CN114168757B - 公司事件风险预测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明提供了一种公司事件风险预测方法、装置、存储介质及电子设备，涉及人工智能技术领域，所述方法包括：获取包含目标公司信息的新闻信息；基于所述新闻信息，更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱；基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果。本发明提供的技术方案，能够自动、及时、准确地对目标公司的风险进行预测，从而满足风投人员的需求。

Description

公司事件风险预测方法、装置、存储介质及电子设备

技术领域

本发明涉及人工智能技术领域，特别地涉及一种公司事件风险预测方法、装置、存储介质及电子设备。

背景技术

目前对目标公司的风险预测大多采用人工的方式进行，然而，这种采用人工方式进行风险预测的方式具有效率低、预测不准确的缺点，使得风投人员无法准确判断当前的投资行情。

发明内容

针对上述现有技术中的问题，本申请提出了一种公司事件风险预测方法、装置、存储介质及电子设备，能够自动、及时、准确地对目标公司的风险进行预测，从而满足风投人员的需求。

为达到上述目的，本发明的技术方案是这样实现的：

第一方面，本发明实施例提供了一种公司事件风险预测方法，所述方法包括：

获取包含目标公司信息的新闻信息；

基于所述新闻信息，更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱；

基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果。

优选地，所述获取包含目标公司信息的新闻信息，包括：

采用爬虫技术获取包含目标公司信息的新闻信息。

优选地，所述基于所述新闻信息，更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱，包括：

从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系；

将所述多个新闻实体和所述多个新闻实体之间的相互关系输入至预先训练好的事件预测模型中，以使所述事件预测模型输出事件类型和与所述事件类型对应的事件元素；

基于所述事件类型和所述与所述事件类型对应的事件元素更新所述已有的知识图谱，获得所述更新后的知识图谱。

优选地，所述从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系，包括：

采用BERT QA模型从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系。

优选地，所述目标公司有多个，每个所述目标公司的事件类型有多个，所述基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果，包括：

针对每个所述目标公司，执行以下操作，获得每个所述目标公司的整体风险值作为所述风险预测结果：

从所述更新后的知识图谱中查询预设时间段内的该目标公司的事件类型和与所述事件类型对应的事件元素；

基于所述该目标公司的事件类型和所述与所述事件类型对应的事件元素，采用所述风险预测模型预测该目标公司的每个事件类型的风险值；

基于所述该目标公司的每个事件类型的风险值，计算该目标公司的整体风险值。

优选地，所述基于所述该目标公司的事件类型和所述与所述事件类型对应的事件元素，采用所述风险预测模型预测该目标公司的每个事件类型的风险值，包括：

针对该目标公司的每个事件类型，执行以下操作，获得该目标公司的每个事件类型的风险值：

将该事件类型和与该事件类型对应的事件元素输入至所述风险预测模型中，以使所述风险预测模型输出该事件类型的风险值。

优选地，所述基于所述该目标公司的每个事件类型的风险值，计算该目标公司的整体风险值，包括：

对所述该目标公司的每个事件类型的风险值进行加权计算，获得该目标公司的整体风险值。

第二方面，本发明实施例提供了一种公司事件风险预测装置，所述装置包括：

新闻信息获取单元，用于获取包含目标公司信息的新闻信息；

更新单元，用于基于所述新闻信息，更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱；

风险预测单元，用于基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果。

第三方面，本发明实施例提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例中任一项所述的公司事件风险预测方法。

第四方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例中任一项所述的公司事件风险预测方法。

本发明实施例提供的一种公司事件风险预测方法、装置、存储介质及电子设备，通过获取包含目标公司信息的新闻信息，基于该新闻信息，更新已有的反映目标公司信息的知识图谱，并基于更新后的知识图谱和预设的风险预测模型，对目标公司进行风险预测，以获得风险预测结果，使得对目标公司的风险预测能够基于知识图谱和风险预测模型自动进行。同时，由于是基于包含目标公司信息的新闻信息来更新已有的知识图谱，即基于最新的知识图谱来进行风险预测，因此，所获得的风险预测结果具有及时性和准确性。可见，本发明实施例提供的技术方案，能够自动、及时、准确地对目标公司的风险进行预测，从而满足风投人员的需求。

附图说明

通过结合附图阅读下文示例性实施例的详细描述可更好地理解本发明公开的范围。其中所包括的附图是：

图1为本发明实施例的方法流程图；

图2为本发明实施例的装置结构图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例一

本发明提供一种基于知识图谱中的大数据实现对目标公司风险的综合预测以及预警，同时可以有极高的即时性，当发生了对该目标公司不利的新闻时，可以即时地发现这种关系，并对该事件对目标公司的影响进行风险预测。

