[發明專利]一種基于深度學習的企業內部經營管理風險識別提取方法及系統

在審

• 申請號: 202011343570.2
• 申請日: 2020-11-26
• 公開（公告）號: CN112463981A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 倪時龍;張懷剛;羅建新;陳穎華;鄭敏;錢新紅
• 申請（專利權）人: 福建正孚軟件有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06K9/62;G06N3/04;G06Q10/06
• 代理公司: 福州市景弘專利代理事務所(普通合伙) 35219
• 代理人: 徐劍兵;林祥翔

1.一種基于深度學習的企業內部經營管理風險識別提取方法，其特征在于，包括如下步驟：

步驟一、從不同經營管理主體的經營數據和管理數據中提取風險知識數據，風險知識數據包括結構化數據和非結構化數據，調用知識圖譜引擎根據風險知識數據對不同經營管理主體間進行信息關聯，并生成企業圖譜；

步驟二、調用基于深度學習的特征編碼模塊，通過將狀態的時序看作詞的序列關系，把企業圖譜特征嵌入編碼模塊中，生成復合深度學習的算法，采用復合深度學習的算法從經營數據和管理數據中提取風險特征數據；

步驟三、調用基于圖的半監督學習的識別模塊，從風險特征數據中得到樣本間的相似度，生成樣本鄰接關系圖；

步驟四、調用特征值擾動的風險成因解釋模塊，從風險特征數據中提取出風險成因因素。

2.根據權利要求1所述的一種基于深度學習的企業內部經營管理風險識別提取方法，其特征在于，所述步驟一包括如下步驟：數據的清洗和治理步驟、知識表示與建模步驟、知識抽取和知識融合步驟、知識存儲步驟和構建知識圖譜引擎步驟；

數據的清洗和治理步驟包括：對于結構化數據和非結構化數據進行治理，對于結構化數據進行治理包括對所述經營數據和管理數據進行標準化和規范化，并對同一實體的數據進行融合、去重和消除歧義，統一進行知識表示；非結構化數據治理則包括語種識別、亂碼發現、格式規整和編碼轉換；

知識表示與建模步驟包括：使用本體描述語言對于領域中的實體、屬性、關系、事件等進行規范化描述，通過結構化的語言來定義和描述領域知識；

知識抽取和知識融合步驟包括：處理非結構化數據，包含正文提取、命名實體識別、關系抽取、實體鏈接與知識融合；

知識存儲步驟包括：采用圖數據庫作為知識圖譜存儲的基礎存儲引擎，存儲知識圖譜到圖數據庫中。

3.根據權利要求1所述的一種基于深度學習的企業內部經營管理風險識別提取方法，其特征在于，所述步驟二包括如下步驟：

采用文本序列的流式方式處理企業時序狀態，用長短期記憶神經網絡方式對其時序做編碼；

將每個時間切片的網絡結構做圖編碼；

把輸出的圖編碼加入到時序狀態的網絡中，通過雙層模型的方式訓練出帶有時序的圖譜編碼。

4.根據權利要求1所述的一種基于深度學習的企業內部經營管理風險識別提取方法，其特征在于，所述步驟三包括如下步驟：

根據樣本間的距離構造鄰接關系圖，樣本作為圖中的頂點，而樣本間的關系則用頂點之間的邊表示，類別標簽為通過頂點之間的邊從已標記數據傳播到未標記數據的。

5.根據權利要求1所述的一種基于深度學習的企業內部經營管理風險識別提取方法，其特征在于，所述步驟四包括如下步驟：特征預選步驟、采樣步驟、樣本擾動步驟、局部回歸步驟和因子聚合步驟；

特征預選步驟包括：從風險知識數據中挑選可解釋的特征；

采樣步驟包括：在要解釋的樣本附近采樣；

樣本擾動步驟包括：對部分樣本做隨機擾動；

局部回歸步驟包括：對于每一個樣本擾動，使用預選的特征做回歸，并將先驗知識通過約束的方式加入到回歸方程中；

因子聚合步驟包括：將每個回歸方程計算得到的系數通過統計計算得到最后的因子，所述因子為風險成因因素。

6.根據權利要求5所述的一種基于深度學習的企業內部經營管理風險識別提取方法，其特征在于，所述采樣步驟包括：采用歐式距離加權的方式進行采樣。

7.一種基于深度學習的企業內部經營管理風險識別提取系統，其特征在于：包括存儲器、處理器，所述存儲器上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1到6任意一項所述方法的步驟。