CN114048330B - 风险传导概率知识图谱生成方法、装置、设备及存储介质 - Google Patents
风险传导概率知识图谱生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114048330B CN114048330B CN202111432680.0A CN202111432680A CN114048330B CN 114048330 B CN114048330 B CN 114048330B CN 202111432680 A CN202111432680 A CN 202111432680A CN 114048330 B CN114048330 B CN 114048330B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- probability
- knowledge graph
- risk
- relation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 97
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 17
- 238000007477 logistic regression Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000012800 visualization Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本申请涉及人工智能技术领域,揭露了一种风险传导概率知识图谱生成方法、装置、设备及存储介质,所述方法包括:获取企业数据;对企业数据进行三元组提取,根据图数据库以及三元组构建知识图谱,并根据三元组构建企业关系对;利用风险计算模型计算企业关系对间的风险传导概率,得到各企业关系对间的第一概率;基于企业数据中的企业名称,将带有第一概率的企业关系对结合到知识图谱中,得到带有风险传导概率的知识图谱;当企业出现异常情况时,基于带有风险传导概率的知识图谱,利用异常判断条件进行判断,得到知识图谱中符合异常判断条件的企业名称并输出。本申请还涉及区块链技术,企业数据存储于区块链中。本申请提高了风险的识别能力及准确性。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种风险传导概率知识图谱生成方法、装置、设备及存储介质。
背景技术
金融的本质是风险管理,风控是所有金融业务的核心。近年来,信用风险管理发展呈现出数据化、模型化、***化、自动化和智能化的特点。目前业内应用于信贷场景的大数据模型几乎是针对于当前客户的信贷表现情况及征信信息等数据实现客户逾期风险的预测,但是客户的信贷表现情况不仅仅受其自身的影响,还会受到其他客观条件影响,例如行业环境、相关人员和企业影响等,“近朱者赤,近墨者黑”,信贷逾期风险也会沿着客户的关系链发生传播,导致周边亲密的关系客户未来发生逾期的概率增大。因此,如何基于关系链来计算客户间的风险传导概率成为了亟待解决的问题。
发明内容
本申请提供了一种风险传导概率知识图谱生成方法、装置、设备及存储介质,以解决现有技术中,如何基于关系链来计算客户间的风险传导概率的问题。
为解决上述问题,本申请提供了一种风险传导概率知识图谱生成方法,包括:
获取企业数据;
对所述企业数据进行三元组提取,根据图数据库以及所述三元组构建知识图谱,并根据所述三元组构建企业关系对;
利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率,所述风险计算模型由逻辑回归模型训练得到;
基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有所述风险传导概率的知识图谱;
当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。
进一步的,所述对所述企业数据进行三元组提取包括:
将所述企业数据输入关系抽取模型进行关系抽取,得到所述三元组,所述关系抽取模型为基于Bert-LSTM-Crf模型训练得到的。
进一步的,所述将所述企业数据输入关系抽取模型进行关系抽取,得到所述三元组包括:
将所述企业数据输入所述关系抽取模型中的Bert层进行编码,得到企业数据对应的文本向量,所述Bert层中包括掩码多头注意力结构;
所述文本向量经所述关系抽取模型中的LSTM层,得到所述企业数据中各字词对应的类型分布概率;
所述企业数据中各字词对应的类型分布概率经所述关系抽取模型中的Crf层,得到所述企业数据中的所述三元组。
进一步的,所述利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率包括:
基于所述企业数据,提取各所述企业对应入模特征;
将各所述企业的入模特征与对应的所述企业关系对相结合,构成入模样本;
所述风险计算模型根据所述入模型样本进行计算,得到所述企业关系对间的第一概率。
进一步的,所述当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断包括:
获取出现异常情况的所述企业在所述带有所述风险传导概率的知识图谱中的第一位置;
基于所述第一位置,通过所述异常判断条件中的预设传导概率和预设传导路径长度,来对所述带有风险传导概率的知识图谱中的企业进行筛选判断。
