[发明专利]一种基于图卷积神经网络的绩效评估方法及系统

权利要求书

1.一种基于图卷积神经网络的绩效评估方法，其特征在于，包括：

获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理；

对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得所述目标企业的经营特征编码集合；

将所述经营特征编码集合中所有元素输入预先训练得到的Transformer网络，获得目标企业的多个隐藏特征向量以及每个隐藏特征向量与多个绩效指标之间的相关性分值；

根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图；

将所述经营与绩效关系图输入预先训练得到的图卷积神经网络，得到绩效指标评估结果；

所述获取目标企业的经营特征集合之前，所述方法还包括：

获取原始数据集；所述原始数据集包含多个样本企业的经营特征数据以及所述经营特征数据对应的绩效指标真实分数标签；

通过对所述原始数据集中的经营特征数据标准化、拼接及编码后，得到训练数据集；所述训练数据集包含与多个所述经营特征数据对应的多个经营特征编码；

构建Transformer网络和图卷积神经网络；所述Transformer网络包含四个多头注意力层、一个可学习线性映射层和一个激活函数层；所述图卷积神经网络包含两个图卷积层和一个激活函数层；

将所述训练数据集中的经营特征编码输入所述Transformer网络，通过所述多头注意力层获取所述经营特征编码的隐藏特征向量，并通过所述可学习线性映射层计算所述隐藏特征向量与多个绩效指标之间的相关性分值后，通过所述激活函数层进行输出；

根据所述隐藏特征向量与多个绩效指标之间的相关性分值、排序学习损失函数，采用随机梯度下降算法训练优化所述Transformer网络的参数，以得到训练好的Transformer网络；

根据各所述样本企业的隐藏特征向量和所述隐藏特征向量与多个绩效指标之间的相关性分值，构建各所述样本企业的经营与绩效关系图；

将各所述样本企业的经营与绩效关系图输入所述图卷积神经网络，通过所述图卷积层获取所述经营与绩效关系图的特征矩阵，并通过所述激活函数层输出多个绩效指标的分数；

根据多个所述绩效指标的分数、所述绩效指标真实分数标签和均方差损失函数，采用随机梯度下降算法训练优化所述图卷积神经网络的参数，以得到训练好的图卷积神经网络；

所述根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图，包括：

将所述隐藏特征向量与多个绩效指标之间的相关性分值与预设阈值进行比较，过滤出所述隐藏特征向量中相关性分值大于预设阈值的绩效指标；

将所述隐藏特征向量、过滤的绩效指标，确定为待构建的经营与绩效关系图的第一节点和第二节点；

将所述隐藏特征向量与绩效指标之间的相关性分值，确定为所述第一节点与所述第二节点之间的边属性；

根据所述第一节点、所述第二节点和所述第一节点与所述第二节点之间的边属性，构建经营与绩效关系图。

2.根据权利要求1所述的基于图卷积神经网络的绩效评估方法，其特征在于，所述相关性分值的计算公式为：

，

其中，为隐藏特征向量与绩效指标之间的相关性分值，为隐藏特征向量与第个绩效指标之间的相关性分值，为绩效指标的种类数量，为sigmoid激活函数，为可学习线性映射层算子。

3.根据权利要求1所述的基于图卷积神经网络的绩效评估方法，其特征在于，所述排序学习损失函数为：

，

其中，为排序学习损失函数，为Transformer网络的参数，、为所述Transformer网络预测的任意两个相关性分值，分别对应隐藏特征向量与排序位置靠前绩效指标和排序位置靠后绩效指标的相关性分值。

4.根据权利要求1所述的基于图卷积神经网络的绩效评估方法，其特征在于，所述均方差损失函数为：

，

其中，为均方差损失函数，为图卷积神经网络的参数，为样本企业的数量，为绩效指标的种类数量；为预测的第个绩效指标的分数，为第个绩效指标真实分数标签。