CN114519524A - 基于知识图谱的企业风险预警方法、装置及存储介质 - Google Patents
基于知识图谱的企业风险预警方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114519524A CN114519524A CN202210151435.0A CN202210151435A CN114519524A CN 114519524 A CN114519524 A CN 114519524A CN 202210151435 A CN202210151435 A CN 202210151435A CN 114519524 A CN114519524 A CN 114519524A
- Authority
- CN
- China
- Prior art keywords
- risk
- enterprise
- preset
- news
- event
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露一种基于知识图谱的企业风险预警方法,包括:构建目标企业与关联企业之间的关系图谱;根据关系图谱,收集目标企业的新闻事件和关联企业的新闻事件,得到新闻事件集;通过预设风险事件类型识别模型对新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集;通过预设企业风险等级评估模型对目标企业进行风险等级评估,生成对目标企业的风险等级评估信息;按照预设风险等级预警规则生成对目标企业的预警信息。本发明还涉及区块链技术,关系图谱存储于区块链中。本发明能够解决现有技术中,对待预警企业的风险评估不够全面,以至于导致风险评估的局限性;并且很容易造成风险评估的滞后等问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于知识图谱的企业风险预警方法、装置及存储介质。
背景技术
企业风险预警是通过收集企业的经营管理信息,然后根据收集到的信息进行风险评估,当企业存在风险时,需要及时对风险因素进行控制并及时做出风险决策,以免给企业带来较大的影响。
目前,传统的风险监控方法一般只是收集待预警企业自身信息,即只考虑待预警企业自身的风险因素,但是,在企业经营管理过程中,客商关联企业众多,与待预警的关联企业存在联系的关联企业的风险因素也会给待预警企业带来潜在的风险,若仅仅考虑待预警企业的自身风险,则对待预警企业的风险评估不够全面,以至于导致风险评估的局限性;并且很容易造成风险评估的滞后,从而导致风险决策的滞后。
发明内容
本发明提供一种基于知识图谱的企业风险预警方法、装置及存储介质,其主要目的在于能够解决现有技术中,传统的风险监控方法对待预警企业的风险评估不够全面,以至于导致风险评估的局限性;并且很容易造成风险评估的滞后,从而导致风险决策的滞后等问题。
第一方面,为实现上述目的,本发明提供的一种基于知识图谱的企业风险预警方法,所述方法包括:
基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱;其中,所述关联企业为与所述目标企业存在联系的企业;
根据所述关系图谱,通过预设的搜索引擎收集所述目标企业的新闻事件和所述关联企业的新闻事件,得到新闻事件集;
通过预设风险事件类型识别模型,对所述新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集;其中,所述风险事件集中的每个风险事件均标记有相应的风险类型和对应的企业名称;
基于所述风险事件集和所述关系图谱,通过预设企业风险等级评估模型对所述目标企业进行风险等级评估,生成对所述目标企业的风险等级评估信息;
根据所述目标企业的风险等级评估信息,按照预设风险等级预警规则生成对所述目标企业的预警信息。
第二方面,为了解决上述问题,本发明还提供一种基于知识图谱的企业风险预警装置,所述装置包括:
关系图谱构建模块,用于基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱;其中,所述关联企业为与所述目标企业存在联系的企业;
新闻事件集收集模块,用于根据所述关系图谱,通过预设的搜索引擎收集所述目标企业的新闻事件和所述关联企业的新闻事件,得到新闻事件集;
风险类型标记模块,用于通过预设风险事件类型识别模型,对所述新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集;其中,所述风险事件集中的每个风险事件均标记有相应的风险类型和对应的企业名称;
风险等级评估模块,用于基于所述风险事件集和所述关系图谱,通过预设企业风险等级评估模型对所述目标企业进行风险等级评估,生成对所述目标企业的风险等级评估信息;
预警信息生成模块,用于根据所述目标企业的风险等级评估信息,按照预设风险等级预警规则生成对所述目标企业的预警信息。
第三方面,为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
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基于知识图谱的企业风险预警方法的步骤。
第四方面,为了解决上述问题,本发明还提供一种计算机可读存储介质,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上所述的基于知识图谱的企业风险预警方法。
本发明提出的基于知识图谱的企业风险预警方法、装置及存储介质,通过构建目标企业与关联企业之间的关系图谱,并根据关系图谱收集目标企业的新闻事件和关联企业的新闻事件;再通过预设风险事件类型识别模型对目标企业的新闻事件和关联企业的新闻事件中存在风险的事件进行风险类型标注,然后通过预设企业风险等级评估模型基于风险事件集和关系图谱对目标企业的风险等级进行评估,最后根据目标企业的风险等级给出风险预警,能够全面考虑目标企业的风险因素,通过预设风险事件类型识别模型对新闻事件中存在风险的事件进行类别标注,能够及时监控风险因素,有效解决风险评估滞后的问题,通过预设企业风险等级评估模型能够准确快速对目标企业进行风险等级评估,提高评估效率。
附图说明
图1为本发明一实施例提供的基于知识图谱的企业风险预警方法的流程示意图;
图2为本发明一实施例提供的基于知识图谱的企业风险预警装置的模块示意图;
图3为本发明一实施例提供的实现基于知识图谱的企业风险预警方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明提供一种基于知识图谱的企业风险预警方法。参照图1所示,为本发明一实施例提供的基于知识图谱的企业风险预警方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于知识图谱的企业风险预警方法包括:
步骤S110、基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱;其中,关联企业为与目标企业存在联系的企业。
具体的,目标企业可以为单个企业也可为某个具体领域的多个企业,当目标企业为单一的企业时,只需要根据该企业的名称,收集与该企业存在联系的企业即可,其中,关联企业与目标企业之间的关系可以是,但是不限于供应关系、控制关系、竞争关系。当目标企业为某个具体领域的多个企业,例如,对金融保险类的企业进行风险预警,此时可通过收集该领域的企业名单,将企业名单中的各企业作为目标企业,然后以每个目标企业为核心,收集与该目标企业相关的关联企业。然后根据目标企业与关联企业之间的关系建立关系图谱。
作为本发明的一个可选实施例,关系图谱存储于区块链中,基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱包括:
收集与目标企业有关系的企业名称,作为关联企业的名称;
基于关联企业与目标企业之间的关联关系,以目标企业的名称为核心,建立关联企业的名称与目标企业的名称的关联关系,得到目标企业与关联企业之间的关系图谱。
具体的,根据目标企业的名称,通过大数据库挖掘与目标企业的名称有关系的企业名称,其中,企业名称可以为企业全称也可以为企业简称,为了对目标企业更加确定,在使用企业简称时,可附带企业ID以免与相似企业混淆。根据具体的关联企业与目标企业之间的关联关系,例如,供应关系、竞争关系、上下游企业等,对目标企业的名称和关联企业的名称进行关联关系建立,从而得到目标企业与关联企业之间的关系图谱。从关系图谱中能够明确得出关联企业与目标企业之间的关系。
步骤S120、根据关系图谱,通过预设的搜索引擎收集目标企业的新闻事件和关联企业的新闻事件,得到新闻事件集。
具体的,根据关系图谱中目标企业以及与目标企业相关的关联企业,进行对企业的新闻事件的收集,收集新闻事件的方式可通过企业***息、财报、wind数据库以及企业的公告信息,企查查,天眼查等第三方***获取企业的新闻事件,其中,新闻事件的内容可根据具体的企业所属行业进行确定,例如,对于金融行业,新闻事件的相关内容可为新闻舆情信息,主营产品情况等。
作为本发明的一个可选实施例,根据关系图谱,通过预设的搜索引擎收集目标企业的新闻事件和关联企业的新闻事件,得到新闻事件集包括:
根据关系图谱,确定目标企业的名称和与目标企业的名称相关的关联企业的名称,作为待收集新闻事件的企业名称;
按照预设时间间隔,更新与待收集新闻事件的企业名称对应的新闻事件,得到新闻事件集。
具体的,从关系图谱中,确定出目标企业的名称和关联企业的名称,将目标企业的名称和关联企业的名称作为待收集新闻事件的企业名称;按照预设时间间隔对待收集新闻事件的企业名称对应的新闻事件进行更新,例如,每隔12小时对新闻事件进行更新,然后按照待收集新闻事件的企业名称对新闻事件进行收集,从而得到新闻事件集。
步骤S130、通过预设风险事件类型识别模型对新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集;其中,风险事件集中的每个风险事件均标记有相应的风险类型和对应的企业名称。
具体的,通过将新闻事件集输入预设风险事件类型识别模型中,通过预设风险事件类型识别模型识别出新闻事件集中存在风险的新闻事件,并对每个风险事件进行风险类型标记处理,从而得到风险事件集,其中,每个风险事件都对应着企业名称和风险类型,因此可对风险事件进行企业名称和风险类型标记,从而得到带有标记风险类型和对应企业名称的风险事件组成的风险事件集。
作为本发明的一个可选实施例,预设风险事件类型识别模型包括:
用于输入新闻事件的事件输入层、用于对新闻事件进行分词处理的分词层、用于筛除分词层中得到的分词集中无意义词语的分词筛选层、用于对分词筛选层得到的待识别词语进行风险词识别处理的风险词识别层、用于对风险词识别层中得到的风险词语进行出现次数统计处理的风险词统计层、用于根据风险词统计层中得到的风险词出现次数统计结果对新闻事件进行风险类型标记处理的风险事件类别标记层和用于将风险事件类别标记层所标记的风险事件进行输出的风险事件输出层。
