CN110363449A - 一种风险识别方法、装置及*** - Google Patents

Abstract

本发明提供了一种风险识别方法、装置及***，将知识图谱和事理图谱结合，获得风险识别图谱，通过对风险识别图谱中的事件进行聚类分析，并确定聚类后的各个类别的事件的风险等级。结合事件的风险等级、以及风险识别图谱中的其他属性，利用风险识别模型进行风险识别，确定出风险识别图谱中的待识别目标的风险因子。将事理图谱与知识图谱相结合，充分考虑了事件传导在企业风险识别中的重要作用，为企业风险识别提供了新思路，提高了企业风险识别结果的准确性。

Description

一种风险识别方法、装置及***

技术领域

本发明涉及计算机技术领域，特别涉及一种风险识别方法、装置及***。

背景技术

随着大数据时代的发展，从海量数据中提取有价值的信息成为研究的重点。通过海量数据的分析，对用户或企业进行风险识别，如：企业风险识别结果可以作为银行或其他金融机构信贷业务中评估企业客户信用最不可或缺的一部分。

知识图谱可以应用于数据分析，但目前金融企业风险识别落地的知识图谱大都是基于现有知识进行静态整合，静态整合是指现有知识图谱中大都存储的是概念性的静态知识。利用知识图谱评估个人或企业的风险，可能会影响其评估结果的准确性。如何提高企业风险识别的准确性，是本领域亟需解决的技术问题。

发明内容

本发明实施例提供了一种风险识别方法及装置，提高了风险识别结果的准确性。

一方面，提供了一种风险识别方法，包括：

获取风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

对所述风险识别图谱中的事件进行聚类和风险等级划分，获得不同类别的事件以及不同类别事件对应的风险等级；

将所述风险分级作为对应事件的属性存储在所述风险识别图谱中；

利用图嵌入算法将所述风险识别图谱转换为风险识别图向量；

将所述风险识别图像量输入到风险识别模型，获得所述风险识别图谱中的待识别目标的风险因子。

另一方面，提供了一种风险识别装置，包括：

图谱获取单元，用于获取风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

事件等级确定单元，用于对所述风险识别图谱中的事件进行聚类和风险等级划分，获得不同类别的事件以及不同类别事件对应的风险等级；

事件属性存储单元，用于将所述风险分级作为对应事件的属性存储在所述风险识别图谱中；

图嵌入单元，用于利用图嵌入算法将所述风险识别图谱转换为风险识别图向量；

风险识别单元，用于将所述风险识别图像量输入到风险识别模型，获得所述风险识别图谱中的待识别目标的风险因子。

又一方面，提供了一种风险识别数据处理设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述实施例中的风险识别方法。

又一方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述实施例中的风险识别方法。

又一方面，提供了一种风险识别***，包括：

图谱存储单元，用于存储构建完成的风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

图谱补全单元，用于填补图谱存储单元中存储的风险识别图谱中缺失的事件关系和缺失的事件关系的置信度；

事件风险等级划分单元，用于对图谱补全单元补充后的风险识别图谱中的事件进行聚类，并确定聚类后的事件的风险等级；

风险因子生成单元，用于基于图谱补全单元补充后的风险识别图谱中的事件、边、事件的风险等级、事件关系的置信度，确定待识别目标的风险因子；

知识查询单元，用于查询风险识别图谱中待识别目标的事件传导关系，确定所述待识别目标的风险成因。

在本发明实施例中提供了一种风险识别方法、装置、处理设备、计算机存储介质、***，将知识图谱和事理图谱结合，获得风险识别图谱，通过对风险识别图谱中的事件进行聚类分析，并确定聚类后的各个类别的事件的风险等级。结合事件的风险等级、以及风险识别图谱中的其他属性，利用风险识别模型进行风险识别，确定出风险识别图谱中的待识别目标的风险因子。将事理图谱与知识图谱相结合，充分考虑了事件传导在企业风险识别中的重要作用，为企业风险识别提供了新思路，提高了企业风险识别结果的准确性。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1是本说明书一个实施例中风险识别方法的流程示意图；

