一种关联模型生成方法及装置、一种数据关联方法及装置与流程

本申请涉及计算机自动关系识别技术领域，特别涉及一种关联模型生成方法及装置、一种数据关联方法及装置、一种计算设备及存储介质。

背景技术：

随着新技术的不断出现，传统监管合规手段难以应对金融科技行业的快速发展。传统金融公司依靠监管合规专业人力的经验来分析与判断业务的合规性，不仅效率较低，对人员的监管合规行业经验的要求也较高。

技术实现要素：

有鉴于此，本申请实施例提供了一种关联模型生成方法及装置、一种数据关联方法及装置、一种计算设备及存储介质，以解决现有技术中存在的技术缺陷。

第一方面，本说明书实施例公开了一种关联模型生成方法，包括：

获取外部数据和业务数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻；

对所述外部数据和所述业务数据进行预处理，分别得到所述外部数据对应的条文指标集和所述业务数据对应的业务指标集；

根据所述条文指标集和所述业务指标集进行实体抽取，分别得到所述条文指标集对应的第一实体和所述业务指标集对应的第二实体；

确定所述第一实体和所述第二实体之间的实体关系；

通过所述第一实体、所述第二实体以及所述实体关系对关联模型进行训练，得到所述关联模型，所述关联模型使得所述第一实体和所述第二实体相关联，并输出所述第一实体和所述第二实体的关联度。

第二方面，本说明书实施例公开了一种数据关联方法，包括：

获取外部数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻；

对所述外部数据进行预处理，并得到所述外部数据对应的条文指标集；

根据所述条文指标集进行实体抽取，并得到所述条文指标集对应的第一实体；

根据所述第一实体和预先生成的关联模型获得与所述第一实体相关联的业务数据和第一关联度。

第三方面，本说明书实施例公开了一种数据关联方法，包括：

获取业务数据；

对所述业务数据进行预处理，并得到所述业务数据对应的业务指标集；

根据所述业务指标集进行实体抽取，并得到所述业务指标集对应的第二实体；

根据所述第二实体和预先生成的关联模型获得与所述第二实体相关联的外部数据和第二关联度，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻。

第四方面，本说明书实施例公开了一种关联模型生成装置，包括：

第一获取模块，被配置为获取外部数据和业务数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻；

第一预处理模块，被配置为对所述外部数据和所述业务数据进行预处理，分别得到所述外部数据对应的条文指标集和所述业务数据对应的业务指标集；

第一抽取模块，被配置为根据所述条文指标集和所述业务指标集进行实体抽取，分别得到所述条文指标集对应的第一实体和所述业务指标集对应的第二实体；

第一确定模块，被配置为确定所述第一实体和所述第二实体之间的实体关系；

第一训练模块，被配置为通过所述第一实体、所述第二实体以及所述实体关系对关联模型进行训练，得到所述关联模型，所述关联模型使得所述第一实体和所述第二实体相关联，并输出所述第一实体和所述第二实体的关联度。

第五方面，本说明书实施例公开了一种数据关联装置，包括：

第二获取模块，被配置为获取外部数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻；

第二预处理模块，被配置为对所述外部数据进行预处理，并得到所述外部数据对应的条文指标集；

第二抽取模块，被配置为根据所述条文指标集进行实体抽取，并得到所述条文指标集对应的第一实体；

第一获得模块，被配置为根据所述第一实体和预先生成的关联模型获得与所述第一实体相关联的业务数据和第一关联度。

第六方面，本说明书实施例公开了一种数据关联装置，包括：

第三获取模块，被配置为获取业务数据；

第三预处理模块，被配置为对所述业务数据进行预处理，并得到所述业务数据对应的业务指标集；

第三抽取模块，被配置为根据所述业务指标集进行实体抽取，并得到所述业务指标集对应的第二实体；

第二获得模块，被配置为根据所述第二实体和预先生成的关联模型获得与所述第二实体相关联的外部数据和第二关联度，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻。

第七方面，本说明书实施例还公开了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现该指令被处理器执行时实现如上所述关联模型生成方法或所述数据关联方法的步骤。

第八方面，本说明书实施例还公开了一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如上所述关联模型生成方法或所述数据关联方法的步骤。

本说明书提供的一种关联模型生成方法及装置、一种数据关联方法及装置、一种计算设备及存储介质，其中，所述数据关联方法包括获取外部数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻；对所述外部数据进行预处理，并得到所述外部数据对应的条文指标集；根据所述条文指标集进行实体抽取，并得到所述条文指标集对应的第一实体；根据所述第一实体和预先生成的关联模型获得与所述第一实体相关联的业务数据和第一关联度。

