CN116151635B - 一种基于多维关系图的抗风险企业决策的优化方法和装置 - Google Patents
一种基于多维关系图的抗风险企业决策的优化方法和装置 Download PDFInfo
- Publication number
- CN116151635B CN116151635B CN202310417505.7A CN202310417505A CN116151635B CN 116151635 B CN116151635 B CN 116151635B CN 202310417505 A CN202310417505 A CN 202310417505A CN 116151635 B CN116151635 B CN 116151635B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- relationship
- graph
- network
- feature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 230000009471 action Effects 0.000 claims abstract description 72
- 230000000875 corresponding effect Effects 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请实施例公开了一种基于多维关系图的抗风险企业决策的优化方法和装置,其方法包括:基于融合后的企业关系特征和优化后的图注意力网络构建用于优化企业决策的决策优化框架,决策优化框架包括用于表征状态的状态因子、用于表征动作的动作因子和用于表征奖励的奖励因子;以及基于融合后的企业关系特征、状态因子、动作因子和奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于优化后的策略网络生成包括多个目标企业的优选决策的决策数据。
Description
技术领域
本发明涉及机器学习技术领域,具体涉及一种基于多维关系图的抗风险企业决策的优化方法和装置。
背景技术
在现代经济中,企业之间的关系变得越来越紧密,不仅涉及到财务资本,还包括销售、市场等多个方面。如何准确提取企业之间的关系特征,并利用这些特征进行智能决策,成为企业经营管理领域的重要研究课题。
目前,企业经营管理面临着复杂的市场环境和竞争压力,需要通过智能决策来提高经营效益和降低风险。然而,传统的决策方法存在着许多不足,如依赖人工经验判断、缺乏数据支持、决策结果不确定等问题,无法满足现代企业快速决策的需求。
因此,如何改善传统的决策方法无法快速且自动地生成企业决策的缺陷,是待解决的技术问题。
发明内容
基于此,有必要针对现有的技术无法快速且自动地生成企业决策的问题,提供一种基于多维关系图的抗风险企业决策的优化方法、装置、存储介质、电子设备和计算机程序产品。
第一方面,本申请实施例提供了一种基于多维关系图的抗风险企业决策的优化方法,所述方法包括:
构建目标企业的多维度企业关系图,所述多维度企业关系图至少包括与目标企业的资本相关的第一企业关系图、与目标企业的销售相关的第二企业关系图和与目标企业的市场相关的第三企业关系图;
基于初始图注意力网络,分别对所述第一企业关系图、所述第二企业关系图和所述第三企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征;
基于所述融合后的企业关系特征和真实的企业关系特征标注,通过预设优化器,对所述初始图注意力网络进行优化,得到对应的优化后的图注意力网络;
基于所述融合后的企业关系特征和所述优化后的图注意力网络构建用于优化企业决策的决策优化框架,所述决策优化框架包括用于表征状态的状态因子、用于表征动作的动作因子和用于表征奖励的奖励因子;
基于所述融合后的企业关系特征、所述状态因子、所述动作因子和所述奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于所述优化后的策略网络生成包括多个目标企业的优选决策的决策数据。
第二方面,本申请实施例提供了一种基于多维关系图的抗风险企业决策的优化装置,所述装置包括:
企业关系图构建模块,用于构建目标企业的多维度企业关系图,所述多维度企业关系图至少包括与目标企业的资本相关的第一企业关系图、与目标企业的销售相关的第二企业关系图和与目标企业的市场相关的第三企业关系图;
特征处理模块,用于基于初始图注意力网络,分别对所述第一企业关系图、所述第二企业关系图和所述第三企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征;
网络优化模块,用于基于所述融合后的企业关系特征和真实的企业关系特征标注,通过预设优化器,对所述初始图注意力网络进行优化,得到对应的优化后的图注意力网络;
优化框架构建模块,用于基于所述融合后的企业关系特征和所述优化后的图注意力网络构建用于优化企业决策的决策优化框架,所述决策优化框架包括用于表征状态的状态因子、用于表征动作的动作因子和用于表征奖励的奖励因子;
策略网络优化模块,用于基于所述融合后的企业关系特征、所述状态因子、所述动作因子和所述奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于所述优化后的策略网络生成包括多个目标企业的优选决策的决策数据。
第三方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现上述的方法步骤。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的方法步骤。
在本申请实施例中,基于融合后的企业关系特征和优化后的图注意力网络构建用于优化企业决策的决策优化框架,决策优化框架包括用于表征状态的状态因子、用于表征动作的动作因子和用于表征奖励的奖励因子;以及基于融合后的企业关系特征、状态因子、动作因子和奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于优化后的策略网络生成包括多个目标企业的优选决策的决策数据。本申请实施例提供的基于多维关系图的抗风险企业决策的优化方法,能够自动学习并自动优化的智能决策的优化方法,能够从海量数据中提取关键信息,快速且准确地生成企业决策,以降低企业决策风险。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请一示例性实施例提供的基于多维关系图的抗风险企业决策的优化方法的流程图;
图2为根据本申请一示例性实施例提供的基于多维关系图的抗风险企业决策的优化装置200的结构示意图;
图3示出了本申请一示例性实施例提供的一种电子设备的示意图;
图4示出了本申请一示例性实施例提供的一种计算机可读介质的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外,术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种基于多维关系图的抗风险企业决策的优化方法及装置、一种电子设备以及计算机可读介质,下面结合附图进行说明。
请参考图1,其示出了本申请的一些实施方式所提供的一种基于多维关系图的抗风险企业决策的优化方法的流程图,如图1所示,基于多维关系图的抗风险企业决策的优化方法可以包括以下步骤:
步骤S101:构建目标企业的多维度企业关系图,多维度企业关系图至少包括与目标企业的资本相关的第一企业关系图、与目标企业的销售相关的第二企业关系图和与目标企业的市场相关的第三企业关系图。
在一种可能的实现方式中,构建目标企业的多维度企业关系图,包括以下步骤:
获取与目标企业的资本相关的每个资产、每个负债以及每个股权;
将每个资产、每个负债以及每个股权分别作为一个第一节点,并获取任意两个第一节点之间的节点关系;
根据各个第一节点以及任意两个第一节点之间的节点关系,生成用于描述目标企业的资本关系的第一企业关系图,第一企业关系图为第一带权有向图,其中,第一企业关系图用标识。
在实际应用场景中,多个第一节点中的两个第一节点之间的连接表示它们之间的关系。例如,两个第一节点之间可以是拥有或者被拥有的关系,或者是借贷或者债务关系。
在一种可能的实现方式中,构建目标企业的多维度企业关系图,包括以下步骤:
获取与目标企业的销售相关的多个销售要素,多个销售要素至少包括销售额、客户数量以及销售渠道;
将多个销售要素中的每一个要素均作为一个第二节点,并获取任意两个第二节点之间的节点关系;
根据各个第二节点以及任意两个第二节点之间的节点关系,生成用于描述目标企业的销售关系的第二企业关系图,第二企业关系图为第二带权有向图,其中,第二企业关系图用标识。
在实际应用场景中,多个第二节点中的两个第二节点之间的连接表示它们之间的关系。例如,两个第二节点之间可以是销售额的转移关系,或者是客户之间的关系。
在一种可能的实现方式中,构建目标企业的多维度企业关系图,包括以下步骤:
获取与目标企业的市场相关的多个市场要素,多个市场要素至少包括市场份额、竞争对手和市场状况;
将多个市场要素中的每一个要素均作为一个第三节点,并获取任意两个第三节点之间的节点关系;
根据各个第三节点以及任意两个第三节点之间的节点关系,生成用于描述目标企业的市场关系的第三企业关系图,第三企业关系图为第三带权有向图,其中,第三企业关系图用标识。
在实际应用场景中,多个第三节点中的两个第三节点之间的连接表示它们之间的关系。例如,两个第三节点之间可以是竞争关系,或者是市场份额的转移关系。
步骤S102:基于初始图注意力网络,分别对第一企业关系图、第二企业关系图和第三企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征。
在一种可能的实现方式中,基于初始图注意力网络,分别对第一企业关系图、第二企业关系图和第三企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征,包括以下步骤:
基于初始图注意力网络,分别对第一企业关系图、第二企业关系图和第三企业关系图进行特征提取,依次得到对应的资本关系特征、销售关系特征和市场关系特征,初始图注意力网络包含三个图卷积层,节点嵌入维度为64,激活函数为ReLU;
将资本关系特征、销售关系特征和市场关系特征进行特征拼接处理,得到对应的特征向量;
基于特征向量和线性映射层,对资本关系特征、销售关系特征和市场关系特征进行特征融合处理,得到融合后的企业关系特征,融合后的企业关系特征为64维的企业关系特征。
在某一具体应用场景中,基于上述三个企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征的过程具体如下所述:
根据上述构建的三个企业关系图、/>和/>,采用初始图注意力网络/>,分别对上述三个企业关系图进行特征提取,并获得对应的关系特征,计算三个关系特征(资本关系特征、销售关系特征和市场关系特征)所采用的计算公式(1)如下所述:
公式(1);
在上述公式(1)中,、/>和/>分别为提取所得的资本关系特征、销售关系特征和市场关系特征,/>、/>和/>分别为第一企业关系图、第二企业关系图和第三企业关系图,为初始图注意力网络,/>包含3个图卷积层,节点嵌入维度为64,激活函数为ReLU。接下来,将上述三个关系(资本关系特征、销售关系特征和市场关系特征)特征拼接为一个特征向量,并采用线性映射层融合上述三个关系特征(资本关系特征、销售关系特征和市场关系特征),得到融合后的企业关系特征,计算融合后的企业关系特征所采用的计算公式(2)如下所述:
公式(2);
在上述公式(2)中,为融合后的企业关系特征,/>为向量拼接算子,为线性映射层。通过线型映射,将拼接后的三个特征向量映射为64维的融合后的企业关系特征/>。
步骤S103:基于融合后的企业关系特征和真实的企业关系特征标注,通过预设优化器,对初始图注意力网络进行优化,得到对应的优化后的图注意力网络。
在一种可能的实现方式中,基于融合后的企业关系特征和真实的企业关系特征标注,通过预设优化器,对初始图注意力网络进行优化,得到对应的优化后的图注意力网络,包括以下步骤:
获取融合后的企业关系特征和真实的关系特征标注,真实的企业关系特征标注为一个64维的特征向量;
基于梯度下降反向传播算法最小化损失函数,对初始图注意力网络参数进行优化,得到优化后的图注意力网络,其中,损失函数为均方误差损失函数,预设优化器为Adam优化器,优化器的学习率为0.001。
在某一具体应用场景中,对初始图注意力网络参数进行优化,得到优化后的图注意力网络的过程具体如下所述:
根据上述步骤S102提取得到的融合后的企业关系特征,基于真实的关系特征标注,采用均方误差损失函数/>,优化初始图注意力网络,以提高其准确性。对初始图注意力网络参数进行优化所采用的计算公式(3)具体如下所述:
公式(3);
在上述公式(3)中,为初始图注意力网络参数,/>为真实的企业关系特征标注,其是一个64维的特征向量;/>为融合后的企业关系特征,/>为采用的均方误差损失函数。采用Adam优化器,学习率为0.001,基于梯度下降反向传播算法,最小化损失函数,对初始图注意力网络参数进行优化,使神经网络能够更准确地提取企业关系特征。
步骤S104:基于融合后的企业关系特征和优化后的图注意力网络构建用于优化企业决策的决策优化框架,决策优化框架包括用于表征状态的状态因子、用于表征动作的动作因子和用于表征奖励的奖励因子。
在一种可能的实现方式中,基于融合后的企业关系特征和优化后的图注意力网络构建用于优化企业决策的决策优化框架,包括以下步骤:
将融合后的企业关系特征作为用于表征状态的状态因子;
将目标企业的不同决策分为多个离散的动作类别,并基于每个状态以及对应状态的状态特征,从多个离散的动作类别中确定一个动作进行执行,并作为当前动作;
针对当前动作,基于预设的奖励值计算模型,得到对应的奖励值,预设的奖励值计算模型包括:将高收益且低风险对应的奖励值设置为1,将低收益且高风险对应的奖励值设置为-1。
在某一具体应用场景中,可以将目标企业的不同决策分为多个离散的动作类别,例如,“增加广告投入”、“调整产品价格”、“减少成本”等。
步骤S105:基于融合后的企业关系特征、状态因子、动作因子和奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于优化后的策略网络生成包括多个目标企业的优选决策的决策数据。
在一种可能的实现方式中,基于融合后的企业关系特征、状态因子、动作因子和奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,包括以下步骤:
获取动作概率分布向量和状态价值;
基于动作概率分布向量采样获取动作策略,执行动作并计算对应的奖励值;
获取奖励值和估值网络的估计值,并根据奖励值和估计值计算并得到策略梯度;
迭代基于策略梯度,采用梯度上升算法最大化策略梯度值,并更新策略网络参数的过程,在每次执行确定的当前动作之前,使用优化后的图注意力网络来提取当前状态对应的关系特征,并根据当前状态的关系特征来选择对应的动作,以对策略网络的决策性能进行优化,直至得到优化后的策略网络。
在一种可能的实现方式中,获取动作概率分布向量和状态价值,包括以下步骤:
通过多层感知机,对策略网络和估值网络进行初始化,并以融合后的企业关系特征作为输入,依次输出并获取动作概率分布向量和状态价值,策略网络为包含2层神经网络的多层感知器,策略网络中的策略网络神经元的个数分别为64和n,n为目标企业的决策数量;估值网络为包含2层神经网络的多层感知器,动作概率分布向量的维度为n,状态价值的维度为1。
在某一具体应用场景中,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于优化后的策略网络生成包括多个目标企业的优选决策的决策数据的过程具体如下所述:
根据上述定义的状态因子、动作因子和奖励因子,采用策略梯度优化决策网络,自动生成包括优选决策的决策数据,优选决策为可以使企业做出更有利于企业收益且风险更低的决策。首先,采用多层感知机,初始化策略网络和估值网络,以融合后的企业关系特征为输入,分别输出动作概率分布和状态价值,上述过程所采用的计算公式(4)具体如下所述:
公式(4);
在上述公式(4)中,和/>分别为策略网络和估值网络,策略网络和估值网络均为包含2层神经网络的多层感知器,策略网络神经元个数分别为64和n,n为企业可能做出的决策数量,估值网络神经元个数分别为64和1,/>是维度为n的概率分布向量,/>是维度为1的状态价值。
基于概率分布向量采样获取动作决策,执行动作并计算对应的奖励值。根据奖励值和估值网络的估计值来计算策略梯度,上述过程所采用的计算公式(5)具体如下所述:
公式(5);
在上述公式(5)中,为策略网络参数,/>为总的迭代次数,/>为当前轮次,/>和/>分别为当前轮次下的奖励和状态价值。基于该策略梯度,采用梯度上升算法,最大化策略梯度值,更新策略网络的参数。反复迭代这一过程,在每次执行动作之前,使用优化后的图注意力网络来提取当前状态的关系特征,然后再根据当前状态的关系特征来选择动作,优化策略网络的决策能力,使其能够根据企业当前的经营关系,自适应地自动生成包括优选决策的决策数据,优选决策为可以使企业做出更有利于企业收益且风险更低的决策,并从多个优选决策中确定出企业收益且风险最低的最优决策。
本申请实施例提供的基于多维关系图的抗风险企业决策的优化方法,能够自动学习并自动优化的智能决策的优化方法,能够从海量数据中提取关键信息,快速且准确地生成企业决策,以降低企业决策风险。
在上述的实施例中,提供了一种基于多维关系图的抗风险企业决策的优化方法,与之相对应的,本申请还提供一种基于多维关系图的抗风险企业决策的优化装置。本申请实施例提供的基于多维关系图的抗风险企业决策的优化装置可以实施上述基于多维关系图的抗风险企业决策的优化方法,该基于多维关系图的抗风险企业决策的优化装置可以通过软件、硬件或软硬结合的方式来实现。例如,该基于多维关系图的抗风险企业决策的优化装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。
请参考图2,其示出了本申请的一些实施方式所提供的一种基于多维关系图的抗风险企业决策的优化装置的示意图。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图2所示,基于多维关系图的抗风险企业决策的优化装置200可以包括:
企业关系图构建模块201,用于构建目标企业的多维度企业关系图,多维度企业关系图至少包括与目标企业的资本相关的第一企业关系图、与目标企业的销售相关的第二企业关系图和与目标企业的市场相关的第三企业关系图;
特征处理模块202,用于基于初始图注意力网络,分别对第一企业关系图、第二企业关系图和第三企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征;
网络优化模块203,用于基于融合后的企业关系特征和真实的企业关系特征标注,通过预设优化器,对初始图注意力网络进行优化,得到对应的优化后的图注意力网络;
优化框架构建模块204,用于基于融合后的企业关系特征和优化后的图注意力网络构建用于优化企业决策的决策优化框架,决策优化框架包括用于表征状态的状态因子、用于表征动作的动作因子和用于表征奖励的奖励因子;
策略网络优化模块205,用于基于融合后的企业关系特征、状态因子、动作因子和奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于优化后的策略网络生成包括多个目标企业的优选决策的决策数据。
在本申请实施例的一些实施方式中,策略网络优化模块205用于:
获取动作概率分布向量和状态价值;
基于动作概率分布向量采样获取动作策略,执行动作并计算对应的奖励值;
获取奖励值和估值网络的估计值,并根据奖励值和估计值计算并得到策略梯度;
迭代基于策略梯度,采用梯度上升算法最大化策略梯度值,并更新策略网络参数的过程,在每次执行确定的当前动作之前,使用图神经网络来提取当前状态对应的关系特征,并根据当前状态的关系特征来选择对应的动作,以对策略网络的决策性能进行优化,直至得到优化后的策略网络。
在本申请实施例的一些实施方式中,策略网络优化模块205具体用于:
通过多层感知机,对策略网络和估值网络进行初始化,并以融合后的企业关系特征作为输入,依次输出并获取动作概率分布向量和状态价值,策略网络为包含2层神经网络的多层感知器,策略网络中的策略网络神经元的个数分别为64和n,n为目标企业的决策数量;估值网络为包含2层神经网络的多层感知器,动作概率分布向量的维度为n,状态价值的维度为1。
在本申请实施例的一些实施方式中,优化框架构建模块204具体用于:
将融合后的企业关系特征作为用于表征状态的状态因子;
将目标企业的不同决策分为多个离散的动作类别,并基于每个状态以及对应状态的状态特征,从多个离散的动作类别中确定一个动作进行执行,并作为当前动作;
针对当前动作,基于预设的奖励值计算模型,得到对应的奖励值,预设的奖励值计算模型包括:将高收益且低风险对应的奖励值设置为1,将低收益且高风险对应的奖励值设置为-1。
在本申请实施例的一些实施方式中,特征处理模块202具体用于:
基于初始图注意力网络,分别对第一企业关系图、第二企业关系图和第三企业关系图进行特征提取,依次得到对应的资本关系特征、销售关系特征和市场关系特征,初始图注意力网络包含三个图卷积层,节点嵌入维度为64,激活函数为ReLU;
将资本关系特征、销售关系特征和市场关系特征进行特征拼接处理,得到对应的特征向量;
基于特征向量和线性映射层,对资本关系特征、销售关系特征和市场关系特征进行特征融合处理,得到融合后的企业关系特征,融合后的企业关系特征为64维的企业关系特征。
在本申请实施例的一些实施方式中,网络优化模块203具体用于:
获取融合后的企业关系特征和真实的关系特征标注,真实的企业关系特征标注为一个64维的特征向量;
基于梯度下降反向传播算法最小化损失函数,对初始图注意力网络参数进行优化,得到优化后的图注意力网络,其中,损失函数为均方误差损失函数,预设优化器为Adam优化器,优化器的学习率为0.001。
在本申请实施例的一些实施方式中,企业关系图构建模块201具体用于:
获取与目标企业的资本相关的每个资产、每个负债以及每个股权;
将每个资产、每个负债以及每个股权分别作为一个第一节点,并获取任意两个第一节点之间的节点关系;
根据各个第一节点以及任意两个第一节点之间的节点关系,生成用于描述目标企业的资本关系的第一企业关系图,第一企业关系图为第一带权有向图。
在本申请实施例的一些实施方式中,企业关系图构建模块201具体用于:
获取与目标企业的销售相关的多个销售要素,多个销售要素至少包括销售额、客户数量以及销售渠道;
将多个销售要素中的每一个要素均作为一个第二节点,并获取任意两个第二节点之间的节点关系;
根据各个第二节点以及任意两个第二节点之间的节点关系,生成用于描述目标企业的销售关系的第二企业关系图,第二企业关系图为第二带权有向图。
在本申请实施例的一些实施方式中,企业关系图构建模块201具体用于:
获取与目标企业的市场相关的多个市场要素,多个市场要素至少包括市场份额、竞争对手和市场状况;
