CN116596662A - 基于企业舆情信息的风险预警的方法、装置、电子设备和介质 - Google Patents
基于企业舆情信息的风险预警的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116596662A CN116596662A CN202310720890.2A CN202310720890A CN116596662A CN 116596662 A CN116596662 A CN 116596662A CN 202310720890 A CN202310720890 A CN 202310720890A CN 116596662 A CN116596662 A CN 116596662A
- Authority
- CN
- China
- Prior art keywords
- public opinion
- label
- model
- enterprise
- bond
- 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 92
- 238000000605 extraction Methods 0.000 claims abstract description 137
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000007781 pre-processing Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 18
- 230000015654 memory Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 238000012854 evaluation process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供了一种基于企业舆情信息的风险预警的方法、装置、电子设备和介质,可以应用于大数据技术领域和人工智能技术领域。所述方法包括:采集各企业的第一舆情信息并进行预处理操作,获得第一舆情数据;基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;基于所述第一舆情标签和债券违约预警模型获得第一预警清单,其中,所述债券违约预警模型为基于第二舆情标签和企业的债券违约数据预先训练得到的,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的;以及基于所述第一预警清单,输出债券违约概率大于P的企业,其中,P为预设值。
Description
技术领域
本发明涉及大数据技术领域和人工智能技术领域,更具体地涉及一种基于企业舆情信息的风险预警的方法、装置、电子设备和介质。
背景技术
在当前的债券市场中,由于市场的不断成熟以及市场化程度的不断提高,债券刚性兑付时代已结束,由此带来的债券违约事件逐渐增多。而在近几年,由于受国内外形势与疫情的影响,企业债券违约情况更加频繁,风险显得尤为突出。
针对上述情况,已有部分金融机构建设了相应的风险预警系统。但是,当前的风险预警系统更多依赖传统的信用评估类模型,主要参考企业性质、规模、财务信息、资产负债等信息;而这部分数据更新频率多为季度、年度,时效性较差,难以应对近年来频发的债券风险趋势。
目前,企业舆情信息逐渐成为了评估企业风险的重要参考依据。企业舆情信息包括企业在社会舆论中的口碑、声誉、形象等方面的评价,通常包括媒体报道、社交网络评估和行业协会评估等。利用企业舆情信息进行风险预警已经成为当前债券投资领域的研究热点。
但是,基于日频更新的企业舆情信息,现有的预警方法往往只能利用舆情发生的频次,或者是将原始的舆情信息利用字符匹配等人为标定的少量标注规则进行舆情的分类,再基于此应用是否发生、频次统计等方法对舆情信息进行利用。由此,原始的舆情信息中所包含的丰富信息在很大程度上因上述处理方式发生损失。
发明内容
鉴于上述问题,根据本发明的第一方面,一种基于企业舆情信息的风险预警的方法,所述方法包括:采集各企业的第一舆情信息并进行预处理操作,获得第一舆情数据;基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;基于所述第一舆情标签和债券违约预警模型获得第一预警清单,其中,所述债券违约预警模型为基于第二舆情标签和企业的债券违约数据预先训练得到的,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的;以及基于所述第一预警清单,输出债券违约概率大于P的企业,其中,P为预设值。
根据一些示例性实施例,所述采集第一舆情信息并进行预处理操作,获得第一舆情数据,具体包括:在第一预设时间范围内采集第一舆情信息,所述第一舆情信息包括在所述第一预设时间范围内从新闻网站、企业官网、社交媒体平台、行业论坛和舆情信息收集渠道获取的企业舆情文本信息;以及将所述第一舆情信息进行第一预处理,其中,所述第一预处理包括信息去重和字符乱码处理。
根据一些示例性实施例,所述基于第二舆情信息预先训练得到所述舆情标签抽取模型,具体包括:在第二预设时间范围内采集第二舆情信息,所述第二舆情信息包括在所述第二预设时间范围内从新闻网站、企业官网、社交媒体平台、行业论坛和舆情信息收集渠道获取的企业舆情文本信息,将所述第二舆情信息进行第二预处理,其中,所述第二预处理包括信息去重和字符乱码处理;以及基于所述第二舆情数据和深度学习模型,获得所述舆情标签抽取模型。
根据一些示例性实施例,所述基于所述第二舆情数据和深度学习模型,获得所述舆情标签抽取模型,具体包括:基于所述第二舆情数据,执行输入预处理操作,包括分词处理,并利用人工标注获取对应的关键标签;对所述第二舆情数据和所述对应的关键标签进行编码,获取第一训练样本集和第一测试样本集;构建预训练舆情标签抽取模型,添加分类层;预训练舆情标签抽取模型训练步骤:随机初始化所述预训练舆情标签抽取模型的参数,基于所述第一训练样本集选择第一损失函数训练所述预训练舆情标签抽取模型,利用梯度下降算法,计算所述第一损失函数相对于所述预训练舆情标签抽取模型的参数的梯度;中间舆情标签抽取模型确定步骤:如果所述梯度未达到收敛值N,则调整所述预训练舆情标签抽取模型的参数,重复执行所述预训练舆情标签抽取模型训练,直到所述梯度达到收敛值N,以获得中间舆情标签抽取模型,其中,N为预设值;以及基于所述第一测试样本集第一模型评估性能指标评估所述中间舆情标签抽取模型的性能效果,当所述中间舆情标签抽取模型的性能效果不符合所述第一模型评估性能指标,则重新执行所述预训练舆情标签抽取模型训练步骤和所述中间舆情标签抽取模型确定步骤,以最终构建舆情标签抽取模型。
根据一些示例性实施例,所述第一损失函数为交叉熵、F1 Score和MarginRanking中的一种。
根据一些示例性实施例,所述第一舆情标签包括第一舆情种类,第一舆情一级标签和第一舆情二级标签;所述第二舆情标签包括第二舆情种类,第二舆情一级标签和第二舆情二级标签。
根据一些示例性实施例,所述基于第二舆情标签和企业的债券违约数据预先训练得到债券违约预警模型,具体包括:
风险标签确定步骤:基于企业的债券违约数据,获得企业风险标签;
样本集确定步骤:基于所述企业风险标签,获取第二训练样本集和第二测试样本集,其中,样本粒度为企业/抽样日期;
特征工程:基于所述第二舆情标签的第二舆情种类、第二舆情一级标签和第二舆情二级标签,结合在第W时间窗口内所述第二舆情种类的发生数量、频度、最后一次发生、最早一次发生进行企业风险特征的构建,其中,W为预设值;
中间债券违约预警模型确定步骤:基于第一决策树模型对所述第二训练样本集进行训练,得到中间债券违约预警模型;以及
基于第二测试样本集和第二模型评估性能指标评估所述中间债券违约预警模型的性能效果M,当M不符合预设指标,则重新执行所述样本集确定步骤、所述特征工程、所述中间债券违约预警模型确定步骤,以最终构建债券违约预警模型。
根据一些示例性实施例,所述第一决策树模型为LightGBM模型,XGBoost模型以及CatBoost模型中的一种。
根据一些示例性实施例,所述方法还具体包括:基于所述第二舆情标签和所述企业风险标签,利用专家规则模型获得第一分类标签;基于所述第二舆情标签和所述企业风险标签,利用概率图模型获得第二分类标签;以及基于所述第一分类标签,所述第二分类标签和所述第二舆情标签,结合在第W时间窗口内所述第二舆情种类的发生数量、频度、最后一次发生、最早一次发生进行企业风险特征的构建。
根据一些示例性实施例,所述基于所述第二舆情标签和所述企业风险标签,利用专家规则模型获得第一分类标签,具体包括:基于所述第二舆情标签和所述企业风险标签,统计企业在所述第二舆情种类发生后的债券违约率;统计债券违约速率,其中,所述债券违约速率为各企业在所述第二舆情种类首次发生距离所述企业风险标签首次发生的天数差;以及基于预警规则输出第一分类标签,其中,所述预警规则为预先制定的。
根据一些示例性实施例,所述基于所述第二舆情标签和所述企业风险标签,利用概率图模型获得第二分类标签,具体包括:基于所述第二舆情标签和所述企业风险标签,获得目标对象网络图;基于所述目标对象网络图,利用因果分析算法,获得所述第二舆情种类对债券违约影响的推断概率;以及基于所述推断概率的排序,输出第二分类标签。
根据本发明的第二方面,提供了一种基于企业舆情信息的风险预警的方法,所述方法包括:采集企业的第一舆情信息并进行预处理操作,获得第一舆情数据;基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;基于第二舆情标签和企业的债券违约数据,利用专家规则模型获得第一分类标签,和/或利用概率图模型获得第二分类标签,其中,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的;将所述第一分类标签和所述第二分类标签求并集,获得第一预警清单;以及基于所述第一预警清单,输出债券违约概率大于P的企业,其中,P为预设值。
根据本发明的第三方面,提供了一种基于企业舆情信息的风险预警的装置,所述装置包括:第一舆情信息采集模块,用于:采集企业的第一舆情信息并进行预处理操作,获得第一舆情数据;第一舆情标签获取模块,用于:基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;第一预警清单获取模块,用于:基于所述第一舆情标签和债券违约预警模型获得第一预警清单,其中,所述债券违约预警模型为基于第二舆情标签和企业的债券违约数据预先训练得到的,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的,基于所述第一预警清单,返回债券违约概率大于P的企业,其中,P为预设值。
根据本发明的第四方面,提供了一种基于企业舆情信息的风险预警的装置,所述装置包括:第一舆情信息采集模块,用于:采集企业的第一舆情信息并进行预处理操作;第一舆情标签获取模块,用于:基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;分类标签获取模块,用于:基于第二舆情标签和企业的债券违约数据,利用专家规则模型获得第一分类标签,和/或利用概率图模型获得第二分类标签,其中,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的;第一预警清单获取模块,用于:将所述第一分类标签和所述第二分类标签求并集,获得第一预警清单,基于所述第一预警清单,返回债券违约概率大于P的企业,其中,P为预设值。
根据本发明的第五方面,提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如上所述的方法。
根据本发明的第六方面,提供一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行如上所述的方法。
根据本发明的第七方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
上述一个或多个实施例具有如下优点或有益效果:通过获取更新频率较快的企业舆情数据,利用舆情标签抽取模型和债券违约预警模型能够实现债券违约的提前预测,解决在债券逾期预测领域的预警模型时效性较差,难以应对近年来频发的债券风险趋势的痛点,从而降低企业违约风险。
本发明具体利用深度学习模型进行企业舆情标签抽取,能够在很大程度上减少原始舆情信息在信息抽取过程中的损失,从而更准确地标注文本中的实体或其他语言单位,提高标注和预测的准确率,使得预测结果更为真实可信,同时,深度学习模型具有强大的语义理解能力,能够对文本的语义信息进行深度挖掘,提高模型的鲁棒性和泛化能力。
进一步地,通过机器学习模型基于舆情标签建立的预警模型,能够输出未来一段时间内债券违约概率较大的企业预警清单,从而帮助金融机构识别潜在的风险,并采取相应的措施来避免或减轻风险的影响。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本发明实施例的基于企业舆情信息的风险预警方法、装置、电子设备、介质的应用场景图。
图2示意性示出了根据本发明实施例的基于企业舆情信息的风险预警的方法的流程图。
图3示意性示出了根据本发明实施例的获得舆情标签抽取模型的流程图。
图4示意性示出了根据本发明实施例的获得债券违约预警模型的流程图。
图5示出了根据本发明实施例的利用专家规则模型获得的第一分类标签的流程图。
图6示出了根据本发明实施例的利用概率图模型获得的第二分类标签的流程图。
图7示出了根据本发明实施例的企业负面舆情数据的关系示意图。
图8示意性示出了根据本发明又一些实施例的基于企业舆情信息的风险预警的方法的流程图。
图9示意性示出了根据本发明实施例的基于企业舆情信息的风险预警的装置的结构框图。
图10示意性示出了根据本发明又一些实施例的基于企业舆情信息的风险预警的装置的结构框图。
图11示意性示出了根据本发明实施例的适于实现基于企业舆情信息的风险预警方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本发明的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
首先,对本文中记载的技术术语作如下解释和说明。
深度学习模型:深度学习模型是一种计算机模型,它模拟了生物深度学习的结构和功能,可以用来解决各种问题,如分类、回归、图像处理和自然语言处理等。它由许多人工神经元组成,这些神经元通过连接形成层,可以通过学习输入和输出数据之间的关系来进行预测。
BERT模型:一种预训练自然语言处理模型,其采用双向编码器的方法进行训练,可以学习句子中的上下文信息,从而能够更好地理解语义和语法。BERT模型的优点在于其预训练阶段可以使用大规模的数据集进行训练,而且可以将其应用到各种不同的自然语言处理任务中,从而大大提高了模型的通用性和适用性。
机器学习:一种人工智能技术,通过给计算机系统提供数据和指导,使其能够自动学习和改进算法,从而完成特定任务。机器学习可以通过分析数据和模式来识别并学习有关某个主题或领域的知识,并使用这些知识来做出预测。
