本技術屬于人工智能，具體涉及一種財產(chǎn)線索挖掘方法、裝置、計算機設備及存儲介質。

背景技術：

1、在金融領域內(nèi)，不良資產(chǎn)指的是已陷入違約狀態(tài)或確認無法償還的債務資產(chǎn)，這類資產(chǎn)因其難以直接轉化為現(xiàn)金流或變現(xiàn)價值極低，往往給金融機構及債權人帶來沉重負擔。為了減輕這一負擔并維護債權人權益，有效清收不良資產(chǎn)顯得尤為重要。而在這一過程中，核心任務在于深入挖掘債務人的財產(chǎn)線索，這些線索是追回欠款、減少損失的關鍵所在。

2、目前，金融機構在應對不良資產(chǎn)時，主要依賴自催、訴訟及委托第三方催收這三種策略，而策略能否有效實施依賴于能否成功挖掘并確認債務人的可執(zhí)行財產(chǎn)線索。因此，面對經(jīng)營困境重重甚至瀕臨破產(chǎn)的企業(yè)債務人，尋找并確認可執(zhí)行的有效財產(chǎn)線索成為了追償工作的重中之重。

3、在技術層面，傳統(tǒng)機器學習技術如支持向量機、神經(jīng)網(wǎng)絡等，雖已被應用于財產(chǎn)線索的挖掘，并取得了一定成效，但其局限性也日益顯現(xiàn)。這些方法高度依賴于復雜的人工特征工程，這不僅增加了操作的難度與成本，還使得模型的表現(xiàn)易受數(shù)據(jù)質量及樣本規(guī)模的限制。

4、因此，探索更加高效、智能且適應性強的技術手段，以優(yōu)化財產(chǎn)線索挖掘過程，成為不良資產(chǎn)清收領域亟待解決的問題。

技術實現(xiàn)思路

1、本技術實施例的目的在于提出一種財產(chǎn)線索挖掘方法、裝置、計算機設備及存儲介質，以解決現(xiàn)有財產(chǎn)線索挖掘方案存在的高度依賴于復雜的人工特征工程，增加了操作的難度與成本，以及使得模型的表現(xiàn)易受數(shù)據(jù)質量及樣本規(guī)模的限制的技術問題。

2、為了解決上述技術問題，本技術實施例提供一種財產(chǎn)線索挖掘方法，采用了如下所述的技術方案：

3、一種財產(chǎn)線索挖掘方法，財產(chǎn)線索挖掘方法應用于財產(chǎn)線索挖掘平臺，財產(chǎn)線索挖掘平臺包括文本處理模型和線索分類模型，財產(chǎn)線索挖掘方法包括：

4、接收財產(chǎn)線索挖掘指令，獲取待處理財產(chǎn)案件的案件文本，得到待處理案件文本；

5、將待處理案件文本導入財產(chǎn)線索挖掘平臺，提取待處理案件文本的摘要信息，得到摘要文本；

6、使用文本處理模型中的詞嵌入矩陣對摘要文本進行語義編碼，得到語義特征向量；

7、基于語義特征向量構建文本特征序列，使用線索分類模型中的卷積核對文本特征序列進行局部卷積操作，得到局部特征向量；

8、對語義特征向量和局部特征向量進行拼接，得到特征融合向量；

9、基于特征融合向量確定與待處理財產(chǎn)案件匹配的目標財產(chǎn)線索標簽，并輸出目標財產(chǎn)線索標簽。

10、進一步地，在使用文本處理模型中的詞嵌入矩陣對摘要文本進行語義編碼，得到語義特征向量的步驟之前，還包括：

11、從預設的案件數(shù)據(jù)庫中獲取第一歷史案件文本；

12、對第一歷史案件文本進行關鍵詞提取，并從第一歷史案件文本的關鍵詞提取結果中篩選法律分詞文本；

13、將法律分詞文本導入預設文本處理模型的原始詞表；

14、對原始詞表進行向量化處理，得到詞嵌入矩陣。

15、進一步地，在對原始詞表進行向量化處理，得到詞嵌入矩陣的步驟之后，還包括：

16、從預設的案件數(shù)據(jù)庫中獲取第二歷史案件文本，并對第二歷史案件文本進行數(shù)據(jù)標注；

17、基于標注后的第二歷史案件文本構建訓練數(shù)據(jù)集和測試數(shù)據(jù)集；

18、使用訓練數(shù)據(jù)集對預設文本處理模型進行預訓練；

19、使用測試數(shù)據(jù)集對完成預訓練的預設文本處理模型進行模型性能測試。

20、進一步地，文本處理模型為基于transformer架構的預訓練語言模型，transformer架構包括若干層編碼層和若干層解碼層結構，使用訓練數(shù)據(jù)集對預設文本處理模型進行預訓練的步驟，具體包括：

21、通過詞嵌入矩陣將訓練數(shù)據(jù)集中歷史案件文本映射為向量表示形式，并構建訓練樣本特征矩陣；

22、將訓練樣本特征矩陣按照特征層級關系依次導入transformer架構的若干層編碼層中，以進行訓練樣本特征的編碼操作；

23、獲取編碼層輸出的特征編碼結果，并將特征編碼結果輸入到解碼層中，以進行編碼特征的解碼操作；

24、獲取特征解碼結果，并將特征解碼結果與歷史案件文本的第一真實標簽進行比較，得到第一預測誤差，其中，第一真實標簽為標注的文本語義標簽；

25、基于第一預測誤差對transformer架構的參數(shù)進行迭代更新，直至模型擬合，得到預設文本處理模型。

26、進一步地，線索分類模型為基于文本卷積神經(jīng)網(wǎng)絡架構的預訓練神經(jīng)網(wǎng)絡模型，文本卷積神經(jīng)網(wǎng)絡中預設有若干個卷積核，在基于語義特征向量構建文本特征序列，使用線索分類模型中的卷積核對文本特征序列進行局部卷積操作，得到局部特征向量的步驟之前，還包括：

27、對編碼層輸出的特征編碼結果進行解析，得到編碼層輸出的特征編碼向量；

28、基于特征編碼向量構建特征編碼序列；

29、在預設線索分類模型中的若干個卷積核中確定適配的目標卷積核；

30、使用目標卷積核對特征編碼序列進行局部卷積操作，得到局部編碼向量；將特征編碼向量和局部編碼向量進行拼接，得到編碼融合向量；

31、基于特征融合向量確定與歷史案件文本匹配的財產(chǎn)線索標簽，得到歷史財產(chǎn)線索標簽；

32、將歷史財產(chǎn)線索標簽與歷史案件文本的第二真實標簽進行比較，得到第二預測誤差，其中，第二真實標簽為標注的財產(chǎn)線索標簽；

33、基于第二預測誤差對線索分類模型的參數(shù)進行迭代更新，直至模型擬合，得到預設文本處理模型。

34、進一步地，基于特征編碼向量構建特征編碼序列的步驟，具體包括：

35、對特征編碼向量進行篩選，獲取高階特征編碼向量；

36、基于高階特征編碼向量構建特征編碼序列。

37、進一步地，在基于第二預測誤差對線索分類模型的參數(shù)進行迭代更新，

38、直至模型擬合，得到預設文本處理模型的步驟之后，還包括：

39、為文本處理模型和線索分類模型配置初始模型權重參數(shù)；

40、設置交叉熵損失函數(shù)，并基于第一預測誤差和第二預測誤差，且以最小化交叉熵損失函數(shù)為優(yōu)化目標，動態(tài)更新初始模型權重參數(shù)，得到最優(yōu)模型權重參數(shù)；

41、基于最優(yōu)模型權重參數(shù)在財產(chǎn)線索挖掘平臺中配置文本處理模型和線索分類模型。

42、為了解決上述技術問題，本技術實施例還提供一種財產(chǎn)線索挖掘裝置，采用了如下所述的技術方案：

43、一種財產(chǎn)線索挖掘裝置，財產(chǎn)線索挖掘裝置運行于財產(chǎn)線索挖掘平臺，財產(chǎn)線索挖掘平臺包括文本處理模型和線索分類模型，財產(chǎn)線索挖掘裝置包括：

44、文本提取模塊，用于接收財產(chǎn)線索挖掘指令，獲取待處理財產(chǎn)案件的案件文本，得到待處理案件文本；

45、摘要提取模塊，用于將待處理案件文本導入財產(chǎn)線索挖掘平臺，提取待處理案件文本的摘要信息，得到摘要文本；

46、語義編碼模塊，用于使用文本處理模型中的詞嵌入矩陣對摘要文本進行語義編碼，得到語義特征向量；

47、局部卷積模塊，用于基于語義特征向量構建文本特征序列，使用線索分類模型中的卷積核對文本特征序列進行局部卷積操作，得到局部特征向量；

48、向量拼接模塊，用于對語義特征向量和局部特征向量進行拼接，得到特征融合向量；

49、線索匹配模塊，用于基于特征融合向量確定與待處理財產(chǎn)案件匹配的目標財產(chǎn)線索標簽，并輸出目標財產(chǎn)線索標簽。

50、為了解決上述技術問題，本技術實施例還提供一種計算機設備，采用了如下所述的技術方案：

51、一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述處理器執(zhí)行所述計算機可讀指令時實現(xiàn)如上述任一項所述的財產(chǎn)線索挖掘方法的步驟。

52、為了解決上述技術問題，本技術實施例還提供一種計算機可讀存儲介質，采用了如下所述的技術方案：

53、一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機可讀指令，所述計算機可讀指令被處理器執(zhí)行時實現(xiàn)如上述中任一項所述的財產(chǎn)線索挖掘方法的步驟。

54、與現(xiàn)有技術相比，本技術實施例主要有以下有益效果：

55、本技術公開一種財產(chǎn)線索挖掘方法、裝置、計算機設備及存儲介質，屬于人工智能技術領域。通過整合文本處理與線索分類兩個模型于財產(chǎn)線索挖掘平臺中，首先接收案件文本，提取其摘要信息，并運用文本處理模型的詞嵌入矩陣將摘要轉化為語義特征向量，隨后基于語義特征向量構建文本特征序列，并應用線索分類模型的卷積核對序列進行局部特征提取，將局部特征與語義特征融合，形成全面的特征融合向量，最終基于該融合向量精準匹配并輸出與案件相關的目標財產(chǎn)線索標簽。本技術通過自動化提取案件文本摘要、利用詞嵌入矩陣生成語義特征，并結合卷積操作捕捉局部特征，有效解決了傳統(tǒng)財產(chǎn)線索挖掘對人工特征工程的依賴，降低了操作難度與成本。同時，特征融合策略增強了模型的泛化能力，減少對數(shù)據(jù)質量與樣本規(guī)模的依賴，提高了財產(chǎn)線索挖掘的準確性和效率。