本发明专利技术涉及计算机数据处理技术领域，具体涉及一种模型训练方法、企业经营风险预测方法和装置。该方法包括：构建训练集；构建初始预测模型；其中，初始预测模型包括图卷积网络层和全连接网络层；图卷积网络层包括特征输入端、邻接矩阵输入端和至少一个图卷积网络；图卷积网络包括第一图卷积层和第二图卷积层；根据训练集，迭代训练初始预测模型，获取用于企业经营风险预测的目标预测模型。本发明专利技术利用了企业的企业经营数据和经营关系数据构建训练集，以在对初始预测模型训练时，使模型能够学习到企业经营风险结果与企业经营数据、经营关系数据之间的关系，从而实现准确可靠地企业经营风险预测。预测。预测。
【技术实现步骤摘要】
一种模型训练方法、企业经营风险预测方法和装置
[0001]本专利技术涉及计算机数据处理
，具体涉及一种模型训练方法、企业经营风险预测方法和装置。
技术介绍
[0002]金融行业关乎国家经济发展的命脉，金融体系的长足稳定一直是国家所关切的。企业经营风险预测是金融风控领域重要研究课题，各大银行通过对小微企业的经营情况进行分析，把控着放贷的风险，企业经营风险预测的深入研究对于提高金融行业稳定性有着重要的意义。
[0003]因此，如何实现准确可靠地企业经营风险预测，是目前亟需解决的技术问题。
技术实现思路
[0004]本专利技术的目的是提供一种模型训练方法、企业经营风险预测方法和装置，以实现准确可靠地企业经营风险预测。
[0005]为达到以上目的，本专利技术实施例提供了以下方案：
[0006]第一方面，本专利技术实施例提供一种用于企业经营风险预测的模型训练方法，所述方法包括：
[0007]构建训练集；其中，所述训练集中包括至少两个企业的企业经营数据和所述至少两个企业的经营关系数据；
[0008]构建初始预测模型；其中，所述初始预测模型包括图卷积网络层和全连接网络层；所述图卷积网络层包括用于输入所述企业经营数据的特征输入端、用于输入所述经营关系数据的邻接矩阵输入端和至少一个图卷积网络；所述图卷积网络包括第一图卷积层和第二图卷积层；
[0009]根据所述训练集，迭代训练所述初始预测模型，获取用于企业经营风险预测的目标预测模型。
[0010]在一种可能的实施例中，所述构建训练集，包括：
[0011]剔除所述至少两个企业的原始企业经营数据中的非数值型特征，获取所述至少两个企业的数值型企业经营数据；其中，所述原始企业经营数据包括企业经营年限、企业注册资本、企业相关诉讼信息和企业招聘信息中的一种或多种；
[0012]统一所述数值型企业经营数据的量纲和特征空缺值，获取所述至少两个企业的企业经营数据；
[0013]根据所述至少两个企业之间的企业经营关系信息，构建邻接矩阵，获取所述至少两个企业的经营关系数据；其中，所述企业经营关系信息包括所述至少两个企业之间的投资关系信息、参投项目关系信息和侵权诉讼关系信息中的一种或多种。
[0014]在一种可能的实施例中，所述构建初始预测模型，包括：
[0015]利用线性整流函数ReLU，构建所述图卷积网络的第一图卷积层的激活函数；
[0016]利用Softmax函数，构建所述图卷积网络的第二图卷积层的激活函数；
[0017]利用Focal Loss函数，构建所述初始预测模型的损失函数。
[0018]在一种可能的实施例中，所述根据所述训练集，迭代训练所述初始预测模型，获取用于企业经营风险预测的目标预测模型，包括：
[0019]利用所述训练集，训练所述初始预测模型，获取多个预测模型，构建第一模型集；
[0020]利用验证集，获取所述第一模型集中每一模型的验证结果；
[0021]根据所述每一模型的验证结果，筛选一个或多个预测模型，构建第二模型集；
[0022]利用测试集，对所述第二模型集中的模型进行测试，获取所述第二模型集中每一模型的损失函数值变化率；
[0023]将所述第二模型集中损失函数值变化率小于设定阈值的模型，作为所述目标预测模型。
[0024]第二方面，本专利技术实施例提供一种用于企业经营风险预测的模型训练装置，所述装置包括：
[0025]第一构建模块，用于构建训练集；其中，所述训练集中包括至少两个企业的企业经营数据和所述至少两个企业的经营关系数据；
[0026]第二构建模型，用于构建初始预测模型；其中，所述初始预测模型包括图卷积网络层和全连接网络层；所述图卷积网络层包括用于输入所述企业经营数据的特征输入端、用于输入所述经营关系数据的邻接矩阵输入端和至少一个图卷积网络；所述图卷积网络包括第一图卷积层和第二图卷积层；
[0027]第一获取模块，用于根据所述训练集，迭代训练所述初始预测模型，获取用于企业经营风险预测的目标预测模型。
[0028]在一种可能的实施例中，所述第一构建模块，包括：
[0029]第一处理模块，用于剔除所述至少两个企业的原始企业经营数据中的非数值型特征，获取所述至少两个企业的数值型企业经营数据；其中，所述原始企业经营数据包括企业经营年限、企业注册资本、企业相关诉讼信息和企业招聘信息中的一种或多种；
[0030]第二处理模块，用于统一所述数值型企业经营数据的量纲和特征空缺值，获取所述至少两个企业的企业经营数据；
[0031]第三构建模块，用于根据所述至少两个企业之间的企业经营关系信息，构建邻接矩阵，获取所述至少两个企业的经营关系数据；其中，所述企业经营关系信息包括所述至少两个企业之间的投资关系信息、参投项目关系信息和侵权诉讼关系信息中的一种或多种。
[0032]在一种可能的实施例中，所述第二构建模块，包括：
[0033]第四构建模块，用于利用线性整流函数ReLU，构建所述图卷积网络的第一图卷积层的激活函数；
[0034]第五构建模块，用于利用Softmax函数，构建所述图卷积网络的第二图卷积层的激活函数；
[0035]第六构建模块，用于利用Focal Loss函数，构建所述初始预测模型的损失函数。
[0036]在一种可能的实施例中，所述第一获取模块，包括：
[0037]第七构建模块，用于利用所述训练集，训练所述初始预测模型，获取多个预测模型，构建第一模型集；
[0038]第二获取模块，用于利用验证集，获取所述第一模型集中每一模型的验证结果；
[0039]第八构建模块，用于根据所述每一模型的验证结果，筛选一个或多个预测模型，构建第二模型集；
[0040]第三获取模块，用于利用测试集，对所述第二模型集中的模型进行测试，获取所述第二模型集中每一模型的损失函数值变化率；
[0041]第四获取模块，将所述第二模型集中损失函数值变化率小于设定阈值的模型，作为所述目标预测模型。
[0042]第三方面，本专利技术实施例提供一种企业经营风险预测方法，包括：
[0043]获取至少两个待预测企业的企业经营数据和所述至少两个待遇测企业的经营关系数据；
[0044]利用如第一方面中任一所述模型训练方法获得的目标预测模型，获取所述至少两个待预测企业的企业经营风险预测结果。
[0045]第四方面，本专利技术实施例提供一种企业经营风险预测装置，包括：
[0046]第五获取模块，用于获取至少两个待预测企业的企业经营数据和所述至少两个待遇测企业的经营关系数据；
[0047]第六获取模块，用于利用如第一方面中任一所述模型训练方法获得的目标预测模型，获取所述至少两个待预测企业的企业经营风险预测结果。
[0048]第五方面，本专利技术实施例提供一种电子设备，包括：
[0049]存储器，用于存储计算机程序；<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于企业经营风险预测的模型训练方法，其特征在于，所述方法包括：构建训练集；其中，所述训练集中包括至少两个企业的企业经营数据和所述至少两个企业的经营关系数据；构建初始预测模型；其中，所述初始预测模型包括图卷积网络层和全连接网络层；所述图卷积网络层包括用于输入所述企业经营数据的特征输入端、用于输入所述经营关系数据的邻接矩阵输入端和至少一个图卷积网络；所述图卷积网络包括第一图卷积层和第二图卷积层；根据所述训练集，迭代训练所述初始预测模型，获取用于企业经营风险预测的目标预测模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述构建训练集，包括：剔除所述至少两个企业的原始企业经营数据中的非数值型特征，获取所述至少两个企业的数值型企业经营数据；其中，所述原始企业经营数据包括企业经营年限、企业注册资本、企业相关诉讼信息和企业招聘信息中的一种或多种；统一所述数值型企业经营数据的量纲和特征空缺值，获取所述至少两个企业的企业经营数据；根据所述至少两个企业之间的企业经营关系信息，构建邻接矩阵，获取所述至少两个企业的经营关系数据；其中，所述企业经营关系信息包括所述至少两个企业之间的投资关系信息、参投项目关系信息和侵权诉讼关系信息中的一种或多种。3.根据权利要求1所述的模型训练方法，其特征在于，所述构建初始预测模型，包括：利用线性整流函数ReLU，构建所述图卷积网络的第一图卷积层的激活函数；利用Softmax函数，构建所述图卷积网络的第二图卷积层的激活函数；利用Focal Loss函数，构建所述初始预测模型的损失函数。4.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述训练集，迭代训练所述初始预测模型，获取用于企业经营风险预测的目标预测模型，包括：利用所述训练集，训练所述初始预测模型，获取多个预测模型，构建第一模型集；利用验证集，获取所述第一模型集中每一模型的验证结果；根据所述每一模型的验证结果，筛选一个或多个预测模型，构建第二模型集；利用测试集，对所述第二模型集中的模型进行测试，获取所述第二模型集中每一模型的损失函数值变化率；将所述第二模型集中损失函数值变化率小于设定阈值的模型，作为所述目标预测模型。5.一种用于企业经营风险预测的模型训练装置，其特征在于，所述装置包括：第...
【专利技术属性】
技术研发人员：朱丹阳，陈曙东，杜蓉，孙爽，马秀慧，张雪婷，
申请(专利权)人：中国科学院微电子研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。