CN116361440A - 基于人工智能的数字金融产品会话交互方法及系统 - Google Patents
基于人工智能的数字金融产品会话交互方法及系统 Download PDFInfo
- Publication number
- CN116361440A CN116361440A CN202310355918.7A CN202310355918A CN116361440A CN 116361440 A CN116361440 A CN 116361440A CN 202310355918 A CN202310355918 A CN 202310355918A CN 116361440 A CN116361440 A CN 116361440A
- Authority
- CN
- China
- Prior art keywords
- key information
- cluster
- typical
- session
- text data
- 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- Withdrawn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
- 230000003993 interaction Effects 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 281
- 238000004458 analytical method Methods 0.000 claims abstract description 120
- 238000005457 optimization Methods 0.000 claims abstract description 72
- 230000000875 corresponding effect Effects 0.000 claims description 207
- 238000005065 mining Methods 0.000 claims description 148
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 238000012512 characterization method Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的基于人工智能的数字金融产品会话交互方法及系统,涉及人工智能技术领域。在本发明中,分析出第一会话文本数据的第一关键信息向量和第二会话文本数据簇的第二关键信息向量簇之间的匹配参数,形成第一匹配参数簇;分析出第一会话文本数据的第一优化关键信息向量和第二会话文本数据簇的第二优化关键信息向量簇之间的匹配参数,形成第二匹配参数簇;依据第一匹配参数簇和第二匹配参数簇形成对比分析数据,依据对比分析数据分析出匹配分析数据;在匹配分析数据大于参考匹配分析数据的情况下,基于第一优化关键信息向量,进行异常分析操作。基于上述内容,可以在一定程度上提高数字金融产品会话交互的安全性。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于人工智能的数字金融产品会话交互方法及系统。
背景技术
人工智能(Artificial Intelligence,简称AI),是利用数字计算机或者数字计算机控制的计算模拟、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。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。并且,人工智能技术的应用场景较多。
例如,可以利用人工智能技术,对数字金融产品会话中的会话数据进行异常分析,但是,在现有技术中,存在着异常分析的可靠度不高的问题,从而导致数字金融产品会话交互的安全性也不高。
发明内容
有鉴于此,本发明的目的在于提供一种基于人工智能的数字金融产品会话交互方法及系统,以提高数字金融产品会话交互的安全性。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于人工智能的数字金融产品会话交互方法,所述数字金融产品会话交互方法包括:
确定出第一会话文本数据和第二会话文本数据簇,所述第一会话文本数据和所述第二会话文本数据簇包括的第二会话文本数据形成于第一会话终端和第二会话终端之间进行的数字金融产品会话,所述第一会话文本数据的形成时间晚于所述第二会话文本数据的形成时间;
对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一关键信息向量和所述第二会话文本数据簇对应的第二关键信息向量簇,以及,分析出所述第一关键信息向量和所述第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇;
对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至优化关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一优化关键信息向量和所述第二会话文本数据簇对应的第二优化关键信息向量簇,以及,分析出所述第一优化关键信息向量和所述第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇,所述优化关键信息挖掘网络基于经过优化处理的关键信息挖掘网络进行暗知识提取以形成;
依据所述第一匹配参数簇和所述第二匹配参数簇进行对比分析操作,以形成所述第一会话文本数据对应的对比分析数据,以及,依据所述第一会话文本数据对应的对比分析数据,分析出所述第一会话文本数据对应的匹配分析数据;
在所述匹配分析数据大于预先配置的参考匹配分析数据的情况下,基于所述第一会话文本数据对应的第一优化关键信息向量,对所述第一会话文本数据进行异常分析操作,并在得到的异常分析结果符合预先配置的会话安全条件的情况下,将所述第一会话文本数据发送给所述第二会话终端。
在一些优选的实施例中,在上述基于人工智能的数字金融产品会话交互方法中,所述分析出所述第一关键信息向量和所述第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇的步骤,包括:
对所述第一关键信息向量进行参数映射操作,以形成对应的映射第一关键信息向量,以及,对所述第二关键信息向量簇进行参数映射操作,以形成对应的映射第二关键信息向量簇;
对所述映射第二关键信息向量簇进行参数的行列对换操作,以形成对应的对换第二关键信息向量簇,以及,对所述映射第二关键信息向量簇和所述对换第二关键信息向量簇进行相乘运算,以形成第一匹配参数簇。
在一些优选的实施例中,在上述基于人工智能的数字金融产品会话交互方法中,所述分析出所述第一优化关键信息向量和所述第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇的步骤,包括:
对所述第一优化关键信息向量进行参数映射操作,以形成对应的映射第一优化关键信息向量,以及,对所述第二优化关键信息向量簇进行参数映射操作,以形成对应的映射第二优化关键信息向量簇;
