CN116484296A - 金融集资风险分析方法、装置、设备及存储介质 - Google Patents

金融集资风险分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116484296A
CN116484296A CN202310447645.9A CN202310447645A CN116484296A CN 116484296 A CN116484296 A CN 116484296A CN 202310447645 A CN202310447645 A CN 202310447645A CN 116484296 A CN116484296 A CN 116484296A
Authority
CN
China
Prior art keywords
vector
target
risk analysis
funded
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.)
Pending
Application number
CN202310447645.9A
Other languages
English (en)
Inventor
刘超
杨翰章
吴育人
庄伯金
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310447645.9A priority Critical patent/CN116484296A/zh
Publication of CN116484296A publication Critical patent/CN116484296A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415Classification 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/042Knowledge-based neural networks; Logical representations of neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术,揭露一种金融集资风险分析方法,包括:对集资数据进行缺失值填充及数据清洗,得到目标集资数据;基于目标集资数据中的申请号及相关属性信息作为节点构建图谱,得到初始集资子图;筛选历史集资子图集中包含初始集资子图任意节点的历史集资子图;将所有筛选的历史集资子图与初始集资子图基于相同节点进行连接,得到目标子图;将目标子图进行量化编码,得到目标子图向量;基于预构建的风险分析模型及目标子图向量进行风险分析,得到分析结果。本发明还涉及一种区块链技术,所述目标子图可以存储在区块链节点中。本发明还提出一种金融集资风险分析装置、设备以及介质。本发明可以提高金融集资风险分析的准确率。

Description

金融集资风险分析方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术,尤其涉及一种金融集资风险分析方法、装置、电子设备及存储介质。
背景技术
随着金融科技发展的日新月异,欺诈分子的手段和技术不断迭代更新,为了进行集资反欺诈识别,需要对金融集资进行风险分析,以识别集资的欺诈风险。
当前的金融集资风险分析,只利用当前业务的集资业务数据进行分析,数据维度单一,导致金融集资风险分析的准确性较低。
发明内容
本发明提供一种金融集资风险分析方法、装置、电子设备及存储介质,其主要目的在于提高了金融集资风险分析的准确性。
接收集资数据及历史集资子图集,对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据;
提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点,得到初始集资子图;
筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;
将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;
将所述目标子图进行量化编码,得到目标子图向量;
基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果。
可选地,所述将所述目标子图进行量化编码,得到目标子图向量,包括:
将所述目标子图输入预设的图神经网络,提取所述图神经网络中最后一层全连接层所有节点的输出值,并将提取的所有输出值按照对应的节点在所述全连接层中的顺序进行组合,得到所述目标子图向量。
可选地,所述将所述目标子图进行量化编码,得到目标子图向量,包括:
提取所述目标子图中预设类型的子图特征;
将所述子图特征转化为向量,得到子图特征向量;
将预设的专家风险评估规则转化为向量,得到规则向量;
将所述目标子图转化为向量,得到所述子图向量;
将所述子图特征向量、所述规则向量及所述子图向量进行向量融合,得到所述目标子图向量。
可选地,所述基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果,包括:
利用所述风险分析模型对所述目标子图向量进行特征提取,得到预设分析类别的风险分析特征值;
利用预设的分类函数对所述预设分析类别的风险分析特征值进行归一化,得到该预设分析类别的分类概率值;
基于所述分类概率值对所有所述预设分析类别进行筛选,得到所述分析结果。
可选地,所述利用所述风险分析模型对所述目标子图向量进行特征提取,得到预设分析类别的风险分析特征值,包括:
将所述目标子图向量输入所述风险分析模型,提取所述风险分析模型中最后一层全连接层每个输出节点的输出值,得到所述风险分析值,其中,所述风险分析模型中最后一层全连接层每个输出节点与所述预设分析类别一一对应。
可选地,所述对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据,包括:
对所述集资数据进行缺失值填充,得到第一集资数据;
对所述第一标准集资数据进行异常值删除,得到目标集资数据。
为了解决上述问题,本发明还提供一种金融集资风险分析装置,所述装置包括:
数据接收模块,用于接收集资数据及历史集资子图集,对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据;
子图构建关联模块,用于提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点,得到初始集资子图;筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;
风险分析模块,用于将所述目标子图进行量化编码,得到目标子图向量;基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果。
可选地,所述将所述目标子图进行量化编码,得到目标子图向量,包括:
提取所述目标子图中预设类型的子图特征;
将所述子图特征转化为向量,得到子图特征向量;
将预设的专家风险评估规则转化为向量,得到规则向量;
将所述目标子图转化为向量,得到所述子图向量;
将所述子图特征向量、所述规则向量及所述子图向量进行向量融合,得到所述目标子图向量。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的金融集资风险分析方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的金融集资风险分析方法。
本发明实施例筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;将所述目标子图进行量化编码,得到目标子图向量;基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果,和历史集资子图进行关联,结合了历史数据进行综合的风险分析,数据分析的维度更多,涵盖的范围更广,进而提高了金融集资风险分析的准确率,因此本发明实施例提出的金融集资风险分析方法、装置、电子设备及可读存储介质提高了金融集资风险分析的准确率。
附图说明
图1为本发明一实施例提供的金融集资风险分析方法的流程示意图;
图2为本发明一实施例提供的金融集资风险分析装置的模块示意图;
图3为本发明一实施例提供的实现金融集资风险分析方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种金融集资风险分析方法。所述金融集资风险分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述金融集资风险分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的金融集资风险分析方法的流程示意图,在本发明实施例中,所述金融集资风险分析方法包括以下步骤:
S1、接收集资数据及历史集资子图集,对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据;
本发明实施例中所述集资数据为需要集资的业务数据,所述历史集资子图集为不同历史集资子图的集合,所述历史集资子图为历史集资数据对应构建的图谱。
进一步地,本发明实施例中所述集资数据中存在数据不标准的情况,为了将所述集资数据进行数据标准化,因此,对所述集资数据进行缺失值填充及数据清洗,得到所述目标集资数据。
详细地,本发明实施例中所述对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据,包括:
对所述集资数据进行缺失值填充,得到第一集资数据;
对所述第一标准集资数据进行异常值删除,得到目标集资数据。
本发明实施例中缺失值填充及异常值删除均使用本领域常用的方法,在此不在赘述。
进一步地,本发明实施例中所述接收集资数据及历史集资子图集之前,所述方法还包括:
获取历史集资数据集,对所述历史集资数据集中的所有历史集资数据进行数据预处理,得到初始历史集资数据;
将每个所述历史集资数据中的申请号确认为目标申请号;
将所有所述初始历史集资数据合并,得到目标历史集资数据;
提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点以构建图谱,得到历史集资图谱;
切分所述历史集资图谱中每个目标申请号对应节点的最大连通子图,得到所述历史集资子图,汇总所有所述历史集资子图,得到所述历史集资子图集。
本发明实施例中将所述目标申请号作为索引以构建不同类型的属性信息的倒排索引表。
S2、提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点,得到初始集资子图;
本发明实施例中提取所述目标集资数据中的申请号及预设类型的属性信息作为节点时,为了保证属性信息的标准化,还需要对部分属性信息进行解析,如:所述属性信息为GPS信息,那么还需要对GPS信息进行编码,并将编码结果作为最终的属性信息;同时为了便于节点比对,构建将目标集资数据中申请号及预设类型的属性信息前述倒排索引表中。
例如:申请号为:001,申请号对应的申请单位,即属性信息为:某某公司,将“001”及“某某公司”作为两个节点,将属性关系:申请号对应的申请单位作为关联边连接两个节点。
S3、筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;
本发明实施例中为了筛选与所述初始集资子图存在关联关系的历史集资子图,筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图。
S4、将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;
本发明实施例中所述将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图,包括:
将所述初始集资子图与每一个筛选子图的相同节点间进行连接,得到所述目标子图。
S5、将所述目标子图进行量化编码,得到目标子图向量;
本发明实施例中为了更好的表征所述目标子图的特征,将所述目标子图进行量化编码,得到目标子图向量。
详细地,本发明实施例中所述将所述目标子图进行量化编码,得到所述目标子图向量,包括:
将所述目标子图输入预设的图神经网络,提取所述图神经网络中最后一层全连接层所有节点的输出值,并将提取的所有输出值按照对应的节点在所述全连接层中的顺序进行组合,得到所述目标子图向量。
进一步地,本发明另一实施例中所述将所述目标子图进行量化编码,得到目标子图向量,包括:
提取所述目标子图中预设类型的子图特征;
将所述子图特征转化为向量,得到子图特征向量;
将预设的专家风险评估规则转化为向量,得到规则向量;
将所述目标子图转化为向量,得到所述子图向量;
将所述子图特征向量、所述规则向量及所述子图向量进行向量融合,得到所述目标子图向量。
具体地,本发明实施例中所述预设类型的子图特征为:子图节点个数及各类边的个数及子图中最大的节点中心性;所述专家风险评估规则为:存在手机号相同边的节点占比>a且包含已知风险节点的子图、仅有设备号相同边的节点占比<b且包含已知风险节点的子图、业务员最大处理案件数>=k件的子图、业务员最大放款件数>=t,人均放款>=n,且业务员超m%的进件量来自该子图,其中,参数a、b、k、t、n、m为预设的专家根据业务预设的规则参数,本发明实施例对此不做限制。
进一步地,本发明实施例中向量转化可利用深度学习模型(如bert模型)、向量转化算法(如独热算法)等将子图特征及专家风险评估规则转化为向量,本发明实施例对此不做限制。
