一种企业风险预警方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种企业风险预警方法、装置、设备及可读存储介质，所述方法包括：当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；本发明专利技术能够更加准确的进行企业风险预警。

【技术实现步骤摘要】
一种企业风险预警方法、装置、设备及可读存储介质
本专利技术涉及智能决策
，特别涉及一种企业风险预警方法、装置、设备及可读存储介质。
技术介绍
近年来国内企业债开始打破刚兑规律，出现违约事件，且违约数量呈现增长趋势。因此，债券市场的风险控制及对存在信用风险的发债主体进行尽早预警，避免投资人出现重大损失，变得越来越重要。现有的判断企业是否存在违约风险的方式是风控人员基于企业的各种公告信息利用专家经验和其推理逻辑进行风险判断，由于不同专业人士的自身经验及视角覆盖度的局限性，导致难以覆盖到所有案例，容易产生遗漏；随着机器学习算法的不断发展，机器学习算法越来越多的被应用到各个领域以解决例如：数据预测、数据分类和数据聚类的问题；但是，将机器学习算法应用到企业违约风险判断领域，还存在以下技术问题：1)如何将企业的各种公告信息处理为机器学习算法可使用的信息，2)如何提高机器学习算法利用企业的各种公告信息的效率。
技术实现思路
本专利技术的目的在于提供一种企业风险预警方法、装置、设备及存储介质，能够确定出企业之间的风险影响关系，从而更加准确的进行企业风险预警。根据本专利技术的一个方面，提供了一种企业风险预警方法，所述方法包括：当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。可选的，所述根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱，包括：根据多个实体对象在一个时间区间内的状态信息，在与所述时间区间对应的企业关联图谱中绘制代表各个实体对象的节点，并为每个实体对象的节点设置节点属性；其中，节点属性包括：在所述时间区间内为实体对象设置的潜在风险值；根据各个实体对象之间的关联关系在所述企业关联图谱中的各个节点之间绘制边，并为每个边设置边属性；其中，所述边属性包括：用于表征关联关系类型的关联矢量，所述关联矢量为1×N维的向量，且N为关联关系类型的种类数目。可选的，所述针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值，包括：针对所述目标实体对象的一个时间区间t，根据所述时间区间t的企业关联图谱，获取所述目标实体对象在所述时间区间t内的潜在风险值以及所述目标实体对象与关联对象的关联矢量；其中，所述关联对象为通过边与表征所述目标实体对象的节点连接的其他节点所表征的实体对象；根据所述潜在风险值、关联矢量以及上个时间区间t-1传递到所述时间区间t的隐藏风险影响因子Ht-1，计算出所述时间区间t传递到下个时间区间t+1的隐藏风险影响因子Ht；依次计算出各个时间区间传递到下个时间区间的隐藏风险影响因子，直至计算出时间区间t+N传递到当前时间点的隐藏风险影响因子Ht+N；其中，时间区间t+N为当前时间点的上个时间区间；根据所述隐藏风险影响因子Ht+N计算出所述目标实体对象的风险评估值。可选的，所述根据所述潜在风险值、关联矢量以及上个时间区间t-1传递到所述时间区间t的隐藏风险影响因子Ht-1，计算出所述时间区间t传递到下个时间区间t+1的隐藏风险影响因子Ht，包括：按照如下公式计算出更新门Ut：Ut＝f(GATxu(Xt；Rt)+GAThu(Xt，Ht-1；Rt))；其中，f()为sigmoid函数；Xt为所述目标实体对象在时间区间t内的潜在风险值；Rt为所述目标实体对象在时间区间t内和关联对象的关联矢量；Ht-1为上个时间区间t-1传递到时间区间t的隐藏风险影响因子；GATxu为基于图注意力机制神经网络GAT构建的第一GAT模型；GAThu为基于图注意力机制神经网络GAT构建的第二GAT模型；按照如下公式计算出重置门St：St＝f(GATxs(Xt；Rt)+GAThs(Xt，Ht-1；Rt))；其中，f()为sigmoid函数；GATxs为基于图注意力机制神经网络GAT构建的第三GAT模型；GAThs为基于图注意力机制神经网络GAT构建的第四GAT模型；按照如下公式计算出当前风险影响因子Ht-：Ht-＝t(GATxh(Xt；Rt)+St*GAThh(Xt，Ht-1；Rt))；其中，t()为tanh函数；GATxh为基于图注意力机制神经网络GAT构建的第五GAT模型；GAThh为基于图注意力机制神经网络GAT构建的第六GAT模型；按照如下公式计算出时间区间t传递到下个时间区间t+1的隐藏风险影响因子Ht：Ht＝(1-Ut)*Ht-+Ut*Ht-1。可选的，所述根据所述隐藏风险影响因子Ht+N计算出所述目标实体对象的风险评估值，包括：按照如下公式计算目标实体对象的风险评估值V+：V+＝Ht+N+V_；其中，V_为所述目标实体对象在当前时间点的潜在风险值。可选的，所述风险评估模型为结合了图神经网络GNN和循环神经网络RNN的模型。为了实现上述目的，本专利技术还提供一种企业风险预警装置，所述装置包括：接收模块，用于当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；绘制模块，用于根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；计算模块，用于针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；预警模块，用于判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。可选的，所述绘制模块，用于：根据多个实体对象在一个时间区间内的状态信息，在与所述时间区间对应的企业关联图谱中绘制代表各个实体对象的节点，并为每个实体对象的节点设置节点属性；其中，节点属性包括：在所述时间区间内为实体对象设置的潜在风险值；根据各个实体对象之间的关联关系在所述企业关联图谱中的各个节点之间绘制边，并为每个边设置边属性；其中，所述边属性包括：用于表征关联关系本文档来自技高网...

【技术保护点】
1.一种企业风险预警方法，其特征在于，所述方法包括：/n当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；/n根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；/n针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；/n判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。/n

【技术特征摘要】
1.一种企业风险预警方法，其特征在于，所述方法包括：
当接收到风险预警指令时，获取多个实体对象分别在多个连续的时间区间内的状态信息；其中，所述状态信息包括：各个实体对象之间的关联关系；
根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱；其中，所述企业关联图谱包括：表征实体对象的节点和表征实体对象之间的关联关系的边；
针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值；
判断各个实体对象的风险评估值是否大于预设阈值，若是，则向指定终端发送风险预警消息；其中，所述风险预警消息包括：风险评估值大于预设阈值的实体对象。


2.根据权利要求1所述的企业风险预警方法，其特征在于，所述根据多个实体对象在各个时间区间内的状态信息，分别绘制出与每个时间区间对应的企业关联图谱，包括：
根据多个实体对象在一个时间区间内的状态信息，在与所述时间区间对应的企业关联图谱中绘制代表各个实体对象的节点，并为每个实体对象的节点设置节点属性；其中，节点属性包括：在所述时间区间内为实体对象设置的潜在风险值；
根据各个实体对象之间的关联关系在所述企业关联图谱中的各个节点之间绘制边，并为每个边设置边属性；其中，所述边属性包括：用于表征关联关系类型的关联矢量，所述关联矢量为1×N维的向量，且N为关联关系类型的种类数目。


3.根据权利要求2所述的企业风险预警方法，其特征在于，所述针对一个目标实体对象，按照时间先后顺序依次根据各个时间区间的企业关联图谱，并利用预设的风险评估模型，计算出所述目标实体对象的风险评估值，包括：
针对所述目标实体对象的一个时间区间t，根据所述时间区间t的企业关联图谱，获取所述目标实体对象在所述时间区间t内的潜在风险值以及所述目标实体对象与关联对象的关联矢量；其中，所述关联对象为通过边与表征所述目标实体对象的节点连接的其他节点所表征的实体对象；
根据所述潜在风险值、关联矢量以及上个时间区间t-1传递到所述时间区间t的隐藏风险影响因子Ht-1，计算出所述时间区间t传递到下个时间区间t+1的隐藏风险影响因子Ht；
依次计算出各个时间区间传递到下个时间区间的隐藏风险影响因子，直至计算出时间区间t+N传递到当前时间点的隐藏风险影响因子Ht+N；其中，时间区间t+N为当前时间点的上个时间区间；
根据所述隐藏风险影响因子Ht+N计算出所述目标实体对象的风险评估值。


4.根据权利要求3所述的企业风险预警方法，其特征在于，所述根据所述潜在风险值、关联矢量以及上个时间区间t-1传递到所述时间区间t的隐藏风险影响因子Ht-1，计算出所述时间区间t传递到下个时间区间t+1的隐藏风险影响因子Ht，包括：
按照如下公式计算出更新门Ut：
Ut＝f(GATxu(Xt；Rt)+GAThu(Xt，Ht-1；Rt))；
其中，f()为sigmoid函数；
Xt为所述目标实体对象在时间区间t内的潜在风险值；
Rt为所述目标实体对象在时间区间t内和关联对象的关联矢量；
Ht-1为上个时间区间t-1传递到时间区间t的隐藏风险影响因子；
GATxu为基于图注意力机制神经网络GAT构建的第一GAT模型；
GAThu为基于图注意...

【专利技术属性】
技术研发人员：张乐情，钱海涛，罗水权，刘剑，李燕婷，
申请(专利权)人：平安资产管理有限责任公司，
类型：发明
国别省市：上海;31