产品风险预警方法、装置、计算机设备和存储介质与流程

本申请涉及人工智能技术领域，特别是涉及一种产品风险预警方法、装置、计算机设备和存储介质。

背景技术：

随着金融行业的发展，出现了越来越多的类似于债券的金融投资类产品，例如央企、国企、民企等各大类企业也都可以发行债券等产品，投资人在选择投资产品时，为保护自身利益、避免财产损失，一般都会倾向于投资风险性较小的投资产品。

传统的对于投资产品的风险分析方法需要用到大量的历史数据进行测评，确定其潜在的风险性，但在实际情况中，债券数据中可用的出现了违约情况的负样本占比及其小，传统的方法难以对产品实现有效的风险分析。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种提高产品风险分析有效性的产品风险预警方法、装置、计算机设备和存储介质。

一种产品风险预警方法，所述方法包括：

获取待分析产品信息，对所述待分析产品信息进行数据画像处理，获得所述待分析产品信息对应的向量数据；

获取预设的孪生神经网络模型的样本向量数据，将所述向量数据分别与多个所述样本向量数据进行组合，获取多对组合数据；

将所述多对组合数据输入所述预设的孪生神经网络模型，获得待分析产品的风险概率；

根据所述风险概率，推送所述待分析产品的风险预警信息。

在其中一个实施例中，所述获取待分析产品信息，对所述待分析产品信息进行数据画像处理，获得所述待分析产品信息对应的向量数据，包括：

获取待分析产品的各维度信息，并按照预设量化标准，获得所述各维度信息的量化数据；

对所述各维度信息的量化数据进行数据画像处理，获得所述待分析产品的衍生数据；

根据所述量化数据与所述衍生数据，获得所述待分析产品的向量数据。

在其中一个实施例中，产品风险预警方法还包括：

将所述多对组合数据输入所述预设的孪生神经网络模型，获得相似度最高的组合数据；

根据所述相似度最高的组合数据，获得与所述待分析产品对应的样本向量数据；

根据所述样本向量数据对应产品的风险情况，获得所述待分析产品的潜在风险情况。

在其中一个实施例中，所述将所述多对组合数据输入所述预设的孪生神经网络模型，获得待分析产品的风险概率之前，还包括：

获取样本产品，将所述样本产品进行数据画像处理，获得样本向量数据；

对所述样本产品进行分析，确定所述样本向量数据对应的数据标签；

根据所述数据标签，将所述样本向量数据进行组对处理，获得组对样本；

根据所述组对样本，构建得到预设的孪生神经网络模型。

在其中一个实施例中，所述组对样本包括正组对样本与负组对样本；所述根据所述数据标签，将所述样本向量数据进行组对处理，获得组对样本，包括：

根据样本向量数据携带的数据标签，将样本向量数据进行分类；

根据排列组合，将同一类别的两个样本向量数据进行组对，获得正组对样本；

根据排列组合，将不同类别的两个样本向量数据进行组对，获得负组对样本。

在其中一个实施例中，所述根据所述组对样本，构建得到预设的孪生神经网络模型包括：

根据所述组对样本，生成初始孪生神经网络模型；

获取所述初始孪生神经网络模型的模型评价参数；

当所述模型评价参数未达到预设阈值范围时，通过反向传播算法对所述初始孪生神经网络模型的结构参数进行调整，构建得到所述预设的孪生神经网络模型。

在其中一个实施例中，所述根据所述风险概率，推送所述待分析产品的风险预警信息，包括：

根据待分析产品预警需求，确定风险预警等级阈值；

根据所述风险概率与所述风险预警等级阈值，确定所述待分析产品的对应的风险预警等级，并推送所述待分析产品的风险预警信息。

一种产品风险预警装置，所述装置包括：

数据处理模块，用于获取待分析产品信息，对所述待分析产品信息进行数据画像处理，获得所述待分析产品信息对应的向量数据；

数据组合模块，用于获取预设的孪生神经网络模型的样本向量数据，将所述向量数据分别与多个所述样本向量数据进行组合，获取多对组合数据；

数据分析模块，用于将所述多对组合数据输入所述预设的孪生神经网络模型，获得待分析产品的风险概率；

风险预警模块，用于根据所述风险概率，推送所述待分析产品的风险预警信息。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待分析产品信息，对所述待分析产品信息进行数据画像处理，获得所述待分析产品信息对应的向量数据；

获取预设的孪生神经网络模型的样本向量数据，将所述向量数据分别与多个所述样本向量数据进行组合，获取多对组合数据；

将所述多对组合数据输入所述预设的孪生神经网络模型，获得待分析产品的风险概率；

根据所述风险概率，推送所述待分析产品的风险预警信息。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待分析产品信息，对所述待分析产品信息进行数据画像处理，获得所述待分析产品信息对应的向量数据；

获取预设的孪生神经网络模型的样本向量数据，将所述向量数据分别与多个所述样本向量数据进行组合，获取多对组合数据；

将所述多对组合数据输入所述预设的孪生神经网络模型，获得待分析产品的风险概率；

根据所述风险概率，推送所述待分析产品的风险预警信息。

上述产品风险预警方法、装置、计算机设备和存储介质，通过获取待分析产品信息，采用数据画像对待分析产品信息进行处理，得到用于表征待分析产品的向量数据，并将向量数据与样本向量数据进行组合，将组合结果输入预设的孪生神经网络模型，获得待分析产品的风险概率，从而确定待分析产品的风险预警等级，本申请通过数据画像处理，可以深入挖掘待分析产品的相关数据，将待分析产品的向量数据与样品数据相组合作为输入数据，并利用预设的孪生神经网络模型来评价两个输入的相似度，使获得的风险分析结果以及对应的预警信息更为准确有效。

附图说明

图1为一个实施例中产品风险预警方法的流程示意图；

图2为另一个实施例中产品风险预警方法的流程示意图；

图3为另一个实施例中产品风险预警方法的流程示意图；

图4为一个实施例中产品风险预警装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的产品风险预警方法，用于对金融类产品的风险情况进行分析并推送预警信息，具体可以通过计算机程序对本申请的产品风险预警方法进行实现，计算机程序可以加载于终端上，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。

在一个实施例中，如图1所示，提供了一种产品风险预警方法，包括以下步骤：

步骤s200，获取待分析产品信息，对待分析产品信息进行数据画像处理，获得待分析产品信息对应的向量数据。

待分析产品是指可能存在风险性的金融类投资产品，例如债券、基金等，待分析产品信息是指与待分析产品相关的各维度信息，例如债券产品的债券面值、偿还期、付息期、票面利率等信息，数据画像处理是指将待分析产品信息进行多维度画像处理，获得待分析产品的深层次信息的过程，在画像处理过程中，可以将获得的文字信息转化为量化的数据信息，通过数据分析，得到待分析产品的向量数据，通过向量数据，可以更加全面直观地体现待分析产品的特征。

步骤s300，获取预设的孪生神经网络模型的样本向量数据，将向量数据分别与多个样本向量数据进行组合，获取多对组合数据。

样本向量数据是指将已知风险情况的产品，经过数据画像处理后获得的向量数据，样本向量数据存在多个，是预设的孪生神经网络模型的训练数据，可以按设定的分类标准存储于对应的样本向量数据库中，通过将待分析产品的向量数据与样本向量数据进行组合，可以获得多组用于相似度比较的组合数据作为输入数据，从而通过预设的孪生神经网络模型确定与待分析产品相似度最高的样本向量数据，并获得待分析产品的风险概率。

步骤s400，将多对组合数据输入预设的孪生神经网络模型，获得待分析产品的风险概率。

孪生神经网络是指是一类包含两个或更多相同的子网络的神经网络架构，这里相同是指它们具有相同的配置即具有相同的参数和权重。参数更新在两个子网上共同进行，通过子网共享权重，使得模型的训练需要更少的样本数据，也就意味着需要更少的数据并且不容易过拟合，孪生神经网络在涉及发现相似性或两个可比较的事物之间的关系的任务中得到运用。例如复述评分任务，其中输入是两个句子，输出是两个句子的相似程度，确定负复述的得分。例如签名验证任务，通过孪生神经网络来分析确定两个签名是否来自同一个人。通常，在这样的任务中，使用两个相同的子网络来处理两个输入，并根据两个子网络的输出产生最终输出。使用孪生神经网络模型，可以分析得出每对组合数据的相似程度，并根据设定标准分析得到每个数据对应的风险概率。

步骤s500，根据风险概率，推送待分析产品的风险预警信息。

风险概率是指根据预设的孪生神经网络模型分析处理后输出的产品违约的概率大小，通过设置风险预警阈值，比较确定该产品是否存在一定程度的风险，并根据比较结果，推送该产品的风险预警信息。风险预警信息可以包括具体的风险分析结果，如该产品哪方面存在的风险较大，该方面的潜在违约情况如何等。

上述产品风险预警方法，通过获取待分析产品信息，采用数据画像对待分析产品信息进行处理，得到用于表征待分析产品的向量数据，并将向量数据与样本向量数据进行组合，将组合结果输入预设的孪生神经网络模型，获得待分析产品的风险概率，从而确定待分析产品的风险预警等级，本申请通过数据画像处理，可以深入挖掘待分析产品的相关数据，将待分析产品的向量数据与样品数据相组合作为输入数据，并利用预设的孪生神经网络模型来评价两个输入的相似度，使获得的风险分析结果以及对应的预警信息更为准确有效。

在一个实施例中，如图2所示，步骤s200，获取待分析产品信息，对待分析产品信息进行数据画像处理，获得待分析产品信息对应的向量数据，包括：

步骤s220，获取待分析产品的各维度信息，并按照预设量化标准，获得各维度信息的量化数据。

步骤s240，对各维度信息的量化数据进行数据画像处理，获得待分析产品的衍生数据。

步骤s260，根据量化数据与衍生数据，获得待分析产品的向量数据。

每个待分析的投资产品会存在各种维度的产品相关消息，例如，债券产品信息的维度包括但不限于债券面值、偿还期、付息期、票面利率等，预设的量化标准是指通过对信息内容的解析后，该信息所对应的量化数据的判定标准，以债权产品的面值信息为例，通过将债券面值与设定阈值进行比较，将债券面值为在设定范围内的信息量化为1，不在范围内的信息量化为0，或是其他量化数据，并按照相同规律，对各个维度的信息进行量化处理。将各维度量化后的数据转换成矩阵来表示，利用画像技术将矩阵按照不同维度进行深入分析，获得待分析产品的衍生数据，将量化数据与衍生数据按照一定的要求排列，形成债券向量。

在一个实施例中，如图3所示，产品风险预警方法，还包括：

步骤s420，将多对组合数据输入到预设的孪生神经网络模型，获得相似度最高的组合数据。

步骤s460，根据相似度最高的组合数据，获得与待分析产品对应的样本向量数据。

步骤s480，根据样本向量数据对应产品的风险情况，获得待分析产品的潜在风险。

孪生神经网络模型的基本思路是分析得到两个输入数据的相似性，将多对组合数据输入至孪生神经网络模型，孪生神经网络模型会针对每一对组合数据分析得到一组分析结果，通过多组分析结果的对比，确定待分析产品的风险概率，以及相似度最高的组合数据对应的结果。组合数据中包含有待分析样品的向量数据和一个样本向量数据，根据孪生神经网模型的分析结果，可以确定相似度最高的组合数据中与待分析产品对应的样本向量数据，样本向量数据为已知风险情况的样本产品对应的向量数据，由于样本产品的相似度与待分析产品的相似度很高，通过该样本产品的风险情况，通过对比映射，可以获得待分析产品的潜在风险，潜在风险是指产品有可能发生的违约风险情况，例如与待分析产品相似度高的样本产品在上市半年内发生违约情况，在待分析产品的潜在风险为半年内可能存在违约。根据风险概率与潜在风险，生成待分析产品的风险预警信息，并推送至用户。

在一个实施例中，步骤s400，将多对组合数据输入预设的孪生神经网络模型，获得待分析产品的风险概率之前，还包括：

获取样本产品，将样本产品进行数据画像处理，获得样本向量数据。

对样本产品进行分析，确定样本向量数据对应的数据标签。

根据数据标签，将样本向量数据进行组对处理，获得组对样本。

根据组对样本，构建得到预设的孪生神经网络模型。

样本产品可以是已经发生违约的已知产品或未发生违约的已知产品，通过对样本产品的多维度信息的数据画像处理，得到该样本产品的量化数据和衍生数据，从而得到样本产品的向量数据。由于样本产品是已知产品，通过对已知产品的已知信息进行归类分析，可以确定该样本产品的对应数据标签，将该样本产品的向量数据与数据标签结合，得到携带有数据标签的向量数据，数据标签是表征向量数据的特征参数。数据标签可以包括多层子标签，其中样本产品的子标签可以通过产品分类来进行确定，例如，债券信息按照市场可以划分发行市场和流通市场，债券流通市场又可进一步分为场内交易市场和场外交易市场；根据债券的履约情况将债券划分为违约债券或非违约债券，并进一步根据违约方式将违约债券划分为长期债券违约和短期债券违约。

在其中一个实施例中，组对样本包括正组对样本与负组对样本。根据数据标签，将样本向量数据进行组对处理，获得组对样本，包括：

根据样本向量数据携带的数据标签，将样本向量数据进行分类。

根据排列组合，将同一类别的两个样本向量数据进行组对，获得正组对样本。

根据排列组合，将不同类别的两个样本向量数据进行组对，获得负组对样本。

网络模型的训练过程通常依赖于训练样本，而实际上，大部分数据分析的可用负样本极少，这里的负样本是指例如债券产品中发生违约情况的样本。使用孪生神经网络模型，利用其训练样本组对输入的特点，通过样本组合的方式，扩大了样本数量，解决了可用样本少的难题。样本向量数据携带有数据标签，可以将样本向量数据进行分类，其中可以根据需要设定分类的类别数量，例如按照是否发生违约将样本债券产品分为已违约样本和未违约样本两类。可以理解，在其他实施例中，也可以根据样本向量数据的数量决定分类类别数量，当总的样本较少时，可以减少分类类别，当总的样本较多时，可以增加分类类别。组对样本包括正组对样本与负组对样本，其中正组对样本是指同一类别的两个样本的组对结果，负组对样本是指不同类别的两个样本的组对结果，在实施例中，可以通过排列组合的方式实现样本的组对。利用正组对样本与负组对样本对模型进行训练，相较与只用正组对样本进行模型训练来说，可以获得较好的训练结果，有利于获得效果较好的孪生神经网络模型。

在其中一个实施例中，根据组对样本，构建得到预设的孪生神经网络模型包括：

根据组对样本，生成初始孪生神经网络模型；

获取初始孪生神经网络模型的模型评价参数；

当模型评价参数未达到预设阈值范围时，通过反向传播算法对初始孪生神经网络模型的结构参数进行调整，构建得到预设的孪生神经网络模型。

当模型训练完成后，还需要对训练后的孪生神经网络模型进行评价，判断其准确率等评价参数是否达到预期，即判断训练完成的孪生神经网络模型所分析得到的输出结果是否预设的可接受的范围，当其处于预设的误差范围内时，判断其训练完成，可以用于对待分析产品进行分析。在实施例中，评价参数包括准确率、精确度、召回率以及f(f-measure)值等模型评价参数进行调整，其中，准确率是指输出结果满足要求的样本数除以所有的样本数，通常来说，正确率越高，模型效果越好。精确度是指被分为正例的示例中实际为正例的比例，可以用来衡量衡量了模型对正例的识别能力。召回率是覆盖面的度量，度量有多个正例被分为正例。f值是指综合评价指标，是对精确度和召回率的加权调和平均，当f值较高时则能说明模型比较有效。当模型评价参数未达到要求范围时，通过反向传播的方式对孪生神经网络模型的参数进行调整。

在一个实施例中，步骤s500，根据风险概率，推送待分析产品的风险预警信息，包括：

根据待分析产品预警需求，确定风险预警等级阈值。

根据风险概率与风险预警等级阈值，确定待分析产品的对应的风险预警等级，并推送待分析产品的风险预警信息。

待分析产品预警需求可以用于表征待分析产品的不可接受风险范围和不可接受程度，由于不同产品对于风险的敏感程度可能存在不同，根据待分析产品的预警需求，可以合理地设置险预警等级阈值，划分不同的风险预警等级，如划分为高风险、中风险、低风险三个等级，其中，等级的个数可以由用户根据不同的需求进行阈值设定来确定。当通过孪生神经网络模型获得的风险概率超过最低的风险阈值时，进一步判断该风险概率所对应的风险预警等级，并将待分析产品所在的预警等级以及相关的潜在风险情况推送至用户。

在一个应用实例中，本申请的产品风险预警方法用于对债券产品进行风险分析与预警处理，包括：通过获取多个已知的债券产品信息，采用画像技术从多个维度对债券信息进行数据画像处理，量化生成债券向量；并对债券进行分析，确定债券向量对应的数据标枪，根据数据标签将债券向量分为正样本与负样本，并采用排列组合的方式将样本进行两两组合，实现样本数量的扩充，得到样本向量数据组合；输入样本向量数据组合训练进行模型训练，实现孪生神经网络模型的训练，当孪生神经网络模型训练完成后，通过模型评价参数评估训练后的模型是否在满足要求，当不满足需求时，通过反向传播算法对模型下参数进行优化，当满足需求时，孪生神经网络模型可以用于分析新的债券的风险情况，首先对新的债券进行数据画像处理，得到新的债券向量，并将新的债券向量与现有的样本向量数据向量进行组合，将形成的多对组合输入孪生神经网络模型，根据孪生神经网络模型的计算得到违约概率，根据违约概率所在的阈值范围，确定该债券的风险等级，并根据孪生神经网络模型输出的组合相似度，确定与该新的债券相似度最高的已有风险债券，从而根据该已有风险债券的风险情况确定新的债券产品的潜在风险。

应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种产品风险预警装置，包括：

数据处理模块200，用于获取待分析产品信息，对待分析产品信息进行数据画像处理，获得待分析产品信息对应的向量数据；

数据组合模块300，用于获取预设的孪生神经网络模型的样本向量数据，将向量数据分别与多个样本向量数据进行组合，获取多对组合数据；

数据分析模块400，用于将多对组合数据输入预设的孪生神经网络模型，获得待分析产品的风险概率；

预警推送模块500，用于根据风险概率，推送待分析产品的风险预警信息。

在一个实施例中，数据处理模块200，还用于获取待分析产品的各维度信息，并按照预设量化标准，获得各维度信息的量化数据，对各维度信息的量化数据进行数据画像处理，获得待分析产品的衍生数据，根据量化数据与衍生数据，获得待分析产品的向量数据。

在一个实施例中，产品风险预警装置还包括潜在风险分析模块，用于将多对组合数据输入到预设的孪生神经网络模型，获得相似度最高的组合数据，根据相似度最高的组合数据，获得与待分析产品对应的样本向量数据，根据样本向量数据对应产品的风险情况，获得待分析产品的潜在风险。

在一个实施例中，产品风险预警装置还包括模型构建模块，用于获取样本产品，将样本产品进行数据画像处理，获得样本向量数据，对样本产品进行分析，确定样本向量数据对应的数据标签，根据数据标签，将样本向量数据进行组对处理，获得组对样本，根据组对样本，构建得到预设的孪生神经网络模型。

在其中一个实施例中，组对样本包括正组对样本与负组对样本；模型训练模块还用于根据样本向量数据携带的数据标签，将样本向量数据进行分类，根据排列组合，将同一类别的两个样本向量数据进行组对，获得正组对样本，根据排列组合，将不同类别的两个样本向量数据进行组对，获得负组对样本。

在其中一个实施例中，模型构建模块还用于根据组对样本，生成初始孪生神经网络模型，获取初始孪生神经网络模型的模型评价参数，当模型评价参数未达到预设阈值范围时，通过反向传播算法对初始孪生神经网络模型的结构参数进行调整，构建得到预设的孪生神经网络模型。

在一个实施例中，预警推送模块500，还用于根据待分析产品预警需求，确定风险预警等级阈值，根据风险概率与风险预警等级阈值，确定待分析产品的对应的风险预警等级，并推送待分析产品的风险预警信息。

上述产品风险预警装置，通过获取待分析产品信息，采用数据画像对待分析产品信息进行处理，得到用于表征待分析产品的向量数据，并将向量数据与样本向量数据进行组合，将组合结果输入预设的孪生神经网络模型，获得待分析产品的风险概率，从而确定待分析产品的风险预警等级，本申请通过数据画像处理，可以深入挖掘待分析产品的相关数据，将待分析产品的向量数据与样品数据相组合作为输入数据，并利用预设的孪生神经网络模型来评价两个输入的相似度，使获得的风险分析结果以及对应的预警信息更为准确有效。

关于产品风险预警装置的具体限定可以参见上文中对于产品风险预警方法的限定，在此不再赘述。上述产品风险预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品风险预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待分析产品信息，对待分析产品信息进行数据画像处理，获得待分析产品信息对应的向量数据；

获取预设的孪生神经网络模型的样本向量数据，将向量数据分别与多个样本向量数据进行组合，获取多对组合数据；

将多对组合数据输入预设的孪生神经网络模型，获得待分析产品的风险概率；

根据风险概率，推送待分析产品的风险预警信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取待分析产品的各维度信息，并按照预设量化标准，获得各维度信息的量化数据；

对各维度信息的量化数据进行数据画像处理，获得待分析产品的衍生数据；

根据量化数据与衍生数据，获得待分析产品的向量数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将多对组合数据输入到预设的孪生神经网络模型，获得相似度最高的组合数据；

根据相似度最高的组合数据，获得与待分析产品对应的样本向量数据；

根据样本向量数据对应产品的风险情况，获得待分析产品的潜在风险。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取样本产品，将样本产品进行数据画像处理，获得样本向量数据；

对样本产品进行分析，确定样本向量数据对应的数据标签；

根据数据标签，将样本向量数据进行组对处理，获得组对样本；

根据组对样本，构建得到预设的孪生神经网络模型。

在一个实施例中，组对样本包括正组对样本与负组对样本；处理器执行计算机程序时还实现以下步骤：

根据样本向量数据携带的数据标签，将样本向量数据进行分类；

根据排列组合，将同一类别的两个样本向量数据进行组对，获得正组对样本；

根据排列组合，将不同类别的两个样本向量数据进行组对，获得负组对样本。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据组对样本，生成初始孪生神经网络模型；

获取初始孪生神经网络模型的模型评价参数；

当模型评价参数未达到预设阈值范围时，通过反向传播算法对初始孪生神经网络模型的结构参数进行调整，构建得到预设的孪生神经网络模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据待分析产品预警需求，确定风险预警等级阈值；

根据风险概率与风险预警等级阈值，确定待分析产品的对应的风险预警等级，并推送待分析产品的风险预警信息。

上述用于实现产品风险预警方法的计算机设备，通过获取待分析产品信息，采用数据画像对待分析产品信息进行处理，得到用于表征待分析产品的向量数据，并将向量数据与样本向量数据进行组合，将组合结果输入预设的孪生神经网络模型，获得待分析产品的风险概率，从而确定待分析产品的风险预警等级，本申请通过数据画像处理，可以深入挖掘待分析产品的相关数据，将待分析产品的向量数据与样品数据相组合作为输入数据，并利用预设的孪生神经网络模型来评价两个输入的相似度，使获得的风险分析结果以及对应的预警信息更为准确有效。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待分析产品信息，对待分析产品信息进行数据画像处理，获得待分析产品信息对应的向量数据；

获取预设的孪生神经网络模型的样本向量数据，将向量数据分别与多个样本向量数据进行组合，获取多对组合数据；

将多对组合数据输入预设的孪生神经网络模型，获得待分析产品的风险概率；

根据风险概率，推送待分析产品的风险预警信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取待分析产品的各维度信息，并按照预设量化标准，获得各维度信息的量化数据；

对各维度信息的量化数据进行数据画像处理，获得待分析产品的衍生数据；

根据量化数据与衍生数据，获得待分析产品的向量数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将多对组合数据输入到预设的孪生神经网络模型，获得相似度最高的组合数据；

根据相似度最高的组合数据，获得与待分析产品对应的样本向量数据；

根据样本向量数据对应产品的风险情况，获得待分析产品的潜在风险。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取样本产品，将样本产品进行数据画像处理，获得样本向量数据；

对样本产品进行分析，确定样本向量数据对应的数据标签；

根据数据标签，将样本向量数据进行组对处理，获得组对样本；

根据组对样本，构建得到预设的孪生神经网络模型。

在一个实施例中，组对样本包括正组对样本与负组对样本；计算机程序被处理器执行时还实现以下步骤：

根据样本向量数据携带的数据标签，将样本向量数据进行分类；

根据排列组合，将同一类别的两个样本向量数据进行组对，获得正组对样本；

根据排列组合，将不同类别的两个样本向量数据进行组对，获得负组对样本。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据组对样本，生成初始孪生神经网络模型；

获取初始孪生神经网络模型的模型评价参数；

当模型评价参数未达到预设阈值范围时，通过反向传播算法对初始孪生神经网络模型的结构参数进行调整，构建得到预设的孪生神经网络模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据待分析产品预警需求，确定风险预警等级阈值；

根据风险概率与风险预警等级阈值，确定待分析产品的对应的风险预警等级，并推送待分析产品的风险预警信息。

上述用于实现产品风险预警方法的计算机可读存储介质，通过获取待分析产品信息，采用数据画像对待分析产品信息进行处理，得到用于表征待分析产品的向量数据，并将向量数据与样本向量数据进行组合，将组合结果输入预设的孪生神经网络模型，获得待分析产品的风险概率，从而确定待分析产品的风险预警等级，本申请通过数据画像处理，可以深入挖掘待分析产品的相关数据，将待分析产品的向量数据与样品数据相组合作为输入数据，并利用预设的孪生神经网络模型来评价两个输入的相似度，使获得的风险分析结果以及对应的预警信息更为准确有效。

本领域普通技术人员可以理解实现上述实施例产品风险预警方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。