CN111652704A - 一种基于知识图谱和图深度学习的金融信用风险评估方法 - Google Patents
一种基于知识图谱和图深度学习的金融信用风险评估方法 Download PDFInfo
- Publication number
- CN111652704A CN111652704A CN202010515785.1A CN202010515785A CN111652704A CN 111652704 A CN111652704 A CN 111652704A CN 202010515785 A CN202010515785 A CN 202010515785A CN 111652704 A CN111652704 A CN 111652704A
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge
- user
- graph
- map
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000007418 data mining Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于金融信用风险评估领域，具体公开了一种基于知识图谱和图深度学习的金融信用风险评估方法，包括如下步骤：获取用户历史信用数据；根据信用数据构建用户知识图谱；利用图神经网络对用户知识图谱进行图深度学习，得到知识图谱的特征；利用知识图谱的特征表征用户的信用特征；基于所述用户信用特征，通过风险评估模型对所述用户进行金融信用风险评估，并通过softmax函数判别用户是否存在风险。本发明采用知识图谱和图深度学习的方式对用户的金融信用风险进行评估，能够对用户历史信用数据中的结构化数据、半结构化数据和非结构化数据进行预处理、提取、分析，并将其作为评价用户金融信用的重要依据，提高评估质量，评估效率高。
Description
技术领域
本发明涉及金融信用风险评估相关领域，具体为一种基于知识图谱和图深度学习的金融信用风险评估方法。
背景技术
21世纪以来,随着计算机技术的日新月异和数据挖掘技术的兴起,个人信用评估正朝着数据库化,***化,高精度量化的方向发展。采用数据挖掘技术进行的信用评估研究目前逐渐被国内外学术机构和商业银行所重视。数据挖掘技术不但可以从客观数据出发,总结出规律,建立个人信用评分模型,通过定性和定量两个角度,更加全面、科学的进行个人信用评估；而且能够充分利用计算机的快速处理的特点,极大的加快整个信用评估的过程,缩短信贷决策的时间。
发明内容
本发明的目的在于提供一种基于知识图谱和图深度学习的金融信用风险评估方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于知识图谱和图深度学习的金融信用风险评估方法，包括如下步骤：
S1：获取用户历史信用数据；
S2：根据信用数据构建用户知识图谱；
S3：利用图神经网络对用户知识图谱进行图深度学习，得到知识图谱的特征；
S4：利用知识图谱的特征表征用户的信用特征；
S5：基于所述用户信用特征，通过风险评估模型对所述用户进行金融信用风险评估，并通过softmax函数判别用户是否存在风险。
作为本发明一种优选的技术方案，S1中历史信用数据包括结构化数据、半结构化数据和非结构化数据。
作为本发明一种优选的技术方案，S2中具体包括：S21：对结构化数据、半结构化数据和非结构化数据进行处理预处理；S22：对预处理后的非结构化数据、半结构化和结构化信用数据进行知识抽取，并将抽取后的数据加入数据库；S23：对知识库进行知识融合，包括实体消歧、共指消解；S24：采用自底向上构建数据模型，完成结构化、网络化的知识表示；S25：根据已有的数据模型进行知识推理、知识发现，完成用户知识图谱的构建。
作为本发明一种优选的技术方案，S21中数据预处理包括：S211：读取文本：获得字的部首的全集chars_set，bios_set，relations_set；S212：遍历训练数据：将每个句子中token_id,token,bio,relations,heads作为列表封装到该句子中；S213：遍历当前句子将样本数据id化，将句子中字列表embedding_ids,偏旁部首id的列表char_ids,实体标签的列表bio_ids，关系的列表scoringMatrixHeads封装到句子中；S214：处理句子id化的数据，使其在一个批量数据内每个句子的维度相等，已最长句子的维度作为最大维度，不足的填充0；上述token为句子中的字，relations为实体关系，heads为对应关系下标位置。
作为本发明一种优选的技术方案，S22中对非结构化数据进行知识抽取包括：S221：从所述非结构化数据中基于相关度提取关键数据，
相关度为
其中，k(wi,wj)为数据wi与数据wj的相关度，tfid(wi)为wi的词频与逆向频率值，d为关于数据wi与数据wj关于词向量的欧式距离；S222：使用深度学习对提取的关键数据中的句子进行实体识别和关系抽取。
作为本发明一种优选的技术方案，S22中对结构化数据进行知识抽取包括：使用D2R技术对半结构化数据进行转换处理，将数据转换为关联数据。
作为本发明一种优选的技术方案，S22中对半结构化数据处理基于属性抽取、Ontolog信息抽取、开放信息抽取。
作为本发明一种优选的技术方案，S23中对知识库进行知识融合，包括实体消歧、共指消解，实体消歧、共指消解用于判断知识库中的同名实体与之是否代表不同的含义，以及知识库中是否存在其他命名实体与之表示相同的含义，共指消解采用决策树算法确定实体共指消解的特征，并基于相似度值比较计算。
作为本发明一种优选的技术方案，S25中知识推理为使用描述逻辑进行推理。
作为本发明一种优选的技术方案，S3中具体包括：S31：利用DeepWalk算法对所述用户信用知识图谱图做图嵌入，获得知识图谱各节点和边的向量表征；S32：将所述各节点和边的向量表征输入图神经网络中训练，学习各节点的特征，得到用户节点的特征向量表征。
作为本发明一种优选的技术方案，S5中风险评估模型是一个多分类模型，模型函数为softmax分类器
模型输入用户信用特征，根据输出值大小判断风险等级。
与现有技术相比，本发明的有益效果是：
本发明采用知识图谱和图深度学习的方式对用户的金融信用风险进行评估，能够对用户历史信用数据中的结构化数据、半结构化数据和非结构化数据进行预处理、提取、分析，并将其作为评价用户金融信用的重要依据，提高评估质量，评估效率高，针对三种不同的数据采用不同的处理、提取方法，能有效的对数据中的关键数据进行提取，进一步提升处理的效率及识别率。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：本发明提供一种技术方案：一种基于知识图谱和图深度学习的金融信用风险评估方法，包括如下步骤：
S1：获取用户历史信用数据；
S2：根据信用数据构建用户知识图谱；
S3：利用图神经网络对用户知识图谱进行图深度学习，得到知识图谱的特征；
S4：利用知识图谱的特征表征用户的信用特征；
S5：基于所述用户信用特征，通过风险评估模型对所述用户进行金融信用风险评估，并通过softmax函数判别用户是否存在风险。
在本实施例中，S1中历史信用数据包括结构化数据、半结构化数据和非结构化数据。
在本实施例中，S2中具体包括：S21：对结构化数据、半结构化数据和非结构化数据进行处理预处理；S22：对预处理后的非结构化数据、半结构化和结构化信用数据进行知识抽取，并将抽取后的数据加入数据库；S23：对知识库进行知识融合，包括实体消歧、共指消解；S24：采用自底向上构建数据模型，完成结构化、网络化的知识表示；S25：根据已有的数据模型进行知识推理、知识发现，完成用户知识图谱的构建。
在本实施例中，S21中数据预处理包括：S211：读取文本：获得字的部首的全集chars_set，bios_set，relations_set；S212：遍历训练数据：将每个句子中token_id,token,bio,relations,heads作为列表封装到该句子中；S213：遍历当前句子将样本数据id化，将句子中字列表embedding_ids,偏旁部首id的列表char_ids,实体标签的列表bio_ids，关系的列表scoringMatrixHeads封装到句子中；S214：处理句子id化的数据，使其在一个批量数据内每个句子的维度相等，已最长句子的维度作为最大维度，不足的填充0；上述token为句子中的字，relations为实体关系，heads为对应关系下标位置。
在本实施例中，S22中对非结构化数据进行知识抽取包括：S221：从所述非结构化数据中基于相关度提取关键数据，
相关度为
其中，k(wi,wj)为数据wi与数据wj的相关度，tfid(wi)为wi的词频与逆向频率值，d为关于数据wi与数据wj关于词向量的欧式距离；S222：使用深度学习对提取的关键数据中的句子进行实体识别和关系抽取。
在本实施例中，S22中对结构化数据进行知识抽取包括：使用D2R技术对半结构化数据进行转换处理，将数据转换为关联数据。
在本实施例中，S22中对半结构化数据处理基于属性抽取、Ontolog信息抽取、开放信息抽取。
在本实施例中，S23中对知识库进行知识融合，包括实体消歧、共指消解，实体消歧、共指消解用于判断知识库中的同名实体与之是否代表不同的含义，以及知识库中是否存在其他命名实体与之表示相同的含义，共指消解采用决策树算法确定实体共指消解的特征，并基于相似度值比较计算。
在本实施例中，S24中还包括对数据模型进行处理，具体包括：词嵌入，通过双向LSTM提取特征得到char_logitics，加载skip-gram模型预训练的字向量，得到wordembedding,将word embedding和char_logitics拼接作为模型的输入inputs；通过三个隐藏层的双向LSTM对输入的inputs进行特征提取得到lstm_out；对lstm_out做激活函数为relu的全连接，进行实体分类，得到nerScores，其中relu激活函数为如下式所示：
f(x)＝max(0,x)；
通过BIO标记策略，使用CRF引入标签间的依赖关系。计算每个词得到不同标签的分数；计算句子的标签序列概率。通过最小化交叉熵损失函数得到ner_loss。最后使用viterbi算法得到分数最高的标签preNers；对上述得到的labels进行词嵌入得到labelEmbedding，将上述中输出的lstm_out和label Embedding拼接得到rel_inputs,作为实体关系预测的输入。
在本实施例中，S25中知识推理为使用描述逻辑进行推理。
在本实施例中，S3中具体包括：S31：利用DeepWalk算法对所述用户信用知识图谱图做图嵌入，获得知识图谱各节点和边的向量表征；S32：将所述各节点和边的向量表征输入图神经网络中训练，学习各节点的特征，得到用户节点的特征向量表征。
在本实施例中，S5中风险评估模型是一个多分类模型，模型函数为softmax分类器
模型输入用户信用特征，根据输出值大小判断风险等级，风险等级包括高、中、低。
本发明采用知识图谱和图深度学习的方式对用户的金融信用风险进行评估，能够对用户历史信用数据中的结构化数据、半结构化数据和非结构化数据进行预处理、提取、分析，并将其作为评价用户金融信用的重要依据，提高评估质量，评估效率高，针对三种不同的数据采用不同的处理、提取方法，能有效的对数据中的关键数据进行提取，进一步提升处理的效率及识别率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，包括如下步骤：
S1：获取用户历史信用数据；
S2：根据信用数据构建用户知识图谱；
S3：利用图神经网络对用户知识图谱进行图深度学习，得到知识图谱的特征；
S4：利用知识图谱的特征表征用户的信用特征；
S5：基于所述用户信用特征，通过风险评估模型对所述用户进行金融信用风险评估，并通过softmax函数判别用户是否存在风险。
2.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S1中历史信用数据包括结构化数据、半结构化数据和非结构化数据。
3.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S2中具体包括：S21：对结构化数据、半结构化数据和非结构化数据进行处理预处理；S22：对预处理后的非结构化数据、半结构化和结构化信用数据进行知识抽取，并将抽取后的数据加入数据库；S23：对知识库进行知识融合，包括实体消歧、共指消解；S24：采用自底向上构建数据模型，完成结构化、网络化的知识表示；S25：根据已有的数据模型进行知识推理、知识发现，完成用户知识图谱的构建。
4.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S21中数据预处理包括：S211：读取文本：获得字的部首的全集chars_set，bios_set，relations_set；S212：遍历训练数据：将每个句子中token_id,token,bio,relations,heads作为列表封装到该句子中；S213：遍历当前句子将样本数据id化，将句子中字列表embedding_ids,偏旁部首id的列表char_ids,实体标签的列表bio_ids，关系的列表scoringMatrixHeads封装到句子中；S214：处理句子id化的数据，使其在一个批量数据内每个句子的维度相等，已最长句子的维度作为最大维度，不足的填充0；上述token为句子中的字，relations为实体关系，heads为对应关系下标位置。
5.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S22中对非结构化数据进行知识抽取包括：S221：从所述非结构化数据中基于相关度提取关键数据，
相关度为
其中，k(wi,wj)为数据wi与数据wj的相关度，tfid(wi)为wi的词频与逆向频率值，d为关于数据wi与数据wj关于词向量的欧式距离；S222：使用深度学习对提取的关键数据中的句子进行实体识别和关系抽取。
6.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S22中对结构化数据进行知识抽取包括：使用D2R技术对半结构化数据进行转换处理，将数据转换为关联数据。
7.根据权利要求3所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S22中对半结构化数据处理基于属性抽取、Ontolog信息抽取、开放信息抽取。
8.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，所述S3中具体包括：S31：利用DeepWalk算法对所述用户信用知识图谱图做图嵌入，获得知识图谱各节点和边的向量表征；S32：将所述各节点和边的向量表征输入图神经网络中训练，学习各节点的特征，得到用户节点的特征向量表征。
9.根据权利要求1所述的一种基于知识图谱和图深度学习的金融信用风险评估方法，其特征在于，S5中风险评估模型是一个多分类模型，模型函数为softmax分类器
模型输入用户信用特征，根据输出值大小判断风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515785.1A CN111652704A (zh) | 2020-06-09 | 2020-06-09 | 一种基于知识图谱和图深度学习的金融信用风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515785.1A CN111652704A (zh) | 2020-06-09 | 2020-06-09 | 一种基于知识图谱和图深度学习的金融信用风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111652704A true CN111652704A (zh) | 2020-09-11 |
Family
ID=72351304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010515785.1A Pending CN111652704A (zh) | 2020-06-09 | 2020-06-09 | 一种基于知识图谱和图深度学习的金融信用风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652704A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069808A (zh) * | 2020-09-28 | 2020-12-11 | 深圳壹账通智能科技有限公司 | 融资风控方法、装置、计算机设备及存储介质 |
| CN112100290A (zh) * | 2020-09-15 | 2020-12-18 | 山东交通职业学院 | 一种电商信息共享*** |
| CN112463981A (zh) * | 2020-11-26 | 2021-03-09 | 福建正孚软件有限公司 | 一种基于深度学习的企业内部经营管理风险识别提取方法及*** |
| CN112529681A (zh) * | 2021-02-08 | 2021-03-19 | 南京审计大学 | 一种基于信用主体关联强度的信用风险传递方法 |
| CN112597232A (zh) * | 2020-12-29 | 2021-04-02 | 南京小灿灿网络科技有限公司 | 一种数据集散发布方法及*** |
| CN112598489A (zh) * | 2020-12-14 | 2021-04-02 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及*** |
| CN113487416A (zh) * | 2021-07-26 | 2021-10-08 | 中国科学院大学 | 一种基于知识图谱的金融风险评估方法 |
| CN113569059A (zh) * | 2021-09-07 | 2021-10-29 | 浙江网商银行股份有限公司 | 目标用户识别方法及装置 |
| CN113783874A (zh) * | 2021-09-10 | 2021-12-10 | 国网电子商务有限公司 | 基于安全知识图谱的网络安全态势评估方法及*** |
| CN116703553A (zh) * | 2023-08-07 | 2023-09-05 | 浙江鹏信信息科技股份有限公司 | 金融反欺诈风险监控方法、***及可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109345399A (zh) * | 2018-10-23 | 2019-02-15 | 平安科技（深圳）有限公司 | 理赔风险评估方法、装置、计算机设备及存储介质 |
| CN110689423A (zh) * | 2019-08-22 | 2020-01-14 | 平安科技（深圳）有限公司 | 一种信用评估的方法及装置 |
-
2020
- 2020-06-09 CN CN202010515785.1A patent/CN111652704A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109345399A (zh) * | 2018-10-23 | 2019-02-15 | 平安科技（深圳）有限公司 | 理赔风险评估方法、装置、计算机设备及存储介质 |
| CN110689423A (zh) * | 2019-08-22 | 2020-01-14 | 平安科技（深圳）有限公司 | 一种信用评估的方法及装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112100290A (zh) * | 2020-09-15 | 2020-12-18 | 山东交通职业学院 | 一种电商信息共享*** |
| CN112069808A (zh) * | 2020-09-28 | 2020-12-11 | 深圳壹账通智能科技有限公司 | 融资风控方法、装置、计算机设备及存储介质 |
| CN112463981A (zh) * | 2020-11-26 | 2021-03-09 | 福建正孚软件有限公司 | 一种基于深度学习的企业内部经营管理风险识别提取方法及*** |
| CN112598489B (zh) * | 2020-12-14 | 2023-12-26 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及*** |
| CN112598489A (zh) * | 2020-12-14 | 2021-04-02 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及*** |
| CN112597232A (zh) * | 2020-12-29 | 2021-04-02 | 南京小灿灿网络科技有限公司 | 一种数据集散发布方法及*** |
| CN112529681A (zh) * | 2021-02-08 | 2021-03-19 | 南京审计大学 | 一种基于信用主体关联强度的信用风险传递方法 |
| CN113487416A (zh) * | 2021-07-26 | 2021-10-08 | 中国科学院大学 | 一种基于知识图谱的金融风险评估方法 |
| CN113569059A (zh) * | 2021-09-07 | 2021-10-29 | 浙江网商银行股份有限公司 | 目标用户识别方法及装置 |
| CN113783874A (zh) * | 2021-09-10 | 2021-12-10 | 国网电子商务有限公司 | 基于安全知识图谱的网络安全态势评估方法及*** |
| CN113783874B (zh) * | 2021-09-10 | 2023-08-29 | 国网数字科技控股有限公司 | 基于安全知识图谱的网络安全态势评估方法及*** |
| CN116703553A (zh) * | 2023-08-07 | 2023-09-05 | 浙江鹏信信息科技股份有限公司 | 金融反欺诈风险监控方法、***及可读存储介质 |
| CN116703553B (zh) * | 2023-08-07 | 2023-12-05 | 浙江鹏信信息科技股份有限公司 | 金融反欺诈风险监控方法、***及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652704A (zh) | 一种基于知识图谱和图深度学习的金融信用风险评估方法 | |
| CN113204952B (zh) | 一种基于聚类预分析的多意图与语义槽联合识别方法 | |
| CN110750645A (zh) | 基于对抗训练的跨领域虚假评论识别方法 | |
| CN110119355B (zh) | 一种基于知识图谱向量化推理通用软件缺陷建模方法 | |
| CN115408525B (zh) | 基于多层级标签的信访文本分类方法、装置、设备及介质 | |
| Warghade et al. | Credit card fraud detection from imbalanced dataset using machine learning algorithm | |
| CN115952292B (zh) | 多标签分类方法、装置及计算机可读介质 | |
| CN109614490A (zh) | 基于lstm的金融新闻倾向性分析方法 | |
| CN116663539A (zh) | 基于RoBERTa和指针网络的中文实体与关系联合抽取方法及*** | |
| Jeyakarthic et al. | Optimal bidirectional long short term memory based sentiment analysis with sarcasm detection and classification on twitter data | |
| CN112989803B (zh) | 一种基于主题向量学习的实体链接预测方法 | |
| CN113535928A (zh) | 基于注意力机制下长短期记忆网络的服务发现方法及*** | |
| Xu et al. | Short text classification of chinese with label information assisting | |
| CN116452353A (zh) | 一种财务数据管理方法及*** | |
| An et al. | Generalized category discovery with large language models in the loop | |
| CN116629387B (zh) | 一种用于训练缺失条件下的文本处理方法及处理*** | |
| Zhang | A Novel Text Classification Model Combining Time Correlation Principle and Rough Set Theory | |
| CN112463928B (zh) | 一种面向领域评估预测的技术清单生成方法和*** | |
| Singh et al. | Axiomatic Analysis of Pre‐Processing Methodologies Using Machine Learning in Text Mining: A Social Media Perspective in Internet of Things | |
| CN117874175B (zh) | 一种基于信息瓶颈的信息检索方法和*** | |
| CN113569014B (zh) | 基于多粒度文本语义信息的运维项目管理方法 | |
| CN116205217B (zh) | 一种小样本关系抽取方法、***、电子设备及存储介质 | |
| CN118194858A (zh) | 两阶段优化的无线网优领域长实体识别方法及*** | |
| Li et al. | Mutual Filter Teaching for Open-Set Semi-Supervised Learning | |
| Cai et al. | Opinion Targets and Sentiment Terms Extraction based on Self-Attention |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |
|
| RJ01 | Rejection of invention patent application after publication |