CN117495548A - 一种风险预警方法、装置、设备及介质 - Google Patents
一种风险预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117495548A CN117495548A CN202311675817.4A CN202311675817A CN117495548A CN 117495548 A CN117495548 A CN 117495548A CN 202311675817 A CN202311675817 A CN 202311675817A CN 117495548 A CN117495548 A CN 117495548A
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- neighborhood
- entity
- target object
- 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 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000002776 aggregation Effects 0.000 claims abstract description 29
- 238000004220 aggregation Methods 0.000 claims abstract description 29
- 238000005295 random walk Methods 0.000 claims abstract description 19
- 230000007704 transition Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001272996 Polyphylla fullo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风险预警方法、装置、设备及介质。该方法包括:基于目标对象的目标对象属性信息构建对应的金融风险知识图谱;采用图卷积神经网络对金融风险知识图谱的邻域特征信息进行拓扑聚合,得到对应的邻域拓扑信息;通过随机游走算法基于金融风险知识图谱内实体节点和边的风险转移概率确定邻域风险信息;对邻域拓扑信息和邻域风险信息进行融合,得到目标对象所对应邻域内每个风险实体的实际风险概率,以对实际风险概率大于预设风险概率阈值的风险实体进行风险预警。本发明解决了现有技术中采用人工方式所导致的人力和时间成本较高,以及误判率较高的技术问题,提高了风险评估质量和效率,进而大大规避了系统的金融风险。
Description
技术领域
本发明涉及金融技术领域,尤其涉及一种风险预警方法、装置、设备及介质。
背景技术
现有技术中的金融风险预警策略是通过人工根据先验知识和规范条例来制定一些规则来判断当前借贷主体是否面临金融资金使用不规范或无法偿还的风险,对金融风险的评估耗时长、效率低,评估面较窄,不易通过评估系统进行整体综合分析,并且容易导致评估人员产生评估疲劳的现象,进而影响评估的准确性和高效性。随着金融数据量的日益庞大,现有技术中的方式需要消耗大量的人力和时间成本,同时,贷款资金的流向也变的更广、更深,采用人工方式难以快速挖掘出在贷款资金流向过程中产生的隐含关联关系,因此难以判断当前金融贷款是否存在较大风险。
发明内容
本发明提供了一种风险预警方法、装置、设备及介质,以解决现有技术中采用人工方式所导致的人力和时间成本较高,以及误判率较高的技术问题。
根据本发明的一方面,提供了一种风险预警方法,包括:
基于目标对象的目标对象属性信息构建对应的金融风险知识图谱;
采用图卷积神经网络对所述金融风险知识图谱的邻域特征信息进行拓扑聚合,得到对应的邻域拓扑信息;
通过随机游走算法基于所述金融风险知识图谱内实体节点和边的风险转移概率确定邻域风险信息;
对所述邻域拓扑信息和所述邻域风险信息进行融合,得到所述目标对象所对应邻域内每个风险实体的实际风险概率,以对所述实际风险概率大于预设风险概率阈值的风险实体进行风险预警。
根据本发明的另一方面,提供了一种风险预警装置,包括:
风险图谱构建模块,用于基于目标对象的目标对象属性信息构建对应的金融风险知识图谱;
信息聚合模块,用于采用图卷积神经网络对所述金融风险知识图谱的邻域特征信息进行拓扑聚合,得到对应的邻域拓扑信息;
特征向量确定模块,用于通过随机游走算法基于所述金融风险知识图谱内实体节点和边的风险转移概率确定邻域风险信息;
