手机银行数据处理方法、装置、计算机设备及介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种手机银行数据处理方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着科学技术的发展，出现了手机银行app(application，应用程序)，它替代了银行网点的基础功能，当联网运行手机银行app时，手机银行app通过获取用户的操作，能够在线对用户的操作进行数据处理以得到数据处理结果并反馈。因此，手机银行app的使用变得流行起来。
3.传统技术中，手机银行app在内部进行数据处理功能的具体手段是通过部署在后端的机器学习模型来对用户的操作进行处理，包括进行图像识别、语音识别转换、及智能推荐等。然而，目前的手机银行app需要在联网状态下才能运行内部的数据处理功能，无法在离线状态下进行。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够适用于离线状态的手机银行数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种手机银行数据处理方法，所述方法包括：
6.获取数据处理学习模型；
7.对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；
8.将所述格式转换后的数据处理学习模型部署至手机银行终端；
9.接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处理数据和数据处理结果，所述数据处理结果由所述手机银行终端采集所述待处理数据，并采用所述格式转换后的数据处理学习模型对所述待处理数据进行处理得到。
10.在其中一个实施例中，所述获取数据处理学习模型包括：
11.获取初始数据处理学习模型；
12.对所述初始数据处理学习模型进行训练以得到数据处理学习模型。
13.在其中一个实施例中，所述对所述初始数据处理学习模型进行训练以得到数据处理学习模型包括：
14.获取模型训练所需数据、及所述模型训练所需数据对应的标签；
15.将所述模型训练所需数据划分为训练集数据、及测试集数据；
16.通过所述训练集数据、及所述训练集数据对应的标签对所述不同的初始数据处理学习模型进行训练，得到不同的数据处理学习模型；
17.利用所述测试集数据、及所述测试集数据对应的标签对不同的数据处理学习模型进行校验，得到数据处理学习模型。
18.在其中一个实施例中，所述对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型包括：
19.获取所述数据处理学习模型的格式；
20.采用coremltools工具对所述数据处理学习模型的格式进行转换，得到格式转换后的数据处理学习模型。
21.在其中一个实施例中，所述将所述格式转换后的数据处理学习模型部署至手机银行终端包括：
22.下发模型部署消息至所述手机银行终端，所述模型部署消息用于控制所述手机银行终端获取部署所述数据处理学习模型的所需代码段，并通过所述代码段更新所述手机银行终端的工程文件，以对所述格式转换后的数据处理学习模型进行部署。
23.在其中一个实施例中，在接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处理数据和数据处理结果之后，还包括：
24.根据所述待处理数据和所述数据处理结果，更新所述数据处理学习模型。
25.第二方面，本技术还提供了一种手机银行数据处理装置，所述装置包括：
26.模型获取模块，用于获取数据处理学习模型；
27.格式转换模块，用于对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；
28.模型部署模块，用于将所述格式转换后的数据处理学习模型部署至手机银行终端；
29.数据缓存模块，用于接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处理数据和数据处理结果，所述数据处理结果由所述手机银行终端采集所述待处理数据，并采用所述格式转换后的数据处理学习模型对所述待处理数据进行处理得到。
30.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
31.获取数据处理学习模型；
32.对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；
33.将所述格式转换后的数据处理学习模型部署至手机银行终端；
34.接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处理数据和数据处理结果，所述数据处理结果由所述手机银行终端采集所述待处理数据，并采用所述格式转换后的数据处理学习模型对所述待处理数据进行处理得到。
