CN116777639A - 案件风险评级方法、装置、计算机设备及存储介质 - Google Patents
案件风险评级方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116777639A CN116777639A CN202310692172.9A CN202310692172A CN116777639A CN 116777639 A CN116777639 A CN 116777639A CN 202310692172 A CN202310692172 A CN 202310692172A CN 116777639 A CN116777639 A CN 116777639A
- Authority
- CN
- China
- Prior art keywords
- case
- evaluated
- historical
- history
- attribute information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 68
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000024780 Urticaria Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于人工智能中的金融科技技术领域,涉及一种案件风险评级方法、装置、计算机设备及存储介质,方法包括:从历史本体图谱中获取历史案件属性信息和与历史案件属性信息对应的历史节点;获取与历史节点对应的待评估案件属性信息;基于历史节点、历史案件属性信息和待评估案件属性信息,构建待评估案件与所述历史案件间的关系图谱;根据预设的权重计算规则,计算得到待评估案件与历史案件的关联权重;将关联权重输入至案件风险评级模型中,得到待评估案件的风险等级。此外,本申请还涉及区块链技术,在案件风险评级过程中涉及到的数据可存储于区块链中,本申请能降低风险评级的误杀率,提高评价准确性。
Description
技术领域
本申请涉及人工智能中的金融科技技术领域,尤其涉及一种案件风险评级方法、装置、计算机设备及存储介质。
背景技术
在保险领域,如何发现风险案件,对风险案件进行拒赔或追偿从而降低理赔损失是一个非常重要的课题。目前保险市场上有许多隐藏的黑产客户,这部分带有欺诈性质的客户通过各种手段制造虚假案件、故意出险让保险公司蒙受了巨大的损失,所以在理赔端对这些风险案件进行有效识别并加以提醒和拦截就显得尤为重要。以个非车业务线为例,在理赔阶段,当一个客户报案时,理赔人员需根据该客户提交的各种材料单证录入相关案件信息,从海量的案件里面识别风险案件,这无疑是一项困难且复杂的工作。
现有技术中,通常采取借助算法进行建模方法来从海量的案件中识别风险案件,该方法具体是直接获取某个独立案件个体属性特征信息,并将个体特征信息输入至模型中进行训练并输出案件的风险等级,然而该方法可利用的案件信息较少,会损失一大部分外部信息,从而导致误杀率高,评价的准确率较低。
发明内容
本申请实施例的目的在于提出一种案件风险评级方法、装置、计算机设备及存储介质,以解决现有技术中案件风险评价误杀性高以及准确率较低的问题。
为了解决上述技术问题,本申请实施例提供一种案件风险评级方法,采用了如下所述的技术方案:
获取历史案件的历史本体图谱,从所述历史本体图谱中获取历史案件属性信息和与所述历史案件属性信息对应的历史节点;
获取待评估案件的基本信息,从所述基本信息中获取与所述历史节点相同的目标节点,并获取与所述目标节点对应的待评估案件属性信息;
基于所述历史节点、所述历史案件属性信息和所述待评估案件属性信息,构建所述待评估案件与所述历史案件间的关系图谱;
根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重;
将所述关联权重输入至案件风险评级模型中,得到所述待评估案件的风险等级。
进一步地,在所述获取待评估案件的基本信息,从所述基本信息中获取与所述历史节点相同的目标节点,并获取与所述目标节点对应的待评估案件属性信息的步骤之后,还包括:
基于所述目标节点和所述待评估案件属性信息,构建所述待评估案件的待评估本体图谱;
获取所述待评估本体图谱对应待评估数据,将所述待评估数据导入底层数据库中,所述底层数据库包含历史本体图谱对应的历史数据;
通过计算引擎访问底层数据库,将所述底层数据库中的所述待评估数据与所述历史数据加载到图谱数据库中。
进一步地,所述基于所述历史节点、所述历史案件属性信息和所述待评估案件属性信息,构建所述待评估案件与所述历史案件间的关系图谱的步骤,具体包括:
从所述待评估案件属性信息中获取与预设历史节点对应的待评估案件属性信息,作为第一待关联属性信息;
遍历所有的历史案件,从所述历史案件的历史案件属性信息中获取与所述预设历史节点对应的历史案件属性信息,作为第二待关联属性信息;
判读所述第二待关联属性信息与所述第一待关联属性信息是否一致;
若一致,则基于所述第二待关联属性信息对应的历史节点,将所述待评估案件与所述历史案件进行关联,得到所述待评估案件与所述历史案件的关系图谱。
进一步地,所述根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重的步骤,具体包括:
获取所述关系图谱中每个历史节点关联的历史案件个数;
将所述相关历史案件个数除以关系图谱中所有历史节点关联的历史案件个数,得到所述历史节点的频率信息;
基于所述历史节点的频率信息计算得到所述历史节点的权重信息;