风险预警模块,用于对所述邻域拓扑信息和所述邻域风险信息进行融合,得到所述目标对象所对应邻域内每个风险实体的实际风险概率,以对所述实际风险概率大于预设风险概率阈值的风险实体进行风险预警。
根据本发明的另一方面,提供了一种电子设备,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本发明任一实施例所述的风险预警方法。
根据本发明的另一方面,提供了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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风险预警方法。
本发明实施例的技术方案,通过构建目标对象对应的金融风险知识图谱,并采用图卷积神经网络对金融风险知识图谱的邻域特征信息进行分析处理,得到对应的邻域拓扑信息和邻域风险信息,将分析得到的金融风险知识图谱作为实际风险的评估依据,解决了现有技术中采用人工方式所导致的人力和时间成本较高,以及误判率较高的技术问题,提高了风险评估质量和效率,进而大大规避了系统的金融风险。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种风险预警方法的流程图;
图2是本发明实施例提供的另一种风险预警方法的流程图;
图3是本发明实施例提供的又一种风险预警方法的流程图;
图4是本发明实施例提供的一种金融风险知识图谱的构建流程示意图;
图5是本发明实施例提供的一种基于BiLSTM-CRF模型进行特征提取和文本匹配的示意图;
图6是本发明实施例提供的一种金融风险知识图谱的显示示意图;
图7是本发明实施例提供的一种图卷积神经网络的配置示意图;
图8为本发明实施例提供的一种图卷积神经网络分层传播规则的实现示意图;
图9是本发明实施例提供的一种邻域风险信息的提取示意图;
图10是本发明实施例提供的一种风险预警装置的结构示意图;
图11是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“初始”、“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
为了便于对方案的理解,对本发明实施例涉及到的相关术语进行如下解释。
知识图谱:是一种结构化的语义知识库,用于以符号形式描述物理世界中的概念及其相互关系,其基本组成单位是“实体—关系—实体”三元组,以及实体及其相关属性—值对,实体间通过关系相互联结,构成网状的知识结构。
实体抽取:实体抽取指在一段文本(非结构化数据)中识别哪些词代表实体,并打上标签(进行分类)。
关系抽取:识别文本(主要指非结构化数据)中实体之间的关系。
属性抽取:从不同信息源中采集特定实体的属性信息,例如人物实体的生日、性别、国籍等。
Word2vec:语言模型的一种,从大量文本语料中以无监督方式学习语义知识的模型,被广泛用于自然语言处理中,是生成词向量的工具。
Jieba分词:Python中文分词组件,主要功能是中文分词,可进行简单分词、并行分词、命令行分词。还支持关键词提取、磁性标注以及词位置查询等。
BiLSTM-CRF:命名实体识别模型,由双向长短时记忆神经网络和CRF层组成。
注意力机制:在机器学习模型中嵌入的一种特殊结构,用来自动学习和计算输入数据对输出数据的贡献大小。
GCN:图卷积神经网络,一种能够直接作用于图并且利用其结构信息的卷积神经网络,对于每个结点,都要考虑其所有邻节点以及其自身所包含的特征信息。
随机游走算法:随机游走算法构建了若干个随机游走器,随机游走器从某个节点初始化,之后在每一步随机游走中,随机地访问当前节点的某个邻接节点,随机游走算法拥有为图中的节点计算权重的能力。
知识图谱具有统一的结构化的表现形式,含有丰富的语义信息、概念、属性、实体之间关系,丰富的关联信息,天然具有图的各种特征,可以进行图的相关操作,把领域中异构的知识结构化,构建知识间关联,基于知识图谱的推理,综合利用图谱中的概念上下位关系、属性类型及约束、图模型中实体间的关联关系,结合业务场景定义的关系推理规则等,也可以用来做一些不一致性检测、推断补全,知识发现,商品溯源,辅助推理决策等各类推理应用。
本发明采用知识图谱和图卷积神经网络对企业的金融风险进行评估,能够对企业历史信用数据以及运营数据中的结构化数据、半结构数据以及非结构化数据进行处理、抽取、展示、分析,并将分析得到的风险特征作为评价金融风险的重要依据,提高风险评估质量和效率,为信贷行业提供风险挖掘与预警方法,防范和避免系统性金融风险。
在一实施例中,图1是本发明实施例提供的一种风险预警方法的流程图,本实施例可适用于对企业的金融风险进行自动预警的情况,该方法可以由风险预警装置来执行,该风险预警装置可以采用硬件和/或软件的形式实现,该风险预警装置可配置于电子设备中。如图1所示,该方法包括:
S110、基于目标对象的目标对象属性信息构建对应的金融风险知识图谱。
其中,目标对象指的是需要进行风险预测的对象,示例性地,目标对象可以为企业。目标对象属性信息指的是用于表征目标对象自身所具备属性的相关信息,目标对象属性信息可以包括目标对象所对应的相关金融业务信息,和/或,目标对象的历史属性信息。示例性地,历史属性信息可以包括目标对象的历史信用数据,比如,资产负债表、损益表、财务状况变动表、财务情况说明表、利润分配表、客户存款数据、股票历史跌涨数据以及外源性文档等,包括但不限于资产总额、流动资金、流动负债、投资业务及比例等。
在一实施例中,可以获取目标对象对应的初始对象属性信息;对初始对象属性信息进行数据预处理,得到对应的目标对象属性信息。其中,数据预处理可以包括但不限于:数据清洗、数据筛选和数据归一化等操作。在实施例中,可以通过自动化爬虫技术采集目标对象的初始对象属性信息,并将爬取到的初始对象属性信息进行数据预处理,得到对应的目标对象属性信息。
其中,金融风险知识图谱用于描述目标对象属性信息中每个数据信息之间的关系。一般情况下,目标对象属性信息可以包括结构化数据、半结构化数据和非结构化数据。首先,目标对象属性信息中的非结构化数据进行分类设定、文本向量化、文本预处理和数据分类,以完成实体抽取、关系抽取与属性抽取的过程;然后,通过对比结构化数据进行知识融合,完成指代消歧和实体对齐,保证实体指向统一,并通过抽取出来的实体关系与属性对语义框架进行填充,完成实体链接,构建得到对应的金融风险知识图谱。
S120、采用图卷积神经网络对金融风险知识图谱的邻域特征信息进行拓扑聚合,得到对应的邻域拓扑信息。
其中,领域拓扑信息用于表征目标对象与金融风险知识图谱之间的关联关系。当然,目标对象可以与金融风险知识图谱中的一个实体节点存在直接关联,也可以通过其它实体节点与另一个实体节点之间存在间接关联。在实施例中,利用图卷积神经网络对构建的金融风险知识图谱进行深度学习,完成金融风险知识图谱中邻域特征信息的聚合,确定金融风险知识图谱所对应邻域的特征,得到邻域拓扑信息。
S130、通过随机游走算法基于金融风险知识图谱内实体节点和边的风险转移概率确定邻域风险信息。
其中,邻域风险信息指的是与目标对象相关联的其它风险实体的风险信息。在实施例中,通过随机游走算法确定金融风险知识图谱内每个实体节点和每个边的风险转移概率,并得到邻域风险信息。
S140、对邻域拓扑信息和邻域风险信息进行融合,得到目标对象所对应邻域内每个风险实体的实际风险概率,以对实际风险概率大于预设风险概率阈值的风险实体进行风险预警。
其中,风险实体指的是金融风险知识图谱中的每个实体节点;实际风向概率指的是金融风险知识图谱中每个实体节点的风险概率。在实施例中,通过多层感知机模型对邻域拓扑信息和邻域风险信息进行融合,并根据逻辑回归风险评估模型进行评估,得到目标对象所对应邻域内每个风险实体的实际风险概率,然后将实际风险概率大于预设风险概率阈值的风险实体作为高风险实体,最后,对高风险实体进行风险预警。
本实施例的技术方案,通过构建目标对象对应的金融风险知识图谱,并采用图卷积神经网络对金融风险知识图谱的邻域特征信息进行分析处理,得到对应的邻域拓扑信息和邻域风险信息,将分析得到的金融风险知识图谱作为实际风险的评估依据,解决了现有技术中采用人工方式所导致的人力和时间成本较高,以及误判率较高的技术问题,提高了风险评估质量和效率,进而大大规避了系统的金融风险。
在一实施例中,图2是本发明实施例提供的另一种风险预警方法的流程图,本实施例是在上述实施例的基础上,对金融风险知识图谱的构建过程,邻域特征信息的聚合过程,实体加权风险特征向量的确定过程,以及实际风险概率的确定过程作进一步的说明。如图2所示,该方法包括:
S210、识别并提取目标对象属性信息中的每条文本数据。
其中,文本数据也可以理解为目标对象属性信息中文本数据类型的相关数据信息,即文本数据类型的数据也可以称为非结构化数据。在实施例中,可以识别目标对象属性信息中的每个数据,并根据每个数据所对应的数据类型识别并提取目标对象属性信息中的每条文本数据。
S220、对每条文本数据进行文本向量化和文本预处理操作,得到对应的文本词向量。
在实施例中,可以采用Jieba分词方式对每条文本数据进行分词预处理,然后采用分布式编码中的word2vec生成对应的文本词向量。
S230、依次对文本词向量进行特征提取和字符串匹配操作,得到文本数据对应的所属信息分类。
在实施例中,可以采用BiLSTM-CRF模型对文本词向量进行特征提取,确定某条文本数据中的关键词特征,识别出命名实体;然后,通过字符串匹配算法进行文本匹配,实现该条文本数据以及数据中的实体对应的所属信息分类。
S240、基于所属信息分类对每条文本数据进行语义解析和内容解析,得到元组结构形式的数据表达式。
其中,元组结构形式用于表征每条文本数据所对应的所属信息分类。其中,数据表达式的元数与信息分类的总数量有关。比如,信息分类的总数量为6个,则对应的数据表达式为六元组的结构形式。
S250、将数据表达式和目标对象属性信息中的结构化数据进行对比,得到对应的金融风险知识图谱。
通过对比结构化数据进行知识融合,完成指代消歧与实体对齐,保证实体指向统一,通过抽取出来的实体关系与属性对语义框架进行填充,完成实体链接。
S260、采用图卷积神经网络提取金融风险知识图谱中每个实体节点的邻域特征信息。
其中,实体节点指的是在金融风险知识图谱中与目标对象相关的其它对象。示例性地,实体节点可以为企业。在实施例中,可以采用图卷积神经网络提取金融风险知识图谱中每个实体节点的邻域特征信息。
S270、通过图卷积神经网络中隐藏层的节点信息传播规则对邻域特征信息进行聚合,得到对应的邻域聚合信息。
在一实施例中,隐藏层的节点信息传播规则,包括:获取当前隐藏层中与当前节点相对应的邻节点的邻域特征信息;基于所述当前隐藏层的神经网络权重矩阵、所述邻节点的邻域特征信息和预先配置的归一化参数确定下一隐藏层中当前节点的邻域特征信息。在图卷积神经网络中的每一个卷积层,可以收集该卷积层中每个实体节点的邻域特征信息,并聚合该实体节点所对应邻节点的邻域特征信息,作为对应的邻域聚合信息。然后,将邻域聚合信息作为表征该实体节点的邻域特征信息传入至下一个卷积层,重复上述步骤,直至完成所有卷积层的邻域聚合信息为止。
S280、通过图卷积神经网络中的归一化指数函数基于邻域聚合信息输出对应的邻域拓扑信息。
其中,归一化指数函数可以为Softmax函数,在实施例中,直接通过图卷积神经网络中的归一化指数函数基于邻域聚合信息输出对应的邻域拓扑信息。
S290、生成与金融风险知识图谱相对应的配置风险权重的关注关系图。
其中,关注关系图指的是为每个实体节点和每个边均配置风险权重的关系图。在金融风险知识图谱中的每个实体节点配置一个风险权重,以及为每个边配置一个风险权重,即可以生成与金融风险知识图谱相匹配的关注关系图。
S2100、基于关注关系图中每个实体节点和实体关系的风险权重生成基于实体节点和边的风险转移概率。
其中,实体关系可以理解为多个实体节点之间的边。同样地,边可以理解为多个实体节点之间的链接关系。风险转移概率指的是关注关系图中的一个实体节点所具备的风险对其相关联的其它实体节点的影响程度,即风险转移概率越大,即对其它实体节点的影响程度就越高。在实施例中,可以通过随机游走算法计算每个实体节点和边的风险转移概率。
S2110、通过随机游走算法,并基于风险转移概率对应的风险转移概率采样表,以及预先配置的迭代次数和步长进行风险转移概率采样获取游走序列。
其中,对风险转移概率进行归一化,生成对应的风险转移概率采样表。在实施例中,可以根据训练迭代次数和步长,以及风险转移概率采样表进行风险转移概率采样获取游走序列。
S2120、通过词向量模型对游走序列进行数据训练,得到邻域风险信息。
S2130、通过多层感知机模型对对邻域拓扑信息和邻域风险信息进行融合,得到对应的风险融合信息。
S2140、根据逻辑回归风险评估模型对风险融合信息进行评估,确定目标对象所对应邻域内每个风险实体的实际风险概率,以对实际风险概率大于预设风险概率阈值的风险实体进行风险预警。
在一实施例中,图3是本发明实施例提供的又一种风险预警方法的流程图。本实施例作为优选实施例,以目标对象为企业为例,对企业的风险进行预警。如图3所示,本实施例中的风险预警方法包括如下步骤:
S310、获取企业的相关历史信用数据和相关金融业务数据。
获取企业相关历史信用数据及相关金融业务数据,并建立原始资料数据库,包括结构化数据、半结构化数据、非结构化数据;所述企业相关历史信用数据资料至少包括资产负债表、损益表、财务状况变动表、财务情况说明表、利润分配表、客户存款数据、股票历史跌涨数据以及外源性文档等,包括但不限于资产总额、流动资金、流动负债、投资业务及比例等。
通过自动化爬虫技术合法合规采集公司或企业的相关信息,以企业A为例,将爬取到的数据进行预处理。示例性地,主要的企业信息如表1所示,包括但不限于表中的36项属性信息。
表1企业A的相关企业信息
S320、构建企业对应的金融风险知识图谱。
图4是本发明实施例提供的一种金融风险知识图谱的构建流程示意图。如图4所示,根据企业A的相关数据自顶向下构建金融风险知识图谱,包括实体抽取,属性抽取和关系抽取及图谱融合;如图4所示,对于半结构化和非结构化数据,首先进行数据分析与数据分类,将文本向量化预处理之后,通过语义解析框架进行文本的内容解析,实现实体抽取、关系抽取和属性抽取;其次,通过结构化数据进行知识融合,完成指代消歧与实体对齐;最后,填充语义框架,创建金融风险知识图谱,为金融风险挖掘与预警提供基础。
金融风险知识图谱包括:分类设定、文本向量化及预处理、特征提取及文本匹配、语义解析框架及内容解析,以及图谱构建。
其一,分类设定:对非结构化数据,即文本数据类型,将相关信息分为如下信息分类:企业概况(CORP_POF)、财务报表(FINA_STAT)、关键指标(KEY_IND)、主营构成(MAIN_COMP)、董事高管(DIR_EXEC)、企业股价(SHR_PRIC)6种分类,每种分类下根据组成的要素再进行进一步细分类。
其二,文本向量化及预处理:对于某条企业信息文本数据text={s1s2…sm},该文本数据的特征集为textf={t1,t2…tn},用Jieba分词预处理之后,使用分布式编码中的word2vec生成文本词向量,生成的几个金融关键名词词向量如表2所示。
表2 word2vec文本词向量
其三,特征提取及文本匹配:图5是本发明实施例提供的一种基于BiLSTM-CRF模型进行特征提取和文本匹配的示意图。如图5所示,BiLSTM-CRF模型对文本词向量进行特征提取,确定某条文本数据中的关键词特征,识别出命名实体,然后通过字符串匹配算法进行文本匹配,实现该条文本数据以及数据中的实体对应的所属信息分类,即隶属于分类设定步骤中哪一类。
其四,语义解析框架及内容解析:将非结构化数据解析为如下六元组的结构形式,设为T,则T的表达式为:
式中的C、F、K、M、D、S分别表示表1)中六种信息分类设定,通过3)中的方法,完成金融风险知识图谱的知识抽取,包括实体抽取、关系抽取与属性抽取。
其五,通过对比结构化数据进行知识融合,完成指代消歧与实体对齐,保证实体指向统一,通过抽取出来的实体关系与属性对语义框架进行填充,完成实体链接。图6是本发明实施例提供的一种金融风险知识图谱的显示示意图。企业A所关联的其它企业之间的关系如图6所示。
S330、采用图卷积神经网络提取邻域拓扑信息。
利用图卷积神经网络对构建的风险知识图谱进行深度学习,完成图谱邻域信息聚合,确定图谱邻域的特征,得到邻域内的拓扑特征向量(即邻域拓扑信息)。图7是本发明实施例提供的一种图卷积神经网络的配置示意图,如图7所示,对特征矩阵归一化处理,得到特征向量,通过隐藏层的节点信息传播规则对节点邻域特征信息进行聚合,最后通过softmax函数输出邻域内节点拓扑特征向量。
其中,图卷积神经网络过程主要分为三步:1)收集某节点所对应邻节点的Word2vec向量(Embedding)信息(即邻域特征信息);2)聚合该节点的邻节点信息计算,得到对应的邻域聚合信息;3)将聚合结果作为表征该节点特征的Word2vec向量(Embedding)传入到下一层卷积层,重复以上步骤。该网络的分层传播规则如以下公式所示:
其中,表示第l+1层的第i个节点的Embedding,j表示第i个节点的邻节点,ci,j表示归一化参数,/>表示第l层的第j个节点的Embedding,wl表示第l层的神经网络权重矩阵。图8为本发明实施例提供的一种图卷积神经网络分层传播规则的实现示意图。如图8所示,对GCN第一层中每个节点的邻域特征信息进行聚合,输入至隐藏层,然后通过隐藏层输入至GCN第二层,依次重复,直至完成每一层的输入和输出为止。
S340、采用随机游走算法提取邻域风险信息。
图9是本发明实施例提供的一种邻域风险信息的提取示意图。如图9所示,首先,生成一个带风险权重的关注关系图,并获取图中节点,关系以及对应的权重;然后,为每一个节点,每一关系生成基于节点和基于边的风险转移概率并生成风险转移概率采样表;然后,根据训练迭代次数和步长以及风险转移概率采样表进行风险转移概率采样获取游走序列;最后,通过Word2vec方法对数据训练并获得邻域内实体加权风险特征向量,作为对应的邻域风险信息。
S350、对邻域拓扑信息和邻域风险信息进行融合,并基于逻辑回归评估模型进行风险评估。
通过多层感知机模型对邻域内的拓扑特征向量和加权风险特征向量进行融合,根据逻辑回归风险评估模型判断评估,挖掘邻域内的风险实体并根据风险概率进行风险预警。
本发明实施例能够整合金融领域相关知识与数据,能够达到金融领域的搜索与可视化的直接效果;以及,采用图卷积神经网络对金融风险知识图谱的邻域特征信息进行拓扑聚合,能够进一步缩小风险影响范围,挖掘邻域内的风险实体以及金融风险因子;同时,通过随机游走算法对邻域内的实体节点进行金融风险的量化,并通过多层感知机融合领域拓扑信息与邻域风险信息,进一步对邻域内的实体风险进行量化,将较高的金融风险实体暴露出来,能够辅助经营者指定相应的经营决策。
在一实施例中,图10是本发明实施例提供的一种风险预警装置的结构示意图。如图10所示,该装置包括:风险图谱构建模块310、信息聚合模块320、特征向量确定模块330和风险预警模块340。
风险图谱构建模块310,用于基于目标对象的目标对象属性信息构建对应的金融风险知识图谱;
信息聚合模块320,用于采用图卷积神经网络对金融风险知识图谱的邻域特征信息进行拓扑聚合,得到对应的邻域拓扑信息;
特征向量确定模块330,用于通过随机游走算法基于金融风险知识图谱内实体节点和边的风险转移概率确定邻域风险信息;
风险预警模块340,用于对邻域拓扑信息和邻域风险信息进行融合,得到目标对象所对应邻域内每个风险实体的实际风险概率,以对实际风险概率大于预设风险概率阈值的风险实体进行风险预警。
在一实施例中,风险图谱构建模块310,包括:
识别提取单元,用于识别并提取目标对象属性信息中的每条文本数据;
预处理单元,用于对每条文本数据进行文本向量化和文本预处理操作,得到对应的文本词向量;
分类确定单元,用于依次对文本词向量进行特征提取和字符串匹配操作,得到文本数据对应的所属信息分类;对每条文本数据和对应的所属信息分类进行语义解析和内容解析,得到元组结构形式的知识图谱;
构建单元,用于将知识图谱和目标对象属性信息中的结构化数据进行对比,得到对应的金融风险知识图谱。
在一实施例中,信息聚合模块320,包括:
信息提取单元,用于采用图卷积神经网络提取金融风险知识图谱中每个实体节点的邻域特征信息;
信息聚合单元,用于通过图卷积神经网络中隐藏层的节点信息传播规则对邻域特征信息进行聚合,得到对应的邻域聚合信息;
信息确定单元,用于通过图卷积神经网络中的归一化指数函数基于邻域聚合信息输出对应的邻域拓扑信息。
在一实施例中,隐藏层的节点信息传播规则,包括:
获取当前隐藏层中与当前节点相对应的邻节点的邻域特征信息;
基于当前隐藏层的神经网络权重矩阵、邻节点的邻域特征信息和预先配置的归一化参数确定下一隐藏层中当前节点的邻域特征信息。
在一实施例中,特征向量确定模块330,包括:
关系图生成单元,用于生成与金融风险知识图谱相对应的配置风险权重的关注关系图;
转移概率生成单元,用于基于关注关系图中每个实体节点和实体关系的风险权重生成基于实体节点和边的风险转移概率;
序列获取单元,用于通过随机游走算法,并基于风险转移概率对应的风险转移概率采样表,以及预先配置的迭代次数和步长进行风险转移概率采样获取游走序列;
特征向量确定单元,用于通过词向量模型对游走序列进行数据训练,得到邻域风险信息。
在一实施例中,对邻域拓扑信息和邻域风险信息进行融合,得到目标对象所对应邻域内每个风险实体的实际风险概率,具体用于:
通过多层感知机模型对对邻域拓扑信息和邻域风险信息进行融合,得到对应的风险融合信息;
根据逻辑回归风险评估模型对风险融合信息进行评估,确定目标对象所对应邻域内每个风险实体的实际风险概率。
在一实施例中,风险预警装置,还包括:
对象属性信息获取模块,用于获取目标对象对应的初始对象属性信息;
数据预处理模块,用于对初始对象属性信息进行数据预处理,得到对应的目标对象属性信息。
本发明实施例所提供的风险预警装置可执行本发明任意实施例所提供的风险预警方法,具备执行方法相应的功能模块和有益效果。
在一实施例中,图11是本发明实施例提供的一种电子设备的结构框图,如图11所示,示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图11所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如风险预警方法。
在一些实施例中,风险预警方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的风险预警方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行风险预警方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种风险预警方法,其特征在于,包括:
基于目标对象的目标对象属性信息构建对应的金融风险知识图谱;
采用图卷积神经网络对所述金融风险知识图谱的邻域特征信息进行拓扑聚合,得到对应的邻域拓扑信息;
通过随机游走算法基于所述金融风险知识图谱内实体节点和边的风险转移概率确定邻域风险信息;
对所述邻域拓扑信息和所述邻域风险信息进行融合,得到所述目标对象所对应邻域内每个风险实体的实际风险概率,以对所述实际风险概率大于预设风险概率阈值的风险实体进行风险预警。
2.根据权利要求1所述的方法,其特征在于,所述基于目标对象的目标对象属性信息构建对应的金融风险知识图谱,包括:
识别并提取目标对象属性信息中的每条文本数据;
对每条所述文本数据进行文本向量化和文本预处理操作,得到对应的文本词向量;
依次对所述文本词向量进行特征提取和字符串匹配操作,得到所述文本数据对应的所属信息分类;
基于所属信息分类对每条所述文本数据进行语义解析和内容解析,得到元组结构形式的数据表达式;
将所述数据表达式和所述目标对象属性信息中的结构化数据进行对比,得到对应的金融风险知识图谱。
3.根据权利要求1所述的方法,其特征在于,所述采用图卷积神经网络对所述金融风险知识图谱的邻域特征信息进行拓扑聚合,得到对应的邻域拓扑信息,包括:
采用图卷积神经网络提取所述金融风险知识图谱中每个实体节点的邻域特征信息;
通过图卷积神经网络中隐藏层的节点信息传播规则对所述邻域特征信息进行聚合,得到对应的邻域聚合信息;
通过图卷积神经网络中的归一化指数函数基于所述邻域聚合信息输出对应的邻域拓扑信息。
4.根据权利要求3所述的方法,其特征在于,所述隐藏层的节点信息传播规则,包括:
获取当前隐藏层中与当前节点相对应的邻节点的邻域特征信息;
基于所述当前隐藏层的神经网络权重矩阵、所述邻节点的邻域特征信息和预先配置的归一化参数确定下一隐藏层中当前节点的邻域特征信息。
5.根据权利要求1所述的方法,其特征在于,所述通过随机游走算法基于所述金融风险知识图谱内实体节点和边的风险转移概率确定邻域风险信息,包括:
生成与所述金融风险知识图谱相对应的配置风险权重的关注关系图;
基于所述关注关系图中每个实体节点和实体关系的风险权重生成基于实体节点和边的风险转移概率;
通过随机游走算法,并基于所述风险转移概率对应的风险转移概率采样表,以及预先配置的迭代次数和补偿进行风险转移概率采样获取游走序列;
通过词向量模型对所述游走序列进行数据训练,得到邻域风险信息。
6.根据权利要求1所述的方法,其特征在于,所述对所述邻域拓扑信息和所述邻域风险信息进行融合,得到所述目标对象所对应邻域内每个风险实体的实际风险概率,包括:
通过多层感知机模型对对所述邻域拓扑信息和所述邻域风险信息进行融合,得到对应的风险融合信息;
根据逻辑回归风险评估模型对所述风险融合信息进行评估,确定所述目标对象所对应邻域内每个风险实体的实际风险概率。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法,还包括:
获取目标对象对应的初始对象属性信息;
对所述初始对象属性信息进行数据预处理,得到对应的目标对象属性信息。
8.一种风险预警装置,其特征在于,包括:
风险图谱构建模块,用于基于目标对象的目标对象属性信息构建对应的金融风险知识图谱;
信息聚合模块,用于采用图卷积神经网络对所述金融风险知识图谱的邻域特征信息进行拓扑聚合,得到对应的邻域拓扑信息;
特征向量确定模块,用于通过随机游走算法基于所述金融风险知识图谱内实体节点和边的风险转移概率确定邻域风险信息;
风险预警模块,用于对所述邻域拓扑信息和所述邻域风险信息进行融合,得到所述目标对象所对应邻域内每个风险实体的实际风险概率,以对所述实际风险概率大于预设风险概率阈值的风险实体进行风险预警。
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权利要求1-7中任一项所述的风险预警方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风险预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675817.4A CN117495548A (zh) | 2023-12-07 | 2023-12-07 | 一种风险预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675817.4A CN117495548A (zh) | 2023-12-07 | 2023-12-07 | 一种风险预警方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495548A true CN117495548A (zh) | 2024-02-02 |
Family
ID=89680165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311675817.4A Pending CN117495548A (zh) | 2023-12-07 | 2023-12-07 | 一种风险预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495548A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876103A (zh) * | 2024-03-12 | 2024-04-12 | 杭银消费金融股份有限公司 | 一种人行征信用户画像搭建方法及系统 |
-
2023
- 2023-12-07 CN CN202311675817.4A patent/CN117495548A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876103A (zh) * | 2024-03-12 | 2024-04-12 | 杭银消费金融股份有限公司 | 一种人行征信用户画像搭建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
CN117495548A (zh) | 一种风险预警方法、装置、设备及介质 | |
CN111339260A (zh) | 一种基于bert和qa思想的细粒度情感分析方法 | |
CN111753082A (zh) | 基于评论数据的文本分类方法及装置、设备和介质 | |
CN112989235A (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN113240177B (zh) | 训练预测模型的方法、预测方法、装置、电子设备及介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN113761910A (zh) | 一种融合情感特征的评论文本细粒度情感分析方法 | |
US20230085599A1 (en) | Method and device for training tag recommendation model, and method and device for obtaining tag | |
CN116226533A (zh) | 基于关联性预测模型的新闻关联推荐方法、装置及介质 | |
CN115982654A (zh) | 一种基于自监督图神经网络的节点分类方法及装置 | |
CN115640399A (zh) | 一种文本分类的方法、装置、设备及存储介质 | |
CN113051396B (zh) | 文档的分类识别方法、装置和电子设备 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN114138976A (zh) | 数据处理与模型训练方法、装置、电子设备和存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN112115258A (zh) | 一种用户的信用评价方法、装置、服务器及存储介质 | |
Maqsood et al. | Customer data extraction techniques based on natural language processing for e-commerce business analytics | |
CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
CN113836244B (zh) | 样本获取方法、模型训练方法、关系预测方法及装置 | |
CN114821603B (zh) | 票据识别方法、装置、电子设备以及存储介质 | |
CN117131197B (zh) | 一种招标书的需求类别处理方法、装置、设备及存储介质 | |
CN113011490B (zh) | 模型训练方法、装置及电子设备 | |
CN117251733A (zh) | 一种规则生成方法、装置、电子设备及存储介质 |
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 |