CN111861119A - 基于企业风险关联图谱的企业风险数据处理方法及装置 - Google Patents
基于企业风险关联图谱的企业风险数据处理方法及装置 Download PDFInfo
- Publication number
- CN111861119A CN111861119A CN202010555450.2A CN202010555450A CN111861119A CN 111861119 A CN111861119 A CN 111861119A CN 202010555450 A CN202010555450 A CN 202010555450A CN 111861119 A CN111861119 A CN 111861119A
- Authority
- CN
- China
- Prior art keywords
- node
- risk
- enterprise
- target node
- nodes
- 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.)
- Granted
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
-
- 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)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (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
本申请涉及一种基于企业风险关联图谱的企业风险数据处理方法及装置。该方法包括:获取企业风险关联图谱并确定第一目标节点,企业风险关联图谱用于保存企业之间的风险传播关系,第一目标节点为企业风险关联图谱中的节点,用于表示出现风险问题的风险企业;利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数,第二目标节点为企业风险关联图谱中的节点,用于表示与风险企业存在关联关系的企业,风险参数用于表示与风险企业存在关联关系的企业受风险企业影响的概率。本申请实现了从企业关联关系的角度分析其他企业受风险企业影响的概率,提供了评估企业之间风险传播的更为准确、形象的方法。
Description
技术领域
本申请涉及企业风险传播的技术领域,尤其涉及一种基于企业风险关联图谱的企业风险数据处理方法及装置。
背景技术
随着现代社会的经济发展,企业之间投资控股、人员任职等关系错综复杂,而若是个别企业因为从事某些非法活动被公安机关、工商行政部门立案侦查,或者出现了资金断裂、债券违约等高危情形,则这些出现经营风险的企业可以视作风险企业。而参与了风险企业的经营活动、与风险企业存在利益输送的其他企业也可能会受到风险企业资金断裂带来的资金损失、人员涉嫌犯罪等风险。
企业风险关联图谱是从风险传播的角度建立的表征企业关联关系的知识图谱,目的是用于企业之间风险传播的评估。
目前,相关技术中,有根据互联网文本进行情感倾向性分析,从而评估一个企业存在的风险,但是缺乏从企业关联关系的角度评估企业之间的风险传播。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供了一种基于企业风险关联图谱的企业风险数据处理方法及装置,以解决上述“缺乏从企业关联关系的角度评估企业之间的风险传播”的技术问题。
第一方面,本申请提供了一种基于企业风险关联图谱的企业风险数据处理方法,包括:获取企业风险关联图谱并确定第一目标节点,企业风险关联图谱用于保存企业之间的风险传播关系,第一目标节点为企业风险关联图谱中的节点,用于表示出现风险问题的风险企业;利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数,第二目标节点为企业风险关联图谱中的节点,用于表示与风险企业存在关联关系的企业,风险参数用于表示与风险企业存在关联关系的企业受风险企业影响的概率。
可选地,利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数包括:获取第一目标节点对应的第一集合,第一集合为与第一目标节点直接连接的第一类节点的集合,第一类节点与第一目标节点之间的路径长度为1,第一类节点用于表示与风险企业存在直接关联关系的企业,第二目标节点包括该第一类节点;获取第一目标节点的风险参数和第一目标节点与第一类节点之间的关联边的关联强度;将第一目标节点的风险参数与关联强度的乘积作为第一类节点的风险参数,第二目标节点的风险参数包括第一类节点的风险参数。
可选地,利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数还包括:获取第一目标节点对应的第二集合,第二集合为与第一目标节点间接连接的第二类节点的集合,第二类节点用于表示与风险企业存在间接关联关系的企业,第二类节点与第一目标节点之间的路径长度大于等于2且不超过长度阈值,长度阈值不小于2,第二目标节点包括该第二类节点;确定第二类节点的风险参数,第二目标节点的风险参数包括所述第二类节点的所述风险参数。
可选地,在第二类节点与第一目标节点之间的路径长度为2的情况下,确定第二类节点的风险参数包括按照第一目标方式对既属于第一类节点,又属于第二类节点的节点确定风险参数:获取既属于第一类节点,又属于第二类节点的两个节点,两个节点之间存在关联边,两个节点在属于第一类节点时其与第一目标节点之间的路径长度为1;确定两个节点之间关联边的方向,关联边的方向为两个节点表示的两个企业之间风险传播的方向;将两个节点中关联边的方向所指向的节点确定为更新节点,另一个确定为不更新节点;获取不更新节点的风险参数与所两个节点之间关联边的关联强度的乘积;将更新节点的风险参数与该乘积进行求和,并将求和结果作为更新节点的新的风险参数。
可选地,在第二类节点与第一目标节点之间的路径长度为2的情况下,确定第二类节点的风险参数还包括按照第二目标方式对只属于第二类节点的节点确定风险参数:获取与只属于第二类节点的节点之间具有关联边的第一类节点;获取该第一类节点的风险参数与该关联边的关联强度的乘积;将乘积的和作为只属于第二类节点的节点的风险参数。
可选地,在第二类节点与第一目标节点之间的路径长度大于2的情况下,还包括按照如下方式确定第二类节点的风险参数:记第二类节点与第一目标节点之间的路径长度为u,u为大于2的正整数;在第二类节点中确定待处理节点,待处理节点具有与第一目标节点之间的路径长度为u的路径,且不具有与第一目标节点之间的路径长度小于等于u-2的其他路径;在待处理节点还具有与第一目标节点之间的路径长度等于u-1的路径的情况下,将路径长度u-1作为1,路径长度u作为2,按照第一目标方式确定待处理节点的风险参数;在待处理节点不具有与第一目标节点之间的路径长度等于u-1的路径的情况下,将路径长度u-1作为1,路径长度u作为2,按照第二目标方式确定待处理节点的风险参数。
可选地,利用企业风险关联图谱确定第二目标节点从第一目标节点处获得的风险参数之后,该方法还包括:将第二目标节点与对应的风险参数作为集合的元素,构建节点风险参数集合,其中,节点风险参数集合中的每个元素表示对应的企业和该企业受风险企业影响的概率。
第二方面,本申请提供了一种基于企业风险关联图谱的企业风险数据处理装置,包括:节点确定模块,用于获取企业风险关联图谱并确定第一目标节点,企业风险关联图谱用于保存企业之间的风险传播关系,第一目标节点为企业风险关联图谱中的节点,用于表示出现风险问题的风险企业;风险参数确定模块,用于利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数,第二目标节点为企业风险关联图谱中的节点,用于表示与风险企业存在关联关系的企业,风险参数用于表示与风险企业存在关联关系的企业受风险企业影响的概率。
第三方面,本申请提供了一种计算机设备,包括存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述第一方面任一项方法的步骤。
第四方面,本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器执行上述第一方面任一方法。
本申请实施例提供的上述技术方案与相关技术相比具有如下优点:
本申请通过在企业关联图谱中确定表征风险企业的第一目标节点,利用该企业风险关联图谱确定与该第一目标节点存在关联关系的其他节点的风险参数,实现了从企业关联关系的角度分析其他企业受风险企业影响的概率,提供了评估企业之间风险传播的更为准确、形象的方法。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例提供的一种可选的基于企业风险关联图谱的企业风险数据处理方法硬件环境示意图;
图2为根据本申请实施例提供的一种可选的基于企业风险关联图谱的企业风险数据处理方法流程图;
图3为根据本申请实施例提供的一种可选的节点关联关系示意图;
图4为根据本申请实施例提供的一种可选的节点关联关系示意图;
图5为根据本申请实施例提供的一种可选的节点关联关系示意图;以及,
图6为根据本申请实施例提供的一种可选的基于企业风险关联图谱的企业风险数据处理装置框图。
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的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明,其本身并没有特定的意义。因此,“模块”与“部件”可以混合地使用。
相关技术中,对于企业风险的评估已经有根据互联网文本进行情感倾向性分析,从而评估一个企业存在的风险,这种方式往往采用的只是单方面的社会评价,得到的评估结果也只是社会舆论的情感倾向性结果,对于企业的经营、企业之间复杂的关联关系并没有涉及,因此也不能准确地、真正地评估企业在经营管理、资金流通、人员任职等方面存在的风险。
根据本申请实施例的一方面,提供了一种基于企业风险关联图谱的企业风险数据处理方法的实施例。
可选地,在本申请实施例中,上述基于企业风险关联图谱的企业风险数据处理方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示,服务器103通过网络与终端101进行连接,可用于为终端或终端上安装的客户端提供服务,可在服务器上或独立于服务器设置数据库105,用于为服务器103提供数据存储服务,上述网络包括但不限于:广域网、城域网或局域网,终端101包括但不限于PC、手机、平板电脑等。
本申请实施例中的一种基于企业风险关联图谱的企业风险数据处理方法可以由服务器103来执行,还可以是由服务器103和终端101共同执行,如图2所示,该方法可以包括以下步骤:
步骤S202,获取企业风险关联图谱并确定第一目标节点,企业风险关联图谱用于保存企业之间的风险传播关系,第一目标节点为企业风险关联图谱中的节点,用于表示出现风险问题的风险企业。
本申请实施例中,企业风险关联图谱记录有企业之间的关联关系,图谱中的节点代表企业,节点之间的关联边及关联边的方向代表企业之间风险传播的方向,例如,以G(V,E)表示该企业风险关联图谱,其中,V为企业节点,E为企业之间的关联边,关联边的关联强度为SE。Ei,j为图中任意企业Vi到Vj的关联边,该关联边的关联强度为风险企业可以用T来表示,那么表示风险企业的节点的集合为T={T1,…,TM},本申请中,为了确定正常企业受风险企业影响的概率,可以将表示风险企业的节点确定为第一目标节点。
步骤S204,利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数,第二目标节点为企业风险关联图谱中的节点,用于表示与风险企业存在关联关系的企业,风险参数用于表示与风险企业存在关联关系的企业受风险企业影响的概率。
本申请实施例中,利用风险企业与正常企业之间的关联关系可以确定正常企业受风险企业影响的概率,即利用第一目标节点的风险参数和第一目标节点与第二目标节点之间的关联边的关联强度,可以确定第二目标节点的风险参数。风险参数可以为0-1之间的数值,数值越高风险越大,已知每个风险企业的风险参数为Risk(Ti),也可以根据实际情况来定义风险参数的取值范围。在本申请技术方案的实际应用中,风险参数实际可以理解为风险强度的量化表示。
需要说明的是,风险企业与正常企业之间的关联关系可以是直接关联关系,还可以是间接关联关系,即第一目标节点与第二目标节点之间关联路径的路径长度可以是1,也可以大于1,同时第一目标节点与第二目标节点之间至少有一条关联路径。
本申请的技术方案中,考虑到企业之间存在错综复杂的关联关系,特别是建立在工商数据之上的投资、控股、人员任职、联系方式等,对于企业的经营具有较强的关联性,因此,本申请基于企业风险关联图谱,并通过企业之间关联关系确定的关联权重来分析风险企业对正常企业经营活动的影响,即确定正常企业受风险企业影响的概率,由于企业风险关联图谱较为准确地反映了企业之间存在的关联关系,可以解决相关技术中的企业风险评估不准确,缺乏有效评估方法的技术问题,进而达到较为准确的确定正常企业受风险企业影响的概率的技术效果,为企业风险评估提供了一种准确有效的方法。
本申请提出了一种在风险企业与正常企业直接关联的情况下,确定该正常企业风险参数的方法。下面结合图2所示的步骤,以确定一个风险企业对其他正常企业影响的概率为例,进一步详述本申请的技术方案,节点关联关系可以如图3所示。
可选地,步骤S204提供的技术方案中,利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数包括以下步骤:
步骤1,获取第一目标节点对应的第一集合。
本申请实施例中,第一集合为与第一目标节点直接连接的第一类节点的集合,第一类节点与第一目标节点之间的路径长度为1,第一类节点用于表示与风险企业存在直接关联关系的企业,第二目标节点包括该第一类节点。例如,获取与第一目标节点Ti直接关联即路径长度为1的其他节点,即第一类节点,第一类节点的集合作为第一集合,可以记为T1。
步骤2,获取第一目标节点的风险参数和第一目标节点与第一类节点之间的关联边的关联强度。
步骤3,将第一目标节点的风险参数与关联强度的乘积作为第一类节点的风险参数。
本申请实施例中,第二目标节点的风险参数包括第一类节点的风险参数,以节点Vj为例,第一类节点的风险参数可以确定为
表示关联企业Vj由路径Ei,j受到风险企业Ti的传导风险,本申请实施例中节点与企业可以混合使用,以更清楚的说明本申请技术方案。
本申请还提出了一种在风险企业与正常企业间接关联的情况下,确定该正常企业风险参数的方法。下面结合图2所示的步骤,以第一目标节点与第二目标节点的关联路径的路径长度为2的情况为例,进一步详述本申请的技术方案。
可选地,步骤S204提供的技术方案中,利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数还包括以下步骤:
步骤1,获取第一目标节点对应的第二集合。
本申请实施例中,第二集合为与第一目标节点间接连接的第二类节点的集合,第二类节点用于表示与风险企业存在间接关联关系的企业,第二类节点与第一目标节点之间的路径长度大于等于2且不超过长度阈值,长度阈值不小于2,第二目标节点包括该第二类节点。例如,获取与第一目标节点Ti的关联路径的路径长度为2的其他节点,由于间接关联,因此这些节点属于第二类节点,上述第二类节点的集合可以作为第二集合,可以记为T2。
步骤2,确定第二类节点的风险参数。
可选地,在第二类节点与第一目标节点之间的路径长度为2的情况下,确定第二类节点的风险参数可以包括按照第一目标方式对既属于第一类节点,又属于第二类节点的节点确定风险参数,节点关联关系可以如图4所示:
步骤1,获取既属于第一类节点,又属于第二类节点的两个节点。
本申请实施例中,上述既属于第一类节点,又属于第二类节点的节点即为T1∩T2中的节点,该两个节点之间存在关联边,两个节点在属于第一类节点时其与第一目标节点之间的路径长度为1,如图4所示以Vk和Vk1为例进行说明。
步骤2,确定两个节点之间关联边的方向。
上述关联边的方向为两个节点表示的两个企业之间风险传播的方向,也即图4所示中箭头指向的方向。
步骤3,将两个节点中关联边的方向所指向的节点确定为更新节点,另一个确定为不更新节点;
步骤4,获取不更新节点的风险参数与所两个节点之间关联边的关联强度的乘积;
步骤5,将更新节点的风险参数与该乘积进行求和,并将求和结果作为更新节点的新的风险参数。
本申请实施例中,如图4所示,可以确定两条关联边Ek,1、E1,k和两个关联方向,表示风险可能由Vk向Vk1传递,还可以是Vk1向Vk传递。由于风险参数表示的是企业受风险企业影响的概率,因此风险参数的最大值可以为1。
按照风险整体最大的原则,对比上述两种情况下Vk与Vk1的风险参数的和:
可选地,在第二类节点与第一目标节点之间的路径长度为2的情况下,确定第二类节点的风险参数还可以包括按照第二目标方式对只属于第二类节点的节点确定风险参数,节点关联关系如图5所示:
步骤1,获取与只属于第二类节点的节点之间具有关联边的第一类节点;
步骤2,获取该第一类节点的风险参数与该关联边的关联强度的乘积;
步骤3,将乘积的和作为只属于第二类节点的节点的风险参数。
本申请实施例中,对T2中除去T1∩T2的其他节点,也就是T2\(T1∩T2),确定这些节点的风险参数。与T2\(T1∩T2)中的节点关联的T1集合中的第一类节点可以是一个或者多个,那么只属于第二类节点的节点的风险参数为由这多个与之关联的第一类节点传导来的风险的叠加。例如,记Vk为T2\(T1∩T2)中的任意一个节点,T1中与其关联的节点为Vk1,…,VkP,E1,k,…,EP,k为对应的T1中企业到Vk的关联边,那么
上述为以第一目标节点与第二目标节点的关联路径的路径长度为2的情况进行的说明,下面以第一目标节点与第二目标节点的关联路径的路径长度大于2的情况为例,进一步详述本申请的技术方案。
可选地,在第二类节点与第一目标节点之间的路径长度大于2的情况下,还可以包括按照如下方式确定第二类节点的风险参数:
步骤1,记第二类节点与第一目标节点之间的路径长度为u,u为大于2的正整数;
步骤2,在第二类节点中确定待处理节点,待处理节点具有与第一目标节点之间的路径长度为u的路径,且不具有与第一目标节点之间的路径长度小于等于u-2的其他路径;
步骤3,在待处理节点还具有与第一目标节点之间的路径长度等于u-1的路径的情况下,将路径长度u-1作为1,路径长度u作为2,按照第一目标方式确定待处理节点的风险参数;或者,在待处理节点不具有与第一目标节点之间的路径长度等于u-1的路径的情况下,将路径长度u-1作为1,路径长度u作为2,按照第二目标方式确定待处理节点的风险参数。
本申请实施例中,可以知晓后一个节点的风险参数由与之直接关联的前一个或多个节点的风险参数及关联边的关联强度来确定,以简单的单链式结构说明,节点Vi的风险参数可以表示为 其中,Risk(Vi-1)为与第一目标节点(即风险企业)关联路径的路径长度为i-1的第二目标企业Vi-1在该条路径下由风险企业Ti风险传导导致的风险参数。
本申请实施例中,可以记当前要确定风险参数的第二类节点(即第二目标节点)与第一目标节点之间关联路径的路径长度为u,此时这些拥有路径长度为u、要确定风险参数的第二类节点中,存在一部分节点还同时拥有其他关联路径,在只需要获取直接关联的节点(即路径长度为u-1的节点)的情况下,需要从上述第二类节点中除去同时拥有路径长度小于等于u-2的节点。这时只剩下两种待处理节点,一种是同时拥有路径长度u-1和u的节点,一种是只有路径长度u的节点。
第一种情况下,当待处理节点同时拥有路径长度u-1和u时,存在与之关联的、且同时拥有路径长度u-1和u的另一个待处理节点,因此可以按照前述实施例中的第一目标方式,确定该一对待处理节点的风险参数,即将u作为2,u-1作为1对这一对待处理节点确定风险参数。
第二种情况下,当待处理节点只拥有路径长度u时,可以按照前述实施例中的第二目标方式,确定该节点的风险参数,即找出与之直接关联的路径长度为u-1的所有节点,u作为2,u-1作为1,将这些节点的风险参数与关联强度的乘积的和作为该待处理节点的风险参数。
需要说明的是,本申请实施例中,在将路径长度为u的节点作为待处理节点时,路径长度为u-1的节点的风险参数已经确定,风险参数会随着关联的层级越来越弱,即路径长度越长关联越弱,受到的影响也就越小,当两个企业之间的关联层数太高时,风险参数会减弱到0。需要根据实际业务情况来设定最高关联层数N的数值,可以设置为5,能够有效降低风险参数的计算量。
可选地,利用企业风险关联图谱确定第二目标节点从第一目标节点处获得的风险参数之后,该方法还包括:将第二目标节点与对应的风险参数作为集合的元素,构建节点风险参数集合,其中,节点风险参数集合中的每个元素表示对应的企业和该企业受风险企业影响的概率。
本申请实施例中,第二目标节点的风险参数确定后,将节点与风险参数作为集合的元素,构建节点风险参数集合,例如第一目标节点为Ti,则由该第一目标节点确定的第二目标节点及风险参数组成的集合为RTi,表示Ti代表的风险企业可能影响到的其他企业及影响的概率。利用所有第一目标节点(风险企业)进行分析后,得到所有的RTi,Ti∈{T1,…,TM},对RT1,…,RTM中的元素进行合并处理,得到全部节点风险参数集合RS,具体合并的方法如下:
若企业在RT1,…,RTM中多个集合中,那么将多个集合中对应的风险参数求和,取min(求和结果,1)为企业的风险参数,添加到RS中;
若企业仅在一个集合中,那么风险参数不变,添加到RS中。
本申请通过在企业关联图谱中确定表征风险企业的第一目标节点,利用该企业风险关联图谱确定与该第一目标节点存在关联关系的其他节点的风险参数,实现了从企业关联关系的角度分析其他企业受风险企业影响的概率,提供了评估企业之间风险传播的更为准确、形象的方法。
根据本申请实施例的又一方面,如图6所示,提供了一种基于企业风险关联图谱的企业风险数据处理装置,包括:节点确定模块601,用于获取企业风险关联图谱并确定第一目标节点,企业风险关联图谱用于保存企业之间的风险传播关系,第一目标节点为企业风险关联图谱中的节点,用于表示出现风险问题的风险企业;风险参数确定模块603,用于利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数,第二目标节点为企业风险关联图谱中的节点,用于表示与风险企业存在关联关系的企业,风险参数用于表示与风险企业存在关联关系的企业受风险企业影响的概率。
需要说明的是,该实施例中的节点确定模块601可以用于执行本申请实施例中的步骤S202,该实施例中的风险参数确定模块603可以用于执行本申请实施例中的步骤S204。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。
可选地,该基于企业风险关联图谱的企业风险数据处理装置,还包括:第一集合获取模块,用于获取第一目标节点对应的第一集合,第一集合为与第一目标节点直接连接的第一类节点的集合,第一类节点与第一目标节点之间的路径长度为1,第一类节点用于表示与风险企业存在直接关联关系的企业,第二目标节点包括该第一类节点;第一参数获取模块,用于获取第一目标节点的风险参数和第一目标节点与第一类节点之间的关联边的关联强度;第一确定模块,用于将第一目标节点的风险参数与关联强度的乘积作为第一类节点的风险参数,第二目标节点的风险参数包括第一类节点的风险参数。
可选地,该基于企业风险关联图谱的企业风险数据处理装置,还包括:第二集合获取模块,用于获取第一目标节点对应的第二集合,第二集合为与第一目标节点间接连接的第二类节点的集合,第二类节点用于表示与风险企业存在间接关联关系的企业,第二类节点与第一目标节点之间的路径长度大于等于2且不超过长度阈值,长度阈值不小于2,第二目标节点包括该第二类节点;第二确定模块,用于确定第二类节点的风险参数,第二目标节点的风险参数包括所述第二类节点的所述风险参数。
可选地,该基于企业风险关联图谱的企业风险数据处理装置,还包括:第一获取模块,用于在第二类节点与第一目标节点之间的路径长度为2的情况下,获取既属于第一类节点,又属于第二类节点的两个节点,两个节点之间存在关联边,两个节点在属于第一类节点时其与第一目标节点之间的路径长度为1;第三确定模块,用于确定两个节点之间关联边的方向,关联边的方向为两个节点表示的两个企业之间风险传播的方向;第四确定模块,用于将两个节点中关联边的方向所指向的节点确定为更新节点,另一个确定为不更新节点;第二参数获取模块,用于获取不更新节点的风险参数与所两个节点之间关联边的关联强度的乘积;第五确定模块,用于将更新节点的风险参数与该乘积进行求和,并将求和结果作为更新节点的新的风险参数。
可选地,该基于企业风险关联图谱的企业风险数据处理装置,还包括:第二获取模块,用于在第二类节点与第一目标节点之间的路径长度为2的情况下,获取与只属于第二类节点的节点之间具有关联边的第一类节点;第三参数获取模块,用于获取该第一类节点的风险参数与该关联边的关联强度的乘积;第六确定模块,用于将乘积的和作为只属于第二类节点的节点的风险参数。
可选地,该基于企业风险关联图谱的企业风险数据处理装置,还包括:路径标记模块,用于在第二类节点与第一目标节点之间的路径长度大于2的情况下,记第二类节点与第一目标节点之间的路径长度为u,u为大于2的正整数;第七确定模块,用于在第二类节点中确定待处理节点,待处理节点具有与第一目标节点之间的路径长度为u的路径,且不具有与第一目标节点之间的路径长度小于等于u-2的其他路径;第八确定模块,用于在待处理节点还具有与第一目标节点之间的路径长度等于u-1的路径的情况下,将路径长度u-1作为1,路径长度u作为2,按照第一目标方式确定待处理节点的风险参数;第九确定模块,用于在待处理节点不具有与第一目标节点之间的路径长度等于u-1的路径的情况下,将路径长度u-1作为1,路径长度u作为2,按照第二目标方式确定待处理节点的风险参数。
可选地,该基于企业风险关联图谱的企业风险数据处理装置,还包括:节点风险参数集合构建模块,用于将第二目标节点与对应的风险参数作为集合的元素,构建节点风险参数集合,其中,节点风险参数集合中的每个元素表示对应的企业和该企业受风险企业影响的概率。
根据本申请实施例的又一方面还提供了一种计算机设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述步骤。
上述计算机设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application SpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
根据本申请实施例的又一方面还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质。
可选地,在本申请实施例中,计算机可读介质被设置为存储用于所述处理器执行以下步骤的程序代码:
步骤S202,获取企业风险关联图谱并确定第一目标节点,企业风险关联图谱用于保存企业之间的风险传播关系,第一目标节点为企业风险关联图谱中的节点,用于表示出现风险问题的风险企业;
步骤S204,利用企业风险关联图谱确定与第一目标节点关联的第二目标节点的风险参数,第二目标节点为企业风险关联图谱中的节点,用于表示与风险企业存在关联关系的企业,风险参数用于表示与风险企业存在关联关系的企业受风险企业影响的概率。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本申请实施例在具体实现时,可以参阅上述各个实施例,具有相应的技术效果。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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。
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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于企业风险关联图谱的企业风险数据处理方法,其特征在于,包括:
获取企业风险关联图谱并确定第一目标节点,其中,所述企业风险关联图谱用于保存企业之间的风险传播关系,所述第一目标节点为所述企业风险关联图谱中的节点,用于表示出现风险问题的风险企业;
利用所述企业风险关联图谱确定与所述第一目标节点关联的第二目标节点的风险参数,其中,所述第二目标节点为所述企业风险关联图谱中的节点,用于表示与所述风险企业存在关联关系的企业,所述风险参数用于表示与所述风险企业存在关联关系的企业受所述风险企业影响的概率。
2.根据权利要求1所述的方法,其特征在于,利用所述企业风险关联图谱确定与所述第一目标节点关联的第二目标节点的风险参数包括:
获取所述第一目标节点对应的第一集合,其中,所述第一集合为与所述第一目标节点直接连接的第一类节点的集合,所述第一类节点与所述第一目标节点之间的路径长度为1,所述第一类节点用于表示与所述风险企业存在直接关联关系的企业,所述第二目标节点包括所述第一类节点;
获取所述第一目标节点的风险参数和所述第一目标节点与所述第一类节点之间的关联边的关联强度;
将所述第一目标节点的所述风险参数与所述关联强度的乘积作为所述第一类节点的风险参数,其中,所述第二目标节点的风险参数包括所述第一类节点的所述风险参数。
3.根据权利要求2所述的方法,其特征在于,利用所述企业风险关联图谱确定与所述第一目标节点关联的第二目标节点的风险参数还包括:
获取所述第一目标节点对应的第二集合,其中,所述第二集合为与所述第一目标节点间接连接的第二类节点的集合,所述第二类节点用于表示与所述风险企业存在间接关联关系的企业,所述第二类节点与所述第一目标节点之间的路径长度大于等于2且不超过长度阈值,所述长度阈值不小于2,所述第二目标节点包括所述第二类节点;
确定所述第二类节点的风险参数,其中,所述第二目标节点的风险参数包括所述第二类节点的所述风险参数。
4.根据权利要求3所述的方法,其特征在于,在所述第二类节点与所述第一目标节点之间的所述路径长度为2的情况下,确定所述第二类节点的所述风险参数包括按照第一目标方式对既属于所述第一类节点,又属于所述第二类节点的节点确定所述风险参数:
获取既属于所述第一类节点,又属于所述第二类节点的两个节点,其中,所述两个节点之间存在关联边,所述两个节点在属于所述第一类节点时其与所述第一目标节点之间的所述路径长度为1;
确定所述两个节点之间关联边的方向,其中,所述关联边的方向为所述两个节点表示的两个企业之间风险传播的方向;
将所述两个节点中所述关联边的方向所指向的节点确定为更新节点,另一个确定为不更新节点;
获取所述不更新节点的风险参数与所述两个节点之间关联边的关联强度的乘积;
将所述更新节点的风险参数与所述乘积进行求和,并将求和结果作为所述更新节点的新的所述风险参数。
5.根据权利要求3所述的方法,其特征在于,在所述第二类节点与所述第一目标节点之间的所述路径长度为2的情况下,确定所述第二类节点的所述风险参数还包括按照第二目标方式对只属于所述第二类节点的节点确定所述风险参数:
获取与只属于所述第二类节点的节点之间具有关联边的所述第一类节点;
获取所述第一类节点的所述风险参数与所述关联边的关联强度的乘积;
将所述乘积的和作为所述只属于所述第二类节点的节点的风险参数。
6.根据权利要求4至5任一所述的方法,其特征在于,在所述第二类节点与所述第一目标节点之间的所述路径长度大于2的情况下,还包括按照如下方式确定所述第二类节点的风险参数:
记所述第二类节点与所述第一目标节点之间的所述路径长度为u,u为大于2的正整数;
在所述第二类节点中确定待处理节点,其中,所述待处理节点具有与所述第一目标节点之间的所述路径长度为u的路径,且不具有与所述第一目标节点之间的所述路径长度小于等于u-2的其他路径;
在所述待处理节点还具有与所述第一目标节点之间的所述路径长度等于u-1的路径的情况下,将所述路径长度u-1作为1,所述路径长度u作为2,按照所述第一目标方式确定所述待处理节点的风险参数;
在所述待处理节点不具有与所述第一目标节点之间的所述路径长度等于u-1的路径的情况下,将所述路径长度u-1作为1,所述路径长度u作为2,按照所述第二目标方式确定所述待处理节点的所述风险参数。
7.根据权利要求6所述的方法,其特征在于,利用所述企业风险关联图谱确定所述第二目标节点从所述第一目标节点处获得的风险参数之后,所述方法还包括:
将所述第二目标节点与对应的风险参数作为集合的元素,构建节点风险参数集合,其中,所述节点风险参数集合中的每个元素表示对应的企业和所述企业受所述风险企业影响的概率。
8.一种基于企业风险关联图谱的企业风险数据处理装置,其特征在于,包括:
节点确定模块,用于获取企业风险关联图谱并确定第一目标节点,其中,所述企业风险关联图谱用于保存企业之间的风险传播关系,所述第一目标节点为所述企业风险关联图谱中的节点,用于表示出现风险问题的风险企业;
风险参数确定模块,用于利用所述企业风险关联图谱确定与所述第一目标节点关联的第二目标节点的风险参数,其中,所述第二目标节点为所述企业风险关联图谱中的节点,用于表示与所述风险企业存在关联关系的企业,所述风险参数用于表示与所述风险企业存在关联关系的企业受所述风险企业影响的概率。
9.一种计算机设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010555450.2A CN111861119B (zh) | 2020-06-17 | 2020-06-17 | 基于企业风险关联图谱的企业风险数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010555450.2A CN111861119B (zh) | 2020-06-17 | 2020-06-17 | 基于企业风险关联图谱的企业风险数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861119A true CN111861119A (zh) | 2020-10-30 |
CN111861119B CN111861119B (zh) | 2023-07-11 |
Family
ID=72986801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010555450.2A Active CN111861119B (zh) | 2020-06-17 | 2020-06-17 | 基于企业风险关联图谱的企业风险数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861119B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613763A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
CN113342904A (zh) * | 2021-04-01 | 2021-09-03 | 山东省人工智能研究院 | 一种基于企业特征传播的企业服务推荐方法 |
CN113516553A (zh) * | 2021-07-28 | 2021-10-19 | 中国建设银行股份有限公司 | 信用风险的预警方法及装置 |
CN113609353A (zh) * | 2021-08-09 | 2021-11-05 | 平安国际智慧城市科技股份有限公司 | 一种企业关联关系识别方法、装置以及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345158A (zh) * | 2018-12-19 | 2019-02-15 | 重庆百行智能数据科技研究院有限公司 | 企业风险识别方法、装置和计算机可读存储介质 |
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 |
WO2019114412A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的信用风险控制方法、装置以及设备 |
CN110738388A (zh) * | 2019-09-02 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 关联图谱评估风险传导的方法、装置、设备和存储介质 |
-
2020
- 2020-06-17 CN CN202010555450.2A patent/CN111861119B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019114412A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的信用风险控制方法、装置以及设备 |
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 |
CN109345158A (zh) * | 2018-12-19 | 2019-02-15 | 重庆百行智能数据科技研究院有限公司 | 企业风险识别方法、装置和计算机可读存储介质 |
CN110738388A (zh) * | 2019-09-02 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 关联图谱评估风险传导的方法、装置、设备和存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613763A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
CN112613763B (zh) * | 2020-12-25 | 2024-04-16 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
CN113342904A (zh) * | 2021-04-01 | 2021-09-03 | 山东省人工智能研究院 | 一种基于企业特征传播的企业服务推荐方法 |
CN113342904B (zh) * | 2021-04-01 | 2021-12-24 | 山东省人工智能研究院 | 一种基于企业特征传播的企业服务推荐方法 |
CN113516553A (zh) * | 2021-07-28 | 2021-10-19 | 中国建设银行股份有限公司 | 信用风险的预警方法及装置 |
CN113609353A (zh) * | 2021-08-09 | 2021-11-05 | 平安国际智慧城市科技股份有限公司 | 一种企业关联关系识别方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111861119B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230004892A1 (en) | Non-intrusive techniques for discovering and using organizational relationships | |
Gollwitzer et al. | Partisan differences in physical distancing are linked to health outcomes during the COVID-19 pandemic | |
CN111861119B (zh) | 基于企业风险关联图谱的企业风险数据处理方法及装置 | |
Fire et al. | Organization mining using online social networks | |
Pan et al. | Predicting missing links and identifying spurious links via likelihood analysis | |
Pensa et al. | A privacy self-assessment framework for online social networks | |
AU2017202596B2 (en) | Querying features based on user actions in online systems | |
Savage et al. | Anomaly detection in online social networks | |
US20180144256A1 (en) | Categorizing Accounts on Online Social Networks | |
Zhao et al. | Link prediction for partially observed networks | |
JP5651237B2 (ja) | ソーシャル・ネットワークに基づく動的リアルタイム・レポート | |
US11188678B2 (en) | Detection and prevention of privacy violation due to database release | |
Verma et al. | Approaches to address the data skew problem in federated learning | |
CN110148053B (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
US20140358805A1 (en) | Illegal Activity Detection through Interpersonal Relationship Resolution | |
US10812508B2 (en) | Performance tracking in a security information sharing platform | |
JP2019512128A (ja) | データの秘匿性−実用性間のトレードオフを算出するためのシステムおよび方法 | |
US20220131890A1 (en) | System and method for assessing insider influence on enterprise assets | |
CN111861120A (zh) | 企业关联图谱的构建方法、装置、设备及计算机可读介质 | |
Isah et al. | Bipartite network model for inferring hidden ties in crime data | |
Wang et al. | Theme-relevant truth discovery on twitter: An estimation theoretic approach | |
Miller et al. | Size agnostic change point detection framework for evolving networks | |
Jing et al. | Information credibility evaluation in online professional social network using tree augmented naïve Bayes classifier | |
Dugué et al. | A community role approach to assess social capitalists visibility in the Twitter network | |
CN110720099A (zh) | 基于种子监督学习提供推荐的***和方法 |
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 |