进一步的,所述基于所述第一位置,通过所述异常判断条件中的预设传导概率和预设传导路径长度,来对所述带有风险传导概率的知识图谱中的企业进行筛选判断包括:
将所述第一位置为中心,预设传导路径为距离的范围内的企业,作为待判断企业;
获取所述待判断企业在所述带有风险传导概率的知识图谱中的第二位置,并依次将所述第一位置至第二位置路径上的企业关系对对应的第一概率相乘,得到第二概率;
将所述第二概率与所述预设传导概率进行判断,当所述第二概率大于等于所述预设传导概率时,则确定所述待判断企业异常并输出对应的企业名称;当所述第二概率小于所述预设传导概率时,判断下一所述待判断企业是否异常,直至所有所述待判断企业都判断完成。
进一步的,在所述待判断企业都判断完成之后,还包括:
获取判断结果为异常的所述待判断企业对应的第二概率;
基于所述第二概率,对所述判断结果为异常的所述待判断企业进行排序,以得到预警清单;
输出所述预警清单。
为了解决上述问题,本申请还提供一种风险传导概率知识图谱生成装置,所述装置包括:
获取模块,用于获取企业数据;
构建模块,用于对所述企业数据进行三元组提取,根据图数据库以及所述三元组构建知识图谱,并根据所述三元组构建企业关系对;
概率计算模块,用于利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率,所述风险计算模型由逻辑回归模型训练得到;
结合模块,用于基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有所述风险传导概率的知识图谱;
预警模块,用于当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。
为了解决上述问题,本申请还提供一种计算机设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的风险传导概率知识图谱生成方法。
为了解决上述问题,本申请还提供一种非易失性的计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的风险传导概率知识图谱生成方法。
根据本申请实施例提供的一种风险传导概率知识图谱生成方法、装置、设备及存储介质,与现有技术相比至少具有以下有益效果:
通过获取多个企业对应的企业数据,并对企业数据进行三元组提取,随后根据图数据库以及所述三元组构建知识图谱,并且还根据所述三元组构建企业关系对;利用预训练后得到的风险计算模型计算所述企业关系对间的风险传导概率,得到所述企业关系对间的第一概率,是对企业间风险传导的量化,基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有风险传导概率的知识图谱,实现在知识图谱中企业将的关系都带有风险传导概率,当企业出现异常情况时,基于带有风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。实现提高了风险的识别能力及准确性,且实现了风险传导的可视化。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图做一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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他的附图。
图1为本申请一实施例提供的风险传导概率知识图谱生成方法的流程示意图;
图2为本申请一实施例提供的风险传导概率知识图谱生成装置的模块示意图;
图3为本申请一实施例的计算机设备的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是是相同的实施例,也不是与其它实施例相互排斥的独立的或备选的实施例。本领域技术人员显式地或隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请提供一种风险传导概率知识图谱生成方法。参照图1所示,图1为本申请一实施例提供的风险传导概率知识图谱生成方法的流程示意图。
在本实施例中,风险传导概率知识图谱生成方法包括:
S1、获取企业数据;
具体的,在本申请中,可通过直接接收用户输入的企业数据,或从数据库中提取企业数据。所述企业数据包括大量企业基于工商、信贷、财务等行内外数据。
进一步的,所述获取各企业数据包括:
向预设知识库发送调用请求,所述调用请求携带验签令牌;
接收所述知识库返回的验签结果,并在验签结果为通过时,调用所述预设知识库中的所述企业数据,所述验签结果为所述知识库根据所述验签令牌进行RSA非对称加密方式验证得到。
具体的,由于企业数据,可能会涉及用户的隐私数据,所以对于企业数据都会保存至预设数据库中,所以在获取企业数据时,数据库会进行验签步骤,以保证数据的安全,避免泄露数据等问题。
通过验签调用的方式,保证了数据的安全,避免出现泄漏的情况。
进一步的,在所述获取企业数据之前,还包括:
获取训练数据,所述训练数据包括历史企业数据以及历史关系对;
将所述历史企业数据以及历史关系对输入所述逻辑回归模型进行训练,得到所述风险计算模型。
具体的,所述历史关系对为企业与企业间的关系,在本申请中,所述历史企业数据包括工商数据、信贷数据和财务数据等。所述工商数据包括但不限于是否有失信被执行人、注册资本、对外投资企业数、行政处罚金额、是否有股权冻结、所处行业大类;所述财务数据包括但不限于企业的净资产、资产负债率、应收账款周转次数、销售利润率、销售收入增长率、主营业务收入现金率、经营活动现金净流量与流动负债比例;
现在有个n数据元组{X1,X2,…,Xn},每个数据元组对应了一个标签yi,同时每个数据元组X1有m个特征{x1,x2,…,xm},用逻辑回归模型进行训练,可得到Z=f(X)=w0+w1x1+w2x2+…+wmxm,其中x1,x2,…,xm为m个特征,w1,w2,…,wm为m个权重系数,通过sigmoid函数将Z=f(x)转化成0到1的概率,通过利用历史企业数据以及历史关系对不断对逻辑回归模型进行训练,使各权重系数收敛。
并且在训练之前,对历史企业关系对中添加风险传导标签,作为逻辑回归计算关系对中的风险传导概率的样本,风险传导标签设定规则如下:以发生信贷逾期为风险传导事件,若关系对中的企业节点先后发生逾期且间隔不超过半年即定义为发生了风险传导,标签设定为1;若关系对中只有一家企业发生逾期,则定义未发生风险传导,标签设定为0。并且企业关系对中的企业在同一天发生了逾期行为,则将该企业关系对剔除出训练数据,不予使用。
通过利用历史企业数据以及历史关系对来训练逻辑回归模型,得到本申请的风险计算模型,使最终得到的风险计算模型的效果更好,得到的数值贴合实际情况。
S2、对所述企业数据进行三元组提取,根据图数据库以及所述三元组构建知识图谱,并根据所述三元组构建企业关系对;
具体的,通过对各企业数据进行三元组提取,并且以企业数据抽取法人关系、董监高关系、股权关系、担保关系、交易关系,5中类型的三元组。并且在得到5种类型的三元组后,结合neo4j图数据库,从而构建得到知识图谱;还根据所述三元组来构建企业关系对,所述企业关系对为企业与企业间的关系,因此法人关系、董监高关系、股权关系需进一步加工成同法人关系、同董监高关系、同股东关系,担保关系和交易关系只考虑企业之间的关系,所以不用做进一步加工,基于以上转化成企业之间的关系对。
通过对各企业数据的对应的各类型三元组,再次分类型整合,例如将同一人在多家企业任法人的情况进行整合,相当于以一人为节点,与多个企业节点相连接,得到同法人关系,所述同董监高关系、同股东关系同理;而所述担保关系和交易关系在开始时就近考虑了企业间的关系,所以不做处理。
具体的,可利用匹配模型将同类型的三元组进行合并,所述匹配模型利用Bimpm(Bilateral Multi-perspective Matching,文本匹配模型)模型训练得到。
所述Bimpm模型对于两个句子P和Q,该模型首先利用BiLSTM encoder将两个句子进行编码,然后从两个方向对以及编码的句子进行匹配,P到Q和Q到P,在每个方向上,例如从P到Q,P的每一个step和Q的step进行匹配,Q可以选择last step、Maxpooling、Attentive等方式参与匹配,这样可以获得与P的维度相同的输出匹配向量,最后送入全连接神经网络,并最终输出匹配值。
Neo4j图数据库是一个高性能的,NOSQL图形数据库,它将结构化数据存储在网络上而不是表中。
进一步的,所述对所述企业数据进行三元组提取包括:
将所述企业数据输入关系抽取模型进行关系抽取,得到所述三元组,所述关系抽取模型为基于Bert(Bidirectional Encoder Representation from Transformers,语言表征模型)-LSTM(Long short-term memory,长短期记忆)-Crf(Conditional RandomField,条件随机场)模型训练得到的。
具体的,通过利用关系抽取模型对企业数据进行关系抽取,此处的关系抽取包括所述关系对应的实体以及事件,将实体、关系和事件进行对应组合成三元组。
其中,Bert-LSTM-Crf模型为一种常见的实体、关系抽取模型,通对Bert-LSTM-Crf模型预训练,得到关系抽取模型,能很好用于本申请的网络安全数据领域的实体及关系抽取。本申请的Bert层的结构与现有技术并不一样,而是对现有Bert模型结构的基础上,引入掩码多头注意力结构。
通过利用关系抽取模型来对企业数据中的各实体关系进行抽取,得到三元组,提高了处理效率。
在本申请的其他实施例中,还可利用现有的结构化数据进行三元组提取。
再进一步的,所述将所述企业数据输入关系抽取模型进行关系抽取,得到所述三元组包括:
将所述企业数据输入所述关系抽取模型中的Bert层进行编码,得到企业数据对应的文本向量,所述Bert层中包括掩码多头注意力结构;
所述文本向量经所述关系抽取模型中的LSTM层,得到所述企业数据中各字词对应的类型分布概率;
所述企业数据中各字词对应的类型分布概率经所述关系抽取模型中的Crf层,得到所述企业数据中的所述三元组。
具体的,所述bert层相较于现有技术中的bert模型,将bert模型中的多头掩码注意力结构替换为掩码多头注意力结构,所述掩码多头注意力结构即Masked Multi-HeadAttention,从而提高了本申请的bert层对文本的上下文信息的提取能力,经bert处理后,得到企业数据对应的文本向量,再经LSTM层以及Crf层处理,以得到企业数据对应的三元组数据。
通过引入掩码多头注意力结构提高了bert层的处理能力,使得最终的关系抽取模型的抽取效果更好。
S3、利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率,所述风险计算模型由逻辑回归模型训练得到;
具体的,利用已训练完毕的风险计算模型计算所述企业关系对间的风险传导概率进行计算,得到各所述企业关系对间的第一概率;
所述公式为Z=f(X)=w0+w1x1+w2x2+…+wmxm,其中x1,x2,…,xm为m个特征,w1,w2,…,wm为m个权重系数,通过sigmoid函数将Z=f(x)转化成0到1的概率,公式如下:
进一步的,所述利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率包括:
基于所述企业数据,提取各所述企业对应入模特征;
将各所述企业的入模特征与对应的所述企业关系对相结合,构成入模样本;
所述风险计算模型根据所述入模型样本进行计算,得到所述企业关系对间的第一概率。
具体的,入模特征包括工商数据以及财务数据,工商数据包括是否有失信被执行人、注册资本、对外投资企业数、行政处罚金额、是否有股权冻结、行业大类;财务数据包括企业的净资产、资产负债率、应收账款周转次数、销售利润率、销售收入增长率、主营业务收入现金率、经营活动现金净流量与流动负债比例;一共13个入模特征结合企业关系对构成入模样本。将所述入模样本输入到风险计算模型中,得到所述企业关系对间的第一概率。
通过提取特定的入模特征,并与先前得到的企业关系对相结合,得到入模样本,所述风险计算模型根据所述入模样本进行计算,得到所述企业关系对间的第一概率,提高第一概率计算的准确率。
S4、基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有所述风险传导概率的知识图谱;
具体的,通过将带有第一概率的企业关系对结合到所述知识图谱中,使得所述知识图谱中两个有关联企业之间还带有风险传导概率,得到带有风险传导概率的知识图谱。
S5、当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。
具体的,当所述企业数据中有企业出现异常情况时,即出现发生逾期的客户企业时,在利用带有风险传导概率的知识图谱的基础上,再利用异常判断条件进行判断,得到符合所述异常判断条件的企业名称并输出。所述异常判断条件包括预设传导概率和预设传导路径长度。
所述企业为所述企业数据中包括的一个或多个企业。
进一步的,所述当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断包括:
获取出现异常情况的所述企业在所述带有所述风险传导概率的知识图谱中的第一位置;
基于所述第一位置,通过所述异常判断条件中的预设传导概率和预设传导路径长度,来对所述带有风险传导概率的知识图谱中的企业进行筛选判断。
具体的,首先获取到所述异常情况的所述企业在所述带有风险传导概率的知识图谱的第一位置,基于第一位置,通过所述异常判断条件中的预设传导路径长度来确定待判断企业,随后利用所述预设传导概率来对待判断企业进行判断,得到所述待判断企业中符合异常判断条件的企业。
通过第一位置、异常判断条件来对可能被风险传导的企业进行筛选判断,从而得到异常企业,实现对异常企业的预先掌握。
再进一步的,所述基于所述第一位置,通过所述异常判断条件中的预设传导概率和预设传导路径长度,来对所述带有风险传导概率的知识图谱中的企业进行筛选判断包括:
将所述第一位置为中心,预设传导路径为距离的范围内的企业,作为待判断企业;
获取所述待判断企业在所述带有风险传导概率的知识图谱中的第二位置,并依次将所述第一位置至第二位置路径上的企业关系对对应的第一概率相乘,得到第二概率;
将所述第二概率与所述预设传导概率进行判断,当所述第二概率大于等于所述预设传导概率时,则确定所述待判断企业异常并输出对应的企业名称;当所述第二概率小于所述预设传导概率时,判断下一所述待判断企业是否异常,直至所有所述待判断企业都判断完成。
具体的,将所述第一位置为中心,预设传导路径为距离,获取该范围内的所有企业,将其作为待判断企业。在一实施例中,所述预设传导路径为3,即在第一位置与所述某一企业的传播路径距离小于等于3时,即为待判断企业。例如当企业A为逾期客户企业时,企业A与企业B在知识图谱中相连,企业B与企业C在知识图谱中相连,所以企业A与企业C的传播路径距离为2,小于3,所以企业C也为待判断客户;
获取所述待判断企业在所述带有风险传导概率的知识图谱中的第二位置,依次将所述第一位置至第二位置路径上的企业关系对对应的第一概率相乘,得到第二概率,例如得到企业C的第二位置,第一位置至第二位置的传播路径为企业A到企业B再到企业C,即对应的关系对为企业A-企业B、企业B-企业C,其对应的第一概率为0.82和0.91,所以第二概率即0.82x0.91=0.7462,将第二概率在与预设传导概率进行判断,当所述第二概率大于等于预设传导概率时,则确定所述待判断企业异常并输出对应的企业名称;当所述第二概率小于所述预设传导概率时,判断下一所述待判断企业是否异常,直至所述待判断企业都判断完成。
首先通过预设传导路径来对待判断企业进行确定,随后依次对待判断企业与出现异常情况企业所处第一位置间的第一概率进行获取并相乘,得到第二概率,根据第二概率来进行判断,确定待判断企业是否异常,提高了计算效率以及计算准确性。
又进一步的,在所述待判断企业都判断完成之后,还包括:
获取判断结果为异常的所述待判断企业对应的第二概率;
基于所述第二概率,对所述判断结果为异常的所述待判断企业进行排序,以得到预警清单;
输出所述预警清单。
具体的,最后还对判断结果为异常的所述待判断企业进行排序,基于其对应的第二概率的大小,以降序进行排序,得到预警清单并输出至客户端。
通过对确定为异常的待判断企业进行排序,得到并输出预警清单,实现数据的可视化。
需要强调的是,为了进一步保证数据的私密性和安全性,所述企业数据的所有数据还可以存储于一区块链的节点中。
本申请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。
通过获取多个企业对应的企业数据,并对企业数据进行三元组提取,随后根据图数据库以及所述三元组构建知识图谱,并且还根据所述三元组构建企业关系对;利用预训练后得到的风险计算模型计算所述企业关系对间的风险传导概率,得到所述企业关系对间的第一概率,是对企业间风险传导的量化,基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有风险传导概率的知识图谱,实现在知识图谱中企业将的关系都带有风险传导概率,当企业出现异常情况时,基于带有风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。实现提高了风险的识别能力及准确性,且实现了风险传导的可视化。
本实施例还提供一种风险传导概率知识图谱生成装置,如图2所示,是本申请风险传导概率知识图谱生成装置的功能模块图。
本申请所述风险传导概率知识图谱生成装置100可以安装于电子设备中。根据实现的功能,所述风险传导概率知识图谱生成装置100可以包括获取模块101、构建模块102、概率计算模块103、结合模块104和预警模块105。本申请所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
获取模块101,用于获取企业数据;
进一步的,所述获取模块包括请求发送子模块和数据调用子模块;
请求发送子模块,用于向预设知识库发送调用请求,所述调用请求携带验签令牌;
数据调用子模块,用于接收所述知识库返回的验签结果,并在验签结果为通过时,调用所述预设知识库中的所述企业数据,所述验签结果为所述知识库根据所述验签令牌进行RSA非对称加密方式验证得到。
通过请求发送子模块和数据调用子模块的配合,通过验签调用的方式,保证了数据的安全,避免出现泄漏的情况。
进一步的,所述风险传导概率知识图谱生成装置100还包括训练数据获取模块和训练模块;
所述训练数据获取模块,用于获取训练数据,所述训练数据包括历史企业数据以及历史关系对;
所述训练模块,用于将所述历史企业数据以及历史关系对输入所述逻辑回归模型进行训练,得到所述风险计算模型。
通过训练数据获取模块和训练模块的配合,利用历史企业数据以及历史关系对来训练逻辑回归模型,得到本申请的风险计算模型,使最终得到的风险计算模型的效果更好,得到的数值贴合实际情况。
构建模块102,用于对所述企业数据进行三元组提取,根据图数据库以及所述三元组构建知识图谱,并根据所述三元组构建企业关系对;
进一步的,所述构建模块102包括模型抽取子模块;
所述模型抽取子模块,用于将所述企业数据输入关系抽取模型进行关系抽取,得到所述三元组,所述关系抽取模型为基于Bert-LSTM-Crf模型训练得到的。
通过模型抽取子模块利用关系抽取模型来对企业数据中的各实体关系进行抽取,得到三元组,提高了处理效率。
再进一步的,所述模型抽取子模块包括编码单元、类型分布概率计算单元和随机单元;
所述编码单元,用于将所述企业数据输入所述关系抽取模型中的Bert层进行编码,得到企业数据对应的文本向量,所述Bert层中包括掩码多头注意力结构;
所述类型分布概率计算单元,用于所述文本向量经所述关系抽取模型中的LSTM层,得到所述企业数据中各字词对应的类型分布概率;
所述随机单元,用于所述企业数据中各字词对应的类型分布概率经所述关系抽取模型中的Crf层,得到所述企业数据中的所述三元组。
通过编码单元、类型分布概率计算单元和随机单元的配合,引入掩码多头注意力结构提高了bert层的处理能力,使得最终的关系抽取模型的抽取效果更好。
概率计算模块103,用于利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率,所述风险计算模型由逻辑回归模型训练得到;
进一步的,所述概率计算模块103包括特征提取子模块、特征结合子模块和入模计算子模块;
所述特征提取子模块,用于基于所述企业数据,提取各所述企业对应入模特征;
所述特征结合子模块,用于将各所述企业的入模特征与对应的所述企业关系对相结合,构成入模样本;
所述入模计算子模块,用于所述风险计算模型根据所述入模型样本进行计算,得到所述企业关系对间的第一概率。
通过特征提取子模块、特征结合子模块和入模计算子模块的配合,提取特定的入模特征,并与先前得到的企业关系对相结合,得到入模样本,所述风险计算模型根据所述入模样本进行计算,得到所述企业关系对间的第一概率,提高第一概率计算的准确率。
结合模块104,用于基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有所述风险传导概率的知识图谱;
预警模块105,用于当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。
进一步的,所述预警模块105包括定位子模块和筛选判断子模块;
所述定位子模块,用于获取出现异常情况的所述企业在所述带有所述风险传导概率的知识图谱中的第一位置;
所述筛选判断子模块,用于基于所述第一位置,通过所述异常判断条件中的预设传导概率和预设传导路径长度,来对所述带有风险传导概率的知识图谱中的企业进行筛选判断。
通过定位子模块和筛选判断子模块的配合,通过第一位置、异常判断条件来对可能被风险传导的企业进行筛选判断,从而得到异常企业,实现对异常企业的预先掌握。
再进一步的,所述筛选判断子模块包括企业确定单元、传导概率计算单元和判断单元;
所述企业确定单元,用于将所述第一位置为中心,预设传导路径为距离的范围内的企业,作为待判断企业;
所述传导概率计算单元,用于获取所述待判断企业在所述带有风险传导概率的知识图谱中的第二位置,并依次将所述第一位置至第二位置路径上的企业关系对对应的第一概率相乘,得到第二概率;
所述判断单元,用于将所述第二概率与所述预设传导概率进行判断,当所述第二概率大于等于所述预设传导概率时,则确定所述待判断企业异常并输出对应的企业名称;当所述第二概率小于所述预设传导概率时,判断下一所述待判断企业是否异常,直至所有所述待判断企业都判断完成。
通过企业确定单元、传导概率计算单元和判断单元的配合,通过预设传导路径来对待判断企业进行确定,随后依次对待判断企业与出现异常情况企业所处第一位置间的第一概率进行获取并相乘,得到第二概率,根据第二概率来进行判断,确定待判断企业是否异常,提高了计算效率以及计算准确性。
又进一步的,所述筛选判断子模块还包括异常企业获取单元、排序单元和输出单元;
所述异常企业获取单元,用于获取判断结果为异常的所述待判断企业对应的第二概率;
所述排序单元,用于基于所述第二概率,对所述判断结果为异常的所述待判断企业进行排序,以得到预警清单;
所述输出单元,用于输出所述预警清单。
通过异常企业获取单元、排序单元和输出单元的配合,对确定为异常的待判断企业进行排序,得到并输出预警清单,实现数据的可视化。
通过采用上述装置,所述风险传导概率知识图谱生成装置100通过获取模块101、构建模块102、概率计算模块103、结合模块104和预警模块105的配合使用,通过获取多个企业对应的企业数据,并对企业数据进行三元组提取,随后根据图数据库以及所述三元组构建知识图谱,并且还根据所述三元组构建企业关系对;利用预训练后得到的风险计算模型计算所述企业关系对间的风险传导概率,得到所述企业关系对间的第一概率,是对企业间风险传导的量化,基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有风险传导概率的知识图谱,实现在知识图谱中企业将的关系都带有风险传导概率,当企业出现异常情况时,基于带有风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。实现提高了风险的识别能力及准确性,且实现了风险传导的可视化。
本申请实施例还提供一种计算机设备。具体请参阅图3,图3为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,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。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述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,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4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(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如风险传导概率知识图谱生成方法的计算机可读指令等。此外,所述存储器41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。
所述处理器42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42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述风险传导概率知识图谱生成方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例风险传导概率知识图谱生成方法的步骤,通过获取多个企业对应的企业数据,并对企业数据进行三元组提取,随后根据图数据库以及所述三元组构建知识图谱,并且还根据所述三元组构建企业关系对;利用预训练后得到的风险计算模型计算所述企业关系对间的风险传导概率,得到所述企业关系对间的第一概率,是对企业间风险传导的量化,基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有风险传导概率的知识图谱,实现在知识图谱中企业将的关系都带有风险传导概率,当企业出现异常情况时,基于带有风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。实现提高了风险的识别能力及准确性,且实现了风险传导的可视化。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的风险传导概率知识图谱生成方法的步骤,通过获取多个企业对应的企业数据,并对企业数据进行三元组提取,随后根据图数据库以及所述三元组构建知识图谱,并且还根据所述三元组构建企业关系对;利用预训练后得到的风险计算模型计算所述企业关系对间的风险传导概率,得到所述企业关系对间的第一概率,是对企业间风险传导的量化,基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有风险传导概率的知识图谱,实现在知识图谱中企业将的关系都带有风险传导概率,当企业出现异常情况时,基于带有风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出。实现提高了风险的识别能力及准确性,且实现了风险传导的可视化。
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。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请上述实施例的风险传导概率知识图谱生成装置、计算机设备、计算机可读存储介质具有与上述实施例的风险传导概率知识图谱生成方法相同的技术效果,在此不作展开。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (6)
1.一种风险传导概率知识图谱生成方法,其特征在于,所述方法包括:
获取企业数据;
对所述企业数据进行三元组提取,根据图数据库以及所述三元组构建知识图谱,并根据所述三元组构建企业关系对;
利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率,所述风险计算模型由逻辑回归模型训练得到;
基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有所述风险传导概率的知识图谱;
当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出;
其中,所述对所述企业数据进行三元组提取包括:
将所述企业数据输入关系抽取模型进行关系抽取,得到所述三元组,所述关系抽取模型为基于Bert-LSTM-Crf模型训练得到的;
其中,所述将所述企业数据输入关系抽取模型进行关系抽取,得到所述三元组包括:
将所述企业数据输入所述关系抽取模型中的Bert层进行编码,得到企业数据对应的文本向量,所述Bert层中包括掩码多头注意力结构;
所述文本向量经所述关系抽取模型中的LSTM层,得到所述企业数据中各字词对应的类型分布概率;
所述企业数据中各字词对应的类型分布概率经所述关系抽取模型中的Crf层,得到所述企业数据中的所述三元组;
其中,所述当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断包括:
获取出现异常情况的所述企业在所述带有所述风险传导概率的知识图谱中的第一位置;
基于所述第一位置,通过所述异常判断条件中的预设传导概率和预设传导路径长度,来对所述带有所述风险传导概率的知识图谱中的企业进行筛选判断;
其中,所述基于所述第一位置,通过所述异常判断条件中的预设传导概率和预设传导路径长度,来对所述带有所述风险传导概率的知识图谱中的企业进行筛选判断包括:
将所述第一位置为中心,预设传导路径为距离的范围内的企业,作为待判断企业;
获取所述待判断企业在所述带有所述风险传导概率的知识图谱中的第二位置,并依次将所述第一位置至第二位置路径上的企业关系对对应的第一概率相乘,得到第二概率;
将所述第二概率与所述预设传导概率进行判断,当所述第二概率大于等于所述预设传导概率时,则确定所述待判断企业异常并输出对应的企业名称;当所述第二概率小于所述预设传导概率时,判断下一所述待判断企业是否异常,直至所有所述待判断企业都判断完成。
2.根据权利要求1所述的风险传导概率知识图谱生成方法,其特征在于,所述利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率包括:
基于所述企业数据,提取各所述企业对应入模特征;
将各所述企业的入模特征与对应的所述企业关系对相结合,构成入模样本;
所述风险计算模型根据所述入模样本进行计算,得到所述企业关系对间的第一概率。
3.根据权利要求1所述的风险传导概率知识图谱生成方法,其特征在于,在所述待判断企业都判断完成之后,还包括:
获取判断结果为异常的所述待判断企业对应的第二概率;
基于所述第二概率,对所述判断结果为异常的所述待判断企业进行排序,以得到预警清单;
输出所述预警清单。
4.一种风险传导概率知识图谱生成装置,其特征在于,所述装置包括:
获取模块,用于获取企业数据;
构建模块,用于对所述企业数据进行三元组提取,根据图数据库以及所述三元组构建知识图谱,并根据所述三元组构建企业关系对;
概率计算模块,用于利用风险计算模型计算所述企业关系对间的风险传导概率,得到各所述企业关系对间的第一概率,所述风险计算模型由逻辑回归模型训练得到;
结合模块,用于基于所述企业数据中的企业名称,将带有所述第一概率的所述企业关系对结合到所述知识图谱中,得到带有所述风险传导概率的知识图谱;
预警模块,用于当企业出现异常情况时,基于带有所述风险传导概率的知识图谱,利用异常判断条件进行判断,得到所述知识图谱中符合所述异常判断条件的企业名称并输出;
其中,所述构建模块包括模型抽取子模块;
所述模型抽取子模块,用于将所述企业数据输入关系抽取模型进行关系抽取,得到所述三元组,所述关系抽取模型为基于Bert-LSTM-Crf模型训练得到的;
其中,所述模型抽取子模块包括编码单元、类型分布概率计算单元和随机单元;
所述编码单元,用于将所述企业数据输入所述关系抽取模型中的Bert层进行编码,得到企业数据对应的文本向量,所述Bert层中包括掩码多头注意力结构;
所述类型分布概率计算单元,用于所述文本向量经所述关系抽取模型中的LSTM层,得到所述企业数据中各字词对应的类型分布概率;
所述随机单元,用于所述企业数据中各字词对应的类型分布概率经所述关系抽取模型中的Crf层,得到所述企业数据中的所述三元组;
其中,所述预警模块包括定位子模块和筛选判断子模块;
所述定位子模块,用于获取出现异常情况的所述企业在所述带有所述风险传导概率的知识图谱中的第一位置;
所述筛选判断子模块,用于基于所述第一位置,通过所述异常判断条件中的预设传导概率和预设传导路径长度,来对所述带有所述风险传导概率的知识图谱中的企业进行筛选判断;
其中,所述筛选判断子模块包括企业确定单元、传导概率计算单元和判断单元;
所述企业确定单元,用于将所述第一位置为中心,预设传导路径为距离的范围内的企业,作为待判断企业;
所述传导概率计算单元,用于获取所述待判断企业在所述带有所述风险传导概率的知识图谱中的第二位置,并依次将所述第一位置至第二位置路径上的企业关系对对应的第一概率相乘,得到第二概率;
所述判断单元,用于将所述第二概率与所述预设传导概率进行判断,当所述第二概率大于等于所述预设传导概率时,则确定所述待判断企业异常并输出对应的企业名称;当所述第二概率小于所述预设传导概率时,判断下一所述待判断企业是否异常,直至所有所述待判断企业都判断完成。
5.一种计算机设备,其特征在于,所述计算机设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至3中任一所述的风险传导概率知识图谱生成方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至3中任一所述的风险传导概率知识图谱生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432680.0A CN114048330B (zh) | 2021-11-29 | 风险传导概率知识图谱生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432680.0A CN114048330B (zh) | 2021-11-29 | 风险传导概率知识图谱生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048330A CN114048330A (zh) | 2022-02-15 |
CN114048330B true CN114048330B (zh) | 2024-06-25 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件***有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件***有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
Non-Patent Citations (1)
Title |
---|
知识图谱在商业银行风险管理中的应用;黄炜;周骏;冯云青;李丽;金杨一叶;王天蓝;;信息技术与标准化;20200510(第05期);第86-91页 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119413B (zh) | 数据融合的方法和装置 | |
WO2020073727A1 (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
CN113657993A (zh) | 信用风险识别方法、装置、设备及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN111639360A (zh) | 智能数据脱敏方法、装置、计算机设备及存储介质 | |
CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN114048330B (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
CN115860927A (zh) | 一种数据分析方法、装置、计算机设备及存储介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN115545753A (zh) | 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN114565470A (zh) | 基于人工智能的金融产品推荐方法、及其相关设备 | |
CN115713248A (zh) | 对用于交易所的数据打分和评价的方法 | |
CN114219664A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN113781247A (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
CN114048330A (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN114647861B (zh) | 人岗匹配方法、装置、设备及存储介质 | |
CN117350461B (zh) | 企业异常行为预警方法、***、计算机设备及存储介质 | |
CN116797380A (zh) | 金融数据处理方法及其相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |