CN115187066B 风险识别方法、装置、电子设备及存储介质 （平安科技（深圳）有限公司）

道福安社区益田路5033号平安金融中2对所述历史风险事件以及与所述历史风险事件关联的企业数据进行关联分析将关联强度大于或等于预设关联强度阈值的所述待存储风险因子存储至风险因子集通过风险因子集合对待识别对象的关联数据进行风险因子提取，得到根据所述多个候选风险因子分别对应的数据生成时间对所述多个候选风险因子进行根据各个所述候选风险因子序列的长度构建距离矩阵，所述距计算所述距离矩阵中的起始位置到所述距离矩阵中的目标位置之间的第一累加距离，并计算所述距离矩阵中的终止位置到所述目标位根据所述第一累加距离和所述第二累加距离计算各个所述候选风险因子序列之间的根据各个所述候选风险因子序列之间的相似度对所述候选风险因子序列进行聚类处根据所述聚类结果计算所述候选风险因子的选择权重，将所述选择根据预设的风险知识图谱对所述目标风险因子进行风险特征提取，得到对象风险特根据所述对象风险特征确定所述待识别对象的风险根据所述聚类中心向量计算所述候选风险因子属于各个所述聚类集根据特征选择矩阵以及所述候选风险因子的弱标签矩阵计算所述候选风险因子的选选择矩阵是根据训练样本中的样本风险因子和样本风险识别结果进行深度学习训练得到3从所述风险知识图谱中提取与所述风险实体获取与所述待识别对象存在关联关系的关联对象对根据所述关联关系的类别对所述风险数据进行风险传导计算，得到根据所述对象风险特征以及所述风险传导特征确定所述待识别对象的风险计算所述风险数据与所述待识别对象之间的风险关联根据所述权重系数对所述风险关联度进行加权计算，得到所述关联风险因子提取模块，配置为向网页中爬取各个企业的历史关联数据聚类模块，配置为根据所述多个候选风险因子分别对应度构建距离矩阵，所述距离矩阵中的各个位置表示各个所述候选风险因子序列之间的距离；计算所述距离矩阵中的起始位置到所述距离矩阵中的目标位置之间的第一累加距离，目标风险因子选择模块，配置为根据所述聚类结果计算所述候选风险因子的选择权用于指示所述候选风险因子对确定所述待识别对象的风险识别结风险特征提取模块，配置为根据预设的风险知识图谱对所述目标风4所述处理器，用于执行所述的计算机程序并在执行所述的计算机8.一种计算机可读存储介质，其特征在于，5别结果。风险因子序列之间的最小距离，并根据最小距离确定各个候选风险因子序列之间的相似6[0010]根据本发明优选实施方式，根据对象风险特征确定待识象风险特征以及风险传导特征确定待识别对象的风险识[0011]根据本发明优选实施方式，根据关联关系的类别对风险7[0021]图5是本申请一示例性实施例提供的对候选风险因子序列进行聚类处理的示意[0028]附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对[0033]服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集8特网、但也可以是任何网络，包括但不限于局域网(Loca语言(HyperTextMark-upLanguage，HTML)、可扩展标记语言(ExtensibleMarkup拟专用网络(VirtualPrivateNetwork，VPN)、网际协议安全(InternetProtocol用定制和/或专用数据通信技术取代或者补充上述9表示Eventk事件发生频率与Dt天所有事件发生声的基于密度的聚类(Density-BasedSpatialClusteringofApplicationswith风险因子数据，只是通过不同的名称来区分对风险因子进行数据筛选过程中的不同阶段，以便于准确地理解本申请实施例从海量的候选风险因子中筛选适合于进行风险识别的目该候选风险因子中包含的信息导致风险的可能性越高，即该候选风险因子的选择权重越[0070]1、字符过滤，例如可以通过中文字符和常用标点在美国信息交换标准代码[0071]2、超文本标记语言(HyperTextMarkupLanguage，HTML)字段匹配。通过识别ALBERT(ALiteBidirectionalEncoderRepresentationsfromTransformers)模型与TinyBERT(TinyBidirectionalEncoderRepresentationsfromTransformers)模型融(Bi-directionalLongShort-TermMemory)文本分类模型对各个企业的关联数据进行文时候重要信息反而在前面，于是通过Attention机制对重要信息赋予大的注意力权重进行[0078]对分类后的关联数据进行情感分析。情感分析可以使用多角度重复阅读机制元交叉熵损失函数(BinaryCrossEntropy，BCE)或者KL散度损失函数(Kullback-Leibler实体识别工具是基于实体识别技术得到的，可以是TexSmart(一种文本理解工具与服务)，[0090]本申请提供的风险识别方法，通过对待识别对象的关联设的风险知识图谱对维度降低后的目标风险因子进行风险特征提取，得到对象风险特征，[0093]其中，将待识别对象的关联数据中与候选风险因子所有相关的数据作为面板数个体都是一个时间序列。[0094]通过对候选风险因子对应的面板数据按照数据的生成时间进行拆分，得到T个截1候选风险因子序列的低维表示形成新的数据集作为后续输入进行聚[0102]距离矩阵中的起始位置即候选风险因子序列上的第一个点与其他候选风险因子列上的最后一个点与其他候选风险因子序列上的最后一个点在距离矩阵中所对应的位置。距离矩阵中的目标位置可以是距离矩阵中除起始位置和终[0103]分别计算起始位置到距离矩阵中与目标位置关联的多个第一候选位置之间的累[0104]计算终止位置到目标位置之间的第二累加距离的过程与计算起始位置到目标位合中的其他数据可以通过与它计算距离来决定是否属于该类[0109]聚类中心向量可以是预先基于聚类集合包括的每个候选风险因子分别对应的特矩阵是根据训练样本中的样本风险因子和样本风险识别结果进行深预设数量的候选风险因子作为预设条件的候选因子和样本目标风险因子之间的差距小于阈值时，得到训练完成的特征选择矩阵P以及参任务和CPU(CentralProcessingUnitcentral)版本的学习任务。在训练过程中的每一次的历史分配统计数据，确定CPU和GPU上运行时间的比值(这个比值相当于CPU和GPU执行效[0122]在一些实施方式中，根据预设的风险知识图谱对目标风险因子进行风险特征提业Vj之间仅存在关联关系C但没发生风险传导则[0140]步骤S253，根据对象风险特征以及风险传导特征确定待识别对象的风险识别结待识别对象存在关联关系的关联对象对应的风险数据，根据该风险数据进行风险传导计[0148]本申请提供的风险识别方法，通过对待识别对象的关联设的风险知识图谱对维度降低后的目标风险因子进行风险特征提取，得到对象风险特征，[0152]聚类模块920，配置为根据多个候选风险因子之间的相似度对多个候选风险因子选风险因子对确定待识别对象的风险识别结果的贡献[0154]风险特征提取模块940，配置为根据预设的风险知识图谱对目标风险因子进行风算候选风险因子的选择权重，将选择权重满足预设条件的候选风险因子作为目标风险因[0167]在一些实施方式中，基于前述方案，风险特征提取模块940包括风险实体确定单要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模[0186]存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/实用工具得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是机磁盘、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[0194]本申请的另一方面还提供了一种计算机可读存储介质，领域普通技术人员根据本申请的