价值层4(即第四价值层)，则该用户所属的风险价值层q可以表示为(4，4)。在风险层j的数量为10，且价值层p的数量为10的情况下，风险价值层q的数量通常为100。

D1、服务器1根据各风险价值层q所对应的特定数据获取概率确定各用户的特定数据获取概率，也就是说，服务器1为每一个风险价值层q均设置了一个特定数据获取概率，服务器1将用户所属的风险价值层q所对应的特定数据获取概率确定为该用户的特定数据获取概率。

E1、在服务器1接收到用户通过其智能电子设备2发送来的获取特定数据请求时，服务器1从该请求中获取该用户的用户标识，并根据获取到的用户标识查找该用户的特定数据获取概率，然后，服务器1按照其查找到的该用户的特定数据获取概率来决定该用户是否可以成功的获取到特定数据。

下面结合附图对本申请的技术方案作进一步详细描述。

实施例一、数据的处理方法。

本实施例的方法可以应用于为系统中的用户分发特定数据的应用场景中，如该方法应用于第三方平台(如电商平台)为其用户分发红包或者优惠券或者折扣券等应用场景中。

图6为本实施例的用于表征权益的特定数据的处理方法流程图。

下面结合附图6对本实施例的方法所包含的各步骤分别进行说明。

图6中，S600、获取用户的历史行为数据，且前述用户为多个。

作为示例，本实施例中的用户的历史行为数据通常为各用户的历史行为数据，且各用户可以为系统中的所有用户(即所有注册用户)，如某第三方平台(如电商平台)中的所有用户(即全量用户)；当然，本实施例中的各用户也可以为系统中的部分用户，如某第三方平台中的已通过实名认证的所有用户等。

作为示例，本实施例中的历史行为数据可以包括：注册行为数据、登录行为数据、交易行为数据、聊天行为数据、评价行为数据以及参与特定数据分配活动的行为数据等由于用户的历史特定操作而产生的数据。

S610、基于历史行为数据，计算各用户使用待分配数据的预期值，并根据各用户使用待分配数据的预期值，确定各用户各自所属的层，其中，不同层所表示的用户使用待分配数据的预期值范围不同，其中，每层分别对应各自第一数据获取概率(即特定数据获取概率)。也就是说，本实施例可以根据各用户的历史行为数据确定出各用户各自所属的层。

作为示例，本实施例中的层表示预期用户使用特定数据的情况，不同层所表示的预期用户使用特定数据的情况不相同，即不同层所表示的用户使用待分配数据的预期值范围不同。更具体而言，本实施例可以利用用户行为的异常程度以及用户对其所属系统的价值作为预期用户使用特定数据的情况的衡量参数，此时，本实施例中的层可以称为风险价值层；即风险价值层可以表示出用户行为的异常程度以及用户对其所属系统的价值。

作为示例，本实施例可以先根据各用户的历史行为数据确定各用户各自所属的风险层以及各用户各自所属的价值层，不同风险层所对应的用户行为的异常程度不相同，而不同价值层中的用户对其所属系统的价值不相同；然后，再根据各用户各自所属的风险层以及价值层来确定各用户各自所属的风险价值层。

作为示例，本实施例的根据各用户的历史行为数据确定各用户各自所属的风险层的一个具体例子为：

A2、针对任一用户而言，从该用户的注册行为数据、登录行为数据、交易行为数据、聊天行为数据、评价行为数据等历史行为数据中提取该用户的风险特征信息，本实施例从该用户的历史行为数据提取出的该用户的风险特征信息包括：注册异常特征信息(如身份真实性以及身份完整性信息)、登录异常特征信息(如同机登录风险)、交易异常特征信息(如机器行为信息以及历史处罚记录等)、评价异常特征信息以及聊天异常特征信息等。

B2、针对任一用户而言，根据已知异常案件集合对该用户的风险特征信息进行标记(如为该用户的风险特征信息设置异常标志位等)，以区分该用户的各风险特征信息是否属于已知异常案件集合中的异常案件；

已知异常案件集合中通常包含有多个异常案件，设置异常案件的一个具体例子为：在之前的系统管理过程中，如果发现了异常情况，则针对该异常情况设置异常案件信息，并将该异常案件信息添加在异常案件集合中。异常案件信息可以包括用户的标识、异常发生时间以及异常表现等。本实施例不限制异常案件集合中的异常案件所包含的具体内容。

C2、针对任一用户而言，将该用户的标记处理后的各风险特征信息输入预先设置的风险模型中，风险模型通过计算获得该用户的风险分值并输出，本实施例可以根据该用户的风险分值确定该用户所属的风险层。

本实施例中的风险模型可以为线性回归模型，如针对注册异常特征信息(如身份真实性以及身份完整性信息)、登录异常特征信息(如同机登录风险)、交易异常特征信息(如机器行为信息以及历史处罚记录等)、评价异常特征信息以及聊天异常特征信息而设置的线性回归方程，通过对线性回归方程求解可以获得用户的风险分值。另外，该风险模型是利用系统中的用户的历史行为数据样本训练出来的。

本实施例可以利用上述A2、B2、C2获得系统中所有用户的风险分值(属于用户使用待分配数据的预期值)，且本实施例可以根据各用户的风险分值的分布情况来确定每一个风险层所对应的风险分值的取值范围，从而本实施例可以根据每一个用户的风险分值以及每一个风险层所对应的风险分值的取值范围确定每一个用户所属的风险层。另外，本实施例也可以对各用户的风险分值进行排序，并根据每一个风险层所对应的用户数量来确定每一个用户所属的风险层。本实施例不限制根据用户的风险分值来确定各用户所属的风险层的具体实现方式。

作为示例，本实施例的根据各用户的历史行为数据确定各用户各自所属的价值层的一个具体例子为：

A3、针对任一用户而言，根据各用户的历史行为数据获得各用户在各价值特征上的取值。

本实施例中的价值特征可以包括：用户对第三方平台的忠诚度特征、用户在第三方平台上的活跃度特征以及用户在第三方平台上的购买力特征；也就是说，本实施例可以利用价值特征来表示用户对其所属系统的价值；

用户对第三方平台的忠诚度特征的取值可以利用下述公式(1)计算获得：

在上述公式(1)中，Loyal_scare_k表示系统中的第k个用户对第三方平台的忠诚度特征的取值，exp(*)表示以自然常数e为底的指数函数，abs表示取绝对值，date'表示交易发生日期(如购买日期)，date表示当前日期。

用户在第三方平台上的活跃度特征的取值可以利用下述公式(2)计算获得：

在上述公式(2)中，Active_scare_k表示第k个用户在第三方平台上的活跃度特征的取值，exp(*)表示以自然常数e为底的指数函数，abs表示取绝对值，date″表示最近交易发生日期(如最近购买日期)，date表示当前日期。

用户在第三方平台上的购买力特征的取值可以利用下述公式(3)计算获得：

在上述公式(3)中，Power_scare_k表示第k个用户在第三方平台上的购买力特征的取值，sum_k表示第k个用户在最近N天(如90天)内在第三方平台上的交易总金额，sum'_n表示第三方平台上的第n个用户在最近N天(如90天)内的第三方平台上的交易总金额，N表示第三方平台上的所有用户的数量。

B3、针对任一用户而言，对用户的各价值特征的取值进行综合计算，并根据计算出的该用户的价值分值(属于用户使用待分配数据的预期值)确定用户所属的价值层。

本实施例可以根据下述公式(4)来计算用户的价值分值：

Worth_scare_i＝1-exp(-(k1×Loyal_scare_i+k2×Active_scare_i+k3×Power_scare_i)/0.5) 公式(4)

在上述公式(4)中，Worth_scare_i表示第i个用户的价值分值，exp(*)表示以自然常数e为底的指数函数，k1、k2以及k3为系数，k1的取值可以为0.6，k2的取值可以为0.2，k3的取值可以为0.2，Loyal_scare_i表示系统中的第i个用户对第三方平台的忠诚度特征的取值，Active_scare_i表示第i个用户在第三方平台上的活跃度特征的取值，Power_scare_i表示第i个用户在第三方平台上的购买力特征的取值。

