(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123733.5 (22)申请日 2022.09.15 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 吴欢　王大猷　林慕云　许承飞　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 吴会英　黄健 (51)Int.Cl. G06K 9/62(2022.01) G06Q 40/02(2012.01) G06Q 40/04(2012.01) (54)发明名称 资金流向分类方法、 装置、 设备、 介质及产品 (57)摘要 本申请提供一种资金流向分类方法、 装置、 设备、 介质及产品， 可用于人工智能领域或其他 领域。 该方法包括： 获取待分类的贴现数据； 提取 待分类的贴现数据的降维特征对应的待分类特 征值； 将所述待分类特征值输入训练完成的资金 流向分类模型中对待分类特征对应的贴现数据 进行分类， 以确定贴现数据对应的待分类的贴现 行为贴现后的资金流向是否异常。 采用训练完成 的资金流向分类模型中对贴现数据进行分类可 以实现资金的自动筛查， 可以提高判断资金流向 是否异常的效率， 减少时间成本和人工成本的消 耗。 将降维特征对应的特征值作为训练完成的资 金流向分类模 型的输入可以增快分类速度， 进一 步地提高了判断资金流向是否异常的效率。 权利要求书3页 说明书15页 附图3页 CN 115456078 A 2022.12.09 CN 115456078 A 1.一种资金流向分类方法， 其特 征在于， 包括： 获取待分类的贴现数据； 所述待分类的贴现数据包括： 待分类的贴现行为对应的历史 行为数据及贴现基本数据； 提取待分类的贴现数据的降维特征对应的待分类特征值； 所述降维特征是从初始特征 中确定的， 所述初始特征 的数量大于降维特征 的数量； 所述初始特征是待分类的贴现数据 中可提取的特 征； 将所述待分类特征值输入训练完成的资金流向分类模型中对待分类特征对应的贴现 数据进行分类， 以确定贴现数据对应的贴现后的资金流向是否异常。 2.根据权利要求1所述的方法， 其特征在于， 所述提取待分类的贴现数据的降维特征对 应的待分类特 征值之前， 包括： 获取多个历史贴现数据； 所述历史贴现数据包括历史贴现行为对应的历史行为数据及 贴现基本数据； 提取各历史贴现数据的初始特征对应的特征值， 并将提取的各历史贴现数据的初始特 征对应的特 征值确定为初始样本数据； 采用随机森林算法根据初始样本数据从各初始特 征中确定降维特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述采用随机森林算法根据初始样本数据 从各初始特 征中确定降维特 征， 包括： 采用随机森林算法根据初始样本数据确定各初始特 征的权重； 将各初始特 征按照对应权 重从大到小的顺序排序； 将在预设排名之前的初始特 征确定为降维特 征。 4.根据权利要求3所述的方法， 其特征在于， 所述采用随机森林算法根据初始样本数据 确定各初始特 征的权重， 包括： 根据初始样本数据建立多个决策树， 并将多个决策树组合为随机森林； 所述决策树中 包括预设数量的初始特 征； 确定各决策树中的初始特 征在决策树中的特 征分权重； 将初始样本数据输入建立完成的随机森林中， 以确定各决策树的权 重； 将所述特 征分权重与决策树的权 重加权求和的计算结果确定为各初始特 征的权重。 5.根据权利要求4所述的方法， 其特征在于， 所述确定各 决策树中的初始特征在决策树 中的特征分权重， 包括： 根据各决策树中的初始特征的信息增益熵确定各决策树中的初始特征在决策树中的 特征分权重。 6.根据权利要求4所述的方法， 其特征在于， 所述将初始样本数据输入建立完成的随机 森林中， 以确定各决策树的权 重， 包括： 将初始样本数据输入建立完成的随机森林中， 以使随机森林中各 决策树及随机森林对 初始样本数据进行分类； 计算决策树的对初始样本数据的分类与随机森林的对初始样本数据的分类一致的一 致输出占比； 根据各决策树的一 致输出占比确定各决策树的权 重。 7.根据权利要求2 ‑6任一项所述的方法， 其特征在于， 所述提取待分类的贴现数据的降权　利　要　求　书 1/3 页 2 CN 115456078 A 2维特征对应的待分类特 征值， 包括： 获取初始特 征中降维特 征的类别； 按照所述初始特征中降维特征的类别从待分类的贴现数据中提取相同类别的降维特 征； 确定待分类的贴现数据的降维特 征对应的待分类特 征值。 8.根据权利要求1 ‑6任一项所述的方法， 其特征在于， 所述训练完成的资金流向分类模 型中包括训练完成的K均值聚类算法； 所述训练完成的K均值聚类算法中包括训练完成的资 金分类聚类中心； 将所述待分类特征值输入训练完成的资金流向分类模型中对待分类特征 对应的贴现数据进行分类， 以确定贴现数据对应的贴现后的资金流向是否异常， 包括： 计算待分类特 征值与各训练完成的资金分类聚类中心的欧式距离； 根据欧式距离最大的对应的资金分类聚类中心确定待分类特征对应的贴现后的资金 流向是否异常。 9.根据权利要求8所述的方法， 其特征在于， 所述将所述待分类特征值输入训练完成的 资金流向分类模型中对待分类特征对应的待分类的贴现行为进行分类， 以确定待分类特征 对应的待分类的贴现行为贴现后的资金流向是否异常之前， 还 包括： 将所述初始样本数据中降维特 征对应的特 征值确定为历史训练样本数据； 根据训练样本数据训练资金流向分类模型； 所述训练样本数据包括历史训练样本数 据； 所述资金流向分类模型用于判断待分类数据是否为异常 资金流向数据。 10.根据权利要求9所述的方法， 其特征在于， 所述训练样本数据还包括虚拟训练样本 数据； 所述 根据训练样本数据训练资金流向分类模型， 包括： 采用对抗网络模型根据 所述历史训练样本数据生成虚拟训练样本数据； 所述虚拟训练 样本数据包括降维特 征对应的虚拟特 征值； 所述根据虚拟训练样本数据及历史训练样本数据训练资金流向分类模型。 11.根据权利要求10所述的方法， 其特征在于， 所述资金流向分类模型中包括K均值聚 类算法， 所述 根据虚拟训练样本数据及历史训练样本数据训练资金流向分类模型， 包括： 将虚拟训练样本数据及历史训练样本数据输入资金流向分类模型中迭代计算资金分 类聚类中心； 若当前资金分类聚类中心与上一最近资金分类聚类中心的欧式距离小于预设距离阈 值则将当前资金分类聚类中心确定为训练完成的资金分类聚类中心。 12.一种资金流向分类装置， 其特 征在于， 包括： 获取模块， 用于获取待分类的贴现数据； 所述待分类的贴现数据包括： 待分类的贴现行 为对应的历史行为数据及贴现基本数据； 提取模块， 用于提取待分类的贴现数据的降维特征对应的待分类特征值； 所述降维特 征是从初始特征中确定的， 所述初始特征 的数量大于降维特征的数量； 所述初始特征是待 分类的贴现数据中可提取的特 征； 分类模块， 用于将所述待分类特征值输入训练完成的资金流向分类模型中对待分类特 征对应的贴现数据进 行分类， 以确定贴现数据对应的待分类的贴现行为贴现后的资金流向 是否异常。 13.一种电子设备， 其特 征在于， 包括： 处 理器， 以及与所述处 理器通信连接的存 储器；权　利　要　求　书 2/3 页 3 CN 115456078 A 3