企业风险预测方法、装置、电子设备、介质和程序产品与流程

1.本公开涉及大数据和人工智能技术领域，更具体地，涉及一种基于知识图谱的企业风险预测方法、装置、电子设备、介质和计算机程序产品。


背景技术：

2.为了促进监管规范化、精准化与智能化，相关部门提出了关于建设“互联网+监管”系统的规划。依托监管数据与相关业务系统的对接，构建大数据平台提供共享调用服务，以支撑大数据处理分析平台进行批量数据建模分析，实现对全业务风险的源头管控、过程监测、预报预警、应急处置和系统治理，从而推动常规监管的智能化、自动化。
3.随着“互联网+监管”系统的落地，各地相关部门对接共享了大量的监管业务数据，但是缺乏对数据价值进行深度的挖掘分析，对监管对象企业的风险识别方式仍然是传统的基于专家经验规则的评分模型。此类静态模型在信息维度增加或企业经营环境变化时规则的权重也需要进一步的调整，按照其得出的企业风险名录进行风险预警的效果有待提升。


技术实现要素：

4.有鉴于此，本公开提供了一种准确性高、适用性好的基于知识图谱的企业风险预测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
5.本公开的一个方面提供了一种基于知识图谱的企业风险预测方法，包括：根据实验数据训练风险预测模型，得到映射关系，其中，所述实验数据包括实验节点和历史风险预测指标，所述映射关系包括所述实验节点与所述历史风险预测指标的关系，所述历史风险预测指标包括所述实验节点的历史一度关联节点是否为失信企业，和所述实验节点是否属于第一风险交易圈中的企业；获取企业数据，其中，所述企业数据包括企业信息和企业交易信息；根据所述企业数据构建知识图谱，其中，所述知识图谱包括第一节点和第一边，所述第一节点根据所述企业信息构建，所述第一边根据所述企业交易信息构建。
6.确定目标节点，所述目标节点为风险预测的预测对象；确定风险预测指标，其中，所述风险预测指标包括所述目标节点的一度关联节点是否为失信企业，和所述目标节点是否属于第一风险交易圈中的企业，所述一度关联节点为与所述目标节点具有所述第一边的邻居节点，所述第一风险交易圈为由一个第一节点发起，并最终回到该第一节点的闭环交易关系；以及将所述目标节点和所述风险预测指标输入所述风险预测模型，根据所述映射关系得到所述目标节点的风险预测结果。
7.根据本公开实施例的基于知识图谱的企业风险预测方法，通过历史的实验数据可以训练风险预测模型，得到风险预测模型的映射关系，由此可以将风险预测模型应用于新的企业数据，结合知识图谱，可以得到风险预测模型的输入风险预测指标和风险预测模型的映射关系，知识图谱可以将企业数据清晰、高效、准确的展示出来，从而可以为风险预测模型提供高适用性和高准确性的输入数据。与现有技术相比，本公开通过知识图谱可以对企业数据进行客观地深度挖掘和分析，为风险预警模型提供准确的输入，主观因素小，适用
性好。
8.在一些实施例中，所述企业信息包括企业名称、企业法人、法人身份证号、企业电话号码和经营地址中的至少一个。
9.在一些实施例中，所述知识图谱还包括第二边，所述第二边为两个所述第一节点之间的双向有向边，所述两个所述第一节点为所述企业法人、所述法人身份证号、所述企业电话号码和所述经营地址中至少一个相同的两节点。
10.在一些实施例中，所述企业交易信息包括：担保企业名称、被担保企业名称和所述担保企业名称与所述被担保企业名称之间的担保事件；以及投资企业名称、被投资企业名称和所述投资企业名称与所述被投资企业名称之间的投资事件，其中，所述第一边为从所述担保企业名称指向所述被担保企业名称的单向有向边，和/或所述第一边为从所述投资企业名称指向所述被投资企业名称的单向有向边。
11.在一些实施例中，所述第一风险交易圈包括担保圈。
12.在一些实施例中，所述历史风险预测指标还包括所述实验节点的历史二度关联节点是否为失信企业，所述历史二度关联节点为与所述历史一度关联节点具有所述第三边的邻居节点；以及所述风险预测指标还包括所述目标节点的二度关联节点是否为失信企业，所述二度关联节点为与所述一度关联节点具有所述第一边的邻居节点。
13.在一些实施例中，所述历史风险预测指标还包括所述实验节点的历史三度关联节点是否为失信企业，所述历史三度关联节点为与所述历史二度关联节点具有所述第三边的邻居节点；以及所述风险预测指标还包括所述目标节点的三度关联节点是否为失信企业，所述三度关联节点为与所述二度关联节点具有所述第一边的邻居节点。
14.在一些实施例中，所述风险预测指标还包括：机构类别、经营期限、业务范围类型、从业人数、资产金额、负债金额、检查行为数量、注册地址、经营地址历史变更数量、检查形式种类数量、检查类别去重数量、检查日期频次、企业出资金额、股权变更信息和企业信用信息中的至少一个。
