CN111353728A - 一种风险分析方法和*** - Google Patents
一种风险分析方法和*** Download PDFInfo
- Publication number
- CN111353728A CN111353728A CN202010373414.4A CN202010373414A CN111353728A CN 111353728 A CN111353728 A CN 111353728A CN 202010373414 A CN202010373414 A CN 202010373414A CN 111353728 A CN111353728 A CN 111353728A
- Authority
- CN
- China
- Prior art keywords
- risk
- entity
- target entity
- feedback
- target
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了一种风险分析方法,方法包括:获取至少一个目标实体;根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果;根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,所述风险链路至少包含:所述目标实体,以及所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果;所述目标实体的风险链路用于在线提供所述目标实体的风险评估结果。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种风险分析方法和***。
背景技术
随着现代技术的发展,各个领域的安全和风险防范都是至关重要的。风险分析是风险防范重要的一环,例如,通过对企业、商家、业务、项目等进行风险分析,并基于分析结果提前对风险防范进行准备。
目前的风险分析方法有很多种,可以采用人工数据分析,也可以采用自动数据处理的风险分析方法。风险分析结果的准确率直接影响防范的效果。所以,亟需一种自动的风险分析方法和***,能够实现更加全面、准确和高效地确定待分析对象的分析效果。
发明内容
本说明书一个方面提供一种风险分析方法。所述方法包括:获取至少一个目标实体;根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果;根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,所述风险链路至少包含:所述目标实体,以及所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果;所述目标实体的风险链路用于在线提供所述目标实体的风险评估结果。
本说明书另一个方面提供一种风险分析***。所述***包括:获取模块,用于获取至少一个目标实体;风险评估模块,根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果;链路生成模块,根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,所述风险链路至少包含所述目标实体,以及所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果;所述目标实体的风险链路用于在线提供所述目标实体的风险评估结果。
本说明书另一个方面提供一种风险分析装置,包括至少一个存储介质和至少一个处理器,所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令以实现风险分析方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的风险分析***的应用场景示意图;
图2是根据本说明书一些实施例所示的风险分析***的模块图;
图3是根据本说明书一些实施例所示的风险分析方法的示例性流程图;
图4是根据本说明书一些实施例所示的确定目标实体的至少一个关联实体的方法的示例性流程图;
图5是根据本说明书一些实施例所示的风险判别模型得到目标实体的至少一个风险方向的风险评估结果的示意图;
图6是根据本说明书一些实施例所示的异构知识图谱的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书的一些实施例所示的示例性风险分析***的应用场景示意图。如图1所示,在风险分析***的应用场景中可以包括用户终端110、处理设备120、网络130以及存储设备140。
用户终端110指用户所使用的一个或多个终端设备或软件。在一些实施例中,使用用户终端110的可以是一个或多个用户,可以包括直接使用服务的用户,也可以包括其他相关用户。在一些实施例中,用户终端110可以是移动设备110-1、平板计算机110-2、膝上型计算机110-3、台式计算机110-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。
处理设备120可以处理从其他设备或***组成部分中获得的数据和/或信息。处理设备可以基于这些数据、信息和/或处理结果执行程序指令,以执行一个或多个本申请中描述的功能。在一些实施例中,处理设备120可以包含一个或多个子处理设备(例如,单核处理设备或多核多芯处理设备)。仅作为示例,处理设备120可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络130可以连接***的各组成部分和/或连接***与外部资源部分。网络130使得各组成部分之间,以及与***之外其他部分之间可以进行通讯,促进数据和/或信息的交换。在一些实施例中,网络130可以是有线网络或无线网络中的任意一种或多种。例如,网络130可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式,也可以是采取多种方式。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中,网络130可以包括一个或以上网络接入点。例如,网络130可以包括有线或无线网络接入点,例如基站和/或网络交换点130-1、130-2、…,通过这些进出点***100的一个或多个组件可连接到网络130上以交换数据和/或信息。
存储设备140可以用于存储数据和/或指令。存储设备140可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备140可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的,大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,所述存储设备140可在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
上述数据指对信息的数字化表示,可以包括各种类型,比如二进制数据、文本数据、图像数据、视频数据等。指令指可控制设备或器件执行特定功能的程序。
在一些实施例中,用户终端110以及其他可能的***组成部分中可以包括存储设备140。
在一些实施例中,用户终端110以及其他可能的***组成部分中可以包括处理设备120。
在一些实施例中,处理设备120可以进行分析确定目标实体的至少一个关联实体,可以对目标实体和关联实体的相关数据进行处理分析得到目标实体至少一个风险方向的风险评估结果,以及可以根据对目标实体风险方向的风险评估结果的反馈,生成所述目标实体的风险链路。存储设备140可以存储处理设备120得到的数据分析信息,例如目标实体和目标实体的至少一个关联实体的风险特征、目标实体至少一个风险方向的风险评估结果以及目标实体的风险链路等。处理设备120、存储设备140、用户终端110可以通过网络130通信和数据传输。用户终端110可以用于输入待风险分析的实体以及输入对目标实体在各个风险方向的风险评估结果的反馈,并可以将输入的信息通过网络给存储设备140和/或处理设备120,并接收存储设备140和/或处理设备120的反馈信息。以上各设备之间的信息传递关系仅作为示例,本申请并不局限于此。
风险分析***可以用于企业的风险分析。在一些实施例中,在处理设备120中可以对各个指定的企业进行分析,通过自然人、企业异构知识图谱等找到关联的企业、自然人,并根据企业和关联企业、自然人的相关数据如风险特征进行分析,得到各个企业至少一个风险方向的风险评估结果,进一步得到各个企业的风险链路,将上述处理设备120得到的分析数据保存在存储设备140中,并用于风险查询的平台。查询平台与用户终端通过网络130连接,用户可以使用用户终端110输入想要进行风险分析的企业,平台即可以接收到待分析的目标企业,并在存储设备中找到该目标企业的风险链路,将风险链路中的至少一个风险方向的风险评估结果对应提供给用户。用户即可以通过本说明书中的风险分析***实现更加高效、全面和有效的风险分析。
图2是根据本说明书的一些实施例所示的示例性风险分析***的模块图。如图2所示,所述风险分析***可以包括获取模块210、风险评估模块220、链路生成模块230和关联实体确定模块240。
获取模块210可以用于获取至少一个目标实体。
风险评估模块220可以用于根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果。
在一些实施例中,风险评估模块220可以用于基于风险判别模型确定所述目标实体至少一个风险方向的风险评估结果;其中,输入所述风险判别模型至少包括:所述目标实体的风险特征和所述至少一个关联实体的风险特征。
在一些实施例中,所述风险判别模型可以为神经网络模型或至少一个逻辑回归模型。所述风险判别模型根据所述目标实体的风险特征和所述至少一个关联实体的风险特征,得到所述目标实体的至少一个风险方向的风险评估结果包括:将所述目标实体的风险特征和所述关联实体的风险特征输入所述神经网络模型,得到所述目标实体的至少一个风险方向的风险评估结果。所述至少一个逻辑回归模型中的每一个分别与每一个风险方向对应,将所述目标实体的风险特征和所述关联实体的风险特征输入所述风险方向对应的逻辑回归模型,得到所述风险方向的风险评估结果。
在一些实施例中,所述风险评估结果可以包括风险评分结果和/或风险文本结果,所述风险文本结果根据所述风险评分结果、所述目标实体的风险特征和所述关联实体的风险特征生成。
链路生成模块230可以用于根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,所述风险链路至少包含:所述目标实体,以及所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果;所述目标实体的风险链路用于在线提供所述目标实体的风险评估结果。
在一些实施例中,链路生成模块230还可以用于获取所述至少一个反馈的文本信息,通过识别模型对所述至少一个反馈的文本进行识别,确定所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险方向的风险评估结果。
在一些实施例中,风险分析***还包括关联实体确定模块240。关联实体确定模块240可以用于获取至少一个其他实体,所述其他实体通过一层或多层关系与所述目标实体关联;基于所述一层或多层关系的关系信息,确定所述目标实体与所述至少一个其他实体中每一个之间的关联权重;将所述关联权重满足预设条件的其他实体作为所述目标实体的至少一个关联实体。在一些实施例中,所述关联权重可以基于所述一层或多层关系中每一层关系的发出实体与接收实体的关系信息,以及所述发出实体与其它直接相关的实体的关系信息确定。