附图说明

图1是本说明书一实施例提供的一种关联模型生成方法的流程图；

图2是本说明书一实施例提供的一种关联模型生成方法的流程图；

图3是本说明书一实施例提供的一种数据关联方法的流程图；

图4是本说明书一实施例提供的一种数据关联方法的流程图；

图5是本说明书一实施例提供的一种数据关联方法的流程图；

图6是本说明书一实施例提供的一种关联模型生成装置的结构示意图；

图7是本说明书一实施例提供的一种数据关联装置的结构示意图；

图8是本说明书一实施例提供的一种数据关联装置的结构示意图；

图9是本说明书一实施例提供的一种计算设备的结构框图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

首先，对本发明一个或多个实施例涉及的名词术语进行解释。

合规：是指商业银行的经营活动与法律、规则和准则相一致。

量化：目标或任务具体明确，可以清晰度量。

知识图谱：知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(point)和边(edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息(heterogeneousinformation)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

nlp：英文全称为naturelanguageprocessing，中文为自然语言处理。

在本申请中，提供了一种关联模型生成方法及装置、一种数据关联方法及装置、一种计算设备及存储介质，在下面的实施例中逐一进行详细说明。

参见图1，本说明书一个或多个实施例提供了一种关联模型生成方法流程图。

由图1可知，所述关联模型包括输入参数和输出参数，其中，所述输入参数包括第一实体、第二实体以及所述第一实体和所述第二实体之间的实体关系。

所述第一实体的获取方式为：

获取外部数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻；

对所述外部数据进行预处理，并得到所述外部数据对应的条文指标集；

根据所述条文指标集进行实体抽取，并得到所述条文指标集对应的第一实体。

所述第二实体的获取方式为：

获取业务数据；

对所述业务数据进行预处理，并得到所述业务数据对应的业务指标集；

根据所述业务指标集进行实体抽取，并得到所述业务指标集对应的第二实体。

另外，所述第一实体和所述第二实体之间的实体关系包括第一实体关系和所述第二实体关系，其中，所述第一实体关系为通过专家经验建立起的所述第一实体和所述第二实体的初始关系，所述第二实体关系为根据所述第一实体、所述第二实体以及所述初始关系构建的知识图谱通过预先生成的关联模型推理出来的潜在关系。

所述关联模型的输出参数包括根据所述第一实体输出所述第二实体以及第一关联度或者根据所述第二实体输出所述第一实体以及第二关联度。其中，所述第一关联度和所述第二关联度为所述第一实体对所述第二实体的影响程度和所述第二实体对所述第一实体的影响程度。

例如，所述第一实体为从监管条文、政策法规、案例或动态新闻形成的条文指标集中抽取的实体，所述第二实体为从对各产品线的业务提炼形成的业务指标集中抽取的实体，那么通过机器学习技术把第一实体、第二实体以及第一实体和第二实体之间的关系进行关联模型建模后，所述关联模型可以达到两项目标：第一项是，从条文角度可以看到某一条文会影响到哪些业务以及影响的程度；第二项是，从业务角度可以看到某一业务会受哪些条文的影响以及影响的程度。

即当行业中有政策变化或处罚案件时，通过所述预先生成的关联模型能识别出对哪些公司产品或业务有影响以及影响程度；或者当公司的产品或业务有调整或者增加时，通过所述预先生成的关联模型能识别出该产品或业务会受哪些条文的影响以及影响程度。

本说明书一个或多个实施例中，生成的所述关联模型采用普通机器学习算法以及规则等做合规风险识别，可以智能识别业务的合规性，并且通过知识图谱技术把条文信息和业务进行图关联关系整合，再采用机器学习技术在图结构上进行潜在关系推理，可以更加全面的识别各个业务的合规风险。

参见图2，本说明书一个或多个实施例提供了一种关联模型生成方法流程图，包括步骤202至步骤210。

步骤202：获取外部数据和业务数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻。

本说明书一个或多个实施例中，所述外部数据包括但不限于监管条文、政策法规、案例和/或新闻，还可以包括一些竞争对手的发布会信息或者其他与行业相关的资讯等。

所述业务数据包括但不限于支付宝、财富、微贷、保险、国际、支付金融、口碑以及风险数据等业务数据。

步骤204：对所述外部数据和所述业务数据进行预处理，分别得到所述外部数据对应的条文指标集和所述业务数据对应的业务指标集。

本说明书一个或多个实施例中，对所述外部数据和所述业务数据进行预处理包括以下步骤：

步骤一：采用自然语言处理技术对所述外部数据进行分析，并将分析后的所述外部数据转换成与业务相关的指标，形成所述条文指标集。

本说明书一个或多个实施例中，采用自然语言处理技术对所述外部数据进行分析，其实就是通过自然语言处理技术(nlp)技术对获取到的所述外部数据的文本进行归一化、分词、关键词提取、语义理解后进行拆解。

将分析后的所述外部数据转换成与业务相关的指标，形成所述条文指标集，则是将拆解后的外部数据中涉及业务的产品信息均提取出来，其中，每个产品都会有一套通用的业务指标来描述业务状况，然后将拆解后的外部数据与每个产品的业务指标建立映射关系，即完成所述外部数据转换成与业务相关的指标，经过这样处理就能从外部数据中感知可能对内部业务带来的影响。

例如，对某个外部数据拆解之后发现，该外部数据可能会涉及到某个产品，所述该产品为第三方支付，那么将该外部数据转换为与业务相关的指标则是建立一个映射关系，即先确定第三方支付会对应哪些业务指标，然后将这些业务指标与该外部数据建立一个映射关系，建立起来的这个映射关系即为转换。

步骤二：按照预设条件提取所述业务数据的业务指标，形成所述业务指标集。

本说明书一个或多个实施例中，所述预设条件包括但不限于主题等，可以根据实际需求进行设置，本说明书对此不作任何限定。

按照预设条件提取所述业务数据的业务指标，即为按照主题对内部业务进行划分，统一产出业务指标集，其中，所述业务指标集中可以包括但不限于涉及的产品、数据来源、口径(统计数据所采用的标准)或者指标关键词描述等信息。

实际使用中，对各产品线业务进行指标化提炼，形成业务指标集，该指标即为上述介绍的每个产品对应的一套通用的业务指标，该指标可充分反映各产品线业务的发展状态。

实际使用中，针对每个产品线提取的业务指标其实都是不同的，例如，支付产品，那么提取的业务指标就可以包括交易量、交易金额、用户数等。

下面以一个实际案例说明条文指标集和业务指标集的关系，例如所述外部数据包括：监管部门对第三方公司的一个处罚，那么就可以将这个案例信息提取出来，确定该处罚针对的第三方公司的什么产品，监管部分对该公司做了什么样的一个处罚，费用是多少。

然后对该外部数据进行分析后确定该处罚对应的是哪个产品，然后根据该产品信息看下自身公司内部有没有这样的一个产品，若有这样的产品，然后这个产品又会对应一个指标体系，然后将该指标体系与上述处罚进行关联，则可以看出该处罚对自身公司产品的影响。

步骤206：根据所述条文指标集和所述业务指标集进行实体抽取，分别得到所述条文指标集对应的第一实体和所述业务指标集对应的第二实体。

本说明书一个或多个实施例中，所述条文指标集中包括金融行业相关的法律条文、案件信息、行业资讯信息以及业务经验文档等。

然后根据所述条文指标集进行实体抽取，得到所述条文指标集对应的第一实体包括：

采用nlp技术把所述条文指标集中的实体抽取出来，其中所述nlp技术包括对建设金融行业的词向量、命名实体识别、金融行业特性的关键词提取以及文章中心词进行提取等基础能力，然后使用这些基础能力从大量条文指标集中把其对应的实体及属性抽取出来。

本说明书一个或多个实施例中，所述业务指标集包括结构化的业务指标以及外部公司的基础信息等，其中，所述结构化的业务指标可以包括但不限于产品名称、上线时间等，所述外部公司的基础信息可以包括但不限于外部公司在工商的注册信息、法人、股权、工商投诉等。

然后根据所述业务指标集进行实体抽取，得到所述业务指标集对应的第二实体包括：

根据专家经验和知识图谱的结构对所述业务指标集进行实体抽取，例如所述知识图谱的结构包括域、类型以及属性等。

步骤208：确定所述第一实体和所述第二实体之间的实体关系。

本说明书一个或多个实施例中，参见图3，确定所述第一实体和所述第二实体之间的实体关系包括步骤302至步骤306。

步骤302：确定所述第一实体和所述第二实体之间的第一实体关系。

本说明书一个或多个实施例中，可以根据专家经验的方式建立起所述第一实体和所述第二实体之间的第一实体关系。

步骤304：根据所述第一实体、所述第二实体以及所述第一实体关系构建知识图谱。

步骤306：根据知识图谱和预先生成的关联模型获得所述第一实体和所述第二实体之间的第二实体关系。

本说明书一个或多个实施例中，对于不能通过专家经验的方式确定的潜在关系，需要通过机器学习的方法做推理挖掘。

即先根据所述第一实体、所述第二实体以及所述第一实体关系构建出一个知识图谱，然后根据知识图谱和预先生成的关联模型获得所述第一实体和所述第二实体之间的第二实体关系。

实际使用中，构建所述知识图谱则是构建所述第一实体和所述第二实体的关系网络，其中，所述第一实体和所述第二实体表征关系网络的节点，然后采用随机游走算法对该关系网络中每个节点进行序列采样，并生成节点序列，最后基于某种网络嵌入学习模型将所述节点序列中的每个节点进行向量化表示，然后根据每个节点的向量化表示构建知识图谱。

步骤210：通过所述第一实体、所述第二实体以及所述实体关系对关联模型进行训练，得到所述关联模型，所述关联模型使得所述第一实体和所述第二实体相关联，并输出所述第一实体和所述第二实体的关联度。

本说明书一个或多个实施例中，所述关联模型的输出包括根据所述第一实体输出所述第二实体以及第一关联度或者根据所述第二实体输出所述第一实体以及第二关联度。其中，所述第一关联度和所述第二关联度为所述第一实体对所述第二实体的影响程度和所述第二实体对所述第一实体的影响程度。

本说明书一个或多个实施例中，生成的所述关联模型采用机器学习算法以及专家经验等做合规风险识别，可以智能识别业务的合规风险，并且将可以将外部数据例如监管合规条文信息的结构化以及业务数据例如内部业务发展状态进行量化，再通过知识图谱把量化后的信息进行图关联关系整合，再采用机器学习技术在图结构上进行潜在关系推理，使得根据外部数据、业务数据以及知识图谱的各实体间的关系训练的所述关联模型可以更加全面的识别各个业务的合规风险。

参见图4，本说明书一个或多个实施例提供了一种数据关联方法，包括步骤402至步骤408。

步骤402：获取外部数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻。

步骤404：对所述外部数据进行预处理，并得到所述外部数据对应的条文指标集。

步骤406：根据所述条文指标集进行实体抽取，并得到所述条文指标集对应的第一实体。

步骤408：根据所述第一实体和预先生成的关联模型获得与所述第一实体相关联的业务数据和第一关联度。

本说明书一个或多个实施例中，对于外部数据的获取可以通过爬虫系统获取外部数据。

并且对于所述外部数据的预处理以及所述第一实体的抽取均可参见上述实施例，本说明书对此不再赘述。

本说明书一个或多个实施例中，若所述外部数据包括行业政策变化或处罚案件，则通过所述预先生成的关联模型能识别出对该行业政策变化或处罚案件对哪些公司产品有影响以及影响程度是多少。

本说明书一个或多个实施例中，所述数据关联方法可以基于预先生成的关联模型将所述外部数据相关联的业务数据识别出来，并且可以判断所述外部数据对所述业务数据的影响程度，通过这种系统自动全面分析并识别与所述外部数据相关联的业务数据以及关联度影响程度，效率高并且准确率高。

参见图5，本说明书一个或多个实施例提供了一种数据关联方法，包括步骤502至步骤508。

步骤502：获取业务数据。

步骤504：对所述业务数据进行预处理，并得到所述业务数据对应的业务指标集。

步骤506：根据所述业务指标集进行实体抽取，并得到所述业务指标集对应的第二实体。

步骤508：根据所述第二实体和预先训练的关联模型获得与所述第二实体相关联的外部数据和第二关联度，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻。

本说明书一个或多个实施例中，对于所述业务数据的预处理以及所述第二实体的抽取均可参见上述实施例，本说明书对此不再赘述。

本说明书一个或多个实施例中，若所述业务数据包括某产品时，则当该产品有调整或者增加时，通过所述预先生成的关联模型能够识别出该产品会受哪些外部数据的影响以及影响程度是多少。

本说明书一个或多个实施例中，所述数据关联方法可以基于预先生成的关联模型将对所述业务数据有影响的外部数据识别出来，并且可以判断识别出的外部数据对业务数据的影响程度，通过这种系统自动全面分析并识别与所述业务数据相关联的外部数据以及关联度影响程度，效率高并且准确率高。

参见图6，本说明书一个或多个实施例提供了一种关联模型生成装置，包括：

第一获取模块602，被配置为获取外部数据和业务数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻；

第一预处理模块604，被配置为对所述外部数据和所述业务数据进行预处理，分别得到所述外部数据对应的条文指标集和所述业务数据对应的业务指标集；

第一抽取模块606，被配置为根据所述条文指标集和所述业务指标集进行实体抽取，分别得到所述条文指标集对应的第一实体和所述业务指标集对应的第二实体；

第一确定模块608，被配置为确定所述第一实体和所述第二实体之间的实体关系；

第一训练模块610，被配置为通过所述第一实体、所述第二实体以及所述实体关系对关联模型进行训练，得到所述关联模型，所述关联模型使得所述第一实体和所述第二实体相关联，并输出所述第一实体和所述第二实体的关联度。

可选地，所述第一预处理模块604包括：

第一分析子模块，被配置为采用自然语言处理技术对所述外部数据进行分析，并将分析后的所述外部数据转换成与业务相关的指标，形成所述条文指标集；以及

第一提取子模块，被配置为按照预设条件提取所述业务数据的业务指标，形成所述业务指标集。

可选地，所述第一确定模块608包括：

第一实体关系确定子模块，被配置为确定所述第一实体和所述第二实体之间的第一实体关系；

知识图谱构建子模块，被配置为根据所述第一实体、所述第二实体以及所述第一实体关系构建知识图谱；

第二实体关系确定子模块，被配置为根据知识图谱和预先生成的关联模型获得所述第一实体和所述第二实体之间的第二实体关系。

可选地，所述第一获取模块602还被配置为通过爬虫系统获取外部数据。

本说明书一个或多个实施例中，所述关联模型装置采用普通机器学习算法以及规则等做合规风险识别，可以智能识别业务的合规性，并且通过知识图谱技术把条文信息和业务进行图关联关系整合，再采用机器学习技术在图结构上进行潜在关系推理，可以更加全面的识别各个业务的合规风险。

参见图7，本说明书一个或多个实施例提供了一种数据关联装置，包括：

第二获取模块702，被配置为获取外部数据，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻；

第二预处理模块704，被配置为对所述外部数据进行预处理，并得到所述外部数据对应的条文指标集；

第二抽取模块706，被配置为根据所述条文指标集进行实体抽取，并得到所述条文指标集对应的第一实体；

第一获得模块708，被配置为根据所述第一实体和预先生成的关联模型获得与所述第一实体相关联的业务数据和第一关联度。

可选地，所述第二预处理模块704还被配置为：

采用自然语言处理技术对所述外部数据进行分析，并将分析后的所述外部数据转换成与业务相关的指标，形成所述条文指标集。

可选地，所述第二获取模块702，被配置为通过爬虫系统获取外部数据。

本说明书一个或多个实施例中，所述数据关联装置可以基于预先生成的关联模型将所述外部数据相关联的业务数据识别出来，并且可以判断所述外部数据对所述业务数据的影响程度，通过这种系统自动全面分析并识别与所述外部数据相关联的业务数据以及关联度影响程度，效率高并且准确率高。

参见图8，本说明书一个或多个实施例提供了一种数据关联装置，包括：

第三获取模块802，被配置为获取业务数据；

第三预处理模块804，被配置为对所述业务数据进行预处理，并得到所述业务数据对应的业务指标集；

第三抽取模块806，被配置为根据所述业务指标集进行实体抽取，并得到所述业务指标集对应的第二实体；

第二获得模块808，被配置为根据所述第二实体和预先生成的关联模型获得与所述第二实体相关联的外部数据和第二关联度，其中，所述外部数据包括监管条文、政策法规、案例和/或新闻。

可选地，所述第三预处理模块804，被配置为：

按照预设条件提取所述业务数据的业务指标，形成所述业务指标集。

本说明书一个或多个实施例中，所述数据关联装置可以基于预先生成的关联模型将对所述业务数据有影响的外部数据识别出来，并且可以判断识别出的外部数据对业务数据的影响程度，通过这种系统自动全面分析并识别与所述业务数据相关联的外部数据以及关联度影响程度，效率高并且准确率高。

图9是示出了根据本说明书一实施例的计算设备100的结构框图。该计算设备100的部件包括但不限于存储器110和处理器120。处理器120与存储器110通过总线130相连接，数据库150用于保存数据。

计算设备100还包括接入设备140，接入设备140使得计算设备100能够经由一个或多个网络160通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备140可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。

在本说明书的一个实施例中，计算设备100的上述以及图9中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图9所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备100可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备100还可以是移动式或静止式的服务器。

其中，所述计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现如上所述关联模型生成方法或所述数据关联方法的步骤。

本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现如上所述关联模型生成方法或所述数据关联方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述关联模型生成方法或数据关联方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述关联模型生成方法或数据关联方法的技术方案的描述。

本申请实施例中所述支付涉及的技术载体，例如可以包括近场通信(nearfieldcommunication，nfc)、wifi、3g/4g/5g、pos机刷卡技术、二维码扫码技术、条形码扫码技术、蓝牙、红外、短消息(shortmessageservice，sms)、多媒体消息(multimediamessageservice，mms)等。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。