1.本技术涉及人工智能
技术领域：
：，尤其涉及一种基于人工智能的对账方法、装置、电子设备及存储介质。
背景技术：
：：2.随着数字化进程的发展，金融行业涌现出多种第三方交易渠道来为客户提供信贷服务，信贷端系统与第三方渠道系统会定期进行对账以确保账务信息的正确性，随着金融交易量与日俱增，高效快速的进行对账变得尤为重要。3.目前，通常按照账目录入数据库的顺序依次对账目数据中的每一条信息进行核对，然而，这种对账方式效率较为低下。技术实现要素：4.鉴于以上内容，有必要提供一种基于人工智能的对账方法及相关设备，以解决如何提高对账的效率这一技术问题，其中，相关设备包括基于人工智能的对账装置、电子设备及存储介质。5.本技术实施例提供一种基于人工智能的对账方法，包括：6.构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集；7.计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重；8.将所述第一权重输入自定义整合模型获得整合结果以作为账目优先级指标；9.计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重；10.将所述第二权重输入自定义聚合模型获得聚合结果以作为虚拟机优先级指标；11.基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列；12.基于所述账目虚拟机匹配序列运行预设的对账程序以获得对账结果。13.上述基于人工智能的对账方法通过对账目信息分析进而获得了账目优先级指标，并通过分析虚拟机的参数获得了虚拟机优先级指标，进一步基于账目优先级和虚拟机优先级对账目和虚拟机进行排序获得了账目虚拟机匹配序列，该序列中的每个元素用以表征为每个虚拟机分配对账任务的方案，能够为性能较高的虚拟机分配较为重要的对账任务，并利用预设程序自动化的进行对账以获得对账结果，从提升了对账效率。14.在一些实施例中，所述计算所述账目数据集中的每条账目数据的权重数据，所述每条账目数据的权重数据包括时间权重、金额权重和渠道权重包括：15.依据预设的标准化方法计算所述账目数据集中每条账目已存在的时间跨度数据，并对所述时间跨度数据进行归一化后作为时间权重；16.依据预设的标准化方法计算所述账目数据集中每条账目记录的第三方渠道金额数据，并对所述第三方渠道的金额数据进行归一化后作为金额权重；17.分别统计所述账目数据集中每个第三方渠道包含的总金额数据，所述账目数据集包含多个第三方渠道，每个第三方渠道对应多条账目数据；18.基于所述每个第三方渠道包含的总金额数据计算渠道权重。19.如此，通过预设的标准化方法计算了所述账目数据集中每条账目的优先级指标，用以表征每条账目的重要性，为后续对账任务的分配提供了数据支撑，进而能够提升对账的效率。20.在一些实施例中，所述自定义整合模型满足关系式：[0021][0022]其中，ti代表第i个所述账目优先级指标，该指标用以表征第i条账目信息的优先级，该指标值越高则对应的账目越应该被优先处理；ti代表第i个所述时间权重，该权重用以表征第i条账目数据已存在的时间长度；ni代表第i个所述金额权重，该权重用以表征第i条账目数据的金额大小；gi代表第i个账目的渠道权重，该权重用以表征第i条账目数据所述第三方渠道的重要程度；β代表预设的调和常数；e代表自然常数。[0023]如此，通过自定义的整合模型整合了所述时间权重、金额权重和渠道权重，由于所述第一权重中的各项数据可能过大，尤其是金额权重可能达到上亿数量级，因此利用预设的调和常数和自然常数消除了量纲的影响，从而能够提升所述账目优先级指标的准确性。[0024]在一些实施例中，所述计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重包括：[0025]计算所述虚拟机参数数据集中虚拟机的中央处理单元的核心数量和核心频率的第一乘积，将所述第一乘积作为该虚拟机对应的中央处理器性能权重；[0026]计算所述虚拟机参数数据集中一个虚拟机的内存容量与内存频率的第二乘积，将所述第二乘积作为该虚拟机对应的内存性能权重；[0027]依据预设的标准化算法计算所述虚拟机参数数据集中一个虚拟机的归一化传输速度以作为该虚拟机对应的速度权重。[0028]如此，通过计算所述虚拟机的实际物理参数获得了虚拟机的各项性能指标，包括中央处理器性能权重、内存性能权重和速度权重，用以表征虚拟机在数据处理和数据传输方面性能的优劣，为后续合理高效的分配对账任务提供了数据支撑，从而能够提升对账效率。[0029]在一些实施例中，所述将所述第二权重输入自定义的聚合模型获得聚合结果之前，所述方法还包括：[0030]依据所述中央处理器性能权重、内存性能权重和速度权重构建协方差矩阵；[0031]计算所述协方差矩阵的特征值，所述特征值包括中央处理器特征值、内存性能特征值和速度特征值，将所述特征值作为所述中央处理器性能权重、内存性能权重和速度权重的修正权重；[0032]将所述修正权重作为参数构建自定义聚合模型。[0033]如此，通过计算第二权重的特征值以修正所述虚拟机的各项性能权重，避免了由于所述虚拟机的第二权重中各项数据可能存在的浮动和各项性能指标重要性可能不相等而导致的误差，从而能够提升虚拟机性能指标的准确性。[0034]在一些实施例中，所述自定义的聚合模型满足以下关系式：[0035]pi＝tanh[exp(α1)·cpi exp(α2)·mpi exp(α3)·spi][0036]其中，pi代表第i个所述虚拟机优先级指标，tanh代表双曲正切函数，exp代表以自然常数e为底数的指数函数，cpi代表第i个中央处理器性能权重，mpi代表第i个所述内存性能权重，spi代表第i个所述速度权重，α1代表所述中央处理器性能权重的修正权重，α2代表所述内存性能权重的修正权重，α3代表所述速度权重的修正权重。[0037]如此，通过计算所述第二权重的修正权重，并将修正权重作为参数建立了聚合模型，进一步将权重聚合结果作为虚拟机的优先级指标，避免了虚拟机各项参数之间的平权导致的优先级指标误差，从而提升了后续匹配的准确性。[0038]在一些实施例中，所述基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列包括：[0039]基于所述账目优先级指标对所述账目数据集中的账目信息进行排序，账目优先级越高的账目数据排位越靠前，将排序后的账目信息作为账目信息序列；[0040]依据所述虚拟机优先级指标对所述虚拟机参数数据集中的所有虚拟机进行排序，虚拟机优先级指标越高的虚拟机越靠前，并将排序后的虚拟机信息作为虚拟机序列；[0041]分别依次遍历所述账目信息序列和所述虚拟机序列以获取遍历结果，所述遍历结果包括账目遍历结果和虚拟机遍历结果，组合所述遍历结果以获取账目虚拟机匹配序列。[0042]如此，基于账目优先级指标和虚拟机优先级指标分别对账目信息和虚拟机进行了排序并获得了排序后的序列，通过同时遍历两个排序后的序列并将遍历到的结果进行了组合获得了账目虚拟机匹配序列，此序列中的元素定义了虚拟机需要处理的对账任务，能够为性能较优的虚拟机分配重要性较高的账目，从而提升了对账的效率。[0043]本技术实施例还提供一种基于人工智能的对账装置，所述装置包括：[0044]获取单元，用于构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集；[0045]第一计算单元，用于计算所述账目数据集中的每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重；[0046]整合单元，用于将所述第一权重输入自定义整合模型获得整合结果，将所述整合结果作为对应的账目优先级指标；[0047]第二计算单元，用于计算所述虚拟机参数数据集中的每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重；[0048]聚合单元，用于将所述第二权重输入自定义的聚合模型获得聚合结果，将所述聚合结果作为对应的虚拟机优先级指标；[0049]匹配单元，基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列；[0050]对账单元，用于基于所述账目虚拟机匹配序列运行预设的程序以获得对账结果。[0051]本技术实施例还提供一种电子设备，所述设备包括：[0052]存储器，存储计算机可读指令；及[0053]处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的对账方法。[0054]本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的对账方法。附图说明[0055]图1是本技术所涉及的一种基于人工智能的对账方法的较佳实施例的流程图。[0056]图2是本技术所涉及的计算所述账目数据集中每条账目数据的第一权重的较佳实施例的流程图。[0057]图3是本技术所涉及的计算所述虚拟机参数数据集中每个虚拟机的第二权重的较佳实施例的流程图。[0058]图4是本技术所涉及的基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列的较佳实施例的流程图。[0059]图5是本技术所涉及的基于人工智能的对账装置的较佳实施例的功能模块图。[0060]图6是本技术所涉及的基于人工智能的对账方法的较佳实施例的电子设备的结构示意图。[0061]图7是本技术所涉及的所述账目数据集的示意图。[0062]图8是本技术所涉及的所述虚拟机参数数据集的示意图。具体实施方式[0063]为了能够更清楚地理解本技术的目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本技术，所述描述的实施例仅是本技术一部分实施例，而不是全部的实施例。[0064]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。[0065]除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的
技术领域：
：的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。[0066]本技术实施例提供一种基于人工智能的对账方法，可应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。[0067]所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能式穿戴式设备等。[0068]所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloudcomputing)的由大量主机或网络服务器构成的云。[0069]所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。[0070]如图1所示，是本技术基于人工智能的对账方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。[0071]s10，构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集。[0072]该可选的实施例中，所述数据库是依照数据结构来设计、储存和管理数据信息的数据集合，示例性的，本方案所述数据库可以是mariadb数据库，所述mariadb数据库是一种开源的数据库。[0073]该可选的实施例中，所述数据库的功能是存储所述原始数据集。[0074]该可选的实施例中，从所述数据库中获取所述账目数据集的具体方式为，在所述mariadb数据库中运行预设的程序以获取账目数据集，所述预设的程序可以是sql脚本，其形式可以为“select‘table1’from‘database1’”，其中‘table1’代表所述账目数据集，‘database1’代表所述账目数据集所在的数据库，所述账目数据集可以是数据表的形式，其中每行可以代表一条账目信息，其中每列可以代表该账目信息的各项数据，如图7所示为所述账目数据集的示意图。[0075]示例性的，所述账目数据集中的第一列为该账目已存在的时间跨度time、第二列为信贷机构记录的该账目的金额number1、第三列为该账目的第三方渠道名称plant、第四列为第三方渠道记录的该帐目的金额number2，所述信贷机构可以是平安银行，所述第三方渠道可以是微信或支付宝。[0076]该可选的实施例中，获取所述虚拟机参数数据集的具体方式为，在所述mariadb数据库中运行预设的程序以获取所述虚拟机参数数据集，所述预设的程序可以是sql脚本，其形式可以为“select‘table2’from‘database2’”，其中‘table2’代表所述虚拟机参数数据集，‘database2’代表所述虚拟机参数数据集所在的数据库，所述虚拟机的作用是可以在一台电脑上通过软件的方式模拟出来若干台计算机，每台计算机可以运行单独的操作系统而互不干扰，可以实现一台电脑同时运行几个操作系统并相互独立的进行工作，所述虚拟机参数数据集可以是数据表的形式，其中每行可以代表一个虚拟机，其中每列可以代表该虚拟机的各项性能数据，如图8所示为所述虚拟机参数数据集的示意图。[0077]示例性的，所述虚拟机参数数据集中的第一列可以是该虚拟机的代号num、第二列可以是该虚拟机的cpu核心数、第三列为该虚拟机的cpu额定频率freqc、第四列为该虚拟机的内存容量mem、第五列为该虚拟机的内存频率freqm、第六列为该虚拟机的i/o速度s，所述cpu的全称为centralprocessingunit，其含义为中央处理器，其功能是作为计算机系统的运算和控制核心，是信息处理和程序运行的最终执行单元，所述内存是计算机的重要部件之一，也称为内存储器和主存储器，其功能为暂时存放所述cpu中的运算数据、与硬盘等外部存储器交换的数据，所述i/o速度的全称为input/output速度，其含义为所述虚拟机中的数据存储设备的数据输入和输出的速度。[0078]该可选的实施例中，可将所述table1代表的账目数据集和table2代表的虚拟机参数数据集作为所述原始数据集。[0079]如此，通过获得账目数据集和虚拟机参数数据集进行了数据储备，能够为后续高效合理的匹配对账任务和虚拟机提供数据支撑。[0080]s11，计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重。[0081]请参见图2，在一个可选的实施例中，计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重包括：[0082]s111，依据预设的标准化方法计算所述账目数据集中每条账目已存在的时间跨度数据，并对所述时间跨度数据进行归一化后作为时间权重。