WO2023065545A1 - 风险预测方法、装置、设备及存储介质 - Google Patents

风险预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2023065545A1
WO2023065545A1 PCT/CN2022/071241 CN2022071241W WO2023065545A1 WO 2023065545 A1 WO2023065545 A1 WO 2023065545A1 CN 2022071241 W CN2022071241 W CN 2022071241W WO 2023065545 A1 WO2023065545 A1 WO 2023065545A1
Authority
WO
WIPO (PCT)
Prior art keywords
risk
graph
preset
knowledge graph
sparse
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/CN2022/071241
Other languages
English (en)
French (fr)
Inventor
肖京
李娜
王磊
赵盟盟
王媛
谭韬
陈又新
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 WO2023065545A1 publication Critical patent/WO2023065545A1/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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 technical field of artificial intelligence, and in particular to a risk prediction method, device, electronic equipment, and computer-readable storage medium.
  • the existing risk prediction methods are mainly based on the relatively simple network structure between enterprises, and the generation of the network structure depends on the relationship between enterprises, such as credit relationship.
  • a risk prediction method provided by this application includes:
  • Predict the target risk entity by using the macro prediction model to obtain a macro risk probability, and determine that the industry type corresponding to the entity whose macro risk probability is greater than or equal to a preset macro threshold is a risk industry.
  • the present application also provides a risk prediction device, the device comprising:
  • the knowledge map construction module is used to obtain a multi-source information set, extract a risk-aware factor set from the multi-source information set, and construct a time-series knowledge map based on the risk-aware factor set, and use the preset implicit relationship to complement the algorithm
  • the implicit relationship in the time series knowledge graph is obtained to obtain a standard knowledge graph
  • the target risk entity prediction module is used to construct a risk prediction model based on a preset reinforcement learning algorithm, use the risk prediction model to perform risk prediction on entities in the standard knowledge map, obtain a risk probability, and set the risk probability to be greater than Or an entity equal to a preset probability threshold as a target risk entity;
  • An event map generation module configured to use a preset causal relation supplementary algorithm to supplement the time-series knowledge map with causal relations to obtain an event map;
  • the graph quantification module is used to use the preset social network analysis algorithm to quantify the relationship of the standard knowledge graph to obtain the closeness of dependence, and use the preset graph attention network to quantify the degree of the standard knowledge graph to obtain the event hazard degree;
  • the macro prediction module is used to obtain a macro prediction model based on the event map, the dependency closeness and the event hazard degree combined with graph neural network and semi-supervised method training, and use the macro prediction model to predict the target risk entity Prediction is performed to obtain the macro risk probability, and the industry type corresponding to the entity whose macro risk probability is greater than or equal to the preset macro threshold is determined as a risk industry.
  • the present application also provides an electronic device, the electronic device comprising:
  • the memory stores a computer program executable by the at least one processor, the computer program is executed by the at least one processor, so that the at least one processor can perform the following steps:
  • Predict the target risk entity by using the macro prediction model to obtain a macro risk probability, and determine that the industry type corresponding to the entity whose macro risk probability is greater than or equal to a preset macro threshold is a risk industry.
  • the present application also provides a computer-readable storage medium, at least one computer program is stored in the computer-readable storage medium, and the at least one computer program is executed by a processor in an electronic device to implement the following steps:
  • Predict the target risk entity by using the macro prediction model to obtain a macro risk probability, and determine that the industry type corresponding to the entity whose macro risk probability is greater than or equal to a preset macro threshold is a risk industry.
  • Fig. 1 is a schematic flow chart of a risk prediction method provided by an embodiment of the present application
  • FIG. 2 is a functional block diagram of a risk prediction device provided by an embodiment of the present application.
  • Fig. 3 is a schematic structural diagram of an electronic device implementing the risk prediction method provided by an embodiment of the present application.
  • the embodiment of this application provides a risk prediction method.
  • the subject of execution of the risk prediction method includes but is not limited to at least one of electronic devices such as a server and a terminal that can be configured to execute the method provided by the embodiment of the present application.
  • the risk prediction method can be executed by software or hardware installed on the terminal device or server device, and the software can be a block chain platform.
  • the server includes, but is not limited to: a single server, a server cluster, a cloud server or a cloud server cluster, and the like.
  • the server can be an independent server, or it can provide cloud services, cloud databases, cloud computing, cloud functions, cloud storage, network services, cloud communications, middleware services, domain name services, security services, content delivery network (ContentDelivery Network) , CDN), and cloud servers for basic cloud computing services such as big data and artificial intelligence platforms.
  • the risk prediction method includes:
  • the multi-source information set can be obtained from multi-source heterogeneous information sources, wherein the multi-source heterogeneous information sources come from multiple channels such as Internet public data, business data and government data, including but not It is limited to various types such as video, electronic pictures, remote sensing images, and texts.
  • multi-source heterogeneous information sources come from multiple channels such as Internet public data, business data and government data, including but not It is limited to various types such as video, electronic pictures, remote sensing images, and texts.
  • the extracting the risk perception factor set from the multi-source information set includes:
  • the information in the multi-source information set contains different types, and the text information and image information in the multi-source information set are screened out, and the text information is factor-extracted using a preset natural language processing technology, wherein, Described natural language processing technique can be to utilize Word2Vec algorithm to carry out word embedding, utilize FastText model or ELMO (Embedding from language models, two-way language model) model to carry out text feature encoding, utilize BERT (Bidirectional Encoder Representations from Transformer, two-way encoder representation) The model performs text feature extraction.
  • Word2Vec algorithm to carry out word embedding
  • ELMO Embedding from language models, two-way language model
  • BERT Bidirectional Encoder Representations from Transformer, two-way encoder representation
  • the image recognition technology can be target detection algorithms such as YOLO V2-V4 or SSD, target recognition algorithms such as AlexNet or ResNet, and weakly supervised semantic segmentation methods and other semantic segmentation algorithms.
  • optical character recognition (OCR) and NLP technology can be used to complete information extraction.
  • targets such as crops, shipping goods, and sea and land transportation can be identified from ultra-high-resolution satellite images, and then early warnings can be made for changes in important links of economic production.
  • OCR technology can be used to extract useful information from non-standard information such as financial notes and transaction notes Important information for risk assessment, while nighttime light remote sensing data can be used to dynamically predict population density and urban expansion speed.
  • NLP natural language processing
  • Text data such as news, public opinion, and forum information
  • find the relationship between financial events and extract relevant factors that describe economic uncertainty
  • Text data which can mine information such as enterprise income, business development scale, and company development strategy tendency; it can also extract event tendency scores, attention Degree index, risk volatility and other factors.
  • constructing a time series knowledge map based on the risk perception factor set includes:
  • a graph is constructed based on the entity and the entity relationship to obtain a time series knowledge graph.
  • the algorithm for entity relationship extraction includes but is not limited to the following: supervised learning (SVM, NN, naive Bayesian), semi-supervised learning (distance supervision, Bootstrapping), deep learning ( Pipeline such as Att-CNN&Att-BLSTM, Joint Model such as LSTM-RNNs).
  • supervised learning SVM, NN, naive Bayesian
  • semi-supervised learning distance supervision, Bootstrapping
  • deep learning Pipeline such as Att-CNN&Att-BLSTM, Joint Model such as LSTM-RNNs.
  • SWRL graph-based reasoning Path Ranking
  • the relationship between entities in the time-series knowledge graph can be enriched and calibrated, and the application range of the time-series knowledge graph can be broadened.
  • the implicit relationship refers to the entity relationship that is difficult to obtain directly between entities, and the time-series knowledge graph contains multiple entities and the relationship between entities, but the relationship between entities in the time-series knowledge graph is more obvious Therefore, it is necessary to deeply mine each entity to obtain the implicit relationship, and add the implicit relationship to the time-series knowledge graph to obtain a standard knowledge graph.
  • the use of the preset implicit relationship complement algorithm to complement the implicit relationship in the time-series knowledge graph to obtain a standard knowledge graph includes:
  • this solution uses the graph convolutional network model to complete the implicit relationship of the time-series knowledge graph, mainly in that the graph sparse processing is performed on the time-series knowledge graph first, and the sparse data obtained after the graph sparse Knowledge graphs are used as input to relational graph convolutional networks for relational prediction.
  • This method can avoid the problem of low prediction accuracy of the model due to sparse features when the observed entity relationship samples are insufficient and the entity relationship types are diverse.
  • it can solve the problem of nodes on large graphs as the size of the graph increases. Functions such as classification and relation prediction can also be time and space intensive problems.
  • the graph convolutional network model converts the input knowledge map into a sparse knowledge map and performs the next step of relationship prediction.
  • the preset sparse graph convolutional network performs graph sparse processing on the time series knowledge graph to obtain a sparse knowledge graph, including:
  • E ⁇ e 1 ,..., e m ⁇ is a set of relationships between entities in the time-series knowledge graph
  • the adjacency matrix corresponding to the time-series knowledge graph is a two-dimensional array storing the relationship between entities.
  • the preset weight matrix of the graph convolutional network can be W (0) and W (1) .
  • the construction of the sparse output function based on the adjacency matrix, the feature matrix and the preset weight matrix includes:
  • W is the preset weight matrix
  • A is the adjacency matrix
  • IN is a fixed parameter
  • diag is a diagonal matrix
  • W (0) and W (1) are the preset weight matrices of the sparse graph convolutional network
  • ReLU is linear rectification function
  • X is the feature matrix.
  • optimization of the sparse output function by using the multiplier-based alternating direction algorithm includes:
  • An adaptive moment estimation optimizer is used to update the gradients of the variables in the simplified output function to obtain the updated gradients of the variables.
  • simplifying the sparse output function means that the output of the sparse graph convolutional network depends on and W, but can be expressed as a function of A, then the output can be expressed as a function of A and W, that is, Z(A,W), because W remains unchanged, Z(A,W) can be simplified to Z(A) .
  • the adaptive moment estimation optimizer is used to update the gradient of the variables in the simplified output function, and the variables in the optimized sparse output function are updated to the time-series knowledge graph to obtain a sparse knowledge graph .
  • the optimization process using the multiplier-based Alternating Direction Algorithm can preserve the network backbone of the structural and hierarchical information in the temporal knowledge graph, and preserve the performance of the temporal knowledge graph while maintaining the performance of node classification prediction. edge information.
  • the method further includes:
  • the relational graph convolutional network is output as a trained relational graph convolutional network.
  • the relational graph convolutional network includes an entity encoder and a decoder
  • the entity encoder is used to generate a latent feature representation of an entity
  • the decoder is used to score the latent feature representation through a scoring function.
  • the entity encoder in the preset relational graph convolutional network is used to perform feature prediction on the sparse knowledge graph, that is, the R-GCN is used as the encoder to generate a real vector representation e i of each entity.
  • the R-GCN model stacks L layers according to the preset method, the output of the previous layer in the R-GCN model will be used as the input of the next layer, and the entity encoder uses the output of R-GCN as the vector of each entity means that is the hidden vector (hidden state) of node v i in the l-layer neural network, and d (l) is the dimension represented by the vector of this layer.
  • the scoring of the latent features corresponding to the entity based on the decoder in the relational graph convolutional network includes:
  • the latent features corresponding to the entities are scored using the DistMult factorization model in the decoder.
  • the DistMult factorization model is a kind of semantic matching model.
  • the semantic matching model uses a similarity-based scoring function to measure the possibility of the existence or establishment of this triple by matching the latent semantics of entities and relations in the latent space.
  • DistMult factorization model in the decoder to score the potential features corresponding to the entity, including:
  • cross-entropy loss value calculated according to the target potential feature and the preset cross-entropy loss function includes:
  • the cross-entropy loss function is:
  • the relationship prediction is carried out on the sparse knowledge map, and the implicit relationship is obtained as "using the PPP mode to trigger the oriental garden event", then the implicit relationship "using the PPP mode to trigger the oriental garden event" is added to the time series knowledge map In the process, the standard knowledge graph is obtained.
  • the preset reinforcement learning algorithm is a framework that can be applied to sequential decision-making and control tasks, wherein the agent (Agent) in the reinforcement learning algorithm optimizes its behavior by interacting with the environment (Environment).
  • the construction of a risk prediction model based on a preset reinforcement learning algorithm includes:
  • the time difference is used as an objective function, and the reinforcement learning algorithm is used as a framework to train a risk prediction model.
  • the original risk status data refers to the identification data of the risk situation to which the current data belongs.
  • Pre-training data can be obtained by extracting data conforming to preset sampling standards, for example, extracting data whose risk profile satisfies high-risk and medium-risk conditions as pre-training data.
  • the reinforcement learning algorithm is the Actor-Critic algorithm.
  • Actor-Critic the role of the agent is divided into a participant (Actor) and a critic (Critic).
  • Actor and Critic respectively represent Policy and Value function.
  • the critic is responsible for processing the received reward r, i.e. evaluating the quality of the current policy by adjusting the value function.
  • the participants are updated by using information from the critic.
  • the risk prediction model can be used to perform risk prediction on a plurality of different entities in the standard knowledge map, and the entities are input into the risk prediction model to obtain the risk corresponding to the entity probability, and the entity whose risk probability is greater than or equal to the preset probability threshold is taken as the target risk entity.
  • the entities in the standard knowledge graph include different types of enterprises.
  • an enterprise whose risk probability in the standard knowledge graph is predicted to be greater than or equal to the preset probability threshold according to the risk prediction model is used as a target risk enterprise.
  • the causal relationship supplement refers to supplementing the causal sequence and other relationships among entities in the time series knowledge graph.
  • the use of the preset causality supplement algorithm to supplement the time-series knowledge map with causality to obtain the event map includes:
  • Event fusion is performed on multiple standard triples to obtain fusion events, and the fusion events are added to the time series knowledge graph to obtain an event graph.
  • an event refers to an event or state change that occurs at a specific point in time or a period of time, or in a specific geographical area, and consists of one or more actions involving one or more roles.
  • One event causes or causes or causes another event between two events.
  • the causal relationship includes positive, negative, explicit and implicit relationships, and includes other things such as exclusion of turning, juxtaposition, etc., which can help event fusion and reasoning various relationships.
  • the causality induction is to form a causal triplet in the data form of a triplet of "causal event-relationship-result event" from two events with causal relationship extracted from the training text set.
  • event extraction and causality induction can be completed through a pre-training model, wherein the basic model in the pre-training model adopts the structural idea of BERT+CRF, and in fact, RoBERTa, an improved version of BERT, is used as the pre-training model.
  • the input is a word embedding vector.
  • multiple transformer modules are used to output multiple hidden vectors. Then the sequence label generation task is completed by the Seq2Seq model.
  • this model can also complete the standardized expression of events and remove adverbs, particles and other tasks.
  • the joint model makes full use of the semantic information of the pre-trained model, and achieves good results in both event extraction and induction.
  • the preset screening criteria are pre-constructed rules or templates to filter event nodes that do not conform to expression habits or incomplete expressions, and after obtaining standardized event representation and causal relationship, use pre-constructed rules or templates to filter events Express custom or incomplete event nodes.
  • Different event nodes after screening may refer to the same entity in the real world because they have the same meaning. Therefore, event fusion is required to obtain fusion events.
  • performing event fusion on multiple standard triples to obtain a fusion event includes:
  • the standard triplet corresponding to the similarity is divided into the first cluster of events
  • the incremental clustering algorithm can obtain real-time clustering results, so after clustering some event samples, samples can be extracted from the clustering results to expand the training set and retrain the model so that the model can learn new Event and text features to enhance the clustering effect. Finally, after the above steps are completed, combine all the clusters with fewer samples in the clustering result with Buffer as uncertain samples, and use the model after multiple trainings to cluster these samples to obtain the final clustering result. Thus, the process of this part of event fusion is completed.
  • the use of the preset social network analysis algorithm to quantify the relationship of the standard knowledge map to obtain the closeness of dependence includes:
  • the degree centrality refers to the number of edges connected to a node, which is used to represent the connection degree of nodes
  • the modularity class is used for community detection, and is used to measure community division Quality or stability, a modular classification measure equal to the number of edges within a group minus the expected number of edges in an equivalent network with randomly set edges.
  • the Betweenness centrality measures how easy it is for a node to reach other nodes.
  • the calculation of the proximity centrality of the standard knowledge graph using a preset proximity centrality calculation formula includes:
  • C B (v) represents the proximity centrality value of node v
  • ⁇ st (v) represents the sum of the shortest paths from node s to node t passing through v
  • ⁇ st represents the distance between node s and node t The sum of all the shortest path numbers of , v,s,t ⁇ V.
  • the preset calculation formula of dependence closeness includes:
  • the graph attention network learns the attention coefficients on all neighbors of the node to perform feature aggregation, and can Improving the performance of many graph learning tasks.
  • the scoring function depends on the attention coefficient of the network and the related entity feature vector, and then train the model with the goal of minimizing the mean square error loss, and finally output the relationship between each pair of entities in the form of a matrix. risk hazard score. Therefore, for different knowledge graphs and entity characteristics, it is possible to quantitatively evaluate entity relationships in the financial field, such as corporate credit relationships, supply chain relationships, and inter-industry input-output relationships.
  • the S7 includes:
  • the supervised model and the unsupervised time series model are combined into a macro forecasting model by using a preset semi-supervised Bayesian algorithm.
  • the macro forecast model is used to predict the risk of the industry, and the macro forecast model is used to predict the target risk entity to obtain the macro risk probability, and the macro risk probability is greater than or equal to the predicted
  • the industry type corresponding to the entity of the set macro threshold is a risk industry.
  • the target risk entity is the construction and environmental protection sector
  • the macro forecast model is used to predict the target risk entity
  • the macro risk probability is 0.6. If the preset macro threshold is 0.5, the macro risk probability is greater than As for the macro threshold, the target risk entity is the construction industry corresponding to the construction and environmental protection sector as the risk industry.
  • the embodiment of the present application extracts the risk perception factor set from the pre-acquired multi-source information set, and builds a time-series knowledge map based on the risk-aware factor set.
  • the relation complement algorithm completes the implicit relation in the time series knowledge map to obtain the standard knowledge map.
  • Building a risk prediction model based on a preset reinforcement learning algorithm, using the reinforcement learning algorithm to construct the model can ensure the stability of the model, and using the risk prediction model to perform risk prediction on entities in the standard knowledge map, and obtain Target risk entity.
  • the risk forecasting model can realize risk forecasting from the perspective of entities, and the macro forecasting model can predict the target risk entities that have undergone risk forecasting from an industry perspective, thereby improving the accuracy of risk forecasting for industries. Therefore, the risk prediction method proposed in this application can solve the problem that the accuracy of risk prediction for the industry is not high enough.
  • FIG. 2 it is a functional block diagram of a risk prediction device provided by an embodiment of the present application.
  • the risk prediction device 100 described in this application can be installed in an electronic device. According to the realized functions, the risk prediction device 100 may include a knowledge graph construction module 101 , a target risk entity prediction module 102 , an event graph generation module 103 , a graph quantification module 104 and a macro prediction module 105 .
  • the module described in this application can also be called a unit, which refers to a series of computer program segments that can be executed by the processor of the electronic device and can complete fixed functions, and are stored in the memory of the electronic device.
  • each module/unit is as follows:
  • the knowledge map construction module 101 is used to obtain a multi-source information set, extract a risk-aware factor set from the multi-source information set, and construct a time-series knowledge map based on the risk-aware factor set, and use preset implicit relationships to supplement The algorithm completes the implicit relationship in the time-series knowledge graph to obtain a standard knowledge graph;
  • the target risk entity prediction module 102 is configured to construct a risk prediction model based on a preset reinforcement learning algorithm, use the risk prediction model to perform risk prediction on entities in the standard knowledge graph, obtain a risk probability, and convert the Entities whose risk probability is greater than or equal to the preset probability threshold are regarded as target risk entities;
  • the event map generation module 103 is used to supplement the sequence knowledge map with causality by using a preset causal relation supplementary algorithm to obtain an event map;
  • the graph quantification module 104 is used to quantify the relationship of the standard knowledge graph by using a preset social network analysis algorithm to obtain the degree of dependency, and use the preset graph attention network to quantify the degree of the standard knowledge graph, Get the degree of hazard of the event;
  • the macro-prediction module 105 is used to obtain a macro-prediction model based on the event map, the dependency closeness and the degree of hazard of the event in combination with graph neural network and semi-supervised method training, and use the macro-prediction model to analyze the
  • the target risk entity performs prediction to obtain the macro risk probability, and determines that the industry type corresponding to the entity whose macro risk probability is greater than or equal to the preset macro threshold is a risk industry.
  • each module described in the risk prediction device 100 in the embodiment of the present application uses the same technical means as the risk prediction method described in Figure 1 above, and can produce the same technical effect, and will not be repeated here. .
  • FIG. 3 it is a schematic structural diagram of an electronic device implementing a risk prediction method provided by an embodiment of the present application.
  • the electronic device 1 may include a processor 10, a memory 11, a communication bus 12, and a communication interface 13, and may also include a computer program stored in the memory 11 and operable on the processor 10, such as a risk prediction program .
  • the processor 10 may be composed of integrated circuits in some embodiments, for example, may be composed of a single packaged integrated circuit, or may be composed of multiple integrated circuits with the same function or different functions packaged, including one or A combination of multiple central processing units (Central Processing unit, CPU), microprocessors, digital processing chips, graphics processors and various control chips, etc.
  • the processor 10 is the control core (Control Unit) of the electronic device, and uses various interfaces and lines to connect the various components of the entire electronic device, and runs or executes programs or modules stored in the memory 11 (such as executing risk prediction program, etc.), and call the data stored in the memory 11 to execute various functions of the electronic device and process data.
  • Control Unit Control Unit
  • the memory 11 includes at least one type of readable storage medium, and the readable storage medium includes flash memory, mobile hard disk, multimedia card, card type memory (for example: SD or DX memory, etc.), magnetic memory, magnetic disk, optical disk, etc. .
  • the storage 11 may be an internal storage unit of the electronic device in some embodiments, such as a mobile hard disk of the electronic device.
  • the memory 11 can also be an external storage device of an electronic device in other embodiments, such as a plug-in mobile hard disk equipped on an electronic device, a smart memory card (Smart Media Card, SMC), 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 and an external storage device.
  • the memory 11 can not only be used to store application software and various data installed in electronic equipment, such as codes of risk prediction programs, but also can be used to temporarily store data that has been output or will be output.
  • the communication bus 12 may be a peripheral component interconnect (PCI for short) bus or an extended industry standard architecture (EISA for short) bus or the like.
  • PCI peripheral component interconnect
  • EISA extended industry standard architecture
  • the bus can be divided into address bus, data bus, control bus and so on.
  • the bus is configured to realize connection and communication between the memory 11 and at least one processor 10 and the like.
  • the communication interface 13 is used for communication between the electronic device and other devices, including a network interface and a user interface.
  • the network interface may include a wired interface and/or a wireless interface (such as a WI-FI interface, a Bluetooth interface, etc.), which are generally used to establish a communication connection between the electronic device and other electronic devices.
  • the user interface may be a display (Display) or an input unit (such as a keyboard (Keyboard)).
  • the user interface may also be a standard wired interface or 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, organic light-emitting diode) touch device, and the like.
  • the display may also be properly referred to as a display screen or a display unit, and is used for displaying information processed in the electronic device and for displaying a visualized user interface.
  • FIG. 3 only shows an electronic device with components. Those skilled in the art can understand that the structure shown in FIG. 3 does not constitute a limitation to the electronic device 1, and may include fewer or more components, or combinations of certain components, or different arrangements of components.
  • the electronic device may also include a power supply (such as a battery) for supplying power to various components.
  • the power supply may be logically connected to the at least one processor 10 through a power management device, so that Realize functions such as charge management, discharge management, and power consumption management.
  • the power supply may also include one or more DC or AC power supplies, recharging devices, power failure detection circuits, power converters or inverters, power status indicators and other arbitrary components.
  • the electronic device may also include various sensors, a Bluetooth module, a Wi-Fi module, etc., which will not be repeated here.
  • the risk prediction program stored in the memory 11 in the electronic device 1 is a combination of multiple instructions. When running in the processor 10, it can realize:
  • Predict the target risk entity by using the macro prediction model to obtain a macro risk probability, and determine that the industry type corresponding to the entity whose macro risk probability is greater than or equal to a preset macro threshold is a risk industry.
  • the integrated modules/units of the electronic device 1 are realized in the form of software function units and sold or used as independent products, they can be stored in a computer-readable storage medium.
  • the computer-readable storage medium may be volatile or non-volatile.
  • the computer-readable storage medium may include: any entity or device capable of carrying the computer program code, recording medium, U disk, removable hard disk, magnetic disk, optical disk, computer memory, read-only memory (ROM, Read- Only Memory).
  • the present application also provides a computer-readable storage medium, the computer-readable storage medium stores a computer program, and when the computer program is executed by a processor of an electronic device, it can realize:
  • Predict the target risk entity by using the macro prediction model to obtain a macro risk probability, and determine that the industry type corresponding to the entity whose macro risk probability is greater than or equal to a preset macro threshold is a risk industry.
  • modules described as separate components may or may not be physically separated, and the components shown as modules may or may not be physical units, that is, they may be located in one place, or may be distributed to multiple network units. Part or all of the modules can be selected according to actual needs to achieve the purpose of the solution of this embodiment.
  • each functional module in each embodiment of the present application may be integrated into one processing unit, each unit may exist separately physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated units can be implemented in the form of hardware, or in the form of hardware plus software function modules.
  • Blockchain essentially a decentralized database, is a series of data blocks associated with each other using cryptographic methods. Each data block contains a batch of network transaction information, which is used to verify its Validity of information (anti-counterfeiting) and generation of the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.
  • AI artificial intelligence
  • digital computers or machines controlled by digital computers to simulate, extend and expand human intelligence, perceive the environment, acquire knowledge and use knowledge to obtain the best results.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及人工智能技术，揭露一种风险预测方法，包括：基于从多源信息集中提取的风险感知因子集构建时序知识图谱，对时序知识图谱进行隐含关系补充和因果关系补充，得到标准知识图谱和事理图谱；利用强化学习算法构建的风险预测模型预测得到目标风险实体；对标准知识图谱进行关系量化和程度量化，得到依存紧密度和事件危害程度，基于事理图谱、依存紧密度和事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型，利用宏观预测模型预测出目标风险实体对应的风险行业。此外，本申请还涉及区块链技术，事理图谱可存储于区块链的节点。本申请还提出一种风险预测装置、电子设备以及存储介质。本申请可以提高对行业进行风险预测的准确度。

Description

风险预测方法、装置、设备及存储介质
本申请要求于2021年10月19日提交中国专利局、申请号为CN202111216347.6、名称为“风险预测方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及人工智能技术领域，尤其涉及一种风险预测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技的发展和社会的进步，为了保证经济的稳定发展，提前进行关于行业的金融风险的预测是十分有必要的。行业的金融风险可能危及整个金融体系稳定,对实体经济造成严重负面效应的风险。
现有的风险预测方法主要基于较为简单的企业之间的网络结构，网络结构的生成要依赖于企业关系，如信贷关系。发明人意识到，企业间的关系复杂多样，例如合作研发关系、竞争关系、供应链关系等难以观测，因此会导致网络结构中缺失多种无法观测的隐含关系，进而导致对行业进行风险预测的准确度较低。
发明内容
本申请提供的一种风险预测方法，包括：
获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；
利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
基于预设的强化学习算法构建风险预测模型；
利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型；
利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
本申请还提供一种风险预测装置，所述装置包括：
知识图谱构建模块，用于获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱，利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
目标风险实体预测模块，用于基于预设的强化学习算法构建风险预测模型，利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
事理图谱生成模块，用于利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
图谱量化模块，用于利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件 危害程度；
宏观预测模块，用于基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型，利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
本申请还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下步骤：
获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；
利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
基于预设的强化学习算法构建风险预测模型；
利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型；
利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现如下步骤：
获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；
利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
基于预设的强化学习算法构建风险预测模型；
利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型；
利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
附图说明
图1为本申请一实施例提供的风险预测方法的流程示意图；
图2为本申请一实施例提供的风险预测装置的功能模块图；
图3为本申请一实施例提供的实现所述风险预测方法的电子设备的结构示意图。
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。
本申请实施例提供一种风险预测方法。所述风险预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述风险预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本申请一实施例提供的风险预测方法的流程示意图。在本实施例中，所述风险预测方法包括：
S1、获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱。
本申请实施例中，可以从多源异构信息源中获取多源信息集，其中，所述多源异构信息源来自于互联网公开数据、业务数据和政府数据等多个渠道，包括但不限于视频、电子图片、遥感影像、文本等多种类型。
具体地，所述从所述多源信息集中提取风险感知因子集，包括：
识别所述多源信息集中的文本信息和图像信息；
利用预设的自然语言处理技术对所述文本信息进行因子提取，得到文本感知因子集；
利用预设的图像识别技术对所述图像信息进行因子提取，得到图像感知因子集；
将所述文本感知因子集和所述图像感知因子集进行汇总，得到风险感知因子集。
详细地，所述多源信息集中的信息包含不同的类型，筛选出所述多源信息集中的文本信息和图像信息，利用预设的自然语言处理技术对所述文本信息进行因子提取，其中，所述自然语言处理技术可以为利用Word2Vec算法进行词嵌入，利用FastText模型或者ELMO(Embedding from language models，双向语言模型)模型进行文本特征编码，利用BERT(Bidirectional Encoder Representations from Transformer，双向编码器表征)模型进行文本特征提取。利用预设的图像识别技术对所述图像信息进行因子提取，其中，所述图像识别技术可以为YOLO V2～V4或者SSD等目标检测算法、AlexNet或者ResNet等目标识别算法、弱监督的语义分割方法等语义分割算法。
在本方案中，对于图片信息而言，例如可以利用卫星图像识别技术、光学字符识别(OCR)并结合NLP技术等技术完成信息提取。例如可以从超高分辨率卫星图像中识别农作物、航运货物、海陆运输等目标，进而对经济生产重要环节走势变化做出预警，可以使用OCR技术从财务票据、交易票据等非标准信息中提取用于风险审核的重要信息，而夜间灯光遥感数据则可用来动态预测人口密度、城市扩张速度。对于文本信息内容，可以利用自然语言处理(NLP)结合机器学习等技术完成信息提取。如可以从新闻、舆情、论坛资讯类文本数据中实时识别金融实体、发现金融事件的关联关系，提取刻画经济不确定性等的相关因子；从上市公司年报、IPO招股说明书和公司前瞻性陈述类文本数据，可挖掘企业收入、业务发展规模、公司发展战略倾向等信息；也可从社交媒体类文本信息中，包括推特、微博、微信公众号和论坛帖子等，提取事件倾向评分、关注度指数、风险波动率等因子。
进一步地，所述基于所述风险感知因子集构建时序知识图谱，包括：
抽取所述风险感知因子集中的实体和实体关系；
基于所述实体和所述实体关系进行图谱构建，得到时序知识图谱。
其中，利用Word2Vec或者LSTM+CRF进行实体抽取，进行实体关系抽取的算法包括但不限于以下：监督学习(SVM,NN,朴素贝叶斯)、半监督学习(远程监督,Bootstrapping)、深度学习(Pipeline如Att-CNN&Att-BLSTM，Joint Model如LSTM-RNNs)。利用基于规则的推理SWRL或者基于图的推理Path Ranking进行图谱构建，得到时序知识图谱。
例如，以PPP(Public-Private Partnership，政府和社会资本合作)合作模式为诱因引发的“东方园林”2018年发债事件为例，所述实体可以为东方园林、10亿公司债等，所述实体关系可以为宣布、发行等。
S2、利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱。
本申请实施例中，通过补全所述时序知识图谱中的隐含关系可以丰富和校准所述时序知识图谱中各个实体之间的关系，扩宽所述时序知识图谱的应用范围。
其中，所述隐含关系是指实体之间难以直接获得的实体关系，所述时序知识图谱中包含多个实体和实体之间的关系，但时序知识图谱中的实体之间的关系为较为明显的观测得到的关系，因此需要对各个实体进行深度挖掘，得到隐含关系，并将所述隐含关系补充至所述时序知识图谱中，得到标准知识图谱。
具体地，所述利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱，包括：
基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱；
利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系；
将所述隐含关系补全在所述时序知识图谱中，得到标准知识图谱。
详细地，本方案采用图卷积网络模型对所述时序知识图谱进行隐含关系的补全，主要在于先对所述时序知识图谱进行图稀疏化处理，并将经过图稀疏化后得到的稀疏知识图谱作为关系图卷积网络的输入进行关系预测。这种方法可以避免在观测的实体关系样本不足、实体关系类型多样的情况下出现的由于特征稀疏而造成模型预测精度较低的问题，同时可以解决随着图形的大小增长，大型图上的节点分类和关系预测等功能也可能占用大量的时间和空间的问题。
其中，图卷积网络模型会将输入的知识图谱转换为稀疏知识图谱并进行下一步的关系预测。
进一步地，所述基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱，包括：
确定所述时序知识图谱对应的邻接矩阵及特征矩阵，并获取所述稀疏图卷积网络的预设权重矩阵；
基于所述邻接矩阵、所述特征矩阵和所述预设权重矩阵构建得到稀疏输出函数；
利用基于乘数的交替方向算法对所述稀疏输出函数进行优化处理，将优化后的所述稀疏输出函数中的变量对所述时序知识图谱进行变量更新，得到稀疏知识图谱。
详细地，若所述时序知识图谱为G＝(V,E)，其中，V＝{v 1,…,v n}为所述时序知识图谱中实体的集合，E＝{e 1,…,e m}为所述时序知识图谱中实体与实体之间关系的集合，而所述时序知识图谱对应的邻接矩阵即为存放实体与实体之间关系的二维数组。所述特征矩阵为每个实体对应的节点的特征，表示为X(v)＝[x 1,…,x k]，当所述稀疏图卷积网络中包含两层子网络时，所述稀疏图卷积网络的预设权重矩阵可以为W (0)和W (1)。
其中，对于所述时序知识图谱为G＝(V,E)来说，其对应的邻接矩阵为：
Figure PCTCN2022071241-appb-000001
具体地，所述基于所述邻接矩阵、所述特征矩阵和所述预设权重矩阵构建得到稀疏输出函数，包括：
Figure PCTCN2022071241-appb-000002
Figure PCTCN2022071241-appb-000003
Figure PCTCN2022071241-appb-000004
Figure PCTCN2022071241-appb-000005
其中，
Figure PCTCN2022071241-appb-000006
为所述稀疏输出函数，W为所述预设权重矩阵，
Figure PCTCN2022071241-appb-000007
为更新邻接矩阵，A为所述邻接矩阵，I N为固定参数，diag为对角矩阵，W (0)和W (1)为所述稀疏图卷积网络的预设权重矩阵，ReLU为线性整流函数，X为所述特征矩阵。
进一步地，所述利用基于乘数的交替方向算法对所述稀疏输出函数进行优化处理，包括：
对所述稀疏输出函数进行简化处理，得到简化输出函数；
利用自适应矩估计优化器对所述简化输出函数中的变量的梯度进行更新，得到更新后的变量的梯度。
详细地，对所述稀疏输出函数进行简化处理是指所述稀疏图卷积网络的输出依赖于
Figure PCTCN2022071241-appb-000008
和W，而但是
Figure PCTCN2022071241-appb-000009
可以被表示为关于A的函数，则输出可以被表示为关于A和W的函数，即Z(A,W)，因为W保持不变，Z(A,W)可被简化为Z(A)。
其中，所述简化输出函数为：
Figure PCTCN2022071241-appb-000010
具体地，利用自适应矩估计优化器对所述简化输出函数中的变量的梯度进行更新，将优化后的所述稀疏输出函数中的变量对所述时序知识图谱进行变量更新，得到稀疏知识图谱。
详细地，利用基于乘数的交替方向算法(ADMN)进行优化处理可以保留所述时序知识图谱中的结构和层次信息的网络主干，并在保持节点分类预测的性能的同时又保留的时序知识图谱的边缘信息。
进一步地，所述利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系之前，所述方法还包括：
利用预设的关系图卷积网络中的实体编码器对所述稀疏知识图谱进行特征预测，得到所述稀疏知识图谱中的实体对应的潜在特征；
基于所述关系图卷积网络中的解码器对所述实体对应的潜在特征进行评分，将所述评分大于或者等于预设的评分阈值的对应潜在特征作为目标潜在特征；
根据所述目标潜在特征和预设的交叉熵损失函数计算得到交叉熵损失值；
当所述交叉熵损失值小于或者等于预设的损失阈值时，将所述关系图卷积网络输出为训练好的关系图卷积网络。
其中，所述关系图卷积网络中包含实体编码器和解码器，所述实体编码器用于产生实体的潜在特征表示，所述解码器用于通过一个评分函数对所述潜在特征表示进行评分处理。
具体地，利用预设的关系图卷积网络中的实体编码器对所述稀疏知识图谱进行特征预测即利用R-GCN作为编码器生成每个实体的实向量表示e i。其中，R-GCN模型按照预设的方式堆叠L层，R-GCN模型中上一层的输出会作为下一层的输入，所述实体编码器使用R-GCN的输出作为每个实体的向量表示，即
Figure PCTCN2022071241-appb-000011
是节点v i在第l层 神经网络中的隐向量(hidden state)，d (l)是该层向量表示的维度。
进一步地，所述基于所述关系图卷积网络中的解码器对所述实体对应的潜在特征进行评分，包括：
利用所述解码器中的DistMult因子分解模型对所述实体对应的潜在特征进行评分。
详细地，DistMult因子分解模型是语义匹配模型的一种，语义匹配模型利用基于相似性的评分函数，通过匹配实体和关系在隐空间的潜在语义衡量此三元组存在或成立的可能性。
具体地，利用所述解码器中的DistMult因子分解模型对所述实体对应的潜在特征进行评分，包括：
Figure PCTCN2022071241-appb-000012
其中，
Figure PCTCN2022071241-appb-000013
是头实体s的隐性向量表示，
Figure PCTCN2022071241-appb-000014
是尾实体o的隐向量表示，
Figure PCTCN2022071241-appb-000015
是对于关系类型r的邻接矩阵，d是实体向量的维度。
进一步地，所述根据所述目标潜在特征和预设的交叉熵损失函数计算得到交叉熵损失值，包括：
所述交叉熵损失函数为：
Figure PCTCN2022071241-appb-000016
其中，
Figure PCTCN2022071241-appb-000017
为所述交叉熵损失值，
Figure PCTCN2022071241-appb-000018
是所有正负三元组样本的集合，对于集合中的每个元素(s,r,o,y)，
Figure PCTCN2022071241-appb-000019
分别为头实体和尾实体，
Figure PCTCN2022071241-appb-000020
为关系类型,y则是一个指示器，y＝1表示正样本，y＝0表示负样本。
具体地，利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系，并将所述隐含关系补全在所述时序知识图谱中，得到标准知识图谱。
例如，对所述稀疏知识图谱进行关系预测，得到隐含关系为“用PPP模式引发东方园林事件”，则将所述隐含关系“用PPP模式引发东方园林事件”补充在所述时序知识图谱中，得到标准知识图谱。
S3、基于预设的强化学习算法构建风险预测模型。
本申请实施例中，预设的强化学习算法是一个可以应用于顺序决策和控制任务的框架，其中，强化学习算法中的代理(Agent)通过与环境(Environment)交互来优化其行为。
具体地，所述基于预设的强化学习算法构建风险预测模型，包括：
获取原始风险状态数据，对所述原始风险状态数据进行抽样处理，得到预训练数据；
利用预设的深度神经网络对所述预训练数据进行拟合处理，得到所述预训练数据对应的状态动作；
获取执行所述状态动作下的初始风险状态数据，并计算所述初始风险状态数据和所述原始风险状态数据之间的时间差分；
以所述时间差分作为目标函数，以所述强化学习算法为框架训练得到风险预测模型。
其中，所述原始风险状态数据是指现在数据所属的风险情况的标识数据。可以抽取符合预设的抽样标准的数据得到预训练数据，例如，抽取风险情况满足高风险和中风险条件的数据作为预训练数据。
详细地，所述强化学习算法为Actor-Critic算法，在基于策略梯度的Actor-Critic方法中，代理的角色被分为了参与者(Actor)和批评者(Critic)，本质上Actor和Critic分别代表策略(Policy)和值函数(Value function)。给定当前状态x，参与者仅负责生成动作u。批评者负责处理收到的奖励r，即通过调整值函数来评估当前策略的质量。在批评者执行了多个策略评估步骤后，通过使用来自批评者的信息以更新参与者。
S4、利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体。
本申请实施例中，可以利用所述风险预测模型对所述标准知识图谱中的多个不同的实体进行风险预测，将所述实体输入至所述风险预测模型中，得到所述实体对应的风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体。
其中，所述标准知识图谱中的实体包含不同类型的企业。
例如，在本方案中，即根据所述风险预测模型预测出所述标准知识图谱中风险概率大于或者等于所述预设概率阈值的企业作为目标风险企业。
S5、利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱。
本申请实施例中，所述因果关系补充是指将所述时序知识图谱中各个实体之间的因果顺序等关系进行补充。
具体地，所述利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱，包括：
获取训练文本集，对所述训练文本集进行事件抽取及因果关系归纳，得到多个因果三元组；
保留所述因果三元组中符合预设筛选标准的多个因果事件作为标准三元组；
对多个所述标准三元组进行事件融合，得到融合事件，并将所述融合事件补充至所述时序知识图谱中，得到事理图谱。
详细地，事件是指发生在某个特定时间点或者时间段、某个特定的地域范围，由一个或者多个角色参与的一个或者多个动作组成的事情或者状态的改变，因果关系是指两个事件之间一个事件导致或引起或造成了另一个事件，所述因果关系包含正向、负向、显性以及隐性关系，并且包含了其他例如排除转折、并列等可以帮助事件融合和推理的各种关系。所述因果关系归纳即将从所述训练文本集中抽取的具有因果关系的两个事件形成“原因事件-关系-结果事件”的三元组的数据形式的因果三元组。
具体地，可以通过预训练模型完成事件抽取及因果关系归纳，其中，所述预训练模型中的基础模型采用BERT+CRF的结构思想，实际上以BERT改进版本RoBERTa作为预训练模型。输入为词嵌入向量，通过段落嵌入、位置嵌入和标点嵌入后，再经过多个transformer模块，输出多个隐向量。然后通过Seq2Seq模型完成序列标签生成任务。此外，因为输入的每个字都会得到相应的标签(例如事件开头字、事件中间字、事件结尾字、其他字等)，此模型同时能完成事件的标准化表达以及除去副词、助词等任务。该联合模型充分运用了预训练模型的语义信息，在事件抽取和归纳上都取得了较好的效果。
详细地，所述预设筛选标准为提前构建的规则或模板过滤不符合表达习惯或者表述不完整的事件节点，在得到标准化的事件表示和因果关系后，使用提前构建的规则或模板过滤不符合表达习惯或者表述不完整的事件节点。筛选后的不同事件节点可能因为其表义相同，指代的是现实世界中的同一实体，为此需要进行事件融合，得到融合事件。
进一步地，所述对多个所述标准三元组进行事件融合，得到融合事件，包括：
对多个所述标准三元组进行向量化，得到多个三元向量组；
计算多个所述三元向量组中事件之间的相似度；
若所述相似度大于预设的第一阈值时，将所述相似度对应的标准三元组划分至第一簇事件中；
若所述相似度小于预设的第二阈值时，将所述相似度对应的标准三元组划分至第二簇事件中；
若所述相似度小于所述第一阈值且大于所述第二阈值时，将所述相似度对应的标准三元组划分至缓冲簇事件中。
详细地，增量聚类算法可以得到实时的聚类结果，所以对部分事件样本进行聚类以后，可从聚类结果中抽取样本扩充训练集，对模型进行再训练，使模型能学习新的事件和文本 特征，增强聚类效果。最后，在上述步骤结束后，将聚类结果中所含样本较少的所有簇与Buffer结合作为不确定样本，利用多次训练后的模型对这些样本进行聚类，得到最终的聚类结果，从而完成此部分事件融合的过程。
S6、利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度。
本申请实施例中，所述利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，包括：
根据度中心性和模块化分类度量的定义确定所述标准知识图谱的度中心性及模块化分类度量；
利用预设的接近中心性计算公式计算所述标准知识图谱的接近中心性，并将所述度中心性、所述模块化分类度量和所述接近中心性代入至预设的依存紧密度计算公式中，得到依存紧密度。
详细地，所述度中心性(Degree centrality)是指一个节点相连的边的数量，用于表示节点的连接程度，所述模块化分类度量(Modularity class)用于社区检测，用来衡量社区划分质量或稳定性，模块化分类度量等于组内的边数减去随机设置边的等效网络中的预期边数。所述接近中心性(Betweenness centrality)衡量了一个节点到达其他节点的难易程度。
具体地，所述利用预设的接近中心性计算公式计算所述标准知识图谱的接近中心性，包括：
Figure PCTCN2022071241-appb-000021
其中，C B(v)代表节点v的接近中心性值，σ st(v)代表从节点s到节点t之间经过v的最短路径数之和，σ st代表从节点s到节点t之间的所有最短路径数之和，v,s,t∈V。
进一步地，所述预设的依存紧密度计算公式，包括：
Figure PCTCN2022071241-appb-000022
其中，T(v i,v j)是v i和v j之间的依存紧密度，w D,w B,w M∈(0,1)为各子指标的权重且w D+w B+w M＝1。
具体地，利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度，所述图注意力网络(GAT)学习节点所有邻居上的注意力系数以进行特征聚合，并可以提高许多图学习任务的性能。利用图注意网络对于风险危害程度进行打分，评分函数依赖于网络的注意力系数和相关的实体特征向量，然后以最小化均方差损失为目标训练模型，最后以矩阵形式输出每一对实体之间的风险危害程度分数。由此针对不同的知识图谱和实体特征，可以量化评估针对金融领域的实体关系，例如企业信贷关系、供应链关系、行业间投入产出等。
S7、基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型。
本申请实施例中，所述S7，包括：
将所述事理图谱、所述依存紧密度和所述事件危害程度汇总为标注数据，并以所述标注数据为风险标签构建有监督模型；
获取无标注数据，以所述无标注数据和所述标注数据为基础构建无监督时序模型；
利用预设的半监督贝叶斯算法将所述有监督模型和所述无监督时序模型结合为宏观预测模型。
S8、利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
本申请实施例中，所述宏观预测模型用于进行行业的的风险预测，利用所述宏观预测 模型对所述目标风险实体进行预测，得到宏观风险概率，将所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
例如，所述目标风险实体为建筑环保板块，利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率为0.6，若预设的宏观阈值为0.5，则所述宏观风险概率大于所述宏观阈值，则将目标风险实体为建筑环保板块对应的建筑行业作为风险行业。
本申请实施例从预获取的多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱，所述时序知识图谱作为后续风险预测的数据基础，利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱。基于预设的强化学习算法构建风险预测模型，利用所述强化学习算法进行模型的构建可以保证模型的稳定性，并利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到目标风险实体。对所述标准知识图谱分别进行关系量化和程度量化，得到依存紧密度和事件危害程度，结合进行因果补充得到的事理图谱训练得到宏观预测模型，并利用宏观预测模型对所述目标风险实体进行预测，得到对应的风险预测行业。所述风险预测模型可以实现从实体角度的风险预测，通过宏观预测模型对已经经过风险预测的目标风险实体进行行业角度的预测，提高了对行业进行风险预测的准确度。因此本申请提出的风险预测方法可以实现解决对行业进行风险预测的准确度不够高的问题。
如图2所示，是本申请一实施例提供的风险预测装置的功能模块图。
本申请所述风险预测装置100可以安装于电子设备中。根据实现的功能，所述风险预测装置100可以包括知识图谱构建模块101、目标风险实体预测模块102、事理图谱生成模块103、图谱量化模块104及宏观预测模块105。本申请所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述知识图谱构建模块101，用于获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱，利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
所述目标风险实体预测模块102，用于基于预设的强化学习算法构建风险预测模型，利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
所述事理图谱生成模块103，用于利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
所述图谱量化模块104，用于利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
所述宏观预测模块105，用于基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型，利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
详细地，本申请实施例中所风险预测装置100中所述的各模块在使用时采用与上述图1所述的风险预测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本申请一实施例提供的实现风险预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如风险预测程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的 集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行风险预测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如风险预测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的风险预测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；
利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
基于预设的强化学习算法构建风险预测模型；
利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率， 并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型；
利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本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计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；
利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
基于预设的强化学习算法构建风险预测模型；
利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型；
利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制 所涉及的权利要求。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (20)

  1. 一种风险预测方法，其中，所述方法包括：
    获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；
    利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
    基于预设的强化学习算法构建风险预测模型；
    利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
    利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
    利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
    基于所述事理图谱、所述依存紧密度和所述事件危害程度，并结合图神经网络和半监督方法训练得到宏观预测模型；
    利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
  2. 如权利要求1所述的风险预测方法，其中，所述利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱，包括：
    基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱；
    利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系；
    将所述隐含关系补全在所述时序知识图谱中，得到标准知识图谱。
  3. 如权利要求2所述的风险预测方法，其中，所述基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱，包括：
    确定所述时序知识图谱对应的邻接矩阵及特征矩阵，并获取所述稀疏图卷积网络的预设权重矩阵；
    基于所述邻接矩阵、所述特征矩阵和所述预设权重矩阵构建得到稀疏输出函数；
    利用基于乘数的交替方向算法对所述稀疏输出函数进行优化处理，将优化后的所述稀疏输出函数中的变量对所述时序知识图谱进行变量更新，得到稀疏知识图谱。
  4. 如权利要求2所述的风险预测方法，其中，所述利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系之前，所述方法还包括：
    利用预设的关系图卷积网络中的实体编码器对所述稀疏知识图谱进行特征预测，得到所述稀疏知识图谱中的实体对应的潜在特征；
    基于所述关系图卷积网络中的解码器对所述实体对应的潜在特征进行评分，将所述评分大于或者等于预设的评分阈值的对应潜在特征作为目标潜在特征；
    根据所述目标潜在特征和预设的交叉熵损失函数计算得到交叉熵损失值；
    当所述交叉熵损失值小于或者等于预设的损失阈值时，将所述关系图卷积网络输出为训练好的关系图卷积网络。
  5. 如权利要求1所述的风险预测方法，其中，所述基于所述风险感知因子集构建时序知识图谱，包括：
    抽取所述风险感知因子集中的实体和实体关系；
    基于所述实体和所述实体关系进行图谱构建，得到时序知识图谱。
  6. 如权利要求1至5中任一项所述的风险预测方法，其中，所述利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱，包括：
    获取训练文本集，对所述训练文本集进行事件抽取及因果关系归纳，得到多个因果三元组；
    保留所述因果三元组中符合预设筛选标准的多个因果事件作为标准三元组；
    对多个所述标准三元组进行事件融合，得到融合事件，并将所述融合事件补充至所述时序知识图谱中，得到事理图谱。
  7. 如权利要求1至5中任一项所述的风险预测方法，其中，所述从所述多源信息集中提取风险感知因子集，包括：
    识别所述多源信息集中的文本信息和图像信息；
    利用预设的自然语言处理技术对所述文本信息进行因子提取，得到文本感知因子集；
    利用预设的图像识别技术对所述图像信息进行因子提取，得到图像感知因子集；
    将所述文本感知因子集和所述图像感知因子集进行汇总，得到风险感知因子集。
  8. 一种风险预测装置，其中，所述装置包括：
    知识图谱构建模块，用于获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱，利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
    目标风险实体预测模块，用于基于预设的强化学习算法构建风险预测模型，利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
    事理图谱生成模块，用于利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
    图谱量化模块，用于利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
    宏观预测模块，用于基于所述事理图谱、所述依存紧密度和所述事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型，利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
  9. 一种电子设备，其中，所述电子设备包括：
    至少一个处理器；以及，
    与所述至少一个处理器通信连接的存储器；其中，
    所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下步骤：
    获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；
    利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
    基于预设的强化学习算法构建风险预测模型；
    利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
    利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
    利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
    基于所述事理图谱、所述依存紧密度和所述事件危害程度，并结合图神经网络和半监督方法训练得到宏观预测模型；
    利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述 宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
  10. 如权利要求9所述的电子设备，其中，所述利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱，包括：
    基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱；
    利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系；
    将所述隐含关系补全在所述时序知识图谱中，得到标准知识图谱。
  11. 如权利要求10所述的电子设备，其中，所述基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱，包括：
    确定所述时序知识图谱对应的邻接矩阵及特征矩阵，并获取所述稀疏图卷积网络的预设权重矩阵；
    基于所述邻接矩阵、所述特征矩阵和所述预设权重矩阵构建得到稀疏输出函数；
    利用基于乘数的交替方向算法对所述稀疏输出函数进行优化处理，将优化后的所述稀疏输出函数中的变量对所述时序知识图谱进行变量更新，得到稀疏知识图谱。
  12. 如权利要求10所述的电子设备，其中，所述利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系之前，所述计算机程序被所述至少一个处理器执行时还实现如下步骤：
    利用预设的关系图卷积网络中的实体编码器对所述稀疏知识图谱进行特征预测，得到所述稀疏知识图谱中的实体对应的潜在特征；
    基于所述关系图卷积网络中的解码器对所述实体对应的潜在特征进行评分，将所述评分大于或者等于预设的评分阈值的对应潜在特征作为目标潜在特征；
    根据所述目标潜在特征和预设的交叉熵损失函数计算得到交叉熵损失值；
    当所述交叉熵损失值小于或者等于预设的损失阈值时，将所述关系图卷积网络输出为训练好的关系图卷积网络。
  13. 如权利要求9所述的电子设备，其中，所述基于所述风险感知因子集构建时序知识图谱，包括：
    抽取所述风险感知因子集中的实体和实体关系；
    基于所述实体和所述实体关系进行图谱构建，得到时序知识图谱。
  14. 如权利要求9至13中任一项所述的电子设备，其中，所述利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱，包括：
    获取训练文本集，对所述训练文本集进行事件抽取及因果关系归纳，得到多个因果三元组；
    保留所述因果三元组中符合预设筛选标准的多个因果事件作为标准三元组；
    对多个所述标准三元组进行事件融合，得到融合事件，并将所述融合事件补充至所述时序知识图谱中，得到事理图谱。
  15. 如权利要求9至14中任一项所述的电子设备，其中，所述从所述多源信息集中提取风险感知因子集，包括：
    识别所述多源信息集中的文本信息和图像信息；
    利用预设的自然语言处理技术对所述文本信息进行因子提取，得到文本感知因子集；
    利用预设的图像识别技术对所述图像信息进行因子提取，得到图像感知因子集；
    将所述文本感知因子集和所述图像感知因子集进行汇总，得到风险感知因子集。
  16. 一种计算机可读存储介质，存储有计算机程序，其中，所述计算机程序被处理器执行时实现如下步骤：
    获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；
    利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；
    基于预设的强化学习算法构建风险预测模型；
    利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；
    利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；
    利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；
    基于所述事理图谱、所述依存紧密度和所述事件危害程度，并结合图神经网络和半监督方法训练得到宏观预测模型；
    利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。
  17. 如权利要求16所述的计算机可读存储介质，其中，所述利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱，包括：
    基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱；
    利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系；
    将所述隐含关系补全在所述时序知识图谱中，得到标准知识图谱。
  18. 如权利要求17所述的计算机可读存储介质，其中，所述基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱，包括：
    确定所述时序知识图谱对应的邻接矩阵及特征矩阵，并获取所述稀疏图卷积网络的预设权重矩阵；
    基于所述邻接矩阵、所述特征矩阵和所述预设权重矩阵构建得到稀疏输出函数；
    利用基于乘数的交替方向算法对所述稀疏输出函数进行优化处理，将优化后的所述稀疏输出函数中的变量对所述时序知识图谱进行变量更新，得到稀疏知识图谱。
  19. 如权利要求17所述的计算机可读存储介质，其中，所述利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系之前，所述计算机程序被处理器执行时还实现如下步骤：
    利用预设的关系图卷积网络中的实体编码器对所述稀疏知识图谱进行特征预测，得到所述稀疏知识图谱中的实体对应的潜在特征；
    基于所述关系图卷积网络中的解码器对所述实体对应的潜在特征进行评分，将所述评分大于或者等于预设的评分阈值的对应潜在特征作为目标潜在特征；
    根据所述目标潜在特征和预设的交叉熵损失函数计算得到交叉熵损失值；
    当所述交叉熵损失值小于或者等于预设的损失阈值时，将所述关系图卷积网络输出为训练好的关系图卷积网络。
  20. 如权利要求16所述的计算机可读存储介质，其中，所述基于所述风险感知因子集构建时序知识图谱，包括：
    抽取所述风险感知因子集中的实体和实体关系；
    基于所述实体和所述实体关系进行图谱构建，得到时序知识图谱。
PCT/CN2022/071241 2021-10-19 2022-01-11 风险预测方法、装置、设备及存储介质 Ceased WO2023065545A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111216347.6 2021-10-19
CN202111216347.6A CN113822494B (zh) 2021-10-19 2021-10-19 风险预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
WO2023065545A1 true WO2023065545A1 (zh) 2023-04-27

Family

ID=78917077

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/071241 Ceased WO2023065545A1 (zh) 2021-10-19 2022-01-11 风险预测方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN113822494B (zh)
WO (1) WO2023065545A1 (zh)

Cited By (189)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452323A (zh) * 2023-04-28 2023-07-18 广州市良策网络技术有限公司 风险评估方法、系统、设备及存储介质
CN116564408A (zh) * 2023-04-28 2023-08-08 上海科技大学 基于知识图谱推理的合成致死基因对预测方法、装置、设备及介质
CN116580444A (zh) * 2023-07-14 2023-08-11 广州思林杰科技股份有限公司 基于多天线射频识别技术的长跑计时的测试方法和设备
CN116611523A (zh) * 2023-07-18 2023-08-18 山东师范大学 涡轮风扇发动机的可解释故障预测方法及系统
CN116628353A (zh) * 2023-05-10 2023-08-22 中国科学院计算技术研究所 基于图表示学习的多视角个体观点预测方法及系统
CN116628220A (zh) * 2023-05-11 2023-08-22 国能长源汉川发电有限公司 基于关系图卷积神经网络的电力工作票生成方法及系统
CN116629604A (zh) * 2023-05-15 2023-08-22 国网冀北电力有限公司信息通信分公司 一种电网运行风险的处理分析方法及装置
CN116668095A (zh) * 2023-05-16 2023-08-29 江苏信创网安数据科技有限公司 一种网络安全智能评估方法及系统
CN116662577A (zh) * 2023-08-02 2023-08-29 北京网智天元大数据科技有限公司 基于知识图谱的大型语言模型训练方法及装置
CN116680414A (zh) * 2023-06-19 2023-09-01 吉林大学 一种基于注意力机制的知识图谱预测方法
CN116702896A (zh) * 2023-06-21 2023-09-05 北京交通大学 基于本体的城轨运营主动安全知识图谱构建方法及系统
CN116718198A (zh) * 2023-08-10 2023-09-08 湖南璟德科技有限公司 基于时序知识图谱的无人机集群的路径规划方法及系统
CN116738366A (zh) * 2023-06-16 2023-09-12 河海大学 基于特征融合的大坝应急事件因果关系识别方法及系统
CN116737961A (zh) * 2023-06-27 2023-09-12 中国电子科技集团有限公司电子科学研究院 一种关键信息挖掘的多模态企业知识图谱补全方法及装置
CN116796001A (zh) * 2023-05-30 2023-09-22 中国科学院自动化研究所 动态知识图谱预测方法、装置、电子设备及存储介质
CN116796845A (zh) * 2023-05-15 2023-09-22 中国人民解放军火箭军工程大学 一种嵌入决策树的知识图谱可解释推理方法、系统及设备
CN116847222A (zh) * 2023-09-01 2023-10-03 西安格威石油仪器有限公司 应用于石油测井下的设备远程监控方法及系统
CN116861884A (zh) * 2023-07-10 2023-10-10 中国电信股份有限公司技术创新中心 事件抽取模型的训练方法、抽取方法、装置、设备及介质
CN116882767A (zh) * 2023-09-08 2023-10-13 之江实验室 一种基于不完善异构关系网络图的风险预测方法及装置
CN116910268A (zh) * 2023-07-19 2023-10-20 山东师范大学 基于时空融合神经网络的人群拥堵预测方法及系统
CN116911618A (zh) * 2023-09-07 2023-10-20 北京网藤科技有限公司 面向安全生产风险的人工智能决策系统和方法
CN117009553A (zh) * 2023-09-08 2023-11-07 清华苏州环境创新研究院 一种基于知识图谱推理的污染场地画像构建方法及系统
CN117035087A (zh) * 2023-10-09 2023-11-10 北京壹永科技有限公司 用于医疗推理的事理图谱生成方法、装置、设备及介质
CN117077028A (zh) * 2023-08-24 2023-11-17 中国建设银行股份有限公司 风险预测模型的构建方法、装置、计算机设备和存储介质
CN117094391A (zh) * 2023-08-24 2023-11-21 建信金融科技有限责任公司 因果事件对处理方法、装置、计算机设备以及存储介质
CN117093728A (zh) * 2023-10-19 2023-11-21 杭州同花顺数据开发有限公司 一种金融领域事理图谱构建方法、装置、设备及存储介质
CN117112808A (zh) * 2023-10-24 2023-11-24 中国标准化研究院 一种信用失信主体的信息知识图谱构建方法
CN117114412A (zh) * 2023-09-12 2023-11-24 瑞丰宝丽(北京)科技有限公司 一种用于危险化学品生产企业的安全预控方法及装置
CN117112805A (zh) * 2023-08-31 2023-11-24 福建省特种设备检验研究院 一种基于文档的石化行业危化品库区知识图谱构建方法
CN117113148A (zh) * 2023-08-30 2023-11-24 上海智租物联科技有限公司 基于时序图神经网络的风险识别方法、装置及存储介质
CN117196025A (zh) * 2023-09-13 2023-12-08 安徽国麒科技有限公司 基于多视图解码器的知识图谱高阶关系预测方法及系统
CN117196323A (zh) * 2023-11-07 2023-12-08 之江实验室 一种基于高维图网络的复杂社会事件的预警方法
CN117235465A (zh) * 2023-11-15 2023-12-15 国网江西省电力有限公司电力科学研究院 一种基于图神经网络录波分析的变压器故障类型诊断方法
CN117290520A (zh) * 2023-10-23 2023-12-26 重庆交通大学 基于知识蒸馏联合内生规则约束的知识图谱补全方法
CN117332261A (zh) * 2023-12-01 2024-01-02 深圳市伟昊净化设备有限公司 一种滤芯的效能评价方法、系统及存储介质
CN117350547A (zh) * 2023-11-14 2024-01-05 深圳市明心数智科技有限公司 订单的风险处理方案确定方法、装置、设备及存储介质
CN117371482A (zh) * 2023-10-24 2024-01-09 国家电网有限公司信息通信分公司 一种云平台运维时序知识图谱推理方法
CN117390197A (zh) * 2023-10-23 2024-01-12 深圳市云鲸视觉科技有限公司 城市模型区域表示生成方法、装置、电子设备及介质
CN117540035A (zh) * 2024-01-09 2024-02-09 安徽思高智能科技有限公司 一种基于实体类型信息融合的rpa知识图谱构建方法
CN117573809A (zh) * 2024-01-12 2024-02-20 中电科大数据研究院有限公司 一种基于事件图谱的舆情推演方法以及相关装置
CN117574328A (zh) * 2024-01-15 2024-02-20 德阳联动检测科技有限公司 基于扭矩数据的联轴器打滑分析方法及系统
CN117633245A (zh) * 2023-11-24 2024-03-01 重庆赛力斯新能源汽车设计院有限公司 知识图谱构建方法、装置、电子设备及存储介质
CN117669719A (zh) * 2023-12-05 2024-03-08 浙江邦盛科技股份有限公司 一种知识图谱维护方法、装置、设备及存储介质
CN117670017A (zh) * 2023-06-28 2024-03-08 上海期货信息技术有限公司 一种基于事件的风险识别方法、装置以及电子设备
CN117788203A (zh) * 2024-02-28 2024-03-29 西安华联电力电缆有限公司 一种改进的交联聚乙烯绝缘电力电缆的高效生产制备方法
CN117808490A (zh) * 2023-12-29 2024-04-02 山东省公安厅物证鉴定研究中心 风险人员评估预警的方法
CN117936075A (zh) * 2024-01-19 2024-04-26 中国科学院重庆绿色智能技术研究院 基于监测数据的脓毒症可解释性预警方法
CN117973282A (zh) * 2024-03-29 2024-05-03 沐曦科技(成都)有限公司 芯片时序风险的预测方法、电子设备和介质
CN118035828A (zh) * 2024-01-31 2024-05-14 华电淄博热电有限公司 一种火电厂风险监测可视化实现方法及设备
CN118096445A (zh) * 2024-04-25 2024-05-28 北京大学 知识图谱驱动的面向地下水的建筑风险预警方法及装置
CN118114057A (zh) * 2024-04-30 2024-05-31 西北工业大学 模型训练方法、径流预测方法、电子设备和存储介质
CN118113881A (zh) * 2024-03-05 2024-05-31 西安电子科技大学 一种基于多特征融合学习的时序知识图谱补全方法
CN118132447A (zh) * 2024-04-29 2024-06-04 阿里云计算有限公司 数据分析方法及装置
CN118297382A (zh) * 2024-04-02 2024-07-05 中国长江电力股份有限公司 一种水利水电工程多维安全调度方案辅助智能决策方法
CN118333411A (zh) * 2024-06-14 2024-07-12 福州无比欢信息科技有限公司 基于人工智能的安全生产事故隐患预警系统
CN118364023A (zh) * 2024-04-23 2024-07-19 北京东方通科技股份有限公司 一种在弹性交互中进行工业数据蒸馏的数据处理方法
CN118395432A (zh) * 2024-05-27 2024-07-26 中科蓝吧数字科技(苏州)有限公司 一种基于数据资产的数据质量实时监控方法及系统
CN118504988A (zh) * 2024-07-11 2024-08-16 国网安徽省电力有限公司电力科学研究院 新增设备启动风险识别方法及系统
CN118519385A (zh) * 2024-07-23 2024-08-20 山东聚远科技有限公司 化工园区安全风险智能化管控系统
CN118535947A (zh) * 2024-04-23 2024-08-23 中国民用航空飞行学院 基于kg-bn的航空器设备故障诊断方法
CN118585657A (zh) * 2024-08-01 2024-09-03 之江实验室 一种基于卫星轨道威胁领域知识图谱的事件预测方法
CN118734233A (zh) * 2024-09-03 2024-10-01 烟台海博电气设备有限公司 一种基于深度学习的锂电池异常状态预测方法及系统
CN118734254A (zh) * 2024-08-30 2024-10-01 龙宇天下(北京)文化传媒有限公司 基于运行机制优化的安全宣教培训监测评估方法及系统
CN118733707A (zh) * 2024-06-28 2024-10-01 武汉理工大学 基于知识图谱的海域违法事件追源方法、装置和电子设备
CN118839020A (zh) * 2024-09-20 2024-10-25 合肥工业大学 从医学知识图谱中抽取因果关系的方法、介质及设备
CN118869373A (zh) * 2024-09-29 2024-10-29 浙商银行股份有限公司 基于事理知识图谱的网络攻击预警及溯源方法、系统及装置
CN118885624A (zh) * 2024-07-15 2024-11-01 山东青年政治学院 一种基于时序反事实增强的时序知识图谱补全方法
CN118897688A (zh) * 2024-09-30 2024-11-05 天勰力(山东)卫星技术有限公司 一种基于大模型知识图谱引导软件定义卫星错误修正方法
CN118962499A (zh) * 2024-07-17 2024-11-15 国网福建省电力有限公司 一种基于数据库的储能设备标准检测算例综合管控方法
CN119005321A (zh) * 2024-10-23 2024-11-22 中国计量大学 融合时序知识图谱的机电设备预测性维护方法
CN119089065A (zh) * 2024-08-19 2024-12-06 中国矿业大学(北京) 基于事理知识图谱的智能家居质量安全确定方法
CN119089382A (zh) * 2024-08-27 2024-12-06 中安华邦(北京)安全生产技术研究院股份有限公司 一种基于视觉识别的安全生产隐患/风险辨别排查方法与训练系统
CN119136231A (zh) * 2024-08-26 2024-12-13 苏州群卓机电科技有限公司 基于平均筛点算法的高频数字采集方法及系统
CN119135654A (zh) * 2024-11-13 2024-12-13 天翼安全科技有限公司 一种企业ip资产识别的方法及电子设备
CN119151660A (zh) * 2024-11-19 2024-12-17 北京双赢天下管理咨询有限公司 大数据驱动的合规风险预测与管理方法
CN119149920A (zh) * 2024-11-18 2024-12-17 国网安徽省电力有限公司超高压分公司 一种时序数据补全方法及系统
CN119149756A (zh) * 2024-11-11 2024-12-17 湘江实验室 一种基于信创体系的医养知识图谱数据库构建方法、设备及介质
CN119228532A (zh) * 2024-12-02 2024-12-31 湖南省中小企业服务中心 一种基于多构数字金融服务信息处理方法及系统
CN119254507A (zh) * 2024-10-11 2025-01-03 南方电网科学研究院有限责任公司 网络空间反测绘方法、装置、计算机设备和存储介质
CN119250172A (zh) * 2024-12-09 2025-01-03 迪塔班克(浙江)数据科技有限公司 利用图卷积网络构建化塑产业链知识图谱的方法
CN119295984A (zh) * 2024-12-11 2025-01-10 深圳市喜悦智慧数据有限公司 一种面向工业三防领域的无人机自适应巡检方法及系统
CN119338305A (zh) * 2024-09-30 2025-01-21 北京首钢冷轧薄板有限公司 一种基于知识图谱的钢卷表面缺陷预测方法及相关设备
CN119357803A (zh) * 2024-12-25 2025-01-24 奥德集团有限公司 一种用于燃气设备运行数据的远程采集系统
CN119382987A (zh) * 2024-10-31 2025-01-28 中国人民解放军网络空间部队信息工程大学 基于知识图谱的网络攻击路径发现方法及系统
CN119443775A (zh) * 2024-09-14 2025-02-14 广东警官学院(广东省公安司法管理干部学院) 结合知识图谱的社区火灾预警方法
CN119476671A (zh) * 2025-01-15 2025-02-18 北京航空航天大学 一种低空智能集群飞行管理方法、设备、介质及产品
CN119512699A (zh) * 2024-10-14 2025-02-25 重庆蚂蚁消费金融有限公司 一种数据处理方法、装置、存储介质及电子设备
CN119621992A (zh) * 2024-10-28 2025-03-14 国网江苏省电力有限公司经济技术研究院 一种风力发电机知识图谱构建方法和系统
CN119721722A (zh) * 2025-02-27 2025-03-28 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 基于知识图谱和图神经网络的山洪灾害风险等级预测方法
CN119721056A (zh) * 2024-12-04 2025-03-28 中国平安财产保险股份有限公司 一种舆情处理方法、装置、计算机设备及存储介质
CN119761488A (zh) * 2025-03-07 2025-04-04 南昌工程学院 一种城市暴雨洪涝灾害链事理图谱构建方法及系统
CN119782292A (zh) * 2024-11-25 2025-04-08 东北大学 一种基于人工智能的数据分析方法
CN119808930A (zh) * 2025-03-13 2025-04-11 北京万联易达科技有限公司 基于大宗商品交易信息的平台知识图谱构建方法及系统
CN119832157A (zh) * 2024-12-24 2025-04-15 北京航空航天大学 一种基于多模态输入与智能优化的3d设计辅助方法
CN119849641A (zh) * 2025-03-20 2025-04-18 青岛峻海物联科技有限公司 一种基于知识图谱的电气火灾信息分析统计方法及系统
WO2025081591A1 (zh) * 2023-10-20 2025-04-24 之江实验室 宏微观图融合的传染病感染预测方法、装置和存储介质
CN119939519A (zh) * 2025-03-20 2025-05-06 广州金融科技股份有限公司 基于多源数据融合的金融活动舆情综合分析方法
CN119941392A (zh) * 2025-04-07 2025-05-06 湖南工商大学 一种基于区块链与深度学习的企业失信风险智能预测方法
CN119963175A (zh) * 2025-04-11 2025-05-09 超网实业(成都)股份有限公司 基于多维数据驱动的智能厂务运维管理系统
CN119990770A (zh) * 2024-07-22 2025-05-13 陕西内府中飞机场管理有限公司 通用机场安全风险预测方法及风险等级评估方法
CN119996999A (zh) * 2024-12-23 2025-05-13 天津市邮电设计院有限责任公司 无线通信数据安全管理方法及系统
CN119990297A (zh) * 2025-02-25 2025-05-13 湖南科技大学 基于大模型生成和知识图谱集成的多模态关系抽取方法
CN120070906A (zh) * 2025-04-30 2025-05-30 北京邮电大学 一种基于智能体协同的有害图像检测识别系统及方法
CN120086446A (zh) * 2025-05-06 2025-06-03 江西博方教育科技集团有限公司 一种在线教育平台数据驱动的教学内容推荐方法及系统
CN120145279A (zh) * 2025-05-14 2025-06-13 河南嵩山实验室产业研究院有限公司洛阳分公司 基于多模态行为图谱的智能网络虚假信息识别与预警系统
CN120218219A (zh) * 2025-03-21 2025-06-27 北京中企慧云科技有限公司 图谱构建方法、装置、电子设备和计算机可读介质
CN120263824A (zh) * 2025-06-04 2025-07-04 诚创智能科技(江苏)有限公司 基于多源数据融合的智能物联网公共安全管控系统及方法
CN120258263A (zh) * 2025-06-09 2025-07-04 交通运输部水运科学研究所 基于图论和知识图谱的气候风险防控方法和装置
CN120258951A (zh) * 2025-03-21 2025-07-04 武汉理工大学 一种基于多模态数据融合的金融风险预测方法
CN120256646A (zh) * 2025-06-06 2025-07-04 北京银行股份有限公司 基于大模型技术的数字人民币相关数据的处理方法及装置
CN120299012A (zh) * 2025-06-12 2025-07-11 北京化工大学 一种基于关联关系的违禁物品风险检测方法
CN120316649A (zh) * 2025-06-12 2025-07-15 吉贝克信息技术（北京）有限公司 基于动态聚合与隐私保护的风险预测方法及系统
CN120317527A (zh) * 2025-06-12 2025-07-15 陕西中寰电气科技有限公司 一种电力设备故障跨域协同分析系统及方法
CN120317907A (zh) * 2025-04-28 2025-07-15 浙江豪圣建设项目管理有限公司 一种全过程造价的多维度智能管理方法及系统
CN120354924A (zh) * 2025-06-24 2025-07-22 中国神华能源股份有限公司 作业环境安全分析与评价方法、装置、计算机设备及介质
CN120354928A (zh) * 2025-06-24 2025-07-22 浪潮通用软件有限公司 一种因果路径生成方法、装置、设备、介质及产品
CN120355107A (zh) * 2025-06-24 2025-07-22 广州市城市规划设计有限公司 一种区域发展要素数据处理方法及系统
CN120373874A (zh) * 2025-06-27 2025-07-25 天津市地质环境监测总站 基于多源数据融合的地下工程地质安全动态风险评估方法
CN120407812A (zh) * 2025-04-21 2025-08-01 黑龙江省畜牧总站 用于dhi报告解读的知识图谱补全方法及dhi报告解读方法、存储介质、设备
CN120412984A (zh) * 2025-07-02 2025-08-01 浪潮云洲工业互联网有限公司 一种基于大模型的企业智能诊断方法、系统、设备及介质
CN120407270A (zh) * 2025-07-04 2025-08-01 上海擎创信息技术有限公司 结合知识图谱的运维根因定位方法及系统
CN120434415A (zh) * 2025-07-08 2025-08-05 杭州市消费者权益保护委员会秘书处(杭州国家电子商务产品质量监测处置中心) 一种电子商务产品直播售卖语音监测方法及系统
CN120430633A (zh) * 2025-05-16 2025-08-05 新疆亚欧国际物资交易中心有限公司 一种跨境大宗商品电子商务交易风险评估管理系统
CN120448448A (zh) * 2025-07-11 2025-08-08 南京金信通信息服务有限公司 应用大模型技术的供应链中台数据管理系统及方法
CN120471449A (zh) * 2025-05-15 2025-08-12 中国标准化研究院 一种基于人工智能的产品质量风险预警方法及系统
CN120492215A (zh) * 2025-07-17 2025-08-15 安徽谷器数据科技有限公司 一种SaaS模式下大数据平台存储数据隔离方法
CN120494966A (zh) * 2025-07-17 2025-08-15 山东大学 基于企业信用评估的信贷产品个性化推荐方法及系统
CN120494828A (zh) * 2025-04-25 2025-08-15 华夏银行股份有限公司石家庄分行 基于多层神经网络的金融交易风险评估方法及系统
CN120509732A (zh) * 2025-05-19 2025-08-19 中国标准化研究院 基于知识图谱的首台套装备技术成熟度评估模型构建方法
CN120523967A (zh) * 2025-07-24 2025-08-22 浪潮通用软件有限公司 一种动态知识图谱构建方法、系统及设备
CN120541930A (zh) * 2025-05-20 2025-08-26 天津大学 一种面向生成式人工智能的历史建筑本体建模系统
CN120561625A (zh) * 2025-07-30 2025-08-29 上海旺脉信息科技集团有限公司 用于筛选目标客户群体的分析方法、装置、设备及介质
CN120562890A (zh) * 2025-07-30 2025-08-29 中南大学科技园发展有限公司 一种园区安全风险预警及响应预案生成方法
CN120567585A (zh) * 2025-07-31 2025-08-29 北京安帝科技有限公司 一种基于动态风险图谱的工业网络风险感知与协同预警方法
CN120579833A (zh) * 2025-08-05 2025-09-02 成都市达岸信息技术有限公司 一种区域风险密度分析方法及系统
CN120579947A (zh) * 2025-08-04 2025-09-02 杭州恒耀电力工程设计有限公司 一种电力工程设计项目管理系统及方法
CN120611070A (zh) * 2025-08-12 2025-09-09 厦门渊亭信息科技有限公司 时序知识图谱联邦协同优化方法、系统、设备及存储介质
CN120634225A (zh) * 2025-05-27 2025-09-12 江苏安德福能源供应链科技有限公司 一种基于大数据分析的危化品运输风险预测系统及方法
CN120707330A (zh) * 2025-08-28 2025-09-26 江苏电力信息技术有限公司 一种电力物资供应主体画像生成方法及装置
CN120705509A (zh) * 2025-07-09 2025-09-26 杭州追形视频科技有限公司 基于图神经网络的城市公共安全风险链识别方法及系统
CN120725806A (zh) * 2025-08-29 2025-09-30 山东数昶数字技术有限公司 基于知识图谱的医保结算数据的风险预警方法及系统
CN120729644A (zh) * 2025-08-29 2025-09-30 同方知网数字科技有限公司 网络安全动态防御方法、系统及设备
CN120725545A (zh) * 2025-09-01 2025-09-30 浙江华智新航科技有限公司 一种多源数据融合的焊接工艺追溯方法
CN120723954A (zh) * 2025-08-20 2025-09-30 杭州华数智屏信息技术有限公司 基于多模态智能体的ott大屏内容监测系统及方法
CN120744844A (zh) * 2025-08-29 2025-10-03 国网上海市电力公司 基于多源数据融合的配电变压器重载率预测方法及系统
CN120744859A (zh) * 2025-07-04 2025-10-03 杭州追形视频科技有限公司 基于知识图谱的公共安全多源风险因素关联识别分析方法
CN120766794A (zh) * 2025-09-03 2025-10-10 汉中天然谷生物科技股份有限公司 一种基于深度神经网络的生物发酵数据预测方法
CN120811859A (zh) * 2025-05-30 2025-10-17 杭州海樊科技有限公司 一种工艺流程的报警信息处理系统和方法
CN120822149A (zh) * 2025-07-28 2025-10-21 广州境开科技有限公司 一种多模态输入的电力作业设备安全风险辨识方法及系统
CN120825344A (zh) * 2025-09-16 2025-10-21 贵州华谊联盛科技有限公司 基于大模型的网络安全及数据安全综合分析方法及系统
CN120822711A (zh) * 2025-09-17 2025-10-21 中南大学 一种铁路应急辅助决策方法及系统
CN120823061A (zh) * 2025-07-15 2025-10-21 深圳市前海恒道智融信息技术有限公司 一种承保风险评估报告生成方法及系统
CN120833210A (zh) * 2025-06-18 2025-10-24 湖北消费金融股份有限公司 基于多源数据融合的信贷业务风控决策方法、装置、设备和介质
CN120853093A (zh) * 2025-09-23 2025-10-28 北京华联电力工程咨询有限公司 一种电力基建线路作业行为智能识别方法
CN120852050A (zh) * 2025-07-10 2025-10-28 海南金财网络技术有限公司 一种基于知识图谱融合计算的资金流监控方法及系统
CN120874578A (zh) * 2025-07-23 2025-10-31 湖北亿立能科技股份有限公司 一种基于北斗ai的水利巡检机器狗智能巡检方法及系统
CN120894028A (zh) * 2025-07-31 2025-11-04 山东融汇物产集团有限公司 一种基于风控管理的大宗商品交易平台系统及方法
CN120893848A (zh) * 2025-09-30 2025-11-04 中铁十四局集团大盾构工程有限公司 一种基于知识图谱的盾构风险溯源方法
CN120892699A (zh) * 2025-10-09 2025-11-04 安徽标信查数据技术有限公司 一种用于知识图谱清洗与质量评估系统
CN120915984A (zh) * 2025-10-13 2025-11-07 浙江东安检测技术有限公司 一种ai大模型内容生成安全检测方法及系统
CN120915702A (zh) * 2025-10-10 2025-11-07 人工智能与数字经济广东省实验室(深圳) 基于时频感知图卷积网络的社交网络链路预测方法、系统、终端及存储介质
CN120913829A (zh) * 2025-07-14 2025-11-07 华中科技大学同济医学院附属同济医院 一种基于图神经网络的呼吸系统风险预测方法及系统
CN120915548A (zh) * 2025-08-15 2025-11-07 广东浩传管理服务有限公司 一种基于多源流量感知的DDoS攻击防御方法及系统
CN120912346A (zh) * 2025-08-24 2025-11-07 中国人寿保险股份有限公司湖北省分公司 一种保险行业数据处理方法、装置及电子设备
CN120930153A (zh) * 2025-10-14 2025-11-11 北京炎黄新星网络科技有限公司 一种运行时拦截与静态扫描联动的开发规范预检方法及系统
CN120928117A (zh) * 2025-10-11 2025-11-11 湖北华中电力科技开发有限责任公司 一种输电线路防外破智能预警方法及系统
CN120951280A (zh) * 2025-10-16 2025-11-14 国网甘肃省电力公司营销服务中心 计量设备配送决策的仿真分析方法
CN120977551A (zh) * 2025-10-21 2025-11-18 北京冠新医卫软件科技有限公司 基于医疗智能体中间件的全-专科协同诊疗方法及系统
CN120975828A (zh) * 2025-10-22 2025-11-18 南通大学 基于大数据的建设成本分析系统及方法
CN120975199A (zh) * 2025-07-21 2025-11-18 立心通智科技(北京)有限公司 一种语义性与情景性知识协同建模的陈述性知识构建方法、装置、计算机设备及可读存储介质
CN120996590A (zh) * 2025-10-24 2025-11-21 中铁一局集团铁路建设有限公司 一种施工安全风险监测方法及系统
CN120995035A (zh) * 2025-10-24 2025-11-21 中国医学科学院北京协和医院 医疗机构安全生产风险推理方法、装置、设备及存储介质
CN121032699A (zh) * 2025-10-30 2025-11-28 中智薪税技术服务有限公司 一种基于人工智能的账务数据核查方法及系统
CN121052829A (zh) * 2025-10-31 2025-12-02 福建中锐电子科技有限公司 基于移动终端设备的风险预测方法
CN121069859A (zh) * 2025-11-06 2025-12-05 四川泓炜特种门业有限责任公司 一种车间生产线全流程数据处理与智能监控方法及系统
CN121073204A (zh) * 2025-08-25 2025-12-05 应急管理部国家自然灾害防治研究院 一种基于可解释深度学习的森林火险评估方法
CN121089825A (zh) * 2025-11-12 2025-12-09 内蒙古电力(集团)有限责任公司鄂尔多斯供电分公司 无源多参量光纤传感单元的多物理量测量方法及装置
CN121120148A (zh) * 2025-09-12 2025-12-12 广州上贺数字科技有限公司 一种互联网广告信息的动态监管优化系统
CN121147857A (zh) * 2025-11-17 2025-12-16 陕西新风尚建筑安装工程有限公司 一种基于视频监控隔墙板的安装风险方法及系统
CN121169087A (zh) * 2025-09-08 2025-12-19 函数引擎(浙江)安全技术服务有限公司 一种基于人工智能的风险知识图谱构建和智能预警方法
CN121187185A (zh) * 2025-10-11 2025-12-23 芜湖德纳美半导体有限公司 无接触传输路径协同控制系统
CN121211290A (zh) * 2025-11-27 2025-12-26 国网信通亿力科技有限责任公司 一种融合多源数据的电力行业智能环保监控方法
CN121327780A (zh) * 2025-12-01 2026-01-13 北京法伯宏业科技发展有限公司 一种融合知识图谱与深度学习的数据分析方法及系统
CN121365241A (zh) * 2025-12-23 2026-01-20 北京阳光金力科技发展有限公司 基于时序特征的矿井异常事件实时识别方法及系统
CN121365415A (zh) * 2025-12-19 2026-01-20 浙江智加信息科技有限公司 基于用户组与角色映射的无纸化交互权限分配方法及系统
CN121393887A (zh) * 2025-10-29 2026-01-23 北京科创信阳科技有限公司 一种智慧大健康系统及其数据处理方法
CN121542974A (zh) * 2026-01-20 2026-02-17 厦门理工学院 基于装配知识图谱的异常风险预测方法、装置、设备、介质
CN121563700A (zh) * 2026-01-21 2026-02-24 湖南省地质灾害调查监测所(湖南省地质灾害应急救援技术中心) 基于多维度机器学习算法构建财务管理风险预警系统
CN121600473A (zh) * 2026-01-28 2026-03-03 源心舍科技(江苏)有限公司 面向智能建筑设施的多方协同式进度可视化监控方法

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822494B (zh) * 2021-10-19 2022-07-22 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质
CN113992429B (zh) * 2021-12-22 2022-04-29 支付宝(杭州)信息技术有限公司 一种事件的处理方法、装置及设备
CN114372620A (zh) * 2021-12-28 2022-04-19 天津汇智星源信息技术有限公司 基于轨迹预测的目标人员动态风险预警方法及相关设备
CN115964503B (zh) * 2021-12-28 2023-07-07 北方工业大学 基于社区设备设施的安全风险预测方法及系统
CN114357191B (zh) * 2021-12-31 2023-05-30 科大讯飞(苏州)科技有限公司 知识抽取、问答及推荐方法和相关装置、设备、介质
CN114358607B (zh) * 2022-01-06 2025-11-07 中国工商银行股份有限公司 一种风险监测方法及装置
CN114022058A (zh) * 2022-01-06 2022-02-08 成都晓多科技有限公司 基于时序知识图谱的中小企业失信风险预测方法
CN116468885A (zh) * 2022-01-10 2023-07-21 富士通株式会社 训练语义分割模型的方法和装置及图像检测方法
US20230281565A1 (en) * 2022-03-04 2023-09-07 HireTeamMate Incorporated System and method for generating lower-dimension graph representations in talent acquisition platforms
CN114357197B (zh) * 2022-03-08 2022-07-26 支付宝(杭州)信息技术有限公司 事件推理方法和装置
CN114611816B (zh) * 2022-03-21 2024-02-27 中国电信股份有限公司 潜在事件预测方法、装置、设备及存储介质
CN114880664B (zh) * 2022-04-06 2024-10-15 北京信息科技大学 信息安全风险事件要素关系与路径关联分析方法及装置
CN114860854B (zh) * 2022-05-05 2024-09-27 中国人民解放军国防科技大学 基于注意力机制的时序知识图谱推理方法、装置和设备
CN114897567A (zh) * 2022-06-07 2022-08-12 中国工商银行股份有限公司 票据信息处理方法、装置、介质及设备
CN114997723A (zh) * 2022-06-30 2022-09-02 辽宁大学 面向企业经营活动的多源异构区块链质量评估模型的构建方法
CN115081922A (zh) * 2022-07-07 2022-09-20 智器云南京信息科技有限公司 一种基于图谱库的新风险主动识别方法和装置
CN115187058A (zh) * 2022-07-08 2022-10-14 广联达科技股份有限公司 风险分类模型的确定方法、识别安全风险的方法和装置
CN115186890A (zh) * 2022-07-08 2022-10-14 中国工商银行股份有限公司 预警方法、装置、计算机设备和存储介质
CN115115126A (zh) * 2022-07-14 2022-09-27 复旦大学 基于知识图谱的农作物灾害损失及产量预测系统及方法
CN115393270B (zh) * 2022-07-14 2023-06-23 北京建筑大学 建筑遗产病害自动识别预测方法、装置及设备
CN114998002A (zh) * 2022-07-19 2022-09-02 中国工商银行股份有限公司 风险操作预测方法及装置
CN115225532B (zh) * 2022-07-21 2023-04-07 北京天融信网络安全技术有限公司 网络安全态势预测方法、装置、设备及存储介质
CN115203376B (zh) * 2022-07-28 2025-09-23 平安科技（深圳）有限公司 专利信息处理方法、装置、电子设备及存储介质
CN115063056B (zh) * 2022-08-18 2022-11-18 西南交通大学 基于图拓扑分析改进的建造行为安全风险动态分析方法
CN115345727B (zh) * 2022-08-19 2023-04-28 中电金信软件有限公司 一种识别欺诈贷款申请的方法及装置
CN115438980A (zh) * 2022-09-14 2022-12-06 平安银行股份有限公司 一种风控方法、装置、电子设备及存储介质
CN115526391A (zh) * 2022-09-20 2022-12-27 建信金融科技有限责任公司 用于预测企业风险的方法、装置及存储介质
CN115456797A (zh) * 2022-09-20 2022-12-09 平安银行股份有限公司 金融产品风险预测方法、装置、设备和存储介质
CN115564454B (zh) * 2022-09-22 2025-08-05 中国人民解放军国防科技大学 区块链驱动的企业时序知识图谱构建及应用的方法和装置
CN115374296B (zh) * 2022-10-25 2023-04-04 科大讯飞(苏州)科技有限公司 基于时序知识图谱的问答方法、实体表示方法及相关装置
CN115618017B (zh) * 2022-10-26 2026-01-16 同济大学 一种面向产业知识图谱的企业上下游关系预测方法
CN115577754B (zh) * 2022-10-31 2025-06-20 北京交通大学 一种基于事理图谱的电力负荷预测方法
CN115797044B (zh) * 2022-11-15 2024-03-29 东方微银科技股份有限公司 基于聚类分析的信贷风控预警方法及系统
CN116187448B (zh) * 2023-04-25 2023-08-01 之江实验室 一种信息展示的方法、装置、存储介质及电子设备
CN116821374B (zh) * 2023-07-27 2024-08-02 中国人民解放军陆军工程大学 一种基于情报的事件预测方法
CN117012374B (zh) * 2023-10-07 2024-01-26 之江实验室 一种融合事件图谱和深度强化学习的医疗随访系统及方法
CN117894478B (zh) * 2024-03-14 2024-05-28 天津市肿瘤医院（天津医科大学肿瘤医院） 一种肿瘤重症医学科重症信息化智能化管理方法
CN118536853A (zh) * 2024-04-10 2024-08-23 苏州朗力文化发展有限公司 一种建筑装修工程的质量风险管理方法及系统
CN118428745A (zh) * 2024-07-04 2024-08-02 北京科技大学 一种基于图神经网络的化工企业隐患预测方法及系统
CN118863533B (zh) * 2024-07-12 2025-01-28 北京交通大学 基于知识图谱的轨道交通运营风险评估管理方法及系统
CN118504695B (zh) * 2024-07-22 2024-11-01 北京邮电大学 基于时间概率分布的时序知识图谱逻辑推理方法及装置
CN118762242B (zh) * 2024-09-06 2025-04-11 广东省农业科学院植物保护研究所 一种柑橘病害智能识别与精准防控方法
CN118886613B (zh) * 2024-09-26 2025-01-10 邯郸中材建设有限责任公司 一种物联网驱动的筒仓工程实时监测方法
CN119048226B (zh) * 2024-10-31 2025-03-07 中汽数据(天津)有限公司 一种汽车产业链的金融风险评价与预测方法和系统
CN120655266A (zh) * 2025-06-17 2025-09-16 湖北祥胜新能源有限公司 基于大数据的天然气管道维护优化方法及系统
CN120639442A (zh) * 2025-07-11 2025-09-12 湖北大学 一种基于知识图谱的网络安全风险评估方法、设备及介质
CN120563280A (zh) * 2025-07-30 2025-08-29 浪潮通用软件有限公司 一种基于知识图谱的合同风险预警方法、装置及设备
CN120872679B (zh) * 2025-09-28 2026-01-27 苏州元脑智能科技有限公司 运维命令的处理方法、装置、设备、存储介质及程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795568A (zh) * 2019-09-30 2020-02-14 北京淇瑀信息科技有限公司 基于用户信息知识图谱的风险评估方法、装置和电子设备
CN111026874A (zh) * 2019-11-22 2020-04-17 海信集团有限公司 知识图谱的数据处理方法及服务器
US20210019674A1 (en) * 2015-10-28 2021-01-21 Qomplx, Inc. Risk profiling and rating of extended relationships using ontological databases
CN112395423A (zh) * 2020-09-09 2021-02-23 北京邮电大学 递归的时序知识图谱补全方法和装置
CN113822494A (zh) * 2021-10-19 2021-12-21 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI702557B (zh) * 2017-12-12 2020-08-21 浩霆 黃 金融風險預測系統及其方法
CN109857871B (zh) * 2019-01-28 2021-04-20 重庆邮电大学 一种基于社交网络海量情景数据的用户关系发现方法
CN112927082B (zh) * 2021-03-22 2025-07-01 中国工商银行股份有限公司 信用风险的预测方法、装置、设备、介质和程序产品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210019674A1 (en) * 2015-10-28 2021-01-21 Qomplx, Inc. Risk profiling and rating of extended relationships using ontological databases
CN110795568A (zh) * 2019-09-30 2020-02-14 北京淇瑀信息科技有限公司 基于用户信息知识图谱的风险评估方法、装置和电子设备
CN111026874A (zh) * 2019-11-22 2020-04-17 海信集团有限公司 知识图谱的数据处理方法及服务器
CN112395423A (zh) * 2020-09-09 2021-02-23 北京邮电大学 递归的时序知识图谱补全方法和装置
CN113822494A (zh) * 2021-10-19 2021-12-21 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质

Cited By (223)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116564408A (zh) * 2023-04-28 2023-08-08 上海科技大学 基于知识图谱推理的合成致死基因对预测方法、装置、设备及介质
CN116564408B (zh) * 2023-04-28 2024-03-01 上海科技大学 基于知识图谱推理的合成致死基因对预测方法、装置、设备及介质
CN116452323B (zh) * 2023-04-28 2024-01-30 广州市良策网络技术有限公司 风险评估方法、系统、设备及存储介质
CN116452323A (zh) * 2023-04-28 2023-07-18 广州市良策网络技术有限公司 风险评估方法、系统、设备及存储介质
CN116628353B (zh) * 2023-05-10 2025-11-28 中国科学院计算技术研究所 基于图表示学习的多视角个体观点预测方法及系统
CN116628353A (zh) * 2023-05-10 2023-08-22 中国科学院计算技术研究所 基于图表示学习的多视角个体观点预测方法及系统
CN116628220A (zh) * 2023-05-11 2023-08-22 国能长源汉川发电有限公司 基于关系图卷积神经网络的电力工作票生成方法及系统
CN116796845A (zh) * 2023-05-15 2023-09-22 中国人民解放军火箭军工程大学 一种嵌入决策树的知识图谱可解释推理方法、系统及设备
CN116629604A (zh) * 2023-05-15 2023-08-22 国网冀北电力有限公司信息通信分公司 一种电网运行风险的处理分析方法及装置
CN116668095A (zh) * 2023-05-16 2023-08-29 江苏信创网安数据科技有限公司 一种网络安全智能评估方法及系统
CN116668095B (zh) * 2023-05-16 2024-03-29 江苏信创网安数据科技有限公司 一种网络安全智能评估方法及系统
CN116796001A (zh) * 2023-05-30 2023-09-22 中国科学院自动化研究所 动态知识图谱预测方法、装置、电子设备及存储介质
CN116738366A (zh) * 2023-06-16 2023-09-12 河海大学 基于特征融合的大坝应急事件因果关系识别方法及系统
CN116680414A (zh) * 2023-06-19 2023-09-01 吉林大学 一种基于注意力机制的知识图谱预测方法
CN116680414B (zh) * 2023-06-19 2025-06-13 吉林大学 一种基于注意力机制的知识图谱预测方法
CN116702896A (zh) * 2023-06-21 2023-09-05 北京交通大学 基于本体的城轨运营主动安全知识图谱构建方法及系统
CN116737961A (zh) * 2023-06-27 2023-09-12 中国电子科技集团有限公司电子科学研究院 一种关键信息挖掘的多模态企业知识图谱补全方法及装置
CN116737961B (zh) * 2023-06-27 2026-03-20 中国电子科技集团有限公司电子科学研究院 一种关键信息挖掘的多模态企业知识图谱补全方法及装置
CN117670017A (zh) * 2023-06-28 2024-03-08 上海期货信息技术有限公司 一种基于事件的风险识别方法、装置以及电子设备
CN117670017B (zh) * 2023-06-28 2024-07-05 上海期货信息技术有限公司 一种基于事件的风险识别方法、装置以及电子设备
CN116861884A (zh) * 2023-07-10 2023-10-10 中国电信股份有限公司技术创新中心 事件抽取模型的训练方法、抽取方法、装置、设备及介质
CN116580444A (zh) * 2023-07-14 2023-08-11 广州思林杰科技股份有限公司 基于多天线射频识别技术的长跑计时的测试方法和设备
CN116611523B (zh) * 2023-07-18 2023-09-26 山东师范大学 涡轮风扇发动机的可解释故障预测方法及系统
CN116611523A (zh) * 2023-07-18 2023-08-18 山东师范大学 涡轮风扇发动机的可解释故障预测方法及系统
CN116910268B (zh) * 2023-07-19 2025-10-31 山东师范大学 基于时空融合神经网络的人群拥堵预测方法及系统
CN116910268A (zh) * 2023-07-19 2023-10-20 山东师范大学 基于时空融合神经网络的人群拥堵预测方法及系统
CN116662577A (zh) * 2023-08-02 2023-08-29 北京网智天元大数据科技有限公司 基于知识图谱的大型语言模型训练方法及装置
CN116662577B (zh) * 2023-08-02 2023-11-03 北京网智天元大数据科技有限公司 基于知识图谱的大型语言模型训练方法及装置
CN116718198A (zh) * 2023-08-10 2023-09-08 湖南璟德科技有限公司 基于时序知识图谱的无人机集群的路径规划方法及系统
CN116718198B (zh) * 2023-08-10 2023-11-03 湖南璟德科技有限公司 基于时序知识图谱的无人机集群的路径规划方法及系统
CN117077028A (zh) * 2023-08-24 2023-11-17 中国建设银行股份有限公司 风险预测模型的构建方法、装置、计算机设备和存储介质
CN117094391A (zh) * 2023-08-24 2023-11-21 建信金融科技有限责任公司 因果事件对处理方法、装置、计算机设备以及存储介质
CN117094391B (zh) * 2023-08-24 2025-08-26 建信金融科技有限责任公司 因果事件对处理方法、装置、计算机设备以及存储介质
CN117113148B (zh) * 2023-08-30 2024-05-17 上海智租物联科技有限公司 基于时序图神经网络的风险识别方法、装置及存储介质
CN117113148A (zh) * 2023-08-30 2023-11-24 上海智租物联科技有限公司 基于时序图神经网络的风险识别方法、装置及存储介质
CN117112805A (zh) * 2023-08-31 2023-11-24 福建省特种设备检验研究院 一种基于文档的石化行业危化品库区知识图谱构建方法
CN116847222B (zh) * 2023-09-01 2023-11-14 西安格威石油仪器有限公司 应用于石油测井下的设备远程监控方法及系统
CN116847222A (zh) * 2023-09-01 2023-10-03 西安格威石油仪器有限公司 应用于石油测井下的设备远程监控方法及系统
CN116911618B (zh) * 2023-09-07 2023-12-05 北京网藤科技有限公司 面向安全生产风险的人工智能决策系统和方法
CN116911618A (zh) * 2023-09-07 2023-10-20 北京网藤科技有限公司 面向安全生产风险的人工智能决策系统和方法
CN116882767B (zh) * 2023-09-08 2024-01-05 之江实验室 一种基于不完善异构关系网络图的风险预测方法及装置
CN116882767A (zh) * 2023-09-08 2023-10-13 之江实验室 一种基于不完善异构关系网络图的风险预测方法及装置
CN117009553A (zh) * 2023-09-08 2023-11-07 清华苏州环境创新研究院 一种基于知识图谱推理的污染场地画像构建方法及系统
CN117114412A (zh) * 2023-09-12 2023-11-24 瑞丰宝丽(北京)科技有限公司 一种用于危险化学品生产企业的安全预控方法及装置
CN117196025A (zh) * 2023-09-13 2023-12-08 安徽国麒科技有限公司 基于多视图解码器的知识图谱高阶关系预测方法及系统
CN117035087A (zh) * 2023-10-09 2023-11-10 北京壹永科技有限公司 用于医疗推理的事理图谱生成方法、装置、设备及介质
CN117035087B (zh) * 2023-10-09 2023-12-26 北京壹永科技有限公司 用于医疗推理的事理图谱生成方法、装置、设备及介质
CN117093728A (zh) * 2023-10-19 2023-11-21 杭州同花顺数据开发有限公司 一种金融领域事理图谱构建方法、装置、设备及存储介质
CN117093728B (zh) * 2023-10-19 2024-02-02 杭州同花顺数据开发有限公司 一种金融领域事理图谱构建方法、装置、设备及存储介质
WO2025081591A1 (zh) * 2023-10-20 2025-04-24 之江实验室 宏微观图融合的传染病感染预测方法、装置和存储介质
CN117390197A (zh) * 2023-10-23 2024-01-12 深圳市云鲸视觉科技有限公司 城市模型区域表示生成方法、装置、电子设备及介质
CN117290520A (zh) * 2023-10-23 2023-12-26 重庆交通大学 基于知识蒸馏联合内生规则约束的知识图谱补全方法
CN117112808A (zh) * 2023-10-24 2023-11-24 中国标准化研究院 一种信用失信主体的信息知识图谱构建方法
CN117112808B (zh) * 2023-10-24 2024-01-19 中国标准化研究院 一种信用失信主体的信息知识图谱构建方法
CN117371482A (zh) * 2023-10-24 2024-01-09 国家电网有限公司信息通信分公司 一种云平台运维时序知识图谱推理方法
CN117196323B (zh) * 2023-11-07 2024-02-27 之江实验室 一种基于高维图网络的复杂社会事件的预警方法
CN117196323A (zh) * 2023-11-07 2023-12-08 之江实验室 一种基于高维图网络的复杂社会事件的预警方法
CN117350547B (zh) * 2023-11-14 2024-03-26 深圳市明心数智科技有限公司 订单的风险处理方案确定方法、装置、设备及存储介质
CN117350547A (zh) * 2023-11-14 2024-01-05 深圳市明心数智科技有限公司 订单的风险处理方案确定方法、装置、设备及存储介质
CN117235465A (zh) * 2023-11-15 2023-12-15 国网江西省电力有限公司电力科学研究院 一种基于图神经网络录波分析的变压器故障类型诊断方法
CN117235465B (zh) * 2023-11-15 2024-03-12 国网江西省电力有限公司电力科学研究院 一种基于图神经网络录波分析的变压器故障类型诊断方法
CN117633245A (zh) * 2023-11-24 2024-03-01 重庆赛力斯新能源汽车设计院有限公司 知识图谱构建方法、装置、电子设备及存储介质
CN117332261B (zh) * 2023-12-01 2024-03-22 深圳市伟昊净化设备有限公司 一种滤芯的效能评价方法、系统及存储介质
CN117332261A (zh) * 2023-12-01 2024-01-02 深圳市伟昊净化设备有限公司 一种滤芯的效能评价方法、系统及存储介质
CN117669719A (zh) * 2023-12-05 2024-03-08 浙江邦盛科技股份有限公司 一种知识图谱维护方法、装置、设备及存储介质
CN117808490A (zh) * 2023-12-29 2024-04-02 山东省公安厅物证鉴定研究中心 风险人员评估预警的方法
CN117540035B (zh) * 2024-01-09 2024-05-14 安徽思高智能科技有限公司 一种基于实体类型信息融合的rpa知识图谱构建方法
CN117540035A (zh) * 2024-01-09 2024-02-09 安徽思高智能科技有限公司 一种基于实体类型信息融合的rpa知识图谱构建方法
CN117573809B (zh) * 2024-01-12 2024-05-10 中电科大数据研究院有限公司 一种基于事件图谱的舆情推演方法以及相关装置
CN117573809A (zh) * 2024-01-12 2024-02-20 中电科大数据研究院有限公司 一种基于事件图谱的舆情推演方法以及相关装置
CN117574328A (zh) * 2024-01-15 2024-02-20 德阳联动检测科技有限公司 基于扭矩数据的联轴器打滑分析方法及系统
CN117574328B (zh) * 2024-01-15 2024-03-29 德阳联动检测科技有限公司 基于扭矩数据的联轴器打滑分析方法及系统
CN117936075A (zh) * 2024-01-19 2024-04-26 中国科学院重庆绿色智能技术研究院 基于监测数据的脓毒症可解释性预警方法
CN118035828A (zh) * 2024-01-31 2024-05-14 华电淄博热电有限公司 一种火电厂风险监测可视化实现方法及设备
CN117788203B (zh) * 2024-02-28 2024-05-10 西安华联电力电缆有限公司 一种改进的交联聚乙烯绝缘电力电缆的高效生产制备方法
CN117788203A (zh) * 2024-02-28 2024-03-29 西安华联电力电缆有限公司 一种改进的交联聚乙烯绝缘电力电缆的高效生产制备方法
CN118113881A (zh) * 2024-03-05 2024-05-31 西安电子科技大学 一种基于多特征融合学习的时序知识图谱补全方法
CN117973282B (zh) * 2024-03-29 2024-06-07 沐曦科技(成都)有限公司 芯片时序风险的预测方法、电子设备和介质
CN117973282A (zh) * 2024-03-29 2024-05-03 沐曦科技(成都)有限公司 芯片时序风险的预测方法、电子设备和介质
CN118297382A (zh) * 2024-04-02 2024-07-05 中国长江电力股份有限公司 一种水利水电工程多维安全调度方案辅助智能决策方法
CN118364023A (zh) * 2024-04-23 2024-07-19 北京东方通科技股份有限公司 一种在弹性交互中进行工业数据蒸馏的数据处理方法
CN118535947A (zh) * 2024-04-23 2024-08-23 中国民用航空飞行学院 基于kg-bn的航空器设备故障诊断方法
CN118096445A (zh) * 2024-04-25 2024-05-28 北京大学 知识图谱驱动的面向地下水的建筑风险预警方法及装置
CN118132447A (zh) * 2024-04-29 2024-06-04 阿里云计算有限公司 数据分析方法及装置
CN118114057A (zh) * 2024-04-30 2024-05-31 西北工业大学 模型训练方法、径流预测方法、电子设备和存储介质
CN118395432A (zh) * 2024-05-27 2024-07-26 中科蓝吧数字科技(苏州)有限公司 一种基于数据资产的数据质量实时监控方法及系统
CN118333411A (zh) * 2024-06-14 2024-07-12 福州无比欢信息科技有限公司 基于人工智能的安全生产事故隐患预警系统
CN118733707A (zh) * 2024-06-28 2024-10-01 武汉理工大学 基于知识图谱的海域违法事件追源方法、装置和电子设备
CN118504988A (zh) * 2024-07-11 2024-08-16 国网安徽省电力有限公司电力科学研究院 新增设备启动风险识别方法及系统
CN118885624A (zh) * 2024-07-15 2024-11-01 山东青年政治学院 一种基于时序反事实增强的时序知识图谱补全方法
CN118962499A (zh) * 2024-07-17 2024-11-15 国网福建省电力有限公司 一种基于数据库的储能设备标准检测算例综合管控方法
CN119990770A (zh) * 2024-07-22 2025-05-13 陕西内府中飞机场管理有限公司 通用机场安全风险预测方法及风险等级评估方法
CN118519385A (zh) * 2024-07-23 2024-08-20 山东聚远科技有限公司 化工园区安全风险智能化管控系统
CN118585657A (zh) * 2024-08-01 2024-09-03 之江实验室 一种基于卫星轨道威胁领域知识图谱的事件预测方法
CN119089065A (zh) * 2024-08-19 2024-12-06 中国矿业大学(北京) 基于事理知识图谱的智能家居质量安全确定方法
CN119136231A (zh) * 2024-08-26 2024-12-13 苏州群卓机电科技有限公司 基于平均筛点算法的高频数字采集方法及系统
CN119089382A (zh) * 2024-08-27 2024-12-06 中安华邦(北京)安全生产技术研究院股份有限公司 一种基于视觉识别的安全生产隐患/风险辨别排查方法与训练系统
CN118734254A (zh) * 2024-08-30 2024-10-01 龙宇天下(北京)文化传媒有限公司 基于运行机制优化的安全宣教培训监测评估方法及系统
CN118734233A (zh) * 2024-09-03 2024-10-01 烟台海博电气设备有限公司 一种基于深度学习的锂电池异常状态预测方法及系统
CN119443775A (zh) * 2024-09-14 2025-02-14 广东警官学院(广东省公安司法管理干部学院) 结合知识图谱的社区火灾预警方法
CN118839020A (zh) * 2024-09-20 2024-10-25 合肥工业大学 从医学知识图谱中抽取因果关系的方法、介质及设备
CN118869373A (zh) * 2024-09-29 2024-10-29 浙商银行股份有限公司 基于事理知识图谱的网络攻击预警及溯源方法、系统及装置
CN119338305A (zh) * 2024-09-30 2025-01-21 北京首钢冷轧薄板有限公司 一种基于知识图谱的钢卷表面缺陷预测方法及相关设备
CN118897688A (zh) * 2024-09-30 2024-11-05 天勰力(山东)卫星技术有限公司 一种基于大模型知识图谱引导软件定义卫星错误修正方法
CN119254507A (zh) * 2024-10-11 2025-01-03 南方电网科学研究院有限责任公司 网络空间反测绘方法、装置、计算机设备和存储介质
CN119512699A (zh) * 2024-10-14 2025-02-25 重庆蚂蚁消费金融有限公司 一种数据处理方法、装置、存储介质及电子设备
CN119005321A (zh) * 2024-10-23 2024-11-22 中国计量大学 融合时序知识图谱的机电设备预测性维护方法
CN119621992A (zh) * 2024-10-28 2025-03-14 国网江苏省电力有限公司经济技术研究院 一种风力发电机知识图谱构建方法和系统
CN119621992B (zh) * 2024-10-28 2025-12-19 国网江苏省电力有限公司经济技术研究院 一种风力发电机知识图谱构建方法和系统
CN119382987A (zh) * 2024-10-31 2025-01-28 中国人民解放军网络空间部队信息工程大学 基于知识图谱的网络攻击路径发现方法及系统
CN119149756A (zh) * 2024-11-11 2024-12-17 湘江实验室 一种基于信创体系的医养知识图谱数据库构建方法、设备及介质
CN119135654A (zh) * 2024-11-13 2024-12-13 天翼安全科技有限公司 一种企业ip资产识别的方法及电子设备
CN119149920A (zh) * 2024-11-18 2024-12-17 国网安徽省电力有限公司超高压分公司 一种时序数据补全方法及系统
CN119151660A (zh) * 2024-11-19 2024-12-17 北京双赢天下管理咨询有限公司 大数据驱动的合规风险预测与管理方法
CN119782292A (zh) * 2024-11-25 2025-04-08 东北大学 一种基于人工智能的数据分析方法
CN119228532A (zh) * 2024-12-02 2024-12-31 湖南省中小企业服务中心 一种基于多构数字金融服务信息处理方法及系统
CN119721056A (zh) * 2024-12-04 2025-03-28 中国平安财产保险股份有限公司 一种舆情处理方法、装置、计算机设备及存储介质
CN119250172A (zh) * 2024-12-09 2025-01-03 迪塔班克(浙江)数据科技有限公司 利用图卷积网络构建化塑产业链知识图谱的方法
CN119295984A (zh) * 2024-12-11 2025-01-10 深圳市喜悦智慧数据有限公司 一种面向工业三防领域的无人机自适应巡检方法及系统
CN119996999A (zh) * 2024-12-23 2025-05-13 天津市邮电设计院有限责任公司 无线通信数据安全管理方法及系统
CN119832157A (zh) * 2024-12-24 2025-04-15 北京航空航天大学 一种基于多模态输入与智能优化的3d设计辅助方法
CN119357803A (zh) * 2024-12-25 2025-01-24 奥德集团有限公司 一种用于燃气设备运行数据的远程采集系统
CN119476671A (zh) * 2025-01-15 2025-02-18 北京航空航天大学 一种低空智能集群飞行管理方法、设备、介质及产品
CN119990297A (zh) * 2025-02-25 2025-05-13 湖南科技大学 基于大模型生成和知识图谱集成的多模态关系抽取方法
CN119721722A (zh) * 2025-02-27 2025-03-28 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 基于知识图谱和图神经网络的山洪灾害风险等级预测方法
CN119761488A (zh) * 2025-03-07 2025-04-04 南昌工程学院 一种城市暴雨洪涝灾害链事理图谱构建方法及系统
CN119808930A (zh) * 2025-03-13 2025-04-11 北京万联易达科技有限公司 基于大宗商品交易信息的平台知识图谱构建方法及系统
CN119939519A (zh) * 2025-03-20 2025-05-06 广州金融科技股份有限公司 基于多源数据融合的金融活动舆情综合分析方法
CN119849641A (zh) * 2025-03-20 2025-04-18 青岛峻海物联科技有限公司 一种基于知识图谱的电气火灾信息分析统计方法及系统
CN120218219A (zh) * 2025-03-21 2025-06-27 北京中企慧云科技有限公司 图谱构建方法、装置、电子设备和计算机可读介质
CN120258951A (zh) * 2025-03-21 2025-07-04 武汉理工大学 一种基于多模态数据融合的金融风险预测方法
CN119941392A (zh) * 2025-04-07 2025-05-06 湖南工商大学 一种基于区块链与深度学习的企业失信风险智能预测方法
CN119963175A (zh) * 2025-04-11 2025-05-09 超网实业(成都)股份有限公司 基于多维数据驱动的智能厂务运维管理系统
CN119963175B (zh) * 2025-04-11 2025-07-01 超网实业(成都)股份有限公司 基于多维数据驱动的智能厂务运维管理系统
CN120407812A (zh) * 2025-04-21 2025-08-01 黑龙江省畜牧总站 用于dhi报告解读的知识图谱补全方法及dhi报告解读方法、存储介质、设备
CN120494828A (zh) * 2025-04-25 2025-08-15 华夏银行股份有限公司石家庄分行 基于多层神经网络的金融交易风险评估方法及系统
CN120317907A (zh) * 2025-04-28 2025-07-15 浙江豪圣建设项目管理有限公司 一种全过程造价的多维度智能管理方法及系统
CN120070906A (zh) * 2025-04-30 2025-05-30 北京邮电大学 一种基于智能体协同的有害图像检测识别系统及方法
CN120086446A (zh) * 2025-05-06 2025-06-03 江西博方教育科技集团有限公司 一种在线教育平台数据驱动的教学内容推荐方法及系统
CN120145279A (zh) * 2025-05-14 2025-06-13 河南嵩山实验室产业研究院有限公司洛阳分公司 基于多模态行为图谱的智能网络虚假信息识别与预警系统
CN120471449A (zh) * 2025-05-15 2025-08-12 中国标准化研究院 一种基于人工智能的产品质量风险预警方法及系统
CN120471449B (zh) * 2025-05-15 2025-10-10 中国标准化研究院 一种基于人工智能的产品质量风险预警方法及系统
CN120430633A (zh) * 2025-05-16 2025-08-05 新疆亚欧国际物资交易中心有限公司 一种跨境大宗商品电子商务交易风险评估管理系统
CN120509732A (zh) * 2025-05-19 2025-08-19 中国标准化研究院 基于知识图谱的首台套装备技术成熟度评估模型构建方法
CN120541930A (zh) * 2025-05-20 2025-08-26 天津大学 一种面向生成式人工智能的历史建筑本体建模系统
CN120634225A (zh) * 2025-05-27 2025-09-12 江苏安德福能源供应链科技有限公司 一种基于大数据分析的危化品运输风险预测系统及方法
CN120811859A (zh) * 2025-05-30 2025-10-17 杭州海樊科技有限公司 一种工艺流程的报警信息处理系统和方法
CN120263824A (zh) * 2025-06-04 2025-07-04 诚创智能科技(江苏)有限公司 基于多源数据融合的智能物联网公共安全管控系统及方法
CN120256646A (zh) * 2025-06-06 2025-07-04 北京银行股份有限公司 基于大模型技术的数字人民币相关数据的处理方法及装置
CN120258263A (zh) * 2025-06-09 2025-07-04 交通运输部水运科学研究所 基于图论和知识图谱的气候风险防控方法和装置
CN120299012A (zh) * 2025-06-12 2025-07-11 北京化工大学 一种基于关联关系的违禁物品风险检测方法
CN120316649A (zh) * 2025-06-12 2025-07-15 吉贝克信息技术（北京）有限公司 基于动态聚合与隐私保护的风险预测方法及系统
CN120317527A (zh) * 2025-06-12 2025-07-15 陕西中寰电气科技有限公司 一种电力设备故障跨域协同分析系统及方法
CN120833210B (zh) * 2025-06-18 2026-04-14 湖北消费金融股份有限公司 基于多源数据融合的信贷业务风控决策方法、装置、设备和介质
CN120833210A (zh) * 2025-06-18 2025-10-24 湖北消费金融股份有限公司 基于多源数据融合的信贷业务风控决策方法、装置、设备和介质
CN120354928A (zh) * 2025-06-24 2025-07-22 浪潮通用软件有限公司 一种因果路径生成方法、装置、设备、介质及产品
CN120354924A (zh) * 2025-06-24 2025-07-22 中国神华能源股份有限公司 作业环境安全分析与评价方法、装置、计算机设备及介质
CN120355107A (zh) * 2025-06-24 2025-07-22 广州市城市规划设计有限公司 一种区域发展要素数据处理方法及系统
CN120373874A (zh) * 2025-06-27 2025-07-25 天津市地质环境监测总站 基于多源数据融合的地下工程地质安全动态风险评估方法
CN120412984A (zh) * 2025-07-02 2025-08-01 浪潮云洲工业互联网有限公司 一种基于大模型的企业智能诊断方法、系统、设备及介质
CN120407270A (zh) * 2025-07-04 2025-08-01 上海擎创信息技术有限公司 结合知识图谱的运维根因定位方法及系统
CN120744859A (zh) * 2025-07-04 2025-10-03 杭州追形视频科技有限公司 基于知识图谱的公共安全多源风险因素关联识别分析方法
CN120434415A (zh) * 2025-07-08 2025-08-05 杭州市消费者权益保护委员会秘书处(杭州国家电子商务产品质量监测处置中心) 一种电子商务产品直播售卖语音监测方法及系统
CN120705509A (zh) * 2025-07-09 2025-09-26 杭州追形视频科技有限公司 基于图神经网络的城市公共安全风险链识别方法及系统
CN120852050A (zh) * 2025-07-10 2025-10-28 海南金财网络技术有限公司 一种基于知识图谱融合计算的资金流监控方法及系统
CN120448448A (zh) * 2025-07-11 2025-08-08 南京金信通信息服务有限公司 应用大模型技术的供应链中台数据管理系统及方法
CN120913829A (zh) * 2025-07-14 2025-11-07 华中科技大学同济医学院附属同济医院 一种基于图神经网络的呼吸系统风险预测方法及系统
CN120823061A (zh) * 2025-07-15 2025-10-21 深圳市前海恒道智融信息技术有限公司 一种承保风险评估报告生成方法及系统
CN120494966A (zh) * 2025-07-17 2025-08-15 山东大学 基于企业信用评估的信贷产品个性化推荐方法及系统
CN120492215A (zh) * 2025-07-17 2025-08-15 安徽谷器数据科技有限公司 一种SaaS模式下大数据平台存储数据隔离方法
CN120975199A (zh) * 2025-07-21 2025-11-18 立心通智科技(北京)有限公司 一种语义性与情景性知识协同建模的陈述性知识构建方法、装置、计算机设备及可读存储介质
CN120874578A (zh) * 2025-07-23 2025-10-31 湖北亿立能科技股份有限公司 一种基于北斗ai的水利巡检机器狗智能巡检方法及系统
CN120523967A (zh) * 2025-07-24 2025-08-22 浪潮通用软件有限公司 一种动态知识图谱构建方法、系统及设备
CN120822149A (zh) * 2025-07-28 2025-10-21 广州境开科技有限公司 一种多模态输入的电力作业设备安全风险辨识方法及系统
CN120561625A (zh) * 2025-07-30 2025-08-29 上海旺脉信息科技集团有限公司 用于筛选目标客户群体的分析方法、装置、设备及介质
CN120562890A (zh) * 2025-07-30 2025-08-29 中南大学科技园发展有限公司 一种园区安全风险预警及响应预案生成方法
CN120567585A (zh) * 2025-07-31 2025-08-29 北京安帝科技有限公司 一种基于动态风险图谱的工业网络风险感知与协同预警方法
CN120894028A (zh) * 2025-07-31 2025-11-04 山东融汇物产集团有限公司 一种基于风控管理的大宗商品交易平台系统及方法
CN120579947A (zh) * 2025-08-04 2025-09-02 杭州恒耀电力工程设计有限公司 一种电力工程设计项目管理系统及方法
CN120579833A (zh) * 2025-08-05 2025-09-02 成都市达岸信息技术有限公司 一种区域风险密度分析方法及系统
CN120611070A (zh) * 2025-08-12 2025-09-09 厦门渊亭信息科技有限公司 时序知识图谱联邦协同优化方法、系统、设备及存储介质
CN120915548A (zh) * 2025-08-15 2025-11-07 广东浩传管理服务有限公司 一种基于多源流量感知的DDoS攻击防御方法及系统
CN120723954A (zh) * 2025-08-20 2025-09-30 杭州华数智屏信息技术有限公司 基于多模态智能体的ott大屏内容监测系统及方法
CN120912346A (zh) * 2025-08-24 2025-11-07 中国人寿保险股份有限公司湖北省分公司 一种保险行业数据处理方法、装置及电子设备
CN121073204A (zh) * 2025-08-25 2025-12-05 应急管理部国家自然灾害防治研究院 一种基于可解释深度学习的森林火险评估方法
CN120707330A (zh) * 2025-08-28 2025-09-26 江苏电力信息技术有限公司 一种电力物资供应主体画像生成方法及装置
CN120725806A (zh) * 2025-08-29 2025-09-30 山东数昶数字技术有限公司 基于知识图谱的医保结算数据的风险预警方法及系统
CN120744844A (zh) * 2025-08-29 2025-10-03 国网上海市电力公司 基于多源数据融合的配电变压器重载率预测方法及系统
CN120729644A (zh) * 2025-08-29 2025-09-30 同方知网数字科技有限公司 网络安全动态防御方法、系统及设备
CN120725545A (zh) * 2025-09-01 2025-09-30 浙江华智新航科技有限公司 一种多源数据融合的焊接工艺追溯方法
CN120766794A (zh) * 2025-09-03 2025-10-10 汉中天然谷生物科技股份有限公司 一种基于深度神经网络的生物发酵数据预测方法
CN121169087A (zh) * 2025-09-08 2025-12-19 函数引擎(浙江)安全技术服务有限公司 一种基于人工智能的风险知识图谱构建和智能预警方法
CN121120148A (zh) * 2025-09-12 2025-12-12 广州上贺数字科技有限公司 一种互联网广告信息的动态监管优化系统
CN120825344A (zh) * 2025-09-16 2025-10-21 贵州华谊联盛科技有限公司 基于大模型的网络安全及数据安全综合分析方法及系统
CN120822711A (zh) * 2025-09-17 2025-10-21 中南大学 一种铁路应急辅助决策方法及系统
CN120853093A (zh) * 2025-09-23 2025-10-28 北京华联电力工程咨询有限公司 一种电力基建线路作业行为智能识别方法
CN120893848A (zh) * 2025-09-30 2025-11-04 中铁十四局集团大盾构工程有限公司 一种基于知识图谱的盾构风险溯源方法
CN120892699B (zh) * 2025-10-09 2025-11-28 安徽标信查数据技术有限公司 一种用于知识图谱清洗与质量评估系统
CN120892699A (zh) * 2025-10-09 2025-11-04 安徽标信查数据技术有限公司 一种用于知识图谱清洗与质量评估系统
CN120915702A (zh) * 2025-10-10 2025-11-07 人工智能与数字经济广东省实验室(深圳) 基于时频感知图卷积网络的社交网络链路预测方法、系统、终端及存储介质
CN121187185A (zh) * 2025-10-11 2025-12-23 芜湖德纳美半导体有限公司 无接触传输路径协同控制系统
CN120928117A (zh) * 2025-10-11 2025-11-11 湖北华中电力科技开发有限责任公司 一种输电线路防外破智能预警方法及系统
CN120915984A (zh) * 2025-10-13 2025-11-07 浙江东安检测技术有限公司 一种ai大模型内容生成安全检测方法及系统
CN120930153A (zh) * 2025-10-14 2025-11-11 北京炎黄新星网络科技有限公司 一种运行时拦截与静态扫描联动的开发规范预检方法及系统
CN120951280A (zh) * 2025-10-16 2025-11-14 国网甘肃省电力公司营销服务中心 计量设备配送决策的仿真分析方法
CN120977551A (zh) * 2025-10-21 2025-11-18 北京冠新医卫软件科技有限公司 基于医疗智能体中间件的全-专科协同诊疗方法及系统
CN120975828A (zh) * 2025-10-22 2025-11-18 南通大学 基于大数据的建设成本分析系统及方法
CN120995035A (zh) * 2025-10-24 2025-11-21 中国医学科学院北京协和医院 医疗机构安全生产风险推理方法、装置、设备及存储介质
CN120996590A (zh) * 2025-10-24 2025-11-21 中铁一局集团铁路建设有限公司 一种施工安全风险监测方法及系统
CN121393887A (zh) * 2025-10-29 2026-01-23 北京科创信阳科技有限公司 一种智慧大健康系统及其数据处理方法
CN121032699A (zh) * 2025-10-30 2025-11-28 中智薪税技术服务有限公司 一种基于人工智能的账务数据核查方法及系统
CN121052829A (zh) * 2025-10-31 2025-12-02 福建中锐电子科技有限公司 基于移动终端设备的风险预测方法
CN121069859A (zh) * 2025-11-06 2025-12-05 四川泓炜特种门业有限责任公司 一种车间生产线全流程数据处理与智能监控方法及系统
CN121089825A (zh) * 2025-11-12 2025-12-09 内蒙古电力(集团)有限责任公司鄂尔多斯供电分公司 无源多参量光纤传感单元的多物理量测量方法及装置
CN121089825B (zh) * 2025-11-12 2026-01-23 内蒙古电力(集团)有限责任公司鄂尔多斯供电分公司 无源多参量光纤传感单元的多物理量测量方法及装置
CN121147857A (zh) * 2025-11-17 2025-12-16 陕西新风尚建筑安装工程有限公司 一种基于视频监控隔墙板的安装风险方法及系统
CN121211290A (zh) * 2025-11-27 2025-12-26 国网信通亿力科技有限责任公司 一种融合多源数据的电力行业智能环保监控方法
CN121327780A (zh) * 2025-12-01 2026-01-13 北京法伯宏业科技发展有限公司 一种融合知识图谱与深度学习的数据分析方法及系统
CN121365415A (zh) * 2025-12-19 2026-01-20 浙江智加信息科技有限公司 基于用户组与角色映射的无纸化交互权限分配方法及系统
CN121365241A (zh) * 2025-12-23 2026-01-20 北京阳光金力科技发展有限公司 基于时序特征的矿井异常事件实时识别方法及系统
CN121542974A (zh) * 2026-01-20 2026-02-17 厦门理工学院 基于装配知识图谱的异常风险预测方法、装置、设备、介质
CN121563700A (zh) * 2026-01-21 2026-02-24 湖南省地质灾害调查监测所(湖南省地质灾害应急救援技术中心) 基于多维度机器学习算法构建财务管理风险预警系统
CN121600473A (zh) * 2026-01-28 2026-03-03 源心舍科技(江苏)有限公司 面向智能建筑设施的多方协同式进度可视化监控方法

Also Published As

Publication number Publication date
CN113822494A (zh) 2021-12-21
CN113822494B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
WO2023065545A1 (zh) 风险预测方法、装置、设备及存储介质
Swathi et al. RETRACTED ARTICLE: An optimal deep learning-based LSTM for stock price prediction using twitter sentiment analysis: An optimal deep learning-based LSTM for stock price prediction using twitter sentiment analysis
CN113505244B (zh) 基于深度学习的知识图谱构建方法、系统、设备及介质
US12399905B2 (en) Context-sensitive linking of entities to private databases
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
CN111737552A (zh) 训练信息抽取模型和获取知识图谱的方法、装置和设备
CN111798991B (zh) 基于lstm的新冠肺炎疫情群体态势预测方法
CN113779225B (zh) 实体链接模型的训练方法、实体链接方法及装置
Dai et al. Hybrid deep model for human behavior understanding on industrial internet of video things
CN115631008A (zh) 商品推荐方法、装置、设备及介质
CN116340516A (zh) 实体关系的聚类提取方法、装置、设备及存储介质
CN114880449B (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN116402352A (zh) 一种企业风险预测方法、装置、电子设备及介质
CN114511729A (zh) 社会事件分类方法及装置
CN115526236A (zh) 一种基于多模态对比学习的文本网络图分类方法
CN113837307A (zh) 数据相似度计算方法、装置、可读介质及电子设备
CN116542248A (zh) 一种基于分词和标注任务共享的中文地址序列标注方法、系统、装置及存储介质
CN114898426B (zh) 一种同义标签聚合方法、装置、设备及存储介质
CN115293800A (zh) 基于阴影特征筛选的针对互联网点击率预测的预测方法
CN120976922A (zh) 基于图结构的顾及场景语义信息的情感感知量化方法
CN120317286A (zh) 一种基于电力智慧工程的大模型训练方法及其系统
CN114564591A (zh) 一种基于知识图谱和置信度的实体形象分析方法及系统
CN114708073B (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
Song et al. Prior-guided multi-scale fusion transformer for face attribute recognition
CN117235646A (zh) 异常交易识别方法及装置

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: 22882172

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22882172

Country of ref document: EP

Kind code of ref document: A1