生成简称、校验电子金融业务合法性的方法及装置制造方法及图纸

本申请提供一种生成简称、校验电子金融业务合法性的方法及装置。所述生成简称的方法可以包括：根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；根据所述简称概率值确定所述目标全称的简称。本申请通过已训练的简称模型可以批量为全称自动生成对应的简称，以便后续根据简称进行电子金融业务合法性的校验等应用。

【技术实现步骤摘要】
生成简称、校验电子金融业务合法性的方法及装置
本申请涉及互联网
，尤其涉及一种生成简称、校验电子金融业务合法性的方法及装置。
技术介绍
随着互联网技术的快速发展，电子支付业务兴起，用户可以通过互联网实现买单、转账等电子支付业务，给用户的生活带来了极大的便利。然而，不法分子也会利用电子支付业务进行违法操作，比如：洗钱、欺诈等。因此，对电子支付业务的合法性进行校验就显得极为重要。
技术实现思路
有鉴于此，本申请提供一种生成简称、校验电子金融业务合法性的方法及装置。具体地，本申请是通过如下技术方案实现的：一种生成简称的方法，所述方法包括：根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；根据所述简称概率值确定所述目标全称的简称。一种校验电子金融业务合法性的方法，所述方法包括：基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称；在接收到电子金融业务请求时，提取指定的业务特征；若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。一种生成简称的装置，所述装置包括：模型训练单元，根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；向量转换单元，将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；向量输入单元，将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；简称确定单元，根据所述简称概率值确定所述目标全称的简称。一种校验电子金融业务合法性的装置，所述装置包括：简称生成单元，基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称；特征提取单元，在接收到电子金融业务请求时，提取指定的业务特征；合法校验单元，若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。由以上描述可以看出，本申请可以将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵，并将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值，以根据所述简称概率值确定所述目标全称的简称。本申请通过已训练的简称模型可以批量为全称自动生成对应的简称，以便后续根据简称进行电子金融业务合法性的校验等应用。附图说明图1是本申请一示例性实施例示出的一种生成简称的方法的流程示意图。图2是本申请一示例性实施例示出的一种简称模型的训练方法的流程示意图。图3是本申请一示例性实施例示出的一种简称模型的示意图。图4是本申请一示例性实施例示出的一种校验电子金融业务合法性的方法的流程示意图。图5是本申请一示例性实施例示出的一种用于生成简称的装置的一结构示意图。图6是本申请一示例性实施例示出的一种生成简称的装置的框图。图7是本申请一示例性实施例示出的一种用于校验电子金融业务合法性的装置的一结构示意图。图8是本申请一示例性实施例示出的一种校验电子金融业务合法性的装置的框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。图1是本申请一示例性实施例示出的一种生成简称的方法的流程示意图。请参考图1，所述生成简称的方法可以应用在终端、服务器等用于生成简称的电子设备中，包括有以下步骤：步骤101，根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型。在本实施例中，可以采用大量已有的全称及其对应的简称对原始简称模型进行训练，以得到已训练的简称模型。步骤102，将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵。在本实施例中，可以采用Word2vec等工具将所述目标全称中的每个字符分别转换为对应的向量。假设，所述目标全称中的每个字符都可以转换为一个包括有N个元素的一维向量，如果目标全称包括有M个字符，则可以得到目标全称对应的N×M维矩阵，在本例中，可以称之为目标向量矩阵。步骤103，将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值。基于前述步骤102，仍以所述目标全称包括M个字符为例，经过已训练的简称模型，可以输出与所述M个字符分别对应的简称概率值。其中，所述简称概率值可以用来表示对应字符被抽取出作为简称的概率。步骤104，根据所述简称概率值确定所述目标全称的简称。在本实施例中，根据简称模型训练时全称样本的序列标注方法，可以在目标全称中提取简称概率值大于预设阈值或者小于预设阈值的字符，并按照顺序拼接以作为所述目标全称的简称。由以上描述可以看出，本申请可以将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵，并将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值，以根据所述简称概率值确定所述目标全称的简称。本申请通过已训练的简称模型可以批量为全称自动生成对应的简称，以便后续根据简称进行电子金融业务合法性的校验等应用。下面分别从简称模型的训练、简称的生成两个方面，对本申请简称的生成方案进行详细描述。一、简称模型的训练图2是本申请一示例性实施例示出的一种简称模型的训练方法的流程示意图。请参考图2，简称模型的训练方法可以包括以下步骤：步骤201，将全称样本的每个字符分别转换为对应的向量，得到所述全称样本对应的向量矩阵样本。在本实施例中，可以预先采集大量的全称和其对应的简称作为样本对原始简称模型进行训练。为便于描述，可以将采集到的全称称为全称样本。举例来说，全称样本“北京大学”的简称为“北大”，全称样本“中国石油天然气集团公司”的简称为“中石油”等。在本实施例中，可以采用Word2vec等工具将所述全称样本中的每个字符分别转换为对应的向量，以全称样本“北京大学”为例，请参考表1，可以转换为如下向量：全称样本中的字符向量北[0.1,0.5,-0.21,…,本文档来自技高网...

【技术保护点】
1.一种生成简称的方法，其特征在于，所述方法包括：根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；根据所述简称概率值确定所述目标全称的简称。

【技术特征摘要】
1.一种生成简称的方法，其特征在于，所述方法包括：根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型；将目标全称的每个字符分别转换为对应的向量，得到目标全称对应的目标向量矩阵；将所述目标向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述目标全称中每个字符的简称概率值；根据所述简称概率值确定所述目标全称的简称。2.根据权利要求1所述的方法，其特征在于，所述根据所述简称概率值确定所述目标全称的简称，包括：提取所述目标全称中简称概率值满足预设条件的字符，得到所述目标全称的简称。3.根据权利要求1所述的方法，其特征在于，所述根据全称样本和所述全称样本的简称对原始简称模型进行训练，得到已训练的简称模型，包括：将所述全称样本的每个字符分别转换为对应的向量，得到所述全称样本对应的向量矩阵样本；根据所述全称样本的简称对所述全称样本进行序列标注；将所述全称样本对应的向量矩阵样本作为入参输入所述原始简称模型，经过所述原始简称模型输出所述全称样本中每个字符的简称概率值；基于所述全称样本中每个字符的简称概率值和所述全称样本的序列标注结果，采用误差反向传播算法调整所述原始简称模型的权重参数；当调整后的原始简称模型收敛时，确定所述原始简称模型训练完毕，得到已训练的简称模型。4.根据权利要求3所述的方法，其特征在于，当对所述原始简称模型的权重参数进行预设次数的迭代调整后，确定所述迭代调整后的原始简称模型收敛。5.根据权利要求3所述的方法，其特征在于，当经过调整后的原始简称模型输出的所述全称样本中每个字符的简称概率值与所述全称样本的序列标注结果之间的误差小于预设阈值时，确定所述调整后的原始简称模型收敛。6.一种校验电子金融业务合法性的方法，其特征在于，所述方法包括：基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称；在接收到电子金融业务请求时，提取指定的业务特征；若所述业务特征匹配所述黑名单中的机构全称或者匹配对应的机构简称，则确定所述电子金融业务违法。7.根据权利要求6所述的方法，其特征在于，所述基于已训练的简称模型，为黑名单中的机构全称生成对应的机构简称，包括：将所述机构全称的每个字符分别转换为对应的向量，得到机构全称对应的机构向量矩阵；将所述机构向量矩阵作为入参输入所述已训练的简称模型，经过所述已训练的简称模型输出所述机构全称中每个字符的简称概率值；根据所述简称概率值确定所述机构全称对应的机构简称。8.根据权利要求7所述的方法，其特征在于，所述根据所述简称概率值确定所述机构全称对应的机构简称，包括：提取所述机构全称中简称概率值满足预设...

【专利技术属性】
技术研发人员：郭亚，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY