CN110298547A - 风险评估方法、装置、计算机装置及存储介质 - Google Patents
风险评估方法、装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN110298547A CN110298547A CN201910442273.4A CN201910442273A CN110298547A CN 110298547 A CN110298547 A CN 110298547A CN 201910442273 A CN201910442273 A CN 201910442273A CN 110298547 A CN110298547 A CN 110298547A
- Authority
- CN
- China
- Prior art keywords
- invoice
- risk
- data information
- information
- assessment
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/04—Billing or invoicing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风险评估方法,包括创建数据集市,所述数据集市中包括多个开票单位开具的发票数据信息;获取风险评估模型,所述风险评估模型中包括至少一组风险评估规则,所述风险评估规则定义了发票数据信息与风险等级对应关系;获取待进行风险评估的开票单位信息,由所述数据集市中查找所述开票单位信息对应的发票数据信息;将获取到的所述与开票单位信息对应的发票数据信息与所述风险评估模型中的风险评估规则进行匹配计算,确定所述开票单位信息对应的发票数据信息的风险等级,并确定风险评估结果。本发明还提供一种风险评估方法风险装置、计算机装置及计算机可读存储介质。本发明能够根据企业的历史发票数据信息对企业进行风险等级评估。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于数据集市的风险评估方法、装置、计算机装置及计算机可读存储介质。
背景技术
风险控制是指风险管理者采取各种措施和方法,消灭或减少风险事件发生的各种可能性,或者减少风险事件发生时造成的损失。如何利用大数据进行智能化的风险评估是亟需解决的问题。
发明内容
鉴于以上内容,有必要提出一种风险评估方法、装置、计算机装置及存储介质,能够根据企业的历史发票数据信息对企业进行快速、准确的风险等级评估。
本申请的第一方面提供一种风险评估方法,所述方法包括:
创建数据集市,所述数据集市中包括预设历史时长内多个开票单位开具的发票数据信息;
当接收到风险评估请求时,根据风险评估请求调用风险评估模型,所述风险评估模型用于通过发票数据信息计算风险等级;
接收查询指令并获取所述查询指令中待进行风险评估的目标开票单位信息,由所述数据集市中查找所述目标开票单位信息对应的目标发票数据信息;
将所述目标发票数据信息输入至所述风险评估模型,通过所述风险评估模型确定所述目标发票数据信息的风险等级,并根据发票数据信息的风险等级确定所述开票单位对应的风险评估结果。
本申请的第二方面提供一种风险评估装置,所述装置包括:
数据集市创建模块,用于创建数据集市,所述数据集市中包括预设历史时长内多个开票单位开具的发票数据信息;
风险评估模型获取模块,用于获取风险评估模型,所述风险评估模型用于通过发票数据信息计算风险等级;
数据获取模块,用于接收查询指令并获取所述查询指令中待进行风险评估的目标开票单位信息,由所述数据集市中查找所述目标开票单位信息对应的目标发票数据信息;
评估模块,用于将所述目标发票数据信息输入至所述风险评估模型,通过所述风险评估模型确定所述目标发票数据信息的风险等级,并根据发票数据信息的风险等级确定所述开票单位对应的风险评估结果。
本申请第三方面提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前所述的风险评估方法。
本申请的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的风险评估方法。
本发明通过创建历史发票数据信息数据集市及创建风险评估模型,能够根据企业的历史发票数据信息大数据进行智能化的风险等级评估。
附图说明
图1是本发明实施例一提供的风险评估方法的应用环境架构示意图。
图2是本发明实施例二提供的风险评估方法流程图。
图3是本发明实施例三提供的风险评估装置的结构示意图。
图4是本发明实施例四提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
参阅图1所示,为本发明实施例一提供的风险评估方法的应用环境架构示意图。
本发明中的风险评估方法应用在计算机装置100中,所述计算机装置100与至少一个终端设备300通过网络建立通信连接。所述网络可以是有线网络,也可以是无线网络。所述有线网络可以为传统有线通讯的任何类型,例如因特网、局域网。所述无线网络可以为传统无线通讯的任何类型,例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。
所述计算机装置100是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(应用程序licationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等
所述计算机装置100可以是但不限于服务器、服务器集群、台式计算机、一体机、平板电脑等。所述至少一个终端设备300可以是但不限于智能手机、平板电脑、台式计算机、用于打印发票的打印机等电子设备。
实施例二
请参阅图2所示,是本发明第二实施例提供的风险评估方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S1、创建数据集市,所述数据集市中包括预设历史时长内多个开票单位开具的发票数据信息。
数据集市是为满足特定的部门或者用户需求,按照多维的方式进行存储的数据立方体,数据集市中包括定义的维度、需要计算的指标、维度的层次等。数据集市是一个从操作的数据和其他的为某个特殊的专业人员团体服务的数据源中收集数据的仓库。
本发明一实施方式中,所述发票数据信息包括但不限于发票票头信息、字轨号码、联次及用途、开票单位名称、交易对象名称、商品名称或经营项目名称、发票金额、开票日期等。
一实施方式中,所述步骤S1具体包括:
(1)接收数据集市模型创建指令,构建数据集市模型,其中所述数据集市模型中包括事实表和维度表;
事实表描述数据集市中最密集的数据。维表是围绕事实表建立的,它通过外键与事实表相连。在一个实施例中,发票数据信息可能涉及到每个开票单位开具的历史开具发票总数,那么所述每个开票单位历史开具发票总数可以作为事实表。在通过发票数据信息对开票单位进行评价时,可能从开票日期、开票金额、开票间隔、交易对象等多个维度来进行评价,把这些评价维作为所述数据集市的维度,建立维度表。
(2)采集多个开票单位历史时长内开具的发票数据信息;
一个实施方式中,采集的所述多个开票单位历史时长内开具的发票数据信息是通过安装在多个开票单位的发票开具装置中的客户端采集的,每一客户端在开票单位开具发票时采集所开发票的发票数据信息,数据集市系统的数据采集层从所述安装在多个开票单位的客户端获取所述客户端采集的发票数据信息。
所述客户端安装在多个能够开具发票的开票单位的主机中,每个客户端实时监控并采集开票单位开具的发票数据信息。所述客户端长期持续地采集开票单位开具的发票信息,因此可以采集所述开票单位长时间的发票数据信息,例如五年、十年。
可以理解的是,所述采集发票数据信息的方式也不限于通过安装于开票单位的客户端采集,所述发票数据信息还可以是直接由相关发票信息数据库中获取的,也可以通过API接口(Application Programming Interface,应用程序编程接口)、Flume(日志收集系统)、Kafka(消息发布订阅系统)、或Flume结合Kafka的方式由发票开具系统实时采集的,还可以是通过网络爬虫等方式获取的。
(3)清洗、整合采集到的所述发票数据信息;
所述采集到发票数据信息的数据结构类型可以包括非结构化数据(如各种图片数据)、半结构化(如各种日志)、以及结构化数据,针对非结构化数据,通过特征提取、语义分析、分词、聚类等方式进行进一步整理和提取,以取得构建数据集市所需的数据信息。
本发明实施方式中,清洗采集到的所述发票数据信息的方法包括如下一种或多种的组合:
判断所述采集到的发票数据信息中是否包括重复数据,若包括重复数据,则对所述采集到的发票数据信息进行去重;
根据预设的非法性判断条件确定所述发票数据信息是否包括非法信息,若包含非法信息,则去除所述包含非法信息的发票数据信息;
判断所述发票数据信息是否缺损,并去除缺损的发票数据信息。
整合采集到的所述发票数据信息包括:判断发票数据信息的格式是否与预设格式一致,若不一致则将格式不一致的发票数据信息转换为所述预设格式。
(4)将清洗、整合处理后的所述发票数据信息填充至所述事实表和维度表,形成所述数据集市。
例如,将每个开票单位开具发票的总数填充这个开票单位对应的事实表中,再将这个开票单位所开具发票的开票日期、开票金额、开票间隔、交易对象等分别填充至对应的维度表中,从而形成数据集市。
本发明一实施方式中,所述数据集市中的数据通过分布式存储方式进行存储,构建数据集市。
本发明一个实施方式中,还可以先将采集到的发票数据信息存储到数据仓库中,再将数据仓库中的发票数据信息进行抽取、清洗、转换、加载汇总到所述数据集市中。
步骤S2、根据风险评估请求调用风险评估模型,所述风险评估模型用于通过发票数据信息计算风险等级。
在本发明一个实施方式中,所述风险评估模型中包括至少一组风险评估规则集合,所述风险评估规则集合定义了发票数据信息与风险等级对应关系。
具体地,所述风险评估规则中包括多个评估参数、每个评估参数对应的阈值范围以及每个阈值范围对应的评分值,还包括每个评估参数的评分值对应的风险等级。
一实施方式中,所述多个评估参数包括但不限于发票金额、发票数量、开票间隔、废票数量、关联交易比重、发票地址是否匹配、交易对手是否处于黑名单中等。
进一步地,每个评估参数中还可以包括多个子参数,举例而言,发票金额中还可以包括每个月开具的发票总金额、与同时期开具发票总金额的变化状况等多个子参数。通过多个参数才能够从多个维度更加全面的对开票单位进行风险评估。
所述每个评估参数对应的阈值范围及每个阈值范围对应的评分值决定发票数据信息中不同参数对评价风险等级的影响。
举例而言,就发票金额这一评估参数,假如发票金额这一评估参数又包括两个子参数,分别为(1)一个月内开具的发票金额;(2)当月开具发票金额相较于同期的变化比。那么所述风险评估规则集合中发票金额这一评估参数的每个子参数均对应一组风险评估规则。
例如,“一个月内开具的发票金额”这一子参数对应的风险评估规则可以是:一个月内开具的发票金额在第一阈值范围(例如大于5万),则评分为5分,对应的风险等级为低;若一个月内开具的发票金额在第二阈值范围(例如4-5万之间),则评分为4分,对应的风险等级为较低;若一个月内开具的发票金额在第三阈值范围(例如3-4万之间),则评分为3分,对应的风险等级为中;若一个月内开具的发票金额在第四阈值范围(例如2-3万之间),则评分为2分,对应的风险等级为较高;若一个月内开具的发票金额在第五阈值范围(例如小于2万),则评分为1分,对应的风险等级为高。
例如,“当月开具发票金额相较于上一年同期的变化比”这一评估子参数对应的风险评估规则可以是:当月开具发票金额相较于上一年同期上浮30%以上,则评分为5分,对应的风险等级为低;当月开具发票金额相较于上一年同期上浮1%-30%,则评分为4分,对应的风险等级为较低;当月开具发票金额相较于上一年同期持平,则评分为3分,对应的风险等级为中;当月开具发票金额相较于上一年同期下降1%-10%,则评分为2分,对应的风险等级为较高;当月开具发票金额相较于上一年同期下降10%以上,则评分为1分,对应的风险等级为高。
同理,所述风险评估规则中的每个评估参数均以类似的方法创建评估规则集合,本发明不在一一举例说明。
本发明其他实施方式中,所述风险评估模型也可以为但不限于机器学习模型,如NN模型(NeuralNetworks,神经网络模型)、线性分类器、SVM模型(Support VectorMachine,支持向量机模型)、朴素贝叶斯模型和K-近邻算法模型等常用学习模型。
在一个实施例中,所述风险评估模型的训练方法包括:
(1)根据发票数据信息构建输入向量,根据所述输入向量得到输入层;根据风险等级构建输出向量,根据所述输出向量得到输出层;获取预设的所述输入向量与输出向量之间的映射参数,根据所述映射参数得到中间层;根据所述输入层、中间层、输出层构建待训练的风险评估模型;
具体地,可以将发票金额、发票数量、开票间隔、废票数量、关联交易比重、发票地址是否匹配、交易对手是否处于黑名单中等信息进行编码、排序,得到输入向量,并将根据该输入向量构建成风险评估模型的输入层。输出层可以是风险等级参数值。在机器学习模型中,中间层为隐藏层,其中隐藏输入向量和输出向量之间映射关系,如映射参数。其中映射参数可以为权重比例、或函数式等,具体映射参数可以根据风险评估模型的结构进行设置。在构架风险评估模型时,可以设置初始化映射参数,并根据初始化映射参数得到中间层。在具体的应用中,风险评估模型为SVM模型,其中间层的映射参数可以为RBF((RadialBasis Function,径向基函数)核函数、线性核函数、多项式核函数、Sigmoid核函数等。当采用RBF核函数时,通过调整RBF核函数中惩罚因子和核参数,可以调整中间层,最终得到适合的风险评估模型。
(2)获取训练样本集,将所述训练样本集输入所述待训练的风险评估模型中,根据所述待训练风险评估模型的输出调整所述映射参数;根据调整后的映射参数得到调整后的中间层;根据所述输入层、所述调整后的中间层和所述输出层构建得到所述训练后风险评估模型;
对待训练风险评估模型进行训练时,可以为监督学习和非监督学习,对于SVM模型,可以采用监督学习,以提高模型训练效率;
(3)通过所述测试样本集对所述训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将所述训练后风险评估模型作为所述风险评估模型。
步骤S3、接收查询指令并获取所述查询指令中待进行风险评估的目标开票单位信息,由所述数据集市中查找所述目标开票单位信息对应的目标发票数据信息。
在步骤S3中获取的所述待进行风险评估的开票单位信息可以是但不限于所述开票单位的名称。
步骤S4、将获取到的所述目标发票数据信息输入至所述风险评估模型,通过所述风险评估模型确定所述目标发票数据信息的风险等级,并根据发票数据信息的风险等级确定所述开票单位对应的风险评估结果。
举例而言,当一个企业申请向银行申请贷款时,银行需要确定贷款给这个企业的风险,那么银行就可以通过企业开具发票的发票数据信息进行风险评估。银行在审批贷款前,先在风险评估系统输入这个企业的名称,通过企业名称在数据集市中查询这个企业的历史发票数据信息,并通过所述风险评估模型根据这个企业的历史发票数据信息评估贷款风险。如果企业预设历史时长内开具的发票数额和稳定程度都符合条件,那么就可以确定这个企业的经营状况较好,贷款给企业的风险较低,反之,如果企业在历史时长内开具的发票数额和稳定程度都不符合条件,那么贷款给企业的风险较高,银行可以拒绝贷款或降低贷款额度,以规避风险。
具体地,步骤S4具体包括:
1)由数据集市获取到所述目标发票数据信息后,提取出所述目标发票数据信息中分别与每个评估参数对应的参数信息;
2)将获取到的所述每个参数信息与对应的评估参数进行比对,确定所述参数信息所落入的评估参数对应的阈值范围,及确定所述阈值范围对应的评分值和风险等级;
3)结合所述发票数据信息中每个参数的评分值及对应的风险等级确定所述开票单位的风险评估结果。
一实施方式中,所述步骤S4是通过云计算的方式实现的。
步骤S5、输出所述风险评估结果。
根据前面的举例,在执行如前所述的步骤后,银行在输入开票单位的单位名称等相关信息后即可直接获得这个开票单位的风险评估结果,避免了人工评估带来的主观、费时长等因素的影响,能够较为准确、快速的评价风险等级。
上述图2详细介绍了本发明的风险评估方法,下面结合第3-4图,对实现所述风险评估方法的软件装置的功能模块以及实现所述风险评估方法的硬件装置架构进行介绍。
应所述了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
实施例三
图3为本发明风险评估装置10较佳实施例的结构图。
在一些实施例中,风险评估装置10运行于计算机装置中。所述风险评估装置10可以包括多个由程序代码段所组成的功能模块。所述风险评估装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中,并由所述至少一个处理器所执行,以实现风险评估功能。
本实施例中,所述风险评估装置10根据其所执行的功能,可以被划分为多个功能模块。参阅图3所示,所述功能模块可以包括:数据集市创建模块11、风险评估模型获取模块12、数据获取模块13、评估模块14、输出模块15。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述数据集市创建模块11用于创建数据集市,所述数据集市中包括预设历史时长内多个开票单位开具的发票数据信息。
数据集市是为满足特定的部门或者用户需求,按照多维的方式进行存储的数据立方体,数据集市中包括定义的维度、需要计算的指标、维度的层次等。数据集市是一个从操作的数据和其他的为某个特殊的专业人员团体服务的数据源中收集数据的仓库。
本发明一实施方式中,所述发票数据信息包括但不限于发票票头信息、字轨号码、联次及用途、开票单位名称、交易对象名称、商品名称或经营项目名称、发票金额、开票日期等。
一实施方式中,所述数据集市创建模块11创建数据集市具体包括:
(1)接收数据集市模型创建指令,构建数据集市模型,其中所述数据集市模型中包括事实表和维度表;
