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

技术特征：
1.一种不动产抵押地址的核验方法，其特征在于，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。2.如权利要求1所述不动产抵押地址的核验方法，其特征在于，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；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：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；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；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。3.如权利要求2所述不动产抵押地址的核验方法，其特征在于，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：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；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。4.如权利要求3所述不动产抵押地址的核验方法，其特征在于，所述词义编码向量e
i
的计算方式如下：tokenization(t)
∝
(x1,x2,...,x
i
...x
n
)0≤i≤n；e
i
＝word-bert embedding(x
i
)；其中，t代表不动产抵押地址的信息文本；x
i
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(x
i
)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；e
i
为所述子字符转换后的词义编码向量。5.如权利要求2所述不动产抵押地址的核验方法，其特征在于，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；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：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；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。6.如权利要求5所述不动产抵押地址的核验方法，其特征在于，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：述全局注意力结果的计算方法为：其中，q、k和v分别代表所述词义编码向量e
i
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),q
i
)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。7.如权利要求5所述不动产抵押地址的核验方法，其特征在于，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：跨字符动态卷积局部注意力结果的计算方法为：跨字符动态卷积局部注意力结果的计算方法为：跨字符动态卷积局部注意力结果的计算方法为：其中，q、v分别代表所述词义编码向量e
i
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；w
f
,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。8.如权利要求5所述不动产抵押地址的核验方法，其特征在于，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：的计算方法为：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。9.如权利要求2所述不动产抵押地址的核验方法，其特征在于，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：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；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；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。10.如权利要求9所述不动产抵押地址的核验方法，其特征在于，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：的计算方法为：的计算方法为：的计算方法为：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；o
i
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。11.一种不动产抵押地址的核验装置，其特征在于，包括：获取模块，用于获取不动产抵押地址的信息文本；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；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。12.一种不动产抵押地址的核验系统，其特征在于，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权利要求1-7任一项所述的不动产抵押地址的核验方法。13.一种计算机可读存储介质，其特征在于，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权利要求1-10任一项所述的不动产抵押地址的核验方法。

技术总结
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。押业务提供了方便。押业务提供了方便。


技术研发人员：周柱君
受保护的技术使用者：平安银行股份有限公司
技术研发日：2022.08.03
技术公布日：2022/11/8