WO2025200428A1 - 数据处理方法、装置及设备 - Google Patents

数据处理方法、装置及设备

Info

Publication number
WO2025200428A1
WO2025200428A1 PCT/CN2024/128203 CN2024128203W WO2025200428A1 WO 2025200428 A1 WO2025200428 A1 WO 2025200428A1 CN 2024128203 W CN2024128203 W CN 2024128203W WO 2025200428 A1 WO2025200428 A1 WO 2025200428A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
module
voucher
business
picture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/CN2024/128203
Other languages
English (en)
French (fr)
Inventor
唐董琦
李若愚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ant Blockchain Technology Shanghai Co Ltd
Original Assignee
Ant Blockchain Technology Shanghai Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ant Blockchain Technology Shanghai Co Ltd filed Critical Ant Blockchain Technology Shanghai Co Ltd
Publication of WO2025200428A1 publication Critical patent/WO2025200428A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content

Definitions

  • This document relates to the field of data processing technology, and in particular to a data processing method, device and equipment.
  • Business vouchers can be parsed and processed using preset voucher parsing rules corresponding to the business to be processed. For example, whether the business voucher contains risk keywords that indicate violations can be parsed and processed.
  • preset voucher parsing rules corresponding to the business to be processed. For example, whether the business voucher contains risk keywords that indicate violations can be parsed and processed.
  • parsing business vouchers using pre-set voucher parsing rules will result in low accuracy and efficiency in voucher parsing. Therefore, a solution is needed that can improve the accuracy and efficiency of business voucher parsing so as to accurately process business.
  • the purpose of the embodiments of this specification is to provide a solution that can improve the accuracy and efficiency of business credential parsing to accurately perform business processing.
  • an embodiment of the present specification provides a data processing method, including: obtaining picture voucher data corresponding to a target business triggered by a target user; obtaining a pre-trained business processing model corresponding to the target business, wherein the business processing model is obtained by training a business processing model constructed by a first module and a pre-trained second module using the first picture voucher data corresponding to the target business, the second module is obtained by training a module constructed by a preset deep learning algorithm based on sub-picture voucher data in different areas of the second picture voucher data and text description data corresponding to the second picture voucher data, the first module is used to perform voucher parsing on the output result of the second module; determining, through the second module of the pre-trained business processing model, sub-picture voucher data in different areas containing text information in the picture voucher data, and performing text feature extraction on the sub-picture voucher data respectively to obtain text feature information corresponding to the picture voucher data; performing voucher parsing on the text feature information through the first module of the pre-trained
  • an embodiment of the present specification provides a data processing device, which includes: a first acquisition module for acquiring picture voucher data corresponding to the target business triggered by the target user; a model acquisition module for acquiring a pre-trained business processing model corresponding to the target business, wherein the business processing model is obtained by training a business processing model constructed by a first module and a pre-trained second module through the first picture voucher data corresponding to the target business, and the second module is obtained by training a module constructed by a preset deep learning algorithm based on sub-picture voucher data in different areas of the second picture voucher data and text description data corresponding to the second picture voucher data, and the first module is used to perform voucher parsing processing on the output result of the second module; a first processing module is used to determine the sub-picture voucher data in different areas containing text information in the picture voucher data through the second module of the pre-trained business processing model, and perform text feature extraction processing on the sub-picture voucher data respectively to obtain text feature information corresponding to the picture voucher data
  • an embodiment of the present specification provides a data processing device, the data processing device comprising: a processor; and a memory arranged to store computer-executable instructions, wherein the executable instructions, when executed, cause the processor to: obtain picture voucher data corresponding to the target user triggering the execution of a target business; obtain a pre-trained business processing model corresponding to the target business, the business processing model being obtained by training a business processing model constructed by a first module and a pre-trained second module through first picture voucher data corresponding to the target business, the second module being sub-picture voucher data based on different areas in the second picture voucher data, and text description data corresponding to the second picture voucher data, The module constructed by the preset deep learning algorithm is trained, and the first module is used to perform voucher parsing processing on the output result of the second module; through the second module of the pre-trained business processing model, the sub-picture voucher data of different areas containing text information in the picture voucher data are determined, and text feature extraction processing is performed on the sub-picture
  • an embodiment of the present specification provides a storage medium for storing computer-executable instructions, which implement the following process when executed: obtaining picture voucher data corresponding to the target business triggered by the target user; obtaining a pre-trained business processing model corresponding to the target business, wherein the business processing model is obtained by training a business processing model constructed by a first module and a pre-trained second module through the first picture voucher data corresponding to the target business, and the second module is obtained by training a module constructed by a preset deep learning algorithm based on sub-picture voucher data in different areas of the second picture voucher data and text description data corresponding to the second picture voucher data, and the first module is used to perform voucher parsing processing on the output result of the second module; through the second module of the pre-trained business processing model, sub-picture voucher data in different areas containing text information in the picture voucher data are determined, and text feature extraction processing is performed on the sub-picture voucher data respectively to obtain text feature information corresponding to the picture voucher data; through the first module
  • FIG1 is a schematic diagram of a data processing system of the present invention.
  • FIG2B is a schematic diagram of a processing process of a data processing method of this specification.
  • FIG3 is a schematic diagram of a picture voucher data of this specification.
  • FIG4 is a schematic diagram of the processing process of another data processing method of this specification.
  • FIG5 is a schematic diagram of a training process of a second module of this specification.
  • FIG6 is a schematic diagram of a processing process of a business processing model in this specification.
  • FIG7 is a schematic structural diagram of a data processing device according to an embodiment of the present specification.
  • the target user can trigger the start of the resource transfer business through the resource transfer application installed in the terminal device. That is, when the terminal device detects that the target user triggers the start of the resource transfer business through a resource transfer application, the terminal device can collect the target user's identity authentication picture data (such as the user login page when the target user logs in to the resource transfer application, the certificate picture data entered by the target user that can be used for identity authentication, etc.), as well as the resource transfer page corresponding to the target user triggering the execution of the resource transfer business.
  • identity authentication picture data such as the user login page when the target user logs in to the resource transfer application, the certificate picture data entered by the target user that can be used for identity authentication, etc.
  • the terminal device can determine the collected image data as the image voucher data corresponding to the target user triggering the execution of the target service, and send the image voucher data to the server, that is, the server can receive the image voucher data corresponding to the target user triggering the execution of the target service.
  • the business processing model can be obtained by training the business processing model constructed by the first module and the pre-trained second module through the first picture voucher data corresponding to the target business.
  • the second module can be obtained by training the module constructed by the preset deep learning algorithm based on the sub-picture voucher data of different areas in the second picture voucher data, and the text description data corresponding to the second picture voucher data.
  • the first module can be used to perform voucher parsing processing on the output results of the second module.
  • the above-mentioned method for determining the sub-image credential data is an optional and feasible determination method.
  • the embodiments of this specification do not make specific limitations on this.
  • the server can train the second module through the sub-picture voucher data of different areas in the second picture voucher data and the text description data corresponding to the second picture voucher data, so that the sub-picture voucher data of each area in the second picture voucher data can be aligned with the sub-text description data corresponding to the sub-picture voucher data of the area in the text description data, thereby improving the second module's perception of various types of information in the picture voucher data, that is, the alignment of the second picture voucher data and the text description data can be improved at a finer granularity, so that the trained second module can dig out more detailed element content in the picture voucher data as much as possible.
  • the second module of the pre-trained business processing model is used to determine the sub-picture voucher data in different areas containing text information in the picture voucher data, and perform text feature extraction processing on the sub-picture voucher data to obtain text feature information corresponding to the picture voucher data.
  • the server can determine the sub-picture voucher data in different areas containing text information in the picture voucher data through the second module of the pre-trained business processing model, and perform text feature extraction processing on the sub-picture voucher data respectively to obtain text feature information corresponding to the picture voucher data.
  • the first module of the pre-trained business processing model is used to perform voucher parsing on the text feature information to obtain a voucher parsing result for the image voucher data.
  • the first module can be a module built based on a preset machine learning algorithm, which is used to perform credential parsing on text feature information.
  • the credential parsing result can include the result obtained by parsing the image credential data based on the business processing requirements corresponding to the target business.
  • the business processing requirements corresponding to the target business can be risk detection requirements
  • the credential parsing result can include the result obtained by performing risk detection processing on the image credential data
  • the target business as account registration business can be risk detection requirements and account information extraction requirements
  • the credential parsing result can include the result obtained by performing risk detection processing on the image credential data, and the result obtained by performing account information extraction processing on the image credential data.
  • the server can suspend the execution of the target business and determine the result of the suspension as the business processing result corresponding to the target business triggered for the target user.
  • the server may continue to execute the target service based on the image credential data and obtain a corresponding service processing result.
  • An embodiment of the present specification provides a data processing method, which obtains a pre-trained business processing model corresponding to the target business by obtaining picture voucher data corresponding to the target user triggering the execution of the target business.
  • the business processing model is obtained by training a business processing model constructed by a first module and a pre-trained second module through the first picture voucher data corresponding to the target business.
  • the second module is obtained by training a module constructed by a preset deep learning algorithm based on sub-picture voucher data in different areas of the second picture voucher data and text description data corresponding to the second picture voucher data.
  • the first module is used to perform voucher parsing processing on the output result of the second module, and the sub-picture voucher data in different areas containing text information in the picture voucher data are determined through the second module of the pre-trained business processing model, and text feature extraction processing is performed on the sub-picture voucher data respectively to obtain text feature information corresponding to the picture voucher data.
  • the text feature information is subjected to voucher parsing processing by the first module of the pre-trained business processing model to obtain a voucher parsing result for the picture voucher data. Based on the voucher parsing result, the business processing result corresponding to the target business triggered by the target user is determined.
  • the trained second module can mine more detailed element content in the image voucher data as much as possible.
  • the more detailed element content in the image voucher data can be subjected to text feature extraction processing to obtain text feature information corresponding to the image voucher data, so as to improve the accuracy of the subsequent voucher parsing processing by the first module.
  • different training image voucher data can be obtained for different businesses to train the business processing model, that is, the server can use the first image voucher data corresponding to the target business to train the business processing model constructed by the first module and the pre-trained second module, which can improve the training efficiency of the business processing model corresponding to the target business, improve the efficiency and accuracy of the voucher parsing processing of the image voucher data, and thereby improve the efficiency and accuracy of determining the business processing result corresponding to the target business triggered by the target user.
  • an embodiment of this specification provides a data processing method, the execution subject of which can be a server, wherein the server can be an independent server or a server cluster composed of multiple servers.
  • the method can specifically include the following steps S202 to S424.
  • Step three Based on the tampered area and the corresponding business information, risk detection processing is performed on the image credential data to obtain a risk detection result for the image credential data.
  • the server can perform risk detection on the image credential data based on the resource transfer amount and the resource transfer object, and obtain a risk detection result for the image credential data. For example, the server can obtain the resource transfer threshold set by the target user for the resource transfer object and determine the risk detection result based on the resource transfer threshold and the resource transfer amount. If the resource transfer amount is greater than the resource transfer threshold, the risk detection result for the image credential data may be that there is a risk. If the resource transfer amount is not greater than the resource transfer threshold, the risk detection result for the image credential data may be that there is no risk.
  • a business processing result corresponding to triggering execution of the target business for the target user is determined.
  • An embodiment of the present specification provides a data processing method, which obtains a pre-trained business processing model corresponding to the target business by obtaining picture voucher data corresponding to the target user triggering the execution of the target business.
  • the business processing model is obtained by training a business processing model constructed by a first module and a pre-trained second module through the first picture voucher data corresponding to the target business.
  • the second module is obtained by training a module constructed by a preset deep learning algorithm based on sub-picture voucher data in different areas of the second picture voucher data and text description data corresponding to the second picture voucher data.
  • the first module is used to perform voucher parsing processing on the output result of the second module, and the sub-picture voucher data in different areas containing text information in the picture voucher data are determined through the second module of the pre-trained business processing model, and text feature extraction processing is performed on the sub-picture voucher data respectively to obtain text feature information corresponding to the picture voucher data.
  • the text feature information is subjected to voucher parsing processing by the first module of the pre-trained business processing model to obtain a voucher parsing result for the picture voucher data. Based on the voucher parsing result, the business processing result corresponding to the target business triggered by the target user is determined.
  • the trained second module can mine more detailed element content in the image voucher data as much as possible.
  • the more detailed element content in the image voucher data can be subjected to text feature extraction processing to obtain text feature information corresponding to the image voucher data, so as to improve the accuracy of the subsequent voucher parsing processing by the first module.
  • the embodiment of this specification also provides a data processing device, as shown in FIG7 .
  • the result determination module 705 is configured to determine, based on the credential parsing result, a business processing result corresponding to triggering execution of the target business for the target user.
  • the device also includes: a third acquisition module, used to obtain the first picture voucher data, and a first voucher parsing result corresponding to the first picture voucher data; a fifth processing module, used to perform text feature extraction processing on the sub-picture voucher data in different areas of the first picture voucher data based on the pre-trained second module to obtain a third text feature; an error determination module, used to perform voucher parsing processing on the third text feature based on the first module to obtain a second voucher parsing result, and determine a second training error value based on the first voucher parsing result and the second voucher parsing result; a second training module, used to determine whether the business processing model has converged based on the second training error value. If the business processing model has not converged, the business processing model is continued to be trained based on the first picture voucher data and the first voucher parsing result until the business processing model converges to obtain a trained business processing model.
  • the data volume of the second picture voucher data is greater than the data volume of the first picture voucher data.
  • the first module includes a first submodule for performing business information extraction processing and a second submodule for performing image tampering detection
  • the voucher parsing result includes a business information extraction result and an image tampering detection result
  • the error determination module is used to: based on the first submodule of the first module, perform business information extraction processing on the third text feature to obtain a first business information extraction result in the second voucher parsing result; based on the second submodule of the first module, perform image tampering detection processing on the third text feature to obtain a first image tampering detection result in the second voucher parsing result; and determine the second training error value based on the first business information extraction result, the first image tampering detection result, and the first voucher parsing result.
  • the result determination module 705 is used to: determine the risk detection result for the image credential data based on the image tampering detection result in the credential parsing result; and determine the business processing result corresponding to triggering the execution of the target business for the target user based on the risk detection result and the business information extraction result in the credential parsing result.
  • the result determination module 705 is used to: when it is determined based on the risk detection result that the image credential data does not pose a risk, execute the target business based on the business information extraction result, and obtain a business processing result corresponding to the target business triggered for the target user.
  • the embodiment of this specification provides a data processing device that triggers the execution of target services by acquiring Corresponding picture voucher data, obtain a pre-trained business processing model corresponding to the target business, the business processing model is obtained by training the business processing model constructed by the first module and the pre-trained second module through the first picture voucher data corresponding to the target business, the second module is based on the sub-picture voucher data of different areas in the second picture voucher data, and the text description data corresponding to the second picture voucher data, and is obtained by training the module constructed by the preset deep learning algorithm, the first module is used to perform voucher parsing processing on the output result of the second module, and through the second module of the pre-trained business processing model, determine the sub-picture voucher data of different areas containing text information in the picture voucher data, and perform text feature extraction processing on the sub-picture voucher data respectively to obtain the text feature information corresponding to the picture voucher data, and through the first module of the pre-trained business processing model, perform voucher parsing processing on the text feature information to obtain the voucher
  • the trained second module can mine more detailed element content in the image voucher data as much as possible.
  • the more detailed element content in the image voucher data can be subjected to text feature extraction processing to obtain text feature information corresponding to the image voucher data, so as to improve the accuracy of the subsequent voucher parsing processing by the first module.
  • the embodiment of this specification also provides a data processing device, as shown in FIG8 .
  • the data processing device may vary significantly due to different configurations or performance, and may include one or more processors 801 and memory 802.
  • the memory 802 may store one or more applications or data.
  • the memory 802 may be either short-term or persistent storage.
  • the application stored in the memory 802 may include one or more modules (not shown), each of which may include a series of computer-executable instructions for the data processing device.
  • the processor 801 may be configured to communicate with the memory 802 to execute the series of computer-executable instructions in the memory 802 on the data processing device.
  • the data processing device may also include one or more power supplies 803, one or more wired or wireless network interfaces 804, one or more input/output interfaces 805, and one or more keyboards 806.
  • the data processing device includes a memory and one or more programs, wherein the one or more programs are stored in the memory, and the one or more programs may include one or more modules, and each module may include a series of computer-executable instructions for the data processing device, and the one or more programs are configured to be executed by one or more processors, including computer-executable instructions for performing the following:
  • the business processing model being obtained by training a business processing model constructed by a first module and a pre-trained second module using first image voucher data corresponding to the target business
  • the second module being obtained by training a module constructed by a preset deep learning algorithm based on sub-image voucher data of different regions in the second image voucher data and text description data corresponding to the second image voucher data, the first module being configured to perform voucher parsing processing on an output result of the second module;
  • the second module of the pre-trained business processing model is used to determine the sub-picture voucher data of different areas containing text information in the picture voucher data, and perform text feature extraction on the sub-picture voucher data respectively. Processing to obtain text feature information corresponding to the image voucher data;
  • a business processing result corresponding to triggering execution of the target business for the target user is determined.
  • An embodiment of the present specification provides a data processing device, which obtains a pre-trained business processing model corresponding to the target business by obtaining picture voucher data corresponding to the target user triggering the execution of the target business.
  • the business processing model is obtained by training a business processing model constructed by a first module and a pre-trained second module through the first picture voucher data corresponding to the target business.
  • the second module is obtained by training a module constructed by a preset deep learning algorithm based on sub-picture voucher data in different areas of the second picture voucher data and text description data corresponding to the second picture voucher data.
  • the first module is used to perform voucher parsing processing on the output result of the second module, and determine the sub-picture voucher data of different areas containing text information in the picture voucher data through the second module of the pre-trained business processing model, and perform text feature extraction processing on the sub-picture voucher data respectively to obtain text feature information corresponding to the picture voucher data.
  • the text feature information is subjected to voucher parsing processing by the first module of the pre-trained business processing model to obtain a voucher parsing result for the picture voucher data. Based on the voucher parsing result, the business processing result corresponding to the target business triggered by the target user is determined.
  • the trained second module can mine more detailed element content in the image voucher data as much as possible.
  • the more detailed element content in the image voucher data can be subjected to text feature extraction processing to obtain text feature information corresponding to the image voucher data, so as to improve the accuracy of the subsequent voucher parsing processing by the first module.
  • different training image voucher data can be obtained for different businesses to train the business processing model, that is, the server can use the first image voucher data corresponding to the target business to train the business processing model constructed by the first module and the pre-trained second module, which can improve the training efficiency of the business processing model corresponding to the target business, improve the efficiency and accuracy of the voucher parsing processing of the image voucher data, and thereby improve the efficiency and accuracy of determining the business processing result corresponding to the target business triggered by the target user.
  • the embodiments of this specification also provide a computer-readable storage medium having a computer program stored thereon.
  • the computer program is executed by a processor, the various processes of the above-mentioned data processing method embodiments are implemented and can achieve the same technical effects. To avoid repetition, the details are not repeated here.
  • the computer-readable storage medium is, for example, a read-only memory (ROM), a random access memory (RAM), a magnetic disk, or an optical disk.
  • An embodiment of the present specification provides a computer-readable storage medium, which obtains a pre-trained business processing model corresponding to the target business by obtaining picture voucher data corresponding to the target user triggering the execution of the target business.
  • the business processing model is obtained by training a business processing model constructed by a first module and a pre-trained second module through the first picture voucher data corresponding to the target business.
  • the second module is obtained by training a module constructed by a preset deep learning algorithm based on sub-picture voucher data of different areas in the second picture voucher data and text description data corresponding to the second picture voucher data.
  • the first module is used to perform voucher parsing processing on the output result of the second module, and through the second module of the pre-trained business processing model, the sub-picture voucher data of different areas containing text information in the picture voucher data is determined, and text feature extraction processing is performed on the sub-picture voucher data respectively to obtain the picture voucher.
  • the text feature information corresponding to the data is processed through the first module of the pre-trained business processing model to perform voucher parsing on the text feature information to obtain the voucher parsing result for the image voucher data. Based on the voucher parsing result, the business processing result corresponding to the target business triggered for the target user is determined.
  • the trained second module can mine more detailed element content in the image voucher data as much as possible.
  • text feature extraction processing can be performed on the more detailed element content in the image voucher data to obtain text feature information corresponding to the image voucher data, so as to improve the accuracy of the subsequent voucher parsing processing through the first module.
  • different training image voucher data can be obtained for different businesses to train the business processing model.
  • a programmable logic device such as a field programmable gate array (FPGA) is an integrated circuit whose logical function is determined by user programming of the device.
  • HDL Hardware Description Language
  • HDL Very-High-Speed Integrated Circuit Hardware Description Language
  • ABEL Advanced Boolean Expression Language
  • AHDL Altera Hardware Description Language
  • HDCal Joint C12
  • JHDL Java Hardware Description Language
  • Lava Lava
  • Lola MyHDL
  • PALASM RHDL
  • Verilog Verilog
  • the controller can be implemented in any suitable manner.
  • the controller can take the form of a microprocessor or processor and a computer-readable medium storing computer-readable program code (such as software or firmware) that can be executed by the (micro)processor, logic gates, switches, application-specific integrated circuits (ASICs), programmable logic controllers, and embedded microcontrollers.
  • Examples of controllers include, but are not limited to, the following microcontrollers: ARC 625D, Atmel AT91SAM, Microchip PIC18F26K20, and Silicone Labs C8051F320.
  • the memory controller can also be implemented as part of the control logic of the memory.
  • controller in addition to implementing the controller in a purely computer-readable program code manner, it is entirely possible to implement the controller in the form of logic gates, switches, application-specific integrated circuits, programmable logic controllers, and embedded microcontrollers by logically programming the method steps.
  • the controller can be considered a hardware component, and the means for implementing various functions included therein can also be considered as structures within the hardware component.
  • the means for implementing various functions can be considered to be both software modules implementing the method and structures within the hardware component.
  • one or more embodiments of this specification may be provided as methods, systems, or computer program products. Therefore, one or more embodiments of this specification may take the form of a complete hardware embodiment, a complete software embodiment, or an embodiment combining software and hardware. Furthermore, one or more embodiments of this specification may take the form of a computer program product implemented on one or more computer-usable storage media (including but not limited to magnetic disk storage, CD-ROM, optical storage, etc.) containing computer-usable program code.
  • computer-usable storage media including but not limited to magnetic disk storage, CD-ROM, optical storage, etc.
  • These computer program instructions may also be stored in a computer-readable memory that can direct a computer or other programmable data processing device to operate in a specific manner, so that the instructions stored in the computer-readable memory produce a product including an instruction device that implements the functions specified in one or more processes in the flowchart and/or one or more boxes in the block diagram.
  • These computer program instructions can also be loaded onto a computer or other programmable data processing device so that a series of operating steps are executed on the computer or other programmable device to produce a computer-implemented process, so that the instructions executed on the computer or other programmable device provide steps for implementing the functions specified in one or more processes in the flowchart and/or one or more boxes in the block diagram.
  • a computing device includes one or more processors (CPUs), input/output interfaces, network interfaces, and memory.
  • processors CPUs
  • input/output interfaces network interfaces
  • memory volatile and non-volatile memory
  • Memory may include non-permanent storage in a computer-readable medium, in the form of random access memory (RAM) and/or non-volatile memory, such as read-only memory (ROM) or flash RAM. Memory is an example of a computer-readable medium.
  • RAM random access memory
  • ROM read-only memory
  • flash RAM flash random access memory
  • Computer-readable media include permanent and non-permanent, removable and non-removable media that can be implemented by any method or technology to store information.
  • the information can be computer-readable instructions, data structures, program modules or other data.
  • Examples of computer storage media include, but are not limited to, phase change memory (PRAM), static random access memory (SRAM), dynamic random access memory (DRAM), other types of random access memory (RAM), read-only memory (ROM), electrically erasable programmable read-only memory (EEPROM), flash memory or other memory technology, compact disc read-only memory (CD-ROM), digital versatile disc (DVD) or other optical storage, magnetic cassettes, magnetic disk storage or other magnetic storage devices or any other non-transmission media that can be used to store
  • the computer readable medium does not include transitory media such as modulated data signals and carrier waves.
  • one or more embodiments of this specification may be provided as methods, systems, or computer program products.
  • one or more embodiments of this specification may take the form of a fully hardware embodiment, a fully software embodiment, or an embodiment combining software and hardware.
  • one or more embodiments of this specification may take the form of a computer program product implemented on one or more computer-usable storage media (including but not limited to magnetic disk storage, CD-ROM, optical storage, etc.) containing computer-usable program code.
  • One or more embodiments of this specification may be described in the general context of computer-executable instructions executed by a computer, such as program modules.
  • program modules include routines, programs, objects, components, data structures, and the like that perform specific tasks or implement specific abstract data types.
  • One or more embodiments of this specification may also be practiced in distributed computing environments where tasks are performed by remote processing devices connected via a communications network.
  • program modules may be located in local and remote computer storage media, including storage devices.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Character Input (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供了一种数据处理方法、装置及设备，其中，方法包括：获取与目标用户触发执行目标业务对应的图片凭证数据；获取与所述目标业务对应的预先训练的业务处理模型；通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。

Description

数据处理方法、装置及设备 技术领域
本文件涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及设备。
背景技术
随着互联网行业的迅速发展，网络运营商为用户提供的业务服务的种类和数量越来越多，而如何对用户在使用业务服务时的业务凭证进行解析，以更好的为用户提供业务服务(如快速准确的基于业务凭证的解析结果进行身份认证，以保护用户的隐私数据不被泄露等)，成为网络运营商关注的焦点。
可以通过与待处理业务对应的预设的凭证解析规则，对业务凭证进行解析处理，如可以对业务凭证中是否包含违规的风险关键词进行解析处理，但是，由于业务类型逐渐较多，通过预先设置的凭证解析规则对业务凭证进行解析，会导致凭证解析的准确性以及效率低下，因此，需要一种能够提高业务凭证解析的准确性和效率，以准确的进行业务处理的解决方案。
发明内容
本说明书实施例的目的是提供一种能够提高业务凭证解析的准确性和效率，以准确的进行业务处理的解决方案。
为了实现上述技术方案，本说明书实施例是这样实现的。
第一方面，本说明书实施例提供的一种数据处理方法，包括：获取与目标用户触发执行目标业务对应的图片凭证数据；获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
第二方面，本说明书实施例提供了一种数据处理装置，所述装置包括：第一获取模块，用于获取与目标用户触发执行目标业务对应的图片凭证数据；模型获取模块，用于获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；第一处理模块，用于通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；第二处理模块，用于通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理， 得到针对所述图片凭证数据的凭证解析结果；结果确定模块，用于基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
第三方面，本说明书实施例提供了一种数据处理设备，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：获取与目标用户触发执行目标业务对应的图片凭证数据；获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
第四方面，本说明书实施例提供一种存储介质，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执行时实现以下流程：获取与目标用户触发执行目标业务对应的图片凭证数据；获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
附图说明
为了更清楚地说明本说明书实施例或相关技术中的技术方案，下面将对实施例或相关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的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一种数据处理系统的示意图；
图2A为本说明书一种数据处理方法实施例的流程图；
图2B为本说明书一种数据处理方法的处理过程示意图；
图3为本说明书一种图片凭证数据的示意图；
图4为本说明书又一种数据处理方法的处理过程示意图；
图5为本说明书一种第二模块的训练过程的示意图；
图6为本说明书一种业务处理模型的处理过程的示意图；
图7为本说明书一种数据处理装置实施例的结构示意图；
图8为本说明书一种数据处理设备的结构示意图。
具体实施方式
本说明书实施例提供一种数据处理方法、装置及设备。
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做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。
本说明书的技术方案，可以应用于数据处理系统中，如图1所示，该数据处理系统中可以有终端设备和服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。
其中，数据处理系统中可以包括n个终端设备和m个服务器，n和m为大于等于1的正整数，服务器可以为某应用程序的后台服务器，终端设备可以为该应用程序的客户端设备，其中，应用程序可以为能够为用户提供资源转移业务、视频观看业务、即时通讯业务等业务的服务的应用程序。
终端设备可以采集用户触发执行某业务对应的图片凭证数据，并将采集到的图片凭证数据发送给服务器。这样，服务器就可以获取与用户触发执行该业务对应的图片凭证数据，并获取与该业务对应的预先训练的业务处理模型，以通过该预先训练的业务处理模型中的第二模块，对图片凭证数据中不同区域的子图片凭证数据分别进行文本特征提取处理，得到图片凭证数据对应的文本特征信息。然后，服务器可以通过预先训练的业务处理模型的第一模块，对文本特征信息进行凭证解析处理，得到针对图片凭证数据的凭证解析结果。最后，服务器就可以基于凭证解析结果，确定针对目标用户触发执行目标业务对应的业务处理结果。
此外，服务器还可以存储终端设备采集到的图片凭证数据，以在到达模型训练周期的情况下，通过存储的图片凭证数据，对业务处理模型进行训练，得到训练后的业务处理模型。
另外，数据处理系统中还可以设置有中心服务器(如服务器1)，中心服务器可以接收终端设备和/或服务器存储的历史图片凭证数据，以基于历史图片凭证数据确定第二图片凭证数据，以对业务处理模型中的第二模块进行训练，得到训练后的第二模块，然后，中心服务器可以获取历史图片凭证数据中与目标业务对应的第一图片凭证数据，并通过第一图片凭证数据对业务处理模型(即由第一模块和预先训练的第二模块构建的业务处理模型)进行训练，得到训练后的业务处理模型。这样，中心服务器就可以将训练后的业务处理模型的模型参数发送给数据处理系统中的其他服务器，其他服务器就可以根据接收到的模型参数对本地的业务处理模型进行更新，得到训练后的业务处理模型，进而通过训练后的业务处理模型对目标业务对应的图片凭证数据进行凭证解析处理等，以得到图片凭证数据对应的凭证解析结果，进而基于凭证解析结果确定业务处理结果。避免由于需要对业务处理模型进行训练，导致业务中断等情况的发生，满足用户的业务使用需求。
基于上述数据处理系统结构可以实现下述实施例中的数据处理方法。
实施例一
如图2A和图2B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 可以为服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤S202至步骤S210。
在S202中，获取与目标用户触发执行目标业务对应的图片凭证数据。
其中，目标业务可以是任意可能涉及用户隐私数据泄露等数据风险问题的业务，例如，目标业务可以是资源转移业务、身份验证业务、账号注册业务、资源核算业务等，图片凭证数据可以是能够表明与目标用户触发执行目标业务相关的图片类型的凭证数据，例如，图片凭证数据可以包括用于表明目标用户的用户身份的图片类型的凭证数据、用于表明目标业务的处理过程或处理结果的图片类型的凭证数据等，具体如，以目标业务为资源转移业务为例，图片凭证数据可以包括目标用户的身份验证图片(即目标用户输入的能够进行身份证明的图片等)数据、与目标用户触发执行资源转移业务对应的资源转移页面(即包含资源转移数量、资源转移方式以及资源转移对应等信息的页面)数据等，以目标业务为账号注册业务为例，图片凭证数据可以包括目标用户的身份验证图片数据、与目标用户触发执行账号注册业务对应的账号注册页面(即包含注册账号、注册用户名、注册密码、验证方式等信息的页面)数据等。
在实施中，随着互联网行业的迅速发展，网络运营商为用户提供的业务服务的种类和数量越来越多，而如何对用户在使用业务服务时的业务凭证进行解析，以更好的为用户提供业务服务(如快速准确的基于业务凭证的解析结果进行身份认证，以保护用户的隐私数据不被泄露等)，成为网络运营商关注的焦点。可以通过与待处理业务对应的预设的凭证解析规则，对业务凭证进行解析处理，如可以对业务凭证中是否包含违规的风险关键词进行解析处理，但是，由于业务类型逐渐较多，通过预先设置的凭证解析规则对业务凭证进行解析，会导致凭证解析的准确性以及效率低下，因此，需要一种能够提高业务凭证解析的准确性和效率，以准确的进行业务处理的解决方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。
以目标业务为资源转移业务为例，目标用户可以通过终端设备中安装的资源转移应用程序，触发启动资源转移业务，即终端设备在检测到目标用户通过某资源转移应用程序触发启动资源转移业务的情况下，终端设备可以采集该目标用户的身份验证图片数据(如目标用户在登录资源转移应用程序时的用户登录页面、目标用户输入的能够用于进行身份验证的证件类图片数据等)，以及与目标用户触发执行资源转移业务对应的资源转移页面。
终端设备可以将采集到的上述图片数据确定为与目标用户触发执行目标业务对应的图片凭证数据，并将该图片凭证数据发送给服务器，即服务器可以接收与目标用户触发执行目标业务对应的图片凭证数据。
此外，上述图片凭证数据的获取方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的获取方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
在S204中，获取与目标业务对应的预先训练的业务处理模型。
其中，业务处理模型可以为通过与目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，第二模块可以为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，第一模块可以用于对第二模块的输出结果进行凭证解析处理。
在实施中，服务器可以基于预设模型更新周期，从预先存储的历史图片凭证数据中选取第二图片凭证数据(如可以将历史图片凭证数据确定为第二图片凭证数据)，然后， 服务器可以基于第二图片凭证数据对第二模块进行预训练，得到训练后的第二模块。
在对第二模块进行训练时，服务器可以对第二图片凭证数据进行区域划分，以得到多个子图片凭证数据，例如，服务器可以根据第二图片凭证数据中包含的元素的类型，对第二图片凭证数据进行区域划分，具体如，以第二图片凭证数据为与目标用户触发执行资源转移业务对应的资源转移页面为例，如图3所示，该第二图片凭证数据中可以包含图片类型的元素、文本类型的元素、视频类型的元素和音频类型的元素，服务器可以基于上述元素的不同，将第二图片凭证数据划分为区域1对应的子图片凭证数据1、区域2对应的子图片凭证数据2、区域3对应的子图片凭证数据3，以及区域4对应的子图片凭证数据4。
上述子图片凭证数据的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的获取方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
服务器可以通过第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据对第二模块进行训练，可以使第二图片凭证数据中每个区域的子图片凭证数据，与文本描述数据中与该区域的子图片凭证数据对应的子文本描述数据对齐，提高第二模块对于图片凭证数据中各类信息的感知能力，即可以在更细粒度上提升第二图片凭证数据与文本描述数据的对齐度，使得训练后的第二模块能够尽可能的挖掘出图片凭证数据中更为精细的元素内容。
在得到训练后的第二模块后，服务器可以从历史图片数据中选取与目标业务对应的第一图片凭证数据，并通过该第一图片凭证数据，对业务处理模型进行训练，以得到训练后的业务处理模型。
在S206中，通过预先训练的业务处理模型的第二模块，确定图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对子图片凭证数据分别进行文本特征提取处理，得到图片凭证数据对应的文本特征信息。
在实施中，由于第二模块是基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据进行训练得到，因而，训练得到的第二模块能够尽可能的挖掘出图片凭证数据中更为精细的元素内容，所以，服务器可以通过预先训练的业务处理模型的第二模块，确定图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对子图片凭证数据分别进行文本特征提取处理，得到图片凭证数据对应的文本特征信息。
在S208中，通过预先训练的业务处理模型的第一模块，对文本特征信息进行凭证解析处理，得到针对图片凭证数据的凭证解析结果。
其中，第一模块可以为基于预设机器学习算法构建的，用于对文本特征信息进行凭证解析处理的模块，凭证解析结果可以包含基于与目标业务对应的业务处理需求，对图片凭证数据进行解析处理得到的结果，例如，以目标业务为资源转移业务为例，与该目标业务对应的业务处理需求可以是风险检测需求，那么，凭证解析结果可以包含对图片凭证数据进行风险检测处理得到的结果，或者，以目标业务为账号注册业务为例，与该目标业务对应的业务处理需求可以是风险检测需求以及账号信息提取需求，那么，凭证解析结果可以包含对图片凭证数据进行风险检测处理得到的结果，以及对图片凭证数据进行账号信息提取处理得到的结果。
在实施中，服务器可以基于目标业务的业务处理需求构建对应的第一模块，例如，目标业务的业务处理需求可以为风险检测需求，那么，服务器就可以基于预设分类算法构建第一模块，即第一模块可以用于基于文本特征信息进行分类处理，得到图片凭证数 据的风险分类结果(即凭证解析结果)。
除此之外，目标业务的业务处理需求还可以有多种多样，可以根据目标业务的实际业务处理需求构建对应的第一模块，本说明书实施例对此不作具体限定。
在S210中，基于凭证解析结果，确定针对目标用户触发执行目标业务对应的业务处理结果。
在实施中，以凭证解析结果为图片凭证数据的风险分类结果为例，若基于风险分类结果确定图片凭证数据存在风险，那么，服务器可以暂停执行目标业务，并将该暂停执行的结果确定为针对目标用户触发执行目标业务对应的业务处理结果。
或者，若基于风险分类结果确定图片凭证数据不存在风险，那么，服务器可以基于该图片凭证数据继续执行目标业务，并得到对应的业务处理结果。
本说明书实施例提供一种数据处理方法，通过获取与目标用户触发执行目标业务对应的图片凭证数据，获取与目标业务对应的预先训练的业务处理模型，业务处理模型为通过与目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，第一模块用于对第二模块的输出结果进行凭证解析处理，通过预先训练的业务处理模型的第二模块，确定图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对子图片凭证数据分别进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，通过预先训练的业务处理模型的第一模块，对文本特征信息进行凭证解析处理，得到针对图片凭证数据的凭证解析结果，基于凭证解析结果，确定针对目标用户触发执行目标业务对应的业务处理结果。由于第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据训练得到，因而，训练得到的第二模块能够尽可能的挖掘出图片凭证数据中更为精细的元素内容，这样，通过预先训练的业务处理模型的第二模块，可以对图片凭证数据中更为精细的元素内容进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，以提高后续通过第一模块进行凭证解析处理的准确性。另外，在得到训练后的第二模块后，针对不同的业务，可以获取不同的训练图片凭证数据以对业务处理模型进行训练，即服务器可以通过与目标业务对应的第一图片凭证数据，在对由第一模块和预先训练的第二模块构建的业务处理模型进行训练，可以提高与目标业务对应的业务处理模型的训练效率，提高对图片凭证数据的凭证解析处理效率和准确性，进而提高针对目标用户触发执行目标业务对应的业务处理结果的确定效率和确定准确性。
实施例二
如图4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是服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤S202至步骤S424。
在S202中，获取与目标用户触发执行目标业务对应的图片凭证数据。
在S402中，获取第二图片凭证数据，以及与第二图片凭证数据对应的文本描述数据。
其中，第二图片凭证数据的数据量可以大于第一图片凭证数据的数据量，例如，第一图片凭证数据可以是与目标业务对应的图片凭证数据，第二图片凭证数据可以是和多个不同业务对应的图片凭证数据，即可以通过大量的训练样本数据对第二模块进行预训练，以提高第二模块的训练效果，文本描述数据可以是用于描述第二图片凭证数据所包 含的内容的数据，例如，假设第二图片凭证数据为如图3所示的资源转移页面，针对该第二图片凭证数据的文本描述数据可以为“这是一张屏幕截图，上面写了：欢迎使用资源转移应用程序，资源转移数量为xx，资源转移对象为xx，正在播放视频广告和语音广告”。
在S404中，对第二图片凭证数据进行文字识别处理，得到文字识别结果，并基于文字识别结果，将第二图片凭证数据中包含文本信息的不同区域的子图片数据确定为第二图片凭证数据中的子图片凭证数据。
在实施中，服务器可以基于预设文字识别算法，对第二图片凭证数据进行文字识别处理，得到文字识别结果。然后，服务器可以对文字识别结果进行实体识别处理、分段处理或分类处理等，并处理结果，将第二图片凭证数据划分为多个子图片数据，最后，服务器可以将第二图片凭证数据中包含文本信息的不同区域的子图片数据确定为第二图片凭证数据中的子图片凭证数据。
例如，以第二图片凭证数据为图3所示的图片数据为例，假设针对该第二图片凭证数据的文字识别结果包括“欢迎使用资源转移应用程序”、“请输入：”、“资源转移数量”、“资源转移对象”、“视频播放区域”以及“音频播放区域”。服务器可以对上述每个文字识别结果对应的子图片确定为第二图片凭证数据中的子图片凭证数据，即子图片凭证数据可以包括与区域1对应的子图片凭证数据1、与区域2对应的子图片凭证数据2、与区域3对应的子图片凭证数据3，以及与区域4对应的子图片凭证数据4。
或者，服务器还可以对上述文字识别结果进行分类处理，得到的分类结果可以为包含“欢迎使用资源转移应用程序”的类别1，包含“请输入：”、“资源转移数量”、“资源转移对象”、“视频播放区域”的类别2，以及包含“视频播放区域”以及“音频播放区域”的类别3，服务器可以获取与每个类别在第二图片凭证数据中对应的区域，并将该区域对应的子图片确定为第二图片凭证数据中的子图片凭证数据。即子图片凭证数据可以包括与区域1对应的子图片凭证数据1、与区域2对应的子图片凭证数据2、与区域3和区域4对应的子图片凭证数据3。
上述子图片凭证数据的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的获取方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
在S406中，通过第二模块分别对第二图片凭证数据中的子图片凭证数据进行文本特征提取处理，得到第一文本特征。
在S408中，通过第三模块对文本描述数据进行特征提取处理，得到第二文本特征。
在S410中，基于第一文本特征和第二文本特征，确定第一训练误差值，并基于第一训练误差值，确定第二模块是否收敛，若第二模块未收敛，则基于第二图片凭证数据中的子图片凭证数据，以及文本描述数据，继续对第二模块和第三模块进行训练，直到第二模块收敛，得到训练后的第二模块。
在实施中，以第二模块和第三模块构建的模型为基座大模型为例，其中，第二模块可以通过视觉编码进行文本特征提取处理，第三模块可以通过文本编码进行特征提取处理。如图5所示，服务器可以将第二图片凭证数据中的子图片凭证数据分别输入第二模块，得到第一文本特征，并将文本描述数据输入第三模块，得到与文本描述数据对应的第二文本特征。
这样，通过第一文本特征和第二文本特征确定的第一训练误差值，对第二模块和第三模块进行对比学习，可以提高子图片凭证数据与文本描述数据的对齐度，进而提高训 练后的第二模块对图片凭证数据中更细粒度的文本特征信息进行文本特征提取的能力。
在S412中，获取第一图片凭证数据，以及与第一图片凭证数据对应的第一凭证解析结果。
在实施中，服务器可以基于目标业务的业务类型，获取与该业务类型对应的第一图片凭证数据，以及与第一图片凭证数据对应的第一凭证解析结果。
在S414中，基于预先训练的第二模块，对第一图片凭证数据中不同区域的子图片凭证数据分别进行文本特征提取处理，得到第三文本特征。
在实施中，由于第二模块是经过子图片凭证数据和对应的文本描述数据经过对比学习训练得到的，具备能够对图片凭证数据中更细粒度的文本特征信息进行文本特征提取的能力，因此，如图6所示，服务器可以将第一图片数据输入第二模块，以通过第二模块对第一图片数据中不同区域的子图片凭证数据分别进行文本特征提取处理，得到第一凭证解析结果。
或者，服务器也可以对第一图片凭证数据进行文字识别处理，得到文字识别结果，并基于文字识别结果，将第一图片凭证数据中包含文本信息的不同区域的子图片数据确定为第一图片凭证数据中的子图片凭证数据。然后，服务器可以将第一图片凭证数据中的子图片凭证数据输入第二模块，得到第一凭证解析结果。
在S416中，基于第一模块，对第三文本特征进行凭证解析处理，得到第二凭证解析结果，并基于第一凭证解析结果和第二凭证解析结果，确定第二训练误差值。
在实施中，在实际应用中，针对不同的业务可以构建不同的第一模块，例如，第一模块可以包括用于进行业务信息提取处理的第一子模块和用于进行图片篡改检测的第二子模块，凭证解析结果可以包括业务信息提取结果和图片篡改检测结果，那么，上述S416的处理方式可以参见下述步骤一～步骤三处理：
步骤一，基于第一模块的第一子模块，对第三文本特征进行业务信息提取处理，得到第二凭证解析结果中的第一业务信息提取结果。
其中，第一业务信息提取结果可以包含第一图片凭证数据中用于处理目标业务所需的业务信息，例如，假设第一图片凭证数据为如图3所示的图片数据，目标业务为资源转移业务，那么，第一业务信息提取结果可以包含资源转移数量、资源转移时间以及资源转移对象。
步骤二，基于第一模块的第二子模块，对第三文本特征进行图片篡改检测处理，得到所述第二凭证解析结果中的第一图片篡改检测结果。
其中，在第二子模块确定第一图片凭证数据被篡改的情况下，第一图片篡改检测结果可以包含第一图片凭证数据中的被篡改区域的图片数据，在第二子模块确定第一图片凭证数据未被篡改的情况下，第一图片篡改检测结果可以为第一图片凭证数据中未被篡改。例如，假设第一图片凭证数据为如图3所示的图片数据，若通过第二子模块的图片篡改检测处理，确定第一图片凭证数据被篡改，且区域2为被篡改区域，那么，第二子模块输出的第一图片篡改检测结果可以为区域2对应的图片数据。
在实施中，如图6所示，第一子模块可以对第二模块输出的第三文本特征进行业务信息提取处理，得到第一业务信息提取结果，第二子模块可以对第二模块输出的第三文本特征进行图片篡改检测处理，得到第一图片篡改检测结果。
步骤三，基于第一业务信息提取结果、第一图片篡改检测结果，以及第一凭证解析结果，确定第二训练误差值。
在实施中，服务器可以基于第一业务信息提取结果，以及第一凭证解析结果包含的业务信息提取结果，确定第一子误差值，并基于第一图片篡改检测结果，以及第一凭证解析结果中的图片篡改检测结果，确定第二子误差值。最后，服务器可以基于第一子误差值和第二子误差值，确定第二训练误差值。
在S418中，基于第二训练误差值，确定业务处理模型是否收敛，若业务处理模型未收敛，则基于第一图片凭证数据，以及与第一凭证解析结果，继续对业务处理模型进行训练，直到业务处理模型收敛，得到训练后的业务处理模型。
在S204中，获取与目标业务对应的预先训练的业务处理模型。
在S206中，通过预先训练的业务处理模型的第二模块，确定图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对子图片凭证数据分别进行文本特征提取处理，得到图片凭证数据对应的文本特征信息。
在S208中，通过预先训练的业务处理模型的第一模块，对文本特征信息进行凭证解析处理，得到针对图片凭证数据的凭证解析结果。
在S422中，基于凭证解析结果中的图片篡改检测结果，确定针对图片凭证数据的风险检测结果。
在实施中，在实际应用中，上述S422的处理方式可以多种多样，以下提供一种可选的实现方式，具体可以参见下述步骤一～步骤三处理。
步骤一，在基于图片篡改检测结果确定图片凭证数据为篡改图片数据的情况下，基于图片篡改检测结果，确定图片凭证数据中的被篡改区域。
步骤二，获取业务信息提取结果中与被篡改区域对应的业务信息。
步骤三，基于被篡改区域以及对应的业务信息，对图片凭证数据进行风险检测处理，得到针对图片凭证数据的风险检测结果。
在实施中，假设第一图片凭证数据为如图3所示的图片数据，若通过第二子模块的图片篡改检测处理，确定第一图片凭证数据被篡改，且区域2为被篡改区域，那么，第二子模块输出的第一图片篡改检测结果可以为区域2对应的图片数据。第二子模块针对图片凭证结果输出的业务信息提取结果可以包含资源转移数量、资源转移时间以及资源转移对象。
服务器可以获取业务信息提取结果中与被篡改区域对应的业务信息，即区域2对应的图片数据包含的业务信息中与业务信息提取结果相匹配的信息，即资源转移数量和资源转移对象。
服务器可以基于资源转移数量和资源转移对象，对图片凭证数据进行风险检测处理，得到针对图片凭证数据的风险检测结果。例如，服务器可以获取目标用户针对该资源转移对象设置的资源转移阈值，并基于该资源转移阈值和资源转移数量，确定风险检测结果，如若资源转移数量大于资源转移阈值，那么针对该图片凭证数据的风险检测结果可以为存在风险，若资源转移数量不大于资源转移阈值，那么针对该图片凭证数据的风险检测结果可以为不存在风险。
上述对图片凭证数据进行风险检测处理的方法是一种可选地、可实现的风险检测处理方法，在实际应用场景中，还可以有多种不同的风险检测处理方法，可以根据实际应用场景的不同，选取不同的风险检测处理方法，本说明书实施例对此不作具体限定。
在S424中，基于风险检测结果和凭证解析结果中的业务信息提取结果，确定针对目标用户触发执行目标业务对应的业务处理结果。
在实施中，服务器可以在基于风险检测结果确定图片凭证数据不存在风险的情况下，基于业务信息提取结果，执行目标业务，得到针对目标用户触发执行目标业务对应的业务处理结果。
本说明书实施例提供一种数据处理方法，通过获取与目标用户触发执行目标业务对应的图片凭证数据，获取与目标业务对应的预先训练的业务处理模型，业务处理模型为通过与目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，第一模块用于对第二模块的输出结果进行凭证解析处理，通过预先训练的业务处理模型的第二模块，确定图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对子图片凭证数据分别进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，通过预先训练的业务处理模型的第一模块，对文本特征信息进行凭证解析处理，得到针对图片凭证数据的凭证解析结果，基于凭证解析结果，确定针对目标用户触发执行目标业务对应的业务处理结果。由于第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据训练得到，因而，训练得到的第二模块能够尽可能的挖掘出图片凭证数据中更为精细的元素内容，这样，通过预先训练的业务处理模型的第二模块，可以对图片凭证数据中更为精细的元素内容进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，以提高后续通过第一模块进行凭证解析处理的准确性。另外，在得到训练后的第二模块后，针对不同的业务，可以获取不同的训练图片凭证数据以对业务处理模型进行训练，即服务器可以通过与目标业务对应的第一图片凭证数据，在对由第一模块和预先训练的第二模块构建的业务处理模型进行训练，可以提高与目标业务对应的业务处理模型的训练效率，提高对图片凭证数据的凭证解析处理效率和准确性，进而提高针对目标用户触发执行目标业务对应的业务处理结果的确定效率和确定准确性。
实施例三
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7所示。
该数据处理装置包括：第一获取模块701、模型获取模块702、第一处理模块703、第二处理模块704和结果确定模块705。
第一获取模块701，用于获取与目标用户触发执行目标业务对应的图片凭证数据；
模型获取模块702，用于获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；
第一处理模块703，用于通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；
第二处理模块704，用于通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；
结果确定模块705，用于基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
本说明书实施例中，所述装置还包括：第二获取模块，用于获取所述第二图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据；图片分区模块，用于对所述第二图片凭证数据进行文字识别处理，得到文字识别结果，并基于所述文字识别结果，将所述第二图片凭证数据中包含文本信息的不同区域的子图片数据确定为所述第二图片凭证数据中的子图片凭证数据；第三处理模块，用于通过所述第二模块分别对所述第二图片凭证数据中的子图片凭证数据进行文本特征提取处理，得到第一文本特征；第四处理模块，用于通过第三模块对所述文本描述数据进行特征提取处理，得到第二文本特征；第一训练模块，用于基于所述第一文本特征和所述第二文本特征，确定第一训练误差值，并基于所述第一训练误差值，确定所述第二模块是否收敛，若所述第二模块未收敛，则基于所述第二图片凭证数据中的子图片凭证数据，以及所述文本描述数据，继续对所述第二模块和所述第三模块进行训练，直到所述第二模块收敛，得到训练后的第二模块。
本说明书实施例中，所述装置还包括：第三获取模块，用于获取所述第一图片凭证数据，以及与所述第一图片凭证数据对应的第一凭证解析结果；第五处理模块，用于基于所述预先训练的第二模块，对所述第一图片凭证数据中不同区域的子图片凭证数据分别进行文本特征提取处理，得到第三文本特征；误差确定模块，用于基于所述第一模块，对所述第三文本特征进行凭证解析处理，得到第二凭证解析结果，并基于所述第一凭证解析结果和所述第二凭证解析结果，确定第二训练误差值；第二训练模块，用于基于所述第二训练误差值，确定所述业务处理模型是否收敛，若所述业务处理模型未收敛，则基于所述第一图片凭证数据，以及与所述第一凭证解析结果，继续对所述业务处理模型进行训练，直到所述业务处理模型收敛，得到训练后的业务处理模型。
本说明书实施例中，所述第二图片凭证数据的数据量大于所述第一图片凭证数据的数据量。
本说明书实施例中，所述第一模块包括用于进行业务信息提取处理的第一子模块和用于进行图片篡改检测的第二子模块，所述凭证解析结果包括业务信息提取结果和图片篡改检测结果，所述误差确定模块，用于：基于所述第一模块的第一子模块，对所述第三文本特征进行业务信息提取处理，得到所述第二凭证解析结果中的第一业务信息提取结果；基于所述第一模块的第二子模块，对所述第三文本特征进行图片篡改检测处理，得到所述第二凭证解析结果中的第一图片篡改检测结果；基于所述第一业务信息提取结果、所述第一图片篡改检测结果，以及所述第一凭证解析结果，确定所述第二训练误差值。
本说明书实施例中，所述结果确定模块705，用于：基于所述凭证解析结果中的图片篡改检测结果，确定针对所述图片凭证数据的风险检测结果；基于所述风险检测结果和所述凭证解析结果中的业务信息提取结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
本说明书实施例中，所述结果确定模块705，用于：在基于所述图片篡改检测结果确定所述图片凭证数据为篡改图片数据的情况下，基于所述图片篡改检测结果，确定所述图片凭证数据中的被篡改区域；获取所述业务信息提取结果中与所述被篡改区域对应的业务信息；基于所述被篡改区域以及对应的业务信息，对所述图片凭证数据进行风险检测处理，得到针对所述图片凭证数据的风险检测结果。
本说明书实施例中，所述结果确定模块705，用于：在基于所述风险检测结果确定所述图片凭证数据不存在风险的情况下，基于所述业务信息提取结果，执行所述目标业务，得到针对所述目标用户触发执行所述目标业务对应的业务处理结果。
本说明书实施例提供一种数据处理装置，通过获取与目标用户触发执行目标业务 对应的图片凭证数据，获取与目标业务对应的预先训练的业务处理模型，业务处理模型为通过与目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，第一模块用于对第二模块的输出结果进行凭证解析处理，通过预先训练的业务处理模型的第二模块，确定图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对子图片凭证数据分别进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，通过预先训练的业务处理模型的第一模块，对文本特征信息进行凭证解析处理，得到针对图片凭证数据的凭证解析结果，基于凭证解析结果，确定针对目标用户触发执行目标业务对应的业务处理结果。由于第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据训练得到，因而，训练得到的第二模块能够尽可能的挖掘出图片凭证数据中更为精细的元素内容，这样，通过预先训练的业务处理模型的第二模块，可以对图片凭证数据中更为精细的元素内容进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，以提高后续通过第一模块进行凭证解析处理的准确性。另外，在得到训练后的第二模块后，针对不同的业务，可以获取不同的训练图片凭证数据以对业务处理模型进行训练，即服务器可以通过与目标业务对应的第一图片凭证数据，在对由第一模块和预先训练的第二模块构建的业务处理模型进行训练，可以提高与目标业务对应的业务处理模型的训练效率，提高对图片凭证数据的凭证解析处理效率和准确性，进而提高针对目标用户触发执行目标业务对应的业务处理结果的确定效率和确定准确性。
实施例四
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8所示。
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801和存储器802，存储器802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802可以是短暂存储或持久存储。存储在存储器802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801可以设置为与存储器802通信，在数据处理设备上执行存储器802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803，一个或一个以上有线或无线网络接口804，一个或一个以上输入输出接口805，一个或一个以上键盘806。
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：
获取与目标用户触发执行目标业务对应的图片凭证数据；
获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；
通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取 处理，得到所述图片凭证数据对应的文本特征信息；
通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；
基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
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，对于数据处理设备实施例而言，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。
本说明书实施例提供一种数据处理设备，通过获取与目标用户触发执行目标业务对应的图片凭证数据，获取与目标业务对应的预先训练的业务处理模型，业务处理模型为通过与目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，第一模块用于对第二模块的输出结果进行凭证解析处理，通过预先训练的业务处理模型的第二模块，确定图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对子图片凭证数据分别进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，通过预先训练的业务处理模型的第一模块，对文本特征信息进行凭证解析处理，得到针对图片凭证数据的凭证解析结果，基于凭证解析结果，确定针对目标用户触发执行目标业务对应的业务处理结果。由于第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据训练得到，因而，训练得到的第二模块能够尽可能的挖掘出图片凭证数据中更为精细的元素内容，这样，通过预先训练的业务处理模型的第二模块，可以对图片凭证数据中更为精细的元素内容进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，以提高后续通过第一模块进行凭证解析处理的准确性。另外，在得到训练后的第二模块后，针对不同的业务，可以获取不同的训练图片凭证数据以对业务处理模型进行训练，即服务器可以通过与目标业务对应的第一图片凭证数据，在对由第一模块和预先训练的第二模块构建的业务处理模型进行训练，可以提高与目标业务对应的业务处理模型的训练效率，提高对图片凭证数据的凭证解析处理效率和准确性，进而提高针对目标用户触发执行目标业务对应的业务处理结果的确定效率和确定准确性。
实施例五
本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本说明书实施例提供一种计算机可读存储介质，通过获取与目标用户触发执行目标业务对应的图片凭证数据，获取与目标业务对应的预先训练的业务处理模型，业务处理模型为通过与目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，第一模块用于对第二模块的输出结果进行凭证解析处理，通过预先训练的业务处理模型的第二模块，确定图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对子图片凭证数据分别进行文本特征提取处理，得到图片凭证 数据对应的文本特征信息，通过预先训练的业务处理模型的第一模块，对文本特征信息进行凭证解析处理，得到针对图片凭证数据的凭证解析结果，基于凭证解析结果，确定针对目标用户触发执行目标业务对应的业务处理结果。由于第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与第二图片凭证数据对应的文本描述数据训练得到，因而，训练得到的第二模块能够尽可能的挖掘出图片凭证数据中更为精细的元素内容，这样，通过预先训练的业务处理模型的第二模块，可以对图片凭证数据中更为精细的元素内容进行文本特征提取处理，得到图片凭证数据对应的文本特征信息，以提高后续通过第一模块进行凭证解析处理的准确性。另外，在得到训练后的第二模块后，针对不同的业务，可以获取不同的训练图片凭证数据以对业务处理模型进行训练，即服务器可以通过与目标业务对应的第一图片凭证数据，在对由第一模块和预先训练的第二模块构建的业务处理模型进行训练，可以提高与目标业务对应的业务处理模型的训练效率，提高对图片凭证数据的凭证解析处理效率和准确性，进而提高针对目标用户触发执行目标业务对应的业务处理结果的确定效率和确定准确性。
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。
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。
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：ARC 625D、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。
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。
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。
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。
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数据处理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数据处理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。
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数据处理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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，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。
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。
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。
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。
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。
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。
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。
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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。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。

Claims (10)

  1. 一种数据处理方法，包括：
    获取与目标用户触发执行目标业务对应的图片凭证数据；
    获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；
    通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；
    通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；
    基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
  2. 根据权利要求1所述的方法，在所述获取与所述目标业务对应的预先训练的业务处理模型之前，还包括：
    获取所述第二图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据；
    对所述第二图片凭证数据进行文字识别处理，得到文字识别结果，并基于所述文字识别结果，将所述第二图片凭证数据中包含文本信息的不同区域的子图片数据确定为所述第二图片凭证数据中的子图片凭证数据；
    通过所述第二模块分别对所述第二图片凭证数据中的子图片凭证数据进行文本特征提取处理，得到第一文本特征；
    通过第三模块对所述文本描述数据进行特征提取处理，得到第二文本特征；
    基于所述第一文本特征和所述第二文本特征，确定第一训练误差值，并基于所述第一训练误差值，确定所述第二模块是否收敛，若所述第二模块未收敛，则基于所述第二图片凭证数据中的子图片凭证数据，以及所述文本描述数据，继续对所述第二模块和所述第三模块进行训练，直到所述第二模块收敛，得到训练后的第二模块。
  3. 根据权利要求2所述的方法，所述方法还包括：
    获取所述第一图片凭证数据，以及与所述第一图片凭证数据对应的第一凭证解析结果；
    基于所述预先训练的第二模块，对所述第一图片凭证数据中不同区域的子图片凭证数据分别进行文本特征提取处理，得到第三文本特征；
    基于所述第一模块，对所述第三文本特征进行凭证解析处理，得到第二凭证解析结果，并基于所述第一凭证解析结果和所述第二凭证解析结果，确定第二训练误差值；
    基于所述第二训练误差值，确定所述业务处理模型是否收敛，若所述业务处理模型未收敛，则基于所述第一图片凭证数据，以及与所述第一凭证解析结果，继续对所述业务处理模型进行训练，直到所述业务处理模型收敛，得到训练后的业务处理模型。
  4. 根据权利要求3所述的方法，所述第二图片凭证数据的数据量大于所述第一图片凭证数据的数据量。
  5. 根据权利要求4所述的方法，所述第一模块包括用于进行业务信息提取处理的第一子模块和用于进行图片篡改检测的第二子模块，所述凭证解析结果包括业务信息提取结果和图片篡改检测结果，所述基于所述第一模块，对所述第三文本特征进行凭证解析处理，得到第二凭证解析结果，并基于所述第一凭证解析结果和所述第二凭证解析结果，确定第二训练误差值，包括：
    基于所述第一模块的第一子模块，对所述第三文本特征进行业务信息提取处理，得到所述第二凭证解析结果中的第一业务信息提取结果；
    基于所述第一模块的第二子模块，对所述第三文本特征进行图片篡改检测处理，得到所述第二凭证解析结果中的第一图片篡改检测结果；
    基于所述第一业务信息提取结果、所述第一图片篡改检测结果，以及所述第一凭证解析结果，确定所述第二训练误差值。
  6. 根据权利要求5所述的方法，所述基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果，包括：
    基于所述凭证解析结果中的图片篡改检测结果，确定针对所述图片凭证数据的风险检测结果；
    基于所述风险检测结果和所述凭证解析结果中的业务信息提取结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
  7. 根据权利要求6所述的方法，所述基于所述凭证解析结果中的图片篡改检测结果，确定针对所述图片凭证数据的风险检测结果，包括：
    在基于所述图片篡改检测结果确定所述图片凭证数据为篡改图片数据的情况下，基于所述图片篡改检测结果，确定所述图片凭证数据中的被篡改区域；
    获取所述业务信息提取结果中与所述被篡改区域对应的业务信息；
    基于所述被篡改区域以及对应的业务信息，对所述图片凭证数据进行风险检测处理，得到针对所述图片凭证数据的风险检测结果。
  8. 根据权利要求7所述的方法，所述基于所述风险检测结果和所述凭证解析结果中的业务信息提取结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果，包括：
    在基于所述风险检测结果确定所述图片凭证数据不存在风险的情况下，基于所述业务信息提取结果，执行所述目标业务，得到针对所述目标用户触发执行所述目标业务对应的业务处理结果。
  9. 一种数据处理装置，包括：
    第一获取模块，用于获取与目标用户触发执行目标业务对应的图片凭证数据；
    模型获取模块，用于获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；
    第一处理模块，用于通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；
    第二处理模块，用于通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；
    结果确定模块，用于基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
  10. 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：
    获取与目标用户触发执行目标业务对应的图片凭证数据；
    获取与所述目标业务对应的预先训练的业务处理模型，所述业务处理模型为通过与 所述目标业务对应的第一图片凭证数据，对由第一模块和预先训练的第二模块构建的业务处理模型进行训练得到，所述第二模块为基于第二图片凭证数据中不同区域的子图片凭证数据，以及与所述第二图片凭证数据对应的文本描述数据，对由预设深度学习算法构建的模块进行训练得到，所述第一模块用于对所述第二模块的输出结果进行凭证解析处理；
    通过所述预先训练的业务处理模型的第二模块，确定所述图片凭证数据中包含文本信息的不同区域的子图片凭证数据，并对所述子图片凭证数据分别进行文本特征提取处理，得到所述图片凭证数据对应的文本特征信息；
    通过所述预先训练的业务处理模型的第一模块，对所述文本特征信息进行凭证解析处理，得到针对所述图片凭证数据的凭证解析结果；
    基于所述凭证解析结果，确定针对所述目标用户触发执行所述目标业务对应的业务处理结果。
PCT/CN2024/128203 2024-03-29 2024-10-29 数据处理方法、装置及设备 Pending WO2025200428A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410384163.8 2024-03-29
CN202410384163.8A CN118298223A (zh) 2024-03-29 2024-03-29 数据处理方法、装置及设备

Publications (1)

Publication Number Publication Date
WO2025200428A1 true WO2025200428A1 (zh) 2025-10-02

Family

ID=91681322

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/128203 Pending WO2025200428A1 (zh) 2024-03-29 2024-10-29 数据处理方法、装置及设备

Country Status (2)

Country Link
CN (1) CN118298223A (zh)
WO (1) WO2025200428A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118298223A (zh) * 2024-03-29 2024-07-05 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN119887770A (zh) * 2025-03-27 2025-04-25 蚂蚁智信(杭州)信息技术有限公司 一种图像检测方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801086A (zh) * 2021-03-30 2021-05-14 中国建设银行股份有限公司 凭证分类的方法、装置、电子设备和存储介质
US20220301285A1 (en) * 2021-03-19 2022-09-22 Alibaba (China) Co., Ltd. Processing picture-text data
CN115618375A (zh) * 2022-09-09 2023-01-17 支付宝(杭州)信息技术有限公司 一种业务执行方法、装置、存储介质及电子设备
CN117152730A (zh) * 2023-09-07 2023-12-01 中国工商银行股份有限公司 凭证的识别方法及装置、存储介质和电子设备
CN118298223A (zh) * 2024-03-29 2024-07-05 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446621A (zh) * 2018-03-14 2018-08-24 平安科技（深圳）有限公司 票据识别方法、服务器及计算机可读存储介质
CN113762050B (zh) * 2021-05-12 2024-05-24 腾讯云计算（北京）有限责任公司 图像数据处理方法、装置、设备以及介质
CN114238744B (zh) * 2021-12-21 2024-10-01 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN116363679A (zh) * 2023-03-31 2023-06-30 航天信息股份有限公司 一种票据识别、识别模型训练方法、装置及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220301285A1 (en) * 2021-03-19 2022-09-22 Alibaba (China) Co., Ltd. Processing picture-text data
CN112801086A (zh) * 2021-03-30 2021-05-14 中国建设银行股份有限公司 凭证分类的方法、装置、电子设备和存储介质
CN115618375A (zh) * 2022-09-09 2023-01-17 支付宝(杭州)信息技术有限公司 一种业务执行方法、装置、存储介质及电子设备
CN117152730A (zh) * 2023-09-07 2023-12-01 中国工商银行股份有限公司 凭证的识别方法及装置、存储介质和电子设备
CN118298223A (zh) * 2024-03-29 2024-07-05 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备

Also Published As

Publication number Publication date
CN118298223A (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
CN113516480B (zh) 一种支付风险识别方法、装置及设备
WO2024139312A1 (zh) 一种模型训练方法、装置、存储介质及电子设备
CN107808098A (zh) 一种模型安全检测方法、装置以及电子设备
CN110781192B (zh) 区块链数据的验证方法、装置及设备
CN111930810B (zh) 数据规则挖掘方法及装置
WO2023231785A1 (zh) 数据处理方法、装置及设备
CN118298223A (zh) 数据处理方法、装置及设备
US20250328635A1 (en) Data processing method, apparatus and device
WO2020207086A1 (zh) 一种信息的处理系统、方法、装置及设备
CN115221523B (zh) 数据处理方法、装置及设备
WO2025200427A1 (zh) 数据处理方法、装置及设备
CN117093863A (zh) 一种模型的处理方法、装置及设备
US20250390583A1 (en) Large model risk assessment methods, apparatuses, and devices
CN110235141B (zh) 生物特征识别方法以及电子设备
CN115618375A (zh) 一种业务执行方法、装置、存储介质及电子设备
WO2019233144A1 (zh) 一种图形码的解码方法及客户端
CN115171735A (zh) 一种语音活动检测方法、存储介质及电子设备
WO2025123985A1 (zh) 模型训练和业务执行
CN115423485B (zh) 数据处理方法、装置及设备
CN115730233B (zh) 一种数据处理方法、装置、可读存储介质以及电子设备
CN117729272A (zh) 报文校验处理方法及装置
CN115904907A (zh) 任务处理方法及装置
CN119513921B (zh) 一种数据处理方法、装置及设备
CN115859975B (zh) 数据处理方法、装置及设备
CN115688130B (zh) 数据处理方法、装置及设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24931636

Country of ref document: EP

Kind code of ref document: A1