CN112184012A - 一种企业风险预警方法、装置、设备及可读存储介质 - Google Patents
一种企业风险预警方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112184012A CN112184012A CN202011036277.1A CN202011036277A CN112184012A CN 112184012 A CN112184012 A CN 112184012A CN 202011036277 A CN202011036277 A CN 202011036277A CN 112184012 A CN112184012 A CN 112184012A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- node
- risk
- early warning
- association
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012502 risk assessment Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
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
- 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
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业风险预警方法、装置、设备及可读存储介质,所述方法包括:接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息;根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边;基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值;判断实体对象的风险评估值是否大于预设阈值,若是,则向指定终端发送风险预警消息;本发明能够更加准确的进行企业风险预警;本发明适用于金融科技领域,同时本发明还涉及区块链技术。
Description
技术领域
本发明涉及智能决策技术领域,特别涉及一种企业风险预警方法、装置、设备及可读存储介质。
背景技术
近年来国内企业债开始打破刚兑规律,出现违约事件,且违约数量呈现增长趋势。因此,债券市场的风险控制及对存在信用风险的发债主体进行尽早预警,避免投资人出现重大损失,变得越来越重要。现有的判断企业是否存在违约风险的方式是风控人员基于企业的各种公告信息利用专家经验和其推理逻辑进行风险判断,由于不同专业人士的自身经验及视角覆盖度的局限性,导致难以覆盖到所有案例,容易产生遗漏;随着机器学习算法的不断发展,机器学习算法越来越多的被应用到各个领域以解决例如:数据预测、数据分类和数据聚类的问题;但是,将机器学习算法应用到企业违约风险判断领域,还存在以下技术问题:1)如何将企业的各种公告信息处理为机器学习算法可使用的信息,2)如何提高机器学习算法利用企业的各种公告信息的效率。
发明内容
本发明的目的在于提供一种企业风险预警方法、装置、设备及存储介质,能够确定出企业之间的风险影响关系,从而更加准确的进行企业风险预警。
根据本发明的一个方面,提供了一种企业风险预警方法,所述方法包括:
接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息;
根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边;
基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值;
判断实体对象的风险评估值是否大于预设阈值,若是,则向所述实体对象对应的指定终端发送风险预警消息。
可选的,所述根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱,包括:
绘制代表各个实体对象的节点,并为每个实体对象的节点设置节点属性;其中,所述节点属性包括:预设的潜在风险值;
根据各个实体对象之间的关联关系信息在各个节点之间绘制边,并为每个边设置边属性,以形成企业关联图谱;其中,所述边属性包括:用于表征关联关系类型的关联矢量,所述关联矢量为1×N维的向量,且N为关联关系类型的种类数目。
可选的,所述基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值,包括:
针对一个目标节点,在所述企业关联图谱中确定出通过边与所述目标节点连接的关联节点;
分别计算每个关联节点的风险评估值,以及分别计算每个关联节点对所述目标节点的注意力权重值;
根据每个关联节点的风险评估值、每个关联节点对所述目标节点的注意力权重值、以及所述目标节点的节点属性中的潜在风险值,计算出所述目标节点的风险评估值。
可选的,所述分别计算每个关联节点对所述目标节点的注意力权重值,包括:
按照如下公式计算关联节点b对目标节点a的注意力权重值Wba:
Wba=softmax(Qa×Rab);
其中,Qa为目标节点a的节点属性中的潜在风险值;
Rab为目标节点a与关联节点b之间边的边属性中的关联矢量。
可选的,所述根据每个关联节点的风险评估值、每个关联节点对所述目标节点的注意力权重值、以及所述目标节点的节点属性中的潜在风险值,计算出所述目标节点的风险评估值,包括:
按照如下公式计算关联节点对目标节点a的传导风险值Va-:
Va-=f(Wba×Vb+Wca×Vc+…);
其中,f()为sigmoid函数;
Vb为关联节点b的风险评估值,Vc为关联节点c的风险评估值;
Wba为关联节点b对目标节点a的注意力权重值,Wca为关联节点c对目标节点a的注意力权重值;
按照如下公式计算目标节点a的风险评估值Va+:
Va+=Va-+Va;
其中,Va为根据目标节点a的节点属性中的潜在风险值。
可选的,所述风险评估模型为图注意力机制神经网络GAT模型。
为了实现上述目的,本发明还提供一种企业风险预警装置,所述装置包括:
接收模块,用于接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息;
绘制模块,用于根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱,以形成企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边;
计算模块,用于基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值;
预警模块,用于判断实体对象的风险评估值是否大于预设阈值,若是,则向所述实体对象对应的指定终端发送风险预警消息。
可选的,所述绘制模块,用于:
绘制代表各个实体对象的节点,并为每个实体对象的节点设置节点属性;其中,所述节点属性包括:预设的潜在风险值;
根据各个实体对象之间的关联关系信息在各个节点之间绘制边,并为每个边设置边属性,以形成企业关联图谱;其中,所述边属性包括:用于表征关联关系类型的关联矢量,所述关联矢量为1×N维的向量,且N为关联关系类型的种类数目。
为了实现上述目的,本发明还提供一种计算机设备,该计算机设备具体包括:存储器、处理器以及存储在所述存储器上并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介绍的企业风险预警方法的步骤。
为了实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述介绍的企业风险预警方法的步骤。
本发明提供的企业风险预警方法、装置、设备及存储介质,将各个企业的公告信息以及企业与企业之间的关联关系转化为企业关联图谱,并从企业关联图谱中提取出用于输入到机器学习模型中的信息,从而利用机器学习模型判断企业是否存在违约风险;在本发明中,并不只是利用目标企业自身信息,而是综合考虑了关联企业对目标企业的影响,从而更全面、准确的判断出目标企业是否存在违约风险。此外,在本发明中,将各个企业的公告信息以及企业与企业之间的关联关系转化为企业关联图谱,从而解决了机器学习模型无法利用企业公告信息的技术问题,同时也提高了机器学习模型对企业进行风险评估的效率。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为实施例一提供的企业风险预警方法的一种可选的流程示意图;
图2为实施例二提供的企业风险预警装置的一种可选的组成结构示意图;
图3为实施例三提供的计算机设备的一种可选的硬件架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明实施例提供了一种企业风险预警方法,如图1所示,该方法具体包括以下步骤:
步骤S101:接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息。
具体的,实体对象可以为:公司、机构、自然人;关联关系包括以下类型:控股、抵押、担保、实际控制人、法人、业务往来方。
其中,所述多个实体对象的信息以及各个实体对象之间的关联关系信息为存储在区块链节点中的公告信息;将所述多个实体对象的信息以及各个实体对象之间的关联关系信息上传至区块链可保证其安全性和对用户的公正透明性。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
步骤S102:根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边。
具体的,步骤S102,包括:
步骤A1:绘制代表各个实体对象的节点,并为每个实体对象的节点设置节点属性;其中,所述节点属性包括:预设的潜在风险值;
步骤A2:根据各个实体对象之间的关联关系信息在各个节点之间绘制边,并为每个边设置边属性,以形成企业关联图谱;其中,所述边属性包括:用于表征关联关系类型的关联矢量,所述关联矢量为1×N维的向量,且N为关联关系类型的种类数目。
在本实施例中,企业关联图谱可以通过企业自身信息、其关联方信息及它们之间的具体关联关系进行有效表示;构建企业关联图谱的具体过程为:基于从各种公告中提取到的企业信息以及企业之间的关系数据,将公司、机构及自然人等重要实体对象抽象成企业关联图谱中的节点,其对应的状态信息以节点属性的形式表示,并将公司与公司之间、公司与机构、公司与人员之间的各类关联关系(如控股、抵押、担保等)抽象为节点与节点之间的边,具体关联关系的状态信息以边属性的形式表示。
需要说明的是,专家预先根据每个实体对象的基本信息、经营信息、贷款信息等为实体对象设置对应的潜在风险值;潜在风险值用于表征实体对象当前的违约风险概率;一个实体对象的潜在风险值越大,说明实体对象具有违约风险的概率越大。此外,由于各个实体对象之间可以有一种或多种类型的关联关系,所以为了能够通过一个企业关联图谱表示各个实体对象之间的多种类型的关联关系,在本实施例中采用了关联矢量;初始的关联矢量的每个维度的值均为0,且每个维度对应一种类型的关联关系。若两个实体对象之间存在控股、业务往来方两种类型的关联关系,则在关联矢量中将表征控股和表征业务往来方的维度的值设置为1。
在本实施例中,创新性的采用矢量形式的关联矢量对关系边进行表示,有效的将多边且有向图的形式转化为单边的形式,从而使得构建的企业关联图谱更加适用于基于单边结构的GAT(Graph Attention Network,图注意力机制神经网络)学习模型框架,避免了专门设计基于多边有向图结构的复杂GAT学习模型框架,使得整体的GAT学习模型框架更加简化。
步骤S103:基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值。
具体的,所述风险评估模型为图注意力机制神经网络GAT模型;若一个实体对象的风险评估值越大,则说明该实体对象在未来一段时间内会发生信用风险事件的概率越大。
