一种基于树模型特征衍生的风险评估方法、装置和电子设备

摘要

本发明公开了一种基于树模型特征衍生的风险评估方法，用于评估用户的金融风险，其特征在于，包括：获取与用户关联的移动终端的应用列表信息并对其进行独热编码，形成与用户关联的独热编码特征；将独热编码特征代入树特征衍生模型以获取与用户关联的独热编码衍生特征；构建机器学习模型，使用历史用户的独热编码衍生特征及其金融表现数据训练该机器学习模型；将新用户的独热编码衍生特征输入训练好的机器学习模型，计算该新用户的风险评分。本发明评估的授信风险结果准确率高，稳定性较好，在建模和特征维护方面，投入的人力少，节省资源，效果显著。

说明书

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种基于树模型特征衍生的风险评估方法、装置、电子设备及计算机可读介质。

背景技术

消费金融领域，在用户充分授权的前提下，对用户的应用程序（APP）数据进行充分挖掘并用以风险控制可以区分出一定比例的高风险用户。目前传统的应用变量挖掘主要是对应用程序进行分类统计，然后刻画用户画像；或者根据不同时期应用程序安装卸载的变化情况来刻画用户的风险变化；或者根据安装的应用程序风险等级来衍生相关的入模变量。上述方法可以衍生出具有一定风险区分度的变量，但是这些方法普遍存在维护难度比较大，投入的人力较多，衍生变量的质量较大程度依赖于挖掘者对业务的了解程度、维护成本高、稳定性不理想等。

发明内容

为了解决在风险评估中存在的上述缺陷进而实现稳定准确高效的评估，本发明提供了一种基于树模型特征衍生的风险评估方法、装置、电子设备及计算机可读介质。

本发明的一个方面提供一种基于树模型特征衍生的风险评估方法，用于评估用户的金融风险，包括：

获取与用户关联的移动终端的应用列表信息并对其进行独热编码，形成与所述用户关联的独热编码特征；

将所述独热编码特征代入树特征衍生模型以获取与所述用户关联的独热编码衍生特征；

构建机器学习模型，使用历史用户的独热编码衍生特征及其金融表现数据训练该机器学习模型；

将新用户的独热编码衍生特征输入所述训练好的机器学习模型，计算该新用户的风险评分。

根据本发明的优选实施方式，所述获取与用户关联的移动终端的应用列表信息并对其进行独热编码，进一步包括：获取多个应用的用户覆盖度；建立应用集合，使得所述应用集合中的各应用的所述用户覆盖度大于预定值；将用户的用用安装列表与所述应用集合比较以获得所述与用户关联的独热编码特征。

根据本发明的优选实施方式，所述建立应用集合，使得所述应用集合中的各应用的所述用户覆盖度大于预定值，进一步包括：按照所述用户覆盖度由大到小的顺序对所述多个应用排序形成序列；选取所述序列中排名在前预设数量的应用作为应用集合中的应用。

根据本发明的优选实施方式，根据应用列表信息进行独热编码，形成与所述用户关联的独热编码特征，进一步包括：根据所述应用安装列表信息获得应用安装数量，根据应用安装数量是否超过预定值进行独热编码，获得所述与用户关联的独热编码特征。

根据本发明的优选实施方式，根据应用列表信息进行独热编码，形成与所述用户关联的独热编码特征，进一步包括：根据所述应用安装列表信息获得特定类型的应用安装数量，根据该特定类型的应用安装数量是否超过预定值进行独热编码，获得所述与用户关联的独热编码特征。

根据本发明的优选实施方式，所述将独热编码特征代入树特征衍生模型以获取与所述用户关联的独热编码衍生特征，进一步包括：构建树特征衍生模型；将所述独热编码特征打散并代入所述树特征衍生模型；获取独热编码衍生特征。

根据本发明的优选实施方式，所述树特征衍生模型进一步包括多个树模型构成的组合模型。

根据本发明的优选实施方式，所述树模型为xgboost模型或LightGBM模型。

根据本发明的优选实施方式，所述独热编码衍生特征为一维稀疏向量。

根据本发明的优选实施方式，所述机器学习模型进一步包括：逻辑回归模型或因子分解机。

本发明的第二方面提供一种基于树模型特征衍生的风险评估装置，包括：

信息获取模块，用于获取与用户关联的移动终端的应用列表信息；

信息编码模块，用于对所述应用列表信息进行独热编码，形成与所述用户关联的独热编码特征；

特征衍生模块，用于将所述独热编码特征代入树特征衍生模型以获取与所述用户关联的独热编码衍生特征；

模型训练模块，用于构建机器学习模型，使用历史用户的独热编码衍生特征及其金融表现数据训练该机器学习模型；

评估模块，用于将新用户的独热编码衍生特征输入所述训练好的机器学习模型，计算该新用户的风险评分。

根据本发明的优选实施方式，所述信息编码模块进一步包括：覆盖度获取单元，用于获取多个应用的用户覆盖度；集合建立单元，用于建立应用集合，使得所述应用集合中的各应用的所述用户覆盖度大于预定值；比较单元，用于将用户的用用安装列表与所述应用集合比较以获得所述与用户关 联的独热编码特征。

根据本发明的优选实施方式，所述集合建立单元进一步包括：排序组件，用于按照所述用户覆盖度由大到小的顺序对所述多个应用排序形成序列；筛选组件，用于选取所述序列中排名在前预设数量的应用作为应用集合中的应用。

根据本发明的优选实施方式，所述信息编码模块进一步包括：计数单元，用于根据所述应用安装列表信息获得应用安装数量；第一特征提取单元，用于根据应用安装数量是否超过预定值进行独热编码，获得所述与用户关联的独热编码特征。

根据本发明的优选实施方式，所述信息编码模块进一步包括：分类计数单元，用于根据所述应用安装列表信息获得特定类型的应用安装数量；第二特征提取单元，用于根据该特定类型的应用安装数量是否超过预定值进行独热编码，获得所述与用户关联的独热编码特征。

根据本发明的优选实施方式，所述特征衍生模块进一步包括：树模型构建单元，用于构建树特征衍生模型；代入单元，用于将所述独热编码特征打散并代入所述树特征衍生模型；特征获取单元，用于获取独热编码衍生特征。

根据本发明的优选实施方式，所述树模型构建单元用于构建由多个树模型构成的组合模型。

根据本发明的优选实施方式，所述树模型为xgboost模型或LightGBM模型。

根据本发明的优选实施方式，所述独热编码衍生特征为一维稀疏向量。

根据本发明的优选实施方式，所述模型训练模块利用逻辑回归模型或因子分解机进行机器学习训练。

本发明的第三方面提供一种电子设备，其中，该电子设备包括：处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述的方法。

本发明的第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的方法。

本发明的技术方案，具有如下有益效果：

本发明通过获取与用户关联的移动终端的应用列表信息并对其进行独热编码，形成与所述用户关联的独热编码特征，将所述独热编码特征代入树特征衍生模型以获取与所述用户关联的独热编码衍生特征，构建机器学习模型，使用历史用户的独热编码衍生特征及其金融表现数据训练该机器学习模型，将新用户的独热编码衍生特征输入所述训练好的机器学习模型，计算该新用户的风险评分从而得到待授信用户的授信风险，变量挖掘简单，变量衍生效果好，易于实现，且评估的授信风险结果准确率高，稳定性较好，在建模和特征维护方面，投入的人力少，节省资源，效果显著。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是根据一示例性实施例示出的一种基于树模型特征衍生的风险评估方法及装置的应用场景示意图。

图2是根据一示例性实施例示出的一种基于树模型特征衍生的风险评估方法的流程图。

图3是根据一示例性实施例示出的独热编码衍生特征的具体生成方法的示意图。

图4是根据一示例性实施例示出的一种基于树模型特征衍生的风险评估装置的模块架构示意图。

图5是根据一示例性实施例示出的一种电子设备的框图。

图6是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实

施例，并参照附图，对本发明作进一步的详细说明。

图1是根据一示例性实施例示出的一种基于树模型特征衍生的风险评估方法及装置的应用场景示意图。

如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持应用安装的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果反馈给金融服务网站的管理员。

服务器105可例如获取与用户关联的移动终端102、102、103的应用列表信息并对其进行独热编码，形成与所述用户关联的独热编码特征；服务器105可例如将所述独热编码特征代入树特征衍生模型以获取与所述用户关联的独热编码衍生特征；服务器105可例如构建机器学习模型，使用历史用户的独热编码衍生特征及其金融表现数据训练该机器学习模型；服务器105可例如将新用户的独热编码衍生特征输入所述训练好的机器学习模型，计算该新用户的风险评分。

用户通过移动终端101、102、103访问金融机构服务器，向金融机构提出授信请求，金融机构服务器接收到借贷请求后，会通过分析用户资料来评估待授信用户的授信风险，在本发明的实施例中，金融机构服务器通过采集样本用户的移动终端APP安装列表信息，将移动终端APP安装列表信息转化为独热编码特征，进一步的，将所述独热编码特征代入树特征衍生模型获取独热编码衍生特征并建立机器学习模型，利用样本用户的独热编码衍生特征和授信风险结果训练机器学习模型，最后将待授信用户的移动终端APP的有关信息及独热编码衍生特征代入训练完成的机器学习模型进行训练从而得到待授信用户的授信风险，稳定性较好，在建模和特征维护方面，投入的人力少，节省资源，效果显著。

图2是根据一示例性实施例示出的一种基于树模型特征衍生的风险评估方法的流程图。基于树模型特征衍生的风险评估方法20至少包括步骤S201至S204。

在步骤S201中，获取与用户关联的移动终端的应用列表信息并对其进行独热编码，形成与所述用户关联的独热编码特征。

获取与用户关联的移动终端的应用安装列表信息，所述用户包括历史用户和新用户。具体来说，金融机构服务器首先获取足够数量的已知授信金融表现数据的历史用户，并在用户授权的情况下获取他们移动终端内安装的APP信息，并以列表形式发送到金融机构服务器，作为授信风险模型的训练样本。当新用户通过移动终端开启金融机构的客户端并发起授信请求后，金融机构的客户端会弹出对话框，请求用户授权以获取用户的移动终端内安装的应用信息，当用户授权后，客户端同样会将用户安装的应用以列表形式发送到金融机构服务器，便于金融机构服务器后续对列表内的应用进行处理。

根据所述应用安装列表信息进行独热编码，获得与用户关联的独热编码特征。具体来说，首先通过多种途径获取当前多款应用的覆盖度，所述应用覆盖度是特定区域范围内安装了该应用用户的人数，人数越多表示其覆盖度越大（广），然后根据获取的应用覆盖度对所有应用按照所述用户覆盖度由大到小的顺序进行排序并形成序列，覆盖度越大的应用排名越靠前，排名可分为多种形式，例如综合排名和每一类的排名，现有的应用有多种类别，例如金融类、贷款类、理财类、社交类、游戏类、工作类等，可以先获取分类前的所有应用的综合覆盖度排名，然后在分别获取每个类别下的应用的覆盖度排名。

在获取到应用的覆盖度排名后，建立应用集合，并为集合设定阈值范围，只有应用的预设条件大于阈值范围才能分到该集合中，在此可以设置为覆盖度大于设定阈值的应用才能分到该集合中，也可以设置为只有排名大于设定阈值的应用才能分到该集合中。

优选的，在建立应用集合时，可以根据排名形式不同建立各种形式的应用集合，例如，可以根据应用的综合覆盖度排名建立的应用集合，也可以根据特定类型的应用来建立应用集合，适用于不同类型的用户。

最后，当有新的待授信用户时，金融机构服务器在用户授权的情况下获取该用户移动终端安装的应用列表信息，并将应用集合中的每个应用分别与应用列表中的所有应用进行比较，确定该用户是否安装了应用集合中的应用，当应用集合中的某个应用与应用列表中的应用匹配成功时，说明该用户安装了应用集合中的应用，此时将该应用转换为第一独热编码特征；当应用集合中的某个应用与应用列表中的应用匹配失败时，说明该用户没有安装应用集合中的应用，此时将该应用转换为第二独热编码特征。

例如，将所有应用根据覆盖度进行排名，选取排名靠前的约1000个应用分到应用集合中，然后将应用集合中的1000个应用分别与用户的应用安装列表进行匹配，共比较了1000次，若用户安装了应用集合中的某一应用则为1，否则为0，最终该用户的特征维就是一组约1000维的由0、1变量构成的特征。需要说明的是，独热编码特征的维度与应用集合中应用的数量相同。

优选的，在根据用户安装的应用列表将应用集合中的应用转换为独热编码特征后，为了使每个用户间的独热编码特征更精确，可以根据应用安装列表信息获得应用安装数量，根据应用安装数量是否超过预定值进行独热编码，获得所述与用户关联的独热编码特征。例如，将用户安装的应用数量阈值设置为50，则当用户安装的应用数量超过50时的独热编码为10，否则为01。并将此独热编码与上述独热编码进行拼接形成新的独热编码特征。

优选的，还可以根据应用安装列表信息获得特定类型的应用安装数量，根据该特定类型的应用安装数量是否超过预定值进行独热编码，获得所述与用户关联的独热编码特征。例如，将用户安装的金融类型应用数量阈值设置为10，则当用户安装的金融类型的应用数量超过10时的独热编码为10，否则为01。并将此独热编码与上述独热编码进行拼接形成新的独热编码特征。还可以依照上述方法同时获取该用户每个应用类型对应的独热编码特征，可以将这些独热编码特征选择性的拼接在综合类型对应的独热编码特征中以形成新的独热编码特征。

在步骤S202中，将所述独热编码特征代入树特征衍生模型以获取与所述用户关联的独热编码衍生特征。

具体而言，将步骤S201中获取的独热编码特征打散后送到构建好的树特征衍生模型中，基于树特征衍生模型进行特征衍生。所述树特征衍生模型包括但不限于多数树模型构成的组合模型。在一个实施例中，所述树特征衍生模型包括但不限于xgboost模型、LightGBM模型等。

进一步的，具体的衍生方案是，将步骤S201获取的独热编码特征用xgboost/LightGBM模型训练后，把每个样本所落的叶节点位置标为1，其余为0。这样对于一n棵树、m个叶节点的xgboost/LightGBM模型中，每一条训练样本都会被转换成1*m的稀疏变量，其中有n个元素为1，其余的m-n个元素为0。

图3是根据一示例性实施例示出的独热编码衍生特征的具体生成方法的示意图。如图3所示，树特征衍生模型为包括A、B、C、D4棵树的xgboost/LightGBM模型，其中A包括5个叶节点，B包括4个叶节点，C包括4个叶节点、D包括5个叶节点。

将获取的独热编码特征（如[0,1,1,0,……1,0,0,1]）代入所述模型，其落在4棵树的每一棵树的一叶节点中，如图3标黑处。则其分别可用[0,1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,1,0,0]表示。需要特别说明的是，本说明书中为清楚解释故用单层模型进行说明，本发明所要保护的技术方案并不仅限于单层，亦可包括多层。

将上述生成的变量使用LR或者Factorization Machine算法进行特征组合，进而形成一维稀疏变量，则为独热编码衍生特征。

在步骤S203中，构建机器学习模型，使用历史用户的独热编码衍生特征及其金融表现数据训练该机器学习模型。

根据步骤S201中获取的历史用户的独热编码特征，并根据步骤S202中的方法获取他们的独热编码衍生特征，同时建立机器学习模型，将历史用户的独热编码衍生特征及其金融表现数据作为训练样本输入该机器学习模型，由此可以对机器模型进行训练，得到训练好的机器训练模型。例如历史用户的金融表现数据是“是否逾期超过7天”的数据，即该表现数据可以是“是”或“否”，或者用“1”和“0”表示。优选的，在本发明实施例中，机器学习模型可以是由极端梯度提升模型经过训练得到的，本发明实施例不对机器学习模型的种类做任何限制。

在步骤S204中，将新用户的独热编码衍生特征输入所述训练好的机器学习模型，计算该新用户的风险评分。

具体来说，首先获取的新用户的独热编码特征，根据步骤S202中的方法，获取其独热编码衍生特征，将该衍生特征输入步骤203中训练完成的风险模型中，得到该待用户的风险评分结果。通过所述结果可以合理的对该用户进行下一步业务操作。

例如，以历史用户“是否逾期超过7天”为金融表现数据进行训练后的机器学习模型，可以接受新用户的独热编码衍生特征信息，由此预测其金融表现数据，即将来发生“是否逾期超过7天”的概率，这个概率在0和1之间，越接近1则表示其越有可能发生“逾期超过7天”。由此，可以根据既定的策略来对该新用户进行授信或拒绝等风险操作。

本发明的方法变量挖掘简单，变量衍生效果好，易于实现，且评估的授信风险结果准确率高，稳定性较好，在建模和特征维护方面，投入的人力少，节省资源，效果显著。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序（计算机程序）。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

图4是根据一示例性实施例示出的一种基于树模型特征衍生的风险评估装置的模块架构示意图。

如图4所示，所述基于树模型特征衍生的风险评估装置40包括：信息获取模块401、信息编码模块402、特征衍生模块403、模型训练模块404、评估模块405。

信息获取模块401，用于获取与用户关联的移动终端的应用列表信息。

信息编码模块402，用于对所述应用列表信息进行独热编码，形成与所述用户关联的独热编码特征。

信息编码模块402进一步包括：

覆盖度获取单元，用于获取多个应用的用户覆盖度；

集合建立单元，用于建立应用集合，使得所述应用集合中的各应用的所述用户覆盖度大于预定值；

比较单元，用于将用户的应用安装列表与所述应用集合比较以获得所述与用户关联的独热编码特征。

集合建立单元还包括：

排序单元，用于按照所述用户覆盖度由大到小的顺序对所述多个应用排序形成序列；

筛选单元，用于选取所述序列中排名在前预设数量的应用作为应用集合中的应用。

信息编码模块402还包括：

计数单元，用于根据所述应用安装列表信息获得应用安装数量；

第一特征获取单元，用于根据应用安装数量是否超过预定值进行独热编码，获得所述与用户关联的独热编码特征。

信息编码模块402还包括：

分类计数单元，用于根据所述应用安装列表信息获得特定类型的应用安装数量；

第二特征获取单元，用于根据该特定类型的应用安装数量是否超过预定值进行独热编码，获得所述与用户关联的独热编码特征。所述特定类型为多个，例如金融类、贷款类、理财类、社交类、游戏类、工作类等，由此产生多个独热编码特征。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

特征衍生模块403，用于将所述独热编码特征代入树特征衍生模型以获取与所述用户关联的独热编码衍生特征。

特征衍生模块403还包括：

树模型构建单元，用于构建树特征衍生模型。更进一步的，用于构建由多个树模型构成的组合模型。

代入单元，用于将所述独热编码特征打散并代入所述树特征衍生模型；

特征获取单元，用于获取独热编码衍生特征。

模型训练模块404，用于构建机器学习模型，使用历史用户的独热编码衍生特征及其金融表现数据训练该机器学习模型；

评估模块405，用于将新用户的独热编码衍生特征输入所述训练好的机器学习模型，计算该新用户的风险评分。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图5是根据一示例性实施例示出的一种电子设备的框图。

下面参照图5来描述根据本公开的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件（包括存储单元520和处理单元510）的总线530、显示单元540等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2，图3中所示的步骤。

所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元（ROM）5203。

所述存储单元520还可以包括具有一组（至少一个）程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备500’（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图6所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取第一数据库中的第一表格和第二数据库中的第二表格；通过数据库语句对所述第一表格和第二表格的数据结构进行对比生成对比结果；根据所述对比结果生成第一自动处理指令和第二自动处理指令；以及根据预设策略确定执行第一自动处理指令或第二自动处理指令。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。