本发明涉及计算机领域，尤其涉及一种资产类别识别方法、装置、设备及计算机可读存储介质。
背景技术：
不良资产，是指企业的资金、商品、技术等借与或租借到其他公司企业后，权益无法收回或收回少量而形成的法律关系。而不良资产往往会给公司企业造成不必要的损失。
因此，为了避免给公司企业造成不必要的损失，需要对不良资产进行判别。但是现有技术中往往无法对不良资产进行有效地判别，也无法实时分析和识别资产的动态变化以及其将面临的风险。
技术实现要素：
本发明提供一种资产类别识别方法、装置、设备及计算机可读存储介质，用于解决现有技术中无法对资产类别进行识别的技术问题。
本发明的第一个方面是提供一种资产类别识别方法，包括：
获取资产案例信息；
对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量；
针对每一所述特征向量对应的资产类型，对所述特征向量进行标注，获得待训练数据；
通过所述待训练数据对预设的待训练模型进行训练，获得资产识别模型；
接收待识别资产信息；
将所述待识别资产信息输入至所述资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产；
所述对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量，包括：
针对每一组所述资产案例信息，确定所述资产案例信息的数据类别，所述数据类别包括离散数据以及连续数据；
根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量。
本发明的另一个方面是提供一种资产类别识别装置，包括：
获取模块，用于获取资产案例信息；
处理模块，用于对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量；
标注模块，用于针对每一所述特征向量对应的资产类型，对所述特征向量进行标注，获得待训练数据；
训练模块，用于通过所述待训练数据对预设的待训练模型进行训练，获得资产识别模型；
待识别资产接收模块，用于接收待识别资产信息；
识别模块，用于将所述待识别资产信息输入至预设的资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产；
所述处理模块用于：
针对每一组所述资产案例信息，确定所述资产案例信息的数据类别，所述数据类别包括离散数据以及连续数据；
根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量。
本发明的又一个方面是提供一种资产类别识别设备，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如上述的资产类别识别方法。
本发明的又一个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述的资产类别识别方法。
本发明提供的资产类别识别方法、装置、设备及计算机可读存储介质，通过接收待识别资产信息；将所述待识别资产信息输入至预设的资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产。通过采用预先训练好的资产识别模型对待识别资产信息进行识别，从而能够对待识别资产信息对应的资产类型进行准确的识别，进而也能够避免公司企业造成不必要的损失。此外，通过将资产案例信息以及资产识别模型均存储至区块链中，从而区块链中的所有节点均能够对资产案例信息进行查看，并且能够对资产识别模型进行调用，提高了信息的透明度，提高用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明基于的网络架构示意图；
图2为本发明实施例一提供的资产类别识别方法的流程示意图；
图3为本发明实施例二提供的资产类别识别方法的流程示意图；
图4为本发明实施例三提供的资产类别识别装置的结构示意图；
图5为本发明实施例四提供的资产类别识别设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例所获得的所有其他实施例，都属于本发明保护的范围。
针对上述提及的在现有技术中无法对资产类别进行识别的技术问题，本发明提供了一种资产类别识别方法、装置、设备及计算机可读存储介质。
需要说明的是，本申请提供资产类别识别方法、装置、设备及计算机可读存储介质可运用在对任意一种资产类别进行识别的场景中。
图1为本发明基于的网络架构示意图，如图1所示，本发明基于的网络架构至少包括：资产类别识别装置1以及终端设备2。其中，资产类别识别装置1可以与终端设备2通信连接，从而资产类别识别装置1可以在识别出资产类别之后，向终端设备2发送识别结果，以使用户对资产类别进行及时了解。该资产类别识别装置1可以采用c/c 、java、shell或python等语言编写；终端设备2则可例如台式电脑、平板电脑等。
图2为本发明实施例一提供的资产类别识别方法的流程示意图，如图2所示，所述方法包括：
步骤101、获取资产案例信息；
步骤102、对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量；
步骤103、针对每一所述特征向量对应的资产类型，对所述特征向量进行标注，获得待训练数据；
步骤104、通过所述待训练数据对预设的待训练模型进行训练，获得资产识别模型；
步骤105、接收待识别资产信息；
步骤106、将所述待识别资产信息输入至所述资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产；
步骤103具体包括：
针对每一组所述资产案例信息，确定所述资产案例信息的数据类别，所述数据类别包括离散数据以及连续数据；
根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量。
本实施例的执行主体为资产类别识别装置。为了对资产类别进行识别，首先需要接受待识别资产信息，其中，该资产信息中可以包括但不限于资产风险控制以及案例管理信息、资产组成配置信息、负面清单信息、资产现金流信息、资产组成变更信息、不良资产信息、不良资产置换和更新信息、资产跟踪信息等资产证券化中资产风险控制与管理更新信息。接收到待识别资产信息之后，可以将该待识别资产信息输入至预设的资产识别模型中，通过该资产识别模型对该待识别资产信息进行识别，相应地，该资产识别模型能够输出该待识别资产信息对应的资产类型。需要说明的是，该资产识别模型是预先通过大量资产案例信息训练获得的模型，其能够精准地对待识别资产信息的资产类型进行识别，其中，该资产类型包括正常资产以及不良资产，不良资产，是指企业的资金、商品、技术等借与或租借到其他公司企业后，权益无法收回或收回少量而形成的法律关系。
为了实现通过资产识别模型对待识别资产信息的识别，首先需要训练获得该资产识别模型。具体地，首先可以获得待训练数据，该待训练数据中根据资产类型标注后的资产案例信息，通过该待训练数据对预设的待训练模型进行训练，直至该模型收敛，从而能够获得该资产识别模型。
为了实现对待训练模型的训练，获得资产识别模型，首先需要获取待训练数据。具体地，首先可以从区块链中获取资产案例信息。其中，该区块链中包括多个节点，每一个节点可以定期在区块链中上传资产案例信息，其中，该资产案例信息中包括但不限于资产风险控制以及案例管理信息、资产组成配置信息、负面清单信息、资产现金流信息、资产组成变更信息、不良资产信息、不良资产置换和更新信息、资产跟踪信息等资产证券化中资产风险控制与管理更新信息。相应地，获取到该资产案例信息之后，可以对该资产案例信息进行数据处理，将资产案例信息转换为与资产案例信息对应的至少一组特征向量。针对每一资产案例信息，预先知道该资产案例信息的资产类型，因此，针对每一组特征向量，可以确定该特征向量对应的资产类型，对根据该特征向量进行标注，获得待训练数据。具体地，可以采用任意一种方式对该特征向量进行标注，例如可以将不良资产对应的特征向量标记为不良资产，将正常资产对应的特征向量标记为正常资产，也可以将不良资产对应的特征向量标记为failure，将正常资产对应的特征向量标记为success，本发明在此不做限制。
本发明提供的资产类别识别方法，通过接收待识别资产信息；将所述待识别资产信息输入至预设的资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产。通过采用预先训练好的资产识别模型对待识别资产信息进行识别，从而能够对待识别资产信息对应的资产类型进行准确的识别，进而也能够避免公司企业造成不必要的损失。
在本实例中，可以从区块链中获取预先存储的待识别资产信息，也可以从要对资产进行识别的机构(例如公司基层营业机构)获取待识别资产信息。
具体地，在上述任一实施例的基础上，所述待训练模型为逻辑回归模型。
在本实施例中，该待训练模型具体地可以为逻辑回归模型。回归模型重要的基础或者方法就是回归分析，回归分析是研究一个变量(被解释变量)关于另一个(些)变量(解释变量)的具体依赖关系的计算方法和理论，而逻辑回归是用来计算“事件＝success”和“事件＝failure”的概率。因此，为了精准地识别待识别资产信息的资产类型为正常资产或不良资产，可以选择逻辑回归模型作为待训练模型，从而能够精准地识别出待识别资产信息的资产类型。
此外，训练获得资产识别模型之后，在上述任一实施例的基础上，可以将资产识别模型存储至区块链中的预设节点内，从而参与该区块链内的所有节点均能够实现对资产识别模型的获取以及使用，提高信息的透明度。
本实施例提供的资产类别识别方法，通过获取待训练数据，通过所述待训练数据对预设的待训练模型进行训练，获得所述资产识别模型，从而为后续待识别资产信息的精准识别提供了基础。
进一步地，在上述任一实施例的基础上，步骤101具体包括：
从区块链中获取资产案例信息。
进一步地，在上述任一实施例的基础上，步骤102之后，还包括：
将所述待识别资产信息以及所述待识别资产信息对应的资产类型关联存储至预设的存储路径；
当所述存储路径中存储的待识别资产信息以及所述待识别资产信息对应的资产类型超过预设的阈值时，根据所述待识别资产信息以及所述待识别资产信息对应的资产类型对所述资产识别模型进行更新。
在本实施例中，确定待识别资产信息对应的资产类型之后，可以将待识别资产信息以及待识别资产信息对应的资产类型关联存储至区块链中预设的节点或存储路径内。为了提高资产识别模型识别的精准度，随着存储路径中存储数据的增多，可以通过存储路径中存储数据对资产识别模型进行更新。具体地，当检测到存储路径中存储的待识别资产信息以及待识别资产信息对应的资产类型超过预设的阈值时，根据待识别资产信息以及待识别资产信息对应的资产类型对资产识别模型进行训练，提高资产识别模型的识别精准度。作为一种可以实施的方式，也可以按照预设的时间周期，采用预设存储路径中待识别资产信息以及待识别资产信息对应的资产类型对资产识别模型进行训练。
本实施例提供的资产类别识别方法，通过根据待识别资产信息以及待识别资产信息对应的资产类型对资产识别模型进行训练，从而能够有效提高资产识别模型的识别精准度。
进一步地，在上述任一实施例的基础上，所述针对每一所述特征向量对应的资产类型，对所述特征向量进行标注，获得所述待训练数据，包括：
若所述特征向量对应的资产案例信息为正常资产，则将所述特征向量标注为第一特征值；
若所述特征向量对应的资产案例信息为不良资产，则将所述特征向量标注为第二特征值。
在本实施例中，针对每一资产案例信息，该资产案例信息中包括该资产案例信息对应的资产类型，相应地，预先知道该资产案例信息的资产类型之后，针对每一组特征向量，可以确定该特征向量对应的资产类型，对根据该特征向量进行标注，获得待训练数据。具体地，若特征向量对应的资产案例信息为正常资产，则可以将该特征向量标注为第一特征值，该第一特征值具体可以为1。若特征向量对应的资产案例信息为不良资产，则可以将该特征向量标注为第二特征值，该第二特征值具体可以为0。需要说明的是，第一特征值与第二特征值可以为任意一个数值，只要保证第一特征值能够区别于第二特征值即可，本发明在此不做限制。
相应地，通过标注后的特征向量形成的待训练数据对待训练模型进行训练，获得资产识别模型后，该资产识别模型在接收到待识别资产信息之后，可以输出待识别资产信息对应的特征值，进而能够根据特征值与待识别资产信息的对应关系确定该待识别资产信息的资产类型。
进一步地，获得待训练数据之后，可以通过该待训练数据对待训练模型进行训练。
本实施例提供的资产类别识别方法，通过获取资产案例信息，并对资产案例信息进行数据处理，对数据处理后的资产案例信息根据资产类型进行标注，从而能够获得待训练数据，由于该待训练数据中已根据资产类型进行精准标注，从而根据该待训练数据对待训练模型进行训练后，能够使获得的资产识别模型对资产烈性进行精准识别。
进一步地，在上述任一实施例的基础上，所述对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量，包括：
针对每一组所述资产案例信息，确定所述资产案例信息的数据类别，所述数据类别包括离散数据以及连续数据；
根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量。
在本实施例中，资产案例信息可以为离散数据或连续数据，而针对不同的数据类别，在数据处理过程中，需要采用不同的处理方式。因此，为了实现对任意一种数据类别的资产案例信息进行数据处理，首先需要针对每一组资产案例信息，确定该资产案例信息的数据类别，根据资产案例信息的数据类别采用不同的数据处理方式对资产案例信息进行数据处理，获得与资产案例信息对应的至少一组特征向量。
具体地，在上述任一实施例的基础上，根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，包括：
若所述资产案例信息为离散数据，则对所述资产案例信息进行标签化，获得与所述资产案例信息对应的至少一组特征向量；
若所述资产案例信息为连续数据，则对所述资产案例信息进行离散化处理，获得离散化的资产案例信息，对所述离散化的资产案例信息进行标签化，获得与所述资产案例信息对应的至少一组特征向量。
在本实施例中，可以根据资产案例信息的数据类别采用不同的数据处理方式对资产案例信息进行数据处理。具体地，若确定资产案例信息的数据类别为离散数据，则可以直接对该离散数据进行标签化，获得与资产案例信息对应的至少一组特征向量。相应地，若确定资产案例信息的数据类别为连续数据，则首先需要将连续数据转换为离散数据，可以对资产案例信息进行离散化处理，获得离散化的资产案例信息，对该离散数据进行标签化，获得与资产案例信息对应的至少一组特征向量。需要说明的是，可以采用任意一种标签化以及离散化的方法实现对资产案例信息的标签化以及离散化，本发明在此不做限制。
本实施例提供的资产类别识别方法，通过针对每一组资产案例信息，确定该资产案例信息的数据类别，根据资产案例信息的数据类别采用不同的数据处理方式对资产案例信息进行数据处理，获得与资产案例信息对应的至少一组特征向量，从而能够为后续待训练数据的获取提供基础。
本发明又一实施例还提供了一种资产类别识别装置，该资产类别识别装置具体包括区块链网络构建子系统、信息存储和信息认证数据格式定义子系统、资产证券化中资产风险控制与管理信息存储子系统、资产证券化中资产风险控制与管理子系统以及系统性能评估子系统。其中，区块链网络构建子系统用于以公司基层营业机构为最小节点，一个或多个集团/公司参与资产证券化中资产风险控制与管理交易区块链网络构建；信息存储和信息认证数据格式定义子系统用于按照本发明定义的数据结构方式、信息存储方式和协议来存储和认证共享信息等，以保证信息存储和信息处理的高效率；资产证券化中资产风险控制与管理信息存储子系统用于在系统中注册的企业或个人将相关资产证券化中资产案例信息，如资产风险控制与管理案例、资产组成配置信息、负面清单信息、资产现金流信息、资产组成变更信息、不良资产信息、不良资产置换和更新信息、资产跟踪信息等资产证券化中资产风险控制与管理更新信息上传到区块链，可以证明相关材料的音频、视频、图像等相关材料也可以上传至区块链；资产证券化中资产风险控制与管理子系统用于根据区块链存储的资产证券化中资产风险控制与管理信息等隐私保护(权限管理、加水印、加密等)、公开透明、可追溯、不易篡改等特点，本发明提出了基于实时资产配置信息动态变化情况和实时资产透明跟踪信息的组合优化和风险预测方法，根据区块链中的资产证券化中资产风险控制与管理信息的历史数据，系统自动分析和识别资产实时动态变化可能面临的风险(变为不良资产)并给相关人员(资产管理人员、证券投资人员等)发出提示信息及解决方案的推荐；系统性能评估子系统用于评估资产证券化中资产风险控制与管理系统的及时性、有效性和准确性，基于实时资产配置信息动态变化情况和实时资产透明跟踪信息的组合优化和风险预测方法，不断调整和优化系统参数，以期通过在区块链网络中有效实现资产证券化中资产风险控制与管理，从而有力促进区块链技术应用在资产证券化中资产风险控制与管理方面的有效推广。
其中，表1为基于区块链技术的数据结构方式来存储资产证券化中资产风险控制与管理信息的示例：
表1
表2为资产证券化风险分析与识别模型存储在区块链中的数据结构示例：
表3
图3为本发明实施例三提供的资产类别识别装置的结构示意图，如图3所示，所述资产类别识别装置包括：
待识别资产接收模块31，用于接收待识别资产信息；
识别模块32，用于将所述待识别资产信息输入至预设的资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产。
本实施例提供的资产类别识别装置，通过接收待识别资产信息；将所述待识别资产信息输入至预设的资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产。通过采用预先训练好的资产识别模型对待识别资产信息进行识别，从而能够对待识别资产信息对应的资产类型进行准确的识别，进而也能够避免公司企业造成不必要的损失。
进一步地，在上述任一实施例的基础上，所述将所述装置还包括：
待训练数据获取模块，用于获取待训练数据；
训练模块，用于通过所述待训练数据对预设的待训练模型进行训练，获得所述资产识别模型，其中，所述待训练模型为逻辑回归模型；
将所述资产识别模型存储至区块链中预设的节点。
进一步地，在上述任一实施例的基础上，所述待训练数据获取模块包括：
获取单元，用于从区块链中获取资产案例信息；
数据处理单元，用于对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量；
标注单元，用于针对每一所述特征向量对应的资产类型，对所述特征向量进行标注，获得所述待训练数据。
进一步地，在上述任一实施例的基础上，所述数据处理单元具体用于：
针对每一组所述资产案例信息，确定所述资产案例信息的数据类别，所述数据类别包括离散数据以及连续数据；
根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量。
进一步地，在上述任一实施例的基础上，所述数据处理单元具体用于：
若所述资产案例信息为离散数据，则对所述资产案例信息进行标签化，获得与所述资产案例信息对应的至少一组特征向量；
若所述资产案例信息为连续数据，则对所述资产案例信息进行离散化处理，获得离散化的资产案例信息，对所述离散化的资产案例信息进行标签化，获得与所述资产案例信息对应的至少一组特征向量。
进一步地，在上述任一实施例的基础上，所述标注单元具体用于：
若所述特征向量对应的资产案例信息为正常资产，则将所述特征向量标注为第一特征值；
若所述特征向量对应的资产案例信息为不良资产，则将所述特征向量标注为第二特征值。
进一步地，在上述任一实施例的基础上，所述将所述待识别资产信息输入至预设的资产识别模型，获得所述待识别资产信息对应的资产类型之后，还包括：
将所述待识别资产信息以及所述待识别资产信息对应的资产类型关联存储至预设的存储路径；
当所述存储路径中存储的待识别资产信息以及所述待识别资产信息对应的资产类型超过预设的阈值时，根据所述待识别资产信息以及所述待识别资产信息对应的资产类型对所述资产识别模型进行更新。
应理解以上图3所示资产类别识别装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块以软件通过处理元件调用的形式实现，部分模块通过硬件的形式实现。
图4为本发明又一实施例提供的资产类别识别系统的结构示意图，如图4所示，所述资产类别识别系统具体包括资产证券化中资产风险控制与管理信息存储子系统41、资产证券化中资产风险控制与管理子系统42以及系统性能评估子系统43。具体地，资产证券化中资产风险控制与管理信息存储子系统41具体用于将系统中注册的企业或个人将相关资产证券化中资产风险控制与管理案例、资产组成配置信息、负面清单信息、资产现金流信息、资产组成变更信息、不良资产信息、不良资产置换和更新信息、资产跟踪信息等资产证券化中资产风险控制与管理更新信息上传到区块链，此外，可以证明相关材料的音频、视频、图像等相关材料也可以上传至区块链。资产证券化中资产风险控制与管理子系统42具体用于根据区块链存储的资产证券化中资产风险控制与管理信息等隐私保护(权限管理、加水印、加密等)、公开透明、可追溯、不易篡改等特点，本发明提出了基于实时资产配置信息动态变化情况和实时资产透明跟踪信息的组合优化和风险预测方法，根据区块链中的资产证券化中资产风险控制与管理信息的历史数据，系统自动分析和识别资产实时动态变化可能面临的风险(变为不良资产)并给相关人员(资产管理人员、证券投资人员等)发出提示信息及解决方案的推荐，从而有力促进区块链技术应用在资产证券化中资产风险控制与管理方面的有效推广。相应地，资产类别识别方法如上述任一方法实施例，在此不做赘述。系统性能评估子系统43具体用于评估资产证券化中资产风险控制与管理系统的及时性、有效性和准确性，基于实时资产配置信息动态变化情况和实时资产透明跟踪信息的组合优化和风险预测方法，不断调整和优化系统参数，以期通过在区块链网络中有效实现资产证券化中资产风险控制与管理，从而有力促进区块链技术应用在资产证券化中资产风险控制与管理方面的有效推广。
图5为本发明实施例四提供的资产类别识别设备的结构示意图，如图5所示，所述资产类别识别设备包括：存储器51，处理器52；
存储器51；用于存储所述处理器52可执行指令的存储器51；
其中，所述处理器52被配置为由所述处理器52执行如上述任一实施例的资产类别识别方法。
本发明又一实施例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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例的资产类别识别方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
1.一种资产类别识别方法，其特征在于，包括：
获取资产案例信息；
对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量；
针对每一所述特征向量对应的资产类型，对所述特征向量进行标注，获得待训练数据；
通过所述待训练数据对预设的待训练模型进行训练，获得资产识别模型；
接收待识别资产信息；
将所述待识别资产信息输入至所述资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产；
所述对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量，包括：
针对每一组所述资产案例信息，确定所述资产案例信息的数据类别，所述数据类别包括离散数据以及连续数据；
根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量。
2.根据权利要求1所述的方法，其特征在于，所述待训练模型为逻辑回归模型。
3.根据权利要求1所述的方法，其特征在于，所述通过所述待训练数据对预设的待训练模型进行训练，获得资产识别模型之后，还包括：
将所述资产识别模型存储至区块链中预设的节点。
4.根据权利要求1所述的方法，其特征在于，所述获取资产案例信息，包括：
从区块链中获取资产案例信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，包括：
若所述资产案例信息为离散数据，则对所述资产案例信息进行标签化，获得与所述资产案例信息对应的至少一组特征向量；
若所述资产案例信息为连续数据，则对所述资产案例信息进行离散化处理，获得离散化的资产案例信息，对所述离散化的资产案例信息进行标签化，获得与所述资产案例信息对应的至少一组特征向量。
6.根据权利要求2-5任一项所述的方法，其特征在于，所述针对每一所述特征向量对应的资产类型，对所述特征向量进行标注，获得所述待训练数据，包括：
若所述特征向量对应的资产案例信息为正常资产，则将所述特征向量标注为第一特征值；
若所述特征向量对应的资产案例信息为不良资产，则将所述特征向量标注为第二特征值。
7.根据权利要求1-5任一项所述的方法，其特征在于，所述将所述待识别资产信息输入至预设的资产识别模型，获得所述待识别资产信息对应的资产类型之后，还包括：
将所述待识别资产信息以及所述待识别资产信息对应的资产类型关联存储至预设的存储路径；
当所述存储路径中存储的待识别资产信息以及所述待识别资产信息对应的资产类型超过预设的阈值时，根据所述待识别资产信息以及所述待识别资产信息对应的资产类型对所述资产识别模型进行更新。
8.一种资产类别识别装置，其特征在于，包括：
获取模块，用于获取资产案例信息；
处理模块，用于对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量；
标注模块，用于针对每一所述特征向量对应的资产类型，对所述特征向量进行标注，获得待训练数据；
训练模块，用于通过所述待训练数据对预设的待训练模型进行训练，获得资产识别模型；
待识别资产接收模块，用于接收待识别资产信息；
识别模块，用于将所述待识别资产信息输入至预设的资产识别模型，获得所述待识别资产信息对应的资产类型，所述资产类型包括正常资产以及不良资产；
所述处理模块用于：
针对每一组所述资产案例信息，确定所述资产案例信息的数据类别，所述数据类别包括离散数据以及连续数据；
根据所述资产案例信息的数据类别对所述资产案例信息进行数据处理，获得与所述资产案例信息对应的至少一组特征向量。
9.一种资产类别识别设备，其特征在于，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如权利要求1-7任一项所述的资产类别识别方法。
10.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的资产类别识别方法。
技术总结