CN114926039A - 风险评估方法、风险评估装置、电子设备及存储介质 - Google Patents
风险评估方法、风险评估装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114926039A CN114926039A CN202210582092.3A CN202210582092A CN114926039A CN 114926039 A CN114926039 A CN 114926039A CN 202210582092 A CN202210582092 A CN 202210582092A CN 114926039 A CN114926039 A CN 114926039A
- Authority
- CN
- China
- Prior art keywords
- target
- risk
- preset
- text
- 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.)
- Pending
Links
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种风险评估方法、风险评估装置、电子设备及存储介质,属于人工智能技术领域。该方法包括:获取待预测的用户数据,其中,用户数据包括目标用户的用户信息和业务需求文本;根据预设主题对业务需求文本进行关键词提取,得到每一预设主题对应的需求关键词;根据需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据;根据用户信息和目标风险数据,得到目标策略信息;将目标策略信息推送给目标对象。本申请实施例能够提高风险评估的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种风险评估方法、风险评估装置、电子设备及存储介质。
背景技术
目前,在对需求风险进行评估时,常常是通过人工的方式来识别和分析需求风险,而这一方式需要依赖于人为主观意识,在风险评估时往往会存在着风险遗漏的问题,影响风险评估的准确性,因此,如何提高风险评估的准确性,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种风险评估方法、风险评估装置、电子设备及存储介质,旨在提高风险评估的准确性。
为实现上述目的,本申请实施例的第一方面提出了一种风险评估方法,所述方法包括:
获取待预测的用户数据,其中,所述用户数据包括目标用户的用户信息和业务需求文本;
根据预设主题对所述业务需求文本进行关键词提取,得到每一所述预设主题对应的需求关键词;
根据所述需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;
通过预设的风险预测模型对所述目标评估文本进行风险预测,得到目标风险数据;
根据所述用户信息和所述目标风险数据,得到目标策略信息;
将所述目标策略信息推送给目标对象。
在一些实施例,所述根据预设主题对所述业务需求文本进行关键词提取,得到每一所述预设主题对应的需求关键词的步骤,包括:
将所述业务需求文本输入至预设的关键词提取模型中,其中,所述关键词提取模型包括分词网络和词袋网络;
通过所述分词网络对所述业务需求文本进行分词处理,得到目标需求词段;
通过所述词袋网络和所述预设主题对所述目标需求词段进行主题概率计算,得到每一所述预设主题的参考词段对应的概率值;
根据概率值对所述参考词段进行筛选处理,得到所述需求关键词。
在一些实施例,所述通过所述分词网络对所述业务需求文本进行分词处理,得到目标需求词段的步骤,包括:
通过所述分词网络的预设分词器对所述业务需求文本进行词汇识别,得到词段实体特征;
根据所述词段实体特征对所述业务需求文本进行分词处理,得到初始需求词段;
对所述初始需求词段进行过滤处理,得到所述目标需求词段。
在一些实施例,所述词袋网络包括编码层和第一预测层,所述通过所述词袋网络和所述预设主题对所述目标需求词段进行主题概率计算,得到每一所述预设主题的参考词段对应的概率值的步骤,包括:
通过所述编码层对所述目标需求词段进行词嵌入处理,得到需求嵌入向量;
通过所述预测层的预设函数和所述预设主题对所述需求嵌入向量进行概率计算,得到所述概率值。
在一些实施例,所述风险预测模型包括卷积层和第二预测层,所述目标风险数据包括目标风险类别、目标风险值以及目标风险等级,所述通过预设的风险预测模型对所述目标评估文本进行风险预测,得到目标风险数据的步骤,包括:
通过所述卷积层对所述目标评估文本进行特征提取,得到关键风险特征;
通过所述第二预测层的预设风险类别标签对所述关键风险特征进行标签分类,得到目标风险类别;
根据所述需求风险类别调用对应的风险评分文本,并通过所述风险评分文本进行风险评分计算,得到目标风险值;
根据所述目标风险值,确定目标风险等级。
在一些实施例,所述根据所述用户信息和所述目标风险数据,得到目标策略信息的步骤,包括:
根据所述目标风险数据中的目标风险等级和目标风险类别对预设的风险策略信息进行第一过滤处理,得到初始策略信息;
根据所述用户信息对所述初始策略信息进行第二过滤处理,得到所述目标策略信息。
在一些实施例,所述根据所述用户信息对所述初始策略信息进行第二过滤处理,得到所述目标策略信息的步骤,包括:
比对所述用户信息和预先获取的参考用户信息,得到比对结果,并根据比对结果对所述初始策略信息进行过滤处理,得到所述目标策略信息;
和/或,
通过预设的过滤模型对所述用户信息和所述初始策略信息进行相关性计算,得到计算结果,并根据所述计算结果对所述初始策略信息进行过滤处理,得到所述目标策略信息。
为实现上述目的,本申请实施例的第二方面提出了一种风险评估装置,所述装置包括:
数据获取模块,用于获取待预测的用户数据,其中,所述用户数据包括目标用户的用户信息和业务需求文本;
关键词提取模块,用于根据预设主题对所述业务需求文本进行关键词提取,得到每一所述预设主题对应的需求关键词;
填充模块,用于根据所述需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;
风险预测模块,用于通过预设的风险预测模型对所述目标评估文本进行风险预测,得到目标风险数据;
生成模块,用于根据所述用户信息和所述目标风险数据,得到目标策略信息;
推送模块,用于将所述目标策略信息推送给目标对象。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的风险评估方法、风险评估装置、电子设备及存储介质,其通过获取待预测的用户数据,其中,用户数据包括目标用户的用户信息和业务需求文本;根据预设主题对业务需求文本进行关键词提取,得到每一预设主题对应的需求关键词,能够较为方便地明确目标用户的实际需求,从而提高需求风险分析的效率。进一步地,根据需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据,通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据,能够直观地通过目标评估文本和目标风险数据来表征目标用户的实际需求存在的风险偏向和不同种类风险的比重情况,提高了风险评估的全面性。最后,根据用户信息和目标风险数据,得到目标策略信息;将目标策略信息推送给目标对象,能够及时地根据不同的需求风险反馈出相应的目标策略信息,通过目标策略信息向目标对象提供有效地风险预防策略或者风险解决策略,从而提高风险评估的时效性和准确性。
附图说明
图1是本申请实施例提供的风险评估方法的流程图;
图2是图1中的步骤S102的流程图;
图3是图2中的步骤S202的流程图;
图4是图2中的步骤S203的流程图;
图5是图1中的步骤S104的流程图;
图6是图1中的步骤S105的流程图;
图7是图6中的步骤S602的流程图;
图8是图6中的步骤S602的另一流程图;
图9是本申请实施例提供的风险评估装置的结构示意图;
图10是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(Artificial Intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
自然语言处理(Natural Language Processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
LDA主题模型(Latent Dirichlet Allocation):是一种文档生成模型,主要用于推测文档的主题分布,可以将文档集中每篇文档的主题以概率分布的形式给出根据主题进行主题聚类或文本分类。
分词器(Tokenizer):分词器的作用是将一个句子转换为组成该句子的单个单词或者符合,具体地,分词器接受一个字符串作为输入,将这个字符串拆分成独立的词或语汇单元(Token),然后输出一个语汇单元流(Token Stream)。
协同过滤:简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息,个人通过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息,回应不一定局限于特别感兴趣的,特别不感兴趣信息的纪录也相当重要。协同过滤包括最近邻搜索(Nearest Neighbor Search,NNS)的协同过滤和以模型为基础(Model-based)的协同过滤。
最近邻搜索(Nearest Neighbor Search,NNS)的协同过滤:以用户为基础(User-based)的协同过滤的出发点是与用户兴趣爱好相同的另一组用户,就是计算两个用户的相似度。例如:查找N个和A有相似兴趣用户,把他们对M的评分作为A对M的评分预测。一般会根据数据的不同选择不同的算法。
以模型为基础(Model-based)的协同过滤:以模型为基础的协同过滤(Model-based Collaborative Filtering)是先用历史数据得到一个模型,再用此模型进行预测。以模型为基础的协同过滤广泛使用的技术包括潜在语义分析(Latent SemanticLndexing,LSA)、奇异值分解(SVD)、支撑向量机(SVM)等,根据对一个样本的分析得到模型。
目前,在对需求风险进行评估时,常常是通过人工的方式来识别和分析需求风险,而这一方式需要依赖于人为主观意识,在风险评估时往往会存在着风险遗漏的问题,影响风险评估的准确性,因此,如何提高风险评估的准确性,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种风险评估方法、风险评估装置、电子设备及存储介质,旨在提高风险评估的准确性。
本申请实施例提供的风险评估方法、风险评估装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的风险评估方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能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。
本申请实施例提供的风险评估方法,涉及人工智能技术领域。本申请实施例提供的风险评估方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、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;软件可以是实现风险评估方法的应用等,但并不局限于以上形式。
本申请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。本申请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申请,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。
图1是本申请实施例提供的风险评估方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101,获取待预测的用户数据,其中,用户数据包括目标用户的用户信息和业务需求文本;
步骤S102,根据预设主题对业务需求文本进行关键词提取,得到每一预设主题对应的需求关键词;
步骤S103,根据需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;
步骤S104,通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据;
步骤S105,根据用户信息和目标风险数据,得到目标策略信息;
步骤S106,将目标策略信息推送给目标对象。
本申请实施例所示意的步骤S101至步骤S106,通过获取待预测的用户数据,其中,用户数据包括目标用户的用户信息和业务需求文本;根据预设主题对业务需求文本进行关键词提取,得到每一预设主题对应的需求关键词,能够较为方便地明确目标用户的实际需求,从而提高需求风险分析的效率。进一步地,根据需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据,通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据,能够直观地通过目标评估文本和目标风险数据来表征目标用户的实际需求存在的风险偏向和不同种类风险的比重情况,提高了风险评估的全面性。最后,根据用户信息和目标风险数据,得到目标策略信息;将目标策略信息推送给目标对象,能够及时地根据不同的需求风险反馈出相应的目标策略信息,通过目标策略信息向目标对象提供有效地风险预防策略或者风险解决策略,从而提高风险评估的时效性和准确性。
在一些实施例的步骤S101中,可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据,得到待预测的用户数据,也可以通过其他方式获取用户数据,不限于此。其中,用户数据包括目标用户的用户信息和业务需求文本,用户信息包括用户的姓名、年龄、性别、权限以及工作范围等,业务需求文本包括开发需求、访问需求等文本。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S204:
步骤S201,将业务需求文本输入至预设的关键词提取模型中,其中,关键词提取模型包括分词网络和词袋网络;
步骤S202,通过分词网络对业务需求文本进行分词处理,得到目标需求词段;
步骤S203,通过词袋网络和预设主题对目标需求词段进行主题概率计算,得到每一预设主题的参考词段对应的概率值;
步骤S204,根据概率值对参考词段进行筛选处理,得到需求关键词。
在一些实施例的步骤S201中,将业务需求文本输入至预设的关键词提取模型中,其中,关键词提取模型可以基于LDA主题模型构建而成,关键词提取模型包括分词网络和词袋网络,分词网络主要用于对输入文本进行分词处理,得到文本词段,词袋网络主要用于根据不同的主题类型,对文本词段的文本进行主题概率计算,得到文本词段的词分布情况,并计算词分布与输入文本的分布的相似度,取相似度最高的关键词作为输入文本的关键词。
在一些实施例的步骤S202中,通过分词网络的分词器对业务需求文本进行分词处理,其中,分词器可以包括Jieba分词器等等,通过分词在业务需求文本中添加保留词和停用词等来实现对业务需求文本的分词处理,得到目标需求词段。
在一些实施例的步骤S203中,通过词袋网络的对目标需求词段进行词嵌入处理,将目标需求词段映射成实数域上的向量,得到需求嵌入向量,再通过预设函数(如softmax函数、sigmoid函数等)和预设主题对需求嵌入向量进行主题概率计算,得到每一预设主题的参考词段对应的概率值。
需要说明的是,预设主题包括业务安全、合规安全、访问安全等多种主题类型,每一主题类型包括多个参考词段,例如,预设主题为合规安全时,参考词段包括用户业务场景、APP个人信息收集等。
在一些实施例的步骤S204中,概率值的大小可以直观地反映出目标需求词段与预设主题的参考词段的接近程度,因此,可以根据概率值对参考词段进行筛选处理,选取概率值最大的参考词段作为需求关键词。
通过上述步骤S201至步骤S204能够较为方便地明确目标用户的实际需求,从而提高需求风险分析的效率。
请参阅图3,在一些实施例中,步骤S202可以包括但不限于包括步骤S301至步骤S303:
步骤S301,通过分词网络的预设分词器对业务需求文本进行词汇识别,得到词段实体特征;
步骤S302,根据词段实体特征对业务需求文本进行分词处理,得到初始需求词段;
步骤S303,对初始需求词段进行过滤处理,得到目标需求词段。
在一些实施例的步骤S301中,预设分词器可以为Jieba分词器,通过对照Jieba分词器内的词典生成该业务需求文本对应的有向无环图,对这一有向无环图进行节点提取,得到词段实体特征。
在一些实施例的步骤S302中,根据预设的选择模式、词典以及词段实体特征寻找有向无环图上的最短路径,根据最短路径对该业务需求文本进行截取,或者直接对该业务需求文本进行截取,得到初始需求词段。
在一些实施例的步骤S303中,根据预设的词段长度或者词性类别,对初始需求词段进行过滤处理,剔除词段长度超出预设长度范围或者词性类别不符合词性要求的初始需求词段,得到目标需求词段。
需要说明的是,预设长度范围可以根据具体的业务需求进行设置,不做限制,例如,预设长度范围为0至20个字符。词性类别可以包括名词、动词、修饰词、形容词等等,不限于此。
请参阅图4,在一些实施例中,步骤S203可以包括但不限于包括步骤S401至步骤S402:
步骤S401,通过编码层对目标需求词段进行词嵌入处理,得到需求嵌入向量;
步骤S402,通过预测层的预设函数和预设主题对需求嵌入向量进行概率计算,得到概率值。
在一些实施例的步骤S401中,通过编码层对目标需求词段进行词嵌入处理,将目标需求词段映射为实数域上的向量,并将映射向量嵌入到低维的连续向量空间,得到需求嵌入向量,通过这一方式能够使得相似的目标需求词段之间可以具有相似的向量表征,从而保留业务需求文本的语义信息。
在一些实施例的步骤S402中,预设函数可以为softmax函数、sigmoid函数等。预设主题包括业务安全、合规安全、访问安全、文件传输安全等多种主题类型,每一主题类型包括多个参考词段,例如,预设主题为合规安全时,参考词段包括用户业务场景、APP个人信息收集等。预设主题为业务安全时,参考词段包括用户账号安全等。预设主题为文件传输安全时,参考词段包括文件上传或下载、外部对接、新增日志以及敏感信息展示等等。
具体地,以softmax函数为例,通过softmax函数在每一预设主题上创建出需求嵌入向量的概率分布,通过概率分布情况来反映出需求嵌入向量与每一参考词段的相关程度/接近程度,从而得到每一预设主题的参考词段对应的概率值。因此,可以根据概率值对参考词段进行筛选处理,选取概率值最大的参考词段作为需求关键词。
在一些实施例的步骤S103中,根据需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本,其中,风险评估文本包括多个风险选项,例如,在文件传输需求一类,风险选项包括:是否涉及跨系统对接、是否涉及敏感信息提示、是否涉及到外部对接等等。在合规需求一类,风险选项包括:是否涉及用户业务场景以及是否涉及到小程序的个人信息收集等等。根据需求关键词对风险评估文本中的风险选项进行答案选择,从而得到目标评估文本。例如,在某一业务需求文本中,涉及到了用户业务场景以及敏感信息展示,则在对应的风险选项中选择“是”这一选项。通过这一方式能够方便地对预设的风险评估文本进行填充处理,对于不同的业务需求形成不同的目标评估文本,能够直观地通过目标评估文本来表征目标用户的实际需求存在的风险偏向。
在一些实施例的步骤S104之前,风险评估方法还包括预先训练风险预测模型,其中,风险预测模型可以基于卷积神经网络模型构建而成,风险预测模型包括卷积层和第二预测层,其中,卷积层可以包括多个卷积核,卷积核的尺寸可以是1*1或者3*3,卷积层主要用于对目标评估文本进行特征提取,获取重要程度较高的文本特征,第二预测层主要用于根据预设的风险类别标签对关键风险特征进行标签概率计算,确定对应的风险类别。在对风险预测模型进行训练时,可以采用交叉熵损失函数作为风险预测模型的损失函数,通过交叉熵损失函数计算风险预测模型的模型损失,根据模型损失来不断地更新模型参数,在模型损失满足预设的训练条件时,完成风险预测模型的训练。
请参阅图5,在一些实施例中,风险预测模型包括卷积层和第二预测层,目标风险数据包括目标风险类别、目标风险值以及目标风险等级,步骤S104还可以包括但不限于包括步骤S501至步骤S504:
步骤S501,通过卷积层对目标评估文本进行特征提取,得到关键风险特征;
步骤S502,通过第二预测层的预设风险类别标签对关键风险特征进行标签分类,得到目标风险类别;
步骤S503,根据需求风险类别调用对应的风险评分文本,并通过风险评分文本进行风险评分计算,得到目标风险值;
步骤S504,根据目标风险值,确定目标风险等级。
在一些实施例的步骤S501中,通过卷积层对目标评估文本进行特征提取,捕捉目标评估文本中较为重要的文本特征,得到关键风险特征。
在一些实施例的步骤S502中,通过第二预测层的softmax函数在每一预设风险类别标签上创建出关键风险特征的概率分布,通过概率分布情况来反映出关键风险特征属于每一预设风险类别标签的可能性,从而得到每一预设风险类别标签的概率值。由于概率值越大,表明关键风险特征属于该预设风险类别标签的可能性越大,因此,选取概率值最大的预设风险类别标签作为目标风险类别,其中,预设风险类别标签包括合规风险、访问风险、文件传输风险等等。
在一些实施例的步骤S503中,每一预设风险类别都设置有相应的风险评分文本,风险评分文本包括多个风险选项对应的风险分值,例如,在文件传输风险对应的风险评分文本中,风险选项包括:是否涉及跨系统对接?若是,则风险值为1,若否,则风险值为0;是否涉及敏感信息提示?若是,则风险值为10,若否,则风险值为0。以此类推,根据目标评估文本以及从目标评估文本中提取的关键风险特征,对风险评分文本中的风险选项进行答案选择和风险评分统计,从而得到目标风险值。
在一些实施例的步骤S504中,根据预设的风险值与风险等级的对照表,查找出目标风险值,并根据对照表中的对应关系,确定出与目标风险值对应的目标风险等级。例如,在预设的风险值与风险等级的对照表中,当风险值小于或者等于30时,对应的风险等级为低风险,当风险值大于30且风险值小于70时,对应的风险等级为中风险,当风险值大于或者等于70时,对应的风险等级为高风险。因此,若某一目标风险值为55,则根据对照表可以确定目标风险等级为中风险。
通过上述步骤S501至步骤S504能够直观地通过目标风险数据来表征目标用户的实际需求存在的风险偏向和不同种类风险的比重情况,提高了风险评估的全面性。
请参阅图6,在一些实施例,步骤S105还包括但不限于包括步骤S601至步骤S602:
步骤S601,根据目标风险数据中的目标风险等级和目标风险类别对预设的风险策略信息进行第一过滤处理,得到初始策略信息;
步骤S602,根据用户信息对初始策略信息进行第二过滤处理,得到目标策略信息。
在一些实施例的步骤S601中,针对不同的风险等级和风险类别预设有多种类型的风险策略信息,因此,可以根据目标风险等级和目标风险类别从预设的风险策略信息选取出符合当前风险类别和风险等级的风险策略信息,作为当前的业务需求文本对应的初始策略信息。
在一些实施例的步骤S602中,采用协同过滤的方式,根据用户信息对初始策略信息进行第二过滤处理,得到目标策略信息。具体地,可以采用基于近邻的协同过滤方式,结合目标用户的用户信息和参考用户信息的相似性,选取参考用户信息选取过的处事策略信息作为目标策略信息推送给目标用户;或者,也可以采用基于模型的协同过滤方式,例如,采用支撑向量机或者奇异值分解法等等对用户信息和初始策略信息进行相关性计算,根据计算结果来对初始策略信息进行过滤处理,得到目标策略信息。
上述步骤S601至步骤S602能够及时地根据不同的需求风险反馈出相应的目标策略信息,通过目标策略信息向目标对象提供有效的风险预防策略或者风险解决策略,从而提高风险评估的时效性和准确性。
请参阅图7,在一些实施例中,步骤S602可以包括但不限于包括步骤S701和步骤S702:
步骤S701,比对用户信息和预先获取的参考用户信息,得到比对结果;
步骤S702,根据比对结果对初始策略信息进行过滤处理,得到目标策略信息。
在一些实施例的步骤S701和步骤S702中,采用基于近邻的协同过滤方式,比对用户信息和参考用户信息,结合目标用户的用户信息和参考用户信息的相似性来生成比对结果,从而根据比对结果对初始策略信息进行过滤处理,得到目标策略信息。具体地,若用户信息与参考用户信息的用户类型相同,业务需求文本相似,则调用并推送与参考用户信息选取的相同初始策略信息作为目标策略信息。若用户类型不同,业务需求文本差异较大,则选取与参考用户信息选择的初始策略信息差异性最大的初始策略信息作为目标策略信息。
请参阅图8,在一些实施例中,步骤S602可以包括但不限于包括步骤S703和步骤S704:
步骤S703,通过预设的过滤模型对用户信息和初始策略信息进行相关性计算,得到计算结果;
步骤S704,根据计算结果对初始策略信息进行过滤处理,得到目标策略信息。
在一些实施例的步骤S703和步骤S704中,预设的过滤模型可以基于支撑向量机或者奇异值分解等算法构建而成,通过预设的过滤模型可以将用户信息和初始策略信息映射到同一维度的联合隐语义空间,从而构建出用户与初始策略信息之间的评分矩阵,从而根据评分矩阵来反映出用户信息与初始策略信息的相关性,并根据评分矩阵的评分结果来对初始策略信息进行过滤处理,选取评分值较高的初始策略信息作为目标策略信息。
在一些实施例的步骤S106中,可以通过邮件、信息系统或者网络平台等多种渠道将目标策略信息推送给目标对象,其中,目标对象包括目标用户、风险评估人员等,通过将目标策略信息推送给目标用户能够有效地帮助目标用户规避风险,降低风险触发可能性,将目标策略信息推送给风险评估人员或者其他管理人员,能够提高风险解决的时效性,使得风险评估人员或者其他管理人员能够及时地对需求风险进行排查和消除,从而提高风险处理效率。
本申请实施例的风险评估方法,其通过获取待预测的用户数据,其中,用户数据包括目标用户的用户信息和业务需求文本;根据预设主题对业务需求文本进行关键词提取,得到每一预设主题对应的需求关键词,能够较为方便地明确目标用户的实际需求,从而提高需求风险分析的效率。进一步地,根据需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据,通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据,能够直观地通过目标评估文本和目标风险数据来表征目标用户的实际需求存在的风险偏向和不同种类风险的比重情况,提高了风险评估的全面性。最后,根据用户信息和目标风险数据,得到目标策略信息;将目标策略信息推送给目标对象,能够及时地根据不同的需求风险反馈出相应的目标策略信息,通过目标策略信息向目标对象提供有效的风险预防策略或者风险解决策略,从而提高风险评估的时效性和准确性。
请参阅图9,本申请实施例提供一种风险评估装置,可以实现上述风险评估方法,该装置包括:
数据获取模块901,用于获取待预测的用户数据,其中,用户数据包括目标用户的用户信息和业务需求文本;
关键词提取模块902,用于根据预设主题对业务需求文本进行关键词提取,得到每一预设主题对应的需求关键词;
填充模块903,用于根据需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;
风险预测模块904,用于通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据;
生成模块905,用于根据用户信息和目标风险数据,得到目标策略信息;
推送模块906,用于将目标策略信息推送给目标对象。
在一些实施例中,关键词提取模块902包括:
输入单元,用于将业务需求文本输入至预设的关键词提取模型中,其中,关键词提取模型包括分词网络和词袋网络;
分词单元,用于通过分词网络对业务需求文本进行分词处理,得到目标需求词段;