由上述描述可知，本实施例中的用户使用待分配数据的预期值包括风险分值和价值分值。

S620、根据各用户所属的层所对应的第一数据获取概率(即特定数据获取概率)确定各用户的第二数据获取概率(即特定数据获取概率)。

作为示例，本实施例中的每一个层(下述以风险价值层为例进行说明)均对应有一个特定数据获取概率，且不同的风险价值层所对应的特定数据获取概率通常并不相同。当然，本实施例并不排除两个风险价值层对应同一个特定数据获取概率的情况。

本实施例中的每一个风险价值层所对应的特定数据获取概率可以是预先设置的常数值，也可以是根据目标函数计算出的数值。

本实施例为各风险价值层设置特定数据获取概率的一个具体例子为：

首先，根据各风险价值层的特定数据兑换概率、各风险价值层的特定数据收益转化率以及预设约束条件来构建目标函数，这里的约束条件是根据特定数据的实际发放计划而设置的。这里的约束条件可以是根据特定数据分发活动的分发计划而设置的约束条件，且特定数据分发计划可以包括：对特定数据分发总数量的限制、特定数据获取概率不为零的层的数量限制以及对不同层的特定数据获取概率的方差值的限制等。

本实施例构建出的目标函数的可以为下述公式(5)的形式：

在上述公式(5)中，n表示风险层的数量，m表示价值层的数量，V^(i,j)表示风险价值层(i，j)的特定数据收益转化率，α表示风险价值层(i，j)的特定数据兑换容忍系数，且该特定数据兑换容忍系数可根据实际经验设置，R^(i,j)表示风险价值层(i,j)的特定数据兑换概率，C^(i,j)表示风险价值层(i,j)的特定数据获取概率，k^(i,j)表示风险价值层(i,j)中的用户的数量，M^(i,j)表示为风险价值层(i,j)中的单个用户发放的特定数据的数量，ω表示本次特定数据分发活动预计发放的特定数据总量，C表示所有的风险价值层，δ表示特定数据获取概率不为零的风险价值层的数量，ε表示所有风险价值层的特定数据获取概率的方差的最大值。

上述公式(5)包含有下述三个约束条件：

第一个约束条件，即表示本次特定数据分发活动预计发放的特定数据总量不超过ω；

第二个约束条件，即表示特定数据获取概率不为零的风险价值层的数量不小于δ，也就是说，该约束条件表示特定数据获取概率为零的风险价值层的数量小于所有风险价值层的数量与δ之差；

第三个约束条件，即var(C)≤ε，表示所有风险价值层的特定数据获取概率的方差不能超过ε。

之后，通过对上述公式(5)进行求解就能够获得各风险价值层的特定数据获取概率。本实施例可以利用启发式算法或者模拟退火算法等来对公式(5)进行求解，以获得各风险价值层的特定数据获取概率的最优值，如利用工具MATLAB、R或者python等数据分析工具进行求解。具体的求解过程在此不再详细说明。

本实施例在构建目标函数过程中所使用的各风险价值层的特定数据兑换概率以及各风险价值层的特定数据收益转化率可以是预先设置的常数值，如为各风险价值层的特定数据兑换概率设置不同的常数，且为各风险价值层的特定数据收益转化率设置不同的常数；本实施例在构建目标函数所使用的各风险价值层的特定数据兑换概率可以是根据风险价值层中的兑换特定数据的历史用户数量和风险价值层中的用户总数量计算获得；本实施例在构建目标函数所使用的各风险价值层的特定数据收益转化率可以是根据风险价值层的由特定数据产生的历史交易量和该风险价值层的特定数据历史使用量计算获得。

本实施例的根据风险价值层中的兑换特定数据的历史用户数量和风险价值层中的用户总数量计算获得风险价值层的特定数据兑换概率的一个具体例子如下述公式(6)所示：

R^(i,j)＝N^(i,j)/k^(i,j) 公式(6)

在上述公式(6)中，R^(i,j)表示风险价值层(i,j)的特定数据兑换概率，N^(i,j)表示为风险价值层(i,j)中的兑换特定数据的历史用户数量，k^(i,j)表示风险价值层(i,j)中的用户的数量。

本实施例的根据风险价值层的由特定数据产生的历史交易量和该风险价值层的特定数据历史使用量计算获得风险价值层的特定数据收益转化率的一个具体的例子如下述公式(7)所示：

V^(i,j)＝A^(i,j)/B^(i,j) 公式(7)

在上述公式(7)中，V^(i,j)表示风险价值层(i,j)的特定数据收益转化率，A^(i,j)表示风险价值层(i,j)的由特定数据产生的历史交易量，B^(i,j)表示风险价值层(i,j)的特定数据历史使用量。

上述利用公式(6)或者公式(7)计算出的风险价值层的特定数据兑换概率以及特定数据收益转化率可以多次应用，即在第一次计算出风险价值层的特定数据兑换概率以及特定数据收益转化率之后，后续如果再次出现为系统中的用户分发特定数据的应用场景，则可以直接使用第一次计算出的风险价值层的特定数据兑换概率以及特定数据收益转化率。

实施例二、数据的处理装置。

本实施例的装置可以应用于为系统中的用户分发特定数据的应用场景中，如该装置应用于第三方平台(如电商平台)为其用户分发红包或者优惠券或者折扣券等应用场景中。

图7为本实施例的用于表征权益的特定数据的处理装置的结构示意图。

下面结合附图7对本实施例的装置所包含的各模块分别进行说明。

图7中，本实施例的装置主要包括：获取模块700、用户分层模块710以及确定概率模块720。可选的，该装置还可以包括：获取概率设置模块730、兑换概率设置模块740以及转化率设置模块750中的至少一个。

获取模块700主要用于获取用户的历史行为数据，其中，用户为多个。

作为示例，获取模块700所获取的用户的历史行为数据通常为各用户的历史行为数据，且各用户可以为系统中的所有用户(即所有注册用户)，如某第三方平台(如电商平台)中的所有用户(即全量用户)；当然，获取模块700所涉及的各用户也可以为系统中的部分用户，如某第三方平台中的已通过实名认证的所有用户等。

作为示例，获取模块700所获取的历史行为数据可以包括：注册行为数据、登录行为数据、交易行为数据、聊天行为数据、评价行为数据以及参与特定数据分配活动的行为数据等由于用户的历史特定操作而产生的数据。

用户分层模块710主要用于基于历史行为数据，计算各用户使用待分配数据的预期值，并根据各用户使用待分配数据的预期值确定各用户各自所属的层。该用户分层模块710包括：第一分层子模块701和第二分层子模块702(如图8所示)；第一分层子模块701主要用于根据各用户的历史行为数据确定各用户各自所属的风险层以及价值层；第二分层子模块702主要用于根据各用户各自所属的风险层以及各用户各自所属的价值层确定各用户所属的层；其中的第一分层子模块701可以包括：第一子模块7011、第二子模块7012以及第三子模块7013(如图9所示)；且该第一分层子模块7013还可以包括：第四子模块7014以及第五子模块7015(如图9所示)。

第一子模块7011主要用于从各用户的历史行为数据中提取风险特征信息；第二子模块7012主要用于根据已知异常案件集合对风险特征信息进行标记，以区分所述风险特征信息是否属于已知异常案件集合中的异常案件；第三子模块7013主要用于将标记后的风险特征信息输入预先设置的风险模型中，并根据风险模型输出的风险分值确定各用户所属的风险层；第四子模块7014主要用于根据各用户的历史行为数据获得各用户在各价值特征上的取值；第五子模块7015主要用于对各价值特征的取值进行计算，并根据计算结果确定各用户所属的价值层。

作为示例，用户分层模块710所确定出的层表示预期用户使用特定数据的情况，且不同层所表示的预期用户使用特定数据的情况不相同。更具体而言，用户分层模块710可以利用用户行为的异常程度以及用户对其所属系统的价值作为预期用户使用特定数据的情况的衡量参数，此时，用户分层模块710确定出的层可以称为风险价值层；即风险价值层可以表示出用户行为的异常程度以及用户对其所属系统的价值。

作为示例，用户分层模块710(如第一分层子模块701)可以先根据各用户的历史行为数据确定各用户各自所属的风险层以及各用户各自所属的价值层，不同风险层所对应的用户行为的异常程度不相同，而不同价值层中的用户对其所属系统的价值不相同；然后，用户分层模块710(如第二分层子模块702)再根据各用户各自所属的风险层以及价值层来确定各用户各自所属的风险价值层。

