CN109189928B - 一种汇票交易机器人的授信信息识别方法 - Google Patents

Abstract

本发明公开了一种汇票交易机器人的授信信息识别方法，主要涉及人工智能自然语言处理领域。包括S1,从数据库中分段读取数据；S2，二次信息处理和清洗；S3，信息分词和放入队列；S4,多个线程处理分词结果；S5，对提取结果进行整理入库。本发明的有益效果在于：采用此方法能够更快的处理银行承兑汇票买卖信息分类和识别问题，进而提高交易速度。

Description

一种汇票交易机器人的授信信息识别方法

技术领域

本发明涉及人工智能自然语言处理领域，具体是一种汇票交易机器人的授信信息识别方法。

背景技术

目前汇票交易信息撮合主要在微信、qq等即时通讯软件上进行。汇票交易商(买卖方)通过交换各自的汇票库存和汇票利率表，计算各自的卖出价格，协商交易方式，实现汇票交易。由于汇票价格计算中需要计算计息天数，每一笔报价要结合票面要素和利率表进行混合运算，敲击电子计算器进行汇票报价和交易，耗时费力、容易出错；每一笔报价要结合票面承兑人授信情况和不同报价的交易方式，人脑难以长期记忆，交易商不得不反复问询，增加了交易障碍；汇票交易商交易对话违约率高，交易对话无法形成标准化合约，增加交易风险和成本。

因此，将人工智能机器人应用在汇票交易中，能够大幅度提高汇票交易效率，完善汇票交易方法，降低相关人员劳动强度。而要实现汇票的智能交易，汇票库存信息的自动识别必不可少，而目前尚无完善的技术能够实现汇票库存信息的智能识别。

发明内容

本发明的目的在于提供一种汇票交易机器人的授信信息识别方法，采用此方法能够更快的处理银行承兑汇票买卖信息分类和识别问题，进而提高交易速度。

本发明为实现上述目的，通过以下技术方案实现：

一种汇票交易机器人的授信信息识别方法，包括：

S1,从数据库中分段读取数据：因为百万数据一下读不完，对服务器也是种负担，所以在读取时每十万条数据进行一次读取，并对每条数据是否为空数据进行判断处理；空数据直接程序停止，非空数据进行二次读取；

S2，二次信息处理和清洗：对非空数据信息进行逐条读取，并对每条数据是否为垃圾信息进行判断处理；若此条数据是垃圾信息数据，则直接抛出垃圾信息并进行下一条数据的读取，对下一条数据再进行是否为垃圾信息判断处理；若此条数据是不是垃圾信息数据，则直接进行信息清洗处理；

S3，信息分词和放入队列：对每条经过清洗处理的信息进行信息分词处理，并将分词结果放入分词队列等待处理；

S4,多个线程处理分词结果：启动多个授信提取线程对分词队列监听，对分词结果进行实时的授信信息提取处理，不同银行处理结束后放入对应的承兑人队列；

S5，对提取结果进行整理入库。

信息分词和放入队列方法包括：

S1，通过使用字母、数字、空格、中英文标点等非汉字字符，以及汉语中助词等与授信信息无关的字词，对每个授信信息句子进行分割为多个分词元素，多个分词放入后形成分词队列；

S2，分割结果为一个个的分词元素，并将每个分词后的元素结果添加到分词队列，被分割后的每个授信信息句子的最后一个分词元素后添加一个“END”标志元素，“END”标志元素作为队列的最后一个分词元素。

授信提取线程对分词队列监听，对分词结果进行实时的授信信息提取处理的方法包括：

S1,检测分词队列：对每条分词队列提取检测是否为空元素，为分词队列为空元素队列时，等待，然后对下一个分词队列进行提取检测是否为空元素；当分词队列不是空元素时，提取出分词队列首元素；

S2,“END”标志元素判断：每个分词队列提取检测后都需进行是否为“END”标志元素判断，当分词队列元素不是“END”标志元素时，要将此分词队列提取的元素与后台授信数据库数据进行匹配；当提取的分词队列元素判断为“END”标志元素时，先将此“END”标志元素分词元素重新添加到分词队列内，然后停止此线程。

S3，分词队列提取的元素与后台授信数据库数据进行匹配：若匹配成功，将信息整理入库；若匹配不成功，将信息清理抛出；将信息整理入库或将信息抛出后线程再执行下一个队列的监听，对分词结果进行实时的授信信息提取处理。

对比现有技术，本发明的有益效果在于：

采用此方法能够对百万信息进行信息分词处理，并使用分词队列、多线程信息提取等技术，提高识别效率，更快的处理银行承兑汇票买卖信息分类和识别问题，从各种信息中识别出各家公司的授信银行，进而提高交易速度。

附图说明

附图1是本发明具体实施方法流程图。

附图2是单个分词元素线程检测的工作流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。

本发明所述是一种汇票交易机器人的授信信息识别方法，主体结构包括：

S1,从数据库中分段读取数据：因为百万数据一下读不完，对服务器也是种负担，所以在读取时每十万条数据进行一次读取，并对每条数据是否为空数据进行判断处理；空数据直接程序停止，非空数据进行二次读取；

S2，二次信息处理和清洗：对非空数据信息进行逐条读取，并对每条数据是否为垃圾信息进行判断处理；若此条数据是垃圾信息数据，则直接抛出垃圾信息并进行下一条数据的读取，对下一条数据再进行是否为垃圾信息判断处理；若此条数据是不是垃圾信息数据，则直接进行信息清洗处理；

S3，信息分词和放入队列：对每条经过清洗处理的信息进行信息分词处理，并将分词结果放入分词队列等待处理；

S4,多个线程处理分词结果：启动多个授信提取线程对分词队列监听，对分词结果进行实时的授信信息提取处理，不同银行处理结束后放入对应的承兑人队列；

S5，对提取结果进行整理入库。

信息分词和放入队列方法包括：

S1，通过使用字母、数字、空格、中英文标点等非汉字字符，以及汉语中助词等与授信信息无关的字词，对每个授信信息句子进行分割为多个分词元素，多个分词放入后形成分词队列；

S2，分割结果为一个个的分词元素，并将每个分词后的元素结果添加到分词队列，被分割后的每个授信信息句子的最后一个分词元素后添加一个“END”标志元素，“END”标志元素作为队列的最后一个分词元素。

授信提取线程对分词队列监听，对分词结果进行实时的授信信息提取处理的方法包括：

S1,检测分词队列：对每条分词队列提取检测是否为空元素，为分词队列为空元素队列时，等待，然后对下一个分词队列进行提取检测是否为空元素；当分词队列不是空元素时，提取出分词队列首元素；

S2,“END”标志元素判断：每个分词队列提取检测后都需进行是否为“END”标志元素判断，当分词队列元素不是“END”标志元素时，要将此分词队列提取的元素与后台授信数据库数据进行匹配；当提取的分词队列元素判断为“END”标志元素时，先将此“END”标志元素分词元素重新添加到分词队列内，然后停止此线程。

S3，分词队列提取的元素与后台授信数据库数据进行匹配：若匹配成功，将信息整理入库；若匹配不成功，将信息清理抛出；将信息整理入库或将信息抛出后线程再执行下一个队列的监听，对分词结果进行实时的授信信息提取处理。

采用此方法进行授信信息识别时，从数据库中分段读取数据，每十万条数据进行一次读取，然后进行空数据判断处理、垃圾信息判断处理、信息分词处理，并使用分词队列、多线程信息提取等技术，提高识别效率，更快的处理银行承兑汇票买卖信息分类和识别问题，从各种信息中识别出各家公司的授信银行，进而提高交易速度。

举例解释说明：

设：数据库中有“空空空”、ABC(垃圾信息)、abc、123…………多条授信信息。

S1,从数据库中分段读取数据：

当读到“空空空”这一条授信信息时，判断为此条授信信息为空数据信息，直接程序停止；当读到“ABC”这一条授信信息时，判断为此条授信信息为非空数据信息，再执行进行二次读取。

S2，二次信息处理和清洗：

对“ABC”这一条授信信息进行二次读取，此条授信信息被判断为垃圾信息，则直接抛出“ABC”这一条垃圾信息并进行下一条信息(abc)的读取。“abc”这一条授信信息经过上述判断过程，判断得出“abc”这一条授信信息既不是空数据信息，也不是垃圾信息，然后进行信息清洗处理过程。信息清洗处理包括过滤杂乱信息和对简称的扩写，比如，若“abc”这一条授信信息为“中国农信”，则在此过程扩写为“中国农村信用社”。

S3，信息分词和放入队列：

第一步：对每条经过清洗处理的信息进行信息分词处理，通过使用字母、数字、空格、中英文标点等非汉字字符，以及汉语中助词等与授信信息无关的字词，对每个授信信息句子进行分割为多个分词元素，多个分词放入后形成分词队列。第二部：分割结果为一个个的分词元素，并将每个分词后的元素结果添加到分词队列，被分割后的每个授信信息句子的最后一个分词元素后添加一个“END”标志元素，“END”标志元素作为队列的最后一个分词元素。在此处以“；”字符对“abc”这一条授信信息进行分割(a；b；c、；END)，分隔为a、b、c、END四个分词元素，分词元素放入后形成四个分词队列a、b、c、END。

S4,多个线程处理分词结果：

第一步：检测分词队列：对每条分词队列提取检测是否为空元素，为分词队列为空元素队列时，等待，然后对下一个分词队列进行提取检测是否为空元素；当分词队列不是空元素时，提取出分词队列首元素；此四个分词队列a、b、c、END不存在空元素。(举例：若四个分词队列为“空”、b、c、END时，对“空”这条分词队列提取检测，检测为空元素，这时就等待，然后对下一个分词队列b进行提取检测是否为空元素，b不是空元素，然后再进行后续“END”标志元素判断。)

第二步：“END”标志元素判断：每个分词队列提取检测后都需进行是否为“END”标志元素判断，当分词队列元素不是“END”标志元素时，要将此分词队列提取的元素与后台授信数据库数据进行匹配；当提取的分词队列元素判断为“END”标志元素时，先将此“END”标志元素分词元素重新添加到分词队列内，然后停止此线程。当检测到a分词元素时，“END”标志元素判断时判断到a分词元素不是“END”标志元素，要将a这个分词元素与后台授信数据库数据进行匹配，看是否匹配成功。然后再对b、c这两个分词元素分别进行“END”标志元素判断，b、c这两个分词元素也不是“END”标志元素，再将b、c这个分词元素与后台授信数据库数据进行匹配，看是否匹配成功。当对END这个分词元素进行“END”标志元素判断时，END这个分词元素是“END”标志元素，这时就先将END分词元素重新添加到分词队列内，然后停止此线程。

第三步：将a、b、c这三个分词元素与后台授信数据库数据进行匹配：若匹配成功，将信息整理入库；若匹配不成功，将信息清理抛出；将信息整理入库或将信息抛出后线程再执行下一个队列信息123的监听，以及对123这个队列信息分词结果进行实时的授信信息提取处理。

Claims (3)

1.一种汇票交易机器人的授信信息识别方法，其特征在于：包括：

S1,从数据库中分段读取数据：因为百万数据一下读不完，对服务器也是种负担，所以在读取时每十万条数据进行一次读取，并对每条数据是否为空数据进行判断处理；空数据直接程序停止，非空数据进行二次读取；

S2，二次信息处理和清洗：对非空数据信息进行逐条读取，并对每条数据是否为垃圾信息进行判断处理；若此条数据是垃圾信息数据，则直接抛出垃圾信息并进行下一条数据的读取，对下一条数据再进行是否为垃圾信息判断处理；若此条数据不是垃圾信息数据，则直接进行信息清洗处理；

S3，信息分词和放入队列：对每条经过清洗处理的信息进行信息分词处理，并将分词结果放入分词队列等待处理；

S4,多个线程处理分词结果：启动多个授信提取线程对分词队列监听，对分词结果进行实时的授信信息提取处理，不同银行处理结束后放入对应的承兑人队列；

S5，对提取结果进行整理入库。

2.根据权利要求1所述一种汇票交易机器人的授信信息识别方法，其特征在于：信息分词和放入队列方法包括：

S1，通过使用非汉字字符，以及汉语中与授信信息无关的字词，对每个授信信息句子进行分割为多个分词元素，多个分词放入后形成分词队列；

S2，分割结果为一个个的分词元素，并将每个分词后的元素结果添加到分词队列，被分割后的每个授信信息句子的最后一个分词元素后添加一个“END”标志元素，“END”标志元素作为队列的最后一个分词元素。

3.根据权利要求2所述一种汇票交易机器人的授信信息识别方法，其特征在于：授信提取线程对分词队列监听，对分词结果进行实时的授信信息提取处理的方法包括：

S1,检测分词队列：对每条分词队列提取检测是否为空元素，为分词队列为空元素队列时，等待，然后对下一个分词队列进行提取检测是否为空元素；当分词队列不是空元素时，提取出分词队列首元素；

S2,“END”标志元素判断：每个分词队列提取检测后都需进行是否为“END”标志元素判断，当分词队列元素不是“END”标志元素时，要将此分词队列提取的元素与后台授信数据库数据进行匹配；当提取的分词队列元素判断为“END”标志元素时，先将此“END”标志元素分词元素重新添加到分词队列内，然后停止此线程；

S3，分词队列提取的元素与后台授信数据库数据进行匹配：若匹配成功，将信息整理入库；若匹配不成功，将信息清理抛出；将信息整理入库或将信息抛出后线程再执行下一个队列的监听，对分词结果进行实时的授信信息提取处理。

Images