CN112288279A - 基于自然语言处理和线性回归的业务风险评估方法和装置 - Google Patents
基于自然语言处理和线性回归的业务风险评估方法和装置 Download PDFInfo
- Publication number
- CN112288279A CN112288279A CN202011190068.2A CN202011190068A CN112288279A CN 112288279 A CN112288279 A CN 112288279A CN 202011190068 A CN202011190068 A CN 202011190068A CN 112288279 A CN112288279 A CN 112288279A
- Authority
- CN
- China
- Prior art keywords
- risk
- risk assessment
- preset
- model
- business
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 229
- 238000012417 linear regression Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003058 natural language processing Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 89
- 239000011159 matrix material Substances 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 38
- 238000002372 labelling Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及人工智能中的预测模型领域，具体涉及一种基于自然语言处理和线性回归的业务风险评估方法、装置、计算机设备和存储介质。方法通过获取风险评估请求，风险评估请求携带风险评估数据；通过自然语言处理技术对风险评估数据进行筛选，获取风险评估请求对应的业务标签；根据业务标签以及预设待评估风险项目构建业务特征集；根据业务特征集以及预设线性回归模型，获取风险评估请求对应的风险评估结果。本申请基于业务特征集来对风险评估请求中的业务风险进行风险评分，提高了风险评估业务与风险评估项目间的关联性，从而从整体上提高对业务风险评分的准确性。
Description
技术领域
本申请涉及人工智能，提供一种基于自然语言处理和线性回归的业务风险评估方法、装置、计算机设备和存储介质。
背景技术
风险评估是指，在风险事件发生之前或之后(但还没有结束)，该事件给人们的生活、生命、财产等各个方面造成的影响和损失的可能性进行量化评估的工作。随着互联网技术的飞速发展，互联网上个人相关的各类信息瞬间暴增，导致严重的“信息过载”问题。特别是在风险评估方面，如保险公司可以通过风险评估的方式控制购买客户的风险。
然而，目前在进行风险评估时，一般主要依赖央行征信报告以及强变量特征数据：例如：个人信息、收入、学历、工作、车产、房产和个人信贷记录等信息进行风险定价分析。这些变量特征数据无法体现与风险评估业务的关联性，从而导致风险评估准确率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效提高对业务进行风险评估准确率的基于自然语言处理和线性回归的业务风险评估方法、装置、计算机设备和存储介质。
一种基于自然语言处理和线性回归的业务风险评估方法，所述方法包括：
获取风险评估请求，所述风险评估请求携带风险评估数据；
通过自然语言处理技术对所述风险评估数据进行筛选，获取所述风险评估请求对应的业务标签；
根据所述业务标签以及预设待评估风险项目构建业务特征集；
根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果。
在其中一个实施例中，所述通过自然语言处理技术对所述风险评估数据进行筛选，获取所述风险评估请求对应的业务标签包括：
将所述风险评估数据输入预设语义处理模型，通过所述预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列；
根据标注序列获取所述风险评估请求对应的业务标签。
在其中一个实施例中，所述将所述风险评估数据输入预设语义处理模型，通过所述预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列之前，还包括：
获取语义模型训练文本，通过使用正向最大匹配算法对所述语义模型训练文本进行标注，生成模型训练语料；
将所述模型训练语料划分为模型训练数据以及模型验证数据；
基于所述模型训练数据以及所述模型验证数据对初始长短期记忆神经网络进行训练，获取预设语义处理模型。
在其中一个实施例中，所述根据所述业务标签以及预设待评估风险项目构建业务特征集包括：
根据所述业务标签以及预设待评估风险项目构建用户特征矩阵、项目特征矩阵以及用户项目评分矩阵；
基于所述用户特征矩阵构建用户相似矩阵，基于所述项目特征矩阵构建项目相似矩阵；
根据所述用户相似矩阵以及所述项目相似矩阵，通过基于用户的协同过滤算法预测用户对项目的评分，通过基于项目的协同过滤算法预测项目对用户的评分；
根据所述用户项目评分矩阵、所述用户对项目的评分以及所述项目对用户的评分构建业务特征集。
在其中一个实施例中，所述根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果之前，还包括：
构建初始线性回归模型，并设置初始评分损失函数，为所述初始评分损失函数分配对应的误差阈值以及学习率；
获取带评分标注的训练特征集，基于所述训练特征集对所述初始线性回归模型进行训练，沿梯度反方向更新初始评分损失函数中的参数；
当所述初始线性回归模型的评分输出与所述评分标注的误差小于所述误差阈值时，根据所述参数更新后的初始评分损失函数获取预设线性回归模型。
