CN114186799A - 基于异构图神经网络的企业估值方法及*** - Google Patents

基于异构图神经网络的企业估值方法及*** Download PDF

Info

Publication number
CN114186799A
CN114186799A CN202111381476.0A CN202111381476A CN114186799A CN 114186799 A CN114186799 A CN 114186799A CN 202111381476 A CN202111381476 A CN 202111381476A CN 114186799 A CN114186799 A CN 114186799A
Authority
CN
China
Prior art keywords
enterprise
nodes
node
heterogeneous
neural network
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
Application number
CN202111381476.0A
Other languages
English (en)
Inventor
杨杨
鲍然
祝恒书
肖亮
杨健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202111381476.0A priority Critical patent/CN114186799A/zh
Publication of CN114186799A publication Critical patent/CN114186799A/zh
Pending legal-status Critical Current

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于异构图神经网络的企业估值方法及***，属于图神经网络领域。该方法包括如下步骤：搭建行业异构图；待估值企业邻居采样；对采样节点注意力聚合学习；加权融合异构节点的聚合特征；预测企业估值。本发明采用图神经网络作为基本模型，在异构图神经网络的聚合学习中引入公司节点和人员节点的连接信息并通过注意力机制融合；由于引入了图神经网络算法，相较于传统专家估值效率大幅度提升，在公司和人员信息变更、市场出现波动时，可以对企业估值快速更新；从行业领域信息从高层次视角聚焦公司估值，依托海量数据有效地解决了专家对企业直接建模导致的认知偏差和主观局限性。

