CN113313417A - 一种基于决策树模型的涉诉风险信号分级方法及装置 - Google Patents
一种基于决策树模型的涉诉风险信号分级方法及装置 Download PDFInfo
- Publication number
- CN113313417A CN113313417A CN202110695414.0A CN202110695414A CN113313417A CN 113313417 A CN113313417 A CN 113313417A CN 202110695414 A CN202110695414 A CN 202110695414A CN 113313417 A CN113313417 A CN 113313417A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- grading
- classification
- risk data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003066 decision tree Methods 0.000 title claims abstract description 32
- 238000010606 normalization Methods 0.000 claims description 21
- 238000013145 classification model Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000013517 stratification Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于决策树模型的涉诉风险信号分级方法及装置。其中,该方法包括:获取原始风险数据;将所述原始风险数据进行归一化处理,得到待分级风险数据;将所述待分级风险数据通过风险分级模型,生成风险分级数据;将所述风险分级数据进行输出。本发明解决了现有技术中的涉诉风险信号分级过程,往往仅通过固定的风险信号分级规则进行分级操作,而无法通过分级历史数据随时进行规则的适应性修正或完善,降低了涉诉风险信号分级的效率和准确度的技术问题。
Description
技术领域
本发明涉及数据分级处理领域,具体而言,涉及一种基于决策树模型的涉诉风险信号分级方法及装置。
背景技术
随着智能化的不断发展,在当今的社会中人们利用智能化手段增加了学习、工作、生活的质量和效率,通过智能化手段可以给人们带来不同于传统处理方法的技术效果。
目前,在进行司法涉诉风险信号分级的时候,通常利用用户根据司法规则设定好的涉诉风险分级规则或风险分级算法,对司法数据进行涉诉风险信号分级,但是传统的涉诉风险信号分级过程,往往仅通过固定的风险信号分级规则进行分级操作,而无法通过分级历史数据随时进行规则的适应性修正或完善,降低了涉诉风险信号分级的效率和准确度。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于决策树模型的涉诉风险信号分级方法及装置,以至少解决现有技术中的涉诉风险信号分级过程,往往仅通过固定的风险信号分级规则进行分级操作,而无法通过分级历史数据随时进行规则的适应性修正或完善,降低了涉诉风险信号分级的效率和准确度的技术问题。
根据本发明实施例的一个方面,提供了一种基于决策树模型的涉诉风险信号分级方法,包括:获取原始风险数据;将所述原始风险数据进行归一化处理,得到待分级风险数据;将所述待分级风险数据通过风险分级模型,生成风险分级数据;将所述风险分级数据进行输出。
可选的,所述将所述原始风险数据进行归一化处理,得到待分级风险数据包括:将所述原始风险数据按照预设节点进行分割,得到分割风险数据;通过对所述分割风险数据进行归一化处理,生成待分级风险数据。
可选的,在所述将所述待分级风险数据通过风险分级模型,生成风险分级数据之前,所述方法还包括:根据预设决策树模型训练所述风险分级模型。
可选的,在所述将所述风险分级数据进行输出之后,所述方法还包括:根据所述风险分级数据,对用户终端进行提示。
根据本发明实施例的另一方面,还提供了一种基于决策树模型的涉诉风险信号分级装置,包括:获取模块,用于获取原始风险数据;归一化模块,用于将所述原始风险数据进行归一化处理,得到待分级风险数据;分级模块,用于将所述待分级风险数据通过风险分级模型,生成风险分级数据;输出模块,用于将所述风险分级数据进行输出。
可选的,所述归一化模块包括:分割单元,用于将所述原始风险数据按照预设节点进行分割,得到分割风险数据;处理单元,用于通过对所述分割风险数据进行归一化处理,生成待分级风险数据。
可选的,所述装置还包括:训练模块,用于根据预设决策树模型训练所述风险分级模型。
可选的,所述装置还包括:提示模块,用于根据所述风险分级数据,对用户终端进行提示。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于决策树模型的涉诉风险信号分级方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于决策树模型的涉诉风险信号分级方法。
