[發明專利]生成簡稱、校驗電子金融業務合法性的方法及裝置

在審

• 申請號: 201710079329.5
• 申請日: 2017-02-14
• 公開（公告）號: CN108428137A
• 公開（公告）日: 2018-08-21
• 發明（設計）人: 郭亞
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06Q20/42
• 分類號: G06Q20/42;G06F17/27
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 林祥;王劍

1.一種生成簡稱的方法，其特征在于，所述方法包括：

根據全稱樣本和所述全稱樣本的簡稱對原始簡稱模型進行訓練，得到已訓練的簡稱模型；

將目標全稱的每個字符分別轉換為對應的向量，得到目標全稱對應的目標向量矩陣；

將所述目標向量矩陣作為入參輸入所述已訓練的簡稱模型，經過所述已訓練的簡稱模型輸出所述目標全稱中每個字符的簡稱概率值；

根據所述簡稱概率值確定所述目標全稱的簡稱。

2.根據權利要求1所述的方法，其特征在于，所述根據所述簡稱概率值確定所述目標全稱的簡稱，包括：

提取所述目標全稱中簡稱概率值滿足預設條件的字符，得到所述目標全稱的簡稱。

3.根據權利要求1所述的方法，其特征在于，所述根據全稱樣本和所述全稱樣本的簡稱對原始簡稱模型進行訓練，得到已訓練的簡稱模型，包括：

將所述全稱樣本的每個字符分別轉換為對應的向量，得到所述全稱樣本對應的向量矩陣樣本；

根據所述全稱樣本的簡稱對所述全稱樣本進行序列標注；

將所述全稱樣本對應的向量矩陣樣本作為入參輸入所述原始簡稱模型，經過所述原始簡稱模型輸出所述全稱樣本中每個字符的簡稱概率值；

基于所述全稱樣本中每個字符的簡稱概率值和所述全稱樣本的序列標注結果，采用誤差反向傳播算法調整所述原始簡稱模型的權重參數；

當調整后的原始簡稱模型收斂時，確定所述原始簡稱模型訓練完畢，得到已訓練的簡稱模型。

4.根據權利要求3所述的方法，其特征在于，

當對所述原始簡稱模型的權重參數進行預設次數的迭代調整后，確定所述迭代調整后的原始簡稱模型收斂。

5.根據權利要求3所述的方法，其特征在于，

當經過調整后的原始簡稱模型輸出的所述全稱樣本中每個字符的簡稱概率值與所述全稱樣本的序列標注結果之間的誤差小于預設閾值時，確定所述調整后的原始簡稱模型收斂。

6.一種校驗電子金融業務合法性的方法，其特征在于，所述方法包括：

基于已訓練的簡稱模型，為黑名單中的機構全稱生成對應的機構簡稱；

在接收到電子金融業務請求時，提取指定的業務特征；

若所述業務特征匹配所述黑名單中的機構全稱或者匹配對應的機構簡稱，則確定所述電子金融業務違法。

7.根據權利要求6所述的方法，其特征在于，所述基于已訓練的簡稱模型，為黑名單中的機構全稱生成對應的機構簡稱，包括：

將所述機構全稱的每個字符分別轉換為對應的向量，得到機構全稱對應的機構向量矩陣；

將所述機構向量矩陣作為入參輸入所述已訓練的簡稱模型，經過所述已訓練的簡稱模型輸出所述機構全稱中每個字符的簡稱概率值；

根據所述簡稱概率值確定所述機構全稱對應的機構簡稱。

8.根據權利要求7所述的方法，其特征在于，所述根據所述簡稱概率值確定所述機構全稱對應的機構簡稱，包括：

提取所述機構全稱中簡稱概率值滿足預設條件的字符，得到所述機構全稱的機構簡稱。

9.一種生成簡稱的裝置，其特征在于，所述裝置包括：

模型訓練單元，根據全稱樣本和所述全稱樣本的簡稱對原始簡稱模型進行訓練，得到已訓練的簡稱模型；

向量轉換單元，將目標全稱的每個字符分別轉換為對應的向量，得到目標全稱對應的目標向量矩陣；

向量輸入單元，將所述目標向量矩陣作為入參輸入所述已訓練的簡稱模型，經過所述已訓練的簡稱模型輸出所述目標全稱中每個字符的簡稱概率值；

簡稱確定單元，根據所述簡稱概率值確定所述目標全稱的簡稱。

10.根據權利要求9所述的裝置，其特征在于，

所述簡稱確定單元，提取所述目標全稱中簡稱概率值滿足預設條件的字符，得到所述目標全稱的簡稱。