[发明专利]基于异构图神经网络的企业估值方法及系统

权利要求书

1.一种基于异构图神经网络的企业估值方法，其特征在于，包括如下步骤：

步骤1、搭建行业异构图；

步骤2、待估值企业邻居采样；

步骤3、对采样节点使用注意力聚合学习；

步骤4、加权融合异构节点的聚合特征；

步骤5、预测企业估值。

2.如权利要求1所述的基于异构图神经网络的企业估值方法，其特征在于，所述步骤1中，行业异构图由公司和人员两种节点构成，将公司和人员根据投资和任职关系相互连接。

3.如权利要求1所述的基于异构图神经网络的企业估值方法，其特征在于，所述步骤2中，使用随机游走算法对类型和数量不同的邻居节点进行规范化采样，具体如下：

(1)从待估值企业出发，每次以r的概率选取当前节点的随机近邻，并以1-r的概率返回初始待估值企业，生成长度为N的节点序列；

(2)对生成的一系列关联邻居节点序列按照类型分成公司和人员两组，对每种类型均从序列中选取出现频率最高的n个节点，生成待估值企业两种类型的异构近邻节点集合。

4.如权利要求1所述的基于异构图神经网络的企业估值方法，其特征在于，所述步骤3中，在对采样节点使用注意力聚合学习，包括以下步骤：

(1)从待估值企业出发随机游走生成的公司节点集合和人员节点集合，分别输入注意力聚合网络中；

(2)使用融合关联信息的层级多头注意力加权网络对每种类型的节点进行聚合学习，网络中共计L层，每层均通过注意力机制更新当前节点，节点特征的更新形式为：

其中H_l为第l层的注意力头数目，N_t(i)为类别为t的节点i的近邻集合，∪为并集，N_t(i)∪{i}为集合N_t(i)与集合{i}并集操作；第l层节点k的表示通过l—1层的节点注意力加权求和计算得到，为节点k和j在第l层通过注意力头h计算而得的权重，公式如下：

其中为第k层注意力头h的权重矩阵，Ψ(p_k，j)为节点k，j间的连接类别，at_k，j为连接属性，与为k，j的节点特征，||表示特征拼接，⊙表示向量点乘；

(3)对第L层的节点表示计算均值，得到同种类型节点的聚合表示。

5.如权利要求1所述的基于异构图神经网络的企业估值方法，其特征在于，所述步骤4中，加权融合异构节点的聚合特征，具体如下：

将上一步中获得的公司和人员聚合特征与待估值企业节点的本身特征加权融合，得到综合异构图结构和企业自身信息的最终公司表示，对应框架中的加权融合模块，形式为：

其中表示融合企业本身信息的异构节点表示，f₂(v_i)为最终公司表示；β_j为自适应权重，计算方法：

LeakyReLU为非线性激活函数，为全连接网络的参数权重，的计算公式如下：

其中Φ(x_i)表示原始公司的嵌入表示，由不同类型节点的聚合学习表示与原始公司嵌入表示计算得到。

6.一种基于异构图神经网络的企业估值系统，用于实现权利要求1-5任一所述基于异构图神经网络的企业估值方法，其特征在于，该系统包括：

第一模块，用于搭建行业异构图；

第二模块，用于待估值企业邻居采样；

第三模块，用于对采样节点使用注意力聚合学习；

第四模块，用于加权融合异构节点的聚合特征；

第五模块，用于预测企业估值。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的基于异构图神经网络的企业估值方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的基于异构图神经网络的企业估值方法。