CN112801489B - 诉讼案件风险检测方法、装置、设备和可读存储介质 - Google Patents
诉讼案件风险检测方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN112801489B CN112801489B CN202110084804.4A CN202110084804A CN112801489B CN 112801489 B CN112801489 B CN 112801489B CN 202110084804 A CN202110084804 A CN 202110084804A CN 112801489 B CN112801489 B CN 112801489B
- Authority
- CN
- China
- Prior art keywords
- litigation
- risk detection
- case
- feature
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 237
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 45
- 230000009471 action Effects 0.000 claims description 28
- 238000003066 decision tree Methods 0.000 claims description 26
- 239000013604 expression vector Substances 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种诉讼案件风险检测方法、装置、设备和可读存储介质,所述诉讼案件风险检测方法包括:获取目标诉讼案件对应的涉诉信息,并构建所述涉诉信息对应的诉讼特征数据;基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果;基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果。本申请解决了诉讼案件风险检测准确性低的技术问题。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种诉讼案件风险检测方法、装置、设备和可读存储介质。
背景技术
随着计算机技术的飞速发展,机器学习的应用也越来越广泛,当前,银行通常会将企业的诉讼案件作为评估企业信用的一个指标,进而为了便于进行企业信用风险预警,首先通常通过爬虫爬取诉讼案件的公开涉诉信息,进而直接基于公开涉诉信息中的直接案件信息,进行诉讼案件的风险检测,但是,由于爬虫得到的诉讼案件的原始案信息通常不够准确,进而直接基于公开涉诉信息进行诉讼案件的风险检测的准确性较低。
发明内容
本申请的主要目的在于提供一种诉讼案件风险检测方法、装置、设备和可读存储介质,旨在解决现有技术中诉讼案件风险检测准确率低的技术问题。
为实现上述目的,本申请提供一种诉讼案件风险检测方法,所述诉讼案件风险检测方法应用于诉讼案件风险检测设备,所述诉讼案件风险检测方法包括:
获取目标诉讼案件对应的涉诉信息,并构建所述涉诉信息对应的诉讼特征数据;
基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果;
基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果。
本申请还提供一种诉讼案件风险检测装置,所述诉讼案件风险检测装置为虚拟装置,且所述诉讼案件风险检测装置应用于诉讼案件风险检测设备,所述诉讼案件风险检测装置包括:
构建模块,用于获取目标诉讼案件对应的涉诉信息,并构建所述涉诉信息对应的诉讼特征数据;
分类模块,用于基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果;
风险检测模块,用于基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果。
本申请还提供一种诉讼案件风险检测设备,所述诉讼案件风险检测设备为实体设备,所述诉讼案件风险检测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述诉讼案件风险检测方法的程序,所述诉讼案件风险检测方法的程序被处理器执行时可实现如上述的诉讼案件风险检测方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有实现诉讼案件风险检测方法的程序,所述诉讼案件风险检测方法的程序被处理器执行时实现如上述的诉讼案件风险检测方法的步骤。
本申请提供了一种诉讼案件风险检测方法、装置、设备和可读存储介质,相比于现有技术中采用的通过爬虫爬取诉讼案件的公开涉诉信息,进而直接基于公开涉诉信息中的直接案件信息,进行诉讼案件的风险检测的技术手段,本申请在获取目标诉讼案件对应的涉诉信息之后,首先构建所述涉诉信息对应的诉讼特征数据,进而基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果,也即,生成目标诉讼案件的额外分类信息,其中,需要说明的是,不同类别的诉讼案件对企业的风险高低是不一致的,例如,企业与员工的劳务报酬纠纷诉讼案件对企业的风险低,而知识产权诉讼案件则对企业的风险高,进而只基于涉诉信息本身的直接案件信息进行风险检测的准确性较低,而本申请基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,也即,根据目标诉讼案件的额外类别信息,有针对性地对目标诉讼案件进行风险检测,进而提高了诉讼案件风险检测的准确性,克服了由于爬虫得到的诉讼案件的原始案信息通常不够准确,进而直接基于公开涉诉信息进行诉讼案件的风险检测的准确性低的技术缺陷,提高了诉讼案件风险检测的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,对于本领域普通技术人员而言,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为本申请诉讼案件风险检测方法第一实施例的流程示意图;
图2为本申请诉讼案件风险检测方法第二实施例的流程示意图;
图3为本申请诉讼案件风险检测方法第三实施例的流程示意图;
图4为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
在本申请诉讼案件风险检测方法的第一实施例中,参照图1,述诉讼案件风险检测方法应用于第一设备,所述诉讼案件风险检测方法包括:
步骤S10,获取目标诉讼案件对应的涉诉信息,并构建所述涉诉信息对应的诉讼特征数据;
在本实施例中,需要说明的是,所述诉讼案件风险检测方法用于对企业的诉讼案件进行风险检测,以对企业进行风险预警,所述涉诉特征数据为具备诉讼案件特征的编码数据,用于表示所述涉诉信息,其中,所述诉讼案件特征包括当事人身份、案由和涉案金额等,
获取目标诉讼案件对应的涉诉信息,并构建所述涉诉信息对应的诉讼特征数据,具体地,获取目标诉讼案件对应的涉诉信息,并对所述涉诉信息进行特征提取,以提取所述涉诉信息中的诉讼案件特征信息,获得所述涉诉信息对应的诉讼特征数据,其中,所述诉讼案件特征信息为诉讼案件特征对应的关联数据。
其中,所述涉诉信息包括涉诉案件文本,所述诉讼特征数据包括诉讼特征表示向量,
所述构建所述涉诉信息对应的诉讼特征数据的步骤包括:
步骤S11,从所述涉诉案件文本中提取预设数量的构造特征对应的目标特征值,并将各所述目标特征值组合为构造特征向量;
在本实施例中,需要说明的是,所述构造特征为人工构造的特征,所述构造特征包括事人身份、案由和涉案金额等。
从所述涉诉案件文本中提取预设数量的构造特征对应的目标特征值,并将各所述目标特征值组合为构造特征向量,具体地,在所述涉诉案件文本中提取每一所述构造特征对应的特征关联词,并对各所述特征关联词进行特征编码,生成各所述构造特征对应的目标特征值,进而将各所述目标特征值以预设排列顺序进行拼接,获得构造特征向量,例如,假设所述构造特征包括特征A、特征B和特征C,特征A对应的特征关联词为X,特征编码后获得的目标特征值为a,特征A对应的特征关联词为Y,特征编码后获得的目标特征值为b,特征C对应的特征关联词为Z,特征编码后获得的目标特征值为c,进而生成的构造特征向量为(a,b,c)。
步骤S12,对所述涉诉案件文本进行关键词词频检测,生成关键词词频向量;
在本实施例中,对所述涉诉案件文本进行关键词词频检测,生成关键词词频向量,具体地,获取各预设关键词,并查询各所述预设关键词在所述涉诉案件文本中的关键词词频,进而将各所述关键词频拼接为构建关键词词频向量,其中,所述关键词词频为预设关键词在所述涉诉案件文本中的重要程度,可用预设关键词在所述涉诉案件文本中的出现次数进行表示,例如,假设各预设关键词分别为词A、词B和词C,其中,词A在所述涉诉案件文本中的出现次数为5,词B在所述涉诉案件文本中的出现次数为4,词C在所述涉诉案件文本中的出现次数为3,进而所述关键词词频向量为(5,4,3)。
步骤S13,将所述涉诉案件文本映射至预设数据维度空间,获得文本低维空间表示向量;
在本实施例中,将所述涉诉案件文本映射至预设数据维度空间,获得文本低维空间表示向量,具体地,对所述涉诉案件文本中每一词进行向量化,获得向量化文本,进而将所述向量化文本映射至预设数据维度空间,其中,所述预设数据维度空间的数据维度低于所述向量化文本的数据维度,获得文本低维空间表示向量,例如,假设所述向量化文本为1024位的向量,而映射至预设数据维度空间后,所述文本低维空间表示向量为72位向量。
步骤S14,将所述构造特征向量、所述关键词词频向量与所述文本低维空间表示向量进行拼接,获得所述诉讼特征表示向量。
在本实施例中,将所述构造特征向量、所述关键词词频向量与所述文本低维空间表示向量进行拼接,获得所述诉讼特征表示向量,具体地,将所述构造特征向量、所述关键词词频向量与所述文本低维空间表示向量依次进行拼接,获得目标拼接向量,将所述目标拼接向量作为所述诉讼特征表示向量。
步骤S20,基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果;
在本实施例中,需要说明的是,所述诉讼特征数据包括诉讼特征表示向量,其中,所述诉讼特征表示向量为表示所述诉讼特征数据的编码向量。
基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果,具体地,将所述诉讼特征表示向量输入所述预设分类模型,对所述诉讼特征表示向量进行向量变换,以将所述诉讼特征表示向量变换为预设长度的分类概率向量,其中,所述分类标签向量为目标诉讼案件属于各预设分类类别的分类概率组成的向量,进而在所述分类概率向量选取最大的目标分类概率,并将所述目标分类概率对应的预设分类类别作为目标诉讼案件的分类类别,获得案件分类结果。
步骤S30,基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果。
在本实施例中,基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果,具体地,获取将所述案件分类结果中诉讼案件类别标签对应的目标权重,其中,所述诉讼案件类别标签为所述目标诉讼案件的分类类别的标识,进而基于所述目标权重,对所述诉讼特征表示向量进行加权,获得加权诉讼特征表示向量,并将所述加权诉讼特征表示向量输入所述预设风险检测模型,以将所述加权诉讼特征表示向量映射为诉讼案件风险评分,进而实现对所述目标诉讼案件的诉讼风险检测,进而基于所述诉讼案件风险评分,判断所述目标诉讼案件是否为高风险诉讼案件,并将判断结果作为目标风险检测结果,例如,可设置大于预设评分阈值的诉讼案件为高风险案件等,其中,所述诉讼案件风险评分为表示目标诉讼案件的风险的评分,用于表示目标诉讼案件风险的高低。
其中,所述基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果的步骤包括:
步骤S31,将所述诉讼特征数据输入所述预设风险检测模型,以基于所述诉讼特征数据,对所述目标诉讼案件进行诉讼风险检测,获得初始风险检测结果;
在本实施例中,将所述诉讼特征数据输入所述预设风险检测模型,以基于所述诉讼特征数据,对所述目标诉讼案件进行诉讼风险检测,获得初始风险检测结果,具体地,基于所述预设风险检测模型,将所述诉讼特征表示向量映射为诉讼案件风险初始评分,以对所述目标诉讼案件进行诉讼风险检测,并将所述诉讼案件风险初始评分作为所述初始风险检测结果。
步骤S32,获取所述案件分类结果对应的目标权重,并基于所述目标权重和所述初始风险检测结果,生成所述目标风险检测结果。
在本实施例中,获取所述案件分类结果对应的目标权重,并基于所述目标权重和所述初始风险检测结果,生成所述目标风险检测结果,具体地,基于预设的分类类别与权重之间的映射关系,查询所述目标诉讼案件对应的分类类别对应的目标权重,并基于所述目标权重,对所述诉讼案件风险初始评分进行加权,例如,对所述诉讼案件风险初始评分和所述目标权重进行求积等,进而获得目标诉讼风险评分,并将所述目标诉讼风险评分对应的目标风险检测结果,进而实现了基于目标诉讼案件的诉讼特征数据和额外类别信息,对目标诉讼案件有针对性地进行诉讼风险检测的目的。
本申请实施例提供了一种诉讼案件风险检测方法,相比于现有技术中采用的通过爬虫爬取诉讼案件的公开涉诉信息,进而直接基于公开涉诉信息中的直接案件信息,进行诉讼案件的风险检测的技术手段,本申请实施例在获取目标诉讼案件对应的涉诉信息之后,首先构建所述涉诉信息对应的诉讼特征数据,进而基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果,也即,生成目标诉讼案件的额外分类信息,其中,需要说明的是,不同类别的诉讼案件对企业的风险高低是不一致的,例如,企业与员工的劳务报酬纠纷诉讼案件对企业的风险低,而知识产权诉讼案件则对企业的风险高,进而只基于涉诉信息本身的直接案件信息进行风险检测的准确性较低,而本申请实施例基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,也即,根据目标诉讼案件的额外类别信息,有针对性地对目标诉讼案件进行风险检测,进而提高了诉讼案件风险检测的准确性,克服了由于爬虫得到的诉讼案件的原始案信息通常不够准确,进而直接基于公开涉诉信息进行诉讼案件的风险检测的准确性低的技术缺陷,提高了诉讼案件风险检测的准确性。
进一步地,参照图2,基于本申请中第一实施例,在诉讼案件风险检测方法的另一实施例中,在所述基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果的步骤之后还包括:
步骤S40,对所述初始风险检测结果进行针对于所述预设风险检测模型的模型解释,获得所述初始风险检测结果对应的诉讼案件风险影响因素;
在本实施例中,需要说明的是,所述诉讼案件风险影响因素为对所述初始风险检测结果的影响程度高于预设影响程度阈值的因素,其中,所述诉讼案件风险影响因素包括目标诉讼案件特征,其中,所述目标诉讼案件特征为对所述初始风险检测结果的特征贡献度大于预设贡献度阈值的诉讼案件特征。
对所述初始风险检测结果进行针对于所述预设风险检测模型的模型解释,获得所述初始风险检测结果对应的诉讼案件风险影响因素,具体地,确定所述诉讼特征数据对应的各诉讼案件特征,并对所述初始风险检测结果进行针对于所述预设风险检测模型的模型解释,以分别计算各所述诉讼案件特征对初始风险检测结果的特征贡献度,进而基于各所述特征贡献度,在各所述诉讼案件特征中选取目标诉讼案件特征作为诉讼案件风险影响因素,例如,选择特征贡献度最大的诉讼案件特征作为目标诉讼案件特征等。
其中,所述对所述初始风险检测结果进行针对于所述预设风险检测模型的模型解释,获得所述初始风险检测结果对应的诉讼案件风险影响因素的步骤包括:
步骤S41,确定所述诉讼特征数据对应的各诉讼案件特征;
步骤S42,基于所述预设风险检测模型,分别计算各所述诉讼案件特征对所述初始风险检测结果的特征贡献度;
在本实施例中,需要说明的是,所述特征贡献度为所述诉讼案件特征对所述初始风险检测结果的影响程度,其中,所述特征贡献度包括正特征贡献度和负特征贡献度,其中,正特征贡献度表示对所述初始风险检测结果具有正向的影响,对所述预设风险检测模型作出所述初始风险检测结果的决策具备正向激励作用,负特征贡献度表示对所述初始风险检测结果具有负向的影响,对所述预设风险检测模型作出所述初始风险检测结果的决策具备反向激励作用。
基于所述预设风险检测模型,分别计算各所述诉讼案件特征对所述初始风险检测结果的特征贡献度,具体地,基于所述预设风险检测模型,通过预设特征贡献度计算方式,分别计算各所述诉讼案件特征对所述初始风险检测结果的特征贡献度,其中,所述预设特征贡献度计算方式包括SHAP(SHapley Additive exPlanations,沙普利可加性模型解释)和LIME(Local Interpretable Model-Agnostic Explanations,模型无关局部解释)等。
步骤S43,基于各所述特征贡献度,在各所述诉讼案件特征中选取目标特征作为所述诉讼案件风险影响因素。
在本实施例中,基于各所述特征贡献度,在各所述诉讼案件特征中选取目标特征作为所述诉讼案件风险影响因素,具体地,在各所述特征贡献度中选取大于预设特征贡献度阈值的各目标特征贡献度,进而将各所述目标特征贡献度对应的诉讼案件特征作为目标诉讼案件特征。
步骤S50,基于所述目标风险检测结果、所述案件分类结果和所述诉讼案件风险影响因素,生成诉讼案件风险检测报告。
在本实施例中,基于所述目标风险检测结果、所述案件分类结果和所述诉讼案件风险影响因素,生成诉讼案件风险检测报告,具体地,将所述案件分类结果和所述诉讼案件风险影响因素共同作为导致所述目标风险检测结果的因素,与所述目标风险检测结果一同输出为诉讼案件风险检测报告,进而所述诉讼案件风险检测报告不仅输出了对目标诉讼案件的诉讼风险检测结果,还给出了导致诉讼风险检测结果的大致原因,使得目标诉讼案件的诉讼风险检测结果的可信度更高。
本申请实施例提供了一种基于模型解释的诉讼案件风险检测方法,也即,在生成目标风险检测结果之后,对所述初始风险检测结果进行针对于所述预设风险检测模型的模型解释,获得所述初始风险检测结果对应的诉讼案件风险影响因素,进而基于所述目标风险检测结果、所述案件分类结果和所述诉讼案件风险影响因素,生成诉讼案件风险检测报告,进而在诉讼案件风险检测报告中给出了目标诉讼案件的诉讼风险检测结果的同时,还给出了导致诉讼风险检测结果的影响因素,使得诉讼风险检测结果的可信度更高,进而提高了诉讼案件风险检测报告的置信度。
进一步地,参照图3,基于本申请中第一实施例和第二实施例,在诉讼案件风险检测方法的另一实施例中,在所述基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果的步骤之前,所述诉讼案件风险检测方法还包括:
步骤A10,获取训练数据集,并构建所述训练数据集对应的训练特征数据集;
在本实施例中,需要说明的是,所述训练数据集至少包括一训练涉诉案件文本,所述训练特征数据集至少包括一所述训练涉诉案件文本对应的训练诉讼特征数据,其中,构建所述训练诉讼特征数据的具体过程可参照步骤S11至步骤S14。
步骤A20,基于所述训练特征数据集,构建决策树模型;
在本实施例中,需要说明的是,所述决策树模型包括随机森林、GBDTX、Xgboost等,所述决策树模型至少包括一决策树,所述决策树至少包括一非叶子节点,所述非叶子节点至少对应一特征分裂值,其中,所述特征分裂点为诉讼案件特征的特征值,用于在模型训练过程中指示非叶子节点分裂为左孩子节点和右孩子节点,或者在模型预测过程中指示样本是属于左孩子节点还是右孩子节点,一所述诉讼案件特征可对应一个或者多个特征分点,其中,构建所述决策树模型的过程为现有技术,在此不再赘述。
步骤A30,基于所述决策树模型,对所述训练特征数据集进行特征筛选,获得目标特征数据集;
在本实施例中,基于所述决策树模型,对所述训练特征数据集进行特征筛选,获得目标特征数据集,具体地,确定所述训练特征数据集对应的各初始诉讼案件特征,并获取各所述初始诉讼案件特征在所述决策树模型中对应的非叶子节点数量,进而基于各所述非叶子节点数量,评估各所述初始诉讼案件特征的特征重要性,获得各所述初始诉讼案件特征对应的特征重要性评估值,其中,所述特征重要性评估值为评估特征重要性高低的数值,其中,所述初始诉讼案件特征对应的非叶子节点数量越多,则所述初始诉讼案件特征的特征重要性越高,进而基于各所述特征重要性评估值,对所述训练特征数据集进行特征筛选,获得目标特征数据集。
其中,所述决策树模型至少包括一决策树,
所述基于所述决策树模型,对所述训练特征数据集进行特征筛选,获得目标特征数据集的步骤包括:
步骤A31,确定所述训练特征数据集对应的各初始诉讼案件特征,并获取每一所述初始诉讼案件特征在各所述决策树中对应的非叶子节点数量;
在本实施例中,需要说明的是,所述决策树的每一非叶子节点中均记载了对应的特征分裂点的特征编码,其中,所述特征编码为所述特征分裂点对应的诉讼案件特征的身份标识。
确定所述训练特征数据集对应的各初始诉讼案件特征,并获取每一所述初始诉讼案件特征在各所述决策树中对应的非叶子节点数量,具体地,确定所述训练特征数据集对应的各初始诉讼案件特征,并依据各所述初始诉讼案件特征的特征编码,在各所述决策树中查询每一所述初始诉讼案件特征对应的各非叶子节点,进而统计每一所述初始诉讼案件特征对应的各非叶子节点的数量,获得各所述决策树中对应的非叶子节点数量。
步骤A32,基于各所述非叶子节点数量,对各所述初始诉讼案件特征进行特征重要性排序,获得特征重要性排序结果;
在本实施例中,基于各所述非叶子节点数量,对各所述初始诉讼案件特征进行特征重要性排序,获得特征重要性排序结果,具体地,基于各所述非叶子节点数量,对各所述初始诉讼案件特征进行由大到小的特征重要性排序,获得特征重要性排序结果。
步骤A33,基于所述特征重要性排序结果,在各所述初始诉讼案件特征选取预设数量的目标诉讼案件特征;
在本实施例中,基于所述特征重要性排序结果,在各所述初始诉讼案件特征选取预设数量的目标诉讼案件特征,具体地,在所述特征重要性排序结果中选取排序前列的预设数量的诉讼案件特征作为目标诉讼案件特征。
步骤A34,在所述训练特征数据集选取各所述目标诉讼案件特征对应的特征数据共同作为所述目标特征数据集。
步骤A40,基于所述目标特征数据集,构建所述预设分类模型以及所述预设风险检测模型。
在本实施例中,需要说明的是,所述目标特征数据集至少包括一所述诉讼案件的样本表示向量,其中,所述样本表示向量由各所述目标诉讼案件特征的特征值组成。
基于所述目标特征数据集,构建所述预设分类模型以及所述预设风险检测模型,具体地,获取待训练分类模型,并在所述目标特征数据集中选取样本表示向量,进而将所述样本表示向量输入所述待训练分类模型,对所述待训练分类模型进行训练更新,判断更新后的待训练分类模型是否满足预设迭代训练结束条件,若满足,则将所述待训练分类模型作为所述预设分类模型,若不满足,则返回所述在所述目标特征数据集中选取样本表示向量的步骤,其中,所述预设迭代训练结束条件包括损失函数收敛和达到最大迭代次数阈值等。
相同地,构建所述预设风险检测模型的过程如下:
获取待训练风险检测模型,并在所述目标特征数据集中选取样本表示向量,进而将所述样本表示向量输入所述待训练风险检测模型,对所述待训练风险检测模型进行训练更新,判断更新后的待训练风险检测模型是否满足预设迭代训练结束条件,若满足,则将所述待训练风险检测模型作为所述预设风险检测模型,若不满足,则返回所述在所述目标特征数据集中选取样本表示向量的步骤。
本申请实施例提供了一种预设分类模型和预设分析检测模型的模型训练方法,进而在训练好预设分类模型和预设风险检测模型之后,即可基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果,也即,生成目标诉讼案件的额外分类信息,其中,需要说明的是,不同类别的诉讼案件对企业的风险高低是不一致的,例如,企业与员工的劳务报酬纠纷诉讼案件对企业的风险低,而知识产权诉讼案件则对企业的风险高,进而只基于涉诉信息本身的直接案件信息进行风险检测的准确性较低,而本申请基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,也即,根据目标诉讼案件的额外类别信息,有针对性地对目标诉讼案件进行风险检测,进而提高了诉讼案件风险检测的准确性,为克服由于爬虫得到的诉讼案件的原始案信息通常不够准确,进而直接基于公开涉诉信息进行诉讼案件的风险检测的准确性低的技术缺陷奠定了基础。
参照图4,图4是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图4所示,该诉讼案件风险检测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002,该诉讼案件风险检测设备可为智能电视、智能手机等显示终端。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该诉讼案件风险检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图4中示出的诉讼案件风险检测设备结构并不构成对诉讼案件风险检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图4所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及诉讼案件风险检测方法程序。操作系统是管理和控制设备硬件和软件资源的程序,支持诉讼案件风险检测方法程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与诉讼案件风险检测方法系统中其它硬件和软件之间通信。
在图4所示的诉讼案件风险检测设备中,处理器1001用于执行存储器1005中存储的诉讼案件风险检测方法程序,实现上述任一项所述的诉讼案件风险检测方法的步骤。
本申请诉讼案件风险检测设备具体实施方式与上述诉讼案件风险检测方法各实施例基本相同,在此不再赘述。
本申请实施例提供一种诉讼案件风险检测装置,所述诉讼案件风险检测装置应用于诉讼案件风险检测设备,所述诉讼案件风险检测装置包括:
构建模块,用于获取目标诉讼案件对应的涉诉信息,并构建所述涉诉信息对应的诉讼特征数据;
分类模块,用于基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果;
风险检测模块,用于基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果。
可选地,所述风险检测模块还用于:
将所述诉讼特征数据输入所述预设风险检测模型,以基于所述诉讼特征数据,对所述目标诉讼案件进行诉讼风险检测,获得初始风险检测结果;
获取所述案件分类结果对应的目标权重,并基于所述目标权重和所述初始风险检测结果,生成所述目标风险检测结果。
可选地,所述诉讼案件风险检测装置还用于:
对所述初始风险检测结果进行针对于所述预设风险检测模型的模型解释,获得所述初始风险检测结果对应的诉讼案件风险影响因素;
基于所述目标风险检测结果、所述案件分类结果和所述诉讼案件风险影响因素,生成诉讼案件风险检测报告。
可选地,所述诉讼案件风险检测装置还用于:
确定所述诉讼特征数据对应的各诉讼案件特征;
基于所述预设风险检测模型,分别计算各所述诉讼案件特征对所述初始风险检测结果的特征贡献度;
基于各所述特征贡献度,在各所述诉讼案件特征中选取目标特征作为所述诉讼案件风险影响因素。
可选地,所述构建模块还用于:
从所述涉诉案件文本中提取预设数量的构造特征对应的目标特征值,并将各所述目标特征值组合为构造特征向量;
对所述涉诉案件文本进行关键词词频检测,生成关键词词频向量;
将所述涉诉案件文本映射至预设数据维度空间,获得文本低维空间表示向量;
将所述构造特征向量、所述关键词词频向量与所述文本低维空间表示向量进行拼接,获得所述诉讼特征表示向量。
可选地,所述诉讼案件风险检测装置还用于:
获取训练数据集,并构建所述训练数据集对应的训练特征数据集;
基于所述训练特征数据集,构建决策树模型;
基于所述决策树模型,对所述训练特征数据集进行特征筛选,获得目标特征数据集;
基于所述目标特征数据集,构建所述预设分类模型以及所述预设风险检测模型。
可选地,所述诉讼案件风险检测装置还用于:
确定所述训练特征数据集对应的各初始诉讼案件特征,并获取每一所述初始诉讼案件特征在各所述决策树中对应的非叶子节点数量;
基于各所述非叶子节点数量,对各所述初始诉讼案件特征进行特征重要性排序,获得特征重要性排序结果;
基于所述特征重要性排序结果,在各所述初始诉讼案件特征选取预设数量的目标诉讼案件特征;
在所述训练特征数据集选取各所述目标诉讼案件特征对应的特征数据共同作为所述目标特征数据集。
本申请诉讼案件风险检测装置具体实施方式与上述诉讼案件风险检测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的诉讼案件风险检测方法的步骤。
本申请可读存储介质具体实施方式与上述诉讼案件风险检测方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (7)
1.一种诉讼案件风险检测方法,其特征在于,所述诉讼案件风险检测方法包括:
获取目标诉讼案件对应的涉诉信息,并构建所述涉诉信息对应的诉讼特征数据,其中,所述诉讼特征数据包括诉讼特征表示向量,所述诉讼特征表示向量由构造特征向量、关键词词频向量和文本低维空间表示向量拼接得到;
基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果;
基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果;
在所述基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果的步骤之后还包括:
对初始风险检测结果进行针对于所述预设风险检测模型的模型解释,获得所述初始风险检测结果对应的诉讼案件风险影响因素;
基于所述目标风险检测结果、所述案件分类结果和所述诉讼案件风险影响因素,生成诉讼案件风险检测报告;
其中,对所述初始风险检测结果进行针对于所述预设风险检测模型的模型解释,获得所述初始风险检测结果对应的诉讼案件风险影响因素的步骤包括:
确定所述诉讼特征数据对应的各诉讼案件特征;
基于所述预设风险检测模型,分别计算各所述诉讼案件特征对所述初始风险检测结果的特征贡献度;
基于各所述特征贡献度,在各所述诉讼案件特征中选取目标特征作为所述诉讼案件风险影响因素;
其中,所述涉诉信息包括涉诉案件文本,所述诉讼特征数据包括诉讼特征表示向量,所述构建所述涉诉信息对应的诉讼特征数据的步骤包括:
从所述涉诉案件文本中提取预设数量的构造特征对应的目标特征值,并将各所述目标特征值组合为构造特征向量;
对所述涉诉案件文本进行关键词词频检测,生成关键词词频向量;
将所述涉诉案件文本映射至预设数据维度空间,获得文本低维空间表示向量;
将所述构造特征向量、所述关键词词频向量与所述文本低维空间表示向量进行拼接,获得所述诉讼特征表示向量。
2.如权利要求1所述诉讼案件风险检测方法,其特征在于,所述基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果的步骤包括:
将所述诉讼特征数据输入所述预设风险检测模型,以基于所述诉讼特征数据,对所述目标诉讼案件进行诉讼风险检测,获得初始风险检测结果;
获取所述案件分类结果对应的目标权重,并基于所述目标权重和所述初始风险检测结果,生成所述目标风险检测结果。
3.如权利要求1所述诉讼案件风险检测方法,其特征在于,在所述基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果的步骤之前,所述诉讼案件风险检测方法还包括:
获取训练数据集,并构建所述训练数据集对应的训练特征数据集;
基于所述训练特征数据集,构建决策树模型;
基于所述决策树模型,对所述训练特征数据集进行特征筛选,获得目标特征数据集;
基于所述目标特征数据集,构建所述预设分类模型以及所述预设风险检测模型。
4.如权利要求3所述诉讼案件风险检测方法,其特征在于,所述决策树模型至少包括一决策树,
所述基于所述决策树模型,对所述训练特征数据集进行特征筛选,获得目标特征数据集的步骤包括:
确定所述训练特征数据集对应的各初始诉讼案件特征,并获取每一所述初始诉讼案件特征在各所述决策树中对应的非叶子节点数量;
基于各所述非叶子节点数量,对各所述初始诉讼案件特征进行特征重要性排序,获得特征重要性排序结果;
基于所述特征重要性排序结果,在各所述初始诉讼案件特征选取预设数量的目标诉讼案件特征;
在所述训练特征数据集选取各所述目标诉讼案件特征对应的特征数据共同作为所述目标特征数据集。
5.一种诉讼案件风险检测装置,其特征在于,所述诉讼案件风险检测装置包括:
构建模块,用于获取目标诉讼案件对应的涉诉信息,并构建所述涉诉信息对应的诉讼特征数据,其中,所述诉讼特征数据包括诉讼特征表示向量,所述诉讼特征表示向量由构造特征向量、关键词词频向量和文本低维空间表示向量拼接得到,所述涉诉信息包括涉诉案件文本,所述诉讼特征数据包括诉讼特征表示向量;
分类模块,用于基于所述诉讼特征数据与预设分类模型,对所述目标诉讼案件进行分类,获得案件分类结果;
风险检测模块,用于基于所述案件分类结果、所述诉讼特征数据与预设风险检测模型,对所述目标诉讼案件进行诉讼风险检测,获得目标风险检测结果;
风险检测模块,还用于对初始风险检测结果进行针对于所述预设风险检测模型的模型解释,获得所述初始风险检测结果对应的诉讼案件风险影响因素;基于所述目标风险检测结果、所述案件分类结果和所述诉讼案件风险影响因素,生成诉讼案件风险检测报告;
风险检测模块,还用于确定所述诉讼特征数据对应的各诉讼案件特征;基于所述预设风险检测模型,分别计算各所述诉讼案件特征对所述初始风险检测结果的特征贡献度;基于各所述特征贡献度,在各所述诉讼案件特征中选取目标特征作为所述诉讼案件风险影响因素;
所述构建模块,还用于从所述涉诉案件文本中提取预设数量的构造特征对应的目标特征值,并将各所述目标特征值组合为构造特征向量;对所述涉诉案件文本进行关键词词频检测,生成关键词词频向量;
将所述涉诉案件文本映射至预设数据维度空间,获得文本低维空间表示向量;将所述构造特征向量、所述关键词词频向量与所述文本低维空间表示向量进行拼接,获得所述诉讼特征表示向量。
6.一种诉讼案件风险检测设备,其特征在于,所述诉讼案件风险检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述诉讼案件风险检测方法的程序,
所述存储器用于存储实现诉讼案件风险检测方法的程序;
所述处理器用于执行实现所述诉讼案件风险检测方法的程序,以实现如权利要求1至4中任一项所述诉讼案件风险检测方法的步骤。
7.一种可读存储介质,其特征在于,所述可读存储介质上存储有实现诉讼案件风险检测方法的程序,所述实现诉讼案件风险检测方法的程序被处理器执行以实现如权利要求1至4中任一项所述诉讼案件风险检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084804.4A CN112801489B (zh) | 2021-01-21 | 2021-01-21 | 诉讼案件风险检测方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110084804.4A CN112801489B (zh) | 2021-01-21 | 2021-01-21 | 诉讼案件风险检测方法、装置、设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801489A CN112801489A (zh) | 2021-05-14 |
CN112801489B true CN112801489B (zh) | 2024-05-31 |
Family
ID=75811076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110084804.4A Active CN112801489B (zh) | 2021-01-21 | 2021-01-21 | 诉讼案件风险检测方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801489B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269359B (zh) * | 2021-05-20 | 2022-11-15 | 深圳易财信息技术有限公司 | 用户财务状况预测方法、设备、介质及计算机程序产品 |
CN113313417B (zh) * | 2021-06-23 | 2024-01-26 | 北京鼎泰智源科技有限公司 | 一种基于决策树模型的涉诉风险信号分级方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172952A (ja) * | 2015-05-07 | 2015-10-01 | 株式会社Ubic | 文書分別システム、文書分別システムの制御方法、および文書分別システムの制御プログラム |
CN105677726A (zh) * | 2015-12-29 | 2016-06-15 | 上海律巢网络科技有限公司 | 一种数据检索及结果呈现方法与系统 |
CN111429255A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
CN111461474A (zh) * | 2019-01-22 | 2020-07-28 | 北京国双科技有限公司 | 一种风险等级的确定方法及相关设备 |
CN111522955A (zh) * | 2020-04-29 | 2020-08-11 | 深圳市华云中盛科技股份有限公司 | 诉讼案件分类方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020143562A1 (en) * | 2001-04-02 | 2002-10-03 | David Lawrence | Automated legal action risk management |
-
2021
- 2021-01-21 CN CN202110084804.4A patent/CN112801489B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172952A (ja) * | 2015-05-07 | 2015-10-01 | 株式会社Ubic | 文書分別システム、文書分別システムの制御方法、および文書分別システムの制御プログラム |
CN105677726A (zh) * | 2015-12-29 | 2016-06-15 | 上海律巢网络科技有限公司 | 一种数据检索及结果呈现方法与系统 |
CN111461474A (zh) * | 2019-01-22 | 2020-07-28 | 北京国双科技有限公司 | 一种风险等级的确定方法及相关设备 |
CN111429255A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
CN111522955A (zh) * | 2020-04-29 | 2020-08-11 | 深圳市华云中盛科技股份有限公司 | 诉讼案件分类方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112801489A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471938B (zh) | 一种文本分类方法及终端 | |
CN111460250B (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN109214421B (zh) | 一种模型训练方法、装置、及计算机设备 | |
CN112801489B (zh) | 诉讼案件风险检测方法、装置、设备和可读存储介质 | |
KR102487040B1 (ko) | 아이템 유사도를 모델링하고 아이템 정보를 상관시키기 위한 시스템 및 방법 | |
CN108399482B (zh) | 合同的评估方法、装置和电子设备 | |
CN105574089A (zh) | 知识图谱的生成方法及装置、对象对比方法及装置 | |
CN112036169B (zh) | 事件识别模型优化方法、装置、设备及可读存储介质 | |
US20180046941A1 (en) | Systems and methods for multi-instance learning-based classification for streaming inputs | |
CN115830649A (zh) | 一种网络资产指纹特征的识别方法、装置及电子设备 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
CN112765003A (zh) | 一种基于app行为日志的风险预测方法 | |
CN114117056B (zh) | 一种训练数据的处理方法、装置以及存储介质 | |
CN111768247A (zh) | 下单率预测方法、设备及可读存储介质 | |
CN113378067B (zh) | 基于用户挖掘的消息推荐方法、设备、介质 | |
CN114239805A (zh) | 跨模态检索神经网络及训练方法、装置、电子设备、介质 | |
CN113887655A (zh) | 模型链回归预测方法、装置、设备及计算机存储介质 | |
CN110377741B (zh) | 文本分类方法、智能终端及计算机可读存储介质 | |
CN113269433B (zh) | 税收风险预测方法、设备、介质及计算机程序产品 | |
CN114265777B (zh) | 应用程序的测试方法、装置、电子设备及存储介质 | |
CN113298185B (zh) | 模型训练方法、异常文件检测方法、装置、设备及介质 | |
CN114297235A (zh) | 风险地址识别方法、系统及电子设备 | |
CN114266601A (zh) | 营销策略确定方法、装置、终端设备及存储介质 | |
CN113095589A (zh) | 一种人口属性确定方法、装置、设备及存储介质 | |
CN112598185A (zh) | 农业舆情分析方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |