[發(fā)明專利]基于多模型的信用數(shù)據(jù)處理方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202210026068.1
• 申請(qǐng)日: 2022-01-11
• 公開（公告）號(hào): CN114511376A
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計(jì)）人: 黃大勇;張麗紅
• 申請(qǐng)（專利權(quán)）人: 廣東企數(shù)標(biāo)普科技有限公司;廣東企數(shù)標(biāo)普互聯(lián)網(wǎng)信息服務(wù)有限公司
• 主分類號(hào): G06Q30/06
• 分類號(hào): G06Q30/06;G06Q30/00;G06Q40/00;G06K9/62
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 江銀會(huì)

1.一種基于多模型的信用數(shù)據(jù)處理方法，其特征在于，所述方法包括：

獲取目標(biāo)用戶的至少兩種類型的信用數(shù)據(jù)；

對(duì)于任一所述信用數(shù)據(jù)，根據(jù)分類神經(jīng)網(wǎng)絡(luò)模型，從多個(gè)候選的數(shù)據(jù)驗(yàn)證模型中確定出該信用數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)驗(yàn)證算法模型；

將所有所述信用數(shù)據(jù)分別輸入至對(duì)應(yīng)的所述數(shù)據(jù)驗(yàn)證算法模型中，以驗(yàn)證每一所述信用數(shù)據(jù)的真實(shí)性；

根據(jù)所有所述信用數(shù)據(jù)以及所述真實(shí)性，確定所述目標(biāo)用戶的信用評(píng)價(jià)參數(shù)；所述信用評(píng)級(jí)參數(shù)用于指示所述目標(biāo)用戶的信用情況。

2.根據(jù)權(quán)利要求1所述的基于多模型的信用數(shù)據(jù)處理方法，其特征在于，所述信用數(shù)據(jù)的類型包括工商信息數(shù)據(jù)、稅務(wù)申報(bào)數(shù)據(jù)、稅務(wù)征收數(shù)據(jù)、投資方數(shù)據(jù)、分支機(jī)構(gòu)數(shù)據(jù)、工商變更數(shù)據(jù)、欠稅數(shù)據(jù)、違法違章數(shù)據(jù)、法律案件數(shù)據(jù)和資產(chǎn)數(shù)據(jù)中的至少兩種；和/或，所述數(shù)據(jù)驗(yàn)證模型包括工商信息驗(yàn)證模型、稅務(wù)申報(bào)驗(yàn)證模型、稅務(wù)征收驗(yàn)證模型、投資方驗(yàn)證模型、分支機(jī)構(gòu)驗(yàn)證模型、工商變更驗(yàn)證模型、欠稅驗(yàn)證模型、違法違章驗(yàn)證模型、法律案件驗(yàn)證模型和資產(chǎn)驗(yàn)證模型中的至少兩種。

3.根據(jù)權(quán)利要求2所述的基于多模型的信用數(shù)據(jù)處理方法，其特征在于，所述對(duì)于任一所述信用數(shù)據(jù)，根據(jù)分類神經(jīng)網(wǎng)絡(luò)模型，從多個(gè)候選的數(shù)據(jù)驗(yàn)證模型中確定出該信用數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)驗(yàn)證算法模型，包括：

對(duì)于任一所述信用數(shù)據(jù)，將該信用數(shù)據(jù)輸入至分類神經(jīng)網(wǎng)絡(luò)模型，以確定所述信用數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)類型；所述分類神經(jīng)網(wǎng)絡(luò)模型通過包括有多個(gè)信用數(shù)據(jù)和對(duì)應(yīng)的數(shù)據(jù)類型的訓(xùn)練數(shù)據(jù)集訓(xùn)練得到；所述分類神經(jīng)網(wǎng)絡(luò)模型包括有編碼器模塊、解碼器模塊和分類層模塊；所述編碼器模塊可以提取多種模態(tài)類型的所述信用數(shù)據(jù)的向量特征；

根據(jù)所述信用數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)類型，以及預(yù)設(shè)的類型-模型映射關(guān)系表，從多個(gè)候選的數(shù)據(jù)驗(yàn)證模型中確定出該信用數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)驗(yàn)證算法模型。

4.根據(jù)權(quán)利要求3所述的基于多模型的信用數(shù)據(jù)處理方法，其特征在于，所述編碼器模塊通過以下步驟訓(xùn)練得到：

確定訓(xùn)練信用數(shù)據(jù)集合；所述訓(xùn)練信用數(shù)據(jù)集合中包括有至少兩個(gè)相互對(duì)應(yīng)的不同模態(tài)類型的訓(xùn)練信用數(shù)據(jù)；所述模態(tài)類型為圖像類型、數(shù)值類型、文本類型、符號(hào)類型、視頻類型或音頻類型；

將所述訓(xùn)練信用數(shù)據(jù)集合中的所有所述訓(xùn)練信用數(shù)據(jù)輸入至所述編碼器模塊中進(jìn)行特征提取，以得到每一所述訓(xùn)練信用數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)向量特征；

將所有所述數(shù)據(jù)向量特征分別輸入至多個(gè)對(duì)應(yīng)的所述模態(tài)類型的訓(xùn)練解碼器模塊中進(jìn)行解碼得到解碼數(shù)據(jù)，計(jì)算每一所述訓(xùn)練解碼器模塊輸出的所述解碼數(shù)據(jù)的損失函數(shù)；所述損失函數(shù)可以為所述解碼數(shù)據(jù)與所述訓(xùn)練信用數(shù)據(jù)之間的第一損失函數(shù)，或多個(gè)所述模態(tài)類型的所述解碼數(shù)據(jù)被映射到同一緯度后的相互之間的第二損失函數(shù)；所述第一損失函數(shù)包括交叉熵?fù)p失函數(shù)、L1損失函數(shù)和L2損失函數(shù)中至少一種；所述第二損失函數(shù)為相似度函數(shù)；

重復(fù)上述步驟，基于梯度下降方法優(yōu)化所述編碼器模塊和所述訓(xùn)練解碼器模塊的參數(shù)直至所述損失函數(shù)收斂，得到訓(xùn)練好的所述編碼器模塊。

5.根據(jù)權(quán)利要求1所述的基于多模型的信用數(shù)據(jù)處理方法，其特征在于，每一所述數(shù)據(jù)驗(yàn)證算法模型中包括有所述信用數(shù)據(jù)的數(shù)據(jù)類型對(duì)應(yīng)的多個(gè)數(shù)據(jù)驗(yàn)證規(guī)則和其他來源數(shù)據(jù)庫；所述數(shù)據(jù)驗(yàn)證規(guī)則用于指示對(duì)應(yīng)數(shù)據(jù)類型的所述信用數(shù)據(jù)中多個(gè)參數(shù)數(shù)據(jù)中任意至少兩個(gè)參數(shù)數(shù)據(jù)應(yīng)當(dāng)遵循的數(shù)據(jù)映射關(guān)系；所述將所有所述信用數(shù)據(jù)分別輸入至對(duì)應(yīng)的所述數(shù)據(jù)驗(yàn)證算法模型中，以驗(yàn)證每一所述信用數(shù)據(jù)的真實(shí)性，包括：

對(duì)于每一所述信用數(shù)據(jù)，根據(jù)所述多個(gè)數(shù)據(jù)驗(yàn)證規(guī)則，對(duì)該信用數(shù)據(jù)中的多個(gè)參數(shù)數(shù)據(jù)的數(shù)據(jù)驗(yàn)證計(jì)算，得到多個(gè)數(shù)據(jù)驗(yàn)證計(jì)算結(jié)果；

將該信用數(shù)據(jù)中的多個(gè)參數(shù)數(shù)據(jù)和所述其他來源數(shù)據(jù)庫中的對(duì)應(yīng)標(biāo)識(shí)的其他來源參數(shù)數(shù)據(jù)進(jìn)行相似度計(jì)算，得到多個(gè)參數(shù)相似度計(jì)算結(jié)果；

根據(jù)所述多個(gè)數(shù)據(jù)驗(yàn)證計(jì)算結(jié)果和所述多個(gè)參數(shù)相似度計(jì)算結(jié)果，確定該信用數(shù)據(jù)的真實(shí)性。