CN107679731A - 一种可信度的计算方法以及相关设备 - Google Patents

Abstract

本发明实施例公开了一种可信度的计算方法以及相关设备，用于在超大因子的场景下快速计算出可信度结果。本发明实施例方法包括：将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合。

Description

一种可信度的计算方法以及相关设备

技术领域

本发明涉及征信领域，尤其涉及一种可信度的计算方法以及相关设备。

背景技术

由于征信能够提高对交易对手风险的识别，其在经济和金融活动中具有重要的地位。征信相关的企业也越来越希望通过已有的客户数据资源来开展增值业务。

然而，一般客户都有多套账，因此需要明确客户真实的账来开展业务，为了计算和识别多套账的数据的真和假的概率，现有技术中，一般采用加权平均算法来做智能计算分析，为了使计算的概率值尽可能真实，理论上计算因子越多，计算结果越准确。例如，距离算法可以如下：

真假可信度＝(∑(因子值×因子权重))/(∑(1×因子权重))，真假可信度的数值越大，则对应的账目的真实性也越高。

但是，现有技术中，当计算因子的数量越来越多，如达到十万级乃至百万级时，每个因子的值的计算及整个算法的实现耗时会长达几个小时甚至更多，不利于业务的开展。

发明内容

本发明实施例提供了一种可信度的计算方法以及相关设备，用于在超大因子的场景下快速计算出可信度值。

本申请实施例的第一方面提供了一种可信度的计算方法，包括：将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合。

在一种可能的设计中，在本申请实施例第一方面的第一种实现方式中，所述因子值为0或者1。

在一种可能的设计中，在本申请实施例第一方面的第二种实现方式中，所述根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合包括：按照如下方式计算所述目标数据当前的可信度值：Z＝(∑(a*b)+A)/(∑b+B)；所述Z用于表示所述目标数据当前的可信度值，所述a用于表示所述当前集合中任一计算因子的因子值，所述b用于表示与所述任一计算因子对应的因子权重，所述a*b用于表示所述任一计算因子的标准值；所述A用于表示已计算的目标集合中各计算因子的标准值的总和；所述B用于表示所述已计算的目标集合中各计算因子的因子权重的总和；显示所述目标数据当前的可信度值。

在一种可能的设计中，在本申请实施例第一方面的第三种实现方式中，当所述N个计算因子集合中各计算因子的因子值全部计算完成后，所述目标数据当前的可信度值为所述目标数据的最终可信度值。

在一种可能的设计中，在本申请实施例第一方面的第四种实现方式中，所述将对应于目标数据的计算因子按预置规则分为N个计算因子集合包括：

将对应于所述目标数据的计算因子按照维度进行分类处理，得到T类计算因子，所述T为不大于所述N的正整数；

将所述T类计算因子中的各类计算因子进行分批处理，得到所述N个计算因子集合。

本申请实施例的第二方面提供了一种计算设备，包括：分配单元，用于将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；第一计算单元，用于通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；第二计算单元，用于根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合。

在一种可能的设计中，在本申请实施例第二方面的第一种实现方式中，所述第二计算单元包括：计算模块，用于按照如下方式计算所述目标数据当前的可信度值：Z＝(∑(a*b)+A)/(∑b+B)；所述Z用于表示所述目标数据当前的可信度值，所述a用于表示所述当前集合中任一计算因子的因子值，所述b用于表示与所述任一计算因子对应的因子权重，所述a*b用于表示所述任一计算因子的标准值；所述A用于表示已计算的目标集合中各计算因子的标准值的总和；所述B用于表示所述已计算的目标集合中各计算因子的因子权重的总和；显示模块，用于显示所述目标数据当前的可信度值。

在一种可能的设计中，在本申请实施例第二方面的第二种实现方式中，所述分配单元具体用于：将对应于所述目标数据的计算因子按照维度进行分类处理，得到T类计算因子，所述T为不大于所述N的正整数；将所述T类计算因子中的各类计算因子进行分批处理，得到所述N个计算因子集合。

本申请的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

本申请的第四方面提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

从以上技术方案可以看出，本发明实施例具有以下优点：将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合。本发明实施例中，在超大因子的场景下能快速计算出可信度结果，而且由于输出目标数据当前的可信度值，因此结算结果逐步动态反馈，消除了客户的等待不足。

附图说明

图1为本发明实施例提供的一种可能的可信度的计算方法的实施例示意图；

图2为本发明实施例提供的一种可能的计算设备的实施例示意图；

图3为本发明实施例提供的另一种可能的计算设备的实施例示意图；

图4为本发明实施例提供的另一种可能的计算设备的实施例示意图。

具体实施方式

本发明实施例提供了一种可信度的计算方法以及相关设备，用于在超大因子的场景下快速计算出可信度结果。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

请参阅图1，为本发明实施例提供的一种可能的可信度的计算方法的实施例示意图，包括：

101、将对应于目标数据的计算因子按预置规则分为N个计算因子集合；

在计算客户的数据账套的可信度时，将其中任一套的数据账套的数据称为目标数据，当目标数据的计算因子的数量达到十万级、百万级甚至更高时，为了能更快的计算出计算因子的因子值，将计算因子按预置规则进行分类分批处理，得到N个计算因子集合，N为不小于2的正整数，其中计算因子指为了完成某项运算，计算算法的一个输入项。

需要说明的是，实际应用中，可以按照计算因子的维度进行分类，例如，按照凭证使用次数、订单使用次数、凭证使用频率等，为便于理解，假设某套数据套账的计算因子包括以下：凭证当月使用大于5次、凭证当月使用大于10次、凭证当月使用大于20次、订单当月使用大于5次、订单当月使用大于5次和收款单单张金额超过总额的百分之5的个数大于20张，按照维度的不同，我们可以将计算因子分为3类，即包括3个计算因子集合，{凭证当月使用了5次、凭证当月使用了10次，凭证当月使用了20次}，{订单当月使用了5次、订单当月使用了5次}和{收款单单张金额超过总额的百分之5的个数大于20张}。且可以理解的是，每个计算因子集合中的个数可以有多个，例如，200到500个等，具体此处不做限定。

另外，实际应用中，计算因子分类的方式有多种，具体此处不做限定。

将对应于目标数据的计算因子进行分类处理后，得到T类计算因子(T为正整数，T不大于N)，针对该T类计算因子的每一类计算因子，由于可能存在同一类计算因子的数量达到万级别甚至十万级的情况，故将同一类的计算因子进行分批处理以得到对应T类计算因子的N个计算因子集合。需要说明的是，实际应用中，进行分批处理的方式有多种，例如将每类计算因子平均分为X批(X为正整数)，举例来说，若一类计算因子中有20000个计算因子，则将其分为200批，每一批计算因子的数量即为100，当然实际应用时，不一定均匀分批。或者，将每类计算因子分为Y批(Y为正整数)，且该Y批计算因子中每一批的数量均不大于预置数量，举例来说，若一类计算因子中有20000个计算因子，系统设定的预置数量为5000，则当Y的值为5时，则Y批计算因子的数量可以分别为{4500，4500，5000，4000，2000}。因此，将计算因子进行分批处理的方式有多种，具体此处不做限定。

可选的，实际应用中，可以按照预定的规则对T类计算因子进行筛选以进行分批处理，例如，若T类计算因子中，若存在计算因子的数量大于第一数值的目标类计算因子，则将该目标类计算因子进行分批处理，其余类别的计算因子则不进行分批处理。举例来说，若一类计算因子中有80个计算因子，而分批的数量为100个，那么这一类计算因子则不进行分批处理，总共为一批。

可选的，本发明实施例中，目标数据可以有多个，且当目标数据有多个时，则分类得到的N个计算因子集合上标识有身份标识，该身份标识可以用于标识计算因子集合的所属客户以及所属数据账套，来区别于其它不同客户或不同数据账套的计算因子集合。

102、通过M个计算线程并行分类计算N个计算因子集合中各计算因子的因子值；

将计算因子分类得到了N个计算因子集合后，计算该N个计算因子集合中各计算因子的因子值，且计算因子的因子值为0或者1。例如，若数据账套中的某个凭证在当月使用大于9次，计算因子A为凭证当月使用大于5次，计算因子B为凭证当月使用大于10次，则针对该凭证，计算因子A的因子值为1，计算因子B的因子值为0。在实际应用时，本发明实施例获取企业的数据资源，然后根据预先设置的计算因子条件，从而得到计算因子的因子值，譬如企业当月某个凭证使用次数为8次，那么计算因子A(A为凭证当月使用大于5次)为1，而计算因子B(B为凭证当月使用大于10次)的因子值为0，也就是1对应表示数据为真，0表示数据为假。

另外，本发明实施例中，通过M个计算线程并行计算N个计算因子集合中各计算因子的因子值，其中，M为不小于N的正整数。不同分类的计算因子按照实际需求启动多个计算线程，计算线程计算完成后，若还有等待计算的，则自动计算下一批。例如，若分类分批处理后得到了5个计算因子集合，分别表示为集合1～集合5，启动了2个计算线程，分别表示为线程1和线程2，假设线程1和线程2先并行计算集合1和集合2，若线程1计算完集合1后，还有集合3～集合5，则自动计算下一个集合，同理线程2，直到所有的集合全部计算结束。

103、计算目标数据当前的可信度值；

计算完N个计算因子集合中各计算因子的因子值后，将所有的因子值上传到计算池，并计算当批因子的总权重和因子值的汇总值，以计算目标数据当前的可信度值，实际应用中，可以按照如下方式计算目标数据当前的可信度值：

Z＝(∑(a*b)+A)/(∑b+B)；

所述Z用于表示所述目标数据当前的可信度值，所述a用于表示所述当前集合中任一计算因子的因子值，所述b用于表示与所述任一计算因子对应的因子权重，所述a*b用于表示所述任一计算因子的标准值；所述A用于表示已计算的目标集合中各计算因子的标准值的总和；所述B用于表示所述已计算的目标集合中各计算因子的因子权重的总和；所述∑(a*b)即为当前集合的计算因子的总权重；其中，因子权重用于表示计算因子的相对重要程度，计算因子越重要，其因子权重也越大，且各计算因子的因子权重可以是预先设置的不小于0的数。

需要说明的是，该已计算的目标集合包含于上述N个计算因子集合，且该已计算的目标集合中的集合均为在计算当前集合之前，已经计算完成的集合，例如，N个计算因子集合分别为集合1～集合5，如果计算得到结果的顺序为集合1→集合3→集合2→集合5→集合4，那么，若当前集合为集合3，则目标集合为集合1；若当前集合为集合2，则目标集合为{集合1，集合3}；若当前集合为集合5，则目标集合为{集合1，集合3，集合2}；若当前集合为集合4，则目标集合为{集合1，集合3，集合2，集合5}，在集合4计算完成后，则返回的是该目标数据的最终可信度值。因此，目标集合中集合的个数为[0，N-1]之间的整数。

各个计算因子具有对应的因子权重，关于因子权重在初始时为预设权重值，可设置为各个计算因子值均相同，譬如因子权重均为10或100等。随着企业数据的不断获取及本发明的可信度计算方法不断运行，因子权重相应变化，举例来说，假设某次可信度计算的最终可信度值被确认(譬如金融机构确定并放款)，则该最终可信度值对应的数据账套中所有计算因子值为1的因子的权重加预置数值，该预置数值可以为1或者其他数目，具体此处不做限定，其余计算因子的因子权重不变。随着不断对获取的企业运行数据进行可信度计算，计算因子的因子权重也在对应调整，权重调整后的计算因子所占比重就会变大，这样得到的最终可行度值也更加准确。

计算池获得当前集合中任一计算因子所对应的因子权重，并计算当前集合的计算因子的因子权重总和及标准值的权重总和，以得到目标数据当前的可信度值，并保存得到的(∑(a*b)+A)和(∑b+B)值，进而作为下次计算目标数据的可信度值时的A和B值。

104、显示目标数据当前的可信度值；

在计算得到目标数据当前的可信度值后，将该可信度值向客户显示，由于计算因子集合的数目有多个，且为并行计算，因此该当前的可信度值一直在动态变化，当N个计算因子集合中各计算因子的因子值全部计算完成后，目标数据当前的可信度值为目标数据的最终可信度值，且目标数据的最终可信度值越接近于1，表示目标数据的真实性越高。

需要说明的是，为向用户提示最终可信度值，可将该最终可信度值的显示颜色设置为异于其他可信度值，或者，重复多次动态显示该最终可信度值，因此实际应用中，最终可信度值的具体的显示方式，本申请不做限定。

另外，由于实际应用中存在一个客户有多个数据账套的场景，因此，可计算出每个数据账套的最终可信度值，将其中最终可信度值最高的数据账套推荐给金融机构，来进行信用评审等操作，可选的，若该最终可信度值最高的数据账套被金融机构所确认，则该最终可信度值最高的数据账套中所有计算因子值为1的因子的权重加预置数值，该预置数值可以为1或者其他数目，具体此处不做限定。

本发明实施例能够在超大因子的场景下快速计算出可信度值，而且基于弹性计算，可信度值的结果逐步动态反馈，消除了用户的等待不足。

另外，本发明实施例中还将对应于目标数据的计算因子进行分类分批处理，可以理解的是，1、同样数目的情况下，服务器在计算同一类计算因子的因子值所使用的时间要小于计算不同类计算因子的因子值；2、当计算因子的数量大到十万级乃至百万级时，将计算因子进行分类可能存在某一类计算因子中有大数量的计算因子的情况，因此本发明实施例中还可将每一类计算因子进行分批处理，得到N个计算因子集合，再采用M个线程并行计算该N个计算因子集合中各计算因子的因子值，相对于现有技术中的一个线程处理，在计算因子的数量相等、且各线程处理能力相同的情况下，多个线程同时计算的速度大于一个线程计算的速度，故本发明实施例在超大因子的场景下能加快计算出目标数据的可信度值的速度。

为便于更好的理解本申请，下面将结合具体的实际应用场景进行说明，如下：

先定义几类因子，为简单说明情况，每类因子个数只取3个，实际运作中这个值建议在200-500之间：

第一类因子：(行为模型，按次数)

A1：凭证当月使用次数大于5次；

A2：凭证当月使用次数大于20次；

A3：凭证当月使用次数大于50次；

第二类因子：(行为模型，按频度)

B1：凭证当月每周都有使用；

B2：凭证当月有2周有使用；

B3：凭证当月只有1周在使用；

第三类因子：(一致性模型，防欺诈)

C1：销售订单-销售发货-收款单关联生成比例大于80％；

C2：销售订单-销售发货-收款单关联生成比例大于50％；

C3：销售订单-销售发货-收款单关联生成比例大于30％；

第四类因子：(防欺诈模型)；

D1：收款单单张金额超过当月总额的5％个数大于10张；

D1：收款单单张金额超过当月总额的3％个数大于20张；

D1：收款单单张金额超过当月总额的2％个数大于50张；

按上述方法的说明，本案例因子分为A，B，C，D4类，这4类因子基本类似，在批量计算时会获得较快的计算结果；

假定初始每个因子的权重都是10，现在开始计算A客户；

考虑只有4个因子分类，假设启用2个计算线程；

线程1计算的结果为A1(1)，A2(1)，A3(0)，此结果批量传入计算池后，004计算出当前因子值汇总＝1*10+1*10+0*10＝20，权重汇总为10+10+10＝30；