图2是本说明书一个实施例中风险识别图谱的结构示意图；

图3是本说明书又一个实施例中风险识别方法的流程示意图；

图4是本说明书实施例中提供的一种风险识别***的结构示意图；

图5是本说明书一个实施例中风险因子生成单元的结构示意图；

图6是本说明书一个实施例中风险识别装置的结构示意图；

图7是本说明书实施例中风险识别服务器的硬件结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

随着大数据时代的发展，可以通过大数据分析对个人或企业进行风险评估，基于评估结果以决策后续业务的开展。

本说明书一些实施例提供了一种风险识别方法，将知识图谱和事理图谱结合，获得风险识别图谱，通过对风险识别图谱中的事件进行聚类分析，并确定聚类后的各个类别的事件的风险等级。结合事件的风险等级、以及风险识别图谱中的其他属性，利用风险识别模型进行风险识别，确定出风险识别图谱中的待识别目标的风险因子。充分考虑了事件传导在企业风险识别中的重要作用，同时综合考虑了可能发生的事件的影响，为企业风险识别提供了新思路，提高了企业风险识别结果的准确性。

本说明书中风险识别方法可以应用在客户端或服务器中，客户端可以是智能手机、平板电脑、智能可穿戴设备(智能手表、虚拟现实眼镜、虚拟现实头盔等)、智能车载设备等电子设备。

具体地，图1是本说明书一个实施例中风险识别方法的流程示意图，如图1所示，本说明书一个实施例中提供的风险识别方法可以包括以下步骤：

步骤102、获取风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱。

本说明书实施例中的风险识别方法可以应用在对企业进行风险识别的场景中，如：应用在企业信贷业务中，金融机构可以通过对企业进行风险识别，确定是否与该企业合作。

在具体的实施过程中，获取的风险识别图谱可以是待识别企业对应的图谱，如：可以获取包含企业高管关系、借贷信息、投资信息等基础信息和事件关系如企业上市、股价上涨等事件的事理图谱。此外，本说明书实施例中的风险识别图谱可以包括事理图谱和知识图谱，其中事理图谱和知识图谱相互关联。知识图谱通常是基于现有知识进行静态整合，事理图谱以事件及事件之间的关系为实体及边，描述了事件之间的演化规律，体现了事件之间的动态关联。

本说明书实施例中可以从数据库中获取待识别目标即待识别企业的静态的知识图谱，再获取待识别企业的事理图谱，将知识图谱和事理图谱通过企业和事件之间的关系进行关联，获得风险识别图谱。

图2是本说明书一个实施例中风险识别图谱的结构示意图，如图2所示，图中上半部分为事理图谱，以“高管丑闻-83％-利润下滑”这条关系为例，该关系可称为一个三元组，可解释为“高管丑闻”导致“利润下滑”的置信度为83％。图2中下半部分为知识图谱，知识图谱与事理图谱通过“A企业--利润下滑”相关联，A企业的“投资”和“高管”两条边示例性示出知识图谱中存储的静态数据。

步骤104、对所述风险识别图谱中的事件进行聚类和风险等级划分，获得不同类别的事件以及不同类别事件对应的风险等级。

在具体的实施过程中，可以利用聚类算法对知识图谱中的事件进行聚类分析，将风险识别图谱中的事件划分成不同的类别，并确定不同类别事件的风险等级。其中，聚类算法可以选用常用的机器学习算法包括但不限于EM(Expectation MaximizationAlgorithm，期望极大算法)、DBSCAN(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类方法)、K-Means(基于距离的聚类算法)聚类等。将风险识别图谱中的事件进行聚类后，可以利用专家规则根据聚类结果，对每类事件进行风险等级划分。如：可以预先设置风险等级为0～10，通过业务专家分析或预先设置风险等级规则等方式，确定聚类后各个类别的事件对应的风险等级。

本说明书一些实施例中可以使用K-Means聚类，该聚类算法相对高效，该算法输入为向量化后的事件词及预期得到的类别个数，输出为类别及每类所包含的事件。向量化是指通过模型将文本类的事件映射到向量化的数学空间，用于聚类模型训练。常用的词向量化方法包括但不限于词袋模型、word2vec、n-gram(汉语语言模型)等。

步骤106、将所述风险分级作为对应事件的属性存储在所述风险识别图谱中。

在具体的实施过程中，可以将确定的事件的风险等级作为事件的属性，保存在风险识别图谱中，作为后续企业风险识别的特征之一。事件属性是指事件本身的固有属性，如图2中事件“高管丑闻”所示，“风险等级”属性只与事件本身有关。

