CN115456108A - 一种银行客户身份识别方法、装置、系统和介质 - Google Patents
一种银行客户身份识别方法、装置、系统和介质 Download PDFInfo
- Publication number
- CN115456108A CN115456108A CN202211212964.3A CN202211212964A CN115456108A CN 115456108 A CN115456108 A CN 115456108A CN 202211212964 A CN202211212964 A CN 202211212964A CN 115456108 A CN115456108 A CN 115456108A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- bank
- recurrent neural
- information corresponding
- 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
- 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 Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种银行客户身份识别方法、装置、系统和介质,该方法包括:采集当前银行客户对应的公司信息;获取循环神经网络模型的训练集,训练集包括:历史银行客户对应的公司信息和历史银行客户所属的公司;利用训练集学习历史银行客户对应的公司信息,和,历史银行客户所属的公司之间的映射关系;根据映射关系确定循环神经网络模型的模型参数;将当前银行客户对应的公司信息输入预先训练的循环神经网络模型,预先训练的循环神经网络模型输出当前银行客户所属的公司。即本申请提供的经训练后的循环神经网络模型可以准确识别银行客户身份,从而可以在银行承兑汇票的贴现环节为办理贴现业务保驾护航,确保客户身份安全性。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种银行客户身份识别方法、装置、系统和介质。
背景技术
当前,社会实体的快速发展带来了网络科技信息的爆炸式增长,而海量的信息又带来了信息超载等新的挑战。这些挑战使得用户难以有效地查找相关信息。
银行承兑汇票,因其简单快捷的方式受人欢迎,同时也因为这样的优点,常被不法分子用来从事犯罪交易进行洗钱活动。汇票分为开立和贴现两个环节。开立环节中,如果开票人的担保品,如存款资金,各类资产来自犯罪所得,银行难以察觉的情况下,有可能会承担一定洗钱风险。当前银行开立环节包括两大部分,客户识别和交易正确性。识别客户身份,包括申请人身份和贴现人身份,是一个尤为重要的环节。
如何准确识别银行客户身份,在贴现环节为办理贴现业务保驾护航,确保客户身份安全性,是本领域需要解决的技术问题。
发明内容
有鉴于此,提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本申请的目的在于提供一种银行客户身份识别方法、装置、系统和介质,可以准确识别银行客户身份,从而可以在银行承兑汇票的贴现环节为办理贴现业务保驾护航,确保客户身份安全性。
为实现上述目的,本申请有如下技术方案:
第一方面,本申请实施例提供了一种银行客户身份识别方法,包括:
采集当前银行客户对应的公司信息;
获取循环神经网络模型的训练集,所述训练集包括:历史银行客户对应的公司信息和所述历史银行客户所属的公司;
利用所述训练集学习所述历史银行客户对应的公司信息,和,所述历史银行客户所属的公司之间的映射关系;
根据所述映射关系确定所述循环神经网络模型的模型参数;
将所述当前银行客户对应的公司信息输入预先训练的所述循环神经网络模型,预先训练的所述循环神经网络模型输出所述当前银行客户所属的公司。
在一种可能的实现方式中,所述采集当前银行客户对应的公司信息,包括:
采用异质信息网络采集所述当前银行客户名称对应的公司信息。
在一种可能的实现方式中,所述循环神经网络模型,包括:
双向门循环单元神经网络模型。
在一种可能的实现方式中,还包括:
将所述采用异质信息网络采集的所述当前银行客户对应的公司信息,加工为可视化图谱进行展示。
第二方面,本申请实施例提供了一种银行客户身份识别装置,包括:
采集单元,用于采集当前银行客户对应的公司信息;
获取单元,用于获取循环神经网络模型的训练集,所述训练集包括:历史银行客户对应的公司信息和所述历史银行客户所属的公司;
学习单元,用于利用所述训练集学习所述历史银行客户对应的公司信息,和,所述历史银行客户所属的公司之间的映射关系;
确定单元,用于根据所述映射关系确定所述循环神经网络模型的模型参数;
输入单元,用于将所述当前银行客户对应的公司信息输入预先训练的所述循环神经网络模型,预先训练的所述循环神经网络模型输出所述当前银行客户所属的公司。
在一种可能的实现方式中,所述采集单元,具体用于:
采用异质信息网络采集所述当前银行客户名称对应的公司信息。
在一种可能的实现方式中,所述循环神经网络模型,包括:
双向门循环单元神经网络模型。
在一种可能的实现方式中,还包括:
展示单元,用于将所述采用异质信息网络采集的所述当前银行客户对应的公司信息,加工为可视化图谱进行展示。
第三方面,本申请实施例提供了一种银行客户身份识别系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述银行客户身份识别方法的步骤。
第四方面,本申请实施例提供了一种计算机可读介质,所述计算机可读介质上存储有计算机程序,所述计算机程序被处理执行时实现如上述所述银行客户身份识别方法的步骤。
与现有技术相比,本申请实施例具有以下有益效果:
本申请实施例提供了一种银行客户身份识别方法、装置、系统和介质,该方法包括:采集当前银行客户对应的公司信息;获取循环神经网络模型的训练集,训练集包括:历史银行客户对应的公司信息和历史银行客户所属的公司;利用训练集学习历史银行客户对应的公司信息,和,历史银行客户所属的公司之间的映射关系;根据映射关系确定循环神经网络模型的模型参数;将当前银行客户对应的公司信息输入预先训练的循环神经网络模型,预先训练的循环神经网络模型输出当前银行客户所属的公司。即本申请提供的经训练后的循环神经网络模型可以准确识别银行客户身份,从而可以在银行承兑汇票的贴现环节为办理贴现业务保驾护航,确保客户身份安全性。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,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,还可以根据这些附图获得其它的附图。
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1示出了本申请实施例提供的一种银行客户身份识别方法的流程图;
图2示出了本申请实施例提供的一种银行客户身份识别装置的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
正如背景技术中的描述,当前,社会实体的快速发展带来了网络科技信息的爆炸式增长,而海量的信息又带来了信息超载等新的挑战。这些挑战使得用户难以有效地查找相关信息。
银行承兑汇票,因其简单快捷的方式受人欢迎,同时也因为这样的优点,常被不法分子用来从事犯罪交易进行洗钱活动。汇票分为开立和贴现两个环节。开立环节中,如果开票人的担保品,如存款资金,各类资产来自犯罪所得,银行难以察觉的情况下,有可能会承担一定洗钱风险。当前银行开立环节包括两大部分,客户识别和交易正确性。识别客户身份,包括申请人身份和贴现人身份,是一个尤为重要的环节。
如何准确识别银行客户身份,在贴现环节为办理贴现业务保驾护航,确保客户身份安全性,是本领域需要解决的技术问题。
为了解决以上技术问题,本申请实施例提供了一种银行客户身份识别方法、装置、系统和介质,该方法包括:采集当前银行客户对应的公司信息;获取循环神经网络模型的训练集,训练集包括:历史银行客户对应的公司信息和历史银行客户所属的公司;利用训练集学习历史银行客户对应的公司信息,和,历史银行客户所属的公司之间的映射关系;根据映射关系确定循环神经网络模型的模型参数;将当前银行客户对应的公司信息输入预先训练的循环神经网络模型,预先训练的循环神经网络模型输出当前银行客户所属的公司。即本申请提供的经训练后的循环神经网络模型可以准确识别银行客户身份,从而可以在银行承兑汇票的贴现环节为办理贴现业务保驾护航,确保客户身份安全性。
示例性方法
参见图1所示,为本申请实施例提供的一种银行客户身份识别方法的流程图,包括:
S101:采集当前银行客户对应的公司信息。
在本申请实施例中,可以首先采集可用的当前银行客户对应的公司信息,以便满足后续进行预测的需要。
具体的,由于传统的银行系统中,当前银行客户的数据一般存在缺失,系统长期缺乏人工维护等原因使当前银行客户所包含的个人信息不完整,在识别当前银行客户时缺乏充足的信息。因此,可以先采集系统中可用的当前银行客户对应的公司信息。
举例来说,当前银行客户对应的公司信息可以包括出票人与公司间的注册关系、公司与公司之间的投资关系、公司关键词等文本特征信息。
在一种可能的实现方式中,可以采用异质信息网络(Heterogeneous InformationNetwork,HIN)采集当前银行客户名称对应的公司信息,即由于当前银行客户名称对应的公司信息数据来自于不同的数据源,因此可供使用的共现特征是有限的,特别是当当前银行客户与现有的社交网络进行融合的时候。诸如公司简介等文本数据、图形数据和可视化数据等信息,以及公司之间的关系数据均属于异质数据。
因此,为了集中采集这些异质数据并进行使用,可以采用异质信息网络采集当前银行客户名称对应的公司信息,异质信息网络是一种信息网络,包含了节点和边,并且该节点和边具有一种或多种类型,异质信息网络包含了更丰富的语义信息。
举例来说,本申请实施例可以构建多类型节点和边所组成的异质信息网络。其中顶点集合包括公司,当前银行客户,关键词,孵化产品关键类别,注册地点等,链接集包括当前银行客户-注册-公司,公司-投资/合作-公司,公司-隶属-注册地,公司-包含-孵化产品关键类别。本申请实施例通过加入网络特征使得异质网络更丰富,能够对公司实体进行更好的嵌入表示。
在一种可能的实现方式中,为了进一步保证银行客户身份识别的准确性,在贴现环节为办理贴现业务保驾护航,确保客户身份安全性。可以进一步从以下几个方面进行当前银行客户身份的识别:
1、确认客户符合银行内部信用评级制度;2、分析客户经营规模与申请承兑汇票额度是否匹配;3、客户的主营业务范围与采购商品是否有关联;4、与交易对手是否互为关联方;5、对客户的交易对手进行KYCC(know your customers’customer,充分了解你的客户的客户);6、了解用来担保开立承兑汇票的担保品来源等环节,其中如客户经营规模、主营业务范围和采购商品等信息。
在一种可能的实现方式中,为了更加方便银行柜台工作人员更加直观方便的查看当前银行客户对应的公司信息,可以将采用异质信息网络采集的当前银行客户对应的公司信息,加工为可视化图谱进行展示。
S102:获取循环神经网络模型的训练集,所述训练集包括:历史银行客户对应的公司信息和所述历史银行客户所属的公司;
S103:利用所述训练集学习所述历史银行客户对应的公司信息,和,所述历史银行客户所属的公司之间的映射关系;
S104:根据所述映射关系确定所述循环神经网络模型的模型参数;
S105:将所述当前银行客户对应的公司信息输入预先训练的所述循环神经网络模型,预先训练的所述循环神经网络模型输出所述当前银行客户所属的公司。
在本申请实施例中,可以利用循环神经网络模型来进行预测,以便提高当前银行客户身份识别的准确性。
具体的,可以获取循环神经网络模型的训练集,训练集包括:历史银行客户对应的公司信息和历史银行客户所属的公司;
利用训练集学习历史银行客户对应的公司信息,和,历史银行客户所属的公司之间的映射关系;根据映射关系确定循环神经网络模型的模型参数,从而可以得到训练后的循环神经网络模型。
最终,将当前银行客户对应的公司信息输入预先训练的循环神经网络模型,预先训练的循环神经网络模型输出当前银行客户所属的公司。
具体的,本申请实施例中可以首先将当前银行客户对应的公司信息向量化以便进行输入,可以采用PV-DM(Distributed Memory Model of Paragraph Vectors,句向量的分布式记忆模型)获取所构建的异质信息网络中公司的文本信息。PV-DM模型可以添加paragraph向量作为输入。
并且,可以使用图嵌入LINE方法挖掘图结构数据中的隐式有效信息。该方法充分利用了网络拓扑信息,使嵌入工作能够在低维空间中有效地进行。
在所获得的嵌入表示的基础之上,本申请实施例使用聚类算法确定当前银行客户对应的公司信息,可以将聚类算法集成在预先训练的循环神经网络模型中,以便进行聚类和预测。
可选的,可以采用层次凝聚聚类算法(HAC,Hierarchical AgglomerativeClustering))将每个名称的候选公司集划分成若干不相交的聚类,并以此作为本申请实施例的主要聚类方法。
从而将当前银行客户对应的公司信息输入预先训练的循环神经网络模型后,预先训练的循环神经网络模型除了可以输出当前银行客户所属的公司之外,还可以输出当前银行客户名称下的所分类别,即当前银行客户名称下可能对应着多个客户,可以将这多个客户分别进行分类到其所属的公司类别。
此外,在进行当前银行客户对应的公司信息的输入时,可以将当前银行客户对应的公司信息按照发表时间的先后顺序表示成序列进行输入,本申请实施例提供的循环神经网络模型可以包括基于注意力机制的循环神经网络聚类参数预测算法。
在一种可能的实现方式中,本申请实施例提供的循环神经网络模型可以是双向GRU(Gate Recurrent Unit)双向门循环单元神经网络模型,增加了更新门和重置门以提升处理远距离依赖问题的能力,采用双向GRU作为编码器,以当前银行客户公司信息矩阵作为输入,输出为预测的聚类数和当前银行客户所属的公司。双向GRU以前向和后向的时间维度对输入序列进行处理,最终结果由每一时刻的输出拼接得到。同时加入了入注意力机制体现输入序列中不同公司的贡献程度。
本申请实施例提供了一种银行客户身份识别方法,该方法包括:采集当前银行客户对应的公司信息;获取循环神经网络模型的训练集,训练集包括:历史银行客户对应的公司信息和历史银行客户所属的公司;利用训练集学习历史银行客户对应的公司信息,和,历史银行客户所属的公司之间的映射关系;根据映射关系确定循环神经网络模型的模型参数;将当前银行客户对应的公司信息输入预先训练的循环神经网络模型,预先训练的循环神经网络模型输出当前银行客户所属的公司。即本申请提供的经训练后的循环神经网络模型可以准确识别银行客户身份,从而可以在银行承兑汇票的贴现环节为办理贴现业务保驾护航,确保客户身份安全性。
示例性装置
参见图2所示,为本申请实施例提供的一种银行客户身份识别装置的示意图,包括:
采集单元201,用于采集当前银行客户对应的公司信息;
获取单元202,用于获取循环神经网络模型的训练集,所述训练集包括:历史银行客户对应的公司信息和所述历史银行客户所属的公司;
学习单元203,用于利用所述训练集学习所述历史银行客户对应的公司信息,和,所述历史银行客户所属的公司之间的映射关系;
确定单元204,用于根据所述映射关系确定所述循环神经网络模型的模型参数;
输入单元205,用于将所述当前银行客户对应的公司信息输入预先训练的所述循环神经网络模型,预先训练的所述循环神经网络模型输出所述当前银行客户所属的公司。
在一种可能的实现方式中,所述采集单元,具体用于:
采用异质信息网络采集所述当前银行客户名称对应的公司信息。
在一种可能的实现方式中,所述循环神经网络模型,包括:
双向门循环单元神经网络模型。
在一种可能的实现方式中,还包括:
