CN114565041A - 基于互联网金融的支付大数据分析***及其分析方法 - Google Patents

基于互联网金融的支付大数据分析***及其分析方法 Download PDF

Info

Publication number
CN114565041A
CN114565041A CN202210190418.8A CN202210190418A CN114565041A CN 114565041 A CN114565041 A CN 114565041A CN 202210190418 A CN202210190418 A CN 202210190418A CN 114565041 A CN114565041 A CN 114565041A
Authority
CN
China
Prior art keywords
feature
classification
feature map
semantic
neural network
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.)
Withdrawn
Application number
CN202210190418.8A
Other languages
English (en)
Inventor
黄国荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiajiamao Technology Co ltd
Original Assignee
Shanghai Jiajiamao Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiajiamao Technology Co ltd filed Critical Shanghai Jiajiamao Technology Co ltd
Priority to CN202210190418.8A priority Critical patent/CN114565041A/zh
Publication of CN114565041A publication Critical patent/CN114565041A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及互联网金融支付的领域，其具体地公开了一种基于互联网金融的支付大数据分析***及其分析方法，其通过基于上下文的语义理解模型来分别对用户画像和待支付业务的描述进行语义特征信息提取，并使用同一卷积神经网络模型再对得到的所述特征矩阵进行处理，以使得提取到的关联特征在高维特征空间内是相对于所述用户标签特征和所述业务语义特征尽可能地具有相关性，进一步再使用梯度传递法来更新所述卷积神经网络的参数，以提高分类的准确性。这样，可以对用户与待支付业务之间进行更合适的匹配，进而有效地降低互联网金融平台支付的信用风险。

Description

基于互联网金融的支付大数据分析***及其分析方法
技术领域
本申请涉及互联网金融支付的领域，且更为具体地，涉及一种基于互联网金融的支付大数据分析***及其分析方法。
背景技术
随着互联网技术的飞速发展，互联网金融平台上与支付有关的数据量正以指数级而迅猛增长，相应的提供各种互联网金融服务的供应商也如雨后春笋般不断诞生。如此，现在以及不久的将来，在互联网金融网络中逐渐累积的数据将是巨量的、因此所以如何挖掘对这些海量的金融支付数据进行挖掘分析，以改善各供应商对用户提供的金融服务质量，则显得尤为重要。
并且，从最开始出现的网络购物,发展到网络银行、第三方支付,再到网络理财,互联网金融的快速发展花费的时间只有短短几年，但是也出现了一系列的互联网金融支付的信用风险问题。因此，为了有效地降低互联网金融平台支付的信用风险，期望一种基于互联网金融的支付大数据分析方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于互联网金融的支付大数据分析***及其分析方法，其通过基于上下文的语义理解模型来分别对用户画像和待支付业务的描述进行语义特征信息提取，并使用同一卷积神经网络模型再对得到的所述特征矩阵进行处理，以使得提取到的关联特征在高维特征空间内是相对于所述用户标签特征和所述业务语义特征尽可能地具有相关性，进一步再使用梯度传递法来更新所述卷积神经网络的参数，以提高分类的准确性。这样，可以对用户与待支付业务之间进行更合适的匹配，进而有效地降低互联网金融平台支付的信用风险。
根据本申请的一个方面，提供了一种基于互联网金融的支付大数据分析***，其包括：
训练模块，包括：
第一训练数据获取单元，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对；
训练用户数据编码单元，用于将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；
第二训练数据获取单元，用于获取待支付业务的描述；
训练业务数据编码单元，用于对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；
第一神经网络单元，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过卷积神经网络以获得第一特征图；
第二神经网络单元，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过所述卷积神经网络以获得第二特征图；
特征融合单元，用于融合所述第一特征图和所述第二特征图以获得分类特征图；
损失函数值计算单元，用于将所述分类特征图通过分类器以获得分类损失函数值；
训练单元，用于基于所述分类损失函数值来训练所述卷积神经网络，其中，在训练所述卷积神经网络的每一轮迭代中，先将所述分类损失函数值相对于所述分类特征图的梯度信息传递到所述分类特征图，再使用所述第一特征矩阵的分支将所述分类特征图相对于所述第一特征矩阵的梯度信息传递回所述卷积神经网络的参数；以及
推断模块，包括：
待分析用户数据单元，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对；
用户画像语义编码单元，用于将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；
待支付业务数据单元，用于获取待支付业务的描述；
待支付业务语义编码单元，用于对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；
第一关联特征编码单元，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第一特征图；
第二关联特征编码单元，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第二特征图；
分类特征图生成单元，用于融合所述第一特征图和所述第二特征图以获得分类特征图；以及
结果输出单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户与待支付业务之间是否适配。
与现有技术相比，本申请提供的基于互联网金融的支付大数据分析***及其分析方法，其通过基于上下文的语义理解模型来分别对用户画像和待支付业务的描述进行语义特征信息提取，并使用同一卷积神经网络模型再对得到的所述特征矩阵进行处理，以使得提取到的关联特征在高维特征空间内是相对于所述用户标签特征和所述业务语义特征尽可能地具有相关性，进一步再使用梯度传递法来更新所述卷积神经网络的参数，以提高分类的准确性。这样，可以对用户与待支付业务之间进行更合适的匹配，进而有效地降低互联网金融平台支付的信用风险。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于互联网金融的支付大数据分析***的卷积神经网络的训练示意图。
图2为根据本申请实施例的基于互联网金融的支付大数据分析***的框图。
图3A为根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法中训练阶段的流程图。
图3B为根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法中推断阶段的流程图。
图4为根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法中训练阶段的架构示意图。
图5为根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法中推断阶段的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，随着互联网技术的飞速发展，互联网金融平台上与支付有关的数据量正以指数级而迅猛增长，相应的提供各种互联网金融服务的供应商也如雨后春笋般不断诞生。如此，现在以及不久的将来，在互联网金融网络中逐渐累积的数据将是巨量的、因此所以如何挖掘对这些海量的金融支付数据进行挖掘分析，以改善各供应商对用户提供的金融服务质量，则显得尤为重要。
并且，从最开始出现的网络购物,发展到网络银行、第三方支付,再到网络理财,互联网金融的快速发展花费的时间只有短短几年，但是也出现了一系列的互联网金融支付的信用风险问题。因此，为了有效地降低互联网金融平台支付的信用风险，期望一种基于互联网金融的支付大数据分析方法。
因此，在本申请的技术方案中，首先获取用户画像，其表示为一系列(标签,权重)的键值对，将其通过包含嵌入层的基于上下文的语义理解模型，例如Bert模型，其中权重用于对嵌入层之后获得的标签嵌入向量进行加权，以得到与每个标签对应的标签特征向量，由此用户画像转换为多个标签特征向量。
同样，将待支付业务的描述使用基于上下文的语义理解模型，以获得多个语义特征向量。
为了进一步提取用于匹配的关联特征，将多个标签特征向量进行二维拼接以得到第一特征矩阵，并输入卷积神经网络以得到第一特征图，同时，将多个语义特征向量进行二维拼接以得到第二特征矩阵，并输入卷积神经网络以得到第二特征图。这里，为了使得提取到的关联特征在高维特征空间内是相对于用户标签特征和业务语义特征尽可能地具有相关性，因此使用同一卷积神经网络来进行特征提取，也就是，该卷积神经网络能够体现出用户标签特征和业务语义特征的关联映射。
但是，由于是使用同一卷积神经网络，就使得卷积神经网络的参数更新同时依赖于第一特征矩阵和第二特征矩阵的参数分布，而相对于作为业务语义特征的第二特征矩阵来说，显然基于成熟的用户画像技术的第一特征矩阵的参数分布更为规范，因此，本申请进一步使用梯度传递法来更新卷积神经网络的参数。
具体地，首先计算第一特征图和第二特征图的加权和以得到分类特征图，再通过分类特征图得到分类损失函数值L(F1+F2),则通常情况下卷积神经网络的参数更新表示为：
Figure BDA0003524984260000051
但是在本申请中，首先将梯度传递到分类特征图，再使用第一特征矩阵的分支来将梯度传递回卷积神经网络的参数，即表示为：
Figure BDA0003524984260000052
如图1所示，其中实线表示正向传递，虚线表示反向传递。
基于此，本申请提出了一种基于互联网金融的支付大数据分析***，其包括训练模块和推断模块。其中，训练模块，包括：第一训练数据获取单元，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对；训练用户数据编码单元，用于将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；第二训练数据获取单元，用于获取待支付业务的描述；训练业务数据编码单元，用于对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；第一神经网络单元，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过卷积神经网络以获得第一特征图；第二神经网络单元，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过所述卷积神经网络以获得第二特征图；特征融合单元，用于融合所述第一特征图和所述第二特征图以获得分类特征图；损失函数值计算单元，用于将所述分类特征图通过分类器以获得分类损失函数值；训练单元，用于基于所述分类损失函数值来训练所述卷积神经网络，其中，在训练所述卷积神经网络的每一轮迭代中，先将所述分类损失函数值相对于所述分类特征图的梯度信息传递到所述分类特征图，再使用所述第一特征矩阵的分支将所述分类特征图相对于所述第一特征矩阵的梯度信息传递回所述卷积神经网络的参数。其中，推断模块，包括：待分析用户数据单元，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对；用户画像语义编码单元，用于将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；待支付业务数据单元，用于获取待支付业务的描述；待支付业务语义编码单元，用于对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；第一关联特征编码单元，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第一特征图；第二关联特征编码单元，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第二特征图；分类特征图生成单元，用于融合所述第一特征图和所述第二特征图以获得分类特征图；以及，结果输出单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户与待支付业务之间是否适配。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的基于互联网金融的支付大数据分析***的框图。如图2所示，根据本申请实施例的基于互联网金融的支付大数据分析***200，包括：训练模块210和推断模块220。其中，训练模块210，包括：第一训练数据获取单元211，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对；训练用户数据编码单元212，用于将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；第二训练数据获取单元213，用于获取待支付业务的描述；训练业务数据编码单元214，用于对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；第一神经网络单元215，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过卷积神经网络以获得第一特征图；第二神经网络单元216，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过所述卷积神经网络以获得第二特征图；特征融合单元217，用于融合所述第一特征图和所述第二特征图以获得分类特征图；损失函数值计算单元218，用于将所述分类特征图通过分类器以获得分类损失函数值；训练单元219，用于基于所述分类损失函数值来训练所述卷积神经网络，其中，在训练所述卷积神经网络的每一轮迭代中，先将所述分类损失函数值相对于所述分类特征图的梯度信息传递到所述分类特征图，再使用所述第一特征矩阵的分支将所述分类特征图相对于所述第一特征矩阵的梯度信息传递回所述卷积神经网络的参数。其中，推断模块220，包括：待分析用户数据单元221，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对；用户画像语义编码单元222，用于将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；待支付业务数据单元223，用于获取待支付业务的描述；待支付业务语义编码单元224，用于对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；第一关联特征编码单元225，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第一特征图；第二关联特征编码单元226，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第二特征图；分类特征图生成单元227，用于融合所述第一特征图和所述第二特征图以获得分类特征图；以及，结果输出单元228，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户与待支付业务之间是否适配。
具体地，在本申请实施例中，在训练模块210中，所述第一训练数据获取单元211和训练用户数据编码单元212，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对，并将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量。如前所述，应可以理解，有些待支付业务价格较低或者购买的要求较低，那么对于用户的付款能力就可以降低标准，而对于用户的信用度提高要求。有些待支付业务价格较高或者购买要求较高，例如对于学历、社会贡献等有所要求，那么就需要对用户的付款能力要求较高，为了使得待支付的业务尽可能达到满仓状态，对用户的信用度则可以放低标准。因此，在本申请的技术方案中，期望基于所述用户的画像，包括一系列(标签，权重)的键值对，以及待支付业务的描述之间的匹配度来确定用户与待支付业务之间是否适配。
也就是，具体地，在本申请的技术方案中，首先从云存储端获取用户的画像数据，所述用户画像为一系列(标签，权重)的键值对。然后，将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型，例如Bert模型中进行处理，以提取出所述一系列(标签，权重)的键值对的语义信息，这里，所述权重用于对嵌入层之后获得的标签嵌入向量进行加权，以得到与每个所述标签对应的标签特征向量，由此将用户画像转换为多个标签特征向量。
更具体地，在本申请的技术方案中，所述训练用户数据编码单元，包括：嵌入子单元，用于使用所述语义理解模型的嵌入层分别将所述用户画像中的各个标签转化为标签嵌入向量；加权子单元，用于使用所述用户画像中与各个标签相对应的权重对其对应的标签嵌入向量进行加权以获得加权标签嵌入向量的序列；以及，语义编码子单元，用于使用所述语义理解模型的Bert模型对所述加权标签嵌入向量的序列进行语义编码以获得所述多个标签特征向量。
具体地，在本申请实施例中，在训练模块210中，所述第二训练数据获取单元213和所述训练业务数据编码单元214，用于获取待支付业务的描述，并对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量。也就是，在本申请的技术方案中，为了准确地得到用户与待支付业务之间的适配度，还需要获取待支付业务的描述。接着，需要将所述待支付业务的描述进行分词处理，以避免语义混乱。然后，将其通过所述包含嵌入层的基于上下文的语义理解模型中进行处理，以提取出所述待支付业务描述的语义信息，从而获得多个语义特征向量。
更具体地，在本申请的技术方案中，所述训练业务数据编码单元，包括：向量转化子单元，用于使用所述语义理解模型的嵌入层分别将所述待支付业务的描述中的各个词转化为嵌入向量以获得嵌入向量的序列；以及，上下文编码单元，用于使用所述语义理解模型的Bert模型对所述嵌入向量的序列进行基于上下文的语义编码以获得所述多个语义特征向量。
具体地，在本申请实施例中，在训练模块210中，所述第一神经网络单元215和所述第二神经网络单元216，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过卷积神经网络以获得第一特征图，并将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过所述卷积神经网络以获得第二特征图。应可以理解，为了进一步提取用于匹配的关联特征，在本申请的技术方案中，进一步将所述多个标签特征向量进行二维拼接以得到第一特征矩阵，并将所述第一特征矩阵输入卷积神经网络中进行处理，以提取出所述第一特征矩阵中的各个位置的关联隐含特征，从而得到第一特征图。同时，也将所述多个语义特征向量进行二维拼接以得到第二特征矩阵，并将其输入卷积神经网络以得到第二特征图。特别地，值得一提的是，这里，为了使得提取到的关联特征在高维特征空间内是相对于所述用户标签特征和所述业务语义特征尽可能地具有相关性，因此在本申请的技术方案中，使用同一卷积神经网络来进行特征提取，也就是，该所述卷积神经网络能够体现出所述用户标签特征和所述业务语义特征的关联映射。
相应地，在一个具体示例中，所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述卷积神经网络的最后一层输出所述第一特征图或所述第二特征图，其中，所述卷积神经网络的第一层的输入为所述第一特征矩阵或所述第二特征矩阵。
具体地，在本申请实施例中，在训练模块210中，所述特征融合单元217和所述损失函数值计算单元218，用于融合所述第一特征图和所述第二特征图以获得分类特征图，以及将所述分类特征图通过分类器以获得分类损失函数值。应可以理解，由于是使用同一卷积神经网络，就使得所述卷积神经网络的参数更新同时依赖于所述第一特征矩阵和所述第二特征矩阵的参数分布，而相对于作为业务语义特征的所述第二特征矩阵来说，显然基于成熟的用户画像技术的所述第一特征矩阵的参数分布更为规范，因此，在本申请的技术方案中，进一步使用梯度传递法来更新所述卷积神经网络的参数。
也就是，具体地，在本申请的技术方案中，首先计算所述第一特征图和所述第二特征图之间的按位置加权和，以融合所述第一特征图和所述第二特征图，从而获得分类特征图。然后，将所述分类特征图通过分类器以获得分类损失函数值L(F1+F2)。
更具体地，在本申请实施例中，所述损失函数值计算单元，进一步用于：使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果，其中，所述公式为softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
具体地，在本申请实施例中，在训练模块210中，所述训练单元219，用于基于所述分类损失函数值来训练所述卷积神经网络，其中，在训练所述卷积神经网络的每一轮迭代中，先将所述分类损失函数值相对于所述分类特征图的梯度信息传递到所述分类特征图，再使用所述第一特征矩阵的分支将所述分类特征图相对于所述第一特征矩阵的梯度信息传递回所述卷积神经网络的参数。应可以理解，通常情况下卷积神经网络的参数更新表示为：
Figure BDA0003524984260000101
但是在本申请的技术方案中，首先将梯度传递到所述分类特征图，再使用所述第一特征矩阵的分支来将梯度传递回所述卷积神经网络的参数，即表示为：
Figure BDA0003524984260000102
如图1所示，其中实线表示正向传递，虚线表示反向传递。
在完成训练之后，进行推断模块中，就可以按照上述方法得到所述分类特征图。进而，再将所述分类特征图通过分类器以获得用于表示用户与待支付业务之间是否适配的分类结果。
具体地，在本申请实施例中，首先，获取用户画像，所述用户画像为一系列(标签，权重)的键值对。接着，将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量。然后，获取待支付业务的描述。接着，对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量。然后，将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第一特征图。接着，将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第二特征图。然后，融合所述第一特征图和所述第二特征图以获得分类特征图。最后，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户与待支付业务之间是否适配。
综上，基于本申请实施例的所述基于互联网金融的支付大数据分析***200被阐明，其通过基于上下文的语义理解模型来分别对用户画像和待支付业务的描述进行语义特征信息提取，并使用同一卷积神经网络模型再对得到的所述特征矩阵进行处理，以使得提取到的关联特征在高维特征空间内是相对于所述用户标签特征和所述业务语义特征尽可能地具有相关性，进一步再使用梯度传递法来更新所述卷积神经网络的参数，以提高分类的准确性。这样，可以对用户与待支付业务之间进行更合适的匹配，进而有效地降低互联网金融平台支付的信用风险。
如上所述，根据本申请实施例的基于互联网金融的支付大数据分析***200可以实现在各种终端设备中，例如基于互联网金融的支付大数据分析算法的服务器等。在一个示例中，根据本申请实施例的基于互联网金融的支付大数据分析***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于互联网金融的支付大数据分析***200可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于互联网金融的支付大数据分析***200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于互联网金融的支付大数据分析***200与该终端设备也可以是分立的设备，并且该基于互联网金融的支付大数据分析***200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3A图示了根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法中训练阶段的流程图。如图3A所示，根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法，包括：训练阶段，包括步骤：S110，获取用户画像，所述用户画像为一系列(标签，权重)的键值对；S120，将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；S130，获取待支付业务的描述；S140，对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；S150，将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过卷积神经网络以获得第一特征图；S160，将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过所述卷积神经网络以获得第二特征图；S170，融合所述第一特征图和所述第二特征图以获得分类特征图；S180，将所述分类特征图通过分类器以获得分类损失函数值；S190，基于所述分类损失函数值来训练所述卷积神经网络，其中，在训练所述卷积神经网络的每一轮迭代中，先将所述分类损失函数值相对于所述分类特征图的梯度信息传递到所述分类特征图，再使用所述第一特征矩阵的分支将所述分类特征图相对于所述第一特征矩阵的梯度信息传递回所述卷积神经网络的参数。
图3B图示了根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法中推断阶段的流程图。图3B所示，根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法，包括：推断阶段，包括步骤：S210，获取用户画像，所述用户画像为一系列(标签，权重)的键值对；S220，将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；S230，获取待支付业务的描述；S240，对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；S250，将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第一特征图；S260，将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第二特征图；S270，融合所述第一特征图和所述第二特征图以获得分类特征图；以及，S280，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户与待支付业务之间是否适配。
图4图示了根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，将获得的所述一系列(标签，权重)的键值对(例如，如图4中所示意的P1)通过包含嵌入层的基于上下文的语义理解模型(例如，如图4中所示意的SUM)以获得多个标签特征向量(例如，如图4中所示意的VF1)；接着，对获得的所述待支付业务的描述(例如，如图4中所示意的P2)进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型(例如，如图4中所示意的SUM)以获得多个语义特征向量(例如，如图4中所示意的VF2)；然后，将所述多个标签特征向量进行二维拼接以获得第一特征矩阵(例如，如图4中所示意的MF1)后将所述第一特征矩阵通过卷积神经网络(例如，如图4中所示意的CNN)以获得第一特征图(例如，如图4中所示意的F1)；接着，将所述多个语义特征向量进行二维拼接以获得第二特征矩阵(例如，如图4中所示意的MF2)后将所述第二特征矩阵通过所述卷积神经网络以获得第二特征图(例如，如图4中所示意的F2)；然后，融合所述第一特征图和所述第二特征图以获得分类特征图(例如，如图4中所示意的F)；接着，将所述分类特征图通过分类器(例如，如图4中所示意的分类器)以获得分类损失函数值(例如，如图4中所示意的CLV)；最后，基于所述分类损失函数值来训练所述卷积神经网络，其中，在训练所述卷积神经网络的每一轮迭代中，先将所述分类损失函数值相对于所述分类特征图的梯度信息传递到所述分类特征图，再使用所述第一特征矩阵的分支将所述分类特征图相对于所述第一特征矩阵的梯度信息传递回所述卷积神经网络的参数。
图5图示了根据本申请实施例的基于互联网金融的支付大数据分析***的分析方法中推断阶段的架构示意图。如图5所示，在推断阶段中，在该网络架构中，首先，将获得的所述一系列(标签，权重)的键值对(例如，如图5中所示意的P1)通过包含嵌入层的基于上下文的语义理解模型(例如，如图5中所示意的SUM)以获得多个标签特征向量(例如，如图5中所示意的VF1)；接着，对获得的所述待支付业务的描述(例如，如图5中所示意的P2)进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型(例如，如图5中所示意的SUM)以获得多个语义特征向量(例如，如图5中所示意的VF2)；然后，将所述多个标签特征向量进行二维拼接以获得第一特征矩阵(例如，如图5中所示意的MF1)后将所述第一特征矩阵通过经所述训练模块训练完成的所述卷积神经网络(例如，如图5中所示意的CN)以获得第一特征图(例如，如图5中所示意的F1)；接着，将所述多个语义特征向量进行二维拼接以获得第二特征矩阵(例如，如图5中所示意的MF2)后将所述第二特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第二特征图(例如，如图5中所示意的F2)；然后，融合所述第一特征图和所述第二特征图以获得分类特征图(例如，如图5中所示意的F)；以及，最后，将所述分类特征图通过分类器(例如，如图5中所示意的分类器)以获得分类结果，所述分类结果用于表示用户与待支付业务之间是否适配。
综上，基于本申请实施例的所述基于互联网金融的支付大数据分析***的分析方法被阐明，其通过基于上下文的语义理解模型来分别对用户画像和待支付业务的描述进行语义特征信息提取，并使用同一卷积神经网络模型再对得到的所述特征矩阵进行处理，以使得提取到的关联特征在高维特征空间内是相对于所述用户标签特征和所述业务语义特征尽可能地具有相关性，进一步再使用梯度传递法来更新所述卷积神经网络的参数，以提高分类的准确性。这样，可以对用户与待支付业务之间进行更合适的匹配，进而有效地降低互联网金融平台支付的信用风险。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

Claims (10)

1.一种基于互联网金融的支付大数据分析***，其特征在于，包括：
训练模块，包括：
第一训练数据获取单元，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对；
训练用户数据编码单元，用于将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；
第二训练数据获取单元，用于获取待支付业务的描述；
训练业务数据编码单元，用于对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；
第一神经网络单元，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过卷积神经网络以获得第一特征图；
第二神经网络单元，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过所述卷积神经网络以获得第二特征图；
特征融合单元，用于融合所述第一特征图和所述第二特征图以获得分类特征图；
损失函数值计算单元，用于将所述分类特征图通过分类器以获得分类损失函数值；
训练单元，用于基于所述分类损失函数值来训练所述卷积神经网络，其中，在训练所述卷积神经网络的每一轮迭代中，先将所述分类损失函数值相对于所述分类特征图的梯度信息传递到所述分类特征图，再使用所述第一特征矩阵的分支将所述分类特征图相对于所述第一特征矩阵的梯度信息传递回所述卷积神经网络的参数；以及
推断模块，包括：
待分析用户数据单元，用于获取用户画像，所述用户画像为一系列(标签，权重)的键值对；
用户画像语义编码单元，用于将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；
待支付业务数据单元，用于获取待支付业务的描述；
待支付业务语义编码单元，用于对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；
第一关联特征编码单元，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第一特征图；
第二关联特征编码单元，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第二特征图；
分类特征图生成单元，用于融合所述第一特征图和所述第二特征图以获得分类特征图；以及
结果输出单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户与待支付业务之间是否适配。
2.根据权利要求1所述的基于互联网金融的支付大数据分析***，其中，所述训练用户数据编码单元，包括：
嵌入子单元，用于使用所述语义理解模型的嵌入层分别将所述用户画像中的各个标签转化为标签嵌入向量；
加权子单元，用于使用所述用户画像中与各个标签相对应的权重对其对应的标签嵌入向量进行加权以获得加权标签嵌入向量的序列；以及
语义编码子单元，用于使用所述语义理解模型的Bert模型对所述加权标签嵌入向量的序列进行语义编码以获得所述多个标签特征向量。
3.根据权利要求2所述的基于互联网金融的支付大数据分析***，其中，所述训练业务数据编码单元，包括：
向量转化子单元，用于使用所述语义理解模型的嵌入层分别将所述待支付业务的描述中的各个词转化为嵌入向量以获得嵌入向量的序列；以及
上下文编码单元，用于使用所述语义理解模型的Bert模型对所述嵌入向量的序列进行基于上下文的语义编码以获得所述多个语义特征向量。
4.根据权利要求3所述的基于互联网金融的支付大数据分析***，其中，所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以由所述卷积神经网络的最后一层输出所述第一特征图或所述第二特征图，其中，所述卷积神经网络的第一层的输入为所述第一特征矩阵或所述第二特征矩阵。
5.根据权利要求4所述的基于互联网金融的支付大数据分析***，其中，所述特征融合单元，进一步用于计算所述第一特征图和所述第二特征图之间的按位置加权和以获得所述分类特征图。
6.根据权利要求5所述的基于互联网金融的支付大数据分析***，其中，所述损失函数值计算单元，进一步用于使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果，其中，所述公式为softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
7.根据权利要求6所述的基于互联网金融的支付大数据分析***，其中，所述训练单元，进一步用于在每一轮迭代中以如下公式进行梯度信息的传递；
其中，所述公式为：
Figure FDA0003524984250000031
8.一种基于互联网金融的支付大数据分析***的分析方法，其特征在于，包括：
训练阶段，包括：
获取用户画像，所述用户画像为一系列(标签，权重)的键值对；
将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；
获取待支付业务的描述；
对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；
将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过卷积神经网络以获得第一特征图；
将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过所述卷积神经网络以获得第二特征图；
融合所述第一特征图和所述第二特征图以获得分类特征图；
将所述分类特征图通过分类器以获得分类损失函数值；
基于所述分类损失函数值来训练所述卷积神经网络，其中，在训练所述卷积神经网络的每一轮迭代中，先将所述分类损失函数值相对于所述分类特征图的梯度信息传递到所述分类特征图，再使用所述第一特征矩阵的分支将所述分类特征图相对于所述第一特征矩阵的梯度信息传递回所述卷积神经网络的参数；以及
推断阶段，包括：
获取用户画像，所述用户画像为一系列(标签，权重)的键值对；
将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量；
获取待支付业务的描述；
对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量；
第一关联特征编码单元，用于将所述多个标签特征向量进行二维拼接以获得第一特征矩阵后将所述第一特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第一特征图；
第二关联特征编码单元，用于将所述多个语义特征向量进行二维拼接以获得第二特征矩阵后将所述第二特征矩阵通过经所述训练模块训练完成的所述卷积神经网络以获得第二特征图；
分类特征图生成单元，用于融合所述第一特征图和所述第二特征图以获得分类特征图；以及
结果输出单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示用户与待支付业务之间是否适配。
9.根据权利要求8所述的基于互联网金融的支付大数据分析***的分析方法，其中，将所述一系列(标签，权重)的键值对通过包含嵌入层的基于上下文的语义理解模型以获得多个标签特征向量，包括：
使用所述语义理解模型的嵌入层分别将所述用户画像中的各个标签转化为标签嵌入向量；
使用所述用户画像中与各个标签相对应的权重对其对应的标签嵌入向量进行加权以获得加权标签嵌入向量的序列；以及
使用所述语义理解模型的Bert模型对所述加权标签嵌入向量的序列进行语义编码以获得所述多个标签特征向量。
10.根据权利要求8所述的基于互联网金融的支付大数据分析***的分析方法，其中，对所述待支付业务的描述进行分词处理后通过所述包含嵌入层的基于上下文的语义理解模型以获得多个语义特征向量，包括：
使用所述语义理解模型的嵌入层分别将所述待支付业务的描述中的各个词转化为嵌入向量以获得嵌入向量的序列；以及
上下文编码单元，用于使用所述语义理解模型的Bert模型对所述嵌入向量的序列进行基于上下文的语义编码以获得所述多个语义特征向量。
CN202210190418.8A 2022-02-28 2022-02-28 基于互联网金融的支付大数据分析***及其分析方法 Withdrawn CN114565041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210190418.8A CN114565041A (zh) 2022-02-28 2022-02-28 基于互联网金融的支付大数据分析***及其分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210190418.8A CN114565041A (zh) 2022-02-28 2022-02-28 基于互联网金融的支付大数据分析***及其分析方法

Publications (1)

Publication Number Publication Date
CN114565041A true CN114565041A (zh) 2022-05-31

Family

ID=81715621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210190418.8A Withdrawn CN114565041A (zh) 2022-02-28 2022-02-28 基于互联网金融的支付大数据分析***及其分析方法

Country Status (1)

Country Link
CN (1) CN114565041A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758424A (zh) * 2022-06-14 2022-07-15 众旅联(浙江)生态科技有限公司 基于多重校验机制的智能支付设备及其支付方法
CN115146488A (zh) * 2022-09-05 2022-10-04 山东鼹鼠人才知果数据科技有限公司 基于大数据的可变业务流程智能建模***及其方法
CN115203380A (zh) * 2022-09-19 2022-10-18 山东鼹鼠人才知果数据科技有限公司 基于多模态数据融合的文本处理***及其方法
CN115547466A (zh) * 2022-09-05 2022-12-30 西安启玥华辰软件咨询开发有限公司 基于大数据的医疗机构登记评审***及其方法
CN115602165A (zh) * 2022-09-07 2023-01-13 杭州优航信息技术有限公司（Cn） 基于金融***的数字员工智能***
CN115693918A (zh) * 2022-09-07 2023-02-03 浙江心友机电设备安装有限公司 一种建筑综合智能用电***及其方法
CN115880036A (zh) * 2023-02-23 2023-03-31 山东金潮交通设施有限公司 一种车位级动态共享智能管控交易平台
CN116167833A (zh) * 2023-04-19 2023-05-26 无锡数信互融科技发展有限公司 基于联邦学习的互联网金融风险控制***及其方法
CN117114760A (zh) * 2023-05-04 2023-11-24 浙江卡赢信息科技有限公司 基于用户消费行为分析的积分兑换智能推荐***及其方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758424A (zh) * 2022-06-14 2022-07-15 众旅联(浙江)生态科技有限公司 基于多重校验机制的智能支付设备及其支付方法
CN115146488A (zh) * 2022-09-05 2022-10-04 山东鼹鼠人才知果数据科技有限公司 基于大数据的可变业务流程智能建模***及其方法
CN115547466B (zh) * 2022-09-05 2023-06-16 西安启玥华辰软件咨询开发有限公司 基于大数据的医疗机构登记评审***及其方法
CN115146488B (zh) * 2022-09-05 2022-11-22 山东鼹鼠人才知果数据科技有限公司 基于大数据的可变业务流程智能建模***及其方法
CN115547466A (zh) * 2022-09-05 2022-12-30 西安启玥华辰软件咨询开发有限公司 基于大数据的医疗机构登记评审***及其方法
CN115693918A (zh) * 2022-09-07 2023-02-03 浙江心友机电设备安装有限公司 一种建筑综合智能用电***及其方法
CN115602165A (zh) * 2022-09-07 2023-01-13 杭州优航信息技术有限公司（Cn） 基于金融***的数字员工智能***
CN115693918B (zh) * 2022-09-07 2023-08-18 浙江心友机电设备安装有限公司 一种建筑综合智能用电***及其方法
CN115203380A (zh) * 2022-09-19 2022-10-18 山东鼹鼠人才知果数据科技有限公司 基于多模态数据融合的文本处理***及其方法
CN115880036A (zh) * 2023-02-23 2023-03-31 山东金潮交通设施有限公司 一种车位级动态共享智能管控交易平台
CN115880036B (zh) * 2023-02-23 2023-06-06 山东金潮交通设施有限公司 一种车位级动态共享智能管控交易平台
CN116167833A (zh) * 2023-04-19 2023-05-26 无锡数信互融科技发展有限公司 基于联邦学习的互联网金融风险控制***及其方法
CN116167833B (zh) * 2023-04-19 2023-06-30 无锡数信互融科技发展有限公司 基于联邦学习的互联网金融风险控制***及其方法
CN117114760A (zh) * 2023-05-04 2023-11-24 浙江卡赢信息科技有限公司 基于用户消费行为分析的积分兑换智能推荐***及其方法
CN117114760B (zh) * 2023-05-04 2024-05-28 浙江卡赢信息科技有限公司 基于用户消费行为分析的积分兑换智能推荐***及其方法

Similar Documents

Publication Publication Date Title
CN114565041A (zh) 基于互联网金融的支付大数据分析***及其分析方法
WO2021143396A1 (zh) 利用文本分类模型进行分类预测的方法及装置
CN112507995B (zh) 一种跨模型人脸特征向量的转换***及方法
WO2010068840A1 (en) Machine optimization devices, methods, and systems
CN111967565B (zh) 用于进行风险评估的神经网络***、方法及装置
CN115512420A (zh) 访客管理***及其方法
CN112733768A (zh) 基于双向特征语言模型的自然场景文本识别方法及装置
CN114861842B (zh) 少样本目标检测方法、装置和电子设备
CN114494701A (zh) 一种基于图结构神经网络的语义分割方法及装置
CN114529085A (zh) 基于大数据的居民收入预测***及其预测方法
CN115860783A (zh) 一种基于人工智能的电商平台用户反馈分析方法及***
CN114445121A (zh) 一种广告点击率预测模型构建及广告点击率预测方法
CN116468885A (zh) 训练语义分割模型的方法和装置及图像检测方法
CN116167833B (zh) 基于联邦学习的互联网金融风险控制***及其方法
CN115640418B (zh) 基于残差语义一致性跨域多视角目标网站检索方法及装置
CN117422065A (zh) 基于强化学习算法的自然语言数据处理***
CN112559640B (zh) 图谱表征***的训练方法及装置
CN115983982A (zh) 信贷风险识别方法、装置、设备及计算机可读存储介质
CN112184431A (zh) 用户风险确定方法和装置
Ren et al. BESRGAN: Boundary equilibrium face super‐resolution generative adversarial networks
CN115293109B (zh) 一种基于细粒度语义融合的文本图像生成方法及***
CN111881747B (zh) 信息预估方法、装置，电子设备
CN116226434B (zh) 一种多元异构模型训练及应用方法、设备及可读存储介质
CN112507982B (zh) 一种人脸特征码的跨模型转换***及方法
CN116307446B (zh) 服装供应链管理***

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220531

WW01 Invention patent application withdrawn after publication