一种数据处理方法、装置、设备及可读存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、设备及可读存储介质。


背景技术：

2.随着业务发展，金融机构调整升格是非常常见的一种现象，以银行为例，为了增加二级银行的业务灵活性和自主性，在机构管理上将二级银行升格调整为一级行。显然，升格后银行系统的各个业务系统的业务将会发生变更，因此，银行系统中各个账号的业务办理权限需要相应的更新。


技术实现要素：

3.本技术提供了一种数据处理方法、装置、设备及可读存储介质，如下：
4.一种数据处理方法，所述方法包括：
5.响应于变更指令，获取预设的待变更信息，所述变更指令用于指示将第一系统变更为第二系统，所述待变更信息包括待变更权限配置以及目标权限配置；所述待变更权限配置包括各个第一类别属性的权限集合，所述目标权限配置包括各个第二类别属性的权限集合；
6.通过主成分分析方法对每一所述第一类别属性的权限集合进行主成分分析，得到每一所述第一类别属性的特征集合；
7.通过主成分分析方法对每一所述第二类别属性的权限集合进行主成分分析，得到每一所述第二类别属性的特征集合；
8.将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，所述分配模型通过训练预设的神经网络模型得到；
9.基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性。
10.可选地，分配模型的训练过程包括：
11.获取历史变更信息，所述历史变更信息包括变更前权限配置、变更后权限配置以及变更结果，所述变更前权限配置包括各个原始类别属性的权限集合，所述变更后权限配置包括各个新类别属性的权限集合，所述变更结果包括原始类别属性与新类别属性的对应关系；
12.通过主成分分析方法对每一所述原始类别属性的权限集合进行主成分分析，得到每一所述原始类别属性的主成分集合；
13.通过主成分分析方法对每一所述新类别属性的权限集合进行主成分分析，得到每一所述新类别属性的主成分集合；
14.获取样本集合，所述样本集合包括多条训练样本，每一所述训练样本包括所述原始类别属性的主成分集合和所述原始类别属性对应的新类别属性的主成分集合；
15.基于所述训练样本训练所述神经网络模型，得到所述分配模型，所述神经网络模型的输入数据包括所述原始类别属性的主成分集合，目标输出数据包括所述原始类别属性的主成分集合对应的新类别属性的主成分集合。
16.可选地，历史变更信息还包括变更前级别和变更后级别；
17.所述神经网络模型的输入数据还包括：所述变更前级别和所述变更后级别；
18.所述将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，包括：
19.将所述第一类别属性的特征集合、待变更级别、以及目标级别输入至分配模型，得到所述分配模型输出的结果权限集合。
20.可选地，基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性，包括：
21.将特征集合与所述结果权限集合的共有权限的数量最多的第二类别属性，作为所述第一类别属性的变更类别属性。
22.可选地，基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性，包括：
23.基于每一所述第二类别属性的特征集合和所述结果权限集合，计算每一所述第二类别属性与所述第一类别属性的关联度，所述关联度与共有权限的数量正相关、且与共有权限的重要度正相关；
24.将与所述第一类别属性的关联度最高的第二类别属性作为所述第一类别属性的变更类别属性。
25.一种数据处理装置，包括：
26.待变更信息获取单元，用于响应于变更指令，获取预设的待变更信息，所述变更指令用于指示将第一系统变更为第二系统，所述待变更信息包括待变更权限配置以及目标权限配置；所述待变更权限配置包括各个第一类别属性的权限集合，所述目标权限配置包括各个第二类别属性的权限集合；
27.主成分分析单元，用于通过主成分分析方法对每一所述第一类别属性的权限集合进行主成分分析，得到每一所述第一类别属性的特征集合；通过主成分分析方法对每一所述第二类别属性的权限集合进行主成分分析，得到每一所述第二类别属性的特征集合；
28.模型预测单元，用于至少将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，所述分配模型通过训练预设的神经网络模型得到；
29.结果确定单元，用于基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性。
