CN112668899B - 一种基于人工智能的合同风险识别方法及装置 - Google Patents
一种基于人工智能的合同风险识别方法及装置 Download PDFInfo
- Publication number
- CN112668899B CN112668899B CN202011624263.1A CN202011624263A CN112668899B CN 112668899 B CN112668899 B CN 112668899B CN 202011624263 A CN202011624263 A CN 202011624263A CN 112668899 B CN112668899 B CN 112668899B
- Authority
- CN
- China
- Prior art keywords
- information
- contract
- obtaining
- risk
- image information
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于人工智能的合同风险识别方法及装置,应用于一合同智能管理系统,其中,所述方法包括:获得第一合同的版本信息;由所述系统的图像捕捉装置,获得第一图像信息,所述第一图像信息为所述第一合同的第一版本的图像信息;获得第二图像信息,所述第二图像信息为所述第一合同的第二版本的图像信息;由所述第一训练模型获得第一比对结果信息;将所述第一比对结果信息输入第二训练模型,获得第一风险级别信息;判断所述第一风险级别信息是否超过一定预设阈值;若超过,则获得第一预警信息;将所述第一预警信息发送给第一管理人员。解决了现有技术中合同风险防控的准确性不高、合同审查方式不够智能化的技术问题。
Description
技术领域
本发明涉及合同风控领域,尤其涉及一种基于人工智能的合同风险识别方法及装置。
背景技术
合同管理时企业重要管理内容之一,其主要目标是优化合同管理流程、降低合同管理风险、提高合同管理效率。这需要对合同管理的一般流程和合同管理风险进行分析。其中,合同管理风险主要集中在合同准备和履行阶段,如一方恶意篡改合同条约、合同执行过程中的一致性监管、实时分析合作方的异常法律状态等。现有技术中合同审查的技术方法还主要靠人为审查,且对合同履行过程中的风险防控也不够及时和有效。
本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
合同风险防控的准确性不高、合同审查方式不够智能化。
发明内容
本申请实施例通过提供一种基于人工智能的合同风险识别方法及装置,解决了现有技术中合同风险防控的准确性不高、合同审查方式不够智能化的技术问题,达到了基于人工智能,对合同签订过程中的风险进行准确、高效防控的技术目的。
本申请实施例通过提供一种基于人工智能的合同风险识别方法,应用于一合同智能管理系统,其中,所述方法包括:获得第一合同的版本信息;由所述系统的图像捕捉装置,获得第一图像信息,其中,所述第一图像信息为所述第一合同的第一版本的图像信息;获得第二图像信息,其中,所述第二图像信息为所述第一合同的第二版本的图像信息;将所述第一图像信息、所述第二图像信息输入第一训练模型,所述第一训练模型基于语义识别对多组数据进行训练,所述多组训练数据中的每组训练数据均包括:所述第一图像信息、所述第二图像信息和第一比对结果信息的标识信息;获得所述第一训练模型的第一输出结果,所述第一输出结果包括所述第一比对结果信息;将所述第一比对结果信息输入第二训练模型,获得第一风险级别信息;获得第一风险阈值信息;判断所述第一风险级别信息是否超过所述第一风险阈值;若所述第一风险级别信息超过所述第一风险阈值,获得第一预警信息;将所述第一预警信息发送给第一管理人员。
另一方面,本申请还提供了一种基于人工智能的合同风险识别装置,其中,所述装置包括:第一获得单元,所述第一获得单元用于获得第一合同的版本信息;第二获得单元,所述第二获得单元用于由所述系统的图像捕捉装置,获得第一图像信息,其中,所述第一图像信息为所述第一合同的第一版本的图像信息;第三获得单元,所述第三获得单元用于获得第二图像信息,其中,所述第二图像信息为所述第一合同的第二版本的图像信息;第一输入单元,所述第一输入单元用于将所述第一图像信息、所述第二图像信息输入第一训练模型,所述第一训练模型基于语义识别对多组数据进行训练,所述多组训练数据中的每组训练数据均包括:所述第一图像信息、所述第二图像信息和第一比对结果信息的标识信息;第四获得单元,所述第四获得单元用于获得所述第一训练模型的第一输出结果,所述第一输出结果包括所述第一比对结果信息;第二输入单元,所述第二输入单元用于将所述第一比对结果信息输入第二训练模型,获得第一风险级别信息;第五获得单元,所述第五获得单元用于获得第一风险阈值信息;第一判断单元,所述第一判断单元用于判断所述第一风险级别信息是否超过所述第一风险阈值;第六获得单元,所述第六获得单元用于若所述第一风险级别信息超过所述第一风险阈值,获得第一预警信息;第一发送单元,所述第一发送单元用于将所述第一预警信息发送给第一管理人员。
另一方面,本申请实施例还提供了一种基于人工智能的合同风险识别装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过合同智能管理系统的图像捕捉装置智能获取不同版本的合同图像信息,并通过将所获得的合同图像信息输入模型进行训练,基于神经网络模型的语义识别技术,通过所述模型自动捕获文本之间的匹配特征,从而对句子的整体语义进行深度训练。基于所述训练模型自身能不断优化学习、获得“经验”来使数据更准确的特点,从而获得更为准确的不同版本合同的比对结果信息。通过获得不同版本合同的比对结果信息,并将比对结果中存在的差异通过训练模型进行风险分析,并针对风险信息进行提前预警,达到了基于人工智能,对合同签订过程中的风险进行准确、高效防控的技术目的。
上述说明是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于人工智能的合同风险识别方法的流程示意图;
图2为本申请实施例一种基于人工智能的合同风险识别装置的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第一输入单元14,第四获得单元15,第二输入单元16,第五获得单元17,第一判断单元18,第六获得单元19,第一发送单元20,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种基于人工智能的合同风险识别方法及装置,解决了现有技术中合同风险防控的准确性不高、合同审查方式不够智能化的技术问题,达到了基于人工智能,对合同签订过程中的风险进行准确、高效防控的技术目的。下面,将参考附图详细的描述本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
合同管理是企业重要管理内容之一,其主要目标是优化合同管理流程、降低合同管理风险、提高合同管理效率。这需要对合同管理的一般流程和合同管理风险进行分析。其中,合同管理风险主要集中在合同准备和履行阶段,如一方恶意篡改合同条约、合同执行过程中的一致性监管、实时分析合作方的异常法律状态等。现有技术中合同审查的技术方法还主要靠人为审查,且对合同履行过程中的风险防控也不够及时和有效。现有技术中还存在着合同风险防控的准确性不高、合同审查方式不够智能化的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例通过提供一种基于人工智能的合同风险识别方法,应用于一合同智能管理系统,其中,所述方法包括:获得第一合同的版本信息;由所述系统的图像捕捉装置,获得第一图像信息,其中,所述第一图像信息为所述第一合同的第一版本的图像信息;获得第二图像信息,其中,所述第二图像信息为所述第一合同的第二版本的图像信息;将所述第一图像信息、所述第二图像信息输入第一训练模型,所述第一训练模型基于语义识别对多组数据进行训练,所述多组训练数据中的每组训练数据均包括:所述第一图像信息、所述第二图像信息和第一比对结果信息的标识信息;获得所述第一训练模型的第一输出结果,所述第一输出结果包括所述第一比对结果信息;将所述第一比对结果信息输入第二训练模型,获得第一风险级别信息;获得第一风险阈值信息;判断所述第一风险级别信息是否超过所述第一风险阈值;若所述第一风险级别信息超过所述第一风险阈值,获得第一预警信息;将所述第一预警信息发送给第一管理人员。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于人工智能的合同风险识别方法,应用于一合同智能管理系统,其中,所述方法包括:
步骤S100:获得第一合同的版本信息;
具体而言,合同的生命周期包括合同的谈判和成立、约定的履行和管理,到修订、更新和持续分析的整个过程。其中,合同的管理风险主要集中在履行和准备阶段。在合同的准备阶段,合作双方会依据约定内容对草拟的合同进行多次修订,从而获得所述第一合同的不同版本信息。而本申请实施例应用于一合同智能管理系统,通过基于人工智能对所述第一合同的不同版本进行分析、比对,从而对合同准备阶段的风险达到准确防控的技术目的。
步骤S200:由所述系统的图像捕捉装置,获得第一图像信息,其中,所述第一图像信息为所述第一合同的第一版本的图像信息;
步骤S300:获得第二图像信息,其中,所述第二图像信息为所述第一合同的第二版本的图像信息;
具体而言,所述合同智能管理系统包括一智能图像捕捉装置,由所述图像捕捉装置获得所述第一合同修订前后的第一版本、第二版本的图像信息,基于所获得的图像信息,对所述第一合同的不同版本进行比对分析。
步骤S400:将所述第一图像信息、所述第二图像信息输入第一训练模型,所述第一训练模型基于语义识别对多组数据进行训练,所述多组训练数据中的每组训练数据均包括:所述第一图像信息、所述第二图像信息和第一比对结果信息的标识信息;
步骤S500:获得所述第一训练模型的第一输出结果,所述第一输出结果包括所述第一比对结果信息;
具体而言,将所述第一图像信息、所述第二图像信息输入所述第一训练模型,所述训练模型即机器学习中的神经网络模型,所述训练模型通过对所述第一图像信息、所述第二图像信息进行扫描并进行字符识别,将所述第一图像信息、所述第二图像信息中的文字内容进行提取后,基于所述神经网络模型的语义识别模块,由所述模型自动捕获文本之间的匹配特征,从而对句子的整体语义进行深度训练。基于所述神经网络模型自身能不断优化学习、获得“经验”来使数据更准确的特点,从而获得更为准确的不同版本合同的比对结果信息。
进一步而言,所述神经网络获得输出信息的过程实质为监督学习的过程,每一组监督数据均包括所述第一图像信息、所述第二图像信息和第一比对结果信息的标识信息,将所述第一图像信息、所述第二图像信息输入到所述神经网络模型中,所述神经网络模型不断地自我修正,当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过由所述神经网络模型获得所述第一比对结果信息,实现了基于人工智能对不同版本合同进行准确的比对,从而对合同被篡改风险达到有效防控的技术目的。
步骤S600:将所述第一比对结果信息输入第二训练模型,获得第一风险级别信息;
具体而言,所述第二训练模型为能够根据训练数据进行不断的自我训练学习的模型,基于训练模型经过训练后处理数据更加准确的特性,将所述第一比对结果信息输入所述第二训练模型,通过训练模型的输出信息准确获得所述第一风险级别的方式,从而达到准确获得不同版本的合同修订后存在的风险信息,实现了对合同签订过程中的风险进行准确防控的技术目的。
步骤S700:获得第一风险阈值信息;
步骤S800:判断所述第一风险级别信息是否超过所述第一风险阈值;
步骤S900:若所述第一风险级别信息超过所述第一风险阈值,获得第一预警信息;
步骤S1000:将所述第一预警信息发送给第一管理人员。
具体而言,通过所述第二训练模型获得所述第一风险级别信息之后,由所述合同管理系统判断所述第一风险级别信息是否超过所述第一风险阈值,所述第一风险阈值为所述合同管理系统预设的用于标识所述第一合同存在被恶意篡改风险的风险级别信息。若超过,则对所获得风险信息进行预警,并将所述第一预警信息发送给所述第一管理人员,用于提醒所述第一管理人员所述第一合同存在恶意篡改风险。通过对合同存在的风险及时、准确预警,实现了对合同签订过程中的风险进行准确、高效防控的技术目的。
进一步而言,本申请实施例S100还包括:
步骤S101:获得第一合同的第一签约时间信息;
步骤S102:获得第二时间阈值信息;
步骤S103:在所述第一签约时间到来之前,第二时间阈值内,获得第一合同的第三图像信息,其中,所述第三图像信息为所述第一合同的签约版本的图像信息;
步骤S104:获得第一合同的第四图像信息,其中所述第四图像信息为所述第一合同最终版本的图像信息;
步骤S105:将所述第三图像信息、所述第四图像信息输入第三训练模型,获得所述第一合同的签约版本是否合格的信息;
步骤S106:若所述第一合同的签约版本为合格,获得第一签约指令;
步骤S107:若所述第一合同的签约版本为不合格,获得第一中止签约指令。
具体而言,所述第三训练模型为一神经网络模型。通过由所述合同管理系统的图像捕捉装置获得所述第一合同的签约版本及修订的最终版本图像信息,即所述第三、第四图像信息,并由所述第三训练模型对所述第三图像信息、所述第四图像信息进行扫描并进行字符识别,将所述第三图像信息、所述第四图像信息中的文字内容进行提取后,基于所述神经网络模型的语义识别模块,由所述模型自动捕获文本之间的匹配特征,从而对句子的整体语义进行深度训练。基于所述神经网络模型自身能不断优化学习、获得“经验”来使数据更准确的特点,从而获得更为准确的所述第一合同的签订版本与最终版本的比对结果是否合格的信息。若通过判断,所述第三图像信息与所述第四图像信息中的合同内容无差异,则所述第三训练模型输出所述第一合同的签约版本为合格的信息,从而获得所述第一签约指令,进行签约。若通过判断,所述第三图像信息与所述第四图像信息中的合同内容存在差异,则所述第三训练模型输出所述第一合同的签约版本不合格的信息,并获得所述第一中止签约指令,中止签约。通过对所述第一合同签约前后的内容进行比对识别,达到了对签约前合同被恶意篡改的风险有效防控的技术目的。
进一步而言,所述获得第一签约指令之后,本申请实施例步骤S106还包括:
步骤S106a1:获得第一条款信息,其中,所述第一条款为所述第一合同的签约版本的条款信息;
步骤S106a2:基于语义分析,由所述第一条款信息获得第一执行指令信息;
步骤S106a3:获得第一实际执行操作信息;
步骤S106a4:判断所述第一实际执行操作与所述第一执行指令信息是否一致;
步骤S106a5:若所述第一实际执行操作信息与所述第一执行指令信息不一致,获得第二预警信息。
具体而言,通过所述合同管理系统自动获取签约的所述第一合同的条款信息,并基于语义分析技术,对所述第一条款信息进行语义识别,从而分析所述第一条款信息对应的执行指令,即获得所述第一执行指令信息。由所述第一合同的签订双方依据所述第一执行指令,通过填写并上传相关证明材料的方式,将与所述第一执行指令相对应的所述第一实际执行操作上传至所述合同管理系统,由所述系统对所述第一实际执行操作信息与所述第一执行指令的一致性进行判断,若不一致,则获得所述第二预警信息,并将所述第二预警信息发送至所述第一合同管理人员。实现了对合同执行过程中合同条款与实际执行的一致性进行有效监管的技术目的。
进一步而言,若所述第一实际执行操作信息与所述第一执行指令信息一致,本申请实施例步骤S106a4还包括:
步骤S106a41:获得第一执行流程信息;
步骤S106a42:获得第一存储指令;
步骤S106a43:将所述第一执行指令信息和所述第一实际执行操作信息存储至所述第一执行流程信息中。
具体而言,由所述合同管理系统将所述第一合同执行过程中的执行指令和实际执行操作信息进行存储,并建立所述第一合同的执行流程信息。实现了合同执行过程可视化、可追溯的技术目的。
进一步而言,所述获得第一执行指令信息之后,本申请实施例步骤S106a2还包括:
步骤S106a21:获得第一合作企业信息;
步骤S106a22:获得第三时间阈值信息;
步骤S106a23:在所述第三时间阈值内,获得所述第一合作企业的第一变更情形;
步骤S106a24:判断所述第一变更情形是否满足第四阈值;
步骤S106a25:若所述第一变更情形满足第四阈值,获得第一修正信息;
步骤S106a26:依据所述第一修正信息,对所述第一执行指令进行修正。
具体而言,在执行合同过程中,针对合同执行方可能的情形变更,及时提出应对方案。若对合同条款进行必要的变更,应视为新合同行为,需流程进行相应的审核和管理。若所述第一合作企业在所述第一合同条款允许期限内,即在所述第三时间阈值内,发生所述第一变更情形,则由所述合同管理系统评估所述第一变更情形是否超过所述第四阈值,所述第四阈值为用于评估所述第一合作企业的变更情形对执行合同规定条款的影响程度的阈值信息,若所述合同管理系统通过评估,所述第一变更情形满足第四阈值,则获得所述第一修正信息,对所述第一执行指令进行修正。实现了依据企业发展变化,实现个性化合同执行流程的技术目的。
进一步而言,所述获得第一签约指令之后,本申请实施例步骤S106还包括:
步骤S106b1:获得所述第一合作企业的第一经营情况信息;
步骤S106b2:获得所述第一合作企业的第一失信情况信息;
步骤S106b3:依据所述第一经营情况信息、所述第一失信情况信息获得第一法律风险信息;
步骤S106b4:获得第五风险阈值信息;
步骤S106b5:判断所述第一法律风险信息是否超过所述第五风险阈值;
步骤S106b6:若所述第一法律风险信息超过所述第五风险阈值,获得第三预警信息。
具体而言,通过对所述第一合作企业的生产经营情况,包括所述第一合作企业的经营情况、失信情况实时获取,并对所述第一合作企业可能存在的法律风险进行分析,通过判断所述第一法律风险信息是否超过所述第五风险阈值,若所述第一法律风险信息超过所述第五风险阈值,则对所述第一法律风险信息进行预警。实现了通过对合同执行过程中的合作方进行实时跟踪预警,对异常情况进行及时预警,从而帮助企业快速发现合同履行过程中的潜在法律风险的技术目的。
进一步而言,本申请实施例步骤S106b3还包括:
步骤S106b31:将所述第一经营情况信息、所述第一失信情况信息输入第四训练模型,所述第四训练模型由多组训练数据训练获得,所述多组训练数据中的每组训练数据均包括:所述第一经营情况信息、所述第一失信情况信息和所述第一法律风险信息的标识信息;
步骤S106b32:获得所述第四训练模型的输出结果信息,所述输出结果信息包括所述第一法律风险信息。
具体而言,所述第四训练模型为一机器学习模型,将所述第一经营情况信息、所述第一失信情况信息输入所述第四训练模型之后,所述第四训练模型会输出所述第一法律风险信息的标识信息来对所述机器学习模型输出的所述第一法律风险信息进行校验,如果输出的所述第一法律风险信息同标识的所述第一法律风险信息相一致,则本数据监督学习完成,则进行下一组数据监督学习;如果输出的所述第一法律风险信息同标识的所述第一法律风险信息不一致,则所述机器学习模型自身进行调整,直到所述机器学习模型达到预期的准确率后,进行下一组数据的监督学习。基于所述训练模型自身能不断优化学习、获得“经验”来处理数据更准确的特点,使得对所述第一法律风险信息的获得更加准确。
综上所述,本申请实施例所提供的一种基于人工智能的合同风险识别方法具有如下技术效果:
1、由于采用了通过合同智能管理系统的图像捕捉装置智能获取不同版本的合同图像信息,并通过将所获得的合同图像信息输入模型进行训练,基于神经网络模型对句子进行语义识别,通过所述模型自动捕获文本之间的匹配特征,从而对句子的整体语义进行深度训练。基于所述训练模型自身能不断优化学习、获得“经验”来处理数据更准确的特点,从而获得更为准确的不同版本合同的比对结果信息。通过获得不同版本合同的比对结果信息,并对比对结果中存在的差异通过训练模型进行风险分析,并针对风险信息进行提前预警,达到了基于人工智能,对合同签订过程中的风险进行准确、高效防控的技术目的。
2、由于采用了分别从所述第一合同签约时防篡改、合同执行过程中合同条款与实际执行的一致性监管、依据企业情形变化个性化合同执行流程、合同执行流程可视化以及对合作方实时跟踪预警等多维度对合同可能存在的风险进行防控,实现了对合同风险进行准确、高效防控的技术目的。
实施例二
基于与前述实施例中一种基于人工智能的合同风险识别方法同样发明构思,本发明还提供了一种基于人工智能的合同风险识别装置,如图2所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得第一合同的版本信息;
第二获得单元12,所述第二获得单元12用于由所述系统的图像捕捉装置,获得第一图像信息,其中,所述第一图像信息为所述第一合同的第一版本的图像信息;
第三获得单元13,所述第三获得单元13用于获得第二图像信息,其中,所述第二图像信息为所述第一合同的第二版本的图像信息;
第一输入单元14,所述第一输入单元14用于将所述第一图像信息、所述第二图像信息输入第一训练模型,所述第一训练模型基于语义识别对多组数据进行训练,所述多组训练数据中的每组训练数据均包括:所述第一图像信息、所述第二图像信息和第一比对结果信息的标识信息;
第四获得单元15,所述第四获得单元15用于获得所述第一训练模型的第一输出结果,所述第一输出结果包括所述第一比对结果信息;
第二输入单元16,所述第二输入单元16用于将所述第一比对结果信息输入第二训练模型,获得第一风险级别信息;
第五获得单元17,所述第五获得单元17用于获得第一风险阈值信息;
第一判断单元18,所述第一判断单元18用于判断所述第一风险级别信息是否超过所述第一风险阈值;
第六获得单元19,所述第六获得单元19用于若所述第一风险级别信息超过所述第一风险阈值,获得第一预警信息;
第一发送单元20,所述第一发送单元20用于将所述第一预警信息发送给第一管理人员。
进一步的,所述装置还包括:
第七获得单元,所述第七获得单元用于获得第一合同的第一签约时间信息;
第八获得单元,所述第八获得单元用于获得第二时间阈值信息;
第九获得单元,所述第九获得单元用于在所述第一签约时间到来之前,第二时间阈值内,获得第一合同的第三图像信息,其中,所述第三图像信息为所述第一合同的签约版本的图像信息;
第十获得单元,所述第十获得单元用于获得第一合同的第四图像信息,其中所述第四图像信息为所述第一合同最终版本的图像信息;
第三输入单元,所述第三输入单元用于将所述第三图像信息、所述第四图像信息输入第三训练模型,获得所述第一合同的签约版本是否合格的信息;
第十一获得单元,所述第十一获得单元用于若所述第一合同的签约版本为合格,获得第一签约指令;
第十二获得单元,所述第十二获得单元用于若所述第一合同的签约版本为不合格,获得第一中止签约指令。
进一步的,所述装置还包括:
第十三获得单元,所述第十三获得单元用于获得第一条款信息,其中,所述第一条款为所述第一合同的签约版本的条款信息;
第十四获得单元,所述第十四获得单元用于基于语义分析,由所述第一条款信息获得第一执行指令信息;
第十五获得单元,所述第十五获得单元用于获得第一实际执行操作信息;
第二判断单元,所述第二判断单元用于判断所述第一实际执行操作与所述第一执行指令信息是否一致;
第十六获得单元,所述第十六获得单元用于若所述第一实际执行操作信息与所述第一执行指令信息不一致,获得第二预警信息。
进一步的,所述装置还包括:
第十七获得单元,所述第十七获得单元用于获得第一执行流程信息;
第十八获得单元,所述第十八获得单元用于获得第一存储指令;
第一存储单元,所述第一存储单元用于将所述第一执行指令信息和所述第一实际执行操作信息存储至所述第一执行流程信息中。
进一步的,所述装置还包括:
第十九获得单元,所述第十九获得单元用于获得第一合作企业信息;
第二十获得单元,所述第二十获得单元用于获得第三时间阈值信息;
第二十一获得单元,所述第二十一获得单元用于在所述第三时间阈值内,获得所述第一合作企业的第一变更情形;
第三判断单元,所述第三判断单元用于判断所述第一变更情形是否满足第四阈值;
第二十二获得单元,所述第二十二获得单元用于若所述第一变更情形满足第四阈值,获得第一修正信息;
第一修正单元,所述第一修正单元用于依据所述第一修正信息,对所述第一执行指令进行修正。
进一步的,所述装置还包括:
第二十三获得单元,所述第二十三获得单元用于获得所述第一合作企业的第一经营情况信息;
第二十四获得单元,所述第二十四获得单元用于获得所述第一合作企业的第一失信情况信息;
第二十五获得单元,所述第二十五获得单元用于依据所述第一经营情况信息、所述第一失信情况信息获得第一法律风险信息;
第二十六获得单元,所述第二十六获得单元用于获得第五风险阈值信息;
第四判断单元,所述第四判断单元用于判断所述第一法律风险信息是否超过所述第五风险阈值;
第二十七获得单元,所述第二十七获得单元用于若所述第一法律风险信息超过所述第五风险阈值,获得第三预警信息。
进一步的,所述装置还包括:
第四输入单元,所述第四输入单元用于将所述第一经营情况信息、所述第一失信情况信息输入第四训练模型,所述第四训练模型由多组训练数据训练获得,所述多组训练数据中的每组训练数据均包括:所述第一经营情况信息、所述第一失信情况信息和所述第一法律风险信息的标识信息;
第二十八获得单元,所述第二十八获得单元用于获得所述第四训练模型的输出结果信息,所述输出结果信息包括所述第一法律风险信息。
前述图1实施例一中的一种基于人工智能的合同风险识别方法的各种变化方式和具体实例同样适用于本实施例的一种基于人工智能的合同风险识别装置,通过前述对一种基于人工智能的合同风险识别方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于人工智能的合同风险识别装置,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于人工智能的合同风险识别方法的发明构思,本发明还提供一种基于人工智能的合同风险识别装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于人工智能的合同风险识别方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
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、装置、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。
本发明是参照本发明实施例的方法、设备(装置)、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。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种基于人工智能的合同风险识别方法,应用于一合同智能管理系统,其中,所述方法包括:
获得第一合同的版本信息;
由所述系统的图像捕捉装置,获得第一图像信息,其中,所述第一图像信息为所述第一合同的第一版本的图像信息;
获得第二图像信息,其中,所述第二图像信息为所述第一合同的第二版本的图像信息;
将所述第一图像信息、所述第二图像信息输入第一训练模型,所述第一训练模型基于语义识别对多组数据进行训练,所述多组训练数据中的每组训练数据均包括:所述第一图像信息、所述第二图像信息和第一比对结果信息的标识信息;
获得所述第一训练模型的第一输出结果,所述第一输出结果包括所述第一比对结果信息;
将所述第一比对结果信息输入第二训练模型,获得第一风险级别信息;
获得第一风险阈值信息;
判断所述第一风险级别信息是否超过所述第一风险阈值;
若所述第一风险级别信息超过所述第一风险阈值,获得第一预警信息;
将所述第一预警信息发送给第一管理人员;
获得第一合同的第一签约时间信息;
获得第二时间阈值信息;
在所述第一签约时间到来之前,第二时间阈值内,获得第一合同的第三图像信息,其中,所述第三图像信息为所述第一合同的签约版本的图像信息;
获得第一合同的第四图像信息,其中所述第四图像信息为所述第一合同最终版本的图像信息;
将所述第三图像信息、所述第四图像信息输入第三训练模型,获得所述第一合同的签约版本是否合格的信息;
若所述第一合同的签约版本为合格,获得第一签约指令;
若所述第一合同的签约版本为不合格,获得第一中止签约指令;
其中,获得第一签约指令之后,所述方法还包括:
获得第一条款信息,其中,所述第一条款为所述第一合同的签约版本的条款信息;
基于语义分析,由所述第一条款信息获得第一执行指令信息;
获得第一实际执行操作信息;
判断所述第一实际执行操作与所述第一执行指令信息是否一致;
若所述第一实际执行操作信息与所述第一执行指令信息不一致,获得第二预警信息;
其中,若所述第一实际执行操作信息与所述第一执行指令信息一致,所述方法还包括:
获得第一执行流程信息;
获得第一存储指令;
将所述第一执行指令信息和所述第一实际执行操作信息存储至所述第一执行流程信息中;
其中,获得第一执行指令信息之后,所述方法还包括:
获得第一合作企业信息;
获得第三时间阈值信息;
在所述第三时间阈值内,获得所述第一合作企业的第一变更情形;
判断所述第一变更情形是否满足第四阈值;
若所述第一变更情形满足第四阈值,获得第一修正信息;
依据所述第一修正信息,对所述第一执行指令进行修正;
其中,获得第一签约指令之后,所述方法还包括:
获得所述第一合作企业的第一经营情况信息;
获得所述第一合作企业的第一失信情况信息;
依据所述第一经营情况信息、所述第一失信情况信息获得第一法律风险信息;
获得第五风险阈值信息;
判断所述第一法律风险信息是否超过所述第五风险阈值;
若所述第一法律风险信息超过所述第五风险阈值,获得第三预警信息;
其中,依据所述第一经营情况信息、所述第一失信情况信息获得第一法律风险信息,所述方法还包括:
将所述第一经营情况信息、所述第一失信情况信息输入第四训练模型,所述第四训练模型由多组训练数据训练获得,所述多组训练数据中的每组训练数据均包括:所述第一经营情况信息、所述第一失信情况信息和所述第一法律风险信息的标识信息;
获得所述第四训练模型的输出结果信息,所述输出结果信息包括所述第一法律风险信息。
2.一种基于人工智能的合同风险识别装置,其中,所述装置包括:
第一获得单元,所述第一获得单元用于获得第一合同的版本信息;
第二获得单元,所述第二获得单元用于由所述系统的图像捕捉装置,获得第一图像信息,其中,所述第一图像信息为所述第一合同的第一版本的图像信息;
第三获得单元,所述第三获得单元用于获得第二图像信息,其中,所述第二图像信息为所述第一合同的第二版本的图像信息;
第一输入单元,所述第一输入单元用于将所述第一图像信息、所述第二图像信息输入第一训练模型,所述第一训练模型基于语义识别对多组数据进行训练,所述多组训练数据中的每组训练数据均包括:所述第一图像信息、所述第二图像信息和第一比对结果信息的标识信息;
第四获得单元,所述第四获得单元用于获得所述第一训练模型的第一输出结果,所述第一输出结果包括所述第一比对结果信息;
第二输入单元,所述第二输入单元用于将所述第一比对结果信息输入第二训练模型,获得第一风险级别信息;
第五获得单元,所述第五获得单元用于获得第一风险阈值信息;
第一判断单元,所述第一判断单元用于判断所述第一风险级别信息是否超过所述第一风险阈值;
第六获得单元,所述第六获得单元用于若所述第一风险级别信息超过所述第一风险阈值,获得第一预警信息;
第一发送单元,所述第一发送单元用于将所述第一预警信息发送给第一管理人员;
第七获得单元,所述第七获得单元用于获得第一合同的第一签约时间信息;
第八获得单元,所述第八获得单元用于获得第二时间阈值信息;
第九获得单元,所述第九获得单元用于在所述第一签约时间到来之前,第二时间阈值内,获得第一合同的第三图像信息,其中,所述第三图像信息为所述第一合同的签约版本的图像信息;
第十获得单元,所述第十获得单元用于获得第一合同的第四图像信息,其中所述第四图像信息为所述第一合同最终版本的图像信息;
第三输入单元,所述第三输入单元用于将所述第三图像信息、所述第四图像信息输入第三训练模型,获得所述第一合同的签约版本是否合格的信息;
第十一获得单元,所述第十一获得单元用于若所述第一合同的签约版本为合格,获得第一签约指令;
第十二获得单元,所述第十二获得单元用于若所述第一合同的签约版本为不合格,获得第一中止签约指令;
所述第十一获得单元还包括:
第十三获得单元,所述第十三获得单元用于获得第一条款信息,其中,所述第一条款为所述第一合同的签约版本的条款信息;
第十四获得单元,所述第十四获得单元用于基于语义分析,由所述第一条款信息获得第一执行指令信息;
第十五获得单元,所述第十五获得单元用于获得第一实际执行操作信息;
第二判断单元,所述第二判断单元用于判断所述第一实际执行操作与所述第一执行指令信息是否一致;
第十六获得单元,所述第十六获得单元用于若所述第一实际执行操作信息与所述第一执行指令信息不一致,获得第二预警信息;
进一步的,所述装置还包括:
第十七获得单元,所述第十七获得单元用于获得第一执行流程信息;
第十八获得单元,所述第十八获得单元用于获得第一存储指令;
第一存储单元,所述第一存储单元用于将所述第一执行指令信息和所述第一实际执行操作信息存储至所述第一执行流程信息中;
所述第十四获得单元获得第一执行指令信息之后,还包括:
第十九获得单元,所述第十九获得单元用于获得第一合作企业信息;
第二十获得单元,所述第二十获得单元用于获得第三时间阈值信息;
第二十一获得单元,所述第二十一获得单元用于在所述第三时间阈值内,获得所述第一合作企业的第一变更情形;
第三判断单元,所述第三判断单元用于判断所述第一变更情形是否满足第四阈值;
第二十二获得单元,所述第二十二获得单元用于若所述第一变更情形满足第四阈值,获得第一修正信息;
第一修正单元,所述第一修正单元用于依据所述第一修正信息,对所述第一执行指令进行修正;
所述第十一获得单元获得所述第一签约指令之后,还包括:
第二十三获得单元,所述第二十三获得单元用于获得所述第一合作企业的第一经营情况信息;
第二十四获得单元,所述第二十四获得单元用于获得所述第一合作企业的第一失信情况信息;
第二十五获得单元,所述第二十五获得单元用于依据所述第一经营情况信息、所述第一失信情况信息获得第一法律风险信息;
第二十六获得单元,所述第二十六获得单元用于获得第五风险阈值信息;
第四判断单元,所述第四判断单元用于判断所述第一法律风险信息是否超过所述第五风险阈值;
第二十七获得单元,所述第二十七获得单元用于若所述第一法律风险信息超过所述第五风险阈值,获得第三预警信息;
所述第二十五获得单元还包括:
第四输入单元,所述第四输入单元用于将所述第一经营情况信息、所述第一失信情况信息输入第四训练模型,所述第四训练模型由多组训练数据训练获得,所述多组训练数据中的每组训练数据均包括:所述第一经营情况信息、所述第一失信情况信息和所述第一法律风险信息的标识信息;
第二十八获得单元,所述第二十八获得单元用于获得所述第四训练模型的输出结果信息,所述输出结果信息包括所述第一法律风险信息。
3.一种基于人工智能的合同风险识别装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011624263.1A CN112668899B (zh) | 2020-12-31 | 2020-12-31 | 一种基于人工智能的合同风险识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011624263.1A CN112668899B (zh) | 2020-12-31 | 2020-12-31 | 一种基于人工智能的合同风险识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668899A CN112668899A (zh) | 2021-04-16 |
CN112668899B true CN112668899B (zh) | 2022-11-01 |
Family
ID=75412270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011624263.1A Active CN112668899B (zh) | 2020-12-31 | 2020-12-31 | 一种基于人工智能的合同风险识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668899B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823293B (zh) * | 2023-08-28 | 2023-11-21 | 江苏润桐数据服务有限公司 | 一种电子合同追溯校验方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6087452B1 (ja) * | 2016-01-29 | 2017-03-01 | 株式会社三井住友銀行 | 紙文書管理システム |
CN110991163A (zh) * | 2019-11-29 | 2020-04-10 | 达而观信息科技(上海)有限公司 | 一种文档比对分析方法、装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918635A (zh) * | 2017-12-12 | 2019-06-21 | 中兴通讯股份有限公司 | 一种合同文本风险检测方法、装置、设备及存储介质 |
CN108399510A (zh) * | 2018-04-16 | 2018-08-14 | 法信公证云(厦门)科技有限公司 | 一种合同风险管控方法和设备 |
CN109829692A (zh) * | 2019-01-17 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 基于人工智能的合同审理方法、装置、设备及存储介质 |
CN110705265A (zh) * | 2019-08-27 | 2020-01-17 | 阿里巴巴集团控股有限公司 | 合同条款风险识别方法以及装置 |
CN110852054A (zh) * | 2019-10-22 | 2020-02-28 | 华融融通(北京)科技有限公司 | 一种不良资产经营领域合同版本自动化对比工具及方法 |
CN111815109A (zh) * | 2020-05-30 | 2020-10-23 | 国网上海市电力公司 | 一种基于图像处理的电网工程合同评价方法 |
-
2020
- 2020-12-31 CN CN202011624263.1A patent/CN112668899B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6087452B1 (ja) * | 2016-01-29 | 2017-03-01 | 株式会社三井住友銀行 | 紙文書管理システム |
CN110991163A (zh) * | 2019-11-29 | 2020-04-10 | 达而观信息科技(上海)有限公司 | 一种文档比对分析方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
文本信息深度提取及多关键词并行匹配技术研究;王文奇等;《计算机工程》;20181215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112668899A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951128B (zh) | 一种节能环保的建筑施工方法和装置 | |
AU2019216639B2 (en) | Piping and instrumentation planning and maintenance system | |
CN109948804A (zh) | 跨平台拖拽式深度学习建模与训练方法及装置 | |
CN111950068A (zh) | 一种基于Bim的维护建筑设备的方法和装置 | |
CN112668899B (zh) | 一种基于人工智能的合同风险识别方法及装置 | |
CN109740965A (zh) | 一种工程验证分析方法及装置 | |
CN116034369A (zh) | 利用合规性验证对设计项目数据进行自动功能集群 | |
CN109800776A (zh) | 素材标注方法、装置、终端和计算机可读存储介质 | |
CN111754370B (zh) | 一种基于人工智能的在线教育课程管理方法及系统 | |
CN111738182B (zh) | 基于图像识别的身份验证方法、装置、终端及存储介质 | |
CN110008980B (zh) | 识别模型生成方法、识别方法、装置、设备及存储介质 | |
CN104123469B (zh) | 一种普适计算环境上下文一致性检测调度系统及方法 | |
CN113672234B (zh) | 一种用于数控设备的智能进度监控方法及系统 | |
CN112785146B (zh) | 一种网络舆情的评估方法及系统 | |
CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
CN112184474B (zh) | 一种基于区块链的材料智能化制造方法及装置 | |
Faulkner et al. | An assessment framework for data-centric systems | |
Shapiro | Addressing Early Life Cycle Privacy Risk | |
CN114637849B (zh) | 基于人工智能的法律关系认知方法及系统 | |
CN112286885B (zh) | 一种保单智能管理的信息处理方法及装置 | |
CN115018607B (zh) | 基于人工智能的会计数据处理方法及系统 | |
CN111159013B (zh) | 一种代码质量的评估方法及装置 | |
CN112965703B (zh) | 克服多头领导的教师主导人工智能教育机器人 | |
CN112651447B (zh) | 一种基于本体的资源分类标注方法及系统 | |
Abbas et al. | Ontology Merging: Compatible and Incompatible Ontology Mappings |
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 |
Effective date of registration: 20221012 Address after: Room 903, 9th Floor, Yingang Building, No. 24 Jingang Avenue, Nansha District, Guangzhou, Guangdong 510000 Applicant after: Guangdong Yuehe Agricultural Microfinance Co.,Ltd. Address before: 214000 Wuai road 78-501-350, Liangxi District, Wuxi City, Jiangsu Province Applicant before: Wuxi Ruanmei Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |