CN114723548A - 数据处理方法、装置、设备、介质和程序产品 - Google Patents

Abstract

本公开提供了一种数据处理方法，可以应用于大数据技术领域和信息安全技术领域。该数据处理方法包括：筛选原始交易数据，生成完整交易数据集和缺失交易数据集；确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；以及根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容。本公开还提供了一种数据处理装置、设备、存储介质和程序产品。

Description

数据处理方法、装置、设备、介质和程序产品

技术领域

本公开涉及计算机技术领域，具体地涉及一种数据处理方法、装置、设备、介质和计算机程序产品。

背景技术

在金融领域中，利用各种手段进行掩饰、隐瞒、转化使异常收入在形式上正常的金融行为随着科学技术的进步，变得越发隐蔽，难以区分。为了识别这些异常金融行为，避免潜在金融风险，维护金融安全，现有技术中也在逐步提高针对这些异常金融行为进行识别的技术水平。其中，随着现代科学技术的快速发展，现有异常金融行为的识别系统每天都会处理海量的交易数据，但传统的数据处理仍然存在大量人工识别的情况，当从上游数据源中获取到待处理数据时，常常面临关键数据字段缺失造成难以实现有效识别的问题，例如在交易记录中常见且重要缺失字段包括对手方交易信息。其中，交易对手信息为多发生在银行业业务系统中最常见的有业务往来的对方账户的开户行。

发明内容

鉴于上述问题，本公开提供了针对上述异常金融行为提高识别水平的数据处理方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种数据处理方法，包括：筛选原始交易数据，生成完整交易数据集和缺失交易数据集；确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；以及根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容。

根据本公开的实施例，在筛选原始交易数据，生成完整交易数据集和缺失交易数据集之前，还包括：确定多个数据渠道对应的每个数据渠道的渠道数据；批量接收多个数据渠道对应的每个数据渠道的渠道数据，形成原始交易数据。

根据本公开的实施例，在筛选原始交易数据，生成完整交易数据集和缺失交易数据集中，包括：确定原始交易数据中每个交易数据的数据内容；当数据内容为空时，筛选数据内容为空的交易数据为缺失交易数据集中的缺失交易数据；当数据内容为非空时，筛选数据内容为非空的交易数据为完整交易数据集中的完整交易数据。

根据本公开的实施例，在确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数之前，还包括：对缺失交易数据集中的每个缺失交易数据执行向量化，生成缺失向量数据集；标签化缺失向量数据集中的每个缺失向量数据；对标签化之后的缺失向量数据执行特征分类，确定缺失交易数据集中的每个缺失交易数据对应的缺失分类数据。

根据本公开的实施例，在确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数中，包括：获取缺失交易数据集中的每个缺失交易数据对应的缺失分类数据的非缺失内容参数；根据非缺失内容参数确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数。

根据本公开的实施例，在根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容之前，还包括：对完整交易数据集中的每个完整交易数据执行向量化，生成完整向量数据集；标签化完整向量数据集中的每个完整向量数据；对标签化之后的完整向量数据执行特征分类，确定完整交易数据集中的每个完整交易数据对应的完整分类数据。

根据本公开的实施例，在对标签化之后的完整向量数据执行特征分类，确定完整交易数据集中的每个完整交易数据对应的完整分类数据之后，还包括：根据完整交易数据集中的每个完整交易数据对应的完整分类数据的数据内容参数，确定完整数据参数集。

根据本公开的实施例，在根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容中，包括：根据缺失内容参数和上述完整数据参数集中的数据内容参数之间的参数关系，确定数据内容参数对应的数据内容为缺失内容。

根据本公开的实施例，数据处理方法还包括：根据缺失内容对缺失交易数据集中对应的缺失交易数据执行补全；将补全之后的缺失交易数据更新为完整交易数据集中的完整交易数据。

本公开的第二方面提供了一种数据处理装置，包括数据筛选模块、参数确定模块以及内容获取模块。数据筛选模块用于筛选原始交易数据，生成完整交易数据集和缺失交易数据集；参数确定模块用于确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；以及内容获取模块用于根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述数据处理方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述数据处理方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述数据处理方法。

本公开提供了一种数据处理方法、装置、设备、介质和程序产品。其中，该数据处理方法包括：筛选原始交易数据，生成完整交易数据集和缺失交易数据集；确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；以及根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容。因此，本公开实施例的上述数据处理方法能够在缺失关键内容(如交易对手信息)时，实现对缺失内容的预测，以利于补全缺失内容，保证数据在接入识别系统时的完整性；此外，可以进一步有效提高识别检测结果的准确性、可靠性和精准性，大大提升金融机构的风控能力；而且，极大提高了缺失内容的预测过程自动化和智能化水平，大大减轻下游数据管理人员以及前台工作人员的甄别工作压力，很大程度上缩减了人工工作量，从而提高工作效率。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的数据处理方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的数据处理方法的流程图；

图3示意性示出了根据本公开实施例的数据处理方法的一应用场景图；

图4示意性示出了根据本公开实施例的数据处理方法的另一应用场景图；

图5示意性示出了根据本公开实施例的数据处理装置的结构框图；以及

图6示意性示出了根据本公开实施例的适于实现数据处理方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有 B和C、和/或具有A、B、C的系统等)。

针对异常金融行为的传统识别方式最基本的是大额可疑机制和黑名单机制。其中，大额可疑机制是对于账户的异常资金出入情况进行监控和预警，并结合整个信用体系指标来判断是否为可疑账户；黑名单机制则通过对以往的这些异常账户建立黑名单数据库，对每一笔资金出入进行自动查询，一旦出现重合或者相关账户，可以快速响应采取终止交易、冻结账户等措施。随着人工智能的发展，如今针对上述异常金融行为的甄别过程可以实现更为精细、更多维度的数据处理方式，其中包括基于大数据关联追溯的智能识别技术、基于异常交易团伙识别技术以及基于时序有向社团划分的异常风险评级等。

基于大数据关联追溯的智能识别技术主要利用丰富的内、外部数据，依托银行现有的云计算大数据平台对数据处理，对转账、消费、查询等多个事件进行多角度的关联分析。通过结合创新的图计算算法以及可视化交互工具，形成针对案件追溯反查和异常交易结构主动发现两大类原型工具。其中，基于大数据关联追溯的智能识别技术主要涉及基于大数据平台的关联交易多轮快速追溯、关键转账枢纽节点发现以及核心交易结构网络发现三个方面。

基于异常交易团伙识别的智能识别技术则可以建立基于团伙识别的智能技术。通过对多账号对类型交易进行数据统计分析，建立模型。根据特殊的条件筛选出可疑的节点，寻找出与这些可疑节点的相关交易，便有可能发现相关的异常模式。针对不同的交易结构，基于异常交易团伙识别的智能识别技术能够借用图数据寻找真正的异常交易存在的其他潜在特征，可以在整个异常识别过程中对于不同结构判别异常风险几何，帮助更好的智能过滤和发现异常组织，精简侦查范围。

基于时序有向社团划分的异常风险评级主要体现于：当一个异常组织尝试构建一个复杂异常金融行为交易网的时候，通常会将其核心异常交易结构隐藏在某些看似正常交易中。于此，可以构建相关模型，提取交易特征，这样面对异常风险极大的组织时，可以帮助提高异常识别算法的辨识度，并且可以给出核心的异常风险结构。基于时序有向社团划分的异常风险评级具体涉及步骤如下：建立金融交易原始权重网络图、基于异常风险修正的TD-Louvain社团划分算法以及异常组织风险评级。

金融机构如银行等在日常的金融业务开展过程中，积累了大量的原始金融交易数据，包括身份信息、交易支付、产品服务以及其他相关数据，构成了以客户+交易为核心的海量、多样化和异构数据体系，是异常金融行为识别领域中的重点方面，尤其随着机构规模、业务形态的不断演变，线上金融服务的普遍应用，金融交易数据也成为了金融机构实现智能化异常金融行为识别技术的重要资产。

金融机构一般依据数据接口规范，采集来自金融业务系统的数据要素生成相应的数据文件并发送给异常识别系统，该系统则定时读取数据文件并归并到相应的数据库中。在这一机制中，异常识别系统若没有对数据进行实时的核对和反馈，则难以保障数据的准确性和完整性，机制上存在缺失。另外，金融机构大额和可疑交易报告接口规范经过不断修改，需要报告的要素在不断增加和完善。然而，在实际工作中一些要素却难于获取。例如，网上银行交易时，由于同一银行跨行间受权限限制或跨行之间信息无法共享等原因，要获取报告中交易对手的信息(交易对手账号、交易对手名称、交易对手IP地址等) 极其困难，从而造成报告中经常缺少这些要素的内容，不利于识别监测分析和行政调查工作的开展。

交易对手信息是分析可疑交易、追踪资金流向、了解资金来源和去向、判断交易性质的关键要素和重要参考指标，主要包括交易对手账号、交易对手名称以及开户行等基本要素，如果账户交易明细中交易对手信息缺失严重，整份可疑交易报告的情报价值将大打折扣。

关键数据字段的缺失一方面会影响了识别模型甄别交易数据的准确性，导致本应上报相关监管机构的具有异常风险的可疑数据，因为关键字段的缺失，被甄别为正常交易数据；另一方面，通过异常识别系统筛选出的缺失数据，需要二次返回数据源，经过前台重新补全字段信息后，再通过该系统做出甄别，这就极大增加了人工工作量，降低了异常识别的效率。

为解决现有技术中因关键数据字段缺失所造成的异常金融行为识别准确性差、甄别效率低下的技术问题，本公开实施例提供了一种数据处理方法、装置、设备、介质和计算机程序产品。

需要说明的是，本公开的上述数据处理方法和装置可用于大数据技术领域和信息安全技术领域，也可用于金融领域以及金融领域之外的任意领域，本公开实施例的数据处理方法和装置的应用领域不做限定。

在本公开的技术方案中，所涉及的包括用户个人信息等数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。其中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

本公开的实施例提供了一种数据处理方法，包括：筛选原始交易数据，生成完整交易数据集和缺失交易数据集；确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；以及根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容。

图1示意性示出了根据本公开实施例的数据处理方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备 101、102、103、网络104和服务器105。网络104用以在终端设备 101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器 105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据处理装置一般可以设置于服务器105中。本公开实施例所提供的数据处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图6对公开实施例的数据处理方法进行详细描述。

图2示意性示出了根据本公开实施例的数据处理方法的流程图。

如图2所示，该实施例的数据处理方法包括操作S201～操作S203。

在操作S201，筛选原始交易数据，生成完整交易数据集和缺失交易数据集；

在操作S202，确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；

在操作S203，根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容。

原始交易数据为通过多种交易渠道与金融系统所产生的交易任务的数据，可以包括对手交易数据等。其中，对手交易数据包括多个数据项，每个数据项按照多个不同的数据字段可以将其数据内容分别进行类型划分，例如一个数据项包括“张三、0001、转账”的三个数据内容作为数据值，其中张三对应的数据类型为交易对手名称、0001 对应的数据类型为交易对手账号、转账对应的数据类型为交易方式。其中，数据类型包括交易对手名称、交易对手账号、交易方式、交易网点等。因此，每个数据字段对应不同的数据类型，且每个数据字段都可以具有相应的数据值作为数据内容。

对应类型的数据值可能存在丢失的情况，使得该丢失数据值的数据项构成缺失交易数据，该缺失交易数据的数据集合即缺失交易数据集。相反，当数据项的数据值完整并无缺失的情况下，该数据项构成完整交易数据，该完整交易数据的数据集合即完整交易数据集。

通常，每个数据值在对应的数据项的集合中都具有不同的占比，该占比可以理解为该种数据内容在同一数据类型中所占有比率或者概率。因此，每个缺失交易数据的缺失内容也可以获取其在是对应的同一数据类型中的占比，即缺失内容相对于该缺失交易数据在缺失交易数据集中的缺失内容参数。相应地，每个数据内容在完整交易数据集中对应同一数据类型的占比可以作为上述的完整数据参数。其中，这些完整数据参数的集合可以作为上述的完整数据参数集。

以所获得的缺失内容参数逐个与完整数据参数集中的每个完整数据参数执行比对，可以确定与缺失内容参数相匹配的完整数据参数，则该匹配的完整数据参数对应的数据内容可以作为缺失交易数据对应的缺失内容。

因此，本公开实施例的上述数据处理方法能够在缺失关键内容 (如交易对手信息)时，实现对缺失内容的预测，以利于补全缺失内容，保证数据在接入异常金融行为识别系统时的完整性；此外，可以进一步有效提高识别检测结果的准确性、可靠性和精准性，大大提升金融机构的风控能力；而且，极大提高了缺失内容的预测过程自动化和智能化水平，大大减轻下游数据管理人员以及前台工作人员的异常识别工作压力，很大程度上缩减了人工工作量，从而提高工作效率。

图3示意性示出了根据本公开实施例的数据处理方法的一应用场景图；图4示意性示出了根据本公开实施例的数据处理方法的另一应用场景图。

如图2-图4所示，根据本公开的实施例，在操作S101筛选原始交易数据，生成完整交易数据集和缺失交易数据集之前，还包括：

确定多个数据渠道对应的每个数据渠道的渠道数据；

批量接收多个数据渠道对应的每个数据渠道的渠道数据，形成原始交易数据。

数据渠道可以为与金融系统的服务平台建立金融数据服务关系的交易服务平台，通过该交易服务平台能够使得金融企业可以向交易方和交易对手提供交易服务，属于本公开实施例的数据处理过程中的上游端。其中，金融系统一般可以包括银行的金融服务系统，而交易服务平台则不限于银行金融服务系统，还可以包括其他金融业务交易服务提供商等非银行的金融企业所提供的系统平台，如各类支持移动终端金融应用软件的系统平台。

在执行本公开实施例的上述关于原始交易数据的筛选处理之前，需要对原始交易数据进行收集预处理。首先，需要将与金融系统建立金融数据服务关系的所有交易服务平台作为数据渠道，并确定其中每个数据渠道中生成的固定某个期限内容尚未进行异常金融行为识别的渠道数据。这些渠道数据可以是交易双方通过金融系统和对应数据渠道进行金融交易所产生的交易相关数据，如交易对手数据。

对所确定的所有数据渠道的所有渠道数据执行批量接收处理，将存储于预定数据库的所有渠道数据进行批量接收，，如操作S301从上游获取原始数据。这些所接收到的渠道数据进行初步的清洗等预处理操作之后，即可以整理成为原始交易数据。

借此，可以实现对原始交易数据的自动收集和预处理，确保数据的完整性，尽可能避免原始交易数据中的数据字段、数据内容等发生人为缺失现象，同时也保证能够对需要进行处理的原始交易数据执行后续处理，防止杂糅的数据的影响，减少非必要数据量，提高后续数据处理的精度和速度。

如图2-图4所示，根据本公开的实施例，在操作S101筛选原始交易数据，生成完整交易数据集和缺失交易数据集中，包括：

确定原始交易数据中每个交易数据的数据内容；

当数据内容为空时，筛选数据内容为空的交易数据为缺失交易数据集中的缺失交易数据；

当数据内容为非空时，筛选数据内容为非空的交易数据为完整交易数据集中的完整交易数据。

如前述所言，每个数据字段对应不同的数据类型，且每个数据字段都可以具有相应的数据值作为数据内容。如一个数据项包括“张三、 0001、转账”的三个数据内容作为数据值，其中，该数据项对应为一项交易数据，该数据项中对应的数据类型为交易对手名称的数据内容为张三。因此，通过对原始交易数据中的每项交易数据执行遍历，检查并确定其中每个交易数据的数据内容。

当所确定的该交易数据的数据内容为空时，即该项交易数据的对应至少一个数据类型的数据值不存在，则确定其数据内容为空，该为空的数据内容对应的交易数据即数据完整，可以被筛选为缺失交易数据，所有缺失交易数据可以构成上述缺失交易数据集，如操作 S302-S332。

当所确定的该交易数据的数据内容为非空时，即该项交易数据的对应至少一个数据类型的数据值存在，则确定其数据内容为非空，该为非空的数据内容对应的交易数据即数据不完整，可以被筛选为完整交易数据，所有完整交易数据可以构成上述缺失交易数据集，如操作 S302-S332。

因此，能够实现对待处理的目标交易数据(即缺失交易数据)和完整交易数据之间的区分，从而能够实现对缺失交易数据的精确处理，防止完整交易数据的数据干扰，同时能够保证完整交易数据可以作为参考数据提供缺失内容的对比。

如图2-图4所示，根据本公开的实施例，在操作S102确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数之前，还包括：

对缺失交易数据集中的每个缺失交易数据执行向量化，生成缺失向量数据集；

标签化缺失向量数据集中的每个缺失向量数据；

对标签化之后的缺失向量数据执行特征分类，确定缺失交易数据集中的每个缺失交易数据对应的缺失分类数据。

缺失交易数据的向量化需要对缺失交易数据执行数值化操作，将对应的数据字段和相应数据内容转换为数字，如经过数值化操作之后，缺失交易数据中的交易对手名称的“张三”的数据内容可以代为数字 0、交易对手账号“0001”的数据内容可以代为数字1、交易方式“转账”的数据内容可以代为数字2等，其中数据内容为“空”可以代为数字3。因此，可以通过数值化的方式可以实现对缺失数据的数据量简化，提高数据处理兼容性和处理速度。

如操作S401，将经过上述数值化处理之后的每项数值化缺失交易数据执行向量化，即将数值化数据进行对应的向量转换，从而完成数值数据到向量数据的转变。在深度学习安全领域以及相关深度学习实践中，向量化是为加快数据处理速度提高数据集合处理效率的重要方式之一。其中，上述经过向量化处理的每个缺失交易数据可以对应生成缺失向量数据，这些缺失向量数据作为向量化的交易数据可以共同用于构建缺失向量数据集。

如操作S402，对经过上述向量化的每项向量化缺失交易数据执行标签化，即对每项向量化缺失交易数据的对应数据类型进行打标，如将缺失交易数据的“张三”标记为对应“交易对手名称”的代码或者数字(如“101”)，从而构成每个缺失向量数据对应标签数据。借此，可以准确地实现对每个缺失交易数据的数据类型的标签化，建立了分类的依据，保证后续特征分类过程的准确性和高效性。

如操作S403，通过特征分类执行上述标签化的缺失向量数据的分类，按照不同的数据类型对每个缺失交易数据对应的缺失向量数据执行分类，使得同一数据类型对应的数据内容均符合相同的类别。如数据内容为交易对手名称的交易数据主要包括张三、李四、周五、郑六，而数据内容为交易对手账号的交易数据主要包括0001、0002、 0003、0004。换言之，借此可以实现对向量化之后的缺失交易数据按照数据类型进行分类，可以理解为可以构成一横、纵列与数据类型相对应的缺失交易数据集对应的向量化的数据表。其中，特征分类在机器学习技术领域主要按照不同数据特征进行数据分类，对应于不同的特征可以匹配不同的处理方式。

因此，可以通过数值化、向量化、标签化以及参数化的方式可以实现对缺失交易数据的简化，加快数据处理速度，保证数据处理精度，同时也更匹配于金融系统的数据处理程序，提高了数据兼容性。

如图2-图4所示，根据本公开的实施例，在操作S102确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数中，包括：

获取缺失交易数据集中的每个缺失交易数据对应的缺失分类数据的非缺失内容参数；

根据非缺失内容参数确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数。

如操作S342和操作S404中，每条缺失交易数据所对应的每个数据类型的参数可以确定，如下述表1所示，对应第1项缺失交易数据“张三、0001、转账、A”，其对应的交易对手名称(即数据类型) 为“张三”的概率值P(张三)＝R(张三在该数据类型下的数据量) /R(该数据类型下的总数据量)，即第1、4、5、9项对应该张三在“交易对手名称”的数据类型下的数据量为4，该“交易对手名称”的数据类型的总数据量为第1-第10项共10项，因此，P(张三)＝4/10。相应地，即第7、8项对应“空”(数据内容在表1中所示为“------”) 数据内容在“交易对手名称”的数据类型下的数据量为2，该“交易对手名称”的数据类型的总数据量为第1-第10项共10项，因此，P (空)＝2/10。相似地，交易对手账号为0001的数据类型的概率为P(0001)＝3/10，交易方式为转账的数据类型的概率为P(转账)＝7/10，交易网点为A地点的数据类型的概率为P(A)＝3/10。

进一步地，不同的数据类型之间对彼此的相互影响不同，例如对应不同的职业的人其患有不同疾病的概率不同。对应于一个数据类型为交易对手名称对应于不同的其他数据类型的概率也有所不同，即条件概率。例如，对一个于交易对手账号为张三的数据内容其相对于交易对手账号为0001、交易方式为转账的条件概率为P(张三|0001*转账)＝P(张三)*P(0001|张三)*P(转账|张三)，其中，如P(转账|张三)等类似的P(B|A)为在条件B下，结果A所发生的条件概率，满足：P(B|A)＝(P(B|A)*P(B))/P(A)，具体不作赘述。关于上述条件概率的处理过程可以基于如朴素贝叶斯的决策理论所实现，从而在缺失数据较少的情况下仍然能够保证数据处理的准确性，具有更为稳定的分类效率，针对小规模的数据处理表现非常好，能够处理多分任务，适合增量式训练。

数据项	交易对手名称	交易对手账号	交易方式	交易网点
					1	张三	0001	转账	A
2	李四	0002	转账	B
					3	王五	0003	转账	C
4	张三	0001	信用卡	D
					5	张三	0004	现金	A
6	郑六	0005	现金	E
					7	------	0001	转账	A
8	------	0004	转账	D
					9	张三	0006	转账	D
10	李四	0002	转账	B

表1

借此，可以获取每个缺失交易数据对应的缺失内容的缺失内容参数，该缺失内容参数可以为上述数据内容为空的条件概率的概率值。相应地，非缺失内容参数则可以为如表1所示张三、李四等交易对手名称中的一数据内容的条件概率的概率值。

因此，可以将每个数据内容对应不同数据类型的其他数据内容的条件概率都计算出来，借此，可以实现对一个为空的数据内容相对其他数据内容的可能性进行了数字化，能够提高数据的处理准确性和处理效率。

需要说明的是，上述表1所示的数据内容在进行各个数据内容的条件概率获取之前，其每个数据内容应该对应着不同的向量，即缺失分类数据中对应的向量化数据内容，为使得本领域技术人员能够对本公开的上述实施例具有更好的理解，并未将向量化的数据内容呈现在此。

如图2-图4所示，根据本公开的实施例，在操作S103根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容之前，还包括：

对完整交易数据集中的每个完整交易数据执行向量化，生成完整向量数据集；

标签化完整向量数据集中的每个完整向量数据；

对标签化之后的完整向量数据执行特征分类，确定完整交易数据集中的每个完整交易数据对应的完整分类数据。

相应地，完整交易数据的向量化也需要对完整交易数据执行数值化操作，将对应的数据字段和相应数据内容转换为数字，如经过数值化操作之后，完整交易数据中的交易对手名称的“张三”的数据内容可以代为数字0、交易对手账号“0001”的数据内容可以代为数字1、交易方式“转账”的数据内容可以代为数字2等。因此，可以通过数值化的方式可以实现对完整数据的数据量简化，提高数据处理兼容性和处理速度。

如操作S401，将经过上述数值化处理之后的每项数值化完整交易数据执行向量化，即将数值化数据进行对应的向量转换，从而完成数值数据到向量数据的转变。在深度学习安全领域以及相关深度学习实践中，向量化是为加快数据处理速度提高数据集合处理效率的重要方式之一。其中，上述经过向量化处理的每个完整交易数据可以对应生成完整向量数据，这些完整向量数据作为向量化的交易数据可以共同用于构建完整向量数据集。

如操作S402，对经过上述向量化的每项向量化完整交易数据执行标签化，即对每项向量化完整交易数据的对应数据类型进行打标，如将完整交易数据的“张三”标记为对应“交易对手名称”的代码或者数字(如“101”)，从而构成每个完整向量数据对应标签数据。借此，可以准确地实现对每个完整交易数据的数据类型的标签化，建立了分类的依据，保证后续特征分类过程的准确性和高效性。

如操作S403，通过特征分类执行上述标签化的完整向量数据的分类，按照不同的数据类型对每个完整交易数据对应的完整向量数据执行分类，使得同一数据类型对应的数据内容均符合相同的类别。如数据内容为交易对手名称的交易数据主要包括张三、李四、周五、郑六，而数据内容为交易对手账号的交易数据主要包括0001、0002、0003、0004。换言之，借此可以实现对向量化之后的完整交易数据按照数据类型进行分类，可以理解为可以构成一横、纵列与数据类型相对应的完整交易数据集对应的向量化的数据表。其中，特征分类在机器学习技术领域主要按照不同数据特征进行数据分类，对应于不同的特征可以匹配不同的处理方式。

因此，可以通过数值化、向量化、标签化以及参数化的方式可以实现对完整交易数据的简化，加快数据处理速度，保证数据处理精度，同时也更匹配于金融系统的数据处理程序，提高了数据兼容性。

如图2-图4所示，根据本公开的实施例，在对标签化之后的完整向量数据执行特征分类，确定完整交易数据集中的每个完整交易数据对应的完整分类数据之后，还包括：

根据完整交易数据集中的每个完整交易数据对应的完整分类数据的数据内容参数，确定完整数据参数集。

如操作S341和操作S404中，每条完整交易数据所对应的每个数据类型的参数可以确定，如下述表2所示，对应第1项完整交易数据“张三、0001、转账、A”，其对应的交易对手名称(即数据类型) 为“张三”的概率值P(张三)＝R(张三在该数据类型下的数据量) /R(该数据类型下的总数据量)，即第1、4、5、9项对应该张三在“交易对手名称”的数据类型下的数据量为4，该“交易对手名称”的数据类型的总数据量为第1-第10项共10项，因此，P(张三)＝4/10。相应地，即第7、8项对应“周七”数据内容在“交易对手名称”的数据类型下的数据量为2，该“交易对手名称”的数据类型的总数据量为第1-第10项共10项，因此，P(周七)＝2/10。相似地，交易对手账号为0001的数据类型的概率为P(0001)＝2/10，交易方式为转账的数据类型的概率为P(转账)＝7/10，交易网点为A地点的数据类型的概率为P(A)＝3/10。

进一步地，不同的数据类型之间对彼此的相互影响不同，例如对应不同的职业的人其患有不同疾病的概率不同。对应于一个数据类型为交易对手名称对应于不同的其他数据类型的概率也有所不同，即条件概率。例如，对一个于交易对手账号为张三的数据内容其相对于交易对手账号为0001、交易方式为转账的条件概率为P(张三|0001*转账)＝P(张三)*P(0001|张三)*P(转账|张三)，其中，如P(转账 |张三)等类似的P(B|A)为在条件B下，结果A所发生的条件概率，满足：P(B|A)＝(P(B|A)*P(B))/P(A)，具体不作赘述。关于上述条件概率的处理过程可以基于如朴素贝叶斯的决策理论所实现，从而在完整数据较少的情况下仍然能够保证数据处理的准确性，具有更为稳定的分类效率，针对小规模的数据处理表现非常好，能够处理多分任务，适合增量式训练。

数据项	交易对手名称	交易对手账号	交易方式	交易网点
					1	张三	0001	转账	A
2	李四	0002	转账	B
					3	王五	0003	转账	C
4	张三	0001	信用卡	D
					5	张三	0004	现金	A
6	郑六	0005	现金	E
					7	周七	0006	转账	A
8	周七	0006	转账	D
					9	张三	0007	转账	D
10	李四	0002	转账	B

表2

借此，可以获取每个完整交易数据对应的完整内容的完整内容参数，该完整内容参数可以为上述各个完整的数据内容的条件概率的概率值。相应地，非完整内容参数则可以为如表2所示张三、李四等交易对手名称中的一数据内容的条件概率的概率值。

因此，可以将每个数据内容对应不同数据类型的其他数据内容的条件概率都计算出来，借此，可以实现对一个任一数据内容相对其他数据内容的可能性进行了数字化，能够提高数据的处理准确性和处理效率。

显然，完整交易数据的参数化过程与缺失交易数据的参数化过程基本一致，如此，可以保证两个数据集合之间的数据对应性，由于完整交易数据集中的数据量远远大于缺失交易数据集中的数据量，从而使得所获取的缺失内容参数能够与完整数据对应的数据内容参数可以进行有效比对，提高数据判断处理的准确性和稳定性，使得缺失内容的预测过程更快、更稳、更准确。

需要说明的是，上述表1所示的数据内容在进行各个数据内容的条件概率获取之前，其每个数据内容应该对应着不同的向量，即完整分类数据中对应的向量化数据内容，为使得本领域技术人员能够对本公开的上述实施例具有更好的理解，并未将向量化的数据内容呈现在此。

如图2-图4所示，根据本公开的实施例，在操作S103根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容中，包括：

根据缺失内容参数和上述完整数据参数集中的数据内容参数之间的参数关系，确定数据内容参数对应的数据内容为缺失内容。

如操作S305，将所获取的缺失内容参数的概率值与完整数据参数集中的各个数据内容参数的概率值作比较，构成参数比较关系，借此，可以判断缺失内容参数的概率值与完整数据的数据内容参数的概率值之间的大小关系和数值差。

当两个概率值之间的数值差越小时，可以确定该缺失内容参数对应的缺失内容与该数据内容参数对应的数据内容越接近，即越匹配。因此，当该数值差的差值具体小于等于某个固定数值时，可以判断该该缺失内容参数对应的缺失内容与该数据内容参数对应的数据内容相同，即该数据内容参数的数据内容即该缺失内容参数对应的缺失内容。

因此，可以通过简单快速的参数比对方式，有效实现对缺失交易数据项中的缺失内容的预测，该预测过程依照概率值大小关系和数值差进行判断，能够极大地提高预测准确性，整个预测过程复杂度极低，能够保证预测效果良好。

如图2-图4所示，根据本公开的实施例，数据处理方法还包括：

根据缺失内容对缺失交易数据集中对应的缺失交易数据执行补全；

将补全之后的缺失交易数据更新为完整交易数据集中的完整交易数据。

如操作S306，将上述参数比对预测得出的缺失内容以其对应的数据类型对应补充到原缺失交易数据项，使得缺失数据复原为完整交易数据项。因此，可以实现对缺失数据内容的智能补全，保证数据在接入异常金融行为识别系统时的完整性。

进一步地，如操作S307，将经过缺失内容补全操作之后的复原完整交易数据进行更新，并插入到完整交易数据集中作为下一次进行异常识别数据处理的完整交易数据，从而可以实现不断地将补全的数据加入到完整数据集中继续进行训练，确保数据的迭代交替，从而使得整个完整数据集的数据量的不断扩大，保证下一步进行数据处理过程中的数据处理相对于当前处理过程更为准确可靠。

因此，可见，本公开实施例的上述数据处理方法相对于传统的异常识别技术中的数据处理过程，能够实现缺失内容的准确快速预测，特征分类也同样有效，且不会大幅增加处理过程复杂度，具有很好的异常金融行为识别的数据处理应用价值。

可见，本公开提供了一种数据处理方法包括：筛选原始交易数据，生成完整交易数据集和缺失交易数据集；确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；以及根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容。因此，本公开实施例的上述数据处理方法能够在缺失关键内容(如交易对手信息)时，实现对缺失内容的预测，以利于补全缺失内容，保证数据在接入异常金融行为识别系统时的完整性；此外，可以进一步有效提高异常识别检测结果的准确性、可靠性和精准性，大大提升金融机构的风控能力；而且，极大提高了缺失内容的预测过程自动化和智能化水平，大大减轻下游数据管理人员以及前台工作人员的异常识别的工作压力，很大程度上缩减了人工工作量，从而提高工作效率。

可见，基于上述本公开实施例的上述数据处理方法，可以实现银行等金融服务胸的数据系统优化升级。银行机构尤其一些国有大型银行，针对交易对手、交易时间、IP地址不完整等情况，尽快实现银行数据系统的优化升级，从而能够将基础交易数据有效集中于统一的数据库，提高数据调取的效率和完整性。此外，能够使得数据库使用配备技术支持。由于一些银行异常金融行为的识别技术部门和人员对本行新的数据系统还不会使用或者操作不顺畅，应对异常识别技术部门配备相应的技术力量和专业人员予以保障支持，同时加大识别技术人员数据库使用的培训，提高数据调取工作效率。而且，能够减少总分行数据共享授权。针对一些银行在总分行的数据共享上设置了多重授权，申请总行下放数据的手续繁琐，耗时较长的情况，宜在保障数据安全的情况下，减少内部授权审批环节，降低分支行获取客户交易信息的难度，缩减数据调取的时间。最后，还可以加大内部部门间的协调配合。银行各部门对异常识别技术工作加大重视，在识别技术部门调取和完善交易数据过程中，实现各个业务条线积极配合，提供支持，从而确保识别技术工作人员及各业务条线上异常识别相关人员能够及时获得所需信息及其他资源，提高工作效率。

基于上述数据处理方法，本公开还提供了一种数据处理装置。以下将结合图5对该装置进行详细描述。

图5示意性示出了根据本公开实施例的数据处理装置的结构框图。

如图5所示，该实施例的数据处理装置500包括数据筛选模块 510、参数确定模块520以及内容获取模块530。

数据筛选模块510用于筛选原始交易数据，生成完整交易数据集和缺失交易数据集。在一实施例中，数据筛选模块510可以用于执行前文描述的操作S201，在此不再赘述。

参数确定模块520用于确定缺失交易数据集中的每个缺失交易数据对应的缺失内容参数。在一实施例中，参数确定模块520可以用于执行前文描述的操作S202，在此不再赘述。

内容获取模块530用于根据完整交易数据集的完整数据参数集，获取缺失内容参数对应的缺失内容。在一实施例中，内容获取模块 530可以用于执行前文描述的操作S203，在此不再赘述。

根据本公开的实施例，数据筛选模块510、参数确定模块520以及内容获取模块530中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，数据筛选模块 510、参数确定模块520以及内容获取模块530中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据筛选模块510、参数确定模块520以及内容获取模块530中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图6示意性示出了根据本公开实施例的适于实现数据处理方法的电子设备的方框图。

如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分 608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器 601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备600还可以包括输入/输出(I/O) 接口605，输入/输出(I/O)接口605也连接至总线604。电子设备 600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610 上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603 以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。

在该计算机程序被处理器601执行时执行本公开实施例的系统/ 装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分609被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++， python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网 (LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (13)

1.一种数据处理方法，其中，包括：

筛选原始交易数据，生成完整交易数据集和缺失交易数据集；

确定所述缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；以及

根据所述完整交易数据集的完整数据参数集，获取所述缺失内容参数对应的缺失内容。

2.根据权利要求1所述的方法，其中，在所述筛选原始交易数据，生成完整交易数据集和缺失交易数据集之前，还包括：

确定多个数据渠道对应的每个数据渠道的渠道数据；

批量接收所述多个数据渠道对应的每个数据渠道的渠道数据，形成所述原始交易数据。

3.根据权利要求1所述的方法，其中，在所述筛选原始交易数据，生成完整交易数据集和缺失交易数据集中，包括：

确定所述原始交易数据中每个交易数据的数据内容；

当所述数据内容为空时，筛选所述数据内容为空的交易数据为所述缺失交易数据集中的缺失交易数据；

当所述数据内容为非空时，筛选所述数据内容为非空的交易数据为所述完整交易数据集中的完整交易数据。

4.根据权利要求1所述的方法，其中，在所述确定所述缺失交易数据集中的每个缺失交易数据对应的缺失内容参数之前，还包括：

对所述缺失交易数据集中的每个缺失交易数据执行向量化，生成缺失向量数据集；

标签化所述缺失向量数据集中的每个缺失向量数据；

对所述标签化之后的缺失向量数据执行特征分类，确定缺失交易数据集中的每个缺失交易数据对应的缺失分类数据。

5.根据权利要求4所述的方法，其中，在所述确定所述缺失交易数据集中的每个缺失交易数据对应的缺失内容参数中，包括：

获取所述缺失交易数据集中的每个缺失交易数据对应的缺失分类数据的非缺失内容参数；

根据所述非缺失内容参数确定所述缺失交易数据集中的每个缺失交易数据对应的缺失内容参数。

6.根据权利要求1所述的方法，其中，在所述根据所述完整交易数据集的完整数据参数集，获取所述缺失内容参数对应的缺失内容之前，还包括：

对所述完整交易数据集中的每个完整交易数据执行向量化，生成完整向量数据集；

标签化所述完整向量数据集中的每个完整向量数据；

对所述标签化之后的完整向量数据执行特征分类，确定完整交易数据集中的每个完整交易数据对应的完整分类数据。

7.根据权利要求6所述的方法，其中，在所述对所述标签化之后的完整向量数据执行特征分类，确定完整交易数据集中的每个完整交易数据对应的完整分类数据之后，还包括：

根据所述完整交易数据集中的每个完整交易数据对应的完整分类数据的数据内容参数，确定所述完整数据参数集。

8.根据权利要求7所述的方法，其中，在所述根据所述完整交易数据集的完整数据参数集，获取所述缺失内容参数对应的缺失内容中，包括：

根据所述缺失内容参数和上述完整数据参数集中的数据内容参数之间的参数关系，确定所述数据内容参数对应的数据内容为所述缺失内容。

9.根据权利要求1所述的方法，其中，还包括：

根据所述缺失内容对所述缺失交易数据集中对应的缺失交易数据执行补全；

将补全之后的缺失交易数据更新为所述完整交易数据集中的完整交易数据。

10.一种数据处理装置，其中，包括：

数据筛选模块，用于筛选原始交易数据，生成完整交易数据集和缺失交易数据集；

参数确定模块，用于确定所述缺失交易数据集中的每个缺失交易数据对应的缺失内容参数；以及

内容获取模块，用于根据所述完整交易数据集的完整数据参数集，获取所述缺失内容参数对应的缺失内容。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的方法。

12.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。

Images