WO2019095572A1 - 企业投资风险评估方法、装置及存储介质 - Google Patents

企业投资风险评估方法、装置及存储介质 Download PDF

Info

Publication number
WO2019095572A1
WO2019095572A1 PCT/CN2018/076169 CN2018076169W WO2019095572A1 WO 2019095572 A1 WO2019095572 A1 WO 2019095572A1 CN 2018076169 W CN2018076169 W CN 2018076169W WO 2019095572 A1 WO2019095572 A1 WO 2019095572A1
Authority
WO
WIPO (PCT)
Prior art keywords
enterprise
entity
entities
feature vector
enterprise entity
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.)
Ceased
Application number
PCT/CN2018/076169
Other languages
English (en)
French (fr)
Inventor
汪伟
罗傲雪
肖京
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2019095572A1 publication Critical patent/WO2019095572A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present application relates to the field of computer technology, and in particular, to an enterprise investment risk assessment method, an electronic device, and a computer readable storage medium.
  • Every news site has thousands of news every day, and the news is updated in real time.
  • the big data associated with the investment target enterprise from a large amount of news corpus, such as the internal state of the enterprise: operation, finance, executives, recruitment, website update frequency, etc.
  • the external status of the enterprise such as the status of the affiliated company, as above.
  • the customer, the rating agency's rating of the company, news media related reports and other information will form this information into a network of relationships, analyze and evaluate the risk factor of the investment target enterprise, so that the investor can consider whether the risk can be accepted and decided according to the risk factor. Whether to invest in the company. Therefore, how to extract the information related to the investment target enterprise from the news corpus and use the information to conduct risk assessment is an urgent problem to be solved.
  • the application provides an enterprise investment risk assessment method, an electronic device and a computer readable storage medium, the main purpose of which is to evaluate the risk of the investment target enterprise by analyzing the information disclosed in the news corpus.
  • the present application provides an electronic device including: a memory, a processor, and a memory investment evaluation program run on the processor, the program being used by the processor The following steps are implemented during execution:
  • A1. Crawling news corpus related to the business entity to be assessed, preprocessing the news corpus, and extracting other entities associated with the business entity from the pre-processed news corpus;
  • the name is a node
  • the relationship between the enterprise entity and other entities is an edge
  • a network of relationships between the enterprise entity and other entities is constructed
  • A3. Calculate a vector representation of the enterprise entity according to the relationship network, and generate a first feature vector of the enterprise entity;
  • A6 Input the first feature vector, the second feature vector, and the third feature vector into a predetermined enterprise risk assessment model, and output a risk tag corresponding to the enterprise entity.
  • the present application further provides a method for evaluating enterprise investment risk, which includes:
  • S1 crawling the news corpus related to the enterprise entity to be assessed for risk, pre-processing the news corpus, and extracting other entities associated with the business entity from the pre-processed news corpus;
  • the present application further provides a computer readable storage medium storing a business investment risk assessment program, which is executed by a processor to implement enterprise investment risk assessment as described above. Any step of the method.
  • the present application further provides an enterprise investment risk assessment, the program comprising: an extraction module, a construction module, a first calculation module, a second calculation module, a third calculation module, and an evaluation module, the program is processed Any step of implementing the enterprise investment risk assessment method described above when executed.
  • the enterprise investment risk assessment method, the electronic device and the computer readable storage medium proposed by the application obtain the relationship between the enterprise entity and its associated entity, the internal information of the enterprise entity and the external information from the news corpus, respectively, and obtain the enterprise entity respectively.
  • the first feature vector, the second feature vector, and the third feature vector use the risk assessment model and the first feature vector, the second feature vector, and the third feature vector to perform risk assessment on the investment entity, so that the investor can capture Market investment opportunities to predict investment risks in advance.
  • FIG. 1 is a schematic diagram of an application environment of a preferred embodiment of an enterprise investment risk assessment method according to the present application
  • FIG. 2 is a network diagram of the relationship between the enterprise entity A and other associated entities
  • Figure 3 is a vector representation of the business entity A
  • Figure 4 is a block diagram of the enterprise investment risk assessment procedure of Figure 1;
  • FIG. 5 is a flow chart of a preferred embodiment of an enterprise investment risk assessment method of the present application.
  • the present application provides a method for evaluating enterprise investment risk, which is applied to an electronic device 1.
  • the electronic device 1 may be a PC (Personal Computer), or may be a terminal device such as a smart phone, a tablet computer, an e-book reader, or a portable computer.
  • the electronic device 1 includes a memory 11, a processor 12, a communication bus 13, and a network interface 14.
  • the memory 11 includes at least one type of readable storage medium including a flash memory, a hard disk, a multimedia card, a card type memory (for example, an SD or DX memory, etc.), a magnetic memory, a magnetic disk, an optical disk, and the like.
  • the memory 11 may be an internal storage unit of the electronic device 1, such as a hard disk of the electronic device 1, in some embodiments.
  • the memory 11 may also be an external storage device of the electronic device 1 in other embodiments, such as a plug-in hard disk equipped on the electronic device 1, a smart memory card (SMC), and a secure digital (Secure Digital) , SD) card, flash card (Flash Card), etc.
  • the memory 11 may also include both an internal storage unit of the electronic device 1 and an external storage device.
  • the memory 11 can be used not only for storing application software and various types of data installed in the electronic device 1, such as the enterprise investment risk assessment program 10, but also for temporarily storing data that has been output or will be output.
  • the processor 12 may be a Central Processing Unit (CPU), controller, microcontroller, microprocessor or other data processing chip for running program code or processing stored in the memory 11. Data, such as the corporate investment risk assessment process10.
  • CPU Central Processing Unit
  • controller microcontroller
  • microprocessor or other data processing chip for running program code or processing stored in the memory 11.
  • Data such as the corporate investment risk assessment process10.
  • Communication bus 13 is used to implement connection communication between these components.
  • the network interface 14 can optionally include a standard wired interface, a wireless interface (such as a WI-FI interface), and is typically used to establish a communication connection between the device and other electronic devices.
  • a standard wired interface such as a WI-FI interface
  • Figure 1 shows only the electronic device 1 with components 11-14, but it should be understood that not all illustrated components may be implemented, and more or fewer components may be implemented instead.
  • the electronic device 1 may further include a user interface
  • the user interface may include a display, an input unit such as a keyboard, and the optional user interface may further include a standard wired interface and a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an OLED (Organic Light-Emitting Diode) touch sensor, or the like.
  • the display may also be referred to as a display screen or display unit for displaying information processed in the electronic device 1 and a user interface for displaying visualizations.
  • the enterprise investment risk assessment program 10 is stored in the memory 11; when the processor 12 executes the enterprise investment risk assessment program 10 stored in the memory 11, the following steps are implemented:
  • A1. Crawling news corpus related to the business entity to be assessed, preprocessing the news corpus, and extracting other entities associated with the business entity from the pre-processed news corpus;
  • the name is a node
  • the relationship between the enterprise entity and other entities is an edge
  • a network of relationships between the enterprise entity and other entities is constructed
  • A3. Calculate a vector representation of the enterprise entity according to the relationship network, and generate a first feature vector of the enterprise entity;
  • A6 Input the first feature vector, the second feature vector, and the third feature vector into a predetermined enterprise risk assessment model, and output a risk tag corresponding to the enterprise entity.
  • the corpus refers to a plurality of different fields.
  • This embodiment uses a news corpus as an example to describe a specific solution of the present application, but is not limited to the field of news.
  • the web crawler When the investor needs to know the current news to obtain the internal data and external data associated with the investment target enterprise, use the web crawler to crawl the online news from the Internet, for example, crawling online news of Sina, Baidu, Tencent, etc. through crawlers. . Understandably, each company operates differently in different time periods. Therefore, in order to enable investors to more accurately understand the information of the investment target company, the crawled network news is filtered in the time dimension. Set the preset time interval and only crawl the online news of the time period, for example, only crawling online news for nearly half a year.
  • the source of news corpus is diverse, there are many types of corpus in the corpus.
  • the news corpus needs to be preprocessed, and the news corpus text data is obtained to form a news corpus text set.
  • the pre-processing may unify the format of the news corpus into a text format, remove advertising noise from the news corpus and filter one or more of dirty words and sensitive words.
  • the format of the news corpus is unified into a text format, the content that cannot be converted into a text format by the current technology can be filtered out.
  • all the enterprise names are extracted from the pre-processed news corpus, and then the associated enterprise data of the enterprise entity (ie, the investment target enterprise) according to the risk to be assessed is used. , filter out other entities associated with the business entity to be assessed, and build the enterprise entity and other entities into a network of relationships.
  • the associated enterprise data can be obtained through third party data. It can be understood that it may be many to extract other entities associated with the enterprise entity from the news corpus. To construct all the related entities in the relational network is unreasonable, therefore, before extracting the relational network, the extracted and the enterprise entity Other related entities are filtered and filtered.
  • other entities associated with the enterprise entity retained by the filtering and screening step include: a shareholder company of the business entity, other entities that have money with the business entity, suppliers, Customer, credit rating structure, etc.
  • B1 is The rating agency that gives the enterprise entity A a credit rating can learn from the historical rating data that B1 gives the enterprise entity A a credit rating of BBB
  • B2 is a supplier that supplies the enterprise entity A with raw materials or goods
  • the amount owed is 300,000
  • B3 is the customer of enterprise entity A
  • enterprise entity A has defaulted to B3 twice.
  • the enterprise entity A, B1, B2, and B3 are used as nodes, and the relationship between B1, B2, and B3 and A is used as the edge, and a network diagram of the relationship between the enterprise entity and other entities as shown in FIG. 2 is constructed.
  • the vector representation of the enterprise entity A is calculated.
  • This embodiment adopts the Skip-Gram method because the vector representation of the enterprise entity A in the relational network represents the vector representation of the entities B1, B2, B3 associated with it. There is a management relationship between them.
  • the Skip-Gram method uses the current enterprise entity to predict surrounding entities, as shown in Figure 3. An1, An2, An3, and An4 in Fig. 3 are unordered and are represented as adjacent entities of the enterprise entity A.
  • a fixed prediction length L is set to predict L neighboring entities around the enterprise entity A. If the real neighboring entity is less than L, the output is NULL.
  • the vector representation embedding (E1), embedding (E2), ... of the enterprise entity A can be obtained, and the vector is represented as the first feature vector of the enterprise entity A.
  • each reference factor in the internal information of the enterprise is converted into a number to be quantified.
  • the value in the financial information can be converted into a characteristic value.
  • the net profit is 300,000 yuan
  • 30 is a corresponding feature.
  • the value, the frequency of website updates, and the number of hiring people in the most recent year are also numerical values, and can also be based on preset conversion rules. In other embodiments, it is also possible to convert 300,000 yuan into other values according to a preset conversion ratio. After each reference factor in the internal information of the enterprise entity A is quantized, a second feature vector of the enterprise entity A is generated.
  • the external information includes the upstream and downstream relationship of the enterprise entity A. For example, suppliers, customers, whether the company has defaulted or owed money to other entities in the upstream and downstream relationship, if any, the number of defaults and the period of arrears.
  • the external information of the enterprise entity A also includes the rating agency's rating on the business entity A (rating level 3A, 2A is good, A is good, BBB is general, etc.), the news media positive/negative reports on the business entity A, etc. .
  • each reference factor in the internal information of the enterprise is converted into a number for quantization.
  • the number of defaults can be quantized into three values, no default-0, mild default-1, and severe default- 2; arrears can be quantified into 2 values, no arrears-0, with arrears-1; ratings can be quantified into multiple values, rating level 3A-6, rating level 2A-5, rating level A-4, rating Level BBB-3, rating level BB-2, rating level B-1.
  • the external information is quantified, the number of defaults -1, the arrears -1, the rating -3, and the third feature vector of the enterprise entity A is generated according to the quantized information.
  • the risk enterprise A can be assessed next.
  • the name of the enterprise entity A and the first feature vector, the second feature vector and the third feature vector of the enterprise entity A are input into a predetermined risk assessment model for risk assessment, and the risk assessment result is output.
  • the training step of the predetermined risk assessment model includes: acquiring the first feature vector, the second feature vector, and the third feature vector of the plurality of enterprise entities by using the foregoing steps A1-A5, and the specific implementation manner is consistent with the foregoing steps , no longer repeat them here.
  • the second feature vector, the third feature vector, and the corresponding risk tag are used as sample data. Extracting, from the sample data, the first feature vector, the second feature vector, the third feature vector of the first proportion (for example, 60%) of the enterprise entity, and the risk tag corresponding to the first entity (for example, 60%) of the enterprise entity As a training set, the first feature vector, the second feature vector, the third feature vector, and the second ratio (eg, 50%) of the second entity (eg, 50%) of the business entity are randomly extracted from the remaining sample set.
  • the risk label corresponding to the enterprise entity is used as a verification set, that is, 20% of the sample data of the sample data is extracted as a verification set; the support vector machine is trained by using the 50% sample data, and the model parameters of the risk assessment model are determined.
  • the model output result is 0, it indicates that the investment enterprise entity A is substantially risk-free, and if the model output result is 1 , it means that the investment enterprise entity A has a greater risk.
  • the electronic device 1 proposed by the foregoing embodiment obtains the first feature vector, the second feature vector, and the third feature vector of the enterprise entity by understanding the relationship between the enterprise entity and its associated entity, the internal information of the enterprise entity, and the external information.
  • the risk assessment model and the first feature vector, the second feature vector and the third feature vector are used to perform risk assessment on the investment entity, so that the investor can capture market investment opportunities.
  • the enterprise investment risk assessment program 10 may also be divided into one or more modules, one or more modules being stored in the memory 11 and being processed by one or more processors (this Embodiments are executed by processor 12) to accomplish the present application, and a module referred to herein refers to a series of computer program instructions that are capable of performing a particular function.
  • FIG. 4 it is a schematic diagram of a module of the enterprise investment risk assessment program 10 in FIG. 1.
  • the program may be divided into an extraction module 110, a construction module 120, a first calculation module 130, and a second.
  • the calculation module 140, the third calculation module 150, and the evaluation module 160, the functions or operation steps implemented by the modules 110-160 are similar to the above, and are not described in detail herein, for example, where:
  • the extracting module 110 is configured to crawl the news corpus related to the enterprise entity to be evaluated for risk, pre-process the news corpus, and extract other entities associated with the business entity from the pre-processed news corpus;
  • the building module 120 is configured to construct a relationship network between the enterprise entity and other entities by using the name as a node, the relationship between the enterprise entity and other entities as an edge;
  • the first calculating module 130 is configured to calculate a vector representation of the enterprise entity according to the relationship network, and generate a first feature vector of the enterprise entity;
  • the second calculating module 140 is configured to quantize the internal information of the enterprise entity according to the first preset rule to generate a second feature vector
  • the third calculating module 150 is configured to extract external information of the enterprise entity from the news corpus, and quantize the external information of the enterprise entity according to the second preset rule to generate a third feature vector of the enterprise entity;
  • the evaluation module 160 is configured to input the first feature vector, the second feature vector, and the third feature vector into a predetermined enterprise risk assessment model, and output a risk tag corresponding to the enterprise entity.
  • the application also provides a method for assessing enterprise investment risk.
  • FIG. 5 it is a flowchart of a preferred embodiment of the enterprise investment risk assessment method of the present application. The method can be performed by a device that can be implemented by software and/or hardware.
  • the enterprise investment risk assessment method includes:
  • S1 crawling the news corpus related to the enterprise entity to be assessed for risk, pre-processing the news corpus, and extracting other entities associated with the business entity from the pre-processed news corpus;
  • the corpus refers to a plurality of different fields.
  • This embodiment uses a news corpus as an example to describe a specific solution of the present application, but is not limited to the field of news.
  • the web crawler When the investor needs to know the current news to obtain the internal data and external data associated with the investment target enterprise, use the web crawler to crawl the online news from the Internet, for example, crawling online news of Sina, Baidu, Tencent, etc. through crawlers. . Understandably, each company operates differently in different time periods. Therefore, in order to enable investors to more accurately understand the information of the investment target company, the crawled network news is filtered in the time dimension. Set the preset time interval and only crawl the online news of the time period, for example, only crawling online news for nearly half a year.
  • the sources of news corpus are diverse, there are many types of corpus in the corpus.
  • the news corpus needs to be preprocessed, and the news corpus text data is obtained to form a news corpus text set.
  • the pre-processing may unify the format of the news corpus into a text format, remove advertising noise from the news corpus and filter one or more of dirty words and sensitive words.
  • the format of the news corpus is unified into a text format, the content that cannot be converted into a text format by the current technology can be filtered out.
  • all the enterprise names are extracted from the pre-processed news corpus, and then the associated enterprise data of the enterprise entity (ie, the investment target enterprise) according to the risk to be assessed is used. , filter out other entities associated with the business entity to be assessed, and build the enterprise entity and other entities into a network of relationships.
  • the associated enterprise data can be obtained through third party data. It can be understood that it may be many to extract other entities associated with the enterprise entity from the news corpus. To construct all the related entities in the relational network is unreasonable, therefore, before extracting the relational network, the extracted and the enterprise entity Other related entities are filtered and filtered.
  • other entities associated with the enterprise entity retained by the filtering and screening step include: a shareholder company of the business entity, other entities that have money with the business entity, suppliers, Customer, credit rating structure, etc.
  • B1 is The rating agency that gives the enterprise entity A a credit rating can learn from the historical rating data that B1 gives the enterprise entity A a credit rating of BBB
  • B2 is a supplier that supplies the enterprise entity A with raw materials or goods
  • the amount owed is 300,000
  • B3 is the customer of enterprise entity A
  • enterprise entity A has defaulted to B3 twice.
  • the enterprise entity A, B1, B2, and B3 are used as nodes, and the relationship between B1, B2, and B3 and A is used as the edge, and a network diagram of the relationship between the enterprise entity and other entities as shown in FIG. 2 is constructed.
  • the vector representation of the enterprise entity A is calculated.
  • This embodiment adopts the Skip-Gram method because the vector representation of the enterprise entity A in the relational network represents the vector representation of the entities B1, B2, B3 associated with it. There is a management relationship between them.
  • the Skip-Gram method uses the current enterprise entity to predict surrounding entities, as shown in Figure 3. An1, An2, An3, and An4 in Fig. 3 are unordered and are represented as adjacent entities of the enterprise entity A.
  • a fixed prediction length L is set to predict L neighboring entities around the enterprise entity A. If the real neighboring entity is less than L, the output is NULL.
  • the vector representation embedding (E1), embedding (E2), ... of the enterprise entity A can be obtained, and the vector is represented as the first feature vector of the enterprise entity A.
  • each reference factor in the internal information of the enterprise is converted into a number to be quantified.
  • the value in the financial information can be converted into a characteristic value.
  • the net profit is 300,000 yuan
  • 30 is a corresponding feature.
  • the value, the frequency of website updates, and the number of hiring people in the most recent year are also numerical values, and can also be based on preset conversion rules. In other embodiments, it is also possible to convert 300,000 yuan into other values according to a preset conversion ratio. After each reference factor in the internal information of the enterprise entity A is quantized, a second feature vector of the enterprise entity A is generated.
  • the external information includes the upstream and downstream relationship of the enterprise entity A. For example, suppliers, customers, whether the company has defaulted or owed money to other entities in the upstream and downstream relationship, if any, the number of defaults and the period of arrears.
  • the external information of the enterprise entity A also includes the rating agency's rating on the business entity A (rating level 3A, 2A is good, A is good, BBB is general, etc.), the news media positive/negative reports on the business entity A, etc. .
  • each reference factor in the internal information of the enterprise is converted into a number for quantization.
  • the number of defaults can be quantized into three values, no default-0, mild default-1, and severe default- 2; arrears can be quantified into 2 values, no arrears-0, with arrears-1; ratings can be quantified into multiple values, rating level 3A-6, rating level 2A-5, rating level A-4, rating Level BBB-3, rating level BB-2, rating level B-1.
  • the external information is quantified, the number of defaults -1, the arrears -1, the rating -3, and the third feature vector of the enterprise entity A is generated according to the quantized information.
  • the risk enterprise A can be assessed next.
  • the name of the enterprise entity A and the first feature vector, the second feature vector and the third feature vector of the enterprise entity A are input into a predetermined risk assessment model for risk assessment, and the risk assessment result is output.
  • the training step of the predetermined risk assessment model includes: acquiring the first feature vector, the second feature vector, and the third feature vector of the plurality of enterprise entities by using the foregoing steps S1-S5, and the specific implementation manner is consistent with the foregoing steps , no longer repeat them here.
  • the second feature vector, the third feature vector, and the corresponding risk tag are used as sample data. Extracting, from the sample data, the first feature vector, the second feature vector, the third feature vector of the first proportion (for example, 60%) of the enterprise entity, and the risk tag corresponding to the first entity (for example, 60%) of the enterprise entity As a training set, the first feature vector, the second feature vector, the third feature vector, and the second ratio (eg, 50%) of the second entity (eg, 50%) of the business entity are randomly extracted from the remaining sample set.
  • the risk label corresponding to the enterprise entity is used as a verification set, that is, 20% of the sample data of the sample data is extracted as a verification set; the support vector machine is trained by using the 50% sample data, and the model parameters of the risk assessment model are determined.
  • the model output result is 0, it indicates that the investment enterprise entity A is substantially risk-free, and if the model output result is 1 , it means that the investment enterprise entity A has a greater risk.
  • the enterprise investment risk assessment method proposed by the above embodiment obtains the first feature vector, the second feature vector and the third of the enterprise entity by understanding the relationship between the enterprise entity and its associated entity, the internal information of the enterprise entity and the external information.
  • the feature vector utilizes the risk assessment model and the first feature vector, the second feature vector, and the third feature vector to perform risk assessment on the investment enterprise entity, so that the investor can capture market investment opportunities.
  • the embodiment of the present application further provides a computer readable storage medium, where the enterprise investment risk assessment program is stored, and the enterprise investment risk assessment program is executed by the processor to:
  • A1. Crawling news corpus related to the business entity to be assessed, preprocessing the news corpus, and extracting other entities associated with the business entity from the pre-processed news corpus;
  • the name is a node
  • the relationship between the enterprise entity and other entities is an edge
  • a network of relationships between the enterprise entity and other entities is constructed
  • A3. Calculate a vector representation of the enterprise entity according to the relationship network, and generate a first feature vector of the enterprise entity;
  • A6 Input the first feature vector, the second feature vector, and the third feature vector into a predetermined enterprise risk assessment model, and output a risk tag corresponding to the enterprise entity.
  • the technical solution of the present application which is essential or contributes to the prior art, may be embodied in the form of a software product stored in a storage medium (such as ROM/RAM as described above). , a disk, an optical disk, including a number of instructions for causing a terminal device (which may be a mobile phone, a computer, a server, or a network device, etc.) to perform the methods described in the various embodiments of the present application.
  • a terminal device which may be a mobile phone, a computer, a server, or a network device, etc.

Landscapes

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

Abstract

本申请提出一种企业投资风险评估方法，包括：爬取投资目标企业实体相关的新闻语料，提取与该企业实体相关联的其他实体；以名称为节点、该企业实体与其他实体之间的关联关系为边，构建关系网络；计算该企业实体的向量表示，生成该企业实体的第一特征向量；根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；根据第二预设规则，对该企业实体的外部信息进行量化，生成第三特征向量；及，将所述第一特征向量、第二特征向量及第三特征向量输入企业风险评估模型，输出得到该企业实体对应的风险标签。本申请还提出一种电子装置及计算机可读存储介质。利用本申请，对新闻语料中透露的信息进行分析，可评估投资目标企业的风险。

Description

企业投资风险评估方法、装置及存储介质
优先权申明
本申请基于巴黎公约申明享有2017年11月17日递交的申请号为CN201711141730.3、名称为“企业投资风险评估方法、装置及存储介质”的中国专利申请的优先权，该中国专利申请的整体内容以参考的方式结合在本申请中。
技术领域
本申请涉及计算机技术领域，尤其涉及一种企业投资风险评估方法、电子装置及计算机可读存储介质。
背景技术
目前，在观察投资标的角度上，市面上的相关工具都相对简单，大部分停留在传统的财务分析、报表分析层面，缺乏对上下游、关联方以及市场热点、政策线索的关联量化的考虑。
随着网络的普及，每个新闻网站每天有成千上万条新闻，并且新闻会实时更新。如果能从海量的新闻语料中，提取投资目标企业相关联的大数据，例如企业内部状况：经营、财务、高管、招聘、网站更新频率等，企业外部状况，例如关联公司状况如上下游、客户等，评级机构对该企业的评级，新闻媒体相关报道等信息，将这些信息形成关系网络，分析、评估投资目标企业的风险系数，从而投资方可根据风险系数考虑能否接受该风险并决定是否投资该企业。因此，如何从新闻语料中提取投资目标企业相关联的信息，并利用该信息进行风险评估是急需解决的问题。
发明内容
本申请提供一种企业投资风险评估方法、电子装置及计算机可读存储介质，其主要目的在于通过对新闻语料中透露的信息进行分析，评估投资目标企业的风险。
为实现上述目的，本申请提供一种电子装置，该电子装置包括：存储器、处理器，所述存储器存储有可在所述处理器上运行的企业投资风险评估程序， 该程序被所述处理器执行时实现如下步骤：
A1、爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
A2、以名称为节点、该企业实体与其他实体之间的关联关系为边，构建该企业实体与其他实体之间的关系网络；
A3、根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
A4、根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
A5、从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
A6、将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
此外，为实现上述目的，本申请还提供一种企业投资风险评估方法，该方法包括：
S1、爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
S2、以名称为节点、该企业实体与其他实体之间的关联关系为边，构建该企业实体与其他实体之间的关系网络；
S3、根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
S4、根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
S5、从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
S6、将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
此外，为实现上述目的，本申请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存储有企业投资风险评估程序，该程序被处理器执行时实现如上所述的企业投资风险评估方法的任意步骤。
此外，为实现上述目的，本申请还提供一种企业投资风险评估，该程序包括：提取模块、构建模块、第一计算模块、第二计算模块、第三计算模块以及评估模块，该程序被处理器执行时实现如上所述的企业投资风险评估方法的任意步骤。
本申请提出的企业投资风险评估方法、电子装置及计算机可读存储介质，通过从新闻语料中了解企业实体与其关联实体之间的关系、企业实体的内部信息及外部信息，分别得到该企业实体的第一特征向量、第二特征向量及第三特征向量，利用风险评估模型及所述第一特征向量、第二特征向量及第三特征向量，对投资该企业实体进行风险评估，便于投资方捕捉市场投资机会，提前预测投资风险。
附图说明
图1为本申请企业投资风险评估方法较佳实施例的应用环境示意图；
图2为企业实体A与相关联的其他实体之间的关系网络图；
图3为企业实体A的向量表示；
图4为图1中企业投资风险评估程序的模块示意图；
图5为本申请企业投资风险评估方法较佳实施例的流程图。
本申请目的的实现、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申请，并不用于限定本申请。
本申请提供一种企业投资风险评估方法，该方法应用于一种电子装置1。参照图1所示，为本申请企业投资风险评估方法较佳实施例的应用环境示意图。在本实施例中，所述电子装置1可以是PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、电子书阅读器、便携计算机等终端设备。该电子装置1包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，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、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。存储器11在一些实施例中可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备，例如该电子装置1上配备的插接式硬盘，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，存储器11还可以既包括该电子装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于该电子装置1的应用软件及各类数据，例如企业投资风险评估程序10等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如企业投资风险评估程序10等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置与其他电子设备之间建立通信连接。
图1仅示出了具有组件11-14的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、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，显示器也可以称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在图1所示的装置实施例中，存储器11中存储有企业投资风险评估程序10；处理器12执行存储器11中存储的企业投资风险评估程序10时实现如下步骤：
A1、爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
A2、以名称为节点、该企业实体与其他实体之间的关联关系为边，构建该企业实体与其他实体之间的关系网络；
A3、根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
A4、根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
A5、从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
A6、将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
语料涉及多个不同的领域，本实施例以新闻语料为例，对本申请的具体方案进行说明，但不仅仅限于新闻领域。当投资方需要了解时下的新闻，以获取投资目标企业相关联的内部数据及外部数据时，利用网络爬虫从互联网中爬取网络新闻，例如，通过爬虫爬取新浪、百度、腾讯等的网络新闻。可以理解的是，每个企业在不同的时间段内的经营情况都不一样，因此，为了使投资者更准确的了解投资目标企业的信息，在时间维度上对爬取的网络新闻进行过滤，设置预设时间区间，只爬取该时间段的网络新闻，例如，只爬取近半年的网络新闻。由于新闻语料的来源具有多样性，因此，语料中格式类型比较多，为便于对语料进行后续处理，需对新闻语料进行预处理，得到新闻语料文本数据，形成新闻语料文本集。
在其他实施例中，所述预处理可以将新闻语料的格式统一为文本格式，从新闻语料中去除广告噪声并过滤脏词和敏感词中的一种或多种。在将新闻语料的格式统一为文本格式时，可以将当前技术暂不能转换为文本格式的内容过滤掉。
接下来，利用上述分词的方法，根据预先确定的企业名称库，从经过预处理后的新闻语料中提取出所有企业名称，然后根据待评估风险的企业实体(即投资目标企业)的关联企业数据，筛选出与待评估风险的企业实体相关联的其他实体，并将企业实体和其他实体构建成关系网络。其中，所述关联企业数据可以通过第三方数据获得。可以理解的是，从新闻语料中提取与企业实体相关联的其他实体可能很多，若要将所有关联实体全部构建在关系网络不合理，因此，在构建关系网络前，对提取出的与企业实体相关联的其他实体进行过滤筛选，具体地，通过过滤筛选步骤后保留的与企业实体相关联 的其他实体包括：该企业实体的股东公司、与企业实体有发生金钱往来的其他实体、供应商、客户、信用评结构等。
在本实施例中，以企业实体A为例，对从新闻语料中提取的与企业实体A相关联的其他实体进行筛选后，假设保留的其他实体分别为B1、B2、B3，其中，B1为给企业实体A进行信用评级的评级机构，从历史评级数据中可以了解到B1给企业实体A的信用评级为BBB，B2为给企业实体A提供原材料或货品的供应商，企业实体A对B2的欠款金额为30万，B3为企业实体A的客户，企业实体A曾对B3违约2次。以企业实体A、B1、B2、B3为节点，以B1、B2、B3与A的关联关系为边，构建如图2所示的企业实体与其他实体之间的关系网络图。
然后，根据上述关系网络图，计算企业实体A的向量表示，本实施例采用的是Skip-Gram方法，因为关系网络中企业实体A的向量表示与其相关联的实体B1、B2、B3的向量表示之间存在着管理关系。对于企业实体名称向量的训练，Skip-Gram方法利用当前企业实体去预测周围实体，如图3所示。图3中的An1，An2，An3，An4是没有顺序的，均表示为企业实体A的相邻实体。与利用Skip-Gram训练词向量的方法类似，设置一个固定的预测长度L，来预测企业实体A周围的L个相邻实体，若真实情况相邻实体不及L个，则输出为NULL。通过该方法，可以得到企业实体A的向量表示embedding(E1)，embedding(E2)，…，将该向量表示作为企业实体A的第一特征向量。
