CN113361962A - 基于区块链网络识别企业风险性的方法及装置 - Google Patents
基于区块链网络识别企业风险性的方法及装置 Download PDFInfo
- Publication number
- CN113361962A CN113361962A CN202110741318.5A CN202110741318A CN113361962A CN 113361962 A CN113361962 A CN 113361962A CN 202110741318 A CN202110741318 A CN 202110741318A CN 113361962 A CN113361962 A CN 113361962A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- risk
- node
- identified
- data
- 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioethics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (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一种识别企业风险性的方法及装置,为了挖掘更多的风险因素,采用图模型处理知识图谱的方式,将企业的关联企业的特征融合为关联特征,并将关联特征和风险特征一起用于风险识别,从而充分利用企业之间的关联关系,提高识别风险企业的准确度。另一方面,在构建知识图谱过程中,为了利用更准确、更全面的数据,通过区块链上的智能合约来实现企业风险预测。为了保护数据隐私,将全局知识图谱构建和处理过程放在区块链网络的TEE中,从而既可以利用多个数据持有方的隐私数据,又不能获取这些数据,从而在尽可能保护各个数据方的隐私数据的基础上,较大限度地利用多个数据持有方的数据,增强风险预测准确度。
Description
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及基于区块链网络识别企业风险性的方法及装置。
背景技术
企业是国家经济的重要支柱,是推动国家发展的强大力量。国家对于各个行业的产业结构的改革和优化政策在不断更新,企业在响应和配合实施这些政策的同时,需要根据企业自身的发展及时发现新的政策可能带来的机遇和风险,因为安全、高效的进行生产收益是每一家企业的基础。但是由于企业规模、性质、所处行业等方面的不同,企业自身都会存在一些风险问题,在国家政策和相关规定更新的情况下,企业在处理相关问题时会有一定的漏洞和误差,而这些漏洞和误差很可能对企业的正常经营造成不良甚至恶劣的影响,造成企业运营的风险性。另一方面,一些利用企业的特殊性质损害国家利益或人民利益的不法行为,也会造成国家监管的风险性。
常规的关联风险挖掘技术中,通常依赖人工设定的路径与规则,进行传播与预警。例如,企业风控中常见的关联风险扩散来讲,设定风险节点为100分,对关联节点进行分数(风险)扩散,若边关系为“历史股东”,且持股比例超50%,则传播3度,每度衰减20%;若边关系为“董事、总经理”则传播2度,每度衰减30%,进行风险传播与扩散。然而,实践中,单个数据持有方的风险信息收集不一定完善,而其他数据持有方的数据可能作为商业秘密而不一定公开,并且传播规则的阈值往往比较生硬。
发明内容
本说明书一个或多个实施例描述了一种基于区块链网络的识别企业风险性的方法及装置,以解决背景技术中提到的一个或多个技术问题。
根据第一方面,提供一种基于区块链网络识别企业风险的方法,所述区块链网络中预先部署有用于识别企业风险的第一智能合约;所述方法由所述区块链网络中的第一节点执行,包括:接收调用所述第一智能合约的第一交易,所述第一交易指定有待识别企业;执行所述第一智能合约,在可信执行环境TEE中实现以下风险预测过程:获取基于包括所述待识别企业在内的N个企业的企业信息构建的知识图谱,所述N个企业的企业信息来自多个数据持有方,所述知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点数据持有方;利用预先训练的图模型处理所述知识图谱,从而将各个节点的风险特征与其邻居节点的风险特征进行融合,得到所述待识别企业对应的节点的关联特征;根据所述待识别企业对应的风险特征和所述关联特征,识别所述待识别企业的风险性,并将识别结果反馈给第一设备。
在一个实施例中,所述获取基于包括所述待识别企业在内的N个企业的企业信息构建的知识图谱包括:从多个数据持有方各自的私有数据中获取各个数据持有方分别利用所述N个企业在本地的企业信息构建的各个局部知识图谱,其中,单个局部知识图谱由对存储在所述区块链网络的加密数据在TEE中进行解密得到;将各个局部知识图谱进行合并得到所述N个企业对应的知识图谱。数据持有方数据持有方数据持有方数据持有方。
在一个实施例中,所述知识图谱通过邻接矩阵和特征矩阵描述,所述邻接矩阵中,各个行/列分别与各个企业一一对应,具有关联关系的两两企业在相应行、列交汇处通过预定的非零值表示,否则通过0值表示;所述利用预先训练的图模型处理知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到待识别企业对应的节点的关联特征包括:基于所述邻接矩阵确定所述知识图谱对应的度矩阵,所述度矩阵为各个行/各个列分别对应各个企业的对角矩阵,所述对角矩阵的各个对角矩阵分别表示其所关联的企业数量;在图模型的当前层,基于所述度矩阵、所述邻接矩阵和当前的表征矩阵的乘积,结合图模型在当前层的参数矩阵,确定经当前层迭代后的表征矩阵,其中,在第1层,当前的表征矩阵为所述特征矩阵。
在一个实施例中,单个企业的风险特征构成知识图谱中相应节点初始的表征向量,所述利用预先训练的图模型处理知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到待识别企业对应的节点的关联特征包括:在图模型的当前层,针对节点u的各个邻居节点分别对应的各个表征向量加权求和,得到第一加权和,其中,单个邻居节点v的加权权重为节点u和节点v的关联系数;根据当前层的第一参数矩阵对第一加权和的处理结果,更新节点u的表征向量。
在一个进一步的实施例中,节点u和节点v的关联系数由以下方式确定:节点v、节点u分别的当前表达向量进行拼接,得到拼接向量,在当前层为第一层的情况下,单个节点的当前表达向量为初始的表征向量,否则,单个节点的当前表达向量为前一次迭代后的表征向量;基于当前层的第二参数矩阵对所述拼接向量的处理,确定所述关联系数。
在一个实施例中,所述根据所述待识别企业对应的风险特征和所述关联特征,识别所述待识别企业的风险性包括:将所述待识别企业的关联特征和风险特征的融合结果,输入预先训练的预测模型;根据所述预测模型的输出结果,确定所述待识别企业的风险性。
在一个实施例中,所述融合结果通过待识别企业的关联特征和风险特征的加权平均、拼接之一的处理方式确定。
在一个实施例中,所述预测模型的输出结果为第一企业为风险企业的概率,所述根据所述预测模型的输出结果,确定第一企业的风险性包括:在所述概率大于预设概率阈值的情况下,确定所述待识别企业为风险企业。
在一个实施例中,所述预测模型的输出结果为所述待识别企业分别是风险企业和非风险企业的概率,所述根据所述预测模型的输出结果,确定所述待识别企业的风险性包括:在所述待识别企业为风险企业的概率大于非风险企业的概率的情况下,确定所述待识别企业为风险企业。
根据第二方面,提供一种基于区块链网络监测企业风险的方法,所述区块链网络中预先部署有用于识别企业风险的第一智能合约;所述方法由区块链网络中的第一节点执行,包括:接收调用所述第一智能合约的第一交易;执行所述第一智能合约,从而在可信执行环境TEE中实现以下风险预测过程:获取基于N个企业的企业信息构建的知识图谱,所述N个企业的企业信息来自多个数据持有方,所述知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点数据持有方;利用预先训练的图模型处理所述知识图谱,从而将各个节点的风险特征与其邻居节点的风险特征进行融合,得到各个企业分别对应的各个节点各自的关联特征;根据各个企业各自对应的风险特征和关联特征,识别其风险性。
根据第三方面,提供一种识别企业风险的装置,设于区块链网络中的第一节点,所述区块链网络中预先部署有用于识别企业风险的第一智能合约;所述装置包括:
接收单元,配置为接收调用所述第一智能合约的第一交易,所述第一交易指定有待识别企业;
执行单元,配置为执行所述第一智能合约,在可信执行环境TEE中实现企业风险预测过程,所述执行单元进一步包括:
获取模块,配置为获取基于包括所述待识别企业在内的N个企业的企业信息构建的知识图谱,所述N个企业的企业信息来自多个数据持有方,所述知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点数据持有方;
融合模块,配置为利用预先训练的图模型处理所述知识图谱,从而将各个节点的风险特征与其邻居节点的风险特征进行融合,得到所述待识别企业对应的节点的关联特征;
识别模块,配置为根据所述待识别企业对应的风险特征和所述关联特征,识别所述待识别企业的风险性。
根据第四方面,提供一种监测企业风险的装置,设于区块链网络中的第一节点,所述区块链网络中预先部署有用于识别企业风险的第一智能合约;所述装置包括:
接收单元,配置为接收调用所述第一智能合约的第一交易;
执行单元,配置为执行所述第一智能合约,从而在可信执行环境TEE中实现风险预测过程,所述执行单元进一步包括:
获取模块,配置为获取基于N个企业的企业信息构建的知识图谱,所述N个企业的企业信息来自多个数据持有方,所述知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点数据持有方;
融合模块,配置为利用预先训练的图模型处理所述知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到各个企业分别对应的各个节点各自的关联特征;
识别模块,配置为根据各个企业各自对应的风险特征和关联特征,识别其风险性。
根据第五方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面中第一设备或区块链网络执行的方法。
根据第六方面,提供了一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面中第一设备或区块链网络执行的方法。
通过本说明书实施例提供的方法和***,在针对企业识别风险性的情况下,为了挖掘更多的风险因素,采用图模型处理知识图谱的方式,将企业的关联企业的特征融合为关联特征,并将关联特征和风险特征一起用于风险识别,从而充分利用企业之间的关联关系,提高识别风险企业的准确度。另一方面,在构建知识图谱过程中,为了利用更准确、更全面的数据,通过区块链上的智能合约来实现。为了保护数据隐私,将全局知识图谱构建和处理过程放在区块链网络的TEE区域中,从而既可以利用多个数据持有方的隐私数据,又不能获取这些数据,从而在尽可能保护各个数据方的隐私数据的基础上,较大限度地利用多个数据持有方的数据,提高知识图谱的有效性,最终增强风险预测准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1示出本说明书的一个实施架构示意图;
图2示出本说明书实施架构下的一个具体例子的实施框架示意图;
图3示出根据一个实施例的识别企业风险性的方法流程图;
图4示出根据一个实施例区块链网络通过执行智能合约进行企业风险性识别的流程示意图;
图5示出根据一个实施例的识别企业风险性的***架构的示意性框图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
如本领域技术人员所知,区块链网络是一种分布式存储、记录的体系,其中包含多个节点,各个节点之间可以互相通信并交易数据。区块链技术(Blockchain technology,简称BT)是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算范式,用区块链技术所串接的分布式账本能让两方有效记录交易,且可永久查验交易。由于区块链技术有着不可篡改、去中心化等特点,其在各种领域的应用越来越广泛。
图1描述了本说明书一个通过区块链进行权益处理的***架构。参考图1所示,该实施架构涉及区块链网络和第一设备。第一设备可以是企业风险识别的服务端或客户端,事实上,第一设备可以是任意一台设有企业风险识别的业务平台、且可与区块链连接的设备。可选地,第一设备可以是区块链任一个节点的一部分。
图2给出了本说明书一个具体例子的实施框架示意图。结合图1、图2所示,描述本说明书的技术构思。
如图2所示,区块链网络上可以预先部署有用于识别企业风险的智能合约。该智能合约可以包含识别企业风险的业务逻辑。例如智能合约可以包含风险识别模型的数据处理逻辑等。在用户需要查询某个企业(例如称为待识别企业或第一企业)的风险性的情况下,可以通过第一设备向区块链网络提交调用该用于识别企业风险的智能合约的第一交易。该第一交易中可以包括待识别企业的标识或企业名称等。在一个实施例中,第一交易中还可以包括该用于识别企业风险的智能合约的合约标识,以便区块链网络能够调用相应智能合约。在另一个实施例中,第一交易可以携带有设备标识或者业务标识,以供区块链网络根据设备标识或者业务标识,匹配到上述智能合约。
在第一设备是客户端或其他任意设备时,其可以通过用户在相关终端应用(APP)或业务平台上通过输入第一企业的企业名称或标识等方式,发起风险识别请求,并由第一设备的终端应用(APP)或业务平台基于该风险识别请求生成及提交调用以上智能合约的交易。在第一设备是被企业风险的服务端的情况下,可以响应于用户通过客户端发起的风险识别请求生成并提交调用以上智能合约的交易。在可选的实施例中,第一设备还可以定时触发企业风险查询的机制,例如每个月1号查询一次,从而在每次定时到达时,生成并提交调用以上智能合约的交易。
区块链网络根据第一设备提交的交易,如图2中的第一交易,执行以上智能合约,在可信执行环境TEE中通过预先训练的风险预测模型,预测相应企业的风险性,并返回预测结果。TEE是一种由多种计算机相关技术组合而成的安全技术,可以基于硬件安全模块支持的可信计算平台,提高***的安全性。在本说明书的技术构思下,通过在TEE环境预测企业的风险性,有利于保证数据的隐私性。这是因为,本说明书预测相应企业的风险性的处理逻辑为:从多个数据持有方获取数据,构建较完善的知识图谱。知识图谱中可以包括与各个企业一一对应的各个节点,以及针对各个企业从相应企业信息中提取的风险特征。进一步地,通过诸如GCN之类的图模型处理知识图谱,可以对每个节点,融合其邻居节点对应的企业的信息,从而产生关联特征。再将待识别企业的关联特征和风险特征相结合来预测企业风险性。
在企业风险预测的业务中,涉及的数据持有方可以为任何能够持有企业信息及企业之间的关联信息的业务方,如:持有企业注册、经营范围及法定代表人等其他基本信息的工商机构;持有企业财务信息的银行机构、股票机构;持有企业借贷融资信息的P2P机构;等等。各个数据持有方可以持有企业的部分业务数据项,或者某些业务数据项的部分信息。可以理解,实践中,一些数据持有方持有的数据是保密的,不愿公开的,这些数据被称为隐私数据,或私有数据。在区块链网络的应用越来越广泛的情况下,基于区块链网络不可篡改且去中心化的特性,更多数据持有方愿意将数据存储在区块链网络中。而为了保护数据隐私,这些数据持有方通常还会对数据加密。
因此,在本说明书的技术构思下,通过在TEE环境中构建知识图谱,并进行相关数据处理,使得数据具有保密性。因此,在构建知识图谱时,可以从多个数据持有方获取企业信息,最大限度的汇总不同数据源,将多方数据相互填充,得到相对完备的底层数据,构建更完善的知识图谱。
另一方面,通过图模型对知识图谱的处理,挖掘与待识别企业的关联企业对其风险影响,从而充分利用企业之间的关联关系,将其他企业的风险特征传递到待识别企业。进一步地,将其他企业传递的风险特征作为关联特征和其本来的风险特征一起,用于预测企业风险性。图模型可以针对知识图谱自动搜索判断路径是否“合理”,保证了风险传播路径的有效性,避免了规则传播带来的生硬问题。由于对知识图谱的处理过程也在TEE中进行,通过TEE环境只能获得最后的预测结果或风险结果,各个数据持有方的隐私数据不会泄露。
下面结合具体实施例详细描述本说明书的实施过程。
图3示出了一个实施例的基于区块链网络识别企业风险的流程。该流程适用于具有一定计算能力的各种计算机、设备、服务器,如图1示出的第一设备。如图3所示,基于区块链网络识别企业风险的流程可以包括:步骤301,第一设备向区块链网络提交调用第一智能合约的第一交易,第一交易中指定了待识别企业;步骤302,区块链网络执行第一智能合约,在可信执行环境TEE中实现以下风险预测过程:步骤3021,获取基于包括待识别企业在内的N个企业的企业信息构建的知识图谱,N个企业的企业信息来自多个数据持有方,知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点数据持有方;步骤3022,利用预先训练的图模型处理知识图谱,从而将各个节点的风险特征与其邻居节点的风险特征进行融合,得到待识别企业对应的节点的关联特征;步骤3023,根据待识别企业对应的风险特征和关联特征,识别待识别企业的风险性。
首先,通过步骤301,第一设备向区块链网络提交调用第一智能合约的第一交易。其中,第一智能合约可以预先部署在区块链网络中,并包含企业风险性识别的执行逻辑。
可以理解,为了确保信息的准确、不可篡改,许多数据持有方选择将数据上传至区块链网络中。由于区块链中的数据是公开的,在一些实施例中,对于隐私数据,数据持有方还可以选择加密存储。在本说明书的实施架构下,为了充分利用多个数据持有方的数据,将识别企业风险的操作在区块链网络中完成。向区块链网络请求识别操作,可以通过智能合约和交易实现。
在一个实施例中,第一设备可以响应于识别第一企业风险性的识别请求而生成第一交易。针对第一企业风险性的识别请求可以由第一设备自身发出,也可以通过第一设备提供服务的其他设备向第一设备发出,在此不做限定。该识别请求可以包含待识别企业的企业标识,例如企业名称、企业代码、纳税识别号等。一个企业标识可以唯一标识出一个企业。基于该识别请求,第一设备可以生成调用第一智能合约的第一交易。
在另一个实施例中,第一设备也可以通过定时机制等自动查询方式设置自动进行企业风险性查询。此时,通过自动查询机制的条件触发(如定时到达),第一设备可以生成调用第一智能合约的第一交易。
在其他实施方式中,第一设备还可以在其他情况下生成第一交易,在此不做限定。可以理解,第一设备还可以是区块链网络中的任意节点,或者任意节点的一部分。
第一交易中可以指定待识别企业。本说明书中假设企业风险识别操作对应的智能合约为预先部署在区块链网络中的第一智能合约。也就是说,各个节点都存储并认可该第一智能合约。区块链中的节点中的任一节点可以通过调用该第一智能合约的交易来调用该第一智能合约,从而通过区块链网络的共识机制,由各个节点分别执行该第一智能合约。第一设备可以向区块链网络中的第一节点提交调用第一智能合约的第一交易,以供第一节点将该第一交易广播至区块链网络中的各个节点。此时,第一节点可以是区块链网络中的任意节点。在一个实施例中,第一设备可以从区块链网络的多个节点中,确定出距离最近的节点作为上述第一节点。其中,距离最近的节点可以是物理距离最近的节点,或者是从网络连接的角度判定出的最近连接节点。
接着,在步骤302,区块链网络执行第一智能合约,在可信执行环境TEE中实现风险预测过程。可以理解,第一智能合约包含有企业风险性识别的业务逻辑。区块链网络中的各个节点可以分别按照第一交易,执行第一智能合约的业务逻辑,从而完成针对待识别企业的风险性预测。
由于各个数据持有方的数据可能是隐私数据,其他人无法获知,而区块链网络中的各个节点,都可以设置有TEE区域,该TEE区域中的数据不会被他人窥探,因此,通过该TEE区域可以读出并使用各个数据持有方的隐私数据,在仅对隐私数据的处理结果的情况下,难以反推原始数据。尤其在数据持有方众多,数据来源较复杂的情况下,很难反推单个数据持有方的数据。因此,该第一智能合约可以约定在TEE区域执行第一智能合约的业务逻辑,并反馈执行结果。
下面描述第一智能合约通过TEE的执行逻辑。该知性逻辑可以由区块链网络中的任意节点(如第一节点)执行。
通过步骤3021,获取基于包括待识别企业在内的N个企业的企业信息构建的知识图谱。这里,N个企业的企业信息来自多个数据持有方,所构建的知识图谱可以包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点。可选地,知识图谱还可以包含企业对应的节点之外的其他节点,例如法定代表人对应的节点等,在此不作限定。
可以理解,企业信息通常可以包括企业基本信息,例如注册资金、注册地址、法定代表人、注册年限、子公司、母公司等等中的一项或多项,还可以包括企业经营信息,例如经营范围、经营年限、企业***数据情况、历史风险状况(如是否曾失信被执行等)等等中的至少一项。这些信息通常与企业的风险性具有一定关系。
根据具体业务的不同,所涉及的数据持有方也可能不同。例如在对企业金融风险性预测的情况下,所涉及的数据持有方例如可以包括银行、工商管理部门、P2P平台、股票监管机构等等。可选地,数据持有方还可以包括一些新闻平台,以获取一些其他数据持有方可能无法及时更新的信息。在对企业是否逃税的风险性预测的情况下,涉及的数据持有方可以包括银行、工商管理部门、税收部门等。单个数据持有方可以持有多个企业及企业间的关联关系。然而,由于所涉及业务的不同,单个数据持有方持有的数据可能不够全面。例如,工商管理部门持有企业的注册信息(包括注册时间、法定代表人、注册资金等)、经营范围信息,根据这些信息可以确定企业A和B之间是否具有同一法定代表人等关联信息。然而,对于各个企业的盈利、市值、融资等信息可能缺乏。
在一个实施例中,这些数据持有方对于隐私数据,还可以加密存储在区块链网络中。例如通过加密密钥加密存储在区块链网络,并将解密密钥提供至区块链网络的TEE区域,以供区块链网络在TEE中通过解密密钥解密由相应加密密钥加密的数据。在可选的实施例中,这些数据持有方还可以预先约定数据存储的格式,例如可以约定企业信息的信息项标识,如1表示注册资金,2表示法定代表人,3表示盈利数额,等等。也就是说,数据持有方可以将隐私数据按照预定格式存储,从而更有利于区块链网络按照针对预定格式的数据读取方式读取数据。
根据一个可能的设计中,知识图谱由从各个数据持有方获取的原始企业数据构建知识图谱。此时,由于企业信息来自不同数据源,涉及不同的数据持有方,数据形式等之间可能有一定差异,因此需要对数据进行对齐与消除歧义,保证数据一致性。例如,一个数据持有方的数据中记载了企业A成立于2018年,另一个数据持有方的数据中记载了企业B成立时间为5年,则需要将这种数据转换成统一的表达,例如统一用成立年限来描述。另外,一个数据持有方记载了企业B成立时间为5年,法定代理人为张三,经营范围为电子产品,而另一个数据持有方记载了企业B法定代理人为张三,年营业利润为4千万,再一个数据持有方记载了企业B成立时间为5年,融资数额为1千万,则可以按照预定格式和顺序统一为一条业务数据,如:企业B,成立年限5年,法定代理人张三,经营范围电子产品,年营业利润为4千万,融资数额为1千万……
在构建知识图谱过程中,一方面,可以根据N个企业的企业信息,确定企业间的关联关系。例如,具有相同法定代表人的企业具有关联关系,互为母子公司的两个企业具有关联关系,具有业务往来频繁(如业务往来频次超过预定阈值)的两个企业具有关联关系,资金往来超过预定数额或超过预定频次的两个企业具有关联关系等等。在一个实施例中,企业之间的关联关系可以通过三元组表示,例如(企业A,连接关系1,企业B),也可以记为(A,r1,B),A和B也可以称为知识图谱的节点。多个三元组就记录了一个知识图谱。在另一个实施例中,知识图谱的连接结构也可以通过邻接矩阵来描述。所谓邻接矩阵,可以是用于表示企业之间的相邻关联关系的矩阵。邻接矩阵中,各个行分别对应各个企业,各个列也分别对应各个企业,具有关联关系的企业在相应行、列交汇处可以通过第一预定值(如非零值1等)表示,否则通过第二预定值(如零值)表示。知识图谱还可以通过其他方式描述,例如图像化展示等,在此不再赘述。N个企业可以与知识图谱中的N个节点一一对应。
构建知识图谱的另一方面,针对各个企业,还可以根据企业信息,针对各个企业分别提取风险特征,以作为相应节点的表征。风险特征通常可以用于表示与企业风险具有相关性的特征。风险特征可以人为预先设定,或者通过机器学习方法筛选确定。根据具体场景,可以确定不同的风险场景。例如,在识别P2P企业是否存在“暴雷”或破产风险的场景下,风险特征可以包括,提现周期、强制复投、短标增量、企业账户向个人账户资产转移频次及数额、法定代表人是否有赌博等行为等等中的一项或多项。再例如,在识别企业偷税漏说风险的场景下,风险特征可以包括,企业流水是申报是否具有明显差距、员工收入是否明显区别于相同行业、法定代表人或主要负责人个人账户流水是否明显异常等等。风险特征的提取过程也就是确定各个特征值的过程。风险特征的提取可以通过人工进行,也可以通过可进行语义分析的机器学习模型检测判断,在此不做限定。
根据另一个可能的设计,各个数据持有方可以预先通过本地的业务数据构建有本地的局部知识图谱,在第一智能合约执行过程中,在TEE中获取这些局部知识图谱,并进行合并,可以得到全局的知识图谱,也就是本步骤3021中获取的知识图谱。其中,各个数据持有方分别对应的各个局部知识图谱可以按照相同的格式构建,例如企业标识一致、在节点的表达向量中维数对应一致且各维度的风险特征对应一致,等等。在可选的实现中,各个局部知识图谱可以存储在相应数据持有方的私有数据中,并通过加密密钥加密,而解密密钥存储在TEE中。从而在TEE中获取局部知识图谱后,可以通过解密密钥解密。这里对各个局部知识图谱的形式不做限定。通过执行第一智能合约,可以将各个局部知识图谱通过统一的形式进行合并,在此不再赘述。
根据再一个可能的设计,可以预先构建有一个较全面的知识图谱,在本步骤3021中,通过待识别企业的企业标识,获取较全面的知识图谱中与待识别企业相关的部分,作为包含待识别企业在内的N个企业构成的知识图谱。在其他可能的设计中,还可以通过其他合理的方式获取包含待识别企业在内的N个企业构成的知识图谱,在此不做限定。
接着,通过步骤3022,利用预先训练的图模型处理知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到待识别企业对应的节点的关联特征。其中,图模型可以是用于处理图数据的各种模型,例如GCN(Graph Convolutional Network,图卷积神经网络)、GAT(Graph Attention Network,基于注意力机制的图卷积网络)、Structure2Vec等等。
图模型通常可以迭代融合各个节点的表达向量。在单次迭代过程中,可以将遍历每个节点,并将单个节点与其邻居节点当前对应的表达向量融合在一起,作为当前迭代后该单个节点对应的表达向量。经过数次迭代后,每个节点的表达向量可以融合有其多阶邻居节点的特征。在本说明书实施例中,可以将最后一次迭代得到的最终结果中,各个节点的表达向量称为关联向量,用于体现关联企业的特征。关联向量中的每一个维度可以理解为一种深度特征,该深度风险特征通过邻居节点的风险传递而来。
图模型对知识图谱的处理过程可以通过图神经网络进行,也可以通过矩阵运算进行。以下通过具体例子简单介绍这两种方式。
根据一个可能的设计,可以通过图神经网络对知识图谱进行处理。此时,单个节点对应的风险特征可以构成其初始表达向量。在一个具体例子中,节点u在第k+1层的表达向量可以通过以下方式确定:
其中,σ为用于非线性变换的激活函数;Wk是图处理模型第k层的权重参数矩阵,为了描述方便,可以称为当前层的第一参数矩阵;v表示节点v,N(u)表示节点u的所有邻居节点,{u}表示节点u本身;表示节点u和节点v之间的相关性系数;hv (k)表示节点v在第k次迭代后的表达向量,k=0时,表示节点v的初始表达向量。
这里,a为当前层的第二参数矩阵(或向量),可选地,该第二参数矩阵可以为图模型的各个层通用。hv (k-1)、hu (k-1)表示节点v、节点u分别在第k-1次迭代后的表达向量,||表示两侧向量的拼接,在k=1的情况下,表示在图模型的第一层,hv (k-1)、hu (k-1)均可以为节点v、节点u的初始表达向量。
根据另一个可能的设计,可以通过矩阵形式的图模型来完成对知识图谱的处理。具体地,基于各个企业的风险特征,还可以构建风险特征矩阵,例如,每行对应一个企业,每列对应一个风险特征。然后,结合各个企业间的邻接矩阵,通过矩阵运算融合企业之间的风险特征。例如:
其中,A为各个节点整体的邻接矩阵,邻接矩阵A可以在整个图处理模型的处理过程中保持不变,表示将节点i自身也看作其邻居节点时的邻接矩阵,在初始邻接矩阵不包括自身与自身关联的情况下,可以将所确定的邻接矩阵增加一个单位对角矩阵,形成自环(即自身与自身相关联)。Xl表示第l层的表征矩阵,在l为0的情况下,表征矩阵记为特征矩阵,Wl是图处理模型第l层的权重参数;表示各个企业的度矩阵,度矩阵通常为对角矩阵,对角元素表示各个企业的度(和其具有关联关系的企业数量)。度矩阵可以通过邻接矩阵确定,用于对特征矩阵进行归一化。
可以理解,在图模型的当前层,当前的表征矩阵为前一层迭代后更新的各个节点的表征向量构成的矩阵。在当前层是第一层的情况下,当前的表征矩阵为初始的风险特征构成的矩阵。
在一个进一步的实施例中,可以把D的拆开与A相乘,得到一个对称且归一化的矩阵:
其中:xi (l+1)表示节点i经过图处理模型的第l+1层的处理得到的表达向量;xj(l)表示节点j经过图处理模型的第l层的处理得到的表达向量;,通常包括其自身bl是图处理模型第l层的截断参数,其根据需要可以为矩阵或数值。可以理解的是,用于对节点表达向量和Wl的乘积进行归一化。针对固定的多个企业,在企业信息不变的情况下,其特征矩阵和邻接矩阵是一致保持不变的。也就是说,是确定的,并可以应用到图处理模型的各个层中。
在其他实施例中,还有其他可能的迭代方式,在此不再赘述。这样,假设待识别企业对应节点i,经过图模型多次迭代(每层对应一次迭代),可以得到针对待识别企业融合了其关联企业特征的表达向量,该最终的表达向量即为前文的关联向量。关联向量中各个维度可以看作关联特征。可以理解,关联特征是隐藏特征,不能直接从企业信息中获取,也可能无法明确其具体含义,但这些特征包含了与第一企业的关联企业的信息,因此,对于识别企业风险具有重要意义。
然后,在步骤3023中,根据待识别企业对应的风险特征和关联特征,识别待识别企业的风险性。其中,该步骤3023中,可以仅使用关联特征识别待识别企业的风险性,也可以同时使用风险特征和关联特征识别待识别企业的风险性。
在同时使用风险特征和关联特征识别待识别企业的风险性的情况下,待识别企业的关联特征和风险特征可以通过拼接、加权平均、叠加等方式进行融合后,用于识别其风险性。下文中,为了描述方便,将仅取关联特征也作为关联特征和风险特征融合的一种融合进行描述。
根据一方面的实施例,关联特征和风险特征融合后,可以经过激活函数、全连接层等中的一项或多项的处理,映射为待评估企业是风险企业的概率。然后,根据该概率与预定概率阈值的对比确定其是否风险企业,例如大于预定概率阈值为风险企业,否则为无风险企业或正常企业。此时,相当于在图处理模型后面增加一个激活层。
根据另一方面的实施例,可以将关联特征和风险特征的融合结果,作为输入特征,利用预先训练的预测模型来预测待预测企业的风险性。预测模型可以是分类模型等用于推理的模型,例如通过CNN、GBDT等实现。该预测模型可以和前文的图模型拼接在一起,作为用于预测企业风险性的业务模型。此时,预测模型的输出可以是待识别企业为风险企业的概率,也可以是分别对应到高风险企业和低风险企业(如无风险企业、正常企业等)的概率的两维向量,在此不做限定。
其中,在图模型训练过程中,可以利用单个或多个数据持有方的非隐私数据(可被公众所知的数据),或者自有的业务数据,从中获取各个企业的完整关联关系,构建知识图谱及提取风险特征。之后,用预先确定的图模型和步骤3023中涉及的处理结构或预测模型处理相关风险特征,从而得到预测结果。其中,这里说的确定的图模型以及处理结构或预测模型应理解为结构和参数数量确定,参数值待调节。之后,将针对各个企业的预测结果与真实的是否为风险企业的标签相比较确定模型损失,从而以最小化模型损失为目标调整待调节的各个参数值(如前文的W、a等等),直至满足模型训练终止的预定条件,例如准确度达到预定阈值、损失函数收敛等,确定训练完成。
值得说明的是,在对待识别企业的风险性识别为对应到风险企业(也可以是反面)的概率的情况下,预定概率阈值可以通过人工经验确定,也可以根据训练好的模型绘制K-S曲线(洛伦兹曲线)确定,在此不做限定。
值得说明的是,步骤3021-步骤3023均可以在区块链网络的TEE中进行,从而第一设备无法获知各个数据持有方的隐私数据。同时,步骤3023中的预测结果可以作为调用第一智能合约的执行结果,从TEE区域反馈回来。该结果可以是待识别企业是否为风险企业的最终结果,也可以是步骤3023中提到的风险企业预测概率,或者分别对应到风险企业、非风险企业的概率的两维向量,在此不作限定。
进一步地,该风险识别结果可以作为第一智能合约的执行结果,由区块链网络可以将风险识别结果反馈至第一设备。至此,一次识别企业风险性的过程完整结束。
本领域技术人员容易理解,图3提供的流程描述了针对一个企业进行风险性预测的流程,事实上,还可以同时对多个企业进行风险性预测。在对指定的多个企业进行风险性预测的情况下,以上步骤3022得到各个企业的关联特征之后,可以多次执行以上步骤3023,从而确定各个指定的企业的风险性。在对各个企业的风险性进行普查的情况下,步骤301中,接收的请求可以为风险企业查询请求等,第一交易中无需指定待识别企业,而在步骤3024中,可以分别对各个企业进行风险性预测。在可选的实施例中,步骤3023中第一智能合约的执行结果可以是风险企业名单等。
回顾以上过程,本说明书实施例提供的识别企业风险的方法,为了挖掘更多的风险因素,采用图模型处理知识图谱的方式,将企业的关联企业的特征融合为关联特征,并将关联特征和风险特征一起用于风险识别,从而充分利用企业之间的关联关系,提高识别风险企业的准确度。另一方面,在构建知识图谱过程中,为了利用更准确、更全面的数据,通过区块链上的智能合约来实现。为了保护数据隐私,将知识图谱构建和处理过程放在区块链网络的TEE区域中,从而既可以利用多个数据持有方的隐私数据,又不能获取这些数据,从而在尽可能保护各个数据方的隐私数据的基础上,较大限度地利用多个数据持有方的数据,提高知识图谱的有效性,最终增强风险预测准确度。
根据另一方面的实施例,还提供一种识别企业风险性的装置。该装置可以设于区块链网络中的各个节点,比如其中的第一节点设置有识别企业风险性的装置。区块链网络中可以预先部署有用于识别企业风险的第一智能合约。区块链网络通过执行第一智能合约,可以在可信执行环境TEE中实现风险预测过程。如图5所示,是一个实施例的识别企业风险装置500。区块链网络中的节点在执行第一智能合约过程中,可以通过调用该企业风险识别装置500完成企业风险识别。
如图5所示,该企业风险识别装置可以包括接收单元51以及执行单元52。其中,接收单元51,配置为接收调用第一智能合约的第一交易,第一交易指定有待识别企业;执行单元52,配置为执行第一智能合约,在可信执行环境TEE中实现企业风险预测过程。
进一步地,执行单元52包括:
获取模块521,配置为获取基于包括待识别企业在内的N个企业的企业信息构建的知识图谱,N个企业的企业信息来自多个数据持有方,知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点数据持有方;
融合模块522,配置为利用预先训练的图模型处理知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到待识别企业对应的节点的关联特征;
识别模块523,配置为根据待识别企业对应的风险特征和关联特征,识别待识别企业的风险性。
在进一步的实施例中,执行单元52还可以配置为将识别结果反馈给第一设备。
在业务场景为进行风险企业监控的情况下,图5为一个实施例下的监测企业风险的装置500。区块链网络中的第一节点通过接收单元51接收调用第一智能合约的第一交易,并通过执行单元52执行第一智能合约,在可信执行环境TEE中实现风险预测过程。
进一步地,执行单元52中,获取模块521获取基于N个企业的企业信息构建的知识图谱,N个企业的企业信息来自多个数据持有方,知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点数据持有方;融合模块522利用预先训练的图模型处理知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到各个企业分别对应的各个节点各自的关联特征;识别模块523根据各个企业各自对应的风险特征和关联特征,识别其风险性。可选地,执行单元52还可以将N个企业中识别到的风险企业反馈给第一设备。
值得说明的是,图5所示的***是与图3、图4示出的方法实施例相对应的装置实施例,图3、图4示出的方法实施例中的相应描述同样适用于图5的***,在此不再赘述。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图3、图4的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图3、图4的方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本说明书实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本说明书的技术构思的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本说明书的技术构思的具体实施方式而已,并不用于限定本说明书的技术构思的保护范围,凡在本说明书实施例的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本说明书的技术构思的保护范围之内。
Claims (14)
1.一种基于区块链网络识别企业风险的方法,所述区块链网络中预先部署有用于识别企业风险的第一智能合约;所述方法由所述区块链网络中的第一节点执行,包括:
接收调用所述第一智能合约的第一交易,所述第一交易指定有待识别企业;
执行所述第一智能合约,从而在可信执行环境TEE中实现以下风险预测过程:
数据持有方获取基于包括所述待识别企业在内的N个企业的企业信息构建的知识图谱,所述N个企业的企业信息来自多个数据持有方,所述知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点;
利用预先训练的图模型处理所述知识图谱,从而将各个节点的风险特征与其邻居节点的风险特征进行融合,得到所述待识别企业对应的节点的关联特征;
根据所述待识别企业对应的风险特征和所述关联特征,识别所述待识别企业的风险性。
2.根据权利要求1所述的方法,其中,所述获取基于包括所述待识别企业在内的N个企业的企业信息构建的知识图谱包括:
从多个数据持有方各自的私有数据中获取各个数据持有方分别利用所述N个企业在本地的企业信息构建的各个局部知识图谱,其中,数据持有方数据持有方单个局部知识图谱由对存储在所述区块链网络的加密数据在TEE中进行解密得到数据持有方数据持有方;
将各个局部知识图谱进行合并得到所述N个企业对应的知识图谱。
3.根据权利要求1所述的方法,其中,所述知识图谱通过邻接矩阵和特征矩阵描述,所述邻接矩阵中,各个行/列分别与各个企业一一对应,具有关联关系的两两企业在相应行、列交汇处通过预定的非零值表示,否则通过0值表示;所述利用预先训练的图模型处理知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到待识别企业对应的节点的关联特征包括:
基于所述邻接矩阵确定所述知识图谱对应的度矩阵,所述度矩阵为各个行/各个列分别对应各个企业的对角矩阵,所述对角矩阵的各个对角元素分别表示相应企业所关联的企业数量;
在图模型的当前层,基于所述度矩阵、所述邻接矩阵和当前的表征矩阵的乘积,结合图模型在当前层的参数矩阵,确定经当前层迭代后的表征矩阵,其中,在第一层,当前的表征矩阵为所述特征矩阵。
4.根据权利要求1所述的方法,其中,单个企业的风险特征构成知识图谱中相应节点初始的表征向量,所述利用预先训练的图模型处理知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到待识别企业对应的节点的关联特征包括:
在图模型的当前层,针对节点u的各个邻居节点分别对应的各个表征向量加权求和,得到第一加权和,其中,单个邻居节点v的加权权重为节点u和节点v的关联系数;
根据当前层的第一参数矩阵对所述第一加权和的处理结果,更新节点u的表征向量。
5.根据权利要求4所述的方法,其中,节点u和节点v的关联系数由以下方式确定:
对节点v、节点u分别对应的当前表达向量进行拼接,得到拼接向量,在当前层为第一层的情况下,单个节点的当前表达向量为相应企业的风险特征构成的初始表达向量,否则,单个节点的当前表达向量为前一次迭代后的表达向量;
基于当前层的第二参数矩阵对所述拼接向量的处理,确定所述关联系数。
6.根据权利要求1所述的方法,其中,所述根据所述待识别企业对应的风险特征和所述关联特征,识别所述待识别企业的风险性包括:
将所述待识别企业的关联特征和风险特征的融合结果,输入预先训练的预测模型;
根据所述预测模型的输出结果,确定所述待识别企业的风险性。
7.根据权利要求6所述的方法,其中,所述融合结果通过待识别企业的关联特征和风险特征的加权平均、拼接之一的处理方式确定。
8.根据权利要求6所述的方法,其中,所述预测模型的输出结果为第一企业为风险企业的概率,所述根据所述预测模型的输出结果,确定第一企业的风险性包括:
在所述概率大于预设概率阈值的情况下,确定所述待识别企业为风险企业。
9.根据权利要求6所述的方法,其中,所述预测模型的输出结果为所述待识别企业分别是风险企业和非风险企业的概率,所述根据所述预测模型的输出结果,确定所述待识别企业的风险性包括:
在所述待识别企业为风险企业的概率大于非风险企业的概率的情况下,确定所述待识别企业为风险企业。
10.一种基于区块链网络监测风险企业的方法,所述区块链网络中预先部署有用于识别企业风险的第一智能合约;所述方法由区块链网络中的第一节点执行,包括:
接收调用所述第一智能合约的第一交易;
执行所述第一智能合约,从而在可信执行环境TEE中实现以下风险监测过程:
数据持有方获取基于N个企业的企业信息构建的知识图谱,所述N个企业的企业信息来自多个数据持有方,所述知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点;
利用预先训练的图模型处理所述知识图谱,从而将各个节点的风险特征与其邻居节点的风险特征进行融合,得到各个企业分别对应的各个节点各自的关联特征;
根据各个企业各自对应的风险特征和关联特征,识别其风险性。
11.一种识别企业风险的装置,设于区块链网络中的第一节点,所述区块链网络中预先部署有用于识别企业风险的第一智能合约;所述装置包括:
接收单元,配置为接收调用所述第一智能合约的第一交易,所述第一交易指定有待识别企业;
执行单元,配置为执行所述第一智能合约,在可信执行环境TEE中实现企业风险预测过程,所述执行单元进一步包括:
获取模块,配置为数据持有方获取基于包括所述待识别企业在内的N个企业的企业信息构建的知识图谱,所述N个企业的企业信息来自多个数据持有方,所述知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点;
融合模块,配置为利用预先训练的图模型处理所述知识图谱,从而将各个节点的风险特征与其邻居节点的风险特征进行融合,得到所述待识别企业对应的节点的关联特征;
识别模块,配置为根据所述待识别企业对应的风险特征和所述关联特征,识别所述待识别企业的风险性。
12.一种监测企业风险的装置,设于区块链网络中的第一节点,所述区块链网络中预先部署有用于识别企业风险的第一智能合约;所述装置包括:
接收单元,配置为接收调用所述第一智能合约的第一交易;
执行单元,配置为执行所述第一智能合约,从而在可信执行环境TEE中实现风险预测过程,所述执行单元进一步包括:
获取模块,配置为获取基于N个企业的企业信息构建的知识图谱,所述N个企业的企业信息来自多个数据持有方,所述知识图谱包括从企业信息中提取的各个企业的风险特征,以及与各个企业一一对应的各个节点数据持有方;
融合模块,配置为利用预先训练的图模型处理所述知识图谱,将各个节点的风险特征与其邻居节点的风险特征进行融合,得到各个企业分别对应的各个节点各自的关联特征;
识别模块,配置为根据各个企业各自对应的风险特征和关联特征,识别其风险性。
13.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-10中第一设备或区块链网络执行的方法。
14.一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-10的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741318.5A CN113361962A (zh) | 2021-06-30 | 2021-06-30 | 基于区块链网络识别企业风险性的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741318.5A CN113361962A (zh) | 2021-06-30 | 2021-06-30 | 基于区块链网络识别企业风险性的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361962A true CN113361962A (zh) | 2021-09-07 |
Family
ID=77537694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110741318.5A Pending CN113361962A (zh) | 2021-06-30 | 2021-06-30 | 基于区块链网络识别企业风险性的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361962A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836552A (zh) * | 2021-09-18 | 2021-12-24 | 中国人民解放军63921部队 | 一种基于区块链的微纳星簇智能感知方法及其应用 |
CN113869383A (zh) * | 2021-09-17 | 2021-12-31 | 北京中科闻歌科技股份有限公司 | 变票实体检测方法及*** |
CN113869740A (zh) * | 2021-09-29 | 2021-12-31 | 赛飞特工程技术集团有限公司 | 基于区块链的企业隐患责任评估方法和*** |
CN114066081A (zh) * | 2021-11-23 | 2022-02-18 | 北京恒通慧源大数据技术有限公司 | 基于图注意力网络的企业风险预测方法、装置和电子设备 |
CN114219287A (zh) * | 2021-12-15 | 2022-03-22 | 中国软件与技术服务股份有限公司 | 一种基于图神经网络的纳税人风险评测方法 |
CN114553516A (zh) * | 2022-02-18 | 2022-05-27 | 支付宝(杭州)信息技术有限公司 | 一种数据的处理方法、装置及设备 |
CN115063056A (zh) * | 2022-08-18 | 2022-09-16 | 西南交通大学 | 基于图拓扑分析改进的建造行为安全风险动态分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及*** |
CN110889556A (zh) * | 2019-11-28 | 2020-03-17 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和*** |
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 |
CN111899089A (zh) * | 2020-07-01 | 2020-11-06 | 苏宁金融科技(南京)有限公司 | 基于知识图谱的企业风险预警方法及*** |
CN112465411A (zh) * | 2021-01-27 | 2021-03-09 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
CN112732937A (zh) * | 2021-01-12 | 2021-04-30 | 平安资产管理有限责任公司 | 基于知识图谱的隐藏关系获取方法、装置、设备和介质 |
-
2021
- 2021-06-30 CN CN202110741318.5A patent/CN113361962A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及*** |
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 |
CN110889556A (zh) * | 2019-11-28 | 2020-03-17 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和*** |
CN111899089A (zh) * | 2020-07-01 | 2020-11-06 | 苏宁金融科技(南京)有限公司 | 基于知识图谱的企业风险预警方法及*** |
CN112732937A (zh) * | 2021-01-12 | 2021-04-30 | 平安资产管理有限责任公司 | 基于知识图谱的隐藏关系获取方法、装置、设备和介质 |
CN112465411A (zh) * | 2021-01-27 | 2021-03-09 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869383A (zh) * | 2021-09-17 | 2021-12-31 | 北京中科闻歌科技股份有限公司 | 变票实体检测方法及*** |
CN113836552A (zh) * | 2021-09-18 | 2021-12-24 | 中国人民解放军63921部队 | 一种基于区块链的微纳星簇智能感知方法及其应用 |
CN113869740A (zh) * | 2021-09-29 | 2021-12-31 | 赛飞特工程技术集团有限公司 | 基于区块链的企业隐患责任评估方法和*** |
CN114066081A (zh) * | 2021-11-23 | 2022-02-18 | 北京恒通慧源大数据技术有限公司 | 基于图注意力网络的企业风险预测方法、装置和电子设备 |
CN114066081B (zh) * | 2021-11-23 | 2022-04-26 | 北京恒通慧源大数据技术有限公司 | 基于图注意力网络的企业风险预测方法、装置和电子设备 |
CN114219287A (zh) * | 2021-12-15 | 2022-03-22 | 中国软件与技术服务股份有限公司 | 一种基于图神经网络的纳税人风险评测方法 |
CN114553516A (zh) * | 2022-02-18 | 2022-05-27 | 支付宝(杭州)信息技术有限公司 | 一种数据的处理方法、装置及设备 |
CN115063056A (zh) * | 2022-08-18 | 2022-09-16 | 西南交通大学 | 基于图拓扑分析改进的建造行为安全风险动态分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361962A (zh) | 基于区块链网络识别企业风险性的方法及装置 | |
US20190164173A1 (en) | Synthetic online entity detection | |
US10872166B2 (en) | Systems and methods for secure prediction using an encrypted query executed based on encrypted data | |
CN112534453A (zh) | 区块链交易安全 | |
CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
US11809577B2 (en) | Application of trained artificial intelligence processes to encrypted data within a distributed computing environment | |
US20200098053A1 (en) | Method and system for user data driven financial transaction description dictionary construction | |
US20240184919A1 (en) | Batch tokenization service | |
US20220108133A1 (en) | Sharing financial crime knowledge | |
US11985153B2 (en) | System and method for detecting anomalous activity based on a data distribution | |
CN112200382A (zh) | 一种风险预测模型的训练方法和装置 | |
CN112801780A (zh) | 基于联邦学习的境内外风险客户识别方法、装置及*** | |
Di Castri et al. | Financial authorities in the era of data abundance: Regtech for regulators and suptech solutions | |
US11164245B1 (en) | Method and system for identifying characteristics of transaction strings with an attention based recurrent neural network | |
CN112101609A (zh) | 关于用户还款及时性的预测***、方法、装置及电子设备 | |
Bajpai et al. | Big data analytics in cyber security | |
CA3131616A1 (en) | System and method for detecting anomalous activity based on a data distribution | |
Verma et al. | Impact of Blockchain Technology on E-Commerce | |
Xu | AI fairness in the financial industry: A machine learning pipeline approach | |
US20240111892A1 (en) | Systems and methods for facilitating on-demand artificial intelligence models for sanitizing sensitive data | |
US20240111891A1 (en) | Systems and methods for sanitizing sensitive data and preventing data leakage using on-demand artificial intelligence models | |
US20230186070A1 (en) | Artificial intelligence based data processing in enterprise application | |
US11790381B1 (en) | System and method for attribute selection for expert matchmaking | |
US20240111890A1 (en) | Systems and methods for sanitizing sensitive data and preventing data leakage from mobile devices | |
US20230245139A1 (en) | Graph-based techniques for detecting synthetic online identities |
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: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |