CN110717824A - 基于知识图谱的银行对公客群风险传导测算的方法及装置 - Google Patents
基于知识图谱的银行对公客群风险传导测算的方法及装置 Download PDFInfo
- Publication number
- CN110717824A CN110717824A CN201910985850.4A CN201910985850A CN110717824A CN 110717824 A CN110717824 A CN 110717824A CN 201910985850 A CN201910985850 A CN 201910985850A CN 110717824 A CN110717824 A CN 110717824A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- unit
- tested
- customer
- 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.)
- Pending
Links
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于知识图谱的银行对公客群风险传导测算的方法及装置,其中,该方法通过构建关联关系知识图谱,针对关联关系知识图谱中每一图谱单元的单元数据,根据风险传导系数预测模型,得到该图谱单元的风险传导系数;在任一待测客户发生风险事件后,基于各图谱单元的风险传导系数,根据预设的算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率;基于每个待测客户的风险传导概率,确定至少一条风险传导路径;针对每条风险传导路径,执行业务预警操作,实现银行对与发生风险事件的企业存在关联关系的其他企业的信用受影响程度进行确定,提高了银行确定企业风险的精准度,减少了银行的不必要损失。
Description
技术领域
本申请涉及数据分析技术领域,尤其是涉及一种基于知识图谱的银行对公客群风险传导测算的方法及装置。
背景技术
随着市场经济持续发展,企业跨区域、跨行业生产经营十分普遍。由于企业跨区域、跨行业生产经营的行为,使得银行内存储的多个企业之间存在的关联关系较为复杂,当任一企业发生信用风险事件后,可能会对与发生信用风险事件存在关联关系的其他企业产生信用影响。
目前银行在某一企业发生风险事件后,无法对与发生风险事件的企业存在关联关系的其他企业的信用受影响的程度进行确定,即银行确定企业风险的精准度较低,进而使得银行无法对其他企业进行业务预警操作,使得银行产生了不必要的损失。
发明内容
有鉴于此,本申请的目的在于提供一种基于知识图谱的银行对公客群风险传导测算的方法及装置,以提高银行确定企业风险的精准度。
第一方面,本申请实施例提供了一种基于知识图谱的银行对公客群风险传导测算的方法,所述方法包括:
分别以每一待测客户为节点,以该待测客户与其他待测客户之间的关联关系为边,构建包含各待测客户的关联关系知识图谱,其中,边以及该边对应的两个节点构成所述关联关系知识图谱的图谱单元,每条边对应一方向;
针对每一图谱单元,获取该图谱单元的单元数据,将所述单元数据输入至训练好的风险传导系数预测模型,得到该图谱单元的风险传导系数;
在任一待测客户发生风险事件后,基于各图谱单元的风险传导系数,根据预设的算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率;
基于每个待测客户的风险传导概率,确定至少一条风险传导路径,其中,每条风险传导路径的首节点为发生风险事件的待测客户;
针对每条风险传导路径,执行业务预警操作。
本申请的一些实施例中,所述风险传导系数预测模型的训练过程为:
获取与所述关联关系知识图谱的多个图谱单元对应的样本单元数据,所述样本单元数据携带有标签,其中,所述样本单元数据包括训练单元数据以及测试单元数据,所述标签包括违约以及未违约;
将所述训练单元数据输入到深度学习模型中,对所述深度学习模型进行多轮训练;
将所述测试单元数据输入到每轮训练后的所述深度学习模型中,对训练后的所述深度学习模型进行评估,当评估得到的准确度值大于预设的准确度阈值时,则确定训练完成;
将训练完成后得到的所述深度学习模型作为所述风险传导系数预测模型。
本申请的一些实施例中,在构建包含各待测客户的关联关系知识图谱,获取图谱单元的单元数据之后,在训练所述风险传导系数预测模型之前,所述方法还包括:
利用预设的相关度分析算法,对所述图谱单元的单元数据中的每一数据与风险之间的相关度进行分析,得到所述单元数据中的每一数据对应的相关度值;
从所述单元数据中选取相关度值大于相关度阈值的数据,构成所述图谱单元的筛选后的单元数据。
本申请的一些实施例中,在得到所述图谱单元的筛选后的单元数据之后,所述方法还包括:
利用预设的数据分析算法,对所述图谱单元的筛选后的单元数据中的任一数据与除该数据之外的其他数据之间的相似程度进行分析,得到所述筛选后的单元数据中任意两个数据之间的相似度值;
将所述筛选后的单元数据中相似度值大于相似度阈值的两个数据进行合并,得到每个图谱单元的合并后的单元数据。
本申请的一些实施例中,预设的算法模型的公式为:
其中,N为所述关联关系知识图谱中节点的数量,PRi(k)为第i个待测客户的风险传导概率,PRj(K-1)为第j个待测客户的风险传导概率,αji为第j个待测客户指向第i个待测客户之间的边、第j个待测客户与第i个待测客户构成的图谱单元的风险传导系数,s为标度常数且0≤s≤1,i、j为大于等于1,小于等于N的正整数。
第二方面,本申请实施例还提供一种基于知识图谱的银行对公客群风险传导测算的装置,所述装置包括:
图谱构建模块,用于分别以每一待测客户为节点,以该待测客户与其他待测客户之间的关联关系为边,构建包含各待测客户的关联关系知识图谱,其中,边以及该边对应的两个节点构成所述关联关系知识图谱的图谱单元;
风险传导系数确定模块,用于针对每一图谱单元,获取该图谱单元的单元数据,将所述单元数据输入至训练好的风险传导系数预测模型,得到该图谱单元的风险传导系数;
风险传导概率确定模块,用于在任一待测客户发生风险事件后,基于各图谱单元的风险传导系数,根据预设的算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率;
风险传导路径确定模块,用于基于每个待测客户的风险传导概率,确定至少一条风险传导路径,其中,每条风险传导路径的首节点为发生风险事件的待测客户;
操作模块,用于针对每条风险传导路径,执行业务预警操作。
本申请的一些实施例中,所述装置还包括模型确定模块,所述模型确定模块利用下述步骤得到所述风险传导系数预测模型:
获取与所述关联关系知识图谱的多个图谱单元对应的样本单元数据,所述样本单元数据携带有标签,其中,所述样本单元数据包括训练单元数据以及测试单元数据,所述标签包括违约以及未违约;
将所述训练单元数据输入到深度学习模型中,对所述深度学习模型进行多轮训练;
将所述测试单元数据输入到每轮训练后的所述深度学习模型中,对训练后的所述深度学习模型进行评估,当评估得到的准确度值大于预设的准确度阈值时,则确定训练完成;
将训练完成后得到的所述深度学习模型作为所述风险传导系数预测模型。
本申请的一些实施例中,在构建包含各待测客户的关联关系知识图谱,获取图谱单元的单元数据之后,在训练所述风险传导系数预测模型之前,所述装置还包括:
相关度分析模块,用于利用预设的相关度分析算法,对所述图谱单元的单元数据中的每一数据与风险之间的相关度进行分析,得到所述单元数据中的每一数据对应的相关度值;
选取模块,用于从所述单元数据中选取相关度值大于相关度阈值的数据,构成所述图谱单元的筛选后的单元数据。
本申请的一些实施例中,在得到所述图谱单元的筛选后的单元数据之后,所述装置还包括:
相似度分析模块,用于利用预设的数据分析算法,对所述图谱单元的筛选后的单元数据中的任一数据与除该数据之外的其他数据之间的相似程度进行分析,得到所述筛选后的单元数据中任意两个数据之间的相似度值;
合并模块,用于将所述筛选后的单元数据中相似度值大于相似度阈值的两个数据进行合并,得到每个图谱单元的合并后的单元数据。
本申请的一些实施例中,所述概率确定模块中的预设的算法模型的公式为:
其中,N为所述关联关系知识图谱中节点的数量,PRi(k)为第i个待测客户的风险传导概率,PRj(K-1)为第j个待测客户的风险传导概率,αji为第j个待测客户指向第i个待测客户之间的边、第j个待测客户与第i个待测客户构成的图谱单元的风险传导系数,s为标度常数且0≤s≤1,i、j为大于等于1,小于等于N的正整数。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中所述的基于知识图谱的银行对公客群风险传导测算的方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式中所述的基于知识图谱的银行对公客群风险传导测算的方法的步骤。
本申请实施例提供了一种基于知识图谱的银行对公客群风险传导测算的方法及装置,其中,该方法通过构建包含各待测客户的关联关系知识图谱,基于关联关系知识图谱的每一图谱单元的单元数据,根据风险传导系数预测模型,确定图谱单元的风险传导系数,基于风险传导系数以及算法模型,得到在任一待测客户发生风险事件后每个待测客户发生风险事件的风险传导概率,并基于该风险传导概率确定至少一条风险传导路径,其中,每条风险传导路径的首节点为发生风险事件的待测客户;针对每条风险传导路径,执行业务预警操作。本申请实施例提出的基于知识图谱的银行对公客群风险传导测算的方法,能够在任一待测客户发生风险事件后,确定与发生风险事件的待测客户存在关联关系的其他客户的风险传导概率,并基于风险传导概率,得到风险传导路径,进而基于风险传导路径,执行业务预警操作,实现银行在某一企业发生风险时间后,对与发生风险事件的企业存在关联关系的其他企业的信用受影响程度进行确定,使得银行能够对其他企业进行业务预警操作,提高了银行确定企业风险的精准度,减少了银行的不必要损失。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种基于知识图谱的银行对公客群风险传导测算的方法的流程图;
图2示出了本申请实施例所提供的一种基于知识图谱的银行对公客群风险传导测算的方法中关联关系知识图谱的示意图;
图3示出了本申请实施例所提供的一种图谱单元的示意图;
图4示出了本申请实施例所提供的另一种图谱单元的示意图;
图5示出了本申请实施例所提供的一种基于知识图谱的银行对公客群风险传导测算的装置的结构示意图;
图6示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到目前银行在某一企业发生风险事件后,无法对与发生风险事件的企业存在关联关系的其他企业的信用受影响的程度进行确定,即银行确定企业风险的精准度较低,进而使得银行无法对其他企业进行业务预警操作,使得银行产生了不必要的损失。基于此,本申请实施例提供了一种基于知识图谱的银行对公客群风险传导测算的方法及装置,下面通过实施例进行描述。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种基于知识图谱的银行对公客群风险传导测算的方法进行详细介绍。
实施例一
本申请实施例提供了一种基于知识图谱的银行对公客群风险传导测算的方法,该方法应用于银行检测***中,使得银行检测***能够基于存储的客户数据对客户的状态进行检测,其中,客户数据包括信贷数据、财务数据、工商数据等。具体的,通过下述过程对基于知识图谱的银行对公客群风险传导测算的方法进行详细介绍。
参见图1所示的一种基于知识图谱的银行对公客群风险传导测算的方法的流程图,该方法包括S101-S105,具体过程如下:
S101,分别以每一待测客户为节点,以该待测客户与其他待测客户之间的关联关系为边,构建包含各待测客户的关联关系知识图谱,其中,边以及该边对应的两个节点构成关联关系知识图谱的图谱单元,每条边对应一方向。
本申请实施例中,可以从银行检测***存储的客户数据中提取多个待测客户,以及待测客户之间的关联关系,其中,关联关系包括以下关系中的一种或多种:一致行动人关系、集团关系、实际控制关系、股权控制关系、担保关系等。其中,关联关系可以根据实际需要进行选择,本申请实施例对此不进行具体限定。
本申请实施例中,银行检测***可以基于存储的客户数据,得到多个关联关系知识图谱,每个关联关系知识图谱中的任一节点均与该关联关系知识图谱中除该节点之外的至少一个其他节点存在关联关系。其中,关联关系知识图谱中的每条边对应一方向,边的一方为主动控制的待测客户,另一方为被控制的待测客户,边对应的方向为被控制的待测客户指向主动控制的待测客户。参见图2所示的是一种基于知识图谱的银行对公客群风险传导测算的方法中关联关系知识图谱的示意图,图2中示例性的包括第一节点21、第二节点22、第三节点23、第四节点24、第五节点25,以及5条有向边,每条有向边上的数字为风险传导系数,即第一节点、第二节点以及第一节点与第二节点之间的有向边组成的图谱单元的风险传导系数为0.7,其中,有向边是指包括方向的边。示例性的,若第一节点与第二节点之间存在实际控制关系、股权控制关系,且控股比例数据为25%,则第一节点与第二节点之间的关联关系为第二节点实际控制第一节点,第二节点控制第一节点25%的股份,即第一节点为被控制的待测客户,第二节点为主动控制的待测客户。
本申请实施例中,边以及该边对应的两个节点构成关联关系知识图谱的图谱单元,其中,每条边对应一方向,则若两个图谱单元中包括的两个节点相同,但边的方向不同,则该两个图谱单元不同。如图3所示的是一种图谱单元的示意图,以及图4所示的是另一种图谱单元的示意图,图3以及图4中均包括第六节点31,第七节点32,图3中的图谱单元的边的方向为第六节点31指向第七节点32,即第七节点为主动控制的待测客户,第六节点为被控制的待测客户,0.7为图3中的图谱单元的风险传导系数;图4中的图谱单元的边的方向为第七节点31指向第六节点32,即第六节点为主动控制的待测客户,第七节点为被控制的待测客户,0.5为图4中的图谱单元的风险传导系数。因此,由于图3中的图谱单元的边与图4中的图谱单元的边的方向不同,故图3中的图谱单元与图4中的图谱单元为不同的图谱单元。
S102,针对每一图谱单元,获取该图谱单元的单元数据,将单元数据输入至训练好的风险传导系数预测模型,得到该图谱单元的风险传导系数。
本申请实施例中,图谱单元中包括边以及该边对应的两个节点,故图谱单元的单元数据中包括每个节点的实体数据、以及边的关联关系数据。
本申请实施例中,单元数据包括节点的实体数据以及边的关联关系数据,其中,实体数据为用于表征节点财务信息的数据,关联关系数据为用于表征不同节点之间关系的数据;实体数据包括:资产负债率、资产流动比率,关联关系数据包括:一致行动人关系数据、集团关系数据、实际控制关系数据、股权控制关系、担保关系数据、控股比例数据以及担保金额数据。其中,实体数据中包括的数据类型以及数量可以根据实际需要进行选择,以及关联关系数据中包括的数据类型以及数量也可以根据实际需要进行选择。
本申请实施例中,资产负债率等于总负债除以总资产,资产流动比率等于流动资产除以流动负债。一致行动人关系数据、集团关系数据、实际控制关系数据、股权控制关系、担保关系数据为二值化数据。示例性说明,确定一致行动人数据的过程为:若该图谱单元中的两个节点存在一致行动人关系,则该一致行动人关系数据为1,若不存在一致行动人关系,则该一致行动人关系数据为0。其中,集团关系数据、实际控制关系数据、股权控制关系、担保关系数据与确定一致行动人关系数据的过程相同,本申请实施例对此不在赘述。
示例性的,若图谱单元包括的节点A与节点B存在控股关系以及担保关系,则对应的控股比例值为控股比例数据,对应的担保金额值为担保金额数据;若图谱单元包括节点A与节点B不存在控股关系以及担保关系,则对应的控股比例值为0,对应的担保金额值为0,其中,担保金额的单位为万元。例如,节点B控制节点A的25%的股份,则控股比例数据等于25%。示例性的,将单元数据中的多个数据按照一致行动人关系数据、集团关系数据、实际控制关系数据、股权控制关系、担保关系数据、控股比例以及担保金额排列,图谱单元A的单元数据可以为{1,0,0,0,1,0,5},即该单元数据表示图谱单元A中的两个节点存在一致行动人关系以及担保关系,且担保金额为5万元。
作为一可选实施例,在构建包含各待测客户的关联关系知识图谱,获取图谱单元的单元数据之后,在训练风险传导系数预测模型之前,该方法还包括:
第一,利用预设的相关度分析算法,对图谱单元的单元数据中的每一数据与风险之间的相关度进行分析,得到单元数据中的每一数据对应的相关度值。
第二,从单元数据中选取相关度值大于相关度阈值的数据,构成图谱单元的筛选后的单元数据。
本申请实施例中,相关度分析算法包括以下算法的一种或多种:皮尔逊相关系数算法、正则化方法、基于模型的特征选择方法等。基于模型的特征选择方法是指将机器学习模型运用到特征选择方法中,其中机器学习模型包括回归模型、支持向量机(SupportVector Machine,SVM)模型、决策树模型、随机森林模型等。以相关度分析算法包括皮尔逊相关系数算法、正则化方法、基于模型的特征选择方法为例说明,皮尔逊相关系数算法、正则化方法、基于模型的特征选择方法按照预设顺序依次对单元数据中的数据与风险之间的相关度进行分析,并基于相关度值筛选数据,其中,预设的顺序为:皮尔逊相关系数算法、正则化方法、基于模型的特征选择方法。
承接上述实施例继续说明,皮尔逊相关系数算法分别对单元数据中每一数据与风险之间的相关度进行分析,得到单元数据中的每一数据对应的相关度值,基于得到的每一数据对应的相关度值,从单元数据中选取相关度值大于相关度阈值的数据,构成第一选取单元数据。正则化方法对第一选取单元数据中的每一数据与风险之间的相关度进行分析,得到第一选取单元数据中的每一数据对应的相关度值,基于第一选取单元数据中的每一数据对应的相关度值,从第一选取单元数据中选取相关度值大于相关度阈值的数据,构成第二选取单元数据。基于模型的特征选择方法对第二选取单元数据中的每一数据与风险之间的相关度进行分析,得到第二选取单元数据中的每一数据对应的相关度值,基于第二选取单元数据中的每一数据对应的相关度值,从第二选取单元数据中选取相关度值大于相关度阈值的数据,构成第三选取单元数据,第三选取单元数据即为图谱单元的筛选后的单元数据。其中,相关度阈值可以根据实际需要进行设置。
本申请实施例通过不同的相关度分析算法依次对图谱单元的单元数据进行筛选,可使得筛选后的单元数据与风险之间的相关度较高,将筛选后的单元数据输入至训练好的风险传导系数预测模型,得到的风险传导系数的准确度较高,进而能够提高客户状态检测的准确度。
本申请实施例中,获取关联关系知识图谱中每一图谱单元的单元数据,相关度分析算法基于多个图谱单元的单元数据,对单元数据中的每一数据与风险之间的相关度进行分析,得到每一数据的相关度值。其中,皮尔逊相关系数算法、正则化方法、基于模型的特征选择方法对数据与风险之间的相关度进行分析,得到数据的相关度值的过程为现有技术,本申请实施例对此不进行详细说明。
作为一可选实施例,在得到图谱单元的筛选后的单元数据之后,该方法还包括:
第一,利用预设的数据分析算法,对图谱单元的筛选后的单元数据中的任一数据与除该数据之外的其他数据之间的相似程度进行分析,得到筛选后的单元数据中任意两个数据之间的相似度值。
第二,将筛选后的单元数据中相似度值大于相似度阈值的两个数据进行合并,得到每个图谱单元的合并后的单元数据。
本申请实施例中,数据分析算法可以为线性判别分析(Linear DiscriminantAnalysis,LDA)算法,以及相似度阈值可以根据实际需要进行设置。LDA算法基于关联关系知识图谱中多个图谱单元的单元数据,对筛选后的单元数据中的数据与数据之间的相似程度进行分析,例如,若筛选后的单元数据包括资产负债率、资产流动比率、一致行动人关系数据、控股比例数据,则LDA算法分别对资产负债率与资产流动比率、一致行动人关系数据、控股比例数据之间的相似程度进行分析,分别对资产流动比率与一致行动人关系数据、控股比例数据之间的相似程度进行分析,以及对一致行动人关系数据与控股比例数据之间的相似程度进行分析,将相似度值大于相似度阈值的两个数据进行合并,得到图谱单元的合并后的单元数据。其中,LDA算法对筛选后的单元数据中的数据与数据之间的相关度进行分析,得到数据的相关度值的过程为现有技术,本申请实施例对此不进行详细说明。
作为一可选实施例,该风险传导系数预测模型的训练过程为:
第一,获取与关联关系知识图谱的多个图谱单元对应的样本单元数据,样本单元数据携带有标签,其中,样本单元数据包括训练单元数据以及测试单元数据,标签包括违约以及未违约。
第二,将训练单元数据输入到深度学习模型中,对深度学习模型进行多轮训练。
第三,将测试单元数据输入到每轮训练后的深度学习模型中,对训练后的深度学习模型进行评估,当评估得到的准确度值大于预设的准确度阈值时,则确定训练完成。
第四,将训练完成后得到的深度学习模型作为风险传导系数预测模型。
本申请实施例中,深度学习模型可以为极限梯度提升Xgboost模型。违约的标签是指图谱单元中包括的节点A发生风险事件后,在预设时间周期内,图谱单元中的节点B发生了风险事件。同理,未违约的标签是指图谱单元中包括的节点A发生风险事件后,在预设时间周期内,图谱单元中的节点B未发生了风险事件。其中,预设时间周期可以根据实际情况进行设置。
S103,在任一待测客户发生风险事件后,基于各图谱单元的风险传导系数,根据预设的算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率。
本申请实施例中,预设的算法模型为改进的网页排名PageRank算法模型,根据该算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率。例如,若关联关系知识图谱包括第一节点、第二节点、第三节点、第四节点,当第一节点发生风险事件之后,可分别得到与之存在关联关系的第二节点、第三节点、第四节点对应的发生风险事件的风险传导概率。
作为一可选实施例,预设的算法模型的公式为:
其中,N为关联关系知识图谱中节点的数量,PRi(k)为第i个待测客户的风险传导概率,PRj(K-1)为第j个待测客户的风险传导概率,αji为第j个待测客户指向第i个待测客户之间的边、第j个待测客户、第i个待测客户构成的图谱单元的风险传导系数,s为标度常数且0≤s≤1,i、j为大于等于1,小于等于N的正整数。
示例性的,以图2的知识图谱为例进行说明,若第一节点发生了风险事件,则分别求第二节点、第三节点、第四节点、第五节点对应的发生风险事件的风险传导概率。具体的,以确定第二节点对应的发生风险事件的风险传导概率为例进行说明,其中,j为1、2、3、4、5,i为2,将s的值设置为0.85,第一节点对应的PR1(K-1)设置为1,由图2可知,N=5,α12=0.7,α22=0,α31=0,α42=0,α52=0,则计算可得PR2(k)=0.625,即当第一节点发生风险事件之后,第二节点对应的发生风险事件的风险传导概率为0.625。若继续计算第三节点对应的发生风险事件的风险传导概率,由图2可知,α13=0,α13=0.3,α33=0,α43=0,α53=0,PR2(k)=0.625,则计算可得PR3(k)=0.189,即当第一节点发生风险事件之后,第三节点对应的发生风险事件的风险传导概率为0.189。其中,s的值可以根据实际需要进行设置。通过计算可得到第四节点对应的风险传导概率的值为PR4(k)=0.37。计算第五节点对应的风险传导概率的值的过程为PR5(k)=0.85×(0.2×0.625+0.6×0.37)+(1-0.85)×0.2=0.325,即当第一节点发生风险事件之后,第五节点对应的发生风险事件的风险传导概率为0.325。
S104,基于每个待测客户的风险传导概率,确定至少一条风险传导路径,其中,每条风险传导路径的首节点为发生风险事件的待测客户。
本申请实施例中,通过设置风险概率阈值,根据风险概率阈值以及每个节点的风险传导概率,确定风险传导路径。具体的,将风险传导概率大于等于风险概率阈值的节点作为目标节点,将发生风险事件的待测客户作为首节点,生成风险传导路径。
承接S103中的示例继续说明,以图2中的每个待测客户,即图2中的每个节点对应的风险传导概率为例进行说明,在第一节点发生风险事件之后,若预设的风险概率阈值为0.3,则可知第二节点、第四节点、以及第五节点的风险传导概率大于阈值,第三节点的风险传导概率小于阈值,则第二节点、第四节点、以及第五节点为目标节点,生成的风险传导路径为第一节点→第二节点;第一节点→第四节点;第一节点→第二节点→第五节点;第一节点→第四节点→第五节点。
S105,针对每条风险传导路径,执行业务预警操作。
本申请实施例中,在确定至少一条风险传导路径之后,针对每条风险传导路径,执行业务预警操作。其中,业务预警操作包括根据风险传导概率生成对应的预警信号,将生成的预警信号以及风险传导路径发送给银行检测***,使得银行检测***基于预警信号以及风险传导路径,对客户进行业务处理。
具体的,基于风险概率阈值,将风险传导概率进行划分,基于不同阶段的风险传导概率生成不同的预警信号,并针对不同的预警信号,对客户进行不同的业务处理。示例性的,若风险概率阈值为0.3,则可以将风险传导概率划分为3个阶段,0.3≤风险传导概率<0.6为第一阶段,0.6≤风险传导概率<0.8为第二阶段,0.8≤风险传导概率≤1.0为第三阶段,第一阶段的预警信号可以设置为绿色,第二阶段的预警信号可以设置为黄色,第三阶段的预警信号可以设置为红色,绿色预警信号对应的业务处理可以为增加对客户的检测频率,黄色预警信号对应的业务处理可以为客户追加担保资金,红色预警信号对应的业务处理可以为提前回收贷款。承接S104中的示例继续说明,第二节点的风险传导概率为0.625,第四节点的风险传导概率为0.37,第五节点的风险传导概率为0.325,则第二节点对应黄色预警信号,第四节点以及第五节点对应绿色预警信号,则根据每个节点对应的信号,对每个节点进行相应的业务处理。其中,业务处理过程有多种情况,在具体实施时,可以根据实际需要进行设置,本申请实施例仅为示例性描述,对此不进行具体限定。
本申请实施例提出的基于知识图谱的银行对公客群风险传导测算的方法,通过构建包含各待测客户的关联关系知识图谱,基于关联关系知识图谱的每一图谱单元的单元数据,根据风险传导系数预测模型,确定图谱单元的风险传导系数,基于风险传导系数以及算法模型,得到在任一待测客户发生风险事件后每个待测客户发生风险事件的风险传导概率,并基于该风险传导概率确定至少一条风险传导路径,其中,每条风险传导路径的首节点为发生风险事件的待测客户;针对每条风险传导路径,执行业务预警操作。本申请实施例提出的基于知识图谱的银行对公客群风险传导测算的方法,能够在任一待测客户发生风险事件后,确定与发生风险事件的待测客户存在关联关系的其他客户的风险传导概率,并基于风险传导概率,得到风险传导路径,进而基于风险传导路径,执行业务预警操作,实现银行在某一企业发生风险时间后,对与发生风险事件的企业存在关联关系的其他企业的信用受影响程度进行确定,使得银行能够对其他企业进行业务预警操作,提高了银行确定企业风险的精准度,减少了银行的不必要损失。
基于同一发明构思,本申请实施例中还提供了与基于知识图谱的银行对公客群风险传导测算的方法对应的基于知识图谱的银行对公客群风险传导测算的装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述基于知识图谱的银行对公客群风险传导测算的方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
实施例二
本申请实施例提供了一种基于知识图谱的银行对公客群风险传导测算的装置,参见图5所示的一种基于知识图谱的银行对公客群风险传导测算的装置的结构示意图,该装置包括:
图谱构建模块501,用于分别以每一待测客户为节点,以该待测客户与其他待测客户之间的关联关系为边,构建包含各待测客户的关联关系知识图谱,其中,边以及该边对应的两个节点构成所述关联关系知识图谱的图谱单元,每条边对应一方向;
系数确定模块502,用于针对每一图谱单元,获取该图谱单元的单元数据,将所述单元数据输入至训练好的风险传导系数预测模型,得到该图谱单元的风险传导系数。
风险传导概率确定模块503,用于在任一待测客户发生风险事件后,基于各图谱单元的风险传导系数,根据预设的算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率。
风险传导路径确定模块504,用于每个待测客户的风险传导概率,确定至少一条风险传导路径,其中,每条风险传导路径的首节点为发生风险事件的待测客户。
操作模块505,用于针对每条风险传导路径,执行业务预警操作。
作为一可选实施例,所述装置还包括模型确定模块,所述模型确定模块利用下述步骤得到所述风险传导系数预测模型:
获取与所述关联关系知识图谱的多个图谱单元对应的样本单元数据,所述样本单元数据携带有标签,其中,所述样本单元数据包括训练单元数据以及测试单元数据,所述标签包括违约以及未违约;
将所述训练单元数据输入到深度学习模型中,对所述深度学习模型进行多轮训练;
将所述测试单元数据输入到每轮训练后的所述深度学习模型中,对训练后的所述深度学习模型进行评估,当评估得到的准确度值大于预设的准确度阈值时,则确定训练完成;
将训练完成后得到的所述深度学习模型作为所述风险传导系数预测模型。
作为一可选实施例,在构建包含各待测客户的关联关系知识图谱,获取图谱单元的单元数据之后,在训练所述风险传导系数预测模型之前,所述装置还包括:
相关度分析模块,用于利用预设的相关度分析算法,对所述图谱单元的单元数据中的每一数据与风险之间的相关度进行分析,得到所述单元数据中的每一数据对应的相关度值;
选取模块,用于从所述单元数据中选取相关度值大于相关度阈值的数据,构成所述图谱单元的筛选后的单元数据。
作为一可选实施例,在得到所述图谱单元的筛选后的单元数据之后,所述装置还包括:
相似度分析模块,用于利用预设的数据分析算法,对所述图谱单元的筛选后的单元数据中的任一数据与除该数据之外的其他数据之间的相似程度进行分析,得到所述筛选后的单元数据中任意两个数据之间的相似度值。
合并模块,用于将所述筛选后的单元数据中相似度值大于相似度阈值的两个数据进行合并,得到每个图谱单元的合并后的单元数据。
作为一可选实施例,所述概率确定模块中的预设的算法模型的公式为:
其中,N为所述关联关系知识图谱中节点的数量,PRi(k)为第i个待测客户的风险传导概率,PRj(K-1)为第j个待测客户的风险传导概率,αji为第j个待测客户指向第i个待测客户之间的边、第j个待测客户与第i个待测客户构成的图谱单元的风险传导系数,s为标度常数且0≤s≤1,i、j为大于等于1,小于等于N的正整数。
本申请实施例提供的基于知识图谱的银行对公客群风险传导测算的装置,与上述实施例一提供的基于知识图谱的银行对公客群风险传导测算的方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
实施例三
基于同一技术构思,本申请实施例还提供了一种电子设备。参照图6所示,为本申请实施例提供的电子设备600的结构示意图,包括处理器601、存储器602、和总线603。其中,存储器602用于存储执行指令,包括内存6021和外部存储器6022;这里的内存6021也称内存储器,用于暂时存放处理器601中的运算数据,以及与硬盘等外部存储器6022交换的数据,处理器601通过内存6021与外部存储器6022进行数据交换,当电子设备600运行时,处理器601与存储器602之间通过总线603通信,使得处理器601在执行以下指令:
分别以每一待测客户为节点,以该待测客户与其他待测客户之间的关联关系为边,构建包含各待测客户的关联关系知识图谱,其中,边以及该边对应的两个节点构成所述关联关系知识图谱的图谱单元,每条边对应一方向;
针对每一图谱单元,获取该图谱单元的单元数据,将所述单元数据输入至训练好的风险传导系数预测模型,得到该图谱单元的风险传导系数;
在任一待测客户发生风险事件后,基于各图谱单元的风险传导系数,根据预设的算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率;
基于每个待测客户的风险传导概率,确定该待测客户的状态。
一种可能设计中,处理器601可能执行的指令中,还包括:
所述风险传导系数预测模型的训练过程为:
获取与所述关联关系知识图谱的多个图谱单元对应的样本单元数据,所述样本单元数据携带有标签,其中,所述样本单元数据包括训练单元数据以及测试单元数据,所述标签包括违约以及未违约;
将所述训练单元数据输入到深度学习模型中,对所述深度学习模型进行多轮训练;
将所述测试单元数据输入到每轮训练后的所述深度学习模型中,对训练后的所述深度学习模型进行评估,当评估得到的准确度值大于预设的准确度阈值时,则确定训练完成;
将训练完成后得到的所述深度学习模型作为所述风险传导系数预测模型。
一种可能设计中,处理器601可能执行的指令中,还包括:
利用预设的相关度分析算法,对所述图谱单元的单元数据中的每一数据与风险之间的相关度进行分析,得到所述单元数据中的每一数据对应的相关度值;
从所述单元数据中选取相关度值大于相关度阈值的数据,构成所述图谱单元的筛选后的单元数据。
一种可能设计中,处理器601可能执行的指令中,还包括:
利用预设的数据分析算法,对所述图谱单元的筛选后的单元数据中的任一数据与除该数据之外的其他数据之间的相似程度进行分析,得到所述筛选后的单元数据中任意两个数据之间的相似度值;
将所述筛选后的单元数据中相似度值大于相似度阈值的两个数据进行合并,得到每个图谱单元的合并后的单元数据。
一种可能设计中,处理器601可能执行的指令中,还包括:
预设的算法模型的公式为:
其中,N为所述关联关系知识图谱中节点的数量,PRi(k)为第i个待测客户的风险传导概率,PRj(K-1)为第j个待测客户的风险传导概率,αji为第j个待测客户指向第i个待测客户之间的边、第j个待测客户与第i个待测客户构成的图谱单元的风险传导系数,s为标度常数且0≤s≤1,i、j为大于等于1,小于等于N的正整数。
实施例四
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一实施例中所述的基于知识图谱的银行对公客群风险传导测算的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述基于知识图谱的银行对公客群风险传导测算的方法的步骤,从而提高银行确定企业风险的精准度。
本申请实施例所提供的进行基于知识图谱的银行对公客群风险传导测算的方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
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***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,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:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于知识图谱的银行对公客群风险传导测算的方法,其特征在于,所述方法包括:
分别以每一待测客户为节点,以该待测客户与其他待测客户之间的关联关系为边,构建包含各待测客户的关联关系知识图谱,其中,边以及该边对应的两个节点构成所述关联关系知识图谱的图谱单元,每条边对应一方向;
针对每一图谱单元,获取该图谱单元的单元数据,将所述单元数据输入至训练好的风险传导系数预测模型,得到该图谱单元的风险传导系数;
在任一待测客户发生风险事件后,基于各图谱单元的风险传导系数,根据预设的算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率;
基于每个待测客户的风险传导概率,确定至少一条风险传导路径,其中,每条风险传导路径的首节点为发生风险事件的待测客户;
针对每条风险传导路径,执行业务预警操作。
2.根据权利要求1所述的方法,其特征在于,所述风险传导系数预测模型的训练过程为:
获取与所述关联关系知识图谱的多个图谱单元对应的样本单元数据,所述样本单元数据携带有标签,其中,所述样本单元数据包括训练单元数据以及测试单元数据,所述标签包括违约以及未违约;
将所述训练单元数据输入到深度学习模型中,对所述深度学习模型进行多轮训练;
将所述测试单元数据输入到每轮训练后的所述深度学习模型中,对训练后的所述深度学习模型进行评估,当评估得到的准确度值大于预设的准确度阈值时,则确定训练完成;
将训练完成后得到的所述深度学习模型作为所述风险传导系数预测模型。
3.根据权利要求2所述的方法,其特征在于,在构建包含各待测客户的关联关系知识图谱,获取图谱单元的单元数据之后,在训练所述风险传导系数预测模型之前,所述方法还包括:
利用预设的相关度分析算法,对所述图谱单元的单元数据中的每一数据与风险之间的相关度进行分析,得到所述单元数据中的每一数据对应的相关度值;
从所述单元数据中选取相关度值大于相关度阈值的数据,构成所述图谱单元的筛选后的单元数据。
4.根据权利要求3所述的方法,其特征在于,在得到所述图谱单元的筛选后的单元数据之后,所述方法还包括:
利用预设的数据分析算法,对所述图谱单元的筛选后的单元数据中的任一数据与除该数据之外的其他数据之间的相似程度进行分析,得到所述筛选后的单元数据中任意两个数据之间的相似度值;
将所述筛选后的单元数据中相似度值大于相似度阈值的两个数据进行合并,得到每个图谱单元的合并后的单元数据。
6.一种基于知识图谱的银行对公客群风险传导测算的装置,其特征在于,所述装置包括:
图谱构建模块,用于分别以每一待测客户为节点,以该待测客户与其他待测客户之间的关联关系为边,构建包含各待测客户的关联关系知识图谱,其中,边以及该边对应的两个节点构成所述关联关系知识图谱的图谱单元,每条边对应一方向;
风险传导系数确定模块,用于针对每一图谱单元,获取该图谱单元的单元数据,将所述单元数据输入至训练好的风险传导系数预测模型,得到该图谱单元的风险传导系数;
风险传导概率确定模块,用于在任一待测客户发生风险事件后,基于各图谱单元的风险传导系数,根据预设的算法模型,得到除发生风险事件的待测客户之外的其他待测客户发生风险事件的风险传导概率;
风险传导路径确定模块,用于基于每个待测客户的风险传导概率,确定至少一条风险传导路径,其中,每条风险传导路径的首节点为发生风险事件的待测客户;
操作模块,用于针对每条风险传导路径,执行业务预警操作。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括模型确定模块,所述模型确定模块利用下述步骤得到所述风险传导系数预测模型:
获取与所述关联关系知识图谱的多个图谱单元对应的样本单元数据,所述样本单元数据携带有标签,其中,所述样本单元数据包括训练单元数据以及测试单元数据,所述标签包括违约以及未违约;
将所述训练单元数据输入到深度学习模型中,对所述深度学习模型进行多轮训练;
将所述测试单元数据输入到每轮训练后的所述深度学习模型中,对训练后的所述深度学习模型进行评估,当评估得到的准确度值大于预设的准确度阈值时,则确定训练完成;
将训练完成后得到的所述深度学习模型作为所述风险传导系数预测模型。
8.根据权利要求7所述的装置,其特征在于,在构建包含各待测客户的关联关系知识图谱,获取图谱单元的单元数据之后,在训练所述风险传导系数预测模型之前,所述装置还包括:
相关度分析模块,用于利用预设的相关度分析算法,对所述图谱单元的单元数据中的每一数据与风险之间的相关度进行分析,得到所述单元数据中的每一数据对应的相关度值;
选取模块,用于从所述单元数据中选取相关度值大于相关度阈值的数据,构成所述图谱单元的筛选后的单元数据。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的基于知识图谱的银行对公客群风险传导测算的方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一所述的基于知识图谱的银行对公客群风险传导测算的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910985850.4A CN110717824A (zh) | 2019-10-17 | 2019-10-17 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910985850.4A CN110717824A (zh) | 2019-10-17 | 2019-10-17 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717824A true CN110717824A (zh) | 2020-01-21 |
Family
ID=69212748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910985850.4A Pending CN110717824A (zh) | 2019-10-17 | 2019-10-17 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717824A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111309824A (zh) * | 2020-02-18 | 2020-06-19 | 中国工商银行股份有限公司 | 实体关系图谱显示方法及*** |
CN111369331A (zh) * | 2020-02-28 | 2020-07-03 | 中国工商银行股份有限公司 | 交叉性风险防控方法及装置 |
CN111582488A (zh) * | 2020-04-23 | 2020-08-25 | 傲林科技有限公司 | 一种事件推演方法及装置 |
CN111598461A (zh) * | 2020-05-19 | 2020-08-28 | 北京海致星图科技有限公司 | 一种基于企业知识图谱实时的风险泛化与传导分析方法 |
CN111784508A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 企业风险评估方法、装置及电子设备 |
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 |
CN112070402A (zh) * | 2020-09-09 | 2020-12-11 | 深圳前海微众银行股份有限公司 | 基于图谱的数据处理方法、装置、设备及存储介质 |
CN112150014A (zh) * | 2020-09-27 | 2020-12-29 | 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 |
CN112364182A (zh) * | 2020-12-09 | 2021-02-12 | 交通银行股份有限公司 | 基于图特征的企业风险传导预测方法、设备及存储介质 |
CN112613762A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
CN112651573A (zh) * | 2020-12-31 | 2021-04-13 | 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 |
CN112699249A (zh) * | 2020-12-31 | 2021-04-23 | 上海浦东发展银行股份有限公司 | 基于知识图谱的信息处理方法、装置、设备及存储介质 |
CN112905340A (zh) * | 2021-02-08 | 2021-06-04 | 中国工商银行股份有限公司 | ***资源分配方法、装置及设备 |
CN113449046A (zh) * | 2021-06-29 | 2021-09-28 | 平安资产管理有限责任公司 | 基于企业知识图谱的模型训练方法、***及相关装置 |
CN113837886A (zh) * | 2021-09-16 | 2021-12-24 | 之江实验室 | 一种基于知识图谱的车险理赔欺诈风险识别方法和*** |
CN114048330A (zh) * | 2021-11-29 | 2022-02-15 | 平安银行股份有限公司 | 风险传导概率知识图谱生成方法、装置、设备及存储介质 |
CN114090752A (zh) * | 2021-11-17 | 2022-02-25 | 中国建设银行股份有限公司 | 一种问题线索发掘方法、装置、计算机设备及介质 |
CN114676927A (zh) * | 2022-04-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 风险预测方法和装置、电子设备、计算机可读存储介质 |
CN115034520A (zh) * | 2022-08-09 | 2022-09-09 | 太平金融科技服务(上海)有限公司深圳分公司 | 风险预测方法、装置、设备及存储介质 |
CN114048330B (zh) * | 2021-11-29 | 2024-06-25 | 平安银行股份有限公司 | 风险传导概率知识图谱生成方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068219A1 (en) * | 2015-03-27 | 2018-03-08 | Equifax, Inc. | Optimizing neural networks for risk assessment |
CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
CN109657917A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
CN109816245A (zh) * | 2019-01-25 | 2019-05-28 | 北京海致星图科技有限公司 | 用于对公授信客户风险预警的风险传导评估***及方法 |
-
2019
- 2019-10-17 CN CN201910985850.4A patent/CN110717824A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068219A1 (en) * | 2015-03-27 | 2018-03-08 | Equifax, Inc. | Optimizing neural networks for risk assessment |
CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
CN109657917A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
CN109816245A (zh) * | 2019-01-25 | 2019-05-28 | 北京海致星图科技有限公司 | 用于对公授信客户风险预警的风险传导评估***及方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111309824A (zh) * | 2020-02-18 | 2020-06-19 | 中国工商银行股份有限公司 | 实体关系图谱显示方法及*** |
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*** |
CN111369331A (zh) * | 2020-02-28 | 2020-07-03 | 中国工商银行股份有限公司 | 交叉性风险防控方法及装置 |
CN111582488A (zh) * | 2020-04-23 | 2020-08-25 | 傲林科技有限公司 | 一种事件推演方法及装置 |
CN111598461A (zh) * | 2020-05-19 | 2020-08-28 | 北京海致星图科技有限公司 | 一种基于企业知识图谱实时的风险泛化与传导分析方法 |
CN111784508A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 企业风险评估方法、装置及电子设备 |
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 |
CN112070402A (zh) * | 2020-09-09 | 2020-12-11 | 深圳前海微众银行股份有限公司 | 基于图谱的数据处理方法、装置、设备及存储介质 |
CN112070402B (zh) * | 2020-09-09 | 2024-06-07 | 深圳前海微众银行股份有限公司 | 基于图谱的数据处理方法、装置、设备及存储介质 |
CN112150014A (zh) * | 2020-09-27 | 2020-12-29 | 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 |
CN112364182A (zh) * | 2020-12-09 | 2021-02-12 | 交通银行股份有限公司 | 基于图特征的企业风险传导预测方法、设备及存储介质 |
CN112613762A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
CN112613762B (zh) * | 2020-12-25 | 2024-04-16 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
CN112651573A (zh) * | 2020-12-31 | 2021-04-13 | 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 |
CN112699249A (zh) * | 2020-12-31 | 2021-04-23 | 上海浦东发展银行股份有限公司 | 基于知识图谱的信息处理方法、装置、设备及存储介质 |
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 |
CN112905340A (zh) * | 2021-02-08 | 2021-06-04 | 中国工商银行股份有限公司 | ***资源分配方法、装置及设备 |
CN113449046A (zh) * | 2021-06-29 | 2021-09-28 | 平安资产管理有限责任公司 | 基于企业知识图谱的模型训练方法、***及相关装置 |
CN113837886A (zh) * | 2021-09-16 | 2021-12-24 | 之江实验室 | 一种基于知识图谱的车险理赔欺诈风险识别方法和*** |
CN113837886B (zh) * | 2021-09-16 | 2024-05-31 | 之江实验室 | 一种基于知识图谱的车险理赔欺诈风险识别方法和*** |
CN114090752A (zh) * | 2021-11-17 | 2022-02-25 | 中国建设银行股份有限公司 | 一种问题线索发掘方法、装置、计算机设备及介质 |
CN114048330A (zh) * | 2021-11-29 | 2022-02-15 | 平安银行股份有限公司 | 风险传导概率知识图谱生成方法、装置、设备及存储介质 |
CN114048330B (zh) * | 2021-11-29 | 2024-06-25 | 平安银行股份有限公司 | 风险传导概率知识图谱生成方法、装置、设备及存储介质 |
CN114676927A (zh) * | 2022-04-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 风险预测方法和装置、电子设备、计算机可读存储介质 |
CN115034520A (zh) * | 2022-08-09 | 2022-09-09 | 太平金融科技服务(上海)有限公司深圳分公司 | 风险预测方法、装置、设备及存储介质 |
CN115034520B (zh) * | 2022-08-09 | 2023-01-10 | 太平金融科技服务(上海)有限公司深圳分公司 | 风险预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717824A (zh) | 基于知识图谱的银行对公客群风险传导测算的方法及装置 | |
US11436617B2 (en) | Behavior pattern search system and behavior pattern search method | |
US20210103858A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
US8515850B2 (en) | System and method for forecasting realized volatility via wavelets and non-linear dynamics | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
US11423324B2 (en) | Training and estimation of selection behavior of target | |
US20210034712A1 (en) | Diagnostics framework for large scale hierarchical time-series forecasting models | |
CN117391313B (zh) | 基于ai的智能决策方法、***、设备以及介质 | |
Wang et al. | Infrastructure deployment under uncertainties and competition: the biofuel industry case | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
Sungkono et al. | Patterns of fraud detection using coupled Hidden Markov Model | |
Dulesov et al. | Analytical notes on growth of economic indicators of the enterprise | |
Tatusch et al. | How is your team spirit? Cluster over-time stability evaluation | |
CN115471260A (zh) | 基于神经网络的销售预测方法、装置、设备及介质 | |
Wang | Financial ratio selection for default-rating modeling: a model-free approach and its empirical performance | |
Onofrei et al. | THE MODELING OF FORECASTING THE BANKRUPTCY RISK IN ROMANIA. | |
CN114723554A (zh) | 异常账户识别方法及装置 | |
Shi et al. | An Integrated machine learning and DEA-predefined performance outcome prediction framework with high-dimensional imbalanced data | |
Yakubovskyi et al. | Combined neural network model for real estate market range value estimation | |
Chaurasia et al. | Housing price prediction model using machine learning | |
Rakoczy et al. | Influence in time-dependent citation networks | |
Moody | Forecasting the economy with neural nets: A survey of challenges and solutions | |
Kemp | Gamma test analysis tools for non-linear time series | |
CN117372161A (zh) | 金融设备评估模型构建方法、金融设备评估方法和装置 | |
WO2021192196A1 (ja) | 成長性推定システム、成長性推定装置、成長性推定方法、及び、成長性推定プログラムが格納された記録媒体 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200121 |
|
RJ01 | Rejection of invention patent application after publication |