CN114118526A - 一种企业风险预测方法、装置、设备及存储介质 - Google Patents
一种企业风险预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114118526A CN114118526A CN202111272997.2A CN202111272997A CN114118526A CN 114118526 A CN114118526 A CN 114118526A CN 202111272997 A CN202111272997 A CN 202111272997A CN 114118526 A CN114118526 A CN 114118526A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- matrix
- chain
- risk prediction
- core
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 283
- 238000013058 risk prediction model Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 41
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims 2
- 238000012502 risk assessment Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000014509 gene expression Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
Abstract
本发明公开了一种企业风险预测方法、装置、设备及存储介质,涉及人工智能技术领域。该方法包括,获取企业集合中的各企业分别对应的特征数据;对于各企业,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,风险预测结果表征当前企业是风险企业的概率;获取各核心企业与各链条企业的初始关系矩阵,采用任意阶邻近网络对初始关系矩阵进行重建,获得重建后的关联关系矩阵;基于关联关系矩阵和各企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集。使用上述技术方案,可以提高企业风险评估的准确度,帮助企业规避风险较高的相关企业,从而实现获得优质的合作企业的技术效果。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种企业风险预测方法、装置、设备及存储介质。
背景技术
在数据挖掘领域,基于业务需求,需要对多个企业进行风险评估,以确定各企业是否是风险企业,从而可以根据评估结果拓展优质客户群,避开风险客户群。其中的多个企业可以包括核心企业和链条企业,核心企业包括指定的至少一个重要性高的企业,链条企业可以包括各核心企业的上下游企业。
目前主要采用单一的机器学习模型对各企业进行风险评估,该风险评估方法的准确度较低。
发明内容
本发明实施例提供一种企业风险预测方法、装置、设备及存储介质,以优化现有的预测企业风险的相关方案,提高企业风险预测的准确度。
第一方面,本发明实施例提供了一种企业风险预测方法,包括:
获取企业集合中的各企业分别对应的特征数据;其中,所述企业集合中包含至少一个核心企业和至少一个链条企业;
对于各所述企业,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,所述风险预测结果表征当前企业是风险企业的概率;
获取各所述核心企业与各所述链条企业的初始关系矩阵,采用任意阶邻近网络对所述初始关系矩阵进行重建,获得重建后的关联关系矩阵;
基于所述关联关系矩阵和各所述企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集。
第二方面,本发明实施例还提供了企业风险预测装置装置,该装置包括:
特征数据获取模块,用于获取企业集合中的各企业分别对应的特征数据;其中,所述企业集合中包含至少一个核心企业和至少一个链条企业;
第一风险结果获得模块,用于对于各所述企业,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,所述风险预测结果表征当前企业是风险企业的概率;
关系矩阵获得模块,用于获取各所述核心企业与各所述链条企业的初始关系矩阵,采用任意阶邻近网络对所述初始关系矩阵进行重建,获得重建后的关联关系矩阵;
第二风险结果获得模块,用于基于所述关联关系矩阵和各所述企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的企业风险预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的企业风险预测方法。
本发明实施例提供的企业风险预测方案,首先将获取的各企业分别对应的特征数据输入至预先训练出的风险预测模型,获得当前企业对应的风险预测结果,风险预测结果表征当前企业是风险企业的概率,从而明确各核心企业和各链条企业的风险概率;然后获取各核心企业与各链条企业的初始关系矩阵,采用任意阶邻近网络对初始关系矩阵进行重建,获得重建后的关联关系矩阵,可明确各核心企业与各链条企业关系的紧密程度;基于关联关系矩阵和各企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集,即基于核心企业与链条企业的关联关系对风险预测模型输出的各企业的风险预测结果进行优化后的风险预测结果集。使用上述技术方案,可以提高企业风险评估的准确度,帮助企业规避风险较高的相关企业,从而实现获得优质的合作企业的技术效果。
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1a是本发明实施例一提供的一种企业风险预测方法的流程图;
图1b是本发明实施例一提供的一种实现企业风险预测方法的逻辑图;
图2a是本发明实施例二提供的一种企业风险预测方法的流程图;
图2b是本发明实施例二提供的一种风险预测模型的逻辑图;
图2c是本发明实施例二提供的一种获得核心企业与链条企业关联关系矩阵的逻辑图;
图3是本发明实施例三提供的一种企业风险预测装置的结构示意图;
图4是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到: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,在本发明的描述中,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。
实施例一
图1a为本发明实施例一提供的一种企业风险预测方法的流程图,本实施例可适用于评估企业风险的情况,该方法可以由本发明实施例中的企业风险预测装置来执行,该装置可采用软件和/或硬件的方式实现,如图1a所示,该方法具体包括如下步骤:
S110、获取企业集合中的各企业分别对应的特征数据。
以金供应链融场景为例,金融机构需要根据金融产品的特点,围绕供应链上的核心企业,基于交易过程向核心企业和其上下游相关的链条企业提供综合金融服务。一般地,供应链金融的参与主体有:核心企业、融资企业(例如:上游供应商、下游分销商以及零售商)、金融机构以及第三方物流公司等。在供应链金融中,所有的参与企业的集合可以理解为企业集合。