具体的,通过事件输入层将新闻事件输入预设风险事件类型识别模型,然后通过分词层对新闻事件的语句进行分词,再通过分词筛选层将分词后得到的新闻事件的分词集中的无意义的词语进行剔除,例如,呢、啊、的等没有实际意义的语气词,将剩余的词语作为待识别词语集,然后通过风险词识别层对待识别词语集中的待识别词语进行识别,得到风险词语集合,再通过风险词统计层对同个类别的风险词进行出现次数统计,例如,对于一个新闻事件,在其风险词语集合中,欺诈、诈骗、欺骗等属于金融诈骗类型的风险词语进行出现次数进行统计,得到每种风险类别的风险词语的出现次数,然后通过风险事件类别标记层,根据风险词出现次数统计结果进行对新闻事件进行风险类型标记,例如,在一个新闻事件中,金融诈骗类型的风险词出现了8次,在风险事件类别标记层中预设风险类型阈值,其中,金融诈骗类型阈值为7,则,可将该新闻事件标记为风险类别为金融诈骗类型的风险事件;最后,通过风险事件输出层将标记有风险类别的风险事件以及标记了相应企业名称的风险事件输出,得到风险事件集。
作为本发明的一个可选实施例,通过预设风险事件类型识别模型对新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集包括:
将新闻事件集中的新闻事件输入预设风险事件类型识别模型;
对新闻事件进行分词处理,得到新闻事件分词集;
根据预设无意义词汇表,剔除新闻事件分词集中无意义的词语,得到待识别词语集;
根据预设风险词汇表,从待识别词语集中识别出风险词语,得到风险词语集;
按照预设风险类型词语表,对风险词语集中的每种风险类型的风险词语的出现次数进行统计处理,得到每种风险类型的风险词语的出现次数,作为风险词出现次数统计结果;
根据预设风险类型阈值和风险词出现次数统计结果,对新闻事件进行风险事件类别标记处理,得到带有风险类别的风险事件;
汇总新闻事件集中所有带有风险类别的风险事件,并将风险事件与对应的企业进行关联,得到风险事件集。
具体的,先将新闻事件集中的新闻事件输入预设风险事件类型识别模型中,由于新闻事件一般是通过一个或多个语句构成,为了便于计算机对风险事件的识别,需要对语句中的风险词语进行识别,因此,对新闻事件进行分词处理,到新闻事件分词集;由于,新闻事件分词集中存在的无意义的词语,为了便于后续的风险词语识别,因此,根据预设无意义词汇表,剔除新闻事件分词集中无意义的词语,得到待识别词语集,然后再根据预设风险词汇表,从待识别词语集中识别出风险词语,得到风险词语集;然后再根据预设风险类型词语表,对风险词语集中的每种风险类型的风险词语的出现次数进行统计处理,得到每种风险类型的风险词语的出现次数,作为风险词出现次数统计结果,例如,对于金融诈骗类型,可对应包括多个风险词,例如,欺骗、诈骗等词语,从而根据预设风险类型词语表能够将风险词语集中的风险词语进行归类;然后对每种风险类型的风险词语的出现次数进行统计,得到每种风险类型的风险词语的出现次数,然后再根据每种风险类型对应的预设风险类型阈值,判断对应的新闻事件属于哪些风险类型,并进行风险类型标记,得到带有风险类别的风险事件,最后汇总新闻事件集中所有带有风险类别的风险事件,并将风险事件与对应的企业进行关联,得到风险事件集。
步骤S140、基于风险事件集和所述关系图谱,通过预设企业风险等级评估模型对目标企业进行风险等级评估,生成对目标企业的风险等级评估信息。
具体的,可通过API接口调用预设企业风险等级评估模型,由于预设企业风险等级评估模型为预先训练得到的模型,因此,预设企业风险等级评估模型能够根据风险事件集和关系图谱对目标企业进行风险等级评估,得到目标企业的风险等级评估信息,其中,风险等级可以为高风险、中风险、低风险。
作为本发明的一个可选实施例,预设企业风险等级评估模型的训练方法包括:
采集样本目标企业与样本关联企业的风险事件集的历史数据以及与历史数据对应的历史风险等级标记数据;
将风险事件集的历史数据作为输入,将历史数据对应的历史风险等级标记数据作为输出结果对预设神经网络基础模型进行模型深度学习训练,得到初级风险等级评估模型;
对初级风险等级评估模型的准确率进行检验,当初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型。
具体的,先采集目标企业与样本关联企业的风险事件集的历史数据以及与历史数据对应的历史风险等级标记数据,将风险事件集的历史数据作为输入输进预设神经网络基础模型中,将历史数据对应的历史风险等级标记数据作为输出结果,从预设神经网络基础模型中输出,通过大量的深度学习训练,得到初级风险等级评估模型,为了确保初级风险等级评估模型的准确率,需要再对初级风险等级评估模型的准确率进行检验,当初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型。
作为本发明的一个可选实施例,对初级风险等级评估模型的准确率进行检验,当初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型包括:
将样本目标企业与样本关联企业的风险事件集的历史数据作为验证输入数据,将与风险事件集的历史数据对应的历史风险等级标记数据作为验证结果数据;
将验证输入数据输入所述初级风险等级评估模型中,通过初级风险等级评估模型对验证输入数据进行风险等级评估预测,得到预测结果数据;
根据验证结果数据,从预测结果数据中筛选出预测结果为准确的数据;
根据风险等级评估预测的预测次数和预测结果为准确的数据,通过模型预测准确率公式计算出初级企业风险预警模型的准确率;其中,模型预测准确率公式为:
准确率=预测结果为准确的数据/预测次数;
初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型。
