数据交易权限控制方法、装置和设备与流程

1.本发明实施例数据交易技术领域，具体涉及一种数据交易权限控制方法、装置和设备。


背景技术：

2.随着大数据和人工智能的发展，数据交易需求越来越多，交易行为也越来越活跃。目前数据交易平台在会员认证过程中主要是对用户注册时提供的身份资料属性进行认证，将用户划分到既定的等级和分类中，以此开放用户的数据购买使用权限。
3.本技术发明人在研究中发现，随着数据交易的快速发展，更多的中小企业参与到数据交易市场，数据的类型也日益丰富，数据交易用户和数据类型呈现双增长复合化的趋势，相对简单、准入式的用户审查和分类方法已无法满足数据交易平台的安全要求。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种数据交易权限控制方法、装置和设备，解决了现有技术中存在的上述技术问题。
5.根据本发明实施例的一个方面，提供了一种数据交易权限控制方法，包括：
6.获取用户初始信用数据；
7.根据所述用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值；
8.根据所述用户的初始信用评估值确定初始数据交易权限；
9.监测所述用户初始信用数据的变化信息；
10.根据所述变化信息通过预先设置的信用等级预测模型生成用户风险评级；
11.根据所述用户风险评级对所述数据交易权限进行控制。
12.一些实施例中，所述用户初始信用数据包括信用数据权重信息；
13.所述根据用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值，包括：
14.根据所述权重信息对所述用户初始信用数据进行筛选；
15.将筛选后的用户初始信用数据作为样本输入所述随机森林特征模型进行模型训练；
16.通过训练后的随机森林特征模型确定用户的初始信用评估值。
17.一些实施例中，所述用户初始信用数据的变化信息包括：用户初始信用数据的变更和数据访问行为；
18.所述根据变化信息通过预先设置的信用等级预测模型生成用户风险评级，包括：
19.将变更后的用户初始信用数据和数据访问行为数据输入梯度下降树模型进行建模；
20.通过所述训练后的梯度下降树模型生成用户风险评级。
21.一些实施例中，所述对梯度下降树模型进行建模，包括：
22.输入样本数据集和损失函数，其中所述损失函数表示对应类别的损失函数；
23.根据所述输入训练数据集和所述损失函数计算样本点属于每个类别的概率；
24.根据所述样本点属于每个类别的概率确定用户对应类别的用户风险评级。
25.一些实施例中，所述根据用户风险评级对所述数据交易权限进行控制之前，进一步包括：
26.根据所述初始信用评估值和所述用户风险评级构建用户特征数据集；
27.根据所述用户特征数据集以距离最近法进行聚类；
28.当各聚类之间欧式距离均不小于预定阈值时，则输出用户风险分类分级结果。
29.一些实施例中，所述根据用户风险评级对所述数据交易权限进行控制，进一步包括：
30.将所述初始信用评估值、所述用户风险评级和所述用户风险分类分级结果取平均值；
31.将所述平均值作为所述用户的最终信用分类分级结果；
32.根据所述最终信用分类分级结果对所述数据交易权限进行控制。
33.本技术实施例还提供了一种数据交易权限控制装置，包括：
34.用户初始信用数据获取模块：用于获取用户初始信用数据；
35.初始信用评估值确定模块：用于根据所述用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值；
36.初始数据交易权限确定模块：用于根据所述用户的初始信用评估值确定初始数据交易权限；
37.监测模块：用于监测所述用户初始信用数据的变化信息；
38.用户风险等级生成模块：用于根据所述变化信息通过预先设置的信用等级预测模型生成用户风险评级；
39.数据交易权限控制模块：用于根据所述用户风险评级对所述数据交易权限进行控制。
40.一些实施例中，所述装置进一步包括：
41.最终信用分类分级结果确定模块：用于根据所述初始信用评估值和所述用户风险评级构建用户特征数据集，根据所述用户特征数据集以距离最近法进行聚类；当各聚类之间欧式距离均不小于预定阈值时，则输出用户风险分类分级结果；将所述初始信用评估值、所述用户风险评级和所述用户风险分类分级结果取平均值，将所述平均值作为所述用户的最终信用分类分级结果。
42.本技术实施例还提供了一种服务器，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
43.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述实施例中所述的数据交易权限控制方法的操作。
44.本技术实施例还提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在数据交易权限控制装置上运行时，使得数据交易权限控制装置执行上述实施例中所述的数据交易权限控制方法的操作。
45.通过上述实施例提供的数据交易权限控制方法，在基于用户初始信用数据确定用户初始信用评估值的基础上，通过信用等级预测模型，基于用户变化后的初始信用数据，重新对用户的风险进行评测，可以实时根据用户的数据变化和操作行为生成用户风险评级，根据用户风险评级对用户数据交易权限进行控制，使得数据交易权限的控制更加精细化，更能够实时反应用户的真实情况。
46.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
47.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
48.图1示出了本发明实施例提供的一种数据交易权限控制方法流程图；
49.图2示出了本发明实施例提供的初始信用评估值确定流程图；
50.图3示出了本发明实施例提供的用户风险分类分级结果确定方法流程图；
51.图4示出了本发明实施例提供的数据交易权限控装置结构图；
52.图5示出了本发明实施例提供的服务器设备结构图。
具体实施方式
53.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
54.现有技术中，当用户进行数据交易时，需要提交用户主体信用资料到数据交易平台，数据交易平台管理人员对用户主体信用资料进行审核确认后，为用户分配对应的权限，系统根据用户权限对用户的数据交易行为进行管理。一旦为用户分配对应的权限后，除非用户主动提交用户主体信用变更资料，交易平台无法知悉该用户主体的变化，也不会对其交易权限进行任何的更改。而往往用户主体的变化是非常大的，比如：当该主体用户存在违法行为时，或者，存在数据交易违规行为时，需要对其权限进行锁定或者更改，以避免数据被违法使用，现有的数据交易行为控制方式没有办法做到精细化的控制，存在诸多隐患。
55.为了解决现有技术中存在的上述问题，本技术实施例提出了一种数据交易权限控制方法，如图1所示，所述方法包括：
56.步骤101：获取用户初始信用数据；
57.在用户准入时，交易平台会要求用户提供资质类静态资料作为审查评估的依据，包括但不限于：用户住址地区、住址类型、成立日期、行业分类、近3个月法人股东变更人数、地址变更、企业规模、社保缴纳人数、纳税额、连续纳税月数、是否上市公司等数据化指标。
58.上述数据的获取可以要求用户通过数据交易平台直接进行输入，也可以在用户输入主体名称后，交易平台自动同步用户主体名称数据库，从所述用户主体名称数据库中获
取该主体名称相关的静态资料。
59.步骤102：根据所述用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值；
60.将数据交易平台内的所述初始信用数据作为样本，利用随机森林特征模型，构建用户准入资料特征模型，具体的，如图2所示，包括：
61.步骤1021：根据权重信息对所述用户初始信用数据进行筛选；
62.获取所述用户初始信用数据后，根据预先设置的规则，对所述用户初始数据进行初步处理，包括脏数据清理、数据格式整理等，使其符合初步数据处理要求。
63.为了提高数据模型的准确性，需要对用户初始信用数据进行不同权重的划分，有些事项权重高，有些事项权重比较低，交易平台可以事先设置这些事项的权重，自动进行事项匹配。选取数据权重值超过预定阈值的事项数据值，将该部分数据值作为特征指标输入到随机森林特征模型中。
64.通过对用户初始信用数据进行权重的筛选，提高了数据预测的准确性。
65.步骤1022：将筛选后的用户初始信用数据作为样本输入所述随机森林特征模型进行模型训练；
66.其中，所述随机森林特征模型是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定，每棵决策树都是一个分类器，那么对于一个输入样本，n棵树会有n个分类结果，与现有技术中的随机森林特征模型类似，在此不做赘述。
67.步骤1023：通过训练后的随机森林特征模型确定用户的初始信用评估值；
68.根据训练好的随机森林特征模型对新准入的用户进行初始信用评估，确定用户的初始信用评估值。
69.步骤103：根据所述用户的初始信用评估值确定初始数据交易权限；
70.数据交易平台预先设置初始信用评估值与初始数据交易权限之间的映射关系，当获取用户的初始信用评估值时，数据交易平台就自动为该用户匹配相应的初始数据交易权限。
71.步骤104：监测所述用户初始信用数据的变化信息；
72.对于已准入的主体用户，数据交易平台会监测所述用户初始信用数据的变化信息，所述用户初始信用数据的变化信息包括：用户初始信用数据的变更和数据访问行为，将上述变化的信息作为用户风险评级的数据基础。
73.步骤105：根据所述变化信息通过预先设置的信用等级预测模型生成用户风险评级；
74.将变更后的用户初始信用数据和数据访问行为数据输入梯度下降树模型进行建模。通过所述训练后的梯度下降树模型生成用户风险评级。
75.由于行业和类型的差别，用户的资料存在不同程度的缺失情况，因此，采样对数据完整度要求不高的梯度下降树算法进行建模，其基本过程为：
76.假设f(x)代表着学习器的相关函数，则f
t
‑1(x)则代表着上一轮所得出的强学习器，这样一来便可以用l(y,f
t
‑1(x))来表示损失函数，那么最终该算法的目标便是找到弱学习器h
t
(x)进而将损失函数l(y,f
t
‑1(x))＝l(y,f
t
‑1(x) h
t
(x))降到最小。
77.本应用场景下，用户的初始信用评估值和风险分类是离散的样本，输出是不连续
的，无法用直接输出类别去拟合类别输出的误差。因此采用逻辑回归的对数似然损失函数的方法，用类别的预测概率值来拟合损失。
78.算法实现过程如下：
79.输入样本数据集和损失函数，其中损失函数表示该类别的损失函数，设定输入样本数据集为t＝{(x1,y1),(x2,y2),...,(x
n
,y
n
)},损失函数为表示是否属于第k类别，1表示属于该类别，0表示不属于该类别。k＝1,2，
…
,k,表示总的分类类别数。输出分类树为f(x)。
80.(1)初始化：
81.f
k0
(x)＝0,k＝1,2,
…
,k
82.(2)对m＝1,2,
…
,m:
83.(a)计算样本点属于每个类别的概率：
[0084][0085]
(b)对k＝1,2,
…
,k:
[0086]
r
ki
＝y
ki
‑
p
k
(x
i
),i＝1,2,
…
,n
[0087]
对概率伪残差{(x1,r
k1
),...,(x
n
,r
kn
)}拟合一个分类树
[0088][0089][0090]
(3)得到最终的分类树为：
[0091][0092]
根据上述输入训练数据集和所述损失函数计算样本点属于每个类别的概率，得到的f
mk
(x)可以被用来去得到分为第k类的相应的概率p
mk
(x)：
[0093][0094]
根据所述样本点属于每个类别的概率确定用户对应类别的用户风险评级，由于用的是类别的预测概率值和真实概率值的差来拟合损失，所以最后还要将概率转换为类别，如下：
[0095][0096]
为最终的输出类别，c(k,k
′
)为当真实值为k
′
时，预测为第k类时的联合代价，即概率最大的类别即为我们所预测的类别。
[0097]
在此基础上对用户发生风险分类进行划分，分属那个分类的概率大即为哪个分类，不同分类组定义为不同信用等级。
[0098]
步骤106：根据所述用户风险评级对所述数据交易权限进行控制。
[0099]
确定用户初始信用评估值后，进一步监测用户初始信用数据的变化信息，根据变化信息生成用户风险评级，根据更新后的用户风险评级对所述数据交易权限进行控制。
[0100]
通过上述实施例提供的数据交易权限控制方法，在基于用户初始信用数据确定用户初始信用评估值的基础上，通过信用等级预测模型，基于用户变化后的初始信用数据，重新对用户的风险进行评测，可以实时根据用户的数据变化和操作行为生成用户风险评级，根据用户风险评级对用户数据交易权限进行控制，使得数据交易权限的控制更加精细化，更能够实时反应用户的真实情况。
[0101]
更进一步的，本技术实施例还提出了另外一种数据交易权限控制方法，如图3所示，在上述实施例中，实现了基于用户初始信用评估值和用户风险评级对用户数据交易权限进行控制的目的，在本实施例中，针对不同行业、领域的用户数据交易行为，采用用户特征标签化的方式，再利用聚类算法实现用户自然分类匹配权限，具体包括：
[0102]
步骤1061：构建用户特征数据集；
[0103]
基于用户初始信用数据构建用户特征数据集，基于用户的成立时间、营业规模、经营范围、需求描述进行自然语言分词处理，形成标签特征数据集。
[0104]
步骤1062：初始化叶子节点；
[0105]
将上述用户特征数据集带入聚类算法中，初始化叶子节点。
[0106]
步骤1063：合并欧式距离最近的叶子节点；
[0107]
步骤1064：根据所述用户特征数据集以距离最近法进行聚类；
[0108]
步骤1065：判断各聚类之间欧式距离是否都不小于预定阈值；
[0109]
如果各聚类之间的欧式距离均不小于预定阈值，则转步骤1066，否则转步骤1063。
[0110]
步骤1066：输出用户风险分类分级结果。
[0111]
步骤1067：将所述初始信用评估值、所述用户风险评级和所述用户风险分类分级结果取平均值。
[0112]
将上述实施例中确定的初始信用评估值、用户风险评级和用户风险分类分级结果，三者进行综合考虑，将其取值平均。
[0113]
步骤1068：将所述平均值作为所述用户的最终信用分类分级结果。
[0114]
根据所述最终信用分类分级结果对数据交易权限进行控制。
[0115]
由上可知，本技术实施例对于在用户属性信息和行为信息不能完善的情况下，利用初始信用评估值、用户风险评级和用户风险分类分级结果，三者进行综合考虑，将其取值平均，各维度间相互补充，最终形成最终信用分类分级评估结论，避免了单一维度和算法的
缺陷造成信用风险评估的偏向性差异，可以更加全面、适用各阶段用户的信用分类分级，满足系统即时调整数据交易用户的数据权限，一定程度上规避数据交易的安全风险。
[0116]
图4示出了本发明实施例提供的数据交易权限控制装置200的结构示意图。如图4所示，该装置200包括：用户初始信用数据获取模块201、初始信用评估值确定模块202、初始数据交易权限确定模块203、监测模块204、用户风险等级生成模块205和数据交易权限控制模块206；
[0117]
所述用户初始信用数据获取模块201用于获取用户初始信用数据；
[0118]
所述初始信用评估值确定模块202用于根据所述用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值；
[0119]
所述初始数据交易权限确定模块203用于根据所述用户的初始信用评估值确定初始数据交易权限；
[0120]
所述监测模块204用于监测所述用户初始信用数据的变化信息；
[0121]
所述用户风险等级生成模块205用于根据所述变化信息通过预先设置的信用等级预测模型生成用户风险评级；
[0122]
所述数据交易权限控制模块206用于根据所述用户风险评级对所述数据交易权限进行控制。
[0123]
一些实施例中，所述初始信用评估值确定模块202进一步包括：
[0124]
根据所述权重信息对所述用户初始信用数据进行筛选；
[0125]
将筛选后的用户初始信用数据作为样本输入所述随机森林特征模型进行模型训练；
[0126]
通过训练后的随机森林特征模型确定用户的初始信用评估值。
[0127]
一些实施例中，所述所述用户风险等级生成模块205进一步包括：
[0128]
将变更后的用户初始信用数据和数据访问行为数据输入梯度下降树模型进行建模；
[0129]
通过所述训练后的梯度下降树模型生成用户风险评级。
[0130]
一些实施例中，所述所述用户风险等级生成模块205进一步包括：
[0131]
输入样本数据集和损失函数，其中所述损失函数表示对应类别的损失函数；
[0132]
根据所述输入训练数据集和所述损失函数计算样本点属于每个类别的概率；
[0133]
根据所述样本点属于每个类别的概率确定用户对应类别的用户风险评级。
[0134]
一些实施例中，所述装置进一步包括：
[0135]
最终信用分类分级结果确定模块：用于根据所述初始信用评估值和所述用户风险评级构建用户特征数据集，根据所述用户特征数据集以距离最近法进行聚类；当各聚类之间欧式距离均不小于预定阈值时，则输出用户风险分类分级结果；将所述初始信用评估值、所述用户风险评级和所述用户风险分类分级结果取平均值，将所述平均值作为所述用户的最终信用分类分级结果。
[0136]
