企业风险系数的确定方法技术

本申请公开了一种企业风险系数的确定方法

【技术实现步骤摘要】
企业风险系数的确定方法、装置、电子设备及存储介质


[0001]本申请涉及人工智能领域，具体而言，涉及一种企业风险系数的确定方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]在现有技术中，可以使用图神经网络来预测企业的风险系数，其中，传统的图神经网络在根据企业特征来计算企业的风险系数时，通常是利用神经元携带的梯度算法来计算特征信息
。
[0003]但是，由于梯度算法在计算特征信息时过程比较繁琐，使用的计算资源也较多，而在金融领域，需要排查的企业数量很多，企业数据也很多，因此使用梯度算法来计算如此巨量的企业数据所对应的企业特征，不仅需要消耗大量的计算资源，而且需要很长的计算时长，从而导致对企业风险系数的确定效率较低
。
[0004]针对上述的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0005]本申请提供了一种企业风险系数的确定方法
、
装置
、
电子设备及存储介质，以至少解决现有技术中由于神经网络使用梯度算法计算特征信息的过程过于繁琐，导致的对企业风险确定效率低的技术问题
。
[0006]根据本申请的一个方面，提供了一种企业风险系数的确定方法，包括：获取图数据集，其中，图数据集中至少包括
N
个图节点，每个图节点对应一个企业的企业数据，
N
为大于1的整数；对每个图节点所对应的企业数据进行特征处理，得到每个图节点对应的目标特征矩阵，其中，每个图节点对应的目标特征矩阵用于表征该图节点所对应的企业的企业特征；通过量子支路将每个图节点对应的目标特征矩阵转换为该图节点对应的目标归一化矩阵，其中，量子支路为由
M
个量子门组成的神经网络支路，
M
个量子门用于依据每个量子门的预设函数对目标特征矩阵进行计算，得到目标归一化矩阵中的矩阵值；将每个图节点对应的目标归一化矩阵的矩阵值作为该图节点所对应的企业的风险系数，其中，风险系数用于表征企业的经营风险
。
[0007]可选地，企业风险系数的确定方法还包括：获取
X
个第一企业数据和
Y
个第二企业数据，其中，
X
与
Y
的和是
N
，
X
和
Y
均为正整数，第一企业数据为标注有标签的企业数据，第二企业数据为未标注有标签的企业数据，标签用于表征企业数据对应的企业的实际风险系数；依据
X
个第一企业数据生成
X
个第一图节点，其中，
X
个第一图节点中的每个第一图节点与
X
个第一企业数据中的一个第一企业数据存在一一对应的关系；依据
Y
个第二企业数据生成
Y
个第二图节点，其中，
Y
个第二图节点中的每个第二图节点与
Y
个第二企业数据中的一个第二企业数据存在一一对应的关系；依据
X
个第一图节点和
Y
个第二图节点生成图数据集
。
[0008]可选地，企业风险系数的确定方法还包括：将
X
个第一图节点和
Y
个第二图节点作为
N
个图节点；依据
X
个第一企业数据和
Y
个第二企业数据，确定
N
个图节点中任意两个图节
点之间的边，其中，任意两个图节点之间的边用于表征该两个图节点对应的两个企业之间的关联关系；依据
N
个图节点以及
N
个图节点中任意两个图节点之间的边生成图数据集
。
[0009]可选地，企业风险系数的确定方法还包括：对每个图节点所对应的企业数据进行特征提取，得到每个图节点对应的第一特征矩阵和第二特征矩阵，其中，第一特征矩阵用于表征每个图节点所对应的企业的自身经营数据特征，第二特征矩阵用于表征每个图节点所对应的企业与其他企业之间的关联关系特征，其他企业为图数据集中除该图节点之外的图节点所对应的企业；对每个图节点对应的第一特征矩阵和第二特征矩阵进行特征融合，得到每个图节点对应的目标特征矩阵，其中，特征融合用于将第一特征矩阵和第二特征矩阵拼接为特征维度数量更少的矩阵
。
[0010]可选地，企业风险系数的确定方法还包括：通过预设的权重矩阵将第一特征矩阵线性变换为第三特征矩阵，其中，第三特征矩阵的特征维度数量小于第一特征矩阵的特征维度数量；根据
N
个图节点之间的边确定企业风险传播路径，其中，企业风险传播路径用于表征
N
个图节点对应的所有企业之间的业务流特征信息；依据企业风险传播路径将第三特征矩阵和第二特征矩阵拼接为目标特征矩阵，其中，目标特征矩阵的特征维度数量与第三特征矩阵的特征维度数量相同
。
[0011]可选地，企业风险系数的确定方法还包括：在通过量子支路将每个图节点对应的目标特征矩阵转换为该图节点对应的目标归一化矩阵之后，将每个第一图节点对应的目标归一化矩阵的矩阵值作为待评估风险系数；根据每个第一图节点对应的待评估风险系数以及每个第一图节点对应的标签，确定量子支路对
Y
个第二图节点所对应的企业的风险系数的预测准确度
。