具体的,将样本目标企业与样本关联企业的风险事件集的历史数据作为验证输入数据,将与风险事件集的历史数据对应的历史风险等级标记数据作为验证结果数据,其中,历史风险等级标记数据也可由人工标记的等级标记数据进行替换,其目的在于作为初级风险等级评估模型的预测结果数据的对比验证数据,通过预测准确率公式计算出初级风险等级评估模型的准确率,当初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型,例如,预设准确率阈值为70%,当初级风险等级评估模型的准确率大于等于70%时,完成模型深度学习训练,得到预设企业风险等级评估模型,否则,需要对模型进行参数调整,直到算法收敛,得到的准确率大于等于预设准确率阈值,其中,预设准确率阈值可根据实际项目需要进行设定。
步骤S150、根据目标企业的风险等级评估信息,按照预设风险等级预警规则生成对目标企业的预警信息。
具体的,预设风险等级预警规则包括对不同风险等级进行不同的预警信息,例如,对于高风险进行红色预警标记,对于中风险进行黄色标记,对于低风险进行绿色标记,或者,直接以文字的形式生成预警信息。
如图2所示,是本发明一个实施例的基于知识图谱的企业风险预警装置的功能模块图。
本发明所述基于知识图谱的企业风险预警装置200可以安装于电子设备中。根据实现的功能,所述基于知识图谱的企业风险预警装置可以包括关系图谱构建模块210、新闻事件集收集模块220、风险类型标记模块230、风险等级评估模块240、预警信息生成模块250。本发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:
关系图谱构建模块210,用于基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱;其中,关联企业为与目标企业存在联系的企业。
具体的,目标企业可以为单个企业也可为某个具体领域的多个企业,当目标企业为单一的企业时,只需要根据该企业的名称,收集与该企业存在联系的企业即可,其中,关联企业与目标企业之间的关系可以是,但是不限于供应关系、控制关系、竞争关系。当目标企业为某个具体领域的多个企业,例如,对金融保险类的企业进行风险预警,此时可通过收集该领域的企业名单,将企业名单中的各企业作为目标企业,然后以每个目标企业为核心,收集与该目标企业相关的关联企业。然后根据目标企业与关联企业之间的关系建立关系图谱。
作为本发明的一个可选实施例,关系图谱存储于区块链中,关系图谱构建模块210进一步包括关联企业的名称收集单元和关系图谱建立单元(图中未示出)。其中,
关联企业的名称收集单元,用于收集与目标企业有关系的企业名称,作为关联企业的名称;
关系图谱建立单元,用于基于关联企业与目标企业之间的关联关系,以目标企业的名称为核心,建立关联企业的名称与目标企业的名称的关联关系,得到目标企业与关联企业之间的关系图谱。
具体的,通过关联企业的名称收集单元,根据目标企业的名称,通过大数据库挖掘与目标企业的名称有关系的企业名称,其中,企业名称可以为企业全称也可以为企业简称,为了对目标企业更加确定,在使用企业简称时,可附带企业ID以免与相似企业混淆。通过关系图谱建立单元,根据具体的关联企业与目标企业之间的关联关系,例如,供应关系、竞争关系、上下游企业等,对目标企业的名称和关联企业的名称进行关联关系建立,从而得到目标企业与关联企业之间的关系图谱。从关系图谱中能够明确得出关联企业与目标企业之间的关系。
新闻事件集收集模块220,用于根据关系图谱,通过预设的搜索引擎收集目标企业的新闻事件和关联企业的新闻事件,得到新闻事件集。
具体的,通过新闻事件集收集模块220,根据关系图谱中目标企业以及与目标企业相关的关联企业,进行对企业的新闻事件的收集,收集新闻事件的方式可通过企业***息、财报、wind数据库以及企业的公告信息,企查查,天眼查等第三方***获取企业的新闻事件,其中,新闻事件的内容可根据具体的企业所属行业进行确定,例如,对于金融行业,新闻事件的相关内容可为新闻舆情信息,主营产品情况等。
作为本发明的一个可选实施例,新闻事件集收集模块220进一步包括待收集新闻事件的企业名称获取单元和新闻事件集更新单元(图中未示出)。其中,
待收集新闻事件的企业名称获取单元,用于根据关系图谱,确定目标企业的名称和与目标企业的名称相关的关联企业的名称,作为待收集新闻事件的企业名称;
新闻事件集更新单元,用于按照预设时间间隔,更新与待收集新闻事件的企业名称对应的新闻事件,得到新闻事件集。
具体的,通过待收集新闻事件的企业名称获取单元,从关系图谱中确定出目标企业的名称和关联企业的名称,将目标企业的名称和关联企业的名称作为待收集新闻事件的企业名称;通过新闻事件集更新单元,按照预设时间间隔对待收集新闻事件的企业名称对应的新闻事件进行更新,例如,每隔12小时对新闻事件进行更新,然后按照待收集新闻事件的企业名称对新闻事件进行收集,从而得到新闻事件集。
风险类型标记模块230,用于通过预设风险事件类型识别模型对新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集;其中,风险事件集中的每个风险事件均标记有相应的风险类型和对应的企业名称。
具体的,通过风险类型标记模块230将新闻事件集输入预设风险事件类型识别模型中,通过预设风险事件类型识别模型识别出新闻事件集中存在风险的新闻事件,并对每个风险事件进行风险类型标记处理,从而得到风险事件集,其中,每个风险事件都对应着企业名称和风险类型,因此可对风险事件进行企业名称和风险类型标记,从而得到带有标记风险类型和对应企业名称的风险事件组成的风险事件集。
作为本发明的一个可选实施例,预设风险事件类型识别模型包括:
用于输入新闻事件的事件输入层、用于对新闻事件进行分词处理的分词层、用于筛除分词层中得到的分词集中无意义词语的分词筛选层、用于对分词筛选层得到的待识别词语进行风险词识别处理的风险词识别层、用于对风险词识别层中得到的风险词语进行出现次数统计处理的风险词统计层、用于根据风险词统计层中得到的风险词出现次数统计结果对新闻事件进行风险类型标记处理的风险事件类别标记层和用于将风险事件类别标记层所标记的风险事件进行输出的风险事件输出层。
具体的,通过事件输入层将新闻事件输入预设风险事件类型识别模型,然后通过分词层对新闻事件的语句进行分词,再通过分词筛选层将分词后得到的新闻事件的分词集中的无意义的词语进行剔除,例如,呢、啊、的等没有实际意义的语气词,将剩余的词语作为待识别词语集,然后通过风险词识别层对待识别词语集中的待识别词语进行识别,得到风险词语集合,再通过风险词统计层对同个类别的风险词进行出现次数统计,例如,对于一个新闻事件,在其风险词语集合中,欺诈、诈骗、欺骗等属于金融诈骗类型的风险词语进行出现次数进行统计,得到每种风险类别的风险词语的出现次数,然后通过风险事件类别标记层,根据风险词出现次数统计结果进行对新闻事件进行风险类型标记,例如,在一个新闻事件中,金融诈骗类型的风险词出现了8次,在风险事件类别标记层中预设风险类型阈值,其中,金融诈骗类型阈值为7,则,可将该新闻事件标记为风险类别为金融诈骗类型的风险事件;最后,通过风险事件输出层将标记有风险类别的风险事件以及标记了相应企业名称的风险事件输出,得到风险事件集。
作为本发明的一个可选实施例,风险类型标记模块230包括新闻事件集输入单元、分词处理单元、无意义词语剔除单元、风险词语识别单元、统计处理单元、风险事件类别标记单元和风险事件集获取单元(图中未示出),其中,
新闻事件集输入单元,用于将新闻事件集中的新闻事件输入预设风险事件类型识别模型;
分词处理单元,用于对新闻事件进行分词处理,得到新闻事件分词集;
无意义词语剔除单元,用于根据预设无意义词汇表,剔除新闻事件分词集中无意义的词语,得到待识别词语集;
风险词语识别单元,用于根据预设风险词汇表,从待识别词语集中识别出风险词语,得到风险词语集;
统计处理单元,用于按照预设风险类型词语表,对风险词语集中的每种风险类型的风险词语的出现次数进行统计处理,得到每种风险类型的风险词语的出现次数,作为风险词出现次数统计结果;
风险事件类别标记单元,用于根据预设风险类型阈值和风险词出现次数统计结果,对新闻事件进行风险事件类别标记处理,得到带有风险类别的风险事件;
风险事件集获取单元,用于汇总新闻事件集中所有带有风险类别的风险事件,并将风险事件与对应的企业进行关联,得到风险事件集。
具体的,先通过新闻事件集输入单元,将新闻事件集中的新闻事件输入预设风险事件类型识别模型中,由于新闻事件一般是通过一个或多个语句构成,为了便于计算机对风险事件的识别,需要对语句中的风险词语进行识别,因此,通过分词处理单元,对新闻事件进行分词处理,到新闻事件分词集;由于,新闻事件分词集中存在的无意义的词语,为了便于后续的风险词语识别,因此,通过无意义词语剔除单元,根据预设无意义词汇表,剔除新闻事件分词集中无意义的词语,得到待识别词语集,然后通过风险词语识别单元,根据预设风险词汇表,从待识别词语集中识别出风险词语,得到风险词语集;然后再通过统计处理单元,根据预设风险类型词语表,对风险词语集中的每种风险类型的风险词语的出现次数进行统计处理,得到每种风险类型的风险词语的出现次数,作为风险词出现次数统计结果,例如,对于金融诈骗类型,可对应包括多个风险词,例如,欺骗、诈骗等词语,从而根据预设风险类型词语表能够将风险词语集中的风险词语进行归类;然后对每种风险类型的风险词语的出现次数进行统计,得到每种风险类型的风险词语的出现次数,然后再通过风险事件类别标记单元,根据每种风险类型对应的预设风险类型阈值,判断对应的新闻事件属于哪些风险类型,并进行风险类型标记,得到带有风险类别的风险事件,最后通过风险事件集获取单元,汇总新闻事件集中所有带有风险类别的风险事件,并将风险事件与对应的企业进行关联,得到风险事件集。
风险等级评估模块240,用于基于风险事件集和所述关系图谱,通过预设企业风险等级评估模型对目标企业进行风险等级评估,生成对目标企业的风险等级评估信息。
具体的,可通过API接口调用预设企业风险等级评估模型,由于预设企业风险等级评估模型为预先训练得到的模型,因此,预设企业风险等级评估模型能够根据风险事件集和关系图谱对目标企业进行风险等级评估,得到目标企业的风险等级评估信息,其中,风险等级可以为高风险、中风险、低风险。
作为本发明的一个可选实施例,预设企业风险等级评估模型的训练方法包括:
采集样本目标企业与样本关联企业的风险事件集的历史数据以及与历史数据对应的历史风险等级标记数据;
将风险事件集的历史数据作为输入,将历史数据对应的历史风险等级标记数据作为输出结果对预设神经网络基础模型进行模型深度学习训练,得到初级风险等级评估模型;
对初级风险等级评估模型的准确率进行检验,当初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型。
具体的,先采集目标企业与样本关联企业的风险事件集的历史数据以及与历史数据对应的历史风险等级标记数据,将风险事件集的历史数据作为输入输进预设神经网络基础模型中,将历史数据对应的历史风险等级标记数据作为输出结果,从预设神经网络基础模型中输出,通过大量的深度学习训练,得到初级风险等级评估模型,为了确保初级风险等级评估模型的准确率,需要再对初级风险等级评估模型的准确率进行检验,当初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型。
作为本发明的一个可选实施例,对初级风险等级评估模型的准确率进行检验,当初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型包括:
将样本目标企业与样本关联企业的风险事件集的历史数据作为验证输入数据,将与风险事件集的历史数据对应的历史风险等级标记数据作为验证结果数据;
