财务风险判断方法、装置、设备及存储介质与流程

本公开涉及人工智能，尤其涉及一种财务风险判断方法、装置、设备、介质和程序产品。

背景技术：

1、财务风险判断主要关注企业在财务活动中可能遇到的风险，这些风险可能对企业的财务健康造成负面影响。在判断财务风险时，需要关注企业的内部控制和风险管理体系。如果企业的内部控制存在缺陷，如岗位分工不明确、授权审批制度不严格等，可能增加财务风险的发生概率。例如，对公信贷审批环节，专职审批人会基于客户的基本信息、所处行业、历史表现、信贷用途、财务报表等信息，综合评估是否审批通过申请的额度。在审批人的批复意见中，包含其基于企业财务报表数据分析得到的企业经营情况、还款能力及潜在的财务风险等内容。

2、人工智能的发展，为财务风险的判断提供了有力支撑。通过财务风险判断模型可以对审批人关于企业财务风险的文本信息进行高效处理，并判断是否有风险，为后续财务报表指标数据的评估提供数据基础。

3、然而，相关审批意见的财务风险判断，在深度学习数据特征处理和模型训练中存在违约数据少、模型训练效果不佳的问题。

技术实现思路

1、鉴于上述问题，本公开提供了财务风险判断方法、装置、设备、介质和程序产品。

2、根据本公开的第一个方面，提供了一种财务风险判断方法，应用于对公信贷的财务风险判断，包括：响应于输入待处理文本，对待处理文本进行编码，得到多维特征向量，待处理文本表征对对公信贷请求的审批批复。采用预先训练的风险判断模型对多维特征向量进行分类，得到财务风险标签。其中，风险判断模型的输入为多维特征向量，风险判断模型包括多组学习网络，每组学习网络包括自注意力网络和残差连接网络，以对多维特征向量进行多次自注意力学习和残差计算。以及根据财务风险标签对待处理文本进行财务风险判断。

3、根据本公开的实施例，采用预先训练的风险判断模型对多维特征向量进行分类，得到财务风险标签包括：采用多头自注意力网络对多维特征向量进行自注意力学习，得到多头拼接向量。对多维特征向量和多头拼接向量进行残差学习，得到残差融合向量。多次重复自注意力学习与残差学习的步骤，得到结果向量。以及对结果向量进行分类，得到财务风险标签。

4、根据本公开的实施例，响应于输入待处理文本，对待处理文本进行编码，得到多维特征向量包括：对待处理文本进行编码，得到序列号input_ids、类型input_types和掩码input_masks三维特征向量。

5、根据本公开的实施例，对结果向量进行分类，得到财务风险标签包括：采用svm分类网络对结果向量进行分类，得到财务风险标签。

6、根据本公开的实施例，每组学习网络还包括标准化层，在采用多头自注意力网络对多维特征向量进行自注意力学习之后，方法还包括：对多头拼接向量进行标准化处理，得到标准化向量。以及对多维特征向量和标准化向量进行残差学习，得到残差融合向量。

7、根据本公开的实施例，每组学习网络还包括线性变换网络，在对多维特征向量和标准化向量进行残差学习之后，方法还包括：对残差融合向量进行至少一次线性变换，得到长度相同的残差融合向量。

8、根据本公开的实施例，对残差融合向量进行至少一次线性变换包括：对残差融合向量进行两次线性变换，得到长度相同的残差融合向量。

9、根据本公开的实施例，风险判断模型的训练包括：根据待处理文本的数据量和分类准确率，确定学习网络的组数。其中，在待处理文本的数据量增多的情况下，增加学习网络的组数。以及在分类准确率的提升小于预设阈值的情况下，停止增加学习网络的组数。

10、根据本公开的实施例，在采用预先训练的风险判断模型对待处理文本进行风险识别之前，方法还包括：对待处理文本进行预处理，预处理包括分词和去除停用词。

11、本公开的第二方面提供了一种财务风险判断装置，应用于对公信贷的财务风险判断，包括：编码模块，用于响应于输入待处理文本，对待处理文本进行编码，得到多维特征向量，待处理文本表征对对公信贷请求的审批批复。分类模块，用于采用预先训练的风险判断模型对多维特征向量进行分类，得到财务风险标签，风险判断模型包括多组学习网络，每组学习网络包括自注意力网络和残差连接网络，以对多维特征向量进行多次自注意力学习和残差计算。以及判断模块，用于根据财务风险标签对待处理文本进行财务风险判断。

12、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方法。

13、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方法。

14、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方法。

15、根据本公开提供的财务风险判断方法、装置、设备、介质和程序产品，通过将待处理文本转换成多维特征向量，增加了风险判断模型所处理的特征数。同时，结合多组自注意力网络和残差连接网络对该多维特征向量的迭代学习，进一步提升了对少样本数据的特征提取能力。由于多维特征向量有效地降低了样本不均衡等对特征提取的影响，因此，至少部分的解决了违约数据少、模型训练效果不佳的问题，实现了精确识别财务风险的技术效果。

技术特征：

1.一种财务风险判断方法，应用于对公信贷的财务风险判断，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述采用预先训练的风险判断模型对所述多维特征向量进行分类，得到财务风险标签包括：

3.根据权利要求1所述的方法，其特征在于，所述响应于输入待处理文本，对所述待处理文本进行编码，得到多维特征向量包括：

4.根据权利要求2所述的方法，其特征在于，所述对所述结果向量进行分类，得到所述财务风险标签包括：

5.根据权利要求2～4任一项所述的方法，其特征在于，每组所述学习网络还包括标准化层，在采用多头自注意力网络对所述多维特征向量进行自注意力学习之后，所述方法还包括：

6.根据权利要求5所述的方法，其特征在于，每组所述学习网络还包括线性变换网络，在对所述多维特征向量和所述标准化向量进行残差学习之后，所述方法还包括：

7.根据权利要求6所述的方法，其特征在于，所述对所述残差融合向量进行至少一次线性变换包括：

8.根据权利要求1～4任一项所述的方法，其特征在于，所述风险判断模型的训练包括：

9.根据权利要求1所述的方法，其特征在于，在采用预先训练的风险判断模型对所述待处理文本进行风险识别之前，所述方法还包括：

10.一种财务风险判断装置，应用于对公信贷的财务风险判断，其特征在于，包括：

11.一种电子设备，其特征在于，包括：

12.一种计算机可读存储介质，其上存储有可执行指令，其特征在于，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。

技术总结
本公开提供了一种财务风险判断方法、装置、设备及存储介质，可以应用于人工智能技术领域。该方法应用于对公信贷的财务风险判断，包括：响应于输入待处理文本，对待处理文本进行编码，得到多维特征向量，待处理文本表征对对公信贷请求的审批批复。采用预先训练的风险判断模型对多维特征向量进行分类，得到财务风险标签。其中，风险判断模型的输入为多维特征向量，风险判断模型包括多组学习网络，每组学习网络包括自注意力网络和残差连接网络，以对多维特征向量进行多次自注意力学习和残差计算。以及根据财务风险标签对待处理文本进行财务风险判断。

技术研发人员：黄子龙,范会善,王炼,余学武,炊向军,赵新阳,麦家恒,贺文明,黄伟锋
受保护的技术使用者：中国建设银行股份有限公司
技术研发日：
技术公布日：2024/8/16