[0083]该可选的实施例中，所述预设的标准化方法可以是最大化法，其具体实施方式为，记所述原始账目数据集中账目已存在的时间time的最大值为timemax，基于所述timemax计算每条账目信息的时间权重t，其具体计算方式为：[0084][0085]其中，timei代表所述原始账目数据集中的第i条数据的time值，ti代表所述第i条数据的时间权重，ti值越大则代表该账目已存在的时间越长，则该账目对应的优先级应越高。[0086]示例性的，当第1条账目信息已存在了1000秒、timemax值为1200时，则第1条账目信息的时间权重的计算方式为：[0087][0088]则第1条账目信息的时间权重为0.83。[0089]s112，依据预设的标准化方法计算所述账目数据集中每条账目记录的第三方渠道金额数据，并对所述第三方渠道的金额数据进行归一化后作为金额权重。[0090]该可选的实施例中，所述预设的标准化方法可以是最大化法，其具体实施方式为，记所述原始账目数据集中number2的最大值为number2max，基于所述number2max计算每条账目信息的金额权重n，其具体计算方式为：[0091][0092]其中，number2i代表所述原始账目数据集中的第i条数据的number2值，ni代表所述第i条数据的金额权重，ni的值越大则代表该账目的金额越大，则该账目对应的优先级应越高。[0093]示例性的，当第1条账目信息中第三圈渠道金额的值为5000、number2max的值为6000时，则第1条账目信息的金额权重的计算方式为：[0094][0095]则第1条账目信息的金额权重为0.83。[0096]s113，分别统计所述账目数据集中每个第三方渠道包含的总金额数据，所述账目数据集包含多个第三方渠道，每个第三方渠道对应多条账目数据。[0097]该可选的实施例中，所述原始账目数据集中的plant可包含多种渠道名称，示例性的，设渠道名称包括a、b和c，分别计算属于不同渠道的总金额的数量c，以所述渠道a为例，所述渠道a的总金额的计算方式为：[0098]若planti＝a[0099]其中ca代表a渠道的总金额数量，number2i代表第i个账目信息的number2值，planti代表第i个账目信息的渠道名称，基于所述每个渠道总金额的计算方式还可获得渠道b的总金额cb和渠道c的总金额cc，若某一个渠道的总金额越大则代表该渠道在总账目金额中的占比越高，则属于该渠道的账目的优先级应越高。[0100]示例性的，当所述渠道a包含3条账目信息，且其中每条账目信息的第三方渠道金额数分别为6000元、5000元和10000元时，所述渠道a的总金额的计算方式为：[0101]ca＝6000 5000 10000＝21000[0102]则所述渠道a的总金额数量为21000元。[0103]s114，基于所述每个第三方渠道包含的总金额数据计算渠道权重。[0104]该可选的实施例中，可记所述ca、cb和cc中的最大值为cmax，可基于所述cmax计算每条账目信息的渠道权重g，其具体计算方式为：[0105][0106]其中gi代表所述原始账目数据集中第i个账目信息的渠道权重，planti代表所述第i个账目信息的渠道名称，所述gi的值越大则代表该账目所属的渠道的总金额占比越高，则该账目对应的优先级应越高。[0107]示例性的，当所述渠道a的总金额为21000元、所述渠道b的总金额为20000元、所述渠道c的总金额为30000元、所述第1条账目信息的第三方渠道为渠道a时，所述第1条账目信息的渠道权重的计算方式为：[0108][0109]则所述第1条账目信息的渠道权重为0.7。[0110]如此，通过预设的标准化方法计算了所述账目数据集中每条账目的优先级指标，用以表征每条账目的重要性，为后续对账任务的分配提供了数据支撑，进而能够提升对账的效率。[0111]s12，将所述第一权重输入自定义整合模型获得整合结果以作为账目优先级指标。[0112]该可选的实施例中，可将所述每条账目信息的时间权重t、每条账目信息的金额权重n和每条账目信息的渠道权重g输入自定义整合模型以获得整合结果，所述自定义整合模型满足关系式：[0113][0114]其中，ti代表第i个账目信息的第一权重经过整合之后的整合结果，该整合结果的值可以作为第i条账目信息的优先级指标，该指标值越高则对应的账目越应该被优先处理；ti代表第i个所述时间权重，该权重用以表征第i条账目数据已存在的时间长度；ni代表第i个所述金额权重，该权重用以表征第i条账目数据的金额大小；gi代表第i个账目的渠道权重，该权重用以表征第i条账目数据所述第三方渠道的重要程度；β代表预设的调和常数；e代表自然常数。[0115]示例性的，所述预设的调和常数β可以是10，当某一条账目数据的时间权重t＝0.9、所述金额权重n＝0.8、所述渠道权重g＝0.9时，则该账目对应的账目优先级指标的计算方式为：[0116][0117]则该账目对应的账目优先级指标取值为0.9984。[0118]该可选的实施例中，可将所述整合结果ti的值作为所述账目优先级指标。[0119]如此，通过自定义的整合模型整合了所述时间权重、金额权重和渠道权重，由于所述第一权重中的各项数据可能过大，尤其是金额权重可能达到上亿数量级，因此利用预设的调和常数和自然常数消除了量纲的影响，从而能够提升所述账目优先级指标的准确性。[0120]s13，计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重。[0121]请参考图3，在一个可选的实施例中，计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重包括：[0122]s131，计算所述虚拟机参数数据集中虚拟机的中央处理单元的核心数量和核心频率的第一乘积，将所述第一乘积作为该虚拟机对应的中央处理器性能权重。[0123]该可选的实施例中，可基于所述每个虚拟机的cpu核心数量cn和所述cpu额定频率freqc构建中央处理器性能权重cp，其具体计算方法为：[0124]cpi＝cni×freqci[0125]其中cpi代表第i个虚拟机的中央处理器性能权重，cni代表第i个虚拟机的cpu核心数量，freqci代表第i个虚拟机的cpu额定频率，所述cpu的核心数量越多代表该虚拟机的cpu能够同时运行的程序越多，所述cpu的额定频率越高代表该虚拟机的cpu的运算速度越快，则所述cpu的性能指标值越高。[0126]示例性的，当第1台虚拟机的cpu核心数量为4且cpu额定频率为3.5ghz时，所述第1台虚拟机的中央处理器性能权重的计算方式为：[0127]cp1＝cn1×freqc1＝4×3.5＝14[0128]则所述第1台虚拟机的中央处理器性能权重为14。[0129]s132，计算所述虚拟机参数数据集中一个虚拟机的内存容量与内存频率的第二乘积，将所述第二乘积作为该虚拟机对应的内存性能权重；[0130]该可选的实施例中，可基于所述每个虚拟机的内存容量mem和所述内存频率freqm构建内存性能权重mp，其具体计算方法为：[0131]mpi＝memi×freqmi[0132]其中mpi代表所述第i个虚拟机的内存性能权重，memi代表所述第i个虚拟机的内存容量，freqmi代表所述第i个虚拟机的内存频率，所述内存的容量越高代表该虚拟机能够同时运行的程序越多，所述内存的频率越高代表该虚拟机的内存能够更快的传输数据，则所述内存的性能指标越高。[0133]示例性的，当第1台虚拟机的内存容量为8gb且内存频率为3200mhz时，所述第1台虚拟机的内存性能权重的计算方式为：[0134]mp1＝mem1×freqm1＝8×3200＝25600[0135]则所述第1台虚拟机的内存性能权重为25600。[0136]s133，依据预设的标准化算法计算所述虚拟机参数数据集中一个虚拟机的归一化传输速度以作为该虚拟机对应的速度权重。[0137]该可选的实施例中，可记所述虚拟机参数数据集中i/o速度的最大值为smax，基于所述每个虚拟机的i/o速度s和所述smax构建速度权重sp，其具体计算方法为：[0138][0139]其中spi代表所述第i个虚拟机的速度权重，si代表所述第i个虚拟机的i/o速度，所述虚拟机的i/o速度与所述最大i/o速度smax的比值越高代表该虚拟机的数据输出和输入的速度越快，则所述速度权重越高。[0140]示例性的，当第1台虚拟机的i/o速度为10m/s且smax为20m/s时，所诉第1台虚拟机的速度权重的计算方式为：[0141][0142]则所述第1台虚拟机的速度权重为0.5。[0143]如此，通过计算所述虚拟机的实际物理参数获得了虚拟机的各项性能指标，包括中央处理器性能权重、内存性能权重和速度权重，用以表征虚拟机在数据处理和数据传输方面性能的优劣，为后续合理高效的分配对账任务提供了数据支撑，从而能够提升对账效率。[0144]s14，将所述第二权重输入自定义聚合模型获得聚合结果以作为虚拟机优先级指标。[0145]该可选的实施例中，由于所述虚拟机的第二权重中各项数据可能存在浮动，且各项性能指标重要性可能不相等，因此可分别计算所述虚拟机的中央处理器性能权重、内存性能权重和速度权重对应的修正权重，用以修正所述虚拟机的第二权重，以减小误差。[0146]该可选的实施例中，在将所述第二权重输入自定义的聚合模型获得聚合结果之前，所述方法还包括：[0147]依据所述中央处理器性能权重、内存性能权重和速度权重构建协方差矩阵；[0148]计算所述协方差矩阵的特征值，所述特征值包括中央处理器特征值、内存性能特征值和速度特征值，将所述特征值作为所述中央处理器性能权重、内存性能权重和速度权重的修正权重；[0149]将所述修正权重作为参数构建自定义聚合模型。[0150]该可选的实施例中，可依据所述中央处理器的性能权重、内存性能权重和速度权重构建协方差矩阵。可分别计算所述中央处理器的性能权重、内存性能权重和速度权重两两之间的协方差和其中每个权重自身的方差，并将所述协方差作为协方差矩阵从左上至右下的对角线元素，将所述方差作为其余每个位置的元素。[0151]该可选的实施例中，可将所述协方差矩阵记为m，可将所述协方差矩阵m的特征值记为α，由于所述协方差矩阵是基于三个权重构建而得，因此所述特征值α包含三个元素，所述特征值α需满足的条件为|α·i-z|＝0，其中i为内部元素全为1的单位矩阵且i的维度与m相同，由于所述m包含两个维度，因此依据所述条件可获得所述矩阵m的特征值α1、α2和α3，其中α1用以表征所述中央处理器性能权重的修正权重，α2用以表征所述内存性能权重的修正权重，α3用以表征速度权重的修正权重。[0152]该可选的实施例中，可将所述修正权重作为参数构建自定义聚合模型，所述自定义聚合模型满足以下关系式：[0153]pi＝tanh[exp(α1)·cpi exp(α2)·mpi exp(α3)·spi][0154]其中，pi代表所述聚合结果，用以表征第i个虚拟机的优先级指标，所述pi的值越高则表明第i个虚拟机处理数据的效率越高；cpi代表第i个虚拟机的中央处理器性能权重，所述cpi的值越高则表明第i个虚拟机的中央处理器性能越强；mpi代表第i个虚拟机的内存性能权重，所述mpi的值越高则表明第i个虚拟机的内存性能越强；spi代表第i个虚拟机的速度权重，所述spi的值越高则表明第i个虚拟机的数据传输速度越高；α1代表所述中央处理器性能权重的修正权重，所述α1的值越高则表明中央处理器性能权重的重要性越高；α2代表所述内存性能权重的修正权重，所述α2的值越高则表明内存性能权重的重要性越高；α3代表所述速度权重的修正权重，所述α3的值越高则表明速度权重的重要性越高；tanh代表双曲正切函数，用以将所述聚合结果映射到0与1之间以消除量纲的影响；exp代表以自然常数e为底数的指数函数，用以扩大修正权重对于第二权重的修正效果。[0155]该可选的实施例种，可将所述第二权重输入所述自定义聚合模型获得聚合结果以作为虚拟机优先级指标，示例性的，当所述特征值α1＝0.2、α2＝0.3、α3＝0.5时，且第1个虚拟机的各项性能权重为cp1＝14、mp1＝25600、sp1＝0.5时，所述第1个虚拟机的虚拟机优先级指标的计算方式为：[0156]p1＝tanh[exp(0.2)·14 exp(0.3)·25600 exp(0.5)·0.5]＝0.99[0157]则所述第1个虚拟机的虚拟机优先级指标为0.99，用以表征此虚拟机的优先级较高。[0158]该可选的实施例中，可将所述pi代表的聚合结果作为所述虚拟机优先级指标。[0159]如此，通过计算所述第二权重的修正权重，并将修正权重作为参数建立了聚合模型，进一步将权重聚合结果作为虚拟机的优先级指标，避免了虚拟机各项参数之间的平权导致的优先级指标误差，从而提升了后续匹配的准确性。[0160]s15，基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列。[0161]请参见图4，在一个可选的实施例中，基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列包括：[0162]s151，基于所述账目优先级指标对所述账目数据集中的账目信息进行排序，账目优先级越高的账目数据排位越靠前，将排序后的账目信息作为账目信息序列；[0163]该可选的实施例中，可基于所述账目优先级指标t和所述原始账目数据集table1构建账目信息序列data1，其具体实施方式为，基于所述账目优先级指标t对所述原始账目数据集中的所有账目信息进行排序，所述账目优先级t的值最高的账目排在第一位，所述账目优先级t的值越小则该条账目信息的排位越靠后，基于所述排序之后的账目数据集中的number1和number2构建所述账目信息序列data1，所述data1可以为列表的形式，其中每个元素为一个列表，所述每个元素的列表的第一个元素为n1，第二个元素为n2，所述n1代表所述账目数据集中的number1，所述n2代表所述账目数据集中的number2。[0164]示例性的，假设data1具备n个元素，则data1＝{[n11,n21]，[n12,n22]，…，[n1n,n2n]}，其中[n11,n21]代表账目优先级最高的账目信息中的number1的值与number2的值，[n1n,n2n]代表账目优先级最低的账目信息中的number1的值与number2的值。[0165]s152，依据所述虚拟机优先级指标对所述虚拟机参数数据集中的所有虚拟机进行排序，虚拟机优先级指标越高的虚拟机越靠前，并将排序后的虚拟机信息作为虚拟机序列；[0166]该可选的实施例中，可基于所述虚拟机优先级指标p和所述虚拟机参数数据集table2构建虚拟机序列data2，其具体实施方式为，基于所述虚拟机优先级指标p对所述虚拟机参数数据集中的所有虚拟机进行排序，所述虚拟机优先级指标p的值最高的虚拟机排在第一位，所述虚拟机优先级p的值越小则该虚拟机的排位越靠后，基于所述排序之后的虚拟机参数数据集中的虚拟机代号num构建所述虚拟机序列data2，所述data2可以为列表的形式，其中每个元素为一个虚拟机代号num。[0167]示例性的，设data2具备m个元素，则data2＝{num1，num2，…，numm}，其中num1代表虚拟机优先级最高的虚拟机的代号，numm代表虚拟机优先级最低的虚拟机的代号。[0168]s153，分别依次遍历所述账目信息序列和所述虚拟机序列以获取遍历结果，所述遍历结果包括账目遍历结果和虚拟机遍历结果，组合所述遍历结果以获取账目虚拟机匹配序列。[0169]该可选的实施例中，可基于所述data1和data2制定账目虚拟机匹配序列data，所述data的形式可以是列表，所述列表中的每个元素由所述n1、n2和num组成，其具体实施方式为，所述data1的首位与data2的首位进行匹配以组成data的第一个元素，data1的第二位与data2第二位匹配以组成data的第二个元素，直到data2中每个虚拟机都与data1中的某一个虚拟机匹配之后，若data1中仍然有元素未经过匹配，则所述data1剩余元素中具备最高账目优先级的元素重新从data2的第一位元素开始进行匹配，重复所述过程直到data1中所有的元素都与data2中的虚拟机进行匹配完成为止，所述data＝{[numj,n1i,n2i]},j∈[1,m],i∈[1,n]。[0170]示例性的，若所述data中某一个元素包含了编号第一的虚拟机，且该元素中的n1＝5000且n2＝5000，则该元素的形式为：[1,5000,5000]，其含义是将5000和5000核对的对账任务分配给编号1的虚拟机执行。[0171]该可选的实施例中，可将所述data作为所述账目虚拟机匹配序列。[0172]如此，基于账目优先级指标和虚拟机优先级指标分别对账目信息和虚拟机进行了排序并获得了排序后的序列，通过同时遍历两个排序后的序列并将遍历到的结果进行了组合获得了账目虚拟机匹配序列，此序列中的元素定义了虚拟机需要处理的对账任务，能够为性能较优的虚拟机分配重要性较高的账目，从而提升了对账的效率。[0173]s16，基于所述账目虚拟机匹配序列运行预设的对账程序以获得对账结果。[0174]该可选的实施例中，所述预设的程序可以是python代码，其形式可以是“print(a＝＝b)”，其中a代表所述账目实例匹配序列中某一个元素的n1值，b代表该元素的n2值，其功能是输出判断结果r，所述判断结果r的取值包括“yes”和“no”，若n1与n2的值相等，则r的取值为“yes”，否则r的取值为“no”。[0175]该可选的实施例中，可基于所述账目实例匹配序列中的每个元素的num值将同一元素中的n1和n2值输入num对应的实例中并运行所述python代码以获得判断结果r，基于所述每个判断结果r构建对账结果集合r，所述r＝{rj,i},j∈[1,m],i∈[1,n]，其中rj,i代表以优先级排位第i个的账目信息中的n1值和n2值作为所述python代码的输入，并在代号为j的实例中运行所述python代码以获得的判断结果。[0176]该可选的实施例中，可将所述判断结果集合r作为所述对账结果。[0177]上述基于人工智能的对账方法通过对账目信息分析进而获得了账目优先级指标，并通过分析虚拟机的参数获得了虚拟机优先级指标，进一步基于账目优先级和虚拟机优先级对账目和虚拟机进行排序获得了账目虚拟机匹配序列，该序列中的每个元素用以表征为每个虚拟机分配对账任务的方案，能够为性能较高的虚拟机分配较为重要的对账任务，并利用预设程序自动化的进行对账以获得对账结果，从提升了对账效率。[0178]如图5所示，是本技术实施例提供的基于人工智能的对账装置的较佳实施例的功能模块图。基于人工智能的对账装置11包括获取单元110、第一计算单元111、整合单元112、第二计算单元113、聚合单元114、匹配单元115、对账单元116。本技术所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。[0179]在一个可选的实施例中，获取单元110用于构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集。[0180]该可选的实施例中，所述数据库是依照数据结构来设计、储存和管理数据信息的数据集合，示例性的，本方案所述数据库可以是mariadb数据库，所述mariadb数据库是一种开源的数据库。[0181]该可选的实施例中，所述数据库的功能是存储所述原始数据集。[0182]该可选的实施例中，从所述数据库中获取所述账目数据集的具体方式为，在所述mariadb数据库中运行预设的程序以获取账目数据集，所述预设的程序可以是sql脚本，其形式可以为“select‘table1’from‘database1’”，其中‘table1’代表所述账目数据集，‘database1’代表所述账目数据集所在的数据库，所述账目数据集可以是数据表的形式，其中每行可以代表一条账目信息，其中每列可以代表该账目信息的各项数据，如图7所示为所述账目数据集的示意图。[0183]示例性的，所述账目数据集中的第一列为该账目已存在的时间跨度time、第二列为信贷机构记录的该账目的金额number1、第三列为该账目的第三方渠道名称plant、第四列为第三方渠道记录的该帐目的金额number2，所述信贷机构可以是平安银行，所述第三方渠道可以是微信或支付宝。[0184]该可选的实施例中，获取所述虚拟机参数数据集的具体方式为，在所述mariadb数据库中运行预设的程序以获取所述虚拟机参数数据集，所述预设的程序可以是sql脚本，其形式可以为“select‘table2’from‘database2’”，其中‘table2’代表所述虚拟机参数数据集，‘database2’代表所述虚拟机参数数据集所在的数据库，所述虚拟机的作用是可以在一台电脑上通过软件的方式模拟出来若干台计算机，每台计算机可以运行单独的操作系统而互不干扰，可以实现一台电脑同时运行几个操作系统并相互独立的进行工作，所述虚拟机参数数据集可以是数据表的形式，其中每行可以代表一个虚拟机，其中每列可以代表该虚拟机的各项性能数据，如图8所示为所述虚拟机参数数据集的示意图。[0185]示例性的，所述虚拟机参数数据集中的第一列可以是该虚拟机的代号num、第二列可以是该虚拟机的cpu核心数、第三列为该虚拟机的cpu额定频率freqc、第四列为该虚拟机的内存容量mem、第五列为该虚拟机的内存频率freqm、第六列为该虚拟机的i/o速度s，所述cpu的全称为centralprocessingunit，其含义为中央处理器，其功能是作为计算机系统的运算和控制核心，是信息处理和程序运行的最终执行单元，所述内存是计算机的重要部件之一，也称为内存储器和主存储器，其功能为暂时存放所述cpu中的运算数据、与硬盘等外部存储器交换的数据，所述i/o速度的全称为input/output速度，其含义为所述虚拟机中的数据存储设备的数据输入和输出的速度。[0186]该可选的实施例中，可将所述table1代表的账目数据集和table2代表的虚拟机参数数据集作为所述原始数据集。[0187]在一个可选的实施例中，第一计算单元111用于计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重。[0188]该可选的实施例中，计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重包括：[0189]依据预设的标准化方法计算所述账目数据集中每条账目已存在的时间跨度数据，并对所述时间跨度数据进行归一化后作为时间权重；[0190]依据预设的标准化方法计算所述账目数据集中每条账目记录的第三方渠道金额数据，并对所述第三方渠道的金额数据进行归一化后作为金额权重；[0191]分别统计所述账目数据集中每个第三方渠道包含的总金额数据，所述账目数据集包含多个第三方渠道，每个第三方渠道对应多条账目数据。[0192]该可选的实施例中，所述预设的标准化方法可以是最大化法，其具体实施方式为，记所述原始账目数据集中账目已存在的时间time的最大值为timemax，基于所述timemax计算每条账目信息的时间权重t，其具体计算方式为：[0193][0194]其中，timei代表所述原始账目数据集中的第i条数据的time值，ti代表所述第i条数据的时间权重，ti值越大则代表该账目已存在的时间越长，则该账目对应的优先级应越高。[0195]示例性的，当第1条账目信息已存在了1000秒、timemax值为1200时，则第1条账目信息的时间权重的计算方式为：[0196][0197]则第1条账目信息的时间权重为0.83。[0198]该可选的实施例中，所述预设的标准化方法可以是最大化法，其具体实施方式为，记所述原始账目数据集中number2的最大值为number2max，基于所述number2max计算每条账目信息的金额权重n，其具体计算方式为：[0199][0200]其中，number2i代表所述原始账目数据集中的第i条数据的number2值，ni代表所述第i条数据的金额权重，ni的值越大则代表该账目的金额越大，则该账目对应的优先级应越高。[0201]示例性的，当第1条账目信息中第三圈渠道金额的值为5000、number2max的值为6000时，则第1条账目信息的金额权重的计算方式为：[0202][0203]则第1条账目信息的金额权重为0.83。[0204]该可选的实施例中，所述原始账目数据集中的plant可包含多种渠道名称，示例性的，设渠道名称包括a、b和c，分别计算属于不同渠道的总金额的数量c，以所述渠道a为例，所述渠道a的总金额的计算方式为：[0205]若planti＝a[0206]其中ca代表a渠道的总金额数量，number2i代表第i个账目信息的number2值，planti代表第i个账目信息的渠道名称，基于所述每个渠道总金额的计算方式还可获得渠道b的总金额cb和渠道c的总金额cc，若某一个渠道的总金额越大则代表该渠道在总账目金额中的占比越高，则属于该渠道的账目的优先级应越高。[0207]示例性的，当所述渠道a包含3条账目信息，且其中每条账目信息的第三方渠道金额数分别为6000元、5000元和10000元时，所述渠道a的总金额的计算方式为：[0208]ca＝6000 5000 10000＝21000[0209]则所述渠道a的总金额数量为21000元。[0210]该可选的实施例中，可记所述ca、cb和cc中的最大值为cmax，可基于所述cmax计算每条账目信息的渠道权重g，其具体计算方式为：[0211][0212]其中gi代表所述原始账目数据集中第i个账目信息的渠道权重，planti代表所述第i个账目信息的渠道名称，所述gi的值越大则代表该账目所属的渠道的总金额占比越高，则该账目对应的优先级应越高。[0213]示例性的，当所述渠道a的总金额为21000元、所述渠道b的总金额为20000元、所述渠道c的总金额为30000元、所述第1条账目信息的第三方渠道为渠道a时，所述第1条账目信息的渠道权重的计算方式为：[0214][0215]则所述第1条账目信息的渠道权重为0.7。[0216]在一个可选的实施例中，整合单元112用于将所述第一权重输入自定义整合模型获得整合结果以作为账目优先级指标。[0217]该可选的实施例中，可将所述每条账目信息的时间权重t、每条账目信息的金额权重n和每条账目信息的渠道权重g输入自定义整合模型以获得整合结果，所述自定义整合模型满足关系式：[0218][0219]其中，ti代表第i个账目信息的第一权重经过整合之后的整合结果，该整合结果的值可以作为第i条账目信息的优先级指标，该指标值越高则对应的账目越应该被优先处理；ti代表第i个所述时间权重，该权重用以表征第i条账目数据已存在的时间长度；ni代表第i个所述金额权重，该权重用以表征第i条账目数据的金额大小；gi代表第i个账目的渠道权重，该权重用以表征第i条账目数据所述第三方渠道的重要程度；β代表预设的调和常数；e代表自然常数。[0220]示例性的，所述预设的调和常数β可以是10，当某一条账目数据的时间权重t＝0.9、所述金额权重n＝0.8、所述渠道权重g＝0.9时，则该账目对应的账目优先级指标的计算方式为：[0221][0222]则该账目对应的账目优先级指标取值为0.9984。[0223]该可选的实施例中，可将所述ti的值作为所述账目优先级指标。[0224]在一个可选的实施例中，第二计算单元113，用于计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重。[0225]计算所述虚拟机参数数据集中虚拟机的中央处理单元的核心数量和核心频率的第一乘积，将所述第一乘积作为该虚拟机对应的中央处理器性能权重：[0226]计算所述虚拟机参数数据集中一个虚拟机的内存容量与内存频率的第二乘积，将所述第二乘积作为该虚拟机对应的内存性能权重；[0227]依据预设的标准化算法计算所述虚拟机参数数据集中一个虚拟机的归一化传输速度以作为该虚拟机对应的速度权重。[0228]该可选的实施例中，可基于所述每个虚拟机的cpu核心数量cn和所述cpu额定频率freqc构建中央处理器性能权重cp，其具体计算方法为：[0229]cpi＝cni×freqci[0230]其中cpi代表第i个虚拟机的中央处理器性能权重，cni代表第i个虚拟机的cpu核心数量，freqci代表第i个虚拟机的cpu额定频率，所述cpu的核心数量越多代表该虚拟机的cpu能够同时运行的程序越多，所述cpu的额定频率越高代表该虚拟机的cpu的运算速度越快，则所述cpu的性能指标值越高。[0231]示例性的，当第1台虚拟机的cpu核心数量为4且cpu额定频率为3.5ghz时，所述第1台虚拟机的中央处理器性能权重的计算方式为：[0232]cp1＝cn1×freqc1＝4×3.5＝14[0233]则所述第1台虚拟机的中央处理器性能权重为14。[0234]该可选的实施例中，可基于所述每个虚拟机的内存容量mem和所述内存频率freqm构建内存性能权重mp，其具体计算方法为：[0235]mpi＝memi×freqmi[0236]其中mpi代表所述第i个虚拟机的内存性能权重，memi代表所述第i个虚拟机的内存容量，freqmi代表所述第i个虚拟机的内存频率，所述内存的容量越高代表该虚拟机能够同时运行的程序越多，所述内存的频率越高代表该虚拟机的内存能够更快的传输数据，则所述内存的性能指标越高。[0237]示例性的，当第1台虚拟机的内存容量为8gb且内存频率为3200mhz时，所述第1台虚拟机的内存性能权重的计算方式为：[0238]mp1＝mem1×freqm1＝8×3200＝25600[0239]则所述第1台虚拟机的内存性能权重为25600。[0240]该可选的实施例中，可记所述虚拟机参数数据集中i/o速度的最大值为smax，基于所述每个虚拟机的i/o速度s和所述smax构建速度权重sp，其具体计算方法为：[0241][0242]其中spi代表所述第i个虚拟机的速度权重，si代表所述第i个虚拟机的i/o速度，所述虚拟机的i/o速度与所述最大i/o速度smax的比值越高代表该虚拟机的数据输出和输入的速度越快，则所述速度权重越高。[0243]示例性的，当第1台虚拟机的i/o速度为10m/s且smax为20m/s时，所诉第1台虚拟机的速度权重的计算方式为：[0244][0245]则所述第1台虚拟机的速度权重为0.5。[0246]在一个可选的实施例中，聚合单元114用于将所述第二权重输入自定义聚合模型获得聚合结果以作为虚拟机优先级指标。[0247]该可选的实施例中，由于所述虚拟机的第二权重中各项数据可能存在浮动，且各项性能指标重要性可能不相等，因此可分别计算所述虚拟机的中央处理器性能权重、内存性能权重和速度权重对应的修正权重，用以修正所述虚拟机的第二权重，以减小误差。[0248]该可选的实施例中，在将所述第二权重输入自定义的聚合模型获得聚合结果之前，所述方法还包括：[0249]依据所述中央处理器性能权重、内存性能权重和速度权重构建协方差矩阵；[0250]计算所述协方差矩阵的特征值，所述特征值包括中央处理器特征值、内存性能特征值和速度特征值，将所述特征值作为所述中央处理器性能权重、内存性能权重和速度权重的修正权重；[0251]将所述修正权重作为参数构建自定义聚合模型。[0252]该可选的实施例中，可依据所述中央处理器的性能权重、内存性能权重和速度权重构建协方差矩阵。可分别计算所述中央处理器的性能权重、内存性能权重和速度权重两两之间的协方差和其中每个权重自身的方差，并将所述协方差作为协方差矩阵从左上至右下的对角线元素，将所述方差作为其余每个位置的元素。[0253]该可选的实施例中，可将所述协方差矩阵记为m，可将所述协方差矩阵m的特征值记为α，由于所述协方差矩阵是基于三个权重构建而得，因此所述特征值α包含三个元素，所述特征值α需满足的条件为|α·i-z|＝0，其中i为内部元素全为1的单位矩阵且i的维度与m相同，由于所述m包含两个维度，因此依据所述条件可获得所述矩阵m的特征值α1、α2和α3，其中α1用以表征所述中央处理器性能权重的修正权重，α2用以表征所述内存性能权重的修正权重，α3用以表征速度权重的修正权重。[0254]该可选的实施例中，可将所述修正权重作为参数构建自定义聚合模型，所述自定义聚合模型满足以下关系式：[0255]pi＝tanh[exp(α1)·cpi exp(α2)·mpi exp(α3)·spi][0256]其中，pi代表所述聚合结果，用以表征第i个虚拟机的优先级指标，所述pi的值越高则表明第i个虚拟机处理数据的效率越高；cpi代表第i个虚拟机的中央处理器性能权重，所述cpi的值越高则表明第i个虚拟机的中央处理器性能越强；mpi代表第i个虚拟机的内存性能权重，所述mpi的值越高则表明第i个虚拟机的内存性能越强；spi代表第i个虚拟机的速度权重，所述spi的值越高则表明第i个虚拟机的数据传输速度越高；α1代表所述中央处理器性能权重的修正权重，所述α1的值越高则表明中央处理器性能权重的重要性越高；α2代表所述内存性能权重的修正权重，所述α2的值越高则表明内存性能权重的重要性越高；α3代表所述速度权重的修正权重，所述α3的值越高则表明速度权重的重要性越高；tanh代表双曲正切函数，用以将所述聚合结果映射到0与1之间以消除量纲的影响；exp代表以自然常数e为底数的指数函数，用以扩大修正权重对于第二权重的修正效果。[0257]该可选的实施例种，可将所述第二权重输入所述自定义聚合模型获得聚合结果以作为虚拟机优先级指标，示例性的，当所述特征值α1＝0.2、α2＝0.3、α3＝0.5时，且第1个虚拟机的各项性能权重为cp1＝14、mp1＝25600、sp1＝0.5时，所述第1个虚拟机的虚拟机优先级指标的计算方式为：[0258]p1＝tanh[exp(0.2)·14 exp(0.3)·25600 exp(0.5)·0.5]＝0.99[0259]则所述第1个虚拟机的虚拟机优先级指标为0.99，用以表征此虚拟机的优先级较高。[0260]该可选的实施例中，可将所述pi的值作为所述虚拟机优先级指标。[0261]在一个可选的实施例中，匹配单元115用于基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列。[0262]该可选的实施例中，基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列包括：[0263]基于所述账目优先级指标对所述账目数据集中的账目信息进行排序，账目优先级越高的账目数据排位越靠前，将排序后的账目信息作为账目信息序列；[0264]依据所述虚拟机优先级指标对所述虚拟机参数数据集中的所有虚拟机进行排序，虚拟机优先级指标越高的虚拟机越靠前，并将排序后的虚拟机信息作为虚拟机序列；[0265]分别依次遍历所述账目信息序列和所述虚拟机序列以获取遍历结果，所述遍历结果包括账目遍历结果和虚拟机遍历结果，组合所述遍历结果以获取账目虚拟机匹配序列。[0266]该可选的实施例中，可基于所述账目优先级指标t和所述原始账目数据集table1构建账目信息序列data1，其具体实施方式为，基于所述账目优先级指标t对所述原始账目数据集中的所有账目信息进行排序，所述账目优先级t的值最高的账目排在第一位，所述账目优先级t的值越小则该条账目信息的排位越靠后，基于所述排序之后的账目数据集中的number1和number2构建所述账目信息序列data1，所述data1可以为列表的形式，其中每个元素为一个列表，所述每个元素的列表的第一个元素为n1，第二个元素为n2，所述n1代表所述账目数据集中的number1，所述n2代表所述账目数据集中的number2。[0267]示例性的，假设data1具备n个元素，则data1＝{[n11,n21]，[n12,n22]，…，[n1n,n2n]}，其中[n11,n21]代表账目优先级最高的账目信息中的number1的值与number2的值，[n1n,n2n]代表账目优先级最低的账目信息中的number1的值与number2的值。[0268]该可选的实施例中，可基于所述虚拟机优先级指标p和所述虚拟机参数数据集table2构建虚拟机序列data2，其具体实施方式为，基于所述虚拟机优先级指标p对所述虚拟机参数数据集中的所有虚拟机进行排序，所述虚拟机优先级指标p的值最高的虚拟机排在第一位，所述虚拟机优先级p的值越小则该虚拟机的排位越靠后，基于所述排序之后的虚拟机参数数据集中的虚拟机代号num构建所述虚拟机序列data2，所述data2可以为列表的形式，其中每个元素为一个虚拟机代号num。[0269]示例性的，设data2具备m个元素，则data2＝{num1，num2，…，numm}，其中num1代表虚拟机优先级最高的虚拟机的代号，numm代表虚拟机优先级最低的虚拟机的代号。[0270]该可选的实施例中，可基于所述data1和data2制定账目虚拟机匹配序列data，所述data的形式可以是列表，所述列表中的每个元素由所述n1、n2和num组成，其具体实施方式为，所述data1的首位与data2的首位进行匹配以组成data的第一个元素，data1的第二位与data2第二位匹配以组成data的第二个元素，直到data2中每个虚拟机都与data1中的某一个虚拟机匹配之后，若data1中仍然有元素未经过匹配，则所述data1剩余元素中具备最高账目优先级的元素重新从data2的第一位元素开始进行匹配，重复所述过程直到data1中所有的元素都与data2中的虚拟机进行匹配完成为止，所述data＝{[numj,n1i,n2i]},j∈[1,m],i∈[1,n]。[0271]示例性的，若所述data中某一个元素包含了编号第一的虚拟机，且该元素中的n1＝5000且n2＝5000，则该元素的形式为：[1,5000,5000]，其含义是将5000和5000核对的对账任务分配给编号1的虚拟机执行。[0272]该可选的实施例中，可将所述data作为所述账目虚拟机匹配序列。[0273]在一个可选的实施例中，对账单元116用于基于所述账目虚拟机匹配序列运行预设的对账程序以获得对账结果。[0274]该可选的实施例中，所述预设的程序可以是python代码，其形式可以是“print(a＝＝b)”，其中a代表所述账目实例匹配序列中某一个元素的n1值，b代表该元素的n2值，其功能是输出判断结果r，所述判断结果r的取值包括“yes”和“no”，若n1与n2的值相等，则r的取值为“yes”，否则r的取值为“no”。[0275]该可选的实施例中，可基于所述账目实例匹配序列中的每个元素的num值将同一元素中的n1和n2值输入num对应的实例中并运行所述python代码以获得判断结果r，基于所述每个判断结果r构建对账结果集合r，所述r＝{rj,i},j∈[1,m],i∈[1,n]，其中rj,i代表以优先级排位第i个的账目信息中的n1值和n2值作为所述python代码的输入，并在代号为j的实例中运行所述python代码以获得的判断结果。[0276]该可选的实施例中，可将所述判断结果集合r作为所述对账结果。[0277]上述基于人工智能的对账方法通过对账目信息分析进而获得了账目优先级指标，并通过分析虚拟机的参数获得了虚拟机优先级指标，进一步基于账目优先级和虚拟机优先级对账目和虚拟机进行排序获得了账目虚拟机匹配序列，该序列中的每个元素用以表征为每个虚拟机分配对账任务的方案，能够为性能较高的虚拟机分配较为重要的对账任务，并利用预设程序自动化的进行对账以获得对账结果，从提升了对账效率。[0278]如图6所示，是本技术实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的对账方法。[0279]在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的对账程序。[0280]图6仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图6示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。[0281]结合图1，电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的对账方法，处理器13可执行多个指令从而实现：[0282]构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集；[0283]计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重；[0284]将所述第一权重输入自定义整合模型获得整合结果以作为账目优先级指标；[0285]计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重；[0286]将所述第二权重输入自定义聚合模型获得聚合结果以作为虚拟机优先级指标；[0287]基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列；[0288]基于所述账目虚拟机匹配序列运行预设的对账程序以获得对账结果。[0289]具体地，处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。[0290]本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1既可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。[0291]需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。[0292]其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard,smc)、安全数字(securedigital,sd)卡、闪存卡(flashcard)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的对账程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。[0293]处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(controlunit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的对账程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。[0294]处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的对账方法实施例中的步骤，例如图1至图4所示的步骤。[0295]示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器12中，并由处理器13执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、第一计算单元111、整合单元112、第二计算单元113、聚合单元114、匹配单元115、对账单元116。[0296]上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述基于人工智能的对账方法的部分。[0297]电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。[0298]其中，所述计算机程序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)、随机存储器及其他存储器等。[0299]进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。[0300]本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。[0301]总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图6中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。[0302]本技术实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的对账方法。[0303]在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。[0304]所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。[0305]另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。[0306]此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。[0307]最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。当前第1页12当前第1页12
技术领域：
：，尤其涉及一种基于人工智能的对账方法、装置、电子设备及存储介质。
背景技术：
：：2.随着数字化进程的发展，金融行业涌现出多种第三方交易渠道来为客户提供信贷服务，信贷端系统与第三方渠道系统会定期进行对账以确保账务信息的正确性，随着金融交易量与日俱增，高效快速的进行对账变得尤为重要。3.目前，通常按照账目录入数据库的顺序依次对账目数据中的每一条信息进行核对，然而，这种对账方式效率较为低下。技术实现要素：4.鉴于以上内容，有必要提供一种基于人工智能的对账方法及相关设备，以解决如何提高对账的效率这一技术问题，其中，相关设备包括基于人工智能的对账装置、电子设备及存储介质。5.本技术实施例提供一种基于人工智能的对账方法，包括：6.构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集；7.计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重；8.将所述第一权重输入自定义整合模型获得整合结果以作为账目优先级指标；9.计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重；10.将所述第二权重输入自定义聚合模型获得聚合结果以作为虚拟机优先级指标；11.基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列；12.基于所述账目虚拟机匹配序列运行预设的对账程序以获得对账结果。13.上述基于人工智能的对账方法通过对账目信息分析进而获得了账目优先级指标，并通过分析虚拟机的参数获得了虚拟机优先级指标，进一步基于账目优先级和虚拟机优先级对账目和虚拟机进行排序获得了账目虚拟机匹配序列，该序列中的每个元素用以表征为每个虚拟机分配对账任务的方案，能够为性能较高的虚拟机分配较为重要的对账任务，并利用预设程序自动化的进行对账以获得对账结果，从提升了对账效率。14.在一些实施例中，所述计算所述账目数据集中的每条账目数据的权重数据，所述每条账目数据的权重数据包括时间权重、金额权重和渠道权重包括：15.依据预设的标准化方法计算所述账目数据集中每条账目已存在的时间跨度数据，并对所述时间跨度数据进行归一化后作为时间权重；16.依据预设的标准化方法计算所述账目数据集中每条账目记录的第三方渠道金额数据，并对所述第三方渠道的金额数据进行归一化后作为金额权重；17.分别统计所述账目数据集中每个第三方渠道包含的总金额数据，所述账目数据集包含多个第三方渠道，每个第三方渠道对应多条账目数据；18.基于所述每个第三方渠道包含的总金额数据计算渠道权重。19.如此，通过预设的标准化方法计算了所述账目数据集中每条账目的优先级指标，用以表征每条账目的重要性，为后续对账任务的分配提供了数据支撑，进而能够提升对账的效率。20.在一些实施例中，所述自定义整合模型满足关系式：[0021][0022]其中，ti代表第i个所述账目优先级指标，该指标用以表征第i条账目信息的优先级，该指标值越高则对应的账目越应该被优先处理；ti代表第i个所述时间权重，该权重用以表征第i条账目数据已存在的时间长度；ni代表第i个所述金额权重，该权重用以表征第i条账目数据的金额大小；gi代表第i个账目的渠道权重，该权重用以表征第i条账目数据所述第三方渠道的重要程度；β代表预设的调和常数；e代表自然常数。[0023]如此，通过自定义的整合模型整合了所述时间权重、金额权重和渠道权重，由于所述第一权重中的各项数据可能过大，尤其是金额权重可能达到上亿数量级，因此利用预设的调和常数和自然常数消除了量纲的影响，从而能够提升所述账目优先级指标的准确性。[0024]在一些实施例中，所述计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重包括：[0025]计算所述虚拟机参数数据集中虚拟机的中央处理单元的核心数量和核心频率的第一乘积，将所述第一乘积作为该虚拟机对应的中央处理器性能权重；[0026]计算所述虚拟机参数数据集中一个虚拟机的内存容量与内存频率的第二乘积，将所述第二乘积作为该虚拟机对应的内存性能权重；[0027]依据预设的标准化算法计算所述虚拟机参数数据集中一个虚拟机的归一化传输速度以作为该虚拟机对应的速度权重。[0028]如此，通过计算所述虚拟机的实际物理参数获得了虚拟机的各项性能指标，包括中央处理器性能权重、内存性能权重和速度权重，用以表征虚拟机在数据处理和数据传输方面性能的优劣，为后续合理高效的分配对账任务提供了数据支撑，从而能够提升对账效率。[0029]在一些实施例中，所述将所述第二权重输入自定义的聚合模型获得聚合结果之前，所述方法还包括：[0030]依据所述中央处理器性能权重、内存性能权重和速度权重构建协方差矩阵；[0031]计算所述协方差矩阵的特征值，所述特征值包括中央处理器特征值、内存性能特征值和速度特征值，将所述特征值作为所述中央处理器性能权重、内存性能权重和速度权重的修正权重；[0032]将所述修正权重作为参数构建自定义聚合模型。[0033]如此，通过计算第二权重的特征值以修正所述虚拟机的各项性能权重，避免了由于所述虚拟机的第二权重中各项数据可能存在的浮动和各项性能指标重要性可能不相等而导致的误差，从而能够提升虚拟机性能指标的准确性。[0034]在一些实施例中，所述自定义的聚合模型满足以下关系式：[0035]pi＝tanh[exp(α1)·cpi exp(α2)·mpi exp(α3)·spi][0036]其中，pi代表第i个所述虚拟机优先级指标，tanh代表双曲正切函数，exp代表以自然常数e为底数的指数函数，cpi代表第i个中央处理器性能权重，mpi代表第i个所述内存性能权重，spi代表第i个所述速度权重，α1代表所述中央处理器性能权重的修正权重，α2代表所述内存性能权重的修正权重，α3代表所述速度权重的修正权重。[0037]如此，通过计算所述第二权重的修正权重，并将修正权重作为参数建立了聚合模型，进一步将权重聚合结果作为虚拟机的优先级指标，避免了虚拟机各项参数之间的平权导致的优先级指标误差，从而提升了后续匹配的准确性。[0038]在一些实施例中，所述基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列包括：[0039]基于所述账目优先级指标对所述账目数据集中的账目信息进行排序，账目优先级越高的账目数据排位越靠前，将排序后的账目信息作为账目信息序列；[0040]依据所述虚拟机优先级指标对所述虚拟机参数数据集中的所有虚拟机进行排序，虚拟机优先级指标越高的虚拟机越靠前，并将排序后的虚拟机信息作为虚拟机序列；[0041]分别依次遍历所述账目信息序列和所述虚拟机序列以获取遍历结果，所述遍历结果包括账目遍历结果和虚拟机遍历结果，组合所述遍历结果以获取账目虚拟机匹配序列。[0042]如此，基于账目优先级指标和虚拟机优先级指标分别对账目信息和虚拟机进行了排序并获得了排序后的序列，通过同时遍历两个排序后的序列并将遍历到的结果进行了组合获得了账目虚拟机匹配序列，此序列中的元素定义了虚拟机需要处理的对账任务，能够为性能较优的虚拟机分配重要性较高的账目，从而提升了对账的效率。[0043]本技术实施例还提供一种基于人工智能的对账装置，所述装置包括：[0044]获取单元，用于构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集；[0045]第一计算单元，用于计算所述账目数据集中的每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重；[0046]整合单元，用于将所述第一权重输入自定义整合模型获得整合结果，将所述整合结果作为对应的账目优先级指标；[0047]第二计算单元，用于计算所述虚拟机参数数据集中的每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重；[0048]聚合单元，用于将所述第二权重输入自定义的聚合模型获得聚合结果，将所述聚合结果作为对应的虚拟机优先级指标；[0049]匹配单元，基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列；[0050]对账单元，用于基于所述账目虚拟机匹配序列运行预设的程序以获得对账结果。[0051]本技术实施例还提供一种电子设备，所述设备包括：[0052]存储器，存储计算机可读指令；及[0053]处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的对账方法。[0054]本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的对账方法。附图说明[0055]图1是本技术所涉及的一种基于人工智能的对账方法的较佳实施例的流程图。[0056]图2是本技术所涉及的计算所述账目数据集中每条账目数据的第一权重的较佳实施例的流程图。[0057]图3是本技术所涉及的计算所述虚拟机参数数据集中每个虚拟机的第二权重的较佳实施例的流程图。[0058]图4是本技术所涉及的基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列的较佳实施例的流程图。[0059]图5是本技术所涉及的基于人工智能的对账装置的较佳实施例的功能模块图。[0060]图6是本技术所涉及的基于人工智能的对账方法的较佳实施例的电子设备的结构示意图。[0061]图7是本技术所涉及的所述账目数据集的示意图。[0062]图8是本技术所涉及的所述虚拟机参数数据集的示意图。具体实施方式[0063]为了能够更清楚地理解本技术的目的、特征和优点，下面结合附图和具体实施例对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本技术，所述描述的实施例仅是本技术一部分实施例，而不是全部的实施例。[0064]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。[0065]除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的
技术领域：
：的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。[0066]本技术实施例提供一种基于人工智能的对账方法，可应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程门阵列(field－programmablegatearray，fpga)、数字处理器(digitalsignalprocessor，dsp)、嵌入式设备等。[0067]所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personaldigitalassistant，pda)、游戏机、交互式网络电视(internetprotocoltelevision，iptv)、智能式穿戴式设备等。[0068]所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(cloudcomputing)的由大量主机或网络服务器构成的云。[0069]所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtualprivatenetwork，vpn)等。[0070]如图1所示，是本技术基于人工智能的对账方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。[0071]s10，构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集。[0072]该可选的实施例中，所述数据库是依照数据结构来设计、储存和管理数据信息的数据集合，示例性的，本方案所述数据库可以是mariadb数据库，所述mariadb数据库是一种开源的数据库。[0073]该可选的实施例中，所述数据库的功能是存储所述原始数据集。[0074]该可选的实施例中，从所述数据库中获取所述账目数据集的具体方式为，在所述mariadb数据库中运行预设的程序以获取账目数据集，所述预设的程序可以是sql脚本，其形式可以为“select‘table1’from‘database1’”，其中‘table1’代表所述账目数据集，‘database1’代表所述账目数据集所在的数据库，所述账目数据集可以是数据表的形式，其中每行可以代表一条账目信息，其中每列可以代表该账目信息的各项数据，如图7所示为所述账目数据集的示意图。[0075]示例性的，所述账目数据集中的第一列为该账目已存在的时间跨度time、第二列为信贷机构记录的该账目的金额number1、第三列为该账目的第三方渠道名称plant、第四列为第三方渠道记录的该帐目的金额number2，所述信贷机构可以是平安银行，所述第三方渠道可以是微信或支付宝。[0076]该可选的实施例中，获取所述虚拟机参数数据集的具体方式为，在所述mariadb数据库中运行预设的程序以获取所述虚拟机参数数据集，所述预设的程序可以是sql脚本，其形式可以为“select‘table2’from‘database2’”，其中‘table2’代表所述虚拟机参数数据集，‘database2’代表所述虚拟机参数数据集所在的数据库，所述虚拟机的作用是可以在一台电脑上通过软件的方式模拟出来若干台计算机，每台计算机可以运行单独的操作系统而互不干扰，可以实现一台电脑同时运行几个操作系统并相互独立的进行工作，所述虚拟机参数数据集可以是数据表的形式，其中每行可以代表一个虚拟机，其中每列可以代表该虚拟机的各项性能数据，如图8所示为所述虚拟机参数数据集的示意图。[0077]示例性的，所述虚拟机参数数据集中的第一列可以是该虚拟机的代号num、第二列可以是该虚拟机的cpu核心数、第三列为该虚拟机的cpu额定频率freqc、第四列为该虚拟机的内存容量mem、第五列为该虚拟机的内存频率freqm、第六列为该虚拟机的i/o速度s，所述cpu的全称为centralprocessingunit，其含义为中央处理器，其功能是作为计算机系统的运算和控制核心，是信息处理和程序运行的最终执行单元，所述内存是计算机的重要部件之一，也称为内存储器和主存储器，其功能为暂时存放所述cpu中的运算数据、与硬盘等外部存储器交换的数据，所述i/o速度的全称为input/output速度，其含义为所述虚拟机中的数据存储设备的数据输入和输出的速度。[0078]该可选的实施例中，可将所述table1代表的账目数据集和table2代表的虚拟机参数数据集作为所述原始数据集。[0079]如此，通过获得账目数据集和虚拟机参数数据集进行了数据储备，能够为后续高效合理的匹配对账任务和虚拟机提供数据支撑。[0080]s11，计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重。[0081]请参见图2，在一个可选的实施例中，计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重包括：[0082]s111，依据预设的标准化方法计算所述账目数据集中每条账目已存在的时间跨度数据，并对所述时间跨度数据进行归一化后作为时间权重。[0083]该可选的实施例中，所述预设的标准化方法可以是最大化法，其具体实施方式为，记所述原始账目数据集中账目已存在的时间time的最大值为timemax，基于所述timemax计算每条账目信息的时间权重t，其具体计算方式为：[0084][0085]其中，timei代表所述原始账目数据集中的第i条数据的time值，ti代表所述第i条数据的时间权重，ti值越大则代表该账目已存在的时间越长，则该账目对应的优先级应越高。[0086]示例性的，当第1条账目信息已存在了1000秒、timemax值为1200时，则第1条账目信息的时间权重的计算方式为：[0087][0088]则第1条账目信息的时间权重为0.83。[0089]s112，依据预设的标准化方法计算所述账目数据集中每条账目记录的第三方渠道金额数据，并对所述第三方渠道的金额数据进行归一化后作为金额权重。[0090]该可选的实施例中，所述预设的标准化方法可以是最大化法，其具体实施方式为，记所述原始账目数据集中number2的最大值为number2max，基于所述number2max计算每条账目信息的金额权重n，其具体计算方式为：[0091][0092]其中，number2i代表所述原始账目数据集中的第i条数据的number2值，ni代表所述第i条数据的金额权重，ni的值越大则代表该账目的金额越大，则该账目对应的优先级应越高。[0093]示例性的，当第1条账目信息中第三圈渠道金额的值为5000、number2max的值为6000时，则第1条账目信息的金额权重的计算方式为：[0094][0095]则第1条账目信息的金额权重为0.83。[0096]s113，分别统计所述账目数据集中每个第三方渠道包含的总金额数据，所述账目数据集包含多个第三方渠道，每个第三方渠道对应多条账目数据。[0097]该可选的实施例中，所述原始账目数据集中的plant可包含多种渠道名称，示例性的，设渠道名称包括a、b和c，分别计算属于不同渠道的总金额的数量c，以所述渠道a为例，所述渠道a的总金额的计算方式为：[0098]若planti＝a[0099]其中ca代表a渠道的总金额数量，number2i代表第i个账目信息的number2值，planti代表第i个账目信息的渠道名称，基于所述每个渠道总金额的计算方式还可获得渠道b的总金额cb和渠道c的总金额cc，若某一个渠道的总金额越大则代表该渠道在总账目金额中的占比越高，则属于该渠道的账目的优先级应越高。[0100]示例性的，当所述渠道a包含3条账目信息，且其中每条账目信息的第三方渠道金额数分别为6000元、5000元和10000元时，所述渠道a的总金额的计算方式为：[0101]ca＝6000 5000 10000＝21000[0102]则所述渠道a的总金额数量为21000元。[0103]s114，基于所述每个第三方渠道包含的总金额数据计算渠道权重。[0104]该可选的实施例中，可记所述ca、cb和cc中的最大值为cmax，可基于所述cmax计算每条账目信息的渠道权重g，其具体计算方式为：[0105][0106]其中gi代表所述原始账目数据集中第i个账目信息的渠道权重，planti代表所述第i个账目信息的渠道名称，所述gi的值越大则代表该账目所属的渠道的总金额占比越高，则该账目对应的优先级应越高。[0107]示例性的，当所述渠道a的总金额为21000元、所述渠道b的总金额为20000元、所述渠道c的总金额为30000元、所述第1条账目信息的第三方渠道为渠道a时，所述第1条账目信息的渠道权重的计算方式为：[0108][0109]则所述第1条账目信息的渠道权重为0.7。[0110]如此，通过预设的标准化方法计算了所述账目数据集中每条账目的优先级指标，用以表征每条账目的重要性，为后续对账任务的分配提供了数据支撑，进而能够提升对账的效率。[0111]s12，将所述第一权重输入自定义整合模型获得整合结果以作为账目优先级指标。[0112]该可选的实施例中，可将所述每条账目信息的时间权重t、每条账目信息的金额权重n和每条账目信息的渠道权重g输入自定义整合模型以获得整合结果，所述自定义整合模型满足关系式：[0113][0114]其中，ti代表第i个账目信息的第一权重经过整合之后的整合结果，该整合结果的值可以作为第i条账目信息的优先级指标，该指标值越高则对应的账目越应该被优先处理；ti代表第i个所述时间权重，该权重用以表征第i条账目数据已存在的时间长度；ni代表第i个所述金额权重，该权重用以表征第i条账目数据的金额大小；gi代表第i个账目的渠道权重，该权重用以表征第i条账目数据所述第三方渠道的重要程度；β代表预设的调和常数；e代表自然常数。[0115]示例性的，所述预设的调和常数β可以是10，当某一条账目数据的时间权重t＝0.9、所述金额权重n＝0.8、所述渠道权重g＝0.9时，则该账目对应的账目优先级指标的计算方式为：[0116][0117]则该账目对应的账目优先级指标取值为0.9984。[0118]该可选的实施例中，可将所述整合结果ti的值作为所述账目优先级指标。[0119]如此，通过自定义的整合模型整合了所述时间权重、金额权重和渠道权重，由于所述第一权重中的各项数据可能过大，尤其是金额权重可能达到上亿数量级，因此利用预设的调和常数和自然常数消除了量纲的影响，从而能够提升所述账目优先级指标的准确性。[0120]s13，计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重。[0121]请参考图3，在一个可选的实施例中，计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重包括：[0122]s131，计算所述虚拟机参数数据集中虚拟机的中央处理单元的核心数量和核心频率的第一乘积，将所述第一乘积作为该虚拟机对应的中央处理器性能权重。[0123]该可选的实施例中，可基于所述每个虚拟机的cpu核心数量cn和所述cpu额定频率freqc构建中央处理器性能权重cp，其具体计算方法为：[0124]cpi＝cni×freqci[0125]其中cpi代表第i个虚拟机的中央处理器性能权重，cni代表第i个虚拟机的cpu核心数量，freqci代表第i个虚拟机的cpu额定频率，所述cpu的核心数量越多代表该虚拟机的cpu能够同时运行的程序越多，所述cpu的额定频率越高代表该虚拟机的cpu的运算速度越快，则所述cpu的性能指标值越高。[0126]示例性的，当第1台虚拟机的cpu核心数量为4且cpu额定频率为3.5ghz时，所述第1台虚拟机的中央处理器性能权重的计算方式为：[0127]cp1＝cn1×freqc1＝4×3.5＝14[0128]则所述第1台虚拟机的中央处理器性能权重为14。[0129]s132，计算所述虚拟机参数数据集中一个虚拟机的内存容量与内存频率的第二乘积，将所述第二乘积作为该虚拟机对应的内存性能权重；[0130]该可选的实施例中，可基于所述每个虚拟机的内存容量mem和所述内存频率freqm构建内存性能权重mp，其具体计算方法为：[0131]mpi＝memi×freqmi[0132]其中mpi代表所述第i个虚拟机的内存性能权重，memi代表所述第i个虚拟机的内存容量，freqmi代表所述第i个虚拟机的内存频率，所述内存的容量越高代表该虚拟机能够同时运行的程序越多，所述内存的频率越高代表该虚拟机的内存能够更快的传输数据，则所述内存的性能指标越高。[0133]示例性的，当第1台虚拟机的内存容量为8gb且内存频率为3200mhz时，所述第1台虚拟机的内存性能权重的计算方式为：[0134]mp1＝mem1×freqm1＝8×3200＝25600[0135]则所述第1台虚拟机的内存性能权重为25600。[0136]s133，依据预设的标准化算法计算所述虚拟机参数数据集中一个虚拟机的归一化传输速度以作为该虚拟机对应的速度权重。[0137]该可选的实施例中，可记所述虚拟机参数数据集中i/o速度的最大值为smax，基于所述每个虚拟机的i/o速度s和所述smax构建速度权重sp，其具体计算方法为：[0138][0139]其中spi代表所述第i个虚拟机的速度权重，si代表所述第i个虚拟机的i/o速度，所述虚拟机的i/o速度与所述最大i/o速度smax的比值越高代表该虚拟机的数据输出和输入的速度越快，则所述速度权重越高。[0140]示例性的，当第1台虚拟机的i/o速度为10m/s且smax为20m/s时，所诉第1台虚拟机的速度权重的计算方式为：[0141][0142]则所述第1台虚拟机的速度权重为0.5。[0143]如此，通过计算所述虚拟机的实际物理参数获得了虚拟机的各项性能指标，包括中央处理器性能权重、内存性能权重和速度权重，用以表征虚拟机在数据处理和数据传输方面性能的优劣，为后续合理高效的分配对账任务提供了数据支撑，从而能够提升对账效率。[0144]s14，将所述第二权重输入自定义聚合模型获得聚合结果以作为虚拟机优先级指标。[0145]该可选的实施例中，由于所述虚拟机的第二权重中各项数据可能存在浮动，且各项性能指标重要性可能不相等，因此可分别计算所述虚拟机的中央处理器性能权重、内存性能权重和速度权重对应的修正权重，用以修正所述虚拟机的第二权重，以减小误差。[0146]该可选的实施例中，在将所述第二权重输入自定义的聚合模型获得聚合结果之前，所述方法还包括：[0147]依据所述中央处理器性能权重、内存性能权重和速度权重构建协方差矩阵；[0148]计算所述协方差矩阵的特征值，所述特征值包括中央处理器特征值、内存性能特征值和速度特征值，将所述特征值作为所述中央处理器性能权重、内存性能权重和速度权重的修正权重；[0149]将所述修正权重作为参数构建自定义聚合模型。[0150]该可选的实施例中，可依据所述中央处理器的性能权重、内存性能权重和速度权重构建协方差矩阵。可分别计算所述中央处理器的性能权重、内存性能权重和速度权重两两之间的协方差和其中每个权重自身的方差，并将所述协方差作为协方差矩阵从左上至右下的对角线元素，将所述方差作为其余每个位置的元素。[0151]该可选的实施例中，可将所述协方差矩阵记为m，可将所述协方差矩阵m的特征值记为α，由于所述协方差矩阵是基于三个权重构建而得，因此所述特征值α包含三个元素，所述特征值α需满足的条件为|α·i-z|＝0，其中i为内部元素全为1的单位矩阵且i的维度与m相同，由于所述m包含两个维度，因此依据所述条件可获得所述矩阵m的特征值α1、α2和α3，其中α1用以表征所述中央处理器性能权重的修正权重，α2用以表征所述内存性能权重的修正权重，α3用以表征速度权重的修正权重。[0152]该可选的实施例中，可将所述修正权重作为参数构建自定义聚合模型，所述自定义聚合模型满足以下关系式：[0153]pi＝tanh[exp(α1)·cpi exp(α2)·mpi exp(α3)·spi][0154]其中，pi代表所述聚合结果，用以表征第i个虚拟机的优先级指标，所述pi的值越高则表明第i个虚拟机处理数据的效率越高；cpi代表第i个虚拟机的中央处理器性能权重，所述cpi的值越高则表明第i个虚拟机的中央处理器性能越强；mpi代表第i个虚拟机的内存性能权重，所述mpi的值越高则表明第i个虚拟机的内存性能越强；spi代表第i个虚拟机的速度权重，所述spi的值越高则表明第i个虚拟机的数据传输速度越高；α1代表所述中央处理器性能权重的修正权重，所述α1的值越高则表明中央处理器性能权重的重要性越高；α2代表所述内存性能权重的修正权重，所述α2的值越高则表明内存性能权重的重要性越高；α3代表所述速度权重的修正权重，所述α3的值越高则表明速度权重的重要性越高；tanh代表双曲正切函数，用以将所述聚合结果映射到0与1之间以消除量纲的影响；exp代表以自然常数e为底数的指数函数，用以扩大修正权重对于第二权重的修正效果。[0155]该可选的实施例种，可将所述第二权重输入所述自定义聚合模型获得聚合结果以作为虚拟机优先级指标，示例性的，当所述特征值α1＝0.2、α2＝0.3、α3＝0.5时，且第1个虚拟机的各项性能权重为cp1＝14、mp1＝25600、sp1＝0.5时，所述第1个虚拟机的虚拟机优先级指标的计算方式为：[0156]p1＝tanh[exp(0.2)·14 exp(0.3)·25600 exp(0.5)·0.5]＝0.99[0157]则所述第1个虚拟机的虚拟机优先级指标为0.99，用以表征此虚拟机的优先级较高。[0158]该可选的实施例中，可将所述pi代表的聚合结果作为所述虚拟机优先级指标。[0159]如此，通过计算所述第二权重的修正权重，并将修正权重作为参数建立了聚合模型，进一步将权重聚合结果作为虚拟机的优先级指标，避免了虚拟机各项参数之间的平权导致的优先级指标误差，从而提升了后续匹配的准确性。[0160]s15，基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列。[0161]请参见图4，在一个可选的实施例中，基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列包括：[0162]s151，基于所述账目优先级指标对所述账目数据集中的账目信息进行排序，账目优先级越高的账目数据排位越靠前，将排序后的账目信息作为账目信息序列；[0163]该可选的实施例中，可基于所述账目优先级指标t和所述原始账目数据集table1构建账目信息序列data1，其具体实施方式为，基于所述账目优先级指标t对所述原始账目数据集中的所有账目信息进行排序，所述账目优先级t的值最高的账目排在第一位，所述账目优先级t的值越小则该条账目信息的排位越靠后，基于所述排序之后的账目数据集中的number1和number2构建所述账目信息序列data1，所述data1可以为列表的形式，其中每个元素为一个列表，所述每个元素的列表的第一个元素为n1，第二个元素为n2，所述n1代表所述账目数据集中的number1，所述n2代表所述账目数据集中的number2。[0164]示例性的，假设data1具备n个元素，则data1＝{[n11,n21]，[n12,n22]，…，[n1n,n2n]}，其中[n11,n21]代表账目优先级最高的账目信息中的number1的值与number2的值，[n1n,n2n]代表账目优先级最低的账目信息中的number1的值与number2的值。[0165]s152，依据所述虚拟机优先级指标对所述虚拟机参数数据集中的所有虚拟机进行排序，虚拟机优先级指标越高的虚拟机越靠前，并将排序后的虚拟机信息作为虚拟机序列；[0166]该可选的实施例中，可基于所述虚拟机优先级指标p和所述虚拟机参数数据集table2构建虚拟机序列data2，其具体实施方式为，基于所述虚拟机优先级指标p对所述虚拟机参数数据集中的所有虚拟机进行排序，所述虚拟机优先级指标p的值最高的虚拟机排在第一位，所述虚拟机优先级p的值越小则该虚拟机的排位越靠后，基于所述排序之后的虚拟机参数数据集中的虚拟机代号num构建所述虚拟机序列data2，所述data2可以为列表的形式，其中每个元素为一个虚拟机代号num。[0167]示例性的，设data2具备m个元素，则data2＝{num1，num2，…，numm}，其中num1代表虚拟机优先级最高的虚拟机的代号，numm代表虚拟机优先级最低的虚拟机的代号。[0168]s153，分别依次遍历所述账目信息序列和所述虚拟机序列以获取遍历结果，所述遍历结果包括账目遍历结果和虚拟机遍历结果，组合所述遍历结果以获取账目虚拟机匹配序列。[0169]该可选的实施例中，可基于所述data1和data2制定账目虚拟机匹配序列data，所述data的形式可以是列表，所述列表中的每个元素由所述n1、n2和num组成，其具体实施方式为，所述data1的首位与data2的首位进行匹配以组成data的第一个元素，data1的第二位与data2第二位匹配以组成data的第二个元素，直到data2中每个虚拟机都与data1中的某一个虚拟机匹配之后，若data1中仍然有元素未经过匹配，则所述data1剩余元素中具备最高账目优先级的元素重新从data2的第一位元素开始进行匹配，重复所述过程直到data1中所有的元素都与data2中的虚拟机进行匹配完成为止，所述data＝{[numj,n1i,n2i]},j∈[1,m],i∈[1,n]。[0170]示例性的，若所述data中某一个元素包含了编号第一的虚拟机，且该元素中的n1＝5000且n2＝5000，则该元素的形式为：[1,5000,5000]，其含义是将5000和5000核对的对账任务分配给编号1的虚拟机执行。[0171]该可选的实施例中，可将所述data作为所述账目虚拟机匹配序列。[0172]如此，基于账目优先级指标和虚拟机优先级指标分别对账目信息和虚拟机进行了排序并获得了排序后的序列，通过同时遍历两个排序后的序列并将遍历到的结果进行了组合获得了账目虚拟机匹配序列，此序列中的元素定义了虚拟机需要处理的对账任务，能够为性能较优的虚拟机分配重要性较高的账目，从而提升了对账的效率。[0173]s16，基于所述账目虚拟机匹配序列运行预设的对账程序以获得对账结果。[0174]该可选的实施例中，所述预设的程序可以是python代码，其形式可以是“print(a＝＝b)”，其中a代表所述账目实例匹配序列中某一个元素的n1值，b代表该元素的n2值，其功能是输出判断结果r，所述判断结果r的取值包括“yes”和“no”，若n1与n2的值相等，则r的取值为“yes”，否则r的取值为“no”。[0175]该可选的实施例中，可基于所述账目实例匹配序列中的每个元素的num值将同一元素中的n1和n2值输入num对应的实例中并运行所述python代码以获得判断结果r，基于所述每个判断结果r构建对账结果集合r，所述r＝{rj,i},j∈[1,m],i∈[1,n]，其中rj,i代表以优先级排位第i个的账目信息中的n1值和n2值作为所述python代码的输入，并在代号为j的实例中运行所述python代码以获得的判断结果。[0176]该可选的实施例中，可将所述判断结果集合r作为所述对账结果。[0177]上述基于人工智能的对账方法通过对账目信息分析进而获得了账目优先级指标，并通过分析虚拟机的参数获得了虚拟机优先级指标，进一步基于账目优先级和虚拟机优先级对账目和虚拟机进行排序获得了账目虚拟机匹配序列，该序列中的每个元素用以表征为每个虚拟机分配对账任务的方案，能够为性能较高的虚拟机分配较为重要的对账任务，并利用预设程序自动化的进行对账以获得对账结果，从提升了对账效率。[0178]如图5所示，是本技术实施例提供的基于人工智能的对账装置的较佳实施例的功能模块图。基于人工智能的对账装置11包括获取单元110、第一计算单元111、整合单元112、第二计算单元113、聚合单元114、匹配单元115、对账单元116。本技术所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。[0179]在一个可选的实施例中，获取单元110用于构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集。[0180]该可选的实施例中，所述数据库是依照数据结构来设计、储存和管理数据信息的数据集合，示例性的，本方案所述数据库可以是mariadb数据库，所述mariadb数据库是一种开源的数据库。[0181]该可选的实施例中，所述数据库的功能是存储所述原始数据集。[0182]该可选的实施例中，从所述数据库中获取所述账目数据集的具体方式为，在所述mariadb数据库中运行预设的程序以获取账目数据集，所述预设的程序可以是sql脚本，其形式可以为“select‘table1’from‘database1’”，其中‘table1’代表所述账目数据集，‘database1’代表所述账目数据集所在的数据库，所述账目数据集可以是数据表的形式，其中每行可以代表一条账目信息，其中每列可以代表该账目信息的各项数据，如图7所示为所述账目数据集的示意图。[0183]示例性的，所述账目数据集中的第一列为该账目已存在的时间跨度time、第二列为信贷机构记录的该账目的金额number1、第三列为该账目的第三方渠道名称plant、第四列为第三方渠道记录的该帐目的金额number2，所述信贷机构可以是平安银行，所述第三方渠道可以是微信或支付宝。[0184]该可选的实施例中，获取所述虚拟机参数数据集的具体方式为，在所述mariadb数据库中运行预设的程序以获取所述虚拟机参数数据集，所述预设的程序可以是sql脚本，其形式可以为“select‘table2’from‘database2’”，其中‘table2’代表所述虚拟机参数数据集，‘database2’代表所述虚拟机参数数据集所在的数据库，所述虚拟机的作用是可以在一台电脑上通过软件的方式模拟出来若干台计算机，每台计算机可以运行单独的操作系统而互不干扰，可以实现一台电脑同时运行几个操作系统并相互独立的进行工作，所述虚拟机参数数据集可以是数据表的形式，其中每行可以代表一个虚拟机，其中每列可以代表该虚拟机的各项性能数据，如图8所示为所述虚拟机参数数据集的示意图。[0185]示例性的，所述虚拟机参数数据集中的第一列可以是该虚拟机的代号num、第二列可以是该虚拟机的cpu核心数、第三列为该虚拟机的cpu额定频率freqc、第四列为该虚拟机的内存容量mem、第五列为该虚拟机的内存频率freqm、第六列为该虚拟机的i/o速度s，所述cpu的全称为centralprocessingunit，其含义为中央处理器，其功能是作为计算机系统的运算和控制核心，是信息处理和程序运行的最终执行单元，所述内存是计算机的重要部件之一，也称为内存储器和主存储器，其功能为暂时存放所述cpu中的运算数据、与硬盘等外部存储器交换的数据，所述i/o速度的全称为input/output速度，其含义为所述虚拟机中的数据存储设备的数据输入和输出的速度。[0186]该可选的实施例中，可将所述table1代表的账目数据集和table2代表的虚拟机参数数据集作为所述原始数据集。[0187]在一个可选的实施例中，第一计算单元111用于计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重。[0188]该可选的实施例中，计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重包括：[0189]依据预设的标准化方法计算所述账目数据集中每条账目已存在的时间跨度数据，并对所述时间跨度数据进行归一化后作为时间权重；[0190]依据预设的标准化方法计算所述账目数据集中每条账目记录的第三方渠道金额数据，并对所述第三方渠道的金额数据进行归一化后作为金额权重；[0191]分别统计所述账目数据集中每个第三方渠道包含的总金额数据，所述账目数据集包含多个第三方渠道，每个第三方渠道对应多条账目数据。[0192]该可选的实施例中，所述预设的标准化方法可以是最大化法，其具体实施方式为，记所述原始账目数据集中账目已存在的时间time的最大值为timemax，基于所述timemax计算每条账目信息的时间权重t，其具体计算方式为：[0193][0194]其中，timei代表所述原始账目数据集中的第i条数据的time值，ti代表所述第i条数据的时间权重，ti值越大则代表该账目已存在的时间越长，则该账目对应的优先级应越高。[0195]示例性的，当第1条账目信息已存在了1000秒、timemax值为1200时，则第1条账目信息的时间权重的计算方式为：[0196][0197]则第1条账目信息的时间权重为0.83。[0198]该可选的实施例中，所述预设的标准化方法可以是最大化法，其具体实施方式为，记所述原始账目数据集中number2的最大值为number2max，基于所述number2max计算每条账目信息的金额权重n，其具体计算方式为：[0199][0200]其中，number2i代表所述原始账目数据集中的第i条数据的number2值，ni代表所述第i条数据的金额权重，ni的值越大则代表该账目的金额越大，则该账目对应的优先级应越高。[0201]示例性的，当第1条账目信息中第三圈渠道金额的值为5000、number2max的值为6000时，则第1条账目信息的金额权重的计算方式为：[0202][0203]则第1条账目信息的金额权重为0.83。[0204]该可选的实施例中，所述原始账目数据集中的plant可包含多种渠道名称，示例性的，设渠道名称包括a、b和c，分别计算属于不同渠道的总金额的数量c，以所述渠道a为例，所述渠道a的总金额的计算方式为：[0205]若planti＝a[0206]其中ca代表a渠道的总金额数量，number2i代表第i个账目信息的number2值，planti代表第i个账目信息的渠道名称，基于所述每个渠道总金额的计算方式还可获得渠道b的总金额cb和渠道c的总金额cc，若某一个渠道的总金额越大则代表该渠道在总账目金额中的占比越高，则属于该渠道的账目的优先级应越高。[0207]示例性的，当所述渠道a包含3条账目信息，且其中每条账目信息的第三方渠道金额数分别为6000元、5000元和10000元时，所述渠道a的总金额的计算方式为：[0208]ca＝6000 5000 10000＝21000[0209]则所述渠道a的总金额数量为21000元。[0210]该可选的实施例中，可记所述ca、cb和cc中的最大值为cmax，可基于所述cmax计算每条账目信息的渠道权重g，其具体计算方式为：[0211][0212]其中gi代表所述原始账目数据集中第i个账目信息的渠道权重，planti代表所述第i个账目信息的渠道名称，所述gi的值越大则代表该账目所属的渠道的总金额占比越高，则该账目对应的优先级应越高。[0213]示例性的，当所述渠道a的总金额为21000元、所述渠道b的总金额为20000元、所述渠道c的总金额为30000元、所述第1条账目信息的第三方渠道为渠道a时，所述第1条账目信息的渠道权重的计算方式为：[0214][0215]则所述第1条账目信息的渠道权重为0.7。[0216]在一个可选的实施例中，整合单元112用于将所述第一权重输入自定义整合模型获得整合结果以作为账目优先级指标。[0217]该可选的实施例中，可将所述每条账目信息的时间权重t、每条账目信息的金额权重n和每条账目信息的渠道权重g输入自定义整合模型以获得整合结果，所述自定义整合模型满足关系式：[0218][0219]其中，ti代表第i个账目信息的第一权重经过整合之后的整合结果，该整合结果的值可以作为第i条账目信息的优先级指标，该指标值越高则对应的账目越应该被优先处理；ti代表第i个所述时间权重，该权重用以表征第i条账目数据已存在的时间长度；ni代表第i个所述金额权重，该权重用以表征第i条账目数据的金额大小；gi代表第i个账目的渠道权重，该权重用以表征第i条账目数据所述第三方渠道的重要程度；β代表预设的调和常数；e代表自然常数。[0220]示例性的，所述预设的调和常数β可以是10，当某一条账目数据的时间权重t＝0.9、所述金额权重n＝0.8、所述渠道权重g＝0.9时，则该账目对应的账目优先级指标的计算方式为：[0221][0222]则该账目对应的账目优先级指标取值为0.9984。[0223]该可选的实施例中，可将所述ti的值作为所述账目优先级指标。[0224]在一个可选的实施例中，第二计算单元113，用于计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重。[0225]计算所述虚拟机参数数据集中虚拟机的中央处理单元的核心数量和核心频率的第一乘积，将所述第一乘积作为该虚拟机对应的中央处理器性能权重：[0226]计算所述虚拟机参数数据集中一个虚拟机的内存容量与内存频率的第二乘积，将所述第二乘积作为该虚拟机对应的内存性能权重；[0227]依据预设的标准化算法计算所述虚拟机参数数据集中一个虚拟机的归一化传输速度以作为该虚拟机对应的速度权重。[0228]该可选的实施例中，可基于所述每个虚拟机的cpu核心数量cn和所述cpu额定频率freqc构建中央处理器性能权重cp，其具体计算方法为：[0229]cpi＝cni×freqci[0230]其中cpi代表第i个虚拟机的中央处理器性能权重，cni代表第i个虚拟机的cpu核心数量，freqci代表第i个虚拟机的cpu额定频率，所述cpu的核心数量越多代表该虚拟机的cpu能够同时运行的程序越多，所述cpu的额定频率越高代表该虚拟机的cpu的运算速度越快，则所述cpu的性能指标值越高。[0231]示例性的，当第1台虚拟机的cpu核心数量为4且cpu额定频率为3.5ghz时，所述第1台虚拟机的中央处理器性能权重的计算方式为：[0232]cp1＝cn1×freqc1＝4×3.5＝14[0233]则所述第1台虚拟机的中央处理器性能权重为14。[0234]该可选的实施例中，可基于所述每个虚拟机的内存容量mem和所述内存频率freqm构建内存性能权重mp，其具体计算方法为：[0235]mpi＝memi×freqmi[0236]其中mpi代表所述第i个虚拟机的内存性能权重，memi代表所述第i个虚拟机的内存容量，freqmi代表所述第i个虚拟机的内存频率，所述内存的容量越高代表该虚拟机能够同时运行的程序越多，所述内存的频率越高代表该虚拟机的内存能够更快的传输数据，则所述内存的性能指标越高。[0237]示例性的，当第1台虚拟机的内存容量为8gb且内存频率为3200mhz时，所述第1台虚拟机的内存性能权重的计算方式为：[0238]mp1＝mem1×freqm1＝8×3200＝25600[0239]则所述第1台虚拟机的内存性能权重为25600。[0240]该可选的实施例中，可记所述虚拟机参数数据集中i/o速度的最大值为smax，基于所述每个虚拟机的i/o速度s和所述smax构建速度权重sp，其具体计算方法为：[0241][0242]其中spi代表所述第i个虚拟机的速度权重，si代表所述第i个虚拟机的i/o速度，所述虚拟机的i/o速度与所述最大i/o速度smax的比值越高代表该虚拟机的数据输出和输入的速度越快，则所述速度权重越高。[0243]示例性的，当第1台虚拟机的i/o速度为10m/s且smax为20m/s时，所诉第1台虚拟机的速度权重的计算方式为：[0244][0245]则所述第1台虚拟机的速度权重为0.5。[0246]在一个可选的实施例中，聚合单元114用于将所述第二权重输入自定义聚合模型获得聚合结果以作为虚拟机优先级指标。[0247]该可选的实施例中，由于所述虚拟机的第二权重中各项数据可能存在浮动，且各项性能指标重要性可能不相等，因此可分别计算所述虚拟机的中央处理器性能权重、内存性能权重和速度权重对应的修正权重，用以修正所述虚拟机的第二权重，以减小误差。[0248]该可选的实施例中，在将所述第二权重输入自定义的聚合模型获得聚合结果之前，所述方法还包括：[0249]依据所述中央处理器性能权重、内存性能权重和速度权重构建协方差矩阵；[0250]计算所述协方差矩阵的特征值，所述特征值包括中央处理器特征值、内存性能特征值和速度特征值，将所述特征值作为所述中央处理器性能权重、内存性能权重和速度权重的修正权重；[0251]将所述修正权重作为参数构建自定义聚合模型。[0252]该可选的实施例中，可依据所述中央处理器的性能权重、内存性能权重和速度权重构建协方差矩阵。可分别计算所述中央处理器的性能权重、内存性能权重和速度权重两两之间的协方差和其中每个权重自身的方差，并将所述协方差作为协方差矩阵从左上至右下的对角线元素，将所述方差作为其余每个位置的元素。[0253]该可选的实施例中，可将所述协方差矩阵记为m，可将所述协方差矩阵m的特征值记为α，由于所述协方差矩阵是基于三个权重构建而得，因此所述特征值α包含三个元素，所述特征值α需满足的条件为|α·i-z|＝0，其中i为内部元素全为1的单位矩阵且i的维度与m相同，由于所述m包含两个维度，因此依据所述条件可获得所述矩阵m的特征值α1、α2和α3，其中α1用以表征所述中央处理器性能权重的修正权重，α2用以表征所述内存性能权重的修正权重，α3用以表征速度权重的修正权重。[0254]该可选的实施例中，可将所述修正权重作为参数构建自定义聚合模型，所述自定义聚合模型满足以下关系式：[0255]pi＝tanh[exp(α1)·cpi exp(α2)·mpi exp(α3)·spi][0256]其中，pi代表所述聚合结果，用以表征第i个虚拟机的优先级指标，所述pi的值越高则表明第i个虚拟机处理数据的效率越高；cpi代表第i个虚拟机的中央处理器性能权重，所述cpi的值越高则表明第i个虚拟机的中央处理器性能越强；mpi代表第i个虚拟机的内存性能权重，所述mpi的值越高则表明第i个虚拟机的内存性能越强；spi代表第i个虚拟机的速度权重，所述spi的值越高则表明第i个虚拟机的数据传输速度越高；α1代表所述中央处理器性能权重的修正权重，所述α1的值越高则表明中央处理器性能权重的重要性越高；α2代表所述内存性能权重的修正权重，所述α2的值越高则表明内存性能权重的重要性越高；α3代表所述速度权重的修正权重，所述α3的值越高则表明速度权重的重要性越高；tanh代表双曲正切函数，用以将所述聚合结果映射到0与1之间以消除量纲的影响；exp代表以自然常数e为底数的指数函数，用以扩大修正权重对于第二权重的修正效果。[0257]该可选的实施例种，可将所述第二权重输入所述自定义聚合模型获得聚合结果以作为虚拟机优先级指标，示例性的，当所述特征值α1＝0.2、α2＝0.3、α3＝0.5时，且第1个虚拟机的各项性能权重为cp1＝14、mp1＝25600、sp1＝0.5时，所述第1个虚拟机的虚拟机优先级指标的计算方式为：[0258]p1＝tanh[exp(0.2)·14 exp(0.3)·25600 exp(0.5)·0.5]＝0.99[0259]则所述第1个虚拟机的虚拟机优先级指标为0.99，用以表征此虚拟机的优先级较高。[0260]该可选的实施例中，可将所述pi的值作为所述虚拟机优先级指标。[0261]在一个可选的实施例中，匹配单元115用于基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列。[0262]该可选的实施例中，基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列包括：[0263]基于所述账目优先级指标对所述账目数据集中的账目信息进行排序，账目优先级越高的账目数据排位越靠前，将排序后的账目信息作为账目信息序列；[0264]依据所述虚拟机优先级指标对所述虚拟机参数数据集中的所有虚拟机进行排序，虚拟机优先级指标越高的虚拟机越靠前，并将排序后的虚拟机信息作为虚拟机序列；[0265]分别依次遍历所述账目信息序列和所述虚拟机序列以获取遍历结果，所述遍历结果包括账目遍历结果和虚拟机遍历结果，组合所述遍历结果以获取账目虚拟机匹配序列。[0266]该可选的实施例中，可基于所述账目优先级指标t和所述原始账目数据集table1构建账目信息序列data1，其具体实施方式为，基于所述账目优先级指标t对所述原始账目数据集中的所有账目信息进行排序，所述账目优先级t的值最高的账目排在第一位，所述账目优先级t的值越小则该条账目信息的排位越靠后，基于所述排序之后的账目数据集中的number1和number2构建所述账目信息序列data1，所述data1可以为列表的形式，其中每个元素为一个列表，所述每个元素的列表的第一个元素为n1，第二个元素为n2，所述n1代表所述账目数据集中的number1，所述n2代表所述账目数据集中的number2。[0267]示例性的，假设data1具备n个元素，则data1＝{[n11,n21]，[n12,n22]，…，[n1n,n2n]}，其中[n11,n21]代表账目优先级最高的账目信息中的number1的值与number2的值，[n1n,n2n]代表账目优先级最低的账目信息中的number1的值与number2的值。[0268]该可选的实施例中，可基于所述虚拟机优先级指标p和所述虚拟机参数数据集table2构建虚拟机序列data2，其具体实施方式为，基于所述虚拟机优先级指标p对所述虚拟机参数数据集中的所有虚拟机进行排序，所述虚拟机优先级指标p的值最高的虚拟机排在第一位，所述虚拟机优先级p的值越小则该虚拟机的排位越靠后，基于所述排序之后的虚拟机参数数据集中的虚拟机代号num构建所述虚拟机序列data2，所述data2可以为列表的形式，其中每个元素为一个虚拟机代号num。[0269]示例性的，设data2具备m个元素，则data2＝{num1，num2，…，numm}，其中num1代表虚拟机优先级最高的虚拟机的代号，numm代表虚拟机优先级最低的虚拟机的代号。[0270]该可选的实施例中，可基于所述data1和data2制定账目虚拟机匹配序列data，所述data的形式可以是列表，所述列表中的每个元素由所述n1、n2和num组成，其具体实施方式为，所述data1的首位与data2的首位进行匹配以组成data的第一个元素，data1的第二位与data2第二位匹配以组成data的第二个元素，直到data2中每个虚拟机都与data1中的某一个虚拟机匹配之后，若data1中仍然有元素未经过匹配，则所述data1剩余元素中具备最高账目优先级的元素重新从data2的第一位元素开始进行匹配，重复所述过程直到data1中所有的元素都与data2中的虚拟机进行匹配完成为止，所述data＝{[numj,n1i,n2i]},j∈[1,m],i∈[1,n]。[0271]示例性的，若所述data中某一个元素包含了编号第一的虚拟机，且该元素中的n1＝5000且n2＝5000，则该元素的形式为：[1,5000,5000]，其含义是将5000和5000核对的对账任务分配给编号1的虚拟机执行。[0272]该可选的实施例中，可将所述data作为所述账目虚拟机匹配序列。[0273]在一个可选的实施例中，对账单元116用于基于所述账目虚拟机匹配序列运行预设的对账程序以获得对账结果。[0274]该可选的实施例中，所述预设的程序可以是python代码，其形式可以是“print(a＝＝b)”，其中a代表所述账目实例匹配序列中某一个元素的n1值，b代表该元素的n2值，其功能是输出判断结果r，所述判断结果r的取值包括“yes”和“no”，若n1与n2的值相等，则r的取值为“yes”，否则r的取值为“no”。[0275]该可选的实施例中，可基于所述账目实例匹配序列中的每个元素的num值将同一元素中的n1和n2值输入num对应的实例中并运行所述python代码以获得判断结果r，基于所述每个判断结果r构建对账结果集合r，所述r＝{rj,i},j∈[1,m],i∈[1,n]，其中rj,i代表以优先级排位第i个的账目信息中的n1值和n2值作为所述python代码的输入，并在代号为j的实例中运行所述python代码以获得的判断结果。[0276]该可选的实施例中，可将所述判断结果集合r作为所述对账结果。[0277]上述基于人工智能的对账方法通过对账目信息分析进而获得了账目优先级指标，并通过分析虚拟机的参数获得了虚拟机优先级指标，进一步基于账目优先级和虚拟机优先级对账目和虚拟机进行排序获得了账目虚拟机匹配序列，该序列中的每个元素用以表征为每个虚拟机分配对账任务的方案，能够为性能较高的虚拟机分配较为重要的对账任务，并利用预设程序自动化的进行对账以获得对账结果，从提升了对账效率。[0278]如图6所示，是本技术实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的对账方法。[0279]在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的对账程序。[0280]图6仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图6示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。[0281]结合图1，电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的对账方法，处理器13可执行多个指令从而实现：[0282]构建数据库存储原始数据集，所述原始数据集包括账目数据集与虚拟机参数数据集；[0283]计算所述账目数据集中每条账目数据的第一权重，所述第一权重包括时间权重、金额权重和渠道权重；[0284]将所述第一权重输入自定义整合模型获得整合结果以作为账目优先级指标；[0285]计算所述虚拟机参数数据集中每个虚拟机的第二权重，所述第二权重包括中央处理器性能权重、内存权重、速度权重；[0286]将所述第二权重输入自定义聚合模型获得聚合结果以作为虚拟机优先级指标；[0287]基于所述账目优先级指标和虚拟机优先级指标获取账目虚拟机匹配序列；[0288]基于所述账目虚拟机匹配序列运行预设的对账程序以获得对账结果。[0289]具体地，处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。[0290]本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1既可以是总线型结构，也可以是星形结构，电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备1还可以包括输入输出设备、网络接入设备等。[0291]需要说明的是，电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本技术，也应包含在本技术的保护范围以内，并以引用方式包含于此。[0292]其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard,smc)、安全数字(securedigital,sd)卡、闪存卡(flashcard)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的对账程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。[0293]处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备1的控制核心(controlunit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的对账程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。[0294]处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的对账方法实施例中的步骤，例如图1至图4所示的步骤。[0295]示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器12中，并由处理器13执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、第一计算单元111、整合单元112、第二计算单元113、聚合单元114、匹配单元115、对账单元116。[0296]上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本技术各个实施例所述基于人工智能的对账方法的部分。[0297]电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。[0298]其中，所述计算机程序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)、随机存储器及其他存储器等。[0299]进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。[0300]本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。[0301]总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图6中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。[0302]本技术实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的对账方法。[0303]在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。[0304]所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。[0305]另外，在本技术各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。[0306]此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。[0307]最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