对每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重。
进一步地,所述根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重的步骤,具体还包括:
基于余弦相似度算法对所述数值型属性信息进行相似度计算,得到第一初始关联权重;
基于Jaccard算法对所述类别型属性信息进行相似度计算,得到第二初始关联权重;
对所述第一初始关联权重和所述第二初始关联权重进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重。
进一步地,所述根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重的步骤,具体还包括:
基于Node2Vec算法,通过对关系图谱进行随机游走序列生成每个历史节点的特征向量;
基于所述特征向量,采用余弦相似度来计算所述每个历史节点的相似度,得到全历史节点相似度;
对所述全历史节点相似度进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重。
进一步地,在所述将所述关联权重输入至案件风险评级模型中,得到所述待评估案件的风险等级的步骤之前,还包括:
获取多个样本关系图谱,所述样本关系图谱用于表征样本待评估案件与样本历史案件之间的关联关系;
从所述多个样本关系图谱中提取样本关系图谱,根据预设的权重计算规则,获取所述样本关系图谱中每个样本历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到样本待评估案件与样本历史案件的样本关联权重;
将所述样本关联权重输入至初始风险评级模型中,得到样本待评估案件的预测风险分数;
计算所述预测风险分数与标准待评估案件风险分数之间的损失值,若所述损失值大于预设损失阈值,则调整所述初始风险评级模型的模型参数,并循环返回执行所述从多个样本关系图谱中提取样本关系图谱至本步骤,直至所述损失值小于或等于所述预设损失阈值,并将当前的风险评级模型作为训练好的所述案件风险评级模型。
为了解决上述技术问题,本申请实施例还提供一种案件风险评级装置,采用了如下所述的技术方案:
第一获取模型,用于获取历史案件的本体图谱,从所述本体图谱中获取历史案件属性信息和与所述历史案件属性信息对应的历史节点;
第二获取模块,获取待评估案件的基本信息,从所述基本信息中获取与所述历史节点相同的目标节点,并获取与所述目标节点对应的待评估案件属性信息;
构建模块,用于基于所述历史节点、所述历史案件属性信息和所述待评估案件属性信息,构建待评估案件与历史案件间的关系图谱;
计算模块,用于根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权计算,得到所述待评估案件与所述历史案件的关联权重;
评级模块,将所述关联权重输入至案件风险评级模型中,得到所述待评估案件的风险等级。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述的案件风险评级方法的步骤。
为了解决上述技术问题,本申请还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述的案件风险评级方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
通过从历史本体图谱中获取历史案件属性信息和与所述历史案件属性信息对应的历史节点,并获取与历史节点对应的待评估案件属性信息,然后基于历史节点、历史案件属性信息和待评估案件属性信息,构建待评估案件与历史案件间的关系图谱,以建立案件与案件之间的关联关系,再根据预设的权重计算规则,计算关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到待评估案件与所述历史案件的关联权重,最后将关联权重输入至案件风险评级模型中,得到待评估案件的风险等级。本申请的方案,在利用个体特征在进行独立建模的基础上,引入了案件之间的关联型数据,从而增加图模型可以利用的信息,起到数据增强、样本增强的效果,进而提高了风险评级的准确度。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,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他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的案件风险评级方法的一个实施例的流程图;
图3是图2中步骤S202之前的一种具体实施方式的流程图;
图4是图2中步骤S203的一种具体实施方式的流程图;
图5是图2中步骤S202的一种具体实施方式的流程图;
图6是根据本申请的案件风险评级装置的一个实施例的结构示意图;
图7是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103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、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的案件风险评级方法一般由服务器/终端设备执行,相应地,案件风险评级装置一般设置于服务器/终端设备中。
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。
