CN109472485A - 企业失信风险传播查询系统及方法 - Google Patents
企业失信风险传播查询系统及方法 Download PDFInfo
- Publication number
- CN109472485A CN109472485A CN201811295973.7A CN201811295973A CN109472485A CN 109472485 A CN109472485 A CN 109472485A CN 201811295973 A CN201811295973 A CN 201811295973A CN 109472485 A CN109472485 A CN 109472485A
- Authority
- CN
- China
- Prior art keywords
- promise
- entity
- module
- risk
- relationship
- 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
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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种企业失信风险传播查询系统及方法,该系统包括:基础数据库模块,用于输入并存储目标企业及其关联方的信息;网络图谱构建模块,其输入端与基础数据库模块的输出端连接,用于从基础数据库模块中提取数据,并构建由目标企业及其关联方组成的网络图谱;计算模型模块,其输入端与网络图谱构建模块的输出端连接,用于基于该网络图谱及失信风险传播模型,估算出目标企业的各个关联方的失信风险预测值;前端交互模块,其输入端与计算模型模块的输出端连接,用于输入查询条件,及输出该查询条件下的关联方的失信风险预测值。本系统及方法可以查询出任意层级关系的关联方的失信风险预测值。
Description
技术领域
本发明涉及企业信用查询技术领域,特别涉及一种企业失信风险传播查询系统及方法。
背景技术
随着经济的不断发展,各类企业经营活动广泛活跃。企业在经营过程中涉及上市、融资、借贷、担保、经营合作等常见活动,往往需要用到企业信用查询等方法查询企业的信用风险,从而对偿债能力、担保能力、投资可靠性等方面指标进行查询和决策。
目前第三方机构或调查人员,是直接对调查目标对象和它的直接关联方的经营情况等信息进行逐个分析,查询该目标对象的失信风险,这种方式至少存在两个缺陷:1)仅能调查单个对象和其直接关系的关联方情况,对于多层级的风险传递效应、多级关联方的相互感染等情况的深入调查相当受限,难以发现对象与对象之间的间接关系,更难以在多级穿透和风险感染、传播上进行分析;2)由于人力原因仅擅长于对最大、最小、最偏离等极值情况能较好的发现和调查,但对于大量数据中处于平均值、中位数区间的情况,人工肉眼难以逐个分析。
发明内容
本发明的目的在于改善现有技术中所存在的上述不足,提供一种企业失信风险传播的查询系统及方法。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一种企业失信风险传播查询系统,包括以下组成模块:
基础数据库模块,用于输入并存储目标企业及其关联方的信息;
网络图谱构建模块,其输入端与基础数据库模块的输出端连接,用于从基础数据库模块中提取数据,并构建由目标企业及其关联方组成的网络图谱;
计算模型模块,其输入端与网络图谱构建模块的输出端连接,用于基于该网络图谱及失信风险传播模型,估算出目标企业的各个关联方的失信风险预测值;
前端交互模块,其输入端与计算模型模块的输出端连接,用于输入查询条件,及输出该查询条件下的关联方的失信风险预测值。
另一方面,本实施例中还提供了一种企业失信风险传播查询方法,包括以下步骤:
输入并存储目标企业及其关联方的信息;
从存储的信息中提取数据,并构建由目标企业及其关联方组成的网络图谱;
基于该网络图谱及失信风险传播模型,估算出目标企业的各个关联方的失信风险预测值;
输入查询条件,并输出该查询条件下的关联方的失信风险预测值。
再一方面,本发明实施例同时提供了一种包括计算机可读指令的计算机可读存储介质,所述计算机可读指令在被执行时使处理器执行本发明实施例中所述方法中的操作。
再一方面,本发明实施例同时提供了一种电子设备,包括:存储器,存储程序指令;处理器,与所述存储器相连接,执行存储器中的程序指令,实现本发明实施例中所述方法中的步骤。
与现有技术相比,本发明的有益效果:本发明所提供的系统及方法,可以在多级穿透和风险感染、传播上进行分析,查询到任意层级任意关系路径上的关联方的失信风险值,精确量化了风险传播的分值,为进行投融资、信贷管理、风控管理、经营合作等决策提供数据参考。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为实施例中所述的企业失信风险传播查询系统的结构示意框图。
图2为工商信息的数据结构示意图。
图3为本体结构模型的示意图。
图4为渲染后的风险传播计算效果示意图。
图5为实施例中所述的企业失信风险传播查询方法的流程图。
图6为实施例中所述电子设备的组成框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在描述本实施例中提供的方法及系统之前,先对后文中涉及到的几个名词做简要说明。
