[发明专利]一种基于信用主体关联强度的信用风险传递方法

权利要求书

1.一种基于信用主体关联强度的信用风险传递方法，其特征在于：包括，

利用信用知识图谱技术构建信用主体间信用关系网；

根据蚁狮算法寻找一个或多个最有影响力的结点作为关键点，构造信用主体基于关联强度的信用传递路径；

当所述信用主体发生变化时，则通过深度优先算法查找所述信用传递路径，并计算相关结点受当前主体的影响程度；

利用不相关度策略计算得到叠加后的影响度，获得多条重要的关键路径，构建有向无循环图；

基于所述有向无循环图计算出最小化时间的信用传递关键路径，将信用风险逐级传递下去，降低信用风险对相关机构的影响度；

其中，构建所述信用关系网包括：

对采集的信用主体数据进行预处理、实体识别及关系抽取、实体对齐及生成知识图谱；

利用识别技术将所述数据转化为文本，再转换为知识；

对于关系型数据库存储的结构化数据，直接通过D2R转换提取实体及关系；

对非结构化数据库生成的文本，根据信用主体专业语料库生成自定义分词，对所述文本进行分词；

利用CRF+双向LSTM进行实体识别，根据SDP+LSTM进行关系抽取，形成初步知识；

对所述实体进行消岐、同义词装换处理、实体间关系进行共指消解；

进行质量评估后形成正确的知识并存入所述知识图谱中，生成所述信用关系网。

2.根据权利要求1所述的基于信用主体关联强度的信用风险传递方法，其特征在于：得到所述信用传递路径包括，

其中，N为测量点数，L为传感器个数，即AP_i，i=1、2、…、L，当信用风险传递发生在RP_j点时，传感器AP_i测得的关联信号强度为，τ为测量次数。

3.根据权利要求1或2所述的基于信用主体关联强度的信用风险传递方法，其特征在于：计算所述影响程度需构建深度学习模型，包括，CNN层和编码层；

所述CNN层包括，卷积层、池化层和全连接层；

所述编码层包括，卷积编码层和卷积解码层。

4.根据权利要求3所述的基于信用主体关联强度的信用风险传递方法，其特征在于：所述深度学习模型需进行训练，包括，

将训练集输入所述深度学习模型中，所述编码层对所述训练集进行无监督预训练，获取所述训练集的初步特征；

利用提取的特征初始化所述卷积层，得到训练样本标签；

所述CNN层依次对预训练后的所述训练集进行卷积、池化和全连接处理；

所述编码层对卷积处理的所述训练集进行卷积编码和解码处理，输出数据反馈至所述卷积层；

所述CNN层结束所述全连接处理后输出识别结果并判断是否与所述训练样本标签一致。

5.根据权利要求4所述的基于信用主体关联强度的信用风险传递方法，其特征在于：还包括，

若所述识别结果与所述训练样本标签一致，则停止迭代训练，所述深度学习模型训练完成；

若所述识别结果与所述训练样本标签不一致，则继续进行迭代训练，直至判断结果一致时停止训练，输出所述深度学习模型。

6.根据权利要求1或5所述的基于信用主体关联强度的信用风险传递方法，其特征在于：构建所述有向无循环图，包括，

按照影响度从高到低的顺序对所述关键路径进行解析；

在解析后的所述关键路径中添加所述关键点，得到所述信用传递关键路径。