CN117057898A - 银行智能模型的业务信息确定方法、装置和计算机设备 - Google Patents
银行智能模型的业务信息确定方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117057898A CN117057898A CN202311013991.2A CN202311013991A CN117057898A CN 117057898 A CN117057898 A CN 117057898A CN 202311013991 A CN202311013991 A CN 202311013991A CN 117057898 A CN117057898 A CN 117057898A
- Authority
- CN
- China
- Prior art keywords
- model
- processed
- service
- intelligent
- bank
- 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 56
- 238000010276 construction Methods 0.000 claims abstract description 53
- 238000012216 screening Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种银行智能模型的业务信息确定方法、装置和计算机设备，涉及人工智能技术领域。方法包括：基于待处理银行智能模型的模型标识，从模型关联数据库中查找待处理银行智能模型的各模型关联数据；采用预置解析策略解析模型关联数据，得到待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息；基于模型已有业务项，确定待处理银行智能模型的待补全业务项；从模型业务数据库中确定与模型构建数据相匹配的多个目标已分类模型，并根据各目标已分类模型针对模型已有业务项的第二业务信息及第一业务信息，确定待处理银行智能模型针对各待补全业务项对应的业务信息。采用本方法能够提供模型业务信息补全的效率，便于使用。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种银行智能模型的业务信息确定方法、装置和计算机设备。
背景技术
随着人工智能技术的发展，在建模过程中初期建模的模型被称为存量模型。
很多存量模型由于建模时期较早，时间跨度长，信息录入不完善，存量模型中的部分业务信息丢失，导致存量模型未分类，将未分类的存量模型称为待处理银行智能模型。在模型未分类的情况下，在模型选择、重复建模、模型管理方面会出现较多问题，建模人员也难以利用待处理银行智能模型进行相关场景的任务处理。
然而，传统技术中一般采用手工分类方法来补全存量模型的信息，效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种银行智能模型的业务信息确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种银行智能模型的业务信息确定方法，所述方法包括：
基于待处理银行智能模型的模型标识，从模型关联数据库中查找所述待处理银行智能模型的各模型关联数据；
采用预置解析策略解析所述模型关联数据，得到所述待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息；
基于所述模型已有业务项，确定所述待处理银行智能模型的待补全业务项；
从模型业务数据库中确定与所述模型构建数据相匹配的多个目标已分类模型，并根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息及所述第一业务信息，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息。
在其中一个实施例中，业务项包括客户服务业务、个人营销业务条线，所述方法还包括：
将各所述待补全业务项皆补全后的所述待处理银行智能模型，存储至所述模型业务数据库中；
响应于外部输入的筛选信息，从所述模型业务数据库中基于所述筛选信息确定信用卡潜在客户预测模型，以便于建模人员根据所述信用卡潜在客户预测模型对信用卡潜在客户进行预测，所述筛选信息包括所述客户服务业务以及所述个人营销业务条线的业务信息。
在其中一个实施例中，所述根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息及所述第一业务信息，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息，包括：
根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息、及所述待处理银行智能模型的所述第一业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度；
根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息。
在其中一个实施例中，所述从模型业务数据库中确定与所述模型构建数据相匹配的多个目标已分类模型，包括：
针对任一所述模型构建数据，从模型业务数据库中筛选出多个目标已分类模型，所述目标已分类模型的所述模型构建数据，与所述待处理银行智能模型的所述模型构建数据相同。
在其中一个实施例中，所述根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息、及所述待处理银行智能模型的所述第一业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度，包括：
对所述第一业务信息进行标准化处理，得到标准化第一业务信息；
根据所述标准化第一业务信息与各所述目标已分类模型针对所述模型已有业务项的第二业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度。
在其中一个实施例中，所述根据所述标准化第一业务信息与各所述目标已分类模型针对所述模型已有业务项的第二业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度，包括：
基于所述标准化第一业务信息构建第一业务向量；
针对任一所述目标已分类模型，基于所述目标已分类模型针对所述模型已有业务项的第二业务信息构建第二业务向量；
针对任一所述目标已分类模型，根据所述第一业务向量与所述第二业务向量，确定所述目标已分类模型与所述待处理银行智能模型之间的相似度。
在其中一个实施例中，所述根据所述第一业务向量与所述第二业务向量，确定所述目标已分类模型与所述待处理银行智能模型之间的相似度，包括：
确定所述第一业务向量与所述第二业务向量之间的夹角的余弦值，将所述余弦值作为所述目标已分类模型与所述待处理银行智能模型之间的相似度。
在其中一个实施例中，所述根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息，包括：
根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定目标样本模型；
针对任一所述待补全业务项，根据所述目标样本模型针对所述待补全业务项的样本业务信息，确定所述待处理银行智能模型针对所述待补全业务项对应的业务信息。
在其中一个实施例中，所述根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定目标样本模型，包括：
根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，从各所述目标已分类模型中确定目标样本模型，所述目标样本模型与所述待处理银行智能模型之间的所述相似度，大于所述待处理银行智能模型与其他各所述目标已分类模型的相似度。
在其中一个实施例中，所述根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定目标样本模型，包括：
根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，从各所述目标已分类模型中确定多个相似模型，各所述相似模型与所述待处理银行智能模型之间的所述相似度相等，所述相似模型与所述待处理银行智能模型之间的所述相似度，大于所述待处理银行智能模型与其他各所述目标已分类模型的相似度；
根据各所述模型构建数据的权重，从各所述相似模型中确定目标样本模型。
第二方面，本申请还提供了一种银行智能模型的业务信息确定装置。所述装置包括：
数据获取模块，用于基于待处理银行智能模型的模型标识，从模型关联数据库中查找所述待处理银行智能模型的各模型关联数据；
数据解析模块，用于采用预置解析策略解析所述模型关联数据，得到所述待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息；
业务项确定模块，用于基于所述模型已有业务项，确定所述待处理银行智能模型的待补全业务项；
业务信息确定模块，用于从模型业务数据库中确定与所述模型构建数据相匹配的多个目标已分类模型，并根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息及所述第一业务信息，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息。
在一个实施例中，业务项包括客户服务业务、个人营销业务条线。所述银行智能模型的业务信息确定装置还包括筛选模块，用于将各所述待补全业务项皆补全后的所述待处理银行智能模型，存储至所述模型业务数据库中；响应于外部输入的筛选信息，从所述模型业务数据库中基于所述筛选信息确定信用卡潜在客户预测模型，以便于建模人员根据所述信用卡潜在客户预测模型对信用卡潜在客户进行预测，所述筛选信息包括所述客户服务业务以及所述个人营销业务条线的业务信息。
在一个实施例中，所述业务信息确定模块还用于根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息、及所述待处理银行智能模型的所述第一业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度；根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息。
在一个实施例中，所述业务信息确定模块还用于针对任一所述模型构建数据，从模型业务数据库中筛选出多个目标已分类模型，所述目标已分类模型的所述模型构建数据，与所述待处理银行智能模型的所述模型构建数据相同。
在一个实施例中，所述业务信息确定模块还用于对所述第一业务信息进行标准化处理，得到标准化第一业务信息；根据所述标准化第一业务信息与各所述目标已分类模型针对所述模型已有业务项的第二业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度。
在一个实施例中，所述业务信息确定模块还用于基于所述标准化第一业务信息构建第一业务向量；针对任一所述目标已分类模型，基于所述目标已分类模型针对所述模型已有业务项的第二业务信息构建第二业务向量；针对任一所述目标已分类模型，根据所述第一业务向量与所述第二业务向量，确定所述目标已分类模型与所述待处理银行智能模型之间的相似度。
在一个实施例中，所述业务信息确定模块还用于确定所述第一业务向量与所述第二业务向量之间的夹角的余弦值，将所述余弦值作为所述目标已分类模型与所述待处理银行智能模型之间的相似度。
在一个实施例中，所述业务信息确定模块还用于根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定目标样本模型；针对任一所述待补全业务项，根据所述目标样本模型针对所述待补全业务项的样本业务信息，确定所述待处理银行智能模型针对所述待补全业务项对应的业务信息。
在一个实施例中，所述业务信息确定模块还用于根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，从各所述目标已分类模型中确定目标样本模型，所述目标样本模型与所述待处理银行智能模型之间的所述相似度，大于所述待处理银行智能模型与其他各所述目标已分类模型的相似度。
在一个实施例中，所述业务信息确定模块还用于根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，从各所述目标已分类模型中确定多个相似模型，各所述相似模型与所述待处理银行智能模型之间的所述相似度相等，所述相似模型与所述待处理银行智能模型之间的所述相似度，大于所述待处理银行智能模型与其他各所述目标已分类模型的相似度；根据各所述模型构建数据的权重，从各所述相似模型中确定目标样本模型。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各方法实施例中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各方法实施例中的步骤。
第五方面，本申请还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
上述银行智能模型的业务信息确定方法、装置、计算机设备、存储介质和计算机程序产品，基于待处理银行智能模型的模型标识，从模型关联数据库中查找所述待处理银行智能模型的各模型关联数据；采用预置解析策略解析所述模型关联数据，得到所述待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息；基于所述模型已有业务项，确定所述待处理银行智能模型的待补全业务项；从模型业务数据库中确定与所述模型构建数据相匹配的多个目标已分类模型，并根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息及所述第一业务信息，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息。本申请提供的银行智能模型的业务信息确定方法、装置、计算机设备、存储介质和计算机程序产品，获取待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息，基于模型构建数据从模型业务数据库中确定多个目标已分类模型，并根据待处理银行智能模的模型已有业务项的第一业务信息，以及各所述目标已分类模型针对所述模型已有业务项的第二业务信息，可以补全所述待处理银行智能模型针对各所述待补全业务项对应的业务信息，自动化实现待处理银行智能模型的分类，提供模型业务信息补全的效率，同时以便于建模人员筛选使用，提高使用的便利性。
附图说明
图1为一个实施例中银行智能模型的业务信息确定方法的流程示意图；
图2为一个实施例中银行智能模型的业务信息确定方法的流程示意图；
图3为一个实施例中步骤108的流程示意图；
图4为一个实施例中步骤108的流程示意图；
图5为一个实施例中步骤302的流程示意图；
图6为一个实施例中步骤504的流程示意图；
图7为一个实施例中步骤606的流程示意图；
图8为一个实施例中步骤304的流程示意图；
图9为一个实施例中步骤802的流程示意图；
图10为一个实施例中步骤802的流程示意图；
图11为一个实施例中银行智能模型的业务信息确定装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在人工智能应用发展过程中，在建模平台中一些线下研发以及平台初期建模的模型，没有或者缺乏部分模型资产信息，例如模型研发类型、模型使用方式、业务条线、业务领域等等，被称为存量模型。很多存量模型由于建模时期较早，时间跨度长，资产信息录入不完善导致模型未分类，而模型未分类会存在以下问题。一是模型选择不合适，用户难以确定何时使用哪种模型，可能会出现一种模型被广泛使用，而其他模型被忽略的情。二是重复建模，在模型未分类的情况下，可能会出现多个团队独立地对同一个问题进行建模，导致重复劳动和浪费资源。三是模型管理难度大，比如难以确定哪些模型需要更新，哪些模型需要废弃。传统技术中多数采用手工分类方法，但治理时间较长，人力成本较高，效率低，且很多存量模型建模较早，研发背景及参与人员无法追溯，人工判断较难且准确率低。
基于此，本申请实施例提供了一种银行智能模型的业务信息确定方法，以解决上述问题，提高对银行智能模型分类的效率，便于建模人员选择使用。
在一个实施例中，如图1所示，提供了一种银行智能模型的业务信息确定方法本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，基于待处理银行智能模型的模型标识，从模型关联数据库中查找待处理银行智能模型的各模型关联数据。
其中，待处理银行智能模型为缺少至少一项业务项的业务信息的存量模型，即为待进行分类的存量模型。基于是否缺少业务项的业务信息这一标准，银行中各存量模型可以分为待处理银行智能模型以及已分类模型两类。模型标识是每个模型必定存在的标识信息，用于对银行中的各存量模型加以区分。模型标识可以包括模型ID、模型中文名、模型开发人员、模型开发部门等。模型关联数据库为银行中存储各存量模型的各模型关联数据的数据库。模型关联数据为与各存量模型构建、应用、结构等方面相关联的模型数据。模型关联数据可以包括模型构建数据、模型业务项的数据等。
具体地，根据待处理银行智能模型的模型标识，可以从模型关联数据库中查询该模型标识，进一步获取该模型标识对应的模型关联数据，作为待处理银行智能模型的各模型关联数据。
步骤104，采用预置解析策略解析模型关联数据，得到待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息。
其中，本申请实施例对预置解析策略不做具体限定，只需满足能够将模型关联数据解析为模型构建数据以及模型业务项的数据即可。例如：预置解析策略可以为按行或按列调取模型关联数据，并将调取出的数据按序存储为模型构建数据、及模型已有业务项的第一业务信息。模型构建参数是每一个模型必定存在的参数。模型构建参数在模型构建时生成或定义。模型构建参数可以包括模型文件结构、模型使用的训练数据来源(例如不同的数据库)、数据类型，训练的记录表(运行方式)、算法的资源使用类型、模型使用方式、模型建模方式等。以信用卡潜在客户预测模型为例，信用卡潜在客户预测模型的数据类型是结构化数据，模型使用方式为批量服务，模型建模方式为dag图(Directed Acyclic Graph，无回路有向图)建模方式，模型使用的训练数据来源为Hadoop(海杜普)数据库。
每个存量模型可以包括多个业务项，业务项可以表征存量模型可以被建模人员所应用的领域，业务项也可以用于表征模型的类别。示例性的，业务项可以包括技术领域，业务领域，业务条线，模型使用算法等。但待处理银行智能模型，可能会存在一项或多项业务项对应的业务信息丢失。将业务信息未丢失的业务项称为模型已有业务项。待处理银行智能模型中模型已有业务项对应的业务信息为第一业务信息。
步骤106，基于模型已有业务项，确定待处理银行智能模型的待补全业务项。
具体地，每个待处理银行智能模型可以包括多个业务项，将各业务项中的模型已有业务项除去，剩下的业务项作为待处理银行智能模型的待补全业务项。待补全业务项对应的业务信息处于丢失状态。
步骤108，从模型业务数据库中确定与模型构建数据相匹配的多个目标已分类模型，并根据各目标已分类模型针对模型已有业务项的第二业务信息及第一业务信息，确定待处理银行智能模型针对各待补全业务项对应的业务信息。
其中，模型业务数据库为存储银行中各已分类模型的相关数据的数据库。待处理银行智能模型在补全各业务项后，也将被存储至模型业务数据库。目标已分类模型中的至少一个模型构建数据与待处理银行智能模型对应的模型构建数据相同。目标已分类模型中针对待处理银行智能模型的模型已有业务项对应的业务信息为第二业务信息。
具体地，可以从模型业务数据库中，筛选出存在与待处理银行智能模型的模型构建数据至少一项相同的多个已分类模型，作为多个目标已分类模型。在确定多个目标已分类模型后，可以根据各目标已分类模型针对模型已有业务项的第二业务信息，及待处理银行智能模型的第一业务信息，确定待处理银行智能模型针对各待补全业务项对应的业务信息。
本申请实施例中，获取待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息，基于模型构建数据从模型业务数据库中确定多个目标已分类模型，并根据待处理银行智能模的模型已有业务项的第一业务信息，以及各目标已分类模型针对模型已有业务项的第二业务信息，可以补全待处理银行智能模型针对各待补全业务项对应的业务信息，自动化实现待处理银行智能模型的分类，提供模型业务信息补全的效率，同时以便于建模人员筛选使用，提高使用的便利性
在一个实施例中，如图2所示，业务项包括客户服务业务、个人营销业务条线，银行智能模型的业务信息确定方法还可以包括以下步骤：
步骤202，将各待补全业务项皆补全后的待处理银行智能模型，存储至模型业务数据库中。
具体地，模型业务数据库为存储银行中各已分类模型的相关数据的数据库。待处理银行智能模型在补全各待补全业务项后，也将被存储至模型业务数据库，以便于建模人员筛选调取使用。
步骤204，响应于外部输入的筛选信息，从模型业务数据库中基于筛选信息确定信用卡潜在客户预测模型，以便于建模人员根据信用卡潜在客户预测模型对信用卡潜在客户进行预测，筛选信息包括客户服务业务以及个人营销业务条线的业务信息。
其中，银行智能模型的业务项可以包括技术领域，业务领域，业务条线，模型使用算法等。针对待处理银行智能模型，待处理银行智能模型的业务项可以由模型已有业务项以及待补全业务项组成。若技术领域的业务信息为客户服务、业务条线的业务信息为个人营销，则业务项可以包括客户服务业务以及个人营销业务条线。
需要说明的是，筛选信息可以包括至少一项业务项的业务信息，筛选信息可以由建模人员根据需求自行设定。本申请实施例中，以信用卡潜在客户预测模型为例，其业务领域是客户服务，业务条线为个人营销。建模人员可以输入包括客户服务业务以及个人营销业务条线的业务信息的筛选信息，以从模型业务数据库中筛选出可以用来对信用卡潜在客户进行预测的银行智能模型。
具体地，响应于外部输入的客户服务业务以及个人营销业务条线的筛选信息，可以从模型业务数据库中筛选业务领域为客户服务、业务条线为个人营销的信用卡潜在客户预测模型，建模人员只需对该信用卡潜在客户预测模型进行略微修改或直接使用，即可对信用卡潜在客户进行预测。
本公开实施例中，可以根据模型已有业务项的第一业务信息，以及待补全业务项对应的业务信息，提供筛选和搜索功能，用于建模人员共享和复用相似模型，提高使用的便利性。
在一个实施例中，如图3所示，在步骤108中，根据各目标已分类模型针对模型已有业务项的第二业务信息及第一业务信息，确定待处理银行智能模型针对各待补全业务项对应的业务信息，可以包括：
步骤302，根据各目标已分类模型针对模型已有业务项的第二业务信息、及待处理银行智能模型的第一业务信息，分别确定各目标已分类模型与待处理银行智能模型之间的相似度。
具体地，可以从模型业务数据库中获取各目标已分类模型的针对模型已有业务项的第二业务信息。计算各第二业务信息和各第一业务信息之间的余弦相似度，作为各目标已分类模型与待处理银行智能模型之间的相似度。
步骤304，根据各目标已分类模型与待处理银行智能模型之间的相似度，确定待处理银行智能模型针对各待补全业务项对应的业务信息。
具体地，可以根据各目标已分类模型与待处理银行智能模型之间的相似度，找出相似度最高对应的目标已分类模型，并将该目标已分类模型针对待补全业务项对应的数据输入待处理银行智能模型的待补全业务项，作为待补全业务项对应的业务信息。可以根据模型已有业务项的第一业务信息，以及待补全业务项对应的业务信息，分类和展示待处理银行智能模型，例如根据技术领域、业务领域、业务条线分类展示待处理银行智能模型的分类数据，并提供筛选和搜索功能，用于共享和复用相似模型。
本公开实施例中，通过计算各目标已分类模型与待处理银行智能模型之间的相似度，以将相似度最高的目标已分类模型的待补全业务项对应的值赋给待处理银行智能模型，实现了待处理银行智能模型的业务信息补全和确定，大大提高了待处理银行智能模型的分类效率，提高了使用的便利性。
在一个实施例中，如图4所示，在步骤108中，从模型业务数据库中确定与模型构建数据相匹配的多个目标已分类模型，可以包括：
步骤402，针对任一模型构建数据，从模型业务数据库中筛选出多个目标已分类模型，目标已分类模型的模型构建数据，与待处理银行智能模型的模型构建数据相同。
其中，针对任一模型构建数据，可以从模型业务数据库中的各模型中，获取与待处理银行智能模型的该模型构建数据相同的模型，作为目标已分类模型。也即，目标已分类模型至少包括一个模型构建数据与待处理银行智能模型对应的模型构建数据相同。例如：目标已分类模型的模型文件结构与待处理银行智能模型的模型文件结构相同。
本公开实施例中，通过模型构建数据从模型业务数据库中筛选出多个目标已分类模型，便于目标已分类模型与待处理银行智能模型的相似度计算，提高了待处理银行智能模型的分类效率，进而提高了其使用的便利性。
在一个实施例中，如图5所示，在步骤302中，根据各目标已分类模型针对模型已有业务项的第二业务信息、及待处理银行智能模型的第一业务信息，分别确定各目标已分类模型与待处理银行智能模型之间的相似度，可以包括：
步骤502，对第一业务信息进行标准化处理，得到标准化第一业务信息。
具体地，模型业务数据库中存储的各模型都经过标准化处理，目标已分类模型针对模型已有业务项的第二业务信息为标准化处理后的数据。针对于一个字段，标准化处理的过程为将关键字段值按规定进行转化，映射为机器语言可以识别的标准值。对第一业务信息进行标准化处理，即将第一业务信息映射为标准化第一业务信息。
示例性的，对模型的标准化处理可以如表1和表2所示。其中，字段名为各参数的名称；模型ID、模型中文名、模型开发人员、模型开发部门等为模型标识；技术领域，业务领域，业务条线，模型使用算法为业务项；原始值为各参数对应的数据，标准值为标准化处理后转化的数据。例如：“技术领域”映射关系为“机器学习”：“1”、“计算机视觉”：“2”、“自然语言处理”：“3”，则标准化后模型的“技术领域”存储为“1”。
表1标准化处理示例
表2标准化映射关系
步骤504，根据标准化第一业务信息与各目标已分类模型针对模型已有业务项的第二业务信息，分别确定各目标已分类模型与待处理银行智能模型之间的相似度。
其中，可以计算标准化第一业务信息与各目标已分类模型针对模型已有业务项的第二业务信息之间的余弦相似度，作为各目标已分类模型与待处理银行智能模型之间的相似度。
本公开实施例中，将待处理银行智能模型及模型业务数据库中的目标已分类模型进行标准化处理，并存储在模型业务数据库中，用于后续的模型相似度计算及分析使用。
在一个实施例中，如图6所示，在步骤504中，根据标准化第一业务信息与各目标已分类模型针对模型已有业务项的第二业务信息，分别确定各目标已分类模型与待处理银行智能模型之间的相似度，可以包括：
步骤602，基于标准化第一业务信息构建第一业务向量。
具体地，可以将标准化第一业务信息按业务项的预设排序组成第一业务向量。业务项的预设排序可以在模型构建时设定。例如待处理银行智能模型的技术领域对应的标准化第一业务信息为1，业务领域对应的标准化第一业务信息为3，业务条线对应的标准化第一业务信息为2，模型使用算法对应的标准化第一业务信息为1，则第一业务向量为[1,3,2,1]。
步骤604，针对任一目标已分类模型，基于目标已分类模型针对模型已有业务项的第二业务信息构建第二业务向量。
具体地，针对任一目标已分类模型，可以将该目标已分类模型针对模型已有业务项的第二业务信息，按照第一业务向量中各业务项的预设排序，构建第二业务向量。
步骤606，针对任一目标已分类模型，根据第一业务向量与第二业务向量，确定目标已分类模型与待处理银行智能模型之间的相似度。
具体地，针对任一目标已分类模型，可以使用余弦相似度算法，根据第一业务向量与该目标已分类模型的第二业务向量进行模型的相似度计算，得到该目标已分类模型与待处理银行智能模型之间的相似度。
本公开实施例中，通过构建第一业务向量和第二业务向量，便于余弦相似度的计算，提高待处理银行智能模型的业务信息补全效率，进而提高分类和使用效率。
在一个实施例中，如图7所示，在步骤606中，根据第一业务向量与第二业务向量，确定目标已分类模型与待处理银行智能模型之间的相似度，可以包括：
步骤702，确定第一业务向量与第二业务向量之间的夹角的余弦值，将余弦值作为目标已分类模型与待处理银行智能模型之间的相似度。
具体地，第一业务向量与第二业务向量之间的夹角的余弦值，与第一业务向量与第二业务向量的点积成正比，与第一业务向量的模长和第二业务向量的模长之积成反比。第一业务向量与第二业务向量之间的夹角的余弦值的范围在-1到+1，余弦值越大，则对应的目标已分类模型与待处理银行智能模型越相似。
第一业务向量与第二业务向量之间的夹角的余弦值可以满足下列公式(一)。
cos(θ)＝(A*B)/(||A||||B||)公式(一)
其中，cos(θ)为第一业务向量与第二业务向量之间的夹角的余弦值，θ为第一业务向量与第二业务向量之间的夹角，A为第一业务向量，B为第二业务向量，||A||为第一业务向量的模长，||B||为第二业务的模长。
本公开实施例中，通过计算第一业务向量与第二业务向量之间的夹角的余弦值，可以计算出目标已分类模型与待处理银行智能模型之间的余弦相似度，实现对待处理银行智能模型的业务信息的补全确定，提高分类效率。
在一个实施例中，如图8所示，在步骤304中，根据各目标已分类模型与待处理银行智能模型之间的相似度，确定待处理银行智能模型针对各待补全业务项对应的业务信息，可以包括：
步骤802，根据各目标已分类模型与待处理银行智能模型之间的相似度，确定目标样本模型。
其中，目标样本模型为所有目标已分类模型中与待处理银行智能模型最相似的目标已分类模型。可以从各目标已分类模型与待处理银行智能模型之间的相似度筛选出相似度最大值，最大值对应的目标已分类模型可以作为目标样本模型。
步骤804，针对任一待补全业务项，根据目标样本模型针对待补全业务项的样本业务信息，确定待处理银行智能模型针对待补全业务项对应的业务信息。
其中，服务器可以根据得出的最高相似度模型，查询出目标样本模型中针对待处理银行智能模型的待补全业务项的样本业务信息，如技术领域、业务领域、业务条线等对应的数据。将上述样本业务信息赋给待处理银行智能模型的待补全业务项，存储到模型业务数据库中，同时也包括该待处理银行智能模型标准化后的第一业务信息，用于对下一个待处理银行智能模型的相似度计算。
示例性的，客户端还可以对模型业务数据库中已分类归档的模型进行展示，提供如技术领域、业务领域、业务条线等的筛选机制，并提供搜索功能，推荐相似模型以供用户学习及复用。
本公开实施例中，通过筛选出相似度最高的目标样本模型，以完善待处理银行智能模型的待补全业务项，可以提高待处理银行智能模型的分类效率。
在一个实施例中，如图9所示，在步骤802中，根据各目标已分类模型与待处理银行智能模型之间的相似度，确定目标样本模型，可以包括：
步骤902，根据各目标已分类模型与待处理银行智能模型之间的相似度，从各目标已分类模型中确定目标样本模型，目标样本模型与待处理银行智能模型之间的相似度，大于待处理银行智能模型与其他各目标已分类模型的相似度。
具体地，可以从各目标已分类模型与待处理银行智能模型之间的相似度筛选出各相似度中的最大值相似度。最大值相似度大于其他相似度。若最大值相似度只存在一个，则该最大值相似度对应的目标已分类模型可以作为目标样本模型。
本公开实施例中，通过筛选相似度最高的目标已分类模型作为目标样本模型，提高了待处理银行智能模型的业务信息确定精度。
在一个实施例中，如图10所示，在步骤802中，根据各目标已分类模型与待处理银行智能模型之间的相似度，确定目标样本模型，可以包括：
步骤1002，根据各目标已分类模型与待处理银行智能模型之间的相似度，从各目标已分类模型中确定多个相似模型，各相似模型与待处理银行智能模型之间的相似度相等，相似模型与待处理银行智能模型之间的相似度，大于待处理银行智能模型与其他各目标已分类模型的相似度。
具体地，可以从各目标已分类模型与待处理银行智能模型之间的相似度筛选出各相似度中的最大值相似度。最大值相似度大于其他相似度。若最大值相似度存在多个，则最大值相似度对应的各目标已分类模型可以作为相似模型。
步骤1004，根据各模型构建数据的权重，从各相似模型中确定目标样本模型。
具体地，不同的模型构建数据具有不同的权重，可以根据权重从各相似模型中筛选出目标样本模型。目标样本模型中与待处理银行智能模型相等的模型构建数据的权重，是各权重中的最高值。需要说明的是，本申请实施例对模型构建数据的权重不做具体限定，可以根据实际需求和经验设定。
本公开实施例中，可以通过模型构建数据的权重来筛选目标样本模型，提高了待处理银行智能模型的业务信息确定精度。
为了本申请提供的银行智能模型的业务信息确定方法的进一步理解，本申请在此提供一种最完整实施例。本申请克服了存量模型分类难的问题，提供一种基于余弦相似度的模型分类方法，通过参数化模型参数及训练结果，计算模型之间的相似度，实现对模型的分类和管理。本申请可以提供一种模型分类系统，系统包括参数处理单元，相似度计算单元，模型分类单元以及结果展示单元。参数处理单元提供模型信息标准化机制，支持将存量模型及模型库中的模型进行标准化处理，并存储在模型库中，用于后续的模型相似度计算及分析使用。模型库存储信息包括但不限于模型ID(模型唯一标识)，模型中文名，模型开发人员，模型开发部门，技术领域，业务领域，业务条线，模型使用算法。相似度计算单元通过读取目标模型的属性参数的标准化第一属性数据，采用余弦相似度计算方法，与已有模型库中的样本模型进行相似度比较，产生最高相似度模型作为目标样本模型。余弦相似度核心思想就是将两个需要比较的对象向量化，通过计算夹角余弦值来评估他们的相似度。模型分类单元在模型相似度单元产生目标样本模型之后，根据该模型的分类信息，包括技术领域、业务领域、业务条线等分类，输入目标模型，存储到模型库中。结果展示单元将模型分类单元生成的归档结果进行渲染展示。如根据技术领域、业务领域、业务条线分类展示模型信息，并提供筛选和搜索功能，用于共享和复用相似模型。在结果展示单元可以提供用户反馈功能，对自动分类有误的模型信息进行记录，在人工分析解决后，将正确分类信息录入模型库，为下一次计算模型相似度提供基础，提高分析准确率。
具体地，用户输入目标模型后，遍历模型清单。由于模型的技术领域、业务领域、业务条线、算法等信息展现形式都存在一定的结构差异性，所以首先需要对目标模型的各属性参数进行标准化处理，方便和已有模型库中的模型进行相似度比较。在计算完成之后，服务器根据得出的最高相似度模型查询出该模型的分类信息，如技术领域、业务领域、业务条线等。将上述分类信息赋给目标模型，存储到模型库中，同时也包括该目标模型标准化后的模型信息，用于对下一个模型的相似度计算。客户端对于模型库中已分类归档的模型进行展示，提供如技术领域、业务领域、业务条线等的筛选机制，并提供搜索功能，推荐相似模型以供用户学习及复用。
本申请通过参数化模型参数及训练结果，计算模型之间的余弦相似度，实现对存量模型的分类。一是减少了人工分类模型的时间成本，提高分类效率和准确率，二是对内方便后续对模型的管理和维护，对外有助于用户快速找到相似模型进行建模，为新的业务场景提供更高的支持。
应该理解的是，虽然如上的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的银行智能模型的业务信息确定方法的银行智能模型的业务信息确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个模型分类装置实施例中的具体限定可以参见上文中对于银行智能模型的业务信息确定方法的限定，在此不再赘述。
在一个实施例中，如图11所示，提供了一种银行智能模型的业务信息确定装置1100，包括：
数据获取模块1102，用于基于待处理银行智能模型的模型标识，从模型关联数据库中查找待处理银行智能模型的各模型关联数据；
数据解析模块1104，用于采用预置解析策略解析模型关联数据，得到待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息；
业务项确定模块1106，用于基于模型已有业务项，确定待处理银行智能模型的待补全业务项；
业务信息确定模块1108，用于从模型业务数据库中确定与模型构建数据相匹配的多个目标已分类模型，并根据各目标已分类模型针对模型已有业务项的第二业务信息及第一业务信息，确定待处理银行智能模型针对各待补全业务项对应的业务信息。
在一个实施例中，业务项包括客户服务业务、个人营销业务条线。银行智能模型的业务信息确定装置还包括筛选模块，用于将各待补全业务项皆补全后的待处理银行智能模型，存储至模型业务数据库中；响应于外部输入的筛选信息，从模型业务数据库中基于筛选信息确定信用卡潜在客户预测模型，以便于建模人员根据信用卡潜在客户预测模型对信用卡潜在客户进行预测，筛选信息包括客户服务业务以及个人营销业务条线的业务信息。
在一个实施例中，业务信息确定模块1108还用于根据各目标已分类模型针对模型已有业务项的第二业务信息、及待处理银行智能模型的第一业务信息，分别确定各目标已分类模型与待处理银行智能模型之间的相似度；根据各目标已分类模型与待处理银行智能模型之间的相似度，确定待处理银行智能模型针对各待补全业务项对应的业务信息。
在一个实施例中，业务信息确定模块1108还用于针对任一模型构建数据，从模型业务数据库中筛选出多个目标已分类模型，目标已分类模型的模型构建数据，与待处理银行智能模型的模型构建数据相同。
在一个实施例中，业务信息确定模块1108还用于对第一业务信息进行标准化处理，得到标准化第一业务信息；根据标准化第一业务信息与各目标已分类模型针对模型已有业务项的第二业务信息，分别确定各目标已分类模型与待处理银行智能模型之间的相似度。
在一个实施例中，业务信息确定模块1108还用于基于标准化第一业务信息构建第一业务向量；针对任一目标已分类模型，基于目标已分类模型针对模型已有业务项的第二业务信息构建第二业务向量；针对任一目标已分类模型，根据第一业务向量与第二业务向量，确定目标已分类模型与待处理银行智能模型之间的相似度。
在一个实施例中，业务信息确定模块1108还用于确定第一业务向量与第二业务向量之间的夹角的余弦值，将余弦值作为目标已分类模型与待处理银行智能模型之间的相似度。
在一个实施例中，业务信息确定模块1108还用于根据各目标已分类模型与待处理银行智能模型之间的相似度，确定目标样本模型；针对任一待补全业务项，根据目标样本模型针对待补全业务项的样本业务信息，确定待处理银行智能模型针对待补全业务项对应的业务信息。
在一个实施例中，业务信息确定模块1108还用于根据各目标已分类模型与待处理银行智能模型之间的相似度，从各目标已分类模型中确定目标样本模型，目标样本模型与待处理银行智能模型之间的相似度，大于待处理银行智能模型与其他各目标已分类模型的相似度。
在一个实施例中，业务信息确定模块1108还用于根据各目标已分类模型与待处理银行智能模型之间的相似度，从各目标已分类模型中确定多个相似模型，各相似模型与待处理银行智能模型之间的相似度相等，相似模型与待处理银行智能模型之间的相似度，大于待处理银行智能模型与其他各目标已分类模型的相似度；根据各模型构建数据的权重，从各相似模型中确定目标样本模型。
上述银行智能模型的业务信息确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于各模型数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种银行智能模型的业务信息确定方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，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上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种银行智能模型的业务信息确定方法，其特征在于，所述方法包括：
基于待处理银行智能模型的模型标识，从模型关联数据库中查找所述待处理银行智能模型的各模型关联数据；
采用预置解析策略解析所述模型关联数据，得到所述待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息；
基于所述模型已有业务项，确定所述待处理银行智能模型的待补全业务项；
从模型业务数据库中确定与所述模型构建数据相匹配的多个目标已分类模型，并根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息及所述第一业务信息，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息。
2.根据权利要求1所述的方法，其特征在于，业务项包括客户服务业务、个人营销业务条线，所述方法还包括：
将各所述待补全业务项皆补全后的所述待处理银行智能模型，存储至所述模型业务数据库中；
响应于外部输入的筛选信息，从所述模型业务数据库中基于所述筛选信息确定信用卡潜在客户预测模型，以便于建模人员根据所述信用卡潜在客户预测模型对信用卡潜在客户进行预测，所述筛选信息包括所述客户服务业务以及所述个人营销业务条线的业务信息。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息及所述第一业务信息，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息，包括：
根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息、及所述待处理银行智能模型的所述第一业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度；
根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息。
4.根据权利要求1所述的方法，其特征在于，所述从模型业务数据库中确定与所述模型构建数据相匹配的多个目标已分类模型，包括：
针对任一所述模型构建数据，从模型业务数据库中筛选出多个目标已分类模型，所述目标已分类模型的所述模型构建数据，与所述待处理银行智能模型的所述模型构建数据相同。
5.根据权利要求3所述的方法，其特征在于，所述根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息、及所述待处理银行智能模型的所述第一业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度，包括：
对所述第一业务信息进行标准化处理，得到标准化第一业务信息；
根据所述标准化第一业务信息与各所述目标已分类模型针对所述模型已有业务项的第二业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述标准化第一业务信息与各所述目标已分类模型针对所述模型已有业务项的第二业务信息，分别确定各所述目标已分类模型与所述待处理银行智能模型之间的相似度，包括：
基于所述标准化第一业务信息构建第一业务向量；
针对任一所述目标已分类模型，基于所述目标已分类模型针对所述模型已有业务项的第二业务信息构建第二业务向量；
针对任一所述目标已分类模型，根据所述第一业务向量与所述第二业务向量，确定所述目标已分类模型与所述待处理银行智能模型之间的相似度。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一业务向量与所述第二业务向量，确定所述目标已分类模型与所述待处理银行智能模型之间的相似度，包括：
确定所述第一业务向量与所述第二业务向量之间的夹角的余弦值，将所述余弦值作为所述目标已分类模型与所述待处理银行智能模型之间的相似度。
8.根据权利要求3所述的方法，其特征在于，所述根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息，包括：
根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定目标样本模型；
针对任一所述待补全业务项，根据所述目标样本模型针对所述待补全业务项的样本业务信息，确定所述待处理银行智能模型针对所述待补全业务项对应的业务信息。
9.根据权利要求8所述的方法，其特征在于，所述根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定目标样本模型，包括：
根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，从各所述目标已分类模型中确定目标样本模型，所述目标样本模型与所述待处理银行智能模型之间的所述相似度，大于所述待处理银行智能模型与其他各所述目标已分类模型的相似度。
10.根据权利要求8所述的方法，其特征在于，所述根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，确定目标样本模型，包括：
根据各所述目标已分类模型与所述待处理银行智能模型之间的所述相似度，从各所述目标已分类模型中确定多个相似模型，各所述相似模型与所述待处理银行智能模型之间的所述相似度相等，所述相似模型与所述待处理银行智能模型之间的所述相似度，大于所述待处理银行智能模型与其他各所述目标已分类模型的相似度；
根据各所述模型构建数据的权重，从各所述相似模型中确定目标样本模型。
11.一种银行智能模型的业务信息确定装置，其特征在于，所述装置包括：
数据获取模块，用于基于待处理银行智能模型的模型标识，从模型关联数据库中查找所述待处理银行智能模型的各模型关联数据；
数据解析模块，用于采用预置解析策略解析所述模型关联数据，得到所述待处理银行智能模型的模型构建数据、及模型已有业务项的第一业务信息；
业务项确定模块，用于基于所述模型已有业务项，确定所述待处理银行智能模型的待补全业务项；
业务信息确定模块，用于从模型业务数据库中确定与所述模型构建数据相匹配的多个目标已分类模型，并根据各所述目标已分类模型针对所述模型已有业务项的第二业务信息及所述第一业务信息，确定所述待处理银行智能模型针对各所述待补全业务项对应的业务信息。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
14.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013991.2A CN117057898A (zh) | 2023-08-11 | 2023-08-11 | 银行智能模型的业务信息确定方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013991.2A CN117057898A (zh) | 2023-08-11 | 2023-08-11 | 银行智能模型的业务信息确定方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117057898A true CN117057898A (zh) | 2023-11-14 |
Family
ID=88661944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311013991.2A Pending CN117057898A (zh) | 2023-08-11 | 2023-08-11 | 银行智能模型的业务信息确定方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117057898A (zh) |
-
2023
- 2023-08-11 CN CN202311013991.2A patent/CN117057898A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheriyan et al. | Intelligent sales prediction using machine learning techniques | |
| CN102855259A (zh) | 大规模数据聚类分析的并行化 | |
| CN114579584B (zh) | 数据表处理方法、装置、计算机设备和存储介质 | |
| CN113554175B (zh) | 一种知识图谱构建方法、装置、可读存储介质及终端设备 | |
| Lee et al. | Predicting process behavior meets factorization machines | |
| Barthel et al. | Improved evaluation and generation of grid layouts using distance preservation quality and linear assignment sorting | |
| KR102153259B1 (ko) | 데이터 도메인 추천 방법 및 추천된 도메인을 이용하여 통합 데이터 저장소 관리 시스템을 구축하는 방법 | |
| Zaffar et al. | Comparing the performance of FCBF, Chi-Square and relief-F filter feature selection algorithms in educational data mining | |
| CN112100400A (zh) | 基于知识图谱的节点推荐方法及装置 | |
| CN116795995A (zh) | 知识图谱构建方法、装置、计算机设备和存储介质 | |
| Liu | Application of hadoop-based cloud computing in teaching platform research | |
| Wang et al. | An efficient k-medoids clustering algorithm for large scale data | |
| US20210072983A1 (en) | Method and computer-program-product determining measures for the development, design and/or deployment of complex embedded or cyber-physical systems, in particular complex software architectures used therein, of different technical domains | |
| Cruz et al. | Fast evaluation of segmentation quality with parallel computing | |
| Alhaj Ali et al. | Distributed data mining systems: techniques, approaches and algorithms | |
| CN115905654A (zh) | 业务数据的处理方法、装置、设备、存储介质和程序产品 | |
| CN117057898A (zh) | 银行智能模型的业务信息确定方法、装置和计算机设备 | |
| Vaghela et al. | Students' Admission Prediction using GRBST with Distributed Data Mining | |
| CN114493279A (zh) | 一种工作流任务预测方法、装置、存储介质及电子设备 | |
| CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
| Cyganek | Change detection in multidimensional data streams with efficient tensor subspace model | |
| CN114254762A (zh) | 可解释性机器学习模型构建方法、装置和计算机设备 | |
| CN112884028A (zh) | 一种系统资源调整方法、装置及设备 | |
| Bozyiğit et al. | A deep learning-based hotel image classifier for online travel agencies | |
| Mahalle et al. | Data Acquisition and Preparation |
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 |