[0012]可选地，企业风险系数的确定方法还包括：将每个第一图节点对应的标签所表征的企业的实际风险系数作为该第一图节点对应的参照风险系数；计算每个第一图节点对应的参照风险系数和待评估风险系数的差值；根据差值确定量子支路对
Y
个第二图节点所对应的企业的风险系数的预测准确度，其中，差值与预测准确度为负相关的关系
。
[0013]可选地，企业风险系数的确定方法还包括：将每个图节点对应的目标特征矩阵转换为该图节点对应的量子态数据；通过量子支路中的单比特量子门对每个图节点对应的量子态数据进行单比特的量子态数据演化，得到该图节点对应的量子态数据演化结果；通过量子支路中的双比特量子门对
N
个图节点中的至少两个图节点所对应的量子态数据演化结果进行双比特的量子态数据演化，得到目标量子态数据演化结果；基于目标量子态数据演化结果构建归一化矩阵，并将构建的归一化矩阵作为目标归一化矩阵
。
[0014]根据本申请的另一方面，还提供了一种企业风险系数的确定装置，包括：获取单元，用于获取图数据集，其中，图数据集中至少包括
N
个图节点，每个图节点对应一个企业的企业数据，
N
为大于1的整数；特征处理单元，用于对每个图节点所对应的企业数据进行特征处理，得到每个图节点对应的目标特征矩阵，其中，每个图节点对应的目标特征矩阵用于表征该图节点所对应的企业的企业特征；矩阵转换单元，用于通过量子支路将每个图节点对应的目标特征矩阵转换为该图节点对应的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种企业风险系数的确定方法，其特征在于，包括：获取图数据集，其中，所述图数据集中至少包括
N
个图节点，每个图节点对应一个企业的企业数据，
N
为大于1的整数；对所述每个图节点所对应的企业数据进行特征处理，得到所述每个图节点对应的目标特征矩阵，其中，所述每个图节点对应的目标特征矩阵用于表征该图节点所对应的企业的企业特征；通过量子支路将所述每个图节点对应的目标特征矩阵转换为该图节点对应的目标归一化矩阵，其中，所述量子支路为由
M
个量子门组成的神经网络支路，所述
M
个量子门用于依据每个量子门的预设函数对所述目标特征矩阵进行计算，得到所述目标归一化矩阵中的矩阵值；将所述每个图节点对应的目标归一化矩阵的矩阵值作为该图节点所对应的企业的风险系数，其中，所述风险系数用于表征企业的经营风险
。2.
根据权利要求1所述的方法，其特征在于，获取图数据集，包括：获取
X
个第一企业数据和
Y
个第二企业数据，其中，
X
与
Y
的和是
N
，
X
和
Y
均为正整数，所述第一企业数据为标注有标签的企业数据，所述第二企业数据为未标注有标签的企业数据，所述标签用于表征企业数据对应的企业的实际风险系数；依据所述
X
个第一企业数据生成
X
个第一图节点，其中，所述
X
个第一图节点中的每个第一图节点与所述
X
个第一企业数据中的一个第一企业数据存在一一对应的关系；依据所述
Y
个第二企业数据生成
Y
个第二图节点，其中，所述
Y
个第二图节点中的每个第二图节点与所述
Y
个第二企业数据中的一个第二企业数据存在一一对应的关系；依据所述
X
个第一图节点和所述
Y
个第二图节点生成所述图数据集
。3.
根据权利要求2所述的方法，其特征在于，依据所述
X
个第一图节点和所述
Y
个第二图节点生成所述图数据集，包括：将所述
X
个第一图节点和所述
Y
个第二图节点作为所述
N
个图节点；依据所述
X
个第一企业数据和所述
Y
个第二企业数据，确定所述
N
个图节点中任意两个图节点之间的边，其中，所述任意两个图节点之间的边用于表征该两个图节点对应的两个企业之间的关联关系；依据所述
N
个图节点以及所述
N
个图节点中任意两个图节点之间的边生成所述图数据集
。4.
根据权利要求3所述的方法，其特征在于，对所述每个图节点所对应的企业数据进行特征处理，得到所述每个图节点对应的目标特征矩阵，包括：对所述每个图节点所对应的企业数据进行特征提取，得到所述每个图节点对应的第一特征矩阵和第二特征矩阵，其中，所述第一特征矩阵用于表征所述每个图节点所对应的企业的自身经营数据特征，所述第二特征矩阵用于表征所述每个图节点所对应的企业与其他企业之间的关联关系特征，所述其他企业为所述图数据集中除该图节点之外的图节点所对应的企业；对所述每个图节点对应的第一特征矩阵和第二特征矩阵进行特征融合，得到所述每个图节点对应的目标特征矩阵，其中，所述特征融合用于将所述第一特征矩阵和所述第二特征矩阵拼接为特征维度数量更少的矩阵
。
5.
根据权利要求4所述的方法，其特征在于，对所述每个图节点对应的第一特征矩阵和第二特征矩阵进行特征融合，得到所述每个图节点对应的目标特征矩阵...

【专利技术属性】
技术研发人员：周金赞，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：