数据资产的检索方法、电子设备及计算机可读存储介质与流程

1.本技术涉及数据管理技术领域，特别是涉及一种数据资产的检索方法、电子设备及计算机可读存储介质。


背景技术：

2.数据是新时代的石油，随着企业数字化转型的铺开，企业对数据依赖持续加强，内部各级人员的数据探索频率也将日渐提升。然而，在茫茫的数据海洋中，如何能够快速的找到自己想要的数据呢？目前业内常规的做法是将数据资产信息存放在例如elasticsearch(一个基于lucene的搜索服务器)的分析引擎中，利用引擎自带的检索功能，实现数据资产的检索，同步在展示端增加一些如库名等限定条件辅助用户定位。此做法较线下通过excel数据字典检索查阅的方式，改进效果明显。但随着数据资产的持续叠加，当检索结果大于3页时，也是不利于用户定位数据资产，尤其对数据系统不了解的用户。


技术实现要素：

3.本技术主要解决的技术问题是提供一种数据资产的检索方法、电子设备及计算机可读存储介质，能够实现在用户检索时智能排序的效果，辅助用户快速定位目标数据资产，提升用户的用数效率。
4.为了解决上述问题，本技术第一方面提供了一种数据资产的检索方法，所述检索方法包括：接收并响应用户的检索指令，确定待检索的数据资产；基于利用极端梯度增强算法模型预设的目标检索参数和所述待检索的数据资产的关键字信息，生成检索语句；其中，所述目标检索参数为对所述待检索的数据资产成为目标数据资产具有预设影响程度的目标资产特征信息；利用所述检索语句对所述待检索的数据资产进行检索，按与所述目标资产特征信息相关的预设顺序输出检索结果。
5.其中，在所述接收并响应用户的检索指令，确定待检索的数据资产的步骤之前，所述检索方法还包括：基于所述用户的历史检索数据，得到若干个样本数据资产；提取所述用户的基本信息和所述样本数据资产的资产信息，作为所述样本数据资产的资产特征标签；利用具有所述资产特征标签的若干个所述样本数据资产对初始的极端梯度增强算法模型中进行训练，得到训练后的极端梯度增强算法模型。
6.其中，在所述利用具有所述资产特征标签的若干个所述样本数据资产对初始的极端梯度增强算法模型中进行训练，得到训练后的极端梯度增强算法模型的步骤之前，包括：根据所述用户与所述样本数据资产的关系生成近度，以及根据与所述用户同组的用户与所述样本数据资产的关系生成相似度，并将所述近度和所述相似度作为所述样本数据资产的资产特征标签。
7.其中，所述利用具有所述资产特征标签的若干个所述样本数据资产对初始的极端梯度增强算法模型中进行训练，得到训练后的极端梯度增强算法模型的步骤，包括：将具有所述资产特征标签的若干个所述样本数据资产分成训练样本和测试样本；将所述训练样本
按照正样本和反样本输入到所述初始的极端梯度增强算法模型；其中，所述正样本为具有是目标数据资产的资产特征标签的样本数据资产，所述反样本为具有否目标数据资产的资产特征标签的样本数据资产；将所述资产特征标签中的是否目标数据资产的值为1的标签作为目标变量，将所述资产特征标签中的其他标签作为所有的特征变量，计算所有的特征变量与所述目标变量之间的影响程度大小；根据所述影响程度大小得到对所述目标变量的影响程度排名最高的预设数量个特征变量；根据所述对所述目标变量的重要程度排名最高的预设数量个特征变量，得到待测试的极端梯度增强算法模型；利用所述测试样本对所述待测试的极端梯度增强算法模型进行性能评估，基于性能评估结果得到训练后的极端梯度增强算法模型。
8.其中，所述利用所述测试样本对所述待测试的极端梯度增强算法模型进行性能评估，基于性能评估结果得到训练后的极端梯度增强算法模型的步骤，包括：利用测试样本，采用10折交叉验证的方式对所述待测试的极端梯度增强算法模型进行测试，得到所述测试样本对应的测试结果；根据所述测试样本对应的测试结果对所述待测试的极端梯度增强算法模型的参数进行调整，得到所述训练后的极端梯度增强算法模型。
9.其中，所述基于利用极端梯度增强算法模型预设的目标检索参数和所述待检索的数据资产的关键字信息，生成检索语句的步骤，包括：利用所述极端梯度增强算法模型，输出所述资产特征信息对所述待检索的数据资产是否是目标数据资产的影响程度权重，基于所述影响程度权重对所述目标检索参数进行预设；所述资产特征信息包括数据资产的资产信息、用户的基本信息以及包含近度和相似度的衍生信息；提取所述待检索的数据资产对应的检索关键字；根据所述检索关键字和所述目标检索参数，生成带有排序条件的检索语句。
10.其中，所述利用所述检索语句对所述待检索的数据资产进行检索，按与所述目标资产特征信息相关的预设顺序输出检索结果的步骤，包括：利用所述检索语句获取到与所述待检索的数据资产相关的检索结果；根据所述检索语句中的排序条件，对所述检索结果按所述与所述目标资产特征信息相关的预设顺序进行排列。
11.其中，所述与所述目标资产特征信息相关的预设顺序是，按所述检索结果中所具有的目标资产特征信息对所述待检索的数据资产是否是目标数据资产的影响程度大小降序。
12.为解决上述问题，本技术第二方面提供了一种电子设备，所述声源方位的定位电子设备包括相互连接的处理器和存储器；所述存储器用于存储程序指令，所述处理器用于执行所述程序指令以实现上述第一方面的数据资产的检索方法。
13.为解决上述问题，本技术第三方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现上述第一方面的数据资产的检索方法。
14.本发明的有益效果是：区别于现有技术的情况，本技术通过极端梯度增强算法模型预设目标检索参数，目标检索参数为对待检索的数据资产成为目标数据资产具有预设影响程度的目标资产特征信息，在接收并响应用户的检索指令后可以确定待检索的数据资产，然后基于预设的目标检索参数和待检索的数据资产的关键字信息，生成检索语句，于是可以利用检索语句对待检索的数据资产进行检索，按与目标资产特征信息相关的预设顺序输出检索结果，可以理解的是，极端梯度增强算法模型预设的目标检索参数表明目标资产
特征信息对是否目标数据资产具有一定的影响程度，因此结合目标检索参数和待检索的数据资产的关键字信息来对检索结果进行排序，可以提高首页命中率，辅助用户快速定位目标数据资产，让用户更快速有效的找到待检索的数据资产，极大程序的提升用户用数效率，加速数据价值挖掘进程，从而赋能企业经营决策。
附图说明
15.图1是本技术数据资产的检索方法一实施例的流程示意图；
16.图2是图1中步骤s12一实施例的流程示意图；
17.图3是图1中步骤s13一实施例的流程示意图；
18.图4是本技术数据资产的检索方法中关于极端梯度增强算法模型的训练方法一实施例的流程示意图；
19.图5是图4中步骤s44一实施例的流程示意图；
20.图6是图5中步骤s446一实施例的流程示意图；
21.图7是本技术一应用场景中数据资产的检索方法的流程示意图；
22.图8是本技术电子设备一实施例的结构示意图；
23.图9是本技术计算机可读存储介质一实施例的结构示意图。
具体实施方式
24.下面结合说明书附图，对本技术实施例的方案进行详细说明。
25.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
26.本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
27.本技术的数据资产的检索方法可以应用于电子设备中，用于实现对数据资产的检索，便于为用户推荐所需要的数据资产。可选的，该电子设备可以是终端设备，也可以是服务器，还可以是数据平台或其他数据资产推荐设备。例如，终端设备可接收用户输入的检索指令，确定待搜索信息，并将待搜索信息发送给服务器，服务器可执行本技术的数据资产的检索方法，并向终端设备的用户按照预设排列顺序推送多个数据资产。又如，服务器可以存储有用户数据、数据资产等信息，终端设备可以从服务器获取这些信息以实现本技术的数据资产的检索方法。可选的，终端设备可以是手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，mid)、可穿戴设备(例如智能手表、智能手环等)或者其他终端。本技术的技术方案可应用于人工智能和/或大数据技术领域，其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。基于人工智能，可实现基于用户输入的数据向用户精准地推送数据资产，从而推动了智慧城市的建设。可选的，本技术涉及的数据可存储于数据库、云平台、区块链节点等，或者也可存储于终端设备中，本技术不作限定。
28.请参阅图1，图1是本技术数据资产的检索方法一实施例的流程示意图。本实施例中的数据资产的检索方法，包括以下步骤：
29.步骤s11：接收并响应用户的检索指令，确定待检索的数据资产。
30.可以理解的是，在接收到并响应用户的检索指令后，可以解析出用户的检索指令所携带的数据检索需求信息，数据检索需求信息中描述有用户需要的数据资产的信息，根据数据检索需求信息可以确定出用户需要检索的数据资产，即待检索的数据资产。
31.在一些实施例中，接收用户的检索指令的方式可以为对用户键入输入框的信息进行读取，确定用户所需要的待检索的数据资产。其中，输入框为终端设备设置的，输入框可以为语音输入框，还可以为文本输入框，此处不作限定。
32.步骤s12：基于利用极端梯度增强算法模型预设的目标检索参数和所述待检索的数据资产的关键字信息，生成检索语句；其中，所述目标检索参数为对所述待检索的数据资产成为目标数据资产具有预设影响程度的目标资产特征信息。
33.本技术中，目标检索参数指的是，由极端梯度增强算法模型输出一个或多个目标资产特征信息，而目标资产特征信息是从所有的资产特征信息中获得的、对一个数据资产是否为目标数据资产具有一定影响程度的资产特征信息，其中，我们将被查询过且申请了访问权限的数据资产视为目标数据资产，资产特征信息可以为数据资产的数据表特征，例如可以包括资产id、资产业务属主、资产开发属主、资产中文描述中的一种或多种。另外，从用户的检索指令中所解析出的数据检索需求信息中，可以包括待检索的数据资产的领域信息或其他特征信息，于是可以获取待检索的数据资产的关键字信息，以根据关键字信息检索到待检索的数据资产。
34.关于检索语句的生成，请结合图2，图2是图1中步骤s12一实施例的流程示意图。在一实施例中，上述步骤s12具体包括：
35.步骤s121：利用所述极端梯度增强算法模型，输出所述资产特征信息对所述待检索的数据资产是否是目标数据资产的影响程度权重，基于所述影响程度权重对所述目标检索参数进行预设；所述资产特征信息包括数据资产的资产信息、用户的基本信息以及包含近度和相似度的衍生信息。
36.步骤s122：提取所述待检索的数据资产对应的检索关键字。
37.步骤s123：根据所述检索关键字和所述目标检索参数，生成带有排序条件的检索语句。
38.可以理解的是，由于待检索的数据资产对应的检索关键字可以决定最终的检索结果，而目标检索参数根据极端梯度增强算法模型所输出的资产特征信息对待检索的数据资产是否是目标数据资产的影响程度权重来确定的，因此，根据目标检索参数可以生成相应的排序条件，以影响最终的检索结果中各数据资产的排列顺序。于是，根据检索关键字和目标检索参数，可以生成带有排序条件的检索语句，检索语句具体可以时sql(结构化查询语言)语句，sql语句中的order by字段可以用于对查询结果进行排序。
39.步骤s13：利用所述检索语句对所述待检索的数据资产进行检索，按与所述目标资产特征信息相关的预设顺序输出检索结果。
40.在利用检索语句对待检索的数据资产进行检索后得到检索结果，并使查询引擎在返回查询结果时按照与目标资产特征信息相关的预设顺序输出检索结果，以达到排序推荐
的效果。
41.请结合图3，图3是图1中步骤s13一实施例的流程示意图。在一实施例中，上述步骤s13具体包括：
42.步骤s131：利用所述检索语句获取到与所述待检索的数据资产相关的检索结果。
43.步骤s132：根据所述检索语句中的排序条件，对所述检索结果按所述与所述目标资产特征信息相关的预设顺序进行排列。
44.可以理解的是，检索语句根据待检索的数据资产对应的检索关键字生成，于是利用检索语句可以检索到与待检索的数据资产相关的检索结果。检索结果中有些数据资产是用户需要的，即是目标数据资产，有些则不是目标数据资产，因此，需要按照检索语句中的排序条件，对检索结果中的各数据资产进行排序，由于检索语句中的排序条件是根据目标检索参数生成的，而目标检索参数为对待检索的数据资产成为目标数据资产具有预设影响程度的目标资产特征信息，于是最终的排序顺序与目标资产特征信息相关。
45.在一实施例中，上述与目标资产特征信息相关的预设顺序可以是，按检索结果中所具有的目标资产特征信息对待检索的数据资产是否是目标数据资产的影响程度大小降序。
46.可以理解的是，目标资产特征信息对待检索的数据资产成为目标数据资产具有预设影响程度，预设影响程度可以设置为影响程度的大小阈值，或者影响程度最大的若干个目标资产特征信息所对应的影响程度设置为预设影响程度；当检索结果中某个数据资产具有目标资产特征信息时，认为其成为目标数据资产的可能性更大，相对于其他数据资产来说所更有可能是用户需要的，因此，将具有目标资产特征信息的数据资产排列在前面，可以提高首页命中率，辅助用户快速定位目标数据资产；而当检索结果中多个数据资产具有目标资产特征信息时，也需要对这些数据资产进行排序，此时可以考虑每个数据资产所具有的目标资产特征信息对待检索的数据资产是否是目标数据资产的影响程度大小，将影响程度大的排列在前面，影响程度小的排列在后面，即按检索结果中所具有的目标资产特征信息对待检索的数据资产是否是目标数据资产的影响程度大小降序排列，便于用户快速有效的找到待检索的数据资产。
47.上述方案，通过极端梯度增强算法模型预设目标检索参数，目标检索参数为对待检索的数据资产成为目标数据资产具有预设影响程度的目标资产特征信息，在接收并响应用户的检索指令后可以确定待检索的数据资产，然后基于预设的目标检索参数和待检索的数据资产的关键字信息，生成检索语句，于是可以利用检索语句对待检索的数据资产进行检索，按与目标资产特征信息相关的预设顺序输出检索结果，可以理解的是，极端梯度增强算法模型预设的目标检索参数表明目标资产特征信息对是否目标数据资产具有一定的影响程度，因此结合目标检索参数和待检索的数据资产的关键字信息来对检索结果进行排序，可以提高首页命中率，辅助用户快速定位目标数据资产，让用户更快速有效的找到待检索的数据资产，极大程序的提升用户用数效率，加速数据价值挖掘进程，从而赋能企业经营决策。
48.可以理解的是，本技术的数据资产的检索方法在实施之前，需要获取相应的极端梯度增强算法模型，并利用极端梯度增强算法模型对目标检索参数进行预设。因此，在一些实施例中，本技术的数据资产的检索方法在上述步骤s11之前，还可以包括极端梯度增强算
法模型的训练方法。请结合图4，图4是本技术数据资产的检索方法中关于极端梯度增强算法模型的训练方法一实施例的流程示意图，本实施例中数据资产的检索方法中关于极端梯度增强算法模型的训练方法，包括以下步骤：：
49.步骤s41：基于所述用户的历史检索数据，得到若干个样本数据资产。
50.可以理解的是，在用户的历史检索数据中，可以根据其检索行为得到若干个样本数据资产，这些样本数据资产中包括用户查询过且申请了访问权限的数据资产，也包括用户查询过但没有申请访问权限的数据资产、或者用户没有查询过但申请了访问权限的数据资产。
51.步骤s42：提取所述用户的基本信息和所述样本数据资产的资产信息，作为所述样本数据资产的资产特征标签。
52.从用户的历史检索行为和数据中，可以提取出所产生关联的样本数据资产的资产信息，以及用户的基本信息，将这些信息作为对应的样本数据资产的资产特征标签，以便于后续对这些资产特征标签进行分析，确定哪些资产特征标签对数据资产成为目标数据资产的影响程度较大。
53.在一些实施例中，数据资产的资产信息如下表：
54.[0055][0056]
用户的基本信息如下表：
[0057]
字段名称备注用户id 用户名 用户所属分组 用户所属部门 检索事件id 检索关键词 [0058]
在一些实施例中，上述数据资产的检索方法中关于极端梯度增强算法模型的训练方法还包括：
[0059]
步骤s43：根据所述用户与所述样本数据资产的关系生成近度，以及根据与所述用户同组的用户与所述样本数据资产的关系生成相似度，并将所述近度和所述相似度作为所述样本数据资产的资产特征标签。
[0060]
可以理解的是，数据资产的资产信息以及用户的基本信息可以在数据预处理的过程中直接得到，而在得到数据资产的资产信息和用户的基本信息后，可以计算用户与样本数据资产之间的关系，例如用户是否访问过该样本数据资产或者是否具有该样本数据资产的访问权限，以及计算用户以及用户同组的用户与样本数据资产之间是否具有访问相似性，根据用户与样本数据资产的关系生成近度，以及根据与用户同组的用户与样本数据资产的关系生成相似度，于是可以将近度和相似度这些衍生信息作为对应的样本数据资产的资产特征标签，以便于后续对这些资产特征标签进行分析，确定哪些资产特征标签对数据资产成为目标数据资产的影响程度较大。
[0061]
在一些实施例中，衍生信息如下表：
[0062][0063]
步骤s44：利用具有所述资产特征标签的若干个所述样本数据资产对初始的极端梯度增强算法模型中进行训练，得到训练后的极端梯度增强算法模型。
[0064]
在得到具有资产特征标签的若干个样本数据资产后，可以利用这些样本数据资产
的资产特征标签来对初始的极端梯度增强算法模型中进行训练，通过不断的迭代训练，得到训练后的极端梯度增强算法模型。
[0065]
请结合图5，图5是图4中步骤s44一实施例的流程示意图。在一实施例中，上述步骤s44具体包括：
[0066]
步骤s441：将具有所述资产特征标签的若干个所述样本数据资产分成训练样本和测试样本。
[0067]
具体地，将具有资产特征标签的若干个样本数据资产分成两部分，一部分作为训练样本来训练极端梯度增强算法模型，另一部分作为测试样本来对极端梯度增强算法模型进行评估。
[0068]
步骤s442：将所述训练样本按照正样本和反样本输入到所述初始的极端梯度增强算法模型；其中，所述正样本为具有是目标数据资产的资产特征标签的样本数据资产，所述反样本为具有否目标数据资产的资产特征标签的样本数据资产。
[0069]
可以理解的是，由于样本数据资产中包括用户查询过且申请了访问权限的数据资产，即目标数据资产，也包括用户查询过但没有申请访问权限的数据资产、或者用户没有查询过但申请了访问权限的数据资产，即不是目标数据资产，因此在所有样本数据资产中，部分样本数据资产具有是目标数据资产的资产特征标签，其他样本数据资产具有否目标数据资产的资产特征标签。于是，可以将训练样本中，将具有是目标数据资产的资产特征标签的样本数据资产作为正样本，将具有否目标数据资产的资产特征标签的样本数据资产作为反样本，一起输入到初始的极端梯度增强算法模型中。本技术的极端梯度增强算法模型具体可以为xgboost模型。
[0070]
步骤s443：将所述资产特征标签中的是否目标数据资产的值为1的标签作为目标变量，将所述资产特征标签中的其他标签作为所有的特征变量，计算所有的特征变量与所述目标变量之间的影响程度大小。
[0071]
步骤s444：根据所述影响程度大小得到对所述目标变量的影响程度排名最高的预设数量个特征变量。
[0072]
具体地，正样本为资产特征标签中是否目标数据资产的值为1的样本数据资产，反样本为资产特征标签中是否目标数据资产的值为0的样本数据资产，于是，可以将资产特征标签中的是否目标数据资产的值为1的标签作为目标变量，然后将资产特征标签中的其他标签作为特征变量，于是可以计算所有的特征变量对目标变量的影响程度，计算各特征变量对目标变量的重要性，然后根据影响程度大小(即重要性大小)得到对目标变量的影响程度排名最高的预设数量个特征变量。也就是说，通过极端梯度增强算法模型可以得到对目标变量(资产特征标签中的是否目标数据资产标签)的影响程度最大的多个特征变量(资产特征标签中的其他标签)，预设数量可以5个、10个或者其他数量，具体可以根据实际需求进行设置。
[0073]
步骤s445：根据所述对所述目标变量的重要程度排名最高的预设数量个特征变量，得到待测试的极端梯度增强算法模型。
[0074]
可以理解的是，利用训练样本对初始的极端梯度增强算法模型进行训练，在这个过程中可以输出对目标变量的重要程度排名最高的预设数量个特征变量的预测结果，然后将预测结果与训练样本中的实际结果进行比较，根据比较结果可以对模型参数进行调整，
然后利用训练样本继续对调整后的极端梯度增强算法模型进行训练；循环整个训练过程，直到模型收敛，则完成模型的训练阶段，得到待测试的极端梯度增强算法模型。
[0075]
步骤s446：利用所述测试样本对所述待测试的极端梯度增强算法模型进行性能评估，基于性能评估结果得到训练后的极端梯度增强算法模型。
[0076]
进一步地，请结合图6，图6是图5中步骤s446一实施例的流程示意图。在一实施例中，上述步骤s446具体包括：
[0077]
步骤s4461：利用测试样本，采用10折交叉验证的方式对所述待测试的极端梯度增强算法模型进行测试，得到所述测试样本对应的测试结果。
[0078]
步骤s4462：根据所述测试样本对应的测试结果对所述待测试的极端梯度增强算法模型的参数进行调整，得到所述训练后的极端梯度增强算法模型。
[0079]
在得到待测试的极端梯度增强算法模型后，可以利用测试样本对待测试的极端梯度增强算法模型进行测试，例如采用10折交叉验证的方式得到测试结果，根据测试结果对模型的性能进行评估，基于性能评估结果确定是否需要对待测试的极端梯度增强算法模型的参数进行调整，最终可以得到性能最优、最稳定的模型，即得到训练后的极端梯度增强算法模型。
[0080]
请结合图7，图7是本技术一应用场景中数据资产的检索方法的流程示意图，本技术的数据资产的检索方法在实施之前，需要获取相应的极端梯度增强算法模型，并利用极端梯度增强算法模型对目标检索参数进行预设。具体地，先基于用户的历史检索数据，得到若干个样本数据资产；然后提取用户的基本信息、样本数据资产的资产信息以及其他衍生信息来作为样本数据资产的资产特征标签；然后利用具有资产特征标签的若干个样本数据资产进行模型训练，并进行预测值评估，得到训练后的极端梯度增强算法模型，极端梯度增强算法模型采用xgboost算法，可以输出对待检索的数据资产成为目标数据资产具有一定影响程度的目标资产特征信息，以及每个目标资产特征信息对应的权重系数。于是根据目标资产特征信息以及目标资产特征信息对应的权重系数，可以预先设置检索过程中的目标检索参数，在实际应用过程中可以按月频定期对历史数据进行重检，以动态调整参数。在应用过程中，当用户发起检索后，可以根据极端梯度增强算法模型预设的目标检索参数和用户输入的待检索信息生成检索语句；然后利用检索语句执行检索过程；之后可以根据检索语句中的排序条件，对检索结果按与目标资产特征信息相关的预设顺序进行排列，输出检索结果；于是用户可以点击浏览排序后的推荐结果。上述方案，结合目标检索参数和用户输入的待检索信息来对检索结果进行排序，可以提高首页命中率，辅助用户快速定位目标数据资产，让用户更快速有效的找到待检索的数据资产，极大程序的提升用户用数效率，加速数据价值挖掘进程，从而赋能企业经营决策。
[0081]
请参阅图8，图8是本技术电子设备一实施例的结构示意图。本实施例中的电子设备80包括相互连接的处理器802和存储器801；存储器801用于存储程序指令，处理器802用于执行存储器801中存储的程序指令，以实现上述任一数据资产的检索方法实施例的步骤。在一个具体的实施场景中，电子设备80可以包括但不限于：微型计算机、服务器。
[0082]
具体而言，处理器802用于控制其自身以及存储器801以实现上述任一数据资产的检索方法实施例的步骤。处理器802还可以称为cpu(central processing unit，中央处理单元)。处理器802可能是一种集成电路芯片，具有信号的处理能力。处理器802还可以是通
用处理器、数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field-programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器802可以由集成电路芯片共同实现。
[0083]
请参阅图9，图9是本技术计算机可读存储介质一实施例的结构示意图。本技术计算机可读存储介质90，其上存储有程序指令900，程序指令900被处理器执行时实现上述任一数据资产的检索方法实施例中的步骤。
[0084]
该计算机可读存储介质90具体可以为u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等可以存储程序指令900的介质，或者也可以为存储有该程序指令900的服务器，该服务器可将存储的程序指令900发送给其他设备运行，或者也可以自运行该存储的程序指令900。
[0085]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法、设备和装置，可以通过其它的方式实现。例如，以上所描述的设备和装置实施方式仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0086]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施方式方案的目的。
[0087]
另外，在本技术各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
[0088]
集成的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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。