[发明专利]一种企业经营风险特征数据信息提取方法和提取系统

说明书

本发明涉及一种企业经营风险预测方法。通过对企业内部以及外部的信息数据采集，将所收集到的信息数据进行数据融合处理；之后利用处理完成的信息数据进行知识图谱的构建及绘制；进而使用图嵌入法从知识图谱内将所需进行风险预测的企业的经营风险特征信息数据进行提取，并且用所述的经营风险特征信息数据来构建经营风险模型；将所需预测风险的企业信息数据输入所述经营风险模型，能够对企业的发展风险进行预测判断，有利于对所需进行风险预测的企业进行风险管理方面的正确决策，保护所需进行风险预测的企业的资产安全。

技术领域

本发明涉及一种企业经营风险特征数据信息提取方法和提取系统；属于数据处理技术领域。

背景技术

企业经营风险管理有助于降低企业决策错误的几率、避免损失、相对提高企业本身的附加价值。正常有效地对各种风险进行管理有利于企业作出正确的决策；有利于保护企业资产的安全和完整；有利于实现企业的经营活动目标。因此进行企业经营风险预测对企业来说具有重要的意义；

目前，针对企业风险管理与内部控制工作已经存在一定的信息化技术手段，普遍表现为，通过收集企业的内部相关信息（如：erp数据、hr数据、财务数据），设置一定经营风险建模规则，通过一定的技术手段，如通过设置风险规则引擎、传统机器学习分类算法（如朴素贝叶斯、逻辑回归算法）等，达到对企业经营风险预测功能。

当前技术均存在一定的缺陷，主要表现在几个方面。其一，风险的有效预警很大程度上依赖于全面充分的风险信息来源。当前已有方案中数据来源仍仅限于企业内部的相关数据。而在互联网日新月异的发展历程中，外部互联网数据也逐渐成为经营风险预警的重要组成部分，如企业互联网舆情数据、政策时势数据、竞争对手招投标数据、工商数据等。因此，完整的风险模型构建不仅依赖于企业内部数据、更应该依赖于外部数据。其二：规则引擎能够在简单场景下满足一定程序的风险预测，但随着数据规模的与日俱增，应用场景的不断增长，业务逻辑的不断变化，规则的局限性越发明显。试想，当系统运行和测试的规则达到成百上千条时，还需每隔几天增加新的规则，删除或更新之前的规则，这无疑要花费大量运营资源、时间，和费用来维护。其三：传统的机器学习分类算法存在一定的缺陷，其无法通过自主学习并适应不断变化的经营风险规则。

知识图谱是新一代基于语义的结构化信息组织方式，由谷歌公司在2012年提出。不同于现有主流的关系数据模型，知识图谱着力于以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性-值对，实体间通过关系相互联结，构成网状的知识结构。通过知识图谱，业务数据能够实现从信息向知识的转变，特别适合用于组织大规模、强相关的业务概念实体。在本发明专利中，知识图谱用于组织与治理企业内外部风险的海量数据，能为后续的风险特征提取、风险识别及风险成因解释提供高质量的数据基础。

现有方案均是通过采集企业内部相关数据，而后基于规则匹配传统机器学习分类的技术路线出发，延伸而出的一系列解决方案。这些分案均未考虑到外部数据对经营风险的影响，且无法适用于大数据规模下的复杂场景，或无法通过自主学习使用日益变化的风险变化。

发明内容

本专利提出了一种基于深度学习的企业内外部数据融合的企业经营风险预测方法及系统。

本发明技术方案一：

一种企业经营风险预测方法，包括以下步骤：

S11、利用网络爬虫技术采集所需进行风险预测的企业信息数据以及其关联企业的信息数据；采集进行风险预测的企业内部信息数据以及外部信息数据；所述的内部信息数据包括所有格式的财务数据、报账信息数据、合同信息数据、HR数据、招投标数据以及其他企业内部相关的办公电子文档；所述的外部数据包括了企业互联网舆情数据、外部公开招投标信息数据、工商信息数据、政策信息数据以及其他与企业相关的网页数据。

S12、对于所收集到的企业内部信息数据和外部信息数据进行数据融合处理，将非结构化或者半结构化数据转化为结构化的数据并且储存至图形数据库内；