资产负债智能管理方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术涉及一种人工智能技术，揭露了一种资产负债智能管理方法，包括：源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时退出训练；接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。本发明专利技术还提出一种资产负债智能管理装置以及一种计算机可读存储介质。本发明专利技术可以实现高效的资产负债管理。

Asset liability intelligent management method, device and computer readable storage medium

【技术实现步骤摘要】
资产负债智能管理方法、装置及计算机可读存储介质
本专利技术涉及人工智能
，尤其涉及一种基于智能查询企业负债情况的资产负债智能管理方法、装置及计算机可读存储介质。
技术介绍
目前多数企业债务查询方法都以传统方法为主，如审查企业会计账本、利用银行的信贷管理系统查询企业贷款情况等，但审查企业会计账本耗时费力，且容错率较高；而银行的信贷管理系统可查询的信息不够全面，因此传统方法不能有效的解决企业债务查询问题。
技术实现思路
本专利技术提供一种资产负债智能管理方法、装置及计算机可读存储介质，其主要目的在于当用户输入待查询的企业债务时，给用户呈现出精准的企业债务情况。为实现上述目的，本专利技术提供的一种资产负债智能管理方法，包括：通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练；接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。可选地，所述通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中，包括：源数据层接收企业数据及负债标签，并根据企业数据的类型对所述企业数据分类；所述源数据层查询数据库的当前编号后，将所述当前编号的下一个编号作为分类后的所述企业数据及所述负债标签的编号；所述源数据层将分类后的所述企业数据及所述负债标签输入至数据库，并更新所述数据库的当前编号。可选地，所述利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征，包括：所述数据整合层查询所述数据库的当前编号，根据所述编号从所述数据库中提取所述企业数据；所述数据整合层将所述企业数据作为因子分析模型的输入数据并训练所述因子分析模型，直至所述因子分析模型的最大化似然函数值小于阈值时，所述因子分析模型退出训练并输出资产特征。可选地，所述因子分析模型包括似然函数和所述最大化似然函数，其中，所述似然函数为：其中∧为变化矩阵，μ为高斯分布的均值，为高斯分布的方差，m为企业数据数量，p为概率函数，Xi，Zi分别为所述企业数据和所述资产特征；所述最大化似然函数为：其中Qi(Zi)为琴生不等式的参数值：可选地，将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时，所述前向神经网络层退出训练，包括：将所述资产特征输入至所述前向神经网络层的输入层，所述负债标签输入至所述前向神经网络层的损失函数中；根据所述输入层数据对所述前向神经网络层进行训练得出训练值，并将所述训练值输入至所述损失函数中；通过所述损失函数，根据所述训练值与所述负债标签计算出损失值，并判断所述损失值与所述预设阈值的大小，直至所述损失值小于所述阈值时，所述前向神经网络层退出训练。此外，为实现上述目的，本专利技术还提供一种资产负债智能管理装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的资产负债智能管理程序，所述资产负债智能管理程序被所述处理器执行时实现如下步骤：通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练；接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。可选地，所述通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中，包括：源数据层接收企业数据及负债标签，并根据企业数据的类型对所述企业数据分类；所述源数据层查询数据库的当前编号后，将所述当前编号的下一个编号作为所述分类后的企业数据及所述负债标签的编号；所述源数据层将所述分类后的企业数据及所述负债标签输入至数据库，并更新所述数据库的当前编号。可选地，所述利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征，包括：所述数据整合层查询所述数据库的当前编号，根据所述编号从所述数据库中提取所述企业数据；所述数据整合层将所述企业数据作为因子分析模型的输入数据并训练所述因子分析模型，直至所述因子分析模型的最大化似然函数值小于阈值时，所述因子分析模型退出训练并输出资产特征。可选地，所述因子分析模型包括似然函数和所述最大化似然函数，其中，所述似然函数为：其中∧为变化矩阵，μ为高斯分布的均值，为高斯分布的方差，m为企业数据数量，p为概率函数，Xi，Zi分别为所述企业数据和所述资产特征；所述最大化似然函数为：其中Qi(Zi)为琴生不等式的参数值：此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有资产负债智能管理程序，所述资产负债智能管理程序可被一个或者多个处理器执行，以实现如上所述的资产负债智能管理方法的步骤。本专利技术提出的资产负债智能管理方法、装置及计算机可读存储介质，源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时退出训练；接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。为用户可以实现高效的资产负债管理。附图说明图1为本专利技术一实施例提供的资产负债智能管理方法的流程示意图；图2为本专利技术一实施例提供的资产负债智能管理装置的内部结构示意图；图3为本专利技术一实施例提供的资产负债智能管理装置中资产负债智能管理程序的模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供一种资产负债智能管理方法。参照图1所示，为本专利技术一实施例提供的资产负债智能管理方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。在本实施例中，资产负债智能管理方法包括：S1、通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中。本专利技术较佳实施例的企业数据包括专利申请数量、资产负债数据、投融资金额、股权变更情况、大额专项资金流动量、年度财务快报、企业运营经费等。所述负债标签分为正常盈利和已负债两种标签。所述源数据层是一个多层循环嵌套模型，接收所述企业数据及标签。本专利技术较佳实施例构建的数据库可使用关系型数据库管理系统MySQL，所述编号可使用公司名简写加数字排序的方式，如PA00001等方式。本专利技术较佳实施所述的源数据层接收企业数据及负债标签，并根据本文档来自技高网...

【技术保护点】
1.一种资产负债智能管理方法，其特征在于，所述方法包括：通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练；接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。

【技术特征摘要】
1.一种资产负债智能管理方法，其特征在于，所述方法包括：通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练；接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。2.如权利要求1所述的资产负债智能管理方法，其特征在于，所述通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中，包括：接收企业数据及负债标签，并根据企业数据的类型对所述企业数据分类；查询数据库的当前编号后，将所述当前编号的下一个编号作为分类后的所述企业数据及所述负债标签的编号；将分类后的所述企业数据及所述负债标签输入至数据库，并更新所述数据库的当前编号。3.如权利要求2所述的资产负债智能管理方法，其特征在于，所述利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征，包括：查询所述数据库的当前编号，根据所述编号从所述数据库中提取所述企业数据；将所述企业数据作为因子分析模型的输入数据并训练所述因子分析模型，直至所述因子分析模型的最大化似然函数值小于阈值时，所述因子分析模型退出训练并输出资产特征。4.如权利要求3所述的资产负债智能管理方法，其特征在于，所述因子分析模型包括似然函数和所述最大化似然函数，其中，所述似然函数为：其中∧为变化矩阵，μ为高斯分布的均值，为高斯分布的方差，m为企业数据数量，p为概率函数，Xi，Zi分别为所述企业数据和所述资产特征；所述最大化似然函数为：其中Qi(Zi)为琴生不等式的参数值：5.如权利要求1至4中任意一项所述的资产负债智能管理方法，其特征在于，将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时，所述前向神经网络层退出训练，包括：将所述资产特征输入至所述前向神经网络层的输入层，所述负债标签输入至所述前向神经网络层的损失函数中；根据所述输入层数据对所述前向神经网络层进行训练得出训练值，并将所述训练值输入至所述损失函数中；通过所述损失函数，根据所述训练值与所述负债标签计...

【专利技术属性】
技术研发人员：任克非，方友滔，王强，王奕，吴国方，
申请(专利权)人：重庆金融资产交易所有限责任公司，
类型：发明
国别省市：重庆,50