对所述映射第二优化关键信息向量簇进行参数的行列对换操作,以形成对应的对换第二优化关键信息向量簇,以及,对所述映射第二优化关键信息向量簇和所述对换第二优化关键信息向量簇进行相乘运算,以形成对应的第二匹配参数簇。
在一些优选的实施例中,在上述基于人工智能的数字金融产品会话交互方法中,所述依据所述第一匹配参数簇和所述第二匹配参数簇进行对比分析操作,以形成所述第一会话文本数据对应的对比分析数据,以及,依据所述第一会话文本数据对应的对比分析数据,分析出所述第一会话文本数据对应的匹配分析数据的步骤,包括:
对所述第一匹配参数簇和所述第二匹配参数簇之间的匹配参数差异进行确定,以输出对应的匹配参数差异值;
确定出所述第一会话文本数据和所述第二会话文本数据簇对应的第二会话文本数据的数据数量,以及,确定所述匹配参数差异值和所述数据数量的比例系数,以及,依据所述比例系数,确定出所述第一会话文本数据对应的对比分析数据,并将该对比分析数据作为所述第一会话文本数据对应的匹配分析数据,所述对比分析数据和所述比例系数负相关。
在一些优选的实施例中,在上述基于人工智能的数字金融产品会话交互方法中,所述数字金融产品会话交互方法还包括:
抽选出目标典型会话文本簇,所述目标典型会话文本簇包括的目标典型会话文本数据在总的典型会话文本簇中抽选出;
分别对所述目标典型会话文本簇中的每一个目标典型会话文本数据进行加载处理,以加载至经过优化处理的关键信息挖掘网络和需要优化处理的候选关键信息挖掘网络中进行关键信息挖掘操作,以输出每一个所述目标典型会话文本数据对应的第一典型关键信息向量和每一个所述目标典型会话文本数据对应的第二典型关键信息向量,所述候选关键信息挖掘网络基于所述经过优化处理的关键信息挖掘网络的网络参数进行构建以形成;
分析出每一个所述目标典型会话文本数据对应的第一典型关键信息向量之间的匹配参数,形成第一典型匹配参数簇;
分析出每一个所述目标典型会话文本数据对应的第二典型关键信息向量之间的匹配参数,形成第二典型匹配参数簇;
确定出所述第二典型匹配参数簇和所述第一典型匹配参数簇之间的区别表征参数,并依据所述区别表征参数,对所述需要优化处理的候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络。
在一些优选的实施例中,在上述基于人工智能的数字金融产品会话交互方法中,所述分析出每一个所述目标典型会话文本数据对应的第一典型关键信息向量之间的匹配参数,形成第一典型匹配参数簇的步骤,包括:
依据每一个所述目标典型会话文本数据对应的第一典型关键信息向量,构建出第一典型向量分布阵列,以及,对所述第一典型向量分布阵列进行参数映射操作,以形成对应的映射第一典型向量分布阵列;
对所述映射第一典型向量分布阵列进行参数的行列对换操作,以形成对应的对换第一典型向量分布阵列;
对所述对换第一典型向量分布阵列和所述映射第一典型向量分布阵列进行相乘运算,以形成对应的第一典型匹配参数簇。
在一些优选的实施例中,在上述基于人工智能的数字金融产品会话交互方法中,所述分析出每一个所述目标典型会话文本数据对应的第二典型关键信息向量之间的匹配参数,形成第二典型匹配参数簇的步骤,包括:
依据每一个所述目标典型会话文本数据对应的第二典型关键信息向量构建出第二典型向量分布阵列,以及,对所述第二典型向量分布阵列进行参数映射操作,以形成对应的映射第二典型向量分布阵列;
对所述映射第二典型向量分布阵列进行参数的行列对换操作,以形成对应的对换第二典型向量分布阵列;
对所述对换第二典型向量分布阵列和所述映射第二典型向量分布阵列行相乘运算,以形成对应的第二典型匹配参数簇。
在一些优选的实施例中,在上述基于人工智能的数字金融产品会话交互方法中,所述确定出所述第二典型匹配参数簇和所述第一典型匹配参数簇之间的区别表征参数,并依据所述区别表征参数,对所述需要优化处理的候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络的步骤,包括:
确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇之间的标准差值信息,以形成对应的典型数据学习代价指标,以及,对所述典型数据学习代价指标进行标记操作,以标记为对应的区别表征参数;
依据所述区别表征参数,对所述候选关键信息挖掘网络包括的网络参数进行优化调整操作,以形成调整后的关键信息挖掘网络;
对调整后的关键信息挖掘网络进行标记操作,以标记为新的需要优化处理的候选关键信息挖掘网络;
回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络;
其中,所述确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇之间的标准差值信息,以形成对应的典型数据学习代价指标,以及,对所述典型数据学习代价指标进行标记操作,以标记为对应的区别表征参数的步骤,包括:
确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇的之间的标准差值信息,以形成对应的典型数据学习代价指标;
确定出所述目标典型会话文本簇包括的目标典型会话文本数据的目标典型文本数目,以及,对所述典型数据学习代价指标和所述目标典型文本数目进行比例计算,以形成对应的代表典型数据学习代价指标;
提取到预先确定的目标均衡权重系数,以及,依据所述目标均衡权重系数将所述代表典型数据学习代价指标进行均衡操作,形成均衡典型数据学习代价指标,所述目标均衡权重系数用于维持所述典型数据学习代价指标和异常分析学习代价指标之间的均衡;
确定出所述需要优化处理的候选关键信息挖掘网络对应的异常分析学习代价指标,以及,将所述异常分析学习代价指标和所述均衡典型数据学习代价指标之间的叠加结果作为对应的区别表征参数,所述异常分析学习代价指标基于所述需要优化处理的候选关键信息挖掘网络挖掘出的第二典型关键信息向量进行异常分析操作得到的异常分析结果以得到。
在一些优选的实施例中,在上述基于人工智能的数字金融产品会话交互方法中,所述目标典型会话文本簇包括多个典型会话文本组合,所述典型会话文本组合包括相关典型会话文本组合和非相关典型会话文本组合,所述相关典型会话文本组合包括两个目标典型会话文本,该两个目标典型会话文本之间的文本相关度大于参考文本相关度,所述非相关典型会话文本组合包括两个目标典型会话文本,该两个目标典型会话文本之间的文本相关度小于所述参考文本相关度,所述相关典型会话文本组合和所述非相关典型会话文本组合部分重合;
所述基于人工智能的数字金融产品会话交互方法还包括:
对每一个所述典型会话文本组合进行加载,以加载至经过优化处理的关键信息挖掘网络和需要优化处理的候选关键信息挖掘网络中进行关键信息挖掘操作,以输出每一个所述典型会话文本组合对应的第一典型关键信息向量组合和每一个所述典型会话文本组合对应的第二典型关键信息向量组合;
依据所述第一典型关键信息向量组合和所述第二典型关键信息向量组合进行组合学习代价指标的确定操作,以输出对应的组合学习代价指标;
依据所述组合学习代价指标,对所述候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络。
本发明实施例还提供一种基于人工智能的数字金融产品会话交互系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的方法。
本发明实施例提供的基于人工智能的数字金融产品会话交互方法及系统,可以先确定出第一会话文本数据和第二会话文本数据簇;对第一会话文本数据和第二会话文本数据簇进行加载处理,以加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以输出第一会话文本数据对应的第一关键信息向量和第二会话文本数据簇对应的第二关键信息向量簇,以及,分析出第一关键信息向量和第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇;对第一会话文本数据和第二会话文本数据簇进行加载处理,以加载至优化关键信息挖掘网络中进行关键信息挖掘操作,以输出第一会话文本数据对应的第一优化关键信息向量和第二会话文本数据簇对应的第二优化关键信息向量簇,以及,分析出第一优化关键信息向量和第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇;依据第一匹配参数簇和第二匹配参数簇进行对比分析操作,以形成第一会话文本数据对应的对比分析数据,以及,依据第一会话文本数据对应的对比分析数据,分析出第一会话文本数据对应的匹配分析数据;在匹配分析数据大于预先配置的参考匹配分析数据的情况下,基于第一会话文本数据对应的第一优化关键信息向量,对第一会话文本数据进行异常分析操作,并在得到的异常分析结果符合预先配置的会话安全条件的情况下,将第一会话文本数据发送给第二会话终端。基于上述内容,由于会先将第一会话文本数据和第二会话文本数据簇进行对比分析,使得在得到的匹配分析数据大于预先配置的参考匹配分析数据的情况下,才会基于第一会话文本数据对应的第一优化关键信息向量,对第一会话文本数据进行异常分析操作,因此,可以在一定程度上提高异常分析操作的可靠度,从而可以在一定程度上提高数字金融产品会话交互的安全性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于人工智能的数字金融产品会话交互系统的结构框图。
图2为本发明实施例提供的基于人工智能的数字金融产品会话交互方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于人工智能的数字金融产品会话交互装置包括的各模块的示意图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,本发明实施例提供了一种基于人工智能的数字金融产品会话交互系统。其中,所述基于人工智能的数字金融产品会话交互系统可以包括存储器和处理器。
详细地,所述存储器和处理器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,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于人工智能的数字金融产品会话交互方法。
应当理解的是,在一些实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。
应当理解的是,在一些实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一些实施方式中,所述基于人工智能的数字金融产品会话交互系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于人工智能的数字金融产品会话交互方法,可应用于上述基于人工智能的数字金融产品会话交互系统。其中,所述基于人工智能的数字金融产品会话交互方法有关的流程所定义的方法步骤,可以由所述基于人工智能的数字金融产品会话交互系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,确定出第一会话文本数据和第二会话文本数据簇。
在本发明实施例中,所述基于人工智能的数字金融产品会话交互系统可以确定出第一会话文本数据和第二会话文本数据簇。所述第一会话文本数据和所述第二会话文本数据簇包括的第二会话文本数据形成于第一会话终端和第二会话终端之间进行的数字金融产品会话,所述第一会话文本数据的形成时间晚于所述第二会话文本数据的形成时间,也就是说,所述第二会话文本数据可以是历史处理的会话文本数据,所述第一会话文本数据可以是当前的待处理的会话文本数据。
步骤S120,对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一关键信息向量和所述第二会话文本数据簇对应的第二关键信息向量簇,以及,分析出所述第一关键信息向量和所述第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇。
在本发明实施例中,所述基于人工智能的数字金融产品会话交互系统可以对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一关键信息向量和所述第二会话文本数据簇对应的第二关键信息向量簇,以及,分析出所述第一关键信息向量和所述第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇。所述第二关键信息向量簇包括第二会话文本数据对应的第二关键信息向量。
步骤S130,对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至优化关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一优化关键信息向量和所述第二会话文本数据簇对应的第二优化关键信息向量簇,以及,分析出所述第一优化关键信息向量和所述第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇。
在本发明实施例中,所述基于人工智能的数字金融产品会话交互系统可以对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至优化关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一优化关键信息向量和所述第二会话文本数据簇对应的第二优化关键信息向量簇,以及,分析出所述第一优化关键信息向量和所述第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇。所述优化关键信息挖掘网络基于经过优化处理的关键信息挖掘网络进行暗知识提取(如Knowledge Distillation)以形成。
步骤S140,依据所述第一匹配参数簇和所述第二匹配参数簇进行对比分析操作,以形成所述第一会话文本数据对应的对比分析数据,以及,依据所述第一会话文本数据对应的对比分析数据,分析出所述第一会话文本数据对应的匹配分析数据。
在本发明实施例中,所述基于人工智能的数字金融产品会话交互系统可以依据所述第一匹配参数簇和所述第二匹配参数簇进行对比分析操作,以形成所述第一会话文本数据对应的对比分析数据,以及,依据所述第一会话文本数据对应的对比分析数据,分析出所述第一会话文本数据对应的匹配分析数据。
步骤S150,在所述匹配分析数据大于预先配置的参考匹配分析数据的情况下,基于所述第一会话文本数据对应的第一优化关键信息向量,对所述第一会话文本数据进行异常分析操作,并在得到的异常分析结果符合预先配置的会话安全条件的情况下,将所述第一会话文本数据发送给所述第二会话终端。
在本发明实施例中,所述基于人工智能的数字金融产品会话交互系统可以在所述匹配分析数据大于预先配置的参考匹配分析数据的情况下,基于所述第一会话文本数据对应的第一优化关键信息向量,对所述第一会话文本数据进行异常分析操作,并在得到的异常分析结果符合预先配置的会话安全条件的情况下,如所述异常分析结果反映出不存在异常或异常程度较低,将所述第一会话文本数据发送给所述第二会话终端,以实现会话交互。如此,所述匹配分析数据大于预先配置的参考匹配分析数据,可以表征,所述优化关键信息挖掘网络相对稳定,因此,其挖掘出所述第一会话文本数据对应的第一优化关键信息向量的可靠度相对较高。另外,所述参考匹配分析数据的具体数值可以根据实际需求进行配置。
基于上述内容,如步骤S110-步骤S150,由于会先将第一会话文本数据和第二会话文本数据簇进行对比分析,使得在得到的匹配分析数据大于预先配置的参考匹配分析数据的情况下,才会基于第一会话文本数据对应的第一优化关键信息向量,对第一会话文本数据进行异常分析操作,因此,可以在一定程度上提高异常分析操作的可靠度,从而可以在一定程度上提高数字金融产品会话交互的安全性。
其中,应当理解的是,在一些实施方式中,上述的步骤S120(如对所述第一会话文本数据进行加载处理,以加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一关键信息向量),可以进一步包括以下内容:
对所述第一会话文本数据进行加载处理,以加载至经过优化处理的关键信息挖掘网络中;
通过所述经过优化处理的关键信息挖掘网络包括的编码单元,对所述第一会话文本数据进行编码操作,以输出所述第一会话文本数据对应的第一会话文本编码向量;
通过所述经过优化处理的关键信息挖掘网络包括的压缩单元,对所述第一会话文本编码向量进行参数的压缩操作,形成所述第一会话文本编码向量对应的压缩会话文本编码向量,所述压缩会话文本编码向量包括的向量参数的数目小于所述第一会话文本编码向量包括的向量参数的数目;
基于具有预设尺寸的窗口,对所述压缩会话文本编码向量进行滑窗操作,以形成所述压缩会话文本编码向量对应的多个窗口向量,或者,基于所述具有预设尺寸的窗口,对所述压缩会话文本编码向量进行随机的多次抽选,以形成所述压缩会话文本编码向量对应的多个窗口向量,所述预设尺寸的具体大小不受限制,可以根据实际需求进行配置;
对于每一个所述窗口向量,对该窗口向量包括的多组向量参数进行均值计算和标准差计算,以输出该窗口向量对应的多个向量参数均值和多个向量参数标准差,以及,基于所述多个向量参数均值和所述多个向量参数标准差,构建出该窗口向量对应的关键性窗口向量,每一组所述向量参数由对应的所述窗口向量中的多个向量参数构成;
分别基于所述关键性窗口向量,对对应的所述窗口向量进行聚焦特征分析操作,如将所述关键性窗口向量、所述关键性窗口向量的行列参数对换结果和所述窗口向量进行融合,具体的处理过程可以参照相关的现有技术,以形成每一个所述窗口向量对应的聚焦向量,或者,将所述窗口向量和对应的所述关键性窗口向量进行拼接,以形成对应的拼接向量;
将每一个所述窗口向量对应的聚焦向量或拼接向量进行组合操作,如进行拼接或叠加,以形成所述第一会话文本数据对应的第一关键信息向量。
应当理解的是,在一些实施方式中,上述的步骤S120,还可以进一步包括以下内容:
对所述第一关键信息向量进行参数映射操作,以形成对应的映射第一关键信息向量,以及,对所述第二关键信息向量簇进行参数映射操作,以形成对应的映射第二关键信息向量簇,所述参数映射操作可以是指将关键信息向量包括的向量参数映射到一个指定的区间,如0到1或-1到1;
对所述映射第二关键信息向量簇进行参数的行列对换操作,以形成对应的对换第二关键信息向量簇,以及,对所述映射第二关键信息向量簇和所述对换第二关键信息向量簇进行相乘运算,以形成第一匹配参数簇,所述参数的行列对换操作可以是指,将一行的向量参数作为一列的向量参数,将一列的向量参数作为一行的向量参数。
应当理解的是,在一些实施方式中,上述的步骤S130,可以进一步包括以下内容:
对所述第一优化关键信息向量进行参数映射操作,以形成对应的映射第一优化关键信息向量,以及,对所述第二优化关键信息向量簇进行参数映射操作,以形成对应的映射第二优化关键信息向量簇,如前所述;
对所述映射第二优化关键信息向量簇进行参数的行列对换操作,以形成对应的对换第二优化关键信息向量簇,以及,对所述映射第二优化关键信息向量簇和所述对换第二优化关键信息向量簇进行相乘运算,以形成对应的第二匹配参数簇,如前所述。
应当理解的是,在一些实施方式中,上述的步骤S140,可以进一步包括以下内容:
对所述第一匹配参数簇和所述第二匹配参数簇之间的匹配参数差异进行确定,以输出对应的匹配参数差异值,所述匹配参数差异值可以用于表征所述第一匹配参数簇和所述第二匹配参数簇之间的差异,如标准差等;
确定出所述第一会话文本数据和所述第二会话文本数据簇对应的第二会话文本数据的数据数量,以及,确定所述匹配参数差异值和所述数据数量的比例系数,以及,依据所述比例系数,确定出所述第一会话文本数据对应的对比分析数据,并将该对比分析数据作为所述第一会话文本数据对应的匹配分析数据,所述对比分析数据和所述比例系数负相关。
应当理解的是,在一些实施方式中,所述基于人工智能的数字金融产品会话交互方法,还可以进一步包括以下内容:
抽选出目标典型会话文本簇,所述目标典型会话文本簇包括的目标典型会话文本数据在总的典型会话文本簇中抽选出,也就是说,可以将所述典型会话文本簇中的典型会话文本数据进行分阶段或分批次的使用,以分阶段或分批次的进行网络优化操作,所述目标典型会话文本簇可以理解为目标阶段或目前批次用于进行网络优化操作的典型数据;
分别对所述目标典型会话文本簇中的每一个目标典型会话文本数据进行加载处理,以加载至经过优化处理的关键信息挖掘网络和需要优化处理的候选关键信息挖掘网络中进行关键信息挖掘操作,以输出每一个所述目标典型会话文本数据对应的第一典型关键信息向量和每一个所述目标典型会话文本数据对应的第二典型关键信息向量,所述候选关键信息挖掘网络基于所述经过优化处理的关键信息挖掘网络的网络参数进行构建以形成,例如,在初始的阶段所述候选关键信息挖掘网络的网络参数可以与所述经过优化处理的关键信息挖掘网络的网络参数一致,另外,对于每一个目标典型会话文本数据,可以将该目标典型会话文本数据加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以形成该目标典型会话文本数据对应的第一典型关键信息向量,还可以将该目标典型会话文本数据加载至需要优化处理的候选关键信息挖掘网络中进行关键信息挖掘操作,以形成该目标典型会话文本数据对应的第二典型关键信息向量;
分析出每一个所述目标典型会话文本数据对应的第一典型关键信息向量之间的匹配参数,形成第一典型匹配参数簇,所述第一典型匹配参数簇包括的每一个第一典型匹配参数用于反映两个所述目标典型会话文本数据对应的第一典型关键信息向量之间的匹配参数,如余弦相似度;
分析出每一个所述目标典型会话文本数据对应的第二典型关键信息向量之间的匹配参数,形成第二典型匹配参数簇,所述第二典型匹配参数簇包括的每一个第二典型匹配参数用于反映两个所述目标典型会话文本数据对应的第二典型关键信息向量之间的匹配参数,如余弦相似度;
确定出所述第二典型匹配参数簇和所述第一典型匹配参数簇之间的区别表征参数,并依据所述区别表征参数,对所述需要优化处理的候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络。
应当理解的是,在一些实施方式中,所述分析出每一个所述目标典型会话文本数据对应的第一典型关键信息向量之间的匹配参数,形成第一典型匹配参数簇的步骤,可以进一步包括以下内容:
依据每一个所述目标典型会话文本数据对应的第一典型关键信息向量,构建出第一典型向量分布阵列,即将第二典型关键信息向量进行组合,以及,对所述第一典型向量分布阵列进行参数映射操作,如前相关描述,以形成对应的映射第一典型向量分布阵列;
对所述映射第一典型向量分布阵列进行参数的行列对换操作,如前相关描述,以形成对应的对换第一典型向量分布阵列;
对所述对换第一典型向量分布阵列和所述映射第一典型向量分布阵列进行相乘运算,以形成对应的第一典型匹配参数簇,其中,基于所述对换第一典型向量分布阵列和所述映射第一典型向量分布阵列的表现形式,所述第一典型匹配参数簇包括的第一典型匹配参数也可以用阵列表示。
应当理解的是,在一些实施方式中,所述分析出每一个所述目标典型会话文本数据对应的第二典型关键信息向量之间的匹配参数,形成第二典型匹配参数簇的步骤,可以进一步包括以下内容:
依据每一个所述目标典型会话文本数据对应的第二典型关键信息向量构建出第二典型向量分布阵列,即将第二典型关键信息向量进行组合,以形成阵列,以及,对所述第二典型向量分布阵列进行参数映射操作,如前相关描述,以形成对应的映射第二典型向量分布阵列;
对所述映射第二典型向量分布阵列进行参数的行列对换操作,如前相关描述,以形成对应的对换第二典型向量分布阵列;
对所述对换第二典型向量分布阵列和所述映射第二典型向量分布阵列行相乘运算,以形成对应的第二典型匹配参数簇,其中,基于所述对换第二典型向量分布阵列和所述映射第二典型向量分布阵列的表现形式,所述第二典型匹配参数簇包括的第二典型匹配参数也可以用阵列表示。
应当理解的是,在一些实施方式中,所述确定出所述第二典型匹配参数簇和所述第一典型匹配参数簇之间的区别表征参数,并依据所述区别表征参数,对所述需要优化处理的候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络的步骤,可以进一步包括以下内容:
确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇之间的标准差值信息,以形成对应的典型数据学习代价指标,以及,对所述典型数据学习代价指标进行标记操作,以标记为对应的区别表征参数;
依据所述区别表征参数,对所述候选关键信息挖掘网络包括的网络参数进行优化调整操作,以形成调整后的关键信息挖掘网络,例如,可以沿着降低所述区别表征参数的方向,对网络参数进行优化调整操作;
对调整后的关键信息挖掘网络进行标记操作,以标记为新的需要优化处理的候选关键信息挖掘网络;
回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络。
应当理解的是,在一些实施方式中,所述确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇之间的标准差值信息,以形成对应的典型数据学习代价指标,以及,对所述典型数据学习代价指标进行标记操作,以标记为对应的区别表征参数的步骤,可以进一步包括以下内容:
确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇的之间的标准差值信息,以形成对应的典型数据学习代价指标;
确定出所述目标典型会话文本簇包括的目标典型会话文本数据的目标典型文本数目,以及,对所述典型数据学习代价指标和所述目标典型文本数目进行比例计算,以形成对应的代表典型数据学习代价指标;
提取到预先确定的目标均衡权重系数,以及,依据所述目标均衡权重系数将所述代表典型数据学习代价指标进行均衡操作,形成均衡典型数据学习代价指标,所述目标均衡权重系数用于维持所述典型数据学习代价指标和异常分析学习代价指标的均衡,并且,所述目标均衡权重系数可以维持不变,也可以的初始的值的情况下,不断的进行优化;
确定出所述需要优化处理的候选关键信息挖掘网络对应的异常分析学习代价指标,以及,将所述异常分析学习代价指标和所述均衡典型数据学习代价指标之间的叠加结果作为对应的区别表征参数,所述异常分析学习代价指标基于所述需要优化处理的候选关键信息挖掘网络挖掘出的第二典型关键信息向量进行异常分析操作得到的异常分析结果以得到,如将该异常分析结果和实际异常情况进行区别分析以得到。
应当理解的是,在一些实施方式中,所述目标典型会话文本簇包括多个典型会话文本组合,所述典型会话文本组合包括相关典型会话文本组合和非相关典型会话文本组合,所述相关典型会话文本组合包括两个目标典型会话文本,该两个目标典型会话文本之间的文本相关度大于参考文本相关度,所述非相关典型会话文本组合包括两个目标典型会话文本,该两个目标典型会话文本之间的文本相关度小于所述参考文本相关度,所述相关典型会话文本组合和所述非相关典型会话文本组合部分重合,所述文本相关度可以是指文本之间的语义相关度或词语重合度等,所述参考文本相关度的具体数值不受限制,可以根据实际需求进行配置,所述基于人工智能的数字金融产品会话交互方法还可以进一步包括以下内容:
对每一个所述典型会话文本组合进行加载,以加载至经过优化处理的关键信息挖掘网络和需要优化处理的候选关键信息挖掘网络中进行关键信息挖掘操作,以输出每一个所述典型会话文本组合对应的第一典型关键信息向量组合和每一个所述典型会话文本组合对应的第二典型关键信息向量组合,例如,通过所述优化处理的关键信息挖掘网络的关键信息挖掘操作,即进行特征挖掘,可以得到所述典型会话文本组合对应的第一典型关键信息向量组合,通过需要优化处理的候选关键信息挖掘网络的关键信息挖掘操作,可以得到所述典型会话文本组合对应的第二典型关键信息向量组合;
依据所述第一典型关键信息向量组合和所述第二典型关键信息向量组合进行组合学习代价指标的确定操作,以输出对应的组合学习代价指标,所述组合学习代价指标用于反映所述第一典型关键信息向量组合和所述第二典型关键信息向量组合之间的差异,例如,可以将所述第一典型关键信息向量组合中的第一典型关键信息向量进行拼接,以形成第一拼接向量,可以将所述第二典型关键信息向量组合中的第二典型关键信息向量进行拼接,以形成第二拼接向量,然后,可以确定第一拼接向量和第二拼接向量之间的差异,以得到组合学习代价指标;
依据所述组合学习代价指标,对所述候选关键信息挖掘网络进行网络优化操作,如沿着降低所述组合学习代价指标的方向,对所述候选关键信息挖掘网络的网络参数进行优化,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络。
其中,应当理解的是,在一些实施方式中,所述确定出所述第二典型匹配参数簇和所述第一典型匹配参数簇之间的区别表征参数,并依据所述区别表征参数,对所述需要优化处理的候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络的步骤,可以进一步包括以下内容:
对所述第二典型匹配参数簇进行加载,以加载至匹配参数整理模型中进行匹配参数整理,以形成对应的整理典型匹配参数簇,所述匹配参数整理模型用于对所述第二典型匹配参数簇包括的第二典型匹配参数进行调整,以降低典型匹配参数之间的语义差距;
对所述整理典型匹配参数簇和所述第一典型匹配参数簇进行标准差信息的确定操作,以形成对应的典型区别表征参数,以及,依据所述典型区别表征参数,对所述匹配参数整理模型和所述候选关键信息挖掘网络进行网络优化操作,形成调整后的匹配参数整理模型和调整后的关键信息挖掘网络,即沿着降低所述典型区别表征参数的方向进行优化;
对所述调整后的匹配参数整理模型进行标记处理,以标记为匹配参数整理模型,以及,对所述调整后的关键信息挖掘网络进行标记处理,以标记为候选关键信息挖掘网络;
回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,基于当前的所述需要优化处理的候选关键信息挖掘网络和当前的匹配参数整理模型,构建出对应的优化关键信息挖掘网络。
结合图3,本发明实施例还提供一种基于人工智能的数字金融产品会话交互装置,可应用于上述基于人工智能的数字金融产品会话交互系统。其中,所述基于人工智能的数字金融产品会话交互装置可以包括:
会话文本确定模块,用于确定出第一会话文本数据和第二会话文本数据簇,所述第一会话文本数据和所述第二会话文本数据簇包括的第二会话文本数据形成于第一会话终端和第二会话终端之间进行的数字金融产品会话,所述第一会话文本数据的形成时间晚于所述第二会话文本数据的形成时间;
第一匹配分析模块,用于对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一关键信息向量和所述第二会话文本数据簇对应的第二关键信息向量簇,以及,分析出所述第一关键信息向量和所述第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇;
第二匹配分析模块,用于对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至优化关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一优化关键信息向量和所述第二会话文本数据簇对应的第二优化关键信息向量簇,以及,分析出所述第一优化关键信息向量和所述第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇,所述优化关键信息挖掘网络基于经过优化处理的关键信息挖掘网络进行暗知识提取以形成;
第三匹配分析模块,用于依据所述第一匹配参数簇和所述第二匹配参数簇进行对比分析操作,以形成所述第一会话文本数据对应的对比分析数据,以及,依据所述第一会话文本数据对应的对比分析数据,分析出所述第一会话文本数据对应的匹配分析数据;
会话交互模块,用于在所述匹配分析数据大于预先配置的参考匹配分析数据的情况下,基于所述第一会话文本数据对应的第一优化关键信息向量,对所述第一会话文本数据进行异常分析操作,并在得到的异常分析结果符合预先配置的会话安全条件的情况下,将所述第一会话文本数据发送给所述第二会话终端。
综上所述,本发明提供的基于人工智能的数字金融产品会话交互方法及系统,可以先确定出第一会话文本数据和第二会话文本数据簇;对第一会话文本数据和第二会话文本数据簇进行加载处理,以加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以输出第一会话文本数据对应的第一关键信息向量和第二会话文本数据簇对应的第二关键信息向量簇,以及,分析出第一关键信息向量和第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇;对第一会话文本数据和第二会话文本数据簇进行加载处理,以加载至优化关键信息挖掘网络中进行关键信息挖掘操作,以输出第一会话文本数据对应的第一优化关键信息向量和第二会话文本数据簇对应的第二优化关键信息向量簇,以及,分析出第一优化关键信息向量和第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇;依据第一匹配参数簇和第二匹配参数簇进行对比分析操作,以形成第一会话文本数据对应的对比分析数据,以及,依据第一会话文本数据对应的对比分析数据,分析出第一会话文本数据对应的匹配分析数据;在匹配分析数据大于预先配置的参考匹配分析数据的情况下,基于第一会话文本数据对应的第一优化关键信息向量,对第一会话文本数据进行异常分析操作,并在得到的异常分析结果符合预先配置的会话安全条件的情况下,将第一会话文本数据发送给第二会话终端。基于上述内容,由于会先将第一会话文本数据和第二会话文本数据簇进行对比分析,使得在得到的匹配分析数据大于预先配置的参考匹配分析数据的情况下,才会基于第一会话文本数据对应的第一优化关键信息向量,对第一会话文本数据进行异常分析操作,因此,可以在一定程度上提高异常分析操作的可靠度,从而可以在一定程度上提高数字金融产品会话交互的安全性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的数字金融产品会话交互方法,其特征在于,所述数字金融产品会话交互方法包括:
确定出第一会话文本数据和第二会话文本数据簇,所述第一会话文本数据和所述第二会话文本数据簇包括的第二会话文本数据形成于第一会话终端和第二会话终端之间进行的数字金融产品会话,所述第一会话文本数据的形成时间晚于所述第二会话文本数据的形成时间;
对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至经过优化处理的关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一关键信息向量和所述第二会话文本数据簇对应的第二关键信息向量簇,以及,分析出所述第一关键信息向量和所述第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇;
对所述第一会话文本数据和所述第二会话文本数据簇进行加载处理,以加载至优化关键信息挖掘网络中进行关键信息挖掘操作,以输出所述第一会话文本数据对应的第一优化关键信息向量和所述第二会话文本数据簇对应的第二优化关键信息向量簇,以及,分析出所述第一优化关键信息向量和所述第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇,所述优化关键信息挖掘网络基于经过优化处理的关键信息挖掘网络进行暗知识提取以形成;