主题概率计算单元,用于通过词袋网络和预设主题对目标需求词段进行主题概率计算,得到每一预设主题的参考词段对应的概率值;
筛选单元,用于根据概率值对参考词段进行筛选处理,得到需求关键词。
在一些实施例中,分词单元包括:
词汇识别子单元,用于通过分词网络的预设分词器对业务需求文本进行词汇识别,得到词段实体特征;
分词子单元,用于根据词段实体特征对业务需求文本进行分词处理,得到初始需求词段;
过滤子单元,用于对初始需求词段进行过滤处理,得到目标需求词段。
在一些实施例中,主题概率计算单元包括:
嵌入子单元,用于通过编码层对目标需求词段进行词嵌入处理,得到需求嵌入向量;
概率计算子单元,用于通过预测层的预设函数和预设主题对需求嵌入向量进行概率计算,得到概率值。
在一些实施例中,风险预测模型包括卷积层和第二预测层,目标风险数据包括目标风险类别、目标风险值以及目标风险等级,风险预测模块904包括:
特征提取单元,用于通过卷积层对目标评估文本进行特征提取,得到关键风险特征;
分类单元,用于通过第二预测层的预设风险类别标签对关键风险特征进行标签分类,得到目标风险类别;
评分计算单元,用于根据需求风险类别调用对应的风险评分文本,并通过风险评分文本进行风险评分计算,得到目标风险值;
风险等级确定单元,用于根据目标风险值,确定目标风险等级。
在一些实施例中,生成模块905包括:
第一过滤单元,用于根据目标风险数据中的目标风险等级和目标风险类别对预设的风险策略信息进行第一过滤处理,得到初始策略信息;
第二过滤单元,用于根据用户信息对初始策略信息进行第二过滤处理,得到目标策略信息。
在一些实施例中,第二过滤单元包括:
比对子单元,用于比对用户信息和预先获取的参考用户信息,得到比对结果;
第一过滤子单元,用于根据比对结果对初始策略信息进行过滤处理,得到目标策略信息;
在一些实施例中,第二过滤单元还包括:
计算子单元,用于通过预设的过滤模型对用户信息和初始策略信息进行相关性计算,得到计算结果;
第二过滤子单元,用于根据计算结果对初始策略信息进行过滤处理,得到目标策略信息。
该风险评估装置的具体实施方式与上述风险评估方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述风险评估方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图10,图10示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器1001,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器1002,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器1002可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1002中,并由处理器1001来调用执行本申请实施例的风险评估方法;
输入/输出接口1003,用于实现信息输入及输出;
通信接口1004,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线1005,在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息;
其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述风险评估方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的风险评估方法、风险评估装置、电子设备及存储介质,其通过获取待预测的用户数据,其中,用户数据包括目标用户的用户信息和业务需求文本;根据预设主题对业务需求文本进行关键词提取,得到每一预设主题对应的需求关键词,能够较为方便地明确目标用户的实际需求,从而提高需求风险分析的效率。进一步地,根据需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据,通过预设的风险预测模型对目标评估文本进行风险预测,得到目标风险数据,能够直观地通过目标评估文本和目标风险数据来表征目标用户的实际需求存在的风险偏向和不同种类风险的比重情况,提高了风险评估的全面性。最后,根据用户信息和目标风险数据,得到目标策略信息;将目标策略信息推送给目标对象,能够及时地根据不同的需求风险反馈出相应的目标策略信息,通过目标策略信息向目标对象提供有效地风险预防策略或者风险解决策略,从而提高风险评估的时效性和准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-8中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中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,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。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的本申请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。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,上述单元的划分,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,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上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单元来实现本实施例方案的目的。
另外,在本申请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。
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,本申请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,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种风险评估方法,其特征在于,所述方法包括:
获取待预测的用户数据,其中,所述用户数据包括目标用户的用户信息和业务需求文本;
根据预设主题对所述业务需求文本进行关键词提取,得到每一所述预设主题对应的需求关键词;
根据所述需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;
通过预设的风险预测模型对所述目标评估文本进行风险预测,得到目标风险数据;
根据所述用户信息和所述目标风险数据,得到目标策略信息;
将所述目标策略信息推送给目标对象。
2.根据权利要求1所述的风险评估方法,其特征在于,所述根据预设主题对所述业务需求文本进行关键词提取,得到每一所述预设主题对应的需求关键词的步骤,包括:
将所述业务需求文本输入至预设的关键词提取模型中,其中,所述关键词提取模型包括分词网络和词袋网络;
通过所述分词网络对所述业务需求文本进行分词处理,得到目标需求词段;
通过所述词袋网络和所述预设主题对所述目标需求词段进行主题概率计算,得到每一所述预设主题的参考词段对应的概率值;
根据概率值对所述参考词段进行筛选处理,得到所述需求关键词。
3.根据权利要求2所述的风险评估方法,其特征在于,所述通过所述分词网络对所述业务需求文本进行分词处理,得到目标需求词段的步骤,包括:
通过所述分词网络的预设分词器对所述业务需求文本进行词汇识别,得到词段实体特征;
根据所述词段实体特征对所述业务需求文本进行分词处理,得到初始需求词段;
对所述初始需求词段进行过滤处理,得到所述目标需求词段。
4.根据权利要求2所述的风险评估方法,其特征在于,所述词袋网络包括编码层和第一预测层,所述通过所述词袋网络和所述预设主题对所述目标需求词段进行主题概率计算,得到每一所述预设主题的参考词段对应的概率值的步骤,包括:
通过所述编码层对所述目标需求词段进行词嵌入处理,得到需求嵌入向量;
通过所述预测层的预设函数和所述预设主题对所述需求嵌入向量进行概率计算,得到所述概率值。
5.根据权利要求1所述的风险评估方法,其特征在于,所述风险预测模型包括卷积层和第二预测层,所述目标风险数据包括目标风险类别、目标风险值以及目标风险等级,所述通过预设的风险预测模型对所述目标评估文本进行风险预测,得到目标风险数据的步骤,包括:
通过所述卷积层对所述目标评估文本进行特征提取,得到关键风险特征;
通过所述第二预测层的预设风险类别标签对所述关键风险特征进行标签分类,得到目标风险类别;
根据所述需求风险类别调用对应的风险评分文本,并通过所述风险评分文本进行风险评分计算,得到目标风险值;
根据所述目标风险值,确定目标风险等级。
6.根据权利要求1至5任一项所述的风险评估方法,其特征在于,所述根据所述用户信息和所述目标风险数据,得到目标策略信息的步骤,包括:
根据所述目标风险数据中的目标风险等级和目标风险类别对预设的风险策略信息进行第一过滤处理,得到初始策略信息;
根据所述用户信息对所述初始策略信息进行第二过滤处理,得到所述目标策略信息。
7.根据权利要求6所述的风险评估方法,其特征在于,所述根据所述用户信息对所述初始策略信息进行第二过滤处理,得到所述目标策略信息的步骤,包括:
比对所述用户信息和预先获取的参考用户信息,得到比对结果,并根据比对结果对所述初始策略信息进行过滤处理,得到所述目标策略信息;
和/或,
通过预设的过滤模型对所述用户信息和所述初始策略信息进行相关性计算,得到计算结果,并根据所述计算结果对所述初始策略信息进行过滤处理,得到所述目标策略信息。
8.一种风险评估装置,其特征在于,所述装置包括:
数据获取模块,用于获取待预测的用户数据,其中,所述用户数据包括目标用户的用户信息和业务需求文本;
关键词提取模块,用于根据预设主题对所述业务需求文本进行关键词提取,得到每一所述预设主题对应的需求关键词;
填充模块,用于根据所述需求关键词对预设的风险评估文本进行填充处理,得到目标评估文本;
风险预测模块,用于通过预设的风险预测模型对所述目标评估文本进行风险预测,得到目标风险数据;
生成模块,用于根据所述用户信息和所述目标风险数据,得到目标策略信息;
推送模块,用于将所述目标策略信息推送给目标对象。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的风险评估方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582092.3A CN114926039A (zh) | 2022-05-26 | 2022-05-26 | 风险评估方法、风险评估装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582092.3A CN114926039A (zh) | 2022-05-26 | 2022-05-26 | 风险评估方法、风险评估装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926039A true CN114926039A (zh) | 2022-08-19 |
Family
ID=82810745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582092.3A Pending CN114926039A (zh) | 2022-05-26 | 2022-05-26 | 风险评估方法、风险评估装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926039A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071077A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市迪博企业风险管理技术有限公司 | 一种违规账户的风险评估与识别方法及装置 |
CN116862243A (zh) * | 2023-08-29 | 2023-10-10 | 北京融信数联科技有限公司 | 一种基于神经网络的企业风险分析预测方法、系统及介质 |
CN117454142A (zh) * | 2023-12-26 | 2024-01-26 | 北京奇虎科技有限公司 | 数据生成方法、装置、存储介质以及电子设备 |
-
2022
- 2022-05-26 CN CN202210582092.3A patent/CN114926039A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071077A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市迪博企业风险管理技术有限公司 | 一种违规账户的风险评估与识别方法及装置 |
CN116862243A (zh) * | 2023-08-29 | 2023-10-10 | 北京融信数联科技有限公司 | 一种基于神经网络的企业风险分析预测方法、系统及介质 |
CN116862243B (zh) * | 2023-08-29 | 2024-06-07 | 北京融信数联科技有限公司 | 一种基于神经网络的企业风险分析预测方法、系统及介质 |
CN117454142A (zh) * | 2023-12-26 | 2024-01-26 | 北京奇虎科技有限公司 | 数据生成方法、装置、存储介质以及电子设备 |
CN117454142B (zh) * | 2023-12-26 | 2024-04-16 | 北京奇虎科技有限公司 | 数据生成方法、装置、存储介质以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114926039A (zh) | 风险评估方法、风险评估装置、电子设备及存储介质 | |
CN114722069A (zh) | 语言转换方法和装置、电子设备及存储介质 | |
CN114626097A (zh) | 脱敏方法、脱敏装置、电子设备及存储介质 | |
CN114841146B (zh) | 文本摘要生成方法和装置、电子设备及存储介质 | |
CN110909531A (zh) | 信息安全的甄别方法、装置、设备及存储介质 | |
CN115222066A (zh) | 模型训练方法和装置、行为预测方法、设备及存储介质 | |
CN114722174A (zh) | 提词方法和装置、电子设备及存储介质 | |
CN115510232A (zh) | 文本语句分类方法和分类装置、电子设备及存储介质 | |
CN117271736A (zh) | 一种问答对的生成方法和系统、电子设备及存储介质 | |
CN116719999A (zh) | 文本相似度检测方法和装置、电子设备及存储介质 | |
CN115270746A (zh) | 问题样本生成方法和装置、电子设备及存储介质 | |
CN114942994A (zh) | 文本分类方法、文本分类装置、电子设备及存储介质 | |
CN116701604A (zh) | 问答语料库的构建方法和装置、问答方法、设备及介质 | |
CN117033796A (zh) | 基于用户表达偏好的智能回复方法、装置、设备及介质 | |
CN116702736A (zh) | 保险话术生成方法、装置、电子设备及存储介质 | |
CN114492437B (zh) | 关键词识别方法、装置、电子设备及存储介质 | |
CN114398903B (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN116432705A (zh) | 文本生成模型构建、文本生成方法和装置、设备及介质 | |
CN115795007A (zh) | 智能问答方法、智能问答装置、电子设备及存储介质 | |
CN114998041A (zh) | 理赔预测模型的训练方法和装置、电子设备及存储介质 | |
CN114996458A (zh) | 文本处理方法和装置、设备、介质 | |
CN114817734A (zh) | 推荐模型的训练方法、推荐方法和装置、电子设备及介质 | |
CN114090778A (zh) | 基于知识锚点的检索方法、装置、电子设备及存储介质 | |
CN116028842A (zh) | 异常用户识别方法和装置、电子设备及存储介质 | |
CN115204300A (zh) | 文本和表格语义交互的数据处理方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |