CN117291533A - 凭证管理方法、装置、设备及存储介质 - Google Patents
凭证管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117291533A CN117291533A CN202311257841.6A CN202311257841A CN117291533A CN 117291533 A CN117291533 A CN 117291533A CN 202311257841 A CN202311257841 A CN 202311257841A CN 117291533 A CN117291533 A CN 117291533A
- Authority
- CN
- China
- Prior art keywords
- credential
- risk
- management
- deep learning
- learning model
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 155
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 230000008520 organization Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 6
- 238000003058 natural language processing Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3821—Electronic credentials
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computer Security & Cryptography (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种凭证管理方法、装置、设备及存储介质,可用于人工智能技术领域。首先获取机构已办理业务的凭证数据,凭证数据包括已办理业务产生的对应凭证,然后根据凭证数据以及深度学习模型确定凭证数据所属风险的各等级概率,深度学习模型通过凭证训练样本对卷积神经网络训练得到,再根据凭证数据所属风险的各等级概率得到凭证数据的管理风险值,进而根据管理风险值进行凭证风险处置。将自然语言处理技术应用于凭证管理解决方案,提供了智能化的凭证管理方法,消除凭证管理死角,并克服中心化系统应用于凭证管理存在的缺陷。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种凭证管理方法、装置、设备及存储介质。
背景技术
当前,银行凭证管理存在死角,例如柜员出售重要凭证时没有全部进行验印核查,剩余的空白凭证交回银行时未及时注销,以及对需要手工销号的凭证销号不及时导致当天漏销等情况存在等。这些造成表外科目分户帐日期不同步,造成帐实不符。
然而,银行目前是将重要空白凭证作为介质进行凭证管理。但是,重要空白凭证的存储、管理、领用、回收、状态变迁等都以银行内部的凭证装置为中心,其是一个典型的中心化系统,存在中心化系统的弊端,例如中心节点的安全性、可靠性等方面弊端等。
可见,银行亟需一种凭证管理解决方案以克服现有技术存在的缺陷。
发明内容
本申请提供一种凭证管理方法、装置、设备及存储介质,用于克服现有技术中采用中心化系统进行凭证管理存在的缺陷进而消除凭证管理死角。
第一方面,本申请提供一种凭证管理方法,包括:
获取机构已办理业务的凭证数据,所述凭证数据包括所述已办理业务产生的对应凭证;
根据所述凭证数据以及深度学习模型确定所述凭证数据所属风险的各等级概率,所述深度学习模型通过凭证训练样本对卷积神经网络训练得到;
根据所述凭证数据所属风险的各等级概率得到所述凭证数据的管理风险值,以根据所述管理风险值进行凭证风险处置。
在一种可能的设计中,所述根据所述管理风险值进行空白凭证风险处置,包括:
根据所述管理风险值确定所述已办理业务是否存在凭证管理风险;
若是,生成预警信息,并发送预警信息至风控中心,使得所述风控中心响应预警信息核验所述已办理业务并根据核验结果进行所述凭证风险处置。
