风险预测方法、装置、计算设备及可读存储介质制造方法及图纸

公开了一种风险预测方法、装置、计算设备及可读存储介质。风险预测方法包括：获取多个实体的信息文本及多个实体之间的关联，信息文本包含用于表明实体是否已经违约的违约标记；基于多个实体的信息文本确定多个实体各自对应的实体向量；针对多个实体中的每个实体，利用多个关联特征提取层从实体对应的实体向量和实体的关联实体对应的实体向量提取实体对应的关联融合特征向量；针对多个实体中的每个实体，利用违约概率预测层基于实体对应的关联融合特征向量预测实体的未来违约概率；将多个实体各自的未来违约概率确定为各自对应的违约风险值。通过本申请，可以实现准确的风险预测。测。测。

【技术实现步骤摘要】
风险预测方法、装置、计算设备及可读存储介质


[0001]本申请涉及计算机
，特别涉及一种风险预测方法和装置、计算设备、计算机可读存储介质及计算机程序产品。

技术介绍

[0002]实体(例如企业、事业单位、社会团体、自然人等)在进行金融活动时，往往存在违约的可能(例如债券到期未兑付、承诺的股息到期未发放等)，这对于市场而言，是潜在的金融风险。现有技术往往通过分析实体的经营状况来预测金融风险。但在实际场景中，实体的金融风险不仅取决于其自身的经营状况，还受到与其存在关联的其他实体的影响(例如与其存在金融活动的实体)。例如，一些实体可能与多个其他实体相关联(例如存在投资、融资关系等)，如果其中某个或某几个实体发生违约，产生的影响容易在实体之间传递甚至放大，导致发生一些预料之外的违约。为了准确进行风险预测，需考虑实体违约对其他实体的影响，但这些影响较难评估和度量，因此难以实现准确的风险预测。

技术实现思路

[0003]鉴于此，本申请提供了一种风险预测方法和装置、计算设备、计算机可读存储介质及计算机程序产品，期望缓解或克服上面提到的部分或全部缺陷以及其他可能的缺陷。
[0004]根据本申请的一个方面，提供了一种风险预测方法，包括：获取多个实体的信息文本及多个实体之间的关联，信息文本包含用于表明实体是否已经违约的违约标记；基于多个实体的信息文本确定多个实体各自对应的实体向量；基于实体向量，利用经训练的风险预测网络通过如下步骤确定多个实体各自的未来违约概率，其中风险预测网络包括违约概率预测层和多个关联特征提取层，多个关联特征提取层中相邻关联特征提取层之间的连接基于多个实体之间的关联确定，该步骤包括：针对多个实体中的每个实体，利用多个关联特征提取层从实体对应的实体向量和实体的关联实体对应的实体向量提取实体对应的关联融合特征向量，针对多个实体中的每个实体，利用违约概率预测层基于实体对应的关联融合特征向量预测实体的未来违约概率；以及，将多个实体各自的未来违约概率确定为各自对应的违约风险值。
[0005]根据本申请的另一方面，提供了一种风险预测装置，包括获取模块、实体向量确定模块、违约概率确定模块和违约风险值确定模块。获取模块被配置成获取多个实体的信息文本及多个实体之间的关联，信息文本包含用于表明实体是否已经违约的违约标记。实体向量确定模块被配置成基于多个实体的信息文本确定多个实体各自对应的实体向量。违约概率确定模块被配置成基于实体向量，利用经训练的风险预测网络通过如下步骤确定多个实体各自的未来违约概率，其中风险预测网络包括违约概率预测层和多个关联特征提取层，多个关联特征提取层中相邻关联特征提取层之间的连接基于多个实体之间的关联确定，该步骤包括：针对多个实体中的每个实体，利用多个关联特征提取层从实体对应的实体向量和实体的关联实体对应的实体向量提取实体对应的关联融合特征向量，针对多个实体
中的每个实体，利用违约概率预测层基于实体对应的关联融合特征向量预测实体的未来违约概率。违约风险值确定模块被配置成将多个实体各自的未来违约概率确定为各自对应的违约风险值。
[0006]在根据本申请的一些实施例的风险预测装置中，关联特征提取层包括多个算子，多个算子的每个包含至少一个输入和输出；多个算子与多个实体一一对应；多个关联特征提取层中相邻关联特征提取层之间的连接基于多个实体之间的关联确定包括：针对多个关联特征提取层中相邻的两个关联特征提取层，将前一个关联特征提取层中的第一算子连接到后一个关联特征提取层中的第二算子，使得第一算子的输出作为第二算子的一个输入，其中第一算子对应的实体与第二算子对应的实体相同或相关联。
[0007]在根据本申请的一些实施例的风险预测装置中，多个关联特征提取层的首层的算子接收算子对应的实体的实体向量和实体的关联实体对应的实体向量作为输入。
[0008]在根据本申请的一些实施例的风险预测装置中，关联特征提取层的算子接收至少一个输入数据，基于至少一个输入数据进行计算，并将计算结果作为输出数据进行输出，算子包括与输入数据对应的输入权重和投影矩阵。基于至少一个输入数据进行计算包括：针对至少一个输入数据的每个，将输入数据和对应的投影矩阵以及输入权重相乘，确定第一相乘结果；将至少一个输入数据对应的第一相乘结果进行累加，确定第一累加结果；基于第一累加结果确定算子的输出数据。
[0009]在根据本申请的一些实施例的风险预测装置中，关联特征提取层的算子接收至少一个输入数据，基于至少一个输入数据进行计算，并将计算结果作为输出数据进行输出，算子包括与输入数据对应的Q组输入权重和投影矩阵。基于至少一个输入数据进行计算包括：利用Q组输入权重和投影矩阵中的每组分别对至少一个输入数据进行计算，得到Q个中间计算结果；将Q个中间计算结果进行向量拼接，以确定第一拼接结果，作为算子的输出数据。利用Q组输入权重和投影矩阵中的每组分别对至少一个输入数据进行计算包括：针对至少一个输入数据的每个，将输入数据与第q组输入权重和投影矩阵相乘，确定第二相乘结果；将至少一个输入数据对应的第二相乘结果进行累加，确定第二累加结果；基于第二累加结果确定算子的第q个中间计算结果。
[0010]在根据本申请的一些实施例的风险预测装置中，算子中与输入数据对应的输入权重基于投影矩阵和输入数据确定，包括：将投影矩阵与算子对应的实体的实体向量相乘，确定第三相乘结果；将投影矩阵与输入数据相乘，确定第四相乘结果；将第三相乘结果和第四相乘结果进行向量拼接，确定第二拼接结果；将第二拼接结果与预定整定系数相乘，确定第五相乘结果；基于第五相乘结果，确定输入权重。
[0011]在根据本申请的一些实施例的风险预测装置中，违约概率预测层包括多个经训练的分类器，多个经训练的分类器与多个实体一一对应，并且多个经训练的分类器的每个接收其对应的实体的关联融合特征向量作为输入，基于输入确定并输出实体未来违约的概率。
[0012]在根据本申请的一些实施例的风险预测装置中，风险预测网络包含算子，违约概率预测层包含分类器，算子基于算子参数对输入进行计算，分类器基于分类器参数根据输入预测实体的违约概率，算子参数和分类器参数利用训练样本集通过参数训练步骤确定，训练样本集包含多对样本，多对样本中的每对包含实体的实体向量和实体的未来违约信
息；参数训练步骤包括：以实体的实体向量作为风险预测网络的输入，确定风险预测网络的实际输出；以实体的未来违约信息作为风险预测网络的预期输出，确定实际输出与预期输出之间的差距；以及，调整算子参数和分类器参数直至差距小于预定阈值。
[0013]在根据本申请的一些实施例的风险预测装置中，信息文本包括对实体进行概述的实体描述文本、属性名称和与属性名称对应的属性值。
[0014]在根据本申请的一些实施例的风险预测装置中，基于实体的信息文本确定实体对应的实体向量，包括：对实体的实体描述文本进行第一嵌入处理，以得到文本描述向量；对实体的属性名称和与属性名称对应的属性值进行第二嵌入处理，以得到属性向量；基于实体的违约标记确定违约标记向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险预测方法，包括：获取多个实体的信息文本及所述多个实体之间的关联，所述信息文本包含用于表明实体是否已经违约的违约标记；基于所述多个实体的信息文本确定所述多个实体各自对应的实体向量；基于所述实体向量，利用经训练的风险预测网络通过如下步骤确定所述多个实体各自的未来违约概率，其中所述风险预测网络包括违约概率预测层和多个关联特征提取层，所述多个关联特征提取层中相邻关联特征提取层之间的连接基于所述多个实体之间的关联确定，所述步骤包括：针对所述多个实体中的每个实体，利用所述多个关联特征提取层从所述实体对应的实体向量和所述实体的关联实体对应的实体向量提取所述实体对应的关联融合特征向量，针对所述多个实体中的每个实体，利用所述违约概率预测层基于所述实体对应的关联融合特征向量预测所述实体的未来违约概率；以及，将所述多个实体各自的未来违约概率确定为各自对应的违约风险值。2.根据权利要求1所述的方法，所述关联特征提取层包括多个算子，所述多个算子的每个包含至少一个输入和输出；所述多个算子与所述多个实体一一对应；所述多个关联特征提取层中相邻关联特征提取层之间的连接基于所述多个实体之间的关联确定包括：针对所述多个关联特征提取层中相邻的两个关联特征提取层，将前一个关联特征提取层中的第一算子连接到后一个关联特征提取层中的第二算子，使得所述第一算子的输出作为所述第二算子的一个输入，其中所述第一算子对应的实体与所述第二算子对应的实体相同或相关联。3.根据权利要求2所述的方法，所述多个关联特征提取层的首层的算子接收所述算子对应的实体的实体向量和所述实体的关联实体对应的实体向量作为输入。4.根据权利要求2所述的方法，所述关联特征提取层的算子接收至少一个输入数据，基于所述至少一个输入数据进行计算，并将计算结果作为输出数据进行输出，所述算子包括与输入数据对应的输入权重和投影矩阵；其中，基于所述至少一个输入数据进行计算包括：针对所述至少一个输入数据的每个，将所述输入数据和对应的投影矩阵以及输入权重相乘，确定第一相乘结果；将所述至少一个输入数据对应的第一相乘结果进行累加，确定第一累加结果；基于所述第一累加结果确定所述算子的输出数据。5.根据权利要求2所述的方法，所述关联特征提取层的算子接收至少一个输入数据，基于所述至少一个输入数据进行计算，并将计算结果作为输出数据进行输出，所述算子包括与输入数据对应的Q组输入权重和投影矩阵；其中，基于所述至少一个输入数据进行计算包括：利用所述Q组输入权重和投影矩阵中的每组分别对所述至少一个输入数据进行计算，得到Q个中间计算结果；将所述Q个中间计算结果进行向量拼接，以确定第一拼接结果，作为所述算子的输出数据；其中，利用所述Q组输入权重和投影矩阵中的每组分别对所述至少一个输入数据进行计算，包括：
针对所述至少一个输入数据的每个，将所述输入数据与第q组输入权重和投影矩阵相乘，确定第二相乘结果；将所述至少一个输入数据对应的第二相乘结果进行累加，确定第二累加结果；基于所述第二累加结果确定所述算子的第q个中间计算结果。6.根据权利要求4所述的方法，所述算子中与输入数据对应的输入权重基于投影矩阵和输入数据确定，包括：将所述投影矩阵与所述算子对应的实体的实体向量相乘，确定第三相乘结果；将所述投影矩阵与所述输入数据相乘，确定第四相乘结果；将所述第三相乘结果和所述第四相乘结果进行向量拼接，确定第二拼接结果；将...

【专利技术属性】
技术研发人员：张靖壹，石智中，梁霄，雷涛，
申请(专利权)人：中国国际金融股份有限公司，
类型：发明
国别省市：