CN113535825A - 一种基于云计算智能化的数据信息风控处理方法及系统 - Google Patents
一种基于云计算智能化的数据信息风控处理方法及系统 Download PDFInfo
- Publication number
- CN113535825A CN113535825A CN202110878005.4A CN202110878005A CN113535825A CN 113535825 A CN113535825 A CN 113535825A CN 202110878005 A CN202110878005 A CN 202110878005A CN 113535825 A CN113535825 A CN 113535825A
- Authority
- CN
- China
- Prior art keywords
- processing
- visual
- key information
- key
- 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.)
- Withdrawn
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/08—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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
应用本申请的基于云计算智能化的数据信息风控处理方法及系统,可以得到所涵盖的信息更加全面且更加准确的事件风险描述关系,进而对获取到的线上业务互动记录中各业务参与方的业务行为操作意图、业务设备网络地址等相关信息进行风险预测层面的事件检测和分析,同时,鉴于事件风险描述关系所涵盖的信息更加全面且更加准确,在进行风险预测层面的事件检测和分析时,通过事件风险描述关系能够从全局层面进行各类风险因素的深度挖掘和解析,从而确保针对线上业务互动记录的准确可靠的风控处理,由此,本申请实施例能够为风控处理提供完整可靠的原料信息(事件风险描述关系),以提高业务风控处理的信任指数。
Description
技术领域
本申请实施例涉及人工智能和信息风控技术领域,具体涉及一种基于云计算智能化的数据信息风控处理方法及系统。
背景技术
现目前,云计算+人工智能已经在无人驾驶、图像处理、语音识别等方面取得了突破性的应用。对于数据信息风控分支而言,人工智能也已在相关领域取的了成绩,例如,以反欺诈风控而言,AI自主学习已经在每个风控节点发挥作用。然而在实际应用过程中发明人发现,相关的数据信息风控处理技术虽然能够在个别的节点上发挥一定的作用,但是对于全局层面的风控因素挖掘分析而言,相关技术难以确保原料信息的完整性和丰富性,也即难以为数据信息风控处理提供准确完整的分析依据。
发明内容
本申请实施例提供了一种基于云计算智能化的数据信息风控处理方法,应用于数据信息风控处理系统,所述方法包括:获取线上业务互动记录以及所述线上业务互动记录对应的第一倾向识别程度分布和第二倾向识别程度分布,所述第一倾向识别程度分布为与所述线上业务互动记录对应的具有倾向识别程度标记的倾向识别程度分布,所述第二倾向识别程度分布为与所述线上业务互动记录对应的表征倾向识别程度信息的倾向识别程度分布,所述倾向识别程度标记表征对应的交互型事件是否具有倾向识别量化数据;对所述第一倾向识别程度分布进行第一调整处理,得到不同属性的偏好可信状态描述,所述偏好可信状态描述表征各交互型事件的倾向识别量化数据的偏向概率或者各交互型事件改进后的倾向识别程度标记;对所述第二倾向识别程度分布进行第二调整处理,得到与各所述偏好可信状态描述对应属性的第三倾向识别程度分布,并依据相同属性的第三倾向识别程度分布和偏好可信状态描述加权得到风险意图视觉描述;基于所述风险意图视觉描述得到所述线上业务互动记录对应的事件风险描述关系。
本申请实施例还提供了一种数据信息风控处理系统,包括处理器、通信总线和存储器;所述处理器和所述存储器通过所述通信总线通信,所述处理器从所述存储器中读取计算机程序并运行,以执行上述的方法。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序在运行时实现上述的方法。
相较于现有技术,本申请实施例可以通过线上业务互动记录以及对应的第一倾向识别程度分布和第二倾向识别程度分布进行相关的调整处理,得到所涵盖的信息更加全面且更加准确的事件风险描述关系,这样,可以方便的对获取到的线上业务互动记录中各业务参与方的业务行为操作意图、业务设备网络地址等相关信息进行风险预测层面的事件检测和分析,同时,鉴于事件风险描述关系所涵盖的信息更加全面且更加准确,在进行风险预测层面的事件检测和分析时,通过事件风险描述关系能够从全局层面进行各类风险因素的深度挖掘和解析,从而确保针对线上业务互动记录的准确可靠的风控处理,由此,本申请实施例能够为风控处理提供完整可靠的原料信息(事件风险描述关系),以提高业务风控处理的信任指数。
附图说明
图1为本申请实施例所提供的一种数据信息风控处理系统的方框示意图。
图2为本申请实施例所提供的一种基于云计算智能化的数据信息风控处理方法的流程图。
图3为本申请实施例所提供的一种基于云计算智能化的数据信息风控处理装置的框图。
具体实施方式
图1示出了本申请实施例所提供的一种数据信息风控处理系统10的方框示意图。本申请实施例中的数据信息风控处理系统10可以为具有数据存储、传输、处理功能的服务端,如图1所示,数据信息风控处理系统10包括:存储器11、处理器12、通信总线13和基于云计算智能化的数据信息风控处理装置20。
存储器11、处理器12和通信总线13之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有基于云计算智能化的数据信息风控处理装置20,所述基于云计算智能化的数据信息风控处理装置20包括至少一个可以软件或固件(firmware)的形式储存于所述存储器11中的软件功能模块,所述处理器12通过运行存储在存储器11内的软件程序以及模块,例如本申请实施例中的基于云计算智能化的数据信息风控处理装置20,从而执行各种功能应用以及数据处理,即实现本申请实施例中的基于云计算智能化的数据信息风控处理方法。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序在运行时实现上述的方法。
图2示出了本申请实施例所提供的一种基于云计算智能化的数据信息风控处理的流程图。所述方法有关的流程所定义的方法步骤应用于数据信息风控处理系统10,可以由所述处理器12实现,所述方法包括以下内容。
步骤10:获取线上业务互动记录以及所述线上业务互动记录对应的第一倾向识别程度分布和第二倾向识别程度分布。
在步骤10中,所述第一倾向识别程度分布为与所述线上业务互动记录对应的具有倾向识别程度标记的倾向识别程度分布,所述第二倾向识别程度分布为与所述线上业务互动记录对应的表征倾向识别程度信息的倾向识别程度分布,所述倾向识别程度标记表征对应的交互型事件是否具有倾向识别量化数据。
步骤20:对所述第一倾向识别程度分布进行第一调整处理,得到不同属性的偏好可信状态描述。
在步骤20中,所述偏好可信状态描述表征各交互型事件的倾向识别量化数据的偏向概率或者各交互型事件改进后的倾向识别程度标记。
步骤30:对所述第二倾向识别程度分布进行第二调整处理,得到与各所述偏好可信状态描述对应属性的第三倾向识别程度分布,并依据相同属性的第三倾向识别程度分布和偏好可信状态描述加权得到风险意图视觉描述。
步骤40:基于所述风险意图视觉描述得到所述线上业务互动记录对应的事件风险描述关系。
基于上述内容,以下对本申请实施例的各个步骤过程进行进一步的示例性阐述,以下内容应当理解为示例,并非本申请实施例的必不可少的内容。
本申请实施例提供的基于云计算智能化的数据信息风控处理方法可以通过AI机器学习模型实现,如相关的神经网络模型(长短期记忆神经网络模型或者前馈神经网络模型),或者也可以通过对应的运算策略(算法)实现,本申请对此不作进一步限定。
在一些可能的示例下,步骤10中获取的线上业务互动记录可以为相关业务参与方的互动记录(包括但不限于电商业务互动记录、办公业务互动记录、企业服务互动记录、智慧医疗就诊互动记录或云游戏互动记录),并且获取或者收集线上业务互动记录的功能模块可以为合法且经过业务参与方授权的网络爬虫、预设的信息收集线程,或者其他能够同时获取线上业务互动记录的倾向识别程度分布(由不同倾向识别程度组成的热力记录)的软件程序,本申请对此不作进一步限定。
此外,可以理解的是,本申请实施例获得的线上业务互动记录、第一倾向识别程度分布以及第二倾向识别程度分布中的各交互型事件的描述信息(比如特征信息)为一对一匹配的,即线上业务互动记录中的各交互型事件的事件状态量化统计值(不同的事件状态用不同的数值进行表示)与第一倾向识别程度分布中的倾向识别程度标记以及第二倾向识别程度分布中的倾向识别程度信息分别一对一匹配。其中线上业务互动记录、第一倾向识别程度分布以及第二倾向识别程度分布可以是通过例如合法且经过业务参与方授权的网络爬虫等软件程序在实时的情况下爬取的,即在获取线上业务互动记录的同时还能够获得其倾向识别程度分布,但本申请对此不进行进一步限定,倾向识别程度分布也可以是对线上业务互动记录进行注释而得到的。
在一些可能的示例下,本申请实施例可以自动化、智能化地获取线上业务互动记录、第一倾向识别程度分布和第二倾向识别程度分布,也可以从其他的业务端接收线上业务互动记录、第一倾向识别程度分布和第二倾向识别程度分布。
本申请实施例中的第二倾向识别程度分布为表征线上业务互动记录的倾向识别程度信息的视觉型关键描述(比如特征信息或者描述信息),其中,第二倾向识别程度分布中的成员表征线上业务互动记录中各交互型事件对应的倾向识别量化数据(比如倾向识别度)。第一倾向识别程度分布表征的是线上业务互动记录各交互型事件是否具有倾向识别量化数据,其可以通过不同的倾向识别程度标记表征,如“0”表征不存在倾向识别量化数据,“1”表征存在倾向识别量化数据,在其他实施例中也可以由其他的符号表征不同的倾向识别程度标记。因此,第一倾向识别程度分布可以为由成员“0”和“1”形成的标记列表,第二倾向识别程度分布可以是由倾向识别量化数据形成的倾向识别程度列表。
在获得了线上业务互动记录、第一倾向识别程度分布和第二倾向识别程度分布之后,便可以分别对线上业务互动记录、第一倾向识别程度分布和第二倾向识别程度分布进行处理,并进行描述内容的全局性整理,从而获得事件风险描述关系。在本申请实施例中,事件风险描述关系可以通过关系网络的方式展现不同事件风险描述信息之间的关联情况、影响情况或者传递情况,以尽可能在有限的内容的前提下呈现出更多维度的内容信息,为后续风控处理提供完整可信的分析依据。
在步骤20中可以对第一倾向识别程度分布进行第一调整处理,得到不同属性的偏好可信状态描述(比如将偏向概率进行排列组合以形成不同大小或者不同维度的矩阵),该偏好可信状态描述可以表征第二倾向识别程度分布中各倾向识别量化数据的偏向概率(可信系数或者可信指数),或者也可以表征成倾向识别程度标记的改进指数,即改进处理后的倾向识别程度标记。其中第一调整处理可以包括视觉信息挖掘处理(特征提取处理)和过拟合削弱处理(特征优化处理)。本申请实施例可以通过AI机器学习模型实现第一倾向识别程度分布的第一调整处理,例如可以将第一倾向识别程度分布作为AI机器学习模型的输入,通过相关的功能层执行处理,得到不同属性(规模)的偏好可信状态描述。其中,本申请实施例也可以通过与视觉信息挖掘和过拟合削弱对应的算法实现上述第一调整处理,本申请对此不进行进一步限定。
以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法的步骤20的一个可独立实施的技术方案,其中,所述对所述第一倾向识别程度分布进行第一调整处理,得到不同属性的偏好可信状态描述(步骤20),可以包括以下内容。
步骤21:对所述第一倾向识别程度分布执行一轮或多于一轮视觉信息挖掘处理,通过最后一轮视觉信息挖掘处理得到第一属性的偏好可信状态描述。
本申请实施例,可以对第一倾向识别程度分布进行改进处理,从而获得更加精准的倾向识别程度标记,或者更加精准的倾向识别程度信息的偏向概率。其中,偏向概率表征各交互型事件的倾向识别程度信息的信任指数,其可以为0~1之间的任意数值,该偏向概率越高,表征倾向识别程度信息越精准。
基于上述实施例而言,本申请实施例可以包括一轮或多于一轮视觉信息挖掘处理,通过该一轮或多于一轮视觉信息挖掘处理可以修改第一倾向识别程度分布的属性,例如每轮视觉信息挖掘处理都可以改变第一倾向识别程度分布的属性,或者一轮或多于一轮视觉信息挖掘处理可以改变第一倾向识别程度分布的属性,其中,通过最后一轮视觉信息挖掘处理可以得到第一属性的偏好可信状态描述,即通过视觉信息挖掘处理可以得到一个偏好可信状态描述,该偏好可信状态描述可以为属性最大或者最小的偏好可信状态描述,具体可以根据视觉信息挖掘处理的方式进行确定,本申请对此不进行限定。其中,在调整第一倾向识别程度分布的属性的同时,还能够进一步地整合第一倾向识别程度分布的相关关键描述,以及可以得到更为精准的倾向识别程度标记值,或者更确定的获得倾向识别程度信息的偏向概率。
在本申请实施例中,第一AI机器学习模型可以包括多个视觉信息挖掘层,每个视觉信息挖掘层分别用于进行相关的视觉信息挖掘处理。即,第一倾向识别程度分布通过该多个视觉信息挖掘层执行视觉信息挖掘处理后可以得到第一个偏好可信状态描述,如其属性为第一属性。其中,各视觉信息挖掘层采用的视觉信息挖掘线程的方式可以相同也可以存在差异,如可以为w*w的视觉信息挖掘线程,也可以为3w*3w的视觉信息挖掘线程,对于视觉信息挖掘层的数目以及视觉信息挖掘层采用的视觉信息挖掘线程的方式本申请实施例不作进一步限定,相关技术人员可以根据需求进行设定。
步骤22:对所述第一属性的偏好可信状态描述执行一轮或多于一轮过拟合削弱处理,通过每轮过拟合削弱处理得到其他属性的偏好可信状态描述,并且每轮过拟合削弱处理得到的偏好可信状态描述的属性存在差异。
其中,每轮过拟合削弱处理都可以得到不同属性的偏好可信状态描述,结合上述示例,在多个视觉信息挖掘层之后可以连接有多个过拟合削弱层,可以通过多个过拟合削弱层分别依次执行第一属性的偏好可信状态描述的过拟合削弱处理,每轮过拟合削弱处理皆可以得到一个属性的偏好可信状态描述,并且每轮过拟合削弱处理得到的偏好可信状态描述的属性存在差异。例如,经过多个视觉信息挖掘层可以得到第一属性的偏向概率记录,以及分别经过3个过拟合削弱层依次得到第二属性的偏好可信状态描述、第三属性的偏好可信状态描述以及第四属性的偏好可信状态描述,其中第一属性、第二属性、第三属性和第四属性为不同的属性,如第一属性为第二属性的1/2,第二属性为第三属性的1/2,以及第三属性为第四属性的1/2,本申请对此不作进一步限定,相关技术人员可以通过需求对过拟合削弱层和视觉信息挖掘层进行设置而得到不同属性的偏好可信状态描述。
基于上述所记载的相关实施例,可以实现第一倾向识别程度分布的改进处理,通过该改进处理可以得到具有更高准确度的偏好可信状态描述。
在另外的一些示例下,本申请实施例还可以对第二倾向识别程度分布进行第二调整处理,通过该第二调整处理可以得到线上业务互动记录对应的更为精准的不同属性的倾向识别程度分布,以下为根据本申请实施例中的一种基于云计算智能化的数据信息风控处理方法中步骤30的技术放那,其中所述对所述第二倾向识别程度分布进行第二调整处理,得到与各所述偏好可信状态描述对应属性的第三倾向识别程度分布(步骤30),可以包括以下内容。
步骤31:对所述第二倾向识别程度分布执行一轮或多于一轮第一关键信息抽取处理,通过各第一关键信息抽取处理得到不同属性的第一可视化信息抽取结果。
步骤32:对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行一轮或多于一轮第一关键信息翻译处理,得到与各偏好可信状态描述属性相同的所述第三倾向识别程度分布。
其中,本申请实施例的第二调整处理可以第一关键信息抽取处理以及第一关键信息翻译处理,通过关键信息抽取和关键信息翻译处理之后,可以得到与各偏好可信状态描述属性对应的第三倾向识别程度分布。
示例性的,本申请实施例首先可以对第二倾向识别程度分布执行一轮或多于一轮第一关键信息抽取处理,通过每轮的第一关键信息抽取处理得到对应的第一可视化信息抽取结果,其中每个第一可视化信息抽取结果的属性可以存在差异。
进一步地,可以对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行第一关键信息翻译处理,其中,在执行各第一关键信息翻译处理的过程中,可以整合第一关键信息抽取处理过程中得到的第一可视化信息抽取结果,从而可以提高第一倾向识别程度分布的改进效果。
在一些可能的设计思路下,可以通过第二AI机器学习模型执行上述第一关键信息抽取处理和第一关键信息翻译处理,从而可以保证获得的第三倾向识别程度分布的质量,同时还可以加快改进效果。或者,也可以通过对应的关键信息抽取和关键信息翻译算法执行上述第一关键信息抽取处理和第一关键信息翻译处理,本申请对此不进行进一步限定,本申请实施例以第二AI机器学习模型为例进行说明。但是其他能够通过对应的运算策略实现该关键信息翻译和关键信息抽取过程的实施例,也属于本申请实施例的保护范围。
以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中第二AI机器学习模型的相关内容。其中,第二AI机器学习模型可以包括执行第一关键信息抽取处理的至少一个第一关键信息抽取节点,比如包括多个第一关键信息抽取节点,该多个第一关键信息抽取节点至少可以执行视觉信息挖掘处理,例如第一个第一关键信息抽取节点执行视觉信息挖掘处理,其余各第一关键信息抽取节点执行过拟合削弱处理和视觉信息挖掘处理。通过该多个第一关键信息抽取节点可以分别得到多个第一可视化信息抽取结果,并且各第一可视化信息抽取结果的属性存在差异。而后经过一轮或多于一轮第一关键信息翻译处理,以根据最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果的关键信息翻译处理得到多个第三倾向识别程度分布。
在一些可能的示例中,可以包括3次第一关键信息翻译节点分别执行各第一关键信息翻译处理,其中,该多个第一关键信息翻译节点至少可以执行转秩视觉信息挖掘处理,例如第一个第一关键信息翻译节点可以执行转秩视觉信息挖掘处理,其余各第一关键信息翻译节点执行信息插值处理(上采样)和转秩视觉信息挖掘处理(反卷积)。通过该多个第一关键信息抽取节点可以分别得到多个第三倾向识别程度分布,并且各第三倾向识别程度分布的属性存在差异。且分别与各偏好可信状态描述的属性对应相同。其中,转秩视觉信息挖掘处理是与关键信息抽取过程中的视觉信息挖掘处理的反馈过程。
下面对第一关键信息抽取处理和第一关键信息翻译处理的过程进行进一步的示例性阐述,以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤31的一种可独立实施的技术方案。其中,所述对所述第二倾向识别程度分布执行一轮或多于一轮第一关键信息抽取处理,通过各第一关键信息抽取处理得到不同属性的第一可视化信息抽取结果,可以包括以下内容。
步骤311:对所述第二倾向识别程度分布执行第1轮第一关键信息抽取处理,所述第1轮第一关键信息抽取处理包括视觉信息挖掘处理。
步骤312:对经过第1轮第一关键信息抽取处理得到的倾向识别程度分布执行剩余的第一关键信息抽取处理,所述剩余的第一关键信息抽取处理包括过拟合削弱处理和视觉信息挖掘处理,其中通过各轮第一关键信息抽取处理得到的第一可视化信息抽取结果的属性存在差异。
基于上述实施例而言,本申请实施例可以对第二倾向识别程度分布执行多轮第一关键信息抽取处理,在执行第1轮第一关键信息抽取处理过程时,可以首先对第二倾向识别程度分布执行一轮或多于一轮视觉信息挖掘处理,得到对应的第一可视化信息抽取结果。比如,在执行第1轮第一关键信息抽取处理时,可以执行两轮视觉信息挖掘处理,通过该两轮视觉信息挖掘处理可以得到第一个第一可视化信息抽取结果。
在得到第一个第一可视化信息抽取结果之后,可以对该第一可视化信息抽取结果执行剩余的第一关键信息抽取处理,即执行步骤312。结合上述示例而言,在第二个第1轮第一关键信息抽取处理、第3轮第一关键信息抽取处理以及第4轮第一关键信息抽取处理时,可以首先执行过拟合削弱处理,而后对过拟合削弱处理的结果执行两轮视觉信息挖掘处理。即,本申请实施例的除了第1轮第一关键信息抽取处理的其余第一关键信息抽取处理可以包括过拟合削弱处理和视觉信息挖掘处理。其中,各第一关键信息抽取处理中的视觉信息挖掘处理所采用的视觉信息挖掘线程可以相同也可以存在差异,另外各第一关键信息抽取处理中所采用的视觉信息挖掘层以及过拟合削弱层的数目可以相同也可以存在差异,相关技术人员可以根据需求进行设定。经过各轮的第一关键信息抽取处理后可以获得各对应属性的第一可视化信息抽取结果。
在本申请的一些实施例中,第1轮第一关键信息抽取处理得到的第一可视化信息抽取结果可以为第四属性,第2轮第一关键信息抽取处理得到的第一可视化信息抽取结果可以为第三属性,第3轮第一关键信息抽取处理得到的第一可视化信息抽取结果可以为第二属性,以及第4轮第一关键信息抽取处理得到的第一可视化信息抽取结果可以为第一属性。即本申请实施例中,按照第一关键信息抽取处理的次序得到的各第一可视化信息抽取结果的属性可以与第一调整处理中得到的各偏好可信状态描述的属性呈反序。在其他实施例中,各第一可视化信息抽取结果的属性也可以与各偏好可信状态描述的属性存在差异,只要最后得到的各第三倾向识别程度分布与各偏好可信状态描述的属性对应相同,便可以作为本申请实施例。
在对第二倾向识别程度分布执行第一关键信息抽取处理之后并得到各第一可视化信息抽取结果之后,便可以对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行一轮或多于一轮关键信息翻译处理。以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤32的可独立实施的技术方案。其中,所述对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行一轮或多于一轮第一关键信息翻译处理,得到与各偏好可信状态描述属性相同的所述第三倾向识别程度分布,可以包括以下内容。
步骤321:对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行第1轮第一关键信息翻译处理,得到所述第1轮第一关键信息翻译处理对应的第三倾向识别程度分布,所述第1轮第一关键信息翻译处理包括转秩视觉信息挖掘处理。
步骤322:对经过第1轮第一关键信息翻译处理得到的第三倾向识别程度分布执行剩余的第一关键信息翻译处理,得到其他属性的第三倾向识别程度分布,所述剩余的第一关键信息翻译处理包括信息插值处理和转秩视觉信息挖掘处理。
本申请实施例中,可以首先对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行一轮或多于一轮第一关键信息翻译处理,通过每轮的第一关键信息翻译处理可以分别得到对应的第三倾向识别程度分布。其中,可以首先对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行第1轮第一关键信息翻译处理,得到第1轮第一关键信息翻译处理对应的第三倾向识别程度分布。其中,本申请实施例的第1轮关键信息翻译处理可以包括转秩视觉信息挖掘处理,其中通过两个转秩视觉信息挖掘层依次执行输入的第一可视化信息抽取结果的转秩视觉信息挖掘操作,得到第一属性的第三倾向识别程度分布。其中,第一关键信息翻译处理中的转秩视觉信息挖掘处理可以为第一关键信息抽取处理中的视觉信息挖掘处理过程的反馈过程。
在得到第一属性的第三倾向识别程度分布之后,便可以进一步对该第三倾向识别程度分布执行剩余的第一关键信息翻译处理,得到其余属性的第三倾向识别程度分布。本申请实施例中,第一关键信息翻译处理的轮数可以和第一关键信息抽取处理的轮数相同,例如本申请实施例中可以皆为3次,但不作为本申请实施例的限定。在得到第1轮第一关键信息翻译处理的第三倾向识别程度分布之后,便可以对该第三倾向识别程度分布执行第2轮第一关键信息翻译处理,第2轮第一关键信息翻译处理可以包括信息插值处理和转秩视觉信息挖掘处理,其中通过信息插值处理可以扩增第三倾向识别程度分布的属性,通过转秩视觉信息挖掘处理可以提高第三倾向识别程度分布中的各倾向识别程度信息的质量。对应的,通过第2轮第一关键信息翻译处理可以得到第二属性的第三倾向识别程度分布。
同理而言,通过第3轮第一关键信息翻译处理和第4轮第一关键信息翻译处理可以分别得到第三属性的第三倾向识别程度分布和第四属性的第三倾向识别程度分布。其中,除了第1轮第一关键信息翻译处理之外的第一关键信息翻译处理,可以包括信息插值处理和转秩视觉信息挖掘处理。并且,每轮第一关键信息翻译处理中所使用的视觉信息挖掘线程可以相同或者不同,本申请实施例可以通过需求进行不同的设计。
在本申请的一些可能的实施方式中,为了进一步提高得到的各第三倾向识别程度分布的质量,可以结合第一可视化信息抽取结果执行第一关键信息翻译处理。其中,可以依据与前次第一关键信息抽取处理得到的第三倾向识别程度分布信息插值处理后的倾向识别程度分布属性相同的第一可视化信息抽取结果,得到的可视化关联结果,并将对可视化关联结果执行视觉信息挖掘处理,以完成当前的第一关键信息翻译处理得到相应的第三倾向识别程度分布。以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤322的一个可独立实施的设计思路,其中,所述对经过第1轮第一关键信息翻译处理得到的第三倾向识别程度分布执行剩余的第一关键信息翻译处理,可以包括以下内容。
步骤3221:对第x轮第一关键信息翻译处理得到的第三倾向识别程度分布执行信息插值处理,得到信息插值后的第三倾向识别程度分布。
步骤3222:将该信息插值后的第三倾向识别程度分布与相同属性的第一可视化信息抽取结果关联,得到第一可视化关联结果。
步骤3223:对所述第一可视化关联结果执行转秩视觉信息挖掘处理,得到第x+1轮关键信息翻译处理对应的第三倾向识别程度分布,其中x为大于或者等于1且小于或者等于G的正整数,G表征关键信息翻译处理的轮数。
基于上述内容,除了第1轮第一关键信息翻译处理的其余第一关键信息翻译处理可以包括信息插值处理和转秩视觉信息挖掘处理,本申请实施例可以对前一次第一关键信息翻译处理得到的第三倾向识别程度分布执行信息插值处理,并根据与信息插值处理后的第三倾向识别程度分布的属性相同的第一可视化信息抽取结果得到的可视化关联结果,以执行下一轮的第一关键信息翻译处理,得到相应的第三倾向识别程度分布。
其中,在执行第x+1轮第一关键信息翻译处理时,可以首先对第x轮(x大于或者等于1)第一关键信息翻译处理得到的第三倾向识别程度分布执行信息插值处理,在提高内容丰富程度和质量的同时还可以扩增第三倾向识别程度分布的属性。例如在执行第2轮第一关键信息翻译处理时,可以将第1轮第一关键信息翻译处理的第三倾向识别程度分布从第一属性更替为第二属性,在执行第3轮第一关键信息翻译处理时,可以将第2轮第一关键信息翻译处理得到的第三倾向识别程度分布从第二属性更替为第三属性,以及在执行第4轮第一关键信息翻译处理时,可以将第3轮第一关键信息翻译处理得到的第三倾向识别程度分布从第三属性更替为第四属性。
在经过信息插值处理之后,可以将信息插值处理之后的第三倾向识别程度分布与属性相同的第一可视化信息抽取结果进行关联,得到可视化关联结果。例如,可以将第2轮第一关键信息翻译处理中信息插值处理后的第三倾向识别程度分布与第3轮第一关键信息抽取处理得到第一可视化信息抽取结果进行组装,得到第2轮关键信息翻译处理对应的第一可视化关联结果,其中二者的属性皆为第二属性。
对应的,可以将第3轮第一关键信息翻译处理中信息插值处理后的第三倾向识别程度分布与第2轮第一关键信息抽取处理得到第一可视化信息抽取结果进行组装,得到第3轮第一关键信息翻译处理对应的第一可视化关联结果,其中二者的属性皆为第三属性。以及还可以将第4轮第一关键信息翻译处理中信息插值处理后的第三倾向识别程度分布与第1轮第一关键信息抽取处理得到第一可视化信息抽取结果进行组装,得到第4轮关键信息翻译处理对应的第一可视化关联结果,其中二者的属性皆为第四属性。从而可以得到不同属性的第一可视化关联结果。
在得到第x+1轮第一关键信息翻译处理对应的可视化关联结果之后,便可以对该第一可视化关联结果执行转秩视觉信息挖掘处理,得到相应属性的第三倾向识别程度分布。即,可以对第x+1轮第一关键信息翻译处理对应的所述第一可视化关联结果执行转秩视觉信息挖掘处理,得到第x+1轮关键信息翻译处理对应的第三倾向识别程度分布,其中x为大于或者等于1且小于或者等于G的正整数,G表征关键信息翻译处理的轮数。
基于上述内容,便可以实现第二倾向识别程度分布的改进过程。通过一轮或多于一轮的第一关键信息抽取处理和一轮或多于一轮的第一关键信息翻译处理,可以得到与倾向识别程度偏向概率属性相同的第三倾向识别程度分布,同时还提高了倾向识别程度分布的倾向识别程度的准确度和可信度。
在得到第三倾向识别程度分布和偏好可信状态描述之后,便可以依据相同属性的第三倾向识别程度分布和偏好可信状态描述的全局性整合结果,得到风险意图视觉描述。以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤30的可独立实施的技术方案,其中,在步骤31和步骤32之后,还可以包括以下内容。
步骤33:依据相同属性的第三倾向识别程度分布和偏好可信状态描述加权得到风险意图视觉描述。
本申请实施例,通过第一倾向识别程度分布的第一调整处理,可以得到不同属性的偏好可信状态描述,以及通过第二倾向识别程度分布的第二调整处理可以得到与偏好可信状态描述属性相同的各第三倾向识别程度分布,其中,通过相同属性的第三倾向识别程度分布和偏好可信状态描述的全局性整合结果可以得到该属性对应的风险意图视觉描述。
在其他的一些实施例中,为了提高处理质量,本申请实施例还可以对得到的偏好可信状态描述执行衍生处理,并对衍生处理后的偏好可信状态描述与第三倾向识别程度分布执行加权处理,得到相应的风险意图视觉描述。以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤33的可独立实施的技术方案,其中所述依据相同属性的第三倾向识别程度分布和偏好可信状态描述加权得到风险意图视觉描述,可以包括以下内容。
步骤331:将各所述偏好可信状态描述分别经过衍生节点的衍生处理,所述衍生处理包括至少衍生一轮所述偏好可信状态描述中的各层次化关键内容。
步骤332:将经衍生处理后的各倾向识别程度偏向概率与属性相同的第三倾向识别程度分布加权,得到对应属性的风险意图视觉描述。
本申请实施例的第一AI机器学习模型在得到各偏好可信状态描述之后,还可以将各偏好可信状态描述输入至衍生节点(描述复制单元),对各偏好可信状态描述执行衍生处理,其中该衍生处理可以对偏好可信状态描述中的各层面的关键信息进行一轮或多于一轮的衍生,便可以将单一层面衍生成双层面或者多层面,或者也可以执行其他轮数的衍生处理,具体可以根据衍生节点的模型变量确定。通过衍生节点的衍生处理,可以衍生偏好可信状态描述中的一部分交互型事件对应的层次化关键内容,也可以衍生偏好可信状态描述的全部交互型事件的层次化关键内容,本申请对此不进行限定,具体可以根据需求设定和改进。通过该衍生处理,可以扩增偏好可信状态描述中的特征描述,可以进一步提高后续描述整合的质量。
在衍生处理之后,可以将衍生后的各倾向识别程度视觉型关键描述与对应的第三倾向识别程度分布加权,如对应成员加权,从而得到相应属性的风险意图视觉描述。本申请实施例的衍生处理,可以不改变视觉型关键描述的属性,相当于增加了视觉型关键描述的规模。
在得到风险意图视觉描述之后,便可以依据该风险意图视觉描述与线上业务互动记录得到对应的事件风险描述关系。以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤40的独立实施的技术方案。其中,所述基于所述风险意图视觉描述得到所述线上业务互动记录对应的事件风险描述关系,可以包括以下内容。
步骤41:基于所述风险意图视觉描述对所述线上业务互动记录执行第三调整处理,得到全局型风险意图记录。
步骤42:对所述全局型风险意图记录执行第四调整处理,得到所述线上业务互动记录对应的事件风险描述关系。
本申请实施例中,第三调整处理可以包括视觉信息挖掘处理和信息插值处理,其中,风险意图视觉描述是由第三倾向识别程度分布和偏好可信状态描述确定的,因此风险意图视觉描述中包括的倾向识别程度信息中携带了倾向识别程度信息的可能性,并能够准确的体现各交互型事件的倾向识别量化数据。通过该风险意图视觉描述与线上业务互动记录的整合,可以准确地获取高质量的各交互型事件对应的全局型描述。
其中,首先可以对线上业务互动记录执行第三调整处理,以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤41的独立实施的技术方案。其中,所述基于所述风险意图视觉描述对所述线上业务互动记录执行第三调整处理,得到全局型风险意图记录,可以包括以下内容。
步骤411:对所述线上业务互动记录执行一轮或多于一轮第二关键信息抽取处理,通过各第二关键信息抽取处理得到不同属性的第二可视化信息抽取结果。
步骤412:基于所述风险意图视觉描述,对最后一轮第二关键信息抽取处理得到的第二可视化信息抽取结果执行一轮或多于一轮第二关键信息翻译处理,得到所述全局型风险意图记录。