在本实施例中,企业集合中包含至少一个核心企业和至少一个链条企业。
核心企业可以理解为在企业集合中所经营业务相比于其余企业为主营业务的企业,则在上述供应链金融的举例中,除核心企业之外的其余企业,可以称为链条企业。其中,在一个供应链中,核心企业不局限于一个。
一般在对企业进行风险评估时,若核心企业为风险等级较高的企业,则与核心企业相关的链条企业风险等级也相对较高。因此,本实施例通过分析获取企业集合中的各企业分别对应的特征数据,以对各个企业的风险进行预测。
可选地,上述企业的特征数据可以包括:企业的资金走势数据、规模数据、财务指标数据、以及合规指标数据等,具体企业的特征数据在此不作需求,以实际分析需求为准。
S120、对于各企业,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,风险预测结果表征当前企业是风险企业的概率。
风险预测模型为能够通过输入至当前企业对应的特征数据,输出当前风险预测结果的相应模型。相应地,风险预测模型可以为分类模型和/或回归模型,分类模型例能够在不同的维度上学习到企业特征数据对应的特征,以在不同的维度上对企业进行分类,分类的结果包含了多种纬度的企业分类。回归模型能够在根据企业对应的特征数据对企业特征进行不同维度的判断,计算企业的风险值。具体地,风险预测模型可以为逻辑斯蒂回归模型、回归树模型、支持向量机模型、线性分类模型、决策树模型或随机森林模型中的一种或者多种,具体风险预测模型的类型以及风险预测模型中所包含的模型数量在此不作限制。
通过将每一个核心企业和与核心企业相关的链条企业对应的特征数据分别输入至预先训练的风险预测模型中,可获得每个企业对应的风险预测结果,其中,风险预测结果表征当前企业是风险企业的概率。若当前企业对应的风险预测结果大于预设阈值(例如,80%),则表明当前企业为风险企业的概率较高,后续步骤将不对当前风险概率较高的企业进行计算,可滤除掉不符合要求的企业,降低计算难度,从而对风险预测结果满足预设阈值的企业进行进一步判断。
S130、获取各核心企业与各链条企业的初始关系矩阵,采用任意阶邻近网络对初始关系矩阵进行重建,获得重建后的关联关系矩阵。
初始关系矩阵可表示核心企业与链条企业业务的相关程度,初始关系矩阵的获得方式可以为:结合原始的核心企业和链条企业之间上下游的关联关系,以及各企业分别对应的特征数据的来源方式,可整合得到初始的核心企业和链条的初始关系矩阵。
其中,初始关系矩阵可以由0和1组成,横轴可以表示核心企业,纵轴可以表示链条企业,若核心企业与链条企业有关联关系,则记为1,否则记为0。相应地,初始关系矩阵中的坐标(i,j)可以表示第i个核心企业与第j个链条企业是否有存在关联关系。
通过初始关系矩阵中的0或1可明确各核心企业与各链条企业是否有关联,但无法明确关联程度,则进一步采用任意阶邻近网络对初始关系矩阵进行重建,获得重建后的关联关系矩阵,重建后的关联关系矩阵可表征各核心企业与各链条企业关联关系的紧密程度,从而可根据该紧密程度判断若某一企业为风险企业,则对当前企业的影响。
示例性的,若判断出某一企业为风险企业的可能性较大,但通过关联关系矩阵表现出该企业与当前企业的关联程度较小,则当前企业为风险企业的可能性较小。
其中,任意阶邻近网络可采取K最近邻分类算法(K-NearestNeighbor,简称KNN)或深度游走算法(DeepWalk)等进行实现,具体任意阶邻近网络所使用的算法在此不作限制。
S140、基于关联关系矩阵和各企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集。
请参照图1b,图b是本发明实施例一提供的一种实现企业风险预测方法的逻辑图;经步骤S120所得的各企业对应的风险预测结果,以及经步骤S130采用任意阶邻近网络对核心企业和链条企业的初始关系矩阵重建后获得的关联关系矩阵,经相关数学计算,可得到分别表示各核心企业风险预测结果集和链条企业风险预测结果集。
其中,该企业风险预测结果集可以以向量的形式进行表示,根据该企业风险预测结果集可以对与当前企业相关的企业进行排序,从而明确与当前企业最相关的企业,还可明确其余企业的风险程度对当前企业的影响大小,以更好的对当前企业的风险进行预测。
本实施例提供的企业风险预测方法,首先将获取的各企业分别对应的特征数据输入至预先训练出的风险预测模型,获得当前企业对应的风险预测结果,风险预测结果表征当前企业是风险企业的概率,从而明确各核心企业和各链条企业的风险概率;然后获取各核心企业与各链条企业的初始关系矩阵,采用任意阶邻近网络对初始关系矩阵进行重建,获得重建后的关联关系矩阵,可明确各核心企业与各链条企业关系的紧密程度;基于关联关系矩阵和各企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集,即基于核心企业与链条企业的关联关系对风险预测模型输出的各企业的风险预测结果进行优化后的风险预测结果集。使用上述技术方案,可以提高企业风险评估的准确度,帮助企业规避风险较高的相关企业,从而实现获得优质的合作企业的技术效果。
实施例二
图2a本发明实施例二提供的一种企业风险预测方法的流程图,本实施例以上述实施例为基础进行优化,优化了所述基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果步骤,包括:将当前企业对应的特征数据分别输入预先训练出的风险预测模型包含的第1个到第n个子模型;其中,n为大于1的整数;将n个子模型分别输出的结果数据以及当前企业对应的特征数据输入所述风险预测模型包含的第n+1个子模型;获得所述第n+1个子模型输出的当前企业对应的风险预测结果。这样设置的好处在于,不同的子模型可从不同维度提取到当前企业对应的特征数据的不同特征结果,通过n个子模型可使得风险预测模型输出的特征结果更全面。
还优化了采用任意阶邻近网络对所述初始关系矩阵进行重建,获得重建后的关联关系矩阵步骤,包括:获取所述初始关系矩阵对应的核心企业高斯矩阵以及链条企业高斯矩阵;根据所述核心企业高斯矩阵确定核心企业相似矩阵,根据所述链条企业高斯矩阵确定链条企业相似矩阵;基于所述核心企业相似矩阵和任意阶邻近网络,确定核心企业邻近网络嵌入矩阵,以及基于所述链条企业相似矩阵和任意阶邻近网络,确定链条企业邻近网络嵌入矩阵;根据所述核心企业邻近网络嵌入矩阵和所述链条企业邻近网络嵌入矩阵,获得重建后的关联关系矩阵。这样设置的好处在于,关联关系矩阵表征核心企业与链条企业之间的关联程度,便于实现企业的风险预测。
还优化了所述基于所述关联关系矩阵和各所述企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集步骤,包括:根据各所述企业分别对应的风险预测结果,获得初始核心企业风险向量和初始链条企业风险向量;其中,所述初始核心企业风险向量中包含各核心企业的风险预测结果,所述初始链条企业风险向量中包含各链条企业的风险预测结果;基于所述关联关系矩阵、所述初始核心企业风险向量和所述初始链条企业风险向量,分别确定最终的核心企业风险向量和最终的链条企业风险向量。这样设置的好处在于,通过获得的关联关系矩阵与初始核心企业风险向量和初始链条企业风险向量进行计算,所获得的最终风险向量准确度更高。
如图2a所示,本实施例的方法具体包括如下步骤:
S210、获取企业集合中的各企业分别对应的特征数据。
S220、将当前企业对应的特征数据分别输入预先训练出的风险预测模型包含的第1个到第n个子模型。
本实施例提供的企业风险预测方案,其中的风险预测模型包含的子模型可以为多个,具体地,请参照图2b,图2b是本发明实施例二提供的一种风险预测模型的逻辑图。在图2b中,将当前企业对应的特征数据分别输入至第1个到第n个子模型中,每个子模型可根据当前模型的特性输出当前特征数据对应的n各特征。这样设置的好处在于,不同类型的子模型可从不同维度提取到当前企业特征数据的不同特征,通过n个子模型可使得风险预测模型输出的特征更精准,更全面。
在将当前企业对应的特征数据分别输入至预风险预测模型之前,需要对包含的对第1个到第n个子模型进行训练。
可选地,风险预测模型的训练方法包括:获取训练样本集;使用训练样本集中的部分训练样本,对第1个到第n个子模型进行训练;使用训练样本集中的另一部分训练样本,对包括训练出的第1个到第n个子模型和待训练的第n+1个子模型的风险预测模型进行训练。
其中,获取的训练样本集为样本企业的对应的特征数据(例如,F),将当前训练样本集中包含的样本企业对应的特征数据分为两部分,一部分特征数据(例如,F1)作为训练样本,用于对第1个到第n个子模型进行训练。则相应地,对第1个到第n个子模型进行训练的方式可以为:
预先设定好F1中各个训练样本的样本标签,然后将训练样本分别输入至第1个到第n个子模型中,以输出每个模型对应的特征。然后,在每次输出特征后,与训练样本对应的样本标签进行比对,以判断模型当前训练的准确性,并根据输出结果与样本标签间的差异对应调整相应子模型内包含的相关参数,进而在对子模型内包含的相关参数调整完成后,再将F1中包含的训练样本输入至第1个到第n个子模型中,再次执行上述过程,以进一步对风险预测模型中的每个子模型进行优化,直至在对每个子模型输入相关测试数据后,输出的结果均在误差范围之内,则表明当前第1个到第n个子模型训练完成。
进一步地,将当前样本企业对应的特征数据(F1)输入至第1个到第n个子模型后,可得第1个到第n个子模型对应的结果数据集合(例如,F2);并将当前第1个到第n个子模型对应的结果数据集合(F2)以及另一部特征数据(例如,F-F1)进行整合可得新的特征数据集合(例如F3,其中F3=F-F1+F2),并进一步使用新的特征数据集合(F3)对训练出的第1个到第n个子模型和待训练的第n+1个子模型的风险预测模型进行训练,具体对第n+1个子模型进行训练的过程与对第1个到第n个子模型进行训练的过程相同,在此不作赘述。
可选地,第1个到第n个子模型可以为分类模型和回归模型,分类模型能够在不同的维度上学习到企业特征数据对应的特征,以在不同的维度上对企业进行分类,分类的结果包含了多种维度的企业分类。回归模型能够根据企业对应的特征数据对企业特征进行不同维度的判断,计算企业的风险值。本实施例提供的第1个到第n个子模型中的各子模型可以为逻辑斯蒂回归模型、回归树模型、支持向量机模型、线性分类模型、或决策树模型等;第n+1个子模型可以为随机森林模型,具体子模型的类型在此不作限制。
进一步将当前企业对应的特征数据分别输入预先训练好的第1个到第n个风险预测子模型中,每个子模型可从不同维度分别对当前企业的特征数据进行分析,从而输出第1个到第n个子模型对应的结果数据。
S221、将n个子模型分别输出的结果数据以及当前企业对应的特征数据输入风险预测模型包含的第n+1个子模型,获得第n+1个子模型输出的当前企业对应的风险预测结果。
在将当前结果数据以及当前企业对应的特征数据输入至预先训练好的风险预测模型包含的第n+1个子模型中后,第n+1个子模型可输出当前企业对应的风险预测结果。
相应地,将每个核心企业和每个链条企业分别输入至训练完成的第n+1个子模型中,可分别得出每个企业的风险预测结果。
其中,第n+1个子模型在输出当前企业对应的风险预测结果时,可以概率的形式输出,例如,预测当前企业具有风险的可能性为20%;相应地,也可以风险等级的形式输出,例如,当前企业具的风险等级为0、1或2,数字越大,风险等级越高。具体第n+1个子模型输出风险等级的形式在此不作限制。
需要说明的是,企业集合中包含的至少一个核心企业和至少一个链条企业均需执行上述步骤S220-S221,以使得第n+1个子模型输出每个企业对应的风险预测结果。
S230、获取各核心企业与各链条企业的初始关系矩阵。
S240、获取初始关系矩阵对应的核心企业高斯矩阵以及链条企业高斯矩阵。
请参照图2c,图2c是本发明实施例二提供的一种获得核心企业与链条企业关联关系矩阵的逻辑图。其中,图2c中的H表示核心企业,K表示链条企业、A表示核心企业和链条企业的初始关系矩阵、KC表示核心企业高斯矩阵、KU表示链条企业高斯矩阵、CS表示核心企业的语义矩阵、US表示链条企业的语义矩阵、SC表示核心企业相似矩阵、SU表示链条企业相似矩阵、SCD表示核心企业邻近网络嵌入矩阵、SUD表示链条企业邻近网络嵌入矩阵、CU表示关联关系矩阵。
首先,通过以下表达式表示与初始矩阵有关的核心企业以及链条企业:
上式中,i,j分别可以理解初始矩阵的行和列,其中,Hij=1表示在初始关系矩阵中第i个核心企业与第j个链条企业存在关联关系;Hij=0表示在初始关系矩阵中第i个核心企业与第j个链条企业不存在关联关系。
进一步地,获得核心企业高斯矩阵KC以及链条企业高斯矩阵KU,可通过以下表达式进行计算:
KC=exp(-γc||IP(Ci)-IP(Cj)||2) (2)
KU=exp(γu||IP(Ui)-IP(Uj)||2) (3)
其中,
上式中,IP(Ci)和IP(Uj)表示在初始关系矩阵中核心企业的第i行向量和链条企业的第j列向量之间的距离,γc和γu分别表示核心企业和链条企业的调整系数,γc‘和γu‘分别表示核心企业和链条企业的原始系数。
S241、根据核心企业高斯矩阵确定核心企业相似矩阵,根据链条企业高斯矩阵确定链条企业相似矩阵。
可选地,根据核心企业高斯矩阵KC确定核心企业相似矩阵SC的过程可以为:
首先确定包含各核心企业间的相似值的核心企业语义矩阵CS,然后根据核心企业语义矩阵CS和核心企业高斯矩阵KC确定核心企业相似矩阵SC。
本申请可以将所有企业构造成一个有向无环图(DAG),具体有向无环图的构造方法在此不作限制,可以根据现有技术的构造方法得到。
其中,DAG(C)的核心企业的语义值的参数值可以用以下表达式表示:
上式中,ε是影响因素,如果C的子节点离得很远,则影响因素小于最近的一个。
进一步地,企业D的语义值加在DAG中的所有企业上,表示为CV。核心企业Ci和Cj的语义相似度得分可以定义为:
CV1(C)=∑c∈T(C)C1C(c) (7)
其中,核心企业的语义值是可以用以下表达式进行度量:
进一步地,根据公式(9)和公式(10),可得核心企业语义矩阵CS,
上式中,SS1和SS2指在不同层面上对核心企业语义矩阵的表示。
相应地,核心企业相似矩阵SC可用以下表达式表示:
SC=CS⊙α+KC⊙(1-α) (12)
上式中,α∈(0,1)表示综合权重。
进一步地,根据链条企业高斯矩阵KU确定链条企业相似矩阵SU的过程可以为:首先确定包含各链条企业间的相似值的链条企业功能相似矩阵SU,然后根据链条企业功能相似矩阵SU和链条企业高斯矩阵KU确定链条企业相似矩阵SU。
相应地,可用如下表达式表示:
S(ct,DT)=max1≤i≤nc(S(dt,dti)) (13)
SU=US⊙β+KU⊙(1-β) (15)
上式中,β∈(0,1)表示综合权重。
S242、基于核心企业相似矩阵和任意阶邻近网络,确定核心企业邻近网络嵌入矩阵,以及基于链条企业相似矩阵和任意阶邻近网络,确定链条企业邻近网络嵌入矩阵。
一种可选实施例,基于核心企业相似矩阵SC和任意阶邻近网络,确定核心企业邻近网络嵌入矩阵SCD,包括:基于核心企业相似矩阵SC确定第一任意阶邻近矩阵;对第一任意阶邻近矩阵进行奇异值分解降序,选取当前奇异值分解降序后的特征矩阵中的前r个特征值;其中r为大于1的整数;通过当前选取的前r个特征值重建奇异值分解的第一主特征矩阵,将该第一主特征矩阵确定为核心企业邻近网络嵌入矩阵SCD。
具体地,采用如下公式确定第一任意阶邻近矩阵:
S1=w1A1+w2A12+…+wnA1n (16)
其中,S1为第一任意阶邻近矩阵,A1为核心企业相似矩阵,A1i表示A1的i阶,wi=βi,βi∈(0,1),i在[1,n]中取值,n为预设阶数。
公式(16)中,w表示权重,权值不断减小,说明距离节点意味着权值较小,保证了函数的收敛性。值得注意的是,我们将n阶的接近度,称为从1阶到n阶的所有阶的加权组合,而不是仅n阶,可得任意阶邻近矩阵函数公式如下所示:
相应地,基于链条企业相似矩阵SU和任意阶邻近网络,确定链条企业邻近网络嵌入矩阵SUD,包括:基于链条企业相似矩阵确定第二任意阶邻近矩阵;对第二任意阶邻近矩阵进行奇异值分解降序,选取当前奇异值分解降序后的特征矩阵中的前r个特征值;通过当前选取的前r个特征值重建奇异分解的第二主特征矩阵,将该第二主特征矩阵确定为链条企业邻近网络嵌入矩阵。
采用如下公式确定第二任意阶邻近矩阵:
S2=w1A2+w2A22+…+wnA2n (18)
其中,S2为第二任意阶邻近矩阵,A2为链条企业相似矩阵,A2i表示A2的i阶,wi=βi,βi∈(0,1),i在[1,n]中取值,n为预设阶数。
需要说明的是,基于链条企业相似矩阵确定第二任意阶邻近矩阵的方式与基于核心企业相似矩阵确定第一任意阶邻近矩阵的方式相同,在此不再赘述。
S243、根据核心企业邻近网络嵌入矩阵和链条企业邻近网络嵌入矩阵,获得重建后的关联关系矩阵。
其中,核心企业邻近网络嵌入矩阵SCD可根据核心企业相似矩阵SC得到,链条企业邻近网络嵌入矩阵SUD可根据链条企业相似矩阵得到,并进一步根据核心企业邻近网络嵌入矩阵SCD和链条企业邻近网络嵌入矩阵SUD,获得重建后的关联关系矩阵CU。
可选地,获得关联关系矩阵CU的方式可以为:计算核心企业邻近网络嵌入矩阵SCD与链条企业邻近网络嵌入矩阵SUD的乘积结果,将乘积结果确定为重建后的关联关系矩阵。
将核心企业邻近网络嵌入矩阵SCD和链条企业邻近网络嵌入矩阵SUD进行向量相乘,最终可获得核心企业和链条企业的关联关系矩阵CU,根据所得关联关系矩阵中的排名,可以知道与核心企业最相关的链条企业。
S250、根据各企业分别对应的风险预测结果,获得初始核心企业风险向量和初始链条企业风险向量。
在步骤S221中可获得每个核心企业和每个链条企业分别对应的风险预测结果,进一步地,根据核心企业的风险预测结果获得初始核心企业风险向量CU,以及根据输出的链条企业的风险预测结果获得初始链条企业风险向量UD。
其中,从相应的风险预测结果获得对应的企业风险向量的方式可以为进行相关矩阵变换或者相关函数计算,具体方式在此不作限制。
S251、基于关联关系矩阵、初始核心企业风险向量和初始链条企业风险向量,分别确定最终的核心企业风险向量和最终的链条企业风险向量。
基于S243获得的关联关系矩阵CU以及S250获得的初始核心企业风险向量UD和初始链条企业风险向量CD,进行相关向量运算,可获得最终的核心企业风险向量SCD和链条企业风险向量SUD,从而得到能够表示与核心企业关联关系紧密程度的链条企业。
可选的,分别采用如下公式(19)和公式(20)分别确定最终的核心企业风险向量和最终的链条企业风险向量:
SCDz=UD⊙CU+CD (19)
SUDz=CD⊙CU-1+UD (20)
其中,SCDz为最终的核心企业风险向量,SUDz为最终的链条企业风险向量,UD为初始链条企业风险向量,CD为初始核心企业风险向量,CU为关联关系矩阵。
本实施例提供的企业风险预测方案,考虑到了每个企业分别对应的特征数据,使用多个风险预测子模型从不同的维度上对特征数据进行提取,从而可以从点到面挖掘出多个具有不同维度下具有风险的企业。使用本实施例提供的方案,可运用在挖掘核心企业和链条企业之间的关系上,可以精准快速的获得具有多属性特征的核心企业和链条企业的风险客户群。本方案考虑到了各个企业分别对应的特征数据的多方面比较,从而确定出风险企业,并且通过获得核心企业与链条企业之间的关联关系,确定风险企业群。相比传统的通过单一模型对企业进行风险评估,本方的考虑因素更全面,从而预测各企业的风险准确度更好。
实施例三
图3是本发明实施例三提供的一种企业风险预测装置的结构示意图。本实施例可适用于对企业风险进行预测的情况,该装置可采用软件和/或硬件的方式实现,如图3所示,所述企业风险预测装置的装置具体包括:特征数据获取模块30、第一风险结果获得模块31、关系矩阵获得模块32和第二风险结果获得模块33,其中:
特征数据获取模块30,用于获取企业集合中的各企业分别对应的特征数据;其中,所述企业集合中包含至少一个核心企业和至少一个链条企业;
第一风险结果获得模块31,用于对于各所述企业,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,所述风险预测结果表征当前企业是风险企业的概率;
关系矩阵获得模块32,用于获取各所述核心企业与各所述链条企业的初始关系矩阵,采用任意阶邻近网络对所述初始关系矩阵进行重建,获得重建后的关联关系矩阵;
第二风险结果获得模块33,用于基于所述关联关系矩阵和各所述企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集。
本实施例提供的企业风险预测装置,首先将获取的各企业分别对应的特征数据输入至预先训练出的风险预测模型,获得当前企业对应的风险预测结果,风险预测结果表征当前企业是风险企业的概率,从而明确各核心企业和各链条企业的风险概率;然后获取各核心企业与各链条企业的初始关系矩阵,采用任意阶邻近网络对初始关系矩阵进行重建,获得重建后的关联关系矩阵,可明确各核心企业与各链条企业关系的紧密程度;基于关联关系矩阵和各企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集,即基于核心企业与链条企业的关联关系对风险预测模型输出的各企业的风险预测结果进行优化后的风险预测结果集。使用上述技术方案,可以提高企业风险评估的准确度,帮助企业规避风险较高的相关企业,从而实现获得优质的合作企业的技术效果。
可选的,所述第一风险结果获得模块31模块包括:训练单元和预测结果输出单元,其中:
训练单元,用于将当前企业对应的特征数据分别输入预先训练出的风险预测模型包含的第1个到第n个子模型;其中,n为大于1的整数;还用于将n个子模型分别输出的结果数据以及当前企业对应的特征数据输入所述风险预测模型包含的第n+1个子模型;
预测结果输出单元,用于获得所述第n+1个子模型输出的当前企业对应的风险预测结果。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
可选地,所述第1个到第n个子模型中的各子模型为逻辑斯蒂回归模型、回归树模型、支持向量机模型、线性分类模型、或决策树模型;所述第n+1个模型为随机森林模型。
可选地,训练单元包括:获取子单元和训练子单元,其中:
获取子单元,用于获取训练样本集;
训练子单元,用于使用所述训练样本集中的部分训练样本,对所述第1个到第n个子模型进行训练;还用于使用所述训练样本集中的另一部分训练样本,对包括训练出的第1个到第n个子模型和待训练的第n+1个子模型的风险预测模型进行训练。
可选地,关系矩阵获得模块32包括:获取单元、确定单元和获得单元;其中:
获取单元,用于获取所述初始关系矩阵对应的核心企业高斯矩阵以及链条企业高斯矩阵;
确定单元,用于根据所述核心企业高斯矩阵确定核心企业相似矩阵,根据所述链条企业高斯矩阵确定链条企业相似矩阵;还用于基于所述核心企业相似矩阵和任意阶邻近网络,确定核心企业邻近网络嵌入矩阵,以及基于所述链条企业相似矩阵和任意阶邻近网络,确定链条企业邻近网络嵌入矩阵;
获得单元,用于根据所述核心企业邻近网络嵌入矩阵和所述链条企业邻近网络嵌入矩阵,获得重建后的关联关系矩阵。
可选地,所述确定单元,还用于确定包含各核心企业间的相似值的核心企业语义矩阵,根据所述核心企业语义矩阵和所述核心企业高斯矩阵确定核心企业相似矩阵;确定包含各链条企业间的相似值的链条企业功能相似矩阵,根据所述链条企业功能相似矩阵和所述链条企业高斯矩阵确定链条企业相似矩阵。
可选地,所述确定单元包括:确定子单元和选取子单元,其中:
确定子单元,用于基于所述核心企业相似矩阵确定第一任意阶邻近矩阵;
选取子单元,用于对所述第一任意阶邻近矩阵进行奇异值分解降序,选取当前奇异值分解降序后的特征矩阵中的前r个特征值;其中r为大于1的整数;
确定子单元,还用于通过当前选取的前r个特征值重建奇异值分解的第一主特征矩阵,将该第一主特征矩阵确定为核心企业邻近网络嵌入矩阵;
可选地,确定子单元,还用于基于所述链条企业相似矩阵确定第二任意阶邻近矩阵;
选取子单元,还用于对所述第二任意阶邻近矩阵进行奇异值分解降序,选取当前奇异值分解降序后的特征矩阵中的前r个特征值;
确定子单元,通过当前选取的前r个特征值重建奇异分解的第二主特征矩阵,将该第二主特征矩阵确定为链条企业邻近网络嵌入矩阵。
可选地,采用如下公式1确定第一任意阶邻近矩阵,采用如下公式2确定第二任意阶邻近矩阵:
公式1:S1=w1A1+w2A12+…+wnA1n;
公式2:S2=w1A2+w2A22+…+wnA2n;
其中,S1为第一任意阶邻近矩阵,S2为第二任意阶邻近矩阵,A1为核心企业相似矩阵,A2为链条企业相似矩阵,A1i表示A1的i阶,A2i表示A2的i阶,wi=βi,βi∈(0,1),i在[1,n]中取值,n为预设阶数。
可选地,所述确定单元,还用于计算所述核心企业邻近网络嵌入矩阵与所述链条企业邻近网络嵌入矩阵的乘积结果,将乘积结果确定为重建后的关联关系矩阵。
可选地,所述第二风险结果获得模块包括:初始向量获得单元和最终向量确定单元,其中:
初始向量获得单元,用于根据各所述企业分别对应的风险预测结果,获得初始核心企业风险向量和初始链条企业风险向量;其中,所述初始核心企业风险向量中包含各核心企业的风险预测结果,所述初始链条企业风险向量中包含各链条企业的风险预测结果;
最终向量确定单元,用于基于所述关联关系矩阵、所述初始核心企业风险向量和所述初始链条企业风险向量,分别确定最终的核心企业风险向量和最终的链条企业风险向量。
可选地,采用如下公式3确定所述最终的核心企业风险向量,采用如下公式4确定最终的链条企业风险向量:
公式3:SCDz=UD⊙CU+CD;
公式4:SUDz=CD⊙CU-1+UD;
其中,SCDz为最终的核心企业风险向量,SUDz为最终的链条企业风险向量,UD为所述初始链条企业风险向量,CD为所述初始核心企业风险向量,CU为所述关联关系矩阵。
可选地,所述企业的特征数据包括:企业的资金走势数据、规模数据、财务指标数据、以及合规指标数据中的至少一项;和/或,
所述初始关系矩阵中第i行第j列的元素值表示第i个核心企业与第j个链条企业是否有存在关联关系。
本发明实施例提供的企业风险预测装置可执行上述任意实施例所提供的企业风险预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四中的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外,本实施例中的计算机设备12,显示器24不是作为独立个体存在,而是嵌入镜面中,在显示器24的显示面不予显示时,显示器24的显示面与镜面从视觉上融为一体。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的企业风险预测方法。
本发明实施例提供的计算机设备,可执行本发明任意实施例所提供的企业风险预测方法,具备执行该方法相应的功能模块和有益效果。
实施例五
本发明实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的企业风险预测方法:获取企业集合中的各企业分别对应的特征数据;其中,所述企业集合中包含至少一个核心企业和至少一个链条企业;
对于各所述企业,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,所述风险预测结果表征当前企业是风险企业的概率;
获取各所述核心企业与各所述链条企业的初始关系矩阵,采用任意阶邻近网络对所述初始关系矩阵进行重建,获得重建后的关联关系矩阵;
基于所述关联关系矩阵和各所述企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种企业风险预测方法,其特征在于,所述方法包括:
获取企业集合中的各企业分别对应的特征数据;其中,所述企业集合中包含至少一个核心企业和至少一个链条企业;
对于各所述企业,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,所述风险预测结果表征当前企业是风险企业的概率;
获取各所述核心企业与各所述链条企业的初始关系矩阵,采用任意阶邻近网络对所述初始关系矩阵进行重建,获得重建后的关联关系矩阵;
基于所述关联关系矩阵和各所述企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集。
2.根据权利要求1所述的方法,其特征在于,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,包括:
将当前企业对应的特征数据分别输入预先训练出的风险预测模型包含的第1个到第n个子模型;其中,n为大于1的整数;
将n个子模型分别输出的结果数据以及当前企业对应的特征数据输入所述风险预测模型包含的第n+1个子模型;
获得所述第n+1个子模型输出的当前企业对应的风险预测结果。
3.根据权利要求2所述的方法,其特征在于,所述第1个到第n个子模型中的各子模型为逻辑斯蒂回归模型、回归树模型、支持向量机模型、线性分类模型、或决策树模型;
所述第n+1个模型为随机森林模型。
4.根据权利要求2所述的方法,其特征在于,所述风险预测模型的训练方法包括:
获取训练样本集;
使用所述训练样本集中的部分训练样本,对所述第1个到第n个子模型进行训练;
使用所述训练样本集中的另一部分训练样本,对包括训练出的第1个到第n个子模型和待训练的第n+1个子模型的风险预测模型进行训练。
5.根据权利要求1所述的方法,其特征在于,采用任意阶邻近网络对所述初始关系矩阵进行重建,获得重建后的关联关系矩阵,包括:
获取所述初始关系矩阵对应的核心企业高斯矩阵以及链条企业高斯矩阵;
根据所述核心企业高斯矩阵确定核心企业相似矩阵,根据所述链条企业高斯矩阵确定链条企业相似矩阵;
基于所述核心企业相似矩阵和任意阶邻近网络,确定核心企业邻近网络嵌入矩阵,以及基于所述链条企业相似矩阵和任意阶邻近网络,确定链条企业邻近网络嵌入矩阵;
根据所述核心企业邻近网络嵌入矩阵和所述链条企业邻近网络嵌入矩阵,获得重建后的关联关系矩阵。
6.根据权利要求5所述的方法,其特征在于,根据所述核心企业高斯矩阵确定核心企业相似矩阵,根据所述链条企业高斯矩阵确定链条企业相似矩阵,包括:
确定包含各核心企业间的相似值的核心企业语义矩阵,根据所述核心企业语义矩阵和所述核心企业高斯矩阵确定核心企业相似矩阵;
确定包含各链条企业间的相似值的链条企业功能相似矩阵,根据所述链条企业功能相似矩阵和所述链条企业高斯矩阵确定链条企业相似矩阵。
7.根据权利要求5所述的方法,其特征在于,基于所述核心企业相似矩阵和任意阶邻近网络,确定核心企业邻近网络嵌入矩阵,以及基于所述链条企业相似矩阵和任意阶邻近网络,确定链条企业邻近网络嵌入矩阵,包括:
基于所述核心企业相似矩阵确定第一任意阶邻近矩阵;
对所述第一任意阶邻近矩阵进行奇异值分解降序,选取当前奇异值分解降序后的特征矩阵中的前r个特征值;其中r为大于1的整数;
通过当前选取的前r个特征值重建奇异值分解的第一主特征矩阵,将该第一主特征矩阵确定为核心企业邻近网络嵌入矩阵;
基于所述链条企业相似矩阵确定第二任意阶邻近矩阵;
对所述第二任意阶邻近矩阵进行奇异值分解降序,选取当前奇异值分解降序后的特征矩阵中的前r个特征值;
通过当前选取的前r个特征值重建奇异分解的第二主特征矩阵,将该第二主特征矩阵确定为链条企业邻近网络嵌入矩阵。
8.根据权利要求7所述的方法,其特征在于,采用如下公式1确定第一任意阶邻近矩阵,采用如下公式2确定第二任意阶邻近矩阵:
公式1:S1=w1A1+w2A12+…+wnA1n;
公式2:S2=w1A2+w2A22+…+wnA2n;
其中,S1为第一任意阶邻近矩阵,S2为第二任意阶邻近矩阵,A1为核心企业相似矩阵,A2为链条企业相似矩阵,A1i表示A1的i阶,A2i表示A2的i阶,wi=βi,βi∈(0,1),i在[1,n]中取值,n为预设阶数。
9.根据权利要求5所述的方法,其特征在于,根据所述核心企业邻近网络嵌入矩阵和所述链条企业邻近网络嵌入矩阵,获得重建后的关联关系矩阵,包括:
计算所述核心企业邻近网络嵌入矩阵与所述链条企业邻近网络嵌入矩阵的乘积结果,将乘积结果确定为重建后的关联关系矩阵。
10.根据权利要求1所述的方法,其特征在于,基于所述关联关系矩阵和各所述企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集,包括:
根据各所述企业分别对应的风险预测结果,获得初始核心企业风险向量和初始链条企业风险向量;其中,所述初始核心企业风险向量中包含各核心企业的风险预测结果,所述初始链条企业风险向量中包含各链条企业的风险预测结果;
基于所述关联关系矩阵、所述初始核心企业风险向量和所述初始链条企业风险向量,分别确定最终的核心企业风险向量和最终的链条企业风险向量。
11.根据权利要求10所述的方法,其特征在于,采用如下公式3确定所述最终的核心企业风险向量,采用如下公式4确定最终的链条企业风险向量:
公式3:SCDz=UD⊙CU+CD;
公式4:SUDz=CD⊙CU-1+UD;
其中,SCDz为最终的核心企业风险向量,SUDz为最终的链条企业风险向量,UD为所述初始链条企业风险向量,CD为所述初始核心企业风险向量,CU为所述关联关系矩阵。
12.根据权利要求1-11中任一项所述的方法,其特征在于,所述企业的特征数据包括:企业的资金走势数据、规模数据、财务指标数据、以及合规指标数据中的至少一项;和/或,
所述初始关系矩阵中第i行第j列的元素值表示第i个核心企业与第j个链条企业是否有存在关联关系。
13.一种企业风险预测装置,其特征在于,包括:
特征数据获取模块,用于获取企业集合中的各企业分别对应的特征数据;其中,所述企业集合中包含至少一个核心企业和至少一个链条企业;
第一风险结果获得模块,用于对于各所述企业,基于当前企业对应的特征数据和预先训练出的风险预测模型,获得当前企业对应的风险预测结果,所述风险预测结果表征当前企业是风险企业的概率;
关系矩阵获得模块,用于获取各所述核心企业与各所述链条企业的初始关系矩阵,采用任意阶邻近网络对所述初始关系矩阵进行重建,获得重建后的关联关系矩阵;
第二风险结果获得模块,用于基于所述关联关系矩阵和各所述企业分别对应的风险预测结果,获得核心企业风险预测结果集和链条企业风险预测结果集。
14.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-12中任一所述的企业风险预测方法。
15.一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,该程序被处理器执行时实现如权利要求1-12中任一所述的企业风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111272997.2A CN114118526A (zh) | 2021-10-29 | 2021-10-29 | 一种企业风险预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111272997.2A CN114118526A (zh) | 2021-10-29 | 2021-10-29 | 一种企业风险预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118526A true CN114118526A (zh) | 2022-03-01 |
Family
ID=80379515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111272997.2A Pending CN114118526A (zh) | 2021-10-29 | 2021-10-29 | 一种企业风险预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118526A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577701A (zh) * | 2022-09-23 | 2023-01-06 | 刘娇平 | 针对大数据安全的风险行为识别方法、装置、设备及介质 |
CN117541411A (zh) * | 2023-11-08 | 2024-02-09 | 厦门工学院 | 一种基于大数据处理的财务预测模型的构建方法及系统 |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002279174A (ja) * | 2001-03-15 | 2002-09-27 | Toshiba Corp | 信用リスク評価方法及びシステム |
US8515783B1 (en) * | 2000-11-06 | 2013-08-20 | Swiss Reinsurance Company Ltd. | Risk assessment method |
CN108846532A (zh) * | 2018-03-21 | 2018-11-20 | 宁波工程学院 | 应用于物流供应链平台的企业风险评估方法及装置 |
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 |
CN109636144A (zh) * | 2018-11-28 | 2019-04-16 | 优钱付(浙江)信息科技有限公司 | 区块链风险评估供应链金融方法、装置、设备及存储介质 |
CN109858740A (zh) * | 2018-12-21 | 2019-06-07 | 中化资本有限公司 | 企业风险的评估方法、装置、计算机设备及存储介质 |
WO2019114412A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的信用风险控制方法、装置以及设备 |
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 |
CN110503295A (zh) * | 2019-07-05 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 供应链金融的风险分析方法、装置、计算终端及存储介质 |
CN110570111A (zh) * | 2019-08-30 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 企业风险预测方法、模型训练方法、装置及设备 |
CN111222681A (zh) * | 2019-11-05 | 2020-06-02 | 量子数聚(北京)科技有限公司 | 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质 |
CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和系统 |
US20200252422A1 (en) * | 2019-01-31 | 2020-08-06 | EMC IP Holding Company LLC | Risk score generation for assets of an enterprise system utilizing user authentication activity |
CN112200486A (zh) * | 2020-10-27 | 2021-01-08 | 智选(厦门)网络科技有限公司 | 一种供应链金融风险控制的方法 |
CN112465393A (zh) * | 2020-12-09 | 2021-03-09 | 南威软件股份有限公司 | 基于关联分析FP-Tree算法的企业风险预警方法 |
CN112465411A (zh) * | 2021-01-27 | 2021-03-09 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
CN112734099A (zh) * | 2020-12-31 | 2021-04-30 | 北京知因智慧科技有限公司 | 企业风险的预测方法、装置及服务器 |
CN112750029A (zh) * | 2020-12-30 | 2021-05-04 | 北京知因智慧科技有限公司 | 信用风险预测方法、装置、电子设备及存储介质 |
US20210166167A1 (en) * | 2019-12-02 | 2021-06-03 | Asia University | Artificial intelligence and blockchain-based inter-enterprise credit rating and risk assessment method and system |
WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和系统 |
CN112950004A (zh) * | 2021-02-07 | 2021-06-11 | 成都工业职业技术学院 | 一种企业财务风险预警方法、装置及计算机可读存储介质 |
CN113177729A (zh) * | 2021-05-20 | 2021-07-27 | 北京龙盾数据有限公司 | 基于企业关联风险传导的风险预警方法、系统及设备 |
CN113256075A (zh) * | 2021-04-29 | 2021-08-13 | 浙江非线数联科技股份有限公司 | 一种基于层次分析和模糊综合评价法的企业风险等级评价方法 |
CN113269638A (zh) * | 2021-04-28 | 2021-08-17 | 阜阳市星启链数据科技有限公司 | 一种基于区块链的金融风险分析系统 |
CN113361963A (zh) * | 2021-06-30 | 2021-09-07 | 支付宝(杭州)信息技术有限公司 | 识别企业风险性的方法及装置 |
CN113361911A (zh) * | 2021-06-04 | 2021-09-07 | 哈尔滨工业大学 | 一种基于资产风控的新媒体内容投放方法及设备 |
CN113435753A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技(深圳)有限公司 | 高危行业中企业风险判定方法、装置、设备及介质 |
CN113537796A (zh) * | 2021-07-22 | 2021-10-22 | 大路网络科技有限公司 | 一种企业风险评估方法、装置及设备 |
-
2021
- 2021-10-29 CN CN202111272997.2A patent/CN114118526A/zh active Pending
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8515783B1 (en) * | 2000-11-06 | 2013-08-20 | Swiss Reinsurance Company Ltd. | Risk assessment method |
JP2002279174A (ja) * | 2001-03-15 | 2002-09-27 | Toshiba Corp | 信用リスク評価方法及びシステム |
WO2019114412A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的信用风险控制方法、装置以及设备 |
CN109934697A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的信用风险控制方法、装置以及设备 |
CN108846532A (zh) * | 2018-03-21 | 2018-11-20 | 宁波工程学院 | 应用于物流供应链平台的企业风险评估方法及装置 |
CN109636144A (zh) * | 2018-11-28 | 2019-04-16 | 优钱付(浙江)信息科技有限公司 | 区块链风险评估供应链金融方法、装置、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 |
CN109858740A (zh) * | 2018-12-21 | 2019-06-07 | 中化资本有限公司 | 企业风险的评估方法、装置、计算机设备及存储介质 |
US20200252422A1 (en) * | 2019-01-31 | 2020-08-06 | EMC IP Holding Company LLC | Risk score generation for assets of an enterprise system utilizing user authentication activity |
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 |
CN110503295A (zh) * | 2019-07-05 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 供应链金融的风险分析方法、装置、计算终端及存储介质 |
CN110570111A (zh) * | 2019-08-30 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 企业风险预测方法、模型训练方法、装置及设备 |
CN111222681A (zh) * | 2019-11-05 | 2020-06-02 | 量子数聚(北京)科技有限公司 | 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质 |
WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和系统 |
US20210166167A1 (en) * | 2019-12-02 | 2021-06-03 | Asia University | Artificial intelligence and blockchain-based inter-enterprise credit rating and risk assessment method and system |
CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和系统 |
CN112200486A (zh) * | 2020-10-27 | 2021-01-08 | 智选(厦门)网络科技有限公司 | 一种供应链金融风险控制的方法 |
CN112465393A (zh) * | 2020-12-09 | 2021-03-09 | 南威软件股份有限公司 | 基于关联分析FP-Tree算法的企业风险预警方法 |
CN112750029A (zh) * | 2020-12-30 | 2021-05-04 | 北京知因智慧科技有限公司 | 信用风险预测方法、装置、电子设备及存储介质 |
CN112734099A (zh) * | 2020-12-31 | 2021-04-30 | 北京知因智慧科技有限公司 | 企业风险的预测方法、装置及服务器 |
CN112465411A (zh) * | 2021-01-27 | 2021-03-09 | 支付宝(杭州)信息技术有限公司 | 一种风险预测方法、装置及设备 |
CN112950004A (zh) * | 2021-02-07 | 2021-06-11 | 成都工业职业技术学院 | 一种企业财务风险预警方法、装置及计算机可读存储介质 |
CN113269638A (zh) * | 2021-04-28 | 2021-08-17 | 阜阳市星启链数据科技有限公司 | 一种基于区块链的金融风险分析系统 |
CN113256075A (zh) * | 2021-04-29 | 2021-08-13 | 浙江非线数联科技股份有限公司 | 一种基于层次分析和模糊综合评价法的企业风险等级评价方法 |
CN113177729A (zh) * | 2021-05-20 | 2021-07-27 | 北京龙盾数据有限公司 | 基于企业关联风险传导的风险预警方法、系统及设备 |
CN113361911A (zh) * | 2021-06-04 | 2021-09-07 | 哈尔滨工业大学 | 一种基于资产风控的新媒体内容投放方法及设备 |
CN113435753A (zh) * | 2021-06-29 | 2021-09-24 | 平安科技(深圳)有限公司 | 高危行业中企业风险判定方法、装置、设备及介质 |
CN113361963A (zh) * | 2021-06-30 | 2021-09-07 | 支付宝(杭州)信息技术有限公司 | 识别企业风险性的方法及装置 |
CN113537796A (zh) * | 2021-07-22 | 2021-10-22 | 大路网络科技有限公司 | 一种企业风险评估方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
潘永明;王雅杰;来明昭;: "基于IG-SVM模型的供应链融资企业信用风险预测", 南京理工大学学报, no. 01, 29 February 2020 (2020-02-29), pages 121 - 130 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577701A (zh) * | 2022-09-23 | 2023-01-06 | 刘娇平 | 针对大数据安全的风险行为识别方法、装置、设备及介质 |
CN115577701B (zh) * | 2022-09-23 | 2023-09-19 | 刘娇平 | 针对大数据安全的风险行为识别方法、装置、设备及介质 |
CN117541411A (zh) * | 2023-11-08 | 2024-02-09 | 厦门工学院 | 一种基于大数据处理的财务预测模型的构建方法及系统 |
CN117541411B (zh) * | 2023-11-08 | 2024-06-11 | 厦门工学院 | 一种基于大数据处理的财务预测模型的构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN109326353B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
CN109598387A (zh) | 基于双向跨模态注意力网络模型的股价预测方法及系统 | |
CN109359180B (zh) | 用户画像生成方法、装置、电子设备及计算机可读介质 | |
CN110781970B (zh) | 分类器的生成方法、装置、设备及存储介质 | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
US11373760B2 (en) | False detection rate control with null-hypothesis | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
WO2021001517A1 (en) | Question answering systems | |
CN114357170A (zh) | 模型训练方法、分析方法、装置、设备及介质 | |
Maulana et al. | Optimizing University Admissions: A Machine Learning Perspective | |
CN112069404A (zh) | 一种商品信息的展示方法、装置、设备和存储介质 | |
CN112906398A (zh) | 句子语义匹配方法、系统、存储介质和电子设备 | |
CN115578137A (zh) | 一种基于文本挖掘与深度学习模型的农产品期货价格预测方法及系统 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
CN110427464A (zh) | 一种代码向量生成的方法以及相关装置 | |
CN113159419A (zh) | 一种群体特征画像分析方法、装置、设备及可读存储介质 | |
CN111445271A (zh) | 模型生成方法、作弊酒店的预测方法、系统、设备和介质 | |
CN110851600A (zh) | 基于深度学习的文本数据处理方法及装置 | |
Zhang et al. | Probabilistic verb selection for data-to-text generation | |
KR102519878B1 (ko) | 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체 | |
CN116089605A (zh) | 基于迁移学习和改进词袋模型的文本情感分析方法 | |
CN111966822A (zh) | 用于确定评价信息的情感类别的方法和装置 |
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 |