关联方:是指与目标企业相关联的对象,可能是自然人,也可能是企业,所述关联主要指的是通过投资或被投资关系连接的企业与企业之间的关系,及通过投资、任职关系连接的自然人与企业之间的关系。
关联度数:指关联的程度,包括一度关联、二度关联、三度关联等等,一度关联是指直接关联,二度关联是指以一度关联为基础的间接关联(一级间接关联),三度关联是指以二度关联为基础的间接关联(二级间接关联)。例如赵某是A公司的法人,也是B公司的监事,那么A公司与赵某为一度关联关系,即赵某为A公司的一度关联方,B公司为A公司的二度关联方。
如图1所示,本实施例示意性地提供了一种企业失信风险传播查询系统,该系统包括基础数据库模块、本体构建模块、本体解析模块、图谱可视化模块、计算模型模块、前端交互模块和图谱渲染模块。
其中,基础数据库模块用于存储基础数据,基础数据包括企业工商信息和诉讼信息(即图1中所示的司法数据)。工商信息包括但不限于公司名称、注册时间、注册资本、注册地址、存续状态等信息,诉讼信息包括但不限于涉诉次数、失信次数、被执行次数等信息。可以采用基于分布式的数据库集群(分布式是指由一组计算机组成的系统,拥有多个物理和逻辑资源,可以动态分配任务。分散的物理和逻辑资源通过计算机网络实现信息交换,展现给用户的是一个统一的整体),采用SQL类关系型数据库/关系型数据仓库、NO-SQL类图数据库和时序数据库进行信息存储,方便数据建模,保证存取效率。作为举例,获取的工商信息的结构如图2所示,工商信息和诉讼信息是以表的形式存在,获取工商信息和诉讼信息后,分析表结构和字段,通过数据解析、抽取和清洗,将数据整合后,由原始数据整合后的数据结构是行列数据(如下表),存入基础数据库。原始数据由于各种客观、历史原因,往往存在各种质量问题,如脏数据、数据冗余、数据缺失、数据不一致等各种问题。清洗的目的,在于对原始数据进行处理、解决上述质量问题,使处理后的数据达到可被系统使用的级别。抽取的目的,在于从原始数据中通过工具和代码提取出本数据分析系统需要的目标数据,供知识图谱直接使用。例如,原始数据中存在前后两次股权持有信息,那么通过抽取处理可得到前后两次的股权变动比率,变动比率数据可直接被图谱使用和展示。作为举例,数据解析的结果如下表所示:
其中,本体构建模块的作用是将业务场景描述为概念模型。具体的,本体构建模块用于根据业务需求和调查目的,定义企业、个人、股票、律师事务所、会计师事务所的顶层概念(顶层概念是本体研究层次中的四个层次之一。本体研究层次有:顶层本体、领域本体、任务本体、应用本体。顶层本体研究是非常通用的概念,如时间、空间、事物、对象、事件、行为等),确定各个概念之间的关系,通过Protégé等本体构建软件,将概念、关系用OWL语言表示出来,得到本体模型(或称为本体结构模型)。
将实体(如企业、个人、股票)、关系(如投资、增减持、代理、审计等)和属性(如涉诉次数、失信次数、被执行次数、成立时间、注册资本、股票价格等)抽取和表达出来,并存储为OWL结构,如图3所示,供图谱构建和生成使用。本体模型使用OWL或RDF语言表述和存储。本体构建模块先生成本体结构模型并存储,以便于本体解析模块按照本体模型从基础数据库中抽取数据,存储为图前置数据库,用于生成图谱。一个本体结构是对一种业务、场景的抽象描述,本体结构中的“企业/公司”是个抽象化的实体概念,而某个企业是实体的实例,每一个实际存在的企业都是实例,而不是本体结构或实体。
其中,本体解析模块通过自定义标准和规则,对基础数据库中的结构化数据进行格式转化(如从csv格式转为myqsql,是技术上的格式统一),然后提取出实体(如企业、个人)及实体间的关系(如投资、高管)按照本体构建模块中建立的本体模型进行搭建,定义实体属性(企业信息、个人信息)进行实体对齐,将实体、关系、属性(如时间、价格、数量)信息进行链接和匹配,形成图谱所需的图谱前置数据表,并存储在图谱前置数据库中供图谱可视化功能模块使用。实体对齐(Entity Alignment)也被称作实体匹配(Entity Matching),是指对于异构数据源中的各个实体,找出属于现实世界中的同一实体。比如:不同结构数据源中的身份证号、护照号+国籍可以确定某个特定个人。实体对齐常用的方法是利用实体的属性信息判定不同数据源中的实体是否可进行对齐。
其中,图谱可视化模块:将上一步的本体解析模块解析后的图谱前置数据表,通过图谱可视工具,将数据以节点、边和文字标签的方式呈现(节点表示实体,边表示关系,文字标签展示节点和边的属性等信息,如图4所示。
计算模型模块:运用图论的基础挖掘方法(如路径探寻、连通性查询、扩展搜索等),设计针对业务需求的算法公式,将本体模型定义的数据如实体类型、关系和属性等,解析和转换成符合要求的取值,加入算法公式进行运算。
前端交互模块提供用户查询的入口。由终端用户输入企业的注册年限、注册资本信息,设置相应的传播路径、风险强度、衰减程度的参数等查询条件后,根据失信风险传播模型而输出相应的被感染风险值的计算结果,进而实现查询企业的信用风险,从而对偿债能力、担保能力、投资可靠性等方面指标提供决策支持。前端交互模块还提供对于得分在任意区间范围的筛选功能,能快速锁定任意得分范围的目标群。
图谱渲染模块用于将计算得到的风险传播分值进行效果渲染,从高到低地区别分值,例如根据分值从高到低逐级渲染成从深红色—>红色→橙色→橙黄色→黄色的视觉效果,便于调查人员快速锁定易感染的高风险目标,过滤掉低风险、无风险的其它对象。如图4所示(不同颜色变现为不同颜色深度)。