在本申请实施例中,对线上业务互动记录的第三调整处理也可以包括一轮或多于一轮的关键信息抽取处理和一轮或多于一轮的关键信息翻译处理,如上述第二关键信息抽取处理和第二关键信息翻译处理。其中,首先可以对线上业务互动记录执行一轮或多于一轮第二关键信息抽取处理,通过该一轮或多于一轮第二关键信息抽取处理中的各第二关键信息抽取处理可以得到不同属性的第二可视化信息抽取结果。
另外,本申请实施例的步骤41可以通过AI机器学习模型实现,或者也可以通过对应的运算策略实现,本申请实施例对此不作进一步限定,下面以AI机器学习模型为例进行说明。以下为本申请实施例的一种基于云计算智能化的数据信息风控处理方法中第三AI机器学习模型的相关说明。其中,该第三AI机器学习模型可以执行线上业务互动记录的第三调整处理。其中,可以通过至少一个第二关键信息抽取节点分别执行上述第二关键信息抽取处理,第二关键信息抽取节点可以包括视觉信息挖掘层,也可以包括视觉信息挖掘层和过拟合削弱层。
其中,对于相关的第二AI机器学习模型而言,可以包括5个第二关键信息抽取节点,用于分别执行各第二关键信息抽取处理。其中第一个关键信息抽取节点可以包括两个视觉信息挖掘层用于分别执行两轮视觉信息挖掘处理,得到第一个第二可视化信息抽取结果。后续的剩下4个第二关键信息抽取节点可以分别包括视觉信息挖掘层和过拟合削弱层,对应的执行视觉信息挖掘处理和过拟合削弱处理,并可以对应的得到第二可视化信息抽取结果,各第二关键信息抽取节点得到的第二可视化信息抽取结果的属性存在差异。
从另一个角度来看待,本申请实施例中,所述对所述线上业务互动记录执行一轮或多于一轮第二关键信息抽取处理,通过各第二关键信息抽取处理得到不同属性的第二可视化信息抽取结果,可以包括以下内容:对所述线上业务互动记录执行第1轮第二关键信息抽取处理,所述第1轮第二关键信息抽取处理包括视觉信息挖掘处理;对经过第1轮第二关键信息抽取处理得到的第二可视化信息抽取结果执行剩余的第二关键信息抽取处理,所述剩余的第二关键信息抽取处理包括过拟合削弱处理和视觉信息挖掘处理。
即第1轮第二关键信息抽取处理仅包括视觉信息挖掘处理,以及除了第1轮第二关键信息抽取处理的其余第二关键信息抽取处理可以包括过拟合削弱处理和视觉信息挖掘处理。通过各轮第二关键信息抽取处理可以得到不同属性的第二可视化信息抽取结果。其中,各第二关键信息抽取处理中包括的视觉信息挖掘处理所采用的视觉信息挖掘线程可以相同,也可以存在差异,本申请对此不作进一步限定。
在执行各第二关键信息抽取处理之后,便可以执行后续的一轮或多于一轮第二关键信息翻译处理,例如可以对最后一轮第二关键信息抽取处理得到的第二可视化信息抽取结果执行第二关键信息翻译处理,第二关键信息翻译处理过程中,可以根据风险意图视觉描述和第二可视化信息抽取结果得到全局型风险意图记录。即得到的全局型风险意图记录中既包括了线上业务互动记录的事件描述(第二可视化信息抽取结果)同时还包括了倾向识别程度描述,而且皆为所涵盖的信息更加全面且更加准确的特征描述,通过二者的第二关键信息翻译处理,可以进一步提高得到的全局型风险意图记录的内容丰富程度和质量。
以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤412的可独立实施的技术方案。其中所述基于所述风险意图视觉描述,对最后一轮第二关键信息抽取处理得到的第二可视化信息抽取结果执行一轮或多于一轮第二关键信息翻译处理,得到所述全局型风险意图记录,可以包括以下内容。
步骤4121:对第y轮第二关键信息翻译处理的输入信息执行转秩视觉信息挖掘处理,得到转秩视觉信息挖掘处理后的视觉型关键描述,y为大于0小于P+1的正整数,P为第二关键信息翻译处理的轮数。
步骤4122:对经所述转秩视觉信息挖掘处理后得到的视觉型关键描述进行信息插值处理,并将信息插值处理后的视觉型关键描述和与其属性相同的第二可视化信息抽取结果关联,得到第二可视化关联结果。
步骤4123:对所述第二可视化关联结果执行转秩视觉信息挖掘处理,并将经过转秩视觉信息挖掘处理后的第二可视化关联结果与属性相同的风险意图视觉描述组合,得到第y轮第二关键信息翻译处理对应的第一视觉型关键描述。
步骤4124:将最后一轮第二关键信息翻译处理后得到的第一视觉型关键描述确定为全局型风险意图记录。
本申请实施例中,可以首先对最后一轮第二关键信息抽取处理得到的第二可视化信息抽取结果执行第1轮第二关键信息翻译处理,便可以将第1轮第二关键信息抽取处理的输入信息确定为最后一轮第二关键信息抽取处理得到的第二可视化信息抽取结果。通过该第1轮第二关键信息翻译处理可以得到对应的第一视觉型关键描述。进一步的,可以将一次的第二关键信息翻译视觉型关键描述的输出(第一视觉型关键描述)作为下一次关键信息翻译视觉型关键描述的输入信息,以执行后续的第2轮关键信息翻译特征处理,对应的,可以将第y轮第二关键信息翻译处理的输出视觉型关键描述作为y+1次第二关键信息翻译处理的输入信息,通过进行相关的第二关键信息翻译处理便可以得到每个第二关键信息翻译处理对应的第一视觉型关键描述。通过最后一轮第二关键信息翻译处理可以得到全局型风险意图记录。
例如,可以执行3次第二关键信息翻译处理,其中,第y轮第二关键信息翻译处理可以对第y轮第二关键信息翻译处理的输入信息执行转秩视觉信息挖掘处理和信息插值处理,得到转秩视觉信息挖掘处理和信息插值处理后的视觉型关键描述,例如可以执行转秩视觉信息挖掘处理和一次信息插值处理、。而后将与所述视觉信息挖掘处理后的视觉型关键描述和与其属性相同的第二可视化信息抽取结果关联,得到第二可视化关联结果,其中,本申请实施例的通过转秩视觉信息挖掘处理可以进一步整合第二可视化信息抽取结果中的特征信息,并得到相应属性的转秩视觉信息挖掘处理后的视觉型关键描述,通过将与相同属性的转秩视觉信息挖掘结果和风险意图视觉描述组合,得到第一视觉型关键描述。通过反复执行上述关键信息翻译处理的过程,可以执行后续的第二关键信息翻译处理,其中,最后一轮第二关键信息翻译处理后得到的第一视觉型关键描述确定为全局型风险意图记录。
本申请实施例中,第二关键信息翻译处理的轮数可以和第二关键信息抽取处理的轮数相同,从而可以得到与风险意图视觉描述相同数目的第一视觉型关键描述。例如本申请实施例中可以皆为3次,但不作为本申请实施例的限定。
通过最后一轮第二关键信息翻译处理得到的第一视觉型关键描述可以作为全局型风险意图记录,继而可以对该全局型风险意图记录执行步骤42,即执行第四调整处理。以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中步骤42的可独立实施的技术方案。其中,所述对所述全局型风险意图记录执行第四调整处理,得到所述线上业务互动记录对应的事件风险描述关系,可以包括以下内容。
步骤421:对所述全局型风险意图记录执行第三关键信息抽取处理。
步骤422:对第三关键信息抽取处理得到的视觉型关键描述执行第三关键信息翻译处理,得到所述线上业务互动记录对应的事件风险描述关系。
在得到全局型风险意图记录之后,可以对该全局型风险意图记录执行第三关键信息抽取处理,该第三关键信息抽取处理可以包括视觉信息挖掘处理,结合上述内容,可以执行3次视觉信息挖掘处理。在经过该第三关键信息抽取处理之后,可以执行第三关键信息翻译处理,继续结合上述内容,可以执行2次转秩视觉信息挖掘处理,通过该过程可以得到所述线上业务互动记录对应的事件风险描述关系。其中,事件风险描述关系中的各成员可以为与线上业务互动记录中各交互型事件对应的不同角度的检测内容,通过不同角度的检测内容可以确定该交互型事件对应的事件风险描述,进而形成全局性的且存在互相关联的事件风险描述关系。
可以理解的是,在执行完步骤40所描述的基于所述风险意图视觉描述得到所述线上业务互动记录对应的事件风险描述关系的步骤之后,本申请实施例还包括针对事件风险描述关系进行结合需求事项的针对性分析处理。基于此,在一种可独立实施的技术方案中,该方法还可以包括以下步骤(1)-步骤(4)所描述的技术方案。
(1)根据所述事件风险描述关系部署包括第一行为安全检测模型和第二行为安全检测模型的深度学习模型,并将所述第一行为安全检测模型部署为执行内容特征抽取及内容特征翻译处理。
(2)获取已设置需求事项。
(3)利用所述深度学习模型以及所述已设置需求事项生成行为安全检测报告。
在一种可独立实施的技术方案中,获取已设置需求事项,可以包括:获取携带期望行为安全检测报告的已设置需求事项。
在一种可独立实施的技术方案中,利用所述深度学习模型以及所述已设置需求事项生成行为安全检测报告,包括:通过所述第二行为安全检测模型对所述已设置需求事项进行防护意图挖掘处理,得到与所述已设置需求事项对应的检测报告视觉描述;基于所述检测报告视觉描述得到与所述已设置需求事项对应的行为安全检测报告;其中,所述第一行为安全检测模型用于对所述检测报告视觉描述执行特征翻译处理得到所述行为安全检测报告;所述第二行为安全检测模型的训练过程包括:基于第二检测报告视觉描述和第三检测报告视觉描述对应的质量评价数据,改进所述第二行为安全检测模型的模型变量,直到符合第二训练完成指标,所述第二检测报告视觉描述是所述第一行为安全检测模型对第二检测报告范例执行内容特征抽取处理得到的,所述第三检测报告视觉描述是所述第二行为安全检测模型对所述第二检测报告范例对应的需求范例进行防护意图挖掘处理得到的,所述需求范例包括检测报告范例对应的需求事项。
在一种可独立实施的技术方案中,关于“获取携带期望行为安全检测报告的已设置需求事项;通过所述第二行为安全检测模型对所述已设置需求事项进行防护意图挖掘处理,得到与所述已设置需求事项对应的检测报告视觉描述;基于所述检测报告视觉描述得到与所述已设置需求事项对应的行为安全检测报告”的进一步说明,可以参阅以下内容。
S10:获取携带期望行为安全检测报告的已设置需求事项。
本申请实施例中,已设置需求事项包括所要得到的检测报告的已设置需求,例如该已设置需求事项可以包括检测报告所对应的在线业务环境信息(比如支付业务环境、在线办公业务环境、企业服务环境、智慧城市监控环境等)、检测报告中涵盖的安防检测目标类别信息(比如用户端、客户端等检测对象)、安防检测目标的区别型关键词信息(比如标签标识信息)、安防检测目标的兴趣信息、安防检测目标的操作状态和分布信息(比如在数据网络中的相对网络节点位置信息)、安防检测目标的多模态描述信息(比如属性信息)等中的至少一种,即与得到的检测报告相关的信息都可以作为已设置需求事项。
在一些可能的设计思路下,已设置需求事项的记录方式可以为听觉感官记录方式(语音记录)、视觉感官记录方式(文字记录)、混合感官记录方式(图像记录)等中的至少一种,通过对已设置需求事项进行解析识别,便可以获取其中涵盖的各已设置需求。例如,在已设置需求事项为听觉感官记录方式时,可以通过听觉感官识别(语音识别)的方式解析出对应的关键字段,从而获得已设置需求事项中的各已设置需求(比如数据防窃取需求、数据验证需求、身份权限更新需求等)。或者,在已设置需求事项为兴趣图像内容时,则可以通过混合感官识别的方式解析出对应的兴趣类别,从而获得已设置需求事项中的各已设置需求。或者,在已设置需求事项为视觉感官记录方式时,可以通过视觉感官识别或者其他类型的识别方式得到已设置需求事项中的各已设置需求。本申请对已设置需求事项的记录方式不作具体限制,对于不同类别的已设置需求事项,可以通过相应的解析识别方式得到其中所涵盖的已设置需求。
此外,获取已设置需求事项的方式可以包括如下形式中的至少一种:通过数据信息风控处理系统的input/output connector直接接收传入的所述已设置需求事项,通过交互控件接收外部智能设备传输的已设置需求事项,其中input/output connector可以包括:触控面板、麦克风输入等,交互控件可以包括Bluetooth控件、WiFi控件以及NFC控件等,上述仅为示例性说明,本申请对此不做具体限定。
S20:对所述已设置需求事项进行防护意图挖掘处理,得到与所述已设置需求事项对应的检测报告视觉描述。
本申请实施例中,在获得已设置需求事项之后,便可以基于已设置需求事项得到检测报告视觉描述。其中,可以通过对已设置需求事项执行防护意图挖掘处理,得到相应的防护意图挖掘后的特征信息,即为得到的检测报告视觉描述。其中防护意图挖掘处理可以包括至少一轮滑动平均处理(卷积处理)和至少一轮信息降维处理(池化处理)。
在一些可能的设计思路下,步骤S20可以通过行为安全检测模型实现,该行为安全检测模型可以为经过训练的可以根据接收的已设置需求事项对应的得到与该已设置需求事项对应的检测报告视觉描述的检测模型。例如,该行为安全检测模型可以为稀疏特征挖掘模型。或者在其他设计思路下,防护意图挖掘处理也可以依据预设的防护意图挖掘模型变量来执行,本申请对此不作具体限定。
S30:基于所述检测报告视觉描述得到与所述已设置需求事项对应的行为安全检测报告。
在通过步骤S20获得检测报告视觉描述之后,便可以通过得到的该检测报告视觉描述进一步获得所要得到的检测报告。该行为安全检测报告即为与接收的已设置需求事项对应适配的检测报告。
在一些可能的设计思路下,可以直接通过检测报告视觉描述得到对应的检测报告,例如检测报告视觉描述可以为特征图(向量)或分布列表(矩阵)记录方式,检测报告视觉描述中的各要素可以表示检测报告的各检测事项的事项内容,根据各事项内容便可以得到相应的检测报告。
在一些可能的设计思路下,还可以将检测报告视觉描述导入至行为安全检测模型中,通过行为安全检测模型的处理得到对应的检测报告。其中,该行为安全检测模型可以为经过训练的,且能够根据接收的检测报告视觉描述得到精度较高的检测报告的行为安全检测模型。例如该行为安全检测模型可以为基于滑动平均思想的行为安全检测模型。或者,在其他设计思路下,该行为安全检测模型也可以为基于动态的双路径激活模型(比如可逆模型、双向模型等)实现。该基于动态的双路径激活模型可以为经过训练能够根据接收的检测报告得到与检测报告对应的检测报告视觉描述,以及能够根据接收的检测报告视觉描述得到与该检测报告视觉描述对应的检测报告的网络。即该行为安全检测模型能够执行内容特征抽取及内容特征翻译处理,其中,所述内容特征抽取及内容特征翻译处理(比如编解码处理或者双向处理)包括基于原料型检测报告获得与所述原料型检测报告(比如输入信息)对应的检测报告视觉描述的内容特征抽取处理,以及基于传入的检测报告视觉描述获得与该传入的检测报告视觉描述对应的检测报告的特征翻译处理。对于行为安全检测模型的选取本申请对此不做具体限定,其可以依据实际要求进行配置。
基于以上实施例的配置,便可以实现根据接收的已设置需求事项得到的对应的检测报告,通过对已设置需求事项执行相应的防护意图挖掘处理,得到完整的、精准的检测报告视觉描述,并根据该检测报告视觉描述得到与已设置需求事项对应的行为安全检测报告,从而提高得到的检测报告与已设置需求事项的适配度(匹配度)。
下面对本申请实施例的各过程进行进一步说明。以下为根据本申请实施例的一种大数据信息防护的数据处理方法中步骤S20的进一步实施方式,其中,在一些可独立实施的设计思路下,所述对所述已设置需求事项进行防护意图挖掘处理,得到与所述已设置需求事项对应的检测报告视觉描述(步骤S20),可以包括以下内容。
S21:确定与所述已设置需求事项对应的关键需求约束信息。
基于上述的相关实施例,本申请实施例获取的已设置需求事项可以为不同记录方式的信息,如可以视觉感官、听觉感官、混合感官记录方式,在获得不同记录方式的已设置需求事项之后,可以执行解析识别操作,得到对应的已设置需求,进而可以依据得到的各已设置需求确定已设置需求事项对应的关键需求约束信息(比如需求特征或者条件特征)。本申请实施例通过将已设置需求事项转换成关键需求约束信息的记录方式可以实现已设置需求事项的量化处理,从而方便数据信息风控处理系统相应的运算处理,提高运算处理效率。本申请实施例的关键需求约束信息可以为特征图或者分布列表记录方式,关键需求约束信息中的各要素表示是否具有相应的限定需求。
S22:对所述关键需求约束信息执行所述防护意图挖掘处理,得到与所述已设置需求事项对应的所述检测报告视觉描述。
在获得关键需求约束信息之后,便可以对关键需求约束信息进行防护意图挖掘处理,其中关键需求约束信息可以为特征图或者分布列表记录方式,对应的得到的防护意图挖掘处理结果也可以为分布列表或者特征图记录方式,防护意图挖掘得到的检测报告视觉描述表示检测报告的各检测事项的事项内容信息。其中,防护意图挖掘处理可以包括至少一轮的滑动平均处理以及至少一轮的信息降维处理。
通过上述实施例,便可以实现通过已设置需求事项得到对应的检测报告视觉描述,下面对步骤S20的各步骤进行进一步说明。以下为根据本申请实施例的一种大数据信息防护的数据处理方法中步骤S21的进一步实施方式,其中,在一些可独立实施的设计思路下,所述确定与所述已设置需求事项对应的关键需求约束信息(步骤S21),可以包括如下内容。
S211:在需求信息数据库中寻觅与所述已设置需求事项适配的第一需求事项。
本申请实施例中,可以事先部署有需求信息数据库,该需求信息数据库中可以包括各种类别的需求事项,例如可以包括不同的在线业务环境信息、安防检测目标类别信息、兴趣信息、操作状态信息等,其中在线业务环境信息用于表征该检测报告对应的分布信息或者业务领域等信息,例如可以包括:区块链金融领域、数字化办公领域、智慧教育领域、VR智能娱乐领域、数字化工厂领域等等,安防检测目标的类别信息可以表示检测报告中涵盖的安防检测目标的类别,例如可以包括客户端、离线用户终端、在线用户终端、网关设备,手持终端、业务客户身份,或者也可以为更为具体的安防检测目标信息,例如可以为“XXX客户端”,对应的,本申请实施例还可以包括检测报告数据库,检测报告数据库中的各检测报告可以具有相应的区别型关键词信息,根据安防检测目标信息“XXX客户端”便可以寻觅(查询/查找)到与之对应区别型关键词的检测报告。兴趣信息可以包括:不感兴趣、感兴趣、排斥、无视等等,操作状态信息可以包括“信息上传”、“数据下载”、“互动权限调整”等等,以用来表示检测报告中安防检测目标的操作状态,或者在其他设计思路下也可以包括“快速登录”、“账号切换”、“休眠”等信息,上述仅为示例性说明需求信息数据库中涵盖的需求事项,需求信息数据库中涵盖的需求事项可以基于实际要求进行调整,在其他设计思路下也可以包括其他类别或者数目的需求事项,本申请对此不做具体限定。
由于事先部署有需求信息数据库,因此,在获得已设置需求事项之后,可以将该已设置需求事项中的已设置需求与需求信息数据库中的各需求事项进行匹配,寻觅(查找)到需求信息数据库中与已设置需求事项适配的第一需求事项,其中,这里的适配/匹配是指,寻觅到的第一需求事项是与已设置需求事项相同的需求事项,例如,已设置需求事项为权限校验、行为检测,则第一需求事项为权限校验、行为事件。在本申请实施例中,可以将需求信息数据库中的各项需求事项划分为两类,其中一类为第一需求事项,另一类为第二需求事项,第一需求事项是与已设置需求事项中的各已设置需求适配的需求,第二需求事项是与已设置需求事项中各已设置需求不适配的需求。
S212:为所述第一需求事项分发第一区别型关键词,以及为所述需求信息数据库中所述第一需求事项之外的各第二需求事项分发第二区别型关键词。
可以理解的是,在寻觅到与已设置需求事项适配的第一需求事项之后,便可以为各第一需求事项分发第一区别型关键词(比如为第一需求事项配置对应的标识),第一区别型关键词用于表征相应的需求事项为已设置需求事项中的各已设置需求。以及还可以为需求信息数据库中的第一需求事项之外的第二需求事项分发第二区别型关键词,该第二区别型关键词用于表征相应的需求事项不是已设置需求事项中的任意已设置需求。其中,第一区别型关键词和第二区别型关键词为不同的区别型关键词,例如第一区别型关键词可以为“W”,第二区别型关键词可以为“P”,在其他的实施例中,第一区别型关键词和第二区别型关键词也可以为其他的区别型关键词,只要可以区别第一需求事项和第二需求事项便可以作为本申请实施例。
S213:对所述第一区别型关键词和所述第二区别型关键词进行整合,得到所述关键需求约束信息。
基于步骤S212,便可以获得为需求信息数据库中各需求事项分发的区别型关键词,如第一区别型关键词或者第二区别型关键词,本申请实施例可以将各第一区别型关键词和第二区别型关键词按照设定规则进行整合,得到关键需求约束信息特征图(关键需求约束信息)。本申请实施例中,需求信息数据库中涵盖的各需求事项存在一定的排序关系,在得到各需求事项的区别型关键词之后,可以按照需求信息数据库中的各需求事项的排序关系整合相应的第一区别型关键词和第二区别型关键词,得到对应的关键需求约束信息。
在本申请实施例中,关键需求约束信息便可以为与需求信息数据库中的各需求事项对应的区别型关键词的量化值,从而实现已设置需求事项的量化处理,方便后续的防护意图挖掘处理操作。
上述实施例为需求信息数据库中与已设置需求事项适配的第一需求和不适配的第二需求标注不同的区别型关键词,实现关键需求约束信息的确定过程。在另一些可能的实现方式中,已设置需求事项中可以包括与检测报告中的安防检测目标操作状态相关的操作状态需求事项,本申请实施例可以为该操作状态需求事项分发相应的区别型关键词,并对应的得到关键需求约束信息。下面针对不同的实施方式进行分别说明。
在本申请的另一些实施方式中,在已设置需求事项中可以包括已设置操作状态信息,即已设置需求事项中给出了关于检测报告中安防检测目标的已设置操作状态需求,此时可以直接将该已设置操作状态信息作为需求信息数据库中的操作状态需求事项的第三区别型关键词。以下根据本申请实施例的一种大数据信息防护的数据处理方法中步骤S21的另一实施方式,其中,在一些可独立实施的设计思路下,所述确定与所述已设置需求事项对应的关键需求约束信息(步骤S21),还可以包括以下内容。
S2111:响应于所述已设置需求事项中包括已设置操作状态信息的前提,将所述操作状态需求事项的第三区别型关键词配置为所述已设置操作状态信息。
可以理解的是,可以直接将已设置需求事项中涵盖的已设置操作状态信息确定为需求信息数据库中的操作状态需求事项的第三区别型关键词。例如。本申请实施例中,已设置操作状态信息中涵盖的已设置操作状态信息可以为从“F”到“W”之间的任意数值(F和W根据实际情况进行选择,其中F对应的数值小于W对应的数值),表示安防检测目标的显著性行为特征在检测报告中的分布情况。该已设置操作状态信息对应的数值的变换可以是对已设置需求事项进行解析识别的过程得到的,例如将已设置需求事项中的表示操作状态需求的初始量化值进行映射,便可以得到对应的数值,将该数值或者该数值优化后的数值作为上述第三区别型关键词,在其他设计思路下,上述与已设置操作状态信息对应的数值也可以是直接传入的,本申请对此不作具体限定。
S2112:在需求信息数据库中寻觅所述已设置操作状态信息之外的已设置需求事项所适配的第一需求。
可以理解的是,本申请实施例可以将需求信息数据库中的各需求事项划分为两类,一类是与已设置需求事项适配的需求,其中,可以包括与已设置操作状态信息适配的操作状态需求事项,以及除了操作状态需求事项之外的其余与已设置需求事项适配的第一需求,第二类是与已设置需求事项不适配的第二需求。
S2113:为所述第一需求事项标注第一区别型关键词,以及为所述需求信息数据库中所述第一需求事项和所述操作状态需求事项之外的各第二需求事项分发第二区别型关键词。
基于上述内容,在寻觅到与已设置需求事项适配的第一需求事项之后,便可以为各第一需求事项分发第一区别型关键词,第一区别型关键词用于表征相应的需求事项为已设置需求事项中的各已设置需求。以及还可以为需求信息数据库中与已设置需求事项不适配的第二需求事项分发第二区别型关键词,该第二区别型关键词用于表征相应的需求事项不是已设置需求事项中的任意已设置需求。其中,第一区别型关键词和第二区别型关键词为不同的区别型关键词,例如第一区别型关键词可以为“W”,第二区别型关键词可以为“P”,在其他的实施例中,第一区别型关键词和第二区别型关键词也可以为其他的区别型关键词,只要可以区别第一需求事项和第二需求事项便可以作为本申请实施例。
基于上述实施例,能够完成需求信息数据库中第一需求事项、第二需求事项以及操作状态需求事项的区别型关键词的分发,从而实现对第一需求事项、第二需求事项以及操作状态需求事项的精准区分。
S2114:对所述第一区别型关键词、所述第二区别型关键词和第三区别型关键词进行整合,得到所述关键需求约束信息。
通过上述实施方式,便可以获得为需求信息数据库中各需求事项分发的区别型关键词,如第一区别型关键词、第二区别型关键词或者第三区别型关键词,本申请实施例可以将各第一区别型关键词、第二区别型关键词和第三区别型关键词按照设定规则进行整合(比如排列组合),得到关键需求约束信息特征图(关键需求约束特征向量)。本申请实施例中,需求信息数据库中涵盖的各需求事项存在一定的排序关系,在得到各需求事项的区别型关键词之后,可以按照需求信息数据库中的各需求事项的排序关系整合相应的第一区别型关键词、第二区别型关键词和第三区别型关键词,得到对应的关键需求约束信息,从而确保关键需求约束信息的完整性和准确性。
在另一些可能的实现方式中,已设置需求事项中可能不包括已设置操作状态信息,此时可以为需求信息数据库中的操作状态需求事项分发第四区别型关键词。以下为根据本申请实施例的一种大数据信息防护的数据处理方法中步骤S21的另一实施方式,其中,在一些可独立实施的设计思路下,所述确定与所述已设置需求事项对应的关键需求约束信息(步骤S21),还可以包括以下内容。
S21111:响应于所述已设置需求事项中不包括已设置操作状态信息的前提,为所述需求信息数据库中的操作状态需求事项分发第四区别型关键词。
本申请实施例中,在已设置需求事项中不包括已设置操作状态信息的前提下,可以按照设定的规则为需求信息数据库中的操作状态需求事项分发第四区别型关键词。
在一些可能的设计思路下,可以为所述操作状态需求事项非限制性地分发第四区别型关键词;例如,同第三区别型关键词一样,第四区别型关键词可以为从“F”到“W”之间的任意数值,表示安防检测目标的显著性行为特征在检测报告中分布情况。本申请实施例在得到关键需求约束信息的过程中,可以非限制性地的为需求信息数据库中的操作状态需求事项分发第四区别型关键词。
或者,在另一些可能的实现方式中,也可以依据行为安全检测模型得到与所述已设置需求事项适配的操作状态信息,并将得到的所述操作状态信息配置为所述第四区别型关键词。即在本申请实施例中,可以通过一个经过训练的行为安全检测模型得到与已设置需求事项适配的操作状态信息。该行为安全检测模型可以为基于滑动平均思想的行为安全检测模型,并且该行为安全检测模型可以接收已设置操作状态信息,输出与该已设置需求事项适配的操作状态信息。该操作状态信息与已设置需求事项的结合,能够使得得到的检测报告具有较好的操作状态初始量化值。
本申请实施例,便可以通过上述训练完成的行为安全检测模型得到与已设置需求事项适配的操作状态信息,并可以将该得到的操作状态信息作为需求信息数据库中的操作状态需求事项的第四区别型关键词。
S21112:在所述需求信息数据库中寻觅与所述已设置需求事项适配的第一需求事项。
可以理解的是,本申请实施例可以将需求信息数据库中的各需求事项分成三类,一类是与已设置需求事项适配的第一需求事项,第二类为操作状态需求事项,第三类是与已设置需求事项不适配的且不是操作状态需求事项的第二需求事项。
S21113:为所述第一需求事项分发第一区别型关键词,以及为所述需求信息数据库中所述第一需求事项和所述操作状态需求事项之外的各第二需求事项分发第二区别型关键词。
相应地,在寻觅到与已设置需求事项适配的第一需求事项之后,便可以为各第一需求事项分发第一区别型关键词,第一区别型关键词用于表征相应的需求事项为已设置需求事项中的各已设置需求。以及还可以为需求信息数据库中除了操作状态需求事项之外的与已设置需求事项不适配的第二需求事项分发第二区别型关键词,该第二区别型关键词用于表征相应的需求事项不是已设置需求事项中的任意已设置需求。其中,第一区别型关键词和第二区别型关键词为不同的区别型关键词,例如第一区别型关键词可以为“W”,第二区别型关键词可以为“P”,在其他的实施例中,第一区别型关键词和第二区别型关键词也可以为其他的区别型关键词,只要可以区别第一需求事项和第二需求事项便可以作为本申请实施例。
基于上述的实施例,即完成了需求信息数据库中第一需求事项、第二需求事项以及操作状态需求事项的区别型关键词的分发。
S21114:对所述第一区别型关键词、所述第二区别型关键词和第四区别型关键词进行整合,得到所述关键需求约束信息。
通过上述实施方式,便可以获得为需求信息数据库中各需求事项分发的区别型关键词,如第一区别型关键词、第二区别型关键词或者第四区别型关键词,本申请实施例可以将各第一区别型关键词、第二区别型关键词和第四区别型关键词按照设定规则进行整合,得到关键需求约束信息特征图(关键需求约束信息)。本申请实施例中,需求信息数据库中涵盖的各需求事项存在一定的排序关系,在得到各需求事项的区别型关键词之后,可以按照需求信息数据库中的各需求事项的排序关系整合相应的第一区别型关键词、第二区别型关键词和第四区别型关键词,得到对应的关键需求约束信息。
应用上述实施例可以得到已设置需求事项对应的关键需求约束信息,在得到关键需求约束信息之后,可以对关键需求约束信息执行防护意图挖掘处理进而得到与已设置需求事项对应的检测报告视觉描述。其中防护意图挖掘处理可以包括至少一轮滑动平均处理和至少一轮信息降维处理,其中,每轮信息降维处理所采用的滑动平均单元(卷积核)可以相同也可以不同,例如可以采用h*h的滑动平均单元,也可以采用3h*3h的滑动平均单元,具体可以基于实际要求进行调整。此外,信息降维处理也可以采用相同的模型变量或者也可以采用不同的模型变量,本申请对此不作具体限定。通过滑动平均处理和信息降维处理可以进一步提取关键需求约束信息中的各特征信息,同时还可以将关键需求约束信息的尺寸修改成为与检测报告的尺寸相同的尺寸,或者说可以将关键需求约束信息的尺寸修改成分发的预设尺寸,从而将该预设尺寸的检测报告视觉描述转换成相应的检测报告。
进一步地,在得到检测报告视觉描述之后,便可以执行步骤S30依据该检测报告视觉描述得到相应的检测报告。
在一些可能的设计思路下,可以直接依据检测报告视觉描述中表示的各检测事项的事项内容得到相应的检测报告。
在一些可能的设计思路下,可以通过第一行为安全检测模型实现通过检测报告视觉描述得到相应的检测报告,该第一行为安全检测模型可以为经过训练后可以实现从检测报告视觉描述转换成精确度较高的检测报告的行为安全检测模型,如基于滑动平均思想的行为安全检测模型。
在另一些可独立实施的实现方式中,第一行为安全检测模型也可以为能够执行内容特征抽取及内容特征翻译处理的行为安全检测模型,其中所述内容特征抽取及内容特征翻译处理包括:基于原料型检测报告获得与所述原料型检测报告对应的检测报告视觉描述的内容特征抽取处理,以及基于传入的检测报告视觉描述获得与该传入的检测报告视觉描述对应的检测报告的特征翻译处理。
本申请实施例可以通过将检测报告视觉描述导入至该第一行为安全检测模型中,通过第一行为安全检测模型的特征翻译处理将检测报告视觉描述转换为对应的检测报告,其中特征翻译处理的过程可以包括:特征精简处理、双向滑动平均处理、状态均衡处理(通道均分)、标准化处理(正则化)以及去冗余处理(轻量化处理)。其中,双向滑动平均处理、状态均衡处理、标准化处理可以重复多次,从而提高得到的检测报告的完整度、丰富度和准确度。
为了更加清楚的体现本申请实施例的具体过程,下面举例说明。以下为根据本申请实施例中执行大数据信息防护的数据处理方法的深度学习模型,即执行内容特征抽取及内容特征翻译处理的第一行为安全检测模型的相关实施例。其中,Networks_A可以为基于得到的检测报告视觉描述得到与之对应的检测报告的第一行为安全检测模型,例如第一行为安全检测模型可以为基于动态的双路径激活模型。Networks_B为基于已设置需求事项确定关键需求约束信息的第二行为安全检测模型,例如第二行为安全检测模型可以为自防护意图挖掘行为安全检测模型。通过Networks_A和B便可以实现根据已设置需求事项得到相应的检测报告的技术效果。具体过程如下:本申请实施例接收的已设置需求事项可以包括“不需要进行行为检测的跨境支付客户端client”,其中可以获得已设置需求事项中的已设置需求为:跨境、不需要进行行为检测、支付客户端client(检测报告中安防检测目标的区别型关键词Identity document),因此可以将该已设置需求事项导入至第二行为安全检测模型时,在需求信息数据库中跨境和支付客户端client对应的第一区别型关键词便可以配置为“W”,行为检测对应的区别型关键词可以配置为“P”,得到C1部分的关键需求约束信息。进一步地,还可以为需求信息数据库中的操作状态需求事项分发一操作状态信息的区别型关键词C2(第四区别型关键词),例如可以设置成“0.69”,进而将C1和C2部分的区别型关键词连接,并构成关键需求约束信息。将该关键需求约束信息导入至防护意图挖掘单元(比如编码单元)中执行防护意图挖掘处理,其中防护意图挖掘处理的防护意图挖掘模型变量为经过训练确定的,本申请对此不作具体限定,通过防护意图挖掘处理便可以得到对应的检测报告视觉描述report。
在得到检测报告视觉描述report之后,便可以将检测报告视觉描述report导入至第一行为安全检测模型,依据第一行为安全检测模型的特征翻译处理便可以得到与检测报告视觉描述report对应的检测报告。
上述仅为本申请实施例的示例性说明,不作为本申请实施例的具体限定。
另外,基于上述实施例而言,本申请实施例可以通过AI机器学习模型实现,例如通过上述第一AI机器学习模型、第二AI机器学习模型和第三AI机器学习模型实现,以下为根据本申请实施例的一种基于云计算智能化的数据信息风控处理方法中训练AI机器学习模型的可独立实施的技术方案,其中,训练该AI机器学习模型的步骤可以包括以下内容。
步骤51:向所述AI机器学习模型模型输入训练示例,所述训练示例包括训练互动记录集,以及与所述训练互动记录集中各训练互动记录对应的第一倾向识别程度分布和第二倾向识别程度分布,以及与训练互动记录的不同属性实际事件风险描述关系对应的实际全局型风险意图记录;
其中,在对AI机器学习模型进行训练时,可以首先输入训练示例,训练示例中可以包括训练互动记录、以及与该训练互动记录对应的第一倾向识别程度分布、第二倾向识别程度分布,同时还可以包括用于持续跟进的不同属性的实际事件风险描述关系对应的全局型风险意图记录,其中,这里的属性与AI机器学习模型中在第三处理过程中通过第二关键信息翻译处理的第1轮的转秩视觉信息挖掘处理得到的特征属性相同。
步骤52:通过所述AI机器学习模型估计所述训练互动记录集中各训练互动记录的不同属性的全局型风险意图记录。
其中,可以通过第一AI机器学习模型获得第一倾向识别程度分布对应的偏好可信状态描述,以及通过第二AI机器学习模型获得第二倾向识别程度分布对应的风险意图视觉描述,通过第三AI机器学习模型获得不同属性的全局型风险意图记录,这里的全局型风险意图记录为第三调整处理中,各第二关键信息翻译处理中经过第1轮的转秩视觉信息挖掘处理后得到的全局型风险意图记录,在该过程中同时还可以进一步得到估计的事件风险描述关系。
步骤53:依据估计的不同属性的全局型风险意图记录与不同属性的实际全局型风险意图记录得到量化指标,将所述量化指标反向传输至AI机器学习模型以改善所述AI机器学习模型的模型变量,直到符合训练需求。
通过该模型评价策略,可以得到AI机器学习模型的网络量化指标,在量化指标小于指标阈值时,便可以终止训练,表征当前的AI机器学习模型已经改进完成,如果得到的量化指标大于或者等于指标阈值,则反向改善AI机器学习模型的模型变量,如各网络中的视觉信息挖掘处理、过拟合削弱处理、信息插值处理等模型变量,重新执行训练互动记录的处理过程,直到得到的量化指标小于指标阈值。其中,本申请实施例对指标阈值不作进一步限定,其可以根据需求设定。
另外,在本申请的其他实施例中,也可以通过其他方式训练AI机器学习模型,例如步骤52可以得到AI机器学习模型估计的事件风险描述关系,训练示例中还包括用于持续跟进的实际事件风险描述关系,步骤53中可以根据实际事件风险描述关系和估计得到的事件风险描述关系确定量化指标,通过该量化指标反向传输改善AI机器学习模型的模型变量。模型评价策略的方式相关技术人员可以自行设定,本申请在此不作进一步限定。
综上所述,本申请实施例可以通过线上业务互动记录以及对应的第一倾向识别程度分布和第二倾向识别程度分布进行相关的调整处理,得到所涵盖的信息更加全面且更加准确的事件风险描述关系,这样,可以方便的对获取到的线上业务互动记录中各业务参与方的业务行为操作意图、业务设备网络地址等相关信息进行风险预测层面的事件检测和分析,同时,鉴于事件风险描述关系所涵盖的信息更加全面且更加准确,在进行风险预测层面的事件检测和分析时,通过事件风险描述关系能够从全局层面进行各类风险因素的深度挖掘和解析,从而确保针对线上业务互动记录的准确可靠的风控处理,由此,本申请实施例能够为风控处理提供完整可靠的原料信息(事件风险描述关系),以提高业务风控处理的信任指数。
基于上述同样的发明构思,还提供了一种基于云计算智能化的数据信息风控处理装置20,应用于数据信息风控处理系统10,所述装置包括:
获取模块21,用于获取线上业务互动记录以及所述线上业务互动记录对应的第一倾向识别程度分布和第二倾向识别程度分布,所述第一倾向识别程度分布为与所述线上业务互动记录对应的具有倾向识别程度标记的倾向识别程度分布,所述第二倾向识别程度分布为与所述线上业务互动记录对应的表征倾向识别程度信息的倾向识别程度分布,所述倾向识别程度标记表征对应的交互型事件是否具有倾向识别量化数据;调整模块22,用于对所述第一倾向识别程度分布进行第一调整处理,得到不同属性的偏好可信状态描述,所述偏好可信状态描述表征各交互型事件的倾向识别量化数据的偏向概率或者各交互型事件改进后的倾向识别程度标记;对所述第二倾向识别程度分布进行第二调整处理,得到与各所述偏好可信状态描述对应属性的第三倾向识别程度分布,并依据相同属性的第三倾向识别程度分布和偏好可信状态描述加权得到风险意图视觉描述;确定模块23,用于基于所述风险意图视觉描述得到所述线上业务互动记录对应的事件风险描述关系。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于云计算智能化的数据信息风控处理方法,其特征在于,应用于数据信息风控处理系统,所述方法包括:
获取线上业务互动记录以及所述线上业务互动记录对应的第一倾向识别程度分布和第二倾向识别程度分布,所述第一倾向识别程度分布为与所述线上业务互动记录对应的具有倾向识别程度标记的倾向识别程度分布,所述第二倾向识别程度分布为与所述线上业务互动记录对应的表征倾向识别程度信息的倾向识别程度分布,所述倾向识别程度标记表征对应的交互型事件是否具有倾向识别量化数据;
对所述第一倾向识别程度分布进行第一调整处理,得到不同属性的偏好可信状态描述,所述偏好可信状态描述表征各交互型事件的倾向识别量化数据的偏向概率或者各交互型事件改进后的倾向识别程度标记;
对所述第二倾向识别程度分布进行第二调整处理,得到与各所述偏好可信状态描述对应属性的第三倾向识别程度分布,并依据相同属性的第三倾向识别程度分布和偏好可信状态描述加权得到风险意图视觉描述;
基于所述风险意图视觉描述得到所述线上业务互动记录对应的事件风险描述关系。
2.根据权利要求1所述的方法,其特征在于,所述依据相同属性的第三倾向识别程度分布和偏好可信状态描述加权得到风险意图视觉描述,包括:
将各所述偏好可信状态描述分别经过衍生节点的衍生处理,所述衍生处理包括至少衍生一轮所述偏好可信状态描述中的各层次化关键内容;
将经衍生处理后的各倾向识别程度偏向概率与属性相同的第三倾向识别程度分布加权,得到对应属性的风险意图视觉描述。
3.根据权利要求1所述的方法,其特征在于,所述基于所述风险意图视觉描述得到所述线上业务互动记录的事件风险描述关系,包括:
基于所述风险意图视觉描述对所述线上业务互动记录执行第三调整处理,得到全局型风险意图记录;
对所述全局型风险意图记录执行第四调整处理,得到所述线上业务互动记录对应的事件风险描述关系;
相应的,所述基于所述风险意图视觉描述对所述线上业务互动记录执行第三调整处理,得到全局型风险意图记录,包括:
对所述线上业务互动记录执行一轮或多于一轮第二关键信息抽取处理,通过各第二关键信息抽取处理得到不同属性的第二可视化信息抽取结果;
基于所述风险意图视觉描述,对最后一轮第二关键信息抽取处理得到的第二可视化信息抽取结果执行一轮或多于一轮第二关键信息翻译处理,得到所述全局型风险意图记录;
相应的,所述对所述线上业务互动记录执行一轮或多于一轮第二关键信息抽取处理,通过各第二关键信息抽取处理得到不同属性的第二可视化信息抽取结果,包括:
对所述线上业务互动记录执行第1轮第二关键信息抽取处理,所述第1轮第二关键信息抽取处理包括视觉信息挖掘处理;
对经过第1轮第二关键信息抽取处理得到的第二可视化信息抽取结果执行剩余的第二关键信息抽取处理,所述剩余的第二关键信息抽取处理包括过拟合削弱处理和视觉信息挖掘处理,其中通过各轮第二关键信息抽取处理得到的第二可视化信息抽取结果的属性存在差异;
相应的,所述基于所述风险意图视觉描述,对最后一轮第二关键信息抽取处理得到的第二可视化信息抽取结果执行一轮或多于一轮第二关键信息翻译处理,得到所述全局型风险意图记录,包括:
对第y轮第二关键信息翻译处理的输入信息执行转秩视觉信息挖掘处理,得到转秩视觉信息挖掘处理后的视觉型关键描述,y为大于0小于P+1的整数,P为第二关键信息翻译处理的轮数;
对经所述转秩视觉信息挖掘处理后得到的视觉型关键描述进行信息插值处理,并将信息插值处理得到的视觉型关键描述和与其属性相同的第二可视化信息抽取结果关联,得到第二可视化关联结果;
对所述第二可视化关联结果执行转秩视觉信息挖掘处理,并将经过转秩视觉信息挖掘处理后的第二可视化关联结果与属性相同的风险意图视觉描述组合,得到第y轮第二关键信息翻译处理对应的第一视觉型关键描述;
将最后一轮第二关键信息翻译处理后得到的第一视觉型关键描述确定为全局型风险意图记录。
4.根据权利要求3所述的方法,其特征在于,所述对所述全局型风险意图记录执行第四调整处理,得到所述线上业务互动记录对应的事件风险描述关系,包括:
对所述全局型风险意图记录执行第三关键信息抽取处理;
对第三关键信息抽取处理得到的视觉型关键描述执行第三关键信息翻译处理,得到所述线上业务互动记录对应的事件风险描述关系。
5.根据权利要求1所述的方法,其特征在于,所述对所述第一倾向识别程度分布进行第一调整处理,得到不同属性的偏好可信状态描述,包括:
对所述第一倾向识别程度分布执行一轮或多于一轮视觉信息挖掘处理,通过最后一轮视觉信息挖掘处理得到第一属性的偏好可信状态描述;
对所述第一属性的偏好可信状态描述执行一轮或多于一轮过拟合削弱处理,通过每轮过拟合削弱处理得到其他属性的偏好可信状态描述,并且每轮过拟合削弱处理得到的偏好可信状态描述的属性存在差异。
6.根据权利要求1所述的方法,其特征在于,所述对所述第二倾向识别程度分布进行第二调整处理,得到与各所述偏好可信状态描述对应属性的第三倾向识别程度分布,包括:
对所述第二倾向识别程度分布执行一轮或多于一轮第一关键信息抽取处理,通过各第一关键信息抽取处理得到不同属性的第一可视化信息抽取结果;
对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行一轮或多于一轮第一关键信息翻译处理,得到与各偏好可信状态描述属性相同的所述第三倾向识别程度分布。
7.根据权利要求6所述的方法,其特征在于,所述对所述第二倾向识别程度分布执行一轮或多于一轮第一关键信息抽取处理,通过各第一关键信息抽取处理得到不同属性的第一可视化信息抽取结果,包括:
对所述第二倾向识别程度分布执行第1轮第一关键信息抽取处理,所述第1轮第一关键信息抽取处理包括视觉信息挖掘处理;
对经过第1轮第一关键信息抽取处理得到的倾向识别程度分布执行剩余的第一关键信息抽取处理,所述剩余的第一关键信息抽取处理包括过拟合削弱处理和视觉信息挖掘处理,其中通过各轮第一关键信息抽取处理得到的第一可视化信息抽取结果的属性存在差异;
相应的,所述对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行一轮或多于一轮第一关键信息翻译处理,得到与各偏好可信状态描述属性相同的所述第三倾向识别程度分布,包括:
对最后一轮第一关键信息抽取处理得到的第一可视化信息抽取结果执行第1轮第一关键信息翻译处理,得到所述第1轮第一关键信息翻译处理对应的第三倾向识别程度分布,所述第1轮第一关键信息翻译处理包括转秩视觉信息挖掘处理;
对经过第1轮第一关键信息翻译处理得到的第三倾向识别程度分布执行剩余的第一关键信息翻译处理,得到其他属性的第三倾向识别程度分布,所述剩余的第一关键信息翻译处理包括信息插值处理和转秩视觉信息挖掘处理;
相应的,所述对经过第1轮第一关键信息翻译处理得到的第三倾向识别程度分布执行剩余的第一关键信息翻译处理,包括:
对第x轮第一关键信息翻译处理得到的第三倾向识别程度分布执行信息插值处理,得到信息插值后的第三倾向识别程度分布;
将该信息插值后的第三倾向识别程度分布与相同属性的第一可视化信息抽取结果关联,得到第一可视化关联结果;
对所述第一可视化关联结果执行转秩视觉信息挖掘处理,得到第x+1轮关键信息翻译处理对应的第三倾向识别程度分布,其中x为大于或者等于1且小于或者等于G的整数,G表征关键信息翻译处理的轮数。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述事件风险描述关系部署包括第一行为安全检测模型和第二行为安全检测模型的深度学习模型,并将所述第一行为安全检测模型部署为执行内容特征抽取及内容特征翻译处理;
获取已设置需求事项;
利用所述深度学习模型以及所述已设置需求事项生成行为安全检测报告。
9.一种数据信息风控处理系统,其特征在于,包括处理器、通信总线和存储器;所述处理器和所述存储器通过所述通信总线通信,所述处理器从所述存储器中读取计算机程序并运行,以执行权利要求1-8任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序在运行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878005.4A CN113535825A (zh) | 2021-08-02 | 2021-08-02 | 一种基于云计算智能化的数据信息风控处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878005.4A CN113535825A (zh) | 2021-08-02 | 2021-08-02 | 一种基于云计算智能化的数据信息风控处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113535825A true CN113535825A (zh) | 2021-10-22 |
Family
ID=78121767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110878005.4A Withdrawn CN113535825A (zh) | 2021-08-02 | 2021-08-02 | 一种基于云计算智能化的数据信息风控处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113535825A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022049A (zh) * | 2021-12-10 | 2022-02-08 | 萍乡市圣迈互联网科技有限公司 | 一种基于云计算的智慧业务信息风险处理方法及系统 |
CN114140127A (zh) * | 2022-01-27 | 2022-03-04 | 广州卓远虚拟现实科技有限公司 | 一种基于区块链的支付处理方法及系统 |
CN114188032A (zh) * | 2021-12-20 | 2022-03-15 | 宁夏添越网络科技有限公司 | 一种基于人工智能的数字化医疗信息防护方法及存储介质 |
CN114188033A (zh) * | 2021-12-20 | 2022-03-15 | 宁夏添越网络科技有限公司 | 一种针对智慧医疗服务的大数据风险识别方法及存储介质 |
CN114546706A (zh) * | 2022-03-08 | 2022-05-27 | 哈尔滨禹晖文化传媒有限公司 | 一种应用于深度学习的应用程序缺陷分析方法及服务器 |
CN114661980A (zh) * | 2022-03-28 | 2022-06-24 | 黄绍华 | 一种网页数据推送方法、系统及云平台 |
CN114707768A (zh) * | 2022-05-25 | 2022-07-05 | 哈尔滨华宇特科技开发有限公司 | 一种基于大数据安全风控的信息处理方法及服务器 |
CN116386045A (zh) * | 2023-06-01 | 2023-07-04 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台系统 |
CN116680689A (zh) * | 2023-06-06 | 2023-09-01 | 四川警察学院 | 应用于大数据的安全态势预测方法及系统 |
-
2021
- 2021-08-02 CN CN202110878005.4A patent/CN113535825A/zh not_active Withdrawn
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022049A (zh) * | 2021-12-10 | 2022-02-08 | 萍乡市圣迈互联网科技有限公司 | 一种基于云计算的智慧业务信息风险处理方法及系统 |
CN114188032B (zh) * | 2021-12-20 | 2023-01-20 | 中晗控股集团有限公司 | 一种基于人工智能的数字化医疗信息防护方法及存储介质 |
CN114188032A (zh) * | 2021-12-20 | 2022-03-15 | 宁夏添越网络科技有限公司 | 一种基于人工智能的数字化医疗信息防护方法及存储介质 |
CN114188033A (zh) * | 2021-12-20 | 2022-03-15 | 宁夏添越网络科技有限公司 | 一种针对智慧医疗服务的大数据风险识别方法及存储介质 |
CN114140127A (zh) * | 2022-01-27 | 2022-03-04 | 广州卓远虚拟现实科技有限公司 | 一种基于区块链的支付处理方法及系统 |
CN114546706A (zh) * | 2022-03-08 | 2022-05-27 | 哈尔滨禹晖文化传媒有限公司 | 一种应用于深度学习的应用程序缺陷分析方法及服务器 |
CN114546706B (zh) * | 2022-03-08 | 2022-11-11 | 极客邦控股(北京)有限公司 | 一种应用于深度学习的应用程序缺陷分析方法及服务器 |
CN114661980A (zh) * | 2022-03-28 | 2022-06-24 | 黄绍华 | 一种网页数据推送方法、系统及云平台 |
CN114707768A (zh) * | 2022-05-25 | 2022-07-05 | 哈尔滨华宇特科技开发有限公司 | 一种基于大数据安全风控的信息处理方法及服务器 |
CN114707768B (zh) * | 2022-05-25 | 2022-10-28 | 深圳飞之度科技有限公司 | 一种基于大数据安全风控的信息处理方法及服务器 |
CN116386045A (zh) * | 2023-06-01 | 2023-07-04 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台系统 |
CN116386045B (zh) * | 2023-06-01 | 2023-08-08 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台系统 |
CN116680689A (zh) * | 2023-06-06 | 2023-09-01 | 四川警察学院 | 应用于大数据的安全态势预测方法及系统 |
CN116680689B (zh) * | 2023-06-06 | 2023-11-21 | 四川警察学院 | 应用于大数据的安全态势预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113535825A (zh) | 一种基于云计算智能化的数据信息风控处理方法及系统 | |
Tuor et al. | Overcoming noisy and irrelevant data in federated learning | |
EP3355547B1 (en) | Method and system for learning representations of network flow traffic | |
CN111553759A (zh) | 一种产品信息推送方法、装置、设备及存储介质 | |
EP3713719A1 (en) | Sharing learned information among robots | |
US10346782B2 (en) | Adaptive augmented decision engine | |
CN113688304A (zh) | 搜索推荐模型的训练方法、搜索结果排序的方法及装置 | |
CN110929840A (zh) | 使用滚动窗口的连续学习神经网络系统 | |
CN111898675B (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
CN112257841A (zh) | 图神经网络中的数据处理方法、装置、设备及存储介质 | |
CN113449012A (zh) | 基于大数据预测的互联网服务挖掘方法及大数据预测系统 | |
CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN112817563B (zh) | 目标属性配置信息确定方法、计算机设备和存储介质 | |
US20220222578A1 (en) | Method of training local model of federated learning framework by implementing classification of training data | |
US20220230262A1 (en) | Patent assessment method based on artificial intelligence | |
CN113362852A (zh) | 一种用户属性识别方法和装置 | |
CN116805039B (zh) | 特征筛选方法、装置、计算机设备和数据扰动方法 | |
CN113282421A (zh) | 基于人工智能和云计算的业务分析方法及人工智能服务器 | |
Sai et al. | Machine un-learning: an overview of techniques, applications, and future directions | |
CN117056902A (zh) | 物联网密码管理方法及系统 | |
CN113536303A (zh) | 一种大数据信息防护的数据处理方法及人工智能服务器 | |
CN116932878A (zh) | 内容推荐方法、装置、电子设备、存储介质和程序产品 | |
US20240223369A1 (en) | Concept for an Attestation Recommendation Service | |
CN113946758B (zh) | 一种数据识别方法、装置、设备及可读存储介质 | |
Kosan et al. | AI Decision Systems with Feedback Loop Active Learner. |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211022 |