展示单元,用于将所述采用异质信息网络采集的所述当前银行客户对应的公司信息,加工为可视化图谱进行展示。
本申请实施例提供了一种银行客户身份识别装置,应用于该装置的方法包括:采集当前银行客户对应的公司信息;获取循环神经网络模型的训练集,训练集包括:历史银行客户对应的公司信息和历史银行客户所属的公司;利用训练集学习历史银行客户对应的公司信息,和,历史银行客户所属的公司之间的映射关系;根据映射关系确定循环神经网络模型的模型参数;将当前银行客户对应的公司信息输入预先训练的循环神经网络模型,预先训练的循环神经网络模型输出当前银行客户所属的公司。即本申请提供的经训练后的循环神经网络模型可以准确识别银行客户身份,从而可以在银行承兑汇票的贴现环节为办理贴现业务保驾护航,确保客户身份安全性。
在上述实施例的基础上,本申请实施例提供了一种银行客户身份识别系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述银行客户身份识别方法的步骤。
在上述实施例的基础上,本申请实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机程序,所述计算机程序被处理执行时实现如上述银行客户身份识别方法的步骤。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述系统中所包含的;也可以是单独存在,而未装配入该系统中。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅是本申请的优选实施方式,虽然本申请已以较佳实施例披露如上,然而并非用以限定本申请。任何熟悉本领域的技术人员,在不脱离本申请技术方案范围情况下,都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本申请技术方案的内容,依据本申请的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰,均仍属于本申请技术方案保护的范围内。
Claims (10)
1.一种银行客户身份识别方法,其特征在于,包括:
采集当前银行客户对应的公司信息;
获取循环神经网络模型的训练集,所述训练集包括:历史银行客户对应的公司信息和所述历史银行客户所属的公司;
利用所述训练集学习所述历史银行客户对应的公司信息,和,所述历史银行客户所属的公司之间的映射关系;
根据所述映射关系确定所述循环神经网络模型的模型参数;
将所述当前银行客户对应的公司信息输入预先训练的所述循环神经网络模型,预先训练的所述循环神经网络模型输出所述当前银行客户所属的公司。
2.根据权利要求1所述的方法,其特征在于,所述采集当前银行客户对应的公司信息,包括:
采用异质信息网络采集所述当前银行客户名称对应的公司信息。
3.根据权利要求1所述的方法,其特征在于,所述循环神经网络模型,包括:
双向门循环单元神经网络模型。
4.根据权利要求2所述的方法,其特征在于,还包括:
将所述采用异质信息网络采集的所述当前银行客户对应的公司信息,加工为可视化图谱进行展示。
5.一种银行客户身份识别装置,其特征在于,包括:
采集单元,用于采集当前银行客户对应的公司信息;
获取单元,用于获取循环神经网络模型的训练集,所述训练集包括:历史银行客户对应的公司信息和所述历史银行客户所属的公司;
学习单元,用于利用所述训练集学习所述历史银行客户对应的公司信息,和,所述历史银行客户所属的公司之间的映射关系;
确定单元,用于根据所述映射关系确定所述循环神经网络模型的模型参数;
输入单元,用于将所述当前银行客户对应的公司信息输入预先训练的所述循环神经网络模型,预先训练的所述循环神经网络模型输出所述当前银行客户所属的公司。
6.根据权利要求5所述的装置,其特征在于,所述采集单元,具体用于:
采用异质信息网络采集所述当前银行客户名称对应的公司信息。
7.根据权利要求5所述的装置,其特征在于,所述循环神经网络模型,包括:
双向门循环单元神经网络模型。
8.根据权利要求6所述的装置,其特征在于,还包括:
展示单元,用于将所述采用异质信息网络采集的所述当前银行客户对应的公司信息,加工为可视化图谱进行展示。
9.一种银行客户身份识别系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-4任意一项所述银行客户身份识别方法的步骤。
10.一种计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机程序,所述计算机程序被处理执行时实现如权利要求1-4任意一项所述银行客户身份识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211212964.3A CN115456108A (zh) | 2022-09-30 | 2022-09-30 | 一种银行客户身份识别方法、装置、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211212964.3A CN115456108A (zh) | 2022-09-30 | 2022-09-30 | 一种银行客户身份识别方法、装置、系统和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456108A true CN115456108A (zh) | 2022-12-09 |
Family
ID=84309511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211212964.3A Pending CN115456108A (zh) | 2022-09-30 | 2022-09-30 | 一种银行客户身份识别方法、装置、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456108A (zh) |
-
2022
- 2022-09-30 CN CN202211212964.3A patent/CN115456108A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cavalli et al. | CNN-based multivariate data analysis for bitcoin trend prediction | |
CN109657238B (zh) | 基于知识图谱的上下文识别补全方法、系统、终端及介质 | |
US20190164015A1 (en) | Machine learning techniques for evaluating entities | |
WO2019196552A1 (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
CN109410036A (zh) | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 | |
Chen et al. | Predicting default risk on peer-to-peer lending imbalanced datasets | |
CN109785144A (zh) | 一种资产分类方法、装置、设备及介质 | |
CN105335496A (zh) | 基于余弦相似度文本挖掘算法的客服重复来电处理方法 | |
Sujith et al. | A comparative analysis of business machine learning in making effective financial decisions using structural equation model (SEM) | |
CN109815480B (zh) | 一种数据处理方法和装置、及存储介质 | |
Karthika et al. | Smart credit card fraud detection system based on dilated convolutional neural network with sampling technique | |
Oh et al. | Marketing strategies for fintech companies: text data analysis of social media posts | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
Le | A comprehensive survey of imbalanced learning methods for bankruptcy prediction | |
CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
CN116662546A (zh) | 投诉文本标注方法、装置、设备和介质 | |
CN115358878A (zh) | 理财用户风险偏好等级分析方法及装置 | |
CN109635289A (zh) | 词条分类方法及审计信息抽取方法 | |
CN115456108A (zh) | 一种银行客户身份识别方法、装置、系统和介质 | |
Dang et al. | " The Squawk Bot": Joint Learning of Time Series and Text Data Modalities for Automated Financial Information Filtering | |
Deng et al. | Financial futures prediction using fuzzy rough set and synthetic minority oversampling technique | |
Naren et al. | News analytics and dual sentiment analysis for stock market prediction | |
Serjam et al. | Analyzing performance of high frequency currency rates prediction model using linear kernel SVR on historical data |
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 |