CN117033715A - 查询报文处理方法、装置、设备及存储介质 - Google Patents
查询报文处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117033715A CN117033715A CN202310953079.9A CN202310953079A CN117033715A CN 117033715 A CN117033715 A CN 117033715A CN 202310953079 A CN202310953079 A CN 202310953079A CN 117033715 A CN117033715 A CN 117033715A
- Authority
- CN
- China
- Prior art keywords
- message
- query message
- query
- association
- rule
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000008520 organization Effects 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000004458 analytical method Methods 0.000 claims description 34
- 230000007246 mechanism Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 238000002372 labelling Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种查询报文处理方法、装置、设备及存储介质,可以应用于人工智能和金融科技技术领域。该方法包括:接收由第一同业机构发送的查询报文;基于查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文;将组装查询报文发送至第二同业机构;接收由第二同业机构响应组装查询报文而发送的关联报文;基于关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文;将组装关联报文发送至第一同业机构。
Description
技术领域
本公开涉及人工智能和金融科技技术领域,尤其涉及一种查询报文处理方法、装置、设备、介质和程序产品。
背景技术
不同金融机构之间的查询查复服务是确保支付***安全、高效运行的重要保障。在相关技术中,特别是针对国际汇款转汇业务的处理,针对合规性报文,作为代理金融机构需要将查询或查复报文转发,这个过程由于查询频繁和数据量大,对人员的要求很高,数据的准确性和保密性也成为了金融机构面临的难题,需要花费大量人力和时间,同时也存在一定的风险,例如人工操作时可能存在疏漏或错误等情况。
发明内容
鉴于上述问题,本公开提供了一种查询报文处理方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种查询报文处理方法,包括:接收由第一同业机构发送的查询报文;
基于上述查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文;
将上述组装查询报文发送至第二同业机构;
接收由上述第二同业机构响应上述组装查询报文而发送的关联报文;
基于上述关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文;
以及将上述组装关联报文发送至上述第一同业机构。
根据本公开的实施例,上述将上述组装关联报文发送至上述第一同业机构之后,上述方法还包括:利用实时记录平台实时记录查询报文处理流程和相关指标参数。
根据本公开的实施例,上述基于上述查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文,包括:
将上述查询报文输入至目标查询报文匹配模型,输出与上述第一预设匹配规则相匹配的合规查询报文;以及
基于上述合规查询报文和第一预设组装规则,组装上述合规查询报文,生成组装查询报文。
根据本公开的实施例,上述目标查询报文匹配模型通过如下方式训练得到:
基于查询报文业务规则、上述第一预设匹配规则和样本查询报文数据集,对上述样本查询报文数据集进行特征提取,得到样本查询特征矩阵;
基于上述样本查询报文数据集和上述样本查询特征矩阵,确定初始查询报文匹配模型;其中,上述样本查询报文数据集包括多个相同属性的样本查询报文数据,上述样本查询特征矩阵包括与多个上述样本查询报文数据一一对应的多个特征向量;
利用上述样本查询特征矩阵,训练上述初始查询报文匹配模型;
在确定上述初始查询报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到上述目标查询报文匹配模型。
根据本公开的实施例,上述查询报文处理方法还包括:在上述目标查询报文匹配模型不能输出与上述第一预设匹配规则相匹配的合规查询报文的情况下,对上述查询报文进行修改,得到满足上述第一预设匹配规则的修改查询报文;以及
将上述修改查询报文再次输入上述目标查询报文匹配模型,输出与上述第一预设匹配规则相匹配的合规查询报文。
根据本公开的实施例,上述基于上述关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文,包括:
将上述关联报文输入至目标关联报文匹配模型,输出与上述二预设匹配规则相匹配的合规关联报文;以及
基于上述合规关联报文和第二预设组装规则,组装上述合规关联报文,生成组装关联报文。
根据本公开的实施例,上述目标关联报文匹配模型通过如下方式训练得到:
基于关联报文业务规则、上述第二预设匹配规则和样本关联报文数据集,对上述样本关联报文数据集进行特征提取,得到样本关联特征矩阵;
基于上述样本关联报文数据集和上述样本关联特征矩阵,确定初始关联报文匹配模型;其中,上述样本关联报文数据集包括多个相同属性的样本关联报文数据,上述样本关联特征矩阵包括与多个上述样本关联报文数据一一对应的多个特征向量;
利用上述样本关联特征矩阵,训练上述初始关联报文匹配模型;以及
在确定上述初始关联报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到上述目标关联报文匹配模型。
根据本公开的实施例,上述查询报文处理方法还包括:
在上述目标关联报文匹配模型不能输出与上述第二预设匹配规则相匹配的合规关联报文的情况下,对上述关联报文进行修改,得到满足上述第二预设匹配规则的修改关联报文;以及
将上述修改关联报文再次输入上述目标关联报文匹配模型,输出与上述第二预设匹配规则相匹配的合规关联报文。
根据本公开的实施例,上述利用实时记录平台实时记录查询报文处理流程和相关指标参数之后,上述方法还包括:
响应于上述查询报文处理流程,启动查询报文分析任务,得到查询报文分析结果;以及
基于上述查询报文分析结果,生成查询报文分析结果的汇总文本。
根据本公开的实施例,上述相关指标参数包括以下至少一项:机构参数、时间参数、状态参数、数量参数、预警参数和非合规参数。
根据本公开的第二个方面,提供了一种查询报文处理装置,包括:
第一接收模块,用于接收由第一同业机构发送的查询报文;
第一生成模块,用于基于上述查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文;
第一发送模块,用于将上述组装查询报文发送至第二同业机构;
第二接收模块,用于接收由上述第二同业机构响应上述装查询报文而发送的关联报文;
第二生成模块,用于基于上述关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文;以及
第二发送模块,用于将上述组装关联报文发送至上述第一同业机构。
根据本公开的实施例,上述装置还包括:
记录模块,用于将上述组装关联报文发送至上述第一同业机构之后,利用实时记录平台实时记录查询报文处理流程和相关指标参数。
根据本公开的实施例,上述第一生成模块,包括第一输出子模块和第一组装子模块。
输出子模块,用于将上述查询报文输入至目标查询报文匹配模型,输出与上述第一预设匹配规则相匹配的合规查询报文;以及
组装子模块,用于基于上述合规查询报文和第一预设组装规则,组装上述合规查询报文,生成组装查询报文。
根据本公开的实施例,上述目标查询报文匹配模型通过如下方式训练得到:
基于查询报文业务规则、上述第一预设匹配规则和样本查询报文数据集,对上述样本查询报文数据集进行特征提取,得到样本查询特征矩阵;
基于上述样本查询报文数据集和上述样本查询特征矩阵,确定初始查询报文匹配模型;其中,上述样本查询报文数据集包括多个相同属性的样本查询报文数据,上述样本查询特征矩阵包括与多个上述样本查询报文数据一一对应的多个特征向量;
利用上述样本查询特征矩阵,训练上述初始查询报文匹配模型;
在确定上述初始查询报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到上述目标查询报文匹配模型。
根据本公开的实施例,上述目标查询报文匹配模型训练方式,还包括:
在上述目标查询报文匹配模型不能输出与上述第一预设匹配规则相匹配的合规查询报文的情况下,对上述查询报文进行修改,得到满足上述第一预设匹配规则的修改查询报文;以及
将上述修改查询报文再次输入上述目标查询报文匹配模型,输出与上述第一预设匹配规则相匹配的合规查询报文。
根据本公开的实施例,上述第二生成模块包括:第二输出子模块和第二组装子模块。
第二输出子模块,用于将上述关联报文输入至目标关联报文匹配模型,输出与上述二预设匹配规则相匹配的合规关联报文;以及
第二组装子模块,用于基于上述合规关联报文和第二预设组装规则,组装上述合规关联报文,生成组装关联报文。
根据本公开的实施例,上述目标关联报文匹配模型通过如下方式训练得到:
基于关联报文业务规则、上述第二预设匹配规则和样本关联报文数据集,对上述样本关联报文数据集进行特征提取,得到样本关联特征矩阵;
基于上述样本关联报文数据集和上述样本关联特征矩阵,确定初始关联报文匹配模型;其中,上述样本关联报文数据集包括多个相同属性的样本关联报文数据,上述样本关联特征矩阵包括与多个上述样本关联报文数据一一对应的多个特征向量;
利用上述样本关联特征矩阵,训练上述初始关联报文匹配模型;以及
在确定上述初始关联报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到上述目标关联报文匹配模型。
根据本公开的实施例,上述目标关联报文匹配模型训练方式,还包括:
在上述目标关联报文匹配模型不能输出与上述第二预设匹配规则相匹配的合规关联报文的情况下,对上述关联报文进行修改,得到满足上述第二预设匹配规则的修改关联报文;以及
将上述修改关联报文再次输入上述目标关联报文匹配模型,输出与上述第二预设匹配规则相匹配的合规关联报文。
根据本公开的实施例,上述装置还包括:
启动模块,用于上述利用实时记录平台实时记录查询报文处理流程和相关指标参数之后,响应于上述查询报文处理流程,启动查询报文分析任务,得到查询报文分析结果;以及
生成模块,用于上述利用实时记录平台实时记录查询报文处理流程和相关指标参数之后,基于上述查询报文分析结果,生成查询报文分析结果的汇总文本。
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程序,其中,当上述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
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,该计算机程序被处理器执行时实现上述方法。
根据本公开提供的查询报文处理方法、装置、设备、存储介质和程序产品,通过接收由第一同业机构发送的查询报文;基于查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文;将组装查询报文发送至第二同业机构;接收由第二同业机构响应组装查询报文而发送的关联报文;基于关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文;将组装关联报文发送至第一同业机构。由于根据预设匹配规则和预设组装规则生成了组装查询报文和组装关联报文,并将组装报文发送至相应同业机构,实现了合规查询和查复的自动化处理,较大程度上减少人工干预,提高了报文处理的准确性和保密性。
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查询报文处理方法、装置、设备、存储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查询报文处理方法的流程图;
图3示意性示出了根据本公开实施例的另一个报文处理方法的流程图;
图4示意性示出了根据本公开实施例的又一个报文处理方法的流程图;
图5示意性示出了根据本公开实施例的报文处理方法的***架构图;
