基于大语言模型的异常程度识别方法、装置、介质及设备与流程

本发明涉及数据处理领域，特别是涉及一种基于大语言模型的异常程度识别方法、装置、介质及设备。

背景技术：

1、主体的异常程度识别可以对主体潜在的异常因素进行辨识、定性和定量分析，能够帮助组织和个人了解可能面临的各种风险，从而更好地进行异常规避和控制，也可以帮助组织和个人进行信用异常的排序和优先处理，对有限的资源进行合理配置，在银行业务领域、企业管理领域、医疗和卫生领域、信息安全领域等多个领域中具有重要的意义。例如，在银行业务领域中，对客户主体进行风险识别，判断申请贷款的客户是否有违约风险，从而帮助银行工作人员决定是否向客户放贷，在减少运营成本的前提下，降低坏账风险，提高银行的业务安全性。

2、在现有的异常程度识别方法中，主要对主体在各个信用维度的异常概率进行衡量，结合各个信用维度对应的重要性权值，综合多个信用维度的异常概率，获取到主体的整体信用异常等级。但是，上述方法忽略了主体之间的关联关系对主体异常的影响，导致难以对主体的信用异常等级进行合理评估，使得目标主体的识别准确性较低。例如，在银行业务领域中，客户风险不仅源于自身，亦可通过股权链、供应链、资金链等关联方传导而来，对单一客户的风险监测难以准确评估客户的风险程度，导致难以满足银行风险管理的需要。

3、因此，如何提高目标主体的异常程度的识别准确性成为亟待解决的问题。

技术实现思路

1、针对上述技术问题，本发明采用的技术方案为一种基于大语言模型的异常程度识别方法，该异常程度识别方法包括如下步骤：

2、s1，获取到n个初始主体对应的m个异常事件文本、每个异常事件文本对应的后续事件文本和预设的主体关联图谱，其中，预设的主体关联图谱中包括作为节点的n个初始主体、相连的初始主体之间的关联类型和关联程度、每个关联类型对应的第一异常传导程度，其中，n和m为大于0的整数，第一异常传导程度用来表征对应相连的初始主体之间进行异常传导的幅度值。

3、s2，针对任一异常事件文本，将当前异常事件文本输入至预设的大语言模型中，获取到当前异常事件文本对应的初始主体和当前初始主体对应的主体角色类型。

4、s3，将当前异常事件文本和对应的后续事件文本输入至预设的大语言模型中，获取到当前异常事件文本对应的第一异常程度。

5、s4，将当前初始主体确定为异常源主体，根据当前异常源主体对应的主体角色类型和第一异常程度，获取到当前异常源主体针对当前异常事件文本所对应的第二异常程度。

6、s5，遍历所有的异常事件文本，根据当前异常源主体针对每个异常事件文本所对应的第二异常程度，获取到每个异常源主体针对所有的异常事件文本所对应的第三异常程度。

7、s6，将任一初始主体作为待识别的目标主体，根据预设的主体关联图谱和每个异常源主体对应的第三异常程度，获取到当前目标主体与每个异常源主体之间的k个关联路径，以及每个关联路径对应的关联类型集合、关联程度集合、第一异常传导程度集合和第三异常程度集合，其中，k为大于0的整数。

8、s7，根据每个关联路径对应的关联程度集合、第一异常传导程度集合和第三异常程度集合，获取到当前目标主体对应的目标异常程度。

9、本发明还提供了一种基于大语言模型的异常程度识别装置，该异常程度识别装置包括：

10、第一数据获取模块，用于获取到n个初始主体对应的m个异常事件文本、每个异常事件文本对应的后续事件文本和预设的主体关联图谱，其中，预设的主体关联图谱中包括作为节点的n个初始主体、相连的初始主体之间的关联类型和关联程度、每个关联类型对应的第一异常传导程度，其中，n和m为大于0的整数，第一异常传导程度用来表征对应相连的初始主体之间进行异常传导的幅度值。

11、大语言模型应用模块，用于针对任一异常事件文本，将当前异常事件文本输入至预设的大语言模型中，获取到当前异常事件文本对应的初始主体和当前初始主体对应的主体角色类型。

12、第一异常程度获取模块，用于将当前异常事件文本和对应的后续事件文本输入至预设的大语言模型中，获取到当前异常事件文本对应的第一异常程度。

13、第二异常程度获取模块，用于将当前初始主体确定为异常源主体，根据当前异常源主体对应的主体角色类型和第一异常程度，获取到当前异常源主体针对当前异常事件文本所对应的第二异常程度。

14、第三异常程度获取模块，用于遍历所有的异常事件文本，根据当前异常源主体针对每个异常事件文本所对应的第二异常程度，获取到每个异常源主体针对所有的异常事件文本所对应的第三异常程度。

15、第二数据获取模块，用于将任一初始主体作为待识别的目标主体，根据预设的主体关联图谱和每个异常源主体对应的第三异常程度，获取到当前目标主体与每个异常源主体之间的k个关联路径，以及每个关联路径对应的关联类型集合、关联程度集合、第一异常传导程度集合和第三异常程度集合，其中，k为大于0的整数。

16、目标异常程度获取模块，用于根据每个关联路径对应的关联程度集合、第一异常传导程度集合和第三异常程度集合，获取到当前目标主体对应的目标异常程度。

17、本发明还提供了一种非瞬时性计算机可读存储介质，非瞬时性计算机可读存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现上述的基于大语言模型的异常程度识别方法。

18、本发明还提供了一种电子设备，包括处理器和上述的非瞬时性计算机可读存储介质。

19、本发明至少具有以下有益效果：基于预设的大语言模型对当前异常事件文本进行分析，获取到当前异常事件文本对应的初始主体和当前初始主体对应的主体角色类型，将当前异常事件文本和对应的后续事件文本输入至预设的大语言模型中，同时分析当前异常事件文本所对应的异常事件产生的当前异常影响和后续异常影响，获取到当前异常事件文本对应的第一异常程度，提高了对当前异常事件文本对应的异常事件的异常程度的表征准确性，将当前初始主体确定为异常源主体，根据当前异常源主体对应的主体角色类型和第一异常程度，获取到当前异常源主体针对当前异常事件文本所对应的第二异常程度，遍历所有的异常事件文本，根据当前异常源主体针对每个异常事件文本所对应的第二异常程度，获取到每个异常源主体针对所有的异常事件文本所对应的第三异常程度，将任一初始主体作为待识别的目标主体，根据预设的主体关联图谱和每个异常源主体对应的第三异常程度，获取到当前目标主体与每个异常源主体之间的k个关联路径，以及每个关联路径对应的关联类型集合、关联程度集合、第一异常传导程度集合和第三异常程度集合，根据关联路径中相连的初始主体之间的关联程度、第一异常传导程度、匹配程度以及关联路径上所有的初始主体对应的第三异常程度，衡量关联路径上除目标主体之外的其他初始主体传导至目标主体的异常，并结合目标主体自身的第三异常程度，获取到目标主体对应的目标异常程度，提高了目标异常程度的准确性。

技术特征：

1.一种基于大语言模型的异常程度识别方法，其特征在于，所述异常程度识别方法包括如下步骤：

2.根据权利要求1所述的基于大语言模型的异常程度识别方法，其特征在于，所述关联类型包括第一股权关系和第二股权关系、第一担保关系和第二担保关系、第一交易关系和第二交易关系、诉讼关系和专利关系，s1还包括如下步骤：

3.根据权利要求1所述的基于大语言模型的异常程度识别方法，其特征在于，所述主体角色类型包括执行主体角色和被影响主体角色，s4还包括如下步骤：

4.根据权利要求3所述的基于大语言模型的异常程度识别方法，其特征在于，s5还包括如下步骤：

5.根据权利要求1所述的基于大语言模型的异常程度识别方法，其特征在于，s6还包括如下步骤：

6.根据权利要求5所述的基于大语言模型的异常程度识别方法，其特征在于，s7还包括如下步骤：

7.根据权利要求5所述的基于大语言模型的异常程度识别方法，其特征在于，所述异常程度识别方法还包括如下步骤：

8.一种基于大语言模型的异常程度识别装置，其特征在于，所述异常程度识别装置包括：

9.一种非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质中存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7中任意一项所述的基于大语言模型的异常程度识别方法。

10.一种电子设备，其特征在于，包括处理器和权利要求9中所述的非瞬时性计算机可读存储介质。

技术总结
本发明涉及数据处理领域，尤其涉及一种基于大语言模型的异常程度识别方法、装置、介质及设备，包括：将异常事件文本和后续事件文本输入至预设的大语言模型中，获取到初始主体、第一异常程度和初始主体对应的主体角色类型，根据主体角色类型和第一异常程度，获取到每个异常源主体对应的第三异常程度，并结合预设的主体关联图谱获取到目标主体与异常源主体之间的关联路径，以及每个关联路径对应的关联类型集合、关联程度集合、第一异常传导程度集合和第三异常程度集合，来衡量关联路径上除目标主体之外的其他初始主体传导至目标主体的异常，并结合目标主体自身的第三异常程度，获取到目标主体对应的目标异常程度，提高了目标异常程度的准确性。

技术研发人员：江潇俊,方旭杰
受保护的技术使用者：浙江有数数智科技有限公司
技术研发日：
技术公布日：2024/9/23