其中,GAT是一种基于图注意力机制的图神经网络模型(GNN),具有神经网络这种端到端的学习特点,减少了繁琐的传导路径因子挖掘这些特征工程工作。所述图注意力机制神经网络GAT模型包括:多个GAT层和一个全链接层,且在每个GAT层中包括:注意力层和残差网络层。输入到所述图注意力机制神经网络GAT模型的为每个节点的节点属性以及每个边的边属性,所述图注意力机制神经网络GAT模型的输出为每个节点的风险评估值。此外,所述图注意力机制神经网络GAT模型是根据历史样本集预先训练好的模型。
进一步的,步骤S103,包括:
步骤B1:针对一个目标节点,在所述企业关联图谱中确定出通过边与所述目标节点连接的关联节点;
步骤B2:分别计算每个关联节点的风险评估值,以及分别计算每个关联节点对所述目标节点的注意力权重值;
步骤B3:根据每个关联节点的风险评估值、每个关联节点对所述目标节点的注意力权重值、以及所述目标节点的节点属性中的潜在风险值,计算出所述目标节点的风险评估值。
需要说明的是,每个关联节点的风险评估值按照上述步骤B1至步骤B3的方式计算出,即,将一个关联节点作为目标节点执行上述步骤B1至步骤B3,以得到所述关联节点的风险评估值。若一个目标节点没有关联节点,则将所述目标节点的潜在风险值作为所述目标节点的风险评估值。
更进一步的,步骤B2,包括:
按照如下公式计算关联节点b对目标节点a的注意力权重值Wba:
Wba=softmax(Qa×Rab);
其中,Qa为目标节点a的节点属性中的潜在风险值;
Rab为目标节点a与关联节点b之间边的边属性中的关联矢量。
更进一步的,步骤B3,包括:
步骤B31:按照如下公式计算关联节点对目标节点a的传导风险值Va-:
Va-=f(Wba×Vb+Wca×Vc+…);
其中,f()为sigmoid函数;
Vb为关联节点b的风险评估值,Vc为关联节点c的风险评估值;
Wba为关联节点b对目标节点a的注意力权重值,Wca为关联节点c对目标节点a的注意力权重值;
步骤B32:按照如下公式计算目标节点a的风险评估值Va+:
Va+=Va-+Va;
其中,Va为根据目标节点a的节点属性中的潜在风险值。
GAT通过注意力机制,自动的学习关联节点对目标节点的影响程度,即对每个企业可以学习到其对应不同关联关系的重要性。且在学习的过程中,企业自身状态信息是非常重要的特征因子。即同时学习了企业自身状态和关联方的综合相互作用。这是对现实中,风险传导的概率不仅同关联方有关,还与自身的抵御风险能力高度相关,因此,GAT相对只注重关系重要性的学习算法,具有更精准的优势。
此外,还可将每个实体对象的风险评估值上传至区块链中,以防止其被篡改;其他用户可从区块链中下载得每个实体对象的风险评估值。
步骤S104:判断实体对象的风险评估值是否大于预设阈值,若是,则向所述实体对象对应的指定终端发送风险预警消息。
由于企业间风险传导的概率同企业关联关系的关系抽象程度较高,企业间关系类型较多,不同关系间的差异性较大,不同关系间还存在组合增强效应等等特点,现有的模型泛化性能较差,未能取得良好效果。在本实施例中,提出了一种新的基于GAT的关联企业之间信用风险传导模型,可以有效的自动学习到不同关系类型的不同注意力权重,同时,在学习关系重要性同时,还学习了企业自身状态的影响因素,即同时学习了关联方和企业自身的综合特点,更全面的模拟了显示情况。此外,本实施例还创新型的采用矢量的形式对关系边进行表示,有效的将多边且有向图的形式转化为单边的形式,避免了专门设计基于多边有向图的复杂GAT结构,使得基于单边学习的GAT结构可以经过简单的修改即可应用。相对风控业务人员,由于模型是基于全量数据集自动化运行,可以有效做到全局覆盖,提升效率。
实施例二
本发明实施例提供了一种企业风险预警装置,如图2所示,该装置具体包括以下组成部分:
接收模块201,用于接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息;
绘制模块202,用于根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边;
计算模块203,用于基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值;
预警模块204,用于判断实体对象的风险评估值是否大于预设阈值,若是,则向所述实体对象对应的指定终端发送风险预警消息。
具体的,绘制模块202,用于:
绘制代表各个实体对象的节点,并为每个实体对象的节点设置节点属性;其中,所述节点属性包括:预设的潜在风险值;
根据各个实体对象之间的关联关系信息在各个节点之间绘制边,并为每个边设置边属性,以形成企业关联图谱;其中,所述边属性包括:用于表征关联关系类型的关联矢量,所述关联矢量为1×N维的向量,且N为关联关系类型的种类数目。
进一步的,计算模块203,具体包括:
确定单元,用于针对一个目标节点,在所述企业关联图谱中确定出通过边与所述目标节点连接的关联节点;
计算单元,用于分别计算每个关联节点的风险评估值,以及分别计算每个关联节点对所述目标节点的注意力权重值;
处理单元,用于根据每个关联节点的风险评估值、每个关联节点对所述目标节点的注意力权重值、以及所述目标节点的节点属性中的潜在风险值,计算出所述目标节点的风险评估值。
更进一步的,所述计算单元,具体用于:
按照如下公式计算关联节点b对目标节点a的注意力权重值Wba:
Wba=softmax(Qa×Rab);
其中,Qa为目标节点a的节点属性中的潜在风险值;
Rab为目标节点a与关联节点b之间边的边属性中的关联矢量。
更进一步的,所述处理单元,用于:
按照如下公式计算关联节点对目标节点a的传导风险值Va-:
Va-=f(Wba×Vb+Wca×Vc+…);
其中,f()为sigmoid函数;
Vb为关联节点b的风险评估值,Vc为关联节点c的风险评估值;
Wba为关联节点b对目标节点a的注意力权重值,Wca为关联节点c对目标节点a的注意力权重值;
