CN116562279A - 客户属性识别方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种客户属性识别方法，涉及人工智能领域。该方法包括：将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值，所述客户信息来自跨行汇款报文中的异常客户信息；若所述概率值小于第一阈值，将所述客户信息输入分类模型，获得第二属性识别结果；若所述第一属性识别结果与所述第二属性识别结果不一致，将所述客户信息输入专家规则模型；利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别，所述至少一条专家规则与所述第一属性识别结果或所述第二属性识别结果相关联。本公开还提供了一种客户属性识别装置、设备、存储介质和程序产品。

Description

客户属性识别方法、装置、设备和介质

技术领域

本公开涉及人工智能领域，更具体地，涉及一种客户属性识别方法、装置、设备、介质和程序产品。

背景技术

在银行系统中，不同的银行间进行汇款操作时，通过跨行汇款报文来实现。其中，发出报文的银行叫做发报行，接收报文的银行叫做收报行。当收报行发现跨行汇款报文中收款人明显非本行账号时，需转人工处理，工作量大，处理效率低。

发明内容

鉴于上述问题，本公开提供了一种客户属性识别方法、装置、设备、介质和程序产品。

本公开实施例的一个方面，提供了一种客户属性识别方法，包括：将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值，所述客户信息来自跨行汇款报文中的异常客户信息；若所述概率值小于第一阈值，将所述客户信息输入分类模型，获得第二属性识别结果；若所述第一属性识别结果与所述第二属性识别结果不一致，将所述客户信息输入专家规则模型；利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别，所述至少一条专家规则与所述第一属性识别结果或所述第二属性识别结果相关联。

根据本公开的实施例，所述客户信息包括收款人户名，所述将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值包括：按照N个滑动窗口将所述收款人户名进行分词，得到N个分词结果，所述N个滑动窗口中任两个窗口的字节长度不同，N大于或等于2；对所述N个分词结果进行分类，获得所述第一属性识别结果及概率值。

根据本公开的实施例，所述将所述客户信息输入分类模型，获得第二属性识别结果包括：计算所述收款人户名与样本库中至少一条客户信息之间的相似度；获取所述相似度大于或等于第二阈值的至少一条目标客户信息；根据所述至少一条目标客户信息中各自的属性标签，确定所述第二属性识别结果。

根据本公开的实施例，所述利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别包括：确定客户信息中收款人户名的语言类型；在所述语言类型为非中文类型的情况下，输出所述第一属性识别结果。

根据本公开的实施例，在所述语言类型为中文类型的情况下，所述利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别包括：确认所述收款人户名的名称长度；在所述名称长度符合所述第一属性识别结果或所述第二属性识别结果时，输出对应的结果。

根据本公开的实施例，在所述语言类型为中文类型的情况下，所述利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别包括：对所述收款人户名进行分词，获得M个词语，M大于或等于1；根据所述客户属性对所述M个词语中每个词语标注词性；根据所述M个词语及每个词语的词性进行属性识别。

根据本公开的实施例，所述第一属性识别结果包括个人账户属性，在所述名称长度不符合所述第一属性识别结果时，所述根据所述M个词语及每个词语的词性进行属性识别包括：确定所述M个词语及每个词语的词性与所述个人账户属性的关联性；在所述M个词语及每个词语的词性与所述个人账户属性皆具有关联性的情况下，输出所述第一属性识别结果。

根据本公开的实施例，所述第一属性识别结果包括对公账户属性，在所述名称长度不符合所述第一属性识别结果时，所述根据所述M个词语及每个词语的词性进行属性识别包括：确定所述M个词语及每个词语的词性与所述对公账户属性的关联性；在所述M个词语及每个词语的词性与所述对公账户属性皆具有关联性的情况下，输出所述第一属性识别结果。

本公开实施例的另一方面提供了一种客户属性识别装置，包括：第一识别模块，用于将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值，所述客户信息来自跨行汇款报文中的异常客户信息；第二识别模块，用于若所述概率值小于第一阈值，将所述客户信息输入分类模型，获得第二属性识别结果；第三识别模块，用于若所述第一属性识别结果与所述第二属性识别结果不一致，将所述客户信息输入专家规则模型；专家规则模块，用于利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别，所述至少一条专家规则与所述第一属性识别结果或所述第二属性识别结果相关联。

所述装置包括分别用于执行如上所述任意一项所述的方法的各个步骤的模块。

本公开实施例的另一方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行如上所述的方法。

本公开实施例的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的方法。

本公开实施例的另一方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上所述的方法。

上述一个或多个实施例具有如下有益效果：结合多个模型的功能和优点对客户信息进行自动识别，并进一步根据多个模型之间的识别结果相互印证，具有较高的自动化程度和准确率，能够克服客户信息所蕴含的信息较少，单一模型可能识别准确率较低的问题。并且，自动化识别客户属性能够持续降低银行运营成本，有效释放人力，且进一步提升处理效率，满足处理时效要求。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的客户属性识别方法的应用场景图；

图2示意性示出了根据本公开实施例的跨行收报处理的流程图；

图3示意性示出了根据本公开实施例的客户属性识别方法的流程图；

图4示意性示出了根据本公开实施例的获得第一属性识别结果及概率值的流程图；

图5示意性示出了根据本公开实施例的获得第二属性识别结果的流程图；

图6示意性示出了根据本公开实施例的利用K最近邻算法进行分类的流程图。

图7示意性示出了根据本公开另一实施例的客户属性识别方法的流程图；

图8示意性示出了根据本公开另一实施例的客户属性识别方法的流程图；

图9示意性示出了根据本公开实施例的客户属性识别装置的结构框图；以及

图10示意性示出了根据本公开实施例的适于实现客户属性识别方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开涉及的客户属性识别方法、装置、设备、介质和程序产品可用于金融领域在跨行交易中的收款人属性识别，也可用于除金融领域之外的任意领域进行客户属性识别，本公开对应用领域不做限定。

图1示意性示出了根据本公开实施例的客户属性识别方法的应用场景图，但本公开并不限于此。其中，银行端指商业银行端，人行端指中央银行端，跨行业务包括在两家不同的银行之间进行交互的金融业务。

如图1所示，根据该实施例的应用场景100可以包括终端设备111、112、113，网络120，第一服务器130和第二服务器140。网络120用以在终端设备111、112、113和第一服务器130之间提供通信链路的介质。网络120还可以用以在各个服务器之间提供通信链路的介质。网络120可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备111、112、113通过网络120与第一服务器130交互，以接收或发送消息等。终端设备111、112、113上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备111、112、113可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

第一服务器130或第二服务器140可以是提供各种服务的服务器，例如对用户利用终端设备111、112、113所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的跨行收报处理的流程图。

参照图2，该实施例的跨行收报处理包括操作S201～操作S212，可以由第一服务器130执行。

在操作S201，跨行收报，例如两个银行间进行跨行业务，如跨行汇款业务时，发报行向人行端的第二服务器140发送跨行汇款报文，第二服务器140将跨行汇款报文发送至收报行的第一服务器130。

在操作S202，对跨行报文的业务类型进行识别。例如确定跨行报文中的一个或多个报文字段信息。基于该些字段信息，确定业务类型，以便执行与业务类型相匹配的业务流程。

在操作S203，当业务类型为跨行汇款时(如图1中汇入款)，自动识别收款人账号，若系统识别落地原因为账号错，则执行操作S204。

在操作S204，进行客户属性识别。

在操作S205，当识别为对公账户属性时，进行小账号/短账号参数判断。小账号和短账号是银行为了方便企业客户使用银行服务(如网银)而设置的一种账号，小账号由银行自行分配，短账号由客户自行设置。

在操作S206，若未命中，则基于金额阈值进行判断，若本次汇款高于或低于金额阈值，则进行特定处理。

在操作S207，若命中，则自动入账。

在操作S208，执行高于金额阈值的特定处理操作。

在操作S209，执行低于金额阈值的特定处理操作。

在操作S210，当识别为个人账户属性时，则基于金额阈值进行判断，若本次汇款高于或低于金额阈值，则进行特定处理。

在操作S211，执行低于金额阈值的特定处理操作。

在操作S212，执行高于金额阈值的特定处理操作。

以下将基于图1和图2描述的内容，通过图2～图8对本公开实施例的客户属性识别方法进行详细描述。

图3示意性示出了根据本公开实施例的客户属性识别方法的流程图。

如图3所示，该实施例的客户属性识别方法包括操作S310～操作S350。

在操作S310，将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值，客户信息来自跨行汇款报文中的异常客户信息。

NLP(自然语言处理)是人工智能的一个领域，可用于文本数据的分类。自然语言处理模型可以包括有FastText模型、facebook开源的TastText和Test-CNN等。

示例性地，客户信息可以包括跨行汇款报文中的一个或多个字段，例如，转账人户名、转账人账号、收款人户名、收款人账号、报文备注、报文种类、业务类型、发报行标识或发报行名称等。异常客户信息可以包括非收报行的收款人账户(包括户名、账号等)，这样导致无法完成该笔转账汇款交易。异常客户信息还可以包括具有风险的转账人账户或收款人账户，可以使用现有技术中基于人工智能的风险识别模型来确定风险。

在操作S320，判断第一属性识别结果的概率值是否小于第一阈值。若是，则执行操作S330，若否，则执行操作S340。概率值可以在0～1之间，第一阈值可以灵活设定，例如0.9。

在操作S330，输出第一属性识别结果。

在操作S340，若概率值小于第一阈值，将客户信息输入分类模型，获得第二属性识别结果。

示例性地，客户属性可以包括对公账户属性和个人账户属性，第一属性识别结果或第二属性识别结果可以输出任一个识别结果及对应的概率值。因此，本公开实施例提供的自然语言处理模型、分类模型或下述专家规则模型可以是二分类模型。可以理解，客户属性还可以包括两个以上的属性，例如将对公账户和个人账户按照地域、转账金额、业务类别或发报行进一步细分类别。

其中，分类模型与自然语言处理模型所使用的算法不同，例如分类模型可以使用逻辑回归、贝叶斯、决策树、支持向量机、随机森林、或神经网络等算法实现。

由于银行的客户属性与其他分类场景(如情绪分类、生物分类、图像分类或表情分类等)不同，单纯的词分、关键词提取和分类难以准确识别，因此预先对分类模型与自然语言处理模型使用训练集进行训练，而训练集中可以包括多个训练样本，每个训练样本包括客户信息以及对应的客户属性标签。

在操作S350，判断第一属性识别结果与第二属性识别结果一致。若是，则执行操作S330，若否，则执行操作S360。

如果一致，则表明两个模型输出的结果是可靠的，因此可以直接输出第一属性识别结果。如果不一致，则需要进一步确认。

在操作S360，若第一属性识别结果与第二属性识别结果不一致，将客户信息输入专家规则模型。

示例性地，专家规则模型可以包括按照相关专家的客户属性识别经验固化出的关于客户信息的一条或多条专家规则，通过执行其中的规则来确定客户属性，具体而言，其能够在固化出已有规则的基础上实现推理功能，从而实现属性识别功能。

在操作S370，利用专家规则模型根据至少一条专家规则对客户信息进行属性识别，至少一条专家规则与第一属性识别结果或第二属性识别结果相关联。

示例性地，操作S370中利用专家规则模型对客户信息的处理，可以认为是对第一属性识别结果或第二属性识别结果的进一步印证，通过关联性规则确认属性结果的可靠性。在一些实施例中，专家规则模型对客户信息可以独立识别并输出识别结果。

相关联可以指每个属性识别结果与至少一条专家规则的映射关系，例如预先建立对公账户属性与一条或多条专家规则的映射关系，以及个人账户属性与一条或多条专家规则的映射关系。上述建立映射关系的逻辑是对应的客户属性符合关联的各条专家规则中的内容。各条专家规则可以使用正则表达式、判断条件代码语句if-else或循环语句等固化为计算机可以自动执行的编程语句。

在一些实施例中，例如跨行汇款报文中的收款人非收报行的本行账户，则可以获取报文中的转账汇款金额，比如A转给B的金额为1亿元。通过金额作为辅助手段，确认个人转账1亿元的概率较小。另外，可以获取与A或B相关联的其他报文，从报文中获取转账汇款金额和转账附言等客户信息，根据累计或历次金额大小和转账附言中的关键词进行属性识别。在另一些实施例中，还可以通过对收款人名称的语言类型、长度和各词语词性进行属性识别。

根据本公开的实施例，结合多个模型的功能和优点对客户信息进行自动识别，并进一步根据多个模型之间的识别结果相互印证，具有较高的自动化程度和准确率，能够克服客户信息所蕴含的信息较少，单一模型可能识别准确率较低的问题。并且，自动化识别客户属性能够持续降低银行运营成本，有效释放人力，且进一步提升处理效率满足处理时效要求。

图4示意性示出了根据本公开实施例的获得第一属性识别结果及概率值的流程图。

如图4所示，在操作S310获得第一属性识别结果及概率值包括操作S410～操作S420。客户信息包括收款人户名。

在操作S410，按照N个滑动窗口将收款人户名进行分词，得到N个分词结果，N个滑动窗口中任两个窗口的字节长度不同，N大于或等于2。

示例性地，基于每个滑动窗口按照收款人户名的文本顺序滑动分词。以N-gram举例，其是一种基于语言模型的算法，其基本思想是将本文内容按照字节顺序进行大小为N的滑动窗口操作，最终形成长度为N的字节片段顺序。

假定户名为X＝(“乾安县财政局社会保障基金专户”)，Yi为对应的字符粒度n-gram集合：

X＝(“乾安县财政局社会保障基金专户”)

Y1＝(“乾”“安”“县”“财”“政”“局”“社”“会”“保”“障”“基”“金”“专”“户”)

Y2＝(“乾安”“安县”“县财”“财政”“政局”“局社”“社会”“会保”“保障”“障基”“基金”“金专”“专户”)

Y3＝(“乾安县”“安县财”“县财政”“财政局”“政局社”“局社会”“社会保”“会保障”“保障基”“障基金”“基金专”，“金专户”)

与词袋模型的思想相比，N-gram的优点在于就算某个词语没有在语料库中没有出现过，仍然可以从字符级N-gram中构造单词的词向量。此外N-gram还可以让模型学习到局部单词顺序的部分信息，即可以理解为上下文信息，因此通过N-gram的方式关联相邻的几个词，这样可以让模型在训练的时候保持词序信息。

在操作S420，对N个分词结果进行分类，获得第一属性识别结果及概率值。

可以使用分层softmax对N个分词结果进行分类，(Hierarchical softmax)，主要思想是根据类别的频率构造霍夫曼树来代替标准softmax，通过分层softmax可以将复杂度从N降低到logN。

在一些实施例中，操作S410～操作S420可以通过FastText模型实现，其可以包括三层的神经网络，如输入层、银行层和输出层，输入层是文本的N-gram向量，隐藏层是一层word embedding，输出层是如上分层softmax分类器。

FastText模型可适用于类别特别多的文本分类问题，如果类别比较少的话(如二分类)，可能容易出现过拟合。根据本公开的实施例，后续利用分类模型和专家规则模型进一步印证，解决了FastText分类过程中由于过拟合问题导致的误判问题，有效的提升了模型识别准确率。一些实施例中，如果模型的输入数据仅包括收款人户名，则模型获得的信息不足，会影响识别准确率，后续利用分类模型和专家规则模型进一步印证，也能够提升模型识别准确率。

图5示意性示出了根据本公开实施例的获得第二属性识别结果的流程图。图6示意性示出了根据本公开实施例的利用K最近邻算法进行分类的流程图。

如图5所示，在操作S340获得第二属性识别结包括操作S510～操作S530。

在操作S510，计算收款人户名与样本库中至少一条客户信息之间的相似度。

示例性地，样本库中的每条客户信息可以包括原始信息和再加工信息，原始信息包括账号、户名和所属银行等，再加工信息包括转账特征等，其中转账特征包括转账时间特征、转账附言语义特征和转账金额区间特征等。转账时间特征根据对应客户的转账时间、每两次转账的间隔时间或转账次数中至少之一来确定，如该特征向量具有前12位，对应每月，转账的月份赋值为1，否则为0，其余位根据间隔时间或转账次数赋值。转账附言语义特征可以根据对应客户每次转账的附言进行语义特征提取获得。转账金额区间特征则根据一次或多次转账金额平均值所在的区间确定。

因此，可以从跨行汇款报文中提取和获得原始信息及再加工信息，若某个信息或特征未获取到则缺省处理，然后与至少一条客户信息进行相似度计算。

在一些实施例中，可能仅在跨行汇款报文中提取到收款人户名，为提高相似度计算的准确性，可以对收款人户名按照特定规则进行分词，并基于分词结果计算相似度。

示例性地，特定规则包括对公客户的命名规则，例如命名规则包括行政区划、行业、字号、经营特点名称和组织形式中至少之一。银行对公客户户名一般由行政区划名称、字号(两个以上汉字)、行业或经营特点、组织形式四部分组成，其中，跨省、自治区、直辖市经营的企业，其名称可以不含行政区划名称。另外，命名规则还可以根据法律法规和地方规定进行配置，还可以包括与各个行业特点相匹配的规则。

示例性地，相似度计算可以通过计算余弦相似度、欧几里得距离、皮尔逊相关系数或曼哈顿距离等方式实现。

在操作S520，获取相似度大于或等于第二阈值的至少一条目标客户信息。

相似度可以在0～1之间，第二阈值可以灵活设定，例如0.95。

在操作S530，根据至少一条目标客户信息中各自的属性标签，确定第二属性识别结果。

在一些实施例中，样本库中每条客户信息对应有预设的客户属性标签，可以将所有目标客户信息中数量最多的属性标签作为第二属性识别结果。

示例性地，可以使用聚类算法(如K-means算法)、K最近邻算法或支持向量机算法等在操作S510计算相似度。

在一些实施例中，以K最近邻算法举例，其基本原理是，存在一个样本数据集合，也称作样本集，并且样本集中每个数据都存在标签，即知晓样本集中每个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相近的分类标签。

参照图6，输入收款人户名(操作S610)。计算户名与样本库中各样本的文本相似度(操作S620)。按照相似度递增进行排序(操作S630)。通过交叉验证选取与当前户名相似度最优(即最大)的K个点(操作S640)。确定前K个点所在类别的出现概率(操作S650)。根据加权距离之和判断户名的属性结果(操作S660)。计算加权距离的过程为：先通过余弦相似度计算得到样本之间的距离值，根据交叉验证得到K值，取距离最近的K个元素，根据距离的远近，将K个数据用权重区别对待，预测结果与第n个数据的label相同的概率。

根据本公开的实施例，通过相似度的计算结果进行属性识别，能够对不同的对公账户或个人账户进行有效识别，比自然语言处理模型的处理速度更快，节省计算资源。

下面进一步以第一属性识别结果作为基准举例，阐述利用专家规则模型进行属性识别的过程。其中，专家规则包括语言类型规则、名称长度规则和词语词性规则中至少之一。

在一些实施例中，利用专家规则模型根据至少一条专家规则对客户信息进行属性识别包括利用语言类型规则进行识别，具体包括确定客户信息中收款人户名的语言类型。以及在语言类型为非中文类型的情况下，输出第一属性识别结果。

例如首先根据正则表达式区分是否英文名，如果是英文户名，以第一属性识别结果作为最终判别结果。

根据本公开的实施例，英文等非中文语言的户名可能相对中文户名比例较小，且户名特点较为固定，自然语言处理模型输出的结果是可信的，从而可以节省后续的专家规则模型识别步骤，提高识别速度，减少计算资源。

在一些实施例中，在语言类型为中文类型的情况下，利用专家规则模型根据至少一条专家规则对客户信息进行属性识别包括利用名称长度规则进行识别，具体包括确认收款人户名的名称长度。以及在名称长度符合第一属性识别结果或第二属性识别结果时，输出对应的结果。

例如，如果为中文户名，先计算户名长度，根据从样本库中学习到的长度，对公户名长度一般在10个字节以上，而个人户名则一般在10个字节以下。可以理解，10个字节仅为示例，具体长度可以灵活设置。

根据本公开的实施例，通过简单的长度判定可以快速筛选出最终属性结果，有利于提供客户属性识别速度，降低识别复杂性。

在一些实施例中，在语言类型为中文类型的情况下，利用专家规则模型根据至少一条专家规则对客户信息进行属性识别包括利用词语词性规则进行识别，具体包括：

首先，对收款人户名进行分词，获得M个词语，M大于或等于1。可以使用如HanLP、LTP、Jieba等分词工具进行分词。HanLP是由一系列模型与算法组成的Java工具包。LTP是采用结构化感知器SP，用户可以使用这些工具对于中文文本进行分词、词性标注、句法分析等等工作。Jieba是基于Unigram+HMM，Python第三方中文分词库。

其次，根据客户属性对M个词语中每个词语标注词性。例如对每个词语标注对公账户属性或个人账户属性的一级词性，进一步地，还可以标注二级词性，如对公账户属性下的行政区划、行业、字号、经营特点名称和组织形式等，又如个人账户属性下的姓氏或名称等。对于一些词语可能会在对公账户和个人账户中同时出现，则标注两种属性的词性。

最后，根据M个词语及每个词语的词性进行属性识别。

根据本公开的实施例，根据具体的词语及其词性能够准确识别出客户属性，减小识别错误的概率。

在一些实施例中，第一属性识别结果包括个人账户属性，在名称长度不符合第一属性识别结果时，根据M个词语及每个词语的词性进行属性识别包括：确定M个词语及每个词语的词性与个人账户属性的关联性。在M个词语及每个词语的词性与个人账户属性皆具有关联性的情况下，输出第一属性识别结果。

其中，与个人账户属性的关联性包括词性与个人账户属性相同，或者与个人账户属性具有从属关系，例如姓氏和名称等。

在一些实施例中，第一属性识别结果包括对公账户属性，在名称长度不符合第一属性识别结果时，根据M个词语及每个词语的词性进行属性识别包括：确定M个词语及每个词语的词性与对公账户属性的关联性。在M个词语及每个词语的词性与对公账户属性皆具有关联性的情况下，输出第一属性识别结果。

其中，与对公账户属性的关联性包括词性与对公账户属性相同，或者与对公账户属性具有从属关系，例如行政区划、行业、字号、经营特点名称和组织形式等。

尤其说明，还可以将第二属性识别结果作为基准，执行如上语言类型规则、名称长度规则和词语词性规则中至少之一来进行属性识别。

图7示意性示出了根据本公开另一实施例的客户属性识别方法的流程图。

如图7所示，该实施例的客户属性识别方法包括操作S701～操作S711。

在操作S701，从跨行汇款报文中获得客户信息，其中至少包括收款人户名。

在操作S702，利用FastText模型处理收款人户名。

在操作S703，获得FastText模型返回的第一属性识别结果及概率值，即对公或个人的标签(MaxLabe1)和概率值(MaxKey)。

在操作S704，判断MaxKey是否大于0.95。

在操作S705，MaxKey大于0.95，则输出MaxLabel。

在操作S706，当Fasttext算法中分类结果的概率值低于0.95，则继续使用KNN模型(即K最近邻模型)进行文本分类。

在操作S707，返回第二属性识别结果，即对公或个人标签(K-Label)。

在操作S708，判断MaxLabel与K-Label是否一致。

在操作S709，若一致，则输出MaxLabel或K-Label。因为两个结果一致，输出哪个都可以。

在操作S710，如不一致，进行户名语言类型、长度判断及词性标注等专家规则的判断。

在操作S711，输出R-label。该R-label可以为MaxLabel与K-Label中的其中一个。

图8示意性示出了根据本公开另一实施例的客户属性识别方法的流程图。

如图8所示，该实施例以收款人户名“浙江兰溪天成置业有限公司”为例，客户属性识别方法包括操作S801～操作S817。

在操作S801，输入户名“浙江兰溪天成置业有限公司”至Fastest模型。

在操作S802，利用FastText模型处理收款人户名“浙江兰溪天成置业有限公司”。

在操作S803，获得FastText模型返回的第一属性识别结果及概率值，即MaxLabel为个人和MaxKey为0.65443。

在操作S804，判断MaxKey是否大于0.95。

在操作S805，MaxKey大于0.95，则输出MaxLabel。而操作S803输出的MaxKey为0.65443，故不执行该操作。

在操作S806，继续使用KNN模型(即K最近邻模型)对“浙江兰溪天成置业有限公司”进行文本分类。

在操作S807，KNN分类结果K-label＝0(对公)。

在操作S808，判断MaxLabel与K-Label是否一致。

在操作S809，若一致，则输出MaxLabel或K-Label。

在操作S810，若不一致，判断户名“浙江兰溪天成置业有限公司”为中文还是英文？

在操作S811，若是英文，则输出MaxLabel。

在操作S812，若是中文，则使用handlp进行分词得到集合W＝(浙江/ns兰/nbp溪/n天/n成/v置业/vn有限公司/nis)。

在操作S813，以MaxLabel为第一属性识别结果，

判断户名长度是否合理？

在操作S814，若MaxLabel为个人，长度不合理，则执行操作S815。若合理，则直接输出MaxLabel。

在操作S815，判断W中是否包含带有与公户名关联的词语：

ni-机构相关(非独立机构名称)、Nic-下属机构、Nis-机构后缀、Nit-教育相关机构、Nt-机构团体名、Ntc-公司名、Ntcb-银行、Ntcf-工厂、Ntch-酒店宾馆、Nth-医院、Nto-政府机构、Nts-中小学、Ntu-大学和Nz-其他专名等。

如包含上述词性，最终判别为对公。换言之，出现上述与公户名关联的词语，则并非每个词语的词性与个人账户属性皆具有关联性。“浙江兰溪天成置业有限公司”的MaxLabel为个人，长度不合理，且出现了机构后缀，故输出为对公。

在操作S816，若MaxLabel为对公，长度不合理，则执行操作S815。若合理，则直接输出MaxLabel。

在操作S817，判断W中是否包含带有个人户名相关词性的词语：

Nr-人名、Nrl-复姓和Nr2蒙古族姓名等。

如包含上述词性，且不包含带有对公户名相关词性的词语，则舍弃第一属性识别结果，最终判别为个人。

基于上述客户属性识别方法，本公开还提供了一种客户属性识别装置。以下将结合图9对该装置进行详细描述。

图9示意性示出了根据本公开实施例的客户属性识别装置的结构框图。

如图9所示，该实施例的客户属性识别装置900包括第一识别模块910、第二识别模块920、第三识别模块930和专家规则模块940。

第一识别模块910可以执行操作S310，用于将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值，客户信息来自跨行汇款报文中的异常客户信息。

在一些实施例中，第一识别模块910可以执行操作S410～操作S420，在此不再赘述。

第二识别模块920可以执行操作S340，用于若概率值小于第一阈值，将客户信息输入分类模型，获得第二属性识别结果。

在一些实施例中，第二识别模块920可以执行操作S5 10～操作S520，在此不再赘述。

第三识别模块930可以执行操作S360，用于若第一属性识别结果与第二属性识别结果不一致，将客户信息输入专家规则模型。

专家规则模块940可以执行操作S370，用于利用专家规则模型根据至少一条专家规则对客户信息进行属性识别，至少一条专家规则与第一属性识别结果或第二属性识别结果相关联。

在一些实施例中，专家规则模块940可以用于确定客户信息中收款人户名的语言类型。在语言类型为非中文类型的情况下，输出第一属性识别结果。

在一些实施例中，专家规则模块940可以用于确认收款人户名的名称长度。在名称长度符合第一属性识别结果或第二属性识别结果时，输出对应的结果。

在一些实施例中，专家规则模块940可以用于对收款人户名进行分词，获得M个词语，M大于或等于1。根据客户属性对M个词语中每个词语标注词性。根据M个词语及每个词语的词性进行属性识别。

在一些实施例中，专家规则模块940可以用于确定M个词语及每个词语的词性与个人账户属性的关联性。在M个词语及每个词语的词性与个人账户属性皆具有关联性的情况下，输出第一属性识别结果。或，确定M个词语及每个词语的词性与对公账户属性的关联性。在M个词语及每个词语的词性与对公账户属性皆具有关联性的情况下，输出第一属性识别结果。

需要说明的是，客户属性识别装置900包括分别用于执行如上图2～图7描述的任意一个实施例的各个步骤的模块。装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

根据本公开的实施例，第一识别模块910、第二识别模块920、第三识别模块930和专家规则模块940中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。

根据本公开的实施例，第一识别模块91 0、第二识别模块920、第三识别模块930和专家规则模块940中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一识别模块910、第二识别模块920、第三识别模块930和专家规则模块940中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图10示意性示出了根据本公开实施例的适于实现客户属性识别方法的电子设备的方框图。

如图10所示，根据本公开实施例的电子设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1 005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006。包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007。包括硬盘等的存储部分1008。以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的。也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器1001执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (12)

1.一种客户属性识别方法，包括：

将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值，所述客户信息来自跨行汇款报文中的异常客户信息；

若所述概率值小于第一阈值，将所述客户信息输入分类模型，获得第二属性识别结果；

若所述第一属性识别结果与所述第二属性识别结果不一致，将所述客户信息输入专家规则模型；

利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别，所述至少一条专家规则与所述第一属性识别结果或所述第二属性识别结果相关联。

2.根据权利要求1所述的方法，其中，所述客户信息包括收款人户名，所述将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值包括：

按照N个滑动窗口将所述收款人户名进行分词，得到N个分词结果，所述N个滑动窗口中任两个窗口的字节长度不同，N大于或等于2；

对所述N个分词结果进行分类，获得所述第一属性识别结果及概率值。

3.根据权利要求2所述的方法，其中，所述将所述客户信息输入分类模型，获得第二属性识别结果包括：

计算所述收款人户名与样本库中至少一条客户信息之间的相似度；

获取所述相似度大于或等于第二阈值的至少一条目标客户信息；

根据所述至少一条目标客户信息中各自的属性标签，确定所述第二属性识别结果。

4.根据权利要求1～3中任一项所述的方法，其中，所述利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别包括：

确定客户信息中收款人户名的语言类型；

在所述语言类型为非中文类型的情况下，输出所述第一属性识别结果。

5.根据权利要求4所述的方法，其中，在所述语言类型为中文类型的情况下，所述利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别包括：

确认所述收款人户名的名称长度；

在所述名称长度符合所述第一属性识别结果或所述第二属性识别结果时，输出对应的结果。

6.根据权利要求5所述的方法，其中，在所述语言类型为中文类型的情况下，所述利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别包括：

对所述收款人户名进行分词，获得M个词语，M大于或等于1；

根据所述客户属性对所述M个词语中每个词语标注词性；

根据所述M个词语及每个词语的词性进行属性识别。

7.根据权利要求6所述的方法，其中，所述第一属性识别结果包括个人账户属性，在所述名称长度不符合所述第一属性识别结果时，所述根据所述M个词语及每个词语的词性进行属性识别包括：

确定所述M个词语及每个词语的词性与所述个人账户属性的关联性；

在所述M个词语及每个词语的词性与所述个人账户属性皆具有关联性的情况下，输出所述第一属性识别结果。

8.根据权利要求6所述的方法，其中，所述第一属性识别结果包括对公账户属性，在所述名称长度不符合所述第一属性识别结果时，所述根据所述M个词语及每个词语的词性进行属性识别包括：

确定所述M个词语及每个词语的词性与所述对公账户属性的关联性；

在所述M个词语及每个词语的词性与所述对公账户属性皆具有关联性的情况下，输出所述第一属性识别结果。

9.一种客户属性识别装置，包括：

第一识别模块，用于将客户信息输入自然语言处理模型，获得第一属性识别结果及概率值，所述客户信息来自跨行汇款报文中的异常客户信息；

第二识别模块，用于若所述概率值小于第一阈值，将所述客户信息输入分类模型，获得第二属性识别结果；

第三识别模块，用于若所述第一属性识别结果与所述第二属性识别结果不一致，将所述客户信息输入专家规则模型；

专家规则模块，用于利用所述专家规则模型根据至少一条专家规则对所述客户信息进行属性识别，所述至少一条专家规则与所述第一属性识别结果或所述第二属性识别结果相关联。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～8中任一项所述的方法。

12.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～8中任一项所述的方法。