Description

基于异构图神经网络的企业估值方法及***
技术领域
本发明属于图神经网络领域，特别涉及一种基于异构图神经网络的企业估值方法及***。
背景技术
企业估值技术针对上市或未上市公司，依靠公司的估值模型从企业的资产和获利能力出发，对企业的内在价值进行评估。通过分析估值模型和挖掘相关影响因素，可以将对行业和公司的认知基础转化为具体的投资建议，此外基于模型能够预测公司策略、资本***易等对企业价值的影响。对企业价值进行合理地评估是投融资和各种交易的基础。
现有的企业估值方法依靠领域专家综合分析行业信息、公司核心资源等数据对公司的市场价值做出估计。传统的估值方法主要分为现金贴现法和相对估值法两种，前者用企业未来特定期间内的预期现金流量还原为当前现值，从企业基本情况出发，评估专家通过分析影响企业未来获利的各种因素来对现金流做出合理预测，并基于对企业未来的风险判断给出折现率，通过现金流和折现率做出企业估值；后者通过寻找可比资产或公司，使用市盈率、市净率、市售率、市现率等价格指标与可比资产或公司进行对比，借用可比资产或公司价值来估计企业价值。经过研究发现，现有的估值方法存在的问题主要有：
1)需要领域专家基于对行业和公司情况充分理解并在此基础上建立模型，存在较多主观因素。
2)在市场出现较大波动时，相关参考指标变化幅度较大，会对公司的价值评估产生误导。
3)受限于人力成本和效率，难以对市场的短期波动给出及时响应。
深度学习是机器学习中一种基于对数据进行表征学习的算法，相关模型作为SAAS为各行各业提供解决方案，成为推动传统行业升级发展的重要因素。近年来，深度学习在图结构上的应用日益增长，研究人员借鉴卷积网络和循环网络的思想设计模型处理图结构数据，一系列针对非欧式数据的图神经网络算法应运而生。
企业的估值建模不仅需要考虑公司本身的特征，如基本信息、经营情况等，还需要公司之间相互关联所构成的复杂行业领域数据，除了企业的有形资产外，以技术为资本的人才资源、知识产权也日渐成为企业未来盈利能力的主要决定因素，为此将公司和人员视作节点并构建行业异构图结构。
发明内容
本发明为解决对企业估值的专家方法主观和低效的问题，提出了一种基于异构图神经网络的企业估值方法及***，有效解决人为的主观因素影响，可以快速捕捉市场波动和异常指标并给出及时的估值反馈。
本发明采用的技术方案如下：
第一方面，提供一种基于异构图神经网络的企业估值方法，包括如下步骤：
步骤1，搭建行业异构图；
步骤2，待估值企业邻居采样；
步骤3，对节点使用注意力聚合学习；
步骤4，加权融合异构节点的聚合特征；
步骤5，预测企业估值。
进一步的，行业异构图由公司和人员两种节点构成，将公司和人员根据投资和任职关系相互连接。
进一步的，使用随机游走算法对类型和数量不同的邻居节点进行规范化采样，具体如下：
(1)从待估值企业出发，每次以r的概率选取当前节点的随机近邻，并以1-r的概率返回初始待估值企业，生成长度为N的节点序列；
(2)对生成的一系列关联邻居节点序列按照类型分成公司和人员两组，对每种类型均从序列中选取出现频率最高的n个节点，生成待估值企业两种类型的异构近邻节点集合。
进一步的，在对采样节点使用注意力聚合学习，包括以下步骤：
(1)从待估值企业出发随机游走生成的公司节点集合和人员节点集合，分别输入注意力聚合网络中；
(2)使用融合关联信息的层级多头注意力加权网络对每种类型的节点进行聚合学习，网络中共计L层，每层均通过注意力机制更新当前节点，节点特征的更新形式为：
Figure BDA0003365760140000021
其中Hl为第l层的注意力头数目，Nt(i)为类别为t的节点i的近邻集合，U为并集，Nt(i)∪{i}为集合Nt(i)与集合{i}并集操作；第l层节点k的表示
Figure BDA0003365760140000022
通过l-1层的节点注意力加权求和计算得到，
Figure BDA0003365760140000023
为节点k和j在第l层通过注意力头h计算而得的权重，公式如下：
Figure BDA0003365760140000024
其中
Figure BDA0003365760140000025
为第k层注意力头h的权重矩阵，Ψ(pk，j)为节点k，j间的连接类别，atk，j为连接属性，
Figure BDA0003365760140000026
与
Figure BDA0003365760140000027
为k，j的节点特征，II表示特征拼接，⊙表示向量点乘；
(3)对第L层的节点表示计算均值，得到同种类型节点的聚合表示。
进一步的，加权融合异构节点的聚合特征，具体如下：
将上一步中获得的公司和人员聚合特征与待估值企业节点的本身特征加权融合，得到综合异构图结构和企业自身信息的最终公司表示，对应框架中的加权融合模块，形式为：
Figure BDA0003365760140000031
其中
Figure BDA0003365760140000032
表示融合企业本身信息的异构节点表示，f2(vi)为最终公司表示；βj为自适应权重，计算方法：
Figure BDA0003365760140000033
LeakyReLU为非线性激活函数，uT为全连接网络的参数权重，
Figure BDA0003365760140000034
的计算公式如下：
Figure BDA0003365760140000035
其中Φ(xi)表示原始公司的嵌入表示，
Figure BDA0003365760140000036
由不同类型节点的聚合学习表示与原始公司嵌入表示计算得到。
第二方面，提供一种基于异构图神经网络的企业估值***，包括：
第一模块，用于搭建行业异构图；
第二模块，用于待估值企业邻居采样；
第三模块，用于对采样节点使用注意力聚合学习；
第四模块，用于加权融合异构节点的聚合特征；
第五模块，用于预测企业估值。
第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于异构图神经网络的企业估值方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于异构图神经网络的企业估值方法。
本发明采用图神经网络作为基本模型，在异构图神经网络的聚合学习中引入公司节点和人员节点的连接信息并通过注意力机制融合，与现有技术相比，本发明具有以下特征：
