CN114662794A - 企业违约风险的预测方法、装置、设备及存储介质 - Google Patents

企业违约风险的预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114662794A
CN114662794A CN202210438521.XA CN202210438521A CN114662794A CN 114662794 A CN114662794 A CN 114662794A CN 202210438521 A CN202210438521 A CN 202210438521A CN 114662794 A CN114662794 A CN 114662794A
Authority
CN
China
Prior art keywords
risk
enterprise
data set
feature
dimension
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
Application number
CN202210438521.XA
Other languages
English (en)
Inventor
李招
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.)
Weikun Shanghai Technology Service Co Ltd
Original Assignee
Weikun Shanghai Technology Service Co Ltd
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 Weikun Shanghai Technology Service Co Ltd filed Critical Weikun Shanghai Technology Service Co Ltd
Priority to CN202210438521.XA priority Critical patent/CN114662794A/zh
Publication of CN114662794A publication Critical patent/CN114662794A/zh
Pending legal-status Critical Current

Links

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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种企业违约风险的预测方法，包括：将舆情信息及经营数据信息结构化处理为结构化数据集，利用局部可解释性模型算法对结构化数据集进行分析，得到带特征权重的特征数据集；将特征数据集进行排序和分类得到第二特征数据集，根据第二特征数据集，利用预设企业违约风险预测模型预测总体风险得分、总体风险等级、各个维度的风险得分及风险等级，利用预设文案模板解析总体风险得分、总体风险等级、维度的风险得分、风险等级，得出风险预测详情。此外，本发明还涉及区块链技术，特征数据集可存储于区块链的节点。本发明还提出一种企业违约风险的预测装置、电子设备以及存储介质。本发明可以提高违约风险预测结果可解释性。

Description

企业违约风险的预测方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种企业违约风险的预测方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来债券违约呈现逐年增加趋势，而企业的违约往往给投资企业带来巨大的损失。如果投资企业能够提前预知债券违约风险，就可以通过金融市场提前转移风险，将损失降低至最小。
当前针对企业违约风险的预测主要有下面两种方式：一、利用风控模型预测出触发预警的指标名称，让用户根据个人的经验去判断其对企业整体风险的影响；二、利用风控模型对企业进行打分得到企业的风险等级，但两种方式都是采用的黑盒模式，无法给出综合企业风险维度的中文原因解释及企业具体风险点。
综上所述，当前企业违约风险的预测方法的可解释性不高。
发明内容
本发明提供一种企业违约风险的预测方法、装置及计算机可读存储介质，其主要目的在于解决企业违约风险的预测方法的可解释性不高的问题。
为实现上述目的，本发明提供的一种企业违约风险的预测方法，包括：
获取待预测企业的舆情信息及经营数据信息，对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集；
利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集；
将所述特征数据集按所述特征权重进行排序，得到第一特征数据集，并对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集；
根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级；
获取历史同类企业的风险结果，根据所述待预测企业的各个风险维度的风险得分、风险等级及所述历史同类企业的风险结果，计算所述待预测企业各个风险维度在同类企业中风险排名；
利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情。