作为示例，用户分层模块710根据各用户的历史行为数据确定各用户各自所属的风险层的一个具体例子为：

针对任一用户而言，第一子模块7011从该用户的注册行为数据、登录行为数据、交易行为数据、聊天行为数据、评价行为数据等历史行为数据中提取该用户的风险特征信息，第一子模块7011从该用户的历史行为数据提取出的该用户的风险特征信息包括：注册异常特征信息(如身份真实性以及身份完整性信息)、登录异常特征信息(如同机登录风险)、交易异常特征信息(如机器行为信息以及历史处罚记录等)、评价异常特征信息以及聊天异常特征信息等。

针对任一用户而言，第二子模块7012根据已知异常案件集合对该用户的风险特征信息进行标记(如为该用户的风险特征信息设置异常标志位等)，以区分该用户的各风险特征信息是否属于已知异常案件集合中的异常案件；

已知异常案件集合中通常包含有多个异常案件，设置异常案件的一个具体例子为：在之前的系统管理过程中，如果发现了异常情况，则针对该异常情况设置异常案件信息，并将该异常案件信息添加在异常案件集合中。异常案件信息可以包括用户的标识、异常发生时间以及异常表现等。本实施例不限制异常案件集合中的异常案件所包含的具体内容。

针对任一用户而言，第三子模块7013将该用户的标记处理后的各风险特征信息输入预先设置的风险模型中，风险模型通过计算获得该用户的风险分值并输出，第三子模块7013可以根据该用户的风险分值确定该用户所属的风险层。

本实施例中的风险模型可以为线性回归模型，如针对注册异常特征信息(如身份真实性以及身份完整性信息)、登录异常特征信息(如同机登录风险)、交易异常特征信息(如机器行为信息以及历史处罚记录等)、评价异常特征信息以及聊天异常特征信息而设置的线性回归方程，通过对线性回归方程求解可以获得用户的风险分值。另外，该风险模型是利用系统中的用户的历史行为数据样本训练出来的。

第二分层子模块702可以获知系统中所有用户的风险分值，且第二分层子模块702可以根据各用户的风险分值的分布情况来确定每一个风险层所对应的风险分值的取值范围，从而第二分层子模块702可以根据每一个用户的风险分值以及每一个风险层所对应的风险分值的取值范围确定每一个用户所属的风险层。另外，第二分层子模块702也可以对各用户的风险分值进行排序，并根据每一个风险层所对应的用户数量来确定每一个用户所属的风险层。本实施例不限制第二分层子模块702根据用户的风险分值来确定各用户所属的风险层的具体实现方式。

作为示例，用户分层模块710根据各用户的历史行为数据确定各用户各自所属的价值层的一个具体例子为：

针对任一用户而言，第四子模块7014根据各用户的历史行为数据获得各用户在各价值特征上的取值。

第四子模块7014所涉及到的价值特征可以包括：用户对第三方平台的忠诚度特征、用户在第三方平台上的活跃度特征以及用户在第三方平台上的购买力特征；也就是说，本实施例以利用价值特征来表示用户对其所属系统的价值；

第四子模块7014可以利用上述公式(1)计算用户对第三方平台的忠诚度特征的取值。

第四子模块7014可以利用上述公式(2)计算用户在第三方平台上的活跃度特征的取值。

第四子模块7014可以利用上述公式(3)计算用户在第三方平台上的购买力特征的取值。

针对任一用户而言，第五子模块7015可以对用户的各价值特征的取值进行综合计算，并根据计算出的该用户的价值分值确定用户所属的价值层。第五子模块7015可以根据上述公式(4)计算用户的价值分值。

由上述描述可知，本实施例中的用户使用待分配数据的预期值包括风险分值和价值分值。

确定概率模块720主要用于根据各用户各自所属的层所对应的第一数据获取概率(即特定数据获取概率)确定各用户的第二数据获取概率(即特定数据获取概率)。

获取概率设置模块730主要用于根据各层的数据兑换概率(即特定数据兑换概率)、各层的数据收益转化率(即特定数据收益转化率)以及预设约束条件构建目标函数，根据目标函数的求解结果设置各风险价值层所对应的第一数据获取概率(即特定数据获取概率)。

兑换概率设置模块740主要用于将各层的数据兑换概率(即特定数据兑换概率)设置为不同的常数；兑换概率设置模块740也可以用于针对一个层而言，根据该层中的数据兑换(即特定数据兑换)的历史用户数量和该层中的用户数量计算该层的第一数据获取概率(即特定数据兑换概率)。

转化率设置模块750主要用于将各层的特定数据收益转化率设置为不同的常数；转化率设置模块750也可以用于针对一个层而言，根据该层的由数据(特定数据)产生的历史交易量和该层的数据(即特定数据)历史使用量计算该层的数据收益转化率(即特定数据收益转化率)。

作为示例，本实施例中的每一个风险价值层均对应有一个特定数据获取概率，且不同的风险价值层所对应的特定数据获取概率通常并不相同。当然，本实施例并不排除两个风险价值层对应同一个特定数据获取概率的情况。

本实施例中的每一个风险价值层所对应的特定数据获取概率可以是获取概率设置模块730预先设置的常数值，也可以是获取概率设置模块730根据目标函数计算出的数值。

获取概率设置模块730为各风险价值层设置特定数据获取概率的一个具体例子为：

首先，获取概率设置模块730根据各风险价值层的特定数据兑换概率、各风险价值层的特定数据收益转化率以及预设约束条件来构建目标函数，这里的约束条件是根据特定数据的实际发放计划而设置的。获取概率设置模块730构建出的目标函数的可以为上述公式(5)的形式。

之后，获取概率设置模块730通过对公式(5)进行求解就能够获得各风险价值层的特定数据获取概率。获取概率设置模块730可以利用启发式算法或者模拟退火算法等来对公式(5)进行求解，以获得各风险价值层的特定数据获取概率的最优值，如获取概率设置模块730利用工具MATLAB、R或者python等数据分析工具进行求解。获取概率设置模块730具体的求解过程在此不再详细说明。

获取概率设置模块730在构建目标函数过程中所使用的各风险价值层的特定数据兑换概率以及各风险价值层的特定数据收益转化率可以是兑换概率设置模块740和转化率设置模块750预先设置的常数值，如兑换概率设置模块740为各风险价值层的特定数据兑换概率设置不同的常数，且转化率设置模块750为各风险价值层的特定数据收益转化率设置不同的常数；获取概率设置模块730在构建目标函数所使用的各风险价值层的特定数据兑换概率可以是兑换概率设置模块740根据风险价值层中的兑换特定数据的历史用户数量和风险价值层中的用户总数量计算获得；获取概率设置模块730在构建目标函数所使用的各风险价值层的特定数据收益转化率可以是和转化率设置模块750根据风险价值层的由特定数据产生的历史交易量和该风险价值层的特定数据历史使用量计算获得。

兑换概率设置模块740根据风险价值层中的兑换特定数据的历史用户数量和风险价值层中的用户总数量计算获得风险价值层的特定数据兑换概率的一个具体例子如上述公式(6)所示。

转化率设置模块750根据风险价值层的由特定数据产生的历史交易量和该风险价值层的特定数据历史使用量计算获得风险价值层的特定数据收益转化率的一个具体的例子如上述公式(7)所示。

兑换概率设置模块740和转化率设置模块750上述利用公式(6)或者公式(7)计算出的风险价值层的特定数据兑换概率以及特定数据收益转化率可以多次应用，即在兑换概率设置模块740和转化率设置模块750第一次计算出风险价值层的特定数据兑换概率以及特定数据收益转化率之后，后续如果再次出现为系统中的用户分发特定数据的应用场景，则获取概率设置模块730可以直接使用兑换概率设置模块740和转化率设置模块750第一次计算出的风险价值层的特定数据兑换概率以及特定数据收益转化率。

需要注意的是，本申请的一部分可以被应用为计算机程序产品，例如计算机程序指令，当其被智能电子设备(如计算机或者服务器等)执行时，通过该智能电子设备的操作可以调用或者提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或者其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的智能电子设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请并不局限于上述示范性实施例的细节，而且在不背离本申请的精神或者基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将本申请的实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或者装置或者模块也可以由一个单元或者装置或者模块通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (12)

1.一种数据的处理方法，包括：

获取用户的历史行为数据，其中，所述用户为多个；

基于所述历史行为数据，计算各用户使用待分配数据的预期值；

根据所述各用户使用待分配数据的预期值，确定各用户各自所属的层，其中，不同层所表示的用户使用待分配数据的预期值范围不同，其中，每层分别对应各自第一数据获取概率；

根据各用户各自所属的层所对应的第一数据获取概率确定各用户的第二数据获取概率。

2.根据权利要求1所述的方法，其中，所述根据所述各用户使用待分配数据的预期值，确定各用户各自所属的层的步骤包括：

根据各用户使用待分配数据的预期值确定各用户各自所属的风险层以及价值层；

根据各用户各自所属的风险层以及各用户各自所属的价值层确定各用户所属的层；

其中，风险层用于表示用户行为的异常程度，且不同风险层所表示的用户行为的异常程度不相同，价值层用于表示用户对其所属系统的价值，且不同价值层所表示的用户对其所属系统的价值不相同。

3.根据权利要求2所述的方法，其中，所述基于所述历史行为数据，计算各用户使用待分配数据的预期值的步骤包括：

从各用户的历史行为数据中提取风险特征信息；

根据已知异常案件集合对所述风险特征信息进行标记，以区分所述风险特征信息是否属于已知异常案件集合中的异常案件；

将所述标记后的风险特征信息输入预先设置的风险模型中，并根据所述风险模型的输出确定各用户的风险分值；

其中，所述各用户的风险分值用于确定各用户所属的风险层。

4.根据权利要求3所述的方法，其中，所述风险特征信息包括：注册异常特征信息、登录异常特征信息、交易异常特征信息、评价异常特征信息以及聊天异常特征信息中的一个或者多个。

5.根据权利要求2所述的方法，其中，所述基于所述历史行为数据，计算各用户使用待分配数据的预期值的步骤包括：

根据各用户的历史行为数据获得各用户在各价值特征上的取值，其中，所述价值特征为表征用户对其所属系统的价值的参数；

对所述各价值特征的取值进行计算；

其中，所述计算结果用于确定各用户所属的价值层。

6.根据权利要求5所述的方法，其中，所述价值特征包括：对第三方平台的忠诚度特征、在第三方平台上的活跃度特征以及在第三方平台上的购买力特征。

7.根据权利要求1所述的方法，其中，所述各层所对应的第一数据获取概率的设置方式包括：

根据各层的数据兑换概率、各层的数据收益转化率以及预设约束条件构建目标函数；

根据所述目标函数的求解结果设置各风险价值层所对应的第一数据获取概率。

8.根据权利要求7所述的方法，其中：

所述各层的数据兑换概率被设置为不同的常数；或者

所述各层的数据兑换概率通过下述方式设置：

针对一个层而言，根据该层中的数据兑换的历史用户数量和该层中的用户数量计算该层的数据兑换概率。

9.根据权利要求7所述的方法，其中：

所述各层的数据收益转化率被设置为不同的常数；或者

所述各层的数据收益转化率通过下述方式设置：

针对一个层而言，根据该层的由数据产生的历史交易量和该层的数据历史使用量计算该层的数据收益转化率。

10.根据权利要求1所述的方法，其中，所述历史行为数据包括：注册行为数据、登录行为数据、交易行为数据、聊天行为数据、评价行为数据以及参与数据分配活动的行为数据中的至少一个。

11.一种用于表征权益的特定数据的处理装置，其中，所述装置包括：

获取模块，用于获取用户的历史行为数据，其中，所述用户为多个；

用户分层模块，用于基于所述历史行为数据，计算各用户使用待分配数据的预期值，并根据所述各用户使用待分配数据的预期值，确定各用户各自所属的层，其中，不同层所表示的用户使用待分配数据的预期值范围不同，其中，每层分别对应各自第一数据获取概率；

确定概率模块，用于根据各用户各自所属的层所对应的第一数据获取概率确定各用户的第二数据获取概率。

12.根据权利要求11所述的装置，其中，所述用户分层模块包括：

第一分层子模块，用于根据各用户使用待分配数据的预期值确定各用户各自所属的风险层以及价值层；

第二分层子模块，用于根据各用户各自所属的风险层以及各用户各自所属的价值层确定各用户所属的层；

其中，风险层用于表示用户行为的异常程度，且不同风险层所表示的用户行为的异常程度不相同，价值层用于表示用户对其所属系统的价值，且不同价值层所表示的用户对其所属系统的价值不相同。