基于强化学习的银行数据分析方法及系统与流程

1.本发明涉及数据分析领域，尤其涉及一种基于强化学习的银行数据分析方法及装置。


背景技术：

2.在过去的几十年里，中国银行业迅猛发展，银行电子信息化得到普及，积累了大量的基础数据，同时银行每天还在产生大量的新增数据，客户信息数据也以爆炸性的趋势增长，商业银行的竞争对手已随之扩展到证券、保险、基金以及互联网金融公司等具有客户全方位信息优势的行业。同时，随着金融市场开放程度日益提升，我国各大银行之间的竞争也变得异常激烈，因此对于数据的分析变得十分重要。
3.目前，对于银行数据的分析主要基于大数据的方法分析，通过获取大量的数据进行对比分析然后得出结果，然而通过大数据分析的方法无法对银行数据中的某类数据进行测试，进而导致在银行数据分析中往往在数据决策上没有较高的实用性。


技术实现要素：

4.为了解决上述技术问题，本发明提供了一种基于强化学习的银行数据分析方法，能够提高银行数据分析的实用性。
5.第一方面，本发明提供了一种基于强化学习的银行数据分析方法，包括：
6.获取待分析银行数据，识别所述待分析银行数据中的分析对象，计算所述分析对象的信用评级；
7.提取所述分析对象中的关键信息，根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息；
8.结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略；
9.根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息；
10.利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分；
11.在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤；
12.在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告。
13.在第一方面的一种可能实现方式中，所述获取待分析银行数据，识别所述待分析银行数据中的分析对象，包括：
14.将所述待分析银行数据进行分类，得到分类银行数据，提取所述分类银行数据中各个分类的分类字段；
15.查询所述分类字段的字段属性，并根据所述字段属性识别所述待分析银行数据中的分析对象。
16.在第一方面的一种可能实现方式中，所述计算所述分析对象的信用评级，包括：
17.查询所述待分析对象的历史信用记录，根据所述历史信用记录确定所述分析对象的当前信用状态；
18.根据所述当前信用状态识别所述分析对象的信用特征，根据所述信用特征，结合下述公式计算所述分析对象的信用评级：
[0019][0020]
其中，p表示信用评级，∈表示分析对象的信用特征权重矩阵，n表示信用评级的等级数量，am表示信用对象a的第m个信用状态，mi表示在第m个信用状态中的第i个特征，ch表示信用记录c中的第h条记录，ab表示信用对象a的第b个信用状态，bj表示在第b个信用状态中的第j个特征，ck表示信用记录c中的第k条记录。
[0021]
在第一方面的一种可能实现方式中，所述提取所述分析对象中的关键信息，包括：
[0022]
获取所述分析对象的全量信息，构建所述全量信息的信息矩阵；
[0023]
利用所述信息矩阵将所述全量信息转化为数字信息，利用下述公式计算所述数字信息的信息权重：
[0024][0025]
其中，q表示信息权重，log(σ)-1
表示矩阵函数，m表示分析对象的全量信息，ka表示关键信息中的第a个信息；
[0026]
提取所述信息权重大于预设阈值对应的数字信息，得到关键信息。
[0027]
在第一方面的一种可能实现方式中，所述根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息，包括：
[0028]
查询所述关键信息的信息特征，根据所述信息特征识别所述关键信息的信息规律；
[0029]
根据所述信息规律检索所述关键信息的关联信息，对所述关信息进行筛选，得到挖掘信息。
[0030]
在第一方面的一种可能实现方式中，所述结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略，包括：
[0031]
根据所述信用评级确定所述分析对象当前的信用状态；
[0032]
将所述挖掘信息进行归一化处理，得到归一化信息，结合所述信用状态和所述归一化信息，构建所述分析对象的分析策略。
[0033]
在第一方面的一种可能实现方式中，所述根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息，包括：
[0034]
根据所述分析策略构建所述分析对象的测试环境，并在所述测试环境中布置所述分析对象的分析框架；
[0035]
在所述分析框架中配置所述分析对象的测试装置，在所述测试中生成所述分析对象的测试代码；
[0036]
在所述测试装置中运行所述测试代码，得到测试反馈信息。
[0037]
在第一方面的一种可能实现方式中，所述利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分，包括：
[0038]
查询所述测试反馈信息对应分析对象的测试状态，及所示测试反馈信息的反馈值；
[0039]
根据所述测试状态和所述反馈值，利用下述公式计算所述测试反馈信息的信息评分：
[0040][0041]
其中f表示信息评分，a表示分析对象的测试状态，b表示测试反馈信息的反馈值，rank表示评分函数，si表示测试反馈信息的第i条信息。
[0042]
第二方面，本发明提供了一种基于强化学习的银行数据分析系统，所述装置包括：
[0043]
信用评级计算模块，用于获取待分析银行数据，识别所述待分析银行数据中的分析对象，计算所述分析对象的信用评级；
[0044]
信息挖掘模块，用于提取所述分析对象中的关键信息，根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息；
[0045]
分析策略构建模块，用于结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略；
[0046]
分析对象测试模块，用于根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息；
[0047]
信息评分计算模块，用于利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分；
[0048]
步骤返回模块，用于在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤；
[0049]
分析报告生成模块，用于在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告。
[0050]
与现有技术相比，本方案的技术原理及有益效果在于：
[0051]
本方案首先通过获取待分析银行数据，识别所述待分析银行数据中的分析对象可以从大量数据中筛选出目标数据，减少数据处理的量，提高数据分析的效率，并计算所述分析对象的信用评级可以对所述分析对象进行初步分类，进而根据不同分类结果实施不同策略；其次，本发明实施例通过提取所述分析对象中的关键信息可以快速的发现所述分析对象的关键信息特征以及信息中存在的某些规律，并根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息可以拓展所述分析对象的信息面，进而使得对于所述分析对象的分析结果更加合理，可信度更高；以及结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略可以为不同分析对象制定相对应的数据分析策略，并根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息可以了解不同所述分析策
略对于所述分析对象的不同测试的结果，进而根据所述测结果得到适合所述分析对象的分析策略；进一步的，本发明实施例通过利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分可以了解所述测试反馈信息的评级，进而根据所述测试反馈信息的评级判断所述分析策略对于所述待分析对象的适应度，并在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告可以详细的了解对于所述分析对象的全面信息，并且能够为后续的策略分析提供可靠的依据。因此，本发明实施例提出的一种基于强化学习的银行数据分析方法，能够提高银行数据分析的实用性。
附图说明
[0052]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0053]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0054]
图1为本发明一实施例提供的一种基于强化学习的银行数据分析方法的流程示意图；
[0055]
图2为本发明一实施例提供的一种基于强化学习的银行数据分析系统的模块示意图；
[0056]
图3为本发明一实施例提供的实现基于强化学习的银行数据分析方法的电子设备的内部结构示意图。
具体实施方式
[0057]
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
[0058]
本发明实施例提供一种基于强化学习的银行数据分析方法，所述基于强化学习的银行数据分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于强化学习的银行数据分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0059]
参阅图1所示，是本发明一实施例提供的基于强化学习的银行数据分析方法的流程示意图。其中，图1中描述的基于强化学习的银行数据分析方法包括以下步骤s1-s7：
[0060]
s1、获取待分析银行数据，识别所述待分析银行数据中的分析对象，计算所述分析对象的信用评级。
[0061]
本发明实施例通过所述获取待分析银行数据，识别所述待分析银行数据中的分析对象可以从大量数据中筛选出目标数据，减少数据处理的量，提高数据分析的效率。其中，所述分析对象是指银行数据中的某类数据如用户数据、用户信用数据、银行历史活动数据
等。
[0062]
作为本发明的一个实施例，所述获取待分析银行数据，识别所述待分析银行数据中的分析对象，包括：将所述待分析银行数据进行分类，得到分类银行数据，提取所述分类银行数据中各个分类的分类字段，查询所述分类字段的字段属性，并根据所述字段属性识别所述待分析银行数据中的分析对象。其中，所述字段是指数据中每行的记录，包含每行数据的所有信息，所述字段属性是指数据表头具有代表作用且具有特殊性，唯一性。
[0063]
可选的，所述分类银行数据通过分类函数将所述待分析银行数据进行分类得到，所述分类函数由java语言生成，所述分类银行数据中各个分类的分类字段通过c语言生成字段提取脚本提取，所述分类字段的字段属性通过读取所述字段生成的源代码查询，所述待分析银行数据中的分析对象通过读取所述字段的字段标签识别。
[0064]
进一步的，本发明实施实例通过所述计算所述分析对象的信用评级可以对所述分析对象进行初步分类，进而根据不同分类结果实施不同策略。
[0065]
其中，所述信用评级是指根据银行历史数据以及其他渠道数据进行的综合信用评价。
[0066]
作为本发明的一个实施例，所述计算所述分析对象的信用评级，包括：查询所述待分析对象的历史信用记录，根据所述历史信用记录确定所述分析对象的当前信用状态，根据所述当前信用状态识别所述分析对象的信用特征，根据所述信用特征结合下述公式计算所述分析对象的信用评级：
[0067][0068]
其中，p表示信用评级，∈表示分析对象的信用特征权重矩阵，n表示信用评级的等级数量，am表示信用对象a的第m个信用状态，mi表示在第m个信用状态中的第i个特征，ch表示信用记录c中的第h条记录，ab表示信用对象a的第b个信用状态，bj表示在第b个信用状态中的第j个特征，ck表示信用记录c中的第k条记录。
[0069]
s2、提取所述分析对象中的关键信息，根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息。
[0070]
本发明实施例通过所述提取所述分析对象中的关键信息可以通过所述关键信息，其中，所述关键信息如身份信息、交易记录、违约记录等。
[0071]
作为本发明的一个实施例，所述提取所述分析对象中的关键信息，包括：获取所述分析对象的全量信息，构建所述全量信息的信息矩阵，利用所述信息矩阵将所述全量信息转化为数字信息，利用下述公式计算所述数字信息的信息权重：
[0072][0073]
其中，q表示信息权重，log(σ)-1
表示矩阵函数，m表示分析对象的全量信息，ka表示关键信息中的第a个信息，
[0074]
提取所述信息权重大于预设阈值对应的数字信息，得到关键信息。其中，所述信息矩阵是指一种集合，所述数字信息是指用数字来代表的信息形式。
[0075]
可选的，所述分析对象的全量信息通过读取所述分析对象对应的数据库获取，所述全量信息的信息矩阵通过矩阵构造符构建，所述利用所述信息矩阵将所述全量信息转化为数字信息通过所述信息矩阵中的编码工具进行编码转换，所述数字信息中不同信息的信息权重通过aph方法计算，所述信息权重大于预设阈值对应的数字信息通过信息提取脚本提取。
[0076]
进一步的，本发明实施例通过所述根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息可以拓展所述分析对象的信息面，进而使得对于所述分析对象的分析结果更加合理，可信度更高。
[0077]
作为本发明的一个实施例，所述根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息，包括：查询所述关键信息的信息特征，根据所述信息特征识别所述关键信息的信息规律，并根据所述信息规律检索所述关键信息的关联信息，对所述关信息进行筛选，得到挖掘信息。其中，所述信息特征是指信息具有的特征性如身份信息、历史消费记录、消费喜好等，所述信息规律是指在某类信息中存在的特定规律，如每周去特定商场消费，存取款习惯等。
[0078]
可选的，所述关键信息的信息特征通过特征提取函数提取，所述特征提取函数由java生成，所述关键信息的信息规律通过读取所述关键信息的信息特征识别，所述关键信息的关联信息通过大数据技术检索，所述对所述关信息进行筛选，得到挖掘信息通过信息筛选脚本实现，所述信息筛选脚本由python语言生成。
[0079]
s3、结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略。
[0080]
本发明实施例通过所述结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略可以为不同分析对象制定相对应的数据分析策略。
[0081]
作为本发明的一个实施例，所述结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略，包括：根据所述信用评级确定所述分析对象当前的信用状态，将所述挖掘信息进行归一化处理，得到归一化信息，结合所述信用状态和所述归一化信息，构建所述分析对象的分析策略。其中，所述信用状态是指所述分析对象信用信息所处的状态，如正常、关注、次级等。
[0082]
可选的，所述所述分析对象当前的信用状态通过识别所述信用级别所对应的信用信息确定，所述将所述挖掘信息进行归一化处理，得到归一化信息通过归一化函数实现，所述归一化函数由python语言生成，所述分析对象的分析策略通过策略分析脚本构建。
[0083]
s4、根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息。
[0084]
本发明实施例通过所述根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息可以了解不同所述分析策略对于所述分析对象的不同测试的结果，进而根据所述测结果得到适合所述分析对象的分析策略。
[0085]
作为本发明的一个实施例，所述根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息，包括：根据所述分析策略构建所述分析对象的测试环境，并在所述测试环境中布置所述分析对象的分析框架，在所述分析框架
中配置所述分析对象的测试装置，在所述测试中生成所述分析对象的测试代码，并在所述测试装置中运行所述测试代码，得到测试反馈信息。
[0086]
其中，所述测试环境是指进行数据测试所必要的硬件、软件、网络条件等，所述分析框架是指数据分析的整体布局或层次如数据输入、数据测试、测试结果返回等，所述测试装置是指数据测试的工具如通过java语言生成的测试脚本。
[0087]
可选的，所述分析对象的测试环境通过lnmt工具构建，所述分析对象的分析框架通过预构建的测试方案结构liux工具生成的测试框架布置，所述分析对象的测试代码通过v+生成，所述测试代码通过所述测试装置预配置的代码运行脚本运行。
[0088]
s5、利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分。
[0089]
本发明实施例通过所述利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分可以了解所述测试反馈信息的评级，进而根据所述测试反馈信息的评级判断所述分析策略对于所述待分析对象的适应度。
[0090]
作为本发明的一个实施例，所述利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分，包括：查询所述测试反馈信息对应分析对象的测试状态，及所示测试反馈信息的反馈值，根据所述测试状态和所述反馈值，利用下述公式计算所述测试反馈信息的信息评分：
[0091][0092]
其中f表示信息评分，a表示分析对象的测试状态，b表示测试反馈信息的反馈值，rank表示评分函数，si表示测试反馈信息的第i条信息。
[0093]
s6、在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤。
[0094]
本发明实施例通过所述在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤可以不断地调整数据决策直至出现所述测试反馈信息评分不小于预设阈值的数据决策。
[0095]
s7、在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告。
[0096]
本发明实施例通过所述在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告可以详细的了解对于所述分析对象的全面信息，并且能够为后续的策略分析提供可靠的依据。
[0097]
作为本发明的一个实施例，所述在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告，包括：构建所述分析对象的分析报告文本，在所述报告文本中插入文本控制组件，并在所述文本控制组件中加载所述分析对象的分析信息，激活所述文本控制组件，得到所述分析对象的分析报告。其中，所述报告文本是指一种在计算机中加载数据信息的界面或窗口，所述控制组件是指封装数据的一种工具。
[0098]
可选的，所述分析报告文本通过excel文本工具构建，所述文本控制组件通过sql语言的组件生成脚本插入，所述分析对象的分析信息通过所述分析对象对应的数据传输接口加载，所述文本控制组件通过组件激活韩书激活，所述组件激活函数由java生成。
[0099]
可以看出，本方案首先通过获取待分析银行数据，识别所述待分析银行数据中的分析对象可以从大量数据中筛选出目标数据，减少数据处理的量，提高数据分析的效率，并计算所述分析对象的信用评级可以对所述分析对象进行初步分类，进而根据不同分类结果实施不同策略；其次，本发明实施例通过提取所述分析对象中的关键信息可以快速的发现所述分析对象的关键信息特征以及信息中存在的某些规律，并根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息可以拓展所述分析对象的信息面，进而使得对于所述分析对象的分析结果更加合理，可信度更高；以及结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略可以为不同分析对象制定相对应的数据分析策略，并根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息可以了解不同所述分析策略对于所述分析对象的不同测试的结果，进而根据所述测结果得到适合所述分析对象的分析策略；进一步的，本发明实施例通过利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分可以了解所述测试反馈信息的评级，进而根据所述测试反馈信息的评级判断所述分析策略对于所述待分析对象的适应度，并在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告可以详细的了解对于所述分析对象的全面信息，并且能够为后续的策略分析提供可靠的依据。因此，本发明实施例提出的一种基于强化学习的银行数据分析方法，能够提高银行数据分析的实用性。
[0100]
如图2所示，是本发明基于强化学习的银行数据分析系统的功能模块图。
[0101]
本发明所述基于强化学习的银行数据分析系统200可以安装于电子设备中。根据实现的功能，所述基于强化学习的银行数据分析系统可以包括信用评级计算模块201、信息挖掘模块202、分析策略构建模块203、分析对象测试模块204、信息评分计算模块205、步骤返回模块206以及分析报告生成模块207。
[0102]
本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0103]
在本发明实施例中，关于各模块/单元的功能如下：
[0104]
所述信用评级计算模块201，用于获取待分析银行数据，识别所述待分析银行数据中的分析对象，计算所述分析对象的信用评级；
[0105]
所述信息挖掘模块202，用于提取所述分析对象中的关键信息，根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息；
[0106]
所述分析策略构建模块203，用于结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略；
[0107]
所述分析对象测试模块204，用于根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息；
[0108]
所述信息评分计算模块205，用于利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分；
[0109]
所述步骤返回模块206，用于在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤；
[0110]
所述分析报告生成模块207，用于在所述信息评分不小于预设阈值时，生成所述分
析对象的分析报告。
[0111]
详细地，本发明实施例中所述基于强化学习的银行数据分析系统200中的所述各模块在使用时采用与上述的图1中所述的基于强化学习的银行数据分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0112]
如图3所示，是本发明实现基于强化学习的银行数据分析方法的电子设备的结构示意图。
[0113]
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如焙烧锂渣锻造程序。
[0114]
其中，所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块(例如执行焙烧锂渣锻造程序等)，以及调用存储在所述存储器31内的数据，以执行电子设备的各种功能和处理数据。
[0115]
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smartmedia card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据，例如焙烧锂渣锻造程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0116]
所述通信总线32可以是外设部件互联标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
[0117]
所述通信接口33用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当地称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0118]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些
部件，或者不同的部件布置。
[0119]
例如，尽管图中未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器30逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0120]
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
[0121]
所述电子设备中的所述存储器31存储的焙烧锂渣锻造程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现以下方法：
[0122]
获取待分析银行数据，识别所述待分析银行数据中的分析对象，计算所述分析对象的信用评级；
[0123]
提取所述分析对象中的关键信息，根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息；
[0124]
结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略；
[0125]
根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息；
[0126]
利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分；
[0127]
在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤；
[0128]
在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告。
[0129]
具体地，所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0130]
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0131]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现以下方法：
[0132]
获取待分析银行数据，识别所述待分析银行数据中的分析对象，计算所述分析对象的信用评级；
[0133]
提取所述分析对象中的关键信息，根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息；
[0134]
结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略；
[0135]
根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息；
[0136]
利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分；
[0137]
在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤；
[0138]
在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告。
[0139]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0140]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0141]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0142]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0143]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0144]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0145]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于强化学习的银行数据分析方法，其特征在于，所述方法包括：获取待分析银行数据，识别所述待分析银行数据中的分析对象，计算所述分析对象的信用评级；提取所述分析对象中的关键信息，根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息；结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略；根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息；利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分；在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤；在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告。2.根据权利要求1所述的方法，其特征在于，所述获取待分析银行数据，识别所述待分析银行数据中的分析对象，包括：将所述待分析银行数据进行分类，得到分类银行数据，提取所述分类银行数据中各个分类的分类字段；查询所述分类字段的字段属性，并根据所述字段属性识别所述待分析银行数据中的分析对象。3.根据权利要求1所述的方法，其特征在于，所述计算所述分析对象的信用评级，包括：查询所述待分析对象的历史信用记录，根据所述历史信用记录确定所述分析对象的当前信用状态；根据所述当前信用状态识别所述分析对象的信用特征，根据所述信用特征，结合下述公式计算所述分析对象的信用评级：其中，p表示信用评级，∈表示分析对象的信用特征权重矩阵，n表示信用评级的等级数量，a
m
表示信用对象a的第m个信用状态，m
i
表示在第m个信用状态中的第i个特征，c
h
表示信用记录c中的第h条记录，a
b
表示信用对象a的第b个信用状态，b
j
表示在第b个信用状态中的第j个特征，c
k
表示信用记录c中的第k条记录。4.根据权利要求1所述的方法，其特征在于，所述提取所述分析对象中的关键信息，包括：获取所述分析对象的全量信息，构建所述全量信息的信息矩阵；利用所述信息矩阵将所述全量信息转化为数字信息，利用下述公式计算所述数字信息的信息权重：
其中，q表示信息权重，logσ-1
表示矩阵函数，m表示分析对象的全量信息，k
a
表示关键信息中的第a个信息；提取所述信息权重大于预设阈值对应的数字信息，得到关键信息。5.根据权利要求1所述的方法，其特征在于，所述根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息，包括：查询所述关键信息的信息特征，根据所述信息特征识别所述关键信息的信息规律；根据所述信息规律检索所述关键信息的关联信息，对所述关信息进行筛选，得到挖掘信息。6.根据权利要求1所述的方法，其特征在于，所述结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略，包括：根据所述信用评级确定所述分析对象当前的信用状态；将所述挖掘信息进行归一化处理，得到归一化信息，结合所述信用状态和所述归一化信息，构建所述分析对象的分析策略。7.根据权利要求1所述的方法，其特征在于，所述根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息，包括：根据所述分析策略构建所述分析对象的测试环境，并在所述测试环境中布置所述分析对象的分析框架；在所述分析框架中配置所述分析对象的测试装置，在所述测试中生成所述分析对象的测试代码；在所述测试装置中运行所述测试代码，得到测试反馈信息。8.根据权利要求1所述的方法，其特征在于，所述利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分，包括：查询所述测试反馈信息对应分析对象的测试状态，及所示测试反馈信息的反馈值；根据所述测试状态和所述反馈值，利用下述公式计算所述测试反馈信息的信息评分：其中f表示信息评分，a表示分析对象的测试状态，b表示测试反馈信息的反馈值，rank表示评分函数，s
i
表示测试反馈信息的第i条信息。9.根据权利要求1至8中任意一项所述的方法，其特征在于，所述在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告，包括：构建所述分析对象的分析报告文本，在所述报告文本中插入文本控制组件；在所述文本控制组件中加载所述分析对象的分析信息，激活所述文本控制组件，得到所述分析对象的分析报告。10.一种基于强化学习的银行数据分析系统，其特征在于，所述装置包括：信用评级计算模块，用于获取待分析银行数据，识别所述待分析银行数据中的分析对象，计算所述分析对象的信用评级；信息挖掘模块，用于提取所述分析对象中的关键信息，根据所述关键信息，利用强化学习模型中的拓展网络层对所述分析对象进行数据挖掘，得到挖掘信息；
分析策略构建模块，用于结合所述信用评级和所述挖掘信息，利用所述强化学习模型中的决策层网络构建所述分析对象的分析策略；分析对象测试模块，用于根据所述分析策略，利用所述强化学习模型中的测试层对所述分析对象进行测试，得到测试反馈信息；信息评分计算模块，用于利用所述强化学习模型中的评分层计算所述测试反馈信息的信息评分；步骤返回模块，用于在所述信息评分小于预设阈值时，返回所述结合所述信用评级和所述拓展信息利用所述强化学习模型中的决策层网络构建所述待分析银行数据的数据决策步骤；分析报告生成模块，用于在所述信息评分不小于预设阈值时，生成所述分析对象的分析报告。

技术总结
本发明涉及数据分析领域，揭露一种基于强化学习的银行数据分析方法，包括：获取银行数据，识别银行数据中的分析对象，计算分析对象的信用评级；提取分析对象中的关键信息，利用强化学习模型中的拓展网络层对分析对象进行数据挖掘，得到挖掘信息；结合信用评级和挖掘信息，构建分析对象的分析策略；根据分析策略，利用所述强化学习模型中的测试层对分析对象进行测试，得到测试反馈信息；利用所述强化学习模型中的评分层计算测试反馈信息评分；在信息评分小于预设阈值时，返回结合信用评级和拓展信息利用强化学习模型中的决策层网络构建待分析银行数据的数据决策步骤；在信息评分不小于预设阈值时，生成分析对象的分析报告。本发明可以提高银行数据分析的实用性。发明可以提高银行数据分析的实用性。发明可以提高银行数据分析的实用性。


技术研发人员：李雨菲 周志云 唐娟
受保护的技术使用者：李雨菲
技术研发日：2023.04.17
技术公布日：2023/7/28