CN110399615B - 交易风险监控方法及装置 - Google Patents

交易风险监控方法及装置 Download PDF

Info

Publication number
CN110399615B
CN110399615B CN201910688817.5A CN201910688817A CN110399615B CN 110399615 B CN110399615 B CN 110399615B CN 201910688817 A CN201910688817 A CN 201910688817A CN 110399615 B CN110399615 B CN 110399615B
Authority
CN
China
Prior art keywords
phrase
transaction
similarity
risk
vocabulary
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.)
Active
Application number
CN201910688817.5A
Other languages
English (en)
Other versions
CN110399615A (zh
Inventor
卢健
范奇峰
崔月皎
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN201910688817.5A priority Critical patent/CN110399615B/zh
Publication of CN110399615A publication Critical patent/CN110399615A/zh
Application granted granted Critical
Publication of CN110399615B publication Critical patent/CN110399615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种交易风险监控方法及装置，其中的方法包括：接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语；建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵；应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度；基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成。本申请能够有效提高交易双方之间的词语相似度的获取准确性和智能化程度，且能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性。

Description

交易风险监控方法及装置
技术领域
本申请涉及数据处理技术领域，具体涉及交易风险监控方法及装置。
背景技术
在机构用户之间进行金融交易的许多应用场景中，都需要比较两个短语之间是不是同一个意思或两个短句之间的相似程度。例如在运管对公客户风控模型中要根据交易双方户名的相似度来判断交易合理性，认为“某汽车维修厂”和“某汽修设备厂”之间的交易合理性要比“某地方政府”与“某酒业公司”的合理性更高。
现有方法主要使用的是编辑距离Levenshtein来计算词语之间相似度。编辑距离指的是两个字符串之间，由一个转换成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。编辑距离的算法是首先由俄国科学家Levenshtein提出的，故又叫Levenshtein Distance。然而，该方式的智能化程度不足，无法兼容非同字但近义的词之间的距离，例如无法区分“矿业科技开发”与“矿产技术开发”，因此会导致根据词语之间的相似度进行交易风险监控的准确性低。
因此，亟需设计一种因而会导致由于交易风险监控的结果不够准确。
发明内容
针对现有技术中的问题，本申请提供一种交易风险监控方法及装置，能够有效提高交易双方之间的词语相似度的获取准确性和智能化程度，且能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种交易风险监控方法，包括：
接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语；
建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵；
应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度；
基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成。
进一步地，在所述建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵之前，还包括：
分别对所述第一短语和第二短语进行分词处理，得到所述第一短语和第二短语各自对应的至少一个词汇；
相对应的，所述建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵，包括：
根据所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵。
进一步地，所述根据所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵，包括：
将所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，分别用不同的数字进行标识；
根据各个短语和词汇的数字标识结果，建立包含有所述第一短语和第二短语之间、以及所述第一短语各对应的词汇和第二短语各对应的词汇之间的多个相关位的关系矩阵。
进一步地，所述将所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，分别用不同的数字进行标识，包括：
将所述第一短语以0表示，并将该表示为0的第一短语作为所述关系矩阵中第一行的首个元素，将所述第一短语对应的至少一个词汇按照各自在所述第一短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一行的首个元素之后开始依次作为第一行中其他元素，以及
将所述第二短语以0表示，并将该表示为0的第二短语作为所述关系矩阵中第一列的首个元素，并将所述第二短语对应的至少一个词汇按照各自在所述第二短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一列的首个元素之后开始依次作为第一列中其他元素。
进一步地，所述根据各个短语和词汇的数字标识结果，建立包含有所述第一短语和第二短语之间、以及所述第一短语各对应的词汇和第二短语各对应的词汇之间的多个相关位的关系矩阵，包括：
将所述关系矩阵的第一行的各元素与第一列的各元素之间的对应元素，按照从上至下和从左至右的顺序，分别标识为用于表示所在行和列的数字所表示的词汇之间的相似度的相关位。
进一步地，所述应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度，包括：
应用预设的编辑距离和余弦距离算法依次求解所述关系矩阵中的各个所述相关位；
基于各个所述相关位的求解结果确定所述第一短语和第二短语之间的相似度。
进一步地，所述基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成，包括：
基于所述第一短语和第二短语之间的相似度，在预先建立的风险指数表中确定所述目标交易的风险指数，其中，所述风险指数表中存储有各个所述相似度的值与各个预设的风险指数之间的对应关系；
将所述目标交易的风险指数发送至所述风险监控指令的发出方，以使该发出方根据该风险指数与预设风险阈值之间的比较结果，判断所述目标交易是否存在交易风险以及是否允许所述目标交易达成。
第二方面，本申请提供一种交易风险监控装置，包括：
指令接收模块，用于接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语；
关系矩阵建立模块，用于建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵；
相似度获取模块，用于应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度；
交易风险判定模块，用于基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成。
进一步地，还包括：
分词模块，用于分别对所述第一短语和第二短语进行分词处理，得到所述第一短语和第二短语各自对应的至少一个词汇；
相对应的，所述关系矩阵建立模块包括：
关系矩阵建立单元，用于根据所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵。
进一步地，所述关系矩阵建立单元包括：
数字标识子单元，用于将所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，分别用不同的数字进行标识；
关系矩阵获取子单元，用于根据各个短语和词汇的数字标识结果，建立包含有所述第一短语和第二短语之间、以及所述第一短语各对应的词汇和第二短语各对应的词汇之间的多个相关位的关系矩阵。
进一步地，所述数字标识子单元具体用于执行下述内容：
将所述第一短语以0表示，并将该表示为0的第一短语作为所述关系矩阵中第一行的首个元素，将所述第一短语对应的至少一个词汇按照各自在所述第一短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一行的首个元素之后开始依次作为第一行中其他元素，以及
将所述第二短语以0表示，并将该表示为0的第二短语作为所述关系矩阵中第一列的首个元素，并将所述第二短语对应的至少一个词汇按照各自在所述第二短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一列的首个元素之后开始依次作为第一列中其他元素。
进一步地，所述关系矩阵获取子单元具体用于执行下述内容：
将所述关系矩阵的第一行的各元素与第一列的各元素之间的对应元素，按照从上至下和从左至右的顺序，分别标识为用于表示所在行和列的数字所表示的词汇之间的相似度的相关位。
进一步地，所述相似度获取模块包括：
相关位获取单元，用于应用预设的编辑距离和余弦距离算法依次求解所述关系矩阵中的各个所述相关位；
相似度确定单元，用于基于各个所述相关位的求解结果确定所述第一短语和第二短语之间的相似度。
进一步地，所述交易风险判定模块包括：
风险指数确定单元，用于基于所述第一短语和第二短语之间的相似度，在预先建立的风险指数表中确定所述目标交易的风险指数，其中，所述风险指数表中存储有各个所述相似度的值与各个预设的风险指数之间的对应关系；
交易风险判断单元，用于将所述目标交易的风险指数发送至所述风险监控指令的发出方，以使该发出方根据该风险指数与预设风险阈值之间的比较结果，判断所述目标交易是否存在交易风险以及是否允许所述目标交易达成。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的交易风险监控方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的交易风险监控方法的步骤。
由上述技术方案可知，本申请提供的交易风险监控方法及装置，其中的方法包括：接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语；建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵；应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度；基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成，能够有效提高交易双方之间的词语相似度的获取准确性，且相似度的获取过程效率高且可靠性强，能够有效兼容非同字但近义的词之间的距离，并有效提高交易双方之间的词语相似度的识别的智能化程度，进而能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性。
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，下面描述中的附图是本申请的一些实施例，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为本申请的交易风险监控装置的架构示意图。
图2为本申请实施例中的交易风险监控方法的流程示意图。
图3为本申请实施例中的包含有步骤101的交易风险监控方法的流程示意图。
图4为本申请实施例中的交易风险监控方法中的步骤210的流程示意图。
图5为本申请实施例中的交易风险监控方法中的步骤300的流程示意图。
图6为本申请实施例中的交易风险监控方法中的步骤400的流程示意图。
图7为本申请实施例中的交易风险监控装置的结构示意图。
图8为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例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。
在许多场景中，我们需要比较两个短语之间是不是同一个意思或两个短句之间的相似程度。例如在运管对公客户风控模型中要根据交易双方户名的相似度来判断交易合理性，认为“某汽车维修厂”和“某汽修设备厂”之间的交易合理性要比“某地方政府”与“某酒业公司”的合理性更高。
现有方法主要使用的是Levenshtein距离(又称编辑距离)来计算相似度。编辑距离指的是两个字符串之间，由一个转换成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。编辑距离的算法是首先由俄国科学家Levenshtein提出的，故又叫Levenshtein Distance。但是使用这种方法存在如下问题。
再如将主营业务相似的行业归为一类的场景，如“技术服务站”与“技术咨询服务”、“矿业技术开发”与“矿产开发”。通常这些短语中的词不一定是完全相同的，但是语义相近，比如上面的“矿产”与“矿业”。显然，用比较两个词语的相不相似要比相不相等更为有效。
然而，该方式的智能化程度不足，无法兼容非同字但近义的词之间的距离，例如无法区分“矿业科技开发”与“矿产技术开发”，因此会导致根据词语之间的相似度进行交易风险监控的准确性低。
基于此，本申请提供一种交易风险监控方法、交易风险监控装置、电子设备和计算机可读存储介质，通过接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语；建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵；应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度；基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成，能够有效提高交易双方之间的词语相似度的获取准确性，且相似度的获取过程效率高且可靠性强，能够有效兼容非同字但近义的词之间的距离，并有效提高交易双方之间的词语相似度的识别的智能化程度，进而能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性。
针对上述内容，本申请实施例提供一种用于实现交易风险监控方法的交易风险监控装置，所述交易风险监控装置可以为一种服务器01，参见图1，所述服务器01可以至少一个用于提供相关数据的数据库02之间通信连接，还可以与至少一个客户端设备03之间通信连接。
基于上述内容，所述服务器01可以在线从客户端设备03接收包含有用于表示所述交易双方的名称的第一短语和第二短语的针对目标交易的交易双方的风险监控指令，而后所述服务器01建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵，服务器01可以在线从数据库02获取预设的编辑距离和余弦距离算法，并应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度；基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并将该风险指数在线发送至客户端设备03，客户端设备03根据该风险指数判定是否该目标交易是否存在交易风险，以判断是否允许所述目标交易达成。
可以理解的是，所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，交易风险监控的部分可以在如上述内容所述的服务器侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
为了能够有效提高交易双方之间的词语相似度的获取准确性和智能化程度，且能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性，本申请提供一种执行主体可以为前述的服务器或者客户端的交易风险监控方法的实施例，参见图2，所述交易风险监控方法具体包含有如下内容：
步骤100：接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语。
步骤200：建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵。
步骤300：应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度。
步骤400：基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成。
为了能够提高关系矩阵的构建准确性，以进一步提高交易双方之间的词语相似度的获取准确性和智能化程度，在本申请的交易风险监控方法的一个实施例中，参见图3，所述交易风险监控方法的步骤100和步骤200之间还包含有如下内容：
步骤101：分别对所述第一短语和第二短语进行分词处理，得到所述第一短语和第二短语各自对应的至少一个词汇。
相对应的，所述步骤200具体包含有如下内容：
步骤210：根据所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵。
为了能够提高关系矩阵的构建可靠性，以进一步提高交易双方之间的词语相似度的获取准确性和智能化程度，在本申请的交易风险监控方法的一个实施例中，参见图4，所述交易风险监控方法的步骤210具体包含有如下内容：
步骤211：将所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，分别用不同的数字进行标识。
步骤212：根据各个短语和词汇的数字标识结果，建立包含有所述第一短语和第二短语之间、以及所述第一短语各对应的词汇和第二短语各对应的词汇之间的多个相关位的关系矩阵。
在一种具体举例中，上述步骤211具体包含有如下内容：
将所述第一短语以0表示，并将该表示为0的第一短语作为所述关系矩阵中第一行的首个元素，将所述第一短语对应的至少一个词汇按照各自在所述第一短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一行的首个元素之后开始依次作为第一行中其他元素，以及
将所述第二短语以0表示，并将该表示为0的第二短语作为所述关系矩阵中第一列的首个元素，并将所述第二短语对应的至少一个词汇按照各自在所述第二短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一列的首个元素之后开始依次作为第一列中其他元素。
在一种具体举例中，上述步骤212具体包含有如下内容：
将所述关系矩阵的第一行的各元素与第一列的各元素之间的对应元素，按照从上至下和从左至右的顺序，分别标识为用于表示所在行和列的数字所表示的词汇之间的相似度的相关位。
为了进一步提高交易双方之间的词语相似度的获取准确性和智能化程度，在本申请的交易风险监控方法的一个实施例中，参见图5，所述交易风险监控方法的步骤300具体包含有如下内容：
步骤301：应用预设的编辑距离和余弦距离算法依次求解所述关系矩阵中的各个所述相关位。
步骤302：基于各个所述相关位的求解结果确定所述第一短语和第二短语之间的相似度。
为了进一步提高根据相似度结果进行交易风险监控的准确性和可靠性，在本申请的交易风险监控方法的一个实施例中，参见图6，所述交易风险监控方法的步骤400具体包含有如下内容：
步骤401：基于所述第一短语和第二短语之间的相似度，在预先建立的风险指数表中确定所述目标交易的风险指数，其中，所述风险指数表中存储有各个所述相似度的值与各个预设的风险指数之间的对应关系。
步骤402：将所述目标交易的风险指数发送至所述风险监控指令的发出方，以使该发出方根据该风险指数与预设风险阈值之间的比较结果，判断所述目标交易是否存在交易风险以及是否允许所述目标交易达成。
为了进一步说明本方案，本申请还提供一种交易风险监控的具体应用实例，该应用实例具体包含有如下内容：
将Levenshtein距离与计算词之间相似度的cos距离相结合，从而实现对短语相似度的计算。cos相似度是对两个词向量之间求cos距离计算得出。对于词向量x和词向量y。cos距离取值在0到1之间。越接近1，说明这个两个词，词义越接近。词向量由cbow或者skip-gram等语言模型训练出。cos相似度可以表示两个词的近义距离是因为如果两个词在训练集中有着相同的上下文，那么经过cbow等模型映射后输出的最后一隐含层的向量大概率下会指向同一个下文标签。它们的方向就会很接近，反映出的余弦夹角就会很小。
(一)用分词工具将短语分词处理，并将拆开后的词组排成如下表1的矩阵形式(假设两对词组分别是(a,b,c)和(a,b,e))：
表1
abc a b c
abe 0 1 2 3
a 1 A处0 D处1 G处2
b 2 B处1 E处0 H处1
e 3 C处2 F处1 I处1
(二)按下述公式依次计算矩阵中A-I处的值。对于矩阵中第i行、第j列位置的值di,j，那么它的值为：
di,j＝min{di-1,j,di,j-1,di-1,j-1+1-cos(xi,yj)}
cos(xi,yj)表示两个词之间的余弦相似度(这里使用的是fasttext基于中文维基百科数据训练出的cbow模型)。矩阵中任意一点的值由上方值+1、左边值+1、左上角值+两个词的cos距离三个中的最小值确定。
而现有的编辑距离在计算矩阵中值时，用的公式为：
di,j＝min{di-1,j,di,j-1,di-1,j-1+σ(xi,yj)}
σ(xi,yj)表示两个词是否相同，相同则为1不相同为0。矩阵中任意一点的值由上方值+1、左边值+1、左上角值+两个字符是否相等中的最小值来确定。
(三)最终以下式确定相似度值：
其中m,n分别为词组x,y的长度。
从上述描述可知，本申请实施例提供的交易风险监控装置，相对于原始方法，新方法用cos相似度替代了判断连个字符是否完全相同。通过融合语言模型后，使得新算法可以兼容非同字但近义的词之间的距离，显得更为智能。例如“矿业科技开发”与“矿产技术开发”，如果使用的是原始编辑距离计算出的相似度为0.250，如果使用的是本文申请的计算方法得到相似度为0.938.很明显本申请的交易风险监控方法更为合理。
从软件层面来看，为了能够有效提高交易双方之间的词语相似度的获取准确性和智能化程度，且能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性，本申请提供一种用于实现上述交易风险监控方法中全部或部分内容的交易风险监控装置的实施例，参见图7，所述交易风险监控装置具体包含有如下内容：
指令接收模块10，用于接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语。
关系矩阵建立模块20，用于建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵。
相似度获取模块30，用于应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度。
交易风险判定模块40，用于基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成。
本申请实施例提供的交易风险监控装置的实施例具体可以用于执行上述实施例中的交易风险监控方法的实施例的处理流程，其功能在此不再赘述，可以参照上述交易风险监控方法实施例的详细描述。
从上述描述可知，本申请实施例提供的交易风险监控装置，能够有效提高交易双方之间的词语相似度的获取准确性，且相似度的获取过程效率高且可靠性强，能够有效兼容非同字但近义的词之间的距离，并有效提高交易双方之间的词语相似度的识别的智能化程度，进而能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性。
为了能够提高关系矩阵的构建准确性，以进一步提高交易双方之间的词语相似度的获取准确性和智能化程度，在本申请的交易风险监控装置的一个实施例中，所述交易风险监控装置还包含有如下内容：
分词模块，用于分别对所述第一短语和第二短语进行分词处理，得到所述第一短语和第二短语各自对应的至少一个词汇。
相对应的，所述关系矩阵建立模块20具体包含有如下内容：
关系矩阵建立单元，用于根据所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵。
为了能够提高关系矩阵的构建可靠性，以进一步提高交易双方之间的词语相似度的获取准确性和智能化程度，在本申请的交易风险监控装置的一个实施例中，所述交易风险监控装置中的关系矩阵建立单元具体包含有如下内容：
数字标识子单元，用于将所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，分别用不同的数字进行标识。
关系矩阵获取子单元，用于根据各个短语和词汇的数字标识结果，建立包含有所述第一短语和第二短语之间、以及所述第一短语各对应的词汇和第二短语各对应的词汇之间的多个相关位的关系矩阵。
在一种具体举例中，上述数字标识子单元具体用于执行下述内容：
将所述第一短语以0表示，并将该表示为0的第一短语作为所述关系矩阵中第一行的首个元素，将所述第一短语对应的至少一个词汇按照各自在所述第一短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一行的首个元素之后开始依次作为第一行中其他元素，以及
将所述第二短语以0表示，并将该表示为0的第二短语作为所述关系矩阵中第一列的首个元素，并将所述第二短语对应的至少一个词汇按照各自在所述第二短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一列的首个元素之后开始依次作为第一列中其他元素。
在一种具体举例中，上述关系矩阵获取子单元具体用于执行下述内容：
将所述关系矩阵的第一行的各元素与第一列的各元素之间的对应元素，按照从上至下和从左至右的顺序，分别标识为用于表示所在行和列的数字所表示的词汇之间的相似度的相关位。
为了进一步提高交易双方之间的词语相似度的获取准确性和智能化程度，在本申请的交易风险监控装置的一个实施例中，所述交易风险监控装置的相似度获取模块30具体包含有如下内容：
相关位获取单元，用于应用预设的编辑距离和余弦距离算法依次求解所述关系矩阵中的各个所述相关位。
相似度确定单元，用于基于各个所述相关位的求解结果确定所述第一短语和第二短语之间的相似度。
为了进一步提高根据相似度结果进行交易风险监控的准确性和可靠性，在本申请的交易风险监控装置的一个实施例中，所述交易风险监控装置的交易风险判定模块40具体包含有如下内容：
风险指数确定单元，用于基于所述第一短语和第二短语之间的相似度，在预先建立的风险指数表中确定所述目标交易的风险指数，其中，所述风险指数表中存储有各个所述相似度的值与各个预设的风险指数之间的对应关系。
交易风险判断单元，用于将所述目标交易的风险指数发送至所述风险监控指令的发出方，以使该发出方根据该风险指数与预设风险阈值之间的比较结果，判断所述目标交易是否存在交易风险以及是否允许所述目标交易达成。
从硬件层面来说，为了能够有效提高交易双方之间的词语相似度的获取准确性和智能化程度，且能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性，本申请提供一种用于实现所述交易风险监控方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现交易风险监控装置、各类数据库以及用户终端等相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例中的交易风险监控方法的实施例，以及，交易风险监控装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图8为本申请实施例的电子设备9600的系统构成的示意框图。如图8所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图8是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，交易风险监控功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
步骤100：接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语。
步骤200：建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵。
步骤300：应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度。
步骤400：基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成。
从上述描述可知，本申请实施例提供的电子设备，能够有效提高交易双方之间的词语相似度的获取准确性，且相似度的获取过程效率高且可靠性强，能够有效兼容非同字但近义的词之间的距离，并有效提高交易双方之间的词语相似度的识别的智能化程度，进而能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性。
在另一个实施方式中，交易风险监控装置可以与中央处理器9100分开配置，例如可以将交易风险监控配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现交易风险监控功能。
如图8所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。
如图8所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的交易风险监控方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的交易风险监控方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语。
步骤200：建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵。
步骤300：应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度。
步骤400：基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成。
从上述描述可知，本申请实施例提供的计算机可读存储介质，能够有效提高交易双方之间的词语相似度的获取准确性，且相似度的获取过程效率高且可靠性强，能够有效兼容非同字但近义的词之间的距离，并有效提高交易双方之间的词语相似度的识别的智能化程度，进而能够有效提高根据相似度结果进行交易风险监控的准确性和可靠性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种交易风险监控方法，其特征在于，包括：
接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语；
分别对所述第一短语和第二短语进行分词处理，得到所述第一短语和第二短语各自对应的至少一个词汇；
将所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，分别用不同的数字进行标识；
根据各个短语和词汇的数字标识结果，建立包含有所述第一短语和第二短语之间、以及所述第一短语各对应的词汇和第二短语各对应的词汇之间的多个相关位的关系矩阵；
应用预设的编辑距离和余弦距离算法依次求解所述关系矩阵中的各个所述相关位；
基于各个所述相关位的求解结果确定所述第一短语和第二短语之间的相似度；
基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成；
其中，所述应用预设的编辑距离和余弦距离算法依次求解所述关系矩阵中的各个所述相关位包括：
按下述公式计算所述关系矩阵中的各个所述相关位：
di,j＝min{di-1,j,di,j-1,di-1,j-1+1-cos(xi,yj)}；
上式中，di，j表示关系矩阵中第i行、第j列位置的值，cos(xi,yj)表示两个词之间的余弦相似度，上式表示关系矩阵中任意一点的值由上方值+1、左边值+1、左上角值+两个词的cos距离三个中的最小值确定；
所述基于各个所述相关位的求解结果确定所述第一短语和第二短语之间的相似度包括：
按下述公式确定相似度值：
上式中m，n分别为词组x，y的长度。
2.根据权利要求1所述的交易风险监控方法，其特征在于，所述将所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，分别用不同的数字进行标识，包括：
将所述第一短语以0表示，并将该表示为0的第一短语作为所述关系矩阵中第一行的首个元素，将所述第一短语对应的至少一个词汇按照各自在所述第一短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一行的首个元素之后开始依次作为第一行中其他元素，以及
将所述第二短语以0表示，并将该表示为0的第二短语作为所述关系矩阵中第一列的首个元素，并将所述第二短语对应的至少一个词汇按照各自在所述第二短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一列的首个元素之后开始依次作为第一列中其他元素。
3.根据权利要求2所述的交易风险监控方法，其特征在于，所述根据各个短语和词汇的数字标识结果，建立包含有所述第一短语和第二短语之间、以及所述第一短语各对应的词汇和第二短语各对应的词汇之间的多个相关位的关系矩阵，包括：
将所述关系矩阵的第一行的各元素与第一列的各元素之间的对应元素，按照从上至下和从左至右的顺序，分别标识为用于表示所在行和列的数字所表示的词汇之间的相似度的相关位。
4.根据权利要求1所述的交易风险监控方法，其特征在于，所述基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成，包括：
基于所述第一短语和第二短语之间的相似度，在预先建立的风险指数表中确定所述目标交易的风险指数，其中，所述风险指数表中存储有各个所述相似度的值与各个预设的风险指数之间的对应关系；
将所述目标交易的风险指数发送至所述风险监控指令的发出方，以使该发出方根据该风险指数与预设风险阈值之间的比较结果，判断所述目标交易是否存在交易风险以及是否允许所述目标交易达成。
5.一种交易风险监控装置，其特征在于，包括：
指令接收模块，用于接收针对目标交易的交易双方的风险监控指令，其中，该风险监控指令中包含有用于表示所述交易双方的名称的第一短语和第二短语；
分词模块，用于分别对所述第一短语和第二短语进行分词处理，得到所述第一短语和第二短语各自对应的至少一个词汇；
关系矩阵建立模块，用于建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵；
所述关系矩阵建立模块包括：
关系矩阵建立单元，用于根据所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，建立用于确定所述第一短语和第二短语之间的相似关系的关系矩阵；
所述关系矩阵建立单元包括：
数字标识子单元，用于将所述第一短语、第二短语以及所述第一短语和第二短语各自对应的至少一个词汇，分别用不同的数字进行标识；
关系矩阵获取子单元，用于根据各个短语和词汇的数字标识结果，建立包含有所述第一短语和第二短语之间、以及所述第一短语各对应的词汇和第二短语各对应的词汇之间的多个相关位的关系矩阵；
相似度获取模块，用于应用预设的编辑距离和余弦距离算法求解所述关系矩阵，得到对应的所述第一短语和第二短语之间的相似度；
所述相似度获取模块包括：
相关位获取单元，用于应用预设的编辑距离和余弦距离算法依次求解所述关系矩阵中的各个所述相关位，具体包括：
按下述公式计算所述关系矩阵中的各个所述相关位：
di,j＝min{di-1,j,di,j-1,di-1,j-1+1-cos(xi,yj)}；
上式中，di，j表示关系矩阵中第i行、第j列位置的值，cos(xi,yj)表示两个词之间的余弦相似度，上式表示关系矩阵中任意一点的值由上方值+1、左边值+1、左上角值+两个词的cos距离三个中的最小值确定；
相似度确定单元，用于基于各个所述相关位的求解结果确定所述第一短语和第二短语之间的相似度，具体包括：
按下述公式确定相似度值：
上式中m，n分别为词组x，y的长度；
交易风险判定模块，用于基于所述第一短语和第二短语之间的相似度，确定所述目标交易的风险指数，并输出该风险指数以根据该风险指数判定是否允许所述目标交易达成。
6.根据权利要求5所述的交易风险监控装置，其特征在于，所述数字标识子单元具体用于执行下述内容：
将所述第一短语以0表示，并将该表示为0的第一短语作为所述关系矩阵中第一行的首个元素，将所述第一短语对应的至少一个词汇按照各自在所述第一短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一行的首个元素之后开始依次作为第一行中其他元素，以及
将所述第二短语以0表示，并将该表示为0的第二短语作为所述关系矩阵中第一列的首个元素，并将所述第二短语对应的至少一个词汇按照各自在所述第二短语中的顺序，从1开始依次顺序用正整数表示，并依次从第一列的首个元素之后开始依次作为第一列中其他元素。
7.根据权利要求6所述的交易风险监控装置，其特征在于，所述关系矩阵获取子单元具体用于执行下述内容：
将所述关系矩阵的第一行的各元素与第一列的各元素之间的对应元素，按照从上至下和从左至右的顺序，分别标识为用于表示所在行和列的数字所表示的词汇之间的相似度的相关位。
8.根据权利要求5所述的交易风险监控装置，其特征在于，所述交易风险判定模块包括：
风险指数确定单元，用于基于所述第一短语和第二短语之间的相似度，在预先建立的风险指数表中确定所述目标交易的风险指数，其中，所述风险指数表中存储有各个所述相似度的值与各个预设的风险指数之间的对应关系；
交易风险判断单元，用于将所述目标交易的风险指数发送至所述风险监控指令的发出方，以使该发出方根据该风险指数与预设风险阈值之间的比较结果，判断所述目标交易是否存在交易风险以及是否允许所述目标交易达成。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述的交易风险监控方法的步骤。
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，该计算机程序被处理器执行时实现权利要求1至4任一项所述的交易风险监控方法的步骤。
CN201910688817.5A 2019-07-29 2019-07-29 交易风险监控方法及装置 Active CN110399615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910688817.5A CN110399615B (zh) 2019-07-29 2019-07-29 交易风险监控方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910688817.5A CN110399615B (zh) 2019-07-29 2019-07-29 交易风险监控方法及装置

Publications (2)

Publication Number Publication Date
CN110399615A CN110399615A (zh) 2019-11-01
CN110399615B true CN110399615B (zh) 2023-08-18

Family

ID=68326306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910688817.5A Active CN110399615B (zh) 2019-07-29 2019-07-29 交易风险监控方法及装置

Country Status (1)

Country Link
CN (1) CN110399615B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222164B (zh) * 2020-01-10 2022-03-25 广西师范大学 联盟链数据发布的隐私保护方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014002776A1 (ja) * 2012-06-25 2014-01-03 日本電気株式会社 同義語抽出システム、方法および記録媒体
CN105095204A (zh) * 2014-04-17 2015-11-25 阿里巴巴集团控股有限公司 同义词的获取方法及装置
CN106033416A (zh) * 2015-03-09 2016-10-19 阿里巴巴集团控股有限公司 一种字符串处理方法及装置
CN107562712A (zh) * 2016-07-01 2018-01-09 北京智能管家科技有限公司 一种语句相似度计算方法及装置
CN107862062A (zh) * 2017-11-15 2018-03-30 中国银行股份有限公司 一种信息查询方法、装置及电子设备
CN109344236A (zh) * 2018-09-07 2019-02-15 暨南大学 一种基于多种特征的问题相似度计算方法
CN109508379A (zh) * 2018-12-21 2019-03-22 上海文军信息技术有限公司 一种基于加权词向量表示和组合相似度的短文本聚类方法
CN109657227A (zh) * 2018-10-08 2019-04-19 平安科技（深圳）有限公司 合同可行性判定方法、设备、存储介质及装置
CN109947917A (zh) * 2019-03-07 2019-06-28 北京九狐时代智能科技有限公司 语句相似度确定方法、装置、电子设备及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014002776A1 (ja) * 2012-06-25 2014-01-03 日本電気株式会社 同義語抽出システム、方法および記録媒体
CN105095204A (zh) * 2014-04-17 2015-11-25 阿里巴巴集团控股有限公司 同义词的获取方法及装置
CN106033416A (zh) * 2015-03-09 2016-10-19 阿里巴巴集团控股有限公司 一种字符串处理方法及装置
CN107562712A (zh) * 2016-07-01 2018-01-09 北京智能管家科技有限公司 一种语句相似度计算方法及装置
CN107862062A (zh) * 2017-11-15 2018-03-30 中国银行股份有限公司 一种信息查询方法、装置及电子设备
CN109344236A (zh) * 2018-09-07 2019-02-15 暨南大学 一种基于多种特征的问题相似度计算方法
CN109657227A (zh) * 2018-10-08 2019-04-19 平安科技（深圳）有限公司 合同可行性判定方法、设备、存储介质及装置
CN109508379A (zh) * 2018-12-21 2019-03-22 上海文军信息技术有限公司 一种基于加权词向量表示和组合相似度的短文本聚类方法
CN109947917A (zh) * 2019-03-07 2019-06-28 北京九狐时代智能科技有限公司 语句相似度确定方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN110399615A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN107293296B (zh) 语音识别结果纠正方法、装置、设备及存储介质
CN112685565A (zh) 基于多模态信息融合的文本分类方法、及其相关设备
CN111190600B (zh) 基于gru注意力模型的前端代码自动生成的方法及系统
CN111445903B (zh) 企业名称识别方法及装置
CN114282003A (zh) 基于知识图谱的金融风险预警方法及装置
CN116127045A (zh) 生成式大语言模型训练方法、基于模型的人机语音交互方法
CN111159358A (zh) 多意图识别训练和使用方法及装置
CN113901907A (zh) 图文匹配模型训练方法、图文匹配方法及装置
CN112633003A (zh) 一种地址识别方法、装置、计算机设备及存储介质
CN112328761A (zh) 一种意图标签设置方法、装置、计算机设备及存储介质
CN116244416A (zh) 生成式大语言模型训练方法、基于模型的人机语音交互方法
CN112836521A (zh) 问答匹配方法、装置、计算机设备及存储介质
CN112632244A (zh) 一种人机通话的优化方法、装置、计算机设备及存储介质
CN111798118B (zh) 企业经营风险监控方法及装置
CN113342948A (zh) 一种智能问答方法及装置
CN110399615B (zh) 交易风险监控方法及装置
CN114358023A (zh) 智能问答召回方法、装置、计算机设备及存储介质
CN116522905B (zh) 文本纠错方法、装置、设备、可读存储介质及程序产品
CN113360683A (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN110717012A (zh) 语术推荐方法、装置、设备和存储介质
CN113111658A (zh) 校验信息的方法、装置、设备和存储介质
CN112100491A (zh) 基于用户数据的信息推荐方法、装置、设备及存储介质
CN116595149A (zh) 一种人机对话生成方法、装置、设备及存储介质
CN110931014A (zh) 基于正则匹配规则的语音识别方法及装置
CN110263135A (zh) 一种数据交换匹配方法、装置、介质和电子设备

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
GR01 Patent grant
GR01 Patent grant