首先，本发明实现了对企业估值任务的建模，使用图神经网络技术从行业领域下公司和人员构成的异构图中挖掘公司的复杂特征表示，并完成企业的价值估计。
其次，本发明在异构图神经网络中的节点聚合学习过程中引入对节点间关系的考量，通过在更新节点特征中计算源节点到目标节点间的注意力时融合关系特征，学习公司、人员节点间的复杂关联。本异构图神经网络方案在高层次的行业视角聚焦公司估值，依托海量数据和深度学习模型，有效地解决了专家对企业直接建模导致的认知偏差和主观局限性。
最后，本发明得益于图神经网络算法的高效性，在公司和人员信息变更、市场出现波动时，可以对企业估值快速更新。
附图说明
图1为本发明整体流程图。
图2为异构图神经网络的框架图。
图3为公司人员异构示意图。
图4为注意力聚合学习步骤子流程图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
如图1所示，本发明公开了一种基于异构图神经网络的企业估值方法，图2是本发明设计的异构网络框架图，自左到右依次是邻居采样模块、聚合学习模块和特征融合模块。具体描述如下：
步骤1、搭建行业异构图：
如图3所示为公司和人员两种节点构成的异构图结构，其中公司节点使用企业基本情况、经营信息等数据表示，人员节点代表公司的人才资源、知识产权等无形资源，公司节点间的连接表示投资情况，通过这些关联可以构建出行业信息，人员节点的联系刻画了企业的人才技术资源网络。本发明将公司和人员根据投资和任职等关系相互连接，异构图中的公司、人员和关系使用从上述数据中挖掘的数值化向量作为节点和边的初始特征表示。
步骤2、对待估值企业进行邻居采样：
为从行业异构图中挖掘公司的关联信息，需要对待估值企业通过随机采样获取一系列的邻居关联节点。本发明使用随机游走算法对类型和数量不同的邻居节点进行规范化采样，对应框架中的邻居采样模块，具体做法如下：
①从待估值企业出发，每次以r的概率选取当前节点的随机近邻，并以1-r的概率返回初始待估值企业，生成长度为N的节点序列；
②对生成的一系列关联邻居节点序列按照类型分成公司和人员两组，对每种类型均从序列中选取出现频率最高的n个节点，生成待估值企业两种类型的异构近邻节点集合。
步骤3、对节点使用注意力聚合学习：
由于不同公司或人员近邻对待估值企业的价值评估贡献不同，如一些成熟的公司拥有更强大的核心资源，行业的领军人才代表更先进的技术资源，这些节点对待估值企业无疑影响更大，为此本发明设计了一种融合关联信息的层级多头注意力加权网络进行聚合学习，对应框架中的聚合学习模块。
给定待估值企业的近邻公司集合和近邻人员集合，如图4所示，注意力聚合学习的过程如下：
①从待估值企业出发随机游走生成的公司节点集合和人员节点集合，分别输入到注意力聚合网络中；
②考虑到节点之间的连接蕴含着不同的信息，接着使用融合关联信息的层级多头注意力加权网络对每种类型的节点进行聚合学习，网络中共计L层，每层均通过注意力机制更新当前节点，节点特征的更新形式为：
Figure BDA0003365760140000051
其中Hl为第1层的注意力头数目，使用不同的注意力头旨在于学习到多角度的特征属性，提高模型性能和优化稳定性，Nt(i)为类别为t的节点i的近邻集合，∪为并集。第l层节点k的表示
Figure BDA0003365760140000052
通过l-1层的节点注意力加权求和计算得到，
Figure BDA0003365760140000053
为节点k和j在第l层通过注意力头h计算而得的权重，公式如下：
Figure BDA0003365760140000054
其中
Figure BDA0003365760140000055
为第k层注意力头h的权重矩阵，Ψ(pk，j)为节点k，j间的连接表示形式，如投资、控股、任职、合作等关系，atk，j为连接的属性特征，如投资的比例、任职的职位等具体信息，
Figure BDA0003365760140000056
与
Figure BDA0003365760140000057
为k，j的节点特征，II表示特征拼接，⊙表示向量点乘，计算时需对节点的注意力进行归一化操作。
③经过多头注意力聚合学习，同种类型节点基于信息传递，相互更新自身表示，最后通过以下公式得到同种类型节点的聚合特征：
Figure BDA0003365760140000058
其中
Figure BDA0003365760140000059
为第t种类型节点的特征表示，该特征表示由网络输出层的节点特征均值计算得到。
步骤4、加权融合异构节点的聚合特征：
本发明将将描述3中获得的公司和人员聚合特征与待估值企业节点的本身特征加权融合，得到综合异构图结构和企业自身信息的最终公司表示，对应框架中的加权融合模块，形式为：
Figure BDA00033657601400000510
其中
Figure BDA0003365760140000061
表示融合企业本身信息的异构节点表示，f2(vi)为最终公司表示；βj为自适应权重，计算方法：
Figure BDA0003365760140000062
LeakyReLU为非线性激活函数，uT为全连接网络的参数权重，
Figure BDA0003365760140000063
的计算公式如下：
Figure BDA0003365760140000064
其中Φ(xi)表示原始公司的嵌入表示，
Figure BDA0003365760140000065
由不同类型节点的聚合学习表示与原始公司嵌入表示计算得到。
步骤5、预测公司估值：
使用最终的公司特征表示经过全连接网络预测企业估值。
本发明还提供一种基于异构图神经网络的企业估值***，用于实现上述基于异构图神经网络的企业估值方法，该***包括：
第一模块，用于搭建行业异构图；
第二模块，用于待估值企业邻居采样；
第三模块，用于对采样节点使用注意力聚合学习；
第四模块，用于加权融合异构节点的聚合特征；
第五模块，用于预测企业估值。
上述模块的具体实现方式与前述基于异构图神经网络的企业估值方法的具体实现步骤相同，此处不再赘述。
进一步的，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于异构图神经网络的企业估值方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于异构图神经网络的企业估值方法。
在本申请所提供的实施例中，应该理解到，所揭露的方法、装置、设备，可以通过其它的方式实现。例如，以上所描述的***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。
另外，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本发明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全部或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)执行本发明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、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于异构图神经网络的企业估值方法，其特征在于，包括如下步骤：
步骤1、搭建行业异构图；
步骤2、待估值企业邻居采样；
步骤3、对采样节点使用注意力聚合学习；
步骤4、加权融合异构节点的聚合特征；
步骤5、预测企业估值。
2.如权利要求1所述的基于异构图神经网络的企业估值方法，其特征在于，所述步骤1中，行业异构图由公司和人员两种节点构成，将公司和人员根据投资和任职关系相互连接。
3.如权利要求1所述的基于异构图神经网络的企业估值方法，其特征在于，所述步骤2中，使用随机游走算法对类型和数量不同的邻居节点进行规范化采样，具体如下：
(1)从待估值企业出发，每次以r的概率选取当前节点的随机近邻，并以1-r的概率返回初始待估值企业，生成长度为N的节点序列；
(2)对生成的一系列关联邻居节点序列按照类型分成公司和人员两组，对每种类型均从序列中选取出现频率最高的n个节点，生成待估值企业两种类型的异构近邻节点集合。
4.如权利要求1所述的基于异构图神经网络的企业估值方法，其特征在于，所述步骤3中，在对采样节点使用注意力聚合学习，包括以下步骤：
(1)从待估值企业出发随机游走生成的公司节点集合和人员节点集合，分别输入注意力聚合网络中；
(2)使用融合关联信息的层级多头注意力加权网络对每种类型的节点进行聚合学习，网络中共计L层，每层均通过注意力机制更新当前节点，节点特征的更新形式为：
Figure FDA0003365760130000011
其中Hl为第l层的注意力头数目，Nt(i)为类别为t的节点i的近邻集合，∪为并集，Nt(i)∪{i}为集合Nt(i)与集合{i}并集操作；第l层节点k的表示
Figure FDA0003365760130000012
通过l—1层的节点注意力加权求和计算得到，
Figure FDA0003365760130000013
为节点k和j在第l层通过注意力头h计算而得的权重，公式如下：
Figure FDA0003365760130000014
其中
Figure FDA0003365760130000015
为第k层注意力头h的权重矩阵，Ψ(pk，j)为节点k，j间的连接类别，atk，j为连接属性，
Figure FDA0003365760130000016
与
Figure FDA0003365760130000017
为k，j的节点特征，||表示特征拼接，⊙表示向量点乘；
(3)对第L层的节点表示计算均值，得到同种类型节点的聚合表示。
5.如权利要求1所述的基于异构图神经网络的企业估值方法，其特征在于，所述步骤4中，加权融合异构节点的聚合特征，具体如下：
将上一步中获得的公司和人员聚合特征与待估值企业节点的本身特征加权融合，得到综合异构图结构和企业自身信息的最终公司表示，对应框架中的加权融合模块，形式为：
Figure FDA0003365760130000021
其中
Figure FDA0003365760130000022
表示融合企业本身信息的异构节点表示，f2(vi)为最终公司表示；βj为自适应权重，计算方法：
Figure FDA0003365760130000023
LeakyReLU为非线性激活函数，
Figure FDA0003365760130000027
为全连接网络的参数权重，
Figure FDA0003365760130000024
的计算公式如下：
Figure FDA0003365760130000025
其中Φ(xi)表示原始公司的嵌入表示，
Figure FDA0003365760130000026
由不同类型节点的聚合学习表示与原始公司嵌入表示计算得到。
6.一种基于异构图神经网络的企业估值***，用于实现权利要求1-5任一所述基于异构图神经网络的企业估值方法，其特征在于，该***包括：
第一模块，用于搭建行业异构图；
第二模块，用于待估值企业邻居采样；
第三模块，用于对采样节点使用注意力聚合学习；
第四模块，用于加权融合异构节点的聚合特征；
第五模块，用于预测企业估值。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-5中任一所述的基于异构图神经网络的企业估值方法。
8.一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，该程序被处理器执行时实现如权利要求1-5中任一所述的基于异构图神经网络的企业估值方法。
CN202111381476.0A 2021-11-21 2021-11-21 基于异构图神经网络的企业估值方法及*** Pending CN114186799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111381476.0A CN114186799A (zh) 2021-11-21 2021-11-21 基于异构图神经网络的企业估值方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111381476.0A CN114186799A (zh) 2021-11-21 2021-11-21 基于异构图神经网络的企业估值方法及***

Publications (1)

Publication Number Publication Date
CN114186799A true CN114186799A (zh) 2022-03-15

Family

ID=80602240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111381476.0A Pending CN114186799A (zh) 2021-11-21 2021-11-21 基于异构图神经网络的企业估值方法及***

Country Status (1)

Country Link
CN (1) CN114186799A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819070A (zh) * 2022-04-12 2022-07-29 重庆康洲大数据(集团)有限公司 基于图神经网络的时序数据自适应可信采样方法
CN116151635A (zh) * 2023-04-19 2023-05-23 深圳市迪博企业风险管理技术有限公司 一种基于多维关系图的抗风险企业决策的优化方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110880051A (zh) * 2019-11-12 2020-03-13 上海融贷通金融信息服务有限公司 企业价值评估云服务***
CN111400560A (zh) * 2020-03-10 2020-07-10 支付宝(杭州)信息技术有限公司 一种基于异构图神经网络模型进行预测的方法和***
CN112241920A (zh) * 2020-09-25 2021-01-19 徐佳慧 基于图神经网络的投融资机构评估方法、***及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110880051A (zh) * 2019-11-12 2020-03-13 上海融贷通金融信息服务有限公司 企业价值评估云服务***
CN111400560A (zh) * 2020-03-10 2020-07-10 支付宝(杭州)信息技术有限公司 一种基于异构图神经网络模型进行预测的方法和***
CN112241920A (zh) * 2020-09-25 2021-01-19 徐佳慧 基于图神经网络的投融资机构评估方法、***及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋丽平;李萌;于书洋;: "基于GRNN神经网络的科技型企业价值评估方法研究", 科技与管理, no. 02, 15 March 2020 (2020-03-15), pages 95 - 101 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819070A (zh) * 2022-04-12 2022-07-29 重庆康洲大数据(集团)有限公司 基于图神经网络的时序数据自适应可信采样方法
CN116151635A (zh) * 2023-04-19 2023-05-23 深圳市迪博企业风险管理技术有限公司 一种基于多维关系图的抗风险企业决策的优化方法和装置
CN116151635B (zh) * 2023-04-19 2024-03-08 深圳市迪博企业风险管理技术有限公司 一种基于多维关系图的抗风险企业决策的优化方法和装置

Similar Documents

Publication Publication Date Title
CN113191484B (zh) 基于深度强化学习的联邦学习客户端智能选取方法及***
Wang et al. Learning scheduling policies for multi-robot coordination with graph attention networks
CN114186799A (zh) 基于异构图神经网络的企业估值方法及***
Wang et al. Integrating reinforcement learning and skyline computing for adaptive service composition
CN112819308B (zh) 一种基于双向图卷积神经网络的头部企业识别方法
CN113469491B (zh) 一种基于强化学习和图神经网络的柔性车间作业调度方法
Karande et al. Weight assignment algorithms for designing fully connected neural network
CN113344615A (zh) 一种基于gbdt和dl融合模型的营销活动预测方法
CN111882157A (zh) 一种基于深度时空神经网络的需求预测方法、***及计算机可读存储介质
Yang et al. An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting
Wang et al. Flexible job shop scheduling via dual attention network-based reinforcement learning
Estrada et al. A method of stepwise benchmarking for inefficient DMUs based on the proximity-based target selection
Martin et al. An analysis on qualitative bankruptcy prediction rules using ant-miner
Kalifullah et al. Retracted: Graph‐based content matching for web of things through heuristic boost algorithm
CN110889493A (zh) 针对关系网络添加扰动的方法及装置
Abdoos et al. An intelligent hybrid method based on Monte Carlo simulation for short-term probabilistic wind power prediction
Wang et al. A time series continuous missing values imputation method based on generative adversarial networks
Lei et al. A novel time-delay neural grey model and its applications
Zhou et al. Provable multi-objective reinforcement learning with generative models
CN117217820A (zh) 供应链采购需求智能集成预测方法及***
Noorul Haq et al. Effect of forecasting on the multi-echelon distribution inventory supply chain cost using neural network, genetic algorithm and particle swarm optimisation
Villaruz et al. Philippine Stock Exchange Index Forecasting Using a Tuned Artificial Neural Network Model with a Modified Firefly Algorithm
CN115222302A (zh) 一种企业信息***自动化决策分析模型构建及其约简方法
Ocampo et al. A sustainable manufacturing strategy from different strategic responses under uncertainty
Wang et al. Short term load forecasting: A dynamic neural network based genetic algorithm optimization

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