CN109657918B - 关联评估对象的风险预警方法、装置和计算机设备 - Google Patents
关联评估对象的风险预警方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109657918B CN109657918B CN201811378877.9A CN201811378877A CN109657918B CN 109657918 B CN109657918 B CN 109657918B CN 201811378877 A CN201811378877 A CN 201811378877A CN 109657918 B CN109657918 B CN 109657918B
- Authority
- CN
- China
- Prior art keywords
- evaluation object
- risk
- data
- feature
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能技术领域,应用于金融行业,特别是涉及一种关联评估对象的风险预警方法、装置、计算机设备和存储介质。一个实施例中的方法包括:获取评估对象知识图谱以及评估对象的状态指标信息,提取评估对象知识图谱中的关联关系特征向量,将关联关系特征向量和评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;获取评估对象的出险状态,根据整合后的特征向量以及评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;获取出险评估对象,根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象的风险概率,根据风险概率对关联评估对象进行风险预警。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种关联评估对象的风险预警方法、装置、计算机设备和存储介质。
背景技术
随着全球经济的快速发展,大型企业集团以及中小型企业不断涌现。企业在经营过程中,可能会遇到各种各样的问题,为了保证企业运营的稳定性,必须对出现的风险进行规避和解决,降低出险概率,以提高企业竞争力。
企业风险是一个动态的过程,并且具有传导性,企业风险通过传导机制积累、放大甚至突发,从而引发企业危机。从企业风险传导出发,获取出险企业的关联企业的出险概率,是防范出险企业的关联企业的企业风险的一种有效途径。而传统的风险预警方法是通过人工对数据进行处理,得到风险概率从而对高风险的客户进行预警操作,这样导致处理效率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预警效率的关联评估对象的风险预警方法、装置、计算机设备和存储介质。
一种关联评估对象的风险预警方法,所述方法包括:
获取评估对象知识图谱以及评估对象的状态指标信息;
提取所述评估对象知识图谱中的关联关系特征向量,将所述关联关系特征向量和所述评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;
获取评估对象的出险状态,根据所述整合后的特征向量以及所述评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;
获取出险评估对象,根据所述已训练的深度神经网络模型以及所述出险评估对象,得到所述出险评估对象对应的关联评估对象的风险概率,根据所述风险概率对所述关联评估对象进行风险预警。
在一个实施例中,所述根据已训练的深度神经网络模型以及所述出险评估对象,得到所述出险评估对象对应的关联评估对象的风险概率,根据所述风险概率对所述关联评估对象进行风险预警,包括:
根据已训练的深度神经网络模型以及所述出险评估对象,得到所述出险评估对象对应的关联评估对象以及所述关联评估对象的风险概率;
获取所述关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,基于所述关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,得到所述关联评估对象的最优推送阈值;
根据所述最优推送阈值和所述关联评估对象的风险概率,对所述关联评估对象进行风险预警。
在一个实施例中,所述获取评估对象知识图谱之前还包括:
基于预设数据源获取评估对象数据,并通过预设三级数据收集体系对所述评估对象数据进行补全,得到补全的评估对象数据;
对所述补全的评估对象数据依次进行格式化、清洗以及采样处理,得到处理后的数据,根据所述处理后的数据构建评估对象知识图谱。
在一个实施例中,所述根据处理后的数据构建评估对象知识图谱,包括:
获取所述处理后的数据中的节点,以所述节点为主体目标,对所述处理后的数据进行映射与合并;
基于所述映射与合并后的数据,获取所述节点的属性和关系,通过所述属性表示不同数据源对所述节点的描述,利用所述关系描述所述节点的数据之间的关联关系;
通过节点链接技术对围绕所述节点的属性和关系进行关联存储,并使用事件机制描述事件与所述节点间的关联,利用时序描述所述事件的动态发展,生成评估对象知识图谱。
在一个实施例中,所述将所述关联关系特征向量和所述评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量,包括:
根据所述关联关系特征向量和所述评估对象的状态指标信息进行特征构建,并从构建的特征中通过特征转换方式进行特征提取,得到特征集合;
利用预设特征重要性评价指标以及预设特征选择方法对所述特征集合中的特征进行选择,得到特征子集,根据所述特征子集得到整合后的特征向量。
在一个实施例中,所述获取评估对象的出险状态,根据所述整合后的特征向量以及所述评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型,包括:
根据所述整合后的特征向量对深度神经网络模型进行无监督学习训练,得到所述深度神经网络模型的预训练权值;
获取评估对象的出险状态,将所述评估对象的出险状态作为有监督学习训练的标签,并以所述预训练权值作为所述有监督学习训练的初值进行模型训练,得到已训练的深度神经网络模型。
在一个实施例中,所述根据所述风险概率对所述关联评估对象进行风险预警,包括:
获取所述关联评估对象所属分类类型,根据所述分类类型和所述风险概率构建不同关联评估对象的风险动态画像;
推送所述风险动态画像至对应的关联评估对象。
一种关联评估对象的风险预警装置,所述装置包括:
获取模块,用于获取评估对象知识图谱以及评估对象的状态指标信息;
特征工程模块,用于提取所述评估对象知识图谱中的关联关系特征向量,将所述关联关系特征向量和所述评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;
模型训练模块,用于获取评估对象的出险状态,根据所述整合后的特征向量以及所述评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;
风险预警模块,用于获取出险评估对象,根据所述已训练的深度神经网络模型以及所述出险评估对象,得到所述出险评估对象对应的关联评估对象的风险概率,根据所述风险概率对所述关联评估对象进行风险预警。
一种计算机设备,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:
获取评估对象知识图谱以及评估对象的状态指标信息;
提取所述评估对象知识图谱中的关联关系特征向量,将所述关联关系特征向量和所述评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;
获取评估对象的出险状态,根据所述整合后的特征向量以及所述评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;
获取出险评估对象,根据所述已训练的深度神经网络模型以及所述出险评估对象,得到所述出险评估对象对应的关联评估对象的风险概率,根据所述风险概率对所述关联评估对象进行风险预警。
一种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:
获取评估对象知识图谱以及评估对象的状态指标信息;
提取所述评估对象知识图谱中的关联关系特征向量,将所述关联关系特征向量和所述评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;
获取评估对象的出险状态,根据所述整合后的特征向量以及所述评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;
获取出险评估对象,根据所述已训练的深度神经网络模型以及所述出险评估对象,得到所述出险评估对象对应的关联评估对象的风险概率,根据所述风险概率对所述关联评估对象进行风险预警。
上述关联评估对象的风险预警方法、装置、计算机设备和存储介质,通过提取关联关系特征向量,将关联关系特征向量和状态指标信息进行特征工程整合,基于整合后的特征向量对深度神经网络模型进行训练,再通过已训练的深度神经网络模型预测出险评估对象对应的关联评估对象的风险概率,从而实现对关联评估对象的风险预警,无需人工处理数据,可以有效提高风险预警效率。
附图说明
图1为一个实施例中关联评估对象的风险预警方法的流程示意图;
图2为一个实施例中风险预警步骤的流程示意图;
图3为一个实施例中数据采集与处理步骤的流程示意图;
图4为一个实施例构建评估对象知识图谱步骤的流程示意图;
图5为一个实施例中特征工程整合步骤的流程示意图;
图6为一个实施例中关联评估对象的风险预警装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种关联评估对象的风险预警方法,包括以下步骤:
步骤102,获取评估对象知识图谱以及评估对象的状态指标信息。
评估对象是指彼此之间具有关系的客体,其中,客体具体可以是企业、个体商户等,知识图谱是指通过节点和关系组成的图谱,可以对各个场景进行直观建模。具体地,在知识图谱中,用实体来表达图中的节点,用关系来表达图中的边,实体指的是现实世界中的事物,比如人、地名、概念、药物、公司等,关系则用来表达不同实体之间的某种联系,比如人“居住在”北京、张三和李四是“朋友”、逻辑回归是深度学习的“先导知识”等等。
状态指标信息包括主体、主因子、从因子以及三者之间的映射关系,其中,主体可以是多个,各主体分别对应不同的主因子,各主因子对应不同的从因子。以企业作为评估对象为例,主体具体可以是城投企业、房地产企业客户、国内宏观数据、国内区域宏观数据、金融市场、普通对公客户等,各主体分别对应不同的主因子以及从因子,从因子是对主因子的细化。比如,国内宏观数据对应的主因子包括财政、对外贸易及投资、固定资产投资、国民经济核算、国内贸易、宏观经济重要指标、景气指数、利率、人民生活、物价指数、银行与货币等;财政对应的从因子包括地方本级财政收支、地方公共财政收支以及中央财政收支,国民经济核算对应的从因子包括分行业生产总值和国内生产总值。
步骤104,提取评估对象知识图谱中的关联关系特征向量,将关联关系特征向量和评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量。
关联关系是指群体中不同对象之间的关系,以企业关系为例,关联企业是指与其他企业之间存在直接或间接控制关系或重大影响关系的企业,相互之间具有联系的各企业互为关联企业。关联企业在法律上可表现为由控制公司和从属公司构成,而控制公司与从属公司的形成主要在于关联公司之间的统一管理关系的存在,这种关系往往借助于控制公司对从属公司实质上的控制而形成。
关联关系特征向量是指将关联关系翻译为具有自身特点的向量表达。特征工程是将原始数据转化为更好的表达问题本质的特征的过程,通过特征工程整合使得将这些特征运用到预测模型中能在未知数据中获得更好的模型准确率。
采用Knowledge Graph Embedding(知识图谱特征学习)技术中的TransH方法,对评估对象知识图谱上每个节点信息进行学习,得到节点间的关系信息,如关系类型、关系特征等,输出关联关系特征向量。知识图谱特征学习对知识图谱中的每个实体和关系学习得到一个低维向量,同时保持图中原有的结构或语义信息。通过向量可以充分且完全地表示实体之间的相互关系,而大多机器学习算法都可以很方便地处理低维向量输入。知识图谱特征学习的模型包括基于距离的翻译模型,该类模型使用基于距离的评分函数评估三元组的概率,将尾节点视为头节点和关系翻译得到的结果,如TransH。
步骤106,获取评估对象的出险状态,根据整合后的特征向量以及评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型。
将包含关联关系和状态指标信息的特征向量输入DNN(Deep Neural Network,深度神经网络)模型,同时将评估对象的出险状态作为监督学习的真实标签,进行模型训练,通过深度神经网络模型挖掘特征之间的组合以及高阶交互关系,利用已训练的深度神经网络模型预测出险客户的关联客户的出险概率。将深度学习算法应用于风险预警,在大数据和大量案例中学习出险的规律,深度学习具有对高维稀疏数据进行特征提取,对非线性复杂特征及特征组合的拟合能力,比如出险状态与因子组合之间错综复杂的关系。
步骤108,获取出险评估对象,根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象的风险概率,根据风险概率对关联评估对象进行风险预警。
出险评估对象是指评估对象知识图谱中出险的评估对象,关联评估对象是指评估对象知识图谱中与出险的评估对象有关联关系的评估对象。比如给定关系网中任意企业A出险,即A为发生风险的源客户,通过已训练的深度神经网络模型可以输出被A传染的企业,即出险评估对象对应的关联评估对象,以及被传染的企业的风险概率。被传染企业的风险概率可表示为P(Xi=1|A=1),其中,Xi为被A传染的企业。
上述关联评估对象的风险预警方法,通过提取关联关系特征向量,将关联关系特征向量和状态指标信息进行特征工程整合,基于整合后的特征向量对深度神经网络模型进行训练,再通过已训练的深度神经网络模型预测出险评估对象对应的关联评估对象的风险概率,从而实现对关联评估对象的风险预警,无需人工处理数据,可以有效提高风险预警效率,另一方面,也可以避免人工处理误判状况的发生,提高风险预警的准确率。
在一个实施例中,根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象的风险概率,根据风险概率对关联评估对象进行风险预警,如图2所示,包括:步骤202,根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象以及关联评估对象的风险概率;步骤204,获取关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,基于关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,得到关联评估对象的最优推送阈值;步骤206,根据最优推送阈值和关联评估对象的风险概率,对关联评估对象进行风险预警。评价已训练的深度神经网络模型对于好坏样本的区分能力,通过模型输出的参数,将其转化为评分规则。根据已训练的深度神经网络模型以及出险企业,得到出险企业的关联企业,预先对不良评估对象进行定义,比如将逾期大于30天或债券违约的企业定义为不良评估对象,即坏样本,反之,则为好样本。命中率是指关联评估对象中满足预设不良评估对象定义的评估对象所占比例,误报率是指将不满足预设不良评估对象定义的评估对象误以为预设不良评估对象的概率。
比如阈值85%时,预设不良评估对象的误报率为13%,命中率为72%;阈值75%时,预设不良评估对象的误报率为26%,命中率为85%;阈值65%时,预设不良评估对象的误报率为36%,命中率为90%。分析好坏样本的分布情况,不同阈值下的命中率和误报率走势,从深度神经网络模型角度出发,给出最优推送阈值。推送阈值是指风险推送客户占总客户的比例,推送阈值应保持合理标准,否则将导致业务人员的工作量超负荷。推送信号的客户中,坏客户的命中率至少大于最低要求;未推送信号的客户中,漏报坏客户敞口金额应低于最低的管理要求,避免超额损失。此外,筛选与业务相关的重要信号,减少次要信号推送,从信号强度、信号数量以及维度综合考虑,推送有价值的预警信息。
在一个实施例中,获取评估对象知识图谱之前还包括数据采集与处理,如图3所示,数据采集与处理包括:步骤302,基于预设数据源获取评估对象数据,并通过预设三级数据收集体系对评估对象数据进行补全,得到补全的评估对象数据;步骤304,对补全的评估对象数据依次进行格式化、清洗以及采样处理,得到处理后的数据,根据处理后的数据构建评估对象知识图谱。预设数据源包括集团内部数据、政府部门数据、合作机构数据、机构上传数据以及互联网端数据。预设三级数据收集体系包括内部数据挖掘、外部数据整合以及动态收集,其中,内部数据挖掘是指根据不同属性企业差异,使用更广泛数据建模;建立数据关联关系并对关联关系挖掘,以及隐含信息的挖掘。外部数据整合包括前瞻性外部数据补充,由业务需求触发数据补全与数据融合,以及通过基本信息查询画像变量。动态收集包括开通一线业务员上报通道,鼓励其及时上报风险点;将数据收集方式嵌入业务流程,重点收集企业行为数据;通过A/B对照测试的方法,验证各类标签,动态优化企业信息;以及爬取相关细分行业的业务交流群/论坛。
格式化是指对数据建立统一的标准,将原始数据转化为统一标准下的数据,比如通过无量纲化将不同规格的数据转换至同一规格;数据清洗是指删除无关数据、重复数据,处理缺失值、异常值。数据采样中对于分类问题,选取正例、负例,对于采样得到的样本,根据需要设定样本权重。当模型不能使用全部的数据来训练时,设定一定的采样率对数据进行采样,采样的方法包括随机采样、固定比例采样等。
在一个实施例中,根据处理后的数据构建评估对象知识图谱,如图4所示,包括:步骤402,获取处理后的数据中的节点,以节点为主体目标,对处理后的数据进行映射与合并;步骤404,基于映射与合并后的数据,获取节点的属性和关系,通过属性表示不同数据源对节点的描述,利用关系描述节点的数据之间的关联关系;步骤406,通过节点链接技术对围绕节点的属性和关系进行关联存储,并使用事件机制描述事件与节点间的关联,利用时序描述事件的动态发展,生成评估对象知识图谱。具体地,首先进行实体抽取与合并,以实体为主体目标,实现对不同来源的数据进行映射与合并。然后进行属性映射与归并,利用属性来表示不同数据源中针对实体的描述,形成对实体的全方位描述,合并不同源的属性。接着进行关系抽取,利用关系来描述各类抽象建模成实体的数据之间的关联关系,从而支持关联分析,关系抽取并不合并,但是会链接。再进行实体链接,通过实体链接技术实现围绕实体的多种类型数据的关联存储。最后进行动态事件描述,使用事件机制描述客观世界中动态发展,体现事件与实体间的关联,并利用时序描述事件的发展状况。
在一个实施例中,将关联关系特征向量和评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量,如图5所示,包括:步骤502,根据关联关系特征向量和评估对象的状态指标信息进行特征构建,并从构建的特征中通过特征转换方式进行特征提取,得到特征集合;步骤504,利用预设特征重要性评价指标以及预设特征选择方法对特征集合中的特征进行选择,得到特征子集,根据特征子集得到整合后的特征向量。特征工程指的是把原始数据转变为模型训练数据的过程,目的是获取更好的训练数据特征。特征工程能使得模型的性能得到提升,特征工程包括特征构建、特征提取、特征选择三个部分。特征提取与特征选择是为了从原始特征中找出最有效的特征,特征提取通过特征转换的方式得到具有明显物理意义或统计意义的特征;而特征选择是从特征集合中挑选具有明显物理意义或统计意义的特征子集。两者都能帮助减少特征的维度、数据冗余,特征提取能发现更有意义的特征属性,特征选择的过程能表示出每个特征的重要性对于模型构建的重要性。
特征选择目的是从特征集合中挑选最具统计意义的特征子集,从而达到降维的效果,可以通过特征项和类别项之间的相关性(特征重要性)来衡量。比如,通过特征重要性评价指标单独地计算出单个特征跟类别变量之间的关系,如Pearson相关系数、基尼指数、信息增益等。特征选择方法包括刷选器方法、封装器方法和集成方法,刷选器方法是指删除无关的数据,侧重于单个特征跟目标变量的相关性;封装器方法实质上是一个分类器,封装器用选取的特征子集对样本集进行分类,分类的精度作为衡量特征子集好坏的标准,经过比较选出最好的特征子集;集成方法是学习器自身自主选择特征,如使用正则化做特征选择,或者使用决策树思想。
在一个实施例中,对于关联关系特征向量和评估对象的状态指标信息中的表格型数据,通过特征组合或者分解分割,进行特征提取;对于关联关系特征向量和评估对象的状态指标信息中的文本数据,通过预设文档指标进行特征提取;对于关联关系特征向量和评估对象的状态指标信息中的图像数据,通过预设检测方法进行特征提取。对于图像数据,可以通过线检测方法、边缘检测方法或尺度不变特征变换方法进行特征提取。表格数据中的每一行表示一个观测样本数据,表格数据中的每一列表示一个特征。结构型的表格数据,可以通过组合二个、三个不同的属性构造新的特征,如果存在时间相关属性,可以划出不同的时间窗口,得到同一属性在不同时间下的特征值;也可以把一个属性分解或切分,例如将数据中的日期字段按照季度和周期或者一天的上午、下午和晚上进行划分。
在一个实施例中,获取评估对象的出险状态,根据整合后的特征向量以及评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型,包括:根据整合后的特征向量对深度神经网络模型进行无监督学习训练,得到深度神经网络模型的预训练权值;获取评估对象的出险状态,将评估对象的出险状态作为有监督学习训练的标签,并以预训练权值作为有监督学习训练的初值进行模型训练,得到已训练的深度神经网络模型。深度神经网络模型在做有监督学习之前先做无监督学习,然后将无监督学习学到的权值当作有监督学习的初值进行训练。通过无监督学习对深度神经网络模型进行预训练得到数据P(X),然后通过有监督学习对深度神经网络模型进行训练,比如BP算法(Error BackPropagation,误差反向传播),得到P(Y|X),其中Y为输出(比如类别标签)。P(X)的学习有助于P(Y|X)的学习,这种学习思路不仅学习了条件概率分布P(Y|X),还学习了X和Y的联合概率分布,相对于单纯的有监督学习有助于降低过拟合的风险。
在一个实施例中,根据风险概率对关联评估对象进行风险预警,包括:获取关联评估对象所属分类类型,根据分类类型和风险概率构建不同关联评估对象的风险动态画像;推送风险动态画像至对应的关联评估对象。具体地,按照不同行业进行分类,比如电力电子元器件制造企业,包括个人、政策、融资、涉诉、交易、资产、投资等各子分类,获取各子分类的风险概率,将各子分类及其对应的风险概率关联,形成风险动态画像并推送。
应该理解的是,虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种关联评估对象的风险预警装置,包括:获取模块602、特征工程模块604、模型训练模块606和风险预警模块608。获取模块,用于获取评估对象知识图谱以及评估对象的状态指标信息;特征工程模块,用于提取评估对象知识图谱中的关联关系特征向量,将关联关系特征向量和评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;模型训练模块,用于获取评估对象的出险状态,根据整合后的特征向量以及评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;风险预警模块,用于获取出险评估对象,根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象的风险概率,根据风险概率对所述关联评估对象进行风险预警。
在一个实施例中,风险预警模块包括:概率获取单元,用于根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象以及关联评估对象的风险概率;阈值获取单元,用于获取关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,基于关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,得到关联评估对象的最优推送阈值;推送单元,用于根据最优推送阈值和关联评估对象的风险概率,对关联评估对象进行风险预警。
在一个实施例中,获取模块之前还包括数据补全模块,用于基于预设数据源获取评估对象数据,并通过预设三级数据收集体系对评估对象数据进行补全,得到补全的评估对象数据;数据处理模块,用于对补全的评估对象数据依次进行格式化、清洗以及采样处理,得到处理后的数据,根据处理后的数据构建评估对象知识图谱。
在一个实施例中,数据处理模块包括:映射与合并单元,用于获取处理后的数据中的节点,以节点为主体目标,对处理后的数据进行映射与合并;属性与关系单元,用于基于映射与合并后的数据,获取节点的属性和关系,通过属性表示不同数据源对节点的描述,利用关系描述节点的数据之间的关联关系;事件描述单元,用于通过节点链接技术对围绕节点的属性和关系进行关联存储,并使用事件机制描述事件与节点间的关联,利用时序描述事件的动态发展,生成评估对象知识图谱。
在一个实施例中,特征工程模块包括:特征构建与提取单元,用于根据关联关系特征向量和评估对象的状态指标信息进行特征构建,并从构建的特征中通过特征转换方式进行特征提取,得到特征集合;特征选择单元,用于利用预设特征重要性评价指标以及预设特征选择方法对特征集合中的特征进行选择,得到特征子集,根据特征子集得到整合后的特征向量。
在一个实施例中,模型训练模块包括预训练单元,用于根据整合后的特征向量对深度神经网络模型进行无监督学习训练,得到深度神经网络模型的预训练权值;监督训练单元,用于获取评估对象的出险状态,将评估对象的出险状态作为有监督学习训练的标签,并以预训练权值作为有监督学习训练的初值进行模型训练,得到已训练的深度神经网络模型。
在一个实施例中,风险预警模块包括:动态画像获取单元,用于获取关联评估对象所属分类类型,根据分类类型和风险概率构建不同关联评估对象的风险动态画像;画像推送单元,用于推送风险动态画像至对应的关联评估对象。
关于关联评估对象的风险预警装置的具体限定可以参见上文中对于关联评估对象的风险预警方法的限定,在此不再赘述。上述关联评估对象的风险预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种关联评估对象的风险预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取评估对象知识图谱以及评估对象的状态指标信息,提取评估对象知识图谱中的关联关系特征向量,将关联关系特征向量和评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;获取评估对象的出险状态,根据整合后的特征向量以及评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;获取出险评估对象,根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象的风险概率,根据风险概率对关联评估对象进行风险预警。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象以及关联评估对象的风险概率;获取关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,基于关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,得到关联评估对象的最优推送阈值;根据最优推送阈值和关联评估对象的风险概率,对关联评估对象进行风险预警。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于预设数据源获取评估对象数据,并通过预设三级数据收集体系对评估对象数据进行补全,得到补全的评估对象数据;对补全的评估对象数据依次进行格式化、清洗以及采样处理,得到处理后的数据,根据处理后的数据构建评估对象知识图谱。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取处理后的数据中的节点,以节点为主体目标,对处理后的数据进行映射与合并;基于映射与合并后的数据,获取节点的属性和关系,通过属性表示不同数据源对节点的描述,利用关系描述节点的数据之间的关联关系;通过节点链接技术对围绕节点的属性和关系进行关联存储,并使用事件机制描述事件与节点间的关联,利用时序描述事件的动态发展,生成评估对象知识图谱。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据关联关系特征向量和评估对象的状态指标信息进行特征构建,并从构建的特征中通过特征转换方式进行特征提取,得到特征集合;利用预设特征重要性评价指标以及预设特征选择方法对特征集合中的特征进行选择,得到特征子集,根据特征子集得到整合后的特征向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据整合后的特征向量对深度神经网络模型进行无监督学习训练,得到深度神经网络模型的预训练权值;获取评估对象的出险状态,将评估对象的出险状态作为有监督学习训练的标签,并以预训练权值作为有监督学习训练的初值进行模型训练,得到已训练的深度神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取关联评估对象所属分类类型,根据分类类型和风险概率构建不同关联评估对象的风险动态画像;推送风险动态画像至对应的关联评估对象。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取评估对象知识图谱以及评估对象的状态指标信息,提取评估对象知识图谱中的关联关系特征向量,将关联关系特征向量和评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;获取评估对象的出险状态,根据整合后的特征向量以及评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;获取出险评估对象,根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象的风险概率,根据风险概率对关联评估对象进行风险预警。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据已训练的深度神经网络模型以及出险评估对象,得到出险评估对象对应的关联评估对象以及关联评估对象的风险概率;获取关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,基于关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,得到关联评估对象的最优推送阈值;根据最优推送阈值和关联评估对象的风险概率,对关联评估对象进行风险预警。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于预设数据源获取评估对象数据,并通过预设三级数据收集体系对评估对象数据进行补全,得到补全的评估对象数据;对补全的评估对象数据依次进行格式化、清洗以及采样处理,得到处理后的数据,根据处理后的数据构建评估对象知识图谱。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取处理后的数据中的节点,以节点为主体目标,对处理后的数据进行映射与合并;基于映射与合并后的数据,获取节点的属性和关系,通过属性表示不同数据源对节点的描述,利用关系描述节点的数据之间的关联关系;通过节点链接技术对围绕节点的属性和关系进行关联存储,并使用事件机制描述事件与节点间的关联,利用时序描述事件的动态发展,生成评估对象知识图谱。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据关联关系特征向量和评估对象的状态指标信息进行特征构建,并从构建的特征中通过特征转换方式进行特征提取,得到特征集合;利用预设特征重要性评价指标以及预设特征选择方法对特征集合中的特征进行选择,得到特征子集,根据特征子集得到整合后的特征向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据整合后的特征向量对深度神经网络模型进行无监督学习训练,得到深度神经网络模型的预训练权值;获取评估对象的出险状态,将评估对象的出险状态作为有监督学习训练的标签,并以预训练权值作为有监督学习训练的初值进行模型训练,得到已训练的深度神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取关联评估对象所属分类类型,根据分类类型和风险概率构建不同关联评估对象的风险动态画像;推送风险动态画像至对应的关联评估对象。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种关联评估对象的风险预警方法,所述方法包括:
获取处理后的数据中的节点,以所述节点为主体目标,对所述处理后的数据进行映射与合并;
基于所述映射与合并后的数据,获取所述节点的属性和关系,通过所述属性表示不同数据源对所述节点的描述,利用所述关系描述所述节点的数据之间的关联关系;
通过节点链接技术对围绕所述节点的属性和关系进行关联存储,并使用事件机制描述事件与所述节点间的关联,利用时序描述所述事件的动态发展,生成评估对象知识图谱;
获取评估对象的状态指标信息;
提取所述评估对象知识图谱中的关联关系特征向量,将所述关联关系特征向量和所述评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;
获取评估对象的出险状态,根据所述整合后的特征向量以及所述评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;
获取出险评估对象,根据已训练的深度神经网络模型以及所述出险评估对象,得到所述出险评估对象对应的关联评估对象以及所述关联评估对象的风险概率;
获取所述关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,基于所述关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,得到所述关联评估对象的最优推送阈值;
根据所述最优推送阈值和所述关联评估对象的风险概率,对所述关联评估对象进行风险预警。
2.根据权利要求1所述的方法,其特征在于,所述生成评估对象知识图谱之前还包括:
基于预设数据源获取评估对象数据,并通过预设三级数据收集体系对所述评估对象数据进行补全,得到补全的评估对象数据;
对所述补全的评估对象数据依次进行格式化、清洗以及采样处理,得到处理后的数据,根据所述处理后的数据构建评估对象知识图谱。
3.根据权利要求1所述的方法,其特征在于,所述将所述关联关系特征向量和所述评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量,包括:
根据所述关联关系特征向量和所述评估对象的状态指标信息进行特征构建,并从构建的特征中通过特征转换方式进行特征提取,得到特征集合;
利用预设特征重要性评价指标以及预设特征选择方法对所述特征集合中的特征进行选择,得到特征子集,根据所述特征子集得到整合后的特征向量。
4.根据权利要求1所述的方法,其特征在于,所述获取评估对象的出险状态,根据所述整合后的特征向量以及所述评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型,包括:
根据所述整合后的特征向量对深度神经网络模型进行无监督学习训练,得到所述深度神经网络模型的预训练权值;
获取评估对象的出险状态,将所述评估对象的出险状态作为有监督学习训练的标签,并以所述预训练权值作为所述有监督学习训练的初值进行模型训练,得到已训练的深度神经网络模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述风险概率对所述关联评估对象进行风险预警,包括:
获取所述关联评估对象所属分类类型,根据所述分类类型和所述风险概率构建不同关联评估对象的风险动态画像;
推送所述风险动态画像至对应的关联评估对象。
6.一种关联评估对象的风险预警装置,其特征在于,所述装置包括:
映射与合并模块,用于获取处理后的数据中的节点,以所述节点为主体目标,对所述处理后的数据进行映射与合并;
属性与关系模块,用于基于所述映射与合并后的数据,获取所述节点的属性和关系,通过所述属性表示不同数据源对所述节点的描述,利用所述关系描述所述节点的数据之间的关联关系;
事件描述模块,用于通过节点链接技术对围绕所述节点的属性和关系进行关联存储,并使用事件机制描述事件与所述节点间的关联,利用时序描述所述事件的动态发展,生成评估对象知识图谱;
获取模块,用于获取评估对象的状态指标信息;
特征工程模块,用于提取所述评估对象知识图谱中的关联关系特征向量,将所述关联关系特征向量和所述评估对象的状态指标信息进行特征工程整合,得到整合后的特征向量;
模型训练模块,用于获取评估对象的出险状态,根据所述整合后的特征向量以及所述评估对象的出险状态对深度神经网络模型进行训练,得到已训练的深度神经网络模型;
风险预警模块,用于获取出险评估对象,根据已训练的深度神经网络模型以及所述出险评估对象,得到所述出险评估对象对应的关联评估对象以及所述关联评估对象的风险概率;获取所述关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,基于所述关联评估对象不同推送阈值下预设不良评估对象的命中率和误报率,得到所述关联评估对象的最优推送阈值;根据所述最优推送阈值和所述关联评估对象的风险概率,对所述关联评估对象进行风险预警。
7.根据权利要求6所述的装置,其特征在于,获取模块之前还包括:
数据补全模块,用于基于预设数据源获取评估对象数据,并通过预设三级数据收集体系对所述评估对象数据进行补全,得到补全的评估对象数据;
数据处理模块,用于对所述补全的评估对象数据依次进行格式化、清洗以及采样处理,得到处理后的数据,根据所述处理后的数据构建评估对象知识图谱。
8.根据权利要求6所述的装置,其特征在于,特征工程模块包括:
特征构建与提取单元,用于根据所述关联关系特征向量和所述评估对象的状态指标信息进行特征构建,并从构建的特征中通过特征转换方式进行特征提取,得到特征集合;
特征选择单元,用于利用预设特征重要性评价指标以及预设特征选择方法对所述特征集合中的特征进行选择,得到特征子集,根据所述特征子集得到整合后的特征向量。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811378877.9A CN109657918B (zh) | 2018-11-19 | 2018-11-19 | 关联评估对象的风险预警方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811378877.9A CN109657918B (zh) | 2018-11-19 | 2018-11-19 | 关联评估对象的风险预警方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657918A CN109657918A (zh) | 2019-04-19 |
CN109657918B true CN109657918B (zh) | 2023-07-18 |
Family
ID=66111365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811378877.9A Active CN109657918B (zh) | 2018-11-19 | 2018-11-19 | 关联评估对象的风险预警方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657918B (zh) |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297469B (zh) * | 2019-05-17 | 2022-02-18 | 同济大学 | 基于重采样的集成特征选择算法的生产线故障判断方法 |
CN112132367A (zh) * | 2019-06-05 | 2020-12-25 | 国网信息通信产业集团有限公司 | 一种用于企业经营管理风险识别的建模方法及装置 |
CN112053021A (zh) * | 2019-06-05 | 2020-12-08 | 国网信息通信产业集团有限公司 | 一种用于企业经营管理风险识别的特征编码方法及装置 |
CN110210227B (zh) * | 2019-06-11 | 2021-05-14 | 百度在线网络技术(北京)有限公司 | 风险检测方法、装置、设备和存储介质 |
CN110362639A (zh) * | 2019-06-27 | 2019-10-22 | 上海淇馥信息技术有限公司 | 一种基于群体关联计算分析的风险预警方法、装置、电子设备 |
CN110289101A (zh) * | 2019-07-02 | 2019-09-27 | 京东方科技集团股份有限公司 | 一种计算机设备、***及可读存储介质 |
CN110991470B (zh) * | 2019-07-03 | 2022-04-15 | 北京市应急管理科学技术研究院 | 数据降维方法、画像构建方法及***、可读存储介质 |
CN110503295A (zh) * | 2019-07-05 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 供应链金融的风险分析方法、装置、计算终端及存储介质 |
CN110348215B (zh) * | 2019-07-16 | 2021-08-06 | 深圳众赢维融科技有限公司 | 异常对象识别方法、装置、电子设备及介质 |
CN110956224B (zh) * | 2019-08-01 | 2024-03-08 | 平安科技(深圳)有限公司 | 评估模型生成、评估数据处理方法、装置、设备及介质 |
CN110569363A (zh) * | 2019-08-02 | 2019-12-13 | 深圳众赢维融科技有限公司 | 一种决策流组件生成方法、装置、电子设备及存储介质 |
CN110674970A (zh) * | 2019-08-19 | 2020-01-10 | 广州荔支网络技术有限公司 | 企业法务风险预警方法、装置、设备及可读存储介质 |
CN110544052A (zh) * | 2019-09-16 | 2019-12-06 | 北京明略软件***有限公司 | 关系网络图的展示方法及装置 |
CN112580916B (zh) * | 2019-09-30 | 2024-05-28 | 深圳无域科技技术有限公司 | 数据评估方法、装置、计算机设备和存储介质 |
CN110909975B (zh) * | 2019-10-11 | 2022-11-29 | 广东省科技基础条件平台中心 | 科研平台效益评估方法、装置 |
CN110798353B (zh) * | 2019-10-31 | 2022-04-05 | 南京欣网互联网络科技有限公司 | 基于行为特征大数据分析的网络行为风险感知及防御方法 |
CN110827157B (zh) * | 2019-11-05 | 2023-04-07 | 泰康保险集团股份有限公司 | 数据处理方法与装置、存储介质、电子设备 |
CN110968701A (zh) * | 2019-11-05 | 2020-04-07 | 量子数聚(北京)科技有限公司 | 用于图神经网络的关系图谱建立方法以及装置、设备 |
CN112785104B (zh) * | 2019-11-07 | 2024-06-18 | 北京沃东天骏信息技术有限公司 | 一种信息处理方法、装置、设备及存储介质 |
CN111000492B (zh) * | 2019-11-08 | 2021-10-08 | 尚科宁家(中国)科技有限公司 | 基于知识图谱的智能扫地机行为决策方法及智能扫地机 |
CN111177653B (zh) * | 2019-12-10 | 2023-05-30 | 中国建设银行股份有限公司 | 一种信用评估方法和装置 |
CN111178615B (zh) * | 2019-12-24 | 2023-10-27 | 成都数联铭品科技有限公司 | 一种企业风险识别模型的构建方法及*** |
CN111241277A (zh) * | 2020-01-06 | 2020-06-05 | 广州拉卡拉信息技术有限公司 | 一种基于稀疏图的用户身份识别方法及装置 |
CN111241300B (zh) * | 2020-01-09 | 2023-05-05 | 中信银行股份有限公司 | 舆情预警以及风险传播分析方法、***、设备及存储介质 |
CN111080178A (zh) * | 2020-01-22 | 2020-04-28 | 中国建设银行股份有限公司 | 一种风险监控方法和装置 |
CN111309824B (zh) * | 2020-02-18 | 2023-09-15 | 中国工商银行股份有限公司 | 实体关系图谱显示方法及*** |
CN113393066A (zh) * | 2020-03-11 | 2021-09-14 | 清华大学 | 生成风险评估模型的方法和装置以及风险评估方法和装置 |
CN111428050B (zh) * | 2020-03-23 | 2023-06-02 | 北京明略软件***有限公司 | 一种评测知识图谱的方法、装置、计算机存储介质及终端 |
CN111405563B (zh) * | 2020-03-24 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 保护用户隐私的风险检测方法和装置 |
CN111460051B (zh) * | 2020-04-02 | 2020-11-20 | 哈尔滨工程大学 | 一种基于树形结构与逐层次节点删减的数据关联方法 |
CN111915207B (zh) * | 2020-08-11 | 2021-07-30 | 中国民航科学技术研究院 | 基于知识图谱的民航安全风险分析方法及装置 |
CN112015909B (zh) * | 2020-08-19 | 2024-04-30 | 普洛斯科技(重庆)有限公司 | 知识图谱的构建方法及装置、电子设备、存储介质 |
CN111951104A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 一种基于关联图谱的风险传导预警方法 |
CN112036474A (zh) * | 2020-08-28 | 2020-12-04 | 光大科技有限公司 | 一种基于深度学习的风险确定方法及装置 |
CN112184012B (zh) * | 2020-09-27 | 2024-05-31 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN112132489A (zh) * | 2020-10-13 | 2020-12-25 | 深圳前海微众银行股份有限公司 | 涉诉风险预警处理方法、装置、设备及计算机存储介质 |
CN112256886B (zh) * | 2020-10-23 | 2023-06-27 | 平安科技(深圳)有限公司 | 图谱中的概率计算方法、装置、计算机设备及存储介质 |
CN112259232B (zh) * | 2020-10-26 | 2022-11-01 | 山东众阳健康科技集团有限公司 | 一种基于深度学习的vte风险自动评估*** |
CN112465011B (zh) * | 2020-11-25 | 2022-08-02 | 深圳平安医疗健康科技服务有限公司 | 基于项目研发过程的项目风险预测方法和*** |
CN112651573B (zh) * | 2020-12-31 | 2021-07-06 | 上海竞动科技有限公司 | 一种基于深度学习的风险预测方法和装置 |
CN112785414B (zh) * | 2021-01-04 | 2024-01-26 | 上海海事大学 | 一种基于知识图谱和本体推理机的信贷风险预测方法 |
CN113011961B (zh) * | 2021-01-29 | 2024-04-19 | 招商银行股份有限公司 | 公司关联信息风险监测方法、装置、设备及存储介质 |
CN112632197B (zh) * | 2021-02-01 | 2023-08-04 | 上海冰鉴信息科技有限公司 | 基于知识图谱的业务关系处理方法及装置 |
CN113269222A (zh) * | 2021-03-15 | 2021-08-17 | 上海电气集团股份有限公司 | 用于检测升降设备的特征值选取方法、检测方法和*** |
CN113111189B (zh) * | 2021-04-16 | 2021-10-22 | 上海弘玑信息技术有限公司 | 可解释性电网作业风险评估方法与装置 |
CN113537796A (zh) * | 2021-07-22 | 2021-10-22 | 大路网络科技有限公司 | 一种企业风险评估方法、装置及设备 |
CN113919962B (zh) * | 2021-10-21 | 2023-05-26 | 平安科技(深圳)有限公司 | 保单出险的智能分析方法、装置、设备及存储介质 |
CN115065509B (zh) * | 2022-05-27 | 2024-04-02 | 中电长城网际***应用有限公司 | 基于偏离函数的统计推断攻击的风险识别方法和装置 |
CN115115257A (zh) * | 2022-07-15 | 2022-09-27 | 广东粤财金融云科技股份有限公司 | 一种基于关系图谱的企业风险预警方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021377A (zh) * | 2016-05-11 | 2016-10-12 | 上海点荣金融信息服务有限责任公司 | 计算机实现的信息处理方法及装置 |
WO2017107794A1 (zh) * | 2015-12-22 | 2017-06-29 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置 |
