[发明专利]银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质

权利要求书

1.一种银行信贷风险识别知识图谱构建方法，其特征在于，包括：

采集银行客户的信贷风险数据；

基于所述信贷风险数据，构建信贷风险本体数据，定义实体、属性和关系；

将信贷风险数据输入至预先训练好的深度学习网络模型中，获得多个信贷风险实体，确定每个信贷风险实体的属性，所述预先训练好的深度学习网络模型是以信贷风险数据为输入，以定义的实体为输出进行训练获得的；

提取信贷风险实体的属性之间的关系，基于定义的属性，确定多个信贷风险关系；

对多个信贷风险实体、信贷风险实体的属性和多个信贷风险关系进行数据融合，获得数据融合后的信贷风险实体、信贷风险实体的属性和信贷风险关系；

基于数据融合后的信贷风险实体、信贷风险实体的属性和信贷风险关系，构建银行信贷风险识别知识图谱。

2.如权利要求1所述的银行信贷风险识别知识图谱构建方法，其特征在于，所述信贷风险数据的类型包括结构化数据、半结构化数据和非结构化数据。

3.如权利要求1所述的银行信贷风险识别知识图谱构建方法，其特征在于，所述预先训练好的深度学习网络模型的训练步骤如下：

构建每个实体所属种类与序号的词典；

将信贷风险数据中的每个词语与词典中的序号进行对应，形成词语、种类、序号的对应关系；

将信贷风险数据中的每个词语转换为词向量；

以所述词向量为输入，以词语、种类、序号的对应关系为输出，训练深度学习网络模型，获得预先训练好的深度学习网络模型。

4.如权利要求3所述的银行信贷风险识别知识图谱构建方法，其特征在于，将信贷风险数据中的每个词语转换为向量，包括：

采用BERT方法来将信贷风险数据中的每个词语转换为one-hot词向量。

5.如权利要求4所述的银行信贷风险识别知识图谱构建方法，其特征在于，在采用BERT方法来将信贷风险数据中的每个词语转换为one-hot词向量之后，还包括：

采用word2vec方法来对one-hot词向量进行降维。

6.如权利要求1所述的银行信贷风险识别知识图谱构建方法，其特征在于，所述深度学习网络模型为LSTM-CRF神经网络模型。

7.如权利要求1所述的银行信贷风险识别知识图谱构建方法，其特征在于，对多个信贷风险实体、信贷风险实体的属性和多个信贷风险关系进行数据融合，获得数据融合后的信贷风险实体、信贷风险实体的属性和信贷风险关系，包括：

从多个信贷风险实体、信贷风险实体的属性和多个信贷风险关系中提取上下文语义特征；

基于所述上下文语义特征进行信贷风险实体、信贷风险实体的属性和信贷风险关系的对齐，获得数据融合后的信贷风险实体、信贷风险实体的属性和信贷风险关系。

8.如权利要求1所述的银行信贷风险识别知识图谱构建方法，其特征在于，还包括：

将所述银行信贷风险识别知识图谱采用图数据库的结构进行存储。

9.如权利要求8所述的银行信贷风险识别知识图谱构建方法，其特征在于，所述图数据库包括Neo4j，OrientDb或Titan。