CN116805270A - 基于人工智能的检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请属于金融科技技术领域，涉及一种基于人工智能的检测方法及其相关设备，该方法包括获取待检测企业的当前结案信息；根据黑名单列表对待检测企业进行筛选，得到筛选后的待检测企业；基于LGBM算法对筛选后的待检测企业进行二分类，得到二分类后的数据集；根据二分类后的数据集构建初始模型；基于决策树算法迭代训练初始模型，得到最优模型以及至少两个风险特征的权重；将所述至少两个风险特征的权重的大小进行比对，得到比对结果；根据所述比对结果，确定待检测企业存在的风险。本申请还涉及区块链技术，企业结案信息与模型可存储于区块链中。本申请通过LGBM算法可以高效的处理问题，减少数据量，减少内存压力，保证模型的训练精度。

Description

基于人工智能的检测方法、装置、计算机设备及存储介质

技术领域

本申请涉及人工智能中的金融科技技术领域，尤其涉及基于人工智能的检测方法、装置、计算机设备及存储介质。

背景技术

团体保险(企业保险)在大部分财产险公司中属于比较特殊的存在。单量少但涉及的保费却高，且为了适应各大公司，对推出的产品的自定义属性较多，随之而来带来的风险也高很多。

在现有的团体理赔风控中，该团体理赔风控平台/系统具有申请贷款、信用卡或者购买保险、理财产品等功能，该团体理赔风控平台/系统对团体保险的大多基于是基于企业所在的行业和城市来判断。

然而，申请人发现，传统的团体理赔风控并未获取企业的具体信息，因此会存在较大的局限性。企业自身存在的大量的风险特征未被挖掘，也缺少对显著特征及特征对应的权重分析，导致风险评估模型的偏差大，准确率也较低。

发明内容

本申请实施例的目的在于提出一种基于人工智能的检测方法、装置、计算机设备及存储介质，以解决现有技术中对企业自身存在的大量的风险特征未被挖掘，也缺少对显著特征及特征对应的权重分析，导致风险评估模型的偏差大，准确率也较低的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于人工智能的检测方法，包括下述步骤：

获取待检测企业的当前结案信息；

根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业；

基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集；

根据所述二分类后的数据集构建初始模型；

基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；

将所述至少两个风险特征的权重的大小进行比对，得到比对结果；

根据所述比对结果，确定所述待检测企业存在的风险。

进一步地，所述根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业的步骤包括：

将所有的待检测企业与黑名单列表进行黑名单匹配，得到匹配结果，所述黑名单列表包括黑产业的企业、黑区域的企业以及存在历史欺诈风险的企业；

若所述匹配结果存在匹配成功的待检测企业，则剔除所述匹配成功的待检测企业，并将剩余的待检测企业作为所述筛选后的待检测企业。

进一步地，所述基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集的步骤包括：

设置风险特征的权重，并对所述风险特征的权重进行负梯度拟合计算，获得所述风险特征的权重的梯度绝对值；

基于LGBM算法将所述风险特征的权重的梯度绝对值进行预排序；

选取梯度绝对值最高的最高权重组，以及随机选取的随机权重组，组合得到二分类后的数据集。

进一步地，所述基于LGBM算法将所述风险特征的权重的梯度绝对值进行预排序的步骤包括：

确定所述风险特征的权重的梯度绝对值中的最高值与最低值；

将除所述最高值与所述最低值的剩余所述风险特征的权重的梯度绝对值依次排序在所述最高值与所述最低值之间。

进一步地，所述选取梯度绝对值最高的最高权重组，以及随机选取的随机权重组，组合得到二分类后的数据集的步骤包括：

预设大梯度的抽样比为大梯度抽样值，小梯度抽样比为小梯度抽样值；

将提取所述风险特征的权重的梯度绝对值中高于所述大梯度抽样值为大梯度抽样组，所述风险特征的权重的梯度绝对值中低于所述小梯度抽样值为小梯度抽样组；

放大所述小梯度抽样组的数据集；

基于GOSS算法计算所述大梯度抽样组以及放大后的所述小梯度抽样组的信息增益，并将计算后组合得到二分类后的数据集。

进一步地，所述基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重的步骤包括：

将所述筛选后的待检测企业的当前结案信息设置为对象节点，并确定最优的权重的梯度绝对值，根据所述最优的权重的梯度绝对值将所述二分类后的数据集分割成子集；

将所有所述子集按所述对象节点的当前结案信息进行递归与分割；

分类所有所述递归与分割后的子集；

构建叶节点，并将所有所述分类后的子集分到对应类别的所述叶节点中，得到最优模型，其中，所述最优模型包括至少两个风险特征的权重。

进一步地，所述构建叶节点，并将所有所述分类后的子集分到对应类别的所述叶节点中，得到最优模型的步骤之后，所述方法还包括：

确定所述至少两个风险特征的权重的绝对值，并对比所述至少两个风险特征的权重的绝对值；

提取所述权重的绝对值最高的风险特征，并将权重的绝对值最高的风险特征作为待检测企业的风险标签；

根据所述风险标签确定所述待检测企业存在的风险。

为了解决上述技术问题，本申请实施例还提供一种基于人工智能的检测装置，包括：

获取模块，用于获取待检测企业的当前结案信息；

筛选模块，用于根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业；

分类模块，用于基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集；

构建模块，用于根据所述二分类后的数据集构建初始模型；

训练模块，用于基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；

比对模块，用于将所述至少两个风险特征的权重的大小进行比对，得到比对结果；

确定模块，用于根据所述比对结果，确定所述待检测企业存在的风险。

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任意所述的基于人工智能的检测方法的步骤。

为了解决上述技术问题，本申请实施例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任意所述的基于人工智能的检测方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请提供的技术方案，通过获取待检测企业的当前结案信息；根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业；基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集；根据所述二分类后的数据集构建初始模型；基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；将所述至少两个风险特征的权重的大小进行比对，得到比对结果；根据所述比对结果，确定所述待检测企业存在的风险。这样，通过LGBM算法可以高效的处理问题，使用减少样本，针对的特征数量较少，只对样本维度进行个数减少，平衡减少数据量，减少内存压力，保证模型的训练精度，进而能挖掘更多的特征，丰富风险特征，挖掘更多的风险场景，同时更好地对后续操作赋能。

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根据本申请的基于人工智能的检测方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的检测装置的一个实施例的结构示意图；

图4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 Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面)播放器、膝上型便携计算机和台式计算机等等。

电子设备一般包括PC端的电子设备和移动端的电子设备，PC端的电子设备，例如一体机等，其操作系统可以包括但不限于Linux系统、Unix系统、Windows系列系统(例如Windows xp、Windows7等)、Mac OS X系统(苹果电脑的操作系统)等操作系统。移动端的电子设备，例如智能手机等，其操作系统可以包括但不限于安卓系统、IOS(苹果手机的操作系统)、Window系统等操作系统。

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基于人工智能的检测方法一般由服务器/终端设备执行，相应地，基于人工智能的检测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。

这里，具体地，该基于人工智能的检测方法可以应用在银行、证券、保险等金融机构配置的电子设备或服务器上。

继续参考图2，示出了根据本申请的基于人工智能的检测方法的一个实施例的流程图。所述的基于人工智能的检测方法，包括以下步骤：

步骤S201，获取待检测企业的当前结案信息；

本步骤中，获取待检测企业的当前状态。需理解，上述待检测企业可以包括业务平台、使用业务平台所提供的交互式服务的企业等。相应地，待检测企业的状态可以是描述待检测企业的信息，具体获取哪些信息可以根据实际预测任务而设定，当前结案数据为当前结案属性的数据集，每个属性值和当前结案数据都会有相关的对应关联性，其中，当前结案属性为人为预先设定的固定属性，当前结案属性具体包括企业名称、企业地域、投保时间、投保次数等，当前结案数据包括投保次数、出险次数、投保时间和出险时间的时间差等，当前状态包括可以包括：询价状态、报价状态、投保状态、确价状态、审核状态......结案状态等信息。

