[发明专利]需融资企业识别方法、模型训练方法、装置和设备

权利要求书

1.一种需融资企业识别方法，包括：

将目标企业群体的图谱信息中表征企业的节点的原始特征向量和表征企业关系的边的原始特征向量输入目标图卷积网络，并基于实体关系组合算子进行邻域结构学习以得到各节点和边的最终嵌入向量，所述实体关系组合算子用于汇聚目标节点的邻居节点和对应的连接边的嵌入向量；

基于各节点和边的最终嵌入向量构建真实关系三元组和伪造关系三元组并确定各关系三元组的分数；

基于最小化损失函数的方向调整所述目标图卷积网络的参数并重新训练所述目标图卷积网络，直至所述损失函数满足收敛条件，其中，所述损失函数与真实关系三元组和伪造关系三元组的分数差值相关；

基于具有融资需求标签的企业对应的节点在训练完毕后的目标图卷积网络的最终嵌入向量，训练需融资企业识别模型；

基于训练后的需融资企业识别模型，以及不具有融资需求标签的目标企业对应的节点在训练完毕后的目标图卷积网络的最终嵌入向量，识别目标企业是否为需融资企业。

2.如权利要求1所述的方法，基于实体关系组合算子进行邻域结构学习以得到各节点和边的最终嵌入向量，包括：

根据所述实体关系组合算子、目标节点的目标邻居节点在目标卷积层的嵌入向量输入，以及目标节点与目标邻居节点的连接边在目标卷积层的嵌入向量输入，确定目标卷积层中目标邻居节点的嵌入向量传递到目标节点后的嵌入向量；

根据目标卷积层对应的第一线性变换矩阵，以及目标卷积层中目标节点的各邻居节点的嵌入向量传递到目标节点后的嵌入向量，确定目标节点在目标卷积层对应的嵌入向量输出；其中，目标卷积层对应的第一线性变换矩阵用于对目标卷积层输入的节点嵌入向量进行线性变换处理；

确定所述目标图卷积网络的最后一个卷积层输出的各节点和边的嵌入向量为所述各节点和边的最终嵌入向量。

3.如权利要求2所述的方法，基于实体关系组合算子进行邻域结构学习以得到各节点和边在所述目标图卷积网络中各卷积层输出的嵌入向量，包括：

根据目标卷积层对应的第二线性变换矩阵，对目标边在目标卷积层对应的嵌入向量输入进行线性变换处理，再对线性变换处理后的参数进行所述预设的非线性变换，得到目标边在目标卷积层对应的嵌入向量输出，其中，目标卷积层对应的第二线性变换矩阵用于对目标卷积层输入的边的嵌入向量进行线性变换处理。

4.如权利要求1所述的方法，基于实体关系组合算子进行邻域结构学习以得到各节点和边的最终嵌入向量，包括：

基于实体关系组合算子和多头自注意力机制进行邻域结构学习以得到各节点和边的最终嵌入向量。

5.如权利要求4所述的方法，基于实体关系组合算子和多头自注意力机制进行邻域结构学习以得到各节点和边的最终嵌入向量，包括：

根据所述实体关系组合算子、目标节点的目标邻居节点在目标卷积层的嵌入向量输入，以及目标节点与目标邻居节点的连接边在目标卷积层的嵌入向量输入，确定目标卷积层中目标邻居节点的嵌入向量传递到目标节点后的嵌入向量；

根据目标卷积层对应的第三线性变换矩阵，目标节点在目标卷积层的嵌入向量输入中的目标分维向量，以及目标卷积层中目标节点的目标邻居节点的嵌入向量传递到目标节点后的嵌入向量，确定目标节点的目标邻居节点在目标分维向量和目标卷积层对应的自注意力系数并进行归一化处理得到归一化自注意力系数，其中，目标卷积层对应的第三线性变换矩阵用于对目标卷积层输入的节点嵌入向量进行线性变换处理；

根据目标节点的各邻居节点在目标分维向量和目标卷积层对应的归一化自注意力系数、目标卷积层对应的第三线性变换矩阵、目标卷积层中目标节点的各邻居节点的嵌入向量传递到目标节点后的嵌入向量，确定目标节点在目标卷积层和目标分维向量对应的聚合特征；

对目标卷积层中目标节点的各目标分维向量对应的聚合特征进行合并操作以得到目标节点在目标卷积层的嵌入向量输出；

确定所述目标图卷积网络的最后一个卷积层输出的各节点和边的嵌入向量为所述各节点和边的最终嵌入向量。