决策树:指一种用于分类和预测的机器学习算法,其类似于一颗树形结构,由节点和边组成。在决策树中,每个节点代表一个特征或属性,每条边代表该属性的可能取值,每个叶子节点代表一个分类或预测结果。决策树算法的主要目标是在给定数据集的情况下,通过选择合适的属性和属性值来构建一颗具有最好分类性能的决策树,算法的基本思想是通过不断地划分数据集,使得每个子集内的数据尽可能属于同一类别或具有相似的特性。
专家规则模型:指基于专家知识和经验的人工智能模型,它利用人类专家的知识和经验来构建规则,用于解决特定领域的问题。该模型通常由领域专家或领域知识工作者开发,他们在特定领域具有深厚的知识和经验。
概率图模型:利用图形化方式表示随机变量之间的条件依赖关系。概率图模型是一种统计学习方法,通过将变量之间的关系表示为一个图,可以方便地进行概率推断和决策分析。概率图模型分为两种类型:有向图和无向图。有向图表示变量间的因果关系,也称为贝叶斯网络,无向图表示变量间的相关关系,也称为马尔科夫网络。概率图模型通常由两个要素组成,节点和边。节点代表随机变量,边则表示变量间的依赖关系。这些依赖关系可以是直接相互作用的,也可以是间接的,通过其他变量来传递。概率图模型的主要优势为可以通过推断来估计变量的概率分布,而不仅仅依赖于数据本身。
在金融领域中,随着国际国内形势复杂严峻,经济下行压力加大,使得债券市场信用风险分化加剧,债券市场进入违约常态化阶段。债券违约是指发行债券的发行方无法按照合同规定履行偿付债券本息的义务,或者逾期还款超过规定的宽限期,导致债券投资者无法按照约定获得应得的本息收益或者本金回收。因此,对于发行方进行债券违约预测至关重要,通过对发行方的财务状况、经营状况、行业风险等因素进行分析,可以预测其债券违约的概率和可能的违约程度,从而保护相关的金融机构自有与代客投资的资产安全,防范债券违约风险。
当前对于企业风险预警的模型构建,通常直接采用对历史舆情信息进行特征提取的方式,而这样的方法容易在特征提取的过程中造成信息损失;同时,上述方法未对企业舆情信息进行充分的挖掘和分析,导致模型训练效果和实际应用效果相差较大,从而无法有效实现向金融机构实现对未来一段时间内债券违约概率较大的企业的预警。
基于此,本发明的实施例提供一种基于企业舆情信息的风险预警的方法,所述方法包括:采集企业的第一舆情信息并进行预处理操作,获得第一舆情数据;基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;基于所述第一舆情标签和债券违约预警模型获得第一预警清单,其中,所述债券违约预警模型为基于第二舆情标签和企业的债券违约数据预先训练得到的,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的;以及基于所述第一预警清单,返回债券违约概率大于P的企业,其中,P为预设值。在根据本发明实施例的方法中,通过设置预先训练的舆情标签抽取模型,能够在很大程度上减少原始舆情信息在信息抽取过程中的损失,从而更准确地标注文本中的实体或其他语言单位,提高标注和预测的准确率,使得预测结果更为真实可信。
需要说明的是,本发明确定的基于企业舆情信息的风险预警的方法、装置、设备和介质可用于大数据技术领域和人工智能技术领域,也可用于金融领域,还可以用于除大数据技术领域、人工智能技术领域以及金融领域之外的多种领域。本发明的实施例提供的基于企业舆情信息的风险预警的方法、装置、设备和介质的应用领域不做限定。
图1示意性示出了根据本发明实施例的基于企业舆情信息的风险预警的方法、装置、设备、介质的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的基于企业舆情信息的风险预警的方法一般可以由服务器105执行。相应地,本发明实施例所提供的基于企业舆情信息的风险预警的装置一般可以设置于服务器105中。本发明实施例所提供的基于企业舆情信息的风险预警的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的基于企业舆情信息的风险预警的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图8对本发明的实施例提供的基于企业舆情信息的风险预警的方法进行详细描述。
图2示意性示出了根据本发明实施例的基于企业舆情信息的风险预警的方法的流程图。
如图2所示,该实施例的基于企业舆情信息的风险预警的方法200可以包括操作S210~操作S240。
在操作S210,采集企业的第一舆情信息并进行预处理操作,获得第一舆情数据。
在本发明的实施例中,所述采集第一舆情信息并进行预处理操作,获得第一舆情数据,具体包括:在第一预设时间范围内采集第一舆情信息,所述第一舆情信息包括在所述第一预设时间范围内从新闻网站、企业官网、社交媒体平台、行业论坛和舆情信息收集渠道获取的企业舆情文本信息;以及将所述第一舆情信息进行第一预处理,其中,包括信息去重和字符乱码处理。
在本发明的实施例中,第一预设时间范围可以根据金融机构违约预警的需要,采集近一个月、近一个季度、近半年或近一年各企业的舆情信息,以体现“最新的企业舆情信息”。
在本发明的实施例中,第一舆情信息的获取方式可以包括以下内容:社交媒体平台,通过关注各种社交媒体平台上的有关话题和事件的账号,如微信公众号、新浪微博等,这些平台也提供实时搜索功能,可以根据关键词来查找相关的舆情信息;新闻网站,新闻网站通常会及时报道事件和话题;舆情监测工具,舆情检测工具可以帮助追踪和分析舆情事件的发展和趋势,一些知名的舆情监测工具包括百度指数、谷歌趋势和新浪指数等;行业资讯机构,一些专业的行业资讯机构会定期发布行业报告和舆情分析报告,可以通过这些报告来了解行业趋势和舆情动态;网络论坛和社区,网络论坛和社区通常是人们交流意见和观点的地方,可以通过关注一些与舆情事件相关的论坛和社区来了解舆情动态。需要说明的是,此处列举的舆情信息获取渠道仅为示例性的,不意图限制本发明实施例中舆情数据的包括范围,即,本发明实施例中的第一舆情数据还可以从其他的渠道中获取。
在本发明的实施例中,可以使用数据处理软件或编程语言(例如,Python或R)的去重函数和替换函数实现第一舆情信息的第一预处理,也可以基于自然语言处理(NLP)技术处理和清理舆情数据。NLP可以识别和纠正拼写错误、处理词形变化等问题,进一步提高数据的准确性和可读性。数据清洗时整个流程中非常关键的一个环节,在数据清洗的过程中,需要对文本数据进行去重、去燥,过滤到一些无意义的信息,这样可以提高后续分词效率和准确性。
在操作S220,基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的。
根据本发明的实施例,所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,应理解为,通过所述舆情标签抽取模型,从所述第一舆情数据中抽取所述第一舆情数据对应的关键标签,作为第一舆情标签。
在本发明的实施例中,所述基于第二舆情信息预先训练得到所述舆情标签抽取模型,具体包括:在第二预设时间范围内采集第二舆情信息,所述第二舆情信息包括在所述第二预设时间范围内从新闻网站、企业官网、社交媒体平台、行业论坛和舆情信息收集渠道获取的企业舆情文本信息,将所述第二舆情信息进行第二预处理,其中,包括信息去重和字符乱码处理;以及基于所述第二舆情数据和深度学习模型,获得所述舆情标签抽取模型。
在本发明的实施例中,第二预设时间范围可以根据金融机构违约预警的需要,采集历史年度和/或历史时间段企业的舆情信息,以体现“历史企业舆情信息”。
在本发明的实施例中,第二舆情信息的获取方式与第一舆情信息的获取方式类似,在此不再赘述。
在本发明的实施例中,第二舆情信息的第二预处理方式与第一舆情信息的第一预处理方式类似,在此不再赘述。
图3示意性示出了根据本发明实施例的获得舆情标签抽取模型的流程图。
在本发明的实施例中,所述基于所述第二舆情数据和深度学习模型,获得所述舆情标签抽取模型,具体地,可以包括操作S310~S360。
在操作S310,基于所述第二舆情数据,执行输入预处理操作,包括分词处理,并利用人工标注获取对应的关键标签。
在本发明的实施例中,为了提高模型的准确性,确保模型实现良好的性能,通常采用人工的方式对舆情数据的相关内容进行标注,所述人工标注的具体过程包括:定义关键标签,包括舆情种类、舆情一级标签和舆情二级标签;标注数据,对于每一个需要标注的文本,人工标注对应的标签;以及数据验证,对于标注后的数据进行验证,确保每个文本都被正确标注了相应的标签。
在本发明的实施例中,可以通过以下内容进行关键标签的人工标注:舆情种类可以包括负面新闻、负面公告和异常交易;舆情一级标签可以包括融资相关、经营相关、定期公告、市场预警、经营预警、财务预警、信用预警、监督相关、管理预警、监管预警、中介相关、灾害预警、司法预警和其他标签;舆情二级标签可以具有两个维度,包括违约率和舆情发生后距离发生违约的时间长短,具体地,可以为:违约率高/违约快、违约率高/违约慢、违约率低/违约快和违约率低/违约慢。
在操作S320,对所述第二舆情数据和所述对应的关键标签进行编码,获取第一训练样本集和第一测试样本集。
在操作S330,构建预训练舆情标签抽取模型,添加分类层。
在操作S340,预训练舆情标签抽取模型训练步骤,随机初始化所述预训练舆情标签抽取模型的参数,基于所述第一训练样本集选择第一损失函数训练所述预训练舆情标签抽取模型,利用梯度下降算法,计算所述第一损失函数相对于所述预训练舆情标签抽取模型的参数的梯度。
在操作S350,中间舆情标签抽取模型确定步骤,如果所述梯度未达到收敛值N,则调整所述预训练舆情标签抽取模型的参数,重复执行预训练舆情标签抽取模型训练步骤,直到所述梯度达到收敛值N,以获得中间舆情标签抽取模型,其中,N为预设值。
在操作S360,基于所述第一测试样本集和第一模型评估性能指标评估所述中间舆情标签抽取模型的性能效果,当所述中间舆情标签抽取模型的性能效果不符合所述第一模型评估性能指标,则重新执行所述预训练舆情标签抽取模型训练步骤和所述中间舆情标签抽取模型确定步骤,以最终构建舆情标签抽取模型。
在本发明的实施例中,所述第一模型评估性能指标包括准确率、召回率、AUC、AUPRC、F-score或业务指标。
在本发明的实施例中,可以采用BERT模型实现上述过程舆情标签抽取模型的构建,以确保模型抽取标签的准确性。模型训练和评估过程,即操作S340~操作S360,遵循损失函数设计、参数拟合和指标评估的过程。其中,所述第一损失函数为交叉熵、F1 Score和Margin Ranking中的一种。
在本发明的实施例中,例如,选择交叉熵函数训练所述预训练舆情标签抽取模型。具体地,设模型输出为y,真实标签为t,则交叉熵损失函数可以表示为:
其中,i表示标签的索引,ti表示真实标签的第i个元素,yi表示模型输出的第i个元素。交叉熵损失函数的作用是衡量模型输出的概率分布之间的差距,越小表示模型的预测结果越接近真实标签。
模型的损失函数可以定义为所有训练样本的交叉熵损失函数的平均值,即:
其中,θ表示模型的参数,L(y(i),t(i))则表示第i条舆情数据的交叉熵损失函数。模型的参数可以通过梯度下降算法来更新,即:
其中,α表示学习率,表示损失率在θt处的梯度,表示损失函数对模型参数的变化率。根据链式法则,可以求得交叉熵函数对模型输出的梯度:
因此,损失函数对模型参数θ的梯度可以通过链式法则求解:
其中,是交叉熵函数对模型输出的梯度,而/>则是模型输出对模型参数的梯度,具体地,可以通过反向传播算法进行求解。
在求得损失函数的梯度后,可以利用梯度下降算法来更新模型的参数。具体地,对于每一个训练样本,先计算出损失函数在当前参数下的梯度,然后根据梯度下降算法的更新公式更新模型的参数,重复这个过程直到模型达到预设的收敛值N或达到一定的迭代次数,得到中间舆情标签抽取模型。
根据本发明的实施例,基于所述中间舆情标签抽取模型,可以根据第一测试样本集和第一模型评估性能指标评估其性能效果。例如,选用准确率指标,准确率越高,表示模型预测正确的概率就越高。具体地,将所述第一测试样本集带入所述中间舆情标签抽取模型中,得到输出的预测标签,比较所述预测标签和实际标签,并计算在所有预测标签中预测正确的标签数量与总预测标签数量之比,得到准确率。根据预设的阈值,判断所述准确率是否符合要求,并根据判断结果执行模型训练和评估过程,以最终构建舆情标签抽取模型。
需要说明的是,上述对于损失函数的设计以及利用准确率评估模型性能等选择仅为示例性地,不意图限制本发明实施例中对舆情标签抽取模型的训练和评估过程,即,本发明实施例中的对舆情标签抽取模型的训练和评估过程还可以选择其他的方式。举例来说,准确率是一个非常直观且易于理解的评估指标,但它也有局限性,对于本发明实施例的舆情标签抽取模型的构建来说,准确率只考虑了正确预测标签的数量,而没有考虑其他方面的性能。因此,在评估舆情标签抽取模型的性能时,还应该考虑其他指标,如召回率、F1分数等。
上述操作获取的舆情标签抽取模型能够在极大程度上确保模型抽取标签的准确性,并避免信息丢失。
在操作S230,基于所述第一舆情标签和债券违约预警模型获得第一预警清单,其中,所述债券违约预警模型为基于第二舆情标签和企业的债券违约数据预先训练得到的,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的。
图4示意性示出了根据本发明实施例的获得债券违约预警模型的流程图。
在本发明的实施例中,所述基于第二舆情标签和企业的债券违约数据预先训练得到债券违约预警模型,具体包括操作S410~操作S450。
在操作S410,风险标签确定步骤,基于企业的债券违约数据,获得企业风险标签。
在本发明的实施例中,使用公开市场上企业债券违约数据,构造企业风险标签,并作为企业的风险评价。
在操作S420,样本集确定步骤,基于所述企业风险标签,获取第二训练样本集和第二测试样本集,其中,样本粒度为企业/抽样日期。
具体地,可以以“企业+抽样日期”为样本粒度。针对某家企业,选取一抽样日期,要求该企业需在抽样日期前未发生过债券违约现象;设置所述抽样日期至抽样日期后T个月期间作为该样本的“表现期”。该企业若在“表现期”中出现债券违约,则将该条样本标记为“黑样本”(label=1),否则标记为“白样本”(label=0),由此,建立第二训练样本集和第二测试样本集。
在操作S430,特征工程,基于所述样本集确定步骤和所述第二舆情标签的第二舆情种类、第二舆情一级标签和第二舆情二级标签,结合在第W时间窗口内所述第二舆情种类的发生数量、频度、最后一次发生、最早一次发生进行企业风险特征的构建,其中,W为预设值。例如,可以在某时间窗口内统计第二舆情发生数量,包含以下内容:多少条舆情、有多少天发生了舆情和发生了多少种舆情;发生频率,包括:本次舆情日与上次舆情日的天数差、本次舆情日与上上次舆情日的天数差;最近一次舆情日,包括:发生的舆情种类、与上次舆情日的天数差、与上上次舆情日的天数差;以及最远一次舆情日,包括:发生的舆情种类、与上次舆情日的天数差、与上上次舆情日的天数差。
根据本发明的实施例,在特征工程的构建过程中,主要刻画企业在不同时间窗口内舆情信息中的各舆情种类、舆情一级标签、舆情二级标签的发生频率情况;所述时间窗口可以理解为在一定时间范围内的某个时间段。
根据本发明的实施例,在特征工程的构建过程中,还包括利用专家规则模型和概率图模型分别获得的第一分类标签和第二分类标签进行特征的构建。具体地,基于所述第二舆情标签和所述企业风险标签,利用专家规则模型获得第一分类标签;基于所述第二舆情标签和所述企业风险标签,利用概率图模型获得第二分类标签;以及基于所述第一分类标签,所述第二分类标签和所述第二舆情标签,结合在第W时间窗口内所述第二舆情种类的发生数量、频度、最后一次发生、最早一次发生进行企业风险特征的构建。所述第一分类标签和所述第二分类标签反映了违约企业的高危情况,在对企业是否发生过相应的高危舆情进行判断同时也统计其发生频率情况。
图5示出了根据本发明实施例的利用专家规则模型获得的第一分类标签的流程图。
根据本发明的实施例,基于所述第二舆情标签和所述企业风险标签,利用专家规则模型获得第一分类标签,具体包括操作S510~操作S530。
在操作S510,基于所述第二舆情标签和所述企业风险标签,统计企业在所述第二舆情种类发生后的债券违约率。
在操作S520,统计债券违约速率,其中,所述债券违约速率为各企业在所述第二舆情种类首次发生距离所述企业风险标签首次发生的天数差。
在操作S530,基于预警规则输出第一分类标签,其中,所述预警规则为预先制定的。
在本发明的实施例中,将结合实际的应用需求,制定相应的预警规则:如,为了增强债券违约预警的前瞻性,对发生了债券违约率中高、债券违约速率慢(天数差大)的舆情标签的企业进行预警;为了增强债券违约预警的准确性,对发生了债券违约率高、不论什么样的违约速率的舆情标签的企业进行预警。利用专家规则模型,提供准确性高、可控性强的结果,以优化特征提取的过程。
在本发明的实施例中,所述第一分类标签可以输出为高/中/低危舆情标签。
图6示出了根据本发明实施例的利用概率图模型获得的第二分类标签的流程图。
根据本发明的实施例,所述基于所述第二舆情标签和所述企业风险标签,利用概率图模型获得第二分类标签,具体包括操作S610~操作S630。
在操作S610,基于所述第二舆情标签和所述企业风险标签,获得目标对象网络图。
在操作S620,基于所述目标对象网络图,利用因果分析算法,获得所述第二舆情种类对债券违约影响的推断概率。
在操作S630,基于所述推断概率的排序,输出第二分类标签。
在本发明的实施例中,所述概率图模型为通过一种图结构学习算法学习得到各图节点之间的相互指向边关系的模型。其中,图结构学习方法基于约束的贝叶斯网络结构学习方法(也称为依赖分析的方法或基于条件独立性测试的方法),通常利用统计或信息论的方法定量分析变量间的依赖关系,以获取最优地表达这些关系地网络结构。
具体地,根据本发明的实施例,概率图模型的构建可以涉及以下步骤:对训练数据集进行统计测试,尤其是条件独立性测试,确定变量之间的条件独立性;利用变量之间的条件独立性,构造有向无环图,以尽可能多地涵盖这些条件独立性;根据最终的损失评价函数最小化的原则进行图结构学习,以在生成的全部图结构中找到最优的因果图结构。利用概率图模型,能够提供可解释性强的结果,并能够输出舆情标签对实际违约的影响程度,以优化特征提取的过程。
图7示出了根据本发明实施例的企业负面舆情数据的关系示意图。
根据本发明的实施例,如图7所示,对于图示的企业负面舆情数据,可以基于每一个对实际违约舆情做因果分析。例如,利用因果推理算法,假设股价暴跌没发生,可以得到一个在没有发生股价暴跌情况下,发生实际违约的推断概率;假设股价暴跌发生频率较低,可以得到一个在股价暴跌发生频率较低的情况下,发生实际违约的推断概率;然后依次求得股价暴跌舆情中频和高频发生时,发生实际违约的推断概率,然后基于这些概率综合分析股价暴跌对于实际违约的影响程度。同理,其他负面舆情依次分析,最后进行整体上的概率排序。借助该模型,也可以根据各舆情标签对于实际违约的影响程度,输出第二分类标签。
在本发明的实施例中,所述第二分类标签可以输出为高/中/低危舆情标签。
在操作S440,中间债券违约预警模型确定步骤,基于第一决策树模型对所述第二训练样本集进行训练,得到中间债券违约预警模型。
在本发明的实施例中,所述第一决策树模型为LightGBM模型,XGBoost模型以及CatBoost模型中的一种。
根据本发明的实施例,以LightGBM模型为例,模型的训练过程是一个迭代优化的过程,每次迭代都会优化模型的参数,使得模型的预测效果更好。模型优化的目标是最小化损失函数。具体地,模型训练的过程中会在每一次迭代中生成一个新的决策树,并将这棵树加入到模型中,生成这棵树的过程是通过梯度下降算法以最小化损失函数。而所述通过梯度下降算法以最小化损失函数的过程与操作S340~S350类似,在此不再赘述。
在操作S450,基于第二测试样本集和第二模型评估性能指标评估所述中间债券违约预警模型的性能效果M,当M不符合预设指标,则重新执行所述样本集确定步骤、所述特征工程、所述中间债券违约预警模型确定步骤,以最终构建债券违约预警模型。
在本发明的实施例中,所述第二模型评估性能指标包括准确率、召回率、AUC、AUPRC、F-score或业务指标。
在本发明的实施例中,所述操作S450与上述操作S360类似,在此不再赘述。
通过机器学习模型构建债券违约预警模型,能够提高企业风险预测的准确性和实时性,从而帮助金融机构识别潜在的风险,并采取相应的措施来避免或减轻风险的影响。
在操作S240,基于所述第一预警清单,输出债券违约概率大于P的企业,其中,P为预设值。
在本发明的实施例中,P为人为设定的概率值,随着市场和经济环境的变化而不断变化,反映了发生债券违约概率可能性较大的企业。
图8示意性示出了根据本发明又一些实施例的基于企业舆情信息的风险预警的方法的流程图。
如图8所示,该实施例的基于企业舆情信息的风险预警的方法800可以包括操作S810~操作S850。
在操作S810,采集企业的第一舆情信息并进行预处理操作,获得第一舆情数据。
在操作S820,基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的。
在操作S830,基于第二舆情标签和企业的债券违约数据,利用专家规则模型获得第一分类标签,和/或利用概率图模型获得第二分类标签,其中,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的。
在操作S840,将所述第一分类标签和所述第二分类标签求并集,获得第一预警清单。
在操作S850,基于所述第一预警清单,输出债券违约概率大于P的企业,其中,P为预设值。
在本发明的实施例中,利用专家规则模型获得第一分类标签的过程与操作S510~S530类似;利用概率图模型获得第二分类标签的过程与操作S610~S630类似,在此均不再赘述。
在本发明的实施例中,通过专家规则和概率图模型能够直接输出高危标签实现预警,简化了预警过程,并且简单直观。
本发明提出的一种基于企业舆情信息的风险预警的方法,可以在很大程度上减少原始舆情信息在信息抽取过程中的损失,从而更准确地标注文本中的实体或其他语言单位,提高标注和预测的准确率,使得预测结果更为真实可信。进一步地,通过机器学习模型基于舆情标签建立的预警模型,能够输出未来一段时间内债券违约概率较大的企业预警清单,从而帮助金融机构识别潜在的风险,并采取相应的措施来避免或减轻风险的影响。
图9示意性示出了根据本发明实施例的基于企业舆情信息的风险预警的装置的结构框图。
如图9所示,根据该实施例的基于企业舆情信息的风险预警的装置900包括第一舆情信息采集模块910、第一舆情标签获取模块920、和第一预警清单获取模块930。
第一舆情信息采集模块910可以用于采集企业的第一舆情信息并进行预处理操作,获得第一舆情数据。在一实施例中,第一舆情信息采集模块910可以用于执行前文描述的操作S210,在此不再赘述。
第一舆情标签获取模块920可以用于基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的。在一实施例中,第一舆情标签获取模块920可以用于执行前文描述的操作S220,在此不再赘述。
第一预警清单获取模块930可以用于基于所述第一舆情标签和债券违约预警模型获得第一预警清单,其中,所述债券违约预警模型为基于第二舆情标签和企业的债券违约数据预先训练得到的,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的,基于所述第一预警清单,返回债券违约概率大于P的企业,其中,P为预设值。在一实施例中,第二黑产用户网络获取模块930可以用于执行前文描述的操作S230~S240,在此不再赘述。
根据本发明的实施例,所述第一舆情信息采集模块910包括:第一舆情信息采集单元,用于在第一预设时间范围内采集第一舆情信息,所述第一舆情信息包括在所述第一预设时间范围内从新闻网站、企业官网、社交媒体平台、行业论坛和舆情信息收集渠道获取的企业舆情文本信息;以及第一预处理单元,用于将所述第一舆情信息进行第一预处理,其中,包括信息去重和字符乱码处理。
根据本发明的实施例,所述第一舆情标签获取模块920包括:第二舆情信息采集单元,用于在第二预设时间范围内采集第二舆情信息,所述第二舆情信息包括在所述第二预设时间范围内从新闻网站、企业官网、社交媒体平台、行业论坛和舆情信息收集渠道获取的企业舆情文本信息,将所述第二舆情信息进行第二预处理,其中,包括信息去重和字符乱码处理;以及舆情标签抽取模型获取模块。
根据本发明的实施例,所述舆情标签抽取模型获取模块包括:输入预处理单元、编码单元、预训练舆情标签抽取模型构建单元、预训练舆情标签抽取模型训练单元、中间舆情标签抽取模型确定单元和舆情标签抽取模型确定单元。
输入预处理单元用于基于所述第二舆情数据,执行输入预处理操作,包括分词处理,并利用人工标注获取对应的关键标签。
编码单元用于对所述第二舆情数据和所述对应的关键标签进行编码,获取第一训练样本集和第一测试样本集。
预训练舆情标签抽取模型构建单元用于构建预训练舆情标签抽取模型,添加分类层。
预训练舆情标签抽取模型训练单元用于随机初始化所述预训练舆情标签抽取模型的参数,基于所述第一训练样本集选择第一损失函数训练所述预训练舆情标签抽取模型,利用梯度下降算法,计算所述第一损失函数相对于所述预训练舆情标签抽取模型的参数的梯度。
如果所述梯度未达到收敛值N,中间舆情标签抽取模型确定单元用于调整所述预训练舆情标签抽取模型的参数,重复执行所述预训练舆情标签抽取模型训练,直到所述梯度达到收敛值N,以获得中间舆情标签抽取模型,其中,N为预设值。
舆情标签抽取模型确定单元用于基于所述第一测试样本集第一模型评估性能指标评估所述中间舆情标签抽取模型的性能效果,当所述中间舆情标签抽取模型的性能效果不符合所述第一模型评估性能指标,则重新执行所述预训练舆情标签抽取模型训练步骤和所述中间舆情标签抽取模型确定步骤,以最终构建舆情标签抽取模型,其中,所述第一模型评估性能指标包括准确率、召回率、AUC、AUPRC、F-score或业务指标。
根据本发明的实施例,所述第一预警清单获取模块930包括债券违约预警模型获取模块和第一预警清单输出单元。
根据本发明的实施例,所述债券违约预警模型获取模块包括:风险标签确定单元、样本集确定单元、特征工程单元、中间债券违约预警模型确定单元和债券违约预警模型确定单元。
风险标签确定单元用于基于企业的债券违约数据,获得企业风险标签。
样本集确定单元用于基于所述企业风险标签,获取第二训练样本集和第二测试样本集,其中,样本粒度为企业/抽样日期。
特征工程单元用于基于所述第二舆情标签的第二舆情种类、第二舆情一级标签和第二舆情二级标签,结合在第W时间窗口内所述第二舆情种类的发生数量、频度、最后一次发生、最早一次发生进行企业风险特征的构建,其中,W为预设值。
中间债券违约预警模型确定单元用于基于第一决策树模型对所述第二训练样本集进行训练,得到中间债券违约预警模型。
债券违约预警模型确定单元用于基于第二模型评估性能指标评估所述中间债券违约预警模型的性能效果M,当M不符合预设指标,则重新执行所述样本集确定步骤、所述特征工程、所述中间债券违约预警模型确定步骤,以最终构建债券违约预警模型,其中,所述第二模型评估性能指标包括准确率、召回率、AUC、AUPRC、F-score或业务指标。
根据本发明的实施例,所述债券违约预警模型获取模块还包括第一分类标签获取模块和第二分类标签获取模块。
第一分类标签获取模块用于基于所述第二舆情标签和所述企业风险标签,利用专家规则模型获得第一分类标签。所述第一分类标签获取模块包括:债券违约率统计单元,用于基于所述第二舆情标签和所述企业风险标签,统计企业在所述第二舆情种类发生后的债券违约率;债券违约速率统计单元,统计债券违约速率,其中,所述债券违约速率为各企业在所述第二舆情种类首次发生距离所述企业风险标签首次发生的天数差;以及第一分类标签输出单元,用于基于预警规则输出第一分类标签,其中,所述预警规则为预先制定的。
第二分类标签获取模块用于基于所述第二舆情标签和所述企业风险标签,利用概率图模型获得第二分类标签。所述第二分类标签获取模块包括:目标对象网络图获取单元,用于基于所述第二舆情标签和所述企业风险标签,获得目标对象网络图;因果分析单元,用于基于所述目标对象网络图,利用因果分析算法,获得所述第二舆情种类对债券违约影响的推断概率;以及第二分类标签输出单元,用于基于所述推断概率的排序,输出第二分类标签。
图10示意性示出了根据本发明又一些实施例的基于企业舆情信息的风险预警的装置的结构框图。
如图10所示,根据该实施例的基于企业舆情信息的风险预警的装置1000包括第一舆情信息采集模块1010、第一舆情标签获取模块1020、分类标签获取模块1030和第一预警清单获取模块1040。
第一舆情信息采集模块1010和第一舆情标签获取模块1020与第一舆情信息采集模块910和第一舆情标签获取模块920类似,在此不再赘述。
根据本发明的实施例,分类标签获取模块1030用于基于第二舆情标签和企业的债券违约数据,利用专家规则模型获得第一分类标签,和/或利用概率图模型获得第二分类标签,其中,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的。在一实施例中,分类标签获取模块1030可以用于执行前文描述的操作S830,在此不再赘述。
根据本发明的实施例,第一预警清单获取模块1040用于将所述第一分类标签和所述第二分类标签求并集,获得第一预警清单;以及基于所述第一预警清单,输出债券违约概率大于P的企业,其中,P为预设值。在一实施例中,第一预警清单获取模块1040可以用于执行前文描述的操作S840~S850,在此不再赘述。
图11示意性示出了根据本发明实施例的适于实现基于企业舆情信息的风险预警方法的电子设备的方框图。
如图11所示,根据本发明实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、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。在本发明中,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。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的方法。
在该计算机程序被处理器1101执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器11 01执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (17)
1.一种基于企业舆情信息的风险预警的方法,其特征在于,所述方法包括:
采集各企业的第一舆情信息并进行预处理操作,获得第一舆情数据;
基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;
基于所述第一舆情标签和债券违约预警模型获得第一预警清单,其中,所述债券违约预警模型为基于第二舆情标签和企业的债券违约数据预先训练得到的,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的;以及
基于所述第一预警清单,输出债券违约概率大于P的企业,其中,P为预设值。
2.根据权利要求1所述的方法,其特征在于,所述采集第一舆情信息并进行预处理操作,获得第一舆情数据,具体包括:
在第一预设时间范围内采集第一舆情信息,所述第一舆情信息包括在所述第一预设时间范围内从新闻网站、企业官网、社交媒体平台、行业论坛和舆情信息收集渠道获取的企业舆情文本信息;以及
将所述第一舆情信息进行第一预处理,其中,所述第一预处理包括信息去重和字符乱码处理。
3.根据权利要求1所述的方法,其特征在于,所述基于第二舆情信息预先训练得到所述舆情标签抽取模型,具体包括:
在第二预设时间范围内采集第二舆情信息,所述第二舆情信息包括在所述第二预设时间范围内从新闻网站、企业官网、社交媒体平台、行业论坛和舆情信息收集渠道获取的企业舆情文本信息,将所述第二舆情信息进行第二预处理,其中,所述第二预处理包括信息去重和字符乱码处理;以及
基于所述第二舆情数据和深度学习模型,获得所述舆情标签抽取模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第二舆情数据和深度学习模型,获得所述舆情标签抽取模型,具体包括:
基于所述第二舆情数据,执行输入预处理操作,包括分词处理,并利用人工标注获取对应的关键标签;
对所述第二舆情数据和所述对应的关键标签进行编码,获取第一训练样本集和第一测试样本集;
构建预训练舆情标签抽取模型,添加分类层;
预训练舆情标签抽取模型训练步骤:随机初始化所述预训练舆情标签抽取模型的参数,基于所述第一训练样本集选择第一损失函数训练所述预训练舆情标签抽取模型,利用梯度下降算法,计算所述第一损失函数相对于所述预训练舆情标签抽取模型的参数的梯度;
中间舆情标签抽取模型确定步骤:如果所述梯度未达到收敛值N,则调整所述预训练舆情标签抽取模型的参数,重复执行所述预训练舆情标签抽取模型训练步骤,直到所述梯度达到收敛值N,以获得中间舆情标签抽取模型,其中,N为预设值;以及
基于所述第一测试样本集第一模型评估性能指标评估所述中间舆情标签抽取模型的性能效果,当所述中间舆情标签抽取模型的性能效果不符合所述第一模型评估性能指标,则重新执行所述预训练舆情标签抽取模型训练步骤和所述中间舆情标签抽取模型确定步骤,以最终构建舆情标签抽取模型。
5.根据权利要求4所述的方法,其特征在于,所述第一损失函数为交叉熵、F1 Score和Margin Ranking中的一种。
6.根据权利要求1~5中任一项所述的方法,所述第一舆情标签包括第一舆情种类,第一舆情一级标签和第一舆情二级标签;所述第二舆情标签包括第二舆情种类,第二舆情一级标签和第二舆情二级标签。
7.根据权利要求1所述的方法,其特征在于,所述基于第二舆情标签和企业的债券违约数据预先训练得到债券违约预警模型,具体包括:
风险标签确定步骤:基于企业的债券违约数据,获得企业风险标签;
样本集确定步骤:基于所述企业风险标签,获取第二训练样本集和第二测试样本集,其中,样本粒度为企业/抽样日期;
特征工程:基于所述第二舆情标签的第二舆情种类、第二舆情一级标签和第二舆情二级标签,结合在第W时间窗口内所述第二舆情种类的发生数量、频度、最后一次发生、最早一次发生进行企业风险特征的构建,其中,W为预设值;
中间债券违约预警模型确定步骤:基于第一决策树模型对所述第二训练样本集进行训练,得到中间债券违约预警模型;以及
基于第二测试样本集和第二模型评估性能指标评估所述中间债券违约预警模型的性能效果M,当M不符合预设指标,则重新执行所述样本集确定步骤、所述特征工程、所述中间债券违约预警模型确定步骤,以最终构建债券违约预警模型。
8.根据权利要求7所述的方法,其特征在于,所述第一决策树模型为LightGBM模型,XGBoost模型以及CatBoost模型中的一种。
9.根据权利要求7所述的方法,其特征在于,所述方法还具体包括:
基于所述第二舆情标签和所述企业风险标签,利用专家规则模型获得第一分类标签;
基于所述第二舆情标签和所述企业风险标签,利用概率图模型获得第二分类标签;以及
基于所述第一分类标签,所述第二分类标签和所述第二舆情标签,结合在第W时间窗口内所述第二舆情种类的发生数量、频度、最后一次发生、最早一次发生进行企业风险特征的构建。
10.根据权利要求9所述的方法,其特征在于,所述基于所述第二舆情标签和所述企业风险标签,利用专家规则模型获得第一分类标签,具体包括:
基于所述第二舆情标签和所述企业风险标签,统计企业在所述第二舆情种类发生后的债券违约率;
统计债券违约速率,其中,所述债券违约速率为各企业在所述第二舆情种类首次发生距离所述企业风险标签首次发生的天数差;以及
基于预警规则输出第一分类标签,其中,所述预警规则为预先制定的。
11.根据权利要求9所述的方法,其特征在于,所述基于所述第二舆情标签和所述企业风险标签,利用概率图模型获得第二分类标签,具体包括:
基于所述第二舆情标签和所述企业风险标签,获得目标对象网络图;
基于所述目标对象网络图,利用因果分析算法,获得所述第二舆情种类对债券违约影响的推断概率;以及
基于所述推断概率的排序,输出第二分类标签。
12.一种基于企业舆情信息的风险预警的方法,其特征在于,所述方法包括:
采集企业的第一舆情信息并进行预处理操作,获得第一舆情数据;
基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;
基于第二舆情标签和企业的债券违约数据,利用专家规则模型获得第一分类标签,和/或利用概率图模型获得第二分类标签,其中,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的;
将所述第一分类标签和所述第二分类标签求并集,获得第一预警清单;以及
基于所述第一预警清单,输出债券违约概率大于P的企业,其中,P为预设值。
13.一种基于企业舆情信息的风险预警的装置,其特征在于,所述装置包括:
第一舆情信息采集模块,用于:采集企业的第一舆情信息并进行预处理操作,获得第一舆情数据;
第一舆情标签获取模块,用于:基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;
第一预警清单获取模块,用于:基于所述第一舆情标签和债券违约预警模型获得第一预警清单,其中,所述债券违约预警模型为基于第二舆情标签和企业的债券违约数据预先训练得到的,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的,基于所述第一预警清单,返回债券违约概率大于P的企业,其中,P为预设值。
14.一种基于企业舆情信息的风险预警的装置,其特征在于,所述装置包括:
第一舆情信息采集模块,用于:采集企业的第一舆情信息并进行预处理操作;
第一舆情标签获取模块,用于:基于所述第一舆情数据和舆情标签抽取模型,获得第一舆情标签,其中,所述舆情标签抽取模型为基于第二舆情数据预先训练得到的;
分类标签获取模块,用于:基于第二舆情标签和企业的债券违约数据,利用专家规则模型获得第一分类标签,和/或利用概率图模型获得第二分类标签,其中,所述第二舆情标签是基于所述第二舆情数据和所述舆情标签抽取模型得到的;
第一预警清单获取模块,用于:将所述第一分类标签和所述第二分类标签求并集,获得第一预警清单,基于所述第一预警清单,返回债券违约概率大于P的企业,其中,P为预设值。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~12中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~12中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720890.2A CN116596662A (zh) | 2023-06-16 | 2023-06-16 | 基于企业舆情信息的风险预警的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720890.2A CN116596662A (zh) | 2023-06-16 | 2023-06-16 | 基于企业舆情信息的风险预警的方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596662A true CN116596662A (zh) | 2023-08-15 |
Family
ID=87590032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310720890.2A Pending CN116596662A (zh) | 2023-06-16 | 2023-06-16 | 基于企业舆情信息的风险预警的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596662A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573814A (zh) * | 2024-01-17 | 2024-02-20 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、系统以及存储介质 |
-
2023
- 2023-06-16 CN CN202310720890.2A patent/CN116596662A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117573814A (zh) * | 2024-01-17 | 2024-02-20 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、系统以及存储介质 |
CN117573814B (zh) * | 2024-01-17 | 2024-05-10 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、系统以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10255550B1 (en) | Machine learning using multiple input data types | |
Liang et al. | Analyzing credit risk among Chinese P2P-lending businesses by integrating text-related soft information | |
US20220343433A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
Wang et al. | The effect of online investor sentiment on stock movements: an LSTM approach | |
US20210201412A1 (en) | Computer Implemented System for Generating Assurance Related Planning Process and Documents for an Entity and Method Thereof | |
Fu et al. | A sentiment-aware trading volume prediction model for P2P market using LSTM | |
GIWA | OVER THE COUNTER STOCKS DATA ACQUISITION & ANALYSIS WITH TIME SERIES PREDICTION | |
CN116383399A (zh) | 一种事件舆情风险预测方法及系统 | |
CN116596662A (zh) | 基于企业舆情信息的风险预警的方法、装置、电子设备和介质 | |
CN116542800A (zh) | 基于云端ai技术的智能化财务报表分析系统 | |
Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
Gu et al. | Stock prediction based on news text analysis | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
KR102519878B1 (ko) | 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체 | |
Chen | [Retracted] A Study of College Teachers’ English Teaching Quality Based on Fuzzy Neural Network | |
WO2022271431A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
CN114581209A (zh) | 财务分析模型的训练方法、装置、设备及存储介质 | |
Jishtu et al. | Prediction of the stock market based on machine learning and sentiment analysis | |
CN113112299A (zh) | 一种贵金属价格趋势预测方法及装置 | |
Tang et al. | Stock movement prediction: A multi‐input LSTM approach | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
Gao | Natural Language Processing Methods for Risk Identification and Classification in Transit Projects | |
US11854087B1 (en) | Systems and methods for water loss mitigation messaging | |
CN117973627A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
Rudnichenko et al. | Intelligent System for Processing and Forecasting Financial Assets and Risks |
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 |