CN108182295A (zh) * | 2018-02-09 | 2018-06-19 | 重庆誉存大数据科技有限公司 | 一种企业知识图谱属性抽取方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180027006A1 (en) * | 2015-02-24 | 2018-01-25 | Cloudlock, Inc. | System and method for securing an enterprise computing environment |
WO2016147276A1 (ja) * | 2015-03-13 | 2016-09-22 | 株式会社Ubic | データ分析システム及びデータ分析方法並びにデータ分析プログラム |
-
2018
- 2018-11-19 CN CN201811378877.9A patent/CN109657918B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017107794A1 (zh) * | 2015-12-22 | 2017-06-29 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置 |
CN106021377A (zh) * | 2016-05-11 | 2016-10-12 | 上海点荣金融信息服务有限责任公司 | 计算机实现的信息处理方法及装置 |
CN108182295A (zh) * | 2018-02-09 | 2018-06-19 | 重庆誉存大数据科技有限公司 | 一种企业知识图谱属性抽取方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109657918A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657918B (zh) | 关联评估对象的风险预警方法、装置和计算机设备 | |
CN109657917B (zh) | 评估对象的风险预警方法、装置、计算机设备和存储介质 | |
EP3985578A1 (en) | Method and system for automatically training machine learning model | |
Mittal et al. | Monitoring the impact of economic crisis on crime in India using machine learning | |
Tsai | Combining cluster analysis with classifier ensembles to predict financial distress | |
Iqbal et al. | Time-series prediction of cryptocurrency market using machine learning techniques | |
Steblianskaia et al. | Environmental-social-governance concept bibliometric analysis and systematic literature review: Do investors becoming more environmentally conscious? | |
CN113449204B (zh) | 基于局部聚合图注意力网络的社会事件分类方法、装置 | |
Cheng et al. | Prediction defaults for networked-guarantee loans | |
Dabab et al. | A decision model for data mining techniques | |
Butt et al. | Hybrid of deep learning and exponential smoothing for enhancing crime forecasting accuracy | |
Bithari et al. | Predicting academic performance of engineering students using ensemble method | |
Feng | Data Analysis and Prediction Modeling Based on Deep Learning in E‐Commerce | |
Lin et al. | Integrated business prestige and artificial intelligence for corporate decision making in dynamic environments | |
CN114049204A (zh) | 可疑交易数据录入方法、装置、计算机设备和计算机可读存储介质 | |
Ying | Research on bank credit default prediction based on data mining algorithm | |
Che et al. | Predicting financial distress using multimodal data: An attentive and regularized deep learning method | |
Ruhal et al. | A Comparative Study Of Statistical Methods And Machine Learning Approaches For Stock Price Prediction | |
Shimizu et al. | Model interpretation using improved local regression with variable importance | |
Sun et al. | Interpretable high-stakes decision support system for credit default forecasting | |
Gottam | How Machine Learning Can Be Used To Improve Predictive Analytics | |
Qiao et al. | A Novel Long‐and Short‐Term Memory Network with Time Series Data Analysis Capabilities | |
Singh et al. | A Study of Challenges and Limitations to Applying Machine Learning to Highly Unstructured Data | |
Yang et al. | Study on the economic benefits of carbon-neutral digital platforms for sustainable development based on the GPT-QRCNN model | |
Tilly | The impact of news narrative on the economy and financial markets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |