基于规则注入无监督神经网络的金融行为认定方法及系统技术方案

本发明专利技术公开了一种基于规则注入无监督神经网络的金融行为认定方法及系统，根据金融行为事实认定规则范式，构建对应的事实认定规则范式和规则映射注入式标签，采取无监督神经网络信息抽取技术抽取出事实认定要素，分别对应关联到各个相关人；然后结合无监督抽取结果和事实认定规则范式，输出各个相关人的规则注入式事实认定结果；同时使用神经网络特征提取器和多标签分类器得到神经网络式事实认定结果；最后结合两种事实认定结果，采用规则注入仲裁机制，生成最终的事实认定结果。与现有技术相比，本发明专利技术能够同时兼备神经网络的高准确性和规则推理的高可解释性，两者的融合能够使得关于金融行为事实认定的分析结果具有更高的准确率。确率。确率。

【技术实现步骤摘要】
基于规则注入无监督神经网络的金融行为认定方法及系统


[0001]本专利技术涉及人工智能和知识图谱
，具体涉及一种基于规则注入式无监督神经网络的金融行为司法认定方法及系统。

技术介绍

[0002]金融行为不同于一般行为，往往涉及多人行为，一人多罪的情况。随着时间的推移，行为过程是越来越复杂化，使用简单的机器学习和深度学习的多标签分类器进行事实认定会伴随着准确率低、可解释性差的问题。目前事实认定推理的人工智能模型多以端到端模型(即神经网络模型)为主，对于无监督模型的规则注入事实认定推理架构尚未找到类似技术。
[0003]目前事实认定推理的人工智能模型，多以端到端模型(即神经网络模型)为主。绝大多数模型和方法只是进行行为特征要素抽取来进行事实认定模型的建模，并没有进行行为人和行为要素的关联。在金融行为中往往涉及多个行为人，而且每个行为人都有自身对应行为要素，在给每个行为人进行事实认定时，需要分别并充分考虑这些行为要素。利用主流方法所实现的建模对于金融行为司法领域智能事实认定往往具有以下各种缺陷：
[0004]1)事实认定结果可解释性差，例如使用机器学习、深度学习模型导致事实认定结果人不可读；
[0005]2)只能识别出实体和较简单的关系，无法将要素与相关人精确对应，在出现多人行为，一人多罪的场景下无法满足需求，对于智能事实认定的辅助性不足；
[0006]3)事实认定方法主要针对广泛的刑事领域，缺少金融行为领域内的针对性。在金融行为领域中难以达到高精度与高实用性。
[0007]如何设计对上述缺陷进行克服和优化的一种智能的金融行为司法领域事实认定方法和系统是本专利技术亟待解决的技术问题。

技术实现思路

[0008]为了解决上述背景中提到的技术问题，本专利技术提出了一种基于规则注入无监督神经网络的金融行为事实认定方法及系统，在无监督神经网络模型的规则注入事实认定推理架构下，运用规则注入仲裁机制进行智能分析，实现金融行为司法领域事实认定。
[0009]本专利技术利用以下技术方案实现：
[0010]本专利技术的一种基于规则注入无监督神经网络的金融行为认定方法，该方法包括以下具体步骤：
[0011]步骤1、获取待事实认定的的金融行为事实文本；
[0012]步骤2、生成基于无监督神经网络模型的注入式事实认定结果和神经网络式事实认定结果；
[0013]步骤3、依据所述规则注入式事实认定结果和所述神经网络式事实认定结果的结合，运用规则注入仲裁机制进行智能分析，得到最终的事实认定结果。
[0014]一种基于规则注入无监督神经网络的金融行为认定系统，该系统包括获取模块、生成模块和规则注入仲裁事实认定模块，其中：
[0015]所述获取模块，用于获取待事实认定的的金融行为事实文本；
[0016]所述生成模块，用于生成基于无监督神经网络模型的注入式事实认定结果和神经网络式事实认定结果；
[0017]所述规则注入仲裁事实认定模块，用于依据所述规则注入式事实认定结果和所述神经网络式事实认定结果的结合，运用规则注入仲裁机制进行智能分析，得到最终的事实认定结果。
[0018]与现有技术相比，本专利技术能够达成以下积极技术效果：
[0019]1)能够同时兼备神经网络的高准确性和规则推理的高可解释性，利用两者融合以及运用规则注入仲裁机制进行智能分析，使得关于金融行为事实认定的分析结果具有更高的准确率；
[0020]2)较其他纯神经网络的推理方式，具有更好的模型可解释性。
附图说明
[0021]图1为本专利技术的一种基于规则注入无监督神经网络的金融行为认定方法总体流程图；
[0022]图2为本专利技术的一种基于规则注入无监督神经网络的金融行为认定系统模块图；
[0023]图3为本专利技术的具体实施过程示意图；
[0024]图4为无监督神经网络的行为特征抽取模型实施例图；
[0025]图5为事实认定规则范式实施例一示意图；(a)事实认定规则范式示例一(b)事实认定规则范式示例二。
具体实施方式
[0026]下面结合附图对本专利技术中的技术方案进行清楚、完整地描述。基于本专利技术中的实施例，由本领域普通技术人员在没有做出创造性劳动前提下所获得的与技术方案所有其他实施例，都属于本专利技术保护的范围。
[0027]如图1所示，本专利技术的一种基于规则注入无监督神经网络的金融行为认定方法流程图。该流程具体包括以下步骤：
[0028]步骤S101、获取待事实认定的的金融行为事实文本；
[0029]步骤S102、根据所述金融行为事实文本构建事实认定规则范式和规则映射注入式标签，将事实认定规则范式注入到无监督神经网络的行为特征抽取模型中，抽取出分别对应关联到各个相关人的事实认定要素，将所述事实认定要素输入到事实认定规则范式中得到各个相关人的规则注入式事实认定结果，输出各个相关人的规则注入式事实认定结果；
[0030]其中，规则映射注入式标签和相应的事实认定规则范式基于事实认定规则设计，映射注入式标签主要是用于注入到无监督神经网络抽取模型，以更好地抽取出相关的事实认定要素。同时抽取出来的事实认定要素能够对应填入到事实认定规则范式来进行事实认定，整个过程环环相扣。将事实认定要素分别对应关联到各个相关人，能够同时兼备神经网络的高准确性和规则推理的高可解释性，两者的融合能够带来更高的准确率；
[0031]使用预训练模型如bert、roberta、nezha对于输入的待事实认定的的金融行为事实文本进行文本编码，然后取预训练模型的池化层作为文本特征；将文本特征送入到一个全连接层分类器进行罪名的多标签分类，得到神经网络式事实认定结果；
[0032]步骤S103、对所述各个相关人的规则注入式事实认定结果使用神经网络特征提取器和多标签分类器，得到神经网络式事实认定结果；
[0033]无监督神经网络模型利用了迁移学习方法预训练出来的模型，模型经过大量和下游任务相似的上游任务的预训练，能够在下游有任务中取得不错的效果。
[0034]步骤4、依据各个相关人的规则注入式事实认定结果结合作为基线事实认定结果的神经网络式事实认定结果进行事实认定结果智能分析：当满足神经网络式事实认定结果所涉及的金融行为罪名或者规则注入式事实认定结果不为空时，使用所述规则注入式事实认定结果对基线事实认定结果进行仲裁，最后对基线事实认定结果只保留在注入式事实认定结果出现过的罪名，返回命中的事实认定规则范式作为高可解释性的事实认定分析结果。
[0035]综上所述，本步骤的规则注入仲裁机制具体地基于一般行为训练了一个神经网络特征提取器和多标签分类器，其神经网络式事实认定结果用于作为基线事实认定结果。同时使用规则注入神经网络模型和事实认定规则范式来获取规则注入式事实认定结果。最后结合神经网络式事实认定结果和规则注入式事实认定结果来获取最终事实认定结果，能够更加准确，更具有清晰的可解释性的进行事实认定。
[0036]如图2所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于规则注入无监督神经网络的金融行为认定方法，其特征在于，该方法包括以下步骤：步骤1、获取待事实认定的的金融行为事实文本；步骤2、生成规则注入式事实认定结果和神经网络式事实认定结果；步骤3、依据所述规则注入式事实认定结果和所述神经网络式事实认定结果的结合，运用规则注入仲裁机制进行智能分析，得到最终的事实认定结果。2.如权利要求1所述的基于规则注入无监督神经网络的金融行为认定方法，其特征在于，所述规则注入式事实认定结果：根据所述金融行为事实文本构建事实认定规则范式和规则映射注入式标签，将事实认定规则范式注入到无监督神经网络的行为特征抽取模型中，抽取出分别对应关联到各个相关人的事实认定要素，将所述事实认定要素输入到事实认定规则范式中得到各个相关人的规则注入式事实认定结果，输出各个相关人的规则注入式事实认定结果。所述神经网络式事实认定结果：对各个相关人的所述规则注入式事实认定结果使用神经网络特征提取器和多标签分类器，得到神经网络式事实认定结果。3.如权利要求1所述的基于规则注入无监督神经网络的金融行为认定方法，其特征在于，所述运用规则注入仲裁机制进行智能分析：以所述神经网络式事实认定结果作为基线事实认定结果，当满足所述神经网络式事实认定结果涉及金融行为认定结果或者所述各个相关人的规则注入式事实认定结果不为空时，使用规则注入式事实认定结果对基线事实认定结果进行仲裁，保留在所述规则注入式事实认定结果出现过的认定结果。4.一种基于规则注入无监督神经网络的金融行为事...

【专利技术属性】
技术研发人员：蔡志诚，梁鸿翔，李原，赵晓海，
申请(专利权)人：北京北大英华科技有限公司，
类型：发明
国别省市：