应当理解,图2所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于***200及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,例如,图2中披露的获取模块210、风险评估模块220、链路生成模块230、关联实体确定模块240可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,风险评估模块220、链路生成模块230可以是两个模块,也可以是一个模块同时具有风险评估和链路生成的功能。又例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
图3是根据本说明书的一些实施例所示的风险分析方法的示例性流程图具体的,所述方法300可以由风险分析***200执行。如图3所示,该风险分析方法300可以包括:
步骤310,获取至少一个目标实体。具体的,该步骤310可以由获取模块210执行。
实体可以是指现实世界中具体的业务实体的抽象,例如企业、自然人、商家等。目标实体是指指定的某一个或多个实体。例如在企业的风险分析中,目标实体是指待进行风险分析的某一个或多个企业。
获取目标实体的方式可以通过用户输入,或者从已有实体数据中进行选择等多种方式,本说明书不做限制。
步骤320,根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果。具体的,该步骤320可以由风险评估模块220执行。
关联实体可以是指与目标实体之间的关系程度达到预设要求的其他实体,每个目标实体的关联实体可以是一个或多个。其中,关系可是任意可以描述的关系,如,利益关系、归属关系、转账关系、业务关系等。示例的,目标实体为企业,关联关系可以是指企业控股股东、实际控制人、董事、监事、高级管理人员与企业之间的关系,以及可能与企业存在利益转移的其他关系。
关联实体可以与目标实体的类型相同,也可以不同。例如,目标实体为企业,关联实体或其他实体为自然人或/和企业。
关系程度可以是关系重要程度、关系复杂程度或关系亲密程度等。预设要求可以是一种或者多种关系程度的分数大于预设阈值等。
在一些实施例中,可以基于实体与实体的关系表示(例如,异构知识图谱等)中,确定其他实体与目标实体之间的关系程度大小,进一步从其他实体中确定目标实体的关联实体。关于实体与实体的关系表示,以及确定关联实体的具体方法可以参见图4及其相关说明,此处不再赘述。
风险方向可以是指目标实体可能存在风险的相关领域。例如,目标实体为企业,其风险方向可以包括自然风险(如洪水、风暴等)、经济风险(如融资风险、债务风险等)、技术风险(如技术变革、技术使用等对企业构成的风险)或法律风险(如,知识产权法律风险、合同法律风险、人力资源管理法律风险等)。
风险方向的风险评估结果是指目标实体在某个风险方向上的风险情况。具体地,风险方向的评估结果可以为在该风险方向是否存在风险,或者为在该风险方向存在风险的详细情况,如存在风险的程度、风险的具体内容等。
在一些实施例中,可以对目标实体及其关联实体的相关数据进行分析,确定该目标实体在不同风险方向上的风险评估结果。目标实体及其关联实体的相关数据可以包括:目标实体的风险特征和关联实体的风险特征。
风险特征是指实体在各个风险方向上的风险情况,例如实体为企业,该企业在融资风险上的风险特征包括:该企业融资金额的风险情况、投资公司的风险情况、融资时间的风险情况等。实体的风险特征可以对实体相关信息的数据进行特征提取得到,例如,可以基于企业的相关诉讼情况、贷款情况等文本数据进行特征提取得到企业的风险特征。其中,特征提取的方法可以包括:主成分分析、机器学习等。例如,可以采用主成分分析法,对实体的各种相关信息数据进行文本特征抽取,得到风险特征,该风险特征包括各个风险方向上的风险情况。
在一些实施例中,可以进行建模或采用各种数据分析算法,例如回归分析法、判别分析法等,对目标实体和目标实体的至少一个关联实体的相关数据(如,风险特征)进行分析处理,得到目标实体至少一个风险方向的风险评估结果。
在一些实施例中,可以基于风险判别模型对目标实体及其关联实体的相关数据进行分析处理,确定目标实体至少一个风险方向的风险评估结果。具体地,将目标实体的风险特征和至少一个关联实体的风险特征输入风险判别模型,风险判别模型输出得到目标实体在至少一个风险方向的风险评估结果。风险判别模型可以采用神经网络模型或至少一个逻辑回归模型。关于风险判别模型的具体细节可以参见图5及其相关描述,此处不再赘述。
在一些实施例中,风险评估结果可以包括风险评分结果和/或风险文本结果。其中,风险评分结果可以是风险程度情况的评分,例如,目标实体为企业A,企业A在融资风险上的风险评分结果为80分,表示其融资风险的风险程度高。风险文本结果是指对风险情况采用文本(例如自然语言、报文或其他机器语言)表示的结果,例如,目标实体为企业A,企业A在融资风险上的风险文本结果为:企业A风险评分结果为80分的报文表示,又或者是企业A在融资风险上具体风险情况内容的自然语言表示,可以为“企业A在融资风险上风险为高等,其可能会出现项目有关参与方不能履行协定责任和义务而出现的风险”。
在一些实施例中,风险文本结果可以根据风险评分结果、目标实体的风险特征和关联实体的风险特征生成。具体地,可以通过神经网络模型或者各种机器语言生成器生成风险文本结果。
在一些实施例中,神经网络模型可以采用RNN、CNN、Transformer等自然语言处理常用的神经网络模型。将风险评分结果、目标实体的风险特征、关联实体的风险特征输入神经网络模型,输出得到自然语言表示的风险文本结果。以Transformer为例,模型基于多组训练样本训练得到,每组训练样本包含:样本实体的风险评分结果、样本实体的风险特征、样本实体的关联实体的风险特征,每组样本的标签为样本实体的风险文本结果。
在一些实施例中,机器语言生成器可以采用报文生成模块、二进制语言转换器等语言转换工具,将风险评分结果、目标实体的风险特征、关联实体的风险特征输入机器语言生成器,输出得到机器语言表示的风险文本结果。
由前述可知,风险文本结果可以对风险评分、目标实体本身在各个风险方向上的具体风险情况内容、目标实体的关联实体在各个风险方向上的具体风险情况内容都进行表示。
在一些实施例中,还可以预先为不同的风险评估结果设置对应的风险文本结果,当确定风险评估结果之后,对应的风险文本结果可以直接获取。
步骤330,根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,所述风险链路至少包含:所述目标实体,以及所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险方向的风险评估结果,所述目标实体的风险链路用于在线提供所述目标实体的风险评估结果。具体的,该步骤330可以由链路生成模块230执行。
反馈可以是指收到或查看了风险评估结果的用户对该风险评估结果做出的动作。反馈的内容可以包括该风险评估结果准确或不准确,或者该风险评估结果为好评或差评,或者该风险方向是否为关注的方向。反馈的方式可以是语音沟通、文本描述或者点击预设选项等任意可以实现评价的方式。
根据上述反馈内容,可以确定用户是否认可某风险评估结果,或者可以确定用户是否关注某风险方向。关于基于反馈确定关注的风险评估方向的风险评估结果或认可的风险评估结果的更多细节参见步骤332、步骤334及其相关描述,此处不再赘述。
在一些实施例中,可以通过读取用户线上对风险评估结果的反馈,或者通过在历史数据库中读取用户对风险评估结果的反馈的方式获得对目标实体至少一个风险方向的风险评估结果的反馈。
风险链路可以用于平台,例如,企业风险查询平台,在线提供目标实体在至少一个风险方向的风险评估结果。该链路中包含目标实体和该目标实体的至少一个风险方向的风险评估结果,其中,该链路中的风险评估结果是基于反馈确定。具体的,基于反馈,对步骤320确定的该目标实体的多个风险方向的风险评估结果进行筛选,筛除不符合用户需求的风险评估结果。在一些实施例中,为了满足用户需求,可以将反馈关注的风险方向的风险评估结果和/或反馈认可的风险方向的风险评估结果保留在风险链路中,为平台的查询用户提供更有效和准确的评估结果。
反馈的用户可以为多个,可以理解,反馈结果也可以为多个。进一步的,可以对多个反馈进行统计处理,将关注或/和认可的反馈数量满足预设条件的风险方向的风险评估结果,保留在风险链路中。其中,预设条件可以是反馈数量Top N(N=1,2,3…),也可以是大于预设数量。
例如,对于企业A,基于步骤320确定了风险方向1的风险评估结果、风险方向2的风险评估结果、风险方向3的风险评估结果和风险方向4的风险评估结果,并将这些结果发送给100个用户,其中,风险方向1认可的反馈数量为20个,关注的反馈数量为40个,风险方向2认可的反馈数量为30个,关注的反馈数量为20个,风险方向3认可的反馈数量为40个,关注的反馈数量为15个,风险方向4认可的反馈数量为10个,关注的反馈数量为25个,预设条件为Top1,则风险方向1为关注的风险方向,风险方向3的风险评估结果为认可的结果,则企业A的风险链路为:企业A、风险方向1的风险评估结果以及风险方向3的风险评估结果。通过该方式,可以以满足大部分查询用户为前提,为查询用户提供风险结果。
不同的目标实体存在对应的风险链路,例如,企业A对应风险链路1,企业B对应风险链路2,在企业风险查询平台上查询企业A的风险时,将风险链路1中的风险方向及对应的风险评估结果提供给查询用户。
在一些实施例中,根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路可以包括以下步骤:
步骤332,获取所述至少一个反馈的文本信息。具体的,该步骤332可以由链路生成模块230执行。
反馈的文本信息是指反馈内容的文本表示。可以理解,该文本信息可以是进行反馈的用户直接输入的文本内容;也可以是基于用户语音信息识别出的文本内容;还可以是根据对预设选项选择之后,生成的文本内容;还可以是通过其他方式确定的与用户反馈内容相关的文本,本实施例不做限制。
步骤334,通过识别模型对所述至少一个反馈的文本信息进行识别,确定所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果。具体的,该步骤334可以由链路生成模块230执行。
识别模型是指对文本信息进行语义识别并得到文本类别的模型。具体地,识别模型的输入可以是:对某风险方向的风险评估结果反馈的文本信息,输出可以是:反馈类别,如“反馈关注”或/和“反馈认可”的类别,其中,“反馈关注”代表关注该风险风向的风险评估结果,“反馈认可”代表认可该风险评估结果。
在一些实施例中,识别模型可以采用神经网络模型,例如Bi-LSTM、BERT、textCNN或其它功能相似的文本分类神经网络,或由文本编码模型和分类模型组成的,能对文本信息进行语义识别并进行分类的模型。其中,分类模型可以采用逻辑回归模型、分类和回归树、支持向量机或其它分类模型,文本编码模型可以采用BiLSTM、Transformer或其它文本编码模型。以文本编码模型和分类模型构成识别模型为例,文本编码模型用于对输入的文本信息进行编码,生成该文本的向量,分类模型用于对输入的文本向量进行分类得到其反馈类别。
通过上述方式得到反馈的文本信息的反馈类别之后,可以确定被反馈的风险方向的风险评估结果的类别。具体地,如果反馈类别属于“反馈关注”,则将对应的风险方向的风险评估结果确定为反馈关注的风险方向的风险评估结果;如果“反馈认可”,则将对应的风险评估结果确定为反馈认可的风险评估结果。
前述步骤332和步骤334仅为一种实施例中生成目标实体的风险链路的方法步骤,所以步骤332和步骤334为可选执行的步骤。
上述实施例实现了:(1)使风险识别不局限于目标实体自身,覆盖到了与目标实体紧密相关的其它实体(企业、自然人等),使识别的风险更加全面和准确;(2)通过反馈沉淀风险链路,并应用于线上查询,可以结合用户需求为用户提供用户认可或者关注的风险方向的风险评估结果,提高用户体验。
图4是根据本说明书的一些实施例所示的确定目标实体的至少一个关联实体的方法的示例性流程图如图4所示,该方法400可以包括:
步骤410,获取至少一个其他实体,所述其他实体通过一层或多层关系与所述目标实体关联。具体的,该步骤410可以由关联实体确定模块240执行。
在一些实施例中,其他实体可以通过一层或多层关系与目标实体关联。关于关系的介绍见步骤320。
一层关系是指所述目标实体与所述其它实体直接相关。多层关系是指所述目标实体与所述其它实体并非直接相关,而是通过一个或一个以上的其它实体产生间接关系。例如,目标实体为企业A,企业B与企业A存在业务关系,企业C与企业B存在业务关系,企业B通过一层关系直接与企业A关联,企业C通过2层(即,多层)关系与企业A关联。
实体与实体的关系表示可以有多种。在一些实施例中,实体与实体之间的关系可以通过异构知识图谱表示,异构知识图谱可以是指不同类型的实体与实体之间的关系表示,其中,关系用边表示。如图6所示,两类不同的实体(例如企业和自然人)可以分别用U和I表示,其中,U1和I3之间存在投资关系,如,U1是U3的投资者;U2和I2之间存在董事关系,如,I2是U2的董事;U3与I1之间存在法人关系,如,I1为U3的法人;I3与I2之间存在夫妻关系。在异构知识图谱中,一层关系是指实体与实体之间通过边连接,如U1和U3、I2和U2、I1和U3、I2和I3等。在异构知识图谱中,多层关系是指实体与实体之间通过多条边间接连接,如I1和U1之间不存在边,但通过中间实体U3相关联,I1和U1之间通过2条边间接连接,换而言之,I1和U1之间存在2层关系;U2与I3情况类似,不再赘述。
在一些实施例中,实体与实体之间的关系还可以通过其他方式表示,例如,映射表等,本实施例不做限制。
在一些实施例中,可以从异构知识图谱、映射表或其他形式的关系表示中获取目标实体的其他实体,以及目标实体与其他实体的关系信息,关系信息的具体内容见步骤420。
处理设备可以通过各种常见方式获取实体与实体之间的关系,例如,直接从存储识别中读取异构知识图谱,基于这些信息进一步获取与目标实体有一层或多层关系的其他实体。处理设备可以限定多层关系的层数,或者通过其他方式限定所获取其他实体的范围。
步骤420,基于所述一层或多层关系的关系信息,确定所述目标实体与所述至少一个其他实体中每一个之间的关联权重。具体的,该步骤420可以由关联实体确定模块240执行。
关系信息可以是实体与实体之间关系的任意信息,包括关系类型等。关系信息还可以包含其他信息,例如,关系的准确率、关系值等,本实施例不做限制。其中,关系值可以是关系的重要性或关系的亲密度等的衡量指标,可以是根据业务等需求自定义。例如,股东关系的关联值为2,法人关系的关联值为5。又例如,股东关系中股份为20%,则关联值为0.4(0.2*2)。
如步骤320所述,处理设备可以基于目标实体与其他实体的关联程度大小,从其他实体中确定目标实体的关联实体。在一些实施例中,可以通过关联权重衡量关系程度的大小。
在一些实施例中,处理设备可以根据目标实体与其他实体之间的每一层关系的发出实体与接收实体的关系信息,以及发出实体与其它直接相关的实体的关系信息确定目标实体与其他实体之间的关联权重。具体的,首先,可以基于每一层关系的发出实体与接收实体的关系信息,以及发出实体与其它直接相关的实体的关系信息,确定每一层关系的关联权重,再基于每一层关系的关联权重得到目标实体与其他实体之间的关联权重。
在一些实施例中,可以以目标实体为关系的发出方,其他实体为关系的接收方,发出实体和接受实体对应目标实体与其他实体之间某一层关系的两端,其中,靠近目标实体的为发出实体,靠近其他实体的为接受实体。在异构知识图谱中,边表示实体与实体之间的关系,发出实体和接受实体为边所连接的2个实体。以图6为例,若U1为目标实体,I1为其他实体,I1和U1之间存在两层关系,包括:U1和U3,U3和I1。每一层关系都包含对应的发出实体和接受实体:通过边连接的U1和U3,U1为发出实体,U3为接受实体;通过边连接的U3和I1,U3为发出实体,I1为接受实体。
其他直接相关的实体是指除接受实体以外,与发出实体直接相关的实体,在异构知识图图谱中,其他直接相关实体为与发出实体通过边连接的其他实体。如图6所示,与U3直接连接的实体包含U1、U2和I1,当U3作为发出实体时,U1为接受实体,则U2和I1为其他相关实体。
与前述关系信息类似,发出实体与接收实体的关系信息,或发出实体与其它直接相关的实体的关系信息可以包含关系的类型或/和关系值等。若关系信息中不包含关系值,可以通过预设规则,基于关系的类型确定关系值,例如,预设规则可以是股东关系的关联值为2,法人关系的关联值为5等。
在一些实施例中,可以将目标实体与其他实体之间某一层关系中,发出实体与接受实体的关系值占发出实体与所有直接相关的实体的关系值的比值,作为该层关系的关联权重。
继续以图6为例,目标实体U1与其他实体I1之间存在两层关系,对于U1和U3这层关系而言,U1是发出实体,U3是接受实体,U1和U3之间是投资关系,关系值为2,但U1不存在其他直接相关的实体,因此,这层关系的关联权重w1=2/2=1;对于U3和I1这层关系而言,发出实U3与接受实体I1之间是法人关系,关系值为5;同时,U3存在其他直接相关的实体U2,且U2与U3是投资关系,关系值为2,因此,该层的关联权重w=5/(2+5)=0.71。
上述示例仅说明部分可以使用的方法,处理设备还可以采用其它规则和算法计算目标实体与其他实体之间每一层关系的关联权重,本申请对此不做限制。
在一些实施例中,基于获得的每一层的关联权重,可以确定目标实体与其他实体的关联权重。例如,可以对每层关系的关联权重进行运算或加权运算(例如,求平均、求积或求方差等),将运算得结果作为目标实体与其他实体之间的关联权重。
继续以图6为例,目标实体U1与其他实体I1的关联权重R可以通过以下方式确定:R=0.6×0.5=0.3。
在一些实施例中,处理设备可以基于预设规则确定目标实体与其它实体中之间的关联权重。例如,当目标实体与其它实体的关系层数为1时,目标实体与其它实体的关联权重为1;当层数为2时,关联权重为0.5;当层数为3时,关联权重为0.25;以此类推。还可以以其他类似规则确定关联权重,不再赘述。
步骤430,将所述关联权重满足预设条件的其他实体作为所述目标实体的至少一个关联实体。具体的,该步骤430可以由关联实体确定模块240执行。
在一些实施例中,处理设备可以根据目标实体与其他实体之间的关联权重是否满足预设条件,确定其它实体是否为目标实体的关联实体。例如,可以设定一个阈值τ,当目标实体与其他实体Q之间的关联权重RQ>τ时,即可确定其它实体Q为目标实体的关联实体。再例如,可以设定一个名次n,当目标实体与其他实体M之间的关联权重在目标实体与所有其它实体的关联权重中的排名N属于前n名时,即可确定其它实体M为目标实体的关联实体。以上只是对所述预设条件的举例,在一些实施例中,还可以采用本领域技术人员熟知的任意其它方式设定预设条件,本申请对此不做限制。
本实施例通过关联权重确定目标实体的关联实体时,可以从关系程度(例如,紧密程度、重要性程度等)角度确定,使确定的关联实体更具有实际意义。
图5是根据本说明书的一些实施例所示的风险判别模型得到目标实体的至少一个风险方向的风险评估结果的示意图。
在一些实施例中,风险判别模型可以为神经网络模型或至少一个逻辑回归模型,神经网络模型或至少一个逻辑回归模型根据目标实体的风险特征和至少一个关联实体的风险特征,得到目标实体的至少一个风险方向的风险评估结果。
在一些实施例中,风险判别模型可以采用神经网络模型,将目标实体的风险特征和关联实体的风险特征输入神经网络模型,输出得到目标实体的至少一个风险方向的风险评估结果,如风险评分结果。具体地,神经网络模型可以采用例如SVM、随机森林模型或其它功能相似的多分类模型。
以SVM为例,将目标实体的风险特征和关联实体的风险特征输入SVM,SVM输出可以是目标实体在各个风险方向上的类别,类别可以是风险等级或者是否发生风险,输出也可以是风险发生的概率,进一步的,根据概率值确定风险等级。
在一些实施例中,风险判别模型可以采用至少一个逻辑回归模型,至少一个逻辑回归模型中的每一个分别与每一个风险方向对应。将目标实体的风险特征和关联实体的风险特征输入某风险方向对应的逻辑回归模型,得到该风险方向的风险评估结果。具体地,对于每一个逻辑回归模型,输入目标实体的风险特征和关联实体的风险特征,输出为目标实体在模型对应的风险方向上的类别或风险发生的概率。
本说明书实施例还提供一种装置,其至少包括处理器以及存储器。所述存储器用于存储指令。当所述指令被所述处理器执行时,导致所述装置实现前述的风险分析的方法。所述方法可以包括:获取至少一个目标实体;根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果;根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,所述风险链路至少包含:所述目标实体,以及所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果;所述目标实体的风险链路用于在线提供所述目标实体的风险评估结果。
本说明书实施例可能带来的有益效果包括但不限于:(1)识别的风险不单局限于实体如企业自身,覆盖到了与实体紧密相关的关联实体,实现了快速、全面地识别出目标实体如企业、自然人等的风险;(2)基于对风险评估结果的反馈来保存风险链路,可以沉淀出真正对客户有用的目标实体风险识别链路,使得风险分析更加有效。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (15)
1.一种风险分析方法,包括:
获取至少一个目标实体;
根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果;
根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,所述风险链路至少包含:所述目标实体,以及所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果;
所述目标实体的风险链路用于在线提供所述目标实体的风险评估结果。
2.如权利要求1所述的方法,所述根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果,包括:
基于风险判别模型确定所述目标实体至少一个风险方向的风险评估结果;
其中,输入所述风险判别模型至少包括:所述目标实体的风险特征和所述至少一个关联实体的风险特征。
3.如权利要求1所述的方法,所述根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,包括:
获取所述至少一个反馈的文本信息;
通过识别模型对所述至少一个反馈的文本信息进行识别,确定所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果。
4.如权利要求1所述的方法,确定所述目标实体的至少一个关联实体包括:
获取至少一个其他实体,所述其他实体通过一层或多层关系与所述目标实体关联;
基于所述一层或多层关系的关系信息,确定所述目标实体与所述至少一个其他实体中每一个之间的关联权重;
将所述关联权重满足预设条件的其他实体作为所述目标实体的至少一个关联实体。
5.如权利要求4所述的方法,所述基于所述一层或多层关系的关系信息,确定所述目标实体与所述至少一个其他实体中每一个之间的关联权重包括:
所述关联权重基于所述一层或多层关系中每一层关系的发出实体与接收实体的关系信息,以及所述发出实体与其它直接相关的实体的关系信息确定。
6.如权利要求1所述的方法,所述风险评估结果包括:
风险评分结果和/或风险文本结果,所述风险文本结果根据所述风险评分结果、所述目标实体的风险特征和所述关联实体的风险特征生成。
7.如权利要求2所述的方法,所述风险判别模型为神经网络模型或至少一个逻辑回归模型,所述风险判别模型根据所述目标实体的风险特征和所述至少一个关联实体的风险特征,得到所述目标实体的至少一个风险方向的风险评估结果,包括:
将所述目标实体的风险特征和所述关联实体的风险特征输入所述神经网络模型,得到所述目标实体的至少一个风险方向的风险评估结果;
所述至少一个逻辑回归模型中的每一个分别与每一个风险方向对应,将所述目标实体的风险特征和所述关联实体的风险特征输入所述风险方向对应的逻辑回归模型,得到所述风险方向的风险评估结果。
8.一种风险分析***,包括:
获取模块,用于获取至少一个目标实体;
风险评估模块,用于根据所述目标实体和所述目标实体的至少一个关联实体,得到所述目标实体至少一个风险方向的风险评估结果;
链路生成模块,用于根据对所述目标实体至少一个风险方向的风险评估结果的至少一个反馈,生成所述目标实体的风险链路,所述风险链路至少包含:所述目标实体,以及所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果;所述目标实体的风险链路用于在线提供所述目标实体的风险评估结果。
9.如权利要求8所述的***,所述风险评估模块还用于:
基于风险判别模型确定所述目标实体至少一个风险方向的风险评估结果;
其中,输入所述风险判别模型至少包括:所述目标实体的风险特征和所述至少一个关联实体的风险特征。
10.如权利要求8所述的***,所述链路生成模块还用于:
获取所述至少一个反馈的文本信息;
通过识别模型对所述至少一个反馈的文本信息进行识别,确定所述至少一个反馈关注的风险方向的风险评估结果和/或所述至少一个反馈认可的风险评估结果。
11.如权利要求8所述的***,所述***还包括关联实体确定模块,关联实体确定模块用于:
获取至少一个其他实体,所述其他实体通过一层或多层关系与所述目标实体关联;
基于所述一层或多层关系的关系信息,确定所述目标实体与所述至少一个其他实体中每一个之间的关联权重;
将所述关联权重满足预设条件的其他实体作为所述目标实体的至少一个关联实体。
12.如权利要求11所述的***,所述关联实体确定模块还用于:
关联权重基于所述一层或多层关系中每一层关系的发出实体与接收实体的关系信息,以及所述发出实体与其它直接相关的实体的关系信息确定。
13.如权利要求8所述的***,所述风险评估结果包括:
风险评分结果和/或风险文本结果,所述风险文本结果根据所述风险评分结果、所述目标实体的风险特征和所述关联实体的风险特征生成。
14.如权利要求9所述的***,所述风险判别模型为神经网络模型或至少一个逻辑回归模型,所述风险评估模块还用于:
将所述目标实体的风险特征和所述关联实体的风险特征输入所述神经网络模型,得到所述目标实体的至少一个风险方向的风险评估结果;
所述至少一个逻辑回归模型中的每一个分别与每一个风险方向对应,将所述目标实体的风险特征和所述关联实体的风险特征输入所述风险方向对应的逻辑回归模型,得到所述风险方向的风险评估结果。
15.一种风险分析装置,包括至少一个存储介质和至少一个处理器,所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令以实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010373414.4A CN111353728A (zh) | 2020-05-06 | 2020-05-06 | 一种风险分析方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010373414.4A CN111353728A (zh) | 2020-05-06 | 2020-05-06 | 一种风险分析方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353728A true CN111353728A (zh) | 2020-06-30 |
Family
ID=71197648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010373414.4A Pending CN111353728A (zh) | 2020-05-06 | 2020-05-06 | 一种风险分析方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353728A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469483A (zh) * | 2021-02-23 | 2021-10-01 | 杭州有数金融信息服务有限公司 | 一种自然人经营风险评分方法及***和设备 |
US20220147817A1 (en) * | 2020-11-10 | 2022-05-12 | Equifax Inc. | Machine-learning techniques involving monotonic recurrent neural networks |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN109272396A (zh) * | 2018-08-20 | 2019-01-25 | 平安科技(深圳)有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
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 |
CN109740865A (zh) * | 2018-12-13 | 2019-05-10 | 平安科技(深圳)有限公司 | 风险评估方法、***、设备及存储介质 |
CN110992169A (zh) * | 2019-11-29 | 2020-04-10 | 深圳乐信软件技术有限公司 | 一种风险评估方法、装置、服务器及存储介质 |
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 |
-
2020
- 2020-05-06 CN CN202010373414.4A patent/CN111353728A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN109272396A (zh) * | 2018-08-20 | 2019-01-25 | 平安科技(深圳)有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
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 |
CN109740865A (zh) * | 2018-12-13 | 2019-05-10 | 平安科技(深圳)有限公司 | 风险评估方法、***、设备及存储介质 |
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
CN110992169A (zh) * | 2019-11-29 | 2020-04-10 | 深圳乐信软件技术有限公司 | 一种风险评估方法、装置、服务器及存储介质 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220147817A1 (en) * | 2020-11-10 | 2022-05-12 | Equifax Inc. | Machine-learning techniques involving monotonic recurrent neural networks |
US11960993B2 (en) * | 2020-11-10 | 2024-04-16 | Equifax Inc. | Machine-learning techniques involving monotonic recurrent neural networks |
CN113469483A (zh) * | 2021-02-23 | 2021-10-01 | 杭州有数金融信息服务有限公司 | 一种自然人经营风险评分方法及***和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3985578A1 (en) | Method and system for automatically training machine learning model | |
CN112732911A (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
CN109670023A (zh) | 人机自动面试方法、装置、设备和存储介质 | |
CN113868391B (zh) | 基于知识图谱的法律文书生成方法、装置、设备及介质 | |
CN111324738B (zh) | 一种确定文本标签的方法和*** | |
CN113283795B (zh) | 基于二分类模型的数据处理方法及装置、介质、设备 | |
CN110717009A (zh) | 一种法律咨询报告的生成方法及设备 | |
CN112989761A (zh) | 文本分类方法及装置 | |
CN110955770A (zh) | 一种智能对话*** | |
CN111353728A (zh) | 一种风险分析方法和*** | |
CN116821372A (zh) | 基于知识图谱的数据处理方法、装置、电子设备及介质 | |
US20220156862A1 (en) | System and method for analyzing grantability of a legal filing | |
CN110704803A (zh) | 目标对象的评估值计算方法及装置、存储介质、电子设备 | |
CN113011961B (zh) | 公司关联信息风险监测方法、装置、设备及存储介质 | |
CN114067308A (zh) | 智能匹配方法、装置、电子设备及存储介质 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN113592315A (zh) | 一种处理纠纷单的方法和装置 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN116757835A (zh) | ***客户贷中交易风险监控方法及装置 | |
CN111507849A (zh) | 核保方法及相关装置、设备 | |
CN115545088B (zh) | 模型构建方法、分类方法、装置和电子设备 | |
CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN110348190B (zh) | 基于用户操作行为的用户设备归属判断方法及装置 | |
CN115795289B (zh) | 特征识别方法、装置、电子设备及存储介质 |
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 |