30.可选地，装置还包括：模型训练单元，用于：
31.获取历史变更信息，所述历史变更信息包括变更前权限配置、变更后权限配置以及变更结果，所述变更前权限配置包括各个原始类别属性的权限集合，所述变更后权限配置包括各个新类别属性的权限集合，所述变更结果包括原始类别属性与新类别属性的对应关系；
32.通过主成分分析方法对每一所述原始类别属性的权限集合进行主成分分析，得到每一所述原始类别属性的主成分集合；
33.通过主成分分析方法对每一所述新类别属性的权限集合进行主成分分析，得到每一所述新类别属性的主成分集合；
34.获取样本集合，所述样本集合包括多条训练样本，每一所述训练样本包括所述原始类别属性的主成分集合和所述原始类别属性对应的新类别属性的主成分集合；
35.基于所述训练样本训练所述神经网络模型，得到所述分配模型，所述神经网络模型的输入数据包括所述原始类别属性的主成分集合，目标输出数据包括所述原始类别属性的主成分集合对应的新类别属性的主成分集合。
36.可选地，历史变更信息还包括变更前级别和变更后级别；
37.所述神经网络模型的输入数据还包括：所述变更前级别和所述变更后级别；
38.所述模型预测单元，用于至少将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，包括：所述模型预测单元具体用于：
39.将所述第一类别属性的特征集合、待变更级别、以及目标级别输入至分配模型，得到所述分配模型输出的结果权限集合。
40.一种数据处理设备，包括：存储器和处理器；
41.所述存储器，用于存储程序；
42.所述处理器，用于执行所述程序，实现数据处理方法的各个步骤。
43.一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现数据处理方法的各个步骤。
44.由上述技术方案可以看出，本技术实施例提供的数据处理方法、装置、设备及可读存储介质，本方法通过主成分分析得到第一类别属性的特征集合和第二类型属性的特征集合，并将第一类别属性的特征集合作为分配模型的输入数据，得到分配模型输出的结果权限集合，基于各个第二类别属性的权限集合和所述结果权限集合，从各个第二类别属性中，选择第一类别属性的变更类别属性，由于，类别属性(第二类型属性或第一类别属性)特征集合通过主成分分析方法分析权限集合得到，因此，特征集合中的权限更能代表类别属性的权限维度的特征，又由于，分配模型通过训练神经网络模型得到，因此，结果权限模型作为预测结果的准确性高且数据处理的速度快。
附图说明
45.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1为本技术实施例提供的一种数据处理方法的具体实施方式的流程示意图；
47.图2为本技术实施例提供的一种数据处理方法的流程示意图；
48.图3为本技术实施例提供的一种数据处理装置的结构示意图；
49.图4为本技术实施例提供的一种数据处理设备的结构示意图。
具体实施方式
50.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.本技术提供的数据处理方法，可以适用于需要针对升格后的银行系统，对银行系统的注册账号进行类别属性和权限再分配的场景，其中，类别属性基于岗位属性和/或级别属性划分，每一类别的注册账号对应于至少一个权限，不同级别的注册账号对应于不同的权限。
52.为描述清楚，将升格后的银行系统记为新银行系统，将升格前的银行系统记为原始银行系统，具体的一种应用场景如下：
53.银行内员工权限与所属机构层级密切相关，随着银行业务发展和政策的变化，机构调整升格是非常常见的一种现象，例如：为了增加达到预设标准的二级行的业务灵活性和自主性，在机构管理上将二级行升格调整为一级行。
54.为适应机构的调整，银行系统需要做以下调整：
55.1、银行系统的各个业务系统的业务配置也会发生适应性调整，业务配置包括业务信息以及业务流程。例如，删除多个原业务、增加多个新业务、以及调整原业务的业务流程等。业务节点指的是业务流程中的节点，业务节点对应的类别属性包括对该业务节点具有操作权限的类别属性，例如，审批节点对应的类别属性包括对该审批节点具有审批权限的类别属性。可以理解的是，由于业务配置的调整，权限随之调整，例如，删除多个原业务，则将删除原业务的权限集合(包括原业务的至少一个节点的操作权限)被删除，增加多个新业务，则将增加新业务的权限集合(包括新业务的至少一个节点的操作权限)。
56.2、类别属性配置需要依据预设的岗位配置或者级别配置进行调整。以类别属性基于岗位配置划分，则升格后的银行机构与原机构的岗位配置一定会发生变化，因此，银行系统中对类别属性需要重新划分。具体的，升格前的银行机构包括52个原始岗位，对应的，银行系统将类别属性配置成52种，每一种类别对应于一个原始岗位。升格后的银行机构包括63个新岗位，对应的，银行系统将类别属性配置成53种，每一种类别对应于一个新岗位。
57.3、基于升格后的业务配置(新业务配置)和类别属性配置(新类别属性配置)，得到新的权限配置，权限配置包括：每一新类别属性对应的属性权限集合。其中，属性权限集合包括多个权限，每一权限均为新类别属性在新银行系统中拥有的权限。
58.上述1～3的配置过程参见现有技术，例如，一般情况下通过人工配置得到系统配置：包括业务配置、类别属性配置、和权限配置。
59.可以理解的是，升格前后的银行系统各自有一套上述系统配置，记为原始系统配置和新系统配置。
60.因此，需要基于原始系统配置、新系统配置以及各个注册账号所属的原始类别属性，为每一注册账号重新分配类别属性和权限。
61.具体地，获取原始类别属性与新类别属性之间的关联关系，将与注册账号所属的类别属性具有关联关系的新类别属性，作为在新银行系统中，该注册账号的类别属性，将新系统配置中对应于该注册账号的类别属性的权限作为在新银行系统中该注册账号的权限。
62.通常，类别属性是否存在关联关系由人工根据经验比对每一类别属性对应的权限总结得到，但是单套系统配置往往包括多个的类别属性，每一类别属性对应多个权限，显
然，由人工进行两套系统配置中类别属性的权限比对工作，效率低且受制于人的主观思维，得到的分析结果准确度低，变更后的类别属性和权限，往往不能适应于新业务，导致业务办理效率很低。
63.需要说明的是，本发明提供的一种数据处理方法、装置、设备及可读存储介质可用于人工智能领域或金融领域。上述仅为示例，并不对本发明提供的发明名称的应用领域进行限定。
64.进一步的，本技术方案可以应用于智能设备，例如电脑、平板或智能手机。另外本方案也可以应用于服务器。接下来，结合附图1对本技术提供的数据处理方法进行介绍，如图1示例了一种数据处理方法的具体实现方法的流程图，该方法详细包括：
65.s101、获取历史变更信息。
66.本实施例中，历史变更信息包括变更前级别、变更前权限配置、变更后级别、变更后权限配置以及变更结果。
67.本实施例中，权限配置包括每一类别属性的权限集合。变更前权限配置包括变更前银行系统的每一类别属性的权限集合，变更后权限配置包括变更后银行系统的每一类别属性的权限集合。
68.本实施例中，将变更前银行系统的类别属性记为原始类别属性，将变更后银行系统的类别属性记为新类别属性。变更结果包括原始类别属性与新类别属性的对应关系，原始类别属性对应的新类别属性为原始类别属性变更后的类别属性。
69.例如，历史变更事件为2021年将第一银行机构从二级行升格为一级行，则历史变更信息包括：
70.变更前级别为二级行，变更前权限配置包括二级行的各个类别属性(二级类别属性)的权限集合。
71.变更后级别为一级行，变更后权限配置包括一级行(一级类别属性)的各个类别属性的权限集合。
72.变更结果包括：二级类别属性和一级类别属性的对应关系，可以理解的是，二级类别属性和一级类别属性为一对多或者一对一的关系。
73.需要说明的是，可以从多个历史变更事件中获取历史变更信息，每一历史变更事件的历史变更信息从历史信息中获取，具体方法参见现有技术。
74.s102、针对每一原始类别属性，通过主成分分析方法对原始类别属性的权限集合进行主成分分析，得到原始类别属性的主成分集合。
75.s103、针对每一新类别属性，通过主成分分析方法对新类别属性的权限集合进行主成分分析，得到新类别属性的主成分集合。
76.本实施例中，原始类别属性的主成分集合包括从原始类别属性的权限集合提取的主成分权限。新类别属性的主成分集合包括从新类别属性的权限集合提取的主成分权限。
77.需要说明的是，主成分分析(principal component analysis，pca)方法为将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。
78.本实施例中，获取任意类别属性(包括各个新类别属性和各个原始类别属性)，主成分分析方法为：将类别属性的权限集合中的各个权限作为变量，通过线性变换选择出至少一个重要变量，将作为重要变量的权限作为主成分权限。
79.进一步需要说明的是，具体的主成分分析方法的执行方法参见现有技术。
80.s104、获取样本集合。
81.本实施例中，样本集合包括多条训练样本，每一训练样本包括变更前级别、变更后级别、原始类别属性的主成分集合和对应的新类别属性的主成分集合。
