CN115309913A - 一种基于深度学习的财务数据风险识别方法及系统 - Google Patents
一种基于深度学习的财务数据风险识别方法及系统 Download PDFInfo
- Publication number
- CN115309913A CN115309913A CN202210955529.3A CN202210955529A CN115309913A CN 115309913 A CN115309913 A CN 115309913A CN 202210955529 A CN202210955529 A CN 202210955529A CN 115309913 A CN115309913 A CN 115309913A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- event
- prevention
- control
- 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
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于深度学习的财务数据风险识别方法及系统,包括:基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果;对针对财务数据的操作流程中的目标对象进行多维画像构建,得到与目标对象的用户画像;基于用户画像和操作流程数据构建风险防控事件图谱,并基于风险防控事件图谱建立基于事件传导链条分析的风险防控模型;基于风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。本发明通过风险识别模型、用户画像和风险防控模型能够对财务数据处理的各个操作流程,进行自动风险识别和监控,并能够及时产生风险预警信息,提升了风险识别的准确性。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种基于深度学习的财务数据风险识别方法及系统。
背景技术
在企业正常运营中,财务数据的分析和管理是较为重要的。其中,财务数据是指财务系统在进行相关业务处理时应用到的各种数据。现有的财务部门中,存在着对企业过度举债、对外乱担保、对投资项目没有进行合理的规划等问题。
在上述问题进行处理时,仅是通过认为审核或者人为裁定风险,由于人工的主观性导致对风险的判定具有主观因素的影响,难以准确识别出财务风险,进而难以对财务风险进行规避,并且由于人工的特异性,不同的人工对财务风险判定尺度不同,进而对财务风险具有误判或漏判的可能。
因此,现有的针对财务数据的风险识别仅是依靠人为主观因素的判定,难以有效地对风险进行准确监测,并且无法实现对风险的自动识别与防范。
发明内容
针对于上述问题,本发明提供一种基于深度学习的财务数据风险识别方法及系统,实现对风险的自动识别和监测,提升了风险识别的准确性。
为了实现上述目的,本发明提供了如下技术方案:
一种基于深度学习的财务数据风险识别方法,包括:
基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果,所述风险识别模型为基于财务系统操作风险损失事件和操作流程监控日志生成的深度学习模型;
对针对财务数据的操作流程中的目标对象进行多维画像构建,得到所述目标对象的用户画像;
基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型;
基于所述风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。
可选地,还包括
对财务系统操作风险损失事件和操作流程监控日志进行数据处理,得到关键风险指标;
对所述关键风险指标进行分析,得到风险要素数学特征;
基于所述风险要素数学特征对初始风险识别模型进行模型参数的调整,得到风险识别模型。
可选地,所述方法还包括:
基于风险防控事件图谱构建得到初始风险识别模型,包括:
分别获取财务系统操作风险损失事件库对应的第一数据集合,以及操作流程监控日志对应的第二数据集合;
对所述第一数据集合和所述第二数据集合进行处理,得到目标数据特征关系;
基于所述目标数据特征关系,确定训练样本的关键风险指标;
将所述关键风险指标确定为标签,并基于所述标签以及所述训练样本,生成风险防控事件图谱;
基于风险防控事件图谱构建得到初始风险识别模型。
可选地,所述对所述第一数据集合和所述第二数据集合进行处理,得到目标数据特征关系,包括:
将所述第一数据集合与所述第二数据集合进行关联处理,得到关联信息;
将所述第一数据集合进行分类统计,得到至少一个损失事件类型;
基于所述关联信息,提取与每一损失事件类型对应的第二数据集合中的目标数据特征关系。
可选地,所述对针对财务数据的操作流程中的目标对象进行多维画像构建,得到所述目标对象的用户画像,包括:
获取针对财务数据的操作流程中的目标对象的多维度属性特征;
对所述多维度属性特征进行关联分析,得到所述目标对象的用户画像。
可选地,所述基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型,包括:
获取历史风险事件数据,并对所述历史风险事件数据进行数据提取,得到风险事件关联数据;
对所述风险事件关联数据进行数据关系分析,并基于分析结果构建风险防控事件图谱;
基于所述风险防控事件图谱和事件传导链条分析结果,构建风险防控模型。
可选地,所述方法还包括:
确定与所述风险识别结果对应的风险等级;
若所述风险等级高于风险阈值,确定是否对所述当前针对财务数据的操作流程进行执行;
若执行,获得执行结果;
若所述执行结果具有财务风险,将与所述当前针对财务数据的操作流程对应的监控日志添加至所述操作流程监控日志,得到更新后的操作流程监控日志。
可选地,所述方法还包括:
基于所述更新后的操作流程监控日志,对所述风险识别模型进行更新,得到更新后的风险识别模型。
可选地,所述方法还包括:
基于所述风险防控信息,确定与所述风险防控信息对应的目标对象;
生成与所述目标对象对应的预警标识信息,并将所述预警标识信息添加至与所述目标对象对应的用户画像,以使得基于所述预警标识信息对所述用户画像进行预警。
一种基于深度学习的财务数据风险识别系统,包括:
风险识别单元,用于基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果,所述风险识别模型为基于财务系统操作风险损失事件和操作流程监控日志生成的深度学习模型;
画像生成单元,用于对针对财务数据的操作流程中的目标对象进行多维画像构建,得到所述目标对象的用户画像;
风险防控模型构建单元,用于基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型;
分析单元,用于基于所述风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。
相较于现有技术,本发明提供了一种基于深度学习的财务数据风险识别方法及系统,包括:基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果,风险识别模型为基于财务系统操作风险损失事件和操作流程监控日志生成的深度学习模型;对针对财务数据的操作流程中的目标对象进行多维画像构建,得到与目标对象的用户画像;基于用户画像和操作流程数据构建风险防控事件图谱,并基于风险防控事件图谱建立基于事件传导链条分析的风险防控模型;基于风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。本发明通过风险识别模型、用户画像和风险防控模型能够对财务数据处理的各个操作流程,进行自动风险识别和监控,并能够及时产生风险预警信息,提升了风险识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于深度学习的财务数据风险识别方法的流程示意图;
图2为本发明实施例提供的一种智慧财务系统的操作风险防控平台的结构示意图;
图3为本发明实施例提供的一种应用框架的示意图;
图4为本发明实施例提供的一种基于深度学习的财务数据风险识别系统的结构示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,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、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
为了便于对本发明实施例进行说明,现将本发明中的相关数据进行解释。
深度学习:深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。典型的深度学习模型有卷积神经网络(convolutional neural network)、DBN和堆栈自编码网络(stacked auto-encoder network)模型等。
RPA:RPA:RPA(Robotic Process Automation)的全称为机器人流程自动化,主要的功能就是将工作信息与业务交互通过机器人来按照自先设计的流程去执行。这样如果当工作信息与业务交互过多时,RPA就可以高效解决这些复杂的流程,节约人工成本。
知识图谱(Knowledge Graph):在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱,是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
参见图1,为本发明实施例提供的一种基于深度学习的财务数据风险识别方法的流程示意图,该方法可以包括以下步骤:
S101、基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果。
其中,针对财务数据的操作流程可以是当前的操作流程,即当前正在处理的操作流程,如某个业务需要转账,其可能涉及到的操作流程包括身份信息验证流程、转账金额输入流程、转账金额确认流程、转账流程、转账成功回执信息记录流程等。该风险识别模型可以对任一操作流程进行识别,通常是执行一个操作流程就自动进行一次风险识别,以便能够实时确定是否存在风险。