步骤108、利用图嵌入算法将所述风险识别图谱转换为风险识别图向量。

在具体的实施过程中，可以将风险识别图谱，包含事件、事件的风险等级、度数信息等，运用图嵌入算法生成风险识别图向量。图嵌入算法包括但不限于已有框架如TransE(Translating Embedding)，LINE(Large-scale information network embedding)，node2vec(一种基于邻居留存的特征学习优化算法)等。

本说明书一些实施例中使用的图嵌入算法可以为GNN(Graph Neural Network，图神经网络算法)，GNN算法的输入可以为整张异构图即风险识别图谱，异构图包括所有实体、关系、实体属性即风险等级，边属性即置信度等信息，输出为每个企业实体的嵌入向量。利用GNN算法可以实现快速准确的将风险识别图谱转换成风险识别图向量，为后续风险识别奠定了数据基础。

步骤110、将所述风险识别图像量输入到风险识别模型，获得所述风险识别图谱中的待识别目标的风险因子。

在具体的实施过程中，可以预先利用历史数据构建风险识别模型，如：采用已知的企业是否破产倒闭的信息作为样本数据，已破产企业可以标注为1，其余企业标注为0的方式进行标注，利用标注后的样本数据进行模型训练，构建出风险识别模型。风险识别模型的具体形式和训练方法，可以根据实际需要进行选择如：风险识别模型可以选择分类算法，如：逻辑回归、CNN(Convolutional Neural Network，卷积神经网络模型)、RNN(RecurrentNeural Network，循环神经网络模型)等，本说明书实施例不作具体限定。

本说明书一些实施例中，风险识别模型为卷积神经网络模型CNN(一种机器学习模型)，卷积神经网络模型的最后一层可以为归一化指数函数softmax。CNN模型最后一层选用softmax函数可以得到待识别目标即风险识别图谱中的待识别企业的向量所属0、1类别的概率。模型训练时，输入为已知企业的标注信息和已知图谱转换生成的向量，经过CNN模型训练得到模型的参数。预测时，将新的风险识别图谱生成的向量放入CNN模型中，得到企业在0、1两个类别的概率值。当1类别的概率值大于阈值时，该企业将作为信贷部门是否放贷的待考察企业。如：可以得到风险识别图谱中待识别企业即待识别目标的风险因子，风险因子可以表示待识别目标的存在风险的概率，或不存在风险的概率，根据风险识别模型输出的概率分值，可以确定待识别目标存在风险的程度，为后续是否进行后续合作提供了数据基础。

本说明书一些实施例提供了一种风险识别方法，将知识图谱和事理图谱结合，获得风险识别图谱，通过对风险识别图谱中的事件进行聚类分析，并确定聚类后的各个类别的事件的风险等级。结合事件的风险等级、以及风险识别图谱中的其他属性，利用风险识别模型进行风险识别，确定出风险识别图谱中的待识别目标的风险因子。将事理图谱与知识图谱相结合，充分考虑了事件传导在企业风险识别中的重要作用，为企业风险识别提供了新思路，提高了企业风险识别结果的准确性。

图3是本说明书又一个实施例中风险识别方法的流程示意图，如图3所示，在上述实施例的基础上，本说明书一些实施例中，所述方法还包括：

获取到所述风险识别图谱后，利用概率软逻辑模型对所述风险识别图谱中的事件和/或实体进行边关系补全。

在具体的实施过程中，如图3所示，在获取到风险识别图谱后，可以利用概率软逻辑模型(PSL，Probabilistic soft logic)对风险识别图谱进行边关系补全。概率软逻辑可以表示用于开发概率模型的机器学习框架，它可以使用简单的逻辑语法去定义模型，通过快速优化进行运算。利用PSL模型可以将风险识别图谱的三元组中缺失的部分填补上去，从而使图谱变得更加完整。本说明书实施例中的图谱边补全也可以理解为对事件之间关系的一种预测，当然，图谱补全算法还可以包括TransE，PRA(Path ranking algorithms，路径排序方法)等。本说明书一些实施例中使用的PSL(概率软逻辑模型)，需要预定义一些已知的规则，如“A企业”控股“B企业”，A企业“利润下滑”，则B企业“利润下滑”等，基于这些规则预测各个事件和/或实体之间的关系，在原数据中无关系的事件之间补充一条边。其中，实体可以表示风险识别图谱中的企业。

可以对补全后的风险识别图谱进行事件聚类分析以及事件等级划分，再将各类事件的等级作为事件的属性存储在补全后的风险识别图谱中。再对补全后的风险识别图谱进行向量转换和风险识别。

本说明书实施例利用PSL模型对风险识别图谱进行边关系补全，使得风险识别图谱更加丰富，为后续风险识别奠定了数据基础。

本说明书一些实施例中，所述利用概率软逻辑模型对所述风险识别图谱中的事件和/或实体进行边关系补全，包括：

利用概率软逻辑模型确定所述风险识别图谱中的事件和/或实体之间的关系和所述关系对应的置信度；

将所述关系作为所述风险识别图谱的边，所述置信度作为所述的置信度，添加在所述风险识别图谱中。

在具体的实施过程中，可以利用PSL模型预测确定风险识别图谱中各个事件或实体之间的关系，以及存在关系的置信度。将事件和/或实体之间的关系作为事件和/或实体之间的边，将关系的置信度作为边的置信度。PSL模型的输出为生成的边及边的置信度。例如：参照上述实施例的记载，PSL模型预先设置了一些规则，基于这些规则：“A企业”控股“B企业”，A企业“利润下滑”，通过PSL模型就可能会补全一条“B企业-67％-利润下滑”的三元组。如图2所示，图2中各事件之间的边上的数值可以表示边对应的置信度，图2中事件与事件之间的边的箭头方向可以表示事件的传导方向。

本说明书实施例利用PSL模型对风险识别图谱中事件、以及实体之间的关系进行预测，进行图谱边关系补全，使得风险识别图谱更加丰富，综合考虑了可能发生的事件对企业风险识别的影响，为后续风险识别奠定了数据基础。

在上述实施例的基础上，本说明书一些实施例中，所述方法还包括：

若所述待识别目标的风险因子大于风险阈值，则利用所述风险识别图谱查询所述待识别目标的事件传导关系，确定所述待识别目标的风险成因。

在具体的实施过程中，封装图数据库可以提供的查询接口，可以使用图数据所提供的查询语言，如Gremlin，Cypher等，对风险识别图谱进行查询。本说明书实施例中用户可以查询风险识别图谱中感兴趣的企业信息，如：用户可以对风险识别结果中风险因子大于风险阈值的企业进行进一步查询。如：可通过企业名称查询传导路径，若风险识别结果中A企业的风险因子为0.8，大于风险阈值0.5，用户可对A企业在风险识别图谱中事件传导关系路径进行探查，从而更好的了解A企业所得到的风险因子的成因。可以根据查询结果，进一步确认风险识别结果的准确性。

本说明书实施例，通过在风险识别图谱中，对指定的待识别目标进行查询，查询与待识别目标有关系的事件的传导关系，以便确定待识别目标的风险成因，进一步确认风险识别结果的准确性。

下面结合图3具体介绍本说明书实施例中的风险识别过程：

步骤1：获取已有图谱。

本说明书实施例可以获取包含企业高管关系，借贷信息，投资信息等基础信息和事件关系如企业上市，股价上涨等事件的事理图谱，将事理图谱和知识图谱相融合，形成风险识别图谱。

步骤2：图谱边关系补全。

可以使用PSL软概率逻辑对步骤1中的已有图谱进行图谱边补全。具体补全方法可以参考上述实施例的记载，此处不再赘述。

步骤3：事件聚类。

可以使用K-means算法对步骤2中补全后的图谱中的所有事件进行聚类，得到聚类结果。

步骤4：事件风险等级划分。

可以请业务专家对步骤3中生成的事件类别进行风险等价定义，如风险等级可定义为1到10以内的整数。或者预先设置风险分级确定规则，基于规则确定各类事件的风险等级。

步骤5：知识图谱图嵌入。

可以使用GNN模型，对图谱中所需要的信息进行图嵌入，如：事件风险等级、补全的事件关系及置信度、度数信息等，运用图嵌入算法生成风险识别图向量。

步骤6：计算企业风险指数。

可以将步骤5图嵌入生成的风险识别图向量放入最后一层为softmax的CNN网络中，得到企业的风险因子。

本发明提供了一种基于事理图谱的信贷风险识别方法，充分考虑了事件传导在企业风险识别中的重要作用，同时综合考虑了可能发生的事件的影响，为银行信贷对公风险识别提供了新思路，提高了风险时识别结果的准确性。

图4是本说明书实施例中提供的一种风险识别***的结构示意图，如图4所示，本说明书实施例还提供了一种风险识别***，该***可以包括：图谱存储单元1、图谱补全单元2、事件风险等级划分单元3、风险因子生成单元4、知识查询单元5，其中：

图谱存储单元1，可以用于存储已构建完成的融合后的知识图谱与事理图谱，知识图谱和事理图谱相融合形成风险识别图谱。

图谱补全单元2，可以用于将图谱存储单元1中的图谱三元组中缺失的部分填补上去，从而使图谱变得更加完整。

事件风险等级划分单元3，可以用于对图谱补全单元2中事理图谱存在的所有事件进行聚类，业务专家根据聚类结果，对每类事件进行事件风险等级划分，并将划分结果作为事件属性存储到图谱中。

风险因子生成单元4，可以用于根据图谱中存在的特征进行整合计算，得到一个取值范围在[0,1]之间的风险因子，用于支持决策。图5是本说明书一个实施例中风险因子生成单元的结构示意图，如图5所示风险因子生成单元4可以包括标注单元51、图嵌入单元52、风险因子计算单元53。其中，数据标注单元51可以采用已知的企业是否破产倒闭数据或其他业务高风险行为数据作为样本数据，对样本数据进行标签标注，如：已破产企业标注为1，其余企业标注为0。标注后的数据可以用于风险因子计算单元53的模型训练。图嵌入单元52可以将现有图谱，包含事件风险等级、补全的事件关系及置信度、度数信息等，运用图嵌入算法生成图向量，导入最终的风险因子计算单元53，得到待识别企业的风险因子。同时业务人员可以根据业务需求确认风险阈值，将大于阈值的企业作为重点考察对象，风险因子可以设置为0.5。其中，风险因子计算可以采用CNN模型等机器学习模型，具体可以参考上述实施例的记载，此处不再赘述。

知识查询单元5，可以用于查询风险识别图谱中待识别目标的事件传导关系，确定所述待识别目标的风险成因。如：当待识别目标的风险因子大于风险阈值时，可以通过知识查询单元5查询风险识别图谱，查询该待识别目标的事件传导路径，并分析该待识别目标的风险成因。查询的图谱可以是图谱补全单元边关系补全后获得的风险识别图谱。

本说明书实施例，将事理图谱和知识图谱相结合，不仅考虑了企业的静态知识，还综合考虑了事件之间的演化规律对企业风险识别的影响。充分考虑了事件传导在企业风险识别中的重要作用，同时利用PSL模型对图谱进行边关系补充，综合考虑了可能发生的事件的影响，为信贷对公风险识别提供了新思路，提高了风险识别结果的准确性。

本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。

基于上述所述的风险识别方法，本说明书一个或多个实施例还提供一种风险识别方法装置。所述的装置可以包括使用了本说明书实施例所述方法的***(包括分布式***)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

具体地，图6是本说明书一个实施例中风险识别装置的结构示意图，本说明书实施例中的风险识别装置可以是设置能够与用户进行对话的终端或能够实现其功能的设备中，本说明书实施例不作具体限定。如图6所示，本说明书实施例中一种风险识别装置可以包括：图谱获取单元61、事件等级确定单元62、事件属性存储单元63、图嵌入单元64、风险识别单元65，其中：

图谱获取单元61，可以用于获取风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

事件等级确定单元62，可以用于对所述风险识别图谱中的事件进行聚类和风险等级划分，获得不同类别的事件以及不同类别事件对应的风险等级；

事件属性存储单元63，可以用于将所述风险分级作为对应事件的属性存储在所述风险识别图谱中；

图嵌入单元64，可以用于利用图嵌入算法将所述风险识别图谱转换为风险识别图向量；

风险识别单元65，可以用于将所述风险识别图像量输入到风险识别模型，获得所述风险识别图谱中的待识别目标的风险因子。

本说明书实施例提供的风险识别装置，将知识图谱和事理图谱结合，获得风险识别图谱，通过对风险识别图谱中的事件进行聚类分析，并确定聚类后的各个类别的事件的风险等级。结合事件的风险等级、以及风险识别图谱中的其他属性，利用风险识别模型进行风险识别，确定出风险识别图谱中的待识别目标的风险因子。将事理图谱与知识图谱相结合，充分考虑了事件传导在企业风险识别中的重要作用，为企业风险识别提供了新思路，提高了企业风险识别结果的准确性。

需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书实施例还提供一种风险识别数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述实施例的风险识别方法，如：

获取风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

对所述风险识别图谱中的事件进行聚类和风险等级划分，获得不同类别的事件以及不同类别事件对应的风险等级；

将所述风险分级作为对应事件的属性存储在所述风险识别图谱中；

利用图嵌入算法将所述风险识别图谱转换为风险识别图向量；

将所述风险识别图像量输入到风险识别模型，获得所述风险识别图谱中的待识别目标的风险因子。

需要说明的，上述所述的终端设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

在上述实施例的基础上，本说明书一个实施例中还可以提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述实施例中风险识别方法，如：

获取风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

对所述风险识别图谱中的事件进行聚类和风险等级划分，获得不同类别的事件以及不同类别事件对应的风险等级；

将所述风险分级作为对应事件的属性存储在所述风险识别图谱中；

利用图嵌入算法将所述风险识别图谱转换为风险识别图向量；

将所述风险识别图像量输入到风险识别模型，获得所述风险识别图谱中的待识别目标的风险因子。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

需要说明的，上述所述的计算机可读存储介质根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书提供的风险防控***可以为单独的风险识别***，也可以应用在多种数据分析处理***中。所述***可以包括上述实施例中任意一个风险识别装置。所述的***可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、***(包括分布式***)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测***可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。

本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图7是本说明书实施例中风险识别服务器的硬件结构框图。如图7所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本邻域普通技术人员可以理解，图7所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图7中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图7所示不同的配置。

存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的风险防控方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。

本说明书实施例提供的上述风险防控方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作***的c++语言在PC端实现、linux***实现，或其他例如使用android、iOS***程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。

需要说明的是说明书上述所述的装置、处理设备、计算机存储介质、***根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (10)

1.一种风险识别方法，其特征在于，所述方法包括：

获取风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

对所述风险识别图谱中的事件进行聚类和风险等级划分，获得不同类别的事件以及不同类别事件对应的风险等级；

将所述风险分级作为对应事件的属性存储在所述风险识别图谱中；

利用图嵌入算法将所述风险识别图谱转换为风险识别图向量；

将所述风险识别图像量输入到风险识别模型，获得所述风险识别图谱中的待识别目标的风险因子。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取到所述风险识别图谱后，利用概率软逻辑模型对所述风险识别图谱中的事件和/或实体进行边关系补全。

3.根据权利要求2所述的方法，其特征在于，所述利用概率软逻辑模型对所述风险识别图谱中的事件和/或实体进行边关系补全，包括：

利用概率软逻辑模型确定所述风险识别图谱中的事件和/或实体之间的关系和所述关系对应的置信度；

将所述关系作为所述风险识别图谱的边，所述置信度作为所述的置信度，添加在所述风险识别图谱中。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述待识别目标的风险因子大于风险阈值，则利用所述风险识别图谱查询所述待识别目标的事件传导关系，确定所述待识别目标的风险成因。

5.根据权利要求1所述的方法，其特征在于，所述风险识别模型为卷积神经网络模型，所述卷积神经网络的最后一层为归一化指数函数。

6.根据权利要求1所述的方法，其特征在于，所述图嵌入算法为图神经网络算法。

7.一种风险识别装置，其特征在于，所述装置包括：

图谱获取单元，用于获取风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

事件等级确定单元，用于对所述风险识别图谱中的事件进行聚类和风险等级划分，获得不同类别的事件以及不同类别事件对应的风险等级；

事件属性存储单元，用于将所述风险分级作为对应事件的属性存储在所述风险识别图谱中；

图嵌入单元，用于利用图嵌入算法将所述风险识别图谱转换为风险识别图向量；

风险识别单元，用于将所述风险识别图像量输入到风险识别模型，获得所述风险识别图谱中的待识别目标的风险因子。

8.一种风险识别数据处理设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-6任一项所述方法的步骤。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1-6任一项所述方法的步骤。

10.一种风险识别***，其特征在于，包括：

图谱存储单元，用于存储构建完成的风险识别图谱，所述风险识别图谱包括相互关联的事理图谱和知识图谱；

图谱补全单元，用于填补图谱存储单元中存储的风险识别图谱中缺失的事件关系和缺失的事件关系的置信度；

事件等级划分单元，用于对图谱补全单元补充后的风险识别图谱中的事件进行聚类，并确定聚类后的事件的风险等级；

风险因子生成单元，用于基于图谱补全单元补充后的风险识别图谱中的事件、边、事件的风险等级、事件关系的置信度，确定待识别目标的风险因子；

知识查询单元，用于查询风险识别图谱中待识别目标的事件传导关系，确定所述待识别目标的风险成因。