CN117575328A - 一种基于图注意力神经网络的产业链风险评估方法及装置 - Google Patents
一种基于图注意力神经网络的产业链风险评估方法及装置 Download PDFInfo
- Publication number
- CN117575328A CN117575328A CN202311699916.6A CN202311699916A CN117575328A CN 117575328 A CN117575328 A CN 117575328A CN 202311699916 A CN202311699916 A CN 202311699916A CN 117575328 A CN117575328 A CN 117575328A
- Authority
- CN
- China
- Prior art keywords
- node
- risk
- industrial chain
- value
- nodes
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012502 risk assessment Methods 0.000 title claims abstract description 33
- 238000013210 evaluation model Methods 0.000 claims abstract description 39
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000002776 aggregation Effects 0.000 claims description 21
- 238000004220 aggregation Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000007526 fusion splicing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及产业链风控管理技术领域,公开了一种基于图注意力神经网络的产业链风险评估方法及装置,旨在解决现有产业链风险评估方式存在准确性较差的问题,方案主要包括:根据待评估产业链的数据信息构建产业链上中下游的网络拓扑结构;构建图注意力神经网络评估模型并进行模型训练,利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数;根据节点风险值和注意力关系系数计算同层节点的聚合风险值,根据同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值,并根据上中下游风险值计算得到待评估产业链的整体风险值。本申请提高了产业链风险评估的准确性,特别适用于新能源汽车产业链。
Description
技术领域
本申请涉及产业链风控管理技术领域,具体涉及一种基于图注意力神经网络的产业链风险评估方法及装置。
背景技术
产业链安全是确保经济高质量发展的基础,对产业链进行科学评价,构建产业链安全风险评估与预警监测体系事关国家发展与安全。产业链风险具有依赖性,产业链中的不同环节和参与者之间存在着相互依赖的关系,一个环节的风险问题可能会传导到其他环节,并对整个产业链产生连锁反应。产业链风险评估可以帮助识别和评估潜在的风险因素,并为各个环节和参与者提供风险管理和控制的依据。
当前产业链安全风险评估的相关研究主要呈现以下特点:第一,对于产业链风险的研究相对较少尚不深入且偏重于概念辨析和定性分析,同时,对产业链风险的定量评估方法相对较少,更多的是从供应链管理角度出发,研究方法对产业链研究并不适用。参见文献:李政,王思霓.《产业链安全风险评估与预警监测体系构建研究》[J].创新科技,2022,该文章仅仅是定性描述了构建产业链风险评估与预警监测体系的必要性、思路与关键环节和政策建议。参见文献:戴宾,杨茜.《重点产业链供应链安全风险特征识别与治理机制设计》[J].珞珈管理评论,46(1):1-10,该文章仅定性提出了界定重点产业链供应链的二级指标体系、重点产业链供应链安全风险的特征、类型以及治理机制。第二,针对一些行业的定量分析主要是对现状数据的简单统计,不能有效反映产业链风险。具体表现为,当前研究主要从产业链的竞争力、控制力、依存度等方面进行评估,大多从产业链的内涵特征和宏观局势出发,提出产业链安全风险的评估路径,在指标体系的构建与评估中,一些研究使用平衡积分卡、文本挖掘、AHC等方法来建立指标体系进行评估,例如,申请公布号CN114493078A公开的一种能源电力产业链的风险预警方法、***、设备和介质。由于依赖专家意见、经验和专业知识,这种方法容易受到评估人员的主观偏见和个人经验的影响,导致评估结果的不确定性和主观性。
申请公布号CN115860474A公开了一种基于集成学习的产业链安全预警方法与***,以及文献:潘盟,张建同,陈晓东.《基于神经网络的汽车供应链风险评估研究》[J].上海管理科学,2019,分别记载了机器学习和深度学习运用于产业链风险评估的方法。这类方法仍需要依赖专家评分的辅助,同时缺少对产业链内部风险要素以及企业节点间风险传导机制的考量,又特别是忽视了产业链内部上下游网络关系结构信息的捕捉,缺乏对产业链网络复杂关系信息的挖掘,无法准确分析风险在产业链中的传播路径和影响程度,难以全面识别潜在的风险点和漏洞,最终可能导致评估结果的偏差和不准确性。上述局限性使得现有方法难以准确、早期地识别产业链风险。
