一种基于决策树模型的数据处理方法及相关设备

摘要

本申请实施例应用于人工智能领域，公开了一种基于决策树模型的数据处理方法及相关设备，包括：接收目标账户发送的携带目标账户的任务标识的资源数据转移请求；获取目标账户的第一账户信息和第一历史任务信息，将第一账户信息和第一历史任务信息输入至预训练的目标决策树模型；确定任务标识指示的第一任务对应的第一数据量；对目标账户进行身份验证，向目标账户转入第一数据量的资源数据；确定第一任务对应的第一节点和任务异常信息，根据任务异常信息确定第二数据量，向目标账户转入第二数据量的资源数据。采用本申请实施例，有利于降低平台的资源数据的损失，提高平台资源数据转移的安全性。本申请涉及区块链技术，上述数据可存储于区块链中。

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于决策树模型的数据处理方法及相关设备。

背景技术

随着互联网技术的飞速发展，出现了一种任务平台，所谓任务平台即时指可以发布产品提供方提供有偿任务的平台，有偿任务可以是给特定产品推广、销售某一种商品等等，用户可以在任务平台上接受任务后完成任务，进而得到任务平台转入的资源数据。

目前，任务平台为了吸引更多的用户，通常会提高资源数据核算和转移的速度，例如，任务平台可以在用户接受并完成任务后向该用户转移该任务对应的资源数据。但是在某些场景中，例如购物场景下，该任务为销售某一特定的商品，用户销售了商品，获得了任务平台转入的资源数据，但是后续商品出现了退款的情况。因此，产品提供方视该任务为失败，则不会将该任务对应的资源数据转入至该任务平台，但是该任务平台已向用户转移了该任务的资源数据，从而任务平台需要向该用户追还该任务的资源数据，导致了平台资源数据的损失，对于任务平台在说，资源数据的转移风险较大，安全性低。

发明内容

本申请实施例提供了一种基于决策树模型的数据处理方法、装置、设备以及可读介质，有利于降低任务平台资源数据的损失，也可以降低资源数据的转移风险，可以提高任务平台资源转移的安全性。

第一方面，本申请实施例提供了一种基于决策树模型的数据处理方法，包括：

接收目标账户发送的资源数据转移请求，上述资源数据转移请求携带上述目标账户的任务标识，上述任务标识用于指示第一任务；

获取上述目标账户的第一账户信息和第一历史任务信息，将上述第一账户信息和上述第一历史任务信息输入至预训练的目标决策树模型中，得到上述目标账户的风险评估分数；

在上述风险评估分数小于风险评估阈值的情况下，确定上述目标账户的风险评估结果通过，并确定上述第一任务对应的第一数据量；

对上述目标账户进行身份验证，在上述目标账户的身份验证结果为通过的情况下，向上述目标账户转入上述第一数据量的资源数据；

在确定上述第一任务未达到任务完成节点的情况下，确定上述第一任务对应的第一节点和任务异常信息，根据上述任务异常信息确定第二数据量，并向上述目标账户转入上述第二数据量的资源数据，上述第二数据量为小于零的数据量。

进一步地，上述将上述第一账户信息和上述第一历史任务信息输入至预训练的目标决策树模型中，得到上述目标账户的风险评估分数之前，还包括：

构建训练样本集，上述训练样本集包括正样本和负样本，上述正样本和上述负样本是根据多个账户中参考账户的第二账户信息的风险特征和第二历史任务信息的风险特征确定的；

确定上述第二账户信息的风险特征对应的参考账户个数占总账户个数的第一比例数据,确定上述第二历史任务信息的风险特征对应的参考账户个数占总账户个数的第二比例数据；

根据上述第一比例数据确定上述第二账户信息的风险特征的信息增益，并根据上述第二比例数据确定上述第二历史任务信息的风险特征的信息增益；

将上述第二账户信息的风险特征的信息增益和上述第二历史任务信息的风险特征的信息增益输入预设的决策树模型进行训练，得到初始决策树模型。

进一步地，上述构建训练样本集，包括：

获取上述多个账户中参考账户的第二账户信息和第二历史任务信息，根据预设的风险评估项确定上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征，上述参考账户为上述多个账户中的任一账户；

确定上述参考账户在预设时长内执行的第二任务达到任务完成节点的数量占总执行的任务数量的比例；

若上述比例大于预设比例阈值，则将上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征作为正样本，若上述比例小于上述预设比例阈值，则将上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征作为负样本，确定上述正样本和上述负样本为上述训练样本集。

进一步地，上述将上述第二账户信息的风险特征的信息增益和上述第二历史任务信息的风险特征的信息增益输入预设的决策树模型进行训练，得到初始决策树模型之后，还包括：

根据上述初始决策树模型中从根节点至各个叶子节点的路径，得到多个路径；

获取上述多个路径中目标路径对应的负样本个数和总样本个数，上述目标路径为上述多个路径中任一路径；

将上述目标路径对应的负样本个数占总样本个数的比例确定上述目标路径对应的风险评估分数；

将上述目标路径对应的风险评估分数标注在上述目标路径的叶子节点处，得到上述目标决策树模型。

进一步地，上述对上述目标账户进行身份验证，包括：

确定上述目标账户的终端设备的网络质量是否达到身份验证条件，上述网络质量是指上述终端设备用于数据传输的信号强度；

在上述网络质量达到身份验证条件的情况下，对上述目标账户进行视频身份验证，得到上述目标账户的身份验证结果；

在上述网络质量未达到身份验证条件的情况下，向上述终端设备发送人脸身份验证指令，上述人脸身份验证指令携带校验信息，并接收上述终端设备返回的身份验证结果，上述校验信息为上述目标账户对应的人脸图像的校验数据。

进一步地，上述资源数据转移请求还携带上述第一任务对应的第二节点；上述根据上述任务异常信息确定第二数据量，包括：

在上述第一节点为上述第二节点的上一个节点的情况下，上述任务异常信息为用于指示任务执行失败的指示信息；

获取上述任务异常信息对应的第一计算方法，上述第一计算方法用于指示将上述第一数据量的相反数确定为上述第二数据量。

进一步地，上述根据上述任务异常信息确定第二数据量，包括：

在上述第一节点为上述任务完成节点的上一个节点的情况下，上述任务异常信息为用于指示任务并未按预设时间完成的指示信息；

获取上述任务异常信息对应的第二计算方法，根据上述第二计算方法确定上述第二数据量；

上述根据上述第二计算方法确定上述第二数据量，包括：

根据上述第一数据量和上述第一节点确定第三数据量，上述第三数据量为上述第一任务达到上述第一节点的数据量，上述第三数据量小于上述第一数据量；

将上述第一数据量与上述第三数据量的差确定为上述第二数据量。

第二方面，本申请实施例提供了一种基于决策树模型的数据处理装置，包括：

接收单元，用于接收目标账户发送的资源数据转移请求，上述资源数据转移请求携带上述目标账户的任务标识，上述任务标识用于指示第一任务；

获取单元，用于获取上述目标账户的第一账户信息和第一历史任务信息，将上述第一账户信息和上述第一历史任务信息输入至预训练的目标决策树模型中，得到上述目标账户的风险评估分数；

确定单元，用于在上述风险评估分数小于风险评估阈值的情况下，确定上述目标账户的风险评估结果通过，并确定上述第一任务对应的第一数据量；

验证单元，用于对上述目标账户进行身份验证，在上述目标账户的身份验证结果为通过的情况下，向上述目标账户转入上述第一数据量的资源数据；

上述确定单元，还用于在确定上述第一任务未达到任务完成节点的情况下，确定上述第一任务对应的第一节点和任务异常信息，根据上述任务异常信息确定第二数据量，并向上述目标账户转入上述第二数据量的资源数据，上述第二数据量为小于零的数据量。

另外，该方面中，基于决策树模型的数据处理装置其他可选的实施方式可参阅上述第一方面的相关内容，此处不再详述。

第三方面，本申请实施例提供一种计算机设备，该计算机设备包括存储器和处理器、收发器；上述处理器分别与上述存储器和上述收发器相连，其中，上述存储器存储有计算机程序代码，上述处理器和上述收发器用于调用上述程序代码，执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法。

第四方面，实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，当该计算机程序被计算机设备运行时，实现如第一方面的任一种可能的实现方式所公开的基于决策树模型的数据处理方法。

在本申请实施例中，通过接受目标账户发送的携带任务标识的资源数据转移请求，将获取到的目标账户的账户信息和历史任务信息输入至预训练的目标决策树模型中，得到目标账户的风险评估分数，在该风险评估分数小于风险评估阈值的情况下，确定目标账户的风险评估结果为通过，即可以对该目标账户进行风险评估，在风险比较低的情况下，可以确定目标账户所执行的任务的第一数据量，并对目标账户进行身份验证，在身份验证通过的情况下，向目标账户转入第一数据量的资源数据，并在确定该任务没有达到任务完成节点的情况下，确定该任务的当前所达到的节点和任务异常信息，并根据任务异常信息确定第二数据量，第二数据量为小于零的数据量，向目标账户转入第二数据量的资源数据。可见，一方面，通过目标决策树模型对目标账户进行风险评估，在风险评估通过的情况下，转入第一资源数据，提高任务平台资源数据转入的安全性。另一方面，通过确定任务当前达到的节点，根据任务的完成节点来划分，并根据任务异常信息确定负资源数据，从而将负的资源数据转入目标账户，以减小任务平台的损失，从而降低资源数据的转移风险。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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。

图1是本申请实施例提供的一种基于决策树模型的数据处理系统的结构示意图；

图2是本申请实施例提供的一种基于决策树模型的数据处理方法的流程示意图；

图3是本申请实施例提供的一种基于决策树模型的数据处理方法的另一流程示意图；

图4是本申请实施例提供的一种基于决策树模型的数据处理装置的结构示意图；

图5是本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面结合附图1-附图3对本申请实施例提供的一种基于决策树模型的数据处理方法进行示意性说明。

本申请实施例提供的一种基于决策树模型的数据处理方法可以应用于一种平台中，该任务平台可以承载在基于决策树模型的数据处理系统或者应用程序中。在某些实施例中，上述任务平台是指具有向用户提供有偿任务的平台，该任务平台还可以提供资源数据的转移功能，当用户完成任务后，将完成的任务对应的资源数据转移至用户的账户中。其中，用户为上述任务平台的使用者，可以通过在任务平台中接受有偿任务，然后完成任务后，得到任务平台转入账户的资源数据。在某些实施例中，任务平台可以与用户的终端设备建立通信连接，接收终端设备发起的资源数据转移请求。在某些实施例中，任务平台还可以与任务提供方的终端设备和/或服务器建立通信连接。在某些实施例中，上述通信连接的方式可以包括但不限于无线通信技术(Wireless Fidelity，WIFI)、蓝牙、近场通信(NearField Communication，NFC)等。

具体地，任务平台可以接收用户通过目标账户发送的资源数据转移请求，该资源数据转移请求携带目标账户的任务标识，该任务标识用于指示目标账户的用户执行的任务，即转移资源数据所对应的任务；进而任务平台获取目标账户的账户信息和历史任务信息，并将获取到的信息输入至预训练的目标决策树模型中，得到目标账户的风险评估分数。即通过对用户的目标账户进行风险评估，若风险评估不通过时，则任务平台不向目标账户转入资源数据，反之，在风险评估结果为通过时，即在目标决策树模型输出目标账户的风险评估分数小于风险评估阈值的情况下，确定目标账户的风险评估结果通过，并确定任务对应的数据量，并对目标账户进行身份验证，在身份验证通过的情况下，向目标账户转入任务对应的数据量的资源数据。最后，任务平台在该任务未达到任务完成节点的情况下，确定任务当前所在的节点和任务异常信息，并根据任务异常信息确定另一数据量，该数据量小于零，用于结算多转入目标账户的资源数据，即将该数据量转入目标账户进行结算。

本申请实施例提出的基于决策树模型的数据处理方法涉及人工智能、机器学习等技术，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。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。

基于上述描述，下面结合图1对本申请实施例提供的一种基于决策树模型的数据处理系统进行示意性说明。

请参阅图1，图1是本申请实施例提供的一种基于决策树模型的数据处理系统的结构示意图。上述基于决策树模型的数据处理系统包括：任务平台101，一个或多个终端设备(终端设备102和终端设备103)、一个或多个任务提供设备(任务提供设备104、任务提供设备105、任务提供设备106)。其中，一个或多个终端设备与任务平台101可以通过有线或无线的方式进行直接或间接的连接。一个或多个任务提供设备与任务平台101也可以通过有线或无线的方式进行直接或间接的连接。可选地，基于决策树模型的数据处理系统还可以包括训练设备107，该训练设备可以用于获取任务平台101中的数据，并根据获取到的数据训练决策树模型，得到目标决策树模型。其中，任务平台101与训练设备107可以是同一个设备，也可以是不同的设备，在任务平台101与训练设备107不为同一个设备的情况下，任务平台101与训练设备107可以通过有线或无线的方式进行直接或间接的连接。

需要说明的是图1所示的设备数量和形态用于举例，并不构成对本申请实施例的限定，实际应用中该基于决策树模型的数据处理系统还可以包括三个及以上终端设备，或者三个以上任务提供设备，即任务平台可以与三个以上终端设备通过有线或无线的方式进行直接或间接的连接，任务平台也可以与三个以上任务提供设备通过有线或无线的方式进行直接或间接的连接。本申请实施例以两个终端设备(终端设备102和终端设备103)、一个任务平台101以及三个任务提供设备(任务提供设备104、任务提供设备105、任务提供设备106)，任务平台101和训练设备107为同一个设备为例进行讲解。

其中，两个终端设备(终端设备102和终端设备103)可以为不同的用户的终端设备，任务平台101可以为每个用户提供有偿任务，两个不同的用户分别通过终端设备查看任务平台101提供的有偿任务，并与任务平台101进行交互，从而可以查看任务平台101提供的多个有偿任务，也可以通过终端设备接收任务平台101提供的有偿任务，进而用户完成任务后，可以通过终端设备返回至任务平台101，从而获得任务平台101转入的资源数据。其中，用户通过终端设备在任务平台101中注册有账户，任务平台101统计用户的任务执行情况、转入资源数据均是通过用户的账户执行的。

具体的，用户完成任务后，可以通过终端设备向任务平台101发送资源数据转移请求，该用户的账户为目标账户，该资源数据转移请求携带该目标账户的任务标识，该任务标识用于指示用户所执行的任务，进而任务平台101获取该目标账户的账户信息和历史任务信息，将账户信息和历史任务信息输入至预训练的目标决策树模型中，得到该用户的目标账户的风险评估分数；在上述风险评估分数小于风险评估阈值的情况下，确定目标账户的风险评估结果通过，并确定该任务对应的第一数据量，即在风险评估结果为通过的情况下，可以向该目标账户转入资源数据，在转入资源数据之前还需对上述目标账户进行身份验证，在该目标账户的身份验证结果为通过的情况下，向目标账户转入上述第一数据量的资源数据；若任务平台101确定该用户执行的任务未达到任务完成节点的情况下，确定该任务当前所在的节点和任务异常信息，并根据上述任务异常信息确定第二数据量，第二数据量为负的数据量，并向上述目标账户转入上述第二数据量的资源数据，从而能够避免任务平台的损失。

上述任务平台101、上述终端设备(终端设备102和终端设备103)、上述任务提供平台(任务提供设备104、任务提供设备105、任务提供设备106)以及训练设备107均可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等等；上述应用平台的设备101和上述授权平台的设备102还可以是服务器，例如可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器，本申请对此不做限定。

下面对本申请实施例提供的一种基于决策树模型的数据处理方法进一步进行详细描述，请参阅图2，图2是本申请实施例提供的一种基于决策树模型的数据处理方法的流程示意图。其中，如图2所示，该基于决策树模型的数据处理方法可以包括：

201、接收目标账户发送的资源数据转移请求。

在本申请实施例中，为了更好的让用户接受平台的有偿任务，并完成任务，任务平台可以在用户接受任务并执行后就接收用户发起的资源数据的转移请求，进而将用户接收的任务对应的资源数据转移至该用户的账户中。其中，目标账户为用户所使用的账户，用户为任务平台的使用者，接受任务平台的任务，并完成任务。资源数据转移请求，可以是在用户接受任务并进行执行任务后发起的，即目标账户在该任务达到任务接受节点之后的执行节点时，用户可以通过目标账户向任务平台发起资源数据转移请求，该资源数据转移请求携带该目标账户的任务标识，该任务用于指示第一任务，该第一任务为目标账户发起转移资源数据所对应的任务，为目标账户已接受并正在执行的任务。

202、获取上述目标账户的第一账户信息和第一历史任务信息，将上述第一账户信息和上述第一历史任务信息输入至预训练的目标决策树模型中，得到上述目标账户的风险评估分数。

在一种可能的实现方式中，账户信息为账户的基本信息，第一账户信息为目标账户的账户信息，其中，账户信息可以包括用户的姓名、用户的公司、用户的职位、用户的工作地点、用户的执行任务的类型、用户的推荐人等。其中，第一账户信息可以是基于用户录入的信息得到的。第一历史任务信息为该目标账户所执行的任务的信息和任务情况，具体可以包括该账户执行的每一个任务的信息。具体可以包括每一个任务所接收任务的时间、发起资源数据转移请求的时间、执行任务的时长等等；还可以包括任务完成情况，具体可以包括该目标账户执行的任务是否到达任务完成节点，达到任务完成节点的任务个数占总任务个数的比例，达到任务完成节点距离接受任务的时长、达到任务完成节点的时间；还可以包括未达到任务完成节点的任务信息，具体可以包括未达到任务完成节点的任务所在的任务节点、未达到任务完成节点的任务所对应的资源数据转移时间、未达到任务完成节点的任务所对应的执行时长等等。

在一种可能的实现方式中，将上述目标账户的第一账户信息和第一历史任务信息输入至预训练的目标决策树模型中，得到目标账户的风险评估分数。所谓决策树是指对样本进行训练并预测的一种分类器，决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。决策树中包括多个节点，多个节点分为根节点和叶子节点，根节点可以对应至少两个分叉路径，每个路径对应一个叶子节点，进而可以继续往下分，从而不能再进行划分为止，从而得到决策树模型。决策树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。其中，目标决策树模型为预训练的，在实际需要确定目标账户的风险评估分数时，仅需要直接使用该目标决策树确定目标账户的风险评估分数即可。具体的，将上述目标账户的第一账户信息和第一历史任务信息输入至上述预训练好的目标决策树模型中，从而目标决策树模型可以根据目标账户的第一账户信息和第一历史任务信息，确定在目标决策树模型中从根节点到该叶子节点的路径，进而根据目标决策树模型中确定的该路径所对应的分数，确定该目标账户的风险评估分数。

进一步地，在得到目标账户的风险评估分数后，对该风险评估分数进行判断，若该风险评估分数大于或等于风险评估阈值，则确定该目标账户的风险较大，确定该目标账户的风险评估结果为不通过。反之，若该风险评估分数小于上述风险评估阈值，则确定该目标账户的风险较小，确定上述目标账户的风险评估结果通过。

203、在上述风险评估分数小于风险评估阈值的情况下，确定上述目标账户的风险评估结果通过，并确定上述第一任务对应的第一数据量。

在一种可能的实现方式中，任务平台存储有风险评估阈值，将该风险评估阈值与上述目标账户的风险评估分数进行比较，任务平台若确定该风险评估分数小于该风险评估阈值，则任务平台确定该目标账户的风险较小，即风险评估结果为通过。进而，任务平台可以向目标账户转移资源数据，即确定该目标账户所发起的资源数据转移请求所携带的任务标识对应的第一数据量，第一数据量为该第一任务的资源数据的数据量。其中，任务平台在发布各个任务时，可以标注每一个任务对应的数据量，该数据量是各个任务在任务提供方通过任务提供设备向任务平台提供任务时，任务平台根据任务提供方提供的数据量确定的。因此，任务平台仅需要根据任务标识，获取该第一任务对应的第一数据量即可。

在一种可能的实现方式中，任务平台若确定该风险评估分数大于或等于风险评估阈值，则任务平台确定该目标账户的风险较大，即风险评估结果为不通过。进而任务平台不必获取第一任务所对应的第一数据量，并且不向该目标账户转移资源数据。可选地，任务平台还可以向目标账户发送风险评估结果不通过的提示信息，并提示用户完成任务，即增加任务达到任务完成节点的几率以提高风险评估分数，以争取改善该目标账户在后续风险评估中的风险评估结果。

204、对上述目标账户进行身份验证，在上述目标账户的身份验证结果为通过的情况下，向上述目标账户转入上述第一数据量的资源数据。

在一种可能的实现方式中，在向目标账户转入第一数据量的资源数据之前，还需要对目标账户进行身份验证，在该目标账户的身份验证结果为通过的情况下，才向该目标账户转入第一数据量的资源数据。其中，任务平台可以获取当前目标账户的终端设备的网络质量，该网络质量是指终端设备用于数据传输的信号强度，当任务平台发起针对目标账户的身份验证请求后，承载目标账户的终端设备可以向任务平台反馈该终端设备当前的网络质量，该网络质量不满足身份验证条件可以包括网络传输速率低于速率阈值，网络带宽低于带宽阈值，网络丢包率大于丢包率阈值，以及网络响应时长大于时长阈值等等。

在一种可能的实现方式中，终端设备可以向任务平台发送网络质量的指示信息，该指示信息用于指示该终端设备是否可以进行视频身份验证条件，该指示信息也可以是指示包括终端设备当前的网络传输速率、网络丢包率和网络响应时长等等参数，由任务平台判断当前终端设备是否达到视频身份验证条件，若任务平台确定当前终端设备达到视频身份验证条件，则向终端设备发送视频身份验证的请求，以对视频中的用户的人脸进行视频验证。

在另一种可能的实现方式中，当任务平台判断当前终端设备没有达到视频身份验证条件的情况下，则可以向终端设备发送人脸身份验证指令，该人脸身份验证指令携带校验信息，该校验信息为该目标账户对应的人脸图像的校验数据。具体的，校验信息可以为平台根据目标账户对应的用户的在注册时的人脸图像数据转换的校验数据。例如，平台在采集到目标账户对应的用户的一个或多个图像后，将该一个或多个图像转换为校验数据，其中，校验数据可以为人脸图像中识别出的特征点所在位置，如眼睛、鼻子、嘴、下巴所在位置，并计算各个特征点间的欧氏距离、曲率和角度等，可以将特征点的位置和各个特征点之间的关联信息确定为该人脸图像对应的校验数据。

具体的，终端设备在接收采集目标用户的人脸图像，按照同样的方式将身份验证时采集到的人脸图像转换为特征数据，该特征数据也可以包括该用户人脸的多个特征点，以及多个特征点之间的关联信息，进而终端设备可以将校验数据和特征数据进行匹配，若匹配度大于匹配阈值，则确定该用户的身份验证结果为通过，否则确定该用户的身份验证结果为不通过。其中，匹配度可以是校验数据和特征数据之间的相似度，若相似度大于相似度阈值，则确定该人脸图像的特征数据与校验数据匹配，则确定用户的身份验证通过。反之，校验数据和特征数据之间的相似度小于相似度阈值，则确定该人脸图像的特征数据和校验数据不相匹配，则确定该用户的身份验证结果为不通过。

进一步地，终端设备在得到该目标账户的身份验证结果后，可以将身份验证结果返回至任务平台。任务平台可以在该目标账户的身份验证结果为通过的情况下，将第一数据量的资源数据转入目标账户。

可选地，任务平台在确定该目标账户的身份验证结果为不通过的情况下，不向该目标账户转入第一数据量的资源数据，并可以向目标账户对应的终端设备发送身份验证不通过的提示信息，该提示信息也可以用于提示用户进行第二次身份验证，该提示信息还可以用于提示用户保持终端设备的摄像头的干净、清晰等等。

205、在确定上述第一任务未达到任务完成节点的情况下，确定上述第一任务对应的第一节点和任务异常信息，根据上述任务异常信息确定第二数据量，并向上述目标账户转入上述第二数据量的资源数据。

目前，在资源数据转入至目标账户后，若该第一任务并未完成，则任务平台可以确定第一任务对应的第一节点和任务异常信息，进而确定该任务异常信息对应的第二数据量，该第二数据量为负的数据量，并将该第二数据量的资源数据转移至目标账户。第一节点为当前任务所在的节点，任务异常信息为当前任务已执行结束，但是并未达到任务完成节点的原因。第二数据量是基于任务异常信息确定的。从而根据小于零的第二数据量对应的资源数据转入目标账户以减少因为用户已获得该第一任务的第一数据量的资源数据而并未完成该第一任务。

示例性的，以购物场景为例，用户向消费者推销某一款特定的产品，消费者购买了产品，但是由于产品可以在某一时间阈值内进行退货，消费者并未确认收货，并且发起了退款退货的请求，则任务提供方并未基于该退货的商品获得收益，因此并不会将该任务的资源数据转移至任务平台，但任务平台已将该第一任务的资源数据转入目标账户，则造成了任务平台的资源数据损失。因此，该任务平台可基于该任务确定第二数据量，并将第二数据量的资源数据转移至该目标账户，从而保障任务平台的资源数据的安全。

其中，一个任务可以分为多个处理节点，具体任务节点可以根据任务提供方提供的任务类型以及任务提供方的角色类型决定。示例性的，在销售某产品场景下，任务提供方可以为某一产品的品牌方，即角色类型可以为品牌方，任务为销售该品牌方提供的产品。则该任务的节点可以包括：发布任务、用户接收任务、产品已卖出、消费者收货、品牌方确认任务完成。再一示例性的，在贷款产品的场景下，任务提供方可以是某一贷款平台，即角色类型可以是贷款平台，任务为发放贷款。则该任务的节点可以包括：发布任务、用户接收任务、确定客户、产品提供方放款、客户还款、产品提供方确认任务完成。

在一种可能的实现方式中，任务平台在确定该第一任务未达到的任务完成节点的情况下，确定第一任务当前的节点，即第一节点。其中，目标账户向任务平台发起资源数据转移请求时，该资源数据转移请求可携带第二节点，该第二节点可以是第一节点的上一个节点，该任务异常信息可以用于指示该第一任务执行失败，进而任务平台可以获取该任务异常信息对应的第一计算方法，通过第一计算方法确定第二数据量。其中，第一计算方法用于指示将第一数据量的相反数确定为第二数据量，即任务执行失败，将任务平台之前转入的所有资源数据退回。

示例性的，在直播带货的场景中，该目标账户对应的用户为主播，第一任务为销售某一款产品，主播接受任务，在直播带货的过程中该第一任务达到已卖出节点(第二节点)，此时主播可发起资源数据转移请求，该资源数据转移请求可携带该已卖出节点。任务平台在风险评估通过后，对目标账户进行身份验证，在身份验证通过后，向目标账户转入该第一任务对应的资源数据，即第一数据量的资源数据。但是后续消费者发起退货退款，则相当于该任务退回上一个节点，即第一节点，用户接受任务的节点，任务异常信息用于指示该用户执行任务失败。则任务平台在第一节点为第二节点的上一个节点，任务异常信息用于指示任务执行失败的情况下，可以获取该任务异常信息对应的第一计算方法，该第一计算方法用于指示将第一数据量的相反数确定为第二数据量。其中，任务异常信息可以包括该任务的任务类型，执行情况，失败原因。第二数据量为负的数据量，相当于目标账户的第一任务执行失败，将全额退回资源数据。

在另一种可能的实现方式中，第一节点可以是任务完成节点的上一个节点，该任务异常信息可以为用于指示任务并未按预设时间完成，则任务平台可以获取该任务异常信息对应的第二计算方法，并根据第二计算方法确定第二数据量。其中，根据第二计算方法确定第二数据量的具体过程可以是：任务平台根据第一数据量和第一节点确定第三数据量，并根据第一数据量与上述第三数据量确定为上述第二数据量。其中，第三数据量为达到第一任务节点的对应的数据量，第三数据量小于第一数据量，第二计算方法是将第一数据量与第三数据量的差确定为第二数据量。

示例性的，在上述贷款产品的场景下，用户向客户销售了贷款产品，客户在还款期内提前还款，即客户并未按预设时间还款，则相当于任务未按照预设时间完成，则当前任务节点(即第一节点)为任务完成节点的上一个节点，即客户还款节点，任务异常信息可以用于指示任务未按预设时间完成。则任务平台可以根据第一数据量(即完成任务用户所得的数据量)和第一节点(即上述客户还款节点)确定第三数据量，第三数据量为上述第三数据量中按上述任务节点按照一定的比例确定的数据量，即用户执行该任务所得的数据量，因此，上述第三资源数据小于上述第一资源数据。

进而，任务平台可以将第三数据量与第一数据量的差确定为第二数据量。即第三数据量-第一数据量＝得到第二数据量。由于第三数据量小于第一数据量，则第二数据量为小于零的数。并将第二数据量转移至目标账户。

可选地，若该目标账户中的余额还存在资源数据未提现，则将剩余的资源数据与第二数据量进行结算，得到最终剩余的资源数据。若目标账户还执行有其他任务，可以获得其他任务的资源数据，则可以使用其他资源数据去冲抵该第二数据量的资源数据，在该目标账户的余额为正数时，目标账户可发起提现请求。

在本申请实施例中，通过接受目标账户发送的携带任务标识的资源数据转移请求，将获取到的目标账户的账户信息和历史任务信息输入至预训练的目标决策树模型中，得到目标账户的风险评估分数，在该风险评估分数小于风险评估阈值的情况下，确定目标账户的风险评估结果为通过，即可以对该目标账户进行风险评估，在风险比较低的情况下，可以确定目标账户所执行的任务的第一数据量，并对目标账户进行身份验证，在身份验证通过的情况下，向目标账户转入第一数据量的资源数据，并在确定该任务没有达到任务完成节点的情况下，确定该任务的当前所达到的节点和任务异常信息，并根据任务异常信息确定第二数据量，第二数据量为小于零的数据量，向目标账户转入第二数据量的资源数据。可见，一方面，通过目标决策树模型对目标账户进行风险评估，在风险评估通过的情况下，转入第一资源数据，提高任务平台资源数据转入的安全性。另一方面，通过确定任务当前达到的节点，根据任务的完成节点来划分，并根据任务异常信息确定负资源数据，从而将负的资源数据转入目标账户，以减小任务平台的损失，从而降低资源数据的转移风险。

请参阅图3，图3是本申请实施例提供的一种基于决策树模型的数据处理方法的另一流程示意图。其中，需要说明的是，本申请中各个实施例之间相同或相似的部分可以互相参考。在本申请中各个实施例、以及各实施例中的各个实施方式/实施方法/实现方法中，如果没有特殊说明以及逻辑冲突，不同的实施例之间、以及各实施例中的各个实施方式/实施方法/实现方法之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例、以及各实施例中的各个实施方式/实施方法/实现方法中的技术特征根据其内在的逻辑关系可以组合形成新的实施例、实施方式、实施方法、或实现方法。以上上述的本申请实施方式并不构成对本申请保护范围的限定。如图3所示，该基于决策树模型的数据处理方法可以包括：

301、构建训练样本集，上述训练样本集包括正样本和负样本。

在一种可能的实现方式中，在应用上述目标决策树之前，任务平台可以构建训练样本集对构建目标决策树模型，用于构建该目标决策树模型训练样本集可以是在该任务平台上的多个账户，具体的，任务平台可以获取多个账户中参考账户中的第二账户信息和第二历史任务信息，其中，参考账户为多个账户中的任一账户。第二账户信息和第二历史任务信息中可以包括表征参考账户的特征，该特征可以是参考账户对应的用户特征，也可以是参考账户的行为特征。对于参考账户来说，将参考账户的第二账户信息和第二历史任务信息作为数据集，并对数据集进行分类，将上述每一个参考数据分为正样本或负样本，得到训练样本集。

可选地，在获取到参考账户的第二账户信息和第二历史任务信息后，可以对参考账户的第二账户信息和第二历史任务信息进行预处理，其中，可以包括去除对用于构建目标决策树模型的数据没有任何帮助的数据。示例性的，第二账户信息中包含该参考账户对应用户的姓名、参考账户对应用户的公司、参考账户对应用户的职位、参考账户对应用户的工作地点、参考账户对应用户的执行任务的类型、参考账户对应用户的推荐人等。则在预处理时，可以删除参考账户对应的用户的姓名、参考账户对应用户的公司、参考账户对应用户的工作地点、参考账户对应用户的推荐人。

具体地，可以根据预设的风险评估项确定第二账户信息中风险特征和第二历史任务信息中的风险特征。其中，预设风险项为用于从第二账户信息和第二历史信息中筛选出风险特征的类目，该预设风险项可以根据具体的应用场景所设定。可选地，若第二账户信息或第二历史信息中的某一个风险特征不是离散的特征，即不能用于构建目标决策树，则该预设风险项还可以包括针对该风险特征的划分阈值，从而将该风险特征进行归类，从而更好的构建目标决策树模型。例如，当第二历史任务中某一风险特征为执行任务的时长，该时长是一个连续值，则该预设风险项还可以包括该风险特征对应的时长阈值，该时长阈值用于划分该风险特征，将大于或等于该时长阈值的样本作为一类，将小于该时长阈值的样本作为另一类。进一步地，该时长阈值可以为两个阈值，则将该执行任务的时长分为三类，本申请对此不做限定。

进一步地，任务平台可以确定参考账户在预设时长内执行的第二任务达到任务完成节点的任务个数，占总执行的任务个数的比例，若该比例大于预设比例阈值，则将该参考账户的第二账户信息和第二历史任务信息中包括的风险特征作为正样本，反之，若该比例小于或等于该预设比例阈值，则将该参考账户的第二账户信息和第二历史任务信息中包括的风险特征作为负样本，得到训练样本集。

302、确定上述第二账户信息的风险特征对应的参考账户个数占总账户个数的第一比例数据，确定上述第二历史任务信息的风险特征对应的参考账户个数占总账户个数的第二比例数据。

在一种可能的实现方式中，任务平台可基于上述正样本和负样本构建目标决策树模型。具体的，任务平台可以确定第二账户信息中风险特征和第二历史任务信息中风险特征的比例数据，分别得到第一比例数据和第二比例数据。例如，上述第二历史任务信息中包括的一个风险特征为执行任务的时长，执行任务的时长可以分为两类，一类大于或等于时长阈值，另一类小于时长阈值，则分别统计该风险特征中两种类别对应的参考账户个数占总参考账户个数的比例数据，则该风险特征的第二比例数据包括该执行任务的时长的风险特征中每一个类别分别对应的比例数据。

303、根据上述第一比例数据确定上述第二账户信息的风险特征的信息增益，并根据上述第二比例数据确定上述第二历史任务信息的风险特征的信息增益。

在得到所有风险特征的比例数据后，可以根据第一比例数据确定第二账户信息的风险特征的信息熵，进而根据信息熵确定第二账户信息的风险特征的信息增益，同理根据第二比例数据确定第二历史任务信息的风险特征的信息增益，进而根据信息增益训练决策树模型。具体的，可以根据比例数据计算信息熵可以如公式1所示：

其中，Ent(D)表示信息熵，D表示训练样本集，K表示类别总数，例如，上述执行时长包括两个类别，则K＝2，pk为当前类别样本所占的比例，即上述第一比例数据和第二比例数据中，K表示该风险特征可能有k个取值，第k类别下的比例。

在得到各个风险特征的信息熵之后，根据确定各个风险特征的信息增益，其中，信息增益可以用于表征某一风险特征对于训练样本集D进行划分后得到的该风险特征的进行分支节点进行分类的结果的影响。具体的，根据某一个风险特征的信息熵计算信息增益可以如公式2所示：

其中，Ent(D)表示信息熵，D表示训练样本集，K表示该风险特征a可能有k个类别，D

进而根据各个风险特征的信息增益对决策树模型进行学习训练，构建出目标决策树模型。

304、将上述第二账户信息的风险特征的信息增益和上述第二历史任务信息的风险特征的信息增益输入预设的决策树模型进行训练，得到初始决策树模型。

由于信息增益的值越大，表明对后续分类影响越大，因此，将上述计算出的信息增益按照从大到小的顺序进行排序，将信息增益最大的风险特征作为目标决策树模型的根节点。

进一步地，在选取根节点之后，继续对根节点的风险特征的每个分支进行划分。同理，对该风险特征下第一分支(即该风险特征的第一类别)的按照另一风险特征进行划分，可以计算在该第一分支下各个风险特征的信息增益，选取信息增益最大的风险特征作为该第一分支的叶子节点，以此类推，直到不能再划分的时候，决策树的学习训练，得到初始决策树模型。

进一步地，根据初始决策树模型中根节点至各个叶子节点的路径，得到该初始决策树模型中的多个路径，获取每一个路径的负样本个数，根据负样本个数和总样本个数确定该路径对应的风险评估分数，将该路径的风险评估分数标注在该路径的最下层的叶子节点的位置，得到目标决策树模型。其中，负样本是基于参考账户执行的任务达到任务完成节点的比例小于或等于预设比例阈值进行分类的，因此，该目标决策树模型的风险评估分数可以用于表示该路径对应的用户执行任务达不到任务完成节点的风险，从而用于对目标账户进行风险评估。

在本申请实施例中，通过接受目标账户发送的携带任务标识的资源数据转移请求，将获取到的目标账户的账户信息和历史任务信息输入至预训练的目标决策树模型中，得到目标账户的风险评估分数，在该风险评估分数小于风险评估阈值的情况下，确定目标账户的风险评估结果为通过，即可以对该目标账户进行风险评估，在风险比较低的情况下，可以确定目标账户所执行的任务的第一数据量，并对目标账户进行身份验证，在身份验证通过的情况下，向目标账户转入第一数据量的资源数据，并在确定该任务没有达到任务完成节点的情况下，确定该任务的当前所达到的节点和任务异常信息，并根据任务异常信息确定第二数据量，第二数据量为小于零的数据量，向目标账户转入第二数据量的资源数据。可见，一方面，通过目标决策树模型对目标账户进行风险评估，在风险评估通过的情况下，转入第一资源数据，提高任务平台资源数据转入的安全性。另一方面，通过确定任务当前达到的节点，根据任务的完成节点来划分，并根据任务异常信息确定负资源数据，从而将负的资源数据转入目标账户，以减小任务平台的损失，从而降低资源数据的转移风险。

请参阅图4，图4是本申请实施例提供的一种基于决策树模型的数据处理装置的结构示意图。上述基于决策树模型的数据处理装置400包括：

接收单元401，用于接收目标账户发送的资源数据转移请求，上述资源数据转移请求携带上述目标账户的任务标识，上述任务标识用于指示第一任务；

获取单元402，用于获取上述目标账户的第一账户信息和第一历史任务信息，将上述第一账户信息和上述第一历史任务信息输入至预训练的目标决策树模型中，得到上述目标账户的风险评估分数；

确定单元403，用于在上述风险评估分数小于风险评估阈值的情况下，确定上述目标账户的风险评估结果通过，并确定上述第一任务对应的第一数据量；

验证单元404，用于对上述目标账户进行身份验证，在上述目标账户的身份验证结果为通过的情况下，向上述目标账户转入上述第一数据量的资源数据；

上述确定单元403，用于在确定上述第一任务未达到任务完成节点的情况下，确定上述第一任务对应的第一节点和任务异常信息，根据上述任务异常信息确定第二数据量，并向上述目标账户转入上述第二数据量的资源数据，上述第二数据量为小于零的数据量。

进一步地，上述基于决策树模型的数据处理装置400还包括：

输入单元405，用于上述将上述第一账户信息和上述第一历史任务信息输入至预训练的目标决策树模型中，得到上述目标账户的风险评估分数之前，还包括：

构建单元406，用于构建训练样本集，上述训练样本集包括正样本和负样本，上述正样本和上述负样本是根据多个账户中参考账户的第二账户信息的风险特征和第二历史任务信息的风险特征确定的；

上述确定单元403，还用于确定上述第二账户信息的风险特征对应的参考账户个数占总账户个数的第一比例数据,确定上述第二历史任务信息的风险特征对应的参考账户个数占总账户个数的第二比例数据；

上述确定单元403，还用于根据上述第一比例数据确定上述第二账户信息的风险特征的信息增益，并根据上述第二比例数据确定上述第二历史任务信息的风险特征的信息增益；

训练单元407，用于将上述第二账户信息的风险特征的信息增益和上述第二历史任务信息的风险特征的信息增益输入预设的决策树模型进行训练，得到初始决策树模型。

进一步地，上述构建单元406，具体用于：

获取上述多个账户中参考账户的第二账户信息和第二历史任务信息，根据预设的风险评估项确定上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征，上述参考账户为上述多个账户中的任一账户；

确定上述参考账户在预设时长内执行的第二任务达到任务完成节点的数量占总执行的任务数量的比例；

若上述比例大于预设比例阈值，则将上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征作为正样本，若上述比例小于上述预设比例阈值，则将上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征作为负样本，确定上述正样本和上述负样本为上述训练样本集。

进一步地，上述基于决策树模型的数据处理装置400还包括：

上述获取单元402，用于根据上述初始决策树模型中从根节点至各个叶子节点的路径，得到多个路径；获取上述多个路径中目标路径对应的负样本个数和总样本个数，上述目标路径为上述多个路径中任一路径；

上述确定单元403，还用于将上述目标路径对应的负样本个数占总样本个数的比例确定上述目标路径对应的风险评估分数；

标注单元408，用于将上述目标路径对应的风险评估分数标注在上述目标路径的叶子节点处，得到上述目标决策树模型。

进一步地，上述验证单元404，具体用于：

确定上述目标账户的终端设备的网络质量是否达到身份验证条件，上述网络质量是指上述终端设备用于数据传输的信号强度；

在上述网络质量达到身份验证条件的情况下，对上述目标账户进行视频身份验证，得到上述目标账户的身份验证结果；

在上述网络质量未达到身份验证条件的情况下，向上述终端设备发送人脸身份验证指令，上述人脸身份验证指令携带校验信息，并接收上述终端设备返回的身份验证结果，上述校验信息为上述目标账户对应的人脸图像的校验数据。

进一步地，上述资源数据转移请求还携带上述第一任务对应的第二节点；上述确定单元403，具体用于：

在上述第一节点为上述第二节点的上一个节点的情况下，上述任务异常信息为用于指示任务执行失败的指示信息；

获取上述任务异常信息对应的第一计算方法，上述第一计算方法用于指示将上述第一数据量的相反数确定为上述第二数据量。

进一步地，上述确定单元403，具体用于：

在上述第一节点为上述任务完成节点的上一个节点的情况下，上述任务异常信息为用于指示任务并未按预设时间完成的指示信息；

获取上述任务异常信息对应的第二计算方法，根据上述第二计算方法确定上述第二数据量；

上述根据上述第二计算方法确定上述第二数据量，包括：

根据上述第一数据量和上述第一节点确定第三数据量，上述第三数据量为上述第一任务达到上述第一节点的数据量，上述第三数据量小于上述第一数据量；

将上述第一数据量与上述第三数据量的差确定为上述第二数据量。

有关上述接收单元401、获取单元402、确定单元403、验证单元404、输入单元405、构建单元406、训练单元407以及标注单元408详细的描述可以直接参考上述图2至图3所示的方法实施例中的相关描述直接得到，这里不加赘述。

在本申请实施例中，通过接受目标账户发送的携带任务标识的资源数据转移请求，将获取到的目标账户的账户信息和历史任务信息输入至预训练的目标决策树模型中，得到目标账户的风险评估分数，在该风险评估分数小于风险评估阈值的情况下，确定目标账户的风险评估结果为通过，即可以对该目标账户进行风险评估，在风险比较低的情况下，可以确定目标账户所执行的任务的第一数据量，并对目标账户进行身份验证，在身份验证通过的情况下，向目标账户转入第一数据量的资源数据，并在确定该任务没有达到任务完成节点的情况下，确定该任务的当前所达到的节点和任务异常信息，并根据任务异常信息确定第二数据量，第二数据量为小于零的数据量，向目标账户转入第二数据量的资源数据。可见，一方面，通过目标决策树模型对目标账户进行风险评估，在风险评估通过的情况下，转入第一资源数据，提高任务平台资源数据转入的安全性。另一方面，通过确定任务当前达到的节点，根据任务的完成节点来划分，并根据任务异常信息确定负资源数据，从而将负的资源数据转入目标账户，以减小任务平台的损失，从而降低资源数据的转移风险。

请参阅图5，图5是本申请实施例提供的一种计算机设备的结构示意图，如图5所示，本申请实施例中的计算机设备500可以包括：

处理器501，收发器502，和存储器505，此外，上述计算机设备500还可以包括：用户接口504，和至少一个通信总线503。其中，通信总线503用于实现这些组件之间的连接通信。其中，用户接口504可以包括显示屏(Display)、键盘(Keyboard)，存储器505可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器505可选的还可以是至少一个位于远离前述处理器501和前述收发器502的存储装置。如图5所示，作为一种计算机存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。

在图5所示的计算机设备500中，收发器502可提供网络通讯功能，以使服务器间可进行通信；而用户接口504主要用于为用户提供输入的接口；而处理器501可以用于调用存储器505中存储的设备控制应用程序，执行如下操作：

上述收发器502，用于接收目标账户发送的资源数据转移请求，上述资源数据转移请求携带上述目标账户的任务标识，上述任务标识用于指示第一任务；

上述处理器501，用于获取上述目标账户的第一账户信息和第一历史任务信息，将上述第一账户信息和上述第一历史任务信息输入至预训练的目标决策树模型中，得到上述目标账户的风险评估分数；

上述处理器501，用于在上述风险评估分数小于风险评估阈值的情况下，确定上述目标账户的风险评估结果通过，并确定上述第一任务对应的第一数据量；

上述处理器501，用于对上述目标账户进行身份验证，在上述目标账户的身份验证结果为通过的情况下，向上述目标账户转入上述第一数据量的资源数据；

上述处理器501，用于在确定上述第一任务未达到任务完成节点的情况下，确定上述第一任务对应的第一节点和任务异常信息，根据上述任务异常信息确定第二数据量，并向上述目标账户转入上述第二数据量的资源数据，上述第二数据量为小于零的数据量。

在一种可能的实现方式中，上述将上述第一账户信息和上述第一历史任务信息输入至预训练的目标决策树模型中，得到上述目标账户的风险评估分数之前，上述处理器501，还用于：

构建训练样本集，上述训练样本集包括正样本和负样本，上述正样本和上述负样本是根据多个账户中参考账户的第二账户信息的风险特征和第二历史任务信息的风险特征确定的；

确定上述第二账户信息的风险特征对应的参考账户个数占总账户个数的第一比例数据,确定上述第二历史任务信息的风险特征对应的参考账户个数占总账户个数的第二比例数据；

根据上述第一比例数据确定上述第二账户信息的风险特征的信息增益，并根据上述第二比例数据确定上述第二历史任务信息的风险特征的信息增益；

将上述第二账户信息的风险特征的信息增益和上述第二历史任务信息的风险特征的信息增益输入预设的决策树模型进行训练，得到初始决策树模型。

在一种可能的实现方式中，上述处理器501构建训练样本集，具体用于：

获取上述多个账户中参考账户的第二账户信息和第二历史任务信息，根据预设的风险评估项确定上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征，上述参考账户为上述多个账户中的任一账户；

确定上述参考账户在预设时长内执行的第二任务达到任务完成节点的数量占总执行的任务数量的比例；

若上述比例大于预设比例阈值，则将上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征作为正样本，若上述比例小于上述预设比例阈值，则将上述第二账户信息中的风险特征和上述第二历史任务信息中的风险特征作为负样本，确定上述正样本和上述负样本为上述训练样本集。

在一种可能的实现方式中，上述将上述第二账户信息的风险特征的信息增益和上述第二历史任务信息的风险特征的信息增益输入预设的决策树模型进行训练，得到初始决策树模型之后，上述处理器501，还用于：

根据上述初始决策树模型中从根节点至各个叶子节点的路径，得到多个路径；

获取上述多个路径中目标路径对应的负样本个数和总样本个数，上述目标路径为上述多个路径中任一路径；

将上述目标路径对应的负样本个数占总样本个数的比例确定上述目标路径对应的风险评估分数；

将上述目标路径对应的风险评估分数标注在上述目标路径的叶子节点处，得到上述目标决策树模型。

在一种可能的实现方式中，上述处理器501，用于对上述目标账户进行身份验证，具体用于：

确定上述目标账户的终端设备的网络质量是否达到身份验证条件，上述网络质量是指上述终端设备用于数据传输的信号强度；

在上述网络质量达到身份验证条件的情况下，对上述目标账户进行视频身份验证，得到上述目标账户的身份验证结果；

在上述网络质量未达到身份验证条件的情况下，向上述终端设备发送人脸身份验证指令，上述人脸身份验证指令携带校验信息，并接收上述终端设备返回的身份验证结果，上述校验信息为上述目标账户对应的人脸图像的校验数据。

在一种可能的实现方式中，上述资源数据转移请求还携带上述第一任务对应的第二节点；上述处理器501，用于根据上述任务异常信息确定第二数据量，具体用于：

在上述第一节点为上述第二节点的上一个节点的情况下，上述任务异常信息为用于指示任务执行失败的指示信息；

获取上述任务异常信息对应的第一计算方法，上述第一计算方法用于指示将上述第一数据量的相反数确定为上述第二数据量。

在一种可能的实现方式中，上述处理器501，用于根据上述任务异常信息确定第二数据量，具体用于：

在上述第一节点为上述任务完成节点的上一个节点的情况下，上述任务异常信息为用于指示任务并未按预设时间完成的指示信息；

获取上述任务异常信息对应的第二计算方法，根据上述第二计算方法确定上述第二数据量；

上述根据上述第二计算方法确定上述第二数据量，包括：

根据上述第一数据量和上述第一节点确定第三数据量，上述第三数据量为上述第一任务达到上述第一节点的数据量，上述第三数据量小于上述第一数据量；

将上述第一数据量与上述第三数据量的差确定为上述第二数据量。

应当理解，在一些可行的实施方式中，上述处理器501可以是中央处理单元(central processing unit，CPU)，该处理器501还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integratedcircuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。

该存储器505可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器505的一部分还可以包括非易失性随机存取存储器。

具体实现中，上述计算机设备500可通过其内置的各个功能模块执行如上述图2和图3中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

在本申请实施例中，通过接受目标账户发送的携带任务标识的资源数据转移请求，将获取到的目标账户的账户信息和历史任务信息输入至预训练的目标决策树模型中，得到目标账户的风险评估分数，在该风险评估分数小于风险评估阈值的情况下，确定目标账户的风险评估结果为通过，即可以对该目标账户进行风险评估，在风险比较低的情况下，可以确定目标账户所执行的任务的第一数据量，并对目标账户进行身份验证，在身份验证通过的情况下，向目标账户转入第一数据量的资源数据，并在确定该任务没有达到任务完成节点的情况下，确定该任务的当前所达到的节点和任务异常信息，并根据任务异常信息确定第二数据量，第二数据量为小于零的数据量，向目标账户转入第二数据量的资源数据。可见，一方面，通过目标决策树模型对目标账户进行风险评估，在风险评估通过的情况下，转入第一资源数据，提高任务平台资源数据转入的安全性。另一方面，通过确定任务当前达到的节点，根据任务的完成节点来划分，并根据任务异常信息确定负资源数据，从而将负的资源数据转入目标账户，以减小任务平台的损失，从而降低资源数据的转移风险。

此外，这里需要指出的是：本申请实施例还提供了一种计算机可读存储介质，且上述计算机可读存储介质中存储有前文提及的计算机设备所执行的计算机程序，且上述计算机程序包括程序指令，当上述处理器执行上述程序指令时，能够执行前文图2或图3任一个所对应实施例中的对任一方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。

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指令相关的硬件来完成，上述的程序可存储于一计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random accessmemory，RAM)等。

需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，本申请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。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。