本技术涉及人工智能,特别是涉及一种数据一致性确定模型的训练方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术:
1、随着计算机技术的不断发展,较为核心的业务系统从主机集中式架构向分布式架构转型的过程中,分布式平台相对主机,在硬件环境稳定性、性能容量等方面存在差距,故障概率较高。异常情况下,各应用系统下主机的进程不一致带来系统复杂性、不稳定性因素增加,一笔业务在交易过程中分支开关链路复杂,给记账双方的交易和业务一致性带来挑战。因事务、交易不一致引发的账务问题,未能及时发现和解决,较易引发不良后果。因此,如何检测分布式平台与主机之间的数据一致性是亟待解决的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够准确检测平台数据与主机数据之间的一致性的数据一致性确定模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面,本技术提供了一种数据一致性确定模型的训练方法。所述方法包括:
3、获取训练数据,所述训练数据是预设时间段内的对账数据集,所述对账数据集包括第一来源的交易流水数据以及第二来源的交易流水数据;
4、基于预设特征集以及所述预设时间段内的对账数据集,确定属于同一预设特征集的第一来源数据以及第二来源数据,对各所述第一来源数据以及第二来源数据进行拼接处理,得到标准数据对,并确定各所述标准数据对的标签数据,所述标签数据包括交易金额差值、交易方向以及交易类型;
5、通过各所述标准数据对以及各所述标准数据对的标签数据,对待训练的一致性确定模型进行训练,得到训练好的一致性确定模型,所述一致性确定模型用于得到交易数据的一致性核对结果。
6、在其中一个实施例中,所述基于预设特征集以及所述预设时间段内的对账数据集,确定属于同一预设特征集的第一来源数据以及第二来源数据,包括:
7、基于预设标准化格式对所述预设时间段内的对账数据集进行处理,得到标准化数据,所述标准化数据包括多个交易特征以及各所述交易特征对应的特征值;
8、基于预设特征集对所述标准化数据进行筛选,得到属于同一预设特征集的第一来源数据以及第二来源数据。
9、在其中一个实施例中,所述通过各所述标准数据对以及各所述标准数据对的标签数据,对待训练的一致性确定模型进行训练,得到训练好的一致性确定模型,包括:
10、将各所述标准数据对以及各所述标准数据对的标签数据,输入至待训练的一致性确定模型,得到一致性预测结果,所述一致性预测结果包括预测交易金额差值、预测交易方向以及预测交易类型;
11、在确定不满足预设训练完成条件的情况下,计算损失函数,并基于所述损失函数更新所述待训练的一致性确定模型的模型参数,直至满足所述预设训练完成条件,得到训练好的一致性确定模型。
12、在其中一个实施例中,所述方法还包括:
13、基于所述训练好的一致性确定模型的输出结果,确定关键特征;
14、基于所述关键特征和预设的核对数据库,确定核对策略,并生成所述核对策略对应的调用接口,所述调用接口用于通过核对策略对新增交易数据进行核对处理,得到所述新增交易数据对应的一致性核对结果。
15、在其中一个实施例中,所述基于所述训练好的一致性确定模型的输出结果,确定关键特征,包括:
16、在训练好的一致性确定模型的输出结果中进行筛选,得到表征一致性预测结果为第一来源的数据与第二来源的数据一致的各交易数据;
17、通过预设的特征提取算法,对所述表征一致性预测结果为第一来源的数据与第二来源的数据一致的各交易数据进行特征提取处理,得到关键特征。
18、在其中一个实施例中,所述方法还包括:
19、若所述新增交易数据对应的一致性核对结果为不一致核对结果,则获取所述新增交易数据的交易明细信息,基于所述交易明细信息生成待补账交易信息;
20、基于所述待补账交易信息,通过调用预设的补账接口,对所述新增交易数据进行补账处理,得到处理后的新增交易数据。
21、在其中一个实施例中,所述方法还包括:
22、显示所述处理后的新增交易数据,以及所述新增交易数据对应的一致性核对结果。
23、第二方面,本技术还提供了一种数据一致性确定模型的训练装置。所述装置包括:
24、第一获取模块,用于获取训练数据,所述训练数据是预设时间段内的对账数据集,所述对账数据集包括第一来源的交易流水数据以及第二来源的交易流水数据;
25、第一确定模块,用于基于预设特征集以及所述预设时间段内的对账数据集,确定属于同一预设特征集的第一来源数据以及第二来源数据,对各所述第一来源数据以及第二来源数据进行拼接处理,得到标准数据对,并确定各所述标准数据对的标签数据,所述标签数据包括交易金额差值、交易方向以及交易类型;
26、训练模块,用于通过各所述标准数据对以及各所述标准数据对的标签数据,对待训练的一致性确定模型进行训练,得到训练好的一致性确定模型。
27、在其中一个实施例中,所述第一确定模块具体用于:
28、基于预设标准化格式对所述预设时间段内的对账数据集进行处理,得到标准化数据,所述标准化数据包括多个交易特征以及各所述交易特征对应的特征值;
29、基于预设特征集对所述标准化数据进行筛选,得到属于同一预设特征集的第一来源数据以及第二来源数据。
30、在其中一个实施例中,所述训练模块,具体用于:
31、将各所述标准数据对以及各所述标准数据对的标签数据,输入至待训练的一致性确定模型,得到一致性预测结果,所述一致性预测结果包括预测交易金额差值、预测交易方向以及预测交易类型;
32、在确定不满足预设训练完成条件的情况下,计算损失函数,并基于所述损失函数更新所述待训练的一致性确定模型的模型参数,直至满足所述预设训练完成条件,得到训练好的一致性确定模型。
33、在其中一个实施例中,所述装置还包括:
34、第二确定模块,用于基于所述训练好的一致性确定模型的输出结果,确定关键特征;
35、第三确定模块,用于基于所述关键特征和预设的核对数据库,确定核对策略,并生成所述核对策略对应的调用接口,所述调用接口用于通过核对策略对新增交易数据进行核对处理,得到所述新增交易数据对应的一致性核对结果。
36、在其中一个实施例中,所述第二确定模块,具体用于:
37、在训练好的一致性确定模型的输出结果中进行筛选,得到表征一致性预测结果为第一来源的数据与第二来源的数据一致的各交易数据;
38、通过预设的特征提取算法,对所述表征一致性预测结果为第一来源的数据与第二来源的数据一致的各交易数据进行特征提取处理,得到关键特征。
39、在其中一个实施例中,所述装置还包括:
40、第二获取模块,用于若所述新增交易数据对应的一致性核对结果为不一致核对结果,则获取所述新增交易数据的交易明细信息,基于所述交易明细信息生成待补账交易信息;
41、调用模块,用于基于所述待补账交易信息,通过调用预设的补账接口,对所述新增交易数据进行补账处理,得到处理后的新增交易数据。
42、在其中一个实施例中,所述装置还包括:
43、显示模块,用于显示所述处理后的新增交易数据,以及所述新增交易数据对应的一致性核对结果。
44、第三方面,本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
45、获取训练数据,所述训练数据是预设时间段内的对账数据集,所述对账数据集包括第一来源的交易流水数据以及第二来源的交易流水数据;
46、基于预设特征集以及所述预设时间段内的对账数据集,确定属于同一预设特征集的第一来源数据以及第二来源数据,对各所述第一来源数据以及第二来源数据进行拼接处理,得到标准数据对,并确定各所述标准数据对的标签数据,所述标签数据包括交易金额差值、交易方向以及交易类型;
47、通过各所述标准数据对以及各所述标准数据对的标签数据,对待训练的一致性确定模型进行训练,得到训练好的一致性确定模型,所述一致性确定模型用于得到交易数据的一致性核对结果。
48、第四方面,本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
49、获取训练数据,所述训练数据是预设时间段内的对账数据集,所述对账数据集包括第一来源的交易流水数据以及第二来源的交易流水数据;
50、基于预设特征集以及所述预设时间段内的对账数据集,确定属于同一预设特征集的第一来源数据以及第二来源数据,对各所述第一来源数据以及第二来源数据进行拼接处理,得到标准数据对,并确定各所述标准数据对的标签数据,所述标签数据包括交易金额差值、交易方向以及交易类型;
51、通过各所述标准数据对以及各所述标准数据对的标签数据,对待训练的一致性确定模型进行训练,得到训练好的一致性确定模型,所述一致性确定模型用于得到交易数据的一致性核对结果。
52、第五方面,本技术还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
53、获取训练数据,所述训练数据是预设时间段内的对账数据集,所述对账数据集包括第一来源的交易流水数据以及第二来源的交易流水数据;
54、基于预设特征集以及所述预设时间段内的对账数据集,确定属于同一预设特征集的第一来源数据以及第二来源数据,对各所述第一来源数据以及第二来源数据进行拼接处理,得到标准数据对,并确定各所述标准数据对的标签数据,所述标签数据包括交易金额差值、交易方向以及交易类型;
55、通过各所述标准数据对以及各所述标准数据对的标签数据,对待训练的一致性确定模型进行训练,得到训练好的一致性确定模型,所述一致性确定模型用于得到交易数据的一致性核对结果。
56、上述数据一致性确定模型的训练方法、装置、计算机设备、存储介质和计算机程序产品,该方法包括:获取训练数据,对账数据集包括第一来源的交易流水数据以及第二来源的交易流水数据;基于预设特征集以及预设时间段内的对账数据集,确定属于同一预设特征集的第一来源数据以及第二来源数据,对各第一来源数据以及第二来源数据进行拼接处理,得到标准数据对,并确定各标准数据对的标签数据;通过各标准数据对以及各标准数据对的标签数据,对待训练的一致性确定模型进行训练,得到训练好的一致性确定模型,一致性确定模型用于得到交易数据的一致性核对结果。通过采用本方法所提供的数据一致性确定模型,可以实现对交易数据的一致性的快速且准确检测,提升预警能力,实现交易数据的高效核对以及提升交易数据测试的效率。