在其中一个实施例中，所述根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果包括：
根据所述业务特征集以及预设线性回归模型，通过TOP-N获取所述风险评估请求对应的风险列表；
获取所述风险列表中各预设待评估风险项目的评分；
根据各预设待评估风险项目的评分，获取所述风险评估请求对应的风险评估结果。
一种基于自然语言处理和线性回归的业务风险评估装置，所述装置包括：
请求接收模块，用于获取风险评估请求，所述风险评估请求携带风险评估数据；
标签提取模块，用于通过自然语言处理技术对所述风险评估数据进行筛选，获取所述风险评估请求对应的业务标签；
特征构建模块，用于根据所述业务标签以及预设待评估风险项目构建业务特征集；
风险评估模块，用于根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果。
在其中一个实施例中，所述标签提取模块具体用于：
将所述风险评估数据输入预设语义处理模型，通过所述预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列；
根据标注序列获取所述风险评估请求对应的业务标签。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取风险评估请求，所述风险评估请求携带风险评估数据；
通过自然语言处理技术对所述风险评估数据进行筛选，获取所述风险评估请求对应的业务标签；
根据所述业务标签以及预设待评估风险项目构建业务特征集；
根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果。
一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取风险评估请求，所述风险评估请求携带风险评估数据；
通过自然语言处理技术对所述风险评估数据进行筛选，获取所述风险评估请求对应的业务标签；
根据所述业务标签以及预设待评估风险项目构建业务特征集；
根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果。
上述基于自然语言处理和线性回归的业务风险评估方法、装置、计算机设备和存储介质，通过获取风险评估请求，风险评估请求携带风险评估数据；通过自然语言处理技术对风险评估数据进行筛选，获取风险评估请求对应的业务标签；根据业务标签以及预设待评估风险项目构建业务特征集；根据业务特征集以及预设线性回归模型，获取风险评估请求对应的风险评估结果。本申请通过获取风险评估请求，而后提取出风险评估数据中的业务标签，而后基于业务标签以及预设待评估风险项目来构建相应的业务特征集，基于业务特征集来对风险评估请求中的业务风险进行风险评分，提高了风险评估业务与风险评估项目间的关联性，从而从整体上提高对业务风险评分的准确性。
附图说明
图1为一个实施例中基于自然语言处理和线性回归的业务风险评估方法的应用场景图；
图2为一个实施例中基于自然语言处理和线性回归的业务风险评估方法的流程示意图；
图3为一个实施例中图2中步骤203的子流程示意图；
图4为一个实施例中构建预设语义处理模型步骤的流程示意图；
图5为一个实施例中图2中步骤205的子流程示意图；
图6为一个实施例中构建预设线性回归模型步骤的流程示意图；
图7为一个实施例中基于自然语言处理和线性回归的业务风险评估装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于自然语言处理和线性回归的业务风险评估方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与业务风险评估服务器104通过网络进行通信。当业务处理人员需要对客户提交某项业务申请进行风险评估时，可以通过终端102向业务风险评估服务器104提交相对的风险评估请求，来对该业务申请的风险进行评估。具体地，用户可以通过终端102发送风险评估请求至业务风险评估服务器104。业务风险评估服务器104获取风险评估请求，风险评估请求携带风险评估数据；通过自然语言处理技术对风险评估数据进行筛选，获取风险评估请求对应的业务标签；根据业务标签以及预设待评估风险项目构建业务特征集；根据业务特征集以及预设线性回归模型，获取风险评估请求对应的风险评估结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于自然语言处理和线性回归的业务风险评估方法，以该方法应用于图1中的业务风险评估服务器104为例进行说明，包括以下步骤：
步骤201，获取风险评估请求，风险评估请求携带风险评估数据。
其中，其中终端具体是指需要进行风险评估的业务处理人员所在端，当终端方的业务处理人员希望对用户提交的某项业务申请进行风险评估时，可以通过向风险评估服务器提交相应的风险评估请求来实现。风险评估服务器上搭载有相应的标签提取模型以及用于风险评估的预设线性回归模型。在其中一个实施例中，本申请的业务风险评估方法用于对用户提出的医疗保险进行风险评估。此时，此处的风险评估数据是指可能与风险评估相关的所有数据，具体包括1)客户基本信息：姓名、年龄、性别、证件类型、证件号等；2)就医信息：医院信息、就诊时间、各种既往症、结算信息等；3)保险理赔信息：购买保险信息、理赔明细信息等；4)财务信息：年收入、固定资产等；5)信用信息：征信违规信息等。
具体地，在进行一次基于自然语言处理和线性回归的业务风险评估时，用户需要先通过终端102向业务风险评估服务器104提供相应的风险评估请求。而后业务风险评估服务器104可以根据风险评估请求获取相应的风险评估数据。具体地，风险评估请求携带风险评估数据具体可以是指终端102将所有的风险评估数据打包后，通过风险评估请求将其发送至业务风险评估服务器104。也可以是，将风险评估请求对应的用户标识发送至业务风险评估服务器104，而后业务风险评估服务器104可以根据用户标识查找到相应的风险评估数据。
步骤203，通过自然语言处理技术对风险评估数据进行筛选，获取风险评估请求对应的业务标签。
其中，自然语言处理技术即NLP((Natural Language Processing))技术，是自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。在本方案中，NLP技术主要用于对海量的风险评估数据进行语义筛选，从中提取出可用于进行风险评估的业务标签，从而提高风险评估的可靠性。
具体地，在得到风险评估请求以及风险评估数据后，业务风险评估服务器104可以先对风险评估数据进行一次预处理，从得到的风险评估数据中，提取出用于进行风险评估的标签数据，通过自然语言处理技术来进行标签提取，可以保证所得到的业务标签语义与业务的切合程度，可以得到更加符合业务场景的业务标签数据。
步骤205，根据业务标签以及预设待评估风险项目构建业务特征集。
其中预设待评估风险项目是指可能该业务申请可能存在有哪些风险，而基于业务标签，可以基于业务标签对预设待评估风险项目进行评分，来获得各个待评估风险项目的评分，从而更准确地预测风险。在其中一个实施例中，风险评估请求具体用于对保险的风险进行评估，此时预设待评估风险项目具体可以包括：虚假申请风险、违约申请风险以及逾期风险等。而业务特征集是指用于评估风险的模型输入数据，该业务特集内具体包括了基于业务标签新建的各类特征标签，用于体现用户与业务之间的关联特征。
具体地，为了提高风险预测的准确度，在得到与风险评估数据相对应的业务标签后，为了提高预测的准确度，业务风险评估服务器104可以先基于所需要进行业务风险评估的业务，来预先指定一些待评估风险项目，同时指定这些风险项目内的特征。从而在进行风险预测前，可以先将业务标签与这些预设待评估风险项目相结合，得到能更准确地预测各个预设待评估风险项目的业务特征集。
步骤207，根据业务特征集以及预设线性回归模型，获取风险评估请求对应的风险评估结果。
其中，预先线性回归模型是指专门用于业务风险评估的模型，预设线性回归模型内包含训练完成的损失函数，具体用于通过业务特征集，来对各个预设待评估风险项目的具体风险进行预测，并得到各个预设待评估风险项目的评分，而后得到风险评估请求对应的总体风险评估结果。
具体地，在得到模型输入数据，即结合风险评估数据以及待评估风险项目的业务特征集后，业务风险评估服务器104可以通过预先训练完成的预设线性回归模型来对各个预设待评估风险项目的具体风险进行预测评分，而后依据各个预设待评估风险项目来得到整体的风险评估请求对应的风险评分，通过风险评分来对业务风险进行评估。在其中一个实施例中，业务风险评估服务器104设置有风险阈值，当得到的风险评分大于风险阈值时，可以判断当前风险评估请求对应的业务申请风险较大，而风险评分小于或等于风险阈值时，则说明模型预测当前的风险评估请求对应的业务申请风险较小或没有风险。而后业务风险评估服务器104可以将得到的风险评估结果反馈至终端。
上述基于自然语言处理和线性回归的业务风险评估方法，通过获取风险评估请求，风险评估请求携带风险评估数据；通过自然语言处理技术对风险评估数据进行筛选，获取风险评估请求对应的业务标签；根据业务标签以及预设待评估风险项目构建业务特征集；根据业务特征集以及预设线性回归模型，获取风险评估请求对应的风险评估结果。本申请通过获取风险评估请求，而后提取出风险评估数据中的业务标签，而后基于业务标签以及预设待评估风险项目来构建相应的业务特征集，基于业务特征集来对风险评估请求中的业务风险进行风险评分，提高了风险评估业务与风险评估项目间的关联性，从而从整体上提高对业务风险评分的准确性。
在其中一个实施例中，如图3所示，步骤203包括：
步骤302，将风险评估数据输入预设语义处理模型，通过预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列。
步骤304，根据标注序列获取风险评估请求对应的业务标签。
其中预设语义处理模型具体可以为长短期记忆神经网络模型，可以通过长短期记忆神经网络模型来实现自然语言处理的通能，通过预设语义处理模型来对风险评估数据对应的文本数据进行标注，这一过程具体基于这些文本数据对应的语义数据，从而可以大篇幅的文本中抽取业务相关的标签数据，不仅解放了大量的人力投入，还能提升对新标签的识别捕获能力。
具体地，可以将全量的风险评估数据输入预设长短期记忆神经网络，通过长短期记忆神经网络对风险评估数据中具体的文本数据进行预测，生成标注序列。而后根据标注序列解析出业务场景需要的标签。具体地，风险评估服务器可以通过预先训练完成的长短期记忆神经网络来对风险评估数据的文本进行标注预测，而后基于标注的结果，从所有的风险评估数据中，选出适用于业务相应的风险评估数据。同时这些风险评估数据还被附带上了相应的标签。本实施例中，通过设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列，并提取出风险评估数据内的业务标签，不仅可以降低预测模型的复杂度，提高预测的效率，同时还能提升对新标签的识别捕获能力。
在其中一个实施例中，如图4所示，步骤302之前，还包括：
步骤401，获取语义模型训练文本，通过使用正向最大匹配算法对语义模型训练文本进行标注，生成模型训练语料。
步骤403，将模型训练语料划分为模型训练数据以及模型验证数据。
步骤405，基于模型训练数据以及模型验证数据对初始长短期记忆神经网络进行训练，获取预设语义处理模型。
其中，语义模型训练文本是指用于对初始长短期记忆神经网络进行训练，以获得语义处理模型的数据，这些数据具体可以是历史风险评估数据中的文本数据。而模型训练语料则是指添加标记后的文本数据。可以将标记后的模型训练语料拆分为训练组以及验证组，训练组数据用于对初始长短期记忆神经网络进行训练，而验证组数据用于对训练完成的初始长短期记忆神经网络进行测试，当通过测试时，则输出训练完成的预设语义处理模型，而当未通过测试时，则需要调整初始长短期记忆神经网络内的模型参数，并进行重新测试。
具体地，本申请中需要通过两个步骤来完成对预设语义处理模型的训练，其中：第一个步骤为自动化生成标注语料，需要先获取历史数据中的语义模型训练文本，而后通过使用正向最大匹配算法，来对语义模型训练文本进行标注，生成模型训练语料。还可以根据标注的结果总结出一些标注规则，并将这些规则记录，而后基于最大匹配算法与这些标注规则来完成对语义模型训练文本的标注。第二个步骤则是通过使用模型训练语料对初始长短期记忆神经网络进行训练。初始长短期记忆神经网络：输入层(embedding)、LSTM(LongShort-Term Memory，长短期记忆神经网络)层、CRF(Conditional Random Field，条件随机域)层以及输出层。其中，模型输入层：以字的embeddin输入LSTM模型。LSTM层：LSTM是一种RNN特殊的类型。LSTM通过forget gate(遗忘门)、input gate(输入门)、output gate(输出门)学习长期依赖信息，forget gate：选择忘记过去某些信息，input gate：记忆现在的某些信息，并将过去与现在的记忆进行合并。output gate：输出。而CRF层：CRF层从全局考虑，输出全局最优标注序列标签。
其中forget gate用于选择忘记过去某些信息，公式如下所示：
ft＝σ(Wf*[ht-1,xt]+bf)
input gate用于记忆现在的某些信息，并将过去与现在的记忆进行合并
it＝σ(Wi*[ht-1,xt]+bi)
而output gate用于输出，公式具体为：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
当训练完成后，可以使用验证集的文本对模型进行验证，当验证通过时，则可获得可用的预设长短期记忆神经网络。本实施例中，通过自动化生成标注语料以及使用模型训练语料对初始长短期记忆神经网络进行训练的方式，来完成语义处理模型的训练，可以保证模型训练的效率，以及语义识别过程中标签提取的准确性以及处理效率。
在其中一个实施例中，如图5所示，步骤205包括：
步骤502，根据业务标签以及预设待评估风险项目构建用户特征矩阵、项目特征矩阵以及用户项目评分矩阵。
步骤504，基于用户特征矩阵构建用户相似矩阵，基于项目特征矩阵构建项目相似矩阵。
步骤506，根据用户相似矩阵以及项目相似矩阵，通过基于用户的协同过滤算法预测用户对项目的评分，通过基于项目的协同过滤算法预测项目对用户的评分。
步骤508，根据用户项目评分矩阵、用户对项目的评分以及项目对用户的评分构建业务特征集。
其中，用户特征矩阵用于表示用户的特征，而项目特征矩阵则用于表示各个待评估风险项目的特征，而用户项目评分矩阵则用于表示标注用户与项目间的关联性。用户相似矩阵则是用于查找不同用户间的共同特征，而项目相似矩阵则用于查找不同项目间的共同特征。可以基于用户特征矩阵以及历史数据中的历史用户特征矩阵，构建用户相似矩阵。也可以通过类似的方法构建项目特征矩阵。当得到相似矩阵之后，可以通过协同过滤算法来分别对用户对项目的评分以及项目对用户的评分进行预测。而后综合构建业务特征集。
具体地，在一次业务风险的评估过程中，业务风险评估服务器104可以根据业务标签构建用户特征矩阵UFeature、项目特征矩阵IFeature以及用户项目评分矩阵R；而后基于用户特征矩阵生成用户相似矩阵usim，并基于项目特征矩阵构建项目相似矩阵isim；同时基于用户项目评分矩阵R构建遍历(Ru,i)，分别基于用户、项目协同过滤算法预测用户u对项目i的评分(puu,i)，(piu,i)，将(puu,i)与(Ru,i)差值、(piu,i)与(Ru,i)差值、(Ru,i)作为新特征组合在一起构建业务特征集data，具体为
本实施例中，通过准确计算用户和各项风险的最近邻集合，有效克服了因数据稀疏导致推荐精度不高的问题。同时，将传统协同过滤算法的风险已知评分与真实评分的差值作为特征，组合产生新的数据用于线性回归模型的训练，从整体上提高系统风险评分的准确性。
在其中一个实施例中，如图6所示，步骤207之前，还包括：
步骤601，构建初始线性回归模型，并设置初始评分损失函数，为初始评分损失函数分配对应的误差阈值以及学习率。
步骤603，获取带评分标注的训练特征集，基于训练特征集对初始线性回归模型进行训练，沿梯度反方向更新初始评分损失函数中的参数。
步骤605，当初始线性回归模型的评分输出与评分标注的误差小于误差阈值时，根据参数更新后的初始评分损失函数获取预设线性回归模型。
其中，在对风险评估请求进行风险评估时，需要预先构建用于风险评估的线性回归模型，具体地，首先需要构建模型损失函数。
在这一过程，可以通过将标注好的训练用带评分标注的训练特征集输入到初始的线性回归模型中，而后计算损失函数对的偏导数，并设置模型对应的误差阈值，学习率，而后基于预设的模型训练数据对线性回归模型进行训练，沿梯度反方向更新损失函数的参数。同时判断误差不在发生变化或小于误差阈值。当大于或等于误差阈值时，继续沿梯度反方向更新损失函数的参数，而当小于误差阈值时，则根据最终得到参数，获得训练完成的损失函数。在本实施例中，通过带评分标注的训练特征集来对初始线性回归模型进行有监督训练，可以有效地对模型的损失函数进行训练，同时基于误差阈值以及学习率，可以保证训练过程的效率以及模型的预测准确率。
在其中一个实施例中，步骤207具体包括：根据业务特征集以及预设线性回归模型，通过TOP-N获取风险评估请求对应的风险列表；获取风险列表中各预设待评估风险项目的评分；根据各预设待评估风险项目的评分，获取风险评估请求对应的风险评估结果。
具体地，在通过预设线性回归模型对业务特征集进行风险预测的过程中，可以依次判断哪条风险项目未被评分，而后通过模型对其评分，当所有的预设待评估风险项目都评分完成后，预设线性回归模型可以通过TOP-N筛选出风险评估请求对应的风险评分项目中，哪些项目的风险是比较高的，而后建立相应的风险列表，这些风险列表中包含若干个在风险评分项目中风险评分最高的项目，当得到风险列表后，可以根据各预设待评估风险项目的评分，获取风险评估请求对应的风险评估结果。例如，在其中一个实施例中，可以通过求取这些风险评分的平均数，而后将其作为风险评估请求对应的风险评分。而在另一个实施例中，则可以求取这些风险评分的中位数，而后将其作为风险评估请求对应的风险评分。在本实施例中，通过TOP-N识别得到所以所有预设待评估风险项目的评分，而后通过综合多项高风险的评分来获得风险评估请求的综合评分。可以有效提高风险评估的准确性。
应该理解的是，虽然图2-6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，这些步骤可以以其它的顺序执行。而且，图2-6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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
在一个实施例中，如图7所示，提供了一种基于自然语言处理和线性回归的业务风险评估装置，包括：
请求接收模块702，用于获取风险评估请求，风险评估请求携带风险评估数据。
标签提取模块704，用于通过自然语言处理技术对风险评估数据进行筛选，获取风险评估请求对应的业务标签。
特征构建模块706，用于根据业务标签以及预设待评估风险项目构建业务特征集。
风险评估模块708，用于根据业务特征集以及预设线性回归模型，获取风险评估请求对应的风险评估结果。
在其中一个实施例中，标签提取模块704具体用于：将风险评估数据输入预设语义处理模型，通过预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列；根据标注序列获取风险评估请求对应的业务标签。
在其中一个实施例中，还包括第一模型训练模块，用于：获取语义模型训练文本，通过使用正向最大匹配算法对语义模型训练文本进行标注，生成模型训练语料；将模型训练语料划分为模型训练数据以及模型验证数据；基于模型训练数据以及模型验证数据对初始长短期记忆神经网络进行训练，获取预设语义处理模型。
在其中一个实施例中，特征构建模块706具体用于：根据业务标签以及预设待评估风险项目构建用户特征矩阵、项目特征矩阵以及用户项目评分矩阵；基于用户特征矩阵构建用户相似矩阵，基于项目特征矩阵构建项目相似矩阵；根据用户相似矩阵以及项目相似矩阵，通过基于用户的协同过滤算法预测用户对项目的评分，通过基于项目的协同过滤算法预测项目对用户的评分；根据用户项目评分矩阵、用户对项目的评分以及项目对用户的评分构建业务特征集。
在其中一个实施例中，还包括第二模型训练模块，用于：构建初始线性回归模型，并设置初始评分损失函数，为初始评分损失函数分配对应的误差阈值以及学习率；获取带评分标注的训练特征集，基于训练特征集对初始线性回归模型进行训练，沿梯度反方向更新初始评分损失函数中的参数；当初始线性回归模型的评分输出与评分标注的误差小于误差阈值时，根据参数更新后的初始评分损失函数获取预设线性回归模型。
在其中一个实施例中，风险评估模块708具体用于：根据业务特征集以及预设线性回归模型，通过TOP-N获取风险评估请求对应的风险列表；获取风险列表中各预设待评估风险项目的评分；根据各预设待评估风险项目的评分，获取风险评估请求对应的风险评估结果。
关于基于自然语言处理和线性回归的业务风险评估装置的具体限定可以参见上文中对于基于自然语言处理和线性回归的业务风险评估方法的限定，在此不再赘述。上述基于自然语言处理和线性回归的业务风险评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于自然语言处理和线性回归的业务风险评估数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于自然语言处理和线性回归的业务风险评估方法。
本领域技术人员可以理解，图8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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取风险评估请求，风险评估请求携带风险评估数据；
通过自然语言处理技术对风险评估数据进行筛选，获取风险评估请求对应的业务标签；
根据业务标签以及预设待评估风险项目构建业务特征集；
根据业务特征集以及预设线性回归模型，获取风险评估请求对应的风险评估结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将风险评估数据输入预设语义处理模型，通过预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列；根据标注序列获取风险评估请求对应的业务标签。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取语义模型训练文本，通过使用正向最大匹配算法对语义模型训练文本进行标注，生成模型训练语料；将模型训练语料划分为模型训练数据以及模型验证数据；基于模型训练数据以及模型验证数据对初始长短期记忆神经网络进行训练，获取预设语义处理模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据业务标签以及预设待评估风险项目构建用户特征矩阵、项目特征矩阵以及用户项目评分矩阵；基于用户特征矩阵构建用户相似矩阵，基于项目特征矩阵构建项目相似矩阵；根据用户相似矩阵以及项目相似矩阵，通过基于用户的协同过滤算法预测用户对项目的评分，通过基于项目的协同过滤算法预测项目对用户的评分；根据用户项目评分矩阵、用户对项目的评分以及项目对用户的评分构建业务特征集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：构建初始线性回归模型，并设置初始评分损失函数，为初始评分损失函数分配对应的误差阈值以及学习率；获取带评分标注的训练特征集，基于训练特征集对初始线性回归模型进行训练，沿梯度反方向更新初始评分损失函数中的参数；当初始线性回归模型的评分输出与评分标注的误差小于误差阈值时，根据参数更新后的初始评分损失函数获取预设线性回归模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据业务特征集以及预设线性回归模型，通过TOP-N获取风险评估请求对应的风险列表；获取风险列表中各预设待评估风险项目的评分；根据各预设待评估风险项目的评分，获取风险评估请求对应的风险评估结果。
在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取风险评估请求，风险评估请求携带风险评估数据；
通过自然语言处理技术对风险评估数据进行筛选，获取风险评估请求对应的业务标签；
根据业务标签以及预设待评估风险项目构建业务特征集；
根据业务特征集以及预设线性回归模型，获取风险评估请求对应的风险评估结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将风险评估数据输入预设语义处理模型，通过预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列；根据标注序列获取风险评估请求对应的业务标签。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取语义模型训练文本，通过使用正向最大匹配算法对语义模型训练文本进行标注，生成模型训练语料；将模型训练语料划分为模型训练数据以及模型验证数据；基于模型训练数据以及模型验证数据对初始长短期记忆神经网络进行训练，获取预设语义处理模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据业务标签以及预设待评估风险项目构建用户特征矩阵、项目特征矩阵以及用户项目评分矩阵；基于用户特征矩阵构建用户相似矩阵，基于项目特征矩阵构建项目相似矩阵；根据用户相似矩阵以及项目相似矩阵，通过基于用户的协同过滤算法预测用户对项目的评分，通过基于项目的协同过滤算法预测项目对用户的评分；根据用户项目评分矩阵、用户对项目的评分以及项目对用户的评分构建业务特征集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：构建初始线性回归模型，并设置初始评分损失函数，为初始评分损失函数分配对应的误差阈值以及学习率；获取带评分标注的训练特征集，基于训练特征集对初始线性回归模型进行训练，沿梯度反方向更新初始评分损失函数中的参数；当初始线性回归模型的评分输出与评分标注的误差小于误差阈值时，根据参数更新后的初始评分损失函数获取预设线性回归模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据业务特征集以及预设线性回归模型，通过TOP-N获取风险评估请求对应的风险列表；获取风险列表中各预设待评估风险项目的评分；根据各预设待评估风险项目的评分，获取风险评估请求对应的风险评估结果。
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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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。
以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于自然语言处理和线性回归的业务风险评估方法，所述方法包括：
获取风险评估请求，所述风险评估请求携带风险评估数据；
通过自然语言处理技术对所述风险评估数据进行筛选，获取所述风险评估请求对应的业务标签；
根据所述业务标签以及预设待评估风险项目构建业务特征集；
根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果。
2.根据权利要求1所述的方法，其特征在于，所述通过自然语言处理技术对所述风险评估数据进行筛选，获取所述风险评估请求对应的业务标签包括：
将所述风险评估数据输入预设语义处理模型，通过所述预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列；
根据标注序列获取所述风险评估请求对应的业务标签。
3.根据权利要求2所述的方法，其特征在于，所述将所述风险评估数据输入预设语义处理模型，通过所述预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列之前，还包括：
获取语义模型训练文本，通过使用正向最大匹配算法对所述语义模型训练文本进行标注，生成模型训练语料；
将所述模型训练语料划分为模型训练数据以及模型验证数据；
基于所述模型训练数据以及所述模型验证数据对初始长短期记忆神经网络进行训练，获取预设语义处理模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述业务标签以及预设待评估风险项目构建业务特征集包括：
根据所述业务标签以及预设待评估风险项目构建用户特征矩阵、项目特征矩阵以及用户项目评分矩阵；
基于所述用户特征矩阵构建用户相似矩阵，基于所述项目特征矩阵构建项目相似矩阵；
根据所述用户相似矩阵以及所述项目相似矩阵，通过基于用户的协同过滤算法预测用户对项目的评分，通过基于项目的协同过滤算法预测项目对用户的评分；
根据所述用户项目评分矩阵、所述用户对项目的评分以及所述项目对用户的评分，构建业务特征集。
5.根据权利要求1所述的方法，其特征在于，所述根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果之前，还包括：
构建初始线性回归模型，并设置初始评分损失函数，为所述初始评分损失函数分配对应的误差阈值以及学习率；
获取带评分标注的训练特征集，基于所述训练特征集对所述初始线性回归模型进行训练，沿梯度反方向更新初始评分损失函数中的参数；
当所述初始线性回归模型的评分输出与所述评分标注的误差小于所述误差阈值时，根据所述参数更新后的初始评分损失函数获取预设线性回归模型。
6.根据权利要求1所述的方法，其特征在于，所述根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果包括：
根据所述业务特征集以及预设线性回归模型，通过TOP-N获取所述风险评估请求对应的风险列表；
获取所述风险列表中各预设待评估风险项目的评分；
根据各预设待评估风险项目的评分，获取所述风险评估请求对应的风险评估结果。
7.一种基于自然语言处理和线性回归的业务风险评估装置，其特征在于，所述装置包括：
请求接收模块，用于获取风险评估请求，所述风险评估请求携带风险评估数据；
标签提取模块，用于通过自然语言处理技术对所述风险评估数据进行筛选，获取所述风险评估请求对应的业务标签；
特征构建模块，用于根据所述业务标签以及预设待评估风险项目构建业务特征集；
风险评估模块，用于根据业务特征集以及预设线性回归模型，获取所述风险评估请求对应的风险评估结果。
8.根据权利要求7所述的装置，其特征在于，所述标签提取模块具体用于：
将所述风险评估数据输入预设语义处理模型，通过所述预设语义处理模型对风险评估数据对应的文本进行预测，生成标注序列；
根据标注序列获取所述风险评估请求对应的业务标签。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011190068.2A CN112288279A (zh) | 2020-10-30 | 2020-10-30 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011190068.2A CN112288279A (zh) | 2020-10-30 | 2020-10-30 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288279A true CN112288279A (zh) | 2021-01-29 |
Family
ID=74353262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011190068.2A Pending CN112288279A (zh) | 2020-10-30 | 2020-10-30 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288279A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906139A (zh) * | 2021-04-08 | 2021-06-04 | 平安科技（深圳）有限公司 | 车辆故障风险评估方法、装置、电子设备及存储介质 |
| CN114331595A (zh) * | 2021-12-15 | 2022-04-12 | 平安科技（深圳）有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
| CN114880637A (zh) * | 2022-07-07 | 2022-08-09 | 深圳竹云科技股份有限公司 | 账户风险的验证方法、装置、计算机设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611375A (zh) * | 2015-10-22 | 2017-05-03 | 北京大学 | 一种基于文本分析的信用风险评估方法及装置 |
| CN107067157A (zh) * | 2017-03-01 | 2017-08-18 | 北京奇艺世纪科技有限公司 | 业务风险评估方法、装置及风控系统 |
| CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
| CN110009225A (zh) * | 2019-04-03 | 2019-07-12 | 平安科技（深圳）有限公司 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
| CN110119882A (zh) * | 2019-04-12 | 2019-08-13 | 国家计算机网络与信息安全管理中心 | 一种平台风险监控方法、装置、设备及存储介质 |
| CN110135691A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 理财产品风险评估方法、装置、计算机设备以及存储介质 |
| CN110362689A (zh) * | 2019-06-21 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、存储介质和服务器 |
| CN110458697A (zh) * | 2019-08-19 | 2019-11-15 | 北京百度网讯科技有限公司 | 用于评估风险的方法和装置 |
| CN111737975A (zh) * | 2020-05-14 | 2020-10-02 | 平安科技（深圳）有限公司 | 文本内涵质量的评估方法、装置、设备及存储介质 |
-
2020
- 2020-10-30 CN CN202011190068.2A patent/CN112288279A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611375A (zh) * | 2015-10-22 | 2017-05-03 | 北京大学 | 一种基于文本分析的信用风险评估方法及装置 |
| CN107067157A (zh) * | 2017-03-01 | 2017-08-18 | 北京奇艺世纪科技有限公司 | 业务风险评估方法、装置及风控系统 |
| CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
| CN110009225A (zh) * | 2019-04-03 | 2019-07-12 | 平安科技（深圳）有限公司 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
| CN110119882A (zh) * | 2019-04-12 | 2019-08-13 | 国家计算机网络与信息安全管理中心 | 一种平台风险监控方法、装置、设备及存储介质 |
| CN110135691A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 理财产品风险评估方法、装置、计算机设备以及存储介质 |
| CN110362689A (zh) * | 2019-06-21 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、存储介质和服务器 |
| CN110458697A (zh) * | 2019-08-19 | 2019-11-15 | 北京百度网讯科技有限公司 | 用于评估风险的方法和装置 |
| CN111737975A (zh) * | 2020-05-14 | 2020-10-02 | 平安科技（深圳）有限公司 | 文本内涵质量的评估方法、装置、设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906139A (zh) * | 2021-04-08 | 2021-06-04 | 平安科技（深圳）有限公司 | 车辆故障风险评估方法、装置、电子设备及存储介质 |
| CN114331595A (zh) * | 2021-12-15 | 2022-04-12 | 平安科技（深圳）有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
| CN114880637A (zh) * | 2022-07-07 | 2022-08-09 | 深圳竹云科技股份有限公司 | 账户风险的验证方法、装置、计算机设备和存储介质 |
| CN114880637B (zh) * | 2022-07-07 | 2022-09-20 | 深圳竹云科技股份有限公司 | 账户风险的验证方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165840B (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
| CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
| CN110598206B (zh) | 文本语义识别方法、装置、计算机设备和存储介质 | |
| CN108874992B (zh) | 舆情分析方法、系统、计算机设备和存储介质 | |
| García et al. | An insight into the experimental design for credit risk and corporate bankruptcy prediction systems | |
| Brockett et al. | A comparison of neural network, statistical methods, and variable choice for life insurers' financial distress prediction | |
| CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
| CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
| CN110377632B (zh) | 诉讼结果预测方法、装置、计算机设备和存储介质 | |
| CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
| CN113901320A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
| CN112035611B (zh) | 目标用户推荐方法、装置、计算机设备和存储介质 | |
| Voican | Credit Card Fraud Detection using Deep Learning Techniques. | |
| CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
| CN112231224A (zh) | 基于人工智能的业务系统测试方法、装置、设备和介质 | |
| CN112784168B (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
| CN112036647B (zh) | 基于人工智能的简历信息处理方法、装置、设备及介质 | |
| CN112861003A (zh) | 一种基于云边协同的用户画像构建方法和系统 | |
| CN110442713A (zh) | 文章管理方法、装置、计算机设备和存储介质 | |
| CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
| CN112685639A (zh) | 活动推荐方法、装置、计算机设备和存储介质 | |
| CN113112282A (zh) | 基于客户画像处理咨诉问题的方法、装置、设备及介质 | |
| CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
| CN110532229B (zh) | 证据文件检索方法、装置、计算机设备和存储介质 | |
| CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220519 Address after: 518048 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |