CN113434681A - 业务操作控制方法、装置、电子设备及介质 - Google Patents

业务操作控制方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113434681A
CN113434681A CN202110735373.3A CN202110735373A CN113434681A CN 113434681 A CN113434681 A CN 113434681A CN 202110735373 A CN202110735373 A CN 202110735373A CN 113434681 A CN113434681 A CN 113434681A
Authority
CN
China
Prior art keywords
service
business
data set
training
feature extraction
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
Application number
CN202110735373.3A
Other languages
English (en)
Inventor
陈家明
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110735373.3A priority Critical patent/CN113434681A/zh
Publication of CN113434681A publication Critical patent/CN113434681A/zh
Pending legal-status Critical Current

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
    • G06F16/30—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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

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)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能决策技术，揭露了一种业务操作控制方法，包括：将操作数据集输入至业务特征提取模型，得到操作数据集对应的业务特征；根据业务特征对操作数据集进行分类，得到业务分类子集；根据业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值；当风险评估值大于或者等于风险阈值时，对业务分类子集对应的业务操作执行撤回操作；当风险评估值小于所述风险阈值时，对业务分类子集对应的业务操作执行保持操作。此外，本发明还涉及区块链技术，所述风险评估值可存储于区块链的节点。本发明还提出一种业务操作控制装置、电子设备以及计算机可读存储介质。本发明可以解决业务操作控制时效率较低的问题。

Description

业务操作控制方法、装置、电子设备及介质
技术领域
本发明涉及智能决策技术领域，尤其涉及一种业务操作控制方法、装置、电子设备及介质。
背景技术
随着市场变化速度越来越快，在业务系统对业务数据进行业务操作时，也很容易出现业务操作不合规的风险，为了保证交易业务的顺利开展，需要对业务风险评估不合规的交易所对应的业务操作执行撤回处理，而业务操作时产生的操作数据往往是大量且混乱的，现有的方法在大量数据的情况下实现业务操作控制的效率较低。
发明内容
本发明提供一种业务操作控制方法、装置及计算机可读存储介质，其主要目的在于解决业务操作控制时效率较低的问题。
为实现上述目的，本发明提供的一种业务操作控制方法，包括：
通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集；
在预构建的BERT模型中添加奇偶句编码层，得到编码器，从获取到的Transformer模型中提取解码器，组合所述编码器和所述解码器，得到待训练业务特征提取模型；
利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型；
将所述操作数据集输入至所述业务特征提取模型，得到所述操作数据集对应的业务特征；
根据所述业务特征对所述操作数据集进行分类，得到业务分类子集；
根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值；
当所述风险评估值大于或者等于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行撤回操作；
当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
可选地，所述组合所述编码器和所述解码器，得到待训练业务特征提取模型，包括：
分别初始化所述编码器和所述解码器的参数；
根据预设的连接顺序将初始化后的所述编码器和所述解码器进行连接，得到所述待训练业务特征提取模型。
可选地，所述利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型，包括：
获取预设的编码器学习率、解码器学习率和训练周期，将所述训练数据集输入至所述待训练业务特征提取模型；
利用所述编码器及所述编码器学习率，对所述训练数据集进行特征提取，得到特征数据集；
利用所述解码器及所述解码器学习率，预测所述特征数据集对应的业务特征分类集；
利用所述业务特征分类集及预构建的优化算法，优化所述待训练业务特征提取模型的内部参数，并保存优化次数；
判断所述优化次数和所述训练周期的大小关系；
若所述优化次数小于或等于所述训练周期，再次执行利用所述编码器及所述编码器学习率，对所述训练数据集进行特征提取的操作；
若所述优化次数大于所述训练周期，停止对所述内部参数的优化，得到所述业务特征提取模型。
可选地，所述根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估之前，所述方法还包括：
获取训练分类集和所述训练分类集对应的标准评估结果；
将所述训练分类集输入至预设的风险评估模型进行特征提取，得到训练结果；
利用预设的损失函数对所述训练结果与标准评估结果进行损失值计算，得到损失值；
当所述损失值大于或等于预设的损失阈值，调整所述风险评估模型的参数，返回至特征提取并得到新的训练结果，计算新的训练结果和所述标准评估结果之间的损失值；
当所述损失值小于所述损失阈值，得到训练好的风险评估模型。
可选地，所述利用预设的损失函数对所述训练结果与标准评估结果进行损失值计算，得到损失值，包括：
利用如下计算公式对所述训练结果与标准评估结果进行损失值计算：
Figure BDA0003140054520000031
其中，
Figure BDA0003140054520000032
为所述损失值，
Figure BDA0003140054520000033
为所述训练结果，Y为所述标准评估结果，α表示误差因子，为预设常数。
可选地，所述获取业务系统的业务操作以及操作数据集之后，所述方法还包括：
对所述操作数据集进行分批处理；
将经过分批处理后的操作数据存储在内存中，当内存中的数据数量大于或者等于预设的存储阈值时，停止存储操作。
可选地，所述业务系统为生产管理系统，所述业务操作包括采购操作、入库管理和出库管理，所述操作数据集包括进行所述业务操作产生的相关数据。
为了解决上述问题，本发明还提供一种业务操作控制装置，所述装置包括：
数据获取模块，用于通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集；
模型构建模块，用于在预构建的BERT模型中添加奇偶句编码层，得到编码器，从获取到的Transformer模型中提取解码器，组合所述编码器和所述解码器，得到待训练业务特征提取模型；
模型训练模块，用于利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型；
业务分类模块，用于将所述操作数据集输入至所述业务特征提取模型，得到所述操作数据集对应的业务特征，根据所述业务特征对所述操作数据集进行分类，得到业务分类子集；
风险评估模块，用于根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值，当所述风险评估值大于或者等于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行撤回操作，当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的业务操作控制方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的业务操作控制方法。
本发明通过通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集，保证了获取到的操作数据集是实时的，以原Transformer模型中解码器为基础，在预构建的BERT模型中添加奇偶句编码层，得到新构建的编码器，并组合新构建的所述编码器和所述解码器，得到待训练业务特征提取模型，相比于单一的Transformer模型，本发明实施例添加了奇偶句编码层，使构建的待训练业务特征提取模型模型能够对奇偶个数的训练数据集划分后进行特征提取，根据所述操作业务特征对操作数据集进行分类，得到多个业务分类子集，通过对操作数据集进行分类，并将操作业务特征一致的数据划分到一起，便于后续选择对应的风险评估模型进行风险评估，根据得到的风险评估值和预设的风险阈值之间的比较，判定对所述业务分类子集对应的业务操作执行撤回或者保持操作。因此本发明提出的业务操作控制方法、装置、电子设备及介质，可以解决业务操作控制时效率较低的问题。
附图说明
图1为本发明一实施例提供的业务操作控制方法的流程示意图；
图2为本发明一实施例提供的业务操作控制装置的功能模块图；
图3为本发明一实施例提供的实现所述业务操作控制方法的电子设备的结构示意图。
本发明目的的实现、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仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种业务操作控制方法。所述业务操作控制方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述业务操作控制方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的业务操作控制方法的流程示意图。在本实施例中，所述业务操作控制方法包括：
S1、通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集。
本发明实施例中，所述业务系统为生产管理系统，所述业务操作包括采购操作、入库管理和出库管理，所述操作数据集包括进行所述业务操作产生的相关数据。具体的，可以通过具有数据调用功能的C++语句从所述生产管理系统中调出所述操作数据集。
具体地，所述订阅消息模式可以通过消息中间件为QPID(Open Source AMQPMessaging，高级消息队列)在数据进程中预先设定监听事件(包括但不限于关键词、特定语句等)，当所述监听事件发生时对其进行记录或报告。通过订阅消息模式可以实现监听并获取业务系统的业务操作以及操作数据集。
进一步地，所述获取业务系统的业务操作以及操作数据集之后，所述方法还包括：
对所述操作数据集进行分批处理；
将经过分批处理后的操作数据存储在内存中，当内存中的数据数量大于或者等于预设的存储阈值时，停止存储操作。