82.s105、基于训练样本训练预设的神经网络模型，得到分配模型。
83.本实施例中，神经网络模型的输入数据包括变更前级别、变更后级别、原始类别属性的主成分集合，目标输出数据包括原始类别属性对应的新类别属性的主成分集合。
84.具体的，针对每一训练样本，将训练样本中的变更前级别、变更后级别、原始类别属性的主成分集合作为模型输入，将训练样本中的新类别属性的主成分集合作为目标输出，训练神经网络模型。需要说明的是具体的模型训练过程参见现有技术。
85.综上可见，本技术将每一类别属性的主权限作为类别属性的特征，通过主成分分析方法能够避免冗余权限对模型训练带来的干扰。从而提高了模型的准确度。
86.s106、响应于变更指令，获取预设的待变更信息。
87.本实施例中，变更指令用于指示将第一系统变更为第二系统，待变更信息包括待变更级别、待变更权限配置、目标级别以及目标权限配置。待变更级别为第一系统的级别。
88.本实施例中，待变更权限配置为第一系统的权限配置，包括各个第一类别属性(第一系统预设的类别属性)的权限集合。目标级别为第二系统的级别，目标权限配置为第二系统的权限配置，包括各个第二类别属性(第二系统预设的类别属性)的权限集合。
89.s107、针对每一第一类别属性，通过主成分分析方法对第一类别属性的权限集合进行主成分分析，得到第一类别属性的特征集合。
90.s108、针对每一第二类别属性，通过主成分分析方法对第二类别属性的权限集合进行主成分分析，得到第二类别属性的特征集合。
91.本实施例中，第一类别属性的特征集合包括至少一个主成分权限。具体的主成分分析方法参见上述实施例或现有技术。
92.s109、针对每一第一类别属性，将第一类别属性的特征集合、待变更级别、以及目标级别输入至分配模型，得到分配模型输出的结果权限集合。
93.本实施例中，第一类别属性的特征集合包括第一类别属性的权限集合中的主成分权限。
94.s110、基于第二类别属性的特征集合和结果权限集合，计算第二类别属性与第一类别属性的关联度。
95.本实施例中，第二类别属性与第一类别属性的关联度的获取方法包括：
96.第二类别属性的特征集合和结果权限集合的共有权限，也即第二类别属性的特征集合和结果权限集合中的相同的权限。
97.基于共有权限的数量和共有权限的重要度，获取第二类别属性与第一类别属性的关联度。
98.具体的，共有权限的数量越多、或共有权限的重要度越高，则关联度越高。
99.s111、将与第一类别属性的关联度最高的第二类别属性作为第一类别属性的变更类别属性。
100.s112、确定每一第一类别属性的变更类别属性后，将属于第一类别属性的注册账
号的权限集合更新为变更类别属性的权限集合。
101.由上述技术方案可以看出，本技术实施例提供的一种数据处理方法，基于神经网络模型和权限集合预测第一类别属性的结果权限集合，通过预测得到的结果权限集合与第二类别属性进行匹配，得到最匹配(也即关联度最高)的第二类别属性作为第一类别属性作为变更后的类别属性也即变更类别属性。可见通过神经网络模型的预测方法提高分配速度，进一步，通过主成分分析方法获取第一类别属性的特征集合，以特征集合作为输入，提高神经网络模型的预测准确度，避免相关性低的权限对预测结果的干扰。
102.进一步，由于变更前后的类别属性的关联关系(关联度)依据权限确定，而不是基于人为制定的规则确定。因此变更后，新权限和对应的原权限之间存在关联关系，而不是随意变更，可以理解的是，权限与业务办理息息相关，业务办理效率与权限账号的信息相关，若随意变更属于该类别属性的账号的权限，会导致业务办理的效率降低。
103.以一种具体的应用场景为例：
104.银行内员工权限与所属机构层级密切相关，随着银行业务发展和政策的变化，机构调整升格是非常常见的一种现象，例如：为了增加二级行的业务灵活性和自主性，在机构管理上将二级行升格调整为一级行。为适应机构的调整，员工所拥有的岗位和权限均需要进行适配性的变化，传统针对机构升格导致的员工权限变更调整均需基于业务人员的经验手工进行原岗位的解除和新岗位的绑定，效率低、生效慢，且无法做到伴随机构升格的自动员工权限无感切换，由于人工维护变更不及时，会直接影响银行网点正常开业和对客服务。
105.不同机构层级下岗位权限的相关性分析既需要考虑上下级机构间职责管理上的隶属关系，也需结合员工岗位变更历史记录，具体过程如下：
106.员工岗位本身无业务含义，岗位的设置往往由其对应的职责所决定，在具体技术上体现为岗位下拥有不同的角色和权限信息，不同机构层级下的岗位存在相关性，业务上的体现为行政和业务管理上的职责隶属关系，在技术上体现常常为经办和审核的关联关系。
