CN108428137A - 生成简称、校验电子金融业务合法性的方法及装置 - Google Patents

生成简称、校验电子金融业务合法性的方法及装置 Download PDF

Info

Publication number
CN108428137A
CN108428137A CN201710079329.5A CN201710079329A CN108428137A CN 108428137 A CN108428137 A CN 108428137A CN 201710079329 A CN201710079329 A CN 201710079329A CN 108428137 A CN108428137 A CN 108428137A
Authority
CN
China
Prior art keywords
abbreviation
full name
model
sample
character
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710079329.5A
Other languages
English (en)
Inventor
郭亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201710079329.5A priority Critical patent/CN108428137A/zh
Publication of CN108428137A publication Critical patent/CN108428137A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/42—Confirmation, e.g. check or permission by the legal debtor of payment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种生成简称、校验电子金融业务合法性的方法及装置。所述生成简称的方法可以包括：根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；根据所述简称概率值确定所述目标全称的简称。本申请通过已训练的简称模型可以批量为全称自动生成对应的简称，以便后续根据简称进行电子金融业务合法性的校验等应用。

Description

生成简称、校验电子金融业务合法性的方法及装置
技术领域
本申请涉及互联网技术领域，尤其涉及一种生成简称、校验电子金融业务合法性的方法及装置。
背景技术
随着互联网技术的快速发展，电子支付业务兴起，用户可以通过互联网实现买单、转账等电子支付业务，给用户的生活带来了极大的便利。然而，不法分子也会利用电子支付业务进行违法操作，比如：洗钱、欺诈等。因此，对电子支付业务的合法性进行校验就显得极为重要。
发明内容
有鉴于此，本申请提供一种生成简称、校验电子金融业务合法性的方法及装置。
具体地，本申请是通过如下技术方案实现的：
一种生成简称的方法，所述方法包括：
根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；
将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；
将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；
根据所述简称概率值确定所述目标全称的简称。
一种校验电子金融业务合法性的方法，所述方法包括：
基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称；
在接收到电子金融业务请求时，提取指定的业务特征；
若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。
一种生成简称的装置，所述装置包括：
模型训练单元，根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；
向量转换单元，将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；
向量输入单元，将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；
简称确定单元，根据所述简称概率值确定所述目标全称的简称。
一种校验电子金融业务合法性的装置，所述装置包括：
简称生成单元，基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称；
特征提取单元，在接收到电子金融业务请求时，提取指定的业务特征；
合法校验单元，若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。
由以上描述可以看出，本申请可以将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵，并将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值，以根据所述简称概率值确定所述目标全称的简称。本申请通过已训练的简称模型可以批量为全称自动生成对应的简称，以便后续根据简称进行电子金融业务合法性的校验等应用。
附图说明
图1是本申请一示例性实施例示出的一种生成简称的方法的流程示意图。
图2是本申请一示例性实施例示出的一种简称模型的训练方法的流程示意图。
图3是本申请一示例性实施例示出的一种简称模型的示意图。
图4是本申请一示例性实施例示出的一种校验电子金融业务合法性的方法的流程示意图。
图5是本申请一示例性实施例示出的一种用于生成简称的装置的一结构示意图。
图6是本申请一示例性实施例示出的一种生成简称的装置的框图。
图7是本申请一示例性实施例示出的一种用于校验电子金融业务合法性的装置的一结构示意图。
图8是本申请一示例性实施例示出的一种校验电子金融业务合法性的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是本申请一示例性实施例示出的一种生成简称的方法的流程示意图。
请参考图1，所述生成简称的方法可以应用在终端、服务器等用于生成简称的电子设备中，包括有以下步骤：
步骤101，根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型。
在本实施例中，可以采用大量已有的全称及其对应的简称对原始简称模型进行训练，以得到已训练的简称模型。
步骤102，将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵。
在本实施例中，可以采用Word2vec等工具将所述目标全称中的每个字符分别转换为对应的向量。假设，所述目标全称中的每个字符都可以转换为一个包括有N个元素的一维向量，如果目标全称包括有M个字符，则可以得到目标全称对应的N×M维矩阵，在本例中，可以称之为目标向量矩阵。
步骤103，将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值。
基于前述步骤102，仍以所述目标全称包括M个字符为例，经过已训练的简称模型，可以输出与所述M个字符分别对应的简称概率值。其中，所述简称概率值可以用来表示对应字符被抽取出作为简称的概率。
步骤104，根据所述简称概率值确定所述目标全称的简称。
在本实施例中，根据简称模型训练时全称样本的序列标注方法，可以在目标全称中提取简称概率值大于预设阈值或者小于预设阈值的字符，并按照顺序拼接以作为所述目标全称的简称。
由以上描述可以看出，本申请可以将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵，并将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值，以根据所述简称概率值确定所述目标全称的简称。本申请通过已训练的简称模型可以批量为全称自动生成对应的简称，以便后续根据简称进行电子金融业务合法性的校验等应用。
下面分别从简称模型的训练、简称的生成两个方面，对本申请简称的生成方案进行详细描述。
一、简称模型的训练
图2是本申请一示例性实施例示出的一种简称模型的训练方法的流程示意图。请参考图2，简称模型的训练方法可以包括以下步骤：
步骤201，将全称样本的每个字符分别转换为对应的向量，得到所述全称样本对应的向量矩阵样本。
在本实施例中，可以预先采集大量的全称和其对应的简称作为样本对原始简称模型进行训练。为便于描述，可以将采集到的全称称为全称样本。举例来说，全称样本“北京大学”的简称为“北大”，全称样本“中国石油天然气集团公司”的简称为“中石油”等。
在本实施例中，可以采用Word2vec等工具将所述全称样本中的每个字符分别转换为对应的向量，以全称样本“北京大学”为例，请参考表1，可以转换为如下向量：
全称样本中的字符 向量
北 [0.1,0.5,-0.21,…,0.6]
京 [0.2,0.5,0.91,…,-0.6]
大 [0.1,0.95,1.21,…,0.5]
学 [-0.31,0.5,-0.1,…,0.4]
表1
在本例中，假设全称样本中每个字符转换后的向量有N个元素，则可以得到全称样本“北京大学”对应的N×4维向量矩阵样本。
步骤202，根据所述全称样本的简称对所述全称样本进行序列标注。
序列标注可以广泛应用到文本处理领域。在本例中，较为简单的，可以将所述全称样本中的简称字符(全称样本中被抽取作为简称的字符)标注为1，非简称字符标注为0。仍以全称样本“北京大学”为例，可以将其标注为“1010”。
当然，在实际应用中，也可以将简称字符标注为0，将全称字符标注为1，本申请对此不作特殊限制。
步骤203，将所述全称样本对应的向量矩阵样本作为入参输入原始简称模型，经过所述原始简称模型输出所述全称样本中每个字符的简称概率值。
在本实施例中，所述原始简称模型可以为循环神经网络模型(Recurrent NeuralNetworks，RNN)、CRF模型(Conditional Random Field algorithm，条件随机场)、SVM模型(Support Vector Machine，支持向量机)等。所述原始简称模型中的各权重参数可以为预设的缺省值，也可以为随机数值。
在本实施例中，可以将所述全称样本对应的向量矩阵样本作为入参输入所述原始简称模型，通过所述原始简称模型可以输出所述全称样本中每个字符的简称概率值。仍以北京大学为例，通过所述原始简称模型，可以输出分别与字符“北”、“京”、“大”以及“学”对应的数值，在本例中，称之为简称概率值。换言之，通过所述原始简称模型可以输出4个简称概率值，这4个简称概率值分别与“北”、“京”、“大”以及“学”这四个字符对应。
步骤204，基于所述全称样本中每个字符的简称概率值和所述全称样本的序列标注结果，采用误差反向传播算法调整所述原始简称模型的权重参数。
在本实施例中，可以计算所述全称样本各字符的简称概率值与所述序列标注结果之间的误差，然后采用误差反向传播算法(Error Back Proragation，BP)将所述误差反向输入所述原始简称模型，进而调整所述原始简称模型中的权重参数。其中，所述误差的计算公式可以采用相关技术中提供的计算公式，本申请在此不再一一赘述。
步骤205，当调整后的原始简称模型收敛时，确定所述原始简称模型训练完毕，得到已训练的简称模型。
基于前述步骤204的调整，若调整后的原始简称模型收敛，则可以确定所述原始简称模型训练完毕，并将调整后的原始简称模型确定为已训练的简称模型。
在一个例子中，当对所述原始简称模型的权重参数进行预设次数的迭代调整后，可以确定所述迭代调整后的原始简称模型收敛。其中，所述预设次数通常由开发人员进行设置，比如：2000次、10000次等。以2000次为例，假设采集5000个全称样本及其对应的简称，针对每个全称样本，分别执行前述步骤201至步骤204，当这5000个全称样本全部执行完毕后可视为迭代1次，当迭代2000次后，可以确定原始简称模型训练完毕，并可以将最后得到的简称模型作为已训练的简称模型。
在另一个例子中，在采集到全称样本后，可以将全称样本分为两类，一类是作为训练样本，进行前述步骤201至204的迭代。另一类为验证样本，在迭代后，可以采用训练样本进行模型收敛的验证。比如：可以将训练样本输入迭代后的原始简称模型，若输出的简称概率值与其对应的序列标注结果之间的误差小于预设阈值时，则可确定所述调整后的原始简称模型收敛。其中，所述预设阈值也可以由开发人员进行设置。
由以上描述可以看出，本申请原始简称模型可基于大量已有的简称进行学习，使模型的表达能力更强，效果更好。
二、简称的生成
在本实施例中，在生成简称时，可以先将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；然后，可以将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值，进而根据所述简称概率值确定所述目标全称的简称。
在一个例子中，若在训练简称模型时，将全称样本的简称字符标注为1，非简称字符标注为0，则在确定目标全称的简称时，可以提取简称概率值大于第一阈值的字符，以得到所述目标全称的简称。若在训练简称模型时，将全称样本的简称字符标注为0，非简称字符标注为1，则在确定目标全称的简称时，可以提取简称概率值小于第二阈值的字符，以得到所述目标全称的简称。其中，所述第一阈值和所述第二阈值可以相等，也可以不相等。
值得注意的是，在实际应用中，还可以将字符的向量转换功能与简称模型结合，请参考图3的示例，在这样的实现方式中，可以直接将全称样本或者目标全称作为简称模型的入参进行输入。
图4是本申请一示例性实施例示出的一种校验电子金融业务合法性的方法的流程示意图。
请参考图4，所述校验电子金融业务合法性的方法可以包括以下步骤：
步骤401，基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称。
在本实施例中，所述黑名单中存储涉嫌非法金融业务的机构的名称，一般而言，所述黑名单中存储的机构名称通常为机构的全称。在本步骤中，可以基于已训练的简称模型，为所述黑名单中的机构全称生成对应的机构简称。
参考前述实施例中的简称生成方案，可以将机构全称中的每个字分别转换为对应的向量，得到机构全称对应的机构向量矩阵，然后将所述机构向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述机构全称中每个字的简称概率值，并根据所述简称概率值确定所述机构全称对应的机构简称，比如：可以提取所述机构全称中简称概率值满足预设条件的字符，得到所述机构全称的机构简称。
步骤402，在接收到电子金融业务请求时，提取指定的业务特征。
在本实施例中，所述电子金融业务可以包括：转账业务、支付业务等。在接收到电子金融业务请求时，可提取该电子金融业务的指定业务特征。其中，所述指定业务特征可以由开发人员进行设置，比如：收款方、付款方等，本申请对此不作特殊限制。
步骤403，若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。
基于前述步骤402，在提取到所述指定业务特征之后，可以判断所述指定业务特征是否匹配所述黑名单中的机构全称，以及是否匹配所述机构全称对应的机构简称。若所述指定业务特征匹配所述机构全称或者匹配所述机构全称对应的机构简称，则可以确定所述电子金融业务违法，比如：所述电子金融业务涉嫌洗钱、欺诈等违法行为。
由以上描述可以看出，本申请可以基于已训练的简称模型批量生产黑名单中机构全称对应的机构简称，进而可以结合黑名单中的机构全称和其对应的机构简称校验电子金融业务的合法性，避免违法人员采用机构简称规避校验，提高了电子金融业务合法性校验的准确性。
与前述生成简称的方法的实施例相对应，本申请还提供了生成简称的装置的实施例。
本申请生成简称的装置的实施例可以应用在终端、服务器等用于生成简称的电子设备中上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本申请生成简称的装置所在电子设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。
图6是本申请一示例性实施例示出的一种生成简称的装置的框图。
请参考图6，所述生成简称的装置500可以应用在前述图5所述的电子设备中，包括有：模型训练单元501、向量转换单元502、向量输入单元503以及简称确定单元504。
其中，模型训练单元501，根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；
向量转换单元502，将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；
向量输入单元503，将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；
简称确定单元504，根据所述简称概率值确定所述目标全称的简称。
可选的，所述简称确定单元504，提取所述目标全称中简称概率值满足预设条件的字符，得到所述目标全称的简称。
可选的，所述模型训练单元501：
将所述全称样本的每个字符分别转换为对应的向量，得到所述全称样本对应的向量矩阵样本；
根据所述全称样本的简称对所述全称样本进行序列标注；
将所述全称样本对应的向量矩阵样本作为入参输入所述原始简称模型，经过所述原始简称模型输出所述全称样本中每个字符的简称概率值；
基于所述全称样本中每个字符的简称概率值和所述全称样本的序列标注结果，采用误差反向传播算法调整所述原始简称模型的权重参数；
当调整后的原始简称模型收敛时，确定所述原始简称模型训练完毕，得到已训练的简称模型。
可选的，当对所述原始简称模型的权重参数进行预设次数的迭代调整后，确定所述迭代调整后的原始简称模型收敛。
可选的，当经过调整后的原始简称模型输出的所述全称样本中每个字符的简称概率值与所述全称样本的序列标注结果之间的误差小于预设阈值时，确定所述调整后的原始简称模型收敛。
与前述校验电子金融业务合法性的方法的实施例相对应，本申请还提供了校验电子金融业务合法性的装置的实施例。
本申请校验电子金融业务合法性的装置的实施例可以应用在终端、服务器等电子设备中上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图7所示，为本申请校验电子金融业务合法性的装置所在电子设备的一种硬件结构图，除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。
图8是本申请一示例性实施例示出的一种校验电子金融业务合法性的装置的框图。
请参考图8，所述校验电子金融业务合法性的装置700可以应用在前述图7所示的电子设备中，包括有：简称生成单元701、特征提取单元702以及合法校验单元703。
其中，简称生成单元701，基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称；
特征提取单元702，在接收到电子金融业务请求时，提取指定的业务特征；
合法校验单元703，若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。
可选的，所述简称生成单元701：
将所述机构全称的每个字符分别转换为对应的向量，得到机构全称对应的机构向量矩阵；
将所述机构向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述机构全称中每个字符的简称概率值；
根据所述简称概率值确定所述机构全称对应的机构简称。
可选的，所述简称生成单元701，提取所述机构全称中简称概率值满足预设条件的字符，得到所述机构全称的机构简称。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (16)

1.一种生成简称的方法，其特征在于，所述方法包括：
根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；
将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；
将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；
根据所述简称概率值确定所述目标全称的简称。
2.根据权利要求1所述的方法，其特征在于，所述根据所述简称概率值确定所述目标全称的简称，包括：
提取所述目标全称中简称概率值满足预设条件的字符，得到所述目标全称的简称。
3.根据权利要求1所述的方法，其特征在于，所述根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型，包括：
将所述全称样本的每个字符分别转换为对应的向量，得到所述全称样本对应的向量矩阵样本；
根据所述全称样本的简称对所述全称样本进行序列标注；
将所述全称样本对应的向量矩阵样本作为入参输入所述原始简称模型，经过所述原始简称模型输出所述全称样本中每个字符的简称概率值；
基于所述全称样本中每个字符的简称概率值和所述全称样本的序列标注结果，采用误差反向传播算法调整所述原始简称模型的权重参数；
当调整后的原始简称模型收敛时，确定所述原始简称模型训练完毕，得到已训练的简称模型。
4.根据权利要求3所述的方法，其特征在于，
当对所述原始简称模型的权重参数进行预设次数的迭代调整后，确定所述迭代调整后的原始简称模型收敛。
5.根据权利要求3所述的方法，其特征在于，
当经过调整后的原始简称模型输出的所述全称样本中每个字符的简称概率值与所述全称样本的序列标注结果之间的误差小于预设阈值时，确定所述调整后的原始简称模型收敛。
6.一种校验电子金融业务合法性的方法，其特征在于，所述方法包括：
基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称；
在接收到电子金融业务请求时，提取指定的业务特征；
若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。
7.根据权利要求6所述的方法，其特征在于，所述基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称，包括：
将所述机构全称的每个字符分别转换为对应的向量，得到机构全称对应的机构向量矩阵；
将所述机构向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述机构全称中每个字符的简称概率值；
根据所述简称概率值确定所述机构全称对应的机构简称。
8.根据权利要求7所述的方法，其特征在于，所述根据所述简称概率值确定所述机构全称对应的机构简称，包括：
提取所述机构全称中简称概率值满足预设条件的字符，得到所述机构全称的机构简称。
9.一种生成简称的装置，其特征在于，所述装置包括：
模型训练单元，根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；
向量转换单元，将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；
向量输入单元，将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；
简称确定单元，根据所述简称概率值确定所述目标全称的简称。
10.根据权利要求9所述的装置，其特征在于，
所述简称确定单元，提取所述目标全称中简称概率值满足预设条件的字符，得到所述目标全称的简称。
11.根据权利要求9所述的装置，其特征在于，所述模型训练单元：
将所述全称样本的每个字符分别转换为对应的向量，得到所述全称样本对应的向量矩阵样本；
根据所述全称样本的简称对所述全称样本进行序列标注；
将所述全称样本对应的向量矩阵样本作为入参输入所述原始简称模型，经过所述原始简称模型输出所述全称样本中每个字符的简称概率值；
基于所述全称样本中每个字符的简称概率值和所述全称样本的序列标注结果，采用误差反向传播算法调整所述原始简称模型的权重参数；
当调整后的原始简称模型收敛时，确定所述原始简称模型训练完毕，得到已训练的简称模型。
12.根据权利要求11所述的装置，其特征在于，
当对所述原始简称模型的权重参数进行预设次数的迭代调整后，确定所述迭代调整后的原始简称模型收敛。
13.根据权利要求11所述的装置，其特征在于，
当经过调整后的原始简称模型输出的所述全称样本中每个字符的简称概率值与所述全称样本的序列标注结果之间的误差小于预设阈值时，确定所述调整后的原始简称模型收敛。
14.一种校验电子金融业务合法性的装置，其特征在于，所述装置包括：
简称生成单元，基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称；
特征提取单元，在接收到电子金融业务请求时，提取指定的业务特征；
合法校验单元，若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。
15.根据权利要求14所述的装置，其特征在于，所述简称生成单元：
将所述机构全称的每个字符分别转换为对应的向量，得到机构全称对应的机构向量矩阵；
将所述机构向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述机构全称中每个字符的简称概率值；
根据所述简称概率值确定所述机构全称对应的机构简称。
16.根据权利要求15所述的装置，其特征在于，
所述简称生成单元，提取所述机构全称中简称概率值满足预设条件的字符，得到所述机构全称的机构简称。
CN201710079329.5A 2017-02-14 2017-02-14 生成简称、校验电子金融业务合法性的方法及装置 Pending CN108428137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710079329.5A CN108428137A (zh) 2017-02-14 2017-02-14 生成简称、校验电子金融业务合法性的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710079329.5A CN108428137A (zh) 2017-02-14 2017-02-14 生成简称、校验电子金融业务合法性的方法及装置

Publications (1)

Publication Number Publication Date
CN108428137A true CN108428137A (zh) 2018-08-21

Family

ID=63155171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710079329.5A Pending CN108428137A (zh) 2017-02-14 2017-02-14 生成简称、校验电子金融业务合法性的方法及装置

Country Status (1)

Country Link
CN (1) CN108428137A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110096571A (zh) * 2019-04-10 2019-08-06 北京明略软件系统有限公司 一种机构名简称生成方法和装置、计算机可读存储介质
CN110377818A (zh) * 2019-06-14 2019-10-25 平安科技（深圳）有限公司 用户信息推送方法、装置、存储介质和计算机设备
CN111310472A (zh) * 2020-01-19 2020-06-19 合肥讯飞数码科技有限公司 别名生成方法、装置和设备
CN114020973A (zh) * 2021-11-26 2022-02-08 盐城金堤科技有限公司 舆情数据采集方法及其装置、计算机存储介质、电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1744080A (zh) * 2005-09-27 2006-03-08 南方医科大学 一种与特定功能相关的基因信息检索系统及用于该系统的检索词数据库的构建方法
US20080243376A1 (en) * 2007-03-27 2008-10-02 Tatsuo Yokota Method and apparatus for entering street name
CN101727464A (zh) * 2008-10-29 2010-06-09 北京搜狗科技发展有限公司 获取别称匹配对的方法及装置
CN102722816A (zh) * 2012-05-24 2012-10-10 张盛毅 一种移动支付的方法、系统及装置
CN104504562A (zh) * 2014-12-22 2015-04-08 张文 一种移动支付方法及系统
CN104899304A (zh) * 2015-06-12 2015-09-09 北京京东尚科信息技术有限公司 命名实体识别方法及装置
CN104937624A (zh) * 2014-03-11 2015-09-23 深圳市银信网银科技有限公司 网络支付系统及其方法
CN105955954A (zh) * 2016-05-03 2016-09-21 成都数联铭品科技有限公司 一种基于双向递归神经网络的新企业名称发现方法
CN105975555A (zh) * 2016-05-03 2016-09-28 成都数联铭品科技有限公司 一种基于双向递归神经网络的企业简称提取方法
CN106033515A (zh) * 2015-03-16 2016-10-19 阿里巴巴集团控股有限公司 欺诈事件的识别方法和装置
CN106156181A (zh) * 2015-04-20 2016-11-23 华为技术有限公司 一种别名获取方法及装置
CN106295252A (zh) * 2016-08-18 2017-01-04 杭州布理岚柏科技有限公司 用于基因产品的检索方法
CN106296178A (zh) * 2016-08-31 2017-01-04 江苏茴香豆网络科技有限公司 基于nfc的支付方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1744080A (zh) * 2005-09-27 2006-03-08 南方医科大学 一种与特定功能相关的基因信息检索系统及用于该系统的检索词数据库的构建方法
US20080243376A1 (en) * 2007-03-27 2008-10-02 Tatsuo Yokota Method and apparatus for entering street name
CN101727464A (zh) * 2008-10-29 2010-06-09 北京搜狗科技发展有限公司 获取别称匹配对的方法及装置
CN102722816A (zh) * 2012-05-24 2012-10-10 张盛毅 一种移动支付的方法、系统及装置
CN104937624A (zh) * 2014-03-11 2015-09-23 深圳市银信网银科技有限公司 网络支付系统及其方法
CN104504562A (zh) * 2014-12-22 2015-04-08 张文 一种移动支付方法及系统
CN106033515A (zh) * 2015-03-16 2016-10-19 阿里巴巴集团控股有限公司 欺诈事件的识别方法和装置
CN106156181A (zh) * 2015-04-20 2016-11-23 华为技术有限公司 一种别名获取方法及装置
CN104899304A (zh) * 2015-06-12 2015-09-09 北京京东尚科信息技术有限公司 命名实体识别方法及装置
CN105955954A (zh) * 2016-05-03 2016-09-21 成都数联铭品科技有限公司 一种基于双向递归神经网络的新企业名称发现方法
CN105975555A (zh) * 2016-05-03 2016-09-28 成都数联铭品科技有限公司 一种基于双向递归神经网络的企业简称提取方法
CN106295252A (zh) * 2016-08-18 2017-01-04 杭州布理岚柏科技有限公司 用于基因产品的检索方法
CN106296178A (zh) * 2016-08-31 2017-01-04 江苏茴香豆网络科技有限公司 基于nfc的支付方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110096571A (zh) * 2019-04-10 2019-08-06 北京明略软件系统有限公司 一种机构名简称生成方法和装置、计算机可读存储介质
CN110096571B (zh) * 2019-04-10 2021-06-08 北京明略软件系统有限公司 一种机构名简称生成方法和装置、计算机可读存储介质
CN110377818A (zh) * 2019-06-14 2019-10-25 平安科技（深圳）有限公司 用户信息推送方法、装置、存储介质和计算机设备
CN111310472A (zh) * 2020-01-19 2020-06-19 合肥讯飞数码科技有限公司 别名生成方法、装置和设备
CN111310472B (zh) * 2020-01-19 2024-02-09 合肥讯飞数码科技有限公司 别名生成方法、装置和设备
CN114020973A (zh) * 2021-11-26 2022-02-08 盐城金堤科技有限公司 舆情数据采集方法及其装置、计算机存储介质、电子设备

Similar Documents

Publication Publication Date Title
US9047600B2 (en) Mobile and wearable device payments via free cross-platform messaging service, free voice over internet protocol communication, free over-the-top content communication, and universal digital mobile and wearable device currency faces
CN105099688B (zh) 一种电子账户的操作方法、支付页面的展示方法及装置
US9824357B2 (en) Focus-based challenge-response authentication
CN105164707B (zh) 使用移动支付账户、移动条码和通用数字移动货币来便于移动设备支付
US11151546B2 (en) Trigger peer to peer payment with financial cards and phone camera
US11599876B1 (en) Systems and methods for foreign currency exchange and transfer
CN108428137A (zh) 生成简称、校验电子金融业务合法性的方法及装置
CN104025136A (zh) 用于在执行业务时利用识别数据的方法和设备
WO2014210548A2 (en) Extracting card data using card art
US10846789B2 (en) Instant bank account verification through debit card network
CA2788987A1 (en) Transferring funds using mobile devices
CN104883293B (zh) 消息交互方法和相关装置及通信系统
EP3335152A1 (en) Comparing an extracted user name with stored user data
US9336523B2 (en) Managing a secure transaction
US20160092876A1 (en) On-device shared cardholder verification
TWM410932U (en) Mobile device capable of displaying barcode for electronic transaction and integrated circuit film thereof
Garg et al. Developing secured biometric payments model using tokenization
JP2020052633A (ja) プログラム、情報処理端末、及び情報処理方法
CN104899742A (zh) 一种数据转移方法、移动终端及服务器
US10846681B2 (en) System and method for providing payment service
US20170371468A1 (en) Pressure sensitive device casings to enable device functionality
CN108205757B (zh) 电子支付业务合法性的校验方法和装置
CN113673974A (zh) 一种电子货币离线交易方法及交易装置
US10861011B2 (en) Method and system of authentication of electronic payments
CN117056273A (zh) 用于改进计算机标识的系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1259088

Country of ref document: HK

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180821