一种风险识别方法、设备和计算机可读存储介质技术

本申请公开了一种风险识别方法、设备和计算机可读存储介质，该方法包括：获取目标业务数据；利用风险识别模型划分目标业务数据得到风险业务数据和非风险业务数据；利用风险分类模型确定风险业务数据的风险类别；基于由风险业务数据所生成的样本业务数据，对风险识别模型进行增强训练，并基于由已确定风险类别的风险业务数据所生成的样本待分类数据，对风险分类模型进行增强训练，上述方式，能够提高风险识别的准确率。识别的准确率。识别的准确率。

【技术实现步骤摘要】
一种风险识别方法、设备和计算机可读存储介质


[0001]本申请涉及人工智能
，特别是涉及一种风险识别方法、设备和计算机可读存储介质。

技术介绍

[0002]当下，随着财务管理系统的广泛应用，与财务相关的业务可以通过财务管理系统而进行。为了强化资金风险管理，提升财务业务的安全性，可以基于财务管理系统产生的业务数据进行财务风险管控。
[0003]目前，存在利用风险识别模型进行风险管控的方式，但是现有的风险识别模型的准确率较低，对风险识别准确率低，因此，如何提高风险识别的准确率成为急需解决的问题。

技术实现思路

[0004]本申请主要解决的技术问题是提供一种风险识别方法、设备和计算机可读存储介质，能够提高风险识别的准确率。
[0005]为解决上述技术问题，本申请采用的一个技术方案是：提供一种风险识别方法，该方法包括：获取目标业务数据；利用风险识别模型划分目标业务数据得到风险业务数据和非风险业务数据；利用风险分类模型确定风险业务数据的风险类别；基于由风险业务数据所生成的样本业务数据，对风险识别模型进行增强训练，并基于由已确定风险类别的风险业务数据所生成的样本待分类数据，对风险分类模型进行增强训练。
[0006]其中，利用风险识别模型划分目标业务数据得到风险业务数据和非风险业务数据包括：利用风险识别模型从目标业务数据中依次识别得到直接风险数据、间接风险数据和罕见风险数据；将直接风险数据、间接风险数据和罕见风险数据一并作为风险业务数据，以及将目标业务数据中除直接风险数据、间接风险数据和罕见风险数据之外的部分业务数据作为非风险业务数据。
[0007]其中，利用风险识别模型从目标业务数据中依次识别得到直接风险数据、间接风险数据和罕见风险数据包括：获取目标业务数据属于直接风险数据的第一概率；基于第一概率从目标业务数据中确定直接风险数据；获取目标业务数据中除直接风险数据之外的部分业务数据属于间接风险数据的第二概率；基于第二概率从目标业务数据中除直接风险数据之外的部分业务数据中确定间接风险数据；获取目标业务数据中除直接风险数据和间接风险数据之外的部分业务数据属于罕见风险数据的第三概率；基于第三概率从目标业务数据中除直接风险数据和间接风险数据之外的部分业务数据中确定罕见风险数据。
[0008]其中，利用风险识别模型划分目标业务数据得到风险业务数据和非风险业务数据之后，利用风险分类模型确定风险业务数据的风险类别之前，该方法还包括：确定风险业务数据的明细类别，其中，明细类别数量大于风险类别的数量；利用风险分类模型确定风险业务数据的风险类别包括：利用风险分类模型将已确定明细类别的风险业务数据映射到分类
函数维度，并确定各风险类别分别对应的分离超平面；在分类函数维度，基于分离超平面将已确定明细类别的风险业务数据划分为与各风险类别对应。
[0009]其中，该方法还包括：利用已确定明细类别的风险业务数据生成样本业务数据，其中，样本业务数据标注有真实风险标签，真实风险标签表征样本业务数据属于风险数据类型和非风险数据类型中的何种；基于由风险业务数据所生成的样本业务数据，对风险识别模型进行增强训练包括：利用风险识别模型划分样本业务数据，得到样本风险类型预测结果，基于样本风险类型预测结果确定样本风险数据和样本非风险数据，样本风险预测结果表征预测样本业务数据属于风险数据类型和非风险数据类型中的何种；基于风险预测结果和真实风险标签之间的第一差异调整风险识别模型的参数。
[0010]其中，该方法还包括：利用已确定风险类别的风险业务数据生成样本待分类数据，其中，样本待分类数据标注有真实类别标签，真实类别标签表征样本待分类数据所属的风险类别；基于由已确定风险类别的风险业务数据所生成的样本待分类数据，对风险分类模型进行增强训练包括：利用风险分类模型确定样本待分类数据的风险类别，作为样本预测分类结果；基于样本预测分类结果和真实类别标签之间的第二差异调整风险分类模型的参数。
[0011]其中，风险类别包括收支监控、预算监控、事中监控和融资监控中的至少一者。
[0012]其中，每间隔第一预设时长执行增强训练，每间隔第二预设时长获取目标业务数据。
[0013]其中，该方法还包括：将基于目标业务数据获取的风险相关数据存储到数据库中，以响应于数据调用请求，发送与数据调用请求匹配的数据至目标对象，其中，风险相关数据包括风险业务数据和非风险业务数据。
[0014]为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述任一风险识别方法。
[0015]为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述任一风险识别方法。
[0016]上述方案，利用风险识别模型从目标业务数据中识别得到风险业务数据，用于生成样本业务数据以对风险识别模型进行增强训练，利用风险分类模型确定风险业务数据的风险类别，用于生成样本待分类数据以对风险分类模型进行增强训练，一方面增加了模型训练的样本数量，增加了模型学习的信息量，提高模型的准确性，从而提升风险识别的准确性，另一方面，通过模型对目标业务数据的处理，挖掘了目标业务数据中关于财务风险的信息，并用于模型的训练中，增加了模型学习的信息量，提高模型的准确性，从而提升风险识别的准确性。
附图说明
[0017]图1是本申请风险识别方法一实施例的流程示意图；
[0018]图2是本申请步骤S120另一实施例的流程示意图；
[0019]图3是本申请步骤S221另一实施例的流程示意图；
[0020]图4是本申请风险识别方法另一实施例的流程示意图；
[0021]图5是本申请风险识别方法再一实施例的流程示意图；
[0022]图6是本申请电子设备一实施例的框架示意图；
[0023]图7是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
[0024]为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
[0025]本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
[0026]本申请中所述的风险识别方法可以由一电子设备执行，又可以称为执行设备，该电子设备可以为具有处理能力的任意设备，例如，手机、电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险识别方法，其特征在于，所述方法包括：获取目标业务数据；利用风险识别模型划分所述目标业务数据得到风险业务数据和非风险业务数据；利用风险分类模型确定所述风险业务数据的风险类别；基于由所述风险业务数据所生成的样本业务数据，对所述风险识别模型进行增强训练，并基于由已确定所述风险类别的风险业务数据所生成的样本待分类数据，对所述风险分类模型进行增强训练。2.根据权利要求1所述的方法，其特征在于，所述利用风险识别模型划分所述目标业务数据得到风险业务数据和非风险业务数据包括：利用所述风险识别模型从所述目标业务数据中依次识别得到直接风险数据、间接风险数据和罕见风险数据；将所述直接风险数据、所述间接风险数据和所述罕见风险数据一并作为所述风险业务数据，以及将所述目标业务数据中除所述直接风险数据、所述间接风险数据和所述罕见风险数据之外的部分业务数据作为所述非风险业务数据。3.根据权利要求2所述的方法，其特征在于，所述利用所述风险识别模型从所述目标业务数据中依次识别得到直接风险数据、间接风险数据和罕见风险数据包括：获取所述目标业务数据属于所述直接风险数据的第一概率；基于所述第一概率从所述目标业务数据中确定所述直接风险数据；获取所述目标业务数据中除所述直接风险数据之外的部分业务数据属于所述间接风险数据的第二概率；基于所述第二概率从所述目标业务数据中除所述直接风险数据之外的部分业务数据中确定所述间接风险数据；获取所述目标业务数据中除所述直接风险数据和所述间接风险数据之外的部分业务数据属于所述罕见风险数据的第三概率；基于所述第三概率从所述目标业务数据中除所述直接风险数据和所述间接风险数据之外的部分业务数据中确定所述罕见风险数据。4.根据权利要求1所述的方法，其特征在于，所述利用风险识别模型划分所述目标业务数据得到风险业务数据和非风险业务数据之后，所述利用风险分类模型确定所述风险业务数据的风险类别之前，所述方法还包括：确定所述风险业务数据的明细类别，其中，所述明细类别数量大于所述风险类别的数量；所述利用风险分类模型确定所述风险业务数据的风险类别包括：利用所述风险分类模型将已确定所述明细类别的所述风险业务数据映射到分类函数维度，并确定各所述风险类别分别对应的分离超平面；在所述分类函数维度，基于所述分离超平面将已...

【专利技术属性】
技术研发人员：王海祥，张伟忠，李思璇，韦耀浩，林轶欢，杨凡，
申请(专利权)人：远光软件股份有限公司，
类型：发明
国别省市：