107.然而，由于现有岗位下除了内在管理职责上的关联性，同样存在大量通用角色和权限一致的情况，当岗位下存在上千个角色和上万个权限时，若直接基于角色进行岗位间的关联分析关系计算十分复杂且模型难以稳定。
108.基于此，本技术提出一种自适应机构升格调整的权限预分配方法，结合机构层级调整的变更历史和岗位变更历史，通过模型计算，识别出不同岗位下的职责间的关联关系，从而实现伴随机构层级调整的权限自动化调整。
109.柜员在机构升格前后其对应的岗位职责既有区别但也有关联性，通过构建上下级机构岗位权限匹配模型，以柜员当前所在机构层级和所拥有的岗位权限为模型的基础输入参数，同时结合拟升格调整机构所对应的层级，自动评估推算出该员工在新机构下应具备对应的岗位和权限，实现权限的预分配，同时可按照各机构的特殊管理要求，自适应绑定特色角色增加或自动剔除相关角色。
110.其中，以柜员当前所在机构层级和所拥有的岗位权限为模型的基础输入参数时，
111.提出基于主成分分析(pca)的岗位分析方法，即通过pca分析方法，将岗位下对应的角色和权限设置回归至岗位设置的初衷pca主成分，即岗位所对应的职责。进而减少大量冗余重复的角色权限的设置对于岗位确定的判断。根据回归模型，同样可建立各项pca主成
分与角色权限的对应关联关系，即各项pca主成分为一组角色权限的集合。
112.基于此，神经网络模型模型的输入为：柜员当前所在机构层级、当前岗位下对应的pca主成分、目标调整机构层级，输出为：柜员在新机构下的岗位职责所对应主成分，也即职责信息。
113.根据网络模型计算所得职责信息确定调整后的岗位主责职责范围，并与目标机构层级下的现有岗位信息进行匹配，按照岗位匹配度(岗位下的职责一致性)，获取目标机构层级调整后的岗位。
114.进一步，在该应用场景下，提供一种权限分配系统，包括模型构建模块、权限预分配模块、以及模型迭代优化模块，如下：
115.模型构建模块：对历史机构层级调整记录及相应的柜员岗位权限调整信息进行收集，同时结合不同层级上下级机构中岗位权限的关联关系等要素进行归纳整理，通过统计分析、回归模拟和神经网络模型训练，构建自适应机构调整的岗位权限调整模型。
116.权限预分配模块：以柜员当前所在机构层级和所拥有的岗位权限为模型的基础输入参数，同时结合拟升格调整机构所对应的层级，通过神经网络模型，自动评估推算出该员工在新机构下应具备对应的岗位和权限，实现权限的预分配。
117.模型迭代优化模块：根据权限预分配的结果，结合实际管理要求，对权限预分配结果进行微调，并以此为输入，迭代优化预分配模型，不断优化提升权限预分配的准确性。
118.可见，在本应用场景下，基于每一员工在原机构的岗位和权限，确定该员工在调整后机构的岗位和权限，其中，由于变更前后的岗位的关联关系依据权限确定，而不是基于人为制定的规则确定。因此变更后，员工的新权限和原权限之间存在关联关系，而不是随意变更，可以理解的是，权限与业务办理息息相关，业务办理效率与权限方的信息相关，若随意变更员工的权限，会导致业务办理的效率降低。例如，员工a在原机构的权限为第一类业务的审批权限，若新机构下员工a的权限变更为与第一类业务的审批权限毫不相关的权限，大概率会降低新机构下第一类业务和与第一类业务相关的业务的审批效率。
119.图1仅示例了一种本技术实施例提供的数据处理方法的具体实现流程，另外，本技术还包括其他的具体实现流程，如下：
120.例如，在一种可选的实施例中，神经网络模型的输入数据可以只包括原始类别属性的主成分集合。
121.再例如，s110仅为一种可选的关联度计算方法。
122.再例如，s112为可选的步骤。
123.综上，将本技术实施例提供的一种数据处理方法总结概括为图1所示的流程，如图2所示，本方法包括：
124.s201、响应于变更指令，获取预设的待变更信息。
125.本实施例中，变更指令用于指示将第一系统变更为第二系统，待变更信息包括待变更权限配置以及目标权限配置。待变更权限配置包括各个第一类别属性的权限集合，目标权限配置包括各个第二类别属性的权限集合。
126.其中，第一类别属性为第一系统中预设的类别属性，第二类别属性为第二系统中预设的类别属性。
127.s202、通过主成分分析方法对每一第一类别属性的权限集合进行主成分分析，得
到每一第一类别属性的特征集合。
128.本实施例中，通过主成分分析方法对每一第一类别属性的权限集合进行主成分分析，得到第一类别属性的权限集合中的主成分权限，第一类别属性的特征集合包括多个主成分权限。具体参见上述实施例。
129.s203、通过主成分分析方法对每一第二类别属性的权限集合进行主成分分析，得到每一第二类别属性的特征集合。
