[发明专利]用于企业破产风险预测的数据处理方法以及装置、设备、存储介质

说明书

本申请公开了一种用于企业破产风险预测的数据处理方法以及装置、设备、存储介质。该方法包括根据收集的企业数据，建立企业关系图谱；根据所述企业关系图谱中至少包括的企业节点属性和企业节点关系作为输入，训练得到预测模型；其中预测模型基于图神经网络的企业分类，并将企业是否破产作为数据标签；根据接收到的企业信息，通过训练得到的所述预测模型预测企业破产风险。本申请解决了用于企业破产风险预测的效果不佳的技术问题。通过本申请通过构建企业关系图谱使得企业间的关联信息得到量化，同时通过提出新的图神经网络模型来更充分地利用多维边缘特征，能够提升图节点分类预测准确率。

技术领域

本申请涉及数据处理领域，具体而言，涉及一种用于企业破产风险预测的数据处理方法以及装置、设备、存储介质。

背景技术

传统的企业风险预测是只是依据单个企业的自身信息进行评估，包括企业概况、法定代表人及企业高层情况、注册资本及构成情况、企业知识产权等信息，通过人工或者SVM、XGBoost等机器学习方法分析企业信用信息，提供企业信用评级。

发明人发现，机器学习方法只输入了单一企业的基本信息，无法将企业间高管和股东关系及对外投资合作等情况进行关联，丢失了企业风险的重要参考信息。进一步，造成企业风险预测的准确性也不足。

针对相关技术中用于企业破产风险预测的效果不佳的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于企业破产风险预测的数据处理方法以及装置、设备、存储介质，以解决用于企业破产风险预测的效果不佳的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种用于企业破产风险预测的数据处理方法。

根据本申请的用于企业破产风险预测的数据处理方法包括：根据收集的企业数据，建立企业关系图谱；根据所述企业关系图谱中至少包括的企业节点属性和企业节点关系作为输入，训练得到预测模型；其中预测模型基于图神经网络的企业分类，并将企业是否破产作为数据标签；根据接收到的企业信息，通过训练得到的所述预测模型预测企业破产风险。

进一步地，根据所述企业关系图谱中至少包括的企业节点属性和企业节点关系作为输入，训练得到预测模型包括：

对于N个企业节点的企业关系图谱，整个图的节点特征的N×F矩阵表示为X，对于图G＝(V，E)中的节点特征：

X_ij表示节点i的第j个特征向量，

其中N表示节点数，F表示每个节点的特征维数。

进一步地，根据所述企业关系图谱中至少包括的企业节点属性和企业节点关系作为输入，训练得到预测模型包括：

对于N个企业节点的企业关系图谱，整个图的节点特征的N×F矩阵表示为X，对于图G＝(V，E)中的边特征：

E_ij表示节点i与节点j的边特征向量，

E_ijp表示E_ij的p维特征向量，

E为图的边缘特征的N×N×P张量，当两个节点之间无链接时E_ij＝0。

进一步地，根据接收到的企业信息，通过训练得到的预测模型预测企业风险包括：

根据接收到的企业信息，采用网络嵌入方法获取在图神经网络中节点的低维度潜在特征表示，并将特征表示作为基于图的分类任务的特征。

进一步地，根据接收到的企业信息，通过训练得到的预测模型预测企业风险包括：

通过将企业关系图谱中企业的节点属性信息和节点关联信息融合，将图的高维稀疏的矩阵向低维稠密向量映射，训练得到用于节点分类预测的预测模型。