将多个市场要素中的每一个要素均作为一个第三节点,并获取任意两个第三节点之间的节点关系;
根据各个第三节点以及任意两个第三节点之间的节点关系,生成用于描述目标企业的市场关系的第三企业关系图,第三企业关系图为第三带权有向图。
在本申请实施例的一些实施方式中本申请实施例提供基于多维关系图的抗风险企业决策的优化装置200,与本申请前述实施例提供的基于多维关系图的抗风险企业决策的优化方法出于相同的发明构思,具有相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于多维关系图的抗风险企业决策的优化方法对应的电子设备,电子设备可以是用于服务端的电子设备,例如服务器,包括独立的服务器和分布式服务器集群等,以执行上述基于多维关系图的抗风险企业决策的优化方法;电子设备也可以是用于客户端的电子设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行上述基于多维关系图的抗风险企业决策的优化方法。
请参考图3,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图3所示,电子设备30包括:处理器300,存储器301,总线302和通信接口303,处理器300、通信接口303和存储器301通过总线302连接;存储器301中存储有可在处理器300上运行的计算机程序,处理器300运行计算机程序时执行本申请前述的基于多维关系图的抗风险企业决策的优化方法。
其中,存储器301可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口303(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器301用于存储程序,处理器300在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的基于多维关系图的抗风险企业决策的优化方法可以应用于处理器300中,或者由处理器300实现。
处理器300可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器300可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301,处理器300读取存储器301中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于多维关系图的抗风险企业决策的优化方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于多维关系图的抗风险企业决策的优化方法对应的计算机可读介质,请参考图4,其示出的计算机可读存储介质为光盘40,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述基于多维关系图的抗风险企业决策的优化方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于多维关系图的抗风险企业决策的优化方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是,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系统、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,所述模块、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。也应当注意,在有些作为替换的实现中,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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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实施例方案的目的。
另外,在本申请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,也可以两个或两个以上单元集成在一个单元中。
所述功能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所述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 (7)
1.一种基于多维关系图的抗风险企业决策的优化方法,包括:
构建目标企业的多维度企业关系图,所述多维度企业关系图至少包括与目标企业的资本相关的第一企业关系图、与目标企业的销售相关的第二企业关系图和与目标企业的市场相关的第三企业关系图;
基于初始图注意力网络,分别对所述第一企业关系图、所述第二企业关系图和所述第三企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征;
所述基于初始图注意力网络,分别对所述第一企业关系图、所述第二企业关系图和所述第三企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征,包括:
基于初始图注意力网络,分别对所述第一企业关系图、所述第二企业关系图和所述第三企业关系图进行特征提取,依次得到对应的资本关系特征、销售关系特征和市场关系特征,所述初始图注意力网络包含三个图卷积层,节点嵌入维度为64,激活函数为ReLU;
将所述资本关系特征、所述销售关系特征和所述市场关系特征进行特征拼接处理,得到对应的特征向量;
基于所述特征向量和线性映射层,对所述资本关系特征、所述销售关系特征和所述市场关系特征进行特征融合处理,得到所述融合后的企业关系特征,所述融合后的企业关系特征为64维的企业关系特征;计算计融合后的企业关系特征所采用的计算公式如下所述:
F=Linear(Concat(Fc,Fs,Fm)),F为融合后的企业关系特征,Concat()为向量拼接算子,Linear()为线性映射层,Fc、Fs和Fm分别为提取所得的资本关系特征、销售关系特征和市场关系特征;
基于所述融合后的企业关系特征和真实的企业关系特征标注,通过预设优化器,对所述初始图注意力网络进行优化,得到对应的优化后的图注意力网络;
所述基于所述融合后的企业关系特征和真实的企业关系特征标注,通过预设优化器,对所述初始图注意力网络进行优化,得到对应的优化后的图注意力网络,包括:
获取所述融合后的企业关系特征和所述真实的关系特征标注,所述真实的企业关系特征标注为一个64维的特征向量;
基于梯度下降反向传播算法最小化损失函数,对所述初始图注意力网络参数进行优化,得到优化后的图注意力网络,其中,所述损失函数为均方误差损失函数,所述预设优化器为Adam优化器,所述优化器的学习率为0.001;
对初始图注意力网络参数进行优化所采用的计算公式具体如下所述:
Loss(θ)=MSE(F,Fgt);
θ为初始图注意力网络参数,Fgt为真实的企业关系特征标注,其是一个64维的特征向量;F为融合后的企业关系特征,MSE()为采用的均方误差损失函数;
基于所述融合后的企业关系特征和所述优化后的图注意力网络构建用于优化企业决策的决策优化框架,所述决策优化框架包括用于表征状态的状态因子、用于表征动作的动作因子和用于表征奖励的奖励因子;
基于所述融合后的企业关系特征、所述状态因子、所述动作因子和所述奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于所述优化后的策略网络生成包括多个目标企业的优选决策的决策数据;
所述基于所述融合后的企业关系特征、所述状态因子、所述动作因子和所述奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,包括:
获取动作概率分布向量和状态价值;
基于所述动作概率分布向量采样获取动作策略,执行动作并计算对应的奖励值;
获取所述奖励值和估值网络的估计值,并根据所述奖励值和所述估计值计算并得到策略梯度;
迭代基于所述策略梯度,采用梯度上升算法最大化策略梯度值,并更新策略网络参数的过程,在每次执行确定的当前动作之前,使用优化后的图注意力网络来提取当前状态对应的关系特征,并根据当前状态的关系特征来选择对应的动作,以对所述策略网络的所述决策性能进行优化,直至得到所述优化后的策略网络。
2.根据权利要求1所述的优化方法,其中,所述获取动作概率分布向量和状态价值,包括:
通过多层感知机,对策略网络和所述估值网络进行初始化,并以所述融合后的企业关系特征作为输入,依次输出并获取动作概率分布向量和状态价值,所述策略网络为包含2层神经网络的多层感知器,所述策略网络中的策略网络神经元的个数分别为64和n,n为目标企业的决策数量;所述估值网络为包含2层神经网络的多层感知器,动作概率分布向量的维度为n,状态价值的维度为1。
3.根据权利要求1所述的优化方法,其中,所述基于所述融合后的企业关系特征和所述优化后的图注意力网络构建用于优化企业决策的决策优化框架,包括:
将所述融合后的企业关系特征作为用于表征状态的所述状态因子;
将目标企业的不同决策分为多个离散的动作类别,并基于每个状态以及对应状态的状态特征,从所述多个离散的动作类别中确定一个动作进行执行,并作为当前动作;
针对当前动作,基于预设的奖励值计算模型,得到对应的奖励值,所述预设的奖励值计算模型包括:将高收益且低风险对应的奖励值设置为1,将低收益且高风险对应的奖励值设置为-1。
4.根据权利要求1所述的优化方法,其中,所述构建目标企业的多维度企业关系图,包括:
获取与目标企业的资本相关的每个资产、每个负债以及每个股权;
将每个资产、每个负债以及每个股权分别作为一个第一节点,并获取任意两个第一节点之间的节点关系;
根据各个第一节点以及任意两个第一节点之间的节点关系,生成用于描述目标企业的资本关系的所述第一企业关系图,所述第一企业关系图为第一带权有向图。
5.根据权利要求1所述的优化方法,其中,所述构建目标企业的多维度企业关系图,包括:
获取与目标企业的销售相关的多个销售要素,所述多个销售要素至少包括销售额、客户数量以及销售渠道;
将所述多个销售要素中的每一个要素均作为一个第二节点,并获取任意两个第二节点之间的节点关系;
根据各个第二节点以及任意两个第二节点之间的节点关系,生成用于描述目标企业的销售关系的所述第二企业关系图,所述第二企业关系图为第二带权有向图。
6.根据权利要求1所述的优化方法,其中,所述构建目标企业的多维度企业关系图,包括:
获取与目标企业的市场相关的多个市场要素,所述多个市场要素至少包括市场份额、竞争对手和市场状况;
将所述多个市场要素中的每一个要素均作为一个第三节点,并获取任意两个第三节点之间的节点关系;
根据各个第三节点以及任意两个第三节点之间的节点关系,生成用于描述目标企业的市场关系的所述第三企业关系图,所述第三企业关系图为第三带权有向图。
7.一种基于多维关系图的抗风险企业决策的优化装置,包括:
企业关系图构建模块,用于构建目标企业的多维度企业关系图,所述多维度企业关系图至少包括与目标企业的资本相关的第一企业关系图、与目标企业的销售相关的第二企业关系图和与目标企业的市场相关的第三企业关系图;
特征处理模块,用于基于初始图注意力网络,分别对所述第一企业关系图、所述第二企业关系图和所述第三企业关系图进行特征提取、特征拼接和特征融合,得到融合后的企业关系特征;
所述特征处理模块具体用于:
基于初始图注意力网络,分别对所述第一企业关系图、所述第二企业关系图和所述第三企业关系图进行特征提取,依次得到对应的资本关系特征、销售关系特征和市场关系特征,所述初始图注意力网络包含三个图卷积层,节点嵌入维度为64,激活函数为ReLU;
将所述资本关系特征、所述销售关系特征和所述市场关系特征进行特征拼接处理,得到对应的特征向量;
基于所述特征向量和线性映射层,对所述资本关系特征、所述销售关系特征和所述市场关系特征进行特征融合处理,得到所述融合后的企业关系特征,所述融合后的企业关系特征为64维的企业关系特征;计算计融合后的企业关系特征所采用的计算公式如下所述:
F=Linear(Concat(Fc,Fs,Fm)),F为融合后的企业关系特征,Concat()为向量拼接算子,Linear()为线性映射层,Fc、Fs和Fm分别为提取所得的资本关系特征、销售关系特征和市场关系特征;
网络优化模块,用于基于所述融合后的企业关系特征和真实的企业关系特征标注,通过预设优化器,对所述初始图注意力网络进行优化,得到对应的优化后的图注意力网络;
网络优化模块具体用于:
获取所述融合后的企业关系特征和所述真实的关系特征标注,所述真实的企业关系特征标注为一个64维的特征向量;
基于梯度下降反向传播算法最小化损失函数,对所述初始图注意力网络参数进行优化,得到优化后的图注意力网络,其中,所述损失函数为均方误差损失函数,所述预设优化器为Adam优化器,所述优化器的学习率为0.001;
对初始图注意力网络参数进行优化所采用的计算公式具体如下所述:
Loss(θ)=MSE(F,Fgt);
θ为初始图注意力网络参数,Fgt为真实的企业关系特征标注,其是一个64维的特征向量;F为融合后的企业关系特征,MSE()为采用的均方误差损失函数;
优化框架构建模块,用于基于所述融合后的企业关系特征和所述优化后的图注意力网络构建用于优化企业决策的决策优化框架,所述决策优化框架包括用于表征状态的状态因子、用于表征动作的动作因子和用于表征奖励的奖励因子;
策略网络优化模块,用于基于所述融合后的企业关系特征、所述状态因子、所述动作因子和所述奖励因子,采用策略梯度更新策略网络参数,对策略网络的决策性能进行优化,得到优化后的策略网络,以基于所述优化后的策略网络生成包括多个目标企业的优选决策的决策数据;
所述策略网络优化模块,具体用于:
获取动作概率分布向量和状态价值;
基于所述动作概率分布向量采样获取动作策略,执行动作并计算对应的奖励值;
获取所述奖励值和估值网络的估计值,并根据所述奖励值和所述估计值计算并得到策略梯度;
迭代基于所述策略梯度,采用梯度上升算法最大化策略梯度值,并更新策略网络参数的过程,在每次执行确定的当前动作之前,使用优化后的图注意力网络来提取当前状态对应的关系特征,并根据当前状态的关系特征来选择对应的动作,以对所述策略网络的所述决策性能进行优化,直至得到所述优化后的策略网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310417505.7A CN116151635B (zh) | 2023-04-19 | 2023-04-19 | 一种基于多维关系图的抗风险企业决策的优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310417505.7A CN116151635B (zh) | 2023-04-19 | 2023-04-19 | 一种基于多维关系图的抗风险企业决策的优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116151635A CN116151635A (zh) | 2023-05-23 |
CN116151635B true CN116151635B (zh) | 2024-03-08 |
Family
ID=86352810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310417505.7A Active CN116151635B (zh) | 2023-04-19 | 2023-04-19 | 一种基于多维关系图的抗风险企业决策的优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151635B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239639A (zh) * | 2021-06-29 | 2021-08-10 | 暨南大学 | 策略信息生成方法、装置、电子装置和存储介质 |
CN113449458A (zh) * | 2021-07-15 | 2021-09-28 | 海南大学 | 一种基于课程学习的多智能体深度确定性策略梯度方法 |
CN114064627A (zh) * | 2021-11-24 | 2022-02-18 | 北京工商大学 | 一种针对多重关系的知识图谱链接补全方法及系统 |
CN114066081A (zh) * | 2021-11-23 | 2022-02-18 | 北京恒通慧源大数据技术有限公司 | 基于图注意力网络的企业风险预测方法、装置和电子设备 |
CN114139637A (zh) * | 2021-12-03 | 2022-03-04 | 哈尔滨工业大学(深圳) | 多智能体信息融合方法、装置、电子设备及可读存储介质 |
CN114186799A (zh) * | 2021-11-21 | 2022-03-15 | 南京理工大学 | 基于异构图神经网络的企业估值方法及系统 |
CN115563314A (zh) * | 2022-11-30 | 2023-01-03 | 南京航空航天大学 | 多源信息融合增强的知识图谱表示学习方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11526765B2 (en) * | 2019-01-10 | 2022-12-13 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for a supra-fusion graph attention model for multi-layered embeddings and deep learning applications |
-
2023
- 2023-04-19 CN CN202310417505.7A patent/CN116151635B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239639A (zh) * | 2021-06-29 | 2021-08-10 | 暨南大学 | 策略信息生成方法、装置、电子装置和存储介质 |
CN113449458A (zh) * | 2021-07-15 | 2021-09-28 | 海南大学 | 一种基于课程学习的多智能体深度确定性策略梯度方法 |
CN114186799A (zh) * | 2021-11-21 | 2022-03-15 | 南京理工大学 | 基于异构图神经网络的企业估值方法及系统 |
CN114066081A (zh) * | 2021-11-23 | 2022-02-18 | 北京恒通慧源大数据技术有限公司 | 基于图注意力网络的企业风险预测方法、装置和电子设备 |
CN114064627A (zh) * | 2021-11-24 | 2022-02-18 | 北京工商大学 | 一种针对多重关系的知识图谱链接补全方法及系统 |
CN114139637A (zh) * | 2021-12-03 | 2022-03-04 | 哈尔滨工业大学(深圳) | 多智能体信息融合方法、装置、电子设备及可读存储介质 |
CN115563314A (zh) * | 2022-11-30 | 2023-01-03 | 南京航空航天大学 | 多源信息融合增强的知识图谱表示学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116151635A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11526766B2 (en) | Graphical structure model-based transaction risk control | |
Ando et al. | Deep over-sampling framework for classifying imbalanced data | |
US11227190B1 (en) | Graph neural network training methods and systems | |
CN111523044B (zh) | 用于推荐目标对象的方法、计算设备和计算机存储介质 | |
CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
CN113361658B (zh) | 一种基于隐私保护的图模型训练方法、装置及设备 | |
CN108431832A (zh) | 利用外部存储器扩增神经网络 | |
EP2377080A1 (en) | Machine optimization devices, methods, and systems | |
CN107590690B (zh) | 数据处理方法、装置及服务器 | |
CN111985622A (zh) | 一种图神经网络训练方法和系统 | |
CN111445020A (zh) | 一种基于图的卷积网络训练方法、装置及系统 | |
CN112381216A (zh) | 混合图神经网络模型的训练、预测方法和装置 | |
US11823026B2 (en) | Artificial intelligence system employing graph convolutional networks for analyzing multi-entity-type multi-relational data | |
CN113283936A (zh) | 一种销量预测方法、销量预测装置及电子设备 | |
CN113144624B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114266664A (zh) | 一种交易信息预测方法、装置、计算机设备和存储介质 | |
CN116151635B (zh) | 一种基于多维关系图的抗风险企业决策的优化方法和装置 | |
CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
CN110674181A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
KR20230081604A (ko) | 기업 정보에 기반하여 인큐베이팅 대상 기업을 선정하는 기업 인큐베이팅 시스템 | |
CN115730217A (zh) | 模型的训练方法、物料的召回方法及装置 | |
KR102564319B1 (ko) | 인큐베이팅 효과를 반영한 기업 투자 시스템 | |
CN114757723B (zh) | 用于资源要素交易平台的数据分析模型构建系统及方法 | |
CN111144976B (zh) | 推荐模型的训练方法及装置 | |
US20240119470A1 (en) | Systems and methods for generating a forecast of a timeseries |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |