CN112884496A - 计算企业信用因子分数的方法、装置及计算机存储介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，公开了一种计算企业信用因子分数的方法、装置及计算机存储介质，本发明提供的方法首先根据企业与产品互相之间的供应关系，将具有供应关系的企业与产品链接在一起，形成完整的供应链，再将所有企业与产品都链接后，最终构建出企业与产品的关系图谱；然后在生成的关系图谱中，根据需要计算信用因子分数的企业所在的供应链，找出该供应链上的产品和下游企业，通过计算得到产品的评分和下游企业的评分，最后将这两个评分进行聚合运算，得到该企业的信用因子分数。本发明利用企业的信用因子分数进行更好的评估企业的风险和价值，据此进行信贷管理和投资管理，避免风险并获得收益。

Description

计算企业信用因子分数的方法、装置及计算机存储介质

技术领域

本发明涉及数据处理技术，公开了一种计算企业信用因子分数的方法、装置以及计算机存储介质。

背景技术

产业链是经济学产业研究中关键的概念，也是投研和金融分析中非常重要的分析维度、思路和方法。产业链通常指基于一定经济联系的产业和企业之间，依据特定的结构、逻辑、价值或时空等关系客观形成的链式的关联形态，并以产业合作的形式实现了社会生产的价值规律。产业链中通常包含着技术、资金、产品等在上下游机构或企业中的流动，互相之间的联系将各自的优势进行整合，形成整体的竞争优势。通常，在产业经济学、投资研究、社会政策指定、金融风控等领域上，会将产业链从供需链、企业链、空间链、价值链、技术链、生态链等不同维度进行分析，从不同的角度着手，为特定的目标服务。

供应链是产业链中最核心的部分，是指生产及流通过程中产品或服务在企业之间，以及企业和最终用户之间的流动所形成的网链结构。供应链通常从配套物料开始，到制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的整个过程。这个过程中，每一个企业都发挥着其应有的价值，这样通过对供应链的分析，可以有效的、深入的和全面的了解企业所面临的状况。

在金融市场中，正确地评估企业当前所处的状况，并据此对这些企业进行分析，评估其信用价值，是非常重要且关键的。这些信用价值可以用在信贷领域，用以进行信贷额度的评估、信用风险的管理；也可以用在投资领域，挖掘企业的核心价值并正确的评估企业的市场价格，据此获得投资机会并减少投资风险等。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供了计算企业信用因子分数的方法、装置以及计算机存储介质，本方法利用企业的信用因子进行更好的评估企业的风险和价值，据此进行信贷管理和投资管理，避免风险并获得收益。

本发明采用的技术方案如下：一种计算企业信用因子分数的方法，包括：

步骤1：根据企业与产品互相之间的供应关系，将具有供应关系的企业与产品连接在一起，形成完整的供应链，再将所有企业与产品都连接后，最终构建出企业与产品的关系图谱；

步骤2：在生成的关系图谱中，根据需要计算信用因子分数的企业所在的供应链，找出该供应链上的产品和下游企业，通过计算得到该供应链上产品的评分和下游企业的评分，然后将这两个评分进行聚合运算，得到该企业的信用因子分数。

进一步的，所述步骤1具体包括：

步骤11：分别构建产品和企业这两种类型的节点；

步骤12：若某企业销售了某个产品，则将表示该企业的节点指向至表示被销售的产品的节点并将两者连接在一起；

若某企业采购了某个产品，则将表示被采购的产品的节点指向至表示该企业的节点并将两者连接在一起；

步骤13：根据步骤12记载的方式，将具有供应关系的表示企业的节点和表示产品的节点都连接起来，构成企业与产品之间的关系图谱。

所述步骤2具体包括：

步骤21：在生成的关系图谱中，找出并确定需要被计算信用因子分数的企业；

步骤22：根据该企业在关系图谱中的位置，找出该企业的供应链；

步骤23：在该供应链上找出属于同一供应层级的产品以及属于同一供应层级的下游企业；其中，同一供应层级的产品表示由同一个企业生产销售出的所有产品，同一供应层级的下游企业表示采购了同一产品的所有企业；

步骤24：计算出属于同一供应层级的产品的评分，以及计算出属于同一供应层级的下游企业的评分；

步骤25：将每个同一供应层级的产品的评分和每个同一供应层级的下游企业的评分进行聚合运算，得到该企业的信用因子分数。

所述同一供应层级的产品的评分通过EP编码模型计算得到，所述同一供应层级的下游企业的评分通过EE编码模型计算得到；其中，所述EP编码模型和EE编码模型通过深度图神经网络模型训练得到。

进一步的，所述同一供应层级的产品的评分通过EP编码模型计算得到的过程包括：

首先，将属于同一供应层级的每个产品的产品因素作为文本信息输入至EP编码模型的第一层网络；

然后，将输入的文本信息通过嵌入学习转化成输入向量，对其邻接节点的向量进行求和，得到一个新的向量，新的向量通过GRU网络进行处理后输出向量；

模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；

在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；

最后，将拼接成的总向量通过全连接网络输出得到产品的评分。

其中，所述企业因素包括：企业规模、企业的财务指标、企业好评度和企业的诉讼信息。

进一步的，所述同一供应层级的下游企业的评分通过EE编码模型计算得到的过程包括：

首先，将属于同一供应层级的每个下游企业的企业因素作为文本信息输入至EE编码模型的第一层网络；

然后，将输入的文本信息通过嵌入学习转化成输入向量，对其邻接节点的向量进行求和，得到一个新的向量，新的向量通过GRU网络进行处理后输出向量；

模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；

在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量，

最后，将拼接成的总向量通过全连接网络输出得到下游企业的评分。

其中，所述企业因素包括：企业规模、企业的财务指标、企业好评度和企业的诉讼信息。

本发明还提供一种计算企业信用因子分数的装置，该装置包括：

关系图谱构建模块，所述关系图谱构建模块用于构建企业与产品之间的供应链，构建出所有的供应链后形成关系图谱；

产品评分计算模块，所述产品的评分计算模块用于计算供应链中产品的评分；

下游企业评分计算模块，所述下游企业评分计算模块用于计算供应链中下游企业的评分；

信用因子分数计算模块，所述信用因子计算模块用于计算企业的信用因子分数。

本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述记载的一种计算企业信用因子的方法。

与现有技术相比，采用上述技术方案的有益效果为：

本发明通过对供应链计算出企业信用因子分数，能够更加全面的评价企业的信用情况，一方面能够减少因评估不准导致给予过高额度的企业所带来的风险，另一方面能够给予在供应链中有竞争力的中小微企业授予合理的授信额度，提供更好的资金支持，响应国家服务好中小微企业的号召，做到既践行了普惠金融，又实现了风险可控。

附图说明

图1是企业与产品的关系图谱示意图。

图2是针对企业B的信用因子分数计算示意图。

图3是EE/EP模型结构示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

本实施例提供一种计算企业信用因子分数的方法，本在方法中，主要包括构建图谱和计算企业信用因子分数两个步骤。

其中，构建图谱的步骤包括以下内容：

如图1所示，首先构建两类节点：产品和企业；在图1中，矩形表示产品，椭圆形表示企业；若某企业销售了某个产品，则将表示该企业的节点指向表示被销售的产品的节点上；例如图1中，企业A1生产销售了产品X1,则在图1中，表示企业A1的节点就会指向表示产品X1的节点并连接在一起；若某企业采购了某个产品，则将表示该被采购产品的节点指向表示该企业的节点并连接在一起；例如图1中，企业B采购了产品X1，则在图1中，表示产品X1的节点就会指向并连接至表示企业B的节点。

通过这种企业与产品之间的供应关系，形成一个整体的供应链，如图1中，企业B从上游企业A（包括A1、A2、A3）采购的其生产的产品X（包括X1和X2，），并将其所生产的产品Y（包括Y1和Y2）销售给下游企业C（包括C1、C2、C3、C4、C5），按照这种方式，将图1中的所有企业节点和产品节点连接在一起，形成一个企业与产品的关系图谱。

图1中S1、S2、…、S23表示以产品为中心的市场占比，以S1、S2为例，假设产品X1只由企业A1和企业A2生产，那么S1则表示在所有的产品X1中，由企业A1生产的产品X1的市场占有率，S2则表示在所有的产品X1中，由企业A2生产的产品X1的市场占有率。

计算企业信用因子分数的步骤包括以下内容：

在生成的关系图谱中，根据需要计算信用因子分数的企业所在的供应链，找出该供应链上的产品和下游企业，通过计算得到产品的评分和下游企业的评分，然后将这两个评分进行聚合运算，得到该企业的信用因子分数。

下面以企业B为例，如图2所示，在生成的关系图谱中，先找出并确定需要被计算信用因子分数的企业；找出企业B在关系图谱中的位置，然后找出企业B的供应链，该供应链上包括企业B生产销售的产品Y1和产品Y2，以及采购产品Y1的下游企业C1、C2、C3、C4、D1，采购产品Y2的下游企业C2、C4、C5、D2等。

其中，产品Y1和产品Y2因为都是由企业B生产销售，所以产品Y1和产品Y2属于同一供应层级的产品，而下游企业C1、C2、C3、C4、D1因为都采购了产品Y1，所以下游企业C1、C2、C3、C4、D1属于同一供应层级的下游企业，下游企业C2、C4、C5、D2采购的是产品Y2，所以它们也属于同一供应层级的下游企业。

在企业B的供应链关系中，企业B的信用因子分数受产品Y1和产品Y2的影响，而产品Y1和产品Y2则受采购该产品的下游企业决定，所以在本实施例中，利用EP编码模型计算产品Y1和产品Y2的评分，利用EE编码模型来计算下游企业C1、C2、C3、C4、D1以及C2、C4、C5、D2的评分，假如该供应链后还有其余的产品和企业，那么就继续利用EP编码模型和EE编码模型进行计算，在完成了对所有产品以及下游企业的评分计算后，最后将所有的评分通过聚合运算得到企业B的信用因子分数。

在本实施例中，EP编码模型和EE编码模型皆通过如图3所示的深度图神经网络学习模型训练得到。

在本实施例中，如图3所示，利用EP编码模型计算产品的评分具体过程包括以下内容：

首先，将属于同一供应层级的每个产品的产品因素作为文本信息输入至EP编码模型的第一层网络；

其中，所述产品因素包括：产品的市场占有率、产品的价格、产品的市场好评度、产品的销售量和产品的质量等；

然后，将输入的文本信息通过嵌入学习转化成输入向量，对其邻接节点的向量进行求和，得到一个新的向量，新的向量通过GRU（即门限循环单元）网络进行处理后输出向量；

模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；

在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；

最后，将拼接成的总向量通过全连接网络输出得到产品的评分。

EE编码模型与EP编码模型的网络结构是相同的，其区别仅在于输入和输出不一致，所以，在本实施例中，利用EE编码模型计算下游企业的评分具体过程包括以下内容：

首先，将属于同一供应层级的每个下游企业的企业因素作为文本信息输入至EE编码模型的第一层网络；

其中，企业因素包括：企业规模、企业的财务指标、企业好评度和企业的诉讼信息等；

然后，将输入的文本信息通过嵌入学习转化成输入向量，对其邻接节点的向量进行求和，得到一个新的向量，新的向量通过GRU（即门限循环单元）网络进行处理后输出向量；

模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；

在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量，

最后，将拼接成的总向量通过全连接网络输出得到产品下游企业的评分。

所有的产品因素和企业因素都不局限于本实施例中所提及的，在具体的计算过程中，可以将拥有的所有数据输入EE/EP编码模型中进行计算。比如如果能获取企业的招聘信息，那么招聘信息也可以作为企业因素加入到EE编码模型中进行计算。对于产品也一样，有些产品（包括中间产品）可能在电商网站上有销售，那么这些电商网站上的评论信息也可以作为产品因素加入到EP编码模型中进行计算。

本实施例还提供本一种计算企业信用因子分数的装置，该装置包括：

关系图谱构建模块，所述关系图谱构建模块用于构建企业与产品之间的供应链，构建出所有的供应链后形成关系图谱；

产品评分计算模块，所述产品的评分计算模块用于计算供应链中产品的评分；

下游企业评分计算模块，所述下游企业评分计算模块用于计算供应链中下游企业的评分；

信用因子分数计算模块，所述信用因子分数计算模块用于计算企业的信用因子分数。

本发明通过产品和下游企业在供应链上的评分，提供了企业的信用因子分数，其应用范围非常之广泛，包括但不限于：信贷业务中授予授信额度的评价；监测企业的风险，对于发现风险时及时做出响应；评估企业的投资价值；评估企业的市场竞争力；通过信用因子分值的变化监测企业的发展异常情况；撰写研究报告时提供数据支撑。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。

Claims (10)

1.一种计算企业信用因子分数的方法，其特征在于，包括：

步骤1：根据企业与产品互相之间的供应关系，将具有供应关系的企业与产品连接在一起，形成完整的供应链，再将所有企业与产品都连接后，最终构建出企业与产品的关系图谱；

步骤2：在生成的关系图谱中，根据需要计算信用因子分数的企业所在的供应链，找出该供应链上的产品和下游企业，通过计算得到该供应链上产品的评分和下游企业的评分，然后将这两个评分进行聚合运算，得到该企业的信用因子分数。

2.根据权利要求1所述的一种计算企业信用因子分数的方法，其特征在于，所述步骤1具体包括：

步骤11：分别构建产品和企业这两种类型的节点；

步骤12：若某企业销售了某个产品，则将表示该企业的节点指向至表示被销售的产品的节点并将两者连接在一起；

若某企业采购了某个产品，则将表示被采购的产品的节点指向至表示该企业的节点并将两者连接在一起；

步骤13：根据步骤12记载的方式，将具有供应关系的表示企业的节点和表示产品的节点都连接起来，构成企业与产品之间的关系图谱。

3.根据权利要求1所述的一种计算企业信用因子分数的方法，其特征在于，所述步骤2具体包括：

步骤21：在生成的关系图谱中，找出并确定需要被计算信用因子分数的企业；

步骤22：根据该企业在关系图谱中的位置，找出该企业的供应链；

步骤23：在该供应链上找出属于同一供应层级的产品以及属于同一供应层级的下游企业；其中，同一供应层级的产品表示由同一个企业生产销售出的所有产品，同一供应层级的下游企业表示采购了同一产品的所有企业；

步骤24：计算出属于同一供应层级的产品的评分，以及计算出属于同一供应层级的下游企业的评分；

步骤25：将每个同一供应层级的产品的评分和每个同一供应层级的下游企业的评分进行聚合运算，得到该企业的信用因子分数。

4.根据权利要求3所述的一种计算企业信用因子分数的方法，其特征在于，所述同一供应层级的产品的评分通过EP编码模型计算得到，所述同一供应层级的下游企业的评分通过EE编码模型计算得到；其中，所述EP编码模型和EE编码模型通过深度图神经网络模型训练得到。

5.根据权利要求4所述的一种计算企业信用因子分数的方法，其特征在于，所述同一供应层级的产品的评分通过EP编码模型计算得到的过程包括：

首先，将属于同一供应层级的每个产品的产品因素作为文本信息输入至EP编码模型的第一层网络；

然后，将输入的文本信息通过嵌入学习转化成输入向量，对其邻接节点的向量进行求和，得到一个新的向量，新的向量通过GRU网络进行处理后输出向量；

模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；

在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量；

最后，将拼接成的总向量通过全连接网络输出得到产品的评分。

6.根据权利要求5所述的一种计算企业信用因子分数的方法，其特征在于，所述产品因素包括但不限于：产品的市场占有率、产品的价格、产品的市场好评度、产品的销售量和产品的质量。

7.根据权利要求4所述的一种计算企业信用因子分数的方法，其特征在于，所述同一供应层级的下游企业的评分通过EE编码模型计算得到的过程包括：

首先，将属于同一供应层级的每个下游企业的企业因素作为文本信息输入至EE编码模型的第一层网络；

然后，将输入的文本信息通过嵌入学习转化成输入向量，对其邻接节点的向量进行求和，得到一个新的向量，新的向量通过GRU网络进行处理后输出向量；

模型中的N层网络皆重复上述运算步骤，总共重复N次，其中，第i层网络的输出向量作为第i+1层网络的输入向量，i为大于等于1的整数；

在重复了N次后，总共得到N个输出向量，将N个输出向量拼接成一个总向量，

最后，将拼接成的总向量通过全连接网络输出得到下游企业的评分。

8.根据权利要求7所述的一种计算企业信用因子分数的方法，其特征在于，所述企业因素包括：企业规模、企业的财务指标、企业好评度和企业的诉讼信息。

9.一种计算企业信用因子分数的装置，其特征在于，包括：

关系图谱构建模块，所述关系图谱构建模块用于构建企业与产品之间的供应链，构建出所有的供应链后形成关系图谱；

产品评分计算模块，所述产品的评分计算模块用于计算供应链中产品的评分；

下游企业评分计算模块，所述下游企业评分计算模块用于计算供应链中下游企业的评分；

信用因子分数计算模块，所述信用因子分数计算模块用于计算企业的信用因子分数。

10.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-8任一所述的方法。

Images