图6示意性示出了根据本公开实施例的查询报文处理装置的结构框图;以及
图7示意性示出了根据本公开实施例的适于实现查询报文处理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”等表明了所述特征、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***”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***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,均遵守相关国家和地区的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。
在相关技术中,查询查复报文处理过程中,由于查询频繁和数据量大,对人员的要求很高,数据的准确性和保密性也成为了金融机构面临的难题,需要花费大量人力和时间,同时也存在一定的风险。鉴于此,本公开提供了一种查询报文处理方法,能够通过对查询查复报文进行智能匹配,并将匹配后的合规查询查复报文组装并发送至相应同业机构,实现了合规查询和查复的自动化处理,较大程度上减少人工干预,提高了报文处理的准确性和保密性。
本公开的实施例提供了一种查询报文处理方法、装置、设备、存储介质和程序产品,该方法包括:通过接收由第一同业机构发送的查询报文;基于查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文;将组装查询报文发送至第二同业机构;接收由第二同业机构响应组装查询报文而发送的关联报文;基于关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文;将组装关联报文发送至第一同业机构。
图1示意性示出了根据本公开实施例的查询报文处理方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括服务器101、服务器102和服务器103,网络104用以在服务器101、服务器102和服务器103之间提供通信链路的介质。本公开实施例中的服务器101可以是设置于代理机构的服务器,服务器102可以是设置于汇款机构的服务器,服务器103可以是设置于收款机构的服务器。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。
需要说明的是,本公开实施例所提供的查询报文处理方法一般可以由服务器101执行。相应地,本公开实施例所提供的查询报文处理装置一般可以设置于服务器101中。本公开实施例所提供的查询报文处理方法也可以由不同于服务器101且能够与服务器102和服务器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查询报文处理装置也可以设置于不同于服务器105且能够与服务器102和服务器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网络和服务器。
图2示意性示出了根据本公开实施例的查询报文处理方法的流程图。
如图2所示,该实施例的查询报文处理方法包括操作S210~操作S260。
在操作S210,接收由第一同业机构发送的查询报文。
根据本公开的实施例,第一同业机构可以是跨境汇款转汇业务中的收款机构,也可以是境内不同金融机构间汇款转汇业务中的收款机构,例如某跨境汇款转汇业务中的收款机构A银行。查询报文可以是在境外或者境内收款机构给中间代理机构发出的报文,例如,跨境汇款转汇业务中的收款机构A银行向中间代理机构B银行发送的查询报文。
在操作S220,基于查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文。
根据本公开的实施例,第一预设匹配规则可以是根据查询报文的结构要素规则进行设置的,例如,根据查询报文结构中包含的报文要素、属性和类型等进行匹配的规则。第一预设组装规则可以是根据业务类型、报文要素等进行组装,进而生成组装查询报文,其中,报文要素包括但不限于:查询类型、待查询批量包/待查询业务、待查询明细业务、待查询业务货币符号、金额、票据号码、付款行名称、查询内容等。
在操作S230,将组装查询报文发送至第二同业机构。
根据本公开的实施例,第二同业机构可以是跨境汇款转汇业务中的汇款机构,也可以是境内不同金融机构间汇款转汇业务中的汇款机构,例如某跨境汇款转汇业务中的汇款机构K银行。
在操作S240,接收由第二同业机构响应组装查询报文而发送的关联报文。
根据本公开的实施例,关联报文可以是通过第二同业机构对组装查询报文进行应答处理后的查复报文。
在操作S250,基于关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文。
根据本公开的实施例,第二预设匹配规则可以是根据关联报文(即查复报文)的结构要素规则进行设置的,例如,根据关联报文结构中包含的报文要素、属性和类型等进行匹配的规则。第二预设组装规则可以是根据业务类型、报文要素等进行组装,进而生成组装关联报文,其中,报文要素包括但不限于:原查询申请、查询类型、待查询批量包/待查询业务、待查询明细业务、待查询业务货币符号、金额、查复内容等。
在操作S260,将组装关联报文发送至第一同业机构。
根据本公开的实施例,例如,由境外A银行发送的查询报文的具体内容可以包括付款机构/人的全称、付款机构/人的详细地址、企业性质、产品和服务的类型、付款目的、货物用途和航道记录等。
以表1为例,对基于查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文进行说明,表1为根据本公开实施例的组装查询报文示意:
表1
将组装好的查询报文发送至境内H银行,接收H银行响应组装查询报文而发送的关联报文(答复报文),关联报文内容包括付款机构/人的全称、付款机构/人的详细地址、企业性质、产品和服务的类型、付款目的、货物用途和航道记录等。
以表2为例,对对基于关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文进行说明,表2为根据本公开实施例的组装关联报文示意:
表2
根据本公开的实施例,通过接收由第一同业机构发送的查询报文;基于查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文;将组装查询报文发送至第二同业机构;接收由第二同业机构响应组装查询报文而发送的关联报文;基于关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文;将组装关联报文发送至第一同业机构。由于根据预设匹配规则和预设组装规则生成了组装查询报文和组装关联报文,并将组装报文发送至相应同业机构,实现了合规查询和查复的自动化处理,较大程度上减少人工干预,提高了报文处理的准确性和保密性。
根据本公开的实施例,将组装关联报文发送至第一同业机构之后,还包括:利用实时记录平台实时记录查询报文处理流程和相关指标参数。
根据本公开的实施例,实时记录平台可以是对查询报文的处理流程和相关指标参数进行实时监控和记录的平台。其中,查询报文的处理流程均包括合规和非合规查询报文和关联报文的处理流程。其中,相关指标参数包括但不限于:机构参数、时间参数、状态参数、数量参数、预警参数和非合规参数。
在一种可行的实施例中,在实时记录平台中可设置多种智能化的记录和监测状况,其中,记录和监测状况包括但不限于流程延迟、重复处理等。例如,某一查询报文的查询时间和流程过长,或者对同一查询报文进行了多次转发,或者某一时刻查询报文的业务量暴增或锐减的状况,记录平台对上述异常情况进行记录和监测,并根据异常情况进行相应处理或者告警。
根据本公开的实施例,通过利用实时记录平台对查询报文的处理流程和相关指标参数进行实时监控和记录,可记录每一次查询或关联报文(查复报文)的处理过程和结果,统计相关数据,以便更好的掌握查询报文处理流程的进展和状态,实现了全程监控,提高了查询报文的处理准确率。
根据本公开的实施例,基于查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文,包括:将查询报文输入至目标查询报文匹配模型,输出与第一预设匹配规则相匹配的合规查询报文;以及基于合规查询报文和第一预设组装规则,组装合规查询报文,生成组装查询报文。
根据本公开的实施例,目标查询报文匹配模型可以是采用深度学习算法的神经网络模型,例如:BP神经网络模型、卷积神经网络模型(CNN)和循环神经网络模型(RNN)。
根据本公开的实施例,通过目标查询报文匹配模型对查询报文进行识别匹配,可提高查询报文匹配识别效率,最终提高查询报文的处理效率。
图3示意性示出了根据本公开实施例的另一个报文处理方法的流程图。
根据本公开的实施例,目标查询报文匹配模型通过如下方式训练得到,具体如图3所示,该实施例的查询报文处理方法包括操作S310~操作S340。
在操作S310,基于查询报文业务规则、第一预设匹配规则和样本查询报文数据集,对样本查询报文数据集进行特征提取,得到样本查询特征矩阵。
根据本公开的实施例,业务规则可以为查询报文结构的处理规则,其中,查询报文结构包括报文要素、属性、类型和加签要素等。例如,查询报文的报文结构中属性填充规则为[0..1]或者[1..1],当属性填充规则不满足上述填充要求,***则无法进行识别处理。样本查询报文数据集可以是由过去特定时间段内的历史合规查询报文数据所组成的数据集,上述特定时间段可根据实际情况进行设置,在此不进行限定。例如,对过去两年内合规查询报文数据进行采集,组成样本查询报文数据集。然后,通过对样本业务数据集中的关键特征数据和标注数据进行特提取,得到样本查询特征矩阵,其中,关键特征数据可以包括报文要素中的查询类型(QueryType)数据、待查询明细业务数据(OriginalTransaction)、货币符号/金额数据(Amount)等;标注数据可以是对应于关键特征数据的位置标注信息,例如,样本查询报文中的查询类型(QueryType)数据的位置标注信息在查询报文结构中的序号为4,所在行数为5、所在列数为3。
然后,通过已获取的样本查询报文数据集和样本查询特征矩阵,可以确定初始关联报文匹配模型。
在操作S320,基于样本查询报文数据集和样本查询特征矩阵,确定初始查询报文匹配模型。
根据本公开的实施例,样本查询报文数据集包括多个相同属性的样本查询报文数据,样本查询特征矩阵包括与多个样本查询报文数据一一对应的多个特征向量。其中,属性相同可以是样本查询报文数据中相同的报文要素。
在操作S330,利用样本查询特征矩阵,训练初始查询报文匹配模型。
在操作S340,在确定初始查询报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到目标查询报文匹配模型。
根据本公开的实施例,初始查询报文匹配模型匹配准确率可以是通过对初始查询报文匹配模型进行准确率评估,所得到的评估结果。其中,准确率评估方法可以是交叉检验的方法,例如k-fold交叉验证、彻底交叉验证(Exhaustive Cross Validation)等。当初始查询报文匹配模型的匹配准确率大于预设阈值(例如90%),即可得到目标查询报文匹配模型,并将其运用于实际查询报文的匹配识别,其中,预设阈值可根据业务特点和实际情况进行设置,具体阈值在此不做限制。
根据本公开的实施例,对接收到的查询报文进行特征提取,并利用历史查询报文数据对查询报文匹配模型进行训练,生成目标查询报文匹配模型,通过对查询报文进行智能识别匹配,提高了查询报文处理速度和准确率。
根据本公开的实施例,查询报文处理方法还包括,在目标查询报文匹配模型不能输出与第一预设匹配规则相匹配的合规查询报文的情况下,对查询报文进行修改,得到满足第一预设匹配规则的修改查询报文;以及将修改查询报文再次输入目标查询报文匹配模型,输出与第一预设匹配规则相匹配的合规查询报文。
根据本公开的实施例,当查询报文不能被目标查询报文匹配模型进行正常输出的情况下,即对查询报文进行相应落地修改处理,当经过修改后的查询报文满足第一预设匹配规则,则再次将修改后的查询报文输入至目标查询报文匹配模型,输出满足第一预设匹配规则的合规查询报文。例如,当某一查询报文中的报文要素缺少票据号码(BillNumber)的情况下,不能被目标查询报文匹配模型进行正常输出,通过落地处理,对缺项的票据号码进行补充核实后,再次输入目标查询报文匹配模型,输出与第一预设匹配规则相匹配的合规查询报文。
根据本公开的实施例,基于关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文,包括:将关联报文输入至目标关联报文匹配模型,输出与二预设匹配规则相匹配的合规关联报文;以及基于合规关联报文和第二预设组装规则,组装合规关联报文,生成组装关联报文。
根据本公开的实施例,目标关联报文匹配模型可以是采用深度学习算法的神经网络模型,例如:BP神经网络模型、卷积神经网络模型(CNN)和循环神经网络模型(RNN)。
根据本公开的实施例,通过目标关联报文匹配模型对关联报文进行识别匹配,可提高关联报文匹配识别效率,最终提高关联报文的处理效率。
图4示意性示出了根据本公开实施例的又一个报文处理方法的流程图。
根据本公开的实施例,目标关联报文匹配模型通过如下方式训练得到,具体如图4所示,该实施例的关联报文处理方法包括操作S410~操作S440。
在操作S410,基于关联报文业务规则、第二预设匹配规则和样本关联报文数据集,对样本关联报文数据集进行特征提取,得到样本关联特征矩阵。
根据本公开的实施例,关联报文(即查复报文)业务规则可以为关联报文结构的处理规则,其中,关联报文结构包括报文要素、属性、类型和加签要素等。例如,关联报文的报文结构中属性填充规则为[0..1]或者[1..1],当属性填充规则不满足上述填充要求,***则无法进行识别处理。样本关联报文数据集可以是由过去特定时间段内的历史合规关联报文数据所组成的数据集,上述特定时间段可根据实际情况进行设置,在此不进行限定。例如,对过去两年内合规关联报文数据进行采集,组成样本关联报文数据集。然后,通过对样本关联业务数据集中的关键特征数据和标注数据进行特提取,得到样本关联特征矩阵,其中,关键特征数据可以包括报文要素中的查询类型(QueryType)数据、待查询明细业务数据(OriginalTransaction)、货币符号/金额数据(Amount)等;标注数据可以是对应于关键特征数据的位置标注信息,例如,样本关联报文中的查询类型(QueryType)数据的位置标注信息在查询报文结构中的序号为5,所在行数为6、所在列数为3。
然后,通过已获取的样本关联报文数据集和样本关联特征矩阵,可以确定初始关联报文匹配模型。
在操作S420,基于样本关联报文数据集和样本关联特征矩阵,确定初始关联报文匹配模型。
根据本公开的实施例,样本关联报文数据集包括多个相同属性的样本关联报文数据,样本关联特征矩阵包括与多个样本关联报文数据一一对应的多个特征向量。其中,属性相同可以是样本关联报文数据中相同的报文要素。
在操作S430,利用样本关联特征矩阵,训练初始关联报文匹配模型。
在操作S440,在确定初始关联报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到目标关联报文匹配模型。
根据本公开的实施例,初始关联报文匹配模型匹配准确率可以是通过对初始关联报文匹配模型进行准确率评估,所得到的评估结果。其中,准确率评估方法可以是交叉检验的方法,例如k-fold交叉验证、彻底交叉验证(Exhaustive Cross Validation)等。当初始关联报文匹配模型的匹配准确率大于预设阈值(例如90%),即可得到目标关联报文匹配模型,并将其运用于实际关联(查复)报文的匹配识别,其中,预设阈值可根据业务特点和实际情况进行设置,具体阈值在此不做限制。
根据本公开的实施例,对接收到的关联报文进行特征提取,并利用历史关联报文数据对关联报文匹配模型进行训练,生成目标关联报文匹配模型,通过对关联报文进行智能识别匹配,提高了关联报文处理速度和准确率。
根据本公开的实施例,查询报文处理方法还包括,在目标关联报文匹配模型不能输出与第二预设匹配规则相匹配的合规关联报文的情况下,对关联报文进行修改,得到满足第二预设匹配规则的修改关联报文;以及将修改关联报文再次输入目标关联报文匹配模型,输出与第二预设匹配规则相匹配的合规关联报文。
根据本公开的实施例,根据本公开的实施例,当关联报文不能被目标关联报文匹配模型进行正常输出的情况下,即对关联报文进行相应落地修改处理,当经过修改后的关联报文满足第二预设匹配规则,则再次将修改后的关联报文输入至目标关联报文匹配模型,输出满足第二预设匹配规则的合规关联报文。例如,当某一关联报文中的报文要素缺少查复内容(Content)的情况下,不能被目标查询报文匹配模型进行正常输出,通过落地处理,对缺项的查复内容进行补充核实后,再次输入目标查询报文匹配模型,输出与第二预设匹配规则相匹配的合规关联报文。
根据本公开的实施例,利用实时记录平台实时记录查询报文处理流程和相关指标参数之后,还包括:响应于查询报文处理流程,启动查询报文分析任务,得到查询报文分析结果;以及基于查询报文分析结果,生成查询报文分析结果的汇总文本。
根据本公开的实施例,查询报文分析结果可以是通过利用大数据分析技术,对查询业务处理流程中的合规报文、非合规报文和异常情况的相关规律进行分析,得到查询报文的分析结果,并以汇总文本的形式进行呈现。分析的主要内容包括但不限于:查询报文处理时间分析、处理量分析、效率分析、异常监控与分析,例如,报文处理时间分析可以是对处理时间进行统计、分析和可视化,确定报文处理的平均时长、最大时间和最小时间等,从而优化报文处理效率;处理量分析可以是对报文处理的流量、峰值等进行分析,并可结合历史数据进行对比和趋势分析,已调整业务流程和优化资源配置;效率分析可以是通过分析合规查询查复报文的处理流程,确定处理瓶颈和限制因素,并提出优化方案;异常监控与分析可以是对异常情况进行监控和统计,并通过可视化工具呈现。其中,分析结果包括查询报文的状态和质量。汇总文本的表现形式包括但不限于excel表格和Word文档。
根据本公开的实施例,通过对查询报文处理流程进行分析,对处理结果进行汇总和文本呈现,为安全决策提供高质量的数据支持,便于金融机构管理人员和***开发者更加清晰地了解***表现情况并改进其性能,能够有效提高金融机构合规操作水平,减少金融风险。
根据本公开的实施例,相关指标参数包括以下至少一项:机构参数、时间参数、状态参数、数量参数、预警参数和非合规参数。
在一种可行的实施例中,机构参数可以是查询报文和/或关联报文的处理机构;时间参数可以是查询报文和/或关联报文的处理时间;状态参数可以是查询报文和/或关联报文的处理状态,例如未处理、处理中或者处理完成等;数量参数可以是查询报文和/或关联报文的处理数量;预警参数可以是查询报文和/或关联报文异常情况是进行的预警参数,例如预警阈值、预警次数和预警频率等;非合规参数可以是是查询报文和/或关联报文进行相应落地处理的参数,例如,落地处理的处理量和/或处理时间等参数。
图5示意性示出了根据本公开实施例的报文处理方法的***架构图。
根据本公开的实施例,如图5所示,跨境或者境内汇款转汇业务中,汇款机构将某一笔汇款业务的汇款报文发送至代理机构,代理机构将接收并核对后的汇款报文发送至收款机构,收款机构根据业务处理规则将接收到的汇款报文生成查询报文,并将查询报文发送至代理机构,代理机构根据相关规则匹配并组装,生成符合匹配规则的组装查询报文并发送至汇款机构,汇款机构基于接收到的查询报文并进行应答处理形成关联报文(即查复报文),并将关联报文发送至代理机构,代理机构根据相关规则匹配并组装,生成符合匹配规则的组装关联报文并发送至收款机构,最终完成查询查复报文的处理。
基于上述查询报文处理方法,本公开还提供了一种查询报文处理装置。以下将结合图6对该装置进行详细描述。
图6示意性示出了根据本公开实施例的查询报文处理装置的结构框图。
如图6所示,该实施例的查询报文处理装置600包括第一接收模块610、第一生成模块620、第一发送模块630、第二接收模块640、第二生成模块650和第二发送模块660。
第一接收模块610用于接收由第一同业机构发送的查询报文。在一实施例中,第一接收模块610可以用于执行前文描述的操作S210,在此不再赘述。
第一生成模块620用于基于所述查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文。在一实施例中,第一生成模块620可以用于执行前文描述的操作S220,在此不再赘述。
第一发送模块630用于将所述组装查询报文发送至第二同业机构。在一实施例中,第一发送模块630可以用于执行前文描述的操作S230,在此不再赘述。
第二接收模块640用于接收由所述第二同业机构响应所述装查询报文而发送的关联报文。在一实施例中第二接收模块640可以用于执行前文描述的操作S240,在此不再赘述。
第二生成模块650用于基于所述关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文。在一实施例中第二生成模块650可以用于执行前文描述的操作S250,在此不再赘述。
第二发送模块660用于将所述组装关联报文发送至所述第一同业机构。在一实施例中第二发送模块660可以用于执行前文描述的操作S260,在此不再赘述。
根据本公开的实施例,查询报文处理装置600还包括记录模块,用于将组装关联报文发送至第一同业机构之后,利用实时记录平台实时记录查询报文处理流程和相关指标参数。
根据本公开的实施例,第一生成模块,包括第一输出子模块和第一组装子模块。
第一输出子模块,用于将查询报文输入至目标查询报文匹配模型,输出与第一预设匹配规则相匹配的合规查询报文。
第一组装子模块,用于基于合规查询报文和第一预设组装规则,组装合规查询报文,生成组装查询报文。
根据本公开的实施例,目标查询报文匹配模型通过如下方式训练得到:基于查询报文业务规则、第一预设匹配规则和样本查询报文数据集,对样本查询报文数据集进行特征提取,得到样本查询特征矩阵;基于样本查询报文数据集和样本查询特征矩阵,确定初始查询报文匹配模型;其中,样本查询报文数据集包括多个相同属性的样本查询报文数据,样本查询特征矩阵包括与多个样本查询报文数据一一对应的多个特征向量;利用样本查询特征矩阵,训练初始查询报文匹配模型;在确定初始查询报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到目标查询报文匹配模型。
根据本公开的实施例,目标查询报文匹配模型训练方式,还包括:在目标查询报文匹配模型不能输出与第一预设匹配规则相匹配的合规查询报文的情况下,对查询报文进行修改,得到满足第一预设匹配规则的修改查询报文;以及将修改查询报文再次输入目标查询报文匹配模型,输出与第一预设匹配规则相匹配的合规查询报文。
根据本公开的实施例,第二生成模块包括:第二输出子模块和第二组装子模块。
第二输出子模块,用于将关联报文输入至目标关联报文匹配模型,输出与二预设匹配规则相匹配的合规关联报文。
第二组装子模块,用于基于合规关联报文和第二预设组装规则,组装合规关联报文,生成组装关联报文。
根据本公开的实施例,目标关联报文匹配模型通过如下方式训练得到:基于关联报文业务规则、第二预设匹配规则和样本关联报文数据集,对样本关联报文数据集进行特征提取,得到样本关联特征矩阵;基于样本关联报文数据集和样本关联特征矩阵,确定初始关联报文匹配模型;其中,样本关联报文数据集包括多个相同属性的样本关联报文数据,样本关联特征矩阵包括与多个样本关联报文数据一一对应的多个特征向量;利用样本关联特征矩阵,训练初始关联报文匹配模型;以及在确定初始关联报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到目标关联报文匹配模型。
根据本公开的实施例,目标关联报文匹配模型训练方式,还包括:在目标关联报文匹配模型不能输出与第二预设匹配规则相匹配的合规关联报文的情况下,对关联报文进行修改,得到满足第二预设匹配规则的修改关联报文;以及将修改关联报文再次输入目标关联报文匹配模型,输出与第二预设匹配规则相匹配的合规关联报文。
根据本公开的实施例,查询报文处理装置600还包括启动模块和生成模块。
启动模块,用于利用实时记录平台实时记录查询报文处理流程和相关指标参数之后,响应于查询报文处理流程,启动查询报文分析任务,得到查询报文分析结果。
生成模块,用于利用实时记录平台实时记录查询报文处理流程和相关指标参数之后,基于查询报文分析结果,生成查询报文分析结果的汇总文本。
根据本公开的实施例,第一接收模块610、第一生成模块620、第一发送模块630、第二接收模块640、第二生成模块650和第二发送模块660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,第一接收模块610、第一生成模块620、第一发送模块630、第二接收模块640、第二生成模块650和第二发送模块660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***、基板上的***、封装上的***、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,第一接收模块610、第一生成模块620、第一发送模块630、第二接收模块640、第二生成模块650和第二发送模块660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7示意性示出了根据本公开实施例的适于实现查询报文处理方法的电子设备的方框图。
如图7所示,根据本公开实施例的电子设备700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701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701还可以包括用于缓存用途的板载存储器。处理器701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RAM703中,存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM703通过总线704彼此相连。处理器701通过执行ROM702和/或RAM703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,所述程序也可以存储在除ROM702和RAM703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述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700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至输入/输出(I/O)接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至输入/输出(I/O)接口705。可拆卸介质711,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710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708。
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/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***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***、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ROM702和/或RAM703和/或ROM702和RAM703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***中运行时,该程序代码用于使计算机***实现本公开实施例所提供的查询报文处理方法。
在该计算机程序被处理器701执行时执行本公开实施例的***/装置中限定的上述功能。根据本公开的实施例,上文描述的***、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709被下载和安装,和/或从可拆卸介质711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709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、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***、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***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 (14)
1.一种查询报文处理方法,包括:
接收由第一同业机构发送的查询报文;
基于所述查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文;
将所述组装查询报文发送至第二同业机构;
接收由所述第二同业机构响应所述组装查询报文而发送的关联报文;
基于所述关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文;以及
将所述组装关联报文发送至所述第一同业机构。
2.根据权利要求1所述的方法,其中,所述将所述组装关联报文发送至所述第一同业机构之后,所述方法还包括:
利用实时记录平台实时记录查询报文处理流程和相关指标参数。
3.根据权利要求1所述的方法,其中,所述基于所述查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文,包括:
将所述查询报文输入至目标查询报文匹配模型,输出与所述第一预设匹配规则相匹配的合规查询报文;以及
基于所述合规查询报文和第一预设组装规则,组装所述合规查询报文,生成组装查询报文。
4.根据权利要求3所述的方法,其中,所述目标查询报文匹配模型通过如下方式训练得到:
基于查询报文业务规则、所述第一预设匹配规则和样本查询报文数据集,对所述样本查询报文数据集进行特征提取,得到样本查询特征矩阵;
基于所述样本查询报文数据集和所述样本查询特征矩阵,确定初始查询报文匹配模型;其中,所述样本查询报文数据集包括多个相同属性的样本查询报文数据,所述样本查询特征矩阵包括与多个所述样本查询报文数据一一对应的多个特征向量;
利用所述样本查询特征矩阵,训练所述初始查询报文匹配模型;
在确定所述初始查询报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到所述目标查询报文匹配模型。
5.根据权利要求4所述的方法,还包括:
在所述目标查询报文匹配模型不能输出与所述第一预设匹配规则相匹配的合规查询报文的情况下,对所述查询报文进行修改,得到满足所述第一预设匹配规则的修改查询报文;以及
将所述修改查询报文再次输入所述目标查询报文匹配模型,输出与所述第一预设匹配规则相匹配的合规查询报文。
6.根据权利要求1所述的方法,其中,所述基于所述关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文,包括:
将所述关联报文输入至目标关联报文匹配模型,输出与所述二预设匹配规则相匹配的合规关联报文;以及
基于所述合规关联报文和第二预设组装规则,组装所述合规关联报文,生成组装关联报文。
7.根据权利要求6所述的方法,其中,所述目标关联报文匹配模型通过如下方式训练得到:
基于关联报文业务规则、所述第二预设匹配规则和样本关联报文数据集,对所述样本关联报文数据集进行特征提取,得到样本关联特征矩阵;
基于所述样本关联报文数据集和所述样本关联特征矩阵,确定初始关联报文匹配模型;其中,所述样本关联报文数据集包括多个相同属性的样本关联报文数据,所述样本关联特征矩阵包括与多个所述样本关联报文数据一一对应的多个特征向量;
利用所述样本关联特征矩阵,训练所述初始关联报文匹配模型;以及
在确定所述初始关联报文匹配模型匹配准确率大于或等于预设阈值的情况下,得到所述目标关联报文匹配模型。
8.根据权利要求7所述的方法,还包括:
在所述目标关联报文匹配模型不能输出与所述第二预设匹配规则相匹配的合规关联报文的情况下,对所述关联报文进行修改,得到满足所述第二预设匹配规则的修改关联报文;以及
将所述修改关联报文再次输入所述目标关联报文匹配模型,输出与所述第二预设匹配规则相匹配的合规关联报文。
9.根据权利要求2所述的方法,其中,所述利用实时记录平台实时记录查询报文处理流程和相关指标参数之后,所述方法还包括:
响应于所述查询报文处理流程,启动查询报文分析任务,得到查询报文分析结果;以及
基于所述查询报文分析结果,生成查询报文分析结果的汇总文本。
10.根据权利要求2所述的方法,其中,所述相关指标参数包括以下至少一项:机构参数、时间参数、状态参数、数量参数、预警参数和非合规参数。
11.一种查询报文处理装置,包括:
第一接收模块,用于接收由第一同业机构发送的查询报文;
第一生成模块,用于基于所述查询报文、第一预设匹配规则和第一预设组装规则,生成组装查询报文;
第一发送模块,用于将所述组装查询报文发送至第二同业机构;
第二接收模块,用于接收由所述第二同业机构响应所述装查询报文而发送的关联报文;
第二生成模块,用于基于所述关联报文、第二预设匹配规则和第二预设组装规则,生成组装关联报文;以及
第二发送模块,用于将所述组装关联报文发送至所述第一同业机构。
12.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~10中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310953079.9A CN117033715A (zh) | 2023-07-31 | 2023-07-31 | 查询报文处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310953079.9A CN117033715A (zh) | 2023-07-31 | 2023-07-31 | 查询报文处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117033715A true CN117033715A (zh) | 2023-11-10 |
Family
ID=88627262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310953079.9A Pending CN117033715A (zh) | 2023-07-31 | 2023-07-31 | 查询报文处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033715A (zh) |
-
2023
- 2023-07-31 CN CN202310953079.9A patent/CN117033715A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255499B (zh) | 投诉、投诉案件处理方法、装置及设备 | |
CN109816397B (zh) | 一种欺诈判别方法、装置及存储介质 | |
Sun | Applying deep learning to audit procedures: An illustrative framework | |
CN111178219A (zh) | 票据识别管理方法、装置、存储介质及电子设备 | |
CN111681091A (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
CN111931189B (zh) | Api接口转用风险检测方法、装置和api服务*** | |
CN116680459B (zh) | 基于ai技术的外贸内容数据处理*** | |
CN113450075A (zh) | 基于自然语言技术的工单处理方法及装置 | |
US20220300977A1 (en) | Real-time malicious activity detection using non-transaction data | |
US20240154975A1 (en) | Systems and methods for accelerating a disposition of digital dispute events in a machine learning-based digital threat mitigation platform | |
CN115018513A (zh) | 数据巡检方法、装置、设备及存储介质 | |
US12050573B2 (en) | Systems and methods for streaming classification of distributed ledger-based activities | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN116739605A (zh) | 交易数据检测方法、装置、设备及存储介质 | |
CN116662387A (zh) | 业务数据处理方法、装置、设备及存储介质 | |
CN117033715A (zh) | 查询报文处理方法、装置、设备及存储介质 | |
CN113037555B (zh) | 风险事件标记方法、风险事件标记装置和电子设备 | |
KR20230046182A (ko) | 네트워크에 대한 침해 공격을 탐지하는 장치, 방법 및 컴퓨터 프로그램 | |
CN114723548A (zh) | 数据处理方法、装置、设备、介质和程序产品 | |
CN114297223A (zh) | 一种基于大数据的中小企业信息化服务平台 | |
CN117811767B (zh) | 风险ip地址的预警方法、装置、存储介质及电子设备 | |
CN117952619B (zh) | 基于数字人民币钱包账户关联性的风险行为分析方法、***及计算机可读介质 | |
CN117195845A (zh) | 报文信息处理方法、装置、设备及介质 | |
US20230377038A1 (en) | Early network growth warning system and method | |
US20210248617A1 (en) | System and method for predicting support escalation |
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 |