[发明专利]一种主体评级预测方法、装置、电子设备及存储介质

说明书

本申请提供一种主体评级预测方法、装置、电子设备及存储介质，该方法包括：获取目标主体的节点标识；从知识图谱中查询节点标识对应的目标主体节点；使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，获得目标主体节点的分类评级。通过从知识图谱中查询所述节点标识对应的目标主体节点，并使用预先训练的图卷积神经网络模型对所述目标主体节点进行分类评级预测，获得所述目标主体节点的分类评级，避免了使用传统的回归模型或者多种回归集成算法来预测分类评级，使用图卷积神经网络模型能够更加注意发债主体的关联公司的影响和风险，从而有效地提高了对发债主体进行评级的准确率。

技术领域

本申请实施例涉及深度学习和知识图谱的技术领域，具体而言，涉及一种主体评级预测方法、装置、电子设备及存储介质。

背景技术

主体评级，是指以企业、公司或个人等等经济主体为对象进行的信用相关的分类评级，具体例如：主体信用评级、发债/债务/债券评级、贷款评级或者交易评级等等。

目前的主体评级方法大部分都是，基于传统的回归模型或者多种回归集成算法等等，根据发债公司的财务指标或者基本经营状况等信息数据，使用各类回归模型并结合集成算法对这些信息数据进行计算，以此来预测发债公司的分类评级，从而评估该发债主体的违约风险。

发明内容

本申请实施例的目的在于提供一种主体评级预测方法、装置、电子设备及存储介质，用于改善对发债主体进行评级的准确率不足的问题。

本申请实施例提供了一种主体评级预测方法，包括：获取目标主体的节点标识；从知识图谱中查询节点标识对应的目标主体节点；使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，获得目标主体节点的分类评级。在上述的实现过程中，通过从知识图谱中查询节点标识对应的目标主体节点，并使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，获得目标主体节点的分类评级，避免了使用传统的回归模型或者多种回归集成算法来预测分类评级，使用图卷积神经网络模型能够更加注意发债主体的关联公司的影响和风险，从而有效地提高了对发债主体进行评级的准确率。

可选地，在本申请实施例中，使用预先训练的图卷积神经网络模型对目标主体节点进行分类评级预测，包括：获取目标主体节点的特征数据和关系数据；使用图卷积神经网络模型根据目标主体节点的特征数据和关系数据，对目标主体节点进行分类评级预测。在上述的实现过程中，通过使用图卷积神经网络模型根据目标主体节点的特征数据和关系数据，对目标主体节点进行分类评级预测，避免了使用传统的回归模型或者多种回归集成算法来预测分类评级，使用图卷积神经网络模型能够更加注意发债主体的关联公司的影响和风险，从而有效地提高了对发债主体进行评级的准确率。

可选地，在本申请实施例中，在从知识图谱中查询节点标识对应的目标主体节点之前，还包括：以目标主体的节点标识为节点，以目标主体之间关系数据为边，以目标主体的特征数据作为节点的特征，建立知识图谱。在上述的实现过程中，使用知识图谱中的样本节点的分类评级、特征数据和关系数据来训练图卷积神经网络模型，并使用图卷积神经网络模型来对发债主体进行评级，从而提高了图卷积神经网络模型对发债主体进行评级的准确率。

可选地，在本申请实施例中，在建立知识图谱之后，还包括：获取图卷积神经网络；使用图卷积神经网络对知识图谱中的边的权重值进行重构。在上述的实现过程中，通过使用图卷积神经网络对知识图谱中的边的权重值进行重构，并使用知识图谱中的样本节点的分类评级、特征数据和关系数据来训练图卷积神经网络模型，并使用图卷积神经网络模型来对发债主体进行评级，从而提高了图卷积神经网络模型对发债主体进行评级的准确率。