[發明專利]基于企業主體信息及發票的聯邦學習系統及應用方法

在審

• 申請號: 202110694149.4
• 申請日: 2021-06-22
• 公開（公告）號: CN115511107A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 劉震;周興;李數
• 申請（專利權）人: 佛山市優策科技有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06N3/04;G06N3/08;G06K9/62;G06Q40/02
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 李紅團

本發明提供了一種基于企業主體信息及發票數據的聯邦學習系統及應用方法，聯合工商企業主體信息及發票數據，通過應用FATE聯邦學習框架使用圖神經網絡模型建立縱向聯邦學習系統，根據企業發票數據對應的風險預警指標，確定風險預警指標對應的風險等級，將這個等級作為圖神經網絡的訓練標簽，將企業主體信息及發票數據輸入至已訓練的識別模型中，以生成每個企業的風險預測信息，識別模型為圖卷積神經網絡模型。好處是圖神經網絡是直接在圖上進行計算，整個計算的過程，沿著圖的結構進行，這樣處理能夠很好的保留圖的結構信息。形成對圖數據進行端對端學習；擅長推理；可解釋性強的強大能力。

技術領域

本發明涉及人工智能技術領域，具體而言，涉及一種基于企業主體信息及發票的聯邦學習系統及應用方法。

背景技術

利用機器算法來進行企業風險預測主要面臨著兩大重要挑戰：其一，數據大都以孤島的形式存在；其二，數據隱私和安全。例如，由于各種因素的影響，不同組織和機構所擁有的大量用戶畫像數據是非共享的。為了保護數據隱私以及解決數據孤島問題，現有技術提出了采用聯邦學習進行模型訓練。聯邦學習是一種新興的人工智能技術，相較于傳統機器學習方法需要將訓練數據集中到一臺機器或者一個數據中心里，聯邦學習利用分散的成千上萬不同組織和機構的數據集協同訓練機器學習模型，而所有的訓練數據仍保留在各自的機構手中，從而保護了用戶的隱私。

但傳統的聯邦學習算法在通訊過程中僅進行本地模型參數和單一數據的傳遞和聚合，無法實現多元數據的融合，導致訓練出的模型的預測準確性不夠理想。現有技術缺少一種對現有聯邦學習進行改進的方法，以提高模型預測的準確性。針對以上問題，特提出一種基于企業主體信息及發票的聯邦學習系統及應用方法。

發明內容

本發明的目的是為了解決現有技術中存在的缺陷，而提出的一種基于企業主體信息及發票的聯邦學習系統及應用方法。為了實現上述目的，本發明采用了如下技術方案：

一種基于企業主體信息及發票的聯邦學習系統及應用方法，聯合工商企業主體信息及發票數據，通過應用FATE聯邦學習框架使用圖神經網絡模型建立縱向聯邦學習系統。

進一步的，根據企業發票數據對應的風險預警指標，確定風險預警指標對應的風險等級，將這個等級作為圖神經網絡的訓練標簽。

進一步的，將企業主體信息及發票數據輸入至已訓練的識別模型中，以生成每個企業的風險預測信息，識別模型為圖卷積神經網絡模型.

進一步的，根據每個企業的風險預測信息確定企業所處的風險等級以及企業的信用風險評價，并根據企業的信用風險評價進行風險預警。

進一步的，將不同組織或機構的數據通過聯邦學習的方式進行融合建模，在保護數據隱私的情況下，建立更加準確的模型用以識別風險企業。

相比于現有技術，本發明的有益效果在于：

企業開具的發票之間都是有聯系的，將企業和發票建立圖結構數據；同理工商部門的企業主體信息也是企業和其它企業的各種連接關系，這些數據建立成圖結構數據，好處是圖神經網絡是直接在圖上進行計算，整個計算的過程，沿著圖的結構進行，這樣處理能夠很好的保留圖的結構信息。形成對圖數據進行端對端學習；擅長推理；可解釋性強的強大能力。

具體實施方式

為了更好地理解本發明，以下通過具體實施方式對本發明作進一步說明。