35.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，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以下步骤：
36.获取数据处理学习模型；
37.对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；
38.将所述格式转换后的数据处理学习模型部署至手机银行终端；
39.接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处
理数据和数据处理结果，所述数据处理结果由所述手机银行终端采集所述待处理数据，并采用所述格式转换后的数据处理学习模型对所述待处理数据进行处理得到。
40.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
41.获取数据处理学习模型；
42.对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；
43.将所述格式转换后的数据处理学习模型部署至手机银行终端；
44.接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处理数据和数据处理结果，所述数据处理结果由所述手机银行终端采集所述待处理数据，并采用所述格式转换后的数据处理学习模型对所述待处理数据进行处理得到。
45.上述手机银行数据处理方法、装置、计算机设备、存储介质和计算机程序产品，获取数据处理学习模型；对数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；将格式转换后的数据处理学习模型部署至手机银行终端；接收手机银行终端上传的云存储请求，并缓存云存储请求中携带的待处理数据和数据处理结果，数据处理结果由手机银行终端采集待处理数据，并采用格式转换后的数据处理学习模型对待处理数据进行处理得到。在整个过程中，通过对获取的数据处理学习模型进行格式转换，能够使手机银行终端直接部署格式转换后的数据处理学习模型，手机银行终端在需要进行数据处理时不依靠云系统的支持即可实现数据处理，在离线状态就能对待处理数据进行处理，得到数据处理结果，并且将数据处理结果缓存至云系统，支持离线数据的稳定、且有效处理。
附图说明
46.图1为一个实施例中手机银行数据处理方法的应用环境图；
47.图2为一个实施例中手机银行数据处理方法的流程示意图；
48.图3为另一个实施例中手机银行数据处理方法的流程示意图；
49.图4为又一个实施例中手机银行数据处理方法的流程示意图；
50.图5为再一个实施例中手机银行数据处理方法的流程示意图；
51.图6为一个实施例中手机银行数据处理装置的结构框图；
52.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
53.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
54.本技术实施例提供的手机银行数据处理方法，可以应用于如图1所示的应用环境中。其中，手机银行终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取数据处理学习模型；对数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；将格式转换后的数据处理学习模型部署至手机银行
终端102。进一步地，当用户有数据处理需求时，可以在手机银行终端102侧进行操作，与手机银行终端102进行交互，手机银行终端102采集用户上传的待处理数据，采用格式转换后的数据处理学习模型对待处理数据进行处理得到数据处理结果，手机银行终端102发送云存储请求至服务器104，服务器104缓存云存储请求中携带的待处理数据和数据处理结果。更进一步地，手机银行终端102还可以将数据处理结果推送至用户。
55.其中，手机银行终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
56.在一个实施例中，如图2所示，提供了一种手机银行数据处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
57.s100，获取数据处理学习模型。
58.具体地，服务器获取数据处理学习模型，数据处理学习模型可以是支持对图片、音频、或文本等输入信息进行处理的学习模型，即当输入图片、音频、或文本信息至数据处理学习模型时，数据处理学习模型能够支持基于输入的信息生成输入信息对应的标签。
59.s200，对数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型。
60.其中，coreml是指一种不需要互联网连接即可进行机器学习的框架，它能够将不同格式的模型转换为coreml格式的模型，手机银行终端能够支持coreml格式的数据处理学习模型的部署。
61.具体地，此时的数据处理学习模型是服务器端的数据处理学习模型，用户要想调用服务器端的数据处理学习模型对数据进行处理，就必须实现终端与服务器端的通信连接，而一旦连接断开，就无法在离线状态下调用服务器端的数据处理学习模型。因此，本技术将数据处理学习模型部署至手机银行终端，而为了将数据处理学习模型部署至手机银行终端，首先要对数据处理学习模型进行格式转换，将数据处理学习模型的格式转换为能够部署在手机银行终端的格式，得到格式转换后的数据处理学习模型。进一步地，格式转换的手段是进行基于coreml框架来进行格式转换。
62.s300，将格式转换后的数据处理学习模型部署至手机银行终端。
63.具体地，格式转换后的数据处理学习模型已经是能够支持部署至手机银行终端的模型，此时可以将格式转换后的数据处理学习模型部署至手机银行终端，实现手机银行终端在需要进行数据处理时不依靠云系统的支持即可实现数据处理。
64.s400，接收手机银行终端上传的云存储请求，并缓存云存储请求中携带的待处理数据和数据处理结果，数据处理结果由手机银行终端采集待处理数据，并采用格式转换后的数据处理学习模型对待处理数据进行处理得到。
65.具体地，用户在手机银行终端进行操作，与手机银行终端进行交互，手机银行终端采集用户输入的待处理数据，由于手机银行终端此时已经部署了格式转换后的数据处理学习模型，所以不依靠云系统的支持也可以采用格式转换后的数据处理学习模型来对采集的待处理数据进行处理，从而生成待处理数据对应的标签结果，即数据处理结果。如果手机银行终端此时与服务器的通信连接未断开，则手机银行终端将云存储请求均上传至服务器，如果手机银行终端此时与服务器的通信连接断开，则手机银行终端在后续连通时将云存储请求均上传至服务器，其中，云存储请求中携带待处理数据及待处理数据对应的数据处理
结果。服务器接收云存储请求，并对待处理数据及待处理数据对应的数据处理结果进行缓存，即服务器将待处理数据及待处理数据对应的数据处理结果缓存至历史数据库中，将这些数据作为后续更新数据处理学习模型的模型训练所需数据、及模型训练所需数据对应的标签。
66.进一步地，在手机银行终端采集待处理数据后，手机银行终端还会推送模型调用可供选择时间信息至用户，模型调用可供选择时间信息用于选择调用格式转换后的数据处理学习模型的时间，手机银行终端接收用户基于模型调用可供选择时间信息上传的时间确认消息后，时间确认消息中携带确认时间，当当前时间为确认时间时，调用格式转换后的数据处理学习模型对待处理数据进行处理。其中，确认时间可以是时间范围，也可以是一个具体地的时间点。
67.更进一步地，手机银行终端在生成数据处理结果时，会推送数据处理结果至上传待处理数据的用户。
68.上述手机银行数据处理方法中，获取数据处理学习模型；对数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；将格式转换后的数据处理学习模型部署至手机银行终端；接收手机银行终端上传的云存储请求，并缓存云存储请求中携带的待处理数据和数据处理结果，数据处理结果由手机银行终端采集待处理数据，并采用格式转换后的数据处理学习模型对待处理数据进行处理得到。在整个过程中，通过对获取的数据处理学习模型进行格式转换，能够使手机银行终端直接部署格式转换后的数据处理学习模型，手机银行终端在需要进行数据处理时不依靠云系统的支持即可实现数据处理，在离线状态就能对待处理数据进行处理，得到数据处理结果，并且能够将数据处理结果缓存至云系统，支持离线数据的稳定、且有效处理。
69.在一个实施例中，如图3所示，s100包括：
70.s120，获取初始数据处理学习模型。
71.其中，初始数据处理学习模型是指还未经过数据训练的数据处理学习模型。
72.具体地，服务器从集成在服务器上的数据存储系统中获取不同的参数结构上存在细微差别、且还未经过数据训练的初始数据处理学习模型。
73.s140，对初始数据处理学习模型进行训练以得到数据处理学习模型。
74.具体地，要想获取数据处理学习模型，服务器首先要对初始数据处理学习模型进行训练，以得到数据处理学习模型，数据处理学习模型为训练好的模型，数据处理学习模型能够支持当输入数据时，对输入的数据进行处理，以得到数据处理结果。
75.进一步地，训练好的数据处理学习模型可以被存储在数据库中。
76.本实施例中，通过对获取的初始数据处理学习模型进行训练，能够得到支持对数据进行高效处理的数据处理学习模型，来提高后续对模型的输入数据进行处理的效率。
77.在一个实施例中，如图4所示，s140包括：
78.s141，获取模型训练所需数据、及模型训练所需数据对应的标签。
79.具体地，模型训练所需数据可以是图片、音频、或文本数据，服务器从历史图片数据库、历史音频数据库、或历史文本数据库中获取对应的数据，从而获取模型训练所需数据。此外，服务器还需要获取模型训练所需数据对应的标签，标签可以是类别标签，如当图片是人脸图片时，此时的类别标签为人脸。
80.进一步地，历史图片数据库、历史音频数据库、或历史文本数据库均为在当前时刻之前的时刻里终端采集用户输入信息并上传至服务器数据存储系统中对应数据库的数据。
81.s142，将模型训练所需数据划分为训练集数据、及测试集数据。
82.具体地，将获得的模型训练所需数据进行训练集数据和测试集数据划分，划分比例可以是测试集：训练集＝2：8或者3：7，以得到训练效果最优的模型，其中，训练集可以用于对不同模型进行训练，测试集数据用于对训练得到的不同模型进行效果的测试。
83.s143，通过训练集数据、及训练集数据对应的标签对不同的初始数据处理学习模型进行训练，得到不同的数据处理学习模型。
84.其中，不同的初始数据处理学习模型是指模型中参数结构存在细微差异的初始数据处理模型。
85.具体地，训练集可以用于对不同模型进行训练，训练集数据和训练集数据对应的标签输入至不同的初始数据处理学习模型后，会通过训练集数据和训练集数据对应的标签对不同的初始数据处理学习模型进行训练，来得到不同的训练好的数据处理学习模型，此时，当输入数据至数据处理学习模型时，数据会生成输入数据的对应标签。
86.进一步地，通过训练集数据和训练集数据对应的标签对不同的初始数据处理学习模型进行训练的方式可以是基于开发工具xcode内部的coreml模块来训练模型，也可以是使用tensorflow开发工具对模型进行训练。
87.s144，利用测试集数据、及测试集数据对应的标签对不同的数据处理学习模型进行校验，得到数据处理学习模型。
88.具体地，在得到不同的数据处理学习模型后，需要从这些训练好的模型中选择处理效果最好的模型，选择方法可以是利用测试集数据、及测试集数据对应的标签对不同的数据处理学习模型进行校验，将测试集数据输入到不同的数据处理学习模型中时，模型会生成测试集数据的预测标签，将测试集数据的预测标签及测试集数据对应的标签进行比对，并计算测试集数据的预测标签及测试集数据对应的标签一致的数量占所有测试集数据数量的比例，选择比例最高的模型作为最终的数据处理学习模型，最终的数据处理学习模型即为服务器对初始数据处理学习模型训练后最终确定的数据处理学习模型，后续都采用这个数据处理学习模型进行数据处理。
89.本实施例中，通过将获取的模型训练所需数据分为训练集数据和测试集数据，能够利用训练集数据来训练不同的初始数据处理学习模型，再利用不与训练集数据重叠的测试集数据来对训练好的模型进行训练，以得到最佳数据处理效果的数据处理学习模型。
90.在一个实施例中，如图5所示，s200包括：
91.s220，获取数据处理学习模型的格式。
92.具体地，要对数据处理学习模型进行格式转换，就得先获取数据处理学习模型的原有格式。
93.s240，采用coremltools工具对数据处理学习模型的格式进行转换，得到格式转换后的数据处理学习模型。
94.其中，coremltools是一个coreml框架中的python工具包，用于将各种格式的模型转换为coreml格式的模型，即.mlmodel文件。
95.具体地，采用coremltools工具对数据处理学习模型的格式进行转换，得到格式转
换后的数据处理学习模型，即得到数据处理学习模型的.mlmodel文件。
96.本实施例中，通过采用coremltools工具，能够对数据处理学习模型进行高效的格式转换。
97.在一个实施例中，将格式转换后的数据处理学习模型部署至手机银行终端包括：
98.下发模型部署消息至手机银行终端，模型部署消息用于控制手机银行终端获取部署数据处理学习模型的所需代码段，并通过代码段更新手机银行终端的工程文件，以对格式转换后的数据处理学习模型进行部署。
99.具体地，服务器会下发模型部署消息至手机银行终端，当手机银行终端接收到模型部署消息后，会获取部署数据处理学习模型的所需代码段，并通过代码段更新手机银行终端原有的工程文件，即在手机银行终端中的原有工程文件中添加部署数据处理学习模型的所需代码段的代码段，来对格式转换后的数据处理学习模型进行部署。
100.本实施例中，通过下发模型部署消息至手机银行终端，能够控制手机银行终端对式转换后的数据处理学习模型进行高效部署。
101.在一个实施例中，在接收手机银行终端上传的云存储请求，并缓存云存储请求中携带的待处理数据和数据处理结果之后，还包括：
102.根据待处理数据和数据处理结果，更新数据处理学习模型。
103.具体地，手机银行终端利用格式转换后的数据处理学习模型实现数据处理，得到数据处理结果，终端会在当前联网或后续恢复联网的状态下将携带数据处理结果和待处理数据的云存储结果输入至服务器，服务器在接收并缓存手机银行终端上传的数据后，会根据待处理数据和数据处理结果来对数据处理学习模型进行实时更新，以得到训练数据更全面的数据处理学习模型。
104.本实施例中，通过根据待处理数据和数据处理结果，能够丰富模型训练所需数据、及模型训练所需数据的标签，从而实现实时更新数据处理学习模型，更新后的数据处理学习模型对数据处理的准确度更加精确。
105.在一个实施例中，用户、手机银行终端、及服务器三方进行数据交互的具体步骤可以为：
106.1、服务器从数据存储系统中获取不同的初始数据处理学习模型，并通过获取模型训练所需数据、及模型训练所需数据对应的标签，将模型训练所需数据划分为训练集数据和测试集数据，根据训练集数据、及训练集数据对应的标签对不同的初始数据处理学习模型进行训练，根据测试集数据、及测试集数据对应的标签对不同的训练好的数据处理学习模型进行校验，来得到数据处理效果最优的模型作为最终的数据处理学习模型；
107.2、服务器获取此时最终的数据处理学习模型的格式，采用coremltools工具对数据处理学习模型的格式进行转换，得到格式转换后的数据处理学习模型；
108.3、服务器下发模型部署消息至手机银行终端；
109.4、手机银行终端接收模型部署消息，获取部署数据处理学习模型的所需代码段，并通过代码段更新手机银行终端的工程文件，以对格式转换后的数据处理学习模型进行部署；
110.5、用户在手机银行终端进行操作，与手机银行终端进行交互，输入待处理数据至手机银行终端；
111.6、手机银行终端采集用户上传的待处理数据，并采用格式转换后的数据处理学习模型对待处理数据进行处理得到数据处理结果，并上传携带有待处理数据和数据处理结果的云存储请求至服务器；
112.7、服务器接收手机银行终端上传的云存储请求，并缓存云存储请求中携带的待处理数据和数据处理结果；
113.8、服务器根据待处理数据和数据处理结果，更新数据处理学习模型。
114.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
115.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的手机银行数据处理方法的手机银行数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个手机银行数据处理装置实施例中的具体限定可以参见上文中对于手机银行数据处理方法的限定，在此不再赘述。
116.在一个实施例中，如图6所示，提供了一种手机银行数据处理装置，包括：模型获取模块100、格式转换模块200、模型部署模块300和数据缓存模块400，其中：
117.模型获取模块100，用于获取数据处理学习模型；
118.格式转换模块200，用于对数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；
119.模型部署模块300，用于将格式转换后的数据处理学习模型部署至手机银行终端；
120.数据缓存模块400，用于接收手机银行终端上传的云存储请求，并缓存云存储请求中携带的待处理数据和数据处理结果，数据处理结果由手机银行终端采集待处理数据，并采用格式转换后的数据处理学习模型对待处理数据进行处理得到。
121.在一个实施例中，模型获取模块100还用于获取初始数据处理学习模型；对初始数据处理学习模型进行训练以得到数据处理学习模型。
122.在一个实施例中，模型获取模块100还用于获取模型训练所需数据、及模型训练所需数据对应的标签；将模型训练所需数据划分为训练集数据、及测试集数据；通过训练集数据、及训练集数据对应的标签对不同的初始数据处理学习模型进行训练，得到不同的数据处理学习模型；利用测试集数据、及测试集数据对应的标签对不同的数据处理学习模型进行校验，得到数据处理学习模型。
123.在一个实施例中，格式转换模块200还用于获取数据处理学习模型的格式；采用coremltools工具对数据处理学习模型的格式进行转换，得到格式转换后的数据处理学习模型。
124.在一个实施例中，模型部署模块300还用于下发模型部署消息至手机银行终端，模型部署消息用于控制手机银行终端获取部署数据处理学习模型的所需代码段，并通过代码段更新手机银行终端的工程文件，以对格式转换后的数据处理学习模型进行部署。
125.在一个实施例中，还包括模型更新模块，模型更新模块用于根据待处理数据和数据处理结果，更新数据处理学习模型。
126.上述手机银行数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
127.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储初始数据处理学习模型、待处理数据和数据处理结果等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种手机银行数据处理方法。
128.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
129.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
130.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
131.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
132.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形
处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
133.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
134.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种手机银行数据处理方法，其特征在于，所述方法包括：获取数据处理学习模型；对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；将所述格式转换后的数据处理学习模型部署至手机银行终端；接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处理数据和数据处理结果，所述数据处理结果由所述手机银行终端采集所述待处理数据，并采用所述格式转换后的数据处理学习模型对所述待处理数据进行处理得到。2.根据权利要求1所述的方法，其特征在于，所述获取数据处理学习模型包括：获取初始数据处理学习模型；对所述初始数据处理学习模型进行训练以得到数据处理学习模型。3.根据权利要求2所述的方法，其特征在于，所述对所述初始数据处理学习模型进行训练以得到数据处理学习模型包括：获取模型训练所需数据、及所述模型训练所需数据对应的标签；将所述模型训练所需数据划分为训练集数据、及测试集数据；通过所述训练集数据、及所述训练集数据对应的标签对所述不同的初始数据处理学习模型进行训练，得到不同的数据处理学习模型；利用所述测试集数据、及所述测试集数据对应的标签对不同的数据处理学习模型进行校验，得到数据处理学习模型。4.根据权利要求1所述的方法，其特征在于，所述对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型包括：获取所述数据处理学习模型的格式；采用coremltools工具对所述数据处理学习模型的格式进行转换，得到格式转换后的数据处理学习模型。5.根据权利要求1所述的方法，其特征在于，所述将所述格式转换后的数据处理学习模型部署至手机银行终端包括：下发模型部署消息至所述手机银行终端，所述模型部署消息用于控制所述手机银行终端获取部署所述数据处理学习模型的所需代码段，并通过所述代码段更新所述手机银行终端的工程文件，以对所述格式转换后的数据处理学习模型进行部署。6.根据权利要求1所述的方法，其特征在于，在接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处理数据和数据处理结果之后，还包括：根据所述待处理数据和所述数据处理结果，更新所述数据处理学习模型。7.一种手机银行数据处理装置，其特征在于，所述装置包括：模型获取模块，用于获取数据处理学习模型；格式转换模块，用于对所述数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；模型部署模块，用于将所述格式转换后的数据处理学习模型部署至手机银行终端；数据缓存模块，用于接收所述手机银行终端上传的云存储请求，并缓存所述云存储请求中携带的待处理数据和数据处理结果，所述数据处理结果由所述手机银行终端采集所述
待处理数据，并采用所述格式转换后的数据处理学习模型对所述待处理数据进行处理得到。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种可用于人工智能技术领域的手机银行数据处理方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取数据处理学习模型；对数据处理学习模型进行coreml格式转换，得到格式转换后的数据处理学习模型；将格式转换后的数据处理学习模型部署至手机银行终端；接收手机银行终端上传的云存储请求，并缓存云存储请求中携带的待处理数据和数据处理结果，数据处理结果由手机银行终端采集待处理数据，并采用格式转换后的数据处理学习模型对待处理数据进行处理得到。采用本方法能够适用于离线状态下的手机银行数据处理。够适用于离线状态下的手机银行数据处理。够适用于离线状态下的手机银行数据处理。


技术研发人员：文卓
受保护的技术使用者：中国银行股份有限公司
技术研发日：2023.06.09
技术公布日：2023/10/15