CN110738388B - 关联图谱评估风险传导的方法、装置、设备和存储介质 - Google Patents

关联图谱评估风险传导的方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110738388B
CN110738388B CN201910824298.0A CN201910824298A CN110738388B CN 110738388 B CN110738388 B CN 110738388B CN 201910824298 A CN201910824298 A CN 201910824298A CN 110738388 B CN110738388 B CN 110738388B
Authority
CN
China
Prior art keywords
risk
node
intensity
enterprise
target
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.)
Active
Application number
CN201910824298.0A
Other languages
English (en)
Other versions
CN110738388A (zh
Inventor
魏晓茹
陈烨
李泓格
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.)
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
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 OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN201910824298.0A priority Critical patent/CN110738388B/zh
Publication of CN110738388A publication Critical patent/CN110738388A/zh
Application granted granted Critical
Publication of CN110738388B publication Critical patent/CN110738388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines

Abstract

本申请中提供的一种关联图谱评估风险传导的方法，包括：通过爬虫技术，以及NLP知识抽取技术，对公开信息中的企业名称做知识抽取，获取与目标企业相关的企业，个人的信息，梳理出多个关联企业、关联个人与目标企业之间的关系，形成结构化的关联数据；根据所述结构化的关联数据梳理出所述目标企业与多个所述关联企业、所述关联个人的节点关系，形成倒树状结构图谱；计算所述倒树状结构图谱中各子节点的风险强度；其中包括：调用自身风险强度函数和风险传导函数；根据自身风险强度函数计算所有子节点自身的风险强度；根据所述倒树状结构图谱中各叶子节点自身的风险强度，并通过所述风险传导函数逐级计算节点相关风险详情直至获得目标企业风险详情。

Description

关联图谱评估风险传导的方法、装置、设备和存储介质
技术领域
本申请涉及信息处理技术领域，特别涉及一种关联图谱评估风险传导的方法、装置、设备和存储介质。
背景技术
从信息安全的角度来讲，风险评估是对信息资产(即某事件或事物所具有的信息集)所面临的威胁、存在的弱点、造成的影响，以及三者综合作用所带来风险的可能性的评估。作为风险管理的基础，风险评估是组织确定信息安全需求的一个重要途径，属于组织信息安全管理体系策划的过程。目前有关联图谱类似产品，但无法专门展示关联风险传导的图谱，也无法展示风险传导路径。并且现有关联图谱无法从图上直观看出风险的影响强弱，其并不展示风险节点的风险信息明细与强度，无法展示出详细的关联明细。
发明内容
本申请的主要目的为提供一种关联图谱评估风险传导的方法、装置、设备和存储介质，旨在解决上述关联图谱无法直观体现风险的影响强弱以及无法展示出详细风险详情的问题。
为实现上述目的，本申请提供了一种关联图谱评估风险传导的方法，包括：
通过目标企业的信息，得到与目标企业相关的企业、个人的信息，再通过知识抽取技术，得到关联企业、关联个人与目标企业之间的关系；
对所述关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱；
根据自身风险强度函数计算所有节点自身的风险强度；
根据风险传导函数计算目标企业的风险详情。
进一步地，所述对所述多个关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与多个所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱的步骤，包括：
依据所述多个关联企业、关联个人与所述目标企业的直接关系或间接关系，将所述多个关联企业、关联个人进行层级分类；
将与所述目标企业有直接关系的关联企业、关联个人列为第一级；
其它层级关系分类规则为：确定目标企业与关联企业、关联个人之间的最少节点数n，将所述目标企业与关联企业、关联个人之间的级别列为n+1级；
将所述关联关系输入关系型数据库中整理，读取整理结果并展示在前端页面，得到所述倒树状结构图谱。
进一步地，所述根据自身风险强度函数计算所有节点自身的风险强度的步骤，包括：
计算所述倒树状结构图谱中各节点的风险强度；其中包括：调用自身风险强度函数计算所有节点自身的风险强度；所述自身风险强度函数为：自身风险强度＝∑Pi，P＝np，其中n为风险度，p为风险发生概率；所述风险度用于表示发生风险时的严重程度，所述风险度与发生风险时的严重程度正相关。
进一步地，所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
根据风险传导函数计算目标企业的风险详情，其中风险传导函数为：
目标企业风险强度＝1-(1-f(1))*(1-f(2))…(1-f(N))，其中f(n)为关联节点风险强度，目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度，所述风险传导强度：
式中的H(X)、H(Y)分别表示企业X、Y的风险强度，特征向量X(x1,x2,x3,x4…xn)、Y(y1,y2,y3,y4…yn)分别表示企业X、Y的特征向量。
进一步地，所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
当计算出某一节点的风险详情之后，在所述倒树状结构图谱中所述节点位置保存该风险详情的具体内容，若接收到打开或查看所述节点风险详情的具体内容的指令，则将相关联的风险详情内容进行显示。
进一步地，所述根据风险传导函数计算目标企业的风险详情的步骤之后，包括：
获取所有节点的风险详情，所述风险详情包括各节点对目标节点的风险影响强弱的风险评分值；所述风险评分值大小对应多个预设的等级；所述多个预设的等级分别对应多个预设的颜色；
根据等级将所述节点与目标节点的关联线的颜色对应变为预设的颜色。
进一步地，所述根据风险传导函数计算目标企业的风险详情的步骤之后，包括：
根据所获得所述目标企业的风险详情形成目标企业风险评估报告。
本申请同时提出一种关联图谱评估风险传导的装置，包括：
获取单元，用于通过目标企业的信息，得到与目标企业相关的企业、个人的信息，再通过知识抽取技术，得到关联企业、关联个人与目标企业之间的关系；
关联单元，用于对所述关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱；
第一计算单元，用于根据自身风险强度函数计算所有节点自身的风险强度；
第二计算单元，用于根据风险传导函数计算目标企业的风险详情。
进一步地，所述关联单元，还用于：
依据所述多个关联企业、关联个人与所述目标企业的直接关系或间接关系，将所述多个关联企业、关联个人进行层级分类；
将与所述目标企业有直接关系的关联企业、关联个人列为第一级；
其它层级关系分类规则为：确定目标企业与关联企业、关联个人之间的最少节点数n，将所述目标企业与关联企业、关联个人之间的级别列为n+1级；
将所述关联关系输入关系型数据库中整理，读取整理结果并展示在前端页面，得到所述倒树状结构图谱。
进一步地，所述第一计算单元，还用于：
计算所述倒树状结构图谱中各节点的风险强度；其中包括：调用自身风险强度函数计算所有节点自身的风险强度；所述自身风险强度函数为：自身风险强度＝∑Pi，P＝np，其中n为风险度，p为风险发生概率；所述风险度用于表示发生风险时的严重程度，所述风险度与发生风险时的严重程度正相关。
进一步地，所述第二计算单元，还用于：
根据风险传导函数计算目标企业的风险详情，其中风险传导函数为：
目标企业风险强度＝1-(1-f(1))*(1-f(2))…(1-f(N))，其中f(n)为关联节点风险强度，目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度，所述风险传导强度：
式中的H(X)、H(Y)分别表示企业X、Y的风险强度，特征向量X(x1,x2,x3,x4…xn)、Y(y1,y2,y3,y4…yn)分别表示企业X、Y的特征向量。
进一步地，所述关联图谱评估风险传导的装置，还包括：
显示单元，用于获取所有节点的风险详情，所述风险详情包括各节点对目标节点的风险影响强弱的风险评分值；所述风险评分值大小对应多个预设的等级；所述多个预设的等级分别对应多个预设的颜色；
根据等级将所述节点与目标节点的关联线的颜色对应变为预设的颜色。进一步地，所述显示单元，还用于：
当计算出某一节点的风险详情之后，在所述倒树状结构图谱中所述节点位置保存该风险详情的具体内容，若接收到打开或查看所述节点风险详情的具体内容的指令，则将相关联的风险详情内容进行显示。
本申请同时提出一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请同时提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请中提供的一种本申请中提供的一种关联图谱评估风险传导的方法，包括：通过爬虫技术，以及NLP知识抽取技术，对公开信息中的企业名称做知识抽取，获取与目标企业相关的企业，个人的信息，梳理出多个关联企业、关联个人与目标企业之间的关系，形成结构化的关联数据；根据所述结构化的关联数据梳理出所述目标企业与多个所述关联企业、所述关联个人的节点关系，形成倒树状结构图谱；计算所述倒树状结构图谱中各子节点的风险强度；其中包括：调用自身风险强度函数和风险传导函数；根据自身风险强度函数计算所有子节点自身的风险强度；根据所述倒树状结构图谱中各叶子节点自身的风险强度，并通过所述风险传导函数逐级计算节点相关风险详情直至获得目标企业风险详情。
附图说明
图1是本申请一实施例中关联图谱评估风险传导的方法步骤示意图；
图2是本申请一实施例中关联图谱评估风险传导的装置示意图；
图3是本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请提出一种关联图谱评估风险传导的方法，包括步骤：
S1、通过目标企业的信息，得到与目标企业相关的企业、个人的信息，再通过知识抽取技术，得到关联企业、关联个人与目标企业之间的关系；
S2、对所述多个关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与多个所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱；
S3、根据自身风险强度函数计算所有节点自身的风险强度；
S4、根据风险传导函数计算目标企业的风险详情。
如上述步骤S1所述，上述目标企业的信息可以通过爬虫技术从公开渠道和企业自身渠道获取，上述爬虫技术指的是一种用于检索以获取大量信息的技术手段，具有检索速度快，层度深的特点，可以快速采集目标企业公开渠道所公布的信息。上述知识抽取技术可以是NLP知识抽取技术，上述NLP知识抽取技术指的是(Natural Language Processing)技术，通过学习预设的领域知识和语言知识对目标信息进行抽取，以得到最终想要的具体信息内容。即在本实施例中，通过爬虫技术对目标企业公开渠道所公布的信息进行采集，再通过NLP知识抽取技术进行约束抽取，得到与目标企业相关的企业、个人的信息，并进一步得到多个关联企业、关联个人与目标企业之间的关系。
如上述步骤S2所述，上述对所述多个关联企业、关联个人与目标企业之间的关系进行分级指的是，将所有获取的关系进行分级，即不同的层级关系，如第一级关系、第二级关系等等。不同的层级关系在倒树状结构图谱中位于不同的层级上。倒树状结构图谱包括根节点、子节点，其中，倒树状结构图谱中只有一个根节点(即目标企业)，不再有子节点的节点也称为叶子节点。这种倒树状结构图谱层次清晰，不同节点面临的风险及概率一目了然。以倒树状结构图谱作为关联风险传导图谱，展示企业之间风险的相互传导。不仅可看出关联关系，更能直观体现关联企业风险的相互传导。
如上述步骤S3所述，可选的，所述计算所述倒树状结构图谱中各节点的风险强度；其中包括：调用自身风险强度函数计算所有节点自身的风险强度；所述自身风险强度函数为：自身风险强度＝∑Pi，P＝np，其中n为风险度，p为风险发生概率；所述风险度用于表示发生风险时的严重程度，所述风险度与发生风险时的严重程度正相关。上述倒树状结构图谱中各节点的风险强度包括两个方面。一方面是节点上的企业或个人其自身发生风险所造成影响的强度；另一方面是节点上的企业或个人其所关联的企业或个人发生风险时，这个风险对节点上的企业或个人所造成影响的强度。上述风险度指的是根据不同的，可能发生的风险事件发生风险时所造成的范围和严重程度的一个评分值，其评分值设置在[0-1]。例如，发生风险事件A，企业破产，则事件A的风险度评分值为1。上述风险发生概率p取值时，当有历史数据则取经验概率，无历史数据参考则取其先验概率。举例而言：经验概率是通过观测的历史数据分析得到的概率。比如说企业A股票上一周5个交易日有3天上涨，那么认为下一周股指上涨的概率为60％；先验概率是无法取得历史数据，也不是通过个人判断，而是通过逻辑分析得到的概率，比如说企业B股票无法取得历史数据，那么认为明天上涨的概率为30％，这就是先验概率，因为股指的变动只有三种结果：上涨，不变，下跌。在另一实施例中，风险发生概率p可以结合经验概率、先验概率进行联合取值，不再赘述。
如上述步骤S4所述，可选的，所述根据风险传导函数计算目标企业的风险详情，其中风险传导函数为：目标企业风险强度＝1-(1-f(1))*(1-f(2))…(1-f(N))，其中f(n)为关联节点风险强度，目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度，所述风险传导强度：式中的H(X)、H(Y)分别表示企业X、Y的风险强度，特征向量X(x1,x2,x3,x4…xn)、Y(y1,y2,y3,y4…yn)分别表示企业X、Y的特征向量。上述风险传导强度指的是企业、个人发生风险后对其相关联的企业风险影响。例如企业A的原材料有50％从企业B进口，当企业B发生事故导致生产能力不足，这将导致企业A的原料不足，影响生产。这一事故发生在企业B同时也影响了企业A，而风险传导强度指的就是企业发生风险事件时对其相关联的企业风险影响的大小。上述目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度指的是，目标节点的风险强度包括节点自身的风险强度和关联节点的风险传导强度之和。举例而言，企业A的风险强度等于企业A自身风险强度以及企业B、C、D...对A的风险传导强度。上述特征向量来自对企业特征的学习，企业特征包括企业注册的工商信息、注册时间、资本、经营范围、关联企业等等信息，每一个信息作为一个维度并形成一个值，这些值组成企业的特征向量：如企业X其特征向量为(x1,x2,x3,x4……xn)，企业Y的特征向量为Y(y1,y2,y3,y4……yn)。计算两两节点的风险传导函数，进而得到风险传导系数。风险传导函数
在一个实施例中，所述对所述多个关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与多个所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱的步骤，包括：
依据所述多个关联企业、关联个人与所述目标企业的直接关系或间接关系，将所述多个关联企业、关联个人进行层级分类；
将与所述目标企业有直接关系的关联企业、关联个人列为第一级；
其它层级关系分类规则为：确定目标企业与关联企业、关联个人之间的最少节点数n，将所述目标企业与关联企业、关联个人之间的级别列为n+1级；
将所述关联关系输入关系型数据库中整理，读取整理结果并展示在前端页面，即形成所述倒树状结构图谱。
在本实施例中，所述层级分类指的是将多个关联企业、关联个人按照与目标企业的关系进行分级。例如，企业A为给目标企业提供货源的合作关系，这一关系为直接关系，则进行层级分类时企业A为第一级；企业B为与企业A为合作关系，与目标企业无往来，则企业B与目标企业为间接关系，则进行层级分类时企业B为第二级；同理，若企业C与企业B为直接关系，与企业A为间接关系，则进行层级分类时企业B为第三级，以此类推。由于层级关系中的第一级可能会有很多并列的企业、个人，并不是全部处于第一级的企业、个人与第二级的全部企业、个人有联系，这时需要对图谱的节点进行合理的排列。上述关系型数据库的作用是将层级分类中的企业、个人进行位置整理，并形成倒树状结构图谱。
在一个实施例中，所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
当计算出某一节点的风险详情之后，在所述倒树状结构图谱中所述节点位置保存该风险详情的具体内容，若接收到打开或查看所述节点风险详情的具体内容的指令，则将相关联的风险详情内容进行显示。
在本实施例中，在倒树状结构图谱的所有节点都显示出与当前节点相对应的企业或是个人的风险详情。上述若接收到打开或查看上述风险详情的具体内容的指令指的是：用户通过具休的操作查看上述风险信息，例如用户使用鼠标停留在相关节点标签时间达到预设值(鼠标悬停显示)，或用户点击相关节点标签(点击显示)。例如当鼠标移至风险节点时，可以查看风险节点的具体风险详情。当鼠标移至图谱上的任何节点时，都能看到该节点的基本信息。
在一个实施例中，所述根据风险传导函数计算目标企业的风险详情的步骤之后，包括：
获取所有节点的风险详情，所述风险详情包括各节点对目标节点的风险影响强弱的风险评分值；所述风险评分值大小对应多个预设的等级；所述多个预设的等级分别对应多个预设的颜色；
根据等级将所述节点与目标节点的关联线的颜色对应变为预设的颜色。
在本实施例中，通过计算获得所有节点的风险详情之后，为了能够在关联风险传播倒树状结构图谱直观的表示出各个节点的风险大小情况以及各节点对于其它节点，包括目标企业节点的风险影响程度，将各个节点的风险分为：刚、强、中、弱、无五个等级，每个等级分别对应的相应的紫、红、橘色、黄色、蓝色。同时，也将各个节点对目标节点的风险影响强弱等级将所述节点与目标节点的关联线的颜色改成预设的五种不同的颜色。此外，也可以根据需求将上述五个等级及对应的颜色改成四个、六个等，在此不做限定。
在一个实施例中，所述根据风险传导函数计算目标企业的风险详情的步骤之后，包括：
根据所获得所述目标企业的风险详情形成目标企业风险评估报告。
在本实施例中，上述目标企业风险评估报告展示企业之间风险的相互传导。可看出风险关联关系，更能准确体现关联企业风险对目标企业的传导。报告中除了体现目标企业的风险详情之外，还能体现所有节点上关联企业的风险详情。
参照图2，本申请实施例还提出一种关联图谱评估风险传导的装置，包括：
获取单元10，用于通过目标企业的信息，得到与目标企业相关的企业、个人的信息，再通过知识抽取技术，得到关联企业、关联个人与目标企业之间的关系；
关联单元20，用于对所述多个关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与多个所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱；
第一计算单元30，根据自身风险强度函数计算所有节点自身的风险强度；
第二计算单元40，根据风险传导函数计算目标企业的风险详情。
在获取单元10中，上述目标企业的信息可以通过爬虫技术从公开渠道和企业自身渠道获取，上述爬虫技术指的是一种用于检索以获取大量信息的技术手段，具有检索速度快，层度深的特点，可以快速采集目标企业公开渠道所公布的信息。上述知识抽取技术可以是NLP知识抽取技术，上述NLP知识抽取技术指的是(Natural Language Processing)技术，通过学习预设的领域知识和语言知识对目标信息进行抽取，以得到最终想要的具体信息内容。即在本实施例中，通过爬虫技术对目标企业公开渠道所公布的信息进行采集，再通过NLP知识抽取技术进行约束抽取，得到与目标企业相关的企业、个人的信息，并进一步得到多个关联企业、关联个人与目标企业之间的关系。
在关联单元20中，上述对所述多个关联企业、关联个人与目标企业之间的关系进行分级指的是，将所有获取的关系进行分级，即不同的层级关系，如第一级关系、第二级关系等等。不同的层级关系在倒树状结构图谱中位于不同的层级上。倒树状结构图谱包括根节点、子节点，其中，倒树状结构图谱中只有一个根节点(即目标企业)，不再有子节点的节点也称为叶子节点。这种倒树状结构图谱层次清晰，不同节点面临的风险及概率一目了然。以倒树状结构图谱作为关联风险传导图谱，展示企业之间风险的相互传导。不仅可看出关联关系，更能直观体现关联企业风险的相互传导。
在第一计算单元30中，可选的，所述计算所述倒树状结构图谱中各节点的风险强度；其中包括：调用自身风险强度函数计算所有节点自身的风险强度；所述自身风险强度函数为：自身风险强度＝∑Pi，P＝np，其中n为风险度，p为风险发生概率；所述风险度用于表示发生风险时的严重程度，所述风险度与发生风险时的严重程度正相关。上述倒树状结构图谱中各节点的风险强度包括两个方面。一方面是节点上的企业或个人其自身发生风险所造成影响的强度；另一方面是节点上的企业或个人其所关联的企业或个人发生风险时，这个风险对节点上的企业或个人所造成影响的强度。上述风险度指的是根据不同的，可能发生的风险事件发生风险时所造成的范围和严重程度的一个评分值，其评分值设置在[0-1]。例如，发生风险事件A，企业破产，则事件A的风险度评分值为1。上述风险发生概率p的取值时当有历史数据则取经验概率，无历史数据参考则取其先验概率。举例而言：经验概率通过观测的历史数据分析得到的概率。比如说企业A股票上一周5个交易日有3天上涨，那么认为下一周股指上涨的概率为60％；先验概率：无法取得历史数据，也不是通过个人判断，而是通过逻辑分析得到的概率，比如说企业B股票无法取得历史数据，那么认为明天上涨的概率为30％，这就是先验概率，因为股指的变动只有三种结果：上涨，不变，下跌。有经验概率、先验概率联合取值的，不再赘述。
在第二计算单元40中，可选的，所述根据风险传导函数计算目标企业的风险详情，其中风险传导函数为：目标企业风险强度＝1-(1-f(1))*(1-f(2))…(1-f(N))，其中f(n)为关联节点风险强度，目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度，所述风险传导强度：式中的H(X)、H(Y)分别表示企业X、Y的风险强度，特征向量X(x1,x2,x3,x4…xn)、Y(y1,y2,y3,y4…yn)分别表示企业X、Y的特征向量。上述风险传导强度指的是企业、个人发生风险后对其相关联的企业风险影响。例如企业A的原材料有50％从企业B进口，当企业B发生事故导致生产能力不足，这将导致企业A的原料不足，影响生产。这一事故发生在企业B同时也影响了企业A，而风险传导强度指的就是企业发生风险事件时对其相关联的企业风险影响的大小。上述目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度指的是，目标节点的风险强度包括节点自身的风险强度和关联节点的风险传导强度之和。举例而言，企业A的风险强度等于企业A自身风险强度以及企业B、C、D...对A的风险传导强度。上述特征向量来自对企业特征的学习，企业特征包括企业注册的工商信息、注册时间、资本、经营范围、关联企业等等信息，每一个信息作为一个维度并形成一个值，这些值组成企业的特征向量：如企业X其特征向量为(x1,x2,x3,x4……xn)，企业Y的特征向量为Y(y1,y2,y3,y4……yn)。计算两两节点的风险传导函数，进而得到风险传导系数。风险传导函数
参照图3，本申请实施例中还提出一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储指导方案库等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种关联图谱评估风险传导的方法。
上述处理器执行上述方法的步骤:
为实现上述目的，本申请提供了一种关联图谱评估风险传导的方法，包括：
通过目标企业的信息，得到与目标企业相关的企业、个人的信息，再通过知识抽取技术，得到关联企业、关联个人与目标企业之间的关系；
对所述关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱；
根据自身风险强度函数计算所有节点自身的风险强度；
根据风险传导函数计算目标企业的风险详情。
进一步地，所述对所述多个关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与多个所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱的步骤，包括：
依据所述多个关联企业、关联个人与所述目标企业的直接关系或间接关系，将所述多个关联企业、关联个人进行层级分类；
将与所述目标企业有直接关系的关联企业、关联个人列为第一级；
其它层级关系分类规则为：确定目标企业与关联企业、关联个人之间的最少节点数n，将所述目标企业与关联企业、关联个人之间的级别列为n+1级；
将所述关联关系输入关系型数据库中整理，读取整理结果并展示在前端页面，得到所述倒树状结构图谱。
进一步地，所述根据自身风险强度函数计算所有节点自身的风险强度的步骤，包括：
计算所述倒树状结构图谱中各节点的风险强度；其中包括：调用自身风险强度函数计算所有节点自身的风险强度；所述自身风险强度函数为：自身风险强度＝∑Pi，P＝np，其中n为风险度，p为风险发生概率；所述风险度用于表示发生风险时的严重程度，所述风险度与发生风险时的严重程度正相关。
进一步地，所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
根据风险传导函数计算目标企业的风险详情，其中风险传导函数为：
目标企业风险强度＝1-(1-f(1))*(1-f(2))…(1-f(N))，其中f(n)为关联节点风险强度，目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度，所述风险传导强度：
式中的H(X)、H(Y)分别表示企业X、Y的风险强度，特征向量X(x1,x2,x3,x4…xn)、Y(y1,y2,y3,y4…yn)分别表示企业X、Y的特征向量。
进一步地，所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
当计算出某一节点的风险详情之后，在所述倒树状结构图谱中所述节点位置保存该风险详情的具体内容，若接收到打开或查看所述节点风险详情的具体内容的指令，则将相关联的风险详情内容进行显示。
进一步地，所述根据风险传导函数计算目标企业的风险详情的步骤之后，包括：
获取所有节点的风险详情，所述风险详情包括各节点对目标节点的风险影响强弱的风险评分值；所述风险评分值大小对应多个预设的等级；所述多个预设的等级分别对应多个预设的颜色；
根据等级将所述节点与目标节点的关联线的颜色对应变为预设的颜色。
进一步地，所述根据风险传导函数计算目标企业的风险详情的步骤之后，包括：
根据所获得所述目标企业的风险详情形成目标企业风险评估报告。
本申请一实施例还提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种关联图谱评估风险传导的方法，包括步骤：
关联图谱评估风险传导的方法，包括：
通过目标企业的信息，得到与目标企业相关的企业、个人的信息，再通过知识抽取技术，得到关联企业、关联个人与目标企业之间的关系；
对所述关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱；
根据自身风险强度函数计算所有节点自身的风险强度；
根据风险传导函数计算目标企业的风险详情。
在一个实施例中，所述对所述多个关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与多个所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱的步骤，包括：
依据所述多个关联企业、关联个人与所述目标企业的直接关系或间接关系，将所述多个关联企业、关联个人进行层级分类；
将与所述目标企业有直接关系的关联企业、关联个人列为第一级；
其它层级关系分类规则为：确定目标企业与关联企业、关联个人之间的最少节点数n，将所述目标企业与关联企业、关联个人之间的级别列为n+1级；
将所述关联关系输入关系型数据库中整理，读取整理结果并展示在前端页面，得到所述倒树状结构图谱。
在一个实施例中，所述根据自身风险强度函数计算所有节点自身的风险强度的步骤，包括：
计算所述倒树状结构图谱中各节点的风险强度；其中包括：调用自身风险强度函数计算所有节点自身的风险强度；所述自身风险强度函数为：自身风险强度＝∑Pi，P＝np，其中n为风险度，p为风险发生概率；所述风险度用于表示发生风险时的严重程度，所述风险度与发生风险时的严重程度正相关。
在一个实施例中，所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
根据风险传导函数计算目标企业的风险详情，其中风险传导函数为：
目标企业风险强度＝1-(1-f(1))*(1-f(2))…(1-f(N))，其中f(n)为关联节点风险强度，目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度，所述风险传导强度：
式中的H(X)、H(Y)分别表示企业X、Y的风险强度，特征向量X(x1,x2,x3,x4…xn)、Y(y1,y2,y3,y4…yn)分别表示企业X、Y的特征向量。
在一个实施例中，所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
当计算出某一节点的风险详情之后，在所述倒树状结构图谱中所述节点位置保存该风险详情的具体内容，若接收到打开或查看所述节点风险详情的具体内容的指令，则将相关联的风险详情内容进行显示。
在一个实施例中，所述根据风险传导函数计算目标企业的风险详情的步骤之后，包括：
获取所有节点的风险详情，所述风险详情包括各节点对目标节点的风险影响强弱的风险评分值；所述风险评分值大小对应多个预设的等级；所述多个预设的等级分别对应多个预设的颜色；
根据等级将所述节点与目标节点的关联线的颜色对应变为预设的颜色。
在一个实施例中，所述根据风险传导函数计算目标企业的风险详情的步骤之后，包括：
根据所获得所述目标企业的风险详情形成目标企业风险评估报告。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种关联图谱评估风险传导的方法，其特征在于，包括：
通过目标企业的信息，得到与目标企业相关的企业、个人的信息，再通过知识抽取技术，得到关联企业、关联个人与目标企业之间的关系；
对所述关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱；
根据自身风险强度函数计算所有节点自身的风险强度；
根据风险传导函数计算目标企业的风险详情；
所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
当计算出某一节点的风险详情之后，在所述倒树状结构图谱中所述节点位置保存该风险详情的具体内容；
获取所有节点的风险详情，所述风险详情包括各节点对目标节点的风险影响强弱的风险评分值；所述风险评分值大小对应多个预设的等级；所述多个预设的等级分别对应多个预设的颜色；
根据等级将所述节点与目标节点的关联线的颜色对应变为预设的颜色；
所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
根据风险传导函数计算目标企业的风险详情，其中风险传导函数为：目标企业风险强度＝1-(1-f(1))*(1-f(2))…(1-f(N))，其中f(m)为关联节点风险强度，目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度，所述风险传导强度：式中的H(X)、H(Y)分别表示企业X、Y的风险强度，特征向量X(x1,x2,x3,x4…xn)、Y(y1,y2,y3,y4…yn)分别表示企业X、Y的特征向量；xr表示企业X的第r个特征向量，yr表示企业Y的第r个特征向量；其中为风险传导函数。
2.根据权利要求1所述的关联图谱评估风险传导的方法，其特征在于，所述对所述多个关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与多个所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱的步骤，包括：
依据所述多个关联企业、关联个人与所述目标企业的直接关系或间接关系，将所述多个关联企业、关联个人进行层级分类；
将与所述目标企业有直接关系的关联企业、关联个人列为第一级；
其它层级关系分类规则为：确定目标企业与关联企业、关联个人之间的最少节点数n，将所述目标企业与关联企业、关联个人之间的级别列为n+1级；
将关联关系输入关系型数据库中整理，读取整理结果并展示在前端页面，得到所述倒树状结构图谱。
3.根据权利要求1所述的关联图谱评估风险传导的方法，其特征在于，所述根据自身风险强度函数计算所有节点自身的风险强度的步骤，包括：
计算所述倒树状结构图谱中各节点的风险强度；其中包括：调用自身风险强度函数计算所有节点自身的风险强度；所述自身风险强度函数为：自身风险强度＝∑Pi，P＝sp，其中s为风险度，p为风险发生概率；所述风险度用于表示发生风险时的严重程度，所述风险度与发生风险时的严重程度正相关。
4.一种关联图谱评估风险传导的装置，其特征在于，包括：
获取单元，用于通过目标企业的信息，得到与目标企业相关的企业、个人的信息，再通过知识抽取技术，得到关联企业、关联个人与目标企业之间的关系；
关联单元，用于对所述关联企业、关联个人与目标企业之间的关系进行分级，得到所述目标企业与多个所述关联企业、所述关联个人的节点关系，依据所述节点关系形成倒树状结构图谱；
第一计算单元，用于根据自身风险强度函数计算所有节点自身的风险强度；
第二计算单元，用于根据风险传导函数计算目标企业的风险详情；
所述根据风险传导函数计算目标企业的风险详情，包括：
当计算出某一节点的风险详情之后，在所述倒树状结构图谱中所述节点位置保存该风险详情的具体内容；
获取所有节点的风险详情，所述风险详情包括各节点对目标节点的风险影响强弱的风险评分值；所述风险评分值大小对应多个预设的等级；所述多个预设的等级分别对应多个预设的颜色；
根据等级将所述节点与目标节点的关联线的颜色对应变为预设的颜色；
所述根据风险传导函数计算目标企业的风险详情的步骤，包括：
根据风险传导函数计算目标企业的风险详情，其中风险传导函数为：目标企业风险强度＝1-(1-f(1))*(1-f(2))…(1-f(N))，其中f(m)为关联节点风险强度，目标节点风险强度＝目标节点的自身风险强度+关联节点的风险传导强度，所述风险传导强度：式中的H(X)、H(Y)分别表示企业X、Y的风险强度，特征向量X(x1,x2,x3,x4…xn)、Y(y1,y2,y3,y4…yn)分别表示企业X、Y的特征向量；xr表示企业X的第r个特征向量，yr表示企业Y的第r个特征向量；其中，为风险传导函数。
5.根据权利要求4所述的关联图谱评估风险传导的装置，其特征在于，所述关联单元，还用于：
依据所述多个关联企业、关联个人与所述目标企业的直接关系或间接关系，将所述多个关联企业、关联个人进行层级分类；
将与所述目标企业有直接关系的关联企业、关联个人列为第一级；
其它层级关系分类规则为：确定目标企业与关联企业、关联个人之间的最少节点数n，将所述目标企业与关联企业、关联个人之间的级别列为n+1级；
将关联关系输入关系型数据库中整理，读取整理结果并展示在前端页面，即形成所述倒树状结构图谱。
6.根据权利要求4所述的关联图谱评估风险传导的装置，其特征在于，所述第一计算单元，还用于：
计算所述倒树状结构图谱中各节点的风险强度；其中包括：调用自身风险强度函数计算所有节点自身的风险强度；所述自身风险强度函数为：自身风险强度＝∑Pi，P＝sp，其中s为风险度，p为风险发生概率；所述风险度用于表示发生风险时的严重程度，所述风险度与发生风险时的严重程度正相关。
7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
CN201910824298.0A 2019-09-02 2019-09-02 关联图谱评估风险传导的方法、装置、设备和存储介质 Active CN110738388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910824298.0A CN110738388B (zh) 2019-09-02 2019-09-02 关联图谱评估风险传导的方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910824298.0A CN110738388B (zh) 2019-09-02 2019-09-02 关联图谱评估风险传导的方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110738388A CN110738388A (zh) 2020-01-31
CN110738388B true CN110738388B (zh) 2023-09-12

Family

ID=69267765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910824298.0A Active CN110738388B (zh) 2019-09-02 2019-09-02 关联图谱评估风险传导的方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110738388B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401777B (zh) * 2020-03-30 2024-03-12 未来地图(深圳)智能科技有限公司 企业风险的评估方法、装置、终端设备及存储介质
CN111861119B (zh) * 2020-06-17 2023-07-11 国家计算机网络与信息安全管理中心 基于企业风险关联图谱的企业风险数据处理方法及装置
CN111861120B (zh) * 2020-06-17 2023-10-13 国家计算机网络与信息安全管理中心 企业关联图谱的构建方法、装置、设备及计算机可读介质
CN111858835B (zh) * 2020-07-31 2024-04-02 深圳赛安特技术服务有限公司 企业关系展示方法及相关设备
CN112070402A (zh) * 2020-09-09 2020-12-11 深圳前海微众银行股份有限公司 基于图谱的数据处理方法、装置、设备及存储介质
CN112100292A (zh) * 2020-09-22 2020-12-18 山东旗帜信息有限公司 一种人员关系图谱测定方法和装置
CN112184012A (zh) * 2020-09-27 2021-01-05 平安资产管理有限责任公司 一种企业风险预警方法、装置、设备及可读存储介质
CN112150013A (zh) * 2020-09-27 2020-12-29 平安资产管理有限责任公司 一种企业风险预警方法、装置、设备及可读存储介质
CN112668836B (zh) * 2020-12-07 2024-04-05 数据地平线（广州）科技有限公司 一种面向风险图谱的关联风险证据高效挖掘与监控方法和装置
CN113469584B (zh) * 2021-09-02 2021-11-16 云账户技术(天津)有限公司 一种业务服务运营的风险管理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090709A (zh) * 2018-02-09 2018-05-29 重庆誉存大数据科技有限公司 一种基于风险传导模型的企业评估方法及系统
CN109472485A (zh) * 2018-11-01 2019-03-15 成都数联铭品科技有限公司 企业失信风险传播查询系统及方法
CN109492945A (zh) * 2018-12-14 2019-03-19 深圳壹账通智能科技有限公司 企业风险识别监控方法、装置、设备及存储介质
CN109559192A (zh) * 2018-10-25 2019-04-02 深圳壹账通智能科技有限公司 基于关联图谱的风险检测方法、装置、设备及存储介质
CN109583620A (zh) * 2018-10-11 2019-04-05 平安科技（深圳）有限公司 企业潜在风险预警方法、装置、计算机设备和存储介质
CN109740865A (zh) * 2018-12-13 2019-05-10 平安科技（深圳）有限公司 风险评估方法、系统、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090709A (zh) * 2018-02-09 2018-05-29 重庆誉存大数据科技有限公司 一种基于风险传导模型的企业评估方法及系统
CN109583620A (zh) * 2018-10-11 2019-04-05 平安科技（深圳）有限公司 企业潜在风险预警方法、装置、计算机设备和存储介质
CN109559192A (zh) * 2018-10-25 2019-04-02 深圳壹账通智能科技有限公司 基于关联图谱的风险检测方法、装置、设备及存储介质
CN109472485A (zh) * 2018-11-01 2019-03-15 成都数联铭品科技有限公司 企业失信风险传播查询系统及方法
CN109740865A (zh) * 2018-12-13 2019-05-10 平安科技（深圳）有限公司 风险评估方法、系统、设备及存储介质
CN109492945A (zh) * 2018-12-14 2019-03-19 深圳壹账通智能科技有限公司 企业风险识别监控方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110738388A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110738388B (zh) 关联图谱评估风险传导的方法、装置、设备和存储介质
WO2020253358A1 (zh) 业务数据的风控分析处理方法、装置和计算机设备
Da Rocha et al. Identifying bank frauds using CRISP-DM and decision trees
Baizyldayeva et al. Multi-criteria decision support systems. Comparative analysis
US11562262B2 (en) Model variable candidate generation device and method
Sharma Z-CRIME: A data mining tool for the detection of suspicious criminal activities based on decision tree
CN112053061A (zh) 围串标行为识别方法、装置、电子设备和存储介质
Dbouk et al. Towards a machine learning approach for earnings manipulation detection
CN112101769A (zh) 供应链风险管理系统
CN115545103A (zh) 异常数据识别、标签识别方法和异常数据识别装置
Barbosa Manhães et al. Towards automatic prediction of student performance in STEM undergraduate degree programs
CN116307671A (zh) 风险预警方法、装置、计算机设备、存储介质
Loyola-González et al. A contrast pattern-based scientometric study of the qs world university ranking
CN111259167A (zh) 用户请求风险识别方法及装置
CN112990989B (zh) 价值预测模型输入数据生成方法、装置、设备和介质
CN111178377A (zh) 可视化特征筛选方法、服务器及存储介质
Jaroonchokanan et al. Dynamics of hierarchical clustering in stocks market during financial crises
CN112035775B (zh) 基于随机森林模型的用户识别方法、装置和计算机设备
Abbas et al. Modeling bankruptcy prediction for non-financial firms: The case of Pakistan
Wang et al. Umbra: a visual analysis approach for defense construction against inference attacks on sensitive information
CN111737320A (zh) 群体用户行为基线的建立方法、装置和计算机设备
WO2016187504A1 (en) Crowd-based sentiment indices
Swarnalatha et al. Mining Educational Data for students' placement prediction using Sum of difference method
West et al. Mining financial statement fraud: An analysis of some experimental issues
Johns Data mining as global governance

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
GR01 Patent grant
GR01 Patent grant