CN112214652A - 一种报文生成方法、装置及设备 - Google Patents

一种报文生成方法、装置及设备 Download PDF

Info

Publication number
CN112214652A
CN112214652A CN202011119485.8A CN202011119485A CN112214652A CN 112214652 A CN112214652 A CN 112214652A CN 202011119485 A CN202011119485 A CN 202011119485A CN 112214652 A CN112214652 A CN 112214652A
Authority
CN
China
Prior art keywords
user
vector
characteristic information
feature
user characteristic
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
Application number
CN202011119485.8A
Other languages
English (en)
Other versions
CN112214652B (zh
Inventor
李怀松
张天翼
黄涛
姚开盛
谢雨杰
林谢雄
齐晓娜
张映
马良
靳雅
曾庆瑜
王睿祺
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202011119485.8A priority Critical patent/CN112214652B/zh
Publication of CN112214652A publication Critical patent/CN112214652A/zh
Application granted granted Critical
Publication of CN112214652B publication Critical patent/CN112214652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/90344—Query processing by using string matching techniques
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)

Abstract

本说明书实施例公开了一种报文生成方法、装置及设备，该方法包括：获取用户特征信息，对用户特征信息进行编码，形成用户特征信息对应的第一特征向量；根据用户特征信息从检索库中进行匹配，得到用户特征信息对应的多个风险描述语句；对多个风险描述语句进行特征化处理，得到用户特征信息对应的第二特征向量；对第一特征向量以及第二特征向量进行融合，得到融合后的第三特征向量；将第三特征向量输入主题匹配模型中，得到第三特征向量对应的多个主题；基于多个主题与第三特征向量，生成包含主题以及所述风险描述语句的报文。

Description

一种报文生成方法、装置及设备
技术领域
本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种报文生成方法、装置及设备。
背景技术
随着互联网金融的快速发展，互联网金融交易的数量在快速增长。在大量的互联网金融交易中，可能存在一些不法人员进行洗钱等非法交易。洗钱是严重的经济犯罪行为，不仅破坏经济活动的公平公正原则，破坏市场经济有序竞争，损害金融机构的声誉和正常运行，威胁金融体系的安全稳定，而且洗钱活动已对一个国家的稳定、社会安定、经济安全以及国际经济体系的安全构成严重威胁。因此必须对洗钱行为严加追查和打击。
为了逃避监管和追查，洗钱犯罪分子往往通过不同的方式和渠道对犯罪所得进行处理。长期的洗钱活动发展出了多种多样的洗钱工具，例如，利用金融机构提供的金融服务，利用空壳公司，伪造商业票据等。在现有技术中，为了监控洗钱行为，金融机构在接收到可疑交易数据后，通常需要审理人员撰写针对客户的客户风险报文，并传递给客户风险处理机构(例如，监管机构)，其中，客户风险报文是审理人员对客户风险审理事件的总结描述，因此报文的质量直接体现了反洗钱的能力。但是通过人工撰写报文，效率低下，且报文质量无法把控。
因此，如何提供一种快速、准确自动生成报文的方案，已成为亟待解决的技术问题。
发明内容
本说明书实施例提供报文生成方法、装置及设备，以提高报文生成质量。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种报文生成方法，包括：
获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
本说明书实施例提供的一种报文生成装置，包括：
用户特征信息获取模块，用于获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
编码模块，用于对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
风险描述语句匹配模块，用于根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
特征化处理模块，用于对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
特征向量融合模块，用于对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
主题匹配模块，用于将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
报文生成模块，用于确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
本说明书实施例提供的一种报文生成设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
本说明书实施例提供的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种报文生成方法。
本说明书一个实施例实现了能够达到以下有益效果：通过获取用户特征信息；对用户特征信息进行编码，形成用户特征信息对应的第一特征向量；根据用户特征信息从检索库中进行匹配，得到用户特征信息对应的多个风险描述语句；可以结合检索库中的风险语句生成报文，解决语句出现叠词、错误词等语法错误，以及对风险信息的覆盖不足的问题，提高生成的报文质量。
对多个风险描述语句进行特征化处理，得到用户特征信息对应的第二特征向量；对第一特征向量以及第二特征向量进行融合，得到融合后的第三特征向量；将第三特征向量输入主题匹配模型中，得到第三特征向量对应的多个主题；基于多个主题与第三特征向量，生成包含主题以及所述风险描述语句的报文；生成的报文中包含主题，可以使生成的报文条理性更好，解释性更强。
附图说明
为了更清楚地说明本说明书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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种报文生成方法的流程图；
图2是本说明书实施例提供的一种报文生成方法的模型结构示意图；
图3是本说明书实施例提供的一种报文生成装置的示意图；
图4是本说明书实施例提供的一种报文生成设备的示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明中的实施例，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，都属于本说明书一个或多个实施例保护的范围。
反洗钱(Anti-Money Laundering，AML)是指预防通过各种方式掩饰、隐瞒毒品犯罪、黑社会性质的组织犯罪、恐怖活动犯罪、走私犯罪、贪污贿赂犯罪、破坏金融管理秩序犯罪等犯罪所得及其收益的来源和性质的洗钱活动的措施。常见的洗钱途径广泛涉及银行、保险、证券、房地产等各种领域，一般通过金融机构提供的金融服务，利用空壳公司，伪造商业票据等方式来进行洗钱。
为了预防洗钱行为，金融机构一般都有专门的审理人员监控用户的相关数据，通过客户审理过程来监控用户的风险行为。
客户风险审理过程例如可以是审理人员或审理机构利用所收集的客户风险数据来审查客户是否存在风险行为的过程。客户风险数据可以包括客户交易数据和客户行为数据等。这里，客户可以是用户，也可以是客户机构，比如，企业等。风险行为可以包括洗钱行为、欺诈行为等，所述洗钱行为例如可以包括赌博、传销等。
在进行客户审理时，审理人员通过金融机构中收集的客户风险数据(例如，用户的静态身份信息、用户的交易信息何等)，然后利用所收集的客户风险数据识别客户所具有的基础风险特征(例如，整数交易、返款交易、高频交易、分散转入等)，接着，根据客户所具有的基础风险特征，确定客户是否存在风险行为。例如，当客户具有整数交易、返款交易和高频交易这三个基础洗钱特征时，确定客户的风险类型是赌博。或者，当客户具有整数交易、高频交易和分散转入这三个基础洗钱特征时，确定客户的风险类型是传销。
报文就是在各个系统之间进行请求和响应时用来交换信息的，需要遵守规定好的格式。
反洗钱审理人员在审理可以交易时，根据当前任务对应客户的各种特征综合判断，确认存在风险的合理理由，对此撰写一段报文，描述客户存在的可疑行为特征，将报文上报给国家金融情报中心或其他客户风险处理机构(例如，监管机构)，其中，该报文可以是审理人员对客户风险审理事件的总结描述。
现有技术中，在多种应用场景中都存在生成报文的需求，例如，针对洗钱场景，需根据筛选出的用户交易特征数据，去生成一段描述该用户是否存在洗钱风险的报文。或者，针对用户画像场景，需根据用户的消费行为特征数据，生成一段描述该用户的消费行为偏好的报文等。
目前，除人工撰写报文这一方式外，也有一些企业开始设计一些规则模版，以当目标用户的特征数据中出现指定用户特征时，通过调用该规则模版生成预设报文语句。由于利用规则模型生成的报文的语句格式单一，且语句出现顺序是固定的，容易导致报文不通顺且逻辑性差。同时，针对每个应用场景，均需设计一套对应的规则模版，才能生成各个应用场景中所需的报文，可见，这种基于规则模板生成报文的方法的通用性较差。或者基于模型的报文辅助信息形成算法，例如：采用Encoder-Decoder的方案生成报文。但是该方法不可避免会出现的语句会出现叠词、错误词等语法错误，同时对风险信息的覆盖不足，导致形成风险描述语句的准确率低。
因此，本方案采用提供一种更加快速准确的报文生成方案，既能节省人力，又能提高报文的质量。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1是本说明书实施例提供的一种报文生成方法的流程图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。本说明书实施例中的执行主体可以是金融机构中的风险审查部门或风险审查设备，也可以是用于金融机构中监测风险的服务器，还可以是专门的风险监管机构。
如图1所示，该流程可以包括以下步骤：
步骤102：获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息。
需要说明的是，在本说明书实施例中，需要获取的用户特征类别可以根据实际应用场景提前设定。例如：可以设定需要获取的用户特征类别为：身份基础信息(例如：姓名、户籍、年龄、性别、职业等)，用户的交易薪给特征信息(交易附言、交易时间、交易金额、交易频率、交易地点以及交易商品等)，即可以预先筛选出与待生成报文相关的预设用户特征类别，并获取与各个预设用户特征类别对应的用户特征信息。
根据应用场景的不同，所需获取的用户特征信息可以是不同的，例如，针对洗钱场景，所述用户特征信息可以是根据目标用户的交易信息而生成的与预设特征类别所对应的信息，例如，姓名、年龄等用户基础信息，以及交易频率交易金额等信息。而针对用户画像场景，所述用户特征信息可以是根据目标用户的消费信息而生成的与预设特征类别所对应的信息，例如，姓名、年龄、收入等用户基础信息，以及消费类型、消费地点、消费金额等信息。
在具体实施过程中，可以在预设历史时间段内获取用户的交易行为特征信息，具体可以从线上交易平台上获取。需要说明的是，该步骤中获取的用户特征信息为金融机构预先判断为风险目标用户的用户特征信息。金融机构在预先判断用户是否为风险目标用户的方法可以是根据预设规则进行判断，预设规则可以包括预设时间段内的交易额度、交易频率阈值、预设时间段内的流入流出金融额度等。例如：以预设时间段内的交易额度为例：一个月内的预设交易额度为：100万。若用户A一个月内的交易额度为300万，则可以预先判断用户A为风险目标用户。
金融机构监测到风险目标用户之后，再根据预设的风险特征类型确定风险目标用户对应的用户特征信息。本说明书实施例中，对于用户特征信息的类型不做具体限定。
步骤104：对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量。
该步骤中，对用户特征信息进行编码时可以采用编码器来实现，该编码器可以为时间递归神经网络模型，例如，所述编码器可以采用长短期记忆网络(LSTM，Long Short-Term Memory)。LSTM是一种特殊的RNN，可以解决长序列训练过程中的梯度消失和梯度爆炸问题。编码可以理解为将输入序列转化成一个固定长度的向量，解码可以理解为将输入的固定长度向量解码成输出序列。其中编码解码的方式可以是RNN、CNN等。
编码器针对用户特征信息对应的特征向量中的每个用户特征向量，会生成一个对应的编码向量，该编码向量为当编码器的输入为所述用户特征向量时，所述编码器的输出为隐藏状态。
步骤106：根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句。
该步骤中的检索库中可以包含用户特征信息与风险描述语句的映射关系。该检索库可以是根据历史经验数据生成的。例如：针对某金融机构X，可以获取该金融机构X中已知的风险用户以及这些风险用户对应的报文。从这些风险用户的报文中可以提取出用户的特征信息以及对应的风险描述语句，从而生成风险库。
因此，在已知用户特征信息的情况下，可以根据用户特征信息从检索库中匹配得到对应的风险描述语句。
风险描述语句可以是用于描述用户风险特征的句子。报文是由多个风险描述语句组成的，风险描述语句中可以包括用户的基本特征信息。
步骤108：对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量。
需要说明的是，该步骤中的特征化处理并非仅是将语句转化为向量。而是需要对风险描述语句进行向量化，并基于注意力机制处理后，得到赋予权重值的每个语句对应的向量，并进行加权求和，得到最终的第二特征向量。该第二特征向量可以表示检索得到的多个描述语句的相关信息。
步骤110：对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量。
在进行融合时，可以在全连接层进行实现，全连接层在融合第一特征向量与第二特征向量时，既可以是求解两个特征向量之和，将两个特征向量的和作为第三特征向量，也可以求解两个特征向量之积，将两个特征向量之积，作为第三特征向量。
步骤112：将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题。
主题匹配模型可以是用于根据输入的特征向量匹配出对应的主题的模型。在实际应用中，主题匹配模型可以是LSTM模型或GRU(Gate Recurrent Unit)模型。可选的，本方案实施例中采用GRU模型作为主题匹配模型。
将融合之后得到的第三特征向量输入到主题匹配模型中，可以得到第三特征向量对应的多个主题。
步骤114：确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
由于主题匹配模型中输出的多个主题是第三特征向量对应的主题，而第三特征向量是融合多个风险语句对应的第二特征向量以及用户特征信息对应的第一特征向量得到的，因此，主题匹配模型输出的多个主题是用户特征信息以及检索得到的风险描述语句对应的主题。
本方案的实施例中，生成的报文中不仅包含风险描述语句，还包括风险描述语句的主题，因此，得到多个主题之后，可以进一步确定每个主题对应的字符。这里的字符可以是用户的特征信息，也可以是具体的风险描述语句。在确定多个主题对应的风险描述语句之后，就可以生成包含所述主题以及所述风险描述语句的报文。例如，用户具有的频繁交易特征，匹配的风险描述语句可以表示为“用户A，身份信息为：X，在B时间段内交易评率为C，高于正常值，用户A的交易行为属于频繁交易”其中，在生成最终报文时，“A”、“X”、“C”可以根据用户特征信息填入。
应当理解，本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。
图1中的方法，通过获取用户特征信息；对用户特征信息进行编码，形成用户特征信息对应的第一特征向量；根据用户特征信息从检索库中进行匹配，得到用户特征信息对应的多个风险描述语句；可以结合检索库中的风险语句生成报文，解决语句出现叠词、错误词等语法错误，以及对风险信息的覆盖不足的问题，提高生成的报文质量。
对多个风险描述语句进行特征化处理，得到用户特征信息对应的第二特征向量；对第一特征向量以及第二特征向量进行融合，得到融合后的第三特征向量；将第三特征向量输入主题匹配模型中，得到第三特征向量对应的多个主题；基于多个主题与第三特征向量，生成包含主题以及所述风险描述语句的报文；生成的报文中包含主题，可以使生成的报文条理性更好，解释性更强。
基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
可选的，在上述步骤112中已经提出，主题匹配模型可以为GRU模型。所述将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题，具体可以包括：
将所述第三特征向量输入所述GRU模型中，将所述GRU模型中最后一个节点的隐藏状态作为所述GRU的最终输出；所述最后一个节点的隐藏状态包括所有时刻对应的主题。
GRU是循环神经网络(RecurrentNeuralNetwork,RNN)的一种。可以解决长期记忆和反向传播中的梯度等问题。GRU保持了LSTM的效果同时又使结构更加简单。LSTM的重复网络模块的结构需要三个门计算，即遗忘门、输入门和输出门。而GRU的输入输出结构是：当前的输入xt，和上一个节点传递下来的隐藏状态(hidden state)ht-1，这个隐藏状态包含了之前节点的相关信息。结合xt和ht-1，GRU会得到当前隐藏节点的输出yt和传递给下一个节点的隐藏状态ht。本方案中，采用GRU模型匹配主题时，可以将GRU模型最后一个节点的隐藏状态作为最终输出结果。最后一个节点的隐藏状态包括所有时刻的主题。
在实际应用中，在采用GRU模型生成多个主题之前，可以先对该模型进行训练，训练过程可以采用以下步骤：
可选的，所述将所述第三特征向量输入主题匹配模型中之前，还可以包括：
获取已知主题的报文训练样本；
将所述报文训练样本中的字符输入初始主题匹配模型中进行训练，得到训练后的主题匹配模型；
将所述报文训练样本输入所述训练后的主题匹配模型中，得到所述训练后的主题匹配模型输出的预测主题；
将所述预测主题与已知主题进行比对，得到主题匹配模型的预测准确率；
根据所述预测准确率调整所述主题匹配模型的训练参数，直至主题匹配模型的准确率满足预设准确率为止。
上述方法中，通过采用GRU模型为融合后的第三特征向量匹配到相应的多个主题，可以使后续生成的报文中包含主题，从而使生成的报文条理性更清楚，解释性更强。
可选的，所述对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量，具体可以包括：
对多个风险描述语句进行向量化处理，得到多个语句向量；
基于注意力机制，确定多个所述语句向量对应的第一权重向量；
根据所述第一权重向量对多个语句向量进行权重赋值，并加权求和，得到第二特征向量。
注意力机制(attention mechanism)，可以表示把注意力集中放在重要的点上，而忽略其他不重要的因素；可以使得神经网络具备专注于其输入(或特征)子集的能力：选择特定的输入。注意力可以应用于任何类型的输入。
对多个风险语句转化为向量形式之后，基于注意力机制，可以确定每个语句向量对应的第一权重向量，进行权重赋值之后，进行加权求和，得到第二特征向量。
上述方法，通过注意力机制，可以确定检索得到的风险语句对应的先后顺序。
可选的，所述确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文，具体可以包括：
将所述多个主题进行向量化处理，得到多个主题向量；
确定多个所述风险描述语句中的字符对应的字符向量；
基于注意力机制，确定每个所述字符向量对应的第二权重向量；
根据所述第二权重向量对所述字符向量进行权重赋值，并加权求和，得到字符特征向量；
将多个所述主题向量作为解码器的初始输入，将所述字符特征向量作为解码器的当前时刻的输入，得到确定顺序的每个主题对应的字符；
将多个主题对应的字符按照顺序进行拼接，生成包含所述主题以及所述风险描述语句的报文。
解码器也可以采用长短期记忆网络(LSTM，Long Short-Term Memory)，具体在本方案中，解码器可以是引入注意力机制的解码器。
主题向量作为解码器的初始输入，将所述字符特征向量作为解码器的当前时刻的输入，进行解码处理后，可以输出具有顺序的每个主题对应的字符，将多个主题对应的字符按照顺序进行拼接，生成包含所述主题以及所述风险描述语句的报文。
上述方法，通过结合注意力机制，并将主题向量作为初始输入，可以使得所述解码器生成的报文语句的前后顺序及逻辑关系符合实际需求，以提升生成的报文的准确性；并且使生成的报文中包含多个主题信息，使报文更具有条理性。
可选的，所述基于注意力机制，确定多个所述语句向量对应的第一权重向量，具体可以包括：
基于注意力机制根据第二预设转移概率矩阵，确定多个所述语句向量中的各个语句向量的第一权重向量，所述第二预设转移概率矩阵用于表征多个所述语句向量中每个语句向量之间的上下文联系。
在本说明书实施例中，转移矩阵：本方案可以指一个特征出现在另一个特征后面的概率矩阵。预设转移概率矩阵可以认为是生成第一特征向量的模型的模型参数，可以是通过使用符合需求的训练样本对报文生成模型进行训练，并对报文生成模型的模型参数进行优化后而得到的。从而使得该预设转移概率矩阵所表征的风险描述语句的前后顺序及逻辑关系可以符合实际需求。
可选的，所述对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量，具体可以包括：
根据所述用户特征信息生成用户特征向量；
基于注意力机制根据第一预设转移概率矩阵，确定所述用户特征向量中的各个用户特征向量的第三权重向量，所述第一预设转移概率矩阵用于表征所述用户特征向量中每个用户特征向量之间的上下文联系；
根据所述第三权重向量对所述用户特征向量进行权重赋值，并加权求和，得到所述第一特征向量。
在对用户特征向量进行编码时，也会用到注意力机制，此时，可以使生成的第一特征向量中表征的用户特征信息之间的前后顺序及逻辑关系符合实际需求。
可选的，所述根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句之前，还可以包括：
根据历史经验数据建立包含各个用户特征信息与风险描述语句之间的映射关系的检索库；
或者，根据风险用户的历史报文信息以及各个用户特征信息与风险描述语句之间的映射关系，生成检索库建立模型。
本说明书实施例中，通过检索库可以提前检索得到用户特征信息对应的多个风险语句。其中，检索库的建立，可以通过以下方式来实现：
方式一、根据历史经验数据人工总结得到检索库。具体实现步骤可以为：
获取历史经验数据，根据历史经验数据总结用户特征信息与风险描述语句之间的映射关系；
将映射关系进行存储，得到检索库。
方式二、根据历史数据，采用神经网络模型，学习得到检索库。具体步骤可以为：
获取风险用户的历史报文信息；
确定所述历史报文信息中的用户特征信息与风险描述语句之间的映射关系；
将所述历史报文信息以及所述映射关系输入神经网络模型中进行训练，得到检索库建立模型；
将预设时间段内的风险用户的报文信息输入该检索库建立模型中，既可以输出该报文信息中的用户特征与风险描述语句的映射关系。
在实际应用中，采用模型生成检索库之前，需要先对模型进行训练，训练过程可以包括以下步骤：
所述根据风险用户的历史报文信息以及各个用户特征信息与风险描述语句之间的映射关系，生成检索库建立模型，具体可以包括：
获取风险用户的报文样本集合；
针对所述报文样本集合中每个报文样本，确定所述报文样本中的用户特征信息与风险描述语句的映射关系；
将所述用户特征信息与对应的所述风险描述语句输入初始检索库建立模型中进行训练，得到训练后的检索库建立模型；
将所述报文样本集合中的用户特征信息输入所述训练后的检索库建立模型中，输出预测风险描述语句；
根据所述报文样本中的用户特征信息与风险描述语句的映射关系，确定所述预测风险描述语句的正确率；
根据所述正确率调整检索库建立模型的训练参数，直至所述正确率满足预设正确率为止。
在实际应用中，对于上述方法，可以尽可能多地采集风险用户的报文信息，以使得到的检索库中的映射关系更为准确和全面，从而提高检索库的信息覆盖度以及准确性。以便在后续的生成报文过程中，提供更加全面准确的风险描述语句，从而提高生成报文的质量。
可选的，所述用户特征信息可以包括：特征标识信息及特征值；
所述根据所述用户特征信息生成用户特征向量，具体可以包括：
针对所述用户特征信息中的每个用户特征信息，对所述用户特征信息中的特征标识信息进行向量化处理，得到第一词向量；
对所述用户特征信息中的特征值进行向量化处理，得到第二词向量；
根据所述第一词向量以及所述第二词向量，生成所述用户特征信息对应的用户特征向量。
在本说明书实施例中，每一种用户特征信息中都可以包括：特征标识信息及特征值。具体的，一种用户特征信息中既可以包含一个特征值，也可以包含多个特征值，对此不做具体限定。
例如，针对用户A的姓名这一用户特征信息，用户A的用户特征信息中包含的特征标识信息可以为“姓名”，用户A的用户特征信息中还可以包含“A”这一特征值。同一类型特征的特征值为有限个。具体而言，同一类别型特征的特征值为两种或者两种以上特征值。举例来讲，对于客户性别，客户性别的特征值有两种：男性属于一种，特征值可以设为1；女性属于另一种，特征值可以设为2。交易附言这一客户特征也可以是类别型特征，交易附言包含非法交易黑词是一类，特征值设为1，交易附言没包含非法交易黑词是另一类，特征值设为2。数值型特征有：预设历史时长内的流入金额,数值型特征包含数值内容。比如，最近90天的流入金额：500万元，包含数值“500”。
在本说明书实施例中，由于特征标识信息及特征值为两种类型不同的信息，因此，可以分别训练一个词嵌入矩阵，去对特征标识信息及特征值进行特征化处理，以提升生成的第一词向量及第二词向量的准确性，进而有利于提升生成的用户特征向量的准确性。
其中，根据所述第一词向量及所述第二词向量，生成所述用户特征信息对应的用户特征向量，具体可以包括：对所述第一词向量及所述第二词向量进行拼接，以得到所述用户特征信息对应的用户特征向量。
例如，对于用户A的姓名，包括特征信息“姓名”以及特征信息“A”，针对特征标识信息“姓名”生成的第一词向量表示为x_feature，针对特征值“A”生成的第二词向量表示为x_value，则用户A的用户特征向量可以表示为[x_feature，x_value]。
在编码时，由于用户特征可以包括特征标识信息及特征值，因此，在进行编码时，可以分别对特征标识信息及特征值进行编码。
在本说明书实施例中，由于用户特征向量是根据特征标识信息及特征值而生成的，使得用户特征向量所包含的用于描述用户行为特征的信息量增加，从而有利于提升基于该用户特征向量生成的报文信息的信息丰富度及准确度。
通过针对每一种用户特征信息生成一个对应的用户特征向量，并将生成的各个用户特征向量按预设顺序进行排列，就可以得到用户A的第一特征向量。
图2是本说明书实施例提供的一种报文生成方法的模型结构示意图。如图2所示，报文生成方法对应的模型结构中可以包括输入层202、嵌入层204、编码层206、检索层208、全连接层210、主题匹配层212以及解码层214。
其中，该输入层202用于获取用户特征信息，该用户特征信息可以包括特征标识信息以及特征值，例如：用户的特征可以包括姓名“name”，该特征对应的特征值为“song”；对于用户的特征年龄“age”，对应的特征值为“30”；对于交易额“trade_amount”这一特征，特征值为“1878234”；对于“trade_cnt”这一特征，对应的特征值为“300”；对于“trade_in_cnt”这一特征，对应的特征值为“200”。需要注意的是，一个特征可对应多个特征值，即特征值要做分词处理，每一个特征值都是分词后的结果。例如：针对用户张三的姓名这一用户特征信息，该用户特征信息中包含的特征标识信息可以为“姓名”，而该用户特征信息中即可以包含“张三”这一特征值，或者，也可以包含“张”、“三”等多个特征值。
嵌入层204，对输入的特征和特征值分别通过嵌入矩阵e_freature和e_value进行embedding，即形成对应的向量x_i_feature和x_i_value，如下面编码层的输入是x_i＝[x_i_feature,x_i_value]，这样输入即包含特征信息，也包括特征值的信息，i＝1,2,3,...,C，C是一个样本包含的特征个数。
编码层206:主要是对嵌入层204的输出进行编码，可以采用Transformer模型，transformer内部主要可以包含注意力层、残差层、Norm层、前馈层等。可以充分获取特征内的信息，得到每个用户特征对应的向量，然后使用注意力机制得到最终的向量en_vec，具体公式如下：
Fi＝Transformer(f)
ai＝softmax(Vf tanh(WfFi))
Figure BDA0002731523420000181
其中，(f)是输入特征经过嵌入层之后的向量，Vf，Wf是需要学习的参数，en_vec表示经过编码层206后得到的第一特征向量，ai表示第i个用户特征向量对应的权重，softmax{}表示可以激活函数；i表示第i个用户特征，k表示用户特征的维度数，Fi表示输入的特征向量。
检索层208，可以从候选的知识库里检索出k句话，检索的方式有很多种，例如：可以根据输入的用户特征信息，检索到这些用户特征信息对应的风险描述语句S_1,S_2,S_k。
通过这种方法，利用了人工沉淀的经验，能将有效的信息直接检索出来，能保证最终生成的报文覆盖人工经验总结的风险信息。
全连接层210，对编码层206输出的第一特征向量以及检索层输出的第二特征向量进行融合，得到融合后的第三特征向量，输入到主题匹配层212中。
主题匹配层212：利用GRU和MLP(全连接层)生成每个时刻的主题,GRU可以将上一时刻的隐藏层中的主题信息传到下一时刻。将最后一个节点的隐藏层对应的主题作为主题匹配层最终的输出结果。
其中，从检索层208匹配得到的风险描述语句可以基于注意力机制，例如：将检索的K句话使用Lstm编码后得到每句话最后的隐藏状态h_s_k,再利用注意力机制，对每句话的h_s_k进行加权和得到最后的s_vec,具体公式如下：
Figure BDA0002731523420000191
Figure BDA0002731523420000192
Figure BDA0002731523420000193
其中，i表示第i个语句向量，
Figure BDA0002731523420000194
表示第i个语句在t时刻的输出量，h_s_i可以表示检索出来的风险描述语句经过LSTM后的最后一个隐藏状态，
Figure BDA0002731523420000195
是主题匹配层中GRU输出的隐藏状态，
Figure BDA0002731523420000196
为需要学习的参数；βi表示第i个语句向量对应的权重。
对于检索得到的K句风险描述语句，还可以求解这些风险描述语句中字符对应的权重向量，确定多个所述风险描述语句中的字符对应的字符向量；
基于注意力机制，确定每个所述字符向量对应的第二权重向量；
根据所述第二权重向量对所述字符向量进行权重赋值，并加权求和，得到字符特征向量，具体公式如下：
Figure BDA0002731523420000197
Figure BDA0002731523420000198
Figure BDA0002731523420000199
其中，hm，j表示检索出来的k个风险描述语句中的每个字符经过LSTM后的隐藏状态，
Figure BDA0002731523420000201
是表示解码层中LSTM的输出的隐藏状态，
Figure BDA0002731523420000202
是表示需要学习的参数。
解码层214，主题匹配层212的输出作为LSTM初始化的隐藏状态，K句风险描述语句的每个字符形成的向量通过注意力机制处理后，作为当前时刻的输入，输入到解码层214的LSTM中，得到不同主题下的字符。然后进行拼接即可得到报文。
在具体实现时，检索层208可以用神经网络模型来实现，例如：可以为检索模型，向该检索模型输入用户特征信息，即可输出对应的风险描述语句以及每个风险描述语句对应的概率值，最后，将输出概率值高于预设阈值的前K个风险描述语句作为检索层208的输出结果。
另外，主题匹配模型除了可以采用GRU模型之外，还可以采用其他对应的模型，只要能实现本方案实施例中要求实现的技术效果即可。
本说明书实施例中的方案，可以实现以下技术效果：
1)可以学习到不同场景下的不同文本描述方法，避免了使用模版拼接时造成的格式单一，语句不通顺，对于每一种场景需要分别设置不同模版的问题。
2)采用检索库或检索模型检索得到风险描述语句，可以利用人工经验，解决语句出现叠词、错误词等语法错误，以及不能覆盖风险信息的问题。
3)将检索系统应用到报文生成方法中，能将人工沉淀的知识经验利用到报文信息形成中，提高报文质量。
4)对检索得到的风险描述语句以及风险描述语句对应的字符都基于注意力机制赋予权重向量，能在句子和字符级别充分利用检索库的信息。
5)在在解码之前，采用主题匹配模型确定第三特征向量对应的多个主题，可以使生成的报文信息更加具有条理性，解释性更好。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图3是本说明书实施例提供的一种报文生成装置的示意图。如图3所示，该装置可以包括：
用户特征信息获取模块302，用于获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
编码模块304，用于对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
风险描述语句匹配模块306，用于根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
特征化处理模块308，用于对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
特征向量融合模块310，用于对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
主题匹配模块312，用于将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
报文生成模块314，用于确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
基于图3的装置，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
可选的，所述主题匹配模型为GRU模型；
所述主题匹配模块312，具体可以包括：
主题匹配单元，用于将所述第三特征向量输入所述GRU模型中，将所述GRU模型中最后一个节点的隐藏状态作为所述GRU的最终输出；所述最后一个节点的隐藏状态包括所有时刻对应的主题。
可选的，所述特征化处理模块308，具体可以包括：
第一向量化处理单元，用于对多个风险描述语句进行向量化处理，得到多个语句向量；
第一权重向量确定单元，用于基于注意力机制，确定多个所述语句向量对应的第一权重向量；
第二特征向量计算单元，用于根据所述第一权重向量对多个语句向量进行权重赋值，并加权求和，得到第二特征向量。
可选的，所述报文生成模块314，具体可以包括：
第二向量化处理单元，用于将所述多个主题进行向量化处理，得到多个主题向量；
字符向量确定单元，用于确定多个所述风险描述语句中的字符对应的字符向量；
第二权重向量确定单元，用于基于注意力机制，确定每个所述字符向量对应的第二权重向量；
字符特征向量计算单元，用于根据所述第二权重向量对所述字符向量进行权重赋值，并加权求和，得到字符特征向量；
解码单元，用于将多个所述主题向量作为解码器的初始输入，将所述字符特征向量作为解码器的当前时刻的输入，得到确定顺序的每个主题对应的字符；
报文生成单元，用于将多个主题对应的字符按照顺序进行拼接，生成包含所述主题以及所述风险描述语句的报文。
可选的，所述编码模块304，具体可以包括：
用户特征向量生成单元，用于根据所述用户特征信息生成用户特征向量；
第三权重向量确定单元，用于基于注意力机制根据第一预设转移概率矩阵，确定所述用户特征向量中的各个用户特征向量的第三权重向量，所述第一预设转移概率矩阵用于表征所述用户特征向量中每个用户特征向量之间的上下文联系；
第一特征向量计算单元，用于根据所述第三权重向量对所述用户特征向量进行权重赋值，并加权求和，得到所述第一特征向量。
可选的，所述风险描述语句匹配模块306，具体可以包括：
风险描述语句匹配单元，用于根据所述用户特征信息以及所述检索库中各个用户特征信息与风险描述语句之间的映射关系，确定所述用户特征信息对应的多个风险描述语句。
可选的，所述第一权重向量确定单元，具体可以用于：
基于注意力机制根据第二预设转移概率矩阵，确定多个所述语句向量中的各个语句向量的第一权重向量，所述第二预设转移概率矩阵用于表征多个所述语句向量中每个语句向量之间的上下文联系。
可选的，所述装置，还可以包括：
检索库建立模块，用于根据历史经验数据建立包含各个用户特征信息与风险描述语句之间的映射关系的检索库；
或者，根据风险用户的历史报文信息以及各个用户特征信息与风险描述语句之间的映射关系，生成检索库建立模型。
可选的，所述用户特征信息可以包括：特征标识信息及特征值；
所述用户特征向量生成单元，具体可以包括：
第一词向量确定子单元，用于针对所述用户特征信息中的每个用户特征信息，对所述用户特征信息中的特征标识信息进行向量化处理，得到第一词向量；
第二词向量确定子单元，用于对所述用户特征信息中的特征值进行向量化处理，得到第二词向量；
用户特征向量确定子单元，用于根据所述第一词向量以及所述第二词向量，生成所述用户特征信息对应的用户特征向量。
可选的，所述装置，还可以包括：
报文训练样本模块，用于获取已知主题的报文训练样本；
训练模块，用于将所述报文训练样本中的字符输入初始主题匹配模型中进行训练，得到训练后的主题匹配模型；
主题预测模块，用于将所述报文训练样本输入所述训练后的主题匹配模型中，得到所述训练后的主题匹配模型输出的预测主题；
准确率计算模块，用于将所述预测主题与已知主题进行比对，得到主题匹配模型的预测准确率；
参数调整模块，用于根据所述预测准确率调整所述主题匹配模型的训练参数，直至主题匹配模型的准确率满足预设准确率为止。
可选的，所述检索库建立模块，具体可以包括：
报文样本获取单元，用于获取风险用户的报文样本集合；
映射关系确定单元，用于针对所述报文样本集合中每个报文样本，确定所述报文样本中的用户特征信息与风险描述语句的映射关系；
训练单元，用于将所述用户特征信息与对应的所述风险描述语句输入初始检索库建立模型中进行训练，得到训练后的检索库建立模型；
风险描述语句预测单元，用于将所述报文样本集合中的用户特征信息输入所述训练后的检索库建立模型中，输出预测风险描述语句；
正确率计算单元，用于根据所述报文样本中的用户特征信息与风险描述语句的映射关系，确定所述预测风险描述语句的正确率；
参数调整单元，用于根据所述正确率调整检索库建立模型的训练参数，直至所述正确率满足预设正确率为止。
基于同样的思路，本说明书实施例还提供了上述方法对应的设备。
图4是本说明书实施例提供的一种报文生成设备的示意图。如图4所示，设备400可以包括：
至少一个处理器410；以及，
与所述至少一个处理器通信连接的存储器430；其中，
所述存储器430存储有可被所述至少一个处理器410执行的指令420，所述指令被所述至少一个处理器410执行，以使所述至少一个处理器410能够：
获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
基于同样的思路，本说明书实施例还提供了上述方法对应的计算机可读介质。计算机可读介质上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现以下方法：
获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图4所示的报文生成设备而言，由于其基本相似于方法实施例，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。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字符系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字符助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
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，在实施本申请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。
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、系统、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(系统)、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (24)

1.一种报文生成方法，包括：
获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
2.根据权利要求1所述的方法，所述主题匹配模型为GRU模型；
所述将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题，具体包括：
将所述第三特征向量输入所述GRU模型中，将所述GRU模型中最后一个节点的隐藏状态作为所述GRU的最终输出；所述最后一个节点的隐藏状态包括所有时刻对应的主题。
3.根据权利要求1所述的方法，所述对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量，具体包括：
对多个风险描述语句进行向量化处理，得到多个语句向量；
基于注意力机制，确定多个所述语句向量对应的第一权重向量；
根据所述第一权重向量对多个语句向量进行权重赋值，并加权求和，得到第二特征向量。
4.根据权利要求3所述的方法，所述确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文，具体包括：
将所述多个主题进行向量化处理，得到多个主题向量；
确定多个所述风险描述语句中的字符对应的字符向量；
基于注意力机制，确定每个所述字符向量对应的第二权重向量；
根据所述第二权重向量对所述字符向量进行权重赋值，并加权求和，得到字符特征向量；
将多个所述主题向量作为解码器的初始输入，将所述字符特征向量作为解码器的当前时刻的输入，得到确定顺序的每个主题对应的字符；
将多个主题对应的字符按照顺序进行拼接，生成包含所述主题以及所述风险描述语句的报文。
5.根据权利要求1所述的方法，所述对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量，具体包括：
根据所述用户特征信息生成用户特征向量；
基于注意力机制根据第一预设转移概率矩阵，确定所述用户特征向量中的各个用户特征向量的第三权重向量，所述第一预设转移概率矩阵用于表征所述用户特征向量中每个用户特征向量之间的上下文联系；
根据所述第三权重向量对所述用户特征向量进行权重赋值，并加权求和，得到所述第一特征向量。
6.根据权利要求1所述的方法，所述根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句，具体包括：
根据所述用户特征信息以及所述检索库中各个用户特征信息与风险描述语句之间的映射关系，确定所述用户特征信息对应的多个风险描述语句。
7.根据权利要求3所述的方法，所述基于注意力机制，确定多个所述语句向量对应的第一权重向量，具体包括：
基于注意力机制根据第二预设转移概率矩阵，确定多个所述语句向量中的各个语句向量的第一权重向量，所述第二预设转移概率矩阵用于表征多个所述语句向量中每个语句向量之间的上下文联系。
8.根据权利要求6所述的方法，所述根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句之前，还包括：
根据历史经验数据建立包含各个用户特征信息与风险描述语句之间的映射关系的检索库；
或者，根据风险用户的历史报文信息以及各个用户特征信息与风险描述语句之间的映射关系，生成检索库建立模型。
9.根据权利要求5所述的方法，所述用户特征信息包括：特征标识信息及特征值；
所述根据所述用户特征信息生成用户特征向量，具体包括：
针对所述用户特征信息中的每个用户特征信息，对所述用户特征信息中的特征标识信息进行向量化处理，得到第一词向量；
对所述用户特征信息中的特征值进行向量化处理，得到第二词向量；
根据所述第一词向量以及所述第二词向量，生成所述用户特征信息对应的用户特征向量。
10.根据权利要求1所述的方法，所述将所述第三特征向量输入主题匹配模型中之前，还包括：
获取已知主题的报文训练样本；
将所述报文训练样本中的字符输入初始主题匹配模型中进行训练，得到训练后的主题匹配模型；
将所述报文训练样本输入所述训练后的主题匹配模型中，得到所述训练后的主题匹配模型输出的预测主题；
将所述预测主题与已知主题进行比对，得到主题匹配模型的预测准确率；
根据所述预测准确率调整所述主题匹配模型的训练参数，直至主题匹配模型的准确率满足预设准确率为止。
11.根据权利要求8所述的方法，所述根据风险用户的历史报文信息以及各个用户特征信息与风险描述语句之间的映射关系，生成检索库建立模型，具体包括：
获取风险用户的报文样本集合；
针对所述报文样本集合中每个报文样本，确定所述报文样本中的用户特征信息与风险描述语句的映射关系；
将所述用户特征信息与对应的所述风险描述语句输入初始检索库建立模型中进行训练，得到训练后的检索库建立模型；
将所述报文样本集合中的用户特征信息输入所述训练后的检索库建立模型中，输出预测风险描述语句；
根据所述报文样本中的用户特征信息与风险描述语句的映射关系，确定所述预测风险描述语句的正确率；
根据所述正确率调整检索库建立模型的训练参数，直至所述正确率满足预设正确率为止。
12.一种报文生成装置，包括：
用户特征信息获取模块，用于获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
编码模块，用于对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
风险描述语句匹配模块，用于根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
特征化处理模块，用于对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
特征向量融合模块，用于对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
主题匹配模块，用于将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
报文生成模块，用于确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
13.根据权利要求12所述的装置，所述主题匹配模型为GRU模型；
所述主题匹配模块，具体包括：
主题匹配单元，用于将所述第三特征向量输入所述GRU模型中，将所述GRU模型中最后一个节点的隐藏状态作为所述GRU的最终输出；所述最后一个节点的隐藏状态包括所有时刻对应的主题。
14.根据权利要求12所述的装置，所述特征化处理模块，具体包括：
第一向量化处理单元，用于对多个风险描述语句进行向量化处理，得到多个语句向量；
第一权重向量确定单元，用于基于注意力机制，确定多个所述语句向量对应的第一权重向量；
第二特征向量计算单元，用于根据所述第一权重向量对多个语句向量进行权重赋值，并加权求和，得到第二特征向量。
15.根据权利要求14所述的装置，所述报文生成模块，具体包括：
第二向量化处理单元，用于将所述多个主题进行向量化处理，得到多个主题向量；
字符向量确定单元，用于确定多个所述风险描述语句中的字符对应的字符向量；
第二权重向量确定单元，用于基于注意力机制，确定每个所述字符向量对应的第二权重向量；
字符特征向量计算单元，用于根据所述第二权重向量对所述字符向量进行权重赋值，并加权求和，得到字符特征向量；
解码单元，用于将多个所述主题向量作为解码器的初始输入，将所述字符特征向量作为解码器的当前时刻的输入，得到确定顺序的每个主题对应的字符；
报文生成单元，用于将多个主题对应的字符按照顺序进行拼接，生成包含所述主题以及所述风险描述语句的报文。
16.根据权利要求12所述的装置，所述编码模块，具体包括：
用户特征向量生成单元，用于根据所述用户特征信息生成用户特征向量；
第三权重向量确定单元，用于基于注意力机制根据第一预设转移概率矩阵，确定所述用户特征向量中的各个用户特征向量的第三权重向量，所述第一预设转移概率矩阵用于表征所述用户特征向量中每个用户特征向量之间的上下文联系；
第一特征向量计算单元，用于根据所述第三权重向量对所述用户特征向量进行权重赋值，并加权求和，得到所述第一特征向量。
17.根据权利要求12所述的装置，所述风险描述语句匹配模块，具体包括：
风险描述语句匹配单元，用于根据所述用户特征信息以及所述检索库中各个用户特征信息与风险描述语句之间的映射关系，确定所述用户特征信息对应的多个风险描述语句。
18.根据权利要求14所述的装置，所述第一权重向量确定单元，具体用于：
基于注意力机制根据第二预设转移概率矩阵，确定多个所述语句向量中的各个语句向量的第一权重向量，所述第二预设转移概率矩阵用于表征多个所述语句向量中每个语句向量之间的上下文联系。
19.根据权利要求17所述的装置，所述装置，还包括：
检索库建立模块，用于根据历史经验数据建立包含各个用户特征信息与风险描述语句之间的映射关系的检索库；
或者，根据风险用户的历史报文信息以及各个用户特征信息与风险描述语句之间的映射关系，生成检索库建立模型。
20.根据权利要求16所述的装置，所述用户特征信息包括：特征标识信息及特征值；
所述用户特征向量生成单元，具体包括：
第一词向量确定子单元，用于针对所述用户特征信息中的每个用户特征信息，对所述用户特征信息中的特征标识信息进行向量化处理，得到第一词向量；
第二词向量确定子单元，用于对所述用户特征信息中的特征值进行向量化处理，得到第二词向量；
用户特征向量确定子单元，用于根据所述第一词向量以及所述第二词向量，生成所述用户特征信息对应的用户特征向量。
21.根据权利要求12所述的装置，所述装置，还包括：
报文训练样本模块，用于获取已知主题的报文训练样本；
训练模块，用于将所述报文训练样本中的字符输入初始主题匹配模型中进行训练，得到训练后的主题匹配模型；
主题预测模块，用于将所述报文训练样本输入所述训练后的主题匹配模型中，得到所述训练后的主题匹配模型输出的预测主题；
准确率计算模块，用于将所述预测主题与已知主题进行比对，得到主题匹配模型的预测准确率；
参数调整模块，用于根据所述预测准确率调整所述主题匹配模型的训练参数，直至主题匹配模型的准确率满足预设准确率为止。
22.根据权利要求19所述的装置，所述检索库建立模块，具体包括：
报文样本获取单元，用于获取风险用户的报文样本集合；
映射关系确定单元，用于针对所述报文样本集合中每个报文样本，确定所述报文样本中的用户特征信息与风险描述语句的映射关系；
训练单元，用于将所述用户特征信息与对应的所述风险描述语句输入初始检索库建立模型中进行训练，得到训练后的检索库建立模型；
风险描述语句预测单元，用于将所述报文样本集合中的用户特征信息输入所述训练后的检索库建立模型中，输出预测风险描述语句；
正确率计算单元，用于根据所述报文样本中的用户特征信息与风险描述语句的映射关系，确定所述预测风险描述语句的正确率；
参数调整单元，用于根据所述正确率调整检索库建立模型的训练参数，直至所述正确率满足预设正确率为止。
23.一种报文生成设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取用户特征信息；所述用户特征信息至少包括用户的静态特征信息以及交易行为特征信息；
对所述用户特征信息进行编码，形成所述用户特征信息对应的第一特征向量；
根据所述用户特征信息从检索库中进行匹配，得到所述用户特征信息对应的多个风险描述语句；
对多个风险描述语句进行特征化处理，得到所述用户特征信息对应的第二特征向量；
对所述第一特征向量以及所述第二特征向量进行融合，得到融合后的第三特征向量；
将所述第三特征向量输入主题匹配模型中，得到所述第三特征向量对应的多个主题；
确定多个主题对应的风险描述语句，并生成包含所述主题以及所述风险描述语句的报文。
24.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至11中任一项所述的报文生成方法。
CN202011119485.8A 2020-10-19 2020-10-19 一种报文生成方法、装置及设备 Active CN112214652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011119485.8A CN112214652B (zh) 2020-10-19 2020-10-19 一种报文生成方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011119485.8A CN112214652B (zh) 2020-10-19 2020-10-19 一种报文生成方法、装置及设备

Publications (2)

Publication Number Publication Date
CN112214652A true CN112214652A (zh) 2021-01-12
CN112214652B CN112214652B (zh) 2023-09-29

Family

ID=74055827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011119485.8A Active CN112214652B (zh) 2020-10-19 2020-10-19 一种报文生成方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112214652B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836520A (zh) * 2021-02-19 2021-05-25 支付宝(杭州)信息技术有限公司 基于用户特征生成用户描述文本的方法和装置
CN112949315A (zh) * 2021-02-19 2021-06-11 支付宝(杭州)信息技术有限公司 基于文本生成网络生成用户描述文本的方法和装置
CN113448739A (zh) * 2021-08-31 2021-09-28 阿里云计算有限公司 一种数据处理方法及装置
CN113449105A (zh) * 2021-06-25 2021-09-28 上海明略人工智能(集团)有限公司 一种工作总结生成方法、系统、电子设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389049A (zh) * 2018-01-08 2018-08-10 北京握奇智能科技有限公司 身份认证方法、装置以及移动终端
US20190156256A1 (en) * 2017-11-22 2019-05-23 International Business Machines Corporation Generating risk assessment software
CN111260438A (zh) * 2020-01-14 2020-06-09 平安养老保险股份有限公司 产品配置方法、装置、计算机设备和存储介质
CN111461874A (zh) * 2020-04-13 2020-07-28 浙江大学 一种基于联邦模式的信贷风险控制系统及方法
CN111507726A (zh) * 2020-04-07 2020-08-07 支付宝(杭州)信息技术有限公司 一种报文生成方法、装置及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190156256A1 (en) * 2017-11-22 2019-05-23 International Business Machines Corporation Generating risk assessment software
CN108389049A (zh) * 2018-01-08 2018-08-10 北京握奇智能科技有限公司 身份认证方法、装置以及移动终端
CN111260438A (zh) * 2020-01-14 2020-06-09 平安养老保险股份有限公司 产品配置方法、装置、计算机设备和存储介质
CN111507726A (zh) * 2020-04-07 2020-08-07 支付宝(杭州)信息技术有限公司 一种报文生成方法、装置及设备
CN111461874A (zh) * 2020-04-13 2020-07-28 浙江大学 一种基于联邦模式的信贷风险控制系统及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836520A (zh) * 2021-02-19 2021-05-25 支付宝(杭州)信息技术有限公司 基于用户特征生成用户描述文本的方法和装置
CN112949315A (zh) * 2021-02-19 2021-06-11 支付宝(杭州)信息技术有限公司 基于文本生成网络生成用户描述文本的方法和装置
CN112836520B (zh) * 2021-02-19 2024-07-16 支付宝(杭州)信息技术有限公司 基于用户特征生成用户描述文本的方法和装置
CN113449105A (zh) * 2021-06-25 2021-09-28 上海明略人工智能(集团)有限公司 一种工作总结生成方法、系统、电子设备及介质
CN113448739A (zh) * 2021-08-31 2021-09-28 阿里云计算有限公司 一种数据处理方法及装置
CN113448739B (zh) * 2021-08-31 2022-02-11 阿里云计算有限公司 一种数据处理方法及装置

Also Published As

Publication number Publication date
CN112214652B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
Joshi et al. SummCoder: An unsupervised framework for extractive text summarization based on deep auto-encoders
Bartram et al. Artificial intelligence in asset management
CN112214652B (zh) 一种报文生成方法、装置及设备
Tsai et al. Discovering finance keywords via continuous-space language models
US12027159B2 (en) Automated generation of fine-grained call reasons from customer service call transcripts
CN110738562B (zh) 一种风险提醒信息的生成方法、装置及设备
CN110069545B (zh) 一种行为数据评估方法及装置
CN110674188A (zh) 一种特征提取方法、装置及设备
CN113011979B (zh) 交易检测方法、模型的训练方法、装置及计算机可读存储介质
CN113516480A (zh) 一种支付风险识别方法、装置及设备
Fu et al. A sentiment-aware trading volume prediction model for P2P market using LSTM
Sawhney et al. Cryptocurrency bubble detection: a new stock market dataset, financial task & hyperbolic models
Wu et al. Application analysis of credit scoring of financial institutions based on machine learning model
CN113222732A (zh) 信息处理方法、装置、设备及存储介质
Khademolqorani et al. A hybrid analysis approach to improve financial distress forecasting: Empirical evidence from Iran
Maia et al. A comparative study of deep neural network models on multi-label text classification in finance
Baldassini et al. client2vec: towards systematic baselines for banking applications
Hajek et al. Corporate financial distress prediction using the risk-related information content of annual reports
Yoshida et al. Gaussian hierarchical latent Dirichlet allocation: Bringing polysemy back
Wang et al. Trustable and automated machine learning running with blockchain and its applications
Pagariya et al. Cryptocurrency analysis and forecasting
KR102519878B1 (ko) 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체
Girsang Cryptocurrency Price Prediction Based Social Network Sentiment Analysis Using LSTM-GRU and FinBERT
Vora et al. Stock market prices and returns forecasting using deep learning based on technical and fundamental analysis
Subashini et al. Enhanced system for revealing fraudulence in credit card approval

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