基于图神经网络的投融资机构评估方法、系统及设备技术方案

基于图神经网络的投融资机构评估方法、系统及设备，通过训练深度学习模型可快速预测并评估出初创企业的发展指标，并可通过不同时期的发展排序，帮助分析师快速获取到发展势头迅猛的初创企业；结合初创企业所属行业领域、历史投资轮次状况以及从社会媒体投融资新闻文本中预训练的初创机构语义信息等相关信息，为投融资领域机构发展的评估提供了有力的度量信息；从初创企业的属性信息、历史信息，并通过本发明专利技术设计的图卷积网络去获取共被投初创企业的邻域聚合策略，获得投资的高阶隐藏特征，通过所设计的基于图神经网络的投融资领域机构发展趋势评估的深度学习模型，可有效的获取到初创企业的发展评估值。到初创企业的发展评估值。到初创企业的发展评估值。

【技术实现步骤摘要】
基于图神经网络的投融资机构评估方法、系统及设备


[0001]本专利技术涉及人工智能
，具体涉及一种基于图神经网络的投融资机构评估方法、系统及设备。

技术介绍

[0002]目前，正处在大众创新创业的浪潮下，各领域诸多初创企业如雨后春笋般涌现，其中不乏存在新颖创新的潜力企业，在这种大环境下同时衍生出对风险投资的大量需求。如果需要将成果转成市场上的产品进行快速推广，风险投资将会对初创企业融资事宜起到决定性的作用。而对于投资机构需要选择符合自身条件的潜力初创公司，提升投资回报率。
[0003]然而，对风投分析师而言，需收集大量公开资料对各初创机构进行研究生成意见报告，以往耗时费力，对于竞争激烈的投资行业，需要能够快速评估发展热门的筛选工具。目前，利用深度学习参与风投研究的工作相对较少，且对于投融资机构关联的挖掘、预测评估应用也相对较少。
[0004]随着深度学习在各领域的成功应用，其卓越效果引起各行各业从事人员的关注。对于传统的卷积神经网络仅对处理欧式空间的数据效果显著，而现实生活中存在大量的图结构这种非欧空间结构的数据，而专注处理图数据的高效模型图卷积网络，其卷积操作结合了图结构中的节点特征、以及边的结构信息，使其可以学习到更加丰富的隐层信息。
[0005]综上，亟需一种基于图神经网络的投融资机构评估技术方案，以衡量初创企业发展评估值，来帮助风投分析师掌握初创公司的发展趋势，进而推动投资决策的实施。

技术实现思路

[0006]为此，本专利技术提供一种基于图神经网络的投融资机构评估方法、系统及设备，通过投资关系形成初创企业之间的共被投网络图，并结合相关投融资新闻文本信息，通过所建立的投融资机构发展趋势评估模型评估当前时间的热门程度，帮助风投数据分析师获得不同时期初创公司的发展趋势，作为评判的指标，辅助制定投资决策。
[0007]为了实现上述目的，本专利技术提供如下技术方案：第一方面，一种基于图神经网络的投融资机构评估方法，包括以下步骤：
[0008]步骤1、截取给定时刻T
curr
之前的投资事件，构建初创企业的共被投网络图G
c
；
[0009]步骤2、设定N
G
个时间段的初创企业共被投网络图，以T
inte
为固定时间间隔，构建上一时刻T
curr-T
inte
的初创企业共被投网络图G
c-1i
，依次类推构建剩余N
G-1个初创企业共被投网络图，获得N
G
个初创企业共被投网络图；
[0010]步骤3、构建基于图神经网络的投融资机构发展趋势评估模型；
[0011]步骤4、对所述评估模型进行训练学习，获得最终用于评估的投融资机构发展趋势模型；
[0012]步骤5、对N
G
个所述初创企业共被投网络图训练对应时间段的N
G
个面向投融资机构发展趋势评估模型，并使用所述发展趋势评估模型评估出各节点的发展评估值，根据所述
发展评估值的大小对N
G
个时间段的初创企业发展进行排序。
[0013]作为基于图神经网络的投融资机构评估方法的优选方案，所述步骤1包括以下步骤：
[0014]步骤1.1、对所述共被投网络图G
c
中初创企业的所属行业，通过One-Hot编码生成节点所属行业特征矩阵
[0015]步骤1.2、对所述共被投网络图G
c
中初创企业的历史投资轮次，通过One-Hot编码生成节点投资轮次特征矩阵
[0016]步骤1.3、获取初创企业的成立时间差特征并对所述成立时间差特征进行Z-score标准化处理，处理公式为：
[0017][0018][0019]其中，T为当前年份与初创企业成立时间差，为时间差系数；x为所有样本数据的原始值，μ为所有样本数据的均值，σ为所有样本数据的标准差，x
*
为所有样本数据归一化后的数值；
[0020]步骤1.4、获取初创企业在所述给定时刻T
curr
之前的投融资新闻文本，设置词向量长度为N
news
，采用训练模式为Skip-gram的Word2Vec算法对投融资新闻文本进行训练，获得各初创企业节点的新闻特征矩阵
[0021]步骤1.5、将步骤1.1至步骤1.4获得的节点特征进行拼接组合，获得初创企业共被投网络图G
c
的节点特征矩阵X
node
；
[0022]步骤1.6、将所述给定时刻T
curr
之前的所有投资事件中被同一投资机构所投资过的初创企业构建网络图中的边，获得边索引矩阵X
edges
；
[0023]步骤1.7、为所述给定时刻T
curr
之前的所有投资事件中的节点进行标注，选定时间间隔T
inte
，对于时间间隔T
inte
时间段内发生过投资的初创企业设置标签为1，未发生投资的初创企业设置标签为0，获得初创企业共被投网络图G
c
的节点标签矩阵Y
node
。
[0024]作为基于图神经网络的投融资机构评估方法的优选方案，所述步骤1.4中，对于共被投网络图G
c
中没有获得新闻特征矩阵的初创企业，以各初创企业节点的新闻特征平均值，作为没有获得新闻特征矩阵的初创企业节点的新闻特征。
[0025]作为基于图神经网络的投融资机构评估方法的优选方案，所述步骤3包括以下步骤：
[0026]步骤3.1、首先构建发展趋势评估模型的输入层，具体子步骤如下：
[0027]步骤3.1.1、将初创企业的共被投网络图G
c
中初创企业节点的所属行业特征矩阵进行数据压缩，转换成行业特征稠密向量设定其神经元数量为N
industry
的行业特征嵌入层；
[0028]步骤3.1.2、将初创企业的共被投网络图G
c
中初创企业节点的投资轮次特征矩阵
进行数据压缩，转换成投资轮次特征稠密向量设定其神经元数量为N
rounds
的行业特征嵌入层；
[0029]步骤3.1.3、将所述行业特征稠密向量投资轮次特征稠密向量输入的初创机构节点的新闻特征矩阵和初创机构节点成立时间差特征进行横向拼接，记为整个模型的输入层X
input
；
[0030]步骤3.2、将初创企业的共被投网络图G
c
的节点特征矩阵X
node
和所述输入层X
inPut
组合成图结构输入特征，传输到所构建的图卷积层，具体子步骤如下：
[0031]步骤3.2.1：构建堆叠两层的近似神经预测的个性化传播图神经网络层，其中设定迭代K次、影响节点邻域的传递概率α，处理公式如下：
[0032]X
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图神经网络的投融资机构评估方法，其特征在于，包括以下步骤：步骤1、截取给定时刻T
curr
之前的投资事件，构建初创企业的共被投网络图G
c
；步骤2、设定N
G
个时间段的初创企业共被投网络图，以T
inte
为固定时间间隔，构建上一时刻T
curr-T
inte
的初创企业共被投网络图G
c-1i
，依次类推构建剩余N
G-1个初创企业共被投网络图，获得N
G
个初创企业共被投网络图；步骤3、构建基于图神经网络的投融资机构发展趋势评估模型；步骤4、对所述评估模型进行训练学习，获得最终用于评估的投融资机构发展趋势模型；步骤5、对N
G
个所述初创企业共被投网络图训练对应时间段的N
G
个面向投融资机构发展趋势评估模型，并使用所述发展趋势评估模型评估出各节点的发展评估值，根据所述发展评估值的大小对N
G
个时间段的初创企业发展进行排序。2.根据权利要求1所述的基于图神经网络的投融资机构评估方法，其特征在于，所述步骤1包括以下步骤：步骤1.1、对所述共被投网络图G
c
中初创企业的所属行业，通过One-Hot编码生成节点所属行业特征矩阵步骤1.2、对所述共被投网络图G
c
中初创企业的历史投资轮次，通过One-Hot编码生成节点投资轮次特征矩阵步骤1.3、获取初创企业的成立时间差特征并对所述成立时间差特征进行Z-score标准化处理，处理公式为：score标准化处理，处理公式为：其中，T为当前年份与初创企业成立时间差，为时间差系数；x为所有样本数据的原始值，μ为所有样本数据的均值，σ为所有样本数据的标准差，x
*
为所有样本数据归一化后的数值；步骤1.4、获取初创企业在所述给定时刻T
curr
之前的投融资新闻文本，设置词向量长度为N
news
，采用训练模式为Skip-gram的Word2Vec算法对投融资新闻文本进行训练，获得各初创企业节点的新闻特征矩阵步骤1.5、将步骤1.1至步骤1.4获得的节点特征进行拼接组合，获得初创企业共被投网络图G
c
的节点特征矩阵X
node
；步骤1.6、将所述给定时刻T
curr
之前的所有投资事件中被同一投资机构所投资过的初创企业构建网络图中的边，获得边索引矩阵X
edges
；步骤1.7、为所述给定时刻T
curr
之前的所有投资事件中的节点进行标注，选定时间间隔T
inte
，对于时间间隔T
inte
时间段内发生过投资的初创企业设置标签为1，未发生投资的初创企业设置标签为0，获得初创企业共被投网络图G
c
的节点标签矩阵Y
node
。3.根据权利要求2所述的基于图神经网络的投融资机构评估方法，其特征在于，所述步骤1.4中，对于共被投网络图G
c
中没有获得新闻特征矩阵的初创企业，以各初创企业节点的
新闻特征平均值，作为没有获得新闻特征矩阵的初创企业节点的新闻特征。4.根据权利要求2所述的基于图神经网络的投融资机构评估方法，其特征在于，所述步骤3包括以下步骤：步骤3.1、首先构建发展趋势评估模型的输入层，具体子步骤如下：步骤3.1.1、将初创企业的共被投网络图G
c
中初创企业节点的所属行业特征矩阵进行数据压缩，转换成行业特征稠密向量设定其神经元数量为N
industry
的行业特征嵌入层；步骤3.1.2、将初创企业的共被投网络图G
c
中初创企业节点的投资轮次特征矩阵进行数据压缩，转换成投资轮次特征稠密向量设定其神经元数量为N
rounds
的行业特征嵌入层；步骤3.1.3、将所述行业特征稠密向量投资轮次特征稠密向量输入的初创机构节点的新闻特征矩阵和初创机构节点成立时间差特征进行横向拼接，记为整个模型的输入层X
input
；步骤3.2、将初创企业的共被投网络图G
c
的节点特征矩阵X
node
和所述输入层X
input
组合成图结构输入特征，传输到所构建的图卷积层，...

【专利技术属性】
技术研发人员：徐佳慧，裴乐琪，季书帆，
申请(专利权)人：徐佳慧，
类型：发明
国别省市：