[发明专利]一种基于知识图谱的上市企业违法风险预测方法

权利要求书

1.一种基于知识图谱的上市企业违法风险预测方法，其特征在于，包括如下步骤：

步骤一，采集上市企业经营指标、违法事件以及关联方历史记录并通过爬虫获取企业违规事件日增量信息，对采集的信息进行数据清洗，并将所获得的数据均转化为结构化数据；

步骤二，设计上市企业关联方及违法信息知识图谱模式层，将多维度结构化数据转化为知识图谱三元组格式，并基于Neo4j图数据库存储所构建的知识图谱实体与关系数据；

步骤三，基于上市企业关联方及违法信息知识图谱，利用Cypher语言依次检索每一上市企业节点其二阶邻域范围内的与其存在直接或间接关联关系的企业节点，并获取上市企业间潜在的关联关系类别及不同量纲下的关联程度数值；

步骤四，根据检索获得的查询结果，利用分位点划分与条件概率评估相结合的二阶段风险转移概率计算方法，量化企业间利益关联的紧密度，进而评估企业间的违法风险转移概率；

步骤五，以企业间的违法风险转移概率为边的权重，以上市企业为节点，基于networkx工具包构建大规模企业模拟集群，将初始状态的知识图谱转化为企业违法风险传播网络G_risk；

步骤六，基于Louvain算法将企业违法风险传播网络G_risk划分为企业风险传播子图G_sub，设计LeagalRank图传递算法，模拟不良风险源在企业风险传播子图G_sub扩散传播的图游走路径，通过图传递算法深层次迭代后的收敛趋向，推演评估各上市企业违法风险指数；

步骤七，将趋于稳态后的各子图中所涉及的上市企业违法风险指数存入Neo4j图数据库，通过Cypher语句添加节点属性，作为各企业节点的违法风险传播评分LegalRiskScore属性字段；

步骤八，根据企业间存在相同股东、审计师、投资方讯息构建企业关联方超图，进而搭建具备企业关联方集群特征表示能力的Hyper-GNN超图神经网络，基于超图神经网络完成企业关联方集群特征的向量化表示；

步骤九，首先根据上市企业基础信息及企业违法风险传播评分LegalRiskScore完成企业自身特征的向量化表示，而后与基于Hyper-GNN超图神经网络获得的企业关联方集群特征向量有效拼接，进而拟定企业违法预测对应的神经网络损失函数，构建神经网络层前向传播与反向传播模块单元，完成Legal-GNN企业次年违法预测模型的搭建；

步骤十，对搭建的Legal-GNN企业次年违法预测模型采用k折交叉验证的方式迭代训练，利用训练后的预测模型进行上市企业违法风险的预测。