1.一种资源数据处理方法，其特征在于，所述方法包括：
获取待处理资源数据，将所述待处理资源数据输入到更新资源可信度预测模型中进行预测，得到当前资源可信度，所述更新资源可信度预测模型是将原始资源可信度预测模型进行迭代更新后得到的模型；
从更新资源可信度区间中确定所述当前资源可信度对应的目标资源可信度区间，其中，所述更新资源可信度区间与转换资源可信度存在映射关系，所述转换资源可信度是根据与更新资源可信度区间关联的原始资源可信度区间的区间值确定的，所述更新资源可信度区间的区间划分是根据原始资源可信度的统计分布和更新资源可信度确定的，所述原始资源可信度是将标准资源数据样本输入所述原始资源可信度预测模型得到的，所述更新资源可信度是将所述标准资源数据样本输入所述更新资源可信度预测模型得到的；
根据所述映射关系查找所述目标资源可信度区间对应的目标转换资源可信度；
基于所述目标转换资源可信度与预设转换资源可信度阈值确定所述待处理资源数据对应的资源数据处理结果。
2.根据权利要求1所述的方法，其特征在于，在所述获取待处理资源数据，将所述待处理资源数据输入到更新资源可信度预测模型中进行预测，得到当前资源可信度之前，还包括：
获取所述原始资源可信度预测模型和迭代更新训练样本，所述原始资源可信度预测模型是基于历史训练样本使用深度神经网络训练得到的可信度预测模型，所述历史训练样本包括历史资源数据和对应的历史可信度，所述迭代更新训练样本包括更新资源数据和对应的更新可信度；
将所述更新资源数据作为所述原始资源可信度预测模型的输入，并将所述更新可信度作为所述原始资源可信度预测模型的标签进行训练，当达到预设训练完成条件时，得到所述更新资源可信度预测模型。
3.根据权利要求1所述的方法，其特征在于，在所述获取待处理资源数据，将所述待处理资源数据输入到更新资源可信度预测模型中进行预测，得到当前资源可信度之前，还包括：
获取标准资源数据样本集、所述原始资源可信度预测模型和所述更新资源可信度预测模型；
将所述标准资源数据样本集输入所述原始资源可信度预测模型，得到原始资源可信度集，并将所述标准资源数据样本集输入所述更新资源可信度预测模型中，得到更新资源可信度集；
将所述原始资源可信度集进行区间划分，得到各个原始资源可信度区间，将所述各个原始资源可信度区间的区间值作为所述各个原始资源可信度区间对应的转换资源可信度；
统计所述原始资源可信度集在所述各个原始资源可信度区间的数量分布，基于所述数量分布对所述更新资源可信度集进行区间划分，得到各个更新资源可信度区间；
将所述各个更新资源可信度区间与对应的原始资源可信度区间的转换资源可信度关联保存，得到所述映射关系。
4.根据权利要求3所述的方法，其特征在于，所述将所述原始资源可信度集进行区间划分，得到各个原始资源可信度区间，将所述各个原始资源可信度区间的区间值作为所述各个原始资源可信度区间对应的转换资源可信度，包括：
将所述原始资源可信度集进行排序，得到原始资源可信度序列，将所述原始资源可信度序列进行区间划分，得到所述各个原始资源可信度区间；
将所述各个原始资源可信度区间的区间上限值作为所述各个原始资源可信度区间对应的转换资源可信度。
5.根据权利要求3所述的方法，其特征在于，所述统计所述原始资源可信度集在所述各个原始资源可信度区间的数量分布，基于所述数量分布对所述更新资源可信度集进行区间划分，得到各个更新资源可信度区间，包括：
统计所述各个原始资源可信度区间中原始资源可信度的累积数量，并获取标准资源数据样本的样本总数量，计算所述累积数量和所述样本总数量的比值，得到所述各个原始资源可信度区间的累积数量占比；
将所述更新资源可信度进行排序，得到更新资源可信度序列；
根据所述各个原始资源可信度区间的累积数量占比将所述更新资源可信度序列进行区间划分，得到所述更新资源可信度区间。
6.根据权利要求5所述的方法，其特征在于，所述根据所述各个原始资源可信度区间的累积数量占比将所述更新资源可信度序列进行区间划分，得到所述更新资源可信度区间，包括：
从所述各个原始资源可信度区间确定当前原始资源可信度区间，并获取所述当前原始资源可信度区间的当前累积数量占比；
计算所述当前累积数量占比与所述更新资源可信度序列中更新资源可信度数量的乘积，得到当前更新资源可信度序列；
从所述当前更新资源可信度序列中确定当前更新资源可信度，将所述当前更新资源可信度作为区间上限值，并获取目标更新资源可信度区间的区间上限值作为区间下限值，根据所述区间上限值和所述区间下限值得到所述当前原始资源可信度区间对应的当前更新资源可信度区间。
