基于风险管理的数据处理方法、装置、设备及存储介质制造方法及图纸

本申请涉及数据处理领域，其具体地公开了一种基于风险管理的数据处理方法、装置、设备及存储介质，其通过采用基于深度学习的神经网络模型挖掘出企业的历史风险事件发生日志的语义理解特征和各个企业之间的风险信息传递拓扑关联特征之间的关联性特征，以此来准确地进行目标企业的风险检测评估，进而采取相应的风险管理措施，以降低风险发生的概率，并减少风险带来的损失。风险带来的损失。风险带来的损失。

【技术实现步骤摘要】
基于风险管理的数据处理方法、装置、设备及存储介质


[0001]本申请涉及数据处理领域，且更为具体地，涉及一种基于风险管理的数据处理方法、装置、设备及存储介质。

技术介绍

[0002]在企业合作项目中，风险是不可避免的。不同合作对象企业在不同合作领域的风险也是不同的，因此在合作中需要建立一定的风险管理机制来降低风险事件的发生概率或减少风险可能带来的损失。
[0003]现有的风险管理方法通常基于合作企业的风险记录，通过项目相关的技术手段等方面降低风险的发生概率，提升后续合作双方的技术经验。但是，部分风险是源于合作方式以及合作双方的企业管理模式等方面的，例如合作数据的安全问题等，尤其是合作进行的项目数据的泄露，对于合作双方的影响都是十分严重的。
[0004]因此，期望一种优化的基于风险管理的数据处理方案，以全面降低风险事件发生的概率，减少风险可能带来的损失。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于风险管理的数据处理方法、装置、设备及存储介质，其通过采用基于深度学习的神经网络模型挖掘出企业的历史风险事件发生日志的语义理解特征和各个企业之间的风险信息传递拓扑关联特征之间的关联性特征，以此来准确地进行目标企业的风险检测评估，进而采取相应的风险管理措施，以降低风险发生的概率，并减少风险带来的损失。
[0006]根据本申请的一个方面，提供了一种基于风险管理的数据处理方法，其包括：
[0007]获取目标企业的风险关联图谱，其中，所述风险关联图谱包括节点和边，所述节点为企业的历史风险事件发生日志，所述边用于表示企业间的风险信息传递关系；
[0008]将所述风险关联图谱中各个节点的历史风险事件发生日志分别通过包含词嵌入层的语义编码器以得到多个企业历史风险事件语义理解特征向量；
[0009]基于所述风险关联图谱，构造风险拓扑邻接矩阵，其中，所述风险拓扑邻接矩阵中非对角线位置上个各个位置的值用于表示相应两个企业之间是否存在风险信息传递关系；
[0010]将所述风险拓扑邻接矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到风险拓扑邻接特征矩阵；
[0011]将所述多个企业历史风险事件语义理解特征向量排列为全局企业历史风险事件语义理解特征矩阵；
[0012]将所述全局企业历史风险事件语义理解特征矩阵和所述风险拓扑邻接特征矩阵通过图神经网络模型以得到分类特征矩阵；
[0013]将所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；
[0014]将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示目
标企业的风险等级标签。
[0015]在上述基于风险管理的数据处理方法中，将所述风险关联图谱中各个节点的历史风险事件发生日志分别通过包含词嵌入层的语义编码器以得到多个企业历史风险事件语义理解特征向量，包括：对所述风险关联图谱中各个节点的历史风险事件发生日志分别进行分词处理以将所述风险关联图谱中各个节点的历史风险事件发生日志分别转化为由多个词组成的词序列；使用所述包含词嵌入层的语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述多个企业历史风险事件语义理解特征向量。
[0016]在上述基于风险管理的数据处理方法中，使用所述包含词嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局特征向量；计算所述全局特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；以及，将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
[0017]在上述基于风险管理的数据处理方法中，将所述风险拓扑邻接矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到风险拓扑邻接特征矩阵，包括：使用所述基于卷积神经网络模型的拓扑特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的拓扑特征提取器的最后一层的输出为所述风险拓扑邻接特征矩阵，所述基于卷积神经网络模型的拓扑特征提取器的第一层的输入为所述风险拓扑邻接矩阵。
[0018]在上述基于风险管理的数据处理方法中，将所述全局企业历史风险事件语义理解特征矩阵和所述风险拓扑邻接特征矩阵通过图神经网络模型以得到分类特征矩阵，包括：使用所述图神经网络模型以可学习的神经网络参数对所述全局企业历史风险事件语义理解特征矩阵和所述风险拓扑邻接特征矩阵进行图结构编码以得到包含不规则的风险拓扑关联特征和各个企业的历史风险全局语义理解特征信息的所述分类特征矩阵。
[0019]在上述基于风险管理的数据处理方法中，将所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：以如下优化公式对所述分类特征矩阵的多个行特征向量进行多源信息融合验前分布评估优化以得到所述优化分类特征矩阵的多个优化行特征向量；其中，所述优化公式为：
[0020]；
[0021]；
[0022]其中，是所述分类特征矩阵的第个行特征向量，是所述分类特征矩阵的第个行特征向量，是均值特征向量，为邻域设置超参数，表示以2为底的对数函数值，表示按位置减法，是所述优化分类特征矩阵的第个优化行特征向量。
[0023]在上述基于风险管理的数据处理方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示目标企业的风险等级标签，包括：将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0024]根据本申请的另一方面，提供了一种基于风险管理的数据处理装置、设备及存储介质，其包括：
[0025]信息采集模块，用于获取目标企业的风险关联图谱，其中，所述风险关联图谱包括节点和边，所述节点为企业的历史风险事件发生日志，所述边用于表示企业间的风险信息传递关系；
[0026]上下文语义编码模块，用于将所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于风险管理的数据处理方法，其特征在于，包括：获取目标企业的风险关联图谱，其中，所述风险关联图谱包括节点和边，所述节点为企业的历史风险事件发生日志，所述边用于表示企业间的风险信息传递关系；将所述风险关联图谱中各个节点的历史风险事件发生日志分别通过包含词嵌入层的语义编码器以得到多个企业历史风险事件语义理解特征向量；基于所述风险关联图谱，构造风险拓扑邻接矩阵，其中，所述风险拓扑邻接矩阵中非对角线位置上个各个位置的值用于表示相应两个企业之间是否存在风险信息传递关系；将所述风险拓扑邻接矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到风险拓扑邻接特征矩阵；将所述多个企业历史风险事件语义理解特征向量排列为全局企业历史风险事件语义理解特征矩阵；将所述全局企业历史风险事件语义理解特征矩阵和所述风险拓扑邻接特征矩阵通过图神经网络模型以得到分类特征矩阵；将所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示目标企业的风险等级标签。2.根据权利要求1所述的基于风险管理的数据处理方法，其特征在于，将所述风险关联图谱中各个节点的历史风险事件发生日志分别通过包含词嵌入层的语义编码器以得到多个企业历史风险事件语义理解特征向量，包括：对所述风险关联图谱中各个节点的历史风险事件发生日志分别进行分词处理以将所述风险关联图谱中各个节点的历史风险事件发生日志分别转化为由多个词组成的词序列；使用所述包含词嵌入层的语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及将所述多个全局上下文语义特征向量进行级联以得到所述多个企业历史风险事件语义理解特征向量。3.根据权利要求2所述的基于风险管理的数据处理方法，其特征在于，使用所述包含词嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局特征向量；计算所述全局特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；
以及将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。4.根据权利要求3所述的基于风险管理的数据处理方法，其特征在于，将所述风险拓扑邻接矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到风险拓扑邻接特征矩阵，包括：使用所述基于卷积神经网络模型的拓扑特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的拓扑特征提取器的最后...

【专利技术属性】
技术研发人员：朱晴晴，
申请(专利权)人：上海吉贝克信息技术有限公司，
类型：发明
国别省市：