将验证输入数据输入所述初级风险等级评估模型中,通过初级风险等级评估模型对验证输入数据进行风险等级评估预测,得到预测结果数据;
根据验证结果数据,从预测结果数据中筛选出预测结果为准确的数据;
根据风险等级评估预测的预测次数和预测结果为准确的数据,通过模型预测准确率公式计算出初级企业风险预警模型的准确率;其中,模型预测准确率公式为:
准确率=预测结果为准确的数据/预测次数;
初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型。
具体的,将样本目标企业与样本关联企业的风险事件集的历史数据作为验证输入数据,将与风险事件集的历史数据对应的历史风险等级标记数据作为验证结果数据,其中,历史风险等级标记数据也可由人工标记的等级标记数据进行替换,其目的在于作为初级风险等级评估模型的预测结果数据的对比验证数据,通过预测准确率公式计算出初级风险等级评估模型的准确率,当初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型,例如,预设准确率阈值为70%,当初级风险等级评估模型的准确率大于等于70%时,完成模型深度学习训练,得到预设企业风险等级评估模型,否则,需要对模型进行参数调整,直到算法收敛,得到的准确率大于等于预设准确率阈值,其中,预设准确率阈值可根据实际项目需要进行设定。
预警信息生成模块250,用于根据目标企业的风险等级评估信息,按照预设风险等级预警规则生成对目标企业的预警信息。
具体的,预设风险等级预警规则包括对不同风险等级进行不同的预警信息,例如,对于高风险进行红色预警标记,对于中风险进行黄色标记,对于低风险进行绿色标记,或者,直接以文字的形式生成预警信息。
如图3所示,是本发明一个实施例实现基于知识图谱的企业风险预警方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于知识图谱的企业风险预警程序12。
其中,所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于知识图谱的企业风险预警程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于知识图谱的企业风险预警程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于知识图谱的企业风险预警程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱;其中,关联企业为与目标企业存在联系的企业;
根据关系图谱,通过预设的搜索引擎收集目标企业的新闻事件和关联企业的新闻事件,得到新闻事件集;
通过预设风险事件类型识别模型,对新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集;其中,风险事件集中的每个风险事件均标记有相应的风险类型和对应的企业名称;
基于风险事件集和关系图谱,通过预设企业风险等级评估模型对目标企业进行风险等级评估,生成对目标企业的风险等级评估信息;
根据目标企业的风险等级评估信息,按照预设风险等级预警规则生成对目标企业的预警信息。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。需要强调的是,为进一步保证上述所述关系图谱的私密和安全性,上述关系图谱还可以存储于一区块链的节点中。
进一步地,所述电子设备1集成的模块/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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于知识图谱的企业风险预警方法,应用于电子装置,其特征在于,所述方法包括:
基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱;其中,所述关联企业为与所述目标企业存在联系的企业;
根据所述关系图谱,通过预设的搜索引擎收集所述目标企业的新闻事件和所述关联企业的新闻事件,得到新闻事件集;
通过预设风险事件类型识别模型,对所述新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集;其中,所述风险事件集中的每个风险事件均标记有相应的风险类型和对应的企业名称;
基于所述风险事件集和所述关系图谱,通过预设企业风险等级评估模型对所述目标企业进行风险等级评估,生成对所述目标企业的风险等级评估信息;
根据所述目标企业的风险等级评估信息,按照预设风险等级预警规则生成对所述目标企业的预警信息。
2.根据权利要求1所述的基于知识图谱的企业风险预警方法,其特征在于,所述关系图谱存储于区块链中,所述基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱包括:
收集与所述目标企业有关系的企业名称,作为关联企业的名称;
基于所述关联企业与所述目标企业之间的关联关系,以所述目标企业的名称为核心,建立所述关联企业的名称与所述目标企业的名称的关联关系,得到所述目标企业与所述关联企业之间的关系图谱。
3.根据权利要求1所述的基于知识图谱的企业风险预警方法,其特征在于,所述根据所述关系图谱,通过预设的搜索引擎收集所述目标企业的新闻事件和所述关联企业的新闻事件,得到新闻事件集包括:
根据所述关系图谱,确定所述目标企业的名称和与所述目标企业的名称相关的关联企业的名称,作为待收集新闻事件的企业名称;
按照预设时间间隔,更新与所述待收集新闻事件的企业名称对应的新闻事件,得到新闻事件集。
4.根据权利要求1所述的基于知识图谱的企业风险预警方法,其特征在于,所述预设风险事件类型识别模型包括:
用于输入新闻事件的事件输入层、用于对所述新闻事件进行分词处理的分词层、用于筛除所述分词层中得到的分词集中无意义词语的分词筛选层、用于对所述分词筛选层得到的待识别词语进行风险词识别处理的风险词识别层、用于对所述风险词识别层中得到的风险词语进行出现次数统计处理的风险词统计层、用于根据所述风险词统计层中得到的风险词出现次数统计结果对所述新闻事件进行风险类型标记处理的风险事件类别标记层和用于将所述风险事件类别标记层所标记的风险事件进行输出的风险事件输出层。
5.根据权利要求4所述的基于知识图谱的企业风险预警方法,其特征在于,所述通过预设风险事件类型识别模型,对所述新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集包括:
将所述新闻事件集中的新闻事件输入所述预设风险事件类型识别模型;
对所述新闻事件进行分词处理,得到新闻事件分词集;
根据预设无意义词汇表,剔除所述新闻事件分词集中无意义的词语,得到待识别词语集;
根据预设风险词汇表,从所述待识别词语集中识别出风险词语,得到风险词语集;
按照预设风险类型词语表,对所述风险词语集中的每种风险类型的风险词语的出现次数进行统计处理,得到每种风险类型的风险词语的出现次数,作为风险词出现次数统计结果;
根据预设风险类型阈值和所述风险词出现次数统计结果,对所述新闻事件进行风险事件类别标记处理,得到带有风险类别的风险事件;
汇总所述新闻事件集中所有带有风险类别的风险事件,并将所述风险事件与对应的企业进行关联,得到风险事件集。
6.根据权利要求1所述的基于知识图谱的企业风险预警方法,其特征在于,所述预设企业风险等级评估模型的训练方法包括:
采集样本目标企业与样本关联企业的风险事件集的历史数据以及与所述历史数据对应的历史风险等级标记数据;
将所述风险事件集的历史数据作为输入,将所述历史数据对应的历史风险等级标记数据作为输出结果对预设神经网络基础模型进行模型深度学习训练,得到初级风险等级评估模型;
对所述初级风险等级评估模型的准确率进行检验,当所述初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型。
7.根据权利要求6所述的基于知识图谱的企业风险预警方法,其特征在于,所述对所述初级风险等级评估模型的准确率进行检验,当所述初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型包括:
将样本目标企业与样本关联企业的风险事件集的历史数据作为验证输入数据,将与所述风险事件集的历史数据对应的历史风险等级标记数据作为验证结果数据;
将所述验证输入数据输入所述初级风险等级评估模型中,通过所述初级风险等级评估模型对所述验证输入数据进行风险等级评估预测,得到预测结果数据;
根据所述验证结果数据,从所述预测结果数据中筛选出预测结果为准确的数据;
根据所述风险等级评估预测的预测次数和所述预测结果为准确的数据,通过模型预测准确率公式计算出所述初级企业风险预警模型的准确率;其中,所述模型预测准确率公式为:准确率=预测结果为准确的数据/预测次数;
初级风险等级评估模型的准确率大于等于预设准确率阈值时,完成模型深度学习训练,得到预设企业风险等级评估模型。
8.一种基于知识图谱的企业风险预警装置,其特征在于,所述装置包括:
关系图谱构建模块,用于基于预设的图谱构建规则,构建目标企业与关联企业之间的关系图谱;其中,所述关联企业为与所述目标企业存在联系的企业;
新闻事件集收集模块,用于根据所述关系图谱,通过预设的搜索引擎收集所述目标企业的新闻事件和所述关联企业的新闻事件,得到新闻事件集;
风险类型标记模块,用于通过预设风险事件类型识别模型,对所述新闻事件集中存在风险的新闻事件进行风险类型标记处理,得到风险事件集;其中,所述风险事件集中的每个风险事件均标记有相应的风险类型和对应的企业名称;
风险等级评估模块,用于基于所述风险事件集和所述关系图谱,通过预设企业风险等级评估模型对所述目标企业进行风险等级评估,生成对所述目标企业的风险等级评估信息;
预警信息生成模块,用于根据所述目标企业的风险等级评估信息,按照预设风险等级预警规则生成对所述目标企业的预警信息。
9.一种电子设备,其特征在于,所述电子设备包括:
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权利要求1至7中任一所述的基于知识图谱的企业风险预警方法的步骤。
10.一种计算机可读存储介质,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如权利要求1至7中任一所述的基于知识图谱的企业风险预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210151435.0A CN114519524A (zh) | 2022-02-18 | 2022-02-18 | 基于知识图谱的企业风险预警方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210151435.0A CN114519524A (zh) | 2022-02-18 | 2022-02-18 | 基于知识图谱的企业风险预警方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519524A true CN114519524A (zh) | 2022-05-20 |
Family
ID=81599059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210151435.0A Pending CN114519524A (zh) | 2022-02-18 | 2022-02-18 | 基于知识图谱的企业风险预警方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519524A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115408702A (zh) * | 2022-11-01 | 2022-11-29 | 浙江城云数字科技有限公司 | Stacking接口运行风险等级评估方法及其应用 |
CN115630846A (zh) * | 2022-12-07 | 2023-01-20 | 速度时空信息科技股份有限公司 | 适用于自然灾害风险综合监测数据的处理方法 |
CN115687721A (zh) * | 2022-10-28 | 2023-02-03 | 盐城金堤科技有限公司 | 企业动态信息推荐方法、装置、计算设备及存储介质 |
CN116629620A (zh) * | 2023-07-26 | 2023-08-22 | 太平金融科技服务(上海)有限公司深圳分公司 | 一种风险等级确定方法、装置、电子设备及存储介质 |
CN117495538A (zh) * | 2023-10-30 | 2024-02-02 | 北京融和云链科技有限公司 | 订单融资的风险性评估方法和模型训练方法 |
CN117670017A (zh) * | 2023-06-28 | 2024-03-08 | 上海期货信息技术有限公司 | 一种基于事件的风险识别方法、装置以及电子设备 |
-
2022
- 2022-02-18 CN CN202210151435.0A patent/CN114519524A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687721A (zh) * | 2022-10-28 | 2023-02-03 | 盐城金堤科技有限公司 | 企业动态信息推荐方法、装置、计算设备及存储介质 |
CN115408702A (zh) * | 2022-11-01 | 2022-11-29 | 浙江城云数字科技有限公司 | Stacking接口运行风险等级评估方法及其应用 |
CN115408702B (zh) * | 2022-11-01 | 2023-02-14 | 浙江城云数字科技有限公司 | Stacking接口运行风险等级评估方法及其应用 |
CN115630846A (zh) * | 2022-12-07 | 2023-01-20 | 速度时空信息科技股份有限公司 | 适用于自然灾害风险综合监测数据的处理方法 |
CN117670017A (zh) * | 2023-06-28 | 2024-03-08 | 上海期货信息技术有限公司 | 一种基于事件的风险识别方法、装置以及电子设备 |
CN116629620A (zh) * | 2023-07-26 | 2023-08-22 | 太平金融科技服务(上海)有限公司深圳分公司 | 一种风险等级确定方法、装置、电子设备及存储介质 |
CN116629620B (zh) * | 2023-07-26 | 2024-02-02 | 太平金融科技服务(上海)有限公司深圳分公司 | 一种风险等级确定方法、装置、电子设备及存储介质 |
CN117495538A (zh) * | 2023-10-30 | 2024-02-02 | 北京融和云链科技有限公司 | 订单融资的风险性评估方法和模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN111782900B (zh) | 异常业务检测方法、装置、电子设备及存储介质 | |
CN113780691A (zh) | 数据测试方法、装置、电子设备及存储介质 | |
CN112016905B (zh) | 基于审批流程的信息展示方法、装置、电子设备及介质 | |
CN112463530A (zh) | 微服务***的异常检测方法、装置、电子设备及存储介质 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN114492663A (zh) | 事件智能分拨方法、装置、设备及存储介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN113313211A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113256181A (zh) | 风险因子预测方法、装置、设备及介质 | |
CN115471215B (zh) | 一种业务流程处理方法及装置 | |
CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
CN114722146A (zh) | 基于人工智能的供应链资产校验方法、装置、设备及介质 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN114662095A (zh) | 基于操作数据的安全监测方法、装置、设备及存储介质 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
CN114548825B (zh) | 投诉工单失真检测方法、装置、设备及存储介质 | |
CN117235480B (zh) | 基于大数据实现数据加工下的筛选方法及*** |
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 |