可以理解的是，要了解投资企业实体A的风险，必须了解企业实体A的财务、经营等方面的信息，因此，需要考虑到企业实体A的内部信息，其中，内部信息包括企业实体A的经营、财务、招聘、网站更新频率等信息，其中部分信息为数字信息，例如财务信息包括企业上一年度的净利润、股票收益等。按照规则将企业内部信息中每一个参考因素转换为数字进行量化，例如，财务信息里的数值可以转化为特征值，比如在本实施例中，净利润为30万元，取30为对应的特征值，网站更新频率、最近一年的招聘人数也是数值，也可以按预设的转换规则为相应的数值。在其他实施例中，也可以按预设的转换比例将30万元转换为其他数值。将企业实体A的内部信息中的每个参考因素量化后，生成企业实体A的第二特征向量。
需要说明的是，企业实体A的经营好坏，除了自身因素外，外界的因素也至关重要，因此还需要考虑企业实体A的外部信息，其中，外部信息包括企业实体A的上下游关系，例如供应商、客户，该企业是否对上下游关系的其他实体产生过违约、欠款，如有，违约次数、欠款周期分别为多少。此外，企业实体A的外部信息还包括评级机构对企业实体A的评级(评级级别3A，2A表示优良，A表示良好，BBB表示一般等)、新闻媒体对该企业实体A的正面/负面报道等。然后，按照规则将企业内部信息中每一个参考因素转换为数字进行量化，例如，在本实施例中，违约次数可以量化为3个数值，无违约-0，轻度违约-1，重度违约-2；欠款可以量化为2个数值，无欠款-0，有欠款-1；评级可以量化为多个数值，评级级别3A-6，评级级别2A-5，评级级别A-4，评级级别BBB-3，评级级别BB-2，评级级别B-1。根据企业实体A的具体情况，将其外部信息进行量化，违约次数-1，欠款-1，评级-3，依据量化后的信息生成企业实体A的第三特征向量。
至此，了解了与企业实体A相关联的其他实体、企业实体A的内部信息及外部信息后，接下来就可以对投资企业实体A进行风险评估。将企业实体A的名称及企业实体A的第一特征向量、第二特征向量及第三特征向量输入预先确定的风险评估模型中进行风险评估，并输出风险评估结果。其中，所述预先确定的风险评估模型的训练步骤包括：利用上述A1-A5步骤，获取大量企业实体的第一特征向量、第二特征向量及第三特征向量，其具体实施方式与上述步骤一致，这里不再赘述。然后为各个企业实体标注风险标签，对“无风险”的企业实体，标注风险标签为0，对“高风险”的企业实体，标注风险标签为1，然后将各个企业实体的第一特征向量、第二特征向量、第三特征向量及对应的风险标签作为样本数据。从样本数据中的随机抽取第一比例(例如60％)的企业实体的第一特征向量、第二特征向量、第三特征向量及该第一比例(例如60％)的企业实体对应的风险标签作为训练集，从剩下的样本集中的随机抽取第二比例(例如50％)的企业实体的第一特征向量、第二特征向量、第三特征向量及该第二比例(例如50％)的企业实体对应的风险标签作为验证集，也就是说，抽取样本数据的20％的样本数据作为验证集；利用所述50％的样本数据对支持向量机进行训练，确定风险评估模型的模型参数，确定出企业实体的关联实体、内部信息、外部信息与投资该企业实体的风险 之间的关系；利用20％的样本数据对所述风险评估模型的准确性进行验证，若准确率大于或者等于预设准确率(例如90％)，则训练结束，或者，若准确率小于预设准确率(例如90％)，则增加样本数量并重新执行训练步骤。
将企业实体A的第一特征向量、第二特征向量及第三特征向量输入所述风险评估模型后，若模型输出结果为0，则表示投资企业实体A基本无风险，若模型输出结果为1，则表示投资企业实体A有较大风险。
上述实施例提出的电子装置1，通过了解企业实体与其关联实体之间的关系、企业实体的内部信息及外部信息，分别得到该企业实体的第一特征向量、第二特征向量及第三特征向量，利用风险评估模型及所述第一特征向量、第二特征向量及第三特征向量，对投资该企业实体进行风险评估，便于投资方捕捉市场投资机会。
可选地，在其他的实施例中，企业投资风险评估程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本申请，本申请所称的模块是指能够完成特定功能的一系列计算机程序指令段。例如，参照图4所示，为图1中企业投资风险评估程序10的模块示意图，在本实施例中，该程序可以被分割为提取模块110、构建模块120、第一计算模块130、第二计算模块140、第三计算模块150以及评估模块160，所述模块110-160所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
提取模块110，用于爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
构建模块120，用于以名称为节点、该企业实体与其他实体之间的关联关系为边，构建该企业实体与其他实体之间的关系网络；
第一计算模块130，用于根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
第二计算模块140，用于根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
第三计算模块150，用于从新闻语料中提取该企业实体的外部信息，根据 第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
评估模块160，用于将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
此外，本申请还提供一种企业投资风险评估方法。参照图5所示，为本申请企业投资风险评估方法较佳实施例的流程图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，企业投资风险评估方法包括：
S1、爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
S2、以名称为节点、该企业实体与其他实体之间的关联关系为边，构建该企业实体与其他实体之间的关系网络；
S3、根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
S4、根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
S5、从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
S6、将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
语料涉及多个不同的领域，本实施例以新闻语料为例，对本申请的具体方案进行说明，但不仅仅限于新闻领域。当投资方需要了解时下的新闻，以获取投资目标企业相关联的内部数据及外部数据时，利用网络爬虫从互联网中爬取网络新闻，例如，通过爬虫爬取新浪、百度、腾讯等的网络新闻。可以理解的是，每个企业在不同的时间段内的经营情况都不一样，因此，为了使投资者更准确的了解投资目标企业的信息，在时间维度上对爬取的网络新闻进行过滤，设置预设时间区间，只爬取该时间段的网络新闻，例如，只爬取近半年的网络新闻。由于新闻语料的来源具有多样性，因此，语料中格式类型比较多，为便于对语料进行后续处理，需对新闻语料进行预处理，得到 新闻语料文本数据，形成新闻语料文本集。
在其他实施例中，所述预处理可以将新闻语料的格式统一为文本格式，从新闻语料中去除广告噪声并过滤脏词和敏感词中的一种或多种。在将新闻语料的格式统一为文本格式时，可以将当前技术暂不能转换为文本格式的内容过滤掉。
接下来，利用上述分词的方法，根据预先确定的企业名称库，从经过预处理后的新闻语料中提取出所有企业名称，然后根据待评估风险的企业实体(即投资目标企业)的关联企业数据，筛选出与待评估风险的企业实体相关联的其他实体，并将企业实体和其他实体构建成关系网络。其中，所述关联企业数据可以通过第三方数据获得。可以理解的是，从新闻语料中提取与企业实体相关联的其他实体可能很多，若要将所有关联实体全部构建在关系网络不合理，因此，在构建关系网络前，对提取出的与企业实体相关联的其他实体进行过滤筛选，具体地，通过过滤筛选步骤后保留的与企业实体相关联的其他实体包括：该企业实体的股东公司、与企业实体有发生金钱往来的其他实体、供应商、客户、信用评结构等。
在本实施例中，以企业实体A为例，对从新闻语料中提取的与企业实体A相关联的其他实体进行筛选后，假设保留的其他实体分别为B1、B2、B3，其中，B1为给企业实体A进行信用评级的评级机构，从历史评级数据中可以了解到B1给企业实体A的信用评级为BBB，B2为给企业实体A提供原材料或货品的供应商，企业实体A对B2的欠款金额为30万，B3为企业实体A的客户，企业实体A曾对B3违约2次。以企业实体A、B1、B2、B3为节点，以B1、B2、B3与A的关联关系为边，构建如图2所示的企业实体与其他实体之间的关系网络图。
然后，根据上述关系网络图，计算企业实体A的向量表示，本实施例采用的是Skip-Gram方法，因为关系网络中企业实体A的向量表示与其相关联的实体B1、B2、B3的向量表示之间存在着管理关系。对于企业实体名称向量的训练，Skip-Gram方法利用当前企业实体去预测周围实体，如图3所示。图3中的An1，An2，An3，An4是没有顺序的，均表示为企业实体A的相邻实体。与利用Skip-Gram训练词向量的方法类似，设置一个固定的预测长度L，来预测企业实体A周围的L个相邻实体，若真实情况相邻实体不及L个，则 输出为NULL。通过该方法，可以得到企业实体A的向量表示embedding(E1)，embedding(E2)，…，将该向量表示作为企业实体A的第一特征向量。
可以理解的是，要了解投资企业实体A的风险，必须了解企业实体A的财务、经营等方面的信息，因此，需要考虑到企业实体A的内部信息，其中，内部信息包括企业实体A的经营、财务、招聘、网站更新频率等信息，其中部分信息为数字信息，例如财务信息包括企业上一年度的净利润、股票收益等。按照规则将企业内部信息中每一个参考因素转换为数字进行量化，例如，财务信息里的数值可以转化为特征值，比如在本实施例中，净利润为30万元，取30为对应的特征值，网站更新频率、最近一年的招聘人数也是数值，也可以按预设的转换规则为相应的数值。在其他实施例中，也可以按预设的转换比例将30万元转换为其他数值。将企业实体A的内部信息中的每个参考因素量化后，生成企业实体A的第二特征向量。
需要说明的是，企业实体A的经营好坏，除了自身因素外，外界的因素也至关重要，因此还需要考虑企业实体A的外部信息，其中，外部信息包括企业实体A的上下游关系，例如供应商、客户，该企业是否对上下游关系的其他实体产生过违约、欠款，如有，违约次数、欠款周期分别为多少。此外，企业实体A的外部信息还包括评级机构对企业实体A的评级(评级级别3A，2A表示优良，A表示良好，BBB表示一般等)、新闻媒体对该企业实体A的正面/负面报道等。然后，按照规则将企业内部信息中每一个参考因素转换为数字进行量化，例如，在本实施例中，违约次数可以量化为3个数值，无违约-0，轻度违约-1，重度违约-2；欠款可以量化为2个数值，无欠款-0，有欠款-1；评级可以量化为多个数值，评级级别3A-6，评级级别2A-5，评级级别A-4，评级级别BBB-3，评级级别BB-2，评级级别B-1。根据企业实体A的具体情况，将其外部信息进行量化，违约次数-1，欠款-1，评级-3，依据量化后的信息生成企业实体A的第三特征向量。
至此，了解了与企业实体A相关联的其他实体、企业实体A的内部信息及外部信息后，接下来就可以对投资企业实体A进行风险评估。将企业实体A的名称及企业实体A的第一特征向量、第二特征向量及第三特征向量输入预先确定的风险评估模型中进行风险评估，并输出风险评估结果。其中，所述预先确定的风险评估模型的训练步骤包括：利用上述S1-S5步骤，获取大 量企业实体的第一特征向量、第二特征向量及第三特征向量，其具体实施方式与上述步骤一致，这里不再赘述。然后为各个企业实体标注风险标签，对“无风险”的企业实体，标注风险标签为0，对“高风险”的企业实体，标注风险标签为1，然后将各个企业实体的第一特征向量、第二特征向量、第三特征向量及对应的风险标签作为样本数据。从样本数据中的随机抽取第一比例(例如60％)的企业实体的第一特征向量、第二特征向量、第三特征向量及该第一比例(例如60％)的企业实体对应的风险标签作为训练集，从剩下的样本集中的随机抽取第二比例(例如50％)的企业实体的第一特征向量、第二特征向量、第三特征向量及该第二比例(例如50％)的企业实体对应的风险标签作为验证集，也就是说，抽取样本数据的20％的样本数据作为验证集；利用所述50％的样本数据对支持向量机进行训练，确定风险评估模型的模型参数，确定出企业实体的关联实体、内部信息、外部信息与投资该企业实体的风险之间的关系；利用20％的样本数据对所述风险评估模型的准确性进行验证，若准确率大于或者等于预设准确率(例如90％)，则训练结束，或者，若准确率小于预设准确率(例如90％)，则增加样本数量并重新执行训练步骤。
将企业实体A的第一特征向量、第二特征向量及第三特征向量输入所述风险评估模型后，若模型输出结果为0，则表示投资企业实体A基本无风险，若模型输出结果为1，则表示投资企业实体A有较大风险。
上述实施例提出的企业投资风险评估方法，通过了解企业实体与其关联实体之间的关系、企业实体的内部信息及外部信息，分别得到该企业实体的第一特征向量、第二特征向量及第三特征向量，利用风险评估模型及所述第一特征向量、第二特征向量及第三特征向量，对投资该企业实体进行风险评估，便于投资方捕捉市场投资机会。
此外，本申请实施例还提出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企业投资风险评估程序，所述企业投资风险评估程序被处理器执行时实现如下操作：
A1、爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
A2、以名称为节点、该企业实体与其他实体之间的关联关系为边，构建 该企业实体与其他实体之间的关系网络；
A3、根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
A4、根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
A5、从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
A6、将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
本申请计算机可读存储介质具体实施方式与上述企业投资风险评估方法和电子装置各实施例基本相同，在此不作累述。
需要说明的是，上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种企业投资风险评估方法，应用于电子装置，其特征在于，该方法包括：
    S1、爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
    S2、以名称为节点、该企业实体与其他实体之间的关联关系为边，构建该企业实体与其他实体之间的关系网络；
    S3、根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
    S4、根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
    S5、从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
    S6、将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
  2. 如权利要求1所述的企业投资风险评估方法，其特征在于，所述“根据关系网络计算该企业实体的向量表示”的步骤采用的是Skip-Gram方法。
  3. 如权利要求1所述的企业投资风险评估方法，其特征在于，所述第一预设规则为：将所述企业实体的内部信息中每一个参考因素转换为数字量化的规则。
  4. 如权利要求1所述的企业投资风险评估方法，其特征在于，所述第二预设规则为：将所述企业实体的外部信息中每一个参考因素转换为数字量化的规则。
  5. 如权利要求1所述的企业投资风险评估方法，其特征在于，所述步骤S1中预处理包括：将新闻语料的格式统一为文本格式，从新闻语料中去除广告噪声。
  6. 如权利要求1所述的企业投资风险评估方法，其特征在于，所述预先确定的企业风险评估模型的训练步骤包括：
    爬取多个企业实体相关的新闻语料，从新闻语料提取与该多个企业实体 相关联的其他实体，以名称为节点、实体之间的关联关系为边，分别构建该多个企业实体与其他实体之间的关系网络；
    根据关系网络分别计算所述多个企业实体的向量表示，生成所述多个企业实体的第一特征向量；
    根据第一预设规则，对所述多个企业实体的内部信息进行量化，生成第二特征向量；
    从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；
    根据历史风险评估记录，分别给所述多个企业实体标注风险标签，将多个企业实体的第一特征向量、第二特征向量、第三特征向量及风险标签作为样本数据；
    抽取第一比例的样本数据作为训练集，抽取第二比例的样本数据作为验证集；
    利用所述训练集对支持向量机进行训练，得到所述风险评估模型；及
    利用所述验证集对所述风险评估模型的准确性进行验证，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加样本数量并重新执行训练步骤。
  7. 一种电子装置，其特征在于，该装置包括：存储器、处理器，所述存储器存储有可在所述处理器上运行的企业投资风险评估程序，该程序被所述处理器执行时实现如下步骤：
    A1、爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
    A2、以名称为节点、该企业实体与其他实体之间的关联关系为边，构建该企业实体与其他实体之间的关系网络；
    A3、根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
    A4、根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
    A5、从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
    A6、将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
  8. 根据权利要求7所述的电子装置，其特征在于，所述“根据关系网络计算该企业实体的向量表示”的步骤采用的是Skip-Gram方法。
  9. 根据权利要求7所述的电子装置，其特征在于，所述第一预设规则为：将所述企业实体的内部信息中每一个参考因素转换为数字量化的规则。
  10. 根据权利要求7所述的电子装置，其特征在于，所述第二预设规则为：将所述企业实体的外部信息中每一个参考因素转换为数字量化的规则。
  11. 根据权利要求7所述的电子装置，其特征在于，所述步骤A1中预处理包括：将新闻语料的格式统一为文本格式，从新闻语料中去除广告噪声。
  12. 根据权利要求7所述的电子装置，其特征在于，所述预先确定的企业风险评估模型的训练步骤包括：
    爬取多个企业实体相关的新闻语料，从新闻语料提取与该多个企业实体相关联的其他实体，以名称为节点、实体之间的关联关系为边，分别构建该多个企业实体与其他实体之间的关系网络；
    根据关系网络分别计算所述多个企业实体的向量表示，生成所述多个企业实体的第一特征向量；
    根据第一预设规则，对所述多个企业实体的内部信息进行量化，生成第二特征向量；
    从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；
    根据历史风险评估记录，分别给所述多个企业实体标注风险标签，将多个企业实体的第一特征向量、第二特征向量、第三特征向量及风险标签作为样本数据；
    抽取第一比例的样本数据作为训练集，抽取第二比例的样本数据作为验证集；
    利用所述训练集对支持向量机进行训练，得到所述风险评估模型；及
    利用所述验证集对所述风险评估模型的准确性进行验证，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加样本数量并重新执行训练步骤。
  13. 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上存储有企业投资风险评估程序，该程序被处理器执行时实现如下步骤：
    A1、爬取待评估风险的企业实体相关的新闻语料，对新闻语料进行预处理，从经过预处理后的新闻语料中提取与该企业实体相关联的其他实体；
    A2、以名称为节点、该企业实体与其他实体之间的关联关系为边，构建该企业实体与其他实体之间的关系网络；
    A3、根据关系网络计算该企业实体的向量表示，生成该企业实体的第一特征向量；
    A4、根据第一预设规则，对该企业实体的内部信息进行量化，生成第二特征向量；
    A5、从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；及
    A6、将所述第一特征向量、第二特征向量及第三特征向量输入预先确定的企业风险评估模型，输出得到该企业实体对应的风险标签。
  14. 根据权利要求13所述的计算机可读存储介质，其特征在于，所述“根据关系网络计算该企业实体的向量表示”的步骤采用的是Skip-Gram方法。
  15. 根据权利要求13所述的计算机可读存储介质，其特征在于，所述第一预设规则为：将所述企业实体的内部信息中每一个参考因素转换为数字量化的规则。
  16. 根据权利要求13所述的计算机可读存储介质，其特征在于，所述第二预设规则为：将所述企业实体的外部信息中每一个参考因素转换为数字量化的规则。
  17. 根据权利要求13所述的计算机可读存储介质，其特征在于，所述步骤A1中预处理包括：将新闻语料的格式统一为文本格式，从新闻语料中去除广告噪声。
  18. 根据权利要求13所述的计算机可读存储介质，其特征在于，所述预先确定的企业风险评估模型的训练步骤包括：
    爬取多个企业实体相关的新闻语料，从新闻语料提取与该多个企业实体相关联的其他实体，以名称为节点、实体之间的关联关系为边，分别构建该多个企业实体与其他实体之间的关系网络；
    根据关系网络分别计算所述多个企业实体的向量表示，生成所述多个企业实体的第一特征向量；
    根据第一预设规则，对所述多个企业实体的内部信息进行量化，生成第二特征向量；
    从新闻语料中提取该企业实体的外部信息，根据第二预设规则，对该企业实体的外部信息进行量化，生成该企业实体的第三特征向量；
    根据历史风险评估记录，分别给所述多个企业实体标注风险标签，将多个企业实体的第一特征向量、第二特征向量、第三特征向量及风险标签作为样本数据；
    抽取第一比例的样本数据作为训练集，抽取第二比例的样本数据作为验证集；
    利用所述训练集对支持向量机进行训练，得到所述风险评估模型；及
    利用所述验证集对所述风险评估模型的准确性进行验证，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加样本数量并重新执行训练步骤。
  19. 一种企业投资风险评估程序，其特征在于，该程序包括：提取模块、构建模块、第一计算模块、第二计算模块、第三计算模块以及评估模块。
  20. 如权利要求19所述的企业投资风险评估程序，其特征在于，改程序被处理器执行时，可实现如权利要求1至6中任意一项企业投资风险评估方法的步骤。
PCT/CN2018/076169 2017-11-17 2018-02-10 企业投资风险评估方法、装置及存储介质 Ceased WO2019095572A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711141730.3 2017-11-17
CN201711141730.3A CN107909274B (zh) 2017-11-17 2017-11-17 企业投资风险评估方法、装置及存储介质

Publications (1)

Publication Number Publication Date
WO2019095572A1 true WO2019095572A1 (zh) 2019-05-23

Family

ID=61845968

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/076169 Ceased WO2019095572A1 (zh) 2017-11-17 2018-02-10 企业投资风险评估方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN107909274B (zh)
WO (1) WO2019095572A1 (zh)

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414806A (zh) * 2019-07-10 2019-11-05 平安科技（深圳）有限公司 员工风险预警方法及相关装置
CN110443459A (zh) * 2019-07-05 2019-11-12 深圳壹账通智能科技有限公司 预警信息推送方法、装置、计算机设备和存储介质
CN110532357A (zh) * 2019-09-04 2019-12-03 深圳前海微众银行股份有限公司 Esg评分体系的生成方法、装置、设备及可读存储介质
CN111951079A (zh) * 2020-08-14 2020-11-17 国网电子商务有限公司 一种基于知识图谱的信用评级方法、装置及电子设备
CN112365194A (zh) * 2020-12-01 2021-02-12 未鲲(上海)科技服务有限公司 企业数据处理方法、装置、设备及计算机存储介质
CN112418320A (zh) * 2020-11-24 2021-02-26 杭州未名信科科技有限公司 一种企业关联关系识别方法、装置及存储介质
CN112579773A (zh) * 2020-12-16 2021-03-30 中国建设银行股份有限公司 风险事件分级方法及装置
CN112598496A (zh) * 2020-12-15 2021-04-02 深圳前海微众银行股份有限公司 风控黑名单设置方法、装置、终端设备及可读存储介质
CN112598302A (zh) * 2020-12-25 2021-04-02 北京知因智慧科技有限公司 企业数据的评估方法、装置及服务器
CN112613762A (zh) * 2020-12-25 2021-04-06 北京知因智慧科技有限公司 基于知识图谱的集团评级方法、装置和电子设备
CN113283806A (zh) * 2021-06-22 2021-08-20 中国平安财产保险股份有限公司 企业信息评估方法、装置、计算机设备及存储介质
CN113506173A (zh) * 2021-08-06 2021-10-15 国网电子商务有限公司 一种信用风险评估方法及其相关设备
CN113643035A (zh) * 2020-05-11 2021-11-12 阿里巴巴集团控股有限公司 信息处理方法、信息展示方法、装置、设备及存储介质
CN113673870A (zh) * 2021-08-23 2021-11-19 杭州安恒信息技术股份有限公司 一种企业数据分析方法及相关组件
CN113689288A (zh) * 2021-08-25 2021-11-23 深圳前海微众银行股份有限公司 基于实体列表的风险识别方法、装置、设备及存储介质
CN113743111A (zh) * 2020-08-25 2021-12-03 国家计算机网络与信息安全管理中心 基于文本预训练和多任务学习的金融风险预测方法及装置
CN113837517A (zh) * 2020-12-01 2021-12-24 北京沃东天骏信息技术有限公司 事件的触发方法及装置、介质及电子设备
CN113837527A (zh) * 2021-08-02 2021-12-24 深圳前海微众银行股份有限公司 企业评级方法、装置、设备以及存储介质
CN113919957A (zh) * 2021-10-29 2022-01-11 深圳壹账通智能科技有限公司 一种循环投资比例计算及路径表示方法、装置、电子设备和介质
CN113962568A (zh) * 2021-10-26 2022-01-21 天元大数据信用管理有限公司 基于支持向量机的模型标签标注方法、设备及介质
CN114118816A (zh) * 2021-11-30 2022-03-01 建信金融科技有限责任公司 一种风险评估方法、装置、设备及计算机存储介质
CN114493838A (zh) * 2022-01-24 2022-05-13 浙江惠瀜网络科技有限公司 家装公司风险识别方法、装置、终端及存储介质
CN114693127A (zh) * 2022-03-31 2022-07-01 中国建设银行股份有限公司 评价信息确定方法、装置、设备及计算机存储介质
CN115049252A (zh) * 2022-06-13 2022-09-13 苏州大数据有限公司 一种企业安全风险评估系统
CN115481891A (zh) * 2022-09-16 2022-12-16 中诚信征信有限公司 一种风险评估方法、装置及电子设备
CN115936857A (zh) * 2023-01-04 2023-04-07 建信金融科技有限责任公司 行业的风险评估方法、装置、设备、存储介质及程序产品
CN117829586A (zh) * 2023-12-08 2024-04-05 深圳市南弯数字科技有限公司 企业风险评估系统的控制方法、设备及存储介质
CN118469281A (zh) * 2024-05-06 2024-08-09 宁波诺丁汉大学 一种企业风险评估模型构建方法及评估方法、装置
CN118887063A (zh) * 2024-07-09 2024-11-01 浙江云智迪科技有限公司 一种基于大模型技术的社区治理风险研判预警系统
CN120069518A (zh) * 2025-01-03 2025-05-30 北京大学 基于元路径去噪与胶囊网络建模的企业违约预测方法及系统

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087163B (zh) * 2018-07-06 2021-07-09 创新先进技术有限公司 信用评估的方法及装置
CN108985638B (zh) * 2018-07-25 2020-07-24 腾讯科技（深圳）有限公司 一种用户投资风险评估方法和装置以及存储介质
CN109345089A (zh) * 2018-09-13 2019-02-15 杭州索骥数据科技有限公司 基于大数据的企业发展状态评估方法及系统
CN109299362B (zh) * 2018-09-21 2023-04-14 平安科技（深圳）有限公司 相似企业推荐方法、装置、计算机设备及存储介质
CN109597894B (zh) * 2018-09-30 2023-10-03 创新先进技术有限公司 一种关联模型生成方法及装置、一种数据关联方法及装置
CN109214904B (zh) * 2018-10-11 2024-07-02 平安科技（深圳）有限公司 财务造假线索的获取方法、装置、计算机设备和存储介质
CN109523117A (zh) * 2018-10-11 2019-03-26 平安科技（深圳）有限公司 风险预测方法、装置、计算机设备和存储介质
CN109472485A (zh) * 2018-11-01 2019-03-15 成都数联铭品科技有限公司 企业失信风险传播查询系统及方法
CN109523153A (zh) * 2018-11-12 2019-03-26 平安科技（深圳）有限公司 非法集资企业的获取方法、装置、计算机设备和存储介质
CN109543985A (zh) * 2018-11-15 2019-03-29 李志东 企业风险评估方法、系统及介质
CN109657917B (zh) * 2018-11-19 2022-04-29 平安科技（深圳）有限公司 评估对象的风险预警方法、装置、计算机设备和存储介质
CN109558592A (zh) * 2018-11-29 2019-04-02 上海点融信息科技有限责任公司 基于人工智能获取客户信用风险评估信息的方法及设备
CN109670837A (zh) * 2018-11-30 2019-04-23 平安科技（深圳）有限公司 债券违约风险的识别方法、装置、计算机设备和存储介质
CN109740865A (zh) * 2018-12-13 2019-05-10 平安科技（深圳）有限公司 风险评估方法、系统、设备及存储介质
CN109359901A (zh) * 2018-12-13 2019-02-19 泰康保险集团股份有限公司 基于区块链的企业风险确定方法及装置、介质和电子设备
KR102202139B1 (ko) * 2018-12-17 2021-01-12 지속가능발전소 주식회사 협력업체 공급망 리스크 분석 방법, 이를 수행하기 위한 기록매체
CN109800976A (zh) * 2019-01-07 2019-05-24 平安科技（深圳）有限公司 项目投资决策方法、装置、计算机设备和存储介质
CN109829640A (zh) * 2019-01-23 2019-05-31 平安科技（深圳）有限公司 企业违约风险的识别方法、装置、计算机设备和存储介质
CN111626887B (zh) * 2019-02-27 2024-12-27 北京奇虎科技有限公司 一种社交关系评估方法及装置
CN110033120A (zh) * 2019-03-06 2019-07-19 阿里巴巴集团控股有限公司 用于为商户提供风险预测赋能服务的方法及装置
CN110009229A (zh) * 2019-04-04 2019-07-12 泰康保险集团股份有限公司 基于区块链的供应链管理方法、装置、存储介质与设备
CN110188980A (zh) * 2019-04-15 2019-08-30 深圳壹账通智能科技有限公司 企业风险评分方法、装置、计算机设备及存储介质
CN112053021B (zh) * 2019-06-05 2025-01-21 国网信息通信产业集团有限公司 一种用于企业经营管理风险识别的特征编码方法及装置
CN110533528A (zh) * 2019-08-30 2019-12-03 北京市天元网络技术股份有限公司 评估企业信用的方法及设备
CN111104442A (zh) * 2019-11-06 2020-05-05 杭州绿程网络科技有限公司 一种企业综合数据的预处理方法
CN111291932A (zh) * 2020-02-12 2020-06-16 徐佳慧 面向投融资关系网络链路预测的方法、装置和设备
CN111340246A (zh) * 2020-02-26 2020-06-26 未来地图(深圳)智能科技有限公司 用于企业智能决策分析的处理方法、装置和计算机设备
CN111311105A (zh) * 2020-02-28 2020-06-19 深圳前海微众银行股份有限公司 组合产品评分方法、装置、设备及可读存储介质
CN111459961A (zh) * 2020-03-31 2020-07-28 深圳前海微众银行股份有限公司 业务数据的更新方法、装置、设备及存储介质
CN113592519A (zh) * 2020-04-30 2021-11-02 景德镇陶瓷大学 一种利于企业发展的市场营销数据分析评估系统
CN111353728A (zh) * 2020-05-06 2020-06-30 支付宝(杭州)信息技术有限公司 一种风险分析方法和系统
CN112016850A (zh) * 2020-09-14 2020-12-01 支付宝(杭州)信息技术有限公司 业务评估方法以及装置
CN112732804B (zh) * 2020-12-23 2024-04-26 北京金堤征信服务有限公司 合作数据评估方法及装置、电子设备和可读存储介质
CN112884496B (zh) * 2021-05-06 2021-08-20 达而观数据(成都)有限公司 计算企业信用因子分数的方法、装置及计算机存储介质
CN114168757B (zh) * 2022-02-11 2022-04-29 子长科技(北京)有限公司 公司事件风险预测方法、装置、存储介质及电子设备
CN117194932A (zh) * 2022-05-26 2023-12-08 腾讯科技（深圳）有限公司 实体的评价方法、装置、计算机可读介质及电子设备
CN116433022A (zh) * 2023-04-07 2023-07-14 重庆文诗奇源科技有限公司 一种基于信息网络嵌入的中小型企业风险评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150149247A1 (en) * 2013-05-02 2015-05-28 The Dun & Bradstreet Corporation System and method using multi-dimensional rating to determine an entity's future commercical viability
CN105740335A (zh) * 2016-01-22 2016-07-06 山东合天智汇信息技术有限公司 一种基于titan的企业信息分析平台及其构建方法
CN106203808A (zh) * 2016-07-01 2016-12-07 中国民生银行股份有限公司 企业信用风险评估方法和装置
CN107229756A (zh) * 2017-06-30 2017-10-03 山东合天智汇信息技术有限公司 一种直观展现企业关系图谱的设计方法及系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040215551A1 (en) * 2001-11-28 2004-10-28 Eder Jeff S. Value and risk management system for multi-enterprise organization
CA2474662A1 (en) * 2002-01-31 2003-08-07 Seabury Analytic Llc Business enterprise risk model and method
US20070208600A1 (en) * 2006-03-01 2007-09-06 Babus Steven A Method and apparatus for pre-emptive operational risk management and risk discovery
JP6009864B2 (ja) * 2011-09-21 2016-10-19 典秀 野田 企業評価システム、企業評価方法及び企業評価プログラム
US9087088B1 (en) * 2012-11-13 2015-07-21 American Express Travel Related Services Company, Inc. Systems and methods for dynamic construction of entity graphs
EP2973282A4 (en) * 2013-03-13 2016-11-16 Guardian Analytics Inc FRAUD RECOGNITION AND ANALYSIS
CN103942718A (zh) * 2014-04-14 2014-07-23 中国人民银行征信中心 企业信贷信息采集整合方法
CN105528465A (zh) * 2016-02-03 2016-04-27 天弘基金管理有限公司 信用状况评估方法及装置
CN105975491A (zh) * 2016-04-26 2016-09-28 重庆誉存企业信用管理有限公司 企业新闻分析方法及系统
CN105913195A (zh) * 2016-04-29 2016-08-31 浙江汇信科技有限公司 基于全行业数据的企业金融风险评分方法
CN106445988A (zh) * 2016-06-01 2017-02-22 上海坤士合生信息科技有限公司 一种大数据的智能处理方法和系统
CN106447066A (zh) * 2016-06-01 2017-02-22 上海坤士合生信息科技有限公司 一种大数据的特征提取方法和装置
CN106126614A (zh) * 2016-06-21 2016-11-16 山东合天智汇信息技术有限公司 一种追溯两个企业多层级关联路径的方法及系统
CN106934712A (zh) * 2017-03-16 2017-07-07 深圳微众税银信息服务有限公司 一种企业画像数据处理方法及系统
CN107133732A (zh) * 2017-04-27 2017-09-05 青岛格兰德信用管理咨询有限公司 基于大数据分析的关系圈挖掘方法及其应用
CN107239882A (zh) * 2017-05-10 2017-10-10 平安科技（深圳）有限公司 风险评估方法、装置、计算机设备及存储介质
CN107301493A (zh) * 2017-05-19 2017-10-27 四川新网银行股份有限公司 一种基于深度神经网络的互金企业评级模型
CN107220237A (zh) * 2017-05-24 2017-09-29 南京大学 一种基于卷积神经网络的企业实体关系抽取的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150149247A1 (en) * 2013-05-02 2015-05-28 The Dun & Bradstreet Corporation System and method using multi-dimensional rating to determine an entity's future commercical viability
CN105740335A (zh) * 2016-01-22 2016-07-06 山东合天智汇信息技术有限公司 一种基于titan的企业信息分析平台及其构建方法
CN106203808A (zh) * 2016-07-01 2016-12-07 中国民生银行股份有限公司 企业信用风险评估方法和装置
CN107229756A (zh) * 2017-06-30 2017-10-03 山东合天智汇信息技术有限公司 一种直观展现企业关系图谱的设计方法及系统

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443459A (zh) * 2019-07-05 2019-11-12 深圳壹账通智能科技有限公司 预警信息推送方法、装置、计算机设备和存储介质
CN110414806A (zh) * 2019-07-10 2019-11-05 平安科技（深圳）有限公司 员工风险预警方法及相关装置
CN110414806B (zh) * 2019-07-10 2024-05-14 平安科技（深圳）有限公司 员工风险预警方法及相关装置
CN110532357B (zh) * 2019-09-04 2024-03-12 深圳前海微众银行股份有限公司 Esg评分体系的生成方法、装置、设备及可读存储介质
CN110532357A (zh) * 2019-09-04 2019-12-03 深圳前海微众银行股份有限公司 Esg评分体系的生成方法、装置、设备及可读存储介质
CN113643035A (zh) * 2020-05-11 2021-11-12 阿里巴巴集团控股有限公司 信息处理方法、信息展示方法、装置、设备及存储介质
CN111951079A (zh) * 2020-08-14 2020-11-17 国网电子商务有限公司 一种基于知识图谱的信用评级方法、装置及电子设备
CN111951079B (zh) * 2020-08-14 2024-04-02 国网数字科技控股有限公司 一种基于知识图谱的信用评级方法、装置及电子设备
CN113743111B (zh) * 2020-08-25 2024-06-04 国家计算机网络与信息安全管理中心 基于文本预训练和多任务学习的金融风险预测方法及装置
CN113743111A (zh) * 2020-08-25 2021-12-03 国家计算机网络与信息安全管理中心 基于文本预训练和多任务学习的金融风险预测方法及装置
CN112418320B (zh) * 2020-11-24 2024-01-19 杭州未名信科科技有限公司 一种企业关联关系识别方法、装置及存储介质
CN112418320A (zh) * 2020-11-24 2021-02-26 杭州未名信科科技有限公司 一种企业关联关系识别方法、装置及存储介质
CN112365194A (zh) * 2020-12-01 2021-02-12 未鲲(上海)科技服务有限公司 企业数据处理方法、装置、设备及计算机存储介质
CN113837517A (zh) * 2020-12-01 2021-12-24 北京沃东天骏信息技术有限公司 事件的触发方法及装置、介质及电子设备
CN112598496A (zh) * 2020-12-15 2021-04-02 深圳前海微众银行股份有限公司 风控黑名单设置方法、装置、终端设备及可读存储介质
CN112598496B (zh) * 2020-12-15 2024-04-30 深圳前海微众银行股份有限公司 风控黑名单设置方法、装置、终端设备及可读存储介质
CN112579773A (zh) * 2020-12-16 2021-03-30 中国建设银行股份有限公司 风险事件分级方法及装置
CN112613762A (zh) * 2020-12-25 2021-04-06 北京知因智慧科技有限公司 基于知识图谱的集团评级方法、装置和电子设备
CN112598302B (zh) * 2020-12-25 2024-03-26 北京知因智慧科技有限公司 企业数据的评估方法、装置及服务器
CN112613762B (zh) * 2020-12-25 2024-04-16 北京知因智慧科技有限公司 基于知识图谱的集团评级方法、装置和电子设备
CN112598302A (zh) * 2020-12-25 2021-04-02 北京知因智慧科技有限公司 企业数据的评估方法、装置及服务器
CN113283806A (zh) * 2021-06-22 2021-08-20 中国平安财产保险股份有限公司 企业信息评估方法、装置、计算机设备及存储介质
CN113837527A (zh) * 2021-08-02 2021-12-24 深圳前海微众银行股份有限公司 企业评级方法、装置、设备以及存储介质
CN113506173A (zh) * 2021-08-06 2021-10-15 国网电子商务有限公司 一种信用风险评估方法及其相关设备
CN113673870B (zh) * 2021-08-23 2024-04-30 杭州安恒信息技术股份有限公司 一种企业数据分析方法及相关组件
CN113673870A (zh) * 2021-08-23 2021-11-19 杭州安恒信息技术股份有限公司 一种企业数据分析方法及相关组件
CN113689288A (zh) * 2021-08-25 2021-11-23 深圳前海微众银行股份有限公司 基于实体列表的风险识别方法、装置、设备及存储介质
CN113689288B (zh) * 2021-08-25 2024-05-14 深圳前海微众银行股份有限公司 基于实体列表的风险识别方法、装置、设备及存储介质
CN113962568A (zh) * 2021-10-26 2022-01-21 天元大数据信用管理有限公司 基于支持向量机的模型标签标注方法、设备及介质
CN113919957A (zh) * 2021-10-29 2022-01-11 深圳壹账通智能科技有限公司 一种循环投资比例计算及路径表示方法、装置、电子设备和介质
CN114118816A (zh) * 2021-11-30 2022-03-01 建信金融科技有限责任公司 一种风险评估方法、装置、设备及计算机存储介质
CN114493838A (zh) * 2022-01-24 2022-05-13 浙江惠瀜网络科技有限公司 家装公司风险识别方法、装置、终端及存储介质
CN114693127A (zh) * 2022-03-31 2022-07-01 中国建设银行股份有限公司 评价信息确定方法、装置、设备及计算机存储介质
CN115049252A (zh) * 2022-06-13 2022-09-13 苏州大数据有限公司 一种企业安全风险评估系统
CN115481891A (zh) * 2022-09-16 2022-12-16 中诚信征信有限公司 一种风险评估方法、装置及电子设备
CN115936857A (zh) * 2023-01-04 2023-04-07 建信金融科技有限责任公司 行业的风险评估方法、装置、设备、存储介质及程序产品
CN117829586A (zh) * 2023-12-08 2024-04-05 深圳市南弯数字科技有限公司 企业风险评估系统的控制方法、设备及存储介质
CN118469281A (zh) * 2024-05-06 2024-08-09 宁波诺丁汉大学 一种企业风险评估模型构建方法及评估方法、装置
CN118887063A (zh) * 2024-07-09 2024-11-01 浙江云智迪科技有限公司 一种基于大模型技术的社区治理风险研判预警系统
CN120069518A (zh) * 2025-01-03 2025-05-30 北京大学 基于元路径去噪与胶囊网络建模的企业违约预测方法及系统

Also Published As

Publication number Publication date
CN107909274B (zh) 2023-02-28
CN107909274A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
WO2019095572A1 (zh) 企业投资风险评估方法、装置及存储介质
WO2019061994A1 (zh) 电子装置、保险产品推荐方法、系统及计算机可读存储介质
US9411917B2 (en) Methods and systems for modeling crowdsourcing platform
CN119721689B (zh) 业务风险评估方法、装置、计算机设备及存储介质
CN110457333B (zh) 数据实时更新方法、装置及计算机可读存储介质
CN114048330B (zh) 风险传导概率知识图谱生成方法、装置、设备及存储介质
CN107909178A (zh) 电子装置、失联修复率预测方法和计算机可读存储介质
CN119205338A (zh) 合同风险识别方法、装置、设备、存储介质和程序产品
WO2018171295A1 (zh) 一种给文章标注标签的方法、装置、终端及计算机可读存储介质
CN114565470A (zh) 基于人工智能的金融产品推荐方法、及其相关设备
AU2023275277A1 (en) Methods, systems and computer program products for determining models for predicting reoccurring transactions
US9141686B2 (en) Risk analysis using unstructured data
CN107943788B (zh) 企业简称生成方法、装置及存储介质
CN117273968A (zh) 一种跨业务线产品的会计凭证生成方法及其相关设备
US11875374B2 (en) Automated auditing and recommendation systems and methods
CN107945034A (zh) 基于微博财经事件的金融分析方法、应用服务器及计算机可读存储介质
CN117033431B (zh) 工单处理方法、装置、电子设备和介质
CN117172632B (zh) 一种企业异常行为检测方法、装置、设备及存储介质
CN117853247A (zh) 基于人工智能的产品推荐方法、装置、设备及存储介质
CN111179076B (zh) It系统智能管理方法、装置及计算机可读存储介质
CN116934512A (zh) 一种财务月结审核方法、装置、计算机设备及存储介质
CN110909777B (zh) 一种多维特征图嵌入方法、装置、设备及介质
CN114066473A (zh) 用户还款意向预测方法、装置、计算机设备及存储介质
CN117113191B (zh) 一种数据分级分类模型构建方法、装置、设备及存储介质
CN114819432B (zh) 企业非法集资风险预测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18879239

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 01/10/2020)

122 Ep: pct application non-entry in european phase

Ref document number: 18879239

Country of ref document: EP

Kind code of ref document: A1