发明内容
本申请旨在解决现有产业链风险评估方式存在准确性较差的问题,提出一种基于图注意力神经网络的产业链风险评估方法及装置。
本申请解决上述技术问题所采用的技术方案是:
第一方面,本申请提供一种基于图注意力神经网络的产业链风险评估方法,所述方法包括:
根据待评估产业链的数据信息构建产业链上中下游的网络拓扑结构,获得待评估产业链网络;
构建图注意力神经网络评估模型并进行模型训练,利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数;
根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,根据所述同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值,并根据所述上中下游风险值计算得到待评估产业链的整体风险值。
进一步地,所述待评估产业链的数据信息包括产业链上企业的属性特征以及产业链中企业之间的关系信息;
所述属性特征包括企业技术创新能力指标数据、企业盈利能力指标数据、企业市场竞争力指标数据、企业技术链指标数据、企业资本链指标数据、企业市场链指标数据、企业自然政治环境指标数据、政策环境指标数据以及人才保障条件指标数据;
所述关系信息包括产业链上游子链、中游子链和下游子链中存在的供应关系、投资关系、协作关系和竞争关系。
进一步地,所述网络拓扑结构的构建方法包括:
统计所述待评估产业链上的全部企业及企业间的关联关系,对所述全部企业进行层级及类别划分,并基于所述层级及类别划分结果,确定上中下游企业,将所述全部企业将作为网络节点,将所述企业间的关联关系作为边,基于网络节点和边构建产业链上中下游对应的拓扑网络。
进一步地,所述图注意力神经网络评估模型包括输入层、图注意力层、密集全连接层和输出层,图注意力神经网络评估模型的构建过程包括:
计算产业链网络节点中心特征向量和节点属性特征向量,并利用图注意力机制将两个特征向量融合拼接成一个中心节点嵌入作为所述图注意力神经网络评估模型的输入层;
将所述融合后节点嵌入特征输入图注意力层,得到节点的输出特征;
将节点的图注意力层输出特征输入到密集全连接层,得到节点的密集全连接层输出特征;
将节点的密集全连接层输出特征输入输出层,得到节点的风险预测值。
进一步地,所述特征向量融合拼接过程包括:
首先计算节点网络节点中心特征向量和节点属性特征向量/>的权重,表达式如下:
其中,表示节点网络节点中心特征向量/>的权重,/>表示节点属性特征向量/>的权重,σ表示LeakyReLU激活函数,Wc和WX表示可学习变换矩阵,/>表示网络节点中心特征向量/>对应的科学系的注意力权重向量,/>表示节点属性特征向量/>对应的科学系的注意力权重向量,[·]表示向量的拼接操作;
然后通过Softmax函数对权重进行归一化处理,表达式如下:
最后得到融合后的节点嵌入表达式如下:
其中,和/>表示权重归一化结果。
进一步地,将所述融合后节点嵌入特征输入图注意力层,其计算过程包括:
计算注意力层节点的向量嵌入,表达式为:zi=Whi,其中,zi表示节点i的向量嵌入,W表示可学习权重矩阵,hi表示节点i的嵌入特征;
计算节点i与其一阶邻居节点j的注意力值,表达式为:eij=σ(αT[zi||zj]),其中,σ表示LeakyReLU激活函数,αT表示可学习参数矩阵,zj表示节点j的向量嵌入;
将注意力值归一化,表达式为:αij=softmax(eij);
将节点i进行加权求和,得到节点i的最终输出特征计算表达式为:/> 其中,N(i)表示节点i所有一阶邻居节点,αij表示注意力值归一化结果;
所述密集全连接层输出特征的计算表达式为:其中,si表示节点i的密集全连接层输出特征,xL=HL([x0,x1,...,xL-1])表示第L层的密集全连接层,HL为级联函数;
所述节点的风险预测值的计算表达式为:其中,/>表示节点i的风险预测值,/>表示可学习权重。
进一步地,所述图注意力神经网络评估模型的训练方法包括:
选取所述待评估产业链网络中的训练节点,使用所述图注意力神经网络评估模型计算训练节点中每个节点的风险预测值,计算损失函数,根据损失函数计算损失值,并通过反向传播更新所述图注意力神经网络评估模型的可学习参数;
重复上述步骤,直至损失值收敛值,训练结束。
进一步地,根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,具体包括:
分别计算各关系信息表示的聚合风险值,根据各关系信息表示的聚合风险值计算同层节点的聚合风险值;
其中,竞争关系表示的风险值聚合值的计算表达式为:其中,/>为第l层第i个细分行业的竞争关系聚合风险值,M(i)表示节点i竞争关系下的所有一阶邻居节点,M表示节点i竞争关系下的一阶邻居节点的数量,/>表示节点i的风险预测值,αij表示注意力值归一化结果;