130.具体参见上述实施例。
131.s204、将第一类别属性的特征集合输入至分配模型，得到分配模型输出的结果权限集合。
132.本实施例中，分配模型通过训练预设的神经网络模型得到。
133.可选的一种模型训练方法包括：
134.获取历史变更信息，历史变更信息包括变更前权限配置、变更后权限配置以及变更结果，变更前权限配置包括各个原始类别属性的权限集合，变更后权限配置包括各个新类别属性的权限集合，变更结果包括原始类别属性与新类别属性的对应关系。
135.通过主成分分析方法对每一原始类别属性的权限集合进行主成分分析，得到每一原始类别属性的主成分集合。
136.通过主成分分析方法对每一新类别属性的权限集合进行主成分分析，得到每一新类别属性的主成分集合。
137.获取样本集合，样本集合包括多条训练样本，每一训练样本包括原始类别属性的主成分集合和原始类别属性对应的新类别属性的主成分集合。
138.基于训练样本训练神经网络模型，得到分配模型，神经网络模型的输入数据包括原始类别属性的主成分集合，目标输出数据包括原始类别属性的主成分集合对应的新类别属性的主成分集合。
139.需要说明的是，具体的模型训练方法参见现有技术。
140.s205、基于各个第二类别属性的权限集合和结果权限集合，从各个第二类别属性中，选择第一类别属性的变更类别属性。
141.本实施例中，选择第一类别属性的变更类别属性的方法包括多种，例如，将特征集合与结果权限集合的共有权限的数量最多的第二类别属性，作为第一类别属性的变更类别属性。
142.再例如，另一种可选的方法包括：
143.基于每一第二类别属性的特征集合和结果权限集合，计算每一第二类别属性与第一类别属性的关联度，关联度与共有权限的数量正相关、且与共有权限的重要度正相关。将与第一类别属性的关联度最高的第二类别属性作为第一类别属性的变更类别属性。具体参见上述实施例。
144.由上述技术方案可以看出，本技术实施例提供的一种数据处理方法，通过主成分分析得到第一类别属性的特征集合和第二类型属性的特征集合，并将第一类别属性的特征集合作为分配模型的输入数据，得到分配模型输出的结果权限集合，基于各个第二类别属性的权限集合和所述结果权限集合，从各个第二类别属性中，选择第一类别属性的变更类别属性，由于，类别属性(第二类型属性或第一类别属性)特征集合通过主成分分析方法分
析权限集合得到，因此，特征集合中的权限更能代表类别属性的权限维度的特征，又由于，分配模型通过训练神经网络模型得到，因此，结果权限模型作为预测结果的准确性高且数据处理的速度快。
145.图3示出了本技术实施例提供的一种数据处理装置的结构示意图，如图4所示，该装置可以包括：
146.一种数据处理装置，包括：
147.待变更信息获取单元301，用于响应于变更指令，获取预设的待变更信息，所述变更指令用于指示将第一系统变更为第二系统，所述待变更信息包括待变更权限配置以及目标权限配置；所述待变更权限配置包括各个第一类别属性的权限集合，所述目标权限配置包括各个第二类别属性的权限集合；
148.主成分分析单元302，用于通过主成分分析方法对每一所述第一类别属性的权限集合进行主成分分析，得到每一所述第一类别属性的特征集合；通过主成分分析方法对每一所述第二类别属性的权限集合进行主成分分析，得到每一所述第二类别属性的特征集合；
149.模型预测单元303，用于至少将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，所述分配模型通过训练预设的神经网络模型得到；
150.结果确定单元304，用于基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性。
151.可选地，装置还包括：模型训练单元，用于：
152.获取历史变更信息，所述历史变更信息包括变更前权限配置、变更后权限配置以及变更结果，所述变更前权限配置包括各个原始类别属性的权限集合，所述变更后权限配置包括各个新类别属性的权限集合，所述变更结果包括原始类别属性与新类别属性的对应关系；
153.通过主成分分析方法对每一所述原始类别属性的权限集合进行主成分分析，得到每一所述原始类别属性的主成分集合；
154.通过主成分分析方法对每一所述新类别属性的权限集合进行主成分分析，得到每一所述新类别属性的主成分集合；
155.获取样本集合，所述样本集合包括多条训练样本，每一所述训练样本包括所述原始类别属性的主成分集合和所述原始类别属性对应的新类别属性的主成分集合；
156.基于所述训练样本训练所述神经网络模型，得到所述分配模型，所述神经网络模型的输入数据包括所述原始类别属性的主成分集合，目标输出数据包括所述原始类别属性的主成分集合对应的新类别属性的主成分集合。
157.可选地，历史变更信息还包括变更前级别和变更后级别；
158.所述神经网络模型的输入数据还包括：所述变更前级别和所述变更后级别；
159.所述模型预测单元，用于至少将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，包括：所述模型预测单元具体用于：
160.将所述第一类别属性的特征集合、待变更级别、以及目标级别输入至分配模型，得到所述分配模型输出的结果权限集合。
161.可选地，结果确定单元用于基于各个所述第二类别属性的特征集合和所述结果权
限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性，包括：
162.将特征集合与所述结果权限集合的共有权限的数量最多的第二类别属性，作为所述第一类别属性的变更类别属性。
163.或者，
164.基于每一所述第二类别属性的特征集合和所述结果权限集合，计算每一所述第二类别属性与所述第一类别属性的关联度，所述关联度与共有权限的数量正相关、且与共有权限的重要度正相关；
165.将与所述第一类别属性的关联度最高的第二类别属性作为所述第一类别属性的变更类别属性。
166.图4示出了该数据处理设备的结构示意图，该设备可以包括：至少一个处理器401，至少一个通信接口402，至少一个存储器403和至少一个通信总线404；
167.在本技术实施例中，处理器401、通信接口402、存储器403、通信总线404的数量为至少一个，且处理器401、通信接口402、存储器403通过通信总线404完成相互间的通信；
168.处理器401可能是一个中央处理器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等；
169.存储器403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)等，例如至少一个磁盘存储器；
170.其中，存储器存储有程序，处理器可执行存储器存储的程序，实现本技术实施例提供的一种数据处理方法的各个步骤，如下：
171.一种数据处理方法，所述方法包括：
172.响应于变更指令，获取预设的待变更信息，所述变更指令用于指示将第一系统变更为第二系统，所述待变更信息包括待变更权限配置以及目标权限配置；所述待变更权限配置包括各个第一类别属性的权限集合，所述目标权限配置包括各个第二类别属性的权限集合；
173.通过主成分分析方法对每一所述第一类别属性的权限集合进行主成分分析，得到每一所述第一类别属性的特征集合；
174.通过主成分分析方法对每一所述第二类别属性的权限集合进行主成分分析，得到每一所述第二类别属性的特征集合；
175.将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，所述分配模型通过训练预设的神经网络模型得到；
176.基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性。
177.可选地，分配模型的训练过程包括：
178.获取历史变更信息，所述历史变更信息包括变更前权限配置、变更后权限配置以及变更结果，所述变更前权限配置包括各个原始类别属性的权限集合，所述变更后权限配置包括各个新类别属性的权限集合，所述变更结果包括原始类别属性与新类别属性的对应关系；
179.通过主成分分析方法对每一所述原始类别属性的权限集合进行主成分分析，得到
每一所述原始类别属性的主成分集合；
180.通过主成分分析方法对每一所述新类别属性的权限集合进行主成分分析，得到每一所述新类别属性的主成分集合；
181.获取样本集合，所述样本集合包括多条训练样本，每一所述训练样本包括所述原始类别属性的主成分集合和所述原始类别属性对应的新类别属性的主成分集合；
182.基于所述训练样本训练所述神经网络模型，得到所述分配模型，所述神经网络模型的输入数据包括所述原始类别属性的主成分集合，目标输出数据包括所述原始类别属性的主成分集合对应的新类别属性的主成分集合。
183.可选地，历史变更信息还包括变更前级别和变更后级别；
184.所述神经网络模型的输入数据还包括：所述变更前级别和所述变更后级别；
185.所述将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，包括：
186.将所述第一类别属性的特征集合、待变更级别、以及目标级别输入至分配模型，得到所述分配模型输出的结果权限集合。
