一种主体评级预测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种主体评级预测方法、装置、电子设备及存储介质，该方法包括：获取目标主体的节点标识；从知识图谱中查询节点标识对应的目标主体节点；使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，获得目标主体节点的分类评级。通过从知识图谱中查询所述节点标识对应的目标主体节点，并使用预先训练的图卷积神经网络模型对所述目标主体节点进行分类评级预测，获得所述目标主体节点的分类评级，避免了使用传统的回归模型或者多种回归集成算法来预测分类评级，使用图卷积神经网络模型能够更加注意发债主体的关联公司的影响和风险，从而有效地提高了对发债主体进行评级的准确率。行评级的准确率。行评级的准确率。

【技术实现步骤摘要】
一种主体评级预测方法、装置、电子设备及存储介质


[0001]本申请实施例涉及深度学习和知识图谱的
，具体而言，涉及一种主体评级预测方法、装置、电子设备及存储介质。

技术介绍

[0002]主体评级，是指以企业、公司或个人等等经济主体为对象进行的信用相关的分类评级，具体例如：主体信用评级、发债/债务/债券评级、贷款评级或者交易评级等等。
[0003]目前的主体评级方法大部分都是，基于传统的回归模型或者多种回归集成算法等等，根据发债公司的财务指标或者基本经营状况等信息数据，使用各类回归模型并结合集成算法对这些信息数据进行计算，以此来预测发债公司的分类评级，从而评估该发债主体的违约风险。

技术实现思路

[0004]本申请实施例的目的在于提供一种主体评级预测方法、装置、电子设备及存储介质，用于改善对发债主体进行评级的准确率不足的问题。
[0005]本申请实施例提供了一种主体评级预测方法，包括：获取目标主体的节点标识；从知识图谱中查询节点标识对应的目标主体节点；使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，获得目标主体节点的分类评级。在上述的实现过程中，通过从知识图谱中查询节点标识对应的目标主体节点，并使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，获得目标主体节点的分类评级，避免了使用传统的回归模型或者多种回归集成算法来预测分类评级，使用图卷积神经网络模型能够更加注意发债主体的关联公司的影响和风险，从而有效地提高了对发债主体进行评级的准确率。
[0006]可选地，在本申请实施例中，使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，包括：获取目标主体节点的特征数据和关系数据；使用图卷积神经网络模型根据目标主体节点的特征数据和关系数据，对目标主体节点进行分类评级预测。在上述的实现过程中，通过使用图卷积神经网络模型根据目标主体节点的特征数据和关系数据，对目标主体节点进行分类评级预测，避免了使用传统的回归模型或者多种回归集成算法来预测分类评级，使用图卷积神经网络模型能够更加注意发债主体的关联公司的影响和风险，从而有效地提高了对发债主体进行评级的准确率。
[0007]可选地，在本申请实施例中，在从知识图谱中查询节点标识对应的目标主体节点之前，还包括：以目标主体的节点标识为节点，以目标主体之间关系数据为边，以目标主体的特征数据作为节点的特征，建立知识图谱。在上述的实现过程中，使用知识图谱中的样本节点的分类评级、特征数据和关系数据来训练图卷积神经网络模型，并使用图卷积神经网络模型来对发债主体进行评级，从而提高了图卷积神经网络模型对发债主体进行评级的准确率。
[0008]可选地，在本申请实施例中，在建立知识图谱之后，还包括：获取图卷积神经网络；
使用图卷积神经网络对知识图谱中的边的权重值进行重构。在上述的实现过程中，通过使用图卷积神经网络对知识图谱中的边的权重值进行重构，并使用知识图谱中的样本节点的分类评级、特征数据和关系数据来训练图卷积神经网络模型，并使用图卷积神经网络模型来对发债主体进行评级，从而提高了图卷积神经网络模型对发债主体进行评级的准确率。
[0009]可选地，在本申请实施例中，在使用图卷积神经网络对知识图谱中的边进行重构之后，还包括：获取多个样本节点的分类评级，以及每个样本节点的特征数据和关系数据；以多个样本节点的特征数据和关系数据为训练数据，以多个样本节点的分类评级为训练标签，对图卷积神经网络进行训练，获得图卷积神经网络模型。在上述的实现过程中，通过以多个样本节点的特征数据和关系数据为训练数据，以多个样本节点的分类评级为训练标签，对图卷积神经网络进行训练，并使用训练获得的图卷积神经网络模型来对发债主体进行评级，从而提高了图卷积神经网络模型对发债主体进行评级的准确率。
[0010]可选地，在本申请实施例中，对图卷积神经网络进行训练，包括：使用图卷积神经网络根据样本节点的特征数据和关系数据，对样本节点的分类评级进行预测，获得样本节点的预测评级；计算样本节点的预测评级与样本节点的分类评级之间的损失值；根据损失值对图卷积神经网络进行训练。
[0011]可选地，在本申请实施例中，在对图卷积神经网络进行训练之前，还包括：对图卷积神经网络中的卷积核进行修改。在上述的实现过程中，通过对图卷积神经网络中的卷积核进行修改，可以使得图卷积神经网络模型更具有现实意义，提高了图卷积神经网络模型对主体评级进行预测的准确率。
[0012]本申请实施例还提供了一种主体评级预测装置，包括：节点标识获取模块，用于获取目标主体的节点标识；目标节点查询模块，用于从知识图谱中查询节点标识对应的目标主体节点；分类评级获得模块，用于使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，获得目标主体节点的分类评级。
[0013]可选地，在本申请实施例中，分类评级获得模块，包括：特征关系获取模块，用于获取目标主体节点的特征数据和关系数据；分类评级预测模块，用于使用图卷积神经网络模型根据目标主体节点的特征数据和关系数据，对目标主体节点进行分类评级预测。
[0014]可选地，在本申请实施例中，主体评级预测装置，还包括：知识图谱建立模块，用于以目标主体的节点标识为节点，以目标主体之间关系数据为边，以目标主体的特征数据作为节点的特征，建立知识图谱。
[0015]可选地，在本申请实施例中，主体评级预测装置，还包括：图卷积网络获取模块，用于获取图卷积神经网络；边权重值重构模块，用于使用图卷积神经网络对知识图谱中的边的权重值进行重构。
[0016]可选地，在本申请实施例中，主体评级预测装置，还包括：训练数据获取模块，用于获取多个样本节点的分类评级，以及每个样本节点的特征数据和关系数据；网络模型获得模块，用于以多个样本节点的特征数据和关系数据为训练数据，以多个样本节点的分类评级为训练标签，对图卷积神经网络进行训练，获得图卷积神经网络模型。
[0017]可选地，在本申请实施例中，网络模型获得模块，包括：分类评级预测模块，用于使用图卷积神经网络根据样本节点的特征数据和关系数据，对样本节点的分类评级进行预测，获得样本节点的预测评级；评级损失计算模块，用于计算样本节点的预测评级与样本节
点的分类评级之间的损失值；根据损失值对图卷积神经网络进行训练。
[0018]可选地，在本申请实施例中，主体评级预测装置，还包括：卷积核修改模块，用于对图卷积神经网络中的卷积核进行修改。
[0019]本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
[0020]本申请实施例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上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
[0021]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主体评级预测方法，其特征在于，包括：获取目标主体的节点标识；从知识图谱中查询所述节点标识对应的目标主体节点；使用预先训练的图卷积神经网络模型对所述目标主体节点进行分类评级预测，获得所述目标主体节点的分类评级。2.根据权利要求1所述的方法，其特征在于，所述使用预先训练的图卷积神经网络模型对所述目标主体节点进行分类评级预测，包括：获取所述目标主体节点的特征数据和关系数据；使用所述图卷积神经网络模型根据所述目标主体节点的特征数据和关系数据，对所述目标主体节点进行分类评级预测。3.根据权利要求1所述的方法，其特征在于，在所述从知识图谱中查询所述节点标识对应的目标主体节点之前，还包括：以目标主体的节点标识为节点，以目标主体之间关系数据为边，以目标主体的特征数据作为节点的特征，建立所述知识图谱。4.根据权利要求3所述的方法，其特征在于，在所述建立所述知识图谱之后，还包括：获取图卷积神经网络；使用所述图卷积神经网络对所述知识图谱中的边的权重值进行重构。5.根据权利要求4所述的方法，其特征在于，在所述使用所述图卷积神经网络对所述知识图谱中的边进行重构之后，还包括：获取多个样本节点的分类评级，以及每个所述样本节点的特征数据和关系数据；以所述多个样本节点的特征数据和关系数据为训练数据，以所述多个样本节点的分类评级为训练...

【专利技术属性】
技术研发人员：刘静蕾，张雷，汪子芃，连代星，张莹莹，庞德智，王顺利，程仕湘，李胜男，尹洋标，袁东，
申请(专利权)人：天弘基金管理有限公司，
类型：发明
国别省市：