开云优惠体育网页版入口

专利名称：电网营销业务风险数字化管控系统及方法

专利类型：实用新型专利

专利申请号：CN202410456086.2

专利申请（专利权）人：国网河南省电力公司漯河供电公司
权利人地址：河南省漯河市郾城区黄河路西段

专利发明（设计）人：胡兆宏,赵东坡,王建军,王永翔,王禹,冀振鑫,陈国栋,赵欣慧,付建朝,闫昱瑾,刘世鸣,吕羚,李振峰,韩晨,赵炳勋

专利摘要：本公开涉及一种电网营销业务风险数字化管控系统及方法。该方法包括：对提取的标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；对获取的待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。这样，可以识别所述待分析电网营销业务数据的潜在风险，从而实现对电网营销业务数据的风险识别和管控。

主权利要求：
1.一种电网营销业务风险数字化管控方法，其特征在于，包括：
获取待分析电网营销业务数据；
从数据库提取标注为无风险的电网营销业务参考数据的集合；
对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；
对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；
基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。
2.根据权利要求1所述的电网营销业务风险数字化管控方法，其特征在于，对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵，包括：对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合；
将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合；
将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到所述无风险电网营销业务语义表征特征矩阵。
3.根据权利要求2所述的电网营销业务风险数字化管控方法，其特征在于，对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合，包括：对所述标注为无风险的电网营销业务参考数据进行分词处理以将所述标注为无风险的电网营销业务参考数据转化为由多个词组成的词序列；
对所述词序列中各个词进行嵌入编码以获得词向量的序列；以及
对所述词向量的序列进行基于全局的上下文语义编码以获得所述电网营销业务参考数据语义编码特征向量的集合。
4.根据权利要求3所述的电网营销业务风险数字化管控方法，其特征在于，将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合，包括：以如下自相关注意力公式对所述电网营销业务参考数据语义编码特征向量的集合进行处理以得到所述强化电网营销业务参考数据语义编码特征向量的集合；其中，所述自相关注意力公式为：h′i＝aihi
其中，ei为第i个注意力打分系数，ek为第k个注意力打分系数，hi为所述电网营销业务参考数据语义编码特征向量的集合中第i个电网营销业务参考数据语义编码特征向量，Wi为第i个权重系数矩阵， 为第i个权重系数向量，Bi为第i个偏置向量，tanh(·)表示双曲正切函数处理，exp(·)表示以e为底的指数函数处理，ai为第i个注意力权重系数，t为所述电网营销业务参考数据语义编码特征向量的集合的长度，h′i为所述强化电网营销业务参考数据语义编码特征向量的集合中第i个强化电网营销业务参考数据语义编码特征向量。
5.根据权利要求4所述的电网营销业务风险数字化管控方法，其特征在于，将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到所述无风险电网营销业务语义表征特征矩阵，包括：计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以由多个所述相关权重组成邻接矩阵；
计算所述强化电网营销业务参考数据语义编码特征向量的集合的度矩阵；
基于所述邻接矩阵和所述度矩阵计算得到拉普拉斯矩阵；
将所述拉普拉斯矩阵进行标准化以得到标准化后拉普拉斯矩阵；
将所述标准化后拉普拉斯矩阵中的各个特征值进行降序排列后，取前K个特征值，对所述标准化后拉普拉斯矩阵进行基于所述前K个特征值的分解以得到K个分解特征向量，其中，K为所述强化电网营销业务参考数据语义编码特征向量的个数；
对所述K个分解特征向量进行标准化处理得到K个标准化分解特征向量后，将所述K个标准化分解特征向量重构为所述无风险电网营销业务语义表征特征矩阵。
6.根据权利要求5所述的电网营销业务风险数字化管控方法，其特征在于，计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以由多个所述相关权重组成邻接矩阵，包括：以如下邻接关联公式计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的所述相关权重；其中，所述邻接关联公式为：其中，vi为所述强化电网营销业务参考数据语义编码特征向量的集合中第i个强化电网营销业务参考数据语义编码特征向量，vj为所述强化电网营销业务参考数据语义编码特征2
向量的集合中第j个强化电网营销业务参考数据语义编码特征向量，σ为拉伸因子，‖·‖2表示向量二范数的平方，exp(·)表示指数运算处理，Wi,j为所述第i个强化电网营销业务参考数据语义编码特征向量和所述第j个强化电网营销业务参考数据语义编码特征向量之间的所述相关权重。