在本发明实施例中还提供了一种风险识别模型的创建过程,包括:
对财务系统操作风险损失事件和操作流程监控日志进行数据处理,得到关键风险指标;
对所述关键风险指标进行分析,得到风险要素数学特征;
基于所述风险要素数学特征对初始风险识别模型进行模型参数的调整,得到风险识别模型。
具体的,以通过财务系统操作风险损失事件库来获取操作风险损失事件,即该财务系统操作风险损失事件库记录了财务系统历史产生的风险损失事件。操作流程监控日志可以是RPA系统流程监控日志。通过深度神经网络大规模数据训练和分析,挖掘关键风险指标,生成风险要素数学特征然后通过对关键风险指标的分析,得到风险要素数学特征,最后基于该风险要素数学特征对一级的操作风险识别模型进行调整,得到二级的操作风险识别,其中,一级的操作风险识别模型为初始风险识别模型,二级的操作风险识别模型为本发明实施例中的风险识别模型。
首先基于风险防控事件图谱构建得到初始风险识别模型,该过程具体包括:分别获取财务系统操作风险损失事件库对应的第一数据集合,以及操作流程监控日志对应的第二数据集合;对所述第一数据集合和所述第二数据集合进行处理,得到目标数据特征关系;基于所述目标数据特征关系,确定训练样本的关键风险指标;将所述关键风险指标确定为标签,并基于所述标签以及所述训练样本,生成风险防控事件图谱;基于风险防控事件图谱构建得到初始风险识别模型。其中,第一数据集合对应了财务系统操作风险损失事件库中的每一事件,第二数据结合对应了操作流程监控日志(如RPA系统流程监控日志)中的每一监控日志。可以通过深度学习算法,将损失事件库与监控日志之间进行匹配,得到目标数据特征关系,该目标数据特征关系表征了二者的匹配关系。具体的,得到监控日志与损失事件库之间相关联的部分,即损失事件库中已经确认遭受损失的时间,其在RPA系统流程监控日志的对应监控日志,记为损失监控日志。进一步地,所述对所述第一数据集合和所述第二数据集合进行处理,得到目标数据特征关系,包括:将所述第一数据集合与所述第二数据集合进行关联处理,得到关联信息;将所述第一数据集合进行分类统计,得到至少一个损失事件类型;基于所述关联信息,提取与每一损失事件类型对应的第二数据集合中的目标数据特征关系。具体的,可以通过深度学习算法,将损失事件库进行分类汇总,分为若干个独立的损失事件类型,然后通过特征你和算法(也可以采用线性拟合算法,本发明对此不进行限制),提取若干个独立的损失事件类型的对应的监控日志中的特征关系(即每个独立的损失事件类型对应于一个独立的特征关系式)。
然后,使用深度学习算法将财务系统操作风险损失事件库和RPA系统流程监控日志特征融合入一级的操作风险识别模型,并不断对操作风险识别模型进行分析和训练,以生成二级的操作风险识别模型。其中,风险防控事件图谱主要包括图谱构建和图谱推理两大功能,基于知识抽取和规则积累,通过形成风险防控事件图谱,实现风险查询和风险决策;图谱构建主要包含图谱建模、批量构建、实时知识抽取、图谱存储4个方面,图谱推理包含专家规则推理、动态图谱增量推理和图谱推理工程框架3个方面;建立基于深度学习的系统操作风险查询和风险决策方法。
S102、对针对财务数据的操作流程中的目标对象进行多维度画像构建,得到目标对象的用户画像。
在一种实施方式中,所述对针对财务数据的操作流程中的目标对象进行多维画像构建,得到所述目标对象的用户画像,包括:获取针对财务数据的操作流程中的目标对象的多维度属性特征;对所述多维度属性特征进行关联分析,得到所述目标对象的用户画像。
即利用知识图谱技术以RPA非侵入方式对接财务系统数据源,依据用户的静态数据信息形成客户多维画像、依据动态RPA流程操作数据构建客户财务信息事件图谱。
其中,目标对象是指操作流程中的涉及到的用户,如操作流程为交费流程,可以是交费的客户等。具体的,利用知识图谱技术采集多源异构数据信息,构建客户多维画像和标签体系,将客户的关系、事件、行为等进行关联,在整个生命周期对客户属性进行动态的描述,深度分析客户行为习惯和风险偏好。对应的,客户多维画像构建包括在知识图谱中为相应的用户或者客户设置专属节点,该节点用于记录其基本信息、金融属性、行为习惯、关系网络、风险偏好、所处生命周期信息,尽可能地准确理解和深度挖掘客户的差异化需求。
获取目标对象的用户画像不仅可以在对财务数据进行处理的过程中,能够基于该用户画像识别当前客户是否为已有的真实客户,还是非法伪装客户,保证了财务相关数据处理的安全性。并且还可以在机构及对公业务中,通过构建企业关联关系网路,可以实现对产业链洞察,发掘潜在可拓展的新用户、有价值潜力提升的现有客户,挖掘出有价值的线索。
进一步地,还可以利用知识图谱技术以RPA非侵入方式对接财务系统数据源,依据用户的静态数据信息形成客户多维度画像、依据动态RPA流程操作数据构建事件图谱。除了上述各个步骤外,还可以构建企业内部知识图谱,实现跨部门、跨业务间数据共享,有效打通行业数据壁垒,提高信息采集和风险识别的效果和效率。
在本发明实施例的一种实现方式中,可以基于产生了风险的风险识别结果或者风险防控信息,确定与风险识别结果或者风险防控信息对应的目标对象,生成与所述目标对象对应的预警标识信息,并将所述预警标识信息添加至与所述目标对象对应的用户画像,以使得基于所述预警标识信息对所述用户画像进行预警。具体的,目标对象可以是当前财务系统的客户,当有客户其产生了风险事件(该风险事件可以通过风险识别结果或者风险防控信息确定)后,可以在客户财务信息事件图谱中该客户所对应的用户画像中添加预警标识信息,其中,该预警标识信息可以仅作为标签显示,不进行实际的预警。当一个客户的用户画像(即多维画像)类型中的风险事件高于设定阈值收,对当前客户的多维画像进行预警,进一步地,当合作对象属于当前的客户多维画像类型时,即进行警报预警。
S103、基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型。
S104、基于所述风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。
其中,所述基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型,包括:获取历史风险事件数据,并对所述历史风险事件数据进行数据提取,得到风险事件关联数据;对所述风险事件关联数据进行数据关系分析,并基于分析结果构建风险防控事件图谱;基于所述风险防控事件图谱和事件传导链条分析结果,构建风险防控模型。
在本申请实施例中创建的风险防控模型可以用于各个操作流程中,便于对存在的风险进行预警,也可以是在识别到一定的风险后利用该风险防控模型进行风险行为分析、风险传导分析,便于后续应用在风险排除的场景中。
具体的,建立基于事件传导链条分析的风险防控模型,从而增加风险事件主动预警和辅助决策能力,并以可视化的方式展示异常事件的发展脉络,为业务员工提供方便快捷的分析工具,为机构客户的异常行为识别提供辅助验证线索。依据用户静态数据信息形成用户画像,依据动态RPA流程操作数据构建事件图谱,建立基于事件传导链条分析的风险防控模型,以支撑风险行为线索分析、风险传导分析等多个智能风险防控分析场景。
其中,事件传导链条分析的风险防控模型建立过程包括:首先,对包含用户信息和业务单据信息、专家经验和风险事件库的多源异构风险事件相关数据信息进行提取、存储。然后,通过既定的结构、逻辑、关联关系或语义关系构建风险防控事件图谱。最后,利用知识图谱关联分析理论和链路预测技术对事件传导链进行分析,从而实现系统操作风险事件的风险防控多维度分析。
基于事件传导链条分析的风险防控模型相比于传统操作风险管理模式时效性更强,可以有效捕捉舆情事件的风险传导路径、挖掘风险事件变动规律,从而能够及时预警、辅助决策。
进一步地,将最终产生风险事件的事件传导链进行标记,当达到设定阈值后进行预警,以不断提高风险防控模型的检测阈值。
需要说明的是,在本申请实施例中的风险识别模型、用户画像以及风险防控模型都可以是通过迭代更新处理得到的。在本发明实施例中的一种实现方式中,所述方法还包括:
确定与所述风险识别结果对应的风险等级;
若所述风险等级高于风险阈值,确定是否对所述当前针对财务数据的操作流程进行执行;
若执行,获得执行结果;
若所述执行结果具有财务风险,将与所述当前针对财务数据的操作流程对应的监控日志添加至所述操作流程监控日志,得到更新后的操作流程监控日志。
进一步地,所述方法还包括:
基于所述更新后的操作流程监控日志,对所述风险识别模型进行更新,得到更新后的风险识别模型。
具体的,将当前事件的RPA系统流程监控日志输入至基于财务系统的操作风险识别模型,以确定当前事件是否具有财务风险。若得到的风险识别结果的风险等级高于风险阈值,则确定为具有风险,产生警报信息,若不具有风险,则不产生预警信息。当前事件在具有风险产生警报信息后,会进一步确定是否对当前事件继续执行,可以通过人工判断是否执行,若执行,获得人工执行后的执行结果,并基于该执行结果确定是否产生了财务风险,如果是,将该事件的RPA系统流程监控日志输入添加至损失监控日志中,重新拟合并生成独立的损失事件类型的对应损失监控日志中的特征关系。从而基于更新后的数据,对风险识别模型进行更新,得到更新后的风险识别模型。
本发明实施例提供了一种基于深度学习的财务数据风险识别方法,包括:基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果,风险识别模型为基于财务系统操作风险损失事件和操作流程监控日志生成的深度学习模型;对针对财务数据的操作流程中的目标对象进行多维画像构建,得到与目标对象的用户画像;基于用户画像和操作流程数据构建风险防控事件图谱,并基于风险防控事件图谱建立基于事件传导链条分析的风险防控模型;基于风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。本发明通过风险识别模型、用户画像和风险防控模型能够对财务数据处理的各个操作流程,进行自动风险识别和监控,并能够及时产生风险预警信息,提升了风险识别的准确性。
在实际的应用场景中,可以基于本发明实施例提供的一种基于深度学习的财务数据风险识别方法,生成一种智慧财务系统的操作风险防控平台,利用该平台可以自动对财务系统的业务处理例程进行风险监测以及相关数据处理。参见图2,图2所示的平台中可以包括业务系统、第三方数据、事件中心、数据中心、风控中心、权限中心、模型中心以及指标库、事件库、流程库、规则库等。其中,该业务系统用于执行对应的业务处理流程;第三方数据用于获取第三方系统中的各类数据。事件中心可以包括服务管理、接口管理、表单管理、字段管理等内容,数据中心可以包括名单定义、名单数据、单笔查询、批量查询等内容;风控中心可以包括借贷管理、风险报告、智能审核、信息审核等处理过程。权限中心用于进行用户管理、机构管理、角色管理,同时还包括功能菜单;模型中心用于对该平台应用的各个模型进行管理,模型的执行过程进行监控,模型的合规性进行审核,还包括决策工具。对应的,指标库用于存储各种指标数据,如风险指标,事件库用于存储各种事件如操作事件、风险执行事件等,流程库用于存储各种操作流程,规则库用于存储相应的规则信息以及配置信息。
参见图3,为本发明实施例提供的一种应用架构,在该应用架构中包括硬件设备层,主要是涉及硬件资源、服务器、网络以及GPU集群等,该架构还包括基础层、数据对接与图谱构建层和应用层。其中,基础层包括进行数据处理的基本算法和应用,例如,文本分类、句法分析、词法分析、序列模型、Pytorch、Spark、HDFS或者TensorFlow。数据对接与图谱构建层可以包括执行下述功能的各个功能模块,如:数据对接、实体融合、关系融合、属性融合、事件融合、实体消歧、关系消歧、属性消歧、事件消歧、实体抽取、关系抽取、属性抽取和事件抽取等功能。应用层包括用户画像构建、风险决策与分析、事件传导链分析等。
对应的,相关内容请参见前述各个实施例的描述,此处不进行详述。
本发明实施例,通过深度神经网络大规模数据训练和分析,挖掘关键风险指标,生成风险要素数学特征,形成基于财务系统的操作风险发现模型,实现风险控制自我评估,对操作系统风险进行及时识别和管理,加大风险识别力度,实现金融的反欺诈。以RPA非侵入方式对接财务系统数据源,依据用户的静态数据信息形成用户画像,依据动态的RPA流程操作数据构建事件图谱,建立基于事件传导链条分析的风险防控模型,从而增加风险事件主动预警和辅助决策的能力,以可视化的方式清晰展示异常事件的发展脉络,为业务员工提供方便快捷的分析工具,为机构客户的异常行为识别提供辅助验证线索。进一步释放资源,打牢安全管理基石;实现多平台对接,深入挖掘客户需求。
参见图4,在本发明实施例中还提供了一种基于深度学习的财务数据风险识别系统,包括:
风险识别单元401,用于基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果,所述风险识别模型为基于财务系统操作风险损失事件和操作流程监控日志生成的深度学习模型;
画像生成单元402,用于对针对财务数据的操作流程中的目标对象进行多维画像构建,得到所述目标对象的用户画像;
风险防控模型构建单元403,用于基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型;
分析单元404,用于基于所述风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。
可选地,所述系统还包括
数据处理单元,用于对财务系统操作风险损失事件和操作流程监控日志进行数据处理,得到关键风险指标;
指标分析单元,用于对所述关键风险指标进行分析,得到风险要素数学特征;
模型训练单元,用于基于所述风险要素数学特征对初始风险识别模型进行模型参数的调整,得到风险识别模型。
可选地,所述系统还包括:
初始模型构建单元,用于基于风险防控事件图谱构建得到初始风险识别模型,所述初始模型构建单元具体用于:
分别获取财务系统操作风险损失事件库对应的第一数据集合,以及操作流程监控日志对应的第二数据集合;
对所述第一数据集合和所述第二数据集合进行处理,得到目标数据特征关系;
基于所述目标数据特征关系,确定训练样本的关键风险指标;
将所述关键风险指标确定为标签,并基于所述标签以及所述训练样本,生成风险防控事件图谱;
基于风险防控事件图谱构建得到初始风险识别模型。
进一步地,所述对所述第一数据集合和所述第二数据集合进行处理,得到目标数据特征关系,包括:
将所述第一数据集合与所述第二数据集合进行关联处理,得到关联信息;
将所述第一数据集合进行分类统计,得到至少一个损失事件类型;
基于所述关联信息,提取与每一损失事件类型对应的第二数据集合中的目标数据特征关系。
可选地,所述画像生成单元包括:
特征获取子单元,用于获取针对财务数据的操作流程中的目标对象的多维度属性特征;
特征分析子单元,用于对所述多维度属性特征进行关联分析,得到所述目标对象的用户画像。
可选地,所述风险防控模型构建单元具体用于:
获取历史风险事件数据,并对所述历史风险事件数据进行数据提取,得到风险事件关联数据;
对所述风险事件关联数据进行数据关系分析,并基于分析结果构建风险防控事件图谱;
基于所述风险防控事件图谱和事件传导链条分析结果,构建风险防控模型。
在一种实施方式中,所述系统还包括:更新单元,所述更新单元具体用于:
确定与所述风险识别结果对应的风险等级;
若所述风险等级高于风险阈值,确定是否对所述当前针对财务数据的操作流程进行执行;
若执行,获得执行结果;
若所述执行结果具有财务风险,将与所述当前针对财务数据的操作流程对应的监控日志添加至所述操作流程监控日志,得到更新后的操作流程监控日志;
基于所述更新后的操作流程监控日志,对所述风险识别模型进行更新,得到更新后的风险识别模型。
可选地,所述系统还包括:画像标签添加单元用于:
基于所述风险防控信息,确定与所述风险防控信息对应的目标对象;
生成与所述目标对象对应的预警标识信息,并将所述预警标识信息添加至与所述目标对象对应的用户画像,以使得基于所述预警标识信息对所述用户画像进行预警。
本发明实施例提供了一种基于深度学习的财务数据风险识别系统,包括:基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果,风险识别模型为基于财务系统操作风险损失事件和操作流程监控日志生成的深度学习模型;对针对财务数据的操作流程中的目标对象进行多维画像构建,得到与目标对象的用户画像;基于用户画像和操作流程数据构建风险防控事件图谱,并基于风险防控事件图谱建立基于事件传导链条分析的风险防控模型;基于风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。本发明通过风险识别模型、用户画像和风险防控模型能够对财务数据处理的各个操作流程,进行自动风险识别和监控,并能够及时产生风险预警信息,提升了风险识别的准确性。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的财务数据风险识别方法,其特征在于,包括:
基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果,所述风险识别模型为基于财务系统操作风险损失事件和操作流程监控日志生成的深度学习模型;
对针对财务数据的操作流程中的目标对象进行多维画像构建,得到所述目标对象的用户画像;
基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型;
基于所述风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。
2.根据权利要求1所述的方法,其特征在于,还包括
对财务系统操作风险损失事件和操作流程监控日志进行数据处理,得到关键风险指标;
对所述关键风险指标进行分析,得到风险要素数学特征;
基于所述风险要素数学特征对初始风险识别模型进行模型参数的调整,得到风险识别模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于风险防控事件图谱构建得到初始风险识别模型,包括:
分别获取财务系统操作风险损失事件库对应的第一数据集合,以及操作流程监控日志对应的第二数据集合;
对所述第一数据集合和所述第二数据集合进行处理,得到目标数据特征关系;
基于所述目标数据特征关系,确定训练样本的关键风险指标;
将所述关键风险指标确定为标签,并基于所述标签以及所述训练样本,生成风险防控事件图谱;
基于风险防控事件图谱构建得到初始风险识别模型。
4.根据权利要求3所述的方法,其特征在于,所述对所述第一数据集合和所述第二数据集合进行处理,得到目标数据特征关系,包括:
将所述第一数据集合与所述第二数据集合进行关联处理,得到关联信息;
将所述第一数据集合进行分类统计,得到至少一个损失事件类型;
基于所述关联信息,提取与每一损失事件类型对应的第二数据集合中的目标数据特征关系。
5.根据权利要求1所述的方法,其特征在于,所述对针对财务数据的操作流程中的目标对象进行多维画像构建,得到所述目标对象的用户画像,包括:
获取针对财务数据的操作流程中的目标对象的多维度属性特征;
对所述多维度属性特征进行关联分析,得到所述目标对象的用户画像。
6.根据权利要求1所述的方法,其特征在于,所述基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型,包括:
获取历史风险事件数据,并对所述历史风险事件数据进行数据提取,得到风险事件关联数据;
对所述风险事件关联数据进行数据关系分析,并基于分析结果构建风险防控事件图谱;
基于所述风险防控事件图谱和事件传导链条分析结果,构建风险防控模型。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
确定与所述风险识别结果对应的风险等级;
若所述风险等级高于风险阈值,确定是否对所述当前针对财务数据的操作流程进行执行;
若执行,获得执行结果;
若所述执行结果具有财务风险,将与所述当前针对财务数据的操作流程对应的监控日志添加至所述操作流程监控日志,得到更新后的操作流程监控日志。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
基于所述更新后的操作流程监控日志,对所述风险识别模型进行更新,得到更新后的风险识别模型。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述风险防控信息,确定与所述风险防控信息对应的目标对象;
生成与所述目标对象对应的预警标识信息,并将所述预警标识信息添加至与所述目标对象对应的用户画像,以使得基于所述预警标识信息对所述用户画像进行预警。
10.一种基于深度学习的财务数据风险识别系统,其特征在于,包括:
风险识别单元,用于基于风险识别模型对当前针对财务数据的操作流程进行识别,得到风险识别结果,所述风险识别模型为基于财务系统操作风险损失事件和操作流程监控日志生成的深度学习模型;
画像生成单元,用于对针对财务数据的操作流程中的目标对象进行多维画像构建,得到所述目标对象的用户画像;
风险防控模型构建单元,用于基于用户画像和操作流程数据构建风险防控事件图谱,并基于所述风险防控事件图谱建立基于事件传导链条分析的风险防控模型;
分析单元,用于基于所述风险防控模型对风险识别结果对应的风险事件传导链条进行分析,得到风险防控信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210955529.3A CN115309913A (zh) | 2022-08-10 | 2022-08-10 | 一种基于深度学习的财务数据风险识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210955529.3A CN115309913A (zh) | 2022-08-10 | 2022-08-10 | 一种基于深度学习的财务数据风险识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115309913A true CN115309913A (zh) | 2022-11-08 |
Family
ID=83861041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210955529.3A Pending CN115309913A (zh) | 2022-08-10 | 2022-08-10 | 一种基于深度学习的财务数据风险识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115309913A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070916A (zh) * | 2023-03-06 | 2023-05-05 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
CN116186543A (zh) * | 2023-03-01 | 2023-05-30 | 深圳崎点数据有限公司 | 一种基于图像识别的财务数据处理系统及方法 |
CN116303104A (zh) * | 2023-05-19 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 自动化流程缺陷筛查管理方法、系统和可读存储介质 |
CN117290420A (zh) * | 2023-09-19 | 2023-12-26 | 深圳市维嵩科技有限公司 | 一种用于财务数据提取的企业财务管理方法及系统 |
CN117670264A (zh) * | 2024-02-01 | 2024-03-08 | 武汉软件工程职业学院(武汉开放大学) | 一种会计数据自动流程化处理系统及方法 |
CN117876136A (zh) * | 2024-01-11 | 2024-04-12 | 九科信息技术(深圳)有限公司 | 财务数据的风险分析方法、设备及存储介质 |
-
2022
- 2022-08-10 CN CN202210955529.3A patent/CN115309913A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186543A (zh) * | 2023-03-01 | 2023-05-30 | 深圳崎点数据有限公司 | 一种基于图像识别的财务数据处理系统及方法 |
CN116186543B (zh) * | 2023-03-01 | 2023-08-22 | 深圳崎点数据有限公司 | 一种基于图像识别的财务数据处理系统及方法 |
CN116070916A (zh) * | 2023-03-06 | 2023-05-05 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
CN116070916B (zh) * | 2023-03-06 | 2023-06-16 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置及设备 |
CN116303104A (zh) * | 2023-05-19 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 自动化流程缺陷筛查管理方法、系统和可读存储介质 |
CN116303104B (zh) * | 2023-05-19 | 2023-09-26 | 南方电网数字电网研究院有限公司 | 自动化流程缺陷筛查管理方法、系统和可读存储介质 |
CN117290420A (zh) * | 2023-09-19 | 2023-12-26 | 深圳市维嵩科技有限公司 | 一种用于财务数据提取的企业财务管理方法及系统 |
CN117876136A (zh) * | 2024-01-11 | 2024-04-12 | 九科信息技术(深圳)有限公司 | 财务数据的风险分析方法、设备及存储介质 |
CN117670264A (zh) * | 2024-02-01 | 2024-03-08 | 武汉软件工程职业学院(武汉开放大学) | 一种会计数据自动流程化处理系统及方法 |
CN117670264B (zh) * | 2024-02-01 | 2024-04-19 | 武汉软件工程职业学院(武汉开放大学) | 一种会计数据自动流程化处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115309913A (zh) | 一种基于深度学习的财务数据风险识别方法及系统 | |
WO2020253358A1 (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
CN109165337B (zh) | 一种基于知识图谱构建招投标领域关联分析的方法及系统 | |
CN111427974A (zh) | 数据质量评估管理方法和装置 | |
CN113141276A (zh) | 一种基于知识图谱的信息安全方法 | |
CN117829291B (zh) | 一种全过程咨询知识集成管理系统及方法 | |
CN108846043A (zh) | 基于互联网大数据的网络痕迹挖掘分析方法及系统 | |
CN115766096A (zh) | 一种基于大数据的网络安全保护系统 | |
CN115063035A (zh) | 基于神经网络的客户评估方法、系统、设备及存储介质 | |
CN115221337A (zh) | 数据编织处理方法、装置、电子设备及可读存储介质 | |
CN114398465A (zh) | 互联网服务平台的异常处理方法、装置和计算机设备 | |
CN117436729A (zh) | 一种基于政务系统数据治理和数据分析方法 | |
CN117692203A (zh) | 一种事件处置策略智能推荐方法及系统 | |
Fitriani et al. | TOGAF-based Enterprise Architecture Framework for Utilizing Artificial Intelligence | |
CN116822804A (zh) | 一种数字化资产管理分析方法、装置及介质 | |
CN114529383A (zh) | 实现税务缴纳追踪和税款流失预警方法及系统 | |
LU505415B1 (en) | System and method for pushing digital financial businesses based on artifical intelligence | |
US20220027831A1 (en) | System and method for security analyst modeling and management | |
US20240169293A1 (en) | Predictive assessments of vendor risk | |
Adedjouma et al. | Towards the engineering of trustworthy AI applications for critical systems-The Confiance. ai program | |
CN117785605A (zh) | 基于大数据的移动端数据监控分析系统 | |
Montgomery | Escalation prediction using feature engineering: addressing support ticket escalations within IBM’s ecosystem | |
Bo et al. | Construction and Application of Risk Ontology in Logistics Finance from the Perspective of Risk Correlation | |
Hu et al. | Temporal company relation mining from the web | |
CN113936183A (zh) | 基于模型训练的数据预测方法及装置 |
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 |