事实表描述数据集市中最密集的数据。维表是围绕事实表建立的,它通过外键与事实表相连。在一个实施例中,发票数据信息可能涉及到每个开票单位开具的历史开具发票总数,那么所述每个开票单位历史开具发票总数可以作为事实表。在通过发票数据信息对开票单位进行评价时,可能从开票日期、开票金额、开票间隔、交易对象等多个维度来进行评价,把这些评价维作为所述数据集市的维度,建立维度表。
(2)采集多个开票单位历史时长内开具的发票数据信息;
一个实施方式中,采集的所述多个开票单位历史时长内开具的发票数据信息是通过安装在多个开票单位的发票开具装置中的客户端采集的,每一客户端在开票单位开具发票时采集所开发票的发票数据信息,所述数据集市创建模块11从所述安装在多个开票单位的客户端获取所述客户端采集的发票数据信息。
所述客户端安装在多个能够开具发票的开票单位的主机中,每个客户端实时监控并采集开票单位开具的发票数据信息。所述客户端长期持续地采集开票单位开具的发票信息,因此可以采集所述开票单位长时间的发票数据信息,例如五年、十年。
可以理解的是,所述采集发票数据信息的方式也不限于通过安装于开票单位的客户端采集,所述发票数据信息还可以是直接由相关发票信息数据库中获取的,也可以通过API接口(Application Programming Interface,应用程序编程接口)、Flume(日志收集系统)、Kafka(消息发布订阅系统)、或Flume结合Kafka的方式由发票开具系统实时采集的,还可以是通过网络爬虫等方式获取的。
(3)清洗、整合采集到的所述发票数据信息;
所述采集到发票数据信息的数据结构类型可以包括非结构化数据(如各种图片数据)、半结构化(如各种日志)、以及结构化数据,针对非结构化数据,通过特征提取、语义分析、分词、聚类等方式进行进一步整理和提取,以取得构建数据集市所需的数据信息。
本发明实施方式中,清洗采集到的所述发票数据信息包括对不完整的发票数据信息、错误发票数据信息、重复的发票数据信息进行剔除;整合采集到的所述发票数据信息包括对格式不一致的发票数据信息进行格式统一转换、数据粒度转换等。
(4)将清洗、整合处理后的所述发票数据信息填充至所述事实表和维度表,形成所述数据集市。
所述风险评估模型获取模块12根据风险评估请求调用风险评估模型,所述风险评估模型用于通过发票数据信息计算风险等级。
在本发明一个实施方式中,所述风险评估模型中包括至少一组风险评估规则集合,所述风险评估规则集合定义了发票数据信息与风险等级对应关系。具体地,所述风险评估规则中包括多个评估参数、每个评估参数对应的阈值范围以及每个阈值范围对应的评分值,还包括每个评估参数的评分值对应的风险等级。
一实施方式中,所述多个评估参数包括但不限于发票金额、发票数量、开票间隔、废票数量、关联交易比重、发票地址是否匹配、交易对手是否处于黑名单中等。
进一步地,每个评估参数中还可以包括多个子参数,举例而言,发票金额中还可以包括每个月开具的发票总金额、与同时期开具发票总金额的变化状况等多个子参数。通过多个参数才能够从多个维度更加全面的对开票单位进行风险评估。
所述每个评估参数对应的阈值范围及每个阈值范围对应的评分值决定发票数据信息中不同参数对评价风险等级的影响。
举例而言,就发票金额这一评估参数,假如发票金额这一评估参数又包括两个子参数,分别为(1)一个月内开具的发票金额;(2)当月开具发票金额相较于同期的变化比。那么所述风险评估规则集合中发票金额这一评估参数的每个子参数均对应一组风险评估规则。
例如,“一个月内开具的发票金额”这一子参数对应的风险评估规则可以是:一个月内开具的发票金额在第一阈值范围(例如大于5万),则评分为5分,对应的风险等级为低;若一个月内开具的发票金额在第二阈值范围(例如4-5万之间),则评分为4分,对应的风险等级为较低;若一个月内开具的发票金额在第三阈值范围(例如3-4万之间),则评分为3分,对应的风险等级为中;若一个月内开具的发票金额在第四阈值范围(例如2-3万之间),则评分为2分,对应的风险等级为较高;若一个月内开具的发票金额在第五阈值范围(例如小于2万),则评分为1分,对应的风险等级为高。
例如,“当月开具发票金额相较于上一年同期的变化比”这一评估子参数对应的风险评估规则可以是:当月开具发票金额相较于上一年同期上浮30%以上,则评分为5分,对应的风险等级为低;当月开具发票金额相较于上一年同期上浮1%-30%,则评分为4分,对应的风险等级为较低;当月开具发票金额相较于上一年同期持平,则评分为3分,对应的风险等级为中;当月开具发票金额相较于上一年同期下降1%-10%,则评分为2分,对应的风险等级为较高;当月开具发票金额相较于上一年同期下降10%以上,则评分为1分,对应的风险等级为高。
同理,所述风险评估规则中的每个评估参数均以类似的方法创建评估规则,本发明不在一一举例说明。
可以理解的是,以上所列举的规则只是为了更好的说明本发明,并非构成限制。
本发明其他实施方式中,所述风险评估模型也可以为但不限于机器学习模型,如NN模型(NeuralNetworks,神经网络模型)、线性分类器、SVM模型(Support VectorMachine,支持向量机模型)、朴素贝叶斯模型和K-近邻算法模型等常用学习模型。
在一个实施例中,所述风险评估模型的训练方法包括:
(1)根据发票数据信息构建输入向量,根据所述输入向量得到输入层;根据风险等级构建输出向量,根据所述输出向量得到输出层;获取预设的所述输入向量与输出向量之间的映射参数,根据所述映射参数得到中间层;根据所述输入层、中间层、输出层构建待训练的风险评估模型;
具体地,可以将发票金额、发票数量、开票间隔、废票数量、关联交易比重、发票地址是否匹配、交易对手是否处于黑名单中等信息进行编码、排序,得到输入向量,并将根据该输入向量构建成风险评估模型的输入层。输出层可以是风险等级参数值。在机器学习模型中,中间层为隐藏层,其中隐藏输入向量和输出向量之间映射关系,如映射参数。其中映射参数可以为权重比例、或函数式等,具体映射参数可以根据风险评估模型的结构进行设置。在构架风险评估模型时,可以设置初始化映射参数,并根据初始化映射参数得到中间层。在具体的应用中,风险评估模型为SVM模型,其中间层的映射参数可以为RBF((RadialBasis Function,径向基函数)核函数、线性核函数、多项式核函数、Sigmoid核函数等。当采用RBF核函数时,通过调整RBF核函数中惩罚因子和核参数,可以调整中间层,最终得到适合的风险评估模型。
(2)获取训练样本集,将所述训练样本集输入所述待训练的风险评估模型中,根据所述待训练风险评估模型的输出调整所述映射参数;根据调整后的映射参数得到调整后的中间层;根据所述输入层、所述调整后的中间层和所述输出层构建得到所述训练后风险评估模型;
对待训练风险评估模型进行训练时,可以为监督学习和非监督学习,对于SVM模型,可以采用监督学习,以提高模型训练效率;
(3)通过所述测试样本集对所述训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将所述训练后风险评估模型作为所述风险评估模型。
所述数据获取模块13用于接收查询指令并获取所述查询指令中待进行风险评估的目标开票单位信息,由所述数据集市中查找所述目标开票单位信息对应的目标发票数据信息。
其中,获取的所述待进行风险评估的开票单位信息可以是但不限于所述开票单位的名称。
所述评估模块14用于将获取到的所述目标发票数据信息输入至所述风险评估模型,通过所述风险评估模型确定所述目标发票数据信息的风险等级,并根据发票数据信息的风险等级确定所述开票单位对应的风险评估结果。
举例而言,当一个企业申请向银行申请贷款时,银行需要确定贷款给这个企业的风险,那么银行就可以通过企业开具发票的发票数据信息进行风险评估。银行在审批贷款前,先在风险评估系统输入这个企业的名称,通过企业名称在数据集市中查询这个企业的历史发票数据信息,并通过所述风险评估模型根据这个企业的历史发票数据信息评估贷款风险。如果企业预设历史时长内开具的发票数额和稳定程度都符合条件,那么就可以确定这个企业的经营状况较好,贷款给企业的风险较低,反之,如果企业在历史时长内开具的发票数额和稳定程度都不符合条件,那么贷款给企业的风险较高,银行可以拒绝贷款或降低贷款额度,以规避风险。
具体地,评估模块14具体执行如下操作:
1)由数据集市获取到所述目标发票数据信息后,提取出所述目标发票数据信息中分别与每个评估参数对应的参数信息;
2)将获取到的所述每个参数信息与对应的评估参数进行比对,确定所述参数信息所落入的评估参数对应的阈值范围,及确定所述阈值范围对应的评分值和风险等级;
3)结合所述发票数据信息中每个参数的评分值及对应的风险等级确定所述开票单位的风险评估结果。
一实施方式中,所述评估模块14是通过云计算的方式执行上述操作的。
所述输出模块15用于输出所述风险评估结果。
本发明提供的风险评估方法和装置,通过将通过构建数据集市,能够获取和储存更多的数据资源,使得进行风险评估是可以参考的数据更多更全面,另外,利用风险评估模型通过开票单位的发票数据信息对开票单位进行风险评估,使得风险评估变得准确,能有效规避风险。最后,通过对数据集市中的数据进行分布式存储、利用云计算等技术提高计算效率。
实施例四
图4为本发明计算机装置较佳实施例的示意图。
所述计算机装置100包括存储器101、处理器102以及存储在所述存储器101中并可在所述处理器102上运行的计算机程序103,例如风险评估程序。所述处理器102执行所述计算机程序103时实现上述风险评估方法实施例中的步骤,例如图2所示的步骤S1~S5。或者,所述处理器102执行所述计算机程序103时实现上述风险评估装置10实施例中各模块/单元的功能,例如图3中的模块。
示例性的,所述计算机程序103可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器101中,并由所述处理器102执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序103在所述计算机装置100中的执行过程。例如,所述计算机程序103可以被分割成图3中的各模块。
所述计算机装置100可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图仅仅是计算机装置100的示例,并不构成对计算机装置100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置100还可以包括输入输出设备、网络接入设备、总线等。
所称处理器102可以是中央处理单元(Central Processing Unit,CPU),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 Integrated Circuit,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所述处理器102也可以是任何常规的处理器等。
所述存储器101可用于存储所述计算机程序103和/或模块/单元,所述处理器102通过运行或执行存储在所述存储器101内的计算机程序和/或模块/单元,以及调用存储在存储器101内的数据,实现所述计算机装置100的各种功能。所述存储器101可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器101可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种风险评估方法,其特征在于,所述方法包括:
创建数据集市,所述数据集市中包括预设历史时长内多个开票单位开具的发票数据信息;
当接收到风险评估请求时,根据风险评估请求调用风险评估模型,所述风险评估模型用于通过发票数据信息计算风险等级;
接收查询指令并获取所述查询指令中待进行风险评估的目标开票单位信息,由所述数据集市中查找所述目标开票单位信息对应的目标发票数据信息;
将所述目标发票数据信息输入至所述风险评估模型,通过所述风险评估模型确定所述目标发票数据信息的风险等级,并根据发票数据信息的风险等级确定所述开票单位对应的风险评估结果。
2.如权利要求1所述的风险评估方法,其特征在于,所述创建数据集市包括:
当接收到数据集市模型创建指令时,构建数据集市模型,其中所述数据集市模型中包括事实表和维度表,所述事实表对应的内容包括每个开票单位历史时长内开具的发票总数,所述维度表对应的内容包括每个开票单位历史时长内的开票日期、开票金额、开票间隔、交易对象;
采集多个开票单位历史时长内开具的发票数据信息;
清洗、整合采集到的所述发票数据信息;
将清洗、整合处理后的所述发票数据信息填充至所述事实表和维度表,形成所述数据集市。
3.如权利要求2所述的风险评估方法,其特征在于,所述采集的多个开票单位历史时长内开具的发票数据信息的方式包括如下方式中的一种或多种:
从发票信息数据库中获取所述多个开票单位历史时长内开具的发票数据信息;
通过API接口、日志收集系统、消息发布订阅系统、日志收集系统结合消息发布订阅系统中的一种或多种由发票开具系统实时采集所述多个开票单位历史时长内开具的发票数据信息;
通过网络爬虫从网络中爬取所述多个开票单位历史时长内开具的发票数据信息。
4.如权利要求2所述的风险评估方法,其特征在于,清洗采集到的所述发票数据信息的方法包括如下一种或多种的组合:
判断所述采集到的发票数据信息中是否包括重复数据,若包括重复数据,则对所述采集到的发票数据信息进行去重;
根据预设的非法性判断条件确定所述发票数据信息是否包括非法信息,若包含非法信息,则去除所述包含非法信息的发票数据信息;
判断所述发票数据信息是否缺损,并去除缺损的发票数据信息。
5.如权利要求2所述的风险评估方法,其特征在于,整合采集到的所述发票数据信息包括:
判断发票数据信息的格式是否与预设格式一致,若不一致则将格式不一致的发票数据信息转换为所述预设格式。
6.如权利要求1所述的风险评估方法,其特征在于,所述方法还包括构建和训练所述风险评估模型,包括:
根据发票数据信息构建输入向量,根据所述输入向量得到输入层;根据风险等级构建输出向量,根据所述输出向量得到输出层;获取预设的所述输入向量与输出向量之间的映射参数,根据所述映射参数得到中间层;根据所述输入层、中间层、输出层构建待训练的风险评估模型;
获取训练样本集,将所述训练样本集输入所述待训练的风险评估模型中,根据所述待训练风险评估模型的输出调整所述映射参数;根据调整后的映射参数得到调整后的中间层;根据所述输入层、所述调整后的中间层和所述输出层构建得到所述训练后风险评估模型;
通过所述测试样本集对所述训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将所述训练后风险评估模型作为所述风险评估模型。
7.如权利要求6所述的风险评估方法,其特征在于,所述中间层的映射参数为径向基核函数、线性核函数、多项式核函数、Sigmoid核函数中的任一种。
8.一种风险评估装置,其特征在于,所述风险评估装置包括:
数据集市创建模块,用于创建数据集市,所述数据集市中包括预设历史时长内多个开票单位开具的发票数据信息;
风险评估模型获取模块,用于获取风险评估模型,所述风险评估模型用于通过发票数据信息计算风险等级;
数据获取模块,用于接收查询指令并获取所述查询指令中待进行风险评估的目标开票单位信息,由所述数据集市中查找所述目标开票单位信息对应的目标发票数据信息;
评估模块,用于将所述目标发票数据信息输入至所述风险评估模型,通过所述风险评估模型确定所述目标发票数据信息的风险等级,并根据发票数据信息的风险等级确定所述开票单位对应的风险评估结果。
9.一种计算机装置,其特征在于:所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的风险评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910442273.4A CN110298547A (zh) | 2019-05-24 | 2019-05-24 | 风险评估方法、装置、计算机装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910442273.4A CN110298547A (zh) | 2019-05-24 | 2019-05-24 | 风险评估方法、装置、计算机装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298547A true CN110298547A (zh) | 2019-10-01 |
Family
ID=68027216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910442273.4A Pending CN110298547A (zh) | 2019-05-24 | 2019-05-24 | 风险评估方法、装置、计算机装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298547A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062602A (zh) * | 2019-12-12 | 2020-04-24 | 百望股份有限公司 | 企业信用风险评估的方法、装置及存储介质 |
CN111062766A (zh) * | 2019-12-20 | 2020-04-24 | 中国银联股份有限公司 | 一种基于区块链的电子发票的开具方法及装置 |
CN111178990A (zh) * | 2019-12-10 | 2020-05-19 | 航天信息股份有限公司 | 一种实时阻断虚开增值税发票的方法及系统 |
CN111260421A (zh) * | 2020-02-11 | 2020-06-09 | 中国银联股份有限公司 | 一种基于区块链的电子发票管控方法及装置 |
CN111598421A (zh) * | 2020-04-30 | 2020-08-28 | 北京字节跳动网络技术有限公司 | 一种信息处理方法、装置和电子设备 |
CN111695908A (zh) * | 2020-06-04 | 2020-09-22 | 中国工商银行股份有限公司 | 一种票据业务风险的预测方法及装置 |
CN111798246A (zh) * | 2020-07-16 | 2020-10-20 | 中国工商银行股份有限公司 | 一种金融风险等级评估方法和装置 |
CN111932356A (zh) * | 2020-01-02 | 2020-11-13 | 百望股份有限公司 | 确定企业信用风险等级的方法和装置 |
CN112686742A (zh) * | 2020-12-24 | 2021-04-20 | 航天信息股份有限公司 | 销项发票风险预警方法、装置、存储介质及电子设备 |
CN112801766A (zh) * | 2020-12-28 | 2021-05-14 | 航天信息股份有限公司 | 一种税收风险动态防控方法及系统 |
CN112862468A (zh) * | 2021-02-01 | 2021-05-28 | 湖南大学 | 一种基于区块链的出口退税融资方法、设备及介质 |
CN113052508A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
CN113296836A (zh) * | 2021-06-08 | 2021-08-24 | 北京百度网讯科技有限公司 | 训练模型的方法、测试方法、装置、电子设备及存储介质 |
CN113590683A (zh) * | 2021-07-22 | 2021-11-02 | 福建博思软件股份有限公司 | 一种多维度的电子票据可疑用票综合监测分析方法 |
CN114358911A (zh) * | 2022-03-16 | 2022-04-15 | 深圳高灯计算机科技有限公司 | 开票数据风险控制方法、装置、计算机设备和存储介质 |
CN115860743A (zh) * | 2023-02-27 | 2023-03-28 | 北京易思汇商务服务有限公司 | 留学缴费信息校正方法、装置、设备及可读存储介质 |
CN116934464A (zh) * | 2023-07-26 | 2023-10-24 | 广东企企通科技有限公司 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
CN117809325A (zh) * | 2024-02-29 | 2024-04-02 | 深圳市中兴新云服务有限公司 | 一种全量发票查验认证管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357714A1 (en) * | 2017-06-08 | 2018-12-13 | Flowcast, Inc. | Methods and systems for assessing performance and risk in financing supply chain |
CN109657932A (zh) * | 2018-11-29 | 2019-04-19 | 平安科技(深圳)有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
-
2019
- 2019-05-24 CN CN201910442273.4A patent/CN110298547A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357714A1 (en) * | 2017-06-08 | 2018-12-13 | Flowcast, Inc. | Methods and systems for assessing performance and risk in financing supply chain |
CN109657932A (zh) * | 2018-11-29 | 2019-04-19 | 平安科技(深圳)有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178990A (zh) * | 2019-12-10 | 2020-05-19 | 航天信息股份有限公司 | 一种实时阻断虚开增值税发票的方法及系统 |
CN111178990B (zh) * | 2019-12-10 | 2024-05-17 | 航天信息股份有限公司 | 一种实时阻断虚开增值税发票的方法及系统 |
CN111062602A (zh) * | 2019-12-12 | 2020-04-24 | 百望股份有限公司 | 企业信用风险评估的方法、装置及存储介质 |
CN111062766A (zh) * | 2019-12-20 | 2020-04-24 | 中国银联股份有限公司 | 一种基于区块链的电子发票的开具方法及装置 |
CN111062766B (zh) * | 2019-12-20 | 2024-02-09 | 中国银联股份有限公司 | 一种基于区块链的电子发票的开具方法及装置 |
CN111932356A (zh) * | 2020-01-02 | 2020-11-13 | 百望股份有限公司 | 确定企业信用风险等级的方法和装置 |
CN111260421A (zh) * | 2020-02-11 | 2020-06-09 | 中国银联股份有限公司 | 一种基于区块链的电子发票管控方法及装置 |
CN111260421B (zh) * | 2020-02-11 | 2023-07-18 | 中国银联股份有限公司 | 一种基于区块链的电子发票管控方法及装置 |
CN111598421A (zh) * | 2020-04-30 | 2020-08-28 | 北京字节跳动网络技术有限公司 | 一种信息处理方法、装置和电子设备 |
CN111695908B (zh) * | 2020-06-04 | 2024-02-20 | 中国工商银行股份有限公司 | 一种票据业务风险的预测方法及装置 |
CN111695908A (zh) * | 2020-06-04 | 2020-09-22 | 中国工商银行股份有限公司 | 一种票据业务风险的预测方法及装置 |
CN111798246A (zh) * | 2020-07-16 | 2020-10-20 | 中国工商银行股份有限公司 | 一种金融风险等级评估方法和装置 |
CN112686742A (zh) * | 2020-12-24 | 2021-04-20 | 航天信息股份有限公司 | 销项发票风险预警方法、装置、存储介质及电子设备 |
CN112801766A (zh) * | 2020-12-28 | 2021-05-14 | 航天信息股份有限公司 | 一种税收风险动态防控方法及系统 |
CN112862468A (zh) * | 2021-02-01 | 2021-05-28 | 湖南大学 | 一种基于区块链的出口退税融资方法、设备及介质 |
CN112862468B (zh) * | 2021-02-01 | 2024-03-22 | 湖南大学 | 一种基于区块链的出口退税融资方法、设备及介质 |
CN113052508A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
CN113052508B (zh) * | 2021-04-30 | 2024-02-02 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
CN113296836A (zh) * | 2021-06-08 | 2021-08-24 | 北京百度网讯科技有限公司 | 训练模型的方法、测试方法、装置、电子设备及存储介质 |
CN113590683A (zh) * | 2021-07-22 | 2021-11-02 | 福建博思软件股份有限公司 | 一种多维度的电子票据可疑用票综合监测分析方法 |
CN114358911B (zh) * | 2022-03-16 | 2022-08-02 | 深圳高灯计算机科技有限公司 | 开票数据风险控制方法、装置、计算机设备和存储介质 |
CN114358911A (zh) * | 2022-03-16 | 2022-04-15 | 深圳高灯计算机科技有限公司 | 开票数据风险控制方法、装置、计算机设备和存储介质 |
CN115860743A (zh) * | 2023-02-27 | 2023-03-28 | 北京易思汇商务服务有限公司 | 留学缴费信息校正方法、装置、设备及可读存储介质 |
CN116934464A (zh) * | 2023-07-26 | 2023-10-24 | 广东企企通科技有限公司 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
CN117809325A (zh) * | 2024-02-29 | 2024-04-02 | 深圳市中兴新云服务有限公司 | 一种全量发票查验认证管理方法及系统 |
CN117809325B (zh) * | 2024-02-29 | 2024-05-17 | 深圳市中兴新云服务有限公司 | 一种全量发票查验认证管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298547A (zh) | 风险评估方法、装置、计算机装置及存储介质 | |
CN110619568A (zh) | 风险评估报告的生成方法、装置、设备及存储介质 | |
CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
CN115271635B (zh) | 智慧社区服务平台系统 | |
CN111885399B (zh) | 内容分发方法、装置、电子设备以及存储介质 | |
CN108681970A (zh) | 基于大数据的理财产品推送方法、系统及计算机存储介质 | |
CN112153426B (zh) | 一种内容账号管理方法、装置、计算机设备及存储介质 | |
CN102591854A (zh) | 针对文本特征的广告过滤系统及其过滤方法 | |
CN103678659A (zh) | 一种基于随机森林算法的电子商务网站欺诈用户识别方法及系统 | |
CN112328657A (zh) | 特征衍生方法、装置、计算机设备及介质 | |
CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
CN112364086A (zh) | 一种基于大数据平台的业务可视化方法及系统 | |
CN109242522A (zh) | 目标用户识别模型建立、目标用户识别方法及装置 | |
CN110766438A (zh) | 一种通过人工智能对电网用户的用户行为进行分析的方法 | |
CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
CN112116103A (zh) | 基于联邦学习的个人资质评估方法、装置及系统及存储介质 | |
CN113052505A (zh) | 基于人工智能的跨境文旅推荐方法、装置和设备 | |
CN109697626A (zh) | 基于JeeSite快速开发平台的营销系统、方法、电子终端及介质 | |
CN114418360A (zh) | 一种智慧城市运行体征大数据分析方法及装置 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
CN116522131A (zh) | 对象表示方法、装置、电子设备及计算机可读存储介质 | |
CN113890948B (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
Gomes et al. | Is there a common digital market in the European Union? Implications for the European digitalization strategy | |
CN110215703A (zh) | 游戏应用的选择方法、装置及系统 |
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 |