CN110544052A - 关系网络图的展示方法及装置 - Google Patents

Abstract

本发明提供了一种关系网络图的展示方法及装置，上述方法包括：获取第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据；通过违约风险概率模型对第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定第一监控对象违约的概率，违约风险概率模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、关系网络图和历史监控对象违约的概率；根据第一监控对象违约的概率，按照预定的展示规则对关系网络图进行展示，关系网络图包括由与历史监控对象以及与第一监控对象分别对应的节点组成的关系网络图。

Description

关系网络图的展示方法及装置

技术领域

本发明涉及通信领域，具体而言，涉及一种关系网络图的展示方法及装置。

背景技术

近几十年我国经济体量逐年增大，信贷业务也得到了迅猛发展，如何有效识别并用量化的手段度量信贷客户的风险，同时在风险相关的事件发生之后及时有效的判断出风险如何在企业和个人关系网中传播扩散，这些都已成为金融机构普遍关注的核心问题。传统的风险计量方法需要依靠人工分别建立风险计量模型、风险传导模型，并且建立的过程中依赖人工设定各项因子的分箱及其权重，因此传统方法的整个流程非常依赖专家经验。并且传统方法的风险预测的准确度很难保障，不同专家开发的模型难以统一和量化比较，并且建模周期长。

针对相关技术中，风险预测的准确性较低的技术问题，尚未提出有效的技术方案。

发明内容

本发明实施例提供了一种关系网络图的展示方法及装置，以至少解决相关技术中风险预测的准确性较低的问题。

根据本发明的一个实施例，提供了一种关系网络图的展示方法，包括：

获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；

通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；

根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。

可选地，所述历史监控对象的风险评估指标包括对所述历史监控对象进行风险评估的外部指标，所述历史监控对象的事件数据包括与对所述历史监控对象进行风险评估有关的事件；所述第一风险评估指标包括对所述第一监控对象进行风险评估的外部指标，所述第一事件数据包括与对所述第一监控对象进行风险评估有关的事件。

可选地，所述历史监控对象的属性信息包括以下至少之一：所述历史监控对象的收入负债比、资金流动性；所述第一监控对象的属性信息包括以下至少之一：所述第一监控对象的收入负债比、资金流动性；

所述历史监控对象的风险评估指标、所述第一风险评估指标包括以下至少之一：经济周期、采购经理人指数；

所述历史监控对象的事件数据包括以下至少之一：所述历史监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件；所述第一事件数据包括以下至少之一：所述第一监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件。

可选地，所述违约风险概率模型是按照以下方式训练得到的：将所述关系网络图以及所述事件数据分别转换为第一向量、第二向量，其中，所述第一向量以及所述第二向量均为一维向量；使用所述监控对象的属性信息、所述历史监控对象的风险评估指标、所述第一向量以及所述第二向量对所述违约风险概率模型进行训练得到训练完成后的所述违约风险概率模型。

可选地，所述根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，包括：

确定出违约概率的变化幅度超过阈值的第一节点以及第二节点，其中，所述第二节点为与所述第一节点存在第一关联关系的节点；其中，所述第一关联关系包括以下至少之一：亲友关系、担保关系、股权关系、供应链关系、资金来往关系；

在所述关系网络图中，标注出所述第一节点以及第一边，其中，所述第一边为连接所述第一节点与所述第二节点的边，所述第一边用于指示风险传导的路径；根据所述第一节点的违约概率的变化幅度，确定所述第一边的展示效果。

根据本发明的另一个实施例，提供了一种关系网络图的展示装置，包括：

获取模块，用于获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；

确定模块，用于通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；

展示模块，用于根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。

可选地，所述历史监控对象的风险评估指标包括对所述历史监控对象进行风险评估的外部指标，所述历史监控对象的事件数据包括与对所述历史监控对象进行风险评估有关的事件；所述第一风险评估指标包括对所述第一监控对象进行风险评估的外部指标，所述第一事件数据包括与对所述第一监控对象进行风险评估有关的事件。

可选地，所述历史监控对象的属性信息包括以下至少之一：所述历史监控对象的收入负债比、资金流动性；所述第一监控对象的属性信息包括以下至少之一：所述第一监控对象的收入负债比、资金流动性；

所述历史监控对象的风险评估指标、所述第一风险评估指标包括以下至少之一：经济周期、采购经理人指数；

所述历史监控对象的事件数据包括以下至少之一：所述历史监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件；所述第一事件数据包括以下至少之一：所述第一监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件。

可选地，所述装置，还包括：

转换模块，用于将所述关系网络图以及所述事件数据分别转换为第一向量、第二向量，其中，所述第一向量以及所述第二向量均为一维向量；

训练模块，用于使用所述监控对象的属性信息、所述历史监控对象的风险评估指标、所述第一向量以及所述第二向量对所述违约风险概率模型进行训练得到训练完成后的所述违约风险概率模型。

可选地，所述展示模块，包括：

确定单元，用于确定出违约概率的变化幅度超过阈值的第一节点以及第二节点，其中，所述第二节点为与所述第一节点存在第一关联关系的节点；其中，所述第一关联关系包括以下至少之一：亲友关系、担保关系、股权关系、供应链关系、资金来往关系；

标注单元，用于在所述关系网络图中，标注出所述第一节点以及第一边，其中，所述第一边为连接所述第一节点与所述第二节点的边，所述第一边用于指示风险传导的路径；根据所述第一节点的违约概率的变化幅度，确定所述第一边的展示效果。

通过本发明，获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。因此，可以解决相关技术中风险预测的准确性较低的问题，提高了风险预测的准确性。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为根据本发明实施例的关系网络图的展示方法的流程图；

图2是根据本发明另一实施例的关系网络图的展示方法的流程图；

图3为根据本发明实施例的关系网络图的展示装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

本发明实施例提供了一种关系网络图的展示方法。图1为根据本发明实施例的关系网络图的展示方法的流程图，如图1所示，包括：

步骤S102，获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；

步骤S104，通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；

步骤S106，根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。

通过本发明，获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。因此，可以解决相关技术中风险预测的准确性较低的问题，提高了风险预测的准确性。

需要说明的是，在本发明实施例中，违约风险概率模型是通过使用历史监控对象的属性信息、风险评估指标、事件数据、关系网络图和所述历史监控对象违约的概率训练得到的，由于违约风险概率模型的构建过程中纳入了事件数据、关系网络图这些对风险预测以及判断风险传导非常有帮助的高维数据，从而能够提高风险预测以及判断风险传导的准确性。

在本发明的一可选实施例中，所述历史监控对象的风险评估指标包括对所述历史监控对象进行风险评估的外部指标，所述历史监控对象的事件数据包括与对所述历史监控对象进行风险评估有关的事件；所述第一风险评估指标包括对所述第一监控对象进行风险评估的外部指标，所述第一事件数据包括与对所述第一监控对象进行风险评估有关的事件。

在本发明的一可选实施例中，所述历史监控对象的属性信息包括以下至少之一：所述历史监控对象的收入负债比、资金流动性；所述第一监控对象的属性信息包括以下至少之一：所述第一监控对象的收入负债比、资金流动性；所述历史监控对象的风险评估指标、所述第一风险评估指标包括以下至少之一：经济周期、采购经理人指数；所述历史监控对象的事件数据包括以下至少之一：所述历史监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件；所述第一事件数据包括以下至少之一：所述第一监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件。

在本发明的一可选实施例中，所述违约风险概率模型是按照以下方式训练得到的：将所述关系网络图以及所述事件数据分别转换为第一向量、第二向量，其中，所述第一向量以及所述第二向量均为一维向量；使用所述监控对象的属性信息、所述历史监控对象的风险评估指标、所述第一向量以及所述第二向量对所述违约风险概率模型进行训练得到训练完成后的所述违约风险概率模型。

通过本发明的上述实施例，针对给定待监控名单中的企业，从海量数据中及时识别风险因素、量化风险指标、预测风险传播路径，从而达到辅助风控人员作出相应决策的目的。与传统方法相比，本发明的上述实施例可以有效利用更多维度的数据和更高维度的数据(即上述关系网络图以及事件数据)，在小规模训练集上也能得到更精确的效果。即由于违约模型中引入了关系网络图以及事件数据，从而通过使用该违约模型能够取得更准确的预测效果。

在本发明的一可选实施例中，所述根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，包括：

确定出违约概率的变化幅度超过阈值的第一节点以及第二节点，其中，所述第二节点为与所述第一节点存在第一关联关系的节点；其中，所述第一关联关系包括以下至少之一：亲友关系、担保关系、股权关系、供应链关系、资金来往关系；在所述关系网络图中，标注出所述第一节点以及第一边，其中，所述第一边为连接所述第一节点与所述第二节点的边，所述第一边用于指示风险传导的路径；根据所述第一节点的违约概率的变化幅度，确定所述第一边的展示效果。

在本发明的一可选实施例中，将所述关系网络图转换为所述第一向量包括：确定邻接矩阵，其中，所述邻接矩阵用于表示所述关系网络图；对所述邻接矩阵进行矩阵分解，得到所述第一向量，其中，所述第一向量中的每个一维向量分别用于表示所述关系网络图中的一个节点；或，将所述关系网络图转换为节点序列，其中，所述节点序列为通过随机游走的方式便遍历所述关系网络图中的所有节点得到的；根据所述节点序列确定所述第一向量。

在本发明的一可选实施例中，将所述第一事件数据转换为所述第二向量包括：将所述第一事件数据输入到长短期记忆网络中，获取所述长短期记忆网络输出的所述第二向量。

通过本发明的上述实施例，通过历史数据对违约模型进行训练得到了训练完成后的违约模型，缩短了建模周期的同时减少对专家经验的依赖。

在本发明的一可选实施例中，在所述根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示之后，所述方法还包括：根据所述第一监控对象违约的概率，对所述关系网络图的网络结构进行更新，其中，对所述关系网络图的网络结构进行更新包括以下至少之一：添加或删除所述关系网络图中的节点，添加或删除连接所述关系网络图中的节点的边，更新所述关系网络图中的节点或边的属性信息，更新所述关系网络图中的节点或边的向量化表示。可选地，在本发明的上述实施例中，关系网络图中的每个节点与边均有对应的向量，即使用向量分别表示每个节点与边，在对关系网络图的网络结构进行更新时，可以对用于表示节点与边的向量进行更新，并使用更新后的向量分别表示关系网络图中的节点和边。

需要说明的是，本发明的上述实施例考虑到网络结构的动态变化、风险事件的不断发生，不是单向传播的，而是会引起震荡效应，因为衡量一个节点风险的时候要考虑到了其它节点的风险，因此，可以根据第一监控对象违约的概率，对所述关系网络图的网络结构进行更新，以及可以进一步提高对风险传导的判断的准确性。

可选地，在本发明实施例中，可以进行多轮迭代并记录先后顺序，然后按照顺序做用户友好的可视化交互。

以下结合一示例对上述的关系网络图的展示方法进行解释说明，但不用于限定本发明实施例的技术方案。本发明实施例的关系网络图的展示方法，包括：

步骤1，收集风险因素，包含但不限于如下几类：客户本身属性：如收入负债比、资金流动性等；客户外部宏观指标：如经济周期、采购经理人指数等；关系网络(即上述实施例中的关系网络图)：如亲友关系、股权关系、供应链关系、资金来往关系等；风险事件(即上述实施例中的事件数据)：如行政处罚事件、品牌舆情事件、安全事故、财务事件等；

步骤2，建立并训练违约风险的量化模型，其将各类关系网络数据和各种事件组成的时间序列做低维向量化表示，并纳入量化模型中，而不需要再单独建立风险传导模型和风险衰减模型。

关于如何将关系网络表示成一维矩阵，在本发明的一个可选实施例中，将关系网络数据做邻接矩阵表示，然后使用矩阵分解的方式将矩阵压缩表示，从而将网络中的每个节点变换成一维向量，例如可以将经过矩阵分解得到的列矩阵中的每一行分别表示一个节点。在本发明的另一个可选实施例中，使用随机游走的方法，将关系网络转换为节点序列(例如，通过随机游走的方法遍历该关系网络得到节点序列)，再将该序列表示为一维向量。

关于风险事件的表示，在本发明的一个可选实施例中，将风险事件视为时间序列数据，依次输入到长短期记忆网络(Long Short-Term Memory)中，设置网络的输出层为一维向量，使用长短期记忆网络输出的一维向量表示上述风险事件。

关于建立违约模型(即上述的违约风险的量化模型)，在本发明的一个可选实施例中，考虑到一些节点的违约概率变化之后，可能会影响到周边其它节点，并可能进一步再影响到最初发生变化的节点，从而引发网络中的震荡效应，因此，建立违约模型的时候需要不断迭代预测各节点的违约概率值并记录下迭代的先后时间顺序，供下一步骤使用。

步骤3，对违约风险的变化做展示。

在本发明的一个可选实施例中，可以采用可视化的方式展示，如：

1)、在可视化的关系网络中，将违约概率变化大的节点用特殊颜色显示，

2)、如果节点之间存在某种关联关系，则对图中的边也做染色处理，从而展示风险传播路径。

3)、还可以根据违约概率的变化大小，对上述边做颜色和线条粗细上的处理，从而展示风险的衰减情况。

可选地，根据事先设定的风险变化阈值，仅将风险变化超过阈值的节点提取出来，以可视化图表或文字的形式，提示给风控相关人员；

在本发明的一可选实施例中，根据收集到的数据，对关系网络中的网络结构做及时更新。

需要说明的是，在本发明的上述实施例中，不再单独建立风险计量模型、风险传导模型，只需建立针对每个信贷客户(可以是小微企业客户和个人客户)的违约风险概率模型，省略了建立传导模型的步骤；并且通过建立的违约风险概率模型可以确定客户违约的风险，从而，根据违约风险就能够在在关系网络图上以可视化的方式呈现出风险是如何传导、如何衰减的、节点风险是如何变化的等信息。

本发明的上述实施例中，还能够达到以下技术效果：关系网络和时间序列采用无监督的方式得到(即关系网络和时间序列并不涉及到监控对象是否违约)，使得违约模型可以在小样本上训练，减少了对数据总量的依赖性。

本发明的上述实施例同时适用于金融信贷领域的对公业务和零售业务，适用范围更广。

根据本发明的另一个实施例，提供了一种关系网络图的展示方法，图2是根据本发明另一实施例的关系网络图的展示方法的流程图，该方法包括：

步骤1：收集各类原始数据，并做格式清洗；

可选地，上述步骤可以由数据获取模块执行。

步骤2：对实时收集到的信息做客户的违约风险预测；

可选地，上述步骤可以由风险预测模块执行。

步骤3：根据收集到的数据，对关系网络中的网络结构做及时更新，并根据违约预测情况做可视化展示；

可选地，上述步骤可以由风险展示模块执行。

需要说明的是，在本发明的上述实施例中先建立违约模型，然后根据预测的违约概率值做可视化展示，省略了建立传导模型的步骤；并且，考虑到网络结构的动态变化、风险事件的不断发生，不是单向传播的，而是会引起震荡效应，因为衡量一个节点风险的时候要考虑到了其它节点的风险，以及进行了多轮迭代并记录先后顺序，然后按照顺序做用户友好的可视化交互。

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根据上述实施例的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，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

根据本发明的另一个实施例，提供了一种关系网络图的展示装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是根据本发明实施例的关系网络图的展示装置的结构框图，该装置包括：

获取模块302，用于获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；

确定模块304，用于通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；

展示模块306，用于根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。

通过本发明，获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。因此，可以解决相关技术中风险预测的准确性较低的问题，提高了风险预测的准确性。

在本发明的一可选实施例中，所述历史监控对象的风险评估指标包括对所述历史监控对象进行风险评估的外部指标，所述历史监控对象的事件数据包括与对所述历史监控对象进行风险评估有关的事件；所述第一风险评估指标包括对所述第一监控对象进行风险评估的外部指标，所述第一事件数据包括与对所述第一监控对象进行风险评估有关的事件。

在本发明的一可选实施例中，所述历史监控对象的属性信息包括以下至少之一：所述历史监控对象的收入负债比、资金流动性；所述第一监控对象的属性信息包括以下至少之一：所述第一监控对象的收入负债比、资金流动性；

所述历史监控对象的风险评估指标、所述第一风险评估指标包括以下至少之一：经济周期、采购经理人指数；

所述历史监控对象的事件数据包括以下至少之一：所述历史监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件；所述第一事件数据包括以下至少之一：所述第一监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件。

在本发明的一可选实施例中，所述装置，还包括：

转换模块，用于将所述关系网络图以及所述事件数据分别转换为第一向量、第二向量，其中，所述第一向量以及所述第二向量均为一维向量；

训练模块，用于使用所述监控对象的属性信息、所述历史监控对象的风险评估指标、所述第一向量以及所述第二向量对所述违约风险概率模型进行训练得到训练完成后的所述违约风险概率模型。

在本发明的一可选实施例中，所述展示模块306，包括：

确定单元，用于确定出违约概率的变化幅度超过阈值的第一节点以及第二节点，其中，所述第二节点为与所述第一节点存在第一关联关系的节点；其中，所述第一关联关系包括以下至少之一：亲友关系、担保关系、股权关系、供应链关系、资金来往关系；

标注单元，用于在所述关系网络图中，标注出所述第一节点以及第一边，其中，所述第一边为连接所述第一节点与所述第二节点的边，所述第一边用于指示风险传导的路径；根据所述第一节点的违约概率的变化幅度，确定所述第一边的展示效果。

实施例3

本发明的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项的方法。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

S1，获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；

S2，通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；

S3，根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

实施例4

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；

S2，通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；

S3，根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种关系网络图的展示方法，其特征在于，包括：

获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；

通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；

根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。

2.根据权利要求1所述的方法，其特征在于，

所述历史监控对象的风险评估指标包括对所述历史监控对象进行风险评估的外部指标，所述历史监控对象的事件数据包括与对所述历史监控对象进行风险评估有关的事件；所述第一风险评估指标包括对所述第一监控对象进行风险评估的外部指标，所述第一事件数据包括与对所述第一监控对象进行风险评估有关的事件。

3.根据权利要求2所述的方法，其特征在于，

所述历史监控对象的属性信息包括以下至少之一：所述历史监控对象的收入负债比、资金流动性；所述第一监控对象的属性信息包括以下至少之一：所述第一监控对象的收入负债比、资金流动性；

所述历史监控对象的风险评估指标、所述第一风险评估指标包括以下至少之一：经济周期、采购经理人指数；

所述历史监控对象的事件数据包括以下至少之一：所述历史监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件；所述第一事件数据包括以下至少之一：所述第一监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件。

4.根据权利要求1所述的方法，其特征在于，所述违约风险概率模型是按照以下方式训练得到的：

将所述关系网络图以及所述事件数据分别转换为第一向量、第二向量，其中，所述第一向量以及所述第二向量均为一维向量；

使用所述监控对象的属性信息、所述历史监控对象的风险评估指标、所述第一向量以及所述第二向量对所述违约风险概率模型进行训练得到训练完成后的所述违约风险概率模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，包括：

确定出违约概率的变化幅度超过阈值的第一节点以及第二节点，其中，所述第二节点为与所述第一节点存在第一关联关系的节点；其中，所述第一关联关系包括以下至少之一：亲友关系、担保关系、股权关系、供应链关系、资金来往关系；

在所述关系网络图中，标注出所述第一节点以及第一边，其中，所述第一边为连接所述第一节点与所述第二节点的边，所述第一边用于指示风险传导的路径；根据所述第一节点的违约概率的变化幅度，确定所述第一边的展示效果。

6.一种关系网络图的展示装置，其特征在于，包括：

获取模块，用于获取第一监控对象的属性信息、第一风险评估指标、所述关系网络图以及第一事件数据；

确定模块，用于通过违约风险概率模型对所述第一监控对象的属性信息、第一风险评估指标、关系网络图以及第一事件数据进行分析，确定所述第一监控对象违约的概率，其中，所述违约风险概率模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：历史监控对象的属性信息、风险评估指标、事件数据、所述关系网络图和所述历史监控对象违约的概率；

展示模块，用于根据所述第一监控对象违约的概率，按照预定的展示规则对所述关系网络图进行展示，其中，所述关系网络图包括由与所述历史监控对象以及与所述第一监控对象分别对应的节点组成的关系网络图。

7.根据权利要求6所述的装置，其特征在于，

所述历史监控对象的风险评估指标包括对所述历史监控对象进行风险评估的外部指标，所述历史监控对象的事件数据包括与对所述历史监控对象进行风险评估有关的事件；所述第一风险评估指标包括对所述第一监控对象进行风险评估的外部指标，所述第一事件数据包括与对所述第一监控对象进行风险评估有关的事件。

8.根据权利要求7所述的装置，其特征在于，

所述历史监控对象的属性信息包括以下至少之一：所述历史监控对象的收入负债比、资金流动性；所述第一监控对象的属性信息包括以下至少之一：所述第一监控对象的收入负债比、资金流动性；

所述历史监控对象的风险评估指标、所述第一风险评估指标包括以下至少之一：经济周期、采购经理人指数；

所述历史监控对象的事件数据包括以下至少之一：所述历史监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件；所述第一事件数据包括以下至少之一：所述第一监控对象的行政处罚事件、品牌舆情事件、安全事故、财务事件。

9.根据权利要求6所述的装置，其特征在于，所述装置，还包括：

转换模块，用于将所述关系网络图以及所述事件数据分别转换为第一向量、第二向量，其中，所述第一向量以及所述第二向量均为一维向量；

训练模块，用于使用所述监控对象的属性信息、所述历史监控对象的风险评估指标、所述第一向量以及所述第二向量对所述违约风险概率模型进行训练得到训练完成后的所述违约风险概率模型。

10.根据权利要求6所述的装置，其特征在于，所述展示模块，包括：

确定单元，用于确定出违约概率的变化幅度超过阈值的第一节点以及第二节点，其中，所述第二节点为与所述第一节点存在第一关联关系的节点；其中，所述第一关联关系包括以下至少之一：亲友关系、担保关系、股权关系、供应链关系、资金来往关系；

标注单元，用于在所述关系网络图中，标注出所述第一节点以及第一边，其中，所述第一边为连接所述第一节点与所述第二节点的边，所述第一边用于指示风险传导的路径；根据所述第一节点的违约概率的变化幅度，确定所述第一边的展示效果。