在本发明实施例中,采用获取原始风险数据;将所述原始风险数据进行归一化处理,得到待分级风险数据;将所述待分级风险数据通过风险分级模型,生成风险分级数据;将所述风险分级数据进行输出的方式,解决了现有技术中的涉诉风险信号分级过程,往往仅通过固定的风险信号分级规则进行分级操作,而无法通过分级历史数据随时进行规则的适应性修正或完善,降低了涉诉风险信号分级的效率和准确度的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于决策树模型的涉诉风险信号分级方法的流程图;
图2是根据本发明实施例的一种基于决策树模型的涉诉风险信号分级装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种基于决策树模型的涉诉风险信号分级方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种基于决策树模型的涉诉风险信号分级方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取原始风险数据。
具体的,本发明实施例需要根据涉诉风险信息以及涉诉风险数据来进行涉诉风险的分级操作,对于上述涉诉风险的分级操作,首先要获取原始风险数据,其中,原始风险数据可以是本地生成的司法文本数据,也可以是基于图片、语音等经识别的风险数据,获取到的原始风险数据可以进行存储以备后续分析之用。
步骤S104,将所述原始风险数据进行归一化处理,得到待分级风险数据。
可选的,所述将所述原始风险数据进行归一化处理,得到待分级风险数据包括:将所述原始风险数据按照预设节点进行分割,得到分割风险数据;通过对所述分割风险数据进行归一化处理,生成待分级风险数据。
具体的,为了将本发明实施例获取到的原始风险数据进行分级,在通过采集设备获取到了原始风险数据之后,需要将上述原始风险数据进行归一化处理,即将所有的风险数据进行统一格式的转换,以便后续对待分级风险数据进行分级操作,例如将所述原始风险数据进行归一化处理,得到待分级风险数据包括:将所述原始风险数据按照预设节点进行分割,得到分割风险数据;通过对所述分割风险数据进行归一化处理,生成待分级风险数据。
步骤S106,将所述待分级风险数据通过风险分级模型,生成风险分级数据。
可选的,在所述将所述待分级风险数据通过风险分级模型,生成风险分级数据之前,所述方法还包括:根据预设决策树模型训练所述风险分级模型。
具体的,当获取到待分级风险数据之后,需要根据待分级风险数据和风险分级模型来生成风险分级数据,其中,风险分级数据表征着风险数据在经过模型算法计算之后得到的最有效分级数据,并将该分级数据作为最终的风险分级数据进行输出和展示。
需要说明的是,风险分级模型可以是通过预设决策树模型训练的风险分级模型,其利用了深度DNN神经网络算法和完备性历史数据进行训练,得到成熟的风险分级模型,其中,决策树模型是一种简单易用的非参数分类器。它不需要对数据有任何的先验假设,计算速度较快,结果容易解释,而且稳健性强,在复杂的决策情况中,往往需要多层次或多阶段的决策。当一个阶段决策完成后,可能有m种新的不同自然状态发生;每种自然状态下,都有m个新的策略可选择,选择后产生不同的结果并再次面临新的自然状态,继续产生一系列的决策过程,这种决策被称为序列决策或多级决策。此时,如果继续遵循上述的决策准则或采用效益矩阵分析问题,就容易使相应的表格关系十分复杂。决策树是一种能帮助决策者进行序列决策分析的有效工具,其方法是将问题中有关策略、自然状态、概率及收益值等通过线条和图形用类似于树状的形式表示出来。决策树模型就是由决策点、策略点(事件点)及结果构成的树形图,一般应用于序列决策中,通常以最大收益期望值或最低期望成本作为决策准则,通过图解方式求解在不同条件下各类方案的效益值,然后通过比较,做出决策。
步骤S108,将所述风险分级数据进行输出。
可选的,在所述将所述风险分级数据进行输出之后,所述方法还包括:根据所述风险分级数据,对用户终端进行提示。
通过上述实施例,解决了现有技术中的涉诉风险信号分级过程,往往仅通过固定的风险信号分级规则进行分级操作,而无法通过分级历史数据随时进行规则的适应性修正或完善,降低了涉诉风险信号分级的效率和准确度的技术问题。
实施例二
图2是根据本发明实施例的一种基于决策树模型的涉诉风险信号分级装置的结构框图,如图2所示,该装置包括:
获取模块20,用于获取原始风险数据。
具体的,本发明实施例需要根据涉诉风险信息以及涉诉风险数据来进行涉诉风险的分级操作,对于上述涉诉风险的分级操作,首先要获取原始风险数据,其中,原始风险数据可以是本地生成的司法文本数据,也可以是基于图片、语音等经识别的风险数据,获取到的原始风险数据可以进行存储以备后续分析之用。
归一化模块22,用于将所述原始风险数据进行归一化处理,得到待分级风险数据。
可选的,所述将所述原始风险数据进行归一化处理,得到待分级风险数据包括:将所述原始风险数据按照预设节点进行分割,得到分割风险数据;通过对所述分割风险数据进行归一化处理,生成待分级风险数据。
具体的,为了将本发明实施例获取到的原始风险数据进行分级,在通过采集设备获取到了原始风险数据之后,需要将上述原始风险数据进行归一化处理,即将所有的风险数据进行统一格式的转换,以便后续对待分级风险数据进行分级操作,例如将所述原始风险数据进行归一化处理,得到待分级风险数据包括:将所述原始风险数据按照预设节点进行分割,得到分割风险数据;通过对所述分割风险数据进行归一化处理,生成待分级风险数据。
分级模块24,用于将所述待分级风险数据通过风险分级模型,生成风险分级数据。
可选的,在所述将所述待分级风险数据通过风险分级模型,生成风险分级数据之前,所述方法还包括:根据预设决策树模型训练所述风险分级模型。
具体的,当获取到待分级风险数据之后,需要根据待分级风险数据和风险分级模型来生成风险分级数据,其中,风险分级数据表征着风险数据在经过模型算法计算之后得到的最有效分级数据,并将该分级数据作为最终的风险分级数据进行输出和展示。
需要说明的是,风险分级模型可以是通过预设决策树模型训练的风险分级模型,其利用了深度DNN神经网络算法和完备性历史数据进行训练,得到成熟的风险分级模型,其中,决策树模型是一种简单易用的非参数分类器。它不需要对数据有任何的先验假设,计算速度较快,结果容易解释,而且稳健性强,在复杂的决策情况中,往往需要多层次或多阶段的决策。当一个阶段决策完成后,可能有m种新的不同自然状态发生;每种自然状态下,都有m个新的策略可选择,选择后产生不同的结果并再次面临新的自然状态,继续产生一系列的决策过程,这种决策被称为序列决策或多级决策。此时,如果继续遵循上述的决策准则或采用效益矩阵分析问题,就容易使相应的表格关系十分复杂。决策树是一种能帮助决策者进行序列决策分析的有效工具,其方法是将问题中有关策略、自然状态、概率及收益值等通过线条和图形用类似于树状的形式表示出来。决策树模型就是由决策点、策略点(事件点)及结果构成的树形图,一般应用于序列决策中,通常以最大收益期望值或最低期望成本作为决策准则,通过图解方式求解在不同条件下各类方案的效益值,然后通过比较,做出决策。
输出模块26,用于将所述风险分级数据进行输出。
可选的,在所述将所述风险分级数据进行输出之后,所述方法还包括:根据所述风险分级数据,对用户终端进行提示。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于决策树模型的涉诉风险信号分级方法。
具体的,上述方法包括:获取原始风险数据;将所述原始风险数据进行归一化处理,得到待分级风险数据;将所述待分级风险数据通过风险分级模型,生成风险分级数据;将所述风险分级数据进行输出。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于决策树模型的涉诉风险信号分级方法。
具体的,上述方法包括:获取原始风险数据;将所述原始风险数据进行归一化处理,得到待分级风险数据;将所述待分级风险数据通过风险分级模型,生成风险分级数据;将所述风险分级数据进行输出。
通过上述实施例,解决了现有技术中的涉诉风险信号分级过程,往往仅通过固定的风险信号分级规则进行分级操作,而无法通过分级历史数据随时进行规则的适应性修正或完善,降低了涉诉风险信号分级的效率和准确度的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于决策树模型的涉诉风险信号分级方法,其特征在于,包括:
获取原始风险数据;
将所述原始风险数据进行归一化处理,得到待分级风险数据;
将所述待分级风险数据通过风险分级模型,生成风险分级数据;
将所述风险分级数据进行输出。
2.根据权利要求1所述的方法,其特征在于,所述将所述原始风险数据进行归一化处理,得到待分级风险数据包括:
将所述原始风险数据按照预设节点进行分割,得到分割风险数据;
通过对所述分割风险数据进行归一化处理,生成待分级风险数据。
3.根据权利要求1所述的方法,其特征在于,在所述将所述待分级风险数据通过风险分级模型,生成风险分级数据之前,所述方法还包括:
根据预设决策树模型训练所述风险分级模型。
4.根据权利要求1所述的方法,其特征在于,在所述将所述风险分级数据进行输出之后,所述方法还包括:
根据所述风险分级数据,对用户终端进行提示。
5.一种基于决策树模型的涉诉风险信号分级装置,其特征在于,包括:
获取模块,用于获取原始风险数据;
归一化模块,用于将所述原始风险数据进行归一化处理,得到待分级风险数据;
分级模块,用于将所述待分级风险数据通过风险分级模型,生成风险分级数据;
输出模块,用于将所述风险分级数据进行输出。
6.根据权利要求5所述的装置,其特征在于,所述归一化模块包括:
分割单元,用于将所述原始风险数据按照预设节点进行分割,得到分割风险数据;
处理单元,用于通过对所述分割风险数据进行归一化处理,生成待分级风险数据。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
训练模块,用于根据预设决策树模型训练所述风险分级模型。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
提示模块,用于根据所述风险分级数据,对用户终端进行提示。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。
10.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695414.0A CN113313417B (zh) | 2021-06-23 | 2021-06-23 | 一种基于决策树模型的涉诉风险信号分级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695414.0A CN113313417B (zh) | 2021-06-23 | 2021-06-23 | 一种基于决策树模型的涉诉风险信号分级方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313417A true CN113313417A (zh) | 2021-08-27 |
CN113313417B CN113313417B (zh) | 2024-01-26 |
Family
ID=77379796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110695414.0A Active CN113313417B (zh) | 2021-06-23 | 2021-06-23 | 一种基于决策树模型的涉诉风险信号分级方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313417B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549954A (zh) * | 2018-03-26 | 2018-09-18 | 平安科技(深圳)有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
CN109242361A (zh) * | 2018-10-31 | 2019-01-18 | 深圳市中电数通智慧安全科技股份有限公司 | 一种消防风险评估方法、装置及终端设备 |
CN109345381A (zh) * | 2018-12-19 | 2019-02-15 | 重庆誉存大数据科技有限公司 | 一种风险识别方法和系统 |
CN109657977A (zh) * | 2018-12-19 | 2019-04-19 | 重庆誉存大数据科技有限公司 | 一种风险识别方法和系统 |
CN109685635A (zh) * | 2018-09-11 | 2019-04-26 | 深圳平安财富宝投资咨询有限公司 | 金融业务的风险评估方法、风控服务端及存储介质 |
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 |
CN111090833A (zh) * | 2019-11-21 | 2020-05-01 | 深圳微众信用科技股份有限公司 | 一种数据处理方法、系统及相关设备 |
CN112270355A (zh) * | 2020-10-28 | 2021-01-26 | 长沙理工大学 | 基于大数据技术与sae-gru的主动安全预测方法 |
CN112418653A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种基于机器学习算法的携号转网潜客识别系统及方法 |
CN112801489A (zh) * | 2021-01-21 | 2021-05-14 | 招商银行股份有限公司 | 诉讼案件风险检测方法、装置、设备和可读存储介质 |
-
2021
- 2021-06-23 CN CN202110695414.0A patent/CN113313417B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549954A (zh) * | 2018-03-26 | 2018-09-18 | 平安科技(深圳)有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
CN109685635A (zh) * | 2018-09-11 | 2019-04-26 | 深圳平安财富宝投资咨询有限公司 | 金融业务的风险评估方法、风控服务端及存储介质 |
CN109242361A (zh) * | 2018-10-31 | 2019-01-18 | 深圳市中电数通智慧安全科技股份有限公司 | 一种消防风险评估方法、装置及终端设备 |
CN109345381A (zh) * | 2018-12-19 | 2019-02-15 | 重庆誉存大数据科技有限公司 | 一种风险识别方法和系统 |
CN109657977A (zh) * | 2018-12-19 | 2019-04-19 | 重庆誉存大数据科技有限公司 | 一种风险识别方法和系统 |
CN110245802A (zh) * | 2019-06-20 | 2019-09-17 | 杭州安脉盛智能技术有限公司 | 基于改进梯度提升决策树的卷烟空头率预测方法及系统 |
CN111090833A (zh) * | 2019-11-21 | 2020-05-01 | 深圳微众信用科技股份有限公司 | 一种数据处理方法、系统及相关设备 |
CN112270355A (zh) * | 2020-10-28 | 2021-01-26 | 长沙理工大学 | 基于大数据技术与sae-gru的主动安全预测方法 |
CN112418653A (zh) * | 2020-11-19 | 2021-02-26 | 重庆邮电大学 | 一种基于机器学习算法的携号转网潜客识别系统及方法 |
CN112801489A (zh) * | 2021-01-21 | 2021-05-14 | 招商银行股份有限公司 | 诉讼案件风险检测方法、装置、设备和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
DIVYA KRISHNANI: "Prediction of Coronary Heart Disease using Supervised Machine Learning Algorithms", 2019 IEEE REGION 10 CONFERENCE (TENCON 2019), pages 367 - 372 * |
谢林枫;钱立军;季聪;江明;吕辉;: "基于长短期记忆网络算法的电费回收风险预警", 电力工程技术, no. 05, pages 98 - 104 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313417B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240011B (zh) | 一种深度学习驱动的异常识别与修复方法及智能化系统 | |
CN106951925A (zh) | 数据处理方法、装置、服务器及系统 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN110516057B (zh) | 一种信访问题答复方法及装置 | |
EP4390725A1 (en) | Video retrieval method and apparatus, device, and storage medium | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN115423603A (zh) | 一种基于机器学习的风控模型建立方法、系统及存储介质 | |
CN115859191A (zh) | 故障诊断方法、装置、计算机可读存储介质及计算机设备 | |
CN112614012A (zh) | 用户窃电识别方法及装置 | |
CN106846170B (zh) | 一种发电机组跳闸监测方法及其监测装置 | |
CN112463894B (zh) | 一种基于条件互信息和交互信息的多标签特征选择方法 | |
CN111309770B (zh) | 一种基于无监督机器学习的自动生成规则系统及方法 | |
CN113313417B (zh) | 一种基于决策树模型的涉诉风险信号分级方法及装置 | |
CN114385876B (zh) | 一种模型搜索空间生成方法、装置及系统 | |
CN114969511A (zh) | 基于分片的内容推荐方法、设备及介质 | |
CN113434611A (zh) | 一种基于人工智能的销售分类方法及装置 | |
CN112131569B (zh) | 一种基于图网络随机游走的风险用户预测方法 | |
CN114782969A (zh) | 一种基于生成对抗网络的图像表格数据提取方法及装置 | |
CN111814922B (zh) | 一种基于深度学习的视频片段内容匹配方法 | |
CN111967600A (zh) | 一种风控场景下基于遗传算法的特征衍生系统及方法 | |
CN114338442B (zh) | 一种基于特征数据和深度学习的网络流量识别方法及系统 | |
CN113779964A (zh) | 一种语句分割方法及装置 | |
CN117171667A (zh) | 一种非侵入式负荷识别增强方法、装置和存储介质 | |
CN114422645A (zh) | 一种网约车、快递、外卖app的大数据检测分析方法及系统 | |
CN116226326A (zh) | 一种客服系统结构化数据的训练方法、装置、设备及介质 |
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 |