风险预防方法技术

本公开提供了一种风险预防方法，涉及人工智能技术领域

【技术实现步骤摘要】
风险预防方法、装置、设备、存储介质和程序产品


[0001]本公开涉及人工智能
，具体地涉及一种风险应对策略生成方法
、
装置
、
电子设备
、
存储介质和程序产品
。

技术介绍

[0002]为满足业务需求增长，
IT
架构日趋庞大和复杂，
IT
项目风险管理难度进一步提升
。
[0003]目前，项目管理者需要在项目执行过程中识别
、
评估和控制潜在的风险，以确保项目按时按预算完成，并达到预期的质量标准
。
传统的风险管理方法主要基于经验和专家意见，缺乏数据支持和科学依据，难以全面地评估项目风险
。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种风险应对策略生成方法
、
装置
、
电子设备
、
存储介质和程序产品
。
[0005]根据本公开的第一个方面，提供了一种风险预防方法，其中，包括：
[0006]获取待评估项目的项目特征集，所述项目特征集包括多个维度的项目特征；
[0007]将所述项目特征集中的至少部分项目特征输入至深度神经网络模型中，所述深度神经网络模型配置为执行以下步骤：
[0008]根据输入的每个项目特征，评估待评估项目的风险等级；
[0009]当待评估项目的风险等级高于预设等级时，获取所述待评估项目在每个维度的风险分值；
[0010]根据所述风险等级和所述风险分值，生成风险应对策略
。
[0011]根据本公开的实施例，所述获取待评估项目的项目特征集，包括：
[0012]获取所述待评估项目的项目文档和所述待评估项目的侧重风险；
[0013]根据目标关键字和所述侧重风险，从所述项目文档中提取数据；
[0014]将提取到的数据，存储在项目维度表中，以得到所述项目特征集，其中，所述项目维度表包括多个子表，每个子表包括一个维度，不同的子表包括不同的维度
。
[0015]根据本公开的实施例，所述获取待评估项目的项目特征集，包括：
[0016]获取所述待评估项目的侧重风险；
[0017]向用户展示可视化录入界面；
[0018]根据所述侧重风险，从用户在可视化录入界面录入的内容中提取数据；
[0019]将提取到的数据，存储在项目维度表中，以得到所述项目特征集，其中，所述项目维度表包括多个子表，每个子表包括一个维度，不同的子表包括不同的维度
。
[0020]根据本公开的实施例，所述将所述项目特征集中的至少部分项目特征输入至深度神经网络模型中，包括：
[0021]根据所述待评估项目的项目类型，从所述项目特征集中筛选出多个维度的代表性特征；
[0022]根据预设规则，将筛选出的代表性特征转换为多个维度的数值型数据；
[0023]将所述数值型数据输入至深度神经网络模型中
。
[0024]根据本公开的实施例，所述根据预设规则，将筛选出的代表性特征转换为多个维度的数值型数据，包括：
[0025]对于每个维度，将属于该维度的每个代表性特征作为一个元素，组合成一个输入向量，以得到该维度的数值型数据
。
[0026]根据本公开的实施例，所述深度神经网络模型包括多个子网络，所述根据输入的每个项目特征，评估待评估项目的风险等级，包括：
[0027]将输入的每个项目特征，按照维度分别输入至不同的子网络；
[0028]每个子网络根据一个维度的项目特征，对该维度进行风险评分，以得到该维度的风险分值；
[0029]根据各个子网络的风险分值，确定待评估项目的风险等级
。
[0030]根据本公开的实施例，所述深度神经网络模型包括
N
层全连接神经网络，所述
N
大于或等于
3。
[0031]本公开的第二方面提供了一种风险预防装置，其中，包括：
[0032]获取模块，用于获取待评估项目的项目特征集，所述项目特征集包括多个维度的项目特征；
[0033]输入模块，用于将所述项目特征集中的至少部分项目特征输入至深度神经网络模型中；
[0034]深度神经网络模型，用于执行以下步骤：
[0035]根据输入的每个项目特征，评估待评估项目的风险等级；
[0036]当待评估项目的风险等级高于预设等级时，获取所述待评估项目在每个维度的风险分值；
[0037]根据所述风险等级和所述风险分值，生成风险应对策略
。
[0038]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，使得一个或多个处理器执行上述的风险预防方法
。
[0039]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的风险预防方法
。
[0040]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的风险预防方法
。
[0041]上述一个或多个实施例具有如下优点或益效果：
[0042]本公开的实施例通过深度神经网络模型，可以结合多个维度的项目特征，准确且有针对性地评估待评估项目的风险等级，同时，当待评估项目被评为较高的风险等级时，还能进一步获取待评估项目在每个评估维度上的风险评分，从而具化到哪个评估维度的风险程度较高，并基于此提供针对性改进建议，从而有利于快速定位并解决待评估项目的潜在风险，避免项目上马后才暴露风险，提高项目成功的概率和效率
。
附图说明
[0043]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：
[0044]图1示意性示出了根据本公开实施例的风险预防方法
、
装置
、
电子设备
、
存储介质和程序产品的应用场景图；
[0045]图2示意性示出了根据本公开实施例的风险预防方法的流程图；
[0046]图3示意性示出了根据本公开实施例的获取项目特征集的流程图之一；
[0047]图4示意性示出了根据本公开实施例的获取项目特征集的流程图之二；
[0048]图5示意性示出了根据本公开实施例的对项目特征进行处理的流程图；
[0049]图6示意性示出了根据本公开实施例的转化数值型数据的流程图；
[0050]图7示意性示出了根据本公开实施例的确定风险等级的流程图；
[0051]图8示意性示出了根据本公开实施例的风险预防装置的结构框图；
[0052]图9示意性示出了根据本公开实施例的适于实现风险本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风险预防方法，其特征在于，包括：获取待评估项目的项目特征集，所述项目特征集包括多个维度的项目特征；将所述项目特征集中的至少部分项目特征输入至深度神经网络模型中，所述深度神经网络模型配置为执行以下步骤：根据输入的每个项目特征，评估待评估项目的风险等级；当待评估项目的风险等级高于预设等级时，获取所述待评估项目在每个维度的风险分值；根据所述风险等级和所述风险分值，生成风险应对策略
。2.
根据权利要求1所述的风险预防方法，其特征在于，所述获取待评估项目的项目特征集，包括：获取所述待评估项目的项目文档和所述待评估项目的侧重风险；根据目标关键字和所述侧重风险，从所述项目文档中提取数据；将提取到的数据，存储在项目维度表中，以得到所述项目特征集，其中，所述项目维度表包括多个子表，每个子表包括一个维度，不同的子表包括不同的维度
。3.
根据权利要求1所述的风险预防方法，其特征在于，所述获取待评估项目的项目特征集，包括：获取所述待评估项目的侧重风险；向用户展示可视化录入界面；根据所述侧重风险，从用户在可视化录入界面录入的内容中提取数据；将提取到的数据，存储在项目维度表中，以得到所述项目特征集，其中，所述项目维度表包括多个子表，每个子表包括一个维度，不同的子表包括不同的维度
。4.
根据权利要求1所述的风险预防方法，其特征在于，所述将所述项目特征集中的至少部分项目特征输入至深度神经网络模型中，包括：根据所述待评估项目的项目类型，从所述项目特征集中筛选出多个维度的代表性特征；根据预设规则，将筛选出的代表性特征转换为多个维度的数值型数据；将所述数值型数据输入至深度神经网络模型中
。5.
根据权利要求4所述的风险预防方法，其特征在于，所述根据预设规则，将筛选出的代表性特征转换为多个维度的数值型数据，包括：对于每个维度，将属于该维度的每个代表性特征作为...

【专利技术属性】
技术研发人员：张勤，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：