在一种可能的设计中,所述根据所述管理风险值确定所述已办理业务是否存在凭证管理风险,包括:
获取所述已办理业务的空白凭证风险阈值;
判断所述管理风险值是否超过所述空白凭证风险阈值;
若是,确定所述已办理业务存在凭证管理风险。
在一种可能的设计中,在所述根据所述凭证数据以及深度学习模型确定所述凭证数据所属风险的各等级概率之前,还包括:
获取历史凭证数据,根据所述历史凭证数据获得所述凭证训练样本;
根据所述凭证训练样本对所述卷积神经网络进行训练,直当所述卷积神经网络的损失函数达到预设收敛条件时结束训练,将结束训练的所述卷积神经网络确定为所述深度学习模型。
在一种可能的设计中,所述损失函数根据交叉熵损失函数。
在一种可能的设计中,所述根据所述凭证数据以及深度学习模型确定所述凭证数据所属风险的各等级概率,包括:
输入所述凭证数据至所述深度学习模型,得到所述深度学习模块的第一卷积结果;
通过所述深度学习模型的整合算法对所述第一卷积结果进行维度整合,得到整合结果;
通过所述深度学习模型对所述整合结果进行预设层卷积运算得到第二卷积结果,并对所述第二卷积结果进行池化处理得到池化结果;
通过所述深度学习模型的softmax激活函数对所述池化结果进行归一化,得到所述凭证数据所属风险的各等级概率。
在一种可能的设计中,所述根据所述凭证数据所属风险的各等级概率得到所述凭证数据的管理风险值,包括:
获取所述凭证数据所属风险的各等级概率中的最大概率;
将所述最大概率确定为所述凭证数据的管理风险值。
第二方面,本申请提供一种凭证管理装置,包括:
获取模块,用于获取机构已办理业务的凭证数据,所述凭证数据包括所述已办理业务产生的对应凭证;
第一处理模块,用于根据所述凭证数据以及深度学习模型确定所述凭证数据所属风险的各等级概率,所述深度学习模型通过凭证训练样本对卷积神经网络训练得到;
第二处理模块,用于根据所述凭证数据所属风险的各等级概率得到所述凭证数据的管理风险值,以根据所述管理风险值进行凭证风险处置。
在一种可能的设计中,所述第二处理模块,包括:风险处置子模块;所述风险处置子模块,用于:
根据所述管理风险值确定所述已办理业务是否存在凭证管理风险;
若是,生成预警信息,并发送预警信息至风控中心,使得所述风控中心响应预警信息核验所述已办理业务并根据核验结果进行所述凭证风险处置。
在一种可能的设计中,所述风险处置子模块,还用于:
获取所述已办理业务的空白凭证风险阈值;
判断所述管理风险值是否超过所述空白凭证风险阈值;
若是,确定所述已办理业务存在凭证管理风险。
在一种可能的设计中,所述凭证管理装置,还包括:训练模块;所述训练模块,用于:
获取历史凭证数据,根据所述历史凭证数据获得所述凭证训练样本;
根据所述凭证训练样本对所述卷积神经网络进行训练,直当所述卷积神经网络的损失函数达到预设收敛条件时结束训练,将结束训练的所述卷积神经网络确定为所述深度学习模型。
在一种可能的设计中,所述损失函数根据交叉熵损失函数。
在一种可能的设计中,所述第一处理模块,具体用于:
输入所述凭证数据至所述深度学习模型,得到所述深度学习模块的第一卷积结果;
通过所述深度学习模型的整合算法对所述第一卷积结果进行维度整合,得到整合结果;
通过所述深度学习模型对所述整合结果进行预设层卷积运算得到第二卷积结果,并对所述第二卷积结果进行池化处理得到池化结果;
通过所述深度学习模型的softmax激活函数对所述池化结果进行归一化,得到所述凭证数据所属风险的各等级概率。
在一种可能的设计中,所述第二处理模块,还包括:风险值获取子模块;所述风险值获取子模块,用于:
获取所述凭证数据所属风险的各等级概率中的最大概率;
将所述最大概率确定为所述凭证数据的管理风险值。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现第一方面中所提供的任意一种可能的凭证管理方法。
第四方面,本申请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计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面中所提供的任意一种可能的凭证管理方法。
第五方面,本申请提供一种计算机程序产品,包括计算机执行指令,该计算机执行指令被处理器执行时用于实现第一方面中所提供的任意一种可能的凭证管理方法。
本申请提供一种凭证管理方法、装置、设备及存储介质,首先获取机构已办理业务的凭证数据,凭证数据包括已办理业务产生的对应凭证,然后根据凭证数据以及深度学习模型确定凭证数据所属风险的各等级概率,深度学习模型通过凭证训练样本对卷积神经网络训练得到,再根据凭证数据所属风险的各等级概率得到凭证数据的管理风险值,进而根据管理风险值进行凭证风险处置。将自然语言处理技术应用于凭证管理解决方案,提供了智能化的凭证管理方法,消除凭证管理死角,并可以克服中心化系统应用于凭证管理存在的缺陷。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种凭证管理方法的流程示意图;
图3为本申请实施例提供的另一种凭证管理方法的流程示意图;
图4为本申请实施例提供的再一种凭证管理方法的流程示意图;
图5为本申请实施例提供的一种凭证管理装置的结构示意图;
图6为本申请实施例提供的另一种凭证管理装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法和装置的例子。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请提供的标签管理方法、装置、设备及存储介质可用于人工智能技术领域,也可用于除人工智能技术领域之外的任意领域,本申请提供的标签管理方法、装置、设备及存储介质的应用领域不作限定。
当前,银行凭证管理存在死角。目前是将重要空白凭证作为介质进行凭证管理。但是,重要空白凭证的存储、管理、领用、回收、状态变迁等都以银行内部的凭证装置为中心,其是一个典型的中心化系统,存在中心化系统的弊端,例如中心节点的安全性、可靠性等方面弊端等。可见,银行亟需一种凭证管理解决方案以克服现有技术存在的缺陷。
针对现有技术中存在的上述问题,本申请提供一种凭证管理方法、装置、设备及存储介质。本申请提供的凭证管理方法的发明构思在于:采用凭证训练样本对卷积神经网络进行训练得到深度学习模型,利用深度学习模型对机构已办理业务的凭证数据进行处理,确定出凭证数据所属风险的各等级概率,基于其所属风险的各等级概率确定凭证数据的管理风险值,以预测出已办理业务的空白凭证存在的潜在风险,进而依据管理风险值对已办理业务存在的凭证管理风险进行相应风险处置。将自然语言处理技术应用于凭证管理解决方案,提供智能化的凭证管理方法,消除凭证管理死角,并克服中心化系统应用于凭证管理存在的缺陷。并且基于预测到的空白凭证存在的潜在风险实施凭证风险处置,降低机构印鉴卡外带风险,保证客户账户安全。
以下,对本申请实施例的示例性应用场景进行介绍。
图1为本申请实施例提供的一种应用场景示意图。银行等机构为客户办理业务会产生对应凭证,将产生的该对应凭证定义为已办理业务的凭证数据。其中,机构部署的电子设备100运行业务系统以客户办理业务。电子设备200可以运行凭证管理系统,以被配置为执行本申请实施例提供的凭证管理方法,通过将自然语言处理技术应用于凭证管理解决方案,为机构提供智能化的凭证管理方法,消除凭证管理死角,并克服机构通常采用中心化系统进行凭证管理存在的缺陷。
进一步地,电子设备200执行凭证管理方法得到的凭证数据的管理风险值,可以预测到已办理业务对应空白凭证的潜在风险,从而可以根据管理风险值使得风控中心300进行凭证风险处置,例如,风控中心300可以接收到电子设备200根据管理风险值确定已办理业务存在凭证管理风险时生成的预警信息,响应预警信息进行凭证风险处置,降低机构印鉴卡外带风险,保证客户账户安全。风控中心300与电子设备200之间通信连接。
可以理解的是,电子设备100和电子设备200可以为计算机、服务器、服务器集群、智能手机、平板电脑等设备,本申请实施例对于电子设备100和管理设备200的设备类型不作限定,图1中的电子设备100以智能手机为例示出,电子设备200以计算机为例示出。另外,风控中心300处也配置有计算机、服务器、服务器集群、智能手机、平板电脑等设备以进行凭证风险处置,图1中的风控中心300以配置计算机为例示出。
值得说明的是,上述应用场景仅仅是示意性的,本申请实施例提供的凭证管理方法、装置、设备及存储介质包括但不仅限应用于上述应用场景。
图2为本申请实施例提供的一种凭证管理方法的流程示意图。如图2所示,本申请实施例提供的凭证管理方法,包括:
S101:获取机构已办理业务的凭证数据。
其中,凭证数据包括已办理业务产生的对应凭证。
机构为客户办理业务时会产生对应凭证,将该对应凭证定义为已办理业务的凭证数据,所产生的对应凭证例如可以以扫描件或电子文本文件等行驶存在。业务系统将该对应凭证传输至凭证管理系统,使得运行凭证管理系统的电子设备获取到机构已办理业务的凭证数据。
S102:根据凭证数据以及深度学习模型确定凭证数据所属风险的各等级概率。
其中,深度学习模型通过凭证训练样本对卷积神经网络训练得到。
获取到已办理业务的凭证数据之后,利用训练得到的深度学习模型对凭证数据进行处理,以识别出凭证数据所属风险的各等级概率。
需要说明的是,采用凭证训练样本对卷积神经网络训练得到深度学习模型,其中,凭证训练样本所属风险的等级为已知,从而通过利用凭证训练样本对卷积神经网络训练得到的深度学习模型则具备识别凭证数据所属风险等级的能力,识别出的凭证数据所属风险的各等级以概率形式表示,也即得到凭证数据所属风险的各等级概率。
在一种可能的设计中,在步骤S102之前,通过客户凭证样板对卷积神经网络训练得到深度学习模型,其可能实现方式如图3所示。图3为本申请实施例提供的另一种凭证管理方法的流程示意图。如图3所示,本申请实施例包括:
S201:获取历史凭证数据。
收集历史已办理业务的且其所属风险等级已知的凭证数据,得到历史凭证数据。其中,机构可以根据凭证数据所存在的凭证管理风险划分相应等级,以得知历史已办理业务的凭证数据所属风险等级。
S202:根据历史凭证数据获得凭证训练样本。
依据历史凭证数据制作训练所用的训练样本,将制作完成的历史凭证数据确定为凭证训练样本。其中,制作训练样本可以包括但不限于标注样本所属风险等级、关联客户信息、归类正负样本等等,具体可以依据训练对象,例如卷积神经网络,所需的训练样本要求完成样本制作。
S203:根据凭证训练样本对卷积神经网络进行训练,直当卷积神经网络的损失函数达到预设收敛条件时结束训练。
S204:将结束训练的卷积神经网络确定为深度学习模型。
利用凭证训练样本对卷积神经网络进行模型训练,直当训练过程中卷积神经网络的损失函数得到预设收敛条件时,表示模型迭代过程完成,结束训练,将结束训练的卷积神经网络确定为深度学习模型。其中,当损失函数达到一个极小值时表示训练过程中的不断迭代使得模型已收敛。在一些实施例中,预设收敛条件可以通过该极小值表征,极小值的取值可以根据实际工况中对深度学习模型识别凭证所属风险等级的准确度相应设置,本申请实施例对此不作限定。
损失函数是用来估量模型的预测值与真实值的不一致程度,损失函数越小,模型的鲁棒性就越好。在一些实施例中,损失函数可以包括交叉熵损失函数,以避免深度学习模型中的softmax激活函数梯度衰减导致深度学习模型的算法迭代慢使得收敛速度慢的问题。
例如,交叉熵损失函数可以如下公式(1)所示:
其中,L表示交叉熵损失函数,yi为每次迭代softmax激活函数的输出结果,其是将softmax激活函数的输入数据经过归一化得到综合为1的一个n维数据,softmax激活函数如下公式(2)所示:
其中,zi为softmax激活函数前一层的第i个节点的输出,n为节点个数。
可选地,n取值为4。
通过上述描述,本申请实施例提供的凭证管理方法中利用历史凭证数据得到的凭证训练样本训练卷积神经网络得到深度学习模型,使得深度学习模型具备凭证数据所属风险等级的预测能力,进而对当前的凭证数据所属风险等级得以预测,以输出凭证数所属风险各等级的概率。其中损失函数为交叉熵损失函数,可以避免深度学习模型中的softmax激活函数梯度衰减导致深度学习模型的算法迭代慢使得收敛速度慢的问题。
S103:根据凭证数据所属风险的各等级概率得到凭证数据的管理风险值。
得到凭证数据所属风险各等级的概率也即凭证数据所属风险的各等级概率之后,其中各等级概率用于表征凭证数据可能属于相应风险等级的概率。故而,可以获取其各等级的概率中的最大值,也即获取凭证数据所属风险的各等级概率中的最大概率,进而将各等级的概率中的最大值也即各等级概率中的最大概率确定为凭证数据的管理风险值,以表示该凭证数据对应的空白凭证存在潜在风险的概率。凭证数据对应的空白凭证是指办理已办理业务后剩余的对应凭证,也即已办理业务对应的凭证中还未使用的凭证。
S104:根据管理风险值进行凭证风险处置。
凭证数据的管理风险值用于表示凭证数据对应的空白凭证存在潜在风险的概率,则可以依据管理风险值实施凭证风险处置,及时发现空白凭证管理纰漏,保障客户账户安全。
本申请实施例提供的凭证管理方法,利用深度学习模型得到机构已办理业务的凭证数据所属风险的各等级概率,进而根据凭证数据所属风险的各等级概率得到凭证数据的管理风险值。其中深度学习模型是凭证训练样本对卷积神经网络训练得到,使得深度学习模型具备凭证数据所属风险等级的预测能力,进而得到凭证数据的管理风险值,通过管理风险值表征空白凭证存在的潜在风险的概率,实现将自然语言处理技术应用于凭证管理的解决方案,以智能化的凭证管理方法消除现有技术中例如柜员出售重要凭证时没有全部进行验印核查、剩余的空白凭证交回银行时未及时注销以及对需要手工销号的凭证销号不及导致当天漏销等情况的引起的空白凭证管理死角。并且还可以克服现有技术中依赖机构内部的凭证装置为中心进行空白凭证管理所存在的中心化系统的弊端。进一步地,基于预测到管理风险值实施凭证风险处置,还可以降低机构印鉴卡外带风险,保证客户账户安全。
图4为本申请实施例提供的再一种凭证管理方法的流程示意图。如图4所示,本申请实施例提供的凭证管理方法,包括:
S301:获取机构已办理业务的凭证数据。
其中,凭证数据包括已办理业务产生的对应凭证。
步骤S301的可能实现方式、技术原理及效果与步骤S101的可能实现方式、技术原理及效果相类似,详细内容可参考前述描述,在此不再赘述。
S302a:输入凭证数据至深度学习模型,得到深度学习模块的第一卷积结果。
S302b:通过深度学习模型的整合算法对第一卷积结果进行维度整合,得到整合结果。
S302c:通过深度学习模型对整合结果进行预设层卷积运算得到第二卷积结果,并对第二卷积结果进行池化处理得到池化结果。
S302d:通过深度学习模型的softmax激活函数对池化结果进行归一化,得到凭证数据所属风险的各等级概率。
训练得到的深度学习模型中包括第一卷积层、整合层、第二卷积层、池化层以及归一化层。例如,将凭证数据输入至深度学习模型,进行深度学习模型的第一卷积层运算,得到对应运算结果,该运算结果即为第一卷积结果。再通过整合层的整合算法对第一卷积结果进行各维度的整合也即维度整合,得到整合结果。进而通过深度学习模型的第二卷积层进行预设卷积运算,得到的运算结果即为第二卷积结果,再通过池化层对第二卷积结果进行池化处理得到池化结果。最后通过深度学习模型中的归一化层也即softmax激活函数对池化结果进行归一化,获取到凭证数据所属风险的各等级概率,其中各等级概率之和为1。
在一些实施例中,预设卷积运算可以包括4层卷积运算。
通过上述步骤S302a至步骤S302d可以实现根据凭证数据以及深度学习模型确定出凭证数据所属风险的各等级概率。
S303:根据凭证数据所属风险的各等级概率得到凭证数据的管理风险值。
步骤S303的可能实现方式、技术原理及效果与步骤S103的可能实现方式、技术原理及效果相类似,详细内容可参考前述描述,在此不再赘述。
S304:根据管理风险值确定已办理业务是否存在凭证管理风险。
管理风险值表示凭证数据对应的空白凭证存在潜在风险的概率,故而可以依据管理风险值实施凭证风险处置,以及时发现空白凭证管理纰漏。
例如,根据管理风险值核验已办理业务是否存在凭证管理风险,具体地,获取已办理业务的空白凭证风险阈值,判断管理风险值是否超过空白凭证风险阈值,若是,确定已办理业务存在凭证管理风险。
需要说明的是,空白凭证风险阈值可以根据实际工况设置,本申请实施例对于空白凭证风险阈值的具体取值不作限定。
若已办理业务存在凭证管理风险,则执行步骤S305。反之,若管理风险值未超过空白凭证风险阈值,则表示已办理业务不存在凭证管理风险,则执行步骤S301,以对新的已办理业务的凭证数据进行凭证管理。
S305:生成预警信息,并发送预警信息至风控中心,使得风控中心响应预警信息核验已办理业务并根据核验结果进行凭证风险处置。
经过判断,若确定已办理业务存在凭证管理风险,则可以生成预警信息,并发送预警信息至风控中心,使得风控中心响应预警信息实施凭证风险处置。
例如,凭证管理风险可能因无效业务引起,故而可以核验已办理业务中是否存在无效业务,若是,可以撤销无效业务,也即得到核验结果以根据核验结果实施凭证风险处置。可选地,无效业务可以包括客户不知情业务等。
本申请实施例提供的凭证管理方法通过将自然语言处理技术应用于凭证管理解决方案,提供了智能化的凭证管理方法,消除凭证管理死角,并克服中心化系统应用于凭证管理存在的缺陷。并进一步地,根据深度学习模型预测到的凭证数据的管理风险值进行凭证风险处置,实现对已办理业务存在风险的及时预警,便于及时核验已办理业务,根据核验结果及时实施凭证风险处置,例如可以撤销无效业务,对于银行而言可以降低印鉴卡外带风险,从而保证机构服务客户的账户安全。
图5为本申请实施例提供的一种凭证管理装置的结构示意图。如图5所示,本申请实施例提供的凭证管理装置400,包括:
获取模块401,用于获取机构已办理业务的凭证数据,凭证数据包括已办理业务产生的对应凭证;
第一处理模块402,用于根据凭证数据以及深度学习模型确定凭证数据所属风险的各等级概率,深度学习模型通过凭证训练样本对卷积神经网络训练得到;
第二处理模块403,用于根据凭证数据所属风险的各等级概率得到凭证数据的管理风险值,以根据管理风险值进行凭证风险处置。
在一种可能的设计中,第二处理模块403,包括:风险处置子模块4031;风险处置子模块4031,用于:
根据管理风险值确定已办理业务是否存在凭证管理风险;
若是,生成预警信息,并发送预警信息至风控中心,使得风控中心响应预警信息核验已办理业务并根据核验结果进行凭证风险处置。
在一种可能的设计中,风险处置子模块4031,还用于:
获取已办理业务的空白凭证风险阈值;
判断管理风险值是否超过空白凭证风险阈值;
若是,确定已办理业务存在凭证管理风险。
在图5基础上,图6为本申请实施例提供的另一种凭证管理装置的结构示意图。如图6所示,本申请实施例提供的凭证管理装置400,还包括:训练模块404;训练模块404,用于:
获取历史凭证数据,根据历史凭证数据获得凭证训练样本;
根据凭证训练样本对卷积神经网络进行训练,直当卷积神经网络的损失函数达到预设收敛条件时结束训练,将结束训练的卷积神经网络确定为深度学习模型。
在一种可能的设计中,损失函数根据交叉熵损失函数。
在一种可能的设计中,第一处理模块402,具体用于:
输入凭证数据至深度学习模型,得到深度学习模块的第一卷积结果;
通过深度学习模型的整合算法对第一卷积结果进行维度整合,得到整合结果;
通过深度学习模型对整合结果进行预设层卷积运算得到第二卷积结果,并对第二卷积结果进行池化处理得到池化结果;
通过深度学习模型的softmax激活函数对池化结果进行归一化,得到凭证数据所属风险的各等级概率。
继续参照图5所示,第二处理模块403,还包括:风险值获取子模块4032;风险值获取子模块4032,用于:
获取凭证数据所属风险的各等级概率中的最大概率;
将最大概率确定为凭证数据的管理风险值。
本申请实施例提供的凭证管理装置,可以执行上述方法实施例凭证管理方法的相应步骤,其实现原理和技术效果类似,在此不再赘述。
图7为本申请实施例提供的一种电子设备的结构示意图。如图7所示,该电子设备500可以包括:处理器501,以及与处理器501通信连接的存储器502。
存储器502,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机执行指令。
存储器502可能包含高速RAM存储器,也可能还包括非易失性存储器(NoN-volatile memory),例如至少一个磁盘存储器。
处理器501用于执行存储器502存储的计算机执行指令,以实现上述凭证管理方法。
其中,处理器501可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
可选地,存储器502既可以是独立的,也可以跟处理器501集成在一起。当存储器502是独立于处理器501之外的器件时,电子设备500,还可以包括:
总线503,用于连接处理器501以及存储器502。总线可以是工业标准体系结构(industry standard architecture,简称为ISA)总线、外部设备互连(peripheralcomponent,PCI)总线或扩展工业标准体系结构(extended industry standardarchitecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器502和处理器501集成在一块芯片上实现,则存储器502和处理器501可以通过内部接口完成通信。
本申请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包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质,具体的,该计算机可读存储介质中存储有计算机执行指令,计算机执行指令用于上述实施例中的方法。
本申请还提供了一种计算机程序产品,包括计算机执行指令,该计算机指令被处理器执行时实现上述实施例中的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种凭证管理方法,其特征在于,包括:
获取机构已办理业务的凭证数据,所述凭证数据包括所述已办理业务产生的对应凭证;
根据所述凭证数据以及深度学习模型确定所述凭证数据所属风险的各等级概率,所述深度学习模型通过凭证训练样本对卷积神经网络训练得到;
根据所述凭证数据所属风险的各等级概率得到所述凭证数据的管理风险值,以根据所述管理风险值进行凭证风险处置。
2.根据权利要求1所述的凭证管理方法,其特征在于,所述根据所述管理风险值进行空白凭证风险处置,包括:
根据所述管理风险值确定所述已办理业务是否存在凭证管理风险;
若是,生成预警信息,并发送预警信息至风控中心,使得所述风控中心响应预警信息核验所述已办理业务并根据核验结果进行所述凭证风险处置。
3.根据权利要求2所述的凭证管理方法,其特征在于,所述根据所述管理风险值确定所述已办理业务是否存在凭证管理风险,包括:
获取所述已办理业务的空白凭证风险阈值;
判断所述管理风险值是否超过所述空白凭证风险阈值;
若是,确定所述已办理业务存在凭证管理风险。
4.根据权利要求1所述的凭证管理方法,其特征在于,在所述根据所述凭证数据以及深度学习模型确定所述凭证数据所属风险的各等级概率之前,还包括:
获取历史凭证数据,根据所述历史凭证数据获得所述凭证训练样本;
根据所述凭证训练样本对所述卷积神经网络进行训练,直当所述卷积神经网络的损失函数达到预设收敛条件时结束训练,将结束训练的所述卷积神经网络确定为所述深度学习模型。
5.根据权利要求4所述的凭证管理方法,其特征在于,所述损失函数根据交叉熵损失函数。
6.根据权利要求1-5任一项所述的凭证管理方法,其特征在于,所述根据所述凭证数据以及深度学习模型确定所述凭证数据所属风险的各等级概率,包括:
输入所述凭证数据至所述深度学习模型,得到所述深度学习模块的第一卷积结果;
通过所述深度学习模型的整合算法对所述第一卷积结果进行维度整合,得到整合结果;
通过所述深度学习模型对所述整合结果进行预设层卷积运算得到第二卷积结果,并对所述第二卷积结果进行池化处理得到池化结果;
通过所述深度学习模型的softmax激活函数对所述池化结果进行归一化,得到所述凭证数据所属风险的各等级概率。
7.根据权利要求6所述的凭证管理方法,其特征在于,所述根据所述凭证数据所属风险的各等级概率得到所述凭证数据的管理风险值,包括:
获取所述凭证数据所属风险的各等级概率中的最大概率;
将所述最大概率确定为所述凭证数据的管理风险值。
8.一种凭证管理装置,其特征在于,包括:
获取模块,用于获取机构已办理业务的凭证数据,所述凭证数据包括所述已办理业务产生的对应凭证;
第一处理模块,用于根据所述凭证数据以及深度学习模型确定所述凭证数据所属风险的各等级概率,所述深度学习模型通过凭证训练样本对卷积神经网络训练得到;
第二处理模块,用于根据所述凭证数据所属风险的各等级概率得到所述凭证数据的管理风险值,以根据所述管理风险值进行凭证风险处置。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至7任一项所述的凭证管理方法。
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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的凭证管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311257841.6A CN117291533A (zh) | 2023-09-26 | 2023-09-26 | 凭证管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311257841.6A CN117291533A (zh) | 2023-09-26 | 2023-09-26 | 凭证管理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117291533A true CN117291533A (zh) | 2023-12-26 |
Family
ID=89243974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311257841.6A Pending CN117291533A (zh) | 2023-09-26 | 2023-09-26 | 凭证管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291533A (zh) |
-
2023
- 2023-09-26 CN CN202311257841.6A patent/CN117291533A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309840B (zh) | 风险交易识别方法、装置、服务器及存储介质 | |
WO2018166116A1 (zh) | 车损识别方法、电子装置及计算机可读存储介质 | |
CN110263157B (zh) | 一种数据风险预测方法、装置及设备 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN110163242B (zh) | 风险识别方法、装置及服务器 | |
CN110489415B (zh) | 一种数据更新方法及相关设备 | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
CN108550065B (zh) | 评论数据处理方法、装置及设备 | |
CN110310114B (zh) | 对象分类方法、装置、服务器及存储介质 | |
CN107679997A (zh) | 医疗理赔拒付方法、装置、终端设备及存储介质 | |
US10685347B1 (en) | Activating a transaction card | |
CN110414376B (zh) | 更新人脸识别模型的方法、人脸识别相机及服务器 | |
CN111179089B (zh) | 洗钱交易识别方法、装置和设备 | |
CN112712429A (zh) | 汇款业务审核方法、装置、计算机设备和存储介质 | |
CN113657269A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
EP3834141A1 (en) | Techniques for matching disparate input data | |
CN113313114B (zh) | 证件信息获取方法、装置、设备以及存储介质 | |
CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
US11568308B2 (en) | Correcting bias in supervised machine learning data | |
CN116151965A (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 | |
CN117291533A (zh) | 凭证管理方法、装置、设备及存储介质 | |
CN112784990A (zh) | 一种成员推断模型的训练方法 | |
KR102525416B1 (ko) | 분산 데이터베이스 기반의 신분증 인식을 위한 신경망 학습 방법 및 서버 | |
CN116028880B (zh) | 训练行为意图识别模型的方法、行为意图识别方法及装置 |
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 |