此时计算池无其他数据，返回结果＝20/30＝0.6667；

线程2计算的结果为B1(1)，B2(1)，B3(1)，此结果批量传入计算池后，004计算出当前因子值汇总＝1*10+1*10+1*10＝30，权重汇总为10+10+10＝30；

此时计算池有A的数据，返回结果＝(20+30)/(30+30)＝0.8333；

此时保存当前所有的因子值(50)和因子权重(60)；

线程1发现还有C和D未计算，则继续计算C，结果为C1(1)，C2(1)，C3(1)；

此结果批量传入计算池后，004计算出当前因子值汇总＝1*10+1*10+1*10＝30，权重汇总为10+10+10＝30；

此时计算池有A和B的汇总数据，返回结果＝(50+30)/(60+30)＝0.8888；

此时保存当前所有的因子值(80)和因子权重(90)；

线程2同样计算D，结果为D1(0)，D2(1)，D3(0)；

此结果批量传入计算池后，004计算出当前因子值汇总＝0*10+1*10+0*10＝10，权重汇总为10+10+10＝30；

此时计算池有A/B/C的汇总数据，返回结果＝(80+10)/(90+30)＝0.75

此时保存当前所有的因子值(90)和因子权重(120)

假定当前客户K有K1，K2，K3三个数据账套，针对上述算法计算得到：

K1的可信度为0.75；

K2的可信度为0.8；

K3的可信度为0.85；

那么会推荐K3这个数据账套的真实可信度高并推荐给金融机构，如果金融机构确定并放款，则K3中所有计算因子值为1的因子的权重加1。

上面对本发明实施例中可信度的计算方法进行了描述，下面对本发明实施例中的计算设备进行描述，请参阅图2，本发明实施例中的计算设备包括：

分配单元201，用于将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；

第一计算单元202，用于通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；

第二计算单元203，用于根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合。

为便于理解，下面对本发明实施例中的计算设备进行详细描述，在上述图2所示的基础上，请参阅图3，图3为本发明实施例中计算设备的另一个实施例示意图，可选的，第二计算单元303包括：

计算模块3031，用于按照如下方式计算所述目标数据当前的可信度值：

Z＝(∑(a*b)+A)/(∑b+B)；

所述Z用于表示所述目标数据当前的可信度值，所述a用于表示所述当前集合中任一计算因子的因子值，所述b用于表示与所述任一计算因子对应的因子权重，所述a*b用于表示所述任一计算因子的标准值；所述A用于表示已计算的目标集合中各计算因子的标准值的总和；所述B用于表示所述已计算的目标集合中各计算因子的因子权重的总和；

显示模块3032，用于显示所述目标数据当前的可信度值。

可选的，分配单元301具体用于：

将对应于所述目标数据的计算因子按照维度进行分类处理，得到T类计算因子，所述T为不大于所述N的正整数；

将所述T类计算因子中的各类计算因子进行分批处理，得到所述N个计算因子集合。

上面图2至图3从模块化功能实体的角度分别对本发明实施例中的计算设备进行了描述，下面从硬件处理的角度对本发明实施例中的计算设备进行详细描述，请参阅图4，本发明实施例中的计算设备400一个实施例，包括：

输入装置401、输出装置402、处理器403和存储器404(其中处理器403的数量可以一个或多个，图4中以一个处理器403为例)。在本发明的一些实施例中，输入装置401、输出装置402、处理器403和存储器404可通过总线或其它方式连接，其中，图4中以通过总线连接为例。

其中，通过调用存储器404存储的操作指令，处理器403，用于执行如下步骤：

将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；

通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；

根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合。

可选的，处理器403具体用于：

按照如下方式计算所述目标数据当前的可信度值：

Z＝(∑(a*b)+A)/(∑b+B)；

所述Z用于表示所述目标数据当前的可信度值，所述a用于表示所述当前集合中任一计算因子的因子值，所述b用于表示与所述任一计算因子对应的因子权重，所述a*b用于表示所述任一计算因子的标准值；所述A用于表示已计算的目标集合中各计算因子的标准值的总和；所述B用于表示所述已计算的目标集合中各计算因子的因子权重的总和；

输出装置402具体用于显示所述目标数据当前的可信度值。

可选的，处理器403具体用于：将对应于所述目标数据的计算因子按照维度进行分类处理，得到T类计算因子，所述T为不大于所述N的正整数；

将所述T类计算因子中的各类计算因子进行分批处理，得到所述N个计算因子集合。

本发明实施例还提供了一种计算系统，该计算系统包括客户端和服务端，所述客户端用于将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；

所述客户端将计算得到的所述N个计算因子集合中各计算因子的因子值上传到所述服务端；

所述服务端用于根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合；

所述服务端将所述目标数据当前的可信度值发送到所述客户端；

所述客户端输出所述目标数据当前的可信度值。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种可信度的计算方法，适用于超大因子的计算，其特征在于，包括：

将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；

通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；

根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合。

2.根据权利要求1所述的计算方法，其特征在于，所述根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，包括：

按照如下方式计算所述目标数据当前的可信度值：

Z＝(∑(a*b)+A)/(∑b+B)；

所述Z用于表示所述目标数据当前的可信度值，所述a用于表示所述当前集合中任一计算因子的因子值，所述b用于表示与所述任一计算因子对应的因子权重，所述a*b用于表示所述任一计算因子的标准值；所述A用于表示已计算的目标集合中各计算因子的标准值的总和；所述B用于表示所述已计算的目标集合中各计算因子的因子权重的总和；

显示所述目标数据当前的可信度值。

3.根据权利要求1或2所述的计算方法，其特征在于，所述因子值为0或者1。

4.根据权利要求1所述的计算方法，其特征在于，当所述N个计算因子集合中各计算因子的因子值全部计算完成后，所述目标数据当前的可信度值为所述目标数据的最终可信度值。

5.根据权利要求1所述的计算方法，其特征在于，所述将对应于目标数据的计算因子按预置规则分为N个计算因子集合包括：

将对应于所述目标数据的计算因子按照维度进行分类处理，得到T类计算因子，所述T为不大于所述N的正整数；

将所述T类计算因子中的各类计算因子进行分批处理，得到所述N个计算因子集合。

6.一种计算设备，适用于超大因子的计算，其特征在于，包括：

分配单元，用于将对应于目标数据的计算因子按预置规则分为N个计算因子集合，所述N为大于1的正整数；

第一计算单元，用于通过M个计算线程并行分类计算所述N个计算因子集合中各计算因子的因子值，所述M为不大于N的正整数；

第二计算单元，用于根据当前集合中各计算因子的因子值，和，已计算的目标集合中各计算因子的因子值计算并输出所述目标数据当前的可信度值，所述当前集合为所述N个计算因子集合中的一个集合，所述已计算的目标集合包含于所述N个计算因子集合。

7.根据权利要求6所述的计算设备，其特征在于，所述第二计算单元包括：

计算模块，用于按照如下方式计算所述目标数据当前的可信度值：

Z＝(∑(a*b)+A)/(∑b+B)；

所述Z用于表示所述目标数据当前的可信度值，所述a用于表示所述当前集合中任一计算因子的因子值，所述b用于表示与所述任一计算因子对应的因子权重，所述a*b用于表示所述任一计算因子的标准值；所述A用于表示已计算的目标集合中各计算因子的标准值的总和；所述B用于表示所述已计算的目标集合中各计算因子的因子权重的总和；

显示模块，用于显示所述目标数据当前的可信度值。

8.根据权利要求6所述的计算设备，其特征在于，所述分配单元具体用于：

将对应于所述目标数据的计算因子按照维度进行分类处理，得到T类计算因子，所述T为不大于所述N的正整数；

将所述T类计算因子中的各类计算因子进行分批处理，得到所述N个计算因子集合。

9.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-5中任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5中任意一项所述方法的步骤。