7.根据权利要求6所述的电网营销业务风险数字化管控方法，其特征在于，基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果，包括：计算所述待分析电网营销业务数据语义编码特征向量相对于所述无风险电网营销业务语义表征特征矩阵的语义差异度量转移向量；
将所述语义差异度量转移向量通过基于分类器的风险识别器以得到所述识别结果，所述识别结果用于表示待分析电网营销业务数据是否存在风险。
8.根据权利要求7所述的电网营销业务风险数字化管控方法，其特征在于，还包括训练步骤：对所述基于自相关注意力网络的自适应语义强化模块、所述基于联合聚类分析网络的无风险电网营销业务聚类器和所述基于分类器的风险识别器进行训练。
9.根据权利要求8所述的电网营销业务风险数字化管控方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括训练待分析电网营销业务数据、标注为无风险的训练电网营销业务参考数据的集合，以及，所述训练待分析电网营销业务数据是否存在风险的真实值；
对所述标注为无风险的训练电网营销业务参考数据的集合中的各个标注为无风险的训练电网营销业务参考数据进行语义编码以得到训练电网营销业务参考数据语义编码特征向量的集合；
将所述训练电网营销业务参考数据语义编码特征向量的集合通过所述基于自相关注意力网络的自适应语义强化模块以得到训练强化电网营销业务参考数据语义编码特征向量的集合；
将所述训练强化电网营销业务参考数据语义编码特征向量的集合输入所述基于联合聚类分析网络的无风险电网营销业务聚类器以得到训练无风险电网营销业务语义表征特征矩阵；
对所述训练待分析电网营销业务数据进行语义编码以得到训练待分析电网营销业务数据语义编码特征向量；
计算所述训练待分析电网营销业务数据语义编码特征向量相对于所述训练无风险电网营销业务语义表征特征矩阵的训练语义差异度量转移向量；
将所述训练语义差异度量转移向量通过所述基于分类器的风险识别器以得到分类损失函数值；
以所述分类损失函数值来对所述基于自相关注意力网络的自适应语义强化模块、所述基于联合聚类分析网络的无风险电网营销业务聚类器和所述基于分类器的风险识别器进行训练，其中，在所述训练的每一轮迭代中，对所述训练语义差异度量转移向量进行优化。
10.一种电网营销业务风险数字化管控系统，其特征在于，包括：
业务数据获取模块，用于获取待分析电网营销业务数据；
标注提取模块，用于从数据库提取标注为无风险的电网营销业务参考数据的集合；
营销业务语义特征提取与聚类模块，用于对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；
语义编码模块，用于对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；
识别结果确定模块，用于基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。 说明书 : 电网营销业务风险数字化管控系统及方法技术领域[0001] 本公开涉及数字化管控技术领域，具体地，涉及一种电网营销业务风险数字化管控系统及方法。背景技术[0002] 电网营销业务是指在电力行业中，针对终端用户的销售和营销活动。这包括电力公司向家庭、企业和其他终端用户销售电力、提供服务、制定价格和营销策略等方面的活动。作为电力公司的重要业务之一，电网营销业务涉及到大量的数据处理和分析。[0003] 电网营销业务数据呈现数据量多、用户规模大、数据采集点多、数据类型多等特点。在给电力营销带来便利的同时，也给电网数据安全带来一些风险。例如，若数据提供者对数据的采集、传输、存储、处理、使用过程中无法实施有效的控制，那么可能造成海量敏感数据泄露。此外，电力作为国家关键基础设施，电网数据容易成为网络攻击目标。通过攻击获取电力信息系统获取数据价值信息，可以分析出攻击目标所在地的用电分布、关键信息基础设施的位置，篡改关键节点监测预警信息、操作指令等关键数据，造成电力系统故障或重大安全事故。[0004] 因此，期待一种电网营销业务风险数字化管控系统及方法。发明内容[0005] 提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。[0006] 第一方面，本公开提供了一种电网营销业务风险数字化管控方法，所述方法包括：[0007] 获取待分析电网营销业务数据；[0008] 从数据库提取标注为无风险的电网营销业务参考数据的集合；[0009] 对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；[0010] 对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；[0011] 基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。[0012] 可选地，对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵，包括：对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合；将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合；将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到所述无风险电网营销业务语义表征特征矩阵。[0013] 可选地，对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合，包括：对所述标注为无风险的电网营销业务参考数据进行分词处理以将所述标注为无风险的电网营销业务参考数据转化为由多个词组成的词序列；对所述词序列中各个词进行嵌入编码以获得词向量的序列；以及，对所述词向量的序列进行基于全局的上下文语义编码以获得所述电网营销业务参考数据语义编码特征向量的集合。[0014] 可选地，将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合，包括：以如下自相关注意力公式对所述电网营销业务参考数据语义编码特征向量的集合进行处理以得到所述强化电网营销业务参考数据语义编码特征向量的集合；其中，所述自相关注意力公式为：[0015][0016][0017] hi＝aihi[0018] 其中，ei为第i个注意力打分系数，ek为第k个注意力打分系数，hi为所述电网营销业务参考数据语义编码特征向量的集合中第i个电网营销业务参考数据语义编码特征向量，Wi为第i个权重系数矩阵， 为第i个权重系数向量，Bi为第i个偏置向量，tanh(·)表示双曲正切函数处理，exp(·)表示以e为底的指数函数处理，ai为第i个注意力权重系数，t为所述电网营销业务参考数据语义编码特征向量的集合的长度，hi为所述强化电网营销业务参考数据语义编码特征向量的集合中第i个强化电网营销业务参考数据语义编码特征向量。[0019] 可选地，将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到所述无风险电网营销业务语义表征特征矩阵，包括：计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以由多个所述相关权重组成邻接矩阵；计算所述强化电网营销业务参考数据语义编码特征向量的集合的度矩阵；基于所述邻接矩阵和所述度矩阵计算得到拉普拉斯矩阵；将所述拉普拉斯矩阵进行标准化以得到标准化后拉普拉斯矩阵；将所述标准化后拉普拉斯矩阵中的各个特征值进行降序排列后，取前K个特征值，对所述标准化后拉普拉斯矩阵进行基于所述前K个特征值的分解以得到K个分解特征向量，其中，K为所述强化电网营销业务参考数据语义编码特征向量的个数；对所述K个分解特征向量进行标准化处理得到K个标准化分解特征向量后，将所述K个标准化分解特征向量重构为所述无风险电网营销业务语义表征特征矩阵。[0020] 可选地，计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以由多个所述相关权重组成邻接矩阵，包括：以如下邻接关联公式计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的所述相关权重；其中，所述邻接关联公式为：[0021][0022] 其中，vi为所述强化电网营销业务参考数据语义编码特征向量的集合中第i个强化电网营销业务参考数据语义编码特征向量，vj为所述强化电网营销业务参考数据语义编码特征向量的集合中第j个强化电网营销业务参考数据语义编码特征向量，σ为拉伸因子，|2|·||2表示向量二范数的平方，exp(·)表示指数运算处理，Wi，j为所述第i个强化电网营销业务参考数据语义编码特征向量和所述第j个强化电网营销业务参考数据语义编码特征向量之间的所述相关权重。[0023] 可选地，基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果，包括：计算所述待分析电网营销业务数据语义编码特征向量相对于所述无风险电网营销业务语义表征特征矩阵的语义差异度量转移向量；将所述语义差异度量转移向量通过基于分类器的风险识别器以得到所述识别结果，所述识别结果用于表示待分析电网营销业务数据是否存在风险。[0024] 可选地，还包括训练步骤：对所述基于自相关注意力网络的自适应语义强化模块、所述基于联合聚类分析网络的无风险电网营销业务聚类器和所述基于分类器的风险识别器进行训练。[0025] 可选地，所述训练步骤，包括：获取训练数据，所述训练数据包括训练待分析电网营销业务数据、标注为无风险的训练电网营销业务参考数据的集合，以及，所述训练待分析电网营销业务数据是否存在风险的真实值；对所述标注为无风险的训练电网营销业务参考数据的集合中的各个标注为无风险的训练电网营销业务参考数据进行语义编码以得到训练电网营销业务参考数据语义编码特征向量的集合；将所述训练电网营销业务参考数据语义编码特征向量的集合通过所述基于自相关注意力网络的自适应语义强化模块以得到训练强化电网营销业务参考数据语义编码特征向量的集合；将所述训练强化电网营销业务参考数据语义编码特征向量的集合输入所述基于联合聚类分析网络的无风险电网营销业务聚类器以得到训练无风险电网营销业务语义表征特征矩阵；对所述训练待分析电网营销业务数据进行语义编码以得到训练待分析电网营销业务数据语义编码特征向量；计算所述训练待分析电网营销业务数据语义编码特征向量相对于所述训练无风险电网营销业务语义表征特征矩阵的训练语义差异度量转移向量；将所述训练语义差异度量转移向量通过所述基于分类器的风险识别器以得到分类损失函数值；以所述分类损失函数值来对所述基于自相关注意力网络的自适应语义强化模块、所述基于联合聚类分析网络的无风险电网营销业务聚类器和所述基于分类器的风险识别器进行训练，其中，在所述训练的每一轮迭代中，对所述训练语义差异度量转移向量进行优化。[0026] 第二方面，本公开提供了一种电网营销业务风险数字化管控系统，所述系统包括：[0027] 业务数据获取模块，用于获取待分析电网营销业务数据；[0028] 标注提取模块，用于从数据库提取标注为无风险的电网营销业务参考数据的集合；[0029] 营销业务语义特征提取与聚类模块，用于对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；[0030] 语义编码模块，用于对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；[0031] 识别结果确定模块，用于基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。[0032] 采用上述技术方案，通过对提取的标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；对获取的待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。这样，可以识别所述待分析电网营销业务数据的潜在风险，从而实现对电网营销业务数据的风险识别和管控。[0033] 本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。附图说明[0034] 结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：[0035] 图1是根据一示例性实施例示出的一种电网营销业务风险数字化管控方法的流程图。[0036] 图2是根据一示例性实施例示出的一种电网营销业务风险数字化管控系统的框图。[0037] 图3是根据一示例性实施例示出的一种电子设备的框图。[0038] 图4是根据一示例性实施例示出的一种电网营销业务风险数字化管控方法的应用场景图。具体实施方式[0039] 下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。[0040] 应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。[0041] 本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。[0042] 需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。[0043] 需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。[0044] 本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。[0045] 针对上述技术问题，本申请的技术构思为利用先进的数据处理和分析技术，结合深度学习算法，对待分析电网营销业务数据进行语义编码，并在语义高维空间中，将待分析电网营销业务数据的语义特征与标注为无风险的电网营销业务参考数据的语义特征进行比对和匹配，识别所述待分析电网营销业务数据的潜在风险，从而实现对电网营销业务数据的风险识别和管控。[0046] 为了解决上述问题，本公开提供了一种电网营销业务风险数字化管控系统及方法，通过对提取的标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；对获取的待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。这样，可以识别所述待分析电网营销业务数据的潜在风险，从而实现对电网营销业务数据的风险识别和管控。[0047] 以下结合附图对本公开的具体实施方式进行详细说明。[0048] 图1是根据一示例性实施例示出的一种电网营销业务风险数字化管控方法的流程图，如图1所示，该方法包括：[0049] 步骤101、获取待分析电网营销业务数据；[0050] 步骤102、从数据库提取标注为无风险的电网营销业务参考数据的集合；[0051] 步骤103、对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；[0052] 步骤104、对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；[0053] 步骤105、基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。[0054] 基于此，在本申请的技术方案中，首先，获取待分析电网营销业务数据；并从数据库提取标注为无风险的电网营销业务参考数据的集合。其中，数据库中保存的标注为无风险的电网营销业务参考数据可以作为正常业务运行的参考标准。也就是说，数据库中的标注为无风险的电网营销业务参考数据的集合是基准数据集，这些数据可以代表正常、稳定的业务情况，有助于与待分析电网营销业务数据进行对比和差异分析。[0055] 在本公开的一个实施例中，对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵，包括：对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合；将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合；将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到所述无风险电网营销业务语义表征特征矩阵。[0056] 然后，对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合。这里，语义编码是将文本数据转换为具有语义信息的向量表示的过程。这种向量表示可以捕捉到词语、短语或句子之间的语义相似性和关联关系，使得计算机能够更好地理解和处理自然语言。也就是，通过语义编码的方式可以对作为文本数据的各个标注为无风险的电网营销业务参考数据进行深入的语义理解和分析，提取其中所蕴含的业务语义含义和文本内涵。[0057] 在本公开的一个实施例中，对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合，包括：对所述标注为无风险的电网营销业务参考数据进行分词处理以将所述标注为无风险的电网营销业务参考数据转化为由多个词组成的词序列；对所述词序列中各个词进行嵌入编码以获得词向量的序列；以及，对所述词向量的序列进行基于全局的上下文语义编码以获得所述电网营销业务参考数据语义编码特征向量的集合。[0058] 接着，将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合。也就是，通过所述基于自相关注意力网络的自适应语义强化模块来获取所述电网营销业务参考数据语义编码特征向量的集合中的全时域自相关性，捕捉数据中的长期依赖关系和时间动态特征。其中，自相关注意力网络的本质是一种权重概率分布机制，即对重要的内容分配更大的权重，对其他内容减少权重。这样的机制更专注于找到输入数据中与当前数据显著相关的有用信息，发觉各个电网营销业务参考数据语义编码特征向量之间的自相关性。[0059] 在本公开的一个实施例中，将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合，包括：以如下自相关注意力公式对所述电网营销业务参考数据语义编码特征向量的集合进行处理以得到所述强化电网营销业务参考数据语义编码特征向量的集合；其中，所述自相关注意力公式为：[0060][0061][0062] hi＝aihi[0063] 其中，ei为第i个注意力打分系数，ek为第k个注意力打分系数，hi为所述电网营销业务参考数据语义编码特征向量的集合中第i个电网营销业务参考数据语义编码特征向量，Wi为第i个权重系数矩阵， 为第i个权重系数向量，Bi为第i个偏置向量，tanh(·)表示双曲正切函数处理，exp(·)表示以e为底的指数函数处理，ai为第i个注意力权重系数，t为所述电网营销业务参考数据语义编码特征向量的集合的长度，hi为所述强化电网营销业务参考数据语义编码特征向量的集合中第i个强化电网营销业务参考数据语义编码特征向量。[0064] 随后，将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到无风险电网营销业务语义表征特征矩阵。这样，通过联合聚类分析网络可以综合考虑各个强化电网营销业务参考数据语义编码特征向量之间的关联关系，从而得到反映整体语义分布特征的所述无风险电网营销业务语义表征特征矩阵，刻画所述标注为无风险的电网营销业务参考数据的集合的语义联合聚类表达。更具体地，在所述联合聚类分析网络中，通过计算任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以构建邻接矩阵，有助于揭示各个强化电网营销业务参考数据语义编码特征向量之间的相关性和相互影响程度。接着，基于邻接矩阵和度矩阵计算拉普拉斯矩阵以利用图论方法对强化电网营销业务参考数据语义编码特征向量的集合进行建模，更好地考虑特征之间的语义交互关联关系。这样以后，通过对标准化后的拉普拉斯矩阵进行基于特征值的分解，可以获得K个最重要的分解特征向量，实现对高维特征空间的降维处理，提取最具代表性的特征信息。再将这些分解特征向量重构为无风险电网营销业务语义表征特征矩阵以整合所述强化电网营销业务参考数据语义编码特征向量的集合的全局语义信息。[0065] 在本公开的一个实施例中，将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到所述无风险电网营销业务语义表征特征矩阵，包括：计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以由多个所述相关权重组成邻接矩阵；计算所述强化电网营销业务参考数据语义编码特征向量的集合的度矩阵；基于所述邻接矩阵和所述度矩阵计算得到拉普拉斯矩阵；将所述拉普拉斯矩阵进行标准化以得到标准化后拉普拉斯矩阵；将所述标准化后拉普拉斯矩阵中的各个特征值进行降序排列后，取前K个特征值，对所述标准化后拉普拉斯矩阵进行基于所述前K个特征值的分解以得到K个分解特征向量，其中，K为所述强化电网营销业务参考数据语义编码特征向量的个数；对所述K个分解特征向量进行标准化处理得到K个标准化分解特征向量后，将所述K个标准化分解特征向量重构为所述无风险电网营销业务语义表征特征矩阵。[0066] 进一步地，计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以由多个所述相关权重组成邻接矩阵，包括：以如下邻接关联公式计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的所述相关权重；其中，所述邻接关联公式为：[0067][0068] 其中，vi为所述强化电网营销业务参考数据语义编码特征向量的集合中第i个强化电网营销业务参考数据语义编码特征向量，vj为所述强化电网营销业务参考数据语义编码特征向量的集合中第j个强化电网营销业务参考数据语义编码特征向量，σ为拉伸因子，|2|·||2表示向量二范数的平方，exp(·)表示指数运算处理，Wi，j为所述第i个强化电网营销业务参考数据语义编码特征向量和所述第j个强化电网营销业务参考数据语义编码特征向量之间的所述相关权重。[0069] 与此同时，对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量。也就是，利用语义编码的方式提取所述待分析电网营销业务数据的语义特征，以理解待分析电网营销业务数据中的文本含义和上下文语境信息。进一步地，计算所述待分析电网营销业务数据语义编码特征向量相对于所述无风险电网营销业务语义表征特征矩阵的语义差异度量转移向量。这样，通过所述语义差异度量转移向量来量化和衡量所述待分析电网营销业务数据与标注为无风险的电网营销业务参考数据的集合之间的语义差异程度，从而发现潜在的异常情况和异常模式。继而，将所述语义差异度量转移向量通过基于分类器的风险识别器以得到识别结果，所述识别结果用于表示待分析电网营销业务数据是否存在风险。[0070] 在本公开的一个实施例中，基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果，包括：计算所述待分析电网营销业务数据语义编码特征向量相对于所述无风险电网营销业务语义表征特征矩阵的语义差异度量转移向量；将所述语义差异度量转移向量通过基于分类器的风险识别器以得到所述识别结果，所述识别结果用于表示待分析电网营销业务数据是否存在风险。[0071] 在本公开的一个实施例中，所述电网营销业务风险数字化管控方法，还包括训练步骤：对所述基于自相关注意力网络的自适应语义强化模块、所述基于联合聚类分析网络的无风险电网营销业务聚类器和所述基于分类器的风险识别器进行训练。所述训练步骤，包括：获取训练数据，所述训练数据包括训练待分析电网营销业务数据、标注为无风险的训练电网营销业务参考数据的集合，以及，所述训练待分析电网营销业务数据是否存在风险的真实值；对所述标注为无风险的训练电网营销业务参考数据的集合中的各个标注为无风险的训练电网营销业务参考数据进行语义编码以得到训练电网营销业务参考数据语义编码特征向量的集合；将所述训练电网营销业务参考数据语义编码特征向量的集合通过所述基于自相关注意力网络的自适应语义强化模块以得到训练强化电网营销业务参考数据语义编码特征向量的集合；将所述训练强化电网营销业务参考数据语义编码特征向量的集合输入所述基于联合聚类分析网络的无风险电网营销业务聚类器以得到训练无风险电网营销业务语义表征特征矩阵；对所述训练待分析电网营销业务数据进行语义编码以得到训练待分析电网营销业务数据语义编码特征向量；计算所述训练待分析电网营销业务数据语义编码特征向量相对于所述训练无风险电网营销业务语义表征特征矩阵的训练语义差异度量转移向量；将所述训练语义差异度量转移向量通过所述基于分类器的风险识别器以得到分类损失函数值；以所述分类损失函数值来对所述基于自相关注意力网络的自适应语义强化模块、所述基于联合聚类分析网络的无风险电网营销业务聚类器和所述基于分类器的风险识别器进行训练，其中，在所述训练的每一轮迭代中，对所述训练语义差异度量转移向量进行优化。[0072] 在以上说明的技术方案中，所述训练无风险电网营销业务语义表征特征矩阵表达所述训练电网营销业务参考数据的集合中的各个数据语义编码特征进行由单样本空间语义特征分布自相关注意力强化后的语义联合聚类特征，并且，所述训练无风险电网营销业务语义表征特征矩阵中的与各个训练强化电网营销业务参考数据语义编码特征向量对应的各个训练无风险电网营销业务语义表征特征向量，例如行特征向量之间会具有语义样本空间分布差异和语义特征分布强化?聚类差异。[0073] 这里，所述训练待分析电网营销业务数据语义编码特征向量表达所述训练待分析电网营销业务数据的数据语义编码特征，由此，考虑到计算所述训练待分析电网营销业务数据语义编码特征向量相对于所述训练无风险电网营销业务语义表征特征矩阵的语义差异度量转移向量时，需要计算所述训练待分析电网营销业务数据语义编码特征向量相对于所述训练无风险电网营销业务语义表征特征矩阵中的各个训练无风险电网营销业务语义表征特征向量的语义差异度量值，因此考虑到各个训练无风险电网营销业务语义表征特征向量之间的分布差异，所述训练语义差异度量转移向量也会具有离散化局部特征分布，从而影响所述训练语义差异度量转移向量通过分类器进行分类时到类概率密度空间的收敛效果。[0074] 因此，本申请的申请人在每次所述训练语义差异度量转移向量通过分类器进行分类迭代时，对所述训练语义差异度量转移向量进行优化，表示为：以如下优化公式在所述训练的每一轮迭代中，对所述训练语义差异度量转移向量进行优化以得到优化后训练语义差异度量转移向量；其中，所述优化公式为：[0075][0076][0077] 其中，vi和bj分别是所述训练语义差异度量转移向量V的第i和第j位置的特征值，V是所述训练语义差异度量转移向量，V′是所述优化后训练语义差异度量转移向量， 表示矩阵乘法， 表示按位置加法。[0078] 也就是，通过引入所述训练语义差异度量转移向量V的局部统计信息分布作为外部信息源来进行特征向量的检索增强，以基于局部统计密集信息结构化来避免局部溢出信息分布导致所述训练语义差异度量转移向量V的分布幻觉，从而获得所述训练语义差异度量转移向量V以局部分布组维度保留为基础的信息可信响应推理，以获得所述训练语义差异度量转移向量V基于离散化局部特征分布的在概率密度空间内的可信分布响应，从而提升概率密度空间收敛效果，以改进训练速度和训练结果的准确性。[0079] 综上所述，采用上述方案，利用先进的数据处理和分析技术，结合深度学习算法，对待分析电网营销业务数据进行语义编码，并在语义高维空间中，将待分析电网营销业务数据的语义特征与标注为无风险的电网营销业务参考数据的语义特征进行比对和匹配，识别所述待分析电网营销业务数据的潜在风险，从而实现对电网营销业务数据的风险识别和管控。[0080] 图2是根据一示例性实施例示出的一种电网营销业务风险数字化管控系统的框图。如图2所示，该系统200包括：[0081] 业务数据获取模块201，用于获取待分析电网营销业务数据；[0082] 标注提取模块202，用于从数据库提取标注为无风险的电网营销业务参考数据的集合；[0083] 营销业务语义特征提取与聚类模块203，用于对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；[0084] 语义编码模块204，用于对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；[0085] 识别结果确定模块205，用于基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。[0086] 下面参考图3，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。[0087] 如图3所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。[0088] 通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。[0089] 特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。[0090] 需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD?ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。[0091] 在 一 些 实 施 方 式 中 ，客 户 端 、服 务 器 可 以 利 用 诸 如 H T T P(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。[0092] 上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。[0093] 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。[0094] 附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。[0095] 描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，测试参数获取模块还可以被描述为“获取目标设备对应的设备测试参数的模块”。[0096] 本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。[0097] 在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD?ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。[0098] 根据本公开的一个或多个实施例，示例1提供了一种电网营销业务风险数字化管控方法，所述方法包括：[0099] 获取待分析电网营销业务数据；[0100] 从数据库提取标注为无风险的电网营销业务参考数据的集合；[0101] 对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；[0102] 对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；[0103] 基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。[0104] 根据本公开的一个或多个实施例，示例2提供了示例1的方法，对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵，包括：[0105] 对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合；[0106] 将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合；[0107] 将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到所述无风险电网营销业务语义表征特征矩阵。[0108] 根据本公开的一个或多个实施例，示例3提供了示例2的方法，对所述标注为无风险的电网营销业务参考数据的集合中的各个标注为无风险的电网营销业务参考数据进行语义编码以得到电网营销业务参考数据语义编码特征向量的集合，包括：[0109] 对所述标注为无风险的电网营销业务参考数据进行分词处理以将所述标注为无风险的电网营销业务参考数据转化为由多个词组成的词序列；[0110] 对所述词序列中各个词进行嵌入编码以获得词向量的序列；以及[0111] 对所述词向量的序列进行基于全局的上下文语义编码以获得所述电网营销业务参考数据语义编码特征向量的集合。[0112] 根据本公开的一个或多个实施例，示例4提供了示例3的方法，将所述电网营销业务参考数据语义编码特征向量的集合通过基于自相关注意力网络的自适应语义强化模块以得到强化电网营销业务参考数据语义编码特征向量的集合，包括：[0113] 以如下自相关注意力公式对所述电网营销业务参考数据语义编码特征向量的集合进行处理以得到所述强化电网营销业务参考数据语义编码特征向量的集合；其中，所述自相关注意力公式为：[0114][0115][0116] hi＝aihi[0117] 其中，ei为第i个注意力打分系数，ek为第k个注意力打分系数，hi为所述电网营销业务参考数据语义编码特征向量的集合中第i个电网营销业务参考数据语义编码特征向量，Wi为第i个权重系数矩阵， 为第i个权重系数向量，Bi为第i个偏置向量，tanh(·)表示双曲正切函数处理，exp(·)表示以e为底的指数函数处理，ai为第i个注意力权重系数，t为所述电网营销业务参考数据语义编码特征向量的集合的长度，hj为所述强化电网营销业务参考数据语义编码特征向量的集合中第i个强化电网营销业务参考数据语义编码特征向量。[0118] 根据本公开的一个或多个实施例，示例5提供了示例4的方法，将所述强化电网营销业务参考数据语义编码特征向量的集合输入基于联合聚类分析网络的无风险电网营销业务聚类器以得到所述无风险电网营销业务语义表征特征矩阵，包括：[0119] 计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以由多个所述相关权重组成邻接矩阵；[0120] 计算所述强化电网营销业务参考数据语义编码特征向量的集合的度矩阵；[0121] 基于所述邻接矩阵和所述度矩阵计算得到拉普拉斯矩阵；[0122] 将所述拉普拉斯矩阵进行标准化以得到标准化后拉普拉斯矩阵；[0123] 将所述标准化后拉普拉斯矩阵中的各个特征值进行降序排列后，取前K个特征值，对所述标准化后拉普拉斯矩阵进行基于所述前K个特征值的分解以得到K个分解特征向量，其中，K为所述强化电网营销业务参考数据语义编码特征向量的个数；[0124] 对所述K个分解特征向量进行标准化处理得到K个标准化分解特征向量后，将所述K个标准化分解特征向量重构为所述无风险电网营销业务语义表征特征矩阵。[0125] 根据本公开的一个或多个实施例，示例6提供了示例5的方法，计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的相关权重以由多个所述相关权重组成邻接矩阵，包括：[0126] 以如下邻接关联公式计算所述强化电网营销业务参考数据语义编码特征向量的集合中任意两个强化电网营销业务参考数据语义编码特征向量的所述相关权重；其中，所述邻接关联公式为：[0127][0128] 其中，vi为所述强化电网营销业务参考数据语义编码特征向量的集合中第i个强化电网营销业务参考数据语义编码特征向量，vj为所述强化电网营销业务参考数据语义编码特征向量的集合中第j个强化电网营销业务参考数据语义编码特征向量，σ为拉伸因子，|2|·||2表示向量二范数的平方，exp(·)表示指数运算处理，Wi，j为所述第i个强化电网营销业务参考数据语义编码特征向量和所述第j个强化电网营销业务参考数据语义编码特征向量之间的所述相关权重。[0129] 根据本公开的一个或多个实施例，示例7提供了示例6的方法，基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果，包括：[0130] 计算所述待分析电网营销业务数据语义编码特征向量相对于所述无风险电网营销业务语义表征特征矩阵的语义差异度量转移向量；[0131] 将所述语义差异度量转移向量通过基于分类器的风险识别器以得到所述识别结果，所述识别结果用于表示待分析电网营销业务数据是否存在风险。[0132] 根据本公开的一个或多个实施例，示例8提供了示例7的方法，还包括训练步骤：对所述基于自相关注意力网络的自适应语义强化模块、所述基于联合聚类分析网络的无风险电网营销业务聚类器和所述基于分类器的风险识别器进行训练。[0133] 根据本公开的一个或多个实施例，示例9提供了示例8的方法，所述训练步骤，包括：[0134] 所述训练步骤，包括：[0135] 获取训练数据，所述训练数据包括训练待分析电网营销业务数据、标注为无风险的训练电网营销业务参考数据的集合，以及，所述训练待分析电网营销业务数据是否存在风险的真实值；[0136] 对所述标注为无风险的训练电网营销业务参考数据的集合中的各个标注为无风险的训练电网营销业务参考数据进行语义编码以得到训练电网营销业务参考数据语义编码特征向量的集合；[0137] 将所述训练电网营销业务参考数据语义编码特征向量的集合通过所述基于自相关注意力网络的自适应语义强化模块以得到训练强化电网营销业务参考数据语义编码特征向量的集合；[0138] 将所述训练强化电网营销业务参考数据语义编码特征向量的集合输入所述基于联合聚类分析网络的无风险电网营销业务聚类器以得到训练无风险电网营销业务语义表征特征矩阵；[0139] 对所述训练待分析电网营销业务数据进行语义编码以得到训练待分析电网营销业务数据语义编码特征向量；[0140] 计算所述训练待分析电网营销业务数据语义编码特征向量相对于所述训练无风险电网营销业务语义表征特征矩阵的训练语义差异度量转移向量；[0141] 将所述训练语义差异度量转移向量通过所述基于分类器的风险识别器以得到分类损失函数值；[0142] 以所述分类损失函数值来对所述基于自相关注意力网络的自适应语义强化模块、所述基于联合聚类分析网络的无风险电网营销业务聚类器和所述基于分类器的风险识别器进行训练，其中，在所述训练的每一轮迭代中，对所述训练语义差异度量转移向量进行优化。[0143] 根据本公开的一个或多个实施例，示例10提供了一种电网营销业务风险数字化管控系统，所述系统包括：[0144] 业务数据获取模块，用于获取待分析电网营销业务数据；[0145] 标注提取模块，用于从数据库提取标注为无风险的电网营销业务参考数据的集合；[0146] 营销业务语义特征提取与聚类模块，用于对所述标注为无风险的电网营销业务参考数据的集合进行营销业务语义特征提取与聚类以得到无风险电网营销业务语义表征特征矩阵；[0147] 语义编码模块，用于对所述待分析电网营销业务数据进行语义编码以得到待分析电网营销业务数据语义编码特征向量；[0148] 识别结果确定模块，用于基于所述无风险电网营销业务语义表征特征矩阵和所述待分析电网营销业务数据语义编码特征向量之间的语义差异信息来确定识别结果。[0149] 图4是根据一示例性实施例示出的一种电网营销业务风险数字化管控方法的应用场景图。如图4所示，在该应用场景中，首先，获取待分析电网营销业务数据(例如，如图4中所示意的C1)；从数据库提取标注为无风险的电网营销业务参考数据的集合例如，如图4中所示意的C2)；然后，将获取的电网营销业务数据和电网营销业务参考数据的集合输入至部署有电网营销业务风险数字化管控算法的服务器(例如，如图4中所示意的S)中，其中所述服务器能够基于电网营销业务风险数字化管控对所述电网营销业务数据和所述电网营销业务参考数据的集合进行处理，以确定识别结果。[0150] 以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。[0151] 此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。[0152] 尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

专利地区：河南

专利申请日期：2024-04-16

专利公开日期：2024-11-22

专利公告号：CN118396651B