上述的失信风险传播模型是以传统的传染病基本模型(SIR)为基础,通过对企业工商和诉讼信息的整理和分析,拟合失信行为在企业的投资、任职、代理、审计网络中传播的数学模型,考虑风险本身强度、不同路径的不同影响力、风险随路径增加的衰减程度、被感染节点自身的免疫力等因素,将传染病基本模型(SIR)进行优化,通过机器学习确定参数值,形成企业失信风险的风险传播计算模型。
具体的,失信风险传播模型经过以下步骤生成。
1)以图谱中所有已失信的企业作为起点,遍历其四度(四度关联,当然可以根据不同需求设置关联度数范围)范围,找到所有关联方。由于失信100次的企业与失信1次的企业对于其关联方的造成的感染风险是不同的,故将已失信企业的不同失信次数计算不同的加权系数,失信次数越多,加权系数越大。此处将失信次数记为M,加权系数记为a,失信次数M与加权系数之间的对应关系,可以通过机器学习的方法得到,也可以由使用者根据经验和需求自行设置。
2)考虑失信的风险本身具有一个可量化的风险强度,记为B。对某个风险强度进行量化,可以使用大量样本集进行机器学习得到失信风险强度,此处为计算方便,也可以由终端使用者自行配置,取值范围为0.0~1.0。失信的风险例如有:经营出现异常的风险、失信违约的风险,这些风险的风险强度可以基于企业的失信数据和工商经营黑名单数据进行学习和挖掘而得到。
3)图谱中实体间的不同关系为失信风险传播的路径,但关系有亲疏,不同关系路径的传播效率是不同的。例如甲投资了乙企业,而丙会计师事务所是甲的审计机构,则投资关系与审计关系的感染概率是不同的;同时,关系的方向(正向/反向)也会影响传播路径,甲企业投资了乙企业,则若甲发生失信行为,乙具有被感染的可能性。但若乙发生了失信行为,甲作为投资方不一定会被感染。将每种关系记为Ri,每种关系的传播概率记为Pi;图谱中的相同两个节点间的关系往往存在多种,需对这两个节点间的所有关系都记为传播路径,只是不同关系的传播效率/概率不同。故需对节点间的所有关系传播概率求和,记为:m为两节点间的路径条数。关系Ri与传播概率Pi之间的对应关系,可以通过机器学习的方法得到,也可以由使用者根据经验和需求自行设置。
4)考虑失信风险将随着传播路径的传播而呈分数、指数递减的情况,即关联度数越大,受到的影响越小,如甲有失信行为,乙受到甲感染而产生了风险,但乙的关联方丙(丙不是甲的直接关联方)受到乙感染的概率将比乙受到甲感染的概率小。此处为简化计算,设置了3个层级的衰减力度:高、中、低,将3个层级的衰减系数N分别定为:(n为失信节点开始向外传播的路径度数,例如丙通过乙与甲相连,则甲到丙的度数n为2)。当然地,根据不同需要(如精度要求),衰减系数也可以设置更多或更少级别。
5)考虑被传播感染的企业节点自身具有不同的个体免疫力,即不同的企业面对相同的感染风险时,由于自身能力情况不同,具有不同的个体免疫力,这些自身能力的差异表现在本体建模中的企业属性上。例如,可以取企业的注册资本、成立年限作为评价免疫力的指标,并将节点免疫力的系数分为三个层级:高、中、低,分别对应注册资本免疫力系数Ck(资本大小决定资本免疫力系数,资本越大,Ck越大)为C1、C2、C3和成立年限免疫力系数Dk(成立年限的长短决定年限免疫力系数,成立年限越久,Dk越大)为D1、D2、D3,注册资本和成立年限的范围与免疫力高低的对应关系可以由调查者在使用过程中自行定义,这样调查者可根据自身需求和经验,个性化地设置参数,当然也可由机器学习等方法,定量地提取出更具有免疫特征代表性的属性和系数。另外,k表示节点免疫力系数的等级,针对于高、中、低三个等级,则k=1,2,3。当然,根据需求的不同,也可以设定更多或更少的等级。
6)最后形成以发生了失信行为的节点j为中心,向外遍历其四度关联内所有关联方,计算每个关联方的被感染值的计算表达式:
7)需要注意的是,图谱上往往存在多个失信的感染源,它们往往对同一节点进行交叉感染。在图遍历和计算中,需要将每个节点被每个感染源所感染的分值求和,得到该节点的总感染值。
上述企业失信的风险穿查询系统,采用本体表示方法和图谱展示效果,灵活运用传染病模型并加以创新性的扩充和完善,形成对企业失信风险传播进行预测的计算模型。将数据与图谱结合,利用图谱的展示多级关系的优势,来计算和描绘多层级传播和交叉感染的风险传播效果。风险传播计算模型中综合考虑了节点免疫力、衰减系数、节点类型免疫、传播路径等因素对传播效果的影响,从而得到企业失信风险传播评分。这是知识图谱在企业调查领域的一次应用,克服了依靠单维度数据、人工判断的效率低和计算不准确的问题,精确量化了风险传播的分值,为进行投融资、信贷管理、风控管理、经营合作等决策提供数据参考。
请参阅图5,基于相同的发明构思,本实施例中同时提供了一种企业失信风险传播查询方法,该方法包括以下步骤:
步骤1,利用爬虫等技术获取企业的工商信息和诉讼信息,工商信息和诉讼信息以表格的形式存在,如图2所示。此处的企业包括目标企业及其关联方,关联方包括但不限于一度关联的关联方、二度关联的关联方、三度关联的关联方、四度关联的关联方。目标企业为失信企业,分析该目标企业的失信风险传播性能,即对其关联方的失信风险进行查询。
步骤2,对获取的工商信息和诉讼信息进行解析,解析其信息表结构及字段,将数据整合后存入基础数据库。
步骤3,构建本体(结构)模型,该本体模型表达了实体(如企业、个人、股票)、关系(如投资、增减持、代理、审计等)和属性(如涉诉次数、失信次数、被执行次数、成立时间、注册资本、股票价格等)三者之间的关系。
步骤4,从基础数据库中抽取出工商信息和诉讼信息中的实体(如企业、个人、股票)、关系(如投资、增减持、代理、审计等)和属性(如涉诉次数、失信次数、被执行次数、成立时间、注册资本、股票价格等)数据,按照本体模型,建立实体、关系、属性之间的匹配关系,形成图谱前置数据表。
步骤5,将步骤4形成的图谱前置数据表,以节点、边和文字标签的方式进行可视化展示。节点表示实体,边表示关系,文字标签展示节点和边的属性信息。
步骤6,根据用户输入的查询条件,利用失信风险传播模型计算出目标企业的各个关联方的失信风险预测值。失信风险传播模型为,其中,M为目标企业的失信次数,a为M的加权系数,B为风险强度,Ri为两个节点之间的第i种关系,Pi为第i种关系的传播概率,N为衰减系数,Ck为关联方的注册资本免疫力系数,Dk为关联方的成立年限免疫力系数。查询条件可以包括但不限于关联方的注册年限(或范围)、注册资本(或范围)、传播路径(即关系种类)、关联程度等。若没有设置查询条件,则默认为计算该目标企业的所有关联方的失信风险预测值。
步骤7,将计算出的各个失信风险预测值用不同颜色进行渲染,例如根据分值从高到低逐级渲染成从深红色→红色→橙色→橙黄色→黄色的视觉效果,便于调查人员快速锁定易感染的高风险目标,过滤掉低风险、无风险的其它对象,如图4所示。
上述方法的各步骤中未描述之处,可参见前述系统实施例中的相应描述。
本发明所使用的数据源来自可公开抓取到的企业工商注册信息和诉讼数据,这些数据包括企业的注册年限、注册资本、注册地等注册信息,经济纠纷案件中的被执行人、失信被执行人等涉诉和失信的信息等。将上述数据进行关联整合,构建企业实体与投资、高管、代理、审计关系的可视化图谱。在企业失信风险传播时,输入企业的注册年限、注册资本信息,设置相应的传播路径、风险强度、衰减程度的参数,通过图谱关联探测和指标计算,可输出失信企业对其N度内关联方的风险传播的计算结果,不同失信企业对于同一感染点的风险传播值可以叠加,为查询机构和调查员的判断和决策提供高效可靠的数据参考。
如图6所示,本实施例同时提供了一种电子设备,该电子设备可以包括处理器51和存储器52,其中存储器52耦合至处理器51。值得注意的是,该图是示例性的,还可以使用其他类型的结构来补充或替代该结构,实现数据提取、报告生成、通信或其他功能。
如图6所示,该电子设备还可以包括:输入单元53、显示单元54和电源55。值得注意的是,该电子设备也并不是必须要包括图6中显示的所有部件。此外,电子设备还可以包括图6中没有示出的部件,可以参考现有技术。
处理器51有时也称控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该处理器51接收输入并控制电子设备的各个部件的操作。
其中,存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种,可存储上述处理器51的配置信息、处理器51执行的指令、记录的表格数据等信息。处理器51可以执行存储器52存储的程序,以实现信息存储或处理等。在一个实施例中,存储器52中还包括缓冲存储器,即缓冲器,以存储中间信息。
输入单元53例如用于向处理器51提供各个报告主体的贷款信息。显示单元54用于显示处理过程中的各种结果,例如各个报告主体的风险评级、生成的个人征信回溯报告,该显示单元例如可以为LCD显示器,但本发明并不限于此。电源55用于为电子设备提供电力。
本发明实施例还提供一种计算机可读指令,其中当在电子设备中执行所述指令时,所述程序使得电子设备执行本发明方法所包含的操作步骤。
本发明实施例还提供一种存储有计算机可读指令的存储介质,其中所述计算机可读指令使得电子设备执行本发明方法所包含的操作步骤。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,可以通过其它的方式实现。例如,以上所描述的系统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系统,或一些特征可以忽略,或不执行。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种企业失信风险传播查询系统,其特征在于,包括以下组成模块:
基础数据库模块,用于输入并存储目标企业及其关联方的信息;
网络图谱构建模块,其输入端与基础数据库模块的输出端连接,用于从基础数据库模块中提取数据,并构建由目标企业及其关联方组成的网络图谱;
计算模型模块,其输入端与网络图谱构建模块的输出端连接,用于基于该网络图谱及失信风险传播模型,估算出目标企业的各个关联方的失信风险预测值;
前端交互模块,其输入端与计算模型模块的输出端连接,用于输入查询条件,及输出该查询条件下的关联方的失信风险预测值。
2.根据权利要求1所述的系统,其特征在于,还包括图谱渲染模块,其输入端与计算模型模块的输出端连接,用于将估算出的失信风险预测值进行效果渲染,并显示在所述网络图谱中。
3.根据权利要求1所述的系统,其特征在于,所述网络图谱构建模块包括以下模块:
本体构建模块,用于定义实体、关系和属性,构建可表达实体、关系和属性三者之间关系的本体模型;
本体解析模块,其输入端与基础数据库模块的输出端、本体构建模块的输出端连接,用于从基础数据库模块中提取实体及实体间的关系,定义实体属性进行实体对齐,并基于所述本体模型,将实体、关系、属性进行链接和匹配,形成图谱前置数据表;
图谱可视化模块,其输入端与本体解析模块的输出端连接,用于将所述图谱前置数据表,以节点、边和文字标签进行可视化显示,节点表示实体,边表示关系,文字标签为属性。
4.根据权利要求1所的系统,其特征在于,所述失信风险传播模型为:
其中,M为目标企业的失信次数,a为M的加权系数,B为风险强度,Ri为两个节点之间的第i种关系,Pi为第i种关系的传播概率,m为两个节点之间的关系总数,N为衰减系数,Ck为关联方的注册资本免疫力系数,Dk为关联方的成立年限免疫力系数。
5.根据权利要求1所的系统,其特征在于,所述基础数据库模块在输入目标企业及其关联方的信息后,通过解析及数据整合,将原始数据以行列数据存储。
6.一种企业失信风险传播查询方法,其特征在于,包括以下步骤:
输入并存储目标企业及其关联方的信息;
从存储的信息中提取数据,并构建由目标企业及其关联方组成的网络图谱;
基于该网络图谱及失信风险传播模型,估算出目标企业的各个关联方的失信风险预测值;
输入查询条件,并输出该查询条件下的关联方的失信风险预测值。
7.根据权利要求6所述的方法,其特征在于,还包括步骤:将估算出的失信风险预测值进行效果渲染,并显示在所述网络图谱中。
8.根据权利要求6所述的方法,其特征在于,所述从存储的信息中提取数据,构建由目标企业及其关联方组成的网络图谱,包括以下步骤:
定义实体、关系和属性,构建可表达实体、关系和属性三者之间关系的本体模型;
从存储的信息中提取实体及实体间的关系,定义实体属性进行实体对齐,并基于所述本体模型,将实体、关系、属性进行链接和匹配,形成图谱前置数据表;
将所述图谱前置数据表以节点、边和文字标签的方式进行可视化显示,节点表示实体,边表示关系,文字标签为属性。
9.一种包括计算机可读指令的计算机可读存储介质,其特征在于,所述计算机可读指令在被执行时使处理器执行权利要求6-8任一所述方法中的操作。
10.一种电子设备,其特征在于,所述的设备包括:
存储器,存储程序指令;
处理器,与所述存储器相连接,执行存储器中的程序指令,实现权利要求6-8任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295973.7A CN109472485A (zh) | 2018-11-01 | 2018-11-01 | 企业失信风险传播查询系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295973.7A CN109472485A (zh) | 2018-11-01 | 2018-11-01 | 企业失信风险传播查询系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109472485A true CN109472485A (zh) | 2019-03-15 |
Family
ID=65672559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811295973.7A Pending CN109472485A (zh) | 2018-11-01 | 2018-11-01 | 企业失信风险传播查询系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472485A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
CN110188198A (zh) * | 2019-05-13 | 2019-08-30 | 北京一览群智数据科技有限责任公司 | 一种基于知识图谱的反欺诈方法及装置 |
CN110399431A (zh) * | 2019-07-16 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种关联关系构建方法、装置及设备 |
CN110458324A (zh) * | 2019-07-04 | 2019-11-15 | 重庆金融资产交易所有限责任公司 | 风险概率的计算方法、装置和计算机设备 |
CN110738388A (zh) * | 2019-09-02 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 关联图谱评估风险传导的方法、装置、设备和存储介质 |
CN110991862A (zh) * | 2019-11-29 | 2020-04-10 | 安徽兆尹信息科技股份有限公司 | 一种用于企业风控分析的网络管理系统及其控制方法 |
CN111080178A (zh) * | 2020-01-22 | 2020-04-28 | 中国建设银行股份有限公司 | 一种风险监控方法和装置 |
CN111178615A (zh) * | 2019-12-24 | 2020-05-19 | 成都数联铭品科技有限公司 | 一种企业风险识别模型的构建方法及系统 |
CN111179077A (zh) * | 2019-12-19 | 2020-05-19 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
CN111191853A (zh) * | 2020-01-06 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 风险预测方法及装置、风险查询方法及装置 |
CN111199419A (zh) * | 2019-12-19 | 2020-05-26 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
CN111325355A (zh) * | 2020-03-19 | 2020-06-23 | 中国建设银行股份有限公司 | 企业实际控制人的确定方法、装置、计算机设备及介质 |
CN111401700A (zh) * | 2020-03-05 | 2020-07-10 | 平安科技(深圳)有限公司 | 一种数据分析方法、装置、计算机系统及可读存储介质 |
CN111476508A (zh) * | 2020-05-15 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 目标操作的风险识别方法及系统 |
CN111583037A (zh) * | 2020-04-30 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 风险关联对象的确定方法、装置和服务器 |
CN112053021A (zh) * | 2019-06-05 | 2020-12-08 | 国网信息通信产业集团有限公司 | 一种用于企业经营管理风险识别的特征编码方法及装置 |
CN112132367A (zh) * | 2019-06-05 | 2020-12-25 | 国网信息通信产业集团有限公司 | 一种用于企业经营管理风险识别的建模方法及装置 |
CN112445916A (zh) * | 2019-08-28 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 业务对象发布方法、实体发布方法及装置 |
CN112966918A (zh) * | 2021-03-01 | 2021-06-15 | 北京明略软件系统有限公司 | 用于确定风险影响范围的方法及装置、设备 |
CN112989029A (zh) * | 2021-03-09 | 2021-06-18 | 上海魔橙网络科技有限公司 | 知识图谱可视化快速检索实现方法、系统、装置及介质 |
CN113032607A (zh) * | 2019-12-09 | 2021-06-25 | 深圳云天励飞技术有限公司 | 关键人员分析方法、装置、电子设备及存储介质 |
CN113505990A (zh) * | 2021-07-08 | 2021-10-15 | 建信金融科技有限责任公司 | 企业风险评估的方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN108549731A (zh) * | 2018-07-11 | 2018-09-18 | 中国电子科技集团公司第二十八研究所 | 一种基于本体模型的知识图谱构建方法 |
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系统 |
-
2018
- 2018-11-01 CN CN201811295973.7A patent/CN109472485A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
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系统 |
CN108549731A (zh) * | 2018-07-11 | 2018-09-18 | 中国电子科技集团公司第二十八研究所 | 一种基于本体模型的知识图谱构建方法 |
Non-Patent Citations (2)
Title |
---|
吴运兵等: "基于多数据源的知识图谱构建方法研究", 《福州大学学报(自然科学版)》 * |
徐增林等: "知识图谱技术综述", 《电子科技大学学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
CN110188198A (zh) * | 2019-05-13 | 2019-08-30 | 北京一览群智数据科技有限责任公司 | 一种基于知识图谱的反欺诈方法及装置 |
CN110188198B (zh) * | 2019-05-13 | 2021-06-22 | 北京一览群智数据科技有限责任公司 | 一种基于知识图谱的反欺诈方法及装置 |
CN112053021A (zh) * | 2019-06-05 | 2020-12-08 | 国网信息通信产业集团有限公司 | 一种用于企业经营管理风险识别的特征编码方法及装置 |
CN112132367A (zh) * | 2019-06-05 | 2020-12-25 | 国网信息通信产业集团有限公司 | 一种用于企业经营管理风险识别的建模方法及装置 |
CN110458324A (zh) * | 2019-07-04 | 2019-11-15 | 重庆金融资产交易所有限责任公司 | 风险概率的计算方法、装置和计算机设备 |
CN110458324B (zh) * | 2019-07-04 | 2023-07-25 | 赣州市银税之家企业服务有限公司 | 风险概率的计算方法、装置和计算机设备 |
CN110399431A (zh) * | 2019-07-16 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种关联关系构建方法、装置及设备 |
CN112445916A (zh) * | 2019-08-28 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 业务对象发布方法、实体发布方法及装置 |
CN110738388A (zh) * | 2019-09-02 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 关联图谱评估风险传导的方法、装置、设备和存储介质 |
CN110738388B (zh) * | 2019-09-02 | 2023-09-12 | 深圳壹账通智能科技有限公司 | 关联图谱评估风险传导的方法、装置、设备和存储介质 |
CN110991862B (zh) * | 2019-11-29 | 2022-06-10 | 安徽兆尹信息科技股份有限公司 | 一种用于企业风控分析的网络管理系统及其控制方法 |
CN110991862A (zh) * | 2019-11-29 | 2020-04-10 | 安徽兆尹信息科技股份有限公司 | 一种用于企业风控分析的网络管理系统及其控制方法 |
CN113032607A (zh) * | 2019-12-09 | 2021-06-25 | 深圳云天励飞技术有限公司 | 关键人员分析方法、装置、电子设备及存储介质 |
CN111179077A (zh) * | 2019-12-19 | 2020-05-19 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
CN111199419B (zh) * | 2019-12-19 | 2023-09-15 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
CN111179077B (zh) * | 2019-12-19 | 2023-09-12 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
CN111199419A (zh) * | 2019-12-19 | 2020-05-26 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
CN111178615B (zh) * | 2019-12-24 | 2023-10-27 | 成都数联铭品科技有限公司 | 一种企业风险识别模型的构建方法及系统 |
CN111178615A (zh) * | 2019-12-24 | 2020-05-19 | 成都数联铭品科技有限公司 | 一种企业风险识别模型的构建方法及系统 |
CN111191853A (zh) * | 2020-01-06 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 风险预测方法及装置、风险查询方法及装置 |
CN111191853B (zh) * | 2020-01-06 | 2022-07-15 | 支付宝(杭州)信息技术有限公司 | 风险预测方法及装置、风险查询方法及装置 |
CN111080178A (zh) * | 2020-01-22 | 2020-04-28 | 中国建设银行股份有限公司 | 一种风险监控方法和装置 |
WO2021174693A1 (zh) * | 2020-03-05 | 2021-09-10 | 平安科技(深圳)有限公司 | 一种数据分析方法、装置、计算机系统及可读存储介质 |
CN111401700A (zh) * | 2020-03-05 | 2020-07-10 | 平安科技(深圳)有限公司 | 一种数据分析方法、装置、计算机系统及可读存储介质 |
CN111401700B (zh) * | 2020-03-05 | 2023-09-19 | 平安科技(深圳)有限公司 | 一种数据分析方法、装置、计算机系统及可读存储介质 |
CN111325355A (zh) * | 2020-03-19 | 2020-06-23 | 中国建设银行股份有限公司 | 企业实际控制人的确定方法、装置、计算机设备及介质 |
CN111325355B (zh) * | 2020-03-19 | 2023-12-19 | 中国建设银行股份有限公司 | 企业实际控制人的确定方法、装置、计算机设备及介质 |
CN111583037A (zh) * | 2020-04-30 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 风险关联对象的确定方法、装置和服务器 |
CN111476508A (zh) * | 2020-05-15 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 目标操作的风险识别方法及系统 |
CN112966918A (zh) * | 2021-03-01 | 2021-06-15 | 北京明略软件系统有限公司 | 用于确定风险影响范围的方法及装置、设备 |
CN112989029A (zh) * | 2021-03-09 | 2021-06-18 | 上海魔橙网络科技有限公司 | 知识图谱可视化快速检索实现方法、系统、装置及介质 |
CN113505990A (zh) * | 2021-07-08 | 2021-10-15 | 建信金融科技有限责任公司 | 企业风险评估的方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472485A (zh) | 企业失信风险传播查询系统及方法 | |
Kute et al. | Deep learning and explainable artificial intelligence techniques applied for detecting money laundering–a critical review | |
CN104700190B (zh) | 一种用于项目与专业人员匹配的方法和装置 | |
CN110738388A (zh) | 关联图谱评估风险传导的方法、装置、设备和存储介质 | |
CN106682986A (zh) | 一种基于大数据的复杂金融交易网络活动图的构造方法 | |
CN111813956A (zh) | 知识图谱构建方法、装置、信息穿透方法和系统 | |
CN107633093A (zh) | 一种供电决策知识图谱的构建及其查询方法 | |
Das et al. | Data mining and neural network techniques in stock market prediction: A methodological review | |
Li et al. | Multiplex networks of the guarantee market: evidence from China | |
Borzymek et al. | Enriching trust prediction model in social network with user rating similarity | |
Feng et al. | Understanding the impacts of indirect stakeholder relationships–stakeholder value network analysis and its application to large engineering projects | |
CN109408643B (zh) | 基金相似度计算方法、系统、计算机设备和存储介质 | |
Taleghani | Executive information systems development lifecycle | |
Balasubramani et al. | Ontology-based urban data exploration | |
Needham et al. | A comprehensive guide to graph algorithms in neo4j | |
Bai | Innovative mode of human resource management of university teachers based on intelligent big data analysis | |
Woodside et al. | Guest editorial: sense making, dilemmas, and solutions in strategic management | |
Basha et al. | Recent Trends in Sustainable Big Data Predictive Analytics: Past Contributions and Future Roadmap | |
Aledo et al. | Incorporating supra-local social structure into social impact assessment using causal network analysis | |
Ströele et al. | Identifying workgroups in Brazilian scientific social networks | |
Sharif et al. | A Proposed Centrality Measure:: The Case of Stocks Traded at Bursa Malaysia | |
Liu et al. | Female employment data analysis based on decision tree algorithm and association rule analysis method | |
CN109558522A (zh) | 企业网络图的建立方法、装置和计算机可读存储介质 | |
Kornyshova et al. | Using an ontology for modeling decision-making knowledge | |
Hung et al. | Knowledge management strategic planning |
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: 20190315 |
|
RJ01 | Rejection of invention patent application after publication |