详细地，通过将所述操作数据集先存储在内存，然后当所述操作数据累计达到某些设定的阈值的时触发操作，将积累的操作数据数据一次性写入数据文件，减少了计算资源的占用。
S2、在预构建的BERT模型中添加奇偶句编码层，得到编码器，从获取到的Transformer模型中提取解码器，组合所述编码器和所述解码器，得到待训练业务特征提取模型。
本发明实施例中，BERT模型(Bidirectional Encoder Representations fromTransformers)是一种当前已公开的通用自然语言处理框架，内部结构包括嵌入层、多头注意力机制层及前馈反向层，其中嵌入层的作用是将文本用矩阵进行表示，所述多头注意力机制层的作用是从矩阵文本中提取得到文本特征，所述前馈反向层的作用是根据文本特征调解BERT模型的内部参数，达到优化BERT模型的目的。
本发明一可选实施例中，可从BERT模型所在的程序管理库中直接获取所述BERT模型。
进一步地，所述在预构建的BERT模型中添加奇偶句编码层，得到编码器，包括：在所BERT模型中的前馈反向层之后，添加所述奇偶句编码层，得到所述编码器。
具体地，所述Transformer模型是一种开源的自然语言处理模型，Transformer模型包括解码器，本发明实施例中，可以从数据库中获取Transformer模型，并从Transformer模型中提取解码器。
进一步地，所述组合所述编码器和所述解码器，得到待训练业务特征提取模型，包括：
分别初始化所述编码器和所述解码器的参数；
根据预设的连接顺序将初始化后的所述编码器和所述解码器进行连接，得到所述待训练业务特征提取模型。
S3、利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型。
本发明实施例中，所述利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型，包括：
获取预设的编码器学习率、解码器学习率和训练周期，将所述训练数据集输入至所述待训练业务特征提取模型；
利用所述编码器及所述编码器学习率，对所述训练数据集进行特征提取，得到特征数据集；
利用所述解码器及所述解码器学习率，预测所述特征数据集对应的业务特征分类集；
利用所述业务特征分类集及预构建的优化算法，优化所述待训练业务特征提取模型的内部参数，并保存优化次数；
判断所述优化次数和所述训练周期的大小关系；
若所述优化次数小于或等于所述训练周期，再次执行利用所述编码器及所述编码器学习率，对所述训练数据集进行特征提取的操作；
若所述优化次数大于所述训练周期，停止对所述内部参数的优化，得到所述业务特征提取模型。
优选的，本发明实施例中，所述预构建的优化算法采用Adam优化算法，优化所述待训练实体关系提取模型的内部参数，直至优化次数大于本发明实施例所设定的训练周期(如5000次)，得到所述业务特征提取模型。
S4、将所述操作数据集输入至所述业务特征提取模型，得到所述操作数据集对应的业务特征。
本发明实施例中，将所述操作数据集输入至所述业务特征提取模型中，可以得到所述操作数据集对应的业务特征，所述操作数据集对应的业务特征可以为“业务核心资本”、“业务附属资本”和“业务风险加权资本”等。
S5、根据所述业务特征对所述操作数据集进行分类，得到业务分类子集。
本发明实施例中，根据所述业务特征对所述操作数据集进行分类，分类后得到业务分类子集，多个业务分类子集代表着不同业务特征的数据集。
S6、根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值。
本发明实施例中，所述根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估之前，所述方法还包括：
获取训练分类集和所述训练分类集对应的标准评估结果；
将所述训练分类集输入至预设的风险评估模型进行特征提取，得到训练结果；
利用预设的损失函数对所述训练结果与标准评估结果进行损失值计算，得到损失值；
当所述损失值大于或等于预设的损失阈值，调整所述风险评估模型的参数，返回至特征提取并得到新的训练结果，计算新的训练结果和所述标准评估结果之间的损失值；
当所述损失值小于所述损失阈值，得到训练好的风险评估模型。
具体地，所述利用预设的损失函数对所述训练结果与标准评估结果进行损失值计算，得到损失值，包括：
利用如下计算公式对所述训练结果与标准评估结果进行损失值计算：
Figure BDA0003140054520000081
其中，
Figure BDA0003140054520000082
为所述损失值，
Figure BDA0003140054520000083
为所述训练结果，Y为所述标准评估结果，α表示误差因子，为预设常数。
详细地，所述风险评估值用于评估对应业务分类子集的风险等级，可将所述风险评估值与预设的风险阈值进行比较，从而确定需要对所述业务分类子集对应的业务操作执行何种处理。
S7、当所述风险评估值大于或者等于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行撤回操作。
具体的，通过撤回操作可以将正在进行的业务操作停止，或者将已经进行的业务操作回滚至操作之前的状态。
例如，在本发明实施例中，面对突发风险时，系统会主动采取主动防御，主动发起撤销不利的交易指令请求，将还挂在市场上的不利交易指令进行撤销，拒绝交易请求指令，从而实现最大可能降低风险的效能。应对诸如大额成交返回指标超限的突发情况，系统会主动发起撤单请求，将还挂在银行间的不利方向的电子交易订单撤回，有效防止风险进一步恶化。
S8、当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
本发明实施例中，当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
其中，当所述风险评估值小于所述预设的风险阈值时，表明所述风险评估值在合理范围内，无需对所述业务分类子集对应的业务操作执行撤回操作，而是执行保持操作即可。
本发明通过通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集，保证了获取到的操作数据集是实时的，以原Transformer模型中解码器为基础，在预构建的BERT模型中添加奇偶句编码层，得到新构建的编码器，并组合新构建的所述编码器和所述解码器，得到待训练业务特征提取模型，相比于单一的Transformer模型，本发明实施例添加了奇偶句编码层，使构建的待训练业务特征提取模型模型能够对奇偶个数的训练数据集划分后进行特征提取，根据所述操作业务特征对操作数据集进行分类，得到多个业务分类子集，通过对操作数据集进行分类，并将操作业务特征一致的数据划分到一起，便于后续选择对应的风险评估模型进行风险评估，根据得到的风险评估值和预设的风险阈值之间的比较，判定对所述业务分类子集对应的业务操作执行撤回或者保持操作。因此本发明提出的业务操作控制方法可以解决业务操作控制时效率较低的问题。
如图2所示，是本发明一实施例提供的业务操作控制装置的功能模块图。
本发明所述业务操作控制装置100可以安装于电子设备中。根据实现的功能，所述业务操作控制装置100可以包括数据获取模块101、模型构建模块102、模型训练模块103、业务分类模块104及风险评估模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据获取模块101，用于通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集；
所述模型构建模块102，用于在预构建的BERT模型中添加奇偶句编码层，得到编码器，从获取到的Transformer模型中提取解码器，组合所述编码器和所述解码器，得到待训练业务特征提取模型；
所述模型训练模块103，用于利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型；
所述业务分类模块104，用于将所述操作数据集输入至所述业务特征提取模型，得到所述操作数据集对应的业务特征，根据所述业务特征对所述操作数据集进行分类，得到业务分类子集；
所述风险评估模块105，用于根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值，当所述风险评估值大于或者等于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行撤回操作，当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
如图3所示，是本发明一实施例提供的实现业务操作控制方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如业务操作控制程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如业务操作控制程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如业务操作控制程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的业务操作控制程序是多个指令的组合，在所述处理器10中运行时，可以实现：
通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集；
在预构建的BERT模型中添加奇偶句编码层，得到编码器，从获取到的Transformer模型中提取解码器，组合所述编码器和所述解码器，得到待训练业务特征提取模型；
利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型；
将所述操作数据集输入至所述业务特征提取模型，得到所述操作数据集对应的业务特征；
根据所述业务特征对所述操作数据集进行分类，得到业务分类子集；
根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值；
当所述风险评估值大于或者等于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行撤回操作；
当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集；
在预构建的BERT模型中添加奇偶句编码层，得到编码器，从获取到的Transformer模型中提取解码器，组合所述编码器和所述解码器，得到待训练业务特征提取模型；
利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型；
将所述操作数据集输入至所述业务特征提取模型，得到所述操作数据集对应的业务特征；
根据所述业务特征对所述操作数据集进行分类，得到业务分类子集；
根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值；
当所述风险评估值大于或者等于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行撤回操作；
当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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网络单元上。可以根据实际的需要选择其中的部分或者全部模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种业务操作控制方法，其特征在于，所述方法包括：
通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集；
在预构建的BERT模型中添加奇偶句编码层，得到编码器，从获取到的Transformer模型中提取解码器，组合所述编码器和所述解码器，得到待训练业务特征提取模型；
利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型；
将所述操作数据集输入至所述业务特征提取模型，得到所述操作数据集对应的业务特征；
根据所述业务特征对所述操作数据集进行分类，得到业务分类子集；
根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值；
当所述风险评估值大于或者等于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行撤回操作；
当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
2.如权利要求1所述的业务操作控制方法，其特征在于，所述组合所述编码器和所述解码器，得到待训练业务特征提取模型，包括：
分别初始化所述编码器和所述解码器的参数；
根据预设的连接顺序将初始化后的所述编码器和所述解码器进行连接，得到所述待训练业务特征提取模型。
3.如权利要求1所述的业务操作控制方法，其特征在于，所述利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型，包括：
获取预设的编码器学习率、解码器学习率和训练周期，将所述训练数据集输入至所述待训练业务特征提取模型；
利用所述编码器及所述编码器学习率，对所述训练数据集进行特征提取，得到特征数据集；
利用所述解码器及所述解码器学习率，预测所述特征数据集对应的业务特征分类集；
利用所述业务特征分类集及预构建的优化算法，优化所述待训练业务特征提取模型的内部参数，并保存优化次数；
判断所述优化次数和所述训练周期的大小关系；
若所述优化次数小于或等于所述训练周期，再次执行利用所述编码器及所述编码器学习率，对所述训练数据集进行特征提取的操作；
若所述优化次数大于所述训练周期，停止对所述内部参数的优化，得到所述业务特征提取模型。
4.如权利要求1所述的业务操作控制方法，其特征在于，所述根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估之前，所述方法还包括：
获取训练分类集和所述训练分类集对应的标准评估结果；
将所述训练分类集输入至预设的风险评估模型进行特征提取，得到训练结果；
利用预设的损失函数对所述训练结果与标准评估结果进行损失值计算，得到损失值；
当所述损失值大于或等于预设的损失阈值，调整所述风险评估模型的参数，返回至特征提取并得到新的训练结果，计算新的训练结果和所述标准评估结果之间的损失值；
当所述损失值小于所述损失阈值，得到训练好的风险评估模型。
5.如权利要求4所述的业务操作控制方法，其特征在于，所述利用预设的损失函数对所述训练结果与标准评估结果进行损失值计算，得到损失值，包括：
利用如下计算公式对所述训练结果与标准评估结果进行损失值计算：
Figure FDA0003140054510000021
其中，
Figure FDA0003140054510000022
为所述损失值，
Figure FDA0003140054510000023
为所述训练结果，Y为所述标准评估结果，α表示误差因子，为预设常数。
6.如权利要求1所述的业务操作控制方法，其特征在于，所述获取业务系统的业务操作以及操作数据集之后，所述方法还包括：
对所述操作数据集进行分批处理；
将经过分批处理后的操作数据存储在内存中，当内存中的数据数量大于或者等于预设的存储阈值时，停止存储操作。
7.如权利要求1所述的业务操作控制方法，其特征在于，所述业务系统为生产管理系统，所述业务操作包括采购操作、入库管理和出库管理，所述操作数据集包括进行所述业务操作产生的相关数据。
8.一种业务操作控制装置，其特征在于，所述装置包括：
数据获取模块，用于通过订阅消息模式监听并获取业务系统的业务操作以及操作数据集；
模型构建模块，用于在预构建的BERT模型中添加奇偶句编码层，得到编码器，从获取到的Transformer模型中提取解码器，组合所述编码器和所述解码器，得到待训练业务特征提取模型；
模型训练模块，用于利用预获取的训练数据集训练所述待训练业务特征提取模型，得到业务特征提取模型；
业务分类模块，用于将所述操作数据集输入至所述业务特征提取模型，得到所述操作数据集对应的业务特征，根据所述业务特征对所述操作数据集进行分类，得到业务分类子集；
风险评估模块，用于根据所述业务分类子集的业务特征调用训练好的风险评估模型进行风险评估，得到风险评估值，当所述风险评估值大于或者等于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行撤回操作，当所述风险评估值小于所述预设的风险阈值时，对所述业务分类子集对应的业务操作执行保持操作。
9.一种电子设备，其特征在于，所述电子设备包括：
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执行如权利要求1至7中任意一项所述的业务操作控制方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的业务操作控制方法。
CN202110735373.3A 2021-06-30 2021-06-30 业务操作控制方法、装置、电子设备及介质 Pending CN113434681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110735373.3A CN113434681A (zh) 2021-06-30 2021-06-30 业务操作控制方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110735373.3A CN113434681A (zh) 2021-06-30 2021-06-30 业务操作控制方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN113434681A true CN113434681A (zh) 2021-09-24

Family

ID=77758102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110735373.3A Pending CN113434681A (zh) 2021-06-30 2021-06-30 业务操作控制方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113434681A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140157405A1 (en) * 2012-12-04 2014-06-05 Bill Joll Cyber Behavior Analysis and Detection Method, System and Architecture
CN109767076A (zh) * 2018-12-17 2019-05-17 平安科技（深圳）有限公司 黑名单的生成及筛查方法、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
CN111143175A (zh) * 2019-11-29 2020-05-12 北京浪潮数据技术有限公司 一种风险行为检测方法、装置、设备以及计算机存储介质
CN112418580A (zh) * 2019-08-22 2021-02-26 上海哔哩哔哩科技有限公司 一种风险控制方法、计算机设备及可读存储介
CN112528013A (zh) * 2020-12-10 2021-03-19 平安科技（深圳）有限公司 文本摘要提取方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140157405A1 (en) * 2012-12-04 2014-06-05 Bill Joll Cyber Behavior Analysis and Detection Method, System and Architecture
CN109767076A (zh) * 2018-12-17 2019-05-17 平安科技（深圳）有限公司 黑名单的生成及筛查方法、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
CN112418580A (zh) * 2019-08-22 2021-02-26 上海哔哩哔哩科技有限公司 一种风险控制方法、计算机设备及可读存储介
CN111143175A (zh) * 2019-11-29 2020-05-12 北京浪潮数据技术有限公司 一种风险行为检测方法、装置、设备以及计算机存储介质
CN112528013A (zh) * 2020-12-10 2021-03-19 平安科技（深圳）有限公司 文本摘要提取方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112541745A (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN111309825A (zh) 数据聚类的存储方法、装置及计算机可读存储介质
CN111652278A (zh) 用户行为检测方法、装置、电子设备及介质
CN112115145A (zh) 数据采集方法、装置、电子设备及存储介质
CN111768096A (zh) 基于算法模型的评级方法、装置、电子设备及存储介质
CN111694844A (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN112579621A (zh) 数据展示方法、装置、电子设备及计算机存储介质
CN113919738A (zh) 业务办理窗口分配方法、装置、电子设备及可读存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN113658002A (zh) 基于决策树的交易结果生成方法、装置、电子设备及介质
CN111985194A (zh) 数据存储方法、装置、电子设备及存储介质
CN115409041B (zh) 一种非结构化数据提取方法、装置、设备及存储介质
CN111652282A (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN113705201B (zh) 基于文本的事件概率预测评估算法、电子设备及存储介质
CN115759746A (zh) 可配置化的用户预警方法、装置、电子设备及存储介质
CN113434681A (zh) 业务操作控制方法、装置、电子设备及介质
CN114490137A (zh) 业务数据实时统计方法、装置、电子设备及可读存储介质
CN113705686A (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113626605A (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113657546A (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113486646A (zh) 产品报告发布方法、装置、电子设备及可读存储介质
CN113157677A (zh) 基于信托行为的数据过滤方法及装置
CN111652741A (zh) 用户偏好分析方法、装置及可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210924