CN111080444A - 信息审核方法及装置 - Google Patents
信息审核方法及装置 Download PDFInfo
- Publication number
- CN111080444A CN111080444A CN201911422667.XA CN201911422667A CN111080444A CN 111080444 A CN111080444 A CN 111080444A CN 201911422667 A CN201911422667 A CN 201911422667A CN 111080444 A CN111080444 A CN 111080444A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- account opening
- element information
- initial
- 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.)
- Granted
Links
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种信息审核方法及装置,该方法包括:获取开户证明材料的材料图像,识别材料图像,获得材料图像中包含的各个要素的要素信息,对每个要素信息按预设的初审规则进行审核,当各个要素信息均满足预设的初审规则时,将各个要素信息输入GA‑BP神经网络模型中,得到开户证明材料的复审结果。本技术方案,基于开户证明材料的材料图像,自动提取材料图像中包含的各个要素的要素信息,并对各个要素信息进行初审,在通过初审后将各个要素信息输入GA‑BP神经网络模型中,对各个要素信息进行复审,得到开户证明材料的复审结果,整个过程无需任何人工干预,节省了大量的时间成本和人力成本,极大提升了效率,从而提高用户体验。
Description
技术领域
本发明涉及银行业务领域,尤其涉及一种信息审核方法及装置。
背景技术
银行对开户企业进行开户操作时,需要对开户企业所提供相关的证明材料进行审核,即对相关信息进行审核,只有相关信息通过审核才能进行开户操作。
现有信息审核方法为:初审柜员审核开户企业的证明材料是否符合初审要求,在通过初审审核之后还需要复审人员进行复审,复审通过才进行开户操作,现有的信息审核方法主要由人工进行信息审核,审核速度慢、效率低,导致开户用户体验差。
发明内容
本发明提供了一种信息审核方法及装置,目的在于解决由人工进行信息审核,导致审核速度慢、效率低,用户体验差的问题。
为了实现上述目的,本发明提供了以下技术方案:
一种信息审核方法,包括:
获取开户证明材料的材料图像;
识别所述材料图像,获得所述材料图像中包含的各个要素的要素信息;
对每个所述要素信息按预设的初审规则进行审核;
当各个所述要素信息均满足所述初审规则时,将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果,其中,述GA-BP神经网络模型基于BP神经网络模型预先建立得到。
上述的方法,可选的,所述将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果,包括:
计算每个所述要素信息的特征向量;
将各个所述要素信息的特征向量输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果。
上述的方法,可选的,所述基于BP神经网络预先建立所述GA-BP神经网络模型的过程,包括:
获取允许开户企业和不允许开户企业的证明材料信息;
从所述证明材料信息中提取影响开户的特征参数;
确定由输入层、隐层和输出层构成的初始BP神经网络模型,其中,将所述特征参数的个数作为初始BP神经网络模型的输入层节点个数,将预设复审结果作为所述初始BP神经网络模型的输出层节点个数,基于试凑法确定所述初始BP神经网络模型的隐层节点个数;
依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习,确定每一层最优的初始权值和阈值,得到优化后的BP神经网络模型;
将所述优化后的BP神经网络模型作为GA-BP神经网络模型。
上述的方法,可选的,所述将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果之后,还包括:
若所述复审结果表征所述开户证明材料通过复审,则基于所述开户证明材料对应的各个要素信息,进行开户操作;
若所述复审结果表征所述开户证明材料未通过复审,则生成失败提示信息进行提示。
上述的方法,可选的,还包括:
若存在所述要素信息不满足所述初审规则,则将不满足所述初审规则的要素信息进行反馈。
上述的方法,可选的,所述获取开户证明材料的材料图像之后,还包括:
将所述材料图像进行存储。
一种信息审核装置,包括:
获取单元,用于获取开户证明材料的材料图像;
识别单元,用于识别所述材料图像,获得所述材料图像中包含的各个要素的要素信息;
审核单元,用于对每个所述要素信息按预设的初审规则进行审核;
输入单元,用于当各个所述要素信息均满足所述初审规则时,将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果,其中,述GA-BP神经网络模型基于BP神经网络模型预先建立得到。
上述的装置,可选的,所述输入单元,包括:
计算子单元,用于计算每个所述要素信息的特征向量;
输入子单元,用于将各个所述要素信息的特征向量输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果。
上述的装置,可选的,所述输入单元执行基于BP神经网络预先建立所述GA-BP神经网络模型的过程,用于:
获取允许开户企业和不允许开户企业的证明材料信息;
从所述证明材料信息中提取影响开户的特征参数;
确定由输入层、隐层和输出层构成的初始BP神经网络模型,其中,将所述特征参数的个数作为初始BP神经网络模型的输入层节点个数,将预设复审结果作为所述初始BP神经网络模型的输出层节点个数,基于试凑法确定所述初始BP神经网络模型的隐层节点个数;
依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习,确定每一层最优的初始权值和阈值,得到优化后的BP神经网络模型;
将所述优化后的BP神经网络模型作为GA-BP神经网络模型。
上述的装置,可选的,还包括:
第一单元,用于若所述复审结果表征所述开户证明材料通过复审,则基于所述开户证明材料对应的各个要素信息,进行开户操作;
提示单元,用于若所述复审结果表征所述开户证明材料未通过复审,则生成失败提示信息进行提示。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述的信息审核方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的信息审核方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种信息审核方法及装置,该方法包括:获取开户证明材料的材料图像,识别材料图像,获得材料图像中包含的各个要素的要素信息,对每个要素信息按预设的初审规则进行审核,当各个要素信息均满足预设的初审规则时,将各个要素信息输入GA-BP神经网络模型中,得到开户证明材料的复审结果,其中,GA-BP神经网络模型基于BP神经网络模型预先建立得到。本发明所提供的技术方案,基于开户证明材料的材料图像,自动提取材料图像中包含的各个要素的要素信息,并对各个要素信息进行初审,在通过初审后将各个要素信息输入GA-BP神经网络模型中,对各个要素信息进行复审,得到开户证明材料的复审结果,整个过程无需任何人工干预,节省了大量的时间成本和人力成本,极大提升了效率,从而提高用户体验。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种信息审核方法的方法流程图;
图2为本发明提供的一种信息审核方法的又一方法流程图;
图3为本发明提供的一种信息审核方法的又一方法流程图;
图4为本发明提供的一种信息审核装置的结构示意图;
图5为本发明提供的一种电子设备的结构示意图。
具体实施方式
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。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种信息审核方法,该方法可以应用在多种系统平台,其执行主体可以为计算机终端或各种移动设备的处理器,所述方法的方法流程图如图1所示,具体包括:
S101、获取开户证明材料的材料图像。
获取待开户企业的开户证明材料的材料图像,可选的,材料图像包括但不限于营业执照的图像,法人身份证的图像。
可选的,开户证明材料的材料图像可以是手机拍摄或摄像机拍摄的图像。
S102、识别材料图像,获得材料图像中包含的各个要素的要素信息。
利用OCR(Optical Character Recognition,光学字符识别)技术识别材料图像,提取材料图像中包含的各个要素的要素信息,例如,从营业执照的图像中提取出的要素信息包括但不限于企业名称、类型、住所、法人、注册资本、成立时间、营业时间和经营范围,从法人身份证的图像中提取出的要素信息包括但不限于法人姓名、出生日期和住所。
需要说明的是,利用OCR技术识别材料图像中的各个要素的要素信息为现有技术,此处不再赘述。
S103、对每个要素信息按预设的初审规则进行审核。
在规则库中预先存储预设的初审规则,可选的,初审规则可由各个分行自行制定,或由总行统一制定,可选的,初审规则可以用于审核用户所携带得开户证明材料是否齐全,各个证明材料是否相对应,例如营业执照中的法人是否和法人身份证中的法人相同。
当获得材料图像中的各个要素的要素信息后,即检测到要素信息后,从规则库中获取预先存储的初审规则,基于所获取的初审规则对各个要素信息进行审核。
S104、当各个要素信息均满足初审规则时,将各个要素信息输入GA-BP神经网络模型中,得到开户证明材料的复审结果。
当每个要素信息均满足初审规则时,将各个要素信息输入GA-BP神经网络模型中,可选的,将各个要素信息输入GA-BP神经网络模型中,可以包括:
计算每个要素信息的特征向量。
将各个要素信息的特征向量输入GA-BP神经网络模型中,得到开户证明材料的复审结果。
可选的,当每个要素信息均满足初审规则时,计算每个要素信息的特征向量,将每个要素信息的特征向量作为GA-BP神经网络模型的输入,在GA-BP神经网络模型中对各个要素的特征向量进行复审,并输出复审结果,得到开户证明材料的复审结果。其中,GA-BP神经网络模型是基于BP神经网络模型预先建立得到的。
本发明实施例提供的信息审核方法,获取开户证明材料的材料图像,利用OCR技术识别材料图像,获得材料图像中包含的各个要素的要素信息,对每个要素信息按预设的初审规则进行审核,当各个要素信息均满足预设的初审规则时,则将各个要素信息输入GA-BP神经网络模型中,得到开户证明材料的复审结果,其中,GA-BP神经网络模型基于BP神经网络模型预先建立得到。应用本发明实施例提供的信息审核方法,基于开户证明材料的材料图像,自动提取材料图像中包含的各个要素的要素信息,并对各个要素信息进行初审,在通过初审后将各个要素信息输入GA-BP神经网络模型中,对各个要素信息进行复审,得到开户证明材料的复审结果,整个过程无需任何人工干预,节省了大量的时间成本和人力成本,极大提升了效率,从而提高用户体验。
上述本发明实施例图1公开的步骤S104涉及的基于BP神经网络预先建立GA-BP神经网络模型的过程,流程图如图2所示,具体可以包括以下步骤:
S201、获取允许开户企业和不允许开户企业的证明材料信息。
采集允许开户企业和不允许开户企业的证明材料信息。可选的,采集允许开户企业和不允许开户企业的证明材料的材料图像,利用OCR技术识别材料图像中的各个要素的要素信息,将所识别出的要素信息作为证明材料信息。
S202、从证明材料信息中提取影响开户的特征参数。
对所采集的证明材料信息进行统计,从各个证明材料中归纳出影响开户的信息,计算影响开户的要素信息的特征参数。
S203、确定由输入层、隐层和输出层构成的初始BP神经网络模型。
确定由输入层、隐层和输出层构成的初始BP神经网络模型,其中,输入层的节点数由特征参数的个数确定,输出层的节点数由预设复审结果确定,可选的,输出层节点数可以是1个,用于表征是否通过复审的结果信息,可选的,输出层的节点数也可以是2个,例如,00表示未通过复审,01表示通过复审,隐层的节点数可通过试凑法确定。
确定输入层、隐层和输出层的节点数,可确定初始BP神经网络模型的结构,例如,若输出层的节点数为5,隐层节点数为1,输出层节点数为1,则初始BP神经网络模型的结构为5-1-1。
可选的,根据kolmogorov原理,一个三层BP神经网络足以完成任意的n维到m维的映射,一般只需要采用一个隐层即可。
S204、依据预设的样本数据和遗传算法对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习,确定每一层最优的初始权值和阈值,得到优化后的BP神经网络模型。
依据预设的样本数据对初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习,并基于遗传算法确定每一层最优的初始权值和阈值,得到优化后的BP神经网络模型。
可选的,还可以基于预设的测试样本对优化后的BP神经网络模型的预测准确率进行验证。
S205、将优化后的BP神经网络模型作为GA-BP神经网络模型。
可选的,将优化后的BP神经网络模型作为GA-BP神经网络模型。
本发明实施例提供的信息审核方法中,把提取特征参数的个数作为输入层节点个数、预设复审结果作为输出层节点,隐层节点个数采用试凑法确定,从而确定初始BP神经网络模型的结构,通过遗传算法输出的最优个体作为初始BP神经网络初始权值和阈值进行BP神经网络训练和学习。基于预设的样本数据对GA-BP神经网络模型进行训练,并使用测试样本对模型的预测准确率进行验证,从而得到优化后的BP神经网络模型。
在本发明实施例提供的方法中,对信息审核方法的实现过程进行具体说明,如图3所示,包括以下步骤:
S301、获取开户证明材料的材料图像。
获取待开户企业的开户证明材料的材料图像,可选的,材料图像包括但不限于营业执照的图像,法人身份证的图像。
可选的,可以将所获取的开户证明材料的材料图像进行存储,以便于于后续查看和调用。
S302、识别材料图像,获得材料图像中包含的各个要素的要素信息。
利用OCR(Optical Character Recognition,光学字符识别)技术识别材料图像,提取材料图像中包含的各个要素的要素信息,例如,从营业执照的图像中提取出的要素信息包括但不限于企业名称、类型、住所、法人、注册资本、成立时间、营业时间和经营范围,从法人身份证的图像中提取出的要素信息包括但不限于法人姓名、出生日期和住所。
S303、对每个要素信息按预设的初审规则进行审核。
当获得材料图像中的各个要素的要素信息后,即检测到要素信息后,从规则库中获取预先存储的初审规则,基于所获取的初审规则对各个要素信息进行审核。
S304、判断每个要素信息是否均满足初审规则。
基于初审规则对每个要素信息进行初审,判断每个要素信息是否均满足初审规则,也就是说,每个要素信息是否均通过初审规则的审核,若每个要素信息均满足初审规则,则执行步骤S305,若存在要素信息不满足初审规则,则执行步骤S306。
S305、将各个要素信息输入GA-BP神经网络模型中,得到开户证明材料的复审结果。
若每个要素均满足初审规则,则说明开户企业的所提供的开户证明材料通过初审规则,并对开户证明材料进行复审,即计算每个要素信息的特征向量,将每个要素信息的特征向量输入GA-BP神经网络模型中,经GA-BP神经网络模型的处理,得到GA-BP神经网络模型的输出结果,将GA-BP神经网络模型的输出结果确定为开户证明材料的复审结果。
S306、将不满足初审规则的要素信息进行反馈。
若存在不满足初审规则的要素信息,则将不满足初审规则的要素信息进行反馈,以便于用户针对反馈信息,及时修正和补充开户证明材料。
S307、依据复审结果,判断该复审结果是否表征开户证明材料通过复审。
依据GA-BP神经网络模型的输出的开户证明材料的复审结果,判断该复审结果是否表征开户证明材料通过复审,若是,则执行步骤S308,若否,则执行步骤S309。
S308、基于开户证明材料对应的各个要素信息,进行开户操作。
若复审结果表征开户证明材料通过复审,则基于开户证明材料对应的各个要素信息,执行开户操作,也就是对开户企业进行开户。
S309、生成失败提示信息进行提示。
若复审结果信息表征开户证明材料未通过复审,则生成失败提示信息进行提示。
可选的,失败提示信息可以是预设的信息。
本发明实施例提供的信息审核方法,获取开户证明材料的材料图像,利用OCR技术识别材料图像,获得材料图像中包含的各个要素的要素信息,对每个要素信息按预设的初审规则进行审核,当各个要素信息均满足预设的初审规则时,则将各个要素信息输入GA-BP神经网络模型中,得到开户证明材料的复审结果,当存在要素信息不满足初审规则,则将不满足初审规则的要素信息进行反馈,若复审结果表征开户证明材料通过复审,则基于开户证明材料对应的各个要素信息,进行开户操作,若复审结果表征开户证明材料未通过复审,则生成失败提示信息进行提示。应用本发明实施例提供的信息审核方法,基于开户证明材料的材料图像,自动提取材料图像中包含的各个要素的要素信息,并对各个要素信息进行初审,在通过初审后将各个要素信息输入GA-BP神经网络模型中,对各个要素信息进行复审,得到开户证明材料的复审结果,整个过程无需任何人工干预,节省了大量的时间成本和人力成本,极大提升了效率,从而提高用户体验。
与图1所述的方法相对应,本发明实施例还提供了一种信息审核装置,用于对图1中方法的具体实现,其结构示意图如图4所示,具体包括:
获取单元401,用于获取开户证明材料的材料图像;
识别单元402,用于识别所述材料图像,获得所述材料图像中包含的各个要素的要素信息;
审核单元403,用于对每个所述要素信息按预设的初审规则进行审核;
输入单元404,用于当各个所述要素信息均满足所述初审规则时,将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果,其中,述GA-BP神经网络模型基于BP神经网络模型预先建立得到。
本发明实施例提供的信息审核装置,获取开户证明材料的材料图像,利用OCR技术识别材料图像,获得材料图像中包含的各个要素的要素信息,对每个要素信息按预设的初审规则进行审核,当各个要素信息均满足预设的初审规则时,则将各个要素信息输入GA-BP神经网络模型中,得到开户证明材料的复审结果,其中,GA-BP神经网络模型基于BP神经网络模型预先建立得到。应用本发明实施例提供的信息审核装置,基于开户证明材料的材料图像,自动提取材料图像中包含的各个要素的要素信息,并对各个要素信息进行初审,在通过初审后将各个要素信息输入GA-BP神经网络模型中,对各个要素信息进行复审,得到开户证明材料的复审结果,整个过程无需任何人工干预,节省了大量的时间成本和人力成本,极大提升了效率,从而提高用户体验。
在本发明的一个实施例中,基于前述方案,输入单元404配置为:
计算子单元,用于计算每个所述要素信息的特征向量;
输入子单元,用于将各个所述要素信息的特征向量输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果。
在本发明的一个实施例中,基于前述方案,输入单元404执行基于BP神经网络预先建立所述GA-BP神经网络模型的过程,用于:
获取允许开户企业和不允许开户企业的证明材料信息;
从所述证明材料信息中提取影响开户的特征参数;
确定由输入层、隐层和输出层构成的初始BP神经网络模型,其中,将所述特征参数的个数作为初始BP神经网络模型的输入层节点个数,将预设复审结果作为所述初始BP神经网络模型的输出层节点个数,基于试凑法确定所述初始BP神经网络模型的隐层节点个数;
依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习,确定每一层最优的初始权值和阈值,得到优化后的BP神经网络模型;
将所述优化后的BP神经网络模型作为GA-BP神经网络模型。
在本发明的一个实施例中,基于前述方案,还可以配置为:
第一单元,用于若所述复审结果表征所述开户证明材料通过复审,则基于所述开户证明材料对应的各个要素信息,进行开户操作;
提示单元,用于若所述复审结果表征所述开户证明材料未通过复审,则生成失败提示信息进行提示。
在本发明的一个实施例中,基于前述方案,还可以配置为:
反馈单元,用于若存在所述要素信息不满足所述初审规则,则将不满足所述初审规则的要素信息进行反馈。
在本发明的一个实施例中,基于前述方案,还可以配置为:
存储单元,用于将所述材料图像进行存储。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述信息审核方法。
本发明实施例还提供了一种电子设备,其结构示意图如图5所示,具体包括存储器501,以及一个或者一个以上的指令502,其中一个或者一个以上指令502存储于存储器501中,且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作:
获取开户证明材料的材料图像;
识别所述材料图像,获得所述材料图像中包含的各个要素的要素信息;
对每个所述要素信息按预设的初审规则进行审核;
当各个所述要素信息均满足所述初审规则时,则将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果,其中,述GA-BP神经网络模型基于BP神经网络模型预先建立得到。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种信息审核方法及装置进行了详细介绍,本文中应用了具体个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)
1.一种信息审核方法,其特征在于,包括:
获取开户证明材料的材料图像;
识别所述材料图像,获得所述材料图像中包含的各个要素的要素信息;
对每个所述要素信息按预设的初审规则进行审核;
当各个所述要素信息均满足所述初审规则时,将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果,其中,述GA-BP神经网络模型基于BP神经网络模型预先建立得到。
2.根据权利要求1所述的方法,其特征在于,所述将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果,包括:
计算每个所述要素信息的特征向量;
将各个所述要素信息的特征向量输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果。
3.根据权利要求1或2所述方法,其特征在于,所述基于BP神经网络预先建立所述GA-BP神经网络模型的过程,包括:
获取允许开户企业和不允许开户企业的证明材料信息;
从所述证明材料信息中提取影响开户的特征参数;
确定由输入层、隐层和输出层构成的初始BP神经网络模型,其中,将所述特征参数的个数作为初始BP神经网络模型的输入层节点个数,将预设复审结果作为所述初始BP神经网络模型的输出层节点个数,基于试凑法确定所述初始BP神经网络模型的隐层节点个数;
依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习,确定每一层最优的初始权值和阈值,得到优化后的BP神经网络模型;
将所述优化后的BP神经网络模型作为GA-BP神经网络模型。
4.根据权利要求1所述的方法,其特征在于,所述将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果之后,还包括:
若所述复审结果表征所述开户证明材料通过复审,则基于所述开户证明材料对应的各个要素信息,进行开户操作;
若所述复审结果表征所述开户证明材料未通过复审,则生成失败提示信息进行提示。
5.根据权利要求1所述的方法,其特征在于,还包括:
若存在所述要素信息不满足所述初审规则,则将不满足所述初审规则的要素信息进行反馈。
6.根据权利要求1所述的方法,其特征在于,所述获取开户证明材料的材料图像之后,还包括:
将所述材料图像进行存储。
7.一种信息审核装置,其特征在于,包括:
获取单元,用于获取开户证明材料的材料图像;
识别单元,用于识别所述材料图像,获得所述材料图像中包含的各个要素的要素信息;
审核单元,用于对每个所述要素信息按预设的初审规则进行审核;
输入单元,用于当各个所述要素信息均满足所述初审规则时,将各个所述要素信息输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果,其中,述GA-BP神经网络模型基于BP神经网络模型预先建立得到。
8.根据权利要求7所述的装置,其特征在于,所述输入单元,包括:
计算子单元,用于计算每个所述要素信息的特征向量;
输入子单元,用于将各个所述要素信息的特征向量输入GA-BP神经网络模型中,得到所述开户证明材料的复审结果。
9.根据权利要求7或8所述装置,其特征在于,所述输入单元执行基于BP神经网络预先建立所述GA-BP神经网络模型的过程,用于:
获取允许开户企业和不允许开户企业的证明材料信息;
从所述证明材料信息中提取影响开户的特征参数;
确定由输入层、隐层和输出层构成的初始BP神经网络模型,其中,将所述特征参数的个数作为初始BP神经网络模型的输入层节点个数,将预设复审结果作为所述初始BP神经网络模型的输出层节点个数,基于试凑法确定所述初始BP神经网络模型的隐层节点个数;
依据预设的样本数据和遗传算法对所述初始BP神经网络模型的输入层、隐层和输出层中每一层的初始权值和阈值进行训练学习,确定每一层最优的初始权值和阈值,得到优化后的BP神经网络模型;
将所述优化后的BP神经网络模型作为GA-BP神经网络模型。
10.根据权利要求7所述的装置,其特征在于,还包括:
第一单元,用于若所述复审结果表征所述开户证明材料通过复审,则基于所述开户证明材料对应的各个要素信息,进行开户操作;
提示单元,用于若所述复审结果表征所述开户证明材料未通过复审,则生成失败提示信息进行提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911422667.XA CN111080444B (zh) | 2019-12-31 | 2019-12-31 | 信息审核方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911422667.XA CN111080444B (zh) | 2019-12-31 | 2019-12-31 | 信息审核方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080444A true CN111080444A (zh) | 2020-04-28 |
CN111080444B CN111080444B (zh) | 2023-08-29 |
Family
ID=70321536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911422667.XA Active CN111080444B (zh) | 2019-12-31 | 2019-12-31 | 信息审核方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080444B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754195A (zh) * | 2020-06-28 | 2020-10-09 | 中国银行股份有限公司 | 信息处理的方法及装置、电子设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446959A (zh) * | 2014-09-02 | 2016-03-30 | 阿里巴巴集团控股有限公司 | 日志内容审核优化方法及装置 |
CN108830512A (zh) * | 2018-08-20 | 2018-11-16 | 华润守正招标有限公司 | 一种电子招标投标平台的用户注册审核方法、装置及设备 |
CN109816340A (zh) * | 2019-01-04 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 资源审批方法、系统、计算机设备和存储介质 |
CN110555488A (zh) * | 2018-06-04 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 图像序列的审核方法及系统、电子设备和存储介质 |
-
2019
- 2019-12-31 CN CN201911422667.XA patent/CN111080444B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446959A (zh) * | 2014-09-02 | 2016-03-30 | 阿里巴巴集团控股有限公司 | 日志内容审核优化方法及装置 |
CN110555488A (zh) * | 2018-06-04 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 图像序列的审核方法及系统、电子设备和存储介质 |
CN108830512A (zh) * | 2018-08-20 | 2018-11-16 | 华润守正招标有限公司 | 一种电子招标投标平台的用户注册审核方法、装置及设备 |
CN109816340A (zh) * | 2019-01-04 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 资源审批方法、系统、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754195A (zh) * | 2020-06-28 | 2020-10-09 | 中国银行股份有限公司 | 信息处理的方法及装置、电子设备及计算机可读存储介质 |
CN111754195B (zh) * | 2020-06-28 | 2023-08-29 | 中国银行股份有限公司 | 信息处理的方法及装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111080444B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359175B (zh) | 电子装置、诉讼数据处理的方法及存储介质 | |
US20190026605A1 (en) | Neural network model training method and apparatus, living body detecting method and apparatus, device and storage medium | |
CN108345587B (zh) | 一种评论的真实性检测方法与系统 | |
CN110874716A (zh) | 面试测评方法、装置、电子设备及存储介质 | |
CN113014566B (zh) | 恶意注册的检测方法、装置、计算机可读介质及电子设备 | |
CN112468659B (zh) | 应用于电话客服的质量评价方法、装置、设备及存储介质 | |
CN110399472B (zh) | 面试提问提示方法、装置、计算机设备及存储介质 | |
CN112671985A (zh) | 基于深度学习的坐席质检方法、装置、设备及存储介质 | |
CN110489747A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN113807103A (zh) | 基于人工智能的招聘方法、装置、设备及存储介质 | |
CN113707157B (zh) | 基于声纹识别的身份验证方法、装置、电子设备及介质 | |
CN110674370A (zh) | 域名识别方法及装置、存储介质及电子设备 | |
CN114445095A (zh) | 材料检测方法、装置、存储介质及电子设备 | |
CN111080444B (zh) | 信息审核方法及装置 | |
US10446138B2 (en) | System and method for assessing audio files for transcription services | |
CN111694936A (zh) | 用于ai智能面试的识别的方法、装置、计算机设备及存储介质 | |
KR101854804B1 (ko) | 텍스트와 연관된 개체명을 결정하기 위한 사용자 인증 서비스 제공 및 학습 데이터 구축 방법 | |
CN114444040A (zh) | 认证处理方法、装置、存储介质及电子设备 | |
CN113990313A (zh) | 语音控制方法、装置、设备及存储介质 | |
CN110362981B (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
CN114357164A (zh) | 情感-原因对抽取方法、装置、设备及可读存储介质 | |
CN113449506A (zh) | 一种数据检测方法、装置、设备及可读存储介质 | |
CN112307757A (zh) | 基于辅助任务的情感分析方法、装置、设备及存储介质 | |
CN111754327A (zh) | 排队提示方法及装置 | |
CN117668154B (zh) | 一种医疗健康咨询服务方法、系统、设备及存储介质 |
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 |