通过上述实施例提供的数据交易权限控制装置，在基于用户初始信用数据确定用户初始信用评估值的基础上，通过信用等级预测模型，基于用户变化后的初始信用数据，重新对用户的风险进行评测，可以实时根据用户的数据变化和操作行为生成用户风险评级，根据用户风险评级对用户数据交易权限进行控制，使得数据交易权限的控制更加精细化，
更能够实时反应用户的真实情况。
[0137]
本发明实施例提进一步供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的数据交易权限控制方法。
[0138]
可执行指令具体可以用于使得处理器执行以下操作：
[0139]
获取用户初始信用数据；
[0140]
根据所述用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值；
[0141]
根据所述用户的初始信用评估值确定初始数据交易权限；
[0142]
监测所述用户初始信用数据的变化信息；
[0143]
根据所述变化信息通过预先设置的信用等级预测模型生成用户风险评级；
[0144]
根据所述用户风险评级对所述数据交易权限进行控制。
[0145]
一些实施例中，所述用户初始信用数据包括信用数据权重信息；
[0146]
所述根据用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值，包括：
[0147]
根据所述权重信息对所述用户初始信用数据进行筛选；
[0148]
将筛选后的用户初始信用数据作为样本输入所述随机森林特征模型进行模型训练；
[0149]
通过训练后的随机森林特征模型确定用户的初始信用评估值。
[0150]
一些实施例中，所述用户初始信用数据的变化信息包括：用户初始信用数据的变更和数据访问行为；
[0151]
所述根据变化信息通过预先设置的信用等级预测模型生成用户风险评级，包括：
[0152]
将变更后的用户初始信用数据和数据访问行为数据输入梯度下降树模型进行建模；
[0153]
通过所述训练后的梯度下降树模型生成用户风险评级。
[0154]
一些实施例中，所述对梯度下降树模型进行建模，包括：
[0155]
输入样本数据集和损失函数，其中所述损失函数表示对应类别的损失函数；
[0156]
根据所述输入训练数据集和所述损失函数计算样本点属于每个类别的概率；
[0157]
根据所述样本点属于每个类别的概率确定用户对应类别的用户风险评级。
[0158]
一些实施例中，所述根据用户风险评级对所述数据交易权限进行控制之前，进一步包括：
[0159]
根据所述初始信用评估值和所述用户风险评级构建用户特征数据集；
[0160]
根据所述用户特征数据集以距离最近法进行聚类；
[0161]
当各聚类之间欧式距离均不小于预定阈值时，则输出用户风险分类分级结果。
[0162]
一些实施例中，所述根据用户风险评级对所述数据交易权限进行控制，进一步包括：
[0163]
将所述初始信用评估值、所述用户风险评级和所述用户风险分类分级结果取平均值；
[0164]
将所述平均值作为所述用户的最终信用分类分级结果；
[0165]
根据所述最终信用分类分级结果对所述数据交易权限进行控制。
[0166]
上述实施方式，在基于用户初始信用数据确定用户初始信用评估值的基础上，通过信用等级预测模型，基于用户变化后的初始信用数据，重新对用户的风险进行评测，可以实时根据用户的数据变化和操作行为生成用户风险评级，根据用户风险评级对用户数据交易权限进行控制，使得数据交易权限的控制更加精细化，更能够实时反应用户的真实情况。
[0167]
图5示出了本发明提出的服务器的结构示意图，本发明实施例并不对服务器的具体实现做限定。
[0168]
如图5所示，该服务器可以包括：处理器(processor)502、通信接口(communications interface)504、存储器(memory)506、以及通信总线508。
[0169]
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。处理器502，用于执行程序510，具体可以执行上述用于数据交易权限控制方法实施例中的相关步骤。
[0170]
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
[0171]