上述与当前状态对应的可选动作集为当前状态时，执行下一轮次交互的动作。比如，获取到的当前状态为询价状态时，可选动作集包括下一轮次往报价状态的动作和下一轮次往投保状态的动作；或者，获取到的当前状态为审核状态时，可选动作集包括下一轮次往确价状态的动作和下一轮次往当前状态的动作等，即，从当前状态往下一轮次状态的动作的集合作为可选动作集。

步骤S202，根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业；

本实施例中，将所有的待检测企业与黑名单列表进行黑名单匹配，所述黑名单列表包括黑产业的企业、黑区域的企业以及存在历史欺诈风险的企业；当所述黑名单匹配成功时，剔除匹配成功的待检测企业，并将剩余的待检测企业作为后续训练的企业样本。即通过剔除黑产业的企业、黑区域的企业以及存在历史欺诈风险的企业，使得剩余的待检测企业不会影响后续模型训练的权重，进一步地增加了模型的预测准确性，保证待检测企业的可靠性。

步骤S203，基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集；

步骤S204，根据所述二分类后的数据集构建初始模型；

LGB(Light Gradient Boosting Machine)算法通过对模型训练时样本点的采样优化和选择分裂点时的特征维度的优化，在不牺牲精度的条件下，提高了训练速度。具体地，LGBM算法使用GOSS算法进行训练样本采样的优化。LightGBM采用了基于每个样本的梯度进行训练样本的优化，具有较大梯度的数据对计算信息增益的贡献比较大。当一个样本点的梯度很小，说明该样本的训练误差很小，即该样本已经被充分训练。将GOSS算法的基本思想融入LGBM算法中，在计算过程中，保留梯度较大的样本(例如：预设置一个阈值，或者保留最高若干百分位的梯度样本)，以及梯度较小样本，减少了计算量，保证了训练精度。具体通过设置风险特征的权重，并对权重进行负梯度拟合计算，获得权重的梯度绝对值，基于LGBM算法将权重的梯度绝对值进行预排序，选取梯度绝对值最高的最高权重组，以及随机选取的随机权重组，构建初始模型。

其中，根据确定权重的梯度绝对值中的最高值与最低值，将除最高值与最低值的剩余权重的梯度绝对值依次排序在最高值与最低值之间；预设大梯度的抽样比为大梯度抽样值，小梯度抽样比为小梯度抽样值；将提取权重的梯度绝对值中高于大梯度抽样值为大梯度抽样组，权重的梯度绝对值中低于于小梯度抽样值为小梯度抽样组，放大小梯度抽样组的数据集，基于GOSS算法计算大梯度抽样组以及放大后的小梯度抽样组的信息增益，并将计算后的数据集构建初始模型。

具体地，基于GOSS算法的基本思想，首先对权重的梯度绝对值根据梯度排序，预设一个比例a的大梯度抽样值，保留在所有权重的梯度绝对值中梯度高于a*100％的数据样本，并设置为大梯度抽样组；梯度低于该比例的数据样本不会直接丢弃，而是设置一个采样比例b的小梯度抽样值,从梯度较小的数据样本中按比例b*100％抽取，并设置为小梯度抽样组。为了弥补对数据样本分布造成的影响，GOSS算法在计算信息增益时，会对较小梯度的权重的梯度绝对值乘以一个系数1-a/b，用来放大小梯度抽样组。使得在计算信息增益时，GOSS算法可以更加关注“未被充分训练”的数据样本。通过GOSS算法对所有权重的梯度绝对值进行采样后，生成梯度较大的大梯度抽样组A，梯度较小的小梯度抽样组B，根据子集A∪B，计算方差增益的公式如下：

GOSS算法通过对较小的小梯度抽样组B进行估算增益，减少了计算量，保证了训练精度。

步骤S205，基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；

本实施例中，在权重的梯度绝对值进行分布式梯度提升构建决策树之前，通过LGBM算法先对权重的梯度绝对值进行对特征值进行排序，遍历所有可能的划分点，然后计算每个划分点的增益值，再由决策树的构建过程中对进行风险特征选择节点分裂，并通过迭代选择出最优的分裂点。

具体地，将筛选标记后的待检测企业的当前结案信息设置为对象节点，并确定最优的权重的梯度绝对值，根据最优的权重的梯度绝对值将训练的当前结案数据集分割成子集，将所有子集按对象节点的当前结案属性进行递归与分割，分类递归与分割后的所有子集，构建叶节点，并将分类后的所有子集分到对应类别的叶节点中，得到最优模型，其中，最优模型包括至少两个风险特征的权重。通过自根至叶的递归过程，在每个中间结点寻找一个“划分”的当前结案属性。1)开始:构建根节点；所有训练数据都放在根节点，选择一个最优风险特征，按着这一风险特征将训练的当前结案数据集分割成子集，进入子节点；2)所有子集按内部节点的当前结案属性递归的进行分割；3)如果上述子集已经能够被基本正确分类，构建叶节点，并将上述子集分到所对应的叶节点去；4)每个子集都被分到叶节点上，即都有了明确的类，这样就生成了一颗决策树。

其中，将每条当前结案数据中的当前结案属性设置为对象既节点，拒赔的企业的最终分值为1(对象值)，赔付的企业的最终分值为0(对象值)。因每条数据中从投保到结案都具有预先设定的固有属性(如企业名称、企业地域、投保时间、投保次数等)，虽然当前结案数据中很多是无法归类的(如投保时间、报案时间等)，但当前结案数据之间的关联性是可以归类的。例如投保次数、出险次数、投保时间和出险时间的时间差等……因此待检测企业中的每个当前结案属性和待检测企业最终的分值都会有相关的对应关系、关联性。

步骤S206，将所述至少两个风险特征的权重的大小进行比对，得到比对结果；

步骤S207，根据所述比对结果，确定所述待检测企业存在的风险。

在本实施例中，通过确定至少两个风险特征的权重的绝对值，并对比权重的绝对值；提取权重绝对值最高的风险特征，并将权重绝对值最高的风险特征作为待检测企业的风险标签；根据风险标签确定所述待检测企业存在的风险。权重的绝对值的对比主要比较权重的绝对值的大小，并根据比对结果挑除权重的绝对值最高的风险特征，其中，风险特征为当前结案属性。根据风险标签确定所述待检测企业存在的风险，并根据风险特征判定待检测企业为欺诈企业或信用企业。

在本实施例中，以保险业务场景为例，若需要对保险企业A进行检测，则先需要获取该保险企业A的当前结案信息，根据黑名单列表对该保险企业A进行筛选，如果该保险企业A属于黑名单列表内，则说明该保险企业A存在历史欺诈的风险，该保险企业A为欺诈企业；如果该保险企业A不属于黑名单列表内，则基于LGBM算法对该保险企业A进行二分类，得到二分类后的数据集，并根据二分类后的数据集构建模型，通过决策树算法迭代训练该模型，以得到该保险企业A的至少两个风险特征的权重，最后根据该至少两个风险特征的权重的比对结果确认该保险企业A是否为欺诈企业。

本申请提供的技术方案，通过获取待检测企业的当前结案信息，根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业,基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集，根据所述二分类后的数据集构建初始模型，基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；将所述至少两个风险特征的权重的大小进行比对，得到比对结果，根据所述比对结果，确定所述待检测企业存在的风险。这样，通过LGBM算法可以高效的处理问题，使用减少样本，针对的特征数量较少，只对样本维度进行个数减少，平衡减少数据量，减少内存压力，保证模型的训练精度，进而能挖掘更多的特征，丰富风险特征，挖掘更多的风险场景，同时更好地对后续操作赋能。

需要强调的是，为进一步保证上述企业的结案信息以及模型的私密和安全性，上述企业的结案信息以及模型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3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的检测装置的一个实施例，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3所示，本实施例所述的基于人工智能的检测装置300包括：获取模块301、筛选模块302、分类模块303、构建模块304、训练模块305、比对模块306以及确认模块307。其中：

获取模块301，用于获取待检测企业的当前结案信息；

筛选模块302，用于根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业；

分类模块303，用于基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集；

构建模块304，用于根据所述二分类后的数据集构建初始模型；

训练模块305，用于基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；

比对模块306，用于将所述至少两个风险特征的权重的大小进行比对，得到比对结果；

确定模块307，用于根据所述比对结果，确定所述待检测企业存在的风险。本申请提供的技术方案，获取模块301获取待检测企业的当前结案信息，筛选模块302根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业,分类模块303基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集，构建模块304根据所述二分类后的数据集构建初始模型，训练模块305基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；比对模块306将所述至少两个风险特征的权重的大小进行比对，得到比对结果，确定模块307根据所述比对结果，确定所述待检测企业存在的风险。这样，通过LGBM算法可以高效的处理问题，使用减少样本，针对的特征数量较少，只对样本维度进行个数减少，平衡减少数据量，减少内存压力，保证模型的训练精度，进而能挖掘更多的特征，丰富风险特征，挖掘更多的风险场景，同时更好地对后续操作赋能。

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4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，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41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41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4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41还可以既包括所述计算机设备4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41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的检测方法的计算机可读指令等。此外，所述存储器41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42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42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的检测方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

在本实施例中，以保险业务场景为例，若需要对保险企业A进行检测，则先需要获取该保险企业A的当前结案信息，根据黑名单列表对该保险企业A进行筛选，如果该保险企业A属于黑名单列表内，则说明该保险企业A存在历史欺诈的风险，该保险企业A为欺诈企业；如果该保险企业A不属于黑名单列表内，则基于LGBM算法对该保险企业A进行二分类，得到二分类后的数据集，并根据二分类后的数据集构建模型，通过决策树算法迭代训练该模型，以得到该保险企业A的至少两个风险特征的权重，最后根据该至少两个风险特征的权重的比对结果确认该保险企业A是否为欺诈企业。

本申请中通过获取待检测企业的当前结案信息，根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业,基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集，根据所述二分类后的数据集构建初始模型，基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；将所述至少两个风险特征的权重的大小进行比对，得到比对结果，根据所述比对结果，确定所述待检测企业存在的风险。这样，通过LGBM算法可以高效的处理问题，使用减少样本，针对的特征数量较少，只对样本维度进行个数减少，平衡减少数据量，减少内存压力，保证模型的训练精度，进而能挖掘更多的特征，丰富风险特征，挖掘更多的风险场景，同时更好地对后续操作赋能。

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基于人工智能的检测方法的步骤。

本申请提供的技术方案，通过获取待检测企业的当前结案信息，根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业,基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集，根据所述二分类后的数据集构建初始模型，基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；将所述至少两个风险特征的权重的大小进行比对，得到比对结果，根据所述比对结果，确定所述待检测企业存在的风险。这样，通过LGBM算法可以高效的处理问题，使用减少样本，针对的特征数量较少，只对样本维度进行个数减少，平衡减少数据量，减少内存压力，保证模型的训练精度，进而能挖掘更多的特征，丰富风险特征，挖掘更多的风险场景，同时更好地对后续操作赋能。

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，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)

1.一种基于人工智能的检测方法，其特征在于，包括下述步骤：

获取待检测企业的当前结案信息；

根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业；

基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集；

根据所述二分类后的数据集构建初始模型；

基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；

将所述至少两个风险特征的权重的大小进行比对，得到比对结果；

根据所述比对结果，确定所述待检测企业存在的风险。

2.根据权利要求1所述的基于人工智能的检测方法，其特征在于，所述根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业的步骤包括：

将所有的待检测企业与黑名单列表进行黑名单匹配，得到匹配结果，所述黑名单列表包括黑产业的企业、黑区域的企业以及存在历史欺诈风险的企业；

若所述匹配结果存在匹配成功的待检测企业，则剔除所述匹配成功的待检测企业，并将剩余的待检测企业作为所述筛选后的待检测企业。

3.根据权利要求1所述的基于人工智能的检测方法，其特征在于，所述基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集的步骤包括：

设置风险特征的权重，并对所述风险特征的权重进行负梯度拟合计算，获得所述风险特征的权重的梯度绝对值；

基于LGBM算法将所述风险特征的权重的梯度绝对值进行预排序；

选取梯度绝对值最高的最高权重组，以及随机选取的随机权重组，组合得到二分类后的数据集。

4.根据权利要求3所述的基于人工智能的检测方法，其特征在于，所述基于LGBM算法将所述风险特征的权重的梯度绝对值进行预排序的步骤包括：

确定所述风险特征的权重的梯度绝对值中的最高值与最低值；

将除所述最高值与所述最低值的剩余所述风险特征的权重的梯度绝对值依次排序在所述最高值与所述最低值之间。

5.根据权利要求4所述的基于人工智能的检测方法，其特征在于，所述选取梯度绝对值最高的最高权重组，以及随机选取的随机权重组，组合得到二分类后的数据集的步骤包括：

预设大梯度的抽样比为大梯度抽样值，小梯度抽样比为小梯度抽样值；

将提取所述风险特征的权重的梯度绝对值中高于所述大梯度抽样值为大梯度抽样组，所述风险特征的权重的梯度绝对值中低于所述小梯度抽样值为小梯度抽样组；

放大所述小梯度抽样组的数据集；

基于GOSS算法计算所述大梯度抽样组以及放大后的所述小梯度抽样组的信息增益，并将计算后组合得到二分类后的数据集。

6.根据权利要求3所述的基于人工智能的检测方法，其特征在于，所述基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重的步骤包括：

将所述筛选后的待检测企业的当前结案信息设置为对象节点，并确定最优的权重的梯度绝对值，根据所述最优的权重的梯度绝对值将所述二分类后的数据集分割成子集；

将所有所述子集按所述对象节点的当前结案信息进行递归与分割；

分类所有所述递归与分割后的子集；

构建叶节点，并将所有所述分类后的子集分到对应类别的所述叶节点中，得到最优模型，其中，所述最优模型包括至少两个风险特征的权重。

7.根据权利要求6所述的基于人工智能的检测方法，其特征在于，所述构建叶节点，并将所有所述分类后的子集分到对应类别的所述叶节点中，得到最优模型的步骤之后，所述方法还包括：

确定所述至少两个风险特征的权重的绝对值，并对比所述至少两个风险特征的权重的绝对值；

提取所述权重的绝对值最高的风险特征，并将权重的绝对值最高的风险特征作为待检测企业的风险标签；

根据所述风险标签确定所述待检测企业存在的风险。

8.一种基于人工智能的检测装置，其特征在于，包括：

获取模块，用于获取待检测企业的当前结案信息；

筛选模块，用于根据黑名单列表对所述待检测企业进行筛选，得到筛选后的待检测企业；

分类模块，用于基于LGBM算法对所述筛选后的待检测企业进行二分类，得到二分类后的数据集；

构建模块，用于根据所述二分类后的数据集构建初始模型；

训练模块，用于基于决策树算法迭代训练所述初始模型，得到最优模型以及至少两个风险特征的权重；

比对模块，用于将所述至少两个风险特征的权重的大小进行比对，得到比对结果；

确定模块，用于根据所述比对结果，确定所述待检测企业存在的风险。

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中任一项所述的基于人工智能的检测方法的步骤。

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中任一项所述的基于人工智能的检测方法的步骤。