CN112150294A - 针对非法集资的识别方法、装置及电子设备 - Google Patents

Abstract

本发明公开了一种针对非法集资的识别方法、装置及电子设备，该方法包括：确定识别模型的参数信息，识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；基于参数信息对识别模型进行配置，得到目标识别模型；获取与待识别信息对应的数据信息；利用目标识别模型对数据信息进行识别，得到疑似非法集资数据；对疑似非法集资数据进行分析，获得与待识别信息相匹配的识别结果。本发明由于识别模型具有参数可配置特性，可以应对非法集资的不同特征，满足了现有非法集资识别的需求，并提升了识别准确度。

Description

针对非法集资的识别方法、装置及电子设备

技术领域

本发明涉及技术领域，特别是涉及一种针对非法集资的识别方法、装置及电子设备。

背景技术

目前，随着互联网金融的不断发展，投资者可投资的途径增加，网上各种投资项目较多但是其真实性也存需要验证。在互联网背景下的非法集资案件已经呈现出与传统非法集资案件不同的特征，使得非法集资的发现难度增大。

现有的针对非法集资的识别存在着如下问题：客户交易数据量大，当前客户交易的数据量爆发式增长，传统的数据处理方法已经很难满足海量数据中非法集资信息的筛选；并且随着非法集资的方式、交易对手数量、交易金额等形式的变化，传统的非法集资方法不能满足这种灵活性的需求；其也未形成完整的非法集资的线索，不利于业务人员对非法集资线索进行分析。

可见，现有的非法集资的识别方法无法满足现有的应用需求，存在着是被准确率低的问题。

发明内容

针对于上述问题，本发明提供一种针对非法集资的识别方法、装置及电子设备，实现了满足现有非法集资识别的需求，以及提升了识别准确度。

为了实现上述目的，本发明提供了如下技术方案：

一种针对非法集资的识别方法，包括：

确定识别模型的参数信息，所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；

基于所述参数信息对所述识别模型进行配置，得到目标识别模型；

获取与所述待识别信息对应的数据信息；

利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据；

对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

可选地，所述利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据，包括：

利用所述目标识别模型对与所述数据信息相匹配的客户交易明细信息进行识别，生成疑似非法集资返款账号信息和疑似非法集资收款账号信息；

分别确定所述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息的标识信息；

基于所述标识信息对所述述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息进行融合，得到疑似非法集资数据。

可选地，若所述参数信息包括若干条参数，所述利用所述目标识别模型对所述数据信息进行识别，包括：

基于所述参数信息生成所述目标识别模型的批量调度信息；

响应于所述数据信息满足识别条件，依据所述批量调度信息调度所述目标识别模型，使得所述目标识别模型对所述数据信息进行识别。

可选地，所述识别模型是以分布式系统Hadoop为基础架构的分布式批量处理引擎。

可选地，所述方法还包括：

将针对非法集资的线索信息生成筛选条件参数；

基于所述筛选条件参数，创建识别模型。

一种针对非法集资的识别装置，包括：

参数确定单元，用于确定识别模型的参数信息，所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；

配置单元，用于基于所述参数信息对所述识别模型进行配置，得到目标识别模型；

信息获取单元，用于获取与所述待识别信息对应的数据信息；

识别单元，用于利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据；

分析单元，用于对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

可选地，所述识别单元包括：

识别子单元，用于利用所述目标识别模型对与所述数据信息相匹配的客户交易明细信息进行识别，生成疑似非法集资返款账号信息和疑似非法集资收款账号信息；

标识确定子单元，用于分别确定所述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息的标识信息；

融合子单元，用于基于所述标识信息对所述述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息进行融合，得到疑似非法集资数据。

可选地，所述识别单元还包括：

生成子单元，用于基于所述参数信息生成所述目标识别模型的批量调度信息；

调度子单元，用于响应于所述数据信息满足识别条件，依据所述批量调度信息调度所述目标识别模型，使得所述目标识别模型对所述数据信息进行识别。

一种存储介质，所述存储介质上存储有可执行指令，所述指令被处理器执行时实现如上任一项所述的一种针对非法集资的识别方法。

一种电子设备，包括：

存储器，用于存储程序；

处理器，用于执行所述程序，所述程序具体用于：

确定识别模型的参数信息，所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；

基于所述参数信息对所述识别模型进行配置，得到目标识别模型；

获取与所述待识别信息对应的数据信息；

利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据；

对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

相较于现有技术，本发明提供了一种针对非法集资的识别方法、装置及电子设备，该方法包括：确定识别模型的参数信息，识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；基于参数信息对识别模型进行配置，得到目标识别模型；获取与待识别信息对应的数据信息；利用目标识别模型对数据信息进行识别，得到疑似非法集资数据；对疑似非法集资数据进行分析，获得与待识别信息相匹配的识别结果。本发明由于识别模型具有参数可配置特性，可以应对非法集资的不同特征，满足了现有非法集资识别的需求，并提升了识别准确度。

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为本发明实施例提供的一种针对非法集资的识别方法的流程示意图；

图2为本发明实施例提供的一种模型应用的流程示意图；

图3为本发明实施例提供的一种针对非法集资的识别装置的结构示意图。

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。

本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在本发明实施例中提供了一种针对非法集资的识别方法，通过识别模型解决海量数据中发现疑似非法集资的信息，通过对海量数据进行处理筛选出疑似非法集资线索的记过表，还将交易对手数、交易形式等筛选条件参数化，使得模型能够应对非法集资的不同特征，还可以加入定期化运行条件，可以定期生成疑似非法集资线索明细，以供金融从业者疑似非法集资线索进行分析追踪，进而降低投资者的投资风险。具体的，本发明的识别模型是基于Spark的非法集资线索识别模型，基于Hadoop与spark的海量数据处理，将筛选条件参数可配置化，可以根据非法集资的方式、交易对手数、交易金额等形式的变化调整模型运行参数，能很好的应对参数变化情况，保证了模型参数的维护简易性。

为了便于对本发明进行说明，下面将对相关术语进行说明。

非法集资：是指单位或者个人未依照法定程序经有关部门批准，以发行股票、债券、彩票、投资基金证券或者其他债权凭证的方式向社会公众筹集资金，并承诺在一定期限内以货币、实物以及其他方式向出资人还本付息或者给予回报的行为。

Hadoop：是一个由Apache基金会所开发的分布式系统基础架构，一个能够对大量数据进行分布式处理的软件安框架：Hadoop以一种可靠、高效、可伸缩的方式进行数据处理。用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力进行高速的运算和存储。Hadoop实现了一个分布式文件系统，简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的硬件上，与此同时它还提供高吞吐量来访问应用程序的数据，非常适合那些有着超大数据集的应用程序。其具有高可靠性，即按位存储和处理数据的能力较强；还具有高扩展性，在可用的计算机簇间分配数据并完成计算任务，这些集簇可以方便的扩展到数以千计的节点中；具有高效性，能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理数据非常快。高容错性，能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配，低成本，与一体机、商用数据仓库等数据集市相比，Hadoop是开源的，项目的软件成本因此会大大降低。

Spark：是一个基于内存的分布式批处理引擎，可以用来快速处理数据，兼具容错性和可扩展性；支持迭代计算，有效应对多部数据处理逻辑；与此同时还可以在海量数据的基础上进行复杂的数据挖掘分析，可支持各种数据挖掘和机器学习算法。其具有高性能，且Spark的中间数据存放在内存中，对于迭代运算的效率更高，进行批处理时更高效，更低的延时，提供了更多的数据操作类型，更灵活，开发效率更高，更高的容错能力。

收付标志：指进行交易时收付款的标识。

参见图1，其示出了本发明实施例提供的一种针对非法集资的识别方法，包括：

S101、确定识别模型的参数信息。

所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型。

S102、基于所述参数信息对所述识别模型进行配置，得到目标识别模型。

S103、获取与所述待识别信息对应的数据信息。

S104、利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据。

S105、对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

在本发明实施例中对数据进行识别时可以生成相应的数据表，例如，利用所述目标识别模型对与所述数据信息相匹配的客户交易明细信息进行识别，生成疑似非法集资返款账号信息和疑似非法集资收款账号信息；分别确定所述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息的标识信息；基于所述标识信息对所述述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息进行融合，得到疑似非法集资数据。

具体的，首先通过客户交易明细按照交易日期区间、收付标志为付、不同的交易对手数大于或者等于某一阈值过滤出满足当前阈值的客户号以及对应的帐号，并将数据存储在非法集资模型中间表1中；然后根据包含相应的摘要敏感词的笔数超过某一阈值条数的过滤条件关联查询个人客户交易明细以及非法集资模型中间表1，将数据存储在疑似非法集资返款账号表。

通过客户交易明细按照交易日期区间、收付标志为收、不同的交易对手数大于或者等于某一阈值过滤出满足当前阈值的客户号以及对应的帐号，并将数据存储在非法集资模型中间表3中；然后根据包含相应的摘要敏感词的笔数超过某一阈值条数的过滤条件关联查询个人客户交易明细以及非法集资模型中间表3，将数据存储在非法集资模型中间表4；最后对非法集资模型中间表4以及客户交易明细表根据根据客户号以及账户号分组统计，并对交易金额进行求和统计，将累计交易金额大于相应阈值的金额数的线索存储在疑似非法集资收款账号表。

将疑似非法集资返款账号表帐户类型标识为"付款"，将疑似非法集资收款账号表所有记录标识为"收款"，最终合成为疑似非法集资线索表。

利用预先设计好的判断疑似非法集资业务逻辑，设计出相应的参数可配置化的Spark运行脚本，之后通过在Hadoop集群上运行该数据处理脚本，生成疑似非法集资的线索表。使用数据库配置的方式，对筛选条件参数进行灵活配置，具体来说，当调起程序对数据进行处理之前，会先读取数据库中的条件参数替换程序中的相应字段，然后执行Spark处理程序对数据进行筛选处理。通过这种方式实现模型参数的灵活配置，以应对非法集资特点的多样性。

参见图2，其示出了一种模型应用的流程示意图，首先获取识别模型的基本信息及运行参数管理，基于所述参数信息生成所述目标识别模型的批量调度信息；响应于所述数据信息满足识别条件，依据所述批量调度信息调度所述目标识别模型，使得所述目标识别模型对所述数据信息进行识别。例如，设置在季初第7日进行识别，则会日期为季初第7日通过选定的参数自动调用模型，得到模型结果，基于该模型结果确定是否存在非法集资。

在本发明实施例中使用识别模型对海量数据中疑似非法集资线索在快速筛选，可以根据非法集资特点的变化调整线索的模型参数，配置完成后可以设置定期化运行无需人手动干预。可以通过调整筛选条件参数的方式来实现提高疑似非法集资线索的准确度。

参见图3，在本发明实施例提供的一种针对非法集资的识别装置，包括：

参数确定单元10，用于确定识别模型的参数信息，所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；

配置单元20，用于基于所述参数信息对所述识别模型进行配置，得到目标识别模型；

信息获取单元30，用于获取与所述待识别信息对应的数据信息；

识别单元40，用于利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据；

分析单元50，用于对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

在上述实施例的基础上，所述识别单元包括：

识别子单元，用于利用所述目标识别模型对与所述数据信息相匹配的客户交易明细信息进行识别，生成疑似非法集资返款账号信息和疑似非法集资收款账号信息；

标识确定子单元，用于分别确定所述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息的标识信息；

融合子单元，用于基于所述标识信息对所述述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息进行融合，得到疑似非法集资数据。

在上述实施例的基础上，所述识别单元还包括：

生成子单元，用于基于所述参数信息生成所述目标识别模型的批量调度信息；

调度子单元，用于响应于所述数据信息满足识别条件，依据所述批量调度信息调度所述目标识别模型，使得所述目标识别模型对所述数据信息进行识别。

在上述实施例的基础上，所述识别模型是以分布式系统Hadoop为基础架构的分布式批量处理引擎。

在上述实施例的基础上，所述装置还包括：

参数生成单元，用于将针对非法集资的线索信息生成筛选条件参数；

模型创建单元，用于基于所述筛选条件参数，创建识别模型。

本发明提供了一种针对非法集资的识别装置，参数确定单元确定识别模型的参数信息，识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；配置单元基于参数信息对识别模型进行配置，得到目标识别模型；信息获取单元获取与待识别信息对应的数据信息；识别单元利用目标识别模型对数据信息进行识别，得到疑似非法集资数据；分析单元对疑似非法集资数据进行分析，获得与待识别信息相匹配的识别结果。本发明由于识别模型具有参数可配置特性，可以应对非法集资的不同特征，满足了现有非法集资识别的需求，并提升了识别准确度。

在本发明实施例中还提供了一种存储介质，所述存储介质上存储有可执行指令，所述指令被处理器执行时实现如上任一项所述的一种针对非法集资的识别方法。

本发明实施例还提供了一种电子设备，包括：

存储器，用于存储程序；

处理器，用于执行所述程序，所述程序具体用于：

确定识别模型的参数信息，所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；

基于所述参数信息对所述识别模型进行配置，得到目标识别模型；

获取与所述待识别信息对应的数据信息；

利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据；

对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

可选地，所述利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据，包括：

利用所述目标识别模型对与所述数据信息相匹配的客户交易明细信息进行识别，生成疑似非法集资返款账号信息和疑似非法集资收款账号信息；

分别确定所述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息的标识信息；

基于所述标识信息对所述述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息进行融合，得到疑似非法集资数据。

可选地，若所述参数信息包括若干条参数，所述利用所述目标识别模型对所述数据信息进行识别，包括：

基于所述参数信息生成所述目标识别模型的批量调度信息；

响应于所述数据信息满足识别条件，依据所述批量调度信息调度所述目标识别模型，使得所述目标识别模型对所述数据信息进行识别。

可选地，所述识别模型是以分布式系统Hadoop为基础架构的分布式批量处理引擎。

可选地，所述方法还包括：

将针对非法集资的线索信息生成筛选条件参数；

基于所述筛选条件参数，创建识别模型。

需要说明的是，上述处理器或CPU可以为特定用途集成电路(ApplicationSpecific Integrated Circuit，ASIC)、数字信号处理器(DigitalSignalProcessor，DSP)、数字信号处理装置(DigitalSignalProcessing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable GateArray，FPGA)、中央处理器(CentralProcessing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。

需要说明的是，上述计算机存储介质/存储器可以是只读存储器(ReadOnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic RandomAccess Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CompactDisc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。本说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种针对非法集资的识别方法，其特征在于，包括：

确定识别模型的参数信息，所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；

基于所述参数信息对所述识别模型进行配置，得到目标识别模型；

获取与所述待识别信息对应的数据信息；

利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据；

对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据，包括：

利用所述目标识别模型对与所述数据信息相匹配的客户交易明细信息进行识别，生成疑似非法集资返款账号信息和疑似非法集资收款账号信息；

分别确定所述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息的标识信息；

基于所述标识信息对所述述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息进行融合，得到疑似非法集资数据。

3.根据权利要求1所述的方法，其特征在于，若所述参数信息包括若干条参数，所述利用所述目标识别模型对所述数据信息进行识别，包括：

基于所述参数信息生成所述目标识别模型的批量调度信息；

响应于所述数据信息满足识别条件，依据所述批量调度信息调度所述目标识别模型，使得所述目标识别模型对所述数据信息进行识别。

4.根据权利要求1所述的方法，其特征在于，所述识别模型是以分布式系统Hadoop为基础架构的分布式批量处理引擎。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将针对非法集资的线索信息生成筛选条件参数；

基于所述筛选条件参数，创建识别模型。

6.一种针对非法集资的识别装置，其特征在于，包括：

参数确定单元，用于确定识别模型的参数信息，所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；

配置单元，用于基于所述参数信息对所述识别模型进行配置，得到目标识别模型；

信息获取单元，用于获取与所述待识别信息对应的数据信息；

识别单元，用于利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据；

分析单元，用于对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

7.根据权利要求6所述的装置，其特征在于，所述识别单元包括：

识别子单元，用于利用所述目标识别模型对与所述数据信息相匹配的客户交易明细信息进行识别，生成疑似非法集资返款账号信息和疑似非法集资收款账号信息；

标识确定子单元，用于分别确定所述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息的标识信息；

融合子单元，用于基于所述标识信息对所述述疑似非法集资返款账号信息和所述疑似非法集资收款账号信息进行融合，得到疑似非法集资数据。

8.根据权利要求6所述的装置，其特征在于，所述识别单元还包括：

生成子单元，用于基于所述参数信息生成所述目标识别模型的批量调度信息；

调度子单元，用于响应于所述数据信息满足识别条件，依据所述批量调度信息调度所述目标识别模型，使得所述目标识别模型对所述数据信息进行识别。

9.一种存储介质，其特征在于，所述存储介质上存储有可执行指令，所述指令被处理器执行时实现如权利要求1-5中任一项所述的一种针对非法集资的识别方法。

10.一种电子设备，其特征在于，包括：

存储器，用于存储程序；

处理器，用于执行所述程序，所述程序具体用于：

确定识别模型的参数信息，所述识别模型表征能够对存储的大数据进行筛选得到非法集资线索信息的模型；

基于所述参数信息对所述识别模型进行配置，得到目标识别模型；

获取与所述待识别信息对应的数据信息；

利用所述目标识别模型对所述数据信息进行识别，得到疑似非法集资数据；

对所述疑似非法集资数据进行分析，获得与所述待识别信息相匹配的识别结果。

Images