按照如下公式计算目标节点a的风险评估值Va+:
Va+=Va-+Va;
其中,Va为根据目标节点a的节点属性中的潜在风险值。
更进一步的,所述风险评估模型为图注意力机制神经网络GAT模型。
实施例三
本实施例还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图3所示,本实施例的计算机设备30至少包括但不限于:可通过***总线相互通信连接的存储器301、处理器302。需要指出的是,图3仅示出了具有组件301-302的计算机设备30,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器301(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器301可以是计算机设备30的内部存储单元,例如该计算机设备30的硬盘或内存。在另一些实施例中,存储器301也可以是计算机设备30的外部存储设备,例如该计算机设备30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器301还可以既包括计算机设备30的内部存储单元也包括其外部存储设备。在本实施例中,存储器301通常用于存储安装于计算机设备30的操作***和各类应用软件。此外,存储器301还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器302在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器302通常用于控制计算机设备30的总体操作。
具体的,在本实施例中,处理器302用于执行处理器302中存储的企业风险预警方法的程序,所述企业风险预警方法的程序被执行时实现如下步骤:
接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息;
根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边;
基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值;
判断实体对象的风险评估值是否大于预设阈值,若是,则向所述实体对象对应的指定终端发送风险预警消息。
上述方法步骤的具体实施例过程可参见第一实施例,本实施例在此不再重复赘述。
实施例四
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下方法步骤:
接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息;
根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边;
基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值;
判断实体对象的风险评估值是否大于预设阈值,若是,则向所述实体对象对应的指定终端发送风险预警消息。
上述方法步骤的具体实施例过程可参见第一实施例,本实施例在此不再重复赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种企业风险预警方法,其特征在于,所述方法包括:
接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息;
根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边;
基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值;
判断实体对象的风险评估值是否大于预设阈值,若是,则向所述实体对象对应的指定终端发送风险预警消息。
2.根据权利要求1所述的企业风险预警方法,其特征在于,所述根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱,包括:
绘制代表各个实体对象的节点,并为每个实体对象的节点设置节点属性;其中,所述节点属性包括:预设的潜在风险值;
根据各个实体对象之间的关联关系信息在各个节点之间绘制边,并为每个边设置边属性,以形成企业关联图谱;其中,所述边属性包括:用于表征关联关系类型的关联矢量,所述关联矢量为1×N维的向量,且N为关联关系类型的种类数目。
3.根据权利要求2所述的企业风险预警方法,其特征在于,所述基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值,包括:
针对一个目标节点,在所述企业关联图谱中确定出通过边与所述目标节点连接的关联节点;
分别计算每个关联节点的风险评估值,以及分别计算每个关联节点对所述目标节点的注意力权重值;
根据每个关联节点的风险评估值、每个关联节点对所述目标节点的注意力权重值、以及所述目标节点的节点属性中的潜在风险值,计算出所述目标节点的风险评估值。
4.根据权利要求3所述的企业风险预警方法,其特征在于,所述分别计算每个关联节点对所述目标节点的注意力权重值,包括:
按照如下公式计算关联节点b对目标节点a的注意力权重值Wba:
Wba=softmax(Qa×Rab);
其中,Qa为目标节点a的节点属性中的潜在风险值;
Rab为目标节点a与关联节点b之间边的边属性中的关联矢量。
5.根据权利要求3所述的企业风险预警方法,其特征在于,所述根据每个关联节点的风险评估值、每个关联节点对所述目标节点的注意力权重值、以及所述目标节点的节点属性中的潜在风险值,计算出所述目标节点的风险评估值,包括:
按照如下公式计算关联节点对目标节点a的传导风险值Va-:
Va-=f(Wba×Vb+Wca×Vc+…);
其中,f()为sigmoid函数;
Vb为关联节点b的风险评估值,Vc为关联节点c的风险评估值;
Wba为关联节点b对目标节点a的注意力权重值,Wca为关联节点c对目标节点a的注意力权重值;
按照如下公式计算目标节点a的风险评估值Va+:
Va+=Va-+Va;
其中,Va为根据目标节点a的节点属性中的潜在风险值。
6.根据权利要求1所述的企业风险预警方法,其特征在于,所述风险评估模型为图注意力机制神经网络GAT模型。
7.一种企业风险预警装置,其特征在于,所述装置包括:
接收模块,用于接收预警指令;其中,所述预警指令包括:多个实体对象的信息以及各个实体对象之间的关联关系信息;
绘制模块,用于根据所述多个实体对象的信息以及各个实体对象之间的关联关系信息绘制出企业关联图谱;其中,所述企业关联图谱包括:表征实体对象的节点和表征实体对象之间的关联关系的边;
计算模块,用于基于所述企业关联图谱,利用预设的风险评估模型,计算出每个实体对象的风险评估值;
预警模块,用于判断实体对象的风险评估值是否大于预设阈值,若是,则向所述实体对象对应的指定终端发送风险预警消息。
8.根据权利要求7所述的企业风险预警装置,其特征在于,所述绘制模块,用于:
绘制代表各个实体对象的节点,并为每个实体对象的节点设置节点属性;其中,所述节点属性包括:预设的潜在风险值;
根据各个实体对象之间的关联关系信息在各个节点之间绘制边,并为每个边设置边属性,以形成企业关联图谱;其中,所述边属性包括:用于表征关联关系类型的关联矢量,所述关联矢量为1×N维的向量,且N为关联关系类型的种类数目。
9.一种计算机设备,所述计算机设备包括:存储器、处理器以及存储在所述存储器上并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权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036277.1A CN112184012B (zh) | 2020-09-27 | 2020-09-27 | 一种企业风险预警方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011036277.1A CN112184012B (zh) | 2020-09-27 | 2020-09-27 | 一种企业风险预警方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184012A true CN112184012A (zh) | 2021-01-05 |
CN112184012B CN112184012B (zh) | 2024-05-31 |
Family
ID=73943691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011036277.1A Active CN112184012B (zh) | 2020-09-27 | 2020-09-27 | 一种企业风险预警方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184012B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150013A (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 |
CN112965872A (zh) * | 2021-02-24 | 2021-06-15 | 刘志欣 | ***集群节点的风险预测方法、装置、终端及存储介质 |
CN113094506A (zh) * | 2021-04-14 | 2021-07-09 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
CN113379211A (zh) * | 2021-05-31 | 2021-09-10 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险管控***及方法 |
CN113379212A (zh) * | 2021-05-31 | 2021-09-10 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险评估方法、装置、设备及介质 |
CN113642926A (zh) * | 2021-08-31 | 2021-11-12 | 上海明略人工智能(集团)有限公司 | 用于风险预警的方法及装置、电子设备、存储介质 |
CN113657991A (zh) * | 2021-08-12 | 2021-11-16 | 东方微银科技股份有限公司 | 一种基于图规则引擎的信贷风险预警方法、***及存储介质 |
CN116187767A (zh) * | 2023-04-26 | 2023-05-30 | 北京网智天元大数据科技有限公司 | 一种基于图注意力机制的企业风险传导预测方法及*** |
CN113379212B (zh) * | 2021-05-31 | 2024-07-26 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险评估方法、装置、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040054563A1 (en) * | 2002-09-17 | 2004-03-18 | Douglas William J. | Method for managing enterprise risk |
US20060100957A1 (en) * | 2002-05-08 | 2006-05-11 | Accenture Global Services Gmbh | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value |
CN109559192A (zh) * | 2018-10-25 | 2019-04-02 | 深圳壹账通智能科技有限公司 | 基于关联图谱的风险检测方法、装置、设备及存储介质 |
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 |
CN109657918A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 关联评估对象的风险预警方法、装置和计算机设备 |
CN109858740A (zh) * | 2018-12-21 | 2019-06-07 | 中化资本有限公司 | 企业风险的评估方法、装置、计算机设备及存储介质 |
CN110163413A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 企业监控及预警方法、装置、计算机设备及可读存储介质 |
CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
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 |
CN111222681A (zh) * | 2019-11-05 | 2020-06-02 | 量子数聚(北京)科技有限公司 | 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质 |
CN111402064A (zh) * | 2020-06-03 | 2020-07-10 | 天云融创数据科技(北京)有限公司 | 一种风险值的评估方法及装置 |
CN111709661A (zh) * | 2020-06-23 | 2020-09-25 | 中国平安财产保险股份有限公司 | 业务数据的风险处理方法、装置、设备及存储介质 |
-
2020
- 2020-09-27 CN CN202011036277.1A patent/CN112184012B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060100957A1 (en) * | 2002-05-08 | 2006-05-11 | Accenture Global Services Gmbh | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value |
US20040054563A1 (en) * | 2002-09-17 | 2004-03-18 | Douglas William J. | Method for managing enterprise risk |
CN109559192A (zh) * | 2018-10-25 | 2019-04-02 | 深圳壹账通智能科技有限公司 | 基于关联图谱的风险检测方法、装置、设备及存储介质 |
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 |
CN109657918A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 关联评估对象的风险预警方法、装置和计算机设备 |
CN109858740A (zh) * | 2018-12-21 | 2019-06-07 | 中化资本有限公司 | 企业风险的评估方法、装置、计算机设备及存储介质 |
CN110163413A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 企业监控及预警方法、装置、计算机设备及可读存储介质 |
CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
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 |
CN111222681A (zh) * | 2019-11-05 | 2020-06-02 | 量子数聚(北京)科技有限公司 | 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质 |
CN111402064A (zh) * | 2020-06-03 | 2020-07-10 | 天云融创数据科技(北京)有限公司 | 一种风险值的评估方法及装置 |
CN111709661A (zh) * | 2020-06-23 | 2020-09-25 | 中国平安财产保险股份有限公司 | 业务数据的风险处理方法、装置、设备及存储介质 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150013A (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 |
CN112965872A (zh) * | 2021-02-24 | 2021-06-15 | 刘志欣 | ***集群节点的风险预测方法、装置、终端及存储介质 |
CN113094506A (zh) * | 2021-04-14 | 2021-07-09 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
CN113094506B (zh) * | 2021-04-14 | 2023-08-18 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
CN113379211A (zh) * | 2021-05-31 | 2021-09-10 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险管控***及方法 |
CN113379212A (zh) * | 2021-05-31 | 2021-09-10 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险评估方法、装置、设备及介质 |
CN113379212B (zh) * | 2021-05-31 | 2024-07-26 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险评估方法、装置、设备及介质 |
CN113379211B (zh) * | 2021-05-31 | 2024-07-26 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险管控***及方法 |
CN113657991A (zh) * | 2021-08-12 | 2021-11-16 | 东方微银科技股份有限公司 | 一种基于图规则引擎的信贷风险预警方法、***及存储介质 |
CN113642926A (zh) * | 2021-08-31 | 2021-11-12 | 上海明略人工智能(集团)有限公司 | 用于风险预警的方法及装置、电子设备、存储介质 |
CN113642926B (zh) * | 2021-08-31 | 2023-08-08 | 上海明略人工智能(集团)有限公司 | 用于风险预警的方法及装置、电子设备、存储介质 |
CN116187767A (zh) * | 2023-04-26 | 2023-05-30 | 北京网智天元大数据科技有限公司 | 一种基于图注意力机制的企业风险传导预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112184012B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184012B (zh) | 一种企业风险预警方法、装置、设备及可读存储介质 | |
US11475528B2 (en) | Platform for live issuance and management of cyber insurance policies | |
US10937111B2 (en) | Managing energy purchase agreements on a blockchain | |
US20210264272A1 (en) | Training method and system of neural network model and prediction method and system | |
Cont et al. | Recovering portfolio default intensities implied by CDO quotes | |
CN112150014A (zh) | 一种企业风险预警方法、装置、设备及可读存储介质 | |
US20210073915A1 (en) | Event-driven natural catastrophe modeling and model refinement for insurance and risk management | |
US20200005410A1 (en) | System and Method for Facilitating Legal Review for Commercial Loan Transactions | |
CN112150013A (zh) | 一种企业风险预警方法、装置、设备及可读存储介质 | |
JP2019522275A (ja) | 電子抵当権仲介及び監視 | |
US10970780B2 (en) | Zero-knowledge predictions market | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
Poblet et al. | From Athens to the Blockchain: oracles for digital democracy | |
US11514531B2 (en) | Platform for autonomous risk assessment and quantification for cyber insurance policies | |
CN113011646A (zh) | 一种数据处理方法、设备以及可读存储介质 | |
CN112418859B (zh) | 区块链的共识方法及装置、电子设备和可读存储介质 | |
US11276046B2 (en) | System for insights on factors influencing payment | |
CN115080858A (zh) | 多方协作场景下的数据推荐方法及装置 | |
CN113177851B (zh) | 线上保险交易的存证方法、装置、电子设备及存储介质 | |
WO2019173241A1 (en) | Platform for live issuance and management of cyber insurance policies | |
Trusova et al. | Cybersecurity of the Banking Sector in the Context of Digitalization of the World’s Economy | |
Sancetta | Intraday end-of-day volume prediction | |
Gudz et al. | Insurance and innovative technologies of risks management of Ukrainian companies in the digital economy | |
US11979409B2 (en) | Graphical user interface and console management, modeling, and analysis system | |
CN116703555A (zh) | 一种预警方法、装置、电子设备及计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |