数据处理方法及装置与流程

本公开涉及互联网技术领域，尤其涉及数据处理方法及装置。

背景技术：

目前，在社交软件中，对用户的评价一般是根据用户自身的介绍信息，以及其他用户对该用户的评价生成的，这样，其他用户实际上无法对该用户的基本情况有一个清楚、准确、全面的了解，服务提供商也无法根据用户情况准确地为用户提供服务。

技术实现要素：

本公开实施例提供数据处理方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种数据处理方法，包括：

获取用户标识；

根据与所述用户标识绑定的用户数据获取信用值；

对所述信用值进行处理。

可选的，所述对所述信用值进行处理，包括执行以下至少一项处理操作：

显示所述信用值；

根据所述信用值推送所述用户标识；

根据所述信用值获取所述用户标识之间的匹配度，显示所述匹配度或根据所述匹配度推送所述用户标识。

可选的，所述方法还包括：

获取与所述用户标识绑定的终端；

从所述终端获取所述用户数据。

可选的，所述方法还包括：

从网络侧获取与所述用户标识绑定的用户数据。

可选的，所述根据与所述用户标识绑定的用户数据获取信用值，包括：

获取信用预测模型，所述信用预测模型包括用户数据与信用值的映射关系；

根据所述信用预测模型确定所述用户数据对应的信用值。

可选的，所述方法还包括：

采集用户数据集合；

训练所述用户数据集合，得到训练结果；

根据训练结果建立用户数据与信用值的映射关系，生成所述信用预测模型。

可选的，所述训练所述用户数据集合，包括：

采用随机梯度下降算法训练所述用户数据。

可选的，所述训练所述用户数据集合，包括：

采用拟牛顿算法训练所述用户数据。

可选的，所述用户数据包括以下至少一项数据：金融数据、行为数据、联系人数据、应用程序数据；

其中，所述应用程序数据至少指示以下至少一项：已安装的应用程序、在应用程序中发布的内容数据、在应用程序中接收的内容数据。

根据本公开实施例的第二方面，提供一种数据处理装置，包括：

第一获取模块，用于获取用户标识；根据与所述用户标识绑定的用户数据获取信用值；

处理模块，用于对所述第一获取模块获取的信用值进行处理。

可选的，所述处理模块包括以下至少一个子模块：

显示子模块，用于显示所述第一获取模块获取的信用值；

推送子模块，根据所述第一获取模块获取的信用值推送所述用户标识；

匹配度处理子模块，用于根据所述第一获取模块获取的信用值获取所述 用户标识之间的匹配度，显示所述匹配度或根据所述匹配度推送所述用户标识。

可选的，所述装置还包括：

第二获取模块，用于获取与所述用户标识绑定的终端；从所述终端获取所述用户数据。

可选的，所述第二获取模块，还用于从网络侧获取与所述用户标识绑定的用户数据。

可选的，所述第一获取模块包括：

获取子模块，用于获取信用预测模型，所述信用预测模型包括用户数据与信用值的映射关系；

确定子模块，用于据所述获取子模块获取的信用预测模型确定所述用户数据对应的信用值。

可选的，所述装置还包括：

采集模块，用于采集用户数据集合；

训练模块，用于训练所述采集模块采集的用户数据集合，得到训练结果；

生成模块，用于根据所述训练模块得到的训练结果建立用户数据与信用值的映射关系，生成所述信用预测模型。

可选的，所述训练模块，用于采用随机梯度下降算法训练所述采集模块采集的用户数据。

可选的，所述训练模块，用于采用拟牛顿算法训练所述采集模块采集的用户数据。

可选的，所述用户数据包括以下至少一项数据：金融数据、行为数据、联系人数据、应用程序数据；其中，所述应用程序数据至少指示以下至少一项：已安装的应用程序、在应用程序中发布的内容数据、在应用程序中接收的内容数据。

根据本公开实施例的第三方面，提供一种数据处理装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取用户标识；

根据与所述用户标识绑定的用户数据获取信用值；

对所述信用值进行处理。

本公开的实施例提供的技术方案可以包括以下有益效果：

在一个实施例中，通过根据用户数据获取该用户对应的信用值，该信用值是根据用户数据即用户使用互联网所产生的互联网数据得到的，因此，该信用值能够反映该用户的真实情况，终端或服务器可以为其他用户提供该用户的信用值，或根据该用户的信用值进行用户推荐等等。这样，不仅能够准确获得各个用户的真实情况，还可以使得终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

在另一个实施例中，通过执行显示信用值，根据信用值推送用户标识，根据所述信用值获取所述用户标识之间的匹配度，显示所述匹配度或根据所述匹配度推送所述用户标识，等处理操作，由于该信用值能够反映该用户的真实情况，使得终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

在另一个实施例中，用户数据可以从与用户标识绑定的终端获取，也可以从网络侧获得，通过获得用户完整全面的用户数据，使得该信用值能够反映该用户的真实情况，从而终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

在另一个实施例中，通过预先训练的信用预测模型，信用预测模型包括用户数据与信用值的映射关系，根据该信用预测模型确定用户数据对应的信用值，这样，可以方便、快速地获得用户的信用值。

在另一个实施例中，信用预测模型的训练，实际上就是要获得用户数据 与信用值的映射关系，这样，当该模型训练完成后，将新的用户数据作为模型的输入，就可得到该用户的信用值。通过对大规模用户数据的训练，使得每个用户的信用值可以反映该用户的真实情况，使得终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

在另一个实施例中，通过对用户使用互联网所产生的各种数据进行采集分析，以基于用户数据得到用户的信用值，使得信用值能够反映用户真实的收入状况、消费状况、社交状况、工作状况、日常行为状况等等信息，通过信用值的高低就可对用户的基本情况作出判断，终端或服务器可以根据用户的信用值准确地为用户提供服务，提高用户体验度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种数据处理方法的流程图。

图2是根据一示例性实施例示出的根据与用户标识绑定的用户数据获取信用值的流程图。

图3是根据一示例性实施例示出的生成信用预测模型的流程图。

图4是根据一示例性实施例示出的一种数据处理装置的框图。

图5是根据一示例性实施例示出的处理模块的框图。

图6是根据另一示例性实施例示出的一种数据处理装置的框图。

图7是根据一示例性实施例示出的第一获取模块的框图。

图8是根据另一示例性实施例示出的一种数据处理装置的框图。

图9是根据一示例性实施例示出的一种用于数据处理的装置的框图。

图10是根据一示例性实施例示出的一种用于数据处理的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供的技术方案，涉及终端或服务器，通过用户使用互联网所产生的数据，确定该用户的信用值，从而使得其他用户可以了解该用户的真实情况，终端或服务器根据该信用值可以更加准确地为用户提供服务。

其中，终端可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等任一具有图像识别功能的设备。

图1是根据一示例性实施例示出的一种数据处理方法的流程图，如图1所示，数据处理方法用于终端或服务器中，包括以下步骤：

在步骤S11中，获取用户标识；

在步骤S12中，根据与用户标识绑定的用户数据获取信用值；

在步骤S13中，对信用值进行处理。

例如，信用值可以为一个数值，以100为满分，用户标识A对应的信用值为80，或以10分为满分，用户标识A对应的信用值为8，等等。信用值也可以是一组值，即不同项目有其对应的分值，如，收入状况，70；社交状况，50；消费状况，60；工作状况，80；等等。

本实施例中，通过根据用户数据获取该用户对应的信用值，该信用值是根据用户数据即用户使用互联网所产生的互联网数据得到的，因此，该信用值能够反映该用户的真实情况，终端或服务器可以为其他用户提供该用户的信用值，或根据该用户的信用值进行用户推荐等等。这样，不仅能够准确获得各个用户的真实情况，还可以使得终端或服务器能够准确地为用户提供服 务，提高用户对服务的体验度。

可选的，该信用值可以是预先得到，用户仅需输入某个用户的用户标识，就可以得到该用户的信用值。或者，在用户当时提供用户数据的情况下，也可以在线实时得出信用值。

在另一个实施例中，对信用值进行处理，包括执行以下至少一项处理操作：

一、显示信用值

例如，在终端上提供一应用程序，可根据用户输入的某个用户标识，显示该用户标识对应的信用值，以便于用户了解其他用户的真实情况。

二、根据信用值推送用户标识

例如，在终端上提供一应用程序，可以根据用户输入的信用值范围(70～100)，为用户推送符合该信用值范围的用户标识。

又例如，可以根据用户的信用值为用户推送服务，如选择为信用值80以上的用户提供某种优惠服务等等。

这样，由于该信用值能够反映该用户的真实情况，使得终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

三、根据信用值获取用户标识之间的匹配度，显示匹配度或根据匹配度推送用户标识。

例如，信用值越接近，匹配度越高，可以为用户选择与其匹配度高的其他用户进行好友推荐。如果使用在交友类的应用程序，终端或服务器可以根据用户的信用度为用户匹配好友，等等。

这样，由于该信用值能够反映该用户的真实情况，使得终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

在另一实施例中，该方法还包括：通过以下至少一种方式获得用户数据：

方式A、从用户终端获得

在步骤A1中，获取与用户标识绑定的终端；

在步骤A2中，从终端获取用户数据。

首先获得使用该用户标识登录互联网的终端，然后可在获得用户许可的情况下，从该终端获取该用户标识对应的用户数据。如终端上存储的该用户的联系人数据、应用程序的安装使用数据、网页浏览记录、日常行为数据等等。

方式B、从网络侧服务器获得

在步骤B1中，从网络侧获取与用户标识绑定的用户数据。

在获得用户许可的情况下，可以从用户使用该用户标识登录的网络账户获取该用户的用户数据。如，用户在某网站的注册信息。

本实施例中，用户数据可以从与用户标识绑定的终端获取，也可以从网络侧获得，通过获得用户完整全面的用户数据，使得该信用值能够反映该用户的真实情况，从而终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

本实施例中，用户数据可以实时采集并存储在终端或网络侧，在获取信用值时，提取出用户数据进行信用值的预测。由于随着用户数据的实时变化，得到的信用值也是可变的。

图2是根据一示例性实施例示出的根据与用户标识绑定的用户数据获取信用值的流程图，如图2所示，在另一个实施例中，根据与用户标识绑定的用户数据获取信用值，包括：

在步骤S21中，获取信用预测模型，信用预测模型包括用户数据与信用值的映射关系；

在步骤S22中，根据信用预测模型确定用户数据对应的信用值。

本实施例中，通过预先训练的信用预测模型，确定用户数据对应的信用值，这样，可以方便、快速地获得用户的信用值。

其中，该信用预测模型是通过大规模采集用户数据进行机器学习得到的，图3是根据一示例性实施例示出的生成信用预测模型的流程图，如图3所示， 该方法还包括：

在步骤S31中，采集用户数据集合；

在步骤S32中，训练用户数据集合，得到训练结果；

在步骤S33中，根据训练结果建立用户数据与信用值的映射关系，生成信用预测模型。

本实施例中，信用预测模型的训练，实际上就是要获得用户数据与信用值的映射关系，这样，当该模型训练完成后，将新的用户数据作为模型的输入，就可得到该用户的信用值。通过对大规模用户数据的训练，使得每个用户的信用值可以反映该用户的真实情况，使得终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

在另一个实施例中，用户数据集合可以通过以下算法进行训练：

随机梯度下降算法或拟牛顿算法等等。

在另一个实施例中，用户数据包括以下至少一项数据：金融数据、行为数据、联系人数据、应用程序数据；其中，应用程序数据至少指示以下至少一项：已安装的应用程序、在应用程序中发布的内容数据、在应用程序中接收的内容数据。

本实施例中，通过对用户使用互联网所产生的各种数据进行采集分析，以基于用户数据得到用户的信用值，使得信用值能够反映用户真实的收入状况、消费状况、社交状况、工作状况、日常行为状况等等信息，通过信用值的高低就可对用户的基本情况作出判断，终端或服务器可以根据用户的信用值准确地为用户提供服务，提高用户体验度。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图4是根据一示例性实施例示出的一种数据处理装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该数据处理装置包括：

第一获取模块41，用于获取用户标识；根据与用户标识绑定的用户数据 获取信用值；

处理模块42，用于对第一获取模块41获取的信用值进行处理。

可选的，第一获取模块41获取到的信用值可以为一个数值，也可以是一组值，即不同项目有其对应的分值。

本实施例中，第一获取模块41根据用户数据获取该用户对应的信用值，处理模块42对该信用值进行处理。该信用值是根据用户数据即用户使用互联网所产生的互联网数据得到的，因此，该信用值能够反映该用户的真实情况，终端或服务器可以为其他用户提供该用户的信用值，或根据该用户的信用值进行用户推荐等等。这样，不仅能够准确获得各个用户的真实情况，还可以使得终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

图5是根据一示例性实施例示出的处理模块的框图，如图5所示，可选的，处理模块42包括以下至少一个子模块：

显示子模块421，用于显示第一获取模块41获取的信用值。

例如，显示子模块421可以根据用户输入的某个用户标识，显示该用户标识对应的信用值，以便于用户了解其他用户的真实情况。

推送子模块422，根据第一获取模块41获取的信用值推送用户标识。

例如，推送子模块422可以根据用户输入的信用值范围(70～100)，为用户推送符合该信用值范围的用户标识。或者，推送子模块422可以根据用户的信用值为用户推送服务，如选择为信用值80以上的用户提供某种优惠服务等等。

匹配度处理子模块423，用于根据第一获取模块41获取的信用值获取用户标识之间的匹配度，显示匹配度或根据匹配度推送用户标识。

例如，信用值越接近，匹配度越高，匹配度处理子模块423可以为用户选择与其匹配度高的其他用户进行好友推荐。如果使用在交友类的应用程序，匹配度处理子模块可以根据用户的信用度为用户匹配好友，等等。这样，由于该信用值能够反映该用户的真实情况，使得终端或服务器能够准确地为用 户提供服务，提高用户对服务的体验度。

图6是根据另一示例性实施例示出的一种数据处理装置的框图，如图5所示，可选的，该装置还包括：

第二获取模块43，用于获取与用户标识绑定的终端；从终端获取用户数据。

第二获取模块43首先获得使用该用户标识登录互联网的终端，然后可在获得用户许可的情况下，从该终端获取该用户标识对应的用户数据。如终端上存储的该用户的联系人数据、应用程序的安装使用数据、网页浏览记录、日常行为数据等等。

可选的，第二获取模块43，还用于从网络侧获取与用户标识绑定的用户数据。

第二获取模块43在获得用户许可的情况下，可以从用户使用该用户标识登录的网络账户获取该用户的用户数据。如，用户在某网站的注册信息。

本实施例中，第二获取模块43可以从与用户标识绑定的终端获取用户数据，也可以从网络侧获得用户数据，通过获得用户完整全面的用户数据，使得该信用值能够反映该用户的真实情况，从而终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

本实施例中，第二获取模块43可以实时采集用户数据并存储在终端或网络侧，在获取信用值时，由第一获取模块41提取出用户数据进行信用值的预测。由于随着用户数据的实时变化，得到的信用值也是可变的。

图7是根据一示例性实施例示出的第一获取模块的框图，如图7所示，可选的，第一获取模块41包括：

获取子模块411，用于获取信用预测模型，信用预测模型包括用户数据与信用值的映射关系；

确定子模块412，用于据获取子模块411获取的信用预测模型确定用户数据对应的信用值。

本实施例中，通过获取子模块411获取预先训练的信用预测模型，确定子模块412确定用户数据对应的信用值，这样，可以方便、快速地获得用户的信用值。

图8是根据另一示例性实施例示出的一种数据处理装置的框图，如图8所示，可选的，该装置还包括：

采集模块44，用于采集用户数据集合；

训练模块45，用于训练采集模块采集的用户数据集合，得到训练结果；

生成模块46，用于根据训练模块得到的训练结果建立用户数据与信用值的映射关系，生成信用预测模型。

本实施例中，通过采集模块44采集大规模的用户数据，训练模块45对采集到的用户数据进行训练，生成模块46生成信用预测模型，实际上就是得到用户数据与信用值的映射关系，这样，当该模型训练完成后，将新的用户数据作为模型的输入，就可得到该用户的信用值。通过对大规模用户数据的训练，使得每个用户的信用值可以反映该用户的真实情况，使得终端或服务器能够准确地为用户提供服务，提高用户对服务的体验度。

可选的，训练模块45，用于采用随机梯度下降算法训练采集模块采集的用户数据。

可选的，训练模块45，用于采用拟牛顿算法训练采集模块采集的用户数据。

可选的，用户数据包括以下至少一项数据：金融数据、行为数据、联系人数据、应用程序数据；其中，应用程序数据至少指示以下至少一项：已安装的应用程序、在应用程序中发布的内容数据、在应用程序中接收的内容数据。

本实施例中，通过对用户使用互联网所产生的各种数据进行采集分析，以基于用户数据得到用户的信用值，使得信用值能够反映用户真实的收入状况、消费状况、社交状况、工作状况、日常行为状况等等信息，通过信用值 的高低就可对用户的基本情况作出判断，终端或服务器可以根据用户的信用值准确地为用户提供服务，提高用户体验度。

本公开还提供一种数据处理装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

获取用户标识；

根据与用户标识绑定的用户数据获取信用值；

对信用值进行处理。

图9是根据一示例性实施例示出的一种用于数据处理的装置的框图，该装置适用于终端设备。例如，装置1700可以是摄像机，录音设备，移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

装置1700可以包括以下一个或多个组件：处理组件1702，存储器1704，电源组件1706，多媒体组件1708，音频组件1710，输入/输出(I/O)的接口1712，传感器组件1714，以及通信组件1716。

处理组件1702通常控制装置1700的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件1702可以包括一个或多个处理器1720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1702可以包括一个或多个模块，便于处理组件1702和其他组件之间的交互。例如，处理部件1702可以包括多媒体模块，以方便多媒体组件1708和处理组件1702之间的交互。

存储器1704被配置为存储各种类型的数据以支持在设备1700的操作。这些数据的示例包括用于在装置1700上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储 器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1706为装置1700的各种组件提供电力。电源组件1706可以包括电源管理系统，一个或多个电源，及其他与为装置1700生成、管理和分配电力相关联的组件。

多媒体组件1708包括在所述装置1700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1708包括一个前置摄像头和/或后置摄像头。当设备1700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1710被配置为输出和/或输入音频信号。例如，音频组件1710包括一个麦克风(MIC)，当装置1700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1704或经由通信组件1716发送。在一些实施例中，音频组件1710还包括一个扬声器，用于输出音频信号。

I/O接口1712为处理组件1702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1714包括一个或多个传感器，用于为装置1700提供各个方面的状态评估。例如，传感器组件1714可以检测到设备1700的打开/关闭状 态，组件的相对定位，例如所述组件为装置1700的显示器和小键盘，传感器组件1714还可以检测装置1700或装置1700一个组件的位置改变，用户与装置1700接触的存在或不存在，装置1700方位或加速/减速和装置1700的温度变化。传感器组件1714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1714还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1716被配置为便于装置1700和其他设备之间有线或无线方式的通信。装置1700可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1704，上述指令可由装置1700的处理器1720执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图10是根据一示例性实施例示出的一种用于数据处理的装置的框图。例如，装置1900可以被提供为一服务器。装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于 存储可由处理部件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置1700或1900的处理器执行时，使得装置1700或1900能够执行上述数据处理的方法，所述方法包括：

获取用户标识；

根据与所述用户标识绑定的用户数据获取信用值；

对所述信用值进行处理。

可选的，所述对所述信用值进行处理，包括执行以下至少一项处理操作：

显示所述信用值；

根据所述信用值推送所述用户标识；

根据所述信用值获取所述用户标识之间的匹配度，显示所述匹配度或根据所述匹配度推送所述用户标识。

可选的，所述方法还包括：

获取与所述用户标识绑定的终端；

从所述终端获取所述用户数据。

可选的，所述方法还包括：

从网络侧获取与所述用户标识绑定的用户数据。

可选的，所述根据与所述用户标识绑定的用户数据获取信用值，包括：

获取信用预测模型，所述信用预测模型包括用户数据与信用值的映射关 系；

根据所述信用预测模型确定所述用户数据对应的信用值。

可选的，所述方法还包括：

采集用户数据集合；

训练所述用户数据集合，得到训练结果；

根据训练结果建立用户数据与信用值的映射关系，生成所述信用预测模型。

可选的，所述训练所述用户数据集合，包括：

采用随机梯度下降算法训练所述用户数据。

可选的，所述训练所述用户数据集合，包括：

采用拟牛顿算法训练所述用户数据。

可选的，所述用户数据包括以下至少一项数据：金融数据、行为数据、联系人数据、应用程序数据；

其中，所述应用程序数据至少指示以下至少一项：已安装的应用程序、在应用程序中发布的内容数据、在应用程序中接收的内容数据。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。