本发明实施例提供了一种公司事件风险预测方法，如图1所示，本实施例所述的方法包括：步骤S101、步骤S102和步骤S103，以下详细描述这些步骤的具体内容：

步骤S101，获取包含目标公司信息的新闻信息；

本实施例中，所述获取包含目标公司信息的新闻信息，包括：采用爬虫技术获取包含目标公司信息的新闻信息。

具体地，可以对各新闻网站进行监控，只要出现包含目标公司信息的新闻信息，就采用爬虫技术即时获取该新闻信息。

步骤S102，基于所述新闻信息，更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱；

本实施例中，所述基于所述新闻信息，更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱，包括：从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系；将所述多个新闻实体和所述多个新闻实体之间的相互关系输入至预先训练好的事件预测模型中，以使所述事件预测模型输出事件类型和与所述事件类型对应的事件元素；基于所述事件类型和所述与所述事件类型对应的事件元素更新所述已有的知识图谱，获得所述更新后的知识图谱。

本实施例中，所述从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系，包括：采用BERT （Bidirectional Encoder Representation fromTransformers）QA（Question and Answer）模型从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系。

本实施例中，所述预先训练好的事件预测模型存储于Java服务器中，所述将所述多个新闻实体和所述多个新闻实体之间的相互关系输入至预先训练好的事件预测模型中，以使所述事件预测模型输出事件类型和与所述事件类型对应的事件元素，包括：通过kafka等消息中间件将所述多个新闻实体和所述多个新闻实体之间的相互关系发送至所述Java服务器，并输入至预先训练好的事件预测模型中，以使所述事件预测模型输出事件类型和与所述事件类型对应的事件元素。

知识图谱作为一种语义网络，可以对现实世界中的实体、概念、属性以及它们之间的关系进行建模。知识图谱拥有极强的表达能力和建模灵活性。

本实施例采用知识图谱来存储和反映目标公司信息，能够为对公司事件的风险预测提供及时、准确的大数据信息，使得风险预测结果更加及时、准确。

例如，系统获取的一条新闻信息为：“2020年10月，芯华章宣布获亿元Pre-A轮融资，由云晖资本领投”。则从该新闻信息中提取的多个新闻实体包括：融资时间、融资金额、融资轮数等，将该多个新闻实体以及它们之间的相互关系输入至预先训练好的事件预测模型中，该事件预测模型会相应地输出该新闻的事件类型为融资事件，该融资事件对应的事件元素为融资时间、融资金额和融资轮数。将事件预测模型输出的上述信息录入到已有的知识图谱中，以获得具有最新信息的知识图谱。

本实施例中，上述事件预测模型采用以下方式获取训练数据：获取大量的新闻信息，从每条新闻信息中提取新闻实体以及新闻实体之间的相互关系，之后，对上述已有的训练数据进行数据增强，以获得更多的训练数据，采用训练数据对预先建立的事件预测模型进行训练，获得训练好的事件预测模型。

其中，数据增强是指对已有的标注数据进行替换实体的操作，例如，新闻“2020年10月，芯华章宣布获亿元Pre-A轮融资，由云晖资本领投”，对这句话进行数据增强，会把其中的实体进行替换以及对句子语法的替换，比如会把2020年10月替换成2021年3月，把芯华章换成腾讯，替换后作为新的模型训练数据，达到减少数据标注工作量，提升标注数据产出速度的目的。

步骤S103，基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果。

本实施例中，所述目标公司有多个，每个所述目标公司的事件类型有多个，所述基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果，包括：针对每个所述目标公司，执行以下操作，获得每个所述目标公司的整体风险值作为所述风险预测结果：

从所述更新后的知识图谱中查询预设时间段内的该目标公司的事件类型和与所述事件类型对应的事件元素；基于所述该目标公司的事件类型和所述与所述事件类型对应的事件元素，采用所述风险预测模型预测该目标公司的每个事件类型的风险值；基于所述该目标公司的每个事件类型的风险值，计算该目标公司的整体风险值。

本实施例中，所述基于所述该目标公司的事件类型和所述与所述事件类型对应的事件元素，采用所述风险预测模型预测该目标公司的每个事件类型的风险值，包括：针对该目标公司的每个事件类型，执行以下操作，获得该目标公司的每个事件类型的风险值：

将该事件类型和与该事件类型对应的事件元素输入至所述风险预测模型中，以使所述风险预测模型输出该事件类型的风险值。

本实施例中，所述基于所述该目标公司的每个事件类型的风险值，计算该目标公司的整体风险值，包括：对所述该目标公司的每个事件类型的风险值进行加权计算，获得该目标公司的整体风险值。

具体地，针对某个目标公司，可以从更新后的知识图谱中查询3天内的该目标公司的事件类型和与该事件类型对应的事件元素，将该事件类型和与该事件类型对应的事件元素输入至上述风险预测模型中，以使风险预测模型输出该事件类型的风险值，之后，对该目标公司的每个事件类型的风险值进行加权计算，获得该目标公司的整体风险值。

