企业上下游关系识别模型建立、关系挖掘的方法及装置制造方法及图纸

本说明书实施例提供企业上下游关系识别模型建立、关系挖掘的方法及装置，其中所述企业上下游关系识别模型建立的方法包括：获取企业网络样本；对企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量，将企业节点的向量输入图神经网络模型进行迭代，图神经网络模型迭代过程中计算出的企业节点的特征表达能够聚合邻居节点的特征信息，使包括了企业节点的特征表达、企业节点的邻居节点的特征表达以及企业节点与邻居节点之间关系特征表达的企业节点上下游关系特征能够对上下游关系进行准确地表达，因此，经过训练，能够得到对企业节点上下游关系进行准确识别的图神经网络模型，进而识别出不同置信度的企业上下游关系。

【技术实现步骤摘要】
企业上下游关系识别模型建立、关系挖掘的方法及装置
本说明书实施例涉及数据挖掘
，特别涉及一种企业上下游关系识别模型建立的方法。本说明书一个或者多个实施例同时涉及企业上下游关系挖掘的方法、企业上下游关系识别模型建立的装置、企业上下游关系挖掘的装置、计算设备以及计算机可读存储介质。
技术介绍
企业上下游关系，是指根据供给关系确定的上游企业与下游企业之间的关系。通常，一家企业的上游企业和下游企业的健康状况，直接影响该企业的经营状态。如果能够获知与该企业具有上下游关系的企业，则可以将上下游企业的诸多因素纳入考虑范围内。因此，在很多场景下，例如，对企业进行信用评估等场景，人们希望能够准确获知企业上下游关系。
技术实现思路
有鉴于此，本说明书实施例提供了一种企业上下游关系识别模型建立的方法。本说明书一个或者多个实施例同时涉及企业上下游关系挖掘的方法、企业上下游关系识别模型建立的装置、企业上下游关系挖掘的装置、计算设备以及计算机可读存储介质，以解决现有技术中存在的技术缺陷。根据本说明书实施例的第一方面，提供了一种企业上下游关系识别模型建立的方法，包括：获取企业网络样本；对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量；将所述企业节点的向量输入图神经网络模型进行迭代，所述图神经网络模型在迭代过程中，使用企业节点上下游关系特征进行企业节点上下游关系识别的训练，其中，所述企业节点上下游关系特征包括企业节点的特征表达、企业节点的邻居节点的特征表达以及企业节点与邻居节点之间关系的特征表达；迭代结束，得到训练后的图神经网络模型。可选地，所述对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量包括：使用node2vec算法对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量。可选地，还包括：根据所述企业节点的企业属性，生成用于表达所述企业节点属性特征的向量；将用于表达所述企业节点结构特征的向量与用于表达所述企业节点属性特征的向量进行组合，得到所述企业节点的向量。可选地，所述将所述企业节点的向量输入图神经网络模型进行迭代包括：将所述企业节点的向量输入基于注意力机制的广度自适应函数进行聚合，得到所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达；将所述企业节点的向量以及所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达输入基于LStM算子的深度自适应函数，得到所述企业节点下一迭代过程的特征表达；将下一迭代过程更新为当前迭代过程；将所述企业节点当前迭代过程的特征表达，所述企业节点的邻居节点的当前迭代过程的特征表达、以及，所述企业节点与邻居节点之间关系的特征表达进行组合，形成所述企业节点上下游关系特征；通过全连接层对所述企业节点上下游关系特征进行判别，得到所述企业节点的上下游关系的识别结果；判断所述识别结果是否满足损失最小；在满足损失最小的情况下，进入所述迭代结束，得到训练后的图神经网络模型的步骤；在不满足损失最小的情况下，更新所述图神经网络模型的参数，将所述企业节点当前迭代过程的特征表达输入基于注意力机制的广度自适应函数进行聚合，得到所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达；将所述企业节点当前迭代过程的特征表达以及所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达输入基于LStM算子的深度自适应函数，得到所述企业节点下一迭代过程的特征表达；重新进入所述将下一迭代过程更新为当前迭代过程的步骤。根据本说明书实施例的第二方面，提供了一种企业上下游关系识别模型建立的装置，包括：样本获取模块，被配置为获取企业网络样本。样本向量计算模块，被配置为对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量。模型迭代模块，被配置为将所述企业节点的向量输入图神经网络模型进行迭代，所述图神经网络模型在迭代过程中，使用企业节点上下游关系特征进行企业节点上下游关系识别的训练，其中，所述企业节点上下游关系特征包括企业节点的特征表达、企业节点的邻居节点的特征表达以及企业节点与邻居节点之间关系的特征表达；迭代结束，得到训练后的图神经网络模型。可选地，所述样本向量计算模块被配置为使用node2vec算法对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量。可选地，还包括：样本属性特征计算模块，被配置为根据所述企业节点的企业属性，生成用于表达所述企业节点属性特征的向量。样本向量组合模块，被配置为将用于表达所述企业节点结构特征的向量与用于表达所述企业节点属性特征的向量进行组合，得到所述企业节点的向量。可选地，所述模型迭代模块包括：初始向量输入子模块，被配置为将所述企业节点的向量输入基于注意力机制的广度自适应函数进行聚合，得到所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达。初始特征更新子模块，被配置为将所述企业节点的向量以及所述企业节点聚合的邻居节点下一迭代过程的特征表达输入基于LStM算子的深度自适应函数，得到所述企业节点下一迭代过程的特征表达。迭代过程更新子模块，被配置为将下一迭代过程更新为当前迭代过程。关系特征组合子模块，被配置为将所述企业节点当前迭代过程的特征表达，所述企业节点的邻居节点的当前迭代过程的特征表达、以及，所述企业节点与邻居节点之间关系的特征表达进行组合，形成所述企业节点上下游关系特征。上下游判别子模块，被配置为通过全连接层对所述企业节点上下游关系特征进行判别，得到所述企业节点的上下游关系的识别结果。损失判断子模块，被配置为判断所述识别结果是否满足损失最小。迭代结束子模块，被配置为在满足损失最小的情况下，进入所述迭代结束，得到训练后的图神经网络模型的步骤。参数更新子模块，被配置为在不满足损失最小的情况下，更新所述图神经网络模型的参数。邻居特征更新子模块，被配置为将所述企业节点当前迭代过程的特征表达输入基于注意力机制的广度自适应函数进行聚合，得到所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达。节点特征更新子模块，被配置为将所述企业节点当前迭代过程的特征表达以及所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达输入基于LStM算子的深度自适应函数，得到所述企业节点下一迭代过程的特征表达；重新触发所述迭代过程更新子模块执行。根据本说明书实施例的第三方面，提供了一种企业上下游关系挖掘的方法，包括：对两个或两个以上企业形成的企业网络进行节点嵌入向量表达计算，得到两个或两个以上企业节点各自的、用于表达企业节点结构特征的向量；将所述两个或两个以上企业节点的向量输入如本说明书任一实施例所述企业上下游关系识别模型建立的方法得到的训练后的图神经网络模型，输出所述两个或两个以上企业节点的上下游关系的识别结果。可选地，还包括：根据所述两个或两个以上企业节点各自的企业属性，生成所述两个或两个以上企业节点各自的用于表达企业节点属性特征的向量；分别针对所述两个或两个以上企业节点，将用于表达所述企业节点结构特征的向量与用于表达所述企业节点属性特征的向量进行组合，本文档来自技高网...

【技术保护点】
1.一种企业上下游关系识别模型建立的方法，包括：/n获取企业网络样本；/n对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量；/n将所述企业节点的向量输入图神经网络模型进行迭代，所述图神经网络模型在迭代过程中，使用企业节点上下游关系特征进行企业节点上下游关系识别的训练，其中，所述企业节点上下游关系特征包括企业节点的特征表达、企业节点的邻居节点的特征表达以及企业节点与邻居节点之间关系的特征表达；/n迭代结束，得到训练后的图神经网络模型。/n

【技术特征摘要】
1.一种企业上下游关系识别模型建立的方法，包括：
获取企业网络样本；
对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量；
将所述企业节点的向量输入图神经网络模型进行迭代，所述图神经网络模型在迭代过程中，使用企业节点上下游关系特征进行企业节点上下游关系识别的训练，其中，所述企业节点上下游关系特征包括企业节点的特征表达、企业节点的邻居节点的特征表达以及企业节点与邻居节点之间关系的特征表达；
迭代结束，得到训练后的图神经网络模型。


2.根据权利要求1所述的方法，所述对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量包括：
使用node2vec算法对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量。


3.根据权利要求1所述的方法，还包括：
根据所述企业节点的企业属性，生成用于表达所述企业节点属性特征的向量；
将用于表达所述企业节点结构特征的向量与用于表达所述企业节点属性特征的向量进行组合，得到所述企业节点的向量。


4.根据权利要求1所述的方法，所述将所述企业节点的向量输入图神经网络模型进行迭代包括：
将所述企业节点的向量输入基于注意力机制的广度自适应函数进行聚合，得到所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达；
将所述企业节点的向量以及所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达输入基于LStM算子的深度自适应函数，得到所述企业节点下一迭代过程的特征表达；
将下一迭代过程更新为当前迭代过程；
将所述企业节点当前迭代过程的特征表达，所述企业节点的邻居节点的当前迭代过程的特征表达、以及，所述企业节点与邻居节点之间关系的特征表达进行组合，形成所述企业节点上下游关系特征；
通过全连接层对所述企业节点上下游关系特征进行判别，得到所述企业节点的上下游关系的识别结果；
判断所述识别结果是否满足损失最小；
在满足损失最小的情况下，进入所述迭代结束，得到训练后的图神经网络模型的步骤；
在不满足损失最小的情况下，更新所述图神经网络模型的参数，将所述企业节点当前迭代过程的特征表达输入基于注意力机制的广度自适应函数进行聚合，得到所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达；将所述企业节点当前迭代过程的特征表达以及所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达输入基于LStM算子的深度自适应函数，得到所述企业节点下一迭代过程的特征表达；重新进入所述将下一迭代过程更新为当前迭代过程的步骤。


5.一种企业上下游关系识别模型建立的装置，包括：
样本获取模块，被配置为获取企业网络样本；
样本向量计算模块，被配置为对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量；
模型迭代模块，被配置为将所述企业节点的向量输入图神经网络模型进行迭代，所述图神经网络模型在迭代过程中，使用企业节点上下游关系特征进行企业节点上下游关系识别的训练，其中，所述企业节点上下游关系特征包括企业节点的特征表达、企业节点的邻居节点的特征表达以及企业节点与邻居节点之间关系的特征表达；迭代结束，得到训练后的图神经网络模型。


6.根据权利要求5所述的装置，所述样本向量计算模块被配置为使用node2vec算法对所述企业网络样本进行节点嵌入向量表达计算，得到用于表达企业节点结构特征的向量。


7.根据权利要求5所述的装置，还包括：
样本属性特征计算模块，被配置为根据所述企业节点的企业属性，生成用于表达所述企业节点属性特征的向量；
样本向量组合模块，被配置为将用于表达所述企业节点结构特征的向量与用于表达所述企业节点属性特征的向量进行组合，得到所述企业节点的向量。


8.根据权利要求5所述的装置，所述模型迭代模块包括：
初始向量输入子模块，被配置为将所述企业节点的向量输入基于注意力机制的广度自适应函数进行聚合，得到所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达；
初始特征更新子模块，被配置为将所述企业节点的向量以及所述企业节点聚合的邻居节点下一迭代过程的特征表达输入基于LStM算子的深度自适应函数，得到所述企业节点下一迭代过程的特征表达；
迭代过程更新子模块，被配置为将下一迭代过程更新为当前迭代过程；
关系特征组合子模块，被配置为将所述企业节点当前迭代过程的特征表达，所述企业节点的邻居节点的当前迭代过程的特征表达、以及，所述企业节点与邻居节点之间关系的特征表达进行组合，形成所述企业节点上下游关系特征；
上下游判别子模块，被配置为通过全连接层对所述企业节点上下游关系特征进行判别，得到所述企业节点的上下游关系的识别结果；
损失判断子模块，被配置为判断所述识别结果是否满足损失最小；
迭代结束子模块，被配置为在满足损失最小的情况下，进入所述迭代结束，得到训练后的图神经网络模型的步骤；
参数更新子模块，被配置为在不满足损失最小的情况下，更新所述图神经网络模型的参数；
邻居特征更新子模块，被配置为将所述企业节点当前迭代过程的特征表达输入基于注意力机制的广度自适应函数进行聚合，得到所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达；
节点特征更新子模块，被配置为将所述企业节点当前迭代过程的特征表达以及所述企业节点聚合的邻居节点下一迭代过程的聚合特征表达输入基于LS...

【专利技术属性】
技术研发人员：王炀，杨硕，孙望，钟娙雩，张志强，周俊，方彦明，余泉，
申请(专利权)人：浙江网商银行股份有限公司，
类型：发明
国别省市：浙江;33