商户信息审核方法及相关装置与流程

1.本发明涉及人工智能领域，特别涉及一种商户信息审核方法及相关装置。


背景技术：

2.目前，商户需要上传商户门头照和营业执照照片等信息到后台系统，由后台业务人员对这些信息进行人工审核；当审核通过后，商户才能使用来使用二维码进行收款。这种完全依赖人工的审核方式，效率较低下。


技术实现要素：

3.鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种商户信息审核方法及相关装置。
4.第一方面，一种商户信息审核方法，包括：
5.获得待审核的商户信息；
6.对所述待审核的商户信息进行特征化处理，从而获得所述待审核的商户信息对应的特征序列；
7.将所述特征序列输入至预先训练好的神经网络模型进行审核，从而获得所述神经网络模型输出的审核结果，其中，所述审核结果为审核通过或者审核不通过。
8.结合第一方面，在某些可选的实施方式中，所述神经网络模型的训练过程，包括：
9.获得多条历史审核信息，每条所述历史审核信息均包括历史商户信息和相应的历史审核结果，其中，一条所述历史商户信息对应一条历史审核结果；
10.将所述多条历史审核信息划分为训练集和测试集，其中，所述训练集和所述测试集均包括多条所述历史审核信息；
11.针对所述训练集和所述测试集中的任一所述历史审核信息，均对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的特征向量，其中，一条所述历史审核信息对应一个所述特征向量；
12.将所述训练集输入至所述神经网络模型进行训练；
13.将所述测试集输入至经过训练后的所述神经网络模型进行测试，从而获得测试结果；
14.根据所述测试结果，调整所述神经网络模型的参数并反复对所述神经网络模型进行训练和测试，直到所述测试结果满足预设条件为止。
15.结合上一个实施方式，在某些可选的实施方式中，所述针对所述训练集和所述测试集中的任一所述历史审核信息，均对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的特征向量，包括：
16.针对所述训练集和所述测试集中的任一所述历史审核信息，均通过one-hot技术对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
17.结合上一个实施方式，在某些可选的实施方式中，所述历史审核信息至少包括商户门头照和营业执照照片；
18.所述针对所述训练集和所述测试集中的任一所述历史审核信息，均通过one-hot技术对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量，包括：
19.针对所述训练集和所述测试集中的任一所述历史审核信息，均通过ocr文字识别，从所述商户门头照中识别得到门头照文字和从所述营业执照照片中识别得到营业执照信息；
20.通过所述one-hot技术对所述门头照文字、所述营业执照信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
21.结合上一个实施方式，在某些可选的实施方式中，所述历史审核信息还包括经营场地照片；
22.所述针对所述训练集和所述测试集中的任一所述历史审核信息，均通过one-hot技术对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量，还包括：
23.针对所述训练集和所述测试集中的任一所述历史审核信息，均通过cnn算法，从所述经营场地照片中识别得到经营场地类型；
24.所述通过所述one-hot技术对所述门头照文字、所述营业执照信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量，包括：
25.通过所述one-hot技术对所述门头照文字、所述营业执照信息、所述经营场地类型和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
26.结合第一方面，在某些可选的实施方式中，所述待审核的商户信息包括：待审核的商户门头照、待审核的营业执照照片和待审核的经营场地照片；
27.所述对所述待审核的商户信息进行特征化处理，从而获得所述待审核的商户信息对应的特征序列，包括：
28.通过ocr文字识别，从所述待审核的商户门头照中识别得到待审核的门头照文字和从所述待审核的营业执照照片中识别得到待审核的营业执照信息；
29.通过cnn算法，从所述待审核的经营场地照片中识别得到待审核的经营场地类型；
30.通过one-hot技术对所述待审核的门头照文字、所述待审核的营业执照信息和所述待审核的经营场地类型进行编码，从而转化为得到所述特征序列。
31.第二方面，一种商户信息审核装置，包括：待审核信息获得单元、待审核信息特征单元和审核结果获得单元；
32.所述待审核信息获得单元，用于获得待审核的商户信息；
33.所述待审核信息特征单元，用于对所述待审核的商户信息进行特征化处理，从而获得所述待审核的商户信息对应的特征序列；
34.所述审核结果获得单元，用于将所述特征序列输入至预先训练好的神经网络模型进行审核，从而获得所述神经网络模型输出的审核结果，其中，所述审核结果为审核通过或者审核不通过。
35.结合第二方面，在某些可选的实施方式中，所述装置还包括模型训练单元；
36.所述模型训练单元包括：历史信息获得单元、历史信息划分单元、历史信息编码单元、训练单元、测试单元和参数调整单元；
37.所述所述模型训练单元，用于执行所述神经网络模型的训练过程；
38.所述历史信息获得单元，用于获得多条历史审核信息，每条所述历史审核信息均包括历史商户信息和相应的历史审核结果，其中，一条所述历史商户信息对应一条历史审核结果；
39.所述历史信息划分单元，用于将所述多条历史审核信息划分为训练集和测试集，其中，所述训练集和所述测试集均包括多条所述历史审核信息；
40.所述历史信息编码单元，用于针对所述训练集和所述测试集中的任一所述历史审核信息，均对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的特征向量，其中，一条所述历史审核信息对应一个所述特征向量；
41.所述训练单元，用于将所述训练集输入至所述神经网络模型进行训练；
42.所述测试单元，用于将所述测试集输入至经过训练后的所述神经网络模型进行测试，从而获得测试结果；
43.所述参数调整单元，用于根据所述测试结果，调整所述神经网络模型的参数并反复对所述神经网络模型进行训练和测试，直到所述测试结果满足预设条件为止。
44.第三方面，一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一项所述的商户信息审核方法。
45.第四方面，一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于通过所述存储器中的程序指令，以执行上述任一项所述的商户信息审核方法。
46.借由上述技术方案，本发明提供的一种商户信息审核方法及相关装置，可以通过获得待审核的商户信息；对所述待审核的商户信息进行特征化处理，从而获得所述待审核的商户信息对应的特征序列；将所述特征序列输入至预先训练好的神经网络模型进行审核，从而获得所述神经网络模型输出的审核结果，其中，所述审核结果为审核通过或者审核不通过。由此可以看出，本发明通过预先训练神经网络模型，由神经网络模型对待审核的商户信息进行审核，无需人工参与，效率较高。
47.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
48.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
49.图1示出了本发明提供的一种商户信息审核方法的流程图；
50.图2示出了本发明提供的一种神经网络模型的示意图；
51.图3示出了本发明提供的一种商户信息审核装置的结构示意图；
52.图4示出了本发明提供的一种电子设备的结构示意图。
具体实施方式
53.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
54.如图1所示，本发明提供了一种商户信息审核方法，包括：s100、s200和s300；
55.s100、获得待审核的商户信息；
56.可选的，本发明对于待审核的商户信息不做限制，具体可以根据实际需要进行设定。例如，待审核的商户信息可以包括：商户门头照、营业执照照片和经营场地照片等，本发明对此不做限制。
57.可选的，用户可以通过终端设备将待审核的商户信息上传至本发明的执行主体，本发明对此不做限制。
58.s200、对所述待审核的商户信息进行特征化处理，从而获得所述待审核的商户信息对应的特征序列；
59.可选的，本发明对于特征化处理的过程不做限制。例如，结合图1所示的实施方式，在某些可选的实施方式中，所述待审核的商户信息包括：待审核的商户门头照、待审核的营业执照照片和待审核的经营场地照片；
60.所述s200，包括：步骤1.1、步骤1.2和步骤1.3；
61.步骤1.1、通过ocr文字识别，从所述待审核的商户门头照中识别得到待审核的门头照文字和从所述待审核的营业执照照片中识别得到待审核的营业执照信息；
62.可选的，ocr文字识别属于本领域的公知技术，本发明对此不做过多描述，具体请参见本领域的相关说明。
63.可选的，ocr文字识别可以识别出营业执照信息，包括营业执照名称、类型、统一社会信用代码、法定代表人、经验范围、注册资本、成立日期和住所等信息，从而构造生出新的特征包括是否有营业执照、营业执照名称与门头照文字是否一致、营业执照类型与金融类型是否一致等特征，本发明对此不做限制。
64.可选的，ocr文字识别可以识别出门头照文字，从而构造生出新特征，包括：是否有门头照、门头照文字、营业执照名称与门头照文字是否相似等特征，本发明对此不做限制。
65.步骤1.2、通过cnn算法，从所述待审核的经营场地照片中识别得到待审核的经营场地类型；
66.可选的，cnn算法属于本领域的公知技术，本发明对此不做过多描述，具体请参见本领域的相关说明。
67.可选的，cnn算法可以识别出经营场地类型，例如菜市场、书店、饭店、小吃店和五金店等类型，从而构造相应的经营场地类型特征，本发明对此不做限制。
68.步骤1.3、通过one-hot技术对所述待审核的门头照文字、所述待审核的营业执照信息和所述待审核的经营场地类型进行编码，从而转化为得到所述特征序列。
69.可选的，one-hot技术属于本领域的公知技术，本发明对此不做过多描述，具体请
参见本领域的相关说明。
70.可选的，通过one-hot技术，可以将上述特征进行编码转为“0”和“1”构成的特征序列，以便于后续的神经网络模型进行审核，本发明对此不做限制。
71.s300、将所述特征序列输入至预先训练好的神经网络模型进行审核，从而获得所述神经网络模型输出的审核结果，其中，所述审核结果为审核通过或者审核不通过。
72.可选的，本发明所说的神经网络模型在预先经过训练后，具备准确审核商户信息的条件。本发明对于神经网络模型不做具体限制，例如如图2所示，本发明的神经网络模型包括4层结构，分别是输入层、隐藏层1、隐藏层2和输出层。其中，隐藏层1包括64个神经元和120维输入；隐藏层2包括32个神经元，输入为隐藏层1的输出；输出层为softmax函数；激活函数为：relu函数；dropout设为0.5，本发明对此不做限制。需要说明的是：softmax函数、relu函数和dropout等概念在本领域均有相应的特定说明，具体请参见本领域的相关说明。
73.可选的，本方对于神经网络模型的训练过程不做具体限制。例如，结合图1所示的实施方式，在某些可选的实施方式中，所述神经网络模型的训练过程，包括：步骤2.1、步骤2.2、步骤2.3、步骤2.4、步骤2.5和步骤2.6；
74.步骤2.1、获得多条历史审核信息，每条所述历史审核信息均包括历史商户信息和相应的历史审核结果，其中，一条所述历史商户信息对应一条历史审核结果；
75.可选的，本发明对于每条历史商户信息所包括的内容不做限制。例如，每条历史商户信息均可以包括相应的门头照文字、营业执照信息和经营场地类型特征。
76.可选的，历史审核结果可以包括“审核通过”和“审核不通过”两种情况，但每条历史商户信息仅对应其中一种审核结果，本发明对此不做限制。
77.步骤2.2、将所述多条历史审核信息划分为训练集和测试集，其中，所述训练集和所述测试集均包括多条所述历史审核信息；
78.可选的，本发明对于划分训练集和测试集的方式不做限制。例如，本发明可以采用十字交叉验证训练的方法，将多条历史审核信息划分为10份，其中，9份作为训练集，1份作为测试集。
79.步骤2.3、针对所述训练集和所述测试集中的任一所述历史审核信息，均对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的特征向量，其中，一条所述历史审核信息对应一个所述特征向量；
80.可选的，本发明可以基于one-hot技术进行相应的编码。例如，结合上一个实施方式，在某些可选的实施方式中，所述步骤2.3，包括：步骤3.1；
81.步骤3.1、针对所述训练集和所述测试集中的任一所述历史审核信息，均通过one-hot技术对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
82.步骤2.4、将所述训练集输入至所述神经网络模型进行训练；
83.可选的，在经过上述编码后，训练集和测试集均可以被神经网络模型所识别。因此，本发明可以将训练集输入至所述神经网络模型进行训练。
84.步骤2.5、将所述测试集输入至经过训练后的所述神经网络模型进行测试，从而获得测试结果；
85.可选的，测试结果可以反映出神经网络模型的预测性能(本发明是审核商户信息
的性能)。当测试结果达不到预期时，可以对神经网络模型的参数进行调整，然后再进行训练和测试。
86.步骤2.6、根据所述测试结果，调整所述神经网络模型的参数并反复对所述神经网络模型进行训练和测试，直到所述测试结果满足预设条件为止。
87.可选的，通过对神经网络模型的参数进行不断的调优，并进行反复训练和测试，以此使得经过训练的神经网络模型达到要求，本发明对此不做限制。
88.结合上一个实施方式，在某些可选的实施方式中，所述历史审核信息至少包括商户门头照和营业执照照片；
89.所述步骤3.1，包括：步骤4.1和步骤4.2；
90.步骤4.1、针对所述训练集和所述测试集中的任一所述历史审核信息，均通过ocr文字识别，从所述商户门头照中识别得到门头照文字和从所述营业执照照片中识别得到营业执照信息；
91.可选的，对于步骤4.1的理解，可以参见步骤1.1的相关解释进行相似理解，本发明对此不做赘述。
92.步骤4.2、通过所述one-hot技术对所述门头照文字、所述营业执照信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
93.可选的，对于步骤4.2的理解，可以参见步骤1.3的相关解释进行相似理解，本发明对此不做赘述。
94.结合上一个实施方式，在某些可选的实施方式中，所述历史审核信息还包括经营场地照片；
95.所述步骤3.1，还包括：步骤5.1；
96.步骤5.1、针对所述训练集和所述测试集中的任一所述历史审核信息，均通过cnn算法，从所述经营场地照片中识别得到经营场地类型；
97.所述步骤4.2，包括：
98.通过所述one-hot技术对所述门头照文字、所述营业执照信息、所述经营场地类型和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
99.如图3所示，本发明提供了一种商户信息审核装置，包括：待审核信息获得单元100、待审核信息特征单元200和审核结果获得单元300；
100.所述待审核信息获得单元100，用于获得待审核的商户信息；
101.所述待审核信息特征单元200，用于对所述待审核的商户信息进行特征化处理，从而获得所述待审核的商户信息对应的特征序列；
102.所述审核结果获得单元300，用于将所述特征序列输入至预先训练好的神经网络模型进行审核，从而获得所述神经网络模型输出的审核结果，其中，所述审核结果为审核通过或者审核不通过。
103.结合图3所示的实施方式，在某些可选的实施方式中，所述装置还包括模型训练单元；
104.所述模型训练单元包括：历史信息获得单元、历史信息划分单元、历史信息编码单元、训练单元、测试单元和参数调整单元；
105.所述所述模型训练单元，用于执行所述神经网络模型的训练过程；
106.所述历史信息获得单元，用于获得多条历史审核信息，每条所述历史审核信息均包括历史商户信息和相应的历史审核结果，其中，一条所述历史商户信息对应一条历史审核结果；
107.所述历史信息划分单元，用于将所述多条历史审核信息划分为训练集和测试集，其中，所述训练集和所述测试集均包括多条所述历史审核信息；
108.所述历史信息编码单元，用于针对所述训练集和所述测试集中的任一所述历史审核信息，均对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的特征向量，其中，一条所述历史审核信息对应一个所述特征向量；
109.所述训练单元，用于将所述训练集输入至所述神经网络模型进行训练；
110.所述测试单元，用于将所述测试集输入至经过训练后的所述神经网络模型进行测试，从而获得测试结果；
111.所述参数调整单元，用于根据所述测试结果，调整所述神经网络模型的参数并反复对所述神经网络模型进行训练和测试，直到所述测试结果满足预设条件为止。
112.结合上一个实施方式，在某些可选的实施方式中，所述历史信息编码单元，包括：第一历史信息编码子单元；
113.第一历史信息编码子单元，用于针对所述训练集和所述测试集中的任一所述历史审核信息，均通过one-hot技术对相应的所述历史商户信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
114.结合上一个实施方式，在某些可选的实施方式中，所述历史审核信息至少包括商户门头照和营业执照照片；
115.所述第一历史信息编码子单元，包括：ocr识别子单元和第二历史信息编码子单元；
116.ocr识别子单元，用于针对所述训练集和所述测试集中的任一所述历史审核信息，均通过ocr文字识别，从所述商户门头照中识别得到门头照文字和从所述营业执照照片中识别得到营业执照信息；
117.第二历史信息编码子单元，用于通过所述one-hot技术对所述门头照文字、所述营业执照信息和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
118.结合上一个实施方式，在某些可选的实施方式中，所述历史审核信息还包括经营场地照片；
119.所述第一历史信息编码子单元，还包括：cnn算法子单元；
120.cnn算法子单元，用于针对所述训练集和所述测试集中的任一所述历史审核信息，均通过cnn算法，从所述经营场地照片中识别得到经营场地类型；
121.所述第二历史信息编码子单元，包括：第三历史信息编码子单元；
122.第三历史信息编码子单元，用于通过所述one-hot技术对所述门头照文字、所述营业执照信息、所述经营场地类型和所述历史审核结果进行编码，从而转化为相应的所述特征向量。
123.结合图3所示的实施方式，在某些可选的实施方式中，所述待审核的商户信息包括：待审核的商户门头照、待审核的营业执照照片和待审核的经营场地照片；
124.所述待审核信息特征单元200，包括：第一信息识别单元、第二信息识别单元和特
征序列单元；
125.第一信息识别单元，用于通过ocr文字识别，从所述待审核的商户门头照中识别得到待审核的门头照文字和从所述待审核的营业执照照片中识别得到待审核的营业执照信息；
126.第二信息识别单元，用于通过cnn算法，从所述待审核的经营场地照片中识别得到待审核的经营场地类型；
127.特征序列单元，用于通过one-hot技术对所述待审核的门头照文字、所述待审核的营业执照信息和所述待审核的经营场地类型进行编码，从而转化为得到所述特征序列。
128.本发明提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一项所述的商户信息审核方法。
129.如图4所示，本发明提供了一种电子设备70，所述电子设备70包括至少一个处理器701、以及与所述处理器701连接的至少一个存储器702、总线703；其中，所述处理器701、所述存储器702通过所述总线703完成相互间的通信；所述处理器701用于通过所述存储器702中的程序指令，以执行上述任一项所述的商户信息审核方法。
130.在本技术中，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的包含，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。
131.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
132.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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公开的原理和新颖特点相一致的最宽的范围。
133.以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。