S6、基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果。
本发明实施例中为了判断所述集资数据对应的集资业务欺诈风险为高风险或低风险,因此,基于预构建的风险分析模型及所述目标子图向量进行风险分析,以判断所述集资数据对应的风险类别,具体地,本发明实施例中所述风险分析模型为bert模型。
本发明实施例中基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果,包括:
利用所述风险分析模型对所述目标子图向量进行特征提取,得到预设分析类别的风险分析特征值;
利用预设的分类函数对所述预设分析类别的风险分析特征值进行归一化,得到该预设分析类别的分类概率值;
基于所述分类概率值对所有所述预设分析类别进行筛选,得到所述分析结果。
具体地,本发明实施例中利用所述风险分析模型对所述目标子图向量进行特征提取,得到预设分析类别的风险分析特征值,包括:
将所述目标子图向量输入所述风险分析模型,提取所述风险分析模型中最后一层全连接层每个输出节点的输出值,得到所述风险分析值,其中,所述风险分析模型中最后一层全连接层每个输出节点与所述预设分析类别一一对应。
进一步地,本发明实施例中基于所述分类概率值对所有所述预设分析类别进行筛选,得到所述分析结果。
筛选所有所述分类概率值中的最大值,得到目标分类概率值;
将所述目标分类概率值对应的预设分析类别确定为所述分析结果。
如图2所示,是本发明金融集资风险分析装置的功能模块图。
本发明所述金融集资风险分析装置100可以安装于电子设备中。根据实现的功能,所述金融集资风险分析装置可以包括数据接收模块101、子图构建关联模块102、风险分析模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据接收模块101用于接收集资数据及历史集资子图集,对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据;
所述子图构建关联模块102用于提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点,得到初始集资子图;筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;
所述风险分析模块103用于将所述目标子图进行量化编码,得到目标子图向量;基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果。
详细地,本发明实施例中所述金融集资风险分析装置100中所述的各模块在使用时采用与上述图1中所述的金融集资风险分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现金融集资风险分析方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如金融集资风险分析程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如金融集资风险分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如金融集资风险分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(PerIPheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的金融集资风险分析程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
接收集资数据及历史集资子图集,对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据;
提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点,得到初始集资子图;
筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;
将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;
将所述目标子图进行量化编码,得到目标子图向量;
基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
接收集资数据及历史集资子图集,对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据;
提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点,得到初始集资子图;
筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;
将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;
将所述目标子图进行量化编码,得到目标子图向量;
基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
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(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种金融集资风险分析方法,其特征在于,所述方法包括:
接收集资数据及历史集资子图集,对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据;
提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点,得到初始集资子图;
筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;
将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;
将所述目标子图进行量化编码,得到目标子图向量;
基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果。
2.如权利要求1所述的金融集资风险分析方法,其特征在于,所述将所述目标子图进行量化编码,得到目标子图向量,包括:
将所述目标子图输入预设的图神经网络,提取所述图神经网络中最后一层全连接层所有节点的输出值,并将提取的所有输出值按照对应的节点在所述全连接层中的顺序进行组合,得到所述目标子图向量。
3.如权利要求1所述的金融集资风险分析方法,其特征在于,所述将所述目标子图进行量化编码,得到目标子图向量,包括:
提取所述目标子图中预设类型的子图特征;
将所述子图特征转化为向量,得到子图特征向量;
将预设的专家风险评估规则转化为向量,得到规则向量;
将所述目标子图转化为向量,得到所述子图向量;
将所述子图特征向量、所述规则向量及所述子图向量进行向量融合,得到所述目标子图向量。
4.如权利要求1中所述的金融集资风险分析方法,其特征在于,所述基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果,包括:
利用所述风险分析模型对所述目标子图向量进行特征提取,得到预设分析类别的风险分析特征值;
利用预设的分类函数对所述预设分析类别的风险分析特征值进行归一化,得到该预设分析类别的分类概率值;
基于所述分类概率值对所有所述预设分析类别进行筛选,得到所述分析结果。
5.如权利要求4所述的金融集资风险分析方法,其特征在于,所述利用所述风险分析模型对所述目标子图向量进行特征提取,得到预设分析类别的风险分析特征值,包括:
将所述目标子图向量输入所述风险分析模型,提取所述风险分析模型中最后一层全连接层每个输出节点的输出值,得到所述风险分析值,其中,所述风险分析模型中最后一层全连接层每个输出节点与所述预设分析类别一一对应。
6.如权利要1至5中任意一项所述的金融集资风险分析方法,其特征在于,所述对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据,包括:
对所述集资数据进行缺失值填充,得到第一集资数据;
对所述第一标准集资数据进行异常值删除,得到目标集资数据。
7.一种金融集资风险分析装置,其特征在于,包括:
数据接收模块,用于接收集资数据及历史集资子图集,对所述集资数据进行缺失值填充及数据清洗,得到目标集资数据;
子图构建关联模块,用于提取所述目标集资数据中的申请号及预设类型的属性信息作为节点,并提取所述目标集资数据中每两个属性信息之间的属性关系及每个属性信息与所述申请号之间的属性关系作为关联边连接所述节点,得到初始集资子图;筛选所述历史集资子图集中包含所述初始集资子图任意节点的历史集资子图,得到筛选子图;将所有所述筛选子图与所述初始集资子图基于相同节点进行连接,得到目标子图;
风险分析模块,用于将所述目标子图进行量化编码,得到目标子图向量;基于预构建的风险分析模型及所述目标子图向量进行风险分析,得到分析结果。
8.如权利要求7所述的金融集资风险分析装置,其特征在于,所述将所述目标子图进行量化编码,得到目标子图向量,包括:
提取所述目标子图中预设类型的子图特征;
将所述子图特征转化为向量,得到子图特征向量;
将预设的专家风险评估规则转化为向量,得到规则向量;
将所述目标子图转化为向量,得到所述子图向量;
将所述子图特征向量、所述规则向量及所述子图向量进行向量融合,得到所述目标子图向量。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的金融集资风险分析方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的金融集资风险分析方法。
CN202310447645.9A 2023-04-20 2023-04-20 金融集资风险分析方法、装置、设备及存储介质 Pending CN116484296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310447645.9A CN116484296A (zh) 2023-04-20 2023-04-20 金融集资风险分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310447645.9A CN116484296A (zh) 2023-04-20 2023-04-20 金融集资风险分析方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116484296A true CN116484296A (zh) 2023-07-25

Family

ID=87226411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310447645.9A Pending CN116484296A (zh) 2023-04-20 2023-04-20 金融集资风险分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116484296A (zh)

Similar Documents

Publication Publication Date Title
CN112541745B (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN113792089B (zh) 基于人工智能的非法行为检测方法、装置、设备及介质
CN113688923A (zh) 订单异常智能检测方法、装置、电子设备及存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN113516417A (zh) 基于智能建模的业务评估方法、装置、电子设备及介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113806434A (zh) 大数据处理方法、装置、设备及介质
CN115081538A (zh) 基于机器学习的客户关系识别方法、装置、设备及介质
CN114547696A (zh) 文件脱敏方法、装置、电子设备及存储介质
CN117333217A (zh) 基于模型训练的产品销量分析方法、装置、设备及介质
CN111460293B (zh) 信息推送方法、装置及计算机可读存储介质
CN116741358A (zh) 问诊挂号推荐方法、装置、设备及存储介质
CN116403693A (zh) 问诊单派单方法、装置、设备及存储介质
CN114996386A (zh) 业务角色识别方法、装置、设备及存储介质
CN113657546A (zh) 信息分类方法、装置、电子设备及可读存储介质
CN115081447A (zh) 软件开发的需求文档构建方法、装置、设备及存储介质
CN116484296A (zh) 金融集资风险分析方法、装置、设备及存储介质
CN114742412A (zh) 一种软件技术服务系统及方法
CN113312409B (zh) 任务监控方法、装置、电子设备及计算机可读存储介质
CN114202434B (zh) 基于优先算法的理赔方案生成方法、装置、设备及介质
CN114912818B (zh) 资产指标分析方法、装置、设备及存储介质
CN113362039A (zh) 业务审批方法、装置、电子设备及存储介质
CN115225489B (zh) 队列业务流量阈值动态控制方法、电子设备及存储介质
CN113936313B (zh) 网点员工账号外借检测方法、装置、设备及存储介质
CN116841737A (zh) 批处理任务分发方法、装置、设备及存储介质

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