例如，将某个目标公司的融资事件和与该融资事件对应的融资时间、融资金额、融资轮数等事件元素输入至风险预测模型中，该风险预测模型会输出一个范围在-10～10的数值，该数值即为该融资事件的风险值。对于该目标公司的多个事件类型，采用以下加权计算，以获得该目标公司的整体风险值：

R=T1×W1+T2×W2+⋯+Tn×Wn

其中，R为该目标公司的整体风险值，Tn为该目标公司的第n个事件类型，Wn为该目标公司的第n个事件类型所对应的权重，该权重预先设置。

本实施例中，针对某个目标公司的整体风险值的数值越高，说明该公司最近的新闻越正面，投资风险越小。此外，还可以根据上述整体风险值对目标公司进行归类，例如，当R>0时，将该目标公司归类为机会公司；当R<0时，将该目标公司归类为风险公司；当R=0时，将该目标公司不归类到机会公司或风险公司中。

本实施例由于在不断地完善知识图谱中的数据，因此可以很好的解决知识图谱的冷启动问题，避免了前期没有数据导致无法建立图谱的尴尬情况。

本发明实施例提供的一种公司事件风险预测方法，通过获取包含目标公司信息的新闻信息，基于该新闻信息，更新已有的反映目标公司信息的知识图谱，并基于更新后的知识图谱和预设的风险预测模型，对目标公司进行风险预测，以获得风险预测结果，使得对目标公司的风险预测能够基于知识图谱和风险预测模型自动进行。同时，由于是基于包含目标公司信息的新闻信息来更新已有的知识图谱，即基于最新的知识图谱来进行风险预测，因此，所获得的风险预测结果具有及时性和准确性。可见，本发明实施例提供的技术方案，能够自动、及时、准确地对目标公司的风险进行预测，从而满足风投人员的需求。

实施例二

与上述方法实施例相对应地，本发明还提供一种公司事件风险预测装置，如图2所示，所述装置包括：

新闻信息获取单元201，用于获取包含目标公司信息的新闻信息；

更新单元202，用于基于所述新闻信息，更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱；

风险预测单元203，用于基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果。

本实施例中，所述新闻信息获取单元201采用以下方式获取包含目标公司信息的新闻信息：

采用爬虫技术获取包含目标公司信息的新闻信息。

本实施例中，所述更新单元202包括：

提取单元，用于从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系；

输入单元，用于将所述多个新闻实体和所述多个新闻实体之间的相互关系输入至预先训练好的事件预测模型中，以使所述事件预测模型输出事件类型和与所述事件类型对应的事件元素；

更新子单元，用于基于所述事件类型和所述与所述事件类型对应的事件元素更新所述已有的知识图谱，获得所述更新后的知识图谱。

本实施例中，所述提取单元采用以下方式从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系：

采用BERT QA模型从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系。

本实施例中，所述目标公司有多个，每个所述目标公司的事件类型有多个，所述风险预测单元203采用以下方式对所述目标公司进行风险预测，获得风险预测结果：

针对每个所述目标公司，执行以下操作，获得每个所述目标公司的整体风险值作为所述风险预测结果：

从所述更新后的知识图谱中查询预设时间段内的该目标公司的事件类型和与所述事件类型对应的事件元素；

基于所述该目标公司的事件类型和所述与所述事件类型对应的事件元素，采用所述风险预测模型预测该目标公司的每个事件类型的风险值；

基于所述该目标公司的每个事件类型的风险值，计算该目标公司的整体风险值。

本实施例中，所述风险预测单元203采用以下方式获得针对每个目标公司的每个事件类型的风险值：

针对该目标公司的每个事件类型，执行以下操作，获得该目标公司的每个事件类型的风险值：

将该事件类型和与该事件类型对应的事件元素输入至所述风险预测模型中，以使所述风险预测模型输出该事件类型的风险值。

本实施例中，所述风险预测单元203采用以下方式计算针对每个目标公司的整体风险值：

对该目标公司的每个事件类型的风险值进行加权计算，获得该目标公司的整体风险值。

上述装置的工作原理、工作流程等涉及具体实施方式的内容可参见本发明所提供的公司事件风险预测方法的具体实施方式，此处不再对相同的技术内容进行详细描述。

本发明实施例提供的一种公司事件风险预测装置，通过获取包含目标公司信息的新闻信息，基于该新闻信息，更新已有的反映目标公司信息的知识图谱，并基于更新后的知识图谱和预设的风险预测模型，对目标公司进行风险预测，以获得风险预测结果，使得对目标公司的风险预测能够基于知识图谱和风险预测模型自动进行。同时，由于是基于包含目标公司信息的新闻信息来更新已有的知识图谱，即基于最新的知识图谱来进行风险预测，因此，所获得的风险预测结果具有及时性和准确性。可见，本发明实施例提供的技术方案，能够自动、及时、准确地对目标公司的风险进行预测，从而满足风投人员的需求。

实施例三

根据本发明的实施例，还提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例任一项所述的公司事件风险预测方法。

实施例四

根据本发明的实施例，还提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例任一项所述的公司事件风险预测方法。

本发明实施例提供的一种公司事件风险预测方法、装置、存储介质及电子设备，通过获取包含目标公司信息的新闻信息，基于该新闻信息，更新已有的反映目标公司信息的知识图谱，并基于更新后的知识图谱和预设的风险预测模型，对目标公司进行风险预测，以获得风险预测结果，使得对目标公司的风险预测能够基于知识图谱和风险预测模型自动进行。同时，由于是基于包含目标公司信息的新闻信息来更新已有的知识图谱，即基于最新的知识图谱来进行风险预测，因此，所获得的风险预测结果具有及时性和准确性。可见，本发明实施例提供的技术方案，能够自动、及时、准确地对目标公司的风险进行预测，从而满足风投人员的需求。

本发明提出了基于知识图谱的大数据，即时地对目标公司的风险预测的方案，本发明有极高的即时性和有效性，同时结合风险预测模型可以综合地评判目标公司的风险，对投资行业有极大的帮助。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元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，或者该技术方案的全部或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电子设备（可以是个人计算机，服务器，或者网络设备等）执行本发明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。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种公司事件风险预测方法，其特征在于，所述方法包括：

获取包含目标公司信息的新闻信息；

从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系；

将所述多个新闻实体和所述多个新闻实体之间的相互关系输入至预先训练好的事件预测模型中，以使所述事件预测模型输出事件类型和与所述事件类型对应的事件元素；

基于所述事件类型和所述与所述事件类型对应的事件元素更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱；

基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果。

2.根据权利要求1所述的公司事件风险预测方法，其特征在于，所述获取包含目标公司信息的新闻信息，包括：

采用爬虫技术获取包含目标公司信息的新闻信息。

3.根据权利要求1所述的公司事件风险预测方法，其特征在于，所述从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系，包括：

采用BERT QA模型从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系。

4.根据权利要求1所述的公司事件风险预测方法，其特征在于，所述目标公司有多个，每个所述目标公司的事件类型有多个，所述基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果，包括：

针对每个所述目标公司，执行以下操作，获得每个所述目标公司的整体风险值作为所述风险预测结果：

从所述更新后的知识图谱中查询预设时间段内的该目标公司的事件类型和与所述事件类型对应的事件元素；

基于所述该目标公司的事件类型和所述与所述事件类型对应的事件元素，采用所述风险预测模型预测该目标公司的每个事件类型的风险值；

基于所述该目标公司的每个事件类型的风险值，计算该目标公司的整体风险值。

5.根据权利要求4所述的公司事件风险预测方法，其特征在于，所述基于所述该目标公司的事件类型和所述与所述事件类型对应的事件元素，采用所述风险预测模型预测该目标公司的每个事件类型的风险值，包括：

针对该目标公司的每个事件类型，执行以下操作，获得该目标公司的每个事件类型的风险值：

将该事件类型和与该事件类型对应的事件元素输入至所述风险预测模型中，以使所述风险预测模型输出该事件类型的风险值。

6.根据权利要求4所述的公司事件风险预测方法，其特征在于，所述基于所述该目标公司的每个事件类型的风险值，计算该目标公司的整体风险值，包括：

对所述该目标公司的每个事件类型的风险值进行加权计算，获得该目标公司的整体风险值。

7.一种公司事件风险预测装置，其特征在于，所述装置包括：

新闻信息获取单元，用于获取包含目标公司信息的新闻信息；

提取单元，用于从所述新闻信息中提取多个新闻实体，以及所述多个新闻实体之间的相互关系；

输入单元，用于将所述多个新闻实体和所述多个新闻实体之间的相互关系输入至预先训练好的事件预测模型中，以使所述事件预测模型输出事件类型和与所述事件类型对应的事件元素；

更新子单元，用于基于所述事件类型和所述与所述事件类型对应的事件元素更新已有的反映所述目标公司信息的知识图谱，获得更新后的知识图谱；

风险预测单元，用于基于所述更新后的知识图谱和预设的风险预测模型，对所述目标公司进行风险预测，获得风险预测结果。

8.一种存储介质，所述存储介质上存储有程序代码，其特征在于，所述程序代码被处理器执行时，实现如权利要求1至6中任一项所述的公司事件风险预测方法。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如权利要求1至6中任一项所述的公司事件风险预测方法。

Images