CN118096414A - 账务异常根因的确定方法、装置、设备、介质及程序产品 - Google Patents
账务异常根因的确定方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN118096414A CN118096414A CN202410341669.0A CN202410341669A CN118096414A CN 118096414 A CN118096414 A CN 118096414A CN 202410341669 A CN202410341669 A CN 202410341669A CN 118096414 A CN118096414 A CN 118096414A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- attribute
- determining
- attribute information
- leaf
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 301
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003066 decision tree Methods 0.000 claims abstract description 100
- 238000013507 mapping Methods 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 11
- 239000003999 initiator Substances 0.000 claims description 9
- 230000002547 anomalous effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种账务异常根因的确定方法、装置、设备、介质和程序产品,可以应用于大数据以及金融技术领域。包括:在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于决策树,确定当前异常财务的异常根因;其中,决策树是通过如下操作构建的:获取历史异常账务明细集;基于历史异常账务明细集,构建属性类型集;以异常根因作为属性变量,确定属性类型集中每个属性类型对属性变量的信息增益;基于多个信息增益,构建多个叶子层;基于不同属性类型的多个属性信息之间的关联关系,依次将不同叶子层之间的叶子节点进行关联;将最后一层叶子层的叶子节点与异常根因形成映射关系,完成决策树的构建。
Description
技术领域
本公开涉及大数据以及金融技术领域,尤其涉及账务异常根因的确定方法、装置、设备、介质和程序产品。
背景技术
随着金融业务的发展,金融机构需要对每日产生的数据量较大的账务登记日志。为了加快账务处理,金融机构逐渐引入了分布式系统。在分布式系统中,每个节点负责对其分配的同一账务的数据进行处理,可以实现数据并行处理,加快账务处理进程。但是由于网络抖动或者金融产品侧的程序问题等,会出现同一账务的数据不一致,产生异常账务的情况。随着金融机构账务体量的不断增大,对于账务处理后出现的异常账务,存在分析异常账务困难的问题。
发明内容
鉴于上述问题,本公开提供了一种账务异常根因的确定方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种账务异常根因的确定方法,包括:在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于决策树,确定当前异常财务的异常根因;其中,决策树是通过如下操作构建的:获取历史异常账务明细集;其中,历史异常账务明细集中的历史异常账务明细包括历史异常账务的历史属性信息和异常根因;基于历史异常账务明细集,构建属性类型集,其中,属性类型集包括多个属性类型;以异常根因作为属性变量,确定属性类型集中每个属性类型对属性变量的信息增益;基于多个信息增益,构建多个叶子层,其中,叶子层与属性类型相对应,叶子层包括多个叶子节点,叶子节点用于表征属性类型对应的属性信息;基于不同属性类型的多个属性信息之间的关联关系,依次将不同叶子层之间的叶子节点进行关联;以及将最后一层叶子层的叶子节点与异常根因形成映射关系,完成决策树的构建。
根据本公开的实施例,异常根因包括类型不同的多个异常应用,异常应用用于表征交易发起方发起交易所使用的应用;以异常根因作为属性变量,确定每个属性类型对属性变量的信息增益,包括:统计每个异常应用在历史异常账务明细集中出现的应用次数;基于多个异常应用各自的应用次数和历史异常账务明细集的总样本数,确定历史异常账务明细集的信息熵;针对每个属性类型重复执行以下操作:针对每个属性类型中的每个属性信息,从历史异常账务明细集中确定每个异常应用的第一样本数;基于多个异常应用各自的第一样本数,得到每个属性信息对应的第二样本数;基于多个异常应用各自的第一样本数和每个属性信息对应的第二样本数,确定每个属性信息对异常应用的条件子熵;基于多个条件子熵,确定属性类型对异常应用的条件熵;以及根据信息熵和条件熵的差值,确定属性类型的信息增益。
根据本公开的实施例,账务异常根因的确定方法还包括:在确定当前异常账务关联的交易的属性信息与决策树的叶子节点匹配的情况下,确定叶子节点所在的层数;以及在确定叶子节点所在的层数为最后一层的情况下,确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功。
根据本公开的实施例,账务异常根因的确定方法还包括:在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配不成功的情况下,根据交易的发生地区,获取发生地区的总交易明细,其中,总交易明细包括交易双方在交易过程中关联应用产生的交易记录;在确定关联应用之间的交易记录不一致的情况下,将关联应用中发起交易一方的应用确定为异常应用;以及将异常应用确定为当前异常财务的异常根因。
根据本公开的实施例,账务异常根因的确定方法还包括:根据关联应用产生的交易记录,确定多个新增属性信息;将每个新增属性信息添加到对应叶子层的新的叶子节点上;以及将最后一层叶子层的新的叶子节点与异常应用形成映射关系,得到更新后的决策树。
根据本公开的实施例,在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于决策树,确定当前异常财务的异常根因,包括:在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,确定与当前异常账务关联的交易的属性信息与决策树匹配的最后一层叶子层的叶子节点;基于映射关系,确定与叶子节点具有映射关系的异常根因;以及将与叶子节点具有映射关系的异常根因确定为当前异常财务的异常根因。
本公开的第二方面提供了一种账务异常根因的确定装置,包括:第一确定模块,用于在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于决策树,确定当前异常财务的异常根因;其中,决策树是通过如下操作构建的:获取历史异常账务明细集;其中,历史异常账务明细集中的历史异常账务明细包括历史异常账务的历史属性信息和异常根因;基于历史异常账务明细集,构建属性类型集,其中,属性类型集包括多个属性类型;以异常根因作为属性变量,确定属性类型集中每个属性类型对属性变量的信息增益;基于多个信息增益,构建多个叶子层,其中,叶子层与属性类型相对应,叶子层包括多个叶子节点,叶子节点用于表征属性类型对应的属性信息;基于不同属性类型的多个属性信息之间的关联关系,依次将不同叶子层之间的叶子节点进行关联;以及将最后一层叶子层的叶子节点与异常根因形成映射关系,完成决策树的构建。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个计算机程序,其中,上述一个或多个处理器执行上述一个或多个计算机程序以实现上述账务异常根因的确定方法的步骤。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有计算机程序或指令,上述计算机程序或指令被处理器执行时实现上述账务异常根因的确定方法的步骤。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序或指令,上述计算机程序或指令被处理器执行时实现上述账务异常根因的确定方法的步骤。
根据本公开的实施例,以异常根因作为属性变量确定的信息增益,基于信息增益构建的决策树,是基于历史异常账务的属性类型对属性变量的影响程度构建的,能够在现有决策树信息增益算法基础上增加变量因素,提高异常根因的准确性。将最后一层叶子层的叶子节点与属性变量形成映射关系,在当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,能够实时确定异常根因,提高异常根因的准确性。
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账务异常根因的确定方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的账务异常根因的确定方法的流程图;
图3示意性示出了根据本公开实施例的决策树的示意图;
图4示意性示出了根据本公开实施例的更新后的决策树的示意图;
图5示意性示出了根据本公开实施例的账务异常根因的确定装置的结构框图;以及
图6示意性示出了根据本公开实施例的适于实现账务异常根因的确定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)。
在本公开的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)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,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
在利用个人信息进行自动化决策的场景下,本公开实施例提供的方法、设备和系统均为用户提供相应的操作入口,供用户选择同意或者拒绝自动化决策结果;若用户选择拒绝,则进入专家决策流程。此处的表述“自动化决策”是指通过计算机程序自动分析、评估个人的行为习惯、兴趣爱好或者经济、健康、信用状况等,并进行决策的活动。此处的表述“专家决策”是指专门从事某一领域的工作、具有专门的经验、知识和技能并达到一定的专业水平的人员进行决策的活动。
在本公开实施例的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
在实施本公开的过程中发现,金融机构如银行在对核心账务处理时,是基于大型机和数据库的核心系统。但是由于单个大型机的性能有限,以及大型机高昂的性能成本,在非联机交易、批量高峰期,增加大型机会造成主机资源浪费。为保证银行核心业务低延时仍能稳定开展,核心系统一般分为日间联机时段和日终批量时段。在营业终了后日终批量时段,通过批量作业,解析统计批量日的全量的结算类账务日志,进行账务核对。随着银行交易体量的不断增大,对于账务核对后出现的异常账务难以准确分析。此外,大型机针对的账务核对主要是对常规交易进行核对,对于冷门分支的交易无法做到全覆盖,需要做额外的处理,甚至人工干预。
本公开的实施例提供了一种账务异常根因的确定方法,包括:在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于决策树,确定当前异常财务的异常根因;其中,决策树是通过如下操作构建的:获取历史异常账务明细集;其中,历史异常账务明细集中的历史异常账务明细包括历史异常账务的历史属性信息和异常根因;基于历史异常账务明细集,构建属性类型集,其中,属性类型集包括多个属性类型;以异常根因作为属性变量,确定属性类型集中每个属性类型对属性变量的信息增益;基于多个信息增益,构建多个叶子层,其中,叶子层与属性类型相对应,叶子层包括多个叶子节点,叶子节点用于表征属性类型对应的属性信息;基于不同属性类型的多个属性信息之间的关联关系,依次将不同叶子层之间的叶子节点进行关联;以及将最后一层叶子层的叶子节点与异常根因形成映射关系,完成决策树的构建。
图1示意性示出了根据本公开实施例的账务异常根因的确定方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104以及服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备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。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103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)。
第一终端设备101、第二终端设备102、第三终端设备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、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,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103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。
需要说明的是,本公开实施例所提供的账务异常根因的确定方法一般可以由服务器105执行。相应地,本公开实施例所提供的账务异常根因的确定装置一般可以设置于服务器105中。本公开实施例所提供的账务异常根因的确定方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的账务异常根因的确定装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
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。
以下将基于图1描述的场景,通过图2~图4对公开实施例的账务异常根因的确定方法进行详细描述。
图2示意性示出了根据本公开实施例的账务异常根因的确定方法的流程图。
如图2所示,该实施例的账务异常根因的确定方法200包括操作S210。
在操作S210,在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于决策树,确定当前异常财务的异常根因。
根据本公开的实施例,当前异常账务可以是当前时刻下结算类异常账务。例如,在出现跨机构记账,即账户归属机构与交易机构不一致时,进行的同城清算和异地清算。清算后在日终批量时段的账务核对当日,由于交易机构不一致、币种、交易额、入账日期不一致等问题,而产生的异常账务。
根据本公开的实施例,决策树可以是通过如下操作S1~S6构建的。
在操作S1,获取历史异常账务明细集。
在操作S2,基于历史异常账务明细集,构建属性类型集。
在操作S3,以异常根因作为属性变量,确定属性类型集中每个属性类型对属性变量的信息增益。
在操作S4,基于多个信息增益,构建多个叶子层。
在操作S5,基于不同属性类型的多个属性信息之间的关联关系,依次将不同叶子层之间的叶子节点进行关联。
在操作S6,将最后一层叶子层的叶子节点与异常根因形成映射关系,完成决策树的构建。
根据本公开的实施例,历史异常账务明细集中的历史异常账务明细可以包括历史异常账务的历史属性信息和异常根因。每个历史异常账务明细至少对应一个异常根因。异常根因可以包括异常原因和异常应用。
例如,历史异常账务明细集可以是在整理了近两年的所有异常账务后得到的,也可以是从账务管理系统获取的近两年的所有异常账务明细。
根据本公开的实施例,属性类型集可以包括不同的属性类型。可以根据历史异常账务明细集中所有历史属性信息,得到多个属性类型。
根据本公开的实施例,信息增益用于表征属性类型集中每个属性类型对属性变量的影响程度。可以理解为,信息增益越大,属性类型对属性变量的影响程度越大。
根据本公开的实施例,决策树可以包括多个叶子层。可以将多个信息增益进行降序排列,按照信息增益的排列顺序,确定每个属性类型的排列顺序。按照每个属性类型的排列顺序,依次从上到下构建叶子层。第一层叶子层对应信息增益最大的属性类型,最后一层叶子层对应信息增益最小的属性类型。
根据本公开的实施例,叶子层与属性类型相对应,叶子层可以包括多个叶子节点,叶子节点用于表征属性类型对应的属性信息。
根据本公开的实施例,由于每个历史异常账务明细至少对应一个异常根因,可以将最后一层叶子层的叶子节点与异常根因形成映射关系。
根据本公开的实施例,金融机构可以将当前异常账务发送到服务器,服务器在接收到当前异常账务后,从数据库获取与当前异常账务关联的交易,得到交易的属性信息。将属性信息与决策树中属性信息进行一一对应匹配,如果属性信息均匹配成功的情况下,根据叶子节点与异常根因形成的映射关系,确定当前异常财务的异常根因。
根据本公开的实施例,以异常根因作为属性变量确定的信息增益,基于信息增益构建的决策树,是基于历史异常账务的属性类型对属性变量的影响程度构建的,能够在现有决策树信息增益算法基础上增加变量因素,提高异常根因的准确性。将最后一层叶子层的叶子节点与属性变量形成映射关系,在当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,能够实时确定异常根因,提高异常根因的准确性。
根据本公开的另一实施例,在根据上述操作S2获取到历史异常账务明细集之后,可以对历史异常账务明细集进行预处理。预处理可以包括:对历史异常账务明细集中历史异常账务明细中的缺失值、异常值和重复值进行数据清洗,得到多个清洗后的历史异常账务明细。对每个清洗后的历史异常账务明细中的历史属性信息中数值型信息进行标准化处理,以便在构建决策树时不同属性信息之间的尺度差异不会对决策树产生不良影响,得到多个标准化处理后的历史异常账务明细。在多个标准化处理后的历史异常账务明细中存在日期属性信息的情况下,可以将日期进行格式化,提取年、月、日等信息,以便更好地理解时间维度的属性信息。在多个标准化处理后的历史异常账务明细中存在异常类型、地区网点号、网点类型、币种等类别型属性信息时,可以使用独热编码或标签编码进行转换,以便在构建决策树的过程中能够准确处理这些信息。在多个标准化处理后的历史异常账务明细中存在文本型属性信息时,如异常应用、程序名、异常分类、异常原因等字段包含文本信息,可以进行文本处理,例如分词、词干提取、去停用词等,以便将文本信息转化为可用于构建决策树的属性信息。在多个标准化处理后的历史异常账务明细中存在异常分类的属性信息时,如果异常分类有层次结构,可以将其进行适当的层次化处理,以更好地反映异常分类之间的关系。在多个标准化处理后的历史异常账务明细中存在币种的属性信息时,可以将金额统一为基准币种,以便进行比较和分析。
根据本公开的另一实施例,针对上述操作S2,基于历史异常账务明细集,构建属性类型集时,可以对历史异常账务明细集中出现的所有不同的属性类型,按照预设条件进行属性类型筛选,得到多个目标属性类型,将多个目标属性类型作为属性类型集。预设条件可以包括目标属性类型需要满足与异常根因存在相关性。通过对属性类型进行筛选,可以选择具有相关性的属性类型,进行构建决策树,避免在构建决策树时出现维度灾难,提高构建效率。
根据本公开的另一实施例,在通过上述操作S1获取到历史异常账务明细集时,可以进行数据划分,将历史异常账务明细集划分为训练集和测试集,训练集用于构建决策树,测试集用于修正构建好的决策树。可以通过计算其准确率、召回率、F1值等指标修正构建好的决策树。
根据本公开的另一实施例,针对多个异常根因,如果存在异常根因的数量超过阈值的情况下,可以对异常根因进行规范化或者归纳成更少的异常根因,以降低决策树的复杂性。
例如,异常根因可以包括异常原因和异常应用。异常原因可以是以下至少之一:业务参数设置问题、数据处理缺少同步机制、跨日切补偿、联机批量衔接、数据一致性、网点撤并问题、业务功能防腐处理、业务流程端到端闭环、业务流程控制、账号拼装错误、账户/参数异常未主动处理、超时疑账处理设置不合理、对于数据处理缺少同步机制、滚动升级衔接、应用间处理日期不一致、自平衡冲账、滚动升级衔接、流量控制、幂等/空回滚/防悬挂、编码导致的易用性问题逻辑错误(程序代码未能正确实现设计的逻辑)、变量错误(变量没有正确定义和使用,变量没有初始化,出现溢出或越界等)、语法问题(语法问题程序编码的语法有问题)、程序效率问题(程序编码存在效率问题或效率隐患)、数据合法性(未能正确进行数据合法性检查和处理)、不符合规范(程序的命名和编写不符合相关的开发规范)、文字或排版问题(错误信息不清或有错、单纯的界面错误,如排版不好、有错字等)、技术参数版本错误(开发中心发布的技术参数版本错,其他技术参数问题等)、生产参数设置错误(生产维护的参数错误)、版本参数手册错误(开发中心发布的参数手册错误)、生产环境问题、变更方案问题等。
根据本公开的另一实施例,在决策树的构建过程中,从上到下构建叶子层时,还可以确定叶子层的深度是否满足终止条件,如果满足终止条件,可以停止分裂。终止条件可以是指定的叶子层的深度。
根据本公开的另一实施例,在决策树的构建过程中,当叶子节点的样本数小于某个阈值时,可以停止分裂。有利于避免处理过小的子集,从而减少过拟合的可能性。
根据本公开的另一实施例,还可以设置一个信息增益的最小阈值,当分裂后的信息增益低于这个阈值时停止分裂。
根据本公开的另一实施例,还可以根据叶子节点的纯度停止分裂,如当叶子节点的样本属于同一类别或其纯度达到某个阈值时停止分裂。
根据本公开的另一实施例,可以在构建好完整的决策树之后,通过剪枝来减小树的规模。剪枝时可以根据验证集的性能来选择合适的节点进行剪枝。可以通过提前停止分裂来避免过度拟合。在每次分裂前,评估分裂后的性能,如果不足够显著,就停止分裂。
根据本公开的实施例,异常根因可以包括类型不同的多个异常应用,异常应用可以用于表征交易发起方发起交易所使用的应用。
根据本公开的另一实施例,针对上述操作S3,以异常根因作为属性变量,确定每个属性类型对属性变量的信息增益,可以包括:统计每个异常应用在历史异常账务明细集中出现的应用次数。基于多个异常应用各自的应用次数和历史异常账务明细集的总样本数,确定历史异常账务明细集的信息熵。针对每个属性类型重复执行以下操作:针对每个属性类型中的每个属性信息,从历史异常账务明细集中确定每个异常应用的第一样本数;基于多个异常应用各自的第一样本数,得到每个属性信息对应的第二样本数;基于多个异常应用各自的第一样本数和每个属性信息对应的第二样本数,确定每个属性信息对异常应用的条件子熵;基于多个条件子熵,确定属性类型对异常应用的条件熵;以及根据信息熵和条件熵的差值,确定属性类型的信息增益。
根据本公开的实施例,可以基于多个异常应用各自的应用次数和历史异常账务明细集的总样本数的比值,确定多个异常应用各自的应用对于历史异常账务明细集的信息子熵。基于多个信息子熵,确定历史异常账务明细集的信息熵。
例如,历史异常账务明细集的信息熵可以表示为H(D),H(D)可以如下公式(1)所示:
其中,D可以表示历史异常账务明细集;pk表示第k个异常应用在历史异常账务明细集中所占的样本比例;|D|表示历史异常账务明细集的总样本数;K表示异常应用的个数;|Ck|表示第k个异常应用在历史异常账务明细集中出现的应用次数。
根据本公开的实施例,针对每个属性类型中的每个属性信息:可以将多个异常应用各自的第一样本数累计求和,得到每个属性信息对应得第二样本数。第一样本数用于表征一个属性应用在历史异常账务明细集中样本同时属于相同属性类型和相同属性信息时的样本数量。第二样本数用于表征所有属性应用在历史异常账务明细集中样本同时属于相同属性类型和相同属性信息时的样本数量。针对每个属性信息重复执行以下操作:根据多个异常应用各自的第一样本数和每个属性信息对应的第二样本数的比值,得到每个异常应用各自的多个第一比值;基于常规熵值计算函数和每个异常应用各自的多个第一比值,确定每个异常应用各自的熵值;将每个异常应用各自的熵值求和之后,得到所有异常应用的总熵值。每个属性信息对应一个总熵值。
根据每个属性信息各自的第二样本数与总样本数的比值,得到每个属性信息对应的第二比值。根据每个属性信息对应的第二比值与每个属性信息对应的总熵值的乘积,得到每个属性信息对异常应用的条件子熵。将多个条件子熵累计求和,得到属性类型对异常应用的条件熵。
例如,属性类型集可以包括属性类型1、属性类型2…属性类型8。对于属性类型1对属性变量的信息增益,可以表示为如下式(2)所示:
IG(D,A1)=H(D)-H(D|A1) (2)
其中,A表示为属性类型;IG(D,A1)表示为属性类型1对异常应用的信息增益;H(D|A1)表示为属性类型1对异常应用的条件熵。
H(D|A1)的计算方式可以如下式(3)所示:
其中,H(Dm|A1)表示为属性类型1对应的第m个属性信息对异常应用的条件子熵。
H(Dm|A1)的计算方式可以以m=1时示意性示出,如下式(4)所示:
其中,H(Dj)可以表示为第j个属性信息下的所有异常应用的总熵值;|Dx|可以表示为第X个属性信息的第二样本数;j=1,2…X。
根据本公开的实施例,考虑到某个属性类型的属性信息的缺失,会影响属性类型对属性变量的影响程度的评估,通过引入条件熵,能够减少缺失属性信息带来的不利影响,使得最终确定的信息增益能够准确表征属性类型对属性变量的影响程度。
图3示意性示出了根据本公开实施例的决策树的示意图。
根据本公开的实施例,账务异常根因的确定方法除可以包括上述如图2所示的操作S210之外,还可以包括操作:在确定当前异常账务关联的交易的属性信息与决策树的叶子节点匹配的情况下,确定叶子节点所在的层数。在确定叶子节点所在的层数为最后一层的情况下,确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功。
根据本公开的实施例,预先构建的决策树可以如图3所示,有n层叶子层,在每层叶子层均包括多个叶子节点,在图中以黑原点示出,在图中每个叶子节点从左到右可以依次被命名为叶子节点1、叶子节点2、…、叶子节点m。在第n层叶子层即最后一层叶子层中,叶子节点1和叶子节点2与异常根因1具有映射关系,叶子节点3、叶子节点4和叶子节点5与异常根因2具有映射关系,叶子节点6和叶子节点7与异常根因3具有映射关系等。可以将当前异常账务关联的交易的属性信息与决策树的叶子节点匹配,如果能够从第1层叶子层成功匹配到最后一层叶子层,如第1层叶子层的叶子节点2→第2层叶子层的叶子节点1→…第n层叶子层的叶子节点1,可以确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功。
根据本公开的实施例,通过将当前异常账务关联的交易的属性信息与每一层叶子层中叶子节点表征的属性信息匹配的情况下,基于决策树,能够准确确定异常根因。能够有效降低在异常账务的异常原因或者属性信息发生变更的情况下,基于决策树确定的异常根因的错误率。
根据本公开的实施例,针对如图2所示的上述操作S210,在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于决策树,确定当前异常财务的异常根因,可以包括:在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,确定与当前异常账务关联的交易的属性信息与决策树匹配的最后一层叶子层的叶子节点。基于映射关系,确定与叶子节点具有映射关系的异常根因。将与叶子节点具有映射关系的异常根因确定为当前异常财务的异常根因。
根据本公开的实施例,如果与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功,可以根据匹配到的最后一层叶子层的叶子节点确定异常根因。如图3所示,如果匹配到的最后一层叶子层的叶子节点为叶子节点5,具有映射关系的是异常根因2,可以将异常根因2确定为当前异常财务的异常根因。
根据本公开的实施例,通过确定最后一层匹配的叶子节点,能够实时确定异常根因,提高异常根因的准确性。
根据本公开的实施例,账务异常根因的确定方法除可以包括上述如图2所示的操作S210之外,还可以包括操作:在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配不成功的情况下,根据交易的发生地区,获取发生地区的总交易明细。在确定关联应用之间的交易记录不一致的情况下,将关联应用中发起交易一方的应用确定为异常应用。将异常应用确定为当前异常财务的异常根因。
根据本公开的实施例,总交易明细可以包括交易双方在交易过程中关联应用产生的交易记录。
例如,交易发起方A向交易接收方B转金额X,交易发起方所使用的应用会产生交易发起方A向银行1转出金额X的交易1,银行1使用的应用会产生交易发起方A向银行1转入金额Y的交易2,银行1使用的应用还会产生银行1向交易接收方B转出金额Y的交易3,以及交易接收方B使用的应用会产生银行1向交易接收方B转入金额Y的交易3。交易1和交易2金额不一致,可以将交易发起方A所使用的应用确定为异常应用。
根据本公开的实施例,考虑到当前异常账务关联的交易的属性信息较多的情况下,根据每一个属性信息进行逐一排查会耗费大量计算资源,通过交易的发生地区进行交易明细的筛查,能够有效降低数据量,减少计算资源,根据关联应用之间交易记录的不一致性,能够成功匹配到异常应用。
图4示意性示出了根据本公开实施例的更新后的决策树的示意图。
根据本公开的实施例,账务异常根因的确定方法除可以包括上述如图2所示的操作S210之外,还可以包括操作:根据关联应用产生的交易记录,确定多个新增属性信息。将每个新增属性信息添加到对应叶子层的新的叶子节点上。将最后一层叶子层的新的叶子节点与异常应用形成映射关系,得到更新后的决策树。
根据本公开的实施例,更新后的决策树例如可以如图4所示,图中空心圆圈代表新增属性信息。在第1层叶子层中新增了新的叶子节点,在第2层叶子层中无新增的新的叶子节点,在最后一层叶子层中新增了新的叶子节点,与异常根因N+1具有映射关系。
需要说明的是,在最后一层叶子层中新增了新的叶子节点之后,如果根据关联应用中发起交易一方的应用确定的异常应用与原有决策树中最后一层叶子层中叶子节点具有映射关系的情况下,最后一层叶子层中新增的新的叶子节点与原有决策树中最后一层叶子层中叶子节点具有相同的异常根因。
根据本公开的实施例,通过在当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配不成功的情况下,根据新增属性信息及时更新决策树,能够实现对决策树的不断修正,提高异常根因的准确度。
基于上述账务异常根因的确定方法,本公开还提供了一种账务异常根因的确定装置。以下将结合图5对该装置进行详细描述。
图5示意性示出了根据本公开实施例的账务异常根因的确定装置的结构框图。
如图5所示,该实施例的账务异常根因的确定装置500包括第一确定模块510。
第一确定模块510用于在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于决策树,确定当前异常财务的异常根因。在一实施例中,图像获取模块510可以用于执行前文描述的操作S210,在此不再赘述。
根据本公开的实施例,决策树是通过如下操作构建的:获取历史异常账务明细集。基于历史异常账务明细集,构建属性类型集。以异常根因作为属性变量,确定属性类型集中每个属性类型对属性变量的信息增益。基于多个信息增益,构建多个叶子层。基于不同属性类型的多个属性信息之间的关联关系,依次将不同叶子层之间的叶子节点进行关联。将最后一层叶子层的叶子节点与异常根因形成映射关系,完成决策树的构建。
根据本公开的实施例,历史异常账务明细集中的历史异常账务明细包括历史异常账务的历史属性信息和异常根因。
根据本公开的实施例,属性类型集包括多个属性类型。
根据本公开的实施例,叶子层与属性类型相对应,叶子层包括多个叶子节点,叶子节点用于表征属性类型对应的属性信息。
根据本公开的实施例,异常根因包括类型不同的多个异常应用,异常应用用于表征交易发起方发起交易所使用的应用。
根据本公开的实施例,以异常根因作为属性变量,确定每个属性类型对属性变量的信息增益,可以包括:统计每个异常应用在历史异常账务明细集中出现的应用次数。基于多个异常应用各自的应用次数和历史异常账务明细集的总样本数,确定历史异常账务明细集的信息熵。针对每个属性类型重复执行以下操作:针对每个属性类型中的每个属性信息,从历史异常账务明细集中确定每个异常应用的第一样本数;基于多个异常应用各自的第一样本数,得到每个属性信息对应的第二样本数;基于多个异常应用各自的第一样本数和每个属性信息对应的第二样本数,确定每个属性信息对异常应用的条件子熵;基于多个条件子熵,确定属性类型对异常应用的条件熵;以及根据信息熵和条件熵的差值,确定属性类型的信息增益。
根据本公开的实施例,账务异常根因的确定装置500还可以包括:第二确定模块和第三确定模块。
第二确定模块用于在确定当前异常账务关联的交易的属性信息与决策树的叶子节点匹配的情况下,确定叶子节点所在的层数。
第三确定模块用于在确定叶子节点所在的层数为最后一层的情况下,确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功。
根据本公开的实施例,账务异常根因的确定装置500还可以包括:获取模块、第四确定模块和第五确定模块。
获取模块用于在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配不成功的情况下,根据交易的发生地区,获取发生地区的总交易明细。
第四确定模块用于在确定关联应用之间的交易记录不一致的情况下,将关联应用中发起交易一方的应用确定为异常应用。
第五确定模块用于将异常应用确定为当前异常财务的异常根因。
根据本公开的实施例,总交易明细包括交易双方在交易过程中关联应用产生的交易记录。
根据本公开的实施例,账务异常根因的确定装置500还可以包括:第六确定模块、添加模块和映射模块。
第六确定模块用于根据关联应用产生的交易记录,确定多个新增属性信息。
添加模块用于将每个新增属性信息添加到对应叶子层的新的叶子节点上。
映射模块用于将最后一层叶子层的新的叶子节点与异常应用形成映射关系,得到更新后的决策树。
根据本公开的实施例,第一确定模块510还可以包括:第一确定子单元、第二确定子单元以及第三确定子单元。
第一确定子单元用于在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,确定与当前异常账务关联的交易的属性信息与决策树匹配的最后一层叶子层的叶子节点。
第二确定子单元用于基于映射关系,确定与叶子节点具有映射关系的异常根因。
第三确定子单元用于将与叶子节点具有映射关系的异常根因确定为当前异常财务的异常根因。
根据本公开的实施例,第一确定模块510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,第一确定模块510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,第一确定模块510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6示意性示出了根据本公开实施例的适于实现账务异常根因的确定方法的电子设备的方框图。
如图6所示,根据本公开实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601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601还可以包括用于缓存用途的板载存储器。处理器601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 603中,存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603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ROM602和RAM 603以外的一个或多个存储器中。处理器601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600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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 602和/或RAM 603和/或ROM 602和RAM 603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601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609被下载和安装,和/或从可拆卸介质611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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601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 (10)
1.一种账务异常根因的确定方法,其特征在于,所述方法包括:
在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于所述决策树,确定所述当前异常财务的异常根因;
其中,所述决策树是通过如下操作构建的:
获取历史异常账务明细集;其中,所述历史异常账务明细集中的历史异常账务明细包括所述历史异常账务的历史属性信息和异常根因;
基于所述历史异常账务明细集,构建属性类型集,其中,所述属性类型集包括多个属性类型;
以所述异常根因作为属性变量,确定所述属性类型集中每个属性类型对所述属性变量的信息增益;
基于多个所述信息增益,构建多个叶子层,其中,所述叶子层与所述属性类型相对应,所述叶子层包括多个叶子节点,所述叶子节点用于表征所述属性类型对应的属性信息;
基于不同属性类型的多个属性信息之间的关联关系,依次将不同叶子层之间的叶子节点进行关联;以及
将最后一层叶子层的叶子节点与所述异常根因形成映射关系,完成所述决策树的构建。
2.根据权利要求1所述的方法,其特征在于,所述异常根因包括类型不同的多个异常应用,所述异常应用用于表征交易发起方发起交易所使用的应用;
所述以所述异常根因作为属性变量,确定每个属性类型对所述属性变量的信息增益,包括:
统计每个异常应用在所述历史异常账务明细集中出现的应用次数;
基于多个所述异常应用各自的所述应用次数和所述历史异常账务明细集的总样本数,确定所述历史异常账务明细集的信息熵;
针对所述每个属性类型重复执行以下操作:针对每个属性类型中的每个属性信息,从所述历史异常账务明细集中确定每个所述异常应用的第一样本数;
基于多个所述异常应用各自的第一样本数,得到每个属性信息对应的第二样本数;
基于多个所述异常应用各自的第一样本数和每个所述属性信息对应的所述第二样本数,确定每个所述属性信息对所述异常应用的条件子熵;
基于多个所述条件子熵,确定所述属性类型对所述异常应用的条件熵;以及
根据所述信息熵和所述条件熵的差值,确定所述属性类型的所述信息增益。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在确定所述当前异常账务关联的交易的属性信息与所述决策树的所述叶子节点匹配的情况下,确定所述叶子节点所在的层数;以及
在确定所述叶子节点所在的层数为最后一层的情况下,确定所述与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述方法还包括:
在确定与所述当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配不成功的情况下,根据所述交易的发生地区,获取所述发生地区的总交易明细,其中,所述总交易明细包括交易双方在交易过程中关联应用产生的交易记录;
在确定所述关联应用之间的交易记录不一致的情况下,将所述关联应用中发起交易一方的应用确定为异常应用;以及
将所述异常应用确定为所述当前异常财务的所述异常根因。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述关联应用产生的所述交易记录,确定多个新增属性信息;
将每个所述新增属性信息添加到对应所述叶子层的新的叶子节点上;以及
将所述最后一层叶子层的所述新的叶子节点与所述异常应用形成映射关系,得到更新后的决策树。
6.根据权利要求1所述的方法,其特征在于,所述在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于所述决策树,确定所述当前异常财务的异常根因,包括:
在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,确定所述与当前异常账务关联的交易的属性信息与所述决策树匹配的最后一层叶子层的所述叶子节点;
基于所述映射关系,确定与所述叶子节点具有映射关系的异常根因;以及
将所述与所述叶子节点具有映射关系的异常根因确定为所述当前异常财务的异常根因。
7.一种账务异常根因的确定装置,其特征在于,所述装置包括:
第一确定模块,用于在确定与当前异常账务关联的交易的属性信息与预先构建的决策树的属性信息匹配成功的情况下,基于所述决策树,确定所述当前异常财务的异常根因;
其中,所述决策树是通过如下操作构建的:
获取历史异常账务明细集;其中,所述历史异常账务明细集中的历史异常账务明细包括所述历史异常账务的历史属性信息和异常根因;
基于所述历史异常账务明细集,构建属性类型集,其中,所述属性类型集包括多个属性类型;
以所述异常根因作为属性变量,确定所述属性类型集中每个属性类型对所述属性变量的信息增益;
基于多个所述信息增益,构建多个叶子层,其中,所述叶子层与所述属性类型相对应,所述叶子层包括多个叶子节点,所述叶子节点用于表征所述属性类型对应的属性信息;
基于不同属性类型的多个属性信息之间的关联关系,依次将不同叶子层之间的叶子节点进行关联;以及
将最后一层叶子层的叶子节点与所述异常根因形成映射关系,完成所述决策树的构建。
8.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序,
其特征在于,所述一个或多个处理器执行所述一个或多个计算机程序以实现根据权利要求1~6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序或指令,其特征在于,所述计算机程序或指令被处理器执行时实现根据权利要求1~6中任一项所述方法的步骤。
10.一种计算机程序产品,包括计算机程序或指令,其特征在于,所述计算机程序或指令被处理器执行时实现根据权利要求1~6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410341669.0A CN118096414A (zh) | 2024-03-25 | 2024-03-25 | 账务异常根因的确定方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410341669.0A CN118096414A (zh) | 2024-03-25 | 2024-03-25 | 账务异常根因的确定方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118096414A true CN118096414A (zh) | 2024-05-28 |
Family
ID=91145483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410341669.0A Pending CN118096414A (zh) | 2024-03-25 | 2024-03-25 | 账务异常根因的确定方法、装置、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118096414A (zh) |
-
2024
- 2024-03-25 CN CN202410341669.0A patent/CN118096414A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10698795B2 (en) | Virtual payments environment | |
US20110166979A1 (en) | Connecting decisions through customer transaction profiles | |
WO2021167858A1 (en) | Transaction card system having overdraft capability | |
US20230027450A1 (en) | System and methods for credit underwriting and ongoing monitoring using behavioral parameters | |
US20200058025A1 (en) | System, methods, and devices for payment recovery platform | |
US20220351284A1 (en) | System and method for the rapid, flexible approval and disbursement of a loan | |
WO2022155740A1 (en) | Systems and methods for outlier detection of transactions | |
CA3089459C (en) | Predicting delay in a process | |
US20230103753A1 (en) | Generating adaptive textual explanations of output predicted by trained artificial-intelligence processes | |
CN113610230A (zh) | 训练方法、预测方法、装置、计算机系统及存储介质 | |
US20230139364A1 (en) | Generating user interfaces comprising dynamic base limit value user interface elements determined from a base limit value model | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
US20180240084A1 (en) | Systems and methods for providing an orchestration layer for service offered by early warning services | |
US11568308B2 (en) | Correcting bias in supervised machine learning data | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
US20220101322A1 (en) | Systems and Methods to Optimize and Reconcile Data Transactions | |
CN118096414A (zh) | 账务异常根因的确定方法、装置、设备、介质及程序产品 | |
CN114723548A (zh) | 数据处理方法、装置、设备、介质和程序产品 | |
US20170148098A1 (en) | Data creating, sourcing, and agregating real estate tool | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
US20240202686A1 (en) | Generating graphical user interfaces comprising dynamic available deposit transaction values determined from a deposit transaction predictor model | |
EP4283537A1 (en) | Automated systems for machine learning model development, analysis, and refinement | |
US20240005321A1 (en) | Digital policy criteria integration for making determinations within an inter-network facilitation system | |
US20230281629A1 (en) | Utilizing a check-return prediction machine-learning model to intelligently generate check-return predictions for network transactions |
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 |