可选地，所述对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集，包括：
提取所述舆情信息及所述经营数据信息的关键词向量；
利用预设自然语言处理模型对所述关键词向量进行结构化处理，得到特征代码、特征名称及特征数据值；
利用所述特征代码、所述特征名称及所述特征数据值构建结构化数据集。
可选地，所述利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集，包括：
对所述结构化数据集中的数据样本进行扰动，得到扰动结构化数据集；
将所述结构化数据集输入到预设的企业违约风险预测模型，得到原始预测结果；
将所述扰动结构化数据集输入到预设的企业违约风险预测模型，得到调整预测结果；
利用相似度算法计算所述原始预测结果与所述调整预测结果之间的差异值；
根据所述差异值确认所述结构化数据集中各个特征的特征权重，结合所述结构化数据集和所述各个特征名称的特征权重，得到带特征权重的特征数据集。
可选地，所述将所述特征名称按照风险维度进行分类，得到特征名称的维度，包括：
对所述第一特征数据集中特征名称进行分词处理得到特征名称序列；
利用预设神经网络对所述特征名称序列按照业务类别进行分类，得到特征名称的维度；
利用所述特征名称的维度更新所述第一特征数据集，得到第二特征数据集。
可选地，所述根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级，包括：
利用预设的企业违约风险预测模型中的第i卷积层对所述第二特征数据集进行加权求和操作，得到第i节点表征向量，其中，i＝1,2,3…n；
将所述第i节点表征向量通过激活函数传递给第(i+1)卷积层进行加权求和，得到第(i+1)节点表征向量，直至i＝n-1，得到第n节点表征向量；
对所述第n节点表征向量进行打分得到各个节点表征向量的得分，聚合相同维度的表征向量的得分，得到所述待预测企业的各个维度的风险得分，根据预设的第一阈值对所述各个维度的风险得分进行风险分类，得到所述待预测企业的各个维度的风险等级；
计算各个维度的维度权重；
根据所述维度权重及各个维度的风险得分计算所述待预测企业的总体风险得分，根据预设的第二阈值对所述总体风险得分进行风险分类，得到所述待预测企业的总体风险等级。
可选地，所述计算各个维度的维度权重，包括：
统计各个维度对应的特征名称的特征权重，得到维度特征权重集合；
基于所述维度特征权重集合，计算各个维度的维度权重。
可选地，所述利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情，包括：
从总体风险得分、总体风险等级、各个风险维度风险等级、各个风险维度的风险排名方面，配置风险预测文案模板；
根据将所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名选择所述风险预测文案模板中相应文案；
提取各个风险维度对应的特征名称及特征数据值，将所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级、所述各个风险维度风险排名及所述各个风险维度对应的特征名称及特征数据值回填到所述相应文案中，得到所述待预测企业的风险预测详情。
为了解决上述问题，本发明还提供一种企业违约风险的预测装置，所述装置包括：
结构化数据集构建模块，用于获取待预测企业的舆情信息及经营数据信息，对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集；
特征权重分析模块，用于利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集；
排序及分类模块，用于将所述特征数据集按所述特征权重进行排序，得到第一特征数据集，并对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集；
风险预测模块，用于根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级；
风险预测详情解析模块，用于获取历史同类企业的风险结果，根据所述待预测企业的各个风险维度的风险得分、风险等级及所述历史同类企业的风险结果，计算所述待预测企业各个风险维度在同类企业中风险排名；利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的企业违约风险的预测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的企业违约风险的预测方法。
本发明实施例通过对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集，利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集，所述特征权重值的大小表示对企业违约风险的影响程度，能够更好的解释违约风险的预测结果；将所述特征名称按照风险维度进行分类，得到所述特征名称的维度，利用所述特征类别名称维度更新所述第一特征数据集，得到第二特征数据集，根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级，将所述预测企业的违约风险进行细化，让违约风险预测结果更加详细，提高了违约风险预测结果的可解释性；利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情，可以自动出具风险报告，让违约风险预测结果可读性更强，并减轻业务人员的工作压力，提高相关事件的处理速度和反应时效。因此本发明提出的企业违约风险的预测方法、装置、电子设备及计算机可读存储介质，可以解决企业违约风险的预测方法的可解释性不高的问题。
附图说明
图1为本发明一实施例提供的企业违约风险的预测方法的流程示意图；
图2为图1所示企业违约风险的预测方法的流程示意图的其中一个步骤的详细实施流程示意图；
图3为图1所示企业违约风险的预测方法的流程示意图的其中另一步骤的详细实施流程示意图；
图4为本发明一实施例提供的企业违约风险的预测装置的功能模块图；
图5为本发明一实施例提供的实现所述企业违约风险的预测方法的电子设备的结构示意图。
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种企业违约风险的预测方法。所述企业违约风险的预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述企业违约风险的预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的企业违约风险的预测方法的流程示意图。在本实施例中，所述企业违约风险的预测方法包括：
S1、获取待预测企业的舆情信息及经营数据信息，对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集。
本发明实施例中，所述待预测企业包括但不限于公司、银行等；所述舆情信息包括但不限于与所述待预测企业相关的新闻信息、公告信息、论坛信息等。
本发明实施例中，所述经营数据信息包括但不限于与所述待预测企业相关联的财务数据(如销售额)、销售数据(如销售量)、经营利润、资产负债率等信息。
本发明实施例，可以采用爬虫技术从抓取所述舆情信息及经营数据信息。
详细地，S1中所述对所述舆情信息及所述经营数据信息进行结构化处理，得到特征代码、特征名称及特征数据值，包括：
提取所述舆情信息及所述经营数据信息的关键词向量；
利用预设自然语言处理模型对所述关键词向量进行结构化处理，得到特征代码、特征名称及特征数据值；
利用所述特征代码、所述特征名称及所述特征数据值构建结构化数据集。
本发明实施例中，所述预设自认语言处理模型可以为朴素贝叶斯模型、SVM支持向量机模型、长短时记忆网络、卷积神经网络等机器学习模型。
本发明实施例，利用预设自然语言处理模型对所述关键词向量进行结构化处理，得到结构化数据集，所述结构化数据集包含：包含特征代码、特征名称、特征数据值，所述特征代码与所述特征名称一一对应；例如特征名称为：持续经营利润，特征代码为：CONTINUED_NET_PROFIT，特征数据值为：15068250。
S2、利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集。
本发明实施例中，所述局部可解释性模型算法为LIME算法(Local InterpretableModel-agnostic Explanations)，可以理解为模型的解释器。
详细地，参阅图2所示，所述S2包括：
S21、对所述结构化数据集中的数据样本进行扰动，得到扰动结构化数据集；
S22、将所述结构化数据集输入到预设的企业违约风险预测模型，得到原始预测结果；
S23、将所述扰动结构化数据集输入到预设的企业违约风险预测模型，得到调整预测结果；
S24、利用相似度算法计算所述原始预测结果与所述调整预测结果之间的差异值；
S25、根据所述差异值确认所述结构化数据集中各个特征的特征权重，结合所述结构化数据集和所述各个特征名称的特征权重，得到带特征权重的特征数据集。
本发明实施例，所述相似度算法可以利用余弦相似度函数。
本发明实施例中，所述LIME算法与所述预设的企业违约风险预测模型解耦，也与业务解耦，不限制所述预设的企业违约风险预测模型采用的是那种机器学习语言。
本发明实施例中，可以利用企业历史的舆情信息、经营数据信息历史总体风险得分及历史总体风险等级构建测试样本，利用LIME算法查看各个测试样本在对结果的影响程度，根据影响程度调整所述预设的企业违约风险预测模型的参数值。
本发明实施例，利用LIME算法分析所述结构化数据集得到对企业违约风险不同影响程度的特征权重，所述特征权重值的大小表示对企业违约风险的影响程度，能够更好的解释违约风险的预测结果。
S3、将所述特征数据集按所述特征权重的大小进行排序，并对所有特征名称编写特征含义说明，得到第一特征数据集，并对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集
本发明实施例中，所述特征权重的大小表示对待预测企业风险影响程度的大小，对所述特征数据集按所述特征权重的大小进行排序，可以清晰的看出特征名称对所述待预测企业风险影响大小。
本发明实施例中对所述特征数据集中所有特征名称编写特征含义说明，例如持续经营利润的特征含义说明为：持续经营利润是公司正常运营的净利润，是公司利润总额减去所得税费后的余额，为净利润中的细分条目。
详细地，S3中所述对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集，包括：
对所述第一特征数据集中特征名称进行分词处理得到特征名称序列；
利用预设神经网络对所述特征名称序列按照业务类别进行分类，得到特征名称的维度；
利用所述特征名称的维度更新所述第一特征数据集，得到第二特征数据集。
本发明实施例中，可采用CNN(Convolutional Neural Networks,卷积神经网络)将所述特征名称进行分类。其中所述CNN包含卷积层、池化层、全连接层。
