一种不动产抵押地址的核验方法、装置、系统及存储介质与流程

1.本发明涉及金融领域，以及不动产抵押地址信息的核验技术领域，更具体地说，涉及一种不动产抵押地址的核验方法、装置、系统及存储介质。


背景技术：

2.在客户办理银行不动产抵押贷款的业务场景中，客户需要填写所抵押的不动产的具体地址；且银保监会要求银行业务人员在为客户办理不动产抵押贷款时，需告知客户其所填写的抵押不动产的地址需精确到门牌号、不能缺失其中关键的地址元素。
3.然而，在实际的业务中，银行业务人员在为客户办理不动产抵押贷款时，常常忘记或忽视提醒客户将其所填写的抵押不动产的地址信息精确到门牌号。因此，许多办理银行不动产抵押贷款的客户，其所填写的抵押不动产的地址信息中，往往会缺少关键的地址元素，如大厦名、小区名、楼栋号、单元号、楼层号或门牌号等。
4.总之，在当前客户办理银行不动产抵押贷款的业务场景中，主要依靠银行业务人员提醒客户将其抵押不动产的地址信息填写完整、需精确到门牌号，并通过人工进行核验，但这种纯人工提醒和核验的方式可靠性差、无法百分百保证每一位办理银行不动产抵押贷款的客户都将其抵押不动产的地址信息填写完整且精确到了门牌号。


技术实现要素：

5.有鉴于此，本发明提供一种不动产抵押地址的核验方法，包括：
6.获取不动产抵押地址的信息文本；
7.利用细粒度地址元素解析模型对所述信息文本进行地址核验，得地址核验结果；
8.根据所述地址核验结果确认所述信息文本中缺失的关键地址元素。
9.优选地，所述细粒度地址元素解析模型包括词义融合层、注意力编码计算层和分类层；
10.所述利用细粒度地址元素解析模型对所述信息文本进行地址核验，得地址核验结果，包括：
11.将所述信息文本通过所述词义融合层转换为与所述信息文本中子字符对应的词义编码向量；
12.将所述词义编码向量输入进所述注意力编码计算层，进行所述词义编码向量之间的注意力编码计算，得到注意力编码计算结果；
13.利用所述分类层对所述注意力编码计算结果进行分类计算，得到所述地址核验结果。
14.优选地，所述将所述信息文本通过所述词义融合层转换为与所述信息文本中子字符对应的词义编码向量，包括：
15.将所述信息文本利用word-bert中文词义预训练模型进行分词拆分，得到多个与所述信息文本对应的子字符；
16.将所有所述子字符输入进所述word-bert中文词义预训练模型的所述词义融合层，进行词义嵌入编码，将所述子字符转换为词义编码向量。
17.优选地，所述词义编码向量ei的计算方式如下：
18.tokenization(t)
∝
(x1，x2，...，xi...xn)0≤i≤n；
19.ei＝word-bert embedding(xi)；
20.其中，t代表不动产抵押地址的信息文本；xi代表所述信息文本被分词拆分后得到的所有子字符；word-bert embedding(xi)表示通过所述word-bert中文词义预训练模型的所述词义融合层对所述子字符进行词义嵌入编码；ei为所述子字符转换后的词义编码向量。
21.优选地，所述注意力编码计算层，包括混合注意力机制；所述混合注意力机制包括全局注意力机制和跨字符动态卷积局部注意力机制；
22.所述将所述词义编码向量输入进所述注意力编码计算层，进行所述词义编码向量之间的注意力编码计算，得到注意力编码计算结果，包括：
23.根据全局注意力机制，进行针对于所述将所述词义编码向量进行全局注意力计算，得到全局注意力结果；并且，根据所述跨字符动态卷积局部注意力机制，针对于所述将所述词义编码向量进行局部注意力计算，得到跨字符动态卷积局部注意力结果；
24.根据所述混合注意力机制，将所述全局注意力结果和所述跨字符动态卷积局部注意力结果进行拼接，得到混合注意力聚合编码向量，并将所述混合注意力聚合编码向量作为所述注意力编码计算结果。
25.优选地，所述根据全局注意力机制，进行针对于所述将所述词义编码向量进行全局注意力计算，得到全局注意力结果中，所述全局注意力结果的计算方法为：
[0026][0027][0028]
其中，q、k和v分别代表所述词义编码向量ei经过映射转换计算后得到的查询向量、键向量与值向量；self-attn((k，v)，qi)代表使用所述查询向量q、所述键向量k与所述值向量v计算自注意力矩阵，并计算字符i的所述全局注意力结果的过程；为字符i的所述全局注意力结果。
[0029]
优选地，所述根据所述跨字符动态卷积局部注意力机制，针对于所述将所述词义编码向量进行局部注意力计算，得到跨字符动态卷积局部注意力结果中，所述跨字符动态卷积局部注意力结果的计算方法为：
[0030][0031][0032][0033][0034]
其中，q、v分别代表所述词义编码向量ei经过映射转换计算后得到的查询向量与值向量；k
span
代表字符i的跨字符局部上下文键值向量；lconv(e，w，i)为动态卷积注意力中
卷积核的计算过程；sdconv(q，k
span
，v；wf，i)代表使用所述查询向量q、所述值向量v和所述跨字符局部上下文键值向量k
span
计算局部注意力依赖矩阵，并计算字符i的所述跨字符动态卷积局部注意力结果的过程；为字符i的所述跨字符动态卷积局部注意力结果。
[0035]
优选地，所述根据所述混合注意力机制，将所述全局注意力结果和所述跨字符动态卷积局部注意力结果进行拼接，得到混合注意力聚合编码向量，并将所述混合注意力聚合编码向量作为所述注意力编码计算结果中，所述混合注意力聚合编码向量的计算方法为：
[0036][0037]
其中，cat表示拼接操作；为所述全局注意力结果与所述跨字符动态卷积局部注意力结果进行拼接后得到的字符i的所述混合注意力聚合编码向量。
[0038]
优选地，所述利用所述分类层对所述注意力编码计算结果进行分类计算，得到所述地址核验结果，包括：
[0039]
利用所述分类层的长短期记忆双向循环神经网络模型对所述注意力编码计算结果进行正向循环编码计算和反向循环编码计算，得到针对所述注意力编码计算结果的多个隐藏层的正向数组结果和反向数组结果；
[0040]
提取所述正向数组结果中和所述反向数组结果中的各最后一层隐藏层中子字符序列的正向隐藏状态编码和反向隐藏状态编码；并将所述正向隐藏状态编码和所述反向隐藏状态编码横向合并，得到合并隐藏状态编码；
[0041]
将所述合并隐藏状态编码输入所述分类层的分类子网络中进行分类，得到所述地址核验结果。
[0042]
优选地，所述利用所述分类层对所述注意力编码计算结果进行分类计算，得到所述地址核验结果中，所述地址核验结果的计算方法为：
[0043][0044][0045][0046][0047]
其中，bi-lstm代表所述长短期记忆双向循环神经网络模型；代表子字符序列的所述正向隐藏状态编码；代表子字符序列的所述反向隐藏状态编码；为所述信息文本中子字符i的所述混合注意力聚合编码向量在经过所述长短期记忆双向循环神经网络模型bi-lstm计算后，最后一层隐藏层中的所述合并隐藏状态编码；classification head为所述分类子网络；oi表示所述分类层对于所述信息文本中所有子字符序列的子地址元素分类的地址核验结果。
[0048]
此外，为解决上述问题，本发明还提供一种不动产抵押地址的核验装置，包括：
[0049]
获取模块，用于获取不动产抵押地址的信息文本；
[0050]
核验模块，用于利用细粒度地址元素解析模型对所述信息文本进行地址核验，得地址核验结果；
[0051]
确认模块，用于根据所述地址核验结果确认所述信息文本中缺失的关键地址元素。
[0052]
此外，为解决上述问题，本发明还提供一种不动产抵押地址的核验系统，包括存储器以及处理器，所述不动产抵押地址的核验程序，所述处理器运行所述不动产抵押地址的核验程序以使所述不动产抵押地址的核验系统执行如上述所述的不动产抵押地址的核验方法。
[0053]
此外，为解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有不动产抵押地址的核验程序，所述不动产抵押地址的核验程序被处理器执行时实现如上述所述的不动产抵押地址的核验方法。
[0054]
本发明提供了一种不动产抵押地址的核验方法、装置、系统及存储介质，其中，所述方法包括：获取不动产抵押地址的信息文本；利用细粒度地址元素解析模型对所述信息文本进行地址核验，得地址核验结果；根据所述地址核验结果确认所述信息文本中缺失的关键地址元素。本发明通过在获取到不动产抵押地址中的信息文本后，利用预先训练好的细粒度地址元素解析模型对信息文本进行地址核验，从而可以进一步根据地址核验结果确认信息文本中所缺失的关键地址元素，本发明所提供方法能够准确核验客户在办理银行不动产抵押贷款时所填写的抵押不动产地址信息文本中是否缺失关键的地址元素，同时能够满足业务与监管的要求，为银行不动产抵押业务提供了方便。
附图说明
[0055]
图1为本发明不动产抵押地址的核验方法实施例涉及的硬件运行环境的结构示意图；
[0056]
图2为本发明不动产抵押地址的核验方法第1实施例的流程示意图；
[0057]
图3为本发明不动产抵押地址的核验方法第1实施例中步骤s200细化的流程示意图；
[0058]
图4为本发明不动产抵押地址的核验方法第1实施例中确认步骤增加判断步骤的流程示意图；
[0059]
图5为本发明不动产抵押地址的核验方法第2实施例中步骤s210细化的流程示意图；
[0060]
图6为本发明不动产抵押地址的核验方法第3实施例中步骤s220细化的流程示意图；
[0061]
图7为本发明不动产抵押地址的核验方法第4实施例中步骤s230细化的流程示意图；
[0062]
图8为本发明不动产抵押地址的核验装置的模块连接示意图。
[0063]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0064]
下面详细描述本发明的实施例，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
[0065]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0066]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0067]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0068]
如图1所示，是本发明实施例涉及的终端的硬件运行环境的结构示意图。
[0069]
本发明实施例不动产抵押地址的核验系统，可以为pc，也可以是智能手机、平板电脑或者便携计算机等可移动式终端设备等。该不动产抵押地址的核验系统中可以包括：处理器1001、例如cpu，网络接口1004、用户接口1003、存储器1005和通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘、遥控器，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。可选地，不动产抵押地址的核验系统还可以包括rf(radio frequency，射频)电路、音频电路、wifi模块等等。此外，该不动产抵押地址的核验系统还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
[0070]
本领域技术人员可以理解，图1中示出的不动产抵押地址的核验系统并不构成对其的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据接口控制程序、网络连接程序以及不动产抵押地址的核验程序。
[0071]
实施例1：
[0072]
参照图2，本发明第1实施例提供一种不动产抵押地址的核验方法，包括：
[0073]
步骤s100，获取不动产抵押地址的信息文本。
[0074]
上述，信息文本，即为用户输入的含有地址的信息字符串，其中可以包括但不限于各个级别行政区划的名称，以及能表征其唯一性的详细至所在位置编号的信息。例如，上至“国省市县乡镇村大队”，下至“地区、小区、楼栋、组、委、楼层、门牌号”。
[0075]
用户在输入信息时，由于进行的是银行不动产抵押业务，所以不排除部分用户输入信息不完整，或者由于对于详细地址的理解偏差，输入信息时漏掉部分关键信息，则需要银行业务人员进行进一步的人工提醒和核验。由于人工提醒和核验存在一定的主观性，可能造成业务信息填写不完整、业务无法继续进行下一节点办理，业务办理无法合法办理等等情况的出现。
[0076]
所以本实施例中针对于用户所填写的信息文本进行自动核验，解决这一问题。首先进行的是信息文本的获取，获取步骤可以为被动接收自动进行核验，也可以为主动获取自动进行核验。
[0077]
步骤s200，利用细粒度地址元素解析模型对所述信息文本进行地址核验，得地址核验结果。
[0078]
进一步的，所述细粒度地址元素解析模型包括词义融合层、注意力编码计算层和分类层；
[0079]
上述，不同的功能层，代表不同的功能模型，即在该功能层中利用相应的模型进行相应的计算，以实现对应功能。
[0080]
上述，细粒度地址元素解析模型，即为“词义融合embed-convbert-lstm深度模型”，能够准确核验客户的抵押不动产地址信息文本中是否缺失某种地址元素，如大厦名、小区名、楼栋号、单元号、楼层号或门牌号等地址元素。
[0081]
词义融合embed-convbert-lstm深度模型中，主要包含了“词义融合层embedding”、“注意力编码计算层convbert”与“分类层lstm”三个子网络模型。相对应的，在细粒度地址元素解析模型中，包括词义融合层、注意力编码计算层和分类层。
[0082]
参考图3，所述步骤s200，利用细粒度地址元素解析模型对所述信息文本进行地址核验，得地址核验结果，包括：
[0083]
步骤s210，将所述信息文本通过所述词义融合层转换为与所述信息文本中子字符对应的词义编码向量；
[0084]“词义融合层embedding”主要用于融合信息文本中的词义信息。“词义融合层embedding”实际为“预训练好的词义嵌入编码层”，其取自在海量中文文本上进行了词义预训练后的word-bert中文词义预训练模型中的词义嵌入编码层。
[0085]
此时“预训练好的词义嵌入编码层”(训练好的词义融合层)中，包含了在海量中文文本的词义预训练过程中学习到的词义编码，其可将信息文本的中文字符转换为词义编码向量，转换后的词义编码向量继而可以被输入进“注意力编码计算层convbert”中进行“子字符词义编码向量”之间的注意力编码计算。
[0086]
步骤s220，将所述词义编码向量输入进所述注意力编码计算层，进行所述词义编码向量之间的注意力编码计算，得到注意力编码计算结果；
[0087]
在“词义融合层embedding”将抵押不动产地址文本转换为一个个子字符的词义编码向量后，将所有的词义编码向量输入进“注意力编码计算层convbert”模型中进行“子字符词义编码向量”之间的注意力编码计算，从而得到对应的注意力编码计算结果。
[0088]
步骤s230，利用所述分类层对所述注意力编码计算结果进行分类计算，得到所述地址核验结果。
[0089]
在“注意力编码计算层convbert”将抵押不动产地址文本中所有子字符i的注意力编码计算结果计算好后，将其输入进“分类层lstm”模型中进行细粒度子地址元素的分类计算。此处，“分类层lstm”模型会将地址文本中的每一个子字符i分类解析为上文所述的17种不同粒度的子地址元素类别中的一类。
[0090]
上述，子地址元素类别，可以包括但不限于本实施例中所提供的下表1中17类：
[0091]
表1、17种粒度的子地址元素(按照粒度级别从大到小排列)
[0092][0093][0094]
步骤s300，根据所述地址核验结果确认所述信息文本中缺失的关键地址元素。
[0095]
此外，在步骤s300，之后，还可以包括，根据所述地址核验结果判断所述信息文本中是否缺失关键地址元素；
[0096]
若是，则返回执行所述“获取不动产抵押地址的信息文本”，并生成一告警信息，提醒业务人员进行操作；
[0097]
若否，则判定信息文本通过核验。
[0098]
在此，首先可以预先设定一定的信息作为关键地址元素，然后进行判断中如果所缺失的信息为关键地址元素，则进行生成告警信息，并返回执行获取不动产抵押地址的信息文本，直至不存在缺失关键地址元素为止。
[0099]
在客户办理银行不动产抵押贷款的业务场景中，需要一种“细粒度地址元素解析模型”，当客户在填写其抵押不动产的地址信息时，该模型能够自动对客户填写的地址信息进行核验，判断其中是否缺失关键的地址元素，如：大厦名、小区名、楼栋号、单元号、楼层号或门牌号等。“细粒度地址元素解析模型”是预先训练好的神经网络模型，不仅能够减轻银行业务人员的工作量，同时也能够满足银保监会的合规监管要求。
[0100]
整体流程参考图2，以及简要流程图4。本实施例通过在获取到不动产抵押地址中的信息文本后，利用预先训练好的细粒度地址元素解析模型对信息文本进行地址核验，从而可以进一步根据地址核验结果确认信息文本中所缺失的关键地址元素，本实施例所提供方法能够准确核验客户在办理银行不动产抵押贷款时所填写的抵押不动产地址信息文本中是否缺失关键的地址元素，同时能够满足业务与监管的要求，为银行不动产抵押业务提供了方便。
[0101]
实施例2：
[0102]
参照图5，本发明第2实施例提供一种不动产抵押地址的核验方法，基于上述实施例1，所述步骤s210，将所述信息文本通过所述词义融合层转换为与所述信息文本中子字符对应的词义编码向量，包括：
[0103]
步骤s211，将所述信息文本利用word-bert中文词义预训练模型进行分词拆分，得到多个与所述信息文本对应的子字符；
[0104]
上述，word-bert中文词义预训练模型为预先训练好的识别拆分模型，利用该模型对于信息文本中的字符串进行分词拆分，拆分成多个与原信息文本对应的子字符。
[0105]
步骤s212，将所有所述子字符输入进所述word-bert中文词义预训练模型的所述词义融合层，进行词义嵌入编码，将所述子字符转换为词义编码向量。
[0106]
上述，分词后得到的所有子字符，会被输入进“词义融合层embedding”中的所述word-bert中文词义预训练模型，进行词义嵌入编码，继而将所有子字符转换为词义编码向量。
[0107]
上述的步骤s211及步骤s212，其中的所述词义编码向量ei的计算方式即计算过程可以为如下：
[0108]
tokenization(t)
∝
(x1,x2,...,xi...xn)0≤i≤n；
ꢀꢀ
(1)
[0109]ei
＝word-bert embedding(xi)；
ꢀꢀ
(2)
[0110]
其中，t代表进行细粒度地址元素解析拆分的不动产抵押地址的信息文本；xi代表所述信息文本被分词拆分后得到的所有子字符；word-bert embedding(xi)表示通过所述word-bert中文词义预训练模型的所述词义融合层对所述子字符进行词义嵌入编码；ei为所述子字符转换后的词义编码向量。
[0111]
本实施例中，通过将信息文本输入进word-bert中文词义预训练模型中，进行细粒度地址元素解析拆分的抵押不动产地址文本字符串，其可将中文字符转换为词义编码向量，从而可以进行进一步的注意力编码计算层。
[0112]
实施例3：
[0113]
参照图6，本发明第3实施例提供一种不动产抵押地址的核验方法，基于上述实施例1，所述注意力编码计算层，包括混合注意力机制；所述混合注意力机制包括全局注意力机制和跨字符动态卷积局部注意力机制；
[0114]“注意力编码计算层convbert”模型实质为：基于跨字符动态卷积注意力机制的预训练模型。然而，该模型中实质既包含“全局自注意力计算机制self-attention”，也存在“跨字符动态卷积局部注意力机制span-based dynamic convolution attention”，二者同时可以构成为混合注意力机制(mixed attention mechanism)。
[0115]
所述步骤s220，将所述词义编码向量输入进所述注意力编码计算层，进行所述词义编码向量之间的注意力编码计算，得到注意力编码计算结果，包括：
[0116]
步骤s221，根据全局注意力机制，进行针对于所述将所述词义编码向量进行全局注意力计算，得到全局注意力结果；并且，根据所述跨字符动态卷积局部注意力机制，针对于所述将所述词义编码向量进行局部注意力计算，得到跨字符动态卷积局部注意力结果；
[0117]
当抵押不动产地址文本中所有所述子字符的所述词义编码向量ei输入进convbert模型中后，会先计算“全局自注意力self-attention”，针对于所述将所述词义编码向量，得到全局注意力结果。
[0118]
所述步骤s221，根据全局注意力机制，进行针对于所述将所述词义编码向量进行全局注意力计算，得到全局注意力结果中，所述全局注意力结果的计算方法为：
[0119]
[0120][0121]
其中，q、k和v分别代表所述词义编码向量ei经过映射转换计算后得到的查询向量、键向量与值向量；self-attn((k，v)，qi)代表使用所述查询向量q、所述键向量k与所述值向量v计算自注意力矩阵，并计算字符i的所述全局注意力结果的过程；为字符i的所述全局注意力结果。
[0122]
上述，基于所有子字符的词义编码向量ei，也会同时计算“跨字符动态卷积局部注意力span-based dynamic convolution attention”，即为所述跨字符动态卷积局部注意力结果。
[0123]
所述步骤s221，根据所述跨字符动态卷积局部注意力机制，针对于所述将所述词义编码向量进行局部注意力计算，得到跨字符动态卷积局部注意力结果中，所述跨字符动态卷积局部注意力结果的计算方法为：
[0124][0125][0126][0127][0127][0128]
其中，q、v分别代表所述词义编码向量ei经过映射转换计算后得到的查询向量与值向量；k
span
代表字符i的跨字符局部上下文键值向量；lconv(e，w，i)为动态卷积注意力中卷积核的计算过程；sdconv(q，k
span
，v；wf，i)代表使用所述查询向量q、所述值向量v和所述跨字符局部上下文键值向量k
span
计算局部注意力依赖矩阵，并计算字符i的所述跨字符动态卷积局部注意力结果的过程；为字符i的所述跨字符动态卷积局部注意力结果。
[0129]
步骤s222，根据所述混合注意力机制，将所述全局注意力结果和所述跨字符动态卷积局部注意力结果进行拼接，得到混合注意力聚合编码向量，并将所述混合注意力聚合编码向量作为所述注意力编码计算结果。
[0130]
上述，在混合注意力机制下，将“全局自注意力计算机制”的计算结果(全局注意力结果)与“跨字符动态卷积局部注意力机制”的计算结果(跨字符动态卷积局部注意力结果)进行拼接，从而计算得出混合注意力聚合编码向量，即为注意力编码计算结果。
[0131]
所述步骤s222，根据所述混合注意力机制，将所述全局注意力结果和所述跨字符动态卷积局部注意力结果进行拼接，得到混合注意力聚合编码向量，并将所述混合注意力聚合编码向量作为所述注意力编码计算结果中，所述混合注意力聚合编码向量的计算方法为：
[0132][0133]
其中，cat表示拼接操作；为所述全局注意力结果与所述跨字符动态卷积局部注意力结果进行拼接后得到的字符i的所述混合注意力聚合编码向量。
[0134]
本实施例中，通过注意力编码计算层的convbert模型的注意力编码计算，可以使得模型进一步融合抵押不动产地址中所有子字符的词义编码向量ei，同时令模型获得对子字符词义编码向量更强的理解、表征与转换计算的能力，最终能够使得抵押不动产地址文本的地址元素解析与拆分的结果更加准确。
[0135]
实施例4：
[0136]
参照图7，本发明第3实施例提供一种不动产抵押地址的核验方法，基于上述实施例1，所述步骤s230，利用所述分类层对所述注意力编码计算结果进行分类计算，得到所述地址核验结果，包括：
[0137]
步骤s231，利用所述分类层的长短期记忆双向循环神经网络模型对所述注意力编码计算结果进行正向循环编码计算和反向循环编码计算，得到针对所述注意力编码计算结果的多个隐藏层的正向数组结果和反向数组结果；
[0138]
上述，“分类层lstm”模型也称为“长短期记忆双向循环神经网络”。
[0139]
上述，首先，利用“分类层lstm”模型的长短期记忆双向循环神经网络，对信息文本中所有子字符i的“混合注意力聚合编码向量”进行正向与反向的循环编码计算，分别得到正向数组结果和反向数组结果。
[0140]
其中，正向数组结果和反向数组结果分别为两个数组矩阵。
[0141]
步骤s232，提取所述正向数组结果中和所述反向数组结果中的各最后一层隐藏层中子字符序列的正向隐藏状态编码和反向隐藏状态编码；并将所述正向隐藏状态编码和所述反向隐藏状态编码横向合并，得到合并隐藏状态编码；
[0142]
将最后一层隐藏层中子字符序列的正向隐藏状态编码与反向隐藏状态编码横向合并。
[0143]
上述，在分类层lstm中，正向数组结果和反向数组结果的两个数组矩阵，分别代表由有多层数据隐藏层组成的矩阵，而取其中最后一层隐藏层的自字符序列中的正向隐藏状态编码和反向隐藏状态编码进行横向合并。
[0144]
上述，分别提取正向数组结果中最后一层隐藏层中子字符序列的正向隐藏状态编码；以及，所述反向数组结果中的最后一层隐藏层中子字符序列的反向隐藏状态编码。
[0145]
步骤s233，将所述合并隐藏状态编码输入所述分类层的分类子网络中进行分类，得到所述地址核验结果。
[0146]
最后将子字符序列的正反向合并的隐藏状态编码输入“分类层lstm”模型中的分类子网络中，以便于进行如表1中17种不同粒度的子地址元素分类。
[0147]
进一步的，所述步骤s230，利用所述分类层对所述注意力编码计算结果进行分类计算，得到所述地址核验结果中，所述地址核验结果的计算方法为：
[0148][0149][0150][0151]
[0152]
其中，bi-lstm代表所述长短期记忆双向循环神经网络模型；代表子字符序列的所述正向隐藏状态编码；代表子字符序列的所述反向隐藏状态编码；为所述信息文本中子字符i的所述混合注意力聚合编码向量在经过所述长短期记忆双向循环神经网络模型bi-lstm计算后，最后一层隐藏层中的所述合并隐藏状态编码；classification head为所述分类子网络；oi表示所述分类层对于所述信息文本中所有子字符序列的子地址元素分类的地址核验结果。
[0153]
总之，本实施例通过在获取到不动产抵押地址中的信息文本后，利用预先训练好的细粒度地址元素解析模型对信息文本进行地址核验，从而可以进一步根据地址核验结果确认信息文本中所缺失的关键地址元素，本实施例所提供方法能够准确核验客户在办理银行不动产抵押贷款时所填写的抵押不动产地址信息文本中是否缺失关键的地址元素，同时能够满足业务与监管的要求，为银行不动产抵押业务提供了方便。
[0154]
本实施例中所提供方法”能够针对客户在办理银行不动产抵押贷款时填写的抵押不动产地址信息文本进行例如表1中17种细粒度子地址元素的解析与拆分，其能够准确判断客户的抵押不动产地址信息文本中是否缺失关键的地址元素，如大厦名、小区名、楼栋号、单元号、楼层号或门牌号等。
[0155]
并且，本实施例所提供的方法能够在客户办理银行不动产抵押贷款业务时，自动核验其填写的抵押不动产地址信息文本中关键性的地址元素是否完整。并且，其能够减轻银行业务人员的工作量，同时也能够满足银保监会的合规监管要求。
[0156]
此外，参考图8，本发明还提供一种不动产抵押地址的核验装置，包括：
[0157]
获取模块10，用于获取不动产抵押地址的信息文本；
[0158]
核验模块20，用于利用细粒度地址元素解析模型对所述信息文本进行地址核验，得地址核验结果；
[0159]
确认模块30，用于根据所述地址核验结果确认所述信息文本中缺失的关键地址元素。
[0160]
此外，本发明还提供一种不动产抵押地址的核验系统，包括存储器以及处理器，所述不动产抵押地址的核验程序，所述处理器运行所述不动产抵押地址的核验程序以使所述不动产抵押地址的核验系统执行如上述所述的不动产抵押地址的核验方法。
[0161]
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有不动产抵押地址的核验程序，所述不动产抵押地址的核验程序被处理器执行时实现如上述所述的不动产抵押地址的核验方法。
[0162]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0163]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的
等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。