继续参考图2,示出了根据本申请的案件风险评级的方法的一个实施例的流程图。所述的案件风险评级方法,包括以下步骤:
步骤S201,获取历史案件的历史本体图谱,从历史本体图谱中获取历史案件属性信息和与历史案件属性信息对应的历史节点。
本实施例中,每个历史案件对应于一个历史本体图谱,历史本体图谱存储在预设的底层数据库中,具体地,历史案件在报案理赔时,会获取历史案件属性信息,历史案件属性信息包括报案号、手机号码、保单号等等,根据以上实体信息,可以在预设投保记录数据库中查询该案件对应的历史节点,例如业务员、保险天数、投保人、被保人、保单号等等,然后基于历史节点的关联关系搭建历史本体图谱,并将历史本体图谱在底层数据库中,其中每个历史本体图谱中每个历史节点对应于一项历史案件属性信息。但当客户报案时,本实施例可以直接在历史本体图谱中调取历史案件属性信息以及与历史案件属性信息对应的历史节点。
步骤S202,获取待评估案件的基本信息,从基本信息中获取与历史节点相同的目标节点,并获取与目标节点对应的待评估案件属性信息。
本实施例中,以历史节点作为参照对待评估案件的待评估案件属性信息进行采集。在一具体实施例中,若历史节点为电话号码、报案号以及交易账号,而获取的待评估案件的基本信息包括投保人姓名,身份账号、电话号码、报案号以及交易账号等大量信息,那么此时可以根据历史节点信息,从基本信息中获取电话号码、报案号以及交易账号作为目标节点,并获取目标节点对应的待评估案件属性信息,以便后续计算待评估案件与历史案件的关联权重。
步骤S203,基于历史节点、历史案件属性信息和待评估案件属性信息,构建待评估案件与历史案件间的关系图谱。
本实施例中,具体在neo4j图谱数据库对待评估案件对应的数据和历史案件属性信息对应的数据根据历史节点关系转化得到相应的关系图谱,其中,关系图谱中包括若干历史节点,每个历史节点对应于一项待评估案件的属性信息和至少一项历史案件属性信息。本实施例通过历史节点、待评估案件属性信息以及历史案件属性信息构建待评估案件与历史案件之间的关系图谱,能够将根据待评估案件与历史案件共有的历史节点,将独立案件的二维表格数据转化为案件之间的链接数据,从而建立了案件与案件之间的关联型数据,为后续评级模型的输入提供更多的可利用的信息。
步骤S204,根据预设的权重计算规则,获取关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到待评估案件与历史案件的关联权重。
在本实施例中,针对关系网中待评估案件和每个与待评估案件相关联的历史案件,根据预先设置的权重计算规则,计算出每个历史节点对应的待评估案件与该历史案件的关联权重,作为该历史节点的权重信息,再对每个历史节点的权重信息进行加权平均计算,将计算的结果作为待评估案件与该历史案件的关联权重。
步骤S205,将关联权重输入至案件风险评级模型中,得到待评估案件的风险等级。
在本实例中,案件风险评级模型采用训练好的RGCN模型。
在本步骤中,通过将关联权重输入至RGCN模型中,获取历史案件的历史风险评分,基于历史风险评分,通过RGCN模型得到待评估案件的风险等级。
在实际应用中,当某一个案件需要评估时,金融机构(如银行等)需要先获取该案件的基本属性信息,在获取根据与该案件相关联的历史节点和历史案件属性信息,然后基于历史节点、历史案件属性信息和该案件属性信息,构建该案件与历史案件间的关系图谱,再根据预设的权重计算规则,计算关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到该案件与所述历史案件的关联权重,最后将关联权重输入至案件风险评级模型中,得到该案件的风险等级,从而帮助金融机构(如银行等)完成案件风险的评级,为最终理赔提供价值性参考。
本申请提供的技术方案,通过从历史本体图谱中获取历史案件属性信息和与所述历史案件属性信息对应的历史节点,并获取与历史节点对应的待评估案件属性信息,然后基于历史节点、历史案件属性信息和待评估案件属性信息,构建待评估案件与历史案件间的关系图谱,以建立案件与案件之间的关联关系,再根据预设的权重计算规则,计算关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到待评估案件与所述历史案件的关联权重,最后将关联权重输入至案件风险评级模型中,得到待评估案件的风险等级。本申请的方案,在利用个体特征在进行独立建模的基础上,引入了案件之间的关联型数据,从而增加图模型可以利用的信息,起到数据增强、样本增强的效果,进而提高了风险评级的准确度。
进一步地,在一些可选的实施方式中,如图3所示,图3为在图2中步骤S202之后的具体实施例方式的流程图,步骤S202之后,上述电子设备还可以执行以下步骤:
步骤S2011,基于目标节点和待评估案件属性信息,构建待评估案件的待评估本体图谱。
步骤S2012,获取待评估本体图谱对应待评估数据,将待评估数据导入底层数据库中,底层数据库包含历史本体图谱对应的历史数据。
步骤S2013,通过计算引擎访问底层数据库,将底层数据库中的待评估数据与历史数据加载到图谱数据库中。
在步骤S2011-S2013中,具体是基于待评估案件属性信息的关联关系建立待评估案件的待评估本体图谱,本体图谱中每个目标节点对应于待评估案件的一项案件属性信息。然后在待评估本体图谱中获取待评估案件对应的待评估数据,并将待评估数据导入底层数据库中,底层数据库为hive数据库,在底层数据库中通过hive建立待评估案件的节点表和关系表,其中底层数据库中包含依据历史本体图谱对应的数据建立的节点表和关系表。再通过计算引擎访问底层数据库,将待评估案件与历史案件的节点表和关系表加载进neo4j图谱数据中,以便在neo4j图数据中建立待评估案件与历史案件之间的链接关系。
进一步地,在一些可选的实现方式中,如图4所示,图4为图2中步骤203的一种具体实施例方式的流程图。上述电子设备执行的步骤203具体包括以下步骤:
步骤S2021,从所述待评估案件属性信息中获取与预设历史节点对应的待评估案件属性信息,作为第一待关联属性信息。
步骤S2022,遍历所有的历史案件,从所述历史案件的历史案件属性信息中获取与所述预设历史节点对应的历史案件属性信息,作为第二待关联属性信息。
步骤S2023,判读所述第二待关联属性信息与所述第一待关联属性信息是否一致。
步骤S2024,若一致,则基于所述第二待关联属性信息对应的历史节点,将所述待评估案件与所述历史案件进行关联,得到所述待评估案件与所述历史案件的关系图谱。
本实施例中,预设历史节点是从历史案件对应的历史节点中获取的具有代表性的关联节点,包括投保人、被保人、保单号、电话号码、交易账号以及业务员。具体地,本实施例从待评估案件属性信息中获取与预设历史节点对应的待评估属性信息,作为第一关联属性信息,再遍历所有的历史案件,从历史案件属性信息获取与第一关联属性信息一致的历史案件属性信息,将一致的历史案件属性信息对应的历史节点作为关联历史节点,通过关联历史节点将待评估案件与至少一个历史案件关联起来,得到关系图谱。
示例性地,在一以投保人电话号码和交易账号为关联节点的关系图谱中,假设N为待评估历史案件,N1、N2与N3为历史案件,若待评估案件N的投保人的电话号码为159XXXX0001,交易账号为22039XXXX0002,历史案件N1、N2对应的投保人的电话号码为159XXXX0001,历史案件N1、N3对应的交易账号为22039XXXX0002,则以投保人电话号码为一关联节点将待评估案件N与历史案件N1、N2进行关联,以交易账号为一关联节点将待评估案件与历史案件N1、N3进行关联。
本实施例中,通过遍历的方式建立待评估案件与所有历史案件之间的关系图谱的方式,能够建立待评估案件与历史案件之间的关联性,以便后续计算待评估案件与历史案件之间的关联权重。
进一步地,在一些可选的实现方式中,步骤S204具体包括以下步骤:
步骤S2031,获取关系图谱中每个历史节点关联的历史案件个数。
步骤S2032,将相关历史案件个数除以关系图谱中所有历史节点关联的历史案件个数,得到历史节点的频率信息。
步骤S2033,基于历史节点的频率信息计算得到历史节点的权重信息。
步骤S2034,对每个历史节点的权重信息进行加权平均计算,得到得到待评估案件与历史案件的关联权重。
具体地,在关系图谱中,每个历史节点关联待评估案件与至少一个历史案件,针对每个历史节点,将该历史节点关联的历史案件个数除以其他历史节点关联的历史案件个数,得到该历史节点的频率信息,基于频率信息确定该历史节点的权重信息,在获取每个节点权重信息之后,针对该历史节点对应的每一历史案件关联的历史节点,进行加权平均计算,得到该历史案件与待评估案件的关联权重。
进一步地,在一些可选的实现方式中,历史案件属性信息与待评估案件属性均包括数值型属性信息和类别型属性信息,步骤S204具体还包括以下步骤:
步骤S2041,基于余弦相似度算法对数值型属性信息进行相似度计算,得到第一初始关联权重。
步骤S2042,基于Jaccard算法对类别型属性信息进行相似度计算,得到第二初始关联权重。
步骤S2043,对第一初始关联权重和第二初始关联权重进行加权平均计算,得到待评估案件与历史案件的关联权重。
本实施例中,历史案件属性信息与待评估案件属性均包括数值型属性信息和类别型属性信息,分别获取关系图谱中待评估案件的对应的数值型属性信息和类别型属性信息、与待评估案件关联的历史案件的数值型信息和类别型属性信息。针对同种类的数值型属性信息采用余弦相似度法计算其相似度作为第一初始关联权重,并对各类数值型属性信息的相似度进行加权平均计算,得到第一初始关联权重,针对同种类的类别型属性信息采用Jaccard算法计算其相似度作为第二初始关联权重,并对所有各类类别型属性信息的相似度进行加权求和,得到第二初始关联权重,最后对第一初始关联权重和第二初始关联权重进行加权平均计算,得到待评估案件与历史案件的关联权重。
进一步地,在一些可选的实现方式中,步骤S204具体还包括以下步骤:
步骤S2051,基于Node2Vec算法,通过对关系图谱进行随机游走序列生成每个历史节点的特征向量。
步骤S2052,基于特征向量,采用余弦相似度来计算每个历史节点的相似度,得到全历史节点相似度。
步骤S2053,对全历史节点相似度进行加权平均计算,得到待评估案件与历史案件的关联权重。
具体地,本实施例是通过Node2Vec算法通过随机游走序列依次对每个节点进行随机采样,每次采样的结果不多于N个,N可以根据实际情况进行设定,然后按照采样顺序或者逆序的方式,依次将每一组采样结果均聚合至上一组采样结果中,直至全部采样结果完成聚合,得到历史节点的embedding向量,作为该节点的特征向量,图谱生成每个历史节点的特征向量,再基于余弦相似度算法计算每个历史节点的相似度,并对每个历史节点相似度进行加权求和,得到待评估案件与历史案件的关联权重。
此处需要说明的是,上述步骤S2031-步骤S2034、步骤S2041-步骤S2043以及步骤S2051-步骤S2053并无具体的先后顺序,可根据实际需要选择任一种方法得到待评估案件与历史案件的关联权重,也可将上述三种方法得到得待评估案件与历史案件的关联权重进行加权平均计算,得到最终的待评估案件与历史案件的关联权重,在此不做具体限定。
进一步地,在一些可选的实施方式中,如图5所示,图5为在图2中步骤S205之前的具体实施例方式的流程图,步骤S205之前,上述电子设备还可以执行以下步骤:
S2061,获取多个样本关系图谱,样本关系图谱用于表征样本待评估案件与样本历史案件之间的关联关系。
其中,获取样本图谱的方法与上述步骤S203类似,此处不再赘述。
S2062,从多个样本关系图谱中提取样本关系图谱,根据预设的权重计算规则,获取样本关系图谱中每个样本历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到样本待评估案件与样本历史案件的样本关联权重。
本步骤中,提取的样本关系图谱为获取的多个样本关系图谱中的任意一个,获取样本待评估案件与样本历史案件的样本关联权重与上述步骤S204类似,此处不再赘述。
S2063,将样本关联权重输入至初始风险评级模型中,得到样本待评估案件的预测风险分数。
本步骤中,在计算样本关联权重之后,将样本关联权重输入至初始风险评级模型中,得到待评估样本案件的关系图谱。在本实施的步骤中,初始风险评级模型是包含初始模型参数的风险评级模型。
S2064,计算预测风险分数与标准待评估案件风险分数之间的损失值,若损失值大于预设损失阈值,则调整风险评级模型的模型参数,并循环返回执行从多个样本关系图谱中提取样本关系图谱至本步骤,直至损失值小于或等于预设损失阈值,并将当前的风险评级模型作为训练好的风险评级模型。
在本步骤中,通过分别将多个样本待评估案件预测风险分数与标准待评估案件风险分数的损失值与预设损失阈值进行对比,对包含初始模型参数的初始风险评级模型进行迭代训练,从而不断调整优化初始风险评级模型的参数,直至损失值小于或等于预设损失阈值,再将得到的风险评级模型作为训练好的风险评级模型。
需要说明的是,可以基于待评估案件预测的风险分数和标准待评估案件的风险分数计算损失值,该标准待评估案件风险分数也表征真实想要的初始风险评级模型的输出结果,而输出的待预测风险分数是初始风险评级模型的预测结果,在预测结果和真实结果之间的差异足够小时,也就是损失值足够小,则说明预测结果足够接近真实结果,此时风险评级模型训练完成,得到训练后的风险评级模型。
通过上述步骤S2061至步骤S2064的实施,能够训练获的预先训练好的风险评级模型,以用于对待评估案件进行风险等级的评定。
需要强调的是,为进一步保证上述案件风险评级过程中涉及到的数据信息的私密和安全性,上述案件风险评级过程中涉及到的数据信息还可以存储于一区块链的节点中。
本申请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。
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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了一种案件风险评级装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例所述的案件风险评级装置600包括:第一获取模块601、第二获取模块602、构建模块603,计算模块604、评级模块605。其中:
第一获取模块601,用于获取历史案件的本体图谱,从本体图谱中获取历史案件属性信息和与所述历史案件属性信息对应的历史节点。
第二获取模块602,获取待评估案件的基本信息,从基本信息中获取与历史节点相同的目标节点,并获取与目标节点对应的待评估案件属性信息。
构建模块603,用于基于历史节点、历史案件属性信息和待评估案件属性信息,构建待评估案件与历史案件间的关系图谱。
计算模块604,用于根据预设的权重计算规则,获取关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权计算,得到待评估案件与历史案件的关联权重。
评级模块605,用于将关联权重输入至案件风险评级模型中,得到待评估案件的风险等级。
在本实施例的一些可选的实现方式中,上述装置600还包括:
本体图谱构建模块,用于基于目标节点和待评估案件属性信息,构建待评估案件的待评估本体图谱。
数据导入模块,用于获取待评估本体图谱对应待评估数据,将待评估数据导入底层数据库中,底层数据库包含历史本体图谱对应的历史数据。
数据加载模块,用于通过计算引擎访问底层数据库,将底层数据库中的待评估数据与历史数据加载到图谱数据库中。
进一步地,构建模块603具体包括:
第一获取单元,用于从待评估案件属性信息中获取与预设历史节点对应的待评估案件属性信息,作为第一待关联属性信息。
第二获取单元,用于遍历所有的历史案件,从历史案件的历史案件属性信息中获取与预设历史节点对应的历史案件属性信息,作为第二待关联属性信息。
判断单元,判读第二待关联属性信息与第一待关联属性信息是否一致。
关联单元,若一致,则基于第二待关联属性信息对应的历史节点,将待评估案件与所述历史案件进行关联,得到所述待评估案件与历史案件的关系图谱。
进一步地,计算模块604,还用于:
获取关系图谱中每个历史节点关联的历史案件个数。
将相关历史案件个数除以关系图谱中所有历史节点关联的历史案件个数,得到历史节点的频率信息。
基于历史节点的频率信息计算得到历史节点的权重信息。
对每个历史节点的权重信息进行加权平均计算,得到待评估案件与所述历史案件的关联权重。
进一步地,关系图谱中的历史节点对应的案件属性信息包括数值型属性信息和类别型属性信息,计算模块604,还用于:
基于余弦相似度算法对所述数值型属性信息进行相似度计算,得到第一初始关联权重。
基于Jaccard算法对所述类别型属性信息进行相似度计算,得到第二初始关联权重。
对第一初始关联权重和所述第二初始关联权重进行加权平均计算,得到待评估案件与历史案件的关联权重。
进一步地,计算模块604,还用于:
基于Node2Vec算法,通过对关系图谱进行随机游走序列生成每个历史节点的特征向量。
基于所述特征向量,采用余弦相似度来计算所述每个历史节点的相似度,得到全历史节点相似度。
对全历史节点相似度进行加权平均计算,得到待评估案件与历史案件的关联权重。
进一步地,上述装置600,还包括:
样本获取模块,用于获取多个样本关系图谱,样本关系图谱用于表征样本待评估案件与样本历史案件之间的关联关系。
样本关联权重生成模块,从多个样本关系图谱中提取样本关系图谱,根据预设的权重计算规则,获取样本关系图谱中每个样本历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到样本待评估案件与样本历史案件的样本关联权重。
预测风险分数生成模块,将样本关联权重输入至初始风险评级模型中,得到样本待评估案件的预测风险分数。
风险评级模型获取模块,用于计算预测风险分数与标准待评估案件风险分数之间的损失值,若所述损失值大于预设损失阈值,则调整所述初始风险评级模型的模型参数,并循环返回执行从多个样本关系图谱中提取样本关系图谱至本步骤,直至损失值小于或等于预设损失阈值,并将当前的风险评级模型作为训练好的风险评级模型。
在实际应用中,当某一个案件需要评估时,金融机构(如银行等)需要先获取该案件的基本属性信息,在获取根据与该案件相关联的历史节点和历史案件属性信息,然后基于历史节点、历史案件属性信息和该案件属性信息,构建该案件与历史案件间的关系图谱,再根据预设的权重计算规则,计算关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到该案件与所述历史案件的关联权重,最后将关联权重输入至案件风险评级模型中,得到该案件的风险等级,从而帮助金融机构(如银行等)完成案件风险的评级,为最终理赔提供价值性参考。
在本实施中,通过从历史本体图谱中获取历史案件属性信息和与所述历史案件属性信息对应的历史节点,并且获取与历史节点对应的待评估案件属性信息,然后基于历史节点、历史案件属性信息和待评估案件属性信息,构建待评估案件与历史案件间的关系图谱,再根据预设的权重计算规则,计算关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到待评估案件与所述历史案件的关联权重,最后将关联权重输入至案件风险评级模型中,得到待评估案件的风险等级,在利用个体特征在进行独立建模的基础上,引入了案件之间的关联型数据,从而增加图模型可以利用的信息,起到数据增强、样本增强的效果,进而提高了风险评级的准确度。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图7,图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过系统总线相互通信连接存储器71、处理器72、网络接口73。需要指出的是,图中仅示出了具有组件71-73的计算机设备7,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器71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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器71可以是所述计算机设备7的内部存储单元,例如该计算机设备7的硬盘或内存。在另一些实施例中,所述存储器71也可以是所述计算机设备7的外部存储设备,例如该计算机设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器71还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中,所述存储器71通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如案件风险评级方法的计算机可读指令等。此外,所述存储器71还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器72在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器72用于运行所述存储器71中存储的计算机可读指令或者处理数据,例如运行所述案件风险评级方法的计算机可读指令。
所述网络接口73可包括无线网络接口或有线网络接口,该网络接口73通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本申请实施例提供的计算机设备,通过从历史本体图谱中获取历史案件属性信息和与历史案件属性信息对应的历史节点,并获取与历史节点对应的待评估案件属性信息,然后基于历史节点、历史案件属性信息和待评估案件属性信息,构建待评估案件与历史案件间的关系图谱,以建立案件与案件之间的关联关系,再根据预设的权重计算规则,计算关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到待评估案件与所述历史案件的关联权重,最后将关联权重输入至案件风险评级模型中,得到待评估案件的风险等级,在利用个体特征在进行独立建模的基础上,引入了案件之间的关联型数据,从而增加图模型可以利用的信息,起到数据增强、样本增强的效果,进而提高了风险评级的准确度。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的案件风险方法的步骤。
本申请实施例提供的计算机可读存储介质,通过从历史本体图谱中获取历史案件属性信息和与历史案件属性信息对应的历史节点,并获取与历史节点对应的待评估案件属性信息,然后基于历史节点、历史案件属性信息和待评估案件属性信息,构建待评估案件与历史案件间的关系图谱,以建立案件与案件之间的关联关系,再根据预设的权重计算规则,计算关系图谱中每个历史节点对应的权重信息,并对每个历史节点的权重信息进行加权平均计算,得到待评估案件与所述历史案件的关联权重,最后将关联权重输入至案件风险评级模型中,得到待评估案件的风险等级,在利用个体特征在进行独立建模的基础上,引入了案件之间的关联型数据,从而增加图模型可以利用的信息,起到数据增强、样本增强的效果,进而提高了风险评级的准确度。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种案件风险评级方法,其特征在于,包括下述步骤:
获取历史案件的历史本体图谱,从所述历史本体图谱中获取历史案件属性信息和与所述历史案件属性信息对应的历史节点;
获取待评估案件的基本信息,从所述基本信息中获取与所述历史节点相同的目标节点,并获取与所述目标节点对应的待评估案件属性信息;
基于所述历史节点、所述历史案件属性信息和所述待评估案件属性信息,构建所述待评估案件与所述历史案件间的关系图谱;
根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重;
将所述关联权重输入至案件风险评级模型中,得到所述待评估案件的风险等级。
2.根据权利要求1所述的案件风险评级方法,其特征在于,在所述获取待评估案件的基本信息,从所述基本信息中获取与所述历史节点相同的目标节点,并获取与所述目标节点对应的待评估案件属性信息的步骤之后,还包括:
基于所述目标节点和所述待评估案件属性信息,构建所述待评估案件的待评估本体图谱;
获取所述待评估本体图谱对应待评估数据,将所述待评估数据导入底层数据库中,所述底层数据库包含历史本体图谱对应的历史数据;
通过计算引擎访问底层数据库,将所述底层数据库中的所述待评估数据与所述历史数据加载到图谱数据库中。
3.根据权利要求1所述的案件风险评级方法,其特征在于,所述基于所述历史节点、所述历史案件属性信息和所述待评估案件属性信息,构建所述待评估案件与所述历史案件间的关系图谱的步骤,具体包括:
从所述待评估案件属性信息中获取与预设历史节点对应的待评估案件属性信息,作为第一待关联属性信息;
遍历所有的历史案件,从所述历史案件的历史案件属性信息中获取与所述预设历史节点对应的历史案件属性信息,作为第二待关联属性信息;
判读所述第二待关联属性信息与所述第一待关联属性信息是否一致;
若一致,则基于所述第二待关联属性信息对应的历史节点,将所述待评估案件与所述历史案件进行关联,得到所述待评估案件与所述历史案件的关系图谱。
4.根据权利要求1所述的案件风险评级方法,其特征在于,所述根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重的步骤,具体包括:
获取所述关系图谱中每个历史节点关联的历史案件个数。
将所述相关历史案件个数除以关系图谱中所有历史节点关联的历史案件个数,得到所述历史节点的频率信息;
基于所述历史节点的频率信息计算得到所述历史节点的权重信息;
对每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重。
5.根据权利要求1所述的案件风险评级方法,其特征在于,所述历史案件属性信息与所述待评估案件属性均包括数值型属性信息和类别型属性信息,所述根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重的步骤,具体还包括:
基于余弦相似度算法对所述数值型属性信息进行相似度计算,得到第一初始关联权重;
基于Jaccard算法对所述类别型属性信息进行相似度计算,得到第二初始关联权重;
对所述第一初始关联权重和所述第二初始关联权重进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重。
6.根据权利要求1所述的案件风险评级方法,其特征在于,所述根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重的步骤,具体还包括:
基于Node2Vec算法,通过对关系图谱进行随机游走序列生成每个历史节点的特征向量;
基于所述特征向量,采用余弦相似度来计算所述每个历史节点的相似度,得到全历史节点相似度;
对所述全历史节点相似度进行加权平均计算,得到所述待评估案件与所述历史案件的关联权重。
7.根据权利要求1所述的案件风险评级方法,其特征在于,将所述关联权重输入至案件风险评级模型中,得到所述待评估案件的风险等级的步骤之前,还包括:
获取多个样本关系图谱,所述样本关系图谱用于表征样本待评估案件与样本历史案件之间的关联关系;
从所述多个样本关系图谱中提取样本关系图谱,根据预设的权重计算规则,获取所述样本关系图谱中每个样本历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权平均计算,得到样本待评估案件与样本历史案件的样本关联权重;
将所述样本关联权重输入至初始风险评级模型中,得到样本待评估案件的预测风险分数;
计算所述预测风险分数与标准待评估案件风险分数之间的损失值,若所述损失值大于预设损失阈值,则调整所述初始风险评级模型的模型参数,并循环返回执行所述从多个样本关系图谱中提取样本关系图谱至本步骤,直至所述损失值小于或等于所述预设损失阈值,并将当前的风险评级模型作为训练好的所述案件风险评级模型。
8.一种案件风险评级装置,其特征在于,包括:
第一获取模型,用于获取历史案件的本体图谱,从所述本体图谱中获取历史案件属性信息和与所述历史案件属性信息对应的历史节点;
第二获取模块,获取待评估案件的基本信息,从所述基本信息中获取
与所述历史节点相同的目标节点,并获取与所述目标节点对应的待评估案件属性信息;
构建模块,用于基于所述历史节点、所述历史案件属性信息和所述待评估案件属性信息,构建待评估案件与历史案件间的关系图谱;
计算模块,用于根据预设的权重计算规则,获取所述关系图谱中每个历史节点对应的权重信息,并对所述每个历史节点的权重信息进行加权计算,得到所述待评估案件与所述历史案件的关联权重;
评级模块,用于将所述关联权重输入至案件风险评级模型中,得到所述待评估案件的风险等级。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的案件风险评级方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的案件风险评级方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310692172.9A CN116777639A (zh) | 2023-06-12 | 2023-06-12 | 案件风险评级方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310692172.9A CN116777639A (zh) | 2023-06-12 | 2023-06-12 | 案件风险评级方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777639A true CN116777639A (zh) | 2023-09-19 |
Family
ID=87987221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310692172.9A Pending CN116777639A (zh) | 2023-06-12 | 2023-06-12 | 案件风险评级方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777639A (zh) |
-
2023
- 2023-06-12 CN CN202310692172.9A patent/CN116777639A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI788529B (zh) | 基於lstm模型的信用風險預測方法及裝置 | |
CN112863683B (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
CN111506723B (zh) | 问答响应方法、装置、设备及存储介质 | |
CN112085091B (zh) | 基于人工智能的短文本匹配方法、装置、设备及存储介质 | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN117557331A (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN115982654B (zh) | 一种基于自监督图神经网络的节点分类方法及装置 | |
CN116777639A (zh) | 案件风险评级方法、装置、计算机设备及存储介质 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN117350461B (zh) | 企业异常行为预警方法、系统、计算机设备及存储介质 | |
CN113792549B (zh) | 一种用户意图识别的方法、装置、计算机设备及存储介质 | |
CN113761577B (zh) | 一种大数据脱敏的方法、装置、计算机设备及存储介质 | |
CN116756404A (zh) | 一种搜索场景的滚动词推荐方法、装置、设备及存储介质 | |
CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
CN117194781A (zh) | 一种业务通知方法、装置、设备及其存储介质 | |
CN117034114A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN116701593A (zh) | 基于GraphQL的中文问答模型训练方法及其相关设备 | |
CN116167872A (zh) | 异常医疗数据检测方法、装置及设备 | |
CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
CN116795825A (zh) | 数据清理方法、装置、计算机设备及存储介质 | |
CN117217812A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 |
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 |