风险预测方法、装置、设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113822494A(43)申请公布日2021.12.21(21)申请号202111216347.6(22)申请日2021.10.19(71)申请人平安科技（深圳）有限公司地址518000广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼(72)发明人肖京李娜王磊赵盟盟王媛谭韬陈又新(74)专利代理机构深圳市沃德知识产权代理事务所(普通合伙)44347代理人高杰于志光(51)Int.Cl.G06Q10/04(2012.01)G06Q10/06(2012.01)G06F16/36(2019.01)权利要求书3页说明书15页附图2页(54)发明名称风险预测方法、装置、设备及存储介质(57)摘要本发明涉及人工智能技术，揭露一种风险预测方法，包括：基于从多源信息集中提取的风险感知因子集构建时序知识图谱，对时序知识图谱进行隐含关系补充和因果关系补充，得到标准知识图谱和事理图谱；利用强化学习算法构建的风险预测模型预测得到目标风险实体；对标准知识图谱进行关系量化和程度量化，得到依存紧密度和事件危害程度，基于事理图谱、依存紧密度和事件危害程度并结合图神经网络和半监督方法训练得到宏观预测模型，利用宏观预测模型预测出目标风险实体对应的风险行业。此外，本发明还涉及区块链技术，事理图谱可存储于区块链的节点。本发明还提出一种风险预测装置、电子设备以及存储介质。本发明可以提高对行业进行风险预测的准确度。CN113822494ACN113822494A权利要求书1/3页1.一种风险预测方法，其特征在于，所述方法包括：获取多源信息集，从所述多源信息集中提取风险感知因子集，并基于所述风险感知因子集构建时序知识图谱；利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱；基于预设的强化学习算法构建风险预测模型；利用所述风险预测模型对所述标准知识图谱中的实体进行风险预测，得到风险概率，并将所述风险概率大于或者等于预设概率阈值的实体作为目标风险实体；利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱；利用预设的社交网络分析算法对所述标准知识图谱进行关系量化，得到依存紧密度，并利用预设的图注意网络对所述标准知识图谱进行程度量化，得到事件危害程度；基于所述事理图谱、所述依存紧密度和所述事件危害程度，并结合图神经网络和半监督方法训练得到宏观预测模型；利用所述宏观预测模型对所述目标风险实体进行预测，得到宏观风险概率，确定所述宏观风险概率大于或者等于预设的宏观阈值的实体所对应的行业类型为风险行业。2.如权利要求1所述的风险预测方法，其特征在于，所述利用预设的隐含关系补充算法补全所述时序知识图谱中的隐含关系，得到标准知识图谱，包括：基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱；利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系；将所述隐含关系补全在所述时序知识图谱中，得到标准知识图谱。3.如权利要求2所述的风险预测方法，其特征在于，所述基于预设的稀疏图卷积网络对所述时序知识图谱进行图稀疏化处理，得到稀疏知识图谱，包括：确定所述时序知识图谱对应的邻接矩阵及特征矩阵，并获取所述稀疏图卷积网络的预设权重矩阵；基于所述邻接矩阵、所述特征矩阵和所述预设权重矩阵构建得到稀疏输出函数；利用基于乘数的交替方向算法对所述稀疏输出函数进行优化处理，将优化后的所述稀疏输出函数中的变量对所述时序知识图谱进行变量更新，得到稀疏知识图谱。4.如权利要求2所述的风险预测方法，其特征在于，所述利用训练好的关系图卷积网络对所述稀疏知识图谱进行关系预测，得到隐含关系之前，所述方法还包括：利用预设的关系图卷积网络中的实体编码器对所述稀疏知识图谱进行特征预测，得到所述稀疏知识图谱中的实体对应的潜在特征；基于所述关系图卷积网络中的解码器对所述实体对应的潜在特征进行评分，将所述评分大于或者等于预设的评分阈值的对应潜在特征作为目标潜在特征；根据所述目标潜在特征和预设的交叉熵损失函数计算得到交叉熵损失值；当所述交叉熵损失值小于或者等于预设的损失阈值时，将所述关系图卷积网络输出为训练好的关系图卷积网络。5.如权利要求1所述的风险预测方法，其特征在于，所述基于所述风险感知因子集构建2CN113822494A权利要求书2/3页时序知识图谱，包括：抽取所述风险感知因子集中的实体和实体关系；基于所述实体和所述实体关系进行图谱构建，得到时序知识图谱。6.如权利要求1至5中任一项所述的风险预测方法，其特征在于，所述利用预设的因果关系补充算法对所述时序知识图谱进行因果关系补充，得到事理图谱，包括：获取训练文本集，对所述训练文本集进行事件抽取及因果关系