依据所述第一匹配参数簇和所述第二匹配参数簇进行对比分析操作,以形成所述第一会话文本数据对应的对比分析数据,以及,依据所述第一会话文本数据对应的对比分析数据,分析出所述第一会话文本数据对应的匹配分析数据;
在所述匹配分析数据大于预先配置的参考匹配分析数据的情况下,基于所述第一会话文本数据对应的第一优化关键信息向量,对所述第一会话文本数据进行异常分析操作,并在得到的异常分析结果符合预先配置的会话安全条件的情况下,将所述第一会话文本数据发送给所述第二会话终端。
2.如权利要求1所述的基于人工智能的数字金融产品会话交互方法,其特征在于,所述分析出所述第一关键信息向量和所述第二关键信息向量簇之间的匹配参数,以形成第一匹配参数簇的步骤,包括:
对所述第一关键信息向量进行参数映射操作,以形成对应的映射第一关键信息向量,以及,对所述第二关键信息向量簇进行参数映射操作,以形成对应的映射第二关键信息向量簇;
对所述映射第二关键信息向量簇进行参数的行列对换操作,以形成对应的对换第二关键信息向量簇,以及,对所述映射第二关键信息向量簇和所述对换第二关键信息向量簇进行相乘运算,以形成第一匹配参数簇。
3.如权利要求1所述的基于人工智能的数字金融产品会话交互方法,其特征在于,所述分析出所述第一优化关键信息向量和所述第二优化关键信息向量簇之间的匹配参数,以形成对应的第二匹配参数簇的步骤,包括:
对所述第一优化关键信息向量进行参数映射操作,以形成对应的映射第一优化关键信息向量,以及,对所述第二优化关键信息向量簇进行参数映射操作,以形成对应的映射第二优化关键信息向量簇;
对所述映射第二优化关键信息向量簇进行参数的行列对换操作,以形成对应的对换第二优化关键信息向量簇,以及,对所述映射第二优化关键信息向量簇和所述对换第二优化关键信息向量簇进行相乘运算,以形成对应的第二匹配参数簇。
4.如权利要求1所述的基于人工智能的数字金融产品会话交互方法,其特征在于,所述依据所述第一匹配参数簇和所述第二匹配参数簇进行对比分析操作,以形成所述第一会话文本数据对应的对比分析数据,以及,依据所述第一会话文本数据对应的对比分析数据,分析出所述第一会话文本数据对应的匹配分析数据的步骤,包括:
对所述第一匹配参数簇和所述第二匹配参数簇之间的匹配参数差异进行确定,以输出对应的匹配参数差异值;
确定出所述第一会话文本数据和所述第二会话文本数据簇对应的第二会话文本数据的数据数量,以及,确定所述匹配参数差异值和所述数据数量的比例系数,以及,依据所述比例系数,确定出所述第一会话文本数据对应的对比分析数据,并将该对比分析数据作为所述第一会话文本数据对应的匹配分析数据,所述对比分析数据和所述比例系数负相关。
5.如权利要求1-4任意一项所述的基于人工智能的数字金融产品会话交互方法,其特征在于,所述数字金融产品会话交互方法还包括:
抽选出目标典型会话文本簇,所述目标典型会话文本簇包括的目标典型会话文本数据在总的典型会话文本簇中抽选出;
分别对所述目标典型会话文本簇中的每一个目标典型会话文本数据进行加载处理,以加载至经过优化处理的关键信息挖掘网络和需要优化处理的候选关键信息挖掘网络中进行关键信息挖掘操作,以输出每一个所述目标典型会话文本数据对应的第一典型关键信息向量和每一个所述目标典型会话文本数据对应的第二典型关键信息向量,所述候选关键信息挖掘网络基于所述经过优化处理的关键信息挖掘网络的网络参数进行构建以形成;
分析出每一个所述目标典型会话文本数据对应的第一典型关键信息向量之间的匹配参数,形成第一典型匹配参数簇;
分析出每一个所述目标典型会话文本数据对应的第二典型关键信息向量之间的匹配参数,形成第二典型匹配参数簇;
确定出所述第二典型匹配参数簇和所述第一典型匹配参数簇之间的区别表征参数,并依据所述区别表征参数,对所述需要优化处理的候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络。
6.如权利要求5所述的基于人工智能的数字金融产品会话交互方法,其特征在于,所述分析出每一个所述目标典型会话文本数据对应的第一典型关键信息向量之间的匹配参数,形成第一典型匹配参数簇的步骤,包括:
依据每一个所述目标典型会话文本数据对应的第一典型关键信息向量,构建出第一典型向量分布阵列,以及,对所述第一典型向量分布阵列进行参数映射操作,以形成对应的映射第一典型向量分布阵列;
对所述映射第一典型向量分布阵列进行参数的行列对换操作,以形成对应的对换第一典型向量分布阵列;
对所述对换第一典型向量分布阵列和所述映射第一典型向量分布阵列进行相乘运算,以形成对应的第一典型匹配参数簇。
7.如权利要求5所述的基于人工智能的数字金融产品会话交互方法,其特征在于,所述分析出每一个所述目标典型会话文本数据对应的第二典型关键信息向量之间的匹配参数,形成第二典型匹配参数簇的步骤,包括:
依据每一个所述目标典型会话文本数据对应的第二典型关键信息向量构建出第二典型向量分布阵列,以及,对所述第二典型向量分布阵列进行参数映射操作,以形成对应的映射第二典型向量分布阵列;
对所述映射第二典型向量分布阵列进行参数的行列对换操作,以形成对应的对换第二典型向量分布阵列;
对所述对换第二典型向量分布阵列和所述映射第二典型向量分布阵列行相乘运算,以形成对应的第二典型匹配参数簇。
8.如权利要求5所述的基于人工智能的数字金融产品会话交互方法,其特征在于,所述确定出所述第二典型匹配参数簇和所述第一典型匹配参数簇之间的区别表征参数,并依据所述区别表征参数,对所述需要优化处理的候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络的步骤,包括:
确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇之间的标准差值信息,以形成对应的典型数据学习代价指标,以及,对所述典型数据学习代价指标进行标记操作,以标记为对应的区别表征参数;
依据所述区别表征参数,对所述候选关键信息挖掘网络包括的网络参数进行优化调整操作,以形成调整后的关键信息挖掘网络;
对调整后的关键信息挖掘网络进行标记操作,以标记为新的需要优化处理的候选关键信息挖掘网络;
回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络;
其中,所述确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇之间的标准差值信息,以形成对应的典型数据学习代价指标,以及,对所述典型数据学习代价指标进行标记操作,以标记为对应的区别表征参数的步骤,包括:
确定出所述第二典型匹配参数簇与所述第一典型匹配参数簇的之间的标准差值信息,以形成对应的典型数据学习代价指标;
确定出所述目标典型会话文本簇包括的目标典型会话文本数据的目标典型文本数目,以及,对所述典型数据学习代价指标和所述目标典型文本数目进行比例计算,以形成对应的代表典型数据学习代价指标;
提取到预先确定的目标均衡权重系数,以及,依据所述目标均衡权重系数将所述代表典型数据学习代价指标进行均衡操作,形成均衡典型数据学习代价指标,所述目标均衡权重系数用于维持所述典型数据学习代价指标和异常分析学习代价指标之间的均衡;
确定出所述需要优化处理的候选关键信息挖掘网络对应的异常分析学习代价指标,以及,将所述异常分析学习代价指标和所述均衡典型数据学习代价指标之间的叠加结果作为对应的区别表征参数,所述异常分析学习代价指标基于所述需要优化处理的候选关键信息挖掘网络挖掘出的第二典型关键信息向量进行异常分析操作得到的异常分析结果以得到。
9.如权利要求5所述的基于人工智能的数字金融产品会话交互方法,其特征在于,所述目标典型会话文本簇包括多个典型会话文本组合,所述典型会话文本组合包括相关典型会话文本组合和非相关典型会话文本组合,所述相关典型会话文本组合包括两个目标典型会话文本,该两个目标典型会话文本之间的文本相关度大于参考文本相关度,所述非相关典型会话文本组合包括两个目标典型会话文本,该两个目标典型会话文本之间的文本相关度小于所述参考文本相关度,所述相关典型会话文本组合和所述非相关典型会话文本组合部分重合;
所述基于人工智能的数字金融产品会话交互方法还包括:
对每一个所述典型会话文本组合进行加载,以加载至经过优化处理的关键信息挖掘网络和需要优化处理的候选关键信息挖掘网络中进行关键信息挖掘操作,以输出每一个所述典型会话文本组合对应的第一典型关键信息向量组合和每一个所述典型会话文本组合对应的第二典型关键信息向量组合;
依据所述第一典型关键信息向量组合和所述第二典型关键信息向量组合进行组合学习代价指标的确定操作,以输出对应的组合学习代价指标;
依据所述组合学习代价指标,对所述候选关键信息挖掘网络进行网络优化操作,回转执行所述抽选出目标典型会话文本簇的步骤,并在确定完成网络优化操作之后,对当前的所述需要优化处理的候选关键信息挖掘网络进行标记操作,以标记为优化关键信息挖掘网络。
10.一种基于人工智能的数字金融产品会话交互系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355918.7A CN116361440A (zh) | 2023-04-06 | 2023-04-06 | 基于人工智能的数字金融产品会话交互方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310355918.7A CN116361440A (zh) | 2023-04-06 | 2023-04-06 | 基于人工智能的数字金融产品会话交互方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116361440A true CN116361440A (zh) | 2023-06-30 |
Family
ID=86937035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310355918.7A Withdrawn CN116361440A (zh) | 2023-04-06 | 2023-04-06 | 基于人工智能的数字金融产品会话交互方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116361440A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112628A (zh) * | 2023-09-08 | 2023-11-24 | 廊坊丛林科技有限公司 | 一种物流数据的更新方法及系统 |
-
2023
- 2023-04-06 CN CN202310355918.7A patent/CN116361440A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112628A (zh) * | 2023-09-08 | 2023-11-24 | 廊坊丛林科技有限公司 | 一种物流数据的更新方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859960B (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
US20220207352A1 (en) | Methods and systems for generating recommendations for counterfactual explanations of computer alerts that are automatically detected by a machine learning algorithm | |
EP4322031A1 (en) | Recommendation method, recommendation model training method, and related product | |
CN115718846B (zh) | 用于智能化交互网络的大数据挖掘方法及系统 | |
CN116361440A (zh) | 基于人工智能的数字金融产品会话交互方法及系统 | |
CN114328277A (zh) | 一种软件缺陷预测和质量分析方法、装置、设备及介质 | |
CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
CN115145812A (zh) | 测试用例生成方法、装置、电子设备和存储介质 | |
CN116303963A (zh) | 智慧ai平台的用户反馈分析方法及系统 | |
CN115730659A (zh) | 应用于ai的车辆安全分析方法及系统 | |
CN115687980A (zh) | 数据表的脱敏分类方法、分类模型训练方法及装置 | |
CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN114417739A (zh) | 一种异常工况的工艺参数推荐方法及装置 | |
CN116541792A (zh) | 一种基于图神经网络节点分类进行团伙识别的方法 | |
CN110728118B (zh) | 跨数据平台的数据处理方法、装置、设备及存储介质 | |
CN116720119A (zh) | 应用于多端业务交互的大数据识别方法及系统 | |
CN115934484B (zh) | 基于扩散模型数据增强的异常检测方法、存储介质及设备 | |
CN112688897A (zh) | 一种流量识别的方法、装置、存储介质及电子设备 | |
CN110782117A (zh) | 驾驶风险检测方法及装置、存储介质、电子设备 | |
CN116414832A (zh) | 一种基于bim与人工智能的数据档案存储方法及系统 | |
CN116032726A (zh) | 故障根因定位模型训练方法、装置、设备及可读存储介质 | |
CN115640378A (zh) | 工单检索方法、服务器、介质及产品 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 |
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 |
Application publication date: 20230630 |
|
WW01 | Invention patent application withdrawn after publication |