7.根据权利要求1所述的方法，其特征在于，在所述获取待处理资源数据，将所述待处理资源数据输入到更新资源可信度预测模型中进行预测，得到当前资源可信度之前，还包括：
获取所述更新资源可信度预测模型，将所述原始资源可信度预测模型替换为所述更新资源可信度预测模型，并运行所述更新资源可信度预测模型。
8.根据权利要求1所述的方法，其特征在于，所述待处理资源数据包括用户信用数据、用户行为数据、待过滤消息、待识别图像和待推荐数据中的至少一种。
9.根据权利要求1所述的方法，其特征在于，当所述待处理资源数据为用户行为数据时，所述更新资源可信度预测模型为更新异常行为检测模型，所述映射关系为更新行为异常度区间与转换行为异常度的关系，所述目标资源可信度区间为目标行为异常度区间，所述目标转换资源可信度为目标转换行为异常度；
所述基于所述目标转换资源可信度与预设转换资源可信度阈值确定所述待处理资源数据对应的资源数据处理结果，包括：
当所述目标转换行为异常度超过预设转换行为异常度阈值时，得到所述用户行为数据为异常行为数据。
10.根据权利要求1所述的方法，其特征在于，当所述待处理资源数据包括待识别图像时，所述更新资源可信度预测模型为更新图像物体识别模型，所述映射关系为更新物体置信度区间与转换物体置信度的关系，所述目标资源可信度区间为目标物体置信度区间，所述目标转换资源可信度为目标转换物体置信度；
所述基于所述目标转换资源可信度与预设转换资源可信度阈值确定所述待处理资源数据对应的资源数据处理结果，包括：当所述目标转换物体置信度超过预设物体置信度阈值时，得到所述待识别图像对应的物体标识。
11.一种资源数据处理装置，其特征在于，所述装置包括：
当前可信度得到模块，用于获取待处理资源数据，将所述待处理资源数据输入到更新资源可信度预测模型中进行预测，得到当前资源可信度，所述更新资源可信度预测模型是将原始资源可信度预测模型进行迭代更新后得到的模型；
区间确定模块，用于从更新资源可信度区间中确定所述当前资源可信度对应的目标资源可信度区间；所述更新资源可信度区间与转换资源可信度存在映射关系，其中，所述转换资源可信度是根据与更新资源可信度区间关联的原始资源可信度区间的区间值确定的，所述更新资源可信度区间的区间划分是根据原始资源可信度的统计分布和更新资源可信度确定的，所述原始资源可信度是将标准资源数据样本输入所述原始资源可信度预测模型得到的，所述更新资源可信度是将所述标准资源数据样本输入所述更新资源可信度预测模型得到的；
目标可信度查找模块，用于根据所述映射关系查找所述目标资源可信度区间对应的目标转换资源可信度；
结果确定模块，用于基于所述目标转换资源可信度与预设转换资源可信度阈值确定所述待处理资源数据对应的资源数据处理结果。
12.根据权利要求11所述的装置，其特征在于，所述装置，还包括：
模型获取模块，用于获取所述原始资源可信度预测模型和迭代更新训练样本，所述原始资源可信度预测模型是基于历史训练样本使用深度神经网络训练得到的可信度预测模型，所述历史训练样本包括历史资源数据和对应的历史可信度，所述迭代更新训练样本包括更新资源数据和对应的更新可信度；
迭代更新模块，用于将所述更新资源数据作为所述原始资源可信度预测模型的输入，并将所述更新可信度作为所述原始资源可信度预测模型的标签进行训练，当达到预设训练完成条件时，得到所述更新资源可信度预测模型。
13.根据权利要求11所述的装置，其特征在于，所述装置，还包括：
样本获取模块，用于获取标准资源数据样本集、所述原始资源可信度预测模型和所述更新资源可信度预测模型；
可信度得到模块，用于将所述标准资源数据样本集输入所述原始资源可信度预测模型，得到原始资源可信度集，并将所述标准资源数据样本集输入所述更新资源可信度预测模型中，得到更新资源可信度集；
转换可信度得到模块，用于将所述原始资源可信度集进行区间划分，得到各个原始资源可信度区间，将所述各个原始资源可信度区间的区间值作为所述各个原始资源可信度区间对应的转换资源可信度；
区间得到模块，用于统计所述原始资源可信度集在所述各个原始资源可信度区间的数量分布，基于所述数量分布对所述更新资源可信度集进行区间划分，得到各个更新资源可信度区间；
关联保存模块，用于将所述各个更新资源可信度区间与对应的原始资源可信度区间的转换资源可信度关联保存，得到所述映射关系。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
15.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。