CN110782123A - 决策方案的匹配方法、装置、计算机设备及存储介质 - Google Patents
决策方案的匹配方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110782123A CN110782123A CN201910881493.7A CN201910881493A CN110782123A CN 110782123 A CN110782123 A CN 110782123A CN 201910881493 A CN201910881493 A CN 201910881493A CN 110782123 A CN110782123 A CN 110782123A
- Authority
- CN
- China
- Prior art keywords
- label
- risk
- project
- target
- portrait
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012550 audit Methods 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000012502 risk assessment Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013474 audit trail Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Abstract
本发明实施例公开了一种决策方案的匹配方法、装置、计算机设备及存储介质，包括下述步骤：获取目标项目的项目信息；根据所述项目信息确定所述目标项目的风险标签，其中，所述风险标签为预设的基础标签库中与所述项目信息具有映射关系的标签；根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像，其中，所述预设的风险画像库是对历史项目的标签数据进行多级聚类生成的；将所述目标风险画像所表征的决策方案作为目标项目的决策方案。通过这种方法可以在IT审计过程中有效定位高价值审计线索，极大缩短IT审计项目计划和审计程序制定决策阶段的工时，同时提高挖掘根源问题和事中风险控制的能力。
Description
技术领域
本发明涉及信息处理技术领域，特别是涉及一种决策方案的匹配方法、装置、计算机设备及存储介质。
背景技术
目前市面上的国内外IT审计辅助工具如用友、金蝶、ACL、Splunk等，对风险事件及其他原始输入数据仍普遍采用传统统计分析方法，在应对当下数据量激增，风险事件复杂度提高的大环境中，现有技术中的IT审计辅助工具风险分析能力有限，难以对复杂IT风险事件进行深入分析并确定决策方案；应用局限性强，通常仅针对单一IT风险事件或少数风险维度；可操作性弱，数据分析模块通常基于厂商提供的少数基础数据分析模型，难以应对变化的IT审计需求；拓展性弱，相关分析模型及分析结果通常仅应用于个别应用场景。
发明内容
本发明实施例能够提供一种有效提高决策方案确定效率、增强审计风控能力的决策方案的匹配方法、装置、计算机设备及存储介质。
为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种决策方案的匹配方法，包括以下步骤：
获取目标项目的项目信息；
根据所述项目信息确定所述目标项目的风险标签，其中，所述风险标签为预设的基础标签库中与所述项目信息具有映射关系的标签；
根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像，其中，所述预设的风险画像库是对历史项目的标签数据进行多级聚类生成的，所述标签数据为所述历史项目对应的标签；
将所述目标风险画像所表征的决策方案作为目标项目的决策方案。
可选地，所述根据所述项目信息确定所述目标项目的风险标签的步骤，包括以下步骤：
根据所述项目信息生成所述目标项目的文字描述；
在所述预设的基础标签库中查找与所述文字描述具有映射关系的基础标签；
定义所述具有映射关系的基础标签为所述风险标签。
可选地，还包括预设的风险画像库的生成步骤，所述预设的风险画像库的生成步骤，包括以下步骤：
获取历史项目的项目数据，其中，所述项目数据包括所述历史项目对应的一级标签与风险数据，所述一级标签为所述基础标签库中与所述历史项目具有映射关系的标签，所述风险数据为历史项目对应的风险事件与风险因素信息；
根据所述一级标签生成对应的二级标签，其中，所述二级标签为所述一级标签进行聚类的过程中产生的新类别标签；
定义所述二级标签对应的一级标签所表征的历史项目的风险数据为所述二级标签对应的风险数据，根据所述二级标签对应的风险数据生成所述二级标签对应的风险画像；
根据所述二级标签对应的风险画像生成所述预设的风险画像库。
可选地，所述根据所述一级标签生成对应的二级标签的步骤，包括以下步骤：
计算所述一级标签之间的相似度数值；
根据所述相似度数值对一级标签进行分层聚类以获取聚类标签，所述聚类标签为进行分层聚类的过程中所产生的新类别标签；
定义所述聚类标签为所述二级标签。
可选地，所述计算所述一级标签之间的相似度数值的步骤，包括下述步骤：
根据所述一级标签生成对应的标签向量；
计算不同标签向量之间的欧氏距离作为所述相似度数值。
可选地，所述根据所述一级标签生成对应的标签向量的步骤，包括下述步骤：
获取所述一级标签的标签信息；
将所述标签信息输入到预设的标签向量模型中，其中，所述预设的标签向量模型为根据输入的标签信息输出对应的特征向量的神经网络模型；
根据所述标签向量模型的输出结果确定所述标签向量。
可选地，所述根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像的步骤，包括下述步骤：
在预设的风险画像库中查找具备所述风险标签的风险画像；
以具备所述风险标签的数量为依据对查找得到的风险画像进行排序，定义具备所述风险标签数量最多的风险画像为所述目标风险画像。
为解决上述技术问题，本发明实施例还提供一种决策方案的匹配装置，包括：
获取模块，用于获取目标项目的项目信息；
处理模块，用于根据所述项目信息确定所述目标项目的风险标签，其中，所述风险标签为预设的基础标签库中与所述项目信息具有映射关系的标签；
查找模块，用于根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像，其中，所述预设的风险画像库是对历史项目的标签数据进行多级聚类生成的，所述标签数据为所述历史项目对应的标签；
执行模块，用于将所述目标风险画像所表征的决策方案作为目标项目的决策方案。
可选地，所述决策方案的匹配装置，还包括：
第一处理子模块，用于根据所述项目信息生成所述目标项目的文字描述；
第一查找子模块，用于在所述预设的基础标签库中查找与所述文字描述具有映射关系的基础标签；
第一执行子模块，用于定义所述具有映射关系的基础标签为所述风险标签。
可选地，所述决策方案的匹配装置，还包括：
第一获取子模块，用于获取历史项目的项目数据，其中，所述项目数据包括所述历史项目对应的一级标签与风险数据，所述一级标签为所述基础标签库中与所述历史项目具有映射关系的标签，所述风险数据为历史项目对应的风险事件与风险因素信息；
第二处理子模块，用于根据所述一级标签生成对应的二级标签，其中，所述二级标签为所述一级标签进行聚类的过程中产生的新类别标签；
第三处理子模块，用于定义所述二级标签对应的一级标签所表征的历史项目的风险数据为所述二级标签对应的风险数据，根据所述二级标签对应的风险数据生成所述二级标签对应的风险画像；
第四处理子模块，用于根据所述二级标签对应的风险画像生成所述预设的风险画像库。
可选地，所述决策方案的匹配装置，还包括：
第一计算子模块，用于计算所述一级标签之间的相似度数值；
第一聚类子模块，用于根据所述相似度数值对一级标签进行分层聚类以获取聚类标签，所述聚类标签为进行分层聚类的过程中所产生的新类别标签；
第二执行子模块，用于定义所述聚类标签为所述二级标签。
可选地，所述决策方案的匹配装置，还包括：
第五处理子模块，用于根据所述一级标签生成对应的标签向量；
第二计算子模块，用于计算不同标签向量之间的欧氏距离作为所述相似度数值。
可选地，所述决策方案的匹配装置，还包括：
第二获取子模块，用于获取所述一级标签的标签信息；
第一输入子模块，用于将所述标签信息输入到预设的标签向量模型中，其中，所述预设的标签向量模型为根据输入的标签信息输出对应的特征向量的神经网络模型；
第三执行子模块，用于根据所述标签向量模型的输出结果确定所述标签向量。
可选地，所述决策方案的匹配装置，还包括：
第二查找子模块，用于在预设的风险画像库中查找具备所述风险标签的风险画像；
第六处理子模块，用于以具备所述风险标签的数量为依据对查找得到的风险画像进行排序，定义具备所述风险标签数量最多的风险画像为所述目标风险画像。
为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述决策方案的匹配方法的步骤。
为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述决策方案的匹配方法的步骤。
本发明实施例的有益效果是：通过项目信息确定风险标签的方式，可以有效定位高价值审计线索，极大缩短IT审计项目计划和审计程序制定阶段工时，提高挖掘根源问题的能力，为实现自动化、智能化IT审计打下基础，极大程度节省人工成本，并且保留了后续使用AI、机器学习等技术手段实现智能审计的拓展可能。利用风险画像进行匹配从而确定决策方案，可通过分析存量风险事件和发现问题，提高决策效率和准确率，对增量系统和其他暂未发生风险事件的项目进行事前风险评估和事中风险控制。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，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为本发明实施例决策方案的匹配方法的基本流程示意图；
图2为本发明实施例确定项目风险标签的流程示意图；
图3为本发明实施例构建风险画像库的流程示意图；
图4为本发明实施例生成二级标签的流程示意图；
图5为本发明实施例计算一级标签之间的相似度数值的流程示意图；
图6为本发明实施例生成一级标签的标签向量的流程示意图；
图7为本发明实施例确定目标风险画像的流程示意图；
图8为本发明实施例决策方案的匹配装置的基本结构框图；
图9为本发明实施例计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明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，本领域技术人员在没有付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。
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(PersonalCommunicationsService，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(PersonalDigitalAssistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(GlobalPositioningSystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(MobileInternetDevice，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
具体地请参阅图1，图1为本实施例决策方案的匹配方法的基本流程示意图。
如图1所示，一种决策方案的匹配方法，包括以下步骤：
S1100、获取目标项目的项目信息；
从系统中获取到项目信息，项目信息可以包括项目基本概况和风险事件等，例如异常操作时间、异常操作类型、审批链缺失、高频异地登录和角色权限不匹配等，但不限于此。
S1200、根据所述项目信息确定所述目标项目的风险标签，其中，所述风险标签为预设的基础标签库中与所述项目信息具有映射关系的标签；
将获取到的项目信息转换为统一格式的文字描述，即利用一个完整的文本对目标项目进行概括，概括的方式可以通过套用固定的模版，在模版中填入项目信息中对应的内容，从而生成最终的文字描述，例如对于模版中具有“异常情况”内容，填入项目信息中对应的内容，生成最终的“异常情况包括高频异地登录”，在填入所有的内容之后，删除模版中未填入的内容，得到针对于目标项目的最终版描述，再对文字描述进行识别，进行关键字提取，从基础标签库中查找文字描述中特定词汇或字段具有映射关系的标签，作为目标项目的风险标签。
在一些实施方式中，直接对项目信息进行标签匹配，从项目信息的不同栏目中获取到信息，然后与基础标签库中的标签进行匹配，以得到目标项目的风险标签。
基础标签库中设置有多个标签，分别用于对不同的风险情况进行标记，每一个标签对应有一个或多个关键词或字段。在对文字描述或者项目信息进行匹配时，对文字描述或项目信息进行分词处理，以得到零散的词汇和句式，然后根据分词得到的词汇或句式进行映射匹配，查找具有映射关系的标签，作为风险标签。目标项目的风险标签可以为一个或多个。
S1300、根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像，其中，所述预设的风险画像库是对历史项目的标签数据进行多级聚类生成的，所述标签数据为所述历史项目对应的标签；
风险画像库中设置有多个历史项目或事件对应的风险画像。风险画像的构建过程中，通过历史项目或事件的信息，进行标签提取得到对应的一级标签，然后利用系统聚类法，对所有的一级标签进行分层聚类，直至所有的标签归为一类，将聚类过程中产生的所有新标签作为二级标签。获取所有二级标签对应的历史项目或事件的数据，用于生成对应的风险画像。其中，风险数据包括与二级标签具有映射的一级标签在各个风险事件中出现的频率(f)、包含该二级标签的风险事件所造成的损失(l)、领导层对该二级标签所映射的风险特征的接受程度(a)等等。并根据风险数据生成对应的风险数值(d)，其中d与f和l呈负相关关系，d与a呈正相关关系。d的值越小，风险关注度越高。具体地，在通过聚类获取到二级标签之后，统计与该二级标签具有映射关系的一级标签在所有在库的风险事件中出现的频率，并从对应的历史风险事件的数据中获取到该风险事件的损失以及领导层对对应的风险特征的接受程度，风险事件的损失与接受程度可以进行量化，例如直接损失的数值和领导层的授受比例等等数据，但不限于此。
在得到二级标签对应的风险数据之后，通过DBSCAN聚类方法，以风险接受度(＝l*a)为横轴，根据组织风险损失承受能力设置坐标原点及单位刻度；以风险发生频率f为纵轴，根据标签库中该标签的出现频率设置坐标原点及单位刻度，横纵轴交点为聚类中心，生成对应的风险画像，将生成的风险画像输入到风险画像库中。
在得到目标项目的风险标签之后，对获取到的风险标签进行风险画像匹配，查找得到具备所述风险标签的风险画像作为目标风险画像。
S1400、将所述目标风险画像所表征的决策方案作为目标项目的决策方案；
根据匹配查找得到的目标风险画像，确定该风险标签下高频高损聚类簇内的二级标签，将该二级标签作为目标项目的风险特征标签，用于作为项目审计过程中的判断条件之一，对于不同的二级标签根据其所计算出来的风险数值d，确定对应的辅助决策，例如设定审计目标、规划审计计划、制定审计程序等方面优化审计资源等等方面，可以根据已收录的风险事件进行相似度匹配，以确定二级标签对应的辅助决策。在确定了待评价项目的风险特征标签(即对应的二级标签)之后，获致到该二级标签对应的决策方案，作为该项目的决策方案。
如图2所示，步骤S1200具体包括以下步骤：
S1210、根据所述项目信息生成所述目标项目的文字描述；
将获取到的项目信息转换为统一格式的文字描述，即利用一个完整的文本对目标项目进行概括，概括的方式可以通过套用固定的模版，在模版中填入项目信息中对应的内容，从而生成最终的文字描述，例如对于模版中具有“异常情况”内容，填入项目信息中对应的内容，生成最终的“异常情况包括高频异地登录”，在填入所有的内容之后，删除模版中未填入的内容，得到针对于目标项目的最终版描述。
S1220、在所述预设的基础标签库中查找与所述文字描述具有映射关系的基础标签；
对文字描述进行识别，进行关键字提取，从基础标签库中查找文字描述中特定词汇或字段具有映射关系的基础标签。基础标签库中设置有多个标签，分别用于对不同的风险情况进行标记，每一个基础标签对应有一个或多个关键词或字段。在对文字描述或者项目信息进行匹配时，对文字描述或项目信息进行分词处理，以得到零散的词汇和句式，然后根据分词得到的词汇或句式进行映射匹配，在基础标签库中查找具有映射关系的基础标签。
S1230、定义所述具有映射关系的基础标签为所述风险标签；
将查找得到的与目标项目文字描述具有映射关系的基础标签作为目标项目的风险标签，目标项目的风险标签可以为一个或多个。
通过目标项目的项目信息提取并匹配风险标签的方法，可以有效定位高价值审计线索。另一方面，将项目标签化，为实现自动化、智能化IT审计打下基础，最大程度节省人工成本，提高确定审计决策的效率。
如图3所示，还包括以下步骤：
S2100、获取历史项目的项目数据，其中，所述项目数据包括所述历史项目对应的一级标签与风险数据，所述一级标签为所述基础标签库中与所述历史项目具有映射关系的标签，所述风险数据为历史项目对应的风险事件与风险因素信息；
历史数据库在构建时，从系统中存储的数据库中获取到历史记录中已知的风险事件或项目的信息，即历史项目的项目信息，在基础标签库中查找与历史项目的项目信息具有映射关系的基础标签，作为历史项目的一级标签，将一级标签存储在一级标签库中。在确认了历史项目的一级标签之后，系统中录入历史项目对应的风险数据，风险数据可以包括一级标签在各个风险事件中出现的频率、该历史事件所造成的损失、领导层对该历史事件所映射的风险特征的接受程度等等，但不限于此。
S2200、根据所述一级标签生成对应的二级标签，其中，所述二级标签为所述一级标签进行聚类的过程中产生的新类别标签；
获取一级标签库中所有一级标签，将各一级标签分别视为一类，并规定类与类之间的相似度数值，利用系统聚类法不断地将相似度数值最小的类合并成新的一类，循环多次直至将所有一级标签合并成一类。定义聚类过程中所产生的新类别的标签为二级标签，将所有二级标签存储到二级标签库中。
S2300、定义所述二级标签对应的一级标签所表征的历史项目的风险数据为所述二级标签对应的风险数据，根据所述二级标签对应的风险数据生成所述二级标签对应的风险画像；
获取其中一个二级标签所对应的一级标签所表征的历史项目的风险数据，即与二级标签具有映射关系的一级标签在各个风险事件中出现的频率(f)、包含该二级标签的风险事件所造成的损失(l)、领导层对该二级标签所映射的风险特征的接受程度(a)等等，将获取得到的风险数据作为该二级标签对应的风险数据。二级标签对应的一级标签可以为一个或多个，例如，在聚类过程中，A、B和C三个一级标签聚类生成二级标签X，即A、B和C为二级标签X对应的一级标签，获取一级标签A、B和C所表征的历史项目的风险数据，将得到的风险数据作为二级标签X的风险数据；又如，聚类过程中，一级标签D直接生成二级标签Y，将一级标签D对应的风险数据直接作为二级标签Y的风险数据。
具体地，在通过聚类获取到所有的二级标签之后，统计与该二级标签具有映射关系的一级标签在所有在库的风险事件中出现的频率，并从对应的风险事件的文字描述中获取到该风险事件的损失以及领导层对对应的风险特征的接受程度，风险事件的损失与接受程度可以进行量化，例如直接损失的数值和领导层的授受比例等等数据，但不限于此。
在得到二级标签对应的风险数据之后，通过DBSCAN聚类方法，以风险接受度(＝l*a)为横轴，根据组织风险损失承受能力设置坐标原点及单位刻度；以风险发生频率f为纵轴，根据标签库中该标签的出现频率设置坐标原点及单位刻度，横纵轴交点为聚类中心，生成对应的风险画像。
S2400、根据所述二级标签对应的风险画像生成所述预设的风险画像库；
通过上述S2100-S2300的步骤生成所有二级标签对应的风险画像，根据二级标签对应的风险画像生成风险画像库，风险画像库中存储有所有二级标签对应的风险画像。
通过使用这种基于聚类算法的风险画像作为匹配基准的方法，可通过分析存量风险事件和发现问题，对增量系统和其他暂未发生风险事件的系统进行事前风险评估和事中风险控制。
如图4所示，步骤S2200具体包括以下步骤：
S2210、计算所述一级标签之间的相似度数值；
每一个一级标签预设有对应的标签描述，用于概括标签对应的风险特征和内容等，例如一级标签对应的异常类型、操作类型、风险损失和项目种类等等，但不限于此。根据一级标签所对应的标签描述，生成一级标签的特征向量，并计算各个一级标签之间特征向量的距离，作为一级标签之间的相似度数值。
S2220、根据所述相似度数值对一级标签进行分层聚类以获取聚类标签，所述聚类标签为进行分层聚类的过程中所产生的新类别标签；
将各一级标签分别视为一类，并获取类与类之间的相似度数值，利用系统聚类法不断地将相似度数值最小的类合并成新的一类，然后再计算新类之间的相似度数值，将相似度数值最小的类合并成新的一类，循环多次直至将所有一级标签合并成一类，获取所有聚类过程中所产生的新类别标签作为聚类标签。
S2230、定义所述聚类标签为所述二级标签；
将聚类过程中产生的聚类标签作为二级标签，存储到二级标签库中。
通过系统聚类法将一级标签进行聚类得到二级标签，使使得同一类中的一级标签之间的相似性比其他类的一级标签的相似性更强，利用二级标签作为风险事件匹配的基准，使得应对较为复杂的风险项目或事件时可以更加准确得获取到对应的风险决策，提高匹配风险决策的有效性。
如图5所示，步骤S2210具体包括下述步骤：
S2211、根据所述一级标签生成对应的标签向量；
每一个一级标签预设有对应的标签描述，用于概括标签对应的风险特征和内容等，例如一级标签对应的异常类型、操作类型、风险损失和项目种类等等，但不限于此。在计算相似度数值之前，获取到对应的标签描述，并将标签描述输入到预设的标签向量模型之中，标签向量模型为根据输入的标签信息输出对应的特征向量的神经网络模型。根据标签向量模型的输出结果确定一级标签对应的标签向量。
S2212、计算不同标签向量之间的欧氏距离作为所述相似度数值；
获取到所有一级标签的标签向量，并分别计算各个标签向量之间的欧氏距离，以欧氏距离的数值作为一级标签之间的相似度数值。
通过将一级标签转换为标签向量，以向量之间的距离作为一级标签之间的相似度数值，可以有效确定一级标签之间的相似性，为系统聚类提供依据。
如图6所示，步骤S2211具体包括下述步骤：
S2213、获取所述一级标签的标签信息；
每一个一级标签预设有对应的标签信息，用于概括标签对应的风险特征和内容等，例如一级标签对应的异常类型、操作类型、风险损失和项目种类等等，但不限于此。在对一级标签进行聚类之前，在系统中获取到一级标签对应的标签信息。
S2214、将所述标签信息输入到预设的标签向量模型中，其中，所述预设的标签向量模型为根据输入的标签信息输出对应的特征向量的神经网络模型；
将获取得到的标签信息输入到预设的标签向量模型中，获取标签向量模型的输出结果。标签向量模型为已训练至收敛的，用于根据输入的标签信息，将标签信息中的内容转化为特征向量各个维度的数值，以生成特征向量的神经网络模型。
S2215、根据所述标签向量模型的输出结果确定所述标签向量；
获取标签向量模型的输出结果，确定标签向量模型办出的特征向量为所输入的标签信息所对应的一级标签的标签向量。
利用标签向量模型将一级标签进行向量化，将一级标签转化为一个量化的参数，使标签之间的相似度数值计算更加方便快捷，同时提高标签相似度数值计算的准确性，为系统聚类提供一个直观且有效的参数。
如图7所示，步骤S1300具体包括下述步骤：
S1310、在预设的风险画像库中查找具备所述风险标签的风险画像；；
根据目标项目的风险标签，在历史数据库中查找具备风险标签最多的风险画像，作为目标风险画像。具体地，获取到目标项目的一个或多个风险标签，将风险画像的一级标签与目标项目的风险标签进行匹配，查找出具备与风险标签对应的一级标签的风险画像，并判断具备风险标签的数量，即该风险画像与风险标签对应的一级标签的数据。
S1320、以具备所述风险标签的数量为依据对查找得到的风险画像进行排序，定义具备所述风险标签数量最多的风险画像为所述目标风险画像；
以具备与风险标签对应的一级标签的数量为依据，对查找得到的风险画像进行排序，定义查找得到的风险画像中具备与风险标签对应的一级标签的数量最多的风险画像，作为目标风险画像。
在一些实施方式中，在历史数据库中查找同时具备目标项目所有风险标签的风险画像，若存在，取其中除了风险标签以外对应标签数量最少的一个作为目标风险画像；若不存在，取其中对应风险标签数量最多的一个风险画像作为目标风险画像。例如，假设目标项目的风险标签为A、B和C，查找得到历史数据库中存在第一风险画像，对应的一级标签为A、B、C和D，第二风险画像对应的一级标签为A、B、C、E和F，两个风险画像所对应的一级标签均包含目标项目所有的风险标签，第一风险画像除了目标项目的风险标签之外还包括D一级标签，第二风险画像除了目标项目的风险标签之外还包括E和F一级标签，将第一风险画像定义为目标风险画像。
通过风险标签匹配得到目标风险画像的方式，可以在风险数据库中精确筛选出与目标项目关联度最高的风险画像，从而提高决策方案的匹配的有效性。。
为解决上述技术问题，本发明实施例还提供一种决策方案的匹配装置。具体请参阅图8，图8为本实施决策方案的匹配装置的基本结构框图。
如图8所示，决策方案的匹配装置，包括：获取模块2100、处理模块2200、查找模块2300和执行模块2400。其中，获取模块用于获取目标项目的项目信息；处理模块用于根据所述项目信息确定所述目标项目的风险标签，其中，所述风险标签为预设的基础标签库中与所述项目信息具有映射关系的标签；查找模块用于根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像，其中，所述预设的风险画像库是对历史项目的标签数据进行多级聚类生成的，所述标签数据为所述历史项目对应的标签；执行模块用于将所述目标风险画像所表征的决策方案作为目标项目的决策方案。
通过项目信息确定风险标签的方式，可以有效定位高价值审计线索，极大缩短IT审计项目计划和审计程序制定阶段工时，提高挖掘根源问题的能力，为实现自动化、智能化IT审计打下基础，极大程度节省人工成本，并且保留了后续使用AI、机器学习等技术手段实现智能审计的拓展可能。利用风险画像进行匹配从而确定决策方案，可通过分析存量风险事件和发现问题，提高决策效率和准确率，对增量系统和其他暂未发生风险事件的项目进行事前风险评估和事中风险控制。
在一些实施方式中，决策方案的匹配装置还包括：第一处理子模块、第一查找子模块、第一执行子模块。其中第一处理子模块用于根据所述项目信息生成所述目标项目的文字描述；第一查找子模块用于在所述预设的基础标签库中查找与所述文字描述具有映射关系的基础标签；第一执行子模块用于定义所述具有映射关系的基础标签为所述风险标签。
在一些实施方式中，决策方案的匹配装置还包括：第一获取子模块、第二处理子模块、第三处理子模块和第四处理子模块。其中，第一获取子模块用于获取历史项目的项目数据，其中，所述项目数据包括所述历史项目对应的一级标签与风险数据，所述一级标签为所述基础标签库中与所述历史项目具有映射关系的标签，所述风险数据为历史项目对应的风险事件与风险因素信息；第二处理子模块用于根据所述一级标签生成对应的二级标签，其中，所述二级标签为所述一级标签进行聚类的过程中产生的新类别标签；第三处理子模块用于定义所述二级标签对应的一级标签所表征的历史项目的风险数据为所述二级标签对应的风险数据，根据所述二级标签对应的风险数据生成所述二级标签对应的风险画像；第四处理子模块用于根据所述二级标签对应的风险画像生成所述预设的风险画像库。
在一些实施方式中，决策方案的匹配装置还包括：第一计算子模块、第一聚类子模块、第二执行子模块。其中，第一计算子模块用于计算所述一级标签之间的相似度数值；第一聚类子模块用于根据所述相似度数值对一级标签进行分层聚类以获取聚类标签，所述聚类标签为进行分层聚类的过程中所产生的新类别标签；第二执行子模块用于定义所述聚类标签为所述二级标签。
在一些实施方式中，决策方案的匹配装置还包括：第五处理子模块、第二计算子模块。其中，第五处理子模块用于根据所述一级标签生成对应的标签向量；第二计算子模块用于计算不同标签向量之间的欧氏距离作为所述相似度数值。
在一些实施方式中，决策方案的匹配装置还包括：第二获取子模块、第一输入子模块、第三执行子模块。其中，第二获取子模块用于获取所述一级标签的标签信息；第一输入子模块用于将所述标签信息输入到预设的标签向量模型中，其中，所述预设的标签向量模型为根据输入的标签信息输出对应的特征向量的神经网络模型；第三执行子模块用于根据所述标签向量模型的输出结果确定所述标签向量。
在一些实施方式中，决策方案的匹配装置还包括：第二查找子模块、第六处理子模块。其中，第二查找子模块用于在预设的风险画像库中查找具备所述风险标签的风险画像；第六处理子模块用于以具备所述风险标签的数量为依据对查找得到的风险画像进行排序，定义具备所述风险标签数量最多的风险画像为所述目标风险画像。
为解决上述技术问题，本发明实施例还提供一种计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
如图9所示，计算机设备的内部结构示意图。如图9所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种决策方案的匹配方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种决策方案的匹配方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图8中获取模块2100、处理模块2200、查找模块2300和执行模块2400的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有决策方案的匹配装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述决策方案的匹配方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)等非易失性存储介质，或随机存储记忆体(RandomAccessMemory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种决策方案的匹配方法，其特征在于，包括以下步骤：
获取目标项目的项目信息；
根据所述项目信息确定所述目标项目的风险标签，其中，所述风险标签为预设的基础标签库中与所述项目信息具有映射关系的标签；
根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像，其中，所述预设的风险画像库是对历史项目的标签数据进行多级聚类生成的，所述标签数据为所述历史项目对应的标签；
将所述目标风险画像所表征的决策方案作为目标项目的决策方案。
2.如权利要求1所述的决策方案的匹配方法，其特征在于，所述根据所述项目信息确定所述目标项目的风险标签的步骤，包括以下步骤：
根据所述项目信息生成所述目标项目的文字描述；
在所述预设的基础标签库中查找与所述文字描述具有映射关系的基础标签；
定义所述具有映射关系的基础标签为所述风险标签。
3.如权利要求1所述的决策方案的匹配方法，其特征在于，还包括预设的风险画像库的生成步骤，所述预设的风险画像库的生成步骤包括以下步骤：
获取历史项目的项目数据，其中，所述项目数据包括所述历史项目对应的一级标签与风险数据，所述一级标签为所述基础标签库中与所述历史项目具有映射关系的标签，所述风险数据为历史项目对应的风险事件与风险因素信息；
根据所述一级标签生成对应的二级标签，其中，所述二级标签为所述一级标签进行聚类的过程中产生的新类别标签；
定义所述二级标签对应的一级标签所表征的历史项目的风险数据为所述二级标签对应的风险数据，根据所述二级标签对应的风险数据生成所述二级标签对应的风险画像；
根据所述二级标签对应的风险画像生成所述预设的风险画像库。
4.如权利要求3所述的决策方案的匹配方法，其特征在于，所述根据所述一级标签生成对应的二级标签的步骤，包括以下步骤：
计算所述一级标签之间的相似度数值；
根据所述相似度数值对一级标签进行分层聚类以获取聚类标签，所述聚类标签为进行分层聚类的过程中所产生的新类别标签；
定义所述聚类标签为所述二级标签。
5.如权利要求4所述的决策方案的匹配方法，其特征在于，所述计算所述一级标签之间的相似度数值的步骤，包括下述步骤：
根据所述一级标签生成对应的标签向量；
计算不同标签向量之间的欧氏距离作为所述相似度数值。
6.如权利要求5所述的决策方案的匹配方法，其特征在于，所述根据所述一级标签生成对应的标签向量的步骤，包括下述步骤：
获取所述一级标签的标签信息；
将所述标签信息输入到预设的标签向量模型中，其中，所述预设的标签向量模型为根据输入的标签信息输出对应的特征向量的神经网络模型；
根据所述标签向量模型的输出结果确定所述标签向量。
7.如权利要求1所述的决策方案的匹配方法，其特征在于，所述根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像的步骤，包括下述步骤：
在预设的风险画像库中查找具备所述风险标签的风险画像；
以具备所述风险标签的数量为依据对查找得到的风险画像进行排序，定义具备所述风险标签数量最多的风险画像为所述目标风险画像。
8.一种决策方案的匹配装置，其特征在于，包括：
获取模块，用于获取目标项目的项目信息；
处理模块，用于根据所述项目信息确定所述目标项目的风险标签，其中，所述风险标签为预设的基础标签库中与所述项目信息具有映射关系的标签；
查找模块，用于根据所述风险标签在预设的风险画像库中查找具备所述风险标签的风险画像作为目标风险画像，其中，所述预设的风险画像库是对历史项目的标签数据进行多级聚类生成的，所述标签数据为所述历史项目对应的标签；
执行模块，用于将所述目标风险画像所表征的决策方案作为目标项目的决策方案。
9.一种计算机设备，其特征在于，包括：
处理器；
用于存储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上述权利要求1-7任意一项所述的决策方案的匹配方法。
10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种决策方案的匹配方法，所述方法包括上述权利要求1-7任意一项所述的决策方案的匹配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910881493.7A CN110782123A (zh) | 2019-09-18 | 2019-09-18 | 决策方案的匹配方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910881493.7A CN110782123A (zh) | 2019-09-18 | 2019-09-18 | 决策方案的匹配方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110782123A true CN110782123A (zh) | 2020-02-11 |
Family
ID=69383807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910881493.7A Pending CN110782123A (zh) | 2019-09-18 | 2019-09-18 | 决策方案的匹配方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782123A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111427900A (zh) * | 2020-03-20 | 2020-07-17 | 政采云有限公司 | 一种标签库更新方法、装置、设备及可读存储介质 |
| CN111489098A (zh) * | 2020-04-17 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 疑似风险业务的决策方法、装置及处理设备 |
| CN111612379A (zh) * | 2020-06-03 | 2020-09-01 | 云南电网有限责任公司 | 一种审计方案自动生成方法及装置 |
| CN111639182A (zh) * | 2020-05-12 | 2020-09-08 | 中信银行股份有限公司 | 一种项目需求分析方法和系统 |
| CN111881330A (zh) * | 2020-08-05 | 2020-11-03 | 上海奥珩企业管理有限公司 | 居家服务场景自动还原方法及系统 |
| CN112906730A (zh) * | 2020-08-27 | 2021-06-04 | 腾讯科技（深圳）有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
| CN113269523A (zh) * | 2021-05-21 | 2021-08-17 | 国网新源控股有限公司 | 一种基于画像的智能审计方法及其装置、存储介质以及电子设备 |
| CN117172557A (zh) * | 2023-11-02 | 2023-12-05 | 金华市交通投资集团有限公司 | 企业监督管理系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106982256A (zh) * | 2017-03-31 | 2017-07-25 | 百度在线网络技术（北京）有限公司 | 信息推送方法、装置、设备及存储介质 |
| CN109670837A (zh) * | 2018-11-30 | 2019-04-23 | 平安科技（深圳）有限公司 | 债券违约风险的识别方法、装置、计算机设备和存储介质 |
| CN109684364A (zh) * | 2018-08-21 | 2019-04-26 | 平安普惠企业管理有限公司 | 基于用户画像的问题处理方法、装置、设备和存储介质 |
| CN110097250A (zh) * | 2019-03-20 | 2019-08-06 | 平安直通咨询有限公司上海分公司 | 产品风险预测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-09-18 CN CN201910881493.7A patent/CN110782123A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106982256A (zh) * | 2017-03-31 | 2017-07-25 | 百度在线网络技术（北京）有限公司 | 信息推送方法、装置、设备及存储介质 |
| CN109684364A (zh) * | 2018-08-21 | 2019-04-26 | 平安普惠企业管理有限公司 | 基于用户画像的问题处理方法、装置、设备和存储介质 |
| CN109670837A (zh) * | 2018-11-30 | 2019-04-23 | 平安科技（深圳）有限公司 | 债券违约风险的识别方法、装置、计算机设备和存储介质 |
| CN110097250A (zh) * | 2019-03-20 | 2019-08-06 | 平安直通咨询有限公司上海分公司 | 产品风险预测方法、装置、计算机设备和存储介质 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111427900A (zh) * | 2020-03-20 | 2020-07-17 | 政采云有限公司 | 一种标签库更新方法、装置、设备及可读存储介质 |
| CN111427900B (zh) * | 2020-03-20 | 2023-05-02 | 政采云有限公司 | 一种标签库更新方法、装置、设备及可读存储介质 |
| CN111489098A (zh) * | 2020-04-17 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 疑似风险业务的决策方法、装置及处理设备 |
| CN111489098B (zh) * | 2020-04-17 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 疑似风险业务的决策方法、装置及处理设备 |
| CN111639182A (zh) * | 2020-05-12 | 2020-09-08 | 中信银行股份有限公司 | 一种项目需求分析方法和系统 |
| CN111612379A (zh) * | 2020-06-03 | 2020-09-01 | 云南电网有限责任公司 | 一种审计方案自动生成方法及装置 |
| CN111881330A (zh) * | 2020-08-05 | 2020-11-03 | 上海奥珩企业管理有限公司 | 居家服务场景自动还原方法及系统 |
| CN111881330B (zh) * | 2020-08-05 | 2023-10-27 | 颐家(上海)医疗养老服务有限公司 | 居家服务场景自动还原方法及系统 |
| CN112906730A (zh) * | 2020-08-27 | 2021-06-04 | 腾讯科技（深圳）有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
| CN112906730B (zh) * | 2020-08-27 | 2023-11-28 | 腾讯科技（深圳）有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
| CN113269523A (zh) * | 2021-05-21 | 2021-08-17 | 国网新源控股有限公司 | 一种基于画像的智能审计方法及其装置、存储介质以及电子设备 |
| CN117172557A (zh) * | 2023-11-02 | 2023-12-05 | 金华市交通投资集团有限公司 | 企业监督管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782123A (zh) | 决策方案的匹配方法、装置、计算机设备及存储介质 | |
| CN110363449B (zh) | 一种风险识别方法、装置及系统 | |
| CN110968654B (zh) | 文本数据的地址类目确定方法、设备以及系统 | |
| CN111125343A (zh) | 适用于人岗匹配推荐系统的文本解析方法及装置 | |
| CN111078835A (zh) | 简历评估方法、装置、计算机设备及存储介质 | |
| CN112365202B (zh) | 一种多目标对象的评价因子筛选方法及其相关设备 | |
| CN111815432A (zh) | 金融服务风险预测方法及装置 | |
| CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
| CN114546365B (zh) | 一种流程可视化的建模方法、服务器、计算机系统及介质 | |
| CN109872230A (zh) | 金融数据分析系统的测试方法、装置、介质、电子设备 | |
| CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
| CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
| CN111950623B (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
| CN116882701A (zh) | 一种基于零碳模式的电力物资智能调度系统及其方法 | |
| CN117149996A (zh) | 面向人工智能应用的人机界面数字会话挖掘方法及ai系统 | |
| CN112417996A (zh) | 工业图纸的信息处理方法、装置、电子设备和存储介质 | |
| US11783221B2 (en) | Data exposure for transparency in artificial intelligence | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN116341059A (zh) | 基于相似度的隧道智能设计方法 | |
| CN113688232B (zh) | 招标文本分类方法、装置、存储介质及终端 | |
| CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
| CN113569578B (zh) | 一种用户意图识别方法、装置和计算机设备 | |
| CN115809853A (zh) | 一种企业业务流程的配置优化方法、系统及存储介质 | |
| US20210365831A1 (en) | Identifying claim complexity by integrating supervised and unsupervised learning |
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 |