信息同步方法、装置、服务器及介质

技术领域

本申请涉及人工智能领域，更具体的说，是涉及信息同步方法、装置、服务器及介质。

背景技术

签约系统包括核心机构以及签约机构；核心机构用于存储用户的用户信息，如户名；签约机构会从核心机构获取用户的用户信息，签约机构用于为用户办理签约业务。签约机构在办理签约业务的过程中需要校验的核心机构和签约机构的用户信息是否相同，如校验的内容包括户名；若核心机构与签约机构的用户信息不匹配，则签约失败。

签约失败后，需要将签约机构与核心机构存储的该用户的用户信息进行同步；同步完毕后，再次针对该用户办理签约业务；导致签约业务办理业务时间较长。

发明内容

有鉴于此，本申请提供了一种信息同步方法、装置、服务器及介质。

为实现上述目的，本申请提供如下技术方案：

根据本公开实施例的第一方面，提供一种信息同步方法，应用于第一服务器，包括：

确定目标用户，所述目标用户的用户信息发生变更的概率高于或等于第一阈值；

从第二服务器中获取目标用户的目标用户信息，所述第二服务器存储有最新的所述目标用户的所述目标用户信息；

将所述目标用户的历史办理业务信息输入至预构建的业务办理预测模型；通过所述业务办理预测模型输出所述目标用户的签约业务的办理业务时间；

其中，所述业务办理预测模型是将样本用户的历史办理业务信息作为输入，将所述样本用户的实际办理业务时间作为训练目标，训练得到的；

在所述办理业务时间之前更新存储的所述目标用户的用户信息为所述目标用户信息。

根据本公开实施例的第二方面，提供一种信息同步装置，应用于第一服务器，包括：

确定模块，用于确定目标用户，所述目标用户的用户信息发生变更的概率高于或等于第一阈值；

第一获取模块，用于从第二服务器中获取目标用户的目标用户信息，所述第二服务器存储有最新的所述目标用户的所述目标用户信息；

第二获取模块，用于将所述目标用户的历史办理业务信息输入至预构建的业务办理预测模型；通过所述业务办理预测模型输出所述目标用户的签约业务的办理业务时间；

其中，所述业务办理预测模型是将样本用户的历史办理业务信息作为输入，将所述样本用户的实际办理业务时间作为训练目标，训练得到的；

更新模块，用于在所述办理业务时间之前更新存储的所述目标用户的用户信息为所述目标用户信息。

根据本公开实施例的第三方面，提供一种服务器，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如第一方面所述信息同步方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如第一方面所述信息同步方法。

经由上述的技术方案可知，本申请提供的信息同步方法，确定目标用户，所述目标用户的用户信息发生变更的概率高于或等于第一阈值；从第二服务器中获取目标用户的目标用户信息，所述第二服务器存储有最新的所述目标用户的所述目标用户信息；将所述目标用户的历史办理业务信息输入至预构建的业务办理预测模型；通过所述业务办理预测模型输出所述目标用户的签约业务的办理业务时间；在办理业务时间之前更新存储的目标用户的用户信息为目标用户信息。可以理解的是，更改用户信息的目标用户的数量可能较多，若对多个目标用户的用户信息同时进行更新，可能导致第一服务器出现卡顿现象，或者，在第一服务器更新多个目标用户的用户信息的过程中，有紧急任务需要处理，由于第一服务器的资源已经被占用，导致紧急任务无法被处理。针对于此，本申请预测了目标用户办理签约业务的办理业务时间，在办理业务时间之前对该目标用户的用户信息进行更新即可，不需要同一时间对多个目标用户的用户信息进行更新，从而避免了上述情况的发生。本申请实现了自动将第二服务器中可能变更的目标用户的用户信息更新至第一服务器的目的，从而使得签约业务不会因为第一服务器和第二服务器存储的用户信息不同导致签约失败，从而提高了签约业务的办理速度。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例涉及的硬件架构的示意图；

图2是根据一示例性实施例示出的一种信息同步方法的流程图；

图3是根据一示例性实施例示出的一种信息同步装置框图；

图4是根据一示例性实施例示出的一种用于第一服务器的装置的框图。

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，都属于本申请保护的范围。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本申请实施例提供了一种信息同步方法、装置、服务器及介质，在介绍本申请实施例提供的技术方案之前，先对本申请涉及的硬件架构进行说明。

如图1所示，为本申请实施例涉及的硬件架构的示意图，该硬件架构包括：第一服务器11以及第二服务器12。

示例性的，第一服务器11和第二服务器12中任一服务器可以为一台服务器，也可以是由多台服务器组成的服务器集群，或者，是一个云计算服务中心。

示例性的，第一服务器11属于签约机构；示例性的，第二服务器12属于核心机构。

示例性的，第二服务器12存储有用户和用户信息的对应关系；用户若需要更改自己的用户信息，则需要去核心机构进行更改，第二服务器12会存储更改后的用户信息；即第二服务器12存储的用户和用户信息的对应关系是最新的。

第二服务器12将自己存储的用户和用户信息的对应关系发送至第一服务器11，第一服务器11可以存储用户和用户信息的对应关系。但是，在第二服务器12已经将用户和用户信息的对应关系发送至第一服务器11后，若用户A在核心机构将用户信息进行更改，则第一服务器11存储的用户A的用户信息不准确。

用户A在通过第一服务器11办理签约业务的过程中，第一服务器11会比较自身存储的用户A的用户信息与第二服务器12存储的用户A的用户信息是否相同，若不同，则签约业务办理失败。在此情况下，需在属于签约机构的电子设备运行的应用程序的签约界面点击同步用户信息到核心机构的按键，以便进行第一服务器11与第二服务器12存储的用户A的用户信息的同步，再用户A的用户信息同步后，再次针对用户A进行签约业务办理，导致签约业务办理时间较长。

针对于此，本申请实施例可以预测用户更改用户信息的修改日期以及预测用户办理签约业务的办理业务时间，在办理业务时间之前，将该用户的用户信息由第二服务器更新至第一服务器。从而不会因为第一服务器和第二服务器存储的用户的用户信息不同，导致的多次办理签约业务的情况，从而提高了签约业务办理的速度。

下面结合上述硬件架构对本申请涉及的信息同步方法进行说明。

图2是根据一示例性实施例示出的一种信息同步方法的流程图，如图2所示，信息同步方法用于第一服务器中，包括以下步骤S21至步骤S24。

步骤S21：确定目标用户，所述目标用户的用户信息发生变更的概率高于或等于第一阈值。

示例性的，用户的用户信息包括但不限于：户名、产品码和账户的状态。

示例性的，用户信息发生变更的概率为户名、产品码和账户的状态中一个或多个发生变更的概率。

示例性的，第一阈值可以基于实际情况而定，这里不进行限定。

可以理解的是，用户信息发生变更的概率高于或等于第一阈值，所以在实际应用中，用户信息可能发生了变更，可能未发生变更。

步骤S22：从第二服务器中获取目标用户的目标用户信息，所述第二服务器存储有最新的所述目标用户的所述目标用户信息。

示例性的，第二服务器12存储有用户和用户信息的对应关系；用户若需要更改自己的用户信息，则需要去核心机构进行更改，第二服务器12会存储更改后的用户信息；即第二服务器12存储的用户和用户信息的对应关系是最新的。

步骤S23：将所述目标用户的历史办理业务信息输入至预构建的业务办理预测模型；通过所述业务办理预测模型输出所述目标用户的签约业务的办理业务时间。

其中，所述业务办理预测模型是将样本用户的历史办理业务信息作为输入，将所述样本用户的实际办理业务时间作为训练目标，训练得到的。

示例性的，历史办理业务信息包括但不限于：历史办理的业务的业务类型与业务的办理业务时间的对应关系。示例性的，业务类型为与签约业务相关的业务类型。示例性的，上述业务可以包括在各个银行办理的签约业务。

下面对业务办理预测模型的训练过程进行说明。训练业务办理预测模型的过程包括以下步骤A1至步骤A4。

步骤A1：获取多个样本用户分别对应的历史办理业务信息，以及，多个样本用户分别对应的签约业务的实际办理业务时间。

可以理解的是，样本用户的实际办理业务时间早于当前时间，所以样本用户的实际办理业务时间都是已知的。

示例性的，多个样本用户可以分为正样本用户以及负样本用户，正样本用户的实际办理业务时间是真实存在的，如当前时间为2023年8月22号，实际办理业务时间为2023年8月6号；负样本用户的实际办理业务时间不存在，即负样本用户在当前时间之前并未办理签约业务，此时实际办理业务时间可以用预设符号表示。

步骤A2：将多个样本用户分别对应的历史办理业务信息输入至第一机器学习模型，得到第一机器学习模型输出的多个样本用户分别对应的第一预测结果。

步骤A3：基于多个样本用户分别对应的第一预测结果，以及，多个样本用户分别对应的实际办理业务时间，得到损失函数。

步骤A4：基于损失函数训练第一机器学习模型，在训练次数达到预设阈值，或者，第一机器学习模型输出的多个样本用户分别对应的第一预测结果的准确率高于预设准确度时，停止训练，得到业务办理预测模型。

在训练业务办理预测模型的过程中涉及机器学习中的人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术中至少一种。

示例性的，用户类型检测模型可以为神经网络模型、逻辑回归模型、线性回归模型、支持向量机(SVM)、Adaboost、XGboost、Transformer-Encoder模型中任一种模型。

示例性的，神经网络模型可以为基于循环神经网络的模型、基于卷积神经网络的模型、基于Transformer-encoder的分类模型中的任一种。

示例性的，业务办理预测模型可以为基于循环神经网络的模型、基于卷积神经网络的模型以及基于Transformer-encoder的分类模型的深度混合模型。

示例性的，业务办理预测模型可以为基于注意力的深度模型、基于记忆网络的深度模型、基于深度学习的短文本分类模型中任一种。

基于深度学习的短文本分类模型为循环神经网络(RNN)或卷积神经网络(CNN)或者基于循环神经网络或卷积神经网络的变种。

示例性的，可以在已经预训练好的模型上做一些简单的领域适应性改造，以得到业务办理预测模型。

示例性的，“简单的领域适应性改造”包括但不限于在已经预训练好的模型上，再次利用大规模无监督领域语料进行二次预训练，和/或，通过模型蒸馏的方式对已经预训练好的模型进行模型压缩。

上述业务办理预测模型是有监督学习；示例性的，还可以对欺诈风险账户识别模型进行半监督学习。半监督学习是有监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。

步骤S24：在所述办理业务时间之前更新存储的所述目标用户的用户信息为所述目标用户信息。

可以理解的是，更改用户信息的目标用户的数量可能较多，若对多个目标用户的用户信息同时进行更新，可能导致第一服务器出现卡顿现象，或者，在第一服务器更新多个目标用户的用户信息的过程中，有紧急任务需要处理，由于资源已经被占用，导致紧急任务无法被处理。针对于此，本申请还预测了目标用户办理签约业务的办理业务时间，在办理业务时间之前对该目标用户的用户信息进行更新即可，如用户A的办理业务时间为2023年8月30号，在2023年8月30号之前对用户A的用户信息进行更新即可，如可以在8月29号进行更新，不需要同一时间对多个目标用户的用户信息进行更新，从而避免了上述情况的发生。

示例性的，若更改用户信息的目标用户的数量较少，可以同时对多个目标用户的用户信息进行更新。

本申请实施例提供了一种信息同步方法，确定目标用户，所述目标用户的用户信息发生变更的概率高于或等于第一阈值；从第二服务器中获取目标用户的目标用户信息，所述第二服务器存储有最新的所述目标用户的所述目标用户信息；将所述目标用户的历史办理业务信息输入至预构建的业务办理预测模型；通过所述业务办理预测模型输出所述目标用户的签约业务的办理业务时间；在办理业务时间之前更新存储的目标用户的用户信息为目标用户信息。可以理解的是，更改用户信息的目标用户的数量可能较多，若对多个目标用户的用户信息同时进行更新，可能导致第一服务器出现卡顿现象，或者，在第一服务器更新多个目标用户的用户信息的过程中，有紧急任务需要处理，由于第一服务器的资源已经被占用，导致紧急任务无法被处理。针对于此，本申请预测了目标用户办理签约业务的办理业务时间，在办理业务时间之前对该目标用户的用户信息进行更新即可，不需要同一时间对多个目标用户的用户信息进行更新，从而避免了上述情况的发生。本申请实现了自动将第二服务器中可能变更的目标用户的用户信息更新至第一服务器的目的，从而使得签约业务不会因为第一服务器和第二服务器存储的用户信息不同导致签约失败的问题，从而提高了签约业务的办理速度。

可以理解的是，步骤S21的实现方式有多种，本申请实施例提供但不限于以下两种。

第一种步骤S21的实现方式包括步骤B11至步骤B12。

步骤B11：将待测用户的用户画像输入至预构建的修改概率预测模型，通过所述修改概率预测模型输出所述待测用户对用户信息的修改概率。

其中，所述修改概率预测模型是将样本用户的用户画像作为输入，将所述样本用户的标注修改概率作为训练目标，训练得到的。

可以理解的是，样本用户的标注修改概率是已知的，假设针对样本用户设定的当前时间为2023年8月1号，但是实际上的当前时间为2023年8月22号，则针对样本用户而言，2023年8月2号至2023年8月22号为将来时间；假设样本用户在2023年8月2号在核心机构修改了用户信息，则该样本用户对应的修改概率为1；假设样本用户未在2023年8月2号至2023年8月22号修改用户信息，则该样本用户的修改概率为0。

示例性的，用户画像包括但不限于：用户类型、用户金融信息。

示例性的，用户类型为个人用户或企业用户。

示例性的，用户金融信息包括但不限于：用户的收入信息、用户的支出信息、用户的余额。

示例性的，用户的支出信息包括但不限于：用户作为转出账户时，收款账户所属银行。可以理解的是，若收款账户所属银行为银行A、银行B和银行C；用户在银行A办理了签约业务，则很大概率，用户会在银行B和银行C办理签约业务。

步骤B12：确定所述修改概率高于或等于所述第一阈值的待测用户为所述目标用户。

第二种步骤S21的实现方式包括步骤B21至步骤B26。

步骤B21：获取多个用户集合分别对应的修改周期，同一所述用户集合包括针对用户信息的修改周期的差值小于或等于第二阈值的用户，所述用户集合对应的修改周期是基于所述用户集合包括的多个用户分别对应的修改周期得到的。

示例性的，第二阈值可以基于实际情况而定，这里不进行限定。

示例性的，修改周期是指修改用户信息的周期。

下面举例对步骤B21进行说明。

假设多个用户分别为用户1、用户2、用户3、用户4和用户5。假设用户1针对用户信息的修改周期为90天，用户2针对用户信息的修改周期为200天，用户3针对用户信息的修改周期为201天，用户4针对用户信息的修改周期为92天，用户5针对用户信息的修改周期为202天。假设第二阈值为2，则用户1、用户4划分至同一用户集合；用户2、用户3和用户5划分至同一用户集合。如用户集合1为{用户1，用户4}，用户集合2为{用户2，用户3，用户5}。

示例性的，所述用户集合对应的修改周期为所述用户集合包括的多个用户分别对应的修改周期的均值。则用户集合1对应的修改周期＝(用户1的修改周期+用户4的修改周期)/2＝91。用户集合2对应的修改周期＝(用户2的修改周期+用户3的修改周期+用户5的修改周期)/3＝201。

示例性的，所述用户集合对应的修改周期为所述用户集合包括的多个用户分别对应的修改周期的最大值。

步骤B22：获取多个所述用户集合分别对应的共同特征，所述用户集合对应的共同特征为属于所述用户集合的多个用户分别对应的用户画像的相同特征。

可以理解的是，同一用户集合可能包括多个用户，用户集合对应的共同特征为属于同一用户集合的多个用户的用户画像中的共有特征，和/或，属于同一用户集合的多个用户的用户画像中相似度较高的特征。

步骤B23：计算待测用户的用户画像分别与多个所述用户集合的所述共同特征的相似度。

假设待测用户的用户画像与用户集合1的共同特征的相似度为相似度1，假设待测用户的用户画像与用户集合2的共同特征的相似度为相似度2；且相似度1＜相似度2。

步骤B24：确定所述相似度最高的所述用户集合对应的修改周期为所述待测用户的修改周期。

仍旧以上述为例，则相似度最高的用户集合为用户集合2，用户集合2对应的修改周期为待测用户的修改周期。

步骤B25：基于所述待测用户的修改周期以及所述待测用户上一次修改用户信息的日期，确定所述待测用户的目标修改日期。

示例性的，目标修改日期＝上一次修改用户信息的日期+待测用户的修改周期。

步骤B26：若所述目标修改日期早于或等于当前时间，确定所述待测用户为所述目标用户。

可以理解的是，若目标修改日期早于或等于当前时间，说明待测用户的用户信息已经被修改；若目标修改日期晚于当前时间，说明用户信息未被修改。

可以理解的是，目标用户可能有多个，假设多个目标用户的数目有1000个，分别为：目标用户1、目标用户2、目标用户3、目标用户4、目标用户5，…，目标用户1000；假设目标用户1至目标用户200，即200个目标用户的办理业务时间为2023年8月16号；目标用户201至目标用户400，即200个目标用户的办理业务时间为2023年8月20号；目标用户401至目标用户800，即400个目标用户的办理业务时间为2023年8月22号；目标用户801至目标用户1000，即200个目标用户的办理业务时间为2023年8月30号。

可以理解的是，可以在8月16号之前将1000个目标用户的用户信息同时进行更新。若更改用户信息的目标用户的数量较多，若对多个目标用户的用户信息同时进行更新，可能导致第一服务器出现卡顿现象，或者，在第一服务器更新多个目标用户的用户信息的过程中，有紧急任务需要处理，由于资源已经被占用，导致紧急任务无法被处理。针对于此，本申请实施例提供的步骤S24的实现方式包括以下步骤C11至步骤C14。

步骤C11：将多个所述目标用户分别对应的办理业务时间按照由早至晚排序，得到排序结果。

仍旧以上述1000个目标用户为例进行说明。

排序结果为：目标用户1至目标用户200，目标用户201至目标用户400，目标用户401至目标用户800，目标用户801至目标用户1000。

步骤C12：将所述排序结果存储至队列。

步骤C13：从所述队列中取出待更新用户，所述待更新用户为所述办理业务时间与当前时间的差值大于或等于第三阈值的用户。

示例性的，第三阈值可以基于实际情况而定，这里不进行限定。

假设当前时间为2022年8月14号，第三阈值为2天，则可以从队列中取出目标用户1至目标用户200；随着时间流逝，当前时间不断变化，若当前时间为2022年8月18号，则可以从队列中取出目标用户201至目标用户400。

步骤C14：更新存储的所述待更新用户的用户信息为来自于所述第二服务器的所述待更新用户的所述目标用户信息。

本申请实施例按照办理业务时间对目标用户的用户信息分批次进行更新，从而不会出现上述现象。

上述本申请公开的实施例中详细描述了方法，对于本申请的方法可采用多种形式的装置实现，因此本申请还公开了一种装置，下面给出具体的实施例进行详细说明。

图3是根据一示例性实施例示出的一种信息同步装置框图。参照图3，该装置包括：确定模块31、第一获取模块32、第二获取模块33以及更新模块34，其中：

确定模块31，用于确定目标用户，所述目标用户的用户信息发生变更的概率高于或等于第一阈值；

第一获取模块32，用于从第二服务器中获取目标用户的目标用户信息，所述第二服务器存储有最新的所述目标用户的所述目标用户信息；

第二获取模块33，用于将所述目标用户的历史办理业务信息输入至预构建的业务办理预测模型；通过所述业务办理预测模型输出所述目标用户的签约业务的办理业务时间；

其中，所述业务办理预测模型是将样本用户的历史办理业务信息作为输入，将所述样本用户的实际办理业务时间作为训练目标，训练得到的；

更新模块34，用于在所述办理业务时间之前更新存储的所述目标用户的用户信息为所述目标用户信息。

在一可选实现方式中，所述确定模块包括：

第一获取单元，用于将待测用户的用户画像输入至预构建的修改概率预测模型，通过所述修改概率预测模型输出所述待测用户对用户信息的修改概率；

其中，所述修改概率预测模型是将样本用户的用户画像作为输入，将所述样本用户的标注修改概率作为训练目标，训练得到的；

第一确定单元，用于确定所述修改概率高于或等于所述第一阈值的待测用户为所述目标用户。

在一可选实现方式中，所述确定模块包括：

第二获取单元，用于获取多个用户集合分别对应的修改周期，同一所述用户集合包括针对用户信息的修改周期的差值小于或等于第二阈值的用户，所述用户集合对应的修改周期是基于所述用户集合包括的多个用户分别对应的修改周期得到的；

第三获取单元，用于获取多个所述用户集合分别对应的共同特征，所述用户集合对应的共同特征为属于所述用户集合的多个用户分别对应的用户画像的相同特征；

计算单元，用于计算待测用户的用户画像分别与多个所述用户集合的所述共同特征的相似度；

第二确定单元，用于确定所述相似度最高的所述用户集合对应的修改周期为所述待测用户的修改周期；

第三确定单元，用于基于所述待测用户的修改周期以及所述待测用户上一次修改用户信息的日期，确定所述待测用户的目标修改日期；

第四确定单元，用于若所述目标修改日期早于或等于当前时间，确定所述待测用户为所述目标用户。

在一可选实现方式中，所述目标用户有多个，所述更新模块包括：

排序单元，用于将多个所述目标用户分别对应的办理业务时间按照由早至晚排序，得到排序结果；

存储单元，用于将所述排序结果存储至队列；

取出单元，用于从所述队列中取出待更新用户，所述待更新用户为所述办理业务时间与当前时间的差值大于或等于第三阈值的用户；

更新单元，用于更新存储的所述待更新用户的用户信息为来自于所述第二服务器的所述待更新用户的所述目标用户信息。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4是根据一示例性实施例示出的一种用于第一服务器的装置的框图。

第一服务器包括但不限于：处理器41、存储器42、网络接口43、I/O控制器44以及通信总线45。

需要说明的是，本领域技术人员可以理解，图4中示出的第一服务器的结构并不构成对第一服务器的限定，第一服务器可以包括比图4所示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图4对第一服务器的各个构成部件进行具体的介绍：

处理器41是第一服务器的控制中心，利用各种接口和线路连接整个第一服务器的各个部分，通过运行或执行存储在存储器42内的软件程序和/或模块，以及调用存储在存储器42内的数据，执行第一服务器的各种功能和处理数据，从而对第一服务器进行整体监控。处理器41可包括一个或多个处理单元；示例性的，处理器41可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器41中。

处理器41可能是一个中央处理器(Central Processing Unit，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；

存储器42可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)421和只读存储器(Read-Only Memory，ROM)422，也可能还包括大容量存储设备423，例如至少1个磁盘存储器等。当然，该第一服务器还可能包括其他业务所需要的硬件。

其中，上述的存储器42，用于存储上述处理器41可执行指令。上述处理器41具有执行信息同步方法的功能。

一个有线或无线网络接口43被配置为将第一服务器连接到网络。

处理器41、存储器42、网络接口43和I/O控制器44可以通过通信总线45相互连接，该通信总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。

在示例性实施例中，第一服务器可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述信息同步方法。

在示例性实施例中，本公开实施例提供了一种包括指令的存储介质，例如包括指令的存储器42，上述指令可由第一服务器的处理器41执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机可读存储介质，可直接加载到计算机的内部存储器，例如上述存储器42中，并含有软件代码，该计算机程序经由计算机载入并执行后能够实现上述信息同步方法。

在示例性实施例中，还提供一种计算机程序产品，可直接加载到计算机的内部存储器，例如所述第一服务器包含的存储器中，并含有软件代码，该计算机程序经由计算机载入并执行后能够实现上述所述信息同步方法。

需要说明的是，本发明提供的信息同步方法、装置、服务器及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信息同步方法、装置、服务器及介质的应用领域进行限定。

需要说明的是，本说明书中的各个实施例中记载的特征可以相互替换或者组合。对于装置或系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

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。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

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申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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。