CN114722146A - 基于人工智能的供应链资产校验方法、装置、设备及介质 - Google Patents

基于人工智能的供应链资产校验方法、装置、设备及介质 Download PDF

Info

Publication number
CN114722146A
CN114722146A CN202210289207.XA CN202210289207A CN114722146A CN 114722146 A CN114722146 A CN 114722146A CN 202210289207 A CN202210289207 A CN 202210289207A CN 114722146 A CN114722146 A CN 114722146A
Authority
CN
China
Prior art keywords
data
word
verification
supply chain
search keyword
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
CN202210289207.XA
Other languages
English (en)
Inventor
叶磊
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.)
Weikun Shanghai Technology Service Co Ltd
Original Assignee
Weikun Shanghai Technology Service 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 Weikun Shanghai Technology Service Co Ltd filed Critical Weikun Shanghai Technology Service Co Ltd
Priority to CN202210289207.XA priority Critical patent/CN114722146A/zh
Publication of CN114722146A publication Critical patent/CN114722146A/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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q40/12—Accounting
    • G06Q40/125—Finance or payroll
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及人工智能领域，提供一种基于人工智能的供应链资产校验方法、装置、设备及介质，能够结合词库进行分词处理，以建立搜索关键词单词库，为后续的数据处理做准备，利用预设特征建立异常特征词库，以辅助校验供应链资产是否有异常的风险，利用异常特征词库对待审核数据进行校验，得到校验结果，当校验结果显示待审核数据未通过校验时，将待审核数据输入至预测模型，并获取预测模型的输出数据作为预测的风险等级，根据风险等级及校验结果生成校验报告，进而结合标签及机器学习的方式实现对供应链资产的自动检验，不仅有效释放了人力，且提高了校验效率。此外，本发明还涉及区块链技术，各个词库可存储于区块链节点中。

Description

基于人工智能的供应链资产校验方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的供应链资产校验方法、装置、设备及介质。
背景技术
在涉及到供应链的很多业务场景下，通常都需要业务人员阅览大量的文件，其中包括票据、单据、合同、背景资料等，并根据资料以及积累的交易业务数据对资产进行人工审核和评估。
上述处理方式主要存在以下问题：
1.人工审核的效率低、耗时长，且出错率高；
2.在从大量资料中查找需要的数据时，需要翻阅较多资料，不仅费时费力，且查询效果差；
3.核验的效果主要取决于核验人个人的素质，无法统一且高标准的产出核验报告。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的供应链资产校验方法、装置、设备及介质，旨在解决供应链资产校验效率低，且出错率高的问题。
一种基于人工智能的供应链资产校验方法，所述基于人工智能的供应链资产校验方法包括：
采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集；
采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合；
获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库；
获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库；
根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库；
获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果；
当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型；
将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级；
根据所述风险等级及所述校验结果生成校验报告。
根据本发明优选实施例，所述对所述供应链资产数据进行电子化处理，得到第一数据集包括：
获取所述供应链资产数据中每个数据在每个颜色通道的颜色值；
确定每个颜色值对应的权重；
根据每个数据在每个颜色通道的颜色值及每个颜色值对应的权重计算加权平均值，得到每个数据的灰度值；
根据每个数据的灰度值对每个数据进行转化，得到转化数据；
对所述转化数据进行文字识别，得到所述第一数据集。
根据本发明优选实施例，所述利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库包括：
利用所述第一词库中的每个词对所述搜索关键词集合中的每个搜索关键词进行遍历；
将遍历到的与所述第一词库中的每个词相同的词确定为目标词；
根据所述目标词建立所述搜索关键词单词库。
根据本发明优选实施例，所述根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取包括：
计算所述搜索关键词单词库中的每个搜索关键词在所述第一数据集中的词频，得到每个搜索关键词的第一词频；
计算所述搜索结果单词库中的每个搜索结果在所述第一数据集中的词频，得到每个搜索结果的第二词频；
获取配置词频阈值；
从所述搜索关键词单词库中提取所述第一词频小于或者等于所述配置词频阈值的搜索关键词作为目标搜索关键词；
从所述搜索结果单词库中提取所述第二词频小于或者等于所述配置词频阈值的搜索结果作为目标搜索结果；
将所述目标搜索关键词及所述目标搜索结果确定为所述预设特征。
根据本发明优选实施例，所述利用所述异常特征词库对所述待审核数据进行校验，得到校验结果包括：
计算所述待审核数据与所述异常特征词库中单词的相似度；
从所述待审核数据中获取与所述异常特征词库中单词的相似度大于或者等于配置相似度的词作为目标词；
计算所述目标词的数量；
当所述目标词的数量大于或者等于配置数量时，确定所述校验结果为所述待审核数据未通过校验；或者
当所述目标词的数量小于所述配置数量时，确定所述校验结果为所述待审核数据通过校验。
根据本发明优选实施例，所述方法还包括：
当所述校验结果显示所述待审核数据未通过校验时，根据所述校验结果生成风险提示信息；
将所述风险提示信息发送至指定联系人的终端设备。
根据本发明优选实施例，在所述获取预先训练的预测模型前，所述方法还包括：
将所述历史审核数据确定为训练样本；
对所述训练样本进行打标签处理，得到所述训练样本的标签，其中，所述训练样本的标签用于标记风险等级；
获取预设的分类模型；
将所述训练样本的标签确定为训练目标，并利用所述训练样本训练所述分类模型，得到所述预测模型。
一种基于人工智能的供应链资产校验装置，所述装置包括：
电子化单元，用于采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集；
分类单元，用于采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合；
分词单元，用于获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库；
所述分词单元，还用于获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库；
提取单元，用于根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库；
校验单元，用于获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果；
获取单元，用于当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型；
输入单元，用于将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级；
生成单元，用于根据所述风险等级及所述校验结果生成校验报告。
一种计算机设备，所述计算机设备包括：
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所述基于人工智能的供应链资产校验方法。
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计算机设备中的处理器执行以实现所述基于人工智能的供应链资产校验方法。
由以上技术方案可以看出，本发明能够采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集，采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合，获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库，获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库，结合词库进行分词处理，以建立搜索关键词单词库，为后续的数据处理做准备，根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库，以辅助校验供应链资产是否有异常的风险，获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果，当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型，将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级，根据所述风险等级及所述校验结果生成校验报告，进而结合标签及机器学习的方式实现对供应链资产的自动检验，不仅有效释放了人力，且提高了校验效率。
附图说明
图1是本发明基于人工智能的供应链资产校验方法的较佳实施例的流程图。
图2是本发明基于人工智能的供应链资产校验装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的供应链资产校验方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于人工智能的供应链资产校验方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于人工智能的供应链资产校验方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
如图1所示，本发明实施例所述的基于人工智能的供应链资产校验方法，包括以下步骤S10-S18。
S10，采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集。
在本发明的至少一个实施例中，所述供应链资产数据通常为图像形式。
具体地，所述供应链资产数据可以包括，但不限于以下一种或者多种数据的组合：票据、单据、合同、背景资料。
在本发明的至少一个实施例中，所述供应链资产数据识别的格式可以包括，但不限于以下一种或者多种格式的组合：文本、表格、证件、票据、自定义模板。
在本发明的至少一个实施例中，所述对所述供应链资产数据进行电子化处理，得到第一数据集，包括以下步骤S101-S105：
S101、获取所述供应链资产数据中每个数据在每个颜色通道的颜色值；
S102、确定每个颜色值对应的权重；
S103、根据每个数据在每个颜色通道的颜色值及每个颜色值对应的权重计算加权平均值，得到每个数据的灰度值；
S104、根据每个数据的灰度值对每个数据进行转化，得到转化数据；
S105、对所述转化数据进行文字识别，得到所述第一数据集。
其中，每个颜色值对应的权重可以根据实验获得。
通过上述实施方式，能够对所述供应链资产数据进行灰度化，处理后的数据更加便于进行图像处理。
S11，采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合。
在本发明的至少一个实施例中，所述历史审核数据可以包括，但不限于以下一种或者多种数据的组合：搜索关键词、搜索结果及审核结果。
在本发明的至少一个实施例中，可以根据数据标识等对所述历史审核数据进行分类，本发明不限制。
进一步地，在对所述历史审核数据进行分类后，整合所有的搜索关键词，得到所述搜索关键词集合。
进一步地，整合所有的搜索结果，得到所述搜索结果集合。
S12，获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库。
在本发明的至少一个实施例中，所述第一词库中包括历史使用的所有搜索关键词。
在本发明的至少一个实施例中，所述利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库，包括以下步骤S121-S123：
S121、利用所述第一词库中的每个词对所述搜索关键词集合中的每个搜索关键词进行遍历；
S122、将遍历到的与所述第一词库中的每个词相同的词确定为目标词；
S123、根据所述目标词建立所述搜索关键词单词库。
通过上述实施方式，结合词库进行分词处理，以建立搜索关键词单词库，为后续的数据处理做准备。
S13，获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库。
在本发明的至少一个实施例中，所述第二词库中包括历史搜索到的所有搜索结果。
需要说明的是，利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到所述搜索结果单词库的方式，与前文利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到所述搜索关键词单词库的方式类似，本发明在此不赘述。
S14，根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库。
其中，所述预设特征可以为异常的特征。
在本发明的至少一个实施例中，所述根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，包括以下步骤S141-S146：
S141、计算所述搜索关键词单词库中的每个搜索关键词在所述第一数据集中的词频，得到每个搜索关键词的第一词频；
S142、计算所述搜索结果单词库中的每个搜索结果在所述第一数据集中的词频，得到每个搜索结果的第二词频；
S143、获取配置词频阈值；
S144、从所述搜索关键词单词库中提取所述第一词频小于或者等于所述配置词频阈值的搜索关键词作为目标搜索关键词；
S145、从所述搜索结果单词库中提取所述第二词频小于或者等于所述配置词频阈值的搜索结果作为目标搜索结果；
S146、将所述目标搜索关键词及所述目标搜索结果确定为所述预设特征。
其中，所述配置词频阈值可以进行自定义配置，本发明不限制。
进一步地，可以采用TF-IDF(term frequency–inverse document frequency，词频-逆文本频率)算法计算词频。
可以理解的是，词频越低，表示特征度越高，也表示对应单词的异常概率越高。
本实施例通过计算词频，进一步建立异常特征词库，以辅助校验供应链资产是否有异常的风险。
S15，获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果。
在本发明的至少一个实施例中，所述待审核数据可以由相关工作人员上传，也可以直接从相关网页或者应用程序中获取，本发明不限制。
在本发明的至少一个实施例中，所述利用所述异常特征词库对所述待审核数据进行校验，得到校验结果，包括以下步骤S151-S155：
S151、计算所述待审核数据与所述异常特征词库中单词的相似度；
S152、从所述待审核数据中获取与所述异常特征词库中单词的相似度大于或者等于配置相似度的词作为目标词；
S153、计算所述目标词的数量；
S154、当所述目标词的数量大于或者等于配置数量时，确定所述校验结果为所述待审核数据未通过校验；或者
S155、当所述目标词的数量小于所述配置数量时，确定所述校验结果为所述待审核数据通过校验。
其中，所述配置相似度及所述配置数量均可以进行自定义配置。
具体地，可以采用TF-IDF算法计算所述待审核数据与所述异常特征词库中单词的相似度，也可以采用余弦相似度算法计算所述待审核数据与所述异常特征词库中单词的相似度，本发明对相似度的计算方式不做限制。
S16，当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型。
在本发明的至少一个实施例中，所述方法还包括以下步骤S1611-S1612：
1611、当所述校验结果显示所述待审核数据未通过校验时，根据所述校验结果生成风险提示信息；
1612、将所述风险提示信息发送至指定联系人的终端设备。
例如：所述风险提示信息可以为：“数据未通过校验，请尽快核实，谢谢”。
其中，所述指定联系人可以为负责审核的人员等。
通过上述实施方式，能够在确定所述待审核数据未通过校验后，及时发出风险提示，进而提高对异常数据的响应效率。
在本发明的至少一个实施例中，在所述获取预先训练的预测模型前，所述方法还包括以下步骤S1621-S1624：
1621、将所述历史审核数据确定为训练样本；
1622、对所述训练样本进行打标签处理，得到所述训练样本的标签，其中，所述训练样本的标签用于标记风险等级；
1623、获取预设的分类模型；
1624、将所述训练样本的标签确定为训练目标，并利用所述训练样本训练所述分类模型，得到所述预测模型。
其中，所述分类模型可以包括决策树模型等。
通过上述实施方式，能够基于机器学习的方法训练预测模型辅助进行供应链资产的校验，以释放人力。
在本实施例中，每隔预设时间间隔(如1个月)可以更新所述历史审核数据，并利用所述历史审核数据更新所述预测模型，使所述预测模型更具有适用性。
S17，将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级。
例如：所述风险等级可以包括，但不限于：高风险、中风险、低风险。
S18，根据所述风险等级及所述校验结果生成校验报告。
具体地，可以将所述风险等级及所述校验结果打包在一个文件中，得到所述校验报告，并将所述校验报告发送给指定的联系人，以供所述指定的联系人进行查看。
通过上述实施方式，结合标签及机器学习的方式实现对供应链资产的自动检验，不仅有效释放了人力，且提高了校验效率。
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，各个词库可存储于区块链节点中。
由以上技术方案可以看出，本发明能够采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集，采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合，获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库，获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库，结合词库进行分词处理，以建立搜索关键词单词库，为后续的数据处理做准备，根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库，以辅助校验供应链资产是否有异常的风险，获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果，当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型，将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级，根据所述风险等级及所述校验结果生成校验报告，进而结合标签及机器学习的方式实现对供应链资产的自动检验，不仅有效释放了人力，且提高了校验效率。
如图2所示，是本发明基于人工智能的供应链资产校验装置的较佳实施例的功能模块图。所述基于人工智能的供应链资产校验装置11包括电子化单元110、分类单元111、分词单元112、提取单元113、校验单元114、获取单元115、输入单元116、生成单元117。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
电子化单元110采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集。
在本发明的至少一个实施例中，所述供应链资产数据通常为图像形式。
具体地，所述供应链资产数据可以包括，但不限于以下一种或者多种数据的组合：票据、单据、合同、背景资料。
在本发明的至少一个实施例中，所述供应链资产数据识别的格式可以包括，但不限于以下一种或者多种格式的组合：文本、表格、证件、票据、自定义模板。
在本发明的至少一个实施例中，所述电子化单元110对所述供应链资产数据进行电子化处理，得到第一数据集，包括：
获取所述供应链资产数据中每个数据在每个颜色通道的颜色值；
确定每个颜色值对应的权重；
根据每个数据在每个颜色通道的颜色值及每个颜色值对应的权重计算加权平均值，得到每个数据的灰度值；
根据每个数据的灰度值对每个数据进行转化，得到转化数据；
对所述转化数据进行文字识别，得到所述第一数据集。
其中，每个颜色值对应的权重可以根据实验获得。
通过上述实施方式，能够对所述供应链资产数据进行灰度化，处理后的数据更加便于进行图像处理。
分类单元111采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合。
在本发明的至少一个实施例中，所述历史审核数据可以包括，但不限于以下一种或者多种数据的组合：搜索关键词、搜索结果及审核结果。
在本发明的至少一个实施例中，可以根据数据标识等对所述历史审核数据进行分类，本发明不限制。
进一步地，在对所述历史审核数据进行分类后，整合所有的搜索关键词，得到所述搜索关键词集合。
进一步地，整合所有的搜索结果，得到所述搜索结果集合。
分词单元112获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库。
在本发明的至少一个实施例中，所述第一词库中包括历史使用的所有搜索关键词。
在本发明的至少一个实施例中，所述分词单元112利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库，包括：
利用所述第一词库中的每个词对所述搜索关键词集合中的每个搜索关键词进行遍历；
将遍历到的与所述第一词库中的每个词相同的词确定为目标词；
根据所述目标词建立所述搜索关键词单词库。
通过上述实施方式，结合词库进行分词处理，以建立搜索关键词单词库，为后续的数据处理做准备。
所述分词单元112获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库。
在本发明的至少一个实施例中，所述第二词库中包括历史搜索到的所有搜索结果。
需要说明的是，利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到所述搜索结果单词库的方式，与前文利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到所述搜索关键词单词库的方式类似，本发明在此不赘述。
提取单元113根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库。
其中，所述预设特征可以为异常的特征。
在本发明的至少一个实施例中，所述提取单元113根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，包括：
计算所述搜索关键词单词库中的每个搜索关键词在所述第一数据集中的词频，得到每个搜索关键词的第一词频；
计算所述搜索结果单词库中的每个搜索结果在所述第一数据集中的词频，得到每个搜索结果的第二词频；
获取配置词频阈值；
从所述搜索关键词单词库中提取所述第一词频小于或者等于所述配置词频阈值的搜索关键词作为目标搜索关键词；
从所述搜索结果单词库中提取所述第二词频小于或者等于所述配置词频阈值的搜索结果作为目标搜索结果；
将所述目标搜索关键词及所述目标搜索结果确定为所述预设特征。
其中，所述配置词频阈值可以进行自定义配置，本发明不限制。
进一步地，可以采用TF-IDF(term frequency–inverse document frequency，词频-逆文本频率)算法计算词频。
可以理解的是，词频越低，表示特征度越高，也表示对应单词的异常概率越高。
本实施例通过计算词频，进一步建立异常特征词库，以辅助校验供应链资产是否有异常的风险。
校验单元114获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果。
在本发明的至少一个实施例中，所述待审核数据可以由相关工作人员上传，也可以直接从相关网页或者应用程序中获取，本发明不限制。
在本发明的至少一个实施例中，所述校验单元114利用所述异常特征词库对所述待审核数据进行校验，得到校验结果，包括：
计算所述待审核数据与所述异常特征词库中单词的相似度；
从所述待审核数据中获取与所述异常特征词库中单词的相似度大于或者等于配置相似度的词作为目标词；
计算所述目标词的数量；
当所述目标词的数量大于或者等于配置数量时，确定所述校验结果为所述待审核数据未通过校验；或者
当所述目标词的数量小于所述配置数量时，确定所述校验结果为所述待审核数据通过校验。
其中，所述配置相似度及所述配置数量均可以进行自定义配置。
具体地，可以采用TF-IDF算法计算所述待审核数据与所述异常特征词库中单词的相似度，也可以采用余弦相似度算法计算所述待审核数据与所述异常特征词库中单词的相似度，本发明对相似度的计算方式不做限制。
当所述校验结果显示所述待审核数据未通过校验时，获取单元115获取预先训练的预测模型。
在本发明的至少一个实施例中，当所述校验结果显示所述待审核数据未通过校验时，根据所述校验结果生成风险提示信息；
将所述风险提示信息发送至指定联系人的终端设备。
例如：所述风险提示信息可以为：“数据未通过校验，请尽快核实，谢谢”。
其中，所述指定联系人可以为负责审核的人员等。
通过上述实施方式，能够在确定所述待审核数据未通过校验后，及时发出风险提示，进而提高对异常数据的响应效率。
在本发明的至少一个实施例中，在所述获取预先训练的预测模型前，将所述历史审核数据确定为训练样本；
对所述训练样本进行打标签处理，得到所述训练样本的标签，其中，所述训练样本的标签用于标记风险等级；
获取预设的分类模型；
将所述训练样本的标签确定为训练目标，并利用所述训练样本训练所述分类模型，得到所述预测模型。
其中，所述分类模型可以包括决策树模型等。
通过上述实施方式，能够基于机器学习的方法训练预测模型辅助进行供应链资产的校验，以释放人力。
在本实施例中，每隔预设时间间隔(如1个月)可以更新所述历史审核数据，并利用所述历史审核数据更新所述预测模型，使所述预测模型更具有适用性。
输入单元116将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级。
例如：所述风险等级可以包括，但不限于：高风险、中风险、低风险。
生成单元117根据所述风险等级及所述校验结果生成校验报告。
具体地，可以将所述风险等级及所述校验结果打包在一个文件中，得到所述校验报告，并将所述校验报告发送给指定的联系人，以供所述指定的联系人进行查看。
通过上述实施方式，结合标签及机器学习的方式实现对供应链资产的自动检验，不仅有效释放了人力，且提高了校验效率。
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，各个词库可存储于区块链节点中。
由以上技术方案可以看出，本发明能够采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集，采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合，获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库，获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库，结合词库进行分词处理，以建立搜索关键词单词库，为后续的数据处理做准备，根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库，以辅助校验供应链资产是否有异常的风险，获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果，当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型，将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级，根据所述风险等级及所述校验结果生成校验报告，进而结合标签及机器学习的方式实现对供应链资产的自动检验，不仅有效释放了人力，且提高了校验效率。
如图3所示，是本发明实现基于人工智能的供应链资产校验方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的供应链资产校验程序。
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12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。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备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，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如基于人工智能的供应链资产校验程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13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。处理器13是所述计算机设备1的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的供应链资产校验程序等)，以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的供应链资产校验方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成电子化单元110、分类单元111、分词单元112、提取单元113、校验单元114、获取单元115、输入单元116、生成单元117。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于人工智能的供应链资产校验方法的部分。
所述计算机设备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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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)、随机存取存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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。
总线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。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管图中未示出，所述计算机设备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13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。所述计算机设备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，所述计算机设备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)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地，该计算机设备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，用于显示在计算机设备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。
图3仅示出了具有组件12-13的计算机设备1，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计算机设备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。
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种基于人工智能的供应链资产校验方法，所述处理器13可执行所述多个指令从而实现：
采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集；
采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合；
获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库；
获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库；
根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库；
获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果；
当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型；
将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级；
根据所述风险等级及所述校验结果生成校验报告。
具体地，所述处理器13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。
需要说明的是，本案中所涉及到的数据均为合法取得。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。
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。本发明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。第一、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)

1.一种基于人工智能的供应链资产校验方法，其特征在于，所述基于人工智能的供应链资产校验方法包括：
采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集；
采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合；
获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库；
获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库；
根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库；
获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果；
当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型；
将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级；
根据所述风险等级及所述校验结果生成校验报告。
2.如权利要求1所述的基于人工智能的供应链资产校验方法，其特征在于，所述对所述供应链资产数据进行电子化处理，得到第一数据集，包括：
获取所述供应链资产数据中每个数据在每个颜色通道的颜色值；
确定每个颜色值对应的权重；
根据每个数据在每个颜色通道的颜色值及每个颜色值对应的权重计算加权平均值，得到每个数据的灰度值；
根据每个数据的灰度值对每个数据进行转化，得到转化数据；
对所述转化数据进行文字识别，得到所述第一数据集。
3.如权利要求1所述的基于人工智能的供应链资产校验方法，其特征在于，所述利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库，包括：
利用所述第一词库中的每个词对所述搜索关键词集合中的每个搜索关键词进行遍历；
将遍历到的与所述第一词库中的每个词相同的词确定为目标词；
根据所述目标词建立所述搜索关键词单词库。
4.如权利要求1所述的基于人工智能的供应链资产校验方法，其特征在于，所述根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，包括：
计算所述搜索关键词单词库中的每个搜索关键词在所述第一数据集中的词频，得到每个搜索关键词的第一词频；
计算所述搜索结果单词库中的每个搜索结果在所述第一数据集中的词频，得到每个搜索结果的第二词频；
获取配置词频阈值；
从所述搜索关键词单词库中提取所述第一词频小于或者等于所述配置词频阈值的搜索关键词作为目标搜索关键词；
从所述搜索结果单词库中提取所述第二词频小于或者等于所述配置词频阈值的搜索结果作为目标搜索结果；
将所述目标搜索关键词及所述目标搜索结果确定为所述预设特征。
5.如权利要求1所述的基于人工智能的供应链资产校验方法，其特征在于，所述利用所述异常特征词库对所述待审核数据进行校验，得到校验结果，包括：
计算所述待审核数据与所述异常特征词库中单词的相似度；
从所述待审核数据中获取与所述异常特征词库中单词的相似度大于或者等于配置相似度的词作为目标词；
计算所述目标词的数量；
当所述目标词的数量大于或者等于配置数量时，确定所述校验结果为所述待审核数据未通过校验；或者
当所述目标词的数量小于所述配置数量时，确定所述校验结果为所述待审核数据通过校验。
6.如权利要求1所述的基于人工智能的供应链资产校验方法，其特征在于，所述方法还包括：
当所述校验结果显示所述待审核数据未通过校验时，根据所述校验结果生成风险提示信息；
将所述风险提示信息发送至指定联系人的终端设备。
7.如权利要求1所述的基于人工智能的供应链资产校验方法，其特征在于，在所述获取预先训练的预测模型前，所述方法还包括：
将所述历史审核数据确定为训练样本；
对所述训练样本进行打标签处理，得到所述训练样本的标签，其中，所述训练样本的标签用于标记风险等级；
获取预设的分类模型；
将所述训练样本的标签确定为训练目标，并利用所述训练样本训练所述分类模型，得到所述预测模型。
8.一种基于人工智能的供应链资产校验装置，其特征在于，所述装置包括：
电子化单元，用于采集供应链资产数据，并对所述供应链资产数据进行电子化处理，得到第一数据集；
分类单元，用于采集历史审核数据，并对所述历史审核数据进行分类，得到搜索关键词集合及搜索结果集合；
分词单元，用于获取预先建立的第一词库，并利用所述第一词库对所述搜索关键词集合中的每个搜索关键词进行分词处理，得到搜索关键词单词库；
所述分词单元，还用于获取预先建立的第二词库，并利用所述第二词库对所述搜索结果集合中的每个搜索结果进行分词处理，得到搜索结果单词库；
提取单元，用于根据所述第一数据集对所述搜索关键词单词库及所述搜索结果单词库进行预设特征的提取，并利用所述预设特征建立异常特征词库；
校验单元，用于获取待审核数据，并利用所述异常特征词库对所述待审核数据进行校验，得到校验结果；
获取单元，用于当所述校验结果显示所述待审核数据未通过校验时，获取预先训练的预测模型；
输入单元，用于将所述待审核数据输入至所述预测模型，并获取所述预测模型的输出数据作为预测的风险等级；
生成单元，用于根据所述风险等级及所述校验结果生成校验报告。
9.一种计算机设备，其特征在于，所述计算机设备包括：
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如权利要求1至7中任意一项所述的基于人工智能的供应链资产校验方法。
10.一种计算机可读存储介质，其特征在于：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计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的供应链资产校验方法。
CN202210289207.XA 2022-03-22 2022-03-22 基于人工智能的供应链资产校验方法、装置、设备及介质 Pending CN114722146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210289207.XA CN114722146A (zh) 2022-03-22 2022-03-22 基于人工智能的供应链资产校验方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210289207.XA CN114722146A (zh) 2022-03-22 2022-03-22 基于人工智能的供应链资产校验方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114722146A true CN114722146A (zh) 2022-07-08

Family

ID=82239151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210289207.XA Pending CN114722146A (zh) 2022-03-22 2022-03-22 基于人工智能的供应链资产校验方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114722146A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907986A (zh) * 2022-11-15 2023-04-04 支付宝(杭州)信息技术有限公司 资产核对方法和装置、介质和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907986A (zh) * 2022-11-15 2023-04-04 支付宝(杭州)信息技术有限公司 资产核对方法和装置、介质和计算机设备
CN115907986B (zh) * 2022-11-15 2023-08-29 支付宝(杭州)信息技术有限公司 资产核对方法和装置、介质和计算机设备

Similar Documents

Publication Publication Date Title
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN111798123A (zh) 基于人工智能的合规性评价方法、装置、设备及介质
CN115146865A (zh) 基于人工智能的任务优化方法及相关设备
CN112883730B (zh) 相似文本匹配方法、装置、电子设备及存储介质
CN115081538A (zh) 基于机器学习的客户关系识别方法、装置、设备及介质
CN114492663A (zh) 事件智能分拨方法、装置、设备及存储介质
CN114722146A (zh) 基于人工智能的供应链资产校验方法、装置、设备及介质
CN116843481A (zh) 知识图谱分析方法、装置、设备及存储介质
CN114708073B (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN111429085A (zh) 合同数据生成方法、装置、电子设备及存储介质
CN114996386A (zh) 业务角色识别方法、装置、设备及存储介质
CN116311313A (zh) 基于人工智能的病历报告单检测方法、装置、设备及介质
CN114385815A (zh) 基于业务需求的新闻筛选方法、装置、设备及存储介质
CN114372892A (zh) 支付数据监控方法、装置、设备及介质
CN114219367A (zh) 用户评分方法、装置、设备及存储介质
CN113706207A (zh) 基于语义解析的订单成交率分析方法、装置、设备及介质
CN113312482A (zh) 问题分类方法、装置、电子设备及可读存储介质
CN113313211A (zh) 文本分类方法、装置、电子设备及存储介质
CN114781833B (zh) 基于业务人员的能力测评方法、装置、设备及存储介质
CN115271686B (zh) 政务数据智能审核方法及装置
CN114723282A (zh) 业务执行质量评分方法、装置、设备及存储介质
CN113688924A (zh) 异常订单检测方法、装置、设备及介质
CN115546814A (zh) 关键合同字段抽取方法、装置、电子设备及存储介质
CN112347739A (zh) 适用规则分析方法、装置、电子设备及存储介质
CN113657546A (zh) 信息分类方法、装置、电子设备及可读存储介质

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