數據處理方法及裝置與流程
2023-11-30 10:48:11
本公開涉及網際網路技術領域，尤其涉及數據處理方法及裝置。
背景技術：
目前，在社交軟體中，對用戶的評價一般是根據用戶自身的介紹信息，以及其他用戶對該用戶的評價生成的，這樣，其他用戶實際上無法對該用戶的基本情況有一個清楚、準確、全面的了解，服務提供商也無法根據用戶情況準確地為用戶提供服務。
技術實現要素：
本公開實施例提供數據處理方法及裝置。所述技術方案如下：
根據本公開實施例的第一方面，提供一種數據處理方法，包括：
獲取用戶標識；
根據與所述用戶標識綁定的用戶數據獲取信用值；
對所述信用值進行處理。
可選的，所述對所述信用值進行處理，包括執行以下至少一項處理操作：
顯示所述信用值；
根據所述信用值推送所述用戶標識；
根據所述信用值獲取所述用戶標識之間的匹配度，顯示所述匹配度或根據所述匹配度推送所述用戶標識。
可選的，所述方法還包括：
獲取與所述用戶標識綁定的終端；
從所述終端獲取所述用戶數據。
可選的，所述方法還包括：
從網絡側獲取與所述用戶標識綁定的用戶數據。
可選的，所述根據與所述用戶標識綁定的用戶數據獲取信用值，包括：
獲取信用預測模型，所述信用預測模型包括用戶數據與信用值的映射關係；
根據所述信用預測模型確定所述用戶數據對應的信用值。
可選的，所述方法還包括：
採集用戶數據集合；
訓練所述用戶數據集合，得到訓練結果；
根據訓練結果建立用戶數據與信用值的映射關係，生成所述信用預測模型。
可選的，所述訓練所述用戶數據集合，包括：
採用隨機梯度下降算法訓練所述用戶數據。
可選的，所述訓練所述用戶數據集合，包括：
採用擬牛頓算法訓練所述用戶數據。
可選的，所述用戶數據包括以下至少一項數據：金融數據、行為數據、聯繫人數據、應用程式數據；
其中，所述應用程式數據至少指示以下至少一項：已安裝的應用程式、在應用程式中發布的內容數據、在應用程式中接收的內容數據。
根據本公開實施例的第二方面，提供一種數據處理裝置，包括：
第一獲取模塊，用於獲取用戶標識；根據與所述用戶標識綁定的用戶數據獲取信用值；
處理模塊，用於對所述第一獲取模塊獲取的信用值進行處理。
可選的，所述處理模塊包括以下至少一個子模塊：
顯示子模塊，用於顯示所述第一獲取模塊獲取的信用值；
推送子模塊，根據所述第一獲取模塊獲取的信用值推送所述用戶標識；
匹配度處理子模塊，用於根據所述第一獲取模塊獲取的信用值獲取所述 用戶標識之間的匹配度，顯示所述匹配度或根據所述匹配度推送所述用戶標識。
可選的，所述裝置還包括：
第二獲取模塊，用於獲取與所述用戶標識綁定的終端；從所述終端獲取所述用戶數據。
可選的，所述第二獲取模塊，還用於從網絡側獲取與所述用戶標識綁定的用戶數據。
可選的，所述第一獲取模塊包括：
獲取子模塊，用於獲取信用預測模型，所述信用預測模型包括用戶數據與信用值的映射關係；
確定子模塊，用於據所述獲取子模塊獲取的信用預測模型確定所述用戶數據對應的信用值。
可選的，所述裝置還包括：
採集模塊，用於採集用戶數據集合；
訓練模塊，用於訓練所述採集模塊採集的用戶數據集合，得到訓練結果；
生成模塊，用於根據所述訓練模塊得到的訓練結果建立用戶數據與信用值的映射關係，生成所述信用預測模型。
可選的，所述訓練模塊，用於採用隨機梯度下降算法訓練所述採集模塊採集的用戶數據。
可選的，所述訓練模塊，用於採用擬牛頓算法訓練所述採集模塊採集的用戶數據。
可選的，所述用戶數據包括以下至少一項數據：金融數據、行為數據、聯繫人數據、應用程式數據；其中，所述應用程式數據至少指示以下至少一項：已安裝的應用程式、在應用程式中發布的內容數據、在應用程式中接收的內容數據。
根據本公開實施例的第三方面，提供一種數據處理裝置，包括：
處理器；
用於存儲處理器可執行指令的存儲器；
其中，所述處理器被配置為：
獲取用戶標識；
根據與所述用戶標識綁定的用戶數據獲取信用值；
對所述信用值進行處理。
本公開的實施例提供的技術方案可以包括以下有益效果：
在一個實施例中，通過根據用戶數據獲取該用戶對應的信用值，該信用值是根據用戶數據即用戶使用網際網路所產生的網際網路數據得到的，因此，該信用值能夠反映該用戶的真實情況，終端或伺服器可以為其他用戶提供該用戶的信用值，或根據該用戶的信用值進行用戶推薦等等。這樣，不僅能夠準確獲得各個用戶的真實情況，還可以使得終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
在另一個實施例中，通過執行顯示信用值，根據信用值推送用戶標識，根據所述信用值獲取所述用戶標識之間的匹配度，顯示所述匹配度或根據所述匹配度推送所述用戶標識，等處理操作，由於該信用值能夠反映該用戶的真實情況，使得終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
在另一個實施例中，用戶數據可以從與用戶標識綁定的終端獲取，也可以從網絡側獲得，通過獲得用戶完整全面的用戶數據，使得該信用值能夠反映該用戶的真實情況，從而終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
在另一個實施例中，通過預先訓練的信用預測模型，信用預測模型包括用戶數據與信用值的映射關係，根據該信用預測模型確定用戶數據對應的信用值，這樣，可以方便、快速地獲得用戶的信用值。
在另一個實施例中，信用預測模型的訓練，實際上就是要獲得用戶數據 與信用值的映射關係，這樣，當該模型訓練完成後，將新的用戶數據作為模型的輸入，就可得到該用戶的信用值。通過對大規模用戶數據的訓練，使得每個用戶的信用值可以反映該用戶的真實情況，使得終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
在另一個實施例中，通過對用戶使用網際網路所產生的各種數據進行採集分析，以基於用戶數據得到用戶的信用值，使得信用值能夠反映用戶真實的收入狀況、消費狀況、社交狀況、工作狀況、日常行為狀況等等信息，通過信用值的高低就可對用戶的基本情況作出判斷，終端或伺服器可以根據用戶的信用值準確地為用戶提供服務，提高用戶體驗度。
應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，並不能限制本公開。
附圖說明
此處的附圖被併入說明書中並構成本說明書的一部分，示出了符合本公開的實施例，並與說明書一起用於解釋本公開的原理。
圖1是根據一示例性實施例示出的一種數據處理方法的流程圖。
圖2是根據一示例性實施例示出的根據與用戶標識綁定的用戶數據獲取信用值的流程圖。
圖3是根據一示例性實施例示出的生成信用預測模型的流程圖。
圖4是根據一示例性實施例示出的一種數據處理裝置的框圖。
圖5是根據一示例性實施例示出的處理模塊的框圖。
圖6是根據另一示例性實施例示出的一種數據處理裝置的框圖。
圖7是根據一示例性實施例示出的第一獲取模塊的框圖。
圖8是根據另一示例性實施例示出的一種數據處理裝置的框圖。
圖9是根據一示例性實施例示出的一種用於數據處理的裝置的框圖。
圖10是根據一示例性實施例示出的一種用於數據處理的裝置的框圖。
具體實施方式
這裡將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。
本公開實施例提供的技術方案，涉及終端或伺服器，通過用戶使用網際網路所產生的數據，確定該用戶的信用值，從而使得其他用戶可以了解該用戶的真實情況，終端或伺服器根據該信用值可以更加準確地為用戶提供服務。
其中，終端可以是行動電話，計算機，數字廣播終端，消息收發設備，遊戲控制臺，平板設備，醫療設備，健身設備，個人數字助理等任一具有圖像識別功能的設備。
圖1是根據一示例性實施例示出的一種數據處理方法的流程圖，如圖1所示，數據處理方法用於終端或伺服器中，包括以下步驟：
在步驟S11中，獲取用戶標識；
在步驟S12中，根據與用戶標識綁定的用戶數據獲取信用值；
在步驟S13中，對信用值進行處理。
例如，信用值可以為一個數值，以100為滿分，用戶標識A對應的信用值為80，或以10分為滿分，用戶標識A對應的信用值為8，等等。信用值也可以是一組值，即不同項目有其對應的分值，如，收入狀況，70；社交狀況，50；消費狀況，60；工作狀況，80；等等。
本實施例中，通過根據用戶數據獲取該用戶對應的信用值，該信用值是根據用戶數據即用戶使用網際網路所產生的網際網路數據得到的，因此，該信用值能夠反映該用戶的真實情況，終端或伺服器可以為其他用戶提供該用戶的信用值，或根據該用戶的信用值進行用戶推薦等等。這樣，不僅能夠準確獲得各個用戶的真實情況，還可以使得終端或伺服器能夠準確地為用戶提供服 務，提高用戶對服務的體驗度。
可選的，該信用值可以是預先得到，用戶僅需輸入某個用戶的用戶標識，就可以得到該用戶的信用值。或者，在用戶當時提供用戶數據的情況下，也可以在線實時得出信用值。
在另一個實施例中，對信用值進行處理，包括執行以下至少一項處理操作：
一、顯示信用值
例如，在終端上提供一應用程式，可根據用戶輸入的某個用戶標識，顯示該用戶標識對應的信用值，以便於用戶了解其他用戶的真實情況。
二、根據信用值推送用戶標識
例如，在終端上提供一應用程式，可以根據用戶輸入的信用值範圍(70～100)，為用戶推送符合該信用值範圍的用戶標識。
又例如，可以根據用戶的信用值為用戶推送服務，如選擇為信用值80以上的用戶提供某種優惠服務等等。
這樣，由於該信用值能夠反映該用戶的真實情況，使得終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
三、根據信用值獲取用戶標識之間的匹配度，顯示匹配度或根據匹配度推送用戶標識。
例如，信用值越接近，匹配度越高，可以為用戶選擇與其匹配度高的其他用戶進行好友推薦。如果使用在交友類的應用程式，終端或伺服器可以根據用戶的信用度為用戶匹配好友，等等。
這樣，由於該信用值能夠反映該用戶的真實情況，使得終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
在另一實施例中，該方法還包括：通過以下至少一種方式獲得用戶數據：
方式A、從用戶終端獲得
在步驟A1中，獲取與用戶標識綁定的終端；
在步驟A2中，從終端獲取用戶數據。
首先獲得使用該用戶標識登錄網際網路的終端，然後可在獲得用戶許可的情況下，從該終端獲取該用戶標識對應的用戶數據。如終端上存儲的該用戶的聯繫人數據、應用程式的安裝使用數據、網頁瀏覽記錄、日常行為數據等等。
方式B、從網絡側伺服器獲得
在步驟B1中，從網絡側獲取與用戶標識綁定的用戶數據。
在獲得用戶許可的情況下，可以從用戶使用該用戶標識登錄的網絡帳戶獲取該用戶的用戶數據。如，用戶在某網站的註冊信息。
本實施例中，用戶數據可以從與用戶標識綁定的終端獲取，也可以從網絡側獲得，通過獲得用戶完整全面的用戶數據，使得該信用值能夠反映該用戶的真實情況，從而終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
本實施例中，用戶數據可以實時採集並存儲在終端或網絡側，在獲取信用值時，提取出用戶數據進行信用值的預測。由於隨著用戶數據的實時變化，得到的信用值也是可變的。
圖2是根據一示例性實施例示出的根據與用戶標識綁定的用戶數據獲取信用值的流程圖，如圖2所示，在另一個實施例中，根據與用戶標識綁定的用戶數據獲取信用值，包括：
在步驟S21中，獲取信用預測模型，信用預測模型包括用戶數據與信用值的映射關係；
在步驟S22中，根據信用預測模型確定用戶數據對應的信用值。
本實施例中，通過預先訓練的信用預測模型，確定用戶數據對應的信用值，這樣，可以方便、快速地獲得用戶的信用值。
其中，該信用預測模型是通過大規模採集用戶數據進行機器學習得到的，圖3是根據一示例性實施例示出的生成信用預測模型的流程圖，如圖3所示， 該方法還包括：
在步驟S31中，採集用戶數據集合；
在步驟S32中，訓練用戶數據集合，得到訓練結果；
在步驟S33中，根據訓練結果建立用戶數據與信用值的映射關係，生成信用預測模型。
本實施例中，信用預測模型的訓練，實際上就是要獲得用戶數據與信用值的映射關係，這樣，當該模型訓練完成後，將新的用戶數據作為模型的輸入，就可得到該用戶的信用值。通過對大規模用戶數據的訓練，使得每個用戶的信用值可以反映該用戶的真實情況，使得終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
在另一個實施例中，用戶數據集合可以通過以下算法進行訓練：
隨機梯度下降算法或擬牛頓算法等等。
在另一個實施例中，用戶數據包括以下至少一項數據：金融數據、行為數據、聯繫人數據、應用程式數據；其中，應用程式數據至少指示以下至少一項：已安裝的應用程式、在應用程式中發布的內容數據、在應用程式中接收的內容數據。
本實施例中，通過對用戶使用網際網路所產生的各種數據進行採集分析，以基於用戶數據得到用戶的信用值，使得信用值能夠反映用戶真實的收入狀況、消費狀況、社交狀況、工作狀況、日常行為狀況等等信息，通過信用值的高低就可對用戶的基本情況作出判斷，終端或伺服器可以根據用戶的信用值準確地為用戶提供服務，提高用戶體驗度。
下述為本公開裝置實施例，可以用於執行本公開方法實施例。
圖4是根據一示例性實施例示出的一種數據處理裝置的框圖，該裝置可以通過軟體、硬體或者兩者的結合實現成為電子設備的部分或者全部。如圖4所示，該數據處理裝置包括：
第一獲取模塊41，用於獲取用戶標識；根據與用戶標識綁定的用戶數據 獲取信用值；
處理模塊42，用於對第一獲取模塊41獲取的信用值進行處理。
可選的，第一獲取模塊41獲取到的信用值可以為一個數值，也可以是一組值，即不同項目有其對應的分值。
本實施例中，第一獲取模塊41根據用戶數據獲取該用戶對應的信用值，處理模塊42對該信用值進行處理。該信用值是根據用戶數據即用戶使用網際網路所產生的網際網路數據得到的，因此，該信用值能夠反映該用戶的真實情況，終端或伺服器可以為其他用戶提供該用戶的信用值，或根據該用戶的信用值進行用戶推薦等等。這樣，不僅能夠準確獲得各個用戶的真實情況，還可以使得終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
圖5是根據一示例性實施例示出的處理模塊的框圖，如圖5所示，可選的，處理模塊42包括以下至少一個子模塊：
顯示子模塊421，用於顯示第一獲取模塊41獲取的信用值。
例如，顯示子模塊421可以根據用戶輸入的某個用戶標識，顯示該用戶標識對應的信用值，以便於用戶了解其他用戶的真實情況。
推送子模塊422，根據第一獲取模塊41獲取的信用值推送用戶標識。
例如，推送子模塊422可以根據用戶輸入的信用值範圍(70～100)，為用戶推送符合該信用值範圍的用戶標識。或者，推送子模塊422可以根據用戶的信用值為用戶推送服務，如選擇為信用值80以上的用戶提供某種優惠服務等等。
匹配度處理子模塊423，用於根據第一獲取模塊41獲取的信用值獲取用戶標識之間的匹配度，顯示匹配度或根據匹配度推送用戶標識。
例如，信用值越接近，匹配度越高，匹配度處理子模塊423可以為用戶選擇與其匹配度高的其他用戶進行好友推薦。如果使用在交友類的應用程式，匹配度處理子模塊可以根據用戶的信用度為用戶匹配好友，等等。這樣，由於該信用值能夠反映該用戶的真實情況，使得終端或伺服器能夠準確地為用 戶提供服務，提高用戶對服務的體驗度。
圖6是根據另一示例性實施例示出的一種數據處理裝置的框圖，如圖5所示，可選的，該裝置還包括：
第二獲取模塊43，用於獲取與用戶標識綁定的終端；從終端獲取用戶數據。
第二獲取模塊43首先獲得使用該用戶標識登錄網際網路的終端，然後可在獲得用戶許可的情況下，從該終端獲取該用戶標識對應的用戶數據。如終端上存儲的該用戶的聯繫人數據、應用程式的安裝使用數據、網頁瀏覽記錄、日常行為數據等等。
可選的，第二獲取模塊43，還用於從網絡側獲取與用戶標識綁定的用戶數據。
第二獲取模塊43在獲得用戶許可的情況下，可以從用戶使用該用戶標識登錄的網絡帳戶獲取該用戶的用戶數據。如，用戶在某網站的註冊信息。
本實施例中，第二獲取模塊43可以從與用戶標識綁定的終端獲取用戶數據，也可以從網絡側獲得用戶數據，通過獲得用戶完整全面的用戶數據，使得該信用值能夠反映該用戶的真實情況，從而終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
本實施例中，第二獲取模塊43可以實時採集用戶數據並存儲在終端或網絡側，在獲取信用值時，由第一獲取模塊41提取出用戶數據進行信用值的預測。由於隨著用戶數據的實時變化，得到的信用值也是可變的。
圖7是根據一示例性實施例示出的第一獲取模塊的框圖，如圖7所示，可選的，第一獲取模塊41包括：
獲取子模塊411，用於獲取信用預測模型，信用預測模型包括用戶數據與信用值的映射關係；
確定子模塊412，用於據獲取子模塊411獲取的信用預測模型確定用戶數據對應的信用值。
本實施例中，通過獲取子模塊411獲取預先訓練的信用預測模型，確定子模塊412確定用戶數據對應的信用值，這樣，可以方便、快速地獲得用戶的信用值。
圖8是根據另一示例性實施例示出的一種數據處理裝置的框圖，如圖8所示，可選的，該裝置還包括：
採集模塊44，用於採集用戶數據集合；
訓練模塊45，用於訓練採集模塊採集的用戶數據集合，得到訓練結果；
生成模塊46，用於根據訓練模塊得到的訓練結果建立用戶數據與信用值的映射關係，生成信用預測模型。
本實施例中，通過採集模塊44採集大規模的用戶數據，訓練模塊45對採集到的用戶數據進行訓練，生成模塊46生成信用預測模型，實際上就是得到用戶數據與信用值的映射關係，這樣，當該模型訓練完成後，將新的用戶數據作為模型的輸入，就可得到該用戶的信用值。通過對大規模用戶數據的訓練，使得每個用戶的信用值可以反映該用戶的真實情況，使得終端或伺服器能夠準確地為用戶提供服務，提高用戶對服務的體驗度。
可選的，訓練模塊45，用於採用隨機梯度下降算法訓練採集模塊採集的用戶數據。
可選的，訓練模塊45，用於採用擬牛頓算法訓練採集模塊採集的用戶數據。
可選的，用戶數據包括以下至少一項數據：金融數據、行為數據、聯繫人數據、應用程式數據；其中，應用程式數據至少指示以下至少一項：已安裝的應用程式、在應用程式中發布的內容數據、在應用程式中接收的內容數據。
本實施例中，通過對用戶使用網際網路所產生的各種數據進行採集分析，以基於用戶數據得到用戶的信用值，使得信用值能夠反映用戶真實的收入狀況、消費狀況、社交狀況、工作狀況、日常行為狀況等等信息，通過信用值 的高低就可對用戶的基本情況作出判斷，終端或伺服器可以根據用戶的信用值準確地為用戶提供服務，提高用戶體驗度。
本公開還提供一種數據處理裝置，包括：
處理器；
用於存儲處理器可執行指令的存儲器；
其中，處理器被配置為：
獲取用戶標識；
根據與用戶標識綁定的用戶數據獲取信用值；
對信用值進行處理。
圖9是根據一示例性實施例示出的一種用於數據處理的裝置的框圖，該裝置適用於終端設備。例如，裝置1700可以是攝像機，錄音設備，行動電話，計算機，數字廣播終端，消息收發設備，遊戲控制臺，平板設備，醫療設備，健身設備，個人數字助理等。
裝置1700可以包括以下一個或多個組件：處理組件1702，存儲器1704，電源組件1706，多媒體組件1708，音頻組件1710，輸入/輸出(I/O)的接口1712，傳感器組件1714，以及通信組件1716。
處理組件1702通常控制裝置1700的整體操作，諸如與顯示，電話呼叫，數據通信，相機操作和記錄操作相關聯的操作。處理元件1702可以包括一個或多個處理器1720來執行指令，以完成上述的方法的全部或部分步驟。此外，處理組件1702可以包括一個或多個模塊，便於處理組件1702和其他組件之間的交互。例如，處理部件1702可以包括多媒體模塊，以方便多媒體組件1708和處理組件1702之間的交互。
存儲器1704被配置為存儲各種類型的數據以支持在設備1700的操作。這些數據的示例包括用於在裝置1700上操作的任何應用程式或方法的指令，聯繫人數據，電話簿數據，消息，圖片，視頻等。存儲器1704可以由任何類型的易失性或非易失性存儲設備或者它們的組合實現，如靜態隨機存取存儲 器(SRAM)，電可擦除可編程只讀存儲器(EEPROM)，可擦除可編程只讀存儲器(EPROM)，可編程只讀存儲器(PROM)，只讀存儲器(ROM)，磁存儲器，快閃記憶體，磁碟或光碟。
電源組件1706為裝置1700的各種組件提供電力。電源組件1706可以包括電源管理系統，一個或多個電源，及其他與為裝置1700生成、管理和分配電力相關聯的組件。
多媒體組件1708包括在所述裝置1700和用戶之間的提供一個輸出接口的屏幕。在一些實施例中，屏幕可以包括液晶顯示器(LCD)和觸摸面板(TP)。如果屏幕包括觸摸面板，屏幕可以被實現為觸控螢幕，以接收來自用戶的輸入信號。觸摸面板包括一個或多個觸摸傳感器以感測觸摸、滑動和觸摸面板上的手勢。所述觸摸傳感器可以不僅感測觸摸或滑動動作的邊界，而且還檢測與所述觸摸或滑動操作相關的持續時間和壓力。在一些實施例中，多媒體組件1708包括一個前置攝像頭和/或後置攝像頭。當設備1700處於操作模式，如拍攝模式或視頻模式時，前置攝像頭和/或後置攝像頭可以接收外部的多媒體數據。每個前置攝像頭和後置攝像頭可以是一個固定的光學透鏡系統或具有焦距和光學變焦能力。
音頻組件1710被配置為輸出和/或輸入音頻信號。例如，音頻組件1710包括一個麥克風(MIC)，當裝置1700處於操作模式，如呼叫模式、記錄模式和語音識別模式時，麥克風被配置為接收外部音頻信號。所接收的音頻信號可以被進一步存儲在存儲器1704或經由通信組件1716發送。在一些實施例中，音頻組件1710還包括一個揚聲器，用於輸出音頻信號。
I/O接口1712為處理組件1702和外圍接口模塊之間提供接口，上述外圍接口模塊可以是鍵盤，點擊輪，按鈕等。這些按鈕可包括但不限於：主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。
傳感器組件1714包括一個或多個傳感器，用於為裝置1700提供各個方面的狀態評估。例如，傳感器組件1714可以檢測到設備1700的打開/關閉狀 態，組件的相對定位，例如所述組件為裝置1700的顯示器和小鍵盤，傳感器組件1714還可以檢測裝置1700或裝置1700一個組件的位置改變，用戶與裝置1700接觸的存在或不存在，裝置1700方位或加速/減速和裝置1700的溫度變化。傳感器組件1714可以包括接近傳感器，被配置用來在沒有任何的物理接觸時檢測附近物體的存在。傳感器組件1714還可以包括光傳感器，如CMOS或CCD圖像傳感器，用於在成像應用中使用。在一些實施例中，該傳感器組件1714還可以包括加速度傳感器，陀螺儀傳感器，磁傳感器，壓力傳感器或溫度傳感器。
通信組件1716被配置為便於裝置1700和其他設備之間有線或無線方式的通信。裝置1700可以接入基於通信標準的無線網絡，如WiFi，2G或3G，或它們的組合。在一個示例性實施例中，通信組件1716經由廣播信道接收來自外部廣播管理系統的廣播信號或廣播相關信息。在一個示例性實施例中，所述通信組件1716還包括近場通信(NFC)模塊，以促進短程通信。例如，在NFC模塊可基於射頻識別(RFID)技術，紅外數據協會(IrDA)技術，超寬帶(UWB)技術，藍牙(BT)技術和其他技術來實現。
在示例性實施例中，裝置1700可以被一個或多個應用專用集成電路(ASIC)、數位訊號處理器(DSP)、數位訊號處理設備(DSPD)、可編程邏輯器件(PLD)、現場可編程門陣列(FPGA)、控制器、微控制器、微處理器或其他電子元件實現，用於執行上述方法。
在示例性實施例中，還提供了一種包括指令的非臨時性計算機可讀存儲介質，例如包括指令的存儲器1704，上述指令可由裝置1700的處理器1720執行以完成上述方法。例如，所述非臨時性計算機可讀存儲介質可以是ROM、隨機存取存儲器(RAM)、CD-ROM、磁帶、軟盤和光數據存儲設備等。
圖10是根據一示例性實施例示出的一種用於數據處理的裝置的框圖。例如，裝置1900可以被提供為一伺服器。裝置1900包括處理組件1922，其進一步包括一個或多個處理器，以及由存儲器1932所代表的存儲器資源，用於 存儲可由處理部件1922的執行的指令，例如應用程式。存儲器1932中存儲的應用程式可以包括一個或一個以上的每一個對應於一組指令的模塊。此外，處理組件1922被配置為執行指令，以執行上述方法。
裝置1900還可以包括一個電源組件1926被配置為執行裝置1900的電源管理，一個有線或無線網絡接口1950被配置為將裝置1900連接到網絡，和一個輸入輸出(I/O)接口1958。裝置1900可以操作基於存儲在存儲器1932的作業系統，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或類似。
一種非臨時性計算機可讀存儲介質，當所述存儲介質中的指令由裝置1700或1900的處理器執行時，使得裝置1700或1900能夠執行上述數據處理的方法，所述方法包括：
獲取用戶標識；
根據與所述用戶標識綁定的用戶數據獲取信用值；
對所述信用值進行處理。
可選的，所述對所述信用值進行處理，包括執行以下至少一項處理操作：
顯示所述信用值；
根據所述信用值推送所述用戶標識；
根據所述信用值獲取所述用戶標識之間的匹配度，顯示所述匹配度或根據所述匹配度推送所述用戶標識。
可選的，所述方法還包括：
獲取與所述用戶標識綁定的終端；
從所述終端獲取所述用戶數據。
可選的，所述方法還包括：
從網絡側獲取與所述用戶標識綁定的用戶數據。
可選的，所述根據與所述用戶標識綁定的用戶數據獲取信用值，包括：
獲取信用預測模型，所述信用預測模型包括用戶數據與信用值的映射關 系；
根據所述信用預測模型確定所述用戶數據對應的信用值。
可選的，所述方法還包括：
採集用戶數據集合；
訓練所述用戶數據集合，得到訓練結果；
根據訓練結果建立用戶數據與信用值的映射關係，生成所述信用預測模型。
可選的，所述訓練所述用戶數據集合，包括：
採用隨機梯度下降算法訓練所述用戶數據。
可選的，所述訓練所述用戶數據集合，包括：
採用擬牛頓算法訓練所述用戶數據。
可選的，所述用戶數據包括以下至少一項數據：金融數據、行為數據、聯繫人數據、應用程式數據；
其中，所述應用程式數據至少指示以下至少一項：已安裝的應用程式、在應用程式中發布的內容數據、在應用程式中接收的內容數據。
本領域技術人員在考慮說明書及實踐這裡公開的公開後，將容易想到本公開的其它實施方案。本申請旨在涵蓋本公開的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本公開的一般性原理並包括本公開未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本公開的真正範圍和精神由下面的權利要求指出。
應當理解的是，本公開並不局限於上面已經描述並在附圖中示出的精確結構，並且可以在不脫離其範圍進行各種修改和改變。本公開的範圍僅由所附的權利要求來限制。