详细地，本发明实施例利用所述卷积层对所述特征名称序列进行卷积运算，提取所述特征名称的特征矩阵，利用所述池化层对所述特征矩阵进行下采样得到所述特征名称的特征，通过全连接层中的分类器对所述特征名称的特征进行分类。
本发明实施例中，按照业务类别将所述特征名称可以分为生产能力、获利能力、成长能力、偿债能力、经营能力、其他。
进一步地，在所述第一特征数据集加上一列特征名称的维度，得到所述特征名称类别，例如：持续经营净利润的维度为获利能力，提取法定公益金的维度为经营能力。
S4、根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级。
本发明实施例中，所述预设的企业违约风险预测模型可以为神经网络构建，例如：R-GCN(Relational graph convolutional network，关系图卷积网络)、BiLSTM(Bi-directional Long Short-Term Memory,双向长短词记忆模型)等。
本发明其中一个实施例中，所述预设的企业违约风险预测模型为R-GCN(Relational graph convolutional network，关系图卷积网络)模型，由多个卷积层组成图卷积网络。例如：包含多个卷积层组成SqueezeNet网络，所述SqueezeNet网络为一种轻量级网络，比普通网络具有更加高效地计算能力。
详细地，参阅图3所示，所述S4包括：
S41、利用预设的企业违约风险预测模型中的第i卷积层对所述第二特征数据集进行加权求和操作，得到第i节点表征向量，其中，i＝1,2,3…n；
S42、将所述第i节点表征向量通过激活函数传递给第(i+1)卷积层进行加权求和，得到第(i+1)节点表征向量，直至i＝n-1，得到第n节点表征向量；
S43、对所述第n节点表征向量进行打分得到各个节点表征向量的得分，聚合相同维度的表征向量的得分，得到所述待预测企业的各个维度的风险得分，根据预设的第一阈值对所述各个维度的风险得分进行风险分类，得到所述待预测企业的各个维度的风险等级；
S44、计算各个维度的维度权重；
S45、根据维度权重及各个维度的风险得分计算所述待预测企业的总体风险得分，根据预设的第二阈值对所述总体风险得分进行风险分类，得到所述待预测企业的总体风险等级。
详细地，所述S44包括：
统计各个维度对应的特征名称的特征权重，得到维度特征权重集合；
基于所述维度特征权重集合，计算各个维度的维度权重。
具体地，所述特征名称的特征权重记为E＝(e1,e2,…,en)，例如其中一个维度为生产能力，对应的维度特征权重集合为(e1,e3,e15,e20),计算生产能力维度的维度权重W1＝e1+e3+e15+e20。
本发明实施例，将所述特征名称根据业务类别进行分类，跟业务贴合，可以更好的解释企业违约风险的预测结果。
本发明实施例，利用所述预设的企业违约风险预测模型预测各个维度的风险得分及各个维度的风险等级，将所述预测企业的违约风险进行细化，让违约风险预测结果更加详细，提高了违约风险预测结果的可解释性。
S5、获取历史同类企业的风险结果，根据所述待预测企业的各个风险维度的风险得分、风险等级及所述历史同类企业的风险结果，计算所述待预测企业各个风险维度在同类企业中风险排名。
本发明实施例中，统计历史同类企业的风险结果，其中所述风险结果包括：各个风险维度的历史风险得分集及历史风险等级集，将所述待预测企业的各个风险维度的风险得分及风险等级在同类企业中进行横向比较，得到所述待预测企业各个风险维度在同类企业中风险排名，例如生产能力在同行业中排名为54.32％。
S6、利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情。
详细地，所述S6包括：
从总体风险得分、总体风险等级、各个风险维度风险等级、各个风险维度的风险排名方面，配置风险预测文案模板；
根据将所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名选择所述风险预测文案模板中相应文案；
提取各个风险维度对应的特征名称及特征数据值，将所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级、所述各个风险维度风险排名及所述各个风险维度对应的特征名称及特征数据值回填到所述相应文案中，得到所述待预测企业的风险预测详情。
本发明其中一个实施例中，例如待预测企业的风险预测详情为：“XXXX有限公司最新违约风险预测总体风险得分为91.53分，总体风险等级为高风险，请谨防兑付风险；截至2021年04月20日，该企业名下存续期的债券还有2只，其中一年内需偿还的累计金额为4.1亿元，占其去年净利润的41.34％，还款压力较大；根据该公司披露的2021年年报，它的整体获利能力存在中高风险：去年主业盈利收入为10.25亿元，增幅为4.34％，排名73％，处于行业下游；公司的整体生产能力处于行业中游，存在中风险：公司目前总资产为18.08亿元，固定资产为3.43亿元，处于行业中游，其投资资产占总资产比值较低。”
本发明实施例中，利用所述风险预测文案模板，自动出具风险报告，让违约风险预测结果可读性更强可以大大减轻业务人员的工作压力，极大提高相关事件的处理速度和反应时效。
本发明实施例通过对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集，利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集，所述特征权重值的大小表示对企业违约风险的影响程度，能够更好的解释违约风险的预测结果；将所述特征名称按照风险维度进行分类，得到所述特征名称的维度，利用所述特征类别名称维度更新所述第一特征数据集，得到第二特征数据集，根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级，将所述预测企业的违约风险进行细化，让违约风险预测结果更加详细，提高了违约风险预测结果的可解释性；利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情，可以自动出具风险报告，让违约风险预测结果可读性更强，并减轻业务人员的工作压力，提高相关事件的处理速度和反应时效。因此本发明提出的企业违约风险的预测方法，可以解决企业违约风险的预测方法的可解释性不高的问题。
如图4所示，是本发明一实施例提供的企业违约风险的预测装置的功能模块图。
本发明所述企业违约风险的预测装置100可以安装于电子设备中。根据实现的功能，所述企业违约风险的预测装置100可以包括结构化数据集构建模块101、特征权重分析模块102、排序及分类模块103、风险预测模块104及风险预测详情解析模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述结构化数据集构建模块101，用于获取待预测企业的舆情信息及经营数据信息，对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集；
所述特征权重分析模块102，用于利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集；
所述排序及分类模块103，用于将所述特征数据集按所述特征权重进行排序，得到第一特征数据集，并对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集；
所述风险预测模块104，用于根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级；
所述风险预测详情解析模块105，用于获取历史同类企业的风险结果，根据所述待预测企业的各个风险维度的风险得分、风险等级及所述历史同类企业的风险结果，计算所述待预测企业各个风险维度在同类企业中风险排名；利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情。
详细地，本发明实施例中所述企业违约风险的预测装置100中所述的各模块在使用时采用与上述图1至图3中所述的企业违约风险的预测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现企业违约风险的预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如企业违约风险的预测程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行企业违约风险预测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如企业违约风险预测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的企业违约风险的预测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待预测企业的舆情信息及经营数据信息，对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集；
利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集；
将所述特征数据集按所述特征权重进行排序，得到第一特征数据集，并对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集；
根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级；
获取历史同类企业的风险结果，根据所述待预测企业的各个风险维度的风险得分、风险等级及所述历史同类企业的风险结果，计算所述待预测企业各个风险维度在同类企业中风险排名；
利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待预测企业的舆情信息及经营数据信息，对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集；
利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集；
将所述特征数据集按所述特征权重进行排序，得到第一特征数据集，并对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集；
根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级；
获取历史同类企业的风险结果，根据所述待预测企业的各个风险维度的风险得分、风险等级及所述历史同类企业的风险结果，计算所述待预测企业各个风险维度在同类企业中风险排名；
利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种企业违约风险的预测方法，其特征在于，所述方法包括：
获取待预测企业的舆情信息及经营数据信息，对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集；
利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集；
将所述特征数据集按所述特征权重进行排序，得到第一特征数据集，并对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集；
根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级；
获取历史同类企业的风险结果，根据所述待预测企业的各个风险维度的风险得分、风险等级及所述历史同类企业的风险结果，计算所述待预测企业各个风险维度在同类企业中风险排名；
利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情。
2.如权利要求1所述的企业违约风险的预测方法，其特征在于，所述对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集，包括：
提取所述舆情信息及所述经营数据信息的关键词向量；
利用预设自然语言处理模型对所述关键词向量进行结构化处理，得到特征代码、特征名称及特征数据值；
利用所述特征代码、所述特征名称及所述特征数据值构建结构化数据集。
3.如权利要求1所述的企业违约风险的预测方法，其特征在于，所述利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集，包括：
对所述结构化数据集中的数据样本进行扰动，得到扰动结构化数据集；
将所述结构化数据集输入到预设的企业违约风险预测模型，得到原始预测结果；
将所述扰动结构化数据集输入到预设的企业违约风险预测模型，得到调整预测结果；
利用相似度算法计算所述原始预测结果与所述调整预测结果之间的差异值；
根据所述差异值确认所述结构化数据集中各个特征的特征权重，结合所述结构化数据集和所述各个特征名称的特征权重，得到带特征权重的特征数据集。
4.如权利要求2所述的企业违约风险的预测方法，其特征在于，所述对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集，包括：
对所述第一特征数据集中特征名称进行分词处理得到特征名称序列；
利用预设神经网络对所述特征名称序列按照业务类别进行分类，得到特征名称的维度；
利用所述特征名称的维度更新所述第一特征数据集，得到第二特征数据集。
5.如权利要求1所述的企业违约风险的预测方法，其特征在于，所述根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级，包括：
利用预设的企业违约风险预测模型中的第i卷积层对所述第二特征数据集进行加权求和操作，得到第i节点表征向量，其中，i＝1,2,3…n；
将所述第i节点表征向量通过激活函数传递给第(i+1)卷积层进行加权求和，得到第(i+1)节点表征向量，直至i＝n-1，得到第n节点表征向量；
对所述第n节点表征向量进行打分得到各个节点表征向量的得分，聚合相同维度的表征向量的得分，得到所述待预测企业的各个维度的风险得分，根据预设的第一阈值对所述各个维度的风险得分进行风险分类，得到所述待预测企业的各个维度的风险等级；
计算各个维度的维度权重；
根据所述维度权重及各个维度的风险得分计算所述待预测企业的总体风险得分，根据预设的第二阈值对所述总体风险得分进行风险分类，得到所述待预测企业的总体风险等级。
6.如权利要求至5所述的企业违约风险的预测方法，其特征在于，所述计算各个维度的维度权重，包括：
统计各个维度对应的特征名称的特征权重，得到维度特征权重集合；
基于所述维度特征权重集合，计算各个维度的维度权重。
7.如权利要求1所述的企业违约风险的预测方法，其特征在于，所述利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情，包括：
从总体风险得分、总体风险等级、各个风险维度风险等级、各个风险维度的风险排名方面，配置风险预测文案模板；
根据将所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名选择所述风险预测文案模板中相应文案；
提取各个风险维度对应的特征名称及特征数据值，将所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级、所述各个风险维度风险排名及所述各个风险维度对应的特征名称及特征数据值回填到所述相应文案中，得到所述待预测企业的风险预测详情。
8.一种企业违约风险的预测装置，其特征在于，所述装置包括：
结构化数据集构建模块，用于获取待预测企业的舆情信息及经营数据信息，对所述舆情信息及所述经营数据信息进行结构化处理，得到结构化数据集；
特征权重分析模块，用于利用局部可解释性模型算法对所述结构化数据集进行分析，得到带特征权重的特征数据集；
排序及分类模块，用于将所述特征数据集按所述特征权重进行排序，得到第一特征数据集，并对所述第一特征数据集按照风险维度进行分类，得到第二特征数据集；
风险预测模块，用于根据所述第二特征数据集，利用预设的企业违约风险预测模型预测所述待预测企业的总体风险得分、总体风险等级、各个维度的风险得分及各个维度的风险等级；
风险预测详情解析模块，用于获取历史同类企业的风险结果，根据所述待预测企业的各个风险维度的风险得分、风险等级及所述历史同类企业的风险结果，计算所述待预测企业各个风险维度在同类企业中风险排名；利用预设的风险预测文案模板，解析所述总体风险得分、所述总体风险等级、所述各个风险维度风险等级及所述各个风险维度风险排名，得出所述待预测企业的风险预测详情。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的企业违约风险的预测方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的企业违约风险的预测方法。
CN202210438521.XA 2022-04-25 2022-04-25 企业违约风险的预测方法、装置、设备及存储介质 Pending CN114662794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210438521.XA CN114662794A (zh) 2022-04-25 2022-04-25 企业违约风险的预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210438521.XA CN114662794A (zh) 2022-04-25 2022-04-25 企业违约风险的预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114662794A true CN114662794A (zh) 2022-06-24

Family

ID=82036982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210438521.XA Pending CN114662794A (zh) 2022-04-25 2022-04-25 企业违约风险的预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114662794A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611479A (zh) * 2023-07-21 2023-08-18 美智纵横科技有限责任公司 数据处理方法、装置、存储介质及芯片

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611479A (zh) * 2023-07-21 2023-08-18 美智纵横科技有限责任公司 数据处理方法、装置、存储介质及芯片
CN116611479B (zh) * 2023-07-21 2023-10-03 美智纵横科技有限责任公司 数据处理方法、装置、存储介质及芯片

Similar Documents

Publication Publication Date Title
CN110837931B (zh) 客户流失预测方法、装置及存储介质
CN113822494A (zh) 风险预测方法、装置、设备及存储介质
CN106095942B (zh) 强变量提取方法及装置
CN110378786B (zh) 模型训练方法、违约传导风险识别方法、装置及存储介质
CN113449187A (zh) 基于双画像的产品推荐方法、装置、设备及存储介质
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN111652278A (zh) 用户行为检测方法、装置、电子设备及介质
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
CN104951843A (zh) 销量预测系统及方法
CN115081025A (zh) 基于数字中台的敏感数据管理方法、装置及电子设备
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114358854A (zh) 客户流失预警方法、装置、设备及存储介质
CN114662794A (zh) 企业违约风险的预测方法、装置、设备及存储介质
CN113705201B (zh) 基于文本的事件概率预测评估算法、电子设备及存储介质
CN114708073B (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
Mu et al. Internet financial interest rate risk measure based on genetic rough set reduction
CN116883147A (zh) 基于tcn模型的信用卡欺诈预测方法、装置及电子设备
CN115809930A (zh) 基于数据融合匹配的反欺诈分析方法、装置、设备及介质
CN113435746B (zh) 用户工作量的评分方法、装置、电子设备及存储介质
CN115689713A (zh) 异常风险数据处理方法、装置、计算机设备和存储介质
CN115237970A (zh) 数据预测方法、装置、设备、存储介质及程序产品
CN115063143A (zh) 账户数据处理方法、装置、计算机设备和存储介质
CN115081447A (zh) 软件开发的需求文档构建方法、装置、设备及存储介质
CN113704407A (zh) 基于类别分析的投诉量分析方法、装置、设备及存储介质

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