CN111639193A - 产品风险评估方法及装置、电子设备、存储介质 - Google Patents

Abstract

本申请提供一种产品风险评估方法及装置、电子设备、存储介质，该方法包括：基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体；利用所述特征实体和查找得到的所述关联实体构建子知识图谱；依据所述子知识图谱生成所述目标产品的产品特征；将所述产品特征作为已训练的风险评估模型的输入，获得所述风险评估模型输出的所述目标产品的风险类别数据。本申请实施例，可以挖掘与目标产品可行性相关的隐藏信息来确定风险类别数据；评估过程不再依赖评估者的个体经验和知识储备，提高了产品风险评估结果的准确性，并提高了评估速度。

Description

产品风险评估方法及装置、电子设备、存储介质

技术领域

本申请涉及计算机技术领域，特别涉及一种产品风险评估方法及装置、电子设备、计算机可读存储介质。

背景技术

为保证产品上市可以符合市场要求，制造型企业在开发新产品时，需要基于市场调研获得相关的信息，以对新产品进行评估，确定产品的可行性。一般情况下，可通过设置专家小组，由相关领域的专家制定产品风险评估表，并根据产品风险评估表进行打分，从而确定新产品的可行性。

然而，这种产品风险评估方式耗时过长，且依赖于打分者的个体经验和知识储备，可能无法从调研获得的信息中挖掘出与产品可行性相关的隐藏信息，导致产品风险评估结果不准确。

发明内容

本申请实施例的目的在于提供一种产品风险评估方法，用于快速挖掘与产品可行性相关的隐藏信息，获得准确的产品风险评估结果。

一方面，本申请提供了一种产品风险评估方法，包括：

基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体；

利用所述特征实体和查找得到的所述关联实体构建子知识图谱；

依据所述子知识图谱生成所述目标产品的产品特征；

将所述产品特征作为已训练的风险评估模型的输入，获得所述风险评估模型输出的所述目标产品的风险类别数据。

在一实施例中，在所述查找产品知识图谱之前，所述方法还包括：

获取产品知识信息；

提取所述产品知识信息中的实体和关系；

依据提取到的所述实体和所述关系生成产品知识图谱。

在一实施例中，所述提取所述产品知识信息中的实体和关系，包括：

选择预设比例的所述产品知识信息作为样本知识信息；

响应于针对所述样本知识信息的第一标注指令，对所述样本知识信息中的实体和关系进行标注；

依据标注后的所述样本知识信息训练深度学习模型，得到已训练的识别模型；

通过已训练的所述识别模型对所述产品知识信息进行识别计算，获取所述产品知识信息中的实体和关系。

在一实施例中，所述基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体，包括：

基于所述目标产品的特征实体，查找所述产品知识图谱，获得所述特征实体的n度关系内的关联实体。

在一实施例中，所述产品特征包括特征向量；

所述依据所述子知识图谱生成所述目标产品的产品特征，包括：

提取所述子知识图谱中的实体和关系；

依据提取到的所述实体和所述关系进行编码，获得所述目标产品的特征向量。

在一实施例中，在计算所述产品特征之前，所述方法还包括：

响应于针对历史风险信息的第二标注指令，为所述历史风险信息标注风险类别数据；

提取所述历史风险信息中的实体和关系，依据提取到的所述实体和所述关系生成所述历史风险信息的风险特征；

依据所述风险特征及所述风险特征对应的风险类别数据，训练风险评估模型。

在一实施例中，所述风险特征包括特征向量；

所述依据提取到的所述实体和所述关系生成所述历史风险信息的风险特征，包括：

依据提取到的所述实体和所述关系进行编码，获得所述历史风险信息的特征向量。

另一方面，本申请还提供了一种产品风险评估装置，包括：

查找模块，用于基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体；

构建模块，用于利用所述特征实体和查找得到的所述关联实体构建子知识图谱；

生成模块，用于依据所述子知识图谱生成所述目标产品的产品特征；

计算模块，用于将所述产品特征作为已训练的风险评估模型的输入，获得所述风险评估模型输出的所述目标产品的风险类别数据。

进一步的，本申请还提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述产品风险评估方法。

另外，本申请还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成上述产品风险评估方法。

本申请实施例，通过目标产品的特征实体在产品知识图谱的查找结果构建子知识图谱，可以获取与目标产品可行性相关的隐藏信息，基于风险评估模型对以子知识图谱生成的产品特征进行计算，可以挖掘上述隐藏信息来确定风险类别数据；评估过程不再依赖评估者的个体经验和知识储备，提高了产品风险评估结果的准确性，并提高了评估速度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。

图1为本申请一实施例提供的产品风险评估方法的应用场景示意图；

图2为本申请一实施例提供的电子设备的结构示意图；

图3为本申请一实施例提供的构建产品知识图谱的流程示意图；

图4为本申请一实施例提供的产品风险评估方法的流程示意图；

图5为本申请一实施例提供的风险评估模型的训练方法的流程示意图；

图6为本申请一实施例提供的产品风险评估方法的框图。

具体实施方式

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描述。

相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1为本申请实施例提供的产品风险评估方法的应用场景示意图。如图1所示，该应用场景包括服务端30和客户端20，服务端30可以是服务器、服务器集群或者云计算中心，客户端20可以是计算机、平板电脑等智能设备，客户端20通过向服务端30发送指令，要求服务端30执行产品风险评估功能。

如图2所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图2中以一个处理器11为例。处理器11和存储器12通过总线10连接，存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中，电子设备1可以是上述服务端30。

存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器11执行以完成本申请提供的产品风险评估方法。

本申请实施例基于产品知识图谱(Knowledge Graph)实现产品风险评估，在产品风险评估方法之前，可以构建产品知识图谱。

参见图3，为本申请一实施例提供的构建产品知识图谱的流程示意图，如图3所示，该方法可以包括以下步骤310-步骤330。

步骤310：获取产品知识信息。

在一实施例中，服务端可以响应于客户端发送的收集指令，从预设的数据来源中获取与企业产品相关的知识信息，知识信息的数据来源包括但不限于记录企业内部信息、供应商信息、原材料信息等的数据库，从而获取产品供应链包括生产、加工、储运、销售等环节的知识信息。

产品知识信息还可以包括企业外部与企业产品相关的热点新闻信息、法规信息等。数据来源可以是新闻平台、百科知识网站、相关法律法规的官方网站等。

步骤320：提取所述产品知识信息中的实体和关系。

服务端可以提取获取到的上述产品知识信息中的实体(enity)和关系(relation)。其中，实体指的是现实世界中的事物，关系指的则是用来表达不同实体之间的某种联系。在一实施例中，在产品知识图谱中，实体可以包括产品、原材料、加工工厂、仓库、供应商、分销商、加工区域、售卖区域等，关系可以包括构成、加工、销售、存储、运输等。

在一实施例中，服务端可以选择预设比例的产品知识信息作为样本知识信息。这里，预设比例可以基于经验来配置，比如，服务端可以随机从上述各类产品知识信息中选择预设比例为20％的产品知识信息，作为样本知识信息。

客户端可以通过文本标注工具Brat(brat rapid annotation tool)对样本知识信息中的实体和关系进行标识。服务端响应于针对样本知识信息的第一标注指令，对样本知识信息中的实体和关系进行标注。其中，第一标注指令指示服务端标注知识信息中的实体和关系。

在一实施例中，若食品生产企业委托A工厂加工产品蔓越莓饼干，则在相关的样本知识信息中，自然语言“A工厂”被标注为实体“加工工厂”、自然语言“加工”被标注为关系“加工”、自然语言“蔓越莓饼干”被标注为实体“产品”。

服务端可以依据标注后的样本知识信息训练深度学习模型，从而得到已训练的识别模型。其中，用于训练出识别模型的深度学习模型可以是Bi-LSTM-CRF(Bi-directionalLong Short-Term MemoryConditional Random Field，双向长短期记忆条件随机场)，也可以是其它NER(Named Entity Recognition，命名实体识别)模型。

在训练深度学习模型之前，服务端可以对样本知识信息进行向量化处理，在一实施例中，可以通过词嵌入(word to vector)算法将样本知识信息转换为样本知识向量，服务端可以基于已标注的样本知识向量训练深度学习模型。

服务端可以通过深度学习模型对样本知识向量的计算结果，与样本知识向量已标注的实体标签的差异，训练出命名实体识别模型；通过深度学习模型对样本知识向量的计算结果，与样本知识向量已标识的关系标签的差异，训练出关系识别模型。

服务端可以通过已训练的识别模型对产品知识信息进行识别计算，获取产品知识信息中的实体和关系。

服务端可以对上述产品知识信息进行向量化处理，得到产品知识向量。在一实施例中，服务端可以通过词嵌入算法将产品知识信息转换为产品知识向量。

服务端通过已训练的命名实体识别模型对产品知识向量进行识别计算，获得产品知识向量中的实体；通过已训练的关系识别模型对产品知识向量进行识别计算，获得产品知识向量中的关系。

作为另一种实施例，服务端可以响应于针对所有产品知识信息的第一标注指令，对产品知识信息中的实体和关系进行标注，并根据标注结果，提取出产品知识信息中的实体和关系。

步骤330：依据提取到的所述实体和所述关系生成产品知识图谱。

服务端可以依据提取到的实体和关系，生成产品知识图谱。产品知识图谱由多个三元组构成，三元组的形式为“实体1-关系-实体2”。

获得产品知识图谱后，可以执行产品风险评估方法。

参见图4，为本申请一实施例提供的产品风险评估方法的流程示意图，如图4所示，该方法可以包括以下步骤410-步骤440。

步骤410：基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体。

步骤420：利用所述特征实体和查找得到的所述关联实体构建子知识图谱。

其中，目标产品可以是待评估的新产品；特征实体为与目标产品相关的实体，可以包括目标产品的生产地、原材料、加工工厂、销售地、供应商、目标产品涉及的法律法规等实体。关联实体指的是与特征实体存在关系的实体。

服务端可以从客户端获取目标产品的特征实体，并在产品知识图谱中查找与上述特征实体存在关系的关联实体。

在一实施例中，服务端可以基于上述特征实体，查找产品知识图谱中与特征实体存在1度关系的关联实体。其中，1度关系指依据产品知识图谱中的一个三元组可以确定的关系。

产品知识图谱由大量表征实体之间关系的三元组构成，服务端可以依次检查各三元组中是否存在上述特征实体，将存在上述特征实体的三元组筛选出来。筛选出的三元组中，特征实体以外的实体为与特征实体存在1度关系的关联实体。

比如：实体A是目标产品的特征实体，服务端在产品知识图谱中查找到三元组“实体A-关系-实体B”，说明实体B是与实体A存在1度关系的关联实体。

在一实施例中，服务端可以基于目标产品的特征实体，查找产品知识图谱，获得特征实体的n度关系内的关联实体。其中，n度关系指依据产品知识图谱中n个三元组而确定的关系。n度关系可以是经验值，比如，3度关系。

为找到n度关系内的关联实体，服务端需依次查找与特征实体存在1度关系的关联实体、与特征实体存在2度关系的关联实体、与特征实体存在3度关系的关联实体……与特征实体存在n-1度关系的关联实体、与特征实体存在n度关系的关联实体。

服务端检查产品知识图谱各三元组中是否存在上述特征实体，将存在上述特征实体的三元组筛选出来。从筛选出的三元组中，确定与特征实体存在1度关系的关联实体。

对于产品知识图谱各三元组，服务端判断是否存在与特征实体存在1度关系的关联实体，并将存在上述关联实体的三元组筛选出来。筛选出的三元组中，除上述关联实体和上述特征实体以外，是与特征实体存在2度关系的关联实体。

对于产品知识图谱各三元组，服务端判断是否存在与特征实体存在2度关系的关联实体，并将存在上述关联实体的三元组筛选出来。筛选出的三元组中，除上述关联实体、与特征实体存在1度关系的关联实体以外，是与特征实体存在3度关系的关联实体。

以此类推，直到查找到与特征实体存在n度关系以内的所有关联实体。

比如：服务端要查找特征实体的3度关系内的关联实体。实体A是目标产品的特征实体，服务端在产品知识图谱中查找到三元组“实体A-关系-实体B”，说明实体B是与实体A存在1度关系的关联实体。服务端基于实体B在产品知识图谱中继续查找，查找到三元组“实体B-关系-实体C”，实体A与实体C存在2度关系。服务端基于实体C在产品知识图谱中继续查找，查找到三元组“实体C-关系-实体D”，实体D与实体A存在3度关系。因此，最终获得实体A的3度关系内的关联实体包括实体B、实体C和实体D。

服务端根据特征实体、关联实体和特征实体及关联实体之间的关系，构建子知识图谱。

服务端在产品知识图谱中可以确定特征实体之间的关系、关联实体之间的关系、特征实体与关联实体之间的关系，由此基于特征实体、关联实体和实体间的关系构建子知识图谱。

步骤430：依据所述子知识图谱生成所述目标产品的产品特征。

其中，上述产品特征可以包括特征向量或特征图，用于指示目标产品的特征信息。

在一实施例中，若产品特征为特征向量，服务端可以提取子知识图谱中的实体和关系。提取出的实体包括上述目标产品的特征实体以及特征实体n度关系内的关联实体。

服务端可以依据提取到的实体和关系进行编码，获得目标产品的特征向量。

示例性的，服务端可以通过one-hot编码的方式，对实体和关系进行编码。服务端预先确定上述产品知识图谱中所有实体和关系的排列顺序，为每一实体和关系设定寄存器，以在该寄存器填1或0表示是否存在对应的实体或关系。服务端基于从子知识图谱中提取的实体和关系，对上述寄存器进行填值，从而获得一个m维的特征向量。m是产品知识图谱中所有实体和关系的总量。

步骤440：将所述产品特征作为已训练的风险评估模型的输入，获得所述风险评估模型输出的所述目标产品的风险类别数据。

在一实施例中，若上述产品特征为特征向量，服务端可以通过已训练的风险评估模型，计算上述特征向量，从而得到目标产品的风险类别数据。风险类别数据用于表征目标产品可能存在的风险类别。

上述风险类别可以包括上游风险、加工风险、储运风险、政府抽检和监督风险、国外产品召回风险、国内产品异常风险等。

由于服务端依据产品知识图谱，构建目标产品的子知识图谱，依据子知识图谱生成产品特征，并通过风险评估模型对产品特征进行计算，从而可以挖掘出与目标产品可行性相关的隐藏信息，快速而准确地实现对目标产品的评估。

在执行上述步骤440之前，可以训练出风险评估模型。

参见图5，为本申请一实施例提供的风险评估模型的训练方法的流程示意图，如图5所示，该方法可以包括以下步骤510-步骤530。

步骤510：响应于针对历史风险信息的第二标注指令，为所述历史风险信息标注风险类别数据。其中，第二标识指令指示服务端标注历史风险信息中的风险类别数据。

服务端可以从客户端获取历史风险信息。其中，历史风险信息可以包括同一企业的产品或市场上同类别产品此前发生风险事件时的相关资料信息，资料信息可以包括发生风险事件时的新闻报道、发生风险事件后企业内部记录在案的文档等。

服务端可以响应于针对历史风险信息的第二标注指令，为历史风险信息标注风险类别数据。

示例性的，如果服务端通过多个风险评估模型来实现产品风险评估，每一风险评估模型对应于一种风险类别。对于每一风险评估模型而言，每条历史风险信息标注的风险类别数据可以为0或1，表示历史风险信息是否存在风险评估模型评估的风险类别。后续风险评估模型计算产品特征时，输出0到1之间的风险系数，表示存在该风险评估模型所评估的风险类别的概率。比如：输出的风险系数为0.7，表示该风险评估模型所评估的风险类别的概率为70％。

示例性的，如果服务端通过一个风险评估模型来实现产品风险评估，则对于该风险评估模型而言，每条历史风险信息标注的风险类别数据可以为x维的向量。x是需评估的风险类别的数量，向量中各元素分别对应一种风险类别，若历史风险信息指示任意一种风险类别对应的风险事件，则风险类别对应的元素为1，否则为0。后续风险评估模型计算产品特征时，输出x维的向量，向量中各元素分别表示对应的风险类别的风险系数。

步骤520：提取所述历史风险信息中的实体和关系，依据提取到的所述实体和所述关系生成所述历史风险信息的风险特征。

在一实施例中，服务端可以通过已训练的识别模型识别计算历史风险信息，从而获取历史风险信息中的实体和关系。

上述风险特征可以是特征向量，服务端可以依据提取到的实体和关系进行编码，获得历史风险信息的特征向量。示例性的，服务端可以通过one-hot编码的方式，对实体和关系进行编码，从而获得特征向量。

步骤530：依据所述风险特征及所述风险特征对应的风险类别数据，训练风险评估模型。

服务端获得上述风险特征后，可以基于风险特征及风险特征对应的风险类别数据，训练预先搭建的神经网络模型，该神经网络模型可以是多层感知机(MLP，MultilayerPerceptron)。通过迭代训练，使得神经网络模型收敛，从而获得风险评估模型。

图6是本发明一实施例提供的一种产品风险评估装置的框图。如图4所示，该装置可以包括：查找模块610、构建模块620、生成模块630、计算模块640。

查找模块610，用于基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体；

构建模块620，用于利用所述特征实体和查找得到的所述关联实体构建子知识图谱；

生成模块630，用于依据所述子知识图谱生成所述目标产品的产品特征；

计算模块640，用于将所述产品特征作为已训练的风险评估模型的输入，获得所述风险评估模型输出的所述目标产品的风险类别数据。

在一实施例中，构建模块620，进一步用于：

获取产品知识信息；

提取所述产品知识信息中的实体和关系；

依据提取到的所述实体和所述关系生成产品知识图谱。

在一实施例中，构建模块620，进一步用于：

选择预设比例的所述产品知识信息作为样本知识信息；

响应于针对所述样本知识信息的第一标注指令，对所述样本知识信息中的实体和产品进行标注；

依据标注后的所述样本知识信息训练深度学习模型，得到已训练的识别模型；

通过已训练的所述识别模型对所述产品知识信息进行识别计算，获取所述产品知识信息中的实体和关系。

在一实施例中，查找模块610，进一步用于：

基于所述目标产品的特征实体，查找所述产品知识图谱，获得所述特征实体的n度关系内的关联实体。

在一实施例中，生成模块630，进一步用于：

提取所述子知识图谱中的实体和关系；

依据提取到的所述实体和所述关系进行编码，获得所述目标产品的特征向量。

在一实施例中，构建模块620，进一步用于：

响应于针对历史风险信息的第二标注指令，为所述历史风险信息标注风险类别数据；

提取所述历史风险信息中的实体和关系，依据提取到的所述实体和所述关系生成所述历史风险信息的风险特征；

依据所述风险特征及所述风险特征对应的风险类别数据，训练风险评估模型。

在一实施例中，构建模块620，进一步用于：

依据提取到的所述实体和所述关系进行编码，获得所述历史风险信息的特征向量。

上述装置中各个模块的功能和作用的实现过程具体详见上述产品风险评估方法中对应步骤的实现过程，在此不再赘述。

在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块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，本申请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)执行本申请各个实施例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-Only Memory)、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。

Claims (10)

1.一种产品风险评估方法，其特征在于，包括：

基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体；

利用所述特征实体和查找得到的所述关联实体构建子知识图谱；

依据所述子知识图谱生成所述目标产品的产品特征；

将所述产品特征作为已训练的风险评估模型的输入，获得所述风险评估模型输出的所述目标产品的风险类别数据。

2.根据权利要求1所述的方法，其特征在于，在所述查找产品知识图谱之前，所述方法还包括：

获取产品知识信息；

提取所述产品知识信息中的实体和关系；

依据提取到的所述实体和所述关系生成产品知识图谱。

3.根据权利要求2所述的方法，其特征在于，所述提取所述产品知识信息中的实体和关系，包括：

选择预设比例的所述产品知识信息作为样本知识信息；

响应于针对所述样本知识信息的第一标注指令，对所述样本知识信息中的实体和关系进行标注；

依据标注后的所述样本知识信息训练深度学习模型，得到已训练的识别模型；

通过已训练的所述识别模型对所述产品知识信息进行识别计算，获取所述产品知识信息中的实体和关系。

4.根据权利要求1所述的方法，其特征在于，所述基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体，包括：

基于所述目标产品的特征实体，查找所述产品知识图谱，获得所述特征实体的n度关系内的关联实体。

5.根据权利要求1所述的方法，其特征在于，所述产品特征包括特征向量；

所述依据所述子知识图谱生成所述目标产品的产品特征，包括：

提取所述子知识图谱中的实体和关系；

依据提取到的所述实体和所述关系进行编码，获得所述目标产品的特征向量。

6.根据权利要求1所述的方法，其特征在于，在计算所述产品特征之前，所述方法还包括：

响应于针对历史风险信息的第二标注指令，为所述历史风险信息标注风险类别数据；

提取所述历史风险信息中的实体和关系，依据提取到的所述实体和所述关系生成所述历史风险信息的风险特征；

依据所述风险特征及所述风险特征对应的风险类别数据，训练风险评估模型。

7.根据权利要求6所述的方法，其特征在于，所述风险特征包括特征向量；

所述依据提取到的所述实体和所述关系生成所述历史风险信息的风险特征，包括：

依据提取到的所述实体和所述关系进行编码，获得所述历史风险信息的特征向量。

8.一种产品风险评估装置，其特征在于，包括：

查找模块，用于基于目标产品的特征实体，查找产品知识图谱中与所述特征实体存在关系的关联实体；

构建模块，用于利用所述特征实体和查找得到的所述关联实体构建子知识图谱；

生成模块，用于依据所述子知识图谱生成所述目标产品的产品特征；

计算模块，用于将所述产品特征作为已训练的风险评估模型的输入，获得所述风险评估模型输出的所述目标产品的风险类别数据。

9.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-7任意一项所述的产品风险评估方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-7任意一项所述的产品风险评估方法。

Images