15.在一些实施例中，所述根据实验数据训练风险预测模型，得到映射关系包括：获取企业历史数据，其中，所述企业历史数据包括企业历史信息和企业历史交易信息；根据所述企业历史数据构建知识图谱，其中，所述知识图谱包括第二节点和第三边，所述第二节点根据所述企业历史信息构建，所述第三边根据所述企业历史交易信息构建；标记实验节点，所述实验节点为被列为失信企业的所述企业历史信息对应的节点；确定历史风险预测指标，其中，所述历史风险预测指标包括所述实验节点的历史一度关联节点是否为失信企业，和所述实验节点是否属于第二风险交易圈中的企业，所述历史一度关联节点为与所述实验节点具有所述第三边的邻居节点，所述第二风险交易圈为由一个第二节点发起，并最终回到该第二节点的闭环交易关系；以及根据所述实验节点和所述历史风险预测指标训练风险预测模型，得到映射关系。
16.本公开的另一个方面提供了一种基于知识图谱的企业风险预测装置，包括：训练模块，所述训练模块用于执行根据实验数据训练风险预测模型，得到映射关系，其中，所述实验数据包括实验节点和历史风险预测指标，所述映射关系包括所述实验节点与所述历史风险预测指标的关系，所述历史风险预测指标包括所述实验节点的历史一度关联节点是否为失信企业，和所述实验节点是否属于第一风险交易圈中的企业；获取模块，所述获取模块
用于执行获取企业数据，其中，所述企业数据包括企业信息和企业交易信息；构建模块，所述构建模块用于执行根据所述企业数据构建知识图谱，其中，所述知识图谱包括第一节点和第一边，所述第一节点根据所述企业信息构建，所述第一边根据所述企业交易信息构建。
17.第一确定模块，所述第一确定模块用于执行确定目标节点，所述目标节点为风险预测的预测对象；第二确定模块，所述第二确定模块用于执行确定风险预测指标，其中，所述风险预测指标包括所述目标节点的一度关联节点是否为失信企业，和所述目标节点是否属于第一风险交易圈中的企业，所述一度关联节点为与所述目标节点具有所述第一边的邻居节点，所述第一风险交易圈为由一个第一节点发起，并最终回到该第一节点的闭环交易关系；预测模块，所述预测模块用于执行将所述目标节点和所述风险预测指标输入所述风险预测模型，根据所述映射关系得到所述目标节点的风险预测结果。
18.本公开的另一方面提供了一种电子设备，包括一个或多个处理器以及一个或多个存储器，其中，所述存储器用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现如上所述方法。
19.本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
20.本公开的另一方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
附图说明
21.通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
22.图1示意性示出了根据本公开实施例的可以应用方法、装置的示例性系统架构；
23.图2示意性示出了根据本公开实施例的基于知识图谱的企业风险预测方法的流程图；
24.图3示意性示出了根据本公开实施例的根据实验数据训练风险预测模型，得到映射关系的流程图；
25.图4示意性示出了根据本公开一些实施例的根据企业历史数据构建的知识图谱的示意图；
26.图5示意性示出了根据本公开另一些实施例的根据企业历史数据构建的知识图谱的示意图；
27.图6示意性示出了根据本公开一些实施例的根据企业数据构建的知识图谱的示意图；
28.图7示意性示出了根据本公开另一些实施例的根据企业数据构建的知识图谱的示意图；
29.图8示意性示出了根据本公开实施例的基于知识图谱的企业风险预测装置的框图；
30.图9示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
31.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
32.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
33.在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
34.为了促进监管规范化、精准化与智能化，相关部门提出了关于建设“互联网+监管”系统的规划。依托监管数据与相关业务系统的对接，构建大数据平台提供共享调用服务，以支撑大数据处理分析平台进行批量数据建模分析，实现对全业务风险的源头管控、过程监测、预报预警、应急处置和系统治理，从而推动常规监管的智能化、自动化。
35.随着“互联网+监管”系统的落地，各地相关部门对接共享了大量的监管业务数据，但是缺乏对数据价值进行深度的挖掘分析，对监管对象企业的风险识别方式仍然是传统的基于专家经验规则的评分模型。此类静态模型在信息维度增加或企业经营环境变化时规则的权重也需要进一步的调整，按照其得出的企业风险名录进行风险预警的效果有待提升。
36.在现有的解决方案中，在对企业风险进行预测时，先收集企业的基本信息及历史违法记录并明晰风险标签，经数据的清洗、预处理、特征工程等一系列操作后选取二分类机器学习模型如逻辑回归、决策树等预测企业是否存在风险。监管领域缺乏大量具有较高准确性的模型，传统的企业风险预警模型利用一些定性的专家经验规则建立模型，即对企业的指标赋予给定权重，求和得出企业评分，并根据评分高低为企业确定风险等级。缺点是主观因素大、适用性差，缺乏对企业自身数据的分析。
37.本公开的实施例提供了一种基于知识图谱的企业风险预测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。基于知识图谱的企业风险预测方法包括：根据实验数据训练风险预测模型，得到映射关系，其中，实验数据包括实验节点和历史风险预测指标，映射关系包括实验节点与历史风险预测指标的关系，历史风险预测指标包括实验节点的历史一度关联节点是否为失信企业，和实验节点是否属于第一风险交易圈中的企业；获取企业数据，其中，企业数据包括企业信息和企业交易信息。
38.接着根据企业数据构建知识图谱，其中，知识图谱包括第一节点和第一边，第一节点根据企业信息构建，第一边根据企业交易信息构建；确定目标节点，目标节点为风险预测的预测对象；确定风险预测指标，其中，风险预测指标包括目标节点的一度关联节点是否为
失信企业，和目标节点是否属于第二风险交易圈中的企业，一度关联节点为与目标节点具有第一边的邻居节点，第二风险交易圈为由一个第一节点发起，并最终回到该第一节点的闭环交易关系；以及将目标节点和风险预测指标输入风险预测模型，根据映射关系得到目标节点的风险预测结果。
39.需要说明的是，本公开的基于知识图谱的企业风险预测方法、装置、电子设备、计算机可读存储介质和计算机程序产品可用于大数据和人工智能领域，也可用于除大数据和人工智能领域之外的任意领域，例如金融领域，这里对本公开的领域不做限定。
40.图1示意性示出了根据本公开实施例的可以应用基于知识图谱的企业风险预测方法、装置、电子设备、计算机可读存储介质和计算机程序产品的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
41.如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
42.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
43.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
44.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
45.需要说明的是，本公开实施例所提供的基于知识图谱的企业风险预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的基于知识图谱的企业风险预测装置一般可以设置于服务器105中。本公开实施例所提供的基于知识图谱的企业风险预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的基于知识图谱的企业风险预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
46.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
47.以下将基于图1描述的场景，通过图2～图7对本公开实施例的基于知识图谱的企业风险预测方法进行详细描述。
48.图2示意性示出了根据本公开实施例的基于知识图谱的企业风险预测方法的流程图。
49.如图2所示，该实施例的基于知识图谱的企业风险预测方法包括操作s210～操作s260。
50.在操作s210，根据实验数据训练风险预测模型，得到映射关系，其中，实验数据包括实验节点和历史风险预测指标，映射关系包括实验节点与历史风险预测指标的关系，历史风险预测指标包括实验节点的历史一度关联节点是否为失信企业，和实验节点是否属于第一风险交易圈中的企业。
51.作为一种可实施的方式，如图3所示，操作s210根据实验数据训练风险预测模型，得到映射关系包括操作s211～操作s215。
52.在操作s211，获取企业历史数据，其中，企业历史数据包括企业历史信息和企业历史交易信息。例如，企业历史数据可以从相关监管机构获得，企业历史信息可以包括企业名称、企业法人、法人身份证号、企业电话号码和经营地址等等。企业历史交易信息可以包括企业与企业之间的历史交易信息，该历史交易信息为已经发生过的交易，例如，担保企业名称、被担保企业名称和担保企业名称与被担保企业名称之间的担保事件；和/或投资企业名称、被投资企业名称和投资企业名称与被投资企业名称之间的投资事件。
53.在操作s212，根据企业历史数据构建知识图谱，其中，知识图谱包括第二节点和第三边，第二节点根据企业历史信息构建，第三边根据企业历史交易信息构建。可以理解的是，可以根据企业历史信息构建知识图谱的第二节点，其中第二节点为知识图谱中的一个实体点，企业名称、企业法人、法人身份证号、企业电话号码和经营地址等等可以作为第二节点的属性。可以根据企业历史交易信息构建知识图谱的第三边，其中，第三边为有担保事件和/或投资事件的两个第二节点之间的边，担保事件和/或投资事件可以作为第三边的属性。
54.在操作s213，标记实验节点，实验节点为被列为失信企业的企业历史信息对应的节点。其中，可以在知识图谱中标记出实验节点，也即被列为失信企业的企业。
55.在操作s214，确定历史风险预测指标，其中，历史风险预测指标包括实验节点的历史一度关联节点是否为失信企业，和实验节点是否属于第二风险交易圈中的企业，历史一度关联节点为与实验节点具有第三边的邻居节点，第二风险交易圈为由一个第二节点发起，并最终回到该第二节点的闭环交易关系。
56.例如图4所示的知识图谱，确定企业a为实验节点，由于企业b、企业c和企业d均直接与企业a有连接关系，也即企业a与企业b之间有第三边，企业a与企业c之间有第三边，企业a与企业d之间有第三边，因此可以确定企业b、企业c和企业d均为历史一度关联节点，根据相关信用平台可以获取企业b、企业c和企业d是否为失信企业，假设企业b为非失信企业，企业c和企业d均为失信企业。
57.例如图5所示的知识图谱，企业a与企业m之间存在交易关系，企业m与企业n之间存在交易关系，企业n与企业q之间存在交易关系，企业q与企业a之间存在交易关系，因此形成了从企业a到企业a的闭环交易关系，也即从企业a到企业a的第二风险交易圈，进一步例如交易关系可以为担保关系。实验节点企业a为第二风险交易圈中的一个企业。
58.由此，通过上述可以确定历史风险预测指标，一个为历史一度关联节点是否为失信企业，另一个为实验节点是否属于第二风险交易圈中的企业。
59.在操作s215，根据实验节点和历史风险预测指标训练风险预测模型，得到映射关系。可以理解的是，假设风险预测模型的输出为y，输入为x，映射关系为f，则可以得到y＝fx，这里，实验节点的风险性即为y，历史风险预测指标即为x，因此可以根据实验节点的风
险性和历史风险预测指标得到映射关系。
60.例如，实验节点企业a为风险企业，历史一度关联节点企业b为非失信企业，企业c和企业d均为失信企业，企业a为第二风险交易圈中的一个企业，因此可以根据企业a为风险企业的结果，以及历史一度关联节点企业b为非失信企业，企业c和企业d均为失信企业，企业a为第二风险交易圈中的一个企业等历史风险预测指标训练风险预测模型，得到映射关系f。
61.通过操作s211～操作s215可以便于实现训练风险预测模型，从而得到风险预测模型中的映射关系，使得风险预测模型可以运用到新的数据中进行企业风险预测。
62.在操作s220，获取企业数据，其中，企业数据包括企业信息和企业交易信息。
63.作为一种可实现的方式，企业信息可以包括企业名称、企业法人、法人身份证号、企业电话号码和经营地址中的至少一个。
64.作为一种可实现的方式，企业交易信息可以包括：担保企业名称、被担保企业名称和担保企业名称与被担保企业名称之间的担保事件；以及投资企业名称、被投资企业名称和投资企业名称与被投资企业名称之间的投资事件。其中，第一边为从担保企业名称指向被担保企业名称的单向有向边，和/或第一边为从投资企业名称指向被投资企业名称的单向有向边。
65.由此，通过企业信息包括企业名称、企业法人、法人身份证号、企业电话号码和经营地址中的至少一个，和企业交易信息包括担保事件和/或投资事件可以提供构建知识图谱的基本信息，例如可以通过企业信息构建知识图谱的节点，可以通过企业交易信息构建知识图谱的边。
66.在操作s230，根据企业数据构建知识图谱，其中，知识图谱包括第一节点和第一边，第一节点根据企业信息构建，第一边根据企业交易信息构建。可以理解的是，可以根据企业信息构建知识图谱的第一节点，其中第一节点为知识图谱中的一个实体点，企业名称、企业法人、法人身份证号、企业电话号码和经营地址等等可以作为第一节点的属性。可以根据企业交易信息构建知识图谱的第一边，其中，第一边为有担保事件和/或投资事件的两个第一节点之间的边，担保事件和/或投资事件可以作为第一边的属性。
67.在操作s240，确定目标节点，目标节点为风险预测的预测对象。
68.在操作s250，确定风险预测指标，其中，风险预测指标包括目标节点的一度关联节点是否为失信企业，和目标节点是否属于第一风险交易圈中的企业，一度关联节点为与目标节点具有第一边的邻居节点，第一风险交易圈为由一个第一节点发起，并最终回到该第一节点的闭环交易关系。
69.例如图6所示的知识图谱，确定企业a为目标节点，由于企业b、企业c和企业d均直接与企业a有连接关系，也即企业a与企业b之间有第一边，企业a与企业c之间有第一边，企业a与企业d之间有第一边，因此可以确定企业b、企业c和企业d均为一度关联节点，根据相关信用平台可以获取企业b、企业c和企业d是否为失信企业，假设企业b为非失信企业，企业c和企业d均为失信企业。
70.例如图7所示的知识图谱，企业a与企业m之间存在交易关系，企业m与企业n之间存在交易关系，企业n与企业q之间存在交易关系，企业q与企业a之间存在交易关系，因此形成了从企业a到企业a的闭环交易关系，也即从企业a到企业a的第一风险交易圈，目标节点企
业a为第一风险交易圈中的一个企业。
71.由此，通过上述可以确定风险预测指标，一个为一度关联节点是否为失信企业，另一个为目标节点是否属于第一风险交易圈中的企业。
72.进一步地，交易关系可以为担保关系，第一风险交易圈可以包括担保圈。由此，通过确认目标企业是否为担保圈中的企业可以更准确的预测目标企业的风险。
73.在操作s260，将目标节点和风险预测指标输入风险预测模型，根据映射关系得到目标节点的风险预测结果。可以理解的是，目标节点的风险性为风险预测模型的输出，设定风险预测模型的输出为y
′
，风险预测指标为x
′
，根据y
′
＝fx
′
，由于风险预测指标x
′
为已知的，映射关系f为已知的，因此可以根据风险预测指标x
′
和映射关系f得到目标节点的风险预测结果。
74.例如，可以根据一度关联节点企业b为非失信企业，企业c和企业d均为失信企业，企业a为第一风险交易圈中的一个企业，以及映射关系f，预测出目标企业a的风险预测结果，也即目标企业a是否存在风险。
75.根据本公开实施例的基于知识图谱的企业风险预测方法，通过历史的实验数据可以训练风险预测模型，得到风险预测模型的映射关系，由此可以将风险预测模型应用于新的企业数据，结合知识图谱，可以得到风险预测模型的输入风险预测指标和风险预测模型的映射关系，知识图谱可以将企业数据清晰、高效、准确的展示出来，从而可以为风险预测模型提供高适用性和高准确性的输入数据。与现有技术相比，本公开通过知识图谱可以对企业数据进行客观地深度挖掘和分析，为风险预警模型提供准确的输入，主观因素小，适用性好。
76.根据本公开的一些实施例，知识图谱还可以包括第二边，第二边为两个第一节点之间的双向有向边，两个第一节点为企业法人、法人身份证号、企业电话号码和经营地址中至少一个相同的两节点。例如，结合图6，企业b与企业c的企业法人、法人身份证号、企业电话号码和经营地址中至少一个相同，因此用双向有向边，也即第二边连接企业b和企业c；企业c与企业g的企业法人、法人身份证号、企业电话号码和经营地址中至少一个相同，因此用双向有向边，也即第二边连接企业c和企业g。
77.通过在两个第一节点之间建立双向有向边可以使得用户快速了解这两个企业的企业法人、法人身份证号、企业电话号码和经营地址中至少一个是否相同，如果相同，则可以说明这两个企业关联度很大，如果其中一个企业存在失信问题，则另一个也很有可能失信，可以将另一个作为重点关注对象。
78.在本公开的一些实施例中，结合图4，历史风险预测指标还可以包括实验节点的历史二度关联节点是否为失信企业，历史二度关联节点为与历史一度关联节点具有第三边的邻居节点。可以理解的是，可以通过相关信用平台获得历史二度关联节点是否为失信企业，将历史二度关联节点是否为失信企业作为历史风险预测指标可以拓展历史风险预测指标的维度，使得训练的风险预测模型具有更高的准确性。
79.结合图6，风险预测指标还可以包括目标节点的二度关联节点是否为失信企业，二度关联节点为与一度关联节点具有第一边的邻居节点。可以理解的是，可以通过相关信用平台获得二度关联节点是否为失信企业，将二度关联节点是否为失信企业作为风险预测指标可以拓展风险预测指标的维度，使得风险预测模型对目标节点的风险性预测具有更高的
准确性。
80.在本公开的一些实施例中，结合图4，历史风险预测指标还可以包括实验节点的历史三度关联节点是否为失信企业，历史三度关联节点为与历史二度关联节点具有第三边的邻居节点。可以理解的是，可以通过相关信用平台获得历史三度关联节点是否为失信企业，将历史三度关联节点是否为失信企业作为历史风险预测指标可以进一步拓展历史风险预测指标的维度，使得训练的风险预测模型具有更高的准确性。
81.结合图6，风险预测指标还包括目标节点的三度关联节点是否为失信企业，三度关联节点为与二度关联节点具有第一边的邻居节点。可以理解的是，可以通过相关信用平台获得三度关联节点是否为失信企业，将三度关联节点是否为失信企业作为风险预测指标可以拓展风险预测指标的维度，进一步使得风险预测模型对目标节点的风险性预测具有更高的准确性。
82.根据本公开的一些实施例，风险预测指标还可以包括：机构类别、经营期限、业务范围类型、从业人数、资产金额、负债金额、检查行为数量、注册地址、经营地址历史变更数量、检查形式种类数量、检查类别去重数量、检查日期频次、企业出资金额、股权变更信息和企业信用信息中的至少一个。
83.其中，机构类别可以由“统一社会信用代码”中第2位数字衍生；经营期限可以由“经营起始日期”、“经营结束日期”衍生出“经营期限”(由经营结束日期减去经营起始日期)；业务范围类型例如可以为“业务范围类型是否为非农民专业合作社与农民专业合作社分支机构”、“业务范围类型是否为农业生产资料的购买等不同类别”等等。
84.其中，从业人数例如可以为“就业的人数”、“其中高校毕业生作为经营者的人数”、“其中高校毕业生作为雇工的人数”；资产金额例如可以为“资产总额”、“销售(营业)收入”、“主营业务收入”、“利润总额”、“净利润”、“纳税总额”、“所有者权益合计”；负债金额例如可以为“负债总额”；检查行为数量例如可以为“检查行为去重数量”、“近三个月检查行为去重数量”、“近六个月检查行为去重数量”、“近一年检查行为去重数量”、“近三年检查行为去重数量”。
85.其中，注册地址、经营地址历史变更数量例如可以为“地址去重数量”、“近三个月地址去重数量”、“近六个月地址去重数量”、“近一年地址去重数量”、“近三年地址去重数量”；检查形式种类数量例如可以为“检查形式去重数量”；检查类别去重数量例如可以为“检查类别去重数量”、“近三个月检查类别去重数量”、“近六个月检查类别去重数量”、“近一年检查类别去重数量”、“近三年检查类别去重数量”。
86.其中，检查日期频次例如可以为“最近一次评估日期距今时间间隔”、“最近三个月评估日期距今时间间隔”、“最近六个月评估日期距今时间间隔”、“最近一年评估日期距今时间间隔”、“最近三年评估日期距今时间间隔”；企业出资金额例如可以为“认缴出资额”、“实缴出资额”；股权变更信息例如可以为“转让前股权比例”、“转让后股权比例”、由“转让前股权比例”与“转让后股权比例”衍生出“股权变更比例”。
87.其中，企业信用信息例如可以为“当月企业分类”、“当月企业分数”、“分类与上月对比”、“近三个月企业分类中位值”、“近六个月企业分类中位值”、“近一年企业分类中位值”、“近三年企业分类中位值”、“近三个月企业平均分数”、“近六个月企业平均分数”、“近一年企业平均分数”、“近三年企业平均分数”、“近三个月企业分数”、“近六个月企业平均分
数”、“近一年企业平均分数”、“近三年企业平均分数”。
88.通过将机构类别、经营期限、业务范围类型、从业人数、资产金额、负债金额、检查行为数量、注册地址、经营地址历史变更数量、检查形式种类数量、检查类别去重数量、检查日期频次、企业出资金额、股权变更信息和企业信用信息中的至少一个作为风险预测指标，可以拓展风险预测指标的维度，进一步使得风险预测模型对目标节点的风险性预测具有更高的准确性。
89.基于上述的基于知识图谱的企业风险预测方法，本公开还提供了一种基于知识图谱的企业风险预测装置10。以下将结合图8对基于知识图谱的企业风险预测装置10进行详细描述。
90.图8示意性示出了根据本公开实施例的基于知识图谱的企业风险预测装置10的结构框图。
91.基于知识图谱的企业风险预测装置10包括训练模块1、获取模块2、构建模块3、第一确定模块4、第二确定模块5和预测模块6。
92.训练模块1，训练模块1用于执行操作s210：根据实验数据训练风险预测模型，得到映射关系，其中，实验数据包括实验节点和历史风险预测指标，映射关系包括实验节点与历史风险预测指标的关系，历史风险预测指标包括实验节点的历史一度关联节点是否为失信企业，和实验节点是否属于第一风险交易圈中的企业。
93.获取模块2，获取模块2用于执行操作s220：获取企业数据，其中，企业数据包括企业信息和企业交易信息。
94.构建模块3，构建模块3用于执行操作s230：根据企业数据构建知识图谱，其中，知识图谱包括第一节点和第一边，第一节点根据企业信息构建，第一边根据企业交易信息构建。
95.第一确定模块4，第一确定模块4用于执行操作s240：确定目标节点，目标节点为风险预测的预测对象。
96.第二确定模块5，第二确定模块5用于执行操作s250：确定风险预测指标，其中，风险预测指标包括目标节点的一度关联节点是否为失信企业，和目标节点是否属于第一风险交易圈中的企业，一度关联节点为与目标节点具有第一边的邻居节点，第一风险交易圈为由一个第一节点发起，并最终回到该第一节点的闭环交易关系。
97.预测模块6，预测模块6用于执行操作s260：将目标节点和风险预测指标输入风险预测模型，根据映射关系得到目标节点的风险预测结果。
98.由于上述基于知识图谱的企业风险预测装置10是基于基于知识图谱的企业风险预测方法设置的，因此上述基于知识图谱的企业风险预测装置10的有益效果与基于知识图谱的企业风险预测方法的相同，这里不再赘述。
99.另外，根据本公开的实施例，训练模块1、获取模块2、构建模块3、第一确定模块4、第二确定模块5和预测模块6中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。
100.根据本公开的实施例，训练模块1、获取模块2、构建模块3、第一确定模块4、第二确定模块5和预测模块6中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门
阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。
101.或者，训练模块1、获取模块2、构建模块3、第一确定模块4、第二确定模块5和预测模块6中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
102.图9示意性示出了根据本公开实施例的适于实现基于知识图谱的企业风险预测方法的电子设备的方框图。
103.如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(rom)902中的程序或者从存储部分908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
104.在ram 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、rom 902以及ram 903通过总线904彼此相连。处理器901通过执行rom 902和/或ram 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 902和ram 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
105.根据本公开的实施例，电子设备900还可以包括输入/输出(i/o)接口905，输入/输出(i/o)接口905也连接至总线904。电子设备900还可以包括连接至i/o接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至输入/输出(i/o)接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
106.本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
107.根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 902和/或ram 903和/或rom 902和ram 903以外的一个或多个存储器。
108.本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例的方法。
109.在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
110.在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
111.在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
112.根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
113.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
114.本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
115.以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱
离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

技术特征：
1.一种基于知识图谱的企业风险预测方法，其特征在于，包括：根据实验数据训练风险预测模型，得到映射关系，其中，所述实验数据包括实验节点和历史风险预测指标，所述映射关系包括所述实验节点与所述历史风险预测指标的关系，所述历史风险预测指标包括所述实验节点的历史一度关联节点是否为失信企业，和所述实验节点是否属于第一风险交易圈中的企业；获取企业数据，其中，所述企业数据包括企业信息和企业交易信息；根据所述企业数据构建知识图谱，其中，所述知识图谱包括第一节点和第一边，所述第一节点根据所述企业信息构建，所述第一边根据所述企业交易信息构建；确定目标节点，所述目标节点为风险预测的预测对象；确定风险预测指标，其中，所述风险预测指标包括所述目标节点的一度关联节点是否为失信企业，和所述目标节点是否属于第一风险交易圈中的企业，所述一度关联节点为与所述目标节点具有所述第一边的邻居节点，所述第一风险交易圈为由一个第一节点发起，并最终回到该第一节点的闭环交易关系；以及将所述目标节点和所述风险预测指标输入所述风险预测模型，根据所述映射关系得到所述目标节点的风险预测结果。2.根据权利要求1所述的方法，其特征在于，所述企业信息包括企业名称、企业法人、法人身份证号、企业电话号码和经营地址中的至少一个。3.根据权利要求2所述的方法，其特征在于，所述知识图谱还包括第二边，所述第二边为两个所述第一节点之间的双向有向边，所述两个所述第一节点为所述企业法人、所述法人身份证号、所述企业电话号码和所述经营地址中至少一个相同的两节点。4.根据权利要求1所述的方法，其特征在于，所述企业交易信息包括：担保企业名称、被担保企业名称和所述担保企业名称与所述被担保企业名称之间的担保事件；以及投资企业名称、被投资企业名称和所述投资企业名称与所述被投资企业名称之间的投资事件，其中，所述第一边为从所述担保企业名称指向所述被担保企业名称的单向有向边，和/或所述第一边为从所述投资企业名称指向所述被投资企业名称的单向有向边。5.根据权利要求4所述的方法，其特征在于，所述第一风险交易圈包括担保圈。6.根据权利要求1所述的方法，其特征在于，所述历史风险预测指标还包括所述实验节点的历史二度关联节点是否为失信企业，所述历史二度关联节点为与所述历史一度关联节点具有所述第三边的邻居节点；以及所述风险预测指标还包括所述目标节点的二度关联节点是否为失信企业，所述二度关联节点为与所述一度关联节点具有所述第一边的邻居节点。7.根据权利要求6所述的方法，其特征在于，所述历史风险预测指标还包括所述实验节点的历史三度关联节点是否为失信企业，所述历史三度关联节点为与所述历史二度关联节点具有所述第三边的邻居节点；以及所述风险预测指标还包括所述目标节点的三度关联节点是否为失信企业，所述三度关联节点为与所述二度关联节点具有所述第一边的邻居节点。8.根据权利要求1所述的方法，其特征在于，所述风险预测指标还包括：机构类别、经营
期限、业务范围类型、从业人数、资产金额、负债金额、检查行为数量、注册地址、经营地址历史变更数量、检查形式种类数量、检查类别去重数量、检查日期频次、企业出资金额、股权变更信息和企业信用信息中的至少一个。9.根据权利要求1-8中任一项所述的方法，其特征在于，所述根据实验数据训练风险预测模型，得到映射关系包括：获取企业历史数据，其中，所述企业历史数据包括企业历史信息和企业历史交易信息；根据所述企业历史数据构建知识图谱，其中，所述知识图谱包括第二节点和第三边，所述第二节点根据所述企业历史信息构建，所述第三边根据所述企业历史交易信息构建；标记实验节点，所述实验节点为被列为失信企业的所述企业历史信息对应的节点；确定历史风险预测指标，其中，所述历史风险预测指标包括所述实验节点的历史一度关联节点是否为失信企业，和所述实验节点是否属于第二风险交易圈中的企业，所述历史一度关联节点为与所述实验节点具有所述第三边的邻居节点，所述第二风险交易圈为由一个第二节点发起，并最终回到该第二节点的闭环交易关系；以及根据所述实验节点和所述历史风险预测指标训练风险预测模型，得到映射关系。10.一种基于知识图谱的企业风险预测装置，其特征在于，包括：训练模块，所述训练模块用于执行根据实验数据训练风险预测模型，得到映射关系，其中，所述实验数据包括实验节点和历史风险预测指标，所述映射关系包括所述实验节点与所述历史风险预测指标的关系，所述历史风险预测指标包括所述实验节点的历史一度关联节点是否为失信企业，和所述实验节点是否属于第一风险交易圈中的企业；获取模块，所述获取模块用于执行获取企业数据，其中，所述企业数据包括企业信息和企业交易信息；构建模块，所述构建模块用于执行根据所述企业数据构建知识图谱，其中，所述知识图谱包括第一节点和第一边，所述第一节点根据所述企业信息构建，所述第一边根据所述企业交易信息构建；第一确定模块，所述第一确定模块用于执行确定目标节点，所述目标节点为风险预测的预测对象；第二确定模块，所述第二确定模块用于执行确定风险预测指标，其中，所述风险预测指标包括所述目标节点的一度关联节点是否为失信企业，和所述目标节点是否属于第一风险交易圈中的企业，所述一度关联节点为与所述目标节点具有所述第一边的邻居节点，所述第一风险交易圈为由一个第一节点发起，并最终回到该第一节点的闭环交易关系；预测模块，所述预测模块用于执行将所述目标节点和所述风险预测指标输入所述风险预测模型，根据所述映射关系得到所述目标节点的风险预测结果。11.一种电子设备，其特征在于，包括：一个或多个处理器；一个或多个存储器，用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现根据权利要求1～9中任一项所述的方法。12.一种计算机可读存储介质，其特征在于，所述存储介质上存储有可执行指令，该指令被处理器执行时实现根据权利要求1～9中任一项所述的方法。13.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序包括一个或
者多个可执行指令，所述可执行指令被处理器执行时实现根据权利要求1～9中任一项所述的方法。

技术总结
本公开提供了一种基于知识图谱的企业风险预测方法、装置、电子设备、介质和计算机程序产品。上述方法和装置可用于大数据和人工智能技术领域。所述方法包括：根据实验数据训练风险预测模型，得到映射关系；获取企业数据；根据所述企业数据构建知识图谱；确定目标节点，所述目标节点为风险预测的预测对象；确定风险预测指标；以及将所述目标节点和所述风险预测指标输入所述风险预测模型，根据所述映射关系得到所述目标节点的风险预测结果。到所述目标节点的风险预测结果。到所述目标节点的风险预测结果。


技术研发人员：韦东杰 贾国琛 胡茜
受保护的技术使用者：中国建设银行股份有限公司
技术研发日：2021.12.15
技术公布日：2022/3/8