处理器502可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。所述服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0172]
存储器506，用于存放程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
[0173]
程序510具体可以用于使得处理器502执行以下操作：
[0174]
获取用户初始信用数据；
[0175]
根据所述用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值；
[0176]
根据所述用户的初始信用评估值确定初始数据交易权限；
[0177]
监测所述用户初始信用数据的变化信息；
[0178]
根据所述变化信息通过预先设置的信用等级预测模型生成用户风险评级；
[0179]
根据所述用户风险评级对所述数据交易权限进行控制。
[0180]
一些实施例中，所述用户初始信用数据包括信用数据权重信息；
[0181]
所述根据用户初始信用数据通过预先设置的随机森林特征模型确定用户的初始信用评估值，包括：
[0182]
根据所述权重信息对所述用户初始信用数据进行筛选；
[0183]
将筛选后的用户初始信用数据作为样本输入所述随机森林特征模型进行模型训练；
[0184]
通过训练后的随机森林特征模型确定用户的初始信用评估值。
[0185]
一些实施例中，所述用户初始信用数据的变化信息包括：用户初始信用数据的变更和数据访问行为；
[0186]
所述根据变化信息通过预先设置的信用等级预测模型生成用户风险评级，包括：
[0187]
将变更后的用户初始信用数据和数据访问行为数据输入梯度下降树模型进行建模；
[0188]
通过所述训练后的梯度下降树模型生成用户风险评级。
[0189]
一些实施例中，所述对梯度下降树模型进行建模，包括：
[0190]
输入样本数据集和损失函数，其中所述损失函数表示对应类别的损失函数；
[0191]
根据所述输入训练数据集和所述损失函数计算样本点属于每个类别的概率；
[0192]
根据所述样本点属于每个类别的概率确定用户对应类别的用户风险评级。
[0193]
一些实施例中，所述根据用户风险评级对所述数据交易权限进行控制之前，进一步包括：
[0194]
根据所述初始信用评估值和所述用户风险评级构建用户特征数据集；
[0195]
根据所述用户特征数据集以距离最近法进行聚类；
[0196]
当各聚类之间欧式距离均不小于预定阈值时，则输出用户风险分类分级结果。
[0197]
一些实施例中，所述根据用户风险评级对所述数据交易权限进行控制，进一步包括：
[0198]
将所述初始信用评估值、所述用户风险评级和所述用户风险分类分级结果取平均值；
[0199]
将所述平均值作为所述用户的最终信用分类分级结果；
[0200]
根据所述最终信用分类分级结果对所述数据交易权限进行控制。
[0201]
上述实施方式，在基于用户初始信用数据确定用户初始信用评估值的基础上，通过信用等级预测模型，基于用户变化后的初始信用数据，重新对用户的风险进行评测，可以实时根据用户的数据变化和操作行为生成用户风险评级，根据用户风险评级对用户数据交易权限进行控制，使得数据交易权限的控制更加精细化，更能够实时反应用户的真实情况。
[0202]
本发明实施例还提供了一种计算机程序，用于执行上述实施例的数据交易权限控制方法，具体计算机程序的功能和上述方法完全一致，在这里不再赘述。
[0203]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0204]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0205]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0206]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单
元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0207]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0208]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。