187.可选地，基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性，包括：
188.将特征集合与所述结果权限集合的共有权限的数量最多的第二类别属性，作为所述第一类别属性的变更类别属性。
189.可选地，基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性，包括：
190.基于每一所述第二类别属性的特征集合和所述结果权限集合，计算每一所述第二类别属性与所述第一类别属性的关联度，所述关联度与共有权限的数量正相关、且与共有权限的重要度正相关；
191.将与所述第一类别属性的关联度最高的第二类别属性作为所述第一类别属性的变更类别属性。
192.本技术实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的计算机程序，计算机程序被处理器执行时，实现本技术实施例提供的一种数据处理方法的各个步骤，如下：
193.一种数据处理方法，所述方法包括：
194.响应于变更指令，获取预设的待变更信息，所述变更指令用于指示将第一系统变更为第二系统，所述待变更信息包括待变更权限配置以及目标权限配置；所述待变更权限配置包括各个第一类别属性的权限集合，所述目标权限配置包括各个第二类别属性的权限集合；
195.通过主成分分析方法对每一所述第一类别属性的权限集合进行主成分分析，得到每一所述第一类别属性的特征集合；
196.通过主成分分析方法对每一所述第二类别属性的权限集合进行主成分分析，得到每一所述第二类别属性的特征集合；
197.将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，所述分配模型通过训练预设的神经网络模型得到；
198.基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性。
199.可选地，分配模型的训练过程包括：
200.获取历史变更信息，所述历史变更信息包括变更前权限配置、变更后权限配置以及变更结果，所述变更前权限配置包括各个原始类别属性的权限集合，所述变更后权限配置包括各个新类别属性的权限集合，所述变更结果包括原始类别属性与新类别属性的对应关系；
201.通过主成分分析方法对每一所述原始类别属性的权限集合进行主成分分析，得到每一所述原始类别属性的主成分集合；
202.通过主成分分析方法对每一所述新类别属性的权限集合进行主成分分析，得到每一所述新类别属性的主成分集合；
203.获取样本集合，所述样本集合包括多条训练样本，每一所述训练样本包括所述原始类别属性的主成分集合和所述原始类别属性对应的新类别属性的主成分集合；
204.基于所述训练样本训练所述神经网络模型，得到所述分配模型，所述神经网络模型的输入数据包括所述原始类别属性的主成分集合，目标输出数据包括所述原始类别属性的主成分集合对应的新类别属性的主成分集合。
205.可选地，历史变更信息还包括变更前级别和变更后级别；
206.所述神经网络模型的输入数据还包括：所述变更前级别和所述变更后级别；
207.所述将所述第一类别属性的特征集合输入至分配模型，得到所述分配模型输出的结果权限集合，包括：
208.将所述第一类别属性的特征集合、待变更级别、以及目标级别输入至分配模型，得到所述分配模型输出的结果权限集合。
209.可选地，基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性，包括：
210.将特征集合与所述结果权限集合的共有权限的数量最多的第二类别属性，作为所述第一类别属性的变更类别属性。
211.可选地，基于各个所述第二类别属性的特征集合和所述结果权限集合，从各个所述第二类别属性中，选择所述第一类别属性的变更类别属性，包括：
212.基于每一所述第二类别属性的特征集合和所述结果权限集合，计算每一所述第二类别属性与所述第一类别属性的关联度，所述关联度与共有权限的数量正相关、且与共有权限的重要度正相关；
213.将与所述第一类别属性的关联度最高的第二类别属性作为所述第一类别属性的变更类别属性。
214.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排
除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
215.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
216.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。