投资关系表示的风险值聚合值计算表达式为:其中,/>为第l层第i个细分行业的投资关系聚合风险值,N(i)表示节点i投资关系下的所有一阶邻居节点,M表示节点i投资关系下的一阶邻居节点的数量;
供应关系表示的风险值聚合值计算表达式为:其中,/>为第l层第i个细分行业的供应关系聚合风险值,P(i)表示节点i供应关系下的所有一阶邻居节点,P表示节点i供应关系下的一阶邻居节点的数量;
所述同层节点的聚合风险值的计算表达式为:/>
进一步地,所述上中下游风险值的计算表达式为:
其中,R表示上游、中游或下游的风险值,表示对应的同层节点的聚合风险值;
所述待评估产业链的整体风险值Ri的计算表达式为:
其中,R1表示上游风险值,R2表示中游风险值,R3表示下游的风险值。
第二方面,本申请提供一种基于图注意力神经网络的产业链风险评估装置,所述装置包括:
构建模块,用于根据待评估产业链的数据信息构建产业链上中下游的网络拓扑结构,获得待评估产业链网络;
预测模块,用于构建图注意力神经网络评估模型并进行模型训练,利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数;
计算模块,用于根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,根据所述同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值,并根据所述上中下游风险值计算得到待评估产业链的整体风险值。
本申请的有益效果是:本申请提供的基于图注意力神经网络的产业链风险评估方法及装置,通过挖掘产业链上中下游各环节存在的多种复杂关系网络结构信息将原本孤立的节点连接成网络子图,利用融合多种关系的网络子图结构特征和节点属性特征预测中心节点风险值,再根据聚合方法得到产业链各环节风险值以及整体风险值,充分利用了产业链多种拓扑关系来对产业链风险进行识别,从而解决产业链风险评估领域应用时仅使用节点属性数据时效果不佳的问题,并且具有很高的效率与风险评估精度,能够帮助决策者更好地管理和控制产业链中的安全风险。
附图说明
图1为本申请实施例提供的一种基于图注意力神经网络的产业链风险评估方法的流程示意图;
图2为本申请实施例提供的一种待评估产业链网络结构的示例图;
图3为本申请实施例提供的一种图注意力神经网络模型的结构示意图;
图4为本申请实施例提供的一种基于图注意力神经网络的产业链风险评估装置的结构示意图;
图5为本申请实施例提供的另一种基于图注意力神经网络的产业链风险评估装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。
本申请实施例的技术方案适用于需要对产业链进行风险评估的应用场景中,例如新能源汽车产业链。
由于目前产业链风险评估应用仅使用节点属性数据,忽视了产业链内部上下游网络关系结构信息的捕捉,缺乏对产业链网络复杂关系信息的挖掘,无法准确分析风险在产业链中的传播路径和影响程度,难以全面识别潜在的风险点和漏洞,最终可能导致评估结果的偏差和不准确性。
基于此,提出本申请的技术方案,在本申请实施例中,根据待评估产业链的数据信息构建产业链上中下游的网络拓扑结构,获得待评估产业链网络;构建图注意力神经网络评估模型并进行模型训练,利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数;根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,根据所述同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值,并根据所述上中下游风险值计算得到待评估产业链的整体风险值。本申请实施例基于产业链网络拓扑关系,通过图注意力神经网络计算产业链节点风险值,进一步通过同层与跨层风险聚合方法得到产业链各个环节以及产业链整体的风险值,充分利用了产业链多种拓扑关系来对产业链风险进行识别,解决了传统产业链风险评估应用仅使用节点属性信息效果不佳的问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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。
请参阅图1,本申请实施例提供的基于图注意力神经网络的产业链风险评估方法,包括以下步骤:
步骤101、根据待评估产业链的数据信息构建产业链上中下游的网络拓扑结构,获得待评估产业链网络;
在本申请实施例中,所述待评估产业链的数据信息包括产业链上企业的属性特征以及产业链中企业之间的关系信息。
所述属性特征包括企业技术创新能力指标数据、企业盈利能力指标数据、企业市场竞争力指标数据、企业技术链指标数据、企业资本链指标数据、企业市场链指标数据、企业自然政治环境指标数据、政策环境指标数据以及人才保障条件指标数据。
其中,企业技术创新能力指标数据用于衡量企业在技术研发、创新能力方面的表现,对应细分指标如研发投入增速、研发投入占销售收入比重、资本化研发投入占比、技术人员占比、本科及以上学历员工占比、专利申请数量、专利强度、发明专利占比等;企业盈利能力指标数据反映企业的盈利水平和财务状况,对应细分指标如净利润增长率、成本利润率、净资产收益率等;企业市场竞争力指标数据评估企业在市场上的竞争地位和能力,对应细分指标国内市场占有率、国际市场份额、销售市场份额、销售利润率、市场增长率、自由品牌价值、融资规模等;企业技术链指标数据描述企业在产业链上的技术控制力,对应细分指标如供应商国别集中度、供应链集中度、国外专利申请占比、外资核心技术专利控制率、专利被引用次数、专利被国外专利引用次数、国外期刊发表论文数量等;企业资本链指标数据描述企业在产业链上的资本控制力,对应细分指标如海外融资规模占比、外资股权控制率;企业市场链指标数据描述企业在产业链上的市场控制力,对应细分指标如外资企业在国内市场的占有率、上市公司海外业务收入占比等;企业自然政治环境指标数据考察关键企业所需关键投入品供应地是否发生重大自然灾害、流行性疫病、政治动荡、战争等极端情况;政策环境指标数据评估政府政策对企业的支持力度,对应细分指标如财政资金支持金额、主要出口产品被收取关税的平均水平、跨国并购或投资笔数等;人才保障条件指标数据描述企业所在行业国际人才引进数量及增速、所在行业关键技术发明人员我国人员占比、前沿技术文献发表者我国人员占比等。
所述关系信息包括产业链上游子链、中游子链和下游子链中存在的供应关系、投资关系、协作关系和竞争关系。
请参阅图2,如由企业A通过对企业C的股权投资或企业B对企业Cd债券投资形成的投资关系(左上),由企业B和企业C由于同属于一个细分行业,生成的产品或提供的服务同质或相似而形成的竞争关系(右上),由处于上游的企业A对下游企业B提供产品或服务而形成的供应关系(左下)以及由企业A和企业B分别提供产品1和服务2才能完成企业C中的某个产品或服务而形成的协作关系(右下)。
在本申请实施例中,所述网络拓扑结构的构建过程包括:统计所述待评估产业链上的全部企业及企业间的关联关系,对所述全部企业进行层级及类别划分,并基于所述层级及类别划分结果,确定上中下游企业,将所述全部企业将作为网络节点,将所述企业间的关联关系作为边,基于网络节点和边,得到待评估产业链上中下游对应的拓扑网络。
步骤102、构建图注意力神经网络评估模型并进行模型训练,利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数;
请参阅图3,本申请实施例中的图注意力神经网络评估模型包括输入层、图注意力层、密集全连接层和输出层,其构建过程包括以下步骤:
步骤1021、计算产业链网络节点中心特征向量(如节点的局部属性、节点的全局属性、节点的位置属性、节点嵌入等)和节点属性特征向量,并利用图注意力机制将两个特征向量融合拼接成一个中心节点嵌入作为所述图注意力神经网络评估模型的输入层;
在本申请实施例中,特征向量融合拼接过程包括以下步骤:
步骤10211、首先计算节点网络节点中心特征向量和节点属性特征向量/>的权重,表达式如下:
其中,表示节点网络节点中心特征向量/>的权重,/>表示节点属性特征向量/>的权重,σ表示LeakyReLU激活函数,Wc和WX表示可学习变换矩阵,/>表示网络节点中心特征向量/>对应的科学系的注意力权重向量,/>表示节点属性特征向量/>对应的科学系的注意力权重向量,[·]表示向量的拼接操作;
步骤10212、然后通过Softmax函数对权重进行归一化处理,表达式如下:
步骤10213、最后得到融合后的节点嵌入表达式如下:
其中,和/>表示权重归一化结果。
步骤1022、将所述融合后节点嵌入特征输入图注意力层,得到节点的输出特征;
在本申请实施例中,将所述融合后节点嵌入特征输入图注意力层,其计算过程包括:
步骤10221、计算注意力层节点的向量嵌入,表达式为:zi=Whi,其中,zi表示节点i的向量嵌入,W表示可学习权重矩阵,hi表示节点i的嵌入特征;
步骤10222、计算节点i与其一阶邻居节点j的注意力值,表达式为:eij=σ(αT[zi||zj]),其中,σ表示LeakyReLU激活函数,αT表示可学习参数矩阵,zj表示节点j的向量嵌入;
步骤10223、将注意力值归一化,表达式为:αij=softmax(eij);
步骤10224、将节点i进行加权求和,得到节点i的最终输出特征计算表达式为:/> 其中,N(i)表示节点i所有一阶邻居节点,αij表示注意力值归一化结果。
步骤1023、将节点的图注意力层输出特征输入到密集全连接层,得到节点的密集全连接层输出特征;
其中,所述密集全连接层输出特征的计算表达式为:
其中,di表示节点i的密集全连接层输出特征,xL=HL([x0,x1,...,xL-1])表示第L层的密集全连接层,HL为级联函数。
步骤1024、将节点的密集全连接层输出特征输入输出层,得到节点的风险预测值。
其中,所述节点的风险预测值的计算表达式为:
其中,表示节点i的风险预测值,/>表示可学习权重。
在构建获得图注意力神经网络评估模型之后需要对其进行训练,本申请实施例中,训练过程包括以下步骤:
选取所述待评估产业链网络中的训练节点,使用所述图注意力神经网络评估模型计算训练节点中每个节点的风险预测值,计算损失函数根据损失函数计算损失值,特别地,/>为节点的风险预测值,y为节点的风险真实值;并通过反向传播更新所述图注意力神经网络评估模型的可学习参数;重复上述步骤,直至损失值收敛值,训练结束。
在训练完成后,即可利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数。具体地,使用训练好的图注意力神经网络评估模型进行节点风险值预测,预测值一方面可用于补充产业链网络风险值缺失节点的风险值,另一方面可用于修正已有的节点风险值,因此,本申请提供的方法也适用于半监督学习,只需要知道部分节点的风险值就可以训练预测得到所有节点的风险值。依次对节点进行预测后,便可得到产业链节点的全部风险值以及对应的节点间注意力关系系数。
步骤103、根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,根据所述同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值,并根据所述上中下游风险值计算得到待评估产业链的整体风险值。
其中,同层节点表示产业链网络中同一个细分行业类别下的所有企业,比如新能源汽车产业链上游锂矿行业下的所有企业属于同层节点,这些企业之间由于产品同质或类似,因而存在竞争关系。同样,同层节点中,还有产业链网络中企业之间由于股权投资、债务融资等形式而形成的投资关系以及产业链网络中一家企业(如厂商或供应商)向另一个企业提供产品、原材料或服务而形成的供应关系。那么,关系级风险聚合公式为对应关系构成的节点风险值和相应的注意力关系系数的加权平均。
具体地,可以分别计算各关系信息表示的聚合风险值,在根据各关系信息表示的聚合风险值计算同层节点的聚合风险值。
在本申请实施例中,竞争关系表示的风险值聚合值的计算表达式为:
其中,为第l层第i个细分行业的竞争关系聚合风险值,M(i)表示节点i竞争关系下的所有一阶邻居节点,M表示节点i竞争关系下的一阶邻居节点的数量,/>表示节点i的风险预测值,αij表示注意力值归一化结果;
投资关系表示的风险值聚合值计算表达式为:
其中,为第l层第i个细分行业的投资关系聚合风险值,N(i)表示节点i投资关系下的所有一阶邻居节点,M表示节点i投资关系下的一阶邻居节点的数量;
供应关系表示的风险值聚合值计算表达式为:
其中,为第l层第i个细分行业的供应关系聚合风险值,P(i)表示节点i供应关系下的所有一阶邻居节点,P表示节点i供应关系下的一阶邻居节点的数量;
则所述同层节点的聚合风险值的计算表达式为:
需要注意的是,本申请实施例中只演示了三种关系的聚合方式,更多关系的聚合可参照此聚合方法进行。
可以理解,跨层节点表示产业链拓扑网络中的不同行业及细分子行业类别,比如新能源汽车产业链上游原材料包括锂矿、电解液、正极材料、负极材料、隔膜和其他金属,由这些上游原材料下的子行业构成网络节点即为跨层节点,跨层节点的风险值包括上中下游风险值。
在本申请实施例中,所述上中下游风险值的计算表达式为:
其中,R表示上游、中游或下游的风险值,表示对应的同层节点的聚合风险值;
所述待评估产业链的整体风险值Ri的计算表达式为:
其中,R1表示上游风险值,R2表示中游风险值,R3表示下游的风险值。
综上所述,本申请实施例提供的基于图注意力神经网络的产业链风险评估方法,基于产业链网络拓扑关系,通过图注意力神经网络计算产业链节点风险值,进一步通过同层与跨层风险聚合方法得到产业链各个环节以及产业链整体的风险值,充分利用了产业链多种拓扑关系来对产业链风险进行识别,解决了传统产业链风险评估应用仅使用节点属性信息效果不佳的问题,能够帮助决策者更好地管理和控制产业链中的安全风险。
请参阅图4,基于上述技术方案,本申请实施例还提供一种基于图注意力神经网络的产业链风险评估装置,所述装置包括:
构建模块,用于根据待评估产业链的数据信息构建产业链上中下游的网络拓扑结构,获得待评估产业链网络;
预测模块,用于构建图注意力神经网络评估模型并进行模型训练,利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数;
计算模块,用于根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,根据所述同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值,并根据所述上中下游风险值计算得到待评估产业链的整体风险值。
请参阅图5,在本申请实施例中,构建模块负责数据采集和处理,主要是采集与待评估产业链相关的网络节点属性特征数据和网络节点的关系信息数据,并对所述相关数据进行数据预处理操作,使得数据满足图注意力神经网络模型训练的要求。
预测模块包括图注意力神经网络模型训练单元、节点风险值计算单元和图注意力权重系数计算单元。其中,图注意力神经网络模型训练模单元用于选取所述待评估产业链网络中的训练节点,使用所述图注意力神经网络评估模型计算训练节点中每个节点的风险预测值,计算损失函数,根据损失函数计算损失值;通过反向传播更新所述图注意力神经网络评估模型的可学习参数;重复上述步骤,直到损失值收敛值,完成模型训练。节点风险值计算单元用于使用所述训练好的图注意力神经网络评估模型对待预测产业链网络节点的风险值进行预测,得到产业链节点的全部风险值。图注意力权重系数计算单元用于使用训练好的图注意力神经网络评估模型对产业链网络节点的风险值进行预测,得到产业链节点对应的节点间注意力关系系数。
计算模块包括同层风险值聚合单元、跨层风险值计算单元和产业链风险值计算单元。其中,同层风险值聚合单元用于根据节点风险值和注意力关系系数计算同层节点的聚合风险值。同层聚合风险值实质上就是产业链网络大类行业及细分行业节点的风险值,有了这个值,便可对产业链各主要环节进行实时监控,一旦出现警戒状态,即风险值波动异常,就可及时发现问题所在,即哪个环节出现了问题,以便决策者及时作出应急预案。跨层风险值计算单元用于根据同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值。跨层聚合风险值实质上就是产业链上游、中游、下游的整体风险值,有了这个值,便可对产业链上中下游整体风险进行实时监控,一旦出现警戒状态,即风险值波动异常,就能及时发现是产业链上中下游哪个环节出现了问题,以便决策者及时作出应急预案。产业链风险值计算单元用于根据上中下游聚合风险值计算最终得到待评估产业链的整体风险值。有了产业链整体风险值,便可对产业链整体风险进行实时监控,一旦出现警戒状态,即风险值波动异常,决策者便能通过溯源查找原因,方便决策者及时作出应急预案。
可以理解,由于本申请实施例所述的基于图注意力神经网络的产业链风险评估装置是用于实现实施例所述基于图注意力神经网络的产业链风险评估方法的装置,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的较为简单,相关之处参见方法的部分说明即可,此处不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
Claims (10)
1.一种基于图注意力神经网络的产业链风险评估方法,其特征在于,所述方法包括:
根据待评估产业链的数据信息构建产业链上中下游的网络拓扑结构,获得待评估产业链网络;
构建图注意力神经网络评估模型并进行模型训练,利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数;
根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,根据所述同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值,并根据所述上中下游风险值计算得到待评估产业链的整体风险值。
2.根据权利要求1所述的基于图注意力神经网络的产业链风险评估方法,其特征在于,所述待评估产业链的数据信息包括产业链上企业的属性特征以及产业链中企业之间的关系信息;
所述属性特征包括企业技术创新能力指标数据、企业盈利能力指标数据、企业市场竞争力指标数据、企业技术链指标数据、企业资本链指标数据、企业市场链指标数据、企业自然政治环境指标数据、政策环境指标数据以及人才保障条件指标数据;
所述关系信息包括产业链上游子链、中游子链和下游子链中存在的供应关系、投资关系、协作关系和竞争关系。
3.根据权利要求1所述的基于图注意力神经网络的产业链风险评估方法,其特征在于,所述网络拓扑结构的构建方法包括:
统计所述待评估产业链上的全部企业及企业间的关联关系,对所述全部企业进行层级及类别划分,并基于所述层级及类别划分结果,确定上中下游企业,将所述全部企业将作为网络节点,将所述企业间的关联关系作为边,基于网络节点和边构建产业链上中下游对应的拓扑网络。
4.根据权利要求1所述的基于图注意力神经网络的产业链风险评估方法,其特征在于,所述图注意力神经网络评估模型包括输入层、图注意力层、密集全连接层和输出层,图注意力神经网络评估模型的构建过程包括:
计算产业链网络节点中心特征向量和节点属性特征向量,并利用图注意力机制将两个特征向量融合拼接成一个中心节点嵌入作为所述图注意力神经网络评估模型的输入层;
将所述融合后节点嵌入特征输入图注意力层,得到节点的输出特征;
将节点的图注意力层输出特征输入到密集全连接层,得到节点的密集全连接层输出特征;
将节点的密集全连接层输出特征输入输出层,得到节点的风险预测值。
5.根据权利要求4所述的基于图注意力神经网络的产业链风险评估方法,其特征在于,所述特征向量融合拼接过程包括:
首先计算节点网络节点中心特征向量和节点属性特征向量/>的权重,表达式如下:
其中,表示节点网络节点中心特征向量/>的权重,/>表示节点属性特征向量/>的权重,σ表示LeakyReLU激活函数,Wc和WX表示可学习变换矩阵,/>表示网络节点中心特征向量对应的科学系的注意力权重向量,/>表示节点属性特征向量/>对应的科学系的注意力权重向量,[·]表示向量的拼接操作;
然后通过Softmax函数对权重进行归一化处理,表达式如下:
最后得到融合后的节点嵌入表达式如下:
其中,和/>表示权重归一化结果。
6.根据权利要求4所述的基于图注意力神经网络的产业链风险评估方法,其特征在于,将所述融合后节点嵌入特征输入图注意力层,其计算过程包括:
计算注意力层节点的向量嵌入,表达式为:zi=Whi,其中,zi表示节点i的向量嵌入,W表示可学习权重矩阵,hi表示节点i的嵌入特征;
计算节点i与其一阶邻居节点j的注意力值,表达式为:eij=σ(αT[zi||zj]),其中,σ表示LeakyReLU激活函数,αT表示可学习参数矩阵,zj表示节点j的向量嵌入;
将注意力值归一化,表达式为:αij=softmax(eij);
将节点i进行加权求和,得到节点i的最终输出特征计算表达式为:/> 其中,N(i)表示节点i所有一阶邻居节点,αij表示注意力值归一化结果;
所述密集全连接层输出特征的计算表达式为:其中,di表示节点i的密集全连接层输出特征,xL=HL([x0,x1,...,xL-1])表示第L层的密集全连接层,HL为级联函数;
所述节点的风险预测值的计算表达式为:其中,/>表示节点i的风险预测值,表示可学习权重。
7.根据权利要求1所述的基于图注意力神经网络的产业链风险评估方法,其特征在于,所述图注意力神经网络评估模型的训练方法包括:
选取所述待评估产业链网络中的训练节点,使用所述图注意力神经网络评估模型计算训练节点中每个节点的风险预测值,计算损失函数,根据损失函数计算损失值,并通过反向传播更新所述图注意力神经网络评估模型的可学习参数;
重复上述步骤,直至损失值收敛值,训练结束。
8.根据权利要求2所述的基于图注意力神经网络的产业链风险评估方法,其特征在于,根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,具体包括:
分别计算各关系信息表示的聚合风险值,根据各关系信息表示的聚合风险值计算同层节点的聚合风险值;
其中,竞争关系表示的风险值聚合值的计算表达式为:其中,/>为第l层第i个细分行业的竞争关系聚合风险值,M(i)表示节点i竞争关系下的所有一阶邻居节点,M表示节点i竞争关系下的一阶邻居节点的数量,/>表示节点i的风险预测值,αij表示注意力值归一化结果;
投资关系表示的风险值聚合值计算表达式为:其中,/>为第l层第i个细分行业的投资关系聚合风险值,N(i)表示节点i投资关系下的所有一阶邻居节点,M表示节点i投资关系下的一阶邻居节点的数量;
供应关系表示的风险值聚合值计算表达式为:其中,/>为第l层第i个细分行业的供应关系聚合风险值,P(i)表示节点i供应关系下的所有一阶邻居节点,P表示节点i供应关系下的一阶邻居节点的数量;
所述同层节点的聚合风险值的计算表达式为:/>
9.根据权利要求1所述的基于图注意力神经网络的产业链风险评估方法,其特征在于,所述上中下游风险值的计算表达式为:
其中,R表示上游、中游或下游的风险值,表示对应的同层节点的聚合风险值;
所述待评估产业链的整体风险值Ri的计算表达式为:
其中,R1表示上游风险值,R2表示中游风险值,R3表示下游的风险值。
10.一种基于图注意力神经网络的产业链风险评估装置,其特征在于,所述装置包括:
构建模块,用于根据待评估产业链的数据信息构建产业链上中下游的网络拓扑结构,获得待评估产业链网络;
预测模块,用于构建图注意力神经网络评估模型并进行模型训练,利用训练后的图注意力网络评估模型计算待评估产业链网络的节点风险值和注意力关系系数;
计算模块,用于根据所述节点风险值和注意力关系系数计算同层节点的聚合风险值,根据所述同层节点的聚合风险值计算跨层节点的风险值得到上中下游风险值,并根据所述上中下游风险值计算得到待评估产业链的整体风险值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311699916.6A CN117575328A (zh) | 2023-12-12 | 2023-12-12 | 一种基于图注意力神经网络的产业链风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311699916.6A CN117575328A (zh) | 2023-12-12 | 2023-12-12 | 一种基于图注意力神经网络的产业链风险评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117575328A true CN117575328A (zh) | 2024-02-20 |
Family
ID=89864244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311699916.6A Pending CN117575328A (zh) | 2023-12-12 | 2023-12-12 | 一种基于图注意力神经网络的产业链风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575328A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786131A (zh) * | 2024-02-23 | 2024-03-29 | 广东省投资和信用中心(广东省发展和改革事务中心) | 一种产业链安全监测分析方法、介质及设备 |
-
2023
- 2023-12-12 CN CN202311699916.6A patent/CN117575328A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786131A (zh) * | 2024-02-23 | 2024-03-29 | 广东省投资和信用中心(广东省发展和改革事务中心) | 一种产业链安全监测分析方法、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barak et al. | A novel hybrid fuzzy DEA-Fuzzy MADM method for airlines safety evaluation | |
CN110110981B (zh) | 一种信用评级违约概率测度与风险预警方法 | |
Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
Ko et al. | Dynamic prediction of project success using artificial intelligence | |
Hajek et al. | Intuitionistic fuzzy grey cognitive maps for forecasting interval-valued time series | |
CN117575328A (zh) | 一种基于图注意力神经网络的产业链风险评估方法及装置 | |
Luo et al. | Bayesian belief network-based project complexity measurement considering causal relationships | |
Agami et al. | An innovative fuzzy logic based approach for supply chain performance management | |
CN111429016A (zh) | 基于工业互联网平台的小微企业融资风控方法及*** | |
Guo et al. | Automatic design for shop scheduling strategies based on hyper-heuristics: A systematic review | |
Morozko et al. | Applying the theory of fuzzy logic in the financial management of small companies | |
CN114154866A (zh) | 一种上市企业财务风险预警方法和*** | |
KR102499181B1 (ko) | 인공지능을 이용한 대출 상시감사지원시스템 | |
CN117495094A (zh) | 一种产业链安全风险综合评估预警方法与*** | |
CN116911994B (zh) | 对外贸易风险预警*** | |
Zhang | A deep learning model for ERP enterprise financial management system | |
Hermansah et al. | Automatic time series forecasting using nonlinear autoregressive neural network model with exogenous input | |
CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
CN117455681A (zh) | 业务风险预测方法和装置 | |
Ying et al. | Research on tax inspection case selection model based on Bayesian network | |
Sumo et al. | Performance prediction of a textile reverse logistics system using DEA and ANFIS hybrid models | |
Seabrook et al. | Structural importance and evolution: An application to financial transaction networks | |
Mashinchi et al. | Constructing a customer’s satisfactory evaluator system using GA-based fuzzy artificial neural networks | |
Chen et al. | A ranking of software reliability evaluation based on intuitionistic fuzzy aggregation technique | |
Vahdatzad et al. | An evaluation method and clustering of credibly behavior of customers using AHP and fuzzy neural networks |
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 |